2025, Vol. 46
2. 皖江流域退化生态系统的恢复与重建省部共建协同创新中心，芜湖 241000
2. Restoration and Reconstruction of Degenerated Ecosystems in the Wanjiang River Basin: Provincial and Ministerial Collaborative Innovation Center, Wuhu 241000, China
自工业革命以来，二氧化碳的排放量激增，引发全球气候变暖，对人类生活和发展产生深远影响[1，2]. 中国作为碳排放大国，积极加入全球气候行动，在2020年提出力争于2030年前“碳达峰”、努力争取2060年前实现“碳中和”的目标[3]. 陆地生态系统的固碳功能对于减少温室气体、保持碳平衡和改善环境至关重要，是全球碳循环和应对气候变化的关键环节[4~6]. 土地利用的转变会改变植被和土壤状态，进而影响生态系统的结构和功能，导致全球碳循环的变化. 人类活动的扩张已经引起生态系统失衡和固碳能力降低[7~9]. 因此，研究土地利用变化对碳储量时空分布的影响，对于增强陆地生态系统的固碳能力、实现中国的“双碳”目标具有重大的实践价值和现实意义[10~13].
目前，评估生态系统碳储量的方法主要包括实地考察采样、遥感反演以及模型模拟这3种途径：实地考察采样能较为精确的估算出对应的碳库数据，但估算范围较小花费时间较长，在进行数据收集的过程中对环境的影响较大. 遥感反演方法主要对大范围的碳储量估算进行使用，但研究对象主要为特定生态系统区域[14，15]. 模型模拟法在碳储量的预测中主要是使用InVEST、HASM和FORECAST等不同的模型，能够较为准确地估算出区域内的总碳储量，并且对不同尺度范围内的碳贮备进行评估和预测. InVEST模型[16]的优点：准确度高、计算速度快和数据需求低等，能够直观地展现出碳储量的动态变化和空间分布态势，以及与土地利用变化之间的相互影响关系. 目前常用的土地利用模型主要为CA-Markov[17]、SD-CLUE-S[18]、CLUES-S[19]和FLUS[20]等. 已有学者开始探索将InVEST模型与土地利用模型相结合来研究碳储量的时空变化和未来情景预测. 如李井浩等[21]把FLUS模型和InVEST模型结合起来对黄河源区2040年不同情景下碳储量进行评估，分析了土地利用变化对碳储量的影响. 石建丽等[22]和杨宇萍等[23]将InVEST模型和土地利用模型结合，探究未来多情景土地利用格局下碳储量的时空变化. 随着地区发展和土地资源配置的优化需求日益增长，以上已经满足不了模拟需求. 模型未能充分考虑政策因素对土地资源规划的深远影响，存在一定的局限性. 凭借其灵活性和精确性，PLUS模型被证明在较小的尺度下可有效模拟多种土地利用斑块的变化，也有相关研究支持[24，25]. 特别强调了政策制定对土地利用模式变化的影响. 能够为土地资源的优化配置提供有力的数据支持，并在不同的未来情景下，对碳储量进行更准确的评估. 祁迷等[26]、王想等[27]和孙一帆等[28]使用PLUS-InVEST模型研究未来情景土地利用的碳储量的空变化规律. 对碳储量的研究正越来越多地关注未来土地利用模式的模拟. 然而，对碳储量变化的驱动因素的分析通常集中在土地利用的单一视角上. 碳储量的波动是一个复杂过程，受到多种因素的共同影响. 为了更全面地理解这一现象，需要深入探讨自然环境因素和经济社会因素等对碳储量的综合影响.
皖江流域，作为生态文明建设国家战略的关键区域，拥有丰富的地貌特征，包括山脉、丘陵和平原等. 随着生态环境保护工作的持续推进以及长江经济带发展进程的深入，对皖江流域生态系统的碳储量进行评估尤为关键. 本文以皖江流域作为研究区，通过2000年、2010年和2020年3期土地利用数据. 使用InVEST模型中的Carbon模块，估算该研究区2000~2020年间生态系统碳储量的变化. 借助PLUS模型，模拟2040年皖江流域的土地利用格局. 应用地理探测器，识别区域内生态系统碳储量空间变化的影响因素和交互作用类型，旨在为皖江流域实现“双碳”目标和可持续发展提供科学依据.
1 研究区概况皖江流域位于安徽省中部、长江沿岸，发源于安徽省安庆地区（图 1）. 地理位置为116°3′~118°58′E和29°53′~31°56′N，总面积34 910.8 km2，包括安庆市、池州市、铜陵市、芜湖市和马鞍山市. 平均气温为17.2℃，属亚热带季风气候，降雨集中在6~7月，年平均降水量达979.8 mm. 皖江流域主要由丘陵和平原组成，用地类型以耕地和林地为主. 是我国的国家级承接产业转移示范区.
