黄河流域（河南段）碳储量时空动态预测及其作用因素分析

引用本文

石宝金, 赵义义, 吴乐英, 张红娟, 杨帆. 黄河流域（河南段）碳储量时空动态预测及其作用因素分析[J]. 环境科学, 2026, 47(4): 2520-2533.

SHI Bao-jin, ZHAO Yi-yi, WU Le-ying, ZHANG Hong-juan, YANG Fan. Spatiotemporal Dynamic Prediction of Carbon Storage in the Yellow River Basin (Henan Section) and Analysis of Its Driving Factors[J]. Environmental Science, 2026, 47(4): 2520-2533.

黄河流域（河南段）碳储量时空动态预测及其作用因素分析

石宝金^1,2, 赵义义^1,2, 吴乐英^1,2,3, 张红娟^1,2, 杨帆^1,2

1. 河南大学黄河文明与可持续发展研究中心，开封 475001;
2. 河南大学应对气候变化与碳中和实验室，郑州 450046;
3. 河南省城乡规划设计研究总院股份有限公司，郑州 450044

收稿日期: 2025-02-17; 修订日期: 2025-05-13

基金项目: 国家自然科学基金项目（41901239）；河南省自然科学基金项目（232300421100）；2024年河南省重点研发与推广专项科技攻关项目（242102321110）；2025年度河南省高校人文社会科学研究一般项目（2025-ZZJH-152）

作者简介: 石宝金（2001~），女，硕士研究生，主要研究方向为土地利用变化与区域碳储量，E-mail：jin019536@163.com

通信作者: 吴乐英, E-mail：wuleying614@126.com

摘要: 通过对土地覆盖变化引起的碳储量进行科学估算，可以显著提升陆地生态系统碳储量评估的精确度，并深化对未来陆地生态系统碳汇潜力的理解. 为研究碳储量变化的影响，以黄河流域（河南段）62个区县作为研究区域，基于PLUS模型研究1985~2020年黄河流域（河南段）土地利用动态变化趋势，利用动态碳密度，结合InVEST模型模拟1985~2020年和2035年不同情景下的碳储量的变化，运用地理探测器分析碳储量的影响因素. 结果表明：①研究区域1985~2020年期间耕地的面积比从66%下降至56%，灌木和草地等面积整体呈现出下降的趋势，建设用地面积大幅度扩张. ②1985~2020年碳储量整体呈现出先下降后上升的趋势，空间上呈现出“西南高-中东部低”的格局. ③未来模拟情景中，除耕地保护外其他情景碳储量均下降，但生态保护情景碳储量潜力高. ④碳储量的空间分布差异受到多种因素的综合影响，其中NDVI和人口密度是最为关键的影响因素. NDVI对碳储量变化的解释能力最为突出，且与其他因素的交互作用进一步增强了其解释力. 研究成果可为黄河流域资源的合理利用与生态保护提供科学依据，对于推动区域的绿色发展和可持续生态建设具有重要意义.

关键词: 土地利用/覆盖变化 PLUS-InVEST-Geodetector模型碳储量情景模拟黄河流域（河南段）

Spatiotemporal Dynamic Prediction of Carbon Storage in the Yellow River Basin (Henan Section) and Analysis of Its Driving Factors

SHI Bao-jin^1,2 , ZHAO Yi-yi^1,2 , WU Le-ying^1,2,3 , ZHANG Hong-juan^1,2 , YANG Fan^1,2

1. Key Research Institute of Yellow River Civilization and Sustainable Development, Henan University, Kaifeng 475001, China;
2. Laboratory of Climate Change Mitigation and Carbon Neutrality, Henan University, Zhengzhou 450046, China;
3. Henan Provincial Urban and Rural Planning and Design Research Institute Limited Company, Zhengzhou 450044, China

Abstract: The scientific estimation of carbon storage changes resulting from land cover alterations can substantially enhance the precision of carbon storage assessments for terrestrial ecosystems and further deepen the understanding of their future carbon sequestration potential. This study focuses on the impact of carbon storage variations by examining 62 districts within the Yellow River Basin (Henan section). Based on the PLUS model, this study examines the dynamic trends of land use change in the Yellow River Basin (Henan section) from 1985 to 2020, while dynamic carbon density, in conjunction with the InVEST model, is employed to simulate the changes in carbon storage from 1985 to 2020 and under various scenarios for 2035. The GeoDetector is applied to identify the key factors influencing carbon storage variations. The results indicate the following: ① From 1985 to 2020, the area of arable land decreased from 66% to 56%, while areas of shrubland, grassland, and other land types generally shrank. Conversely, the area of built-up land expanded significantly. ② Overall, carbon storage showed a decline followed by an increase over the period from 1985 to 2020, with a spatial distribution pattern characterized by "higher values in the southwest and lower values in the central and eastern regions." ③ In future scenario simulations, carbon storage declines under all scenarios except for the cropland protection scenario, while the ecological protection scenario exhibits a high carbon storage potential. ④ The spatial variability of carbon storage was driven by multiple factors, with NDVI and population density identified as the most influential. NDVI demonstrated the strongest explanatory power for carbon storage fluctuations, with its explanatory capacity further enhanced by interactions with other factors. These findings offer critical insights for the sustainable management and ecological protection of resources in the Yellow River Basin and hold significant implications for advancing regional green development and ecological sustainability.

Key words: land use/cover change PLUS-InVEST-Geodetector model carbon storage scenario simulations the Yellow River Basin (Henan section)

有研究指出，人类活动是导致碳储量下降的主要因素，破坏了碳循环的平衡状态^[1，2]；而通过陆地生态系统的碳固定过程，是实现CO₂浓度控制的经济与环境效益兼具的策略之一^[3]. 土地利用/覆盖变化（land use/cover change，LUCC）作为人类活动对地表生态系统作用的影响机制，也是影响陆地碳储量变化的关键因素之一^[4]. 因此，对土地利用变化引起的碳储量时空分布格局进行估算与模拟，分析碳储量变化的驱动因素，对于理解流域碳储量动态变化和推动区域可持续发展具有重要的理论与实践价值.

