不同土地利用情景下四平市生态系统碳储量时空演变

邹桃红,陈 鹏,刘家福,杜会石

不同土地利用情景下四平市生态系统碳储量时空演变

邹桃红*,陈 鹏,刘家福,杜会石

(吉林师范大学地理科学与旅游学院,吉林 四平 136000)

基于1990～2020年四平市土地利用类型数据,运用GeoSOS-FLUS模型,设定自然发展、耕地保护和生态优先三种情景,模拟不同情景下2030年四平市土地利用空间格局,同时结合InVEST模型定量分析研究区1990～2020年碳储量的时空分异特征,并探讨不同情境下土地利用变化对碳储量的影响,评估未来碳储量的潜力.结果表明:1990～2020年四平市耕地和林地分别减少了951.55km2和357.54km2,且以1990～2000年间的降幅最大.草地和建设用地呈增加趋势,分别增加了702.97km2和587.64km2.2030年在生态优先情景下,林地呈扩张态势, 耕地有少量增加,在耕地保护情景下,耕地数量得到有效保障,而林地和草地有不同程度缩减.建设用地在三种情景下都呈现扩张的趋势,在自然发展情景下增长幅度最大.1990～2020年,四平市陆地生态系统的总碳储量及平均碳密度呈连续减少的势态,以1990～2000年的降幅最大,主要原因是该时段内土地利用变化以耕地的减少和建设用地的增加为主.四平市碳储量的高值区位于东部伊通满族自治县和铁东区,该区土地利用主要以林地为主.在研究时段内,总碳储量呈现减少趋势,且在1990～2000年内下降幅度最大,减少了约0.703×107t.在三种不同情景下,2030年研究区碳储量和平均碳密度呈现不同的发展趋势,生态优先情景能够有效的提高陆地生态系统的总碳储量和平均碳密度,而在自然发展和耕地保护情景下,两者都呈现下降趋势,耕地保护情景下的降低幅度相比自然发展情景明显减少.因此,研究区在未来土地资源规划中,应基于生态优先情景,保障耕地资源,优化土地利用结构,既保障耕地质量,又增加生态系统碳汇.

GeoSOS-FLUS模型；土地利用模拟；InVEST模型；碳储量；四平市

当前“碳达峰”“碳中和”等问题引起了越来越多的关注, 生态系统碳储量对全球气候变化及碳达峰、碳中和等具有重要意义.如何减少碳排放,改善生态系统的结构以提高生态系统的碳储量是当前亟需解决的问题[1].土地利用作为人类改造自然的主要方式,其通过改变地表物质循环和能量流动,改变土壤及植被的碳固定能力[2-4],从而直接影响着陆地生态系统碳储量的格局及动态.有研究表明,全球碳排放总量的三分之一是由土地利用变化引起的[5-6],因此,定量评估土地利用变化对生态系统碳储量时空分布的影响,探寻国土空间格局的优化以改善陆地生态系统碳储量,对维持全球碳平衡及减缓气候变化至关重要.

目前,对碳储量的定量研究多基于传统的野外调查[7]、统计分析和生物量法[8]等,虽精度较高,但操作费时,且无法反映碳储量的空间格局及其动态变化[9],仅适用于小尺度碳储量的评估.自然资源部开发的生态系统服务与权衡工具InVEST[10-12]因能定量评估生态系统服务功能的空间分布及其变化,已被广泛应用于区域或国家尺度的碳储量、土壤保持[13]及生境质量[14]等生态系统服务定量评估中.近年来,土地利用变化引起的生态系统服务功能变化已经引起了许多学者的关注.因此结合土地利用变化模拟及InVEST模型分析土地利用变化对生态系统服务功能影响的研究日益增多[15-18],如CA- Markov模型[19-21],SD-CLUE-S模型[11,16,22]等土地利用模拟模型耦合InVEST模型定量评估不同生态系统服务对土地利用变化的响应已取得比较显著的成果.但这些土地利用模拟模型多是通过过去各类土地利用类型的数量来预测未来土地利用的数量分布,缺乏模拟土地利用空间变化的能力.

