EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 4: 118 - 130

DOI: https://doi.org/10.6046/zrzyyg.2024117

Investigating land use and carbon storage changes in Jinan metropolitan circle based on the InVEST-PLUS coupled model

  • XING Xiaotian , 1 ,
  • WANG Qi 1 ,
  • ZHAO Jiajun 1 ,
  • LIU Pudong , 1 ,
  • ZHANG Jingyuan 2
Expand
  • 1. School of Surveying and Mapping and Geographic Information, Shandong Jianzhu University, Jinan 250101, China
  • 2. School of Art, Shandong Jianzhu University, Jinan 250101, China

Received date: 2024-04-07

  Revised date: 2024-07-21

  Online published: 2026-06-03

Fold

Abstract

Exploring land use evolution and its impact on carbon storage is significant for mitigating climate change and promoting green and low-carbon development in metropolitan circles. Under the carbon peak and neutrality goals, this study implemented dual-constraint transition matrix optimization using point-of-interest (POI) data and the patch-generating land use simulation (PLUS) model, followed by the coupling with the integrated valuation of ecosystem services and trade-offs (InVEST) model. Based on the InVEST-PLUS coupled model, this study analyzed the land use evolution in the Jinan metropolitan circle from 2000 to 2020 and its impact on ecosystem carbon storage. Considering natural development, urban development, and ecological conservation as three distinct scenarios, this study simulated and predicted the land use change in the Jinan metropolitan circle in 2030 and 2060. Moreover, this study estimated the corresponding ecosystem carbon storage and analyzed the shift of the carbon storage center. Finally, this study explored the factors driving the spatial differentiation of carbon storage using the optimal parameters-based geographical detector (OPGD). The results indicate that from 2000 to 2020, the Jinan metropolitan circle saw a continued decrease in arable land, grassland, and unused land; a fluctuating increase in forest land; and a rapid increase in water area and construction land. The carbon storage and land use pattern in the Jinan metropolitan circle showed similar distributions characterized by higher values in the southeast and lower values in the northwest, with the main body of the Yellow River as the dividing line. The carbon storage in arable land served as the primary source of carbon storage in the Jinan metropolitan circle since it represented over 80 % of the total carbon storage. The simulation results reveal decreased carbon storage under the three scenarios, primarily due to the conversion from arable land in high carbon-density areas to construction land in low carbon-density areas. The ecological conservation scenario shows the highest total estimated carbon storage, which is 4 226.86×106 t in 2030 and 3 967.94×106 t in 2060. The carbon storage center in the Jinan metropolitan circle displays a certain shift in different development periods and scenarios due to land use change. However, the carbon storage center remains located in Licheng District, suggesting that the development of the Jinan metropolitan circle is relatively comprehensive and balanced. Various driving factors manifest significant impacts on the spatial distribution of carbon storage in the Jinan metropolitan circle. Notably, population density shows the greatest explanatory power for the spatial differentiation of carbon storage. Additionally, the interactions of various factors enhance their explanatory power for carbon storage.

Key words： land use change; carbon storage; point-of-interest (POI) data; patch-generating land use simulation (PLUS) model; integrated valuation of ecosystem services and trade-offs (InVEST) model; optimal parameters-based geographical detector (OPGD); Jinan metropolitan circle

Cite this article

XING Xiaotian , WANG Qi , ZHAO Jiajun , LIU Pudong , ZHANG Jingyuan . Investigating land use and carbon storage changes in Jinan metropolitan circle based on the InVEST-PLUS coupled model[J]. Remote Sensing for Natural Resources, 2025 , 37(4) : 118 -130 . DOI: 10.6046/zrzyyg.2024117

0 引言

陆地生态系统占地球表面积的1/3,为人类提供了居住环境及食物和衣着的主体部分,是地球上最重要的生态系统类型,在碳循环和缓解气候变化方面发挥重要作用, 同时也对土壤质量、生物多样性以及生态系统健康的评估和监测具有重要意义,在全球气候变化下,随着气温的上升及人类活动影响拓宽,极端灾害风险加剧,其生态模式及稳定性受到持续挑战[1-4]。生态系统碳储量是估算生态系统碳循环的重要因素,而土地利用变化是影响碳储量的重要因素之一[5-6]。因此,探究土地利用变化及其对碳储量的影响,对于减缓都市圈气候变化、促进绿色低碳发展具有重要意义[7-8]。
近年来,国内外众多学者对土地利用变化及生态系统碳储量评估开展了相关研究。例如,贾天朝等[9]运用土地利用模拟模型(patch-genevating land use simulation model,PLUS)-耦合生态系统服务与权衡的综合评估(integrated valuation of ecosystem services and trade-offs,InVEST)-Geodector 模型对三江源国家公园碳储量时空变化及时空分异驱动力分析; 李佳珂等[10]利用InVEST模型探究不同发展情景下陆地生态系统的碳储量变化并预测未来土地碳储量; 王子昊[11]等基于PLUS-InVEST模型对呼和浩特市进行土地利用变化动态模拟及碳储量评估。He和Yang等[12-13]将城市扩张模型与InVEST模型结合起来,评估了城市扩张对碳储量的影响; 李梓涵等[14]基于PLUS-InVEST模型对阿坝州生态脆弱区2030年土地利用情况进行预测; Piyathilake等[15]利用InVEST模型研究斯里拉卡乌瓦省各地类的碳储量贡献值; Zhao等[16]评估了实施生态工程政策对黑河流域和祁连山国家公园碳储量的影响; 傅楷翔等[17]利用PLUS-InVEST-Geodector模型对新疆地区碳储量时空变化及驱动力进行分析并探究新疆2035年不同情景下碳储量时空变化规律; 许澳康等[18]运用PLUS-InVEST模型探究石羊河流域土地利用变化对碳储量的影响。当前的众多研究成果主要集中于局部范围或特定类型的土地利用变化下的碳储量变化,自然生态系统固碳能力的时空演变,人类活动对碳储量的影响等方面,对于跨区域、跨尺度的综合预测仍存在较大挑战。
2024年1月22日,济南都市圈发展规划得到批准,济南都市圈成为北方第五个、黄河流域第三个获批的国家级都市圈,是打造黄河流域绿色低碳高质量发展引领区和持续深入推进生态保护的重要抓手[18]。随着新时代山东省新旧动能转换目标的确立,未来极有可能会产生一定的区域环境压力和资源分配问题。生态系统碳储量评估是区域可持续发展的重要评判标准,针对未来土地利用变化迅速的济南都市圈,需要对其生态系统碳储量进行更深入的研究,尤其是考虑未来气候变化和人类活动的影响,这对不同发展情景下的生态系统碳存储准确预测尤为重要。因此,济南都市圈的研究需要探索整合不同尺度的数据和模型,以更准确地预测生态系统碳储量的变化趋势。评估济南都市圈碳储量变化,进而分析不同驱动因子的影响,可对未来区域土地利用宏观规划的科学实施提供管理指导。
本研究立足济南都市圈,以绿色低碳高质量发展为宏观依据,评估“双碳”战略目标下的土地利用变化情况,结合兴趣点(point of interest,POI)数据并顾及PLUS模型约束条件,采用InVEST模型耦合多源数据预测济南都市圈不同情景下土地利用格局,研究土地利用类型空间格局及面积变化,开展济南都市圈碳储量计算,分析未来碳储量演变趋势及重心迁移情况,并利用参数最优地理探测器的方法,探究济南都市圈碳储量空间分异驱动力,为济南都市圈碳资源管理、高效绿色发展建设和政策规划提供理论参考。

