2025, Vol. 46
当前，由全球CO2浓度增加造成的全球变暖严重危害着社会经济的发展，深刻触及到能源安全、生态安全、水资源安全和粮食安全，甚至威胁到人类的生存，已在国际范围内引起高度关注[1~3]. 中国作为全球第一排碳大国，提出力争于2030年前实现碳达峰，努力争取2060年前实现碳中和[4，5]. 陆地生态系统作为自然界碳循环的主要部分，在全球陆地碳汇中发挥了重要作用，提高生态系统碳储存能力对于落实“双碳”战略具有重要的现实意义[6，7]. 有研究表明，土地利用变化是驱动陆地生态系统碳储量变化的重要因素[8~11]. 因此，定量评估土地利用变化与生态系统碳储量之间的关系已成为研究焦点.
目前，生态系统碳储量的测算方法主要有：实地采样法[12]、遥感模型[13]和生态系统模型模拟法[14]. 实地采样法不仅费时费力，而且在大尺度上无法正确对碳储量进行评价[15，16]. 遥感模型虽然满足大尺度估算碳储量的需求，但其多用于特定物种碳储量的估算[17，18]. 相较于上述两种方法，模型模拟法具有更加灵活方便的特点，并且可以对大尺度区域的碳储量进行量化运算[19，20]. 在诸多陆地生态系统模拟模型中，InVEST模型因其操作简单、需求数据少、运行速度快和定量化评估精度高等特点，在碳储量研究中被广泛应用[21~24].
近年来，已有学者将InVEST模型与土地利用模型相结合研究土地利用变化对碳储量的影响[25~27]. 张顺鑫等[28]基于PLUS和InVEST模型对天山北坡生态系统碳储量进行估算，得出草地减少和裸地增加是天山北坡碳储量减少的主要原因这一结论；李雪等[29]基于FLUS模型分情景模拟了大庆市2030年土地覆盖格局，结合InVEST模型估算2010年、2020年和2030年的4种情景碳储量，并通过热点分析工具识别固碳能力冷热点区域；贾纪昂等[30]耦合PLUS-InVEST模型对安徽省碳储量时空分布进行了分析，并利用地理探测器对碳储量的驱动因素进行了探讨，结果表明高程和坡度是安徽省碳储量空间分异的主要交互因子；徐良骥等[31]以潘谢矿区为研究区，选取采矿、社会经济和气候环境等方面的数据作为驱动因子，利用FLUS模型模拟矿区未来土地利用分布格局，结合InVEST模型计算了潘谢矿区未来碳储量；周汶颖[32]基于Logistic-CA-Markov模型和InVEST模型探究上海市土地利用变化对碳储量的作用关系；常见的土地利用预测模型有InVEST-PLUS[33~35]、FLUS[36，37]、CA-Markov[38，39]和D-CLUE-S[40]等，有研究表明FLUS模型[41~44]综合上述模型的优点，不仅解决了以往模型难以确定土地利用斑块演变和潜在驱动因素的问题，还拥有较高的精度，总体上具有更高的可信度.
淮南市作为14个亿t煤炭基地和6大煤电基地之一，其煤炭资源远景储量达到500亿t，已探明可采储量180亿t，占安徽省的70%，占华东地区的32%，因此被誉为“中国能源之都”. 鉴于此，本文以淮南市为例，基于1990年、2000年、2010年和2020年土地覆盖数据，运用FLUS模型预测2030年惯性发展情景、耕地保护情景和生态优先情景土地覆盖变化，结合InVEST模型估算未来碳储量分布，以期为淮南市未来发展规划提供较为科学的依据.
1 材料与方法 1.1 研究区概况淮南市地理坐标介于北纬31°54′08″~33°00′26″和东经116°21′05″~117°12′30″之间，地处安徽省中北部，长三角洲腹地，淮河之滨，东与滁州市毗邻，东南与合肥市接壤，西南与六安市相连，西与阜阳市相接，北与亳州市和蚌埠市交界（如图 1）. 淮南市位于亚热带和温热带过渡气候区，年平均气温约为14.3~16.4℃，年降水量约为920~937 mm. 淮南市占地面积为5 531 km2，截至2023年末，淮南市常住人口为301.6万人，生产总值为1 601.6亿元，同比增长5.1%.
