2024, Vol. 45
2. 天津大学⁃青海民族大学双碳研究院, 西宁 810007
2. Institute for Carbon Peaking and Carbon Neutrality, Tianjin University-Qinghai Minzu University, Xining 810007, China
随着城市化与工业化进程的加快, CO2等温室气体的大量排放所引发的全球气候变化问题已经成为影响生态系统环境与人类社会可持续发展的重要因素[1, 2]. 2020中国政府提出中国二氧化碳排放的“碳达峰（2030）、碳中和（2060）”的“双碳”目标[3]. 2021年国家“十四五”规划纲要纳入碳达峰碳中和方案[4]. “双碳”战略目标背景下, 如何提升生态系统碳储量和碳汇能力成为全球政府与学术界共同关注的热点话题[5]. 碳储量是生态系统碳汇功能中的重要环节, 陆地生态系统是全球碳储量的重要组成部分[6]. 已有研究成果及IPCC（intergovernmental panel on climate change）报告表明[7, 8], 土地利用变化直接影响着陆地生态系统碳储量的变化. 因此, 基于土地利用变化分析区域碳储量时空变化、预测不同情景下未来碳储量和探究碳储量空间分异驱动力对于区域优化国土空间规划、提升碳储能力和落实“双碳”战略目标具有重要现实意义[9, 10].
目前, 评估陆地生态系统碳储量包括实地调查、遥感反演和模型模拟. 实地调查局限于小尺度区域碳储量的评估, 且无法探究其历史动态演化过程[11]；遥感反演多用于某一特定地类（如森林）生态系统地上生物量的监测[12]；相较于前两种方法, 模型模拟数据获取较为便捷, 可操作更强, 并能应用于不同研究尺度的区域碳储量动态演化研究, 因此应用较为广泛[13]. 在众多评价模型中, InVEST（integrated valuation of ecosystem services and trade-offs）Carbon模块因其数据需求少、运行速度快和评价准确度高等优点被学者们广泛使用[14, 15]. 近年来, 随着斑块生成土地利用变化模拟模型（patch-generating land use simulation model）和未来土地利用模拟模型（future land-use simulation）等土地利用模拟模型的发展, 学者们在对历史时序的碳储量变化研究的基础上进一步模拟了未来多情景下区域碳储量的变化[16~18]. 通过以上文献梳理, 虽然学者们基于土地利用变化评估了各研究尺度区域历史与未来两种时序上的碳储量变化情况, 但大多数学者仅仅从土地利用类型变化角度来揭示了碳储量变化的原因. 影响碳储量变化的因素是多方面的, 需要探索多个因素对区域碳储量动态变化的影响, 更全面地对区域生态系统碳储量影响因素进行研究[19].
青藏高原处于“第三极”, 是我国乃至亚洲的重要生态安全屏障, 固碳功能突出[20]. 已有研究结果表明, 过去四十多年青藏高原地区升温速率为全球平均升温速率的2倍左右, 气候变暖使得青藏高原生态系统环境发生了显著变化[21]. 三江源国家公园位于青藏高原腹地, 是全国首批、排在首位和面积最大的国家公园, 同时是青藏高原国家公园群的重要组成部分[22], 生态安全地位尤为重要[23]. 作为青藏高原重点碳储区, 三江源国家公园将是未来中国实现“双碳”目标的重要贡献区[24]. 因此, 本文以5 a为间隔选取了三江源国家公园1990~2020年间7期历史土地利用数据, 基于PLUS-InVEST-Geodector模型, 分析三江源国家公园历史碳储量时空变化情况, 结合多方面因子对其历史碳储量时空分异驱动力进行探析, 并预测了2030年自然发展和生态保护情景下三江源国家公园碳储量变化, 以期提高对三江源国家公园生态系统固碳服务功能的认知并为实现区域生态保护与可持续发展提供科学依据.
1 材料与方法 1.1 研究区域三江源国家公园（32°22′36″~36°47′53″N, 89°50′57″~99°14′57″E）位于青藏高原腹地, 平均海拔4 500 m以上, 是长江、黄河和澜沧江多条江河的发源地, 多年平均径流量499亿m³, 被誉为“三江之源”和“中华水塔”. 以高山峡谷地貌为主, 湖泊众多, 冻融侵蚀作用强烈. 三江源国家公园试点规划面积123 100 km2, 下辖长江源园区、澜沧江源园区和黄河源园区这3个园区[25].
1.2 数据来源三江源国家公园7期（1990、1995、2000、2005、2010、2015和2020年）土地利用数据（空间分辨率为30 m）、GDP（1 000 m）、人口密度（1 000 m）和土壤类型（1 000 m）来源于中国科学院资源环境科学与数据中心. 矢量边界数据来源于国家青藏高原科学数据中心. 高程数据来源于全球海洋和陆地地形模型网格数据集[GEBCO Compilation Group（2022）GEBCO_2022 Grid], 分辨率为500 m, 坡度、起伏度、河网（利用欧氏距离提取距河流距离）分布根据高程数据（DEM）提取. FVC（250 m）、年均温（1 000 m）和年降水（1 000 m）来自地球资源数据云. 道路数据来源于OSM（Open Street Map）. 乡政府、建制村分布数据来源于1∶100万公众版基础地理信息数据（2021年）, 通过欧氏距离提取距乡政府距离、距建制村距离. 全部数据统一采用Krasovsky_1940_Albers投影, 空间分辨率统一重采样至30 m×30 m, 保证行列号的一致性.
