快速檢索        
  農業資源與環境學報  2021, Vol. 38 Issue (6): 1010-1019  DOI: 10.13254/j.jare.2020.0586
0

引用本文  

史名杰, 武紅旗, 賈宏濤, 等. 基于MCE-CA-Markov和InVEST模型的伊犁谷地碳儲量時空演變及預測[J]. 農業資源與環境學報, 2021, 38(6): 1010-1019.
SHI Mingjie, WU Hongqi, JIA Hongtao, et al. Temporal and spatial evolution and prediction of carbon stocks in Yili Valley based on MCE-CA-Markov and InVEST models[J]. Journal of Agricultural Resources and Environment, 2021, 38(6): 1010-1019.

基金項目

國家自然科學基金項目(41561019)

Project supported

The National Natural Science Foundation of China (41561019)

通信作者

武紅旗??E-mail: hqwu7475@126.com

作者簡介

史名杰(1996-), 男, 新疆阜康人, 碩士研究生, 研究方向為土地利用變化遙感。E-mail: shimj1224@163.com

文章歷史

收稿日期: 2020-10-12
錄用日期: 2021-01-13
基于MCE-CA-Markov和InVEST模型的伊犁谷地碳儲量時空演變及預測
史名杰1,2 , 武紅旗1,2 , 賈宏濤1,2 , 朱磊1,2 , 董通1,2 , 何盤星1 , 楊強軍1,2     
1. 新疆農業大學草業與環境科學學院, 烏魯木齊 830052;
2. 新疆土壤與植物生態過程重點實驗室, 烏魯木齊 830052
摘要: 陸地生態系統碳源與碳匯的變化與土地利用/覆被變化(LUCC)的演變密切相關,為探討土地利用變化對陸地生態系統碳儲量的影響機制,基于1980—2020年LUCC數據集,通過多評價準則(Multi-criteria evaluation,MCE)的元胞自動機(Cell automata,CA)和馬爾科夫鏈(Markov chain)模型,模擬伊犁谷地2030年的LUCC時空動態,耦合InVEST模型探討土地利用變化下伊犁谷地1980—2030年陸地生態系統碳儲量的時空演變格局。結果表明,MCE-CA-Markov模型預測LUCC數據集與2000、2010年和2020年實際LUCC精度檢驗的Kappa系數分別為0.929 1、0.875 5和0.929 7,模型模擬普適性較高,可對后續碳儲量時空演變格局進行精準評估。利用InVEST模型估算的伊犁谷地1980年總碳儲量約為1 114.95 Tg,預計至2030年總碳儲量呈逐期下降趨勢,累計凈減少65.94 Tg,其中林草地面積的退縮是致使碳儲量下降的主導因素。伊犁谷地碳儲量空間分布總體上表現為高值區域環繞低值區域,呈嵌套分布。碳密度的高值區域分布在南部和北部山區林草地,而低值區域僅集中在中部河谷平原附近。研究土地利用變化對陸地生態系統碳儲量的影響可為研究區碳庫管理提供數據支持,為制定碳固存和環境保護政策提供理論參考。
關鍵詞: 土地利用變化    碳儲量    MCE-CA-Markov    InVEST    伊犁谷地    
Temporal and spatial evolution and prediction of carbon stocks in Yili Valley based on MCE-CA-Markov and InVEST models
SHI Mingjie1,2 , WU Hongqi1,2 , JIA Hongtao1,2 , ZHU Lei1,2 , DONG Tong1,2 , HE Panxing1 , YANG Qiangjun1,2     
1. College of Grassland and Environment Sciences, Xinjiang Agricultural University, Urumqi 830052, China;
2. Xinjiang Key Laboratory of Soil and Plant Ecological Processes, Urumqi 830052, China
Abstract: Changes in carbon sources and sinks in terrestrial ecosystems are closely related to the evolution of land use/cover change (LUCC). The mechanisms of land use change on carbon stocks in terrestrial ecosystems were investigated to provide theoretical references to understand the influence of spatio-temporal evolution patterns on regional carbon stocks. Based on the LUCC data of 1980-2020, the spatio-temporal dynamics of LUCC of the Yili Valley in 2030 were simulated through multi-criteria evaluation(MCE), cellular automata (CA), and Markov chain models. InVEST model explored the spatio-temporal evolution pattern of carbon stocks in the Yili Valley terrestrial ecosystem from 1980 to 2030 under the land use change. The results showed that the MCE-CA-Markov model predicted LUCC data set and the actual LUCC in 2000, 2010, and 2020, and their Kappa coefficients were 0.929 1, 0.875 5, and 0.929 7, respectively, indicating that model simulation was highly generalized and could be used to accurately assess the spatio-temporal evolution of carbon stocks in subsequent years; the InVEST model estimated that the total carbon stock of the Yili Valley was 1 114.95 Tg in 1980, and it would show a decreasing trend until 2030, with a cumulative net decrease of 65.9 Tg. The retreat of forest and grassland area was the dominant factor leading to the decrease in carbon stock; and the spatial distribution of carbon stocks in the Yili Valley was generally characterized by a nested distribution of high value areas around low value areas. The high value areas of carbon density were distributed in the southern and northern mountainous forests and grasslands, while the low value areas were concentrated in the central valley plains. Studying the impacts of land use change on the carbon stock of terrestrial ecosystems can provide data support for carbon pool management in the study area, and subsequently, provide theoretical reference for the formulation of carbon sequestration and environmental protection policies.
Keywords: land use change    carbon storage    MCE-CA-Markov    InVEST    Yili Valley    

