2024, Vol. 45
2. 安徽理工大学矿山采动灾害空天地协同监测与预警安徽省教育厅重点实验室, 淮南 232001;
3. 矿区环境与灾害协同监测煤炭行业工程研究中心, 淮南 232001
, ZHAO Ming-song1,2,3
, GAO Ying-feng1 , WANG Tao1 , ZHAO Zhi-dong1 , WANG Shi-hang1,2,3
2. Key Laboratory of Aviation-aerospace-ground Cooperative Monitoring and Early Warning of Coal Mininginduced Disasters of Anhui Higher Education Institutes, Anhui University of Science and Technology, Huainan 232001, China;
3. Coal Industry Engineering Research Center of Collaborative Monitoring of Mining Area's Environment and Disasters, Huainan 232001, China
土地利用变化是影响碳储量的重要因素之一, 通过影响生态系统中植被和土壤的碳储量进而影响整个区域碳储量变化[1]. 据已有研究表明, 2011 ~ 2020年大气CO2年增长率为（5.1±0.02）Gt·a-1, 占CO2排放总量的47%, 2021年初步增长率估计约为5 Gt·a-1[2, 3]. 10年间土地利用变化每年平均向大气排放的碳量为1.1 Pg[4]. 大气CO2浓度的升高引起的全球变暖对生态系统和人类社会经济系统带来严重的负面影响[5]. 增强陆地生态系统固碳能力是控制CO2浓度上升的重要手段, 也是实现我国“碳中和”目标的有效途径[6, 7]. 现如今, 由土地利用变化而引起的碳储量变化, 已成为当前研究热点. 因此, 探讨土地利用时空变化对生态系统碳储量的影响, 对减缓全球气候变化具有重要意义.
相比传统的碳储量估算方法, InVEST模型可以直接评估某一区域上特定时间段的碳储量, 并计算由土地利用变化导致的碳储量变化, 具有数据需求少, 运行速度快等优点[8, 9]. 常见的土地利用模拟模型有CLUE-S[10, 11]、CA-Markov[12]、FLUS[13]和PLUS[14]等. 当前, InVEST模型与土地利用模拟模型的组合, 已被广泛应用于碳储量时空变化分析, 以及未来土地利用空间格局及其碳储量变化分析的研究中[12]. 如：吴佩君等[15]利用InVEST模型分析了广东省1980 ~ 2010年的碳储量变化, 并结合CA模型评估未来城市扩展对碳储量的影响. 林彤等[16]构建土地利用碳储量数据库, 基于InVEST模型估算了广东省1990 ~ 2020年碳储量时空分布情况, 结合PLUS模型预测2050年土地利用及其碳储量分布. Zhu等[17]利用CA-Markov模型预测了2020 ~ 2050年的土地利用格局, 再基于InVEST模型探讨了未来土地利用下陆地生态系统碳储量的变化. 虽然当前已有大量有关土地利用变化对碳储量影响的研究, 但耦合PLUS-InVEST对矿业城市生态系统碳储量进行时空变化分析, 以及探究碳储量空间分异驱动机制的相关研究较少.
淮北市作为低碳试点城市, 近些年来一直积极推动绿色低碳发展, 探索资源城市低碳转型的道路[18]. 但“十三五”期间安徽处于在工业化和城市化加快发展的关键时期, 经济结构高碳特征显著, CO2排放量持续增加[19]. 因此, 本研究基于InVEST模型分析了研究区1985 ~ 2020年的生态系统碳储量时空变化, 并运用PLUS预测研究区未来多种情景下土地利用空间格局, 分析未来碳储量的演变趋势, 以期对研究区未来的碳管理和国土空间规划提供数据支持.
1 材料与方法 1.1 研究区概况淮北市位于安徽省北部, 地理坐标介于116°23′ ~ 117°02′E, 33°16′ ~ 34°14′N, 本文以市辖区为研究对象, 面积为726.52 km2. 研究区处于中纬度地区, 属暖温带半湿润季风气候, 多年平均气温在14.8 ℃, 年平均降水量为849.6 mm, 年日照时数2 313.9 h[20]. 地势由西北向东南倾斜, 地貌以平原为主. 淮北市矿产资源较为丰富, 已发现矿产56种, 以煤炭及其它非金属矿产为主, 小部分为金属矿产. 其中高岭土储量位居安徽省第一, 煤炭位居第二. 截至2015年, 共探明煤炭矿产地56处, 煤炭资源储量56.33亿吨. 据统计, 淮北市累计采煤塌陷土地228.00 km2, 每年新增塌陷土地4.3 ~ 4.5 km2, 已复垦塌陷土地面积121.40 km2[21]. 图 1为研究区地理位置.
|
图 1 研究区地理位置示意 Fig. 1 Location of study area |
① 淮北市1985、1995、2005、2015和2020年土地利用数据. 2015年土地利用数据由来源于地理空间数据云的影像解译获得. 将所得到的土地利用数据重分类为耕地、林地、草地、水域和建设用地这5个一级分类；②坡度和坡向数据是由DEM数据在ArcGIS工具箱中提取获得；③据距铁路、高速、国道省道、河流和城镇的空间距离驱动因子图是由Open Street Map获得的矢量数据在ArcGIS中做欧氏距离分析处理获得. 表 1为本研究数据的具体来源及相关说明.
|
表 1 数据来源描述 Table 1 Data source information of the research |
1.3 研究方法 1.3.1 基于PLUS模型的土地利用变化模拟
PLUS模型是中国地质大学（武汉）HPSCIL@CUG实验室团队于2020年提出的[22], 该模型可以挖掘土地扩张和景观变化的驱动因素, 更好地模拟土地利用斑块的产生和演化[16].
