基于优化模拟的长株潭3+5 城市群碳储量时空演变与预测

糜毅，李涛，吴博，赵燕萍

1.生态型区域-城市规划与管理衡阳市重点实验室

2.南华大学松霖建筑与设计艺术学院

党的二十大报告指出，实现碳达峰碳中和是一场广泛而深刻的经济社会系统性变革[1]。陆地生态系统作为全球主要的碳库，通过“固持”作用将二氧化碳等温室气体固定在碳库中，陆地生态系统固碳是当前国际社会公认的最经济可行和环境友好的减缓大气二氧化碳浓度升高的重要途径之一[2]。土地利用/覆被变化（LUCC）是影响陆地生态系统碳储存的重要因素[3]。土地利用/覆被变化往往受社会、经济等多重因素的影响，合理的土地利用方案能够有效提升陆地生态系统固碳能力[4]。因此，研究区域土地利用/覆被变化与陆地生态系统碳储量的响应机制及空间分布规律，对实现区域碳达峰碳中和目标和经济社会可持续发展具有重要意义。

近年来，国内外学者围绕土地利用/覆被变化与碳储量之间的关系做了大量研究。如杨潋威等[5]研究发现，西安市现行土地利用转移趋势使得高碳密度用地转向低碳密度用地；张育诚等[6]研究指出，海南岛中部山区碳储量减少的原因在于城镇化扩张侵占林地及耕地；Rijal 等[7]对尼泊尔巴格马蒂河流域不同土地利用类型的碳储量及经济价值进行了量化；Rafael 等[8]发现墨西哥中部西海岸裸地增加是导致该区域碳储量减少的主要原因。在模型选用上，不少研究基于不同类型土地利用特征，结合CASA 模型[9]、DNDC模型[10]、bookkeeping 模型[11]、GLO-PEM 模型[12]等对区域碳储量进行评估。目前，InVEST 模型由于所需数据少、精度高、运算便捷等特点，其碳储量模块被广泛应用于陆地生态系统碳储量研究中。王天福等[13-14]通过InVEST 模型评估了碳储量对地区生态环境的影响，取得了较好的效果。在研究尺度上，国内外学者从国家[15]、省域[16]、市域[17]、县域[18]、流域[19]等不同尺度对陆地生态系统碳储量进行研究，但对以都市圈为核心的泛都市圈城市群尺度的研究较少。在对未来土地利用的模拟当中，国内外学者主要通过CA-Markov 模型[20]、CLUE-S 模型[21]和FLUS 模型[22]等进行未来土地利用模拟。相比其他模型，PLUS 模型能够在时空上更精确地捕捉多种土地利用斑块的演变[23]，挖掘不同土地利用变化的诱因[24]。在未来土地利用模拟过程中，多数研究未剔除无效或相关性较低的驱动因子而直接导入模型进行预测模拟，可能导致土地利用变化预测的精准性降低。因此，对导致土地利用变化的驱动力进行研究有利于优化模拟精度。已有研究通过多元线性回归模型[25]、Logistic 回归模型[26]等对导致土地利用变化的驱动机制进行探讨，这些模型主要从数值间的相关性进行分析，缺少对空间分层异质性问题的研究[27]，而地理探测器（GeoDetector）模型能较好地解决上述问题。因此，研究基于GeoDetector-PLUS-InVEST 模型，既能揭示土地利用变化的驱动机制，提升土地利用模拟预测的精准性，也能较好地探究研究区土地利用/覆被变化与碳储量的演变特征。

以中心城市引领城市群发展、城市群带动区域发展是国家新型城镇化探索的新模式，处理好长株潭都市圈与周边城市之间的协同发展关系，对促进区域协调发展、实现区域“双碳”目标具有重要意义。因此，笔者以长株潭3+5 城市群为研究区，通过GeoDetector-PLUS-InVEST 模型，基于多源数据分析长株潭3+5 城市群2000—2020 年土地利用及碳储量时空演变特征，预测2030 年不同情景下的土地利用和碳储量变化，并通过空间自相关模型分析碳储量空间分布规律，旨在为长株潭3+5 城市群国土空间规划及“双碳”政策的制定提供科学参考和一定的数据支撑，助力研究区低碳可持续发展。

