EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 5: 172 - 182

DOI: https://doi.org/10.6046/zrzyyg.2024215

Spatiotemporal evolution and prediction of ecosystem carbon storage in Xianyang City based on the PLUS-InVEST model

  • CHEN Qiuji ,
  • XIE Mimi ,
  • NAN Dandan ,
  • LUO Hao
Expand
  • College of Geomatics，Xi’an University of Science and Technology，Xi’an 710054，China

Received date: 2024-06-14

  Revised date: 2024-08-28

  Online published: 2026-06-03

Fold

Abstract

Land use change is a primary driver of carbon storage changes in terrestrial ecosystems. Investigating its impact on carbon storage is crucial for optimizing territorial spatial planning and reducing regional carbon emissions. Focusing on Xianyang City，this study analyzed changes in land use and carbon storage over the past two decades （2000—2020） based on corresponding land-use data from 2000，2010，and 2020，using the patch-generating land use simulation （PLUS） and integrated valuation of ecosystem services and tradeoffs （InVEST） models. Moreover，it predicted the distribution of carbon storage in 2030 under four scenarios：natural growth，urban development，cropland protection，and ecological protection. The results indicate that in 2000，2010，and 2020，Xianyang City exhibited carbon storage of 10 047.534×104 t，10 120.754×104 t，and 10 030.210×104 t，respectively，characterized by a pattern of an initial increase followed by a decrease. The conversion of grassland to forest and cropland to construction land was identified as the main factor contributing to the increase and decrease in carbon storage，respectively. Among the four scenarios for 2030，cropland protection and ecological protection scenarios displayed increased carbon storage，while the urban development scenario experienced the most significant decline in carbon storage due to the rapid expansion of construction land. Areas with high carbon storage were mainly concentrated in northern Xianyang，whereas those with low carbon storage were distributed in the southern economic centers. Looking ahead，the future planning in Xianyang should fully consider the impacts of land use on carbon storage，ecological land protection，and restriction of extensive construction land expansion. By doing so，the city can achieve dual optimization of land use and carbon emissions. The findings provide a scientific basis and data reference for enhancing ecosystem carbon sink capacity and optimizing terrestrial spatial planning in Xianyang City.

Key words： patch-generating land use simulation （PLUS） model; integrated valuation of ecosystem services and tradeoffs （InVEST） model; land use change; carbon storage; Xianyang City

Cite this article

CHEN Qiuji , XIE Mimi , NAN Dandan , LUO Hao . Spatiotemporal evolution and prediction of ecosystem carbon storage in Xianyang City based on the PLUS-InVEST model[J]. Remote Sensing for Natural Resources, 2025 , 37(5) : 172 -182 . DOI: 10.6046/zrzyyg.2024215

0 引言

城市的快速发展带来了巨大的社会和经济效益，然而，随之而来的是大量不合理的土地扩张，这导致碳排放增加，引发全球气候变化等一系列生态问题[1-2]。中国作为世界第二大经济体，已成为世界上最大的温室气体排放国，占全球温室气体排放总量的27%以上[3-4]。为了积极应对全球气候变化，2020年中国政府在第75届联合国大会一般性辩论上宣示，将力争于2030年前实现碳达峰、2060年前实现碳中和。土地利用变化大大改变了生态系统的碳储量[5]，并对陆地生态系统碳循环产生了巨大的影响[6]。维持陆地生态系统碳循环的平衡与稳定，理解土地利用变化如何影响陆地生态系统碳储量，从而探寻土地利用结构优化途径以提高区域生态系统碳储量，对于改善区域生态系统服务功能及减缓气候变化具有重要意义[7-8]。
碳储量是影响区域生态系统和气候变化的重要因素[9]，许多国内外学者就土地利用变化与碳储量之间的关系展开了诸多研究。例如，王超越等[10]研究了呼包鄂榆城市群在自然发展和生态保护2种情景下土地利用空间格局及其碳储量变化特征；Odebiri等[11]评估了南非未来气候和土地覆被变化下的土壤有机碳储量预测值；朱志强等[12]耦合未来土地利用模拟模型（future land use simulation model，FLUS）和生态系统服务功能评估模型（integrated valuation of ecosystem services and trade-offs，InVEST）来分析建设用地扩张与碳储量的分布规律并评估未来碳储量潜力。以上研究均表明土地利用变化是影响生态系统碳储量下降的重要因素。在土地利用变化预测中，已有的预测模型如Logistic-CA[13]，CA-Markov[14]，FLUS[15]等在转化规则挖掘策略和景观动态变化模拟策略这2个方面存在一定的不足[16]，导致在实际规划、决策或政策制定中的应用受到较大的限制。Liang等[17]提出了一种基于栅格的斑块生成土地利用变化模拟模型（patch-generating land use simulation model，PLUS），该模型应用一种新的分析策略，同时包含一种新的多类种子生长机制，可以更好地挖掘各类土地利用变化诱因、模拟多类土地利用斑块级的变化[18]。
有关碳储量的估算方法可分为实地调查法和模型模拟法[19]2种。传统实地调查法是最基本、有效的估算方法[20]，但该方法工作量大、操作相对复杂，不适用于大尺度区域研究[21]。采用模型模拟法可以很好地弥补实地调查法的不足[22]，其中由斯坦福大学开发、大自然保护协会和世界自然基金会联合支持的InVEST模型，结合土地利用情景，在不同社会经济尺度和地理尺度上检测服务功能之间的权衡以及生态系统服务功能供给的潜在变化[23]，具有数据需求量少、运行速度快、定量化精度高等优势，被广泛应用于碳储量计算[24]。因此，本文将结合PLUS模型和InVEST模型，探究陕西省咸阳市土地利用变化下的生态系统碳储量演变特征。
咸阳市处在中国几何版图中心，是关中-天水经济区的核心板块、西安咸阳国际化大都市的核心区。《咸阳市“十四五”生态环境保护规划》中强调要坚持绿色导向、生态优先的发展原则，致力推进碳达峰、碳中和，以生态环境高水平保护促进经济高质量发展。土地利用变化通过改变陆地生态系统的功能、结构和过程来影响碳储量的变化，是引起陆地生态系统碳储量变化的重要原因[25]，所以探究土地利用变化对碳储量的影响，有助于优化土地利用格局，提高区域碳汇能力。基于此，本文将以咸阳市2000年、2010年和2020年3期土地利用数据为基础，结合PLUS-InVEST模型，分析2000—2020年土地利用和碳储量的时空演变特征，并探究2030年自然增长情景、城镇发展情景、耕地保护情景和生态保护情景下碳储量的变化情况，以期为咸阳市实施可持续发展战略和优化空间格局提供数据参考。