模拟未来碳储量的变化趋势是基于土地利用/覆盖变化的时空演变分析. 分析土地利用空间演变格局的模拟模型常见的有CA^[5]、CLUE-S^[6，7]、GeoSOS^[8]和FLUS^[9]等. CA模型计算能力强，易与GIS环境和遥感数据结合，但设置转换规则时需要先验知识，而且不能很好地考虑社会经济因素^[10]；在其基础上发展和改进的GeoSOS和FLUS等模型，可支持多情景模拟^[11]，但在空间异质性分析方面存在一定的局限性；而支持同时模拟多种土地利用变化的CLUE-S模型在对非主导地类转化上准确性较差^[10]. 以上模型在时空动态模拟任意多类土地斑块的生成和演化以及土地利用变化的内在机制方面略显不足. 结合土地扩展和多类型随机斑块生成土地利用模拟的PLUS模型（patch-generating land use simulation）^[12]可以满足以上研究需求，能够更好地表征LUCC对潜在生态系统服务的影响，并还原景观特征，已广泛应用于国家^[13]、省区^[14~16]、城市^[17，18]和区县^[19]等不同尺度、不同情景的土地利用变化模拟与预测的研究中，具有较高的模拟精度.

生态系统碳储量估算方法有样地调查^[20，21]、遥感估测^[22，23]和模型预测^[24]等. 实地调查的数据可靠且估算精度高，但研究范围小，样本有限，空间代表性不足^[25]；大尺度和全方位覆盖是遥感技术的优势，但碳储估算量存在较大的不确定性^[26]；遥感检测和模拟预测模型相互结合的方法在研究碳储量方面优势明显^[27]，其中InVEST模型（integrated valuation of ecosystem services and trade-offs，生态系统服务和权衡的综合评估模型）以土地利用变化为依据，利用较少数据量就能快速反映景观的碳功能，准确识别区域碳的源/汇^[28]，已广泛应用于不同区域尺度的碳储量动态演化和未来多情景预测分析^[29，30]. 以上区域的碳储量模拟预测研究中，均假设碳密度不变，相对忽视了碳密度随时间的变化而出现差异这一重要问题^[31]. 实际上，Yu等^[32]和Na等^[33]的研究均表明林地的碳储量会随着时间变化而存在差异. 鉴于本文时间跨度大，基于动态碳密度并结合InVEST模型对碳储量进行模拟，对于精准量化区域碳储量并解析其驱动因素至关重要.

黄河流域碳储量的现有研究多集中于全流域尺度或单一生态系统（如森林和耕地）^[34~36]，对于小流域在时空尺度上土地利用与碳储量关系的研究尚缺乏系统性地深入探讨. 黄河流域（河南段）涉及南太行山生态屏障和黄河生态廊道建设，土地利用类型多样，在研究不同土地利用类型对碳储量的影响方面具有良好的代表性^[36，37]. 此外，研究区生态环境较为脆弱，受人类活动影响明显，面临耕地减少和城镇扩张的发展冲突，是黄河流域治理的重点区域之一^[38]. 截至2018年，河南省耕地缩减了251.20 km²，其中88.14%由建设需求导致^[39]. 基于动态碳密度定量研究土地利用变化对黄河流域（河南段）碳储量的影响，对于河南省乃至整个黄河流域实现生态保护和高质量发展具有重要的现实意义.

因此，本研究以黄河流域（河南段）62个区县作为研究区域，基于PLUS模型，以5 a为一间隔，研究探讨1985~2020年研究黄河流域（河南段）土地利用的面积分布和动态变化. 利用1985~2000年、2001~2010年和2011~2020年的碳密度值，结合InVEST模型对1985~2020年的黄河流域（河南段）的碳储量进行模拟，分析研究2035年碳储量在不同情景下的变化趋势，利用地理探测器分析碳储量的驱动因素，以期为黄河流域生态改善和高质量发展提供借鉴.

1 材料与方法 1.1 研究区域概况

黄河流（河南段）地处中国第二、第三地形阶梯，涵盖山谷、低丘陵和平原地貌，位于33°~37°N和110°~116°E，处在黄河中下游地区，西起灵宝东至台前，流经郑州、开封和洛阳等11市中的62个县（图 1）. 主河道长711 km，主要支流为伊洛河和沁河，占黄河流域面积的5.1%，自三门峡至孟津区域，地势表现为典型的山谷河道特征，孟津至郑州段落则呈现山谷向宽浅河道过渡的地理特征，桃花峪至兰考段落为典型的“悬河”地貌，而兰考以东区域则展现出曲折河道的地理景观，整体地理景观多样且丰富^[38]. 2022年末总人口为6 080万人，GDP约41 244.75亿元，但其能源结构仍以煤为主，与能源相关的二氧化碳排放占全省总排放量的50%以上，可见其在减少碳排放和推动低碳发展方面责任重大. 研究黄河流域（河南段）土地利用变化对碳储量的影响，对黄河流域生态保护和高质量发展至关重要.

图 1 黄河流域（河南段）地理位置 Fig. 1 Geographical location of the Yellow River Basin (Henan section)

1.2 数据来源

所使用的数据类型、名称及其来源详见表 1. 数据预处理步骤包括：①对栅格数据执行镶嵌裁剪、投影变换以及重分类，以确保所有数据集统一采用WGS_1984_Albers投影坐标系统，并保持一致的行列号与空间精度；②为实现空间分辨率与数据处理效率之间的最优平衡，经过多次试验和计算资源的优化配置，将数据重采样至30 m×30 m.

表 1 数据信息 Table 1 Data information

1.3 研究方法 1.3.1 碳储存核算

本研究采用InVEST模型的“碳储存和封存”模块，基于土地利用数据和碳密度数据来量化不同土地利用类型的碳储存时空变化^[40]. 利用研究区域的土地利用数据和4个碳库，对不同时间段内土地利用类型碳储量进行估算分析. 碳储量计算公式：

C S = (C S_{a b o v e}^{i} + C S_{b e l o w}^{i} + C S_{s o i l}^{i} + C S_{d e a d}^{i}) \times A_{i}

(1)

式中， $C S$ 表示总碳储量， $C S_{a b o v e}^{i}$ 、 $C S_{b e l o w}^{i}$ 、 $C S_{s o i l}^{i}$ 和 $C S_{d e a d}^{i}$ 分别表示第 $i$ 类土地的地上碳库、地下碳库、土壤碳库和死亡有机碳库的碳密度， $A_{i}$ 表示第 $i$ 类土地的面积.

