《Sustainability》:Multi-Scenario Simulation and Driving Factor Analysis of Carbon Storage Based on PLUS-InVEST and XGBoost-SHAP Models: A Study from Weihe River Basin, China
编辑推荐:
在中国双碳战略与流域生态高质量发展背景下,探索土地利用驱动的碳储量变化对流域空间治理、生态修复与碳汇提升至关重要。渭河作为黄河最大支流,横跨西北干旱-半干旱区与东部季风区生态过渡带,生态系统脆弱、人类活动剧烈且土地利用演变显著。明确其碳时空动态与非线性因子响应
在中国双碳战略与流域生态高质量发展背景下,探索土地利用驱动的碳储量变化对流域空间治理、生态修复与碳汇提升至关重要。渭河作为黄河最大支流,横跨西北干旱-半干旱区与东部季风区生态过渡带,生态系统脆弱、人类活动剧烈且土地利用演变显著。明确其碳时空动态与非线性因子响应机制,可为低碳生态调控与流域可持续发展提供支持。研究人员整合斑块生成土地利用模拟(Patch-generating Land-Use Simulation,PLUS)与整合生态系统服务与权衡评估(Integrated Valuation of Ecosystem Services and Trade-offs,InVEST)模型,基于2000–2020年土地利用数据量化土地利用与碳储量的时空格局;建立四种发展情景预测2030年碳储量空间异质性;并采用可解释的极端梯度提升-沙普利加性解释(eXtreme Gradient Boosting–SHapley Additive exPlanations,XGBoost-SHAP)框架解析碳储量对自然与社会经济驱动因子的非线性响应。结果表明,流域碳储量总体呈上升趋势,20年间净增加452.29×104 t。空间上,高碳区在东北呈斑块聚集、西部零星分布、中南部带状扩展,低碳区集中在下游关中平原城市群。土地利用转换是区域碳变异的主要来源,退耕还林驱动的林地扩张产生最大碳汇增量。2030年情景模拟显示,自然发展、耕地保护与生态保护情景下碳储量均提升,其中生态保护情景碳增益最显著;而无约束经济发展伴随明显碳储量下降,表明针对性生态修复有助于缓解流域碳损耗。归一化植被指数(Normalized Difference Vegetation Index,NDVI)、坡度与人口密度是碳储量的主要决定因子,呈现典型阶段性非线性影响效应。本研究为生态脆弱流域的精细化生态修复、空间优化与碳汇提升提供可靠科学参考。
该研究发表于《Sustainability》。研究背景方面,流域作为连接陆域与水生生态系统的关键生物地球化学廊道,是调节区域与全球碳循环及维持景观可持续性的基本景观生态单元,其碳汇能力对气候反馈、生态韧性与生态系统服务供给具有重要意义。在中国提出2030年碳达峰与2060年碳中和目标背景下,提升陆地生态系统碳汇潜力成为核心议题,而土地利用与土地覆被变化(Land-Use and Land-Cover Change,LUCC)作为主导的人为干扰重塑了植被与土壤碳库及碳储量时空分布,因此揭示LUCC与碳储量的耦合机制至关重要。现有碳储量量化方法从野外调查、遥感解译发展到过程模型,其中InVEST模型因数据需求适中、效率高被广泛采用,但其难以直接模拟未来土地利用以进行多情景预测,常需与LUCC模型耦合。传统CA-Markov、CLUE-S、FLUS等模型在空间交互与景观斑块演化驱动识别上存在不足,PLUS模型通过引入空间交互网络改善了这一问题。在驱动机制分析上,地理探测器与地理加权回归(Geographically Weighted Regression,GWR)等统计工具难以捕捉非线性响应,XGBoost-SHAP可提供高精度预测与机制解释,但现有PLUS-InVEST研究缺乏驱动因子的定量非线性阈值识别。渭河流域作为黄土高原与关中平原的典型生态脆弱过渡带,受退耕还林、大规模生态修复与快速城镇化复合扰动,土地利用剧变深刻影响碳动态,然而现有研究在历史LUCC诱导的碳储量系统评估、非线性驱动解析及面向流域特征的情景预测与阈值识别方面存在空白,因此开展此项研究以填补缺口并提供科学依据。
研究人员采用的主要关键技术方法包括:基于2000、2010与2020年历史土地利用数据及自然与社会经济协变量,采用PLUS模型模拟2020年土地利用以验证精度(Kappa系数0.789,总体精度0.857),并设置自然发展、耕地保护、生态保护与经济发展四种2030年情景调整马尔可夫转移概率与邻域权重进行未来土地利用配置;将模拟与历史土地利用栅格数据输入InVEST碳储量模块,结合基于年降水量(Mean Annual Precipitation,MAP)与年均温(Mean Annual Temperature,MAT)的本地化修正系数计算各土地类型碳密度以重构碳储量分布;选取11项自然(海拔、坡度、坡向、MAP、MAT、NDVI、净初级生产力(Net Primary Productivity,NPP))与社会经济(人口密度、GDP、距高速公路距离、距国省干道距离)驱动因子,采用4 km×4 km规则网格中心采样获取8174个有效样本,通过XGBoost建模并以SHAP值量化因子相对重要性、非线性边际效应与临界响应阈值,模型评估采用决定系数(R2)、均方根误差(Root Mean Square Error,RMSE)与平均绝对误差(Mean Absolute Error,MAE)。
