耦合PLUS-InVEST模型的多情景土地利用变化及其对碳储量影响*

雒舒琪, 胡晓萌, 孙 媛, 闫 彩, 张 鑫

(西北农林科技大学水利与建筑工程学院 杨凌 712100)

陆地生态系统因具有大量固碳单元, 在吸收CO2、调节气候和全球碳循环等方面起着重要作用[1-3]。土地利用/覆被变化(LUCC)是人类社会、经济和自然互动的一个具体体现, 土地利用类型不同, 固碳能力存在较大差异[4-5]。近年来, 人类活动导致土地利用格局发生了重大变化, 大量扩张的建设用地侵占了林地、草地和湿地等生态用地, 导致陆地生态系统碳储量大量流失[6-9]。人类活动往往受到政策的制约和驱动, 土地利用类型是人类活动存在的物质载体,随着政策的变化, 土地利用空间格局呈现出不同的形式。

近年来, 国内外学者对LUCC和陆地生态系统碳储量的变化进行了大量的研究[10-15]。张斌等[16]将FLUS (Future Land Use Simulation Model Software)模型和生态系统服务和权衡的综合评估(Integrated Valuation of Ecosystem Services and Tradeoffs, In-VEST)模型相结合, 对“三线”约束下武汉城市群LUCC及其对碳储量影响进行了模拟, 研究表明建设用地的大幅扩张侵占了林地与耕地是导致武汉城市群碳储量下降的主要原因。张平平等[17]采用CAMarkov模型与InVEST模型模拟和预测了2000-2040年不同发展情景下秦巴山地生态系统碳储量变化情况, 研究表明: 在一定的生态保护措施下, 碳储量减少幅度明显变小。未来土地利用模拟模型可以与生态系统服务模型很好地结合并取得了一定研究成果, 量化LUCC对陆地生态系统碳储量的影响具有重要意义[18-21]。Wang等[22]结合SD-PLUS和InVEST模型, 预测了新疆博尔塔拉地区在未来不同情景下的土地利用及碳储量情况, 结果表明通过控制建设用地扩张和人口增长, 并扩大研究区域内林地等生态用地, 可以实现碳储量的增加。伍丹等[23]应用在FLUS模型上改进的斑块生成土地利用变化模拟PLUS模型(Patch-generating Land Use Simulation)结合InVEST模型, 模拟了成渝经济区在自然发展和生态保护两种不同发展情景下碳储量的变化趋势,PLUS模型模拟的精度更高, 但是情景设置较为单一且没有考虑政策的影响。

以往研究主要结合未来土地利用模拟模型和In-VEST模型[24], 对不同的发展情景下LUCC对碳储量的影响进行了研究, 但是考虑政策因素优化土地利用结构并增加区域碳储量的研究仍然缺乏。并且已有研究主要集中在考虑政策对未来土地利用格局的“约束”作用上, 缺乏政策对LUCC的“驱动”和“引导”作用。PLUS模型中集成的基于随机森林的规划交通更新机制和规划开发区内的随机种子机制[25], 可以将规划交通和规划开发区对城市发展的引导作用考虑到城市群发展过程当中, 有效弥补了已有研究只能考虑规划的约束作用、无法考虑规划政策的驱动和引导作用的不足[26]。本文通过耦合PLUS模型和InVEST模型, 创新性地模拟在规划交通和规划发展区政策驱动下西安市2030年3种发展情景下LUCC及其碳储量的空间格局, 探讨了政策指引下3种情景下西安市碳储量总量差异及空间分布格局。

2021年7月, 西安市为响应国家碳达峰与碳中和的总体布局, 实现“双碳”目标, 明确提出要将稳步提升西安市碳汇增量作为实现碳中和目标的重要举措之一。本研究拟以西安市为研究区, 并引入《西安市“十四五”规划》进行分析, 模拟在政策驱动、指引下西安市2030年的土地利用格局和碳储量时空变化, 以期为西安市政策制定、土地利用结构调整、“双碳”目标实现提供一定借鉴。

