2024, Vol. 45
陆地生态系统是大气二氧化碳重要的汇[1], 由于具有固碳减排功能[2], 成为地球表层系统的重要碳库之一[3]. 为应对以全球变暖为核心的气候变化问题[4], 陆地生态系统碳储量成为当前研究的热点[5]. 1999年以来, 两轮退耕还林（草）工程的实施, 极大地改善了工程区域的生境质量, 各类生态系统的结构和功能也相应发生改变, 从而对生态系统的碳循环和碳储量产生深远影响[6~9]. 因此, 探究退耕还林（草）工程实施的不同阶段碳储量与生态系统各类型变化之间的联系, 从而科学合理地调整退耕还林的实施力度, 有助于增强生态系统的碳汇能力, 提高区域的碳储量, 积极稳妥推进黄河流域生态保护和高质量发展, 进而加快落实“双碳”战略目标.
21世纪以来, 碳储量和生态系统相关研究不断涌现, 众多学者已从不同角度针对单一或综合性生态系统碳储量进行了研究. 全球以及国家角度研究表明, 森林生态系统是陆地生态系统的最大碳储量库, 热带地区森林砍伐造成的森林生态系统退化是造成该地区碳储量流失主要原因之一[10~12]. 退耕还林以及再造林是生态系统固碳成本相对较低且最有效的方式[13, 14], 也是森林对碳汇起主导作用的原因[15], 国家的退耕还林工程可以增加林地面积, 缓解并中和碳排放[16]. 区域角度的研究指出, 退耕还林（草）工程的植被恢复对土壤碳库具有正向影响[8, 17], 裸地转草地及草地扩张是增加碳储量的一些重要过程[18]. 在研究方法上, 多采用实地采样法、生物量法和蓄积量法等较为传统的方法, 相比于传统估算方法, 结合多源数据来估测不同地类或碳库碳储量的InVEST模型实现了空间定量化[19], 同时降低数据收集和处理难度, 减少数据处理时间, 参数灵活度高[20], 因此得到广泛使用. 姚楠等[21]基于InVEST模型评估黄土丘陵沟壑区退耕还林工程与生态系统碳储量关系, 得出工程对区域碳汇的正面影响；Babbar等[22]利用InVEST模型对印度萨里斯卡老虎保护区碳汇进行估测研究, 得出碳损失的结论.
生态系统碳储量的预测可以为寻求未来土地利用规划最优解提供科学依据, 因此, 有学者利用InVEST模型耦合土地利用模拟模型进行未来情景碳储量预测, CA-Markov[23]、FLUS[24, 25]、CLUE-S[26]和ANN-CA[27]等预测模型在模拟土地利用格局中得到广泛应用, 但多数模型仍然存在无法时空动态捕捉土地利用斑块演化等缺点, 存在一定局限性. PLUS模型在元胞自动机基础上结合土地扩张策略（LEAS）和多类型随机种子（CARS）, 有效提高预测精度并获得最佳的土地利用模式及更接近实际的景观格局[28], 成为广泛使用的预测模型. 如于芝琳等[29]利用PLUS模型预测了淮北市2035年4种情景的地类变化, 得出生态保护情景的固碳能力最强. 丁岳等[30]利用PLUS模型对环杭州湾生态系统2030年碳储量进行预测, 得出林地面积的增长是碳储量增加主要原因. 上述研究多聚焦于对整数时间节点的碳储量进行分析, 缺乏对碳储量长时间序列下的变化以及变化原因的分析.
黄河流域是我国的生态屏障, 拥有国家重点生态功能区, 分布有重要的能源重化工基地. 当前, “十四五”规划以及黄河流域生态保护和高质量发展的国家重大战略的提出, 使流域迈入生态治理新阶段, 对山水林田湖草沙的系统治理以及退耕还林（草）等生态工程的实施相应引起各类生态系统格局变化, 进而导致碳储量空间布局复杂化. 综上, 本文以黄河流域9省72个地级市为研究区, 耦合InVEST模型以及PLUS模型对1990~2020年黄河流域工程区域逐年总碳储量以及4大碳库碳储量进行测算, 并针对不同退耕力度设计自然发展情景和3种不同的退耕情景, 对2035年黄河流域生态系统碳储量进行预测分析, 通过增强黄河流域生态系统固碳能力, 以期为退耕还林（草）工程实施最优方案提供重要参考依据, 同时为黄河流域生态保护和高质量发展提供理论依据.
1 材料与方法 1.1 研究区域黄河流域发源于青藏高原的巴颜喀拉山的约古宗列盆地, 流经青藏高原、内蒙古高原、黄土高原以及华北平原, 并在山东东营的垦利县流入渤海. 自上游向下游分为三大阶梯, 黄河流域上游和中游以内蒙古自治区托克托县河口镇为界, 而黄河中游和下游以河南省荥阳市桃花峪为界. 沿黄流经青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南和山东这9省份, 为了确保区域完整性, 本文在参考水利部黄河水利委员会界定的黄河流域范围基础上[31, 32], 考虑到周边地区引调黄河水的关系, 选取72个地级市（自治州）作为研究区域（图 1）, 总面积为217.19万km2, 便于更全面地了解该区域内碳储量和变化量的差异, 并提出相应的环境保护和可持续发展建议.
|
图 1 研究区范围示意 Fig. 1 Schematic of the scope of the study area |
本研究所使用的数据包括：生态系统类型数据来源于武汉大学杨杰和黄昕所制作的30 m土地覆被数据集（annual China land cover dataset, CLCD）, 选取1990~2020年30 a逐年土地覆被的空间数据, 用ArcGIS 10.6软件掩膜提取出黄河流域9省范围内的分布数据, 黄河流域生态系统类型基于徐新良等[33]的分类方式分为以下6种：农田、森林、草地、水体与湿地、城镇以及其他生态系统, 并统一行列号以及坐标系；DEM数据来源于地理空间数据云（http://www.gscloud.cn/）, 空间分辨率为30 m, 并用ArcGIS处理得到坡度数据；人口密度、GDP、夜间灯光数据（社会经济数据）和年平均气温、年平均降水（气候数据）、土壤类型数据来源于中国科学院资源环境科学与数据中心（http://www.resdc.cn/）, 空间分辨率为1 000 m, 距离市政府、县域中心、公路和铁路距离数据的基础数据来自全国地理信息资源目录服务系统（https://www.webmap.cn/）, 利用ArcGIS欧氏距离算出. 以上数据均统一调整分辨率为250 m×250 m.