|
图 1 皖江流域研究区划和高程 Fig. 1 Research zoning and elevation of the Wanjiang River Basin |
本研究需用到3类数据，包括土地利用数据、气候环境数据及社会经济数据. 其中土地利用数据涉及土地和土壤类型；气候环境数据则包括年均温度、年均降水量以及地形高程；社会经济数据包括人口总数、国内生产总值、与铁路、公路、水域及不同等级道路的距离. 所有数据来源及具体年份如表 1所示. 为保证数据在空间上的精确度，所有数据均被转化为100 m×100 m的栅格数据格式，并统一使用WGS_1984_Albers坐标系统. 在分析社会经济数据时，使用ArcGIS工具对道路、县政府和水体的欧氏距离进行了计算.
|
表 1 数据信息及来源 Table 1 Data information and sources |
2.1.2 各地类碳密度
InVEST模型通过对不同土地利用类型进行4个主要碳库分析，分别为：地上生物量、地下生物量、土壤和死亡有机物. 为确保数据的准确，选择与研究区域纬度相似的前人研究数据. 本研究中皖江流域内各种土地利用的碳密度数据，主要参考了吴楠等[29]和孙方虎等[30]的研究成果，相关的具体数据见表 2.
|
|
表 2 研究区内不同地类组成成分的碳储量密度/t·hm-2 Table 2 Carbon reserve density of different earth class composition in the study area/t·hm-2 |
2.2 研究方法 2.2.1 InVEST模型Carbon模块
InVEST模型中Carbon模块的主要关注4个碳库：地上生物碳（植物体内的碳）、地下生物碳（根系中的碳）、土壤碳（土壤中的碳）和死亡有机碳（枯落物质中的碳）. 该模型计算一个区域内各种土地使用类型中这些碳库的碳储量总和，从而得出区域总碳储量. 计算公式见式（1）：
|
(1) |
式中，Ck为某一区域k的碳储量，t；Akj为区域k中每种土地利用类型j的面积；；Caj为地上碳密度，Cbj为地下碳密度，Ccj为土壤碳密度，Cdj为死亡有机物中碳密度，单位是t·km-2. 将碳储量的空间变化分为5种：显著减少、少量减少、基本保持不变、少量增加和显著增加. 当碳储量变化超过15%时，为显著变动；当变化率处于5%~15%之间，为少量变动；小于5%的变化率则认为是基本稳定.
2.2.2 土地利用预测PLUS模型在CLUE-S、CA-Markov和FLUS共3种模型的基础上结合随机森林算法. 这种模型把土地扩展分析方法和随机种子的元胞自动机（CA）模型相融合，特别是LEAS和CARS模块. LEAS模块主要分析土地利用从初始到最终状态的变化过程，运用随机森林算法分析不同土地利用类型变化原因和增长之间的关系，并计算各种土地利用变化的概率. 计算公式见式（2）：
|
(2) |
式中，x为变化因素构成的向量；hn（x）为向量x的第n个决策树得出的预测类型；d的值为0或1，其中1为如果栅格中有其他的土地利用类型，则转变为k类的土地利用类型，0为其他转化类型；M为决策树的总数；[（hn（x）=d]为决策树的函数；Pi，kd（x）为i空间单元中k类型土地利用增长的概率.
CARS模块主要模拟地理现象空间格局的变化，是通过各种情景进行分析的预测模型. 计算随时间变化的各种土地利用类型之间变化的概率，预测和模拟土地类型的分布情况. 土地利用各类型之间转变的概率公式见式（3）：
|
(3) |
式中，Pi，kd = 1为在特定单元中土地利用类型增加的可能性；；Ωi，kt为单元格的邻近效应；Dkt为对未来土地利用k的需求影响.
|
(4) |
|
(5) |
式中，con为在最新一轮迭代中第n×n窗口内第k种土地利用类型在最后一次迭代中所占用的网格单元总数；wk为土地利用类型之间的权重默认为1；；Gkt-1和Gkt-2为第k种土地利用类型在前一次t-1和前两次t-2迭代中的需求差异.
本研究通过2010年的数据，模拟计算出2020年的土地利用情况，以2020年的实际数据作为检验精度的标准，使用Kappa系数进行评价. 设置了4种不同情景，预测2040年的土地利用变化，每种情景预测间隔20 a. 2020年的检验精度较高（Kappa值0.82，总体精度为0.91），能有效预测出未来各地类类型. 以LEAS模块估算发展可能性，通过MarkovChain模拟2040年的各地类的占地需求，利用CARS模块对不同情景下2040年的土地利用进行预测. 根据土地利用的变更，调整转移矩阵（矩阵反映各地类间转化强弱）和邻域权重（权重表示土地类型扩张的速度，范围从0~1不等，越接近1表示扩张能力越强）. 在此基础上，定义了4种不同的发展情景（表 3）：自然发展情景，即维持当前的发展模式，不进行调整；城镇发展情景，限制建设用地与其他土地类型的转换，促进耕地、林地和水域向建设用地的转化；耕地保护情景，重点保护耕地，阻止耕地向其他用地类型的转换；生态保护情景，限制生态土地（包括林地、草地和水域）向其他土地类型的转化.