陸地生態系統中的碳是全球碳儲量的重要組成部分,在降低大氣中CO2等溫室氣體濃度、減緩全球氣候變暖等方面發揮著重要的作用[1]。土地利用/覆被變化(Land use/cover change,LUCC)是碳源與碳匯時空分異格局演變的主導因素之一[2],其影響程度取決于生態系統的類型和土地利用方式的轉變。土地利用的轉變通過改變生態系統的結構和功能影響碳儲量格局及動態,對土壤和植被的固碳能力具有重要的影響[3]。因此,探尋土地利用結構優化格局對改善區域生態系統服務功能及減緩全球氣候變化具有重要意義。

當前,土地利用模擬模型與陸地生態系統碳儲量模型的結合,被廣泛應用于碳儲量估算及其未來空間變化過程的研究當中[4-5]。在眾多量化生態系統服務功能的模型中,生態系統服務評估模型(Integrated valuation of ecosystem services and trade-offs,InVEST)因參數調整靈活、評估結果可空間化表達等優點,在生態系統服務評估中得到了廣泛的應用[5-6]。近年來,眾多學者[5-7]應用土地利用模擬模型預測未來LUCC景觀格局變化,并結合InVEST模型評估區域生態系統服務功能。如:在國家尺度上,研究學者利用FLUS模型結合InVEST模型,對中國的未來LUCC變化及碳儲量進行了預測與評估[6]。雷軍成等[7]在五馬河流域的研究表明,利用CLUE-S模型模擬2030年未來LUCC景觀格局,并結合InVEST模型評估區域陸地生態系統服務功能。ZHAO等[5]在黑河流域的研究中,應用CA-Markov模型和InVEST模型估算生態工程指引下的碳儲量時空分異格局。上述研究證實了LUCC模擬模型結合InVEST模型對于未來生態系統服務功能研究的優勢。但是,目前針對未來陸地生態系統碳儲量的研究仍存在評價準則不統一、預測未來時期的研究缺乏、模型未能本地化等問題[8]。本研究基于多評價準則MCE(Multi-criteria evaluation,MCE)的元胞自動機(Cell automata,CA)和馬爾科夫鏈(Markov chain)模型,通過分析影響目標的多重驅動因素,精確地輔助并判斷不同土地類型的轉移數量[9]。同時MCE以土地利用轉移概率及適宜性圖集為基礎,既能有效地模擬未來LUCC空間變化,又可以有效地提高土地利用預測的精度[8]。因此,構建MCE-CA-Markov多評價準則預測未來時期的LUCC,耦合InVEST模型探討未來時期區域陸地生態系統碳儲量的時空分異格局,是滿足碳儲量長時間序列評估及未來動態監測的迫切需求。

伊犁谷地是新疆天山北坡一個相對完整的生態系統功能服務區,同時也是構建國家生態環境保護屏障的重要區域。新疆地區年均氣溫與降水呈波動上升趨勢[10],伊犁谷地是半濕潤氣候,西風帶的溫潤氣流受高大山脈的阻攔在伊犁谷地形成豐沛的降水,伊犁谷地的生態環境在整個干旱半干旱地區具有典型性和代表性。隨著社會經濟的發展,城市建設用地急速擴張、人類過度砍伐森林以及林草地變更為農業用地導致大氣中CO2排放明顯增多[11]。伊犁谷地作為陸上絲綢之路的關鍵樞紐帶,其土地利用質量直接關系到伊犁谷地的綜合效益與生態安全,加強土地利用變化的研究,已成為當前解決該區域陸地生態系統碳儲量問題的迫切需要。

本研究基于1980—2020年LUCC數據圖集,應用MCE-CA-Markov模型預測2030年的土地利用格局,并結合InVEST模型探討伊犁谷地LUCC景觀格局變化下的碳儲量時空分異演變,確定陸地生態系統土地利用長時間及未來時間序列變化下碳源與碳匯的空間分布,為提出科學的土地利用規劃方案和城市擴張應對措施提供決策依據,有利于實現“谷地-平原-森林”陸地生態系統的可持續發展。