随着神经网络模型的广泛应用,Liu等[23]综合人工神经网络、元胞自动机和马尔科夫链模型的优势,构建了FLUS(Future Land Use Simulation)模型,通过轮盘赌自适应惯性机制有效处理了自然和人为因素在模拟过程中的复杂性和不确定性[24],有效提升了土地利用类型在空间分布上的模拟精度,且已在城镇增长边界划定及县域尺度土地利用模拟等领域取得了较好的成果[25-26].目前也有学者尝试将InVEST模型和FLUS模型结合来进行多目标、多情景的生态系统碳储量评估[24,27].结合FLUS- InVEST模型,可以更好地探索土地利用变化的内在驱动机制并模拟不同情景下碳储量的时空变化格局及未来走向.本文选取四平市开展研究,该区位于东北松嫩平原腹地,是我国北方生态脆弱带的重要组成部分.作为东北黑土地保护的核心区域,其快速变化的土地利用方式深刻影响了该区碳储量的时空分布.虽然近些年,国家实施了盐碱地治理、黑土地保护和天然林保护工程等相应措施来保护区域生态环境,但由于人口增长和经济发展,及早期不合理的土地利用方式,使得过去20年间土地利用发生了显著变化,导致生态环境结构和功能面临严峻挑战.鉴于此,分析四平市不同时期土地利用覆盖状况,探索土地利用变化对陆地生态碳储量的影响,对优化土地资源利用结构,改善生态系统功能具有实践意义.因此,本文分析了1990～2020年四平市LULC的时空变化特征,综合FLUS和InVEST模型,模拟该区2030年在自然发展、生态优先和耕地保护三种情景下的土地利用状况及其生态系统碳储量的影响,以期为东北地区黑土地保护及土地资源的优化配置提供科学依据.

1 研究区概况

图1 研究区位置

四平市位于吉林省西南部,地处松辽平原中部腹地,是国家重点的商品粮基地[28],其地理坐标为42°31′～44°09′N,123°17′～125°49′E(图1),下辖梨树、双辽、伊通三个县(市),及铁西、铁东两个区.土地面积1.03×104km2,地势东南高,西北低,东部主要土地覆盖类型为林地,西部为松辽平原的一部分;草地、盐碱地及沼泽地为主要土地覆盖类型;中部土壤肥沃,主要土地类型为耕地和建设用地.黑土资源在全市分布广泛,土壤有机质含量丰富.气候属中温带湿润季风气候,大陆性明显,春季干燥多风,夏季湿热多雨,冬季寒冷漫长.近年来,随着经济发展及城市化进程的加快,人类活动对该区的人为干扰强度日益增强,导致土地退化、景观破碎化等生态环境问题突出,生态安全格局的构建面临严重挑战.

2 数据来源与研究方法

2.1 数据来源及处理

本文在模拟2030年土地利用分类时使用的数据集主要包括:①土地利用分类数据:以1990年、2000年、2010年和2020年共4期30m分辨率的LULC数据为先期基础数据,其中1990年土地利用数据引用自杨杰和黄昕[29]教授基于GEE制作的中国年度土地覆盖数据集,剩余3期土地利用数据来自GlobalLand30(http://www.globallandcover.com/).根据四平市的实际状况,将土地利用重分类为耕地、林地、草地、水体、湿地、建筑用地和未利用地7类.②驱动因子数据:主要包括地形和可达性因素.地形因素中DEM由地理空间数据云平台提供(http://data/cma.cn/),坡度则通过ArcGIS中的表面分析模块计算得到;可达性因素包括距居民点、河流、公路、铁路的距离.路网数据来源于Open Street Map(https://ww.openstreetmap.org),河流和城镇数据来自于中国科学院资源环境科学与数据中心(http://www.resdc.cn/data).为便于FLUS模型处理,所有数据均重投影为Krasovsky_1940_Albers,空间分辨率统一为重采样为90米.

2.2 基于GeoSOS-FLUS的土地利用变化预测

FLUS模型是一个模拟、预测不同情景下土地利用变化的模型,由刘小平等[23]开发.该模型为GeoSOS模型的拓展,其基于元胞自动机(CA)的原理,引入人工神经网络(Artificial Neural Network),根据初期LULC及各驱动因子得到不同土地利用类型的适宜性概率,再基于轮盘赌选择的自适应惯性机制简化自然因素和人为影响下土地利用类型间相互转化的复杂性和不确定性[30],提高土地利用模拟的精确性.

