基于FLUS-InVEST模型的碳儲量時空變遷及多情景模擬預測
——以成德眉資地區為例

莊子薛 謝夢晴 張文萍 王倩娜

近年來，各國政府和國內外科學組織制定了系列協議敦促各國解決氣候問題[1-3]。2020年9月，習近平主席表示中國力爭2060年實現碳中和，中國的控碳減排與生態保護工作刻不容緩。陸地生態系統通過林地、草地等碳匯用地捕集CO2、CH4等溫室氣體來調節區域氣候并增加碳儲量[4]，研究其碳儲量，可通過對各類用地進行碳收支核算，實現國土空間規劃層面的碳氧平衡監測，并借力生態保護與修復等措施以優化碳儲量，實現碳中和的目標[5]。

目前，國內外用于研究碳儲量的方法主要有生物量法[6]、簿記法[7]、聯合國政府間氣候變化專門委員會（Intergovernmental Panel on Climate Change, IPCC）清單法[8]等。近年來，多數學者開始運用運行快、所需數據少且實用性較強的生態系統服務和權衡綜合評估（Integrated Valuation of Ecosystem Services and Trade-offs, InVEST）模型研究流域[9]、城市[10]、濕地等區域的碳儲量，并指出碳儲量的研究對陸地生態系統碳庫管理有重要參考價值。

然而陸地生態系統處于動態變化中，因此一些學者通過模擬未來土地利用變化來預測碳儲量，如元胞自動機馬爾科夫鏈（Cellular Automata-Markov, CA-Markov）[11]、小尺度土地利用變化及空間效應（Conversion of Land Use and Its Effects at Small Region Extent, CLUE-S）[12]等模型，既往的模型大多只能模擬單個土地利用類型的動態變化，無法預測不同土地利用類型之間的相互作用和競爭[13]，且碳儲量預測還需考慮自然環境、交通區位和社會經濟等因子的變化。

模擬不同規劃政策下的城市土地利用格局，能夠指導國土空間規劃增加藍綠碳匯，推動生態文明建設。未來土地利用模擬（Future Land Use Simulation, FLUS）模型能耦合人類活動和自然環境因素的影響，模擬區域空間內各類土地的相互作用并計算出較高精度的未來土地利用的分布[14-18]。已有學者基于FLUS模型在全國、區域或市域尺度下研究碳儲量[15]、生態空間[16]、水文[17]或土地利用[18]的變化。但利用FLUS模型評估生態修復效果、指導國土空間規劃的研究較為罕見。

本研究選取成德眉資地區為研究區，針對生態修復將如何影響土地利用并作用于生態系統碳儲量的時空變化這一科學問題，基于研究區2000、2010、2020年的土地利用數據，耦合FLUS模型與InVEST模型，對研究區歷史碳儲量時空變遷作出研究，并預測2030年多情景下的碳儲量情況。研究旨在從國土空間生態修復的視角出發，對研究區的碳儲量進行問題研判和趨勢預測，助力碳中和目標的達成。與以往研究不同的是，本研究聚焦目前較為前沿的碳中和議題，將已成熟的FLUS模型與InVEST模型進行耦合，結合國土空間規劃探究固碳功能優化路徑，基于研究結果，針對研究區碳儲下降問題，從生態修復的視角提出針對性建議，為研究區未來碳的“零排放”提供支撐和參考。

1 研究區概況、數據來源及預處理

1.1 研究區概況

成德眉資地區（102°49′~105°27′E，29°15′~31°42′N）由成都市、德陽市、眉山市及資陽市組成，是四川省政府為將區域發展新格局的主干從“成都”擴展為“成德眉資”而劃定的區域[19]，也是國家新批復的“成都都市圈”的規劃擴展范圍[20]。研究區地處四川盆地西部，東鄰重慶，西連阿壩州、雅安，南接樂山、內江，北靠綿陽（圖1），總面積共3.31萬km2，地勢西高東低、河網縱橫、物產豐富，以亞熱帶季風性濕潤氣候為主。研究區2020年常住人口2 966萬，地區生產總值2.23萬億元。

