2024, Vol. 45
2. 新疆水利工程安全与水灾害防治重点实验室, 乌鲁木齐 830052
2. Xinjiang Key Laboratory of Hydraulic Engineering Security and Water Disasters Prevention, Urumqi 830052, China
自1824年“温室效应”概念被提出以来, 大气中二氧化碳浓度升高引起的全球变暖问题日益突出.增加地球生态系统碳储量, 减少碳排放已成为全球社会发展的共识[1~3].中国明确提出力争2030年实现“碳达峰”, 2060年实现“碳中和”的减碳目标[4].陆地生态系统通过生物量能够从大气中吸收二氧化碳, 是全球碳储存的重要组成部分, 在缓解全球气候变暖和维护生态安全中具有重要意义[5~7].土地利用/覆盖变化是人类改变陆地生态系统最主要的方式[8], 已有研究证实, 土地利用是影响碳储量的重要因素之一, 已成为全球第二大温室气体排放源[9]. 2011~2020年大气CO2年增长率为（5.1±0.02）Gt·a-1, 占CO2排放总量的47%[10, 11], 10 a间土地利用变化每年平均向大气排放的碳量为1.1 Pg[12].不同土地利用类型固碳能力存在明显差异[13], 研究土地利用变化驱动下碳储量时空演变特征对于增强陆地生态系统固碳能力、减缓气候变暖效应、助力“双碳”目标实现具有重要意义.
陆地生态系统碳储量估算方法主要有样本清查法、遥感反演法和模型模拟法等[14, 9].样本清查法估算碳储量技术简单、结果可靠, 但工作量大, 采样周期长, 仅适用于小范围研究[15]；遥感反演法可实现大尺度碳储量研究, 但多以特定生态系统且仅支持部分碳库数据[16]；模型模拟法估算碳储量可操作性强, 应用广泛, 可评估不同尺度碳储量变化并进行可视化表达[17], 代表性模型如InVEST模型, 因数据需求量小, 运算速度快, 估计结果准确等特点, 在多地类复杂演化模拟与碳储量估算等领域有良好的发展前景, 成为目前应用最为广泛的碳储量估算模型.Rijal等[18]分析了尼泊尔巴格马蒂河流域土地利用变化, 并应用InVEST模型对不同土地利用类型的碳储量及经济价值进行了量化, 发现森林覆盖损失是碳储量损失的主要决定因素；Hernández-Guzmán等[19]利用InVEST模型评估了1986~2050年墨西哥西部盆地土地利用变化对碳储量的影响, 发现裸露土地面积的增加及常绿林与热带干燥林的减少导致研究区总碳储量下降；Dorji等[20]估算了喜马拉雅山脉东部不丹山区不同土地利用类型的土壤有机碳密度和储量. 发现研究区土壤有机碳储量半数以上分布在森林下. 韩晋榕[21]运用InVEST模型碳模块估算了辽东南城市群碳储量, 研究发现由于城市扩张引起土地利用/土地覆被类型发生显著变化, 陆地生态系统的固碳能力降低, 导致陆地生态系统的碳储量减少；陈宁等[22]利用GMMOP-PLUS-InVEST模型估算了2000~2020年中国西北地区碳储量的变化趋势, 发现草地退化是西北地区碳储量减少的主要因素；屈颂杰等[23]运用Markov-FLUS和InVEST模型, 分析了2000~2020年的土地利用变化对于陕西省碳储量变化的影响, 发现高固碳效益的林地面积增加使得陕西省的碳储量上升；侯建坤等[24]结合InVEST和GeoSoS-FLUS模型, 评估了黄河源区2000~2020年土地利用变化及其对碳储量的影响, 发现未利用地大面积减少以及草地和湿地的面积增加是导致碳储量增加的主要原因.
塔里木河（“塔河”）流域位于欧亚大陆腹地, 干燥多风, 降水稀少, 蒸发强烈, 是典型的干旱内陆河流域[25], 且位于我国“三区四带”北方防沙带重要生态功能区, 在我国生态保护修复中具有关键地位[26].以往研究中, 针对塔河流域生态保护和植被恢复的文献较丰富, 但从流域整体角度评估土地利用变化对碳储量影响的成果较为少见.基于此, 本文以塔河流域为研究对象, 基于1990年、2000年、2010年和2020年4期流域土地利用数据, 运用InVEST模型Carbon模块估算并分析流域碳储量时空演变特征, 探讨土地利用变化对流域生态系统固碳能力的影响及碳储量空间分异驱动规律, 以期为评估塔河流域碳汇能力及促进“双碳”目标下流域生态保护修复和高质量发展提供科学依据.
