Medical Journal of the Chinese People's Armed Police Forces

Journal of Changjiang River Scientific Research Institute >

2024 , Vol. 41 >Issue 9: 60 - 69

DOI: https://doi.org/10.11988/ckyyb.20230590

Soil and Water Conservation and Ecological Restoration

Spatio-temporal Variation and Prediction of Carbon Stocks in Chongqing Section of Three Gorges Reservoir Area Based on InVEST-PLUS Model

  • YIN Ke ,
  • LIAO Si-yu
Expand
  • School of Geography and Tourism, Chongqing Normal University, Chongqing 401331, China

Received date: 2023-05-30

  Revised date: 2023-10-26

  Online published: 2024-01-10

Fold

Abstract

Analyzing the spatial patterns of land use and carbon stocks in the Three Gorges reservoir area (Chongqing section) over the past decade, and simulating land change trends and predicting carbon stock variations under different scenarios for the next decade, can significantly aid in optimizing regional land use patterns and formulating effective ecological policies. We employed the InVEST model and examined 13 driving factors to analyze land use changes in the Three Gorges reservoir area (Chongqing section) from 2010 to 2020 and to predict trends for 2030 under various development scenarios. We also assessed carbon stock status using the PLUS model. Results reveal that: (1) From 2010 to 2020, land use changes in the Three Gorges reservoir area (Chongqing section) were primarily characterized by the conversion of arable land, grassland, and wetlands to forest land, construction land, and water bodies. Carbon stocks in 2010 and 2020 were 426.89×106and 425.51×106 t, respectively, indicating a decline of 1.38×106 t. (2) Carbon stock distribution exhibited spatial differentiation, with lower levels in the west and higher levels in the east, lower in the south and higher in the north, and higher at the reservoir’s head compared to its tail. The spatial changes in carbon stocks closely aligned with changes in land types. Socio-economic factors, particularly population and GDP, contributed most significantly to the spatial pattern evolution. (3) By 2030, carbon stocks are projected to decrease by 0.76×106 and 8.98×106 t under natural scenario and urban development scenario, respectively, but increase by 3.72×106 t under ecological protection scenario. The primary cause of carbon stock reduction is the transition from high-carbon-density land types to low-carbon-density land types. To address these issues, future strategies should focus on creating a balanced, coordinated, and low-carbon spatial land-use pattern, planning urban growth boundaries, and prioritizing the protection of high carbon-storage areas such as the Wushan Mountain System, Daba Mountain System, and Wuling Mountain System. Additionally, restoring forests and grasslands in reservoir tail areas is crucial to preserving carbon sink functions.

Key words： carbon stock; Three Gorges reservoir area; PLUS model; InVEST model; land use change

Cite this article

YIN Ke , LIAO Si-yu . Spatio-temporal Variation and Prediction of Carbon Stocks in Chongqing Section of Three Gorges Reservoir Area Based on InVEST-PLUS Model[J]. Journal of Changjiang River Scientific Research Institute, 2024 , 41(9) : 60 -69 . DOI: 10.11988/ckyyb.20230590

开放科学(资源服务)标识码(OSID):

0 引言

陆地生态系统的碳储量作为全球碳储量的重要组成部分,在维持全球碳循环的稳定中具有相当重要的作用[1]。陆地生态系统的碳主要源于地上和地下生物量、土壤以及死亡有机质,增加陆地生态系统的碳储量,可以降低大气中 CO2的浓度,缓解温室效应、调节气候[2-3],从而减缓全球气候变暖进程。不同类型土壤的固碳能力存在差异,因此土地利用变化往往是引起陆地生态系统碳源、碳汇变化的主要驱动力之一[4],通常会在大量的碳交换过程中影响区域碳储量的整体水平。而人类活动导致的土地利用变化是影响土壤碳库的关键因素,不同的土地利用空间格局会导致碳储量发生相应的变化。因此,预测模拟未来土地利用变化及其引起的碳储量变化,将有助于区域生态系统碳库的管理,对未来生态保护政策的制定具有重要意义。
当前,估算碳储量的常见模型包括InVEST模型、CASA模型、GLO-PEM模型、簿记模型、IPCC清单法和CEVSA模型等。在现有模型中,CASA模型在估算碳储量方面具有一定的准确性,但其运行速度较慢,且对数据质量的要求较高;GLO-PEM模型是一种针对全球气候政策的集成评估模型,能够模拟不同能源和排放情景,但并不能直接针对碳储量进行估算;簿记模型和IPCC清单法可以提供较为全面的碳储量数据,但数据获取和处理过程较为繁琐;InVEST(Integrated Valuation of Ecosystem Services and Trade-offs)模型是一种基于3S技术的分布式算法模型,能够实现碳储量时空变化的可视化制图和定量评估,具有数据需求较少、运行速度快和数据精度高的优点[5]。目前,InVEST模型在不同国家和地区的碳储量研究中得到广泛应用[6⇓⇓-9]。
PLUS(Patch-generating Land Use Simulation)模型由中国地质大学Liang等开发,具有模拟精度高、数据处理速度快等优点[10-11],可以有效地模拟各种土地利用类型未来的复杂演化。此外,PLUS模型还能够弥补现有的土地利用预测模型(CA-Markov模型、FLUS 模型等)所存在的部分缺陷,如反映斑块景观演变的能力不足、土地覆被变化潜在驱动力难以进行准确的评估,并且提供更高的仿真精度和更真实的景观状况,从而更加准确地表征未来不同情景下土地利用类型的变化格局,因此在碳储量未来模拟中逐渐得到广泛使用[12⇓-14]。
三峡库区(重庆段)位于长江上游,是长江流域生态安全的重要屏障,同时也是我国典型的生态脆弱区[15-16],其生态系统碳储量对平衡我国碳储量整体水平、推动我国生态文明建设、实现碳中和目标发挥着重要的作用。重庆市作为第三批国家山水林田湖草沙生态保护工程试点城市,在筑牢三峡库区生态屏障、巩固区域碳储量方面采取了一系列措施,出台了《重庆市筑牢长江上游重要生态屏障“十四五”建设规划》《重庆市严格能效约束推动重点领域节能降碳实施方案》等政策。然而,随着三峡工程建设以及库区城镇化进程的推进,区域内土地利用结构及生态环境也发生着相应的变化。已有三峡库区碳储量的相关研究[17]缺乏对未来土地利用类型与碳储量的模拟与预测,没有考虑到不同发展情景下碳储量的不同变化趋势。
本文选择三峡库区(重庆段)作为研究区域,利用土地利用类型数据及多项驱动力因子数据,基于InVEST模型与PLUS模型,对不同情景下土地利用类型与碳储量的时空变化进行分析,探究三峡库区(重庆段)土地利用变化对碳储量的影响并提供可视化的结果,为三峡库区生态保护、土地利用格局优化提供参考依据。