|
图 1 淮南市高程及地理位置示意 Fig. 1 Elevation and location of Huainan City |
表 1为研究过程中使用的数据，主要包括：1990年、2000年、2010年和2020年淮南市土地覆盖数据，来源于数字地球开放平台（https://open.geovisearth.com）分享的中国年度土地覆盖数据集，该数据集将土地覆盖数据分为耕地、林地、灌木、草地、水域、冰川/积雪、裸地、建筑用地和湿地这九大类，本研究根据淮南市实际情况，将土地覆盖数据重分类为耕地、林地、草地、水域、裸地和建筑用地这6类；碳密度数据，主要参考相同或临近区域其他作者的研究成果；高程数据（DEM）来源于地理空间数据云（https://www.gscloud.cn），数据类型为90 m栅格数据，利用ENVI5.3进行拼接，然后在ArcGIS中按掩膜提取；坡度、坡向数据，利用ArcGIS的坡度、坡向工具计算DEM数据得到；年平均气温、年降水量、人口密度和人均GDP数据，来源于中国科学院资源环境科学与数据平台（https://www.resdc.cn），数据类型为1 km栅格数据；距水体、省道、国道、高速和铁路距离等数据，利用来源于全国地理信息资源目录服务系统（https://www.webmap.cn/）的矢量数据，经ArcGIS“欧氏距离”工具处理后获取，各驱动因子空间分布如图 2所示；利用ArcMap 10.2，将所有数据重采样为30 m×30 m分辨率，并按照淮南市边界数据再进行裁剪，确保所有数据的行数和列数一致，将坐标系统一为WGS_1984_Albers.
|
表 1 数据信息及来源 Table 1 Data information and sources |
|
图 2 淮南市土地利用变化潜在驱动因子 Fig. 2 Potential driving factors of land use change in Huainan City |
未来土地利用模拟（future land use simulation，FLUS）模型通过在传统元胞自动机（cellular automata，CA）模型的基础上加入基于轮盘赌选择的自适应惯性竞争机制、引入人工神经网络（artificial neural network，ANN）获取适宜性概率等有效地解决了多种土地利用类型之间的竞争关系，提高了模拟精度，并且具有计算效率较高和模拟范围较大等优点，被广泛应用于土地利用变化模拟.
本研究使用的是FLUS V2.4软件，首先，需要用软件中的ANN模块根据2000、2010和2020年土地利用数据和选取的12个土地利用变化驱动因子，通过随机采样的方式计算得到每种土地利用类型的适宜性概率，采样参数设置为10，神经网络隐藏层数设为13；然后，利用马可夫链（Markov chain）模块，计算未来土地需求，当使用基于2000年数据预测2010年的土地覆盖数据时，起始时间分别设置为1990年和2000年；同理，预测2020年土地覆盖数据的起始时间设置为2000年和2010年；用2020年数据预测2030年的土地覆盖数据，则起始时间分别为2010年和2020年；最后，在元胞自动机CA模块中，利用计算得到的未来土地需求，根据情景设置邻域因子和转移成本矩阵，获取不同情景下的未来土地覆盖数据. 邻域因子越接近1，则该土地覆盖类型越容易转化.
1.3.2 多情景设置通过建立不同的土地利用情景分析生态系统服务之间的变化和内部相互响应的作用，可以为未来土地利用规划情景提出决策性建议. 根据前人经验[47]，本研究设置惯性发展情景、耕地保护情景和生态优先情景预测2030年淮南市土地利用空间格局. 惯性发展情景下，不对地类发展进行干预，使其按照原有规律继续发展；耕地保护情景下，限制耕地转化为其它用地；生态优先情景下，限制林地、草地和水域转化为其它地类. 各情景成本矩阵设置如表 2所示.
|
|
表 2 多情景转移矩阵设置1） Table 2 Multi-scenario transition matrix settings |
1.3.3 土地利用预测模型精度评定
Kappa系数是一个用于衡量分类精度和一致性检验的统计指标，可用于检测分类器预测结果与实际分类结果之间的一致性，取值范围为[-1，1]. Kappa指数越大精度越高，当Kappa指数大于0.75时，认为该模型具有较高的可信度，计算公式为：
| (1) |
式中，P0为模拟的正确率；Pe为随机条件下期望的正确率.
本研究基于2000年和2010年土地覆盖数据分别预测2010年和2020年土地利用空间分布，并利用实测数据进行验证，两次验证得到的Kappa系数分别为0.856和0.799，均大于0.75，表明研究使用的FLUS模型模拟精度较高，符合研究要求，因此可以用于多情景模拟土地利用数据.
1.3.4 碳储量计算模型InVEST（integrated valuation of ecosystem services and trade-offs），生态系统服务与权衡的综合评估模型是美国斯坦福大学、大自然保护协会（TNC）与世界自然基金会（WWF）联合开发的，该模型能够有效地评价生态系统服务功能的数量和价值[48]，为决策者权衡人类活动的效益和影响提供科学依据. InVEST模型将生态系统的碳储量划分为地上生物碳、地下生物碳、土壤碳和死亡有机碳，总碳储量的公式为[49]：
| (2) |
式中，Ctotal为总碳储量；Cabove为植被地上碳储量；Cbelow为植被地下碳储量；Csoil为土壤碳储量；Cdead为死亡有机碳储量.
