EN中文

干旱区研究 >

2024 , Vol. 41 >Issue 7: 1228 - 1237

DOI: https://doi.org/10.13866/j.azr.2024.07.14

生态与环境

基于PLUS-InVEST模型的天山北坡生态系统碳储量时空变化与预测

  • 张顺鑫 ,
  • 吴子豪 ,
  • 闫庆武 ,
  • 李桂娥 ,
  • 牟守国
展开
  • 中国矿业大学公共管理学院，江苏 徐州 221116
牟守国. E-mail:

张顺鑫（2000-），男，硕士研究生，主要从事土地资源管理研究. E-mail:

收稿日期: 2023-11-02

  修回日期: 2024-06-17

  网络出版日期: 2025-08-14

基金资助

第三次新疆综合科学考察项目(2022xjkk1004)

收起

Spatiotemporal changes in the ecosystem carbon storage on the northern slope of the Tianshan Mountains and simulations based on the PLUS-InVEST model

  • ZHANG Shunxin ,
  • WU Zihao ,
  • YAN Qingwu ,
  • LI Gui’e ,
  • MU Shouguo
Expand
  • School of Public Policy & Management, China University of Mining and Technology, Xuzhou 221116, Jiangsu, China

Received date: 2023-11-02

  Revised date: 2024-06-17

  Online published: 2025-08-14

Fold

摘要

土地利用变化作为影响陆地生态系统碳储量的重要因素，研究两者间的关系对维持区域碳平衡和实现双碳目标具有重要意义。基于第三次新疆综合科学考察背景，分析天山北坡1990年、2000年、2010年、2020年土地利用变化与碳储量的定量关系，结合PLUS和InVEST模型，模拟在历史趋势、水资源保护和经济发展3种情景下2030年区域碳储量的空间格局。结果表明：（1） 草地和裸地是天山北坡主要土地覆被类型，1990—2020年耕地、林地、水域、建设用地和湿地面积增加，耕地面积增加最多，其余土地利用类型面积减少，草地减少最多。（2） 1990—2020年天山北坡碳储量呈“先升后降”趋势，草地、裸地、耕地和林地间的转化是总碳储量变化的主要成因。（3） 3种情景下碳储量均低于2020年水平，经济发展情景减幅最为显著，草地减少、裸地增加是碳损失的主要原因。

关键词： 土地利用变化; 碳储量; PLUS模型; InVEST模型; 天山北坡

本文引用格式

张顺鑫 , 吴子豪 , 闫庆武 , 李桂娥 , 牟守国 . 基于PLUS-InVEST模型的天山北坡生态系统碳储量时空变化与预测[J]. 干旱区研究, 2024 , 41(7) : 1228 -1237 . DOI: 10.13866/j.azr.2024.07.14

Abstract

As land use change is a critical factor affecting carbon storage in terrestrial ecosystems, investigating the correlations between the two is of great significance for maintaining the regional carbon balance and achieving carbon peaking and carbon neutrality goals. Based on the Third Comprehensive Scientific Expedition of Xinjiang, this study analyzes the quantitative relationship between land use change and carbon storage on the northern slope of Tianshan Mountains in 1990, 2000, 2010, and 2020. It also simulates the probable spatial distribution of regional carbon storage in 2030 under the three scenarios of historical trend, water resource conservation, and economic development by combining the PLUS and InVEST models. The findings revealed the following: (1) Grassland and barren constitute the main land cover types on the northern slope of Tianshan Mountains; the area of cropland, forest, construction land, and wetland, as well as water, increased between 1990 and 2020; cropland increased most significantly, while the others decreased, most considerably in grassland. (2) Carbon storage on the northern slope of Tianshan Mountains first enhanced and then declined from 1990 to 2020, with conversions among the grassland, barren, cropland, and forest being the primary drivers of alterations in total carbon storage. (3) The carbon storage under all three scenarios was lower than the 2020 level, with the most remarkable reduction in the economic development scenario. A decrease in grassland and an increase in barren are the leading causes of carbon loss.