1 研究区概况与数据来源

1.1 研究区概况

三峡库区(重庆段)(105°50'E—110°12'E、28°30'N—31°44'N),位于长江上游末端,东起巫山,南至武隆,西临江津,北至开州,覆盖了巫山县、奉节县、开县、忠县等22个县(区),约占三峡库区总面积的85%(图1)。该区域属于亚热带季风性湿润气候,年均气温为17~18 ℃,年均降水量为1 100~1 300 mm,降水丰富,雨热同期,多云雾。区域内地形地貌状况复杂多样,以山地、丘陵为主,地势起伏较大,土壤类型主要为黄壤、黄棕壤、紫色土。库区植被类型多样,其中包括亚热带常绿阔叶林、温带落叶针叶林、落叶阔叶与常绿针叶混交林、灌草丛、暖性针叶林等,森林覆盖率高,碳储量丰富。
图1 三峡库区(重庆段)概况

Fig.1 Overview of Chongqing section of Three Gorges reservoir area

1.2 数据源

本文的土地利用类型数据来源于GlobeLand30,通过重分类将其分为耕地、林地、草地、湿地、水域、建设用地6类。由于土地利用变化并不是由单一影响因子所决定的,而是由多重驱动因子共同作用的,根据影响因子的显著性、及时性和可获取性原则,本文综合考虑实际的自然和社会条件,选择了包括海拔、坡度、气温、人口和GDP在内的13个因素来模拟未来的土地利用变化,具体数据来源及信息详见表1。
表1 数据来源

Table 1 List of data sources

数据类型 数据名称 数据来源
社会经济
数据		 人口 中国科学院资源环境数据平台
(https://www.resdc.cn/)
GDP
到一级道路的距离 OpenStreetMap
到二级道路的距离
到三级道路的距离
到铁路的距离
到高速公路的距离
气候与
环境数据		 土壤类型 中国科学院资源环境数据平台
(https://www.resdc.cn/)
年均降水量
年均气温
高程
坡度 计算生成
到河流的距离 OpenStreetMap
土地利用数据 土地利用类型 GlobeLand30
(http://globeland30.org/)
土地利用数据及驱动因子数据按照PLUS模型的数据要求进行规范化处理,地理坐标系统一为GCS_WGS_1984,投影坐标系统一为WGS_1984_UTM_Zone_49N,并保证数据行列号相同,最终将空间分辨率利用GIS重采样至30 m×30 m。

2 研究方法

2.1 基于InVEST 模型的生态系统碳储量评估

本文采取InVEST模型中的碳储量模块来评估三峡库区(重庆段)的碳储量变化。在InVEST模型碳储量模块中,生态系统的碳储量包括植被地上碳储量(地表以上的树木、草本植物等活的生物质中的碳)、植被地下碳储量(植物活根系统中的碳)、土壤碳储量(有机土壤和矿物土壤中的碳)和死亡有机质碳储量(死亡的植物、动物和微生物体内的有机碳)4个部分[18],其计算公式为
C t o t a l = C d e a d + C a b o v e + C b e l o w + C s o i l 　 。
式中:Ctotal代表总体碳储量;Cdead代表死亡有机质碳储量;Cabove代表植被地上碳储量;Cbelow代表植被地下碳储量;Csoil代表土壤碳储量。
InVEST模型碳储量模块运行需要输入研究区土地利用数据和各地类碳密度。通常采取的方式是查阅相关文献与前人的研究成果[19⇓⇓-22]。当前学者一般认为处于同一气候带的土地类型碳密度差异较小[23],为了保证碳密度数据的准确性,本研究碳密度数据尽量选取亚热带季风气候范围内的碳库数据[24⇓-26]。因此,本研究在查阅前人学者已经公开发表的文献[27⇓⇓-30]的基础上,结合研究区的实际情况对碳密度进行调整:范立红等[17]及张剑等[26]的研究表明,三峡库区耕地的地上、地下、土壤碳密度分别为3.45、0.69、68.48 t/hm2;王鹏程等[31]研究表明,三峡库区林地的地上、地下、土壤及死亡有机质碳密度分别为24.15、2.74、80.51、3.28 t/hm2;草地碳密度数据来自靳伟等[32]的研究成果;李奇[33]的研究表明,三峡库区建设用地土壤碳密度为25.25 t/hm2;湿地碳密度综合了柯新利等[34]及刘刚等[35]的研究成果。本文土地利用类型碳密度详见表2。
表2 研究区土地利用类型碳密度

