EN中文

干旱区地理 >

2025 , Vol. 48 >Issue 12: 2169 - 2182

DOI: https://doi.org/10.12118/j.issn.1000-6060.2025.090

土地利用与碳循环

基于GeoSOS-FLUS和InVEST模型的新疆地区土地利用变化模拟及碳储量预测

  • 牛飞飞 , 1, 2 ,
  • 郭靖 3 ,
  • 罗杰 4 ,
  • 勾雪平 1, 2 ,
  • 刘雪薇 1, 2 ,
  • 张仁平 , 1, 2
展开
  • 1 新疆大学生态与环境学院， 新疆 乌鲁木齐 830000
  • 2 新疆大学绿洲生态教育部重点实验室， 新疆 乌鲁木齐 830000
  • 3 新疆林业科学院， 新疆 乌鲁木齐 830000
  • 4 新疆维吾尔自治区煤炭煤层气测试研究所， 新疆 乌鲁木齐 830000
张仁平（1979-），男，博士，博士生导师，教授，主要从事生态遥感、生态灾害评价、生态修复、草地生态学研究. E-mail:

牛飞飞（2000-），女，硕士研究生，主要从事生态遥感和碳汇研究. E-mail:

收稿日期: 2025-02-24

  修回日期: 2025-04-11

  网络出版日期: 2026-03-11

基金资助

自治区重点研发项目(2022B01012-2)

国家自然科学基金(52460030)

自治区林业发展补助资金项目(XJLYKJ-2023-20)

收起

Simulation of land use change and prediction of carbon storage in Xinjiang based on GeoSOS-FLUS and InVEST models

  • Feifei NIU , 1, 2 ,
  • Jing GUO 3 ,
  • Jie LUO 4 ,
  • Xueping GOU 1, 2 ,
  • Xuewei LIU 1, 2 ,
  • Renping ZHANG , 1, 2
Expand
  • 1 College of Ecology and Environment, Xinjiang University, Urumqi 830046, Xinjiang, China
  • 2 Key Laboratory of Oasis Ecology, Ministry of Education, Xinjiang University, Urumqi 830046, Xinjiang, China
  • 3 Xinjiang Academy of Forestry, Urumqi 830000, Xinjiang, China
  • 4 Xinjiang Uygur Autonomous Region Coal Seam Methane Testing Institute, Urumqi 830000, Xinjiang, China

Received date: 2025-02-24

  Revised date: 2025-04-11

  Online published: 2026-03-11

Fold

摘要

碳储量在陆地生态系统中扮演者重要角色，而土地利用变化是影响区域生态系统碳循环和储存功能的重要因素之一。以新疆为研究区，基于1980—2022年土地利用数据，耦合GeoSOS-FLUS和InVEST模型，分析了1980—2022年新疆土地利用和碳储量变化，并模拟了2030年和2060年在自然发展情景、生态保护情景和快速发展情景下的土地利用和碳储量变化。结果表明：（1） 1980—2022年新疆土地类型占比最多的为未利用地类，耕地、郁闭度<30%的林地、覆盖度>20%的草地、建设用地的总面积增加，郁闭度>30%的林地和灌木林、覆盖度<20%的草地、水域、未利用地面积减少。（2） 2030—2060年除未利用地之外，耕地和草地依旧是主要的土地利用类型。（3） 1980—2022年碳储量以2010年为节点，呈现先升高后降低的趋势，建设用地扩张和林草地退化、水域缩减是碳储量减少的主要原因。（4） 2030—2060年新疆地区碳储量高值区域主要分布在阿尔泰山、天山山脉和塔里木盆地北缘，生态优先情景高于自然发展情景和快速发展情景下的碳储量。研究结果有助于指导新疆地区土地格局调整与碳储存能力优化管理，对实现区域“双碳”目标具有重要意义。

关键词： 碳储量; 土地利用; GeoSOS-FLUS模型; InVEST模型; 新疆

本文引用格式

牛飞飞 , 郭靖 , 罗杰 , 勾雪平 , 刘雪薇 , 张仁平 . 基于GeoSOS-FLUS和InVEST模型的新疆地区土地利用变化模拟及碳储量预测[J]. 干旱区地理, 2025 , 48(12) : 2169 -2182 . DOI: 10.12118/j.issn.1000-6060.2025.090

Abstract

Carbon storage plays an crucial role in terrestrial ecosystems. The change of land use is one of the key factors influencing the carbon cycle and carbon storage in regional ecosystems. This study focuses on Xinjiang as the research area, utilizing land use data from 1980 to 2022 and coupling the GeoSOS-FLUS and InVEST models to analyze the changes in land use and carbon storage in Xinjiang from 1980 to 2022. Additionally, the study simulates changes in land use and carbon storage under three scenarios, namely, the natural development scenario (DAU), ecological protection scenario (EPS), and rapid development scenario (RDS), for the years 2030 and 2060. The results show that: (1) From 1980 to 2022, unused land accounted for the largest proportion of land types in Xinjiang, and the total area of cultivated land, forest land with <30% canopy density, grassland with >20% coverage, and construction land increased. In contrast, forest land with >30% canopy density and woodlands, grassland with <20% coverage, water bodies, and unused land decreased. (2) Excluding unused land, during the period from 2030 to 2060, farmland and grassland remained the dominant land use types. (3) From 1980 to 2022, carbon storage initially increased, followed by a decrease, with 2010 as the turning point. The expansion of construction land, degradation of forest and grassland, and reduction of water bodies were the main contributors to the decline in carbon storage. (4) From 2030 to 2060, the high-value areas of carbon storage in Xinjiang were primarily distributed in the Altai Mountains, Tianshan Mountains, and the northern edge of the Tarim Basin. Under the EPS, carbon storage was higher than that under the natural development and rapid development scenarios. The research findings are expected to contribute to guiding adjustments in land use patterns and optimizing the management of carbon storage in the Xinjiang region, significantly facilitating the achievement of regional “dual carbon” goals.

