基于PLUS–InVEST模型与地理探测器的黄土高原县域土地利用变化碳储量时空演变及多情景模拟——以黄陵县为例

《Land》：Impact of Land-Use Change on Carbon Storage in the Loess Plateau Based on the PLUS–InVEST Model: A Case Study of Huangling County, China

　　

土地利用变化是区域生态系统碳循环和碳储量变化的关键驱动因素。以黄陵县为案例，研究人员将1990—2020年土地利用数据与InVEST（Integrated Valuation of Ecosystem Services and Tradeoffs，生态系统服务与权衡综合评估）模型、PLUS（Patch-generating Land-Use Simulation，斑块生成土地利用模拟）模型和地理探测器（GeoDetector）相结合，考察土地利用变化和碳储量的时空演变，识别碳储量空间异质性的驱动因素，并预测2030年替代发展情景下的土地利用格局和碳储量变化。结果表明：（1）1990—2020年黄陵县土地利用结构保持相对稳定，林地和草地占总面积80%以上。建设用地由12.58 km²扩张至30.12 km²，耕地总体减少，表明生态用地重构与城市扩张并存。（2）1990—2020年总碳储量呈波动下降，由5517×10⁴ t降至5375×10⁴ t，下降2.57%。林地构成主导碳库，其变化是碳储量动态的主要驱动因素。（3）降水、NDVI（Normalized Difference Vegetation Index，归一化植被指数）和海拔是与碳储量空间异质性相关的主导因素，平均q值分别为0.722、0.669和0.588。交互探测显示，2010年降水–GDP（Gross Domestic Product，国内生产总值）交互最强（q = 0.829），2020年NDVI–GDP交互最强（q = 0.799），突出自然和社会经济因素与碳储量格局的联合关联。（4）2030年各情景碳储量差异明显。自然发展情景产生最高碳储量（5409.98×10⁴ t），较2020年增加35.36×10⁴ t。经济发展优先情景建设用地面积最大（34.18 km²），可持续发展情景通过平衡生态保护和社会经济发展维持更协调的土地利用结构。这些发现为黄土高原丘陵沟壑区土地利用优化和碳汇提升提供有价值的科学支持。

全球气候变化与大气CO₂浓度上升影响全球碳循环和生态系统稳定，陆地生态系统碳固持作用重要；土地利用/土地覆被变化（Land Use and Land Cover Change，LUCC）通过改变植被覆盖、生态系统结构和土壤碳过程直接影响区域碳储量和碳源–碳汇动态，是陆地生态系统碳循环的重要驱动因素之一。碳中和背景下提升生态系统碳汇是减缓气候变化的关键措施，但生态保护、耕地保护和城市扩张之间常存在权衡，不同土地利用策略可能导致不同碳储量轨迹。已有CA–Markov、FLUS和PLUS（Patch-generating Land-Use Simulation，斑块生成土地利用模拟）等模型结合InVEST（Integrated Valuation of Ecosystem Services and Tradeoffs，生态系统服务与权衡综合评估）模型评估替代情景碳储量，但黄土高原研究多集中于流域、区域和省域尺度，县域内部土地利用转移对碳储量动态的影响认识不足，生态保护、耕地保持和城市扩张之间的权衡关注有限；固定碳密度系数和预设转移规则的情景模拟存在不确定性，结果宜作为替代土地管理路径的比较评估而非精确预测。为此，研究人员以黄土高原丘陵沟壑区典型县黄陵县为案例，基于1990、2000、2010、2020年土地利用数据，分析土地利用变化与碳储量动态，模拟2030年替代发展情景，识别碳储量空间异质性驱动因素，以期为国土空间规划、生态修复和碳汇提升提供科学支持。

方法概述（不超过250字）：该研究使用1990、2000、2010、2020年CNLUCC（China Land Use Remote Sensing Monitoring Dataset，中国土地利用遥感监测数据集；来源为RESDC，中国科学院资源环境科学与数据中心）土地利用栅格数据并裁剪至黄陵县界；采用InVEST碳模块，结合文献确定的碳密度参数估算地上、地下、土壤和死亡有机质四类碳库；以转移面积与碳密度差计算土地利用转移的碳储量变化；PLUS模型包含LEAS（Land Expansion Analysis Strategy，土地扩张分析策略）和CARS（Cellular Automata based on Random Seeds，基于随机种子的元胞自动机），选取高程、坡向、距河流、道路密度、距农村居民点、距城镇中心6个驱动因子，以2010年预测2020年验证；GeoDetector以8个解释变量开展因子探测和交互探测，连续变量按自然断点分5级；设计自然发展、耕地保护、经济发展优先和可持续发展四情景，以Markov链估算自然发展情景需求并调整其他情景，结合转移规则模拟2030年。