1 研究区概况塔里木河流域（73°10'~94°05'E, 34°55'~43°08'N）位于新疆维吾尔自治区南部（图 1）, 地处天山山脉与昆仑山脉之间, 由发源于塔里木盆地周边天山山脉、帕米尔高原等山脉的阿克苏河、喀什噶尔河、叶尔羌河、和田河、开都-孔雀河、迪那河、渭干-库车河、克里雅河和车尔臣河九大水系144条河流组成[27, 28], 流域总面积达102.7万km2, 覆盖南疆5个地州40多个县市和兵团多个师市、团场.流域总体呈环状地貌结构, 可分为高原山区、山前平原区和沙漠区三大地貌单元, 属典型的大陆性气候区, 具有干燥少雨、蒸发强烈、四季气候悬殊、温差大、气温日变化剧烈和多风沙及浮尘等气候特点.
|
图 1 塔里木河流域地理位置示意 Fig. 1 Location of Tarim River Basin |
本研究使用的数据主要由两部分组成：土地利用数据和碳储量驱动因子数据.
（1）土地利用数据 从中国科学院资源环境科学与数据中心（https://www.resdc.cn/）中获取塔里木河流域1990~2020年（1990年、2000年、2010年和2020年）共4期土地利用数据, 空间分辨率为30 m×30 m.土地利用类型按照一级分类, 即划分为：水域、耕地、草地、林地、建设用地和未利用土地.
（2）碳储量驱动因子数据 本文用于研究碳储量空间分异的驱动因子共有8类, 见表 1, 分别为高程（DEM）、坡度、年降水量、年均气温、地表温度、植被覆盖指数（NDVI）、人口密度和国内生产总值（GDP）, 各驱动因子空间分布见图 2.
|
表 1 驱动因子数据类型及来源 Table 1 Types and sources of driver data |
|
图 2 驱动因子空间分布 Fig. 2 Spatial distribution of drivers |
土地利用转移矩阵能反映土地利用变化的结构特征和各土地利用类型之间的转移方向[29].计算公式如式（1）所示：
|
(1) |
对塔河流域1990年、2000年、2010年和2020年4期土地利用数据进行空间叠加分析, 并利用空间统计功能进行分析, 得到1990~2000年、2000~2010年、2010~2020年以及1990~2020年塔河流域土地利用转移矩阵, 以分析不同时期土地利用类型间相互转换量.
2.2.2 InVEST模型运用InVEST3.9.0模型中的Carbon Storage and Sequestration模块评估研究区生态系统碳储量变化.该模块将生态系统碳储量划分为4个基本碳库：地上生物碳（土壤以上所有存活的植物材料中的碳）、地下生物碳（存在于植物活根系统中的碳）、土壤碳（分布在有机土壤和矿质土壤中的有机碳）和死亡有机碳（凋落物、倒立或站立的已死亡树木中的碳）[30, 31].基于土地利用类型及4个基本碳库的碳储量, 计算当前土地利用格局下碳储量或者一个时间段内的碳储量变化[32~34], 计算公式如式（2）所示：
|
(2) |
式中, Ctotal表示总碳密度（t·hm-2）, Cabove表示地上碳密度（t·hm-2）, Cbelow表示地下碳密度（t·hm-2）, Csoil表示土壤碳密度（t·hm-2）, Cdead表示死亡有机物碳密度（t·hm-2）.
通过查阅文献[35~38], 根据陈光水等[39]所提出的计算公式对碳密度进行修正, 得到塔河流域不同土地利用类型的碳密度数据, 见表 2.
|
|
表 2 不同土地类型的碳密度/t·hm-2 Table 2 Carbon intensity of different land types/t·hm-2 |
2.2.3 空间自相关
空间自相关主要用于衡量事物空间要素属性间的聚合或离散的程度, 分为全局空间自相关和局部空间自相关[40], 全局空间自相关是在整体区域内研究各单位与周围区域空间差异的平均值, 即表现为是否具有空间的聚集性, 计算公式如式（3）所示：
|
(3) |
式中, I表示Moran指数, 值域为[-1, 1], 取值大于0时, 表示该区域存在空间正相关；取值小于0时, 表示该区域存在空间负相关；越接近1或-1表示空间相关性越强, 取值接近0表示该区域不存在空间相关性, 呈现随机分布. n表示研究区域的数目, xi与xj表示区域i和j的碳储量.