1 研究区概况与数据源

1.1 研究区概况

济南都市圈(图1)位于中国东部(35°35' ~ 38°00'N,115°16'~ 118°31'E),跨黄河流域地区,是以山东省省会济南市为中心的经济区域带,该区域的生态环境相对较好,地貌类型丰富,地势南高北低,东南部具有显著的丘陵山脉,森林覆盖率较高。济南都市圈下辖6市25县区,总面积约5.3×104 km2,人口约3 219.4万,是典型的“以中心城市为核心牵动周边城市”的发展格局。该地区属于温带季风气候,夏季高温多雨,冬季寒冷干燥,春秋季温差较大,年均气温约11~14℃,年降雨量约700 mm[19-21]。
图1 研究区示意图

Fig.1 Schematic diagram of study area

1.2 数据源及处理

1.2.1 土地利用数据

本研究采用济南都市圈2000年、2010年和2020年的土地利用数据,其空间分辨率为30 m×30 m,解译精度均在90%以上,该数据集包含一级地物分类6种和二级地物分类23种,本研究通过重分类将其分为耕地、林地、草地、水域、建设用地和未利用地共6种地类。

1.2.2 其他数据

驱动因子共16个,分别为自然环境数据: 土壤类型、年均气温、年均降水、高程、坡度; 社会经济数据: 人口密度、国内生产总值(gross domestic product,GDP)、夜间灯光、距铁路距离、距高速距离、距国道省道距离、距政府机构距离、距学校距离、距医院距离、距公园距离、距车站距离。数据来源如表1所示,其中坡度由高程数据进行坡度分析所得,所有数据采用统一投影坐标系,分辨率为30 m。
表1 数据来源及说明

Tab.1 Data source and description

类型 数据 分辨率 数据来源
土地利
用数据		 土地利用 30 m 中国科学院资源环境科学与数据中心(https://www.resdc.cn/)
自然环
境数据		 土壤类型
气温
降水		 1 km 国家地球系统科学数据中心(https://www.geodata.cn/)
高程
坡度		 30 m 地理空间数据云(http://www.gscloud.cn/home)
社会经
济数据		 距政府机构距离
距学校距离
距车站距离
距医院距离
距公园距离		 地理遥感生态网(http://www.gisrs.cn/)
距铁路距离
距高速距离
距国道省道距离		 OpenStreetMap(https://www.openstreetmap.org/)
人口密度
GDP		 1 km 中国科学院资源环境科学与数据中心(https://www.resdc.cn/)
夜间灯光数据 500 m
其他
数据		 行政区划 国家基础地理信息中心(http://www.ngcc.cn/)

2 研究方法

2.1 InVEST模型

InVEST模型基于土地利用数据估算生态系统物质量和价值量的变化,为量化权衡人类活动的效益及影响提供科学依据[22]。本研究采用InVEST模型碳储量模块,选取地上生物碳、地下生物碳、土壤碳和死亡有机碳为基本碳库[23-24],根据生态系统土地类型计算研究区域碳储量变化,其计算公式为:
∑Ctotal=(Cabove+Cbelow+Csoil+Cdead)×Ai,
式中: Ctotal为总碳储量; Cabove为地上碳密度; Cbelow为地下碳密度; Csoil为生物碳密度; Cdead为死亡碳密度; i为第i种地类; Ai为第i种地类的总面积。本研究参考已有研究成果[25-26],优先选取有相同覆盖区域的山东省碳密度值[27],并基于年均气温与年均降水数据进行修正,得到济南都市圈各地类碳密度值,其计算公式为:
CSP=3.396 8×MAP+3 996.1 (R2=0.11),
CBP=6.798×e0.005 4×MAP (R2=0.70),
CBT=28×MAT+398 (R2=0.47,P<0.01),
KBP= C B P 1 C B P 2,
KBT= C B T 1 C B T 2,
KB=KBP×KBT= C B P 1 C B P 2× C B T 1 C B T 2,
KS= C S P 1 C S P 2,
式中: CSP和CBP分别为年均降水量影响下的土壤密度(kg/m2)和生物量碳密度(kg/m2); MAP和MAT分别为年均降水量(mm)和年均气温(℃),济南都市圈与山东省年均降水量和年均气温分别为613.2 mm,14.1 ℃和607.8 mm,13.85 ℃; KBP和KBT分别为基于年均降水和年均气温的生物量碳密度修正系数; KB为生物量碳密度修正系数; KS为土壤密度修正系数。计算结果见表2。
表2 济南都市圈土地类型碳密度值

