基于Invest 模型和Flus 模型的江苏省碳储量变化模拟与预测*
2024-02-20吴先雯郭风成
吴先雯,郭风成
(江苏师范大学地理测绘与城乡规划学院 徐州 221116)
全球变暖加剧,臭氧层空洞扩大[1],降低空气中二氧化碳含量变得尤为迫切。工业化与城市化的快速发展,导致陆地地物类型发生显著转变,而不同土地利用类型固碳能力存在一定差异,因此陆地系统的固碳量随土地利用类型转变而发生变化。陆地是碳氧循环的重要组成部分[2],地表植被在其中发挥了关键作用,有效获取陆地表面植被信息可为陆地“固碳”能力反演提供重要支撑。土地利用类型变化是掌握陆地植被信息的重要依托,因此,科学模拟不同土地利用类型变化及其对碳储存量影响,对“固碳”研究具有重要意义。
传统碳储存量测量方法有很多,如生物量法[3-6]、蓄积量法[7-8]、Markov-Plus 模型法[9]、Invest 模型[10]等。生物量法和蓄积量法主要应用于森林碳储量计算[11-14],需大量实测数据,且模型不够简洁、高效。Markov-Plus 模型中CA-Markov 模型可用于土地利用变化预测,但在探索土地利用转化规则中存在不足[15]。Invest 模型可用于碳储量计算[16-19]、生境质量评估[20]、土壤侵蚀和土壤保持状况[21]以及水源涵养功能研究[22]等,适用情形较多。
碳储量测量一定程度上依托土地利用变化类型,而有效预测土地利用类型,可为碳储量测量提供基础数据支撑。Flus 模型是有效且常用的土地利用变化模拟与预测模型之一[23-24],其源自元胞自动机(CA),并在传统CA 基础上做了如下改进: 首先基于神经网络算法(ANN)从一期土地利用数据与包含人为活动以及自然效应的多种驱动力因子(气温、降水、交通、区位、政策等)中获取各土地利用类型在研究范围内的适宜性概率;其次采用从一期土地利用分布数据中采样的方式,较好避免了误差传递;最后,在土地变化模拟过程中,提出一种基于轮盘赌选择的自适应惯性竞争机制,能有效处理多种土地利用类型在自然作用与人类活动共同影响下发生相互转化时的不确定性,故Flus 模型具有较高的模拟精度并且能获得与现实土地利用分布相似的结果。
目前对于省域的碳储量研究较多,但对江苏省碳储量变化研究还相对较少。江苏省是著名的经济强省,经济总量仅次于广东省,位列全国第二。为积极响应江苏省政府倡导建设的“富强美高”新江苏,同时更好地配合长江三角洲地区绿色生态屏障建设等工作,本研究基于Invest 与Flus 耦合模型,分析了近年来江苏省碳储量变化情况,并预测了自然发展情景下和生态保护情景下的碳储量变化情况,旨在为江苏省更好地保护生态环境,推进城市发展提供科学依据和建议,亦可为我国省域范围的碳储量研究提供重要补充。
1 研究区域及研究数据
1.1 研究区域
江苏省地处长江三角洲地区,位于116°18′~121°57′E,30°45′~35°20′N 之间,总面积10.72 万km2,地貌包含平原、山地和丘陵3 种类型,以平原为主,地势起伏整体较小。江苏省湖泊众多,河网密布,海陆相邻,是全国唯一拥有大江大河大湖大海的省份,水域面积约占全省面积的16.9%。江苏省地处南北气候交汇处,是温带季风气候和亚热带季风气候的过渡地带,年降水量多,雨热同期。江苏省是我国最发达的省份之一,同时也是我国积极推行建设生态大省的省份之一。江苏省2020 年土地利用分类及地理位置如图1 所示。
图1 江苏省2020 年土地利用类型分布Fig.1 Land use types in Jiangsu Province in 2020
1.2 数据来源
研究所用的2000 年、2010 年以及2020 年的土地利用类型数据来源于公开网站GlobeLand30(http://www.globallandcover.com/);江苏省高程数据来自地理空间数据云(http://www.gscloud.cn),坡度数据、坡向数据使用ArcGIS 10.2 软件对高程数据处理得到;江苏省行政区划矢量图、河流数据、湖泊数据、归一化植被指数(NDVI)数据及国内生产总值(GDP)数据来源于中国科学院资源环境科学与数据中心,并通过ArcGIS 10.2 处理得到(将矢量数据转为栅格数据,网址为: https://www.resdc.cn/)。因目前对江苏省碳密度研究较少,故碳密度数据参考景晓玮[25]的研究,利用全国及其他省份碳密度数据,具体数值见表1。