1 研究区概况及数据源

1.1 研究区概况

咸阳市（34°11'~35°32'N，107°38'~109°10'E）地处陕西关中盆地中部，是中国大地原点所在地，下辖秦都区、渭城区、兴平市、武功县、乾县、礼泉县、泾阳县、三原县、永寿县、彬州市、长武县、旬邑县、淳化县，共2区2市9县，总面积10 196 km2（图1）。咸阳市地处暖温带，属大陆性季风气候，四季冷热干湿分明，年平均气温为9.0~13.2 ℃，平均年降水量为537~650 mm。地势北高南低，呈阶梯状，南部为渭河、泾河平原，约占总面积1/5；中部台塬区，约占总面积1/5；北部高原丘陵区，约占总面积3/5。近年来，咸阳市致力于改善生态环境并推进生态空间治理体系的现代化，通过护绿、管绿和增绿等措施使全市森林覆盖率提升至38.81%，活立木蓄积量达到1 460万m3，森林碳储量约为6 948万t，显示出林业碳汇交易的良好前景。
图1 研究区概况图

Fig.1 Overview of the study area

1.2 数据源及其预处理

本研究中2000年、2010年和2020年3期咸阳市土地利用数据来源于全球地理信息公共产品官网（http://www.globallandcover.com/），空间分辨率为30 m，参考土地资源分类标准，将其分为耕地、林地、草地、水域和建设用地5种地类。
PLUS模型驱动因子数据包括社会经济数据（GDP、人口密度、到各级道路距离和到政府距离）和气候环境数据（气温、降水、高程、坡度、土壤类型和距水系距离）。气温、降水、GDP、人口密度和土壤类型数据来源于中国科学院资源环境科学数据平台（https://www.resdc.cn/），空间分辨率为1 km，经过3次卷积内插法重采样至30 m分辨率；高程数据来源于地理空间数据云平台（http://www.gscloud.cn/），空间分辨率为30 m，坡度数据由高程数据计算得到；河流、道路和政府的矢量数据来源于全国地理信息资源目录服务系统（https://www.webmap.cn/），在ArcGIS10.2中采用工具“欧式距离分析”计算得到可达性栅格数据，空间分辨率为30 m。
碳密度数据是通过InVEST模型计算碳储量的重要参数，从前人的研究文献中获取，优先参考省内实测数据，其次为周边邻近范围内与研究区具有相似地理环境的实测数据或者文献整理数据[26-29]。对收集到的碳密度数据进行对比分析剔除异常值，对同一地类的碳密度数据取相关文献的平均值[30]，得到研究区不同土地利用类型的碳密度（表1）。
表1 研究区不同土地利用类型碳密度

Tab.1 Carbon density of each land type in the study area （t/hm2）

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 28.14 3.20 72.50 0
林地 24.56 5.97 87.30 13
草地 1.59 4.57 60.19 2.11
水域 0.30 0 0 0
建设用地 2.35 0 0 0

2 研究方法

2.1 PLUS模型

PLUS模型是一种基于元胞自动机（cellular automata，CA）的土地利用模拟新模型，包括2个模块，分别是基于土地扩张分析策略的转化规则挖掘框架（land expansion analysis strategy，LEAS）和基于多类型随机斑块种子机制的CA模型（CA based on multi-type random patch seeds，CARS）[17]。该模型能够更加精确地分析土地利用变化，反映更为真实的景观状态[31]。
1）LEAS模块。LEAS将地类转换规则的挖掘转为一个二元分类的问题[32]，将2期土地利用数据进行叠加，提取第2期土地利用数据中状态发生变化的栅格，随后采用随机森林算法，分别探索各个土地利用类型和多种驱动因子之间的关系，获取各土地利用类型的发展概率[33]，计算公式为：
${P}_{i，k（X）}^{d}$= $\frac{\sum _{n=1}^{M}I[{h}_{n}（X）=d]}{M}$，
式中：X为由驱动因子组成的向量；hn（X）为向量X在第n个决策树计算得到的土地利用类型；d的值取0或1，取1时表示其他地类可以转化为地类k，取0时则表示其他地类不可以转化为地类k；I[·]为决策树的指示函数；M为决策树总数； ${P}_{i，k（X）}^{d}$为在d的值取0或1的条件下，地类k在单元格i处的增长概率。
2）CARS模块。CARS基于CA模型，将多类随机斑块种子的生成和阈值递减机制结合，通过邻域权重和过渡矩阵的约束，驱动土地利用数量在宏观上满足未来土地利用需求[34]。土地利用类型k的转换总概率公式为：
$O{P}_{i，k}^{d=1，t}$= ${P}_{i，k}^{d=1}$× ${\Omega }_{i，k}^{t}$× ${D}_{k}^{t}$，
式中： $O{P}_{i，k}^{d=1，t}$为在t时刻地类k在单元格i处增长的总概率； ${\Omega }_{i，k}^{t}$为在t时刻地类k在单元格i处的邻域效应； ${D}_{k}^{t}$为t时刻地类k的需求影响，是一个自适应惯性系数。CARS模块基于地类转换到总概率 $O{P}_{i，k}^{d=1，t}$构造轮盘赌轮，在下一次迭代中选择土地利用状态。
为模拟多种土地利用类型的斑块演化，PLUS模型还采用了基于阈值下降的多类型随机斑块种子机制。使用蒙特卡洛方法，即当某种土地利用的邻域效应等于0时，在各个土地利用类型的发展概率面上生成变化的“种子”，演化生成新的土地利用类型。

