2026, Vol. 47
2. 南京农业大学公共管理学院，南京 210095;
3. 南京农业大学中国资源环境与发展研究院，南京 210095
, ZHOU Hong-tao1 , SHI Yan-song2
, LAN Jing2,3 , LI Da-qiang1 , WANG Ying-ying2 , XU Xiao-chun2
2. School of Public Administration, Nanjing Agricultural University, Nanjing 210095, China;
3. China Resources & Environment and Development Academy, Nanjing Agricultural University, Nanjing 210095, China
全球气候变化引致的环境问题近年来日益凸显，严重危及人类生存条件与可持续发展，成为全球讨论的热点领域之一[1]. 生态系统能够通过地表植物光合作用与其他生物过程不断吸收CO2，有效缓解全球温室效应与生态环境持续恶化[2]，碳储存服务被认为是最经济可行与环境友好的缓解气候变化的关键环节之一[3]. 土地利用/覆被变化（land use/cover change，LUCC）通过改变土壤环境、能量循环及生物多样性，进而影响生态系统的结构和功能[4]，导致植被碳储量和土壤碳储量动态变化，进而影响陆地生态系统的碳储存能力，逐渐成为全球变化研究的焦点[5]. 中国作为碳排放大国，碳排放量达全球总量的31%[6]，中国政府为此提出“30·60”“双碳”目标，并将其纳入“十四五”规划. 因此，基于LUCC对碳储量及其经济价值进行及时有效的估算与预测，不仅能够揭示陆地生态系统碳循环的内在机制，为生态系统服务价值评估提供量化依据，更能通过货币化手段直观呈现碳储存的经济效益，为碳交易市场建设与生态补偿政策制定提供精准数据支撑，在应对区域气候变化、提升碳储备能力及制定碳减排政策方面具有重要现实意义.
目前，国内外学者从不同维度和层面对碳储量展开大量研究，但大多集中于森林[7]、草地[8]和耕地[9]等单一生态系统，难以体现复合生态系统的多样性与整体性. 研究方法主要包括实地调查法[10]、遥感反演法[11]与模型模拟法[12]，其中实地调查法因样本数量单一而缺乏空间代表性，遥感反演法则受限于分辨率差异导致的随机误差. 因此，基于模型模拟法的碳储量评估研究日益增多，其中InVEST模型因其数据要求低、计算时间快、模拟精度高及具备时空可视化等优势被广泛应用[13]. 基于此，部分学者将CA-Markov[14]、SD[15]、FLUS[16]、CLUE-S[17]和PLUS[18]等土地利用模拟模型与InVEST模型相结合，对LUCC驱动下的碳储量进行模拟研究，其中PLUS模型凭借良好的像元精度和对驱动因素的挖掘，兼具其他模型的各项优势，能够更好地开展多情景土地利用模拟[19]，已有学者耦合PLUS-InVEST模型对省域[20]、市域[21]和区县[22]等不同尺度碳储量进行模拟预测，为后续研究奠定基础. 然而，现有研究仅注重地类间转换引起的碳储量演变，忽视了未来不同发展模式下碳储量经济价值的变化，而土地利用模式的转换不仅直接影响碳储量演变，还间接影响碳储量经济价值[23]. 其估算方法包括市场价值法、造林成本法、人工固定成本法、瑞典碳税法、支付意愿法及实物期权法等[24]，但上述方法忽视了货币的时间价值，从而导致估算结果精度欠佳[25]. 而复利现值与复利终值法能够有效规避该问题，根据中央银行规定的贴现率对不同时期碳储量经济价值进行估算，大幅提升估算结果的可信度与精确性[26].
新疆作为典型的干旱半干旱区，对气候变化响应十分敏感，生态环境尤为脆弱. 随着“西部大开发”、“一带一路”及“自由贸易试验区”等政策推进，区域土地利用转型愈发频繁、生态环境压力日益增大且生态安全威胁持续升级. 准确评估碳储量经济价值，不仅能够科学量化生态系统碳汇服务的货币价值，完善自然资本核算理论体系，更可为生态补偿机制设计和碳交易市场定价提供数据支撑，助力政府制定兼顾经济发展与生态保护的碳减排政策，优化土地利用空间配置策略. 在2060年中国努力争取实现“碳中和”目标关键时间节点的约束下，开展碳储量前瞻性预测以明确区域碳储存潜能，对维护区域生态安全的重要性尤为突出. 鉴于此，耦合PLUS-InVEST模型揭示新疆1990~2020年LUCC对碳储量的影响机制，并预测2060年新疆基期发展情景、耕地保护情景和生态保护情景这3种情景下碳储量对LUCC的响应特征，利用复利现值与复利终值法动态估算碳储量经济价值，突破传统静态评估的局限，旨在为干旱半干旱区优化土地利用空间格局、评估碳资源资产潜力及促进碳收支平衡发展提供科学依据与实践参考.
1 材料与方法 1.1 研究区概况新疆位于中国西北边陲（73°40′~96°18′E，34°25′~48°10′N），是一个多民族聚居地区，下辖4个地级市、5个地区、5个自治州和12个自治区直辖县级市（图 1）. 新疆地域辽阔，约占中国总面积的1/6，地形地貌以“三山夹两盆”著称. 受海陆位置与地形地貌影响，海洋湿润水汽难以抵达，降水稀少，蒸发量大，日照充足，促使形成典型温带大陆性干旱气候，主要灌溉水源来自冰川积雪融水. 新疆自然资源丰富，生物资源物种独特且种类繁多，矿产资源蕴藏丰富、前景广阔，煤炭、石油和天然气等能源储量丰富，是中国重要的能源基地，农林牧宜用土地占全国10%以上，后备耕地面积位居中国首位.
|
图 1 新疆地理位置 Fig. 1 Geographical location of Xinjiang |
本文数据主要涉及土地利用数据与碳储量驱动因子数据两大类. 其中，土地利用数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn），该数据以美国陆地卫星Landsat遥感影像数据为信息源，整体精度超93%. 综合考虑新疆地理环境、生态特征及土地利用情况，将土地利用类型分为耕地、林地、草地、水域、建设用地及未利用地6类，以此得到新疆1990~2020年4期土地利用数据. 碳储量驱动因子数据综合考量自然环境、社会经济和区位条件这3个维度的12类数据（表 1），以求尽可能全面反映碳储量时空分异的驱动因素. 此外，为确保数据的规范性与准确性，运用ArcGIS工具对上述数据进行预处理，将空间分辨率均设定为30 m×30 m，统一行列号为66 813×66 617，并将投影坐标系规范为WGS_1984_Albers，以此保障数据在地理空间分析中的准确性与一致性，并消除因坐标系统差异导致的几何变形与定位误差，确保数据在地理空间上的精准配准与分析，满足模型输入要求.
