中国生态农业学报(中英文)  2021, Vol. 29 Issue (6): 1018-1029  DOI: 10.13930/j.cnki.cjea.200746
0

引用本文 

杨洁, 谢保鹏, 张德罡. 基于InVEST和CA-Markov模型的黄河流域碳储量时空变化研究[J]. 中国生态农业学报(中英文), 2021, 29(6): 1018-1029. DOI: 10.13930/j.cnki.cjea.200746
YANG J, XIE B P, ZHANG D G. Spatio-temporal evolution of carbon stocks in the Yellow River Basin based on InVEST and CA-Markov models[J]. Chinese Journal of Eco-Agriculture, 2021, 29(6): 1018-1029. DOI: 10.13930/j.cnki.cjea.200746

基金项目

国家重点研发计划项目(2016YFC0501902)和甘肃省教育厅高校科研项目(2018A-038)资助

通信作者

张德罡, 主要从事草原资源与生态、草地土壤研究。E-mail:zhangdg@gsau.edu.cn

作者简介

杨洁, 主要从事草地生态系统服务研究。E-mail:405899577@qq.com

文章历史

收稿日期:2020-09-14
接受日期:2020-12-07
基于InVEST和CA-Markov模型的黄河流域碳储量时空变化研究*
杨洁1, 谢保鹏2, 张德罡1     
1. 甘肃农业大学草业学院 兰州 730070;
2. 甘肃农业大学管理学院 兰州 730070
摘要:区域土地利用/覆被变化是导致生态系统碳储量变化的主要原因,预测未来土地利用/覆盖变化及其对碳储量的影响对区域陆地生态系统的认识具有重要意义。本研究基于黄河流域2005—2018年土地利用/覆被变化规律,运用CA-Markov模型分别预测了生态保护情景(EVC)和自然变化情景(NVC)下的土地利用/覆被空间格局,采用修正后的碳密度,运用InVEST模型评估黄河流域2005—2030年6期碳储量。结果表明:2005—2018年黄河流域林地、水域和建设用地面积持续增加,耕地、草地和未利用土地面积减少,13 a间全流域碳储量减少28.734×106t。与自然变化情景相比,在生态保护情景下2030年草地和耕地相比2018年减少幅度较小,建设用地规模扩大得到了限制,产生了生态效应。2030年,自然变化情景和生态保护情景下的碳储量较2018年分别减少258.863×106t和30.813×106t,生态保护情景下土地利用覆被格局固碳能力高于自然变化情景,该研究可为黄河流域土地利用结构调整和土地利用管理决策提供科学依据。
关键词土地利用/覆被变化    碳储量    CA-Markov模型    InVEST模型    生态保护情景    黄河流域    
Spatio-temporal evolution of carbon stocks in the Yellow River Basin based on InVEST and CA-Markov models*
YANG Jie1, XIE Baopeng2, ZHANG Degang1     
1. College of Pratacultural Science, Gansu Agricultural University, Lanzhou 730070, China;
2. College of Management, Gansu Agricultural University, Lanzhou 730070, China
Abstract: The Yellow River Basin is an important carbon sink and carbon stock area of terrestrial ecosystems in China, and land use/cover change is the primary reason for variation in the carbon stocks. Therefore, accurately predicting future land use/cover changes and their impacts on regional carbon stocks is important for a better understanding of regional terrestrial ecosystems. This study aimed to explore the law of spatio-temporal changes in land use in the Yellow River Basin from 2005 to 2018 and to predict the characteristics of carbon stock changes under two scenarios of ecological protection and natural change in 2030. The CA-Markov model was used to predict the land use/cover spatial pattern in two scenarios:the ecological conservation scenario and the natural change scenario, based on its law in the Yellow River Basin from 2005 to 2018. The InVEST model was used to estimate the carbon stock in six phases of the Yellow River Basin from 2005 to 2030 based on the revised carbon density. The results highlighted land use change and transition among land use types. From 2005 to 2018, the areas of forest, water, and built-up land in the Yellow River Basin continued to increase, but the areas of cropland, grassland, and unused land decreased. The main transfer characteristics of land use types were from cropland to built-up land and grassland, and from cropland and grassland to forest. During the 13 years, the carbon stock of the whole basin decreased by 28.734×106t. The simulation results of land use changes under two scenarios with the CA-Markov model showed that compared with the natural change scenario, the ecological protection scenario led to reductions in grassland and cropland in 2030, which was less than that in 2018. The expansion of built-up land was restricted under the ecological scenario, and the scale of expansion was substantially reduced, both of which facilitated the generation of ecological effects in the Yellow River Basin. Furthermore, in 2030, the carbon stocks under the natural change scenario and the ecological protection scenario were reduced by 258.863×106t and 30.813×106t, respectively, compared with 2018. This study provides a scientific basis for adjusting the land use structure and land use management decision-making, improving the regional carbon stock capacity, and promoting ecological civilization construction in the Yellow River Basin.
Keywords: Land use/over change    Carbon stock    CA-Markov model    InVEST model    Ecological protection scenario    Yellow River Basin    

陆地生态系统的碳储量在全球碳循环和气候变化中起着非常重要的作用[1], 是衡量区域生态系统服务功能的一项重要指标。土地利用覆被变化(Land Use and Cover Changes, LUCC)是影响碳储量变化最主要的因素之一, 通过影响生态系统中植被和土壤的碳储量进而影响整个区域碳储量变化, 可以改变生态系统的结构和功能来影响生态系统碳循环过程。LUCC每年导致的碳排放量为1.5×109 t[2], LUCC与碳储量和生态系统功能的关系已引起国内学界的广泛关注[3]。孔君洽等[4]研究发现, 2000—2012年黑河中游LUCC导致碳储量增加3.22×106 t; 刘晓娟等[5]基于FLUS-InVEST模型土地利用视角, 模拟了中国2100年的陆地生态系统碳储量, 并探讨了其空间分异; 朱文博等[6]运用InVEST模型, 评估了太行山淇河流域2005—2015年及未来不同情景下的生态系统碳储量。基于LUCC评估碳储量时空演变特征逐渐成为评估碳储量的经典方法而被广泛使用, 该方法可以实现碳储量空间分布与动态变化的空间制图, 清楚地反映LUCC与碳储量之间的关系。结合土地利用覆被预测结果, 可以评估不同LUCC情景下的碳储量, 为土地利用结构优化提供有效依据。CA-Markov (Cellular Automata-Markov)模型被广泛应用于不同情景下的LUCC模拟, 并得出合理的结果[7-10]。该模型由马尔可夫链(Markov)和元胞自动机(CA)两个模型组成, 综合了CA模型模拟复杂系统空间变化的能力和Markov模型长期预测的优势, 既提高了土地利用转化的预测精度, 又可以有效模拟土地利用格局的空间变化, 具有较好的科学性和实用性[11]