1 研究区概况与研究方法

1.1 研究区概况

长株潭3+5 城市群位于湖南省中东部地区（图1），由长株潭都市圈3 个城市和常德、衡阳、娄底、益阳、岳阳5 个城市组成，总面积约9.7 万km2。区域以亚热带季风气候为主，植被主要为亚热带常绿阔叶林，年平均气温为16～19 ℃。2020 年末总人口为4 133.4 万人，国内生产总值（GDP）为32 384.06亿元，占湖南省生产总值的77.5%，是湖南省社会经济活力最强的区域。长株潭3+5 城市群的发展对湖南省的发展起着重要作用，以长株潭3+5 城市群为研究区，分析不同情景政策对其未来土地利用变化及碳储量的影响，探索其未来发展趋势，有助于协调城市群发展与生态环境保护的关系和促进研究区各城市可持续发展。

图1 研究区行政区划Fig.1 Administrative divisions of the study area

1.2 数据来源与处理

研究采用的数据包括土地利用、社会经济和自然环境数据。土地利用数据来源于中国科学院资源环境科学数据中心(https://www.resdc.cn)，分辨率为30 m，参照国家一级土地利用现状分类标准，将土地利用分为耕地、林地、草地、水域、建设用地和未利用地6 类。社会经济数据包含GDP 空间分布、中国人口空间分布、夜间灯光（national polar-orbiting partnership visible infrared imaging radiometer suite，NPP-VIIRS）、道路交通数据。其中，GDP 空间分布1 km 栅格数据来源于中国科学院资源环境科学数据中心(https://www.resdc.cn)，中国人口空间分布1 km 精度网格数据来源于全球人口空间数据库（https://www.worldpop.org/），NPP-VIIRS 数据来源于美国国家海洋和大气管理局（https://ngdc.noaa.gov/eog/viirs/download_ut_mos.html），道路交通数据来源于公开地图（open street map，OSM）。自然环境数据包含数字高程模型(DEM)、降水量、气温、净初级生产量（NPP）、归一化植被指数(NDVI)、土壤数据。其中，DEM 数据来源于先进星载热发射和反射辐射仪全球数字高程模型（advanced spaceborne thermal emission and reflection radiometer global digital elevation model，ASTER GDEM），分辨率为30 m，以此提取研究区坡度、坡向等数据；降水量和气温数据来源于《湖南省统计年鉴》；NPP 数据来源于美国地质调查局（USGS）发布的MOD17A3HGF 数据,分辨率为500 m；NDVI 数据来源于美国航空航天局（NASA）发布的MOD13A3 数据，分辨率为250 m；土壤数据来源于世界土壤数据库（Harmonized World Soil Database，HWSD）土壤数据集（v1.2），分辨率为1 000 m。为了便于分析，以上所有栅格数据进行统一处理，分辨率为100 m×100 m。

1.3 研究方法

1.3.1 基于InVEST 模型的碳储量评估

选用InVEST 模型的碳储量模块进行评估。该模块结合土地利用覆被数据和4 个碳库（地上生物碳密度、地下生物碳密度、土壤碳密度、死亡有机质碳密度）的碳储量来计算区域生态系统碳储量[16-17]。

研究区碳密度数据主要参考部分学者的研究成果和中国陆地生态系统碳密度数据集[28-31]。由于死亡有机质碳密度数据不全，因此未将其纳入计算范围。研究区不同土地利用类型的碳密度见表1。

表1 研究区不同土地利用类型的碳密度[28-31] Table 1 Carbon density of different land use types in the study area t/hm2

1.3.2 土地利用变化驱动机制探测

考虑到众多研究者在土地利用模拟中，未剔除无效或相关性较低的驱动因子，直接导入模型进行模拟预测，可能导致土地利用变化预测的精准性降低[32]。故采用地理探测器对促进研究区2000—2020 年土地利用变化的28 项空间驱动因素进行因子探测，筛选出导致土地利用变化的主要驱动因子，并将这些因子应用于长株潭3+5 城市群未来土地利用模拟预测中，以优化模拟效果。

地理探测器是探测空间分异性以及揭示其背后驱动力的一组统计学方法，它的核心思想是基于一种假设：如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性[27]。地理探测器目前被广泛应用于社会、生态等领域的研究中[33-34]。本文运用地理探测器中的分异及因子探测对导致土地利用空间分异的驱动因子进行分析。分异及因子探测用于探测各驱动因子对土地利用变化空间分异的解释程度，其公式为：