(1)适应性概率计算:根据已有研究,FLUS模型利用人工神经网络算法拟合土地利用变化及其与各驱动因子间的关系,计算得到各土地利用类型在空间上的适应性概率.模型包含输入层、输出层和隐藏层构成,公式为:

(3)成本矩阵:表示不同地类之间是否能相互转换,其中,1表示可以转换,0表示不能[31].根据不同的发展情景,需设置不同的转换成本.由于未来土地利用的需求难以预测,因此本文采用情景分析法,参照《吉林省土地利用总体规划》和《吉林省主体功能区规划》,按照自然发展、生态优先和耕地保护三种情景预测2030年土地利用类型分布.自然发展主要根据2010年至2020年的土地利用转移概率矩阵,及自然和人为因子的影响,以10年为步长,运用FLUS模型中耦合的Markov模型预测2030年各土地利用类型的分布;生态优先即加强对林地、草地、水体和湿地等生态用地的保护,同时保证永久基本农田的数量,并加强其他土地类型(除耕地外)向生态用地的转换.耕地保护情景主要依据自然资源部提出的“耕地进出平衡”政策,严格限制耕地向建设用地等“非粮化”用地的转化,加强对耕地的保护.具体转换情况见下表.

表1 GEO-FLUS模型的转换成本矩阵

注:其中,C-耕地,F-林地,G-草地,W-水体,M-湿地,B-建设用地,U-未利用地.

2.3 基于InVEST模型的陆地生态系统碳储量评估

InVEST中的Carbon模块主要用来模拟不同土地类型的碳储量,其设定生态系统碳储量主要包括地上生物碳储量(above)、地下生物碳储量(below)、土壤碳储量(soil)和凋落物碳储量(dead)四大部分[34].由于数据获取的局限性,本文设定凋落物碳储量为0,因此,碳储量的计算公式如下:

表2 四平市不同土地利用类型的碳密度(t/hm2)

各土地利用类型对应的碳密度值可根据相关文献搜集整理得出.有研究认为,位于同一气候带的土地类型碳密度差异不大,因此本文以吉林省或黑龙江省相关碳储量研究为参考[35-37],采用气温和降水因子通过陈光水[38-39]等研究中的模型,修正得到研究区的碳密度数据(表2),修正因子可由下式计算得出:

式中:BP和BT分别为降水因子和气温因子的修正系数;B和S分别表示地上地下植被碳密度的修正系数和土壤碳密度的修正系数;¢和²为黑龙江省和研究区的生态系统碳密度,可由年降水和年均温带入下式得到:

式中:PRE和TEM分别表示年降水量和年均气温;BP和BT分别为根据降水和气温得到的植被碳密度;SP为根据降水得到的土壤碳密度.通过查询年鉴得出黑龙江省和研究区的年均温分别为4℃和5℃,年降水量分别为753mm和768.4mm.

3 结果分析

3.1 1990～2020年四平市土地利用变化分析

由表3可知,耕地是四平市的优势土地利用类型,面积占比四个时期均在70%以上;其他土地利用类型的占比由大到小依次为林地、草地、建设用地、水体、未利用地及湿地.空间分布上(图2)可知,林地主要位于研究区东部的伊通满族自治县及铁东区,草地则主要位于研究区西部的双辽县,耕地遍布整个四平市,以梨树县为主.1990～ 2020年的土地利用类型变化中,耕地面积减少最大,降比约为11.32%左右,且以1990～2000年的降幅最大(-8.44%);其次为林地,减少357.54km2;研究时段内,建设用地、草地及水体呈现增加的趋势,其中草地的面积增幅最大,增加702.97km2,面积占比从1.27%上升至8.13%;其次是建设用地,面积从307.3km2增加至894.94km2,城市扩张的特征明显.

图2 1990～2020年四平市土地利用类型分布

表3 四平市1990～2020年各时期土地利用类型面积及占比

3.2 土地利用的模拟结果分析

将2010年土地利用类型数据作为起始年份数据,利用FLUS模型模拟2020年土地利用数据来验证模拟结果的精度,以保证2030年土地利用数据模拟的准确性.如图3所示,经与2020年实际土地利用状况进行对比得出,模型模拟的Kappa指数为0.815,OA指数为0.852,表明模型的模拟精度较高,能满足本文对四平市未来土地利用情景模拟的需要.因此,基于Markov模型预测可得到四平市2030年三种发展情景下不同土地利用类型的预测数量,结合选取的11个土地利用变化的驱动因子,对2030年研究区自然发展、耕地保护和生态优先三种情景下的土地利用空间分布进行了模拟(图3).

