2024, Vol. 45
2. 浙江师范大学卫星遥感与环境灾害研究中心, 金华 321004
2. Remote Sensing and Environmental Disaster Research Center, Zhejiang Normal University, Jinhua 321004, China
生态系统通过碳封存等方式实现气候的稳定, 成为区域生态可持续发展的前提[1]. 工业革命以来, 人类经济活动尤其是城市化暴露了诸多生态环境问题, 陆地生态系统碳库遭到严重破坏, 我国的部分区域出现陆地碳流失[2]. 随着环境问题的日益严重, 国际上开始关注碳排放对环境造成的负面影响, 这已成为一项重要的任务. 我国提出“双碳”计划, 即在2030年前实现“碳达峰”, 力争“碳中和”于2060年[3]. 土地利用方式的改变会导致土地上植被类型和土壤中碳的储存能力发生变化, 进而导致陆地生态系统中的碳排放增加[4]. 通过对土地利用和碳储量两者之间的关系进行研究, 可为自然资源管理和生态决策提供重要的指导, 推动中国城市建设的可持续发展[5].
目前, 国内外诸多学者开展了大量关于生态系统碳储量方面的研究[6~10]. 相关研究所采用的方法大致可以分为3类：①基于实地调查开展碳储量估算方法, 通过建立研究区多个样地, 对不同土地类型、地貌类型和土壤类型下的植被信息进行采样调查, 估算该区域的生物量和碳储量, 从而分析土地利用变化或自然要素变化对生态系统碳储量及生物多样性的影响[7, 11]. 该方法可以准确地获取第一手碳储量观测资料, 能够有效地开展人类活动及自然环境变化对碳储量影响的监测与分析, 但往往受限于区域范围, 难以大尺度实施和开展；②基于遥感技术开展碳储量估算, 基于无人机和卫星平台, 利用机载LiDAR和三维成像扫描等技术, 开展区域或单一植被类型的识别与碳储量估算[8, 12]. 基于遥感开展碳储量估算的方法具有大范围、高时效等优点, 但由于不同遥感平台数据的时间和空间分辨率不同, 对同一区域的碳储量估算可能存在较大差距；③基于模型的生态系统碳储量估算, 近些年, 通过模型模拟的方法开展碳储量测算逐渐发展起来, 并被学者广泛地应用于相关研究中, 如“薄记模型”计算土地利用覆被变化所产生的碳排放情况[13], MCAT-DNDC模型估算碳储量和通量[14]；CASA模型开展土壤碳循环与生态系统碳库的分析等[15].
在众多模型中, InVEST模型因为操作简单且空间可视化程度高等优点在区域碳储量及其时空分布特征的评估研究中得到了广泛应用[16~20]. 该模型是由美国斯坦福大学、TNC和世界自然基金会于2007年联合开发, 能够模拟不同土地覆被情景下生态服务系统物质量和价值量的变化, 实现生态系统服务功能价值定量评估的空间化. 诸多学者利用此模型对陆地生态系统碳储量开展了大量研究, 有学者基于历史土地利用变化, 结合碳密度计算, 开展区域碳储量时空变化特征的分析[19, 21, 22]. 也有学者通过耦合InVEST模型与土地利用预测模型, 包括PLUS、CA-ANN和WOA-LSTM等, 开展未来土地利用预测模型及其影响下的碳储量时空变化分析[23~26]. 如杜怀玉等[27]利用甘肃省石羊河流域三期土地利用数据, 结合InVEST和PLUS模型, 对该流域内多种发展情景下的土地利用和碳储量变化进行估算研究, 并对其时空变化的原因进行了分析；Wang等[28]通过耦合InVEST模型、CA-ANN模型以及WOA-LSTM模型, 预测了广州市城市土地利用变化及其对碳储量和地表温度的影响. 相关的研究能够很好地揭示碳储量时空演变规律及未来的发展趋势, 侧重于碳储量时间和空间上的变化以及碳价值定量分析等方面[29], 对于自然要素、社会经济要素及其相互耦合作用对碳储量变化的影响量化分析还有待加强.
浙中地区地处长三角, 经济活力高, 是浙江省重点生态功能区和自然保护区、生态安全屏障的重点保护区域, 也是钱塘江河流生态廊道的重要组成部分. 近年来浙中地区城市化进程不断加快, 同时气候变化程度不断加剧, 在自然和人类活动共同影响下, 区域生态系统发生显著变化. 本文基于土地利用变化特征分析, 开展未来土地利用模拟, 探究土地利用变化背景下浙中地区碳储量演变特征, 并分析自然和人类活动要素对碳储量时空分异的影响, 以期为该地区未来的国土空间规划以及生态安全提供科学参考, 也为全国其他地区建立可持续发展模式, 早日实现“碳达峰”、“碳中和”等提供思路.
1 材料与方法 1.1 研究区概况浙中地区（图 1）包括金华市全境, 丽水市缙云县, 衢州市龙游县, 绍兴市诸暨市, 总面积约1.36万km2, 人口约有610万[30].
|
图 1 浙中地区地理位置示意 Fig. 1 Geographical location map of central Zhejiang |
浙中地区属亚热带季风气候, 雨热同期, 易发生旱涝灾害. 该地区作为钱塘江流域的重要组成部分, 发挥着生态防护、多样性保护和景观休闲等综合生态功能作用, 也是浙江省生态安全屏障的重点保护区域. 但随着浙中地区城市化、工业化速度的加快, 其土地利用格局发生了重大改变, 生态安全面临巨大挑战.