式中：q为某一驱动因子对土地利用空间分异的解释程度，取值为0～1，q越大，表示该因子对土地利用变化的解释力越强；M为驱动因子的样本数量；N和Ni分别为全区域和层i单元数；σ2和为全区域和层i土地利用方差。

1.3.3 基于PLUS 模型的未来多情景土地利用模拟

选用PLUS 模型模拟长株潭3+5 城市群2030年不同情景下的土地利用变化。PLUS 模型是由中国地质大学（武汉）HPSCIL@CUG 实验室研发的基于栅格数据的一种斑块生成土地利用变化模拟模型，该模型主要由土地扩张提取模块、基于土地扩张分析策略（LEAS）的规则挖掘框架模块和基于多类型随机种子机制的CA 模型（CARS）3 个部分组成[22]。相比于其他模型，该模型对景观变化驱动因素和土地扩张驱动因素的挖掘具有一定的优势，可以获得更真实的景观和更高的土地模拟仿真精度[5]。

（1）驱动因子选取

基于长株潭3+5 城市群实际情况与数据的可获取性，本研究从社会经济和自然环境2 个方面，选取人均GDP、人口密度、NPP-VIIR、与城镇距离、与农村距离、与铁路距离、与水系距离、与高速距离、与省道距离、与国道距离、与县道距离、与乡道距离、与城市一级道路距离、与城市二级道路距离、与城市三级道路距离、与城市四级道路距离、DEM、坡度、坡向、降水量、气温、NPP、NDVI、土壤质地、土壤有效含水量、土壤酸碱度、土壤有机碳含量、土壤容重共28 项因子，通过地理探测器优化出解释力相对较强的因子，进行研究区土地利用模拟。

（2）邻域权重设置

邻域权重表示不同土地利用类型的邻域影响，取值为0～1，其值越大，表明该土地利用类型的扩张能力越强。本研究的邻域权重通过计算不同土地利用类型的扩张面积占总土地扩张的比率来确定，研究区不同土地利用类型邻域权重如表2 所示。

表2 土地利用类型邻域权重Table 2 Neighborhood factor weights of of each land use type

（3）未来土地利用模拟情景设定

根据研究区实际情况和以往相关研究[35]，设定了自然发展、城镇发展和生态保护3 种模拟情景，土地利用转移矩阵如表3 所示。在自然发展情景下，不考虑其他约束条件，除水域外各地类之间可相互转化。在城镇发展情景下，不限制建设用地的扩张，任何用地都可以转换成建设用地，并且建设用地不会向其他土地利用类型转化。在生态保护情景下，根据《湖南省生态保护红线》的通知，将生态保护红线内的区域作为禁止转化区，生态保护红线外的用地进行转化等级排序：耕地、水域、草地、建设用地、未利用地，不允许高等级用地向低等级用地转换，同时禁止林地向其他土地利用类型转化。

表3 不同发展情景下土地利用转移矩阵Table 3 Transfer matrix of each land use type under different development scenarios

1.3.4 基于格网的空间自相关分析

本研究通过GIS 将研究区划分成3 km×3 km 的渔网，采用Moran'sI统计工具进行全局空间自相关分析，采用局域Moran'sI（Anselin Local Moran'sI）和热点分析（Getis-Ord Gi*）工具进行局域空间自相关分析。空间自相关分析可用来探索分布于不同空间的地理事物的某一属性在空间中是否存在集聚特性，可分为全局空间自相关和局域空间自相关。全局空间自相关通常用于描述某现象的整体分布情况，并判断此现象在空间中是否集聚，但不能确切地指出具体的集聚区，常用的全局空间自相关分析工具有Moran'sI统计。局域空间自相关则是用于发现局域空间是否存在空间自相关，相对于整体研究范围空间的影响程度，影响程度大的往往是空间现象的集聚点。常用的局域空间自相关分析有局域Moran'sI和热点分析工具，局域Moran'sI能大致探测出集聚区域的中心，但探测范围较小，热点分析能较准确地探出集聚区域，故采用这2 种工具进行局域空间自相关分析[36]。

