2024, Vol. 45
陆地生态系统作为固碳的重要系统, 对于CO2的吸收、全球碳循环以及缓解温室效应具有至关重要的作用[1, 2]. 然而, 土地利用变化已经成为影响陆地生态系统碳循环的主要原因[3]. 近年来, 受自然和人为因素的影响, 土地利用格局发生了显著变化, 生态系统服务也出现下降[4], 同时出现了碳储量下降[5]、水土流失[6]和荒漠化等一系列问题. 以上变化对陆地生态系统的碳循环产生了深远影响. 土地是支持人类活动的物质基础, 而人类的行为受到政策的影响和约束. 政策的变化会导致土地利用的空间分布呈现出各种不同的形式. 所以优化土地利用覆被的分布对于土地资源的再分配、陆地生态系统碳储量的管理以及全球气候变化至关重要[7].
目前, 国内外学者基于不同的模型从不同的空间尺度模拟土地利用的研究已有一定的基础[8 ~ 12]. 如周锐等[13]基于CLUE-S模型和Markov模型对江苏省常熟市辛庄镇土地利用变化模拟预测；吴晓青等[14]基于SLEUTH模型对沈阳市土地利用变化进行多情景模拟；崔树强等[15]基于SD模型模拟了湖南省常德市的土地利用变化；任胤铭等[16]基于FLUS-InVEST模型研究了京津冀多情景土地利用变化模拟及其对生态系统服务功能的影响；王慧等[17]基于神经网络模型对模拟了生态康养功能提升的风景区土地利用格局；李金雷等[18]基于CA-Markov模型对岱海流域土地利用动态进行了模拟. 然而, 上述模型难以识别土地利用变化的潜在驱动因素, 且无法动态反映多种土地利用斑块的变化. PLUS模型（patch-generating land use simulation model）是一种集成土地扩张分析策略和基于多类型随机斑块种子的CA模型的斑块生成土地利用模拟模型[19]. 该模型可以通过用地扩张分析策略（LEAS）, 更好地探究各种土地利用变化的原因, 模拟多类土地利用斑块的变化情况, 此方法更适用于在土地演变加剧的情况下, 精确模拟未来土地利用发展潜力研究的需求[20 ~ 22]. 现有的研究主要是模拟未来不同发展情景下土地利用格局对碳储量的影响, 对考虑政策导向下优化土地利用结构并提高碳储量的研究仍然缺乏.
石羊河流域是典型的生态环境脆弱区, 生态问题严重[23, 24]. 近年来, 随着城镇化扩张和城乡融合的发展以及水资源的不断减少, 石羊河流域地区土地利用变化明显, 引起自然碳储量变化显著. 因此, 本文以石羊河流域为研究区, 以优化土地利用结构和可持续发展为目标, 利用2000年、2010年和2020年三期土地利用数据, 耦合PLUS-InVEST模型, 分析土地利用变化及碳储量变化特征, 并以国家规划的时间节点为依据, 模拟2030年土地利用类型在自然发展、城镇发展和生态保护这3种发展情景下的数量和空间上优化配置, 预测分析不同情景下碳储量的变化, 以期为石羊河流域优化土地利用结构及生态环境保护提供参考依据.
1 材料与方法 1.1 研究区概况石羊河流域位于甘肃省河西走廊东部, 祁连山北麓, 地理位置101°22'~104°16'E, 36°29'~39°27'N（图 1）. 石羊河水系自东向西由大靖河、古浪河、黄羊河、杂木河、金塔河、西营河、东大河和西大河这8条河流组成. 流经肃南县、武威市、民勤县、古浪县和金昌市.
|
图 1 研究区位置示意 Fig. 1 Research region |
石羊河流域深居大陆腹地, 属大陆性温带干旱气候, 降水稀少, 水资源匮乏. 当前, 石羊河流域正面临着生态环境逐渐恶化的挑战. 人口的快速增长和自然气候的变化, 且对该区域不断进行的开发活动, 以及水资源短缺的问题, 都给这片流域的生态环境带来了巨大的压力. 以上因素共同作用, 使得石羊河流域的生态环境日益严峻, 进而对整个流域的可持续发展构成了严重的威胁[25 ~ 27] .
