2026, Vol. 47
2. 云南省农业水资源高效利用与智慧管控重点实验室，昆明 650500;
3. 云南省智能农业工程技术与装备国际联合实验室，昆明 650500
2. Key Laboratory of Efficient Utilisation of Agricultural Water Resources and Intelligent Control in Yunnan Province, Kunming 650500, China;
3. International Joint Laboratory of Intelligent Agricultural Engineering Technology and Equipment in Yunnan Province, Kunming 650500, China
陆地生态系统通过植物光合作用将大气中CO2转变为稳定的有机碳固定在植物和土壤中[1]，对维持全球陆地碳循环、调节气候变化等至关重要[2，3]. 陆地碳储量不仅涉及气候变化，而且与人类活动（如森林破坏、农业扩张和城市化进程等）密切相关[4，5]，并深刻影响着各国政治生态格局和社会经济发展进程[6]. 其中，土地利用/覆被变化（LUCC）作为影响陆地生态系统碳储量变化的主要因素，其碳排放量仅次于化石能源燃烧[7，8]. 相关研究证实，通过适当改变土地利用和农业实践活动（如优化耕作制度、退耕还林和生态修复等[9]），可有效促进土壤碳汇，加速碳固定过程，从而增强陆地生态系统对气候变化的缓冲能力[10]. 因此，深入挖掘土地利用变化对碳存储的响应并预测未来情景下土地碳储量变化状况，对于优化国土空间规划、增强区域可持续发展及减缓气候变暖具有深远意义.
目前，陆地生态系统碳储量的主要评估方法包括实地调查[11]、碳通量监测[12]、遥感反演[13]和模型模拟[14]等. 实地调查通过在典型样地内实测植被和土壤碳储量，但工作量大、采样周期长，难以满足大尺度评估需求[15]；碳通量监测可实时监测单位时间内土壤向大气释放CO2的速率，反映碳的动态变化，但存在技术依赖性强、误差较大和空间覆盖有限等问题，其应用范围有限[16]. 遥感反演通过遥感影像推算地表物理或化学信息，具有广域性和时效性，但精度受限于反演算法和遥感数据质量[13]. 模型模拟则通过整合多源数据开展碳储量的定量模拟，具有适用性强和可操作等优点，是当前广泛采用的区域尺度评估手段[17]. 然而，随着新技术和新方法的不断发展，传统的单一方法已难以满足对陆地生态系统碳汇在时空尺度上精细化、综合评估的需求. 其中，InVEST模型凭借数据需求少、运行效率高和评估结果可靠等优势，已被广泛应用于区域土壤碳储量估算[18]，尤其是与土地利用模型（如FLUS模型[19，20]和CA-Markov模型等[21，22]）耦合使用后，InVEST模型在城市[23]、保护区[24]、土地利用[25]、植物光合作用[26]以及气候情景变化[27]等方面展现出较强的适用性和预测能力. 以上研究为区域碳管理、土地利用决策提供了重要的理论支持.
云南红河流域地处中国西南边陲，是我国西部安全屏障的重要组成部分[28]. 受地形地貌、生境脆弱和人地关系紧张等多重因素的影响，区域内生态系统退化加剧、土壤流失和水土资源等生态问题日益突出[29]. 同时，降水时空分布不均和季节性干旱加剧了当地水资源供需矛盾，梯级水电开发、跨境水资源调配以及不合理土地利用等人为干扰，进一步加剧了生态系统结构和功能的不稳定性和脆弱性[30]. 这使得生态系统碳汇功能削弱，植被退化导致碳固定能力下降，使碳储量时空分布更趋复杂，不确定性明显增加. 然而，目前对于不同干扰强度下生态系统碳汇功能退化的量化机制尚不明确，且缺乏精准预测碳储量动态演变的有效手段. 同时，如何系统解析驱动碳储量变化的驱动因子及其交互作用，进而提出科学的土地管理与碳增汇策略，仍是关键问题. 云南地形复杂，土地利用变化具有长期性和滞后性特征，因此选取2040年作为关键节点. 为此，本研究以云南红河流域为研究区，采用PLUS-InVEST- Geodetector为核心方法，分析了土地利用变化趋势、碳储量时空演变特征及其空间分异规律，并对2040年自然发展、耕地保护、碳汇提升和水资源保护这4种情景下的土地利用格局与碳储量变化进行预测.
1 研究区概况与数据来源 1.1 研究区概况云南红河流域位于云南省中南部（22°21′~25°36′N，100°07′~105°42′E），发源于云南省大理白族自治州巍山县境内，流域面积7.36×104 km2（图 1）. 该流域以高原山地为主，地形起伏较大，西部纵向岭谷区和滇中高原两大地形区，其河流由元江干流和李仙江、藤条江、南溪河、盘龙江和普梅河等诸多支流组成. 流域内气候属亚热带季风气候，干湿分明、雨热同期[31]，年平均气温为15~21℃，年平均降水为1 000~1 600 mm. 径流主要由降雨产生，汛期径流量占年径流量80%以上，枯水期径流量不足20%. 土地利用类型以林地、耕地为主，随地形呈梯度分布[32]，作物种植以水稻、玉米为主粮，烤烟、茶叶、甘蔗和橡胶等为主要经济作物.
|
图 1 云南红河流域地理位置示意 Fig. 1 Geographical location of Honghe River Basin in Yunnan Province |
数据类型主要包括土地利用、自然因素、社会经济因素、可达性因素和碳密度这5类数据（表 1）. 其中，土地利用数据为云南红河流域3期（2000年、2010年和2020年）的土地利用数据，社会经济数据为经济生产总值和人口密度，自然因素数据为高程、坡度、坡向、年均降水量、年均气温、土壤类型、土壤侵蚀强度和归一化植被指数，可达性数据为距铁路距离、距高速公路距离、距一级道路距离、距主要道路距离、距县城驻地距离和距河流距离. 表 1显示了数据的类型和来源. 将上述驱动因子数据进行重采样后，分辨率统一为90 m×90 m，地理坐标系均统一为WGS_1984_UTM_Zone_48N. 距离因子中铁路、高速公路、一级道路、主要道路、县城驻地和河流，其距离要素通过欧氏距离处理得到. 碳密度数据通过查阅相关研究，选取帕茹克·吾斯曼江等[33]的云南省碳密度数据，根据云南省气象条件及云南红河流域气象条件对碳密度数据进行修正，最终获得云南红河流域各土地利用的碳密度数据.
|
表 1 数据来源及说明 Table 1 Data source and description |
2 材料与方法
本研究基于PLUS-InVEST-Geodetector模型耦合构建综合分析框架，探究了云南红河流域土地利用变化及其对碳储量的影响（图 2）. 首先，分析2000~2020年土地利用变化及其分布格局. 其次，设定自然发展、耕地保护、碳汇提升和水资源保护这4种情景，基于土地利用、自然因素、社会经济因素和可达性因素等数据，预测2040年不同预测情景下土地利用格局. 随后，基于修正后的碳密度数据，运用InVEST模型Carbon模块，估算并分析2000~2020年及2040年4种情景下的碳储量及其空间分布特征. 最后，采用最优参数地理探测器对16个驱动因子进行单因子和双因子交互探测，解析其对土地利用变化和碳储量的影响机制及其交互作用关系.
