2024, Vol. 45
2. 萍乡学院商学院, 萍乡 337000;
3. 湖南农业大学资源学院, 长沙 410128;
4. 萍乡学院材料与化学工程学院, 萍乡 337000
2. School of Business, Pingxiang University, Pingxiang 337000, China;
3. College of Resources, Hunan Agricultural University, Changsha 410128, China;
4. School of Materials and Chemical Engineering, Pingxiang University, Pingxiang 337000, China
随着世界各国温室气体大量地排放, 全球气候变暖已经成为影响人类活动的重要影响因素. 为应对全球气候变暖的挑战, 2020年9月22日, 中国政府在第七十五届联合国大会上宣布, 2030年中国二氧化碳排放达到峰值, 努力争取2060年前实现碳中和, 标志着中国正式确立了碳达峰、碳中和战略[1]. 陆地生态系统是全球碳存储的重要组成部分. 陆地生态系统碳库主要存储在植被和土壤中, 分布于森林、农田、草地、湿地和荒漠这五大生态系统碳库[2, 3]. 随着人类经济活动范围不断延伸, 新增建设用地将侵占大量林地、耕地等生态用地, 导致生态系统的失衡和碳储量的减少[4]. 可见, 土地利用变化是影响陆地生态系统碳库的重要影响因素[5 ~ 8]. 因此, 以土地利用变化探寻研究区域陆地生态系统碳储量的时空演变趋势, 表征出碳储量变化的相关影响因素, 对陆地生态系统碳储量研究有着重要的现实与实践意义.
近年来国内外学者运用多个方法探究全球、国家、区域、省域、市域和县域的土地利用变化对陆地生态系统碳储量的影响. 全球尺度上, Temmink等[9]研究指出全球每年的湿地碳损失相当于人为碳排放总量的5%；Sha等[10]研究发现通过优化土地利用管理措施可促使全球陆地生态系统每年可额外吸收13.74 Pg C；国家尺度上, Vizcaíno-Bravo等[11]分析了墨西哥热带山地森林流域的生物多样性和碳储量沿土地利用强度梯度相关性；Sun等[12]估算了大面积中国森林的碳储量, 进而探讨了全球气候变化的影响. 区域尺度上, 李妙宇等[13]研究了黄土高原、中原城市群、干旱区等大区域各因子对生态系统碳储量空间分布的影响和土地利用变化对碳储量变化的特征[14 ~ 17]. 此外, 朱文博等[3]研究了不同情景下淇河和疏勒河等流域尺度各土地类型的利用情况与碳储量的时空变化[18 ~ 20], 为未来的生态保护提供相应的依据；郑树峰等[21]对大兴安岭等区域分析了土地利用变化与碳储量变化的响应, 进而评估碳储量的增长趋势[22, 23]. 省域尺度上, 林彤等[24]分别对广东省、重庆市探讨碳储量的时空分布特征及与土地利用类型的关联性, 评估生态系统碳储量的服务性能和变化响应[25 ~ 27]. 在市域尺度上, Liu等[28]和张凯琪等[29]分别研究济南市和桂林市等城市在不同情景下碳储量与国土的利用类型的关系, 探讨碳储量的生态服务水平及时空变化特征的差异[30 ~ 32]. 在县域尺度上, Li等[33]和李月等[34]分析黄土高原地区会宁县等县域在多情景下的土地利用变化格局演变和碳储量动态变化特征. 综上所述, 耦合InVEST-PLUS（integrated valuation of ecosystem services and trade-offs and patch-generating land use simulation）模型测算土地利用变化引起的碳储量变化, 其模型操作简单, 通用性强, 已广泛应用于陆地生态系统碳储量变化评估. 从地理空间研究尺度上看, 大量学者集中在西北干旱区域、东北林地区域、中部城市群和水域河系以及西南云贵高原；或集中在具体县、市域尺度单位, 经济发达省份如广东省, 但以中部地区的省域为尺度单位的研究较为鲜见. 江西省作为中部欠发达地区, 自然资源禀赋充足, 但是也面临经济高质量发展与生态环境保护的协调问题.
本文为探究不同情景下土地利用变化对碳储量的空间分布的影响, 力求分析出土地利用变化与碳储量分布之间关系. 基于1990 ~ 2020年江西省的土地利用数据使用PLUS模型模拟经济发展情景、自然发展情景和生态优先情景下江西省的土地利用变化, 并采用InVEST模型测算江西省1990 ~ 2020年以及2030年不同情景下土地利用变化对生态系统碳储量的影响, 以期为江西省土地利用的科学规划提供科学数据支撑.
1 材料与方法 1.1 研究区概况江西省位于我国东部区域, 位于24°29′14″N ~ 30°04′43″N与113°34′18″E ~ 118°28′56″E（图 1）, 总面积为16.69万km2, 主要包括南昌、赣州和萍乡等11个地级市. 江西省具有丰富的自然资源, 主要土地利用类型为林地和耕地, 属亚热带季风气候区, 四季分明, 冬夏季长而春秋季短, 水资源丰富, 年平均降水量为1 675 mm, 年平均气温为18℃. 以丘陵地形为主, 有丰富的森林、水域湖泊资源, 人均自然资源拥有量在全国处于前列位置.
