2025, Vol. 46
以气候变暖为主要特征的全球环境问题正在加深对人类福祉的威胁. 政府间气候变化专门委员会(IPCC)第六次评估报告提出2011~2020年全球地表平均气温上升1.1℃，温室气体排放持续增加，极端天气事件日益频繁[1，2]. 习近平总书记在二十大上强调，要“推动形成绿色低碳的生产方式和生活方式”. 绿色、低碳发展既是习近平生态文明思想的主要内容，也是推动资源型城市高质量发展的要求[3]. 根据世界银行统计，中国自2005年成为世界第一大碳排放国. 2022年，中国CO2排放量达到105.50亿t，在全球占比为30.69%. 中国实现2030年碳达峰、2060年实现碳中和的承诺，这将是一个巨大的挑战. 在《全国资源型城市可持续发展规划(2013—2020)》中，首次明确列出262个资源型城市，存在资源约束趋紧和环境污染等突出问题，从低碳调控的角度来看，资源型城市是我国实施减排措施的重点领域[4]. 其中石嘴山市被列为衰退型城市，具有经济发展滞后和生态环境脆弱等问题[5]. 因此，探寻土地利用与碳储存、碳排放之间的联系，分析资源型城市碳排放量与碳储量的时空分布特征，对推动资源型城市绿色低碳发展具有重要意义[6].
陆地生态系统的碳排放、碳储存对气候调节至关重要[7]，鉴于土地利用及碳循环在全球气候变化方面的重要性，国内外学者探讨了土地利用变化产生的碳排放、碳储存的核算及其影响[8~10]. 碳排放核算主要包括清单法、实测法和建模法[11~13]，其中最常用的方法是IPCC温室气体清单方法. 碳储量的核算有实地布点监测[14，15]、过程建模[16，17]和遥感[18~20]等方法. 其中，遥感数据与模型模拟方法来研究碳储量成为新的趋势. 由于未来不同的可能性，情景设置在碳排放和碳储存的研究至关重要. 土地利用数量结构的模拟多采用Markov模型[16]、系统动力学模型[21]、人工神经网络模型[22]和灰色预测模型[23]等. 目前，学者对于碳排放量和碳储量的研究尺度比较单一，研究主要聚焦于国家[24]、区域[25，26]和省级[27]的层面，缺乏一个从城市视角出发的全面分析框架，这对于各级基础政府在推动碳排放减少和致力于实现低碳城市发展目标方面是不利的[28]. 在碳要素流转方面研究中，国内外学者侧重于驱动因素及碳流的关键路径研究[29]，缺少对未来情景碳流模拟研究. 综上所述，前人在碳排放、碳储存、碳流核算及模拟预测取得丰硕成果，但还存在需要进一步探索的方面. 主要体现在：一是针对资源型城市尺度的碳排放和碳储存统筹研究及与土地利用格局的协同研究相对有限；二是有关未来不同情景碳流模拟研究相对较少. 因此，基于土地利用数据，结合InVEST模型测算碳储量，采用IPCC温室气体清单方法测算碳排放量，耦合PLUS-Markov模型预测碳储量、碳排放量和碳流量，结合地理探测器识别驱动因子，对我国“减排”承诺以及旱区资源型城市发展低碳经济有重要意义.
作为黄河“几字弯”典型的旱区资源型城市，在生态保护中发展经济是推进石嘴山市可持续发展的重要目标[30]. 石嘴山市地处温带干旱气候区，全年气温高，降水少，干燥多风，是典型的干旱地区. 同时，石嘴山市是一个因煤而兴的典型煤炭资源型城市，长期的资源开发造成资源枯竭以及生态环境的严重破坏[31]. 自然因素及人为因素造成土地利用方式的改变，导致碳储存及碳排放发生明显改变，制约石嘴山市经济发展. 鉴于此，本研究以旱区资源型城市石嘴山市为例，耦合InVEST和PLUS-Markov模型模拟不同情景下碳储量、碳排放及碳流的时空分布格局，并利用地理探测器识别石嘴山市碳流的驱动因子，以期为缓解人类生态冲突，促进区域可持续发展提供指导，并为建设黄河流域生态保护和高质量发展先行区提供有力支撑.
1 材料与方法 1.1 研究区概况石嘴山市位置介于105°58′~106°39′E，38°21′~39°25′N，位于宁夏回族自治区北部(图 1)，其东部、北部和西部与内蒙古接壤，南部则与银川市相邻，东屏黄河，西靠贺兰山，是宁夏乃至黄河“几字弯”重要的生态节点和生态屏障. 该地区生态环境脆弱，降水稀少，蒸发量大，年均蒸发量为年均降水量的6~10倍，属于典型的温带大陆性干旱气候. 国家“一五”时期，石嘴山市作为全国十大煤炭工业基地之一，资源型产业特征明显. 由于煤炭资源日益枯竭，该城市在2008年被列为全国首批资源枯竭试点城市之一. 随着石嘴山市产业转型发展，2017年，该市成为全国首批老工业城市和资源型城市产业转型升级示范区. 2017~2021年，石嘴山市工业废气碳排放量由1 904.26亿m3上升到4 837.31亿m3，作为一个典型的资源型城市，石嘴山市在产业转型过程中的环境问题不容忽视.
|
图 1 区位分布及土地利用类型分布 Fig. 1 Location distribution and land use type distribution |
本研究参考《IPCC国家温室气体清单指南(2006 IPCC Guidelines for National Greenhouse Gas Inventories)》《省级温室气体清单编制指南》等权威指南以及前人的研究成果[3，28，32]，结合我国具体碳排放现状，将碳排放测算与土地利用类型对应，确定石嘴山市碳排放方法体系.