Key words： carbon storage; land use change; GeoSOS-FLUS model; InVEST model; Xinjiang

近年来，随着人类活动的加剧，全球碳排放量持续增加，温室效应增强和气候变暖问题日益严重[1]。作为全球碳循环的关键组成部分，陆地生态系统通过吸收和封存大气中的CO2，在调节全球碳平衡方面发挥着不可替代的作用[2]。土地利用/覆盖变化（LUCC）是影响陆地生态系统碳储量的关键驱动因素，通过改变生态系统的结构和功能，直接影响着区域碳储量的时空分布格局[3]。特别是在土地利用类型转换过程中，往往伴随着显著的碳交换，这不仅改变了陆地生态系统的碳储存能力，也影响着碳释放的动态过程[4]。因此，科学评估土地利用变化对区域碳储量的影响机制，对于实现区域碳平衡和可持续发展具有重要的理论和实践意义[5]。
目前，碳储量评估方法主要包括野外实地调查、遥感技术以及模型模拟[6]。其中，传统野外调查方法虽然精度较高，但存在工作量大、周期长、大尺度应用受限等问题[7]；基于遥感数据的Bookkeeping模型等方法虽然提高了评估效率，但在空间量化表达和模型参数优化方面仍存在不足[8]。相比之下，InVEST模型因其高效可视化制图等优点被广泛应用[9]。在干旱区研究中，该模型已揭示伊犁谷地因建设用地扩张预计2030年总碳量净减少65.94 Tg[10]，同时证实阿克苏流域生态修复工程可提高区域碳储量[11]。然而，InVEST模型在特定情景下的模拟能力仍存在局限，需通过耦合土地利用模型来更准确地解析土地利用与碳储量之间的关系[12]。在土地利用变化模拟方面，基于遥感影像的GIS空间分析、机器学习与深度学习方法以及多模型综合分析方法构成了当前研究的主要技术体系[13-15]。其中，PLUS、FLUS、CA-Markov等多模型综合方法因操作简便且精度高被广泛应用[16-17]。而GeoSOS-FLUS整合了FLUS模型和地理模拟与优化系统（GeoSOS）的优势，结合马尔可夫链与元胞自动机（CA）算法，不仅保证了模型的高精度之外，还能通过设置不同预测情景来高效模拟土地利用变化，目前已有诸多学者将GeoSOS-FLUS和InVEST模型结合起来研究未来土地利用引起的碳储量演变[18-19]。但现有方法多采用传统6类土地分类体系，忽视林地和草地的郁闭度和覆盖度能够通过影响土壤和植被碳密度，进而会导致碳储量存在差异[20-21]。因此，基于郁闭度和覆盖度对林地和草地进行细化分类，对于提高碳储量估算准确性至关重要[22-23]。新疆作为我国最大的干旱生态区，其荒漠生态系统具有独特的碳汇功能。然而，在气候变化和人类活动的双重影响下，新疆的土地利用结构正在发生显著变化，这种变化对区域碳储量的影响机制尚不明确[24]。尽管已有不少研究关注新疆土地利用变化及碳储量演变，如付玮等[25]证实未利用地和草地是塔里木河流域主要的碳库，韩楚翘等[26]发现2000—2020年来，吐哈盆地平均碳储量减少了0.28 t·hm-2，但这些研究普遍存在3个方面的局限，即时间跨度较短、土地分类未细化、空间分析集中于小流域尺度，缺乏全区系统性评估。
基于此，本研究以新疆为研究区域，旨在解决以下关键科学问题：（1） 分析1980—2022年LUCC及其对区域碳储量的影响；（2） 探究在不同发展情景下[自然发展情景（DAU）、生态优先情景（EPS）、快速发展情景（RDS）]，新疆土地利用格局将如何演变；（3） 预测不同情景下的2030年和2060年新疆地区的碳储量变化。通过GeoSOS-FLUS模型模拟2030年和2060年的土地利用变化，并耦合InVEST模型的碳储量模块，系统评估新疆地区的碳储量变化。本研究为优化新疆土地利用结构、提升区域生态安全水平、推进国家“双碳”战略目标的实现提供科学依据和决策支持。

1 数据与方法

1.1 研究区概况

新疆地处中国西北内陆，总面积达166.49×104 km2，是全国面积最大的省级行政区。该地区属典型的温带大陆性气候，年均气温4~13 ℃，年均降水161.7 mm，蒸发量较高，光照充足。地形以盆地和山地为主，呈现“三山夹两盆”的地貌格局。总体植被覆盖率低，生态环境脆弱。在各类土地利用类型中，未利用地占比最高，建设用地比例最小。在本研究中，将LUCC数据重新分为8类：耕地、林地1、林地2、草地1、草地2、水域、建设用地和未利用地。其中，将林地中郁闭度超过30%的林地及灌木林（指郁闭度超过40%、高度在2 m以下的矮林地和灌丛林地）归为林地1，郁闭度低于30%的林地归为林地2；草地中盖度高于20%的草地划分为草地1，低于20%的划分为草地（图1）。
图1 研究区示意图

注：基于自然资源部标准地图服务网站审图号为GS(2019)3333号的标准地图制作，底图边界无修改。下同。

Fig. 1 Schematic diagram of the study area

1.2 数据来源

本研究主要使用了新疆LUCC、地形数据、植被数据、气象数据、社会经济数据、区位因素数据。为保证数据的一致性，将以上数据统一重采样到1 km×1 km，地理坐标系均采用GCS_WGS_1984，数据的具体来源和相关说明为表1所示。
表1 数据来源