本研究中使用PLUS Model V1.3.6软件, 首先提取出两期土地利用扩张的部分, 然后在LEAS模块中对扩张部分进行采样, 设置各类参数, 模拟阶段的参数如下：决策树数量20, 采样率0.02, 训练特征个数16, 输出得到各地类的发展概率和驱动因子对用地扩张所做的贡献. 最后在CARS模块中输入各参数并调试, 实现未来景观格局的模拟. 在模拟阶段, 参数设置如下：衰减阈值设置为0.8, 扩散系数设置为0.3, 随机种子的概率设置为0.000 5. 其中在PLUS模型中集成了Markov链, 土地利用需求的计算可以直接在PLUS模型中完成.
精度评价通过Kappa系数来判定, 计算公式如下[23, 24]：
|
(1) |
式中, P0为模拟结果正确的比例；Pc为随机条件下期望的模拟结果正确的比例；Pp为理想情况下模拟结果正确的比例. 一般情况下, Kappa值大于0.75时一致性较高, 0.4 ~ 0.75范围内一致性一般, 小于0.4时一致性较差, 模拟精度较差.
（1）PLUS模型精度验证以及模拟未来土地利用 本研究过程中采用30 m分辨率的土地利用, 以2015年土地利用为底图模拟2020年土地利用类型空间分布来验证PLUS模型的模拟的精度. 本研究选取了16个驱动因子, 分别是9个自然环境数据：年均温度、年均降水量、土壤有机质、全氮、全磷、全钾、高程、坡向和坡度；7个社会经济数据：GDP、人口、距铁路距离、距高速距离、距国道省道距离、距河流距离和距城镇距离. 经检验, 模型模拟的Kappa系数为0.759, FOM值为0.201. 表明模型模拟的土地利用空间分布与2020年真实的土地利用一致性较高, 可用于研究区未来的土地利用空间分布的预测.
（2）多情景设置 参考《淮北市土地利用总体规划（2006-2020）》《淮北市国民经济和社会发展第十四个五年规划和2035年远景目标纲要》并结合前人研究的经验[25 ~ 27], 为研究淮北市未来土地利用格局的发展, 本文构建了2035年的4种发展情景：自然发展情景、耕地保护情景、生态保护情景与耕地和生态双保护情景.
情景一：自然发展情景. 假定2020 ~ 2035年的转移概率按照2015 ~ 2020年的演化趋势自然增长.
情景二：耕地保护情景. 在自然发展情景下, 将耕地向其它地类的转移概率减少50%, 其它地类仍然保持自然发展的趋势.
情景三：生态保护情景. 在自然发展情景下, 将耕地、林地、草地和水域向建设用地的转移概率分别减少30%、50%、20%和20%, 林地向草地的转移概率减少50%, 水域和草地向林地增加20%, 建设用地向林地增加10%.
情景四：耕地和生态双保护情景. 在自然发展情景下, 将耕地向其它地类（除林地）的转移概率减少50%, 林地、草地和水域向建设用地分别减少50%、20%和20%, 林地向草地减少50%, 水域和草地向林地增加20%, 建设用地向林地增加10%. 表 2是4种情景土地利用需求量. 表 3为转移矩阵, 其中值1表示地类之间可以互相转换, 值0表示不能转换.
|
|
表 2 2035年不同情景下各地类栅格数 Table 2 Number of class grids in different scenarios in 2035 |
|
|
表 3 土地利用转移矩阵设置 Table 3 Setting of land use transition matrix |
1.3.2 基于InVEST模型的生态系统碳储量评估
InVEST（integrated valuation of ecosystem services and trade-offs）模型是美国斯坦福大学、大自然保护协会（TNC）与世界自然基金会（WWF）共同开发的, 它是一种综合评价生态系统服务和交易的模型[28]. InVEST模型将生态系统的碳储量划分地上生物碳、地下生物碳、土壤碳和死亡有机碳, 总碳储量的公式为[14]：
|
(2) |
式中, Ctotal为总体碳储量；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为死亡有机质碳储量.
本文中的碳库数据主要参考前人研究成果, 选择了覆盖研究区的长三角碳密度数据[29, 30]、安徽省土壤碳密度数据[31 ~ 33]和2010年陆地生态系统碳密度数据集[34], 经过整理得到土地利用各类型的碳密度值（表 4）. 本研究中采用InVEST模型3.12.0版本中的Carbon Storage and Sequestration模块进行碳储量的估算.
|
|
表 4 研究区碳密度/t·hm-2 Table 4 Carbon density of each land use type/t·hm-2 |
1.3.3 生态系统碳储量驱动因素分析
地理探测器是探测空间分异性, 以及揭示其背后驱动力的一组统计学方法[35]. 本文运用地理探测器的单因子探测和交互因子探测来分析研究区不同驱动因子对生态系统碳储量时空分布特征的影响程度. 其公式如下[36]：
|
(3) |
式中, h为变量Y或因子X的分层；Nh和N分别为层h和全区的单元数；σ2h和σ2分别是层h和全区的Y值的方差. q的值域为[0, 1], 值越大说明Y的空间分异性越明显.
2 结果与分析 2.1 土地利用时空变化特征研究区1985 ~ 2020年的土地利用分布如图 2所示. 耕地是研究区的优势地类, 1985年、1995年、2005年、2015年和2020年占研究区总面积的68.67%、68.38%、66.19%、61.91%和58.14%. 其次是建设用地, 到2020年建设用地占研究区总面积的24.11%. 林地和草地共占研究区的12% ~ 13%左右, 主要分布在研究区西北和东部低丘区.