城镇用地碳排放主要来自城镇居民呼吸碳排放以及生产生活产生的碳排放，计算公式如下：
| $ C_{\mathrm{u}}=E_{\mathrm{ng}} f_{\mathrm{ng}}+E_{\mathrm{lpg}} f_{\mathrm{lpg}}+K_1 P $ | (1) |
式中，Cu表示城镇用地碳排放量，Eng表示城镇居民生活天然气消耗(以标准煤计，下同)，Elpg表示城镇居民生活液化石油气消耗(以标准煤计，下同)，fng和flpg分别表示天然气和液化石油气的碳排放系数，P表示城镇常住人口数量，K1表示人体呼吸碳排放系数，见表 1.
|
表 1 城镇用地碳排放系数1) Table 1 Carbon emission coefficient of urban land use |
工业用地碳排放主要来自能源活动和工业生产过程，计算公式为：
| $ C_i=\sum\limits_{i=1}^n E_i f_i $ | (2) |
式中，Ci表示工业用地碳排放；i表示每种能源类型；n表示能源类型总数量，Ei表示工业能源消费量(标准煤)；fi表示各种能源的碳排放系数，见表 2.
|
|
表 2 工业用地碳排放系数1) Table 2 Carbon emission coefficient of industrial land |
交通用地碳排放主要考虑汽车年行驶里程，计算公式如下：
| $ C_{\mathrm{u}}=\sum T_i E_i $ | (3) |
式中，Cu表示交通用地碳排放；Ti表示交通用地碳排放指标；Ei表示各种指标的碳排放系数；i表示每种指标类型，见表 3.
|
|
表 3 交通用地碳排放系数 Table 3 Carbon emission coefficient of transportation land use |
农村居民点碳排放主要考虑农村居民及牲畜呼吸的CO2排放，牲畜种类考虑石嘴山市畜牧业主要生产种类为猪、牛、羊和家禽，计算公式如下：
| $ V_R=\sum\limits_{i=1}^R E_{\mathrm{c}} f_i+P_{\mathrm{r}} k_{\mathrm{P}} $ | (4) |
式中，VR表示农村居民点碳排放量，Pr表示农村居民人口，kP表示农村居民人口的碳排放系数，Ec表示牛、羊、猪、家禽的饲养量，fi表示对应的各类型的碳排放系数，i表示各种指标类型，见表 4.
|
|
表 4 农村居民点碳排放系数 Table 4 Carbon emission coefficient of rural residents |
耕地碳排放主要考虑农业生产活动CO2排放，计算公式如下：
| $ C_{\mathrm{c}}=\sum K_i C_i $ | (5) |
式中，Cc表示耕地碳排放，Ki表示耕地碳排放指标；Ci表示各种指标的碳排放系数；i表示每种指标类型，见表 5.
|
|
表 5 耕地碳排放系数 Table 5 Carbon emission coefficient of cultivated land |
1.2.2 碳储量测算
InVEST模型碳储量模块(carbon storage and sequestration)基于土地利用数据将碳储量分为地上部分碳储量、地下部分碳储量、土壤碳储量和死亡有机物碳储量这4个碳库. 模型以各土地利用分类情况及各碳库的碳密度，碳密度乘以面积得到各碳库碳储量，最后，模型通过各碳库的碳储量相加得到总碳储量[33]. 本研究结合2022年在宁夏林地、草地、湿地和耕地设置的344个样点采样实测数据(依据优势树种原则，在贺兰山、六盘山和罗山等地选取林地样点，其中贺兰山选取样点49个；草地采样点依据自然地理原则，其中贺兰山布设样点12个；湿地采样点设置在黄河流域附近，依据自然地理原则，采取典型抽样调查；耕地由于范围较大，依据自然地理原则，采取随机抽样调查，在每个县区选取7个样点)，城乡、工矿和居民用地碳密度参考已有的文献资料[34]，得到石嘴山市土地利用类型碳密度，见表 6，具体计算公式如下：
| $ C_{\text {total }}=C_{\text {above }}+C_{\text {below }}+C_{\text {soil }}+C_{\text {dead }} $ | (6) |
| $ C_{\text {total }}=\sum\limits_{k=1}^n A_k \times C_k \quad(k=1,2, \cdots, n) $ | (7) |
式中，Ctotal表示区域生态系统总碳储量，Cabove表示地上部分碳储量，Cbelow表示地下部分碳储量，Csoil表示土壤碳储量，Cdead表示死亡有机物碳储量，单位均为t·hm-2. A表示土地利用类型面积，单位为hm2；k表示土地利用类型数量.
|
|
表 6 石嘴山市不同土地利用类型碳密度/t·hm-2 Table 6 Carbon densities of different land use types in Shizuishan City/t·hm-2 |
1.2.3 碳流测算
碳流指土地利用演变格局引起的碳要素转移作用，参考尚雅婕等[29]和李晶等[35]的研究方法，净碳转移密度为单位面积的净碳排放量，碳转移量及方向由碳转移密度差和土地利用转移面积及方向计算. 计算公式如下：
| $ \Delta W=D_i-D_j=\left(V_i / S_i\right)-\left(V_j / S_j\right) $ | (8) |
| $ f_{i j}=\Delta W \times \Delta S $ | (9) |
式中，i和j表示土地利用类型；fij表示从j地类流向i地类的碳转移量；ΔW为碳转移密度差；ΔS为j地类向i地类转移的面积；Di和Dj为i地类和j地类的净碳转移密度；Vi和Vj为i地类和j地类垂直方向上的净碳转移量；Si和Sj分别为i和j地类的面积. fij > 0，表示正碳转移过程；fij < 0，为负碳转移过程.
为了进一步准确分析碳转移的方向，借鉴重心迁移模型[36]计算2005~2020年正碳流和负碳流的重心坐标，分析碳流重心位置时间演变规律，具体计算公式如下：
| $ X_t=\sum M_{t i} x_i / \sum M_{t i} $ | (10) |
| $ Y_t=\sum M_{t i} y_i / \sum M_{t i} $ | (11) |
式中，Xt和Yt分别表示碳流重心的经度和纬度坐标，Mti表示t年度的碳流量，i表示碳流的类型.
1.2.4 情景模拟PLUS模型有两个模块构成，包括土地扩张分析策略(LEAS)和基于多类型随机斑块种子的元胞自动机(CARS)，它不仅可以预测土地利用类型的变化，还可以通过LEAS模块的随机森林算法分析土地扩张与驱动变量的关系[27]. 根据前人研究成果和研究区特征设置转换规则，通过各类型土地扩张面积与区域总面积的比值确定领域权重[33]. 采用2005年土地利用对2020年土地利用进行模拟，并与实际2020年土地利用对比，结果显示Kappa值为0.764，一般情况下，当Kappa系数≥0.75时，实际数据和模拟结果的一致性较高[37]. 说明模型精度较高，符合研究需求，可以模拟石嘴山市2035年土地利用变化情况.