黄河流域是我国重要的生态屏障, 是连接青藏高原、黄土高原、华北平原的生态廊道, 拥有多个国家公园和国家重点生态功能区, 流域内林草面积占流域总面积的50%以上, 是我国陆地生态系统重要的碳汇和碳储存区域。伴随黄河流域人口增加和城镇化进程, 国土开发利用活动强烈而且频繁, 为了保护流域生态环境, 国家实施了退耕还林还草等一系列生态保护工程, 流域内土地利用覆被发生了显著变化。王光谦等[12]研究了黄河流域20世纪80年代末期到90年代末期土地利用变化情况, 结果表明10多年来黄河流域草地、林地面积减少, 耕地、建设用地和未利用地面积增加。Wang等[13]对黄河流域1990—2000年的土地利用变化进行了研究, 结果发现耕地、建设用地和未利用地的面积增加, 而林地和草地面积逐年减少。张冉等[14]根据变化速度和程度对黄河流域土地利用进行分析, 得出1980—2015年间耕地面积变化最不明显, 而城乡工矿用地和水域面积变化最明显。黄河流域内土地利用覆被发生了变化, 对流域生态系统服务功能产生了深刻影响, 流域内碳汇和碳储存也相应发生了时空变化。探究黄河流域不同历史时期LUCC及其对碳储存的影响, 并基于现状探究如何控制和优化土地利用结构, 使流域碳储量向着良性的方向发展非常必要。本研究在明确黄河流域2005—2018年土地利用变化规律的基础上, 分别模拟预测2030年黄河流域在生态保护和自然变化两种情景下土地利用空间格局, 基于InVEST模型评估两种情景下碳储量并探究其时空动态变化特征, 以期为黄河流域碳平衡、土地利用结构调整以及土地利用管理决策提供科学依据。

1 研究区概况与研究方法 1.1 研究区概况

黄河是我国第二大河流, 位于96°~119°E、32°~ 42°N, 发源于青藏高原巴颜喀拉山, 在山东省垦利县注入渤海, 流经青海、四川、甘肃、宁夏、内蒙古、山西、陕西、河南、山东9省区, 干流全长5464 km, 东西长约1900 km, 南北宽约1100 km, 落差4480 m, 流域面积7.95×105 km2(包括内流区面积4.2×104 km2)。流域幅员辽阔, 山脉众多, 从西到东横跨青藏高原、内蒙古高原、黄土高原和黄淮海平原4个地貌单元。流域地势西高东低, 西部河源地区平均海拔4000 m以上, 由一系列高山组成, 常年积雪, 冰川地貌发育; 中部地区海拔1000~ 2000 m, 为黄土地貌, 水土流失严重; 东部海拔多不超过50 m, 主要由黄河冲积平原组成。全流域土地利用类型主要以草地为主, 占全流域总面积的47.17%, 耕地、林地、建设用地、未利用地和水域分别占流域总面积的27.05%、12.82%、2.31%、8.96%和1.69%。

1.2 研究方法 1.2.1 InVEST模型碳储量模块

InVEST模型(Integrated Valuation of Ecosystem Services and Trade-offs)即“生态系统服务功能与权衡交易综合评价模型”, InVEST模型碳储量模块将生态系统的碳储量划分为4个基本碳库:地上生物碳(土壤以上所有存活的植物材料中的碳)、地下生物碳(存在于植物活根系统中的碳)、土壤碳(分布在有机土壤和矿质土壤中的有机碳)、死亡有机碳(凋落物、倒立或站立的己死亡树木中的碳)。根据土地利用的分类情况, 分别对不同地类地上碳库(Cabove)、地下碳库(Cbelow)、土壤碳库(Csoil)和死亡有机碳库(Cdead)的平均碳密度进行计算统计, 然后用各个地类的面积乘以其碳密度并求和, 得出研究区的总碳储量(Ctotal, t∙hm−2)。其计算公式为:

${C_{{\rm{total}}}} = {C_{{\rm{above}}}} + {C_{{\rm{below}}}} + {C_{{\rm{soil}}}} + {C_{{\rm{dead}}}}$ (1)

基于各地类的碳密度和土地利用数据, 流域内每种土地利用类型的碳储量计算公式为:

${C_{{\rm{total}}i}} = \left( {{C_{{\rm{above}}i}} + {C_{{\rm{below}}i}} + {C_{{\rm{soil}}i}} + {C_{{\rm{dead}}i}}} \right) \times {A_i}$ (2)

式中: i为每种土地利用的平均碳密度, Ai为该土地利用的面积。

流域内总碳储量为所有地类碳储量之和。

1.2.2 碳密度及其修正

碳密度是InVEST模型准确评估碳储量非常重要的输入参数。本研究不同地类碳密度数据来源于国家生态科学数据中心(http://www.cnern.org.cn/)并参考了部分文献[15-19]。如表 1所示, 本研究碳密度主要考虑各土地利用地上植被、地下植被和土壤碳密度值和死亡有机物碳密度。

表 1 不同土地利用类型各部分的碳密度 Table 1 Carbon densities of various parts of different land use types  