研究结果：
3.1 黄陵县土地利用变化的时空动态
3.1.1 土地利用构成与数量变化特征：通过1990—2020年土地利用统计，林地占比58.16%—64.15%，草地20.24%—26.59%，二者合计超过84%；耕地约13%，建设用地和水体分别低于2%和1%；1990—2000年耕地增10.60 km²、草地减12.34 km²，2000—2010年建设用地增13.40 km²，2010—2020年林地减137.28 km²、草地增145.31 km²，表明生态用地内部转换与建设用地扩张增强。
3.1.2 土地利用空间格局演变：通过空间分布分析，林地和草地广泛分布于丘陵沟壑区，耕地集中于河谷和黄土台塬，建设用地沿县城和交通干线呈簇状、线状扩张；2000—2010年建设用地快速扩张，2010—2020年林地转草地形成新斑块。
3.1.3 土地利用转移特征：通过转移矩阵，1990—2020年林地转草地面积最大（152.23 km²），草地转林地21.27 km²；耕地转草地、建设用地和林地分别为9.14、16.52和5.16 km²，草地和森林转耕地分别为18.97和6.34 km²；林地净减132.88 km²，草地净增119.17 km²，建设用地由12.58增至30.12 km²，总体表现为林地损失、草地扩张和建设用地显著增长。
3.2 黄陵县生态系统碳储量时空动态
3.2.1 碳储量时间动态：基于修订碳密度参数和InVEST模型，总碳储量呈波动下降，1990、2000、2010、2020年分别为5516.7、5520.81、5510.15、5374.62×10⁴ t，较初期减少142.05×10⁴ t（2.57%），其中2010—2020年减少136.39×10⁴ t，为主要下降期。
3.2.2 土地利用转移对碳储量变化的贡献：通过转移面积与碳密度差计算，林地转草地损失约130.67×10⁴ t，草地转林地增加18.26×10⁴ t；耕地转建设用地损失27.36×10⁴ t，耕地转草地损失5.19×10⁴ t，林地转耕地损失1.84×10⁴ t，耕地转水损失4.14×10⁴ t，草地转建设用地损失1.44×10⁴ t；草地转耕地增加10.77×10⁴ t，耕地转林地增加1.50×10⁴ t；碳效应由转移面积和碳密度差共同决定。
3.2.3 不同土地利用类型碳储量贡献特征：通过分类型统计，林地、草地和耕地平均贡献率分别为69.42%、16.75%和13.55%，合计超过99%；林地碳储量由3891.28降至3538.27×10⁴ t，减少353.01×10⁴ t，是总碳下降主因；草地由880.49增至1094.78×10⁴ t，增加214.29×10⁴ t，部分抵消林地损失；耕地略降，建设用地平均贡献仅0.28%，水体基本不变。
3.2.4 碳储量空间分布特征：通过空间分布分析，高值区与林地主导区一致，集中于丘陵山区；低值区分布于县城周边、交通线、河谷和黄土台塬；2000—2010年中低值区扩张与建设用地扩张和生态用地转移吻合，2010—2020年高值区部分减少。
3.2.5 碳储量空间变化特征：通过变化空间分布分析，碳增区主要位于植被恢复和草地扩张区，碳减区主要位于林地损失、建设用地扩张和耕地转换区；碳损失呈斑块和线状分布，增益主要出现在生态恢复区，损失范围和幅度大于增益，导致总碳储量净减少。
3.3 黄陵县碳储量空间分异驱动力
3.3.1 基于VIF的多重共线性分析：通过VIF（Variance Inflation Factor，方差膨胀因子）和容忍度分析，VIF为1.92—3.33，容忍度为0.32—0.52，均满足VIF低于5、容忍度高于0.2，共线性不构成主要问题；温度VIF最高（3.33），距主要道路最低（1.92）。
3.3.2 单因子探测结果：通过GeoDetector因子探测，1990、2000、2010年降水主导，q值分别为0.755、0.792、0.726；2020年NDVI居首（q = 0.702），海拔第二（q = 0.657），降水第三（q = 0.614）；降水解释力2000—2020年下降，GDP自2000年后上升，人口密度1990—2010年下降、2020年上升，表明碳储量空间分异与气候、植被和地形密切相关，社会经济因子解释力随时间变化。
3.3.3 交互探测结果：通过交互探测，降水–GDP的q值在1990、2000、2010、2020年分别为0.734、0.801、0.829、0.625，降水–人口密度为0.758、0.795、0.715、0.728，降水–海拔为0.768、0.802、0.735、0.752；交互q值多高于单因子，最强交互随年份和组合变化，表明碳储量空间分异与气候、地形、植被和社会经济因素联合关联。
3.4 2030年不同情景下土地利用与碳储量预测
3.4.1 PLUS模型精度验证：通过以2010年土地利用预测2020年，OA（Overall Accuracy，总体精度）为0.901，Kappa系数为0.812，模拟与实际上地利用空间一致性较高，主要地类重现较好，建设用地扩张得到合理捕捉，可支持情景模拟。
3.4.2 不同情景下土地利用格局预测：通过PLUS四情景模拟，2030年林地仍主导各情景（均超过59%），建设用地均扩张；FPS（Farmland Protection Scenario，耕地保护情景）耕地为299.32 km²，仅较2020年减5.07 km²，耕地保护最有效；EDS（Economic Development Priority Scenario，经济发展优先情景）建设用地增4.06 km²，增幅最大，耕地略增1.34 km²至305.73 km²；各情景林地增22.22—47.67 km²，NDS（Natural Development Scenario，自然发展情景）增幅最大；草地减16.19—36.90 km²；SDS（Sustainable Development Scenario，可持续发展情景）较平衡生态保护与发展需求。
3.4.3 不同情景下碳储量预测：基于模拟土地利用和InVEST估算，2030年NDS总碳储量最高（5409.98×10⁴ t），EDS为5393.66×10⁴ t，FPS为5389.77×10⁴ t，SDS为5387.43×10⁴ t，均高于2020年，增幅12.80—35.35×10⁴ t；林地贡献均超过3597×10⁴ t，NDS林地碳储量最高（3664.91×10⁴ t）；SDS和FPS草地碳储量较高（1065.67和1061.60×10⁴ t）；NDS较SDS总碳高22.55×10⁴ t（约0.42%），主要因NDS林地多20.00 km²、林碳高53.13×10⁴ t，SDS草地多20.71 km²、草地碳高37.24×10⁴ t；高值区集中于西部和中部，低值区位于东部和河谷；NDS和SDS碳增区较广，EDS碳损失较集中，FPS耕地区碳变化有限。