|
图 1 江西省研究区概况示意 Fig. 1 Overview of study area in Jiangxi Province |
本文所需土地利用数据来源于1990 ~ 2021年中国30 m土地覆被数据集（https://doi.org/10.5281/zenodo.4417810）, 年份为1990、2000、2010和2020年, 将各用地类型重分类为耕地、林地、草地、水域、建设用地和未利用地. 选取自然、区位和社会经济的数据作为PLUS模型的驱动因子. 其中自然因子中高程和坡度数据来源于地理空间数据云平台（https://www.gscloud.cn/）；NDVI、土壤类型、气温和降水数据来源于资源环境数据云平台（https://www.resdc.cn/）；区位因素中, 到河流、1 ~ 4级道路、国道、省道、乡道、高速公路、铁路、城市中心、区县中心的距离来源于全国地理信息资源目录服务系统（https://www.webmap.cn）；社会经济因子中人口和GDP来源于资源环境数据云平台（https://www.resdc.cn/）. 限制区数据来源于《江西省生态保护红线》（http://www.jiangxi.gov.cn/art/2018/7/6/art_393_136449.html）. 具体的数据来源说明见表 1.
|
表 1 数据来源 Table 1 Data sources |
1.3 研究方法 1.3.1 InVEST模型
InVEST模型的碳储量模块包含4个基本碳库：地上碳库（土壤以上所有存活的植物中的碳）、地下碳库（存活于植物活根系统中的碳）、土壤碳库（分布在有机土壤和矿质土壤中的有机碳）和死亡有机碳库（凋落物、倒立或站立的已死亡树木中的碳）, 是以生态系统中的碳储量为基础所进行的划分[35 ~ 38]. 其计算公式为：
|
(1) |
式中, Ctotal为区域总碳密度（t·hm-2）；Cabove为地上部分碳密度（t·hm-2）；Cbelow为地下部分碳密度（t·hm-2）；Csoil为土壤碳密度（t·hm-2）；Cdead为死亡有机物碳密度（t·hm-2）. InVEST模型碳储存模块的基本假设是：将某一地类的碳密度视为常量, 用不同植被类型的碳密度乘以对应的面积来计算区域植被碳储量. 本文通过文献梳理得到研究区不同土地利用类型的碳密度[39 ~ 42]（表 2）.
|
|
表 2 研究区土地利用类型碳密度/t·hm-2 Table 2 Carbon density of land use types/t·hm-2 |
1.3.2 PLUS模型
PLUS模型是由中国地质大学HPSCIL@CUG实验室开发团队研发的一种斑块生成土地利用变化模拟的模型[43, 44], PLUS模型包含两个模块：基于土地扩展分析策略的规则挖掘和基于多类型随机斑块种子的CA模型. 其中基于土地扩展分析策略的规则挖掘将每种土地利用类型的转换规则的挖掘转化为一个二元分类问题可以用多种数据挖掘方法来求解；基于多类型随机斑块种子的CA模型包含了一个基于土地使用的多类型随机种子的补丁生成机制. 模型结构如下.
（1）基于土地扩张分析策略的规则挖掘 该策略提取两期土地利用变化间各类用地扩张的部分. 并从增加部分中采样, 采用随机森林算法逐一对各类土地利用扩张和驱动力的因素进行挖掘, 获取各类用地的发展概率及驱动因素对该时段各类用地扩张的贡献. 它避免了对随着类别数量指数增长的转化类型进行分析, 而且保留了模型在一定时间段分析土地利用变化机制的能力, 具有更好的解释性. 该策略利用随机森林算法探讨各土地利用类型的生长与多重驱动因素之间的关系, 详细公式如下：
|
(2) |
式中, Pi, k(X)d为土地利用类型k在i位置处的转换概率, 若d = 1表示其他土地利用类型转变为k类, 若d = 0时, 表示土地类型转变为k类以外的其他地类. X为由驱动因子所构成的向量, 函数I为决策树集的指示函数, M为其指数函数中决策树的总数.
（2）基于多类型随机斑块种子的CA模型 CA模型是一个场景驱动的土地利用模拟模型, 整合了“自上而下”（即全局土地利用需求）和“自下而上”（即局部土地利用竞争）效应[45 ~ 47]. 模拟过程中, 土地利用需求可通过自适应系数影响当地土地利用竞争, 驱动土地使用量达到未来需求. 因此, 借鉴CA基本理论框架, 一个格网中的土地利用类型是否发生变化是由总概率决定的, 其详细计算公式如下：
|
(3) |
式中, OPi, kd=1为t时刻i位置处转换为第k类土地利用类型的总概率；Ωi, kt为t时刻i位置处第k类土地利用类型的邻域效应；Dkt为t时刻第i类土地利用类型的惯性系数值. 其中邻域效应的计算公式如下：
|
(4) |
式中, con（cit-1 = k）为t-1时刻i位置处n × n窗口内被第k类土地利用类型占据的数量, wk为不同土地利用类型邻域效应的权重值. 此外, 自适应惯性系数（Dkt）调整规则如下：
|
(5) |
式中, Gkt-1 = k和Gkt-2 = k为在t-1和t-2时刻模拟的第k类土地利用类型与预设的宏观需求的土地利用类型的差异. 基于所有土地利用类型的总概率（OPi, kd=1）构造一个轮盘赌轮, 用于选择下一次迭代的土地利用状态.
为了模拟多种土地利用类型的斑块演变特征, PLUS模型采用基于阈值下降的多类型随机斑块播种机制来实现土地利用类型斑块特征的模拟. 该机制通过使用蒙特卡罗方法, 在土地利用类型k的邻域效应为0时, 在每种土地利用类型的生长概率面（Pi, kd）上产生变化的“种子”, 其计算公式如下：
|
(6) |
式中, r为一个从0 ~ 1之间的随机值；uk为新增第k类土地利用斑块的阈值, 可用于控制新增土地利用类型格网的比例. 当一种新的土地利用类型c赢得竞争优势, 一个阈值τ用来决定该土地利用类型c是否进行转换, 其详细公式如下：
|
(7) |
式中, Step为设定的用于靠近土地利用类型需求的步长；δ为下降阈值τ的衰减因子（人为设定）；r为正态分布的随机值, 其均值为1, 取值范围为0 ~ 2；l为迭代衰减的次数, 即随着迭代次数l增加, 阈值τ值会逐步减少, 促使具有较高总体概率的格网值最有可能会发生变化；TMk, c为转换矩阵, 值为1, 则表示k类用地允许转换为c类用地, 值为0, 则不允许转换. 此外, Kappa系数和总体精度指标（overall accuracy, OA）用于验证PLUS模型的精度.