表1 江苏省各土地利用类型的碳密度[25]Table 1 Regional carbon densities of different land use types of Jiangsu Province[25] t∙hm−2
2 研究方法
2.1 Invest 模型
陆地生态系统储存的碳比大气中存储的碳更多[26],故其对受二氧化碳含量影响所驱动的气候变化至关重要。Invest 模型中的碳储存和封存模块使用土地利用栅格数据以及4 个碳库(地上生物量、地下生物量、土壤和死亡有机质)的存量来估算当前景观中储存的碳量或未来年份的碳封存量。Invest 碳储存和封存模型根据用户提供的土地利用栅格地图,分类汇总这些碳库中储存的碳量。计算方式如公式(1)所示:
式中:Ctotal为总碳储量(t∙hm−2),Cabove为地上碳储量(t∙hm−2),Cbelow为地下碳储量(t∙hm−2),Csoil为土壤碳储量(t∙hm−2),Cdead为死亡有机物碳储量(t∙hm−2)。各部分碳储量计算根据Invest 模型的“碳储存与封存模块”中的用户手册,在ArcGIS 10.2 中加载生成各碳库图层,根据图层中的像元数量与吨数相乘得到各碳库的碳储量。
Invest 模型涉及的参数主要有: 现有土地利用数据、碳库数据以及未来土地利用数据。其中,Invest 模型涉及的未来年份土地利用数据由Flus 模型提供(2030 年及2050 年不同情景下预测的土地利用数据),Invest 模型完成各土地利用类型碳储量栅格图层生成后可根据其用户指南,查询具体单位,然后在ArcGIS 10.2 中查看碳储量图层数据并进行计算。
2.2 Flus 模型
Flus 模型是一种用于模拟人类活动与自然影响下土地利用变化以及未来土地利用情景的模型。首先需验证Flus 模型在本研究中的适用性。验证过程如下: 基于Flus 模型CA 模块与2000 年各种土地利用类型数据,预测2010 年土地利用类型结果,并与真实的2010 年土地利用类型比较,获取Kappa 系数,为0.7950。同理获取2010 年与2020 年土地利用类型差异Kappa 系数0.7951,取均值为0.795,满足精度要求[27],故Flus 模型可用。需说明,通过在ANN 模块中添加驱动力因子(即坡度等数据)处理已知年份土地利用数据,以得到CA 模块中各土地利用类型预测概率。
接下来采用Flus 模型中的Markov Chain 模块对2030 年和2050 年土地利用类型的像元数量进行预测(表2),将预测的像元数填入CA 模块,生成未来年份(2030 年、2050 年)的土地利用适宜性图集,并生成未来土地利用类型栅格数据,该栅格数据将为Invest 模型计算碳储量提供基础数据支撑。
表2 各土地利用类型2030 年和2050 年像元数量Table 2 Pixels allocated to each land use type in 2030 and 2050
此外,需特别强调在CA 模块计算中,成本矩阵与邻域因子设置对土地利用适宜性图集的生成均十分重要。成本矩阵是表示土地利用类型转换设置的矩阵,不同情景的成本矩阵参考方赞山等[28]进行预先设定(表3),其中“0”表示土地利用类型不允许转换,“1”则表示允许转换。
表3 Flus 模型CA (元胞自动机)模块中不同土地利用类型、不同情景下的成本矩阵Table 3 Cost matrix for different scenarios for different land use types in the CA (Cellular Automata) module of the Flus model
在预测未来土地利用适宜性图集时,需考虑地块类型扩张力。邻域因子是反演地块类型扩张力的重要指标,其具体计算方法参考文献[29]。地物类型扩张一定程度上会受到生态保护政策影响。基于江苏省退耕还林还草等政策,本研究计算了自然发展情景与生态保护情景两种状态下的邻域因子。
1)在自然发展情景中,延续土地利用类型变化情景,分别计算得到耕地、林地、草地、水域、建筑用地和未利用地的邻域因子为0.00、0.52、0.52、0.51、1.00 和0.51。
2)在生态保护情景中,因江苏省和安徽省的自然、经济等方面条件相似,参考孙方虎等[30]的研究,将耕地、林地、草地、水域、建筑用地和未利用地的邻域因子分别设置为0.80、1.00、0.55、1.00、0.95 和0.54。
