2025, Vol. 46
2. 华中科技大学公共管理学院，武汉 430074
2. School of Public Administration, Huazhong University of Science and Technology, Wuhan 430074, China
工业革命以来，大气二氧化碳浓度升高导致的全球变暖问题日益严重，对生态环境、人类生存和发展造成了严重的负面影响[1，2]. 作为全球温室气体排放的主要国家之一，中国积极响应全球气候治理的号召，2020年9月，在第七十五届联合国大会一般性辩论上表示“二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”. 陆地生态系统作为全球碳储存的重要组成部分，通过吸收和固化大气中的二氧化碳，可有效减缓温室效应和调节气候变化[3]. 而土地利用变化是导致陆地生态系统变化的关键因素[4，5]，一方面不同土地利用类型的固碳能力存在显著差异，另一方面土地利用变化会改变植被和土壤类型的分布，植被和土壤作为陆地生态系统碳储存的主要形式，进而影响碳储量的变化[6~8]. 因此，从土地利用变化的视角出发研究区域碳储量及其经济价值，对于优化土地资源结构和实现“双碳”目标有重要意义.
目前，国内外学者针对生态系统碳储量的研究，从森林[9]、草地[10]和耕地[11]等单一生态系统，逐渐扩展到市域[12~14]、省域[15]、城市圈/群[16~18]和国家[19]等行政区划尺度及流域[20，21]和海岸带[22]等自然尺度的复合生态系统. 碳储量的评估方法也发展出了多种，包括主要应用于小尺度的实地调查法、用于特定物种碳储量估算的遥感技术法、基于模型的生态系统碳储量演算法[23]. 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，其中生态系统服务评估与权衡（InVEST）模型因数据简单、操作方便和精度高等优点，被广泛应用于生态系统碳储量评估研究[24]. 基于此，部分学者将Markov-CA[25]、CLUE-S[26]、PLUS[27]和FLUS[28]等土地利用模拟模型与InVEST模型相结合，开展未来土地利用模拟预测及其影响下的碳储量时空变化分析. 相比较而言，FLUS模型综合了多种土地利用模拟模型的优势，考虑了数量、时空及土地利用/覆盖间相互转化的影响，突破了模拟非线性系统的限制，可以得到较高精度下的模拟结果[29，30]. 此外，以往关于土地利用与碳储量变化关系的研究，大多注重探讨地类转换引起的区域碳储量变化，而忽视了不同发展情景下陆地生态系统碳储量变化对应的经济价值，估算碳储量的经济价值可以为评估碳资源潜力、推动区域碳减排和合理配置土地资源等提供决策参考.
武汉市作为中部地区首个确立的国家中心城市，在长江经济带和中部崛起战略中具有独特地位，在过去几十年间武汉市经历了快速的城市扩张、人口聚集和经济发展，导致土地利用变化剧烈、能源消耗和碳排放激增，这不仅给生态环境造成了负面影响，还给区域可持续发展带来了严峻挑战. 鉴于此，本文运用FLUS和InVEST模型，分析2000~2020年武汉市土地利用和碳储量的动态变化特征，并模拟2035年不同情景下土地利用变化对碳储量的影响，进一步结合中央银行的贴现率和湖北省碳排放权交易中心的碳价格，利用复利现值公式估算碳储量经济价值变化趋势，以期为研究区提高区域生态经济价值、推动碳交易市场发展以及制定相应的土地利用政策等提供数据支撑.
1 材料与方法 1.1 研究区概况武汉市（东经113°41′~115°05′、北纬29°58′~31°22′）地处长江中游，是湖北省省会、特大城市和国家中心城市（图 1），全市下辖13个区，总面积达8 569.15 km2. 武汉市作为中部崛起的战略支点和长江经济带的核心城市，也是首批“两型社会”综合配套改革试验区和“低碳试点”城市，肩负着社会经济协调发展和生态环境可持续发展的双重重担. 同时，湖北省是全国首批和中部地区唯一的碳排放权交易试点，武汉市作为湖北省省会在中国碳交易市场中扮演着重要角色，其成功经验和做法对于推动全国碳市场的健康发展具有重要意义.
|
图 1 研究区地理位置示意 Fig. 1 Location of the study area |
近年来，武汉市国土空间开发利用活动日益增强，特别是在建设国家中心城市的战略导向下，城镇空间的迅速扩张支撑了城市建设和经济发展，但由此引起的土地利用结构显著变化，如建设用地持续扩张、耕地和林地遭受渐进性侵占、生态用地空间逐渐紧缩等，导致区域碳储量下降，严重威胁生态系统碳储存服务功能. 鉴于此，探究武汉市不同土地利用变化情景下的生态系统碳储量及经济价值，对区域绿色低碳发展、可持续生态管理和土地资源配置具有重要意义.