局部空间自相关适用于说明局部范围内的空间集聚程度.本文通过ArcGIS 10.7创建渔网, 将塔河流域划分为5 000 m×5 000 m的网格, 采用局部空间自相关LISA表现碳储量在局部网格空间集聚规律[41], 计算公式如式（4）所示：
|
(4) |
式中, Ii表示区域i的局部Moran指数, S2表示空间单元碳储量的方差, 其余变量含义同式（3）.
2.2.4 地理探测器地理探测器是探测空间分异性并揭示其背后驱动力的一组统计学方法, 包括4类探测器[42], 本研究采用因子探测器和交互作用探测器联合进行驱动机制分析.
（1）因子探测器 因子探测器用于探测某因子X对属性Y的空间分异性的解释力, 用q值度量[43], 计算公式如式（5）所示：
|
(5) |
式中, q表示X对Y的解释强度, 值域为[0, 1]；h和L表示变量Y（碳储量）的分类, Nh和N分别表示第h类研究区和研究区整体的单元数, σh2和σ2分别表示第h类研究区和研究区整体的碳储量方差
（2）交互作用探测器 交互作用探测器用来评估两类驱动因子共同作用下对因变量Y的解释力是否会增强或减弱, 驱动因子间的协同关系如表 3所示.
|
|
表 3 两个自变量对因变量交互作用的类型 Table 3 Type of interaction of two independent variables on dependent variable |
3 结果与分析 3.1 土地利用变化
1990~2020年塔河流域土地利用变化见表 4、图 3和图 4.可以看出, 未利用地是塔河流域主要的土地利用类型, 主要分布在流域中部和东部地区.其中, 中部主要为沙漠, 1990~2020年面积占比由29.17%提高至31.13%, 沙漠外围戈壁面积占比由14.65%提高至15.40%, 整体略有扩张趋势；盐碱地主要沿沙漠北部和东南方向分布, 面积占比由3.9%降至2.96%, 整体略有缩减趋势；未利用土地类型中的沼泽地和裸土土地分别零星分布在塔河流域北部及东部, 占比较小；裸岩石砾地围绕在流域四周, 面积占比保持稳定.草地是塔河流域仅次于未利用地的第二大土地利用类型, 主要分布在环塔克拉玛干沙漠周围及流域西部和北部地区, 1990~2020年面积占比由25.41%降至22.79%, 呈下降趋势.耕地主要分布于塔里木河流域平原区, 面积占比呈逐年递增趋势, 在2020年达到最高, 扩张范围集中于喀什噶尔河、叶尔羌河、阿克苏河、渭干-库车河流域附近.林地主要分布在塔河河流廊道两岸, 呈波动减小趋势.建设用地虽然占比较小, 尚不足1%, 但增加趋势较为显著, 呈逐年增加状态.
|
|
表 4 1990~2020年塔里木河流域土地利用类型变化 Table 4 Changes in land use types in the Tarim River Basin from 1990 to 2020 |
|
图 3 1990~2020年塔里木河流域土地利用类型 Fig. 3 Land use types in the Tarim River Basin from 1990 to 2020 |
|
图 4 1990~2020年塔里木河流域土地利用类型空间变化 Fig. 4 Spatial changes in land use types in the Tarim River Basin from 1990 to 2020 |
由图 5可以看出, 1990~2020年塔河流域土地利用类型总转移面积21.9×104 km2, 1990~2000年、2000~2010年和2010~2020年3个阶段的转移面积分别为3.06×104、20.8×104、1.54×104 km2.各地类的大面积转换发生在第二阶段（2000~2010年）, 且以草地和未利用地变化最为明显.草地转出面积9.46×104 km2, 主要转换为未利用地, 面积占比高达81.74%；第一阶段（1990~2000年）, 草地转出面积1.54×104 km2, 主要转换为未利用地与耕地, 占比分别为62.85%、26.90%；第三阶段（2010~2020年）, 草地转出面积7 467 km2, 主要转换为未利用地与耕地, 占比分别为22.32%和67.22%.
