多情景模擬區(qū)域土地利用變化對碳儲量的影響

王志遠,吳 凡,萬 鼎,張 考,李隆斌,黃春華*

多情景模擬區(qū)域土地利用變化對碳儲量的影響

王志遠1,2,3,吳 凡2,萬 鼎2,張 考2,李隆斌2,黃春華2*

(1.中南林業(yè)科技大學風景園林學院,湖南 長沙 410004；2.南華大學建筑與設(shè)計藝術(shù)學院,湖南 衡陽 421001；3.湖南省自然保護地風景資源大數(shù)據(jù)工程技術(shù)研究中心,湖南 長沙 410004)

以洞庭湖生態(tài)經(jīng)濟區(qū)為例,利用InVEST模型評估1990～2020年土地利用變化帶來的碳儲量效應(yīng),耦合Markov-FLUS模型模擬2030年、2060年在自然演變、耕地保護、生態(tài)保護、綜合保護四種情景下土地利用變化及其對碳儲量的影響.結(jié)果表明:1990～2020年洞庭湖生態(tài)經(jīng)濟區(qū)呈現(xiàn)出耕地、林地和草地面積減少,水域、建設(shè)用地和未利用地的面積持續(xù)增加的特征.區(qū)域內(nèi)整體碳儲量較高,但隨著土地利用變化,造成區(qū)域固碳能力和潛力有所降低, 1990～2020年區(qū)域碳儲量總共減少0.433×106t.在自然演變、耕地保護、生態(tài)保護和綜合保護四種不同情景下,2030年、2060年區(qū)域均表現(xiàn)出建設(shè)用地的變化量較大,綜合保護情景建設(shè)用地的增加量得到較好控制.2030年、2060年洞庭湖生態(tài)經(jīng)濟區(qū)自然演變情景碳儲量分別為19.927×106t、19.696×106t,耕地保護情景為19.891×106t、19.903×106t,生態(tài)保護情景為19.952×106t、19.873×106t,綜合保護情景為20.004×106t、19.949×106t,相比可知在綜合考慮耕地與生態(tài)保護的情景下,區(qū)域碳匯能力較強.研究結(jié)果有助于構(gòu)建高碳匯國土空間格局,可為實現(xiàn)區(qū)域碳平衡和土地利用結(jié)構(gòu)優(yōu)化提供依據(jù).

土地利用變化；碳儲量；多情景模擬；InVEST模型；Markov-FLUS模型；洞庭湖生態(tài)經(jīng)濟區(qū)

陸地生態(tài)系統(tǒng)通過吸收大氣中的CO2等溫室氣體,對于減緩氣候變化和促進碳循環(huán)等方面發(fā)揮著重要作用[1],而土地利用變化是其關(guān)鍵驅(qū)動因素[2].隨著城鎮(zhèn)化和工業(yè)化進程加快,2020年全球人為碳排放約為364×109t,其中因土地利用及其變化所導致的碳排放約占到60×109t;陸地生態(tài)系統(tǒng)能夠吸收的碳排放量即碳匯為35×109t/年,占碳匯總數(shù)的30%以上[3-4].探究土地利用及其變化對陸地生態(tài)系統(tǒng)碳儲量的影響是近年來氣候變化研究關(guān)注的焦點[5].

當前關(guān)于陸地生態(tài)系統(tǒng)碳儲量的研究,InVEST模型是最常用的一種根據(jù)土地利用類型及其變化進行描述評估的當量因子模型.目前,國內(nèi)外學者從不同角度對土地利用變化如何影響區(qū)域生態(tài)系統(tǒng)碳儲量進行了探討.Imran等[6]、Plyathilake等[7]通過利用InVEST模型對巴格羅特山谷與斯里蘭卡烏瓦省的土地利用碳儲量評估,得到各類用地對碳儲量的貢獻值并且發(fā)現(xiàn)森林、草地等生態(tài)用地是陸地碳儲量的重要載體. 國內(nèi)朱麗亞等[8]通過評估1990～2018年遼寧省海岸帶碳儲量變化得出建設(shè)用地面積增加、林地和草地面積的減少是區(qū)域生態(tài)碳儲量減少的最主要原因;任璽錦等[9]在分析甘肅省1990～2015年土地利用變化的基礎(chǔ)上結(jié)合氣候變化對碳密度系數(shù)影響評估了碳儲量的變化,研究得到土地利用類型的變化使各地類碳密度發(fā)生變化從而影響碳儲量變化,并且各地類的碳密度是受氣候影響的;赫曉慧等[10]則是在評估中原城市群2005～2020年碳儲量的基礎(chǔ)上結(jié)合灰色模型獲取動態(tài)碳密度數(shù)據(jù),進而對未來情境下區(qū)域碳儲量進行動態(tài)模擬. 可見InVEST模型在土地利用格局分析的基礎(chǔ)上對不同尺度、不同生態(tài)系統(tǒng)、不同區(qū)域的碳儲量變化關(guān)系都可以進行較好的描述,但其無法動態(tài)評估因土地利用轉(zhuǎn)變而引起的碳儲量變化,而結(jié)合土地利用動態(tài)模擬模型分析彌補了這一不足,因此越來越多學者通過耦合兩種模型來評估土地利用變化的碳儲量效應(yīng)[11-12]. Babbar等[13]耦合InVEST和Markov模型預測了印度薩里斯卡老虎自然保護區(qū)2035年不同情景下土地利用碳儲量的變化,發(fā)現(xiàn)造成區(qū)域碳損失主要因素是林地、草地等生態(tài)用地的耕地化;楊潔等[14]基于InVEST和Ca-Markov模型評估了黃河流域2005～2018年以及2030年不同情景下生態(tài)系統(tǒng)的碳儲量,發(fā)現(xiàn)在生態(tài)保護情境下能夠有效緩解區(qū)域碳儲量的降低;張凱琪等[15]則是基于耦合InVEST和GeoSOS-FLUS模型土地利用視角,針對桂林市2040年陸地生態(tài)系統(tǒng)的碳儲量并基于生態(tài)保護情景區(qū)域用地格局劃定出優(yōu)先保護區(qū)域. 基于土地利用及其變化數(shù)據(jù),運用InVEST模型評估區(qū)域碳儲量,能夠在空間以及數(shù)量上對所選研究區(qū)域的現(xiàn)狀構(gòu)成進行直觀的反映,并且該方法結(jié)合Ca-Markov模型或GeoSOS-FLUS模型進行土地利用變化預測,可以有效地模擬土地利用格局的空間變化,評估不同情景下的碳儲量.

中國政府高度關(guān)注氣候變化,于2020年提出在2030年前實現(xiàn)碳達峰、2060年前實現(xiàn)碳中和的戰(zhàn)略目標.回顧總結(jié)2020年以前30年土地利用變化碳儲量特征,展望2030～2060年土地利用變化碳儲量動態(tài)趨勢,有助于優(yōu)化土地利用格局、提升國土空間碳匯能力及支撐實現(xiàn)雙碳戰(zhàn)略.洞庭湖生態(tài)經(jīng)濟區(qū)是長江經(jīng)濟帶重要組成部分,其建設(shè)對于促進長江流域開發(fā)保護具有重要意義[16];同時作為中國中部重要的生態(tài)屏障,囊括了“山水林田湖草”所有要素[17],對其國土空間開發(fā)保護格局的探索具有典型意義.目前對于洞庭湖生態(tài)經(jīng)濟區(qū)的研究已取得了不少成果,主要集中在土地利用演變及其驅(qū)動因素[16]、生態(tài)系統(tǒng)服務(wù)價值評估[18]以及生態(tài)服務(wù)功能時空變化[19]等方面,對于區(qū)域碳儲量及其模擬評估的研究較少.現(xiàn)有研究尚未有基于中國2030年碳達峰、2060年碳中和戰(zhàn)略目標,多情景模擬2030年、2060年區(qū)域土地利用變化對陸地生態(tài)系統(tǒng)碳儲量的影響.因此,本研究在分析洞庭湖生態(tài)經(jīng)濟區(qū)1990～2020年土地利用變化的基礎(chǔ)上,運用InVEST模型評估其碳儲量的時空變化特征,并分別模擬2030年和2060年洞庭湖生態(tài)經(jīng)濟區(qū)自然演變、耕地保護、生態(tài)保護和綜合保護四種情景下土地利用與碳儲量之間的關(guān)系以及時空動態(tài)變化特征,以期為洞庭湖生態(tài)經(jīng)濟區(qū)碳匯能力提升、土地利用結(jié)構(gòu)優(yōu)化和生態(tài)環(huán)境管理決策提供科學依據(jù).

