中原城市群區域碳儲量的時空變化和預測研究

赫曉慧,徐雅婷,范學峰,耿慶玲,田智慧

中原城市群區域碳儲量的時空變化和預測研究

赫曉慧1*,徐雅婷2,范學峰3,耿慶玲1,田智慧1

(1.鄭州大學地球科學與技術學院,河南 鄭州 450052；2.鄭州大學化學學院,河南 鄭州 450052；3.河南省氣象探測數據中心,河南 鄭州 450003)

為了有效評估中原城市群碳儲量,運用灰色預測模型獲取動態碳密度數據,結合Dyna-CLUE模型和InVEST模型,動態評估2005～2030年土地利用變化下不同情景的碳儲量演變特征,以及城市發展對碳儲量的影響.結果表明,2005～2020年中原城市群碳儲量分別為1689.59×106t、2035.36×106t、2066.34×106t和2093.05×106t,呈現持續增加趨勢;2030年經濟發展情景、生態保護情景和經濟生態協調發展情景下碳儲量分別為2162.45×106t、2179.39×106t和2174.28×106t,經濟發展情景下碳儲量最低,生態保護情景下碳儲量最高.碳儲量變化與土地利用面積變化密切相關,主要表現為耕地面積的下降導致其碳儲量減少約250×106t,林地面積的擴張導致其碳儲量增加約103.4×106t,建設用地的擴張導致其碳儲量增加約87.77×106t;耕地和草地面積與總碳儲量呈較弱的負相關關系,林地、水域、建設用地和未利用地面積與總碳儲量呈較強的正相關關系.2005～2030年中原城市群30個城市的碳儲量分別為11.38×106t ～ 214.24×106t,碳儲量的變化反映出城市土地碳排放在2030年之前已經達到峰值,且經濟生態協調發展情景可能更適合未來城市發展的目標.

中原城市群；土地利用；Dyna-CLUE模型；InVEST模型；碳儲量

全球氣候變暖是國際社會廣泛關注的重要環境問題[1].2009年以來,中國已經成為世界最大的碳排放國,并貢獻了全球約27%的碳排放量[2-3].近幾十年來,在社會經濟高速發展的推動下中國在達到碳排放高峰和減少碳排放方面面臨巨大壓力城市是人類對自然地理環境影響和改變最大的地方,其人口、經濟和土地利用的變化是城市化過程中最顯著的特征,頻繁的人類活動在很大程度上已經對區域生態系統碳儲量構成巨大威脅[4].土地利用變化是代表人類活動的重要指標,能夠影響城的結構和功能,是碳儲量變化的重要因素[5-6].

自1850年以來,土地利用變化造成的碳損失已占全球溫室氣體排放量的三分之二左右[7].土地利用直接受到城市化進程的影響,不同類型土地呈現出不同程度的空間變化和方向.為了最大限度地實現土地利用規劃和管理,Yang等[8]認為生態安全方案下京津冀地區通過土地資源的再分配,能夠平衡城市化和生態建設,為高質量和綠色發展奠定堅實的基礎.碳儲量的損失是城市化和相關土地利用變化造成的一個重要結果,特別是在城市高度聚集區[9].為了進一步有效捕捉土地利用變化和碳儲量之間的關系,Jiang等[10]發現耕地和綠地的減少是長沙-株洲-湘潭城市集聚區碳儲量損失的最重要來源,主張將多種生態系統服務納入城市土地利用規劃,以實現可持續發展.Gao等[11]發現造成長江三角洲城市聚集區碳儲量損失的主要因素是社會經濟因素,尤其是耕地城市化.多項研究表明,耕地、植被和建設用地的面積變化確實會造成碳儲量的明顯增加或損失[12].

盡管許多學者在城市碳儲量評估方面取得了很大進展,但仍存在一定的局限性.目前,學者們主要運用單一的實測數據預測多年份的碳儲量,這種方法實際上固定了土地利用類型的碳密度,簡化了碳循環過程[13-15].在土地利用實際變化中,土地碳密度隨時間的推移而獲得或失去碳[16],因此,本文將利用灰色預測模型來獲取研究期間的動態碳密度,從而有效評估區域碳儲量.

中原城市群自提出以來,人口規模快速增加,建設用地面積急劇擴張,能源消耗巨大,其高強度的碳排放是顯而易見的[17],巨大的用地需求將給區域內土地供應及實現綠色生態發展示范區的目標帶來很大壓力[18].中原城市群作為一個正在成長起來的城市群,為中國的城市化和經濟發展做出巨大貢獻的同時[19],其碳儲量變化嚴重威脅區域的可持續發展.評估中原城市群土地利用變化對碳儲量的貢獻對于制定未來的土地利用政策,盡量減少經濟發展和生態環境保護之間的矛盾,越來越有必要.

本研究的重點在于通過灰色預測模型獲取研究區多年份的動態碳密度數據,結合Dyna-CLUE模型和InVEST模型,動態評估2005～2030年中原城市群經濟發展情景、生態保護情景及經濟生態協調發展情景下土地利用變化對碳儲量的影響及時空分布特征,分析區域發展對碳儲量的潛在影響,以便為區域可持續發展提供參考.