图3 四平市土地利用类型现状及不同情景模拟分布

图4 2020～2030年不同情景下土地利用变化对比

由图4可见,2020～2030年四平市耕地面积在自然发展情景下呈现减少的趋势,约减少了1.8× 104hm2;在耕地保护情景下,限制了耕地向其它非粮用地的转化,使得耕地数量得到了很大程度的增加,约增加了4.8×104hm2;在生态优先情景下,因需要保证永久基本农田的数量,对耕地向生态用地的转化进行了控制,因此耕地数量得到了一定的保证,有较少增加,约为5.67hm2.林地作为主要的生态用地,在生态优先情景下得到有效的控制,面积增加了6.1×103hm2,而在另外两种情景下,面积则有不同程度的缩减.草地面积在自然发展和耕地保护情景下都呈减少的趋势,而在生态优先情景下有轻微的增加.建设用地在三种情景下都呈现不同程度的扩张态势,且空间上呈现围绕居民点为中心向外的扩张,在自然发展的情景下,建设用地扩张最明显,面积增加了2.5×104hm2,在生态优先和耕地保护情景下,由于控制了耕地和生态用地向建设用地的扩张,因此这两种情景下,建设用地的扩张速度有所减缓,面积仅约增加了1.16×103hm2和1.9×103hm2.

3.3 四平市生态系统碳储量时空变化特征

图5是根据InVEST模型的碳模块得到的四平市陆地生态系统碳储量的时间变化图.由图可知,四平市1990～2020年总的碳储量和平均碳密度呈现减少的趋势,30年间分别降低了1.07×107t和10.48t/hm2,其中1990～2000年的下降幅度最大,分别达到了0.703×107t和6.86t/hm2.总体上而言,研究区1990到2000年间,城镇化的速度相对较快,土地利用变化上主要以耕地的减少和建设用地的增加为主,耕地、建设用地、林地和草地之间的相互转换及建设用地的增加是总碳储量和碳密度减少的主要原因.2020年至2030年在自然发展情景下,碳的储量和平均碳密度会继续呈现减少趋势,降幅分别为0.26×107t和2.57t/hm2;在生态优先情景下,两者则有一定的增加,增幅分别达到了0.048×107t和0.464t/hm2;耕地保护情景下,两者有一定的降低趋势,相比自然发展情景降低的幅度明显减少,分别为0.031×107t和0.306t/hm2.通过分析可知,耕地保护情景能有效遏制碳储量和平均碳密度的降低幅度,而生态优先情景能有效的增加陆地生态系统的碳储量和平均碳密度.

图5 1990～2030年总碳储量及平均碳密度变化趋势

图6 1990～2020年四平市陆地生态系统碳储量的空间分布

由图6可知,1990～2020年四平市碳储量的空间分布具有明显的空间异质性,高密度碳储量主要分布在东部的伊通自治县和南部的铁东区,这一区域海拔较高,且土地覆盖类型以林地为主,植被覆盖率高;西部的双辽县则具有相对较低的碳储量,该区海拔较低,主要为平原地区,草地和建设用地零星分布于耕地之间,植被覆盖率较低,景观破碎化较大,生态环境脆弱;研究区中部的铁西区及梨树县的东部区域生态系统的碳储量处于较低水平,该区城镇化水平较高,陆地生态系统受人类活动影响较大.

由图7可知,1990～2000年间生态系统碳储量的变化较显著,且主要以碳储量的下降为主.显著下降的区域主要分布在伊通满族自治县、铁东区和双辽县,这一时期土地利用变化显著,大量林地退化为草地、建设用地,使得生态系统的景观破碎化现象显著,引起了碳储量空间格局的整体波动;且城镇化程度加剧,耕地向建设用地的转化明显,靠近居民点中心的生态系统碳储量明显减少.2000年往后,建设用地的扩张减缓,土地利用空间分布区域稳定,区域碳储量的降低得到遏制,仅零星分布于居民点附近;同时由于黑土地保护政策的出台,减缓了耕地向建设用地的转化速率,同时使得耕地的土壤有机质含量增加,土壤的固碳能力得到加强.天然林工程的实施加强了对林地生态系统的保护,林地向草地、建设用地的转移速率下降,使得植被覆盖率有了一定程度的改善,提升了陆地生态系统碳储量.

图7 四平市陆地生态系统碳储量的空间变化特征

左:1990～2000年,右:2000～2020年

将不同情景下的碳储量空间分布与2020年碳储量空间分布进行叠加分析,得到了2030年不同情景下四平市碳储量的空间变化特征(图8).由图可知,三种情景下碳储量的变化幅度均不大,在自然发展情景下,碳储量减少占研究区总面积的2.93%,主要分布于建设用地的周边,可能是由于建设用地的扩张引起的碳储量的减少;碳储量增加区域仅占0.57%.在生态优先情景下,碳储量的增加占比约为2.02%,减少约为0.45%,碳储量增加区域主要位于东部伊通满族自治县和铁东区,可能是由于生态优先情景下林地、草地等生态用地的增加导致的碳储量的增加.在耕地保护情景下,碳储量的增加和减少幅度均较小,分别占0.41%和0.73%.

