中原城市群区域碳储量的时空变化和预测研究

赫晓慧,徐雅婷,范学峰,耿庆玲,田智慧

中原城市群区域碳储量的时空变化和预测研究

赫晓慧1*,徐雅婷2,范学峰3,耿庆玲1,田智慧1

(1.郑州大学地球科学与技术学院,河南 郑州 450052；2.郑州大学化学学院,河南 郑州 450052；3.河南省气象探测数据中心,河南 郑州 450003)

为了有效评估中原城市群碳储量,运用灰色预测模型获取动态碳密度数据,结合Dyna-CLUE模型和InVEST模型,动态评估2005～2030年土地利用变化下不同情景的碳储量演变特征,以及城市发展对碳储量的影响.结果表明,2005～2020年中原城市群碳储量分别为1689.59×106t、2035.36×106t、2066.34×106t和2093.05×106t,呈现持续增加趋势;2030年经济发展情景、生态保护情景和经济生态协调发展情景下碳储量分别为2162.45×106t、2179.39×106t和2174.28×106t,经济发展情景下碳储量最低,生态保护情景下碳储量最高.碳储量变化与土地利用面积变化密切相关,主要表现为耕地面积的下降导致其碳储量减少约250×106t,林地面积的扩张导致其碳储量增加约103.4×106t,建设用地的扩张导致其碳储量增加约87.77×106t;耕地和草地面积与总碳储量呈较弱的负相关关系,林地、水域、建设用地和未利用地面积与总碳储量呈较强的正相关关系.2005～2030年中原城市群30个城市的碳储量分别为11.38×106t ～ 214.24×106t,碳储量的变化反映出城市土地碳排放在2030年之前已经达到峰值,且经济生态协调发展情景可能更适合未来城市发展的目标.

中原城市群；土地利用；Dyna-CLUE模型；InVEST模型；碳储量

全球气候变暖是国际社会广泛关注的重要环境问题[1].2009年以来,中国已经成为世界最大的碳排放国,并贡献了全球约27%的碳排放量[2-3].近几十年来,在社会经济高速发展的推动下中国在达到碳排放高峰和减少碳排放方面面临巨大压力城市是人类对自然地理环境影响和改变最大的地方,其人口、经济和土地利用的变化是城市化过程中最显著的特征,频繁的人类活动在很大程度上已经对区域生态系统碳储量构成巨大威胁[4].土地利用变化是代表人类活动的重要指标,能够影响城的结构和功能,是碳储量变化的重要因素[5-6].

自1850年以来,土地利用变化造成的碳损失已占全球温室气体排放量的三分之二左右[7].土地利用直接受到城市化进程的影响,不同类型土地呈现出不同程度的空间变化和方向.为了最大限度地实现土地利用规划和管理,Yang等[8]认为生态安全方案下京津冀地区通过土地资源的再分配,能够平衡城市化和生态建设,为高质量和绿色发展奠定坚实的基础.碳储量的损失是城市化和相关土地利用变化造成的一个重要结果,特别是在城市高度聚集区[9].为了进一步有效捕捉土地利用变化和碳储量之间的关系,Jiang等[10]发现耕地和绿地的减少是长沙-株洲-湘潭城市集聚区碳储量损失的最重要来源,主张将多种生态系统服务纳入城市土地利用规划,以实现可持续发展.Gao等[11]发现造成长江三角洲城市聚集区碳储量损失的主要因素是社会经济因素,尤其是耕地城市化.多项研究表明,耕地、植被和建设用地的面积变化确实会造成碳储量的明显增加或损失[12].

尽管许多学者在城市碳储量评估方面取得了很大进展,但仍存在一定的局限性.目前,学者们主要运用单一的实测数据预测多年份的碳储量,这种方法实际上固定了土地利用类型的碳密度,简化了碳循环过程[13-15].在土地利用实际变化中,土地碳密度随时间的推移而获得或失去碳[16],因此,本文将利用灰色预测模型来获取研究期间的动态碳密度,从而有效评估区域碳储量.

中原城市群自提出以来,人口规模快速增加,建设用地面积急剧扩张,能源消耗巨大,其高强度的碳排放是显而易见的[17],巨大的用地需求将给区域内土地供应及实现绿色生态发展示范区的目标带来很大压力[18].中原城市群作为一个正在成长起来的城市群,为中国的城市化和经济发展做出巨大贡献的同时[19],其碳储量变化严重威胁区域的可持续发展.评估中原城市群土地利用变化对碳储量的贡献对于制定未来的土地利用政策,尽量减少经济发展和生态环境保护之间的矛盾,越来越有必要.

本研究的重点在于通过灰色预测模型获取研究区多年份的动态碳密度数据,结合Dyna-CLUE模型和InVEST模型,动态评估2005～2030年中原城市群经济发展情景、生态保护情景及经济生态协调发展情景下土地利用变化对碳储量的影响及时空分布特征,分析区域发展对碳储量的潜在影响,以便为区域可持续发展提供参考.