1.2 研究框架本研究通过对1980~2020年5期土地利用数据进行分析, 得到了该研究区40年间土地利用演变规律. 利用InVEST模型, 对1980~2020年浙中地区陆地碳储量进行时空特征分析. 基于GeoSOS模型, 模拟自然发展和生态保护两种社会经济发展情景下2030年浙中地区土地利用, 分析2030年陆地生态系统碳储量分布特征, 开展未来生态系统碳储量时空变化特征模拟及影响因素分析. 具体技术路线如图 2所示.
|
图 2 技术路线 Fig. 2 Technology roadmap |
本研究涉及的数据主要包括土地利用数据、土地利用模拟驱动因子数据和时空分异规律影响因子数据等, 包括自然要素、社会经济要素和空间可达性等维度. 数据主要来源于中国科学院资源环境科学与数据中心（www.resdc.cn/）、地理空间数据云、美国国家航空航天局（NASA）、Open street map（OSM）和统计年鉴等, 具体来源如表 1所示. 为确保数据同步性, 对以上数据进行重采样, 统一分辨率为100 m×100 m, 地理坐标为GCS_Krasovsky_1940.
|
表 1 土地利用驱动因子数据 Table 1 Land use driving factor data |
1.4 研究方法 1.4.1 土地利用动态度
土地利用动态度反映了一个地区某种土地利用类型的变化速率, 其公式为：
|
式中, Sb表示研究末期该土地利用类型的面积, Sa表示研究初期该土地利用类型的面积, t表示时间间隔. 而K则表示该土地利用类型的动态度, 若K大于零, 则表明该土地利用类型面积增加, 反之为减少. |K|越大, 说明其扩张（萎缩）速度越快.
1.4.2 碳储量的计算（1）基于InVEST模型的生态系统碳储量评估 本研究利用InVEST模型中的Carbon Storage and Sequestration模块对浙中地区陆地生态系统碳储量变化进行模拟. 陆地生态系统的碳库可分为四大类：地上植被碳库、地下植被碳库、土壤碳库和死亡有机碳库[31]. 碳储量计算公式为：
|
(1) |
|
(2) |
式中, i表示特定的用地分类；Ci-above表示土地利用类型i中地表植物的碳密度（单位：t·hm-2）；Ci-below表示土地利用类型i下地下植物的碳密度；Ci-soil表示土地利用类型i下的土壤碳密度；Ci-dead表示土地利用类型i死亡有机质碳碳密度；Ctot表示生态系统所累积的碳储量；Ci表示该土地利用类型i的碳密度. 土地利用类型i的面积可以用Ai来表示（单位：hm2）. n表示土地利用类型的数量, 包括耕地、林地、草地、水域、建设用地和未利用地.
（2）碳密度修正与计算 通过查阅文献获取全国水平不同土地类型的植被、土壤碳密度数据, 代入修正公式, 得到研究区的碳密度. 年降水量与生物量和土壤密度的关系采用Alam等[32]的研究结果, 年均温与生物量碳密度的关系借鉴Giardina和陈光水等[33]的研究. 有研究表明, 气温并不是影响土壤碳密度的主要因素, 而降水却对其有显著的影响, 因此本研究仅关注降水对土壤碳密度的影响.
|
(3) |
|
(4) |
|
(5) |
式中, CSP表示根据年降水量所得出的土壤碳密度（kg·m-2）, 而CBP和CBT则分别表示根据年降水量和年均温得到的生物量碳密度（kg·m-2）. 同时, MAP表示年平均降水量（mm）, 而MAT则表示年平均气温（℃）.
采用公式（6）~（8）, 将浙中地区和全国的年平均气温以及年平均降水量输入, 得出浙中地区的碳密度修正系数, 即两者之比.
|
(6) |
|
(7) |
|
(8) |
式中, KBP和KBT表示降水因子和气温因子修正系数, 而C'和C″则分别表示浙中地区和全国的碳密度数据. 此外, KB和KS分别表示碳密度修正系数和土壤碳密度的修正系数.
1.4.3 基于GeoSOS-FLUS模型的土地利用预测GeoSOS-FLUS模型是在元胞自动机（CA）基础上开发的, 目前已经被广泛应用在全球、区域等多个尺度的土地利用变化模拟[34]. 该模型主要包括以下方面：基于神经网络算法（ANN）的土地利用类型的适宜性概率计算、邻域因子和基于不同情景下的成本矩阵设置、基于马尔科夫模型的土地转移矩阵计算[35].
（1）邻域因子计算 通过使用Fragstats软件分析景观指数, 获得每种土地利用类型的斑块数量, 计算出2010~2020年土地类型斑块数量相对变化量, 确定最为合适的邻域因子, 计算公式[36]如下：
|
(9) |
式中, X、max和min分别表示相邻两期影像某类土地斑块总面积变化量、最大值和最小值, X*表示邻域因子. 邻域因子参数的取值范围在0~1之间, 数值越接近1, 则表示该土地利用类型的扩张能力越强（表 2）.
|
|
表 2 邻域因子权重 Table 2 Neighborhood factor weights |
（2）未来社会经济发展情景设置 本研究设置两种情景, 分别是自然发展情景和生态保护情景, 以满足不同发展目标下未来土地利用的分析需求.