|
表 1 数据来源 Table 1 Data sources |
1.3 研究方法 1.3.1 InVEST模型
InVEST模型碳储存和固碳模块将生态系统碳库划分为地上、地下、土壤及死亡有机碳这4种碳库[27]. 此外还包括木材产品斑块碳库，指采伐后的木材在各种用途和存在形式中储存的碳，如实木产品与纸质产品等，由于该数据难以获取且对整体影响极小，因此忽略不计[28]. 计算公式为：
| (1) |
| (2) |
式中，Ci为第i种地类碳密度（t·hm-2）；Ci，above、Ci，below、Ci，soil和Ci，dead分别为第i种地类地上生物碳、地下生物碳、土壤有机碳和死亡有机碳密度（t·hm-2）；Ctotal为区域总碳储量（t）；Si为第i种地类面积（hm2）；n为地类总数.
生物量碳密度和土壤碳密度与降水量和气温呈正相关，但土壤碳密度与气温的定量测算公式尚未达成共识. 考虑到区域气候与土壤的空间差异，借鉴Alam等[29]、Giardina等[30]和陈光水等[31]结论，以实测数据及新疆与全国其他地区研究成果为参考[32~34]，对新疆各地类碳密度依据降水量与平均气温进行修正. 计算公式为：
| (3) |
| (4) |
| (5) |
式中，CSP为修正后土壤碳密度（t·hm-2）；CBP和CBT为修正后生物量碳密度（t·hm-2）；MAP和MAT分别为年均降水量（mm）和年均气温（℃）.
将新疆和全国气候数据代入上述公式，二者之比即为修正系数，碳密度参考值与修正系数乘积则为修正后新疆碳密度数据（表 2），计算公式为：
| (6) |
| (7) |
| (8) |
| (9) |
|
|
表 2 新疆各地类碳密度/t·hm-2 Table 2 Carbon density of various types in Xinjiang/t·hm-2 |
式中，KS为土壤碳密度修正系数；KBP和KBT分别为生物量碳密度降水和气温因子修正系数；KB为生物量碳密度综合修正系数；C′和C″分别为新疆和全国范围的碳密度数据.
1.3.2 PLUS模型PLUS模型基于元胞自动机原理，通过土地扩张分析策略（LEAS）提取历史用地扩张规律，并结合多类型随机斑块种子算法（CARS）生成未来土地利用空间配置[35]. 其优势在于能够通过驱动因子挖掘与概率约束实现高精度的多情景模拟. 在LEAS模块中，基于两期土地利用数据提取土地扩张区域，而后运用随机森林算法对扩张区域及其驱动因素深入探究，以此获取各地类发展概率；在CARS模块中，基于发展概率的制约融合随机种子生成技术与阈值逐步递减机制，动态模拟用地斑块的自动演化生成过程，并分析驱动因素对LUCC的影响[18].
（1）情景设置 为评估未来不同情景下新疆LUCC及潜在结果，对新疆经济发展、耕地保护与生态建设提供借鉴. 本文基于以下3种情景进行模拟：①基期发展情景（BDS）：此情景遵循并延续2010~2020年新疆LUCC规律，不考虑发展政策与规划要求，对土地利用类型转变规则不做任何限制. ②耕地保护情景（ALPS）：新疆作为中国“西部粮仓”，粮食产量贡献突出，粮食生产潜力巨大. 依据新疆高标准农田建设与耕地保护相关要求，将非耕地地类转变为耕地的概率提升30%，同时降低耕地转变为其他地类的可能性. ③生态保护情景（EPS）：考虑到新疆生态系统复杂多样、生态胁迫日益升级，依据《新疆维吾尔自治区国土空间规划（2021—2035年）》和《新疆生态环境保护“十四五”规划》，将耕地、林地和草地向建设用地转换概率降低30%，向水域和未利用地转换概率降低40%，同时限制建设用地扩张.
（2）参数调试 领域因子指与LUCC相关的空间邻近性因素，取值范围为[0, 1]，数值愈大表明扩张潜能愈强. 本文邻域因子参考Li等[36]的研究成果，对其无量纲化处理后，反复多次进行试验调整，最终确定各地类领域因子（表 3）. 转移成本矩阵（表 4）用于描述各地类间的转移情况，值为1表明某地类可转变为其他地类，值为0表明禁止发生转换.
|
|
表 3 领域权重设置 Table 3 Settings of domain weights |
|
|
表 4 情景模拟成本矩阵1） Table 4 Scenario simulation cost matrices |
（3）精度检验 以新疆2010年土地利用数据为基准，对2020年土地利用状况进行模拟，并以2020年实际土地利用数据为参照，对PLUS模型准确度进行检验，结果如图 2所示. Kappa系数为0.87，表明实际数据与模拟结果具有一致性，模拟效果较好，结果可信度较高[37]，即可以用来预测新疆2060年土地利用情况.
|
图 2 2020年新疆土地利用模拟结果与实际对比 Fig. 2 Comparison between land use simulation results and actual data in Xinjiang in 2020 |
碳储量经济价值指生态系统吸收并储存碳所体现的经济价值[26]，在促进生态保护、保障生态服务及维护生物多样性等方面发挥关键作用. 计算公式为：
| (10) |
| (11) |
式中，Pc为总碳储量经济价值；Ct为第t期碳储量；Pt为第t期碳交易市场价格；（P/F，e，t）为复利现值或复利终值系数；e为贴现率. 本文采用2019~2021年碳交易价格平均值作为2020年碳交易市场价格基准以消除通货膨胀等经济因素干扰，这与雷馨等[26]的计算结果一致，运用复利现值公式计算1990~2010年碳交易价格，运用复利终值公式计算2060年碳交易价格，如表 5所示.
|
|
表 5 1990~2060年新疆碳交易价格1） Table 5 Carbon trading prices in Xinjiang from 1990 to 2060 |
1.3.4 地理探测器
地理探测器是一种用于探测空间分异性的统计学方法[38]. 运用单因子探测与交互因子探测剖析新疆碳储量空间分异的驱动机制，计算公式为：
| (12) |
| (13) |
| (14) |
式中，q为探测结果，取值范围为[0, 1]，q值越大表明该驱动因子的解释力越强；L为驱动因子类型数；h为某一具体类型，h=1，2，…，L；N和Nh分别为全体和h类型的单元数；σ2和σh2分别为全体和h类型的方差；SSW和SST分别为层内方差之和与全体总方差.