|
图 2 技术框架 Fig. 2 Technical framework |
根据云南红河流域实际情况及数据的可得性，参考相关研究，从3个维度选取了16个驱动因子（图 3）. 其中，社会经济数据为经济生产总值和人口密度，自然因素数据为高程、坡度、坡向、年均降水量、年均气温、土壤类型、土壤侵蚀强度和归一化植被指数，可达性数据为距铁路距离、距高速公路距离、距一级道路距离、距主要道路距离、距县城驻地距离和距河流距离.
|
图 3 土地利用变化驱动因子 Fig. 3 Drivers of land-use change |
本研究利用PLUS模型对云南红河流域土地利用进行多情景模拟. PLUS模型是一种基于斑块生成型的土地利用变化模型，由土地扩张分析策略（LEAS）和基于多类随机斑块种子的CA模型（CARS）构成[34]. 本研究选取2000年和2010年两期土地利用数据，提取其中的扩张部分，通过随机森林算法获取各土地利用类型的空间发展概率及驱动因子对其扩张的贡献度. 随后，结合随机种子生成与阈值递减机制，基于发展概率动态模拟斑块生成. 最后，将2010年数据输入模型进行模拟，与2020年实际数据作对比评估PLUS模型的模拟精度. 经检验，模型模拟的Kappa指数为0.91，整体精度达0.95，表明该模型可用于2040年多情景土地利用格局的预测. 本次模拟假定存在4种未来情景模拟（即自然发展、耕地保护、碳汇提升和水资源保护情景），以全国自然保护区作为限制区[35，36]，根据已有研究设置领域权重参数（表 2）和转移规则矩阵（表 3），具体如下.
|
|
表 2 4种情景下各类型用地领域权重 Table 2 Weights of various land use categories in four scenarios |
|
|
表 3 4种情景下土地利用类型转移矩阵1） Table 3 Land use type transfer matrix under four scenarios |
（1）自然发展情景 不考虑任何规划政策对土地利用变化的约束性，基于2000~2020年云南红河流域土地利用发展变化规律，不设置其他转变情况，以20 a为间隔，运用PLUS模型预测2040年土地利用发展情况；
（2）耕地保护情景 基于自然发展情景，以耕地保护为主，将林地、草地、水域、建设用地和未利用土地向耕地的转移概率增加40%，耕地转向其他地类转移概率降低30%[37].
（3）碳汇提升情景 优先保护高碳密度地类，设定耕地向林地和草地的转移比例增加20%，向建设用地转移比例降低50%；林地和草地向耕地、建设用地转移比例降低40%；水域向建设用地转移的比例降低60%；建设用地向耕地转移的比例增加30%；未利用地向林地、草地的转移比例增加20%，向建设用地转移的比例降低10%[38].
（4）水资源保护情景 除限制水体向其他土地利用类型转变外，森林生态系统具有水源涵养等功能，对于缓解区域结构性缺水具有重要意义，所以增加林地面积. 在此情景下，将水域向除林地外的其他土地利用类型转移概率减少60%，建设用地向水域、林地转移概率提高10%，草地向水域、林地转移概率提高40%，林地向耕地、草地转移概率降低50%，耕地向林地和水域转移概率均增加20% [39].
2.2 生态系统碳储量估算生态系统碳储量（Ctotal）采用InVEST模型Carbon模块进行估算. 基于生态系统碳循环基本过程，InVEST模型Carbon模块将生态系统碳储量划分为4个基本碳库：地上生物碳、地下生物碳、土壤碳和死亡有机碳，其计算公式如下：
| (1) |
式中，Ci-above、Ci-below、Ci-soil和Ci-dead分别为地上生物碳密度、地下生物碳密度、土壤碳密度和死亡有机碳密度（t·hm-2）；Ai为第i类土地利用类型的面积（hm2）；i为某种土地利用类型；n为土地利用类型的数量.
考虑到碳密度估算受土壤性质、土地利用类型和气候等因素的影响[40]，本研究选用帕茹克·吾斯曼江等[33]修正后的碳库数据，采用Alam等[41]、Giardina等[42]和陈光水等[43]提出的碳密度修订方法对生物量碳密度和土壤碳密度进行修正. 生物量碳密度和土壤碳密度与降水存在正相关关系，与气温存在负相关关系. 因此，碳密度修正应综合考虑气温与降水两种因子[44]. 首先，根据帕茹克·吾斯曼江等[33]研究结果，云南省2000~2020年年平均气温16.07℃，年平均降水量958.41 mm. 基于遥感影像数据，提取并计算云南红河流域2000~2020年年平均气温（17.76℃）和年平均降水量（1 138.48 mm）. 将生物量碳密度修正系数和土壤碳密度修正系数代入公式（2）~（8），死亡有机碳密度不做修正，经过计算整理得到修正后的红河流域各土地利用类型碳密度值如表 4所示.
| (2) |
| (3) |
| (4) |
| $ K_{\mathrm{BP}}=C_{\mathrm{BP}}^{\prime} / C_{\mathrm{BP}}^{\prime \prime} $ | (5) |
| $ K_{\mathrm{BT}}=C_{\mathrm{BT}}^{\prime} / C_{\mathrm{BT}}^{\prime \prime} $ | (6) |
| (7) |
| $ K_{\mathrm{S}}=C_{\mathrm{SP}}^{\prime} / C_{\mathrm{SP}}^{\prime \prime} $ | (8) |
式中，CSP为根据年均降水量计算得到的土壤碳密度（t·hm-2）；CBP和CBT分别为根据年平均降水量和年平均气温计算得到的生物量碳密度（t·hm-2）；P为年平均降水量（mm）；T为年平均气温（℃）；KBP和KBT分别为生物量碳密度的降水因子和气温因子修正系数；C'BP和C'BT分别为研究区根据年平均降水量和年平均气温得到的生物量碳密度数据；C″BP和C″BT分别为云南省根据年平均降水量和年平均气温得到的生物量碳密度数据；C'SP和C“SP分别为研究区与云南省根据年平均气温得到的土壤碳密度数据；KB和KS分别为生物量碳密度修正系数和土壤碳密度修正系数.
|
|
表 4 云南红河流域不同土地利用类型碳密度/t∙hm-2 Table 4 Carbon density of different land use types in the Honghe River Basin of Yunnan Province/t∙hm-2 |
2.3 驱动因子分析
本次采用最优参数地理探测器[45]对16个单因子及其交互因子进行探测，以分析流域内碳储量空间演变的主要驱动力. 其中，单因子探测主要用于单一驱动因子对碳储量的影响，而交互因子主要用于判断两个驱动因子共同作用下对碳储量的影响，其结果可用于识别因子间交换关系的强弱情况. 两者的探测结果可用q值表示，其计算公式如下：
| $ q=1-\frac{1}{N \delta^2} \times \sum\limits_{h=1}^L N_h \delta_h^2=1-\mathrm{SSW} / \mathrm{SST} $ | (9) |
| $ \mathrm{SSW}=\sum\limits_{h=1}^L N_h \delta_h^2 $ | (10) |
| (11) |
式中，q为因子解释能力；h为因子的分层；Nh和N分别为层h和全区的单元数；δh2和δ2分别为层h和全区Y值的方差；SSW和SST分别为层内方差之和以及全区总方差. 其中，q值取值范围为[0, 1]，q值越大表示流域碳储量解释力越强.
