基于Invest 模型和Flus 模型的江蘇省碳儲量變化模擬與預測*

吳先雯,郭風成

(江蘇師范大學地理測繪與城鄉規劃學院 徐州 221116)

全球變暖加劇,臭氧層空洞擴大[1],降低空氣中二氧化碳含量變得尤為迫切。工業化與城市化的快速發展,導致陸地地物類型發生顯著轉變,而不同土地利用類型固碳能力存在一定差異,因此陸地系統的固碳量隨土地利用類型轉變而發生變化。陸地是碳氧循環的重要組成部分[2],地表植被在其中發揮了關鍵作用,有效獲取陸地表面植被信息可為陸地“固碳”能力反演提供重要支撐。土地利用類型變化是掌握陸地植被信息的重要依托,因此,科學模擬不同土地利用類型變化及其對碳儲存量影響,對“固碳”研究具有重要意義。

傳統碳儲存量測量方法有很多,如生物量法[3-6]、蓄積量法[7-8]、Markov-Plus 模型法[9]、Invest 模型[10]等。生物量法和蓄積量法主要應用于森林碳儲量計算[11-14],需大量實測數據,且模型不夠簡潔、高效。Markov-Plus 模型中CA-Markov 模型可用于土地利用變化預測,但在探索土地利用轉化規則中存在不足[15]。Invest 模型可用于碳儲量計算[16-19]、生境質量評估[20]、土壤侵蝕和土壤保持狀況[21]以及水源涵養功能研究[22]等,適用情形較多。

碳儲量測量一定程度上依托土地利用變化類型,而有效預測土地利用類型,可為碳儲量測量提供基礎數據支撐。Flus 模型是有效且常用的土地利用變化模擬與預測模型之一[23-24],其源自元胞自動機(CA),并在傳統CA 基礎上做了如下改進: 首先基于神經網絡算法(ANN)從一期土地利用數據與包含人為活動以及自然效應的多種驅動力因子(氣溫、降水、交通、區位、政策等)中獲取各土地利用類型在研究范圍內的適宜性概率;其次采用從一期土地利用分布數據中采樣的方式,較好避免了誤差傳遞;最后,在土地變化模擬過程中,提出一種基于輪盤賭選擇的自適應慣性競爭機制,能有效處理多種土地利用類型在自然作用與人類活動共同影響下發生相互轉化時的不確定性,故Flus 模型具有較高的模擬精度并且能獲得與現實土地利用分布相似的結果。

目前對于省域的碳儲量研究較多,但對江蘇省碳儲量變化研究還相對較少。江蘇省是著名的經濟強省,經濟總量僅次于廣東省,位列全國第二。為積極響應江蘇省政府倡導建設的“富強美高”新江蘇,同時更好地配合長江三角洲地區綠色生態屏障建設等工作,本研究基于Invest 與Flus 耦合模型,分析了近年來江蘇省碳儲量變化情況,并預測了自然發展情景下和生態保護情景下的碳儲量變化情況,旨在為江蘇省更好地保護生態環境,推進城市發展提供科學依據和建議,亦可為我國省域范圍的碳儲量研究提供重要補充。

1 研究區域及研究數據

1.1 研究區域

江蘇省地處長江三角洲地區,位于116°18′～121°57′E,30°45′～35°20′N 之間,總面積10.72 萬km2,地貌包含平原、山地和丘陵3 種類型,以平原為主,地勢起伏整體較小。江蘇省湖泊眾多,河網密布,海陸相鄰,是全國唯一擁有大江大河大湖大海的省份,水域面積約占全省面積的16.9%。江蘇省地處南北氣候交匯處,是溫帶季風氣候和亞熱帶季風氣候的過渡地帶,年降水量多,雨熱同期。江蘇省是我國最發達的省份之一,同時也是我國積極推行建設生態大省的省份之一。江蘇省2020 年土地利用分類及地理位置如圖1 所示。

圖1 江蘇省2020 年土地利用類型分布Fig.1 Land use types in Jiangsu Province in 2020

1.2 數據來源

研究所用的2000 年、2010 年以及2020 年的土地利用類型數據來源于公開網站GlobeLand30(http://www.globallandcover.com/);江蘇省高程數據來自地理空間數據云(http://www.gscloud.cn),坡度數據、坡向數據使用ArcGIS 10.2 軟件對高程數據處理得到;江蘇省行政區劃矢量圖、河流數據、湖泊數據、歸一化植被指數(NDVI)數據及國內生產總值(GDP)數據來源于中國科學院資源環境科學與數據中心,并通過ArcGIS 10.2 處理得到(將矢量數據轉為柵格數據,網址為: https://www.resdc.cn/)。因目前對江蘇省碳密度研究較少,故碳密度數據參考景曉瑋[25]的研究,利用全國及其他省份碳密度數據,具體數值見表1。