1 材料與方法

1.1 研究區概況和數據來源

中原城市群(31°21′N～37°47′N,110°14′E ～ 118°30′E)地處中國大陸中部地區,包括河南省18個省轄市,以及河北省邯鄲市?邢臺市,山西省長治市、晉城市、運城市,安徽省宿州市、淮北市、阜陽市、亳州市、蚌埠市,山東省聊城市、菏澤市,共30個地級市,國土面積28.7萬km2(圖1).中原城市群地勢西高東低,由太行山?伏牛山、桐柏山、大別山沿省界呈半環形分布,地形主要以平原為主,經濟發展受自然條件限制較小;分布有海河、黃河、淮河和長江四大水系.

中原城市群獨特的地理位置形成了初步的經濟發展格局,經濟活動主要集中在中東部平原地區,大中小城市數量眾多,城鎮空間聚合形態較好,協調發展格局初步形成,正處于工業化城鎮化加速推進階段.自上世紀起,以交通干線網絡為發展軸的中原城市群逐步形成,人口規模快速增加,導致建設用地面積急劇擴張,土地利用格局發生了較大變化.區域內自然條件限制,加之人為活動,存在著水土流失嚴重、水資源短缺現象普遍以及生態系統退化等生態問題,由此帶來生態系統服務下降、碳儲量功能脆弱等問題,嚴重影響區域的可持續發展.

圖1 研究區地理位置概況

2005、2010、2015和2020年中國土地利用數據來源于中國科學院資源環境科學數據中心(http: //www.Resdc.cn/),經過裁剪、鑲嵌等得到中原城市群的土地利用圖,并將土地利用二級類合并為一級類,分別為耕地、林地、草地、水域、建設用地和未利用地六類,空間分辨率為1km.

本研究所選的土地利用變化驅動因素包括地形、可達性和社會經濟因素.地形數據來源于地理空間數據云(http: //www. gscloud.cn/),高程、坡度和坡向由DEM數據中提取得到.可達性因素包括河流、鐵路、公路、城鎮、農村聚居地的距離,通過計算歐氏距離得到,河流、鐵路和公路數據來源于中國科學院東北地理與農業生態研究所-東北亞資源環境大數據中心(http://www.igadc.cn),城鎮和農村聚居地從土地利用二值圖中提取得到.

碳密度數據來源于國家生態科學中心(http: //www.cnern.org.cn/)和部分參考文獻.

1.2 研究方法

1.2.1 土地利用格局預測 Dyna-CLUE模型將土地利用變化的自上而下分配與特定土地利用轉換的自下而上確定相結合,在明確土地利用與驅動因子間定量關系的基礎上,根據總概率的大小對土地利用需求進行空間分配,能同時預測、模擬土地利用在數量和空間位置上的變化[20].Dyna-CLUE模型由土地政策與限制區域、土地利用類型轉換規則、土地需求、空間特征4個輸入模塊和1個空間分配模塊5部分組成.

(1)土地限制約束設定.本研究未設定限制區域,整個研究區的土地利用都允許發生改變.

(2)土地利用轉換規則,包括轉移彈性系數和轉移矩陣兩部分.轉移彈性系數主要受土地利用類型變化可逆性的影響,對于每種土地使用類型,用ELAS值代表變化的相對彈性,范圍從0到1,值越大表示穩定性越高,發生轉變的概率越小.本文根據研究區2010～2020年土地利用變化特征和2030年不同發展情景的限制條件,得出2020年的彈性系數(表1)和2030年三種情景的彈性系數(表2).

轉移矩陣表示各地類間的轉移規則,0代表不能轉變,1代表可以轉變,本研究中將其全部設為1.

(3)空間特征.根據土地利用圖和驅動因子數據,運用SPSS統計軟件進行Logistic回歸分析,計算出各個土地利用類型在空間上的分布概率,即各種土地利用類型的空間分布適宜性.

表1 歷史模擬過程中各土地利用類型的ELAS值

表2 2030年不同情景下各土地利用類型的ELAS值

(4)土地利用需求.本研究以2010年和2020年兩期土地利用數據為基礎,以10年為步長,利用Markov模型和線性內插法獲取2020～2030年每年的土地利用需求[21].

(5)運用Dyna-CLUE模型,基于2010年中原城市群土地利用格局,模擬得到2020年中原城市群土地利用圖,經與2020年實際土地利用圖對比,Kappa指數為0.8316,模擬精度較高,表明模型適用于本研究的模擬需求.

(6)土地利用情景設置.根據《中原城市群發展規劃》和《河南省土地利用總體規劃(2006～2020)》等,本研究基于中原城市群發展的歷史趨勢和生態保護角度,結合Markov模型的預測結果和Dyna- CLUE模型,構建了三種土地利用變化情景,并模擬其2030年的土地利用格局.

經濟發展情景.從2010～2020年研究區土地變化轉移概率矩陣來看,建設用地主要是由耕地轉變而來的.在歷史發展趨勢的基礎上,該情景將建設用地自身的轉移概率提高10%,耕地向建設用地的轉移概率提高2%.

