2025, Vol. 46
2. 河南大学黄河中下游数字地理技术教育部重点实验室，郑州 450046;
3. 河南省大气污染防治与生态安全重点实验室，开封 475004
2. Key Laboratory of Geospatial Technology for the Middle and Lower Yellow River Region, Ministry of Education, Henan University, Zhengzhou 450046, China;
3. Henan Key Laboratory of Air Pollution Control and Ecological Security, Kaifeng 475004, China
碳循环是陆地生态系统循环的一个关键环节，陆地生态系统的碳储量是生态系统服务功能的关键指标，它与陆地生态系统的气候调节和生产力密切相关[1]. 当区域碳储量提高时，能有效缓解温室效应对气候的影响[2]. 同时，碳储量受许多因素的影响，土地利用/覆被变化（land use/cover changes，LUCC）作为引起碳储量变化的一个主要因素，会通过改变陆地生态系统中土壤和植被中的碳储量进一步影响所在区域的碳储量[3]. 陆地碳储量的评估方法主要有：实地调查[4]、遥感反演[5]和模型模拟[6~9]等方法，各方法都存在不同的特点. 实地调查方法简单且精度高，但只适用于小区域，无法反映大尺度碳储量的动态变化[10]. 相比较而言，遥感技术可以分析大面积碳储量变化，可以应用于特定生态系统（如草原和森林等）下的地下与土壤生物量[11~13]. 而模型可以模拟、预测和评估多尺度（全球、国家和区域）的碳储量，基于土地利用数据，通过简单且精准的方式可以估计多目标与多情景下的生态系统碳储量[14].
目前在分析LUCC的研究中已发展了多个预测模型，如FLUS模型、CA-Markov模型、CLUE-S模型、PLUS模型和系统动力学模型等，结合定性和定量的分析方法被一些学者广泛应用. 其中，PLUS模型是土地利用变化模拟的元胞自动机（CA）模型，其依据随机森林算法估计各地类的发展概率，能更精准的模拟土地斑块. 胡佶熹等[15]基于PLUS模型，先后分析了江西省历史和未来不同发展情景下的土地利用变化和陆地生态系统碳储量时空变化特征，对不同地类下碳平衡的调节提供了参考依据，并验证了PLUS模型对土地斑块模拟的准确性. 毛永发等[16]耦合PLUS-InVEST-Geodector模型研究了三峡库区不同地类下碳储量的时空变化规律，表明PLUS模型能够模拟复杂地类的精确演变. Zhang等[17]通过PLUS模型确定了长江三角洲地区土地利用变化的关键驱动因素，并模拟了多种未来情景地类，显示了PLUS模型作为未来土地利用管理规划工具的潜力.
自1850年以来，由LUCC导致的碳储量减少已占全球温室气体排放量的2/3左右[18]，对于如何准确量化不同类型碳储量的问题引起了国内外学者的广泛关注[19]. 在碳储量模型模拟方面，生态系统服务与权衡综合评价（InVEST）模型能反映区域碳密度随时间变化的动态过程，已被广泛应用于区域碳储量的计算[13]. 杨洁等[3]利用InVEST和CA-Markov模型对黄河流域碳储量的时空变化特征进行分析，为黄河流域土地空间布局优化和合理利用提供了科学依据. Li等[20]基于InVEST模型推导了黑龙江省碳储量时空演变，表明黑龙江省1980~2015年的碳储量与土地利用/土地覆被类型的变化趋势一致. 朱文博等[21]以太行山淇河流域为例，通过InVEST模型评估了2005~2015年土地利用变化情景的生态系碳储量并预测了2015~2025年碳储量的变化情况. 赫晓慧等[22]通过Dyna-CLUE和InVEST模型动态评估了2005~2030年土地利用变化下不同情景的碳储量演变特征和城市发展对碳储量的影响. Imran等[23]基于InVEST模型和Sentinel-2数据资料分析了山区森林碳储量的时空变化，Mendoza-Ponce等[24]和Babbar等[25]采用InVEST模型评估了区域生态系统的碳储量. Ramankutty等[26]和Gutierrez-Velez等[27]研究发现陆地生态系统碳储量下降的主要原因是热带地区的森林砍伐. 因此，有效分析与评估碳储量的时空变化情况有利于优化土地利用结构.
目前，针对河南省不同土地利用类型的区域碳储量的研究还未全面深入开展. 此前，田耀武等[28]对河南省森林土壤进行了取样和构建深度分布模型估算区域碳储量，得出在2016年之前河南省单位面积上的森林土壤有机碳为10.68 kg的结论，但其时间年限较早，模型预测结果偏低. 李潇等[29]基于1 km的栅格单元分析了河南省1995~2015年碳平衡情况，发现固碳服务供需的高值区为林草地，需求区为建设地，总碳储量逐年下降. 但由于该研究使用的土地利用数据分辨率较低，已无法较好地反映当下发展趋势. 因此，本研究采用分辨率更高的30 m栅格单元土地利用数据对河南省进行分析，能够完善当前河南省区域碳储量和对未来不同土地利用情景下区域碳储量的动态变化研究，这对生态系统碳循环的保护及利用有重要意义.
河南省位于中国中东部，是典型的农业省份，人口数量在全国排第三. 《河南省国土空间规划（2021—2035年）》已获国务院批复（国函〔2024〕33号），批复要求筑牢安全发展的空间基础. 但随着经济的不断发展，河南省人口数量不断增多，人类活动进一步加强，使得河南省土地利用类型发生了较大改变，从而导致区域的碳储量发生变化，进一步会影响区域气候. 因此，本研究选取河南省为研究区，基于2005~2020年河南省土地利用数据，通过InVEST模型中碳储量模块分析评估近15 a河南省的碳储量，量化不同用地类型的碳储量变化规律，并模拟河南省2035年3种情景：自然发展情景（Q1）、生态保护情景（Q2）和城镇发展情景（Q3）下的LUCC和碳储量发展趋势. 本研究的框架如图 1所示.
|
图 1 研究内容框架 Fig. 1 Framework of research content |
河南省位于我国的地势第二三阶梯过渡带，海拔西高东低，平原作为主要地形，总面积为16.57万km2（图 2）. 全省土地利用类型主要以农田为主，约占全省面积的47.5%，2022年河南省常住人口已经达到9 872万人.