1 材料與方法 1.1 研究區概況

伊犁谷地位于中國天山山脈西部,地理位置為80°09′~84°56′E,42°14′~44°50′N(圖 1)。研究區氣候溫潤,年平均氣溫6.68 ℃,年平均降水量332.69 mm,山區年均降水量在300~900 mm之間,屬于溫帶大陸性氣候,年均日照時數2 842.2 h,晝夜溫差大,是新疆最濕潤的地區[12]。伊犁谷地東部頂點為特克斯與鞏乃斯河交匯處,西部底邊朝向中哈邊界,地勢東高西低。東西長360 km,南北寬275 km,伊犁谷地的植被類型主要有荒漠植被、草原、草甸、森林和隱域植被五大類。

圖 1 研究區高程示意圖 Figure 1 Elevation diagram of the study area
1.2 數據獲取與預處理

本研究用于模擬2030年土地利用的數據集主要包括:①土地利用數據,以1980、1990、2000、2010年和2018年共5期分辨率30 m的LUCC為歷史條件數據,其中2020年的LUCC數據由2018年LUCC數據結合2020年7月1日至8月1日高分一號遙感影像通過目視解譯更新獲得,結合野外調查、目視判讀與混淆矩陣判斷,解譯總精度超過85%,根據國家土地利用一類分類系統劃分為耕地、林地、草地、水域、建設用地和未利用土地6種類型[13];②氣候數據,用于判別不同土地類型的適宜性條件;③環境因素數據,用于驅動土地利用變化的自然環境因素主要有地形、氣候、地下水等;④社會經濟數據,用于驅動土地利用變化的社會經濟數據主要包含人口空間分布、國內生產總值(GDP)、公里網格柵格數據和公路網、河流水系等矢量數據(表 1)。

表 1 模擬未來時期LUCC所需數據及來源 Table 1 Data and sources needed by LUCC simulation in the future period

本研究用于估算碳儲量的數據集主要包括:①地上與地下生物量碳密度數據,來自于美國航空航天局(National Aeronautics and Space Administration,NASA)的地球數據集ORNL DAAC;②土壤碳密度數據,在不同土地類型下各挖取3~5個土壤剖面,采樣深度為0~10、10~20、20~50 cm和50~100 cm,用重鉻酸鉀外加熱法測得有機碳含量,結合質地、厚度、容重等土壤理化性質計算土壤有機碳密度,測定方法依據《土壤農化分析》與分層法計算各土層土壤碳密度[17-18];③凋落物碳密度數據,選取公開發表的碳儲量實測論文[14-16],主要選取2000—2020年公開發表的論文并且選擇新疆維吾爾自治區的實測采樣數據。對于以上方法無法獲取的碳密度數據,選取全國的碳密度數據進行校正。

1.3 研究方法 1.3.1 CA-Markov模型

CA-Markov是Markov和CA模型的結合。CA模型是模擬復雜空間過程的有效工具,每一個元胞都受其相鄰元胞及自身的元胞特征變化影響[19]。CA模型是一種在時間和空間上都離散的模型,CA模型可用公式(1)表示:

(1)

式中:S為元胞有限且離散的集合;t、t + 1為不同時刻;N為元胞的鄰域;f為局部空間的元胞轉化規則。

LUCC預測包括t1到t2時期之間的土地利用變化,并將這些變化發生的概率過渡到未來。Markov鏈是一種隨機級數,通過轉移矩陣的過渡概率來分析LUCC隨時間變化的概率[20]。Markov鏈的轉移矩陣表達式為:

(2)

式中:如果轉移概率隨時間而變化,則需要將上述矩陣計算為函數k;n為第n年的土地利用類型。

1.3.2 MCE多評價準則

MCE(Multi-criteria evaluation)模塊的綜合分析可影響目標的諸多因素,為實現未來土地利用變化提供決策輔助。限制性因子將驅動因素嚴格控制在某種范圍之內,以0和1表示。根據MCE模塊生成的適宜性圖像集來定義演化規則,MCE-CA-Markov的適宜性圖集可為元胞在下一時刻的狀態提供決策目標。MCE-CA-Markov多評價準則方法可以提高模型模擬精度,且對未來時期的LUCC預測結果更為可靠[8]。

本研究基于IDRISI Selva 17.0平臺,分別提取1980—1990、1990—2000、2000—2010年和2010— 2020年共4個時期的轉移矩陣概率,選取地下水深度、降水量、DEM、坡度、≥10 ℃積溫、與道路距離、與水系距離、GDP和人口數量9個約束性因子,將水體和建設用地作為限制性條件。采用層次分析法通過構建判斷矩陣來確定各因素的權重,設置領域元胞大小為5×5,分別模擬2000、2010、2020年土地利用現狀,并與實際LUCC進行對比分析,進而選取模型模擬參數的最優組合對伊犁谷地2030年LUCC進行模擬。

