2026, Vol. 47
2. 湖南省自然保护地风景资源大数据工程技术研究中心，长沙 410004
2. Hunan Big Data Engineering Technology Research Center of Natural Protected Areas Landscape Resources, Changsha 410004, China
近年来，随着工业化和城市化建设，大量温室气体排放导致全球气候变暖问题日益严重，对人类生存和经济社会的可持续发展提出了严峻的挑战[1]. 截至2020年，中国已成为世界上碳排放量最多的国家，占全球二氧化碳排放量的30.7%[2]. 为应对全球气候变暖的危机，中国政府于2020年提出力争2030年实现碳达峰，努力争取2060年实现碳中和的战略目标[3]，如何减少碳排放、提升碳固存逐渐成为学者们的研究热点[4，5]. 陆地生态系统被认为是当前全球最大的“容纳汇”，保障和挖掘陆地生态系统固碳潜力，是实现“碳中和”目标的关键性环节[6，7]. 土地利用变化影响陆地生态系统碳循环，在快速城镇化进程中伴随着显著的土地利用变化，林地和耕地向建设用地的转移均促使生态系统碳储量发生转换[8]. 不合理的土地利用是导致陆地生态系统碳循环失衡进而导致温室气体浓度增加的主要原因之一[9]. 因此深入研究土地利用变化下的生态系统碳储量动态演变规律，基于碳储量变化评估土地利用变化的碳源汇效应将对促进区域“双碳”目标实现具有重要的意义.
碳源汇效应揭示了生态系统对大气二氧化碳收支的调控机制，并已成为近年来相关研究的热点[10]. 现有研究主要聚焦于草地[11]、农田[12]和森林[13]等生态系统层面，结果表明各类生态系统均具有显著的固碳潜力，其碳收支过程对气候因子高度敏感，并深受人类活动影响. 在不同空间尺度上，从国家[14]、流域[15]到区域[16]和城市群[17]，普遍发现中国植被碳汇能力持续增强. 其中，气候因子与植被特征构成主要的自然驱动因素，而生态修复、土地管理和政策干预等人为措施则有效提升了固碳水平. 耿垭鑫等[18]和白天豪等[19]的研究指出，气候变化通过影响植被生理过程改变陆地生态系统碳平衡，而土地利用变化则通过重塑生态系统结构与功能，引发碳循环过程和碳储量的显著波动[20，21]. 总体而言，自然与人为因素的耦合作用决定了碳源汇效应的时空差异[22]. 碳源/汇是碳储量在时间尺度上的动态表现，碳储量评估为识别碳源汇效应提供了定量基础，因此碳储量的时序变化可揭示区域碳源汇格局的演变特征[23]. 在方法层面，已有学者通过耦合InVEST模型与土地利用预测模型[24，25]，分析不同情景下土地利用变化对生态系统碳储量的影响. Wang等[26]和唐文睿等[27]认为，PLUS模型与InVEST模型的耦合度较高，是开展土地利用变化与碳储量预测的有效手段，已在多尺度研究中得到广泛应用[28，29]. 然而，现有研究在研究对象和空间尺度上仍存在不足，多集中于国家或流域尺度，且研究对象往往局限于森林、农田或草地等单一生态系统，对城市群及跨尺度差异的考察不足，同时对多类型土地利用转化过程的关注有限，在揭示区域碳循环整体特征方面仍存在局限. 相比之下，综合分析多种生态系统类型对于系统刻画区域碳循环特征具有重要意义. 不同土地利用类型之间的相互转化是驱动碳源汇格局变化的关键过程，因此多类型研究对于识别碳收支核心环节并支撑政策决策具有重要价值.
长株潭城市群是长江经济带的重要组成部分，也是全国“两型”社会建设综合配套改革试验区. 2010年，长株潭城市群启动了低碳经济试点方案. 2016年4月，《湖南省低碳发展五年行动计划（2016~2020年）》明确提出“要构建以碳排放控制制度为基石、以建立和完善碳排放交易制度为核心的低碳发展制度框架”[30]. 由于城镇化迅速发展，建设用地扩张侵占大量生态用地，控碳减排形式依然严峻，积极探索碳储量变化引起的土地利用碳源汇效应对实现“双碳”目标尤为重要. 当前对长株潭城市群的研究，学者们大多数研究的是土地利用变化对生态系统碳储量[31]以及生态系统服务[32]的影响，并未对碳储量变化的土地利用碳源汇效应进行更深层次的分析. 本研究基于1990~2020年土地利用数据和碳密度数据分析历史时期碳储量变化的土地利用碳源汇效应，耦合InVEST模型和PLUS模型分析2030年和2060年长株潭城市群在自然发展情景、城镇发展情景、耕地保护情景、生态保护情景和综合保护情景5种发展情景下土地利用变化的碳源汇效应，以期为长株潭城市群高质量发展和土地利用合理规划提供数据支撑.
1 材料与方法 1.1 研究区概况长株潭城市群（111°58'~114°13'E，26°18'~28°41'N）地处我国中南部，包括长沙市、株洲市和湘潭市这3座城市，共23个县级行政单元，总面积约为2.8万km2. 2020年年末总人口为1 668.94万人，GDP为17 591.46亿元，是湖南省经济发展与城市化的核心区域. 区域属于亚热带季风性气候，地形主要以丘陵为主. 近年来，随着经济社会发展和区域一体化进程加快，长株潭城市群不同土地利用类型转换加快，生态安全格局遭到破坏. 因此，研究长株潭城市群土地利用变化对碳储量的影响及土地利用碳源汇效应，对推进区域土地利用可持续健康发展具有重要意义（图 1）.
|
图 1 区域概况 Fig. 1 Regional overview |
本研究所使用的数据主要包括4期土地利用分类数据（1990年、2000年、2010年和2020年）、碳密度数据以及多源驱动因子数据. 将土地利用类型按照国家土地利用现状分类体系重分类为耕地、林地、草地、水域、建设用地和未利用地这6个类别. 碳密度数据结合1990~2020年长株潭城市群的气候条件进行了修正，以反映不同时期的空间差异. 对于驱动因子数据，方差膨胀因子（VIF）检验表明人口密度和GDP存在严重共线性（VIF > 10），而夜间灯光指数的VIF较低（< 2）. 因此，采用主成分分析（PCA）对人口密度和GDP进行降维处理，以消除多重共线性问题. 所有空间数据均采用WGS_1984_UTM_Zone_49N投影坐标系，分辨率统一为30 m（表 1）.
|
表 1 数据来源 Table 1 Data sources |
1.3 研究框架 1.3.1 概念界定
由高碳储量用地类型转变为低碳储量用地类型，部分碳储量释放到大气中，表现为碳源效应，采用碳流失量表示；反之，由低碳储量用地类型转变为高碳储量用地类型，吸收了大气中的二氧化碳，表现为碳汇效应，采用碳提升量表示（图 2）.
|
图 2 土地利用类型转变的碳源汇效应示意 Fig. 2 Schematic of carbon source-sink effects from land-use type transitions |
首先，对研究区域1990~2020年土地利用面积变化和转移变化进行分析，运用InVEST模型评估1990~2020年的碳储量变化特征，基于碳储量变化对区域土地利用碳源汇效应进行识别；然后，基于2030年碳达峰和2060年碳中和目标，对研究区域2030年和2060年土地利用碳源汇效应进行预测，设置自然发展情景（ND）、城镇发展情景（UD）、耕地保护情景（CP）、生态保护情景（EP）和综合保护情景（IP）这5种情景，对5种情景下的土地利用变化及碳储量变化进行模拟，基于碳储量变化结果对土地利用碳源汇效应进行预测（图 3）.
|
图 3 技术路线 Fig. 3 Technical approach |
土地利用动态度是用来反映研究期内不同类型土地面积变化的年际速度的指标，可以用来衡量不同时间尺度内某种土地利用类型面积变化的快慢[33]. 计算公式为：
| (1) |
式中，K为某一类土地利用动态度；Ua和Ub为研究期初和期末某地类的面积；T为时间间距.