|
|
表 3 多种情景转移矩阵1） Table 3 Multiple scenario-based transfer matrices |
2.2.3 地理探测器
地理探测器是通过检测地理要素的空间分布差异性来识别和量化影响地理现象的潜在因素. 这一工具涵盖了4个主要部分：因子检测、风险检测、交互检测以及生态检测模块. 所谓的空间分层异质性，是指在不同空间层级中，某一地理元素内部的变异性小于其在不同层级之间的变异性，表明该地理元素在空间上表现出了明显的层级性. 地理探测器中的q值是用来量化这种空间分层异质性大小的一个指标. 因子探测器是专门用来评估不同环境因素对土壤侵蚀等地理现象空间分布差异性影响程度的工具. q值在此模块中表示特定环境因素对空间分异性的贡献度，q值越高，表明该因素对土壤侵蚀的空间分布差异性影响越大，见式（6）：
|
(6) |
|
(7) |
|
(8) |
式中，h=1，2，⋯为自变量的分类或区间；Nh和N分别为第h层和整个区域的单元数；σh和σ分别为层h和整个区域Y值的方差；SSW为层内方差的累计数；SST为整个区域的总方差；q为解释自变量对因变量影响能力的指标，其值在0~1之间.
通过探测器进行计算，将单一因素的q值和两个因素组合的q值进行对照，来评判两个环境因素之间是否有交互作用，以及这种交互作用的性质和趋向. 这种分析不局限于诸如Logistic回归所假设的乘法关系这样的传统统计方法，而是适用于任何或许存在交互作用的情况（表 4）.
|
|
表 4 自变量与因变量的相互影响模式1） Table 4 Patterns of interaction between independent and dependent variables |
风险探测器的作用是评估不同区域的环境因子属性是否存在明显的不同，并据此识别出土壤侵蚀风险较高的区域. 它通过分析区域属性的均值差异，帮助确定哪些区域面临更高的土壤侵蚀风险.
3 结果与分析 3.1 20000~2020年皖江流域土地利用时空演变2000~2020年，皖江流域的各地类转移情况如图 2所示，耕地、草地和未利用地面分别减少1 096.73、5.92和4.55 km2，其占比分别下降3.14%、0.02%和0.01%. 而林地、水域和建设用地面积分别增加48.9、69.68和988.6 km2. 林地占比上升0.14%，水域占地增加0.2%，建设用地占比提高2.83%. 在2000~2020年间皖江流域土地使用发生显著变化，其中耕地占比显著下降而建设用地迅速增加最为明显. 在此期间，耕地主要向建设用地和林地转换，面积分别达到898.59 km2和851.17 km2. 这一转变主要是由于经济发展和城市扩展，尤其是在现有城区的外部区域范围.
|
图 2 2000~2020年皖江流域土地利用变化 Fig. 2 Land use change in Wanjiang River Basin from 2000 to 2020 |
因人口增长和食物需求上升，大量林地和水域被转变为耕地，其中林地转化为耕地的面积达744.42 km2，水域则有370.97 km2被填埋或排干用作耕作. 皖江流域的草地面积非常小，仅占总面积的0.01%，主要分布在洲岛和滩地上. 这些草地多数被转换为林地，转换面积为3.43 km2，这种变化主要由政府推动的植树造林政策所驱动，鼓励土地管理者将草地改造为林地. 主要由于城市和农村用地的扩展，水域面积的变化显著，370.97 km2的水域被改造为耕地，73.53 km2的水域则转变为建设用地. 此外，27.16 km2的建设用地被转换为耕地，20.09 km2转换为水域，这主要是因为农村地区的建设用地转为农田，以及城乡建设中因水利建设和改造的需要而做的调整. 至于未利用地，2020年的占比极少，不到总面积的0.001%且转换面积也很小.
3.2 驱动因素的影响程度分析土地利用变化是由于自然环境、地质情况和人类社会三者相互影响所导致. 将2000~2020年各地类的面积变化作为因变量，从上述三者中选取13个影响因子作为因变量. 生态气候保持长期稳定；DEM与坡度影响植物生长；年平均气温与降水影响区域内土地利用的改变；人口和国内生产总值（GDP）的变化显现了宏观经济的发展水平；同时，公路、铁路及其它交通设施对土地利用的变化具有深远影响. 利用LEAS模块估算各地类的发展概率，通过α值评估影响因子的贡献率，如图 3所示，土地利用变化的主要影响因素是耕地、林地和建设用地的变动. 在耕地的变化中，高程是关键因素，其海拔直接影响耕地的分布，而平均温度和降水量决定农作物的生长条件. 二级公路周边地区的耕地变化受人为活动的影响较大，因此在考虑耕地变化时，应特别关注这些受人为因素影响最显著的区域. 林地的范围主要由其高程和坡度决定. 在海拔相对较低的区域，气候条件通常更温暖且湿润，有利于森林的生长与扩张. 伴随海拔的升高，气温会逐步降低，降水模式也可能出现变化，这些变化会左右森林的分布与类型. 距离道路和公路的远近对建设用地的扩张影响最大. 道路和公路提供了连接不同地区的重要通道（图 4），提升了区域之间的可达性，这会吸引更多的人口和经济活动，进而推动建设用地的扩张.