1.2 数据来源与处理本研究中的2000年、2010年和2020年三期土地利用数据都来源于中国科学院资源环境科学与数据中心. 土地利用变化与自然环境、社会经济发展以及政策密切相关, 所以本文选取的土地利用变化驱动因子（图 2）主要有自然环境因素、社会经济因素和政策因素（表 1）. 根据PLUS模型的运行要求, 将上述驱动因子分辨率统一处理为100 m × 100 m, 预处理步骤包括投影变换重采样、裁剪以及欧氏距离生成. 地理坐标系均统一为CGCS2000_3_Degree_GK_Zone_34. 碳密度数据从相关研究中获得[28 ~ 32], 在选择文献时, 主要关注北方地区特别是西北地区的研究成果, 以获得不同类型土地利用的碳密度数据（表 2）.
|
图 2 土地利用变化驱动因子 Fig. 2 Drivers of land-use change |
|
表 1 数据来源及说明 Table 1 Data source and description |
|
|
表 2 石羊河流域土地利用各部分碳密度/t·hm-2 Table 2 Carbon density of each part of land use in the Shiyang River Basin/t·hm-2 |
1.3 研究方法 1.3.1 土地利用/覆被变化动态度和转移矩阵
（1）土地利用变化动态度 土地利用变化动态度是衡量研究区内各类土地利用变化程度的重要指标, 反映各地类之间的变化强度[33]. 具体可以分为单一土地利用动态度和综合土地利用动态度. 单一土地利用动态度是指某一时间范围内研究区内某种地类的数量变化情况, 计算公式为：
|
(1) |
式中, K表示某一地类动态度, Ua和Ub分别表示该地类研究开始年份和结束年份数值, T为研究周期, 以a为单位.
（2）土地利用转移矩阵 土地利用转移矩阵是一种用于描述系统状态及转移的定量工具[34], 其源于系统分析领域. 该矩阵以直观的方式揭示了不同土地利用类型在特定时间点的变化特征及其强度[35], 是研究土地利用时空演变的热点方法.
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出的一种具有高效性和实用性的斑块生成土地利用变化模拟模型. 该模型采用了两个重要的模块[36], 以实现对土地利用变化的精确模拟. 第一个模块是基于土地扩张分析策略（LEAS）的规则挖掘框架, 第二个模块是基于多类型随机斑块种子（CARS）的CA. 此外该模型还内嵌了马尔科夫链和线性回归模型, 以便于对土地利用数量需要作出预测[37]. 本研究中采用马尔科夫链做目标年份土地利用数量预测.
1.3.2.1 土地扩张分析策略（LEAS）LEAS不仅能避免多地类分析时的复杂计算, 而且可以在一定时间段内分析土地利用变化机制. 其将各地类转换规则的挖掘转化成一个二元分类问题, 采用随机森林分类算法探索各地类扩张与多驱动因素关系、获取各地类的发展概率及驱动因素对该时段各地类扩张的贡献[38].
1.3.2.2 基于多类型随机斑块种子（CARS）的CA CARS模型将多元随机种子的生成与阈值的递减机制相结合, 对局部的土地利用进行了模拟. 可以在LEAS模块生成发展概率的约束下, 通过邻域权重和过渡矩阵的约束, 使土地利用总量在宏观上满足未来需求[39].
（1）邻域权重设定 邻域权重是用来表示不同用地类型的转化难度[40]. 公式如下：
|
(2) |
式中, wk表示邻域权重参数；n×n表示元胞单元；con（cit-1=k）表示元胞迭代到最后时地类所占网格单元总数；Ωi，kt表示t时刻地类在空间单元处的邻域权重. 邻域权重取值介于[0, 1]之间, 值越大表明扩张能力越强[41], 根据石羊河流域的土地利用类型转移规则, 参考文献[42, 43]得到邻域权重参数, 见表 3.
|
|
表 3 邻域因子参数 Table 3 Neighborhood factors and parameters |
（2）情景设置 在PLUS模型中土地类型转移成本矩阵代表着土地利用类型之间是否转换, 0表示不允许发生转换, 1表示可以发生转换. 本文设置了3种情景下的转移成本矩阵（表 4）, 在矩阵转移的设定中是以2000~2020年的历史土地利用转移矩阵和《甘肃省“十四五”规划》为基础, 模拟石羊河流域2030年在自然发展、城镇发展和生态保护这3种情景下的土地利用变化. 在自然发展情景下, 基于2000~2020年石羊河流域的发展速率及自然和人为因素, 延续2000~2020年的发展趋势. 此情景下不允许土地利用程度高的地类向土地利用程度低的地类转换；以保护石羊河流域为目的, 将水体面积设为限制扩张区域（图 3）. 在城镇发展情景下, 在马尔科夫模型中将耕地、林地、草地和未利用地这4种用地类型转为建设用地转换概率增加20%, 此外将建设用地转为林地、草地的转换概率降低了20%. 在生态保护情景下, 以环境保护为目的, 考虑到祁连山是我国重要的生态保护屏障, 所以将祁连山自然保护区和石羊河流域水体面积设为限制扩张区域（图 3）, 根据《甘肃省“十四五”规划》中提出的“加强林草植被建设, 提高林草覆盖率, 减少水土流失”的规划, 本文在马尔科夫模型中将未利用地转为林地和草地的转换概率增加30%, 并且将林地和草地转换为水域、建设用地和未利用地的转换概率降低40%, 耕地转为建设用地和未利用地的概率降低30%.