1.2 数据来源本文涉及的主要数据有：①土地利用/覆被变化（LUCC）数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/），以2000年（Landsat-TM/ETM）、2005年（Landsat-TM）、2010年（Landsat-TM）、2015年（Landsat-8）和2020年（Landsat-8）的陆地卫星遥感影像为主要信息源解译获得，根据本研究需求按土地利用分类系统一级分类，将该数据进行重分类为建设用地、耕地、林地、草地、水域和未利用地6类土地利用类型，空间分辨率为30 m. ②土地利用模拟驱动因子数据包括自然和社会经济驱动因子，自然驱动因子中，高程、坡度和坡向均由DEM数据处理获得，DEM数据来源于中国科学院地理空间数据云平台（http://www.gscloud.cn），年平均降水、年平均温度数据来源于中国气象科学数据中心（http://data.cma.cn/），土壤类型、土壤有机质含量数据来自基于世界土壤数据库（HWSD）的国家地球系统科学数据平台寒区旱区科学数据中心（http://westdc.westgis.ac.cn/）；社会经济驱动因子中，人口、GDP数据来源于武汉市历年统计年鉴，并采用ArcGIS的克里金插值法进行空间化处理，到水体、国道、省道、高速公路、铁路、县道和乡道的距离数据来源于国家基础地理信息中心（http://www.ngcc.cn/）.
1.3 研究方法 1.3.1 InVEST模型InVEST模型中Carbon Storage and Sequestration模块可以将土地利用变化的空间信息与碳储量的动态变化结合起来. 本文根据不同土地利用类型碳密度，运用InVEST模型对武汉市碳储量进行评估，具体估算公式如下：
| (1) |
式中，
碳密度数据确定方法是借鉴已有研究成果[31~35]，优先选取位于湖北省实地测量的碳密度值，若数据存在缺失，则使用邻近地区实测或文献整理的碳密度值进行补充. 具体武汉市不同地类碳密度取值见表 1.
|
表 1 武汉市各土地利用类型碳密度/t·hm-2 Table 1 Carbon density of different land use types in Wuhan/t·hm-2 |
1.3.2 FLUS模型
FLUS模型可以设置多种情景，模拟预测和分析在自然和人类双重影响下未来土地利用的变化，本文采用该模型结合社会经济和自然数据对武汉市2035年土地利用情况进行模拟预测.
1.3.2.1 多情景设置（1）自然发展情景（Q1） 假设将延续武汉市前一时期（2000~2020年）的土地利用变化规律，不设置其他转变情况，预测该情景下2035年武汉市土地利用发展状况.
（2）经济优先发展情景（Q2） 武汉市作为实施中部崛起战略的核心支点城市，肩负发展自身经济体系并发挥辐射效应带动中部地区整体建设的重大使命. 因此，该情景以加快城镇发展建设、充分发掘经济增长点、促进其他地类向建设用地转换为主. 基于武汉市2000~2020年的土地利用转移概率矩阵，将未利用地、耕地向建设用地转移的概率分别增加80%、30%，林地和水域向建设用地转移的概率增加20%，预测该情景下2035年武汉市土地利用发展状况.
（3）综合发展情景（Q3） 武汉市作为长江经济带核心城市，在遵循长江经济带生态优先、绿色发展这一战略导向下，需要平衡推进经济发展与环境保护的双重任务，实现绿色与发展和谐共生. 因此，该情景采取提高生态用地转换成本门槛的思路设置，并基于治理生态环境、响应退耕还林政策，把坡度25°以上的耕地转为林地，将耕地、林地和水域向建设用地转移的概率分别降低30%、40%和60%，未利用地向耕地和草地转移的概率增加20%. 同时，参照《湖北省生态保护红线划定方案》和《2006-2020年土地利用总体规划（调整完善成果）》，设置作为土地利用类型转换的限制，严格划定保护林地生态屏障、基本农田和重要水域，预测该情景下2035年武汉市土地利用发展状况.
1.3.2.2 基于神经网络模型算法的适应性概率测算本文选取社会经济因子中的GDP、人口密度、路网和水系，自然因子中的海拔、坡度、坡面、土壤类型、土壤有机质含量、年平均降水和年平均温度作为土地利用变化驱动因子，根据2000年、2005年、2010年、2015年和2020年土地利用现状数据，利用神经网络模型算法估计适应性概率.
1.3.2.3 基于轮盘赌的自适应惯性和竞争机制计算自适应惯性竞争机制的核心为自适应惯性系数，该系数的定义考虑了不同土地利用类型间的相互作用和竞争关系，同时依据土地需求与实际状况的差异，在多次演化迭代过程中，各土地利用类型逐渐向需求目标靠近.
转换成本可以用来量化表征某一既有土地利用类型转变为目标需求土地利用类型的难易程度，值为0~1之间，值越大表示稳定性越好，不同情景下各地类转换成本系数见表 2.
