2024, Vol. 45
2. 陕西师范大学地理科学与旅游学院, 西安 710119
2. School of Geography and Tourism, Shaanxi Normal University, Xi'an 710119, China
土地是人类生存和发展最为关键的生产和生活要素[1, 2], 近几十年来, 人类活动导致全球诸多区域土地利用发生了剧烈的变化, 影响区域土壤、植被以及气候等多个系统, 进而影响陆地生态系统碳储量变化[3 ~ 5]. 自工业革命以来, 由土地利用变化导致的碳排放量占人类活动总碳排放量的1/3, 仅次于化石燃料的燃烧[6 ~ 8]；IPCC报告指出导致生态系统碳储量变化的重要因素是土地利用变化[9], 作为土地利用变化最为活跃和剧烈的地区, 城市群代表着区域经济发展的先进水平[10]. 因此从城市群角度探讨土地利用变化及其对碳储量的影响是实现“双碳”战略目标的重要途径之一[11, 12].
目前, 国内外学者对土地利用变化及对陆地碳储量的影响研究涉及到全球、国家、省、市等行政区划尺度及其流域等自然尺度. 在全球尺度, 陆地生态系统碳储量减少的重要原因是热带雨林的砍伐[13]；在国家和区域尺度, Chang等[14]通过耦合3-PG（physiological principles predicting growth）模型和Empirical Bookkeeping模型定量评估了中国区域土地利用变化对生态系统碳储量的影响, 认为2000 ~ 2018年期间土地利用变化使得中国碳储量增加了约1.32 Pg C；杨朔等[15]、朱文博等[16]和张平平等[17]研究了城市、流域等尺度下土地利用变化对碳储量的影响；Wang等[18]通过Plus（patch-generating land use simulation）和InVEST（integrated valuation of ecosystem services and trade-offs）模型和Liu等[19]利用InVEST模型分别模拟了成渝城市群和珠江三角洲城市群土地利用变化对碳储量的影响, 认为城市建设用地的扩张是造成碳储量损失的主要原因.
关中平原城市群作为华夏文明重要发祥地, 在国家现代化建设大局和全方位开放格局中具有独特地位[20]. “十四五”时期, 黄河流域生态保护和高质量发展战略全面实施[21, 22], 以西安都市圈建设为关键牵引, 加快关中平原城市群建设是实现黄河流域高质量发展的重要途径[23]. 虽然已有研究评估了城市土地利用变化格局对碳储量的影响, 但碳密度数据多是直接基于全国碳密度数据计算而得, 使得碳储量的估算精度不高, 且对未来不同情景下的碳储量变化研究相对匮乏[24 ~ 26]. 鉴于此, 本文以关中平原城市群为例, 以2000 ~ 2020年5期土地利用数据以及二次修正得到的碳密度等数据为基础, 利用PLUS模型和InVEST模型模拟关中平原城市群未来土地利用情况及其对碳储量的影响. 本研究结果有助于落实城市群绿色发展理念, 提升区域固碳能力和推动区域协调可持续发展, 以期为关中城市群地区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 研究区概况关中平原城市群是西部地区第二大城市群, 以西安为中心, 涉及甘肃、陕西和山西三省, 具体包括西安市、宝鸡市、咸阳市、渭南市、铜川市和天水市的全部地区以及平凉市、庆阳市、商洛市、运城市和临汾市的部分区县, 总面积达10.72 × 104 km2（图 1）. 该城市群南依秦岭、东跨黄河、北接黄土高原, 地势由西北向东南倾斜；气候类型属温带半湿润性季风气候, 季节分异显著, 多年平均气温6 ~ 13℃, 年降水量为500 ~ 900 mm[27, 28]. 近几年来, 在“一带一路”及其黄河流域高质量发展等倡议推动下, 关中平原城市群社会经济得到快速发展, 以城市扩张为主的土地利用变化给该地区土地供应及低碳发展带来了巨大压力.
|
图 1 研究区概况示意 Fig. 1 Overview of the study area |
2000、2005、2010、2015和2020年关中平原城市群的土地利用数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/）, 该数据包括6个一级分类及24个二级分类, 数据精度均在90%以上, 其空间分辨率为30 m × 30 m. 依据研究需求将该数据进行重分类, 得到关中平原城市群耕地、林地、草地、水域、建设用地和未利用地六大类土地利用类型数据.