|
图 3 皖江流域耕地、林地及建设用地扩张的关键驱动因素分析 Fig. 3 Analysis of the key driving factors of cultivated land, forest land and construction land expansion in Wanjiang River Basin |
|
图 4 皖江流域中耕地、林地及建设用地面积增长区与主要贡献因素的重叠栅格 Fig. 4 Overlapping grid plot of the growth area and main contribution factors of cultivated land, forest land, and construction land in Wanjiang River Basin |
如图 5所示，研究区域在2000年、2010年和2020年的碳储量数据显示为465.73×106、467.15×106和462.89×106 t，总碳储量表现为先增后减的趋势. 就土地利用类型而言，耕地的贡献最为突出，耕地面积占全区的50.43%，碳储量为211.94×106 t，占全区的45.79%. 林地面积占全区的35.92%，但碳储量为210.15×106 t，占比达45.4%，近乎与耕地持平. 水域和建设用地的占地面积较少所含碳储量分别为23.41×106 t和17.33×106 t，占比为5.06%和3.74%. 草地和未利用地占地面积最少，碳储量也同样最少为0.057×106 t和0.005×106 t，占比都不到0.02%.
|
图 5 2000~2020年皖江流域碳储量及各地类碳储量变化 Fig. 5 Changes of carbon reserves in Wanjiang River Basin from 2000 to 2020 |
如图 6所示，2000~2020年间，皖江流域各类土地利用中的碳储量在空间格局上相对平稳. 期间，林地及耕地碳储量较为丰富，草地和未利用地则相对较低. 尽管大多数地区的碳储量未见明显变化，建设用地的增加和水域面积的扩展导致部分地区碳储量减少. 与此同时，草地和耕地的碎片化新增对碳储量的提升也起到了一定作用. 从整体来看，该流域的碳储量在空间分布上呈现西部和东南部较高，而东北部和中部则相对较低，林地中的高值区域呈现片状分布，位于东部和西南部. 低值区主要是呈条带状的水域. 如图 7所示，研究区碳储量的空间变化显示出显著的区域差异，2000~2010年期间，中部属于左侧的区域碳储量有少量增长，上部水域右侧的区域碳储量较少. 而在2010~2020年，西南部的碳储量出现了减少的情况.
|
图 6 2000~2020年皖江流域碳储量变化趋势 Fig. 6 Trend of carbon reserves in Wanjiang River Basin from 2000 to 2020 |
|
图 7 2000~2020年皖江流域碳储量变化 Fig. 7 Change of carbon reserves in Wanjiang River Basin from 2000 to 2020 |
通过PLUS模型预测2040年在4种不同情景中各地类情况. 如图 8所示，研究区中各地类的总体结构保持不变，但有个别区域变化明显. 在自然发展情景中，耕地、草地和未开发土地的面积呈现下降趋势. 其面积分别减少880.56、1.06和0.17 km2，而林地、水域和建设用地则呈现增长趋势，分别增长0.59、0.01和881.19 km2. 在城镇保护情景下，耕地、林地、草地和未利用地的面积均有所下降，分别减少874.6、5.37、1.06和0.17 km2，水域面积增加0.01 km2，建设用地面积增加881.19 km2. 在耕地保护情景中，通过限制将耕地改变为其他地类来控制建设用地的增加，使得耕地面积由原本的大量减少变为增加6.34 km2. 在生态保护情景中，经过生态保护法、提升生态环境监测能力等政策后，林地和水域面积变化较大，分别增加255.02 km2和50.66 km2，同时建设用地的扩张也受到控制，其增加面积减少到621.04 km2.
|
图 8 2040年皖江流域各情景土地利用空间格局 Fig. 8 Spatial pattern of situational land use in Wanjiang River Basin in 2040 |
通过对4种不同方案的比较发现，耕地保护和生态保护措施可以有效地抑制建设用地的扩张，而其他两种方案在用地扩张的速度和模式上与原有趋势保持一致. 在实行生态保护的情景中，尽管耕地面积有所减少，但是具有重要生态价值的林地和水域面积则有显著增长. 如果同时采取耕地保护和生态保护措施，将能有效地限制建设用地的增长，并对保护区域生态环境带来益处. 预测到2040年，土地利用的空间分布将类似于传统格局，其中耕地将继续作为主要的土地类型，大约占48%，主要集中在长江两岸. 西部和东南部主要是林地和草地，这些区域的总面积占36%. 相对而言，建设用地的扩张速度较快，占了8%，其主要分布在城市核心区及其周边的郊区.
3.4.2 各情景碳储量变化分析通过应用InVEST模型，预测了2040年在4种不同情景下的碳储量，如图 9所示. 并与2020年进行了比较，结果显示碳储量普遍减少，如图 10所示. 在自然发展情景中，碳储量下降了2.485×106 t，主要是由于耕地面积的减少；城镇发展情景中，碳储量减少了2.513×106 t，这主要因为林地面积的缩减；而在耕地保护情景中，碳储量下降幅度最小，仅为0.029×106 t，这是因为耕地得到了有效保护，土地面积变化较小；在生态保护情景中，由于建设用地增长减少，碳储量减少了0.749×106 t.