1 研究區(qū)域與數(shù)據(jù)來源

1.1 研究區(qū)域

洞庭湖生態(tài)經(jīng)濟區(qū)處于中國長江中游地段(27°98'～30°23'N,110°20′～114°14′E),涵蓋湖南省岳陽市、常德市、益陽市、長沙市望城區(qū)和湖北省荊州市,共計33個縣(市、區(qū)),南北毗鄰長株潭城市群與武漢都市圈,總面積為6.05萬平方公里(圖1).區(qū)域?qū)賮啛釒Ъ撅L濕潤氣候,年平均降水和氣溫分別為1 421.92mm、16.87℃.研究區(qū)域整體地勢南高北低,西高東低,地形主要為沖積平原、水網(wǎng)以及丘陵;區(qū)域碳儲量較大,是重要的生態(tài)碳匯區(qū),對維護長江流域的生態(tài)系統(tǒng)健康具有重要作用.2014年4月,國務(wù)院批復《洞庭湖生態(tài)經(jīng)濟區(qū)規(guī)劃》, 2015年4月《長江中游城市群規(guī)劃》確立該區(qū)域以生態(tài)優(yōu)先、綠色發(fā)展為引領(lǐng), 2023年2月《新時代洞庭湖生態(tài)經(jīng)濟區(qū)規(guī)劃》要求全面系統(tǒng)保護洞庭湖生態(tài)環(huán)境,將洞庭湖生態(tài)經(jīng)濟區(qū)打造成長江經(jīng)濟帶、長江中游城市群和中部地區(qū)崛起的生態(tài)戰(zhàn)略支點,為建設(shè)綠色發(fā)展的美麗長江和美麗中部創(chuàng)造積極條件.因此,通過土地利用變化視角研究區(qū)域碳儲量效應(yīng),對于推動以生態(tài)文明建設(shè)為抓手保障區(qū)域經(jīng)濟社會穩(wěn)定發(fā)展、改善生態(tài)環(huán)境以及國土空間開發(fā)保護具有重要的意義.

1.2 數(shù)據(jù)來源

本研究所采用的數(shù)據(jù)主要包括如下三個部分:①土地利用數(shù)據(jù).1990年、2000年、2010年和2020年洞庭湖生態(tài)經(jīng)濟區(qū)4期土地利用數(shù)據(jù)來源于地理空間數(shù)據(jù)云(www.gscloud.cn)提供的Landsat衛(wèi)星影像,云層覆蓋率均低于5%,利用 ENVI軟件對遙感影像數(shù)據(jù)進行解譯,并參照國家土地利用現(xiàn)狀分類,將土地利用類型分為林地、耕地、草地、建設(shè)用地、水域和未利用地6個大類,選取了6種土地利用類型各200個樣本點進行精度驗證,結(jié)果顯示精度達到91.3%.該解譯精度滿足研究的要求.②空間驅(qū)動因子數(shù)據(jù).參照現(xiàn)有的土地利用模擬成果并補充道路數(shù)據(jù)、鄉(xiāng)鎮(zhèn)中心數(shù)據(jù)、公共服務(wù)設(shè)施數(shù)據(jù)作為驅(qū)動因子,其數(shù)據(jù)來源與處理如表1和圖3所示.③用地類型碳儲量系數(shù).數(shù)據(jù)來源于國家生態(tài)科學數(shù)據(jù)中心(www.nesdc.org.cn),并對其進行30m精度的重采樣.上述數(shù)據(jù)均通過ArcGIS進行標準化處理,使其行列數(shù)與像元大小保持一致.

表1 洞庭湖生態(tài)經(jīng)濟區(qū)土地利用模擬驅(qū)動因素指標體系

續(xù)表1

2 研究思路與方法

基于中國2030年碳達峰、2060年碳中和戰(zhàn)略目標,回顧1990～2020年區(qū)域土地利用演變特征及其碳儲量變化,多情景模擬2030年、2060年土地利用變化,預測2030年、2060年碳匯效應(yīng).以洞庭湖生態(tài)經(jīng)濟區(qū)1990～2020年土地利用數(shù)據(jù)為基礎(chǔ)進行土地利用演變特征分析,結(jié)合碳匯系數(shù)修正探究其引起的碳儲量變化特征;再運用Markov-FLUS模型模擬區(qū)域2030年與2060年自然演變、耕地保護、生態(tài)保護、綜合保護四種情景下的土地利用變化,最終得到各類情景模擬下洞庭湖生態(tài)經(jīng)濟區(qū)的碳匯效應(yīng)(如圖2所示).

圖2 研究思路設(shè)計

2.1 土地利用動態(tài)度

土地利用動態(tài)度是用來反映研究期內(nèi)不同類型土地面積變化的年際速度的指標,可以用來衡量不同時間尺度內(nèi)某種土地利用類型面積變化的快慢[20].計算公式為:

式中:k是某一類土地利用動態(tài)度;u與u是研究期末和期初某地類的面積;表示時間間距.

2.2 土地利用轉(zhuǎn)移矩陣

土地利用轉(zhuǎn)移矩陣是利用矩陣來反映研究期內(nèi)各類土地利用類型之間的相互轉(zhuǎn)換的方向和數(shù)量,并包括研究期末各類用地之間流入和流出的面積大小[21].計算公式為:

2.3 InVEST模型

2.3.1 碳儲量模塊 關(guān)于生態(tài)系統(tǒng)碳儲量評估研究,碳匯系數(shù)模型、InVEST模型是較為常見的研究方法,其中,InVEST模型被公認為較為精確的研究方法[22-23].本研究選取地上生物碳、地下生物碳、土壤碳和死亡有機碳作為洞庭湖生態(tài)經(jīng)濟區(qū)碳儲量的基本碳庫. 各用地類型的面積與相應(yīng)碳密度的乘積之和即為研究區(qū)的總碳儲量 (total, t/hm2),其計算公式為:

式中:為區(qū)域內(nèi)第種土地利用類型的碳密度;A為區(qū)域內(nèi)該種土地利用類型的總面積.

2.3.2 碳密度及其修正 對區(qū)域碳儲量評估,碳密度是其重要因素,研究選取的碳密度系數(shù)來源于國家生態(tài)科學數(shù)據(jù)中心和相關(guān)研究成果[24-29].碳密度主要選取各土地利用類型的地上植被、地下植被和土壤碳密度,死亡有機物碳密度.

碳密度系數(shù)由于隨著氣候的變化、土壤性質(zhì)的改變和土地利用的不同會產(chǎn)生一定的差異,各個區(qū)域碳密度系數(shù)有所不同,因此需對所選區(qū)域數(shù)值進行修正,才能更準確地測算該區(qū)域的碳儲量[30].根據(jù)相關(guān)研究,碳密度與土壤有機碳密度、降水量、氣溫具有相關(guān)性,且降水量呈現(xiàn)出顯著的正相關(guān)關(guān)系[31].采用Alam等[32]研究的公式修正降水量因子,采用Giardina等[33]、陳光水等[34]研究公式修正平均氣溫和生物量碳密度.

式中:sp表示在年平均降水量影響下研究區(qū)域內(nèi)某種土地利用類型的土壤碳密度(kg/m2);BP和BT分別表示根據(jù)年平均降水量和年平均溫度影響下研究區(qū)域內(nèi)某種土地利用類型的生物量碳密度(kg/m2);和分別表示相應(yīng)研究年限內(nèi)平均降水(mm)和平均氣溫(℃).研究區(qū)與全國平均氣溫和平均降水量(全國尺度和洞庭湖地均溫和降水量分別為9.0℃/16.87℃和628mm/1 421.92mm)引入公式,二者之比為修正系數(shù):

表2 不同土地利用類型各部分的碳密度(t/hm2)

注:A/B,其中A表示未修正碳密度系數(shù),B表示修正后碳密度系數(shù).