1.2.2 其他数据驱动因子共14个, 分别为：人口、GDP（gross domestic product）、土壤、气温、降水、DEM（digital elevation model）、坡度、到铁路距离、到高速公路距离、到省道距离、到国道距离、到河流距离、到市政府距离和到县政府距离. 其中人口、GDP和土壤数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/）；气温和降水数据选取国家地球系统科学数据中心（https://www.geodata.cn/）的月均值数据, 分辨率为1 km；高程数据选自地理空间数据云（http://www.gscloud.cn/home）, 根据高程数据计算得到所需坡度数据；铁路、高速公路、省道、国道、河流、市政府和县政府等数据来源于Open street map（https://www.openhistorical map.org/）, 通过欧氏距离分析得到研究所需距离数据；所有数据统一投影坐标系为CGCS2000_3_Degree_GK_CM_108E, 重采样至30 m分辨率（表 1）.
|
表 1 数据来源及说明 Table 1 Data source and description |
1.3 研究方法 1.3.1 PLUS模型
PLUS模型是一个将元胞自动机（cellular automat, CA）模型与斑块生成仿真策略结合的土地利用模拟模型, 可用来预测土地利用的斑块级演化, 进一步提高了模型对真实景观格局的模拟能力[29 ~ 31].
（1）多情景设置 ①自然发展情景. 该情景基于2000 ~ 2020年关中平原城市群土地利用发展变化规律, 不设置其他转变情况, 以20年为间隔, 运用PLUS模型中的Markov Chain模块预测2040年土地利用发展情况, 是其他情景模拟预测的基础；②城镇发展情景. 该情景以城镇发展建设为主要, 增加向建设用地的转换, 限制部分建设用地向其他用地的转换. 故设置耕地、林地、草地和未利用地向建设用地的转换概率增加20%, 建设用地向林地、草地、水域和未利用地的转换概率减少30%[32], 在此基础上, 预测该情境下2040年关中平原城市群的土地利用情况；③生态发展情景. 该情景以保护生态环境为主要, 设置林地和草地向建设用地的转换概率减少50%, 耕地向建设用地的转换概率减少30%, 耕地、未利用地、草地向林地的转换概率增加30%[33], 预测该情境下2040年关中平原城市群的土地利用情况.
（2）转移矩阵 转移矩阵能够有效地约束各地类互相不合理的转化, 用0和1表示, 0表示不能转换, 1表示允许转换（表 2）.
|
|
表 2 多情景土地转移矩阵设置1） Table 2 Multi-context land transfer matrix setup |
领域权重可以反映不同土地利用类型相互转换的难易程度, 计算公式如下：
|
(1) |
式中, n × n为元胞单元, 本文n = 6；con（cit-1 = k）为n × n元胞迭代至最后阶段时地类k所占网格单元总数；Ωt, kt为t时刻地类k在空间单元i处的领域权重；wk为地类k的领域权重参数, 介于[0, 1]之间, 本文根据土地利用类型扩张占比并结合实际情况, 最终确定各情景下领域权重参数见表 3.
|
|
表 3 模拟2040年不同发展情景下的领域权重参数 Table 3 Simulating the domain weight parameters under different development scenarios in 2040 |
1.3.2 InVEST模型
InVEST模型是一个生态系统服务和权衡的综合评估模型, carbon模块用来估算在当前景观下碳储量, 将生态系统的碳储量划分为4个部分：地上碳储量、地下碳储量、土壤和死亡有机物质碳储量. 由于死亡有机物碳密度所占比例较小, 故本研究不做考虑. 计算公式为：
|
(2) |
式中, Ctotal为总碳储量；Cabove为地上碳储量；Cbelow为地下碳储量；Csoil为土壤碳储量.
碳密度数据确定方法根据前人研究[34, 35], 参考已有研究[36 ~ 39], 优先选取与本研究区相似或邻近地区的碳密度值, 再结合气温和降水数据经过修正得到关中平原城市群的碳密度数据, 得到关中平原城市群不同地类碳密度值（表 4）. 公式如下：
|
(3) |
|
(4) |
|
(5) |
|
(6) |
|
(7) |
式中, CSP和CBP分别为基于年均降雨量计算的土壤碳密度和地上生物碳密度；CBT为基于年均气温计算的生物量碳密度；MAP和MAT分别表示年均降水量（mm）和年均气温（℃）, 黄河流域和关中平原城市群分别为449.40 mm、7.05℃和642 mm、11℃[40]；KBP和KBT为生物量碳密度降水因子和气温因子修正系数；KB和KS分别为生物量和土壤碳密度修正系数.
|
|
表 4 研究区各土地利用类型碳密度值/t·hm-2 Table 4 Carbon density values of each land use type in the study area/t·hm-2 |
2 结果与分析 2.1 关中平原城市群土地利用变化
2000 ~ 2020年关中平原城市群土地利用类型主要以耕地、林地和草地为主, 其中耕地所占比例最大, 其值在43.74% ~ 46.27%之间, 其次为草地, 所占比例在26.81% ~ 27.40%之间；水域、建设用地和未利用地面积较小, 面积占比在4.27% ~ 7.12%之间（表 5）. 从土地利用类型变化情况来看, 2000 ~ 2020年期间关中平原城市群耕地和未利用地面积分别减少了2 716.30 km2和0.67 km2, 而林地、草地、水域和建设用地面积分别增加272.05、626.44、43.64和1 774.84 km2（表 5）. 其中耕地的减少幅度最大, 21年期间减少幅度达5.47%；建设用地的增加幅度最大, 21年期间增幅达40.31%, 建设用地相比2000年扩张了1.4倍以上, 主要集中在中部的西安市和咸阳市等地（表 5和图 2）.