2.2 模型精度验证

本研究基于2020年土地利用数据，模拟2030年土地利用情况。为了验证模拟精度，先以2010年土地利用数据为基础，模拟2020年土地利用数据。参考2020年真实土地利用数据，对PLUS模型模拟的土地利用结果进行精度验证，计算得到Kappa系数为0.85。当Kappa系数大于0.75时表明模拟精度较高，即可以通过PLUS模型预测咸阳市2030年的土地利用情况。

2.3 土地利用情景设置

为建设人地协调发展模式，推动经济发展、生态保护和城市建设协调发展，本文以自然增长情景为基础，设置城镇发展、耕地保护和生态保护3种模拟情景。其中，合理的城镇发展情景可以指导城市化进程，促进区域经济增长和社会进步；耕地是粮食安全的基础，设定耕地保护情景可以控制城镇化对耕地的侵占，保持土地资源的合理利用；生态保护情景有助于保护自然资源，维持生态系统服务功能，有助于构建宜居的城市环境。
1）自然增长情景（Q1）：继续延续当前土地利用的演变规律，各类用地之间的转移概率不做调整，以10 a为时间间隔，预测2030年Q1下的土地利用情况。
2）城镇发展情景（Q2）：限制建设用地向除耕地以外的其他用地类型的转换，将转移概率降低30%；同时，将耕地、林地和草地向建设用地的转移概率增加20%[35]，以10 a为时间间隔，预测2030年Q2下的土地利用情况。
3）耕地保护情景（Q3）：在自然增长情景的基础上，将耕地向建设用地的转移概率降低60%[21]，以10 a为时间间隔，预测2030年Q3下的土地利用情况。
4）生态保护情景（Q4）：该情景模式强调对生态环境的保护，要限制建设用地的扩张。将耕地向建设用地的转移概率降低30%，林地、草地向建设用地的转移概率降低50%；同时，将耕地、草地向林地的转移概率增加30%[36]，以10 a为时间间隔，预测2030年Q4下的土地利用情况。
多情景转移矩阵见表2，其中1表示地类之间可以相互转换，0表示地类之间不可以转换。
表2 多情景转移矩阵

Tab.2 Multi-scenario transition matrix

地类 Q1 Q2 Q3 Q4
耕地 林地 草地 水域 建设
用地		 耕地 林地 草地 水域 建设
用地		 耕地 林地 草地 水域 建设
用地		 耕地 林地 草地 水域 建设
用地
耕地 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1
林地 1 1 1 0 1 1 1 1 1 1 1 1 1 0 0 0 1 0 0 0
草地 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0
水域 1 0 1 1 0 1 1 1 1 1 1 0 1 1 0 0 0 0 1 0
建设用地 1 1 1 1 1 0 1 1 0 1 1 0 0 0 1 1 1 1 1 1

2.4 基于InVEST模型的碳储量计算

生态系统中碳储量主要由植被地上碳库、植被地下碳库、死亡有机碳库和土壤碳库[37]4部分组成。植被地上碳库为地表上活的植被的碳储量；植被地下碳库为地表下所有活的植被根系所包含的碳储量；死亡有机碳库为植被凋落物，枯木、倒木等所包含的碳储量；土壤碳库为土壤中包含的有机碳。
通过InVEST模型中的碳储存模块可以计算研究区生态系统中所包含的碳储量，所需数据包括土地利用数据以及各个土地利用类型对应的碳密度数据（表1），具体计算公式为：
Cj= ${C}_{j}^{above}$+ ${C}_{j}^{below}$+ ${C}_{j}^{dead}$+ ${C}_{j}^{soil}$，
C= $\underset{j=1}{\sum _{}^{J}}$AjCj ，
式中：j为土地利用类型；Cj为地类j的总碳密度，t/hm2； ${C}_{j}^{above}$， ${C}_{j}^{below}$， ${C}_{j}^{dead}$和 ${C}_{j}^{soil}$分别为地类j的植被地上碳密度、植被地下碳密度、死亡有机碳密度和土壤有机质碳密度，t/hm2；C为碳存储总量，t；Aj为地类j的面积，hm2；J为土地利用类型的数量，本文为5。

3 结果与分析

3.1 2000—2020年咸阳市土地利用变化分析

从咸阳市土地利用空间分布图可知（图2），耕地和林地为咸阳市的主要用地类型，两者之和超过研究区总面积的82%。耕地在2000—2020年呈现逐年减少的趋势，2000年、2010年和2020年面积分别为6 298.22 km2，6 174.95 km2和6 118.11 km2；林地在研究期间呈先增后减的变化趋势，2000年面积为2 140.69 km2，到2010年增加至2 454.78 km2，2020年又降至2 438.76 km2；草地在2000—2010年出现明显下降，所占面积由1 008.01 km2下降至697.19 km2，到2020年又下降至678.60 km2；建设用地在研究期间呈现出扩张状态，从2000年的704.86 km2上升至2010年的837.81 km2，2020年又上升至929.92 km2；水域在咸阳市的用地结构中占比不多，不超过1%，但仍呈现减少趋势。
图2 咸阳市2000—2020年土地利用空间分布