1.3.2 碳密度修正数据

碳密度数据受多种因素影响，包括土地利用^[41]、土壤类型^[42]、温度^[43]和降水^[43]等. 1985~2000年和2011~2020年河南省碳密度数据引自文献[31]；2001~2010年河南省土壤深度的土壤有机质密度数据来源于2010s中国陆地生态系统碳密度数据集^[44]. 最后，按照研究区域的气候条件和前人的研究方法^{[15，35，45]}进行修正，公式如下：

C_{S P} = 3.396 8 \times P + 3 996.1 (R^{2} = 0.11)

(2)

C_{B P} = 6.798 1 \times e^{0.005 14 P} (R^{2} = 0.70)

(3)

C_{B T} = 28 \times T + 398 (R^{2} = 0.477, P < 0.01)

(4)

式中， $C_{S P}$ 表示基于年均降水量估算的土壤碳密度， $C_{B P} 和 C_{B T}$ 分别表示基于年均降水量和年均温估算的生物量碳密度， $P$ 和 $T$ 分别表示年均降水量和年均温度.

K_{B P} = \frac{C_{B P}^{'}}{C_{B P}^{″}}

(5)

K_{B T} = \frac{C_{B T}^{'}}{C_{B T}^{″}}

(6)

K_{B} = K_{B P} \times K_{B T}

(7)

K_{S} = \frac{C_{S P}^{'}}{C_{S P}^{″}}

(8)

式中， $K_{B P}$ 和 $K_{B T}$ 分别表示生物量碳密度的降水和大气温度修正系数； $K_{B}$ 和 $K_{S}$ 分别表示生物量碳密度和土壤碳密度修正系数； $C'$ 和 $C ″$ 分别表示黄河流域（河南段）和河南省碳密度数据. 表 2列出了黄河流域（河南段）在3个时间阶段（1985~2000年、2001~2010年和2011~2020年）根据年均降水量和气温调整后的各地类的碳密度值.

表 2 不同时间段的碳密度值/t·hm^-2 Table 2 Carbon density values at different time periods/t·hm^-2

在3个研究阶段中，Yang等^[31]和徐丽等^[44]的碳密度计算方法是一致的，主要区别在于土壤样品的选取. Yang等^[31]选取的是河南省的样品，而徐丽等^[44]则在全国范围内采样. 尽管采样点存在差异，但方法的一致性保证了数据的延续性. 此外，已有研究表明，利用不同学者的不同时期碳密度数据进行比较分析是可行的^[48]，因此，本文所使用的河南省碳密度数据是可靠的.

碳密度值在时间上呈现先降后升的趋势，本文认为原因如下：1985~2000年间，相对较低的温度（14.65℃）和降水（751.3 mm）限制了植被生产力，并抑制了有机质分解，有利于碳积累，导致碳密度值偏高. 2001~2010年间，城市化和农业集约化导致建设用地扩张，加上较高的温度和湿度（平均温度为15.29℃，平均降水量为801.92 mm），加剧了碳流失，导致碳密度值相对降低. 2011~2020年间，温度（15.23℃）的降低和降水（765.9 mm）的减少，以及生态保护政策的实施，改善了碳储存条件，导致碳密度又出现上升.

1.3.3 PLUS模型

PLUS模型用于土地覆盖变化模拟，结合了规则挖掘技术和随机种子机制，旨在预测土地利用景观的斑块级演化^[12]. LEAS模块利用随机森林算法分析土地利用变化，识别关键驱动因素及贡献度；CARS模块模拟土地利用斑块演变，构建演变模型.

参考前人研究经验^[15，46]，根据研究区土地利用变化情况，设定以下4种情景模拟2035年的土地利用情况：①自然发展情景（Q1），结合河南省四水同治规划^[49]，以水域作为限制区域，土地使用类型的转换率自过去保持不变；②生态保护情景（Q2），依据河南省“十四五”生态环境保护和生态经济发展规划，以水域作为限制区域，林地、灌木和水域转化为建设用地的概率降低30%，草地和耕地转化为建设用地的概率降低20%，建设用地转化为耕地和草地比率提高10%；③耕地保护情景（Q3），根据河南省国土空间规划^[47，50]，以连片耕地和水域作为限制区域，耕地向建设用地转化的概率降低30%；④城市发展情景（Q4），随着河南省新型城镇化规划的实施^[51]，地表植被转为建设用地可能性增20%，建设用地转为其他地类的比率降30%，转为耕地概率降10%. 不同情景土地利用转移矩阵见表 3.

表 3 未来情景下的转移矩阵设定^1） Table 3 Transfer matrix setting under future scenarios

领域权重反映土地利用扩展程度及空间驱动因素下的扩展能力差异^[15]，计算公式：

X_{i} = \frac{Δ T A_{i} - Δ T A_{m i n}}{Δ T A_{m a x} - Δ T A_{m i n}}

(9)

式中， $X_{i}$ 为地类 $i$ 的权重， $∆ T A_{i}$ 为地类 $T A$ 的变化量， $Δ T A_{m a x}$ 和 $Δ T A_{m i n}$ 分别为研究时段内变化量的极值.

1.3.4 模型精度验证

基于1985年和2000年土地利用现状，模拟2020年的LUCC，研究结果与实际土地利用数据对比，模型精度通过总体精度、Kappa系数和FOM系数评估. 结果显示，PLUS模型的总体精度达到0.83，Kappa系数为0.70，FOM值为0.22，表明该模型的模拟结果具有较高的可靠性. 在此基础上，以2020年为初始年份，进一步预测了4种2035年土地利用的空间分布，以探讨黄河流域（河南段）未来土地利用的可能变化趋势.

1.3.5 地理探测器

地理探测器对样本量要求较低，并在处理类别变量方面具有显著优势，因此在自然科学、社会科学及环境科学等多个领域得到广泛应用^[52]. 在综合考虑各类影响因素的基础上，选取了16个自然环境和社会经济因子^{[15，35，36]}，分别是GDP（X₁）、人口密度（X₂）、距区县距离（X₃）、NDVI（X₄）、坡向（X₅）、高程（X₆）、坡度（X₇）、年降雨量（X₈）、距铁路距离（X₉）、距二级道路距离（X₁₀）、土壤类型（X₁₁）、距铁路车站距离（X₁₂）、年平均气温（X₁₃）、距三级道路距离（X₁₄）、距主干道距离（X₁₅）和距水域距离（X₁₆）. 探测器计算公式为：

q = 1 - \frac{\sum_{h = 1}^{L} N_{h} σ_{h}^{2}}{N σ^{2}}

(10)

式中， $L$ 表示变量的分层； $N$ 和 $N_{h}$ 分别表示全区域与特定层h内的单元数； $σ^{2}$ 和 $σ_{h}^{2}$ 分别表示全区与层 $h$ 的方差；利用 $q$ 值评估探测因子对碳储量的解释能力，取值范围[0, 1]， $q$ 值越大，说明该因子对碳储量的影响越显著，反之则影响较弱.