2 结果与分析 2.1 土地利用时空演变分析 2.1.1 土地利用时间演变特征1990~2020年间未利用地为新疆主要地类（表 6），占总面积的60.57%~61.36%，其次为草地，占总面积的29.22%~29.81%. 本研究期内新疆LUCC呈“两增四减”趋势演变. 耕地面积显著增加，其中2000~2010年间增量最多、增幅最大；建设用地面积增长迅速，增幅达126.11%，主要得益于“西部大开发”与“西气东输”等政策红利及产业结构调整，促使建设用地需求增加；由于全球变暖等自然因素与超载放牧等人为因素影响，林地面积大量减少；水域面积呈“先增后减再增”动态演变；草地与未利用地面积发生细微变化.
|
|
表 6 1990~2060年新疆各地类面积 Table 6 Area of each land type in Xinjiang from 1990 to 2060 |
2060年新疆不同情景各地类面积变化差异显著. 基期发展情景下，各地类面积呈“五增一减”趋势，除未利用地面积减少，其他地类面积均增加，其中建设用地面积增幅最大，为0.66%. 耕地保护情景下，各地类面积呈“三增三减”趋势，耕地、水域和建设用地面积分别增长33 844.27、3 996.95和2 831.38 km2，其中耕地面积增幅最大，达37.66%；林地、草地和未利用地面积分别减少1 997.23、7 113.27和31 562.10 km2，其中林地面积降幅最大，为7.27%. 生态保护情景下，各地类面积仍呈“三增三减”变化特征，耕地、草地和水域面积呈增长趋势，其中草地面积增加最多，增加24 238.63 km2；林地、建设用地和未利用地面积呈现下降趋势.
2.1.2 土地利用空间演变特征1990~2000年间新疆约3.29%的土地发生转移，土地利用转移动态明显（图 3）. 草地为主要转出者，主要转为未利用地和耕地，面积分别为12 090.34 km2和8 648.13 km2；未利用地为主要转入者，除草地转入外，水域与耕地大量转入，面积分别为2 378.29 km2和1 498.95 km2. 2000~2010年间新疆约21.63%的土地发生转移，土地利用转移剧烈程度骤增，转移面积约为上一时段的6.58倍. 2010~2020年间新疆约2.40%的土地发生转移. 草地与耕地为主要转入者，草地来源为未利用地，耕地来源为草地与未利用地；草地亦为主要转出者，主要转为耕地和未利用地，面积分别为8 484.11 km2和5 022.84 km2，其余转为林地、建设用地与水域面积相近.
|
A：耕地，B：林地，C：草地，D：水域，E：建设用地，F：未利用地；图中数值为初期各地类面积占比 图 3 1990~2020年新疆土地利用转移和弦图 Fig. 3 Land use transfer chord diagram of Xinjiang from 1990 to 2020 |
从空间分布来看（图 4），新疆未利用地主要分布于塔里木盆地和准噶尔盆地，分别为我国第一、第二大内陆盆地. 由于新疆“三山夹两盆”的特殊地形地貌特征，林地主要分布在天山山脉和阿尔泰山脉，少数分布于塔里木盆地边缘，形成独特的沙漠-绿洲交错景观格局，水域分布基本与塔里木河流域、喀拉额尔齐斯河及伊犁河谷等走势吻合，主要来自高山积雪融水，由于农业种植和牲畜养殖对水域和草地依赖性极强，因此耕地、水域和草地三者交错布局，随三大山脉分散分布，且围绕未利用地边缘呈增长趋势. 新疆建设用地面积极少，不足总面积的1%，呈点状分布于研究区各区域，且大多与耕地呈交错或相邻分布. 2060年基期发展情景土地利用空间分布与2020年大致相同，符合自然发展规律. 耕地保护情景耕地向外扩张明显，逐渐形成片状分布，其四周建设用地由交错分布向零星分布转变. 生态保护情景耕地、草地和水域均呈向外扩张趋势，中部及南部草地向外延伸，面积变化明显，建设用地分布相对向内收缩.
|
图 4 1990~2060年新疆土地利用现状 Fig. 4 Land use status in Xinjiang from 1990 to 2060 |
1990~2020年间新疆碳储量呈“先减后增”趋势，但整体呈下降状态（表 7）. 1990~2000年下降趋势明显，主要为草地面积减少所致，2000~2010年和2010~2020年间均呈小幅上升趋势，分别增长0.05×108 t和0.10×108 t. 1990~2020年新疆碳储量主要以未利用地碳储量为主，是最重要的碳库，贡献率达51.18%以上，但随着对未利用地的开发利用，贡献率整体呈下降趋势；其次为草地，贡献率达36.70%以上. 近30 a新疆耕地与建设用地碳储量呈上升趋势，而林地、草地、水域及未利用地碳储量呈下降趋势，其中林地与水域碳储量变化明显，分别减少1.67×108 t和1.23×108 t，草地与未利用地占比较小，减幅不显著.
|
|
表 7 1990~2060年新疆各地类碳储量 Table 7 Carbon storage in Xinjiang from 1990 to 2060 |
2060年新疆不同情景总碳储量均高于2020年，其中基期发展情景、耕地保护情景和生态保护情景碳储量分别为147.79×108、147.78×108和148.16×108 t. 基期发展情景下，耕地与林地碳储量呈轻微下降趋势，草地、水域、建设用地及未利用地碳储量呈增长趋势，符合经济发展优先原则，但不利于城市可持续建设. 耕地保护情景下，耕地、水域和建设用地碳储量呈增长趋势，其中耕地增幅最大，较2020年相比增长3.54×108 t；林地、草地和水域碳储量呈减少趋势. 生态保护情景下，林地、建设用地和未利用地碳储量持续下降，耕地、草地和水域碳储量增加，其中草地碳储量增长最多，上升2.74×108 t. 生态保护情景下新疆碳储量显著高于其他情景，表明该土地利用情景能够减轻城市扩张对区域固碳能力的负向影响.