图8 2030年不同情景下四平市碳储量的空间变化特征

a.自然发展情景; b.耕地保护情景;c.生态优先情景

4 讨论

本文借助FLUS模型耦合Markov模型模拟预测研究区2030年的土地利用分布,弥补了单一模型在模拟土地利用分布上的不足,耦合了FLUS模型在空间分布及Markov模型在数量预测上的优势,在一定程度上改善了土地利用模拟的精度,但仍存在需要改进的地方.首先,在FLUS模型预测时需要事先输入未来不同土地利用类型的数量分布,而仅利用Markov模型通过控制不同土地类型间的转移概率估算不同情景下的土地类型分布,忽略了人为决策因素的影响,而随着经济社会的发展,政策因素对未来土地利用变化的影响将不断加大,如何量化政策因素的影响是未来土地利用模拟的重点.其次,土地利用变化受多种因素的综合影响,在模拟土地利用变化时,驱动因子的选取直接影响模拟的精度,本文仅考虑数据的可获取性,选取了地形、气候、人口密度和距离因子,而忽略了关于工业产值、政策制定及开发红线等人文因子的选取,一定程度上降低了FLUS模型的解释精度,在未来研究中应探讨更加全面的土地利用驱动因子的影响,以获得更加精准的土地利用模拟结果.

在生态系统碳储量的估算中,本文应用了InVEST模型中的Carbon模块,该模型弥补了传统碳储量估算在空间可视化上的不足,但同时由于InVEST模型在模拟碳储量时假定不同生态系统的碳密度不随时间发生变化,忽略了植被生长情况对碳密度的影响.有学者研究表明在不同时间节点上生态系统碳密度存在明显差异[40].生态系统的碳密度随着植被的生长会有增加的趋势[41],因此采用固定的碳密度可能会低估陆地生态系统的碳储量,在今后研究中应结合实地测量和模型预测来提高碳储量的估算精度.

5 结论

5.1 在1990～2020年间,四平市耕地和林地分布呈现减少趋势,且以1990～2000年间的降低幅度最大,草地和建设用地有一定程度的增加.

5.2 在不同情景下,土地利用变化具有不同的特征,生态优先情景下,林地呈现扩张态势,而耕地呈减少趋势;耕地保护情景下,耕地数量能得到有效保障,而林地和草地则呈缩减趋势;建设用地在三种情景下都呈一定程度的扩张态势,其主要原因是社会经济的发展.

5.3 1990～2000年间生态系统碳储量的变化较显著,且主要以碳储量的下降为主,主要分布在伊通满族自治县、铁东区和双辽县;2000～2020年间,由于建设用地的扩张的减缓,区域碳储量的降低得到遏制,仅零星分布于居民点附近.

5.4 三种情景下,区域碳储量和平均碳密度呈现不同的变化特征,生态优先情景下,区域碳储量和平均碳密度有一定程度的提高,碳储量增加区域占研究区总面积的2.02%,且主要位于东部伊通满族自治县和铁东区,跟该情景下林地、草地等生态用地的增加有关.而在自然发展和耕地保护情景下,区域碳储量和平均碳密度都有一定程度的降低趋势,相比较而言,耕地保护情景下的碳储量减少的区域仅占0.73%,要远低于自然发展情景下碳储量减少区域的面积.

[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 reaches of the Fenhe River under different land use scenarios [J]. Acta Ecologica Sinica, 2021,41(1):360-373.

[2] Baumann M, Gasparri I, Piquer-Rodriguez M, et al. Carbon emissions from agricultural expansion and intensification in the Chaco [J]. Glob Chang Biol, 2017,23(5):1902-1916.

[3] 杨 洁,谢保鹏,张德罡.基于InVEST和CA-Markov模型的黄河流域碳储量时空变化研究 [J]. 中国生态农业学报(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.

[4] 王晓东,蒙吉军.土地利用变化的环境生态效应研究进展 [J]. 北京大学学报(自然科学版), 2014,50(6):1133-1140. Wang X D, Meng J J. Research progress on the environmental- ecological impacts of land use change [J]. Acta Scientiarum Naturalium University Pekinensis, 2014,50(6):1133-1140.

[5] 曹周亮,张欣蓉,员学锋,等.基于土地利用变化的陕西省县域碳排放时空变化及影响因素研究 [J]. 水土保持通报, 2022,42(5):376-385. Chao Z L, Zhang X R, Yuan X F, et al. Spatio-temporal variation and influencing factors of CO2emission at county scale in Shaanxi Province based on land use change [J]. Bulletin of Soil and Water Conservation. 2022,42(5):376-385.