2 结果与分析 2.1 1985~2035年土地利用变化 2.1.1 历史时期土地利用时空变化特征

河南段的LUCC包括耕地、林地、灌木、草地、水域、建设用地和未利用土地（图 2）. 在空间上，耕地主要分布在中东部平原地区；林地、灌木和草地等生态保护用地分布在研究区域中游部分，在西南部的西峡县和栾川县等地，济源市、沁阳市等地有少量分布；建设用地呈点状镶嵌于耕地和林地之间；水域主要是黄河及其支流，呈东西流向；未利用地面积较小. 在数量变化层面，土地利用面积在1985~2020年间发生显著变化（图 3）：耕地面积占比最大，但总体呈下降趋势，从66.03%下降到56.99%，减少约3 531.88 km²，主要转为林地和建设用地；建设用地面积持续增加，特别是中部和东部地区，1985~2020年增长3 282.97 km²；林地面积有所增加，草地面积减少，水域面积增长85.22 km²，1985~2000年下降，2005年后增加166.57 km²，主要在小浪底水库和洛河等区域.

图 2 1985~2020年黄河流域（河南段）土地利用 Fig. 2 Land use of the Yellow River Basin (Henan Section) from 1985 to 2020

数值表示土地转移面积，单位：km² 图 3 1985~2020年黄河流域（河南段）土地利用变化量 Fig. 3 Land use change dynamics in the Yellow River Basin (Henan Section) from 1985 to 2020

2.1.2 未来土地利用时空变化特征

黄河流域（河南段）4种情景土地利用模拟显示（图 4）：Q1情景，建设用地增1 298.14 km²，林地增701.13 km²，耕地减1 564.63 km²，水域微增，灌木、草地和未利用地减少，耕地流失严重，城市扩张，生态因治理得到保护. Q2情景，耕地减1 277.51 km²，建设用地增加1 058.72 km²，林地扩大了716.49 km²，水域微增2.19 km²，其他减少，林地增多，建设用地增速放缓，生态用地得到保护，城镇扩张抑制. Q3情景，耕地增192.56 km²，林地增长最少为123.43 km²，建设用地扩张了81.28 km²，水域增9.22 km²，其他地类均下降. 耕田保护政策得到保障，遏制建设用地扩张. Q4情景，建设用地增1 558.82 km²，耕地减少最多为1 849.83 km²，林地增687.10 km²，水域扩大了3.02 km²，灌木、草地和未利用地明显下降，城市化加速对耕地和林地负面影响大.

图 4 2035年不同情境下黄河流域（河南段）土地利用空间分布 Fig. 4 Spatial distribution of land use in the Yellow River Basin (Henan section) for various scenarios in 2035

2.1.3 土地利用转移变化量

在2035年不同情景下（图 5），耕地向建设用地的转变成为土地利用变化的主要趋势，Q1情景中耕地转出1 297.19 km²，草地转为林地401.13 km²，从耕地和草地流入到林地666.21 km². Q2情景中耕地转出减少至1 058.91 km²，主要流向建设用地，林地增加716.50 km²，主要由草地和耕地转化. Q3情景耕地保护最好，面积最大，建设用地扩张最少，耕地增长192.56 km²，92.36%来自林地. Q4情景建设用地扩张最剧烈为1 558.83 km²，主要来自耕地，林地增加691.04 km²，主要由草地和耕地转化. Q2情景土地利用变化多样性更丰富，土地类型转变更均匀. 各情景下土地利用转移量显示建设用地和林地的扩张趋势，以及耕地和草地的转出特征.

a1、b1、c1和d1：22 285.28 km²（2020年-耕地），a2、b2、c2和d2：9 658.74 km²（2020年-林地）、a3、b3、c3和d3：32.87 km²（2020年-灌木），a4、b4、c4和d4：800.13 km²（2020年-草地），a5、b5、c5和d5：562.42 km²（2020年-水域），a6、b6、c6和d6：0.46 km²（2020年-未利用土地），a7、b7、c7和d7：5 766.98 km²（2020年-建设用地）；a8：20 720.65 km²（Q1-耕地）、a9：10 359.87 km²（Q1-林地）、a10：9.23 km²（Q1-灌木）、a11：382.97 km²（Q1-草地）、a12：568.74 km²（Q1-水域）、a13：0.29 km²（Q1-未利用土地）、a14：7 065.12 km²（Q1-建设用地）；b8：21 007.77 km²（Q2-耕地）、b9：10 375.23 km²（Q2-林地）、b10：7.74 km²（Q2-灌木）、b11：325.53 km²（Q2-草地）、b12：564.61 km²（Q2-水域）、b13：0.31 km²（Q2-未利用土地）、b14：6 825.70 km²（Q2-建设用地）；c8：22 477.86 km²（Q3-耕地）、c9：9 782.17 km²（Q3-林地）、c10：7.14 km²（Q3-灌木）、c11：419.55 km²（Q3-草地）、c12：571.64 km²（Q3-水域）、c13：0.25 km²（Q3-未利用土地）、c14：5 848.26 km²（Q3-建设用地）；d8：20 435.45 km²（Q4-耕地）、d9：10 345.84 km²（Q4-林地）、d10：11.02 km²（Q4-灌木）、d11：423.03 km²（Q4-草地）、d12：562.44 km²（Q4-水域）、d13：0.29 km²（Q4-未利用土地）、d14：7 325.80 km²（Q4-建设用地）图 5 2035年不同情景下黄河流域（河南段）土地利用数量变化轨迹 Fig. 5 Trajectory of land use quantity change in the Yellow River Basin (Henan section) under different scenarios in 2035

2.2 1985~2035年土地利用变化对碳储量的影响 2.2.1 历史时期碳储量对土地利用变化的响应

黄河流域（河南段）1985~2020年间的碳储量变化趋势见图 6和表 4. 总碳储量从1985年的249.01×10⁶ t上升到2020年的299.01×10⁶ t，35 a间增长20.08%，整体呈现出波动上升趋势，其中1985~2000年碳储量持续下降，2000~2020年呈现出不断上升的趋势. 1985~2000年的耕地持续下降6.27×10⁶ t，林地整体呈现上升趋势，碳储量增加0.17×10⁶ t；2000年以来耕地和林地大幅度增长，分别是31.64×10⁶ t和26.03×10⁶ t. 在空间分布上碳储量呈现“西南高，东北低”分布，高值区主要集中在西部山区，低值区则在郑州大都市圈等城镇扩张显著的中东部地区. 图 7展示了1985~2020年黄河流域（河南段）碳储量分阶段空间变化，碳储量增加区域主要集中在中西部，下降区域则位于中东部. 1985~2020年，碳储量减少区域主要分布在郑州、洛阳周边县区；2000年后，随着退耕还林政策的实施和低碳经济的提出，碳储量表现出上升趋势，特别是在洛宁县、卢氏县和灵宝市等地，但二七区、新乡县和温县等地受城市化影响，碳储量下降区域明显扩大.