1 材料与方法

1.1 研究区概况和数据来源

中原城市群(31°21′N～37°47′N,110°14′E ～ 118°30′E)地处中国大陆中部地区,包括河南省18个省辖市,以及河北省邯郸市､邢台市,山西省长治市、晋城市、运城市,安徽省宿州市、淮北市、阜阳市、亳州市、蚌埠市,山东省聊城市、菏泽市,共30个地级市,国土面积28.7万km2(图1).中原城市群地势西高东低,由太行山､伏牛山、桐柏山、大别山沿省界呈半环形分布,地形主要以平原为主,经济发展受自然条件限制较小;分布有海河、黄河、淮河和长江四大水系.

中原城市群独特的地理位置形成了初步的经济发展格局,经济活动主要集中在中东部平原地区,大中小城市数量众多,城镇空间聚合形态较好,协调发展格局初步形成,正处于工业化城镇化加速推进阶段.自上世纪起,以交通干线网络为发展轴的中原城市群逐步形成,人口规模快速增加,导致建设用地面积急剧扩张,土地利用格局发生了较大变化.区域内自然条件限制,加之人为活动,存在着水土流失严重、水资源短缺现象普遍以及生态系统退化等生态问题,由此带来生态系统服务下降、碳储量功能脆弱等问题,严重影响区域的可持续发展.

图1 研究区地理位置概况

2005、2010、2015和2020年中国土地利用数据来源于中国科学院资源环境科学数据中心(http: //www.Resdc.cn/),经过裁剪、镶嵌等得到中原城市群的土地利用图,并将土地利用二级类合并为一级类,分别为耕地、林地、草地、水域、建设用地和未利用地六类,空间分辨率为1km.

本研究所选的土地利用变化驱动因素包括地形、可达性和社会经济因素.地形数据来源于地理空间数据云(http: //www. gscloud.cn/),高程、坡度和坡向由DEM数据中提取得到.可达性因素包括河流、铁路、公路、城镇、农村聚居地的距离,通过计算欧氏距离得到,河流、铁路和公路数据来源于中国科学院东北地理与农业生态研究所-东北亚资源环境大数据中心(http://www.igadc.cn),城镇和农村聚居地从土地利用二值图中提取得到.

碳密度数据来源于国家生态科学中心(http: //www.cnern.org.cn/)和部分参考文献.

1.2 研究方法

1.2.1 土地利用格局预测 Dyna-CLUE模型将土地利用变化的自上而下分配与特定土地利用转换的自下而上确定相结合,在明确土地利用与驱动因子间定量关系的基础上,根据总概率的大小对土地利用需求进行空间分配,能同时预测、模拟土地利用在数量和空间位置上的变化[20].Dyna-CLUE模型由土地政策与限制区域、土地利用类型转换规则、土地需求、空间特征4个输入模块和1个空间分配模块5部分组成.

(1)土地限制约束设定.本研究未设定限制区域,整个研究区的土地利用都允许发生改变.

(2)土地利用转换规则,包括转移弹性系数和转移矩阵两部分.转移弹性系数主要受土地利用类型变化可逆性的影响,对于每种土地使用类型,用ELAS值代表变化的相对弹性,范围从0到1,值越大表示稳定性越高,发生转变的概率越小.本文根据研究区2010～2020年土地利用变化特征和2030年不同发展情景的限制条件,得出2020年的弹性系数(表1)和2030年三种情景的弹性系数(表2).

转移矩阵表示各地类间的转移规则,0代表不能转变,1代表可以转变,本研究中将其全部设为1.

(3)空间特征.根据土地利用图和驱动因子数据,运用SPSS统计软件进行Logistic回归分析,计算出各个土地利用类型在空间上的分布概率,即各种土地利用类型的空间分布适宜性.

表1 历史模拟过程中各土地利用类型的ELAS值

表2 2030年不同情景下各土地利用类型的ELAS值

(4)土地利用需求.本研究以2010年和2020年两期土地利用数据为基础,以10年为步长,利用Markov模型和线性内插法获取2020～2030年每年的土地利用需求[21].

(5)运用Dyna-CLUE模型,基于2010年中原城市群土地利用格局,模拟得到2020年中原城市群土地利用图,经与2020年实际土地利用图对比,Kappa指数为0.8316,模拟精度较高,表明模型适用于本研究的模拟需求.

(6)土地利用情景设置.根据《中原城市群发展规划》和《河南省土地利用总体规划(2006～2020)》等,本研究基于中原城市群发展的历史趋势和生态保护角度,结合Markov模型的预测结果和Dyna- CLUE模型,构建了三种土地利用变化情景,并模拟其2030年的土地利用格局.

经济发展情景.从2010～2020年研究区土地变化转移概率矩阵来看,建设用地主要是由耕地转变而来的.在历史发展趋势的基础上,该情景将建设用地自身的转移概率提高10%,耕地向建设用地的转移概率提高2%.

