基于RS的哈尔滨市土地利用变化对碳储量的影响

李继红，支伟峰，陈文曲，梁勇奇，徐艺帆，张帆

0 引言

随着人类社会发展，各种生态环境问题日益突出，这也使得对于生态环境方面的研究渐渐成为世界关注的焦点[1-3]。各国科研人员尝试从不同角度对生态环境变化进行研究，在这些研究当中，对于碳储量的研究更是一大热点，也取得了不少进展[4]。部分研究发现一定区域内土地利用类型的变化对碳储量变化能够产生巨大影响[5-6]。土地利用/土地覆被（LUCC）的改变影响陆地生态系统的分布和结构进而导致陆地生态系统碳储量与碳循环的变化，具体表现在以植被覆盖林地减少和与建筑用地增加导致区域碳储能力下降[7-8]。国外HUTYRA L R等对西雅图部分地区单位面积碳储量进行计算并与美国其他地区进行对比[9]。国内在植被碳储量[10]、生态系统碳储量[11]、城市碳储量[12]等方面都有所研究，并取得一定的成果。但就土地利用/土地覆被（LUCC）、遥感和区域碳储量转移流动相结合的研究相对较少。本文基于遥感技术的应用，分析土地利用变化，根据土地利用变化预测模型预测未来城市发展趋势，进而完成对其变化引起的碳储量格局变化分析。

1 研究区概况

哈 尔 滨， 位 于 东 经 125°42′～130°10′， 北 纬44°04′～ 46°40′，是中国最北边的省会城市，下辖 9个区：道里区、南岗区、道外区、平房区、松北区、香坊区、呼兰区、阿城区、双城区；7个县：依兰县、方正县、宾县、巴彦县、木兰县、通河县、延寿县；以及2个代管县级市：尚志市和五常市。行政管辖区域总面积 5.3万 km2。地势北、东、南高，呈新月形状向西倾斜。哈尔滨属中温带大陆性季风气候，夏季短暂，冬季漫长寒冷。哈尔滨地区的土壤种类较多，以黑土为主要土壤，主要森林类型有：白桦林、柞树林、落叶松林、针阔混交林和樟子松林等。流经哈尔滨的主要河流松花江和阿什河等。

2 数据与研究方法

2.1 数据

2.1.1 遥感数据来源和预处理

遥感数据为哈尔滨市2005、2010和2015年三期Landsat遥感影像数据，具体情况见表1，来源于地理空间数据云(http://www.gscloud.cn/)。对三期遥感影像进行预处理，处理的主要步骤包括单景影像辐射定标、大气校正、图像镶嵌和图像裁剪等。经过预处理和监督分类后的分类结果如图1所示。

表1 遥感数据列表Tab.1 List of remote sensing data

图1 哈尔滨市2005、2010和2015年遥感影像分类结果Fig.1 Interpretation remote sensing images in 2000～2015 in Harbin

2.1.2 辅助数据

2005、2010和2015三期哈尔滨市土地利用现状图，2005、2010和2015三期哈尔滨统计年鉴数据以及部分哈尔滨统计局发布的数据。主要用作遥感图像分类精度评价参考数据

2.2 研究方法

2.2.1 遥感图像分类

遥感图像分类主要有监督分类和非监督分类，鉴于本研究能从研究区域选取有代表性的训练场作为样本，所以笔者采用监督分类方法。而具体监督分类方法笔者尝试了支持向量积，最大似然法及最小距离法。在充分考虑不同地类分类精度，总体精度及Kappa系数后，确定选择支持向量机为本研究中遥感影像监督分类的方法。

2.2.2 土壤碳储量估算

土壤碳是陆地碳循环中重要的组成部分，其对于大气中碳的排放量有很大影响作用。土壤碳的研究主要集中于其碳储量的计算与流动[13-14]。而土壤碳储量估算主要方法有：土壤类型法、生命带法、模型方法和GIS估算法等[15]。不论采用何种方法，最终可以获得不同土地利用/土地覆被（LUCC）的碳密度数据，具体参考郭树平[16]统计的黑龙江省不同地类碳密度。采用其碳密度来估算不同地类的土壤碳储量。具体公式：

式中：SOC为土壤总碳储量；Xi为第i种类型土地的面积；SOCDi表示第i种类型土地碳密度。

2.2.3 植被碳储量估算

同理对于植被碳密度也可采用参考焦燕[17]、李克让[18]等测算或统计的数据获得。笔者在这里只对于土地类型中林地、耕地估算植被碳储量，对于建设用地与水域忽略不计，具体公式：

式中：ZOC为植被总碳储量；Xi为第i种类型土地的面积；ZOCDi为第i种类型土地表面植被碳密度。

2.2.4 哈尔滨总碳储量估算

式中：TOC为哈尔滨总碳储量；SOC为土壤总碳储量；ZOC为植被总碳储量。

2.2.5 基于Markov模型的哈尔滨2020年土地利用类型预测

Markov模型具有预测数量上的优势，运用Markov模型预测关键在于转移概率矩阵的确定[19]。主要分为以下步骤：①分别计算2005-2010年土地利用转移矩阵；②以2005年为初始转移状态；③利用Idrisi的Markov模型模拟模块，以15a为步长，加入土地利用转移概率矩阵，获得最终2020预测土地利用类型。

