土地利用多情景模拟与基于荒野制图的碳储量时空预测——以云南省普洱市为例

《Sustainability》：Land-Use Multi-Scenario Simulation and Spatiotemporal Prediction of Carbon Storage Based on Wilderness Mapping: A Case Study of Pu’er City, Yunnan Province

　　

土地利用变化通过重塑陆地生态系统的组成与功能，直接或间接影响区域碳储量，理解该过程对引导土地利用策略迈向碳中和具有重要意义。研究人员利用荒野制图评估普洱市荒野质量，并耦合FLUS（Future Land Use Simulation）–InVEST（Integrated Valuation of Ecosystem Services and Trade-offs）模型，分析2000–2020年土地利用与碳储量的时空变化，模拟2030年土地利用与碳储量情形。基于荒野制图结果，研究区划分为四类荒野质量等级，并设立无保护（No Protection）、有限保护（Limited Protection）、适度保护（Moderate Protection）与严格保护（Strict Protection）四种情景。2000–2020年，耕地与林地减少，草地、水体与建设用地增加。碳储量先微增后下降，总体减少约1.87×106 Mg C。相较于协调后的五类2020年FLUS基线，2030年模拟显示无保护情景下减少约1.46×106 Mg C，而适度保护情景增加约0.21×106 Mg C。在基线碳密度参数下，适度保护情景在四情景中估计总碳储量最高，且模拟建设用地面积大于严格保护情景。然而，适度与严格保护情景间总碳储量估计差异较小，应结合碳密度不确定性予以解释。

研究背景与立项依据

在全球气候变化与我国“双碳”目标背景下，土地利用与覆被变化（LULCC）已成为区域碳排放的主要来源之一。土地利用变化通过重塑陆地生态系统组成与功能影响碳储释过程，但如何在生态重要城市兼顾保护与发展的土地利用配置仍缺乏基于空间显式保护边界的定量情景对比。普洱市地处云南“三屏两带多点”生态安全格局关键节点，森林覆盖率超67%，同时受旅游、城镇化与工业化扩张威胁。已有研究多单独使用Markov、CA-Markov、CLUE-S或PLUS等模型，或单独使用InVEST碳模块，将荒野制图（wilderness mapping）作为保护约束边界并耦合FLUS–InVEST进行多情景碳储量预测的系统性研究尚不多见。因此，研究人员开展此项研究，以荒野质量指数（WQI）划分生态等级，设定四类保护情景，模拟2030年土地利用并估算碳储量，为生态重要区保护提供科学参照。该文发表于《Sustainability》。

主要技术方法概括

研究人员采用2000、2010、2020年30 m土地利用数据（来自中国科学院资源环境科学数据中心，重分类为六类），选取高程、坡度、气候、距离道路与居民点、人口与GDP等13个驱动因子；以2010年为FLUS基线、2020年为验证年，利用GeoSOS-FLUS V2.4中ANN（人工神经网络）-CA（元胞自动机）机制模拟2030年五类土地利用需求（Markov转移矩阵推算）。荒野制图选取距道路、距居民点、人口密度、生物物理自然度四项指标，等权线性组合得WQI，按等分区间划四类荒野等级并转为Restricted Area约束。碳储量由InVEST碳模块以六类土地四碳库（地上/下生物量、土壤有机碳、死有机质）密度参数估算；并开展碳密度OAT（one-at-a-time）敏感性分析与WQI权重敏感性分析，以及乡镇级Global/Local Moran’s I空间自相关。

研究结果

3.1 荒野分类敏感性：替代权重下高水平荒野Jaccard相似度79.67%–82.46%，空间主体格局稳定，故后续用等权方案。

3.2 土地利用变化2000–2030：2000–2020年林地、耕地净减，草地、水体、建设用地增；FLUS历史模拟OA 78.52%、Kappa 0.7315、FoM 0.23。2030年NP情景建设用地扩至224.10 km²、林地降至37341.60 km²；MP情景林地37602.92 km²、建设用地215.40 km²；SP情景林地最大（37695.42 km²）、建设用地最小（191.90 km²）。NP与LP数值接近，因未做重复运行不能区分随机波动。

3.3 碳储量变化2000–2030：2000年658.56×10⁶ Mg C，2010年658.62×10⁶ Mg C，2020年656.69×10⁶ Mg C，总体降1.87×10⁶ Mg C。2030年相对协调五类2020基线（656.68×10⁶），NP降1.46×10⁶，LP降1.45×10⁶，MP增0.21×10⁶（达656.89×10⁶），SP降0.22×10⁶（656.46×10⁶）；MP最高但MP–SP差仅0.42×10⁶。碳密度敏感性显示林地参数±20%引总碳储量变幅超15%，MP与SP排序在耕地+20%、草地?10%/?20%时反转，表明小差异非稳健。

3.4 权重敏感性：MP情景下自然度导向权重使保护区由58.87%升至73.11%，总碳储量由656.89降至655.14×10⁶ Mg C，变幅0.27%，说明权重影响配置但总碳储量响应较小。

3.5 碳储量空间分布：四情景Global Moran’s I为0.598–0.621（p<0.001），呈正自相关；NP显著LL乡镇15个、HH 2个，保护情景LL减少、HH增多，无HL/LH异常值。

讨论与结论翻译

讨论指出，林地面积与高碳密度使普洱碳储量主导者为林地；耕地净减而非农扩为主因，橡胶/咖啡/茶园未在分类中区分；建设用地扩伴随低人工地类碳密度置换。MP并非绝对最优，其较SP多模拟建设用地是共同需求下空间可行性的体现，SP部分需求未满足属约束分配结果。FLUS轮盘赌机制无固定随机种子，NP–LP小差异含随机性。结论部分：2000–2020年总碳储量先微增后减1.87×10⁶ Mg C；2030年相对协调基线，NP、LP、MP、SP变化分别为?1.4607、?1.4498、+0.2051、?0.2170×10⁶ Mg C；MP估计最高（656.8862×10⁶ Mg C），SP林地最大、建设用地最小（656.4640×10⁶ Mg C）；MP与SP总碳储量差相对区域存量极小且受碳密度假设敏感，故MP表观优势不应视为一致稳健或普适最优。该研究证明荒野制图可作空间筛选层，但须融入国土空间规划红线与多目标决策框架。