2.2.2 碳储量空间演变特征新疆碳储量分布表现出显著空间异质性（图 5），其空间分布特征为“三山高，两盆低”，碳储量高值区主要分布于阿尔泰山脉、天山山脉及昆仑山脉，该区域常年受冰川积雪融水灌溉，植被覆盖度较高，土地利用类型主要为草地、林地与耕地等具有较强固碳能力地类，具有较强碳储备能力；碳储量低值区主要分布于塔里木盆地、准噶尔盆地及噶顺戈壁，该区域地势较低，气候极度干旱，难以形成径流，同时伴有风沙与干热风等自然灾害，土地利用类型主要为沙漠和戈壁等未利用地，碳储备能力较弱. 为更加清晰反映新疆碳储量空间格局演变趋势，基于ArcGIS栅格计算器对研究期各时段碳储量空间分布进行差值计算，基于自然断点法将碳储量空间变化类型分为显著减少、一般减少、基本不变、一般增加和显著增加这5类（图 6）. 1990~2000年与2010~2020年间新疆碳储量空间变化呈零星点状分布，碳储量增加区与减少区交错分布，尚未体现出明显的空间聚集效应. 2000~2010年间新疆碳储量空间变化呈密集面状与零星点状交错布局，碳储量增加区与减少区互动程度进一步加深，表明该时段新疆LUCC剧烈，碳储量空间演变显著.
|
图 5 1990~2060年新疆碳储量空间格局 Fig. 5 Spatial pattern of carbon storage in Xinjiang from 1990 to 2060 |
|
图 6 1990~2060年新疆碳储量变化空间分布 Fig. 6 Spatial distribution of carbon storage change in Xinjiang from 1990 to 2060 |
2060年新疆耕地保护与生态保护情景碳储量结果表明，耕地保护和生态建设实施能够有效提升区域碳储量，从而积极应对气候变化带来的负向影响，为2060年努力争取实现“碳中和”目标贡献力量. 2020~2060年间，自然发展情景碳储量增加区域分布广泛，主要位于昆仑山脉周边、准噶尔盆地边缘及天山山脉部分地区；减少区域相对有限，零星分布于塔里木盆地与准噶尔盆地边缘，分散布局于部分绿洲-沙漠交错带. 耕地保护情景碳储量增加区范围有所扩大，在昆仑山脉和天山山脉山麓地带、准噶尔盆地和塔里木盆地边缘的绿洲区域体现较为明显；减少区仍分散布局于塔里木盆地的沙漠腹地边缘及天山山脉与准噶尔盆地接壤处. 生态保护情景碳储量增加区广泛分布于整个新疆，昆仑山脉、阿尔泰山脉、天山山脉及准噶尔盆地和塔里木盆地边缘的沙漠-绿洲交错带均为主要增加区域；减少区则零星分布于塔里木盆地和准噶尔盆地内部的沙漠扩展区域与部分绿洲退化区域.
2.3 碳储量对LUCC响应分析 2.3.1 碳储量对LUCC数量响应特征LUCC对植被覆盖度与生物量具有重大影响，是引起区域碳储量动态演变的关键因素. 由表 8可知，1990~2000年间LUCC引起新疆碳储量增长57.11×106 t，减少84.81×106 t，整体净减少27.70×106 t，其中草地与未利用地相互转移是造成新疆碳储量动态变化的主要因素，占碳储量变化总值的48.98%，其次为草地与林地之间的转移，占碳储量变化总值的12.33%. 2000~2010年间LUCC致使新疆碳储量增长585.37×106 t，减少583.45×106 t，整体净增长1.92×106 t，碳储量动态演变驱动因素与上一阶段基本一致，但这10 a间LUCC导致的碳储量演变强度显著提升，未利用地和草地互相转移是碳储量动态增减的主要因素，贡献率分别为77.93%和71.80%. 2010~2020年间LUCC导致碳储量增加55.24×106 t，减少44.11×106 t，整体净增加11.13×106 t，未利用地与草地间互相转型造成54.96×106 t碳储量变化，贡献率达54.92%，其次未利用地→耕地造成7.40×106 t碳储量增加，有利于碳蓄积，贡献率为13.40%，林地→草地与草地→耕地导致损失13.23×106 t碳储量，不利于碳汇形成，贡献率为29.99%. 鉴于此，新疆近30 a间LUCC与碳储量演变具有显著的一致性，草地与未利用地间的转移是新疆碳储量演变的关键因素，应加强对未利用地的统筹开发利用，规避土地利用转移频繁发生致使碳储量动态演变剧烈.
|
|
表 8 1990~2020年新疆碳储量转移矩阵×106/t Table 8 Carbon storage transfer matrix of Xinjiang from 1990 to 2020×106/t |
2.3.2 碳储量与LUCC空间相关性分析
为探究LUCC与碳储量间的空间关联特征，基于GeoDa软件进行空间自相关分析，计算局部临近单元土地利用程度指数与碳储量的空间关联水平[39]，土地利用程度指数计算方法详见文献[40]. 综合考虑新疆幅员辽阔与地类分布等地域特征，通过对多尺度土地利用程度指数与碳储量空间分布特征的系统性多尺度对比分析，最终确定10 km×10 km网格作为最优空间采样尺度，基于标准化空间采样框架，研究区域共划分16 767个有效采样单元进行双变量空间自相关分析. 结果显示新疆1990~2020年间土地利用程度指数与碳储量的Moran's I值均小于0且P值均小于0.001，分别为-0.733、-0.788、-0.793和-0.788，表明新疆土地利用程度与碳储量整体呈显著空间负相关，土地利用程度高值区具有碳流失风险. Moran's I值呈增长趋势表明近30 a间新疆土地利用程度与碳储量布局趋于集聚，相关性增强. 新疆1990~2020年间土地利用程度与碳储量的局域空间关系如图 7所示，主要为高-低值集聚区和低-高值集聚区，其中高土地利用程度与低碳储量集聚区主要分布于塔里木盆地、准噶尔盆地、吐鲁番盆地和哈密盆地等沙漠戈壁，低土地利用程度与高碳储量集聚区主要分布于天山山脉与阿尔泰山脉等森林草地，表明新疆发展过程中主要对低碳储量地区进行开发建设，倾向利用沙漠-绿洲交错带及边缘地区以逐步扩大城市规模，对高碳储量等关键生态区域形成保护，有利于区域碳封存，高-低值集聚区与低-高值集聚区呈交互嵌入布局，且随时间演变表现出显著的扩张连通趋势.