1.3 研究方法 1.3.1 InVEST模型InVEST模型全称为生态系统服务功能权衡综合评估模型, 其中碳储量模块是利用生态系统类型并结合碳密度数据来计算碳储量的空间分布[34]. 主要包含4种碳密度：地上碳库、地下碳库、土壤碳库以及死亡有机质碳库, 碳储量的计算公式如下：
|
(1) |
|
(2) |
式中, Ctotal为生态系统4大碳库的碳储总量（t）；i为第i类生态系统类型；Ci为第i类生态系统类型碳密度总量（t·hm-2）；Ci-above、Ci-below、Ci-soil和Ci-dead分别为第i类生态系统类型地上生物碳密度（t·hm-2）、地下生物碳密度（t·hm-2）、土壤碳密度（t·hm-2）和死亡有机质碳密度（t·hm-2）；S为生态系统类型面积（hm2）；n为生态系统类型数量[7], 本研究n为6.
根据相关研究整理得到6类生态系统类型的碳密度[35~39]. 由于受到气候和土壤等因素的影响, 碳密度会发生变化, 所以需要利用气候条件对碳密度进行修正. 年降水量与生物量和土壤碳密度的关系采用Alam等[40]研究中的公式作为修正降水量因子的公式, 采用Giardina等[41]和陈光水等[42]研究中的公式来修正年均温和生物量碳密度, 计算公式如下：
|
(3) |
|
(4) |
|
(5) |
式中, CSP为根据年降水量得到的土壤碳密度（Mg·hm-2）；P为年均降水量（mm）, 全国和黄河流域的年降水量分别为630 mm和490.5 mm；CBP和CBT分别为根据年降水量和年均温得到的生物量碳密度（Mg·hm-2）, T为年均气温（℃）, 全国和黄河流域的年均温分别为9 ℃和9.6 ℃.
|
(6) |
|
(7) |
|
(8) |
|
(9) |
式中, KBP为生物量碳密度降水因子修正后系数, KBT为气温因子修正后系数；经黄河流域与全国尺度的年降水量修正的生物量碳密度用C΄BP和C″BP表示；通过年均温修正得到的代表黄河流域与全国尺度的生物量碳密度数据和土壤碳密度数据分别为C'BT、C'BP和C″BT、C″BP；由以上公式推算得生物量碳密度修正系数KB = 0.482 4, 土壤碳密度修正系数KS = 0.922 8, 经修正后得到的黄河流域不同生态系统所对应的4大碳库具体碳密度如表 1.
|
表 1 黄河流域各生态系统类型的碳密度/t·hm-2 Table 1 Carbon density of different land use types in the Yellow River Basin /t·hm-2 |
1.3.2 PLUS模型
PLUS模型是在FLUS和OS-CA等模型的基础上通过解决前人无法克服的问题而不断完善发展起来的斑块形成土地利用变化模拟软件, 可对土地利用扩张驱动因素进行挖掘, 并用来预测未来土地利用景观的斑块级演化. 本研究基于2005年生态系统类型数据, 结合PLUS模型中土地利用扩张分析策略模块（LEAS）生成的发展潜力数据预测2020年的生态系统类型数据. 利用Kappa系数和FOM系数将2020年的真实值与预测值进行精度对比验证（图 2）, 其中Kappa=0.85, 总体精度为0.90, 说明整体精度高, 具有高度可靠性和可信度, 可以提升决策能力. 因此, 利用2005~2020年的发展潜力数据以15 a间隔对2035年的生态系统进行多情景模拟, 可行性较高.
|
图 2 2020年黄河流域生态系统类型分布真实值和预测值的对比 Fig. 2 Comparison of the true and predicted values of ecosystem type distribution in the Yellow River Basin in 2020 |
情景设置：为保障当前社会的粮食安全, 划定了明确的耕地保护红线, 而生态环境的持续改善也需要退耕还林（草）成果的继续巩固, 因此, 正确处理耕地保护与生态退耕两者之间的关系变得至关重要. 为给退耕还林（草）工程在黄河流域的合理调控提供数据支撑, 设置自然发展和不同退耕情景进行对比分析（表 2）, 退耕情景中山东作为退耕还林（草）工程未涉及区域仅对生态用地进行保护.
|
|
表 2 情景模拟设置 Table 2 Scenario simulation settings |
2 结果与分析 2.1 黄河流域生态系统类型时空演变特征
通过计算黄河流域退耕还林（草）工程实施前（1990~2000年）、退耕还林（草）第1轮工程的初期、中期和后期以及第2轮工程的3个阶段6个时期各生态系统类型的变化率（表 3）. 结果显示, 农田生态系统变化率均呈现负值, 对比2000年工程实施前后, 可以看出工程的实施导致农田面积变化率绝对值变大, 向外转化加快, 因此造成其面积在1990~2020年持续减少46 849.06 km2. 森林生态系统的面积在1990~2020年总体扩张26 610.06 km2, 草地在1990~1995年面积由936 116.50 km2减少到932 534.63 km2, 在1995~2010年期间面积回升至956 712.88 km2, 并在退耕还林（草）工程初期（2000~2005年）变化率达到最大, 说明工程的初步实施导致生态环境得到有效修复与保护. 其他生态系统的面积在1990~2010年期间持续下降, 在2005~2010年期间面积减少最多, 主要是由于2007年“十一五”对农田面积的要求, 将治理重点转向适宜种植林草的荒地, 导致其他用地在工程实施后面积变化增大, 向林草转出.