图 6 1985~2020年黄河流域（河南段）碳储量空间分布特征 Fig. 6 Spatial distribution characteristics of carbon storage in the Yellow River Basin (southern section) from 1985 to 2020

表 4 1985~2020年黄河流域（河南段）的碳储量×10⁶/t Table 4 Carbon storage in the Yellow River Basin (Henan section) from 1985 to 2020 ×10⁶/t

图 7 1985~2020年黄河流域（河南段）碳储量时空变化 Fig. 7 Spatiotemporal variation of carbon storage in the Yellow River Basin (Henan section) from 1985 to 2020

2.2.2 未来多情景模拟土地利用下碳储量时空变化

基于2035年4种情景（Q1~Q4）模拟了黄河流域（河南段）各土地类型的碳储量变化（图 8、表 5和图 9）. 4种情景碳储量，除Q3外均呈现下降趋势，高值区主要在西部山区；中东部因城市扩张显著，碳储量显著减少. 在Q1情景下：2035年碳储量降至292.99×10⁶ t，减少6.02×10⁶ t. 林地、建设用地和水域的碳储量增加，而耕地、灌木和草地的碳储量则显著减少，表明在自然发展背景下，碳储量受损较为明显. 情景Q2：碳储量为295.97×10⁶ t，减少3.04×10⁶ t，与Q1相比减缓了下降速度. 林地碳储量较Q1增长了1.89×10⁶ t，建设用地的碳储量有所增加，表明生态维护行动在减缓碳储量下降方面发挥着积极的作用. Q3情景中：碳储量轻微上涨，增加0.60 ×10⁶ t，与2020年接近. 在该情景下，政策会更加侧重于保障耕地面积的稳定，相较于林地，耕地单位面积碳储量相对较低，但由于其面积较大，总碳储量仍然显著. 在Q4情景：碳储量下降最为显著，减少8.08×10⁶ t. 大量耕地转化为建设用地，表明缺乏保护措施的情景下，城市扩张对碳储量负面影响最大.

图 8 2035年不同情景下黄河流域（河南段）碳储量空间分布 Fig. 8 Spatial distribution of carbon storage in the Yellow River Basin (Henan section) under different scenarios in 2035

表 5 2035年不同情景下黄河流域（河南段）的碳储量×10⁶/t Table 5 Carbon storage in the Yellow River Basin (Henan section) under different scenarios in 2035 ×10⁶/t

图 9 2035年不同情景下黄河流域（河南段）碳储量空间变化 Fig. 9 Spatial variation of carbon storage in the Yellow River Basin (Henan section) under different scenarios in 2035

2.3 碳储量空间分异作用因素分析

在黄河流域（河南段）碳储量研究中，16个驱动因子的解释力差异显著（图 10）. 1985年，高程、距二级道路距离和年均气温是主要驱动因素，而土壤类型和GDP影响较小. 2000年，人口密度和距二级道路距离成为主要因素，显示社会经济发展影响增强. 2010年和2020年，NDVI、人口密度和GDP成为主导因素，表明植被覆盖和人类活动对碳储量的影响日益重要，这与Wang等^[53]和Li等^[54]的研究结论较为一致. 综上说明，碳储量驱动因素已从自然环境和交通可达性模式转变为生态-经济复合驱动模式. 交互因子探测结果表明，因子间的相互作用对碳储量的影响强于单个因子，探测结果基本上是双因子增强和非线性增强（图 11）. 例如，2020年X₃因子单独解释力较低（0.26），但与其他因子交互作用后解释力显著提高（平均解释强度为0.75）. 这强调了在研究碳储量变化时考虑多因素相互作用的重要性，与先前研究较为一致^[52，55]. 在县域尺度上运用地理探测器技术，对流域碳储量的空间变异及其驱动因素进行定量探讨，这一方法可能为后续研究提供了新的分析框架和思考方向.

图 10 1985~2020年单因子探测结果 Fig. 10 Single factor detection results from 1985 to 2020

图 11 1985~2020年交互探测结果 Fig. 11 Interactive detection results from 1985 to 2020

3 讨论 3.1 土地利用与碳储量的关系

本研究使用的碳密度数据修正方法，被众多学者应用在安徽省^[28]、黄河流域^[36]、河南省^[45~47]和伊洛河流域^[56]等地区，相较于直接采用邻近区域的碳密度数据进行区域碳储量的推算，经过二次校正的碳密度估算方法更能精确反映研究区域的碳密度的实际情况.

黄河流域（河南段）历史时期碳储量呈现先下降后上升的趋势，主要受到土地利用类型变化和碳密度变动的共同影响. 在碳储量下降阶段，农业开发、城市扩张和基础设施建设导致林地、草地等高碳储量土地减少，而耕地和建设用地扩张使整体碳储量下降. 同时，土地利用强度加大导致土壤碳流失和碳密度下降. 随后，随着退耕还林、退牧还草等生态政策的实施，森林和草地面积恢复，植被覆盖度提升，碳密度增加，使得碳储量逐步回升. 在未来4种情景中，Q3与其他情景相比，在耕地保护措施的实施下，区域碳储量是逐渐回升的，这一结论与贾纪昂等^[15]和Fan等^[46]的结论较为一致. 此外，黄河流域（河南段）碳储量的分析表明，其空间分布特征与相应的土地利用类型相匹配，这与段绪萌等^[35]和Xu等^[36]研究成果相符. 因此，在历史发展背景下，保护耕地、林地、灌木和草地等生态系统，约束城镇用地的扩张已成为促进未来碳储量回升的关键举措. 这些土地类型不仅是碳汇的重要来源，还在生态平衡的维持以及气候变化的应对过程中起着至关重要的作用.