生態保護情景.該情景旨在加強對耕地、林地和水域等生態用地的保護.因此,在該情景下,耕地自身的轉移速度降低2%,向林地的轉移概率提高3%,林地和水域自身的轉移概率分別提高10%和5%,建設用地自身的轉移速度僅提高5%.

經濟生態協調發展情景.該情景的提出是基于“經濟發展情景”和“生態保護情景”的比較結果.情景下,耕地自身的轉移概率降低4%,林地和建設用地自身的轉移概率都提高7%.

1.2.2 碳密度預測和評估 InVEST模型是美國自然資本項目組開發的、用于評估生態系統服務功能量及其經濟價值、支持生態系統管理和決策的一套模型.碳儲存模塊是InVEST模型估算陸地生態系統碳儲量和支持氣候調控功能的有效工具.碳儲量包括地上碳儲量、地下碳儲量、死亡有機質碳儲量和土壤碳儲量.由于死亡有機質碳庫數據難以獲取,故本文僅考慮三大碳庫碳儲量.總碳儲量計算公式如下[22]:

基于灰色系統理論構建的灰色預測模型為單序列的一階線性動態模型,是常用的一種灰色數列預測模型,該預測模型采用連續的灰色微分模型彌補了系統信息不完整和不準確的缺點,從而提高模型的精確度,實現對事物未來趨勢變化的預測[23].模型架構步驟如下:

(1)設有原始序列:

表3 計算檢驗參數結果

表4 模型精度檢驗等級參照表[24]

表5 2005～2030年中原城市群各土地利用類型碳密度(t/hm2)

根據“2010s中國陸地生態系統碳密度數據集”[25]獲得研究區地上和土壤實測碳密度數據,并以此為基礎數據,運用灰色預測模型,對地類的碳密度分別進行碳密度預測和評價指標計算,結果表明所建模型通過檢驗,且精度較高,可以用于研究.由于部分數據缺失,無法構成預測模型,因此將王海穩[26]和李豪杰[27]研究中關于耕地的地上生物量和建設用地、未利用地的土壤有機碳密度運用到整個研究中.地下生物量則根據地上地下植被的根莖比0.2進行計算[28].

2 結果與分析

2.1 2005～2030年中原城市群土地利用變化

2020年中原城市群耕地、林地、草地、水域、建設用地和未利用地的土地覆蓋率分別達到63.74%、13.97%、6.15%、2.15%、13.96%和0.04%. 2005～2020年期間,中原城市群土地利用發生了劇烈變化,總體趨勢為耕地面積減少,林地和建設用地面積都有不同程度的增加,草地、水體和未利用地面積基本保持不變.根據2010～2020年土地利用轉移概率矩陣,我們預測了2030年經濟發展情景、生態保護情景和經濟生態協調發展情景下的土地利用格局.這種變化趨勢將從2020年持續到2030年,區別在于地類面積的變化速度.根據經濟發展情景,建設用地擴張速度最快,占比達到17.02%,而耕地面積將有較大幅度的減少,大部分土地將轉化為建設用地.在生態保護情景下,林地擴張速度最快,面積占比達到15.9%,建設用地擴張速度最慢,面積僅有15.21%.在經濟生態協調發展情景下,耕地的減少和林地、建設用地的擴張速度有所放緩,面積分別達到60.34%、15.51%和16.02%(表6).

表6 2005～2020年歷史土地利用面積及2030年三種情景下預測面積(hm2)

圖2 2005～2020年及2030年中原城市群三種情景下土地利用格局

2030年土地利用格局與歷史土地利用格局具有相似的空間分布.耕地是占比最大的地類,占土地總面積的60%左右,較為集中地分布在中部和東部地區.林地和草地主要分布在長治、晉城、三門峽、洛陽和南陽等地,共占土地總面積的20%左右,建設用地是擴張速度最快的地類,占土地總面積的16%左右,主要集中在城鎮中心,尤其是各地級市郊區.中原城市群的水域指長江、淮河、黃河和海河等四大流域,大多發源于西部、西北部和東南部山區,占土地總面積的2%左右.未利用地是面積占比最少的地類(圖2).

2.2 2005～2030年中原城市群碳儲量變化

2005年、2010年、2015年和2020年中原城市群碳儲量分別為1689.59′106t、2035.36′106t、2066.34′106t和2093.05′106t,呈現持續增加的變化趨勢;15年間碳儲量共增加403.46′106t,其碳密度也呈增加趨勢,增加14.22t/hm2.其中,2005～2010年碳儲量和碳密度增幅最大,碳儲量增加345.77′106t,碳密度增加12.19t/hm2.2030年經濟發展情景、生態保護情景和經濟生態協調發展情景中的碳儲量分別為2162.45′106t、2179.39′106t和2174.28′106t.與2020年相比,2030年碳儲量在三種情景下分別有69.4′106t、86.34′106t和81.23′106t的碳增加,分別占2020年碳儲量的3.32%、4.12%和3.88%,碳密度分別增加2.45t/hm2、3.04t/hm2和2.86t/hm2(圖3).

