基于SHAP-XGBoost模型的黄河三角洲陆地生态系统碳储量可解释性驱动分析

引用本文

马志龙, 韩美, 孔祥伦, 孙金欣, 张缤. 基于SHAP-XGBoost模型的黄河三角洲陆地生态系统碳储量可解释性驱动分析[J]. 环境科学, 2026, 47(9): 5848-5862.

MA Zhi-long, HAN Mei, KONG Xiang-lun, SUN Jin-xin, ZHANG Bin. Interpretability-driven Analysis of Carbon Storage in the Yellow River Delta Based on SHAP-XGBoost Model[J]. Environmental Science, 2026, 47(9): 5848-5862.

基于SHAP-XGBoost模型的黄河三角洲陆地生态系统碳储量可解释性驱动分析

马志龙, 韩美, 孔祥伦, 孙金欣, 张缤

山东师范大学地理与环境学院，黄河三角洲水土资源保护和高质量发展特色实验室，济南 250358

收稿日期: 2025-05-12; 修订日期: 2025-10-15

基金项目: 国家社会科学基金项目（21BGL026）

作者简介: 马志龙（2000~），男，硕士研究生，主要研究方向为生态系统碳储量评估，E-mail：2622163617@qq.com

通信作者: 韩美, E-mail：hanmei568568@126.com

摘要: 生态系统碳储量作为气候变化的指示器，探究碳储量时空演变特征及驱动机制可为应对气候变化提供自然解决方案. 基于1980~2020年黄河三角洲5期土地利用数据，利用InVEST模型分析黄河三角洲陆地生态系统碳储量时空分异特征，耦合CA-Markov模型预测黄河三角洲2030年和2060年自然发展和生态保护这2种情景下陆地生态系统碳储量，最后利用SHAP-XGBoost模型对其碳储量时空演变进行可解释性驱动分析. 结果表明：①1980~2020年土地利用类型变化显著，建设用地增加503.40 km²，耕地和水域面积则分别损失123.47 km²和313.18 km²，林地、草地等生态用地和未利用地所占比例较小且呈下降趋势. ②1980~2020年碳储量分别为52.88×10⁶、76.77×10⁶、36.92×10⁶、32.71×10⁶和49.94×10⁶ t，自然发展情景下2030年和2060年碳储量分别为41.92×10⁶ t和41.21×10⁶ t，生态保护情景下2030年和2060年碳储量分别为51.24×10⁶ t和60.33×10⁶ t，表明生态保护能够显著提升陆地生态系统碳储量水平. ③1980~2020年碳储量时空演变主要驱动力为距高速距离、距铁路距离和NDVI，年均温与碳储量相互关系较为复杂，总体呈正向作用. 研究结果可为黄河三角洲陆地生态系统修复与治理提供科学参考.

关键词: 碳储量土地利用 InVEST模型 SHAP-XGBoost模型驱动分析

Interpretability-driven Analysis of Carbon Storage in the Yellow River Delta Based on SHAP-XGBoost Model

MA Zhi-long , HAN Mei , KONG Xiang-lun , SUN Jin-xin , ZHANG Bin

Characteristic Laboratory of Soil and Water Resources Protection and High-quality Development in the Yellow River Delta, College of Geography and Environment, Shandong Normal University, Jinan 250358, China

Abstract: Ecosystem carbon storage is an indicator of climate change. Exploring the spatial and temporal evolution characteristics and driving mechanism of carbon storage can provide natural solutions to climate change. Based on the five-period land use data of the Yellow River Delta from 1980 to 2020, the InVEST model was used to analyze the spatial and temporal differentiation characteristics of terrestrial ecosystem carbon storage in the Yellow River Delta. The CA-Markov model was coupled to predict the carbon storage of terrestrial ecosystems in the Yellow River Delta under the two scenarios of natural development and ecological protection in 2030 and 2060. Finally, the SHAP-XGBoost model was used to explain the spatial and temporal evolution of carbon storage. The results showed that: ① From 1980 to 2020, the land use types changed significantly. The construction land increased by 503.40 km², while the cultivated land and water area lost 123.47 km² and 313.18 km², respectively. The proportion of ecological land and unused land such as forest land and grassland was small and showed a downward trend. ② From 1980 to 2020, the carbon stocks were 52.88×10⁶, 76.77×10⁶, 36.92×10⁶, 32.71×10⁶, and 49.94×10⁶ t, respectively. Under the natural development scenario, the carbon stocks in 2030 and 2060 were 41.92×10⁶ t and 41.21×10⁶ t, respectively. Under the ecological protection scenario, the carbon stocks in 2030 and 2060 were 51.24×10⁶ t and 60.33×10⁶ t, respectively, indicating that ecological protection could significantly increase the carbon stocks of terrestrial ecosystems. ③ The main driving forces of the spatial and temporal evolution of carbon storage from 1980 to 2020 were the distance from high speed, distance from railway, and NDVI. The relationship between annual average temperature and carbon storage was more complex, and the overall effect was positive. The results of this study can provide a scientific reference for the restoration and management of terrestrial ecosystems in the Yellow River Delta.

Key words: carbon storage land use InVEST model SHAP-XGBoost model driving analysis

随着工业化和城市化进程加快，大气中CO₂浓度显著升高^[1]，全球气候系统发生改变，缓解气候变化危害，推动人与自然和谐发展已刻不容缓. 2020年习近平总书记明确提出，中国碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和. 作为世界第二大经济体和碳排放量大国，中国作出这一承诺，彰显我国在构建人类命运共同体进程中的大国担当. 实现“双碳”战略目标，相较于产业减排转型，借助自然解决方案固碳增汇^[2，3]才是更稳固且持久的措施.

碳储存与封存作为生态系统核心服务功能，指将大气中CO₂以有机物形式封存并保持一定的稳定性，是衡量生态系统服务价值的关键指标. 当前，陆地生态系统碳储量估值已构建起多技术融合的方法体系：实地采样、遥感反演及模型模拟，其中InVEST模型^[4~7]因参数简单、运算高效且精度高，成为探究流域^[8~11]、城市群^[12，13]、滨海湿地^[14~16]以及内陆干旱区^[17]等大尺度碳储量时空演变的主流工具. 土地利用/覆被变化是21世纪国内外研究的重点领域之一，其揭示生态环境变异的特征及规律，现有研究多通过预测未来土地利用变化以拟合未来碳储量变化. 当前应用广泛的土地利用预测模型有FLUS^[18]、CLUE-S^[19]、PLUS^[20]和CA-Markov^[21，22]等，与其他土地利用预测模型相比，CA-Markov集成Markov链时间维度和元胞自动机模型空间维度分析优势，基于多标准评价定义地类转移规则，结合MCE（multi-criteria evaluation）适宜性图集，实现较高精度的土地利用空间结构的预测^[23~27]. 但目前碳储量预测分析中影响因素分析较为浅薄，缺乏基于核心驱动力的未来多情景预测.

多重因素相互作用驱动碳储量发生变化，主要表现为气候变化^[28~30]和人类活动^[31~33]对碳储量时空演变的复合影响：如全球变暖引发的植被带迁移^[34]和土地利用集约化^[35]，分别从气候变化与人为干预维度重构碳储量空间格局. 极度梯度提升（XGBoost）^[36，37]是基于梯度提升决策树的机器学习算法，在处理多重地理因子非线性交互作用中精度极高. 结合SHAP（SHapley Additive exPlanations）^[38，39]可将XGBoost模型内部决策逻辑转化为可视化的特征贡献度图谱，实现多维度驱动因子的定量解译，相较于传统驱动分析方法^[40]，该模型提供“高精度预测-可解释分析”的双轨研究范式，是本研究在方法上的创新之处. 尽管现有研究已将XGBoost模型应用于陆地生态系统碳储量及固碳潜力分析^[41~43]，但针对碳储量时空演变驱动因素的系统性解释框架仍待完善.