|
|
表 3 1990~2020年退耕还林（草）工程实施不同时期的生态系统类型的变化率/% Table 3 Change rate of ecosystem types in different periods of the implementation of the project from 1990 to 2020/% |
从林草转化情况来看（表 4）, 草地生态系统主要由农田和其他生态系统转入, 第1轮退耕还林（草）工程的实施使农田与其他生态系统向草地生态系统转入44 468.88 km2和33 996.5 km2, 第2轮工程主要针对15度以上坡耕地以及严重沙化的耕地进行治理, 因此导致农田转化相对减小. 森林主要由农田和草地转入, 且退耕还林（草）工程的实施使得农田向森林生态系统的转化面积大大增加, 转化面积为6 698.31 km2, 而草地在第1轮工程实施期间向森林的转化相对较少, 但始终是森林生态系统的主要转化来源（占转入面积的70%以上）. 总之, 第1轮退耕还林（草）工程的实施使得森林、草地生态系统面积得到有效扩张, 而第2轮工程的实施有效增加了林地面积, 两轮退耕还林（草）工程为生态环境的修复工作带来重要贡献, 改善了生态环境的恶化趋势.
|
|
表 4 1990~2020年黄河流域退耕还林（草）工程实施前后林草转化情况/km2 Table 4 Forest and grass transformation before and after the Grain for Green project to forest in the Yellow River Basin from 1990 to 2020/km2 |
从生态系统类型空间分布情况来看（图 3）, 黄河流域在退耕还林（草）工程实施前（1990年）、第1轮工程结束时期（2015年）和第2轮工程结束时期（2020年）的生态系统类型均以草地（47%左右）、其他（24%左右）和农田（18%左右）生态系统为主, 各年份中3类生态系统总占比为88%左右. 黄河上游以草地和其他生态系统为主, 各年份占比均在54%和33%左右. 黄河中游生态状况较好, 以农田、森林和草地生态系统占比最多. 黄河下游以农田生态系统为主, 1990~2020年占比由79.87%减少到2020年的69.00%. 空间变化上看, 农田生态系统在黄河流域中下游均减少, 其中黄河下游最为明显, 部分被城镇生态系统所占用；森林生态系统面积在退耕还林（草）工程实施后得到有效扩张, 到2020年上中下游分别增加74.47、181.21和10.37 km2；草地生态系统在下游一直在缩减, 而在上游和中游地区面积均呈现先增后减趋势.
|
图 3 两轮退耕还林（草）工程实施前后黄河流域生态系统类型分布 Fig. 3 Distribution of ecosystem types in the Yellow River Basin before and after the implementation of the two rounds of the Grain for Green project |
整个黄河流域1990、2000、2015和2020年总碳储量分别为257.58×108、258.25×108、259.58×108和258.11×108 t, 从整体来看, 2015年和2020年碳储量分别增加2.13×108 t和0.53×108 t. 对黄河流域各类生态系统占比进行分析（表 5）, 草地、农田和森林生态系统的碳储量为黄河流域的主要碳储量来源, 发挥重要碳汇作用；在工程实施后, 退耕还林还草导致了2015年和2020年森林生态系统碳储量碳汇能力的增加, 碳储量占比升高. 而农田生态系统虽然碳储量占比在减少, 但依旧是黄河流域碳的一大重要储存系统. 因此, 在各类生态系统变化过程中, 农田、草地以及森林生态系统的转出对碳储量会产生巨大影响. 对黄河流域1990~2000年（工程实施前）、2000~2015年（第1轮工程实施期间）和2015~2020年（第2轮工程实施期间）碳储量的空间变化进行分析（图 4）. 利用ArcGIS中的符号系统进行分级：> 0 t·hm-2为碳储量增加区域（碳汇区）；等于0 t·hm-2为碳储量保持不变区域（碳平衡区）；< 0 t·hm-2为碳储量减少区域（碳源区）. 从1990~2020年碳储量总体变化来看, 碳平衡区占总区域的50.22%以上, 碳汇区和碳源区分别占23.83%和25.94%, 相比较来说碳储量不变的区域占比较多. 从空间分布来看, 碳平衡区多集中在黄河流域上游, 且碳汇区碳源区大多位于黄河中下游. 总之, 工程实施导致黄河流域碳储量的空间变化复杂化, 区域间碳储量转化变多.