|
图 2 研究区位置 Fig. 2 Location of study area |
对于本研究所使用的年降水量和年均气温数据来自国家青藏高原科学数据中心（https://data.tpdc.ac.cn/home）. 夜间灯光数据来源于Wu等学者[30]的研究成果（https://dataverse.harvard.edu/dataset.xhtml？persistentId=doi：10.7910/DVN/GIYGJU）. 河南省30 m的DEM数据来源于美国太空总署（NASA）和美国国家测绘局（NIMA）（http://srtm.csi.cgiar.org/srtmdata/）. 2000年、2005年、2010年、2015年和2020年这5期的河南省土地覆被数据来源于武汉大学杨杰和黄昕教授团队[31]（https://doi.org/10.5281/zenodo.5816591），空间分辨率为30 m，在此基础上，本文将河南省所在的7种土地覆被类型重分类后整合成6类，分别是：农田、林地（包含森林和灌木）、建设用地、草地、水域和未利用地（裸地）. 河流数据来源于Open Street Map（https://openmaptiles.org/languages/zh/#0.53/0/0）. 碳密度数据出自国家生态科学中心（http://www.cnern.org.cn/）和文献[32~36].
1.3 研究方法 1.3.1 基于InVEST模型的生态系统碳储量评估InVEST（integrated valuation of ecosystem services and trade-offs）模型即“生态系统服务与权衡综合评价模型”，包括陆地、淡水和海洋这3类生态系统的评估模块[22]，InVEST模型的碳储量模块把生态系统的碳储量划分为4个基本碳库[37]：地上碳储量（土壤之上全部存在植物中的碳）、地下碳储量（分布在植物活根系统中的碳）、土壤碳储量（分布于有机土壤和矿质土壤中的有机碳）和死亡有机碳储量（直立或凋落物的已死亡树木中的碳）. 由于死亡有机质碳储量数据获取受限且含量较低，因此本研究仅考虑前三大碳储量[38]，分别用6种地类面积与其平均碳密度相乘求和后得到总碳储量（Ctotal，t∙hm-2）：
|
(1) |
区域内每一种土地利用类型碳储量为：
|
(2) |
式中，Ctotal为总碳储量；Cabove为地上总碳储量；Cbelow为地下总碳储量；Csoil为土壤总碳储量；i为某种土地利用类型的平均碳密度，LAi为相应的土地利用面积.
由于生物量碳密度（地上与地下碳）和土壤碳密度与气温和降水密切相关[39]，其中与降水量呈强相关关系，与气温呈弱相关关系. 结合气温和降水因子，本文采用Alam等[40]研究中的公式作为修正因子的公式，对全国的地上碳密度和土壤碳密度进行修正，得到研究区碳密度数据.
|
(3) |
|
(4) |
|
(5) |
式中，CSP为由年均降水量数据得到的土壤碳密度（kg·m-2），CBP为根据年降水量得到的地上生物量碳密度（kg·m-2），MP为年均降水量（mm），MT为年均气温（℃）.
|
(6) |
|
(7) |
|
(8) |
|
(9) |
式中，KSP为土壤碳密度降水量因子的修正系数；KBP为地上生物量碳密度降水量因子修正系数；KB为地上生物修正系数；；CSP'和CSP″分别为河南省和中国基于年降水量和年均气温的土壤碳密度数据（kg·m-2）；CBP'和CBP″分别为河南省和中国基于年降水量和年均气温的地上生物量碳密度数据（kg·m-2）.
地下碳密度数据采用方精云等[39]提出的“生物量因子转换法”进行估算，公式如下：
|
(10) |
式中，Ci_below为第i种土地类型的地下碳密度值，Ci_above为第i种土地类型的地上碳密度值，单位均为kg·m-2，b为地下和地上植被根茎的比值. 由于不同土地类型b的取值不同，本研究参考了方精云等[41]、朴世龙等[42]和黄玫等[43]的研究成果. 根据不同气候区类型，设定河南省区域草地b值为4.25，耕地为0.2，林地为0.3，由此可以推算得到地下碳密度值.
通过2005~2020年中国气候公报和河南省环境状况公报数据分别得到中国和河南省的年降水量分别为643.25 mm和715.6 mm，年均气温分别为9.96 ℃和15.2 ℃，将以上数据代入公式（6）~（9）得到修正系数K值. 式中，KSP = 1.04，KB = 1.81. 再根据K值求得修正后的河南省不同土地利用类型的碳密度值. 本研究的碳密度数据来源于相关文献，基于杨洁等[3]、李克让等[32]、徐丽等[33]、解宪丽等[34]、朱超等[35]和陈利军等[36]的不同土地利用类型的碳密度数据，后经过修正得到河南省2005~2020年6种土地利用类型的碳密度数据（如表 1）.
|
表 1 河南省修订后的不同土地利用类型的碳密度值/kg·m-2 Table 1 Revised carbon density values for different land use types in Henan Province/kg·m-2 |
1.3.2 PLUS模型
PLUS模型（patch-generating land use simulation model）是在FLUS模型的基础上由中国地质大学（武汉）高性能空间计算智能实验室（HPSCIL）所开发. PLUS模型中有土地扩张分析策略（LEAS）和基于多类随机斑块种子的CA模型（CARS）两种主要模块，能够挖掘土地扩张的驱动因素，并可以对土地利用景观进行斑块级演化预测. 本研究首先提取两期LUCC数据，进行LUCC扩张分析，随后在扩张地类图层的基础上，加入影响LUCC的12个驱动因子，采用随机森林算法对土地利用扩张数据进行计算[44]，得到6种土地利用类型的发展斑块，再利用发展斑块模拟未来土地利用变化情况.
（1）土地扩张分析策略（LEAS） LEAS是通过分析两期LUCC数据，得到每个变化的LUCC斑块与发展概率，用于定量描述某一时间间隔内的土地利用变化情况. LEAS基于随机森林分类算法（RFC），对不同地类的变化与影响地类改变的驱动因子进行分析，从而得到各土地利用类型的发展概率，计算公式如下：
|
(11) |
式中，d为0或1两种值. 当d=1时，为允许其他土地利用类型向土地利用类型为k的地类转变. 当d=0时，为不允许转变. X为驱动因子组成的向量. hn(X)为决策树为n时经计算出的土地利用预测类型. I[hn(X) = d] 为决策树的指数函数. Pi，kd(X) 为空间单元i处的k类土地利用类型增长概率.