1 研究方法与数据来源

1.1 研究区概况

西安市位于陕西省中部(图1), 面积10 106.6 km2,年平均降水量528.3～718.5 mm。

图 1 研究区陕西省西安市概况图Fig.1 Location and general situation of the study area of Xi’an City

1.2 数据来源与处理

用于模拟未来土地利用的数据包括气候环境数据以及社会经济数据(表1)。计算碳储量需土地利用数据(LULC)和碳密度数据。基于PLUS模型的数据输入需求, 采用空间分辨率为30 m的栅格数据,地理坐标系统一为GCS_WGS_1984, 投影坐标系为WGS_1984_UTM_Zone_49N。

表 1 PLUS模型输入数据来源及处理Table 1 Data sources and processing of drivers of Patch-generating Land Use Simulation (PLUS)

综合考虑模型的精度和适用性, 结合社会经济和环境数据对土地利用变化的影响, 依据驱动因子可获取性、时效性和显著性原则, 选取数字高程数据、人口等11个驱动因子作为PLUS模型输入数据。图2为处理的11个驱动因子栅格数据。

1.3 研究框架

研究框架分为两大部分:

1)未来土地利用格局的模拟: ①先采用集成在PLUS模型中的Markov模块预测2030年不同发展情景下土地利用需求数量。②在PLUS模型的LEAS模块中采用随机森林算法计算11种驱动因子(图2)对各地类扩张的影响, 并生成不同类型土地的发展概率。③在PLUS模型的CARS模块中考虑规划交通和规划开发区等因素, 通过改变转移矩阵、邻域权重和限制发展区域预测西安市在“十四五”政策指引下不同发展情景的土地利用格局。

2)碳储量的计算: ①选用InVEST模型进行计算。②输入2000年、2020年和不同发展情景的LULC以及碳密度数据。③输出2000年、2020年和不同发展情景下的西安市碳储量数据, 从时间和空间上探究LUCC对陆地生态系统碳储量的影响。

1.4 研究方法

1.4.1 情景设置

为满足不同的发展需求, 综合考虑西安市2000-2020年历史土地利用转移矩阵、《陕西省“十四五”发展规划》和《秦岭保护区总体规划》, 在PLUS模型中设置自然发展、生态保护和城镇发展情景(限制发展区域见图3), 模拟西安市2030年的土地利用数据[27-29]。情景设定如下:

图 2 研究区PLUS模型输入的驱动因子数据的空间分布Fig.2 Spatial distribution of various influencing factors of Patch-generating Land Use Simulation (PLUS) in the study area

图 3 不同发展情景下研究区限制发展区域的分布Fig.3 Distribution of restricted development areas under different development scenarios in 2030 in the study area

自然发展情景(Q1): 延续2000-2020年发展趋势, 保持原有土地利用类型转移时的转移概率和邻域权重不变, 采用PLUS模型中集成的Markov模块预测2030年各地类需求量, Q1是其他情景设定的基础。为保护西安市水体面积, 将水域作为土地利用变化的限制因子, 将区域内水域进行掩膜提取, 设置为限制扩张区域, 模拟2030年土地利用状况。

生态保护情景(Q2): 以生态环境保护为首要目的, 限制城镇化发展, 保护耕地, 使土地利用向更加环境友好的方向发展。在设置邻域权重时, 将林地、草地和水域向建设用地转移的转移概率减少20%,耕地向林地转移的转移概率增加60%, 耕地向草地转移的转移概率增加50%, 建设用地向林地转移的转移概率增加30%。考虑到研究区内的秦岭保护区是我国重要的生态安全屏障, 此情景基于Q1加入秦岭保护区为限制扩张区域, 模拟2030年Q2的土地利用状况。

城镇发展情景(Q3): 考虑西安正处在快速发展的重大战略时期, 建设用地数量增长迅速。将草地、耕地和水域向建设用地转移的转移概率增加10%,建设用地向耕地、林地、草地和水域转移的转移概率降低70%。此情景不涉及任何政策干预, 并且对不同地类间的转换不设限制。