|
|
表 5 2000 ~ 2020年研究区土地利用面积及比例 Table 5 Land use area and proportion of study area from 2000 to 2020 |
|
图 2 2000 ~ 2020年研究区土地利用空间分布 Fig. 2 Spatial distribution of land use in the study area from 2000 to 2020 |
2000、2005、2010、2015和2020年关中平原城市群的碳储量分别为1 569.94 × 106、1 566.69 × 106、1 563.60 × 106、1 561.68 × 106和1 554.82 × 106 t, 呈现持续下降的趋势, 2000 ~ 2020年期间总体碳储量下降15.12 × 106 t, 降幅为0.96%, 表明该地区生态系统碳汇功能呈现微弱下降的趋势[图 3（a）]. 从各个城市的碳储量时间变化来看, 2000 ~ 2005年间仅咸阳市和渭南市碳储量呈增加趋势, 其增加值分别为2.11 × 106 t和1.95 × 106 t, 其余各市碳储变化均呈减小的趋势, 其中天水市的碳储量减少幅度最大, 其值达到-13.44 × 106 t；2005 ~ 2010年西安市、咸阳市和商洛市的碳储量呈增加趋势, 而天水市的减少幅度依然最大, 其值达到-1.79 × 106 t. 主要是由于天水市地理位置处于狭窄河谷中, 而该时期因人口入城限制放宽政策的实施, 大量人口涌入城区导致城区空间局促, 扩张建设用地空间成为必然趋势[41]. 2010 ~ 2020年期间关中平原城市群的所有城市碳储量均呈减小的趋势[图 3（b）]是由于《关中城市群建设规划》的实施, 关中平原城市群开始加快城镇化建设, 以西安市、咸阳市为代表的城市致力打造国际现代化大都市[42], 建设用地不断扩张, 导致周边耕地和草地面积大幅减少, 碳储量随之减少.
|
图 3 2000 ~ 2020年研究区碳储量变化 Fig. 3 Changes in carbon storage in the study area from 2000 to 2020 |
从碳密度的空间分布来看, 在地理空间呈现“南北高, 中间低”的分布特征（图 4）. 高值区主要分布在南部的秦岭山脉以及北部的子午岭、黄龙山等山地地区, 以上地区主要植被茂盛, 森林资源丰富, 故碳储量较高, 固碳能力较强, 碳密度大部分在12 t·hm-2以上；低值区主要分布在中部的渭河平原等地区, 这些地区土地利用类型以耕地和建设用地为主, 碳储量相对较低, 碳密度均在3 t·hm-2以下.
|
图 4 2000 ~ 2020年碳密度地理空间分布 Fig. 4 Geospatial distribution of carbon density from 2000 to 2020 |
从土地利用类型转移对碳储量变化的影响来看, 关中平原城市群2000 ~ 2020年不同土地利用类型转移导致碳储量损失15.12 × 106 t. 由图 5可知, 大面积耕地转为建设用地是导致关中平原城市群碳储量损失严重的主要原因, 直接导致碳储量损失19.74 × 106 t；林地的不同转移均降低了整个城市群碳储量, 其中向草地转移导致碳储量损失最多, 共损失2.08 × 106 t. 受退耕还林还草等政策影响, 耕地转化为林地和草地分别为城市群生态系统增加了3.37 × 106 t和3.89 × 106 t碳储量. 由此可见, 退耕还林还草是增加碳储量的有效生态保护政策, 建设用地面积持续扩张导致耕地面积不断减少是碳储量减少的主要原因.
|
1.耕地→林地, 2.耕地→草地, 3.耕地→水域, 4.耕地→建设用地, 5.耕地→未利用地, 6.林地→耕地, 7.林地→草地, 8.林地→水域, 9.林地→建设用地, 10.林地→未利用地, 11.草地→耕地, 12.草地→林地, 13.草地→水域, 14.草地→建设用地, 15.草地→未利用地, 16.水域→耕地, 17.水域→林地, 18.水域→草地, 19.水域→建设用地, 20.建设用地→耕地, 21.建设用地→林地, 22.建设用地→草地, 23.建设用地→水域, 24.未利用地→耕地, 25.未利用地→草地, 26.未利用地→水域 图 5 2000 ~ 2020年研究区地类转移对应碳储量变化 Fig. 5 Changes in carbon storage corresponding to the transfer of land types in the study area from 2000 to 2020 |
以2000年和2020年土地利用数据为基础, 利用PLUS模型模拟2020年关中平原城市群土地利用分布, 并与2020年实际分布情况进行比较, Kappa系数为0.88, OA系数为0.92, 表明PLUS模拟预测结果精度较高, 可用于关中平原城市群未来土地利用分布预测.
