武汉城市圈土地利用结构演变对陆地碳储量的影响

引用本文

邢书宣, 杨剩富, 付文杰, 卢中正, 孙浩楠. 武汉城市圈土地利用结构演变对陆地碳储量的影响[J]. 环境科学, 2026, 47(10): 7218-7231.

XING Shu-xuan, YANG Sheng-fu, FU Wen-jie, LU Zhong-zheng, SUN Hao-nan. Impacts of Land Use Structure Evolution in the Wuhan Metropolitan Area on Terrestrial Carbon Storage[J]. Environmental Science, 2026, 47(10): 7218-7231.

武汉城市圈土地利用结构演变对陆地碳储量的影响

邢书宣^1,2, 杨剩富³, 付文杰³, 卢中正^1,2, 孙浩楠³

1. 北京师范大学地理科学学部，北京 100875;
2. 北京师范大学地表过程与水土风沙灾害风险防控全国重点实验室，北京 100875;
3. 中国地质大学（武汉）公共管理学院，武汉 430074

收稿日期: 2025-07-01; 修订日期: 2025-10-31

基金项目: 国家自然科学基金项目（42471308）

作者简介: 邢书宣（1997~），男，博士研究生，主要研究方向为碳储量变化与情景模拟，E-mail：xsx@mail.bnu.edu.cn

通信作者: 杨剩富, E-mail：yangshf@cug.edu.cn

摘要: 武汉城市圈作为快速城市化地区典型代表，分析不同发展情景下未来土地利用结构对陆地碳储量变化的影响，对实现区域可持续发展具有重要意义. 研究耦合GeoSOS-FLUS、Geodetector及InVEST等方法估算出1990~2020年武汉城市圈土地利用及陆地碳储量时空特征，并探讨其影响因素，建立自然发展、耕地保护、生态保护及综合发展这4种情景，模拟预测2030和2060年的碳储量演变特征. 结果表明：①1990~2020年武汉城市圈土地利用结构信息熵整体呈增加趋势，地区间结构差异显著. 建设用地占用耕地1 538.29 km²，面积占比从4.96%增加到8.18%. 耕地年均减少111.73 km²，主要集中在城市群中心区域. ②耕地向林地和建设用地转化成为碳储量变化的主要因素，其中耕地转为建设用地导致碳储量损失1 073

\times

10⁴ t. 因子探测从时序上分析显示，DEM和NDVI是解释力最高的驱动因子. ③不同情景模拟结果显示，2060年碳储量最高的是耕地保护情景（64.90

\times

10⁷ t），其次是综合发展情景，碳储量为63.63

\times

10⁷ t. 研究结果可为城市地区陆地碳储量评估与空间驱动分析提供依据，并为决策者制定“双碳”战略目标、推动可持续发展提供参考.

关键词: 土地利用结构陆地碳储量 GeoSOS-FLUS 情景模拟武汉城市圈

Impacts of Land Use Structure Evolution in the Wuhan Metropolitan Area on Terrestrial Carbon Storage

XING Shu-xuan^1,2 , YANG Sheng-fu³ , FU Wen-jie³ , LU Zhong-zheng^1,2 , SUN Hao-nan³

1. Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China;
2. State Key Laboratory of Earth Surface Processes and Hazards Risk Governance, Beijing Normal University, Beijing 100875, China;
3. School of Public Administration, China University of Geosciences, Wuhan 430074, China

Abstract: As a typical example of a rapidly urbanizing region, the Wuhan Metropolitan Area is ideal for analyzing the impacts of future land-use structure under different development scenarios on terrestrial carbon stock, which is of great significance for achieving regional sustainable development. By integrating the GeoSOS-FLUS, Geodetector, and InVEST models, this study estimated the spatiotemporal characteristics of land use and terrestrial carbon stock in the Wuhan Metropolitan Area from 1990 to 2020, examined their driving factors, and established four scenarios—natural development, cultivated land protection, ecological protection, and comprehensive development—to simulate and predict carbon stock dynamics for 2030 and 2060. The results indicate the following: ① From 1990 to 2020, the information entropy of land-use structure in the Wuhan Metropolitan Area increased year by year, with significant structural differences among subregions. The expansion of construction land encroached on 1 538.29 km² of cultivated land, increasing its proportion from 4.96% to 8.18%. Cultivated land decreased at an average annual amount of 111.73 km², mainly in the core areas of the urban agglomeration. ② The conversion of cultivated land to forest land and construction land was the main driver of carbon stock changes, and the conversion of cultivated land to construction land resulted in a carbon stock loss of approximately 1 073

\times

10⁴ t. Temporal factor detection analysis indicated that DEM and NDVI were the most influential driving factors. ③ Scenario simulation results showed that by 2060, the highest carbon stock would occur under the cultivated land protection scenario (64.90

\times

10⁷ t), followed by the comprehensive development scenario (63.63

\times

10⁷ t). These findings provide a scientific basis for assessing terrestrial carbon stocks and their spatial driving forces in urban areas and offer a reference for policymakers in formulating "dual carbon" strategies and promoting sustainable development.

Key words: land-use structure terrestrial carbon storage GeoSOS-FLUS scenario simulation Wuhan Metropolitan Area

全球气候变暖对人类生存环境和社会发展产生深远影响，在气候变化第六次评估报告中，政府间气候变化专门委员会（IPCC）指出，2011~2020年全球地表温度较1850~1900年高出1.1℃，其中人类活动造成的CO₂排放是当前气温上升的主要驱动因素之一^[1]. 陆地生态系统碳储量在碳循环中发挥关键作用，提高碳储存能力可有效降低大气CO₂含量，从而减缓气温上升趋势^[2，3]. 土地利用结构直接影响土壤和植被的碳储存能力. 近几十年来，伴随着社会经济和城市化的快速发展，城市用地面积持续增加，已成为当前发展中国家的显著趋势，耕地和林地等生态用地被建设用地侵占导致区域碳储存能力下降^[4，5]. 在气候变化威胁日益加剧的背景下，优化土地利用结构，提高陆地碳储存能力，已成为包括中国在内的发展中国家的重要议题.

土地利用结构是影响陆地碳储量变化的重要因素^[6]，不同土地利用类型之间的相互转换会改变地表植被覆盖状况和土壤有机碳含量等，从而直接决定区域碳储量大小^[7]. 近年来，国内外学者对陆地碳储量的研究主要集中在驱动力分析与土地利用模拟两方面^[8，9]，并在不同空间尺度上开展探讨，通常结合InVEST模型估算碳储量及其空间特征. 驱动力研究旨在揭示碳储量变化过程的内在原因，赵晶晶等^[8]利用InVEST及Geodetector模型识别出环太湖城市群碳储量空间分异归因，指出高程与坡度、年均降水与气温等驱动因子的交互作用显著影响碳储量分布. Li等^[10]在研究中国草原土壤有机碳时发现，中国东北部及青藏高原碳密度较高，而南方地区较低，气候与土壤性质等均对其分布产生影响. 土地利用预测模型被广泛应用于多情景陆地碳储量的模拟中，不同学者采用PLUS^[11]、FLUS^[12]和CLUE-S^[13]等模型模拟未来土地利用格局，这些模型基于元胞自动机（CA）框架下继续开发，能够深入刻画土地利用变化过程. 曹振江等^[11]利用PLUS和InVEST模型预测河南省2030年及2050年自然发展、生态保护及城镇发展等情景下的碳储量分布，指出城市发展优先情景下碳储量下降幅度最大. An等^[12]结合FLUS模型与SSP-RCPs情景，模拟出中国2030年及2060年土地利用变化，估算出碳储损失主要集中在东南沿海和京津冀地区. 总体而言，人类活动导致土地利用结构转换，进而造成区域陆地生态系统碳储量下降. 在驱动因素分析方面，研究通常结合地理探测器等方法分析特定阶段碳储量变化的驱动原因，但缺乏对时序维度的系统探讨^[14，15]. 在情景预测方面，多采用自然发展、生态用地保护及耕地保护等情景^[16，17]，而对综合发展情景的探讨相对不足.