由于本研究的碳密度数据来源于全国和一些地方的研究结果, 并不是实际的测量结果, 而碳密度值随气候、土壤性质和土地利用的不同而不同[20], 所以需对其进行修正。国内外研究结果显示生物量碳密度和土壤有机碳密度均与年降水量呈正相关关系, 而与年均气温呈弱相关, 并且该公式通用程度较高[21]。所以采用Alam等[22]研究中的公式(公式3, 公式4)作为修正降水量因子的公式, 采用Giardina等[23]、陈光水等[24]研究中的公式(公式5)作为修正年均温和生物量碳密度的公式。现有研究缺乏对年均温与土壤碳密度关系的定量表达, 因此考虑降水量对土壤碳密度的影响[25]

${C_{{\rm{SP}}}} = 3.3968 \times P + 3996.1\;\;\;\;\;({R^2} = 0.11)$ (3)
${C_{{\rm{BP}}}} = 6.7981{{\rm{e}}^{0.005\;41P}}\;\;\;\;\;({R^2} = 0.70)$ (4)
${C_{{\rm{BT}}}} = 28 \times T + 398\;\;\;\;\;({R^2} = 0.47, P < 0.01)$ (5)

式中: CSP为根据年降水量得到的土壤碳密度(kg∙m−2), CBPCBT分别为根据年降水量和年均温得到的生物量碳密度(kg∙m−2), P为年均降水量(mm), T为年均气温(℃)。分别将黄河流域和全国的年均温和年降水量代入上述公式(2000—2018年, 全国尺度和黄河流域年均温、年均降水量分别为7.56 ℃/7.05 ℃和673.9 mm/449.4 mm), 二者之比为修正系数, 全国的碳密度数据与修正系数的乘积为黄河流域碳密度数据。

${K_{{\rm{BP}}}} = \frac{{{{C'}_{{\rm{BP}}}}}}{{{{C''}_{{\rm{BP}}}}}}$ (6)
${K_{{\rm{BT}}}} = \frac{{{{C'}_{{\rm{BT}}}}}}{{{{C''}_{{\rm{BT}}}}}}$ (7)
${K_{\rm{B}}} = {K_{{\rm{BT}}}} \times {K_{{\rm{BP}}}}$ (8)
${K_{\rm{S}}} = \frac{{{{C'}_{{\rm{SP}}}}}}{{{{C''}_{{\rm{SP}}}}}}$ (9)

式中: KBP、KBT分别为生物量碳密度的降水因子和气温因子修正系数, ${C'_{{\rm{BP}}}}$${C''_{{\rm{BP}}}}$分别为黄河流域与全国尺度根据年降水量得到的生物量碳密度数据; ${C'_{{\rm{BT}}}}$${C''_{{\rm{BT}}}}$分别为黄河流域与全国尺度根据年均温得到的生物量碳密度数据; ${C'_{{\rm{SP}}}}$${C''_{{\rm{SP}}}}$分别为黄河流域与全国尺度根据年均温得到的土壤碳密度数据; KBKS分别为生物量碳密度修正系数和土壤碳密度修正系数。黄河流域年降水量和年均温修订的不同土地利用类型的碳密度值见表 2

表 2 年降水量和年均温修订的黄河流域不同土地利用类型的碳密度值 Table 2 Carbon density values of different land use types in the Yellow River Basin revised by annual precipitation and annualmean temperature  
1.2.3 CA-Markov模型及情景设定 1.2.3.1 CA-Markov模型原理

CA-Markov模型将CA和Markov模型结合起来, 利用一个转移概率矩阵来模拟土地利用随时间的变化。Markov链是以马尔可夫随机过程为理论基础的预测方法[26], 是模拟LUCC的主要工具, 非常适用于景观变化不易描述的情形, 该模型现已成为地理研究的重要预测工具[27]。马尔可夫链过程是通过求出1期和2期的土地转移概率模拟土地利用随时间变化的矩阵, 以此为基础预测后续变化[28], 计算公式如下[29]:

${P_{ij}} = \left[ {\begin{array}{*{20}{l}} {{P_{11}}{P_{{\rm{12}}}} \cdots {P_{{\rm{1n}}}}}\\ {{P_{21}}{P_{{\rm{22}}}} \cdots {P_{{\rm{2n}}}}}\\ { \cdots \; \cdots \; \cdots \; \cdots }\\ {{P_{n1}}{P_{{\rm{n2}}}} \cdots {P_{{\rm{nn}}}}} \end{array}} \right]{\rm{且}}\sum\limits_{j = 1}^n {{P_{ij}}} = 1\left( {i, j = 1, 2, \cdots , n} \right)$ (10)
${S_{t + 1}} = {P_{ij}} \times {S_t}$ (11)

式中:StSt+1tt+1时期土地利用状态, Pij为转移概率矩阵, n为土地利用类型。

但在马尔科夫链过程中没有充分考虑空间参数, 无法识别土地利用的空间变异性[30]。而元胞自动机(cellular automata, CA)具有模拟包括土地利用在内的各种自然过程时空演化的能力。其特点是时空状态是离散的, 是一种“自上而下”的研究思路, CA模型主要反映系统演化动力学的局部相互作用[31], 可以模拟随机、非线性和空间变化趋势, 每个栅格都表示1个元胞, 每个元胞代表各自特定的土地利用, 并且每个元胞的状态随着邻域状态和转变规则发生改变。研究表明, CA模型可以模拟土地利用和城市系统的复杂过程[32]。该模型可定义如下[26]:

$S\left( {t, \;t + 1} \right) = f\left[ {S\left( t \right), \;N} \right]$ (12)

式中: S为元胞有限、离散状态的集合, f为元胞状态的转换规则函数, N为每个元胞的邻域, tt+1为两个不同的时刻。CA-Markov模型结合Markov模型长时间序列模拟预测的优势和CA模型在模拟空间变化的优势, 可较好地预测和模拟LUCC在数量和空间的时空格局[33]