|
图 2 1985 ~ 2020年淮北市土地利用 Fig. 2 Land use map in Huaibei from 1985 to 2020 |
35年间淮北市耕地面积减少了76.49 km2, 建设用地面积增加了75.69 km2, 其他用地类型的变化量低于2.5 km2（表 5）, 但在不同时间段内, 各用地类型的变化量和速率快慢不一. 1985 ~ 2020年淮北市总体综合土地利用动态度为1.76%, 其中建设用地年均变化率最高, 为2.17%, 其次是林地, 为0.61%. 林地面积虽然较小, 但年均变化速率相对耕地更高. 从4个时段来看, 2005年之前的土地利用变化速度较慢, 两个时段的综合土地利用动态度不高, 不足3%；在2005年以后, 土地利用变化速度加快, 尤其到2015 ~ 2020年这一时段, 综合土地利用动态度达到了34.62%. 期间, 研究区的GDP从2005年的257.9亿元增长到了2020年的1119.1亿元. 矿业经济一直对全市的经济发展具有重要地位, 其中2020年采矿业带来的GDP为205.1亿元, 占总GDP的18.3%. 常住人口城镇化率从51.8%增加到64.16%. 从各用地类型的变化速率来看：1985 ~ 2020年, 淮北市耕地面积持续快速地减少, 其单一动态度绝对值随时间逐渐增大. 到2015 ~ 2020年, 耕地的单一土地利用动态度达到了-1.22%. 林地、草地和水域在这4个时段中, 单一动态度的绝对值也随时间逐渐增大, 但总的面积变化不大. 建设用地的单一动态度在2005 ~ 2015年达到最大, 为4.37%, 2015年后明显下降, 表明建设用地在2015年之后增加速度有所减缓. 淮北市在“十一五”期间（2006 ~ 2010年）加速推进工业化、城市化和城乡一体化. “十二五”期间（2011 ~ 2015年）又着力实施“东进、南扩”的城市发展战略, 老城改造全面提速, 东部新城建设进展有序. “十三五”期间（2016 ~ 2020年）依旧坚持全域城镇化, 城市建成区面积增长, 但增长面积小于“十一五”和“十二五”期间. 因此, 这15年间研究区建设用地变化速度较快. 总的来说, 研究区2005年之后土地利用变化较快, 主要与社会经济快速发展和城市转型速度加快等原因有关[37].
|
|
表 5 1985 ~ 2020年淮北市土地利用动态度 Table 5 Land use dynamic index in Huaibei from 1985 to 2020 |
从1985 ~ 2020年主要地类转移空间分布和土地利用转换桑基（Sankey）可以看出（图 3和图 4）：①1985 ~ 2005各地类土地利用变化速度相对缓慢, 较为明显的是相山区城镇附近部分耕地转入建设用地, 转入了17.87 km2. 如图 3（a）. 以及部分矿区附近的耕地与水域之间的转换, 水域转入耕地3.14 km2, 耕地转入水域2.43 km2, 耕地转入水域的斑块分布得较为零散, 说明矿区塌陷仍在继续. 水域转入耕地的斑块集中在一起, 说明对塌陷水体治理, 初有成效. 总的水域面积减少, 但仍有耕地转换为水域. ②2005 ~ 2020年, 变化速度较快, 各地类之间的转入与转出较为频繁. 大量耕地转换为建设用地, 转入了53.40 km2, 这些建设用地主要是在2005年原有建设用地的基础上向周围的扩张而来的, 体现了聚集发展的思想, 向中心城市集中. 这种扩张导致周围的耕地和草地被侵占. 以及部分耕地转换为水域, 面积为6.42 km2, 主要是采煤沉陷区治理后形成的塌陷湖泊, 如图 3（b）. 这与三轮规划期间, 建成“城市中央公园”, 打造“城市中心湖泊带”这一规划相符合.
|
图 3 1985 ~ 2020年主要地类转移空间分布 Fig. 3 Spatial distribution map of major land use type change from 1985 to 2020 |
|
图 4 1985 ~ 2020年土地利用类型转换Sankey图 Fig. 4 Sankey diagram of land use type conversion from 1985 to 2020 |
总之, 1985 ~ 2020年35年间, 以耕地向建设用地的转移为主, 耕地向水域的转移次之, 以及部分草地、水域转入建设用地和耕地.
2.2 碳储量时空变化特征运用InVEST模型计算得到5期碳储量. 将获取到的碳储量分为3等, 从图 5中可知, 低值区随着时间变化, 向周围逐渐扩张. 碳储量低值区[81.09, 111.89] 分布在研究区的西北部和中部, 是淮北市的主要城镇所在地, 其余的零散分布于研究区. 大部分高值区[151.78, 165.86] 分布于淮北自然保护地, 例如相山国家森林公园, 龙脊山自然风景区, 海拔相对较高, 植被覆盖率高. 主要地类是草地和林地, 土地利用程度较低, 其中碳密度最高为165.86 t·hm-2.
|
图 5 1985 ~ 2020年碳储量空间分布 Fig. 5 Spatial distribution of carbon storage from 1985 to 2020 |
研究区1985 ~ 2020年间的碳储量出现持续减少的趋势, 1985、1995、2005、2015和2020年的碳储量分别为：83.49 × 105、83.45 × 105、83.29 × 105、82.07 × 105和81.94 × 105 t. 35年间共减少1.55 × 105 t, 年均减少0.44 × 104 t. 其中在2005 ~ 2015年这一时段, 碳储量的降幅最大, 减少了1.22 × 105 t, 占总减少碳储量的78.71%, 碳储量年均减少1.22 × 104 t. 这时期淮北市城市化转型发展进程加快, 建设用地迅速扩张, 占用了部分耕地和草地. 2015年后建设用地的扩张逐渐缓和, 2015 ~ 2020年的碳流失速度得到缓解.