3.2 碳储量空间差异的作用因素分析

本研究表明，1985~2020年期间，研究区域碳储量的空间分布差异主要受二级道路距离和NDVI的驱动，同时人口密度、GDP及年平均气温等因素亦在不同程度上影响碳储量的空间分布. 整体而言，交通便利和经济发展水平较高的区域固碳能力相对较低，这表明人类活动对碳储量产生了显著影响，这与Chang等^[2]和王怡冰等^[57]的研究结论一致，即区域碳储量受人类活动的深刻影响，相比之下，植被和气候等自然环境因素对碳储量空间分布的影响相对次要. 在水热条件优越和植被生长旺盛的区域，碳储量通常较高，这一结果与Chang等^[2]基于簿记模型和3-PGS模型对碳收支影响因素的研究相吻合. 交互作用最强的驱动因素分别是人口密度与土壤类型、二级道路距离与土壤类型、人口密度与坡向以及NDVI与坡向. 1985~2000年，碳储量主要受自然因素与人类活动相互作用的影响. 然而，到2010年，社会经济因素与生态系统的耦合效应增强，表明土地利用变化已成为碳储量变化的重要驱动因素，尤其是城镇扩张对碳储量的影响日益显著. 至2020年，在生态保护政策的推动下，自然因素对碳储量的贡献有所提升，植被恢复成为影响碳储量的重要因素. 这表明城镇化、土地利用方式变化及生态恢复等因素与碳储量之间的耦合关系进一步加深，该结论与Chen等^[58]和边蕊等^[59]对碳储量驱动因素的研究结果相一致.

3.3 不确定性分析

碳储量的空间分异在一定程度上反映了土地利用和碳储量变化受自然与社会经济因素综合作用的影响. 然而，在模拟预测未来土地利用格局时，仅选取了16个驱动要素，这可能在一定程度上降低了预测的精度. 因此，未来的研究中，探讨如何基于实际情况合理选取驱动因子和限制要素至关重要，以提升模型的预测能力. 此外，本文参考前人的研究对碳密度数据进行了修正，但估算结果仍存在较多不确定性. 鉴于本研究的预测时间跨度延伸至2035年，理论上应采用该年份对应的碳密度数据，以确保碳储量计算的准确性. 然而，由于目前尚无未来年份的碳密度数据可供参考，因此，在未来的研究中亟需引入更多的实地测量数据进行验证，以减少不确定性并进一步提升预测的可靠性.

4 结论

（1）黄河流域（河南段）1985~2020年耕地面积减少，建设用地增加，耕地向建设用地转化为主. 2035年耕地保护情景下耕地面积增加最多，对建设用地限制最强.

（2）1985~2020年黄河流域（河南段）碳储量增长50.00×10⁶ t，波动上升. 2000年前耕地转建设用地导致碳储量减少，2000年后退耕还林和城市绿化使碳储量增长. 耕地是主要碳库，中西部碳储量高，低值区在人类活动和河流附近.

（3）2035年不同情景下的碳储量空间分布与2020年相似. 在自然发展、生态保护、耕地保护和城市发展4种情景下，对应的碳储量为292.99×10⁶、295.97×10⁶、299.61×10⁶、290.93×10⁶ t. 除耕地保护外其他情景碳储量均下降，但生态保护情景符合低碳和生态保护政策，具有高碳储量潜力和生态效益. 综上，确保耕地保护红线，优化土地利用，推动生态修复，可有效增强区域碳汇能力.

（4）碳储量变化受多种驱动因子影响，NDVI是关键因素，其次是人口密度与GDP. 交互作用分析显示，植被、气候、道路与人口密度等因子交互效应显著，制定增汇政策需考虑多方面因素.