|
|
表 4 各情景土地利用类型转换成本矩阵1） Table 4 Conversion cost matrix of land use types for each scenario |
|
图 3 不同发展情境下研究区限制发展区域 Fig. 3 Study area restricted development area in different development contexts |
（3）模型精度验证 本文使用Kappa系数评估模型模拟准确性, 具体公式如下：
|
(3) |
式中, P0表示模拟正确的栅格占比, PP表示理想状态下模拟正确比例, PC表示随机状态下模拟正确比例. Kappa值介于0~1之间, 其判断标准从相关研究中获得（表 5）[38].
|
|
表 5 Kappa系数模拟效果对应 Table 5 Correspondence to the simulation effect of the Kappa coefficient |
1.3.3 InVEST模型Carbon模块
InVEST（integrated valuation of ecosystem services and tradeoffs）模型是由美国自然资本项目组开发的一种评估生态系统服务功能及其经济价值、支持生态系统管理和决策的模型系统[44]. InVEST是一个用于评估生态系统服务功能及其经济价值的模型, 涵盖水源涵养、水土保持、生境质量和碳储存等多个模块[45]. 碳储存模块包含4个基本碳库：地上生物碳库、地下生物碳库、土壤碳库和死亡有机物碳库. 根据研究区具体土地利用/覆被的分类情况, 分别对4个碳库的平均密度统计计算, 再乘以各地类面积, 得出研究区内总碳储量. 具体公式如下：
|
(4) |
式中, Ctotal表示流域总碳储量（t·hm-2）；Ci_above表示地上部分碳储量（t·hm-2）；Ci_below表示地下部分碳储量（t·hm-2）, Ci_soil表示土壤碳储量（t·hm-2）；Ci_dead表示死亡有机碳储量（t·hm-2）. Ai表示第i种土地利用类型面积.
2 结果与分析 2.1 2000~2020年石羊河流域土地利用变化从土地利用结构来看（表 6）, 石羊河流域2000~2020年的主要土地利用类型是耕地、草地和未利用地, 2000年3种土地利用类型的面积占比分别为16.79%、27.55%和47.86%, 2020年分别为17.94%、27.14%和46.51%. 从面积变化来看, 2000~2020年石羊河流域耕地、水域和建设用地面积呈增加趋势, 分别增加了46 406、2 028和25 044 hm2, 其中建设用地面积的增幅最大, 达到了6.50%, 其次为水域和耕地, 增幅分别为1.36%和0.68%. 通过2000~2020年石羊河的土地利用变化转移矩阵（图 4和表 7）可以看出, 耕地的增加来源主要是草地、未利用地和建设用地, 未利用地主要转出为耕地、草地和建设用地.
|
|
表 6 2000年、2010年和2020年石羊河流域土地利用结构 Table 6 Land use structure in the Shiyang River Basin in 2000, 2010, and 2020 |
|
图 4 2000~2020年石羊河流域土地利用变化转移特征 Fig. 4 Characteristics of land use change transfer in the Shiyang River Basin from 2000 to 2020 |
|
|
表 7 2000~2020年石羊河流域土地利用变化矩阵 Table 7 Land use change matrix of the Shiyang River Basin from 2000 to 2020 |
2.2 2030年石羊河流域不同情景下土地利用变化 2.2.1 模拟精度分析
基于PLUS模型和选取的11个驱动因子, 将2000年和2010年的土地利用数据作为训练集, 预测2020年土地利用的空间分布（图 5）. 用2020年的真实土地利用数据检测得到Kappa系数为88.7%, 整体精度为91.8%, 表明预测值与实际值贴合度较高, 可用于石羊河流域土地利用的预测分析.
|
图 5 石羊河流域2020年土地利用现状与预测 Fig. 5 Land use status diagram and forecast diagram in the Shiyang River Basin in 2020 |
根据2030年3种情景下石羊河流域土地利用格局模拟结果（图 6）, 与2020年相比（表 8）, 自然发展和城镇发展两种情景下的土地利用变化趋势大致相同, 耕地、水域和建设用地面积增加, 林地、草地和未利用面积减少, 而生态保护情景下除未利用地面积减少外, 其他土地利用类型面积均有不同程度增加. 在自然发展情景下, 2030年耕地、水域和建设用面积均有所增加, 分别增加6.15%、9.56%和29.9%；林地、草地和未利用地分别减少0.75%、1.15%和2.7%. 在城镇发展情景下, 2030年建设用地面积增加最多, 较2020年增加了25 069 hm2, 增长了39.4%, 新增建设用地主要集中在金昌市, 这主要是因为在模拟情景设定中将耕地、林地、草地和未利用地4种用地类型转为建设用地转换概率增加20%, 另外将建设用地转为林地和草地的转换概率降低20%, 导致在城镇发展情景下建设用地面积增加. 相比其他两种情景, 生态保护情景下林地和草地面积出现了增加, 较2020年分别增加了9 104 hm2和5 826 hm2.