|
图 9 皖江流域2040年各情景碳储量空间分布 Fig. 9 Spatial distribution of various scenario carbon reserves in Wanjiang River Basin in 2040 |
|
图 10 皖江流域各情景碳储量变化 Fig. 10 Change of carbon reserves in Wanjiang River Basin |
9个影响皖江流域生态系统碳存储空间分布的因素如植被净初级生产力（q=0.035）、高程（q=0.104）、植被覆盖指数（q=0.054）、年平均降水（q=0.139）、坡度（q=0.012）、人口（q=0.056）、年均蒸发量（q=0.107）、年平均温度（q=0.023）和夜间灯光数据（q=0.106）（图 11）. 在皖江流域，各个因素对碳储量的空间分布均有一定影响. 其中，年平均降水量和年均蒸发量是关键因素，解释力都超过了10%，表明气候变化对该地区碳储量分布的显著影响. 在生态系统中，不同驱动因素之间相互作用能够表现出非线性或双因素的加强，表明任一因素与其他因素的结合都可增强对碳储量分布的影响. 特别是植被的净初级生产力与年均降水量的协同作用，在解释碳储量的空间变化上具有最强的解释力，其值为0.382，表明与其他因素的协作大都是非线性的增强. 影响碳储量空间分布的驱动因素并不是简单的线性叠加效应，而应该全面考虑多种因素之间的交互影响. 要全面知晓碳储量在不同空间区域的变化，不能只关注单一因素，而要分析各因素间的共同作用，以及它们之间的相互影响与协同效应.
|
X1表示植被净初级生产力，X2表示高程，X3表示植被覆盖指数，X4表示年平均降水，X5表示坡度，X6表示人口，X7表示年均蒸发量，X8表示年平均温度，X9表示夜间灯光数据 图 11 2020年皖江流域碳储量影响因素的交互作用分析结果 Fig. 11 Results of the interaction analysis of the factors influencing carbon reserves in Wanjiang River Basin in 2020 |
2000~2020年，研究区碳储量表现为先增加后降低. 期间，各地类的碳储量变化较小，但各地类之间的改变明显影响了碳储量，特别是由于高碳密度土地转为低碳密度土地，耕地和林地有所减少. 城市化的快速发展促进了耕地向建设用地的转变，而生态保护政策如退耕还林则推动了耕地向林地的转变. 同时，生态系统的碳固定能力的削弱主要是建设用地面积增加和草地面积的减少[31~33].
NDVI对碳存储量空间分布的影响较为重要，其植被覆盖率对于碳固定能力起着关键作用. 为了提升该地区的碳固定能力，可以施行增加植被覆盖率的办法，这不仅有益于实现碳减排，也是实现碳固存的有效渠道.
4.2 模型的局限性在本研究中，PLUS模型被用来探究土地利用变化的驱动因素，但该模型仅考虑了气候、环境和社会经济等因素，而未充分考虑政策因素对土地利用的实际影响. 这可能会导致模拟结果与实际情况存在偏差. 因此，为了提高研究结果的准确性，在后续的研究中，应该将政策因素纳入分析框架. 尽管InVEST模型在评估生态系统服务方面具有广泛的应用价值，但本研究中使用的碳密度参数主要依赖于先前的研究. 考虑到碳密度会随时间而变化，未来研究应该结合更多的现场测量数据，对碳密度参数进行校正，以提高评估结果的准确性和可靠性.
4.3 对皖江流域碳储量影响因素分析通过地理探测器分析得出，年平均降水是该研究区碳储量空间变化的主要驱动. 同时，高程和年均蒸发量等驱动因子对碳储量空间变化存在一定影响. 交互作用探测结果指出（图 11），不同驱动因子相互结合能够加大对生态系统碳储量空间差异的作用[34~36]. 在实际运用时，人们能够思考这些因素对于生态系统碳储量的作用，比如，通过在不同海拔种植具有高固碳能力和适应性的植物. 本研究旨在为皖江流域实现“双碳”目标和可持续发展提供科学依据. 利用InVEST模型，对皖江流域的生态系统碳存储量进行了估算，并应用地理探测器对影响碳存储分布的各因素进行了定量评估. 这种方法为皖江流域实现“双碳”目标开辟了新路径，并与传统方法相比具有创新性[37~40]，本研究通过地理探测器分析了皖江流域内碳存储空间差异的成因，尽管没有具体探究各驱动因子的相关作用. 因此，未来研究应该结合更多的工具和模型来进行更细致和全面的驱动因素分析.
5 结论（1）2000~2020年皖江流域总碳储量下降了2.84×106 t，主要为耕地被转化为林地、水域及建设用地. 同时，耕地、草地以及未利用地的面积呈减少态势，而林地、水域和建设用地的面积有所增加. 在这当中，耕地面积减少的幅度最大，达1 096.73 km2，建设用地面积的增加幅度居首，为988.6 km2.
（2）碳储量在空间上分布显示，西南和东南地区较高，而东北和中部地区则较低. 富含高碳储量的地区主要集中在林地区域，处在安庆市的西部以及池州市的东部. 低碳储量区广泛分布于耕地和水域地区，主要位于马鞍山市、芜湖市和铜陵市的中部，还有安庆市的东部以及池州市的西部.
（3）2040年4种发展情景下，除了耕地保护政策对建设用地的扩张施加了限制之外，其他3种土地利用类型将维持它们原有的发展趋势和速度不变. 4种发展情景的碳储量与2020年相比都出现下降. 城镇发展情景下，下降2.513×106 t，该情景下耕地、林地和水域均有大量减少，造成碳储量显著下降. 耕地保护情景下降最少，仅0.029×106 t，该情景下耕地受到保护各地类面积变化均较小，导致各地类碳储量变化不大.