1.3.3 多情景设定综合考虑不同的发展需求, 根据江西省2010 ~ 2020年历史土地利用转移矩阵、《江西省“十四五”发展规划》和《江西省生态保护红线》, 在PLUS模型中设置自然发展、生态保护和经济发展情景, 模拟江西省2030年的土地利用格局. 情景设定规则如下.
（1）自然发展情景（Q1） 延续2010 ~ 2020年发展趋势, 保持原有土地利用类型转移时转移概率和邻域权重不变, 使用Markov链预测2030年各地类需求量, 模拟2030年土地利用分布格局, Q1也是其他情景设定基础.
（2）生态保护情景（Q2） 将生态环境保护作为第一目标, 限制城市化, 并对耕地进行保护, 使得土地利用偏向环境保护的方面发展. 结果表明：林地、草地和水域变为建设用地的可能性降低20%, 耕地变为林地的可能性提高50%, 耕地变为草原的可能性提高60%, 建设用地变为林地的可能性提高30%. 同时, 将研究区域内所设定的生态保护红线考虑进去, 将生态保护红线设置为限制扩张区域, 对2030年Q2的土地利用分布格局进行模拟.
（3）经济发展情景（Q3） 鉴于江西省正处在快速发展的重要阶段, 预计耕地、草地和水域等用地向建设用地转化的可能性将提高10%, 建设用地向耕地、林地、草地、水域转化的可能性将下降60%. 本方案没有涉及到任何政策干预, 也没有对地类之间的迁移进行限制.
此外, 针对不同情景的特点, 3种情景下的土地利用转换成本矩阵见表 3.
|
|
表 3 土地利用转换成本矩阵1） Table 3 Land use transfer cost matrix |
1.3.4 局部空间自相关分析
空间自相关分析适用于衡量空间变量的分布是否具有聚集性, 包括全局空间自相关和局部空间自相关, 能够较好地描述地理事物间的关系, 衡量出事物空间要素属性间的聚合或离散的程度.
|
(8) |
式中, Moran's I表示该空间事物的属性值分布具有的全局空间自相关性, 其值在-1 ~ 1之间, 越接近1, 则单元之间的关系越密切, 负表示该空间事物的属性值分布具有负的空间自相关性；0表示该空间事物的属性值不存在空间自相关性. 本文以县级行政区划对研究区域进行划分, 采用局部空间自相关分析表征碳储量在县级行政区划上的空间集聚规律, 其公式如下：
|
(9) |
式中, Moran's Ii表示该空间事物的属性值分布具有的局部空间自相关性, 其值在-1 ~ 1之间, 数值为正表示该单元周围相似值的空间集聚, 高观测值区域被高值包围（高高）, 低观测值则被低值包围（低低）；负值表示非相似性的空间集聚, 低值区域被高值包围（低高）或者高值区被低值包围（高低）；0表示该区域与相邻区域无空间关联性.
2 结果与分析 2.1 江西省1990 ~ 2020年碳储量时空分布格局利用江西省1990、2000、2010和2020年土地利用数据集和土地利用类型碳密度数据（表 2）估算江西省生态系统碳储量及其变化特征. 结果显示江西省1990 ~ 2020年间碳储量和碳密度呈现持续减少的趋势（表 4）, 1990、2000、2010和2020年江西省生态系统碳储总量分别为2.27 × 109、2.27 × 109、2.27 × 109和2.23 × 109 t, 平均碳密度分别为136.22、136.06、135.82和133.48 t·hm-2, 过去30年间总碳储量和碳密度平均值分别减少了4.56 × 107 t和2.74 t·hm-2.
|
|
表 4 江西省不同时期各土地利用类型碳储量变化× 106/t Table 4 Variation in carbon storage in different land use types in the Jiangxi Province in different periods × 106/t |
从不同土地利用类型碳储量变化分析, 结果表明, 1990 ~ 2000年江西省总碳储量减少2.74 × 106 t, 耕地是主要的减少地类, 减少2.08 × 107 t, 占总碳储量损失的86.81%. 2000 ~ 2010年区域总碳储量减少3.97 × 106 t, 其中耕地、草地、水域和未利用地的碳储量分别减少9.40 × 106、1.90 × 105、7.50 × 105和2.0 × 104 t, 耕地占总碳储量损失的90.71%. 2010 ~ 2020年江西省总碳储量减少量最大, 减少39.07 × 106 t, 林地是主要的减少地类, 减少71.52 × 106 t, 占总碳储量损失的98.6%. 其中, 2010 ~ 2020年耕地碳储量增加了27.47 × 106 t, 其主要原因是大量的林地转化为耕地, 从而导致耕地碳储量的增加. 由此可知, 过去30年间江西省新增建设用地是由原大量的林地和耕地转化而来, 可见林地和耕地碳储量变化是江西省碳储量变化的主要成因.