|
|
表 5 黄河流域各类生态系统的碳储量占比/% Table 5 Proportion of carbon storage in various ecosystems in the Yellow River Basin/% |
|
图 4 1990~2020年黄河流域碳储量空间变化 Fig. 4 Spatial changes of carbon storage in the Yellow River Basin from 1990 to 2020 |
而对黄河流域退耕还林（草）工程实施区域1990~2020年逐年的总碳储量以及4大碳库的碳储量值进行分析（图 5）, 得出1990、2000、2015和2020年的总碳储量分别是216.44×108、217.19×108、219.31×108和218.59×108 t, 分别占整个黄河流域碳储量的84.02%、84.10%、84.48%和84.68%, 工程实施后碳储量占比明显上升, 相比于未实施时碳储量值增加2.87×108 t和2.15×108 t. 自1999年第1轮工程实施以来总碳储量值呈现波动上升趋势, 至2009年碳储量达到峰值219.47×108 t. 第1轮工程实施后期（2010~2015年）以及第2轮工程实施期间碳储量值波动下降, 尤其在第2轮工程实施期间直线下降, 并在2020年达到该时期最低值, 是由于高固碳潜力的草地生态系统面积减少, 并大部分转化为低碳密度的城镇, 导致该时段内碳储量出现逐年下降现象. 从整体来看, 两轮工程的实施均增强了生态系统碳汇能力, 而第1轮工程在提升生态系统固碳能力方面更突出. 4大碳库碳储量在1990~2020年基本上呈现波动上升又波动下降趋势, 与总碳储量变化趋势基本一致, 地上及地下碳库也在2009年时达到碳储量峰值, 死亡有机质碳库以及土壤碳库的峰值出现在第2轮工程（2015~2020年）实施时段, 主要跟该研究时间段内退耕还林（草）工程导致碳密度相对较低的耕地向高碳密度的林草转化加快有关, 另外, 由于工程中同时进行封山育林以及宜林荒山造林使得植被覆盖度增大, 也对碳储量的提高有较大的提升作用. 土壤碳储量作为生态系统总体碳储量的主要贡献者, 在各个年份中占比始终在62.40%左右, 死亡有机质的碳储量贡献最小, 占比基本在1.90%左右. 因此, 黄河流域继续巩固实施退耕还林（草）工程可有利于推动黄河流域的水土保持工作以及国土绿化进程, 同时加强生态修复, 从而增加植被多样性以及增强生态系统碳汇功能.
|
图 5 1990~2020年黄河流域退耕还林（草）工程实施区域4大碳库的碳储量以及总碳储量值变化 Fig. 5 Changes in carbon storage in the four major carbon pools in the Yellow River Basin from 1990 to 2020 |
空间上, 1990~2020年黄河流域工程实施区域生态系统碳储量呈现从东南向西北方向递减的趋势（图 6）, 不同年份的碳储量高低值的分布区域具有相似性. 高值区主要分布在山西全域、陕西中南部、四川阿坝以及甘肃南部等, 以上地区本就以高碳储量的林草为主, 植被覆盖度都比较高, 具有较强固碳能力. 碳储量低值区主要分布在内蒙古的阿拉善盟、青海的海西以及甘肃武威的北部, 这部分区域主要以其他用地以及低覆盖度的草地为主, 其他用地碳储量相对较低, 而草地也以荒漠类草地为主, 导致这部分区域固碳能力较差. 两轮工程实施后可以明显看出黄河流域工程实施区域碳储量高值区向外扩张, 尤其在黄土高原的内蒙古鄂尔多斯和陕西榆林等.
|
图 6 1990~2020年黄河流域退耕还林（草）工程实施区域碳储量的空间分布 Fig. 6 Spatial distribution of carbon storage in the Yellow River Basin from 1990 to 2020 |
对黄河流域退耕还林（草）工程实施的8个省份61个地级市（自治州）区域平均碳密度分布与变化进行分析（表 6）, 各个地级市（自治州）在工程实施以后平均碳密度均有提高. 不同地级市（自治州）在不同年份平均碳密度始终超过18 000.00 t·km-2的为陕西的商洛、宝鸡、甘肃陇南以及河南三门峡, 在两轮退耕还林（草）工程实施以后, 以上城市的平均碳密度均有明显升高, 且陕西的铜川以及晋城平均碳密度由工程实施前的17 563.88 t·km-2和17 887.14 t·km-2升高至18 456.93 t·km-2和18 408.84 t·km-2. 部分城市碳密度仍有所降低, 如河南大部分城市的碳密度在工程实施后降低, 主要是由于河南城市建设用地在工程实施期间有所扩张, 而建设用地的地表多为固碳能力较弱的不透水面, 因此导致平均碳密度降低. 平均碳密度在各个年份均较低的为内蒙古阿拉善盟、甘肃武威以及青海海西, 这部分区域的碳密度均在9 000 t·km-2以下, 主要是该部分地区以其他生态系统广布, 且生态环境极其脆弱, 荒漠化等现象严重, 工程的实施对以上地区的生态有改善作用, 还需针对不同地区的生境实际情况加大生态保护力度.
|
|
表 6 1990~2020年退耕还林（草）工程实施前后61个地级市（自治州）的平均碳密度变化1）/t·km-2 Table 6 Changes in the average carbon intensity of 61 prefecture-level cities (autonomous prefectures) before and after the implementation of the Grain for Green project from 1990 to 2020/t·km-2 |
2.3 黄河流域2035年碳储量的多情景模拟 2.3.1 不同情景下生态系统类型变化特征
根据2035年生态系统类型的模拟结果（图 7和表 7）, 4种情景下农田面积变化最大, 且最明显的为深度退耕情景（减少24 314.19 km2）, 其次为中度退耕情景、自然发展情景和耕地保护情景, 面积分别减少21 342.5、18 836.56和17 369.25 km2；森林生态系统面积变化也较明显, 4个情景下均表现为增加, 且造林面积大小为：深度退耕情景 > 中度退耕情景 > 自然发展情景 > 耕地保护情景, 农田与林地面积变化呈现明显的负相关关系, 深度退耕情景造林16 013.19 km2, 有利于当前“十四五”国家储备林建设的健康发展；草地面积在自然发展情景下退化14 678.1 km2, 3种退耕情景中草地面积均发生扩张, 其中中度退耕情景的草地面积增加最多, 为18 573.31 km2, 耕地保护情景下的草地面积增加最少, 仅增加1 606.19 km2, 几种退耕情景对于当前“十四五”时期草地的退化修复起到极大促进作用. 水体与湿地作为生态系统中较为重要的一类, 2035年除中度发展情景外均对其起到一定保护作用. 城镇生态系统在各情景下均发生扩张, 自然发展情景在黄河下游增加最为明显. 总之, 耕地保护情景能够最大程度避免农田大面积的退化, 同时也保证森林、草地以及水体与湿地3类生态系统的建设, 深度退耕情景是未来退耕还林（草）实施方案的最优参考, 对生态用地的保护作用最大. 未来黄河流域可以在深度退耕情景和耕地保护情景的基础上, 对退耕还林（草）工程的新一轮实施进行优化调整, 加大对耕地保护以及对生态的修复力度, 从而促进人类社会发展与生态环境的协调发展.