Table 2 Carbon densities of land use types in the studyareat/hm2

土地利用
类型		 碳密度
地上 地下 土壤 死亡有机质
耕地 3.45 0.69 68.48 0.00
林地 24.15 2.74 80.51 3.28
草地 14.29 17.15 87.05 0.10
湿地 10.83 19.18 106.70 3.98
水域 0.06 0.00 0.00 0.00
建设用地 0.00 0.00 25.25 0.00

2.2 基于PLUS模型的未来土地利用变化模拟

PLUS模型是由中国地质大学(武汉)高性能空间计算智能实验室基于元胞自动机研发的一种斑块生成土地利用变化模拟模型,该模型主要由基于土地扩张分析策略(LEAS)的规则挖掘框架和基于多类型随机种子(CARS)的CA模型两大核心模块构成,采用随机森林算法对各类土地利用扩张和驱动力因素进行计算,能够进一步挖掘土地扩张和景观变化的驱动因素,结合随机斑块的生成和转移过渡矩阵的设置,预测各土地利用类型在不同情景下的斑块演变。

2.3 发展情景设置

(1)自然发展情景:各土地利用类型保持当前的发展趋势,延续2010—2020年的转移矩阵及邻域权重保持不变,基于Markov chain模型预测结果来设置未来土地利用需求。
(2)生态保护情景:顺应“长江大保护”的大趋势,侧重于保护生态环境、加强生态修复力度,在自然发展情景的基础上,限制林地、草地和湿地等生态用地向建设用地转换,约束建设用地的扩张,使土地利用更加环境友好化。
(3)城镇发展情景:在不受政策约束的条件下,以城镇经济发展为目的,充分考虑研究区城镇土地利用发展规划,提高耕地及生态用地向建设用地转化的概率,同时降低建设用地向其他土地利用类型的转移。
土地转移成本矩阵指的是各土地利用类型间的转移规则,当一种土地利用类型限制转化时设为0,允许转化时设为1。本文根据模型参数要求和已有资料进行设定:自然发展情景成本矩阵根据2010—2020年土地转移实际情况进行设置;生态保护情景参考牛统莉等[36]的研究,适度提高了生态用地内部的转化,并对湿地的转移进行了调整;城镇发展情景在参考孙欣欣等[37]研究成果的基础上,结合谢向东等[38]对重庆市南川区土地利用多情景模拟研究,对成本矩阵的设定进行了综合,其中,仍然允许水域与湿地相互转化。本文土地转移成本矩阵详见表3。
表3 多情景土地转移成本矩阵

Table 3 Matrix of multi-scenario land use transfer cost

土地
利用
类型		 自然发展情景 生态保护情景 城镇发展情景
a b c d e f a b c d e f a b c d e f
a 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1
b 1 1 1 1 1 1 0 1 1 0 0 0 1 1 0 0 0 1
c 1 1 1 1 1 1 0 1 1 1 0 0 1 0 1 0 0 1
d 0 0 0 1 0 0 0 0 0 1 1 0 0 0 0 1 1 0
e 1 1 0 1 1 0 0 0 1 1 1 0 0 0 0 1 1 0
f 1 1 0 1 0 1 0 0 0 0 0 1 0 1 1 1 1 1

注:a、b、c、d、e 、 f 分别表示耕地、林地、草地、湿地、水域、建设用地。

3 结果与分析

3.1 土地利用变化分析

3.1.1 2010—2020年土地利用变化分析

2010—2020年三峡库区(重庆段)土地利用格局及变化特征如图2所示。
图2 2010—2020年土地利用空间格局

Fig.2 Spatial patterns of land use types in 2010-2020

2010—2020年三峡库区(重庆段)各土地利用类型有明显变化,主要表现为耕地和草地大幅减少、建设用地扩张迅速且开发强度空间差异较大的特点。2010—2020年三峡库区(重庆段)土地利用类型以林地和耕地为主,二者之和占研究区土地总面积的85%以上;其次为草地、建设用地,共约占总面积的12.3%;水域及湿地最少,仅占总面积的2%。耕地主要分布在山地、丘陵和沿江平原地带,由于地形因素限制,耕地规模相对较小;林地分布范围较广,以长江为轴线展开呈带状和串状,主要分布在渝南、渝东北的武隆区、巫溪县、巫山县、奉节县等地;建设用地具有明显的空间分异性,集中分布在沿江平原地带及主要的交通干道两侧,区(县)尺度上以西南方向的“一区两群”(主城都市区及渝东北三峡库区城镇群、渝东南武林山区城镇群)为中心,并随着城镇化进程的加快,呈现向外扩张趋势;其他土地利用类型则破碎化地分散于丘陵地带及沿江地区。
2010—2020年三峡库区(重庆段)各土地利用类型有明显变化,通过分析表4和图3可知:10 a间研究区土地利用转移主要集中在林地、耕地、草地及建设用地之间,湿地及水域变化量相对较小。其中,耕地和草地的总转出量远远大于转入量,具体表现为耕地、草地面积的净减少,原因是研究区近10 a来城镇化进程加快、经济态势良好,导致建设用地需求不断激增,造成了耕地、草地被大量侵占。2010年,重庆市成为第一批低碳试点城市,为了落实试点城市建设,响应国家长江流域防护林工程及退耕还林等生态保护政策,重庆市政府先后出台并落实了《重庆市天然林资源保护工程森林管护管理实施细则》《重庆市重点生态功能区保护和建设规划(2011—2030)》《重庆市生态文明建设“十三五”规划》等生态保护政策,着力构建长江上游生态屏障,令巫山、秦巴、武陵等山系森林得到有效保护,使得林地在总转出率占比相对较大的情况下,总面积仍呈现为净增加。水域及湿地主要向耕地、林地及建设用地转换,分别转换了73.11、20.69、17.01 km2,表明受人类活动的影响,部分水域被人为开垦为耕地、建设用地等需求用地。建设用地转入量远超转出量,实现了面积的净增长,其空间变化以“一区两群”为轴心,与研究区当前的经济发展及城市化进程保持一致。
表4 2010—2020年土地利用转移矩阵