|
图 6 2030年3种情景下石羊河流域土地利用格局 Fig. 6 Land use pattern in the Shiyang River Basin under three scenarios in 2030 |
|
|
表 8 2030年石羊河流域自然发展、城镇发展和生态保护情景下不同地类面积与2020年比较/hm2 Table 8 Area of different land types under the scenario of natural development, urban development and ecological protection in the Shiyang River Basin in 2030 compared with that in 2020/hm2 |
2.2.3 土地利用影响因子贡献率分析
土地利用类型的发展潜力越高表明其他土地类型转化为该类型的可能性就越高, 驱动因子贡献率越高表示该因子对某土地类型扩张的作用越大[31]. 根据PLUS模型中的土地扩张分析策略（LEAS）模块, 分别对耕地、林地、草地、水域和建设用地的未来发展潜力及11种驱动因子用地贡献扩张率进行了评估, 结果如图 7所示. 耕地扩张变化的主导因子是GDP, 结合土地利用类型空间分布可以看出, 耕地主要分布在人口密度大和距石羊河流域较近的地方. 所以未来的新增耕地可能出现在人口较多和水系发达便于灌溉的区域. 林地扩张变化的主导因子是高程. 结合研究土地利用类型空间分布可以看出林地多分布在地势较高和远离人口聚集度较高的地方. 草地扩张变化的主导因子是人口密度和风速. 水域扩张变化的主导因子是GDP和距水域距离. 建设用地扩张变化的主导因子是人口密度和距政府驻地距离, 自然驱动因子贡献率较低. 结合研究区的土地利用类型分布图分析可以看出, 建设用地主要分布在人口密集、距政府驻地距离较近、交通便捷发达和地势平坦的地方.
|
图 7 石羊河流域各土地利用类型发展潜力及驱动因子贡献率 Fig. 7 Development potential and driver contribution rate of various land use types in the Shiyang River Basin |
综上所述, 由于石羊河流域生态系统脆弱, 水资源极其匮乏, 以高程和风速为代表的自然环境因素对于土地利用类型空间格局影响极大, 尤其是对林地和草地的空间分布格局. 到各级公路的距离、GDP及人口密度等社会经济因素在很大程度影响着土地利用类型尤其是建设用地和耕地的空间分布格局.
2.3 2000~2020年碳储量变化特征通过InVEST模型的Carbon模块对石羊河流域碳储量进行计算, 2000年、2010年和2020年碳储量分别为5.571×108、5.590×108和5.605×108 t, 2000~2020年石羊河流域碳储量呈平稳增加的趋势, 整体增加了0.035×108 t. 结合土地利用类型变化图来看, 增加的碳储量主要是源于耕地面积的增加. 从空间分布来看（图 8）, 碳储量较高的区域主要分布在肃南县和天祝县, 呈片状分布, 该区域位于祁连山山脉, 属于国家生态保护区, 林地分布面积相对较大.
|
图 8 2000年、2010年和2020年石羊河流域碳储量分布 Fig. 8 Distribution chart of carbon reserves in the Shiyang River Basin in 2000, 2010, and 2020 |
从石羊河流域各土地利用类型的碳储量来看（图 9）, 2000~2020年草地的碳储量最大, 2000年、2010年和2020年碳储量分别为2.494×108、2.457×108和2.457×108 t. 耕地的碳储量增加最为明显, 20年间增加了0.097×108 t. 林地、草地和未利用地的碳储量呈减少趋势. 耕地面积的增加是石羊河流域2000~2020年碳储量增加的重要原因.
|
图 9 2000~2020年石羊河流域各土地利用类型的碳储量 Fig. 9 Carbon reserves of various land use types in the Shiyang River Basin from 2000 to 2020 |
为了更加清楚地反映石羊河流域碳储量空间分布变化, 对比2000年和2020年石羊河流域的碳储量分布图, 采用ArcGIS中的栅格计算器, 得到2000~2020年的碳储量栅格变化情况, 再借助自然断点法将2000~2020年石羊河流域的碳储量变化值分为3类：减少区域、基本不变区域和增加区域, 结果如图 10所示. 2000~2020年石羊河流域大部分区域属于基本不变区域, 占总区域的92.9%, 碳储量增加区域占总区域的4%, 主要集中在民勤县, 而碳储量减少区域占总区域的3.1%, 呈片状主要集中在永昌县南部和武威市中部. 结合2000~2020年石羊河流域的土地利用分布图来看, 碳储量增加的主要原因是未利用地转变为耕地、林地和草地, 碳储量呈片状减少的主要原因是建设用地的增加.