（2）基于多类随机斑块种子的CA模型（CARS） CARS是一种对土地利用类型模拟的场景驱动模型，基于元胞自动机，利用从LEAS获得的各种地类的发展概率进行模拟，得到未来土地利用类型分布格局. 不同土地利用类型的转换总概率公式如下：
|
(12) |
式中，Pi，kd = 1为土地利用类型k在栅格i上的增长概率. Ωi，kt为单元格i的邻域效应，即t时刻地类k在空间i栅格处的邻域权重，该值介于[0, 1]之间，值越大为土地扩张能力越强，反之越小. Dkt为土地利用类型k的未来需求影响，具体计算公式为：
|
(13) |
|
(14) |
式中，con为第n×n个窗口中第k种土地利用类型在最后一次迭代中占的网格单元总数. wk为不同土地类型之间的权重，默认为1. Gkt-1和Gkt-2分别为土地利用类型k在第t-1次和t-2次迭代时的当前需求量和未来需求量的差值.
1.3.3 PLUS模型参数（1）驱动因子 在考虑模型的准确性和现实性的基础上，综合考虑了自然环境、社会经济和交通可达性等因素，根据数据可用性、量化和驱动因素的一致性原则，本研究选择了12个驱动因素（表 2和图 3），统一投影坐标为WGS_1984_UTM_Zone_49N，通过重采样最临近法将驱动因子的空间分辨率统一为30 m，即栅格大小为30 m×30 m.
|
|
表 2 PLUS模型输入数据来源及处理 Table 2 PLUS model input data source and processing |
|
图 3 研究区PLUS模型输入的驱动因子数据的空间分布 Fig. 3 Spatial distribution of driver data input by PLUS model in the study area |
（2）情景设置 本研究基于2005~2020年土地利用转移矩阵数据（矩阵设置见表 3）、各地类权重数据和Markov模块预测的6种土地利用类型发展斑块，对本研究设置了3种未来发展情景，分别是自然发展情景（Q1）、生态保护情景（Q2）和城镇发展情景（Q3）. 自然发展情景：基于2005~2020年LUCC的发展趋势，假设2020~2035年土地覆被变化发展趋势同2005~2020年的趋势一致，即当前土地发展趋势的顺延. 加入河流/江作为限制因子，利用PLUS模型模拟2035年土地利用类型的空间分布. 生态保护情景：按照生态保护的要求，此情景严格限制林地、草地和水域转为别的地类，同时有退耕还林还草的生态保护工程. 因此，此情景下土地转移矩阵中，限制转出部分的矩阵值设为0，其余土地类型以Q1为基础保持原值. 为保护区域生态环境，将湖泊、沼泽和水库设为限制因子，模拟2035年土地利用类型分布. 城镇发展情景：河南省在2005~2020年处于城镇化快速发展时期，建设用地面积迅速增加，此情景支持各土地利用类型向城市建设用地的转入，不同地类之间的转换在Q1的基础上转换不设限制，且该情景不设置限制因子.
|
|
表 3 3种情景下土地利用类型转移矩阵1） Table 3 Land use type transfer matrix under three scenarios |
（3）领域权重 邻域效应可以反映不同土地类型的扩张能力. 在PLUS模型中需要利用邻域权重来确定不同土地利用类型之间的相互转换难易程度. 邻域权重的取值范围为0~1，权重值越靠近1，表示邻域影响越大[46，47]，即土地扩张能力越强，越容易转换，反之不容易转换. 本研究的邻域权重设置如表 4所示.
|
|
表 4 邻域权重 Table 4 Neighborhood weight |
（4）精度检验 本研究以2010年和2015年河南省两期LUCC数据为基础，在PLUS模型的LEAS和CARS模块中模拟预测2020年河南省土地利用分布格局，模拟预测结果与真实的土地利用数据对比结果如图 4所示. 为保证该模型模拟结果的准确性，在PLUS模型的精度检验模块中输入河南省2020年模拟预测的土地利用数据与2020年河南省真实土地利用数据，通过Kappa系数对模拟结果进行验证，数值愈接近1，则模拟精度越高，当数值超过0.75时，表示模拟的精度高. 本研究的验证结果显示Kappa系数为0.91（> 0.75），总体精度为95%，表明PLUS模型模拟预测的土地利用结果精确度较高，可以为2035年LUCC的预测提供可靠的数据基础.
|
图 4 研究区2020年模拟与实际的土地利用类型分布 Fig. 4 Simulated and actual distribution of land use types in the study area in 2020 |
如图 5和表 5所示，2005~2020年河南省土地利用类型以农田为主，农田面积占全省面积的65%以上，并且面积减少的幅度最大，从115 716.81 km2减少到108 984.73 km2. 其次是林地类型，面积从28 271.68 km2增加至29 679.08 km2，约占总面积的17.9%. 第三是建设用地类型，随着经济发展和全球化进程的加速，河南省建设用地面积从2005年的17 247.26 km2增加至2020年的23 244.73 km2，占地比例也从10.4%增长至14.02%，而草地、水域和未利用地的占地面积均不足全省面积的2%.
|
图 5 河南省土地利用类型空间分布 Fig. 5 Spatial distribution of land use types in Henan Province |
|
|
表 5 2005~2020年河南省各期土地利用结构变化 Table 5 Land use structure change table of Henan Province from 2005 to 2020 |
2005~2020年各类土地类型中，林地、建设用地和水域面积均有不同幅度地增加，而农田、草地和未利用地面积均减少. 增加最多的是建设用地，主要分布在河南省的中部地区（郑州、开封、许昌和漯河等），面积减少最多的是农田，主要被中部地区的城市建设所占用，即随着城市化进程，农田主要转换成了建设用地和林地，这与城市化进程中占用大量农田面积和政府实施的“退耕还林还草”政策有关. 在空间分布上还可以看出，林地主要分布在河南省的西部地区以及北部与南部的省界处，主要由草地和农田转入. 草地主要分布在研究区西部，面积呈现先增加后减少的特征. 未利用地的面积总体减小，同时水域面积持续增加.