参考文献

[1]	Li Y H, Jiang H Z, Zhang B, et al. Comparative evaluation of multi-scale spatiotemporal variability and drivers of carbon storage: an empirical study from 369 cities, China[J]. Ecological Indicators, 2023, 154. DOI:10.1016/j.ecolind.2023.110568
[2]	Chang X Q, Xing Y Q, Wang J Q, et al. Effects of land use and cover change (LUCC) on terrestrial carbon stocks in China between 2000 and 2018[J]. Resources, Conservation and Recycling, 2022, 182. DOI:10.1016/j.resconrec.2022.106333
[3]	胡佶熹, 勒先文, 徐勇. 基于FLUS模型多情景土地利用变化对陆地生态系统碳储量影响——以江西萍乡为例[J]. 水土保持研究, 2024, 31(2): 299-309. Hu J X, Le X W, Xu Y. Estimating terrestrial eco-system carbon stock changes caused by multi-scenarios land-use changes based on the FLUS model——a case study of Pingxiang, Jiangxi[J]. Research of Soil and Water Conservation, 2024, 31(2): 299-309.
[4]	张新荣, 刘林萍, 方石, 等. 土地利用、覆被变化(LUCC)与环境变化关系研究进展[J]. 生态环境学报, 2014, 23(12): 2013-2021. Zhang X R, Liu L P, Fang S, et al. Research advances on the relationship between land use/cover change and environmental change[J]. Ecology and Environmental Sciences, 2014, 23(12): 2013-2021.
[5]	Yi Y, Zhang C, Zhu J Q, et al. Spatio-temporal evolution, prediction and optimization of LUCC based on CA-Markov and InVEST models: a case study of Mentougou District, Beijing[J]. International Journal of Environmental Research and Public Health, 2022, 19(4). DOI:10.3390/ijerph19042432
[6]	王端睿, 毛德华, 王宗明, 等. 东北地区土地覆被格局变化模拟: 基于CLUE-S和Markov-CA模型的对比分析[J]. 地理科学, 2024, 44(2): 329-339. Wang D R, Mao D H, Wang Z M, et al. Simulation of land cover pattern change in northeast China: a comparative analysis based on CLUE-S and Markov-CA models[J]. Scientia Geographica Sinica, 2024, 44(2): 329-339.
[7]	Mei Z X, Wu H, Li S Y. Simulating land-use changes by incorporating spatial autocorrelation and self-organization in CLUE-S modeling: a case study in Zengcheng District, Guangzhou, China[J]. Frontiers of Earth Science, 2018, 12(2): 299-310. DOI:10.1007/s11707-017-0639-y
[8]	Zhou Z H, Chen Y M, Wang Z S, et al. Integrating cellular automata with long short-term memory neural network to simulate urban expansion using time-series data[J]. International Journal of Applied Earth Observation and Geoinformation, 2024, 127. DOI:10.1016/J.JAG.2024.103676
[9]	Liu X Y, Wei M, Li Z G, et al. Multi-scenario simulation of urban growth boundaries with an ESP-FLUS model: a case study of the min delta region, China[J]. Ecological Indicators, 2022, 135. DOI:10.1016/j.ecolind.2022.108538
[10]	乔治, 蒋玉颖, 贺曈, 等. 土地利用变化模拟研究进展[J]. 生态学报, 2022, 42(13): 5165-5176. Qiao Z, Jiang Y Y, He T, et al. Land use change simulation: progress, challenges, and prospects[J]. Acta Ecologica Sinica, 2022, 42(13): 5165-5176.
[11]	Selmy S A H, Kucher D E, Mozgeris G, et al. Detecting, analyzing, and predicting land use/land cover (LULC) changes in arid regions using Landsat images, CA-Markov hybrid model, and GIS techniques[J]. Remote Sensing, 2023, 15(23). DOI:10.3390/rs15235522
[12]	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
[13]	Feng Y J, Chen S R, Tong X H, et al. Modeling changes in China's 2000-2030 carbon stock caused by land use change[J]. Journal of Cleaner Production, 2020, 252. DOI:10.1016/j.jclepro.2019.119659
[14]	Tian L, Tao Y, Fu W X, et al. Dynamic simulation of land use/cover change and assessment of forest ecosystem carbon storage under climate change scenarios in Guangdong province, China[J]. Remote Sensing, 2022, 14(10). DOI:10.3390/rs14102330
[15]	贾纪昂, 郭伟玲, 徐刘洋, 等. 耦合PLUS-InVEST-GeoDetector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-GeoDetector model[J]. Environmental Science, 2025, 46(3): 1703-1715.
[16]	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.
[17]	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.
[18]	王子昊, 王冰, 张宇飞, 等. 基于PLUS-InVEST模型的呼和浩特市多情景土地利用变化动态模拟及碳储量评估[J]. 农业资源与环境学报, 2024, 41(2): 292-304. Wang Z H, Wang B, Zhang Y F, et al. Dynamic simulation of multi-scenario land use change and carbon storage assessment in Hohhot City based on PLUS-InVEST model[J]. Journal of Agricultural Resources and Environment, 2024, 41(2): 292-304.
[19]	邓文萍, 朱文博, 张哲, 等. 河南省县域土地利用碳收支时空格局与碳补偿分区[J]. 环境科学, 2025, 46(3): 1517-1534. Deng W P, Zhu W B, Zhang Z, et al. Spatio-temporal variation of landuse carbon budget and carbon compensation zoning at county level in Henan Province[J]. Environmental Science, 2025, 46(3): 1517-1534.
[20]	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
[21]	高林, 樊骥善, 汤明华. RTK在全国林草生态综合监测森林样地调查中的应用[J]. 林业调查规划, 2024, 49(4): 141-146. Gao L, Fan J S, Tang M H. Application of RTK in national forest and grass ecological comprehensive monitoring forest sample survey[J]. Forest Inventory and Planning, 2024, 49(4): 141-146.
[22]	刘书锦, 荆俊平, 居力军, 等. 典型滨海湿地碳汇能力及其调查监测方法的研究进展[J]. 海洋湖沼通报(中英文), 2024, 46(5): 176-183. Liu S J, Jing J P, Ju L J, et al. Researching progresses on carbon sequestration capacity of typical coastal wetlands and its investigation and monitoring methods[J]. Transactions of Oceanology and Limnology, 2024, 46(5): 176-183.
[23]	Chirici G, Chiesi M, Fibbi L, et al. High spatial resolution modelling of net forest carbon fluxes based on ground and remote sensing data[J]. Agricultural and Forest Meteorology, 2022, 316. DOI:10.1016/j.agrformet.2022.108866
[24]	Liang Y J, Hashimoto S, Liu L J. Integrated assessment of land-use/land-cover dynamics on carbon storage services in the Loess Plateau of China from 1995 to 2050[J]. Ecological Indicators, 2021, 120. DOI:10.1016/j.ecolind.2020.106939
[25]	Thammanu S, Marod D, Han H, et al. The influence of environmental factors on species composition and distribution in a community forest in northern Thailand[J]. Journal of Forestry Research, 2021, 32(2): 649-662. DOI:10.1007/s11676-020-01239-y
[26]	卫格冉, 李明泽, 全迎, 等. 基于地理加权随机森林的黑龙江省森林碳储量遥感估测[J]. 中南林业科技大学学报, 2024, 44(7): 64-76. Wei G R, Li M Z, Quan Y, et al. Geographically weighted random forest approach to predict forest carbon storage by remote sensing in Heilongjiang[J]. Journal of Central South University of Forestry & Technology, 2024, 44(7): 64-76.
[27]	刘良云, 宋博文. 陆地生态系统固碳速率立体监测方法: 进展与挑战[J]. 大气科学学报, 2022, 45(3): 321-331. Liu L Y, Song B W. Calculating the carbon sequestration rate of terrestrial ecosystems: methods, progress and challenges[J]. Transactions of Atmospheric Sciences, 2022, 45(3): 321-331.