|
图 7 2035年黄河流域多情景下生态系统类型模拟分布 Fig. 7 Simulated distribution of ecosystem types under multiple scenarios in the Yellow River Basin in 2035 |
|
|
表 7 黄河流域2020年和2035年不同情景下生态系统类型面积对比/km2 Table 7 Comparison of ecosystem types and areas in the Yellow River Basin under different scenarios in 2020 and 2035/km2 |
2.3.2 不同情景下碳储量演变特征
利用PLUS模型对黄河流域2035年4种情景下的碳储量进行预测, 结果表明, 2035年自然发展、深度退耕、中度退耕以及耕地保护情景下的总碳储量分别为257.42×108、259.63×108、260.97×108和258.93×108 t, 其中碳储量最低的情景为自然发展情景, 且相比于2020年该情景的碳储量降低0.83×108 t, 其余3种情景分别增加1.37×107、2.72×107和0.68×107 t. 自然发展情景下碳储量降低主要是由于部分高碳储量的农田森林草地在发展过程中被低碳密度的城镇生态系统所占用, 从而致使2035年总体碳储量降低. 其余3种情景对高碳储量的生态用地进行保护并限制城镇生态系统向其扩张, 因此固碳能力得到有效提升, 增加总体碳储量. 从碳储量及生态用地保护情况综合来看, 深度退耕情景为4种情景中生态系统修复及固碳最优情景, 该情景对具有高固碳能力的生态用地起到最大保护作用.
利用GeoDa对碳储量空间分布进行空间自相关分析, 全局空间自相关分析数据显示, 各个情景的莫兰指数分别为0.945、0.946、0.945和0.947, p值均小于0.05, 说明空间上的碳储量具有较强的空间正相关性, 存在聚集趋势. 在此基础上对4种情景下碳储量进行局部空间自相关分析（图 8）, 空间上碳储量的集聚趋势在各个情景具有相似性. 碳储量高-高聚集类型区（热点区）主要在黄河中游极大部分地区以及上游的阿坝、甘南、陇南、固原和西宁等地区, 原因在于该部分地区地类以高碳密度的林木、农田和草地为主, 植被覆盖也较高, 为重要的碳汇区域. 低-低聚集类型区（冷点区）主要在黄河上游出现聚集现象, 重点在阿拉善盟、海西大部以及黄土高原地区集聚, 这部分地区以其他生态系统为主, 碳储量较低, 因此出现低碳储量值区域之间相邻的现象. 其余地区只有极少部分区域（0.20%的区域）出现低-高聚集以及高-低聚集现象, 大部分区域（54%左右区域）集聚趋势不显著. 因此, 在上游可以对三江源的山水林田等生态要素进行保护, 扩大森林覆盖度, 实施退耕还林和退牧还草, 并对草原退化问题进行治理等；中游重点治理黄土高原水土流失并对天然林进行保护, 施行各种措施对中游植被进行建设；对黄河下游建设生态绿色走廊, 这些措施均有助于增强黄河流域生态系统未来碳汇能力.
|
图 8 2035年黄河流域生态系统碳储量空间自相关分析 Fig. 8 Spatial autocorrelation analysis of ecosystem carbon storage in the Yellow River Basin in 2035 |
本研究表明, 黄河流域以及工程实施区域生态系统碳储量在1990~2020年呈现先增后减趋势, 两轮退耕还林（草）工程相比, 第1轮工程实施期间对生态系统固碳的贡献最大, 但总体上退耕还林还草产生了可观的碳汇效益, 这与李海萍等[44]对贵州省退耕还林还草工程进行碳汇效益评估产生的结果具有一致性. 土壤碳库作为生态系统碳储量主要贡献者, 其变化对生态系统固碳增汇影响最大. 由于地类转化会造成植被净生产力改变或残留物移除, 也会导致覆被改变, 从而对土壤碳储量造成影响[45]. 另外林地等植被产生的根系脱落物可以提高土壤碳储存[46], 所以退耕还林（草）工程所退还的林地对碳储量有一定提升作用. 未来4种情景下的碳储量的预测中, 自然发展情景碳储量最低, 且相比于2020年降低, 其余3种情景碳储量均增加. 在不同退耕情景下, 耕地保护情景对农田、森林等高碳储量的生态用地进行保护, 从而避免碳储量的巨大损失, 中度退耕情景碳储量最多, 但综合生态用地保护情况与固碳能力, 深度退耕情景为最优情景. 有学者研究碳储量相关课题时得出类似结论, 如邵壮等[9]对北京市生态系统的碳储量进行了研究, 预测得出2030年自然演变情景下碳储量减少, 绿色节约生态保护情景对水域、耕地、草地等地类起到极大保护作用. 崔写等[47]对黄土高原草原碳储量进行研究, 得出各情景下草原生态系统碳储量减少. 因此, 黄河流域未来发展可以继续加强生态环境治理与修复力度, 在“三区三线”基础上调整退耕还林（草）工程实施方案, 以改善黄河流域生态退化问题, 提高生态系统固碳能力.