Tab. 1 Data sources

数据类型 数据名称 格式 分辨率 数据来源
LUCC 土地利用数据 栅格 1 km 地球资源数据云平台（www.gis5g.com）
地形 高程 栅格 90 m http://srtm.csi.cgiar.org
坡度 栅格 90 m
坡向 栅格 90 m
植被 植被覆盖率 栅格 1 km，300 m https://land.copernicus.eu/en
气象数据 年均气温 栅格 1 km https://data.tpdc.ac.cn
年均降水 栅格 1 km https://data.tpdc.ac.cn
社会经济数据 年GDP 栅格 1 km https://www.resdc.cn
人口密度 栅格 1 km https://www.geodata.cn
区位因素数据 距河流、铁路、道路、城镇、市中心、高速的距离 栅格 30 m https://www.openstreetmap.org

注：LUCC为土地利用/覆盖变化。

1.3 研究方法

1.3.1 GeoSOS-FLUS模型

GeoSOS-FLUS软件是根据FLUS模型原理开发的多类土地利用变化情景模拟软件，GeoSOS-FLUS模型使用LUCC数据和驱动因子以模拟出在各种影响因素下的未来土地利用变化[27]。
（1） 概率计算模块模拟
基于ANN算法，包括预测和训练阶段，由输入层、隐藏层和输出层组成。计算公式为：
$P\left(p,k,t\right)=\displaystyle\sum _{j}{w}_{jk}\times \frac{1}{1+{\mathrm{e}}^{-\mathrm{n}\mathrm{e}{\mathrm{t}}_{j}\left(p,t\right)}}$
式中：P(p,k,t)为时间t时网格p上k类土地的适宜性概率;wjk为隐藏层和输出层之间的权重；net为某个隐藏层神经元的净输入；e为自然常数；$-\mathrm{n}\mathrm{e}{\mathrm{t}}_{j}\left(p,t\right)$为网格p上的神经元j在时间t接收到的信号。
（2） 基于自适应惯性机制的元胞自动机
在多种类型LUCC栅格数据基础上，通过适宜性概率、各LUCC类型变化数量、成本矩阵以及邻域因子参数来模拟土地利用情景。自适应惯性系数计算公式为：
${I}_{k}^{t}\left\{\begin{array}{ccc}{I}_{k}^{t-1},& \mathrm{i}\mathrm{f}& \left|{D}_{k}^{t-1}\right|\le \left|{D}_{k}^{t-2}\right|\\ {I}_{k}^{t-1}\times \frac{{D}_{k}^{t-2}}{{D}_{k}^{t-1}},& \mathrm{i}\mathrm{f}& {D}_{k}^{t-1}<{D}_{k}^{t-2}<0\\ {I}_{k}^{t-1}\times \frac{{D}_{k}^{t-1}}{{D}_{k}^{t-2}},& \mathrm{i}\mathrm{f}& 0<{D}_{k}^{t-2}<{D}_{k}^{t-1}\end{array}\right.$
式中：${I}_{k}^{t}$、${I}_{k}^{t-1}$分别为土地类型k在迭代时间t和t-1时的惯性系数；${D}_{k}^{t-1}\mathrm{、}{D}_{k}^{t-2}$分别为迭代时间t-1和t-2时土地需求与土地类型k实际数量之间的面积差。
在本研究中，邻域因子借鉴新疆地区的研究以及多次的测试[28-29]，其赋值如表2；另外，基于新疆当前社会发展情况和未来发展规划，在现有的土地利用基础上，设置了3种对未来土地利用模拟预测的情景，即DAU、EPS、RDS；转移矩阵是通过对比前人研究以及多次参数调整和测试[30-31]，得出精度较高的转移矩阵（表3）。0表示不允许发生转化，1表示可以发生转化。
表2 新疆各类土地利用邻域因子

Tab. 2 Weight of neighborhood for each land use type in Xinjiang

指标 耕地 林地1 林地2 草地1 草地2 水域 建设用地 未利用地
领域因子 0.5 0.7 0.5 0.6 0.4 0.4 0.8 0.1
表3 3种情景下土地利用转移矩阵

Tab. 3 Matrix of land use transfer under 3 scenarios in the study area

土地利
用类型		 自然发展情景（DAU） 生态优先情景（EPS） 快速发展情景（RDS）
a b c d e f g h a b c d e f g h a b c d e f g h
a 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 0
b 1 1 1 1 1 1 1 1 0 1 0 0 0 0 0 1 0 1 0 0 0 1 0 0
c 1 1 1 1 1 1 1 1 0 1 1 0 0 0 0 1 1 1 1 0 0 1 1 0
d 1 1 1 1 1 1 1 1 0 1 1 1 0 1 0 1 0 1 1 1 0 1 0 0
e 1 1 1 1 1 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1 0
f 1 1 1 1 1 1 1 1 0 1 1 0 0 1 0 1 0 1 0 0 0 1 1 0
g 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 1 1 0
h 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

注：a、b、c、d、e、f、g、h分别为耕地、林地1、林地2、草地1、草地2、水域、建设用地和未利用地。

（3） 精度验证
因2020年LUCC数据为最新一期公开发布数据，精度高、分类标准统一、区域代表性强，因此将其作为验证数据集[32]。将Kappa系数和FoM系数作为模型验证结果，Kappa系数值越接近1，表示模型模拟精度越高，当Kappa系数值大于0.75时，表示模型具有高的准确性。FoM系数被用来评估模拟结果的好坏，FoM值越接近1表示模拟精度越高。
（4） 驱动因子
Liu等[27]提出的FLUS模型使用土地利用数据和驱动因子。根据新疆实际情况，结合植被、气候、地形、社会因素以及区位等因素，选择高程（DEM）、坡度、坡向、气温、降水、植被覆盖度、距铁路的距离等14个驱动因子。