以2020年土地利用数据为基础, 预测2040年自然发展情景、城镇发展情景以及生态发展情景下关中平原城市群土地利用分布, 结果见图 6所示. 从中可以看出, 在自然发展情景下, 延续2000 ~ 2020年土地利用变化趋势, 2040年关中平原城市群林地、草地、水域和建设用地持续增加[图6（a）和6（d）]. 在城镇发展情景下, 2040年关中平原城市群建设用地面积大幅增加, 其面积由2020年的6 177.86 km2增加到2 040年的8 118.44 km2, 增长幅度达到31.41% [图6（b）和6（d）]. 在生态发展情景下, 林地、草地和建设用地增加明显, 其面积分别由2020年的23 325.08、29 383.90和6 177.86 km2增加到2040年的23 868.69、29 814.37和7 081.46 km2, 增加幅度分别为2.33%、1.47%和14.63% [图6（c）和6（d）].
|
图 6 2040年研究区多情景土地利用分布及各地类面积情况 Fig. 6 Multi-scenario land use distribution and local area in the study area in 2040 |
2040年关中平原城市群自然发展情景、城镇发展情景和生态发展情景的总碳储量分别为1 542.28 × 106、1 527.74 × 106和1 550.68 × 106 t, 3种情景总体碳储量大小情况为：生态发展情景 > 自然发展情景 > 城镇发展情景. 与2020年碳储量相比, 自然发展情景、城镇发展情景和生态发展情景碳储量总量分别减少12.54 × 106、27.08 × 106和4.14 × 106 t, 降幅分别为-0.80%、-0.72%和-0.26% [图 7（a）]. 自然发展情景下2020 ~ 2040年20年间碳储量的降幅与2000 ~ 2020年20年间的降幅相差较小, 空间分布上减少区域主要集中在西安市周边, 说明较好地延续了前20年的发展趋势. 城镇发展情景下林地和草地面积的减少导致研究区碳储量相较其他两种情景明显下降[图 7（b）]. 从碳储量空间分布特征来看, 2040年关中平原城市群碳储量空间分布与2000 ~ 2020年相似[图 8（a）], 城镇发展情景下空间上呈现以西安市为中心向四周扩散的特点, 整个研究区碳储量大面积减少[图 8（b）]；与自然发展情景相比, 生态发展情景虽然设置了生态地类转换限制, 但是由于以西安市为中心的西安都市圈仍呈现发展趋势, 其周边大量耕地和草地转换为建设用地, 使得碳储量仍呈现减少的趋势, 但减少范围明显缩小, 而南部秦巴山地和北部黄土高原碳储量呈现明显的增加趋势[图 8（b）], 关中平原城市群碳储量处于逐渐恢复状态, 说明生态发展情景有助于该地区碳储量的恢复.
|
2040a为2040年自然发展情景, 2040b为2040年城镇发展情景, 2040c为2040年生态发展情景 图 7 2040年多情景下碳储量变化 Fig. 7 Changes in carbon storage under multiple scenarios in 2040 |
|
图 8 多情景碳储量空间分布及变化 Fig. 8 Spatial distribution and change of multi-scenario carbon storage |
综上, 生态发展情景可以有效保护林地、草地等生态地类的转化, 改善地区碳储量逐渐下降的趋势, 实现关中平原城市群的可持续发展. 根据《关中平原城市群发展规划》, 后期发展可以在生态发展情景的基础上结合该规划所构建的生态安全格局, 在严守秦巴山地和陇东黄土高原等生态红线的基础上进一步加大保护区的环境保护力度, 制定相关耕地保护政策, 坚持退耕还林还草, 限制城市周边对耕地的随意侵占, 逐渐恢复生态系统自愈能力, 提高地区碳汇, 实现关中平原城市群的绿色永续发展.
3 讨论2000 ~ 2020年期间关中平原城市群土地利用发生了显著的变化（表 5和图 2）. 由于社会经济因素、自然地理因素和政策的影响, 不同时期土地利用变化差异明显. 2000 ~ 2010年期间, 随着一系列开发区的建立, 关中平原城市群工矿产业得到了迅速发展, 大量的农村剩余劳动力进入城市, 增加了对城市建设用地的需求, 使得城市迅速扩张, 不断侵占城市周边耕地和草地等生态空间[43]. 2010 ~ 2020年期间, 随着生态文明建设的不断推进, 关中平原城市群草地、水体等面积持续增加, 生态环境呈现出改善的趋势[44], 值得注意的是随着西安都市圈及其西安-咸阳一体化发展, 对建设用地的需求进一步增加, 使得大量的耕地及草地转换为城市建设用地, 耕地面积持续减少（表 5）. Song等[45]的研究认为, 2000 ~ 2020年期间关中平原城市群的耕地面积持续减小、建设用地、草地和林地的面积持续增加, 这与本文的研究结果类似.