从碳库视角分析（图 2）, 1990 ~ 2000年地上碳库碳储量处于增加状态, 其他3个碳库都处于减少状态. 其中, 地上碳储量增加1.99 × 106 t, 土壤碳储量减少了4.54 × 106 t, 占总减少量95.89%. 2000 ~ 2010年地上碳储量有少量增加, 其他3个碳库处于减少状态. 地上碳库碳储量仅增加0.05 × 106 t, 土壤碳储量减少3.62 × 106 t, 占总损失量90.09%. 2010 ~ 2020年4个碳库都呈现减少趋势, 且减少幅度较大, 其中土壤碳库碳储量减少最多, 碳储量减少量高达2.15 × 107 t, 死亡有机物碳库碳储量减少最小, 仅减少1.08 × 106 t. 由此可见, 过去30年间, 土壤碳库碳储量在碳储存中占据主导地位, 减少了2.96 × 107 t, 占总碳储量减少的64.73%, 死亡有机物碳库碳储量变化最小, 仅减少1.37 × 106 t.
|
图 2 江西省各碳库碳储量变化 Fig. 2 Variation in carbon storage in various carbon pools in the Jiangxi Province |
从空间视角分析（图 3）, 江西省1990 ~ 2020年碳储量均呈现“中间低, 四周高”空间分布特征. 具体表征为碳储量高值区域主要分布在各个县区山脉及林地区域, 上述区域主要土地利用类型为林地；碳储量低值区域主要分布在鄱阳湖平原, 相比于其他区域, 该区域地势低平, 耕地和建设用地的面积占比较大. 1990 ~ 2020年江西省碳储量空间变化较明显（图 4）, 碳储量基本不变区域占区域总面积的比例最大（43.49%）, 碳储量减少区域所占比例稍小（37.70%）, 碳储量增加区域所占比例最低（18.82%）, 分布特征为变化区域交错分布.
|
图 3 1990 ~ 2020年江西省碳储量变化 Fig. 3 Change in carbon storage in Jiangxi Province from 1990 to 2020 |
|
图 4 1990 ~ 2020年江西省碳储量空间变化 Fig. 4 Spatial variation in carbon storage in Jiangxi Province from 1990 to 2020 |
江西省2020年土地利用类型按面积从大到小依次为林地、耕地、建设用地、水域、草地和未利用地（表 5）, 优势地类为林地和耕地, 耕地主要分布在鄱阳湖平原, 林地主要分布在丘陵山地, 两者面积之和占比大于90%, 4个时期分别为94.75%、94.20%、93.74%和92.66%. 建设用地2020年面积数量位居第三, 其他时间点为第四, 占比分别为1.56%、2.13%、2.85%和3.87%, 30年间面积增长了3 849.32 km2.
|
|
表 5 1990、2000、2010和2020年各土地类型面积及所占面积 Table 5 Area and proportion of land types by land type in 1990, 2000, 2010, and 2020 |
从土地利用类型转移矩阵和时空演变过程可知（表 6和图 5）, 1990 ~ 2000年在江西省主要地类中, 耕地成为江西省建设用地扩张的重要来源, 转出856.54 km2；林地主要向耕地转移, 转出2 951.53 km2；建设用地扩张态势明显, 但仍然有52.84 km2转为水域. 2000 ~ 2010年间, 耕地仍然是建设用地的主要转入源, 转换面积为971.79 km2, 有3 622.98 km2和382.96 km2转为林地和水域；林地继续向建设用地和耕地分别转出181.29 km2和3 367.93 km2. 2010 ~ 2020年间, 耕地和林地仍然是建设用地的主要转入地类, 转换面积分别为1 442.24 km2和269.29 km2. 耕地向林地和水域分别转出2 600.48 km2和556.15 km2, 林地向耕地转移了6 804.93 km2.
|
|
表 6 1 990 ~ 2 000、2 000 ~ 2 010和2 010 ~ 2 020年土地利用转移矩阵/km2 Table 6 Transition matrix of land use for 1 990-2 000, 2 000-2 010, and 2 010-2 020/km2 |
|
图 5 江西省1990 ~ 2020年LUCC时空演变格局 Fig. 5 Spatial and temporal evolution pattern of LUCC from 1990 to 2020 in Jiangxi Province |
整体来看1990 ~ 2020年江西省各类土地均发生变化, 尤其是建设用地面积增长中有78.97%来自于耕地, 15.50%来自于林地和3.88%来自水域, 耕地、林地和水域的次序递减, 其他地类虽然均有少量转换, 但是占比波动较小, 相对稳定. 1990 ~ 2000年鄱阳湖平原大量耕地转换为建设用地, 从而碳储量呈下降状态；2000 ~ 2010年各地类转为建设用地的数量增加, 且有大量林地转为了耕地, 从而造成了区域碳储量的下降；2010 ~ 2020年, 区域地类的转移变化更加强烈, 耕地和林地转为建设用地, 林地转为耕地的数量也大幅度增加, 造成这一时期的碳储量下降的幅度加剧. 本研究发现在1990 ~ 2020年间, 由于江西省的城市化进程不断加快, 对土地开发需求也日益强烈, 导致2010年后江西省林地和耕地的碳储量大幅度下降.
2.3 江西省2030年不同情景下土地利用变化及碳储量时空变化特征 2.3.1 不同情景下土地利用类型变化本文基于江西省2010 ~ 2020年土地利用变化来验证PLUS模型的适用性, 其中, 高程、坡度、NDVI、土壤类型、气温、降水、GDP和到河流、1 ~ 4级道路、国道、省道、乡道、高速公路、铁路、城市中心和区县中心的距离作为PLUS模型的驱动变量；PLUS模型的转换矩阵见表 3中的自然发展情景；随机森林的树个数为100；邻域效应大小设置为3；新增斑块的阈值uk设为0.1；阈值递减系数设置为0.9；靠近土地利用需求的步长设置为500. 经验证PLUS模型的Kappa系数为0.826；OA为0.912, 表明该模型能用于模拟江西省未来土地利用格局.