2 研究方法 2.1 PLUS模型PLUS模型由中国地质大学（武汉）HPSCIL@CUG实验室开发, 基于栅格数据提出的一种斑块生成土地利用变化的模拟模型[26]. 该模型包括扩张分析策略LEAS（land expansion analysis strategy）和多类型随机斑块种子的CARS（CA based on multiple random seeds）两个模块, 并提供了Markov Chain和Liner Regression两种方法来模拟不同情景下的土地利用类型变化[27]. LEAS它融合了已有的转化分析策略（TAS）和格局分析策略（PAS）的优势, 采用了随机森林算法, 能够更好地挖掘各类土地利用变化的诱因[28]. CARS结合随机种子生成和阈值递减机制, 能够在发展概率的约束下, 时空动态地模拟斑块的自动生成[26].
2.1.1 PLUS-用地扩张分析策略（LEAS）基于三江源国家公园2010年和2020年土地利用数据, 参考相关研究成果以及研究区实际情况[13, 19, 27, 29], 从自然环境与社会经济两个方面选取了DEM、坡度、起伏度、FVC、年均温、年降水、土壤类型、距河流距离、GDP、人口、距道路距离、距乡政府距离和距建制村距离这13个驱动因子, 分析了各驱动因子的贡献度.
2.1.2 PLUS-基于多类随机斑块种子的CA模型（CARS）基于三江源国家公园2000年和2010年土地利用数据, 采用Markov Chain模拟了2020年土地利用需求量. 在CARS模块, 以2010年为初始土地利用数据, 以水域作为限制转化区域[13], 以2010~2020年间各地类扩张面积与总扩张面积比值为各地类邻域权重[30]（表 1）, 模拟了三江源国家公园2020年土地利用数据, 并与2020年真实土地利用数据进行精度验证, Kappa系数为0.85, 总精度为93.26%, 表明PLUS模型模拟三江源国家公园土地利用效果较好[18], 可以用来模拟2030年土地利用情况.
|
表 1 邻域权重参数 Table 1 Neighborhood weight parameter table |
2.1.3 土地利用情景模拟
结合研究区情况与相关研究成果[13, 31], 本文设定了自然发展情景和生态保护情景两种模拟情景（表 2）. 在自然发展情景下, 不考虑其它约束条件, 土地利用转移矩阵和邻域权重等模型参数与2010~2020年保持一致. 在生态保护情景下, 根据《三江源国家公园总体规划（2018）》提出的生态保护政策, 需要对土地利用转移矩阵和模型参数进行修正（表 1）. 将林地和草地转向建设用地概率减少50%, 未利用地转向林地和草地增加30%[29].
|
|
表 2 不同发展情境下土地利用转移矩阵1） Table 2 Land-use transfer matrix under different development scenarios |
2.2 InVEST模型
本文基于InVEST模型Carbon模块进行三江源国家公园碳储量评估. 生态系统碳储量包括地上（地上生物）、地下（地下生物）、土壤和死亡有机质这4个碳库, 由于死亡有机质碳库数据较小且难以获取, 故一般设为0[18]. 计算公式为：
|
(1) |
式中, Ctotal表示总碳储量；Cabove表示地上碳储量；Cbelow表示地下碳储量；Csoil表示土壤碳储量；Cdead表示死亡有机质碳储量.
InVEST模型中碳储量的计算最重要的是碳密度的选择, 本文综合相关研究得到全国六大地类的碳密度数据[12, 32~35]（表 3）.
|
|
表 3 全国不同土地利用类型各部分碳密度/t·hm-2 Table 3 Carbon density of various parts of different land-use types in the country/t·hm-2 |
陈光水等[36]通过研究发现, 生物量碳密度和土壤碳密度与降水存在正相关关系, 与气温存在负相关关系. 因此, 本文以全国碳库为基础, 采用修正公式[37], 最终得到三江源国家公园碳密度（表 4）. 根据三江源国家管理局发布的多年气象资料以及相关研究成果可知[29], 三江源国家公园和全国年均温为1℃和9℃, 年降水为457.8 mm和628 mm.
|
|
表 4 三江源国家公园不同土地利用类型各部分碳密度/t·hm-2 Table 4 Carbon density of different parts of different land-use types in Three-River-Source National Park /t·hm-2 |
2.3 Geodector模型
地理探测器（Geodector）模型由王劲峰等[38]创建, 主要用于分析现象因子以及因子之间的作用程度, 是探讨空间分异驱动力的有效工具. 本文利用地理探测器的因子探测和交互探测来分析三江源国家公园碳储量的空间分异及演变的主要驱动力. 其中, q值是主要的度量值, 取值范围是[0, 1], 其值越大表示对三江源国家公园碳储量的解释力越强. 本文结合相关研究成果[13, 39]以及数据的连续可得性, 选取了DEM（X1）、坡度（X2）、起伏度（X3）、坡向（X4）、土壤类型（X5）、FVC（X6）、年均温（X7）和年降水量（X8）等8个驱动因子. 所有因子利用ArcGIS 10.8软件转化为类型数据, 并通过建立3 km×3 km渔网, 生成13 694个采样点, 提取每个采样点对应的因变量Y和自变量X数据.