3 结果与分析 3.1 云南红河流域土地利用时空变化及其情景预测 3.1.1 2000~2020年云南红河流域土地利用时空演变特征云南红河流域土地利用以林地、草地和耕地为主，分别占流域总面积的61%、19%和18%（表 5和图 4）. 2000~2020年间，建设用地和水域持续扩张，而耕地和林地面积持续减少，草地面积先增加后减少. 其中，水域面积从161.39 km2增加至282.08 km2，建设用地面积从132.92 km2增加至339.71 km2；而耕地面积从13 005.56 km2减少至12 831.42 km2，林地从45 759.91 km2减少至45 363.20 km2；草地面积先增加到14 806.69 km2，后减少到14 752.04 km2. 建设用地的持续扩张和耕地、林地的持续减少，可能与人类活动城镇化进程加速有关；水域面积突然增加，可能与极端降雨情况有关.
|
|
表 5 2000~2020年云南红河流域土地利用类型及占比 Table 5 Area and proportion of land use types in Honghe River Basin of Yunnan Province from 2000 to 2020 |
|
图 4 2000~2020年云南红河流域土地利用变化 Fig. 4 Land use in Honghe River Basin of Yunnan Province from 2000 to 2020 |
土地利用转移分析表明（图 5），2000~2020年间，耕地、林地和草地之间的相互转移较为明显. 耕地主要转移为林地和草地，转移面积分别为1 138.75 km2和564.37 km2；林地则主要转移为耕地和草地，转移面积分别为1 039.20 km2和1 234.09 km2. 相比而言，草地呈现双向转移特征，既有2000~2010年间耕地（297.23 km2）和林地（622.73 km2）的转入，又有2010~2020年间耕地（274.28 km2）和林地（613.84 km2）的转出. 此外，建设用地主要来自耕地，转移面积可达33.58 km2；水域则主要来自耕地、林地和草地的转入，其中耕地转移的贡献最大，转移面积为18.05 km2.
|
图 5 土地利用转移桑基图 Fig. 5 Sankey diagram of land use transfer |
与2020年相比，2040年4种情景下林地、草地和耕地面积均产生变化，而水域和建设用地则有所增加（表 6和图 6）. 其中，自然发展情景下，林地、草地和耕地分别减少192.37、88.82和80.93 km2，而水域和建设用地分别增加186.64 km2和174.62 km2. 耕地保护情景下，草地和林地分别减少276.08 km2和614.23 km2，耕地、水域和建设用地则分别增加590.50、167.36和128.02 km2. 碳汇提升情景下，耕地减少448.68 km2，而水域、林地、草地和建设用地分别增加187.42、184.10、80.34和0.15 km2. 水资源保护情景下，草地和耕地分别减少664.50 km2和526.39 km2，林地、水域和建设用地则分别增加777.42、239.09和168.46 km2. 这表明耕地保护情景通过限制耕地流出，有效减缓了耕地向其他地类的转移；碳汇提升情景通过控制高碳密度地类向低碳密度地类的转移，有效减缓了碳储量的损失；水资源保护情景则通过限制水域的转出使水域面积增加，并增加其他地类向林地转移的概率，使林地面积增加，这对于维护云南红河流域的水源涵养至关重要. 然而，在自然发展情景下，建设用地持续扩张，主要集中在城市核心及周边，造成耕地、林地和草地面积不断萎缩.
|
|
表 6 2040年云南红河流域不同情景下土地利用面积 Table 6 Land use area under different scenarios in Honghe River Basin of Yunnan Province in 2040 |
|
图 6 2040年4种情景下云南红河流域土地利用状况 Fig. 6 Land use in Honghe River Basin of Yunnan Province under four scenarios in 2040 |
表 7和图 7为2000~2020年间云南红河流域碳储量时空动态变化. 从空间分布看，云南红河流域碳储量呈现“西高东中低”的格局，西部碳储量高值区主要集中在林地、耕地与草地分布较集中的区域，而中东部低值区则与近年来城镇建设用地密切相关. 从土地利用类型的碳储量贡献来看，林地碳储量占比最高，占整个流域碳储量的69%；耕地和草地分别贡献了13%和16%；水域与建设用地所占比例不足1%. 从时间动态变化看，2000~2020年间，流域总碳储量呈现持续下降趋势，由1 492.74×106 t减少至1 488.46×106 t. 其中，林地碳储量减少最为明显（减少9.06×106 t），耕地碳储量次之（减少2.62×106 t）；而草地碳储量则呈“先减后增”的变化趋势，整体净增长为5.98×106 t. 与此同时，水域与建设用地的碳储量分别增加0.9×106 t和1.22×106 t. 上述结果表明，过去20 a云南红河流域碳储量总体下降，呈现出明显的结构分异与区域差异，林地与耕地碳汇功能减弱是主要原因，草地和水域碳储量的增加则在一定程度上缓解了碳损失.
|
|
表 7 2000~2020年云南红河流域各土地利用类型碳储量×106/t Table 7 Carbon storages by land use type in Honghe River Basin of Yunnan Province from 2000 to 2020×106/t |
|
图 7 2000~2020年云南红河流域碳储量分布 Fig. 7 Carbon storage distribution in the Honghe River Basin of Yunnan Province from 2000 to 2020 |
基于InVEST模型，分析2040年云南红河流域4种不同情景的碳储量变化（表 8、图 8和图 9）. 4种情景下，流域内碳储量均自西向东递减，碳储量高值区主要集中在西北部区域. 整体上，4种情景下，自然发展情景和耕地保护情景下的碳储量较2020年均有所下降，碳汇提升情景和水资源保护情景下的碳储量较2020年均有所上升. 自然发展情景下，碳储量为1 483.75×106 t，减少4.71×106 t；耕地保护情景下，碳储量为1 480.60×106 t，减少7.86×106 t；碳汇提升情景下，碳储量则为1 488.68×106 t，增加0.22×106 t，水资源保护情景下，碳储量则为1 489.62×106 t，增加1.16×106 t.