随着发展中国家城市化进程的加快，未来土地利用结构变得更加复杂多变. 目前的模拟研究多采用自下而上的策略，通过结合社会与自然等驱动因素揭示未来土地利用空间格局^[18，19]. 近年来，越来越多的研究也融合自上而下与自下而上的方法，以探讨人类干预对土地利用结构的空间布局影响^[20，21]. 武汉城市圈拥有丰富的森林、湿地和草地等生态资源，赋予该地区较高的碳储存能力，这在中国城市中相对少见. 然而，人类活动的干扰已导致该地区的生态用地显著减少，使其陆地生态系统碳储量发生显著变化. GeoSOS-FLUS模型基于FLUS的原理进一步开发，整合地理模拟与优化系统后实现更高的模拟精度，从而获取与现实中土地利用分布类型相近的模拟结果^[22]. 因此，本研究将从时序角度分析驱动因子对碳储量变化的作用，结合自上而下和自下而上的策略，利用GeoSOS-FLUS模型模拟未来土地利用格局，以揭示碳储量演变规律，并在情景模拟中添加限制城市建设用地扩张的方案，探讨减缓陆地碳储量下降的综合发展模式，揭示武汉城市圈过去及未来的土地利用结构变化对陆地生态系统碳储量的影响.

1 材料与方法 1.1 研究区概况

武汉城市圈于2002年提出建设规划并启动实施，其位于长江中游地区（图 1），属于亚热带季风气候，雨量充沛、日照充足且四季分明. 该区域以武汉市为中心，半径约100 km，包括武汉、鄂州、黄石、黄冈、咸宁、孝感、天门、仙桃和潜江这9个地级市，共48个区县，占地面积约5.9万km²，约占湖北省国土面积的31.13%. 截至2020年武汉城市圈常住人口约3 187万人，在湖北省的经济和社会发展中占据重要地位，也是人口、产业和城市最为密集的地区之一，并在中国交通网络和战略规划中具有重要的位置.

（a）武汉城市圈在湖北省的位置，（b）行政区划，（c）高程，（d）2020年土地利用类型分布图 1 研究区示意 Fig. 1 Schematic of the study area

1.2 数据来源及处理

研究用数据主要包括1990~2020年土地利用数据、社会经济数据（GDP、人口、夜间灯光、路网）、自然条件数据（年均降水、年均气温、DEM、坡度）、生态环境数据（NDVI、河流）和自然保护区边界等，因数据缺失，研究分别用1992年GDP与1995年夜间灯光数据替代1990年. 30 m土地利用栅格数据来源于中国科学院资源环境科学与数据中心，该数据基于Landsat遥感影像，通过人工目视解译得到，利用ArcGIS 10.8提取土地利用类型，主要包括耕地、林地、草地、水域、建设用地和未利用地这6种土地类型. 其他数据均通过软件进行处理，统一分辨率和坐标（表 1）.

表 1 数据来源^1） Table 1 Data sources

碳密度数据（表 2）是指单位土地面积内碳储存的量，是测算生态系统碳储量的重要数据之一，包括地上生物碳、地下生物碳、土壤有机碳及死亡有机碳，由于研究区的碳密度与全国平均水平的碳密度存在明显差异，在获取数据集时采用相同研究区或相似气候的研究区的碳密度. 对于土壤有机碳等数据，研究通过碳密度修正公式^[23]，利用当地的气温和降水等指标对其进行修正，最终获得表 2中的碳密度数据集. 最后通过InVEST模型中碳储量模块计算陆地生态系统碳储量.

表 2 武汉城市圈土地利用类型碳密度/t·hm^-2 Table 2 Carbon density of land use types in Wuhan Metropolitan Area/t·hm^-2

1.3 研究方法

研究框架（图 2）意在分析土地利用结构对碳储量的影响. 人类活动影响着土地利用格局，也使得陆地碳储存能力发生变化，本研究综合社会经济、自然条件和生态环境因素分析碳储量空间分异的驱动因素，基于对未来的土地管理建立自然发展（NDS）、生态保护（EPS）、耕地保护（CPS）和综合发展（IDS）这4个预测情景，综合发展情景意在限制建设用地的扩张速度，在根本上保证生态用地的规模，从而稳定生态系统的碳储存能力. 最后在自然保护区的限制下，采用GeoSOS-FLUS模型预测2030年和2060年的土地利用分布，并利用InVEST模型碳储存模块评估1990~2060年的碳储量的变化.

图 2 研究框架 Fig. 2 Research framework

1.3.1 土地利用结构信息熵

信息熵衡量系统的平衡程度，在土地利用结构研究中得到广泛应用^[28]. 该方法反映了区域土地利用类型的多样性和土地系统的均衡状态. 信息熵越大，表明区域土地利用类型越丰富、各类型分布越均衡，土地系统的结构复杂度越高.

P (A_{i}) = \frac{A_{i}}{A} (i = 1, 2, 3, \dots, n)

(1)

H (A) = - \sum_{i = 1}^{n} P (A_{i}) l n P (A_{i})

(2)

式中， $P (A_{i})$ 表示研究区内第 $i$ 种土地利用类型出现的概率； $A_{i}$ 和 $A$ 分别表示研究区第 $i$ 种地类的面积和总面积， $H (A)$ 表示土地利用结构信息熵，单位为nat.

1.3.2 碳密度修正公式

综合与研究区相同气候类型的地域，选取的碳密度系数更加贴合实际，采用降水和气温指标，借鉴Alam等^[29]和Giardina等^[30]使用的陆地碳密度影响因素修正公式，计算得到武汉城市圈不同土地类型的碳密度.

C_{S P} = 3.396 8 \times M A P + 3 996.1

(3)

C_{B P} = 3.789 \times e^{0.005 4 \times M A P}

(4)

C_{B T} = 28 \times M A T + 398

(5)

式中， $C_{S P}$ 为通过年均降水量计算得到的土壤碳密度； $C_{B P}$ 和 $C_{B T}$ 分别为通过年均降水量和年均气温得到的土地生物量碳密度；MAP为区域内的年均降水量，单位为mm；MAT为区域内年均气温，单位为℃；将湖北省和武汉城市圈的年均降水和年均气温代入公式，计算得到两者的比值来确定研究区内的碳密度修正系数.

K_{S} = \frac{C_{S P j}}{C_{S P n}}

(6)

K_{B P} = \frac{C_{B P j}}{C_{B P n}}

(7)

K_{B T} = \frac{C_{B T j}}{C_{B T n}}

(8)

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

(9)

式中， $C_{S P j}$ 为根据降水量估算出的研究区土壤碳密度； $C_{B P j}$ 和 $C_{B T j}$ 分别为降水量和气温估算出的研究区生物量碳密度； $C_{S P n}$ 为根据降水量计算出湖北省土壤碳密度； $C_{B P n}$ 和 $C_{B T n}$ 为根据湖北省降水量与气温估算出的湖北省生物量碳密度； $K_{B P}$ 和 $K_{B T}$ 分别为降水量和气温计算出的碳密度修正系数； $K_{S}$ 为土壤碳密度修正系数； $K_{B}$ 为生物量碳密度修正系数.