式中:BP與BT分別表示生物量碳密度降水因子和氣溫因子修正系數(shù);B表示在降水因子和氣溫因子綜合影響下的生物量碳密度修正系數(shù);S表示土壤碳密度修正系數(shù);￠和2分別表示所研究區(qū)域與全國的碳密度數(shù)據(jù),所得比值為其修正的系數(shù),如表2所示.

2.4 Markov—FLUS模型及情景設(shè)定

2.4.1 Markov-FLUS模型原理 Markov-FLUS模型是在CA(元胞自動機)和Markov鏈的基礎(chǔ)上,增加多層前饋神經(jīng)網(wǎng)絡(luò)算法(BP-ANN)和輪盤賭選擇的自適應(yīng)慣性競爭機制而構(gòu)建的模型,現(xiàn)有研究表明該模型能夠較好的預測未來土地利用及分布狀態(tài).該模型工作原理是在Markov鏈得出的各類土地利用類型目標值基礎(chǔ)上,對其進行BP-ANN模型計算得到各類用地分布的概率和適宜性,并結(jié)合自適應(yīng)機制結(jié)果分布的不確定性和復雜性進行評估,從而使各類用地的數(shù)量向預定目標發(fā)展.模型具體由如下兩個板塊組成:

(1)Markov鏈進行目標值預測,是以馬爾科夫隨機過程為理論基礎(chǔ)[35],以基期年的狀態(tài)結(jié)合未來發(fā)展趨勢來預測未來狀態(tài)的一種方法[36],是模擬土地利用類型及其變化的常用預測工具,其表達公式如下:

式中:(t),(t+1)代表著,1時期的土地利用狀態(tài);(ij)為土地利用轉(zhuǎn)移限制矩陣.

(2)多層前饋神經(jīng)網(wǎng)絡(luò)算法(BP-ANN)進行分布概率測算和自適應(yīng)慣性競爭模型的設(shè)置,是在基期年土地利用分布的基礎(chǔ)上結(jié)合各項驅(qū)動因子訓練得出用地種類分布的概率[37],最為重要的過程是慣性機制模型的設(shè)定,也就是對土地利用類型之間相互競爭、轉(zhuǎn)化和影響等條件的設(shè)置.表達公式如下:

2.4.2 Markov-FLUS模型土地利用模擬設(shè)置 (1)土地利用變化驅(qū)動因素選取.土地利用變化是社會、經(jīng)濟、自然等內(nèi)外部因素綜合作用的表現(xiàn),參照相關(guān)研究并結(jié)合研究區(qū)域?qū)嶋H情況,從自然環(huán)境、社會經(jīng)濟、區(qū)位條件三個維度選取如下驅(qū)動因子[39-41](圖3).①自然環(huán)境指標:選擇高程和坡度,植被覆蓋度、氣溫和降水等因子;②社會經(jīng)濟指標:選取土地利用強度,人口密度、地均GDP作為衡量土地利用與人口經(jīng)濟指標的驅(qū)動因子;③區(qū)位條件指標:交通作為城市發(fā)展的動力,對城市區(qū)域內(nèi)生產(chǎn)流程中各要素流動起著決定性的作用,因此在驅(qū)動因子選擇中將交通區(qū)位納入到選取之中,補充納入各種用地類型距離高速公路、鐵路、城市中心、區(qū)縣中心的距離作為衡量區(qū)位條件的驅(qū)動因子.

圖3 洞庭湖生態(tài)經(jīng)濟區(qū)土地利用變化驅(qū)動因素

(2)模擬精度驗證.Markov模型選取2010年和2020年的土地利用作為初始年份和終止年份,得到轉(zhuǎn)移概率矩陣和轉(zhuǎn)移的面積,利用Kappa系數(shù)對模擬結(jié)果進行精度驗證,得到Kappa值為0.76,總體精度為85.57%,表明模擬結(jié)果能夠較好的擬合.

(3)模擬情景設(shè)定.基于多情景模擬2030年和2060年洞庭湖生態(tài)經(jīng)濟區(qū)土地利用數(shù)量及空間變化的情況:第一種情景為自然演變情景,即遵循土地利用變化規(guī)律的慣性情景(表3);第二種為耕地保護情景,即把耕地保護的目標置于首位,將耕地中的永久基本農(nóng)田設(shè)置為限制發(fā)展區(qū)域,在模型中轉(zhuǎn)換概率賦值為0,其他耕地賦值為1,由此得到耕地保護情景下的土地利用數(shù)量及空間變化;第三種為生態(tài)保護情景,即把生態(tài)保護作為發(fā)展的重點,將生態(tài)空間林地、草地、水域和未利用地中屬于生態(tài)紅線以及自然保護區(qū)范圍的用地作為限制區(qū)域,以此來得到生態(tài)保護目標下洞庭湖地區(qū)土地利用數(shù)量和分布情況;第四種情景為綜合保護情景,即綜合耕地保護和生態(tài)保護,將第二種情景和第三種情景綜合考慮,最終得到綜合保護情景下區(qū)域土地利用數(shù)量和空間分布.

表3 土地利用轉(zhuǎn)移成本矩陣設(shè)置

注:0/1,其中0表示該地類不會轉(zhuǎn)換為另一地類,1則表示可以轉(zhuǎn)換.

3 結(jié)果與討論

3.1 1990～2020年洞庭湖生態(tài)經(jīng)濟區(qū)土地利用格局演變

3.1.1 土地利用時空特征 1990～2020年洞庭湖生態(tài)經(jīng)濟區(qū)主要用地類型為耕地、林地和水域,用地占比由1990年的94.57%變化到2020年的92.62%,而建設(shè)用地、未利用地和草地的面積占比相對較少,均保持在3%左右(表4).如圖4所示,耕地的分布范圍最為廣泛,但1990～2020年總共減少1 612.26km2,占總減少量的88.77%,保護形勢較為嚴峻;林地主要分布在研究區(qū)的西部、西南部和東南部,1990～2020年間總共減少143.34km2,占總減少量的7.89%;草地和未利用地主要分布水域周邊,研究期內(nèi)在空間上分布較為穩(wěn)定,數(shù)量上呈現(xiàn)出一定的變化,分別為減少60.7km2和增加621.93km2;水域空間分布較為穩(wěn)定,但在數(shù)量上增加了621.93km2,占總增加值的34.24%;建設(shè)用地主要分布在低洼的緩坡地帶,其面積和空間分布呈逐年增加,變化最為明顯.

從土地利用動態(tài)度可知,洞庭湖生態(tài)經(jīng)濟區(qū)在研究期內(nèi)主要呈現(xiàn)出建設(shè)用地、水域和未利用地面積增加,而其他用地則呈現(xiàn)出減少的趨勢如耕地、林地和草地.其中,與1990年相比,建設(shè)用地面積增加了974.73km2,增長幅度為達65.27%,動態(tài)度為6.53,變化最為顯著;水域和未利用地面積增加量相對較少,增加的幅度分別為8.75%和30.60%;而耕地面積減少量最多,總共減少了1612.26km2,減少的幅度為5.82%,林地和草地的減少量相對較少,分別為143.34km2和60.7km2,減少的幅度為0.65%和6.76%.

具體來看,1990～2020年間,耕地面積變化呈現(xiàn)出較為劇烈的下降趨勢,由1990年的27697.49km2減少到2020年的26085.23km2,其中面積變化幅度最為劇烈的的階段為2000～2010年,減少量為1014.37km2,減少幅度達3.66%,而1990～2000年、2010～2020年的變化量則保持相對穩(wěn)定的狀態(tài),變化量分別為262.63km2和335.26km2,減少的幅度為0.95%和1.21%.林地和草地面積減少面積保持相對穩(wěn)定,減少的幅度均保持在1.0%以內(nèi),最大減少幅度為6.64%.水域面積呈波動性的增幅趨勢,其中2000～2010年增幅最大,達5.77%,其他階段保持2%左右的相對穩(wěn)定增幅,這與“退耕還湖”政策有關(guān).建設(shè)用地保持持續(xù)增加的狀態(tài),由1990年的1 493.34km2增加到2020年的2468.07km2,增加量為974.73km2,其中2010～2020年增加幅度最大,達到31.57%.未利用地則展現(xiàn)出截然不同的狀態(tài),在1990～2000年減少0.17km2,而2000～2020年增加達267.75km2,呈現(xiàn)出“先減后增”的趨勢.