1.4.2 土地利用转移矩阵土地利用转移矩阵能够直观地反映某个时期内不同类别土地利用之间的转换方向和转换面积，是分析土地利用历史动态变化和未来变化趋势的重要途径[34]. 计算公式为：
| (2) |
式中，Aij为研究初期第i种土地利用类型向第j种土地利用类型转换的面积，Ai为转移前的i类土地面积，Aj为转移后的j类土地面积，n为土地利用类型数.
1.4.3 InVEST模型 1.4.3.1 碳储量模块InVEST模型碳储量模块将生态系统的碳储量划分为地上生物碳、地下生物碳、土壤碳和死亡有机碳. 总碳储量[35]的计算公式如下：
| (3) |
式中，Ctotal为总碳储量，Cabove为植被地上碳储量，Cbelow为植被地下碳储量，Csoil为土壤碳储量，Cdead为死亡有机碳储量，i为区域内第i种土地利用类型的碳密度（t·hm-2），Ai为区域内该种土地利用类型的总面积（km2）.
1.4.3.2 碳密度及其修正碳密度作为计算碳储量的重要参数，它不仅可以衡量生态系统对改善气候的贡献能力，还能反映该生态系统的生物量密度，可以用单位面积的碳总量进行表述. 碳密度主要选取各土地利用类型的地上植被、地下植被和土壤碳密度，死亡有机质碳密度[36，37].
碳密度系数通常会由于气候变化、降水量以及土地利用方式的不同产生一定的差异，各个区域的碳密度系数有所不同，因此需要对所选区域的数值进行修正，才能更准确地测算该区域的碳储量. 年降水量与生物量和土壤碳密度的关系采用Alam等[38]研究中的公式作为修正降水量因子的公式，采用Giardina等[39]和陈光水等[40]研究中的公式来修正年均温和生物量碳密度，计算公式如下：
| (4) |
| (5) |
| (6) |
式中，CSP为根据年降水量得到的土壤碳密度（kg·m-2），CBP、CBT分别为根据年降水量和年均温得到的生物量碳密度（kg·m-2），P为年均降水量（mm），T为年均气温（℃）.
本研究考虑到长株潭城市群和全国的气温和降水在1990年、2000年、2010年和2020年4个时间节点会有所不同，不同时期的碳密度也会有所不同，因此本文选取了长株潭城市群和全国的4个时间节点不同的气温和降水数据，长株潭城市群4个时间节点的气温和降水分别是17.6℃/1 526.4 mm、17.4℃/1 526.4 mm、17.6℃/1 742.4 mm和18.0℃/1 545.6 mm，全国4个时间节点的气温和降水分别是6.7℃/610.8 mm、6.5℃/567.6 mm、6.8℃/609.6 mm和7.2℃/688.8 mm，将其代入上述公式，二者之比即为长株潭城市群碳密度修正系数.
| (7) |
| (8) |
| (9) |
| (10) |
式中，KBP和KBT分别为生物量碳密度降水因子和气温因子修正系数；KB为在降水因子和气温因子综合影响下的生物量碳密度修正系数；KS 为土壤碳密度修正系数；C′和C″分别表示所研究区域与全国的碳密度数据，所得比值为其修正的系数（表 2）.
|
|
表 2 1990~2020年不同时期长株潭城市群土地利用类型各部分的碳密度1）/t·hm-2 Table 2 Carbon density values for the Chang-Zhu-Tan Urban Agglomeration for each type of land use from 1990 to 2020/t·hm-2 |
1.4.4 PLUS模型
PLUS（patch-generating land use simulation）模型由中国地质大学（武汉）高性能空间计算智能实验室团队[41]于2020年提出，是一种基于历史土地利用栅格数据模拟未来土地利用需求的模型. 该模型由用地扩张分析模块（LEAS）和基于多类随机斑块种子的元胞自动机模块（CARS）组成. 首先，在LEAS模块中，基于长株潭城市群2010~2020年土地利用数据提取土地扩张图，并结合12项驱动因子，获取该时期各类用地的扩张概率以及各驱动因子对不同地类扩张的贡献度. 在CARS模块中，结合LEAS模块生成的扩张概率，以及设定的邻域权重和转移矩阵等参数，模拟得出2030年和2060年的土地利用需求分布.
1.4.4.1 模拟精度检验为验证模型精度，本研究采用2020年长株潭城市群实际土地利用需求数据，并基于2010~2020年土地利用及驱动因子数据，计算各地类的空间发展概率. 以2010年为基准年，将发展概率输入模型运算获得2020年土地利用模拟结果（图 4）. 通过与2020年实测数据对比，模拟结果的总体精度为91%，Kappa系数为0.84，表明模型具有较高的空间模拟能力. 上述结果验证了PLUS模型在区域尺度下的适用性，可用于预测2030年和2060年长株潭城市群的土地利用格局.
|
图 4 2020年模拟土地利用与实际土地利用对比 Fig. 4 Comparison of simulated and actual land use in 2020 |
本研究选择2030年和2060年作为预测年份具有重要意义. 一方面，2030年与2060年分别对应我国提出的“碳达峰”与“碳中和”战略目标，是“双碳”进程中的关键时间节点；另一方面，2030年也是《长株潭都市圈发展规划纲要（2021~2035）》的重要阶段性节点，能够反映中期发展与政策实施效果，而2060年则可体现土地利用格局在实现碳中和愿景下的长期演变趋势[42]. 此外，从研究尺度上看，30~40 a的时间跨度能够揭示土地利用格局及碳储量变化的中长期动态特征，有助于评估不同情景下的差异与政策效果. 结合《长株潭都市圈发展规划纲要（2021~2035年）》、湖南省“十四五”国土空间规划纲要以及相关学者的研究成果[43，44]，设置自然发展（ND）、城镇发展（UD）、耕地保护（CP）、生态保护（EP）和综合保护（IP）这5类情景，各情景均以ND情景为基础，通过调整土地转移概率和转移矩阵（表 3）模拟2030年和2060年土地利用变化.
|
|
表 3 不同情景下的土地利用转移矩阵设置1） Table 3 Land use transition matrix settings under different scenarios |
ND情景：不考虑政策干预或规划管控，延续区域现有的土地利用转移趋势.
UD情景：依据《长株潭都市圈发展规划纲要》提出的城镇化发展战略，以建设用地扩张为主. 相较于ND情景，2030年和2060年分别将各类土地向建设用地的转移概率提高20%和35%，同时将建设用地向除耕地外其他地类的转移概率降低30%和40%，以模拟加快城市化进程下的土地利用格局演变.