生态保护情景.该情景旨在加强对耕地、林地和水域等生态用地的保护.因此,在该情景下,耕地自身的转移速度降低2%,向林地的转移概率提高3%,林地和水域自身的转移概率分别提高10%和5%,建设用地自身的转移速度仅提高5%.

经济生态协调发展情景.该情景的提出是基于“经济发展情景”和“生态保护情景”的比较结果.情景下,耕地自身的转移概率降低4%,林地和建设用地自身的转移概率都提高7%.

1.2.2 碳密度预测和评估 InVEST模型是美国自然资本项目组开发的、用于评估生态系统服务功能量及其经济价值、支持生态系统管理和决策的一套模型.碳储存模块是InVEST模型估算陆地生态系统碳储量和支持气候调控功能的有效工具.碳储量包括地上碳储量、地下碳储量、死亡有机质碳储量和土壤碳储量.由于死亡有机质碳库数据难以获取,故本文仅考虑三大碳库碳储量.总碳储量计算公式如下[22]:

基于灰色系统理论构建的灰色预测模型为单序列的一阶线性动态模型,是常用的一种灰色数列预测模型,该预测模型采用连续的灰色微分模型弥补了系统信息不完整和不准确的缺点,从而提高模型的精确度,实现对事物未来趋势变化的预测[23].模型架构步骤如下:

(1)设有原始序列:

表3 计算检验参数结果

表4 模型精度检验等级参照表[24]

表5 2005～2030年中原城市群各土地利用类型碳密度(t/hm2)

根据“2010s中国陆地生态系统碳密度数据集”[25]获得研究区地上和土壤实测碳密度数据,并以此为基础数据,运用灰色预测模型,对地类的碳密度分别进行碳密度预测和评价指标计算,结果表明所建模型通过检验,且精度较高,可以用于研究.由于部分数据缺失,无法构成预测模型,因此将王海稳[26]和李豪杰[27]研究中关于耕地的地上生物量和建设用地、未利用地的土壤有机碳密度运用到整个研究中.地下生物量则根据地上地下植被的根茎比0.2进行计算[28].

2 结果与分析

2.1 2005～2030年中原城市群土地利用变化

2020年中原城市群耕地、林地、草地、水域、建设用地和未利用地的土地覆盖率分别达到63.74%、13.97%、6.15%、2.15%、13.96%和0.04%. 2005～2020年期间,中原城市群土地利用发生了剧烈变化,总体趋势为耕地面积减少,林地和建设用地面积都有不同程度的增加,草地、水体和未利用地面积基本保持不变.根据2010～2020年土地利用转移概率矩阵,我们预测了2030年经济发展情景、生态保护情景和经济生态协调发展情景下的土地利用格局.这种变化趋势将从2020年持续到2030年,区别在于地类面积的变化速度.根据经济发展情景,建设用地扩张速度最快,占比达到17.02%,而耕地面积将有较大幅度的减少,大部分土地将转化为建设用地.在生态保护情景下,林地扩张速度最快,面积占比达到15.9%,建设用地扩张速度最慢,面积仅有15.21%.在经济生态协调发展情景下,耕地的减少和林地、建设用地的扩张速度有所放缓,面积分别达到60.34%、15.51%和16.02%(表6).

表6 2005～2020年历史土地利用面积及2030年三种情景下预测面积(hm2)

图2 2005～2020年及2030年中原城市群三种情景下土地利用格局

2030年土地利用格局与历史土地利用格局具有相似的空间分布.耕地是占比最大的地类,占土地总面积的60%左右,较为集中地分布在中部和东部地区.林地和草地主要分布在长治、晋城、三门峡、洛阳和南阳等地,共占土地总面积的20%左右,建设用地是扩张速度最快的地类,占土地总面积的16%左右,主要集中在城镇中心,尤其是各地级市郊区.中原城市群的水域指长江、淮河、黄河和海河等四大流域,大多发源于西部、西北部和东南部山区,占土地总面积的2%左右.未利用地是面积占比最少的地类(图2).

2.2 2005～2030年中原城市群碳储量变化

2005年、2010年、2015年和2020年中原城市群碳储量分别为1689.59´106t、2035.36´106t、2066.34´106t和2093.05´106t,呈现持续增加的变化趋势;15年间碳储量共增加403.46´106t,其碳密度也呈增加趋势,增加14.22t/hm2.其中,2005～2010年碳储量和碳密度增幅最大,碳储量增加345.77´106t,碳密度增加12.19t/hm2.2030年经济发展情景、生态保护情景和经济生态协调发展情景中的碳储量分别为2162.45´106t、2179.39´106t和2174.28´106t.与2020年相比,2030年碳储量在三种情景下分别有69.4´106t、86.34´106t和81.23´106t的碳增加,分别占2020年碳储量的3.32%、4.12%和3.88%,碳密度分别增加2.45t/hm2、3.04t/hm2和2.86t/hm2(图3).