图 6为1985 ~ 2020年研究区碳储量空间变化. 从中可以看出1985 ~ 1995年大部分区域的碳储量基本不变, 碳储量减少的地方都是零星分布在研究区内. 1995 ~ 2005年, 碳储量的的减少面积占多数且聚集成块, 主要位于相山区的城镇居民地周围. 2005 ~ 2015年, 研究区西北碳储量减少区域大部分是城镇向周围扩张, 侵占了碳密度比建设用地高的耕地和草地, 烈山区东部碳储量减少区域大部分是耕地侵占了碳密度更高的草地. 2015 ~ 2020年, 相山区碳储量减少主要是水域侵占了部分耕地, 而烈山区的碳储量减少较为显著, 主要是建设用地向周围扩张. 总的来说, 1985 ~ 2020年, 大部分的区域碳储量未变, 碳储量减少区域大多数集中研究区的西北部和中部, 即相山区和烈山区的城区附近, 零星分布于杜集区. 增加区域聚集成面, 主要分布于杜集区. 碳储量减少的面积占多数, 所以碳储量一直呈现下降趋势.
|
图 6 1985 ~ 2020年区域碳储量空间变化 Fig. 6 Spatial changes in regional carbon storage from 1985 to 2020 |
从表 6可以看出, 研究区不同土地利用类型对总碳储量的贡献大小排序, 依次为耕地、草地、建设用地、水域和林地. 研究区超过94%的碳储量分布在耕地、草地和建设用地这3个主要碳库中. 1985 ~ 2020年期间, 研究区耕地面积和总碳储量一直呈下降趋势. 尽管如此, 耕地依旧是最主要的碳库, 其碳储量占总碳储量的55%以上. 在过去的35年间, 研究区的耕地面积缩减了10.53%, 导致其碳储量占总碳储量的比例从66.89%下降到57.73%. 相比之下林地、草地和水域的碳储量总的变化幅度并不明显. 建设用地增加了总面积的10.42%, 其碳储量占总碳储量的比例从11.01%增加到19.77%. 总体看主要是建设用地面积的增加, 造成了生态系统碳储量的减少.
|
|
表 6 1985 ~ 2020年各地类碳储量× 105/t Table 6 Carbon storage of each land use type from 1985 to 2020 × 105/t |
表 7是1985 ~ 2020年土地利用变化带来的碳储量的变化, 从中可知35年间碳储量减少了155.29 × 103 t, 其中植被碳储量减少了93.21 × 103 t, 占总减少碳储量的60.02%, 土壤碳储量减少了43.68 × 103 t, 死亡有机质碳储量减少了18.40 × 103 t. 从总碳储量变化上来看, 耕地转移到建设用地减少的碳储量最为显著, 共减少了139.04 × 103 t, 植被碳储量损失占61.08%；其次是草地转移到建设用地, 碳储量减少了36.11 × 103 t, 其中土壤碳储量的损失占70.37%. 由耕地转化到水域的面积虽然只有8.50 km2, 但碳储量减少了26.22 × 103 t, 植被碳储量损失了26.64 × 103 t. 耕地转移到草地碳储量增加得最多, 增加了16.60 × 103 t, 其中土壤碳储量的增加占86.20%；其次是水域转移到耕地, 碳储量增加了11.71 × 103 t, 其中增加了11.90 × 103 t的植被碳储量, 减少了1.10 × 103 t的土壤碳储量. 从表 7中可以看出, 由其它地类向草地和林地转化有利于增加生态系统碳储量. 这与罗琳等[38]在研究同为矿业城市的徐州时, 发现大量绿色空间转为建设用地, 碳储量持续降低的趋势一致. 但在同一时间内徐州水域逐年减少, 淮北市水域则是增加的. 这主要是因为淮北市采煤塌陷地的规模较大, 地表沉陷不断延展造成的. 所以因城市发展部分耕地和草地转为建设用地, 以及治理修复采煤沉陷区, 将塌陷耕地等打造为城市湖泊带, 由高碳密度地类向低碳密度地类转化是研究区碳储量减少的主要原因.
|
|
表 7 1985 ~ 2020年土地转移所对应的碳储量 Table 7 Carbon storage corresponding to land transfer from 1985 to 2020 |
2.4 碳储量空间分异驱动力分析
本研究中选取了16个因子作为自变量, 分别是高程（X1）、坡向（X2）、坡度（X3）、距铁路距离（X4）、距高速距离（X5）、距国道省道距离（X6）、距河流距离（X7）、距城镇距离（X8）、GDP（X9）、人口（X10）、年均降水量（X11）、年均温度（X12）、土壤有机质（X13）、全钾（X14）、全氮（X15）和全磷（X16）. 并将研究区划分为500 m × 500 m的格网, 生成2 897个采样点. 然后使用地理探测器, 分析各因子对碳储量空间分异的解释能力, 结果如图 7所示.
|
（a）单因子探测结果, （b）交互因子探测结果 图 7 单因子探测和交互因子作用结果 Fig. 7 Factor detection and interactive detection results |
从图 7（a）所示的单因子探测结果来看, 各因子除了X2的P值大于0.05, 其余因子均对碳储量时空分布特征有显著影响. 从图 7（a）所示的单因子探测结果来看, 其中高程、坡度、土壤属性数据和年均温度的q值较高, 高程的q值达到了0.497. 说明高程对碳储量的空间分布具有较强的解释能力. 除了地形数据, 土壤数据对碳储量的时空分布也具有较强的解释能力, 各土壤属性数据的q值均达到了0.2以上. 总的来说, 自然环境因子对碳储量时空分布的解释力占主导地位.
从图 7（b）所示的交互因子探测结果来看, 任意2个因子交互作用均表现为双因子增强或非线性增强. 双因子交互作用对碳储量空间分布的影响大于单因子对碳储量的影响. 表明碳储量空间分布并非只受单一因素的影响, 而是由不同因子交互作用影响的共同结果. 其中高程（X1）与GDP（X9）交互的表现为双因子增强, 是对碳储量空间分布影响最为显著的交互因子, 其q值为0.560. 高程（X1）与坡向（X2）和距河流距离（X7）呈现非线性增强, 与其余因子呈现双因子增强. 表明高程与其它因子相互作用对研究区的碳储量空间分布有一定的决定性作用.