CP情景：结合《湖南省永久基本农田保护条例》和“高标准农田建设”等相关政策，在自然发展情景的基础上，2030年和2060年将耕地向建设用地的转移概率降低60%和75%，并限制部分耕地向其他地类的转移，以体现严格的耕地保护目标.
EP情景：参考《湖南省生态保护红线划定方案》，将2030年和2060年林地和草地向建设用地的转移概率降低50%和45%，同时耕地和草地向林地的转移概率提高30%和50%，以体现生态优先战略下的土地利用优化方向.
IP情景：在耕地保护与生态保护双重目标下，统筹粮食安全与生态安全. 该情景减少其他用地向建设用地和未利用地的转化，同时引导未利用地向生态用地转变. 具体而言，将2030年和2060年耕地向建设用地的转移概率降低60%和65%，林地和草地向建设用地的转移概率降低50%和55%，耕地向未利用地的转移概率降低20%和35%，未利用地向林地、草地和耕地的转移概率提升50%和65%，以实现建设发展、耕地保护与生态修复的协调统一.
2 结果与分析 2.1 1990~2020年长株潭城市群土地利用变化特征 2.1.1 土地利用类型面积变化1990~2020年间，长株潭城市群土地利用结构发生显著变化，耕地与林地主导格局弱化，建设用地快速扩张. 耕地和林地总面积占比由94.53%降至90.69%，主要受城镇化进程中农业与生态空间被占用的影响；建设用地占比由2.03%升至5.71%，成为区域土地利用变化的主要特征. 同期，草地、水域和未利用地总占比保持在约3%. 据土地利用动态度（表 4），30 a间耕地减少633.75 km2，其中2000~2010年降幅最大，反映出基础设施建设的集聚效应；林地和草地分别减少443.91 km2和5.91 km2，亦受建设用地扩张驱动. 相比之下，建设用地激增1 035.29 km2，增幅达181.36%，直观反映了城市建成区的蔓延；水域与未利用地分别增加48.69 km2和2.85 km2，增幅为9.56%和65.97%. 空间分布上（图 5），耕地与林地分布广泛但受侵蚀趋势明显，草地集中于南部与东北部，水域相对稳定，而建设用地则主要集聚于长沙市、株洲市和湘潭市主城区，呈现典型的多中心扩张格局.
|
|
表 4 1990~2020年长株潭城市群土地利用动态变化 Table 4 Land use dynamics of the Chang-Zhu-Tan Urban Agglomeration from 1990 to 2020 |
|
图 5 1990~2020年长株潭城市群土地利用分布 Fig. 5 Land use distribution in the Chang-Zhu-Tan Urban Agglomeration from 1990 to 2020 |
1990~2020年间，长株潭城市群共有2 259.04 km2土地发生转移，占区域总面积的8.04%. 土地利用转移主要发生在耕地、林地与建设用地之间（表 5）. 从转出方向看，耕地和林地分别净转出635.57 km2和445.48 km2，主要转为建设用地和部分相互转化. 建设用地为主要转入类型，净转入面积为1 035.36 km2，其中来自耕地和林地的转入面积分别为579.42 km2和482.02 km2，占建设用地转入总量的53.05%和44.13%. 耕地转入主要来源于林地，转入面积为396.69 km2，占耕地总转入面积的84.59%，其次为建设用地和水域. 林地转入主要来源于耕地和草地，合计占林地总转入面积的92.92%，体现出退耕还林政策的显著影响. 草地转入主要来源于林地，面积为40.07 km2；水域转入以耕地和林地为主，占水域总转入面积的94.59%. 土地利用转移空间分布主要集中于长株潭中心城区，以耕地和林地向建设用地的转移最为显著（图 6）.
|
|
表 5 1990~2020年长株潭城市群土地利用转移矩阵/km2 Table 5 Land use transfer matrix of the Chang-Zhu-Tan Urban Agglomeration from 1990 to 2020/km2 |
|
图 6 1990~2020年长株潭城市群土地利用转移空间分布 Fig. 6 Spatial distribution of land use transfers in the Chang-Zhu-Tan Urban Agglomeration from 1990 to 2020 |
基于长株潭城市群陆地生态系统碳密度数据，本研究应用InVEST模型Carbon模块，量化了1990~2020年碳储量的时空演变（表 6）. 结果表明，区域碳储量总体呈下降趋势，从1990年的958.74×106 t降至2020年的920.16×106 t，累计减少38.58×106 t. 其中，2000~2010年下降最为显著，减少19.05×106 t. 土地利用转型是碳储量变化的主导因素，耕地与林地转出分别导致19.10×106 t和23.84×106 t的碳储损失，而建设用地扩张带来4.66×106 t的碳储增长. 水域、草地和未利用地碳储变化较小. 空间格局上，碳储量呈现出显著的异质性（图 7）. 高值区集中分布于城市化程度较低的外围林地区域，单位面积碳密度高于26.19 t·hm-2；低值区集中于长沙市、株洲市和湘潭市的中心城区，单位面积碳密度低于0.19 t·hm-2，反映出高强度人类活动削弱了植被与土壤的固碳能力.
|
|
表 6 1990~2020年长株潭城市群土地利用类型碳储量×106/t Table 6 Carbon storage of land use types in the Chang-Zhu-Tan Urban Agglomeration from 1990 to 2020×106/t |
|
图 7 1990~2020年长株潭城市群碳储量空间分布 Fig. 7 Spatial distribution of carbon storage in the Chang-Zhu-Tan Urban Agglomeration from 1990 to 2020 |
为揭示长株潭城市群碳储量的时空演变规律，基于两期碳储量数据计算相对变化率，并设定±10%阈值进行重分类以规避模型不确定性影响（图 8）. 其中，大于10%为“明显增加”，小于-10%为“明显减少”，介于±10%之间则为“基本不变”. 1990~2020年间，碳储量基本不变区域占主导，面积占比高达92.27%. 明显减少区域面积为1 633.36 km2，占总面积的5.83%，主要集中于长沙市、株洲市和湘潭市的市辖区，在其他地区则呈零星散布. 明显增加区域面积仅为532.28 km2，占比1.90%，零散分布于长沙市辖区、浏阳市西部、炎陵县及茶陵县等地. 总体来看，变化最剧烈的区域集中于长株潭核心城区，受高强度城市化和土地利用变化影响，碳储量波动显著.
|
图 8 1990~2020年长株潭城市群碳储量空间变化 Fig. 8 Spatial variation of carbon storage in the Chang-Zhu-Tan Urban Agglomeration from 1990 to 2020 |
1990~2020年间，长株潭城市群耕地与林地的显著变化是区域碳储量波动的关键驱动因素（图 9）. 耕地和林地转为建设用地的面积变化尤为突出，碳储量损失最大，其中耕地转为建设用地面积为579.42 km2，碳储量减少13 192.21×103 t；林地转为建设用地面积为482.02 km2，碳储量减少16 802.39×103 t. 耕地转为林地则显著增加了碳储量，面积达436.07 km2，碳储量增加5 121.24×103 t. 此外，草地、水域及建设用地向林地转化亦促进碳储量提升，印证了林地作为核心生态碳库的功能. 值得注意的是，水域与建设用地转为耕地亦分别带来835.69×103 t和785.98×103 t的碳汇增长，这表明耕地的土壤及植被碳汇功能不容忽视.