（4）皖江流域生态系统碳储量的空间分异主要受气候要素作用，其中年平均降水量的影响（解释力达0.139）最为显著，而坡度的影响（解释力为0.012）最弱. 各驱动因子之间的交互作用要比单一因子的作用更强，其中植被净初级生产力与年平均降水量的协同作用能力是最强的.
| [1] | Jiang P, Sonne C, You S M. Dynamic carbon-neutrality assessment needed to tackle the impacts of global crises[J]. Environmental Science & Technology, 2022, 56(14): 9851-9853. |
| [2] | Cramer W, Guiot J, Fader M, et al. Climate change and interconnected risks to sustainable development in the Mediterranean[J]. Nature Climate Change, 2018, 8(11): 972-980. DOI:10.1038/s41558-018-0299-2 |
| [3] |
习近平. 在第七十六届联合国大会一般性辩论上的讲话[J]. 中华人民共和国国务院公报, 2020(28): 5-7. Xi J P. Statement at the general debate of the 75th session of the united nations general assembly[J]. Gazette of the State Council of the People's Republic of China, 2020(28): 5-7. |
| [4] | Ghosh S, Dinda S, Chatterjee N D, et al. Spatial-explicit carbon emission-sequestration balance estimation and evaluation of emission susceptible zones in an Eastern Himalayan city using Pressure-Sensitivity-Resilience framework: an approach towards achieving low carbon cities[J]. Journal of Cleaner Production, 2022, 336. DOI:10.1016/j.jclepro.2022.130417 |
| [5] |
曾赞青, 宋涵晴, 高俊宏, 等. 北京市森林植被固碳与能源碳排放时空变化及潜力预测[J]. 林业科学, 2023, 59(12): 51-60. Zeng Z Q, Song H Q, Gao J H, et al. Spatial and temporal change and potential prediction of carbon sequestrating and energy carbon emissing of forest vegetation in Beijing[J]. Scientia Silvae Sinicae, 2023, 59(12): 51-60. DOI:10.11707/j.1001-7488.LYKX20220683 |
| [6] |
夏龙龙, 遆超普, 朱春梧, 等. 中国粮食生产的温室气体减排策略以及碳中和实现路径[J]. 土壤学报, 2023, 60(5): 1277-1288. Xia L L, Ti C P, Zhu C W, et al. Mitigation strategies of greenhouse gas emissions from crop production in China and the pathways to agricultural carbon neutrality[J]. Acta Pedologica Sinica, 2023, 60(5): 1277-1288. |
| [7] |
杨洁, 谢保鹏, 张德罡. 基于InVEST和CA-Markov模型的黄河流域碳储量时空变化研究[J]. 中国生态农业学报(中英文), 2021, 29(6): 1018-1029. Yang J, Xie B P, Zhang D G. Spatio-temporal evolution of carbon stocks in the Yellow River Basin based on InVEST and CA-Markov models[J]. Chinese Journal of Eco-Agriculture, 2021, 29(6): 1018-1029. |
| [8] |
马晓哲, 王铮. 土地利用变化对区域碳源汇的影响研究进展[J]. 生态学报, 2015, 35(17): 5898-5907. Ma X Z, Wang Z. Progress in the study on the impact of land-use change on regional carbon sources and sinks[J]. Acta Ecologica Sinica, 2015, 35(17): 5898-5907. |
| [9] | Houghton R A, House J I, Pongratz J, et al. Carbon emissions from land use and land-cover change[J]. Biogeosciences, 2012, 9(12): 5125-5142. DOI:10.5194/bg-9-5125-2012 |
| [10] | Gao J, Wang L C. Embedding spatiotemporal changes in carbon storage into urban agglomeration ecosystem management-A case study of the Yangtze River Delta, China[J]. Journal of Cleaner Production, 2019, 237. DOI:10.1016/j.jclepro.2019.117764 |
| [11] |
张徐, 李云霞, 吕春娟, 等. 基于InVEST模型的生态系统服务功能应用研究进展[J]. 生态科学, 2022, 41(1): 237-242. Zhang X, Li Y X, Lyu C J, et al. Research progress on application of ecosystem service functions based on InVEST model[J]. Ecological Science, 2022, 41(1): 237-242. |
| [12] |
张世伟, 魏璐瑶, 金星星, 等. 基于FLUS-UGB的县域土地利用模拟及城镇开发边界划定研究[J]. 地球信息科学学报, 2020, 22(9): 1848-1859. Zhang S W, Wei L Y, Jin X X, et al. The land use simulation and delimitation of urban development boundary in county area based on FLUS-UGB[J]. Journal of Geo-Information Science, 2020, 22(9): 1848-1859. |
| [13] |
张志堂. 上海城市典型绿地的碳汇估算[J]. 绿色科技, 2017(15): 60-62. Zhang Z T. Carbon sequestration estimation of typical urban green land in Shanghai[J]. Journal of Green Science and Technology, 2017(15): 60-62. |
| [14] | Nero B F, Callo-Concha D, Denich M. Structure, diversity, and carbon stocks of the tree community of Kumasi, Ghana[J]. Forests, 2018, 9(9). DOI:10.3390/f9090519 |