就土地利用类型而言,不同土地利用类型对区域总碳储量的贡献值由大到小依次为:耕地、林地、建设用地、草地、水域和未利用地.耕地面积占区域总面积约60%,碳储量占区域内总碳储量约66%,其面积呈下降趋势,但碳储量仍然保持增长,是区域内的重要碳库.林地总面积最大时仅占区域内总面积的约15%,但碳储量占区域总碳储量的约21%,其增长的碳储量是碳储量总收益的1.13倍,是区域内最重要的碳库.从时间上看,根据区域发展的三种情景,这些趋势将从2020年持续到2030年.2020～2030年三种情景下,耕地､草地和未利用地的碳储量呈下降趋势,而林地、水域和建设用地碳储量则呈上升趋势.林地和建设用地碳储量增长明显,是碳增长的重要来源(表7).

表7 2005～2030年中原城市群不同土地利用类型碳储量(×106t)

2.3 土地利用类型与总碳储量的相关性分析

为探究土地利用变化对研究区内碳储量变化的影响,本文计算了2005年至2030年中原城市群各土地利用类型面积变化与碳储量的相关性.在三种情景下,各地类与总碳储量的相关性趋势一致(图4).耕地和草地面积与总碳储量呈现负相关关系,且相关性都在0.2以下,主要原因是碳密度随时间的变化而不同,面积变化导致不同年份间的碳储量变化不存在明显的线性关系.林地、水域、建设用地和未利用地面积与总碳储量相关系数均大于0.8,呈现正相关关系,主要原因是地类面积的增加,提高了土壤中的固碳量.其中,建设用地和未利用地面积与总碳储量的相关系数在三种情景都达到1,呈现出两者间的强相关性,表明经济活动对碳储量的影响显著.

2.4 中原城市群区域碳储量

为进一步探究研究区内碳储量的分布模式,本文对中原城市群30个城市的碳储量进行分析.2005年,城市的碳储量为11.38´106t～168.38´106t,此后城市碳储量持续增长,2020年城市的碳储量为13.61´106t～201.39´106t,2030年三种情景下城市的碳储量为14.31´106t～214.24´106t.碳储量高值区域主要分布在西部伏牛山脉、南部大别山脉和北部太行山脉,如洛阳市、南阳市、信阳市、长治市和运城市等,所述区域植被覆盖度高,固碳能力较强,达到100´106t以上;碳储量低值区域主要分布在中东部丘陵和平原地区,以鹤壁市、漯河市、济源市和淮北市为典型代表,2005～2030年碳储量都处在20´106t以下.碳储量由西向东逐渐减少,表现出极大的不均衡性,这种碳储量的空间分布格局与人类活动和植被覆盖度密切相关(图6).

图5 2005～2030年中原城市群30个城市的碳储量变化

图6 2005～2030年中原城市群碳储量空间分布

根据市级碳储存的变化,2005～2020年期间,除了邯郸市碳储量在2020年有小幅下降外,其他29个城市的碳储量都有所增加,共增加403.46´106t,以南阳市、信阳市、驻马店市、长治市和运城市为主的城市碳增量共占总碳增量的30%左右.2020～2030年,仅有聊城市在经济发展情景下的碳储量减少0.26´106t.而其他29个城市在三种情景下碳储量都保持增长趋势,碳增长量为0.08´106t～12.85´106t,以南阳市､洛阳市、三门峡市、晋城市、运城市和信阳市为主的城市碳增量达到了总碳增量的70%左右,是碳储量增长的重要组成部分.

就具体情景而言,生态保护情景由于对耕地、林地、草地和水域等生态用地的照顾,其碳储量收益最大.造成这种情况的主要原因是该情景通过限制城市空间的无序扩张来保护生态系统,减少了建设用地侵占造成的碳储量损失,增加了生态系统空间恢复带来的碳储量收益[29],尤其长治市、运城市、南阳市、信阳市和驻马店市等城市碳储量达到100´106t以上.与此相反,经济发展情景以经济的快速发展为主要目标,促进了对建设用地的需求,经历了更多的碳储量损失和更少的碳储量收益,这使得碳储量略有下降,尤其济源市、鹤壁市、淮北市和漯河市等城市碳储量在20´106t以下,增长明显缓慢(图5).

3 讨论

3.1 不同情景下的碳储量变化

生态系统碳储量的变化预测为揭示未来土地利用变化与碳储量的演变提供了新的思路.本研究进一步考虑了生态系统碳储量中碳密度的动态变化,这使得研究结果更加合理.碳密度是估算和预测生态系统碳储量的重要基础.在本研究中,耕地、林地、草地和水域碳密度呈增加趋势,建设用地和未利用地碳密度由于采用同一个数据而无法产生年际变化.其中,林地的碳密度最高,其次是耕地和建设用地.林地在陆地生态系统中发挥着至关重要的碳汇功能,2000年以来退耕还林为区域的碳排放提供了强有力的缓解,这也是区域坚持恢复天然森林植被、加强人工林培育取得的巨大成果[30-31],中原城市群在经济迅速发展的同时,植被覆盖度的提高是这一时期生态系统碳储量增加的重要因素.