1.4.2 PLUS模型

PLUS模型是在FLUS模型基础上发展的一种可以考虑政策驱动、引导作用的斑块级精细化土地利用预测模型[30-32], 该模型在Markov模块的土地利用需求数量预测的基础上发展了LEAS模块和CARS模块。

1) Markov模块

Markov可以根据历史用地转移概率矩阵对未来用地需求进行预测[33], 公式如下:

式中:S(t+1)表 示土地利用在t+1时刻下的土地利用类型,Pij表 示土地利用类型转移概率矩阵,St表示土地利用t时刻的土地利用类型。通过改变转移概率设置不同发展情景, 生成不同发展情景下未来的土地利用需求, 作为PLUS模型的输入参数从而预测2030年Q1、Q2、Q3下的土地利用空间格局。

2) LEAS模块

在LEAS模块中输入2期的LULC, 通过提取各地类发生变化的区域并随机提取采样点进行分析,然后采用随机森林算法通过训练数据集挖掘土地利用变化规则。公式如下:

式中:d取值为0或1, 取值为1时表示其他土地利用类型向土地利用类型为k的地类转变, 取值0时不转变;X为由驱动因子组成的向量,hn(X)为决策树为n时计算得到的土地利用预测类型;I(.)为决策树的指示函数;为 空间单元i处k类土地利用类型增长的概率。

3) CARS模块

CARS模型将多元随机种子的生成与阈值的递减机制相结合, 对局部的土地利用进行了模拟。可以在LEAS模块生成发展概率的约束下, 通过领域权重和过渡矩阵的约束, 使土地利用总量在宏观上满足未来需求。

① 领域权重设定。领域权重是用来表示不同用地类型的转化难度。公式如下:

式中:wk为 领域权重参数;n×n为 元胞单元;为元胞迭代到最后时地类所占网格单元总数;为t时刻地类k在空间i单元处的领域权重。领域权重取值介于[0, 1]之间, 值越大表明扩张能力越强, 邻域权重参数见表2。

②转移矩阵设定。转移矩阵用于定义不同区域的地类之间是否发生转换, 其中1表示可以转化, 0为限制转换。Q1根据建设用地和水体不容易发生转换、林地在保护的情况下不容易发生转换等规则设置转移矩阵; Q2保护耕地数量并限制林地、草地、湿地和水体等生态用地向建设用地转移; Q3各地类之间均可相互转化[34]。过渡矩阵最终确定为表3。公式如下:

表 2 PLUS模型模拟2030年不同发展情景下不同土地利用类型的邻域权重Table 2 Neighborhood weights of different land use types under different development scenarios in 2030 simulated with Patch-generating Land Use Simulation (PLUS) in the study area

4)模型精度验证

PLUS模型通过Kappa系数和OA系数对模拟结果进行验证, 保证该模型在西安市地区的适用性。Kappa和OA系数均为0～1, 数值愈接近1, 则模拟精度越高, 当数值超过0.75时, 则表示模拟的精度高。

表 3 不同发展情景下土地利用转移矩阵Table 3 Transfer cost matrix of each land use type under different development scenarios

1.4.3 未来规划因子的制备

本研究中的规划政策主要指空间上的规划政策,而非宏观的调控政策, 主要分为两类: 规划交通和规划开发区。根据《西安市“十四五”交通运输发展规划》, 随着国家中心城市的建设, 西安在国家综合交通运输网络中的辐射能力将明显增强。依据城市群交通网重点工程, 在ArcGIS中依据政策绘制2030年的规划高速公路和国道, 并生成未来交通变量的欧式距离(图4)。在LEAS模型加载驱动因子时输入对应的未来交通数据, 生成未来交通变量驱动下的各类用地发展概率。

考虑到西安市代管一个国家级新区即西咸新区,引入规划城市开发区, 在ArcGIS中制作“转化限制区域和开发区”数据, 将限制区的数值设为0, 开发区数值设置为2, 其他区域的数值为1, 输入PLUS模型中自带的转化工具, 转化为模型要求的unsigned char格式的图像, 此时数值0会被转为no data而不显示。在CARS模型中激活规划开发区部分, 定义开发区政策的实施强度并在模型中进行调试, 可以生成在未来规划开发区影响下的未来土地利用数量及发展趋势。