1.3.3 InVEST模型

本研究運用InVEST 3.5.0模型中的Carbon模塊分析伊犁谷地1980—2030年的碳儲量時空分異格局。此模塊將陸地生態系統的碳儲量分為:地上生物量碳庫(指樹葉、樹皮、樹枝、樹干和地表以上其他存活的植被)、地下生物量碳庫(指地下存活根系中的有機碳)、土壤中的碳庫(指土壤中的有機碳)和死亡有機碳庫(指死亡的植被及枯枝落葉中所含的有機碳)四個碳庫[21]。模型的計算公式為:

(3)
(4)

式中:Ci - above是植物地上生物量的碳密度,Mg·hm-2;Ci - below是植物地下生物量碳密度,Mg·hm-2;Ci - soil指土層中土壤有機碳密度,Mg·hm-2;Ci - dead指枯落物中的有機質碳密度,Mg·hm-2;Ctotal為總碳儲量,Mg;Ak是每種土地類型覆蓋的總面積,hm2;n表示土地利用類型的總數。碳密度和碳儲量均以C計。

輸入合理的參數是模擬精確性的保證,因此選擇合適的碳密度數據是模擬碳儲量的關鍵。對于實測土壤剖面數據與NASA數據集無法獲取的碳密度數據,采用文獻[22-23]中碳密度與氣候因子的線性相關性方程進行參數修正,其結論已成功在其他學者的研究中得到印證[24],修正后的碳密度數據如表 2所示。

表 2 不同土地利用類型碳密度(Mg·hm-2 Table 2 Carbon density of land use types in the study area(Mg·hm-2)
1.3.4 土地利用動態變化率

土地利用動態變化率用來描述研究區某一土地利用類型在一定時間段內的變化率,能夠表現土地利用空間動態變化的強度,對分析碳儲量時空變化趨勢提供依據[26]。公式為:

(5)

式中:Rs為某一土地利用類型在研究期間的年變化率;UaUb分別表示研究初時期值和后時期值的土地利用類型的面積;T為研究期的時間長度。

1.3.5 精度驗證

以伊犁谷地2000年實際LUCC為底圖,運用MCE-CA-Markov模型基于1980年和1990年的LUCC模擬出2000年LUCC模擬圖,利用IDRISI平臺的Crosstab模塊進行精度驗證。優化數據集參數后模擬2010年與2020年伊犁谷地LUCC,并與實際的2010年與2020年LUCC進行對比分析。最終選取最優參數合集模擬2030年伊犁谷地的LUCC景觀格局。

2 結果與分析 2.1 伊犁谷地1980—2030年土地利用時空分布格局

運用MCE-CA-Markov模型模擬2000、2010年和2020年LUCC,并與實際LUCC進行精度驗證,Kappa系數分別為0.929 1、0.875 5和0.929 7,表明模擬研究區的LUCC精度較高,且能夠適用于本研究需求。進而選取最優參數合集模擬2030年LUCC,探討伊犁谷地1980—2030年(6期)土地利用變化及動態特征(圖 2)。

圖 2 伊犁谷地1980—2030年LUCC時空演變格局 Figure 2 Spatial and temporal evolution pattern of LUCC from 1980 to 2030 in the Yili Valley

伊犁谷地的土地類型以草地為主,其面積占比超過58%(圖 3)。該區域LUCC在時間分布上呈現不同的變化趨勢。歷史時期(1980—2000年),耕地面積持續擴張,由6 968.85 km2增加至7 222.12 km2;林地面積呈縮減趨勢,由6 394.92 km2減少至6 330.19 km2。當前時期(2000—2020年)耕地面積擴張迅速,由7 222.12 km2增加至9 357.46 km2;林地面積在當前時期損失嚴重,由6 330.19 km2縮減至3 603.16 km2。預計到未來時期(2020—2030年)耕地面積將進一步擴張至10 175.24 km2,而林地面積縮減至3 540.23 km2。

圖 3 伊犁谷地1980—2030年不同土地利用類型面積占比 Figure 3 Area proportion of different land use types from 1980 to 2030 in the Yili Valley

圖 4分析得出,伊犁谷地1980—2030年期間耕地面積擴張明顯,預計其面積增加46.01%,耕地面積的土地動態變化率分別為0.04%、0.33%、2.20%、0.62% 和0.87%,耕地的大規模擴張導致伊犁河與特克斯河附近的草地和林地的覆蓋面積銳減;其中林地損失最為嚴重,面積減少了44.63%,其土地面積的動態變化率分別為0.01%、-0.11%、-4.01%、-0.50%、和-0.17%。

圖 4 伊犁谷地1980—2030年土地動態變化率 Figure 4 Dynamic change rate of land use from 1980 to 2030 in the Yili Valley
2.2 伊犁谷地1980—2030年碳儲量時空分布格局