2 结果与分析

2.1 土地利用变化及碳储量评估

2.1.1 2000—2020 年土地利用变化

2000—2020 年长株潭3+5 城市群土地利用分布如图2 所示。研究区各土地利用类型按面积大小依次为林地、耕地、水域、建设用地、草地和未利用地。由表4 可知，林地和耕地为研究区的优势土地利用类型，在研究期间，这2 类用地面积均呈下降趋势，3 个时期二者面积之和占研究区总面积的比例分别为89.8%、88.6%、87.6%。建设用地面积呈上升趋势，3 个时期占比分别为2.0%、3.0%、4.0%，20 年间面积增长了102.64%。表5 显示研究区各土地利用类型面积及动态度的变化。2000—2010 年，土地利用动态度较高，大量的耕地、林地和草地转为建设用地和未利用地，其中建设用地转入974.05 km2，未利用地转入256.40 km2；2010—2020 年，土地利用动态度整体趋势缓和，但建设用地增长依旧较快，转入996.32 km2，动态度为3.44%。2000—2020 年，长株潭3+5 城市群土地利用变化表现为耕地、林地、草地和水域面积减少，建设用地和未利用地面积增加，其中转入和转出最多的土地利用类型分别为建设用地和耕地，建设用地扩张剧烈，转入1 970.37 km2，耕地转出1 425.77 km2。

表4 研究区2000—2020 年各土地利用类型面积及占比Table 4 Area and proportion of different types of land in the study area from 2000 to 2020

表5 研究区2000—2020 年各地类面积及动态度的变化Table 5 Area and dynamic degree change of different types of land in the study area from 2000 to 2020

图2 研究区2000—2020 年土地利用分布Fig.2 Distribution of land use in the study area from 2000 to 2020

2.1.2 2000—2020 年碳储量时空变化

运用InVEST 模型估算长株潭3+5 城市群2000 年、2010 年、2020 年3 个时期的碳储量，结果显示，2000 年以来研究区碳储量呈现不断减少趋势，3 个时期碳储量分别为31.262 4×108、31.218 1×108和31.089 1×108t，期间碳储量共减少17.328 7×106t。研究区2000—2020 年碳储量空间分布及变化如图3 所示。结合研究区土地利用分布特点，将碳储量空间划分为碳储量高值区、碳储量中值区和碳储量低值区，碳储量高值区为415.5 t/hm2，碳储量低值区为101.4 t/hm2，碳储量中值区介于二者之间。从图3（a）可知，长株潭3+5 城市群碳储量分布具有显著的空间异质性。碳储量高值区主要为研究区东西两侧森林覆盖率高的区域，从行政分区上，主要位于常德西北部、益阳西部、娄底西部、岳阳东部、长沙东部和株洲东南部。碳储量中值区主要分布在研究区北部及研究区南部区域，这些地区的土地利用类型主要为耕地。碳储量低值区主要分布在城镇化水平较高的各城市城镇地区，土地利用类型主要为建设用地。通过图3（b），更清楚地反映研究区碳储量的空间演变特征。2000—2010 年，碳储量显著减少的区域为各城市城区地带，特别是长株潭三座城市的城区，由于对建设用地的大量需求，各城市由中心向外急剧扩张，大量其他类型用地转为建设用地，碳储量显著减少。同期受“退耕还林、还草、还湖”等政策的影响，衡阳中部地区、洞庭湖流域周边区域碳储量显著增加。2010—2020 年，碳储量显著减少的区域仍然为各城市的城区，特别是城郊接合部，而碳储量增长则呈现零星增长的特点。总体而言，2000—2020 年，长株潭3+5 城市群碳储量减少区域集中在以长株潭都市圈为首的各城市城区地带，碳储量增加区域主要分布在洞庭湖流域周边地区。

图3 研究区2000—2020 年碳储量空间分布及变化Fig.3 Spatial distribution and changes of carbon storage in the study area from 2000 to 2020