3.2 不确定性分析与展望本文利用InVEST模型以及PLUS模型对历史、现在以及未来的碳储量进行估算和预测, 在模型估算中存在较多不确定性. 一是PLUS模型模拟的不确定性. 利用PLUS模型来预测未来不同情景下的生态系统类型数据具有一定主观性, 由于本研究各数据分辨率为250 m, 数据处理难度相对较高, 为达到所需预测精度, PLUS模型中的过渡矩阵、领域权重和转移概率等参数设置需要人为调整. 二是输入至InVEST模型的碳密度数据的不确定性. 全国碳密度数据主要来自前人[35~39]对各个生态系统类型的研究结果, 本研究在此数据基础上结合黄河流域气候降水修正后得到所需碳密度, 也有部分数据采用研究区附近[48, 49]研究数据, 但是由于人类活动以及环境变化会导致碳密度发生一定的动态变化, 因此也会造成一定误差, 今后会考虑结合实测数据进行深入研究. 另外, InVEST模型仅仅对不同生态系统类型数据的碳储量进行估算, 但是并未考虑同一种生态系统类型内部之间存在植被年龄和生长状况差异所导致的固碳功能的不同, 因此估算结果也存在不确定性. 三是由于模型对数据精度限制, 导致所选择的发展潜力的驱动因素并不够全面, 只考虑到自然因素和社会经济因素等, 并未结合黄河流域所实施的各种政策, 因此今后研究会在驱动因素中纳入相关政策, 再进行定量化研究.
4 结论（1）1990~2020年黄河流域均以草地、其他和农田为主要生态系统类型, 三者总量占研究区总面积的88%左右. 在工程实施期间, 草地主要由农田和其他生态系统转入, 森林主要由农田和草地生态系统转入. 两轮工程结束后, 森林生态系统扩张了26 610.06 km2, 农田面积缩减46 849.06 km2, 草地生态系统在1轮工程实施后增加19 424.56 km2, 总体上, 工程的实施有效扩大了生态系统的林草面积. 空间上, 黄河上游以草地和其他生态系统分布为主, 黄河中游主要以农田、森林和草地生态系统分布为主, 黄河下游以农田生态系统为主.
（2）1990~2020年黄河流域以草地、森林和农田生态系统为主要碳储量库, 三者碳储量占总碳储量的95%左右, 发挥极重要碳汇能力；在工程实施后, 森林生态系统碳储量碳汇能力有所增加；从空间分布来看, 碳平衡区多集中在黄河流域上游, 碳汇区碳源区大多位于黄河中下游.
（3）1990~2020年退耕还林（草）工程实施区域总碳储量以及四大碳库均呈现先增后减的变化趋势, 其中, 总碳储量在工程实施至2009年时达到峰值219.47×108 t, 在2010~2020年由于草地生态系统的缩减导致碳储量值波动下降, 使2020年达到10 a中最低值, 总体上, 两轮工程的实施分别使碳储量增加了2.87×108 t和2.15×108 t. 四大碳库中, 土壤碳库是生态系统碳储量的主要贡献者, 死亡有机质碳库的贡献最小. 空间上, 碳储量高值区主要分布在林草密集的山西全域、陕西中南部、四川阿坝以及甘肃南部等, 碳储量低值区主要分布在内蒙古阿拉善盟、青海海西以及甘肃武威的北部等, 陕西商洛为平均碳密度最高的地级市, 内蒙古阿拉善盟由于其他生态系统广布而成为平均碳密度最低的区域.
（4）2035年4种情景中, 森林以及城镇生态系统面积均比2020年增加, 草地生态系统仅在自然发展情景下发生退化, 耕地保护情景的农田面积减少幅度最小. 未来4种情景的碳储量在除自然发展情景外均得到提高, 分别较2020年增加1.37×107、2.72×107和0.68×107 t, 具有较强的固碳能力, 其中综合生态保护和固碳能力, 最优情景为深度退耕情景. 空间分布上, 碳储量高-高聚集区域主要位于黄河中游多数地区, 为重要碳汇区, 低-低聚集区域大多分布在黄河上游的内蒙古和青海, 空间上均表现出正相关性, 呈现聚集趋势.
| [1] |
朴世龙, 何悦, 王旭辉, 等. 中国陆地生态系统碳汇估算: 方法、进展、展望[J]. 中国科学: 地球科学, 2022, 65(6): 1010-1020. Piao S L, He Y, Wang X H, et al. Estimation of China's terrestrial ecosystem carbon sink: methods, progress and prospects[J]. Science China Earth Sciences, 2022, 65(4): 641-651. |
| [2] |
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, 52(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]. Scientia Sinica Vitae, 2022, 52(4): 534-574. |
| [3] |
徐丽, 何念鹏, 于贵瑞, 等. 基于地面观测的陆地生态系统碳储量多源数据整合方法[J]. 生态学报, 2023, 43(11): 4359-4368. Xu L, He N P, Yu G R, et al. The integrative method of multi-source data on terrestrial ecosystem carbon storage from field observation[J]. Acta Ecologica Sinica, 2023, 43(11): 4359-4368. |
| [4] |
王秋凤, 刘颖慧, 何念鹏, 等. 中国区域陆地生态系统碳收支综合研究的科技需求与重要科学问题[J]. 地理科学进展, 2012, 31(1): 78-87. Wang Q F, Liu Y H, He N P, et al. Demands and key scientific issues in the synthesis research on regional terrestrial ecosystem carbon budget in China[J]. Progress in Geography, 2012, 31(1): 78-87. |
| [5] | Shevliakova E, Stouffer R J, Malyshev S, et al. Historical warming reduced due to enhanced land carbon uptake[J]. Proceedings of the National Academy of Sciences of the United States of America, 2013, 110(42): 16730-16735. |
| [6] |
杜怀玉, 俞金凤, 张媛, 等. 石羊河流域多情景土地利用优化及碳储量评估[J]. 环境科学, 2024, 45(7): 4164-4176. Du H Y, Yu J F, Zhang Y, et al. Land use optimization and carbon reserve assessment in Shiyang River Basin[J]. Environmental Science, 2024, 45(7): 4164-4176. |
| [7] |
石晶, 石培基, 王梓洋, 等. 基于PLUS-InVEST模型的酒泉市生态系统碳储量时空演变与预测[J]. 环境科学, 2024, 45(1): 300-313. Shi J, Shi P J, Wang Z Y, et al. Spatial-temporal evolution and prediction of carbon storage in Jiuquan City ecosystem based on PLUS-InVEST model[J]. Environmental Science, 2024, 45(1): 300-313. |
| [8] |
李子阳, 刘伟, 李春培, 等. 紫色土丘陵区退耕还林对坡地土壤碳氮空间分布的影响[J]. 环境科学, 2024, 45(7): 4206-4217. Li Z Y, Liu W, Li C P, et al. Effects of "Grain for Green" on the spatial distribution of soil carbon and nitrogen in Purple Hilly Area of China[J]. Environmental Science, 2024, 45(7): 4206-4217. |
| [9] |
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. |
| [10] | Maure L A, Diniz M F, Coelho M T P, et al. Biodiversity and carbon conservation under the ecosystem stability of tropical forests[J]. Journal of Environmental Management, 2023, 345. DOI:10.1016/j.jenvman.2023.118929 |