圖1 研究區區位及高程圖Location and elevation map of the study area

“十三五”以來，經過生態屏障建設和美麗四川目標的奮斗，研究區的生態修復治理取得了顯著成效，但仍面臨著保護修復工作的系統性不足、固碳服務功能提升成效不明顯等問題[21]。通過對碳儲量進行評估和模擬，能從多方面為研究區的生態文明建設提出有效策略，打造生態宜居的都市圈[20]。

1.2 數據來源及預處理

研究數據[22-23]（表1）中的土地利用數據經ArcGIS去黑邊、合并與裁剪后按《土地利用現狀分類》[24]重分類為耕地、林地、草地、水域和建設用地5類；DEM數據經ArcGIS合并、裁剪與柵格坡度、坡向計算得到坡度、坡向數據；鐵路、高速公路、國道、省道與水體的矢量數據經過ArcGIS歐氏距離計算得到交通區位因子；自然保護區數據經過ArcGIS柵格轉化與插值得到限制因子。土地利用、驅動因子及限制因子統一坐標系至WGS_1984_UTM后重采樣至30 m分辨率，用于FLUS模型計算；ArcGIS計算2000—2010年、2010—2020年的各土地利用類型的土地利用轉移矩陣及概率（表2、3），用于總結土地利用歷史變化規律以設定FLUS模型相關參數。

表1 數據類型及來源Tab. 1 Data type and sources

2 研究方法

2.1 土地利用時空變遷研究

土地利用動態度可定量研究一段時間內某種土地利用類型的數量變化情況，對區域內土地利用時空變遷研究具有重要作用[25]。以研究區2000、2010、2020年3期土地利用數據（成都市與資陽市統一采用2016年成都市代管簡陽市之后的行政邊界進行計算）為基礎，計算出各用地類型的土地利用的動態度、時空轉移矩陣及概率（表2、3），用以預測研究區2030年多情景下的土地利用與碳儲量情況。

表2 研究區2000—2010年土地利用轉移矩陣及概率Tab. 2 Land use transfer matrix and probability in the study area (2000-2010)

2.2 基于FLUS模型的土地利用多情景模擬預測

FLUS模型是由Liang等[14]基于CA模型改良開發得到的對未來土地利用進行模擬預測的模型，主要包括人工神經網絡模型算法（Artificial Neural Network, ANN）模塊、CA模塊和Markov模塊三大部分[18]。本研究首先利用ANN模塊對研究區土地利用數據及變化影響因子進行計算，得出每種土地利用類型在各像元上出現的概率；其次利用CA模塊將出現概率與土地像元數（Markov模塊計算得到）、鄰域因子及轉移成本矩陣結合，計算出土地利用變化的最終概率；最后利用輪盤賭選擇機制分配每個像元的土地利用類型，得到最終結果。

為了明確不同的生態修復力度對研究區碳儲量產生的影響，評估已有政策的未來保護修復效果并識別潛在敏感區域，探究固碳服務提升的有效途徑，本研究根據相關政策文件設定了3種不同情景發展（表4）?；谘芯繀^2000、2010、2020年3期土地利用時空變遷結果以及不同情景下的FLUS模型所需的土地利用影響因子、像元數、領域因子及轉移成本矩陣參數，在模型已驗證精準的情況下，模擬出2030年3種情景下的土地利用情況，以便計算對應情景下的碳儲量。具體的參數設置流程及精度驗證分為如下5個步驟。

表4 多情景發展設定[19-21,26]Tab. 4 Multiple scenarios development setting[19-21,26]