为了进一步充分了解河南省2005~2020年土地利用流转情况，本研究基于河南省2005年和2020年两期数据的土地重分类结果，通过ArcGIS软件的地图代数工具，计算了转移后的每种土地类型的面积. 由表 6可知，2005~2020年河南省6类土地利用类型之间流转关系显著. 其中，面积变化最大的是农田，减少了6 478.21 km2，其次是草地面积减少了822.59 km2，农田和草地减少的土地面积大都转变为林地、建设用地和水域. 林地面积累计增加了1 349.53 km2；建设用地面积增加最大，随着城市化进程的加速，以建设城区居民用地扩张为主，共增加了5 769.59 km2，水域面积也有较小幅度增加，为183.81 km2，而未利用地面积减少了2.13 km2.
|
|
表 6 2005~2020年河南省土地利用转移矩阵/km2 Table 6 Land use transfer matrix of Henan Province from 2005 to 2020/km2 |
2.1.2 河南省2035年3种情景下土地利用变化
根据预测结果（表 7和图 6），2035年河南省3种情景下土地利用类型较2020年有明显变化. 在自然发展情景下，农田、草地和水域的面积均比2020年少，分别减少了6 386.18、153.32和68.35 km2，其中农田减少面积最多，在2020年基础上又下降了3.85%. 而林地和建设用地面积分别比2020年增加了1 032.56 km2和5 575.48 km2，且建设用地增量最大，在2020年的基础上又增加了3.36%. 建设用地和林地面积主要由农田转入，少量草地面积也转换成了林地，而水域很少转换成其他类型，但随着经济社会发展，水域会逐渐被建设区域取代，因此，水域面积也有小幅度转出.
|
|
表 7 2035年河南省3种情景下土地利用结构变化 Table 7 Land use structure change in Henan Province under three scenarios in 2035 |
|
箭头的宽度表示土地面积转换的相互作用比例 图 6 2020和2035年3种情景下土地利用/覆被变化转换的弦图 Fig. 6 Chord plot of land use/cover change conversion under three scenarios in 2020 and 2035 |
在生态保护情景下，相比于2020年土地利用类型，除农田和草地面积分别减少了272.11 km2和3.58 km2外，林地、建设用地和水域面积增加，分别增加了111.57、48.78和115.33 km2. 在生态保护措施的影响下，农田面积转出较自然发展情景变少，主要转为了林地，建设用地的扩张受到了较大限制，建设用地规模明显较自然发展情景大幅度减小.
在城镇发展情景下，与2020年土地利用类型相比，农田和草地的面积分别减少了6 491.81 km2和271.38 km2，林地和建设用地面积分别增加了1 086.56 km2和5 675.99 km2. 城镇发展情景与自然发展情景的农田与草地面积具有一致性变化，此外，林地面积多由草地和农田转入. 在此情景下，水域和未利用地转入转出变化微小，3种情景下的未利用地比例与2020年约相同.
从空间分布来看（图 7），2035年3种情景的土地利用类型同当前（2020年）土地利用类型的分布一致. 3种情景下的土地利用类型中，建设用地以郑州市为中心，呈辐散状展开，且建设用地在Q1和Q3情景下的增加较Q2明显，同时，农田面积也因建设用地的占用而减少. 在Q2情景中，林地面积在豫西部地区和南部省界地区增加较明显，草地增量主要出现在豫中和豫北地区，这也充分说明生态保护措施对区域植被的影响是正向的. 此外，水域和未利用地的布局在3种情景中变化较小.
|
图 7 2035年河南省3种情景下土地利用布局 Fig. 7 Land use layout in Henan Province under three scenarios in 2035 |
本研究利用InVEST模型的Carbon模块分别计算了河南省2005、2010、2015和2020年这4期的碳储量并预测了2035年3种土地利用情景下的碳储量. 结果表明：河南省2005、2010、2015和2020年的总碳储量分别是2 194.58×106、2 175.67×106、2 149.15×106和2 106.62×106 t. 如图 8所示，2005~2020年河南省的总碳储量呈下降趋势，一共降低了87.95×106 t，年均下降5.50×106 t. 其中，下降最快的阶段为2015~2020年，碳储量降低了42.53×106 t，约占总体下降的48.35%. 2010~2015年间碳储量也下降较多，减少了26.52×106 t，约占总体下降的30.15%. 碳储量下降较少的为2005~2010年间，占总体下降的20.50%，减少了18.91×106 t. 因此，随着河南省城市化的发展，大量农田被占用后区域碳储量呈现逐年减少的趋势.
|
图 8 河南省碳储量年际变化 Fig. 8 Interannual variation of carbon storage in Henan Province |
表 8所示，在河南省2005~2020年各土地利用类型下碳储量的变化中，碳储量由多到少的排序为：农田 > 林地 > 草地 > 建设用地 > 水域 > 未利用地. 其中，农田的碳储量减少最多，为84.22×106 t，占总变化量的54.28%；其次是草地，减少了37.32×106 t，占变化的总碳储量的24.05%；未利用地碳储量减少了2.0×104 t，约占减少总量的0.01%. 此外，林地碳储量增加了30.79×106 t，建设用地碳储量增加了2.70×106 t，水域的碳储量增加最少，为1.0×105 t. 河南省地处中国中原地区，人口数量在中国排第三，人口密度大，土地开发程度较强，受城市扩张和城市建设用地的影响，占用了大量农田（6 386.18 km2）和草地（153.32 km2）等碳储量较高的土地类型，随着近几年生态环境的改善，大量城市绿化带与绿化区域的出现，在一定程度上也增加了建设区域的碳储量.
|
|
表 8 2005~2020年河南省各土地利用类型下的碳储量 Table 8 Carbon storage by land use type in Henan Province from 2005 to 2020 |
2.2.2 河南省2035年3种情景下碳储量变化
基于2035年3种情景下土地利用类型数据，本研究预测了河南省2035年3种情景的碳储量，并与2020年碳储量数据进行对比分析，3种情景的碳储量总体呈现“Q1减-Q2增-Q3减”的变化趋势. 根据图 8和表 9可以看出，自然发展情景的总碳储量为2 045.06×106 t，较2020年减少了61.56×106 t，相当于平均每年减少3.85×106 t，碳储量在每种土地利用类型中减少量由大到小的排序为：农田 > 草地 > 水域，农田碳储量减少最多，为79.89×106 t，其次为草地和水域，碳储量分别减少了6.74×106和0.37×106 t. 林地和建设用地的碳储量在未来15 a间分别增加了22.59×106 t和2.51×106 t.
|
|
表 9 2035年河南省3种情景下各土地利用类型的碳储量 Table 9 Carbon storage of land use types under three scenarios in Henan Province in 2035 |
在生态保护情景下，总碳储量较2020年减少了12.80×106 t，平均每年减少8.53×105 t，农田和草地的碳储量比2020年分别减少了3.40×106和11.92×106 t，其余土地利用类型下的碳储量均有不同程度地增加，其中，碳储量增加最多的土地利用类型是林地，为2.44×106 t，水域次之（6.23×104 t），建设用地的碳储量增加最少，为2.20×104 t，碳储量在每种土地利用类型下由大到小的排序为：农田 > 林地 > 草地 > 建设用地 > 水域 > 未利用地.