|
数字为1990~2020年各土地利用类型面积, 单位为km2 图 5 1990~2020年塔里木河流域土地利用变化轨迹 Fig. 5 Tarim of land use change in the Tarim River Basin from 1990 to 2020 |
整体来看, 研究期间各土地利用类型转移中耕地、建设用地与未利用土地面积有所增加, 而林地、草地与水域等生态用地面积有所减少, 主要是由于塔河流域人口数量增加、人类活动加剧、人工绿洲扩张造成天然绿洲林草分布面积缩减所致.
3.2 碳储量时空变化特征基于InVEST模型碳储量模块模拟计算得出1990~2020年塔河流域碳储量分别为3.12×109、3.11×109、3.05×109和3.03×109 Mg, 呈持续下降趋势, 近30 a间累计损失9×107 Mg.由图 6可以看出, 塔河流域碳储量空间分布整体特征表现为中部偏低, 四周偏高, 碳储量高值地区主要分布在塔河流域下游及北部和西部地区, 即林地与草地的主要分布地带, 低值地区主要分布在塔河流域中部, 该区域主要土地类型为未利用地, 该地类固碳能力弱.进一步通过观察流域综合局部莫兰指数（图 7）和土地利用空间分布（图 3）可以发现, 流域碳储量高-高聚类、高-低聚类主要位于林地与草地等分布区域, 这与郭靖等 [44]对塔里木河流域上中游生态系统碳储量空间分布研究的结果一致, 表明碳储量时空分布会受到土地利用类型及变化的影响.
|
图 6 1990~2020年塔里木河流域碳储量空间分布 Fig. 6 Spatial distribution of carbon stocks in the Tarim River Basin from 1990 to 2020 |
|
图 7 塔里木河流域碳储量局部空间自相关指数空间分布 Fig. 7 Spatial distribution of local spatial autocorrelation indices of carbon stocks in the Tarim River Basin |
通过ArcGIS栅格计算器将碳储量空间变化值分为3类（增加、减少与基本稳定）得到塔河流域碳储量时空变化特征（图 8）.可以看出, 1990~2020年塔河流域中部与东部地区碳储量基本稳定；碳储量增加区域主要分布在林地与草地集中区域, 占流域总面积的5.26%；碳储量下降区域主要分布在塔克拉玛干沙漠外围, 与前述分析的草地主要转移为未利用土地空间对应, 占流域总面积7.16%, 耕地与未利用地的扩张侵占了碳密度更高的草地与林地.分阶段看, 第一阶段（1990~2000年）流域碳储量基本稳定, 稳定区域占比90%以上, 增加区域零星分布在塔河流域北部地区；第二阶段（2000~2010年）流域碳储量下降6×107 Mg, 下降区域占比6.63%, 主要分布在塔克拉玛干沙漠南部与塔河流域北部, 该区域草地退化及沙漠与戈壁滩等未利用地的扩张严重, 导致碳储量损失明显；第三阶段（2010~2020年）流域碳储量继续降低2×107 Mg, 下降区域主要分布于塔河流域北部地区, 即耕地与建设用地分布区域.
|
图 8 1990~2020年塔里木河流域碳储量空间变化特征 Fig. 8 Characteristics of spatial changes in carbon stocks in the Tarim River Basin from 1990 to 2020 |
经分析, 塔河流域近30 a土地利用类型的变化会相应改变流域碳储量及其空间分布, 研究区不同土地利用类型对碳储量贡献大小依次为草地、林地、耕地、未利用地、建设用地、水域.其中, 林地与草地虽不是流域主要的土地利用类型, 但因其碳密度值最高, 则碳储量占比最大, 如表 5所示, 草地由于碳密度高占地面积较大成为塔河流域碳储量的主要贡献者, 1990~2020年林草面积缩减导致其碳储量占比自79.72%降低至74.27%, 共缩减2.41×108 Mg；耕地面积逐年增加, 耕地碳储量占比自6.01%增加至10.69%, 增加1.37×108 Mg；未利用地因其碳密度最小, 在其面积略扩张的情形下碳储量增幅仍较小, 仅增加8×106 Mg.总体看, 研究期间碳密度值较高地类向碳密度值低地类转移面积较多, 塔河流域近30 a碳储量降低主要归因于天然草地与林地等生态用地的缩减.
