2. 江苏省地理信息资源开发与利用协同创新中心, 南京 210023;
3. 南京师范大学虚拟地理环境教育部重点实验室, 南京 210023
近些年来关于土地利用/覆被变化(LUCC) 的研究一直是热点问题,研究涉及LUCC对水环境、土壤、大气等诸多方面的影响,大多聚焦于对LUCC的空间分布以及变化过程进行评估、预测和影响分析[1]。随着人类活动强度和广度的增加,LUCC对碳库的影响逐渐受到关注[2]。据报道,由LUCC引起的碳排放量占人类活动碳排放总量的1/3[3],对温室效应贡献率约为24%[4]。我国CO2排放量呈逐年增长趋势,对世界碳排放总量的贡献居于第二位[5],面临着巨大的环境压力。特别是21世纪以来,太湖流域社会经济飞速发展,建设用地不断扩张,挤占其他土地利用类型的空间,土地利用类型的变化刺激了碳排放[6]。目前研究大多是基于统计学和文献荟萃的方法,选用碳排放系数进行分析[7-8],对流域土地利用变化趋势下碳排放量预测及对碳达峰时间的响应研究较少。为响应国家“碳达峰”和“碳中和”战略目标,引导流域低碳发展,本文通过对太湖流域2000—2020年土地利用数据进行动态度、状态指数和转移概率计算,量化流域不同历史时期土地利用变化导致的碳排放变化,并在此基础上,应用马尔科夫模型预测2030—2040年期间土地利用碳排放量的变化趋势,以给出流域土地利用管理建议与碳减排对策,为太湖流域土地利用规划的制订提供依据。
1 材料与方法 1.1 研究区概况太湖流域位于长三角地区,河网密集,东北向与长江连通(图 1)。流域行政区划上包含江苏省苏、锡、常三市和丹阳市,浙江省嘉兴市、湖州市和杭州部分县,上海市的大部分及安徽省小部分县区,流域总面积约36 900 km2[9]。结合国家土地利用现状分类(GB/T21010—2017)[10],将太湖流域土地利用类型分为5大类:耕地、林地、草地、水域和建设用地。流域80% 的平原区以耕地和建设用地为主[11]。近年来,随着社会经济发展和城镇化率的提高,太湖流域人地矛盾和生态环境问题日益严峻[12]。
![]() |
图 1 太湖流域区位图 Fig. 1 Location of Taihu Lake basin |
本文基于2000年、2005年、2010年和2020年4期30 m×30 m太湖流域土地利用数据(国家基础地理信息中心全球地表覆盖数据产品服务网站,http://www.globeland30.org),采用ArcGIS10.6进行空间配准和叠置分析,在IDRISI 17.0软件中制作适宜性图集[13],进行模拟及碳收支估算。本文采用的碳排放系数来源:建设用地、耕地、林地的碳排放系数为国家自然资源部[14]公布的系数值,草地碳汇系数出自文献[15-16]对中国陆地植被碳汇的估算,是中国草地年均碳汇与总面积的比值,水域碳汇系数来自文献[17]。建设用地碳排放源包括居住区取暖、交通尾气排放、工矿用地工艺排放等;耕地碳排放源考虑化肥、农药、农膜、农机、柴油等的使用。
由于参数选取与取值会对研究结果产生不同程度的误差,存在一定的不确定性,所以在估算前本文采用水晶球软件Crystal Ball对参数进行蒙特卡洛(Monte Carlo)不确定性分析[18],定义假设:设定各排放因子的分布状态是正态分布,然后对土地利用造成的总碳排放量进行定义预测。软件运行10 000次假设实验,得到排放量正态分布曲线,置信区间取2.5% 的和97.5% 的值,两者之差为平均值。相对正的随机抽样误差由97.5% 处的值和平均值的差除以平均值得出,相对负的随机抽样误差则由2.5% 处的值和平均值之差除以平均值得出。以某一年数据为例进行分析计算出相对负的随机抽样误差为–19.76%,相对正的随机抽样误差为19.79%,因此,基于平均值的相对随机误差为–19.76% ~ +19.79%。
1.3 土地利用与碳排放算法 1.3.1 土地利用动态度算法单一土地利用动态度[19]是描述不同土地利用类型在一定时间段内的变化速度和幅度的指标,能直观反映某一土地利用类型相对于自身变化程度和速度的剧烈性,进而反映出人类活动对单一土地利用类型的影响,算法见公式(1)。利用此模型可对研究区内各种土地利用类型之间的变化速度作分析比较。
$ M = \frac{{{m_2} - {m_1}}}{{{m_1}}} \times \frac{1}{T} \times 100\% $ | (1) |
式中:M为研究时段内单一土地利用动态度(%),M若为正值,则该类土地面积有增大趋势,反之有减少趋势;m1和m2是研究期初和期末某一土地类型数量(hm2);T为研究时段(a)。
土地利用状态指数[20]能够反映土地利用类型转换趋势和状态,计算公式见式(2)。
$ {D}_{i}=\frac{{v}_{转出}—{v}_{转入}}{{v}_{转出}+{v}_{转入}}(-\text{1} < {D}_{i} < \text{1}) $ | (2) |
式中:Di为研究时段内第i种土地利用类型的状态指数;v转入为土地利用类型的转入速度,v转出为土地利用类型的转出速度。