Key words： land use change; carbon storage; PLUS model; InVEST model; northern slope of Tianshan Mountains

碳排放导致全球气候变暖是当今影响人类长久生存与持续发展的重大因素之一[1]。IPCC第四次评估报告已经证实全球气候变暖是毋庸置疑的[2]，并呼吁各国通过多种途径实现大幅减排。“十四五”规划中确定实施以碳强度控制为主，碳排放总量控制为辅的发展办法。土地利用变化是全球碳排放的第二大来源[3]，其原因是不同土地利用类型的碳储存能力差异较大[4-5]。此外，土地覆盖类型变化会导致植被分布随之改变，进而影响碳储量[6]，快速城镇化加剧了碳排放量升高[7-8]。合理规划与预测土地利用变化，减缓高碳密度土地利用类型面积减少趋势是当前最直接有效的固碳办法。
近年来，学者们基于土地利用预测碳储量变化的研究成果已较为丰富。应用较广泛的预测模型有SD[9]、Logistic-CA[10]、CA-Markov[11]、FLUS[12-13]、以及CLUE-S[14]等。这些模型的模拟精度虽已较高，但尚不能透彻分析驱动因子对土地变化的贡献程度。PLUS模型可以获得更高的精度和更相似的景观，其保留了基于赌盘的自适应惯性竞争机制[15]，林彤等[16]、于芝琳等[17]、汪勇政等[18]分别采用PLUS-InVEST模型对广东省、淮北市、安徽省的碳储量进行预测与研究。当前，PLUS模型主要用于中部和东部生物资源丰富、气候环境适宜的地区[19⇓⇓-22]，对干旱区研究较少。自然气候条件作为PLUS模型中重要的驱动因子，其空间异质性可能影响土地变化程度，尤其在干旱区。
天山北坡是天山北坡经济带的组成部分，区域经济欠发达，但集中了新疆83%的重工业和66%的轻工业，已成为新疆经济社会发展的核心区域。区域水资源分布极不平衡，南部山地、林地降水多，主要来源为降雨与高山融雪，北部平原少。森林生态系统具有水源涵养和固碳的功能，对于维系北坡农业与城镇发展具有极重要的作用[23]。然而，近年来气候变暖及过度放牧现象提高了草原生态脆弱性，并且草地退化后不易恢复，这可能导致巨量碳排放。因此，本文以天山北坡为研究区，采用1990—2020年土地利用数据，将PLUS和InVEST模型结合，分析了天山北坡1990—2030年碳储量的时空变化特征，以期为科学制定并实施干旱区生态系统管理政策提供科学依据。

1 数据与方法

1.1 研究区概况

天山北坡位于新疆北部（42°54′~46°14′N，79°54′~91°39′E），面积约为1.49×105 km2，占新疆面积的8.9%（图1），其中，城镇开发、绿洲面积仅占1%，裸地占总面积的40%，主要集中在北部和东部，森林、湿地集中于南部、西部，土地利用空间格局差异大。其气候属于典型的干旱性气候，昼夜温差大，年平均温差25 ℃，年平均气温5.5 ℃，年平均降水212 mm。天山北坡地势呈现南高北低的格局，最高峰博格达峰海拔5445 m，平均海拔1170 m。
图1 研究区示意图

注：底图采用自然资源部标准地图制作，审图号为GS(2022)4299，对底图边界无修改，下同。

Fig. 1 Diagram of the study area

1.2 数据来源与修正

1.2.1 数据来源

本文使用的土地利用数据来源于中国年度土地覆盖数据集，分类为耕地、林地、灌木、草地、水域、冰川/积雪、裸地、建设用地和湿地9大类。土地利用及驱动因子数据来源见表1，驱动因子空间分布态势见图2。
表1 数据来源

Tab. 1 Data sources

数据类型 数据名称 分辨率 数据来源
地形 DEM 30 m 地理空间数据云（https://www.gscloud.cn）
坡度 在ArcGIS中基于DEM数据，采用“坡度”工具获取
气候 年平均气温 1 km 国家青藏高原科学数据中心（https://data.tpdc.ac.cn）
年平均降水
NDVI 30 m 科学数据银行（https://www.scidb.cn）
经济 人口密度 1 km WorldPop数据集（https://hub.worldpop.org）
GDP 中国科学院资源环境科学与数据中心（https://www.resdc.cn)
区位 到高速公路的距离 30 m OSM数据经ArcGIS“欧氏距离”工具获取（https://www.openstreetmap.org）
到国道的距离
到省道的距离
到县道的距离
到铁路的距离
到河流的距离
土地利用数据 中国年度土地覆盖数据集（https://zenodo.org）
图2 天山北坡2020年土地利用变化潜在驱动因子