表1 江蘇省各土地利用類型的碳密度[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

陸地生態系統儲存的碳比大氣中存儲的碳更多[26],故其對受二氧化碳含量影響所驅動的氣候變化至關重要。Invest 模型中的碳儲存和封存模塊使用土地利用柵格數據以及4 個碳庫(地上生物量、地下生物量、土壤和死亡有機質)的存量來估算當前景觀中儲存的碳量或未來年份的碳封存量。Invest 碳儲存和封存模型根據用戶提供的土地利用柵格地圖,分類匯總這些碳庫中儲存的碳量。計算方式如公式(1)所示:

式中:Ctotal為總碳儲量(t?hm?2),Cabove為地上碳儲量(t?hm?2),Cbelow為地下碳儲量(t?hm?2),Csoil為土壤碳儲量(t?hm?2),Cdead為死亡有機物碳儲量(t?hm?2)。各部分碳儲量計算根據Invest 模型的“碳儲存與封存模塊”中的用戶手冊,在ArcGIS 10.2 中加載生成各碳庫圖層,根據圖層中的像元數量與噸數相乘得到各碳庫的碳儲量。

Invest 模型涉及的參數主要有: 現有土地利用數據、碳庫數據以及未來土地利用數據。其中,Invest 模型涉及的未來年份土地利用數據由Flus 模型提供(2030 年及2050 年不同情景下預測的土地利用數據),Invest 模型完成各土地利用類型碳儲量柵格圖層生成后可根據其用戶指南,查詢具體單位,然后在ArcGIS 10.2 中查看碳儲量圖層數據并進行計算。

2.2 Flus 模型

Flus 模型是一種用于模擬人類活動與自然影響下土地利用變化以及未來土地利用情景的模型。首先需驗證Flus 模型在本研究中的適用性。驗證過程如下: 基于Flus 模型CA 模塊與2000 年各種土地利用類型數據,預測2010 年土地利用類型結果,并與真實的2010 年土地利用類型比較,獲取Kappa 系數,為0.7950。同理獲取2010 年與2020 年土地利用類型差異Kappa 系數0.7951,取均值為0.795,滿足精度要求[27],故Flus 模型可用。需說明,通過在ANN 模塊中添加驅動力因子(即坡度等數據)處理已知年份土地利用數據,以得到CA 模塊中各土地利用類型預測概率。

接下來采用Flus 模型中的Markov Chain 模塊對2030 年和2050 年土地利用類型的像元數量進行預測(表2),將預測的像元數填入CA 模塊,生成未來年份(2030 年、2050 年)的土地利用適宜性圖集,并生成未來土地利用類型柵格數據,該柵格數據將為Invest 模型計算碳儲量提供基礎數據支撐。

表2 各土地利用類型2030 年和2050 年像元數量Table 2 Pixels allocated to each land use type in 2030 and 2050

此外,需特別強調在CA 模塊計算中,成本矩陣與鄰域因子設置對土地利用適宜性圖集的生成均十分重要。成本矩陣是表示土地利用類型轉換設置的矩陣,不同情景的成本矩陣參考方贊山等[28]進行預先設定(表3),其中“0”表示土地利用類型不允許轉換,“1”則表示允許轉換。

表3 Flus 模型CA (元胞自動機)模塊中不同土地利用類型、不同情景下的成本矩陣Table 3 Cost matrix for different scenarios for different land use types in the CA (Cellular Automata) module of the Flus model

在預測未來土地利用適宜性圖集時,需考慮地塊類型擴張力。鄰域因子是反演地塊類型擴張力的重要指標,其具體計算方法參考文獻[29]。地物類型擴張一定程度上會受到生態保護政策影響?；诮K省退耕還林還草等政策,本研究計算了自然發展情景與生態保護情景兩種狀態下的鄰域因子。

1)在自然發展情景中,延續土地利用類型變化情景,分別計算得到耕地、林地、草地、水域、建筑用地和未利用地的鄰域因子為0.00、0.52、0.52、0.51、1.00 和0.51。