1.3.2 碳收支系数与计量方法太湖流域碳收支系数见表 1,其中正为碳排放,负为碳吸收。土地利用碳排放与吸收量计算方法[21]如式(3)。
$ C_i = S_i \times K_i $ | (3) |
![]() |
表 1 土地利用碳收支系数(t/(hm2·a)) Table 1 Carbon budget coefficients of different land use types |
式中:Ci为第i种土地利用类型的碳吸收量或碳排放量(t);Si为第i种土地利用类型的面积(hm2);Ki为第i种土地利用类型的碳吸收/排放系数(t/(hm2·a))。
1.3.3 土地利用预测方法本文采用IDRISI 17.0软件进行LUCC预测分析,预测流程如图 2所示。将数据在ArcGIS中标准化处理后导入IDRISI中重分类。运用IDRISI对CA-Markov模型整体精度进行评估[22],精度结果为0.89,可用于预测。
![]() |
图 2 土地利用预测流程 Fig. 2 Land use prediction process |
太湖流域坡度范围为0 ~ 82°,高坡度区集中于西南方向的山地和丘陵,呈现周边高中间低的凹形地势。由于西南向的高坡度区会对土壤侵蚀及水土流失产生较大影响进而影响污染物迁移,考虑利用坡度来避免演变方向朝不适宜坡度区发展,故本研究选取坡度作为土地利用类型适宜性图集评价因子。制作耕地适宜性图采用最小因子决定法。太湖流域适合耕地作业的坡度为 < 15°,将坡度用重分类工具分为0和1两类(作为MCE多准则评价标准方法之一的布尔交集运算中,1代表满足需要区域,0代表除此之外的区域),水域为非耕区,设为0,代表限制耕地向水域发展,叠加得到除去水域后适宜耕地发展的适宜性图。同理考虑适合建设用地发展的坡度为 < 10°;草地和林地满足所有坡度条件。将得到的各适宜性图组合成研究区适宜性图集。随后在Markov模块中导入各时期土地利用图,误差因子设为0.15,得到不同时期各土地利用类型转移概率矩阵。在CA-Markov模块中导入初始土地利用图和转移概率矩阵,元胞自动机迭代次数为年份间隔的整数倍,从而得预测年份土地利用图。
1.3.4 马尔科夫(Markov)预测模型Markov预测是一种定量揭示各土地利用类型之间相互转化和转移速率变化的模型[23]。确定土地利用类型间相互转化的初始转移概率矩阵P是模型的关键[24],其数学表达式为公式(4)。
$ {\boldsymbol{P}} = ({P_{ij}}) = \left[ {\begin{array}{*{20}{c}} {P11}&{P12}&{...}&{P1N} \\ {P21}&{P12}&{...}&{P2N} \\ {...}&{...}&{...}&{...} \\ {PN1}&{PN2}&{...}&{PNN} \end{array}} \right] $ | (4) |
式中:P为期初到期末一种土地类型转为另一种类型的概率,N为土地利用类型的数量,P和N要满足公式(5)的条件。
$ 0 \leqslant {P_{ij}} \leqslant 1, \sum\limits_{j = 1}^N {{P_{ij}} = 1} $ | (5) |
因此,所要预测的土地利用的状态概率向量P(n),由其初始土地利用状态概率向量P(n–1)和转移概率矩阵Pij确定[25-26],具体见公式(6)。
$ P(n) = P(n - 1){P_{ij}} $ | (6) |
2000—2020年,太湖流域土地利用类型变化最大的是建设用地和耕地(图 3)。在此期间,建设用地和水域面积分别增长了87.66% 和22.35%,耕地和林地面积分别减少了25.61% 和9.38%。
![]() |
图 3 2000—2020年太湖流域不同土地利用类型面积占比变化(%) Fig. 3 Proportions of different Land use type in Taihu lake basin during 2000—2020 |
土地利用动态度结果表明,两个时间段内草地、水域和建设用地面积均有增加趋势,林地和耕地面积有减少趋势(图 4A)。草地动态度变化最大,从0.30% 变化到26.36%,动态度增加26.06个百分点;其次是建设用地,动态度从7.61% 变化到0.68%,减少6.93个百分点。草地呈现先转出后转入趋势,林地呈现先转入后转出趋势,建设用地一直处于转入状态,相反耕地则一直处于转出状态(图 4B)。
![]() |
图 4 单一土地利用动态度及土地利用状态指数 Fig. 4 Single land use dynamics and land use status index |
土地利用转移概率矩阵(表 2)显示,2000—2020年太湖流域各类用地之间互有转换。其中,2000—2005年耕地主要转入类型为建设用地和林地,主要转出类型为建设用地和水域;建设用地主要转入类型为耕地和水域,主要转出类型为耕地;2005—2010年建设用地转为耕地的概率与前5年持平,而耕地转为建设用地的概率增加了0.4,说明这一时期城市化进程在加快;2010—2020年,耕地转为建设用地的概率降至0.23,相较于2005—2010年期间降低了0.02,而建设用地转为耕地的概率增至0.32,增幅较大,推测可能与国家实施建设用地管控及基本农田保护政策关系较大。