3.1.2 土地利用轉(zhuǎn)移特征 洞庭湖生態(tài)經(jīng)濟區(qū)土地利用轉(zhuǎn)移變化如表5所示,1990～2020年區(qū)域共有6.33%的土地發(fā)生轉(zhuǎn)移,耕地、林地為主要的轉(zhuǎn)出類型,凈轉(zhuǎn)出量分別為1628.85km2和151.53km2,建設(shè)用地為主要的轉(zhuǎn)入類型,凈轉(zhuǎn)入量為974.03km2.具體來看,主要的轉(zhuǎn)移類型包括:一是林地、水域為耕地的主要轉(zhuǎn)入者,總量達到1304.45km2,占轉(zhuǎn)入耕地面積的80.73%,而林地、水域和建設(shè)用地為耕地的主要轉(zhuǎn)出對象,轉(zhuǎn)出面積為3171.31km2,占轉(zhuǎn)出面積的97.74%.二是建設(shè)用地的增加量最為明顯,對其變化量影響較大的用地類型為耕地和林地,其中,耕地轉(zhuǎn)化為建設(shè)用地的面積達902.47km2,占轉(zhuǎn)入建設(shè)用地總量的69.70%;相對于耕地,林地轉(zhuǎn)為建設(shè)用地的面積相對較少,為305.22km2,占比為23.57%.綜上所述,耕地和林地是洞庭湖生態(tài)經(jīng)濟區(qū)建設(shè)用地擴張的主要來源,而草地、未利用地的轉(zhuǎn)入轉(zhuǎn)出相對較為平衡,并且變化的幅度較少.

表4 1990～2020年洞庭湖生態(tài)經(jīng)濟區(qū)土地利用動態(tài)變化

圖4 1990～2020年洞庭湖生態(tài)經(jīng)濟區(qū)土地利用分布

表5 1990～2020年洞庭湖生態(tài)經(jīng)濟區(qū)土地利用轉(zhuǎn)移矩陣

3.2 1990～2020年洞庭湖生態(tài)經(jīng)濟區(qū)碳儲量變化

3.2.1 碳儲量變化時空特征 利用InVEST模型中的Carbon模塊計算洞庭湖生態(tài)經(jīng)濟區(qū)碳儲量(表6),1990年、2000年、2010年和2020年區(qū)域碳儲量分別為20.613×106t、20.547×106t、20.304×106t、20.180×106t,總體上呈現(xiàn)出逐步減少的趨勢, 1990～ 2020年減少量為0.433×106t,平均每年減少0.0144× 106t.其中,1990～2000年、2000～2010年、2010～2020年三個階段碳儲量減少量分別為0.066×106t、0.243×106t、0.124×106t,減少幅度分別為0.32%、1.18%、0.61%.

從碳儲量空間分布上看(圖5),1990～2020年洞庭湖生態(tài)經(jīng)濟區(qū)表現(xiàn)為西部、西南部與東南部為碳儲量的高值區(qū)域,單位面積的碳儲量高于313.11t/ km2,而碳儲量低值區(qū)域主要分布在區(qū)域中部以及東北部,單位面積的碳儲量小于38.43t/km2.碳儲量分布的空間格局與區(qū)域內(nèi)土地利用分布狀況存在很高的關(guān)聯(lián)度,即高值區(qū)主要為林地、耕地為主,而低值區(qū)主要以水域、未利用地為主.

表6 1990～2020年洞庭湖生態(tài)經(jīng)濟區(qū)碳儲量

圖5 1990～2020年洞庭湖生態(tài)經(jīng)濟區(qū)碳儲量空間分布

表7 1990～2020年土地利用類型轉(zhuǎn)變引起的碳儲量變化情況

續(xù)表7

續(xù)表7

3.2.2 土地利用轉(zhuǎn)變引起的碳儲量變化 由于土地利用類型不同,土壤和植被的碳密度也會不同,其變化就會影響區(qū)域的碳儲存.1990～2020年洞庭湖生態(tài)經(jīng)濟區(qū)因土地利用類型之間的轉(zhuǎn)化引起碳儲量減少約436.15×106t,主要原因是由于耕地轉(zhuǎn)變?yōu)槠渌玫貙е绿純α繙p少316.32×103t,林地轉(zhuǎn)變?yōu)槠渌玫販p少碳儲量415.36×103t.大面積的耕地轉(zhuǎn)化為建設(shè)用地和水域,以及林地轉(zhuǎn)化為建設(shè)用地,導致土壤和植被地上、地下碳儲量減少,而由建設(shè)用地、草地、水域轉(zhuǎn)變引起的碳儲量增加相對較少,難以彌補碳儲量減少量.

3.3 2030～2060年洞庭湖生態(tài)經(jīng)濟區(qū)土地利用與碳儲量情景模擬

3.3.1 多情景模擬土地利用變化 以2030年碳達峰和2060年碳中和為時間節(jié)點,對洞庭湖生態(tài)經(jīng)濟區(qū)土地利用變化進行模擬.2030年,自然演變情景下建設(shè)用地面積增加902.40km2,相對于2020年增加占比達36.56%,其中耕地、林地面積出現(xiàn)大幅度減少,相比2020年分別下降了2.27%和0.8%.耕地保護情景下,相對于2020年,耕地面積的增加量最多,增加量為1927.68km2,其次為建設(shè)用地,增加面積為403.15km2,增加占比分別為7.38%和16.33%,而生態(tài)用地林地的面積出現(xiàn)大幅度減少,相較于2020年下降了6.49%.在生態(tài)保護情景下,2030年研究區(qū)建設(shè)用地面積規(guī)模為3320.17km2,其中耕地的面積出現(xiàn)大幅減少,相較于2020年減少4.78%.綜合考慮耕地與生態(tài)保護情景下,耕地和建設(shè)用地增加,增加量為723.36km2和356.44km2,相較于其他三種情景,建設(shè)用地的增長受到限制,其變化率僅為14.44%,而其中林地減少量占比最多,相較于2020年減少3.82%.

到2060年,洞庭湖生態(tài)經(jīng)濟區(qū)土地利用變化趨勢與2030年用地變化大致相同.綜合考慮耕地與生態(tài)保護情景下,2060年林地、草地和未利用地減少,減少面積分別為1253.17km2、17.62km2和45.62km2,耕地、水域和建設(shè)用地增加,增加量分別為662.55km2和241.03km2和412.85km2,相較于其他三種情景,建設(shè)用地增長受到較好控制,其變化率僅為16.73%,說明通過劃定基本農(nóng)田保護紅線與生態(tài)保護紅線來綜合控制建設(shè)用地的增長,對于支撐和實現(xiàn)國土空間的可持續(xù)發(fā)展具有重要的意義.

表8 不同情景模擬下2030/2060年土地利用變化情況(相對2020年)

3.3.2 土地利用多情景模擬下碳儲量變化 利用InVEST模型Carbon模塊分別計算洞庭湖生態(tài)經(jīng)濟區(qū)2030年、2060年自然演變情景、耕地保護情景、生態(tài)保護情景和綜合保護情景下的碳儲量.預測到2030年和2060年,自然演變情景下洞庭湖生態(tài)經(jīng)濟區(qū)的碳儲量分別為19.927×106t、19.696×106t,相較于2020年分別減少了0.253×106t、0.484×106t;耕地保護情景下碳儲量分別為19.891×106t、19.903×106t,相較于2020年分別減少了0.289×106t、0.277×106t;生態(tài)保護情景下碳儲量分別為19.952×106t、19.873×106t,相較于2020年分別減少了0.228×106t、0.307×106t;綜合保護情景下碳儲量分別為20.004×106t、19.949×106t,相較于2020年分別減少了0.176×106t、0.231×106t.可以看出2030年、2060年在綜合保護情景下,雖然也存在碳儲量的減少,但是減少的速率相對較為緩慢且更為穩(wěn)定.2030年綜合保護情景碳儲量相比自然演變情景、耕地保護情景、生態(tài)保護情景分別多0.077×106t、0.113×106t、0.052×106t;2060年綜合保護情景碳儲量相比自然演變情景、耕地保護情景、生態(tài)保護情景分別多0.253× 106t、0.046×106t、0.076×106t,綜合保護情景碳匯效應(yīng)較為明顯.綜上說明洞庭湖生態(tài)經(jīng)濟區(qū)實施永久基本農(nóng)田和生態(tài)保護策略,可以更好地實現(xiàn)區(qū)域固碳作用.相反2020～2060年期間若不采取相應(yīng)的耕地和生態(tài)保護措施,限制耕地和生態(tài)用地向建設(shè)用地轉(zhuǎn)移,洞庭湖生態(tài)經(jīng)濟區(qū)碳儲量將會持續(xù)較大減少,偏離碳中和戰(zhàn)略方向.