1.3.3 InVEST模型

在碳储量的计算过程中，采用InVEST模型中的Carbon Storage模块. 该模块结合地上碳密度、地下碳密度、土壤有机碳密度和死亡有机碳密度等4个方面的数据，针对每一种土地利用类型计算其总碳密度^[31]. 值得注意的是本研究中，各类土地利用类型的总碳密度参考研究区已有实测数据及相关文献设定为固定值. 公式为：

C_{i} = C_{i ⁃ a b o v e} + C_{i ⁃ b e l o w} + C_{i ⁃ s o i l} + C_{i ⁃ d e a d}

(10)

C_{i ⁃ t o t a l} = C_{i} \times A_{i}

(11)

式中， $C_{i}$ 为地类 $i$ 的总碳密度， $C_{i ⁃ a b o v e}$ 为地类 $i$ 的地上碳密度； $C_{i ⁃ b e l o w}$ 为地类 $i$ 的地下碳密度； $C_{i ⁃ s o i l}$ 为地类 $i$ 的土壤有机碳密度； $C_{i ⁃ d e a d}$ 为地类 $i$ 的死亡有机碳密度； $C_{i ⁃ t o t a l}$ 为地类 $i$ 的总碳储量； $A_{i}$ 为地类 $i$ 的面积.

1.3.4 地理探测器（Geodetector）

（1）交互作用探测交互探测器旨在剖析驱动因素间是否存在独立或协同作用^[32]，即探究这些因子的联合效应是否增强或削弱它们对因变量碳储量 $Y$ 的解释能力. 通过分别计算单一因子及其交互作用的q值，可以有效评估两因子间的作用类型. 依据q值的计算结果，可以区分出不同的交互模式，包括加强型、减弱型及独立型，以上分类依据及标准已在表 3中详细列出.

表 3 交互作用探测判断依据 Table 3 Basis for criteria of interaction detection

（2）因子探测因子探测主要通过计算q值来衡量自变量和因变量的解释力，自变量和因变量在不同的网格大小中生成，并通过网格单元进行空间匹配^[33]. 其q统计量定义如下：

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

(12)

式中， $h = 1$ ，2，…， $L$ ，为驱动因子的 $L$ 个分层； $N_{h}$ 和 $N$ 为 $h$ 层及整个区域的网格单元数； $σ_{h}^{2}$ 和 $σ^{2}$ 分别为 $h$ 层和整个区域内因变量的方差. $q$ 统计量表示驱动力，其值介于0~1之间. $q$ 值越大，表示决定力越强. 如果完全无关，则 $q = 0$ ；如果完全控制，则 $q = 1$ .

1.3.5 GeoSOS-FLUS模型

FLUS模型的基本思想源于元胞自动机（CA），并在此基础上进行改进^[34]. 采用神经网络算法（ANN），考量多种影响因素，从一期的土地利用数据和驱动因子中获取各类用地在研究范围的适应性概率. FLUS模型在采样方式上基于一期土地利用分布数据，能有效地避免误差传递，提高模拟结果的准确度. 另外，在进行模拟时，基于轮盘赌选择的自适应惯性竞争机制，能妥善处理多种土地利用类型在自然和人类活动的共同作用下相互转化的不确定性和复杂性. GeoSOS-FLUS模型融入地理模拟优化系统，基于多目标优化算法，综合考虑生态保护、经济发展和社会需求等多个目标，在区域可持续发展战略制定等方面更具优势^[35，36].

（1）适宜性概率计算适宜性概率计算是基于人工神经网络（ANN）实现的^[34]. 多个输入和输出神经元的人工神经网络（ANN），时间 $t$ 时在特定网格 $p$ 上出现类型 $k$ 土地利用类型的概率，表示为 $s p (p, k, t)$ ：

s p (p, k, t) = \sum_{j} w_{j, k} \times \frac{1}{1 + e^{- n e t_{j} (p, t)}}

(13)

式中， $s p (p, k, t)$ 为时间 $t$ 时，网格上位置 $p$ 的第 $k$ 个土地利用类型的适宜性概率，该适宜性概率通过神经网络计算得出，其中 $w_{j, k}$ 为连接隐藏层神经元 $j$ 与输出层神经元 $k$ 的自适应权重. $n e t_{j} (p, t)$ 为隐藏层中在时间 $t$ 时神经元 $j$ 从网格单元 $p$ 上的所有输入神经元接收到的信号.

（2）邻域系数计算邻域系数用于表征目标栅格周围土地利用类型分布对其转换为某一土地利用类型的影响程度，公式如下：

Ω_{p, k}^{t} = \frac{\sum_{q \in N_{p}, q \neq p} I (c_{q}^{t - 1} = k)}{N \times N - 1} \times w_{k}

(14)

式中， $Ω_{p, k}^{t}$ 为邻域作用系数；N_p为N×N邻域窗口（本文中N=3）； $I (c_{q}^{t - 1} = k)$ 为指示函数；w_k为土地利用类型k的邻域权重.

（3）自适应惯性系数计算自适应惯性系数在迭代过程中进行自我调整，缩短土地利用类型的预期需求与实际数量之间的差异，使各土地利用类型的数量朝着预定目标发展，从而实现空间土地利用类型变化的模拟^[34]. 公式如下：

I_{k}^{t} \{\begin{matrix} I_{k}^{t - 1}, |D_{k}^{t - 1}| \leq |D_{k}^{t - 2}|, \\ I_{k}^{t - 1} \times \frac{D_{k}^{t - 2}}{D_{k}^{t - 1}}, D_{k}^{t - 1} < D_{k}^{t - 2} < 0 \\ I_{k}^{t - 1} \times \frac{D_{k}^{t - 1}}{D_{k}^{t - 2}}, 0 < D_{k}^{t - 2} < D_{k}^{t - 1} . \end{matrix},

(15)

式中， $k$ 为迭代时刻 $t$ 的土地类型， $I_{k}^{t - 1}$ 为 $t$ 时刻土地类型 $k$ 的惯性系数；而 $D_{k}^{t - 1}$ 为迭代时刻 $t - 1$ 时，土地类型 $k$ 的实际需求面积与其实际分布面积之间的差值.

（4）精度测算 Kappa系数通过构建土地利用数据与影像分类结果的误差矩阵来检验遥感影像分类结果与实际地面情况的一致性^[38]. 研究采用Kappa系数来验证模拟结果与现状数据之间的一致性. 具体而言，当Kappa系数在[0~0.4）区间时，模型的模拟效果较差，与实际土地利用状况存在显著差异；当Kappa系数在[0.4~0.75）区间时，模型的模拟结果属于一般水平；而当Kappa系数位于[0.75~1]区间时，能够较好地预测和表达未来土地利用类型的分布情况. 本研究Kappa系数为0.85，Overall Accuracy为0.90，表明本研究模拟结果精度较高，满足研究需求.

（5）多情景转移矩阵与邻域权重设置本研究设置了4种预测情景（表 4），最终模拟出2030年及2060年土地利用分布数量. 自然发展情景保持当前的发展模式，遵照2010~2020年土地利用类型之间转化规律，不做额外干预；生态保护情景旨在提高环境质量和碳储存能力，限制林地与草地向其他用地类型的转化^[39]. 同时，将耕地、建设用地和未利用地分别向林地、草地和水域转化概率提高10%；耕地保护情景限制耕地向其他地类转化，允许草地和林地等向耕地进行转化，以保障农业的可持续发展；综合发展情景通过降低建设用地的扩张速度，同时实现生态保护、农业保障与城市发展的协同^[40]. 其中，耕地向林地和建设用地转化概率分别降低30%和40%，向草地转换概率增加50%，从根本上保证农业及生态用地的规模，稳定生态系统的碳储存能力.