|
|
表 5 1990~2020年各地类碳储量×108/Mg Table 5 Carbon stocks in various land-use types from 1990 to 2020 ×108/Mg |
1990~2020年流域土地利用变化引起的碳储量变化见表 6.可以看出, 草地向未利用地转换碳储量减少最为明显, 共损失4.35×108 Mg, 其中90%以上的损失发生在2000~2010年, 该时期是塔河流域草地退化严重时期, 有7.72×104 km2草地退化为未利用地, 造成4.00×108 Mg的碳储量损失；其次是林地向草地转化损失碳储量1.20×107 Mg, 主要转换损失发生在2000~2010年, 该时期共有5.88×103 km2林地转换为草地, 造成碳储量损失1.17×107 Mg；反之, 近30 a未利用地向草地转换碳储量增加最为明显, 共增加3.37×108 Mg, 主要转换时期为2000~2010年；水域向草地转换增加碳储量2.74×107 Mg, 主要转换时期同样为2000~2010年.综上所述, 塔河流域近30 a各地类引起的碳储量变化主要集中在第二阶段（2000~2010年）, 其余土地类型转换为草地、林地及水域等生态用地有利于碳储量的积累, 这与李瑾璞等[45]研究的结果一致.
|
|
表 6 1990~2020年土地利用变化引起的碳储量变化 Table 6 Changes in carbon stocks due to land-use change from 1990 to 2020 |
3.4 碳储量空间分异驱动分析
利用地理探测器分析驱动因子对塔河流域碳储量空间分布的影响程度.从单因子看（图 9）, 本研究时期内, 各因子影响力都略有不同, 高程（0.13~0.15）, 地表温度（0.12~0.21）, 年均气温（0.13~0.18）和植被覆盖指数（0.11~0.21）对碳储量空间分布的解释能力均超过10%.其中, 1990年NDVI及2020年地表温度对碳储量空间分布的解释能力均超过20%, 表明NDVI和地表温度分别是1990年和2020年驱动碳储量变化的主导因素, 植被高覆盖度地区相比于其他土地类型拥有更优良的固碳能力.人口密度对碳储量的空间分布的解释力较小, 但其作用不可忽视.
|
图 9 1990~2020年单因子探测结果 Fig. 9 Single-factor detection results from 1990 to 2020 |
从交互探测探测器结果看, 各驱动因子的交互作用关系为双因子增强或非线性增强, 表明以上8类驱动因子任意两类相结合对碳储量空间分异的影响力均比单一因子影响力有所加强（图 10）.可以看出, 1990~2020年对塔河流域生态系统碳储量空间分布解释力最大的交互类型均为NDVI与DEM、年均气温和地表温度的组合.其中, NDVI与DEM的协同作用下的解释力为0.25~0.30, NDVI与年均气温协同作用下的解释力为0.25~0.32, NDVI与年地表温度协同作用下的解释力为0.23~0.33, 表明在NDVI与高程、年均气温及地表温度的协同作用下, 该地区的碳储量会呈现升高的趋势, 进一步表明NDVI是驱动塔河流域碳储量空间分异的主导因素.此外, 由图 11可以看出, 人口密度与GDP在与其他因子协同作用下绝大多数呈现出非线性增加的趋势, 远大于单因子作用结果, 表明人为因素在与其他驱动因素协同作用下对碳储量的空间分异性影响增强.塔河流域碳储量空间分异性是多个因素共同作用的结果, 考虑对影响区域碳储量变化进行低碳建设时, 需要综合考虑各驱动因素的影响效果, 进行多元化分析.
|
图 10 1990~2020年交互因子探测结果 Fig. 10 Interaction factor detection results from 1990 to 2020 |
|
图 11 1990~2020年驱动因子之间的交互作用类型 Fig. 11 Types of interactions between drivers from 1990 to 2020 |
（1）塔河流域主要以未利用地和草地为主.研究期间, 草地退化为荒漠及戈壁滩情况严重, 大面积转换发生在2000~2010年, 主要分布在塔河流域的中腹地及西南地区.