根据《宁夏回族自治区国土空间规划(2021~2035年)》和《宁夏回族自治区生态保护红线管理条例》，结合国务院《2030年前碳达峰行动方案》，参考前人经验，以水体为限制区，以15 a为间隔，预测2035年石嘴山市自然发展情景、耕地保护情景、生态保护情景、经济发展情景4种情景的土地利用类型. 自然发展情景下，保持2005~2020年的转移概率，不加以干扰；耕地保护情景下，将耕地向城乡、工矿和居民用地转移的概率减少60%[38]；生态保护情景下，将林地、草地向城乡、工矿和居民用地的转移概率降低50%[39]，耕地向城乡、工矿和居民用地的转移概率降低30%，同时将耕地、草地向林地的转移概率提高30%；经济发展情景下. 将耕地、林地、草地和未利用地这4种用地类型转为城乡、工矿和居民用地转换概率增加20%，此外将城乡、工矿和居民用地转为林地、草地的转换概率降低了20%[37]. 多情景转移矩阵设置见表 7.
|
|
表 7 2035年石嘴山市多情景土地利用转移矩阵 Table 7 Multi-scenario land use transfer matrix in Shizuishan City in 2035 |
1.2.5 地理探测器
以12项指标数据为自变量，利用因子探测和交互探测器定量分析碳流影响因素. 因子探测通常用q值度量[40]，计算公式为：
| $ q=1-\frac{\sum\limits_{h=1}^L N_h \sigma_h^2}{N \sigma^2} $ | (12) |
式中，q取值范围为0~1，q值越大，表明自变量对碳流的影响越大；L表示自变量的分类；h为1，2，3，…，n；N表示研究区域的样本数；σ2表示全区离散方差.
交互作用探测用于定量识别两个自变量对碳流的影响，两个因素交互结果分类见表 8.
|
|
表 8 探测交互作用类型 Table 8 Probes the interaction types |
1.3 数据来源
选取的LUCC数据涵盖2005年、2010年、2015年和2020年这4个时间段，来自中国科学院资源环境科学与数据中心(https://www.resdc.cn)，分辨率为30 m，通过重分类得到石嘴山市林地、草地、湿地、耕地、未利用地和城乡、工矿和居民用地这6种地类土地利用数据. 本研究从自然环境、社会经济和区位条件这3个维度，选取：DEM、NDVI、GDP、坡度、气温、降水、道路、交通站点、人口密度、政府驻地、到水域的距离和土壤类型这12个驱动因子进行土地利用模拟. 人口、GDP、土壤类型和NDVI来源于中国科学院资源环境科学与数据中心(https://www.resdc.cn)，县政府驻地和道路等交通数据来源于全国地理信息资源目录服务系统(https://www.webmap.cn)，温度和降水等气象数据来源于中国气象网(https://data.cma.cn)，高程和坡度等空间数据来源于地理空间数据云(https://www.gscloud.cn)，上述数据全部重采样为30 m. 碳排放量数据主要来源于各年份的《宁夏统计年鉴》《石嘴山统计年鉴》以及《石嘴山市国民经济和社会发展统计公报》.
2 结果与分析 2.1 土地利用时空格局变化分析石嘴山市土地利用类型主要以耕地、草地为主(图 2). 2005~2020年，石嘴山市土地利用格局呈现明显的时空分异特征. 未利用地减幅明显，减少11 720.07 hm2，草地面积逐渐减少，减少9 013.14 hm2，林地面积从32 170.41 hm2减少到28 036.53 hm2，减少4 133.88 hm2，农村居民点变化较小，略微减少，工矿及交通用地面积大幅增加，增加17 267.31 hm2，耕地面积130 954.32 hm2增加到135 742.32 hm2，增加4 788 hm2，城镇用地和湿地的增幅变化较小，略微增加. 农村居民点和工矿及交通用地逐步在石嘴山市的中部扩张，主要分布在大武口区的东部及平罗县的中部地区，同时惠农区北部的工矿及交通用地增长明显. 湿地主要分布在星海湖、沙湖及周边地区，空间变化不大.
|
图 2 2005~2020年石嘴山市土地利用空间分布 Fig. 2 Spatial distribution of land use in Shizuishan City from 2005 to 2020 |
从转出来看，2005~2020年，草地为石嘴山市转出幅度较大的地类，转移面积高达14 629.14 hm2，主要转换为工矿及交通用地，说明草地的生态保护重要性目前未受到重视. 其次为未利用地，转出为草地的面积为7 664.80 hm2. 耕地主要转移为农村居民点和湿地. 湿地主要转移为耕地，耕地转移面积为3 358.33 hm2. 城镇用地和工矿及交通用地转出面积较少. 从转入来看，工矿及交通用地转入面积较大，转入面积为11 354.47 hm2，主要由草地转入，转入面积为7 594.81 hm2. 草地转入面积为9 959.47 hm2，耕地转入面积为8 688.83 hm2，主要由湿地和草地转入，林地的转入面积较少(图 3).
|
图 3 土地利用面积转移矩阵 Fig. 3 Land-use area transfer matrix |
2005~2020年，碳排放量呈现增加的趋势，15 a间共增加11.47×106 t，年均增加0.76×106 t. 2005~2010年，碳排放量增加5.43×106 t，这主要是由于经济快速发展与人口数量增长所导致的建设用地扩张，工业部门的碳排放量增加迅速，工矿及交通用地为主要碳排放量来源；2010~2015年，碳排放量减少6.67×106 t，石嘴山市“十二五”期间推动资源枯竭型城市转型、控制污染源头、优化产业结构、矿山生态修复等措施对减排起到重要作用；2015~2020年，碳排放量减少0.63×106 t，得益于《石嘴山市“十三五”能源发展规划(修订本)》逐步优化结构、推进清洁生产、大力实施节能减排战略等措施的实施. 石嘴山市碳排放量高值区主要分布在北部、中部以及西北部地区，用地类型主要为工矿及交通用地，低值区主要分布在中部引黄灌区，如图 4所示.
|
图 4 2005~2020年石嘴山市碳排放密度分布 Fig. 4 Carbon emission density distribution in Shizuishan City from 2005 to 2020 |
2005~2020年，石嘴山市碳储量呈现减少的趋势，15 a间碳储量减少0.60×106 t，年均减少0.04×106 t. 从土地利用类型来看，耕地碳储量占总碳储量比例在60%以上，其碳储量增加较多，增加0.59×106 t，湿地碳储量增加，增加0.02×106 t，城乡、工矿和居民用地碳储量呈现增加趋势，林地为碳储量减少的主要地类，减少1.07×106 t，草地和未利用地的碳储量呈现减少趋势. 石嘴山市碳储量低值区主要分布在中部、西北部和东南部的边缘地区，该地区主要分布的土地类型为草地、未利用地和工矿及交通用地，主要原因是石嘴山市干旱少雨，草原类型以温性荒漠类草原为主，草地碳密度较低. 高值区主要分布在石嘴山市的西南部贺兰山自然保护区、大武口森林公园，该地区海拔相对较高，植被覆盖率高，主要分布的土地类型为林地，碳储量较高，如图 5所示.