1.3.2 InVEST模型

本研究使用InVEST模型中的碳储存模块，评估和预测生态系统碳储量变化。根据前人研究结果[33-34]，利用气温和降水数据对原始碳密度数据进行修正，从而得到与新疆本地更为贴合的修正后碳密度数据用以估算碳储量值（表4）。
${C}_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}={C}_{\mathrm{a}\mathrm{b}\mathrm{o}\mathrm{v}\mathrm{e}}+{C}_{\mathrm{b}\mathrm{e}\mathrm{l}\mathrm{o}\mathrm{w}}+{C}_{\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}+{C}_{\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{d}}$
式中：${C}_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}$为区域碳总存储；${C}_{\mathrm{a}\mathrm{b}\mathrm{o}\mathrm{v}\mathrm{e}}$为地上碳存储；${C}_{\mathrm{b}\mathrm{e}\mathrm{l}\mathrm{o}\mathrm{w}}$为地下生物碳；${C}_{\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}$为土壤碳储存；${C}_{\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{d}}$为死亡有机碳。
表4 新疆土地利用类型碳密度数据

Tab. 4 Carbon density data of land use types in Xinjiang　　　/t·hm-2

土地利用类型 地上生物碳密度 地下生物碳密度 土壤碳
密度		 死亡有机物碳密度
耕地 2.90 3.44 76.6 1.24
林地1 30.89 9.12 107.82 2.48
林地2 10.76 2.05 67.73 0.98
草地1 1.49 4.29 75.54 0.22
草地2 0.47 1.42 24.69 0.05
水域 0.64 0.45 0.00 0.00
建设用地 2.26 1.45 0.00 0.00
未利用地 0.45 0.87 38.55 0.00

2 结果与分析

2.1 土地利用时空变化分析

2.1.1 1980—2022年土地利用类型和面积

1980—2022年新疆土地利用格局发生了显著变化，耕地、林地2、草地1、建设用地的总面积增加，增加最多的是耕地，占变化总面积的25%；林地1、草地2、水域、未利用地面积减少，减少最多的是草地2，占变化总面积的18%。从空间上看，耕地主要分布在准噶尔盆地南部边缘、塔里木盆地北部边缘和西北部边缘，增加明显的耕地主要分布在塔里木盆地边缘；林地和草地主要分布在准噶尔盆地和塔里木盆地边缘、阿尔泰山、天山山脉以及昆仑山脉；水域主要分布在天山山脉和昆仑山脉，天山山脉周边水域减少最明显；建设用地主要分布在天山山脉东段的城市群（图2）。
图2 1980—2022年土地利用空间分布及占比

Fig. 2 Spatial distribution and proportion of land uses from 1980 to 2022

2.1.2 各类土地类型转移

1980—2022年土地类型之间的转换主要发生在草地、未利用地和林地之间，未利用地和草地2转化最强烈（图3）。42 a间，耕地（30193 km2）、林地2（448 km2）、草地1（17896 km2）和建设用地面积（11257 km2）呈现增加趋势。林地1（10484 km2）、草地2（21993 km2）、水域（15312 km2）和未利用地面积（12081 km2）呈现减少趋势。从空间上来看，2010年后转移速度明显加快，未利用地和草地2的转换主要发生区域在准噶尔盆地西北部和东部、塔里木盆地北缘以及昆仑山脉，草地1和草地2之间的转换主要发生区域天山山脉西段、准噶尔盆地北缘以及塔里木盆地西南缘。
图3 1980—2022年土地利用空间变化和转移

注：1~8分别代表耕地、林地1、林地2、草地1、草地2、水域、建设用地、未利用地，如12表示耕地转为林地1。

Fig. 3 Land use transfer and spatial change from 1980 to 2022

2.2 未来土地利用模拟

2.2.1 模型验证

本研究采用新疆2010年LUCC数据作为基础数据，利用GeoSOS-FLUS模型得到2020年新疆模拟土地利用数据。将2020年模拟的土地利用数据与真实数据进行比较，发现两者林草地和未利用地的分布区域几乎相同（图4），但耕地和建设用地的分布差异较大（A、B、C区域），这些地区均位于城市群，推断可能是由于近年来城镇化加剧，导致建设用地和耕地扩张严重。一致性检验中，Kappa值为0.75，FoM值为0.8，整体预测精度为0.85，表明整体模型的参数设置和驱动因素具有较好的模拟精度，可以用来预测未来新疆地区的土地利用模式。
图4 2020年预测土地利用数据与真实数据比较

Fig. 4 Comparison of predicted land use data and real data in 2020

2.2.2 不同场景下的土地利用模拟结果

以2020年为初始年份，完成了2030年和2060年DAU、EPS和RDS下的LUCC状况模拟，3种情景模拟精度分别为0.76、0.77、0.77。预测结果表明（图5），除了未利用地之外，耕地和草地依旧是主要的土地利用结构。在RDS下，建设用地的面积明显高于其他情景下预测的面积；DAU下，草地1的预测面积低于其他情景下预测的面积，耕地面积大于其他情景；EPS下的草地2面积大于其他场景下预测的面积，但2030年建设面积相比于其他情境的预测是最小的。从空间上看，3种情景下的模拟预测与现实状况中新疆地区土地利用变化趋势大致相符，即耕地、建设用地增加的趋势，部分草地退化的，未利用地面积减少。耕地依旧主要分布在塔里木盆地边缘以及天山北部，林草地分布在阿尔泰山、天山山脉、昆仑山脉以及准噶尔盆地和塔里木盆地边缘，建设用地主要分布在天山山脉中段和西段的城市群。
图5 2030年和2060年不同情景下土地空间变化