表 4 多情景下土地利用转移矩阵^1） Table 4 Land use transfer matrix under multiple scenarios

	自然发展情景						生态保护情景						耕地保护情景						综合发展情景
	a	b	c	d	e	f	a	b	c	d	e	f	a	b	c	d	e	f	a	b	c	d	e	f
a	1	1	1	1	1	1	1	1	1	0	1	0	1	0	0	0	0	0	1	1	1	0	1	0
b	1	1	1	1	1	0	0	1	1	0	0	0	1	1	1	1	1	0	1	1	1	0	1	0
c	0	1	1	0	1	1	0	1	1	0	0	0	1	1	1	0	1	1	1	1	1	0	1	0
d	1	1	1	1	1	1	0	1	1	1	0	1	1	1	1	1	1	1	1	0	0	1	0	0
e	1	1	0	1	1	0	1	1	1	1	1	0	1	1	0	1	1	0	1	1	1	1	1	0
f	0	0	0	1	1	1	1	1	1	1	1	1	1	0	0	1	1	1	1	1	1	0	0	1
1）a、b、c、d、e和f分别表示耕地、林地、草地、水域、建设用地和未利用地；0表示不可转移，1表示能够转移

表 4 多情景下土地利用转移矩阵^1） Table 4 Land use transfer matrix under multiple scenarios

邻域权重取值范围为0~1，越接近1表示该地类扩张能力越强，通过多次试验确定了各地类的邻域权重（表 5）.

表 5 邻域权重设置 Table 5 Neighborhood weight setting

2 结果与分析 2.1 土地利用结构演变特征

1990~2020年土地利用结构信息熵揭示该区域的时间动态演变特征（图 3）. 本研究期间，熵值有所增加，表明武汉城市圈土地利用结构逐渐趋于复杂，其不确定性逐渐增加. 黄石下陆区平均信息熵达到1.53 nat，而孝感云梦县平均信息熵仅为0.54 nat，表明武汉城市圈不同地区的土地利用结构存在很大的差异.

图 3 土地利用结构信息熵 Fig. 3 Information entropy of land use structure

武汉城市圈土地利用类型主要以耕地为主，表 6显示，1990年耕地占整个研究区的52.24%，而到2020年耕地面积占比下降至46.56%，平均每年下降111.73 km²，是下降最快的用地类型. 建设用地则由1990年的4.96%增至2020年的8.18%，为扩张面积最大的类型，平均每年增加63.35 km². 林地及水域面积扩张也较明显，而草地面积呈减少趋势. 从空间分布来看（图 1），耕地主要集中在研究区的中部及西部，主要分布在天门、孝感、潜江及仙桃等地. 林地为武汉城市圈占比第二大的类型，2020年占比约32.07%，主要位于黄冈和孝感的北部，咸宁的东南部等地. 由于自然条件适宜，研究区以水稻种植为主，水域主要分布在农田内部以便灌溉；建设用地主要集中在武汉市中心及周边区域.

表 6 1990~2020土地利用面积 Table 6 Land use area from 1990 to 2020

利用ArcGIS 10.8构建的土地利用转移矩阵（表 7）. 近30 a来，研究区约4 257.25 km²的土地发生转换，耕地转出的面积最大达到3 505.98 km²，其中耕地转为建设用地为1 538.29 km²，占耕地转出的比例约43.88%，转为林地为1 214.30 km²，占耕地转出的比例约34.64%，21世纪初，政府实施退耕还林政策，标志着新时期从保护和改善生态环境出发，有计划地停止耕种，恢复森林植被，这与研究期间的结果相吻合. 在转出方面，水域及林地转出面积分别为310.99 km²和280.72 km²，其中超过一半面积转为建设用地，比例分别为51.93%和64.53%. 在转入方面，建设用地和林地占比较大，转入面积分别为1 911.77 km²和1 284.36 km²，而水域面积的转入为812.33 km²，其中耕地转为水域是造成其面积增加的主要原因，这与湖北省有序开展退田还湖，逐步恢复湖泊水域面积的政策密切相关.

表 7 1990~2020土地利用转移矩阵/km² Table 7 Land use transfer matrix from 1990 to 2020/km²

2.2 碳储量时空变化

1990~2020年分阶段碳储量转移矩阵显示（图 4），在1990~2000年，可以看出水域转为耕地是碳储量增加的主要原因，增加81.60 $\times$ 10⁴ t，其次是水域转为未利用地和耕地转为林地，分别增加31.88 $\times$ 10⁴ t和10.89 $\times$ 10⁴ t. 从碳储量损失来看，耕地转为水域是碳储量下降最严重的土地转化类型，其次是耕地转为建设用地及林地转为耕地，碳储量分别损失337 $\times$ 10⁴、130 $\times$ 10⁴和19.6 $\times$ 10⁴ t. 2000~2010年，水域转为耕地依然是碳储量增加的主要原因. 同时，水域转为建设用地及水域转为未利用地也带来一定的增长. 而在碳储量流失方面，明显看出耕地转为水域是碳储量减少的关键因素，在此期间碳储量减少340 $\times$ 10⁴ t，耕地转为建设用地及林地转为建设用地，也成为该时期碳储量减少的原因. 2010~2020年期间，耕地向建设用地和林地的转出成为影响碳储量增加和减少的关键. 在整个研究期间，耕地转为林地成为整个时段碳储量增加的主要原因，增加约430.80 $\times$ 10⁴ t. 这与政府实施退耕还林还草政策密切相关，在一定程度上鼓励由耕地向林地发生流转，林地生态系统的碳储存能力显著高于耕地. 近几十年来中国城市化率迅速增加，建设用地占用耕地成为当前城市发展的重要手段，耕地向建设用地转入使得生态系统碳储量减少1 073 $\times$ 10⁴ t，是当前碳储量损失最大的土地利用类型转换，占总损失的50.83%，而紧跟其后的是耕地向水域转换和林地向建设用地转换，两者的碳储量损失分别为740 $\times$ 10⁴ t和191 $\times$ 10⁴ t.

FL表示耕地，WL表示林地，GL表示草地，RL表示水域，CL表示建设用地，UL表示未利用地；色柱数值单位为10⁴ t 图 4 碳储量转移矩阵 Fig. 4 Carbon storage transfer matrix

分时段研究碳储量增加及减少区的空间分布（图 5），有利于识别碳储量的阶段空间特征. 在1990~2005年碳储量的增加区中，整个研究区碳储量分布格局无明显变化，零星分布在整个研究区内，在武汉市中部地区，黄冈市南部地区存在明显的碳储量增加，整体碳储量增加缓慢. 而到2005~2020可以看出增加区域明显扩大，尤其是耕地转为林地遍布整个研究区，同时也是该阶段碳储量增加的主要原因. 其次是水域转为建设用地也是该期间碳储量增加的原因，该转换区域主要发生在武汉市中心和鄂州等中心地带. 部分水域在一定程度上可以适用于耕种水稻等作物，水域转为耕地在一定程度上推动了碳储量增长. 1990~2020年陆地生态系统碳储量增加区域主要发生在武汉城市圈的西南部及北部地区，尤其是西南部地区碳储量增加明显. 为维护生态系统的稳定与可持续性，政府提出退耕还林还草政策，至此将不适用于耕种作物的土地转换为林地，这与研究结果契合. 其中，在咸宁的北部、黄冈的中部及孝感北部等地区碳储量提升尤为明显. 水域向耕地的转化也是30 a期间碳储量增加的重要因素，呈零星分布于研究区各地.