Tab.2 Carbon density values of land types in Jinan metropolitan circle

地类 Cabove Cbelow Csoil Cdead
耕地 5.82 1.16 93.18 0.58
林地 20.15 4.03 127.69 2.02
草地 2.18 0.44 100.00 0.22
水域 0.62 0.12 81.35 0.06
建设用地 0.10 0.02 74.83 0.01
未利用地 0.10 0.02 11.74 0.01

2.2 双约束PLUS模型

PLUS模型是一种基于栅格数据,能够深入挖掘土地扩张和地类变化驱动因素,更好地模拟多地类土地利用产生和演化的元胞自动机(cellular autonata,CA)模型[28-29]。该模型计算公式为:
P i , d = 1 , t= P i , k d = 1 × ( r × u k ) × D k t ( Ω i , k t = 0 及 r < P i , k d = 1 ) P i , k d = 1 × Ω i , k t × Ω k t ( 其 他 ),
式中: r为0~1内的随机值; P i , k d = 1 , t为像元i变化为用地类型k的发展概率; P i , k d = 1为用地类型k在单元格i处的增长概率; d取值为0表示用地类型k转换为其他用地类型、取值为1则表示其他用地类型转换为用地类型k; uk为用地类型k产生新用地类型的阈值; D k t为自适应惯性系数; Ω i , k t为 k的邻域权重。
本研究采用PLUS模型,优势在于可对各地类土地利用变化进行深度挖掘,实现更加精准的多地类复杂演变过程模拟[30]。基于济南都市圈未来发展规划趋势,以2010年土地利用数据作为基础数据,模拟2020年土地利用情况,将其与现有2020年土地利用数据进行对比,验证PLUS模型的模拟精度。本研究共选取16个驱动因子,其中包含多种类型的POI数据,重点考虑人类活动对土地利用变化的驱动力[31-33],使土地利用模拟情况在多方因素影响下更加符合实际。相比于Kappa系数为0.812的自然环境数据土地利用模拟精度,结合POI数据后的土地利用精度有所提高,Kappa系数变为0.816,模拟结果可支持数据研究。
参考《山东省国土空间规划(2021—2035年)》《济南市新型城镇化规划(2023—2035年)》 [34-35],本研究基于2010—2020年济南都市圈土地利用变化发展规律,构建了2030年和2060年的3种发展情景: 自然发展情景、城镇发展情景和生态保护情景,与前述研究不同之处,本研究结合规划文件,对3个发展情景进行了空间和数量双约束土地转移,使得模拟结果较单一空间约束下更符合实际发展。
情景一: 自然发展情景。该情景不考虑各类因素影响,按照现有发展趋势和转移概率,模拟预测2030年和2060年土地利用类型。
情景二: 城镇发展情景。该情景以城镇发展为重点,在自然发展情景基础上,除水域外,其他土地类型向建设用地的转换概率增加20%; 建设用地向耕地外的土地类型转换概率减少30%[36]。
情景三: 该情景以保护生态环境为目的,在自然发展情景基础上,耕地、未利用地和草地向林地的转换概率增加30%,林地、草地向建设用地的转换概率减少50%; 耕地向建设用地的转换概率减少30%[37]。1表示两地类之间可以相互转换,0表示两地类之间不可相互转换[38]。
表3 多情景土地转移矩阵

Tab.3 Multi-scenario land transfer matrix

地类 自然发展情景 城镇发展情景 生态保护情景
耕地 林地 草地 水域 建设
用地		 未利
用地		 耕地 林地 草地 水域 建设
用地		 未利
用地		 耕地 林地 草地 水域 建设
用地		 未利
用地
耕地 1 1 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 0
林地 1 1 1 0 1 0 1 1 1 0 1 0 0 1 0 0 0 0
草地 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 0 0 0
水域 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 0
建设用地 1 0 0 1 1 1 0 0 0 0 1 0 1 1 1 1 1 1
未利用地 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1

2.3 参数最优地理探测器

地理探测器由王劲峰提出,可以检测单变量的空间分异性和两变量空间分布的耦合性[39]。本研究利用地理探测器中的单因子探测与交互作用探测功能,参考石晶等[40]的方法,将各驱动因子进行相等间隔、自然断点法、几何间隔和标准差4种分类情况,并将其分类等级设为5~10类,每种驱动因子可得到24种分类方式,从中选取q值最高的参数进行空间分异驱动分析。计算公式为:
q=1- ∑ h = 1 L N h σ h 2 N σ 2=1- S S W S S T,
SSW= ∑ h = 1 LNh σ h 2,
SST=Nσ2,
式中: L为变量的分层; N和Nh分别为全区与h层的单元数; σ2和 σ h 2分别为全区与层h的方差; SSW和SST分别为层内方差之和及全区总方差; q为驱动因子对碳排放的解释程度。

3 结果与分析

3.1 土地利用时空格局变化分析

基于2000—2020年济南都市圈土地类型变化情况(图2),进行空间格局变化特征分析,研究区地物类型主要以耕地和建设用地为主,北部及西部地区的主要土地类型为耕地和建设用地,林地主要分布于东南部,东北部及西南部分布有较多水域。由图2可知,2000—2020年,济南都市圈建设用地持续扩张,耕地和草地面积不断减少,东北部地区未利用地逐渐被水域取代。
图2 济南都市圈2000—2020年土地利用变化