1.2.3.2 CA-Markov模型预测情景设置及过程

在本研究中, 使用IDRISI 17.2软件运行CA-Markov模型, 进而预测2030年土地利用格局, 具体经过以下操作步骤:

1) 首先IDRISI 17.2软件中的Markov模块以2005年和2018年的土地利用图为初始年份和最后年份, 得到转移概率矩阵和转移面积。其中转移概率矩阵反映了各土地利用转化为其他类型的概率, 转移面积反映了下一阶段区域内各土地利用转化为其他土地利用的面积。

2) 利用多标准评价模块(Multi-criteria Evaluation, MCE)建立土地利用变化适宜性规则图集。以限制性因素和驱动因素作为自变量进行分析, 得到每种地类的空间分布概率图。本研究根据未来对黄河流域生态环境的保护、生态工程的实施以及土地利用的管控方向, 设定自然变化和生态保护两种可能的土地利用覆被变化情景, 并分别设置约束条件。情景1:生态保护情景(EVC)。模拟到2030年, 根据生态保护的要求, 对林地、草地以及水域转出实施严格的控制, 林地和草地不能转为其他地类, 但其他地类可以转为林地和草地, 即土地利用覆被的变化受到严格的限制。情景2:自然变化情景(NVC)。结合2005—2018年黄河流域土地利用覆被变化趋势和特征, 假定2018—2030年影响土地利用覆被变化的因素没有发生较大变化, 根据2005—2018年转移概率预测2030年土地利用覆被结构。

3) 用Collection editor模块将所有概率图集成在一个图集中; 再次选择5×5邻接滤波器作为邻域定义, 单元格大小设置为1000 m×1000 m。

4) 以2005年作为预测起始时刻, 设定CA的迭代次数为13, 模拟研究区2018年的土地利用空间分布并采用Kappa指数对模拟结果进行检验。运用IDRISI 17.2软件中Crosstab模块, 输入研究区2018年实际土地利用图并与预测土地利用图进行精度检验, 得到自然变化情景和生态保护情景Kappa系数分别为0.92和0.88, 表明模拟效果较好, 可使用通过验证的CA-Markov模型规则进行2030年土地利用预测。

5) 使用通过验证的CA-Markov模型规则进行2030年土地利用预测。最后以2018年为预测起始时刻, 选择适宜性图集, 确定迭代次数为13, 预测得出2030年末的土地利用图。

1.3 数据来源

黄河流域边界矢量数据、土地利用/覆被数据、气温数据均来源于中国科学院资源环境数据中心(http://www.resdc.cn/data), 其中, 土地利用/覆被数据包括6个一级类和26个二级类, 经过合并和重分类后的土地利用为耕地、林地、草地、水域、建设用地和未利用地六大类, 裁剪后得到2005年、2010年、2015年和2018年4期黄河流域土地利用覆被图, 分辨率为1 km×1 km。降水数据来源于国家青藏高原数据中心(http://data.tpdc.ac.cn) “中国1 km分辨率逐月降水量数据集(1901—2017)”; 气温数据来自于中国科学院资源环境科学与数据中心(http://www.resdc.cn/data.aspx?DATAID=228); 数字高程模型(DEM)数据来自于中国科学院计算机网络信息中心地理空间数据云平台, 空间分辨率为90 m×90 m; 不同地类碳密度数据来源于国家生态科学数据中心(http://www.cnern.org.cn/)。

2 结果与分析 2.1 2005—2018年黄河流域土地利用变化特征

2005—2018年, 黄河流域用地类型以草地为主, 占流域总面积45%以上; 其次为耕地, 占总面积的26%以上; 再次为林地, 占流域总面积的12%以上; 而水域、建设用地和未利用地的面积较少, 均不足流域总面积的10%。13 a间, 各地类面积都发生了不同程度的变化, 其中变化幅度最大的地类为耕地和建设用地。林地、水域和建设用地面积持续增加, 其中建设用地面积增加最多, 为5749 km2, 增幅为30.87%, 林地面积增加2680 km2, 水域面积增加693 km2; 耕地、草地和未利用地的面积减少, 其中耕地面积减少最多, 为5976 km2, 草地面积减少2841 km2, 未利用地面积减少305 km2(表 3)。耕地持续减少, 2005—2010年减少量最大, 2010—2015年减少量最小, 分别为3728 km2和638 km2, 耕地主要转为建设用地和草地, 这是因为大量城镇建设占用耕地和“退耕还林还草”政策的实施。林地面积持续增加, 但增加规模呈减少特征, 主要是由于“三北”防护林体系建设工程项目和退耕还林工程的推动, 使林地面积不断增加, 从转移方向看, 林地的转入主要为耕地和草地。草地呈现“减少-增加-减少”的特征, 水域持续增加, 建设用地持续增加, 而未利用地先增加, 后减少。

表 3 2005—2018年黄河流域各期不同土地利用类型的面积及比例 Table 3 Areas and proportions of different land use types in each period from 2005 to 2018 in the Yellow Research Basin
2.2 不同情景土地利用覆被预测结果

根据预测结果(图 1, 表 4), 到2030年, 自然变化情景下, 流域耕地、草地预计比2018年分别减少18 482 km2和28 694 km2, 而林地、水域、建设用地和未利用地将持续增加, 增量分别为4896 km2、7121 km2、28 704 km2和6455 km2, 其中建设用地的增量最高, 增幅达117.76%。从转移方向来看(图 2), 减少的耕地主要转为建设用地和林地, 转移面积为21 016 km2和6108 km2; 林地增加并不多, 主要来自于耕地, 同时, 林地小面积的转为耕地、草地和建设用地; 水域很少转为其他地类, 但可由耕地、林地和草地转入, 因此呈增加的趋势; 而建设用地是变化较大的地类, 与水域相似, 很少转为其他地类, 但有耕地、草地大面积转入。