借鉴2010 ~ 2020年间土地利用格局的参数, 调整不同情景下的转换矩阵（见表 3）, 基于多情景设定参数（见1.3.3节）, 模拟江西省2030年不同发展情景下的土地利用格局（图 6和表 7）. 结果表明2030年间自然发展情景（Q1）和经济发展情景（Q3）下, 土地利用呈现出大致相同的变化趋势, 即耕地和建设用地面积增加, 林地、水域和建设用地面积减少, 仅有草地为相反变化. 其中, Q1情景下草地面积减少, Q3情景下草地面积增加, 主要原因可能是, Q3情景下各用地类型的变化没有进行限制, 导致草地面积的增加. 生态优先情景（Q2）下耕地、草地和未利用地面积减少, 建设用地的增长幅度降低, 与2020年相比林地和水域面积呈增长趋势.
|
图 6 江西省2030年不同情景土地利用分布 Fig. 6 Land use distribution in different scenarios in Jiangxi Province in 2030 |
|
|
表 7 2030年3种情景下不同土地利用类型面积与2020年现状比较 Table 7 Comparison of the area of different land-use types under three scenarios in 2030 and the status quo in 2020 |
Q1情景下, 到2030年各地类的整体变化趋势与2010 ~ 2020年基本相同. 其中耕地面积增加最多, 较2020年增加了2 112.17 km2, 增长了0.04%, 新增耕地主要由林地转入；建设用地的增长占比最多, 达0.27%, 主要由林地和水域转移而来；林地、草地、水域和未利用地的面积均呈现减少的趋势, 较2 020年分别减少了3 373.11、21.38、425.61和5.84 km2. Q2情景下林地、水域和建设用地的面积均有所增加. 3种情景下建设用地在Q2增加量最少, 仅增加了1 181.27 km2, 增长了0.18%；林地仅在Q2情景下呈现增加的态势, 增加了1 051.90 km2, 增长了0.01%；耕地在Q1和Q3情景都有小幅度的增加, 但在Q2情景下却有所减少, 减少了2 250.72 km2, 减少了0.05%. Q3情景下建设用地的面积增加最多, 为1 975.98 km2, 主要由林地和水域转移而来, 同时该情景下林地减少最多, 相比2 020年减少了4 062.27 km2.
2.3.2 不同情景下碳储量变化3种情景下的碳储量相比2020均有所减少（图 7）. 其中, Q1情景下碳储量为2.20 × 109 t, 与2020年相比减少了2.76 × 107 t, 年均减少2.76 × 106 t, 减少量最少；在Q3情景下碳储量为2.19 × 109 t, 相比Q1情景下碳储量减少8.66 × 106 t. 从各土地利用类型的碳储量变化看（图 7）, 3种情景下建设用地的碳储量呈现增加, 与2020年相比, 自然发展情景下林地碳储量损失为5.40 × 107 t, 耕地碳储量增加了2.17 × 107 t, 其次是建设用地增加5.64 × 106 t. 因此按照Q1情景进行发展, 林地碳储量会进一步地减少, 耕地和建设用地的碳储量会进一步增加；Q2情景下, 林地的碳储量与2020年相比增加了1.68 × 107 t, 建设用地碳储量增加量相较于自然发展情景有所下降, 表明该情景下对增加碳储量、改善江西省生态环境有重要意义. Q3情景下, 耕地碳储量增加2.02 × 107 t, 但林地碳储量却减少了6.50 × 107 t, 草地碳储量变化是3种情景中唯一增加的, 增加了2.29 × 106 t, 建设用地碳储量是3种情景下增加最多, 为6.50 × 106 t. 从碳储存空间变化看（图 8）, 2030年3种情景下江西省碳储量预测值相对2020年实际值有变化的区域大致相似且在空间上呈扩散趋势. 增加区域主要分布在江西省西部区域, 主要是罗霄山脉, 减少区域主要集中在江西省中部区域以南昌九江为代表.
|
图 7 2030年江西省不同情景下碳储量变化 Fig. 7 Changes in carbon stocks in different scenarios in Jiangxi Province |
|
图 8 3种情景下江西省碳储量及其变化 Fig. 8 Carbon stock and its changes under three scenarios in Jiangxi Province |
运用Geoda软件对江西省各区县与2030年3种情景下江西省碳储量时空差异进行局部空间自相关分析（图 9）, 3种情景下局部Moran's I的值分别为0.370、0.374和0.372, 为空间正相关, 说明江西省100个县区中有大量县区具有较大的空间正相关性, 进而说明了江西省各区县的碳储量的空间分布并非表现出完全随机性, 而是表现出空间相似值之间的空间聚类. 其空间关联特征是：碳储量较高的县区区域和碳储量较高的区域相邻, 碳储量较低的县区趋于和碳储量较低的相邻. 局部空间自相关分析结果表明3种情景下的碳储量值在空间分布上具有相似性.
|
图 9 2030年江西省碳储量局部空间自相关分析 Fig. 9 Local spatial autocorrelation analysis of carbon storage in Jiangxi Province in 2030 |
土地利用变化是引起陆地生态系统碳储量变化的重要原因之一, 1990 ~ 2000年, 随着江西省工业化进程的加快, 工业和居民建设用地需求剧增, 大量原城郊区域的耕地、林地转化为建设用地. 为补充耕地的损失, 林地成为耕地转化的主要来源. 但由于碳主要存储于林地, 所以造成整个江西区域的碳储量的下降. 特别是江西省鄱阳湖区域为发展经济展开大量的围湖造地（主要为建设用地）和对原有临近湖面的耕地转化为建设用地, 造成大量的水域面积减少.
2000 ~ 2020年间江西省碳储量总体呈现波动下降特征, 碳储量北部区域大于（小于）南部, 西部大于（小于）东部, 碳储量流失最严重的区域为经济发展最快、城市化进程最明显的南昌-九江区域. 如：九江市浔阳区, 南昌市等区域. 原城市中心周围地区是耕地和林地, 但随着城市化和工业化的加快, 建设用地大量扩张, 其中来源最多的是耕地的补充, 受到耕地占补平衡的政策保护, 城郊的林地则转为耕地, 以弥补耕地的损失.