淮南市碳密度数据如表 3所示.
|
|
表 3 淮南市碳密度数据/t·hm-2 Table 3 Carbon density data of Huainan City/t·hm-2 |
2 结果与分析 2.1 土地利用变化特征分析
根据淮南市土地覆盖数据，利于ArcGIS提取30 a间淮南市土地利用面积如表 4所示.
|
|
表 4 淮南市土地利用面积分布/km2 Table 4 Distribution of land use area in Huainan City/km2 |
由表 4可以看出：①耕地、水域和建筑用地是淮南市的主要地类，其中耕地在面积上占据绝对优势，尽管随着时间的推移和城市的发展，耕地的面积在不断地减少，但仍能占据淮南市77%的土地面积；②30 a间，淮南市耕地、草地和未利用地面积减少，林地面积呈现先减少后增加再减少的波动性减少趋势，建筑用地面积增加，水域面积基本保持不变；③截至2020年，耕地面积从4 610.6 km2减少为4 281.41 km2，减少了329.19 km2；林地面积从30.89 km2减少为22.82 km2，减少了8.07 km2；草地面积由6.92 km2减少为0.36 km2，整个城市几乎没有草地；水域面积维持在420~450 km2之间；未利用地面积在所有土地利用类型中占比最小，截至2020年，淮南市未利用地面积仅为0.12 km2，表明淮南市对于荒地的开发非常完全；建筑用地面积从434.17 km2增加至777.39 km2，增加了343.22 km2.
为了更加清晰地描述各类土地面积在1990~2020年之间的相互转化情况，本文绘制了30 a间淮南市土地覆盖转移桑基图，如图 3所示.
|
数值表示土地覆盖面积，单位km2 图 3 1990~2020淮南市土地覆盖转移桑基图 Fig. 3 Sankey map of land cover transfer in Huainan City from 1990 to 2020 |
由图 3可以看出：①耕地在转出的土地类型中占主导地位，转出面积为429.056 1 km2，其中，耕地主要转出为建筑用地，转出面积为335.466 km2，这与城镇的快速发展的趋势相符；其次转出为水域，转出面积为90.385 2 km2，淮南市作为中国重要的能源基地，开采沉陷治理一直是当地环境治理的难题，且淮南市属高潜水位地区，沉陷达1.5 m就会形成积水区[50]，根据淮南市自然资源与规划局“关于淮南市十五届政协四次会议第76号提案办理情况的答复函”，截至2020年8月底，淮南市全市采煤沉陷区深度大于1.5 m面积129 km2，其中沉陷深度大于1.5 m耕地面积59.6 km2，表明开采沉陷是耕地转水域的重要因素之一；②占据次要地位的是水域，转出面积为96.607 8 km2，主要转出为耕地和建筑用地，转出面积分别为84.967 2 km2和11.592 9 km2，考虑到当地沉陷治理，部分沉陷积水区会重新转化为耕地；③建筑用地的转出面积比耕地和水域少，仅有8.856 9 km2，且有6.354 km2转为水域，2.481 3 km2转为耕地；④林地的转出面积为12.438 km2，主要转为耕地和建设用地，转出面积分别为9.929 7 km2和2.195 1 km2.
2.2 碳储量变化特征分析根据计算结果绘制淮南市碳储量分布如图 4所示，并提取淮南市1990~2020年碳储量结果如表 5所示.
|
图 4 淮南市碳储量分布 Fig. 4 Carbon storage distribution in Huainan City |
|
|
表 5 淮南市1990~2020不同土地利用类型碳储量×103/t Table 5 Carbon storage of different land use types in Huainan City from 1990 to 2020×103/t |
由表 5可知：①从碳储量总量来看，1990~2020年的碳储量分别为51 675.82×103、51 290.65×103、51 246.57×103和50 846.52×103 t，呈现不断减少的趋势，30 a间碳储量一共减少了8.29×105 t；②从土地利用碳储量来看，耕地作为占据绝对优势的地物类型，对淮南市碳储量的贡献最大，耕地储碳量占淮南市总储碳量的多年平均值可达83.05%，其次是建筑用地，截至2020年，建筑用地的碳储量占淮南市总碳储量的11.36%；排在第3位的是水域，然后是林地、草地和未利用地；③从土地利用碳储量变化来看，1990~2020年耕地碳储量不断减少，由44 056.81×103 t减少为40 911.28×103 t，减少了3.15×106 t，是碳储量减少最多的地类，其中2000~2010年和2010~2020年两个时间段减少较多，分别减少了1.17×106 t和1.15×106 t；林地碳储量由652.3×103 t减少为481.88×103 t，减少了1.70×105 t，其中1990~2000年间减少量最大，为2.64×105 t；草地储碳量从71.98×103 t减少为3.8×103 t，减少了6.82×104 t；水域碳储量的变化较小，仅减少了10.03×103 t，但在1990~2000年期间减少了2.23×105 t；建筑用地的储碳能力显著提升，由3 227.34×103 t增加到5 775.15×103 t，增加了2.55×106 t，其中1990~2000年增加的最多，增加了9.63×105 t.