| [11] | Gibbs H K, Ruesch A S, Achard F, et al. Tropical forests were the primary sources of new agricultural land in the 1980s and 1990s[J]. Proceedings of the National Academy of Sciences of the United States of America, 2010, 107(38): 16732-16737. |
| [12] | Mitchard E T A. The tropical forest carbon cycle and climate change[J]. Nature, 2018, 559(7715): 527-534. DOI:10.1038/s41586-018-0300-2 |
| [13] | Favero A, Daigneault A, Sohngen B. Forests: Carbon sequestration, biomass energy, or both?[J]. Science Advances, 2020, 6(13). DOI:10.1126/sciadv.aay6792 |
| [14] | Smith P, Davis S J, Creutzig F, et al. Biophysical and economic limits to negative CO2 emissions[J]. Nature Climate Change, 2016, 6(1): 42-50. DOI:10.1038/nclimate2870 |
| [15] | Wang Y L, Wang X H, Wang K, et al. The size of the land carbon sink in China[J]. Nature, 2022, 603(7901): E7-E9. DOI:10.1038/s41586-021-04255-y |
| [16] | Ma Y Q, Huang L, Li J H, et al. Carbon potential of China's Grain to Green Program and its contribution to the carbon target[J]. Resources, Conservation and Recycling, 2024, 200: 107272. DOI:10.1016/j.resconrec.2023.107272 |
| [17] |
衣鹏慧, 吴会峰, 胡保安, 等. 黄土高原地区退耕还林后土壤有机碳储量变化特征及影响因素[J]. 生态学报, 2023, 43(24): 10054-10064. Yi P H, Wu H F, Hu B A, et al. Variation characteristics and influencing factors of soil organic carbon storage after returning Farmland to Forest on the Loess Plateau[J]. Acta Ecologica Sinica, 2023, 43(24): 10054-10064. |
| [18] | Li Y G, Liu W, Feng Q, et al. Effects of land use and land cover change on soil organic carbon storage in the Hexi regions, Northwest China[J]. Journal of Environmental Management, 2022, 312. DOI:10.1016/j.jenvman.2022.114911 |
| [19] |
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. |
| [20] |
何青松, 蒋旭. 耕地占补面积时空变化对碳储量的影响测度——以湖北省为例[J]. 生态学报, 2023, 43(24): 10413-10429. He Q S, Jiang X. Measuring impacts of temporal and spatial changes of cultivated land on carbon storage: a case study of Hubei Province[J]. Acta Ecologica Sinica, 2023, 43(24): 10413-10429. |
| [21] |
姚楠, 刘广全, 姚顺波, 等. 基于InVEST模型的黄土丘陵沟壑区退耕还林还草工程对生态系统碳储量的影响评估[J]. 水土保持通报, 2022, 42(5): 329-336. Yao N, Liu G Q, Yao S B, et al. Evaluating on effect of conversion from farmland to forest and grassland porject on ecosystem carbon storage in Loess Hilly-gully Region based on InVEST model[J]. Bulletin of Soil and Water Conservation, 2022, 42(5): 329-336. |
| [22] | 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: 123333. DOI:10.1016/j.jclepro.2020.123333 |
| [23] |
张学儒, 周杰, 李梦梅. 基于土地利用格局重建的区域生境质量时空变化分析[J]. 地理学报, 2020, 75(1): 160-178. Zhang X R, Zhou J, Li M M. Analysis on spatial and temporal changes of regional habitat quality based on the spatial pattern reconstruction of land use[J]. Acta Geographica Sinica, 2020, 75(1): 160-178. |
| [24] |
王志远, 吴凡, 万鼎, 等. 多情景模拟区域土地利用变化对碳储量的影响[J]. 中国环境科学, 2023, 43(11): 6063-6078. Wang Z Y, Wu F, Wan D, et al. Multi-scenario simulation of the impact of regional land use change on carbon reserve[J]. China Environmental Science, 2023, 43(11): 6063-6078. DOI:10.3969/j.issn.1000-6923.2023.11.043 |
| [25] |
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. |
| [26] |
顾汉龙, 马天骏, 钱凤魁, 等. 基于CLUE-S模型县域土地利用情景模拟与碳排放效应分析[J]. 农业工程学报, 2022, 38(9): 288-296. Gu H L, Ma T J, Qian F K, et al. County land use scenario simulation and carbon emission effect analysis using CLUE-S model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(9): 288-296. DOI:10.11975/j.issn.1002-6819.2022.09.032 |
| [27] |
杨宇萍, 胡文敏, 贾冠宇, 等. 基于InVEST与ANN-CA模型的环洞庭湖区土地利用碳储量情景模拟[J]. 南京林业大学学报(自然科学版), 2023, 47(4): 175-184. Yang Y P, Hu W M, Jia G Y, et al. Scenario simulation integrating the ANN-CA model with the InVEST model to investigate land-based carbon storage in the Dongting Lake area[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2023, 47(4): 175-184. |
| [28] | 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 |
| [29] |