就土地利用類型而言,不同土地利用類型對區域總碳儲量的貢獻值由大到小依次為:耕地、林地、建設用地、草地、水域和未利用地.耕地面積占區域總面積約60%,碳儲量占區域內總碳儲量約66%,其面積呈下降趨勢,但碳儲量仍然保持增長,是區域內的重要碳庫.林地總面積最大時僅占區域內總面積的約15%,但碳儲量占區域總碳儲量的約21%,其增長的碳儲量是碳儲量總收益的1.13倍,是區域內最重要的碳庫.從時間上看,根據區域發展的三種情景,這些趨勢將從2020年持續到2030年.2020～2030年三種情景下,耕地?草地和未利用地的碳儲量呈下降趨勢,而林地、水域和建設用地碳儲量則呈上升趨勢.林地和建設用地碳儲量增長明顯,是碳增長的重要來源(表7).

表7 2005～2030年中原城市群不同土地利用類型碳儲量(×106t)

2.3 土地利用類型與總碳儲量的相關性分析

為探究土地利用變化對研究區內碳儲量變化的影響,本文計算了2005年至2030年中原城市群各土地利用類型面積變化與碳儲量的相關性.在三種情景下,各地類與總碳儲量的相關性趨勢一致(圖4).耕地和草地面積與總碳儲量呈現負相關關系,且相關性都在0.2以下,主要原因是碳密度隨時間的變化而不同,面積變化導致不同年份間的碳儲量變化不存在明顯的線性關系.林地、水域、建設用地和未利用地面積與總碳儲量相關系數均大于0.8,呈現正相關關系,主要原因是地類面積的增加,提高了土壤中的固碳量.其中,建設用地和未利用地面積與總碳儲量的相關系數在三種情景都達到1,呈現出兩者間的強相關性,表明經濟活動對碳儲量的影響顯著.

2.4 中原城市群區域碳儲量

為進一步探究研究區內碳儲量的分布模式,本文對中原城市群30個城市的碳儲量進行分析.2005年,城市的碳儲量為11.38′106t～168.38′106t,此后城市碳儲量持續增長,2020年城市的碳儲量為13.61′106t～201.39′106t,2030年三種情景下城市的碳儲量為14.31′106t～214.24′106t.碳儲量高值區域主要分布在西部伏牛山脈、南部大別山脈和北部太行山脈,如洛陽市、南陽市、信陽市、長治市和運城市等,所述區域植被覆蓋度高,固碳能力較強,達到100′106t以上;碳儲量低值區域主要分布在中東部丘陵和平原地區,以鶴壁市、漯河市、濟源市和淮北市為典型代表,2005～2030年碳儲量都處在20′106t以下.碳儲量由西向東逐漸減少,表現出極大的不均衡性,這種碳儲量的空間分布格局與人類活動和植被覆蓋度密切相關(圖6).

圖5 2005～2030年中原城市群30個城市的碳儲量變化

圖6 2005～2030年中原城市群碳儲量空間分布

根據市級碳儲存的變化,2005～2020年期間,除了邯鄲市碳儲量在2020年有小幅下降外,其他29個城市的碳儲量都有所增加,共增加403.46′106t,以南陽市、信陽市、駐馬店市、長治市和運城市為主的城市碳增量共占總碳增量的30%左右.2020～2030年,僅有聊城市在經濟發展情景下的碳儲量減少0.26′106t.而其他29個城市在三種情景下碳儲量都保持增長趨勢,碳增長量為0.08′106t～12.85′106t,以南陽市?洛陽市、三門峽市、晉城市、運城市和信陽市為主的城市碳增量達到了總碳增量的70%左右,是碳儲量增長的重要組成部分.

就具體情景而言,生態保護情景由于對耕地、林地、草地和水域等生態用地的照顧,其碳儲量收益最大.造成這種情況的主要原因是該情景通過限制城市空間的無序擴張來保護生態系統,減少了建設用地侵占造成的碳儲量損失,增加了生態系統空間恢復帶來的碳儲量收益[29],尤其長治市、運城市、南陽市、信陽市和駐馬店市等城市碳儲量達到100′106t以上.與此相反,經濟發展情景以經濟的快速發展為主要目標,促進了對建設用地的需求,經歷了更多的碳儲量損失和更少的碳儲量收益,這使得碳儲量略有下降,尤其濟源市、鶴壁市、淮北市和漯河市等城市碳儲量在20′106t以下,增長明顯緩慢(圖5).

3 討論

3.1 不同情景下的碳儲量變化

生態系統碳儲量的變化預測為揭示未來土地利用變化與碳儲量的演變提供了新的思路.本研究進一步考慮了生態系統碳儲量中碳密度的動態變化,這使得研究結果更加合理.碳密度是估算和預測生態系統碳儲量的重要基礎.在本研究中,耕地、林地、草地和水域碳密度呈增加趨勢,建設用地和未利用地碳密度由于采用同一個數據而無法產生年際變化.其中,林地的碳密度最高,其次是耕地和建設用地.林地在陸地生態系統中發揮著至關重要的碳匯功能,2000年以來退耕還林為區域的碳排放提供了強有力的緩解,這也是區域堅持恢復天然森林植被、加強人工林培育取得的巨大成果[30-31],中原城市群在經濟迅速發展的同時,植被覆蓋度的提高是這一時期生態系統碳儲量增加的重要因素.