1）土地利用變化影響因子篩選。本研究參考既往FLUS模型研究成果[15-18]及研究區相關規劃政策[20-21,26]，確定了12項驅動因子和1項限制因子。驅動因子選取依據為：海拔、地勢起伏、坡面朝向等可從本質上決定土地利用類型，因此選取DEM、坡度與坡向數據；氣候可以影響土地覆蓋、水文與環境質量，因此選取年均氣溫與降雨數據；研究區在推進基礎設施同城化的過程中，多層次軌道交通網絡會對土地利用方式產生顯著影響，同時在強化水資源保障的需求下，水利基礎設施建設等工程也會引起土地變化，因此選取到鐵路、高速公路、國道、省道及水體的距離數據[20]；此外，研究區對2025年GDP、常住人口城鎮化率設定了具體指標，選取能幫助反映建設用地變化的GDP和人口密度數據為社會因子[20]。限制因子是指一定時間內不會發生土地利用類型變化的區域。研究區內有龍溪-虹口、白水河2個國家級自然保護區及多個地方自然保護區，該類保護區被限制土地的開發和轉換[21]，因此選取為限制因子。

2）未來土地利用像元設定。研究基于表2、表3數據，通過Markov鏈預測可得到A情景下2030年的土地利用及轉移情況。在B情景下，建設用地不斷侵占其他用地，國土空間綠化工作推進不足，森林、草原與農田生態系統未得到充分保護與修復，參考規劃政策[20-21]并調試模型后設定耕地、草地轉移為建設用地的概率增加30%，林地轉移為草地的概率增加15%；同時農田面積還因糧食需求增加而上升，設定林地轉移為耕地概率增加20%。在C情景下，研究區強化城市資源環境底線約束并整治全域退化土地，參考規劃政策[20-21]并調試模型后設定耕地、草地轉移為建設用地的概率降低50%；并開展退耕還林、森林質量提升、森林草原休養生息等工作，設定林地轉移為草地的概率減少30%，林地轉移為耕地的概率減少50%。

表3 研究區2010—2020年土地利用轉移矩陣及概率Tab. 3 Land use transfer matrix and probability in the study area (2000-2010)

3）鄰域因子參數設定。鄰域因子反映了不同用地類型中間以及鄰域范圍內不同土地利用單元之間的相互作用[18]，其參數范圍為0~1，該數值與對應的用地類型擴展能力成正比。本研究使用極差標準化法對各土地利用類型變化量進行無量綱處理，并結合每類情景下各土地的不同擴展趨勢對鄰域因子參數進行調整，隨著生態修復力度的加強，耕地與草地的退化趨勢與建設用地的擴展趨勢會減弱，原有的林地和水體由于保護政策并不會發生明顯變化，最終確定多情景下研究區不同土地利用類型的鄰域因子（表5）。

表5 多情景下鄰域因子參數Tab. 5 Neighborhood factor parameters in multiple scenarios

4）轉移成本矩陣設定。轉移成本矩陣代表當前類型用地轉換為目標用地類型的可能，其中0代表不能轉換，1代表可能轉換。本研究根據研究區2000—2010年、2010—2020年的土地利用轉移歷史趨勢（表2、3）及規劃政策[20-21]確定了多情景下的轉移成本矩陣（表6）。A情景下，根據表2、表3中土地利用轉移概率i值大小來設定轉移成本為“1”或“0”，當任意一個時間段的i≥0.5時，認定為可能轉換，反之則不能轉換；但由于建設用地向耕地轉化的概率i值由14.36降至5.32，且在打造具有國際競爭力的現代化都市圈地區、推進城鎮化率上升至75%等目標下，建設用地向耕地、草地發生轉換的概率極小，故設定為不會發生轉換；另外構建以天府綠道體系為脈絡的生態網絡、打造龍泉山城市森林公園、健全城市綠地體系等措施，使得建設用地轉化為林地存在可能性[20]。B情景下，地區推進基礎設施同城同網、共建現代高效農業示范區，同時糧食需求增加，但疏于城鄉人居環境提升[20]，故在A情景基礎上，設定建設用地不會轉換為其他用地，耕地不會轉換為草地、水體。C情景下，綠化全川行動大規模開展，森林覆蓋率提高、草原濕地退化得到有效遏制，故在A情景基礎上，設定林地、草地與水體不會轉化為耕地。