在城市发展情景下，总碳储量比2020年减少了66.81×106 t，减少量由大到小的排序：农田 > 草地 > 未利用地. 6种土地利用类型中的农田碳储量减少最多，为81.21×106 t，草地和水域碳储量分别减少了11.92×106 t和1.69×103 t，此外，林地的碳储量增加最多（23.77×106 t），建设用地次之（2.56×106 t）.
可以看出，Q2在生态保护措施的实施下，区域碳储量逐渐回升，尤其是林地和草地的碳储量减少较Q1和Q3有明显改善，且农田和水域回升显著，产生了一定的生态效益. 而Q3在不受任何限制与约束的情况下，建设用地面积的增加会占用区域内其他地类面积，尤其是碳储量相对较高的农田、林地和草地等，因此碳储量会比2020年减少更多，这说明生态保护措施能很好地实现河南省固碳作用，且作用明显.
此外，图 9所示为河南省2005、2010、2015和2020年碳储量的空间分布状况，碳储量在区域中主要呈点片状分布. 碳储量的最大值主要分布在西部地区，土地利用类型主要为林地和草地. 最小值主要以郑州为中心向周边辐散，主要分布在建设区、水域和未利用地区域. 碳储量较高值区主要是所占区域面积最大的农田地类. 碳储量值的大小布局与河南省的土地利用类型相对应，林地和草地为主要高值区，水体、建设用地和覆盖度较低的裸地为低值区，且碳储量低值区的建筑用地还在不断扩大. 为进一步观察河南省多年来的碳储量的变化情况，本研究选取了覆盖不同碳储量值的3个区域（A、B和C），并将4个年份在相同比例尺下进行对比，栅格分辨率为30 m. 根据放大后的图可以看出，A区域2005~2020年碳储量较小值（0.49 t·栅格-1）和最小值（0.41 t·栅格-1）逐渐增加，碳储量最大值（39.54 t·栅格-1）逐年减少；B区域碳储量较小值（0.49 t·栅格-1）逐年增加；C区域碳储量较大值（19.69 t·栅格-1）和最大值（39.54 t·栅格-1）空间布局明显减少，较小值（0.49 t·栅格-1）有明显增加. 综上，碳储量变化情况与区域土地利用类型变化保持一致.
|
（a1）2005年，（b1）2010年，（c1）2015年，（d1）2020年，（a2）2005年，（b2）2010年，（c2）2015年，（d2）2020年 图 9 河南省碳储量空间分布及其放大细节 Fig. 9 Spatial distribution of carbon storage in Henan Province and its magnifying details |
从2035年河南省3种情景下碳储量的空间分布来看（图 10），碳储量的最大值（39.54 t·栅格-1）都集中在草地区域，分布在河南省的西部和北部省界地区，主要的城市是三门峡、济源、安阳、鹤壁和郑州等地区，但上述区域的草地面积较少. 碳储量较小值（0.49 t·栅格-1）零星地分布在研究区的西南部、中南部、黄河流域和淮河流域附近，所属土地利用类型为水域. 林地的碳储量仅次于草地，主要分布在郑州、洛阳、南阳、三门峡、驻马店中部和信阳南部山区等地. 建设用地以郑州市为中心呈辐散状展开，Q1与Q3的建设用地明显比Q2多，因此，Q2中建设用地占用的农田面积较少，说明生态保护措施能够缓解区域碳储量的减少，起到固碳作用. 此外，由图 10不同区域的放大细节图可以看出，A区域碳储量最大值（39.54 t·栅格-1）在Q2中分布最广，Q3中最稀疏，较小值（0.49 t·栅格-1）有轻微增多. B区域碳储量较小值（0.49 t·栅格-1）分布在Q2中最少，Q3中最多，密集较明显，较小值范围为：Q3 > Q1 > Q2. C区域碳储量较大值（19.69 t·栅格-1）在Q2中最密集，其次为Q1，Q3稀疏显著. 由局部可以反映整体，该变化情况与区域土地利用类型的面积变化相匹配.
|
图 10 2035年河南省3种发展情景碳储量变化分布及其放大细节 Fig. 10 Carbon storage change distribution and magnifying details of three development scenarios in Henan Province in 2035 |
本研究基于InVEST模型分析了河南省2005~2020年历史土地利用和碳储量的时空变化，并在此基础上结合PLUS模型模拟了2035年土地利用变化，以及对未来河南省的区域碳储量进行了估算. 本研究发挥了两个模型在时间、空间以及数量结合等方面的优点，避免了单一模型的弊端，提高了未来土地利用变化和碳储量预测估算精度. 河南省作为重要的农业省份，2005~2020年间大量农田和草地被建设用地占用，但随着人们生态环境保护意识的不断提高，2015~2020年建设区增长缓慢，水体和林地等逐渐增加，环境质量得到了改善.
本研究的碳密度数据是基于前人研究结果并根据多年年均气温和降水量值进行修正后得出，该方法由Alam等[40]提出，后被杨洁等[3]、Babbar等[25]、Hu等[46]、帕茹克·吾斯曼江等[47]和边蕊等[48]许多学者应用在了黄河流域、印度、洞庭湖、昆明市及关中平原城市群等区域，与直接运用全国尺度的碳密度数据推测区域碳储量相比，二次修正后估算出的碳密度准确性较高，因而适用于测算研究区碳储量.
土地利用/覆被变化是影响碳储量变化的关键因素之一，本研究以5 a为一期，先分析了河南省2005~2020年4期土地利用时空变化，后探究了土地利用变化对碳储量的影响. 河南省2005~2020年碳储量逐渐减少，主要原因是含碳量多的土地类型发生了变化. 由于碳储量较大和最大值出现在农田、草地和林地中（> 10 t·栅格-1），16 a间大量农田和草地转为建设用地，因而随建设用地的增加碳储量逐渐减少（87.95×106 t）. 在未来3种情景中，生态保护情景的碳储量在2020年的基础上回升，且增长较多，而自然发展和城镇发展情景下碳储量继续下降，这与朱文博等[21]和石晶等[49]的研究结果一致. 本研究的河南省碳储量分布状况结果与对应土地利用类型相吻合，该研究结果与杨洁等[3]和边蕊等[48]的研究结果一致. 因此，在现有历史发展情况下，有效保护区域林地、草地和农田等是未来碳储量回升的重要措施.