2.3 碳储量对土地利用变化的响应土地利用类型的转化会引起陆地生态系统各碳库碳储量的变化. 为了更加清晰地反映土地利用变化对碳储量的影响，本文绘制了1990~2020年淮南市土地利用转移对应的碳储量变化如表 6所示.
|
|
表 6 1990~2020土地转移对应的碳储量 Table 6 Carbon storage corresponding to land transfer from 1990 to 2020 |
由表 6可以看出：①从4种碳库碳储量变化来看，30 a间，地上碳储量减少了2.12×105 t，占碳储量变化总量的25.49%，地下碳储量减少5.32×104 t，占碳储量变化总量的6.39%，土壤碳储量变化量最大，为4.93×105 t，占碳储量变化总量的59.28%，死亡有机质碳储量减少了7.36×104 t，占碳储量变化总量的8.84%，碳储量减少主要集中在地上和土壤两个碳库. ②由土地利用转化面积和总碳储量变化数据可以看出，因耕地转出为其它土地类型导致耕地碳储量减少了8.0×105 t，是所有地物类型中碳储量损失最多的，其中，土壤碳储量减少了4.94×105 t，占损失碳储量的61.75%，由耕地转化为建筑用地造成的碳储量损失最大，减少了7.12×105 t；林地转为其它土地类型导致林地碳储量减少了1.49×105 t，其中，地上碳储量和土壤碳储量分别减少了4.93×104 t和4.24×104 t，因林地转化为耕地导致的林地储碳量的损失最大，为1.15×105 t；从水域转为其它地物类型导致水域碳储量增加了1.08×105 t，其中，地上碳储量和地下碳储量分别增加了4.54×104 t和4.14×104 t，由水域转为耕地导致碳储量增加了1.16×105 t，而水域转化为未利用地和建筑用地导致水域储碳量有所损失；草地、未利用地和建筑用地的碳储量变化相对于其它几类地物较小，在此不予讨论.
2.4 多情景模拟土地利用下碳储量时空变化利用FLUS模型对2030年不同情境下淮南市土地利用格局进行预测，预测的土地利用分布结果如图 5所示，并提取各类地物面积如表 7所示.
|
图 5 2030年不同情境下土地利用格局 Fig. 5 Land use patterns under different scenarios in 2030 |
|
|
表 7 2030年不同情景下各类地物面积/km2 Table 7 Area of various land features under different scenarios in 2030/km2 |
由表 7可以看出：①2020~2030淮南市在惯性发展情景下，耕地面积延续之前的发展趋势，由4 281.41 km2减少至4 164.13 km2，减少了117.28 km2，建筑用地面积由777.39 km2增加至890.02 km2，增加了112.63 km2，草地、林地面积均有减少，水域面积略有增加，说明在惯性发展情景下，淮南市以城镇发展为主；②在耕地保护情景下，各类地物面积基本维持原有水平，耕地面积略有增加，建筑用地的扩张程度远不如之前，说明在此情景下，淮南市保护耕地，限制城镇的发展；③在生态保护情境下，优先保护草地、林地和水体，但从预测的结果中看，效果并不显著，林地和草地面积只有微弱的增加，水域面积相较于林地和草地增加得多，但增长幅度仍不理想，且该种情景下研究区各类地物的发展趋势与惯性发展情景类似.
利用土地利用预测结果估算淮南市2030年不同情景下各地类的储碳量如表 8所示.
|
|
表 8 2030年不同情景下各地类储碳量×103/t Table 8 Carbon storage of various categories in 2030 under different scenarios×103/t |
从表 8中可以看出：①从碳储量总量来看，2030年各情景碳储量较2020年均有所下降，其中生态优先情景下总碳储量减少最多，由50 846.5×103 t减少为50 597.95×103 t，减少了2.49×105 t，其次是惯性发展情景，该情景下总碳储量由50 846.5×103 t减少为50 766.00×103 t，减少了8.05×104 t，然后是耕地保护情景，总碳储量减少了2.43×104 t；②从土地利用碳储量变化来看，惯性发展情境下，研究区各土地利用碳储量延续之前的变化趋势，耕地、林地、草地、未利用地碳储量持续减少，建筑用地碳储量增加，水域的碳储量面积增加；耕地保护情景下，耕地碳储量减少的趋势得以抑制，且在2020年的基础上缓步上升，较2020年增加了7.23×104 t；林地碳储量依旧呈现减少的趋势，较2020年减少了3.37×104 t，其它地类的碳储量基本保持在2020年的水平；在生态优先情景下，耕地碳储量由40 911.3×103 t减少为39 776.84×103 t，减少了1.13×106t，草地碳储量维持原有水平，林地、水域碳储量增加显著，林地碳储量由481.88×103 t增加到497.12×103 t，增加了1.52×104 t，水域碳储量由3 673.46×103 t增加到3 726.08×103 t，增加了5.26×104 t，建筑用地碳储量的变化趋势与惯性发展情景类似. ③对比3种情景下的碳储量变化可知：生态优先情景下，林地、水域面积都在增加，说明政府希望通过促进碳密度低的地类向碳密度高的地类转化，来增加淮南市的碳储量，然而效果并不显著，从土地利用模拟结果来看，尽管生态优先情景下保护林地、水域、草地，但并未取得显著成效，反而由于耕地的大量流失和建筑用地的扩张，导致碳储量不升反降；惯性发展情景延续了之前的发展趋势，耕地碳储量减少，建筑用地碳储量增加，相比生态优先情景，惯性发展情景的耕地碳储量多了2.0×105 t，这也是导致惯性发展情景下研究区的总碳储量比生态优先情景下的总碳储量多的主要原因；在耕地保护情景下，耕地的面积有所增加，耕地碳储量较2020年增加了7.23×104 t，而相较于其它两种情景，耕地保护情景下研究区总碳储量仅减少2.43×104 t，说明采取耕地保护措施能够更有效的抑制淮南市碳储量减少.