|
S表示土地利用转移面积（km2），C表示碳储量转移变化（×103t） 图 9 1990~2020年长株潭城市群土地利用类型转变引起的碳储量变化 Fig. 9 Carbon storage impacts of land use type transitions in the Chang-Zhu-Tan Urban Agglomeration from 1990 to 2020 |
1990~2020年，长株潭城市群土地利用类型变化引发碳储量波动，进而产生碳源汇效应. 高碳储量用地转化为低碳储量用地时，部分碳储量释放到大气中，形成碳源效应. 基于SPSS可视工具，依据标准差将碳源效应强度分为强、中和弱这3个等级（图 10）. 结果显示，强碳源效应主要源于林地转为水域、未利用地及建设用地，其单位面积碳储量损失分别为39.34×103、39.19×103和34.86×103 t. 中等碳源效应则包括两类转化：一是草地与耕地转为水域、未利用地与建设用地，其中草地与耕地转为水域导致的单位面积碳储量损失最高，分别为29.06×103 t与27.25×103 t；二是林地向耕地与草地的转化，单位面积碳储量损失分别为12.30×103 t与10.54×103 t. 而建设用地转为水域和未利用地、草地转为耕地、未利用地转为水域所导致的单位面积碳储量减少幅度较小，表现为弱碳源效应.
|
箭头表示土地利用类型转移方向，C-表示碳储量转移变化（×103t） 图 10 1990~2020年长株潭城市群单位面积土地利用类型转变的碳源效应 Fig. 10 Carbon source effects of land use type transitions per unit area in the Chang-Zhu-Tan Urban Agglomeration from 1990 to 2020 |
1990~2020年间，长株潭城市群的低碳储量用地向高碳储量用地的转化，通过固存大气中的二氧化碳表现出碳汇效应. 参考碳源效应的分级方法，依据标准差将碳汇效应强度划分为强、中和弱这3个等级（图 11）. 结果显示，强碳汇效应主要源于水域、未利用地及建设用地向林地的转化，其单位面积碳储量增幅分别为39.00×103、38.84×103和34.45×103 t. 中等碳汇效应体现在两个方面：一是水域、未利用地及建设用地转为草地或耕地，其中水域转为草地和耕地导致的单位面积碳储量增幅最高，增幅分别为28.81×103 t与27.04×103 t；二是耕地与草地转为林地，带来38.59×103 t的单位面积碳储量增量. 弱碳汇效应则表现为水域和未利用地转为建设用地、耕地转为草地和水域转为未利用地等导致的单位面积碳储量小幅增加.
|
箭头表示土地利用类型转移方向，C+表示碳提升量（×103t） 图 11 1990~2020年长株潭城市群单位面积土地利用类型转变的碳汇效应 Fig. 11 Carbon sink effects of land use type transitions per unit area in the Chang-Zhu-Tan Urban Agglomeration from 1990 to 2020 |
以2030年碳达峰和2060年碳中和为时间节点，模拟了长株潭城市群多情景下的土地利用格局演变（图 12）. 以2020年为基准，2030年ND情景下耕地和林地面积分别减少2.71%和1.11%，建设用地增加24.38%；UD情景下上述变化幅度进一步扩大，反映出延续历史趋势或放松管控将导致耕地和林地被持续侵占. CP情景下耕地面积增加262.50 km2，EP情景下林地增加54.58 km2，两种情景均因政策约束使建设用地扩张受控. IP情景统筹发展与保护，表现最为理想，实现耕地与林地同步增长，建设用地增幅仅1.91%. 至2060年，各情景趋势基本延续，IP情景下耕地与林地持续增长，建设用地增速进一步减缓，凸显了其统筹发展与保护的政策成效（表 7）.
|
图 12 不同情景下2030年和2060年长株潭城市群土地利用空间分布模拟预测 Fig. 12 Simulated predictions of land-use spatial distribution in the Chang-Zhu-Tan Urban Agglomeration under different scenarios in 2030 and 2060 |
|
|
表 7 不同情景模拟下2030年和2060年土地利用变化情况（相比于2020年） Table 7 Land use changes in 2030 and 2060 under different simulation scenarios (compared with 2020) |
2.4.2 多情景模拟土地利用类型转移变化
2020~2030年，长株潭城市群土地利用转移规模与方向因情景而异（图 13）. 在ND情景下，共有1 318.33 km2的土地发生转移，耕地与林地为主要转出地类，主要转出为建设用地，净转出面积分别为215.95 km2和194.82 km2；建设用地则为主要转入地类，耕地和林地是主要的转入来源，净转入面积为391.60 km2. UD情景下转移方向与ND情景基本一致，但因建设用地转入概率提高，其净转入面积增至511.60 km2，较ND情景增加119.99 km2. CP情景下耕地为主要转入地类，净转入面积为262.50 km2，占转入总面积的67.95%，主要来源为林地. EP情景下林地净转入面积为54.58 km2，面积有所提升. IP情景下，耕地为主要转入地类，净转入面积为130.35 km2，占比为74.57%，林地和生态用地则保持相对稳定.
|
图 13 2020~2030年长株潭城市群土地利用类型转移 Fig. 13 Land-use type transitions in the Chang-Zhu-Tan Urban Agglomeration from 2020 to 2030 |
2020~2060年，各情景土地利用转移趋势与2030年基本一致（图 14）. ND与UD情景下，建设用地仍为主要的转入地类，耕地和林地为主要的转出地类. CP情景中耕地净转入面积增至282.04 km2，主要来源为林地. EP情景下林地净转入面积扩大至137.33 km2，较2030年增加82.75 km2. IP情景下耕地净转入141.28 km2，主要来源转为水域与草地. 各情景土地流动特征体现出不同政策导向下土地资源配置的优化路径.
|
图 14 2020~2060年长株潭城市群土地利用类型转移 Fig. 14 Land-use type transitions in the Chang-Zhu-Tan Urban Agglomeration from 2020 to 2060 |
基于InVEST模型Carbon模块，对长株潭城市群5种发展情景下的碳储量进行了预测与评估（表 8）. 至2030年，ND情景下耕地碳储量较2020年减少18.85×106 t，林地增加45.66×106 t，建设用地增加9.07×106 t. UD情景延续了ND情景的变化趋势，耕地碳储量持续下降，建设用地碳储量显著上升，反映该情景下建设用地扩张显著侵占耕地. CP情景下，耕地碳储量降幅收窄，表明耕地保护政策有助于维持其固碳功能. EP情景下林地碳储量较2020年增加56.16×106 t，凸显生态优先政策显著提升区域碳汇能力. IP情景下林地碳储量增加54.17×106 t，而建设用地仅增加6.12×106 t，体现出综合保护政策在强化碳汇与抑制建设用地扩张方面的协调效应. 至2060年，各情景下的碳储量变化趋势与2030年基本一致.