土地转移概率公式：

式中：m为景观类型，Pij为由i类地类块转变为j类地类的概率，同时，Pij须满足以下两个条件：

式中：P(n)为初始状态土地利用概率矩阵经过n步转移后的概率矩阵。

3 结果与分析

3.1 遥感影像分类精度分析

采用监督分类中支持向量机方法对哈尔滨市遥感影像分类后，结合检验样本，对其分类精度进行评价可得表2。可以看出单个地类分类精度，总体分类精度以及Kappa系数基本满足分类准确性要求。为本研究深入进行提供了可靠地数据支持。

表2 哈尔滨市遥感影像分类精度Tab.2 Evaluation of classification accuracy of remote sensing image in Harbin

3.2 土地利用/土地覆被（LUCC）变化与分析

基于2005、2010和2015年三期遥感数据分类处理结果可得表3。由本表分析可知：从单个土地利用类型变化来看，林地面积呈现逐渐增加的态势，从2005年22 310 km2到2010年26 310 km2再到2015年27 100 km2。林地的不断增加有助于提高城市绿化水平，为保护生态环境提供了大的环境保障。建设用地面积三期分析也呈现增加情况，从期初的2 850 km2到期中3 690 km2再到期末4 150 km2，面积逐渐增加，表明伴随城镇化进展和经济发展，其建设用地需求巨大。耕地面积不断降低，但降低幅度有所减慢。从2005-2010年减少5 060 km2到2010-2015年减少1 390 km2，说明耕地减少得到有效抑制，但控制耕地红线的任务依旧严峻。从总体土地利用角度来看，哈尔滨市土地利用中以林地耕地为主体，其面积占哈尔滨市总面积90%左右，之后依次为建设用地、水域。

表3 哈尔滨市土地利用类型面积及所占比例Tab.3 Land use area and proportion in Harbin

3.3 土壤、植被及总碳储量估算与分析

根据土壤、植被以及总碳储量估算方法，结合表3哈尔滨市土地利用面积可得表4。对其进行深入分析可以发现：按照笔者采取的估算方式，在土地利用类型改变的情况下，出现以下结果：由于假定植被碳储量仅和林地、耕地面积转变有关，因此计算得植被碳储量呈逐期增加，从2005年到2015年，10 a间增加了1.2×107t，平均每年增加约1.2×106t。不同土地土壤碳密度差异较大导致总土壤碳储量逐渐降低。以土壤碳储量与植被碳储量结合，忽略其他因素或部分的碳储量，计算得出了2005、2010和2015三年哈尔滨市碳储量分别为：8.85×108t、8.93×108t、8.90×108t。

表4 哈尔滨市碳储量估算情况 104 tTab.4 The estimated carbon storage in Harbin

3.4 预测2020年土地利用方式以及碳储量变化情况

根据马尔科夫模型，结合2005、2010和2015年哈尔滨市遥感图像分类结果，获取土地利用转移矩阵，带入Idrisi计算最终可得2020年预测土地利用分类情况，见表5。

表5 哈尔滨市土地利用类型面积与碳储量2020年预测情况Tab.5 The prediction of Harbin's land use and carbon storage in 2020

由表5预测数据，结合表4，做出图2、图3，可以对2005-2020年（预）期间的碳储量变化进行研究分析。

图2 哈尔滨市不同年份土地利用类型的碳储量变化情况Fig.2 The change of carbon storage based on land use in Harbin

综上所述2005～2020年（预）这段时期的哈尔滨碳储量变化情况：

（1）总碳储量处于小幅度波动增长的状态，2005年到2010年碳储量有所增加，2010年到2015年碳储量略有减少，预测2015到2020年会有小幅上涨，但总体碳储量在这段期间还是增加的。

图 3 哈尔滨市碳储量变化情况Fig.3 The change of carbon storage in Harbin

（2）植被碳储量就其原有基数而言出现明显增长，主要原因归于2005年到2020年期间林地面积的逐渐增加，而林地上的植被具有非常重要的固碳作用，进而导致整体固碳量的增加。

4 结论与讨论

（1）土地利用类型变化，对陆地区域生态系统碳循环具有重要的影响。直接体现在不同土地类型具有不同碳储能力。基于遥感图像的土地利用变化研究是一种简单、快速、高效的区域碳储量估算研究方法。本文从理论角度探索其具有实现的可行性。