Fig. 2 Potential drivers of land use change on the northern slope of Tianshan Mountains in 2020

1.2.2 碳密度修正

已有研究表明碳密度会受到气候与土壤的影响，因此需要对天山北坡碳密度数据进行修正[20,24]。碳密度数据首选相邻地区实测数据，其次为已有的研究成果[23,25-26]。根据Alam等[27]、陈光水等[28]、Giardina等[29]提出的修正方法，修正得到天山北坡碳密度（表2）。
表2 天山北坡不同土地利用类型碳密度

Tab. 2 Carbon density of different land use types on the northern slope of Tianshan Mountains /（t·km-2）

土地利
用类型		 地上碳密度 地下碳密度 土壤碳密度 死亡有机物碳密度
耕地 51.79 61.49 7073.94 124.00
林地 551.67 162.86 9956.53 248.00
灌木 78.30 51.42 5895.74 80.00
草地 8.71 76.58 6975.63 22.00
水域 11.41 8.10 0.00 0.00
冰川/积雪 0.00 0.00 0.00 0.00
裸地 8.10 15.46 3559.78 0.00
建设用地 40.38 25.90 0.00 0.00
湿地 33.01 26.39 19640.14 0.00

1.3 研究方法

1.3.1 PLUS模型

PLUS模型由基于两期土地利用数据提取土地扩张、根据驱动力因子的土地扩张分析策略（LEAS）和基于多类型随机斑块种子的元胞自动机（CARS）三部分组成[30]。
LEAS模块从土地扩张的增加部分中采样，获得不同土地利用类型的惯性概率。CARS模块中土地利用需求采用下文多情景设定中的规则预测，转换矩阵结合天山北坡特征与前人研究成果设置[31]，邻域权重根据土地扩张图计算的各土地利用类型变化面积占总变化面积的比值确定。
为了检验PLUS模型的适用性，通过2010年土地利用模拟2020年土地利用情况，将结果同2020年真实土地利用面积对比，检验得到Kappa系数为0.86，OA为0.90，当Kappa≥0.75时说明模型模拟结果良好[32]。因此，本文认为PLUS模型可以用于天山北坡2030年土地利用预测。

1.3.2 InVEST模型碳储量评估

InVEST模型是为生态系统管理和决策提供支持而发展起来的模型体系[10]。陆地生态系统碳储量很大程度上取决于地上生物碳储量、地下生物碳储量、土壤碳储量和死亡有机质碳储量。碳储量计算公式如下：
C j = C j - a b o v e + C j - b e l o w + C j - s o i l + C j - d e a d
C j - t o t a l = C j × S j
C t o t a l = ∑ j = 1 n C j - t o t a l
式中： C j、 C j - a b o v e、 C j - b e l o w、 C j - s o i l、 C j - d e a d为土地利用类型 j的总碳密度、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（t·hm-2）； S j为土地利用类型 j的面积（hm2）； C j - t o t a l、 C t o t a l为土地利用类型 j、天山北坡的总碳储量（t）。

1.3.3 多情景设定

基于天山北坡社会经济现状与自然生态环境，结合干旱区水资源节约和发展需求，本文根据1990—2020年土地利用转移矩阵中不同土地利用类型面积转换大小，参考已有干旱区研究成果[33⇓-35]，设定历史趋势情景、水资源保护情景和经济发展情景，情景设定与转移概率规则如下。
（1） 历史趋势情景是基于天山北坡1990—2020年土地利用的历史发展趋势，保持PLUS模型训练时转换矩阵和领域权重参数不变，使用马尔科夫链预测2030年土地利用需求。
（2） 水资源保护情景是基于干旱区自然气候条件设置的情景。天山北坡处于干旱内陆区，年均降水仅为212 mm，保证区域水资源的可持续利用，满足人类生产生活用水，限制水体向其他土地利用类型转变十分必要。森林生态系统具有水源涵养等功能，对于缓解区域结构性缺水具有重要意义，应适当增加林地面积。在此情景下，将水域向除耕地、湿地、林地外的其他土地利用类型转移概率减少60%，建设用地向水域、林地转移概率提高10%，草地向水域、林地转移概率提高40%，裸地向水域和林地转移概率分别提高40%和20%，林地向耕地、草地转移概率降低50%，灌木、耕地向林地转移概率分别增加40%、20%。
（3） 经济发展情景是鉴于天山北坡经济带对新疆发展的重要性。城镇、交通和资源优势，使得历年天山北坡GDP总值占新疆40%以上。在这种情景下，社会经济发展作为第一驱动力，将耕地向建设用地转移概率增加10%，林地、水域和湿地向建设用地转移概率增加20%，草地、裸地向建设用地转移概率增加40%，建设用地向除耕地外的其他土地利用类型转移概率降低40%。