|
图 10 2000~2020年石羊河流域碳储量空间分布变化 Fig. 10 Spatial distribution change of carbon reserves in the Shiyang River Basin from 2000 to 2020 |
从预测结果来看, 石羊河流域2030年3种情景下的碳储量相比2020年均有不程度地增加（图 11）. 从数量上来看, 在自然发展情景下, 石羊河流域2030年的碳储量为5.65×108 t, 比2020年增加了0.045×108 t, 主要是因为耕地面积的增加；在城镇发展情景下, 2030年碳储量为5.64×108 t, 比2020年增加了0.035×108 t；生态保护情景下碳储量达到了5.73×108 t, 比2020年增加了0.125×108 t, 这主要是源于林地和草地面积的增加. 具体从各土地利用类型的碳储量来看（图 12）, 在自然发展情景下, 耕地的碳储量增加最多, 较2020增加了0.093×108 t；在生态保护情景下, 草地和林地的碳储量增加最多, 相比2020年分别增加了0.013×108 t和0.039×108 t.
|
图 11 2030年石羊河流域各情景下碳储量变化 Fig. 11 Changes in carbon reserves in the Shiyang River Basin in 2030 |
|
图 12 2030年石羊河流域各土地利用类型的碳储量 Fig. 12 Carbon reserves of various land use types in the Shiyang River Basin in 2030 |
从空间分布上看, 2030年石羊河流域碳储量3种情景下的空间分布（图 13）总体上与2020年较为一致, 但各情景碳储量具体分布略有不同. 在自然发展情景下, 由图 14可知, 碳储量增加的区域主要分布在耕地分布较多的区域, 呈片状集中分布在民勤县, 碳储量减少区域主要集中分布在武威市, 主要是因为该情景下延续了2000~2020年的发展模式, 即随着经济发展、人口增加和建设用地不断扩张导致碳储量减少. 在城镇发展情景下, 碳储量是3种模拟情景下最少的, 碳储量减少区域呈点状分布在研究区内人类活动频繁的区域, 主要分布在古浪县、永昌县和金昌市. 城镇化进程的加速以及人类活动的频繁使得建设用地大量增加, 这是导致这种现象的主要原因. 在生态保护情景下, 在3种情况下, 碳储量的增加最为显著. 在研究区域内, 碳储量减少的区域较少, 主要分布在金昌市和民勤县西北地区. 这主要是由于3种情景下土地利用类型的转移概率和转移矩阵存在差异. 与自然发展情景和城镇发展情景相比, 林地和草地转换为水域、建设用地和未利用地的转换概率有所降低. 同时增加了未利用地转为林地和草地的转换概率. 所以在生态保护情景下, 林地和草地的扩张对于碳储存的提高起着积极作用, 这表明通过实施相应的生态保护措施, 可以实现碳储量的适度增长.
|
图 13 2030年石羊河流域3种情景下碳储量空间分布 Fig. 13 Carbon reserves of various land use types in the Shiyang River Basin in 2030 |
|
图 14 2020~2030年石羊河流域各情景下碳储量空间分布变化 Fig. 14 Spatial distribution change of carbon reserves in the Shiyang River Basin from 2020 to 2030 |
本研究表明, 2000~2020年石羊河流域碳储量呈逐渐增加趋势, 并通过对2030年自然发展、城镇发展和生态保护3种情景下土地利用类型变化和碳储量的模拟和预测, 发现2030年石羊河流域的碳储量还会持续增加, 这与卿苗[23]的研究结果一致. 同时, 为了弥补单一模型的不足, 本文结合PLUS和InVEST两种模型, 对2030年石羊河流域在自然发展情景、城镇发展情景和生态保护3种情景下的土地利用变化对碳储量的影响进行了定量评估. 充分发挥PLUS模型在数量和空间上对未来土地变化的模拟与InVEST模型在碳储量预测上的优势. 本文采用PLUS模型模拟土地利用变化, 根据《甘肃省“十四五”规划》, 通过预测政策指导下的2030年石羊河流域土地利用空间分布, 可以为未来政策制定和土地利用结构调整提供新的思考方向.
但这两种模型在耦合模拟过程中还存在着一定的不确定性. 首先, 用InVEST模型计算碳储量存在着一些不确定因素：①本文主要通过分析土地利用类型变化, 对碳储量及其时空变化进行了计算. 然而, 对于影响碳固定的关键因素, 如光合速率和土壤微生物活动等并未纳入考虑范围；②在分析碳密度时, 未对年际变化进行区分.