（2）2005年到2015年这十年间，哈尔滨土地利用总体上体现建设用地面积不断增加，加之退耕还林政策作用，共同压缩了耕地面积，这值得城市建设规划研究人员的注意。

（3）根据马尔科夫模型对哈尔滨市不同土地类型预测，结合前期碳储量估算可以得出区域总体碳储能力得到加强，其中林地的不断增加是碳储增加的主导因素。

虽然本文采用科学的方法估算哈尔滨市近十年土地利用/土地覆被变化导致碳储量变化的情况，但仍存在进一步完善的地方。具体表现在：

（1）基于遥感图像的土地分类精度有待提高，由于遥感图像受分辨率和研究人员目视解译影响，一直存在精度不足难以满足应用研究的目的。提高分类精度是利用遥感图像进行深入研究的重要保障，在笔者进行研究中选取了中分辨率的TM遥感数据，初步满足研究需求，但就研究问题估算准确性上考虑还是有所不足。

（2）土地利用类型与区域碳储量关系研究不够深入，主要考虑土壤与植被的影响，对于地表覆被物，特殊湿地区域缺乏考虑，建议其他研究人员建立完整的基于土地利用的区域碳储量估算模型，以便能够达到真正高效的服务于社会生态文明建设的目的。

［1］Churkina G. Modeling the carbon cycle of urban systems［J］.Ecological Modeling , 2008, 216(2): 107-113.

［2］温文. IPCC公布第五次气候变化评估报告：超过95%系人为原因［J］.自然杂志, 2013, 35(5):325-328.

［3］中国未来研究会未来研究中心“低碳经济评价研究”课题组.2010各国低碳经济评价课题研究报告［J］.未来与发展,2011(5):2-10.

［4］方精云, 刘国华. 中国陆地生态系统碳库.现代生态学热点问题研究［M］.北京: 中国科学技术出版社,1996:251-267.

［5］葛全胜, 戴君虎, 何凡能, 等.过去300年中国土地利用、土地覆被变化与碳循环研究［J］. 中国科D辑：地球科学,2008, 38(2)：197-210.

［6］陈广生, 田汉勤. 土地利用/覆盖变化对陆地生态系统碳循环的影响［J］. 植物生态学报, 2007, 31(2)：189-204.

［7］吴建国, 张小全, 徐德应. 土地利用变化对生态系统碳汇功能影响的综合评价［J］. 中国工程科学 , 2003, 5(9)：65-77.

［8］谷家川.皖江城市带碳排放与碳储量时空变化特征研究［D］.芜湖：安徽师范大学, 2013.

［9］Hutyra L R, Yoon B, Alberti M. Terrestrial carbon stocks across a gradient of urbanization :a study of the Seattle, WA region［J］.Global Change Biology, 2011, 17(2): 783-797.

［10］张兴榆, 黄贤金, 赵小风,等.环太湖地区土地利用变化对植被碳储量的影响［J］.自然资源学报, 2009, 24(8)：1 343-1 354.

［11］张继平, 刘春兰, 郝海广, 等.基于MODIS GPP/NPP数据的三江源地区草地生态系统碳储量及碳汇量时空变化研究［J］.生态环境学报, 2015,24(1):8-13.

［12］郭茹.基于遥感的城镇化过程碳储量格局变化研究—以上海市崇明岛为例［J］.环境污染与防治, 2015,37(12):107-109.

［13］金峰, 杨浩, 赵其国. 土壤有机碳储量及影响因素研究进展［J］.土壤, 2000(1) : 11- 17.

［14］王绍强,周成虎,夏洁.碳循环研究的最新动向［J］.地球科学进展,2000,15(5):592- 597.

［15］刘留辉. 国内外土壤碳储量研究进展和存在问题及展望［J］.土壤通报, 2009,40(3)：697-701.

［16］郭树平.黑龙江省碳储量及碳汇潜力分析［J］.森林工程,2011, 27(3)：9-16.

［17］焦燕.黑龙江省森林植被碳储量及其动态变化［J］.应用生态学报, 2005,16(12)：2248-2252.

［18］李克让.中国植被和土壤碳贮量［J］.中国科学D辑, 2003,33(1)：71-80.

［19］王晓峰, 任志远, 黄青.农牧交错区县城土地利用变化及驱动力分析：以陕北神木县为例［J］.干旱区地理, 2003,26(4) : 402-407.

［20］Acosta L, Klein R J T, Reidsma P, et al. A spatially explicit scenario-driven model of adaptive capacity to global change in Europe［J］. Global Environmental Change, 2013(23): 1211-1224.

［21］Metzger M J, Rounsevell M D A, Acosta-Michlik L, et al. The vulnerability of ecosystem services to land use change［J］.Agriculture, Ecosystems and Environment, 2006, 114(1): 69-85.

［22］Watson R T, Noble I R, Bolin B, et al. Land use change and forestry: a special report of the intergovernmental panel on climate change［M］. Cambridge University Press, 2000.

［23］Mucher A, Steinnocher K T, Kressler F P, et al. Land cover characterization and change detection for environmental monitoring of pan-Europe［J］. International Journal of Remote Sensing, 2000, 21(6): 1159-1181.

［24］Li B Y, Tang H P, Wu L H, et al. Relationships between the soil organic carbon density of surface soils and the influencing factors in differing land uses in Inner Mongolia［J］. Environmental Earth Sciences, 2012, 65: 195-202.