2.5 土地利用多情景模拟下碳储量空间格局预测图 8呈现了在自然发展情景、耕地保护情景、生态保护情景以及耕地和生态双保护情景下, PLUS模型对2035年研究区土地利用空间格局分布及各地类面积占比的预测结果. 相比于2020年, 2035年自然发展情景下, 耕地和林地较2020年分别减少了的7.96%和35.01%, 建设用地增加了4.06%, 说明自然情景下, 林地的流失的速率较快, 建设用地继续扩张, 但扩张已经趋于平缓；耕地保护情景下, 最大限度的保护了耕地, 耕地面积增加了10.21%, 但林地和建设用地的面积减少了50.30%和19.91%；生态保护情景中, 耕地和建设用地分别减少了2.28%和3.53%, 该情景下控制了耕地的流失和建筑用地的扩张, 生态用地中的林地、草地、水域的面积增加. 耕地和生态双保护情景下, 最大限度的保护了耕地和林地, 耕地和林地分别增加了9.26%和10.88%, 但建设用地减少了19.12%. 2020 ~ 2035年这段时间内, 研究区较为明显发生土地利用变化的区域主要集中在西北部和东部.
|
图 8 4种情景下淮北市土地利用格局演化PLUS模拟结果 Fig. 8 PLUS simulation results of land use pattern evolution under four scenarios in Huaibei |
表 8为基于InVEST模型对2035年的4种未来土地利用情景下碳储量的估算结果. 其中自然发展情景的碳储量最低, 为81.77 × 105 t；生态保护情景的碳储量最高, 为82.82 × 105 t. 耕地保护情景和双保护情景下的碳储量相当, 分别为82.45 × 105 t和82.51 × 105 t. 除了自然发展情景, 其余3种情景的总碳储量均高于2020年.
|
|
表 8 2020 ~ 2035年4种情景下各地类碳储量× 105/t Table 8 Changes in carbon storage in different regions under four scenarios from 2020 to 2035 × 105/t |
图 9是4种情景2020 ~ 2035年区域碳储量空间变化. 自然发展情景的总碳储量相对于2020年降低了0.17 × 105 t, 碳储量减少的区域面积为27.14 km2, 主要分布在研究区西北部, 原因是部分相山区和杜集区的耕地转换到碳密度相对低的水域和建设用地；增加区域的面积为15.26 km2, 分布在研究区东部, 增加的原因是由林地转换到碳密度高的草地. 总的来说, 自然发展情景下总的碳储量受耕地面积减少的影响最大.
|
图 9 2020 ~ 2035年4种情景区域碳储量空间变化 Fig. 9 Spatial changes in regional carbon storage under the four scenarios from 2020 to 2035 |
2035年耕地保护情景下, 总碳储量相较于2020年增加了0.48 × 105 t, 碳储量增加和减少的区域分别为46.11 km2和6.11 km2, 零星分布于研究区内, 耕地碳储量比自然发展情景增加了8.59 × 105 t, 但研究区内其它碳密度高的生态用地未得到保护, 使生态环境受到影响, 建设用地减少, 限制社会经济发展, 不利于可持续发展.
2035年生态保护情景下, 总碳储量增加了0.88 × 105 t, 是4种情景中碳储量最高的, 碳储量增加和减少的区域分别为19.90 km2和12.96 km2, 相比于前两种情景, 耕地的流失速度和建设用地的扩张受到了限制, 生态用地得到保护, 总碳储量提升, 但耕地碳储量相较于2020年减少了1.09 × 105 t.
2035年双保护情景相较于2020年增加了0.57 × 105 t, 碳储量增加和减少的区域分别为38.66 km2和4.20 km2, 零星分布在研究区内, 耕地和生态用地都受到了保护, 建设用地的扩张受到了较大限制, 耕地碳储量相较于2020年增加了4.7 × 105 t.
3 讨论本文对研究区1985 ~ 2035年的土地利用变化以及碳储量时空变化进行了分析, 并运用PLUS和InVEST模型预测了研究区未来的土地利用空间特征以及碳储量估算, 以期对研究区未来的碳管理和国土空间规划提供理论支持. 其中PLUS能更好地模拟土地利用斑块的产生和演化, 且模型在位置预测、数量预测和景观相似度方面精度优于FLUS和CLUE-S等[39]. InVEST模型的优点在于它需求数据较少、运行速度快, 并且能够提供较高的精度[14]. 耦合两种模型, 可以探究未来研究区土地利用格局以及碳储量的演变趋势.
本研究中计算了土地利用的变化速度和各地类之间的转移情况, 这与前人研究淮北市的结论总体上相同[40]. 刘咏梅等[29]研究发现, 2000 ~ 2015年长三角地区碳储量持续下降, 大部分是建设用地侵占耕地造成的碳损失, 本文也得出相同结论. 1985 ~ 2020年研究区内最主要碳储量流失是高碳密度地类耕地、草地和林地向低碳密度地类建设用地和水域转化是研究区碳储量减少的主要原因, 这与孙方虎等[41]和魏玺等[42]的结论一致. 本研究还发现高程、坡度、土壤属性数据和年均温度对碳储量空间分异的具有较强的解释力, 这与毛永发等[43]的研究结论相似.
如何减少区域碳排放和提升生态系统碳储量碳储存能力是现今研究的热点和难点, 研究中设置的4种情景方案, 可以为土地空间管理, 减少未来的生态系统碳储量的释放提供理论依据. 从研究结果来看, 4种情景方案中, 除了自然发展情景, 耕地保护、生态保护和双保护情景中, 碳汇用地增加, 固碳能力增强. 但耕地保护情景中, 生态用地未得到保护；生态保护情景中, 耕地面积减少但流失速度受到了控制；双保护情景中, 耕地和生态用地数量都得到了保护, 但建设用地受到较大限制.
基于以上模拟分析的结果, 本文提出如下4点建议以支持淮北市如期实现碳中和的目标.