此外，本研究还存在一定不足之处. 本研究基于PLUS模型的LEAS模块进行测算各土地利用类型发展概率，虽然涉及到自然、人文和交通这3个方面12个驱动因子，但由于LUCC是一个综合各方面的复杂的动态过程，所以预测结果会与未来实际发展存在一定差异. 因此，如何基于实际发展状况来优化驱动和限制因子是下一步研究的重点. 同时，碳密度值会随环境和时间变化而改变，所以未来的研究需要持续更新和补充相应的实测数据以进一步提高研究结果的准确性.
4 结论（1）2005~2020年各土地利用类型之间流转关系显著，面积变化由大到小的排序为：农田 > 林地 > 建设用地 > 草地 > 水域 > 未利用地. 林地、建设用地和水域面积均有不同幅度增加，而农田、草地和未利用地面积均减少. 2005~2020年碳储量年际变化呈下降趋势，16 a间一共降低了87.95×106 t，年均下降5.50×106 t，农田的碳储量减少最多，占总减少量的54.28%. 在2005~2020年各土地利用类型的碳储量变化中，碳储量由多到少的排序为：农田 > 林地 > 草地 > 建设用地 > 水域 > 未利用地，与土地利用变化类型相匹配.
（2）2035年3种情景下土地利用类型分布较2020年有明显变化，建设用地在Q1和Q3情景下的增加较Q2明显，草地分布在Q2中较Q1和Q3增加明显，增量主要出现在河南省中部和北部地区. 同时，农田面积因建设用地的占用而减少，林地面积在西部地区和南部省界地区增加较明显.
（3）与2020年碳储量对比发现，2035年3种情景的碳储量总体呈现“Q1减-Q2增-Q3减”的变化趋势，且Q1和Q3情景的碳储量在每种土地利用类型中增减排序一致，Q2总碳储量在3种情景中减少最少（12.80×106 t）. 碳储量较大值分布在河南省的西部、北部省界和南部省界地区，较小值分布在研究区的中部、南部以及黄河和淮河流域附近，所属土地类型主要是建设用地和水域.
（4）生态保护措施能够缓解区域碳储量的减少，从而起到固碳作用. 在未来发展过程中，笔者建议在保护现有土地覆被类型的情况下，增加河南省西部、北部和南部省界区域草地和林地面积及种植数量，保护现有耕地不流转，降低城市规模的扩张和不合理占用耕地现象，增加城市及不透水面等地区的绿化. 科学合理的政策能够对河南省的碳储量起到保护作用，从而减缓LUCC引起的碳储量下降.
| [1] | Walker W S, Gorelik S R, Cook-Patton S C, et al. The global potential for increased storage of carbon on land[J]. Proceedings of the National Academy of Sciences of the United States of America, 2022, 119(23). DOI:10.1073/pnas.2111312119 |
| [2] | Tang X L, Zhao X, Bai Y F, et al. Carbon pools in China's terrestrial ecosystems: new estimates based on an intensive field survey[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4021-4026. |
| [3] |
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, 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. |
| [4] |
杨元合, 石岳, 孙文娟, 等. 中国及全球陆地生态系统碳源汇特征及其对碳中和的贡献[J]. 中国科学: 生命科学, 2022, 52(4): 534-574. Yang Y H, Shi Y, Sun W J, et al. Terrestrial carbon sinks in China and around the world and their contribution to carbon neutrality[J]. Scientia Sinica (Vitae), 2022, 52(4): 534-574. |
| [5] |
龙依, 蒋馥根, 孙华, 等. 基于带宽优选地理加权回归模型的深圳市植被碳储量反演[J]. 生态学报, 2022, 42(12): 4933-4945. Long Y, Jiang F G, Sun H, et al. Estimating vegetation carbon storage based on optimal bandwidth selected from geographically weighted regression model in Shenzhen City[J]. Acta Ecologica Sinica, 2022, 42(12): 4933-4945. |
| [6] |
童荣鑫, 梁迅, 关庆锋, 等. 2000-2020年中国陆地土壤碳储量及土地管理碳汇核算[J]. 地理学报, 2023, 78(9): 2209-2222. Tong R X, Liang X, Guan Q F, et al. Estimation of soil carbon storage change from land use and management at a high spatial resolution in China during 2000-2020[J]. Acta Geographica Sinica, 2023, 78(9): 2209-2222. |
| [7] | Li L, Song Y, Wei X H, et al. Exploring the impacts of urban growth on carbon storage under integrated spatial regulation: a case study of Wuhan, China[J]. Ecological Indicators, 2020, 111. DOI:10.1016/j.ecolind.2020.106064 |
| [8] | Basyuni M, Wirasatriya A, Iryanthony S B, et al. Aboveground biomass and carbon stock estimation using UAV photogrammetry in Indonesian mangroves and other competing land uses[J]. Ecological Informatics, 2023, 77. DOI:10.1016/j.ecoinf.2023.102227 |
| [9] | Zhao S Q, Liu S G, Sohl T, et al. Land use and carbon dynamics in the southeastern United States from 1992 to 2050[J]. Environmental Research Letters, 2013, 8(4). DOI:10.1088/1748-9326/8/4/044022 |
| [10] | Huang Q X, Robinson D T, Parker D C. Quantifying spatial-temporal change in land-cover and carbon storage among exurban residential parcels[J]. Landscape Ecology, 2014, 29(2): 275-291. DOI:10.1007/s10980-013-9963-0 |
| [11] |
黄绍霖, 徐涵秋, 林娜, 等. 亚热带地区马尾松林碳储量的遥感估算——以长汀河田盆地为例[J]. 生态学报, 2013, 33(10): 2992-3001. Huang S L, Xu H Q, Lin N, et al. Remote-sensing estimate of the carbon storage of subtropical Pinus massoniana forest in the Hetian Basin of County Changting, China[J]. Acta Ecologica Sinica, 2013, 33(10): 2992-3001. |
| [12] |
赵明伟, 岳天祥, 赵娜, 等. 基于HASM的中国森林植被碳储量空间分布模拟[J]. 地理学报, 2013, 68(9): 1212-1224. Zhao M W, Yue T X, Zhao N, et al. Spatial distribution of forest vegetation carbon stock in China based on HASM[J]. Acta Geographica Sinica, 2013, 68(9): 1212-1224. |
| [13] |
崔耀平, 李楠, 付一鸣, 等. 中美俄加陆域碳汇对人为增温的消减贡献[J]. 地理学报, 2021, 76(1): 167-177. Cui Y P, Li N, Fu Y M, et al. Contribution of terrestrial carbon sink to future warming in China, the United States, Russia and Canada[J]. Acta Geographica Sinica, 2021, 76(1): 167-177. |
| [14] |
戴尔阜, 王晓莉, 朱建佳, 等. 生态系统服务权衡: 方法、模型与研究框架[J]. 地理研究, 2016, 35(6): 1005-1016. Dai E F, Wang X L, Zhu J J, et al. Methods, tools and research framework of ecosystem service trade-offs[J]. Geographical Research, 2016, 35(6): 1005-1016. |