图 1 2030年自然变化情景(a)与生态保护情景(b)下黄河流域土地利用格局图 Fig. 1 Land use patterns under natural variation scenario (a) and ecological protection scenario (b) in the Yellow River basin in 2030
表 4 2030年自然变化情景(NVC)和生态保护情景(EVC)下不同地类的面积及其与2018年相比的变化 Table 4 Areas of different land use types under natural change scenario (NVC) and ecological protection scenario (EVC) in 2030 and their change from 2018 to 2030
图 2 2018—2030年自然变化情景(a)和生态保护情景(b)下土地利用类型转移矩阵(km2) Fig. 2 Transfer matrixes of land use types under natural change scenarios (a) and ecological protection scenarios (b) in the Yellow River Basin from 2018 to 2030 (km2)

在生态保护情景下, 与2018年相比, 减少的地类有耕地、草地和未利用地, 分别减少4168 km2、13 460 km2和496 km2, 林地、水域和建设用地将会增加, 分别增加8241 km2、4212 km2和5671 km2。从转移方向看(图 2), 耕地主要转变为林地、草地以及水域, 林地主要转变为草地, 草地主要转变为林地, 未利用地主要转变为草地、水域和建设用地。

在生态保护情景下生态用地尤其草地和耕地的变化趋势与自然变化相比发生了较大变化, 产生了相应的生态效应, 耕地、林地和草地占全流域总面积的比例均比自然变化情景下高, 分别从24.02%、13.76%和43.27%增加到25.80%、14.17%和45.15%, 草地面积增加显著。与此同时, 与自然变化相比, 建设用地规模的扩大受到了生态情景的限制, 扩大规模显著减少, 在自然变化情景下, 建设用地主要来源为耕地, 而生态保护情景下, 建设用地主要来源为未利用地, 尤其耕地转为建设用地的规模从21 016 km2减少到531 km2

2.3 不同情景下2005—2030年碳储量变化特征

利用InVEST模型Carbon模块分别计算黄河流域2005年、2010年、2015年、2018年4期的碳储量并分别预测2030年自然变化情景和生态保护情景下的碳储量。黄河流域2005年、2010年、2015年和2018年的碳储量分别为5417.772×106 t、5403.357×106 t、5404.301×106 t和5389.037×106 t, 呈现“减少-增加-减少”的波动状态, 总体减少28.734×106 t, 平均每年减少2.210×106 t。其中, 2005—2010年、2015—2018年两阶段碳储量减少量分别为14.415×106 t和15.263×106 t, 减幅分别为0.27%和0.28%; 2010—2015年间碳储量有少量增加, 增加量为0.94×106 t, 增幅为0.02%。自然变化情景下, 黄河流域2030年的碳储量预测为5130.174× 106 t, 较2018年减少258.864×106 t, 平均每年减少19.913×106 t; 而在生态保护情景下, 2030年碳储量为5358.225×106 t, 较2018年减少30.813×106 t, 平均每年减少量仅为2.370×106 t, 生态保护情景碳储量减少速度较自然变化情景下小。说明实施生态保护措施可以较好地实现黄河流域固碳作用, 且效果明显, 2018—2030年, 如果不采取生态保护措施, 限制草地、林地向其他地类转移, 黄河流域碳储量将出现急剧下降的趋势, 反之, 碳储量减少趋势将会较为稳定。

从碳储量的空间分布及其变化看(图 3), 2005— 2018年, 黄河流域碳储量表现出较一致的空间分布格局, 具体表现为黄河流域上游、洛河流域、汾河流域以及秦岭区域是碳储量的高值区域, 单位面积碳储量高于7055.92 t∙km–2, 上述区域植被状况较好, 固碳能力较强。碳储量低值区主要分布在黄土高原区域, 尤其是黄土高原以北的毛乌素沙地区域以及贺兰山以北、黄河以西的巴丹吉林沙漠区域, 单位面积碳储量小于1770.74 t∙km–2。这种碳储量的空间分布格局与黄河流域植被分布状况相关, 即高值区域主要以林地、高覆盖度草地为主, 而低值区域主要以沙地等未利用地为主。自然变化状态与生态保护状态下, 碳储量的空间分布与2005—2018年碳储量空间分布基本保持一致, 特别是在生态保护情景下, 黄土高原南部、东部及秦岭区域以及吕梁山、太行山区域碳储量增加极为明显, 由“点状”高值区域变为“面状”高值区域。在自然变化情景下, 黄河下游碳储量呈明显的减少趋势, 主要是因为该情景下, 黄河流域下游大量耕地被建设用地占用, 导致碳储量减少。

图 3 2005年、2010年、2015年、2018年及自然变化情景(NVC)和生态保护情景(EVC)下2030年黄河流域碳储量空间格局分布图(103 t∙hm−2) Fig. 3 Spatial distribution of carbon stock in 2005, 2010, 2015 and 2018, and in 2030 under natural change scenario (NVC) and ecological protection scenario (EVC) in the Yellow River Basin (103 t∙hm−2)
2.4 土地类型转变导致碳储量变化特征

受不同土地利用类型间土地转移面积、土壤与植被碳密度差异的影响, 不同土地利用类型间的转变对碳储量的影响存在差异。2005—2018年由于黄河流域不同土地利用类型之间的转化使得碳储量减少约28.743×106 t, 主要是因为大面积的耕地转化为建设用地, 草地转为未利用地, 使得土壤和植被地上、地下碳储量减少, 进而减少了流域总碳储量, 而水域和未利用地的碳密度较低, 所以水域和未利用地转为其他土地类型有利于碳汇的形成, 可增加碳储量。13 a间, 耕地面积持续减少致使碳储量减少23.102×106 t, 耕地主要转为建设用地、林地和草地; 林地具有较强的固碳能力, 成为生态系统中最大的碳库[32], 13 a间林地面积虽持续增加, 但其碳储量却减少约5.694×106 t, 这是因为林地主要增加来源为耕地和草地, 但碳储量增量不高, 且林地转出地类的碳密度均小于林地的碳密度, 导致碳储量的减少量大于增加量; 草地呈“减少-增加-减少”波动变化, 由于草地的转出使得流域内碳储量减少23.931×106 t; 水域面积13 a间持续增加, 水域的转出有利于流域碳储量增加, 共增加4.953×106 t, 水域的转入主要为耕地和未利用地, 转出地类也是耕地和未利用地。建设用地一直保持增加的趋势, 主要转入为耕地和草地, 但很少转出成为其他地类; 未利用土地则呈现出先增加后减少的趋势, 未利用地的转出使碳储量增加18.476×106 t, 未利用地主要转出地类为草地和耕地, 与此同时, 草地大面积转为未利用地, 未利用地与草地相互转移。

