太湖流域土地利用碳排放變化及其預測①

禹康康，王延華, 2, 3*，孫 恬，田甲鳴

太湖流域土地利用碳排放變化及其預測①

禹康康1，王延華1, 2, 3*，孫 恬1，田甲鳴1

(1 南京師范大學地理科學學院，南京 210023；2 江蘇省地理信息資源開發與利用協同創新中心，南京 210023；3 南京師范大學虛擬地理環境教育部重點實驗室，南京 210023)

太湖流域地處長三角中心區域，人類活動劇烈導致生態環境退化和碳排放量上升。為探究土地利用變化對碳排放量的影響，利用ArcGIS軟件，結合土地利用轉移概率矩陣，依據2000年、2005年、2010年和2020年4期太湖流域遙感影像數據，對太湖流域各歷史時期 (2000—2020年) 不同土地利用類型下碳排放進行了分析。同時，為預測土地利用變化對流域碳收支的影響，借助IDRISI軟件對2030—2040年土地利用進行模擬，采用碳收支系數估算法對流域土地利用/覆被變化及其碳排放進行了預測。研究結果表明，太湖流域碳凈排放量呈現逐年增加的趨勢，不同土地利用方式下碳排放量不同，其中建設用地對碳排放量貢獻最大，遠超耕地，且呈現不斷增加趨勢。預測結果顯示，2030—2040年碳排放強度趨于平緩走向，說明產業結構逐步調整，治理措施已見成效。

太湖流域；土地利用轉移概率矩陣；馬爾科夫(Markov)預測模型；碳收支；碳排放變化

近些年來關于土地利用/覆被變化(LUCC) 的研究一直是熱點問題，研究涉及LUCC對水環境、土壤、大氣等諸多方面的影響，大多聚焦于對LUCC的空間分布以及變化過程進行評估、預測和影響分析[1]。隨著人類活動強度和廣度的增加，LUCC對碳庫的影響逐漸受到關注[2]。據報道，由LUCC引起的碳排放量占人類活動碳排放總量的1/3[3]，對溫室效應貢獻率約為24%[4]。我國CO2排放量呈逐年增長趨勢，對世界碳排放總量的貢獻居于第二位[5]，面臨著巨大的環境壓力。特別是21世紀以來，太湖流域社會經濟飛速發展，建設用地不斷擴張，擠占其他土地利用類型的空間，土地利用類型的變化刺激了碳排放[6]。目前研究大多是基于統計學和文獻薈萃的方法，選用碳排放系數進行分析[7-8]，對流域土地利用變化趨勢下碳排放量預測及對碳達峰時間的響應研究較少。為響應國家“碳達峰”和“碳中和”戰略目標，引導流域低碳發展，本文通過對太湖流域2000—2020年土地利用數據進行動態度、狀態指數和轉移概率計算，量化流域不同歷史時期土地利用變化導致的碳排放變化，并在此基礎上，應用馬爾科夫模型預測2030—2040年期間土地利用碳排放量的變化趨勢，以給出流域土地利用管理建議與碳減排對策，為太湖流域土地利用規劃的制訂提供依據。

1 材料與方法

1.1 研究區概況

太湖流域位于長三角地區，河網密集，東北向與長江連通(圖1)。流域行政區劃上包含江蘇省蘇、錫、常三市和丹陽市，浙江省嘉興市、湖州市和杭州部分縣，上海市的大部分及安徽省小部分縣區，流域總面積約36 900 km2[9]。結合國家土地利用現狀分類(GB/T21010—2017)[10]，將太湖流域土地利用類型分為5大類：耕地、林地、草地、水域和建設用地。流域80% 的平原區以耕地和建設用地為主[11]。近年來，隨著社會經濟發展和城鎮化率的提高，太湖流域人地矛盾和生態環境問題日益嚴峻[12]。

圖1 太湖流域區位圖

1.2 數據來源與不確定性分析

本文基于2000年、2005年、2010年和2020年4期30 m×30 m太湖流域土地利用數據(國家基礎地理信息中心全球地表覆蓋數據產品服務網站，http://www.globeland30.org)，采用ArcGIS10.6進行空間配準和疊置分析，在IDRISI 17.0軟件中制作適宜性圖集[13]，進行模擬及碳收支估算。本文采用的碳排放系數來源：建設用地、耕地、林地的碳排放系數為國家自然資源部[14]公布的系數值，草地碳匯系數出自文獻[15-16]對中國陸地植被碳匯的估算，是中國草地年均碳匯與總面積的比值，水域碳匯系數來自文獻[17]。建設用地碳排放源包括居住區取暖、交通尾氣排放、工礦用地工藝排放等；耕地碳排放源考慮化肥、農藥、農膜、農機、柴油等的使用。