[6] 马晓哲,王 铮.土地利用变化对区域碳源汇的影响研究进展 [J]. 生态学报, 2015,35(17):5898-5907. Ma X Z, Wang Z. Progress in the study on the impact of land-use change on regional carbon sources and sinks [J]. Acta Ecologica Sinica, 2015,35(17):5898-5907.

[7] 方精云,陈安平,赵淑清,等.中国森林生物量的估算:对Fang等Science一文(Science, 2001,291:2320-2322)的若干说明 [J]. 植物生态学报, 2002,26(2):243-249. Fang J Y, Chen A P, Zhao S Q, et al. Estimating biomass carbon of China's forest: supplementary notes on report published in Science (291:2320-2322) by Fang et al. (2001) [J]. Acta Phytoecologica Sinica, 2002,26(2):243-249.

[8] Wu S N, Li J, Zhou W M, et al. A statistical analysis of spatiotemporal variations and determinant factors of forest carbon storage under China’s Natural Forest Protection Program [J]. Journal of Forestry Research, 2017,29(2):415-424.

[9] 林子奇,王培俊,刘 旗,等.2005～2020年淮海经济区耕地碳储量时空演变特征及碳汇区识别 [J]. 农业工程学报, 2022,38(19):259- 268. Lin Z Q, Wang P J, Liu Q, et al. Spatio- temporal evolution characteristics of cultivated land carbon storage and identification of carbon sink areas in Huaihai Economic Zone from 2005 to 2020 [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022,38(19):259-268.

[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] Liang Y J, Liu L J, Huang J J. Integrating the SD-CLUE-S and InVEST models into assessment of oasis carbon storage in northwestern China [J]. PLoS One, 2017,12(2):e0172494.

[12] Sharp R, Tallis H T, Ricketts T, et al. InVEST 3.2.0 User's Guide [R]. Stanford University, University of Minnesota, 2015.

[13] 王 蓓,赵 军,仲俊涛.2005～2015年石羊河流域生态系统服务时空分异 [J]. 干旱区研究, 2019,36(2):478-485. Wang B, Zhao J, Zhong J T. Spatiotemporal differentiation of ecosystem services in the Shiyang River basin from 2005 to 2015 [J]. Arid Zone Research, 2019,36(2):474-485.

[14] 任 涵,张静静,朱文博,等.太行山淇河流域土地利用变化对生境的影响 [J]. 地理科学进展, 2018,37(12):1693-1704. Ren H, Zhang J J, Zhu W B, et al. Impact of land use change on habitat in the Qihe River basin of Taihang Mountains [J]. Progress in Geography, 2018,37(12):1693-1704.

[15] 张晓瑶,张 潇,李冬花,等.城市土地利用变化对生态系统服务价值影响的多情景模拟——以深圳市为例 [J]. 生态学报, 2022,42(6): 2086-2097. Zhang X Y, Zhang X, Li D H, et al. Multi-Scenario simulation of the impact of urban land use change on ecosystem service value in Shenzhen [J]. Acta Ecologica Sinica, 2022,42(6):2086-2097.

[16] 雷军成,刘纪新,雍 凡,等.基于CLUE-S和InVEST模型的五马河流域生态系统服务多情景评估 [J]. 生态与农村环境学报, 2017,33 (12):1084-1093. Lei J C, Liu J X, Yong F, et al. Multi-scenario ecosystem service assessment of Wuma River valley based on CLUE-S and InVEST models [J]. Journal of Ecology and Rural Environment, 2017,33(12): 1084-1093.

[17] 王 蓓,赵 军,胡秀芳.基于InVEST模型的黑河流域生态系统服务空间格局分析 [J]. 生态学杂志, 2016,35(10):2783-2792. Wang B, Zhao J, Hu X F. Spatial pattern analysis of ecosystem services based on InVEST in Heihe River Basin [J]. Chinese Journal of Ecology, 2016,35(10):2783-2792.

[18] 赫晓慧,徐雅婷,范学峰,等.中原城市群区域碳储量的时空变化和预测研究 [J]. 中国环境科学, 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.

[19] Zhu G F, Qiu D D, Zhang Z X, et al. Land-use changes lead to a decrease in carbon storage in arid region, China [J]. Ecological Indicators, 2021,127.

[20] Zhao M M, He Z B, Du J, et al. Assessing the effects of ecological engineering on carbon storage by linking the CA-Markov and InVEST models [J]. Ecological Indicators, 2019,9829-38.