3 讨论 3.1 淮南市碳储量与土地利用变化的响应关系碳储量变化与各类土地覆盖变化密切相关，碳储量降低主要是由碳密度较高的土地覆盖类型向碳密度较低的土地覆盖类型转化引起的[29]. 本研究中，淮南市1990~2020年耕地面积由4 610.60 km2减少到4 281.41 km2，建筑用地面积由431.17 km2增加到777.39 km2，碳储量从51 675.82×103 t减少到50 846.22×103 t，表现为持续减少的趋势；淮南市林地和草地稀少，耕地作为该市主要的碳库，是影响碳储量变化的主要因素；耕地减少和建筑用地增加是该市碳储量减少的主要原因.
对2030年的3种情景进行预测，结果表明：3种情景下碳储量较2020年均有所减少. 其中，在生态优先情景下，即采用优先保护林地和草地两种固碳能力较强的地类的策略，促使碳密度低的地类向碳密度高的地类转化，由于淮南市林地和草地相对于其它地物基数小，占比处于绝对劣势，二者扩张能力有限，导致生态保护策略难以取得成效，预期固碳量不升反降. 而在耕地保护情景下，碳储量减少量最小，符合淮南市碳储量控制的主要因素是耕地的结论. 耕地资源的保护是抑制研究区碳储量减少的重点，未来应该优先考虑保护耕地，约束建筑用地的扩张和矿区耕地资源的保护.
3.2 局限性InVEST模型通过给不同的土地利用类型赋予不同的碳密度进行计算，得到研究区碳储量，因此研究中需要获取淮南市的碳密度数据. 由于碳密度实测数据较难获取，本研究采用的碳密度值参考了其他学者的研究成果，大多数地类的碳密度值参考了同一研究区的其他学者的研究成果，具有较高的可信度，而未利用地的碳密度值则参考了临近区域的研究成果，且考虑到研究区未利用地面积很少，不会对整体碳储量的估算造成影响，故未对其碳密度值进行修正，虽然不影响实验结果的可信度，但显然有失严谨，后续研究中将针对不同地物类型补充野外实测数据来提高碳密度的准确性. 此外，有研究表明气候变化对碳密度有一定的影响，但考虑到气候变化具有随机性，很难找到特定的规律，故不易估算气候变化对碳密度的影响，因此，预测结果与实际情况会有一定的偏差，但从精度验证结果来看，实验结果仍具有较高的可信度.
本研究采用FLUS模型，结合12个驱动因子对未来土地利用空间分布进行模拟，结果精度表现优良，本研究选取的驱动因子涉及自然、交通和社会等方面，但土地利用发展情况还会受到政策和未来规划等方面的影响. 因此，笔者在后续的研究过程中会着重关注当地政府的政策和规划，从而使得模拟结果更加可靠.
4 结论（1）淮南市土地类型主要为耕地，面积占比可达75%以上. 1990~2020年淮南市耕地、草地和林地面积持续减少，建筑面积不断增加，地类转移主要由耕地转为建筑用地. 与其他情景相比，耕地保护情景能够更好地促进耕地面积的增加，且能很好地抑制建筑用地的扩张.
（2）1990~2020年淮南市碳储量减少了8.29×105 t，呈持续减少的趋势；耕地是淮南市主要的碳库，耕地转为建筑用地是导致淮南市碳储量减少的主要原因.
（3）淮南市2030年惯性发展情景、耕地保护情景和生态优先情景下碳储量分别为50 766×103、50 822.21×103和50 597.95×103 t；3种情景下的碳储量较2020年均有所下降；其中，耕地保护情景对于碳储量减少的抑制效果最为显著. 未来可考虑重点保护耕地.