2)在生態保護情景中,因江蘇省和安徽省的自然、經濟等方面條件相似,參考孫方虎等[30]的研究,將耕地、林地、草地、水域、建筑用地和未利用地的鄰域因子分別設置為0.80、1.00、0.55、1.00、0.95 和0.54。

通過Flus 模型獲取不同情景、不同年份的土地利用數據后,使用Invest 模型計算2030 年和2050 年不同土地利用類型的碳儲量。

2.3 空間相關性分析

為進一步說明江蘇省各地級市碳儲量空間分布情況,本研究基于GeoDa 1.20 和ArcGIS 10.2 軟件,采用全局莫蘭指數、局部莫蘭指數及熱點分析,對江蘇省各地級市碳儲量空間分布規律進行探索。方法具體如下: 首先基于ArcGIS 10.2 軟件將3 年碳儲量添加至江蘇省行政區矢量數據的屬性字段;其次利用GeoDa 1.20 軟件加載該圖層并創建空間權重;接下來采用全局莫蘭指數對江蘇省各地級市碳儲量聚集情況進行分析,若存在聚焦,則采取局部莫蘭指數作進一步分析,以獲取聚集區域;最后,使用Arc-GIS 10.2 進行熱點分析,以驗證獲取的碳儲量省內空間分布狀況,保證結果合理性。

3 結果與分析

3.1 江蘇省碳儲量時序分析

2000—2020 年江蘇省各土地利用類型碳儲量、固碳能力如表4 所示,各土地利用類型2000—2020年的面積及變化如表5 所示。

表4 2000—2020 年江蘇省各土地利用類型碳儲量及固碳能力(單位像元碳儲量)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 年江蘇省各土地利用類型面積變化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,江蘇省碳儲量總體呈下降趨勢,由1803.958×106t (2000 年)下降至1764.837×106t (2010 年),最后降至1641.008×106t(2020 年),這是由于近20 年來,江蘇省快速的工業化、城鎮化建設,林地、耕地等土地利用類型部分用作建設用地,使得固碳能力被削弱。2010—2020 年的碳儲量下降量(123.829×106t)遠大于2000—2010 年碳儲量下降量(39.111×106t),這是由于2010—2020年間,江蘇省處于飛速發展時期,對土地需求顯著增多,建筑用地增加約8328.200 km2,耕地面積減少約9847.051 km2,且這10 年建筑用地增加速率與耕地面積減少速率均遠高于2000—2010 年,與碳儲量變化規律相佐證。

此外,由表4 可知,2000—2020 年,林地、草地、未利用地的碳儲量總體呈增加趨勢,與表5 獲取的3種土地利用類型面積變化情況總體對應?；诟鞣N土地利用類型面積變化情況可判斷,上述3 類土地利用類型的增加主要由耕地轉化而來。在江蘇省各土地利用類型中,耕地碳儲量占比最大,2000 年、2010 年、2020 年分別占比91.26%、89.89%、85.74%,呈下降趨勢。耕地碳儲量占比趨勢下降,直觀反映出此階段江蘇省城鎮化建設轉化了大量耕地面積。其他各土地利用類型對總碳儲量貢獻相對較小。由各土地利用類型30 m×30 m 像元的碳儲量可知,林地固碳能力最強,單位像元碳儲量最大(435 t),其次為耕地(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),與解憲麗等[31]研究相互佐證。

3.2 江蘇省碳儲量的空間分布

江蘇省內總碳儲量變化及江蘇省各地級市碳儲量變化如表6 所示。由表6 可知,各市碳儲量差異較大。蘇北地區(包括徐州市、連云港市、宿遷市、淮安市、鹽城市,下同)由于耕地面積較多,碳儲量較高,其中鹽城市碳儲量在江蘇省占比最大,約占省總碳儲量的16.12% (2000 年、2010 年、2020 年3 年均值,下同);徐州市為蘇北地區次高碳儲量地級市,約占省總碳儲量的11.88%;淮安市碳儲量為162.102×106t,存在部分高值區,主要分布于淮安市西南區域(多為公園林地等生態區);連云港市碳儲量為128.428×106t,略低于宿遷市,但需要指出,2000—2020 年間連云港市碳儲量呈增加趨勢,其在2000—2010 年間和2010—2020 年間的上升幅度分別為2.02%與1.16%,這與連云港市在相應階段經濟發展趨勢有關。蘇中地區(包括揚州市、泰州市、南通市,下同)碳儲量沒有顯著高值區,總體分布呈均勻狀態。蘇南地區(包括無錫市、蘇州市、南京市、鎮江市、常州市,下同)主要位于長三角核心地帶,城市發展較快,城市綠化較好,故高值區較多,其中南京市和蘇州市較突出,碳儲量分別達到126.269×106t 和96.962×106t;無錫市碳儲量為江蘇省內最少,僅占江蘇省碳儲量的4.12%。