注：DAU为自然发展情景；EPS为生态优先情景；RDS为快速发展情景。下同。

Fig. 5 Spatial changes of land under different scenarios in 2030 and 2060

2.3 碳储量时空变化

2.3.1 1980—2022年碳储量变化

1980—2022年InVEST模型估计的碳存储数据2010年呈现最高值8.60 Pg，1980年显示最低6.89 Pg，以2010年为节点，呈现先升高后降低的趋势（图6）。42 a期间，新疆地区碳储量减少主要发生在准噶尔盆地西部和东部，天山山脉零星地区，以及昆仑山脉，城市群地区碳储量减少发生明显，这些地区草地发生退化，植被碳损失较为严重。碳储量增加发生在天山山脉南部，准噶尔盆地南部以及塔里木盆地边缘。
图6 1980—2022年碳储量变化

Fig. 6 Changes in carbon stocks from 1980 to 2022

2.3.2 未来土地利用场景下碳储量空间格局

对新疆地区2030、2060年在DAU、EPS、RDS 3种情景下的碳储量预测显示（图7），其整体分布格局与2022年相似。碳储量较高的区域主要集中于阿尔泰山、天山山脉和塔里木盆地北缘，这些地区植被盖度较高，固碳能力较强，碳储量低值区域主要分布在城市群，这些地区温室气体排放量较高。较2022年，2030年和2060年不同情境下的预测结果均呈上升趋势，且DAU和RDS下的碳储量均低于EPS，草地仍然为新疆陆地生态系统的第一碳库，未利用地次之。EPS下，林地和草地的碳储量均高于其他2种情景，因此，实施生态保护战略，对新疆地区碳储量的提升具有积极重要的意义。
图7 2030年和2060年3种情景下碳储量预测

Fig. 7 Prediction of carbon stocks under three scenarios in 2030 and 2060

3 讨论

3.1 土地利用变化对碳储量的影响

LUCC是区域碳储量变化的重要驱动力之一，其通过调节生态系统中的碳循环过程，直接影响碳储量的时空分布。本研究表明，1980—2022年新疆地区的碳储量以2010年为峰值，呈现先增后减，整体波动性上升趋势。这与傅楷翔等[34]的研究结果一致，表明土地利用变化对碳储量的影响具有显著的时空异质性。
1980—1990年碳储量增加最为明显，这个时期土地格局较为稳定，一部分未利用地向林草地转化，且林草地资源尚未被大量破坏。同时，该时期气候较稳定，水域资源较为丰富，这可能促进了植被的生长，导致碳储量增加。刘洋等[35]也指出这个时期内新疆气候由暖干向暖湿转变，植被覆盖度呈增长趋势。本研究中也进一步考虑了林草地的郁闭度和覆盖度的特征，其中林地1和草地1在碳储量的贡献上表现更加突出，是该阶段碳储量快速增长的主要原因。1990—2000年碳储量微幅下降，主要由林草用地转为建设用地和耕地以及水域转为未利用地引起。国家改革开放和西部大开发战略的推进，促进了林地1和草地1这类碳储存能力相对较强的植被类型被大量占用或转化，而建设用地和开垦面积显著增加，进而削弱了区域的碳储存能力。这一结论与Chen等[36]的研究一致，建设用地扩张和林草地退化是碳储量下降的主要原因。此外，有研究进一步指出，建设用地增加不仅直接减少了植被覆盖，还通过改变地表水文过程间接影响了碳储存能力[37]。更值得注意的是，耕地增加导致了灌溉力度加大，水资源浪费，地下水位下降，水域面积减少转为未利用地，这与杨顺法等[38]的研究结果相符。2000—2010年在退耕还林还草政策等生态政策的影响下，碳储存能力较高的林草地面积增加，耕地与建设用地面积减少，导致碳储量增加，于2010年达到峰值。全球气候变暖导致冰川积雪消融，部分水域转化为沼泽湿地，虽在本研究中将其归为未利用地，但其较高的碳密度对碳储量的增加起到了积极作用。这与已有的研究一致[39-40]，表明湿地生态系统在碳封存方面具有重要贡献。更值得注意的是，尽管水域面积减少，但其转化为沼泽湿地的过程在一定程度上抵消了碳储量的损失，这为干旱区碳储量管理提供了新的视角。2010—2022年碳储量下降，其主要的原因耕地和林草地转移为建设用地。新疆作为我国重要的产煤区，在“十四五“布局与规划期间修建了大批的能源化工厂，导致建设用地面积显著增加。而林地1和草地1有一定比例被建设用地占用，这对碳储量产生了负面影响[41]。这也表明，快速工业化与碳储量保护之间存在矛盾，如何在经济发展和生态保护之间取得平衡是未来区域可持续发展面临的重要挑战。
研究还发现，草地是新疆生态系统主要碳库，而未利用地次之。尽管未利用地在整体面积中占比约60%，主要为沙漠和戈壁滩，但其碳汇功能不容忽视。Yang等[42]的研究表明，沙漠生态系统可在缺乏光合作用的情况下吸收和封存CO2，为全球碳循环发挥着积极的贡献。此外，在二级土地分类中，将沼泽地湿地归类于未利用地类，其较高的碳密度对区域碳储量的贡献显著，这为干旱区研究提供了新的思路。新疆草地面积占比仅次于未利用地，其碳储存能力主要取决于植被覆盖度和土壤有机碳含量。因此，未来在草地管理中，应重点关注高覆盖度草地的保护与恢复，对全疆草地分布及变化情况进行后续监测和分析，以提升区域碳储量。