绿色表示增加区域，红色表示减少区域；FL表示耕地，WL表示林地，GL表示草地，RL表示水域，CL表示建设用地，UL表示未利用地图 5 1990~2020年碳储量增加和减少区域 Fig. 5 Areas with increasing and decreasing carbon storage from 1990 to 2020

不同时段碳储量减少区域存在显著差异. 在1990~2005年期间，其分布特征与增加区较为相似，在此阶段区域整体变化幅度不大，城市化进程缓慢，人类活动强度较低，各类用地转换面积有限. 其中，耕地转为水域是碳储量下降的主要原因，损失区域主要集中在仙桃市及潜江市西部. 在2005~2020年期间由于人类活动强度显著增强，从图 5中可以明显看出碳储量在城市内部大规模流失，其中耕地转为建设用地是该阶段碳储量流失最大的用地类型，集中分布在武汉中部、黄石北部、鄂州北部以及孝感的西南部地区. 林地转为建设用地也是该期间碳储量流失的主要转换类型，其主要位于咸宁的北部，并零散分布在研究区的中部及东部地带. 在整个30 a研究期间内，受城市化加速推动，大量的建设用地占用农田，实现现代化的发展，从而削弱了农业生态系统的可持续性. 耕地向水域转换也造成碳储量的大量损失，这是由于耕地具有较高的碳储存能力，而水域因缺乏植被等碳储存能力较弱，该现象主要发生在武汉城市圈中部和西部地区，这些地区耕地面积比例较大. 武汉城市圈拥有大量水田和湿地等生态用地，为保障城市可持续发展，大量耕地退耕为林地及草地，湿地修复也显著提升城市环境质量，进而增加碳储量，但仍有许多农用地被占用流失，保护生态环境的同时也要加强农用地的管控，重视农业经济和粮食安全.

2.3 陆地碳储量空间分异驱动因素

通过地理探测器识别出1990~2020年生态系统碳储量变化的驱动因子. 查阅文献比较分析，结合数据的可获取性，选出社会经济、自然条件及生态环境这3类共9个驱动因子，分别为：年总降水量（X1）、年平均气温（X2）、夜间灯光指数（X3）、人口密度（X4）、GDP指数（X5）、距河流的距离（X6）、DEM（X7）、坡度（X8）和归一化植被指数（X9）. 从交互作用分析结果显示（图 6），与单因子探测对比，任意两个因子交互作用对碳储量变化的解释力均显著增强，所有的驱动因子均表现出非线性增强和双因子增强，更加说明碳储量分布受到多种因素共同驱动. 在1990年、2000年、2010年和2020年中，NDVI与DEM的交互作用对碳储量分布的解释力最强. 距河流的距离与其他驱动因子交互作用时，更多的是非线性增强，说明在离河流距离与其他驱动因子在不同组合情况下，其对碳储量分布的影响程度显著提升，其他驱动因子上更多的是表现出双因子增强，表明两者叠加能够产生更强的作用效果. 本研究还从因子探测（图 7）进行分析，1990年和2000年两个阶段分析表明DEM是解释强度最高的驱动因子，其次为NDVI，而解释强度较弱的驱动因子分别是距河流的距离及夜间灯光指数. 而在2010年及2020年两个阶段，NDVI取代DEM成为解释力最强的因子，DEM次之，而解释力较弱的依然是距河流的距离与夜间灯光指数. 这表明，自然条件，尤其是植被状况与地形因素，是驱动生态系统碳储量变化的核心要素.

**表示两因子之间呈现非线性增强，*表示两因子之间呈现双因子增强图 6 1990年、2000年、2010年和2020年陆地生态系统碳储量交互探测结果 Fig. 6 Interactive detection results of carbon storage in terrestrial ecosystems in 1990, 2000, 2010, and 2020

图 7 1990年、2000年、2010年和2020年陆地生态系统碳储量因子探测结果 Fig. 7 Detection results of carbon storage factors in terrestrial ecosystems in 1990, 2000, 2010, and 2020

2.4 不同情景预测分析

利用GeoSOS-FLUS模型对武汉城市圈土地利用进行模拟，本研究通过设置自然发展、生态保护、耕地保护及综合发展这4种情景模拟出未来2030年及2060年的土地利用结构. 结果显示在武汉城市圈自然发展和生态保护情景下建设用地扩张明显，不限制耕地转出，建设用地面积占比将会从2020年的8.18%增加到2030年的10.14%和9.85%（表 8），到2060年进一步升至14.97%和14.87%. 从空间上可以明显看出（图 8），建设用地扩张显著提升. 生态保护情景下耕地面积进一步缩小，而林地面积从2020年32.08%增加到2060年38.45%. 在耕地保护情景下由于限制耕地向建设用地转换，所以建设用地在空间上并没有发生太大变化，相比而言林地、草地和水域等用地类型在一定程度上减少，并且少量向耕地转移. 耕地保护情景由于严格限制耕地的转出，面积占比从2020年的46.56%增加到2060年的48%，建设用地面积减少412.92 km²，该情景下建设用地扩张受阻可有效减少碳储量流失. 综合发展情景从2030年来看并没有与自然发展情景有很大差别，但到2060年可以看出耕地面积占比为38.70%，建设用地面积占比约为12.41%. 该情景在一定程度上减少生态用地的转出，兼顾了耕地保护与限制建设用地的扩张的双重目标.

表 8 2030年和2060年不同情景土地利用面积 Table 8 Land use area under different scenarios for 2030 and 2060

项目	类型	耕地	林地	草地	水域	建设用地	未利用地
2020年	面积/km²	27 502.05	18 947.76	1 400.6	6 183.57	4 829.73	201.49
2020年	占比/%	46.56	32.08	2.37	10.47	8.18	0.34
2030年⁃NDS	面积/km²	25 433.36	19 919.76	1 355.30	6 196.62	5 989.76	171.49
2030年⁃NDS	占比/%	43.06	33.72	2.29	10.49	10.14	0.29
2030年⁃EPS	面积/km²	25 639.45	19 887.31	1 357.83	6 187.66	5 819.16	175.26
2030年⁃EPS	占比/%	43.41	33.67	2.30	10.48	9.85	0.30
2030年⁃CPS	面积/km²	27 819.27	18 916.49	1 355.30	6 109.90	4 695.81	169.51
2030年⁃CPS	占比/%	47.10	32.03	2.29	10.34	7.95	0.29
2030年⁃IDS	面积/km²	26 344.81	19 522.40	1 358.40	6 189.71	5 455.58	195.39
2030年⁃IDS	占比/%	44.60	33.05	2.30	10.47	9.24	0.33
2060年⁃NDS	面积/km²	20 308.75	22 305.01	1 229.86	6 201.01	8 843.43	178.22
2060年⁃NDS	占比/%	34.38	37.76	2.08	10.50	14.97	0.30
2060年⁃EPS	面积/km²	20 039.72	22 710.70	1 230.44	6 203.90	8 785.36	97.71
2060年⁃EPS	占比/%	33.93	38.45	2.08	10.50	14.87	0.17
2060年⁃CPS	面积/km²	28 353.36	18 800.87	1 229.86	6 167.68	4 416.81	97.71
2060年⁃CPS	占比/%	48.00	31.83	2.08	10.44	7.48	0.17
2060年⁃IDS	面积/km²	22 861.16	21 251.07	1 232.70	6 212.09	7 331.02	178.24
2060年⁃IDS	占比/%	38.70	35.98	2.09	10.52	12.41	0.30