|
图 5 2005~2020年石嘴山市碳储量分布 Fig. 5 Carbon reserve distribution in Shizuishan City from 2005 to 2020 |
2005~2010年，正碳流的主要路径为草地转向耕地，转移量为0.23×106 t，负碳流的主要路径为草地转向工矿及交通用地，转移量为6.41×106t；2010~2015年，正碳流主要路径有2条，依次为未利用地转向林地和草地转向林地，转移量依次为0.08×106 t和0.07×106 t，负碳流主要路径有2条，依次为草地转向工矿及交通用地和未利用地转向工矿及交通用地，转移量依次为2.09×106 t和1.30×106 t；2015~2020年，正碳流的主要转移路径有2条，依次为工矿及交通用地转向草地和未利用地，转移量依次为4.09×106 t和1.67×106 t，整体转移量增加(图 6).
|
F为林地；G为草地；W为湿地；B为未利用地；C为耕地；IM为工矿及交通用地；R为农村居民点；U城镇用地 图 6 2005~2020年石嘴山市碳流转移路径 Fig. 6 Carbon flow transfer path in Shizuishan City from 2005 to 2020 |
2005~2020年，石嘴山市水平方向上的净碳转移量为负值(表 9)，表明在这期间石嘴山市土地利用的演化对碳平衡产生消极作用，土地利用的演变造成碳排放量的增加. 石嘴山市的正碳流主要来自城乡、工矿和居民用地向林地、草地、湿地转换，表明生态问题需要引起重视，森林、草地、湿地的面积是实现城市碳平衡的关键. 负碳流主要是由林地、草地、湿地向城乡、工矿、居民用地和耕地转换产生，其中转向城乡、工矿和居民用地产生的负碳流占总负碳流的92.86%，表明石嘴山市碳平衡受城乡、工矿和居民用地的高碳排放密度影响，城市化进程的推进、工业活动的密集以及居民日常生活需求的增长，直接或间接地影响着碳排放(图 7).
|
|
表 9 水平方向上碳流矩阵×106/t Table 9 Carbon flow matrix in the horizontal direction ×106/t |
|
图 7 2005~2020年石嘴山市碳流分布 Fig. 7 Carbon flow distribution in Shizuishan City from 2005 to 2020 |
利用ArcGIS计算碳流重心，得到各个时期碳流重心的变化规律(图 8). 正碳流的重心先向东南方向移动，之后向西北方向移动，负碳流的重心先向东移动，再向西南方向移动. 主要原因是石嘴山市大力实施贺兰山生态修复治理等工程，贺兰山生态环境得到极大改善，其碳流重心主要向贺兰山方向移动.
|
图 8 2005~2020年石嘴山市碳流重心迁移分布 Fig. 8 Distribution of carbon flow center of gravity migration in Shizuishan City from 2005 to 2020 |
在土地利用类型变化方面(图 9)，与2020年相比，自然发展情景的城乡、工矿和居民用地的面积增加较多，增加15 396.98 hm2，草地面积减少较多，减少8 858.09 hm2；耕地保护情景的耕地面积增加最多，为10 345.35 hm2，草地面积减少较多，减少9 442.15 hm2；生态保护情景的未利用地减少较多，减少7 679.98 hm2，耕地面积增加较多，为6 123.25 hm2；经济发展情景的城乡、工矿和居民用地的面积增加较多，增加19 125.60 hm2，是4种情景中城乡、工矿和居民用地增加最多的，草地面积减少最多，为10 896.80 hm2，表明城乡、工矿和居民用地的扩张主要是通过侵占草地面积实现的，耕地和生态保护能够大大抑制城乡、工矿和居民用地的扩张.
|
图 9 2035年石嘴山市不同情景下土地利用类型变化 Fig. 9 Changes of land use types under different scenarios in Shizuishan City in 2035 |
在碳排放量方面，高碳排放量的区域集中在石嘴山市的西部、北部及中部，在不同的情景下其碳排放量高值区域范围不同(图 10). 与2020年相比，自然发展情景的总碳排放量增加8.17×106 t. 与自然情景相比，耕地保护情景的总碳排放量减少2.69×106 t，说明耕地保护政策是通过减少耕地向城乡、工矿、居民用地的扩张来减少碳排放量；经济发展情景的总碳排放量增加1.98×106 t；生态保护情景减少9.86×106 t，其总碳排放量是4种情景中最低的，且总碳排放量分布范围较小，说明生态保护对石嘴山市碳减排具有积极作用(图 11).
|
图 10 2035年石嘴山市不同情景下碳排放量分布 Fig. 10 Distribution of carbon emissions under different scenarios in Shizuishan City in 2035 |
|
图 11 2035年石嘴山市不同情景下碳排放量变化 Fig. 11 Change in carbon emissions under different scenarios in Shizuishan City in 2035 |
在碳储量方面，与2020年相比，自然发展情景的总碳储量降低0.37×106 t，碳储量减少的区域主要分布在石嘴山市中部和东南部(图 12)，原因是部分耕地和林地转换到碳密度相对低的湿地和工矿及交通用地，总碳储量受耕地面积减少的影响最大. 与自然发展情景相比，耕地保护情景总碳储量增加了0.56×106 t，其中耕地碳储量增加0.53×106 t，但其他高碳密度的生态用地未受到应有的保护，对生态环境造成负面影响，也不利于实现长期的可持续发展目标；生态保护情景总碳储量增加0.92×106 t，其总碳储量是4种情景中最高的；经济发展情景总碳储量减少0.14×106 t(图 13).
|
图 12 2035年石嘴山市不同情景下碳储量分布 Fig. 12 Distribution of carbon reserves in different scenarios of Shizuishan City in 2035 |
|
图 13 2035年石嘴山市不同情景下碳储量变化 Fig. 13 Change of carbon reserves in different scenarios of Shizuishan City in 2035 |
2005~2035年，石嘴山市水平方向上净碳流量为负值(图 14)，表明石嘴山市土地利用变化对碳平衡产生消极作用，土地利用的演变造成区域总体碳排放量的增加. 经济发展情景下负碳流量最大，为21.22×106 t；生态保护情景下负碳流量最小，为8.19×106 t，表明生态保护对于城市碳平衡的优化具有正向作用，实行低碳政策，制定农业生产的合理布局政策，划定生态保护红线等生态保护措施对石嘴山市可持续发展具有重要指导意义.