Fig.2 Spatial distribution of land use in Xianyang City from 2000 to 2020

2000—2010年，咸阳市耕地、草地和水域面积分别减少了123.27 km2，310.82 km2和12.96 km2（图3），林地和建设用地分别增加了314.09 km2和132.96 km2。草地是林地面积扩张的主要来源，2000—2010年共有373.77 km2的草地转换为林地，主要分布在咸阳市北部高原丘陵区。自2000年起咸阳市加大林业工程建设实施力度，包括“天然林保护工程”、“三北工程”和退耕还林等多项造林工程，有效地提升了咸阳市的森林覆盖率。2000—2010年建设用地的扩张主要来源于耕地，共有306.40 km2的耕地转换为建设用地，从图2可以看出在咸阳市南部建设用地出现聚集增长。
图3 咸阳市2000—2020年土地利用类型转换桑基图

Fig.3 Sankey diagram of land use type conversion in Xianyang City from 2000 to 2020

2010—2020年，建设用地面积增加92.11 km2，而其他用地类型面积均有所减少，其中耕地仍是建设用地扩张的主要来源（图3），主要分布在2处，一是咸阳市南部建设用地在原有基础上向周围的扩张，二是咸阳市西北部也出现了聚集式的建设用地（图2）。

3.2 咸阳市2000—2020年碳储量时空演变特征

使用InVEST模型计算得到咸阳市2000年、2010年和2020年碳储量分别为10 047.53×104 t，10 120.75×104 t和10 030.20×104 t（表3）。碳储量先增后减，总体仍呈现减少趋势，20 a共减少了17.33×104 t，年均减少量为0.87×104 t。其中，在2000—2010年这一时段内咸阳市碳储量共增加了73.22×104 t，主要是由于在该时段林地面积增加14.67%，林地碳储量增加了410.93×104 t，占该时段碳储量增加量的99.25%。在2010—2020年这一时段碳储量减少了90.55×104 t，在该时段内城镇快速发展，建设用地扩张并侵占其他地类，面积增长了10.95%，致使碳储量流失。
表3 咸阳市2000—2020年各地类碳储量

Tab.3 Carbon storage of each land type in Xianyang City from 2000 to 2020 （104t）

地类 2000年 2010年 2020年 2000—2020年
变化量
耕地 6 540.08 6 412.07 6 353.04 -187.03
林地 2 800.66 3 211.59 3 190.63 389.97
草地 690.08 477.30 464.57 -225.51
水域 0.15 0.11 0.10 -0.05
建设用地 16.56 19.69 21.85 5.29
总计 10 047.53 10 120.75 10 030.20 -17.33
同时，为了验证碳储量数据计算的准确性，考虑到真实的碳储量数据难以获取，在国家冰川冻土沙漠科学数据中心（http://www.ncdc.ac.cn/）中选取与咸阳市环境条件相似的实测土壤有机碳密度数据作为参考标准，间接地对碳储量数据的准确性进行验证[29]。将计算得到的2010年土壤碳储量数据结合面积等参数转换为碳密度数据，并随机选取若干个点，与实测土壤有机碳密度数据进行比对，两者之间的相对误差均在5%以下，即侧面说明了采用InVEST模型估算得到的碳储量数据较为准确。
图4为咸阳市2000—2020年碳储量的空间分布及变化情况，可以看出咸阳市的碳储量呈现北高南低的空间分布。碳储量高值区多集中在咸阳市北部植被覆盖率高的区域，如石门山国家森林公园、翠屏山市级自然保护区和爷台山等生态源地。碳储量低值区多分布在咸阳市南部海拔低、坡度缓的建设用地密集区，且随着时间变化向外扩张，与建设用地的变化趋势一致。
图4 咸阳市2000—2020年碳储量空间分布及变化

Fig.4 Spatial distribution and variation of carbon storage in Xianyang City from 2000 to 2020

将2000年和2020年的碳储量数据进行空间叠加分析，计算得到2000—2020年的碳储量变化图，并按照变化程度分为明显减少（变化量<-0.5 t）、基本不变（-0.5 t≤变化量≤0.5 t）和明显增加（变化量>0.5 t）3个等级（图4（d））。由图可以看出，碳储量明显增加的区域和林地增加的区域基本保持一致，分布在咸阳市的北部，而碳储量明显减少的区域和建设用地扩张的区域基本保持一致，集中在咸阳市的东南部。这说明了林地的增加会提高研究区生态用地比例，提升区域碳储量，而建设用地的扩张则会侵占其他生态用地的占比，导致区域碳储量下降。

3.3 土地利用类型转移对碳储量的影响

由于不同地类的土地利用转移面积和碳密度值存在差异，不同土地利用类型的转移对碳储量的影响也不同，结合咸阳市2000—2020年土地利用转移矩阵和不同地类的碳密度差值数据，计算土地利用类型转变造成的碳储量变化，结果如表4所示。咸阳市2000—2020年碳储量共减少17.32×104 t，其中植被碳储量有所上升，增加了19.51×104 t，而土壤碳储量减少了36.84×104 t。耕地、林地的转出使得碳储量大量减少，草地、建设用地的转出则使得碳储量有所恢复，水域所占比例较少，但水域转为耕地仍使碳储量增加了29.86×104 t。耕地转为建设用地是引起碳储量减少的主要原因，碳储量减少了434.52×104 t，其中土壤碳储量的损失占71.44%。林地转为草地是引起咸阳市碳储量减少的次要原因，碳储量减少了75.69×104 t，土壤碳储量的损失占60.92%。而草地转为林地和建设用地转为耕地则分别为引起碳储量增加的主要和次要原因，引起的碳储量增加量分别为245.74×104 t和214.12×104 t。
表4 2000—2020年地类转移引起的碳储量变化