|
|
表 8 不同情景模拟下2030年和2060年碳储量变化情况（相比于2020年）×106/t Table 8 Carbon storage variations in 2030 and 2060 under different simulation scenarios (compared with 2020)×106/t |
2030年与2060年的碳储量空间分布格局与2020年基本一致（图 15）. 高值区集中于城市外围林地和草地；低值区主要分布于中心城区及城市北部建设用地区. 从碳储量空间分布变化类型来看（图 16），在ND情景和UD情景下，基本不变区域分别占城市群总面积的88.56%和88.29%（2030年）以及83.03%和87.90%（2060年），其余3种情景均超过90%. 明显增加区域集中于长沙市、株洲市和湘潭市的中心城区，分别占城市群总面积的8.51%和8.56%（2030年）以及9.66%和8.64%（2060年），而明显减少区域主要分布于城市边缘区，分别占2.92%和3.14%（2030年）以及7.31%和3.46%（2060年）. 由于两种情景下城镇扩张显著，边缘区耕地和林地被快速转化为建设用地，导致碳储量下降；而CP、EP和IP情景通过实施保护政策，有效抑制了城市无序扩张，使大部分地区碳储量保持稳定，区域碳汇整体维持平衡.
|
图 15 不同情景模拟下2030年和2060年长株潭城市群碳储量空间分布 Fig. 15 Simulated spatial distribution of carbon storage in the Chang-Zhu-Tan Urban Agglomeration under different scenarios in 2030 and 2060 |
|
图 16 不同情景模拟下2030年和2060年长株潭城市群碳储量空间变化 Fig. 16 Spatial variation of carbon storage in the Chang-Zhu-Tan Urban Agglomeration under different scenarios in 2030 and 2060 |
不同情景下土地利用转移对长株潭城市群碳储量的影响存在显著差异. 在ND情景下，2030年和2060年耕地转为林地分别增加碳储量5 518.92×103 t和11 757.47×103 t，而耕地与林地转为建设用地则导致碳储量持续下降，2060年林地转为建设用地造成碳损失达28 929.65×103 t. UD情景下建设用地扩张进一步加剧，2030年耕地与林地转为建设用地分别造成碳损失4 037.81×103 t和9 060.57×103 t，至2060年碳损失持续扩大，表明经济优先模式显著削弱区域碳汇功能. CP情景下通过实施耕地保护政策，2030年建设用地转为耕地，碳储量增加1 305.58×103 t，2060年通过有效控制耕地向其它用地类型的转出，耕地相关转移引起的碳储量变化幅度较小，整体表现为相对稳定. EP情景下则通过引导耕地与草地转为林地增强碳汇，2030年碳储量分别增加842.74×103 t和53.30×103 t，至2060年持续增长，同时有效抑制高碳用地向建设用地转化. IP情景表现最为综合，2030年水域转耕地和林地使碳储量分别增加2 461.09×103 t和136.07×103 t，2060年分别增至2 660.03×103 t和397.79×103 t，并通过抑制高碳用地转出进一步增强区域碳汇能力（图 17和图 18）. 各情景结果明确显示，强化生态用地保护、抑制建设用地无序扩张是维持区域碳平衡的关键路径.
|
S表示土地利用转移面积（km2），C表示碳储量转移变化（×103 t） 图 17 2030年多种情景下土地利用转换碳转移 Fig. 17 Land use conversion-related carbon transfer under different scenarios in 2030 |
|
S表示土地利用转移面积（km2），C表示碳储量转移变化（×103 t） 图 18 2060年多种情景下土地利用转换碳转移 Fig. 18 Land use conversion-related carbon transfer under different scenarios in 2060 |
长株潭城市群2030年与2060年的土地利用碳源效应表现总体相似（图 19）. 在ND情景下，强碳源效应主要表现为林地向其他类型用地的转化，林地向水域、未利用地及建设用地转化，其单位面积碳储量分别减少41.66×103、38.78×103和33.93×103 t，贡献了最显著的碳排放；草地和耕地向水域的转化亦表现为较强碳源效应，碳损失量分别为28.43×103 t和24.95×103 t. UD情景的碳源效应特征与ND情景基本一致，林地转化仍是主要碳排放路径. CP情景下，强碳源效应表现与前两种情景相似，但草地向水域与建设用地转化导致单位面积碳储量分别减少28.43×103 t与20.71×103 t，表现为中碳源效应；此外，该情景有效抑制了耕地向建设用地的转化，从而缓解了整体碳源效应. EP情景的碳源效应整体较弱，主要表现为草地向水域及耕地向未利用地和建设用地的转化，其碳损失量分别为28.43×103 t、22.07×103 t和17.22×103 t，且林地转出得到有效控制，未出现显著碳源效应. IP情景的碳源效应相对温和，主要贡献来自草地向水域及耕地向建设用地的转化，碳损失量分别为28.43×103 t和17.22×103 t，而草地向耕地及未利用地向水域的转化碳损失量较低，分别为3.48×103 t和2.88×103 t，仅表现为弱碳源效应.
|
箭头表示土地利用类型转移方向，C-表示碳流失量（×103t）；黑色数据表示2030年的数据，红色数据表示2060年的数据；在某情景下，没有发生用地之间的转移，就没有碳储量的变化，故部分位置只标了C，没有标数据；下同 图 19 2030年和2060年多种情景下长株潭城市群单位面积土地利用类型转变的碳源效应 Fig. 19 Carbon sink effects of land use type transitions per unit area in the Chang-Zhu-Tan Urban Agglomeration under multiple scenarios in 2030 and 2060 |
综上所述，长株潭城市群在2030年与2060年的土地利用碳源效应在不同情景下差异显著. ND与UD情景的碳源效应强度最高，主要表现为林地转化的强碳源效应. CP情景通过抑制耕地转建设用地，使碳源效应得到初步缓解. EP与IP情景的调控效果最为显著，碳源效应强度降至最低，仅以中、弱效应为主，有效减轻了土地利用变化对区域碳储量的负面影响. 因此，从碳减排视角看，推行生态保护（EP）与综合保护（IP）导向的土地利用模式是促进长株潭城市群可持续发展的优选路径.
2.6.2 碳汇效应长株潭城市群2030年与2060年的土地利用碳汇效应总体相似（图 20）. 在ND情景下，强碳汇效应主要表现为水域、未利用地及建设用地向林地的转化，使其单位面积碳储量分别增加41.66×103、38.78×103和33.93×103 t；水域、未利用地及建设用地向耕地的转化亦表现为较强碳汇效应，碳增量分别为24.95×103、22.07×103和17.22×103 t. UD情景的碳汇效应特征与ND情景基本一致，林地转入仍是主要碳汇路径，但该情景有效控制了建设用地的转出，降低了该路径对碳汇的贡献度. CP情景下，强碳汇效应表现与前两种情景相似，但其中碳汇效应主要来源于水域、未利用地及建设用地向耕地的转化，碳增量分别为24.95×103、22.07×103和17.22×103 t；此外，该情景因抑制了耕地向林地的转化，在一定程度上限制了整体碳汇潜力的进一步提升. EP情景的碳汇效应结构发生显著变化，由于实行生态保护政策，限制了水域向林地的转化，其强碳汇效应主要源于未利用地向林地的转化，其碳增量为38.78×103 t；但该情景通过显著增加向耕地和草地的转化，构成了更为多元的中碳汇效应. IP情景的碳汇效应最为均衡且高效，强碳汇效应主要表现为水域和未利用地向林地的转化，其碳增量分别为41.66×103 t和38.78×103 t，清晰地印证了林地恢复是提升碳储量的最有效途径；中碳汇效应主要表现为水域和未利用地向耕地和草地的转化，形成了自然生态系统与农业系统协同增汇的优化格局.
|
箭头表示土地利用类型转移方向，C+表示碳提升量（×103t） 图 20 2030年和2060年多种情景下长株潭城市群单位面积土地利用类型转变的碳汇效应 Fig. 20 Carbon sink effects of land use type transitions per unit area in the Chang-Zhu-Tan Urban Agglomeration under multiple scenarios in 2030 and 2060 |
综上所述，长株潭城市群在2030年与2060年的土地利用碳汇效应在不同情景下差异显著. ND与UD情景的碳汇效应强度相对有限，主要表现为林地转入的强碳汇效应. CP情景通过促进未利用地和水域向耕地的转化，使碳汇效应得到初步增强. EP与IP情景的增汇效果最为显著，碳汇效应强度升至最高，表现为强、中碳汇效应的协同作用，有效提升了土地利用变化对区域碳储量的正面贡献. 因此，从碳增汇视角看，推行生态保护（EP）与综合保护（IP）导向的土地利用模式是优化长株潭城市群生态系统碳汇功能的优选路径.