2030年、2060年洞庭湖生態(tài)經(jīng)濟區(qū)碳儲量空間分布特征與1990～2020年基本一致,碳儲量高值區(qū)域主要分布在西部、西南部與東南部,中部與東北部為碳儲量低值區(qū)域(圖7).

圖6 不同情景下2030/2060年洞庭湖生態(tài)經(jīng)濟區(qū)土地利用模擬

表9 不同情景模擬下2030/2060年碳儲量變化情況(相對2020年)

圖7 不同情景模擬下2030/2060年洞庭湖生態(tài)經(jīng)濟區(qū)碳儲量空間分布

3.3.3 土地利用類型轉(zhuǎn)變導致的碳儲量變化 綜合以上四種情景,與1990～2020年碳儲量相比,2030年和2060年洞庭湖生態(tài)經(jīng)濟區(qū)碳儲量都有所減少,但耕地保護、生態(tài)保護和綜合保護情景下碳儲量減少幅度明顯低于自然演變情景,主要是由于這三種情景耕地、林地、草地和水域的轉(zhuǎn)移概率不同所導致.與自然演變情景相比,耕地保護、生態(tài)保護和綜合保護情景下耕地、林地、草地向建設(shè)用地轉(zhuǎn)移的面積減少,從而使碳儲量減少的速度得到控制(圖8).

圖8 2030/2060年多種情景下土地利用轉(zhuǎn)換碳轉(zhuǎn)移

(1)在耕地保護情景下,區(qū)域因土地利用轉(zhuǎn)移所導致的碳儲量減少量相對于自然演變情景有了大幅的縮減,主要是因為耕地的轉(zhuǎn)出面積得到控制,其他用地向耕地的轉(zhuǎn)入面積得到增加.耕地的用地轉(zhuǎn)移導致的碳儲量在2030年減少20.75×103t,在2060年減少了164.33×103t,相較于自然變化情景有所減緩,因此總碳儲量減少有所降緩.

(2)在生態(tài)保護情景下,碳儲量減少相對于自然演變情景存在小幅的減少,2030年和2060年減少量分別為80.90×103t和263.61×103t,相較于其他情形減少量相對較少,主要是因為區(qū)域內(nèi)生態(tài)用地的增加主要集中在水域面積的增加,林地和草地等生態(tài)用地的面積保持相對的穩(wěn)定,而水域的碳儲量能力較弱,因此會產(chǎn)生此結(jié)果.

(3)在綜合保護的情景下,碳儲量因土地利用變化在2030年了減少1.38×103t,在2060年減少了187.48×103t,主要是因為林地、草地、水域和未利用地等生態(tài)用地向建設(shè)用地轉(zhuǎn)移得到控制,并且建設(shè)用地向耕地和生態(tài)用地轉(zhuǎn)移面積有所增加,可見退建設(shè)用地還耕還林的生態(tài)保護政策有助于區(qū)域的碳平衡.

通過以上四種情景對比可知,控制耕地、林地和草地向建設(shè)用地的轉(zhuǎn)變,可以抑制碳儲量的減少速率,這對區(qū)域碳匯效應(yīng)和碳中和有一定影響.

3.4 討論

土地利用規(guī)劃與管控在推動碳達峰和碳中和目標的實現(xiàn)方面起著至關(guān)重要的作用[42].土地利用方式、規(guī)模、結(jié)構(gòu)和強度的合理調(diào)控將直接影響區(qū)域內(nèi)的碳排放和碳匯效應(yīng)[43-44].1990～2020年洞庭湖生態(tài)經(jīng)濟區(qū)碳儲量呈現(xiàn)出總體下降的趨勢,與歐陽曉等[45]、王影等[46]的研究結(jié)果相一致,同時碳儲量作為生態(tài)系統(tǒng)服務(wù)功能的重要組成部分,一定程度上反映了研究區(qū)在一定時間段內(nèi)生態(tài)系統(tǒng)服務(wù)功能受到破壞[47].基于此,研究通過綜合自然發(fā)展、耕地保護和生態(tài)保護之間的協(xié)調(diào)發(fā)展關(guān)系,運用InVEST模型和FLUS模型模擬了多種情景下洞庭湖生態(tài)經(jīng)濟區(qū)2030年和2060年土地利用變化以及相應(yīng)的碳儲量變化,同時綜合考慮耕地保護和生態(tài)保護兩種情景作為基準自然發(fā)展情景的補充和優(yōu)化.研究結(jié)果顯示,耕地保護和生態(tài)保護情景下的碳儲量減少值相較于自然發(fā)展情景存在明顯的降低.其主要原因是耕地占比超過研究區(qū)50%以上,即使耕地的碳儲量密度低于森林與草地,也能通過其面積優(yōu)勢使生態(tài)經(jīng)濟區(qū)內(nèi)耕地碳儲量所占比重增多.因此耕地不僅是主要的碳排放用地,同時也是重要的碳儲量用地,這與方精云等[48]、樸世龍等[49]等的研究結(jié)果相一致,耕地存在巨大的碳匯潛力.而生態(tài)保護情景增加了對生態(tài)環(huán)境的保護,嚴格遵守生態(tài)紅線與自然保護區(qū),有利于植被的生長和恢復,減緩甚至扭轉(zhuǎn)一些地區(qū)環(huán)境退化的趨勢,但其在一定程度上制約了人類活動,減緩經(jīng)濟的發(fā)展.而在綜合考慮耕地與生態(tài)保護的情景下,碳儲量減少有了進一步的緩解,相較于自然保護情景,減少值分別降低了0.077×106t和0.253×106t.研究結(jié)果表明綜合保護情景能夠有效緩解自然發(fā)展情景中碳儲量下降的趨勢,促進區(qū)域的碳平衡.同時陸地生態(tài)系統(tǒng)作為全球最大的碳庫[50],其森林[51]、濕地和草地的儲存能力超過其他生態(tài)系統(tǒng),對于研究區(qū)域來說,建設(shè)用地的擴張是導致研究區(qū)域碳儲量下降的關(guān)鍵因素,即高碳儲量密度用地類型向低碳密度用地轉(zhuǎn)化[52].因此,生態(tài)經(jīng)濟區(qū)應(yīng)當以生態(tài)保護優(yōu)先,加大建設(shè)用地集聚性,減少對自然的人為干擾,結(jié)合研究結(jié)果,實施生態(tài)和耕地保護措施對于減緩洞庭湖生態(tài)經(jīng)濟區(qū)碳儲量下降發(fā)揮著重要作用.這為未來制定生態(tài)經(jīng)濟區(qū)的國土空間規(guī)劃提供了重要依據(jù).