經InVEST模型碳儲量模塊估算得出1980、1990、2000、2010、2020年和2030年的總碳儲量分別為1 114.95、1 115.04、1 106.95、1 069.37、1 059.56 Tg和1 049.01 Tg。1980—2030年期間總碳儲量年平均減少1.31 Tg,50年間年均減少率為1.30%。1980—2030年伊犁各地類碳儲量占比見圖 5。

圖 5 伊犁谷地1980—2030年各地類碳儲量占比 Figure 5 The proportion of carbon storages for different land use type from 1980 to 2030 in the Yili Valley

圖 6反映了伊犁谷地1980—2030年期間不同土地類型變化導致的碳儲量的動態變化特征(ArcGIS 10.2中圖例是表征柵格像元的屬性數據,故圖例的單位是碳密度的單位,碳儲量由像元數量乘以碳密度計算得到)。經計算,林地和草地的縮減使得碳儲量分別凈損失101.83 Tg和4.75 Tg。其中林地碳釋放最為嚴重,約占總碳儲量累計釋放量的95.54%。

圖 6 伊犁谷地1980—2030年碳儲量時空分布格局 Figure 6 Spatial and temporal distribution pattern of carbon reserves from 1980 to 2030 in the Yili Valley

1980—2000年伊犁谷地部分草地轉換為耕地,由草地面積縮減導致的碳儲量減少量為10.88 Tg,占50年間草地總減少量的21.01%。2000—2020年伊犁谷地大量林地轉為耕地、草地與建設用地,這致使林地縮減導致的碳儲量凈損失97.27 Tg,僅在2000— 2010年,就累計減少了90.46 Tg,占50年間林地碳儲量總減少量的88.83%。2020—2030年,由于耕地面積的擴張,碳儲量將呈潛在增加趨勢,碳儲量預計增量為10.88 Tg,占50年間耕地總碳儲量凈增加的25.50%??傮w而言,伊犁谷地1980—2030年期間,林地與草地面積大幅減少導致碳釋放大幅增加,由于碳密度較高的林地轉化為碳密度較低的其他土地類型,其固碳能力大幅下降,總碳儲量也呈逐期下降趨勢。

2.3 土地利用類型轉換對碳儲量時空分異的影響

通過模型構建器對總碳儲量圖進行批處理,統計分析得出土地類型的轉移時空分布格局與碳儲量轉移量(圖 7)。在時間序列上,1980—2030年期間每10年林地轉為耕地、草地、水域、建設用地和未利用土地凈釋放的碳儲量總和分別為5.12、44.64、2.07、2.08 Tg和3.01 Tg。此外,未利用土地轉向耕地、林地、草地和水域碳儲量的凈固持量總和分別為3.76、1.95、29.67 Tg和0.66 Tg。然而,碳儲量的凈固持量遠小于凈釋放量,因此伊犁谷地總體固碳能力呈明顯下降趨勢(圖 8)。

圖 7 伊犁谷地1980—2030年土地利用類型轉移矩陣 Figure 7 Land use type transfer matrix from 1980 to 2030 in the Yili Valley
圖 8 伊犁谷地1980—2030年不同土地利用類型間轉化的碳儲量凈固持/釋放量 Figure 8 Sequestration/release of carbon stocks by land use type from 1980 to 2030 in the Yili Valley

在空間分異上,碳儲量的增減與各個地類的面積呈正相關關系。隨著土地覆被面積的擴大,其碳儲量也隨之增加,反之亦然(圖 9)。林地面積銳減、耕地與城市建設用地面積大幅擴張是導致碳儲量變化的最主要原因。昭蘇縣是碳儲量降幅最大的區域,由于該縣的土壤質地優良且耕地面積占比較大,同時該縣林地面積大幅下降,預計2030年該縣耕地面積相較于1980年擴張率為69.40%,而林地面積縮減率為44.67%,進而導致固碳能力大幅下降,總碳儲量累計凈損失11.52 Tg。

圖 9 伊犁谷地1980—2030年土地流入格局(a)及區域碳儲量變化(b) Figure 9 Land inflow pattern(a)and regional carbon reserve change(b)from 1980 to 2030 in the Yili Valley
3 討論

本研究利用伊犁谷地1980—2020年土地利用數據集,并結合不同地類的適宜性圖集,基于MCE-CAMarkov耦合InVEST模型對伊犁谷地1980—2030年碳儲量的景觀格局及動態進行評估與預測。研究發現:在空間分布上,伊犁谷地未來的土地利用類型在景觀配置上有所不同,導致陸地生態系統碳儲量具有廣泛的空間分異[27];在時間序列上,伊犁谷地1980— 2020年土地利用發生變化的像元主要集中在伊犁河、特克斯河和鞏乃斯河等流域,多分布在人類活動較為頻繁的河谷平原區域。預測至2030年,隨著伊犁谷地城市化的不斷發展,林地、草地、濕地等陸地生態用地也被相繼侵占,耕地與建設用地類型的面積發生顯著變化[28]。