|
|
表 2 多情景下各土地利用类型转换成本系数 Table 2 Conversion cost coefficients for different land use types across multiple scenarios |
1.3.3 碳储量价值估算
碳储量价值是生态系统在吸收并储存碳过程中所蕴含的经济价值[36]，具体估算方法如下：
| (2) |
| (3) |
式中，
|
|
表 3 2000~2035年碳交易价格/元·t-1 Table 3 Carbon price from 2000 to 2035/yuan·t-1 |
2 结果与分析 2.1 土地利用变化特征分析
2000~2020年武汉市土地利用类型主要以耕地和水域为主，其中耕地所占比例最大，约在53.369%~60.967%之间，其次为水域，所占比例约在19.839%~20.365%之间. 在研究期内（表 4），耕地面积共减少651.559 km2，变化率达到-12.463%，尤其是2010~2020年减少了463.706 km2；水域面积共减少30.825 km2，变化率仅为-1.780%，总体上处于较稳定状态；建设用地面积急剧增加，从2000年的665.924 km2（占比为7.766%）增长到2020年的1 316.272 km2（占比为15.350%），增长率高达97.661%，尤其是2010~2020年增加了456.972 km2，这可能与2010年国务院正式明确武汉市成为中部地区的中心城市有关，区域内大量其它土地类型向建设用地转移，以满足武汉市城市化和经济社会快速发展的需求；林地作为重要的生态用地，从2000年不断被侵占减少，到2020年的正向增长，面积共增加了47.093 km2，变化率为5.884%，这说明武汉市森林资源保护意识在逐渐增强；草地和未利用地占比极小，在此期间处于缓慢减少势态. 进一步根据土地利用转移流向显示（图 2），耕地是转出面积最多的地类，转出面积高达664.690 km2（转出贡献率为80.570%），其中转向建设用地535.461 km2、转向林地66.947 km2和转向水域62.164 km2；其次是水域转出面积达109.139 km2，但由于其他地类的转入（78.247 km2），使得水域面积保持较为稳定的势态；建设用地是转入面积最多的地类（661.246 km2），主要来源于耕地（535.461 km2）、水域（96.597 km2）和林地（19.512 km2）. 综上分析可知，武汉城市化和工业化的发展，带来城市建设和基础设施建设需求增加，导致建设用地面积扩张加剧，伴随而来的是耕地、水域和草地面积的不断减少.
|
|
表 4 2000~2020年武汉市土地利用类型结构变化 Table 4 Changes of land type structure in Wuhan from 2000 to 2020 |
|
图内数值单位为km2 图 2 2000~2020年武汉市土地利用转移 Fig. 2 Land use transfer in Wuhan from 2000 to 2020 |
本文使用FLUS模型对武汉市未来土地利用变化状况进行预测，模拟得到武汉市2035年自然发展情景（Q1）、经济优先发展情景（Q2）和综合发展情景（Q3）土地利用类型空间分布情况（图 3），结果表明，各情景下土地利用类型均以耕地、水域和建设用地为主，但各情景存在一定的差异. 其中，耕地在Q2情景中急剧衰减（355.939 km2），而在Q1和Q3情景中均得到了一定程度地保护，分别增加了3.714 km2和41.141 km2；建设用地呈现出与耕地截然相反的态势，在Q2情景中扩张最为显著，增长了502.866 km2，主要在武汉市主城区呈放射状四周扩张，在Q1和Q3情景中分别变化了50.276 km2和-94.574 km2；水域在Q1（37.582 km2）、Q2（57.106 km2）、Q3（117.074 km2）情景下均实现了增长，这与长江大保护理念是相符的；此外，各情景下林地和草地的面积均呈现出不同程度减少，Q2情景下2种地类面积的减少量最大（3.305 km2），Q1情景的减少量次之（2.199 km2），Q3情景下的减少量最小（1.628 km2）.
|
图 3 2035年多情景下武汉市土地利用模拟 Fig. 3 Simulated land use in Wuhan under different scenarios in 2035 |
2000年、2005年、2010年、2015年和2020年武汉市碳储量分别为84.597、83.748、83.349、82.043和81.137 Tg，呈现持续下降的趋势，累计损失了3.461 Tg，其中2010~2015年间是区域碳储量变化最大的时段，下降了1.306 Tg. 从各时段、地类的碳储量变化来看（图 4），耕地和建设用地变化是碳储量减少的主要因素，在研究期4个时段内，耕地的碳储量分别减少了1.326、0.647、2.107和2.763 Tg，而建设用地的碳储量分别增加了0.567、0.296、0.962和1.077 Tg；林地的碳储量呈现先缓慢减少、后增加趋势，总体增加0.801 Tg；草地、水域和未利用地变化导致的碳储量变化均不明显. 从空间格局来看（图 5），碳储量呈现出“南北高、中间低”的空间分布特征，碳储量较低的区域主要位于武汉市的中部主城区，即江岸、江汉、硚口、汉阳、武昌、青山和洪山区；而碳储量较高的部分主要集中在研究区四周，以新洲和黄陂区最为突出，该地区背靠大别山脉，植被茂盛、森林资源丰富；此外中部低储量区域扩张趋势明显，逐年向外蔓延.
|
图 4 2000~2020年武汉市各地类碳储量变化 Fig. 4 Changes in carbon storage in different land types in Wuhan from 2000 to 2020 |
|
图 5 2000~2020年武汉市碳储量分布 Fig. 5 Distribution of carbon storage in Wuhan from 2000 to 2020 |
2035年武汉市Q1、Q2和Q3情景下的总碳储量分别为80.164、77.498和80.772 Tg，与2020年碳储量相比，分别减少了0.973、3.639和0.365 Tg. 从空间分布来看（图 6），武汉市碳储量整体仍呈现“南北高、中间低”的空间分布特征，但在Q2情景下呈现出以武汉市主城区为核心，低碳储量区向周边扩散的特征，且研究区内低碳储量区明显增多；与此相比，Q3情景下以武汉市主城区为中心的低碳储量区仍呈现发展趋势，但范围明显得到控制，说明该情景可以有效改善地区碳储量逐渐下降的态势.