3 结果与分析 3.1 1990~2020年三江源国家公园碳储量时间变化特征 3.1.1 总体碳储量变化从年碳储量变化来看（图 1）, 1990~2020年三江源国家公园碳储量呈“增加-减少-增加-减少”波动型特征, 碳储量极差为46.67×106 t, 波动变化较大. 1990、1995、2000、2005、2010、2015和2020年三江源国家公园碳储量分别为985.03×106、1 012.70×106、984.35×106、983.80×106、1 030.47×106、1 029.60×106和1 026.88×106 t, 总体上显著增加, 较1990年增加了41.85×106 t. 其中, 1995~2000年碳储量减少最为明显, 共减少28.35×106 t, 较1995年减少2.80%, 其主要原因是气候变化和人类活动导致该区域的草地出现严重的退化现象[40], 该阶段草地面积共减少2 858.09 km2. 2005~2010年碳储量是整个研究期内增加最多的阶段, 共增加46.67×106 t, 较2005年增加4.74%, 其主要原因是三江源地区的生态系统退化状况引起了国家的重视, 在2005年国务院批准实施《三江源生态保护和建设一期工程规划》, 使得三江源地区生态系统退化趋势初步遏制, 草地面积增加了5 139.36 km2, 碳固定等生态系统服务功能也有所提升.
|
图 1 1990~2020年三江源国家公园总体碳储量变化 Fig. 1 Changes in overall carbon storage in Three-River-Source National Park from 1990 to 2020 |
从各碳库碳储量来看（图 2）, 土壤碳库是整个碳库碳储量最大的碳库, 也是影响区域碳储量变化的主要原因. 从碳储量增量来看, 1990~2020年, 地上、地下和土壤碳库碳储量都有所增加, 增量分别为4.39×106、11.01×106和26.45×106 t, 土壤碳库是碳储量增加最多的碳库, 主要原因是土壤碳库在整个碳库中碳密度最高. 其中, 1995~2000年是地上、地下和土壤碳库碳储量下降最多的一个阶段, 减量为2.40×106、6.20×106和19.75×106 t, 分别占该阶段总减量的8.47%、21.88%和69.65%. 2005~2010年是增加最多的一个阶段, 增量分别为4.59×106、11.62×106和30.46×106 t, 分别占该阶段总增量的9.83%、24.90%和65.27%. 在经历一个大幅度增加阶段后, 2010年各碳库之间碳储量差异达到研究期内最大, 差异值为719.66×106 t. 从碳储量增加幅度来看, 地上、地下和土壤碳库较1990年分别增长6.60%、6.99%和3.48%, 增加幅度最大的为地下碳库. 其中, 2005~2010年三大碳库碳储量增加幅度最大的阶段, 地上、地下和土壤碳库增加幅度分别为6.92%、7.39%和4.01%, 增幅最大的为地下碳库. 1995~2000年三大碳库碳储量减少幅度最大, 地上、地下和土壤碳库减少幅度分别为3.49%、3.79%和2.53%. 综合来看, 由于土壤碳库碳密度远高于其它碳库, 因此在整个研究期各个阶段, 土壤碳库碳储量增减均为最大且远高于其它两个碳库. 但从增减幅度来看, 研究期内大部分阶段增减幅度最大的为地下碳库, 说明在土地转移中地下碳库地类碳密度差较大.
|
图 2 1990~2020年三江源国家公园各碳库碳储量变化 Fig. 2 Changes in carbon storage in Three-River-Source National Park from 1990 to 2020 |
从各地类碳储量变化来看（表 5）, 1990~2020年三江源国家公园各地类碳储量总体上变化程度各不相同, 草地大幅度增加（增加量为59.64×106 t）, 水域和建设用地小幅度增加（0.10×106 t和0.05×106 t）, 林地小幅度减少（减少量为0.09×106 t）, 未利用地大幅度减少（17.85×106 t）. 三江源国家公园林地、草地、水域、建设用地和未利用地多年平均碳储量分别为3.34×106、879.64×106、0.63×106、0.03×106和123.90×106 t, 草地和未利用地是研究区内最主要的地类, 同时也是影响区域碳储量变化的重要地类因子. 其中, 1990~1995年碳储量变化较大的地类分别为草地、未利用地和林地, 草地呈显著增加状态, 增加量占该阶段总变化量84.67%；未利用地和林地呈减少状态, 减少量分别占该阶段总变化量11.34%和4.21%. 1995~2000年碳储量变化较大的地类依然是草地、未利用地和林地, 但增减方向与前一阶段相反, 说明该阶段三江源国家公园草地面积退化, 而未利用地和林地面积有所增加. 2005~2010年草地和未利用地碳储量变化都较为显著, 草地碳储量显著增加, 增量为62.86×106 t, 未利用地碳储量显著减少, 减量为16.25×106 t. 综合来看, 由于草地属于碳密度较高的地类, 且三江源国家公园土地利用中草地面积占据主体地位, 草地成为三江源国家公园碳储量贡献度最高的地类. 因此, 1990~2020年间, 草地面积及其碳储量的增减多少, 一定程度上决定了三江源国家公园总体碳储量的增减状况.
|
|
表 5 1990~2020年三江源国家公园各地类碳储量变化×106/t Table 5 Changes in carbon stocks in various regions in Three-River-Source National Park from 1990 to 2020×106/t |
3.2 1990~2020年三江源国家公园碳储量空间变化特征 3.2.1 总体碳储量空间分布
三江源国家公园总体碳储量空间分布与土地利用类型分布一致性较高, 碳储量高的地方多分布在草地和林地等碳密度较高的地类所在地（图 3）. 1990~2020年三江源国家公园碳储量空间分布总体特征变化不大, 碳储量高的区域主要分布在澜沧江源园区、黄河源园区大部地区以及长江源园区的部分边缘地区, 以上区域草地分布较为密集. 碳储量低的区域主要分布在长江源园区内的可可西里自然保护区以及黄河源园区的西北地区, 这些区域湖泊众多且未利用地广布, 固碳能力弱. 其中, 三江源国家公园局部地区碳储量变化较为显著. 1990~2020年, 黄河源园区东中部和长江源园区东部边缘地区高碳储区域分布密集度明显增强, 说明这些区域低碳储土地向高碳储土地大量转移. 长江源园区的西南边缘地区高碳储分布区域消失, 说明该区域林地和草地退化较为严重, 受人类活动和气候变化影响较大.