自然发展情景基于2010~2020年土地利用变化速率以及自然、社会经济、可达性驱动因子, 不考虑政策对土地利用的影响, 运用模型中的马尔可夫模型预测各土地类型未来的规模.
生态保护情景, 考虑“绿水青山就是金山银山”的理念, 突出生态保护修复在国土空间规划中的重要性. 生态保护情景是在自然发展情景基础上, 将林地和草地转入建设用地的概率降低50%, 水域、耕地向建设用地转化的概率减少30%. 在成本矩阵设置方面水域和林地无法转换为其他地类, 草地无法转化为耕地、建设用地和未利用地.
（3）模型模拟精度评价 本研究基于研究区2010年土地利用格局预测2020年土地利用分布情况, 并对比2020年真实土地利用数据, 对模型模拟的性能进行评价.
引入Precision（精确率）、Recall（召回率）以及F1分数对模型的预测精度进行评估. 计算公式如下：
|
(10) |
|
(11) |
式中, 真阳性（tp）表示模型预测出的土地利用类型与实际土地利用类型一致；以耕地预测为例, 假阳性（fp）表示模型预测为耕地, 实际为非耕地；假阴性（fn）表示模型预测为非耕地, 实际为耕地. 理论上, Precision和Recall均越高越好, 但两者是相互矛盾的. 因此根据他们之间的平衡点, 定义F1分数, 即精确率和召回率相互平衡能达到的最大值.
2 历史时期土地利用及碳储量时空特征分析 2.1 土地利用变化分析浙中地区是钱塘江流域重点生态保护区, 各土地利用类型中林地占有面积最大（图 3）.
|
图 3 1980~2020年浙中地区土地类型结构变化 Fig. 3 Changes of land type structure in central Zhejiang from 1980 to 2020 |
2020年面积为10 140.51 km2, 占区域总面积的63.20%；草地从1980年的8.28%降至2020年的2.16%, 尤其是进入2000年后, 草地占比呈断崖式下降. 随着城市建设不断扩张, 建设用地比例不断攀升, 耕地比例则呈下降趋势, 建设用地所占比例从1980年的1.98%上升至2020年的7.63%, 耕地占比从1980年的30.78%降至2020年的25.55%
从土地利用转移情况可以看出, 40年间建设用地扩张最为突出, 面积共增加905.84 km2, 增幅高达289.91%, 其动态度达到7.12%. 建设用地的扩张主要通过耕地和林地的转化, 尤其是耕地. 耕地1980~2020年共减少839.81 km2, 其中93.68%转化为建设用地（图 4）.
|
数值表示面积, 单位：km2 图 4 1980~2020年浙中地区土地利用转移矩阵 Fig. 4 Land use transfer matrix in Central Zhejiang from 1980 to 2020 |
林地面积增加了883.81 km2, 动态度为0.24%, 主要由草地向林地的转入. 40年间草地总计减少980.69 km2, 主要因为封山育林以及近林草地在自然作用下形成林地. 水域和未利用地都未发生较大的变化, 其动态度分别为0.44%和-1.08%. 1980年以来, 浙中地区城市化、工业化、居住区和商业区等的需求日益增加, 推动城市扩张加剧, 伴随而来的是耕地和草地面积的不断减少.
2.2 碳密度计算与验证通过查阅文献资料[37~39]获取全国水平不同土地类型的碳密度数据集, 对于无法直接获取的浙中地区碳密度数据进行本地化修订[参照公式（3）~（8）], 最终得到浙中地区土地类型碳密度表（表 3）. 水域的植被地上碳密度、植被地下碳密度、死亡有机质碳密度极低, 建设用地的土壤碳密度也很低, 上述土地利用类型下的碳密度可忽略不计, 因此记为0.
|
|
表 3 浙中地区土地类型碳密度/t·hm-2 Table 3 Carbon density of land type in central Zhejiang/t·hm-2 |
为验证本研究碳密度计算结果的准确性, 本文对比与浙中地区气候和纬度相似的地区研究结果（表 4）. 本文主要土地利用类型的碳密度值与已有相关研究的偏差在±6%左右, 具有较高的可靠性和精度, 可用于研究区碳储量估算.
|
|
表 4 本研究与现有研究的碳密度对比 Table 4 Comparison of carbon density between this study and existing studies |
2.3 碳储量时空格局分析
基于InVEST模型模拟1980~2020年浙中地区陆地生态系统碳储量, 总体来看, 1980~2020年浙中地区陆地碳储量呈现先增加后减少的趋势. 1980~1990年研究区陆地碳储量增加2.18×104 t, 1990~2020年则显著减少. 尤其是2000~2010年年碳储量总量减少351.18×104 t, 下降幅度最大, 2020年比1980年减少588.88×104 t, 降幅3%（图 5）.