目前国内外关于陆地生态系统碳储量研究已日趋完善，但仍存在不足，如碳汇过程及固碳关键机制^[44，45]研究不够深入、碳储量关键数据精度较低、碳汇潜力^[46~48]评估方法有待改进以及驱动分析相对匮乏等. 本文在前人研究的基础上，选取黄河三角洲行政区范围作为研究区域，时间跨度为1980~2020年，基于InVEST模型分析由于土地利用变化而导致的碳储量时空演变特征，量化碳封存的市场价格^[49]；为应对气候变化挑战，我国提出力争于2030年实现“碳达峰”，努力争取2060年实现“碳中和”，故本研究选择未来2030年和2060年作为预测时间节点，运用IDRIS的CA-Markov预测黄河三角洲陆地生态系统2030年和2060年自然发展和生态保护这2种情景下土地利用类型状态，结合InVEST模型计算相应情景下碳储量；基于SHAP-XGBoost模型解释黄河三角洲陆地生态系统碳储量时空演变的驱动因素，旨在为黄河三角洲陆地生态系统修复与管理提供理论依据，实现生态系统增汇.

1 材料与方法 1.1 研究区界定

黄河三角洲陆地生态系统介于山东省北部渤海湾与莱州湾之间（37°09′~38°12′N，118°07′~119°18′E，图 1），行政区范围主要由东营市组成，面积约为7 315.28 km². 黄河三角洲陆地生态系统结构与功能复杂，是我国暖温带规模最大的河口湿地生态系统，植被种类丰富，主要植被如芦苇、碱蓬和怪柳等均为高固碳植被，碳固存能力相对较强，使得黄河三角洲陆地生态系统成为我国重要的碳汇中心之一，为应对气候变化做出了重要贡献.

图 1 研究区范围 Fig. 1 Scope of study area

1.2 研究数据 1.2.1 土地利用数据

InVEST模型碳储存模块基于土地利用栅格地图运行，本文土地利用类型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/）.

根据研究需要选取1980年、1990年、2000年、2010年、2015年和2020年这6期山东省土地利用数据，空间分辨率为30 m×30 m，以陆地卫星Landsat遥感影像数据为主信息源结合人工目视解译获取，对其进行地理配准、校正、裁剪和提取等预处理，获得黄河三角洲行政区划土地利用栅格数据.

1.2.2 碳库碳密度

InVEST模型通过生物量（地上生物量、地下生物量）、土壤沉积物和枯落物这4个主要碳库中碳的存储简化碳循环过程，该数据来自于张绪良等^[50]的研究. 依据InVEST模型使用手册的应用假设，对缺失或无法获得的碳库数据可根据其他相近碳库估算或将其各项赋值为0. 为提升数据科学性，选取基于降水和气温的气象因子修正公式^[51]对碳密度进行修正，进而得到其他年份碳密度数据（表 1为2020年碳密度数据），这与前人研究具有较高一致性^[52].

表 1 碳密度/kg·m^-2 Table 1 Carbon density/kg·m^-2

1.2.3 碳封存经济价值

碳货币价值选用1990年以来的不变价格32.6美元·t^-1计算，2020年与1980年碳固存做差值以拟合碳封存经济价值；碳价格年变率通过1980~2020年中国国家统计局的通货膨胀率数据去掉极值后求均值，为2.32%；贴现率反映远期利益相对近期利益的偏好程度，高贴现率更注重近期利益，倾向未来减排，低贴现率则与之相反，根据我国国情和发展理念，选择较低贴现率，为4%^[49].

1.2.4 碳储量时空演变驱动因子

本研究驱动因子分为自然环境数据、社会经济数据和可达性数据这3类^[8，20]，自然环境数据为年降水总量、年均温以及NDVI（归一化植被指数）等数据，社会经济数据选取国内生产总值，可达性数据选取距建筑物、国道、省道、县道及铁路距离等，通过ArcGIS工具对建筑物、分级公路、铁路等进行欧氏距离计算得到，所有数据分辨率转化为30 m×30 m，并统一地理坐标系为WGS_1984（表 2）.

表 2 驱动因子数据来源信息 Table 2 Driver data source information

1.3 研究方法 1.3.1 InVEST碳储量估值模型构建

陆地生态系统碳储量主要以植被贡献为主，故将植被固碳量分为：生物量（地上、地下）、土壤和死亡枯落物这4个基本碳库以拟合陆地生态系统碳储量. InVEST模型碳储存模块基于土地利用栅格数据，计算得到黄河三角洲陆地生态系统碳储存、碳封存与净固碳估值. 计算方法见式（1）^[9，19]：

C_{x t} = \sum_{i = 1}^{6} A_{x i t} [C_{a i} + C_{b i} + (C_{s i} \times d_{i})]

(1)

式中， $C_{x t}$ 为t时间点储存在栅格单元x内的碳储存量， $A_{x i t}$ 为t时间点第i类土地利用类型栅格单元x的植被覆盖面积， $C_{a i}$ 、 $C_{b i}$ 和 $C_{s i}$ 分别为第i类土地利用类型地上生物量、地下生物量和土壤碳库的碳密度， $d_{i}$ 为第i类土地利用类型沉积深度，一般默认为1 m^[53].

根据当前与未来土地利用类型栅格图像，计算碳储量随时间的净变化，即损失或封存. 通过构建估值模型赋予碳封存经济价值，计算方法见式（2）^[49]：

s e q_{x} = V \frac{s_{x}}{q - p} \sum_{t = 0}^{q - p - 1} \frac{1}{{(1 + \frac{r}{100})}^{t} {(1 + \frac{c}{100})}^{t}}

(2)

式中，V为碳的价格（元·t^-1）， $s_{x}$ 为碳储量（t），q为未来年份，p为当前年份，r为碳价格的市场折价率（%），c为碳价格的年变化率（%），t为时间序号.

1.3.2 CA-Markov土地利用预测

CA-Markov模型集成Markov链时间分析和元胞自动机空间分析的优势，构建多标准评价与多目标决策定义地类转移规则，能够实现较高精度的土地利用空间结构和数量的模拟预测^[54]. 结合《黄河流域生态保护和高质量发展规划纲要》和《山东省国土空间开发规划》政策文件指导，参考前人模拟结果^[55~57]，设置自然发展和生态保护这2种情景，预测黄河三角洲陆地生态系统2030年和2060年碳储量.

自然发展情景：基准情景，基于2010~2020年和1980~2020年土地利用各地类转移矩阵和转移概率，不考虑政策限制，只将水域划为限制性区域，按照原适宜性图集进行2030年和2060年土地利用状态预测.

生态保护情景：加强耕地保护力度，将湿地公园和自然保护区等区域划为生态保护红线区，限制建设用地向自然生态用地和耕地扩张，在转移矩阵设置中，耕地和生态用地向其他地类转移概率降低20%^[58].

Kappa系数是衡量分类精度的指标，常用于一致性检验. 本研究基于2010年和2015年土地利用/覆被数据，结合多类影响因子数据预测2020年土地利用类型结构. 经计算Kappa系数为0.88，符合模型预测精度要求^[55，59]，可应用该模型实现未来土地利用模拟预测. 黄河三角洲北部沿海地区误差相对较大（图 2），主要归因于2010~2015年经济发展迅速，建设用地面积转移比例大，根据自然发展规则北部区域大多发展为建设用地；然而，实际2015~2020年经济发展兼顾生态保护，建设用地扩张相对放缓，北部区域仍大多为水域.