通过Flus 模型获取不同情景、不同年份的土地利用数据后,使用Invest 模型计算2030 年和2050 年不同土地利用类型的碳储量。
2.3 空间相关性分析
为进一步说明江苏省各地级市碳储量空间分布情况,本研究基于GeoDa 1.20 和ArcGIS 10.2 软件,采用全局莫兰指数、局部莫兰指数及热点分析,对江苏省各地级市碳储量空间分布规律进行探索。方法具体如下: 首先基于ArcGIS 10.2 软件将3 年碳储量添加至江苏省行政区矢量数据的属性字段;其次利用GeoDa 1.20 软件加载该图层并创建空间权重;接下来采用全局莫兰指数对江苏省各地级市碳储量聚集情况进行分析,若存在聚焦,则采取局部莫兰指数作进一步分析,以获取聚集区域;最后,使用Arc-GIS 10.2 进行热点分析,以验证获取的碳储量省内空间分布状况,保证结果合理性。
3 结果与分析
3.1 江苏省碳储量时序分析
2000—2020 年江苏省各土地利用类型碳储量、固碳能力如表4 所示,各土地利用类型2000—2020年的面积及变化如表5 所示。
表4 2000—2020 年江苏省各土地利用类型碳储量及固碳能力(单位像元碳储量)Table 4 Carbon storage and carbon sequestration capability (carbon storage per pixel) of different land use types in Jiangsu Province in 2000,2010,and 2020
表5 2000—2020 年江苏省各土地利用类型面积变化Table 5 Changes of different land use types areas in Jiangsu Province in 2000,2010,and 2020 km2
由表4 可知,2000—2020 年,江苏省碳储量总体呈下降趋势,由1803.958×106t (2000 年)下降至1764.837×106t (2010 年),最后降至1641.008×106t(2020 年),这是由于近20 年来,江苏省快速的工业化、城镇化建设,林地、耕地等土地利用类型部分用作建设用地,使得固碳能力被削弱。2010—2020 年的碳储量下降量(123.829×106t)远大于2000—2010 年碳储量下降量(39.111×106t),这是由于2010—2020年间,江苏省处于飞速发展时期,对土地需求显著增多,建筑用地增加约8328.200 km2,耕地面积减少约9847.051 km2,且这10 年建筑用地增加速率与耕地面积减少速率均远高于2000—2010 年,与碳储量变化规律相佐证。
此外,由表4 可知,2000—2020 年,林地、草地、未利用地的碳储量总体呈增加趋势,与表5 获取的3种土地利用类型面积变化情况总体对应。基于各种土地利用类型面积变化情况可判断,上述3 类土地利用类型的增加主要由耕地转化而来。在江苏省各土地利用类型中,耕地碳储量占比最大,2000 年、2010 年、2020 年分别占比91.26%、89.89%、85.74%,呈下降趋势。耕地碳储量占比趋势下降,直观反映出此阶段江苏省城镇化建设转化了大量耕地面积。其他各土地利用类型对总碳储量贡献相对较小。由各土地利用类型30 m×30 m 像元的碳储量可知,林地固碳能力最强,单位像元碳储量最大(435 t),其次为耕地(258 t),除水域外,未利用地固碳能力最弱,建筑用地高于未利用地(78 t),与解宪丽等[31]研究相互佐证。
3.2 江苏省碳储量的空间分布
江苏省内总碳储量变化及江苏省各地级市碳储量变化如表6 所示。由表6 可知,各市碳储量差异较大。苏北地区(包括徐州市、连云港市、宿迁市、淮安市、盐城市,下同)由于耕地面积较多,碳储量较高,其中盐城市碳储量在江苏省占比最大,约占省总碳储量的16.12% (2000 年、2010 年、2020 年3 年均值,下同);徐州市为苏北地区次高碳储量地级市,约占省总碳储量的11.88%;淮安市碳储量为162.102×106t,存在部分高值区,主要分布于淮安市西南区域(多为公园林地等生态区);连云港市碳储量为128.428×106t,略低于宿迁市,但需要指出,2000—2020 年间连云港市碳储量呈增加趋势,其在2000—2010 年间和2010—2020 年间的上升幅度分别为2.02%与1.16%,这与连云港市在相应阶段经济发展趋势有关。苏中地区(包括扬州市、泰州市、南通市,下同)碳储量没有显著高值区,总体分布呈均匀状态。苏南地区(包括无锡市、苏州市、南京市、镇江市、常州市,下同)主要位于长三角核心地带,城市发展较快,城市绿化较好,故高值区较多,其中南京市和苏州市较突出,碳储量分别达到126.269×106t 和96.962×106t;无锡市碳储量为江苏省内最少,仅占江苏省碳储量的4.12%。