2 结果与分析

2.1 1990—2020年土地利用和碳储量变化

天山北坡裸地和草地为主要土地利用类型，面积占比分别为40%和38%。由图3所示，1990—2020年耕地转入10637.49 km2，呈逐期增加态势，转入集中分布于天山北坡中部；转入的林地有97%以上为草地，天山山麓相对适宜的气候为转移提供了条件；草地和裸地互为最大的转入类型。草地是增减变化最大的土地利用类型，主要转出为耕地，面积达7342.25 km2。近30 a社会经济快速发展，加之西部大开发战略提出到深入实施，建设用地扩张面积1406.44 km2，基本无转出，“一带一路”及对口支援政策促进了人口增长，也推动了耕地面积增加。但煤炭开采、气候变暖等因素加剧了生态脆弱性，导致草地退化为裸地，尤其在2010—2020年较突出。总体来看，耕地、草地、裸地和建设用地间的转化是天山北坡土地利用类型的主要变化特征。
图3 天山北坡1990—2020年土地利用转移矩阵（km2）

Fig. 3 Land use transition matrix from 1990 to 2020 on the northern slope of Tianshan Mountains

根据修正后的天山北坡碳密度数据，估算四期碳储量并分析变化特征（表3，图4），1990—2020年碳储量呈先升后降趋势，空间上呈南高北低的分布格局。1990—2000年碳储量增加2.45×106 t，耕地是碳储量增加的主要贡献土地利用类型；2000—2010年碳储量增加1.47×107 t，裸地转为草地，草地进一步转为耕地和林地加强了区域固碳能力；2010—2020年碳储量减少1.12×107 t，大量草地退化为裸地是碳损失的重要原因。30 a间，碳储量增加5.91×106 t，碳储量不变的区域面积占82.32%，减少和增加面积占6.22%和11.46%。草地因经济发展和气候变化面积不断减少，碳损失达5.99×107 t，耕地、林地、建设用地碳储量相应增加。
表3 天山北坡1990—2020年不同土地利用类型碳储量

Tab. 3 Carbon storage of different land use types on the northern slope of Tianshan Mountains from 1990 to 2020 /104 t

土地利用类型 1990年 2000年 2010年 2020年 土地利用类型 1990年 2000年 2010年 2020年
耕地 10442.75 11510.24 15543.89 16453.72 冰川/积雪 0.00 0.00 0.00 0.00
林地 2921.97 3667.97 4114.96 4492.31 裸地 22373.26 22179.95 20260.68 21359.94
灌木 0.30 0.04 0.02 0.18 建设用地 1.53 3.71 7.39 10.85
草地 46347.76 44970.54 43872.70 40359.76 湿地 0.87 0.84 0.85 1.06
水域 2.69 3.33 3.92 3.93 总计 82091.13 82336.62 83804.41 82681.75
图4 天山北坡1990—2020年碳储量空间分布

Fig. 4 Spatial distribution of carbon storage on the northern slope of Tianshan Mountains from 1990 to 2020

2.2 2030年多情景土地利用和碳储量变化

采用PLUS预测2030年天山北坡历史趋势、水资源保护和经济发展情景下的土地利用类型面积（表4，图5）。3种情景的土地利用变化基本一致，耕地、林地、裸地、建设用地、灌木和湿地面积均增加；草地、冰川/积雪面积呈减少趋势；水域在不同情景下存在增加或减少。
表4 2030年3种情景下预测土地利用类型面积

Tab. 4 Prediction of land use type area under three scenarios in 2030 /km2

土地利用类型 历史趋势情景 水资源保护情景 经济发展情景
耕地 23376.13 23360.71 23357.68
林地 4433.79 4566.95 4433.28
灌木 0.36 0.45 0.44
草地 52969.71 52790.99 52898.10
水域 2019.50 2212.21 2013.50
冰川/积雪 2196.84 2118.95 2202.76
裸地 62061.04 61945.84 61998.42
建设用地 2078.90 2140.16 2232.11
湿地 0.64 0.64 0.64
图5 2030年3种情景土地利用预测空间分布