|
|
表 8 2040年云南红河流域各土地利用类型的碳储量×106/t Table 8 Carbon reserves of various land use types in Honghe River Basin of Yunnan Province in 2040×106/t |
|
图 8 2040年云南红河流域4种情景下碳储量分布 Fig. 8 Carbon storage distribution in the Honghe River Basin of Yunnan Province under four scenarios in 2040 |
|
图 9 2020~2040年云南红河流域碳储量空间分布变化 Fig. 9 Spatial distribution change of carbon reserves in Honghe River Basin of Yunnan Province from 2020 to 2040 |
采用最优参数地理探测器对云南红河流域16个驱动因子分别进行单因子（图 10）和双因子交互探测（图 11）. 单因子探测结果表明，碳储量空间分异主要受NDVI、土壤侵蚀强度、土壤类型、坡度、高程和年均气温等自然因子的影响，其解释力均在0.032以上；人口密度和GDP等社会经济因子也具有明显作用，解释力超过0.024；而可达性因子相对较弱，均在0.024以下. 交互探测结果表明，驱动因子间普遍存在双因子增强和非线性增强效应，表明红河流域碳储量空间格局是多因子耦合作用的结果. 其中，NDVI与土壤类型、NDVI与土壤侵蚀强度的交互作用最强（q值均达0.147），这表明关键驱动因子叠加后可明显增强碳储量空间分异性.
|
X1~X16含义见图 3，下同；*表示P < 0.05，***表示P < 0.001，各驱动因子均通过显著性检验 图 10 单因子探测结果 Fig. 10 Results of single-factor detection |
|
图 11 交互因子探测结果 Fig. 11 Results of interaction factor detection |
土地利用变化通过改变地表状况和生态环境，直接作用于生态系统碳循环过程. 同时，碳储量作为衡量生态系统服务功能的重要指标，在一定程度上反映出区域内土地利用的结构和状态. 2000~2020年，云南红河流域水域和建设用地面积持续增加，耕地、林地和未利用地持续减少，而草地面积则呈现“先增后减”的动态变化. 整体上，流域内土地利用格局变化较为复杂，其中，耕地、林地和草地转移面积较大，而其他土地利用面积占比较少，转移面积也相对较少. 由于土地利用类型所对应的地表覆被状况不同，致使陆地生态系统与大气间的物质和能量交换过程产生区别，从而引起区域内碳储量的空间差异. 一般而言，当高密度土地利用（如耕地，林地和草地）被转变为低密度土地利用（水域和建设用地）时，区域内总碳储量会明显下降. 这一转变与土地利用规划与政策调整，以及城市化进程加快、产业结构转型等对土地资源利用需求的变化有关. 在2000~2010年间，云南省退耕还林工程自2000年开始试点、2002年全面启动以来，工程建设进展顺利，取得了显著效益. 而在2010~2020年间，随着《云南省新型城镇化规划（2014—2020）》《云南省工业转型升级规划（2016—2020年）》等政策的实施，流域内城市化和工业化的推进，建设用地需求快速增加，导致大量耕地、林地和草地被占用开发，改变了原有生态系统结构与功能，植被盖度减少，碳汇功能减弱，从而导致碳储量减少. 这一变化趋势在我国其他区域具有相似之处. 例如，张舟等[46]研究发现2000~2020年间苏州市耕地和林地面积持续减少、建设用地快速扩张，累计碳储量损失达375.02万t，其主要与耕地和林地向建设用地转移有关. 贾纪昂等[47]发现1990~2020年安徽省土地利用以耕地向城镇用地转移为主，其中耕地面积下降3 921.37 km2，而城镇面积增加4 121.15 km2，碳储量损失1.39×107 t. 帕茹克·吾斯曼江等[33]在研究2000~2020年昆明市碳储量时也发现了类似现象，其耕地、林地和草地面积不断减少，而建设用地明显增加，碳储量累计损失5.27×106 t. 综上，随着我国城市化进程的加快，全国普遍出现耕地、林地或草地等高碳储土地利用类型大规模向建设用地转移的现象，普遍引发区域生态系统功能减弱，碳储量下降，生态环境面临更大压力.
通过预测2040年4种情景下碳储量的变化，发现流域碳储量在自然发展和耕地保护情景下较2020年分别减少了4.71×106 t和7.86×106 t，碳汇提升和水资源保护情景下较2020年分别增加0.22×106 t和1.16×106 t. 在自然发展情景下，由于缺乏政策的干预，随着建设用地和水域的增加，耕地、林地和草地的减少，导致碳储量下降；在耕地保护情景下，草地和林地大量转化为耕地，由于林地和草地的碳密度大于耕地，导致碳储量的下降. 在前人的研究中[48，49]，耕地保护情景下可以减缓碳储量下降的速度，但是本次预测中过强的耕地保护政策导致碳储量的大量减少，中国“占补平衡”政策早期确实出现过“占优补劣”现象，即通过开发林地补充耕地导致生态损失，本次模拟揭示了此类政策的潜在风险. 一些地方在推进耕地占补平衡项目时，组织村民开荒造田，将很多不适合耕种的土地变成农田[50]. 目前耕地占补平衡制度在执行中还存在“一刀切”现象，缺乏对区域耕地保护形势的及时研判，缺少实现质量平衡和生态平衡的科学评估体系，也未开展差别化管理的探索[51]. 在本模拟中，过强的耕地面积保护政策因导致林地和草地转为耕地，反而降低了碳储量. 这表明单一面积约束政策可能需要与生态保护规则协同实施，要实现粮食安全与生态保护的双赢，必须推动耕地保护政策从单纯的数量管控向质量-生态-碳汇协同治理转变. 在碳汇提升情景下，退耕还林还草政策的实施有效促进了流域碳储量的提升，但该情景下的建设用地面积在4种情景中最低. 在经济社会快速发展的时代背景下，这一结果揭示出碳汇提升目标下的生态保护政策与城镇化发展需求之间的潜在矛盾，应通过市场化手段平衡生态保护与经济发展的关系，最终实现碳汇提升与城镇化的协调发展. 在水资源保护情景下，虽然林地和水域面积的扩大显著提升了流域碳储量，但该情景下的草地面积在4种情景中最低，这一结果值得警惕. 草地作为陆地生态系统的重要组成部分，其退化不仅会削弱生态系统的整体稳定性，还可能抵消林地和水域扩展带来的碳汇增益. 因此，在推进水资源保护的同时，必须建立草地生态系统动态监测机制，探索林-草-水系统协同管理等综合治理措施，实现水资源保护与草地生态系统维护的协同增效，从而全面提升流域生态系统的稳定性和碳汇功能.
本研究通过多情景模拟揭示了不同土地管理政策对碳储量的差异化影响：单纯追求耕地数量保护的“一刀切”政策虽保障粮食安全，却因林地和草地的转化导致碳储量下降；而退耕还林等碳汇提升措施虽增加碳储量，却可能制约城镇化发展；水资源保护情景虽通过扩大林地和水域提升碳汇，却导致草地面积缩减，可能引发新的生态风险. 因此，要实现土地资源的可持续发展和碳汇提升的目标，必须突破单一目标导向的政策局限，构建兼顾粮食安全、生态保护和城镇化发展的协同治理体系，通过系统性调控实现“山水林田湖草沙”和经济社会发展的整体平衡.