研究结果表明,2005～2030年土地利用的主要变化是建设用地扩张、耕地退化和林地扩张,但变化的力度因情况而异.经济发展情景的建设用地面积收益最大,耕地面积损失最大,而生态保护情景在林地面积上收益最大.相应地,由土地利用动态导致的区域碳储量也将发生变化,根据土地利用转化对碳储量的影响分析和相关性分析,碳储量收益主要是由于林地和建设用地的扩张,且与总碳储量的正相关性最高达到了0.97和1;碳储量损失主要是由于高碳密度土地被侵占造成的,被侵占的地类主要是耕地,耕地减少的碳储量达到了总碳增量的一半左右.

此外,研究还发现不同情景之间的碳储量变化也是不同的,这主要是由于每个情景模拟目的性的不同.经济发展情景旨在保持甚至加快当前的发展情势,不考虑后续政策和自然灾害,导致建设用地明显扩大,碳储量增长缓慢,尤其是聊城市、淮北市、濮阳市、漯河市和郑州市等,增长的碳储量在0.5´106t以下.相比之下,生态保护情景在区域发展中更加注重生态环境的保护,减缓甚至可能扭转部分地区环境恶化的趋势,而且太行山地生态功能保护区、南水北调中线工程水源区生态功能保护区和淮河源生态功能保护区的限制,在一定程度上抑制了人类活动对植被的破坏[26],生态的良性发展极大地促进区域生态保护,有利于促进植被的恢复.经济生态协调发展情景在促进经济发展的同时,缓解了城市的扩张速度,更符合建设绿色生态发展示范区的战略地位.

3.2 区域发展对碳储量的影响

2000年以来,中原地区逐渐形成了以郑州大都市化为核心的特大型城市群,碳储量呈现逐年递增趋势和西高东低、由北向南呈半环形的空间分布格局,这在一定程度上反应了区域内生态系统服务功能有所提高[14].从2006年《中原城市群总体发展规划纲要》的提出,到2016年中原城市群的正式成立,极大推动了研究区的经济发展,区域内建设用地急剧扩张,不断侵占其他土地利用类型,导致碳储量发生不同程度的增减.同时,涉及天然林保护工程的洛阳市、三门峡市、济源市和南阳市等地,天然林资源实现持续稳定增长,为中原城市群生态系统碳储量的增加提供了一定的保证.

为了改善我国生态环境,达到减少碳排放量和提高碳储存的目的,中国承诺在2030年之前达到碳排放峰值,并争取在2060年前实现碳中和,提高国家自主贡献力[32].土地使用变化是影响碳排放的关键因素[33],土地利用方式的变化直接影响到碳储存,并随后影响一个地区的碳排放,根据政府间气候变化专门委员会(IPCC)的研究,由土地使用变化引起的二氧化碳排放约占总排放量的11%左右,仅次于化石燃料的燃烧[34].中原城市群作为中国经济发展新的增长极,以碳储量的变化来反映城市的碳排放情况,这可能对优化城市规划产生积极的影响并为区域可持续发展做出贡献.

根据三种情景下碳储量的变化,碳储量增长,说明城市的碳排放在减少.以此为根据,研究发现除了邯郸市和聊城市以外,其余28个城市土地利用产生的碳排放在2005年之前已经达到峰值,2005～2030年之后碳储量逐渐增加,碳排放量逐渐减少.邯郸市碳储量除了在2020年出现小幅度下降,并不影响2005～2030年的整体碳储量增加趋势,且2030年三种情景下碳储量都高于2020年下降之前的碳储量,可以认为邯郸市碳排放的峰值出现在2005年之前.聊城市碳储量在2005～2020年间持续增长,2030年在经济发展情景下减少,给城市的碳排放峰值达到时间带来一种不确定性,其碳排放峰值可能延迟;就三个情景间的差别而言,2020年聊城市在经济发展情景下碳储量更少,其碳排放量更多,更容易以较快的速度达到碳排放峰值,但生态保护情景和经济生态协调发展情景下,2005～2030年聊城市的碳储量一直在增长,这种情况下土地利用产生的碳排放量在2005年之前就已经达到峰值.

分析表明,2005～2030年绝大多数城市在三种情景下的碳储量都处于增加状态,土地碳排放在2005年之前已经达到峰值,之后碳排放量减少,会进一步加快碳中和目标的达成.本研究结合对中原城市群土地利用发展变化和碳储量变化特征的分析,得出土地利用变化在一定程度上能够对碳储量产生积极影响,且经济生态协调发展情景可能是更贴合未来城市发展模式一结论,这一设想在积极建设全国经济发展新空间的同时,将建设优良生态环境作为城市群发展的基本保障,有利于全面实现城市群一体化可持续发展.

3.3 不确定性分析

本研究运用Dyna-CLUE模型和InVEST模型能较为清晰地反映区域未来碳储量的变化,在一定程度上还能反映区域生态系统服务功能质量.对区域的生态系统碳储量功能进行精确评估,取决于土地利用图和碳密度数据,本研究已经尽量获取较准确的数据,但工作还存在一定的不确定性[35].土地利用变化引起的生态系统碳储量变化的研究主要基于模型模拟.由于土地利用变化本身的复杂性,在模拟其引起的生态系统碳储量变化时,现有模型受到多种因素的影响.