表6 研究區土地利用轉移成本矩陣Tab. 6 Land use transfer cost matrix in the study area

5）精度驗證。以2010年土地利用數據為基礎通過FLUS模型預測2020年土地利用結果，利用2020年實際土地利用數據，通過精度驗證得到總體精度為0.89，Kappa系數為0.79，表明FLUS模型的模擬準確度較高，在本研究中適宜性較好。

2.3 基于FLUS-InVEST模型的碳儲量多情景模擬預測

InVEST模型是目前最成熟的生態系統服務評估模型，它擁有生境質量、碳儲量、水源供給等多個評估模塊[27-28]。其中碳儲量模塊是利用土地數據和4個碳庫（地上生物量、地下生物量、土壤、死亡的有機物質）的碳儲量來估算當前情景或一個時間段內的碳固持。死亡有機碳儲量因難以觀測且在綜合碳儲量中的占比極小，在本研究中不做計算。

模型的運行需要土地利用分布數據及各類型土地碳密度值，碳密度值可以從針對四川盆地或西南地區的生物與土壤碳儲量研究中得到[11,29]（表7）。此外，本研究將基于土地利用動態度得到的土地利用時空變遷結果與基于FLUS模型得到的2030年多情景下的土地利用結果，耦合InVEST模型進行計算，得到歷史及未來多情景下碳儲量時空特征。

表7 研究區各土地利用類型碳密度值[22-23]Tab. 7 Carbon density values of different land use types in the study area[22-23]t/hm2

3 結果與分析

3.1 2000—2020年碳儲量時空變化特征

3.1.1 碳儲量數量變化特征

根據InVEST模型計算，2000—2020年，研究區碳儲量呈先平緩上升再快速下降趨勢，碳儲量整體減少18.212×106t，降幅為1.41%。2000、2010、2020年研究區總碳儲量分別為12.915×108t、 12.924×108t、12.733 ×108t；2000—2010年研究區碳儲量平均每年緩慢增加9.27×104t，但2010—2020年平均每年減少量高達19.139×105t（圖2-1）。表明2000—2020年研究區為碳源，陸地系統的固碳能力被嚴重破壞，部分有機碳被轉化為CO2并釋放，給城市氣候環境帶來不利影響。

圖2 研究區2000—2020年及2030年多情景下各土地利用類型碳儲量Carbon storage of different land use types in the study area under multiple scenarios from 2000 to 2020 and 20302-1研究區2000—2020年各土地利用類型碳儲量Carbon storage of different land use types in the study area from 2000 to 20202-2研究區2030多情景下各土地利用類型碳儲量Carbon storage of different land use types in the study area under multiple scenarios in 2030

從各土地利用類型來看（圖2-1），2000—2020年耕地、林地為研究區的核心碳儲用地。耕地3期的碳儲量占比都大于60%，但其碳儲量不斷下降，主要由于成都平原的農田大面積減少、集中連片程度急劇降低；林地的碳儲量先上升再緩慢下降，草地的碳儲量與占比呈不斷下降趨勢，表明國土綠化工作雖有成效但力度不足，自然生態系統低質化明顯，森林、草原生態系統出現逆向演替現象；建設用地與水體的碳儲量的占比極少但都呈上升趨勢。

3.1.2 碳儲量空間變化特征

從空間分布來看，2000、2010、2020年研究區碳儲量總體呈現出西部優于東部、中部最低的特點（圖3-1~3-3），其中碳儲量高值區域有：西部龍門山脈與西南部邛崍山脈區域，呈片狀分布；中部龍泉山脈區域，呈帶狀分布；德陽市中江縣南部、簡陽市五鳳山森林公園以及眉山市仁壽縣東北部的區域，呈點狀分布。

圖3 2000—2020年碳儲量空間及變化空間分布Spatial distribution of carbon storage and changes thereof from 2000 to 2030