2.2 土地利用变化驱动机制分析

识别土地利用变化驱动机制有助于掌握长株潭3+5 城市群用地变化的主要驱动因素[32]。通过地理探测器对导致土地利用空间变化的驱动因子进行分析，因子探测结果如图4 所示。28 项驱动因子中仅与省道距离的P>0.05，不能解释长株潭3+5 城市群土地利用变化；有7 项驱动因子的q<0.005，分别为坡度、与城市三级道路距离、与城市四级道路距离、与铁路距离、与国道距离、DEM、与高速距离，表明这些驱动因子对研究区土地利用变化的解释力相对较弱。据此结果，将解释力相对较强的20 项驱动因子导入PLUS 模型模拟2020 年研究区土地利用变化，并与未剔除无效或相关性较低的驱动因子的模拟结果进行比较。

图4 空间分异驱动因子的识别Fig.4 Identification of driver factors of spatial differentiation

为了验证优化模拟后的结果准确度，将未筛选的驱动因子与筛选后的驱动因子基于2010 年的土地利用数据模拟2020 年的土地利用变化情况，再将模拟结果与2020 年土地利用实际数据进行精度验证，验证结果如表6 所示。经地理探测器筛选后的驱动因子模拟（GD-PLUS 优化模拟）和未经地理探测器筛选驱动因子而直接模拟（PLUS 模拟）的研究区2020 年土地利用变化模拟精度Kappa 系数分别为0.920 5 和0.913 1，FoM 系数分别为0.423 7 和0.419 5，总体精度分别为0.952 9 和0.946 6，经过优化模拟的Kappa 系数、FoM 系数、总体精度结果比未优化模拟的结果分别高出0.81%、1.00%、0.67%，优化模拟结果更为精确，能更真实地模拟未来土地利用变化。

表6 土地利用变化模拟精度验证Table 6 Simulation accuracy verification of land use change

2.3 基于优化模拟的多情景下未来土地利用与碳储量预测

基于优化模拟的不同情景下2030 年长株潭3+5 城市群各土地类型面积变化、碳储量分布及变化如表7、图5 所示。自然发展情景下，土地利用变化延续了2010—2020 年趋势，土地利用动态度较为平稳，土地利用变化较为缓和。耕地、林地、草地和未利用地延续之前的下降趋势，其中耕地转出面积最多(530.56 km2)。水域面积小幅增加，建设用地面积虽增势放缓，但仍转入905.67 km2，动态度为2.33%。自然发展情景下研究区碳储量为30.967 7×108t，相比2020 年减少12.148 3×106t。从碳储量空间变化来看，碳储量减少的区域集中在建设用地扩张区，碳储量的增长则是零星散点增长。总体而言，自然发展情景下建设用地面积继续扩张、耕地及林地等生态功能用地面积减少导致研究区碳储量的持续流失。

表7 2030 年研究区不同情景下各土地利用类型面积的变化Table 7 Area change of different types of land under different scenarios in the study area in 2030

图5 2030 年研究区不同情景下碳储量空间分布及变化Fig.5 Spatial distribution and changes of carbon storage under different scenarios in the study area in 2030

城镇发展情景下，研究区土地利用变化与自然发展情景下的土地利用变化情形较为接近，相比2020 年，水域面积基本保持不变，耕地、林地、草地和未利用地呈现转出状态，其中耕地转出面积最多，为499.55 km2，建设用地则转入905.67 km2，与自然发展情景一致。在城镇发展情景下研究区碳储量为30.971 7×108t，相比2020 年减少11.746 7×106t。从碳储量空间变化来看，碳储量减少的区域仍为建设用地扩张区，增长则为散点式增长。城镇发展情景下的土地利用及碳储量变化与自然发展情景下的土地利用及碳储量变化差异较小，建设用地继续扩张，碳储量下降趋势仍在延续。

生态保护情景下，研究区土地利用变化与前2 种情景相比有一定的差异，主要表现为生态功能较强的林地面积增加和建设用地面积减少。相比2020 年，林地面积转入749.87 km2，建设用地面积转出176.55 km2。同时，耕地仍然为转出面积最多的地类，转出530.56 km2。在生态保护情景下研究区碳储量为31.236 7×108t，相比2020 年增加14.754 0×106t。从碳储量空间变化来看，碳储量呈零星减少态势，增长主要集中在城镇周边地区。生态保护情景下土地利用变化呈现林地面积增加和建设用地面积减少的趋势，碳储量则显著提升。