|
图 14 2005~2035年石嘴山市不同情景下碳流分布 Fig. 14 Distribution of carbon flow under different scenarios in Shizuishan City from 2005 to 2035 |
通过地理探测器的因子探测模块得到石嘴山市碳流主要驱动因子及解释力q值(图 15). 各因素对碳流的影响程度不同，顺序依次为：X5 > X9 > X3 > X11 > X7 > X1 > X6 > X2 > X12 > X4 > X8 > X10. 坡度、到公路的距离、DEM、年平均气温和年均降水量是影响碳流空间分异的主要驱动因子，其解释力达到40%以上. 土壤类型、交通站点、到政府的距离和NDVI为次要驱动因子，其解释力达到10%以上. 人口密度、到河流的距离和GDP为其他影响因子，解释力较低. 总体来看，各因素共同影响着碳流的空间分异，其中坡度等自然环境因子对碳流的影响解释力整体而言高于社会经济因素.
|
X1：土壤类型，X2：到政府的距离，X3：年平均气温，X4：人口密度，X5：坡度，X6：交通站点，X7：年均降水量，X8：到水域的距离，X9：到公路的距离，X10：GDP，X11：DEM，X12：NDVI，下同 图 15 石嘴山市因子探测结果 Fig. 15 Factor detection results of Shizuishan City |
根据地理探测器的交互探测模块结果可知，各因子交互作用对碳流的影响均高于单因子，表现为非线性增强和双因子增强(图 16). X3与X5、X5与X11的交互作用显著，影响力均达到0.792，进一步验证坡度和DEM等自然环境因子是影响石嘴山市碳流空间分异的重要影响因素. 地形地貌及水热状况的协同作用对旱区资源型城市石嘴山市的人类活动范围和区域发展产生较大影响，对碳流的空间分布也在一定程度上产生影响. 交互作用较弱的是X10与X8，影响力为0.090.
|
图 16 石嘴山市交互探测热力图 Fig. 16 Interactive detection heatmap of Shizuishan City |
综上所述，石嘴山市碳流的空间差异受到多种因素共同影响，自然环境因子较社会经济因子更具解释力. 因此，石嘴山市在推动区域高质量发展的过程中，必须充分考虑生态环境的保护与改善，坚持生态优先、绿色发展.
3 讨论2005~2020年，石嘴山市碳排放量处于增加后减少趋势，这与Huang等[41]对宁夏碳排放量研究的演变规律保持一致. 石嘴山市长期以来依靠煤炭资源，其环境污染严重，治理力度小，碳排放量较大；2007年以后，石嘴山市被列为资源枯竭型城市，经济发展呈现缓慢和后劲不足，迫切需要产业结构升级，“十二五”和“十三五”时期的减排措施使得2010年后的碳排放量减少. 2005~2020年，石嘴山市碳储量处于下降趋势，大部分是林地减少造成的碳损失，这与吕文宝等[42]和Lin等[43]对宁夏石嘴山市碳储量时间演变规律保持一致. 降低区域碳排放与增强生态系统碳储存能力已成为科研的前沿与挑战，未来4种不同情景的设置，可以为资源型城市未来降碳增汇路径研究提供理论依据. 对2035年的4种情景下的碳排放量、碳储量及碳流量进行预测，结果表明，与2020年相比，在自然发展情景下，其生态系统的碳储量呈现减少态势，碳排放量呈现增加态势；在耕地保护情景下，耕地面积所占比例大，其碳储量和碳排放量相对自然发展情景发展较好，但忽视其他碳密度高的土地利用类型，对生态环境产生消极影响；在生态保护情景下，林地、草地和耕地转向城乡、工矿、居民用地的面积减少，较好地保护粮食安全及生态用地，限制城乡、工矿、居民用地的扩张，碳储量明显增加，碳排放量明显减少，这与Wang等[44]对4种情景的未来预测结果保持一致. 因此，旱区资源型城市在未来的发展过程中，需在耕地保护和生态保护之间找到平衡点，实现两者之间的协调发展，对低产耕地实施退耕还林，以增强生态系统的碳汇功能.
地理探测器的结果表明，地形地貌及水热状况是影响碳流空间分异的主要驱动因子，且各因子交互作用对碳流的影响均高于单因子，这与前人的研究结果一致[15]. 对于旱区资源型城市，其自然环境因子相对社会经济因子对碳流空间分异影响较强. 一方面可能是由于石嘴山市处于干旱区，其地形地貌影响着城市交通网络，制约着石嘴山市的经济发展；水热条件主要涉及到气候变化，严重制约着城市的水资源系统，同时干燥的气候条件对城市的能源消耗和生态系统的适应性都提出挑战，导致碳排放增加. 另一方面，作为一个因煤而兴，也因煤而衰的资源枯竭型城市，长期大面积的采煤造成地形塌陷，导致植被遭受严重破坏，有毒气体排出，大量矿区居民搬迁，影响着石嘴山市的地形地貌以及气候条件，导致碳排放量增加，碳储量减少，制约石嘴山市经济发展. 近年来，石嘴山市在国土资源部和财政部的大力支持下，高度重视矿区治理工程，矿区生态环境明显改善，企业重新注入资金，提供更多就业机会，带动就业市场的繁荣发展，产生经济效益. 因此，协调旱区资源型城市碳排放与经济发展之间的关键在于实现环境与经济的协同推进，通过技术创新和政策引导，推动经济实现绿色低碳高质量发展，并确保生态环境得到高水平的保护.
单位GDP的CO2排放量即为碳排放强度，是衡量资源型城市碳排放量与经济发展重要指标. 2005~2020年，石嘴山市碳排放强度由9.86 t·万元-1下降到4.04 t·万元-1，受限于资源禀赋和产业发展基础，全市产业结构整体呈现传统产业多新兴产业少、低端产业多高端产业少、资源型产业多高附加值产业少、重工业多轻工业少的局面，以煤炭为主的能源结构增大能源消耗，“十二五”和“十三五”时期全市大力实施产业转型升级，降低能源消耗，有序推进低碳发展，碳排放强度降低. 王少剑等[45]对全国283个城市碳排放强度研究结果表明，石嘴山市处于高碳排放强度，产业结构影响着资源型城市的碳排放，本研究结果验证了上述观点，因此，资源型城市在发展经济过程中，应引导产业链低碳多元化发展，积极探索地下资源开发与地上城市绿色低碳协调发展的路径.