尤其在2010 ~ 2020年, 江西省全省的土地利用趋势来看, 各个地级市的城市建设用地得到迅速地扩张, 南昌作为江西省政治、经济中心, 地理位置位于全省的核心位置, 人口、GDP和城镇化率均在全省第一. 但是随着广东省的产业升级与调整, 大量工业转移到周边省份, 赣州市由于其独到的地理优势、较充裕的建设用地指标和优厚的产业政策. 目前, 赣州已经成为广东省工业产业迁出的重要输入地, 直接导致赣州市的建设用地得到迅速扩张, 赣州市已成为江西碳储量变化较大的区域. 总体来看, 江西省碳储量总量呈下降趋势. 但在建设用地扩张的状况下, 仍维持较大的碳储量总量, 这得益于江西省丰富的自然林地资源和严格的环境保护治理理念.
3.2 2020 ~ 2030年不同情景模式下碳储量对未来政策的影响随着城市化加快, 大量的城市边缘耕地转化为建设用地, 在坚守耕地红线和耕地占补平衡的政策实施下, 建设用地主要源于耕地的转化, 林地则是耕地转入的重要补充. 在自然发展情景、经济发展情景、生态优先情景下评估的碳储量, 经测算, 自然与经济发展场景下, 2030年江西省会损失大量的耕地与林地. 结合目前江西省的实际情况, 江西省应该利用现有的充足的生态资源, 避免掉入“走高速发展经济牺牲环境的老路”, 坚守江西省的“金山银山就是绿水青山”, 走可持续发展的生态优先道路. 紧扣“双碳”战略, 坚持生态优先发展, 纵深推进美丽中国“江西省样板”建设, 进一步控制经济活动对碳排放的影响, 减少生态系统碳储量的损失.
3.3 不足和展望本研究也存在着一些不足：①土地利用变化是一个复杂的动态过程, 如何根据研究区实际发展情况设计情景是下一步研究的重点；②PLUS模型的参数（如转换成本矩阵、空间变量的选取等）的设置存在着一定的主观性, 缺乏经济环境变化和政策变量的影响, 下一步研究应根据研究区情况不断调试参数以确定模型的最佳参数；③目前江西省为实现中部地区崛起打造中部交通优势, 新建赣粤、浙赣大运河. 上述两条运河将对江西省的生态、社会、经济产生重大影响, 下一步研究将会加入运河场景模拟评估江西省运河区域土地利用变化和碳储量的变化.
4 结论（1）1990 ~ 2020年江西省碳储量呈逐年减少的趋势, 共减少了4.58 × 107 t, 其中林地和耕地是江西省主要的碳储存地. 从全省碳储量的空间分布来看, 江西省碳储量呈现明显的中间低周围高的特点. 碳储存减少区域主要集中在南昌市与九江等江西省经济高速发展地区. 在自然发展情景、经济发展情景和生态优先情景下, 江西省2030年的碳储量进一步减少, 与2020年相比分别减少了2.76 × 107 、2.46 × 106 和3.63 × 107 t. 得益于江西省充足的自然生态资源, 林地和耕地仍然可以作为省内重要的碳汇地. 空间分布上依然呈现中间低周围高的特点, 生态优先情景下的碳储量最高为2.23 × 109 t. 碳储存空间变化在江西省内呈现与经济发达程度的变化趋势趋于一致.
（2）整体来看, 江西省全省的生态环境治理和生态环境在全国处于前列, 碳储量最大区域主要集中在以下区域：一是江西省西部区域, 以萍乡市、宜春市以及吉安市的罗霄山脉, 该山脉是江西省西部区域最重要的碳源和生态保护屏障. 二是江西省南部区域, 以赣州市、吉安市雩山山脉. 三是江西省中部区域的鄱阳湖区域.
（3）严格保护林地, 发挥林地碳汇主阵地作用, 对于维护生态平衡和推进绿色发展具有非常重要的作用. 林地作为天然的碳汇, 其能够吸收大量的二氧化碳, 同时释放出大量的氧气, 在缓解全球气候变化方面起到了积极作用. 此外, 林地还是水源涵养的重要保障, 能够有效减缓水土流失的速度, 降低自然灾害对生态环境的破坏力度. 因此, 加强江西省林地保护与恢复, 促进林业可持续发展, 是推进以人为本、绿色、低碳和可持续的发展模式建设的必然选择, 也是保障江西省生态安全和文明发展的重要举措.