|
图 7 1990~2020年新疆土地利用程度与碳储量LISA分布 Fig. 7 Bivariate spatial autocorrelation analysis of Xinjiang from 1990 to 2020 |
依据复利现值和复利终值公式，估算新疆1990~2020年及2060年不同发展情景的碳储量经济价值. 如图 8所示，新疆碳储量时空分布相对稳定，但其经济价值持续增长，由1990年13 922.25亿元上涨至2020年25 184.24亿元，增长率达80.89%，这主要归因于2020年碳交易价格为1990年的1.81倍. 其中未利用地碳储量经济价值增长最多，上涨5 711.48亿元，增幅为79.57%；草地次之，上涨4 136.63亿元，增幅为79.53%. 新疆2060年各发展情景碳储量经济价值均高于2020年. 其中，生态保护情景 > 基期发展情景 > 耕地保护情景. 耕地保护情景下耕地面积增长来源除未利用地外，还侵占少部分林地与草地，导致高碳密度地类面积减少，碳储量下降. 耕地保护情景与基期发展情景碳储量经济价值整体相差不大，但各地类经济价值不尽相同. 基期发展情景建设用地碳储量经济价值较2020年比增长最小，上涨188.45亿元，未利用地增长最大，上涨16 070.66亿元；耕地保护情景耕地碳储量经济价值增幅最大，增加2.04倍，建设用地次之，增加1.90倍，而林地在上述两种情景下均为最小增幅地类. 生态保护情景碳储量经济价值增幅由大到小依次为：水域 > 耕地 > 草地 > 未利用地 > 林地 > 建设用地，其中由于未利用地为新疆主要用地类型，因此其碳储量经济价值最大. 生态保护情景碳储量经济价值远超基期发展情景与耕地保护情景，表明在未来可持续发展过程中，应优先考虑生态建设，以此提升区域碳储量，进而提高其经济价值.
|
图 8 1990~2060年新疆碳储量经济价值 Fig. 8 Economic value of carbon storage in Xinjiang from 1990 to 2060 |
土地兼具自然属性与社会经济属性，人类活动通过改变土地利用/覆被的类型、数量、结构与功能，致使各地类表征碳源或碳汇等不同特性，生态系统服务功能也随之改变，因此不同土地利用/覆被格局碳储量时空分布特征势必存在一定差异，学界针对LUCC与生态系统服务响应展开讨论[41~43]. 结果表明新疆近30 a间LUCC明显，其中耕地面积增量远超水域、林地与草地减量之和，未利用地面积萎缩极少，各地类时空分布和演变特征与傅楷翔等[44]和Li等[45]的研究结果基本一致. 1990~2020年间新疆人口增长约1 061.3万人，涨幅达69.40%，人口增长对粮食需求骤增，同时新疆作为我国主要粮食生产基地，具有确保全国粮食供应与保障国家粮食安全的战略意义，而由于气候因素新疆未利用地主要为戈壁、沙漠等极不适宜耕种的地类，因此大量侵占水域、林地与草地等碳汇地类，加之全球变暖等自然因素与超载放牧等人为因素双重影响，加速生态用地转为生产生活用地. 该结果与柯新利等[46]的研究发现耕地保护是造成碳储量减少的主要原因结论一致. 此外，研究期内草地与未利用地相互转型活跃，且多数分布于塔克拉玛干沙漠与古尔班通古特沙漠边缘的沙漠-绿洲交错带，作为缺水荒漠与富水绿洲间的过渡带，生态环境极端脆弱与敏感[47]，因此草地与未利用地之间频繁转型，导致土地利用稳定性差，加剧区域生态系统失衡且难以恢复.
本文采用的碳密度数据是基于前人研究并结合新疆年均降水量与年均气温等气象数据修正得到，与卢雅焱等[48]、史名杰等[49]和Zhu等[50]的研究中碳密度数据基本一致，表明结果具有较高可信度，能够准确反映新疆碳储量时空分布特征. 结果表明新疆1990~2000年间碳储量下降0.28×108 t，这与草地和林地等固碳能力强的地类面积大量萎缩有关，这10 a新疆自然灾害频发，其中包含“5·5特大黑风暴”，对区域生态系统造成毁灭性灾害，草地和林地等生态较为脆弱的地类受损尤为严重. 2000~2010年间随“西部大开发”与“对口援疆计划”等政策实施，具有碳源属性的建设用地面积剧增，而新疆总碳储量不降反增，主要原因为未利用地转为耕地促使碳储量大量增加. 此外，未利用地面积占新疆总面积60%以上，碳储量贡献率达51%以上，表明未利用地在新疆生态系统服务中具有稳定器作用. 该结果与杨顺法等[51]的研究提出草地为新疆生态系统首要碳库，其次为未利用地的结论相悖，究其原因为二者对未利用地碳密度的考量存在差异，已有研究表明盐碱化与沙漠化土地在特定条件下具备显著碳汇能力[52]，随着新疆盐碱地开发与沙漠治理等生态修复工程推进，未利用地的碳储存潜能逐渐凸显，因此本文对未利用地碳密度持积极肯定态度. 2060年新疆各发展情景碳储量较2020年相比均呈增长态势，其中生态保护情景碳储量增量最大，增长1.74×108 t. 因此，应加强生态保护与监管，针对环境敏感区积极开展生态修复；优化土地利用结构，合理规划土地用途，统筹开发未利用地，规避草地与未利用地间频繁转化，高效配置水资源以保障生态系统需求.
尽管综合考量年均降水量与年均气温对碳密度数据进行修正，但不可避免的是InVEST模型忽视了光合速率、土壤微生物活动等因素，且尚未考虑土地利用内部结构与植被年龄不同造成的碳储存能力的差异，使得区域生态系统碳储量评估结果一定程度上具有不确定性. 此外，本文计算碳储量时未考虑自然环境与人类活动对碳密度的动态影响，将碳密度数据默认为恒定不变的. 综上所述，未来研究可通过持续开展实地调研获取长周期实测数据对碳密度修正数据进行验证，以提升研究结果的合理性与可信度. 此外，研究尚未纳入城市建设过程中建筑材料的碳化固碳效应. 尽管此类人工材料碳汇贡献相对有限，但在长时序周期中仍具有较大潜力. 未来研究可整合生命周期评估方法，系统量化建筑材料从生产、运输及使用到废弃全生命周期的碳平衡特征，或在InVEST模型中耦合建筑碳循环模型，针对混凝土和砂浆等人工地表构建差异化的碳汇参数体系，修正现有模型对人工干预碳过程的评估盲区，提升土地利用变化视角下碳储量评估的全面性.