Table 4 Land use transfer matrix in 2010-2020km2

土地利用类型 耕地 林地 草地 湿地 水域 建设用地 总和 转出面积
耕地 16 901.43 1 990.01 566.73 1.00 190.56 1 271.96 20 921.70 4 020.27
林地 1 865.74 16 492.27 1 035.08 0.62 94.46 89.00 19 577.17 3 084.90
草地 779.83 1 859.08 1 659.68 3.73 86.96 103.48 4 492.76 2 833.08
湿地 5.88 0.63 3.53 1.28 33.36 2.39 47.06 45.78
水域 73.11 20.69 18.31 1.38 520.68 17.01 651.18 130.50
建设用地 50.21 5.05 6.25 0.17 9.23 337.09 408.01 70.91
总和 19 676.20 20 367.73 3 289.57 8.19 935.25 1 820.93 46 097.88 —
转入面积 2 774.77 3 875.46 1 629.89 6.91 414.57 1 483.84 — 10 185.44
图3 2010—2020年土地利用变化桑基图

Fig.3 Sankey diagram of land use change in 2010-2020

3.1.2 基于 PLUS 模型的土地利用变化驱动力分析

本研究利用PLUS模型中的土地扩张分析策略(LEAS)模块,提取初期土地利用向末期扩张部分,通过应用随机森林模式解析土地利用变化规则的效果,并生成了每个驱动因子在研究时期内每一种土地利用类型变化的贡献水平。2010年—2020年,三峡库区(重庆段)各驱动因子对土地利用的贡献度如图4所示。
图4 土地利用变化各驱动因子贡献度

Fig.4 Contributions of each driving factor to land use change

在2010年—2020年间土地利用类型变化剧烈的林地、耕地及建设用地中,贡献度最高的驱动因素为人口。其中,在林地与耕地的扩张中,贡献度最高的前4个驱动因子皆为人口、GDP、到铁路的距离、年均降水,社会经济驱动因子贡献率都在60%以上,表明在耕地与林地变化中,仍然以社会经济因素的驱动为主导。在草地的扩张中,贡献度最高的驱动因子分别是GDP、DEM、人口、年均气温、坡度等,以自然因子与社会经济因子的综合驱动为主;而建设用地的扩张则主要受人口、交通等社会经济因素及DEM、坡度、年均降水等自然因素的影响,主要发生在人口密集、坡度较低、地势平坦且交通便利的城市及周围郊区。

3.1.3 基于 PLUS 模型的2030年土地利用预测结果分析

通过PLUS模型,将利用2010年数据所模拟的2020年土地利用数据与2020年实际土地利用数据进行对比,得到总体精度为88%,Kappa系数为0.77,模拟结果精度较高,模型预测和实际空间地物分布一致性较高,表明该模型在本研究中适用性良好,可用于2030年土地利用预测模拟。本研究基于PLUS模型,通过不同情景下成本矩阵及邻域因子权重等参数的设置,模拟出研究区2030年3种发展情景下的土地利用状况(见图5)。
图5 2030年不同情景下土地利用格局

Fig.5 Land use patterns under different scenarios in 2030

结果表明:在3种发展情景间,土地利用面积变化趋势有较大的差异。在自然发展情景下,延续了2010—2020年的变化趋势,建设用地、林地呈持续增长的趋势,建设用地增长幅度最大,约39.8%,林地增长幅度约14.7%;而耕地、草地情况则相反,面积呈下降趋势,分别减少了844.4、12.2 km2。建设用地的扩张尤为明显,从转移方向来看,耕地、林地、草地都在向建设用地大量转换,若不加以限制,恐将威胁到未来的粮食安全及生态环境。在生态保护情景下,由于采取了退耕还林还草等生态保护政策,一定程度上限制了建设用地的扩张,使得林地增加了1 424.22 km2,生态用地面积下降的趋势有所缓解。但是由于对耕地的保护力度有限,耕地面积下降速度仍然较快,耕地减少了1 740.6 km2,在3大情景里面积下降幅度最大,将严重威胁耕地红线。在城镇发展情景下,由于不受政策约束,建设用地面积扩张速度加快,10 a间将迅速增长到1 800.7 km2,增长幅度高达55%以上,其来源主要为耕地和生态用地,依托于原有建设用地向外扩展,建设用地变化剧烈区仍集中于西南地区。与自然发展情景相比,城镇发展情景下耕地数量呈减少趋势,生态用地除林地外,整体仍趋于减少,恐不利于研究区的生态环境,威胁到研究区粮食的安全生产。在模拟的3种发展情景中,建设用地都保持增长的趋势,只有在生态保护情景下建设用地扩张受到了一定程度的遏制,增长速度明显放缓。此外,生态保护情景下生态用地面积虽然明显增加,但却是以牺牲耕地面积为代价,该情景下耕地面积减少最多。综合以上情景发展态势,未来应在生态保护发展的情景下,提高对耕地的保护程度,并严格落实耕地保护政策,合理规划建设用地的增长、促进建设用地的集约利用,保障碳源碳汇。