|
图 3 1990~2020年三江源国家公园碳储量空间分布 Fig. 3 Spatial distribution of carbon storage in Three-River-Source National Park from 1990 to 2020 |
为更清楚地反映三江源国家公园1990~2020年碳储量空间变化情况, 将碳储量空间分布变化值分为3类：增加（变化值> 0）、不变（变化值=0）和减少（变化值< 0）. 由图 4可知, 1990~2020年三江源国家公园大部分处于碳储量不变区域, 占园区总面积的91.95%. 其次为增加和减少区域, 面积占比分别为5.55%和2.50%, 增加区域主要集中在长江源园区东部, 在黄河源园区全区零散分布, 减少区域则集中分布在长江源园区的西南边缘处. 其中, 碳储量增加区域最为明显的是1990~1995年, 面积为9 321.73 km2, 主要集中分布在长江源园区的东部和南部地区；不变区域最为明显的是2000~2005年, 面积为123 002.88 km2；减少区域最为明显的是1995~2000年, 面积为9 454.27 km2, 主要集中分布在长江源园区的东部和南部地区. 综合来看, 1990~2020年各阶段变化类型均以不变区域为主, 增加和减少区域存在较大的波动性.
|
图 4 1990~2020年三江源国家公园碳储量空间变化类型 Fig. 4 Spatial change types of carbon storage in Three-River-Source National Park from 1990 to 2020 |
为了深入探究三江源国家公园碳储量空间差异, 对长江源园区、澜沧江源园区和黄河源园区碳储量分别进行统计分析（图 5）. 1990~2020年长江源园区、澜沧江源园区和黄河源园区碳储量都呈增加状态, 较1990年分别增长2.85%、0.72%和12.33%. 长江源园区、澜沧江源园区和黄河源园区多年平均碳储量分别为662.63×106、155.63×106和189.29×106 t, 这与各园区土地面积大小比例一致（长江源园区、澜沧江源园区和黄河源园区的碳储量贡献率和土地面积比例均为7∶1∶2）. 其中, 长江源园区和澜沧江源园区碳储量贡献率最高年份为1995年, 碳储量分别为679.33×106和156.44×106 t, 贡献率分别为67.08%和15.45%；黄河源园区碳储量贡献率最高年份为2015年, 碳储量为202.74×106 t, 贡献率为19.69%. 综合来看, 本研究期内三江源国家公园各园区碳储量均有所增加, 其中贡献率最大的为长江源园区, 增幅最大的为黄河源园区.
|
图 5 1990~2020年三江源国家公园各园区碳储量变化 Fig. 5 Changes in carbon storage in each area of Three-River-Source National Park from 1990 to 2020 |
根据因子探测结果（表 6）, 1990~2020年选取的8个驱动因子除坡向（X4）因子外都对三江源国家公园碳储量的空间分异具有显著的驱动作用, 各显著驱动因子解释力大小排序为：FVC（0.286, q平均值, 下同） > 土壤类型（0.282） > 年降水量（0.211） > 起伏度（0.071） > 年均温（0.038） > DEM（0.020） > 坡度（0.014）. 其中, 1990~2020年土壤类型（X5）、FVC（X6）和年降水量（X8）一直居于各年份解释力的前3位, 对碳储量空间分异占据主导解释地位. 从q值大小变化来看, 研究期内除了坡向（X4）因子q值下降之外, 其它驱动因子q值都有所增加, 解释力增强. 其中, 解释力增强最多的为FVC（X6）, q值增加0.091, 其次为年降水量（X8）和土壤类型（X5）, q值分别增加0.056和0.050. 具体来说, FVC（X6）表征着区域植被覆盖程度的多少, 一般区域植被覆盖越高, 说明该区域内高碳密度森林和草地等用地类型较多, 从而区域碳储量也越多. 其次, 降水量影响着区域的水热条件, 是区域植被进行光合作用的重要基础, 深刻影响着区域碳储量的变化. 土壤类型的不同, 代表着区域植被NPP和生物群落的不同, 同时直接决定着区域土壤碳库的储量. 因此, FVC、土壤类型和年降水量是影响三江源国家公园碳储量时空分异的主要驱动因子.
|
|
表 6 1990~2020年三江源国家公园碳储量空间分异驱动因子探测结果1） Table 6 Detection results of driving factors for spatial variation of carbon storage in Three-River-Source National Park from 1990 to 2020 |
3.3.2 交互探测
根据交互探测结果（图 6）, 1990~2020年三江源国家公园各驱动因子均呈现双因子增强和非线性增强作用, 无非线性减弱、单因子非线性减弱和独立现象存在, 表明任意两个驱动因子的交互作用对碳储量空间分异的解释力均大于其单一因子的解释力. 其中, 解释力增强最多的为起伏度（X3）∩ FVC（X6）, q值增加0.097. 土壤类型（X5）∩ FVC（X6）在1990~2020年各阶段均占据主导解释地位（q平均值为0.370）, 主要原因在于两个驱动因子的单因子q值位于所有因子前两位, 处于较高解释力水平, 其交互作用解释力自然也高于其它因子交互；交互作用解释力较大的还有年降水量（X8）∩土壤类型（X5）和降水量（X8）∩ FVC（X6）, q平均值分别为0.341和0.329, 这也是因为年降水量也是解释力较大的单因子.
|
图 6 1990~2020年三江源国家公园碳储量空间分异交互探测结果 Fig. 6 Interactive detection results of spatial variation of carbon storage in Three-River-Source National Park from 1990 to 2020 |
运用PLUS模型对2030年自然发展情景和生态保护情景土地利用状况进行预测, 再根据InVEST模型计算其各碳库碳储量及总量（表 7）. 从总体碳储量角度来看, 2030年三江源国家公园自然发展情景和生态保护情景下碳储量分别为976.82×106和986.05×106 t, 较2020年均呈减少状态, 分别下降4.87%和3.98%, 说明未来三江源国家公园部分高碳密度地类面积减少, 碳储功能下降. 其中生态保护情景比自然发展情景碳储量减少量少9.23×106 t, 说明了生态保护措施对碳储量的减少起着抑制作用.