Tab.4 Changes in carbon stocks caused by land type transfers from 2000 to 2020

土地利用
类型转化		 面积/km2 植被碳储
量变化/
104 t		 土壤碳储
量变化/
104 t		 总碳储量
变化/
104 t
耕地-林地 105.66 -0.86 29.37 28.52
耕地-草地 67.61 -17.03 -6.90 -23.92
耕地-水域 16.98 -5.27 -12.31 -17.58
耕地-建设用地 428.14 -124.12 -310.40 -434.52
小计 618.39 -147.27 -300.24 -447.51
林地-耕地 78.48 0.64 -21.82 -21.18
林地-草地 121.35 -29.57 -46.11 -75.69
林地-水域 3.05 -0.92 -3.06 -3.99
林地-建设用地 1.84 -0.52 -1.85 -2.36
小计 204.72 -30.38 -72.84 -103.22
草地-耕地 119.98 30.21 12.24 42.45
草地-林地 394.00 96.02 149.72 245.74
草地-水域 3.51 -0.21 -2.18 -2.39
草地-建设用地 8.10 -0.31 -5.05 -5.36
小计 525.59 125.71 154.72 280.44
水域-耕地 28.84 8.95 20.91 29.86
水域-林地 2.86 0.87 2.87 3.74
水域-草地 3.91 0.23 2.44 2.67
水域-建筑用地 1.80 0.04 0.00 0.04
小计 37.42 10.08 26.22 36.30
建设用地-耕地 210.98 61.16 152.96 214.12
建设用地-林地 0.28 0.08 0.29 0.37
建设用地-草地 3.30 0.13 2.06 2.18
建设用地-水域 0.27 -0.01 0.00 -0.01
小计 214.83 61.36 155.30 216.66
总计 1 600.95 19.51 -36.84 -17.32

3.4 多情景下的土地利用预测分析

基于2010年和2020年的土地利用数据，运用PLUS模型，得到2030年多情景下的土地利用预测结果（图5），从空间分布格局来看耕地和林地仍然是咸阳市的主要地类，由于各个情景下的土地利用需求不尽相同，模拟得到的土地利用分布图也存在差异。
图5 咸阳市2030年4种情景土地利用空间分布

Fig.5 Spatial distribution of land use under four scenarios in Xianyang City in 2030

以2020年作为基准年，对比4种土地利用情景模式。到2030年建设用地在4种情景下呈现不同程度的扩张趋势（表5），在Q1和Q2情景下的增幅分别为8.48%和12.67%，Q3和Q4情景分别采取措施限制建设用地的扩张，所以增幅仅为0.08%和0.85%。耕地在Q2情景下衰退最明显，减幅为1.33%，Q1情景下衰退稍有减缓，减幅为0.74%，Q3情景限制耕地向建设用地的转移，耕地出现小幅增加，增幅为0.45%，同时在Q3情景下建设用地扩张幅度也最小。林地在Q1，Q2和Q3情景下均呈现衰退趋势，减幅分别为0.73%，0.77%和0.52%，Q4情景强调对生态环境的保护，林地作为重要的生态用地在此情景下增幅高达1.20%。Q4情景中提高了草地向林地的转移概率，所以此情景下草地的消耗速度最快，为3.37%，在Q1，Q2和Q3情景下草地的消耗速度大致相同，分别为2.26%，2.48%和2.18%。水域除在Q4情景下增幅为0.01%外，其他情景下均减少。
表5 咸阳市2030年4种情景下各地类面积及其变化率

Tab.5 Land type area and change rate unde four scenarios in Xianyang City in 2030

地类 面积/km2 变化率/%
2020年 Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4
耕地 6 118.11 6 072.93 6 036.62 6 145.38 6 103.87 -0.74 -1.33 0.45 -0.23
林地 2 438.76 2 421.02 2 419.87 2 425.98 2 467.97 -0.73 -0.77 -0.52 1.20
草地 678.60 663.24 661.78 663.83 655.74 -2.26 -2.48 -2.18 -3.37
水域 35.76 35.21 35.11 35.30 35.76 -1.53 -1.82 -1.29 0.01
建设用地 929.92 1 008.76 1 047.78 930.66 937.81 8.48 12.67 0.08 0.85

3.5 多情景下咸阳市碳储量预测

在InVEST模型中通过咸阳市2030年4种情景下的土地利用和碳密度数据评估不同情景下的碳储量。表6为4种情景下的各地类碳储量，其中碳储量最高的是Q4情景，碳储量最低的是Q2情景。Q3情景和Q4情景超过了2020年的碳储量，Q1情景和Q2情景均低于2020年的碳储量。Q1情景延续之前的发展趋势，碳储量为9 951.414×104 t，较2020年减少了78.795×104 t，其中除建设用地的碳储量上升外其他地类的碳储量较2020年均有下降，说明当前模式已不能满足研究区未来发展需求，亟需采取措施改变当前的土地利用格局。Q2情景下的碳储量为9 912.123×104 t，较2020年减少118.090×104 t，其中耕地碳储量较2020年减少84.616×104 t，占损失总量的70.01%，该情景以经济发展为优先，使耕地大幅向建设用地转移，碳储量损失严重，不适用于研究区的可持续发展。Q3情景下的碳储量为10 031.711×104 t，较2020年增加了1.501×104 t，该情景下加强对耕地的保护，耕地碳储量较2020年增加了28.322×104 t，但其他生态地类的碳储量仍在减少，不利于研究区碳储量的恢复。Q4情景由于强调对生态环境的保护使得咸阳市碳储量有所提升，碳储量为10 038.168×104 t，相较于2020年增加了7.958×104 t，主要来源于林地碳储量的增加。
表6 咸阳市2030年4种情景下各地类碳储量

