基于FLUS-InVEST的西北地区土地利用变化及其对碳储量的影响<br/>——以呼包鄂榆城市群为例

基于FLUS-InVEST的西北地区土地利用变化及其对碳储量的影响
——以呼包鄂榆城市群为例

2022-10-13王超越郭先华郭莉白丽芳夏利林王春博李廷真

生态环境学报 2022年8期

王超越，郭先华，郭莉，白丽芳，夏利林，王春博，李廷真

重庆三峡学院三峡库区水环境演变与污染防治重庆市重点实验室，重庆 404100

CO2排放所致的全球气候变暖问题已被世界各个国家所瞩目（李建豹等，2019；张斌等，2022）。自改革开放以来，随着城市化进程的不断推进，目前中国CO2排放量已成为世界第一（Yu et al.，2021），减少CO2排放刻不容缓。而陆地生态系统对减少碳排放及缓和全球变暖具有重大意义，是近年来世界范围内的研究热点（Houghton，2003；Piao et al.，2009；曹世雄等，2018）。作为与陆地生态系统密不可分的土地利用覆被变化（Land Use and Cover Changes，LUCC）是影响碳储量变化最主要的因素之一，且现有研究表明，土地利用覆被变化不仅是环境变化的关注热点，也是研究陆地生态系统碳储量变化的关键点（张斌等，2022），其通过影响生态系统中植被和土壤的碳储量进而影响整个区域碳储量变化，可以改变生态系统的结构和功能来影响生态系统碳循环过程（杨洁等，2021）。在“碳达峰、碳中和”双碳战略背景下，城市群作为以土地为主要载体进行空间格局划分的国家重要战略发展区域，研究其区域内的碳储量时空变化势在必行。“十四五”规划明确提出要以城市群为主体推进区域协调发展和新型城镇化（王海军等，2021），以推动中国城市建设多维度可持续发展。因此，研究城市群区域碳储量及其时空格局的变化对于自然资源管理和生态决策具有重要的参考价值与指导意义。

由于碳储量研究的多样化，从研究方法上，基于生态系统动力学机制的生态系统过程机理模型已广泛运用于碳储量估算方法中（于贵瑞等，2021），诸如生物地理模型 MAPSS（Neilson，1995）、生物地球化学模型TEM（McGuire et al.，1992）及动态全球植被模型LPJ（Sitch et al.，2003）等，从生态系统状态变化、资源环境效应及其归因分析等方面进行估算研究。此外，以InVEST为代表的基于生态系统功能学特性的生态系统功能状态评估分析模型，因其具备驱动数据简单易获取、定量化评估精度高、评估过程和结果空间表达明晰的特点，在开展生态系统碳汇稳定中得到最为广泛的应用（Bagstad et al.，2013；Posne et al.，2016；邹文涛等，2020）。朱文博等（2019）运用InVEST模型，评估了太行山淇河流域 2005—2015年及未来不同情景下的生态系统碳储量。张燕等（2021）运用SDCLUE-S复合模型模拟了未来不同情景下汾河上游土地利用情况，并采用InVEST模型测算了不同时期下研究区碳储量情况。刘冠等（2021）运用InVEST模型研究麻塔流域1999—2016年土地结构改造过程中区域碳储量变化，并探讨坡度、坡向、坡位对碳储量空间分布的影响。从空间差异性出发，中小尺度空间碳储量估算大多采用野外调查、仪器测量、数理统计等方法（Han et al.，2019）。但这类方法仅适用于中小尺度碳储量估算，费时费力，且研究结果呈静态，无法准确反映研究区碳储量的动态变化及空间格局（刘冠等，2021）。大尺度及特大尺度空间则利用模型预测多情景下的土地利用覆被变化状况及相应的碳储量（张斌等，2022），而 FLUS模型则利用神经网络算法并结合马尔科夫链和改进的元胞自动机能较好地处理地类在多因素作用下的不确定问题（曹帅等，2019），因其高于CLUE-S、ANN-CA等模型的模拟精度而被广泛应用（Liu et al.，2017）。因此，在InVEST模型研究碳储量变化的基础上结合FLUS模型较为先进的模拟预测功能来探讨区域碳储量的空间格局变化恰如其分。刘晓娟等（2019）基于FLUSInVEST模型土地利用视角，模拟了中国2100年的陆地生态系统碳储量，并探讨了其空间分异。朱志强等（2021）运用FLUS-InVEST耦合模型来反演1990—2018年广州市土地和碳储量时空变化特征，分析建设用地扩张与碳储量分布规律，并评估未来碳储量潜力。张斌等（2022）采用Markov-FLUS耦合模型模拟“三线”约束下的土地利用变化情景，并运用InVEST模型定量研究不同情景下土地利用变化对碳储量的影响。但综合以往研究可知，诸如关于城市群、都市圈等大尺度空间的碳储量研究较少，而城市群是国家经济发展的战略核心区和国家新型城镇化的主体区，担当着世界经济重心转移承载地的历史重任，对生态系统的保护是其关键组成部分（方创琳等，2016），因此，运用FLUS-InVEST模型对城市群区域土地利用覆被变化及其碳储量影响的研究势在必行。