研究結果表明,2005～2030年土地利用的主要變化是建設用地擴張、耕地退化和林地擴張,但變化的力度因情況而異.經濟發展情景的建設用地面積收益最大,耕地面積損失最大,而生態保護情景在林地面積上收益最大.相應地,由土地利用動態導致的區域碳儲量也將發生變化,根據土地利用轉化對碳儲量的影響分析和相關性分析,碳儲量收益主要是由于林地和建設用地的擴張,且與總碳儲量的正相關性最高達到了0.97和1;碳儲量損失主要是由于高碳密度土地被侵占造成的,被侵占的地類主要是耕地,耕地減少的碳儲量達到了總碳增量的一半左右.

此外,研究還發現不同情景之間的碳儲量變化也是不同的,這主要是由于每個情景模擬目的性的不同.經濟發展情景旨在保持甚至加快當前的發展情勢,不考慮后續政策和自然災害,導致建設用地明顯擴大,碳儲量增長緩慢,尤其是聊城市、淮北市、濮陽市、漯河市和鄭州市等,增長的碳儲量在0.5′106t以下.相比之下,生態保護情景在區域發展中更加注重生態環境的保護,減緩甚至可能扭轉部分地區環境惡化的趨勢,而且太行山地生態功能保護區、南水北調中線工程水源區生態功能保護區和淮河源生態功能保護區的限制,在一定程度上抑制了人類活動對植被的破壞[26],生態的良性發展極大地促進區域生態保護,有利于促進植被的恢復.經濟生態協調發展情景在促進經濟發展的同時,緩解了城市的擴張速度,更符合建設綠色生態發展示范區的戰略地位.

3.2 區域發展對碳儲量的影響

2000年以來,中原地區逐漸形成了以鄭州大都市化為核心的特大型城市群,碳儲量呈現逐年遞增趨勢和西高東低、由北向南呈半環形的空間分布格局,這在一定程度上反應了區域內生態系統服務功能有所提高[14].從2006年《中原城市群總體發展規劃綱要》的提出,到2016年中原城市群的正式成立,極大推動了研究區的經濟發展,區域內建設用地急劇擴張,不斷侵占其他土地利用類型,導致碳儲量發生不同程度的增減.同時,涉及天然林保護工程的洛陽市、三門峽市、濟源市和南陽市等地,天然林資源實現持續穩定增長,為中原城市群生態系統碳儲量的增加提供了一定的保證.

為了改善我國生態環境,達到減少碳排放量和提高碳儲存的目的,中國承諾在2030年之前達到碳排放峰值,并爭取在2060年前實現碳中和,提高國家自主貢獻力[32].土地使用變化是影響碳排放的關鍵因素[33],土地利用方式的變化直接影響到碳儲存,并隨后影響一個地區的碳排放,根據政府間氣候變化專門委員會(IPCC)的研究,由土地使用變化引起的二氧化碳排放約占總排放量的11%左右,僅次于化石燃料的燃燒[34].中原城市群作為中國經濟發展新的增長極,以碳儲量的變化來反映城市的碳排放情況,這可能對優化城市規劃產生積極的影響并為區域可持續發展做出貢獻.

根據三種情景下碳儲量的變化,碳儲量增長,說明城市的碳排放在減少.以此為根據,研究發現除了邯鄲市和聊城市以外,其余28個城市土地利用產生的碳排放在2005年之前已經達到峰值,2005～2030年之后碳儲量逐漸增加,碳排放量逐漸減少.邯鄲市碳儲量除了在2020年出現小幅度下降,并不影響2005～2030年的整體碳儲量增加趨勢,且2030年三種情景下碳儲量都高于2020年下降之前的碳儲量,可以認為邯鄲市碳排放的峰值出現在2005年之前.聊城市碳儲量在2005～2020年間持續增長,2030年在經濟發展情景下減少,給城市的碳排放峰值達到時間帶來一種不確定性,其碳排放峰值可能延遲;就三個情景間的差別而言,2020年聊城市在經濟發展情景下碳儲量更少,其碳排放量更多,更容易以較快的速度達到碳排放峰值,但生態保護情景和經濟生態協調發展情景下,2005～2030年聊城市的碳儲量一直在增長,這種情況下土地利用產生的碳排放量在2005年之前就已經達到峰值.

分析表明,2005～2030年絕大多數城市在三種情景下的碳儲量都處于增加狀態,土地碳排放在2005年之前已經達到峰值,之后碳排放量減少,會進一步加快碳中和目標的達成.本研究結合對中原城市群土地利用發展變化和碳儲量變化特征的分析,得出土地利用變化在一定程度上能夠對碳儲量產生積極影響,且經濟生態協調發展情景可能是更貼合未來城市發展模式一結論,這一設想在積極建設全國經濟發展新空間的同時,將建設優良生態環境作為城市群發展的基本保障,有利于全面實現城市群一體化可持續發展.