|
|
表 7 2020~2030年三江源国家公园碳库碳储量变化×106/t Table 7 Changes in carbon storage in Three-River-Source National Park from 2020 to 2030×106/t |
从碳库碳储量角度来看（表 7）, 2030年三江源国家公园自然发展情景与生态保护情景下地上、地下和土壤碳库碳储量均呈减少状态. 其中, 自然发展情景下地上、地下和土壤碳库碳储量较2020年分别减少2.68×106、7.56×106和39.82×106 t, 分别下降3.78%、4.49%和5.06%, 土壤碳库碳储量减少最多且下降速度最快. 生态保护情景下地上、地下和土壤碳库碳储量较2020年分别减少2.03×106、5.83×106和32.97×106 t, 分别下降2.87%、3.46%和4.19%, 碳储量减少最多且下降速度最快的也是土壤碳库. 两种情景下碳储量变化相比, 生态保护情景较自然发展情景地下、地上和土壤碳库碳储量减少量分别少0.65×106、1.73×106和6.85×106 t, 也说明了生态保护情景下的生态保护政策对各碳库碳储量的减少有着较好的抑制作用.
从地类碳库碳储量变化来看（表 8）, 2030年自然发展情景和生态保护情景下除水域碳储量增加之外, 其余地类碳储量均呈减少状态. 其中, 草地是自然发展情景和生态保护情景下较2020年碳储量减少最多的地类, 分别减少40.41×106 t和31.37×106 t, 两者下降差为9.04×106 t；其次为未利用地, 自然发展情景和生态保护情景下较2020年碳储量分别下降8.42%和8.51%；林地、水域和建设用地自然发展情景和生态保护情景下较2020年碳储量增减相对来说变化不大. 综合来看, 草地碳储量的下降是2020~2030年三江源国家公园碳储量下降的主要地类, 同时也是生态保护情景下抑制碳储量减少最明显的地类.
|
|
表 8 2020~2030年三江源国家公园各地类碳储量变化×106/t Table 8 Changes in carbon stocks in various regions in Three-River-Source National Park from 2020 to 2030×106/t |
3.4.2 2020~2030年碳储量空间变化特征
从2030年不同情景下三江源国家公园总体碳储量空间分布来看（图 7）, 其分布特征与1990~2020年基本一致, 碳储量高的区域主要还是分布在澜沧江源园区、黄河源园区大部地区以及长江源园区的部分边缘地区, 长江源园区内的可可西里自然保护区以及黄河源园区的西北地区依旧由于湖泊众多导致区域碳储量偏低.
|
图 7 2030年不同情景下三江源国家公园碳储量空间分布及其变化 Fig. 7 Spatial distribution and change in carbon storage in Three-River-Source National Park under different scenarios in 2030 |
从碳储量空间分布变化类型来看（图 7）, 2030年自然发展情景与生态保护情景下较2020年大部分地区依旧处于碳储量不变区域, 分别占园区总面积的93.71%和94.67%；碳储量增加区域面积都较小, 分别为482.94 km2和600.59 km2, 面积占比均不足园区总面积的1%；碳储量减少区域都主要集中在长江源园区的西部地区, 但生态保护情景下减少区域面积较自然发展情景下少1 295.05 km2, 碳储量减少主要原因可能是区域内林地和草地等高碳密度地类向水域等低碳密度地类的转化. 综合来看, 三江源国家公园生态保护情景较自然发展情景碳储量不变区域和增加区域面积多, 减少区域面积少, 也从空间分布变化方面印证了生态保护情景对碳储量降低的抑制性.
从分区碳储量变化来看（表 9）, 2030年自然发展情景和生态保护情景下长江源园区、澜沧江源园区和黄河源园区碳储量较2020年都呈减少状态. 自然发展情景下, 三江源国家公园碳储量减少量为：长江源园区（29.68×106 t） > 黄河源园区（12.17×106 t） > 澜沧江源园区（8.21×106 t）, 长江源园区碳储量减少量占据了整个国家公园碳储量的59.30%. 生态保护情景下对3个园区的碳储量下降都有抑制, 其中抑制作用最显著的为长江源园区, 抑制量占据抑制总量83.65%.
|
|
表 9 2020~2030年三江源国家公园分区碳储量变化×106/t Table 9 Changes in carbon storage in Three-River-Source National Park subregions from 2020 to 2030 ×106/t |
4 讨论 4.1 三江源国家公园碳储量估算的必要性
青藏高原作为我国乃至亚洲重要生态安全屏障, 是我国重要的碳储区. 随着第二次青藏高原科学考察研究工作的推进, 傅伯杰等[41]和陈发虎等[42]强调了在全球气候变暖以及人类活动双重压力下, 青藏高原生态系统面临着较大的生态风险与挑战[43, 44]. 2023年《中华人民共和国青藏高原生态保护法》中也强调要加强青藏高原地区固碳等生态功能的监测, 全面提升区域固碳能力, 筑牢青藏高原生态屏障体系[45]. 三江源国家公园处于青藏高原腹地, 是青藏高原区域最为典型的生态功能区之一[22]. 因此, 在气候暖湿化和生态管理措施加强的背景下, 本文基于PLUS-InVEST-Geodector模型, 探析三江源国家公园1990年以来历史碳储量时空分异驱动力, 预测未来情景下其碳储量变化具有重要的研究意义和价值.