其次, 用PLUS模型模拟过程中也存在着一些不确定因素：①土地利用变化是一个复杂的过程, 它受到多种因素的综合影响, 包括自然因素、经济因素、社会因素以及人类活动等. ②本文在3种发展情景设置时, 综合考虑了石羊河流域2000~2020年间土地利用矩阵转移, 结合《甘肃省“十四五”发展规划》, 通过改变转移矩阵概率、转移矩阵和限制发展区域设置了自然发展、城镇发展和生态保护3种不同的未来发展情景. 这3种情景, 为石羊河流域未来的发展趋势提供了重要参考. 然而, 这些预测模式与实际的发展模式仍存在一定的差距. 为了更准确地预测和规划石羊河流域的未来发展, 需要结合实际政策调整土地需求数量.
最后, 本文未考虑研究区的综合效益, 未来可将生态效益、经济效益和社会效益综合考虑, 为石羊河流域的可持续发展提供借鉴.
4 结论（1）石羊河流域的主要土地利用类型是耕地、草地和未利用地, 2000年、2010年和2020年三者面积占比分别为16.79%、27.55%和47.86%；2000~2020年石羊河流域耕地、水域和建设用地面积呈显著增加趋势, 其中建设用地面积的增幅最大. 耕地面积的增加来源主要是草地、未利用地和建设用地, 未利用地主要转出为耕地、草地和建设用地.
（2）对比2020年, 2030年自然发展情景下, 耕地、水域和建设用地都呈增加趋势, 分别增加6.15%、9.56%和29.9%；在城镇发展情景下, 建设用地面积增加最多, 较2020年增长了39.4%；在生态保护情景下, 除未利用地其他土地利用类型的面积都有不同程度的增加, 相比其他两种情景, 林地和草地面积出现了增加. 高程等自然环境因素对土地利用类型空间格局影响极大, 而到各级公路的距离和人口等社会因素在很大程度影响着土地利用类型尤其是建设用地和耕地的空间分布格局.
（3）石羊河流域2000~2020年的碳储量呈现出平稳增加的态势, 整体增加了0.035×108 t, 增加的碳储量主要是源于耕地面积的增加. 碳储量增加区域呈片状主要分布在民勤县, 碳储量减少区域集中分布在永昌县.
（4）2030年石羊河流域在3种情景下的碳储量均呈进一步增加的趋势. 3种情景下的碳储量分别为5.65×108、5.64×108和5.73×108 t, 其中生态保护情景下碳储量增加最多, 主要源于草地和林地的增加, 采取有效的生态保护措施将有助于提高流域碳储量.
| [1] |
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. |
| [2] |
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 InVEST model[J]. Journal of Ecology and Rural Environment, 2023, 39(1): 41-51. |
| [3] |
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. |
| [4] |
刘慧敏. 基于生态系统服务流视角的人地系统动态演化评估[J]. 环境生态学, 2023, 5(7): 21-32. Liu H M. Assessment of the dynamic evolution of human-land systems based on the ecosystem service flow perspective[J]. Environmental Ecology, 2023, 5(7): 21-32. |
| [5] |
罗丹, 周忠发, 陈全, 等. 喀斯特地区碳储量对土地利用模式的响应——以南北盘江流域为例[J]. 生态学报, 2023, 43(9): 3500-3516. Luo D, Zhou Z F, Chen Q, et al. Responses of carbon storage to land use pattern in karst area: A case study of Nanbei Panjiang River Basin[J]. Acta Ecologica Sinica, 2023, 43(9): 3500-3516. |
| [6] |
郎燕, 刘宁, 刘世荣. 气候和土地利用变化影响下生态屏障带水土流失趋势研究[J]. 生态学报, 2021, 41(13): 5106-5117. Lang Y, Liu N, Liu S R. Changes in soil erosion and its driving factors under climate change and land use scenarios in Sichuan-Yunnan-Loess Plateau region and the Southern Hilly Mountain Belt, China[J]. Acta Ecologica Sinica, 2021, 41(13): 5106-5117. |
| [7] | Tao Y, Tian L, Wang C, et al. Dynamic simulation of land use and land cover and its effect on carbon storage in the Nanjing metropolitan circle under different development scenarios[J]. Frontiers in Ecology and Evolution, 2023, 11. DOI:10.3389/fevo.2023.1102015 |
| [8] |
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. |
| [9] |
苗议艺. 基于FLUS和InVEST模型的县域土地利用变化及碳储量优化模拟研究[D]. 泰安: 山东农业大学, 2022. Miao Y Y. Optimization and simulation of county land use change and carbon storage based on FLUS and InVEST models[D]. Tai'an: Shandong Agricultural University, 2022. |
| [10] |
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. |
| [11] |
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. |
| [12] |
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. |
| [13] |
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. |
| [14] |
吴晓青, 胡远满, 贺红士, 等. 沈阳市城市扩展与土地利用变化多情景模拟[J]. 地理研究, 2009, 28(5): 1264-1275. Wu X Q, Hu Y M, He H S, et al. Research for scenarios simulation of future urban growth and land use change in Shenyang City[J]. Geographical Research, 2009, 28(5): 1264-1275. |
| [15] |