（2）1990~2020年塔河流域碳储量呈持续下降趋势, 近30 a间累计损失9×107 Mg, 空间分布呈中部偏低, 四周偏高, 碳储量下降区域主要分布在塔克拉玛干沙漠外围, 即草地转移为未利用土地的地带.
（3）本研究期间碳密度值较高地类向碳密度值低地类转移面积较多, 塔河流域近30 a碳储量降低主要归因于天然草地与林地等生态用地的缩减.
（4）因子探测器分析表明, NDVI和地表温度分别是1990年和2020年驱动碳储量变化的主导因素, 植被高覆盖度地区相比于其他土地类型拥有更优良的固碳能力.
（5）交互探测探测器分析表明, 1990~2020年对塔河流域生态系统碳储量空间分布解释力最大的交互类型均为NDVI与DEM、年均气温和地表温度的组合, 塔河流域碳储量空间分异性是多个因素共同作用的结果.
| [1] | Bellard C, Marino C, Courchamp F. Ranking threats to biodiversity and why it doesn't matter[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-30339-y |
| [2] | Li G D, Fang C L, Li Y J, et al. Global impacts of future urban expansion on terrestrial vertebrate diversity[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-29324-2 |
| [3] | Stankovic M, Ambo-Rappe R, Carly F, et al. Quantification of blue carbon in seagrass ecosystems of Southeast Asia and their potential for climate change mitigation[J]. Science of the Total Environment, 2021, 783. DOI:10.1016/j.scitotenv.2021.146858 |
| [4] |
汤茂玥, 李宜真. "双碳"愿景提出的时代背景与价值意义[J]. 佳木斯职业学院学报, 2022, 38(4): 38-40. Tang M Y, Li Y Z. Background and value of "dual carbon" vision[J]. Journal of Jiamusi Vocational Institute, 2022, 38(4): 38-40. |
| [5] |
祁迷, 王飞, 滑永春, 等. 基于PLUS与InVEST模型的内蒙古自治区土地利用变化及碳储量评估[J]. 水土保持学报, 2023, 37(6): 194-200. Qi M, Wang F, Hua Y C, et al. Assessment of land use change and carbon storage in inner mongolia autonomous region based on PLUS and InVEST models[J]. Journal of Soil and Water Conservation, 2023, 37(6): 194-200. |
| [6] |
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. |
| [7] |
韩楚翘, 郑江华, 王哲, 等. 基于PLUS-InVEST模型吐哈盆地陆地生态系统碳储量时空变化及多情景模拟[J]. 干旱区地理, 2024, 47(2): 260-269. Han C Q, Zheng J H, Wang Z, et al. Spatiotemporal variation and multiscenario simulation of carbon storage in terrestrial ecosystems in the Turpan-Hami Basin based[J]. Arid Zone Geography, 2024, 47(2): 260-269. |
| [8] | Winkler K, Fuchs R, Rounsevell M, et al. Global land use changes are four times greater than previously estimated[J]. Nature Communications, 2021, 12(1). DOI:10.1038/s41467-021-22702-2 |
| [9] |
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, 65(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]. Science China Life Sciences, 2022, 65(5): 861-895. |
| [10] | Friedlingstein P, O'Sullivan M, Jones M W, et al. Global carbon budget 2022[J]. Earth System Science Data, 2022, 14(11): 4811-4900. DOI:10.5194/essd-14-4811-2022 |
| [11] | Liu Z, Deng Z, Davis S J, et al. Monitoring global carbon emissions in 2021[J]. Nature Reviews Earth & Environment, 2022, 3(4): 217-219. |
| [12] | Luo Y Q, Weng E S. Dynamic disequilibrium of the terrestrial carbon cycle under global change[J]. Trends in Ecology & Evolution, 2011, 26(2): 96-104. |
| [13] | Houghton R A. Carbon emissions and the drivers of deforestation and forest degradation in the tropics[J]. Current Opinion in Environmental Sustainability, 2012, 4(6): 597-603. DOI:10.1016/j.cosust.2012.06.006 |
| [14] |
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. |
| [15] |
李若玮, 叶冲冲, 王毅, 等. 基于InVEST模型的青藏高原碳储量估算及其驱动力分析[J]. 草地学报, 2021, 29(S1): 43-51. Li R W, Ye C C, Wang Y, et al. Carbon storage estimation and its drivering force analysis based on InVEST model in the Tibetan Plateau[J]. Acta Agrestia Sinica, 2021, 29(S1): 43-51. |