| [1] |
王慧, 孙慧, 肖涵月, 等. 碳达峰约束下减污降碳的协同增效及其路径[J]. 中国人口·资源与环境, 2022, 32(11): 96-108. Wang H, Sun H, Xiao H Y, et al. Synergistic effects and paths of pollution and carbon reduction under the constraint of carbon peak goal[J]. China Population, Resources and Environment, 2022, 32(11): 96-108. DOI:10.12062/cpre.20220909 |
| [2] | 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 |
| [3] |
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. |
| [4] | Li G D, Fang C L, Li Y J, et al. Global impacts of future urban expansion on terrestrial vertebrate diversity[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-29324-2 |
| [5] | Xu L, Yu G R, He N P. Increased soil organic carbon storage in Chinese terrestrial ecosystems from the 1980s to the 2010s[J]. Journal of Geographical Sciences, 2019, 29(1): 49-66. DOI:10.1007/s11442-019-1583-4 |
| [6] |
田政卿, 张勇, 刘向, 等. 光伏电站建设对陆地生态环境的影响: 研究进展与展望[J]. 环境科学, 2024, 45(1): 239-247. Tian Z Q, Zhang Y, Liu X, et al. Effects of photovoltaic power station construction on terrestrial environment: retrospect and prospect[J]. Environmental Science, 2024, 45(1): 239-247. |
| [7] |
厉静文, 董锁成, 李宇, 等. 中蒙俄经济走廊土地利用变化格局及其驱动因素研究[J]. 地理研究, 2021, 40(11): 3073-3091. Li J W, Dong S C, Li Y, et al. The pattern and driving factors of land use change in the China-Mongolia-Russia economic corridor[J]. Geographical Research, 2021, 40(11): 3073-3091. DOI:10.11821/dlyj020210860 |
| [8] |
邓元杰, 姚顺波, 侯孟阳, 等. 退耕还林还草工程对生态系统碳储存服务的影响——以黄土高原丘陵沟壑区子长县为例[J]. 自然资源学报, 2020, 35(4): 826-844. Deng Y J, Yao S B, Hou M Y, et al. Assessing the effects of the green for grain program on ecosystem carbon storage service by linking the InVEST and FLUS models: a case study of Zichang county in hilly and gully region of Loess Plateau[J]. Journal of Natural Resources, 2020, 35(4): 826-844. |
| [9] | Temmink R J M, Lamers L P M, Angelini C, et al. Recovering wetland biogeomorphic feedbacks to restore the world's biotic carbon hotspots[J]. Science, 2022, 376(6593). DOI:10.1126/science.abn1479 |
| [10] | Sha Z Y, Bai Y F, Li R R, et al. The global carbon sink potential of terrestrial vegetation can be increased substantially by optimal land management[J]. Communications Earth & Environment, 2022, 3(1). DOI:10.1038/s43247-021-00333-1 |
| [11] | Vizcaíno-Bravo Q, Williams-Linera G, Asbjornsen H. Biodiversity and carbon storage are correlated along a land use intensity gradient in a tropical montane forest watershed, Mexico[J]. Basic and Applied Ecology, 2020, 44: 24-34. DOI:10.1016/j.baae.2019.12.004 |
| [12] | Sun W L, Liu X H. Review on carbon storage estimation of forest ecosystem and applications in China[J]. Forest Ecosystems, 2020, 7(1). DOI:10.1186/s40663-019-0210-2 |
| [13] |
李妙宇, 上官周平, 邓蕾. 黄土高原地区生态系统碳储量空间分布及其影响因素[J]. 生态学报, 2021, 41(17): 6786-6799. Li M Y, Shangguan Z P, Deng L. Spatial distribution of carbon storages in the terrestrial ecosystems and its influencing factors on the Loess Plateau[J]. Acta Ecologica Sinica, 2021, 41(17): 6786-6799. |
| [14] |
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 |
| [15] |
古圳威, 刘京, 陈怡, 等. 陕西渭北旱塬区生境质量及碳储量时空演变分析与模拟[J]. 环境科学, 2023, 44(8): 4666-4678. Gu Z W, Liu J, Chen Y, et al. Analysis and simulation of the spatiotemporal evolution of habitat quality and carbon storage in the Weibei Dry Plateau Region of Shaanxi[J]. Environmental Science, 2023, 44(8): 4666-4678. |
| [16] |
陈宁, 辛存林, 唐道斌, 等. 中国西北地区多情景土地利用优化与碳储量评估[J]. 环境科学, 2023, 44(8): 4655-4665. Chen N, Xin C L, Tang D B, et al. Multi-scenario land use optimization and carbon storage assessment in Northwest China[J]. Environmental Science, 2023, 44(8): 4655-4665. |
| [17] |
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. |
| [18] |
刘洋, 张军, 周冬梅, 等. 基于InVEST模型的疏勒河流域碳储量时空变化研究[J]. 生态学报, 2021, 41(10): 4052-4065. Liu Y, Zhang J, Zhou D M, et al. Temporal and spatial variation of carbon storage in the Shule river basin based on InVEST model[J]. Acta Ecologica Sinica, 2021, 41(10): 4052-4065. |
| [19] |
张燕, 师学义, 唐倩. 不同土地利用情景下汾河上游地区碳储量评估[J]. 生态学报, 2021, 41(1): 360-373. Zhang Y, Shi X Y, Tang Q. Carbon storage assessment in the upper reaches of the Fenhe River under different land use scenarios[J]. Acta Ecologica Sinica, 2021, 41(1): 360-373. |
| [20] | Zheng L, Wang Y, Li J F. Quantifying the spatial impact of landscape fragmentation on habitat quality: a multi-temporal dimensional comparison between the Yangtze River Economic Belt and Yellow River Basin of China[J]. Land Use Policy, 2023, 125. DOI:10.1016/j.landusepol.2022.106463 |
| [21] |
郑树峰, 王丽萍, 臧淑英. 大兴安岭天保工程区生态系统服务变化研究[J]. 地理科学, 2021, 41(7): 1295-1302. Zheng S F, Wang L P, Zang S Y. The change of ecosystem services of natural forest protection project regions in the Da Hinggan mountains[J]. Scientia Geographica Sinica, 2021, 41(7): 1295-1302. |
| [22] |
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. |
| [23] |