图 2 2020年土地利用类型空间一致性对比 Fig. 2 Comparison of spatial consistency of land use types in 2020

1.3.3 极端梯度提升（XGBoost）驱动分析

极端梯度提升（XGBoost）是基于梯度提升树的机器学习算法，其高效、可扩展且呈分布式，通过构建一系列决策树模型将速度与效率提升到极值，提高回归和驱动关系的预测精度. XGBoost目标是最小优化目标函数，目标函数表达式为：

L (θ) = \sum_{i} l (y_{i}, \bar{y_{i}}) + \sum Ω [f (k)]

(3)

式中， $l (y_{i}, \bar{y_{i}})$ 为损失函数，即预测值 $\bar{y_{i}}$ 与实际值 $y_{i}$ 之间的误差， $Ω [f (k)]$ 用于控制模型复杂度，防止过度拟合化，其式为：

Ω [f (k)] = γ T + \frac{1}{2} λ \sum_{φ} {Ω_{φ}}^{2}

(4)

式中，T为决策树叶子节点数， $Ω_{φ}$ 则为叶子所占的权重， $γ$ 和 $λ$ 为叶子节点相关系数.

XGBoost模型预测性能较高，但内部决策过程难以解释，利用SHAP实现模型的全局与局部解释，通过可视化SHAP值解释特征因子对预测结果的贡献度，借助层次聚类分析不同特征因子关联度，可应用于碳储量时空演变的驱动分析研究^[60].

2 结果与分析 2.1 黄河三角洲陆地生态系统1980~2020年碳储量时空演变分析 2.1.1 1980~2020年土地利用时空演变特征

本研究时段内黄河三角洲土地利用变化显著，约39.14%的土地发生转移. 建设用地扩张最快，增加503.397 km²（2020年占比为24.5%），主要侵占耕地和水域. 耕地面积呈先增后减趋势，2000年达峰值3 666.732 km²（占比为55.23%），后因退耕还林政策部分转为林地. 生态用地和水域受损严重，1980~2000年草地和水域面积分别减少96%和36.7%. 为提升黄河三角洲陆地生态系统生态服务功能与区域竞争力，2003年颁布《山东省生态省建设规划纲要》，强调保护黄河三角洲生态环境，尤其是2010~2020年结合《山东省国土空间规划》《黄河流域生态保护和高质量发展》政策指示，水域和林地逐步恢复.

从空间分布来看（图 3），土地利用转移主要集中在黄河三角洲北、东、南部，即北部未利用地向建设用地和水域转移，东部草地向耕地和水域转移，南部耕地和水域转为建设用地. 科技进步和政策调控共同驱动了生态用地缩减-保护修复"的阶段性变化特征，耕地集中于中部和南部，水域在东部，后经修复在北部沿海和东南地带恢复；未利用地面积持续减少，多转为建设用地，同时建设用地呈辐射状向南北部扩张，林地和草地逐渐零散化.

图 3 1980~2020年土地利用类型空间分布 Fig. 3 Spatial distribution of land use types from 1980 to 2020

2.1.2 1980~2020年碳储量时空分布格局

基于InVEST模型碳储存和封存模块，估算黄河三角洲陆地生态系统1980~2020年碳储量，1980年、1990年、2000年、2010年和2020年碳储量分别为52.88 $\times$ 10⁶、76.77 $\times$ 10⁶、36.92 $\times$ 10⁶、32.71 $\times$ 10⁶和49.94 $\times$ 10⁶ t（图 4）. 本研究期间黄河三角洲陆地生态系统碳储量呈先增后减再缓慢回升的变化趋势，累积减少2.94 $\times$ 10⁶ t；具体而言，1980~1990年碳储量累积速率最快，增加23.89 $\times$ 10⁶ t，增幅高达45.18%；1990~2000年碳排放强度增大，碳储量急速下降，碳损失39.85 $\times$ 10⁶ t，降幅达51.91%. 各土地利用类型碳储量差异性较大，总体仍保持相对稳定（图 4）. 耕地因面积占比高且碳密度大，成为碳储量主体，40 a间增加11.04 $\times$ 10⁶ t（增幅为37.9%）；林地、草地固碳能力强但面积相对较小，尤其草地因减少21.65 km²导致碳损失16.36 $\times$ 10⁶ t，占比从32.2%骤降至1.4%；2010年后生态保护政策使林地和草地碳储量略有回升，水域与建设用地碳储量波动增长，未利用地则呈先增后减.

图 4 1980~2020年各地类碳储量及占比 Fig. 4 Carbon storage and proportion of each land use type from 1980 to 2020

在空间分布上，除北部和南部零散区域外，其余区域均出现碳储量损失，中部及东部区域尤为显著（图 5）. 碳封存经济价值累积损失约273.81 $\times$ 10⁶美元[图 6（b）]. 东部、东南部和东北部曾因草地、耕地和林地碳储量高，但2010年后草地退化，碳储量高值区面积锐减；北部、东南部以未利用地为主，先后转化为草地、建设用地和水域，碳储量呈先增后减；中部和东部倒“C”形区域人类活动相对剧烈，地类转移频繁，碳储量赤字扩大；城市扩张使南部耕地和东北部草地转化为建设用地，进一步加剧碳流失. 结果表明，保护高固碳地类，限制建设用地扩张，是维持碳储量增长和实现“双碳”目标的关键.

图 5 1980年、1990年、2000年、2010年和2020年黄河三角洲陆地生态系统碳储量空间分布 Fig. 5 Spatial distribution of terrestrial ecosystem carbon storage in the Yellow River Delta in 1980, 1990, 2000, 2010, and 2020

图 6 1980~2020年碳封存及经济价值空间分布 Fig. 6 Spatial distribution of carbon sequestration and economic value from 1980 to 2020

2.2 未来多情景模拟预测 2.2.1 未来情景下土地利用结构模拟预测

如图 7所示，黄河三角洲陆地生态系统在自然发展和生态保护两种情景下的2030年及2060年土地利用结构呈现显著差异. 自然发展情景下，分别基于2010~2020年和1980~2020年土地利用转移和概率矩阵设置转移规则，不考虑政策限制，实现2030年和2060年土地利用结构的预测. 2030年建设用地与水域面积扩张明显，侵占林地、草地等生态用地，耕地面积比例有所下降，同时北部未利用地呈一定的增长趋势. 至2060年，建设用地扩张强度增大，主要侵占耕地、水域和未利用地，导致耕地面积大幅缩减. 该情景下未强调对生态用地的保护限制，林地和草地等生态用地所占比例急剧下降，2060年这一情形尤为显著.

图 7 2030年和2060年多情景土地利用类型 Fig. 7 Multi-scenario land use types in 2030 and 2060

生态保护情景强化林地、草地等生态用地和耕地的保护，限制建设用地空间扩张，该情景下2030年部分建设用地向耕地、草地和水域转移，2060年则主要转化为耕地，建设用地空间退化明显. 黄河入海口林地缓慢恢复，水域向林地、耕地转化，北部未利用地快速向耕地转移，使耕地呈现显著扩张态势. 相较自然发展情景，该情景下建设用地空间占比降幅最为显著，未利用地和水域次之，而耕地、林地和草地等高固碳地类所占比例显著提升. 值得注意的是，耕地因其强固碳能力和高土壤碳库密度，成为研究区域碳储量的重要保障，是影响黄河三角洲陆地生态系统碳固存能力和碳储量水平的关键.

2.2.2 不同情景下碳储量时空演变

自然发展情景不做政策限制，黄河三角洲陆地生态系统碳储量呈持续下降趋势. 2030年和2060年碳储量分别降至41.92 $\times$ 10⁶ t和41.21 $\times$ 10⁶ t，较2020年分别减少8.02 $\times$ 10⁶ t和8.73 $\times$ 10⁶ t，碳固存经济价值损失约261.45 $\times$ 10⁶美元和284.60 $\times$ 10⁶美元. 在空间中，碳储量盈余区域主要分布于研究区北部、东部及黄河干流沿线，且2060年碳储量累积效应更为显著；而碳储量赤字区在2030年呈现分散分布特征，至2060年则向西北部集聚. 建设用地强空间扩张侵占部分水域和生态用地，是造成碳储量低值区域持续扩张的主要原因，最终形成“中部高、四周低及南部更低”的碳储量空间格局.