4.2 碳储量模拟与分析模型的合理性运用科学方法是测度与分析区域碳储量变化的基本保证. PLUS-InVEST模型因其数据需求少、结果精度高和运行速度快等优点被广大学者使用, 用来模拟未来土地利用情况和计算区域碳储量[18, 31]. 本文模拟了三江源国家公园2020年土地利用数据, 并与2020年真实土地利用数据进行精度验证, Kappa系数为0.85, 总精度为93.26%, 证明了PLUS模型模拟三江源国家公园土地利用的适用性. InVEST模型中最重要的参数为碳密度数据, 碳密度的精确性决定着区域陆地生态系统碳储量的准确性. 本文采用学者们普遍使用的碳密度修正法[19], 基于全国各地类碳密度数据, 利用年均温和年降水量数据修正得到了三江源国家公园各地类碳密度数据, 确保本研究成果更具有可靠性. Geodector模型主要用于分析现象因子以及因子之间的作用程度, 是探讨空间分异驱动力的有效工具, 本文用来对三江源国家公园碳储量驱动力进行研究, 可以从多个因素定量探测并明晰影响碳储量时空变化的因素.
4.3 研究结果的验证通过本研究可以发现, 1990~2020年三江源国家公园碳储量虽然呈现“增加-减少-增加-减少”波动型变化特征, 但总体上增加41.85×106 t. 张宏思等[40]对1977~2017年三江源区植被固碳量开展研究, 其中1990年以来碳储量呈现总体增加的趋势, 这与本文该阶段三江源国家公园碳储量总体增加的研究结论一致；张继平等[44]研究发现三江源地区2000~2010年草地生态系统碳储量总体上显著增加, 这与本文中该阶段草地碳储量显著增加研究结论是一致的；张重等[45]研究发现三江源东部地区2008~2018年草地发生退化, 也印证了本文中2010~2020年间碳储量减少的现象.
4.4 不足与展望本文基于PLUS-InVEST-Geodector模型, 探析三江源国家公园1990~2020年历史碳储量变化及其时空分异驱动力, 并预测了未来情景下其碳储量变化, 研究结论具有一定的科学性与准确性. 本文预测了2030年三江源国家公园土地利用情况并计算了其碳储量, 结果发现碳储量较2020年呈下降状态, 因此也就形成了2010~2030年碳储量呈现持续下降的状况. 主要原因在于, 本文主要是基于最近10年土地利用的变化情况对2030年土地利用进行预测, 且在驱动因子的选取上大多为易获取的自然因子, 而土地利用的变化会受到社会经济与政策等多方因素的影响, 尤其是在国家公园体制下的三江源地区更加明显. 但实际上三江源国家公园2021年才正式设立, 未来一段时间三江源国家公园生态保护的力度会更大, 措施也会更为严格, 因此对于未来碳储量的预测可能会与实际结果存在误差. 其次, 三江源国家公园区划总面积在2021年由12.31×104 km2扩展到19.07×104 km2, 且未来很有可能会进一步扩展, 但受制于现有的技术手段, 对土地利用的预测仅限于当前面积区域的预测.
因此, 在未来的研究中, 需要在原有区划面积研究的基础上, 持续关注三江源国家公园拓展后区域碳储量的变化. 同时, 关注技术手段与数据源的发展, 并考虑逐年碳密度变化情况, 以实现更加精确化和动态化的碳储量评估.
5 结论（1）1990~2020年三江源国家公园碳储量呈“增加-减少-增加-减少”波动型变化特征, 总体上碳储量增加了41.85×106 t. 其中, 土壤碳库是三江源国家公园碳储量增加的最大碳库, 较1990年增加26.45×106 t；地下碳库是增加幅度最大的碳库, 较1990年增长6.99%；草地是贡献度最大的地类, 较1990年增加59.64×106 t.
（2）1990~2020年三江源国家公园碳储量空间分布总体特征变化不大, 空间分布演化状态较为平稳. 具体来看, 多年来三江源国家公园高碳储区域主要分布在澜沧江源园区、黄河源园区大部地区以及长江源园区的部分边缘地区, 以上区域高碳密度的草地分布较为密集；低碳储区域主要分布在长江源园区内的可可西里自然保护区以及黄河源园区的西北地区, 以上区域低碳密度的湖泊和未利用地分布较多. 1990~2020年, 整个国家公园91.95%的区域处于碳储量不变区域, 但各园区碳储量均有所增加, 增加最多且增幅最大的为黄河源园区, 碳储量增加量和增幅分别为22.22×106 t和12.33%. 长江源园区∶澜沧江源园区∶黄河源园区多年平均碳储量贡献率为7∶1∶2, 这与其园区面积比例大致相当.
（3）从碳储量时空分异驱动力来看, FVC、土壤类型和年降水量是影响三江源国家公园1990~2020年碳储量时空分异的主要驱动因子（q平均值分别为0.286、0.282和0.211）, 各驱动因子交互探测均呈现双因子增强和非线性增强作用, 土壤类型（X5）∩ FVC（X6）在1990~2020年各阶段均占据主导解释地位（q平均值为0.370）, 起伏度（X3）∩ FVC（X6）解释力增强最多（q值增加0.097）.