Tab.6 The carbon storage of each land type in Xianyang City under four scenarios in 2030 （104t）

地类 2020年 Q1 Q2 Q3 Q4
耕地 6 353.045 6 306.126 6 268.429 6 381.367 6 338.256
林地 3 190.634 3 167.423 3 165.910 3 173.910 3 228.844
草地 464.571 454.055 453.057 454.456 448.921
水域 0.107 0.106 0.105 0.106 0.107
建设用地 21.853 23.706 24.623 21.871 22.039
总计 10 030.210 9 951.414 9 912.123 10 031.711 10 038.168
从2030年不同情景的碳储量空间分布情况来看（图6），4种情景下的碳储量空间分布大致相似，但仍有差别。其中，耕地保护情景和生态保护情景相较于2020年发生碳储量减少的区域较少，自然增长情景和城镇发展情景下研究区的西北部和东南部碳储量下降明显，这与建设用地的扩张趋于一致。
图6 咸阳市2030年4种情景下碳储量空间分布

Fig.6 Spatial distribution of carbon storage in Xianyang City under four scenarios in 2030

4 讨论与结论

4.1 讨论

4.1.1 咸阳市2000—2020年土地利用变化对碳储量的影响

土地利用变化是影响陆地生态系统碳储量变化的重要因素之一，本文结合PLUS-InVEST模型，分析咸阳市土地利用和碳储量的演变特征。研究发现，20 a间咸阳市的碳储量呈现先增后减的变化趋势，其中2000—2010年碳储量呈上升趋势，碳储量上升的区域多集中在咸阳市北部，与林地的增长区域基本一致，这是因为在该时段内咸阳市开展了植树造林、封山育林等多项护林工程以提高森林覆盖率，截至2010年武功至兴平段形成了宽30 m、长50.5 km、面积多达6 600多亩①(①1亩≈666.67 m2)的农防林带，集护堤、经济、生态、旅游、观光为一体，昔日水土流失严重的渭河沙滩成为绿色长廊。2010—2020年是咸阳市社会经济发展取得显著成就的10 a，政府紧抓“关中-天水经济区”和西安（咸阳）国际化大都市建设的大好机遇，加强与周边城市的合作，推动区域经济一体化发展，建设用地得以快速扩张，这也是该时期咸阳市碳储量下降的原因。研究结果表明高碳密度地类转为低碳密度地类会引起碳储量的降低，而低碳密度地类转为高碳密度地类则会引起碳储量的上升，这与李俊等[21]的研究结果一致，所以咸阳市应采取生态保护措施，加强对高碳密度地类的保护，合理限制低碳密度地类的扩张，这是提升区域碳储量的有效手段。

4.1.2 不同情景下碳储量的变化

随着全球气候变化和环境问题的日益严峻，人们对碳储量的关注也越来越高，如何合理利用和管理碳资源，降低区域碳排放成为当前城市发展面临的重要挑战之一。从咸阳市2030年4种情景下的碳储量变化情况来看，在自然增长情景和城镇发展情景下，由于建设用地的大量扩张，碳储量下降明显；耕地保护情景加强对耕地的保护，建设用地扩张幅度最小；生态保护情景限制生态地类向建设用地的转换，碳储量在4种情景中最高。张斌等[30]在对武汉市黄陂区的研究中发现，在未来情景模拟中，耕地转为建设用地是导致碳储量减少的主要原因，这与本文的研究结果一致。因此，从“双碳”角度考虑，结合耕地保护和生态保护这2种发展情景，既可以控制耕地的流失速度，限制建设用地的无序扩张，同时也能兼顾生态环境的保护，是提升咸阳市未来碳储量的有效途径。政府部门可采取合理的措施，从多个方面入手，通过综合施策提高区域碳储量，促进可持续发展。

4.1.3 不足与展望

本文基于咸阳市2000—2020年3期土地利用数据，分析了土地利用的时空演化规律，利用InVEST模型估算了不同时期下碳储量分布，最后结合PLUS模型预测了未来不同土地利用情景下的碳储量变化特征，这可为咸阳市未来土地利用空间布局及生态系统碳汇能力的提升提供一定的数据参考。但在研究过程中，还存在一定的不确定性：首先在碳储量估算中未考虑到碳储量数值的波动变化，存在一定的误差；其次InVEST模型的碳储量模块，仅考虑了不同地类的碳密度差异，忽视了不同植被的种类、年龄和结构等固碳功能的差异。在今后的研究中，将长期实地调查获取不同植被类型的碳密度数据，提高碳储量评估的精度。

4.2 结论

1）2000年、2010年和2020年咸阳市的碳储量总量分别为10 047.534×104 t，10 120.754×104 t和10 030.210×104 t，呈现先增后减的变化趋势，前10 a碳储量上升的主要原因是林地面积的增加，后10 a碳储量下降的原因是建设用地的快速扩张。
2）碳储量高值区集中在咸阳市北部森林覆盖率高的区域，碳储量低值区集中在咸阳市南部的经济中心，且与建设用地的变化一致，随着时间推移向外发散扩张。
3）2030年4种发展情景中，耕地保护和生态保护情景的碳储量有所上升，较2020年分别上升了1.501×104 t和7.958×104 t，城镇发展情景的碳储量偏低，其原因是大量建设用地以消耗耕地的形式快速增长。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Xi F, Lin G, Zhao Y, et al. Land use optimization and carbon storage estimation in the Yellow River Basin,China[J]. Sustainability, 2023, 15(14):11278.