生态保护情景注重耕地及生态用地等高固碳地类的保护，限制高固碳地类向低固碳地类转移，该情景下2030年和2060年碳储量分别为51.24 $\times$ 10⁶ t和60.33 $\times$ 10⁶ t，较基准年份分别增加1.30 $\times$ 10⁶ t和10.39 $\times$ 10⁶ t，其中2060年增幅高达20.80%. 对比自然发展情景，2030年和2060年碳储量分别增加9.32 $\times$ 10⁶ t和19.12 $\times$ 10⁶ t，碳固存经济价值相应增加303.83 $\times$ 10⁶美元和623.31 $\times$ 10⁶美元. 空间格局演变显示，碳储量高值区域由中部向南北方向扩展，碳储量低值区域显著缩减且分别趋于零散化（图 8）. 值得注意的是研究区东部和北部水域稳定性较强，其碳储量变化相对平缓. 研究结果表明，生态保护情景下限制建设用地无序扩张，结合未利用地复垦和生态用地的修复等措施，可有效提升黄河三角洲陆地生态系统的固碳能力，这与范强等^[61]研究结论保持一致.

图 8 2030年和2060年多情景碳储量空间分布 Fig. 8 Multi-scenario spatial distribution of carbon storage in 2030 and 2060

2.3 碳储量时空演变驱动分析

黄河三角洲陆地生态系统碳储量时空格局演变受多种因素影响，探究其核心驱动力可为理解碳汇机制、合理规划资源开发及利用、修复生态系统结构与功能提供科学依据. XGBoost机器学习整合多元驱动因子数据模拟碳储量时空变化，结合SHAP条形图对各驱动因子在预测结果中的贡献度进行排序，可视化驱动因子与碳储量的相互关系，从而实现碳储量演变的驱动分析.

2.3.1 特征因子贡献度解释

如图 9所示，本研究期间距高速距离、距铁路距离和NDVI的SHAP值显著高于其他驱动因子，表明以上因素是研究区碳储量时空演变的核心驱动力；年均温、GDP、年降水量以及距建筑物距离影响力次之，其余因素SHAP值则相对较小，影响较弱. 具体而言，1980年NDVI、距高速公路距离、距铁路距离的SHAP值分别高达0.81、0.78和0.68，表明其对碳储量空间分异具有极强的解释力. 年降水量、年均温的SHAP值分别为0.23和0.15，反映出气象因子对碳储量的影响强度.

图 9 驱动因子贡献度排名 Fig. 9 Ranking of contribution of driving factors

1990年，驱动因子贡献度排名基本保持稳定，气象因子的影响进一步弱化，尤其是年降水量的影响几乎可忽略. 2000年，距高速距离、距铁路距离仍占据主导地位，但其SHAP值均出现一定程度降低，表明其影响力均降低；而NDVI贡献度则持续降低，由1990年的0.74降为0.09，表明该时期NDVI对碳储量变化影响极不显著. 2010年，主要驱动因子如距高速距离和距铁路距离均降为研究期最低值，主导驱动力进一步减弱，碳储量达研究期最低值. 2020年，主导性驱动因子如距高速距离和距铁路距离SHAP值呈一定程度的回升，距省道距离影响性小幅提升，其余因子波动幅度较小且影响力较弱.

2.3.2 驱动因子相关性及重要性解释

黄河三角洲陆地生态系统碳储量时空演变受多因素交互影响，不同时期主导驱动因子存在显著分异. 在1980年SHAP值特征重要性图谱中，NDVI贡献度达0.81，为该时期碳储量变化的第一驱动因素，根据图 10的SHAP依赖图可得，NDVI特征值左侧蓝点集中、右侧红点相对集中，表明其对碳储量具有极显著的正向作用，该结果与李悦等^[62]探究毛乌素沙地生态系统碳储量时空变化驱动因素研究结论相对吻合. 可达性因素呈现差异化影响：距高速公路距离、距国道距离散点均呈左蓝右红分布，揭示其与碳储量变化呈显著正相关，主要因为距高速公路和国道越远人类活动对自然环境的干扰强度越低，故碳储量水平值越高；与之相反，距铁路距离与碳储量呈负相关关系，这是由于黄河三角洲区域内铁路主要经过非经济发展核心区域，且沿线用地类型多为高固碳地类，故距铁路距离越近碳储量越高. 年降水量和年均温的SHAP依赖图两侧均有红蓝点分布，表明其与碳储量相互作用机制较为复杂，但整体表现为正向促进效应.

图 10 特征重要性条形图 Fig. 10 Feature importance bar chart

1990年NDVI、距高速公路距离和GDP强正向效应推动北部沿海部分低碳储区域向高碳储区域转化，碳储量达到研究期内的峰值. 距建筑物距离SHAP值从0.05升至0.15，表明随距建筑物距离增大，碳储量水平值呈一定幅度的上升. 徐至远等^[63]以阿克苏河流域作为研究区域，基于地理空间探测器模型发现，年平均气温与距政府驻地距离交互作用是阿克苏河流域碳储量空间分异的主要影响因素. 年均温影响贡献度变化较小，黄河三角洲中部区域碳储量保持稳定，整体空间分布仍呈现“东部高、北部与东南部低”的格局.

由图 9和图 10可知，2000年驱动因子贡献度排名发生一定变化，年均温影响力提升，但主要正向驱动力如距高速公路距离影响力显著降低，是1990~2000年碳储量骤降的关键诱因. NDVI红蓝点稀疏分布于0值两侧，表明其对碳储量变化的正向驱动作用明显弱化，导致东部碳储量高值区域向低值区域转化，中部区域碳储量赤字范围明显扩大.

2010年碳储量降至历史最低，主要归因于距高速公路距离正向驱动力持续衰减，以及年均温的抑制作用增强，东部高碳储区域几乎全部退化为低碳储区域. 此阶段NDVI贡献度呈缓慢回升趋势，但相较2000年前仍处于较低水平，正向驱动作用不显著.

2010~2020年间，黄河三角洲陆地生态系统碳储量持续增长，增幅高达34.50%，其中距高速公路距离SHAP值分别升至0.56，对碳储量的正向驱动作用显著增强，北部区域碳储量实现小幅提升. 自2010年起，政府持续强化研究区域生态系统保护与修复，通过实施系统性生态工程，植被覆盖状况显著改善，区域生态用地面积大幅扩展，尤其是中部区域碳储量实现大范围净增长，生态系统固碳能力得到结构性提升.

3 讨论 3.1 黄河三角洲陆地生态系统碳储量时空演变驱动力

黄河三角洲作为我国暖温带规模最大、结构最完整的河口陆地生态系统，具有极强的固碳功能. 基于InVEST模型评估显示，1980~2020年呈“增长-锐减-缓慢回升”的波动趋势，这与孙晗晴等^[16]和张雅茹等^[64]的研究结论相吻合. 土地利用变化通过改变碳库碳密度来影响陆地生态系统碳储量^[12，13]，研究区内建设用地快速扩张导致南部高固碳区域转化为低固碳区域，加剧碳储量赤字. 未来情景模拟表明，建设用地空间扩张降低碳储量水平值，反之生态保护措施可大幅提升碳储量水平，与长江三角洲具有区域同质性^[65，66]，验证了生态保护与修复可提升陆地生态系统碳汇功能. 与我国长江三角洲和珠江三角洲等不同，黄河三角洲经济活动相对较低，GDP对碳储量影响相对较小；同时，铁路线主要贯穿自然生态保持良好区域，故碳储量与铁路线距离成反比；此外，黄河三角洲河口生态系统较为复杂，生态敏感性较强，碳储量时空变异起伏较大，因此黄河三角洲具有异质于长江三角洲和珠江三角洲等河口生态系统的独特性.