3.2 碳储量空间演变特征

利用InVEST模型对三峡库区(重庆段)土地利用变化所引起的碳储量变化进行评估,估算并预测出研究区2010年、2020年、2030年3种发展情景下的碳储量状况,见图6。
图6 2010—2030年三峡库区(重庆段)碳储量空间分布

Fig.6 Spatial distribution of carbon stock in the Three Gorges reservoir area (Chongqing section) from 2010 to 2030

从时间尺度来看,三峡库区(重庆段)的碳储量在2010年和2020年间呈现出下降趋势,由426.89×106 t减少至425.51×106 t。从空间尺度来看,碳储量的空间分布与三峡库区(重庆段)土地利用类型分布保持较高的一致性:中部及北部地区成片分布着高碳密度的林地、草地及湿地等生态用地,因此碳储量较高;而西南方向由于城市化水平较高,分布着大量低碳密度的建设用地,使得该区域的碳储量相对较低。从区县尺度来看,碳储量整体趋于减少,但是不同区县的碳储量下降速度存在一定的差异性。其中,西南部的江北区、渝北区、沙坪坝区、南岸区和九龙坡区碳储量下降速度最快。从数量变化来讲,碳储量相对平衡区主要位于土地利用类型变化较小的石柱县以北、万州区以东、奉节县和云阳县以南地区;位于中部地区的涪陵、丰都等地碳储量相对增长较大,巫溪县、巫山及奉节以北碳储量有轻度增长;而碳储量赤字区则主要位于西南部的重庆主城都市区。究其原因,城市化进程的推进,导致基础设施等建设用地迅猛扩张,进而侵占了原本的耕地、林地等,令原本的耕地、林地、草地等高碳密度区域向建设用地等低碳密度区域进行转换,使得碳储量变化与土地利用类型变化一定程度上吻合。
在延续2020年发展趋势的自然发展情景下,2030年碳储量预测为424.75×106 t,与2020年相比,减少了0.76×106 t。生态保护情景下,由于生态保护措施减少了生态用地向建设用地、耕地转换,有效地保护了生态用地的碳汇功能,2030年碳储量预测为429.23×106 t,较2020年增加了3.72×106 t,碳储量总量远高于其他发展情景,一定程度上能够有效地保护生态用地的碳汇功能,从而提高了研究区的固碳水平。城镇发展情景下的碳储量下降得最快,耕地与生态用地为城镇发展让步,导致低碳密度的建设用地不断侵占其他高碳密度用地,使得碳储量下降速度最快,预测至2030年将减少至416.53×106 t,与2020年相比减少了8.98×106 t,这进一步印证了土地利用变化对碳储量的重要影响。综上所述,实施生态保护政策能够有效地保护碳汇,增强生态系统的固碳能力。因此,未来可以在生态保护情景的基础上,综合考虑耕地保护,以促进区域生态系统的良性可持续发展。

4 讨论

4.1 研究的局限性

本研究耦合了InVEST模型与PLUS模型对未来土地利用类型变化以及碳储量变化进行了定量评估,弥补了以往单一模型研究的不足。但是,本文仍具有一定的局限性:首先,由于各研究学者对不同地区的碳库密度测算值存在分歧,碳密度参数存在一定差异性,且碳密度会随着时间的推移而变化,因此评估结果具有不确定性;其次,本文在未来土地预测的参数选择上有限,仅选择了13个因子作为模拟土地利用未来变化的驱动因子,没有考虑到政策因素的影响;此外,重庆市作为世界面积最大的市级城市,拥有着面积较大的主城中心都市区、渝东北和渝东南远城区城镇群以及数量众多的郊县,本文没有充分考虑到城市体系中不同等级的县区之间土地利用类型结构不同,碳储量在空间上应当也有相应的差异性。因此,今后研究可以多考虑城市规模、城市发展边界、区域协调发展等因素,提高未来土地利用模拟的精度与真实性。

4.2 土地利用变化对碳储量的影响

不同的土地类型,固碳能力存在明显差异,土地利用变化会影响区域碳储量的变化。通过对三峡库区(重庆段)的土地利用及碳储量分析可知,碳储量增加区域与耕地、林地等增长斑块基本保持一致;碳储量下降区域集中于渝北区、江北区、南岸区等经济发展迅速的区域,这与高碳密度的耕地及生态用地向建设用地及水域等低碳密度土地利用类型转移的趋势有关。2010—2020年三峡库区(重庆段)碳储量减少了1.38×106 t。在模拟未来的自然发展和城镇发展情景下,较2020年碳储量分别减少0.76×106、8.98×106 t,未来整体呈减少态势。范立红等[17]的研究中,三峡库区碳储量存在空间差异性,其中重庆主城区、长江主干道及支流沿岸碳储量持续减少,可以与本研究的发展趋势相互印证。