表6 2000—2020 年江蘇省各地級市碳儲量變化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 年江蘇省碳儲量全局莫蘭指數的P值分別為0.067、0.049、0.035,z值分別為1.715、1.882、2.043,表明3 年間江蘇省碳儲量分布呈一定的空間相關性[32]。

局部莫蘭指數(圖2)表明,2000—2010 年,位于西南部的南京、無錫、常州的碳儲量分布呈低-低聚集,表明上述3 市的碳儲量較低,且呈空間聚集狀態,此3 市面積較小,經濟發展和生態保護程度相近。2000 年和2010 年位于東北部連云港市的碳儲量較高,但是由于其周圍的鹽城、徐州等市的碳儲量更高,所以連云港市呈空間低-高分布;2020 年,各市碳儲量空間相關性發生了變化,位于西南部的無錫、常州、鎮江呈低-低分布,主要是由于3 市的碳儲量相近,且總體均呈下降趨勢;連云港市2020 年呈現高-高聚集,首先是由于連云港市是唯一一個碳儲量在2000—2020 年間呈增長趨勢的城市,其次是因為連云港市周圍的徐州市、鹽城市都是碳儲量高值區。

圖2 2000—2020 年江蘇省碳儲量的空間分布特征Fig.2 Spatial distribution of carbon storage in Jiangsu Province in 2000,2010,and 2020

此外,基于ArcGIS 10.2 熱點分析(圖3)可知,位于南部的鎮江市、常州市和無錫市在2000 年、2010 年、2020 年為冷點,即3 個城市碳儲量呈低-低聚集狀態,與GeoDa 1.20 獲取的結果相印證,進一步說明上述3 個城市因面積所限碳儲量較低。其余地區冷熱點均不顯著?；贏rcGIS 10.2 和GeoDa 1.20 軟件分析的結果進一步闡明了江蘇省碳儲量空間分布情況,有利于省內各市政府針對性實施生態保護政策。

圖3 2000—2020 年江蘇省平均碳儲量熱點分析Fig.3 Hotspot analysis of average carbon storage in Jiangsu Province from 2000 to 2020

3.3 不同情景下江蘇省碳儲量預測

江蘇省2030 年和2050 年自然發展情景和生態保護情景下各土地利用類型面積及其碳儲量如表7和表8 所示。

表7 2030 年和2050 年江蘇省2 種情景下各土地利用類型的面積變化預測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 年江蘇省2 種情景下各土地利用類型的碳儲量變化預測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、草地以及水域面積生態保護情景高于自然發展情景,其對應碳儲量亦相應增加(除水域外,因水域碳庫密度為0),而耕地、建筑用地面積及碳儲量均呈減少趨勢。未利用地面積總體較小,且固碳能力微弱,其碳儲量變化可忽略。綜合可得,生態保護政策下,耕地、建筑用地以及未利用地主要轉換為林地、草地與水域。2050 年各土地利用類型面積與碳儲量變化趨勢與2030 年大體一致。

由表8 可知,生態保護情景下,2030 年與2050 年總碳儲量較自然發展情景提升6.069×106t 與5.861×106t?；诒? 可知,2010—2020 年,江蘇省碳儲量呈下降趨勢,而表8 預測的2030 年碳儲量較2020 年增高,且持續增高至2050 年,這與現行已落實的生態保護政策相對應。

4 討論

4.1 江蘇省碳儲量估算及預測分析

土地利用數據獲取與預測是基于Invest 模型和Flus 模型對大尺度區域進行碳儲量模擬和預測的關鍵,其決定了碳儲量模擬與預測精度。本研究采用的土地利用數據為30 m×30 m 分辨率,精度較高,能較好地揭示不同時期、不同地區碳儲量及其分布,李小軍等[33-36]用同樣方法亦取得了較好的結果。