Fig.2 Land use change in Jinan metropolitan circle from 2000 to 2020

济南都市圈2000—2020年各地类面积及比例见表4,由表中可知,耕地和建设用地占研究区土地总面积的90%左右,构成了区域的景观基态。2000—2020年,耕地、草地和未利用地面积持续减少,分别减少3 470.25 km2,502 km2和416.75 km2,其中草地整体减幅达32%; 建设用地和水域面积呈持续增加状态,分别增加3 483.5 km2和650 km2,其中水域整体增幅达94.6%; 林地面积呈先下降后增加的状态,2000—2010年小幅度减少24.25 km2,2010—2020年增加279.25 km2,总体增加255.5 km2。
表4 济南都市圈2000—2020年各地类面积及比例

Tab.4 Area and proportion of various areas in Jinan metropolitan circle from 2000 to 2020

地类 2000年 2010年 2020年 面积变化
值/km2		 面积变化
比例/%
面积/km2 比例/% 面积/km2 比例/% 面积/km2 比例/%
耕地 39 360.75 74.57 37 599.50 71.24 35 890.50 68.00 -3 470.25 39.54
林地 2 444.50 4.63 2 420.25 4.59 2 700.00 5.12 255.50 2.91
草地 1 563.25 2.96 1 425.75 2.70 1 061.25 2.01 -502.00 5.72
水域 687.25 1.30 1 152.00 2.18 1 337.25 2.53 650.00 7.41
建设用地 8 257.25 15.64 9 897.50 18.75 11 740.75 22.24 3 483.50 39.69
未利用地 468.50 0.89 286.50 0.54 51.75 0.10 -416.75 4.75
图3为济南都市圈2000—2020年土地利用转移桑基图,由图中可以看出,济南都市圈土地利用类型转移情况主要表现为非建设用地向建设用地的显著转化,其中耕地面积向建设用地面积的转化占主导地位,林地、草地、水域和未利用地之间也存在不同程度的转变。据表4,耕地面积变化占总变化面积的39.54%,建设用地面积变化占总变化面积的39.69%,耕地的转入占建设用地转入总面积的92.7%; 耕地、建设用地和未利用地的转入分别占水域转入总面积的41.5%,38%和20%。林地面积的转入的来源为草地和耕地,分别占转入总面积的50.2%和49.8%。
图3 济南都市圈2000—2020年土地利用转移桑基图

Fig.3 Sankey map of land use transfer in Jinan metropolitan circle from 2000 to 2020

3.2 碳储量时空格局变化分析

济南都市圈2000—2020年地物类型碳储量见表5,由表5可知,2000—2020年济南都市圈的碳储量呈持续下降趋势,研究期内总体碳储量下降298.38×106 t,整体减幅达6.4%,碳储量年均减少14.92×106 t,表明济南都市圈城市化转型发展进程加快,建设用地不断扩张,生态系统的碳储存功能受到一定破坏。
表5 济南都市圈2000—2020年地物类型碳储量

Tab.5 Carbon reserves of urban enclosure types in Jinan metropolitan circle from 2000 to 2020(106 t)

地类 2000年 2010年 2020年
耕地 3 965.20 3 787.77 3 615.61
林地 376.18 372.45 415.50
草地 160.76 146.62 109.14
水域 56.46 94.64 109.86
建设用地 98.01 117.48 139.36
未利用地 35.12 21.48 3.88
合计 4 691.73 4 540.44 4 393.35
图4为2000—2020年济南都市圈碳储量空间变化情况,从全域整体看,碳密度分布格局变化不显著,以黄河主脉为分界线,呈现“东南高,西北低”的分布特征,耕地类型碳储量为研究区碳储量的主要来源,一直处于总碳储量的80%以上。从图中可以看出,高值区主要分布于东南部的山脉区域,低值区主要位于城镇建设区域; 从局部区域看,建设用地区域不断向周围扩张,侵占周围耕地及草地,造成低密度区域面积增加,较高密度区域面积减少。总体而言,济南都市圈2000—2020年大部分区域碳储量未发生明显变化,但碳储量减少的面积在不断扩大,造成碳储量一直处于下降趋势。
图4 济南都市圈2000—2020年碳密度分布

Fig.4 Distribution of carbon density in Jinan metropolitan circle from 2000 to 2020

2000—2020年济南都市圈土地利用类型转变引起的碳储量变化情况见表6,由表6可知,研究区域耕地面积的转出对碳储量影响最大,造成碳储量下降293.06×106 t,占整体下降碳储量的98.2%,是济南都市圈碳储量下降的主要原因,林地、水域和未利用地的转出也造成碳储量的少量减少,草地及建设用地的转出使得碳储量少量增加。由于耕地向建设用地转变面积过大,导致碳储量减少最为显著,共减少了301.89×106 t,甚至超过研究区域总减少碳储量,草地和林地的扩张有助于碳储量升高,但由于增加面积较小,难以弥补碳储量减少量。
表6 济南都市圈2000—2020年碳储量变化情况

Tab.6 Changes of carbon reserves caused by land use type transformation in Jinan metropolitan circle from 2000 to 2020

土地利用类型转换 面积/km2 碳储量变
化/106 t		 合计/106 t
转出 转入 转出面积 转入面积
耕地 林地 266.50 14.16 -293.06
草地 247.50 0.52
水域 309.50 -5.75
建设用地 3 397.00 -301.89
未利用地 4.00 -0.10
林地 耕地 280.00 235.50 -12.52 -17.00
草地 20.00 -1.02
水域 0.25 -0.02
建设用地 24.25 -3.44
草地 耕地 769.50 426.00 -0.89 6.34
林地 269.00 13.73
水域 2.25 -0.05
建设用地 70.25 -6.39
未利用地 2.00 -0.06
水域 耕地 94.00 49.25 0.92 -1.92
建设用地 40.00 -2.81
未利用地 4.75 -0.03
建设
用地		 耕地 180.25 30.00 2.67 13.22
水域 149.00 10.47
未利用地 1.25 0.08
未利
用地		 耕地 428.75 13.50 0.35 -5.96
水域 283.00 2.03
建设用地 132.25 -8.34