|
图 6 2035年多情景下武汉市碳储量分布 Fig. 6 Distribution of carbon storage in Wuhan under different scenarios in 2035 |
各土地利用类型因碳密度和面积的不同，其自身能够存储并保持的碳储量存在较大差异，尤其是耕地、林地、建设用地之间的转换会深刻影响区域的碳储量得失（图 7）. 进一步借助GIS软件，将前4种主要地类转换和碳储量变化的空间分布进行可视化表现（图 8）.
|
图 7 2020~2035年多情景下武汉市地类转化对碳储量的影响 Fig. 7 Impact of land use conversion on carbon storage in Wuhan under different scenarios from 2020 to 2035 |
|
图 8 2020~2035年多情景下武汉市地类转换与碳储量变化分布 Fig. 8 Distribution of land type conversion and carbon storage changes in Wuhan under multiple scenarios from 2020 to 2035 |
由图 7和图 8可知，地类转换的区域与碳储量增减的区域几乎对应，耕地转向建设用地依然是区域碳储量减少的最主要原因，Q1、Q2和Q3情景下碳储量分别损失了1.362、3.311和1.101 Tg，在空间上两者的转换广泛分布于武汉市全域，尤其是远城区，与前文的历史土地利用变化基本保持一致，说明武汉市经济发展重心逐渐从主城区过渡于此；与此同时，建设用地转向耕地是补充区域碳储量的最主要来源，Q1、Q2和Q3情景下碳储量分别增加了0.962、0.666和1.423 Tg，在空间上两者的转换集中在主城区四周，对比3种情景可以发现，Q2情景下，耕地转向建设用地导致大量碳储量损失，而在Q3情景下，建设用地对耕地的侵占明显得到控制，永久基本农田红线的划定有效保护了高质量农田；此外，林地和耕地的双向转换，与Q1和Q2情景相比，Q3情景下耕地碳储量基本保持了动态平衡，这在一定程度上体现了生态保护红线和永久基本农田红线政策的有效作用；林地和水域作为重要的生态涵养基地，Q3情景下得到了一定的保护，在国家提出的长江经济带发展必须坚持生态优先、绿色发展的战略定位下，武汉市未来发展中应更着重强调对林地、水域等重要生态用地的保护.
综上可知，3种情景下土地利用类型及其对应的碳储量在数量上虽存在一定差异，但整体空间分布格局未发生显著变化. 其中，建设用地主要集中于武汉市主城区，并且有稳步增长趋势；耕地面积占比较大，主要分布于武汉市远城区；林地集中分布于江夏、黄陂和新洲区. 碳储量的空间分布模式与土地利用类型分布相对应，低值区集中于武汉市主城区，而中高值区集中于主城区四周. 此外，对2035年3种不同情景下的碳储量进行了模拟分析，结果显示Q2情景碳储量最低，Q3情景碳储量最高，而Q1情景下的碳储量则处于中间水平，这说明以经济发展为核心驱动力，加速其他土地利用类型向建设用地转换的发展模式，会加剧对生态环境的负面效应，而增加生态用地转换的成本门槛、强化耕地资源的保护措施、合理规划和开发城市允许建设区，可以有效改善地区碳储量逐渐下降的趋势.
2.4 碳储量经济价值变化本文根据复利现值和复利终值公式对武汉市2000~2020年及2035年不同发展模式下碳储量经济价值进行了分析（图 9）.
|
1. 2000年，2. 2010年，3. 2020年，4. 2035年-Q1，5. 2035年-Q2，6. 2035年-Q3 图 9 2020~2035年武汉市各地类碳储量经济价值 Fig. 9 Economic value of carbon storage for various land use types in Wuhan from 2000 to 2035 |
武汉市碳储量经济价值从2000年52.715亿元增长至2020年的83.279亿元，增长率为57.981%. 在这20 a期间，尽管武汉市碳储量持续下降了4.091%，但碳储量经济价值在持续增加，这主要归因于2020年的碳价格是2000年的1.661倍. 其中，耕地碳储量经济价值增加了15.118亿元，增幅为44.195%，成为武汉市碳储量经济价值增加的主要驱动力；水域和林地碳储量经济价值分别增加了4.640亿和6.313亿元，增幅分别为61.779%和74.380%，成为武汉市碳储量经济价值增加的次要驱动力. 而无论哪种发展模式，2035年武汉市碳储量经济价值都远高于2020年，具体而言，Q1、Q2和Q3情景下，碳储量经济价值分别为110.857亿、107.170亿和111.698亿元，耕地、林地和草地的总碳储量经济价值分别101.375亿、95.169亿和102.832亿元，分别占总碳储量价值的91.447%、88.802%和92.062%. 值得注意的是，在Q2情景下，建设用地碳储量经济价值较2020年增加了86.166%，但在3种情景下总碳储量经济价值却最低.