由于參數選取與取值會對研究結果產生不同程度的誤差，存在一定的不確定性，所以在估算前本文采用水晶球軟件Crystal Ball對參數進行蒙特卡洛(Monte Carlo)不確定性分析[18]，定義假設：設定各排放因子的分布狀態是正態分布，然后對土地利用造成的總碳排放量進行定義預測。軟件運行10 000次假設實驗，得到排放量正態分布曲線，置信區間取2.5% 的和97.5% 的值，兩者之差為平均值。相對正的隨機抽樣誤差由97.5% 處的值和平均值的差除以平均值得出，相對負的隨機抽樣誤差則由2.5% 處的值和平均值之差除以平均值得出。以某一年數據為例進行分析計算出相對負的隨機抽樣誤差為–19.76%，相對正的隨機抽樣誤差為19.79%，因此，基于平均值的相對隨機誤差為–19.76% ～ +19.79%。

1.3 土地利用與碳排放算法

1.3.1 土地利用動態度算法 單一土地利用動態度[19]是描述不同土地利用類型在一定時間段內的變化速度和幅度的指標，能直觀反映某一土地利用類型相對于自身變化程度和速度的劇烈性，進而反映出人類活動對單一土地利用類型的影響，算法見公式(1)。利用此模型可對研究區內各種土地利用類型之間的變化速度作分析比較。

式中：為研究時段內單一土地利用動態度(%)，若為正值，則該類土地面積有增大趨勢，反之有減少趨勢；1和2是研究期初和期末某一土地類型數量(hm2)；為研究時段(a)。

土地利用狀態指數[20]能夠反映土地利用類型轉換趨勢和狀態，計算公式見式(2)。

式中：D為研究時段內第種土地利用類型的狀態指數；轉入為土地利用類型的轉入速度，轉出為土地利用類型的轉出速度。

1.3.2 碳收支系數與計量方法 太湖流域碳收支系數見表1，其中正為碳排放，負為碳吸收。土地利用碳排放與吸收量計算方法[21]如式(3)。

式中：C為第種土地利用類型的碳吸收量或碳排放量(t)；為第種土地利用類型的面積(hm2)；為第種土地利用類型的碳吸收/排放系數(t/(hm2·a) )。

表1 土地利用碳收支系數(t/(hm2·a))

1.3.3 土地利用預測方法 本文采用IDRISI 17.0軟件進行LUCC預測分析，預測流程如圖2所示。將數據在ArcGIS中標準化處理后導入IDRISI中重分類。運用IDRISI對CA-Markov模型整體精度進行評估[22]，精度結果為0.89，可用于預測。

太湖流域坡度范圍為0 ～ 82°，高坡度區集中于西南方向的山地和丘陵，呈現周邊高中間低的凹形地勢。由于西南向的高坡度區會對土壤侵蝕及水土流失產生較大影響進而影響污染物遷移，考慮利用坡度來避免演變方向朝不適宜坡度區發展，故本研究選取坡度作為土地利用類型適宜性圖集評價因子。制作耕地適宜性圖采用最小因子決定法。太湖流域適合耕地作業的坡度為<15°，將坡度用重分類工具分為0和1兩類(作為MCE多準則評價標準方法之一的布爾交集運算中，1代表滿足需要區域，0代表除此之外的區域)，水域為非耕區，設為0，代表限制耕地向水域發展，疊加得到除去水域后適宜耕地發展的適宜性圖。同理考慮適合建設用地發展的坡度為<10°；草地和林地滿足所有坡度條件。將得到的各適宜性圖組合成研究區適宜性圖集。隨后在Markov模塊中導入各時期土地利用圖，誤差因子設為0.15，得到不同時期各土地利用類型轉移概率矩陣。在CA-Markov模塊中導入初始土地利用圖和轉移概率矩陣，元胞自動機迭代次數為年份間隔的整數倍，從而得預測年份土地利用圖。