3.2 未来不同情景模式下的碳储量

在设置未来情景预测时，本研究充分考虑了新疆的现状和未来发展趋势。自然发展情景设置了建设用地只能转为未利用地，其他地类可互相转化；生态保护情景是将生态建设放在首位，限制了建设用地和高郁闭度林地之间的转化，除林地外，其余可转移为水域，以增加碳封存[43]；快速发展情景下，经济发展优先，除高郁闭度林地和高覆盖度草地不可以转为建设用地外，其余均可转化。对比3种情景的模拟结果，2030年和2060年的碳储量均呈现增加趋势，但生态保护情景更有利于碳储量的增加。EPS下的未利用地、耕地和建设用地向林草地的转化显著提高了区域的碳储存能力。这也表明了生态保护政策在提升碳储量方面具有显著优势，尤其是在干旱区生态系统中，林草地的恢复和扩展对碳封存具有重要贡献。
新疆地区土地利用转移主要发生在低覆盖度草地与未利用地之间，这表明草地生态系统在区域碳循环中扮演着重要角色。未来新疆生产建设需合理规划土地资源利用，强化草地的保护与恢复，在牧区实施“休牧+轮牧”等管理策略，控制放牧强度，在退化草地中开展人工草地建设和封育重建等管理制度，提升草地的固碳能力。其次，应严格落实生态保护红线制度，优先将高郁闭度林地和高覆盖度草地纳入红线保护范围，实行严格的管控政策，加强对生态保护区等重点区域的监管，在典型生态系统建立基于土地类型细分的碳储量评估与动态监测体系，确保区域生态系统稳定性与碳储量安全。此外，在具备条件地区推广复合经营和绿色循环体系，发展生态畜牧业、林下经济等绿色经济模式，提升生态空间经济转化能力与可持续性。

4 结论

（1） 新疆土地类型占比最多的为未利用地类，其次是覆盖度<20%的草地。耕地面积增加最多，共增加30019 km2；覆盖度<20%的草地减少最多，共减少21871 km2。未利用地和覆盖度<20%的草地之间土地转化最为强烈。到2030年和2060年，除了未利用地外，农田和草地是主要的土地利用结构。未来新疆生产建设应合理规划土地资源，严格生态保护政策，特别是加强草地管理，以提升新疆碳储存能力。
（2） 1980—2022年InVEST模型估计的碳存储数据2010年呈现最高值8.60 Pg，1980年显示最低6.89 Pg。以2010年为节点，呈现先升高后降低的趋势，年平均变化为3.67×107 t，主要原因是建设用地面积增加，林草地和水域面积减少。
（3） 2030年和2060年新疆地区碳储量分布格局整体与2022年较为相似，高值区域主要集中分布在阿尔泰山、天山山脉和塔里木盆地北缘。自然发展情景和快速发展情景下的碳储量均低于生态优先情景。未来新疆发展应积极落实生态保护战略，严格执行生态环境保护政策，以实现碳储量的持续提升。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Wang H, Zhou S L, Li X B, et al. The influence of climate change and human activities on ecosystem service value[J]. Ecological Engineering, 2016, 87: 224-239.

DOI

[2]
Cai B F, Zhang L, Lei Y, et al. A deeper understanding of the CO2 emission pathway under China’s carbon emission peak and carbon neutrality goals[J]. Engineering, 2023, 30: 27-29.

DOI

[3]
Guo W, Teng Y J, Li J, et al. A new assessment framework to forecast land use and carbon storage under different SSP-RCP scenarios in China[J]. Science of the Total Environment, 2024, 912: 169088, doi: 10.1016/j.scitotenv.2023.169088.

[4]
Chang X Q, Xing Y Q, Wang J Q, et al. Effects of land use and cover change (LUCC) on terrestrial carbon stocks in China between 2000 and 2018[J]. Resources, Conservation and Recycling, 2022, 182: 106333, doi: 10.1016/j.resconrec.2022.106333.

[5]
Zhang J T, Yang K, Wu J D, et al. Scenario simulation of carbon balance in carbon peak pilot cities under the background of the “dual carbon” goals[J]. Sustainable Cities and Society, 2024, 116: 105910, doi: 10.1016/j.scs.2024.105910.

[6]
赵佳俊, 侯鹏, 陈妍. 中国草地植被碳储量估算研究进展[J]. 生态学杂志, 2025, 44(5): 1678-1687.

[Zhao Jiajun, Hou Peng, Chen yan. Research progress on the estimation of vegetation carbon storage of grasslands in China[J]. Chinese Journal of Ecology, 2025, 44(5): 1678-1687.]

DOI

[7]
Zhu E Y, Deng J S, Zhou M M, et al. Carbon emissions induced by land-use and land-cover change from 1970 to 2010 in Zhejiang, China[J]. Science of the Total Environment, 2019, 646: 930-939.

DOI

[8]
孔君洽, 杨荣, 苏永中, 等. 基于土地利用/覆被变化的荒漠绿洲碳储量动态评估[J]. 生态学报, 2018, 38(21): 7801-7812.

[Kong Junqia, Yang Rong, Su Yongzhong, et al. Effect of land use and cover change on carbon stock dynamics in a typical desert oasis[J]. Acta Ecologica Sinica, 2018, 38(21): 7801-7812.]

[9]
Xu C L, Zhang Q B, Yu Q, et al. Effects of land use/cover change on carbon storage between 2000 and 2040 in the Yellow River Basin, China[J]. Ecological Indicators, 2023, 151: 110345, doi: 10.1016/j.ecolind.2023.110345.

[10]
史名杰, 武红旗, 贾宏涛, 等. 基于MCE-CA-Markov和InVEST模型的伊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 Mingjie, Wu Hongqi, Jia Hongtao, 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 Resources and Environment, 2021, 38(6): 1010-1019.]