Fig. 5 Spatial distribution prediction of land use under three scenarios in 2030

具体来看，历史趋势情景中裸地面积增加最多，建设用地增长幅度最大，为27.02%。草地减少面积占总减少面积的98.10%；水资源保护情景下，水域和林地面积与2020年相比分别增加196.85 km2和452.76 km2，艾比湖水域面积明显增加（图5b1），该情景是草地减少最多的情景，共减少4190.79 km2；经济发展情景下，建设用地面积增加595.49 km2，增幅36.39%，为3种情景中最高，建设用地极快速扩张来源于对城镇周边耕地、林地的侵占，乌鲁木齐市附近显著（图5c2），该情景是水域面积减少的唯一情景。
相比2020年，3种情景下碳储量均有所下降（表5），历史趋势、水资源保护和经济发展情景碳储量分别减少9.74×106 t、1.01×107 t和1.06×107 t，经济发展情景碳损失最大。历史趋势情景碳储量降幅最小，耕地、裸地、林地碳储量增加6.37×106 t、8.79×106 t、3.49×106 t，草地碳储量较2020年减少2.84×107 t。水资源保护情景下，草地碳储量损失最多，比历史趋势情景减少1.27×106 t（图6），林地碳储量比历史趋势情景增加1.45×106 t，提升了区域固碳能力，但水域碳密度较低，草地转为水域是碳损失的一大因素。经济发展情景中，建设用地碳储量增加为3种情景中最多，达1.48×105 t，草地碳储量减少最多，共减少2.89×107 t。
表5 3种情景下的碳储量及变化（较2020年）

Tab. 5 Carbon storage and changes (compared to 2020) under three scenarios /104 t

土地利用类型 历史趋势情景 变化（较2020年） 水资源保护情景 变化（较2020年） 经济发展情景 变化（较2020年）
耕地 17090.80 637.09 17079.53 625.81 17077.31 623.59
林地 4841.28 348.96 4986.68 494.37 4840.72 348.41
灌木 0.22 0.05 0.28 0.10 0.27 0.09
草地 37518.04 -2841.72 37391.45 -2968.31 37467.32 -2892.44
水域 3.94 0.01 4.32 0.38 3.93 0.00
冰川/积雪 0.00 0.00 0.00 0.00 0.00 0.00
裸地 22238.60 878.67 22197.32 837.39 22216.16 856.23
建设用地 13.78 2.93 14.18 3.34 14.79 3.95
湿地 1.26 0.20 1.26 0.20 1.26 0.20
总计 81707.92 -973.81 81675.02 -1006.72 81621.76 -1059.97
图6 天山北坡2030年碳储量空间分布及变化（较2020年）

Fig. 6 Spatial distribution and variation (compared to 2020) of carbon storage on the northern slope of Tianshan Mountains in 2030

3 讨论

了解LULC对碳储量的影响对适应全球气候变化至关重要，土地利用变化导致全球陆地生态系统碳储量损失已是事实。1990—2030年天山北坡碳储量变化主要是由于草地面积减少，全球气候变暖导致干旱气候加剧，草原生态系统受到威胁，此外，还存在过度放牧、土壤侵蚀，使草地退化为裸地，这与Zhang等[36]的研究相符。徐自为等[37]认为建设用地占用耕地、林地是碳损失的主要原因，这与乌鲁木齐市周边碳储量减少具有一致性。3种情景下碳储量均低于2020年水平，但导致碳损失的机理存在差异。历史趋势情景中，全球变暖的影响持续，草地退化程度加剧，草原生态系统碳储存功能减弱。水资源保护情景下，草地转向水域和林地的面积增加，虽然森林生态系统碳储量提升明显，但水域碳密度远低于草地碳密度导致地区碳损失。预防草地退化是增加碳储量的重要措施，保护水资源也是天山北坡可持续发展的动力，优化土地利用空间格局是解决这一问题的关键手段，结合《新疆生态环境保护“十四五”规划》和草原生态保护补助奖励政策，应着重减缓草地向裸地转移，确保地表、地下径流不减少。经济发展情景是碳损失最多的情景，建设用地快速扩张，草地退化速率提高。3种情景下耕地碳储量均增加，不同于东部、中部地区建设用地侵占耕地导致碳储量减少的情况，草地退化为裸地是西北地区碳损失的最重要因素，增加植被覆盖度是天山北坡提升碳储量的关键[38]，但地区植被退化现象一直存在[39-40]，天山北坡在未来的管理决策中应重视提高水资源利用效率，权衡经济发展与水资源保护间的关系，提升草原生态系统固碳能力，促进区域高质量发展。