研究得到2000—2020年研究區碳儲量變化分布情況（圖3-4）。2000—2020年碳儲量減少主要發生在城市建成區、高速路網以及國省干道的周邊區域，其中變化顯著的區域有成都市郫都區、溫江區、雙流區、龍泉驛區、青白江區、金堂縣、天府國際機場，德陽市旌陽區、廣漢市，眉山市東坡區，資陽市雁江區、樂至縣。碳儲量增加主要發生在自然保護區周邊以及城郊地段，該類地區通過建立自然保護地體系來打造生態安全底線，陸地生態系統得到了有效改善。其中，碳儲量增加最顯著的區域為龍泉山脈周邊，龍泉山公園的建設打造了世界級綠心，極大改善了山脈周邊的碳儲量。此外，成都市繞城高速周邊區域的碳儲量顯著增加，得益于對繞城高速周邊即環城生態帶的大量綠化建設。

3.2 2030年多情景下碳儲量時空變化特征及對比

3.2.1 多情景下碳儲量變化特征及對比

根據FLUS-InVEST模型計算，相較于2020年，2030年3種情景下的碳儲量總量都將發生明顯下降（圖2），A、B、C情景下的碳儲量減少量分別為17.102×106t、22.401×106t、6.912×106t。B情景下，碳儲量下降速率為正常發展的1.3倍，研究區生態系統固碳功能受損嚴重并將面臨巨大的氣候變化壓力。而C情景下，碳儲量下降速率為正常發展的0.4倍，大量生態修復工作有效減緩了碳儲損失。

從各土地利用類型來看（圖2-2），3種情景下研究區的耕地的碳儲量均呈下降趨勢，未來需持續關注農田生態系統的健康；林地的碳儲量在A與B兩種情景下將分別減少3.32×106t與6.03×106t，但在C情景下將會增加3.60×106t，表明修復治理措施力度的加大能顯著改善林地的碳匯能力；草地與水體的碳儲量在多情景下由于土地面積變化不大，差異并不明顯。

3.2.2 多情景下碳儲量空間分布特征及對比

根據2030年多情景下的碳儲量的空間分布結果（圖4-1~4-3），在3種情景下，碳儲量高值區域的分布情況與2000、2010、2020年近似（圖3-1~3-3）。碳儲量低值區域則因情景不同差異較大：A情景的低值區域將侵占高速路網周邊用地，其中成都市第二繞城高速附近低值區域已明顯成環；B情景下，低值區域將以成都市為中心發展成網絡狀，線狀分布在高速路網兩側，點狀分布在國省干道及與水體周邊區域，并有連接四市行政中心的趨勢；C情景下，低值區域集中分布在成都市中心區，零散分布在其他三市區縣行政中心附近，另有部分碳儲量低值區域分布在高速路網沿線及附近地區，但該類區域未明顯連接。

圖4 2030年多情景下碳儲量空間及變化空間分布Spatial distribution of carbon storage and changes thereof under multiple scenarios in 2030

研究模擬得到2030年多情景下碳儲量的變化情況（表8）及空間分布（圖4-4~4-6）。A情景下，碳儲量減少的土地大多呈環帶狀分布在城市建成區周邊，少量分布在主要高速公路與國道兩側，極少量分布在成都市環城生態區、龍泉山脈等原本碳儲量高值區域；碳儲量增加的土地零散分布在原有自然保護區、自然風景區周邊。B情景下，碳儲量減少的土地分布位置與正常發展情景大致相當，但分布的范圍更廣、網絡化也更加明顯；該情景下各類生態系統遭受干擾并呈破碎化的風險更高，而其儲存的碳也更易損失；碳儲量增加的土地面積極小且分布情況極為零散。C情景下，碳儲量減少的土地主要以線狀或點狀分布在建成區周邊；碳儲量增加的土地主要分布在位于研究區西部的成都市大邑縣與邛崍市、中部的龍泉山脈、西部的德陽市中江縣，碳儲量生態系統服務的集中提升效果在空間上并不明顯。