3 讨论 3.1 不同情景下长株潭城市群碳储量空间分布变化分析本研究表明，在2030年与2060年碳储量空间分布变化中，ND情景下碳储量明显增加区域面积分别为2 383.14 km2和2 699.27 km2，明显减少区域面积分别为817.58 km2和2 041.26 km2. 结合2030年与2060年空间分布变化图（图 16），可见，长株潭城市群中心城区碳储量“明显增加”面积反而大于“明显减少”面积，UD情景亦呈相似特征. 这一格局反映了不同城镇化模式下的双重空间过程：一方面，ND和UD情景中城镇扩张主要集中于边缘地带，耕地、林地等高碳储量用地被快速转化为建设用地，导致边缘区碳储量大幅下降；另一方面，中心城区受内部更新与生态修复影响，虽出现局部碳储量上升，但由于建设用地碳储量基数较低，微小增量易被模型识别为“明显增加”，形成“局部改善、整体恶化”的假象. 这一结果印证了Wu等[45]与王田雨等[46]关于城市碳平衡空间异质性与相对性的重要观点. 因此，ND和UD情景下中心城区“净增加”的表象，实质上是一种具有误导性的空间统计结果，它恰恰反衬出这种发展模式“局部改善、整体恶化”的不可持续性. 相比之下，CP、EP和IP等保护性情景通过限制城市边缘无序扩张，有效遏制了碳储量流失，保持了区域碳汇的整体稳定. 可见，实现“双碳”目标的关键不在于中心城区的零星修复，而在于构建一个能够保护区域整体生态本底、特别是城市边缘区高碳储量用地的空间治理体系.
3.2 不同情景下长株潭城市群碳源/汇效应主导路径分析已有研究表明，全球土地利用格局剧变显著扰动了区域生态系统碳平衡[47，48]. 不同地类转化的碳源汇效应差异明显，厘清其作用机制对于优化土地利用结构、促进区域碳循环平衡具有重要意义[49]. 本研究通过模拟不同情景下的碳源汇效应，揭示区域碳平衡主要由少数关键土地利用转化路径所驱动，且这些路径之间存在显著的空间竞争关系. 在ND与UD情景中，林地与建设用地之间的相互转化主导着碳平衡格局：林地向建设用地的转化构成最强碳源，而其逆向过程则贡献主要碳汇. 反映出生态空间与城镇空间在资源配置中的根本冲突，即经济发展与固碳功能的直接权衡，这与柯新利等[50]的结论一致. 各保护性情景的差异本质上源于对关键路径的干预机制不同. CP情景通过设定耕地保护红线，虽有效抑制了耕地转为建设用地这一碳源路径，并促进建设用地向耕地的碳汇转化，但其政策聚焦单一，未能兼顾林地这一高碳库的稳定，甚至可能因占补平衡而挤压林地空间. 相比之下，EP与IP情景通过系统性空间管控，同步阻断高碳用地向建设用地的转化，并引导低生态价值地类向林地或耕地转移，实现了碳源最小化与碳汇多元化. 总体而言，实现区域“双碳”目标实质上是国土空间格局优化问题，其核心在于协调多功能用地的空间竞争. 未来的空间规划应超越局部生态修复，从系统视角识别并保护关键性的“战略性碳汇空间”，以保障区域碳汇功能的长期稳定.
3.3 研究结果应用本研究对长株潭城市群多情景下碳源汇效应的模拟结果，为区域土地利用优化与低碳空间规划提供了明确的政策启示. 研究结果表明，长株潭城市群碳源汇效应集中体现在林地、耕地与建设用地等关键地类间的转化路径上. 基于此，提出以下空间规划建议：一是划定“战略性碳汇空间”，将集中连片林地及高生态恢复潜力区域纳入核心保护区，实行严格用途管制，从源头阻断高碳汇用地转为建设用地；二是建立基于碳平衡的建设用地扩张约束机制，对城市边缘区新增城镇开发项目开展碳影响评估，并通过异地生态修复实现“碳补偿”，促进城镇低碳转型；三是推行差异化生态修复，模拟结果明确显示，将水域、未利用地等恢复为林地，其单位面积的碳汇增益远高于恢复为草地或耕地. 优先支持水域、未利用地向林地的转化，以提升单位面积碳汇增益. 综上所述，本研究的价值在于将抽象的碳循环过程转化为具体的国土空间管控靶点. 实现“双碳”目标需通过空间规划引导土地利用从“高碳源”路径转向“高效碳汇”路径，实现碳循环过程与国土空间管控的有机结合.
4 结论（1）1990~2020年，长株潭城市群的主要用地类型为耕地与林地，同期耕地与林地面积分别减少635.35 km2和445.16 km2，而建设用地面积显著增加1 034.74 km2. 土地利用转移总面积约为2 259.04 km2，其中耕地与林地为主要转出地类，建设用地为主要转入地类.
（2）1990年、2000年、2010年和2020年长株潭城市群区域碳储量分别为958.737×106、956.235×106、937.183×106和920.160×106 t，整体呈持续下降趋势. 碳储量下降主要发生在耕地与林地. 碳储量空间分布特征表现出显著异质性，高值区主要集中在研究区东北部与南部，单位面积碳储量大于26.19 t·km-2；低值区则集中于长沙市中心城区，单位面积碳储量低于0.19 t·km-2.
（3）1990~2020年，长株潭城市群耕地和林地向建设用地转化，分别导致碳储量减少13 192.21×103 t和16 802.39×103 t；林地转为耕地和水域，分别减少碳储量4 880.82×103 t和1 548.11×103 t. 总体上，高碳储量土地向低碳储量土地及建设用地转化体现显著碳源效应. 相反，耕地、草地和建设用地向林地转化分别增加约5 121.24×103、436.04×103和579.42×103 t碳储量，表现明显碳汇效应，有助于区域碳储量提升.
（4）基于2030年土地利用演变模拟结果，碳储量总量在各情景下呈现如下排序：综合保护情景（IP） > 耕地保护情景（CP） > 生态保护情景（EP） > 自然发展情景（ND） > 城镇发展情景（UD），2060年模拟结果显示碳储量总量排序为：综合保护情景（IP） > 生态保护情景（EP） > 耕地保护情景（CP） > 城镇发展情景（UD） > 自然发展情景（ND）. 总体来看，2030年和2060年在综合保护情景下的碳储量均为最高，表明该情景对区域碳储量具有最显著的正向作用.