國土空間規(guī)劃通過劃定生態(tài)保護紅線和基本農(nóng)田保護線來保護林地、草地、耕地等資源,并劃定城鎮(zhèn)開發(fā)邊界以控制建設(shè)用地增長,減少林地和耕地等非建設(shè)用地向建設(shè)用地的轉(zhuǎn)變[53].加強對“三區(qū)三線”(生態(tài)保護紅線、永久基本農(nóng)田保護紅線、城鎮(zhèn)開發(fā)邊界)的管控對于支撐和實現(xiàn)雙碳戰(zhàn)略具有重要作用[54-55].洞庭湖生態(tài)經(jīng)濟區(qū)未來需要采取一系列土地利用調(diào)控措施.首先,通過建設(shè)用地復墾和復綠來實現(xiàn)建設(shè)用地向耕地、林地和草地的轉(zhuǎn)變.這樣的措施不僅有助于保護耕地資源、提高碳儲量,還能為農(nóng)業(yè)可持續(xù)發(fā)展提供支持.其次,應(yīng)以生態(tài)為導向,在開發(fā)未利用地時注重生態(tài)系統(tǒng)的恢復和保護,從而增加生態(tài)經(jīng)濟區(qū)的碳儲量.此外,對于已經(jīng)存在的建設(shè)用地擴張,需要進行合理控制,以減少碳儲量進一步損失.國土空間規(guī)劃將碳中和目標納入考慮是至關(guān)重要的,將碳中和目標納入國土空間規(guī)劃和治理體系,優(yōu)化國土空間的開發(fā)格局,實現(xiàn)區(qū)域的健康可持續(xù)發(fā)展,促進碳中和目標的實現(xiàn).對于洞庭湖生態(tài)經(jīng)濟區(qū)來說,不僅包括提供激勵機制,鼓勵采用低碳、綠色和可持續(xù)的土地利用方式,加強對建設(shè)用地擴張的管控,推動土地的復墾和恢復,加強對生態(tài)系統(tǒng)的保護和修復,還需要建立健全的監(jiān)測和評估機制,及時監(jiān)測土地利用變化對碳儲量的影響,并評估各種土地利用情景下的碳匯效應(yīng).

4 結(jié)論

4.1 洞庭湖生態(tài)經(jīng)濟區(qū)土地利用主要以耕地、林地和水域為主,占區(qū)域面積90%以上,而建設(shè)用地、草地和未利用地的面積占比相對較少,均在3%左右;在土地利用格局演變方面,1990～2020年洞庭湖生態(tài)經(jīng)濟區(qū)耕地和林地用地面積減少,建設(shè)用地、水域和未利用面積持續(xù)增加,主要轉(zhuǎn)移特征為耕地、林地向建設(shè)用地轉(zhuǎn)移,而草地、未利用地的轉(zhuǎn)入轉(zhuǎn)出相對較為平衡與穩(wěn)定.

4.2 洞庭湖生態(tài)經(jīng)濟區(qū)1990年、2000年、2010年和2020年碳儲量分別為20.613×106t、20.547× 106t、20.304×106t和20.180×106t,呈現(xiàn)出逐年遞減的特征,1990～2020年減少了0.433×106t.碳儲量存在顯著的空間分布特征,西部、西南部和東南部地區(qū)碳儲量總體較高,單位面積的碳儲量高于313.11t/km2,區(qū)域中部和東北部碳儲量較低,單位面積的碳儲量小于38.43t/km2.碳儲量分布的空間格局與區(qū)域內(nèi)土地利用分布狀況存在高關(guān)聯(lián)度,即高值區(qū)主要為林地、耕地為主,而低值區(qū)主要以水域、未利用地為主.林地、耕地、草地、建設(shè)用地、未利用地、水域?qū)^(qū)域碳儲量的貢獻度依次減少.

4.3 自然演變情景下2030年、2060年洞庭湖生態(tài)經(jīng)濟區(qū)碳儲量相較于2020年分別減少0.253×106t、0.484×106t;耕地保護、生態(tài)保護和綜合保護情景下2030年、2060年碳儲量減少速率與自然演變情景相比有所減緩,尤其是綜合保護情景相比自然演變、耕地保護、生態(tài)保護情景2030年碳儲量分別多0.077×106t、0.113×106t、0.052×106t;2060年碳儲量分別多0.253×106t、0.046×106t、0.076×106t,綜合保護情景碳匯效應(yīng)較為明顯.

[1] Houghton R A. Revised estimates of the annual net flux of carbon to the atmosphere from changes in land use and land management 1850～ 2000 [J]. Tellus B: Chemical and Physical Meteorology, 2010,55(2): 378-390.

[2] Feng Y, Chen S, Tong X, et al. Modeling changes in China’s 2000–2030 carbon stock caused by land use change [J]. Journal of Cleaner Production, 2020,252:119659.

[3] Friedlingstein P, Jones M, O'sullivan M, et al. Global carbon budget 2021 [J]. Earth System Science Data, 2022,14(4):1917-2005.

[4] Nesha K, Herold M, De Sy V, et al. An assessment of data sources, data quality and changes in national forest monitoring capacities in the Global Forest Resources Assessment 2005～2020 [J]. Environmental Research Letters, 2021,16(5).

[5] Newbold T, Hudson L N, Hill S L L, et al. Global effects of land use on local terrestrial biodiversity [J]. Nature, 2015,520(7545):45-50.

[6] Imran M, Din N U. Geospatially mapping carbon stock for mountainous forest classes using InVEST model and Sentinel-2data: A case of Bagrote valley in the Karakoram range [J]. Arabian Journal of Geosciences, 2021,14(9):756.

[7] Piyathilake I D U H, Udayakumara E P N, Ranaweera L V, et al. Modeling predictive assessment of carbon storage using InVEST model in Uva province, Sri Lanka [J]. Modeling Earth Systems and Environment, 2022,8(2):2213-2223.

[8] 朱麗亞,胡 克,孫 爽,等.基于InVEST模型的遼寧省海岸帶碳儲量時空變化研究 [J]. 現(xiàn)代地質(zhì), 2022,36(1):96-104. Zhu L Y, Hu K, Sun S, et al. Research on the spatiotemporal variation of carbon storage in the coastal zone of Liaoning Province based on InVEST Model [J]. Geoscience, 2022,36(1):96-104.

[9] 任璽錦,裴婷婷,陳 英,等.基于碳密度修正的甘肅省土地利用變化對碳儲量的影響 [J]. 生態(tài)科學, 2021,40(4):66-74. Ren X J, Pei T T, Chen Y, et al. Impact of land use change on carbon storage in Gansu Province based on carbon density correction [J]. Ecological Science, 2021,40(4):66-74.

[10] 赫曉慧,徐雅婷,范學峰,等.中原城市群區(qū)域碳儲量的時空變化和預測研究 [J]. 中國環(huán)境科學, 2022,42(6):2965-2976. He X H, Xu Y T, Fan X F, et al. Temporal and spatial variation and prediction of regional carbon storage in Zhongyuan Urban Agglomeration [J]. China Environmental Science, 2022,42(6):2965- 2976.

[11] 林 彤,楊木壯,吳大放,等.基于InVEST-PLUS模型的碳儲量空間關(guān)聯(lián)性及預測——以廣東省為例 [J]. 中國環(huán)境科學, 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 [J]. China Environmental Science, 2022,42(10): 4827-4839.

[12] 如克亞·熱合曼,阿里木江·卡斯木,希麗娜依·多來提,等.天山北坡城市群碳儲量時空變化及預測研究 [J]. 中國環(huán)境科學, 2022, 42(12):5905-5917. Reheman R, Kasimu A, Duolat X, et al. Temporal and spatial variation and prediction of carbon storage in urban agglomeration on the northern slope of Tianshan [J]. China Environmental Science, 2022, 42(12):5905-5917.

[13] Babbar D, Areendran G, Sahana M, et al. Assessment and prediction of carbon sequestration using Markov chain and InVEST model in Sariska Tiger Reserve, India [J]. Journal of Cleaner Production, 2021, 278:123333.

[14] 楊 潔,謝保鵬,張德罡.基于InVEST和CA-Markov模型的黃河流域碳儲量時空變化研究 [J]. 中國生態(tài)農(nóng)業(yè)學報(中英文), 2021, 29(6):1018-1029. Yang J, Xie B P, Zhang D G. Spatio-temporal evolution of carbon stocks in the Yellow River Basin based on InVEST and CA-Markov models [J]. Chinese Journal of Eco-Agriculture, 2021,29(6):1018- 1029.