3.3 济南都市圈多情景模拟下土地利用与碳储量分析

3.3.1 未来土地利用分析

2030年和2060年多种发展情景下,济南都市圈土地利用空间分布及面积如图5、图6所示。相较于2020年,2030年及2060年多种情景下模拟的土地利用空间分布格局无显著变化,林地区域依旧以东南部地区为主,建设用地零星分布,不断向周围扩张,耕地面积不断减少,同一年份不同情景发展下的土地利用情况差距较小。从时间上看,相比于2020年土地利用情况,2030年和2060年各地类面积均呈现耕地面积大幅度减少,建设用地大幅度增加,林地面积少量增长,其余各类地物变化不显著的情况。在多种地物类型中,耕地面积依旧最高,建设用地位居其次,多种发展情景状况下,地物面积差距不明显,具有相似的地物占比情况。相比于2020年,2030年城镇发展情景下,建设用地面积增加4 826.1 km2,生态情景发展下林地面积增加147.1 km2; 2060年城镇发展情景下,建设用地面积增加7 093.2 km2,生态情景下林地面积增加478 km2。
图5 2030年和2060年济南都市圈土地利用各地类空间分布及面积

Fig.5 Spatial distribution and area of land use in Jinan metropolitan circle in 2030 and 2060

图6 2030年和2060年济南都市圈多情景各地类面积

Fig.6 Different types of each land use areas under multiple scenes of the Jinan metropolitan circle in 2030 and 2060

3.3.2 未来碳储量分析

基于InVEST模型对PLUS模型预测土地利用结果进行碳储量估算,自然发展情景、城镇发展情景和生态保护情景下2030年总碳储量分别为4 181.33×106 t,4 150.5×106 t和4 226.86×106 t; 2060年总碳储量分别为3 805.36×106 t,3 696.62×106 t和3 967.94×106 t,以上所有情景模拟下的碳储量均低于2020年总碳储量4 393.35×106 t,图7为济南都市圈多情景2030年和2060年碳密度分布,由图7可知,碳密度空间分布格局与土地利用空间分布格局相似。图8为济南都市圈多情景2030年和2060年各地类碳储量,如图8所示,多种发展情景下,生态保护情景下的碳储量为最高值,2030年生态发展碳储量比城镇发展碳储量高76.36×106 t,2060年生态发展碳储量比城镇发展碳储量高271.32×106 t,各地物类型碳储量中,耕地碳储量均为占比最高,相较于2020年,2个时间段的总碳储量均处于下降趋势,耕地碳储量不断减少,林地碳储量有所增加。
图7 2030年和2060年济南都市圈多情景碳密度分布

Fig.7 Multi-scenario carbon density distribution in Jinan metropolitan area in 2030 and 2060

图8 2030年和2060年济南都市圈多情景各地类碳储量

Fig.8 Different regions of carbon storage under multiple scenarios of the Jinan metropolitan circle in 2030 and 2060

3.4 碳储量标准差椭圆及重心迁移

通过对自然发展情景、城镇发展情景、生态保护情景重心转移模型的建立,绘制济南都市圈重心转移空间分布图(图9),进一步反映济南都市圈碳储量空间演变规律。由图9可知: ①2000年与2010年碳储量重心基本保持重合,表明该段时间土地利用发展均衡,较为缓慢,2020年的碳储量重心发生左移,表明研究区该时间段内土地利用变化较为迅速; ②2030年3种情景发展下的碳储量重心迁移情况,标准差椭圆差异较小,重心发生略微迁移,相较于自然发展情景,城镇发展情景下向右产生偏移,生态保护情景下向右下偏移; ③2060年3种情景发展下的碳储量重心迁移情况,标准差椭圆差异较为明显,由重心迁移情况可知,该自然发展情景与城镇发展情景和生态保护情景下的碳储量差异较大。从整体来看,不同发展时期和情景下济南都市圈的碳储量重心均发生一定偏移,表明济南都市圈发展较为迅速使得碳储量产生一定差距变化,历城区一直处于济南都市圈的碳储量重心地带,表明济南都市圈发展较为均衡。
图9 济南都市圈碳储量标准差椭圆及重心迁移

Fig.9 Standard deviation ellipse and migration of center of gravity of carbon reserves in Jinan metropolitan circle

3.5 碳储量驱动因子分析

本研究从16个驱动因子中选择降水、距学校距离、坡度、温度、距公司距离、距医院距离、高程、夜间灯光和人口密度,探究其对济南都市圈碳储量空间分异的驱动力。基于最优参数地理探测器,不同的分类方式和不同分类等级的q值有所不同,综合考虑影响因子的q值和p值,以p值小于0.01为基本原则,选择q值最高的分类方式为最优参数选择,其余影响因子同理[41]。
由单因子探测结果可知(图10),各因子对济南都市圈碳储量空间分布均具有显著影响,其中人口密度(0.139)对碳储量空间分异解释力最大,其次坡度(0.126)和距公司距离(0.110)的q值均大于0.1,高程(0.098)、温度(0.091)和夜间灯光(0.089)的解释力较为相似。从交互探测结果可知(图11),任意2个影响因子的交互q值均大于单因子q值,该结果表明济南都市圈的碳储量并非受单一影响因子驱动,而是多个影响因子共同参与的结果[41]。其中,距医院距离与人口密度的交互作用下,q值达到最高为0.251,人口密度与其余影响因子的交互作用下,q值均得到明显提高,表明人口密度与其他因子相互作用对济南都市圈碳储量空间分布具有较高影响力。
图10 驱动因子离散情况