碳储量与土地利用变化密切相关, 本研究表明关中平原总碳储量呈现“南北高, 中间低”的分布特征, 与杨洁等[40]对黄河流域碳储量空间分布的研究结果一致；2020年关中平原城市群土壤碳储量为381.13 × 106 t, 与李妙宇[46]的研究结果较为一致, 进一步表明了利用InVEST模型评估关中平原城市群的碳储量的合理性和可靠性. 本文研究发现由于耕地、草地等土地利用类型转为建设用地, 使得关中平原城市群生态系统总碳储量减少了15.12 × 106 t（图 3）, 表明建设用地的扩张不利于关中平原城市群总体碳汇能力提升, 耕地面积不断减少是碳储量减少的主要原因[47]. 从不同的发展情景来看, 生态发展情景在有效保护林地、草地等高碳密度地类基础上, 一定程度限制建设用地的扩张, 对研究区碳储量的恢复起到了重要作用.
本研究共选取14个驱动因子, 涉及研究区的自然、经济和交通等方面, 但模型并没有考虑实际社会发展对土地利用的影响, 未来城市规划和政策等均会使土地利用实际发展与预测结果产生一定的差异. 因此, 后续研究将会针对此不足方面进一步探讨, 使预测结果更加科学可靠. InVEST模型carbon模块需要输入不同土地利用类型的碳密度值进行碳储量计算. 本研究选取黄河流域的碳密度值, 并采用修正模型对其进行二次修正, 得到更加接近实际值的关中平原城市群碳密度值. 但是碳密度值会随着时间和环境的变化而变化. 除此之外, carbon模块假设造成碳储量变化的原因只有土地利用方式的变化, 简化了陆地碳循环过程[48]. 基于此情况, 将在后续研究中补充实测数据进而提高密度值的准确性.
4 结论（1）2000 ~ 2020年间耕地、林地和草地是关中平原城市群主要土地利用类型, 其中, 耕地面积持续减少, 共减少2 716.30 km2, 建设用地面积持续增加, 共增加1 774.84 km2. 耕地、草地和林地为关中平原城市群主要转出土地利用类型, 大部分的草地和建设用地转入均来自耕地.
（2）2000 ~ 2020年关中平原城市群碳储量呈持续下降趋势, 总体下降15.12 × 106 t, 空间上呈“南北高, 中间低”的分布特征. 耕地、林地和草地是关中平原碳储量的主要来源, 大面积耕地转为建设用地是导致关中平原城市群碳储量损失严重的主要原因.
（3）至2040年, 自然发展情景、城镇发展情景和生态发展情景下碳储量均呈下降趋势, 其中城镇发展情景下碳储量减少最多, 共减少27.08 × 106 t；生态发展情景下碳储量减少最少, 共减少4.14 × 106 t.
| [1] |
邓祥征, 赵海鹏, 蒋思坚, 等. 华北平原土地利用/覆盖对CO空间分布的调控作用[J]. 生态学报, 2023, 43(12): 4965-4973. Deng X Z, Zhao H P, Jiang S J, et al. Regulation of land use/cover on CO spatial distribution in North China Plain[J]. Acta Ecologica Sinica, 2023, 43(12): 4965-4973. |
| [2] |
刘纪远, 张增祥, 庄大方, 等. 20世纪90年代中国土地利用变化时空特征及其成因分析[J]. 地理研究, 2003, 22(1): 1-12. Liu J Y, Zhang Z X, Zhuang D F, et al. A study on the spatial-temporal dynamic changes of land-useand driving forces analyses of China in the 1990s[J]. Geographical Research, 2003, 22(1): 1-12. |
| [3] |
邹桃红, 陈鹏, 刘家福, 等. 不同土地利用情景下四平市生态系统碳储量时空演变[J]. 中国环境科学, 2023, 43(10): 5508-5518. Zou T H, Chen P, Liu J F, et al. Spatio-temporal dynamics of territorial ecosystem carbon storage under different land use scenarios in Siping City[J]. China Environmental Science, 2023, 43(10): 5508-5518. DOI:10.3969/j.issn.1000-6923.2023.10.048 |
| [4] | Zhao H B, Xu X M, Tang J Q, et al. Understanding the key factors and future trends of ecosystem service value to support the decision management in the cluster cities around the Yellow River floodplain area[J]. Ecological Indicators, 2023, 154. DOI:10.1016/J.ECOLIND.2023.110544 |
| [5] | Xiang H X, Jia M M, Wang Z M, et al. Impacts of land cover changes on ecosystem carbon stocks over the transboundary Tumen River basin in Northeast Asia[J]. Chinese Geographical Science, 2018, 28(6): 973-985. DOI:10.1007/s11769-018-1006-y |
| [6] |
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. |
| [7] |
石晶, 石培基, 王梓洋, 等. 基于PLUS-InVEST模型的酒泉市生态系统碳储量时空演变与预测[J]. 环境科学, 2024, 45(1): 300-313. Shi J, Shi P J, Wang Z Y, et al. Spatial-temporal evolution and prediction of carbon storage in Jiuquan City ecosystem based on PLUS-InVEST model[J]. Environmental Science, 2024, 45(1): 300-313. |
| [8] |
刘杰, 马艳婷, 王宪玲, 等. 渭北旱塬土地利用方式对土壤团聚体稳定性及其有机碳的影响[J]. 环境科学, 2019, 40(7): 3361-3368. Liu J, Ma Y T, Wang X L, et al. Impact of land use type on the stability and organic carbon content of soil aggregates in the weibei dryland[J]. Environmental Science, 2019, 40(7): 3361-3368. |