（5）2030年和2060年，ND情景和UD情景下的碳源效应最为显著，CP情景下碳源效应有所缓解，EP情景和IP情景下则进一步减弱. 尽管ND和UD情景下表现出一定的碳汇效应，但碳源效应依然占主导地位；相比之下，CP情景下碳汇效应略有减弱，而EP情景和IP情景下碳汇效应更为显著，表明这两类情景更有助于“双碳”目标的实现.
| [1] | Li K Y, Wang X M, Zhao F, et al. Land use modeling and carbon storage projections of the Bosten Lake Basin in China from 1990 to 2050 across multiple scenarios[J]. Scientific Reports, 2024, 14(1). DOI:10.1038/s41598-024-78693-9 |
| [2] | Zhao Y H, Zhao Z Y, Qian Z L, et al. Is cooperative green innovation better for carbon reduction? Evidence from China[J]. Journal of Cleaner Production, 2023, 394. DOI:10.1016/J.JCLEPRO.2023.136400 |
| [3] | 习近平. 坚定信心共克时艰共建更加美好的世界——在第七十六届联合国大会一般性辩论上的讲话[J]. 中华人民共和国国务院公报, 2021(28): 8-10. |
| [4] |
韩楠, 罗新宇. 多情景视角下京津冀碳排放达峰预测与减排潜力[J]. 自然资源学报, 2022, 37(5): 1277-1288. Han N, Luo X Y. Carbon emission peak prediction and reduction potential in Beijing-Tianjin-Hebei region from the perspective of multiple scenarios[J]. Journal of Natural Resources, 2022, 37(5): 1277-1288. |
| [5] |
杨旭, 刘贤赵. 长株潭城市群地类转移的碳传导效应与预测[J]. 环境科学, 2022, 43(12): 5850-5860. Yang X, Liu X Z. Temporal and spatial differences in carbon conduction and prediction effect of land type transfer in Chang-Zhu-Tan urban agglomeration[J]. Environmental Science, 2022, 43(12): 5850-5860. DOI:10.13227/j.hjkx.202201228 |
| [6] |
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. Pu 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. |
| [7] |
于贵瑞, 朱剑兴, 徐丽, 等. 中国生态系统碳汇功能提升的技术途径: 基于自然解决方案[J]. 中国科学院院刊, 2022, 37(4): 490-501. Yu G R, Zhu J X, Xu L, et al. Technological approaches to enhance ecosystem carbon sink in China: nature-based solutions[J]. Bulletin of Chinese Academy of Sciences, 2022, 37(4): 490-501. |
| [8] |
张斌, 李璐, 夏秋月, 等. "三线"约束下土地利用变化及其对碳储量的影响——以武汉城市圈为例[J]. 生态学报, 2022, 42(6): 2265-2280. Zhang B, Li L, Xia Q Y, et al. Land use change and its impact on carbon storage under the constraints of "three lines": a case study of Wuhan City circle[J]. Acta Ecologica Sinica, 2022, 42(6): 2265-2280. |
| [9] |
吕国玮, 周建春, 蔡玉梅, 等. 广东省土地利用及其变化和林业碳核算研究[J]. 地理学报, 2023, 78(3): 640-657. Lyu G W, Zhou J C, Cai Y M, et al. Carbon accounting for land use, land-use change and forestry in Guangdong province[J]. Acta Geographica Sinica, 2023, 78(3): 640-657. |
| [10] |
张鹏岩, 杨丹, 刘宇, 等. 基于复合生态系统视角的土地利用变化碳源/汇效应研究进展[J]. 生态学报, 2025, 45(5): 2058-2073. Zhang P Y, Yang D, Liu Y, et al. Carbon source/sink effect of land use change from the perspective of composite ecosystem: progress and review[J]. Acta Ecologica Sinica, 2025, 45(5): 2058-2073. |
| [11] |
张盈盈, 刘旻霞, 潘竟虎, 等. 甘南高寒草甸碳收支时空格局及动态模拟[J]. 生态学报, 2024, 44(13): 5542-5553. Zhang Y Y, Liu M X, Pan J H, et al. Spatial and temporal characteristics of the alpine meadow carbon budget in Gannan, China[J]. Acta Ecologica Sinica, 2024, 44(13): 5542-5553. |
| [12] |
王莉, 刘莹莹, 张亚慧, 等. 河南省农田生态系统碳源/汇时空分布及影响因素分解[J]. 环境科学学报, 2022, 42(12): 410-422. Wang L, Liu Y Y, Zhang Y H, et al. Spatial and temporal distribution of carbon source/sink and decomposition of influencing factors in farmland ecosystem in Henan province[J]. Acta Scientiae Circumstantiae, 2022, 42(12): 410-422. |
| [13] | Dye A W, Houtman R M, Gao P, et al. Carbon, climate, and natural disturbance: a review of mechanisms, challenges, and tools for understanding forest carbon stability in an uncertain future[J]. Carbon Balance and Management, 2024, 19(1). DOI:10.1186/s13021-024-00282-0 |
| [14] |
刘文利, 姜亮亮, 刘冰, 等. 中国植被碳源/汇时空演变特征及其驱动因素[J]. 生态学报, 2024, 44(4): 1456-1467. Liu W L, Jiang L L, Liu B, et al. Spatio-temporal evolution characteristics and driving factors analysis of vegetation carbon sources/sinks in China[J]. Acta Ecologica Sinica, 2024, 44(4): 1456-1467. |
| [15] |
管亚兵, 王军, 覃莉, 等. 黄土高原植被碳源/汇估算及其对土地利用变化的响应: 以延河流域为例[J]. 环境科学, 2025, 46(3): 1657-1665. Guan Y B, Wang J, Qin L, et al. Estimation of vegetation carbon source/sink and its response to land use change in the Loess Plateau: a case study of Yanhe River Basin[J]. Environmental Science, 2025, 46(3): 1657-1665. DOI:10.13227/j.hjkx.202312169 |
| [16] |
赵旭琴, 罗敏, 孟凡浩, 等. 中国西北干旱半干旱区植被生态系统碳源/汇时空演变特征及其驱动因素[J]. 生态学报, 2025, 45(15): 7415-7427. Zhao X Q, Luo M, Meng F H, et al. Spatiotemporal evolution characteristics and driving factors of vegetation carbon sources/sinks in arid and semi-arid regions of Northwest China[J]. Acta Ecologica Sinica, 2025, 45(15): 7415-7427. |
| [17] |
杜海波, 杨山, 李振亚, 等. 碳中和目标下长三角碳源/汇时空特征及其影响因素[J]. 环境科学, 2024, 45(12): 6848-6857. Du H B, Yang S, Li Z Y, et al. Spatio-temporal characteristics and influencing factors of carbon sources/sinks in the Yangtze River Delta under carbon neutrality target[J]. Environmental Science, 2024, 45(12): 6848-6857. DOI:10.13227/j.hjkx.202312107 |
| [18] |
耿垭鑫, 易桂花, 张廷斌, 等. 青藏高原气候变化对草地碳汇/源格局的影响[J]. 自然资源学报, 2024, 39(5): 1208-1221. Geng Y X, Yi G H, Zhang T B, et al. Impacts of climate change on grassland carbon sink/source patterns in the Qinghai-Tibet Plateau[J]. Journal of Natural Resources, 2024, 39(5): 1208-1221. |
| [19] |
白天豪, 贡恩军, 周娜芳, 等. 2001~2022年秦巴山区生态碳汇时空格局及驱动力分析[J]. 环境科学, 2025, 46(1): 356-366. Bai T H, Gong E J, Zhou N F, et al. Spatiotemporal patterns and driving forces analysis of ecological carbon sink from 2001 to 2022 in Qinling-Daba Mountains, China[J]. Environmental Science, 2025, 46(1): 356-366. DOI:10.13227/j.hjkx.202401064 |
| [20] |
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. DOI:10.13227/j.hjkx.202311201 |