Fig.10 Driver factor discrete case

图11 交互因子作用结果

Fig.11 Interactive detection results

4 讨论与结论

4.1 讨论

在“双碳”目标发展背景下,本研究从土地利用变化及多情景发展角度出发,运用InVEST和顾及约束条件的PLUS模型预测并分析生态系统碳储量情况,以期为济南都市圈绿色低碳发展,优化配置和政策规划的可持续性提供理论参考。研究表明,济南都市圈拥有大面积山地森林,整体碳储量较高,但在2000—2020年一直处于逐渐降低状况,就土地利用变化而言,济南都市圈发展逐渐加快,2000—2010年间,随着一系列开发区的建立,济南都市圈城镇建设较为迅速,不断有农村劳动力涌入城市,增加了城镇建设用地的需求,使得城市快速发展。2010—2020年间,随着城乡一体化的大力推进,济南都市圈耕地、林地被不断侵占,使得其土地类型面积大幅减少,城镇建设得到迅速发展,并保持继续增长状态。由于经济发展迅速,城市建设不断扩张,高碳密度地类不断向低碳密度地类转移,是造成研究区碳储量减少的重要原因,这与于芝琳等[24]研究结论一致,各地类碳储量占比中,耕地碳储量始终处于第一位,不仅是主要的生态系统用地,还是重要的碳储量用地,这与王锴[42]等研究结果相符。
在改进PLUS模型方面,本研究重点顾及人类社会经济因素,结合多种POI数据对其进行预测,使得土地利用模拟精度有所增加,并对土地利用多情景转移矩阵进行空间和数量双约束,使得预测结果更符合研究区实际,多情景土地利用差异更为客观,但对于土地转移矩阵的设置上还存在一定的主观性,所以最终的土地利用模拟结果与实际相比存在误差。未来土地利用的变化具有不确定性,尤其是都市圈政策的特殊性和土地利用的高效性,今后研究将综合考虑环境和人类活动,结合社会政策等约束条件并进一步结合专家知识开展定性/定量相结合的量化约束条件,使模拟结果更加精确。研究结果表明,自然发展情景下碳储量会朝减少方向发展,生态保护情景下较自然发展情景下碳储量有所增加,城镇发展情景下的碳储量最低,由于自然发展情景下建设用地增幅趋势较快,偏向城镇发展,造成与城镇发展情景差距较为微弱。基于目前研究结果,济南都市圈生态系统遭受一定程度破坏,通过分析城镇发展情景和生态保护情景土地利用的差异,为济南都市圈开展绿色低碳高质量发展建设提供科学参考。
在研究土地利用及碳储量变化的同时,进行碳储量重心迁移分析和驱动因子分析,分析济南都市圈土地利用发展倾向; 采用参数最优地理探测器,探究济南都市圈碳储量空间分布特征的主要影响因素,客观分析各驱动因子对碳储量空间分异的解释力,但同样驱动因子的考量本身带有一定的客观地域性,因而本研究得到的驱动力分析结果在其他地区适用性上还有待商榷。
碳密度数据的选择是InVEST模型进行碳储量计算的核心,本研究优先选取与研究区具有重合区域的山东省碳密度数据,并根据气温与降水量对其进行系数修正,相较于直接引用全国碳密度数据或其他地区同纬度碳密度,更能反映济南都市圈实际情况。由于同一地类不同物种之间或同一物种不同生长环境之间均存在碳密度值差异,且不是高空间密度、高时效性和统一标准的实地勘测数据,与真实情况相比会存在一定的数据误差。未来将针对不同密度碳储量分布区域,耦合生态学专家知识,开展多点源实测数据为补充验证数据,可进一步提升区域碳储量预测精度。

4.2 结论

1)2000—2020年,济南都市圈耕地、草地和未利用地面积持续减少,林地面积呈波动增加状态,水域、建设用地面积增长速度迅速; 到2020年,各类用地面积占比从大到小为: 耕地(68.00%)、建设用地(22.24%)、林地 (5.12%)、水域(2.53%)、草地(2.01%)和未利用地(0.10%)。建设用地的增长主要来源于6个地市的主城区的扩张,林地、草地等生态型地类主要集中在泰安丘陵一带,水域主要来源于黄河流域一带。
2)2000—2020年,根据碳储量变化情况可知,济南都市圈的碳储量分布情况与土地利用变化情况存在一定的正相关性,土地利用类型的变化一定程度上影响了区域碳储量的改变。碳密度分布图反映出碳储量分布格局整体变化不明显,以黄河主脉为分界线,呈现“东南高,西北低”的分布特征,耕地类型碳储量为研究区碳储量的主要来源,占总碳储量的80%以上。
3)根据多情景土地利用模拟可知,较2020年,2030年和2060年3种情景下的土地模拟结果耕地、草地和未利用地面积都有明显减少,建设用地和林地面积增加。2个时间段内自然发展情景、城镇发展情景和生态保护情景下的碳储量分别为4 181.33×106 t和3 805.36×106 t,4 150.5×106 t和3 696.62×106 t,4 226.86×106 t和3 967.94×106 t,碳储量均有所降低,主要原因为高碳密度区域耕地转换为低碳密度区域建设用地。
4)碳储量重心迁移情况表明,不同发展时期和情景下的济南都市圈碳储量重心均发生一定偏移,发展趋势受土地利用变化影响,迁移方向及距离会有所不同,重心地带一直处于济南市历城区,说明济南都市圈发展较为全面均衡。
5)驱动因子探测结果表明,各驱动因子对济南都市圈碳储量空间分布具有显著影响,人口密度(0.139)对碳储量空间分异解释力最大,济南都市圈的碳储量并非受单一影响因子驱动,而是多个影响因子共同参与的结果。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
孙汇颖, 宫巧巧, 刘庆果, 等. 基于土地利用变化的山东省生境质量时空演变特征[J]. 土壤通报, 2022, 53(5):1019-1028.

Sun H Y, Gong Q Q, Liu Q G, et al. Spatio-temporal evolution of habitat quality based on the land-use changes in Shandong Province[J]. Chinese Journal of Soil Science, 2022, 53(5):1019-1028.