生态产品价值是连接生态系统碳储量(碳汇)与资源型城市绿色经济连接的纽带. 参考张颖等[46]的研究成果，每吨碳的最优价格为10.11~15.17美元，根据我国外汇交易中心公布的美元对人民币平均汇率，采用此价格的上限计算. 结果显示，2005~2020年，石嘴山市的生态系统碳储量价值量由29.33亿元下降到24.32亿元，主要原因是碳储量的减少以及美元对人民币的平均汇率的降低. 石嘴山市需要将经济发展与生态保护相协调，积极推进社会经济的绿色化、低碳化转型，以此来实现石嘴山市绿色经济的持续发展. 在此过程中，碳交易机制发挥着至关重要的作用，碳交易是资源型城市链接碳排放，生态系统碳储量(碳汇)与绿色低碳经济发展的桥梁. 因此，资源型城市应充分利用碳交易这一机制，进一步推动绿色经济的发展，实现经济与自然的和谐共生.
通过InVEST-PLUS-Markov模型，定量追踪了石嘴山市土地利用演化过程中的“碳流”流向、变化及其环境影响. 但研究结果也存在一定的局限性[47]，本研究采用InVEST模型模拟各个时期的碳储量，未考虑碳密度的时间及空间变化，与实际值有一定的误差[48]. 在未来的研究中，需尽量考虑到碳密度随时间变化产生的影响. 在PLUS模型中，在模拟未来土地利用时虽然包含社会经济、气候与环境驱动影响因素[49]，但涉及的未来发展因素并不是全面的，同时由于缺少高分辨率空间数据支持，预测结果可能存在一定的偏差.
4 结论(1) 2005~2020年，石嘴山市碳排放量持续增加，碳储量减少，净碳流量为负值，草地转为工矿及交通用地是石嘴山市碳流变化的主要原因. 从空间上看，碳排放、碳储量与土地利用的空间特征相似，高碳排放量主要分布在中部和西北部的城乡、工矿和居民用地，高碳储量区主要分布在森林资源丰富的西部.
(2) 2005~2035年，自然发展、耕地保护、生态保护和经济发展情景的净碳流量分别是-19.08×106、-15.79×106、-8.19×106和-21.22×106 t. 生态保护情景对抑制净碳流量下降更加明显. 实施保护措施和低碳政策能够减少净碳流量的增长，对资源型城市的低碳发展具有积极作用.
(3) 碳流空间分异受到多种因素的影响. 地形地貌及水热状况是影响碳流空间分异的主导因子，不同因子交互作用对碳流影响更加显著，且自然环境因子较社会经济因子的解释力更显著. 因此，在生态保护中发展经济，协同多种因素共同发展对旱区资源型城市区域可持续发展至关重要.
| [1] | Hong C P, Burney J A, Pongratz J, et al. Global and regional drivers of land-use emissions in 1961-2017[J]. Nature, 2021, 589(7843): 554-561. DOI:10.1038/s41586-020-03138-y |
| [2] |
王诗逸, 李艳, 杨佳钰, 等. 杭州都市圈碳收支的土地利用变化驱动和优化[J]. 环境科学, 2024, 45(8): 4670-4682. Wang S Y, Li Y, Yang J Y, et al. Land use change driving and optimization of carbon budget in Hangzhou metropolitan area[J]. Environmental Science, 2024, 45(8): 4670-4682. |
| [3] |
武汉大学国家发展战略研究院课题组. 中国实施绿色低碳转型和实现碳中和目标的路径选择[J]. 中国软科学, 2022(10): 1-12. Research Group of National Institute of Development Strategy at Wuhan University. Path choice for China to implement green low-carbon transformation and achieve carbon neutrality[J]. China Soft Science, 2022(10): 1-12. |
| [4] | Hu Y J, Sun J, Zheng J. Spatiotemporal analysis of urban carbon metabolism and its response to land use change: a case study of Beijing, China[J]. Atmosphere, 2023, 14(8). DOI:10.3390/atmos14081305 |
| [5] |
黄永斌, 董锁成, 李泽红. 基于能值分析的资源型城市新陈代谢水平评价—以石嘴山市为例[J]. 资源科学, 2015, 37(8): 1621-1628. Huang Y B, Dong S C, Li Z H. Urban metabolism evaluation of resource-based cities using emergy synthesis: a case study in Shizuishan City[J]. Resources Science, 2015, 37(8): 1621-1628. |
| [6] |
路昌, 王之语. 基于生态网络分析的黄河三角洲碳代谢分析[J]. 中国环境科学, 2023, 43(11): 6090-6101. Lu C, Wang Z Y. ENA-model based carbon metabolism analysis of the Yellow River Delta[J]. China Environmental Science, 2023, 43(11): 6090-6101. |
| [7] | Liu J Y, Yan Q Q, Zhang M H. Ecosystem carbon storage considering combined environmental and land-use changes in the future and pathways to carbon neutrality in developed regions[J]. Science of the Total Environment, 2023, 903. DOI:10.1016/j.scitotenv.2023.166204 |
| [8] | Li Y G, Liu W, Feng Q, et al. The role of land use change in affecting ecosystem services and the ecological security pattern of the Hexi Regions, Northwest China[J]. Science of the Total Environment, 2023, 855. DOI:10.1016/j.scitotenv.2022.158940 |
| [9] | Mengist W, Soromessa T, Feyisa G L. Responses of carbon sequestration service for landscape dynamics in the Kaffa biosphere reserve, Southwest Ethiopia[J]. Environmental Impact Assessment Review, 2023, 98. DOI:10.1016/j.eiar.2022.10696 |
| [10] | Tang L P, Ke X L, Zhou T, et al. Impacts of cropland expansion on carbon storage: a case study in Hubei, China[J]. Journal of Environmental Management, 2020, 265. DOI:10.1016/j.jenvman.2020.110515 |
| [11] | Xu Q, Dong Y X, Yang R, et al. Temporal and spatial differences in carbon emissions in the Pearl River Delta based on multi - resolution emission inventory modeling[J]. Journal of Cleaner Production, 2019, 214: 615-622. DOI:10.1016/j.jclepro.2018.12.280 |
| [12] | Zhang K R, Jiang L Y, Jin Y Z, et al. The carbon emission characteristics and reduction potential in developing areas: case study from Anhui Province, China[J]. International Journal of Environmental Research and Public Health, 2022, 19(24). DOI:10.3390/ijerph192416424 |
| [13] | Wang G J, Peng W F, Xiang J Y, et al. Modelling spatiotemporal carbon dioxide emission at the urban scale based on DMSP-OLS and NPP-VIIRS data: a case study in China[J]. Urban Climate, 2022, 46. DOI:10.1016/j.uclim.2022.101326 |