呼包鄂榆城市群位于全国“两横三纵”城市化战略格局包昆通道纵轴的北端，在推进形成西部大开发新格局、推进新型城镇化和完善沿边开发开放布局中具有重要地位。因此，本文以呼包鄂榆城市群为例，基于FLUS-InVEST耦合模型，在明确该城市群 2000—2020年土地利用覆被变化规律的基础上，分别模拟预测 2030年呼包鄂榆城市群在自然发展和生态保护两种情景下土地利用空间格局，并评估两种情景下碳储量及其时空动态变化特征，以期为城市群区域碳平衡、国土空间规划和生态系统的可持续发展提供一定借鉴。

1 研究区域概况与数据来源

1.1 研究区域概况

呼包鄂榆城市群范围包括内蒙古自治区呼和浩特市、包头市、鄂尔多斯市和陕西省榆林市（如图 1所示），国土面积 17.5×104km2，2016年常住人口1138.4×104，地区生产总值14230.2×108元，分别约占全国的1.8%、0.8%和1.9%。煤炭、石油、天然气和稀土、铁矿等能源矿产资源富集，风、光资源充足，草原、沙漠、湿地和黄河、长城、古城等自然人文资源丰富，城市间资源互补、合作利用蕴藏着很大的潜力。西部大开发的深入推进与“一带一路”建设的显著成绩，为城市群提升发展水平与扩大开放提供了有力支撑。

图1 呼包鄂榆城市群区位Figure 1 Hu-Bao-Er-Yu urban agglomeration location

1.2 数据来源

本文所需数据主要包括：呼包鄂榆城市群土地利用数据来源于TM5和Landsat-8等遥感数据，分别为2000、2010和2020年，分辨率为30 m×30 m，并依据土地利用分类国标将地类划分为耕地、林地、草地、水域、建设用地和未利用地6类。其中高程、坡度和坡面来源于地理空间数据云平台（http://www.gscloud.cn/）。年平均降雨来源于中国气象数据网（http.//data.cam.cn/）。其余人口和GDP数据来源于各市统计年鉴。到河流、高速、铁路、公路的距离来源于国家基础地理信息中心（http.//www.ngcc.cn/）。

2 研究方法

2.1 Markov模型

马尔科夫模型是基于马尔科夫链过程而形成的预测事件发生概率的一种方法，具有无后效性特征，即当前的状态仅与前一时刻的状态有关，而与其他因素无关（吴晶晶，2017），其公式如下：

式中：

S(T)、S(T0)——T、T0时土地利用状态矩阵；

Pij——i地类变为j地类的转移概率矩阵。

2.2 驱动因子确定

本文根据呼包鄂榆城市群实际情况以及FLUS模型的因子需求和研究目的，主要从影响土地利用覆被变化的自然环境、社会经济和交通区位因子 3个主要方面出发，选取高程、坡度、坡向、降水、人口、GDP、到河流距离、到铁路距离、到高速距离、到公路的距离等共10个因素（如图2所示）。

图2 呼包鄂榆城市群土地利用驱动因子Figure 2 Study the driving factors of land use in regional urban agglomerations

2.3 FLUS模型

FLUS模型是在传统元胞自动机（CA）模型的基础上进一步改良而成的，该模型包括适宜性概率计算、邻域因子计算、自适应惯性系数计算、转换成本设定以及综合概率计算（张经度等，2020）。适宜性概率计算通过BP-ANN人工神经网络算法将基期的土地利用类型与多项空间驱动因子进行拟合，从而获得各土地利用类型的适宜性概率（苏迎庆等，2021），其表达式为：