[2]
龙文芹, 职露, 郭娅迪, 等. 西洞庭湖自然保护区2000—2020年间碳储量时空演变及成因分析[J]. 自然资源遥感, 2024, 36(4):185-192.doi:10.6046/zrzyyg.2023265.

Long W J, Zhi L, Guo Y D, et al. Spatiotemporal evolution and origin of carbon stock in the West Dongting Lake National Nature Reserve over the last two decades[J]. Remote Sensing for Natural Resources, 2024, 36(4):185-192.doi:10.6046/zrzyyg.2023265.

[3]
Houghton R A. Revised estimates of the annual net flux of carbon to the atmosphere from changes in land use and land management 1850—2000[J]. Tellus B, 2003, 55(2):378-390.

[4]
Lin X, Fu H. Spatial-temporal evolution and driving forces of cultivated land based on the PLUS model:A case study of Haikou city,1980—2020[J]. Sustainability, 2022, 14(21):14284.

[5]
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(4):175-182.doi:10.6046/zrzyyg.2021348.

Yang L W, Zhao J, Zhu J T, 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(4):175-182.doi:10.6046/zrzyyg.2021348.

[6]
Feng Y, Chen S, Tong X, et al. Modeling changes in China’s 2000-2030 carbon stock caused by land use change[J]. Journal of Cleaner Production, 2020, 252:119659.

[7]
杨元合, 石岳, 孙文娟, 等. 中国及全球陆地生态系统碳源汇特征及其对碳中和的贡献[J]. 中国科学(生命科学), 2022, 52(4):534-574.

Yang Y H, Shi Y, Sun W J, et al. Terrestrial carbon sinks in China and around the world and their contribution to carbon neutrality[J]. Scientia Sinica (Vitae), 2022, 52(4):534-574.

[8]
方精云, 于贵瑞, 任小波, 等. 中国陆地生态系统固碳效应——中国科学院战略性先导科技专项 “应对气候变化的碳收支认证及相关问题” 之生态系统固碳任务群研究进展[J]. 中国科学院院刊, 2015, 30(6):848-857.

Fang J Y, Yu G R, Ren X B, et al. Carbon sequestration in China’s terrestrial ecosystems under climate change—Progress on ecosystem carbon sequestration from the CAS strategic priority research program[J]. Bulletin of Chinese Academy of Sciences, 2015, 30(6):848-857.

[9]
贾天朝, 胡西武, 张娜娜. 三江源国家公园生态安全评价及障碍因子研究[J]. 河北环境工程学院学报, 2023, 33(1):48-54.

Jia T C, Hu X W, Zhang Nana. Study on ecological security assessment and obstacle actors of Sanjiangyuan National Park[J]. Journal of Hebei University of Environmental Engineering, 2023, 33(1):48-54.

[10]
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.

DOI

Li J K, Shao Z L. 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.

DOI

[11]
王子昊, 王冰, 张宇飞, 等. 基于PLUS-InVEST模型的呼和浩特市多情景土地利用变化动态模拟及碳储量评估[J]. 农业资源与环境学报, 2024, 41(2):292-304.

Wang Z H, Wang B, Zhang Y F, et al. Dynamic simulation of multi-scenario land use change and carbon storage assessment in Hohhot City based on PLUS-InVEST model[J]. Journal of Agricultural Resources and Environment, 2024, 41(2):292-304.

[12]
He C, Zhang D, Huang Q, et al. Assessing the potential impacts of urban expansion on regional carbon storage by linking the LUSD-urban and InVEST models[J]. Environmental Modelling and Software, 2016, 75:44-58.

[13]
Yang B, Chen X, Wang Z, et al. Analyzing land use structure efficiency with carbon emissions:A case study in the Middle Reaches of the Yangtze River,China[J]. Journal of Cleaner Production, 2020, 274:123076.

[14]
李梓涵, 于慧, 巩飞, 等. 基于PLUS-InVEST模型的生态脆弱区生境质量时空演变分析[J]. 湖北农业科学, 2024, 63(2):254-260.

Li Z H, Yu H, Gong F, et al. Temporal and spatial evolution analysis of habitat quality in ecologically vulnerable areas based on PLUS-InVEST model[J]. Hubei Agricultural Sciences, 2024, 63(2):254-260.

[15]
Piyathilake I D U H, Udayakumara E P N, Ranaweera L V, et al. Modeling predictive assessment of carbon storage using InVEST model in Uva Province,Sri Lanka[J]. Modeling Earth Systems and Environment, 2022, 8(2):2213-2223.

[16]
Zhao M, He Z, 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, 98:29-38.

[17]
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 K X, Jia G D, Yu X X, 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.

[18]
许澳康, 胡梦珺, 石晶, 等. 石羊河流域生态系统碳储量时空变化及多情景模拟[J]. 中国环境科学, 2024, 44(6):3365-3375.

Xu A K, Hu M J, Shi J, et al. Spatial and temporal variability of ecosystem carbon storages and multi-scenario simulation in the Shiyang River Basin[J]. China Environmental Science, 2024, 44(6):3365-3375.

[19]
卢震. 未来蓝图“过审” 济南都市圈乘风而起[N]. 济南日报,2024-01-30(1).

Lu Z. Future blueprint approved: Jinan Metropolitan Area rides the wave[N]. Jinan Daily,2024-01-30(1).

[20]
李凯, 侯鹰, 付奇, 等. 都市圈 “三生空间” 协同变化及其对生态系统服务的影响[J]. 水土保持研究, 2023, 30(3):430-439.

Li K, Hou Y, Fu Q, et al. Synergistic changes of production-living-ecology spaces and their influences on ecosystem services in the metropolitan area[J]. Research of Soil and Water Conservation, 2023, 30(3):430-439.

[21]
冯一凡, 李翅, 冯君明. 基于GTWR模型的济南都市圈生态系统服务价值对城市扩张时空响应[J]. 北京林业大学学报, 2024, 46(1):104-118.