韩玉, 丁素婷, 杨太保. 山西南部中条山生态系统碳储量时空分布及驱动因素[J]. 中国环境科学, 2023, 43(3): 1298-1306. Han Y, Ding S T, Yang T B. Spatial and temporal distribution and driving factors of carbon storage in Zhongtiao Mountain ecosystem in southern Shanxi Province[J]. China Environmental Science, 2023, 43(3): 1298-1306. DOI:10.3969/j.issn.1000-6923.2023.03.031 |
| [24] |
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 |
| [25] |
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. |
| [26] |
吴楠, 陈凝, 程鹏, 等. 安徽省陆地生态系统碳储量变化对未来土地覆被情景的响应[J]. 长江流域资源与环境, 2023, 32(2): 415-426. Wu N, Chen N, Cheng P, et al. Evaluation of carbon storage on terrestrial ecosystem responses to land cover change under five future scenarios in Anhui Province[J]. Resources and Environment in the Yangtze Basin, 2023, 32(2): 415-426. |
| [27] |
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. |
| [28] | Liu P J, Hu Y C, Jia W T. Land use optimization research based on FLUS model and ecosystem services-setting Jinan City as an example[J]. Urban Climate, 2021, 40. DOI:10.1016/j.uclim.2021.100984 |
| [29] |
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. DOI:10.3969/j.issn.1000-6923.2022.06.035 |
| [30] | Liu X Q, Liu Y S, Wang Y S, et al. Evaluating potential impacts of land use changes on water supply-demand under multiple development scenarios in dryland region[J]. Journal of Hydrology, 2022, 610. DOI:10.1016/j.jhydrol.2022.127811 |
| [31] |
帕茹克·吾斯曼江, 艾东, 方一舒, 等. 基于InVEST与CA-Markov模型的昆明市碳储量时空演变与预测[J]. 环境科学, 2024, 45(1): 287-299. Paruke W, Ai D, Fang Y S, et al. Spatial and temporal evolution and prediction of carbon storage in Kunming City based on InVEST and CA-Markov model[J]. Environmental Science, 2024, 45(1): 287-299. |
| [32] |
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. |
| [33] | Li K M, Cao J J, Adamowski J F, et al. Assessing the effects of ecological engineering on spatiotemporal dynamics of carbon storage from 2000 to 2016 in the Loess Plateau area using the InVEST model: a case study in Huining County, China[J]. Environmental Development, 2021, 39. DOI:10.1016/j.envdev.2021.100641 |
| [34] |
李月, 罗红芬. 黔中喀斯特地区典型县域碳储量时空演变及多情景模拟预测: 以普定县为例[J]. 环境科学, 2024, 45(2): 961-973. Li Y, Luo H F. Spatio-temporal evolution and multi-scenario simulation of carbon storage in karst regions of central Guizhou Province: take Puding County as an example[J]. Environmental Science, 2024, 45(2): 961-973. |
| [35] |
高星, 杨刘婉青, 李晨曦, 等. 模拟多情景下白洋淀流域土地利用变化及生态系统服务价值的空间响应[J]. 生态学报, 2021, 41(20): 7974-7988. Gao X, Yang L W Q, Li C X, et al. Land use change and ecosystem service value measurement in Baiyangdian Basin under the simulated multiple scenarios[J]. Acta Ecologica Sinica, 2021, 41(20): 7974-7988. |
| [36] |
卿苗, 赵军, 冯超, 等. 1980—2030年石羊河流域生态系统碳储存服务对土地利用变化的响应[J]. 生态学报, 2022, 42(23): 9525-9536. Qing M, Zhao J, Feng C, et al. Response of ecosystem carbon storage service to land-use change in Shiyang River Basin from 1980 to 2030[J]. Acta Ecologica Sinica, 2022, 42(23): 9525-9536. |
| [37] |
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. |
| [38] | Babbar D, Areendran G, Sahana M, et al. Assessment and prediction of carbon sequestration using Markov chain and InVEST model in Sariska Tiger Reserve, India[J]. Journal of Cleaner Production, 2021, 278. DOI:10.1016/j.jclepro.2020.123333 |
| [39] |
侯瑞萍, 夏朝宗, 陈健, 等. 长江经济带林地和其他生物质碳储量及碳汇量研究[J]. 生态学报, 2022, 42(23): 9483-9498. Hou R P, Xia C Z, Chen J, et al. Carbon storage and carbon sink of forest land and other biomass in the Yangtze River Economic Belt[J]. Acta Ecologica Sinica, 2022, 42(23): 9483-9498. |
| [40] |
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. |
| [41] | Xie L, Wang H W, Liu S H. The ecosystem service values simulation and driving force analysis based on land use/land cover: a case study in inland rivers in arid areas of the Aksu River Basin, China[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108828 |
| [42] | 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 |
| [43] |
孙毅中, 杨静, 宋书颖, 等. 多层次矢量元胞自动机建模及土地利用变化模拟[J]. 地理学报, 2020, 75(10): 2164-2179. Sun Y Z, Yang J, Song S Y, et al. Modeling of multilevel vector cellular automata and its simulation of land use change[J]. Acta Geographica Sinica, 2020, 75(10): 2164-2179. DOI:10.11821/dlxb202010009 |
| [44] | Wang Q Z, Guan Q Y, Sun Y F, et al. Simulation of future land use/cover change (LUCC) in typical watersheds of arid regions under multiple scenarios[J]. Journal of Environmental Management, 2023, 335. DOI:10.1016/j.jenvman.2023.117543 |
| [45] | Wang W L, Jiao L M, Dong T, et al. Simulating urban dynamics by coupling top-down and bottom-up strategies[J]. International Journal of Geographical Information Science, 2019, 33(11): 2259-2283. DOI:10.1080/13658816.2019.1647540 |
| [46] | Wang W L, Jiao L M, Jia Q Q, et al. Land use optimization modelling with ecological priority perspective for large-scale spatial planning[J]. Sustainable Cities and Society, 2021, 65. DOI:10.1016/j.scs.2020.102575 |
| [47] | Lin J Y, Li X, Wen Y Y, et al. Modeling urban land-use changes using a landscape-driven patch-based cellular automaton (LP-CA)[J]. Cities, 2023, 132. DOI:10.1016/j.cities.2022.103906 |