[28]	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.
[29]	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
[30]	邵壮, 陈然, 赵晶, 等. 基于FLUS与InVEST模型的北京市生态系统碳储量时空演变与预测[J]. 生态学报, 2022, 42(23): 9456-9469. Shao Z, Chen R, Zhao J, et al. Spatio-temporal evolution and prediction of carbon storage in Beijing′s ecosystem based on FLUS and InVEST models[J]. Acta Ecologica Sinica, 2022, 42(23): 9456-9469.
[31]	Yang F, Li S C, Gao Y, et al. Inconsistent carbon budget estimation using dynamic/static carbon density under land use and land cover change: a case study in Henan Province, China[J]. Land, 2022, 11(12). DOI:10.3390/land11122232
[32]	Yu Z, Zhao H R, Liu S R, et al. Mapping forest type and age in China's plantations[J]. Science of the Total Environment, 2020, 744. DOI:10.1016/j.scitotenv.2020.140790
[33]	Na M, Sun X Y, Zhang Y D, et al. Higher stand densities can promote soil carbon storage after conversion of temperate mixed natural forests to larch plantations[J]. European Journal of Forest Research, 2021, 140(2): 373-386. DOI:10.1007/s10342-020-01346-9
[34]	秦艳培, 徐少君, 田耀武. 黄河流域河南段植被和土壤及其碳密度空间分异研究[J]. 生态环境学报, 2022, 31(9): 1745-1753. Qin Y P, Xu S J, Tian Y W. The spatial differentiation of vegetation and soil carbon density in Henan section of the Yellow River Basin[J]. Ecology and Environmental Sciences, 2022, 31(9): 1745-1753.
[35]	段绪萌, 韩美, 孔祥伦, 等. 退耕还林(草)工程前后黄河流域生态系统碳储量时空演变与模拟预测[J]. 环境科学, 2024, 45(10): 5943-5956. Duan X M, Han M, Kong X L, et al. Spatiotemporal evolution and simulation prediction of ecosystem carbon storage in the Yellow River Basin before and after the grain for green project[J]. Environmental Science, 2024, 45(10): 5943-5956.
[36]	Xu C L, Zhang Q B, Yu Q, et al. Effects of land use/cover change on carbon storage between 2000 and 2040 in the Yellow River Basin, China[J]. Ecological Indicators, 2023, 151. DOI:10.1016/j.ecolind.2023.110345
[37]	刘娇妹, 王刚, 付晓娣, 等. 黄河流域河南段生态保护和高质量发展评价研究[J]. 人民黄河, 2023, 45(7): 7-13. Liu J M, Wang G, Fu X D, et al. Evaluation of ecological protection and high-quality development level in Henan section of the Yellow River Basin[J]. Yellow River, 2023, 45(7): 7-13.
[38]	Niu H P, Liu M M, Xiao D Y, et al. Spatio-temporal characteristics of trade-offs and synergies in ecosystem services at watershed and landscape scales: a case analysis of the Yellow River Basin (Henan section)[J]. International Journal of Environmental Research and Public Health, 2022, 19(23). DOI:10.3390/ijerph192315772
[39]	李中伟, 刘卫国, 张艳琳. 坚持底线思维守护中原粮仓——聚焦河南省耕地保护与利用[N]. 中国自然资源报, 2020-06-19(03).
[40]	Kafy A A, Saha M, Fattah M A, et al. Integrating forest cover change and carbon storage dynamics: leveraging Google Earth Engine and InVEST model to inform conservation in hilly regions[J]. Ecological Indicators, 2023, 152. DOI:10.1016/j.ecolind.2023.110374
[41]	郭晓敏, 揣小伟, 张梅, 等. 扬子江城市群土地利用时空变化及其对陆地生态系统碳储量的影响[J]. 长江流域资源与环境, 2019, 28(2): 269-280. Guo X M, Chuai X W, Zhang M, et al. Spatio-temporal analysis of land-use change and the impact on terrestrial ecosystems carbon storage in Yangtze River City Group[J]. Resources and Environment in the Yangtze Basin, 2019, 28(2): 269-280.
[42]	Fu Q, Xu L L, Zheng H Y, et al. Spatiotemporal dynamics of carbon storage in response to urbanization: a case study in the Su-Xi-Chang region, China[J]. Processes, 2019, 7(11). DOI:10.3390/pr7110836
[43]	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
[44]	徐丽, 何念鹏, 于贵瑞. 2010s中国陆地生态系统碳密度数据集[J]. 中国科学数据(中英文网络版), 2019, 4(1): 90-96. Xu L, He N P, Yu G R. A dataset of carbon density in Chinese terrestrial ecosystems (2010s)[J]. China Scientific Data (Bilingual Online Edition), 2019, 4(1): 90-96.
[45]	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.
[46]	Fan L Y, Cai T Y, Wen Q, et al. Scenario simulation of land use change and carbon storage response in Henan Province, China: 1990-2050[J]. Ecological Indicators, 2023, 154. DOI:10.1016/j.ecolind.2023.110660
[47]	曹振江, 张亚丽. 基于InVEST-PLUS模型的河南省土地利用和碳储量时空演变[J]. 环境科学, 2025, 46(11): 7043-7057. Cao Z J, Zhang Y L. Spatiotemporal evolution of land use and carbon storage in Henan Province based on InVEST-PLUS model[J]. Environmental Science, 2025, 46(11): 7043-7057.
[48]	Xu L, Yu G R, He N P. Increased soil organic carbon storage in Chinese terrestrial ecosystems from the 1980s to the 2010s[J]. Journal of Geographical Sciences, 2019, 29(1): 49-66. DOI:10.1007/s11442-019-1583-4
[49]	佚名. 河南省四水同治规划(2021—2035年)[J]. 给水排水, 2022, 48(2): 50.
[50]	国务院关于《河南省国土空间规划(2021—2035年)》的批复[J]. 中华人民共和国国务院公报, 2024, (8): 7-8.
[51]	明鸣. 河南省实施以人为核心的新型城镇化战略研究[J]. 新型城镇化, 2024(9): 50-53.
[52]	杜海波, 魏伟, 张学渊, 等. 黄河流域能源消费碳排放时空格局演变及影响因素——基于DMSP/OLS与NPP/VIIRS夜间灯光数据[J]. 地理研究, 2021, 40(7): 2051-2065. Du H B, Wei W, Zhang X Y, et al. Spatio-temporal evolution and influencing factors of energy-related carbon emissions in the Yellow River Basin: based on the DMSP/OLS and NPP/VIIRS nighttime light data[J]. Geographical Research, 2021, 40(7): 2051-2065.
[53]	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
[54]	Li Y R, Zhang X C, Cao Z, et al. Towards the progress of ecological restoration and economic development in China's Loess Plateau and strategy for more sustainable development[J]. Science of the Total Environment, 2021, 756. DOI:10.1016/j.scitotenv.2020.143676
[55]	Duan Q W, Tan M H. Using a geographical detector to identify the key factors that influence urban forest spatial differences within China[J]. Urban Forestry & Urban Greening, 2020, 49. DOI:10.1016/j.ufug.2020.126623
[56]	Li L, Ji G X, Li Q S, et al. Spatiotemporal evolution and prediction of ecosystem carbon storage in the Yiluo River basin based on the PLUS-InVEST model[J]. Forests, 2023, 14(12). DOI:10.3390/f14122442
[57]	王怡冰, 李成亮, 张鹏, 等. 济南南部山区土地利用/覆被变化对碳储量的影响研究[J]. 中国环境科学, 2024, 44(7): 3986-3998. Wang Y B, Li C L, Zhang P, et al. Research on the impact of land use/cover change on carbon storage in the southern mountain area of Jinan[J]. China Environmental Science, 2024, 44(7): 3986-3998.
[58]	Chen Y Z, Feng X M, Tian H Q, et al. Accelerated increase in vegetation carbon sequestration in China after 2010: a turning point resulting from climate and human interaction[J]. Global Change Biology, 2021, 27(22): 5848-5864. DOI:10.1111/gcb.15854
[59]	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.


环境科学 2026, Vol. 47 Issue (4): 2520-2533	PDF