| [9] | Bongaarts J. Intergovernmental panel on climate change special report on global warming of 1.5℃, switzerland: IPCC, 2018[J]. Population and Development Review, 2019, 45(1): 251-252. DOI:10.1111/padr.12234 |
| [10] |
王超越, 郭先华, 郭莉, 等. 基于FLUS-In VEST的西北地区土地利用变化及其对碳储量的影响——以呼包鄂榆城市群为例[J]. 生态环境学报, 2022, 31(8): 1667-1679. Wang C Y, Guo X H, Guo L, et al. Land use change and its impact on carbon storage in northwest China based on FLUS-Invest: a case study of Hu-Bao-Er-Yu urban agglomeration[J]. Ecology and Environmental Sciences, 2022, 31(8): 1667-1679. |
| [11] |
陈利顶, 孙然好, 孙涛, 等. 城市群生态安全格局构建: 概念辨析与理论思考[J]. 生态学报, 2021, 41(11): 4251-4258. Chen L D, Sun R H, Sun T, et al. Eco-security pattern building in urban agglomeration: conceptual and theoretical thinking[J]. Acta Ecologica Sinica, 2021, 41(11): 4251-4258. |
| [12] |
鲍文楷, 杨园园, 邹利林. 快速城镇化地区土地利用变化强度及驱动力新特征——以京津冀地区为例[J]. 西南大学学报(自然科学版), 2021, 43(10): 124-134. Bao W K, Yang Y Y, Zou L L. Land use change in rapid urbanization area and its driving forces based on intensity analysis——a case study of Beijing-Tianjin-Hebei region[J]. Journal of Southwest University (Natural Science Edition), 2021, 43(10): 124-134. |
| [13] | Feng Y, Zeng Z Z, Searchinger T D, et al. Doubling of annual forest carbon loss over the tropics during the early twenty-first century[J]. Nature Sustainability, 2022, 5(5): 444-451. DOI:10.1038/s41893-022-00854-3 |
| [14] | Chang X Q, Xing Y Q, Wang J Q, et al. Effects of land use and cover change (LUCC) on terrestrial carbon stocks in China between 2000 and 2018[J]. Resources, Conservation and Recycling, 2022, 182. DOI:10.1016/J.RESCONREC.2022.106333 |
| [15] |
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. |
| [16] |
朱文博, 张静静, 崔耀平, 等. 基于土地利用变化情景的生态系统碳储量评估——以太行山淇河流域为例[J]. 地理学报, 2019, 74(3): 446-459. Zhu W B, Zhang J J, Cui Y P, et al. Assessment of territorial ecosystem carbon storage based on land use change scenario: a case study in Qihe River Basin[J]. Acta Geographica Sinica, 2019, 74(3): 446-459. |
| [17] |
张平平, 李艳红, 殷浩然, 等. 中国南北过渡带生态系统碳储量时空变化及动态模拟[J]. 自然资源学报, 2022, 37(5): 1183-1197. Zhang P P, Li Y H, Yin H R, et al. Spatio-temporal variation and dynamic simulation of ecosystem carbon storage in the north-south transitional zone of China[J]. Journal of Natural Resources, 2022, 37(5): 1183-1197. |
| [18] | 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 |
| [19] | Liu W, Liu D F, Liu Y. Spatially heterogeneous response of carbon storage to land use changes in Pearl River Delta urban agglomeration, China[J]. Chinese Geographical Science, 2023, 33(2): 271-286. DOI:10.1007/s11769-023-1343-3 |
| [20] |
魏献花, 白永平, 车磊, 等. 基于栅格的关中平原城市群人居环境质量综合评价[J]. 干旱区地理, 2019, 42(5): 1176-1184. Wei X H, Bai Y P, Che L, et al. Evaluation of human settlement environment quality of urban agglomeration in Guanzhong Plain based on grid data[J]. Arid Land Geography, 2019, 42(5): 1176-1184. |
| [21] |
许蕊, 黄贤金, 王佩玉, 等. 黄河流域国土空间碳中和度研究——以内蒙古段为例[J]. 生态学报, 2022, 42(23): 9651-9662. Xu R, Huang X J, Wang P Y, et al. Study on carbon neutrality in land and space in the Yellow River Basin: a case study of Inner Mongolia[J]. Acta Ecologica Sinica, 2022, 42(23): 9651-9662. |
| [22] |