（1）优化土地利用空间布局和结构. 严守耕地和生态保护红线, 确保未来淮北市的耕地质量和数量. 要确保土地利用开发与碳减排并存, 既要保护碳汇类用地, 提升相山、龙脊山等森林质量, 推进绿色矿山建设. 又要以存量用地和城市更新的利用来满足未来发展的空间需求, 促进空间利用向节约紧凑、功能复合、低碳高效转变. 并限制建设用地总量, 防止城镇盲目扩张和无序蔓延, 侵占碳汇类用地.
（2）加强矿山生态修复和采矿沉陷区综合治理. 探索科学治理方案, 提高研究区生态系统自我修复能力. 地面塌陷是淮北市最突出的矿山地质环境问题, 沉陷面积大、影响范围广, 部分塌陷深度较大的区域已连接成片, 积水成湖, 形成大面积的沉陷湖, 需进一步加强采煤沉陷区的综合治理.
（3）产业结构优化升级. 减少对煤炭等资源的依赖, 推动煤炭资源的高效清洁利用以及重点领域减煤, 提高非化石能源消费比重. 虽然淮北市在十三五期间三次产业结构由“二三一”调整为“三二一”, 但2020年第二产业增加值467.0亿元, 增长3.8%；第三产业增加值571.7亿元, 增长3.3%. 第二产业的增长速度较第三产业快, 所以淮北市应该优化能源布局和能源结构, 推动能源关键技术创新, 为经济社会发展提供清洁低碳、安全高效的能源保障.
（4）倡导绿色生活方式. 倡导简约适度、绿色低碳、文明健康的生活理念和生活方式. 合理引导消费者适度消费, 鼓励使用低碳认证产品和环境标识产品. 在推广绿色出行的同时, 也应尽快打造城市绿色交通系统.
本研究中尽可能选择了自然地理接近的碳库数据, 又参考了前人对安徽省土壤有机碳密度的实测数据和2010年中国陆地生态系统地上碳密度实测数据. 然而, InVEST模型的局限在于它假设区域各地类的碳密度不随时间和空间变化而变化[44, 45], 并且忽视了土地利用内部结构和植被生长对固碳能力的影响, 所以碳密度值与实际值有一定的误差. 因此, 在未来的研究中, 需用实测数据来验证碳密度值.
4 结论（1）1985 ~ 2020年间, 耕地和草地减少, 林地、水域和建设用地增加, 耕地持续减少且速率加快. 其中建筑用地的年均变化率最高, 为2.17%. 2015 ~ 2020年综合土地利用动态度最高, 达到了34.62%. 35年间以耕地向建设用地转移为主, 耕地向水域转入次之.
（2）1985 ~ 2020年间研究区的碳储量出现“轻微减少-加速减少-轻微减少”的变化趋势, 35年间共减少1.55 × 105t. 其中在2005 ~ 2015年, 碳储量的降幅最显著.
（3）碳储量较高区域分布在研究区的东部, 碳密度最高为165.86 t·hm-2, 碳储量较低区域分布在研究区中部和西北部. 1985 ~ 2020年, 碳储量减少区域大多集中在研究区的西北部和中部, 并随着时间变化, 向周围扩张. 由耕地转化为建设用地造成的碳储量减少最为显著. 其中自然环境因子对碳储量时空分布的解释力占主导地位.
（4）自然发展情景、耕地保护情景、生态保护情景和耕地和生态双保护情景下的碳储量分别为81.77 × 105、82.45 × 105、82.82 × 105和82.51 × 105 t. 自然情景碳储量减少的主要原因是耕地转换到碳密度相对低的水域和建设用地. 生态保护情景是4种情景中碳储量最高的.
| [1] |
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. |
| [2] | Friedlingstein P, O'Sullivan M, Jones M W, et al. Global carbon budget 2022[J]. Earth System Science Data, 2022, 14(11): 4811-4900. DOI:10.5194/essd-14-4811-2022 |
| [3] | Liu Z, Deng Z, Davis S J, et al. Monitoring global carbon emissions in 2021[J]. Nature Reviews Earth & Environment, 2022, 3(4): 217-219. |
| [4] | Luo Y Q, Weng E S. Dynamic disequilibrium of the terrestrial carbon cycle under global change[J]. Trends in Ecology & Evolution, 2011, 26(2): 96-104. |
| [5] | Carleton T A, Hsiang S M. Social and economic impacts of climate[J]. Science, 2016, 353(6304). DOI:10.1126/science.aad9837 |
| [6] |
杨元合, 石岳, 孙文娟, 等. 中国及全球陆地生态系统碳源汇特征及其对碳中和的贡献[J]. 中国科学: 生命科学, 2022, 65(4): 534-574. Yang Y H, Shi Y, Sun W J, et al. Terrestrial carbon sinks in China and around the world and their contribution to carbon neutrality[J]. Science China Life Sciences, 2022, 65(5): 861-895. |
| [7] |
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. |
| [8] |
刘晓娟, 黎夏, 梁迅, 等. 基于FLUS-InVEST模型的中国未来土地利用变化及其对碳储量影响的模拟[J]. 热带地理, 2019, 39(3): 397-409. Liu X J, Li X, Liang X, et al. Simulating the change of terrestrial carbon storage in China based on the FLUS-InVEST model[J]. Tropical Geography, 2019, 39(3): 397-409. |
| [9] |
杨潋威, 赵娟, 朱家田, 等. 基于PLUS和InVEST模型的西安市生态系统碳储量时空变化与预测[J]. 自然资源遥感, 2022, 34(4): 175-182. Yang L W, Zhao J, Zhu J T, et al. Spatial-temporal change and prediction of carbon stock in the ecosystem of Xi'an based on PLUS and InVEST models[J]. Remote Sensing for Natural Resources, 2022, 34(4): 175-182. |
| [10] |
赫晓慧, 徐雅婷, 范学峰, 等. 中原城市群区域碳储量的时空变化和预测研究[J]. 中国环境科学, 2022, 42(6): 2965-2976. He X H, Xu Y T, Fan X F, et al. Temporal and spatial variation and prediction of regional carbon storage in Zhongyuan urban agglomeration[J]. China Environmental Science, 2022, 42(6): 2965-2976. DOI:10.3969/j.issn.1000-6923.2022.06.052 |
| [11] |
赵明松, 徐少杰, 邓良, 等. 基于CLUE-S模型的煤矿城市土地利用变化模拟[J]. 农业机械学报, 2022, 53(5): 158-168. Zhao M S, Xu S J, Deng L, et al. Simulation of land use change in typical coal mining city based on CLUE-S model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(5): 158-168. |
| [12] |
史名杰, 武红旗, 贾宏涛, 等. 基于MCE-CA-Markov和InVEST模型的伊犁谷地碳储量时空演变及预测[J]. 农业资源与环境学报, 2021, 38(6): 1010-1019. Shi M J, Wu H Q, Jia H T, et al. Temporal and spatial evolution and prediction of carbon stocks in Yili Valley based on MCE-CA-Markov and InVEST models[J]. Journal of Agricultural Resources and Environment, 2021, 38(6): 1010-1019. |