3 讨论 3.1 碳储量对土地利用变化的响应2000~2020年武汉市土地利用变化明显，其主要特征表现为耕地、林地和水域转向建设用地（图 2），这与武汉市经济发展定位有关，快速的工业化和城镇化发展，带来城市建设和基础设施建设需求增加，导致建设用地急速扩张，而后期严格的耕地保护制度和生态环境可持续发展目标，又要求耕地、林地、水域等流失的土地必须得到相应补充，从而促使区域土地利用发生剧烈变化. 与此同时，受土地利用类型变化的影响，武汉市碳储量也呈现逐年减少的势态，一定程度上反映出区域生态系统碳储量服务功能有所衰退. 运用FLUS模拟3种情景下2035年武汉市土地利用变化，并核算其碳储量的总量和空间分布，发现仅有综合发展情景下耕地、林地和水域得到明显补充，区域碳储量的减少趋势也得到缓解. 此结论与部分学者的研究结果类似，Wu等[37]基于PLUS和InVEST模型，模拟2030年大连市在4种（城市发展、自然发展、耕地保护和生态保护）情景下土地利用类型和碳储量的时空演变，发现只有在耕地保护情景下碳储量减少量最小，并有效改善了城市陆地生态系统的碳汇功能. Babbar等[38]以印度的萨里斯卡老虎保护区为例，运用Markov和InVEST模型模拟区域2035年碳储量变化，发现2000~2018年期间碳储量减少了1.351 Tg，但在恢复/再造林情景下仅流失0.107 Tg.
土地利用变化对碳储量有深远影响，不同土地利用类型的转变对碳储量影响程度和趋势各异. 其中，耕地、林地、建设用地之间的转换对碳储量影响最显著，在自然发展情景下，由于耕地向建设用地的转化，导致区域碳储量损失达1.362 Tg，在经济优先发展情景下更甚，这与Xiang等[39]和Yang等[40]研究结果均表明建设用地的扩张导致区域碳储量的急剧减少相一致. 而在综合发展情景下，由于生态保护红线和永久基本农田红线的存在，一方面保护了耕地、林地等碳密度较高的地类，另一方面制约了建设用地低碳密度地类的无序扩张，从而将区域碳储量维持在较高水平. 因此，在国家“双碳”目标下，为实现武汉市绿色可持续发展，应结合规划所构建的生态安全格局，合理调整用地结构，引导增强耕地资源保护、加强城市用地管控、减小建设用地增长对生态用地的占用，逐渐恢复生态系统自愈能力.
3.2 碳储量经济价值分析随着全球气候变暖和碳交易市场的快速发展，碳储量经济价值在减缓气候变化、生态系统服务功能和碳交易市场中的重要性日益凸显. 此前，已有大量研究对生态系统服务价值以及碳汇价值进行估算[41~44]，但是仍缺乏从土地利用出发，探究不同发展情景下陆地碳储量经济价值的变化的研究. 此外，以往关于碳汇价值、碳储量经济价值的研究，大多采用市场价值法、造林成本法、碳税法等[45]，却都忽略了碳价格与贴现率对碳储量经济价值的影响. 本文利用复利现值法，并以湖北省2020年平均碳交易价格为基础，估算了2000~2035年武汉市不同情景下碳储量经济价值变化，兼顾了以往中国碳交易市场不成熟对碳价格的影响，以及碳价格的时间价值[36，46]. 在3种情景下，2035年武汉市碳储量经济价值呈现与碳储量相同的变化趋势，即：综合发展情景 > 自然发展情景 > 经济优先发展情景. 这说明自然发展和经济优先发展情景所蕴含的发展理念可能会阻碍区域的可持续发展，尤其是在经济优先发展情景下，建设用地碳储量经济价值较2020年增加了86.166%，但其碳储量经济价值总量却最低. 在综合发展情景下兼顾生态和经济目标，合理地调整了土地利用结构，通过减缓最大碳库过快流失、遏制低密度碳库无序蔓延、增加高密度碳库面积比例，在保护生态效益相对高地类的同时，提高了区域碳储量经济价值. 面向国家“双碳”目标，碳储量经济价值在生态环境、经济、政策等多领域都扮演重要角色. 从土地利用变化视角出发，明确区域的碳储量经济价值，可以避免盲目追求单一土地经济价值的增量，科学引导各区域内部进行生态建设与经济发展. 同时，量化的碳储量经济价值可为评估碳资源潜力、推动区域碳减排、促进碳交易市场发展以及相应的政策制定等提供参考和依据.
3.3 不确定性分析本文基于2000~2020年武汉市的土地利用特征模拟了自然发展、经济优先发展和综合发展情景下土地利用格局和碳储量变化，其中，综合发展情景是依据武汉市相关耕地保护和生态环境保护规划进行设定，能够相对客观地反映对耕地、生态用地和建设用地管控后的变化. 但本研究也存在一些不确定性：因分类方法和碳密度值的限制，本文仅按土地利用分类系统一级分类方法，将土地利用类型分为建设用地、耕地、林地、草地、水域和未利用地6类，但由于生态系统碳储量服务的多样性，一级地类下的二级地类碳密度存在差异，如林地中针叶林和阔叶林的碳密度差异较大，因此，未来研究应将一级地类进一步细分，以得到更为精确的研究结果.