|
图 5 1980~2020年浙中地区陆地碳储量变化 Fig. 5 Changes of terrestrial carbon storage in central Zhejiang from 1980 to 2020 |
从空间分布来看, 1980~2020年浙中地区碳储量的高值区主要分布在浙中边缘区域, 磐安县、缙云县和武义县是浙中地区最大的碳汇区. 高值区大多分布在大面积山地丘陵间, 经济活跃度较小, 地形起伏限制了城市扩张和土地开垦, 植被覆盖率高, 涵养水源、保持水土和固碳能力强. 低值区主要分布在各地区核心城区, 如婺城区的东北部和义乌市的中部地区等. 低值区地形平坦, 以平原盆地为主, 经济发达, 受人类活动影响较大（图 6）.
|
图 6 1980~2020年浙中地区碳储量空间分布 Fig. 6 Spatial distribution of carbon storage in central Zhejiang from 1980 to 2020 |
2000~2020年碳储量变化最主要特征是出现大面积、连片的碳储量减少区, 主要分布在义乌市中部、兰溪市东南部、诸暨市中部和东阳市西部. 碳储量发生显著下降的区域主要是：婺城区北部-金东区-义乌市中部-东阳市西北部、浦江县南部-义乌市北部-东阳市西北部、武义县东北部-永康市中部-东阳市南部3条带状区域所连成的“π”字型区域（图 7）.
|
1980~2000年2000~2020年 图 7 1980~2020年浙中地区不同时期碳储量空间变化 Fig. 7 Spatial changes of carbon storage in central Zhejiang from 1980 to 2020 |
结合研究区特征, 本研究选取自然因素、社会经济因素和可达性因素这3类驱动因素, 包括海拔、坡度、年平均气温、年平均降水量、人口密度、GDP密度、道路可达性（省道、县道、乡道）和到河流距离等驱动因子, 并对各因子进行标准化处理. 模拟2020年土地利用格局, 对比实际土地利用, 从数量精度和空间精度方面对结果进行验证.
数量精度验证通过对比模型模拟各土地利用类型像元数量以及精确率、召回率和F1分数, 分析模拟效果. 结果表明, 耕地、林地和未利用土地模拟像元数与实际像元数一致, 水域像元数偏大约9.08%, 但水域对于区域陆地碳储量的计算影响不大（表 5）.
|
|
表 5 2020年浙中地区预测土地类型与真实土地类型像元数量比较/% Table 5 Comparison of pixel number between predicted land type and actual land type in central Zhejiang in 2020/% |
空间精度方面, 模拟总体精度为90.85%, Kappa系数为0.826 3, FoM值为0.023 3. 各类土地利用中, 林地总体预测精度最高, 其精确率达到95.99%, F1分数为95.97%, 林地作为区域最主要的碳源和碳汇, 其准确性预估在较大程度上影响区域的碳储量估算. 此外, 草地和耕地也保持较高的预测精度, 其精确率均在85%以上（表 5）. 表明该模型具有可靠性和稳定性, 模拟的土地利用空间分布格局较为准确（图 8）.
|
图 8 2020年预测/真实土地类型分布 Fig. 8 Forecast/actual land type distribution for 2020 |
自然发展情景下, 2030年耕地面积相较于2020年下降181.24 km2, 占比从2020年的25.55%下降到2030年的24.42%；林地面积下降85.05 km2, 占比降低0.53%；建设用地较2020年增加245.96 km2, 其余土地类型无明显变化（图 9和表 6）.
|
图 9 2030年浙中地区不同情景下土地利用空间分布 Fig. 9 Changes of land use under scenarios in central Zhejiang by 2030 |
|
|
表 6 2030年浙中地区两种情景下各土地类型面积及其占比 Table 6 Area of each land type and its proportion under two scenarios in Central Zhejiang in 2030 |
生态保护情景下, 2030年耕地面积相较于2020年下降110.55 km2, 占比下降0.69%, 降幅小于自然发展情景；与自然发展情景有显著差别的是林地面积所有上升, 较2020年增加25.62 km2, 占比上升0.16%；建设用地增加规模和幅度低于自然发展情景, 仅增加61.2 km2, 占比增加0.38%（图 9和表 6）.
3.3 2030年不同情景下碳储量变化2030年浙中地区两种情景下均有3条平行分布的西南-东北走向碳储量低值区. 以上低值区同时也是耕地、建设用地大规模聚集区（图 10）. 2030年浙中地区两种情景下, 碳储量都呈下降的趋势. 其中自然发展情景下浙中地区碳储量为1 8824.7×104 t, 较2020年减少200.45×104 t, 生态保护情景下浙中地区碳储量为19 014.9×104 t, 较2020年减少10.28×104 t.
|
图 10 2030年浙中地区不同情景下碳储量空间分布 Fig. 10 Spatial distribution of carbon storage under scenarios in central Zhejiang by 2030 |
从空间变化来看, 建设用地的扩张导致耕地和森林溃缩, 使固碳量由高向低转变, 加剧碳流失. 自然发展情景下, 磐安县和缙云县的南北两端有较大规模的碳储量减少现象, 其他如义乌市、东阳市、浦江县和诸暨市等地也有零星碳储量减少区. 在生态保护情景下, 碳储量减少区明显小于自然发展情景, 林地溃缩现象不显著, 城市扩张以侵占耕地为主. 磐安县和缙云县北部仍是碳储量减少的主要地区, 但其他地区碳储量减少不显著, 龙游县甚至出现明显的碳储量增加区（图 10）.