[15] 張凱琪,陳建軍,侯建坤,等.耦合InVEST與GeoSOS-FLUS模型的桂林市碳儲量可持續(xù)發(fā)展研究 [J]. 中國環(huán)境科學, 2022,42(6):2799- 2809. Zhang K Q, Chen J J, Hou J K, et al. Study on sustainable development of carbon storage in Guilin coupled with InVEST and GeoSOS-FLUS model [J]. China Environmental Science 2022,42(6): 2799-2809.

[16] 黃春華,呂靖童,王志遠,等.洞庭湖生態(tài)經(jīng)濟區(qū)城鄉(xiāng)建設(shè)用地演變特征及驅(qū)動因素 [J]. 科學技術(shù)與工程, 2021,21(33):14062-14073. Huang C H, Lv J T, Wang Z Y, et al. Characteristics and driving factors of urban and rural construction land in Dongting Lake Eco- economic Zone [J]. Science Technology and Engineering, 2021,21(33):14062- 14073.

[17] 郭 云,李 鵬,程維金,等.洞庭湖土地利用和生態(tài)服務(wù)功能時空變化及其耦合效應(yīng)分析 [J]. 環(huán)境科學學報, 2022,42(1):121-130. Guo Y, Li P, Cheng W J, et al. Evaluation and complex relations analysis of ecosystem services based on spatial-temporal change of land use in Dongting Lake [J]. Acta Scientiae Circumstantiae, 2022,42 (1):121-130.

[18] 楊 君,周鵬全,袁淑君,等.基于InVEST模型的洞庭湖生態(tài)經(jīng)濟區(qū)生態(tài)系統(tǒng)服務(wù)功能研究 [J]. 水土保持通報, 2022,42(1):267- 272,282. Yang J, Zhou P Q, Yuan S J, et al. Land ecosystem service functions for Dongting Lake Ecological Economic Zone based on InVEST Model [J]. Bulletin of Soil and Water Conservation, 2022,42(1):267- 272,282.

[19] 鄧楚雄,鐘小龍,謝炳庚,等.洞庭湖區(qū)土地生態(tài)系統(tǒng)的服務(wù)價值時空變化 [J]. 地理研究, 2019,38(4):844-855. Deng C X, Zhong X L, Xie B G, et al. Spatial and temporal changes of land ecosystem service value in Dongting Lake area in 1995～2015 [J]. Geographical Research, 2019,38(4):844-855.

[20] 劉紀遠,寧 佳,匡文慧,等.2010～2015年中國土地利用變化的時空格局與新特征 [J]. 地理學報, 2018,73(5):789-802. Liu J Y, Ning J, Kuang W H, et al. Spatio-temporal patterns and characteristics of land-use change in China during 2010～2015 [J]. Acta Geographica Sinica, 2018,73(5):789-802.

[21] Pontius R G, Shusas E, Mceachern M. Detecting important categorical land changes while accounting for persistence [J]. Agriculture, Ecosystems & Environment, 2004,101(2):251-268.

[22] Lahiji R N, Dinan N M, Liaghati H, et al. Scenario-based estimation of catchment carbon storage: Linking multi-objective land allocation with InVEST model in a mixed agriculture-forest landscape [J]. Frontiers of Earth Science, 2020,14(3):637-646.

[23] Liu S Y, Hu N K, Zhang J, et al. Spatiotemporal change of carbon storage in the Loess Plateau of northern Shaanxi, based on the In VEST Model [J]. Sciences in Cold and Arid Regions, 2018,10(3): 240-250.

[24] 張 杰,李 敏,敖子強,等.中國西部干旱區(qū)土壤有機碳儲量估算 [J]. 干旱區(qū)資源與環(huán)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.

[25] Chuai X, Huang X, 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.

[26] 徐 麗,何念鵬,于貴瑞.2010s中國陸地生態(tài)系統(tǒng)碳密度數(shù)據(jù)集 [J]. 中國科學數(shù)據(jù)(中英文網(wǎng)絡(luò)版), 2019,4(1):90-96. Xu L, He N P, Yu G R. A dataset of carbon density in Chinese terrestrial ecosystems (2010s) [J]. Science Data Bank, 2019,4(1):90- 96.

[27] 解憲麗,孫 波,周慧珍,等.中國土壤有機碳密度和儲量的估算與空間分布分析 [J]. 土壤學報, 2004,(1):35-43. Xie X L, Sun B, Zhou H Z, et al. Organic carbon density and storeage in soils of China and spatial analysis [J]. Acta Pedologica Sinica, 2004,(1):35-43.

[28] 李克讓,王紹強,曹明奎.中國植被和土壤碳貯量 [J]. 中國科學(D輯:地球科學), 2003,(1):72-80. Li K R, Wang S Q, Cao M K. Vegetation and soil carbon storage in China [J]. Science in China(Series D), 2003,(1):72-80.

[29] 陳利軍,劉高煥,勵惠國.中國植被凈第一性生產(chǎn)力遙感動態(tài)監(jiān)測 [J]. 遙感學報, 2002,(2):129-135,164. Chen L J, Liu G H, Li H G. Estimating net primary productivity of terrestrial vegetation in China using remote sensing [J]. Journal of Remote Sensing, 2002,(2):129-135,164.

[30] Fu Q, Xu L, Zheng H, et al. Spatiotemporal dynamics of carbon storage in response to urbanization: A case study in the Su-Xi-Chang Region, China [J]. Processes, 2019,7(11):836.

[31] Raich J, Nadelhoffer K. Belowground Carbon Allocation in Forest Ecosystems: Global Trends [J]. Ecology, 1989,70.

[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, 2017,89:67-76.

[33] Giardina C P, Ryan M G. Evidence that decomposition rates of organic carbon in mineral soil do not vary with temperature [J]. Nature, 2000,404(6780):858-861.

[34] 陳光水,楊玉盛,謝錦升,等.中國森林的地下碳分配 [J]. 生態(tài)學報, 2007,(12):5148-5157. Chen G S, Yang Y S, Xie J S, et al. Total below ground carbon allocation in China's forests [J]. Acta Ecologica Sinca, 2007,(12): 5148-5157.

[35] Sang L, Zhang C, Yang J, et al. Simulation of land use spatial pattern of towns and villages based on CA–Markov model [J]. Mathematical and Computer Modelling, 2011,54(3):938-943.

[36] Zhao M, He Z, Du J, et al. Assessing the effects of ecological engineering on carbon storage by linking the CA-Markov and InVEST models [J]. Ecological Indicators, 2019,98:29-38.

[37] Liu X, Liang X, Li X, et al. A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects [J]. Landscape and Urban Planning, 2017,168:94-116.

[38] 劉小平,黎 夏,艾 彬,等.基于多智能體的土地利用模擬與規(guī)劃模型 [J]. 地理學報, 2006,(10):1101-1112. Liu X P, Li X, Ai B, et al. Multi- agent systems for simulating and planning land use development [J]. Acta Geographica Sinica, 2006, (10):1101-1112.

[39] 吳欣昕,劉小平,梁 迅,等.FLUS-UGB多情景模擬的珠江三角洲城市增長邊界劃定 [J]. 地球信息科學學報, 2018,20(4):532-542. Wu X X, Liu X P, Liang X, et al. Multi-scenarios simulation of urban growth boundaries in Pearl River Delta based on FLUS-UGB [J]. Journal of Geo-information Science, 2018,20(4):532-542.

[40] 王保盛,廖江福,祝 薇,等.基于歷史情景的FLUS模型鄰域權(quán)重設(shè)置——以閩三角城市群2030年土地利用模擬為例 [J]. 生態(tài)學報, 2019,39(12):4284-4298. Wang B S, Liao J F, Zhu W, et al. The weight of neighborhood setting of the FLUS model based on a historical scenario: A case study of land use simulation of urban agglomeration of the Golden Triangle of Southern Fujian in 2030 [J]. Acta Ecologica Sinica, 2019,39(12): 4284-4298.

[41] 王 旭,馬伯文,李 丹,等.基于FLUS模型的湖北省生態(tài)空間多情景模擬預測 [J]. 自然資源學報, 2020,35(1):230-242. Wang X, Ma B W, Li D, et al. Multi-scenario simulation and prediction of ecological space in Hubei province based on FLUS model [J]. Journal of Natural Resources, 2020,35(1):230-242.