讨论部分总结：讨论指出，土地利用变化通过面积变化、转移方向和碳密度差异影响区域碳储量；林地转草地面积显著大于反向转移，且林地碳密度高于草地，导致较大碳损失；耕地转建设用地虽面积较小，但碳密度由236.6降至71 t C/ha，仍造成碳损失，因此应保护高碳密度林地并限制碳丰富土地转为建设用地。土地利用数据时空分辨率可能影响碳储量估算，十年间隔可能忽略短期转移和季节植被动态，未来可通过高时序数据和精细数据集降低不确定性。GeoDetector显示降水、NDVI和海拔平均q值分别为0.722、0.669和0.588，降水q值下降、NDVI q值上升；降水–GDP（2010年）和NDVI–GDP（2020年）交互解释力高，反映自然和社会经济因素的联合关联，但GeoDetector揭示的是空间关联而非因果关系。情景比较表明，NDS碳储量最高并不必然代表综合生态绩效最优，NDS延续历史趋势，SDS代表不同发展优先级下的替代配置，存在碳储量与更广泛土地利用目标之间的权衡；该研究未综合评估其他生态系统服务，生物多样性保护、土壤保持等表现仍不确定，国土空间规划应将碳储量与耕地保护、社会经济发展和其他生态目标共同考虑。

研究结论翻译：
（1）1990—2020年黄陵县土地利用总体结构相对稳定，林地和草地持续主导，合计占总面积84%以上。土地利用变化呈明显阶段特征：1990—2000年各地类面积变化较小；2000—2010年建设用地扩张更明显；2010—2020年林草地转换加剧，林地减少137.28 km²，草地增加145.31 km²。
（2）1990—2020年黄陵县碳储量总体下降，由5516.67×10⁴ t降至5374.6×10⁴ t，净损失142.05×10⁴ t。2010—2020年下降最剧烈，减少136.39×10⁴ t。林地平均占区域碳储量69.42%，但其碳储量下降353.01×10⁴ t；草地碳储量增加214.29×10⁴ t，部分抵消林地损失但未改变总体下降。
（3）黄陵县碳储量空间异质性明显，高值集中于林地主导的西部和中部山区，低值分布于县城周边、交通走廊、河谷和黄土台塬。GeoDetector识别植被条件、降水和地形为重要因素，交互探测突出自然和人为因素与碳储量格局的联合关联。
（4）到2030年，四种情景碳储量均高于2020年，NDS最高。差异主要与土地利用面积及其碳密度变化相关。结果突出未来土地利用规划中林地保护和生态恢复的重要性。