4 碳储量时空变化影响因素分析为进一步探究碳储量及其时空变化特征的影响因素, 本研究基于地理探测器选取了自然和社会经济发展两大维度分析各要素对碳储量时空分异的影响（图 11）. 其中自然要素包含高程、坡度、平均气温、平均降水、年平均植被归一化指数（NDVI）、土壤侵蚀强度和土地生产潜力等因子；社会经济要素包含GDP、人口密度、全社会用电量、财政预算支出和固定资产投资等因子, 社会经济要素基于历史时间序列数据采用指数三重平滑算法推算2030年数值.
|
a1.GDP, a2.人口密度, a3.社会用电量, a4.财政预算支出, a5.固定资产投资, a6.高程, a7.坡度, a8.平均气温, a9.平均降水, a10.NDVI, a11.土壤侵蚀, a12.土地生产潜力；A1.1980年, A2.1990年, A3.2000年, A4.2010年, A5.2020年, A6.2030年自然发展情景, A7.2030年生态发展情景；（a）为不同年份单因子影响, （b）~（h）分别为1980年、1990年、2000年、2010年、2020年、2030年自然发展情景和2030年生态发展情景下双因子交互影响 图 11 碳储量时空分异特征单因子及双因子交互影响 Fig. 11 Single factor and dual factor interactive effects on the temporal characteristics of carbon storage |
从单一影响因子来看, 自然要素对碳储量的分布总体高于社会经济要素, 坡度、高程、NDVI和土地生产潜力等要素对碳储量分布的时空分异规律影响较为显著, 其中坡度对碳储量的时空分异规律解释能力最强, 各年份其影响系数在0.6以上, NDVI次之约在0.5左右. 社会经济要素对碳储量空间分异解释度均不高, 影响系数约在0.1左右, 但从时间序列来看, 自然要素各因子的解释程度在逐渐降低, 而社会经济要素的解释度在逐渐升高. 由此可见, 碳储量的分布依然主要受自然环境要素影响, 但人类社会经济活动对碳储量时空分布的影响程度在不断扩大.
从双因子交互影响来看, 不同年份因子交互对碳储量空间分异的影响变化不大. 其中坡度、NDVI与其他因子的交互影响系数较大, 也即地形和植被因子与其他要素叠加均能很好地解释碳储量的时空分异规律. 双因子交互影响系数的最大值均出自自然因子和社会经济因子的叠加, 各年份中坡度与社会用电量叠加对碳储量分布影响最大, 影响系数可达到0.79. 2030年后各情景下均是NDVI与人口密度两因子交互对碳储量分布影响最大. 总的来说, 社会经济要素和自然要素叠加对碳储量的影响要远大于单一要素对其影响.
5 讨论本研究耦合了InVEST和GeoSOS模型, 探究浙中地区1980~2030年碳储量时空变化及其影响因素, 结果具有一定的可靠性和合理性, 同时也存在一定的不确定性.
为保证本研究的可靠性, 在开展碳储量估算和未来土地利用模拟过程中开展了多次验证, 通过参考已有研究成果对碳密度计算进行修正, 并对比相似研究区的碳密度研究成果, 从而对碳密度计算进行验证, 结果表明本文碳密度计算与已有成果有较好的一致性. 此外, 本文针对未来土地利用预测开展了数量和空间两个维度的模拟精度验证, 从不同土地利用类型的面积数量上评估模拟结果与实际的差异, 同时引入精准率、召回率、F1分数以及Kappa系数等参数, 评估土地利用模拟结果与实际情况在空间分布上的一致性. 结果表明本文碳储量的计算以及未来土地利用的预测具有一定的可靠性, 相关结果具有良好的参考价值.
本研究设置了两种社会经济发展情景, 包括自然发展情景和生态发展情景. 在当前“绿水青山就是金山银山”的理论指导下, 生态保护已成为未来城市发展的主旋律, 基于历史的常速发展模式以及注重生态保护的发展模式均具有较好的代表性. 未来综合考虑国家和地区规划、人口增长、经济发展建立多要素耦合的多种社会发展情景能够在一定程度上降低未来土地利用预测和碳储量估算的不确定性.
本研究耦合了GeoSOS-FLUS模型和InVEST模型, 开展未来生态系统碳储量评估, 评估结果对于大范围、长时间尺度下的生态系统碳储量变化规律具有良好的评估精度和可靠性. 但相关评估主要建立在土地利用类型变化的基础上, 并未考虑碳密度的动态变化. 实际上碳密度可能受气候变化、植被类型、土壤属性等要素的影响而发生波动, 因此在未来研究中, 应对研究区碳密度开展连续的动态监测, 以提高评估的准确性, 同时更有助于分析不同要素变化对碳储量的作用机制.
6 结论（1）浙中地区1980~2020年土地利用变化以建设用地的扩张为主, 增幅高达289.9%, 耕地面积持续下降, 且减少量最大, 尤其是2000年后土地利用变化更为剧烈.
（2）1980~2020年浙中地区陆地生态系统碳储量减少588.88×104 t, 降幅3%. 磐安县、缙云县和武义县是浙中地区最大的碳汇区域. 1980~2020年浙中地区陆地碳储量呈现先增加后减少的趋势, 1980~2000年碳储量显著增加区域主要分布在磐安县部分区域；2000~2020年碳储量发生显著下降的区域主要是：婺城区北部-金东区-义乌市中部-东阳市西北部、浦江县南部-义乌市北部-东阳市西北部、武义县东北部-永康市中部-东阳市南部3条带状区域所连成的“π”字型区域, 以及诸暨市中部、兰溪市南部地区.