4 结论

本文使用PLUS模型预测2030年历史趋势、水资源保护和经济发展3种情景下土地利用空间格局，同时通过InVEST模型分析1990—2030年天山北坡碳储量及变化。主要结论如下：
（1） 1990—2020年耕地、草地、裸地和建设用地间的转化是天山北坡土地利用的主要变化特征，草地和裸地分别占天山北坡总面积的38%和40%。2030年3种情景草地面积减少显著，林地和裸地面积增加趋势明显。水资源保护情景水域和林地相比2020年增加196.85 km2和452.76 km2，经济发展情景建设用地扩张幅度最大，增加595.49 km2。
（2） 1990年、2000年、2010年和2020年天山北坡碳储量分别为8.21×108 t、8.23×108 t、8.38×108 t和8.27×108 t，呈先升后降趋势，下降的主要原因为草地退化。3种情景总碳储量均低于2020年水平，经济发展情景碳储量损失最多。
（3） 确保水资源以减缓草地退化是提升区域碳储量的关键，天山北坡未来发展需要权衡水资源保护和经济发展间的关系，以《新疆生态环境保护“十四五”规划》为契机，推动划定水资源保护区和草地保护红线，加强区域固碳能力。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Kotlarski S, Gobiet A, Morin S, et al. 21st Century alpine climate change[J]. Climate Dynamics, 2023, 60(1-2): 65-86.

[2]
Vera C, Silvestri G, Liebmann B, et al. Climate change scenarios for seasonal precipitation in South America from IPCC-AR4 models[J]. Geophysical Research Letters, 2006, 33(13): L13707.

[3]
张俊峰, 张安录, 董捷. 武汉城市圈土地利用碳排放效应分析及因素分解研究[J]. 长江流域资源与环境, 2014, 23(5): 595-602.

[Zhang Junfeng, Zhang Anlu, Dong Jie. Carbon emission effect of land use and influencing factors decomposition of carbon emission in Wuhan Urban Agglomeration[J]. Resources and Environment in the Yangtze Basin, 2014, 23(5): 595-602.]

[4]
付超, 于贵瑞, 方华军, 等. 中国区域土地利用/覆被变化对陆地碳收支的影响[J]. 地理科学进展, 2012, 31(1): 88-96.

[Fu Chao, Yu Guirui, Fang Huajun, et al. Effects of land use and cover change on terrestrial carbon balance of China[J]. Progress in Geography, 2012, 31(1): 88-96.]

[5]
陈广生, 田汉勤. 土地利用/覆盖变化对陆地生态系统碳循环的影响[J]. 植物生态学报, 2007, 31(2): 189-204.

[Chen Guangsheng, Tian Hanqin. Land use/cover change effects on carbon cycling in terrestrial ecosystems[J]. Journal of Plant Ecology, 2007, 31(2): 189-204.]

[6]
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.

[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.]

[7]
田一豆, 赵先超. 基于Markov-PLUS模型的长株潭城市群建设用地扩张模拟及碳排放响应分析[J]. 生态学报, 2024, 44(1): 129-142.

[Tian Yidou, Zhao Xianchao. Simulation of construction land expansion and carbon emission response analysis of Changsha-Zhuzhou-Xiangtan Urban Agglomeration based on Markov-PLUS model[J]. Acta Ecologica Sinica, 2024, 44(1): 129-142.]

[8]
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 Xiaozhe, Wang Zheng. 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.]

[9]
张长勤, 徐小琪, 吴坚. 基于系统动力学的土地利用变化研究——以池州市为例[J]. 山东农业大学学报(自然科学版), 2014, 45(1): 110-115.

[Zhang Changqin, Xu Xiaoqi, Wu Jian. Study on variation of land using based on ssystem dynamics——Chizhou City taking as example[J]. Journal of Shandong Agricultural University (Natural Science Edition), 2014, 45(1): 110-115.]

[10]
吴大放, 刘艳艳, 王朝晖. 基于Logistic-CA的珠海市耕地变化机理分析[J]. 经济地理, 2014, 34(1): 140-147.