崔树强, 周国华, 贺艳华, 等. 市级国土空间规划核心指标纵向传导研究——以湖南省常德市为例[J]. 自然资源学报, 2022, 37(11): 2819-2836. Cui S Q, Zhou G H, He Y H, et al. Longitudinal transmission of core indicators of municipal territory spatial planning: A case study of Changde city, Hunan province[J]. Journal of Natural Resources, 2022, 37(11): 2819-2836. |
| [16] |
任胤铭, 刘小平, 许晓聪, 等. 基于FLUS-InVEST模型的京津冀多情景土地利用变化模拟及其对生态系统服务功能的影响[J]. 生态学报, 2023, 43(11): 4473-4487. Ren Y M, Liu X P, Xu X C, et al. Multi-scenario simulation of land use change and its impact on ecosystem services in Beijing-Tianjin-Hebei region based on the FLUS-InVEST Model[J]. Acta Ecologica Sinica, 2023, 43(11): 4473-4487. |
| [17] |
王慧, 王兵, 牛香, 等. 面向生态康养功能提升的风景区土地利用格局模拟优化[J]. 生态学杂志, 2021, 40(10): 3391-3400. Wang H, Wang B, Niu X, et al. Simulation and optimization of land use pattern in scenic areas for improving ecological healthcare function[J]. Chinese Journal of Ecology, 2021, 40(10): 3391-3400. |
| [18] |
李金雷, 刘欢, 哈斯娜, 等. 岱海流域土地利用动态模拟及生态系统服务价值测算[J]. 生态学杂志, 2022, 41(2): 343-350. Li J L, Liu H, Ha S N, et al. Simulation of land use and evaluation of ecosystem service value in Daihai Basin[J]. Chinese Journal of Ecology, 2022, 41(2): 343-350. |
| [19] | 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 |
| [20] |
王子尧, 黄楚梨, 李倞, 等. 耦合InVEST-HFI-PLUS模型的生态分区规划与动态评估——以博尔塔拉蒙古自治州为例[J]. 生态学报, 2022, 42(14): 5789-5798. Wang Z Y, Huang C L, Li L, et al. Ecological zoning planning and dynamic evaluation coupled with Invest—HFI-Plus model: A case study in Bortala Mongolian autonomous prefecture[J]. Acta Ecologica Sinica, 2022, 42(14): 5789-5798. |
| [21] |
隋露, 蒲春玲, 刘志有, 等. 基于PLUS模型的乌鲁木齐市生态服务价值权衡协同探究[J]. 干旱区地理, 2023, 46(1): 159-168. Sui L, Pu C L, Liu Z Y, et al. Trade-off synergy of ecosystem service value in Urumqi City based on PLUS model[J]. Arid Land Geography, 2023, 46(1): 159-168. |
| [22] |
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. |
| [23] |
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. |
| [24] |
王玉纯, 赵军, 付杰文, 等. 生态系统服务综合关系空间分异及驱动因素——以石羊河流域为例[J]. 水土保持研究, 2023, 30(2): 274-284. Wang Y C, Zhao J, Fu J W, et al. Recognition of ecosystem services trade-offs and synergistic comprehensive relations-a case study of Shiyang River basin[J]. Research of Soil and Water Conservation, 2023, 30(2): 274-284. |
| [25] |
杨亮洁, 王晶, 魏伟, 等. 干旱内陆河流域生态安全格局的构建及优化——以石羊河流域为例[J]. 生态学报, 2020, 40(17): 5915-5927. Yang L J, Wang J, Wei W, et al. Ecological security pattern construction and optimization in Arid Inland River Basin: A case study of Shiyang River Basin[J]. Acta Ecologica Sinica, 2020, 40(17): 5915-5927. |
| [26] |
张成琦. 内流河流域全新世环境变化与碳循环——以石羊河流域为例[D]. 兰州: 兰州大学, 2017. Zhang C Q. Holocene environmental change and carbon cycle in endorheic basins-A Case study in the Shiyang River drainage basin[D]. Lanzhou: Lanzhou University, 2017. |
| [27] |
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. |
| [28] |
张俊华, 李国栋, 南忠仁, 等. 黑河中游不同土地利用类型下土壤碳储量及其空间变化[J]. 地理科学, 2011, 31(8): 982-988. Zhang J H, Li G D, Nan Z R, et al. The spatial distribution of soil organic carbon storage and change under different land uses in the middle of Heihe River[J]. Scientia Geographica Sinica, 2011, 31(8): 982-988. |
| [29] |