表 8 2030年和2060年不同情景土地利用面积 Table 8 Land use area under different scenarios for 2030 and 2060

NDS：自然发展情景，EPS：生态保护情景，CPS：耕地保护情景，IDS：综合发展情景图 8 2060年不同情景下土地利用示意 Fig. 8 Schematic of land use under different scenarios in 2060

图 9显示武汉城市圈1990和2020年总碳储量分别为66.08 $\times$ 10⁷ t和64.59 $\times$ 10⁷ t，平均碳密度分别为111.88 t·hm^-2和109.36 t·hm^-2，30 a期间总碳储量下降1.49 $\times$ 10⁷ t，平均碳密度下降2.52 t·hm^-2，城市建设用地扩张占用耕地及耕地向水域转换是碳储量和碳密度下降的主要原因. 耕地保护情景下是碳储存总量最大的发展模式，在2030年和2060年碳储存总量分别达到64.77 $\times$ 10⁷ t和64.90 $\times$ 10⁷ t，平均碳密度分别为109.65 t·hm^-2和109.87 t·hm^-2，碳储存能力高的原因主要是限制耕地向其他地类转换，同时允许其他地类向耕地转化，从而稳定甚至提升了碳储量. 自然发展情景和生态保护情景碳储量差异不大. 主要原因在于建设用地扩张集中占用耕地，而林地和草地面积并没有发生明显变化. 耕地大量减少直接导致碳储量下降，表明耕地减少是武汉城市圈碳储量流失的核心驱动因素. 与其他情景相比较，综合发展模式下由于限制建设用地及耕地之间转换速度，2030及2060年碳储量总量并没有发生太大起伏，分别为64.36 $\times$ 10⁷ t和63.63 $\times$ 10⁷ t，整体保持相对平稳.

1. 1990年，2. 2000年，3. 2010年，4. 2020年，5. 2030年-NDS，6. 2030年-EPS，7. 2030年-CPS，8. 2030年-IDS，9. 2060年-NDS，10. 2060年-EPS，11. 2060年-CPS，12. 2060年-IDS；NDS：自然发展情景，EPS：生态保护情景，CPS：耕地保护情景，IDS：综合发展情景图 9 1990~2060年不同情景下碳储量及碳密度变化 Fig. 9 Changes in carbon storage and carbon density under different scenarios from 1990 to 2060

3 讨论 3.1 城市土地结构变化对陆地碳储量的影响

自20世纪初中国城市化进入快速转型升级阶段，随着居民生活水平的不断提高，对原有生态系统的破坏也在加剧. 快速推进城市化使得建设用地侵占生态用地现象愈发突出，土地利用结构呈现“耕地锐减、建设用地扩张”的典型特征. 已有研究表明，快速城市化地区之一的京津冀城市群，若不限制建设用地的扩张，到2060年可能造成约62.61 Tg碳储量的损失^[41]，其他发展中国家也得出了类似结论^[4]. 本研究发现，1990~2020年间，武汉城市圈建设用地对农用地的侵占直接造成约1 072.85 $\times$ 10⁴ t碳储量的减少. 当原有农田被转为建设用地时，其固有的生态功能丧失，地表层下的土壤有机碳被扰动，从而显著降低固碳能力. 而在硬化的地表上，基本无法参与碳吸收，进一步增加了碳排放. 在农村地区，随着人口向城市迁移，农村人口压力减轻，出现生态退耕等自然演替现象，促进了区域植被恢复与固碳量的增加^[42].

驱动因子分析表明，生态环境和自然条件是碳储量空间分异的关键因素. 从时序上可以看出NDVI、DEM及坡度影响尤为显著. 多山地带通常植被覆盖度较高、坡度大，开发建设的难度和成本较高，因此维持了较高的碳储量. 而平原地区的耕地和林地等生态用地更易成为开发主体的优先选择，部分固碳能力较高的区域面积缩减^[43，44]，导致碳储量下降. 因此，应通过科学规划减少生态用地的无序开发，促进城市土地的集约高效利用，使有限的土地资源发挥最大效益^[45，46]. 近年来，通过政策调控及退耕还林还草等措施改变原有的土地结构，这与本研究结果相似. 在政策驱动下，将粮食产量低且不稳定的耕地有计划地停止耕作，并因地制宜种植林草植被，可改善生态系统的结构与功能，更有效地应对外部干扰，减少碳释放，从而保持较高的碳储量水平^[47].

3.2 不同发展情景下对碳储量影响

武汉城市圈位于长江经济带的核心区域，城市化率和人口密度均高于全省平均水平. 近几十年来，该区域在基础建设、交通条件与产业结构等方面发生了显著变化^[48]，建设用地扩张和生态用地减少对区域碳储量造成了较大的负面影响. 本研究采用GeoSOS-FLUS模型对不同发展情景下的土地利用格局进行定量模拟预测，结果显示4种情景在各类土地面积和空间分布特征上均存在显著差异. 本研究发现到2060年在自然发展情景下，建设用地面积持续增加，其占比由2020年的8.18%，上升至2030年的10.14%，到2060年占比接近15%，碳储量在4种情景中最低. 在耕地保护情景通过限制耕地向建设用地转化，使得碳储存能力显著提高. 武汉城市圈降水量充沛，其中不乏有众多水田. 有研究表明，长期淹水形成的缺氧环境可抑制土壤微生物分解有机质，从而使水田土壤有机碳含量显著高于旱地，且具有较高的稳定性^[49，50]，因此耕地保护情景下的碳储量最高. 在生态保护情景下，通过增加其他用地类型向林地及草地等生态用地的转换比例，并限制林地及草地向其他地类的转换，从而减少生态系统退化的风险. 然而，从结果来看，其与自然发展模式下的碳储量无明显区别，这个结果与之前的研究相似^[51]. 而在综合发展情景中，通过限制各用地类型的扩张速度，更多强调经济发展、社会进步和环境保护之间取得平衡，避免过度开发和不合理利用导致的生态破坏和碳储量减少. 在兼顾经济增长与生态环境保护的前提下，制定最优土地利用策略是实现区域可持续发展的关键.

3.3 不足与展望

本研究在快速城市化地区碳储量变化及其影响因素分析方面做出了一定贡献，但仍存在一些问题. 研究中所采用的碳密度数据已广泛应用于不同地区的碳储量估算，但在长期尺度下，植被生长周期变化及土壤微生物活动扰动可能导致碳密度发生动态变化. 本研究基于气温和降水指数对碳密度进行了区域化修正，但未对这些周期性变化因素进行长期追踪分析. 此外，城镇、农业及生态用地等规划控制线数据获取难度较大，这可能影响模型预测结果的精度与可靠性. 未来有必要收集并整合规划控制线数据，结合多学科视角，利用深度学习等先进技术手段开展预测分析，以挖掘出潜在的时空变化规律与趋势. 尽管研究存在一定的局限性，本研究通过融合自上而下与自下而上的方法，预测出长时期不同情景下2060年土地利用格局及碳储量变化，其结果为快速城市化地区的未来可持续发展提供了有价值的参考与启示.

4 结论

（1）1990~2020年，武汉城市圈土地利用结构信息熵逐渐增加，表明土地利用结构趋于复杂，不同地区之间的结构差异显著. 2020年，耕地占整个研究区的46.56%，研究期间耕地面积年均减少111.73 km². 建设用地面积则由1990年的4.96%上升至2020年的8.18%. 研究期内，耕地向林地及建设用地转换是陆地碳储量变化的主要驱动因素，其中耕地转为建设用地造成碳储量损失约1 073 $\times$ 10⁴ t.