研究結果表明,2000—2020 年,江蘇省碳儲量總體呈下降趨勢,且2010—2020 年下降幅度大于2000—2010 年,表明碳儲量變化與城市經濟發展存在一定負相關,與揣小偉等[37]研究結論一致。耕地在所有土地利用類型中,對碳儲量貢獻最大(占全省88.96%),與于芝琳等[38]研究相符。2000—2020 年耕地面積下降,建筑用地面積增加,部分土地轉為未利用地,這與江蘇省同期碳儲量減少相印證。

對江蘇省各市碳儲量空間相關性分析發現,蘇南地區部分地級市間存在低-低聚集現象,說明該區域城市碳儲量普遍較低且呈現聚集狀態,同時該區域亦存在部分碳儲量高值區,這從側面說明蘇南部分城市雖受行政面積限制碳儲量總體較低,但其較好的生態保護措施能在一定程度上提升其碳儲量。因此,江蘇省在推行生態保護政策時,可參考蘇南地區部分城市措施,以推動全省生態保護。2000—2020 年連云港市碳儲量與其他城市表現出的下降狀態不同,不降反升,這主要與連云港市注重濕地保護,推進鹽堿地綠化,加快城市建成區園林綠地面積擴展,積極建設生態走廊,推進林蔭道路建設和街巷立體綠化等措施有關。研究還將GeoDa 1.20 的局部莫蘭指數與ArcGIS 10.2 的熱點分析結合,分析了江蘇省碳儲量空間分布格局特征。胡佶熹等[39]的研究也利用了空間分析方法探討不同地區碳儲量分布格局,但未能通過多種空間分析方法相互印證,本研究通過不同軟件、方法相結合途徑,采用多方對比結果彌補了這一不足。

2030 年和2050 年江蘇省碳儲量生態保護情景高于自然發展情景,2030 年自然發展碳儲量大于2020 年碳儲量,故可知在過去10 年間,江蘇省碳儲量由下降轉變為上升,但上升幅度較小,主要是由于土地利用類型變化速度減緩,各種土地利用類型發展趨勢逐漸趨于飽和,且江蘇省各地逐漸注重生態保護等造成。研究結果說明生態保護政策有利于提高江蘇省碳儲量,與李月等[40]和王子昊等[41]分析結果相對應。

此外,本研究通過降低建設用地鄰域因子,提高林地、耕地鄰域因子等設置生態保護情景,通過為同一土地利用類型設置不同鄰域因子以體現生態保護情景與自然發展情景差異,更便捷、高效,無需大量實驗模擬數據[42]。綜上可知,積極實施生態保護政策,在適宜地區擴大林地、草地面積,適當退耕還林有利于增加碳儲量。

4.2 不確定性分析

本研究采用Invest 模型和Flus 模型進行碳儲量分析和預測,一定程度上能夠對江蘇省碳儲量和土地利用變化進行預測,但因Flus 模型驅動力因子較為簡單,僅考慮了自然、經濟、社會方面部分內容,故未能完全展現對土地利用變化影響的各個因子。此外,因未查找到較為精確的江蘇省各土地利用類型碳庫數據,故采用的各土地利用類型碳庫數據是根據全國均值設置的,無法準確地代表江蘇省情況,后續研究中可采用更高精度的江蘇省各土地利用類型碳庫數據。

5 結論

2000—2020 年間,江蘇省總碳儲量從1803.948×106t 下降至1641.008×106t,這與江蘇省工業化、城鎮化建設導致的土地利用變化有關。不同土地利用類型中,耕地碳儲量下降最多(239.494×106t);建設用地碳儲量增加最多(63.759×106t);部分耕地轉變為建筑用地,這在一定程度上促進了建筑用地碳儲量的增加。

江蘇省各種土地利用類型中,耕地對碳儲量貢獻最大,占總碳儲量88.96%,其余土地利用類型對碳儲量貢獻較小,這與各土地利用類型的固碳能力有關,也與各土地利用類型的面積有關。林地固碳能力最強,單位像元碳儲量最多,約為435 t;耕地次之,單位像元碳儲量為258 t。

江蘇省在自然發展情景和生態保護情景下碳儲量存在差異,2030 年和2050 年自然發展情景下碳儲量分別為1701.778×106t 與1702.002×106t,生態保護情景下分別為1707.846×106t 和1707.863×106t。由此可知,積極實施生態保護政策有利于江蘇省碳儲量增加。