陆地生态系统碳储量受自然环境、社会经济和气候变化等多因素综合影响，现有研究主要采用地理探测器^[67~69]或多元线性回归^[70]等方法探究其驱动机制. 本研究将机器学习模型引入碳储量驱动分析中，极端梯度提升模型具有极高的回归和预测精度，结合SHAP值量化各驱动因子的贡献度，实现碳储量时空变化的可解释性驱动分析，是基于研究方法上的创新之处. 根据SHAP值贡献度排名可得1980~2020年碳储量时空演变主要驱动因子为距高速距离、距铁路距离和NDVI，其中距高速距离、NDVI与碳储量呈正相关关系，同时驱动因子贡献度存在时间分异，这与文献[71~73]的研究结果较为一致. 年均温与碳储量相互关系较为复杂，在一定范围内随温度升高植被光合作用强度提升，碳储量水平升高，超过某一温度阈值后，植被固碳能力则与温度呈负相关关系，整体仍呈正相关作用. 自然和社会因素交互作用影响碳储量时空变化，距高速公路距离远的区域NDVI值相对较大，交互影响下增强了碳储量水平的提升；相反，NDVI与年均温交互作用呈负向效应，在一定温度范围内，随温度升高植被呼吸作用增强，碳积累速率降低，高植被覆盖度区域会形成规模效应，从而减缓碳封存速率.

3.2 生态修复及治理建议

多措并举，协同提升黄河三角洲陆地生态系统碳储量与经济发展水平，具体可从以下4个方面展开.

（1）划定碳汇保护区，强化生态保护首先，建议划定黄河三角洲自然保护区、渤海湾和莱州湾沿岸为优先保护区，中部和南部耕地集中区划为永久基本农田，严格管控耕地及生态用地的地类转换；其次，针对东部和南部碳储量显著衰减区域，有序推进退耕还林还草工程，通过地类转换优化区域碳汇格局.

（2）保护高固碳植被，提升固碳能力一方面，加强芦苇等高固碳植被的保护，通过实施退化草地生态修复工程提升中部和北部植被覆盖度；鉴于气温对碳储量影响的复杂性，需加强耐高温盐生植被的选育，增强生态系统的气候韧性. 另一方面，耕地作为碳储量主要贡献者，应推广保护性耕地技术与有机肥施用，减缓土壤碳排放；水域碳储量呈上升趋势，建议依托黄河调水工程动态调控水位，防止因湿地退化而加剧碳流失.

（3）限制建设用地无序扩张，优化土地利用管理科学划定城市边界，限制北部及南部建设用地对生态空间的侵占；优化交通网络布局，避免其对高碳汇区与生态敏感区的空间分割；城市建成区实施绿地公园建设和屋顶绿化等立体绿化措施，提升城市碳汇潜力.

（4）完善碳汇市场机制，探索区域碳汇交易试点对碳储量盈余显著区域给予经济补偿，实现生态产品价值的经济效应.

3.3 不足及展望

本研究耦合InVEST-CA-Markov模型探究黄河三角洲陆地生态系统1980~2020年碳储量时空演变规律，但研究区域碳密度数据为基于前人黄河流域碳密度数据修正得到，仅依靠精度对比和误差校正，实地采样检测相对不足. 未来应结合高精度仪器和无人机设备等进行采样与监测，提高数据拟合精度；不局限于土地利用视角，基于多角度和维度去测算碳储量；改进机器算法模型，增强机器算法对预测和驱动力的可解释性分析，实现长时序监测与捕捉黄河三角洲陆地生态系统碳储量水平动态变化.

4 结论

（1）1980~2020年黄河三角洲陆地生态系统建设用地显著扩张，累积增加503.40 km²，耕地和水域面积则分别损失123.47 km²和313.18 km². 本研究期间，耕地所占比例最大，2000年其占比高达55.23%，而林地、草地等生态用地比例较低且持续下降. 2000年后，政府加强生态系统保护与修复力度，生态用地和水域呈小幅增长趋势. 研究区39.14%土地发生转移，空间分异特征显著：北部表现为未利用地向建设用地和水域转移，东部以草地向耕地和水域转移为主，南部则呈现耕地和水域向建设用地转移的趋势，中部区域保持稳定.

（2）1980~2020年，黄河三角洲陆地生态系统碳储量呈先增后减的变化趋势，依次为52.88 $\times$ 10⁶、76.77 $\times$ 10⁶、36.92 $\times$ 10⁶、32.71 $\times$ 10⁶和49.94 $\times$ 10⁶ t. 其中，1980~1990年碳储量累积速率最快，增加23.89 $\times$ 10⁶ t，增幅高达45.18%；而1990~2000年碳储量急剧下降，碳损失达39.85 $\times$ 10⁶ t. 从碳储量构成来看，耕地贡献最大且保持相对稳定，建设用地和水域碳储量小幅上升，而未利用地和生态用地碳储量所占比例大幅降低. 在空间布局上，东部与南部零散区域碳储量显著减少，其余区域则普遍增加，碳储量高值与低值区域分别大致与耕地和建设用地分布范围相吻合.

（3）自然发展情景下建设用地和水域扩张明显，而耕地和生态用地占比下降，2030年和2060年碳储量分别为41.92 $\times$ 10⁶ t和41.21 $\times$ 10⁶ t，碳储量高值区域向中部和南部集中，碳储量低值区域分布大致与建设用地相吻合，且空间扩张态势显著. 生态保护情景限制耕地和林地、草地等生态用地的转移，抑制建设用地无序扩张，耕地和生态用地占比有所上升；研究区域北部和南部建设用地向耕地、草地转移，碳储量由低值区域向高值区域转化，相较自然发展情景下2030年和2060年碳储量分别增加9.32 $\times$ 10⁶ t和19.12 $\times$ 10⁶ t. 结果表明生态保护与修复能够提升生态系统固碳能力，实现黄河三角洲陆地生态系统增汇.

（4）黄河三角洲陆地生态系统碳储量时空演变受多因素驱动，基于1980~2020年SHAP值排序表明，距高速距离、距铁路距离和NDVI是影响碳储量时空演变的核心驱动力；年均温和距建筑物距离紧随其后，其余因子SHAP值则相对较小，影响较弱. 其中，距高速公路距离和NDVI与碳储量呈正相关关系，是促进碳储量累积的关键驱动力，但不同年份部分驱动因子如人口密度和NDVI贡献度存在明显波动. 年均温与碳储量相互关系较为复杂，整体对碳储量累积呈正向作用.