| [15] |
胡佶熹, 勒先文, 王卫林, 等. 基于PLUS-InVEST模型的江西省生态系统碳储量时空演变与预测[J]. 环境科学, 2024, 45(6): 3284-3296. Hu J X, Le X W, Wang W L, et al. Temporal and spatial evolution and prediction of ecosystem carbon storage in Jiangxi Province based on PLUS-InVEST model[J]. Environmental Science, 2024, 45(6): 3284-3296. |
| [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] | Zhang Z H, Wang X T, Zhang Y, et al. Simulating land use change for sustainable land management in rapid urbanization regions: a case study of the Yangtze River Delta region[J]. Landscape Ecology, 2023, 38(7): 1807-1830. DOI:10.1007/s10980-023-01657-3 |
| [18] | Arneth A, Sitch S, Pongratz J, et al. Historical carbon dioxide emissions caused by land-use changes are possibly larger than assumed[J]. Nature Geoscience, 2017, 10(2): 79-84. DOI:10.1038/ngeo2882 |
| [19] |
朴世龙, 岳超, 丁金枝, 等. 试论陆地生态系统碳汇在"碳中和"目标中的作用[J]. 中国科学: 地球科学, 2022, 65(6): 1178-1186. Piao S L, Yue C, Ding J Z, et al. Perspectives on the role of terrestrial ecosystems in the carbon neutrality's strategy[J]. Scientia Sinica Terrae, 2022, 65(6): 1178-1186. |
| [20] | Li X Y, Huang C S, Jin H J, et al. Spatio-temporal patterns of carbon storage derived using the InVEST model in Heilongjiang Province, Northeast China[J]. Frontiers in Earth Science, 2022, 10. DOI:10.3389/feart.2022.846456 |
| [21] |
朱文博, 张静静, 崔耀平, 等. 基于土地利用变化情景的生态系统碳储量评估——以太行山淇河流域为例[J]. 地理学报, 2019, 74(3): 446-459. Zhu W B, Zhang J J, Cui Y P, et al. Assessment of territorial ecosystem carbon storage based on land use change scenario: a case study in Qihe River Basin[J]. Acta Geographica Sinica, 2019, 74(3): 446-459. |
| [22] |
赫晓慧, 徐雅婷, 范学峰, 等. 中原城市群区域碳储量的时空变化和预测研究[J]. 中国环境科学, 2022, 42(6): 2965-2976. He X H, Xu Y T, Fan X F, et al. Temporal and spatial variation and prediction of regional carbon storage in Zhongyuan Urban Agglomeration[J]. China Environmental Science, 2022, 42(6): 2965-2976. DOI:10.3969/j.issn.1000-6923.2022.06.052 |
| [23] | Imran M, Din N U. Geospatially mapping carbon stock for mountainous forest classes using InVEST model and Sentinel-2 data: a case of Bagrote valley in the Karakoram range[J]. Arabian Journal of Geosciences, 2021, 14(9). DOI:10.1007/S12517-021-07023-4 |
| [24] | Mendoza-Ponce A, Corona-Núñez R, Kraxner F, et al. Identifying effects of land use cover changes and climate change on terrestrial ecosystems and carbon stocks in Mexico[J]. Global Environmental Change, 2018, 53: 12-23. DOI:10.1016/j.gloenvcha.2018.08.004 |
| [25] | Babbar D, Areendran G, Sahana M, et al. Assessment and prediction of carbon sequestration using Markov chain and InVEST model in Sariska Tiger Reserve, India[J]. Journal of Cleaner Production, 2021, 278. DOI:10.1016/j.jclepro.2020.123333 |
| [26] | Ramankutty N, Gibbs H K, Achard F, et al. Challenges to estimating carbon emissions from tropical deforestation[J]. Global Change Biology, 2007, 13(1): 51-66. DOI:10.1111/j.1365-2486.2006.01272.x |
| [27] | Gutierrez-velez V H, Pontius R G. Influence of carbon mapping and land change modelling on the prediction of carbon emissions from deforestation[J]. Environmental Conservation, 2012, 39(4): 325-336. DOI:10.1017/S0376892912000173 |
| [28] |
田耀武, 贺春玲, 刘杨, 等. 河南省森林土壤有机碳储量及其空间分布格局[J]. 中南林业科技大学学报, 2018, 38(2): 83-89, 96. Tian Y W, He C L, Liu Y, et al. Forest soil organic carbon storage and its spatial distribution pattern in Henan Province[J]. Journal of Central South University of Forestry & Technology, 2018, 38(2): 83-89, 96. |
| [29] |
李潇, 吴克宁, 冯喆, 等. 基于固碳服务供需视角的河南省碳平衡研究[J]. 生态学报, 2022, 42(23): 9627-9635. Li X, Wu K N, Feng Z, et al. Carbon balance from the perspective of supply and demand of carbon sequestration services in Henan Province[J]. Acta Ecologica Sinica, 2022, 42(23): 9627-9635. |
| [30] | Wu Y Z, Shi K F, Chen Z Q, et al. Developing improved time-series DMSP-OLS-Like Data (1992-2019) in China by integrating DMSP-OLS and SNPP-VIIRS[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60. DOI:10.1109/TGRS.2021.3135333 |
| [31] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [32] |
李克让, 王绍强, 曹明奎. 中国植被和土壤碳贮量[J]. 中国科学(D辑), 2003, 47(1): 72-80. Li K R, Wang S Q, Cao M K. Vegetation and soil carbon storage in China[J]. Science in China Series D Earth Sciences, 2003, 47(1): 49-57. |