2.4 研究区碳储量空间自相关分析

从全局空间自相关来看，长株潭3+5 城市群2030 年自然发展、城镇发展和生态保护情景下碳储量空间Moran'sI分别为0.771 0、0.769 6、0.769 6，P均为0，且具有较高的z得分（均超过150），说明研究区碳储量空间分布具有较显著的集聚特征。为进一步分析研究区碳储量集聚效应，对长株潭3+5 城市群的8 个城市与2030 年3 种情景下研究区碳储量时空差异进行分析，由Moran 散点图（图6）可见，8 个城市中有7 个位于高-高集聚（第一象限）和低-低集聚（第三象限）区，表明碳储量高值区与高值区相邻，碳储量低值区与低值区相邻，研究区各城市间碳储量的空间分布具有较显著的空间正相关。

图6 2030 年研究区不同情景下碳储量全局空间自相关分析Moran 散点图Fig.6 Moran scatter plot of global spatial autocorrelation analysis of carbon storage under different scenarios in the study area in 2030

通过局域Moran'sI和Getis-Ord Gi*工具对研究区2030 年不同情景下空间碳储量分布进行局域空间自相关分析。局域Moran'sI用于发现局域空间是否存在空间自相关，它计算每一个空间单元与邻近单元就某一属性的相关程度，从LISA 集聚图（图7）来看，3 种不同情景下的碳储量空间分布较为相似，研究区不仅存在较大面积高碳储量和高碳储量集聚（简称高-高集聚，其他照此类推），而且还存在较大面积低-低集聚，此外，低-高集聚及高-低集聚也有少量零星分布。碳储量高-高集聚区主要分布在研究区东西两侧，西侧主要集中在常德西北部、益阳中东部和娄底西部，东侧主要集中在岳阳东南部、长沙东部和株洲东南部；此外，衡阳北部也属于碳储量高-高集聚区。碳储量低-低集聚区主要分布在研究区北部洞庭湖流域的常德东部、益阳北部和岳阳西部；此外，长株潭三市交界的城区地带和衡阳主城区也属于碳储量低-低集聚区。同时，热点分析图（图8）表明，3 种不同情景下的空间碳储量高低值集聚分布无较大差异，碳储量热点区域主要分布在常德西北部、益阳中东部、娄底西部、岳阳东南部、长沙东部、株洲东南部和衡阳北部，为99%置信度高碳储量集聚；碳储量冷点区域主要分布在常德东部、益阳北部、岳阳西部、衡阳中部和长株潭3 市交界处，为99%置信度低碳储量集聚。

图7 2030 年研究区不同情景下碳储量LISA 集聚图Fig.7 LISA agglomeration diagram of carbon storage under different scenarios in the study area in 2030

图8 2030 年研究区不同情景下碳储量热点分布Fig.8 Hot spot distribution of carbon storage under different scenarios in the study area in 2030

总体而言，长株潭3+5 城市群2030 年不同情景下的碳储量空间分布较为相似，具有较显著的空间集聚特征，且与土地利用情况高度相关。碳储量显著高值集聚区主要集中在远离城镇的森林覆盖率较高的区域，碳储量显著低值集聚区主要集中在国土空间开发强度高、生态功能用地破碎化程度较严重的建设用地及洞庭湖流域。洞庭湖流域土地利用类型主要为水域、耕地和以沼泽地为主的未利用地，碳密度较低，故碳储量表现为低值集聚特征。碳储量集聚不显著的地区则为土地利用混合强度较高、生态功能用地破碎化程度一般的区域。

3 讨论

3.1 研究区碳储量对土地利用变化的响应

土地利用变化是陆地生态系统碳储量响应的主要影响因素。从土地利用变化来看，研究区2000—2020 年土地利用变化是多重因素导致的结果，建设用地的扩张及耕地面积的减少与新型城镇化背景下的建设用地扩张及政府严格执行“退耕还林、还草、还湖”等政策密切相关，这与欧阳晓等[37]的研究结果一致。从碳储量空间变化来看，碳储量变化与土地利用变化趋势高度一致，由于对建设用地的大量需求，各城市建设用地由中心向外急剧扩张，大量其他类型用地转为建设用地，碳储量显著减少；同期受益于“退耕还林、还草、还湖”等政策，衡阳中部区域及洞庭湖流域周边地区碳储量显著增加。研究区2030 年3 种不同情景模拟下碳储量呈现一定差异，自然发展情景和城镇发展情景下碳储量延续2020 年的下降趋势，而生态保护情景下碳储量流失情况得以缓解，进一步说明一定的生态保护措施能够有效减缓碳储量减少趋势，这与杨伶等[38]的研究结果一致。显然，合理的国土空间规划及生态保护政策对提升区域陆地生态系统固碳能力、实现碳达峰碳中和具有重要作用[39]。