圖2 土地利用預測流程

1.3.4 馬爾科夫(Markov)預測模型 Markov預測是一種定量揭示各土地利用類型之間相互轉化和轉移速率變化的模型[23]。確定土地利用類型間相互轉化的初始轉移概率矩陣是模型的關鍵[24]，其數學表達式為公式(4)。

式中：為期初到期末一種土地類型轉為另一種類型的概率，為土地利用類型的數量，和要滿足公式(5)的條件。

因此，所要預測的土地利用的狀態概率向量()，由其初始土地利用狀態概率向量(–1)和轉移概率矩陣確定[25-26]，具體見公式(6)。

2 結果與分析

2.1 太湖流域土地利用變化特征及動態度

2000—2020年，太湖流域土地利用類型變化最大的是建設用地和耕地(圖3)。在此期間，建設用地和水域面積分別增長了87.66% 和22.35%，耕地和林地面積分別減少了25.61% 和9.38%。

土地利用動態度結果表明，兩個時間段內草地、水域和建設用地面積均有增加趨勢，林地和耕地面積有減少趨勢(圖4A)。草地動態度變化最大，從0.30% 變化到26.36%，動態度增加26.06個百分點；其次是建設用地，動態度從7.61% 變化到0.68%，減少6.93個百分點。草地呈現先轉出后轉入趨勢，林地呈現先轉入后轉出趨勢，建設用地一直處于轉入狀態，相反耕地則一直處于轉出狀態(圖4B)。

土地利用轉移概率矩陣(表2)顯示，2000—2020年太湖流域各類用地之間互有轉換。其中，2000—2005年耕地主要轉入類型為建設用地和林地，主要轉出類型為建設用地和水域；建設用地主要轉入類型為耕地和水域，主要轉出類型為耕地；2005—2010年建設用地轉為耕地的概率與前5年持平，而耕地轉為建設用地的概率增加了0.4，說明這一時期城市化進程在加快；2010—2020年，耕地轉為建設用地的概率降至0.23，相較于2005—2010年期間降低了0.02，而建設用地轉為耕地的概率增至0.32，增幅較大，推測可能與國家實施建設用地管控及基本農田保護政策關系較大。

圖3 2000—2020年太湖流域不同土地利用類型面積占比變化(%)

圖4 單一土地利用動態度及土地利用狀態指數

表2 土地利用轉移概率矩陣

各時間段內土地利用變化面積與變化率見表3。建設用地面積年變化率較大且始終為正，說明建設用地面積持續在增加，近10年來增幅有放緩趨勢，說明政府對建設用地的管控收到了效果；與之相反的是耕地面積年變化率較大且為負，持續在減少，近10年來降幅變緩；草地年變化率由負轉正，面積由減少轉變為增加，可能與退耕還草和湖濱帶建設有關；林地呈現先增加后減少趨勢，變化幅度不大；水域面積緩慢增加，可能與流域調水有關。綜上，近20年來人類活動對太湖流域耕地和建設用地影響最大，對林地、草地和水域也有不同程度影響。該研究結果與土地利用狀態指數變化指示結果一致。

表3 太湖流域土地利用類型變化幅度

2.2 2030—2040年太湖流域土地利用預測

為預測太湖流域2030—2040年土地利用類型，本研究構建CA-Markov預測模型并采用2000—2005年土地利用圖對2010年進行預測，輸出結果與2010年實際土地利用作疊置分析來進行精度檢驗[27]：運用ArcGIS中的“相交”模塊和IDRISI的“CROSSTAB”模塊，進行Kappa系數檢驗。從表4和圖5對比結果可知，CA-Markov模型 Kappa系數為0.85，模擬結果精度較高，與實測值差別較小。

2030年和2040年土地利用預測分別依據2010—2020年和2020—2030年土地利用數據結合CA- Markov模型模擬得到。2030—2040年太湖流域土地利用預測圖如圖6所示，預計草地、水域和建設用地處于增長狀態，林地和耕地處于不斷減少狀態。

表4 2010年土地利用實際與模擬結果對比

2.3 基于土地利用的流域碳收支歷史變化及其發展趨勢

由土地利用類型轉移矩陣結合碳排放系數發現，各地類間轉移碳排放量與轉向地類碳匯能力相關。對太湖流域整個研究期土地利用造成的碳排放轉移情況進行分析，結果(表5)表明，建設用地轉出導致碳匯增加最大，林地轉出導致碳流失最多。林地是主要的碳匯地類，向建設用地和耕地轉移使得碳匯減少。雖然碳源地類向碳匯地類進行轉化，但是不及建設用地擴張的速度以及各碳匯地類向建設用地轉換的速度。