式中：

t——年；

wj,k——隐藏层与输出层的权重；

Nj(p,q)——隐藏层神经元j接收输入层信号；

xj(p,q)——第i个神经元在迭代次数为q时元胞p的输入值；

wi,j——输入层与隐藏层的权重（高周冰等，2021）。

邻域因子表示不同土地利用类型间及邻域范围内不同土地利用单元间的相互作用（张世伟等，2020），其表达式为：

式中：

wk——各用地类型的邻域因子参数（张经度等，2020）。其中，邻域因子参数取值范围为[0,1]，且其数值与用地扩展能力呈正比。本文各类用地领域因子参数（苏迎庆等，2021）的设置主要是基于研究区域土地利用实际情况及未来发展趋势，具体参数设置见表1。

表1 邻域因子参数Table 1 Neighborhood factor parameters

自适应惯性系数用于显示各土地利用类型在预期与实际上的数量差异（欧阳晓等，2020），其表达式为：

式中：

2.4 模型精度验证

本文主要采用数量精度和Kappa系数来评价模型对土地利用覆被变化预测的适用性和准确性。其中，数量精度指数采用误差分析法得出模拟误差百分比，直观反映各类用地数量发展的规模。Kappa系数从整体上检验模拟结果与观测数据的一致性程度，当Kappa值大于0.75时说明模拟精度较好。本文以2010年为基期数据，运用上述方法模拟2020年土地利用情况。在此基础上，将2020年模拟图与2020年现状图利用Kappa系数进行交叉对比检验（卢涵宇等，2020）。其表达式为：

式中：

K——用地类型的栅格数量误差精度，

P0——模拟正确栅格数量与总数量的比值；

Pc——随机状态下模拟正确栅格数量与总数量的比值；

Pp——理想状态下模拟正确栅格数量与总数量的比值。

计算发现Kappa系数高达0.817，实验模拟精度达到较高水平，表明FLUS模型在本文具有很好的适用性。

2.5 土地利用模拟情景设置

参考相关研究（方创琳，2020；刘玉斌等，2020；王彦开等，2021），并根据2018年国家颁布的《呼包鄂榆城市群发展规划》中生态保护与可持续发展政策要求，基于城市扩张速度和生态保护程度两方面设置自然发展和生态保护两种典型情景模式，来模拟预测呼包鄂榆城市群 2030年土地利用类型的数量及空间分布情况。

2.5.1 自然发展情景

结合 2000—2020年呼包鄂榆城市群土地利用覆被变化趋势和特征，假定 2020—2030年影响土地利用覆被变化的因素没有发生较大变化（表 1、2），根据2000—2020年转移概率预测2030年土地利用覆被结构。

2.5.2 生态保护情景

模拟到2030年，根据生态保护的要求，对林地、草地以及水域转出实施严格的控制，林地和草地不能转为其他地类，但其他地类可以转为林地和草地，即土地利用覆被变化受到严格的限制（表1、3）。

表2 自然发展情景成本矩阵Table 2 Cost matrix of natural development scenario

表3 生态保护情景成本矩阵Table 3 Scenario cost matrix of ecological protection

2.6 InVEST模型

2.6.1 碳储量模块

式中：

Ci——地类i的总碳密度；

Ci-above——地类i的地上碳密度；

Ci-below——地类i的地下碳密度；

Ci-dead——地类i的死亡有机质碳密度；

Ci-soil——地类i的土壤有机质碳密度；

Ci-total——地类i的总碳储量；

小白说，真是万幸，幸亏你摔到了绿化带的树苗堆里，再说，你还遇到了一位好心的老板，第一时间就把你送到了医院。

Ai——地类i的面积。

2.6.2 碳密度数据

在InVEST模型中需录入不同土地利用类型的碳密度值，研究区各植被类型的碳密度主要来源于相关文献资料和模型数据库（王绍强等，1999；王绍强等，2003；解宪丽等，2004；奚小环等，2010；蒋欣阳，2017；刘孟竹等，2021），碳密度值在选取过程中首选呼包鄂榆城市群本地相关的实测数据，其次为邻近区域研究成果，最后为全国数据，剔除异常值，对同一地类的碳密度取有关文献的平均值，结果如下（表4）：