[2]
孙方虎, 方凤满, 洪炜林, 等. 基于PLUS和InVEST模型的安徽省碳储量演化分析与预测[J]. 水土保持学报, 2023, 37(1):151-158.

Sun F H, Fang F M, Hong W L, et al. Evolution analysis and prediction of carbon storage in Anhui Province based on PLUS and InVEST model[J]. Journal of Soil and Water Conservation, 2023, 37(1):151-158.

[3]
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.

[4]
张鹏, 李良涛, 苏玉姣, 等. 基于PLUS和InVEST模型的邯郸市碳储量空间分布特征研究[J]. 水土保持通报, 2023, 43(3):338-348.

Zhang P, Li L T, Su Y J, et al. Spatial and temporal distribution characteristics of carbon storage in Handan City based on PLUS and InVEST models[J]. Bulletin of Soil and Water Conservation, 2023, 43(3):338-348.

[5]
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.

[6]
Li Z, Tang Q, Wang X, et al. Grassland carbon change in northern China under historical and future land use and land cover change[J]. Agronomy, 2023, 13(8):2180.

[7]
刘晓娟, 黎夏, 梁迅, 等. 基于FLUS-InVEST模型的中国未来土地利用变化及其对碳储量影响的模拟[J]. 热带地理, 2019, 39(3):397-409.

Liu X J, Li X, Liang X, et al. Simulating the change of terrestrial carbon storage in China based on the FLUS-InVEST model[J]. Tropical Geography, 2019, 39(3):397-409.

DOI

[8]
朱文博, 张静静, 崔耀平, 等. 基于土地利用变化情景的生态系统碳储量评估——以太行山淇河流域为例[J]. 地理学报, 2019, 74(3):446-459.

DOI

Zhu W B, Zhang J J, Cui Y P, et al. Assessment of territorial ecosystem carbon storage based on land use change scenario:A case study in Qihe River Basin[J]. Acta Geographica Sinica, 2019, 74(3):446-459.

[9]
谢宇剑, 沈正平, 赵洁. 基于土地利用变化情景的徐州市生态系统碳储量评估[J]. 国土与自然资源研究, 2022(4):13-21.

Xie Y J, Shen Z P, Zhao J. Evaluation of ecosystem carbon storage in Xuzhou City based on land use change scenarios[J]. Territory & Natural Resources Study, 2022(4):13-21.

[10]
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.

DOI

Wang C Y, Guo X H, Guo L, 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.

[11]
Odebiri O, Mutanga O, Odindi J, et al. Evaluation of projected soil organic carbon stocks under future climate and land cover changes in South Africa using a deep learning approach[J]. Journal of Environmental Management, 2023, 330:117127.

[12]
朱志强, 马晓双, 胡洪. 基于耦合FLUS-InVEST模型的广州市生态系统碳储量时空演变与预测[J]. 水土保持通报, 2021, 41(2):222-229,239.

Zhu Z Q, Ma X S, Hu H. Spatio-temporal evolution and prediction of ecosystem carbon stocks in Guangzhou City by coupling FLUS-InVEST models[J]. Bulletin of Soil and Water Conservation, 2021, 41(2):222-229,239.

[13]
于文慧, 徐兆阳, 陈春森, 等. 逻辑回归元胞自动机模型的鸡西市城市扩张分析及预测[J]. 测绘与空间地理信息, 2022, 45(1):45-49,54.

Yu W H, Xu Z Y, Chen C S, et al. Analysis and prediction of the urban expansion of Jixi City based on logistic regression cellular automate model[J]. Geomatics & Spatial Information Technology, 2022, 45(1):45-49,54.

[14]
Wang Q Z, Guan Q Y, Sun Y F, et al. Simulation of future land use/cover change (LUCC) in typical watersheds of arid regions under multiple scenarios[J]. Journal of Environmental Management, 2023, 335:117543.

[15]
高周冰, 王晓瑞, 隋雪艳, 等. 基于FLUS和InVEST模型的南京市生境质量多情景预测[J]. 农业资源与环境学报, 2022, 39(5):1001-1013.

Gao Z B, Wang X R, Sui X Y, et al. Multi-scenario prediction of habitat quality in Nanjing based on FLUS and InVEST models[J]. Journal of Agricultural Resources and Environment, 2022, 39(5):1001-1013.

[16]
伍丹, 朱康文, 张晟, 等. 基于PLUS模型和InVEST模型的成渝经济区碳储量演化分析[J]. 三峡生态环境监测, 2022, 7(2):85-96.

Wu D, Zhu K W, Zhang S, et al. Evolution analysis of carbon stock in Chengdu-Chongqing Economic Zone based on PLUS model and InVEST model[J]. Ecology and Environmental Monitoring of Three Gorges, 2022, 7(2):85-96.

[17]
Liang X, Guan Q F, 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.

[18]
Wang Z Y, Li X, Mao Y T, et al. Dynamic simulation of land use change and assessment of carbon storage based on climate change scenarios at the city level:A case study of Bortala,China[J]. Ecological Indicators, 2022, 134:108499.