| [21] |
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. |
| [22] |
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. |
| [23] |
童荣鑫, 梁迅, 关庆锋, 等. 2000-2020年中国陆地土壤碳储量及土地管理碳汇核算[J]. 地理学报, 2023, 78(9): 2209-2222. Tong R X, Liang X, Guan Q F, et al. Estimation of soil carbon storage change from land use and management at a high spatial resolution in China during 2000-2020[J]. Acta Geographica Sinica, 2023, 78(9): 2209-2222. |
| [24] |
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 |
| [25] |
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 |
| [26] | Wang C Y, Li T Z, Guo X H, et al. PLUS-InVEST study of the Chengdu-Chongqing urban agglomeration's land-use change and carbon storage[J]. Land, 2022, 11(10). DOI:10.3390/land11101617 |
| [27] |
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 |
| [28] |
边蕊, 赵安周, 刘宪锋, 等. 关中平原城市群土地利用变化对碳储量的影响[J]. 环境科学, 2024, 45(6): 3260-3269. Bian R, Zhao A Z, Liu X F, et al. Impact of land use change on carbon storage in urban agglomerations in the Guanzhong Plain[J]. Environmental Science, 2024, 45(6): 3260-3269. DOI:10.13227/j.hjkx.202306233 |
| [29] |
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 |
| [30] | Yang X, Liu X Z. Carbon conduction effect and temporal-spatial difference caused by land type transfer in Chang-Zhu-Tan urban agglomeration from 1995 to 2018[J]. Acta Ecologica Sinica, 2022, 42(4): 338-347. DOI:10.1016/j.chnaes.2022.02.004 |
| [31] |
糜毅, 李涛, 吴博, 等. 基于优化模拟的长株潭3+5城市群碳储量时空演变与预测[J]. 环境工程技术学报, 2023, 13(5): 1740-1751. Mi Y, Li T, Wu B, et al. Spatio-temporal evolution and prediction of carbon storage in Chang-Zhu-Tan 3+5 urban agglomeration based on optimization simulation[J]. Journal of Environmental Engineering Technology, 2023, 13(5): 1740-1751. |
| [32] | Chen Q B, Ning Y. Projecting LUCC dynamics and ecosystem services in an emerging urban agglomeration under SSP-RCP scenarios and their management implications[J]. Science of the Total Environment, 2024, 949. DOI:10.1016/j.scitotenv.2024.175100 |
| [33] |
刘纪远, 宁佳, 匡文慧, 等. 2010-2015年中国土地利用变化的时空格局与新特征[J]. 地理学报, 2018, 73(5): 789-802. Liu J Y, Ning J, Kuang W H, et al. Spatio-temporal patterns and characteristics of land-use change in China during 2010-2015[J]. Acta Geographica Sinica, 2018, 73(5): 789-802. |
| [34] |
魏国恩, 刘耀彬, 李汝资, 等. 近40年鄱阳湖区"三生空间"格局转型与空间异质机制[J]. 生态学报, 2024, 44(6): 2308-2322. Wei G E, Liu Y B, Li R Z, et al. Pattern transformation and spatial heterogeneity mechanism of production-living-ecological spaces in Poyang Lake area in last 40 years[J]. Acta Ecologica Sinica, 2024, 44(6): 2308-2322. |
| [35] |
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. |
| [36] |
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. |
| [37] |
解宪丽, 孙波, 周慧珍, 等. 中国土壤有机碳密度和储量的估算与空间分布分析[J]. 土壤学报, 2004, 41(1): 35-43. Xie X L, Sun B, Zhou H Z, et al. Organic carbon density and storage in soils of China and spatial analysis[J]. Acta Pedologica Sinica, 2004, 41(1): 35-43. |
| [38] | 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 |
| [39] | 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 |
| [40] |
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. |
| [41] | 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 |
| [42] | Xu Q Y, Li K Q. Land use carbon emission estimation and simulation of carbon-neutral scenarios based on system dynamics in coastal city: a case study of Nantong, China[J]. Land, 2024, 13(7). DOI:10.3390/land13071083 |
| [43] |
雒舒琪, 胡晓萌, 孙媛, 等. 耦合PLUS-InVEST模型的多情景土地利用变化及其对碳储量影响[J]. 中国生态农业学报(中英文), 2023, 31(2): 300-314. Luo S Q, Hu X M, Sun Y, et al. Multi-scenario land use change and its impact on carbon storage based on coupled PLUS-Invest model[J]. Chinese Journal of Eco-Agriculture, 2023, 31(2): 300-314. |
| [44] |
杨朔, 苏昊, 赵国平. 基于PLUS模型的城市生态系统服务价值多情景模拟——以汉中市为例[J]. 干旱区资源与环境, 2022, 36(10): 86-95. Yang S, Su H, Zhao G P. Multi-scenario simulation of urban ecosystem service value based on PLUS model: a case study of Hanzhong city[J]. Journal of Arid Land Resources and Environment, 2022, 36(10): 86-95. |
| [45] | Wu H, Yang C H, Liang A Z, et al. Urbanization and carbon storage dynamics: spatiotemporal patterns and socioeconomic drivers in Shanghai[J]. Land, 2024, 13(12). DOI:10.3390/land13122098 |
| [46] |
王田雨, 岳文泽. 面向碳增汇的国土空间格局优化: 理论框架与行动逻辑[J]. 自然资源学报, 2024, 39(5): 1008-1021. Wang T Y, Yue W Z. Optimizing territorial spatial pattern for carbon sink growth: theoretical framework and action logic[J]. Journal of Natural Resources, 2024, 39(5): 1008-1021. |
| [47] |
罗丹, 周忠发, 陈全, 等. 喀斯特地区碳储量对土地利用模式的响应——以南北盘江流域为例[J]. 生态学报, 2023, 43(9): 3500-3516. Luo D, Zhou Z F, Chen Q, et al. Responses of carbon storage to land use pattern in karst area: a case study of Nanbei Panjiang River Basin[J]. Acta Ecologica Sinica, 2023, 43(9): 3500-3516. |
| [48] | Geng L L, Zhang Y Y, Hui H X, et al. Response of urban ecosystem carbon storage to land use/cover change and its vulnerability based on major function-oriented zone planning[J]. Land, 2023, 12(8). DOI:10.3390/land12081563 |
| [49] |
黄安, 王燕, 田莉, 等. 土地利用系统碳效应研究进展与展望: 机制、模拟与优化[J]. 自然资源学报, 2024, 39(10): 2450-2470. Huang A, Wang Y, Tian L, et al. Research progress of carbon effect in land use system: mechanisms, simulations and optimization[J]. Journal of Natural Resources, 2024, 39(10): 2450-2470. |
| [50] |
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. |