表6 2000—2020 年江苏省各地级市碳储量变化Table 6 Historical fluctuations in carbon sequestration in the prefecture-level cities of Jiangsu Province in 2000,2010,and 2020 ×106 t
2000 年、2010 年、2020 年江苏省碳储量全局莫兰指数的P值分别为0.067、0.049、0.035,z值分别为1.715、1.882、2.043,表明3 年间江苏省碳储量分布呈一定的空间相关性[32]。
局部莫兰指数(图2)表明,2000—2010 年,位于西南部的南京、无锡、常州的碳储量分布呈低-低聚集,表明上述3 市的碳储量较低,且呈空间聚集状态,此3 市面积较小,经济发展和生态保护程度相近。2000 年和2010 年位于东北部连云港市的碳储量较高,但是由于其周围的盐城、徐州等市的碳储量更高,所以连云港市呈空间低-高分布;2020 年,各市碳储量空间相关性发生了变化,位于西南部的无锡、常州、镇江呈低-低分布,主要是由于3 市的碳储量相近,且总体均呈下降趋势;连云港市2020 年呈现高-高聚集,首先是由于连云港市是唯一一个碳储量在2000—2020 年间呈增长趋势的城市,其次是因为连云港市周围的徐州市、盐城市都是碳储量高值区。
图2 2000—2020 年江苏省碳储量的空间分布特征Fig.2 Spatial distribution of carbon storage in Jiangsu Province in 2000,2010,and 2020
此外,基于ArcGIS 10.2 热点分析(图3)可知,位于南部的镇江市、常州市和无锡市在2000 年、2010 年、2020 年为冷点,即3 个城市碳储量呈低-低聚集状态,与GeoDa 1.20 获取的结果相印证,进一步说明上述3 个城市因面积所限碳储量较低。其余地区冷热点均不显著。基于ArcGIS 10.2 和GeoDa 1.20 软件分析的结果进一步阐明了江苏省碳储量空间分布情况,有利于省内各市政府针对性实施生态保护政策。
图3 2000—2020 年江苏省平均碳储量热点分析Fig.3 Hotspot analysis of average carbon storage in Jiangsu Province from 2000 to 2020
3.3 不同情景下江苏省碳储量预测
江苏省2030 年和2050 年自然发展情景和生态保护情景下各土地利用类型面积及其碳储量如表7和表8 所示。
表7 2030 年和2050 年江苏省2 种情景下各土地利用类型的面积变化预测Table 7 Estimated areas of different land use types in Jiangsu Province in 2030 and 2050 under two scenarios km2
表8 2030 年和2050 年江苏省2 种情景下各土地利用类型的碳储量变化预测Table 8 Estimated carbon storage of different land use types in Jiangsu Province in 2030 and 2050 under two scenarios ×106 t
由表7 可知,2030 年林地、草地以及水域面积生态保护情景高于自然发展情景,其对应碳储量亦相应增加(除水域外,因水域碳库密度为0),而耕地、建筑用地面积及碳储量均呈减少趋势。未利用地面积总体较小,且固碳能力微弱,其碳储量变化可忽略。综合可得,生态保护政策下,耕地、建筑用地以及未利用地主要转换为林地、草地与水域。2050 年各土地利用类型面积与碳储量变化趋势与2030 年大体一致。
由表8 可知,生态保护情景下,2030 年与2050 年总碳储量较自然发展情景提升6.069×106t 与5.861×106t。基于表4 可知,2010—2020 年,江苏省碳储量呈下降趋势,而表8 预测的2030 年碳储量较2020 年增高,且持续增高至2050 年,这与现行已落实的生态保护政策相对应。