3.2 国土空间规划及生态保护建议

长株潭3+5 城市群碳储量评估可以清晰地反映研究区陆地生态系统固碳能力，有助于相关部门及时管控生态系统脆弱区域，制定低碳可持续的发展策略。因此，建议研究区实施以生态保护为主的城镇发展情景，科学划定“三区三线”，加强对以长株潭为首的各城市城郊接合部的生态保护与修复，将国土空间开发强度高、生态功能破碎化程度较严重的用地纳入系统性生态整治范围，防止经济用地侵占生态空间，继续巩固碳储量高值区的固碳能力，提升碳储量中低值区的固碳能力。洞庭湖流域作为研究区最重要的生态安全屏障，应严格贯彻既有的保护政策，深化岳阳市、常德市、益阳市和长沙市4 市之间的合作，不同行政区间跨部门、跨区域协同，通过长江防护林体系建设等渠道，对湖区及周边地区林草植被恢复予以大力支持，落实“退耕还林、还草、还湖”等生态补偿政策[40]。长株潭3+5 城市群各市应继续提升区域自然生态系统稳定性和服务功能，立足地区生态优势，提升整体固碳能力，实现区域碳达峰碳中和目标和经济社会可持续发展。

3.3 不确定性分析

从土地利用模拟的结果来看，基于优化模拟的GeoDetector-PLUS-InVEST 模型在长株潭3+5 城市群土地利用预测上具有更高的精度，因此，将经过筛选优化后的各项空间驱动因子导入PLUS 模型进行模拟是未来土地利用模拟的一种新探索。但是，在模拟过程中存在诸多不确定性。PLUS 模型忽略了元胞内部的混合土地利用结构，尚不能较好地模拟亚元胞尺度土地利用成分和混合结构的演化[41]。InVEST 模型碳储量模块通过土地利用/覆被和碳密度数据进行高效运算，模型假设碳密度在时间尺度上是不变的，但实际上碳密度是随着时间的变化而不断变化的[42]，本研究碳密度数据来源于以往相关研究，因此在估算研究区陆地生态系统碳储量时会存在一定的误差。此外，土地利用变化过程极为复杂，受自然和社会经济等多种因素的影响，本研究考虑了28 项驱动因子，仍有欠考虑之处，如未将政策性因素纳入其中。在未来的研究中，需进一步加强碳密度数据的时效性、相关参数的全面性、科学性。

4 结论

（1）从PLUS 模型的精度验证来看，剔除相关性较低的驱动因子模拟结果与未剔除的模拟结果相比，Kappa 系数提高了0.81%，FoM 系数提高了1.00%，总体精度提高了0.67%，表明剔除相关性较低的驱动因子导入PLUS 模型能更好地预测长株潭3+5 城市群土地利用变化。

（2）2000—2020 年，长株潭3+5 城市群土地利用变化表现为耕地、林地、草地和水域面积减少，建设用地和未利用地面积增加。其中转入和转出面积最多的土地利用类型分别为建设用地和耕地，建设用地面积增加1 970.37 km2，耕地面积减少1 425.77 km2。受土地利用变化的影响，2000—2020 年长株潭3+5 城市群碳储量呈减少趋势。因此，需深入研究土地利用/覆被变化与碳储量之间的关系，助力区域绿色可持续发展。

（3）通过不同情景预测结果的对比可知，生态保护情景下，研究区碳流失现象得以缓解，生态保护情景是相对较优的发展情景。从碳储量的空间分布来看，长株潭3+5 城市群2030 年不同情景下的碳储量空间分布都呈现出较为显著的空间集聚特征，且土地利用变化对研究区碳储量高低有较大的影响。研究旨在促进长株潭3+5 城市群各城市协调发展，为区域国土空间规划及“双碳”政策的制定提供科学依据，有效促进研究区实现“双碳”目标。