（4）2030年自然演变和生态保护情景下的三江源国家公园碳储量均呈减少状态, 生态保护情景下的碳储量减少抑制作用明显. 2020~2030年, 自然发展情景和生态保护情景下碳储量分别下降4.87%和3.98%, 其中土壤碳库是碳储量减少最多且下降速度最快的碳库, 草地是碳储量减少最多的地类, 长江源园区碳储量减少量占据了整个国家公园碳储量的59.30%. 在碳储总量、碳库碳储量、地类碳储量和分区碳储量减少过程中, 生态保护情景下碳储量减少抑制作用都较为明显.
| [1] | Sarkodie S A, Owusu P A, Leirvik T. Global effect of urban sprawl, industrialization, trade and economic development on carbon dioxide emissions[J]. Environmental Research Letters, 2020, 15(3). DOI:10.1088/1748-9326/ab7640 |
| [2] | Sokolov Y I. Risks of global climate change[J]. Issues of Risk Analysis, 2021, 18(3): 32-45. DOI:10.32686/1812-5220-2021-18-3-32-45 |
| [3] | 习近平. 在第七十五届联合国大会一般性辩论上的讲话[J]. 中华人民共和国国务院公报, 2020(28): 5-7. |
| [4] |
赵震宇, 姚舜, 杨朔鹏, 等. "双碳"目标下: 中国CCUS发展现状、存在问题及建议[J]. 环境科学, 2023, 44(2): 1128-1138. Zhao Z Y, Yao S, Yang S P, et al. Under goals of carbon peaking and carbon neutrality: status, problems, and suggestions of CCUS in China[J]. Environmental Science, 2023, 44(2): 1128-1138. |
| [5] |
刘燕华, 葛全胜, 何凡能, 等. 应对国际CO2减排压力的途径及我国减排潜力分析[J]. 地理学报, 2008, 63(7): 675-682. Liu Y H, Ge Q S, He F N, et al. Countermeasures against international pressure of reducing CO2 emissions and analysis on China's potential of CO2 emission reduction[J]. Acta Geographica Sinica, 2008, 63(7): 675-682. DOI:10.3321/j.issn:0375-5444.2008.07.001 |
| [6] |
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. |
| [7] | Zhang M, Huang X J, Chuai X, et al. Impact of land use type conversion on carbon storage in terrestrial ecosystems of China: a spatial-temporal perspective[J]. Scientific Reports, 2015, 5. DOI:10.1038/srep10233 |
| [8] |
刘和斌, 母梅, 牟翠翠, 等. IPCC第六次评估报告解读: 北半球多年冻土碳的观测结果和预估[J]. 冰川冻土, 2023, 45(2): 318-326. Liu H B, Mu M, Mu C C, et al. Interpretation of IPCC sixth assessment report: observations and projections of permafrost carbon in the Northern Hemisphere[J]. Journal of Glaciology and Geocryology, 2023, 45(2): 318-326. |
| [9] |
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. |
| [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] | Wang Q X, Masataka W, Ouyang Z. Simulation of water and carbon fluxes using BIOME-BGC model over crops in China[J]. Agricultural and Forest Meteorology, 2005, 131(3-4): 209-224. DOI:10.1016/j.agrformet.2005.06.002 |
| [12] |
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. |
| [13] |
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. |
| [14] |
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. |
| [15] | Thompson T M. Modeling the climate and carbon systems to estimate the social cost of carbon[J]. WIREs Climate Change, 2018, 9(5). |
| [16] |
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. |
| [17] | Liu X P, Liang X, Li X, et al. A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects[J]. Landscape and Urban Planning, 2017, 168: 94-116. DOI:10.1016/j.landurbplan.2017.09.019 |
| [18] |
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. |
| [19] |
张哲, 时振钦, 朱文博, 等. 基于InVEST模型的伏牛山地区生态系统碳储量时空变化模拟[J]. 环境科学, 2024, 45(4): 2332-2341. Zhang Z, Ye Z Q, Zhu W B, et al. Simulation of temporal and spatial changes of ecosystem carbon storage in Funiu Mountains based on InVEST model[J]. Environmental Science, 2024, 45(4): 2332-2341. |
| [20] |
孙鸿烈, 郑度, 姚檀栋, 等. 青藏高原国家生态安全屏障保护与建设[J]. 地理学报, 2012, 67(1): 3-12. Sun H L, Zheng D, Yao T D, et al. Protection and construction of the national ecological security shelter zone on Tibetan Plateau[J]. Acta Geographica Sinica, 2012, 67(1): 3-12. |
| [21] |
陈德亮, 徐柏青, 姚檀栋, 等. 青藏高原环境变化科学评估: 过去、现在与未来[J]. 科学通报, 2015, 60(32): 3025-3035. Chen D L, Xu B Q, Yao T D, et al. Assessment of past, present and future environmental changes on the Tibetan Plateau[J]. Chinese Science Bulletin, 2015, 60(32): 3025-3035. |
| [22] |
樊杰, 钟林生, 李建平, 等. 建设第三极国家公园群是西藏落实主体功能区大战略、走绿色发展之路的科学抉择[J]. 中国科学院院刊, 2017, 32(9): 932-944. Fan J, Zhong L S, Li J P, et al. Third Pole National Park Group Construction is scientific choice for implementing strategy of major function zoning and green development in Tibet, China[J]. Bulletin of Chinese Academy of Sciences, 2017, 32(9): 932-944. |
| [23] |
胡西武, 贾天朝. 基于生态敏感性与景观连通性的三江源国家公园生态安全格局构建与优化[J]. 长江流域资源与环境, 2023, 32(8): 1724-1735. Hu X W, Jia T C. Construction and optimization of ecological security pattern in Three-River-Source National Park based on ecological sensitivity and landscape connectivity[J]. Resources and Environment in the Yangtze Basin, 2023, 32(8): 1724-1735. |
| [24] | 中共青海省委党校人口资源环境研究中心. 青海建设三江源碳汇功能区研究[J]. 攀登, 2016, 35(5): 101-104. |
| [25] |