3.2 碳储量空间分异驱动因子运用地理探测器探究新疆碳储量空间分异驱动机制. 单因子探测结果显示（表 9），新疆碳储量空间分异特征主要为自然环境因素与社会经济因素共同驱动所致，区位条件因素影响力整体较小. 从横向来看，各因子影响力存在显著差异，其中NDVI影响力最大，表明植被高覆盖度区域与其他地区相比固碳潜能更强；其次为年均降水与年均气温，二者影响力基本一致；夜间灯光指数影响力最小. 这与前人研究结论基本一致[44，53]. 从纵向来看，各因子影响力随时间推移而动态演变，但整体趋势基本稳定. 地理探测器交互结果显示（图 9），各因子间交互作用均表现为非线性或双因子增强，表明碳储量对任意两因子的交互作用响应较单因子相比更强烈. 其中X6与X7~X12交互均呈非线性增强，表明该特定组合能够极大程度上增强各因子对碳储量空间分异的影响力. 影响力最大的交互因子在不同时期也存在差异，1990~2010年为高程∩NDVI，2020年为年均气温∩NDVI，发生此变化的原因可能是2010年后新疆气温异常走高[54]，诱导生物量与土壤碳密度畸变，同时进一步说明NDVI是驱动新疆碳储量空间分异的核心要素. 需要注意的是，在驱动因子分析过程中地理探测器并未与碳储量预测密切联系，目前仅为情景模拟提供一定参考，后续应进一步加强模型间联动.
|
|
表 9 1990~2020年新疆单因子探测结果 Table 9 Single-factor detection results of Xinjiang from 1990 to 2020 |
|
图 9 1990~2020年新疆交互探测结果 Fig. 9 Interactive detection results of Xinjiang from 1990 to 2020 |
随着全球温室气体过量排放导致气候变化加速，学界对碳排放及碳交易市场关注持续升温，生态系统服务经济价值评估的重要性日益凸显. 本文基于复利现值与复利终值公式对新疆碳储量经济价值进行估算，结果表明1990~2060年新疆碳储量经济价值显著增长，尽管1990~2000年碳储量发生部分损失，但该时期碳储量经济价值涨幅明显，其原因为碳价格的大幅上涨抵消了碳储量损耗的负面影响. 碳储量经济价值与碳储量和碳价格密切相关，二者共同作用决定了其价值大小，但不能忽视贴现率等因素对碳价格的综合影响[25]. 值得注意的是，现有碳储量经济价值评估方法普遍存在时间维度考量不足问题，由于未将碳价格的动态折现效应纳入核算体系，造成评估结果与碳储量间呈机械联动相关关系. 鉴于此，本文基于基准价格的动态碳交易价格，以现行碳价为锚点，运用时间贴现机制重构历史时期碳交易价格序列，从而有效过滤短期经济波动干扰. 但在开展多情景预测时，碳价格仍面临着政策调控力度、气候变化和国际市场环境等不确定性[55]，所以不同情景的碳交易价格应存在差异. 未来研究应综合考虑碳价格与碳储量经济价值的影响因素，探索误差更小、拟合更优与可信度更高的评估模型，以此精准估算碳资源资产潜力与预测碳储量经济价值演变，促进区域碳收支平衡.
4 结论（1）本研究期间新疆LUCC呈“两增四减”趋势，其中耕地面积大量增加，增长33 219.22 km2，林地和水域面积大量减少，分别为10 797.16 km2和14 934.42 km2，建设用地、草地与未利用地面积增减不明显. 2000~2010年间土地利用变化剧烈程度尤为突出，21.63%土地发生转型. 2060年不同情景各地类面积时空演变差异显著.
（2）本研究期间新疆碳储量“先减后增”，净减少0.13×108 t，其中林地、草地与水域面积萎缩是碳储量下降的主导因素. 碳储量时空分布表现出显著的区域异质性特征，呈“三山高，两盆低”空间格局. 2060年不同情景碳储量空间分布与2020年具有相似性，但总量呈差异性增长. 生态保护情景严格限制建设用地扩张，促使林地与草地碳汇功能增强，碳储量增长1.74×108 t，显著高于其他情景.
（3）本研究期间新疆碳储量经济价值由13 922.25亿元增长至25 184.24亿元，增长率达80.89%，其中未利用地与草地为主要来源. 2060年各情景中生态保护情景碳储量经济价值最高，为56 300.80亿元，基期发展情景碳储量经济价值次之.
| [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] | Kauffman J B, Adame M F, Arifanti V B, et al. Total ecosystem carbon stocks of mangroves across broad global environmental and physical gradients[J]. Ecological Monographs, 2020, 90(2). DOI:10.1002/ecm.1405 |
| [3] |
方精云, 于贵瑞, 任小波, 等. 中国陆地生态系统固碳效应——中国科学院战略性先导科技专项"应对气候变化的碳收支认证及相关问题"之生态系统固碳任务群研究进展[J]. 中国科学院院刊, 2015, 30(6): 848-857. Fang J Y, Yu G R, Ren X B, et al. Carbon sequestration in China's terrestrial ecosystems under climate change——Progress on ecosystem carbon sequestration from the CAS strategic priority research program[J]. Bulletin of Chinese Academy of Sciences, 2015, 30(6): 848-857. |
| [4] | Li J S, Guo X M, Chuai X, et al. Reexamine China's terrestrial ecosystem carbon balance under land use-type and climate change[J]. Land Use Policy, 2021, 102. DOI:10.1016/j.landusepol.2020.105275 |
| [5] | Gomes E, Inácio M, Bogdzevič K, et al. Future land-use changes and its impacts on terrestrial ecosystem services: a review[J]. Science of the Total Environment, 2021, 781. DOI:10.1016/j.scitotenv.2021.146716 |
| [6] | Friedlingstein P, O'sullivan M, Jones M W, et al. Global carbon budget 2022[J]. Earth System Science Data, 2022, 14(11): 4811-4900. DOI:10.5194/essd-14-4811-2022 |
| [7] |
许恩银, 王维枫, 聂影, 等. 中国林业碳贡献区域分布及潜力预测[J]. 中国人口·资源与环境, 2020, 30(5): 36-45. Xu E Y, Wang W F, Nie Y, et al. Regional distribution and potential forecast of China's forestry carbon contributions[J]. China Population, Resources and Environment, 2020, 30(5): 36-45. |
| [8] | Lyu X, Li X B, Dou H S, et al. Evaluation of grassland carbon pool based on TECO-R model and climate-driving function: a case study in the Xilingol typical steppe region of Inner Mongolia, China[J]. Ecological Indicators, 2020, 117. DOI:10.1016/j.ecolind.2020.106508 |
| [9] | Shirkey G, John R, Chen J Q, et al. Land cover change and socioecological influences on terrestrial carbon production in an agroecosystem[J]. Landscape Ecology, 2023, 38(12): 3845-3867. DOI:10.1007/s10980-023-01647-5 |
| [10] |
高述超, 陈毅青, 陈宗铸, 等. 海南岛森林生态系统碳储量及其空间分布特征[J]. 生态学报, 2023, 43(9): 3558-3570. Gao S C, Chen Y Q, Chen Z Z, et al. Carbon storage and its spatial distribution characteristics of forest ecosystems in Hainan Island, China[J]. Acta Ecologica Sinica, 2023, 43(9): 3558-3570. |
| [11] | Jiang X D, Li D Q, Li G Y, et al. Eucalyptus carbon stock estimation in subtropical regions with the modeling strategy of sample plots-airborne LiDAR-Landsat time series data[J]. Forest Ecosystems, 2023, 10. DOI:10.1016/j.fecs.2023.100149 |
| [12] |
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. |
| [13] | Zhu L Y, Song R X, Sun S, et al. Land use/land cover change and its impact on ecosystem carbon storage in coastal areas of China from 1980 to 2050[J]. Ecological Indicators, 2022, 142. DOI:10.1016/j.ecolind.2022.109178 |