| [16] | Dangulla M, Abd Manaf L, Ramli M F, et al. Exploring urban tree diversity and carbon stocks in Zaria Metropolis, North western Nigeria[J]. Applied Geography, 2021, 127. DOI:10.1016/j.apgeog.2021.102385 |
| [17] | Houghton R A, Nassikas A A. Global and regional fluxes of carbon from land use and land cover change 1850-2015[J]. Global Biogeochemical Cycles, 2017, 31(3): 456-472. DOI:10.1002/2016GB005546 |
| [18] | Rijal S, Rimal B, Acharya R P, et al. Land use/land cover change and ecosystem services in the Bagmati River Basin, Nepal[J]. Environmental Monitoring and Assessment, 2021, 193(10). DOI:10.1007/s10661-021-09441-z |
| [19] | Hernández-Guzmán R, Ruiz-Luna A, González C. Assessing and modeling the impact of land use and changes in land cover related to carbon storage in a western basin in Mexico[J]. Remote Sensing Applications: Society and Environment, 2019, 13: 318-327. DOI:10.1016/j.rsase.2018.12.005 |
| [20] | Dorji T, Odeh I O A, Field D J, et al. Digital soil mapping of soil organic carbon stocks under different land use and land cover types in montane ecosystems, Eastern Himalayas[J]. Forest Ecology and Management, 2014, 318: 91-102. DOI:10.1016/j.foreco.2014.01.003 |
| [21] |
韩晋榕. 基于InVEST模型的城市扩张对碳储量的影响分析[D]. 长春: 东北师范大学, 2013. Han J R. The impact of urban sprawl on carbon stocks based on the InVEST C model[D]. Changchun: Northeast Normal University, 2013. |
| [22] |
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. |
| [23] |
屈颂杰, 韩玲, 黄馨, 等. 未来不同情景下陕西省碳储量的时空演变分析[J]. 环境科学, 2024, 45(8): 4683-4695. Qu S J, Han L, Huang X, et al. Analysis of the spatiotemporal evolution of carbon reserves in Shaanxi province under different scenarios in the future[J]. Environmental Science, 2024, 45(8): 4683-4695. |
| [24] |
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 in VEST and GeoSoS-FLUS models and its response to different future scenarios[J]. Environmental Science, 2022, 43(11): 5253-5262. |
| [25] |
马森, 张代青, 张惠, 等. 塔里木河流域NDVI时空变化特征及其影响因素分析[J]. 高原山地气象研究, 2023, 43(4): 76-83. Ma S, Zhang D Q, Zhang H, et al. Spatiotemporal variation characteristics and influencing factors analysis of NDVI in Tarim River basin[J]. Plateau and Mountain Meteorology Research, 2023, 43(4): 76-83. DOI:10.3969/j.issn.1674-2184.2023.04.010 |
| [26] | 国家发展改革委自然资源部. 国家发展改革委自然资源部关于印发《全国重要生态系统保护和修复重大工程总体规划(2021-2035年)》的通知[EB/OL]. https://www.gov.cn/zhengce/zhengceku/2020-06/12/content_5518982.htm, 2020-06-03. |
| [27] |
樊自立, 马英杰, 季方, 等. 塔里木盆地水资源利用与绿洲演变及生态平衡[J]. 自然资源学报, 2001, 16(1): 22-27. Fan Z L, Ma Y J, Ji F, et al. Relations retween exploitation-utilization of water resources and oasis evolution and ecological balance in tarim Basin[J]. Journal of Natural Resources, 2001, 16(1): 22-27. DOI:10.3321/j.issn:1000-3037.2001.01.005 |
| [28] |
邓铭江. 塔里木河流域未来的水资源管理[J]. 中国水利, 2004(17): 20-23. Deng M J. Water resources management of the Tarim River basin in future[J]. China Water Resources, 2004(17): 20-23. DOI:10.3969/j.issn.1000-1123.2004.17.007 |
| [29] |
阿曼妮萨·库尔班, 满苏尔·沙比提, 艾克旦·依萨克, 等. 近19年新疆阿克苏河流域耕地利用时空演变特征[J]. 中国水土保持科学, 2022, 20(3): 72-80. Kurban A, Shabiti M, Isak E, et al. Spatiotemporal evolution of arable land use in Aksu River Basin, Xinjiang in recent 19 years[J]. Science of Soil and Water Conservation, 2022, 20(3): 72-80. |