圖5 2010年土地利用類型實際分布和模擬結果對比

圖6 CA-Markov模擬下的2030—2040年土地利用圖及面積占比

表5 2000—2040年各土地利用類型碳排放轉移矩陣(t)

從太湖流域2000—2040年各土地利用類型碳排放量(表6)可知，2000—2020年，建設用地碳排放量增加了2 948.05萬t，在碳源中的比例從97.68% 增加到2020年的99.07%，對凈碳排放量貢獻率增幅較小(98.97% ～ 99.82%)；耕地碳排放量從79.43萬t減少到59.09萬t，減少了25.61%。耕地在2000年和2020年碳源中的比例分別為2.32% 和0.93%，建設用地的貢獻率遠超耕地。2020—2040年，建設用地碳排放量增加426.83萬t，總體呈現上升趨勢，對碳源的貢獻較大(99.07% ～ 99.26%)；耕地碳排放量減少8.95萬t，對碳源的貢獻為0.74% ～ 0.93%。在碳匯方面，2000—2020年，水域、林地和草地吸收對碳匯的貢獻分別為47.97% ～ 55.35%、44.41% ～ 51.96% 和0.06% ～ 0.23%；2020—2040年，分別為55.35% ～ 63.94%、35.37% ～ 44.41% 和0.24% ～ 0.69%。

表6 太湖流域2000—2040年各土地利用類型碳排放量(萬t)

碳源、碳匯差值即碳收支[28]。太湖流域2000—2040年各土地利用類型的碳收支見表7。2000—2020年，太湖流域土地利用凈碳排放量增長了0.87倍(3 379.77萬t ～ 6 719.70萬t)，碳源/碳匯的比值升高了0.75倍(76.19 ～ 133.77)。林地、草地和水域具有碳匯作用，因該階段其面積變化不大導致流域碳匯變化較小。碳源變幅較大，主要是由于2000年以來經濟迅猛發展，城鎮化進程加快，導致建設用地不斷擴張帶來碳排放量增加。從模型預測的結果可以看出，太湖流域2020年以后碳排放量增速比較緩慢，凈碳排放量呈現緩慢上升趨勢，說明未來國家的管控政策和人們對于環境保護的重視程度將越來越大。

表7 太湖流域2000—2040年各土地利用類型碳源碳匯量(萬t)

地均碳排放強度指的是研究區域單位土地面積上的凈碳排放量，該值大小反映了研究區域內土地利用的環境友好性，在一定土地面積下，該值越小，即單位土地面積上的碳排放強度越小，研究區域內的環境越友好[29]。2000—2020年，太湖流域地均碳排放強度整體呈上升趨勢(9.34 ～ 17.42 t/hm2)，說明土地利用環境友好性不斷下降；但2020年以后上升速度放緩，碳排放強度走向不斷趨于平緩甚至下降(圖7)。

3 討論

為應對氣候變化，習主席在聯合國大會上提出“2030年前實現碳達峰，2060年前實現碳中和[30]”的目標，這也是“十四五”的重點任務。太湖流域耕地和建設用地占主導，耕地面積逐年下降，建設用地處于不斷擴張狀態。隨著城市進程發展，城市擴張速度不斷減緩，本預測結果顯示，太湖流域由土地利用類型變化所導致的碳排放量處于不斷平穩的狀態，預計在2030—2040年間達到土地利用的碳達峰。要實現碳達峰和碳中和下的未來土地利用變化目標需求，可通過構建土地利用結構優化線性模型，制定模糊約束條件，結合LINGO軟件求解碳排放量最小化目標下各決策變量最優解，進而得到響應碳達峰的各土地利用面積，來優化流域土地利用格局。

圖7 地均碳排放強度

太湖流域土地利用變化同時受三省一市國土空間規劃管控，規劃重心都落在“劃定永久基本農田、明確城鄉建設用地集約利用”上。在2021年5月30日的中國城市規劃學會議中，有學者提出未來太湖流域藍綠空間應不低于68%，河湖水面率增至22%，以太湖為生態核心區，構建長三角一體化示范區水網生態廊道。土地利用碳排放增加的重要原因是建設用地擴張導致非建設用地縮減，本研究預測顯示，到2040年太湖流域建設用地、林草地和水域面積分別占28.43%、19.43% 和14.71%，實現藍綠空間目標任重而道遠。基于此，一是建議政府部門對國土空間格局有計劃地調控，按碳減排和碳增匯目標合理規劃各類用地發展，適當將建設用地向其他用地轉移，及時評估未來建設用地擴張所產生的碳排放，同時也結合還林還草政策，規劃林草地和水域的修復保護；二是人類活動作為土地利用碳排放變化的重要驅動力，可通過植樹造林、提倡節能減排等措施來抵消碳源產生的碳排放量，實現“零排放”。