4.2 云南红河流域碳储量驱动机制 4.2.1 不同地类对碳储量的差异性土地利用被认为对碳储量有着显著影响[52]. 碳储量时空动态变化是自然因素和人为活动共同作用的结果，不仅受到气候条件、土壤特征和地形等自然要素的驱动，而且还受到城市化扩张、产业结构调整及土地利用政策等人为因素的调控. 本研究发现2000~2020年间，云南红河流域碳储量整体呈现“由西向东递减”的趋势，同时耕地、林地和未利用地面积持续减少，建设用地和水域持续扩张，这导致了高碳密度地类持续向低碳密度地类的转化，降低了本流域内的碳储量. 耕地则表现出双向调控特征，传统耕作方式会加速土壤有机碳的分解流失，而保护性农业措施（如秸秆还田）则能促进碳固定，其碳储存能力具有人为调控特征；林地通过乔木层和凋落物层形成有效的碳固定系统，持续将大气中的二氧化碳转化为有机碳储存；草地则依靠根系网络在土壤表层积累大量有机碳. 这些地类通过植被与土壤的协同作用，构建了碳储存体系的重要部分. 这类高碳密度地类通常具有较高的植被覆盖和稳定的土壤有机质积累过程. 所以，当这类高碳密度地类转化为低碳密度地类时，植被的清除和人为的土地利用活动破坏了植被覆盖和原有土壤结构，进而导致碳储量的损失. 这一现象的产生是云南红河流域城镇化发展和农业结构调整等共同作用的结果. 这一结果与王少剑等[53]研究30 a间中国碳储量时间变化总体呈现出减少的结论较为一致.
4.2.2 不同驱动因子对碳储量的驱动机制在本研究影响云南红河流域碳储量的16个驱动因子中，通过最优参数地理探测器分析发现NDVI（0.108 5）、土壤侵蚀强度（0.068 5）、土壤类型（0.058 2）、坡度（0.056 7）、高程（0.037 2）和年均气温（0.032 8）、人口密度（0.040 4）和GDP（0.024 6）为主要影响因素，且各因子间存在较强的交互作用.
在自然因素中，自然因子通过调控植被固碳、水热条件和土壤稳定性等影响碳储量. NDVI是作为植被生长状况、生物量水平的生态系统生产力的重要指标. NDVI的值越高，表明植被覆盖度越好，生物量越大，从而能够固定更多的碳[54]. 土壤侵蚀强度作为典型自然因子决定着区域水土保持状况，若土壤侵蚀强度过高，可能会引起土地沙砾化，进而制约区域碳储量的形成，最终造成碳储量的时空分异[55]. 土壤类型因成土母质和有机质积累差异，导致碳储量的区域差异[56]. 云南红河流域常见的土壤类型为红壤、黄壤和棕壤等，红壤通常富含铁铝氧化物，易形成团聚体，有利于有机碳的固存；而黄壤和棕壤在有机质积累方面可能相对较弱[57]. 坡度通过影响水土流失和植被生长间接影响碳储量，陡坡区域更容易发生水土流失，从而降低土壤保持和碳储量能力[58]. 高程通过调控水热条件影响碳储量：地形抬升效应影响降水，绝热冷却效应影响温度. 高海拔地区虽然分解慢，但低温也限制了植被生长，导致碳积累能力整体减弱. 这种海拔梯度效应使得中海拔地区通常具有最优的碳汇功能. 云南红河流域的耕地、建设用地受到纵向岭谷的限制，优势位处于中低地形位，耕地坡度为0°~35°比较适宜种植，坡度0°~15°适合城镇用地发展；草地在中低地形位较为集中，高程大于2 700 m的范围存在明显的负偏好；林地由于建设用地和耕地在低地形位的挤占，广泛分布于又高又陡的中高地形位[32]. 随着坡度的升高，地势逐渐陡峭，不适宜居住，耕地、草地和林地面积增大，区域碳储量和碳密度呈增长的趋势[59]. 年均气温制约区域水热条件，气温升高会加速土壤有机质的分解，使土壤中的碳以二氧化碳的形式释放到大气中，从而降低土壤碳储量.
在人为干扰中，人为因素通过社会经济活动和空间可达性共同影响了碳储量的变化格局. 人口密度（0.040 4）和GDP（0.024 6）直接推动了城乡建设用地的扩张和农业活动的强化，促使高碳储量的自然生态系统向低碳密度的人工地表转化. 交通网络和行政中心的q值均小于0.022 6，但在一定程度上也影响了土地利用变化的强度，越靠近主要道路和县城的区域，土地开发强度越大，生态系统碳损失也越显著. 河流邻近区域则因开发便利性和农业需求，表现出独特的碳流失特征. 这种人为驱动过程并非均质分布，而是在空间上形成梯度差异：经济活跃、交通便利的核心区成为碳流失热点，而偏远山区则相对保留了较高的碳储量. 人为活动的环境影响并非单独存在，而是与流域当地自然条件相互作用.
在交互探测中，NDVI∩土壤类型和NDVI∩土壤侵蚀强度的q值均大于0.147，耦合后对流域碳储量的影响较为强烈. 在土壤质地较好、侵蚀风险较低的区域，NDVI较高往往反映出植被类型丰富、覆盖度较高、生物量丰富和碳固定能力强的特征；而在土壤结构破坏、土壤侵蚀严重的区域，虽然NDVI值较高，但植被生长稳定性优先，抑制了植被-土壤碳汇功能的发挥[60]. NDVI与其他驱动因子的交互为非线性增强性，解释力均高于0.109，表明NDVI是云南红河流域碳储量空间分布的主导因子，这与前人研究得出的结果一致[46，55，61]. 在云南红河流域，自然因子与人为因子的交互作用共同影响碳储量的动态变化. 高海拔湿润山区（如哀牢山和无量山）凭借有利的地形和气候条件，形成了天然的碳汇核心区，而低海拔干热河谷区则因自然条件限制成为碳储量的脆弱带. 然而，这些区域一旦邻近主要交通线路或行政中心，便面临着强烈的人类活动干扰. 在陡峭坡地区域，这种人为干扰与自然侵蚀过程相互叠加，进一步加剧了碳流失. 相比之下，偏远山区因交通不便而较少受到开发影响，得以维持较高的碳储量水平. 整个流域的植被覆盖变化反映了这一交互过程，高碳密度区向低碳密度区的转变伴随着显著的碳密度下降.
基于本研究对云南红河流域碳储量变化及驱动因子的分析，建议采取以下针对性管理策略：在快速城镇化的地区，应严格控制城市无序扩张，建立生态用地占补平衡机制，通过生态修复等措施实现碳补偿；在生态脆弱的山区，需优化退耕还林工程，选择适宜树种进行种植等；在主要农业种植区，应加强农业碳汇管理，通过推广保护性耕作和生态农业技术，在确保、精准施策”的差异化治理体系，通过统筹城乡发展、生态修复与农业转型，实现流域碳汇功能的系统性提升.