3.3 不確定性分析

本研究運用Dyna-CLUE模型和InVEST模型能較為清晰地反映區域未來碳儲量的變化,在一定程度上還能反映區域生態系統服務功能質量.對區域的生態系統碳儲量功能進行精確評估,取決于土地利用圖和碳密度數據,本研究已經盡量獲取較準確的數據,但工作還存在一定的不確定性[35].土地利用變化引起的生態系統碳儲量變化的研究主要基于模型模擬.由于土地利用變化本身的復雜性,在模擬其引起的生態系統碳儲量變化時,現有模型受到多種因素的影響.

碳儲量預測結果在很大程度上依賴于未來土地利用變化情景模擬的準確性.本文中Dyna-CLUE模型情景模擬選取的驅動因素主要為自然環境、可達性和社會經濟三個方面,包括DEM、坡度、坡向、河流、公路、鐵路、城鎮、農村、人口和GDP等10個因素.雖然這些因素對各類土地具有較好的擬合效果,最終模擬結果也具有較高的精度,但Dyna-CLUE模型本身的局限性仍然是不可避免的.例如,政策因素在土地利用變化中起著非常重要的作用.由于政策效果難以量化,且研究中參考的《河南省土地利用總體規劃(2006～2020)》已經到期,這會對未來土地利用格局的情景模擬結果造成一定程度的影響.

對區域的生態系統碳儲量功能進行精確評估,還取決于所使用的碳密度數據.考慮到不同土地利用類型碳密度的時間變化,為盡可能地提高碳儲量預測結果的精確度,本文運用動態碳密度預測中原城市群碳儲量,在一定程度上突破了InVEST模型碳儲存模塊大量簡化碳循環的局限性.雖然本文獲取到隨著時間變化而變化的碳密度,但其準確性還有進一步提升的空間.如果能夠得到研究區內實測碳密度的動態變化,碳儲量預測結果將會更加精準.

隨著社會經濟的發展,未來土地利用變化將受當地政策目標的影響逐漸增強[15],如何綜合自然和社會多方面因素更合理地計算未來土地需求量,是提高未來土地利用格局預測精度的關鍵之一[36].其次,運用大量實測數據獲取動態碳密度,能提高生態系統碳儲量評估的準確性[37],應對研究區樣地進行連續多年的監測,對碳密度的合理性進行驗證.

4 結論

4.1 2005～2030年,中原城市群土地利用變化趨勢為耕地面積減少,林地和建設用地面積增加,草地、水體和未利用地面積基本保持不變,不同年份地類面積的變化速度有所不同.

4.2 2005～2020年中原城市群碳儲量持續增加,15年間碳儲量共增加403.46′106t.2020～2030年中原城市群在經濟發展情景、生態保護情景和經濟生態協調發展情景下分別有69.4′106t、86.34′106t和81.23′106t的碳增加.碳儲量空間分布存在明顯的“西高東低”特征,碳儲量較高的城市主要分布在植被覆蓋度高,固碳能力較強的山林;碳儲量較低的城市大多分布在中東部丘陵和平原地區.

4.3 不同土地利用類型對區域總碳儲量的貢獻值由大到小依次為:耕地、林地、建設用地、草地、水域和未利用地.耕地和草地面積與總碳儲量呈現較弱的負相關關系,其相關性都在0.2以下;林地、水域、建設用地和未利用地面積與總碳儲量呈現較強的正相關關系,尤其是建設用地和未利用地面積與總碳儲量之間的顯著相關性.

4.4 2005～2030年,除了邯鄲市在2020年碳儲量有小幅下降,聊城市在2030年經濟發展情景下碳儲量減少,其余28個城市在三種情景下碳儲量都呈增加趨勢.經濟生態協調發展情景下30個城市都能在2030年之前達到碳排放峰值,且碳損失達到最小,該情景在促進經濟發展的同時,緩解了城市的擴張速度,更符合建設綠色生態發展示范區的戰略地位.

[1] 張 燕,師學義,唐 倩.不同土地利用情景下汾河上游地區碳儲量評估 [J]. 生態學報, 2021,41(1):360-373.

Zhang Y, Shi X Y, Tang Q. Carbon storage assessment in the upper reachers of the Fenhe River under different land use scenarios [J]. Acta Ecologica Sinica, 2021,41(1):360-373.

[2] Jiang X T, Wang Q, Li R R. Investigating factors affecting carbon emission in China and the USA: A perspective of stratified heterogeneity [J]. Journal of Cleaner Production, 2018,199:85-92.

[3] Zhang P Y, He J J, Hong X, et al. Carbon sources/sinks analysis of land use changes in China based on data envelopment analysis [J]. Journal of Cleaner Production, 2018,204:702-711.

[4] Zhao J, Chen S, Jiang B, et al. Temporal trend of green space coverage in China and its relationship with urbanization over the last two decades [J]. Sci Total Environ, 2013,442:455-465.

[5] Schr?ter D, Cramer W, Leemans R, et al. Ecosystem service supply and vulnerability to global change in Europe [J]. Science of The Total Environment, 2005,310(5752):1333-1337.