4 结论（1）2000~2020年间耕地和水域始终为武汉市的主要用地类型，2020年两者占比达73.208%，期间耕地共转出664.690 km2，其中有535.461 km2转向建设用地. 建设用地因耕地、水域和林地的转入扩张迅猛，占比由2000年的7.766%增至2020年的15.350%.
（2）2000~2020年间总碳储量呈现持续下降的趋势，累计损失了3.461 Tg，空间上碳储量的分布格局较为稳定，呈现出“南北高、中间低”的特征，在此期间，耕地和建设用地变化是武汉市碳储量减少的主要因素.
（3）2035年不同情景下碳储量空间格局与2020年相差不大，但各情景下碳储量空间变化存在差异. 受土地利用类型变化的影响，自然发展、经济优先发展和综合发展情景下的总碳储量分别为80.164、77.498和80.772 Tg，3种情景下碳储量均有所减少，综合发展情景下抑制碳储量流失最为显著.
（4）2000~2020年武汉市碳储量经济价值由52.715亿元增长至83.279亿元，增长率为57.981%，呈现出与碳储量相反的变化趋势. 2030年不同情景下，武汉市碳储量经济价值呈现与碳储量相同的变化趋势，即：综合发展情景 > 自然发展情景 > 经济优先发展情景.
| [1] | 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 |
| [2] | Cramer W, Guiot J, Fader M, et al. Climate change and interconnected risks to sustainable development in the Mediterranean[J]. Nature Climate Change, 2018, 8(11): 972-980. DOI:10.1038/s41558-018-0299-2 |
| [3] |
赵昕月, 董世魁, 杨明岳, 等. 基于扰沌模型的青藏高原放牧社会-生态系统分析[J]. 自然资源学报, 2021, 36(8): 2125-2138. Zhao X Y, Dong S K, Yang M Y, et al. Analysis of a pastoral social-ecological system in Qinghai-Tibet Plateau based on Panarchy[J]. Journal of Natural Resources, 2021, 36(8): 2125-2138. |
| [4] |
李月, 罗红芬. 黔中喀斯特地区典型县域碳储量时空演变及多情景模拟预测: 以普定县为例[J]. 环境科学, 2024, 45(2): 961-973. Li Y, Luo H F. Spatio-temporal evolution and multi-scenario simulation of carbon storage in Karst regions of central Guizhou Province: taking Puding county as an example[J]. Environmental Science, 2024, 45(2): 961-973. |
| [5] |
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. |
| [6] |
付超, 于贵瑞, 方华军, 等. 中国区域土地利用/覆被变化对陆地碳收支的影响[J]. 地理科学进展, 2012, 31(1): 88-96. Fu C, Yu G R, Fang H J, et al. Effects of land use and cover change on terrestrial carbon balance of China[J]. Progress in Geography, 2012, 31(1): 88-96. |
| [7] | Ni J. Carbon storage in Chinese terrestrial ecosystems: approaching a more accurate estimate[J]. Climatic Change, 2013, 119(3): 905-917. |
| [8] | Li L, Song Y, Wei X H, et al. Exploring the impacts of urban growth on carbon storage under integrated spatial regulation: a case study of Wuhan, China[J]. Ecological Indicators, 2020, 111. DOI:10.1016/j.ecolind.2020.106064 |
| [9] |
兰秀, 杜虎, 宋同清, 等. 广西主要森林植被碳储量及其影响因素[J]. 生态学报, 2019, 39(6): 2043-2053. Lan X, Du H, Song T Q, et al. Vegetation carbon storage in the main forest types in Guangxi and the related influencing factors[J]. Acta Ecologica Sinica, 2019, 39(6): 2043-2053. |
| [10] | Yazdanshenas H, Tavili A, Jafari M, et al. Evidence for relationship between carbon storage and surface cover characteristics of soil in rangelands[J]. CATENA, 2018, 167: 139-146. DOI:10.1016/j.catena.2018.04.037 |
| [11] |
孔祥斌, 胡莹洁, 李月, 等. 北京市耕地表层土壤有机碳分布及其影响因素[J]. 资源科学, 2019, 41(12): 2307-2315. Kong X B, Hu Y J, Li Y, et al. Distribution and influencing factors of soil organic carbon of cultivated land topsoil in Beijing[J]. Resources Science, 2019, 41(12): 2307-2315. DOI:10.18402/resci.2019.12.14 |
| [12] |
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. |
| [13] |
向书江, 张骞, 王丹, 等. 近20年重庆市主城区碳储量对土地利用/覆被变化的响应及脆弱性分析[J]. 自然资源学报, 2022, 37(5): 1198-1213. Xiang S J, Zhang Q, Wang D, et al. Response and vulnerability analysis of carbon storage to LUCC in the main urban area of Chongqing during 2000-2020[J]. Journal of Natural Resources, 2022, 37(5): 1198-1213. |
| [14] |
周佳佳, 刘宇, 奉莉军, 等. 土地利用变化背景下浙中地区生态系统碳储量变化模拟与影响因素分析[J]. 环境科学, 2024, 45(10): 5957-5969. Zhou J J, Liu Y, Feng L J, et al. Simulating changes in ecosystem carbon storage and analyzing influencing factors in the Central Zhejiang under the background of LUCC[J]. Environmental Science, 2024, 45(10): 5957-5969. |
| [15] |