与2018年相比, 自然变化情景下, 2030年碳储量减少258.864×106 t (表 5), 生态保护情景下, 2030年碳储量减少30.813×106 t, 生态保护情景下的碳储量减少幅度明显低于自然变化情景, 这主要由于两种情景下耕地、林地、草地的转移概率不同所致。与自然变化情景相比, 生态保护情景下耕地、林地向建设用地的转移面积大幅减少, 导致碳储量增加, 这是因为生态情景下, 以生态保护为导向, 对耕地、林地向建设用地的转变进行了控制; 两种情景下, 草地碳储量均为增加趋势, 但生态保护情景下, 增幅更大, 一方面是因为草地向耕地的转移规模减少, 另一方面是因为对草地向建设用地的转移进行了控制, 可见生态保护措施有助于区域碳平衡。水域和未利用地变化引起的碳储量变化在两种情景下均不明显。研究表明, 未利用地、建设用地、水域向耕地、林地、草地等转变, 均可以增加碳储量, 但从黄河流域土地利用转移方向看, 主要土地类型的转移方向是从耕地、草地向建设用地的转移, 这不利于流域内未来碳储量的增加。

表 5 2018—2030年自然变化情景(NVC)和生态保护情景(EVC)下土地利用类型转换引起的碳储量变化 Table 5 Change of carbon stock caused by land use type conversion under natural change scenario (NVC) and ecological protection scenario (EVC) from 2018 to 2030
3 讨论

LUCC和由此导致生态系统服务功能变化已成为研究的热点, 不同土地利用类型的碳密度不同, 因此区域不同土地利用覆被格局的碳储量总量必然存在时空差异, 不少学者已评估了LUCC对生态系统服务功能的潜在影响[34-37]。将CA-Markov模型与InVEST模型相结合, 利用预测结果评估不同情景下的碳储量及其差异, 可以为土地利用结构优化方向和优化区域提供依据, 这对流域土地利用管理意义重大。该研究结果显示, 在生态保护情景下, 黄河流域2030年碳储量为5358.225×106 t, 而在自然变化情景下, 流域碳储量为5130.174×106 t, 这表明生态保护措施有利于增加碳储量和区域碳平衡。这与Zhao等[28]的研究结果一致, 因为陆地生态系统是世界上最大的碳库[38], 其中森林、湿地和草地的储存能力比其他生态系统更大[39], 实施生态保护可以促进高碳密度土地覆被类型的发展, 增加流域碳储量。结合生态保护情景碳储量变化可知, 黄河流域未来应通过城乡建设用地复垦复绿、未利用地开发以及生态用地修复等手段加强从建设用地、未利用地向耕地、林地和草地的转变, 同时需加强对建设用地的扩张进行合理的控制等一系列有助于实现区域低碳建设和生态环境保护的土地利用调控措施。在未来的发展中必须保护草地资源, 防止草地退化, 在实施退耕还林的同时也要注重退耕还草, 对退化草地重点进行保护修复。

本文采用的碳密度是将前人的研究成果根据研究区气象数据进行修正得到的, 相比之前大多采用全国尺度的碳密度进行区域性研究更有助于提高评估结果的准确性。虽然经过修正的碳密度数据与研究区真实碳密度数据较接近, 但是由于受到环境变化和人类活动等因素的影响, 碳密度值也会发生变化。同时, 有研究表明气温上升会提高土壤有机碳的分解速率, 导致土壤碳密度减少, 但没有文献记载土壤有机碳下降与气温上升的定量关系表达, 无法确定具体修正系数, 文中仅采用降水量对土壤碳密度进行校正有一定的局限性。因此根据前人的研究成果经过修正的碳密度值也存在不确定性。此外, InVEST模型对碳储量估算是基于大尺度土地利用变化, 忽视了一些对固碳非常重要的指标, 如光合速率和土壤微生物活动等; 碳模块也忽视了土地利用内部结构和植被年龄带来的固碳能力的差异, 使得碳储量空间格局分布存在一定误差, 导致结果的不确定性[11]。虽然InVEST模型有一定的不确定性, 但其估算结果能清晰反映黄河流域2005—2030年的碳储量时空变化和对土地利用类型变化的响应情况, 碳储量作为生态系统服务功能的一个重要指标, 能够反映研究区的生态系统状况, 可为经济与生态协调发展提供参考。此外, LUCC过程往往受自然条件、社会经济和人类活动等因素共同影响, 部分因素既难量化又具有不确定性[40]。本研究关注时间跨度对CA-Markov模型的影响, 但驱动LUCC的其他因素也不容忽视。CA-Markov模型虽然可以较好地模拟黄河流域的LUCC过程, 但在建模过程中缺少对社会、经济等因素的考虑, 加之遥感影像空间分辨率和解译精度的影响, 在一定程度上制约了模型模拟结果的精度。因此LUCC模拟还要结合研究区的实际情况和限制因素等, 才能进一步提高模拟精度, 得到更为接近实际的结果。因此, 未来的研究中, 需对碳密度值根据实测动态数据进行验证, 为精确估算碳储量提供数据基础和科学依据; 需探究LUCC内部空间异质性、植被年龄对碳密度的影响, 从而提高结果的准确性; 需对模型予以完善, 综合考虑环境、人为和生化等因素的影响, 提高耦合模型的预测精度。