| [15] | Lpatov D N, Shcheglov A I, Manakhov D V, et al. Spatial variation of organic carbon stocks in peat soils and Gleyzems in the northeast of Sakhalin Island[J]. Eurasian Soil Science, 2021, 54(2): 226-237. DOI:10.1134/S1064229321020083 |
| [16] |
毛永发, 周启刚, 王陶, 等. 耦合PLUS-InVEST-Geodector模型的三峡库区碳储量时空变化及其定量归因[J]. 长江流域资源与环境, 2023, 32(5): 1042-1057. Mao Y F, Zhou Q G, Wang T, et al. Spatial-temporal variation of carbon storage and its quantitative attribution in the three gorges reservoir area coupled with PLUS-InVEST geodector model[J]. Resources and Environment in the Yangtze Basin, 2023, 32(5): 1042-1057. |
| [17] | Yulianto F, Maulana T, Khomarudin M R. Analysis of the dynamics of land use change and its prediction based on the integration of remotely sensed data and CA-Markov model, in the upstream Citarum Watershed, West Java, Indonesia[J]. International Journal of Digital Earth, 2019, 12(10): 1151-1176. DOI:10.1080/17538947.2018.1497098 |
| [18] | Luo G P, Yin C Y, Chen X, et al. Combining system dynamic model and CLUE-S model to improve land use scenario analyses at regional scale: a case study of Sangong watershed in Xinjiang, China[J]. Ecological Complexity, 2010, 7(2): 198-207. DOI:10.1016/j.ecocom.2010.02.001 |
| [19] | Feng H, Lei X, Yu G, et al. Spatio-temporal evolution and trend prediction of urban ecosystem service value based on CLUE-S and GM (1, 1) compound model[J]. Environmental Monitoring and Assessment, 2023, 195(11). DOI:10.1007/s10661-023-11853-y |
| [20] | Çağlıyan A, Dağlı D. Monitoring land use land cover changes and modelling of urban growth using a future land use simulation model (FLUS) in Diyarbakır, Turkey[J]. Sustainability, 2022, 14(15). DOI:10.3390/su14159180 |
| [21] |
李井浩, 柳书俊, 王志杰. 基于FLUS和InVEST模型的云贵高原土地利用与生态系统服务时空变化多情景模拟研究[J]. 水土保持研究, 2024, 31(3): 287-298. Li J H, Liu S J, Wang Z J. Multi-scenario simulation of spatiotemporal changes of land use pattern and ecosystem services in Yunnan-Guizhou Plateau based on FLUS and InVEST models[J]. Research of Soil and Water Conservation, 2024, 31(3): 287-298. |
| [22] |
石建丽, 仲俊涛, 刘美娟. 基于InVEST模型的祁连山地区土壤保持功能时空演变及驱动因素分析[J]. 水土保持通报, 2024, 44(2): 455-464. Shi J L, Zhong J T, Liu M J. Spatiotemporal evolution and driving factors of soil conservation function in Qilian Mountains based on InVEST model[J]. Bulletin of Soil and Water Conservation, 2024, 44(2): 455-464. |
| [23] |
杨宇萍, 胡文敏, 贾冠宇, 等. 基于InVEST与ANN-CA模型的环洞庭湖区土地利用碳储量情景模拟[J]. 南京林业大学学报(自然科学版), 2023, 47(4): 175-184. Yang Y P, Hu W M, Jia G Y, et al. Scenario simulation integrating the ANN-CA model with the InVEST model to investigate land-based carbon storage in the Dongting Lake area[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2023, 47(4): 175-184. |
| [24] | Liang X, Liu X P, Li D, et al. Urban growth simulation by incorporating planning policies into a CA-based future land-use simulation model[J]. International Journal of Geographical Information Science, 2018, 32(11): 2294-2316. DOI:10.1080/13658816.2018.1502441 |
| [25] | Liang X, Guan Q F, Clarke K C, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: a case study in Wuhan, China[J]. Computers, Environment and Urban Systems, 2021, 85. DOI:10.1016/j.compenvurbsys.2020.101569 |
| [26] |
祁迷, 王飞, 滑永春, 等. 基于PLUS与InVEST模型的内蒙古自治区土地利用变化及碳储量评估[J]. 水土保持学报, 2023, 37(6): 194-200. Qi M, Wang F, Hua Y C, et al. Assessment of land use change and carbon storage in Inner Mongolia Autonomous Region based on PLUS and InVEST models[J]. Journal of Soil and Water Conservation, 2023, 37(6): 194-200. |
| [27] |
王想, 王春雨, 吕飞南, 等. 基于PLUS-InVEST模型的区县碳储量时空格局变化与碳汇提升策略——以延庆区为例[J]. 应用生态学报, 2023, 34(12): 3373-3384. Wang X, Wang C Y, Lyu F N, et al. Temporal and spatial variations of carbon storage and carbon sink improvement strategy at the district and county level based on PLUS-InVEST model: taking Yanqing District as an example[J]. Chinese Journal of Applied Ecology, 2023, 34(12): 3373-3384. |