運用InVEST模型分析得出伊犁谷地各個地類的碳密度由大到小依次為林地、草地、耕地、水域、建設用地及未利用土地。由于林地轉化為草地或耕地時,大部分地上生物量以碳的形式釋放到大氣中,同時樹木的根系也會分解釋放大量碳,因此森林轉化為草地與耕地的過程是碳的凈釋放過程[29]。且林地面積快速地銳減,這可能是伊犁谷地總碳儲量下降的主要原因。InVEST模型的估算過程需要輸入合理的碳密度參數,朱文博等[24]的研究發現耕地的地上生物量和土壤碳密度分別為4.02 Mg·hm-2和105.14 Mg·hm-2,與本研究通過修正獲得的耕地的地上生物量和土壤碳密度(5.44 Mg·hm-2和128.83 Mg·hm-2)接近;ZHAO等[5]的研究發現灌木林地和未利用土地的碳密度分別為0.63 Mg·hm-2和305.70 Mg·hm-2,與本研究得到的實測林地土壤碳密度和未利用土地碳密度(0.75 Mg·hm-2和300.70 Mg·hm-2)一致。因此,本研究采用的基于土壤剖面實測的碳密度數據,與模型參數修正法獲取的碳密度具有一定的可靠性和合理性,能夠更加精準地估算區域碳固存動態特征。

本研究估算伊犁谷地碳儲量平均值為1 085.81 Tg,預測1980—2030年50年期間潛在碳儲量年均減少1.31 Tg,總碳儲量累計凈損失65.94 Tg。楊玉海等[12]的研究發現通過計算伊犁谷地不同土壤類型分布面積與土壤碳儲量,得出伊犁地區0~60 cm土壤有機碳儲量總量為925 Tg。由于本研究不僅估算了土壤碳儲量,還綜合考慮并且預測了植被地上生物量碳儲量與植被地下生物量的潛在碳儲量,以及枯落物碳儲量等陸地生態系統中的總碳儲量,因此本研究結果高于其他研究估算的碳儲量值。此外,柯新利等[11]運用CA-Markov與InVEST模型分析了城市擴張和耕地保護的耦合政策對于碳儲量的影響,發現城市擴張導致湖北省的碳儲量累計減少40.09 Tg。此結論與本研究結果一致,表明城市建設用地與耕地擴張是加劇區域碳儲量損失的主導因素之一。

本研究耦合MCE-CA-Markov與InVEST模型對伊犁谷地的碳儲量進行估算和預測,定量評估區域土地利用規劃和區域碳儲量的數字化和可視化,為探討土地利用變化下的碳儲量提供了一種新思路。然而,針對MCE-CA-Markov模型預測時存在限制性因素不夠全面等問題,在后續的研究中需要考慮某些特定情景之下的土地利用類型變化。這將進一步提高土地利用預測的準確度,進而有助于分析后續的碳儲量的估算結果。此外,InVEST模型在設置地上和地下生物量碳密度參數時,應結合更多實地采樣的碳密度數據來設置模型參數,以更加精準地揭示研究區域的總碳儲量動態變化特征。

4 結論

(1)伊犁谷地過去40年(1980—2020年)的LUCC呈現出建設用地和耕地持續擴張、林地與草地面積持續縮減等特征。利用MCE-CA-Markov模型預測2030年LUCC,結果表明耕地與建設用地將繼續擴張,土地利用動態度大幅增加,土地利用可持續性降低。

(2)碳儲量在空間上呈現一定的規律性,碳儲量高值區域主要分布在南北山區林草地,其面積的快速縮減對伊犁谷地的陸地生態系統碳儲量構成了嚴重威脅。預計到2030年伊犁谷地潛在碳儲量僅為1 049.01 Tg,且碳儲量的凈固持量遠小于凈釋放量。

(3)伊犁谷地平原耕作帶周圍耕地迅速擴張和高山林草地大幅退化是導致區域總碳儲量下降的主要原因。

本研究采用MCE-CA-Markov耦合InVEST模型的方法,定量評估與預測了伊犁谷地1980—2030年的陸地生態系統碳儲量,可為區域土地利用規劃及生態可持續發展提供決策依據。