4 结论

本研究将CA-Markov模型与InVEST模型联系, 在评估黄河流域2005—2018年碳储存的基础上预测了2030年的碳储存, 明确了LUCC对区域碳储存的潜在影响。得出以下主要结论:

1) 2005—2018年黄河流域LUCC发生了明显的变化, 具体表现为林地、水域和建设用地面积的持续增加和耕地、草地和未利用土地面积的减少。主要转移特征为耕地向建设用地和草地转移, 耕地、草地向林地的转移, 体现出建设占用耕地以及退耕还林还草工程在LUCC的反映。2005—2018年黄河流域碳储量呈减少趋势, 共减少28.734×106 t。

2) 到2030年, 自然变化情景下黄河流域耕地、草地预计比2018年减少, 减少的耕地主要转移为建设用地和林地, 而林地、水域、建设用地和未利用地将持续增加, 其中建设用地的增量最高。生态保护情景下, 耕地、草地和未利用地与2018年相比减少, 但减少规模较自然变化情景有所下降, 林地、水域和建设用地增加。设定了生态保护情景预测后, 生态用地尤其草地和耕地的变化趋势与自然变化相比发生了较大变化, 产生了相应的生态效应, 建设用地规模的扩大受到了生态情景的限制, 扩大规模显著减少。

3) 实施生态保护措施可以较好地实现黄河流域固碳作用, 自然变化情景下, 黄河流域2030年的碳储量较2018年减少258.864×106 t, 生态保护情景下, 2030年碳储量较2018年减少30.813×106 t, 生态保护情景碳储量减少速度较自然变化情景下小, 特别是在生态保护情景下, 黄土高原南部、东部及秦岭区域以及吕梁山、太行山区域碳储量增加极为明显, 由“点状”高值区域变为“面状”高值区域。