孙久文, 崔雅琪, 张皓. 黄河流域城市群生态保护与经济发展耦合的时空格局与机制分析[J]. 自然资源学报, 2022, 37(7): 1673-1690. Sun J W, Cui Y Q, Zhang H. Spatio-temporal pattern and mechanism analysis of coupling between ecological protection and economic development of urban agglomerations in the Yellow River Basin[J]. Journal of Natural Resources, 2022, 37(7): 1673-1690. |
| [23] |
党雪薇, 周亮, 胡凤宁, 等. 关中平原城市群扩张对生态用地的多尺度影响[J]. 生态学报, 2022, 42(7): 3020-3032. Dang X W, Zhou L, Hu F N, et al. The multi-scale direct and indirect effects of urban expansion of Guanzhong Plain Urban Agglomeration on ecological land[J]. Acta Ecologica Sinica, 2022, 42(7): 3020-3032. |
| [24] |
卢雅焱, 徐晓亮, 李基才, 等. 基于InVEST模型的新疆天山碳储量时空演变研究[J]. 干旱区研究, 2022, 39(6): 1896-1906. Lu Y Y, Xu X L, Li J C, et al. Research on the spatio-temporal variation of carbon storage in the Xinjiang Tianshan Mountains based on the InVEST model[J]. Arid Zone Research, 2022, 39(6): 1896-1906. |
| [25] |
李茂娟, 李天奇, 朱文博, 等. 基于InVEST模型的太行山区生态系统碳储量多维变化研究[J]. 河南大学学报(自然科学版), 2021, 51(6): 631-642, 684. Li M J, Li T Q, Zhu W B, et al. Multidimensional changes of carbon storage in Taihang mountain ecosystem based on InVEST model[J]. Journal of Henan University (Natural Science), 2021, 51(6): 631-642, 684. |
| [26] |
薛万来, 朱莎莎, 朱梦洵, 等. 基于FLUS-InVEST模型的永定河流域碳储量功能变化分析[J]. 水利水电技术(中英文), 2023, 54(9): 13-25. Xue W L, Zhu S S, Zhu M X, et al. Carbon storage function in Yongding River Basin based on the FLUS-InVEST model[J]. Water Resources and Hydropower Engineering, 2023, 54(9): 13-25. |
| [27] |
张军, 金梓函, 王玥, 等. 关中平原城市群PM2.5时空演变格局及其影响因素[J]. 环境科学, 2022, 43(12): 5333-5343. Zhang J, Jin Z H, Wang Y, et al. Temporal and spatial evolution pattern of PM2.5 and its influencing factors in Guanzhong Plain urban agglomeration[J]. Environmental Science, 2022, 43(12): 5333-5343. |
| [28] |
王治国, 白永平, 车磊, 等. 关中平原城市群植被覆盖的时空特征与影响因素[J]. 干旱区地理, 2020, 43(4): 1041-1050. Wang Z G, Bai Y P, Che L, et al. Spatio-temporal characteristics and influencing factors of vegetation coverage in urban agglomeration of Guanzhong Plain[J]. Arid Land Geography, 2020, 43(4): 1041-1050. |
| [29] | 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 |
| [30] | Li X, Fu J Y, Jiang D, et al. Land use optimization in Ningbo city with a coupled GA and PLUS model[J]. Journal of Cleaner Production, 2022, 375. DOI:10.1016/J.JCLEPRO.2022.134004 |
| [31] |
李琛, 高彬嫔, 吴映梅, 等. 基于PLUS模型的山区城镇景观生态风险动态模拟[J]. 浙江农林大学学报, 2022, 39(1): 84-94. Li C, Gao B P, Wu Y M, et al. Dynamic simulation of landscape ecological risk in mountain towns based on PLUS model[J]. Journal of Zhejiang A & F University, 2022, 39(1): 84-94. |
| [32] |
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. |
| [33] |
李俊, 杨德宏, 吴锋振, 等. 基于PLUS与InVEST模型的昆明市土地利用变化动态模拟与碳储量评估[J]. 水土保持通报, 2023, 43(1): 378-387. Li J, Yang D H, Wu F Z, et al. Dynamic simulation of land use changes and assessment of carbon storage in Kunming City based on PLUS and in VEST models[J]. Bulletin of Soil and Water Conservation, 2023, 43(1): 378-387. |
| [34] |
孙欣欣, 薛建辉, 董丽娜. 基于PLUS模型和InVEST模型的南京市生态系统碳储量时空变化与预测[J]. 生态与农村环境学报, 2023, 39(1): 41-51. Sun X X, Xue J H, Dong L N. Spatiotemporal change and prediction of carbon storage in Nanjing ecosystem based on PLUS model and in-VEST model[J]. Journal of Ecology and Rural Environment, 2023, 39(1): 41-51. |