图 4 研究区2030年规划交通、规划开发区以及秦岭保护区Fig.4 Planed transportation, development zones and restricted development areas of Qinling Pretected Area and Xixian New Area of the study area in 2030

1.4.4 InVEST模型

InVEST模型是美国自然资本项目组开发的用于评估生态系统服务功能量及其经济价值、支持生态系统管理和决策的一套模型系统。InVEST模型中carbon模块可以计算区域碳储量并被广泛应用[35-39]。InVEST模型将生态系统的碳储量划分为4个基本碳库: 地上碳库(土壤以上所有存活的植物中的碳)、地下碳库(存在于植物活根系统中的碳)、土壤碳库(分布在有机土壤和矿质土壤中的有机碳)、死亡有机碳库(凋落物、倒立或站立的已死亡树木中的碳)。研究区域内总碳储量为所有地类碳储量之和。

1)碳储量的计算

研究区总碳储量计算公式为:

式中:Ai为该地类的面积,Cabove为地上碳库,Cbelow为地下碳库,Csoil为土壤碳库,Cdead为死亡有机碳库,Ctotal为所有地类碳储量之和。一般死亡有机碳库的数据难以获得, 因此本文不做考虑。

2)各地类碳密度的确定

InVEST模型需要输入研究区域各地类的碳密度值[40-43], 本文参考了一些现有研究[44-46], 西安市不同土地利用类型碳密度如表4所示。

表 4 研究区不同土地利用类型碳密度Table 4 Carbon densities of different land use types in the study area kg·m-2

2 结果与分析

2.1 模型精度验证

为验证PLUS模型模拟未来土地利用的精度, 本研究以2000年和2010年LULC为基础, 在LEAS模块中生成各地类的发展概率, 在CARS模块中生成2020年LULC模拟结果, 并与2020年实际LULC进行对比分析(图5), 2020年实际LULC栅格总数为11 229 600个, 模拟正确的总数为10 444 156个, 正确率高达93%。在PLUS模型中进行精度验证得到Kappa系数为0.89, 结果表明PLUS模型在预测未来LULC上具有较高精度, 因此采用该模型模拟西安市2030年土地利用类型。

2.2 土地利用变化分析

2.2.1 2000—2020年土地利用变化分析

从表5可知, 西安市2000年、2010和2020年的LULC以林地和耕地为主, 2020年林地占全市土地利用的比重为47.02%, 耕地占比为36.53%; 其次为建设用地, 占总面积的13.86%; 草地、水体和湿地的面积均较少, 均不足总面积的3%。20年来, 各地类都有明显变化, 草地、建设用地、水域面积不断扩大。其中, 建设用地的增长幅度最大, 高达62.80%;水体面积相较2000年增加57.30%; 与2000年相比,草地面积增加6.40%, 耕地、林地和湿地面积均有所下降, 其中湿地面积减少最多, 减少幅度高达86.81%;耕地面积减少数量最多, 减少547.74 km2, 占2000年耕地数量总量的12.92%; 林地面积仅减少0.39%。

西安市2000年、2010年和2020年的土地利用空间格局如图6所示, 通过ArcGIS软件, 分析了2000-2020年西安市的LULC, 并构建土地利用转移矩阵(表6), 并通过对研究区20年来土地利用转移变化特征进行分析, 发现耕地主要转为建设用地,其转出量占耕地总转出量的91.95%, 20多年来, 伴随着经济的发展, 大量的建设用地占用了周围的耕地,并在外围继续扩大。

图 5 研究区2020年实际与模拟的土地利用类型分布Fig.5 Actual and simulated distribution of different land use types in 2020 of the study area

表 5 2000—2020年研究区各期不同土地利用类型面积及比例Table 5 Areas and proportions of different land use types in each period from 2000 to 2020 in the study area