參考文獻
[1]
LAL R. Soil carbon sequestration impacts on global climate change and food security[J]. Science, 2004, 304(5677): 1623-1627. DOI:10.1126/science.1097396
[2]
HOUGHTON R A, SKOLE D L. Annual fluxes of carbon from deforestation and regrowth in the Brazilian Amazon[J]. Nature, 2000, 403(6767): 301-304. DOI:10.1038/35002062
[3]
ZHANG M, HUANG X, CHUAI X, et al. Impact of land use type conversion on carbon storage in terrestrial ecosystems of China: A spatialtemporal perspective[J]. Scientific Reports, 2015, 5(1): 10233. DOI:10.1038/srep10233
[4]
LU R, MI L, ZHANG J, et al. Modeling the effects of urban expansion on regional carbon storage by coupling SLEUTH model and InVEST model[J]. Ecological Research, 2019, 34(3): 380-393. DOI:10.1111/1440-1703.1278
[5]
ZHAO M, HE Z, DU J, et al. Assessing the effects of ecological engineering on carbon storage by linking the CA-Markov and InVEST models[J]. Ecological Indicators, 2018, 98: 29-38.
[6]
劉曉娟, 黎夏, 梁迅, 等. 基于FLUS-InVEST模型的中國未來土地利用變化及其對碳儲量影響的模擬[J]. 熱帶地理, 2019, 39(3): 397-409.
LIU X J, LI X, LIANG X, et al. Simulating the change of terrestrial carbon storage in China based on the FLUS-InVEST model[J]. Tropical Geography, 2019, 39(3): 397-409.
[7]
雷軍成, 劉紀新, 雍凡, 等. 基于CLUE-S和InVEST模型的五馬河流域生態系統服務多情景評估[J]. 生態與農村環境學報, 2017, 33(12): 1084-1093.
LEI C J, LIU J X, YONG F, et al. Multi-scenario ecosystem service assessment of Wuma River Valley based on CLUE-S and InVEST models[J]. Journal of Ecology and Rural Environment, 2017, 33(12): 1084-1093. DOI:10.11934/j.issn.1673-4831.2017.12.004
[8]
MOHAMED A, WORKU H. Simulating urban land use and cover dynamics using cellular automata and Markov chain approach in Addis Ababa and the surrounding[J]. Urban Climate, 2020, 31: 100545. DOI:10.1016/j.uclim.2019.100545
[9]
張曉娟, 周啟剛, 王兆林, 等. 基于MCE-CA-Markov的三峽庫區土地利用演變模擬及預測[J]. 農業工程學報, 2017, 33(19): 268-277.
ZHANG X J, ZHOU Q G, WANG Z L, et al. Simulation and prediction of land use change in Three Gorges Reservoir area based on MCE-CAMarkov[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(19): 268-277. DOI:10.11975/j.issn.1002-6819.2017.19.035
[10]
LI B, CHEN Y, LI W, et al. Spatial and temporal variations of temperature and precipitation in the arid region of northwest China from 1960 to 2010[J]. Fresenius Environmental Bulletin, 2013, 22(2): 362-371.
[11]
柯新利, 唐蘭萍. 城市擴張與耕地保護耦合對陸地生態系統碳儲量的影響——以湖北省為例[J]. 生態學報, 2019, 39(2): 672-683.
KE X L, TANG L P. Impact of cascading processes of urban expansion and cropland reclamation on the ecosystem of a carbon storage service in Hubei Province, China[J]. Acta Ecologica Sinica, 2019, 39(2): 672-683.
[12]
楊玉海, 陳亞寧, 李衛紅, 等. 伊犁河谷不同植被帶下土壤有機碳分布[J]. 地理學報, 2010, 65(5): 605-612.
YANG Y H, CHEN Y N, LI W H, et al. Soil organic carbon distribution of different vegetation types in the Ili River valley[J]. Acta Geographica Sinicadili, 2010, 65(5): 605-612.
[13]
許小娟, 劉會玉, 林振山, 等. 基于CA-Markov模型的江蘇沿海土地利用變化情景分析[J]. 水土保持研究, 2017, 24(1): 213-218, 225.
XU X J, LIU H Y, LIN Z S, et al. Scenario analysis of land use change in Jiangsu coast based on CA-Markov model[J]. Research of Soil and Water Conservation, 2017, 24(1): 213-218, 225.
[14]
朱超, 趙淑清, 周德成. 1997-2006年中國城市建成區有機碳儲量的估算[J]. 應用生態學報, 2012, 23(5): 1195-1202.
ZHU C, ZHAO S Q, ZHOU D C. Organic carbon storage in urban built-up areas of China in 1997-2006[J]. Chinese Journal of Applied Ecology, 2012, 23(5): 1195-1202.
[15]
王鑫, 楊德剛, 熊黑鋼, 等. 新疆不同植被類型土壤有機碳特征[J]. 干旱區研究, 2017, 34(4): 782-788.