3 结果与讨论

3.1 2000—2020年呼包鄂榆城市群土地利用变化特征

2000—2020年间，呼包鄂榆城市群土地类型以草地为主，占城市群用地总面积54%以上；其次为耕地与未利用地，分别占用地总面积的17%以上；而林地、水域以及建设用地的面积较少，均占城市群用地总面积的5%以下（表5）。20年间，各类土地面积发生了不同程度的变化，其中变化最大的是建设用地。林地、水域和建设用地面积持续增加，增值分别为1120、19与2480 km2，其中建设用地面积增加最多，增幅为48.12%；耕地、草地和未利用地的面积持续减少，其中草地面积减少最多，为1550 km2，耕地与未利用地面积分别减少1425、649 km2。在2000—2010年间，耕地持续减少，而林地与草地面积持续增加，主要因为国家实施“退耕还林还草”的政策致使耕地大量转向林地与草地，其次城市化进程快速推进导致建设用地大量侵占耕地；在2010—2020年间，林地面积持续大幅度增加，草地面积开始转向减少，且耕地面积进一步减少，主要因为退耕还林工程的进一步发展，以及国家大力推动“三北”防护林工程建设，致使耕地持续转为林地，且由于城市化进程的不断推进，建设用地面积不断增加的同时挤压草地面积，间接加速了北方游牧民族生产生活用地的减少，致使马牛羊等牲畜对草地需求增加。

表5 2000—2020年呼包鄂榆城市群各期土地利用类型面积及比例Table 5 Area and proportion of land use types in the study area during 2000-2020

3.2 各类土地利用情景预测结果分析

到2030年时，自然发展情景下城市群耕地、林地与建设用地将持续增加，增量分别为72、73和602 km2，其中建设用地面积增量最高，增幅达11.68%；而草地、水域与未利用地预计比2020年分别减少516、140和91 km2。从用地面积转移方向看（图3），减少的草地主要转为耕地、林地以及未利用地；水域以及未利用地减少并不多，面积均匀转向其余用地类型；而耕地与林地增幅很少，面积转入量主要来自于草地，且均匀并少量的转向其余用地类型；建设用地虽然变化幅度最大，但很少转为其他地类，其增量来自于耕地与草地的大面积转入（表6）。

表6 2030年自然发展与生态保护情景下各地类面积及其与2020年比值Table 6 Area of each region under the scenario of natural development and ecological protection in 2030 and its ratio to 2020

图3 2020—2030年两种典型情景下土地利用类型转移桑基图Figure 3 Sankey map of land use type transfer under two typical scenarios,2020-2030

与2020年相比，在生态保护情景下，林地、草地、水域与建设用地持续增加，分别增加494、2554、257和64 km2，耕地与未利用地则分别减少 2246 km2和1123 km2。从图3可知，耕地主要转向草地以及建设用地，林地主要转换为草地，草地主要转换为林地，未利用地主要转变为草地。与自然发展相比，生态保护情景下耕地、林地、草地与水域的变化趋势发生了巨大变化（图4），符合未来城市群生态安全格局用地的构建，林地、草地与水域所占城市群用地总面积比例增幅分别从 0.86%、-0.54%和-4.09%到5.85%、2.68%和7.5%，增加幅度极其显著，建设用地面积的扩张受到了极大的限制，变化度可忽略不计，耕地与未利用地是其主要转入来源。

图4 2030年两种典型情景下呼包鄂榆城市群土地利用模拟预测图Figure 4 Land use simulation forecast chart of urban agglomeration under two typical scenarios in 2030

3.3 各情景下2000—2030年碳储量变化特征

基于InVEST模型分别计算呼包鄂榆城市群2000、2010、2020年3期的碳储量，并结合FLUS模型模拟预测2030年的土地利用结果去分别预测自然发展情景和生态保护情景下的碳储量。呼包鄂榆城市群 2000、2010和2020年的碳储量分别为1142.628×106、1144.593×106和1134.212×106t，呈先上升后下降的倒“V”趋势，总体减少8.416×106t，平均每年减少0.421×106t。其中，2000—2010年间，城市群碳储量有少量增加，增值为1.965×106t，增幅为0.17%，与之相比，2010—2020年间，城市群碳储量减少较多，减值为10.381×106t，减幅为0.91%。