图 6 2000年、2010年和2020年研究区域土地利用格局图Fig.6 Land use patterns of the study area in 2000, 2010 and 2020

表 6 2000—2020年西安市土地利用转移矩阵Table 6 Conversion matrix of land use from 2000 to 2020 in the study area

研究区域内林地主要转出为草地, 转出量高达林地总转出量的91.95%, 这与研究区域内秦岭保护区内实施的“退耕还林还草”的生态保护政策有关。水体在不同程度转为耕地、草地和建设用地等, 设置未来发展情景时应该把水体作为限制发展区域进行保护。

2.2.2 2030年土地利用预测结果分析

模拟的2030年3个情景下西安市土地利用格局见图7。分析预测结果可知: 与2020年土地利用数据相比, Q1情景下建设用地、水体和林地将持续增加, 增幅分别为10.42%、3.61%和0.87%; 草地面积减少19.99%, 湿地减少13.98%, 耕地减少4.01% (表7)。从转移方向来看, 草地主要转出为林地、耕地、建设用地, 转移面积分别是35.45 km2、3.71 km2和3.81 km2。耕地转出为建设用地、草地、林地和水体, 其中耕地主要转为建设用地, 面积达142.2 km2。水域由草地、耕地和湿地转入, 建设用地由草地、耕地大面积转入。

图 7 2030年3种情景下研究区域土地利用格局Fig.7 Land use patterns of the study area under three development scenarios in 2030

表 7 2030年不同发展情景下不同土地利用类型的面积(km2)及其与2020年相比的变化Table 7 Area of each land use type under different development scenarios in 2030 and its change from 2020 in the study area

与2020年相比, 2030年Q2情景下湿地、建设用地和草地分别减少13.98%、12.82%和7.74%; 而耕地、林地和水体分别增加4.64%、0.51%和0.28%。生态保护政策约束下生态用地面积相对增加, 耕地、林地和草地等数量均高于自然发展情景, 秦岭保护区和主城区周边耕地都能得到一定程度的保护。2020-2030年不同情景的转移空间图如图8所示,从转移方向上看, 草地主要转变为林地, 转移面积为19.54 km2; 耕地主要转变为草地和林地, 转移面积分别为3.64 km2和4.54 km2。Q2情景下建设用地在一定程度上转为草地、耕地、林地和水体等生态用地,说明生态保护政策约束下生态用地面积相对增加,耕地、林地和草地等数量均高于自然发展情景(Q1),秦岭保护区和西安市主城区周边耕地都能得到一定程度的保护。

图 8 2000—2030年不同情景土地利用转移空间格局Fig.8 Spatial patterns of land use transfer under different development scenarios from 2000 to 2030 in the study area

Q3情景下, 西安市建设用地大幅度增长, 增长幅度高达16.35%; 而耕地、林地、草地、湿地和水体数量都有所减少, 耕地减少数量最多, 减少160 km2。从转移方向上来看, 草地、耕地、林地和水体转为建设用地, 其中耕地转为建设用地的面积最多, 为225.68 km2; 草地主要转变成林地、耕地, 转移面积分别为16.50 km2和5.03 km2; 林地主要转变成耕地和建设用地, 转移面积为91.02 km2和2.69 km2; 水体主要转变成耕地, 转移面积8.84 km2。不受政策约束的城镇发展情景会造成建设用地数量的迅速扩张,使得耕地、草地、林地、水体等其他地类大量减少。