王渊刚, 罗格平, 冯异星, 等. 近50a玛纳斯河流域土地利用/覆被变化对碳储量的影响[J]. 自然资源学报, 2013, 28(6): 994-1006. Wang Y G, Luo G P, Feng Y X, et al. Effects of land use/land cover change on carbon storage in Manas River watershed over the past 50 years[J]. Journal of Natural Resources, 2013, 28(6): 994-1006. |
| [30] | 方精云, 郭兆迪, 朴世龙, 等. 1981~2000年中国陆地植被碳汇的估算[J]. 中国科学D辑: 地球科学, 2007, 37(6): 804-812. |
| [31] |
周玉荣, 于振良, 赵士洞. 我国主要森林生态系统碳贮量和碳平衡[J]. 植物生态学报, 2000, 24(5): 518-522. Zhou Y R, Yu Z L, Zhao S D. Carbon storage and budget of major Chinese forest types[J]. Acta Phytoecologica Sinica, 2000, 24(5): 518-522. |
| [32] | 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. |
| [33] |
孙雁, 刘志强, 王秋兵, 等. 百年沈阳城市土地利用空间扩展及其驱动力分析[J]. 资源科学, 2011, 33(11): 2022-2029. Sun Y, Liu Z Q, Wang Q B, et al. Spatial expansion of urban land use and its driving forces in Shenyang city over the past century[J]. Resources Science, 2011, 33(11): 2022-2029. |
| [34] |
刘瑞, 朱道林. 基于转移矩阵的土地利用变化信息挖掘方法探讨[J]. 资源科学, 2010, 32(8): 1544-1550. Liu R, Zhu D L. Methods for detecting land use changes based on the land use transition matrix[J]. Resources Science, 2010, 32(8): 1544-1550. |
| [35] |
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. |
| [36] |
高宇, 刘欢, 鲍立佳, 等. 基于格网和PLUS模型的大西安地区碳排放量估算与模拟同步[J]. 中国生态农业学报(中英文), 2023, 31(10): 1553-1564. Gao Y, Liu H, Bao L J, et al. Estimation and simulation of carbon emissions in Great Xi'an based on grid and patch-generated land-use simulation models[J]. Chinese Journal of Eco-Agriculture, 2023, 31(10): 1553-1564. |
| [37] |
汪勇政, 徐雅利, 余浩然. 基于PLUS-InVEST模型的安徽省碳储量时空变化预测[J]. 水土保持通报, 2023, 43(3): 277-289. Wang Y Z, Xu Y L, Yu H R. Prediction of spatial and temporal changes of carbon stocks in Anhui Province based on PLUS-InVEST model[J]. Bulletin of Soil and Water Conservation, 2023, 43(3): 277-289. |
| [38] |
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. |
| [39] |
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. |
| [40] |
胡丰, 张艳, 郭宇, 等. 基于PLUS和InVEST模型的渭河流域土地利用与生境质量时空变化及预测[J]. 干旱区地理, 2022, 45(4): 1125-1136. Hu F, Zhang Y, Guo Y, et al. Spatial and temporal changes in land use and habitat quality in the Weihe River Basin based on the PLUS and InVEST models and predictions[J]. Arid Land Geography, 2022, 45(4): 1125-1136. |
| [41] |
李安林, 周艳, 唐丽毅, 等. 怒江州土地利用模拟及生态系统服务价值评估——基于PLUS模型的多情景分析[J]. 中国农业资源与区划, 2023, 44(1): 140-149. Li A L, Zhou Y, Tang L Y, et al. Land use simulation and ecosystem services values evaluation in Nujiang prefecture-a multiple-scenario analysis based on PLUS model[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2023, 44(1): 140-149. |
| [42] |
王旭, 马伯文, 李丹, 等. 基于FLUS模型的湖北省生态空间多情景模拟预测[J]. 自然资源学报, 2020, 35(1): 230-242. Wang X, Ma B W, Li D, et al. Multi-scenario simulation and prediction of ecological space in Hubei province based on FLUS model[J]. Journal of Natural Resources, 2020, 35(1): 230-242. |
| [43] |
巩晟萱, 张玉虎, 李宇航. 基于PLUS-InVEST模型的京津冀碳储量变化及预测[J]. 干旱区资源与环境, 2023, 37(6): 20-28. Gong S X, Zhang Y H, Li Y H. Spatio-temporal variation and prediction of carbon storage in Beijing-Tianjin-Hebei region-A PLUS-InVEST model approach[J]. Journal of Arid Land Resources and Environment, 2023, 37(6): 20-28. |
| [44] |
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. |
| [45] |
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. |