4 讨论
4.1 江苏省碳储量估算及预测分析
土地利用数据获取与预测是基于Invest 模型和Flus 模型对大尺度区域进行碳储量模拟和预测的关键,其决定了碳储量模拟与预测精度。本研究采用的土地利用数据为30 m×30 m 分辨率,精度较高,能较好地揭示不同时期、不同地区碳储量及其分布,李小军等[33-36]用同样方法亦取得了较好的结果。
研究结果表明,2000—2020 年,江苏省碳储量总体呈下降趋势,且2010—2020 年下降幅度大于2000—2010 年,表明碳储量变化与城市经济发展存在一定负相关,与揣小伟等[37]研究结论一致。耕地在所有土地利用类型中,对碳储量贡献最大(占全省88.96%),与于芝琳等[38]研究相符。2000—2020 年耕地面积下降,建筑用地面积增加,部分土地转为未利用地,这与江苏省同期碳储量减少相印证。
对江苏省各市碳储量空间相关性分析发现,苏南地区部分地级市间存在低-低聚集现象,说明该区域城市碳储量普遍较低且呈现聚集状态,同时该区域亦存在部分碳储量高值区,这从侧面说明苏南部分城市虽受行政面积限制碳储量总体较低,但其较好的生态保护措施能在一定程度上提升其碳储量。因此,江苏省在推行生态保护政策时,可参考苏南地区部分城市措施,以推动全省生态保护。2000—2020 年连云港市碳储量与其他城市表现出的下降状态不同,不降反升,这主要与连云港市注重湿地保护,推进盐碱地绿化,加快城市建成区园林绿地面积扩展,积极建设生态走廊,推进林荫道路建设和街巷立体绿化等措施有关。研究还将GeoDa 1.20 的局部莫兰指数与ArcGIS 10.2 的热点分析结合,分析了江苏省碳储量空间分布格局特征。胡佶熹等[39]的研究也利用了空间分析方法探讨不同地区碳储量分布格局,但未能通过多种空间分析方法相互印证,本研究通过不同软件、方法相结合途径,采用多方对比结果弥补了这一不足。
2030 年和2050 年江苏省碳储量生态保护情景高于自然发展情景,2030 年自然发展碳储量大于2020 年碳储量,故可知在过去10 年间,江苏省碳储量由下降转变为上升,但上升幅度较小,主要是由于土地利用类型变化速度减缓,各种土地利用类型发展趋势逐渐趋于饱和,且江苏省各地逐渐注重生态保护等造成。研究结果说明生态保护政策有利于提高江苏省碳储量,与李月等[40]和王子昊等[41]分析结果相对应。
此外,本研究通过降低建设用地邻域因子,提高林地、耕地邻域因子等设置生态保护情景,通过为同一土地利用类型设置不同邻域因子以体现生态保护情景与自然发展情景差异,更便捷、高效,无需大量实验模拟数据[42]。综上可知,积极实施生态保护政策,在适宜地区扩大林地、草地面积,适当退耕还林有利于增加碳储量。
4.2 不确定性分析
本研究采用Invest 模型和Flus 模型进行碳储量分析和预测,一定程度上能够对江苏省碳储量和土地利用变化进行预测,但因Flus 模型驱动力因子较为简单,仅考虑了自然、经济、社会方面部分内容,故未能完全展现对土地利用变化影响的各个因子。此外,因未查找到较为精确的江苏省各土地利用类型碳库数据,故采用的各土地利用类型碳库数据是根据全国均值设置的,无法准确地代表江苏省情况,后续研究中可采用更高精度的江苏省各土地利用类型碳库数据。
5 结论
2000—2020 年间,江苏省总碳储量从1803.948×106t 下降至1641.008×106t,这与江苏省工业化、城镇化建设导致的土地利用变化有关。不同土地利用类型中,耕地碳储量下降最多(239.494×106t);建设用地碳储量增加最多(63.759×106t);部分耕地转变为建筑用地,这在一定程度上促进了建筑用地碳储量的增加。
江苏省各种土地利用类型中,耕地对碳储量贡献最大,占总碳储量88.96%,其余土地利用类型对碳储量贡献较小,这与各土地利用类型的固碳能力有关,也与各土地利用类型的面积有关。林地固碳能力最强,单位像元碳储量最多,约为435 t;耕地次之,单位像元碳储量为258 t。
江苏省在自然发展情景和生态保护情景下碳储量存在差异,2030 年和2050 年自然发展情景下碳储量分别为1701.778×106t 与1702.002×106t,生态保护情景下分别为1707.846×106t 和1707.863×106t。由此可知,积极实施生态保护政策有利于江苏省碳储量增加。