| [1] |
刘良云, 宋博文. 陆地生态系统固碳速率立体监测方法: 进展与挑战[J]. 大气科学学报, 2022, 45(3): 321-331. Liu L Y, Song B W. Calculating the carbon sequestration rate of terrestrial ecosystems: methods, progress and challenges[J]. Transactions of Atmospheric Sciences, 2022, 45(3): 321-331. |
| [2] |
傅楷翔, 贾国栋, 余新晓, 等. 耦合PLUS-InVEST-Geodector模型的新疆地区碳储量时空变化及驱动机制分析[J]. 环境科学, 2024, 45(9): 5416-5430. Fu K X, Jia G D, Yu X X, et al. Analysis of temporal and spatial carbon stock changes and driving mechanism in Xinjiang region by coupled PLUS-InVEST-Geodector model[J]. Environmental Science, 2024, 45(9): 5416-5430. |
| [3] |
胡佶熹, 勒先文, 徐勇. 基于FLUS模型多情景土地利用变化对陆地生态系统碳储量影响——以江西萍乡为例[J]. 水土保持研究, 2024, 31(2): 299-309. Hu J X, Le X W, Xu Y. Estimating terrestrial eco-system carbon stock changes caused by multi-scenarios land-use changes based on the flus model-A case study of Pingxiang, Jiangxi[J]. Research of Soil and Water Conservation, 2024, 31(2): 299-309. |
| [4] |
曾庆雨, 孙才志. 黄河流域陆地生态系统碳储量测算及其影响因素[J]. 生态学报, 2024, 44(13): 5476-5493. Zeng Q Y, Sun C Z. Estimation and influencing factors of carbon storage in terrestrial ecosystems in the Yellow River Basin[J]. Acta Ecologica Sinica, 2024, 44(13): 5476-5493. |
| [5] |
杨卓琳, 刘荣波, 逄锦光, 等. 陆地生态系统碳收支时空变化及影响因素——以湖南省郴州市为例[J]. 长江流域资源与环境, 2024, 33(5): 1066-1075. Yang Z L, Liu R B, Pang J G, et al. Spatio-temporal characteristics and driving factors of terrestrial carbon uptake: a case study of Chenzhou City, Hunan Province[J]. Resources and Environment in the Yangtze Basin, 2024, 33(5): 1066-1075. |
| [6] |
董战峰, 毕粉粉, 冀云卿. 中国陆地生态系统碳汇发展的现状、问题及建议[J]. 科技导报, 2022, 40(19): 15-24. Dong Z F, Bi F F, Ji Y Q. Current status, problems and suggestions of terrestrial ecosystems carbon sink in China[J]. Science & Technology Review, 2022, 40(19): 15-24. |
| [7] |
唐兰萍, 柯新利, 左成超, 等. 中国耕地系统时空演变对陆地生态系统碳收支的影响[J]. 中国农业大学学报, 2024, 29(10): 278-289. Tang L P, Ke X L, Zuo C C, et al. Impact of spatial-temporal changes in the cropland system on carbon budget of terrestrial ecosystems in China[J]. Journal of China Agricultural University, 2024, 29(10): 278-289. |
| [8] |
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. |
| [9] | Zhang Y, Yu P H, Tian Y S, et al. Exploring the impact of integrated spatial function zones on land use dynamics and ecosystem services tradeoffs based on a future land use simulation (FLUS) model[J]. Ecological Indicators, 2023, 150. DOI:10.1016/j.ecolind.2023.110246 |
| [10] |
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. |
| [11] |
张智洋, 赵颖慧, 甄贞. 基于LUCC的1986-2022年松花江流域陆地生态系统碳储量动态监测[J]. 植物生态学报, 2024, 48(10): 1274-1290. Zhang Z Y, Zhao Y H, Zhen Z. Dynamic monitoring of carbon storage of the terrestrial ecosystem in Songhua River Basin from 1986 to 2022 based on land use and land cover change[J]. Chinese Journal of Plant Ecology, 2024, 48(10): 1274-1290. |
| [12] | Liu B J, Zhang L, Lu F, et al. Methodology for accounting the net mitigation of China's ecological restoration projects (CANM-EP)[J]. MethodsX, 2019, 6: 1753-1773. |
| [13] | Tong X W, Wang K L, Yue Y M, et al. Quantifying the effectiveness of ecological restoration projects on long-term vegetation dynamics in the Karst regions of Southwest China[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 54: 105-113. |
| [14] |
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. |
| [15] |
贾天朝, 胡西武. 基于PLUS-InVEST-Geodector模型的三江源国家公园碳储量时空变化及驱动力[J]. 环境科学, 2024, 45(10): 5931-5942. Jia T C, Hu X W. Spatial-temporal change and driving force of carbon storage in three-river-source national park based on PLUS-InVEST-Geodector model[J]. Environmental Science, 2024, 45(10): 5931-5942. |
| [16] |
刘冠, 李国庆, 李洁, 等. 基于InVEST模型的1999—2016年麻塔流域碳储量变化及空间格局研究[J]. 干旱区研究, 2021, 38(1): 267-274. Liu G, Li G Q, Li J, et al. Study on change in carbon storage and its spatial pattern in Mata Watershed from 1999 to 2016 based on InVEST model[J]. Arid Zone Research, 2021, 38(1): 267-274. |