参考文献
[1]
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, 2003, 55(2): 378-390.
[2]
SOLOMON S. Climate change the physical science basis[J]. American Geophysical Union, 2007, 9(1): 123-124.
[3]
NEWBOLD T, HUDSON L N, HILL S L L, et al. Global effects of land use on local terrestrial biodiversity[J]. Nature, 2015, 520(7545): 45-50. DOI:10.1038/nature14324
[4]
孔君洽, 杜泽玉, 杨荣, 等. 黑河中游土地利用/覆被变化及其对碳储量影响的预测[J]. 中国沙漠, 2019, 39(3): 87-97.
KONG J Q, DU Z Y, YANG R, et al. Prediction of land use change and its influence on carbon stocks in the middle reaches of Heihe River[J]. Journal of Desert Research, 2019, 39(3): 87-97.
[5]
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.
[6]
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.
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.
[7]
ABURAS M M, HO Y M, RAMLI M F, et al. Improving the capability of an integrated CA-Markov model to simulate spatio-temporal urban growth trends using an analytical hierarchy process and frequency ratio[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 59: 65-78. DOI:10.1016/j.jag.2017.03.006
[8]
ETEMADI H, SMOAK J M, KARAMI J. Land use change assessment in coastal mangrove forests of Iran utilizing satellite imagery and CA-Markov algorithms to monitor and predict future change[J]. Environmental Earth Sciences, 2018, 77(5): 208. DOI:10.1007/s12665-018-7392-8
[9]
FIROZJAEI M K, SEDIGHI A, ARGANY M, et al. A geographical direction-based approach for capturing the local variation of urban expansion in the application of CA-Markov model[J]. Cities, 2019, 93: 120-135. DOI:10.1016/j.cities.2019.05.001
[10]
RIMAL B, KESHTKAR H, SHARMA R, et al. Simulating urban expansion in a rapidly changing landscape in eastern Tarai, Nepal[J]. Environmental Monitoring and Assessment, 2019, 191(4): 255. DOI:10.1007/s10661-019-7389-0
[11]
NELSON E, MENDOZA G, REGETZ J, et al. Modeling multiple ecosystem services, biodiversity conservation, commodity production, and tradeoffs at landscape scales[J]. Frontiers in Ecology and the Environment, 2009, 7(1): 4-11. DOI:10.1890/080023
[12]
王光谦, 王思远, 陈志祥. 黄河流域的土地利用和土地覆盖变化[J]. 清华大学学报:自然科学版, 2004, 44(9): 1218-1222.
WANG G Q, WANG S Y, CHEN Z X. Land-use/land-cover changes in the Yellow River basin[J]. Journal of Tsinghua University:Science & Technology, 2004, 44(9): 1218-1222. DOI:10.3321/j.issn:1000-0054.2004.09.018
[13]
WANG S Y, LIU J S, MA T B. Dynamics and changes in spatial patterns of land use in Yellow River Basin, China[J]. Land Use Policy, 2010, 27(2): 313-323. DOI:10.1016/j.landusepol.2009.04.002
[14]
张冉, 王义民, 畅建霞, 等. 基于水资源分区的黄河流域土地利用变化对人类活动的响应[J]. 自然资源学报, 2019, 34(2): 274-287.
ZHANG R, WANG Y M, CHANG J X, et al. Response of land use change to human activities in the Yellow River Basin based on water resources division[J]. Journal of Natural Resources, 2019, 34(2): 274-287.
[15]
解宪丽, 孙波, 周慧珍, 等. 中国土壤有机碳密度和储量的估算与空间分布分析[J]. 土壤学报, 2004, 41(1): 35-43.
XIE X L, SUN B, ZHOU H Z, et al. Organic carbon density and storage in soils of China and spatial analysis[J]. Acta Pedologica Sinica, 2004, 41(1): 35-43. DOI:10.3321/j.issn:0564-3929.2004.01.006
[16]
李克让, 王绍强, 曹明奎. 中国植被和土壤碳贮量[J]. 中国科学:D辑, 2003, 33(1): 72-80.
LI K R, WANG S Q, CAO M K. Carbon storage of vegetation and soil in China[J]. Science China, 2003, 33(1): 72-80.
[17]
陈利军, 刘高焕, 励惠国, 等. 中国植被净第一性生产力遥感动态监测[J]. 遥感学报, 2002, 6(2): 129-135.
CHEN L J, LIU G H, LI H G, et al. Estimating net primary productivity of terrestrial vegetation in china using remote sensing[J]. Journal of Remote Sensing, 2002, 6(2): 129-135.
[18]
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 J, LI M, AO Z Q, 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.
[19]
CHUAI X W, HUANG X J, LAI L, et al. Land use structure optimization based on carbon storage in several regional terrestrial ecosystems across China[J]. Environmental Science & Policy, 2013, 25: 50-61.
[20]
FU Q, XU L L, ZHENG H Y, et al. Spatiotemporal dynamics of carbon storage in response to urbanization:A case study in the Su-Xi-Chang Region, China[J]. Processes, 2019, 7(11): 836. DOI:10.3390/pr7110836
[21]
RAICH J W, NADELHOFFER K J. Belowground carbon allocation in forest ecosystems:Global trends[J]. Ecology, 1989, 70(5): 1346-1354. DOI:10.2307/1938194
[22]
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. DOI:10.1016/j.jaridenv.2012.10.002
[23]
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. DOI:10.1038/35009076
[24]
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 G S, YANG Y S, LIU L Z, et al. Research review on total belowground carbon allocation in forest ecosystems[J]. Journal of Subtropical Resources and Environment, 2007, 2(1): 34-42. DOI:10.3969/j.issn.1673-7105.2007.01.005
[25]
黄卉.基于InVEST模型的土地利用变化与碳储量研究[D].北京: 中国地质大学, 2015
HUANG H. Research on land use/land cover change and carbon storage based on InVEST model[D]. Beijing: China University of Geosciences, 2015
[26]
SANG L L, ZHANG C, YANG J Y, et al. Simulation of land use spatial pattern of towns and villages based on CA-Markov model[J]. Mathematical and Computer Modelling, 2011, 54(3/4): 938-943.
[27]
SANG N, MILLER D, ODE Å. Landscape metrics and visual topology in the analysis of landscape preference[J]. Environment and Planning B:Urban Analytics and City Science, 2008, 35(3): 504-520.
[28]
ZHAO M M, HE Z B, 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. DOI:10.1016/j.ecolind.2018.10.052
[29]
NASEHI S, NAMIN A I, SALEHI E. Simulation of land cover changes in urban area using CA-Markov model (case study:Zone 2 in Tehran, Iran)[J]. Modeling Earth Systems and Environment, 2019, 5(1): 193-202. DOI:10.1007/s40808-018-0527-9
[30]
WICKRAMASURIYA R C, BREGT A K, VAN DELDEN H, et al. The dynamics of shifting cultivation captured in an extended Constrained Cellular Automata land use model[J]. Ecological Modelling, 2009, 220(18): 2302-2309. DOI:10.1016/j.ecolmodel.2009.05.021
[31]
WANG Q H, KALANTAR-ZADEH K, KIS A, et al. Electronics and optoelectronics of two-dimensional transition metal dichalcogenides[J]. Nature Nanotechnology, 2012, 7(11): 699-712. DOI:10.1038/nnano.2012.193
[32]
SUN C M, HALL J A, BLANK R B, et al. Small intestine lamina propria dendritic cells promote de novo generation of Foxp3 T reg cells via retinoic acid[J]. Journal of Experimental Medicine, 2007, 204(8): 1775-1785. DOI:10.1084/jem.20070602
[33]
黄康, 戴文远, 黄万里, 等. 基于CA-Markov和InVEST模型的土地利用变化对生境影响评价——以福建省福州新区为例[J]. 水土保持通报, 2019, 39(6): 155-162.
HUANG K, DAI W Y, HUANG W L, et al. Impacts of land use change evaluation on habitat quality based on CA-Markov and InVEST models—Taking Fuzhou New District of Fujian Province as an example[J]. Bulletin of Soil and Water Conservation, 2019, 39(6): 155-162.
[34]
彭玺, 张亚威. 湘乡市林地森林碳储量及碳密度研究[J]. 中南林业调查规划, 2019, 38(1): 62-67.
PENG X, ZHANG Y W. Study on carbon storage and carbon density of forest land in Xiangxiang[J]. Central South Forest Inventory and Planning, 2019, 38(1): 62-67.
[35]
CAO V, MARGNI M, FAVIS B D, et al. Aggregated indicator to assess land use impacts in life cycle assessment (LCA) based on the economic value of ecosystem services[J]. Journal of Cleaner Production, 2015, 94: 56-66. DOI:10.1016/j.jclepro.2015.01.041
[36]
VO T Q, KUENZER C, OPPELT N. How remote sensing supports mangrove ecosystem service valuation:a case study in Ca Mau Province, Vietnam[J]. Ecosystem Services, 2015, 14: 67-75. DOI:10.1016/j.ecoser.2015.04.007
[37]
TARDIEU L, ROUSSEL S, THOMPSON J D, et al. Combining direct and indirect impacts to assess ecosystem service loss due to infrastructure construction[J]. Journal of Environmental Management, 2015, 152: 145-157.
[38]
KROGH L, NOERGAARD A, HERMANSEN M, et al. Preliminary estimates of contemporary soil organic carbon stocks in Denmark using multiple datasets and four scaling-up methods[J]. Agriculture, Ecosystems & Environment, 2003, 96(1/3): 19-28.
[39]
PAGIOLA S. Payments for environmental services in Costa Rica[J]. Ecological Economics, 2008, 65(4): 712-724. DOI:10.1016/j.ecolecon.2007.07.033
[40]
何丹, 周璟, 高伟, 等. 基于CA-Markov模型的滇池流域土地利用变化动态模拟研究[J]. 北京大学学报:自然科学版, 2014, 50(6): 1095-1105.
HE D, ZHOU J, GAO W, et al. An integrated CA-Markov model for dynamic simulation of land use change in Lake Dianchi Watershed[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014, 50(6): 1095-1105.