4.3 驱动因子对土地利用类型空间格局的影响

在2010—2020年间各驱动因素对土地利用空间格局演变的贡献度以社会经济因素为主导,其中人口、GDP作为最突出的要素,在耕地、林地及建设用地演变的贡献度中发挥着极其重要的作用。人口的存在意味着对粮食的需求,人口数量的增长以及人口空间的迁移都会使耕地与建设用地的面积需求及空间分布发生相应变化。近年来,人口生育率持续下降,但人口整体基数仍然较大,短时间内对土地利用类型的变化不会产生大范围的影响。随着城镇化进程的加快,人口迁移仍然以农村到城市作为主流方向,这意味着未来对建设用地的需求将持续增加,且以中心城镇为主要轴心向外扩散。

4.4 未来土地利用规划建议

城镇化的发展进程不可倒退,未来应形成平衡、协调、低碳的土地利用空间格局。加强耕地保护,保障区域粮食安全;减缓建设用地的开发强度,合理地规划城市增长边界;重点保障巫山山系、大巴山系、武陵山系等林草高碳储量区,推行尾库区复林复草,防止林草地的退化,保障三峡库区(重庆段)碳汇功能;对于快速城镇化的西南部地区,需要促进社会全面绿色转型,以保持碳储量的稳定或增加。

5 结论

本研究通过InVEST 模型对2010—2020 年三峡库区重庆段碳储量进行了评估,并且与PLUS 模型相结合,模拟并评估了自然发展情景、生态保护情景和城镇发展3种发展情景下2030年地类变化及碳储量。得出以下结论:
(1)2010—2020年三峡库区(重庆段)土地利用变化主要表现为耕地、草地和湿地向林地、建设用地及水域的快速转移,其中耕地、草地面积下降最多,建设用地面积呈持续增长趋势。
(2)2010年、2020年三峡库区(重庆段)碳储量分别为426.89×106、425.51×106 t,呈下降趋势,总量减少了1.38×106 t。碳储量分布具有空间分异性,碳储量减少区主要位于西南方向城镇化发展较快区域,碳平衡区集中于中西部,北部地区碳储量则相对增加,总体呈现出西低东高、南低北高、库首>库尾的空间格局,与土地利用类型分布有较高的一致性。土地利用空间格局演变的贡献度以社会经济因子为主导驱动因素,其中人口、GDP最为突出。
(3)到2030年,自然发展情景、城镇发展情景下碳储量均呈现不同程度的下降,分别减少了0.76×106、8.98×106 t,在这两种情景下,人类活动的干扰,导致建设用地侵占其他用地,使得研究区固碳水平下降,碳储量减少。生态保护情景较其他情景能有效地增加碳储量、减少碳储量的损失。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
朱丽亚, 胡克, 孙爽, 等. 基于InVEST模型的辽宁省海岸带碳储量时空变化研究[J]. 现代地质, 2022, 36(1): 96-104.

(ZHU Li-ya, HU Ke, SUN Shuang, 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. (in Chinese))

[2]
任玺锦, 裴婷婷, 陈英, 等. 基于碳密度修正的甘肃省土地利用变化对碳储量的影响[J]. 生态科学, 2021, 40(4): 66-74.

(REN Xi-jin, PEI Ting-ting, CHEN Ying, 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. (in Chinese))

[3]
李青. 基于InVEST模型辽宁省生态系统水源涵养服务功能研究[D]. 大连: 辽宁师范大学, 2022.

(LI Qing. Study on Water Conservation Service Function of Liaoning Ecosystem Based on InVEST Model[D]. Dalian: Liaoning Normal University, 2022. (in Chinese))

[4]
葛全胜, 戴君虎, 何凡能, 等. 过去 300 年中国土地利用、土地覆被变化与碳循环研究[J]. 中国科学D辑, 2008, 38(2): 197-210.

(GE Quan-sheng, DAI Jun-hu, HE Fan-neng, et al. Land Use, Land Cover Changes, and Carbon Cycle in China over the Past Three Centuries[J]. Science in China Series D: Earth Sciences, 2008, 38(2): 197-210. (in Chinese))

[5]
HOUGHTON R A. Counting Terrestrial Sources and Sinks of Carbon[J]. Climatic Change, 2001, 48(4): 525-534.

[6]
王超越, 郭先华, 郭莉, 等. 基于FLUS-InVEST的西北地区土地利用变化及其对碳储量的影响: 以呼包鄂榆城市群为例[J]. 生态环境学报, 2022, 31(8): 1667-1679.

(WANG Chao-yue, GUO Xian-hua, GUO Li, et al. Land Use Change and Its Impact on Carbon Storage in Northwest China Based on FLUS-Invest: a Case Study of Hu-Bao-Er-Yu Urban Agglomeration[J]. Ecology and Environmental Sciences, 2022, 31(8): 1667-1679. (in Chinese))

[7]
LI X, HUANG C, JIN H, et al. Spatio-temporal Patterns of Carbon Storage Derived Using the InVEST Model in Heilongjiang Province, Northeast China[J]. Frontiers in Earth Science, 2022, 10: 846456.

[8]
张影, 谢余初, 齐姗姗, 等. 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]. 资源科学, 2016, 38(8): 1585-1593.