| [33] |
徐丽, 于贵瑞, 何念鹏. 1980s-2010s中国陆地生态系统土壤碳储量的变化[J]. 地理学报, 2018, 73(11): 2150-2167. Xu L, Yu G R, He N P. Changes of soil organic carbon storage in Chinese terrestrial ecosystems from the 1980s to the 2010s[J]. Acta Geographica Sinica, 2018, 73(11): 2150-2167. DOI:10.11821/dlxb201811008 |
| [34] |
解宪丽, 孙波, 周慧珍, 等. 中国土壤有机碳密度和储量的估算与空间分布分析[J]. 土壤学报, 2004, 41(1): 35-43. Xie X L, Sun B, Zhou H Z, et al. Organic carbon density and storage in soils of China and spatial analysis[J]. Acta Pedologica Sinica, 2004, 41(1): 35-43. DOI:10.3321/j.issn:0564-3929.2004.01.006 |
| [35] |
朱超, 赵淑清, 周德成. 1997-2006年中国城市建成区有机碳储量的估算[J]. 应用生态学报, 2012, 23(5): 1195-1202. Zhu C, Zhao S Q, Zhou D C. Organic carbon storage in urban built-up areas of China in 1997-2006[J]. Chinese Journal of Applied Ecology, 2012, 23(5): 1195-1202. |
| [36] |
陈利军, 刘高焕, 励惠国. 中国植被净第一性生产力遥感动态监测[J]. 遥感学报, 2002, 6(2): 129-135. Chen L J, Liu G H, Li H G. Estimating net primary productivity of terrestrial vegetation in China using remote sensing[J]. Journal of Remote Sensing, 2002, 6(2): 129-135. |
| [37] | Wang N F, Chen X P, Zhang Z L, et al. Spatiotemporal dynamics and driving factors of county-level carbon storage in the Loess Plateau: a case study in Qingcheng County, China[J]. Ecological Indicators, 2022, 144. DOI:10.1016/j.ecolind.2022.109460 |
| [38] | Chuai X W, Huang X J, Lai L, et al. Land use structure optimization based on carbon storage in several regional terrestrial ecosystems across China[J]. Environmental Science & Policy, 2013, 25: 50-61. |
| [39] | Raich J W, Nadelhoffer K J. Belowground carbon allocation in forest ecosystems: global trends[J]. Ecology, 1989, 70(5): 1346-1354. DOI:10.2307/1938194 |
| [40] | Alam S A, Starr M, Clark B J F. Tree biomass and soil organic carbon densities across the Sudanese woodland savannah: a regional carbon sequestration study[J]. Journal of Arid Environments, 2013, 89: 67-76. DOI:10.1016/j.jaridenv.2012.10.002 |
| [41] | Fang J Y, Wang Z M. Forest biomass estimation at regional and global levels, with special reference to China's forest biomass[J]. Ecological Research, 2001, 16(3): 587-592. DOI:10.1046/j.1440-1703.2001.00419.x |
| [42] |
朴世龙, 方精云, 贺金生, 等. 中国草地植被生物量及其空间分布格局[J]. 植物生态学报, 2004, 28(4): 491-498. Piao S L, Fang J Y, He J S, et al. Spatial distribution of grassland biomass in China[J]. Acta Phytoecologica Sinica, 2004, 28(4): 491-498. DOI:10.3321/j.issn:1005-264X.2004.04.007 |
| [43] |
黄玫, 季劲钧, 曹明奎, 等. 中国区域植被地上与地下生物量模拟[J]. 生态学报, 2006, 26(12): 4156-4163. Huang M, Ji J J, Cao M K, et al. Modeling study of vegetation shoot and root biomass in China[J]. Acta Ecologica Sinica, 2006, 26(12): 4156-4163. DOI:10.3321/j.issn:1000-0933.2006.12.031 |
| [44] |
冀泳帆, 贾鲁净, 杨联安, 等. 耦合InVEST-PLUS模型的榆林市生境质量时空演变及预测分析[J]. 水土保持学报, 2023, 37(1): 123-132. Ji Y F, Jia L J, Yang L A, et al. Spatio-temporal evolution and prediction analysis of habitat quality in Yulin city coupled with InVEST-PLUS model[J]. Journal of Soil and Water Conservation, 2023, 37(1): 123-132. |
| [45] | Zhao N Z, Liu Y, Cao G F, et al. Forecasting China's GDP at the pixel level using nighttime lights time series and population images[J]. GIScience & Remote Sensing, 2017, 54(3): 407-425. |
| [46] | Hu W M, Li G, Gao Z H, et al. Assessment of the impact of the poplar ecological retreat project on water conservation in the Dongting Lake wetland region using the InVEST model[J]. Science of the Total Environment, 2020, 733. DOI:10.1016/j.scitotenv.2020.139423 |
| [47] |
帕茹克·吾斯曼江, 艾东, 方一舒, 等. 基于InVEST与CA-Markov模型的昆明市碳储量时空演变与预测[J]. 环境科学, 2024, 45(1): 287-299. Paruke W S M J, Ai D, Fang Y S, et al. Spatial and temporal evolution and prediction of carbon storage in Kunming City based on InVEST and CA-Markov model[J]. Environmental Science, 2024, 45(1): 287-299. |
| [48] |
边蕊, 赵安周, 刘宪锋, 等. 关中平原城市群土地利用变化对碳储量的影响[J]. 环境科学, 2024, 45(6): 3260-3269. Bian R, Zhao A Z, Liu X F, et al. Impact of land use change on carbon storage in Urban Agglomerations in the Guanzhong Plain[J]. Environmental Science, 2024, 45(6): 3260-3269. |
| [49] |
石晶, 石培基, 王梓洋, 等. 基于PLUS-InVEST模型的酒泉市生态系统碳储量时空演变与预测[J]. 环境科学, 2024, 45(1): 300-313. Shi J, Shi P J, Wang Z Y, et al. Spatial-temporal evolution and prediction of carbon storage in Jiuquan City ecosystem based on PLUS-InVEST model[J]. Environmental Science, 2024, 45(1): 300-313. |