[6] Zhang M, Huang X, Chuai X, et al. Impact of land use type conversion on carbon storage in terrestrial ecosystems of China: A spatial- temporal perspective [J]. Scientific Reports, 2015,5:10233.

[7] Arneth A, Sitch S, Pongratz J, et al. Historical carbon dioxide emissions caused by land-use changes are possibly larger than assumed [J]. Nature Geoscience, 2017,10(2):79-84.

[8] Yang Y Y, Bao W K, Liu Y S. Scenario simulation of land system change in the Beijing-Tianjin-Hebei region [J]. Land Use Policy, 2020,96.

[9] Yang H, Huang J L, Liu D F. Linking climate change and socioeconomic development to urban land use simulation: Analysis of their concurrent effects on carbon storage [J]. Applied Geography, 2020,115.

[10] Jiang W G, Deng Y, Tang Z H, et al. Modelling the potential impacts of urban ecosystem changes on carbon storage under different scenarios by linking the CLUE-S and the InVEST models [J]. Ecological Modelling, 2017,345:30-40.

[11] Gao J, Wang L C. Embedding spatiotemporal changes in carbon storage into urban agglomeration ecosystem management — A case study of the Yangtze River Delta, China [J]. Journal of Cleaner Production, 2019,237.

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

[13] Nie X, Lu B, Chen Z P, et al. Increase or decrease? Integrating the CLUMondo and InVEST models to assess the impact of the implementation of the Major Function Oriented Zone planning on carbon storage [J]. Ecological Indicators, 2020,118.

[14] 蔣 琳.2000～2010年中原經濟區陸地生態系統逐年土地利用與碳儲量變化研究 [D]. 開封:河南大學, 2015.

Jiang L. Analyses of the changes of land use and carbon stocks in terrestrial ecosystem of the central plains economic region from 2000 to 2010 [D]. Kaifeng: Henan University, 2015.

[15] 朱文博,張靜靜,崔耀平,等.基于土地利用變化情景的生態系統碳儲量評估——以太行山淇河流域為例 [J]. 地理學報, 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.

[16] Liu X, Wang S, Wu P, et al. Impacts of urban expansion on terrestrial carbon storage in China [J]. Environ Sci Technol, 2019,53(12):6834- 6844.

[17] 趙留峰.基于遙感的中原城市群碳源/碳匯時空變化研究 [D]. 開封:河南大學, 2013.

Zhao L F. The Research of carboncarbon sinks Changes in Central Henan urban agglomeration based on remote sensing [D]. Kaifeng: Henan University, 2013.

[18] 彭 建,汪 安,劉焱序,等.城市生態用地需求測算研究進展與展望 [J]. 地理學報, 2015,70(2):333-346.

Peng J, Wang A, Liu Y X, et al. Research progress and prospect on measuring urban ecological land demand [J]. Acta Geographica Sinica, 2015,70(2):333-346.

[19] 方創琳.改革開放40年來中國城鎮化與城市群取得的重要進展與展望 [J]. 經濟地理, 2018,38(9):1-9.

Fang C L. Important progress and prospects of China's Urbanization and Urban Agglomeration in the past 40 years of Reform and Opening-Up [J]. Economic Geography, 2018,38(9):1-9.

[20] An C J, Y D, W W, et al. Simulation of future land-use scenarios in the Three Gorges Reservoir Region under the effects of multiple factors [J]. Journal of Geographical Sciences, 2018,28(12):1907-1932.

[21] Yecui H, Yunmei Z, Xinqi Z. Simulation of land-use scenarios for Beijing using CLUE-S and Markov Composite Models [J]. Chinese Geographical Science, 2013,23(1):92-100.

[22] Jackson R B, Schenk H J, Jobbágy E G, et al. Belowground consequences of vegetation change and their treatment in models [J]. Ecological Applications, 2000,10(2).

[23] 鄧聚龍.灰色系統綜述 [J]. 世界科學, 1983.

Deng J L. Summary of grey system [J]. World Science, 1983.

[24] 田 雪,楊江龍,張麗萍.運用Excel實現青島港貨物吞吐量的灰色預測 [J]. 物流技術, 2014,33(1):116-118.

Tian X, Yang J L, Zhang L P. Grey forecasting of cargo throughput of Qingdao port using Excel [J]. Logistics Technology, 2014,33(1): 116-118.

[25] 徐 麗,何念鵬,于貴瑞.2010s中國陸地生態系統碳密度數據集 [J]. 中國科學數據(中英文網絡版), 2019,4(1):90-96.

Xu L, He N P, Yu G R. A dataset of carbon density in Chinese terrestrial ecosystems (2010s) [J]. China Scientific Data, 2019,4(1): 90-96.

[26] 王海穩.太行山區不同土地利用方式下生態系統碳貯量研究 [D]. 保定:河北農業大學, 2007.

Wang H W. Study on the ecosystem carbon storage of different land use types in the TaiHang mountain [D]. Baoding:Hebei Agricultural University, 2007.

[27] 楊 鋒.河南省土壤數據庫的構建及其應用研究 [D]. 鄭州:河南農業大學, 2008.

Yang F. Study on building and application of henan province soil database [D]. Zhengzhou:Henan Agricultural University, 2008.