参考文献

[1]	Tang J W, Ye S F, Chen X C, et al. Coastal blue carbon: concept, study method, and the application to ecological restoration[J]. Science China Earth Sciences, 2018, 61(6): 637-646. DOI:10.1007/s11430-017-9181-x
[2]	衣鹏慧, 吴会峰, 胡保安, 等. 黄土高原地区退耕还林后土壤有机碳储量变化特征及影响因素[J]. 生态学报, 2023, 43(24): 10054-10064. Yi P H, Wu H F, Hu B A, et al. Variation characteristics and influencing factors of soil organic carbon storage after returning farmland to forest on the Loess Plateau[J]. Acta Ecologica Sinica, 2023, 43(24): 10054-10064.
[3]	邢庆会, 于彩芬, 廖国祥, 等. 浅析我国海岸带蓝碳应对气候变化的发展研究[J]. 海洋环境科学, 2022, 41(1): 1-7. Xing Q H, Yu C F, Liao G X, et al. A brief analysis on the development of coastal blue carbon in response to climate change in China[J]. Marine Environmental Science, 2022, 41(1): 1-7.
[4]	朱明凤, 赵克飞, 邵铮, 等. 基于InVEST模型的粤港澳大湾区湿地碳储量时空变化分析[J]. 环境科学, 2025, 46(4): 1964-1973. Zhu M F, Zhao K F, Shao Z, et al. Spatio-temporal analysis of carbon sequestration of wetlands in Guangdong-Hong Kong-Macao Greater Bay area based on the InVEST model[J]. Environmental Science, 2025, 46(4): 1964-1973. DOI:10.13227/j.hjkx.202404030
[5]	赵双红, 周冬梅, 王得梅, 等. 基于PLUS-InVEST模型的渭河流域生态系统碳储量评估及多情景预测[J]. 应用生态学报, 2024, 35(8): 2044-2054. Zhao S H, Zhou D M, Wang D M, et al. Ecosystem carbon storage assessment and multi-scenario prediction in the Weihe River Basin based on PLUS-InVEST model[J]. Chinese Journal of Applied Ecology, 2024, 35(8): 2044-2054.
[6]	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.
[7]	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.
[8]	曾庆雨, 孙才志. 黄河流域陆地生态系统碳储量测算及其影响因素[J]. 生态学报, 2024, 44(13): 5476-5493. Zeng Q Y, Sun C Z. Estimation and influencing factors of carbon storage in terrestrial ecosystems in the Yellow River Basin[J]. Acta Ecologica Sinica, 2024, 44(13): 5476-5493.
[9]	唐文睿, 曹玉红. 基于InVEST-PLUS模型的皖江流域碳储量时空演变及预测[J]. 环境科学, 2025, 46(6): 3818-3829. Tang W R, Cao Y H. Spatial-temporal evolution and prediction of carbon reserves in Wanjiang River Basin with the InVEST-PLUS model[J]. Environmental Science, 2025, 46(6): 3818-3829. DOI:10.13227/j.hjkx.202406063
[10]	杜洲, 牛健植, 樊登星, 等. 基于PLUS模型的黄河中游多沙粗沙区土地利用变化模拟及驱动力分析[J]. 水土保持研究, 2024, 31(6): 309-318. Du Z, Niu J Z, Fan D X, et al. Simulation and driving force analysis of land use change in the sandy coarse region of the middle reaches of the Yellow River based on PLUS model[J]. Research of Soil and Water Conservation, 2024, 31(6): 309-318.
[11]	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. DOI:10.13227/j.hjkx.202310021
[12]	王伟武, 伏添乐, 陈欢. 基于PLUS-InVEST模型的长三角城市群碳储量时空演变与预测[J]. 环境科学, 2025, 46(4): 1937-1950. Wang W W, Fu T L, Chen H. Spatio-temporal evolution and prediction of carbon storage in the Yangtze River Delta Urban Agglomeration based on PLUS-InVEST model[J]. Environmental Science, 2025, 46(4): 1937-1950. DOI:10.13227/j.hjkx.202404046
[13]	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.
[14]	唐志雄, 宁荣荣, 王德, 等. 黄河三角洲滨海湿地碳储量及其对未来多情景的响应[J]. 生态学报, 2024, 44(8): 3280-3292. Tang Z X, Ning R R, Wang D, et al. Carbon stocks in coastal wetlands of the Yellow River Delta and their response to future multi-scenarios[J]. Acta Ecologica Sinica, 2024, 44(8): 3280-3292.
[15]	廖超明, 韦媛媛, 云子恒, 等. 基于PLUS-InVEST模型的珠三角碳储量时空演变与预测[J]. 水土保持通报, 2024, 44(1): 410-420. Liao C M, Wei Y Y, Yun Z H, et al. Spatiotemporal evolution and prediction of carbon storage in Pearl River Delta based on PLUS and InVEST models[J]. Bulletin of Soil and Water Conservation, 2024, 44(1): 410-420.
[16]	孙晗晴, 崔步礼, 姜德娟, 等. 1980—2020年黄河三角洲碳储量动态及驱动因素[J]. 人民珠江, 2024, 45(9): 36-46. Sun H Q, Cui B L, Jiang D J, et al. Dynamics and driving factors of carbon storage in the Yellow River Delta from 1980 to 2020[J]. Pearl River, 2024, 45(9): 36-46.
[17]	张顺鑫, 吴子豪, 闫庆武, 等. 基于PLUS-InVEST模型的天山北坡生态系统碳储量时空变化与预测[J]. 干旱区研究, 2024, 41(7): 1228-1237. Zhang S X, Wu Z H, Yan Q W, et al. Spatiotemporal changes in the ecosystem carbon storage on the northern slope of the Tianshan Mountains and simulations based on the PLUS-InVEST model[J]. Arid Zone Research, 2024, 41(7): 1228-1237.
[18]	苏军德, 赵晓冏, 李国霞. 基于InVEST-FLUS模型的祁连山国家公园碳储量演化分析及预测[J]. 环境工程, 2024, 42(7): 190-199. Su J D, Zhao X J, Li G X. Analysis and prediction of carbon storage evolution in Qilian Mountain National Park based on InVEST-FLUS model[J]. Environmental Engineering, 2024, 42(7): 190-199.
[19]	张燕, 师学义, 唐倩. 不同土地利用情景下汾河上游地区碳储量评估[J]. 生态学报, 2021, 41(1): 360-373. Zhang Y, Shi X Y, Tang Q. Carbon storage assessment in the upper reaches of the Fenhe River under different land use scenarios[J]. Acta Ecologica Sinica, 2021, 41(1): 360-373.
[20]	张舟, 刘晶晶, 张权, 等. 基于PLUS-InVEST-Geodector模型的苏州市碳储量时空变化及驱动力分析[J]. 环境科学, 2025, 46(5): 2963-2975. Zhang Z, Liu J J, Zhang Q, et al. Analysis of spatial-temporal variation and driving forces of carbon storage in Suzhou City based on the PLUS-InVEST-Geodetector model[J]. Environmental Science, 2025, 46(5): 2963-2975. DOI:10.13227/j.hjkx.202405077
[21]	张哲, 时振钦, 朱文博, 等. 基于InVEST模型的伏牛山地区生态系统碳储量时空变化模拟[J]. 环境科学, 2024, 45(4): 2332-2341. Zhang Z, Shi Z Q, Zhu W B, et al. Simulation of temporal and spatial changes in ecosystem carbon storage in Funiu Mountains based on InVEST model[J]. Environmental Science, 2024, 45(4): 2332-2341. DOI:10.13227/j.hjkx.202306203
[22]	杨洁, 谢保鹏, 张德罡. 基于InVEST和CA-Markov模型的黄河流域碳储量时空变化研究[J]. 中国生态农业学报(中英文), 2021, 29(6): 1018-1029. Yang J, Xie B P, Zhang D G. Spatio-temporal evolution of carbon stocks in the Yellow River Basin based on InVEST and CA-Markov models[J]. Chinese Journal of Eco-Agriculture, 2021, 29(6): 1018-1029.
[23]	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. Wusimanjiang P R K, 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. DOI:10.13227/j.hjkx.202302060
[24]	余洲, 李明玉, 钱雨扬, 等. 基于CA_Markov模型多情景模拟的三峡库区土地利用变化及其生态环境效应[J]. 水土保持研究, 2024, 31(3): 363-372. Yu Z, Li M Y, Qian Y Y, et al. Land use change and its ecological effects in Three Gorges Reservoir area based on CA_Markov Model with multiple scenarios simulation[J]. Research of Soil and Water Conservation, 2024, 31(3): 363-372.