在自然发展情景下，呼包鄂榆城市群 2030年碳储量预测为1057.147×106t，与2020年相比，减少 77.065×106t，平均每年减少 7.707×106t；而在生态保护情景下，2030年城市群碳储量为1066.181×106t，相比于2020年，平均每年减少6.803×106t，且碳储量减速较小，说明实施生态保护政策、提高区域生态保护效力能有效实现呼包鄂榆城市群固碳作用，且效果较为显著。在2020—2030年间，对比两种典型发展情景模式，限制林地、草地向其他用地类型转移的生态保护措施下的城市群碳储量明显更趋于稳定，避免了出现急速下降的情况。

从碳储量的空间分布及其变化来看（图 5），2000—2020年间，呼包鄂榆城市群各城市的碳储量除呼和浩特外均有所减少，其中包头市碳储量减少量最大，减值为5.559×106t，占总减少量的53.01%，其次是鄂尔多斯和榆林，减值与所占比值分别为2.919×106t、2.008×106t与 27.84%、19.15%；而呼和浩特作为呼包鄂榆城市群中心城市，其碳储量20年间增加2.07×106t，增幅为1.67%，说明其作为内蒙古自治区首府城市，带头执行西北防护林工程建设（孙泽祥等，2016），在保证城市经济发展的同时，生态环境效应也得到了相当程度的保障。2020—2030年间，自然发展情景下呼包鄂榆城市群各城市碳储量均有所减少，与前20年相比，鄂尔多斯成为碳储量减少量最大的城市，减值为36.75×106t，占总减少量的25.33%。其次是榆林、包头和呼和浩特，减值分别为16.186×106、12.913×106和11.216×106t，所占比值分别为11.16%、8.9%和7.73%；而在生态保护情景下，鄂尔多斯虽然仍为碳储量减幅最大的城市，但减少量仅为31.578×106t，是自然发展情景的85.93%，体现了生态保护功能的有效性。其余呼和浩特、包头和榆林等城市碳储量减幅均有所下降，更加体现生态保护功能的必要性。

图5 各年份呼包鄂榆城市群碳储量空间格局分布图Figure 5 The spatial pattern of carbon storage in regional urban agglomerations was studied in each year

3.4 地类转换导致碳储量变化特征

受到不同土地类型间面积转移以及碳密度差异的影响，不同地类间的变化转变对碳储量的影响存在差异。2000—2020年由于呼包鄂榆城市群不同地类间的转换导致碳储量减少约8.416×106t，主要是因为耕地定量的转向建设用地，林地、草地转为未利用地，导致土壤以及植被地上与地下的碳储量减少，进而导致城市群总碳储量减少；相较于其余地类，水域和未利用地的碳密度值较低，因此水域和未利用地转换为其余地类有助于碳汇的形成，进而增加城市群总碳储量。2000—2020年间，耕地面积的减少导致碳储量减少10.986×106t，耕地主要转换为林地、草地与建设用地；伴随着林地面积持续增加，碳储量也随之增加，增值为12.986×106t，因为耕地与草地是林地转换的主要来源，碳储量增量较高；草地碳储量与其20年间面积变化相似，呈现倒“V”趋势变化，总碳储量最终减少10.784×106t；水域面积在20年间波动增加，其转出有利于城市群碳储量的增加，增量为0.08×106t，草地、耕地与未利用地是水域的主要转入地类；建设用地因其较强的扩张性，在20年间持续增加，主要转入地类为耕地与草地，较少转为其他地类；未利用地整体呈现先减少后增加的趋势，致使碳储量减少2.442×106t，未利用地主要转为耕地与草地，且耕地与草地在同时转向未利用地，呈现相互转移的趋势。

与2020年相比（表7），呼包鄂榆城市群2030自然发展情境下碳储量减少77.065×106t，而生态保护情景下碳储量减少68.031×106t，减少幅度明显降低，耕地、林地、草地等转移概率不同是其主要原因，且其以生态保护为导向，对其余地类进行了转换限制，因此林地与草地将建设用地的转移面积大幅下降，最终提高了碳储量；两种情景下，草地的碳储量对比最为明显，虽然都呈现减少趋势，但在生态保护情景下的草地碳储量减幅显著变缓，首先因为草地向耕地的转换逐渐减少，其次草地控制了对建设用地与未利用地的转移，达到了区域碳稳定的目的，从而体现了生态保护政策的有效性与必要性。林地和水域碳储量变化皆不明显。水域、建设用地与未利用地向耕地、林地和草地的转变，都对碳储量的增加产生了明显的影响。从整体来看，呼包鄂榆城市群内各种地类转换主要以转入建设用地与未利用地为主，不利于未来城市群内碳储量的增加。