4.3 特色和局限性相较于以往大尺度区域性研究多采用定性分析、侧重宏观描述而缺乏量化依据的特点，本文将PLUS模型与InVEST模型相耦合，对云南红河流域2040年4种情景下土地利用格局和碳储量演变进行了定量评估，有效弥补了单一模型在模拟精度和适用性方面的不足，增强了研究结果系统性和综合性. 在此基础上，利用最优参数地理探测器对碳储量主导因子及其相互作用进行深入探析，明确了区域碳储量变化的关键驱动因子及其交互作用机制. 同时，碳密度作为动态变量，不仅受土地利用变化的影响，也与气候条件与植被生长有关. 尽管本研究对碳密度进行了修正，但由于缺乏实测数据的支撑，仍存在一定误差. 此外，PLUS模型在预测过程中未能考虑政策调控、社会经济和工程等因素，其驱动因子设置主要依赖于前人的研究成果，缺乏客观的选取标准. 因此，未来研究应加强多源数据的集成应用，进一步拓展影响因子维度，强化对红河流域土地利用动态和碳储量变化的连续监测，开展实地碳密度数据采集与模型验证，不断提升区域碳储量评估的精度和可靠性.
5 结论（1）云南红河流域土地利用类型以耕地、林地和草地为主，分别占比约17%、62%和20%. 2000~2020年间，云南红河流域耕地和林地面积不断减少，建设用地和水域不断增加. 其中耕地、林地分别减少174.14 km2和396.71 km2，而草地、水域和建设用地分别增加345.97、120.69和206.79 km2.
（2）云南红河流域碳储量整体呈现出“西部高，东中部低”的特征. 2000~2020年间，云南红河流域耕地、林地碳储量分别减少2.62×106 t和9.06×106 t；草地、水域和建设用地碳储量分别增加了5.98×106、0.9×106和1.22×106 t. 20 a间，碳储量累计损失4.28×106 t.
（3）2040年，云南红河流域4种情景下碳储量排序为：水资源保护情景（1 489.62×106 t） > 碳汇提升情景（1 488.68×106 t） > 自然发展情景（1 483.75×106 t） > 耕地保护情景（1 480.60×106 t）. 林地作为主要碳库，其变化是影响碳储量的关键. 在水资源保护情景下，林地增加直接促进了碳固定；而在耕地保护情景下，林地减少则导致了碳释放.
（4）云南红河流域碳储量主要受到NDVI（q=0.108 5）、土壤侵蚀强度（q=0.068 5）和土壤类型（q=0.058 2）的影响，同时存在协同增强效应，特别以NDVI与土壤类型（q=0.147 3）、NDVI与土壤侵蚀强度（q=0.147 0）的交互作用最为显著.
| [1] |
朴世龙, 何悦, 王旭辉, 等. 中国陆地生态系统碳汇估算: 方法、进展、展望[J]. 中国科学: 地球科学, 2022, 65(6): 1010-1020. Piao S L, He Y, Wang X H, et al. Estimation of China's terrestrial ecosystem carbon sink: methods, progress and prospects[J]. Science China Earth Sciences, 2022, 65(4): 641-651. |
| [2] |
刘雨佳, 韦志刚, 王欢, 等. 岭南地区两类典型森林下垫面地表通量特征比较研究[J]. 高原气象, 2022, 41(6): 1501-1510. Liu Y J, Wei Z G, Wang H, et al. A comparative study on the surface flux characteristics of two types of typical forest underlying surfaces in south of the Five Ridges[J]. Plateau Meteorology, 2022, 41(6): 1501-1510. |
| [3] |
祁迷, 王飞, 滑永春, 等. 基于PLUS与InVEST模型的内蒙古自治区土地利用变化及碳储量评估[J]. 水土保持学报, 2023, 37(6): 194-200. Qi M, Wang F, Hua Y C, et al. Assessment of land use change and carbon storage in Inner Mongolia Autonomous Region based on PLUS and InVEST models[J]. Journal of Soil and Water Conservation, 2023, 37(6): 194-200. |
| [4] |
赵克飞, 邵铮, 姚晓华, 等. 共享社会经济路径(SSPs)下广东省城镇化情景演化及其对陆地碳储量的影响评估[J]. 环境科学, 2025, 46(10): 6512-6521. Zhao K F, Shao Z, Yao X H, et al. Evaluating the impacts of urbanization on terrestrial carbon stocks under shared socioeconomic pathways in Guangdong Province[J]. Environmental Science, 2025, 46(10): 6512-6521. DOI:10.13227/j.hjkx.202409204 |
| [5] |
徐自为, 张智杰. 基于土地利用变更调查的2010—2016年新疆尉犁县生态系统碳储量时空变化[J]. 环境科学研究, 2018, 31(11): 1909-1917. Xu Z W, Zhang Z J. Spatiotemporal variation of carbon storage in Yuli County during 2010-2016[J]. Research of Environmental Sciences, 2018, 31(11): 1909-1917. |
| [6] |
王秋凤, 郑涵, 朱先进, 等. 2001~2010年中国陆地生态系统碳收支的初步评估[J]. 科学通报, 2015, 60(10): 962. Wang Q F, Zheng H, Zhu X J, et al. Primary estimation of Chinese terrestrial carbon sequestration during 2001⁃2010[J]. Science Bulletin, 2015, 60(6): 577-590. |
| [7] | Wang K, Li X B, Lyu X, et al. Optimizing the land use and land cover pattern to increase its contribution to carbon neutrality[J]. Remote Sensing, 2022, 14(19). DOI:10.3390/rs14194751 |
| [8] |
陈宁, 辛存林, 唐道斌, 等. 中国西北地区多情景土地利用优化与碳储量评估[J]. 环境科学, 2023, 44(8): 4655-4665. Chen N, Xin C L, Tang D B, et al. Multi-scenario land use optimization and carbon storage assessment in Northwest China[J]. Environmental Science, 2023, 44(8): 4655-4665. DOI:10.13227/j.hjkx.202210083 |
| [9] |
张亚平, 夏真贵, 李世波, 等. 西南喀斯特地区植被覆盖度时空变化特征及其驱动因子分析[J]. 安徽农业科学, 2025, 53(7): 56-68. Zhang Y P, Xia Z G, Li S B, et al. analysis of spatial and temporal change characteristics in vegetation coverage and its driving factors in Southwest Karst Region[J]. Journal of Anhui Agricultural Sciences, 2025, 53(7): 56-68. |
| [10] |
花瑞祥, 景宜然. 2000—2020年中国省际碳平衡时空演变及影响因素分析[J]. 气候变化研究进展, 2025, 21(4): 541-554. Hua R X, Jing Y R. Analysis of the spatio-temporal evaluation and influencing factors of inter-provincial carbon balance in China from 2000 to 2020[J]. Climate Change Research, 2025, 21(4): 541-554. |
| [11] |
李妙宇, 上官周平, 邓蕾. 黄土高原地区生态系统碳储量空间分布及其影响因素[J]. 生态学报, 2021, 41(17): 6786-6799. Li M Y, Shangguan Z P, Deng L. Spatial distribution of carbon storages in the terrestrial ecosystems and its influencing factors on the Loess Plateau[J]. Acta Ecologica Sinica, 2021, 41(17): 6786-6799. |
| [12] |
王田雨, 岳文泽, 黄波, 等. 未来气候变化情景下浙江省陆地生态系统碳汇估算与保护区识别[J]. 地理学报, 2025, 80(1): 183-199. Wang T Y, Yue W Z, Huang B, et al. Estimation of terrestrial ecosystem carbon sinks and identification of carbon sink conservation areas under future climate change scenarios: a case study of Zhejiang province[J]. Acta Geographica Sinica, 2025, 80(1): 183-199. |
| [13] |
陈利军, 刘高焕, 励惠国. 中国植被净第一性生产力遥感动态监测[J]. 遥感学报, 2002, 6(2): 129-135. Chen L J, Liu G H, Li H G. Estimating net primary productivity of terrestrial vegetation in China using remote sensing[J]. Journal of Remote Sensing, 2002, 6(2): 129-135. |
| [14] |