[25]	陈柯欣, 丛丕福, 卢伟志, 等. CA-Markov与LCM模型的黄河三角洲湿地变化模拟比较[J]. 地球信息科学学报, 2019, 21(12): 1903-1910. Chen K X, Cong P F, Lu W Z, et al. Comparison of the CA-Markov and LCM models in simulating wetland change in the Yellow River Delta[J]. Journal of Geo-Information Science, 2019, 21(12): 1903-1910.
[26]	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.
[27]	马益婷, 石云, 李聪, 等. 基于InVEST与CA-Markov模型的宁东能源化工基地碳储量估测及经济价值估算[J]. 环境科学, 2025, 46(7): 4416-4427. Ma Y T, Shi Y, Li C, et al. Estimation of carbon storage and economic value of Ningdong Energy and Chemical Base based on InVEST and CA-Markov Model[J]. Environmental Science, 2025, 46(7): 4416-4427. DOI:10.13227/j.hjkx.202406102
[28]	Alongi D M. Impacts of climate change on blue carbon stocks and fluxes in mangrove forests[J]. Forests, 2022, 13(2). DOI:10.3390/f13020149
[29]	Li J T, Yan D D, Yao X Y, et al. Dynamics of carbon storage in saltmarshes across China's eastern coastal wetlands from 1987 to 2020[J]. Frontiers in Marine Science, 2022, 9. DOI:10.3389/fmars.2022.915727
[30]	Chanda A, Akhand A. Challenges towards the sustainability and enhancement of the Indian Sundarban mangrove's blue carbon stock[J]. Life, 2023, 13(8). DOI:10.3390/life13081787
[31]	Yu Q B, Wang F, Yan W J, et al. Carbon and nitrogen burial and response to climate change and anthropogenic disturbance in Chaohu Lake, China[J]. International Journal of Environmental Research and Public Health, 2018, 15(12). DOI:10.3390/ijerph15122734
[32]	Ewers Lewis C J, Baldock J A, Hawke B, et al. Impacts of land reclamation on tidal marsh 'blue carbon' stocks[J]. Science of the Total Environment, 2019, 672: 427-437. DOI:10.1016/j.scitotenv.2019.03.345
[33]	Li Y, Qiu J H, Li Z, et al. Assessment of blue carbon storage loss in coastal wetlands under rapid reclamation[J]. Sustainability, 2018, 10(8). DOI:10.3390/su10082818
[34]	Simpson L T, Osborne T Z, Duckett L J, et al. Carbon storages along a climate induced coastal wetland gradient[J]. Wetlands, 2017, 37(6): 1023-1035. DOI:10.1007/s13157-017-0937-x
[35]	Ma T T, Li X W, Bai J H, et al. Four decades' dynamics of coastal blue carbon storage driven by land use/land cover transformation under natural and anthropogenic processes in the Yellow River Delta, China[J]. Science of the Total Environment, 2019, 655: 741-750. DOI:10.1016/j.scitotenv.2018.11.287
[36]	Wang S, Peng H. Multiple spatio-temporal scale runoff forecasting and driving mechanism exploration by K-means optimized XGBoost and SHAP[J]. Journal of Hydrology, 2024, 630. DOI:10.1016/j.jhydrol.2024.130650
[37]	Zhao Y Z, Wang L C, Jiang Q X, et al. Sensitivity of gross primary production to precipitation and the driving factors in China's agricultural ecosystems[J]. Science of the Total Environment, 2024, 948. DOI:10.1016/j.scitotenv.2024.174938
[38]	Zhang X J, Wang G Q, Xue B L, et al. Changes in vegetation cover and its influencing factors in the inner Mongolia reach of the Yellow River Basin from 2001 to 2018[J]. Environmental Research, 2022, 215. DOI:10.1016/j.envres.2022.114253
[39]	Su R, Duan C C, Chen B. The shift in the spatiotemporal relationship between supply and demand of ecosystem services and its drivers in China[J]. Journal of Environmental Management, 2024, 365. DOI:10.1016/j.jenvman.2024.121698
[40]	Hao L N, He S, Zhou J L, et al. Prediction of the landscape pattern of the Yancheng Coastal Wetland, China, based on XGBoost and the MCE-CA-Markov model[J]. Ecological Indicators, 2022, 145. DOI:10.1016/j.ecolind.2022.109735
[41]	Liu M, Li Z, Qi J, et al. Prediction of CO₂ storage in different geological conditions based on machine learning[J]. Energy & Fuels, 2024, 38(22): 22340-22350.
[42]	Yang H F, Qin Z, Shu Q T, et al. Estimation of the aboveground carbon storage of Dendrocalamus giganteus based on spaceborne lidar co-kriging[J]. Forests, 2024, 15(8). DOI:10.3390/f15081440
[43]	Yuan Y Y, Guo W, Tang S Q, et al. Effects of patterns of urban green-blue landscape on carbon sequestration using XGBoost-SHAP model[J]. Journal of Cleaner Production, 2024, 476. DOI:10.1016/j.jclepro.2024.143640
[44]	陈小刚, 李凌, 杜金洲. 红树林和盐沼湿地间隙水交换过程及其碳汇潜力[J]. 地球科学进展, 2022, 37(9): 881-898. Chen X G, Li L, Du J Z. Porewater exchange and the related carbon sink potential in mangroves and saltmarshes[J]. Advances in Earth Science, 2022, 37(9): 881-898.
[45]	张瑶, 赵美训, 崔球, 等. 近海生态系统碳汇过程、调控机制及增汇模式[J]. 中国科学: 地球科学, 2017, 60(4): 438-449. Zhang Y, Zhao M X, Cui Q, et al. Processes of coastal ecosystem carbon sequestration and approaches for increasing carbon sink[J]. Science China Earth Sciences, 2017, 60(5): 809-820.
[46]	周晨昊, 毛覃愉, 徐晓, 等. 中国海岸带蓝碳生态系统碳汇潜力的初步分析[J]. 中国科学: 生命科学, 2016, 46(4): 475-486. Zhou C H, Mao Q Y, Xu X, et al. Preliminary analysis of C sequestration potential of blue carbon ecosystems on Chinese coastal zone[J]. SCIENTIA SINICA Vitae, 2016, 46(4): 475-486.
[47]	康濒月, 李佳旭, 宁园力, 等. 机器学习在量化滨海蓝碳储量研究中的应用进展[J]. 生态学报, 2025, 45(10): 5075-5089. Kang B Y, Li J X, Ning Y L, et al. Progress in machine learning for quantifying coastal blue carbon[J]. Acta Ecologica Sinica, 2025, 45(10): 5075-5089.
[48]	王春晓, 李明倩. 基于文献计量的土地利用变化与碳汇评估交叉研究进展[J]. 生态学报, 2024, 44(13): 5893-5903. Wang C X, Li M Q. Progress in interdisciplinary research on land use change and carbon sink assessment: a bibliometric analysis[J]. Acta Ecologica Sinica, 2024, 44(13): 5893-5903.
[49]	隋玉正, 陈小璇, 李淑娟, 等. 海岸带蓝碳时空演变及其服务价值评估——以胶州湾为例[J]. 资源科学, 2019, 41(11): 2119-2130. Sui Y Z, Chen X X, Li S J, et al. Spatiotemporal change of coastal blue carbon and its service value evaluation: a case study of Jiaozhou Bay[J]. Resources Science, 2019, 41(11): 2119-2130.
[50]	张绪良, 张朝晖, 徐宗军, 等. 黄河三角洲滨海湿地植被的碳储量和固碳能力[J]. 安全与环境学报, 2012, 12(6): 145-149. Zhang X L, Zhang Z H, Xu Z J, et al. On the relation between carbon storage and reinforced fixation of the coastal wetland vegetation in the Yellow River delta area[J]. Journal of Safety and Environment, 2012, 12(6): 145-149.