研究结果部分如下:
3.1. 土地利用的空间分布特征:2000–2020年渭河流域以耕地、草地、林地为主,耕地集中在上游与下游关中平原,草地分布于泾河与北洛河流域,林地沿流域东南流向呈带状分布于宝鸡、西安、渭南南部。期间耕地比例由约43.50%降至38.00%,净减7484.39 km2;林地净增4773.91 km2,比例升至24.94%;草地净增417.34 km2;建设用地由1.36%扩至2.98%,净增2200.18 km2。耕地转出以转草地(71.30%)、建设用地(16.07%)、林地(12.01%)为主,建设用地96.05%源自耕地,呈现“一减多增”格局,受退耕还林与城镇化共同驱动。
3.2. 2000–2020年碳储量时空分布格局:流域总碳储量从2000年107850.25×104 t增至2010年108081.27×104 t与2020年108302.54×104 t,20年净增452.29×104 t。林地碳储量增长5169.66×104 t,是总量增加的主导因素;耕地减少致碳损失5264.52×104 t;草地增315.05×104 t。耕地转林地与草地分别带来1738.80×104 t与7194.58×104 t碳增量,合计9159.56×104 t;耕地转建设用地致碳减225.47×104 t。空间上高碳区呈东北聚集、西部散点、中南部带状,低碳区集中于下游关中平原城市群。
3.3. 不同情景下土地利用与碳储量的时空变化:以2020年为基期,2030年自然发展情景耕地减2332.42 km2、林地增7.73%;生态保护情景耕地减4084.70 km2、林地增8.25%;耕地保护情景耕地微增1.55%、林地增1.67%;经济发展情景耕地增2.11%、林地减2.94%、建设用地剧增34.25%。碳储量方面,生态保护情景最高,达108898.08×104 t,较2020增595.53×104 t;自然发展增214.57×104 t至108517.11×104 t;耕地保护增136.39×104 t至108438.93×104 t;经济发展减1297.84×104 t至107004.70×104 t。林地碳储量变化是各情景总量变动的主因,生态保护情景碳汇效益最优,无约束经济发展导致显著碳损耗。
3.4. 基于XGBoost-SHAP模型的解读分析:XGBoost模型三年R2分别为0.74、0.74、0.70,RMSE为6.07、6.25、6.86 t/hm2,MAA为3.32、3.42、3.88 t/hm2,具良好拟合与解释力。NDVI、坡度、人口密度始终为前三位主导因子。NDVI平均绝对SHAP值由6.292降至5.327,植被均质化削弱其分化约束;坡度由2.484升至2.719,地形控制持续增强;人口密度呈持续负效应。NDVI临界阈值2000与2020年为0.65,2010年为0.75,低于阈值碳汇受限,高于则显著提升;坡度统一临界阈值为10°,<10°受人为干扰碳效为负,>10°限制干扰呈正效应;人口密度呈单调负约束;高程呈单峰非线性,1000–2000 m为碳保育核心带;坡向呈U型响应,50°与250°为拐点,50–250°半阳坡抑制最强。多因子非线性阈值为分区治理提供定量依据。
讨论部分总结:讨论指出2000–2020年碳储量增长掩盖了阶梯地貌与人类活动差异下的碳源汇分异,上游退耕与中游城镇化、下游湿地退化需差异化策略。林地为主要碳库,生态保护情景下耕地合理转为林地带来的碳增量远超损失,印证优化土地利用结构的必要性。驱动因子中NDVI、坡度、人口密度耦合作用形成南部秦岭叠加碳汇区、关中平原碳亏损热点与中游黄土丘陵双重压力区,识别的NDVI 0.65–0.75与坡度10°阈值为精细化治理提供基准。建议依阈值实施分级管理:>10°且NDVI>0.75的秦岭与上游山区设为永久生态储备区;<10°关中平原严守耕地红线与紧凑城市开发并建绿廊;中等NDVI缓坡农区推广低强度耕作稳碳。讨论亦指出局限:碳密度参数采用文献与线性气候校正存在空间偏差,未来需分区校正与野外采样;90 m重采样平滑社会经济指标带来不确定性;PLUS参数具主观性且未纳入极端气候与灾害情景;未探明因子间交互与因果关系,未来需结合地理探测器与更高分辨率数据深化。
结论部分翻译:本研究构建耦合PLUS-InVEST-XGBoost-SHAP分析框架,揭示渭河流域2000–2020年碳储量时空动态,模拟2030年四种发展情景下碳储量格局,并识别塑造碳储量异质性的自然与人为驱动因子之非线性响应与阈值效应。主要结论如下:第一,2000–2020年耕地、林地、草地为流域主导土地利用类型。耕地显著减少而其他地类同步扩张。受退耕还林与快速城镇化驱动,大规模耕转林产生显著净生态修复,形成典型的单一类型减少与多类型土地扩张并存格局。第二,流域碳储量在研究期内持续上升,2000–2010年增长231.03×104 t,2010–2020年增长221.27×104 t。林地为主导碳汇,耕地造林贡献最大碳增量,而林地复垦为耕地是区域碳损失的主因。第三,多情景预测表明2030年碳轨迹显著分化。生态保护情景获最高碳汇效益,无约束经济增长引致严重碳损耗,凸显生态修复对维持流域碳功能的关键作用。第四,碳储量空间异质性受NDVI、坡度、人口密度等自然与人为因子耦合调控并具有阶段性非线性响应。主导调控机制由自然主导转向人–自然交互,生态修复显著促进碳汇。所识别阈值为空间靶向低碳流域管理提供定量见解。
需要我帮你把这篇解读浓缩成一份适合在学术汇报中使用的要点提纲吗?