（3）无论是自然发展情景还是生态保护情景, 2030年这种地区建设用地的面积继续扩张, 耕地的面积会持续下降, 未来碳储量均呈减少的趋势. 自然发展情景下, 碳储量减少区在磐安县和缙云县南北两端有较大规模的集聚, 其他地区均为零星分布. 生态保护情景下, 龙游县出现较大规模的碳储量增加区, 缙云县北部、磐安县北部的碳储量减少区面积明显比自然发展情景小, 分布更零星.
（4）自然因子对碳储量分布的影响总体高于社会经济因子, 但随时间变化自然因子的影响程度在逐渐下降, 社会经济因子的影响程度在不断上升, 坡度对碳储量空间分异解释能力最强, 影响系数在0.6以上. 自然因子和社会经济因子叠加作用对碳储量的分布变化影响远大于单一因子的影响, 2030年后NDVI和人口密度因子交互作用对碳储量分布具有较大影响.
（5）未来浙中地区建设用地仍具有较强的扩张潜力, 同时, 陆地生态系统受到的潜在威胁也在增加. 浙中地区近年来也在积极落实“以人为核心”的新型城镇化方针, 着力打造宜居城市、韧性城市、智慧城市、人文城市和活力城市. 未来通过合理的土地规划布局, 加强对碳流失显著区域的耕地和生态用地的保护, 完善耕地与林地的补偿体系, 提升生态系统碳汇能力. 推动无序的城市化转变为以人为本和人地协调的城市化, 探索绿色可持续城市发展模式, 努力早日实现“双碳”目标.
| [1] | Cui F Q, Wang B J, Zhang Q, et al. Climate change versus land-use change—What affects the ecosystem services more in the forest-steppe ecotone?[J]. Science of the Total Environment, 2021, 759. DOI:10.1016/j.scitotenv.2020.143525 |
| [2] |
林晋大, 多玲花, 邹自力. 城市扩张背景下景观破碎化动态演变及空间自相关分析——以南昌市为例[J]. 水土保持研究, 2022, 29(4): 362-369. Lin J D, Duo L H, Zou Z L. Dynamic evolution and spatial autocorrelation analysis of landscape fragmentation under the background of urban expansion - A case study of Nanchang City[J]. Research of Soil and Water Conservation, 2022, 29(4): 362-369. |
| [3] |
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. |
| [4] |
徐丽, 于贵瑞, 何念鹏. 1980s-2010s中国陆地生态系统土壤碳储量的变化[J]. 地理学报, 2018, 73(11): 2150-2167. Xu L, Yu G R, He N P. Changes of soil organic carbon storage in Chinese terrestrial ecosystems from the 1980s to the 2010s[J]. Acta Geographica Sinica, 2018, 73(11): 2150-2167. DOI:10.11821/dlxb201811008 |
| [5] | Chen S, Chen B, Feng K, et al. Physical and virtual carbon metabolism of global cities[J]. Nature Communications, 2020, 11(1). DOI:10.1038/s41467-019-13757-3 |
| [6] | Yue C, Ciais P, Houghton R A, et al. Contribution of land use to the interannual variability of the land carbon cycle[J]. Nature Communications, 2020, 11(1). DOI:10.1038/s41467-020-16953-8 |
| [7] | Enkossa T, Nemomissa S, Lemessa D. Woody species diversity and the carbon stock potentials of different land use types in agroecosystem of Jimma Ganati District, western Ethiopia[J]. Environmental Challenges, 2023, 13. DOI:10.1016/j.envc.2023.100761 |
| [8] | Jiang X D, Li D Q, Li G Y, et al. Eucalyptus carbon stock estimation in subtropical regions with the modeling strategy of sample plots – airborne LiDAR – Landsat time series data[J]. Forest Ecosystems, 2023, 10: 100149. DOI:10.1016/j.fecs.2023.100149 |
| [9] |
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. |
| [10] |
段炼, 卢明深, 蔡耀君, 等. 海上丝绸之路经济带中国沿线省市生态系统碳储量演化分析与预测[J]. 水土保持学报, 2024, 38(1): 242-254. Duan L, Lu M S, Cai Y J, et al. Analysis and prediction of ecosystem carbon storage evolution in Chinese provinces and cities along the Maritime Silk Road Economic Belt[J]. Journal of Soil and Water Conservation, 2024, 38(1): 242-254. |
| [11] | Birungi V, Dejene S W, Mbogga M S, et al. Carbon stock of Agoro Agu central forest reserve, in Lamwo district, northern Uganda[J]. Heliyon, 2023, 9(3). DOI:10.1016/j.heliyon.2023.e14252 |
| [12] | Singh S G, Vennila A, Singh R, et al. Standing carbon stock of Thane Creek mangrove ecosystem: an integrated approach using allometry and remote sensing techniques[J]. Regional Studies in Marine Science, 2023, 67. DOI:10.1016/j.rsma.2023.103207 |
| [13] | Houghton J T, Ding Y, Griggs D J, et al. Climate change 2001: the scientific basis. Contribution of Working Group Ⅰ to the third assessment report of the intergovernmental panel on climate change[M]. Cambridge: Cambridge University Press, 2001. |
| [14] | Dai Z H, Trettin C C, Burton A J, et al. Estimated mangrove carbon stocks and fluxes to inform MRV for REDD+ using a process-based model[J]. Estuarine, Coastal and Shelf Science, 2023, 294. DOI:10.1016/j.ecss.2023.108512 |