2.3 碳储量的时空演变特征

用InVEST模型Carbon模块分别计算并预测西安市2000年、2010年、2020年以及2030年Q1情景、2030年Q2情景和2030年Q3情景共6期的碳储量(表8), 并计算了2000-2010年、2010-2020年和2000-2020年碳储量变化 (图9)。从数量来看,西安市2000年、2010年和2020年的碳储量分别为3.76×104t、3.65×104t和3.58×104t。从行政区划来看, 除新城区和碑林区这几个城市化水平高的老城区外, 研究区域各地区碳储量均不同程度减少, 其中未央区和雁塔区碳储量减少最多, 分别占比41.67%和59.39%, 这两个区域属于雁塔新区和经济开发区。说明随着国家级新区西咸新区的建设和主城区向周边区域城市的扩张, 严重侵占了耕地和其他生态用地, 导致区域碳储量呈现下降趋势。周至、鄠邑、临潼、蓝田等地区属于秦岭保护范围内, 碳储量减少量均在5%以下, 说明一定程度的生态保护措施可以有效抑制碳储量的减少。2010年碳储量较2000年减少1.06×103t, 2010年到2020年碳储量减少0.68×103t, 2000-2010年碳储量减少量几乎是2010-2020年碳储量减少量的2倍, 2000-2010年建设用地增幅达55.88%, 2010-2020年建设用地增加数量占2010年的14.72%, 这说明2000-2010年西安市经济高速增长, 导致建设用地大幅增加, 因而碳储量大量减少, 2010-2020年开始实施一定的生态保护政策, 初见成效但是保护力度还不够。

表 8 2000年、2010年、2020年及2030年自然发展(Q1)、生态保护(Q2)和城镇发展(Q3)情景下西安市各行政区碳储量Table 8 Carbon storage of each administrative region of the study area in 2000, 2010, and 2030 under development scenarios of business as usual (Q1), ecological protection (Q2) and town development (Q3) ×103 t

图 9 2000—2020年西安市碳储量变化特征的空间分布Fig.9 Distribution of carbon storage changes from 2000 to 2020 in the study area

2030年, Q1情景下碳储量较2020年减少373.28 t, Q2情景下增多564.73 t, Q3情景下减少734.15 t。Q2情景下碳储量总量高于其他情景, 研究区内除秦岭保护区, 其余各地区的碳储量均有所增加。Q2情景因一定的生态保护措施使碳储量总量呈增加状态;Q3情景由于不受任何政策的约束, 建设用地急剧扩大, 侵占了碳密度值相对较高的林地、草地和耕地等, 使得碳储量总量大幅减少, 减少量几乎是Q1情景的两倍。

从行政区划来看, 2000-2030年Q1情景延续了历史转移概率, 莲湖、新城、碑林等老城区碳储量几乎没有减少, 雁塔、灞桥、未央等新区碳储量区内减少幅度最大; 2000-2030年Q2情景各行政区的碳储量都有所增加, 其中新城、碑林、雁塔增加幅度最大, 在10%左右, 说明生态保护政策也可以一定程度缓解碳储量的减少(表8)。2000-2030年Q3情景, 西安市各行政区碳储量均减少, 且周至、鄠邑、临潼、蓝田等秦岭保护区范围内的县区碳储量呈减少趋势, 说明只以经济建设为发展目标不收任何约束的发展会使得区域整体碳储量减少, 秦岭保护区等地区在Q3情景下也会大幅减少。总的来看, 各行政区碳储量的变化趋势和西安市碳储量总量变化保持一致。

为清楚反映碳储量变化的空间分布, 在Arc-GIS中通过栅格重分类将2000-2020年、2020-2030年Q1情景、2020-2030年Q2情景和2020-2030年Q3情景的碳储量变化为3类: 减少、增加和基本不变(图9, 图10)。从碳储量的空间分布来看, 2000-2020年(图9), 大部分地区碳储量保持基本不变, 城市周边的耕地被开发利用, 从而造成碳储量的下降。秦岭保护区范围内碳储量基本不变, 这与“退耕还林工程”等一系列生态保护措施的实施有关, 说明一定程度上的生态保护政策可以有效减缓碳储量的减少。从行政区来看, 变化较大的区域主要在未央区、雁塔区和灞桥区, 这些区域在西安市老城区外围且均为新的经济开发区, 碳储量减少范围与建设用地扩张情况基本保持一致。