4 結論

1)2000年以來，太湖流域耕地不斷減少，耕地面積從59.30% (2000年)降低到44.12% (2020年)；建設用地不斷擴張，面積從14.18% (2000年)增加到26.63% (2020年)，各類用地間轉換速率逐年變化。

2)Markov模型預測結果表明，到2040年太湖流域耕地面積進一步降低至37.43%，建設用地面積小幅增至28.43%，水域和草地仍處于增長狀態，林地面積不斷下降。

3)太湖流域碳排放總量和凈碳排放量均逐年增加，不同土地利用方式碳排放量不同，建設用地貢獻最大(>95%)。碳排放強度趨于平緩，預測未來環境治理水平日漸提高，土地利用結構優化已見成效。

[1] 鄭榮寶, 盧潤開, 唐曉蓮, 等. 1998—2016年全球LUCC研究進展與熱點分析[J]. 華僑大學學報(自然科學版), 2017, 38(5): 591–601.

[2] 付超, 于貴瑞, 方華軍, 等. 中國區域土地利用/覆被變化對陸地碳收支的影響[J]. 地理科學進展, 2012, 31(1): 88–96.

[3] Houghton R A. The annual net flux of carbon to the atmosphere from changes in land use 1850-1990[J]. Tellus B: Chemical and Physical Meteorology, 1999, 51(2): 298–313.

[4] Klein Goldewijk K, Ramankutty N. Land cover change over the last three centuries due to human activities: The availability of new global data sets[J]. GeoJournal, 2004, 61(4): 335–344.

[5] 莊貴陽. 低碳經濟中國之選[J]. 中國石油石化, 2007 (13): 32–34.

[6] 余雪振. 武漢市土地利用變化碳排放效應研究[D]. 武漢: 華中農業大學, 2013.

[7] 張若楠, 楊瑾. 陜西省土地利用碳排放與碳足跡研究[J]. 農業與技術, 2020, 40(5): 126–130.

[8] 鄭永超, 文琦. 寧夏自治區土地利用變化及碳排放效應[J]. 水土保持研究, 2020, 27(1): 207–212.

[9] 歐維新, 劉翠, 陶宇. 太湖流域水供給服務供需時空演變分析[J]. 長江流域資源與環境, 2020, 29(3): 623–633.

[10] 中華人民共和國國家質量監督檢驗檢疫總局, 中國國家標準化管理委員會. 土地利用現狀分類: GB/T 21010— 2017[S]. 北京: 中國標準出版社, 2017.

[11] 高斌, 許有鵬, 王強, 等. 太湖平原地區不同土地利用類型對水質的影響[J]. 農業環境科學學報, 2017, 36(6): 1186–1191.

[12] 張倩玉. 太湖流域土地利用與水系變化及其對水質的影響研究——以錫澄地區為例[D]. 南京: 南京大學, 2016.

[13] 李函嬌. IDRISI支持的榆林多目標土地利用變化預測[D]. 西安: 長安大學, 2015.

[14] 中華人民共和國國土資源部. 低碳排放: 土地利用調控新課題[OL]. 2009-12-25(2021-06-17). http://www.mnr. gov.cn.

[15] 方精云, 郭兆迪, 樸世龍, 等. 1981—2000年中國陸地植被碳匯的估算[J]. 中國科學(D輯: 地球科學), 2007, 37(6): 804–812.

[16] 孫赫, 梁紅梅, 常學禮, 等. 中國土地利用碳排放及其空間關聯[J]. 經濟地理, 2015, 35(3): 154–162.

[17] 趙榮欽, 黃賢金, 鐘太洋, 等. 區域土地利用結構的碳效應評估及低碳優化[J]. 農業工程學報, 2013, 29(17): 220–229.

[18] 鐘流舉, 鄭君瑜, 雷國強, 等. 大氣污染物排放源清單不確定性定量分析方法及案例研究[J]. 環境科學研究, 2007, 20(4): 15–20.