[11]
Song K Y, Cheng W M, Wang B X, et al. Impact of landform on spatial-temporal distribution and scenario-based prediction of carbon stocks in arid regions: A case study of Xinjiang[J]. Catena, 2025, 250: 108781, doi: 10.1016/j.catena.2025.108781.

[12]
Li K M, Cao J J, Adamowski J F, et al. Assessing the effects of ecological engineering on spatiotemporal dynamics of carbon storage from 2000 to 2016 in the Loess Plateau area using the InVEST model: A case study in Huining County, China[J]. Environmental Development, 2021, 39: 100641, doi: 10.1016/j.envdev.2021.100641.

[13]
Liu J Y, Kuang W H, Zhang Z X, et al. Spatiotemporal characteristics, patterns, and causes of land-use changes in China since the late 1980s[J]. Journal of Geographical Sciences, 2014, 24(2): 195-210.

DOI

[14]
Gao H R, Gong J, Liu J K, et al. Effects of land use/cover changes on soil organic carbon stocks in Qinghai-Tibet Plateau: A comparative analysis of different ecological functional areas based on machine learning methods and soil carbon pool data[J]. Journal of Cleaner Production, 2024, 434: 139854, doi: 10.1016/j.jclepro.2023.139854.

[15]
Adelisardou F, Zhao W, Chow R, et al. Spatiotemporal change detection of carbon storage and sequestration in an arid ecosystem by integrating Google Earth Engine and InVEST (the Jiroft plain, Iran)[J]. International Journal of Environmental Science and Technology, 2022, 19(7): 5929-5944.

DOI

[16]
雷泽鑫, 罗俊杰, 张文正, 等. LUCC多情景模拟下黄土沟壑区流域径流响应规律及其适应性规划对策——以晋西三川河流域为例[J]. 生态学报, 2024, 45(3): 1090-1101.

[Lei Zexin, Luo Junjie, Zhang Wenzheng, et al. Response pattern of watershed runoff in loess gully area under LUCC multi-scenario simulation and its adaptive planning strategy: A case study of Sanchuan River Basin in west of Shanxi Province[J]. Acta Ecologica Sinica, 2024, 45(3): 1090-1101.]

[17]
Yin Y T, Lin G, Li X H, et al. Nature-based solutions still result in unfairness in carbon emissions[J]. Journal of Cleaner Production, 2024, 476: 143691, doi: 10.1016/j.jclepro.2024.143691.

[18]
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 Kaiqi, Chen Jianjun, Hou Jiankun, 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.]

[19]
Gong W F, Duan X Y, Sun Y X, et al. Multi-scenario simulation of land use/cover change and carbon storage assessment in Hainan coastal zone from perspective of free trade port construction[J]. Journal of Cleaner Production, 2023, 385: 135630, doi: 10.1016/j.jclepro.2022.135630.

[20]
秦艳培, 徐少君, 田耀武. 黄河流域河南段植被和土壤及其碳密度空间分异研究[J]. 生态环境学报, 2022, 31(9): 1745-1753.

DOI

[Qin Yanpei, Xu Shaojun, Tian Yaowu. The spatial differentiation of vegetation and soil carbon density in Henan section of the Yellow River Basin[J]. Ecology and Environmental Sciences, 2022, 31(9): 1745-1753.]

[21]
Spohn M, Bagchi S, Biederman L A, et al. The positive effect of plant diversity on soil carbon depends on climate[J]. Nature Communications, 2023, 14(1): 6624, doi: 10.1038/s41467-023-42340-0.

PMID

[22]
薛晶月, 王丽华, 谢雨, 等. 西南地区草地群落灌木植物盖度对生态系统碳库的影响[J]. 植物生态学报, 2019, 43(4): 365-373.

DOI

[Xue Jingyue, Wang Lihua, Xie Yu, et al. Effect of shrub coverage on grassland ecosystem carbon pool in southwestern China[J]. Chinese Journal of Plant Ecology, 2019, 43(4): 365-373.]

DOI

[23]
王云霓, 曹恭祥, 王彦辉, 等. 宁夏六盘山华北落叶松人工林植被碳密度特征[J]. 林业科学, 2015, 51(10): 10-16.

[Wang Yunni, Cao Gongxiang, Wang Yanhui, et al. Characteristics of biomass carbon density of Larix principis-rupprechtii plantation in Liupan Mountains of Ningxia[J]. Scientia Silvae Sinicae, 2015, 51(10): 10-16.]

[24]
Verburg P H, Crossman N, Ellis E C, et al. Land system science and sustainable development of the earth system: A global land project perspective[J]. Anthropocene, 2015, 12: 29-41.

DOI

[25]
付玮, 夏文浩, 樊童生, 等. 塔里木河流域生态系统碳储量的情景预测分析[J]. 干旱区地理, 2024, 47(4): 634-647.

DOI

[Fu Wei, Xia Wenhao, Fan Tongsheng, et al. Scenario projection analysis of ecosystem carbon stocks in the Tarim River Basin[J]. Arid Land Geography, 2024, 47(4): 634-647.]

DOI

[26]
韩楚翘, 郑江华, 王哲, 等. 基于PLUS-InVEST模型吐哈盆地陆地生态系统碳储量时空变化及多情景模拟[J]. 干旱区地理, 2024, 47(2): 260-269.

DOI

[Han Chuqiao, Zheng Jianghua, Wang Zhe, et al. Spatiotemporal variation and multiscenario simulation of carbon storage in terrestrial ecosystems in the Turpan-Hami Basin based on PLUS-InVEST model[J]. Arid Land Geography, 2024, 47(2): 260-269.]

DOI

[27]
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, 168: 94-116.

DOI

[28]
Shen L, Zeng Q. Multiscenario simulation of land use and land cover in the Zhundong mining area, Xinjiang, China[J]. Ecological Indicators, 2022, 145: 109608, doi: 10.1016/j.ecolind.2022.109608.