碳储量预测结果在很大程度上依赖于未来土地利用变化情景模拟的准确性.本文中Dyna-CLUE模型情景模拟选取的驱动因素主要为自然环境、可达性和社会经济三个方面,包括DEM、坡度、坡向、河流、公路、铁路、城镇、农村、人口和GDP等10个因素.虽然这些因素对各类土地具有较好的拟合效果,最终模拟结果也具有较高的精度,但Dyna-CLUE模型本身的局限性仍然是不可避免的.例如,政策因素在土地利用变化中起着非常重要的作用.由于政策效果难以量化,且研究中参考的《河南省土地利用总体规划(2006～2020)》已经到期,这会对未来土地利用格局的情景模拟结果造成一定程度的影响.

对区域的生态系统碳储量功能进行精确评估,还取决于所使用的碳密度数据.考虑到不同土地利用类型碳密度的时间变化,为尽可能地提高碳储量预测结果的精确度,本文运用动态碳密度预测中原城市群碳储量,在一定程度上突破了InVEST模型碳储存模块大量简化碳循环的局限性.虽然本文获取到随着时间变化而变化的碳密度,但其准确性还有进一步提升的空间.如果能够得到研究区内实测碳密度的动态变化,碳储量预测结果将会更加精准.

随着社会经济的发展,未来土地利用变化将受当地政策目标的影响逐渐增强[15],如何综合自然和社会多方面因素更合理地计算未来土地需求量,是提高未来土地利用格局预测精度的关键之一[36].其次,运用大量实测数据获取动态碳密度,能提高生态系统碳储量评估的准确性[37],应对研究区样地进行连续多年的监测,对碳密度的合理性进行验证.

4 结论

4.1 2005～2030年,中原城市群土地利用变化趋势为耕地面积减少,林地和建设用地面积增加,草地、水体和未利用地面积基本保持不变,不同年份地类面积的变化速度有所不同.

4.2 2005～2020年中原城市群碳储量持续增加,15年间碳储量共增加403.46´106t.2020～2030年中原城市群在经济发展情景、生态保护情景和经济生态协调发展情景下分别有69.4´106t、86.34´106t和81.23´106t的碳增加.碳储量空间分布存在明显的“西高东低”特征,碳储量较高的城市主要分布在植被覆盖度高,固碳能力较强的山林;碳储量较低的城市大多分布在中东部丘陵和平原地区.

4.3 不同土地利用类型对区域总碳储量的贡献值由大到小依次为:耕地、林地、建设用地、草地、水域和未利用地.耕地和草地面积与总碳储量呈现较弱的负相关关系,其相关性都在0.2以下;林地、水域、建设用地和未利用地面积与总碳储量呈现较强的正相关关系,尤其是建设用地和未利用地面积与总碳储量之间的显著相关性.

4.4 2005～2030年,除了邯郸市在2020年碳储量有小幅下降,聊城市在2030年经济发展情景下碳储量减少,其余28个城市在三种情景下碳储量都呈增加趋势.经济生态协调发展情景下30个城市都能在2030年之前达到碳排放峰值,且碳损失达到最小,该情景在促进经济发展的同时,缓解了城市的扩张速度,更符合建设绿色生态发展示范区的战略地位.

[1] 张 燕,师学义,唐 倩.不同土地利用情景下汾河上游地区碳储量评估 [J]. 生态学报, 2021,41(1):360-373.

Zhang Y, Shi X Y, Tang Q. Carbon storage assessment in the upper reachers of the Fenhe River under different land use scenarios [J]. Acta Ecologica Sinica, 2021,41(1):360-373.

[2] Jiang X T, Wang Q, Li R R. Investigating factors affecting carbon emission in China and the USA: A perspective of stratified heterogeneity [J]. Journal of Cleaner Production, 2018,199:85-92.

[3] Zhang P Y, He J J, Hong X, et al. Carbon sources/sinks analysis of land use changes in China based on data envelopment analysis [J]. Journal of Cleaner Production, 2018,204:702-711.

[4] Zhao J, Chen S, Jiang B, et al. Temporal trend of green space coverage in China and its relationship with urbanization over the last two decades [J]. Sci Total Environ, 2013,442:455-465.

[5] Schröter D, Cramer W, Leemans R, et al. Ecosystem service supply and vulnerability to global change in Europe [J]. Science of The Total Environment, 2005,310(5752):1333-1337.

[6] Zhang M, Huang X, Chuai X, et al. Impact of land use type conversion on carbon storage in terrestrial ecosystems of China: A spatial- temporal perspective [J]. Scientific Reports, 2015,5:10233.

[7] Arneth A, Sitch S, Pongratz J, et al. Historical carbon dioxide emissions caused by land-use changes are possibly larger than assumed [J]. Nature Geoscience, 2017,10(2):79-84.