[Wu Dafang, Liu Yanyan, Wang Zhaohui. Mechanism of cultivated land change in Zhuhai City based on a Logistic-CA model[J]. Economic Geography, 2014, 34(1): 140-147.]

[11]
侯西勇, 常斌, 于信芳. 基于CA-Markov的河西走廊土地利用变化研究[J]. 农业工程学报, 2004, 20(5): 286-291.

[Hou Xiyong, Chang Bin, Yu Xinfang. Land use change in Hexi corridor based on CA-Markov methods[J]. Transactions of the Chinese Society of Agricultural Engineering, 2004, 20(5): 286-291.]

[12]
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 Xu, Ma Bowen, Li Dan, 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.]

[13]
李立, 胡睿柯, 李素红. 基于改进FLUS模型的北京市低碳土地利用情景模拟[J]. 自然资源遥感, 2023, 35(1): 81-89.

[Li Li, Hu Ruike, Li Suhong. Simulations of the low-carbon land use scenarios of Beijing based on the improved FLUS model[J]. Remote Sensing for Natural Resources, 2023, 35(1): 81-89.]

[14]
许小亮, 李鑫, 肖长江, 等. 基于CLUE-S模型的不同情景下区域土地利用布局优化[J]. 生态学报, 2016, 36(17): 5401-5410.

[Xu Xiaoliang, Li Xin, Xiao Changjiang, et al. Land use layout optimization under different scenarios by using the CLUE-S model[J]. Acta Ecologica Sinica, 2016, 36(17): 5401-5410.]

[15]
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.]

[16]
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 Muzhuang, Wu Dafang, 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.]

[17]
于芝琳, 赵明松, 高迎凤, 等. 基于InVEST-PLUS模型的淮北市碳储量时空演变及预测[J]. 环境科学, 2024, 45(6): 3270-3283.

[Yu Zhilin, Zhao Mingsong, Gao Yingfeng, et al. Spatio-temporal evolution and prediction of carbon storage in Huaibei City based on InVEST-PLUS Model[J]. Environmental Science, 2024, 45(6): 3270-3283.]

[18]
汪勇政, 徐雅利, 余浩然. 基于PLUS-InVEST模型的安徽省碳储量时空变化预测[J]. 水土保持通报, 2023, 43(3): 277-289.

[Wang Yongzheng, Xu Yali, Yu Haoran. Prediction of spatial and temporal changes of carbon stocks in Anhui Province based on PLUS-InVEST Model[J]. Bulletin of Soil and Water Conservation, 2023, 43(3): 277-289.]

[19]
巩晟萱, 张玉虎, 李宇航. 基于PLUS-InVEST模型的京津冀碳储量变化及预测[J]. 干旱区资源与环境, 2023, 37(6): 20-28.

[Gong Shengxuan, Zhang Yuhu, Li Yuhang. Spatio-temporal variation and prediction of carbon storage in Beijing-Tianjin-Hebei region: A PLUS-InVEST model approach[J]. Journal of Arid Land Resources and Environment, 2023, 37(6): 20-28.]

[20]
胡佶熹, 勒先文, 王卫林, 等. 基于PLUS-InVEST模型的江西省生态系统碳储量时空演变与预测[J]. 环境科学, 2024, 45(6): 3284-3296.

[Hu Jixi, Le Xianwen, Wang Weilin, et al. Temporal and spatial evolution and prediction of ecosystem carbon storage in Jiangxi Province based on PLUS-InVEST model[J]. Environmental Science, 2024, 45(6): 3284-3296.]

[21]
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 Xinxin, Xue Jianhui, Dong Lina. 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.]

[22]
智菲, 周振宏, 赵铭, 等. 基于PLUS和InVEST模型的合肥市生态系统碳储量时空演变特征[J]. 水土保持学报, 2024, 38(2): 205-215.

[Zhi Fei, Zhou Zhenhong, Zhao Ming, et al. Temporal and spatial evolution characteristics of carbon storage in Hefei ecosystem based on PLUS and InVEST models[J]. Journal of Soil and Water Conservation, 2024, 38(2): 205-215.]

[23]
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.

[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.]

[24]
张楚强, 向洋, 方婷, 等. LUCC影响下太原市生态系统碳储量时空变化及预测[J]. 安全与环境工程, 2022, 29(6): 248-258.

[Zhang Chuqiang, Xiang Yang, Fang Ting, et al. Spatio-temporal evolution and prediction of carbon storage in Taiyuan ecosystem under the influence of LUCC[J]. Safety and Environmental Engineering, 2022, 29(6): 248-258.]