| [13] |
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. |
| [14] |
丁岳, 王柳柱, 桂峰, 等. 基于InVEST模型和PLUS模型的环杭州湾生态系统碳储量[J]. 环境科学, 2023, 44(6): 3343-3352. Ding Y, Wang L Z, Gui F, et al. Ecosystem carbon storage in Hangzhou bay area based on InVEST and PLUS models[J]. Environmental Science, 2023, 44(6): 3343-3352. |
| [15] |
吴佩君, 刘小平, 黎夏, 等. 基于InVEST模型和元胞自动机的城市扩张对陆地生态系统碳储量影响评估——以广东省为例[J]. 地理与地理信息科学, 2016, 32(5): 22-28, 36. Wu P J, Liu X P, Li X, et al. Impact of urban expansion on carbon storage in terrestrial ecosystems based on InVEST model and CA: a case study of Guangdong province, China[J]. Geography and Geo-Information Science, 2016, 32(5): 22-28, 36. DOI:10.3969/j.issn.1672-0504.2016.05.004 |
| [16] |
林彤, 杨木壮, 吴大放, 等. 基于InVEST-PLUS模型的碳储量空间关联性及预测——以广东省为例[J]. 中国环境科学, 2022, 42(10): 4827-4839. Lin T, Yang M Z, Wu D F, et al. Spatial correlation and prediction of land use carbon storage based on the InVEST-PLUS model-A case study in Guangdong province[J]. China Environmental Science, 2022, 42(10): 4827-4839. DOI:10.3969/j.issn.1000-6923.2022.10.041 |
| [17] | Zhu G F, Qiu D D, Zhang Z X, et al. Land-use changes lead to a decrease in carbon storage in arid region, China[J]. Ecological Indicators, 2021, 127. DOI:10.1016/j.ecolind.2021.107770 |
| [18] | 《淮北市(2017—2020年)低碳城市试点建设行动计划》[EB/OL]. https://www.huaibei.gov.cn/zwgk/public/15/6864411.html, 2023-06-08. |
| [19] |
汤丽洁, 蒋旭东, 杨庆, 等. 安徽碳排放特征及"十三五"碳排放对策[J]. 安徽农业科学, 2017, 45(20): 204-206, 211. Yang L J, Jiang X D, Yang Q, et al. Characteristics of carbon emission and its countermeasure during "13th Five-Year[J]. Journal of Anhui Agricultural Sciences, 2017, 45(20): 204-206, 211. DOI:10.3969/j.issn.0517-6611.2017.20.060 |
| [20] | 淮北市人民政府. 淮北市城市总体规划(2006-2020年)[EB/OL]. https://www.huaibei.gov.cn/zwgk/public/15/60297681.html, 2022-07-04. |
| [21] | 淮北市人民政府. 淮北市矿产资源总体规划(2016 ~ 2020年)[EB/OL]. https://www.huaibei.gov.cn/zwgk/public/15/6860821.html, 2022-07-04. |
| [22] | 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 |
| [23] | Wu C Y, Chen B W, Huang X J, et al. Effect of land-use change and optimization on the ecosystem service values of Jiangsu province, China[J]. Ecological Indicators, 2020, 117. DOI:10.1016/j.ecolind.2020.106507 |
| [24] |
王友生, 余新晓, 贺康宁, 等. 基于CA-Markov模型的藉河流域土地利用变化动态模拟[J]. 农业工程学报, 2011, 27(12): 330-336. Wang Y S, Yu X X, He K N, et al. Dynamic simulation of land use change in Jihe watershed based on CA-Markov model[J]. Transactions of the CSAE, 2011, 27(12): 330-336. DOI:10.3969/j.issn.1002-6819.2011.12.062 |
| [25] |
武艺杰, 孔雪松. 江苏省"生态-农业-建设"用地空间格局模拟及发展模式选择[J]. 自然资源遥感, 2022, 34(1): 238-248. Wu Y J, Kong X S. Simulation and development mode suggestions of the spatial pattern of "ecology-agriculture-construction" land in Jiangsu Province[J]. Remote Sensing for Natural Resources, 2022, 34(1): 238-248. |
| [26] |
吴文俊, 张雪微, 郭杰, 等. "多目标"需求下扬州市土地利用布局优化[J]. 生态学报, 2022, 42(19): 7952-7965. Wu W J, Zhang X W, Guo J, et al. Optimization of land use layout in Yangzhou city for multi-objective demand[J]. Acta Ecologica Sinica, 2022, 42(19): 7952-7965. |
| [27] |
周锐, 苏海龙, 王新军, 等. 基于CLUE-S模型和Markov模型的城镇土地利用变化模拟预测——以江苏省常熟市辛庄镇为例[J]. 资源科学, 2011, 33(12): 2262-2270. Zhou R, Su H L, Wang X J, et al. Simulation of land use change in Xinzhuang town under different scenarios based on the CLUE-S model and Markov model[J]. Resources Science, 2011, 33(12): 2262-2270. |
| [28] |
胥丽, 罗绍龙, 国朝胜, 等. 基于PLUS模型和InVEST模型的西双版纳碳储量变化研究[J]. 三峡生态环境监测, 2023, 8(2): 75-87. Xu L, Luo S L, Guo C S, et al. Carbon storage change in Xishuangbanna based on PLUS and InVEST model[J]. Ecology and Environmental Monitoring of Three Gorges, 2023, 8(2): 75-87. |
| [29] |
刘咏梅, 朱彦蓉. 基于InVEST模型的长三角地区陆地生态系统固碳特征变化研究[J]. 南京晓庄学院学报, 2020, 36(6): 82-90. Liu Y M, Zhu Y R. Research of carbon storage changes in terrestrial ecosystems based on InVEST model in the Yangtze River Delta Region[J]. Journal of Nanjing Xiaozhuang University, 2020, 36(6): 82-90. |