[8] Yang Y Y, Bao W K, Liu Y S. Scenario simulation of land system change in the Beijing-Tianjin-Hebei region [J]. Land Use Policy, 2020,96.

[9] 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.

[10] 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.

[11] Gao J, Wang L C. Embedding spatiotemporal changes in carbon storage into urban agglomeration ecosystem management — A case study of the Yangtze River Delta, China [J]. Journal of Cleaner Production, 2019,237.

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

[13] Nie X, Lu B, Chen Z P, et al. Increase or decrease? Integrating the CLUMondo and InVEST models to assess the impact of the implementation of the Major Function Oriented Zone planning on carbon storage [J]. Ecological Indicators, 2020,118.

[14] 蒋 琳.2000～2010年中原经济区陆地生态系统逐年土地利用与碳储量变化研究 [D]. 开封:河南大学, 2015.

Jiang L. Analyses of the changes of land use and carbon stocks in terrestrial ecosystem of the central plains economic region from 2000 to 2010 [D]. Kaifeng: Henan University, 2015.

[15] 朱文博,张静静,崔耀平,等.基于土地利用变化情景的生态系统碳储量评估——以太行山淇河流域为例 [J]. 地理学报, 2019,74(3): 446-459.

Zhu W B, Zhang J J, Cui Y P, et al. Assessment of territorial ecosystem carbon storage based on land use change scenario: A case study in Qihe River Basin [J]. Acta Geographica Sinica, 2019,74(3):446-459.

[16] Liu X, Wang S, Wu P, et al. Impacts of urban expansion on terrestrial carbon storage in China [J]. Environ Sci Technol, 2019,53(12):6834- 6844.

[17] 赵留峰.基于遥感的中原城市群碳源/碳汇时空变化研究 [D]. 开封:河南大学, 2013.

Zhao L F. The Research of carboncarbon sinks Changes in Central Henan urban agglomeration based on remote sensing [D]. Kaifeng: Henan University, 2013.

[18] 彭 建,汪 安,刘焱序,等.城市生态用地需求测算研究进展与展望 [J]. 地理学报, 2015,70(2):333-346.

Peng J, Wang A, Liu Y X, et al. Research progress and prospect on measuring urban ecological land demand [J]. Acta Geographica Sinica, 2015,70(2):333-346.

[19] 方创琳.改革开放40年来中国城镇化与城市群取得的重要进展与展望 [J]. 经济地理, 2018,38(9):1-9.

Fang C L. Important progress and prospects of China's Urbanization and Urban Agglomeration in the past 40 years of Reform and Opening-Up [J]. Economic Geography, 2018,38(9):1-9.

[20] An C J, Y D, W W, et al. Simulation of future land-use scenarios in the Three Gorges Reservoir Region under the effects of multiple factors [J]. Journal of Geographical Sciences, 2018,28(12):1907-1932.

[21] Yecui H, Yunmei Z, Xinqi Z. Simulation of land-use scenarios for Beijing using CLUE-S and Markov Composite Models [J]. Chinese Geographical Science, 2013,23(1):92-100.

[22] Jackson R B, Schenk H J, Jobbágy E G, et al. Belowground consequences of vegetation change and their treatment in models [J]. Ecological Applications, 2000,10(2).

[23] 邓聚龙.灰色系统综述 [J]. 世界科学, 1983.

Deng J L. Summary of grey system [J]. World Science, 1983.

[24] 田 雪,杨江龙,张丽萍.运用Excel实现青岛港货物吞吐量的灰色预测 [J]. 物流技术, 2014,33(1):116-118.

Tian X, Yang J L, Zhang L P. Grey forecasting of cargo throughput of Qingdao port using Excel [J]. Logistics Technology, 2014,33(1): 116-118.

[25] 徐 丽,何念鹏,于贵瑞.2010s中国陆地生态系统碳密度数据集 [J]. 中国科学数据(中英文网络版), 2019,4(1):90-96.

Xu L, He N P, Yu G R. A dataset of carbon density in Chinese terrestrial ecosystems (2010s) [J]. China Scientific Data, 2019,4(1): 90-96.

[26] 王海稳.太行山区不同土地利用方式下生态系统碳贮量研究 [D]. 保定:河北农业大学, 2007.

Wang H W. Study on the ecosystem carbon storage of different land use types in the TaiHang mountain [D]. Baoding:Hebei Agricultural University, 2007.

[27] 杨 锋.河南省土壤数据库的构建及其应用研究 [D]. 郑州:河南农业大学, 2008.

Yang F. Study on building and application of henan province soil database [D]. Zhengzhou:Henan Agricultural University, 2008.

[28] Karel Mokany R J R, Anatoly S. Critical analysis of root : shoot ratios in terrestrial biomes [J]. Global Change Biology, 2006,12.

[29] Peng K F, Jiang W G, Ling Z Y, et al. Evaluating the potential impacts of land use changes on ecosystem service value under multiple scenarios in support of SDG reporting: A case study of the Wuhan urban agglomeration [J]. Journal of Cleaner Production, 2021,307.