[28] Karel Mokany R J R, Anatoly S. Critical analysis of root : shoot ratios in terrestrial biomes [J]. Global Change Biology, 2006,12.

[29] Peng K F, Jiang W G, Ling Z Y, et al. Evaluating the potential impacts of land use changes on ecosystem service value under multiple scenarios in support of SDG reporting: A case study of the Wuhan urban agglomeration [J]. Journal of Cleaner Production, 2021,307.

[30] Wang J, Feng L, Palmer P I, et al. Large Chinese land carbon sink estimated from atmospheric carbon dioxide data [J]. Nature, 2020, 586(7831):720-723.

[31] Yue X, Zhang T Y, Shao C L. Afforestation increases ecosystem productivity and carbon storage in China during the 2000s [J]. Agricultural and Forest Meteorology, 2021,296.

[32] Elzen M D, Fekete H, H?hne N, et al. Greenhouse gas emissions from current and enhanced policies of China until 2030: Can emissions peak before 2030? [J]. Energy Policy, 2016,89:224-236.

[33] Hinge G, Surampalli R Y, Goyal M K. Regional carbon fluxes from Land-Use Conversion and Land-Use Management in Northeast India [J]. Journal of Hazardous, Toxic, and Radioactive Waste, 2018,22(4).

[34] Tian S Q, Wang S J, Bai X Y, et al. Global patterns and changes of carbon emissions from land use during 1992～2015 [J]. Environmental Science and Ecotechnology, 2021,7.

[35] 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.

[36] 周 銳,蘇海龍,王新軍,等.基于CLUE-S模型和Markov模型的城鎮土地利用變化模擬預測——以江蘇省常熟市辛莊鎮為例 [J]. 資源科學, 2011,33(12):2262-2270.

Zhou R, Su H L, Wang X J, et al. Simulation of land use change in Xinzhuang Town under different scenarios based on the CLUE-S Model and Markov Model [J]. Resources Science, 2011,33(12):2262- 2270.

[37] 范立紅,朱建華,李 奇,等.三峽庫區土地利用/覆被變化對碳儲量的影響 [J]. 南京林業大學學報(自然科學版), 2018,42(4):53-60.

Fan L H, Zhu J H, Li Q, et al. Effects of changes in land use and cover on carbon storage in the Three Gorges Reservoir Area [J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2018,42(4): 53-60.

致謝：本實驗的碳密度數據來自徐麗研究小組的“2010s中國陸地生態系統碳密度數據集”,在此表示感謝.

Temporal and spatial variation and prediction of regional carbon storage in Zhongyuan Urban Agglomeration.

HE Xiao-hui1*, XU Ya-ting2, FAN Xue-feng3, GENG Qing-ling1, TIAN Zhi-hui1

(1.School of Earth Science and Technology, Zhengzhou University, Zhengzhou 450052, China；2.College of Chemistry, Zhengzhou University, Zhengzhou 450052, China；3.Henan Meteorological Detection and Data Center, Zhengzhou 450003, China)., 2022,42(6)：2965～2976

In order to effectively evaluate the carbon reserve of Zhongyuan Urban Agglomeration, dynamic carbon density data was obtained by using the grey prediction model, combined with the Dyna-CLUE model and the InVEST model, which were used to dynamically evaluate the carbon reserve evolution characteristics under different scenarios of land use change, as well as the impact of urban development on carbon reserve from 2005 to 2030. The results showed that the carbon reserve of the Zhongyuan Urban Agglomeration from 2005 to 2020 were 1689.59×106t, 2035.36×106t, 2066.34×106t and 2093.05×106t, showing a continuously increasing trend; In 2030, the carbon reserve under the economic development scenario, ecological protection scenario and coordinated economic and ecological development scenario were 2162.45×106t, 2179.39×106t and 2174.28×106t, respectively. The carbon reserve was at the minimum under the economic development scenario and at the maximum under the ecological protection scenario. The change of carbon reserve was closely related to that of land use area, which is mainly manifested as follows. The decrease of the cultivated land area resulted in an increase of about 250×106t of carbon reserve, the expansion of forest land resulted in an increase of about 103.4×106t of carbon reserve, and the expansion of construction land resulted in an increase of about 87.77×106t of carbon reserve. The area of cultivated land and grassland had a weak negative correlation with the total carbon reserve, and the area of forest land, water area, construction land and unused land had a strong positive correlation with the total carbon reserve. From 2005 to 2030, the carbon reserve of the 30cities in the Zhongyuan Urban Agglomeration ranged from 11.38×106t to 214.24×106t, respectively. The changes in carbon reserve reflected that urban land carbon emissions has peaked by 2030, and the coordinated economic and ecological development scenario might be more suitable for future cities.

Zhongyuan Urban Agglomeration；land use；Dyna-CLUE model；InVEST model；carbon storage

X32

A

1000-6923(2022)06-2965-12

赫曉慧(1978-),女,河南商丘人,教授,博士,主要從事水文與生態、智慧城市研究.發表論文數十篇.

2021-11-30

河南省重大科技專項(201400210900)

* 責任作者, 教授, hexh@zzu.edu.cn