（2）陆地碳储量增加区域主要分布在武汉城市圈的西南部及北部，而中心区域碳储量损失显著. 空间分异驱动因素表明，NDVI与DEM的交互作用是影响碳储量空间格局的重要因素. 距河流距离与其他驱动因子的交互作用表现出非线性增强效应，能够显著提高对碳储量空间分布的解释力. 分时期分析结果显示，1990年和2000年DEM的解释力最强，而到2010年与2020年，NDVI成为最主要的解释因子.

（3）不同的发展情景下碳储量差异明显. 自然发展情景下，建设用地持续扩张，碳储量损失最大，建设用地面积占比预计到2060年将升至14.97%. 耕地保护情景陆地碳储量最高，预计到2060年达到64.90 $\times$ 10⁷ t. 综合发展情景在兼顾城市发展与生态环境保护方面具有优势，碳储量仅次于耕地保护情景，到2060年碳储量预计达到63.63×10⁷ t.

参考文献

[1]	Matthews H D, Wynes S. Current global efforts are insufficient to limit warming to 1.5℃[J]. Science, 2022, 376(6600): 1404-1409. DOI:10.1126/science.abo3378
[2]	吴楠, 程鹏, 刘桂建, 等. 2030年和2060年气候和土地覆被情景下安徽省陆地生态系统碳储量变化[J]. 环境科学, 2025, 46(12): 7736-7746. Wu N, Cheng P, Liu G J, et al. Changes in carbon storage of terrestrial ecosystems in Anhui province under climate and land cover scenarios in 2030 and 2060[J]. Environmental Science, 2025, 46(12): 7736-7746. DOI:10.13227/j.hjkx.202411036
[3]	Moreno-Cruz J. Major step up in carbon capture and storage needed to keep warming below 2℃[J]. Nature Climate Change, 2024, 14(10): 1022-1023. DOI:10.1038/s41558-024-02112-0
[4]	Waleed M, Sajjad M, Shazil M S. Urbanization-led land cover change impacts terrestrial carbon storage capacity: a high-resolution remote sensing-based nation-wide assessment in Pakistan (1990-2020)[J]. Environmental Impact Assessment Review, 2024, 105. DOI:10.1016/j.eiar.2023.107396
[5]	Chen R, Fei X H, Zhu J Y, et al. Assessing carbon storage dynamics in an ecological civilization demonstration zone amid rapid urbanization: a multi-scenario study of Guizhou Province, China[J]. Resources, Environment and Sustainability, 2025, 21. DOI:10.1016/j.resenv.2025.100223
[6]	赵明松, 吴彤, 盛乐, 等. "双碳"目标下的安徽省土地利用空间优化模拟[J]. 环境科学, 2026, 47(5): 3099-3113. Zhao M S, Wu T, Sheng L, et al. Spatial optimization simulation of land use in Anhui Province under the "dual carbon goals"[J]. Environmental Science, 2026, 47(5): 3099-3113. DOI:10.13227/j.hjkx.202504101
[7]	Wu B W, Zhang Y Y, Wang Y, et al. Urbanization promotes carbon storage or not? The evidence during the rapid process of China[J]. Journal of Environmental Management, 2024, 359. DOI:10.1016/j.jenvman.2024.121061
[8]	赵晶晶, 周松, 葛颜祥, 等. 基于PLUS-InVEST-Geodetector模型的环太湖城市群土地利用多情景模拟与碳储量评估[J]. 环境科学, 2026, 47(2): 880-891. Zhao J J, Zhou S, Ge Y X, et al. Multi-scenario simulation of land use and carbon stock assessment in the urban agglomeration around Taihu Lake based on PLUS-InVEST-Geodetector model[J]. Environmental Science, 2026, 47(2): 880-891. DOI:10.13227/j.hjkx.202412034
[9]	Wu Q, Wang L, Wang T Y, et al. Spatial–temporal evolution analysis of multi-scenario land use and carbon storage based on PLUS-InVEST model: a case study in Dalian, China[J]. Ecological Indicators, 2024, 166. DOI:10.1016/j.ecolind.2024.112448
[10]	Li Y T, Zhu C M, Yang R M, et al. Spatial patterns of soil organic carbon stocks and its controls in Chinese grassland ecosystems[J]. Geoderma, 2024, 448. DOI:10.1016/j.geoderma.2024.116970
[11]	曹振江, 张亚丽. 基于InVEST-PLUS模型的河南省土地利用和碳储量时空演变[J]. 环境科学, 2025, 46(11): 7043-7057. Cao Z J, Zhang Y L. Spatiotemporal evolution of land use and carbon storage in Henan Province based on InVEST-PLUS model[J]. Environmental Science, 2025, 46(11): 7043-7057. DOI:10.13227/j.hjkx.202410091
[12]	An Y, Tan X L, Ren H, et al. Historical changes and multi-scenario prediction of land use and terrestrial ecosystem carbon storage in China[J]. Chinese Geographical Science, 2024, 34(3): 487-503. DOI:10.1007/s11769-024-1424-y
[13]	Prasertsoong N, Puttanapong N. Predicting urban land expansion and local economic growth by integrating CLUE-S and economic model: an application to ban chang district, thailand[J]. Journal of Geovisualization and Spatial Analysis, 2025, 9(1). DOI:10.1007/s41651-024-00204-1
[14]	Zhai Y P, Zhai G Q, Chen Y M, et al. Research on regional terrestrial carbon storage based on the pattern-process-function[J]. Ecological Informatics, 2024, 80. DOI:10.1016/j.ecoinf.2024.102523
[15]	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.
[16]	阿依吐尔逊·沙木西, 周红涛, 史彦松, 等. 耦合PLUS-InVEST模型的新疆土地利用变化及碳储量经济价值估算[J]. 环境科学, 2026, 47(4): 2534-2548. Ayitursun S, Zhou H T, Shi Y S, et al. Estimation of economic value of LUCC and carbon storage in Xinjiang by coupled PLUS-InVEST model[J]. Environmental Science, 2026, 47(4): 2534-2548. DOI:10.13227/j.hjkx.202503220
[17]	Wu A H, Wang Z T. Multi-scenario simulation and carbon storage assessment of land use in a multi-mountainous city[J]. Land Use Policy, 2025, 153. DOI:10.1016/j.landusepol.2025.107529
[18]	李靖业, 梁羽洁, 杨桂山, 等. 城市扩张对土地碳储量的影响及其梯度效应——以南京市为例[J]. 中国土地科学, 2025, 39(3): 45-57. Li J Y, Liang Y J, Yang G S, et al. Impact of urban expansion on land carbon storage and its gradient effect: a case study of Nanjing City[J]. China Land Science, 2025, 39(3): 45-57.
[19]	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
[20]	王宏亮, 邱嘉政, 吴健生. 双碳目标下呼包鄂城市群多情景土地利用优化分析[J]. 地理研究, 2025, 44(3): 656-675. Wang H L, Qiu J Z, Wu J S. Multi-scenario land use optimization analysis of the Hohhot-Baotou-Ordos urban agglomeration under dual carbon targets[J]. Geographical Research, 2025, 44(3): 656-675.
[21]	梁冠敏, 肖瑶, 刘渺渺, 等. 交通规划背景下福州市土地利用与碳储量变化模拟及其启示[J]. 自然资源学报, 2023, 38(12): 3074-3092. Liang G M, Xiao Y, Liu M M, et al. Simulation and elicitation of land use and carbon storage changes in Fuzhou under the background of traffic planning[J]. Journal of Natural Resources, 2023, 38(12): 3074-3092.
[22]	Ma R R, Zhou W, Ren J, et al. Multi-scenario simulation and optimization control of ecological security based on GeoSOS-FLUS model in ecological fragile area in northeast Qinghai-Tibet Plateau, China[J]. Ecological Indicators, 2023, 151. DOI:10.1016/j.ecolind.2023.110324