| [15] |
郭爱青, 王德彩, 闫坤, 等. 应用CASA模型估算河南省主要森林植被碳储量[J]. 东北林业大学学报, 2023, 51(11): 80-85. Guo A Q, Wang D C, Yan K, et al. CASA model in estimating main forest vegetation carbon in Henan province[J]. Journal of Northeast Forestry University, 2023, 51(11): 80-85. DOI:10.3969/j.issn.1000-5382.2023.11.013 |
| [16] | He Y L, Ma J M, Zhang C S, et al. Spatio-temporal evolution and prediction of carbon storage in Guilin based on FLUS and InVEST models[J]. Remote Sensing, 2023, 15(5). DOI:10.3390/rs15051445 |
| [17] |
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. |
| [18] | Long S, Zhou S B. Assessment on changes of ecosystem carbon storage in reservoir area due to hydroproject[J]. Computational Intelligence and Neuroscience, 2022. DOI:10.1155/2022/7511216 |
| [19] |
林一诚, 郑景明, 周怡宁, 等. 基于InVEST模型的围场县小滦河流域碳储量空间分布及热点区域分析[J]. 生态学杂志, 2023, 42(10): 2536-2544. Lin Y C, Zheng J M, Zhou Y N, et al. Analyzing spatial distribution of carbon storage and hot spots in Xiaoluan River basin in Weichang County based on InVEST model[J]. Chinese Journal of Ecology, 2023, 42(10): 2536-2544. |
| [20] |
胡佶熹, 勒先文, 王卫林, 等. 基于PLUS-InVEST模型的江西省生态系统碳储量时空演变与预测[J]. 环境科学, 2024, 45(6): 3284-3296. Hu J X, Le X W, Wang W L, et al. Temporal and spatial evolution and prediction of ecosystem carbon storage in Jiangxi Province based on PLUS-InVEST model[J]. Environmental Science, 2024, 45(6): 3284-3296. |
| [21] |
曹梦迪, 曹姗姗, 刘婷婷, 等. 基于InVEST模型的2000-2020年新疆伊犁地区碳储量分布数据集[J]. 中国科学数据(中英文网络版), 2023, 8(4): 426-433. Cao M D, Cao S S, Liu T T, et al. A dataset of carbon storage distribution in Yili Prefecture of Xinjiang from 2000 to 2020 based on the InVEST model[J]. China Scientific Data, 2023, 8(4): 426-433. |
| [22] | 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 |
| [23] |
邵尔辉, 徐伟铭, 杨慧, 等. 耦合PLUS-InVEST模型的南平市土地利用模拟与碳储量评估[J]. 海南大学学报(自然科学版), 2024, 42(2): 186-196. Shao E H, Xu W M, Yang H, et al. Spatial and temporal evolution and prediction of carbon stock in Nanping city by coupling PLUS-InVEST model[J]. Natural Science Journal of Hainan University, 2024, 42(2): 186-196. |
| [24] |
王子昊, 王冰, 张宇飞, 等. 基于PLUS-InVEST模型的呼和浩特市多情景土地利用变化动态模拟及碳储量评估[J]. 农业资源与环境学报, 2024, 41(2): 292-304. Wang Z H, Wang B, Zhang Y F, et al. Dynamic simulation of multi-scenario land use change and carbon storage assessment in Hohhot city based on PLUS-InVEST model[J]. Journal of Agricultural Resources and Environment, 2024, 41(2): 292-304. |
| [25] |
马勇洁, 仲俊涛, 米文宝, 等. 基于青海湖流域土地利用多情景模拟预测的碳储量评估及其脆弱性分析[J]. 干旱区资源与环境, 2023, 37(10): 46-55. Ma Y J, Zhong J T, Mi W B, et al. Assessment and vulnerability analysis on carbon storage based on multi-scenario simulation and prediction of land use in Qinghai Lake basins[J]. Journal of Arid Land Resources and Environment, 2023, 37(10): 46-55. |
| [26] |
付帅, 彭雨欣, 徐炳先. 基于PLUS与InVEST模型的鄱阳湖流域碳储量时空变化与预测[J]. 环境工程, 2023, 41(10): 163-172. Fu S, Peng Y X, Xu B X. Spatial and temporal evolution of carbon storage in Poyang Lake basin based on PLUS and InVEST model[J]. Environmental Engineering, 2023, 41(10): 163-172. |
| [27] |
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. |
| [28] | Wang A, Zhang M M, Kafy A A, et al. Predicting the impacts of urban land change on LST and carbon storage using InVEST, CA-ANN and WOA-LSTM models in Guangzhou, China[J]. Earth Science Informatics, 2023, 16(1): 437-454. DOI:10.1007/s12145-022-00875-8 |
| [29] |
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. |
| [30] |
石小伟, 冯广京, Yi Y, 等. 浙中城市群土地利用格局时空演变特征与生态风险评价[J]. 农业机械学报, 2020, 51(5): 242-251. Shi X W, Feng G J, Yi Y, et al. Temporal and Spatial evolution characteristics and ecological risk assessment of land use landscape patterns in central Zhejiang urban agglomeration[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(5): 242-251. |