2020-2030年不同发展情景, 碳储量变化呈现不同的空间分布(图10)。2020-2030年, Q1情景下碳储量基本保持在历史减少趋势, 说明延续之前发展模式的碳储量; Q2情景下, 碳储量增加区域集中在秦岭保护区范围以外的其他地区, 且分布较均匀,说明该情景下西安市在发展经济的同时能兼顾生态用地和耕地的保护, 减少了碳储量的损失; Q3情景下, 碳储量在研究区域整个范围内均有所减少, 造成这种情况的原因主要是城市化进程的加快、人类活动频繁, 建设用地大规模侵占生态用地和耕地等其他地类, 导致土地利用类型的变化, 从而使碳储量呈下降趋势。

图 10 2020—2030年不同发展情景下研究区碳储量变化Fig.10 Changes in carbon stocks from 2020 to 2030 under different development scenarios in the study area

在生态保护情景下, 2030年预测的碳储量呈现增加的趋势, 这主要是由于3种情景下土地利用类型转移的概率和转移矩阵的不同所致。与Q1情景和Q3情景相比, Q2情景严格控制了林地、草地和水域向建设用地转移的转移概率, 并且增加了耕地向林地、草地的转移概率以及建设用地向林地转移的转移概率, 林地、草地和水域面积的增加有利于碳储量的增加。这说明在生态保护情景下, 实施一定程度的生态保护措施将有助于减缓区域碳储量下降趋势。总的来看, 碳储量较高的地区主要在南部秦岭地区, 主要是蓝田县、长安区、鄠邑区和临潼区, 这几个地区主要以林地为主, 固碳能力相对较强,且受政策保护限制建设用地的扩张和耕地的开垦,在生态保护上更具优势; 研究区北部属于关中平原,该区域适合人类社会生产活动, 用地类型以建设用地为主, 碳储量较低; 东北部和西北部主要位于城市周边, 土地利用以耕地为主, 受人类活动的影响较大,Q2情景下耕地受到保护, 碳储量基本维持不变; Q3情景下建设用地的大规模扩张侵占大量耕地使得这些地区的碳储量呈减少趋势。

综上, Q2情景下碳储量总体呈增加趋势且分布均匀, 说明科学合理的生态保护措施能够较好实现西安市的固碳作用, 有效抵消由于经济建设带来的碳储量下降趋势。Q2情景减缓了建设用地的扩张,驱动了碳储量的增加, 未来可以在生态保护情景的基础上制定相应的生态保护政策, 为实现《陕西省“十四五”生态环境保护规划》中展望的2035年碳排放稳中有降, 生态环境质量根本好转的发展目标提供一定帮助。

3 结论与讨论

3.1 结论

本研究耦合PLUS和InVEST模型, 以2000年、2010年和2020年3期西安市历史土地利用数据验证PLUS模型在研究区域的精度, 模拟西安市2030年在政策驱动下自然发展(Q1)、生态保护(Q2)和城镇发展(Q3)情景的LUCC, 并采用InVEST模型对碳储量进行了分析, 明确了土地利用格局对西安市碳储量的潜在影响。得出以下结论:

1) PLUS模型在预测西安市土地利用类型上具有较高的精度, 模型OA系数为0.93, Kappa系数为0.89, 可以较好预测未来西安市各区县土地利用空间格局。

2) 3种情景的设置基本可以满足西安市不同的发展诉求, Q2情景相较Q1情景耕地数量有所增加,朝着更加环境友好的方向发展。Q3情景不考虑政策影响, 建设用地数量大幅度无序扩张, 增幅高达10.42%, 严重侵占了研究区内的生态用地。

3) LUCC对碳储量具有重要影响, 土地利用格局的改变影响着碳储量的变化。Q1情景下西安市2030年的碳储量较2020年减少373.28 t; Q2情景下,2030年碳储量较2020年增加564.73 t, 说明实施一定的生态保护措施可以有效减少研究区域内的碳储量下降趋势; Q3情景下由于建设用地大幅扩张, 碳储量总量流失最为严重, 高达734.15 t。