| [30] | Wang R Y, Cai H N, Chen L, et al. Spatiotemporal evolution and multi-scenario prediction of carbon storage in the GBA based on PLUS-InVEST models[J]. Sustainability, 2023, 15(10). DOI:10.3390/su15108421 |
| [31] | Wang Z Y, Li X, Mao Y T, et al. Dynamic simulation of land use change and assessment of carbon storage based on climate change scenarios at the city level: a case study of Bortala, China[J]. Ecological Indicators, 2022, 134. DOI:10.1016/j.ecolind.2021.108499 |
| [32] |
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. |
| [33] |
林彤, 杨木壮, 吴大放, 等. 基于InVEST-PLUS模型的碳储量空间关联性及预测——以广东省为例[J]. 中国环境科学, 2022, 42(10): 4827-4839. Lin T, Yang M Z, Wu D F, et al. Spatial correlation and prediction of land use carbon storage based on the InVEST-PLUS model-A case study in Guangdong Province[J]. China Environmental Science, 2022, 42(10): 4827-4839. DOI:10.3969/j.issn.1000-6923.2022.10.041 |
| [34] |
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. |
| [35] |
史名杰, 武红旗, 贾宏涛, 等. 基于MCE-CA-Markov和InVEST模型的伊犁谷地碳储量时空演变及预测[J]. 农业资源与环境学报, 2021, 38(6): 1010-1019. Shi M J, Wu H Q, Jia H T, et al. Temporal and spatial evolution and prediction of carbon stocks in Yili Valley based on MCE-CA-Markov and InVEST models[J]. Journal of Agricultural Resources and Environment, 2021, 38(6): 1010-1019. |
| [36] |
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. |
| [37] |
卢雅焱, 徐晓亮, 李基才, 等. 基于InVEST模型的新疆天山碳储量时空演变研究[J]. 干旱区研究, 2022, 39(6): 1896-1906. Lu Y Y, Xu X L, Li J C, et al. Research on the spatio-temporal variation of carbon storage in the Xinjiang Tianshan Mountains based on the InVEST model[J]. Arid zone research, 2022, 39(6): 1896-1906. |
| [38] | Tang X L, Zhao X, Bai Y F, et al. Carbon pools in China's terrestrial ecosystems: New estimates based on an intensive field survey[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4021-4026. |
| [39] |
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. |
| [40] |
王雪青, 陈媛, 刘炳胜. 中国区域房地产经济发展水平空间统计分析——全局Moran's Ⅰ、Moran散点图与LISA集聚图的组合研究[J]. 数理统计与管理, 2014, 33(1): 59-71. Wang X Q, Chen Y, Liu B S. Exploratory spatial data analysis about the development level of the regional real estate economy in China—the research based on Global Moran' Ⅰ, Moran scatter plots and LISA cluster map[J]. Journal of Applied Statistics and Management, 2014, 33(1): 59-71. |
| [41] |
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. |
| [42] |
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. |
| [43] | Wang J F, Li X H, Christakos G, et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China[J]. International Journal of Geographical Information Science, 2010, 24(1): 107-127. DOI:10.1080/13658810802443457 |
| [44] |
郭靖, 王光焰, 徐生武, 等. 水资源管理增强下的塔里木河上中游碳储量动态评估[J]. 干旱区研究, 2021, 38(3): 589-599. Guo J, Wang G Y, Xu S W, et al. Dynamic assessment of Tarim River carbon storage under enhanced water resources management[J]. Arid Zone Research, 2021, 38(3): 589-599. |
| [45] |
李瑾璞, 夏少霞, 于秀波, 等. 基于InVEST模型的河北省陆地生态系统碳储量研究[J]. 生态与农村环境学报, 2020, 36(7): 854-861. Li J P, Xia S X, Yu X B, et al. Evaluation of carbon storage on terrestrial ecosystem in Hebei province based on InVEST model[J]. Journal of Ecology and Rural Environment, 2020, 36(7): 854-861. |