[30] Wang J, Feng L, Palmer P I, et al. Large Chinese land carbon sink estimated from atmospheric carbon dioxide data [J]. Nature, 2020, 586(7831):720-723.

[31] Yue X, Zhang T Y, Shao C L. Afforestation increases ecosystem productivity and carbon storage in China during the 2000s [J]. Agricultural and Forest Meteorology, 2021,296.

[32] Elzen M D, Fekete H, Höhne N, et al. Greenhouse gas emissions from current and enhanced policies of China until 2030: Can emissions peak before 2030? [J]. Energy Policy, 2016,89:224-236.

[33] Hinge G, Surampalli R Y, Goyal M K. Regional carbon fluxes from Land-Use Conversion and Land-Use Management in Northeast India [J]. Journal of Hazardous, Toxic, and Radioactive Waste, 2018,22(4).

[34] Tian S Q, Wang S J, Bai X Y, et al. Global patterns and changes of carbon emissions from land use during 1992～2015 [J]. Environmental Science and Ecotechnology, 2021,7.

[35] Nelson E, Mendoza G, Regetz J, et al. Modeling multiple ecosystem services, biodiversity conservation, commodity production, and tradeoffs at landscape scales [J]. Frontiers in Ecology and the Environment, 2009,7(1):4-11.

[36] 周 锐,苏海龙,王新军,等.基于CLUE-S模型和Markov模型的城镇土地利用变化模拟预测——以江苏省常熟市辛庄镇为例 [J]. 资源科学, 2011,33(12):2262-2270.

Zhou R, Su H L, Wang X J, et al. Simulation of land use change in Xinzhuang Town under different scenarios based on the CLUE-S Model and Markov Model [J]. Resources Science, 2011,33(12):2262- 2270.

[37] 范立红,朱建华,李 奇,等.三峡库区土地利用/覆被变化对碳储量的影响 [J]. 南京林业大学学报(自然科学版), 2018,42(4):53-60.

Fan L H, Zhu J H, Li Q, et al. Effects of changes in land use and cover on carbon storage in the Three Gorges Reservoir Area [J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2018,42(4): 53-60.

致谢：本实验的碳密度数据来自徐丽研究小组的“2010s中国陆地生态系统碳密度数据集”,在此表示感谢.

Temporal and spatial variation and prediction of regional carbon storage in Zhongyuan Urban Agglomeration.

HE Xiao-hui1*, XU Ya-ting2, FAN Xue-feng3, GENG Qing-ling1, TIAN Zhi-hui1

(1.School of Earth Science and Technology, Zhengzhou University, Zhengzhou 450052, China；2.College of Chemistry, Zhengzhou University, Zhengzhou 450052, China；3.Henan Meteorological Detection and Data Center, Zhengzhou 450003, China)., 2022,42(6)：2965～2976

In order to effectively evaluate the carbon reserve of Zhongyuan Urban Agglomeration, dynamic carbon density data was obtained by using the grey prediction model, combined with the Dyna-CLUE model and the InVEST model, which were used to dynamically evaluate the carbon reserve evolution characteristics under different scenarios of land use change, as well as the impact of urban development on carbon reserve from 2005 to 2030. The results showed that the carbon reserve of the Zhongyuan Urban Agglomeration from 2005 to 2020 were 1689.59×106t, 2035.36×106t, 2066.34×106t and 2093.05×106t, showing a continuously increasing trend; In 2030, the carbon reserve under the economic development scenario, ecological protection scenario and coordinated economic and ecological development scenario were 2162.45×106t, 2179.39×106t and 2174.28×106t, respectively. The carbon reserve was at the minimum under the economic development scenario and at the maximum under the ecological protection scenario. The change of carbon reserve was closely related to that of land use area, which is mainly manifested as follows. The decrease of the cultivated land area resulted in an increase of about 250×106t of carbon reserve, the expansion of forest land resulted in an increase of about 103.4×106t of carbon reserve, and the expansion of construction land resulted in an increase of about 87.77×106t of carbon reserve. The area of cultivated land and grassland had a weak negative correlation with the total carbon reserve, and the area of forest land, water area, construction land and unused land had a strong positive correlation with the total carbon reserve. From 2005 to 2030, the carbon reserve of the 30cities in the Zhongyuan Urban Agglomeration ranged from 11.38×106t to 214.24×106t, respectively. The changes in carbon reserve reflected that urban land carbon emissions has peaked by 2030, and the coordinated economic and ecological development scenario might be more suitable for future cities.

Zhongyuan Urban Agglomeration；land use；Dyna-CLUE model；InVEST model；carbon storage

X32

A

1000-6923(2022)06-2965-12

赫晓慧(1978-),女,河南商丘人,教授,博士,主要从事水文与生态、智慧城市研究.发表论文数十篇.

2021-11-30

河南省重大科技专项(201400210900)

* 责任作者, 教授, hexh@zzu.edu.cn