| [30] |
周杰, 张学儒, 牟凤云, 等. 基于CA-Markov的土壤有机碳储量空间格局重建研究——以泛长三角地区为例[J]. 长江流域资源与环境, 2018, 27(7): 1565-1575. Zhou J, Zhang X R, Mu F Y, et al. Spatial pattern reconstruction of soil organic carbon storage based on CA-Markov—A case study in Pan-Yangtze River Delta[J]. Resources and Environment in the Yangtze Basin, 2018, 27(7): 1565-1575. |
| [31] |
赵明松, 李德成, 王世航. 近30年安徽省耕地土壤有机碳变化及影响因素[J]. 土壤学报, 2018, 55(3): 595-605. Zhao M S, Li D C, Wang S H. Variation of soil organic carbon in farmland of Anhui and its influencing factors in the 30 years from 1980 to 2010[J]. Acta Pedologica Sinica, 2018, 55(3): 595-605. |
| [32] |
程先富, 谢勇. 基于GIS的安徽省土壤有机碳密度的空间分布特征[J]. 地理科学, 2009, 29(4): 540-544. Cheng X F, Xie Y. Spatial distribution of soil organic carbon density in Anhui province based on GIS[J]. Scientia Geographica Sinica, 2009, 29(4): 540-544. DOI:10.3969/j.issn.1000-0690.2009.04.012 |
| [33] | Zhao M S, Qiu S Q, Wang S H, et al. Spatial-temporal change of soil organic carbon in Anhui Province of East China[J]. Geoderma Regional, 2021, 26. DOI:10.1016/j.geodrs.2021.e00415 |
| [34] |
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(中英文网络版), 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. |
| [35] |
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. |
| [36] |
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, Wang 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. |
| [37] |
管晶, 焦华富. 煤炭资源型城市城乡空间结构演变及影响因素——以安徽省淮北市为例[J]. 自然资源学报, 2021, 36(11): 2836-2852. Guan J, Jiao H F. The evolution process and influencing factors of urban-rural spatial structure in coal resource-based city: a case study of Huaibei city in Anhui province[J]. Journal of Natural Resources, 2021, 36(11): 2836-2852. |
| [38] |
罗琳, 谢红彬, 关钊, 等. 矿业城市绿色空间格局演变及其生态系统服务变化研究——以徐州市为例[J]. 长江流域资源与环境, 2023, 32(8): 1686-1697. Luo L, Xie H B, Guan Z, et al. Evolution of green space pattern and its ecosystem services change in mining cities: a case study of Xuzhou City[J]. Resources and Environment in the Yangtze Basin, 2023, 32(8): 1686-1697. |
| [39] |
蒋小芳, 段翰晨, 廖杰, 等. 基于PLUS-SD耦合模型的黑河流域中游甘临高地区土地利用研究[J]. 干旱区研究, 2022, 39(4): 1246-1258. Jiang X F, Duan H C, Liao J, et al. Land use in the Gan-Lin-Gao region of middle reaches of Heihe River Basin based on a PLUS-SD coupling model[J]. Arid Zone Research, 2022, 39(4): 1246-1258. |
| [40] |
刘斌寅, 赵明松, 卢宏亮, 等. 1985 ~ 2015年淮北市土地利用变化特征及其预测研究[J]. 土壤通报, 2019, 50(4): 807-814. Liu B Y, Zhao M S, Lu H L, et al. Research on the characteristics and prediction of land use change in Huaibei from 1985 to 2015[J]. Chinese Journal of Soil Science, 2019, 50(4): 807-814. |
| [41] |
孙方虎, 方凤满, 洪炜林, 等. 基于PLUS和InVEST模型的安徽省碳储量演化分析与预测[J]. 水土保持学报, 2023, 37(1): 151-158. Sun F H, Fang F M, Hong W L, et al. Evolution analysis and prediction of carbon storage in Anhui province based on PLUS and InVEST model[J]. Journal of Soil and Water Conservation, 2023, 37(1): 151-158. |
| [42] |
魏玺, 邵亚, 蔡湘文, 等. 漓江流域陆地生态系统碳储量时空特征与预测[J]. 环境工程技术学报, 2023, 13(3): 1223-1233. Wei X, Shao Y, Cai X W, et al. Spatio-temporal characteristics and prediction of carbon storage in terrestrial ecosystems in Lijiang River basin[J]. Journal of Environmental Engineering Technology, 2023, 13(3): 1223-1233. |
| [43] |
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. |
| [44] |
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. |
| [45] |
侯建坤, 陈建军, 张凯琪, 等. 基于InVEST和GeoSoS-FLUS模型的黄河源区碳储量时空变化特征及其对未来不同情景模式的响应[J]. 环境科学, 2022, 43(11): 5253-5262. Hou J K, Chen J J, Zhang K Q, et al. Temporal and spatial variation characteristics of carbon storage in the source region of the Yellow river based on InVEST and GeoSoS-FLUS models and its response to different future scenarios[J]. Environmental Science, 2022, 43(11): 5253-5262. |