| [14] | Chen L S, Wang Y, Zhu E Y, et al. Carbon storage estimation and strategy optimization under low carbon objectives for urban attached green spaces[J]. Science of the Total Environment, 2024, 923. DOI:10.1016/j.scitotenv.2024.171507 |
| [15] |
贾纪昂, 郭伟玲, 徐刘洋, 等. 耦合PLUS-InVEST-GeoDectetor模型的安徽省碳储量时空演变及驱动力分析[J]. 环境科学, 2025, 46(3): 1703-1715. Jia J A, Guo W L, Xu L Y, et al. Spatio - temporal evolution and driving force analysis of carbon storage in Anhui Province coupled with PLUS-InVEST-GeoDectetor Model[J]. Environmental Science, 2025, 46(3): 1703-1715. |
| [16] | He Y L, Ma J M, Zhang C S, et al. Spatio-temporal evolution and prediction of carbon storage in Guilin based on FLUS and InVEST models[J]. Remote Sensing, 2023, 15(5). DOI:10.3390/rs15051445 |
| [17] | Zhu G F, Qiu D D, Zhang Z X, et al. Land-use changes lead to a decrease in carbon storage in arid region, China[J]. Ecological Indicators, 2021, 127. DOI:10.1016/j.ecolind.2021.107770 |
| [18] |
张智洋, 赵颖慧, 甄贞. 基于LUCC的1986-2022年松花江流域陆地生态系统碳储量动态监测[J]. 植物生态学报, 2024, 48(10): 1274-1290. Zhang Z Y, Zhao Y H, Zhen Z. Dynamic monitoring of carbon storage of the terrestrial ecosystem in Songhua River Basin from 1986 to 2022 based on land use and land cover change[J]. Chinese Journal of Plant Ecology, 2024, 48(10): 1274-1290. |
| [19] | Sun B Q, Du J Q, Chong F F, et al. Spatio-Temporal variation and prediction of carbon storage in Terrestrial Ecosystems in the Yellow River Basin[J]. Remote Sensing, 2023, 15(5). DOI:10.3390/rs15153866 |
| [20] | Cheng F Y, Ou G L, Wang M, et al. Remote sensing estimation of forest carbon stock based on machine learning algorithms[J]. Forests, 2024, 15(4). DOI:10.3390/f15040681 |
| [21] |
杨蕴琦, 郝晋珉, 张金懿, 等. 曲周县土地利用碳排放测算及情景预测研究[J]. 中国农业大学学报, 2024, 29(2): 160-175. Yang Y Q, Hao J M, Zhang J Y, et al. Carbon emission measurement and prediction of land use in Quzhou County based on carbon neutrality target[J]. Journal of China Agricultural University, 2024, 29(2): 160-175. |
| [22] | 冯颖, 马桂英. 陕西省土地利用碳排放变化及预测研究[J]. 环境保护与循环经济, 2023, 43(9): 34-39, 56. |
| [23] |
凯吾沙•塔依尔, 黎华, 古丽米热•艾尔肯, 等. FLUS与灰色预测模型支持下的乌鲁木齐地区碳排放时空演变与预测[J]. 水土保持学报, 2023, 37(4): 214-226. Tayier K, Li H, Aierken G, et al. Spatio-temporal evolution and prediction of carbon emissions in Urumqi region based on FLUS and Grey Prediction Model[J]. Journal of Soil and Water Conservation, 2023, 37(4): 214-226. |
| [24] |
师帅, 周林庆. 中国农业碳中和评价——以2010—2020年为例[J]. 浙江农业学报, 2024, 36(8): 1920-1933. Shi S, Zhou L Q. Evaluation of agricultural carbon neutrality level in China: case study of 2010-2020[J]. Acta Agriculturae Zhejiangensis, 2024, 36(8): 1920-1933. |
| [25] |
彭双云, 陈明潇, 张老伟, 等. 滇中城市群碳储量时空演变及其对LULC变化的响应[J]. 水土保持学报, 2024, 38(4): 246-256, 266. Peng S Y, Chen M X, Zhang L W, et al. Spatiotemporal evolution of carbon storage in the Central Yunnan Urban Agglomeration and its response to LULC change[J]. Journal of Soil and Water Conservation, 2024, 38(4): 246-256, 266. |
| [26] |
程晓瑜, 吕洁华. 塔里木河流域碳储量的气候影响机制及地形分异下的归因[J]. 干旱区研究, 2024, 41(5): 865-875. Cheng X Y, Lü J H. Mechanism of climate influence on carbon storage in the Tarim River Basin and attribution under topographic differentiation[J]. Arid Zone Research, 2024, 41(5): 865-875. |
| [27] |
杨顺法, 昝梅, 袁瑞联, 等. 基于PLUS与InVEST模型的新疆碳储量变化及预测[J]. 环境科学, 2025, 46(1): 378-387. Yang S F, Zan M, Yuan R L, et al. Carbon stock changes and forecasting in Xinjiang based on PLUS and InVEST model approach[J]. Environmental Science, 2025, 46(1): 378-387. |
| [28] |
夏楚瑜. 基于土地利用视角的多尺度城市碳代谢及"减排"情景模拟研究[D]. 杭州: 浙江大学, 2019. Xia C Y. Multi-scale studies on urban carbon metabolism from the perspective of land use and Scenario analysis of emission reduction[D]. Hangzhou: Zhejiang University, 2019. |
| [29] |
尚雅婕, 王蕾, 贾佳, 等. 宾县三生空间格局演变的碳流转路径动态研究[J]. 水土保持研究, 2024, 31(4): 326-335. Shang Y J, Wang L, Jia J, et al. Study on carbon flow transfer path of the evolution of the spatial and temporal pattern of the production-living-ecological space in Bin County[J]. Research of Soil and Water Conservation, 2024, 31(4): 326-335. |
| [30] | 朱立杨. 石嘴山: 转型路上逐"绿"前行[N]. 宁夏日报, 2024-01-25(003). |
| [31] | 石嘴山: 凝心聚力推进产业转型示范市高质量发展[N]. 宁夏日报, 2024-01-23(009). |
| [32] |
夏楚瑜, 李艳, 叶艳妹, 等. 基于生态网络效用的城市碳代谢空间分析—以杭州为例[J]. 生态学报, 2018, 38(1): 73-85. Xia C Y, Li Y, Ye Y M, et al. Analyzing urban carbon metabolism based on ecological network utility: a case study of Hangzhou City[J]. Acta Ecologica Sinica, 2018, 38(1): 73-85. |
| [33] |