3.2 讨论

为弥补单一模型的不足之处, 本文耦合PLUS模型与InVEST模型来定量评估政策驱动下未来不同发展情景下土地利用变化及其对碳储量的影响。模型的耦合弥补了单一模型的不足, 能充分发挥PLUS模型在数量和空间上对未来土地变化的模拟与In-VEST模型在碳储量预测上的优势, 评估2030年3种情景下西安市土地利用变化及其对碳储量的影响,为探讨在政策驱动下土地利用变化下的碳储量提供了一种新思路。

PLUS模型是基于栅格数据模拟精细化土地利用模拟的新模型, 与FLUS模型相比数据更便于获取且精度更高。本研究模拟预测了2030年精度30 m的LULC, Kappa系数为0.89, Fom值0.49, 说明PLUS模型适用于西安市且模拟精度较高。此外, PLUS模型中集成的基于随机森林的规划交通更新机制和规划开发区内的随机种子机制, 可以考虑政策对LUCC的驱动和引导作用, 本研究基于西安市十四五规划政策, 预测政策指引下2030年西安市的土地利用格局, 可以对未来的政策制定、土地利用结构调整提供新的视角。

PLUS模型输入社会经济数据、气候和环境数据以及未来驱动数据生成各类用地的发展概率, 然而LUCC是一个复杂的动态过程, 往往受自然条件、社会经济和人类活动等多个因素共同影响, 本研究虽然综合考虑了未来交通规划和政策的导向作用,但对于未来的人口、GDP等社会经济因素和气温、降水等气候因素考虑欠缺, 如何将这类因素考虑其中是下一步工作重点。此外, 为满足不同的发展需求, 本文综合考虑西安市历史土地利用转移矩阵、《陕西省“十四五”发展规划》和《秦岭保护区总体规划》, 通过改变转移概率、转移矩阵和限制发展区域设置了3种不同的未来发展情景: Q1 (自然发展情景)、Q2 (生态保护情景)和Q3 (城镇发展情景),可以预测Q1 (延续之前发展模式)、Q2 (实行一定程度上的生态保护政策)和Q3 (大力发展经济建设用地扩张不受约束) 3种情景下2030年的土地利用格局, 3种情景的设置基本可以涵盖未来不同的发展模式。但设定的3类发展模式与真实发展情形仍有差距, 无法涵盖未来所有的发展模式, 结合政策设置更为贴近现实的未来土地利用需求数量、缩小发展情景与真实发展模式之间的差距将成为未来土地利用变化模拟研究的重点之一。

InVEST模型需要输入预测的未来土地利用数据和各土地类型对应的碳密度值, 碳密度是模型准确评估碳储量的重要输入参数。碳密度数据的获取一般优先选用研究区的实地测量数据, 若数据不全,通常借助文献整理汇总研究区周边的碳密度数据,对同一地类的碳密度取有关文献的平均值。实测数据会因为测量方法或取样时间的不同存在差异, 在今后的研究中, 应通过实地调研获取实测数据并合理修订碳密度值, 进而使得InVEST模型的评估结果更为准确。

土地利用变化对生态系统碳储量具有重要影响,当碳密度高的土地类型向碳密度低的土地类型转化时, 将会导致碳储量减少, 反之会造成碳储量增加。本研究3种情景下西安市2030年碳储量具有明显区别, Q1情景下较2020年减少373.28 t, 说明延续现有的发展路径会使得研究区域内碳储量呈减少趋势;Q2情景下较2020年增加564.73 t, 说明一定的生态保护措施保护了林地、湿地等生态用地和耕地的数量, 限制了碳密度较高的耕地、林地、草地、湿地等转化成碳密度较低的建设用地, 可以减缓陆地生态系统碳储量减少趋势, 增加西安市碳储量; Q3情景下由于建设用地大幅扩张, 碳储量总量减少734.15 t, 流失最为严重, 说明城市扩张对周边耕地和其他地类的侵占会造成碳密度高的地类转化为建设用地这类碳密度低的地类, 使得陆地生态系统碳储量大幅减少。综上, 未来西安市应在Q2情景的基础上继续实施“退耕还林还草”、生态用地修复等保护措施, 同时应对建设用地扩张进行合理的控制。