| [14] | Zhao M M, He Z B, Du J, et al. Assessing the effects of ecological engineering on carbon storage by linking the CA-Markov and InVEST models[J]. Ecological Indicators, 2019, 98: 29-38. DOI:10.1016/j.ecolind.2018.10.052 |
| [15] |
曹祺文, 顾朝林, 管卫华. 基于土地利用的中国城镇化SD模型与模拟[J]. 自然资源学报, 2021, 36(4): 1062-1084. Cao Q W, Gu C L, Guan W H. China's urbanization SD modelling and simulation based on land use[J]. Journal of Natural Resources, 2021, 36(4): 1062-1084. |
| [16] |
吴先雯, 郭风成. 基于Invest模型和Flus模型的江苏省碳储量变化模拟与预测[J]. 中国生态农业学报(中英文), 2024, 32(2): 230-239. Wu X W, Guo F C. Analysis and prediction of carbon storage changes in Jiangsu Province based on the Invest model and Flus model[J]. Chinese Journal of Eco-Agriculture, 2024, 32(2): 230-239. |
| [17] |
顾汉龙, 马天骏, 钱凤魁, 等. 基于CLUE-S模型县域土地利用情景模拟与碳排放效应分析[J]. 农业工程学报, 2022, 38(9): 288-296. Gu H L, Ma T J, Qian F K, et al. County land use scenario simulation and carbon emission effect analysis using CLUE-S model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(9): 288-296. |
| [18] | 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 |
| [19] | Li C, Wu Y M, Gao B P, et al. Multi-scenario simulation of ecosystem service value for optimization of land use in the Sichuan-Yunnan ecological barrier, China[J]. Ecological Indicators, 2021, 132. DOI:10.1016/j.ecolind.2021.108328 |
| [20] |
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. |
| [21] |
孙欣欣, 薛建辉, 董丽娜. 基于PLUS模型和InVEST模型的南京市生态系统碳储量时空变化与预测[J]. 生态与农村环境学报, 2023, 39(1): 41-51. Sun X X, Xue J H, Dong L N. Spatiotemporal change and prediction of carbon storage in Nanjing ecosystem based on PLUS model and InVEST model[J]. Journal of Ecology and Rural Environment, 2023, 39(1): 41-51. |
| [22] |
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. |
| [23] |
张春华, 居为民, 王登杰, 等. 2004—2013年山东省森林碳储量及其碳汇经济价值[J]. 生态学报, 2018, 38(5): 1739-1749. Zhang C H, Ju W M, Wang D J, et al. Biomass carbon stocks and economic value dynamics of forests in Shandong Province from 2004 to 2013[J]. Acta Ecologica Sinica, 2018, 38(5): 1739-1749. |
| [24] |
方恺, 李程琳, 黄玮, 等. 碳汇生态产品的科学内涵、价值评估与实现路径[J]. 中国环境管理, 2023, 15(3): 17-23, 61. Fang K, Li C L, Huang W, et al. Scientific concept, value evaluation and realization paths of carbon sink ecological products[J]. Chinese Journal of Environmental Management, 2023, 15(3): 17-23, 61. |
| [25] |
雷馨, 海新权. 祁连山地区土地利用变化对碳储量的影响及经济价值估算[J]. 干旱区研究, 2023, 40(11): 1845-1854. Lei X, Hai X Q. Impacts of land use change on carbon storage and estimation of economic value in Qilian Mountain region[J]. Arid Zone Research, 2023, 40(11): 1845-1854. |
| [26] |
雷馨, 海新权. 耦合PLUS-InVEST模型的兰州市土地利用变化及碳储量经济价值估算[J]. 地理科学, 2025, 45(2): 339-348. Lei X, Hai X Q. Assessing economic value of carbon storage and land use changes based on the coupled PLUS-InVEST model in Lanzhou City[J]. Geographical Science, 2025, 45(2): 339-348. |
| [27] |
向书江, 张骞, 王丹, 等. 近20年重庆市主城区碳储量对土地利用/覆被变化的响应及脆弱性分析[J]. 自然资源学报, 2022, 37(5): 1198-1213. Xiang S J, Zhang Q, Wang D, et al. Response and vulnerability analysis of carbon storage to LUCC in the main urban area of Chongqing during 2000-2020[J]. Journal of Natural Resources, 2022, 37(5): 1198-1213. |
| [28] | Lai L, Huang X J, Yang H, et al. Carbon emissions from land-use change and management in China between 1990 and 2010[J]. Science Advances, 2016, 2(11). DOI:10.1126/sciadv.1601063 |
| [29] | 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 |
| [30] | Giardina C P, Ryan M G. Evidence that decomposition rates of organic carbon in mineral soil do not vary with temperature[J]. Nature, 2000, 404(6780): 858-861. DOI:10.1038/35009076 |
| [31] |
陈光水, 杨玉盛, 刘乐中, 等. 森林地下碳分配(TBCA)研究进展[J]. 亚热带资源与环境学报, 2007, 2(1): 34-42. Chen G S, Yang Y S, Liu L Z, et al. Research review on total belowground carbon allocation in forest ecosystems[J]. Journal of Subtropical Resources and Environment, 2007, 2(1): 34-42. |
| [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), 2004, 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, 2004, 47(1): 49-57. |
| [33] | 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. |
| [34] |
郑拴丽, 许文强, 杨辽, 等. 新疆阿尔泰山森林生态系统碳密度与碳储量估算[J]. 自然资源学报, 2016, 31(9): 1553-1563. Zheng S L, Xu W Q, Yang L, et al. Carbon density and storage of forest ecosystem in Altay Mountains, Xinjiang[J]. Journal of Natural Resources, 2016, 31(9): 1553-1563. |
| [35] | Jian L, Xia X J, Liu X Y, et al. Spatiotemporal variations and multi-scenario simulation of urban thermal environments based on complex networks and the PLUS model: a case study in Chengdu central districts[J]. Sustainable Cities and Society, 2024, 115. DOI:10.1016/j.scs.2024.105833 |