[19]
李姣, 汪杰, 李朗, 等. 洞庭湖生态经济区土地利用变化对碳储量的影响[J]. 生态学杂志, 2022, 41(6):1156-1165.

Li J, Wang J, Li L, et al. Impact of land use change on carbon storage in the Dongting Lake Eco-economic Zone[J]. Chinese Journal of Ecology, 2022, 41(6):1156-1165.

DOI

[20]
张平平, 李艳红, 殷浩然, 等. 中国南北过渡带生态系统碳储量时空变化及动态模拟[J]. 自然资源学报, 2022, 37(5):1183-1197.

DOI

Zhang P P, Li Y H, Yin H R, et al. Spatio-temporal variation and dynamic simulation of ecosystem carbon storage in the north-south transitional zone of China[J]. Journal of Natural Resources, 2022, 37(5):1183-1197.

[21]
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 InVEST models[J]. Bulletin of Soil and Water Conservation, 2023, 43(1):378-387.

[22]
侯建坤, 陈建军, 张凯琪, 等. 基于InVEST和GeoSoS-FLUS模型的黄河源区碳储量时空变化特征及其对未来不同情景模式的响应[J]. 环境科学, 2022, 43(11):5253-5262.

Hou J K, Chen J J, Zhang K Q, et al. Temporal and spatial variation characteristics of carbon storage in the source region of the Yellow River based on InVEST and GeoSoS-FLUS models and its response to different future scenarios[J]. Environmental Science, 2022, 43(11):5253-5262.

[23]
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.

[24]
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 X X, Xue J H, Dong L N. 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.

[25]
杨洁. 基于FLUS-InVEST模型的黄河流域土地利用变化模拟与碳储量估算研究[D]. 郑州: 河南大学, 2023.

Yang J. Simulation of land use change and carbon stock estimation in the Yellow River Basin based on FLUS-InVEST model[D]. Zhengzhou: Henan University, 2023.

[26]
岳程瑜. 陕西省森林碳储量及其碳汇潜力估算研究[D]. 杨凌: 西北农林科技大学, 2023.

Yue C Y. Estimation study of forest carbon storage and carbon sequestration potential in Shaanxi Province[D]. Yangling: Northwest A & F University, 2023.

[27]
古圳威, 刘京, 陈怡, 等. 陕西渭北旱塬区生境质量及碳储量时空演变分析与模拟[J]. 环境科学, 2023, 44(8):4666-4678.

Gu Z W, Liu J, Chen Y, et al. Analysis and simulation of the spatiotemporal evolution of habitat quality and carbon storage in the Weibei Dry Plateau Region of Shaanxi[J]. Environmental Science, 2023, 44(8):4666-4678.

[28]
段保正, 石辉, 魏小芳, 等. 西安市城区表层土壤碳储量与分布特征[J]. 水土保持通报, 2016, 36(6):293-297.

Duan B Z, Shi H, Wei X F, et al. Surface soil carbon storage and distribution in Xi’an City[J]. Bulletin of Soil and Water Conservation, 2016, 36(6):293-297.

[29]
王晓晨. 基于InVEST模型的陕西秦岭(渭河流域)生态系统服务评估[D]. 西安: 西北大学, 2022.

Wang X C. Evolution of ecosystem services of Weihe River Basin in Shaanxi Qinling Mountain based on InVEST model[D]. Xi’an: Northwest University, 2022.

[30]
张斌, 夏秋月, 董捷, 等. 大都市郊区土地利用变化对碳储量时空格局影响研究:以武汉市黄陂区为例[J]. 生态与农村环境学报, 2023, 39(6):699-712.

Zhang B, Xia Q Y, Dong J, et al. Research on the impact of land use change on the spatio-temporal pattern of carbon storage in metropolitan suburbs:Taking Huangpi District of Wuhan City as an example[J]. Journal of Ecology and Rural Environment, 2023, 39(6):699-712.

[31]
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.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, 34(4):175-182.doi:10.6046/zrzyyg.2021348.

[32]
王佳楠, 张志. 基于Markov-PLUS模型的柴北缘土地利用变化及模拟分析[J]. 西北林学院学报, 2022, 37(3):139-148,179.

Wang J N, Zhang Z. Land use change and simulation analysis in the northern margin of the Qaidam Basin based on Markov-PLUS model[J]. Journal of Northwest Forestry University, 2022, 37(3):139-148,179.

[33]
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.

DOI

Hu F, Zhang Y, Guo Y, 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.

DOI

[34]
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 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, 31(2):300-314.

[35]
江民. 西南喀斯特地区生态系统服务功能时空变化及驱动因子分析[D]. 武汉: 华中农业大学, 2022.

Jiang M. Study on the spatiotemporal variation and asscoiated driving factors of ecosystem services in the southwest karst of China[D]. Wuhan: Huazhong Agricultural University, 2022.

[36]
Chen H, Dong N, Liang X, et al. Spatiotemporal evaluation of regional land use dynamics and its potential ecosystem impact under carbon neutral pathways in the Guangdong-Hong Kong-Macao Greater Bay Area,China[J]. Remote Sensing, 2023, 15(24):5749.

[37]
王成武, 罗俊杰, 唐鸿湖. 基于InVEST模型的太行山沿线地区生态系统碳储量时空分异驱动力分析[J]. 生态环境学报, 2023, 32(2):215-225.

DOI

Wang C W, Luo J J, Tang H H. Analysis on the driving force of spatial and temporal differentiation of carbon storage in the Taihang Mountains based on InVEST model[J]. Ecology and Environmental Sciences, 2023, 32(2):215-225.

Options
Outlines

/

〈 〉