林彤, 杨木壮, 吴大放, 等. 基于InVEST-PLUS模型的碳储量空间关联性及预测——以广东省为例[J]. 中国环境科学, 2022, 42(10): 4827-4839. Lin T, Yang M Z, Wu D F, et al. Spatial correlation and prediction of land use carbon storage based on the InVEST-PLUS model-A case study in Guangdong Province[J]. China Environmental Science, 2022, 42(10): 4827-4839. |
| [34] |
陈宁, 辛存林, 唐道斌, 等. 中国西北地区多情景土地利用优化与碳储量评估[J]. 环境科学, 2023, 44(8): 4655-4665. Chen N, Xin C L, Tang D B, et al. Multi-scenario land use optimization and carbon storage assessment in Northwest China[J]. Environmental Science, 2023, 44(8): 4655-4665. |
| [35] |
李晶, 陈松林, 李晨欣, 等. 基于生态网络分析的厦漳泉地区土地碳代谢[J]. 应用生态学报, 2023, 34(5): 1375-1383. Li J, Chen S L, Li C X, et al. Land carbon metabolism in Xiamen-Zhangzhou-Quanzhou region based on ecological network analysis[J]. Chinese Journal of Applied Ecology, 2023, 34(5): 1375-1383. |
| [36] |
向书江, 杨春梅, 谢雨琦, 等. 近20年重庆市主城区碳排放的时空动态演进及其重心迁移[J]. 环境科学, 2023, 44(1): 560-571. Xiang S J, Yang C M, Xie Y Q, et al. Spatiotemporal dynamic evolution and gravity center migration of carbon emissions in the main urban area of Chongqing over the past 20 years[J]. Environmental Science, 2023, 44(1): 560-571. |
| [37] |
杜怀玉, 俞金凤, 张媛, 等. 石羊河流域多情景土地利用优化及碳储量评估[J]. 环境科学, 2024, 45(7): 4164-4176. Du H Y, Yu J F, Zhang Y, et al. Land use optimization and carbon reserve assessment in the Shiyang River Basin[J]. Environmental Science, 2024, 45(7): 4164-4176. |
| [38] |
段炼, 卢明深, 蔡耀君, 等. 海上丝绸之路经济带中国沿线省市生态系统碳储量演化分析与预测[J]. 水土保持学报, 2024, 38(1): 242-254. Duan L, Lu M S, Cai Y J, et al. Analysis and prediction of ecosystem carbon storage evolution in Chinese provinces and cities along the Maritime Silk Road Economic Belt[J]. Journal of Soil and Water Conservation, 2024, 38(1): 242-254. |
| [39] |
赵方圆, 王琼芳, 赵万奎, 等. 甘肃省祁连山林区林地碳储量的分布特征和动态变化[J]. 湖北农业科学, 2023, 62(10): 58-62, 73. Zhao F Y, Wang Q F, Zhao W K, et al. Distribution characteristics and dynamic changes of forest land carbon storage in the Qilian Mountains forest area of Gansu Province[J]. Hubei Agricultural Sciences, 2023, 62(10): 58-62, 73. |
| [40] |
杨杰, 高凡, 徐海量, 等. 阿克苏河流域生态系统服务价值时空演变及其驱动因素[J]. 环境科学, 2025, 46(4): 2385-2397. Yang J, Gao F, Xu H L, et al. Spatial and temporal evolution of ecosystem service value and its driving factors in the Aksu River Basin[J]. Environmental Science, 2025, 46(4): 2385-2397. |
| [41] | Huang W, Li J X. The coupling relationship between urbanization and carbon emissions from land use in Ningxia[J]. Frontiers in Environmental Science, 2022, 10. DOI:10.3389/fenvs.2022.927798 |
| [42] |
吕文宝, 徐占军, 郭琦, 等. 黄土高原陆地生态系统碳储量的时间演进与空间分异特征[J]. 水土保持研究, 2024, 31(2): 252-263. Lü W B, Xu Z J, Guo Q, et al. Research on the temporal evolution and spatial differentiation characteristics of carbon storage in terrestrial ecosystems on the Loess Plateau[J]. Research of Soil and Water Conservation, 2024, 31(2): 252-263. |
| [43] | Lin Y M, Hu Z R, Li W H, et al. Response of ecosystem carbon storage to land use change from 1985 to 2050 in the Ningxia Section of Yellow River Basin, China[J]. Journal of Arid Land, 2024, 16(1): 110-130. DOI:10.1007/s40333-024-0052-9 |
| [44] | Wang R Y, Cai H N, Chen L K, et al. Spatiotemporal evolution and multi-scenario prediction of carbon storage in the GBA based on PLUS- InVEST models[J]. Sustainability, 2023, 15(10). DOI:10.3390/su15108421 |
| [45] |
王少剑, 黄永源. 中国城市碳排放强度的空间溢出效应及驱动因素[J]. 地理学报, 2019, 74(6): 1131-1148. Wang S J, Huang Y Y. Spatial spillover effect and driving forces of carbon emission intensity at city level in China[J]. Acta Geographica Sinica, 2019, 74(6): 1131-1148. |
| [46] |
张颖, 张子璇. 中国森林碳汇生产总值核算及分析[J]. 中国国土资源经济, 2023, 36(8): 28-34, 41. Zhang Y, Zhang Z X. Accounting and analysis of gross forest carbon sink production in China[J]. Natural Resource Economics of China, 2023, 36(8): 28-34, 41. |
| [47] |
王犇, 甄志磊, 席茹阳, 等. 不同情景下太原市土地利用及碳储量变化研究[J]. 环境科学与技术, 2023, 46(10): 219-227. Wang B, Zhen Z L, Xi R Y, et al. Land use and carbon stock changes in Taiyuan under different scenarios[J]. Environmental Science & Technology, 2023, 46(10): 219-227. |
| [48] |
于芝琳, 赵明松, 高迎凤, 等. 基于InVEST-PLUS模型的淮北市碳储量时空演变及预测[J]. 环境科学, 2024, 45(6): 3270-3283. Yu Z L, Zhao M S, Gao Y F, et al. Spatio-temporal evolution and prediction of carbon storage in Huaibei City based on InVEST-PLUS Model[J]. Environmental Science, 2024, 45(6): 3270-3283. |
| [49] |
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. |