[42] 丁仲禮.中國碳中和框架路線圖研究 [J]. 中國工業(yè)和信息化, 2021, (8):54-61. Ding Z L. Research on China's carbon neutrality framework roadmap [J]. China Industry & Information Technology, 2021,(8):54-61.

[43] 楊元合,石 岳,孫文娟,等.中國及全球陸地生態(tài)系統(tǒng)碳源匯特征及其對碳中和的貢獻 [J]. 中國科學:生命科學, 2022,52(4):534-574. Yang Y H, Shi Y, Sun W J, et al. Terrestrial carbon sinks in China and around the world and theircontribution to carbon neutrality [J]. Scientia Sinica Vitae, 2022,52(4):534-574.

[44] 方精云.碳中和的生態(tài)學透視 [J]. 植物生態(tài)學報, 2021,45(11): 1173-1176. Fang J Y. Ecological perspectives of carbon neutrality [J]. Chinese Journal of Plant Ecology 2021,45(11):1173-1176.

[45] 歐陽曉,王 坤,魏 曉.城鄉(xiāng)建設(shè)用地關(guān)聯(lián)對生態(tài)系統(tǒng)服務(wù)的影響——以洞庭湖地區(qū)為例 [J]. 生態(tài)學報, 2022,42(21):8713-8722. Ouyang X, Wang K, Wei X. Impacts of urban-rural construction land linkages on ecosystem services. A case study of Dongting Lake area [J]. Acta Ecological Sinica, 2022,42(21):8713-8722.

[46] 王 影,柴立和.生態(tài)承載力水平評價的動態(tài)模型及其應(yīng)用——以洞庭湖生態(tài)經(jīng)濟區(qū)為例 [J]. 環(huán)境科學學報, 2016,36(5):1859-1865. Wang Y, Chai L H. The dynamic evaluation model of ecological carrying capacity and its application: A case study of Dongting Lake Ecological Economic Zone [J]. Acta Scientiae Circumstantiae, 2016, 36(5):1859-1865.

[47] 石憶邵,史東輝.洞庭湖生態(tài)經(jīng)濟區(qū)生態(tài)服務(wù)供需平衡研究 [J]. 地理研究, 2018,37(9):1714-1723. Shi Y S, Shi D H. Study on the balance of ecological service supply and demand in Dongting Lake ecological economic zone [J]. Geographical Research, 2018,37(9):1714-1723.

[48] 張 立.“碳達峰、碳中和”UP論壇綜述 [J]. 城市規(guī)劃學刊, 2021, (4):6-9. Zhang L. Overview of the "Carbon Peaking and Carbon Neutrality" UP Forum [J]. Urban Planning Forum, 2021,(4):6-9.

[49] 王 鍇,樸世龍,何 悅,等.中國陸地生態(tài)系統(tǒng)碳匯穩(wěn)定性的空間分布特征及驅(qū)動機制 [J]. 中國科學:地球科學, 2023,53(2):216-226. Wang K, Piao S L, He Y, et al. Spatial vanations and mechamisms for the stability of terrestral carbon sink in China [J]. SCIENTIA SINICA Terrae, 2023,53(2):216-226.

[50] Piao S, Fang J, Ciais P, et al. The carbon balance of terrestrial ecosystems in China [J]. Nature, 2009,458(7241):1009-1013.

[51] Pan Y, Birdsey R A, Fang J, et al. A large and persistent carbon sink in the world's forests [J]. Science, 2011,333(6045):988-993.

[52] Liu J, Li W, Zhou W, et al. Scenario simulation balancing multiple objectives for optimal land use allocation of the Beijing-Tianjin- Hebei megaregion [J]. Shengtai Xuebao/Acta Ecologica Sinica, 2018, 38:4341-4350.

[53] 林 堅,吳宇翔,吳佳雨,等.論空間規(guī)劃體系的構(gòu)建——兼析空間規(guī)劃、國土空間用途管制與自然資源監(jiān)管的關(guān)系 [J]. 城市規(guī)劃, 2018,42(5):9-17. Lin J, Wu Y X, Wu J Y, et al. Construction of the spatial planning system: with discussions on the relationship between spatial planning, territorial spatial regulation, and natural resources supervision [J]. City Planning Review, 2018,42(5):9-17.

[54] 丁明磊,楊曉娜,趙榮欽,等.碳中和目標下的國土空間格局優(yōu)化:理論框架與實踐策略 [J]. 自然資源學報, 2022,37(5):1137-1147. Ding M L, Yang X N, Zhao R Q, et al. Optimization of territorial space pattern under the goal of carbon neutrality: Theoretical framework and practical strategy [J]. Journal of Natural Resources, 2022,37(5):1137- 1147.

[55] 林辰輝,朱雯娟,張永波,等.“雙碳”目標下的國土空間規(guī)劃方法研究與實踐——以天津市為例 [J]. 城市規(guī)劃學刊, 2022,(S2):229- 234. Sun C H, Zhu W J, Zhang Y B, et al. Methods and practice of territorial spatial planning toward the goal of "PeakCarbon Emissions and Carbon Neutrality": The case study of Tianjin [J]. Urban Planning Forum, 2022,(S2):229-234.

Multi-scenario simulation of the impact of regional land use change on carbon reserve.

WANG Zhi-yuan1,2,3, WU Fan2, WAN Ding2, ZHANG Kao2, LI Long-bin2, HUANG Chun-hua2*

(1.College of Landscape Architecture, Central South University of Forestry and Technology, Changsha 410004, China；2.College of Architecture and Design Art, South China University, Hengyang 421001, China；3.Hunan Big Data Engineering Technology Research Center of Natural Protected Areas Landscape Resources, Changsha 410004, China)., 2023,43(11)：6063～6078

Taking the Dongting Lake Ecological and Economic Zone as an example, this study uses the InVEST model to evaluate the effect of land use changes from 1990to 2020on carbon reserve. The study also uses the Markov-FLUS model to simulate the land use changes and their effects on carbon reserve in 2030 and 2060 under four scenarios: natural evolution, arable land conservation, ecological conservation, and comprehensive conservation. The results show that the ecological and economic zone of Dongting Lake from 1990 to 2020 shows a decrease in the area of arable land, forest land, and grassland and a continuous increase in the area of the watershed, construction land, and unused land. The overall carbon stock in the region is high, but the change in land use causes the regional carbon sequestration capacity and potential to decrease. The regional carbon stock decreases by 0.433′106t in total from 1990 to 2020. Under the four scenarios, the region shows a more significant change in construction land in 2030 and 2060. In the integrated scenario, the increase of construction land is better controlled. The carbon stocks in the Dongting Lake eco-economic zone in 2030 and 2060 are respectively 19.927×106t and 19.696×106t for the natural evolution scenario, 19.891×106t and 19.903×106t for the arable land protection scenario, 19.952×106t and 19.873×106t for the ecological protection scenario, and 20.004×106t and 19.949×106t for the comprehensive protection scenario. Considering a comprehensive assessment that takes into account both the utilization of arable land and the preservation of ecological systems, it becomes evident that the regional capacity for carbon sequestration demonstrates a significant degree of robustness. The study outcomes contribute to the establishment of a spatial arrangement of national land areas with a high carbon sink potential, thereby serving as a foundation for attaining regional carbon equilibrium and optimizing land use structure.

land-use change；carbon reserve；multiple scenario simulation；InVEST model；Markov-FLUS model；Dongting lake ecological economic zone

X703.5

A

1000-6923(2023)11-6063-16

王志遠(1985-),男,湖南湘潭人,副教授,博士,主要從事低碳生態(tài)規(guī)劃方向研究,發(fā)表論文50余篇.t20222628@csuft.edu.cn.

王志遠,吳 凡,萬 鼎,等.多情景模擬區(qū)域土地利用變化對碳儲量的影響 [J]. 中國環(huán)境科學, 2023,43(11):6063-6078.

Wang Z Y, Wu F, Wan D, et al. Multi-scenario simulation of the impact of regional land use change on carbon reserve [J]. China Environmental Science, 2023,43(11):6063-6078.

2023-03-22

國家自然科學基金資助項目(51478470);湖南省自然科學基金項目(2023JJ31012)

* 責任作者, 教授, 977691619@qq.com