[21] 史名杰,武红旗,贾宏涛,等.基于MCE-CA-Markov和InVEST模型的犁谷地碳储量时空演变及预测 [J]. 农业资源与环境学报, 2021, 38(6):1010-1019. Shi M J, Wu H Q, Jia H T, et al. Temporal and spatial evolution and prediction of carbon stocks in Yili Valley based on MCE-CA-Markov and InVEST models [J]. Journal of Agricultural Resource and Environment, 2021,38(6):1010-1019.

[22] 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.

[23] Liu X P, 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, 2017,16894- 116.

[24] 邓元杰,姚顺波,侯孟阳,等.退耕还林还草工程对生态系统碳储存服务的影响—以黄土高原丘陵沟壑区子长县为例 [J]. 自然资源学报, 2020,35(4):826-844. Deng Y J, Yao S B, Hou M Y, et al. Assessing the effects of the Green for Grain program on ecosystem carbon storage service by linking the InVEST and FLUS models: A case study of Zichang county in hilly and gully region of Loess Plateau [J]. Journal of Natural Resources, 2020,35(4):826-844.

[25] 张凯琪,陈建军,侯建坤,等.耦合InVEST与GeoSOS-FLUS模型的桂林市碳储量可持续发展研究 [J]. 中国环境科学, 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 Environment Science, 2022,42(6): 2799-2809.

[26] 赵林峰,刘小平,刘鹏华,等.基于地理分区与FLUS模型的城市扩张模拟与预警 [J]. 地球信息科学学报, 2020,22(3):517-530. Zhao L F, Liu X P, Liu P H, et al. Urban expansion simulation and early warning based on geospatial partition and FLUS model [J]. Journal of Geo-Information Science, 2020,22(3):517-530.

[27] 赵胤程,覃盟琳,庞雅月,等.基于FLUS-InVEST模型的北部湾城市群生态空间碳汇演变模拟及驱动因素研究 [J]. 水土保持通报, 2022,42(3):345-355. Zhao Y C, Qin M L, Pang Y Y, et al. Evolution simulation and driving factors of eco-spatial carbon sinks in Beibu Gulf urban agglomeration based on FLUS-InVEST model [J]. Bulletin of Soil and Water Conservation, 2022,42(3):345-355.

[28] 李艾玉,刘吉平,于 佳,等.近30年四平市土地利用时空变化及生态环境效应 [J]. 浙江农业科学, 2014,(7):1082-1087.

[29] Yang J, Huang X. The 30m annual land cover dataset and its dynamics in China from 1990 to 2019 [J]. Earth System Science Data, 2021,13(8):3907-3925.

[30] 赵 轩,彭建东,樊智宇,等.“双评价”视角下基于FLUS模型的武汉大都市区土地利用模拟和城镇开发边界划定研究 [J]. 地球信息科学学报, 2020,22(11):2212-2226. Zhao X , Peng J D, Fan Z Y, et al. Land use simulation and urban growth boundaries delineation in Wuhan metropolitan area based on FLUS model and "Dual Environment Evaluation" [J]. Journal of Geo-Information Science, 2020,22(11):2212-2226.

[31] 陈理庭,蔡海生,张 婷,等.基于Markov-FLUS模型的饶河流域土地利用多情景模拟分析 [J]. 生态学报, 2022,42(10):3947-3958. Chen L T, Cai H S, Zhang T, et al. Land use multi-scenario simulation analysis of Rao River Basin based on Markov-FLUS model [J]. Acta Ecologica Sinica, 2022,42(10):3947-3958.

[32] 王保盛,廖江福,祝 薇,等.基于历史情景的FLUS模型邻域权重设置——以闽三角城市群2030年土地利用模拟为例 [J]. 生态学报, 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.

[33] 王 旭,马伯文,李 丹,等.基于FLUS模型的湖北省生态空间多情景模拟预测 [J]. 自然资源学报, 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.

[34] 韩 玉,丁素婷,杨太保.基于InVEST模型的甘肃白龙江流域生态系统碳储量及空间格局特征 [J]. 中国环境科学, 2023,43(3):1298- 1306. Han Y, Ding S T, Yang T B. Spatial and temporal distribution and driving factors of carbon storage in Zhongtiao Mountain ecosystem in southern Shanxi Province [J]. China Environmental Science, 2023, 43(3):1298-1306.

[35] 张春华,王莉媛,宋茜薇,等.1973～2013年黑龙江省森林碳储量及其动态变化 [J]. 中国环境科学, 2018,38(12):4678-4686. Zhang C H, Wang L Y, Song Q W, et al. Biomass carbon stocks and dynamics of forests in Heilongjiang Province from 1973 to 2013 [J]. China Environmental Science, 2018,38(12):4678-4686.