贾天朝, 胡西武, 张娜娜. 三江源国家公园生态安全评价及障碍因子研究[J]. 河北环境工程学院学报, 2023, 33(1): 48-54. Jia T C, Hu X W, Zhang N N. Study on ecological security assessment and obstacle actors of Sanjiangyuan National Park[J]. Journal of Hebei University of Environmental Engineering, 2023, 33(1): 48-54. |
| [26] | 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 |
| [27] |
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. |
| [28] |
喇蕗梦, 勾蒙蒙, 李乐, 等. 三峡库区生态系统服务权衡时空动态与情景模拟: 以秭归县为例[J]. 生态与农村环境学报, 2021, 37(11): 1368-1377. La L M, Gou M M, Li L, et al. Spatiotemporal dynamics and scenarios analysis on trade-offs between ecosystem service in Three Gorges Reservoir Area: a case study of Zigui County[J]. Journal of Ecology and Rural Environment, 2021, 37(11): 1368-1377. |
| [29] |
曹鹏辉, 齐晓明, 杨雯, 等. 内蒙古土地利用多情景模拟与碳储量预测分析[J]. 干旱区资源与环境, 2023, 37(9): 83-90. Cao P H, Qi X M, Yang W, et al. Multi scenario simulation and prediction of carbon storage for land use types in Inner Mongolia[J]. Journal of Arid Land Resources and Environment, 2023, 37(9): 83-90. |
| [30] |
糜毅, 李涛, 吴博, 等. 基于优化模拟的长株潭3+5城市群碳储量时空演变与预测[J]. 环境工程技术学报, 2023, 13(5): 1740-1751. Mi Y, Li T, Wu B, et al. Spatio-temporal evolution and prediction of carbon storage in Chang-Zhu-Tan 3+5 urban agglomeration based on optimization simulation[J]. Journal of Environmental Engineering Technology, 2023, 13(5): 1740-1751. |
| [31] |
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. |
| [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), 2004, 47(1): 72-80. Li K R, Wang S Q, Cao M Q. Vegetation and soil carbon storage in China[J]. Science in China Series D Earth Sciences, 2004, 47(1): 49-57. |
| [33] |
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. |
| [34] |
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. |
| [35] |
朱超, 赵淑清, 周德成. 1997—2006年中国城市建成区有机碳储量的估算[J]. 应用生态学报, 2012, 23(5): 1195-1202. Zhu C, Zhao S Q, Zhou D C. Organic carbon storage in urban built-up areas of China in 1997-2006[J]. Chinese Journal of Applied Ecology, 2012, 23(5): 1195-1202. |
| [36] |
陈光水, 杨玉盛, 刘乐中, 等. 森林地下碳分配(TBCA)研究进展[J]. 亚热带资源与环境学报, 2007, 2(1): 34-42. Chen G S, Yang Y S, Liu L Z, et al. Research review on total belowground carbon allocation in forest ecosystems[J]. Journal of Subtropical Resources and Environment, 2007, 2(1): 34-42. |
| [37] | Alam S A, Starr M, Clark B J F. Tree biomass and soil organic carbon densities across the sudanese woodland savannah: a regional carbon sequestration study[J]. Journal of Arid Environments, 2013, 89: 67-76. |
| [38] |
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. |
| [39] |
王成武, 罗俊杰, 唐鸿湖. 基于InVEST模型的太行山沿线地区生态系统碳储量时空分异驱动力分析[J]. 生态环境学报, 2023, 32(2): 215-225. Wang C W, Luo J J, Tang H H. Analysis on the driving force of spatial and temporal differentiation of carbon storage in the Taihang Mountains based on InVEST Model[J]. Ecology and Environmental Sciences, 2023, 32(2): 215-225. |
| [40] |
张宏思, 陈之光, 张翔, 等. 1977-2017年三江源区植被固碳量及影响因素评估[J]. 南开大学学报(自然科学版), 2021, 54(4): 87-100, 107. Zhang H S, Chen Z G, Zhang X, et al. Evaluation of carbon sequestration by vegetation and its influencing factors from 1977 to 2017 in the Three-River source region[J]. Acta Scientiarum Naturalium Universitatis Nankaiensis, 2021, 54(4): 87-100, 107. |
| [41] |
傅伯杰, 欧阳志云, 施鹏, 等. 青藏高原生态安全屏障状况与保护对策[J]. 中国科学院院刊, 2021, 36(11): 1298-1306. Fu B J, Ouyang Z Y, Shi P, et al. Current condition and protection strategies of Qinghai-Tibet Plateau ecological security barrier[J]. Bulletin of Chinese Academy of Sciences, 2021, 36(11): 1298-1306. |
| [42] |
陈发虎, 汪亚峰, 甄晓林, 等. 全球变化下的青藏高原环境影响及应对策略研究[J]. 中国藏学, 2021(4): 21-28. Chen F H, Wang Y F, Zhen X L, et al. Research on the environment impact of the Qinghai-Tibet Plateau under global change and the countermeasures[J]. China Tibetology, 2021(4): 21-28. |
| [43] | 中华人民共和国青藏高原生态保护法[N]. 人民日报, 2023-04-28(015). |
| [44] |
张继平, 刘春兰, 郝海广, 等. 基于MODIS GPP/NPP数据的三江源地区草地生态系统碳储量及碳汇量时空变化研究[J]. 生态环境学报, 2015, 24(1): 8-13. Zhang J P, Liu C L, Hao H G, et al. Spatial-temporal change of carbon storage and carbon sink of grassland ecosystem in the Three-River Headwaters region based on MODIS GPP/NPP data[J]. Ecology and Environmental Sciences, 2015, 24(1): 8-13. |
| [45] |
张重, 龚健, 李靖业, 等. 基于信息量模型的三江源东部草地退化易发性评价——以青海省果洛州为例[J]. 资源科学, 2022, 44(3): 464-479. Zhang Z, Gong J, Li J Y, et al. Grassland degradation susceptibility assessment of the eastern area of the Three Rivers Source region based on the information quantity model: a case study of Golog Tibetan Autonomous Prefecture, Qinghai Province[J]. Resources Science, 2022, 44(3): 464-479. |