| [17] | Jiang W G, Deng Y, Tang Z H, et al. Modelling the potential impacts of urban ecosystem changes on carbon storage under different scenarios by linking the CLUE-S and the InVEST models[J]. Ecological Modelling, 2017, 345: 30-40. |
| [18] |
杨熙萌, 钱宝蔚, 姬广兴, 等. 淮河流域中上游碳储量时空变化特征及未来多情景模拟预测[J]. 环境科学, 2024, 45(10): 5970-5982. Yang X M, Qian B W, Ji G X, et al. Characteristics of spatial and temporal changes in carbon stocks in the middle and upper reaches of the Huaihe River Basin and future multi-scenario simulation prediction[J]. Environmental Science, 2024, 45(10): 5970-5982. |
| [19] |
李冰洁, 范志韬, 曲芷程, 等. 基于InVEST-PLUS模型的黄河流域内蒙古段生态系统碳储量评价及预测[J]. 干旱区研究, 2024, 41(7): 1217-1227. Li B J, Fan Z T, Qu Z C, et al. Evaluation and prediction of ecosystem carbon storage in the Inner Mongolia section of the Yellow River Basin based on the InVEST-PLUS model[J]. Arid Zone Research, 2024, 41(7): 1217-1227. |
| [20] | 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 |
| [21] |
杨鸿魁, 张乐乐, 刘晓洋, 等. 基于PLUS-InVEST模型的青海省海西州碳储量时空演变及预测[J]. 环境科学, 2025, 46(4): 1951-1963. Yang H K, Zhang L L, Liu X Y, et al. Temporal and spatial evolution and prediction of carbon storage in Haixi prefecture of Qinghai Province based on PLUS-InVEST model[J]. Environmental Science, 2025, 46(4): 1951-1963. |
| [22] |
王伟武, 伏添乐, 陈欢. 基于PLUS-InVEST模型的长三角城市群碳储量时空演变与预测[J]. 环境科学, 2025, 46(4): 1937-1950. Wang W W, Fu T L, Chen H. Spatial-temporal evolution and prediction of carbon storage in the Yangtze River Delta Urban Agglomeration based on PLUS-InVEST model[J]. Environmental Science, 2025, 46(4): 1937-1950. |
| [23] | Liang Y J, Hashimoto S, Liu L J. Integrated assessment of land-use/land-cover dynamics on carbon storage services in the Loess Plateau of China from 1995 to 2050[J]. Ecological Indicators, 2021, 120. DOI:10.1016/j.ecolind.2020.106939 |
| [24] | 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 |
| [25] |
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. |
| [26] |
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. |
| [27] |
雒舒琪, 胡晓萌, 孙媛, 等. 耦合PLUS-InVEST模型的多情景土地利用变化及其对碳储量影响[J]. 中国生态农业学报(中英文), 2023, 31(2): 300-314. Luo S Q, Hu X M, Sun Y, et al. Multi-scenario land use change and its impact on carbon storage based on coupled Plus-Invest model[J]. Chinese Journal of Eco-Agriculture, 2023, 31(2): 300-314. |
| [28] |
张顺鑫, 吴子豪, 闫庆武, 等. 基于PLUS-InVEST模型的天山北坡生态系统碳储量时空变化与预测[J]. 干旱区研究, 2024, 41(7): 1228-1237. Zhang S X, Wu Z H, Yan Q W, et al. Spatiotemporal changes in the ecosystem carbon storage on the northern slope of the Tianshan Mountains and simulations based on the PLUS-InVEST model[J]. Arid Zone Research, 2024, 41(7): 1228-1237. |
| [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] |
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. |
| [31] |
徐良骥, 贺震东, 刘潇鹏, 等. 高潜水位矿区土地利用和碳储量时空变化规律与预测[J]. 煤炭科学技术, 2024, 52(1): 355-365. Xu L J, He Z D, Liu X P, et al. Spatio-temporal variation and prediction of land use and carbon storage in high groundwater level mining area[J]. Coal Science and Technology, 2024, 52(1): 355-365. |
| [32] | 周汶颖. 基于Logistic-CA-Markov和InVEST模型的上海市土地利用与碳储量时空演化及预测[D]. 上海: 上海师范大学, 2023. |
| [33] |
张晓瑞, 郭龙坤, 王振波. 基于InVEST-PLUS耦合模型的合肥市生境质量评价及模拟预测[J]. 环境科学, 2025, 46(6): 3772-3783. Zhang X R, Guo L K, Wang Z B. Habitat quality evaluation and simulation prediction in Hefei City based on InVEST-PLUS coupled modeling[J]. Environmental Science, 2025, 46(6): 3772-3783. |
| [34] |
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. |
| [35] | Luan C X, Liu R Z, Li Y, et al. Comparison of various models for multi-scenario simulation of land use/land cover to predict ecosystem service value: a case study of Harbin-Changchun urban agglomeration, China[J]. Journal of Cleaner Production, 2024, 478. DOI:10.1016/j.jclepro.2024.144012 |