[25]
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.]

[26]
张杰, 李敏, 敖子强, 等. 中国西部干旱区土壤有机碳储量估算[J]. 干旱区资源与环境, 2018, 32(9): 132-137.

[Zhang Jie, Li Min, Ao Ziqiang, et al. Estimation of soil organic carbon storage of terrestrial ecosystem in arid western China[J]. Journal of Arid Land Resources and Environment, 2018, 32(9): 132-137.]

[27]
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.

[28]
陈光水, 杨玉盛, 刘乐中, 等. 森林地下碳分配(TBCA)研究进展[J]. 亚热带资源与环境学报, 2007, 2(1): 34-42.

[Chen Guangshui, Yang Yusheng, Liu Lezhong, et al. Research review on total belowground carbon allocation in forest ecosystems[J]. Journal of Subtropical Resources and Environment, 2007, 2(1): 34-42.]

[29]
Giardina C P, Ryan M G. Evidence that decomposition rates of organic carbon in mineral soil do not vary with temperature[J]. Nature, 2000, 404(6780): 858-861.

[30]
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.

[31]
Ling X, Hongwei W, Suhong L. The ecosystem service values simulation and driving force analysis based on land use/land cover: A case study in inland rivers in arid areas of the Aksu River Basin, China[J]. Ecological Indicators, 2022, 138: 108828.

[32]
孙毅中, 杨静, 宋书颖, 等. 多层次矢量元胞自动机建模及土地利用变化模拟[J]. 地理学报, 2020, 75(10): 2164-2179.

[Sun Yizhong, Yang Jing, Song Shuying, et al. Modeling of multilevel vector cellular automata and its simulation of land use change[J]. Acta Geographica Sinica, 2020, 75(10): 2164-2179.]

[33]
李佳珂, 邵战林. 基于PLUS和InVEST模型的乌鲁木齐市碳储量时空演变与预测[J]. 干旱区研究, 2024, 41(3): 499-508.

[Li Jiake, Shao Zhanlin. Spatiotemporal evolution and prediction of carbon stock in Urumqi City based on PLUS and InVEST models[J]. Arid Zone Research, 2024, 41(3): 499-508.]

[34]
雒舒琪. 耦合PLUS-INVEST模型的多情景土地利用变化及其对碳储量影响研究[D]. 杨凌: 西北农林科技大学, 2023.

[Luo Shuqi. Multi-scenario Land Use Change and Its Impact on Carbon Storage Based on Coupled Plus-Invest Model[D]. Yangling: Northwest A & F University, 2023.]

[35]
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 Lianwei, Zhao Juan, Zhu Jiatian, 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.]

[36]
Zhang R, Liang T, Guo J, et al. Grassland dynamics in response to climate change and human activities in Xinjiang from 2000 to 2014[J]. Scientific Reports, 2018, 8(1): 2888.

[37]
徐自为, 张智杰. 基于土地利用变更调查的2010—2016年新疆尉犁县生态系统碳储量时空变化[J]. 环境科学研究, 2018, 31(11): 1909-1917.

[Xu Ziwei, Zhang Zhijie. Spatiotemporal variation of carbon storage in Yuli County during 2010-2016[J]. Research of Environmental Sciences, 2018, 31(11): 1909-1917.]

[38]
陈宁, 辛存林, 唐道斌, 等. 中国西北地区多情景土地利用优化与碳储量评估[J]. 环境科学, 2023, 44(8): 4655-4665.

[Chen Ning, Xin Cunlin, Tang Daobin, et al. Multi-scenario land use optimization and carbon storage assessment in Northwest China[J]. Environmental Science, 2023, 44(8): 4655-4665.]

[39]
Feng X, Fu B, Lu N, et al. How ecological restoration alters ecosystem services: An analysis of carbon sequestration in China’s Loess Plateau[J]. Scientific Reports, 2013, 3(1): 2846.

[40]
吴子豪, 闫庆武, 李桂娥. 资源枯竭型城市转型发展研究[M]. 徐州: 中国矿业大学出版社, 2023.

[Wu Zihao, Yan Qingwu, Li Gui’e. Research on the Transformation and Development of Resource-Exhausted Cities[M]. Xuzhou: China University of Mining and Technology Press, 2023.]

Options
文章导航

/

〈 〉