[29]
许澳康, 胡梦珺, 石晶, 等. 基于PLUS-InVEST模型的石羊河流域生态系统碳储量时空变化及多情景模拟[J/OL]. 中国环境科学. [2023-12-12]. https://doi.org/10.19674/j.cnki.issn1000-6923.20231211.016.

[Xu Aokang, Hu Mengjun, Shi Jing, et al. Spatial and temporal variability of ecosystem carbon storages and multi-scenario simulation based on the PLUS-InVEST model in the Shiyang River Basin[[J/OL]. China Environmental Science. [2023-12-12]. https://doi.org/10.19674/j.cnki.issn1000-6923.20231211.016.]

[30]
卢雅焱, 徐晓亮, 李基才, 等. 基于InVEST模型的新疆天山碳储量时空演变研究[J]. 干旱区研究, 2022, 39(6): 1896-1906.

DOI

[Lu Yayan, Xu Xiaoliang, Li Jicai, et al. Research on the spatio-temporal variation of carbon storage in the Xinjiang Tianshan Mountains based on the InVEST model[J]. Arid Zone Research, 2022, 39(6): 1896-1906.]

DOI

[31]
Huang M L, Mamitimin Y, Abulizi A, et al. Integrated assessment of land use and carbon storage changes in the Tulufan-Hami Basin under the background of urbanization and climate change[J]. International Journal of Applied Earth Observation and Geoinformation, 2024, 135: 104261, doi: 10.1016/j.jag.2024.104261.

[32]
匡文慧, 张树文, 杜国明, 等. 2015—2020年中国土地利用变化遥感制图及时空特征分析[J]. 地理学报, 2022, 77(5): 1056-1071.

DOI

[Kuang Wenhui, Zhang Shuwen, Du Guoming, et al. Remotely sensed mapping and analysis of spatio-temporal patterns of land use change across China in 2015—2020[J]. Acta Geographica Sinica, 2022, 77(5): 1056-1071.]

DOI

[33]
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: 107770, doi: 10.1016/j.ecolind.2021.107770.

[34]
傅楷翔, 贾国栋, 余新晓, 等. 耦合PLUS-InVEST-Geodector模型的新疆地区碳储量时空变化及驱动机制分析[J]. 环境科学, 2024, 45(9): 5416-5430.

[Fu Kaixiang, Jia Guodong, Yu Xinxiao, et al. Analysis of temporal and spatial carbon stock changes and driving mechanism in Xinjiang region by coupled PLUS-InVEST-Geodector model[J]. Environmental Science, 2024, 45(9): 5416-5430.]

[35]
刘洋, 李诚志, 刘志辉, 等. 1982—2013年基于GIMMS-NDVI的新疆植被覆盖时空变化[J]. 生态学报, 2016, 36(19): 6198-6208.

[Liu Yang, Li Chengzhi, Liu Zhihui, et al. Assessment of spatio-temporal variations in vegetation cover in Xinjiang from 1982 to 2013 based on GIMMS-NDVI[J]. Acta Ecologica Sinica, 2016, 36(19): 6198-6208.]

[36]
Chen X, Yu L, Hou S, et al. Unraveling carbon stock dynamics and their determinants in China’s Loess Plateau over the past 40 years[J]. Ecological Indicators, 2024, 159: 111760, doi: 10.1016/j.ecolind.2024.111760.

[37]
Wu B W, Zhang Y Y, Wang Y, et al. Urbanization promotes carbon storage or not? The evidence during the rapid process of China[J]. Journal of Environmental Management, 2024, 359: 121061, doi: 10.1016/j.jenvman.2024.121061.

[38]
杨顺法, 昝梅, 袁瑞联, 等. 基于 PLUS与 InVEST模型的新疆碳储量变化及预测[J]. 环境科学, 2025, 46(1): 378-387.

[Yang Shunfa, Zan Mei, Yuan Ruilian, et al. Carbon stock changes and forecasting in Xinjiang based on PLUS and InVEST model approach[J]. Environmental Science, 2025, 46(1): 378-387.]

[39]
Villa J A, Bernal B. Carbon sequestration in wetlands, from science to practice: An overview of the biogeochemical process, measurement methods, and policy framework[J]. Ecological Engineering, 2018, 114: 115-128.

DOI

[40]
翟夏杰, 崔丽娟, 李伟, 等. 中国典型湿地生态系统的固碳价值研究[J]. 水生态学杂志, 2024, 45(6): 1-8.

[Zhai Xiajie, Cui Lijuan, Li Wei, et al. Carbon sequestration by typical wetland ecosystems in China[J]. Journal of Hydroecology, 2024, 45(6): 1-8.]

[41]
李瑞明, 周梓欣, 张伟, 等. “十四五”以来新疆煤炭地质工作进展及发展方向[J]. 新疆地质, 2024, 42(1): 7-13.

[Li Ruiming, Zhou Zixin, Zhang Wei, et al. The progress and development direction of coal ggeological work in Xinjiang during the 14th Five Year Plan period[J]. Xinjiang Geology, 2024, 42(1): 7-13.]

[42]
Yang F, Huang J P, Zhou C L, et al. Desert abiotic carbon sequestration weakening by precipitation[J]. Environmental Science & Technology, 2023, 57(18): 7174-7184.

DOI

[43]
黄子豪, 杜华强, 李雪建, 等. 土地利用/覆盖变化及其对森林碳收支影响研究综述[J]. 遥感学报, 2025, 29(1): 49-69.

[Huang Zihao, Du Huaqiang, Li Xuejian, et al. Review of research on land use/cover change and its impact on forest carbon balance[J]. National Remote Sensing Bulletin, 2025, 29(1): 49-69.]

DOI

Options
文章导航

/

〈 〉