于芝琳, 赵明松, 高迎凤, 等. 基于InVEST-PLUS模型的淮北市碳储量时空演变及预测[J]. 环境科学, 2024, 45(6): 3270-3283. Yu Z L, Zhao M S, Gao Y F, et al. Spatio-temporal evolution and prediction of carbon storage in Huaibei City based on InVEST-PLUS model[J]. Environmental Science, 2024, 45(6): 3270-3283. DOI:10.3969/j.issn.1000-6923.2024.06.033 |
| [30] |
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. |
| [31] |
高新才, 韩雪. 黄河流域碳排放的空间分异及影响因素研究[J]. 经济经纬, 2022, 39(1): 13-23. Gao X C, Han X. Study on the spatial differentiation and influencing factors of carbon emissions in the Yellow River Basin[J]. Economic Survey, 2022, 39(1): 13-23. |
| [32] |
张可云, 张颖. 不同空间尺度下黄河流域区域经济差异的演变[J]. 经济地理, 2020, 40(7): 1-11. Zhang K Y, Zhang Y. The evolution of regional economic disparity in the Yellow River Basin at different spatial scales[J]. Economic Geography, 2020, 40(7): 1-11. |
| [33] |
徐新良, 刘纪远, 张增祥, 等. 中国5年间隔陆地生态系统空间分布数据集(1990-2010)内容与研发[J]. 全球变化数据学报, 2017, 1(1): 52-59. Xu X L, Liu J Y, Zhang Z X, et al. A time series land ecosystem classification dataset of China in five-year increments (1990-2010)[J]. Journal of Global Change Data & Discovery, 2017, 1(1): 52-59. |
| [34] |
边蕊, 赵安周, 刘宪锋, 等. 关中平原城市群土地利用变化对碳储量的影响[J]. 环境科学, 2024, 45(6): 3260-3269. Bian R, Zhao A Z, Liu X F, et al. Impact of land use change on carbon storage in urban agglomerations in the Guanzhong Plain[J]. Environmental Science, 2024, 45(6): 3260-3269. |
| [35] |
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. |
| [36] |
方精云, 杨元合, 马文红, 等. 中国草地生态系统碳库及其变化[J]. 中国科学: 生命科学, 2010, 53(7): 566-576. Fang J Y, Yang Y H, Ma W H, et al. Ecosystem carbon stocks and their changes in China's grasslands[J]. Science China Life Sciences, 2010, 53(7): 757-765. |
| [37] |
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, 50(6): 804-812. Fang J Y, Guo Z D, Piao S L, et al. Terrestrial vegetation carbon sinks in China, 1981–2000[J]. Science in China Series D: Earth Sciences, 2007, 50(9): 1341-1350. |
| [38] |
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. |
| [39] |
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 K. Vegetation and soil carbon storage in China[J]. Science in China Series D Earth Sciences, 2004, 47(1): 49-57. |
| [40] | 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. |
| [41] | Giardina C P, Ryan M G. Evidence that decomposition rates of organic carbon in mineral soil do not vary with temperature[J]. Nature, 2000, 404(6780): 858-861. |
| [42] |
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. |
| [43] |
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. |
| [44] |
李海萍, 李定恒, 李豪. 贵州省退耕还林还草潜在碳汇效益评估[J]. 生态学报, 2022, 42(23): 9499-9510. Li H P, Li D H, Li H. Evaluation of potential carbon sink benefits of Grain for Green Project in Guizhou Province[J]. Acta Ecologica Sinica, 2022, 42(23): 9499-9510. |
| [45] |
彭云峰, 常锦峰, 赵霞, 等. 中国草地生态系统固碳能力及其提升途径[J]. 中国科学基金, 2023, 37(4): 587-602, 1-3. Peng Y F, Chang J F, Zhao X, et al. Grassland carbon sink in China and its promotion strategies[J]. Bulletin of National Natural Science Foundation of China, 2023, 37(4): 587-602, 1-3. |
| [46] |
童荣鑫, 梁迅, 关庆锋, 等. 2000—2020年中国陆地土壤碳储量及土地管理碳汇核算[J]. 地理学报, 2023, 78(9): 2209-2222. Tong R X, Liang X, Guan Q F, et al. Estimation of soil carbon storage change from land use and management at a high spatial resolution in China during 2000-2020[J]. Acta Geographica Sinica, 2023, 78(9): 2209-2222. |
| [47] |
崔写, 董燕, 张露尹, 等. 基于SSP-RCP情景的黄土高原土地变化模拟及草原碳储量[J]. 环境科学, 2024, 45(5): 2817-2827. Cui X, Dong Y, Zhang L Y, et al. Land change simulation and grassland carbon storage in the Loess Plateau based on SSP-RCP scenarios[J]. Environmental Science, 2024, 45(5): 2817-2827. |
| [48] |
包玉斌, 李婷, 柳辉, 等. 基于InVEST模型的陕北黄土高原水源涵养功能时空变化[J]. 地理研究, 2016, 35(4): 664-676. Bao Y B, Li T, Liu H, et al. Spatial and temporal changes of water conservation of Loess Plateau in northern Shaanxi Province by InVEST model[J]. Geographical Research, 2016, 35(4): 664-676. |
| [49] |
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. |