[51]	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.
[52]	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, 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, 2019, 4(1): 90-96.
[53]	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.
[54]	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
[55]	刘强, 杨众养, 陈毅青, 等. 基于CA-Markov多情景模拟的海南岛土地利用变化及其生态环境效应[J]. 生态环境学报, 2021, 30(7): 1522-1531. Liu Q, Yang Z Y, Chen Y Q, et al. Multi-scenario simulation of land use change and its eco-environmental effect in Hainan Island based on CA-Markov model[J]. Ecology and Environmental Sciences, 2021, 30(7): 1522-1531.
[56]	李慧颖, 李晓燕, 贾明明, 等. 基于CA-Markov模型的长吉示范区土地利用格局多情景预测研究[J]. 地理信息世界, 2019, 26(3): 18-24. Li H Y, Li X Y, Jia M M, et al. Dynamic scenario simulation of land cover changes in the Changchun-Jilin demonstration zone of Jilin Province based on the CA-Markov model[J]. Geomatics World, 2019, 26(3): 18-24.
[57]	Megersa W, Deribew K T, Abreha G, et al. Stochastic modeling of urban growth using the CA-Markov chain and multi-scenario prospects in the tropical humid region of Ethiopia: Mettu[J]. Geocarto International, 2023, 38(1). DOI:10.1080/10106049.2023.2240285
[58]	许小娟, 刘会玉, 林振山, 等. 基于CA-MARKOV模型的江苏沿海土地利用变化情景分析[J]. 水土保持研究, 2017, 24(1): 213-218, 225. Xu X J, Liu H Y, Lin Z S, et al. Scenario analysis of land use change in Jiangsu coast based on CA-Markov model[J]. Research of Soil and Water Conservation, 2017, 24(1): 213-218, 225.
[59]	李振今, 王志勇, 刘晓彤, 等. 互花米草治理对黄河三角洲湿地利用及景观格局的影响——利用随机森林和改进的CA-Markov模型[J]. 生态学报, 2024, 44(18): 8366-8382. Li Z J, Wang Z Y, Liu X T, et al. Using random forest and improved CA-Markov model to evaluate the effect of Spartina alterniflora clearing on wetland use and landscape pattern in the Yellow River Delta wetland[J]. Acta Ecologica Sinica, 2024, 44(18): 8366-8382.
[60]	Lei J J, Zeng C L, Zhang L, et al. Prediction of soil organic carbon stock combining Sentinel-1 and Sentinel-2 images in the Zoige Plateau, the northeastern Qinghai-Tibet Plateau[J]. Ecological Processes, 2024, 13(1). DOI:10.1186/s13717-024-00515-7
[61]	范强, 孙虎虎, 孙爽, 等. 生态-耕地保护下的山东省碳储量估算与演变[J]. 生态学报, 2025, 45(4): 1588-1598. Fan Q, Sun H H, Sun S, et al. Estimation and evolutionary analysis of carbon stocks in Shandong Province under the ecological-cultivated land protection scenario[J]. Acta Ecologica Sinica, 2025, 45(4): 1588-1598.
[62]	李悦, 赵红霞, 胡尔查, 等. 毛乌素沙地生态系统碳储量时空变化及其驱动因素分析: 以乌审旗为例[J]. 生态与农村环境学报, 2025, 41(1): 99-113. Li Y, Zhao H X, Hu E C, et al. Spatio-temporal dynamics and driving factors of carbon storage in the Mu Us Sandy Land: a case study in Wushen Banner[J]. Journal of Ecology and Rural Environment, 2025, 41(1): 99-113.
[63]	徐至远, 吴彬, 高凡, 等. 基于PLUS-InVEST模型的阿克苏河流域生态修复工程区碳储量变化模拟与预测[J]. 环境科学, 2025, 46(9): 5752-5764. Xu Z Y, Wu B, Gao F, et al. Simulation and prediction of carbon storage change in ecological restoration project area based on PLUS-InVEST model in Aksu River Basin[J]. Environmental Science, 2025, 46(9): 5752-5764. DOI:10.13227/j.hjkx.202407214
[64]	张雅茹, 梅子钰, 郑曦. 耦合InVEST与MCE-CA-Markov模型的黄河三角洲碳储量时空变化和预测研究[A]. 见: 中国风景园林学会. 中国风景园林学会2022年会论文集[C]. 北京: 北京林业大学出版社, 2023. 461-466.
[65]	Ma Z Y, Duan X J, Wang L, et al. A scenario simulation study on the impact of urban expansion on terrestrial carbon storage in the Yangtze River Delta, China[J]. Land, 2023, 12(2). DOI:10.3390/land12020297
[66]	王迎英, 张刘臻, 甄延临, 等. 长江三角洲城市群建设用地扩张和耕地保护对陆地生态系统碳汇的影响研究[J]. 地理与地理信息科学, 2024, 40(5): 35-41. Wang Y Y, Zhang L Z, Zhen Y L, et al. Effects of built-up land expansion and farmland protection on carbon sinks of terrestrial ecosystems in the Yangtze River Delta urban agglomeration[J]. Geography and Geo-Information Science, 2024, 40(5): 35-41.
[67]	魏熙乐, 李倩, 邓爱平, 等. 基于土地利用变化的四川省碳储量时空演变与预测及驱动因素分析[J]. 水土保持学报, 2025, 32(3): 373-383. Wei X L, Li Q, Deng A P, et al. Spatiotemporal evolution, forecast, and driving factor analysis of carbon storage in Sichuan Province based on land use change[J]. Research of Soil and Water Conservation, 2025, 32(3): 373-383.
[68]	李曼, 吴东丽, 何昊, 等. 1990-2020年黄河流域碳储量时空演变及驱动因素研究[J]. 生态环境学报, 2025, 34(3): 333-344. Li M, Wu D L, He H, et al. Spatio-temporal evolution and driving factors of carbon storage in the Yellow River Basin from 1990 to 2020[J]. Ecology and Environmental Sciences, 2025, 34(3): 333-344.
[69]	毕帆帆, 武志涛, 梁寒雪, 等. 基于PLUS-InVEST-GeoDetector模型的黄河中游碳储量时空变化及驱动因素[J]. 环境科学, 2025, 46(8): 4742-4753. Bi F F, Wu Z T, Liang H X, et al. Spatio-temporal changes and driving factors of carbon storage in the middle reaches of the Yellow River based on PLUS-InVEST-GeoDetector model[J]. Environmental Science, 2025, 46(8): 4742-4753. DOI:10.13227/j.hjkx.202406176
[70]	吴阳, 张杰琳, 彭守璋. 中国典型自然植被碳储量对气候变化的动态响应及驱动力分析[J]. 水土保持学报, 2025, 39(3): 182-190. Wu Y, Zhang J L, Peng S Z. Dynamic response and driver analysis of carbon storage in typical natural vegetation over China under climate change[J]. Journal of Soil and Water Conservation, 2025, 39(3): 182-190.
[71]	罗光浴, 王志远. 洞庭湖生态经济区国土空间格局演变的碳储量效应及驱动因素研究[J]. 生态环境学报, 2024, 33(11): 1672-1685. Luo G Y, Wang Z Y. Research on the carbon storage effect and driving factors of the evolution of territorial space pattern in Dongting Lake ecological and economic zone[J]. Ecology and Environmental Sciences, 2024, 33(11): 1672-1685.
[72]	牛晓耕, 朱雪莲, 刘美玉, 等. 河北省生态系统碳储量和生境质量的时空演变特征及驱动因素[J]. 水土保持通报, 2024, 44(6): 353-365. Niu X G, Zhu X L, Liu M Y, et al. Characteristics and driving factors of spatial and temporal evolution of ecosystem carbon stocks and habitat quality in Hebei Province[J]. Bulletin of Soil and Water Conservation, 2024, 44(6): 353-365.
[73]	刘雪霞, 郝媛媛, 孟哲, 等. 1990-2022年祁连山国家公园碳储量时空变化及其驱动因素[J]. 生态学报, 2025, 45(11): 5263-5276. Liu X X, Hao Y Y, Meng Z, et al. Spatiotemporal variation of carbon storage and its driving factors in Qilian Mountain National Park from 1990 to 2022[J]. Acta Ecologica Sinica, 2025, 45(11): 5263-5276.


环境科学 2026, Vol. 47 Issue (9): 5848-5862	PDF