贾天朝, 胡西武. 基于PLUS-InVEST-Geodector模型的三江源国家公园碳储量时空变化及驱动力[J]. 环境科学, 2024, 45(10): 5931-5942. Jia T C, Hu X W. Spatial-temporal change and driving force of carbon storage in Three-River-Source national park based on PLUS-InVEST-Geodector model[J]. Environmental Science, 2024, 45(10): 5931-5942. DOI:10.13227/j.hjkx.202310046 |
| [15] |
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. |
| [16] |
王国锋. 吉林油田二氧化碳捕集、驱油与埋存技术及工程实践[J]. 石油勘探与开发, 2023, 50(1): 219-226. Wang G F. Carbon dioxide capture, enhanced-oil recovery and storage technology and engineering practice in Jilin Oilfield, NE China[J]. Petroleum Exploration and Development, 2023, 50(1): 219-226. |
| [17] |
毛永发, 周启刚, 王陶, 等. 耦合PLUS-InVEST-Geodector模型的三峡库区碳储量时空变化及其定量归因[J]. 长江流域资源与环境, 2023, 32(5): 1042-1057. Mao Y F, Zhou Q G, Wang T, et al. Spatial-temporal variation of carbon storage and its quantitative attribution in the Three Gorges Reservoir Area coupled with PLUS-InVEST Geodector model[J]. Resources and Environment in the Yangtze Basin, 2023, 32(5): 1042-1057. |
| [18] | 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 |
| [19] |
李雪, 李文, 高宇. 基于FLUS-InVEST模型的大庆市土地覆盖模拟与碳储量评估[J]. 环境科学, 2024, 45(10): 5983-5993. Li X, Li W, Gao Y. Land cover simulation and carbon storage assessment in Daqing city based on FLUS-InVEST model[J]. Environmental Science, 2024, 45(10): 5983-5993. DOI:10.13227/j.hjkx.202312007 |
| [20] |
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. |
| [21] |
刘静, 易文利, 刘佳薇, 等. 基于InVEST与CA-Markov模型的宝鸡市碳储量时空演变与预测[J]. 河南科学, 2024, 42(9): 1281-1289. Liu J, Yi W L, Liu J W, et al. Spatio-temporal evolution and prediction of carbon storage in Baoji City based on InVEST and CA-Markov model[J]. Henan Science, 2024, 42(9): 1281-1289. |
| [22] |
李梦彬, 黎鹏飞, 姜奥, 等. 基于InVEST和CA-Markov模型的"十四五"碳储量时空演变与预测——以张家界市为例[J]. 绿色科技, 2024, 26(13): 194-199. Li M B, Li P F, Jiang A, et al. Spatiotemporal evolution and prediction of carbon storage during the 14th Five Year Plan period based on InVEST and CA-Markov models——A case study of Zhangjiajie City[J]. Journal of Green Science and Technology, 2024, 26(13): 194-199. |
| [23] |
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. |
| [24] | Babbar D, Areendran G, Sahana M, et al. Assessment and prediction of carbon sequestration using Markov chain and InVEST model in Sariska Tiger Reserve, India[J]. Journal of Cleaner Production, 2021, 278. DOI:10.1016/j.jclepro.2020.123333 |
| [25] |
张龙江, 陈国平, 林伊琳, 等. 基于MOP-PLUS-InVEST模型的碳储量多情景模拟及驱动机制分析[J]. 农业工程学报, 2024, 40(22): 223-233. Zhang L J, Chen G P, Lin Y L, et al. Simulating multiple scenarios of carbon stocks for driving mechanisms using MOP-PLUS-InVest model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2024, 40(22): 223-233. |
| [26] |
纪昌品, 张晓平. 鄱阳湖不同湿地植物群落光合碳储量及分配[J]. 水土保持研究, 2022, 29(3): 121-127. Ji C P, Zhang X P. Photosynthetic carbon storage and distribution in different wetland communities in Poyang Lake[J]. Research of Soil and Water Conservation, 2022, 29(3): 121-127. |
| [27] |
谢晨新, 张守红, 李华林, 等. 1987—2020年昕水河流域土地利用变化对碳储量的影响[J]. 生态学报, 2024, 44(18): 8021-8032. Xie C X, Zhang S H, Li H L, et al. Impact of land use change on carbon storage in Xinshui River Basin from 1987 to 2020[J]. Acta Ecologica Sinica, 2024, 44(18): 8021-8032. |
| [28] |
包广静, 姬超, 刘仪, 等. 红河流域(云南段)土地生态安全的时空演变及驱动因素分析[J]. 环境科学学报, 2024, 44(4): 463-473. Bao G J, Ji C, Liu Y, et al. Spatiotemporal evolution and drivers of land ecological security in Honghe River Basin (Yunnan section)[J]. Acta Scientiae Circumstantiae, 2024, 44(4): 463-473. |
| [29] |
叶长青, 甘淑, 李运刚. 红河流域降水量的时空变异特征[J]. 云南大学学报(自然科学版), 2008, 30(1): 54-60. Ye C Q, Gan S, Li Y G. Temporal and spatial variation characteristics of precipitation in the Red River Basin[J]. Journal of Yunnan University (Natural Sciences Edition), 2008, 30(1): 54-60. |
| [30] |
张洪波, 尹班, 李春勇, 等. 近40年红河流域(中国部分)水源涵养功能动态演变特征及驱动因素[J]. 生态环境学报, 2025, 34(4): 556-569. Zhang H B, Yin B, Li C Y, et al. Characteristics and drivers of the dynamic evolution of water conservation function in the Honghe River Basin (China section) in the last 40 years[J]. Ecology and Environmental Sciences, 2025, 34(4): 556-569. |
| [31] |
刘世梁, 刘琦, 张兆苓, 等. 云南省红河流域景观生态风险及驱动力分析[J]. 生态学报, 2014, 34(13): 3728-3734. Liu S L, Liu Q, Zhang Z L, et al. Landscape ecological risk and driving force analysis in Red River Basin[J]. Acta Ecologica Sinica, 2014, 34(13): 3728-3734. |
| [32] |
杨李玲, 和阳一丹, 唐红, 等. 云南红河流域土地利用变化的地形梯度效应及其功能分区[J]. 云南大学学报(自然科学版), 2024, 46(2): 276-287. Yang L L, He Y D, Tang H, et al. Topographic gradient effect of land use change and its functional zoning in Red River Basin of Yunnan[J]. Journal of Yunnan University (Natural Sciences Edition), 2024, 46(2): 276-287. |
| [33] |
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 |
| [34] | 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 |
| [35] |
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. DOI:10.13227/j.hjkx.202306110 |
| [36] |
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. |
| [37] |