Feng Y F, Li C, Feng J M. Spatiotemporal response of ecosystem service value in Jinan metropolitan area to urban expansion based on GTWR model[J]. Journal of Beijing Forestry University, 2024, 46(1):104-118.

[22]
Chen C, Liu J, Bi L. Spatial and temporal changes of habitat quality and its influential factors in China based on the InVEST model[J]. Forests, 2023, 14(2):374.

[23]
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 Y, Wang L Z, Gui F, et al. Ecosystem carbon storage in Hangzhou Bay Area based on InVEST and PLUS models[J]. Environmental Science, 2023, 44(6):3343-3352.

[24]
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 Z L, Zhao M S, Gao Y F, 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.

[25]
方精云, 黄耀, 朱江玲, 等. 森林生态系统碳收支及其影响机制[J]. 中国基础科学, 2015, 17(3):20-25,F0002.

Fang J Y, Huang Y, Zhu J L, et al. Carbon budget of forest ecosystems and its driving forces[J]. China Basic Science, 2015, 17(3):20-25,F0002.

[26]
边蕊, 赵安周, 刘宪锋, 等. 关中平原城市群土地利用变化对碳储量的影响[J]. 环境科学, 2024, 45(6):3260-3269.

Bian R, Zhao A Z, Liu X F, et al. Impact of land use change on carbon storage in urban agglomerations in the Guanzhong Plain[J]. Environmental Science, 2024, 45(6):3260-3269.

[27]
秦慧颖. 山东省土地利用情景模拟与生态系统服务预测[D]. 济南: 山东大学, 2022.

Qin H Y. Scenario simulation of land use and prediction of ecosystem services in Shandong Province[D]. Jinan: Shandong University, 2022.

[28]
Gao L, Tao F, Liu R, et al. Multi-scenario simulation and ecological risk analysis of land use based on the PLUS model:A case study of Nanjing[J]. Sustainable Cities and Society, 2022, 85:104055.

[29]
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 T, Yang M Z, Wu D F, 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.

[30]
梁甜, 黄茜, 杨霏, 等. 基于InVEST-PLUS模型的三峡库区(重庆段)生境质量演变及预测[J]. 长江流域资源与环境, 2023, 32(10):2184-2195.

Liang T, Huang Q, Yang F, et al. Evolution and prediction of habitat quality in the Three Gorges Reservoir(Chongqing section)based on the in VEST-PLUS model[J]. Resources and Environment in the Yangtze Basin, 2023, 32(10):2184-2195.

[31]
Zhang S, Zhong Q, Cheng D, et al. Landscape ecological risk projection based on the PLUS model under the localized shared socioeconomic pathways in the Fujian Delta Region[J]. Ecological Indicators, 2022, 136:108642.

[32]
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 Y F, Zhou Q G, Wang T, 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.

[33]
邵壮, 陈然, 赵晶, 等. 基于FLUS与InVEST模型的北京市生态系统碳储量时空演变与预测[J]. 生态学报, 2022, 42(23):9456-9469.

Shao Z, Chen R, Zhao J, et al. Spatio-temporal evolution and prediction of carbon storage in Beijing’s ecosystem based on FLUS and InVEST models[J]. Acta Ecologica Sinica, 2022, 42(23):9456-9469.

[34]
国务院关于《山东省国土空间规划(2021—2035年)》的批复[J]. 中华人民共和国国务院公报, 2023(29):19-20.

Reply of the “Land and Spatial Planning of Shandong Province (2021-2035)”[J]. Gazette of the State Council of the People’s Republic of China, 2023(29):19-20.

[35]
济南市人民政府关于印发《济南市新型城镇化规划(2021—2035年)》的通知[J]. 济南市人民政府公报, 2022(15):2-34.

The New Urbanization Plan of Jinan City (2021-2035)[J]. Gazette of Jinan Municipality People’s Government, 2022(15):2-34.

[36]
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, 2023(2):300-314.

Luo S Q, Hu X M, Sun Y, 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(2):300-314.

[37]
李俊, 杨德宏, 吴锋振, 等. 基于PLUS与InVEST模型的昆明市土地利用变化动态模拟与碳储量评估[J]. 水土保持通报, 2023, 43(1):378-387.

Li J, Yang D H, Wu F Z, et al. Dynamic simulation of land use changes and assessment of carbon storage in Kunming City based on PLUS and in VEST models[J]. Bulletin of Soil and Water Conservation, 2023, 43(1):378-387.

[38]
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.

[39]
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1):116-134.

DOI

Wang J F, Xu C D. Geodetector:Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1):116-134.

[40]
石晶, 石培基, 王梓洋, 等. 基于PLUS-InVEST模型的酒泉市生态系统碳储量时空演变与预测[J]. 环境科学, 2024, 45(1):300-313.

Shi J, Shi P J, Wang Z Y, et al. Spatial-temporal evolution and prediction of carbon storage in Jiuquan city ecosystem based on PLUS-InVEST model[J]. Environmental Science, 2024, 45(1):300-313.

[41]
李琛, 吴映梅, 高彬嫔, 等. 高原湖泊乡村聚落空间分异及驱动力探测——以环洱海地区为例[J]. 经济地理, 2022, 42(4):220-229.

DOI

Li C, Wu Y M, Gao B P, et al. Spatial differentiation and driving factors of rural settlement in plateau lake:A case study of the area around the Erhai[J]. Economic Geography, 2022, 42(4):220-229.

[42]
王锴, 朴世龙, 何悦, 等. 中国陆地生态系统碳汇稳定性的空间分布特征及驱动机制[J]. 中国科学(地球科学), 2023, 53(2):216-226.

Wang K, Piao S L, He Y, et al. Spatial variations and mechanisms for the stability of terrestrial carbon sink in China[J]. Scientia Sinica (Terrae), 2023, 53(2):216-226.

Options
Outlines

/

〈 〉