(ZHANG Ying, XIE Yu-chu, QI Shan-shan, et al. Carbon Storage and Spatial Distribution Characteristics in the Bailongjiang Watershed in Gansu Based on InVEST Model[J]. Resources Science, 2016, 38(8): 1585-1593. (in Chinese))

[9]
WANG C, LUO J, QING F, et al. Analysis of the Driving Force of Spatial and Temporal Differentiation of Carbon Storage in Taihang Mountains Based on InVEST Model[J]. Applied Sciences, 2022, 12(20): 10662.

[10]
LIANG X, GUAN Q, CLARKE K C, et al. Understanding the Drivers of Sustainable Land Expansion Using a Patch-generating Land Use Simulation (PLUS) Model: a Case Study in Wuhan, China[J]. Computers, Environment and Urban Systems, 2021, 85: 101569.

[11]
胡丰, 张艳, 郭宇, 等. 基于PLUS和InVEST模型的渭河流域土地利用与生境质量时空变化及预测[J]. 干旱区地理, 2022, 45(4): 1125-1136.

(HU Feng, ZHANG Yan, GUO Yu, et al. Spatial and Temporal Changes in Land Use and Habitat Quality in the Weihe River Basin Based on the PLUS and InVEST Models and Predictions[J]. Arid Land Geography, 2022, 45(4): 1125-1136. (in Chinese))

[12]
杨潋威, 赵娟, 朱家田, 等. 基于PLUS和InVEST模型的西安市生态系统碳储量时空变化与预测[J]. 自然资源遥感, 2022, 34(4): 175-182.

(YANG Lian-wei, ZHAO Juan, ZHU Jia-tian, et al. Spatial-temporal Change and Prediction of Carbon Stock in the Ecosystem of Xi’an Based on PLUS and InVEST Models[J]. Remote Sensing for Natural Resources, 2022, 34( 4) : 175-182. (in Chinese))

[13]
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 Tong, YANG Mu-zhuang, WU Da-fang, 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. (in Chinese))

[14]
丁岳, 王柳柱, 桂峰, 等. 基于InVEST模型和PLUS模型的环杭州湾生态系统碳储量[J]. 环境科学, 2023, 44(6): 3343-3352.

(DING Yue, WANG Liu-zhu, GUI Feng, et al. Ecosystem Carbon Storage in Hangzhou Bay Area Based on InVEST and PLUS Models[J]. Environmental Science, 2023, 44(6): 3343-3352. (in Chinese))

[15]
李月臣, 刘春霞, 闵婕, 等. 三峡库区生态系统服务功能重要性评价[J]. 生态学报, 2013, 33(1): 168-178.

(LI Yue-chen, LIU Chun-xia, MIN Jie, et al. RS/GIS-based Integrated Evaluation of the Ecosystem Services of the Three Gorges Reservoir Area (Chongqing Section)[J]. Acta Ecologica Sinica, 2013, 33(1): 168-178. (in Chinese))

[16]
安敏, 李文佳, 吴海林, 等. 三峡库区生态环境质量的时空格局演变及影响因素[J]. 长江流域资源与环境, 2022, 31(12): 2743-2755.

(AN Min, LI Wen-jia, WU Hai-lin, et al. The Evolution and Influencing Factors of the Spatial-temporal Pattern of Ecological Environment Quality in the Three Gorges Reservoir Area[J]. Resources and Environment in the Yangtze Basin, 2022, 31(12): 2743-2755. (in Chinese))

[17]
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 Li-hong, ZHU Jian-hua, LI Qi, 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. (in Chinese))

[18]
ZHANG F, ZHAN J, ZHANG Q, et al. Impacts of Land Use/Cover Change on Terrestrial Carbon Stocks in Uganda[J]. Physics And Chemistry Earth, Parts A/B/C, 2017, 101: 195-203.

[19]
刘兆丹, 李斌, 方晰, 等. 湖南省森林植被碳储量、碳密度动态特征[J]. 生态学报, 2016, 36(21): 6897-6908.

(LIU Zhao-dan, LI Bin, FANG Xi, et al. Dynamic Characteristics of Forest Carbon Storage and Carbon Density in the Hunan Province[J]. Acta Ecologica Sinica, 2016, 36(21): 6897-6908. (in Chinese))

[20]
丁访军, 潘忠松, 吴鹏, 等. 贵州东部常绿落叶阔叶混交林碳素积累及其分配特征[J]. 生态学报, 2015, 35(6): 1761-1768.

(DING Fang-jun, PAN Zhong-song, WU Peng, et al. Carbon Accumulation and Distribution Characteristics of the Evergreen Broad-leaved and Deciduous Broad-leaved Mixed Forests in East Guizhou[J]. Acta Ecologica Sinica, 2015, 35(6): 1761-1768. (in Chinese))

[21]
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.

[22]
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.

[23]
周汝波, 林媚珍, 吴卓, 等. 珠江西岸生态系统碳储量对土地利用变化的响应[J]. 生态科学, 2018, 37(6): 175-183.

(ZHOU Ru-bo, LIN Mei-zhen, WU Zhuo, et al. Responses of Ecosystem Carbon Stocks to Land Use Change on the West Side of the Pearl River[J]. Ecological Science, 2018, 37(6): 175-183. (in Chinese))

[24]
ZHENG Y, NIU Z, GONG P, et al. Preliminary Estimation of the Organic Carbon Pool in China’s Wetlands[J]. Chinese Science Bulletin, 2013, 58(6): 662-670.

[25]
邰继承, 靳振江, 崔立强. 不同土地利用下湖北江汉平原湿地起源土壤有机碳组分的变化[J]. 水土保持学报, 2011, 25(6): 124-128.