[36] 曲 琛,李 文,徐 嘉,等.黑龙江黑土地保护利用对碳储量的潜在影响 [J]. 西北林学院学报, 2023,(5):1-10. Qu C, Li W, Xu J, et al. Potential impact of black land conservation and utilization on carbon storage in Heilongjiang Province [J]. Journal of Northwest Forestry University, 2023,(5):1-10.

[37] 郭树平.黑龙江省碳储量及碳汇潜力分析 [J]. 森林工程, 2011, 27(3):9-11. Guo S P. Analysis on carbon stock and potential carbon sequestration in Heilongjiang Province [J]. Forest Engineering, 2011,27(3):9-11,16.

[38] 陈光水,杨玉盛,谢锦升,等.中国森林的地下碳分配 [J]. 生态学报, 2007,27(12):5148-5157. Chen G S, Yang Y S, Xie J S, et al. Total belowground carbon allocation in China's forest [J]. Acta Ecologica Sinica, 2007,27(12): 5148-5157.

[39] 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, 2013,(89):67- 76.

[40] Zhou J J, Zhao Y R, Huang P, et al. Impacts of ecological restoration projects on the ecosystem carbon storage of inland river basin in arid area, China [J]. Ecological Indicators, 2020,118:106803.

[41] 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 changes 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.

Spatio-temporal dynamics of territorial ecosystem carbon storage under different land use scenarios in Siping City.

ZOU Tao-hong*, CHEN Peng, LIU Jia-fu, DU Hui-shi

(College of Geography Science and Travelling, Jilin Normal University, Siping 136000, China)., 2023,43(10)：5508～5518

Based on the land use data of Siping City from 1990 to 2020, the Geo-FLUS model was employed to simulate the spatial patterns of land use for 2030 across three different scenarios: natural development, cultivated land protection and ecological priority. Additionally, the InVEST model was coupled to quantitively analyze the spatial and temporal variation of carbon storage from 1990 to 2020, as well the impact of land use change on carbon storage under different scenarios. The results showed that: (1) From 1990 to 2020, cultivated land and forest land in Siping City decreased by 951.55km2and 357.54km2, respectively, with the sharpest decline between 1990 to 2000. Conversely, the grassland and built-up land use exhilited an increasing trend, expanding by 702.97km2and 587.64km2, respectively. Under the ecological priority scenario in 2030, the forest land use was projected to expand, while the cultivated land would gradually increase. Cultivated land protection scenario ensured cultivated land availability but led to reductions in forest land and grassland. Built-up land use expanded across all three scenarios, most notably under natural development scenario. (2) Ecosystem carbon storage and average density in Siping City showed a continuous decline tendency from 1990 to 2020, with the steepest drop between 1990 and 2000. This decline was mainly due to decreased cultivated land and increased built-up land during that period. (3) Higher carbon storage value were observed in the eastern Yitong Manchu Automous and Tiedong area , characterized by forest land . Total carbon storage expressed a declining trend over the study period, decreasing greatly by about 0.703×107tons between 1990 and 2000. (4) Carbon storage and average carbon density in 2030 exhibited distinct trends across the three different scenarios. Ecological priority scenario led to an effective increase in both metrics for terrestrial ecosystem. Conversely natural development and cultivated land protection scenario yields declines, though the reduction under the cultivated land protection scenario was significantly lower than that under natural development scenario. Therefore, prioritizing ecological priority scenario in future land resource planning can ensure cultivated land resources, optimize land use structure, cultivated land quality, and amplify ecosystem carbon sequestration.

GeoSOS-FLUS model；land use simulation；InVEST model；carbon storage；Siping City

X142

A

1000-6923(2023)10-5508-11

2023-03-08

国家自然科学基金资助项目(41977411);吉林省教育厅项目(JJKH20230503KJ);四平市社会科学规划项目(SPSK22120)

*责任作者, 讲师, zoutaohong@yeah.net

邹桃红(1986-),女,湖北荆州人,讲师,博士,主要从事资源环境遥感与生态环境评价方面研究.发表论文5篇.zoutaohong@yeah.net.

邹桃红,陈 鹏,刘家福,等.不同土地利用情景下四平市生态系统碳储量时空演变 [J]. 中国环境科学, 2023,43(10):5508-5518.

Zou T H, Chen P, Liu J F, et al. Spatio-temporal dynamics of territorial ecosystem carbon storage under different land use scenarios in Siping City [J]. China Environmental Science, 2023,43(10):5508-5518.