李倩, 王成军, 冯涛, 等. 基于SD-PLUS耦合模型的陕西省土地利用变化及碳储量多情景预测[J]. 水土保持学报, 2024, 38(3): 195-206, 215. Li Q, Wang C J, Feng T, et al. Multi-scenario prediction of land use change and carbon storage in Shaanxi Province based on the SD-PLUS coupled model[J]. Journal of Soil and Water Conservation, 2024, 38(3): 195-206, 215. |
| [16] |
张斌, 李璐, 夏秋月, 等. "三线"约束下土地利用变化及其对碳储量的影响——以武汉城市圈为例[J]. 生态学报, 2022, 42(6): 2265-2280. Zhang B, Li L, Xia Q Y, et al. Land use change and its impact on carbon storage under the constraints of "three lines": a case study of Wuhan City circle[J]. Acta Ecologica Sinica, 2022, 42(6): 2265-2280. |
| [17] |
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. |
| [18] |
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. |
| [19] | Zhang D N, Zhao Y H, Wu J S. Assessment of carbon balance attribution and carbon storage potential in China's terrestrial ecosystem[J]. Resources, Conservation and Recycling, 2023, 189. DOI:10.1016/j.resconrec.2022.106748 |
| [20] | Zhang J J, Yang J, Liu P F, et al. Effects of land use/cover change on terrestrial carbon stocks in the Yellow River Basin of China from 2000 to 2030[J]. Remote Sensing, 2024, 16(10). DOI:10.3390/rs16101810 |
| [21] |
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-scenarios simulation and prediction of land use in Qinghai Lake basin[J]. Journal of Arid Land Resources and Environment, 2023, 37(10): 46-55. |
| [22] |
隋玉正, 孙大鹏, 李淑娟, 等. 碳储存变化背景下东营市海岸带生态系统保护修复[J]. 生态学报, 2021, 41(20): 8112-8123. Sui Y Z, Sun D P, Li S J, et al. Study of coastal zone ecosystem restoration in the context of carbon storage change: a case of Dongying City[J]. Acta Ecologica Sinica, 2021, 41(20): 8112-8123. |
| [23] |
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. |
| [24] |
王洪彦, 郑文璐, 盖兆雪. 基于InVEST模型的黑土区碳储量时空分异特征[J]. 环境科学学报, 2024, 44(7): 473-481. Wang H Y, Zheng W L, Gai Z X. Spatio-temporal differentiation of carbon storage in black soil region based on InVEST model[J]. Acta Scientiae Circumstantiae, 2024, 44(7): 473-481. |
| [25] | Li G Y, Cheng G, Liu G H, et al. Simulating the land use and carbon storage for Nature-Based Solutions (NbS) under multi-scenarios in the Three Gorges Reservoir Area: integration of remote sensing data and the RF-Markov-CA-InVEST Model[J]. Remote Sensing, 2023, 15(21). DOI:10.3390/rs15215100 |
| [26] |
王端睿, 毛德华, 王宗明, 等. 东北地区土地覆被格局变化模拟: 基于CLUE-S和Markov-CA模型的对比分析[J]. 地理科学, 2024, 44(2): 329-339. Wang D R, Mao D H, Wang Z M, et al. Simulation of land cover pattern change in Northeast China: a comparative analysis based on CLUE-S and Markov-CA models[J]. Scientia Geographica Sinica, 2024, 44(2): 329-339. |
| [27] |
贾纪昂, 郭伟玲, 徐刘洋, 等. 耦合PLUS-InVEST-GeoDectetor模型的安徽省碳储量时空演变及驱动力分析[J]. 环境科学, 2025, 46(3): 1703-1715. Jia J A, Guo W L, Xu L Y, et al. Spatio-temporal evolution and driving force analysis of carbon storage in Anhui Province coupled with PLUS-InVEST-GeoDectetor model[J]. Environmental Science, 2025, 46(3): 1703-1715. |
| [28] | Li L, Huang X J, Yang H. Optimizing land use patterns to improve the contribution of land use planning to carbon neutrality target[J]. Land Use Policy, 2023, 135. DOI:10.1016/j.landusepol.2023.106959 |
| [29] |
李雪, 李文, 高宇. 基于FLUS-InVEST模型的大庆市土地覆盖模拟与碳储量评估[J]. 环境科学, 2024, 45(10): 5983-5993. Li X, Li W, Gao Y. Land cover simulation and carbon storage assessment in Daqing City based on FLUS-InVEST model[J]. Environmental Science, 2024, 45(10): 5983-5993. |
| [30] |
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. |
| [31] |
柯新利, 唐兰萍. 城市扩张与耕地保护耦合对陆地生态系统碳储量的影响——以湖北省为例[J]. 生态学报, 2019, 39(2): 672-683. Ke X L, Tang L P. Impact of cascading processes of urban expansion and cropland reclamation on the ecosystem of a carbon storage service in Hubei Province, China[J]. Acta Ecologica Sinica, 2019, 39(2): 672-683. |