[19] 王怡睿, 石培基, 張學斌, 等. 轉移流視角下甘州區土地利用動態變化及空間集聚特征[J]. 土壤, 2016, 48(4): 793–802.

[20] 陳西, 王延華, 蔡祖聰, 等. 常熟市水體氮負荷對土地利用方式的響應[J]. 土壤, 2018, 50(4): 674–680.

[21] 周嘉, 王鈺萱, 劉學榮, 等. 基于土地利用變化的中國省域碳排放時空差異及碳補償研究[J]. 地理科學, 2019, 39(12): 1955–1961.

[22] 張小松. 西寧市土地利用景觀格局演變及預測研究[D]. 北京: 中國地質大學(北京), 2014.

[23] Luijten J C. A systematic method for generating land use patterns using stochastic rules and basic landscape characteristics: Results for a Colombian hillside watershed[J]. Agriculture, Ecosystems & Environment, 2003, 95(2): 427–441.

[24] 裴亮, 陳晨, 戴激光, 等. 基于馬爾科夫模型的大凌河流域土地利用/覆被變化趨勢研究[J]. 土壤通報, 2017, 48(3): 525–531.

[25] 杜士強, 陳志科, 晏玲, 等. 基于空間馬爾科夫模型對興隆山自然保護區土地利用/覆蓋變化趨勢的研究[J]. 北京師范大學學報(自然科學版), 2009, 45(2): 194–199, 221.

[26] 王水獻, 董新光, 寇文. 馬爾柯夫過程預測焉耆盆地土地利用/覆被格局變化[J]. 干旱區資源與環境, 2007, 21(10): 28–33.

[27] 陳藜藜, 宋戈, 周浩, 等. 松嫩高平原土地利用變化分析及趨勢模擬——以黑龍江省巴彥縣為例[J]. 土壤通報, 2017, 48(1): 61–69.

[28] 張鑫. 江蘇省土地利用碳排放時空演變研究[D]. 南京: 南京農業大學, 2017.

[29] 卞曉峰. 不同土地利用方式的碳排放和碳足跡研究——以中國30個省、自治區、直轄市為例[D]. 蘭州: 西北師范大學, 2014.

[30] 黃潤秋. 把碳達峰碳中和納入生態文明建設整體布局[J]. 環境保護, 2021, 49(22): 8–10.

Changes and Prediction of Carbon Emission from Different Land Use Types in Taihu Lake Basin

YU Kangkang1, WANG Yanhua1,2,3*, SUN Tian1, TIAN Jiaming1

(1 School of Geography, Nanjing Normal University, Nanjing 210023, China; 2 Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China; 3 Key Laboratory of Virtual Geographic Environment of Ministry of Education, Nanjing Normal University, Nanjing 210023, China)

TheTaihu Lake basin is located in the central area of the Yangtze River Delta. Enhanced human activities has led to the degradation of ecological environment and the increase of carbon dioxide (CO2) emission. To explore the impact of land-use change on CO2budge, the ArcGIS software was used to analyze the CO2fluxes under different land use types in the Taihu Lake basin during 2000—2020. The remote sensing image data of 2000, 2005, 2010 and 2020 combined with the land use transfer probability matrix were compared. The IDRISI software was used to predict the land-use changes from 2030 to 2040. CO2emissions in the basin were calculated by CO2budget coefficient estimation method. The results showed that net CO2emission in the Taihu Lake basin has increased year by year. CO2flux is different under different land use types. Among them, the constructed land contributed the most to net CO2emission, far more than the farmland and with an increasing trend. The intensity of CO2emission showed a gentle trend during 2030—2040, reflecting the positive results of gradually adjusted industrial structure and controlled measures.

Taihu Lake basin; Land-use transfer probability matrix; Markov forecasting model; Carbon budge; CO2emission

F301.2

A

10.13758/j.cnki.tr.2022.02.026

禹康康, 王延華, 孫恬, 等. 太湖流域土地利用碳排放變化及其預測. 土壤, 2022, 54(2): 406–414.

國家自然科學基金項目(41673107)和江蘇省教育廳重大項目(20KJA170001)資助。

(wangyanhua@njnu.edu.cn)

禹康康(1997—)，男，山東德州人，碩士研究生，主要從事流域生態環境演變研究。E-mail: 201302021@njnu.edu.cn