| [31] |
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, Shi 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. |
| [32] | 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. DOI:10.1016/j.jaridenv.2012.10.002 |
| [33] |
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. DOI:10.3969/j.issn.1673-7105.2007.01.005 |
| [34] | Qin M L, Zhao Y C, Liu Y T, et al. Multi-scenario simulation for 2060 and driving factors of the eco-spatial carbon sink in the Beibu Gulf Urban Agglomeration, China[J]. Chinese Geographical Science, 2023, 33(1): 85-101. DOI:10.1007/s11769-023-1327-3 |
| [35] |
邹桃红, 陈鹏, 刘家福, 等. 不同土地利用情景下四平市生态系统碳储量时空演变[J]. 中国环境科学, 2023, 43(10): 5508-5518. Zou T H, Chen P, Liu J F, et al. Spatio-temporal dynamics of territorial ecosystem carbon storage under different land use scenarios in Siping City[J]. China Environmental Science, 2023, 43(10): 5508-5518. DOI:10.3969/j.issn.1000-6923.2023.10.048 |
| [36] |
汤江龙, 朱健计, 王林燕, 等. 贵溪市土地利用转型对生态系统服务价值影响的多情景模拟[J]. 环境科学与技术, 2022, 45(6): 212-223. Tang J L, Zhu J J, Wang L Y, et al. Multi-scenario simulation of impact of landuse transition on ecosystem service value in Guixi City[J]. Environmental Science & Technology, 2022, 45(6): 212-223. |
| [37] |
徐丽, 何念鹏, 于贵瑞. 2010s年中国陆地生态系统碳密度数据集[J]. 中国科学数据, 2019, 4(1). 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). DOI:10.11922/csdata.2018.0026.zh |
| [38] |
周杰, 张学儒, 牟凤云, 等. 基于CA-Markov的土壤有机碳储量空间格局重建研究——以泛长三角地区为例[J]. 长江流域资源与环境, 2018, 27(7): 1565-1575. Zhou J, Zhang X R, Mu F Y, et al. Spatial pattern reconstruction of soil organic carbon storage based on CA-Markov——A case study in Pan-Yangtze River Delta[J]. Resources and Environment in the Yangtze Basin, 2018, 27(7): 1565-1575. |
| [39] |
魏迎春, 王加恩, 曲颖, 等. 浙江省主要农作区土壤有机碳储量[J]. 上海国土资源, 2012, 33(2): 39-42. Wei Y C, Wang J E, Qu Y, et al. Organic carbon storage in agricultural land, Zhejiang province, China[J]. Shanghai Land & Resources, 2012, 33(2): 39-42. DOI:10.3969/j.issn.2095-1329.2012.02.011 |
| [40] |
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. |
| [41] |
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. |
| [42] |
罗雯, 陈佳, 卢瑛莹. 2000—2020年浙江省陆域生态系统碳库碳储量演变及提升路径[J]. 环境污染与防治, 2023, 45(3): 413-418, 426. Luo W, Chen J, Lu Y Y. Evolution characteristics and improvement path of terrestrial ecosystem carbon storage in Zhejiang Province from 2000 to 2020[J]. Environmental Pollution & Control, 2023, 45(3): 413-418, 426. |
| [43] |
雷海清, 孙高球, 郑得利. 温州市森林生态系统碳储量研究[J]. 南京林业大学学报(自然科学版), 2022, 46(5): 20-26. Lei H Q, Sun G Q, Zheng D L. Carbon storage of forest ecosystem in Wenzhou City, Zhejiang Province, China[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2022, 46(5): 20-26. |
| [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] |
夏全升, 洪欣, 桂翔, 等. 基于InVEST模型的芜湖市固碳能力及影响因子研究[J]. 水土保持通报, 2023, 43(5): 385-394. Xia Q S, Hong X, Gui X, et al. A study on carbon fixation capacity and its influencing factors based on InVEST model at Wuhu city[J]. Bulletin of Soil and Water Conservation, 2023, 43(5): 385-394. |
| [46] |
郑慧玲, 郑辉峰. 基于土地利用/覆被动态变化的粤港澳大湾区碳储量评价与预测[J]. 环境科学, 2024, 45(4): 2321-2331. Zheng H L, Zheng H F. Assessment and prediction of carbon storage based on land use/land cover dynamics in the Guangdong-Hong Kong-Macao Greater Bay Area[J]. Environmental Science, 2024, 45(4): 2321-2331. |
| [47] |
朱志强, 马晓双, 胡洪. 基于耦合FLUS-InVEST模型的广州市生态系统碳储量时空演变与预测[J]. 水土保持通报, 2021, 41(2): 222-229, 239. Zhu Z Q, Ma X S, Hu H. Spatio-temporal evolution and prediction of ecosystem carbon stocks in Guangzhou City by coupling FLUS-InVEST models[J]. Bulletin of Soil and Water Conservation, 2021, 41(2): 222-229, 239. |