| [32] | Chuai X, Huang X J, Lai L, et al. Land use structure optimization based on carbon storage in several regional terrestrial ecosystems across China[J]. Environmental Science & Policy, 2013, 25: 50-61. |
| [33] |
奚小环, 李敏, 张秀芝, 等. 中国中东部平原及周边地区土壤有机碳分布与变化趋势研究[J]. 地学前缘, 2013, 20(1): 154-165. Xi X H, Li M, Zhang X Z, et al. Research on soil organic carbon distribution and change trend in middle-east plain and its vicinity in China[J]. Earth Science Frontiers, 2013, 20(1): 154-165. |
| [34] |
朱耀军, 赵峰, 郭菊兰, 等. 湛江高桥红树林湿地有机碳分布及埋藏特征[J]. 生态学报, 2016, 36(23): 7841-7849. Zhu Y J, Zhao F, Guo J L, et al. Below-ground organic carbon distribution and burial characteristics of the Gaoqiao mangrove area in Zhanjiang, Guangdong, Southern China[J]. Acta Ecologica Sinica, 2016, 36(23): 7841-7849. |
| [35] | Zhang F, Zhan J Y, Zhang Q, et al. Impacts of land use/cover change on terrestrial carbon stocks in Uganda[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2017, 101: 195-203. |
| [36] |
雷馨, 海新权. 耦合PLUS-InVEST模型的兰州市土地利用变化及碳储量经济价值估算[J]. 地理科学, 2025, 45(2): 339-348. Lei X, Hai X Q. Assessing economic value of carbon storage and land use changes based on the coupled PLUS-InVEST model in Lanzhou City[J]. Scientia Geographica Sinica, 2025, 45(2): 339-348. |
| [37] | Wu Q, Wang L, Wang T Y, et al. Spatial-temporal evolution analysis of multi-scenario land use and carbon storage based on PLUS-InVEST model: a case study in Dalian, China[J]. Ecological Indicators, 2024, 166. DOI:10.1016/j.ecolind.2024.112448 |
| [38] | 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. DOI:10.1016/j.jclepro.2020.123333 |
| [39] | Xiang S J, Wang Y, Deng H, et al. Response and multi-scenario prediction of carbon storage to land use/cover change in the main urban area of Chongqing, China[J]. Ecological Indicators, 2022, 142. DOI:10.1016/j.ecolind.2022.109205 |
| [40] | Yang H, Huang J L, Liu D F. Linking climate change and socioeconomic development to urban land use simulation: analysis of their concurrent effects on carbon storage[J]. Applied Geography, 2020, 115. DOI:10.1016/j.apgeog.2019.102135 |
| [41] | Li C, Wu Y M, Gao B P, et al. Multi-scenario simulation of ecosystem service value for optimization of land use in the Sichuan-Yunnan ecological barrier, China[J]. Ecological Indicators, 2021, 132. DOI:10.1016/j.ecolind.2021.108328 |
| [42] |
肖建英, 戴津津, 方昕然, 等. 基于PLUS模型的徐州市生态系统服务价值多情景模拟研究[J]. 中国土地科学, 2024, 38(4): 125-134. Xiao J Y, Dai J J, Fang X R, et al. Multiple scenario simulation of ecosystem service value in Xuzhou City based on PLUS model[J]. China Land Science, 2024, 38(4): 125-134. |
| [43] |
胡峻嶍, 黄访, 铁烈华, 等. 四川省森林植被固碳经济价值动态[J]. 生态学报, 2019, 39(1): 158-163. Hu J X, Huang F, Tie L H, et al. Economic value dynamics of carbon sequestration in forest vegetation of Sichuan Province[J]. Acta Ecologica Sinica, 2019, 39(1): 158-163. |
| [44] |
杨杰, 高凡, 徐海量, 等. 阿克苏河流域生态系统服务价值时空演变及其驱动因素[J]. 环境科学, 2025, 46(4): 2385-2397. Yang J, Gao F, Xu H L, et al. Spatial and temporal evolution of ecosystem service value and its driving factors in the Aksu River Basin[J]. Environmental Science, 2025, 46(4): 2385-2397. |
| [45] |
方恺, 李程琳, 黄玮, 等. 碳汇生态产品的科学内涵、价值评估与实现路径[J]. 中国环境管理, 2023, 15(3): 17-23, 61. Fang K, Li C L, Huang W, et al. Scientific concept, value evaluation and realization paths of carbon sink ecological products[J]. Chinese Journal of Environmental Management, 2023, 15(3): 17-23, 61. |
| [46] |
隋玉正, 陈小璇, 李淑娟, 等. 海岸带蓝碳时空演变及其服务价值评估——以胶州湾为例[J]. 资源科学, 2019, 41(11): 2119-2130. Sui Y Z, Chen X X, Li S J, et al. Spatiotemporal change of coastal blue carbon and its service value evaluation: a case study of Jiaozhou Bay[J]. Resources Science, 2019, 41(11): 2119-2130. |