[23]	吴皓晴, 刘子刚. 吉林省生态系统碳储量影响因素分析[J]. 中国环境科学, 2024, 44(3): 1706-1717. Wu H Q, Liu Z G. Influencing factors of ecosystem carbon storage in Jilin Province[J]. China Environmental Science, 2024, 44(3): 1706-1717.
[24]	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.
[25]	Yang H, Huang J L, Liu D F. Linking climate change and socioeconomic development to urban land use simulation: analysis of their concurrent effects on carbon storage[J]. Applied Geography, 2020, 115. DOI:10.1016/j.apgeog.2019.102135
[26]	朴世龙, 方精云, 贺金生, 等. 中国草地植被生物量及其空间分布格局[J]. 植物生态学报, 2004, 28(4): 491-498. Piao S L, Fang J Y, He J S, et al. Spatial distribution of grassland biomass in China[J]. Acta Phytoecologica Sinica, 2004, 28(4): 491-498.
[27]	Tang L P, Ke X L, Zhou T, et al. Impacts of cropland expansion on carbon storage: a case study in Hubei, China[J]. Journal of Environmental Management, 2020, 265. DOI:10.1016/j.jenvman.2020.110515
[28]	路昌, 王之语, 郭沁林, 等. 动—静"结合视角下黄河中下游粮食生产全周期碳平衡测度及分区[J]. 中国土地科学, 2024, 38(8): 109-123. Lu C, Wang Z Y, Guo Q L, et al. Measurement and zoning of the full-cycle carbon balance of food production in the middle and lower reaches of the Yellow River from the dynamic and static perspectives[J]. China Land Science, 2024, 38(8): 109-123.
[29]	Alam S A, Starr M, Clark B J F. Tree biomass and soil organic carbon densities across the Sudanese woodland savannah: a regional carbon sequestration study[J]. Journal of Arid Environments, 2013, 89: 67-76. DOI:10.1016/j.jaridenv.2012.10.002
[30]	Giardina C P, Ryan M G. Evidence that decomposition rates of organic carbon in mineral soil do not vary with temperature[J]. Nature, 2000, 404(6780): 858-861. DOI:10.1038/35009076
[31]	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
[32]	Zhao R, Zhan L P, Yao M X, et al. A geographically weighted regression model augmented by Geodetector analysis and principal component analysis for the spatial distribution of PM_2.5 [J]. Sustainable Cities and Society, 2020, 56. DOI:10.1016/j.scs.2020.102106
[33]	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.
[34]	Liu X P, Liang X, Li X, et al. A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects[J]. Landscape and Urban Planning, 2017, 168: 94-116. DOI:10.1016/j.landurbplan.2017.09.019
[35]	张凯琪, 陈建军, 侯建坤, 等. 耦合InVEST与GeoSOS-FLUS模型的桂林市碳储量可持续发展研究[J]. 中国环境科学, 2022, 42(6): 2799-2809. Zhang K Q, Chen J J, Hou J K, et al. Study on sustainable development of carbon storage in Guilin coupled with InVEST and GeoSOS-FLUS model[J]. China Environmental Science, 2022, 42(6): 2799-2809.
[36]	游和远, 张津榕, 夏舒怡. 面向碳排放效率的多目标土地利用结构与布局优化研究——以杭州市萧山区为例[J]. 中国土地科学, 2023, 37(6): 74-83. You H Y, Zhang J R, Xia S Y. Structure and layout optimization of multi-objective land use based on carbon emission efficiency: a case study of Xiaoshan District in Hangzhou City[J]. China Land Science, 2023, 37(6): 74-83.
[37]	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
[38]	刘娴, 刘浩龙. ANN-FLUS模型在历史耕地分布变化重建上的应用——以1885—2000年的越南为例[J]. 自然资源学报, 2024, 39(6): 1473-1492. Liu X, Liu H L. The application of ANN-FLUS model in reconstructing historical cropland distribution changes: a case study of Vietnam from 1885 to 2000[J]. Journal of Natural Resources, 2024, 39(6): 1473-1492.
[39]	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
[40]	Li L, Huang X J, Yang H. Scenario-based urban growth simulation by incorporating ecological-agricultural-urban suitability into a Future Land Use Simulation model[J]. Cities, 2023, 137. DOI:10.1016/j.cities.2023.104334
[41]	Wu W H, Xu L Y, Zheng H Z, et al. How much carbon storage will the ecological space leave in a rapid urbanization area? Scenario analysis from Beijing-Tianjin-Hebei Urban Agglomeration[J]. Resources, Conservation and Recycling, 2023, 189. DOI:10.1016/j.resconrec.2022.106774
[42]	Zhang X X, Brandt M, Tong X W, et al. A large but transient carbon sink from urbanization and rural depopulation in China[J]. Nature Sustainability, 2022, 5(4): 321-328. DOI:10.1038/s41893-021-00843-y
[43]	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
[44]	王琦, 刘子刚, 周隽伊. 三江平原沼泽湿地变化的影响因素及其空间效应[J]. 中国人口·资源与环境, 2023, 33(7): 44-54. Wang Q, Liu Z G, Zhou J Y. Influencing factors and spatial effects of marsh wetland changes in the Sanjiang Plain[J]. China Population, Resources and Environment, 2023, 33(7): 44-54.
[45]	Li S S, Liu Y B, Wei G E, et al. Carbon surplus or carbon deficit under land use transformation in China?[J]. Land Use Policy, 2024, 143. DOI:10.1016/j.landusepol.2024.107218
[46]	Moon T, Kim M, Chon J. Adaptive green space management strategies for sustainable carbon sink parks[J]. Urban Forestry & Urban Greening, 2024, 94. DOI:10.1016/j.ufug.2024.128236
[47]	Yang R J, Xu S C, Gu B J, et al. Stabilizing unstable cropland towards win-win sustainable development goals[J]. Environmental Impact Assessment Review, 2024, 105. DOI:10.1016/j.eiar.2023.107395
[48]	Li Y T, Huang C B, Liu S S, et al. Impacts of urbanization on economic development and ecological protection of the Wuhan City Circle, China[J]. Land Degradation & Development, 2024, 35(17): 5308-5326.
[49]	Luo S S, Jia Z J, Tian L, et al. Potential functional differentiation from microbial perspective under dryland-paddy conversion in black soils[J]. Agriculture, 2023, 353. DOI:10.1016/j.agee.2023.108562
[50]	龙军, 张黎明, 黄倩, 等. 1982—2018年福建省耕地土壤有机碳库变化的区域差异研究[J]. 土壤学报, 2025, 62(5): 1294-1308. Long J, Zhang L M, Huang Q, et al. Regional differences of farmland soil organic carbon pool changes in Fujian Province from 1982 to 2018[J]. Acta Pedologica Sinica, 2025, 62(5): 1294-1308.
[51]	Peng Y L, Cheng W Y, Xu X X, et al. Analysis and prediction of the spatiotemporal characteristics of land-use ecological risk and carbon storage in Wuhan metropolitan area[J]. Ecological Indicators, 2024, 158. DOI:10.1016/j.ecolind.2023.111432


环境科学 2026, Vol. 47 Issue (10): 7218-7231	PDF