WANG X, YANG D G, XIONG H G, et al. Characteristics of soil organic carbon under different vegetation types in Xinjiang[J]. Arid Zone Research, 2017, 34(4): 782-788.
[16]
李克讓, 王紹強, 曹明奎. 中國植被和土壤碳貯量[J]. 中國科學(D輯), 2003, 33(1): 72-80.
LI K R, WANG S Q, CAO M K. Carbon storage of vegetation and soil in China[J]. Science of China(Series D), 2003, 33(1): 72-80.
[17]
鮑士旦. 土壤農化分析[M]. 北京: 中國農業出版社, 2000.
BAO S D. Soil and agricultural chemistry analysis[M]. Beijing: China Agricultural Press, 2000.
[18]
徐艷, 張鳳榮, 段增強, 等. 區域土壤有機碳密度及碳儲量計算方法探討[J]. 土壤通報, 2005(6): 22-25.
XU Y, ZHANG F R, DUAN Z Q, et al. Calculation method for density and storage of soil organic carbon[J]. Chinese Journal of Soil Science, 2005(6): 22-25.
[19]
陳飛, 周德全, 白曉永, 等. 典型喀斯特槽谷區石漠化時空演變及未來情景模擬[J]. 農業資源與環境學報, 2018, 35(2): 174-180.
CHEN F, ZHOU D Q, BAI X Y, et al. Spatial-temporal evolution of Karst rocky desertification and future trends based on CA -Markov methods in typical Karst valley[J]. Journal of Agricultural Resources and Environment, 2018, 35(2): 174-180.
[20]
LóPEZ E, BOCCO G, MENDOZA M, et al. Predicting land-cover and land-use change in the urban fringe[J]. Landscape and Urban Planning, 2001, 55(4): 271-285. DOI:10.1016/S0169-2046(01)00160-8
[21]
張云倩, 張曉祥, 陳振杰, 等. 基于InVEST模型的江蘇海岸帶生態系統碳儲量時空變化研究[J]. 水土保持研究, 2016, 23(3): 100-111.
ZHANG Y Q, ZHANG X X, CHEN Z J, et al. Research on the spatiotemporal variation of carbon storage in coastal zone ecosystem of Jiangsu based on InVEST model[J]. Research of Soil and Water Conservation, 2016, 23(3): 100-111.
[22]
ALAM S, STARR M, CLARK B. Tree biomass and soil organic carbon densities across the Sudanese woodland Savannah: A regional carbon sequestration study[J]. Journal of Arid Environments, 2013, 89(1): 67-76.
[23]
陳光水, 楊玉盛, 謝錦升, 等. 中國森林的地下碳分配[J]. 生態學報, 2007, 27(12): 5148-5157.
CHEN G S, YANG Y S, XIE J S, et al. Total below ground carbon allocation in China's forests[J]. Acta Ecologica Sinica, 2007, 27(12): 5148-5157. DOI:10.3321/j.issn:1000-0933.2007.12.024
[24]
朱文博, 張靜靜, 崔耀平, 等. 基于土地利用變化情景的生態系統碳儲量評估——以太行山淇河流域為例[J]. 地理學報, 2019, 74(3): 446-459.
ZHU W B, ZHANG J J, CUI Y P, et al. Assessment of territorial ecosystem carbon storage based on landuse change scenario: A case study in Qihe River basin[J]. Acta Geographica Sinica, 2019, 74(3): 446-459.
[25]
SPAWN S A, GIBBS H K. Global aboveground and belowground biomass carbon density maps for the year 2010[DB/OL]. (2020-03-05)[2020-10-12]. https://daac.ornl.gov/cgi-bin/dsviewer.pl?ds_id=1763.
[26]
耿冰瑾, 曹銀貴, 蘇銳清, 等. 京津冀潮白河區域土地利用變化對生態系統服務的影響[J]. 農業資源與環境學報, 2020, 37(4): 583-593.
GENG B J, CAO Y G, SU R Q, et al. Influence of land-use change on ecosystem services in the Chaobai River region of BeijingTianjin-Hebei[J]. Journal of Agricultural Resources and Environment, 2020, 37(4): 583-593.
[27]
鐘莉娜, 王軍. 基于InVEST模型評估土地整治對生境質量的影響[J]. 農業工程學報, 2017, 33(1): 250-255.
ZHONG L N, WANG J. Evaluation on effect of land consolidation on habitat quality based on InVEST model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(1): 250-255.
[28]
朱增云, 阿里木江·卡斯木. 基于地理探測器的伊犁谷地生境質量時空演變及其影響因素[J]. 生態學雜志, 2020, 39(10): 3408-3420.
ZHU Z Y, ALIMUJIANG K. Spatial-temporal evolution of habitat quality in Yili Valley based on geographical detector and its influencing factors[J]. Chinese Journal of Ecology, 2020, 39(10): 3408-3420.
[29]
田志會, 馬曉燕, 劉瑞涵. 北京市農田生態系統碳足跡及碳生態效率的年際變化研究[J]. 農業資源與環境學報, 2015, 32(6): 603-612.
TIAN Z H, MA X Y, LIU R H. Interannual variations of the carbon footprint and carbon eco-efficiency in agro-ecosystem of Beijing, China[J]. Journal of Agricultural Resources and Environment, 2015, 32(6): 603-612.