| [36] | Li Y, Geng H C. Spatiotemporal trends in ecosystem carbon stock evolution and quantitative attribution in a karst watershed in southwest China[J]. Ecological Indicators, 2023, 153. DOI:10.1016/j.ecolind.2023.110429 |
| [37] |
孙毅中, 杨静, 宋书颖, 等. 多层次矢量元胞自动机建模及土地利用变化模拟[J]. 地理学报, 2020, 75(10): 2164-2179. Sun Y Z, Yang J, Song S Y, et al. Modeling of multilevel vector cellular automata and its simulation of land use change[J]. Acta Geographica Sinica, 2020, 75(10): 2164-2179. |
| [38] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [39] | Qiao W Y, Huang X J. The impact of land urbanization on ecosystem health in the Yangtze River Delta urban agglomerations, China[J]. Cities, 2022, 130. DOI:10.1016/j.cities.2022.103981 |
| [40] |
庄大方, 刘纪远. 中国土地利用程度的区域分异模型研究[J]. 自然资源学报, 1997, 12(2): 105-111. Zhuang D F, Liu J Y. Study on the model of regional differentiation of land use degree in China[J]. Journal of Natural Resources, 1997, 12(2): 105-111. |
| [41] |
石晶, 石培基, 李雪红, 等. 石羊河流域生态系统服务时空变化及其多尺度影响因素研究[J]. 地理科学进展, 2024, 43(2): 276-289. Shi J, Shi P J, Li X H, et al. Spatial and temporal variability of ecosystem services in the Shiyang River Basin and its multi-scale influencing factors[J]. Progress in Geography, 2024, 43(2): 276-289. |
| [42] |
程玉恒, 乔伟峰, 何天褀, 等. 南京市高淳区村域尺度土地利用功能变化及生态系统服务价值响应研究[J]. 地理科学, 2024, 44(2): 340-350. Cheng Y H, Qiao W F, He T Q, et al. Response of ecosystem services value to land use function change at the village scale in Gaochun District, Nanjing[J]. Scientia Geographica Sinica, 2024, 44(2): 340-350. |
| [43] |
阿依吐尔逊·沙木西, 史彦松, 古丽米热·艾尔肯, 等. 新疆典型资源型城市土地利用演变对景观格局与生态系统服务价值的影响[J]. 环境生态学, 2024, 6(10): 33-43. Ayituerxun S M X, Shi Y S, Gurimiri E K, et al. Impact of land use evolution on landscape pattern and ecosystem service value in typical resource cities in Xinjiang[J]. Environmental Ecology, 2024, 6(10): 33-43. |
| [44] |
傅楷翔, 贾国栋, 余新晓, 等. 耦合PLUS-InVEST-Geodector模型的新疆地区碳储量时空变化及驱动机制分析[J]. 环境科学, 2024, 45(9): 5416-5430. Fu K X, Jia G D, Yu X X, et al. Analysis of temporal and spatial carbon stock changes and driving mechanism in Xinjiang region by coupled PLUS-InVEST-Geodector model[J]. Environmental Science, 2024, 45(9): 5416-5430. |
| [45] | Li X Y, Wu C S. Sensitivity assessment and simulation of ecosystem services in response to land use change in arid regions: empirical evidence from Xinjiang, China[J]. Ecological Indicators, 2025, 171. DOI:10.1016/j.ecolind.2025.113150 |
| [46] |
柯新利, 唐兰萍. 城市扩张与耕地保护耦合对陆地生态系统碳储量的影响——以湖北省为例[J]. 生态学报, 2019, 39(2): 672-683. Ke X L, Tang L P. Impact of cascading processes of urban expansion and cropland reclamation on the ecosystem of a carbon storage service in Hubei Province, China[J]. Acta Ecologica Sinica, 2019, 39(2): 672-683. |
| [47] | Shamuxi A, Han B, Jin X B, et al. Spatial pattern and driving mechanisms of dryland landscape ecological risk: insights from an integrated geographic detector and machine learning model[J]. Ecological Indicators, 2025, 172. DOI:10.1016/j.ecolind.2025.113305 |
| [48] |
卢雅焱, 徐晓亮, 李基才, 等. 基于InVEST模型的新疆天山碳储量时空演变研究[J]. 干旱区研究, 2022, 39(6): 1896-1906. Lu Y Y, Xu X L, Li J C, et al. Research on the spatio-temporal variation of carbon storage in the Xinjiang Tianshan Mountains based on the InVEST model[J]. Arid Zone Research, 2022, 39(6): 1896-1906. |
| [49] |
史名杰, 武红旗, 贾宏涛, 等. 基于MCE-CA-Markov和InVEST模型的伊犁谷地碳储量时空演变及预测[J]. 农业资源与环境学报, 2021, 38(6): 1010-1019. Shi M J, Wu H Q, Jia H T, et al. Temporal and spatial evolution and prediction of carbon stocks in Yili Valley based on MCE-CA-Markov and InVEST models[J]. Journal of Agricultural Resources and Environment, 2021, 38(6): 1010-1019. |
| [50] | 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 |
| [51] |
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. |
| [52] | Li Y, Wang Y G, Houghton R A, et al. Hidden carbon sink beneath desert[J]. Geophysical Research Letters, 2015, 42(14): 5880-5887. DOI:10.1002/2015GL064222 |
| [53] |
田梓祎, 高凡, 何兵, 等. 1990~2020年塔里木河流域土地利用变化及其对碳储量的影响[J]. 环境科学, 2024, 45(11): 6514-6526. Tian Z Y, Gao F, He B, et al. Land use change and its impact on carbon stock in the Tarim river basin from 1990 to 2020[J]. Environmental Science, 2024, 45(11): 6514-6526. |
| [54] | Wang Q, Zhai P M, Qin D H. New perspectives on 'warming-wetting' trend in Xinjiang, China[J]. Advances in Climate Change Research, 2020, 11(3): 252-260. DOI:10.1016/j.accre.2020.09.004 |
| [55] | 赵立祥, 胡灿. 我国碳排放权交易价格影响因素研究——基于结构方程模型的实证分析[J]. 价格理论与实践, 2016(7): 101-104. |