表7 2020—2030年自然发展情景与生态保护情景下地类转换引起的碳储量变化Table 7 Carbon storage change caused by land type conversion under natural development scenario and ecological protection scenario in 2020-2030

3.5 讨论

2000—2020年，呼包鄂榆城市群地区碳储量整体呈减少趋势，但对比两种典型预测情景，生态保护情景明显优于自然保护情景，更有利于碳储量的增加从而达到区域碳平衡，这与吴佩君等（2016）的研究结果相同，作为对全球气候变化和碳循环意义重大的关键（Houghton，2003；Piao et al.，2009；曹世雄等，2018），陆地生态系统中尤其是林地、草地等的碳储存能力比其他生态系统更强（Pagiola，2008），因此，生态保护策略的实施可以有效促进城市群区域碳储量稳定增长，且通过控制建设用地的增长与转换，实现林地和草地等高碳密度类生态用地的修复，同时需加强退耕还林还草政策的实施（刘孟竹等，2021），坚定“三北”防护林工程的进一步推进，合理调控土地利用类型的发展（吴晶晶，2017），实现生态环境保护下的区域碳循环。依据预测数据，未来的发展必须以保护林地、草地和水域等生态资源为主，防止水土流失、草地退化、乱砍乱伐等现象，在呼包鄂榆城市群区域尤注意合理科学管控农牧业（孙泽祥等，2016）的发展，避免产业发展不平衡导致生态系统失衡，进一步增加碳排放量、破坏区域碳平衡。

本文预测部分采用Markov-FLUS模型，能有效结合马尔科夫链与FLUS之间的优势，避免单一模型的不确定性，其次，所获取的3期土地利用数据整体精度高达88.96%，较大程度降低误差概率。此外，Kappa系数从整体上检验模拟结果与观测数据的一致性程度，当Kappa值大于0.75时说明模拟精度较好，通过邻域因子与成本矩阵的参数率定，计算发现Kappa系数高达0.817，实验模拟精度达到较高水平，表明FLUS模型在本文具有很好的适用性，较好实现土地利用转换在时空上的概念呈现，对呼包鄂榆城市群未来的国土空间优化及生态保护有一定的借鉴意义。但模型研究重点在于时间跨度，其余LUCC驱动因素也应加以考虑，除必然的自然要素外，人文要素因其复杂性拥有类似工业产值、工厂分布、开发红线等较多的选择（朱志强等，2021），因此，今后在驱动因子的选择中应尽可能科学合理的构建人文因素以实现更好的预测效果。此外，为更好的提高模拟的准确性，改进模型精度验证、纳入动态数据是下一步研究的重点（王志远等，2020）。

InVEST模型可以直观展现各地类转换间对碳储量的影响（张斌等，2022），其估算结果能清晰反映城市群区域碳储量时空变化与各土地类型间的关系，可以为区域发展协调统筹经济与生态两方面，提供发展新思路。但InVEST更多的针对尺度较大的地类变化作出估算，基于已确定的既得碳密度值的运用，Carbon模块中也忽视了土地利用内部结构中随着植被生长所带来的碳储量值的变化，使得碳储量的空间格局变化存在一定误差，导致结果的不确定性（Nelson et al.，2009）。张燕等（2021）运用InVEST模型在采用全国与临近区域碳密度值的基础上进行修正，对陆地生态系统碳储量进行评估，但缺乏实际实地测量值，忽略了气候与地理背景对生态系统碳储量的影响；刘冠等（2021）基于InVEST模型来评估1999—2016年麻塔流域碳储量及其变化，但未考虑气候变化、CO2浓度与氮沉降变化过程作用引起的碳储量变化；杨洁等（2021）在获取前人研究碳密度值的基础上进行气象修正，运用InVEST模型评估黄河流域2005—2030年6期碳储量，但未考虑到光合速率与土壤微生物活动等对固碳非常重要的指标。因此，在对未来城市群的研究中，需进一步加强对碳密度值的数据获取的时效性并加以验证，进行本地化率定，对核心指标进行实地测量，精准估算区域碳储量变化，优化模型运行结构，提高模型验证精度，使数据科学合理，在此基础上探究土地内部结构差异，考虑植被时间尺度的变化对碳储量的影响，选取更多科学合理的自然、人文驱动要素，提高多模型模拟的预测精度，以期更好的维持区域生态系统碳平衡。