表8 2030年多情景下研究區土地碳儲量變化情況Tab. 8 Changes of land carbon storage in the study area under multiple scenarios in 2030

4 結論

本研究采用FLUS-InVEST模型對研究區歷史及未來碳儲情況進行了定量計算與分析，發現生態修復將會顯著影響林地、草地與耕地的面積及分布，并作用于相應的森林、草原與農田生態系統碳儲量變化。研究結果能較好地從生態系統服務提升、土地綜合治理、區域生態品質提升等方面為研究區的國土空間生態修復規劃提供依據和參考。

2000—2020年碳儲量歷史時空變遷結果表明，研究區在20年間的城鎮建設用地快速擴張與生態本底保護工作不足，產生了農田生態系統破碎、森林、草地生態系統退化、生態本底破碎、生態系統服務變差等影響。盡管隨著四川省生態文明建設與公園城市政策的落實，生態惡化的趨勢基本得到遏制，但生態系統存在的許多威脅并未得到根本解決，部分修復治理工程忽視了生態演替的規律與內在機理。由此，本研究通過模擬2030年多情景下的研究區碳儲量情況，探究生態系統的固碳功能受到不同生態保護與修復政策影響時的差異，以指導形成更科學的國土空間生態修復規劃。

2030年多情景下碳儲量時空預測結果表明，生態修復力度的不足、對生態系統內在規律的忽視，將會對生態本底帶來巨大的壓力。而多情景下的碳儲量時空變化規律的對比結果，體現了現有《四川省國土空間生態修復規劃》[21]及《成都都市圈發展規劃》[20]中生態環境規劃的科學性：1）耕地碳儲量的損失反映出對成都平原林盤、土埂等生境進行修補的必要性；2）退耕還林還草、提高森林覆蓋率、完善城市公園體系等規劃措施對林地碳儲量的改善效果明顯；3）規劃持續推進龍泉山生態保護修復、加強大熊貓國家公園等地區的修復工程，能帶動該類區域附近的土地碳儲量增加；4）《成都都市圈發展規劃》[20]開展的天府綠道、生態宜居細胞、骨干道路景觀綠化等工程，有利于緩解高速路網、國省干道周邊用地碳儲量低的現象。

5 建議

通過模擬預測未來碳儲量得到生態系統固碳功能的演替變化，對研究區未來國土空間的保護與修復工作提出建議：1）未來的川西林盤保護修復工程除了圍繞成都市周邊的林地與耕地進行外，還應注重對德陽市中江縣與資陽市樂至縣林地、耕地的綜合治理，并通過劃定保護紅線、增加緩沖區等方式來鞏固該類碳儲量高值區域的穩定性；2）成都市第2、第3繞城高速附近土地固碳功能極易受損，在推進繞城高速公路綠化工作的同時，還應保護和提升周邊的森林、濕地、農田等生態系統的健康水平[30]；3）通過健全形態類型豐富的城市綠地體系、改善植被群落結構、環境污染治理等措施，保護龍泉山城市森林公園與成都市環城生態區等敏感區域的碳儲供給；4）生態系統內部作用關系錯綜復雜，應充分考慮研究區與周邊市、區、縣山水林田湖草沙的關系，實現系統性的生態修復，帶動并實現省域范圍內的生態系統固碳功能提升。

在完善生態修復進階工作的基礎上，研究區還需結合綠色交通出行、清潔能源使用、產業綠色轉型等措施來減緩CO2的排放，并通過建立碳排放交易體系、發展“負碳排”技術、推動綠色金融工具發展等措施為碳中和做支撐，才有望在未來實現碳的“零排放”目標。

致謝(Acknowledgements)：

感謝四川大學建筑與環境學院風景園林在讀碩士研究生魏琪力、何柳燕為本文數據計算與模型運行做出的貢獻。