| [36] | Çağlıyan A, Dağlı D. Monitoring land use land cover changes and modelling of urban growth using a future land use simulation model (FLUS) in Diyarbakır, Turkey[J]. Sustainability, 2022, 14(15). DOI:10.3390/su14159180 |
| [37] |
吴先雯, 郭风成. 基于Invest模型和Flus模型的江苏省碳储量变化模拟与预测[J]. 中国生态农业学报(中英文), 2024, 32(2): 230-239. Wu X W, Guo F C. Analysis and prediction of carbon storage changes in Jiangsu Province based on the Invest model and Flus model[J]. Chinese Journal of Eco-Agriculture, 2024, 32(2): 230-239. |
| [38] | Yulianto F, Maulana T, Khomarudin M R. Analysis of the dynamics of land use change and its prediction based on the integration of remotely sensed data and CA-Markov model, in the upstream Citarum Watershed, West Java, Indonesia[J]. International Journal of Digital Earth, 2019, 12(10): 1151-1176. |
| [39] | Atef I, Ahmed W, Abdel-Maguid R H. Future land use land cover changes in El-Fayoum governorate: a simulation study using satellite data and CA-Markov model[J]. Stochastic Environmental Research and Risk Assessment, 2024, 38(2): 651-664. |
| [40] | Luo G P, Yin C Y, Chen X, et al. Combining system dynamic model and CLUE-S model to improve land use scenario analyses at regional scale: a case study of Sangong watershed in Xinjiang, China[J]. Ecological Complexity, 2010, 7(2): 198-207. |
| [41] |
俞钦平, 吴振华, 王亚蓓. 一种耦合进化算法与FLUS模型的土地利用变化模拟模型[J]. 地球信息科学学报, 2023, 25(3): 510-528. Yu Q P, Wu Z H, Wang Y B. A land use change simulation model: coupling of evolutionary algorithm and FLUS model[J]. Journal of Geo-Information Science, 2023, 25(3): 510-528. |
| [42] |
施歌, 王雨桐, 刘嘉航. 基于土地利用/覆被变化的江苏省陆地生态系统碳储量时空演变特征[J]. 环境科学, 2025, 46(5): 2953-2962. Shi G, Wang Y T, Liu J H. Spatio-temporal evolution patterns of terrestrial ecosystem carbon storage in Jiangsu Province based on land use and cover change[J]. Environmental Science, 2025, 46(5): 2953-2962. |
| [43] |
李井浩, 柳书俊, 王志杰. 基于FLUS和InVEST模型的云贵高原土地利用与生态系统服务时空变化多情景模拟研究[J]. 水土保持研究, 2024, 31(3): 287-298. Li J H, Liu S J, Wang Z J. Multi-scenario simulation of spatiotemporal changes of land use pattern and ecosystem services in Yunnan-Guizhou plateau based on FLUS and InVEST models[J]. Research of Soil and Water Conservation, 2024, 31(3): 287-298. |
| [44] | Zhang H W, Li H Y, Zhang J C, et al. Simulation of wetland distribution in the Yellow River Basin based on an improved Markov-FLUS model[J]. Environmental Research Letters, 2024, 19(10). DOI:10.1088/1748-9326/ad6ea5 |
| [45] |
庄智程. 基于生态系统服务供需关系的煤炭资源型城市国土空间优化研究——以淮南市为例[D]. 徐州: 中国矿业大学, 2023. Zhuang Z C. Spatial optimization of coal-based city based on ecosystem service supply-demand relationship: a case study of Huainan City[D]. Xuzhou: China University of Mining and Technology, 2023. |
| [46] |
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. |
| [47] |
牛统莉, 熊立华, 陈杰, 等. 基于PLUS模型的长江流域土地利用变化模拟与多情景预测[J]. 武汉大学学报(工学版), 2024, 57(2): 129-141, 151. Niu T L, Xiong L H, Chen J, et al. Land use simulation and multi-scenario prediction of the Yangtze River Basin based on PLUS model[J]. Engineering Journal of Wuhan University, 2024, 57(2): 129-141, 151. |
| [48] | Li P C, Chen J D, Li Y X, et al. Using the InVEST-PLUS model to predict and analyze the pattern of ecosystem carbon storage in Liaoning Province, China[J]. Remote Sensing, 2023, 15(16). DOI:10.3390/rs15164050 |
| [49] |
许澳康, 胡梦珺, 石晶, 等. 石羊河流域生态系统碳储量时空变化及多情景模拟[J]. 中国环境科学, 2024, 44(6): 3365-3375. Xu A K, Hu M J, Shi J, et al. Spatial and temporal variability of ecosystem carbon storages and multi-scenario simulation in the Shiyang River basin[J]. China Environmental Science, 2024, 44(6): 3365-3375. |
| [50] |
陆垂裕, 陆春辉, 李慧, 等. 淮南采煤沉陷区积水过程地下水作用机制[J]. 农业工程学报, 2015, 31(10): 122-131. Lu C Y, Lu C H, Li H, et al. Groundwater influencing mechanism in water-ponding process of Huainan coal mining subsidence area[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(10): 122-131. |