| [28] |
孙一帆, 徐梦菲, 汪霞. 基于InVEST-PLUS模型的郑州市碳储量时空演变及空间自相关分析[J]. 水土保持通报, 2023, 43(5): 374-384. Sun Y F, Xu M F, Wang X. Spatial-temporal evolution of carbon storage and spatial autocorrelation analysis in Zhengzhou City based on InVEST-PLUS model[J]. Bulletin of Soil and Water Conservation, 2023, 43(5): 374-384. |
| [29] |
吴楠, 陈凝, 程鹏, 等. 安徽省陆地生态系统碳储量变化对未来土地覆被情景的响应[J]. 长江流域资源与环境, 2023, 32(2): 415-426. Wu N, Chen N, Cheng P, et al. Evaluation of carbon storage on terrestrial ecosystem responses to land cover change under five future scenarios in Anhui Province[J]. Resources and Environment in the Yangtze Basin, 2023, 32(2): 415-426. |
| [30] |
孙方虎, 方凤满, 洪炜林, 等. 基于PLUS和InVEST模型的安徽省碳储量演化分析与预测[J]. 水土保持学报, 2023, 37(1): 151-158. Sun F H, Fang F M, Hong W L, et al. Evolution analysis and prediction of carbon storage in Anhui Province based on PLUS and InVEST model[J]. Journal of Soil and Water Conservation, 2023, 37(1): 151-158. |
| [31] | Willcock S, Phillips O L, Platts P J, et al. Towards regional, error-bounded landscape carbon storage estimates for data-deficient areas of the world[J]. PLoS One, 2012, 7(9). DOI:10.1371/journal.pone.0044795 |
| [32] | Adhikari K, Hartemink A E. Digital mapping of topsoil carbon content and changes in the driftless area of Wisconsin, USA[J]. Soil Science Society of America Journal, 2015, 79(1): 155-164. DOI:10.2136/sssaj2014.09.0392 |
| [33] | Adams A B, Pontius J, Galford G L, et al. Modeling carbon storage across a heterogeneous mixed temperate forest: the influence of forest type specificity on regional-scale carbon storage estimates[J]. Landscape Ecology, 2018, 33(4): 641-658. DOI:10.1007/s10980-018-0625-0 |
| [34] |
张爽, 高启晨, 张戎, 等. 基于PLUS-InVEST模型的纳帕海流域碳储量时空演变及驱动因素分析[J]. 中国环境科学, 2024. Zhang S, Gao Q C, Zhang R, et al. Evaluating the changes and driving factors of carbon storage in Napa Sea Basin using the PLuS-InVEST model[J]. China Environmental Science, 2024. DOI:10.19674/j.cnki.issn1000-6923.20240412.030 |
| [35] |
闵婕, 刘晓煌, 肖粤新, 等. 基于PLUS模型和InVEST模型的新安江流域生态系统碳储量时空变化分析与预测[J]. 现代地质, 2024, 38(3): 574-588. Min J, Liu X H, Xiao Y X, et al. Analysis and predictions of the spatiotemporal variations of ecosystem carbon storages in the Xin'an River Basin based on PLUS and InVEST models[J]. Geoscience, 2024, 38(3): 574-588. |
| [36] |
周文强, 韩宇, 王金龙, 等. 洞庭湖流域碳储量的时空异质性及驱动力分析[J]. 中国环境科学, 2024, 44(4): 1851-1862. Zhou W Q, Han Y, Wang J L, et al. Spatiotemporal heterogeneity and driving forces of carbon storage in the Dongting Lake Basin[J]. China Environmental Science, 2024, 44(4): 1851-1862. DOI:10.3969/j.issn.1000-6923.2024.04.008 |
| [37] |
尤海舟, 毕君, 王超, 等. 河北小五台山不同海拔白桦林土壤有机碳密度分布特征及影响因素[J]. 生态环境学报, 2018, 27(3): 432-437. You H Z, Bi J, Wang C, et al. Altitudinal distribution rule of betula platyphylla forest's soil organic carbon density and its influencing factors in Xiaowutai mountain in Hebei[J]. Ecology and Environmental Sciences, 2018, 27(3): 432-437. |
| [38] | Contosta A R, Lerman S B, Xiao J F, et al. Biogeochemical and socioeconomic drivers of above-and below-ground carbon stocks in urban residential yards of a small city[J]. Landscape and Urban Planning, 2020, 196. DOI:10.1016/j.landurbplan.2019.103724 |
| [39] |
杨小琬, 张丽君, 秦耀辰, 等. 1995年以来黄河下游碳储量时空变化及驱动因素[J]. 河南大学学报(自然科学版), 2022, 52(1): 20-33. Yang X W, Zhang L J, Qin Y C, et al. Temporal and spatial variation and driving factors of carbon storage in the lower Yellow River since 1995[J]. Journal of Henan University (Natural Science), 2022, 52(1): 20-33. |
| [40] | Hobley E, Wilson B, Wilkie A, et al. Drivers of soil organic carbon storage and vertical distribution in Eastern Australia[J]. Plant and Soil, 2015, 390(1-2): 111-127. DOI:10.1007/s11104-015-2380-1 |