| [35] | Liu Q, Yang D D, Cao L, et al. Assessment and prediction of carbon storage based on land use/land cover dynamics in the tropics: a case study of Hainan island, China[J]. Land, 2022, 11(2). DOI:10.3390/land11020244 |
| [36] |
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. DOI:10.3321/j.issn:0564-3929.2004.01.006 |
| [37] | 李克让, 王绍强, 曹明奎. 中国植被和土壤碳贮量[J]. 中国科学(D辑), 2003, 33(1): 72-80. |
| [38] |
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. |
| [39] |
张杰, 李敏, 敖子强, 等. 中国西部干旱区土壤有机碳储量估算[J]. 干旱区资源与环境, 2018, 32(9): 132-137. Zhang J, Li M, Ao Z Q, et al. Estimation of soil organic carbon storage of terrestrial ecosystem in arid western China[J]. Journal of Arid Land Resources and Environment, 2018, 32(9): 132-137. |
| [40] |
杨洁, 谢保鹏, 张德罡. 基于InVEST和CA-Markov模型的黄河流域碳储量时空变化研究[J]. 中国生态农业学报(中英文), 2021, 29(6): 1018-1029. Yang J, Xie B P, Zhang D G. Spatio-temporal evolution of carbon stocks in the Yellow River Basin based on InVEST and CA-Markov models[J]. Chinese Journal of Eco-Agriculture, 2021, 29(6): 1018-1029. |
| [41] |
张修芳, 牛叔文, 冯骁, 等. 天水城市扩张的时空特征及动因分析[J]. 地理研究, 2013, 32(12): 2312-2323. Zhang X F, Niu S W, Feng X, et al. Spatial-temporal characteristics and driving factors of urban land expansion of a valley city: a case study of Tianshui City in western China[J]. Geographical Research, 2013, 32(12): 2312-2323. |
| [42] |
周忠学. 城市化背景下农业景观变化对生态服务影响——以西安都市圈为例[J]. 干旱区地理, 2015, 38(5): 1004-1013. Zhou Z X. Impact of the agricultural landscape change on ecosystem services in the process of rapid urbanization region: a case study of Xi'an metropolitan zone[J]. Arid Land Geography, 2015, 38(5): 1004-1013. |
| [43] | Zheng H L, Cao X S. Impact of high-speed railway construction on spatial relationships in the Guanzhong Plain urban agglomeration[J]. Regional Sustainability, 2021, 2(1): 47-59. DOI:10.1016/j.regsus.2021.01.001 |
| [44] | Peng L X, Zhang L W, Li X P, et al. Spatial expansion effects on urban ecosystem services supply-demand mismatching in Guanzhong Plain urban agglomeration of China[J]. Journal of Geographical Sciences, 2022, 32(5): 806-828. DOI:10.1007/s11442-022-1973-x |
| [45] | Song Y Y, Xia S Y, Xue D Q, et al. Land space change process and its eco-environmental effects in the Guanzhong Plain urban agglomeration of China[J]. Land, 2022, 11(9). DOI:10.3390/LAND11091547 |
| [46] |
李妙宇. 黄土高原生态系统碳储量现状及固碳潜力评估[D]. 咸阳: 中国科学院大学(中国科学院教育部水土保持与生态环境研究中心), 2021. Li M Y. Carbon storages and carbon sequestration potentials of the terrestrial ecosystems on the Loess Plateau[D]. Xianyang: Center Soil and Water Conservation and Ecological Environment, Chinese Academy of Sciences and Ministry of Education, 2021. |
| [47] |
王天福, 龚直文, 邓元杰. 基于土地利用变化的陕西省植被碳汇提质增效优先区识别[J]. 自然资源学报, 2022, 37(5): 1214-1232. Wang T F, Gong Z W, Deng Y J. Identification of priority areas for improving quality and efficiency of vegetation carbon sinks in Shaanxi province based on land use change[J]. Journal of Natural Resources, 2022, 37(5): 1214-1232. |
| [48] | Zhou J J, Zhao Y R, Huang P, et al. Impacts of ecological restoration projects on the ecosystem carbon storage of inland river basin in arid area, China[J]. Ecological Indicators, 2020, 118. DOI:10.1016/j.ecolind.2020.106803 |