(TAI Ji-cheng, JIN Zhen-jiang, CUI Li-qiang. Changes in Soil Organic Carbon Fractions with Land Uses in Soils Reclaimed from Wetlands of Jianghan Plain, Hubei Province[J]. Journal of Soil and Water Conservation, 2011, 25(6): 124-128. (in Chinese))

[26]
张剑, 罗贵生, 王小国, 等. 长江上游地区农作物碳储量估算及固碳潜力分析[J]. 西南农业学报, 2009, 22(2): 402-408.

(ZHANG Jian, LUO Gui-sheng, WANG Xiao-guo, et al. Carbon Stock Estimation and Sequestration Potential of Crops in the Upper Yangtze River Basin[J]. Southwest China Journal of Agricultural Sciences, 2009, 22(2): 402-408. (in Chinese))

[27]
黄从德, 张健, 杨万勤, 等. 四川省及重庆地区森林植被碳储量动态[J]. 生态学报, 2008, 28(3): 966-975.

(HUANG Cong-de, ZHANG Jian, YANG Wan-qin, et al. Dynamics on Forest Carbon Stock in Sichuan Province and Chongqing City[J]. Acta Ecologica Sinica, 2008, 28(3): 966-975. (in Chinese))

[28]
万其林, 邵景安. 2000—2020年三峡库区重庆段土地利用及碳储量估算[J]. 重庆师范大学学报(自然科学版), 2023, 40(6): 52-64.

(WAN Qi-lin, SHAO Jing-an. Land Use and Carbon Storage Estimation in the Chongqing Section of the Three Gorges Reservoir from 2000 to 2020[J]. Journal of Chongqing Normal University(Natural Science), 2023, 40(6): 52-64. (in Chinese))

[29]
毛永发, 周启刚, 王陶, 等. 耦合PLUS-InVEST-Geodector模型的三峡库区碳储量时空变化及其定量归因[J]. 长江流域资源与环境, 2023, 32(5): 1042-1057.

(MAO Yong-fa, ZHOU Qi-gang, WANG Tao, et al. Spatial-temporal Variation of Carbon Storage and Its Quantitative Attribution in the Three Gorges Reservoir Area Coupled with PLUS-invest Geodector Model[J]. Resources and Environment in the Yangtze Basin, 2023, 32(5): 1042-1057. (in Chinese))

[30]
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 Shu-qi, HU Xiao-meng, SUN Yuan, 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. (in Chinese))

[31]
王鹏程, 邢乐杰, 肖文发, 等. 三峡库区森林生态系统有机碳密度及碳储量[J]. 生态学报, 2009, 29(1): 97-107.

(WANG Peng-cheng, XING Le-jie, XIAO Wen-fa, et al. Organic Carbon Density and Storage of Forest Ecosystems in Three Gorges Reservoir Area[J]. Acta Ecologica Sinica, 2009, 29(1): 97-107. (in Chinese))

[32]
靳伟, 倪天珍, 杨婷婷. 四川省草地生态系统碳储量估算[J]. 四川林业科技, 2014, 35(5): 8-12.

(JIN Wei, NI Tian-zhen, YANG Ting-ting. Estimation of Carbon Storage in the Grassland Ecosystem in Sichuan[J]. Journal of Sichuan Forestry Science and Technology, 2014, 35(5): 8-12. (in Chinese))

[33]
李奇. 三峡库区生态系统服务时空变化与权衡研究[D]. 北京: 中国林业科学研究院, 2020.

(LI Qi. Temporal and Spatial Changes and Trade-offs of Ecosystem Services in Three Gorges Reservoir Area[D]. Beijing: Chinese Academy of Forestry, 2020. (in Chinese))

[34]
柯新利, 唐兰萍. 城市扩张与耕地保护耦合对陆地生态系统碳储量的影响:以湖北省为例[J]. 生态学报, 2019, 39(2): 672-683.

(KE Xin-li, TANG Lan-ping. Impact of Cascading Processes of Urban Expansion and Cropland Reclamation on the Ecosystem of a Carbon Storage Service in Hubei Province,China[J]. Acta Ecologica Sinica, 2019, 39(2): 672-683. (in Chinese))

[35]
刘刚, 陈利. 洪湖湿地碳储量的研究[J]. 中南林业科技大学学报, 2013, 33(8): 103-107.

(LIU Gang, CHEN Li. Study on Carbon Storage in Honghu Lake Wetland[J]. Journal of Central South University of Forestry & Technology, 2013, 33(8): 103-107. (in Chinese))

[36]
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 Tong-li, XIONG Li-hua, CHEN Jie, 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. (in Chinese))

[37]
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 Xin-xin, XUE Jian-hui, DONG Li-na. 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. (in Chinese))

[38]
谢向东, 林孝松, 王莹, 等. 基于 PLUS模型的重庆市南川区土地利用多情景模拟[J]. 长江科学院院报, 2023, 40(6): 86-92,113.

(XIE Xiang-dong, LIN Xiao-song, WANG Ying, et al. Multi-scenario Simulation of Land Use in Nanchuan District of Chongqing Based on PLUS Model[J]. Journal of Changjiang River Scientific Research Institute, 2023, 40(6): 86-92,113. (in Chinese))

Options
Outlines

/

〈 〉

Copyright © Journal of Changjiang River Scientific Research Institute, All Rights Reserved.
Powered by Beijing Magtech Co. Ltd.