冯应斌, 辜磊, 吴爽, 等. 喀斯特山区城市土地利用变化及多情景模拟预测: 以贵阳市为例[J]. 环境科学, 2026, 47(5): 3086-3098. Feng Y B, Gu L, Wu S, et al. Urban land use change and multi-scenario simulation prediction in Karst Mountainous Areas: a case of Guiyang City[J]. Environmental Science, 2026, 47(5): 3086-3098. DOI:10.13227/j.hjkx.202503216 |
| [38] |
李媛, 彭玉玲, 彭浩纳, 等. 基于InVSET-Ridge Regression-PLUS模型的云贵高原碳储量时空演变及多情景预测[J]. 环境科学, 2026, 47(3): 1928-1940. Li Y, Peng Y L, Peng H N, et al. Spatiotemporal evolution of carbon storage and multi-scenario prediction in the Yunnan-Guizhou Plateau based on the InVSET-Ridge Regression-PLUS model[J]. Environmental Science, 2026, 47(3): 1928-1940. DOI:10.13227/j.hjkx.202501105 |
| [39] |
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. |
| [40] | 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 |
| [41] | 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 |
| [42] | Giardina C P, Ryan M G, Hubbard R M, et al. Tree species and soil textural controls on carbon and nitrogen mineralization rates[J]. Soil Science Society of America Journal, 2001, 65(4): 1272-1279. DOI:10.2136/sssaj2001.6541272x |
| [43] |
陈光水, 杨玉盛, 谢锦升, 等. 中国森林的地下碳分配[J]. 生态学报, 2007, 27(12): 5148-5157. Chen G S, Yang Y S, Xie J S, et al. Total belowground carbon allocation in China's forests[J]. Acta Ecologica Sinica, 2007, 27(12): 5148-5157. |
| [44] |
许澳康, 胡梦珺, 石晶, 等. 石羊河流域生态系统碳储量时空变化及多情景模拟[J]. 中国环境科学, 2024, 44(6): 3365-3375. Xu A K, Hu M J, Shi J, et al. Spatial and temporal variability of ecosystem carbon storages and multi-scenario simulation in the Shiyang River basin[J]. China Environmental Science, 2024, 44(6): 3365-3375. |
| [45] |
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. |
| [46] |
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 |
| [47] |
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. DOI:10.13227/j.hjkx.202403132 |
| [48] |
郑海岳, 王磊, 魏涛, 等. 基于FLUS-InVEST模型的淮南市土地覆盖模拟与碳储量评估[J]. 环境科学, 2025, 46(8): 4754-4764. Zheng H Y, Wang L, Wei T, et al. Land cover simulation and carbon stock assessment in Huainan City based on FLUS-InVEST model[J]. Environmental Science, 2025, 46(8): 4754-4764. DOI:10.13227/j.hjkx.202409033 |
| [49] |
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 |
| [50] | 周楠. 耕地占补平衡不能玩"占优补劣"游戏[N]. 新华每日电讯, 2021-01-20(007). |
| [51] | 郭鹏飞. 耕地占补平衡实施中的"不平衡"问题与对策[J]. 审计观察, 2023(11): 86-91. |
| [52] |
刘孟竹, 王彦芳, 裴宏伟. 退耕还林(草)背景下中国北方农牧交错带土地利用及碳储量变化[J]. 中国沙漠, 2021, 41(1): 174-182. Liu M Z, Wang Y F, Pei H W. The changes of land use and carbon storage in the northern farming-pastoral ecotone under the background of returning farmland to forest (grass)[J]. Journal of Desert Research, 2021, 41(1): 174-182. |
| [53] |
王少剑, 周诗洁, 方创琳. 1980~2020年中国陆地生态系统碳储量时空格局与演进规律[J]. 中国科学: 地球科学, 2024, 67(10): 3323-3339. Wang S J, Zhou S J, Fang C L. Spatial-temporal patterns and evolution of carbon storage in China's terrestrial ecosystems from 1980 to 2020[J]. Science China Earth Sciences, 2024, 67(10): 3270-3287. |
| [54] |
熊国来, 吴学群, 杨明龙, 等. 基于PLUS-InVEST模型的喀斯特地区碳储量时空变化及影响因素分析[J]. 水土保持研究, 2025, 32(6): 307-315, 326. Xiong G L, Wu X Q, Yang M L, et al. Spatiotemporal variations and influencing factors of carbon storage in Karst Regions based on PLUS-InVEST model[J]. Research of Soil and Water Conservation, 2025, 32(6): 307-315, 326. |
| [55] |
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. DOI:10.13227/j.hjkx.202309230 |
| [56] | Cai A D, Feng W T, Zhang W J, et al. Climate, soil texture, and soil types affect the contributions of fine-fraction-stabilized carbon to total soil organic carbon in different land uses across China[J]. Journal of Environmental Management, 2016, 172: 2-9. DOI:10.1016/j.jenvman.2016.02.009 |
| [57] |
汤志龙, 张连凯, 王兴荣, 等. 基于遥感数据与样地调查数据的流域碳储量时空变化及驱动因素分析: 以漾弓江为例[J]. 环境科学, 2026, 47(1): 372-383. Tang Z L, Zhang L K, Wang X R, et al. Spatiotemporal dynamics and driving factors of watershed carbon storage based on remote sensing data and plot survey data: a case study of the Yanggong River Basin[J]. Environmental Science, 2026, 47(1): 372-383. DOI:10.13227/j.hjkx.202501025 |
| [58] |
赵慧, 刘茜, 张敏, 等. 基于XGBoost-SHAP模型的北京市生态系统服务空间格局及驱动因素分析[J]. 环境科学, 2026, 47(2): 1025-1037. Zhao H, Liu Q, Zhang M, et al. Analysis of spatial patterns and driving factors of ecosystem services in Beijing based on XGBoost-SHAP model[J]. Environmental Science, 2026, 47(2): 1025-1037. DOI:10.13227/j.hjkx.202501166 |
| [59] |
张善红, 袁怡, 王佳瑶, 等. 基于InVEST模型的秦岭生态系统碳储量变化研究[J]. 江西农业学报, 2025, 37(7): 106-112. Zhang S H, Yuan Y, Wang J Y, et al. Study on change of carbon storage of ecosystem in Qinling Mountains based on InVEST model[J]. Acta Agriculturae Jiangxi, 2025, 37(7): 106-112. |
| [60] | Wu L H, Wang S J, Bai X Y, et al. Climate change weakens the positive effect of human activities on karst vegetation productivity restoration in southern China[J]. Ecological Indicators, 2020, 115. DOI:10.1016/j.ecolind.2020.106392 |
| [61] |
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 |