![]() |
表 2 土地利用转移概率矩阵 Table 2 Transfer probability matrix of land use |
各时间段内土地利用变化面积与变化率见表 3。建设用地面积年变化率较大且始终为正,说明建设用地面积持续在增加,近10年来增幅有放缓趋势,说明政府对建设用地的管控收到了效果;与之相反的是耕地面积年变化率较大且为负,持续在减少,近10年来降幅变缓;草地年变化率由负转正,面积由减少转变为增加,可能与退耕还草和湖滨带建设有关;林地呈现先增加后减少趋势,变化幅度不大;水域面积缓慢增加,可能与流域调水有关。综上,近20年来人类活动对太湖流域耕地和建设用地影响最大,对林地、草地和水域也有不同程度影响。该研究结果与土地利用状态指数变化指示结果一致。
![]() |
表 3 太湖流域土地利用类型变化幅度 Table 3 Change magnitude of land use types in Taihu Lake basin |
为预测太湖流域2030—2040年土地利用类型,本研究构建CA-Markov预测模型并采用2000—2005年土地利用图对2010年进行预测,输出结果与2010年实际土地利用作叠置分析来进行精度检验[27]:运用ArcGIS中的“相交”模块和IDRISI的“CROSSTAB”模块,进行Kappa系数检验。从表 4和图 5对比结果可知,CA-Markov模型Kappa系数为0.85,模拟结果精度较高,与实测值差别较小。
![]() |
表 4 2010年土地利用实际与模拟结果对比 Table 4 Comparison of real and simulated land use patterns in 2010 |
![]() |
图 5 2010年土地利用类型实际分布和模拟结果对比 Fig. 5 Comparison of real and simulated land use spatial distribution in 2010 |
2030年和2040年土地利用预测分别依据2010—2020年和2020—2030年土地利用数据结合CA-Markov模型模拟得到。2030—2040年太湖流域土地利用预测图如图 6所示,预计草地、水域和建设用地处于增长状态,林地和耕地处于不断减少状态。
![]() |
图 6 CA-Markov模拟下的2030—2040年土地利用图及面积占比 Fig. 6 Land use map of 2030—2040 under CA-Markov simulation and proportion of land use |
由土地利用类型转移矩阵结合碳排放系数发现,各地类间转移碳排放量与转向地类碳汇能力相关。对太湖流域整个研究期土地利用造成的碳排放转移情况进行分析,结果(表 5)表明,建设用地转出导致碳汇增加最大,林地转出导致碳流失最多。林地是主要的碳汇地类,向建设用地和耕地转移使得碳汇减少。虽然碳源地类向碳汇地类进行转化,但是不及建设用地扩张的速度以及各碳汇地类向建设用地转换的速度。
![]() |
表 5 2000—2040年各土地利用类型碳排放转移矩阵(t) Table 5 Transfer matrix of carbon emission of land use types from 2000 to 2040 |
从太湖流域2000—2040年各土地利用类型碳排放量(表 6)可知,2000—2020年,建设用地碳排放量增加了2 948.05万t,在碳源中的比例从97.68% 增加到2020年的99.07%,对净碳排放量贡献率增幅较小(98.97% ~ 99.82%);耕地碳排放量从79.43万t减少到59.09万t,减少了25.61%。耕地在2000年和2020年碳源中的比例分别为2.32% 和0.93%,建设用地的贡献率远超耕地。2020—2040年,建设用地碳排放量增加426.83万t,总体呈现上升趋势,对碳源的贡献较大(99.07% ~ 99.26%);耕地碳排放量减少8.95万t,对碳源的贡献为0.74% ~ 0.93%。在碳汇方面,2000—2020年,水域、林地和草地吸收对碳汇的贡献分别为47.97% ~ 55.35%、44.41% ~ 51.96% 和0.06% ~ 0.23%;2020—2040年,分别为55.35% ~ 63.94%、35.37% ~ 44.41% 和0.24% ~ 0.69%。
![]() |
表 6 太湖流域2000—2040年各土地利用类型碳排放量(万t) Table 6 Carbon emissions under different Land use types in Taihu lake basin from 2000 to 2040 |
碳源、碳汇差值即碳收支[28]。太湖流域2000—2040年各土地利用类型的碳收支见表 7。2000—2020年,太湖流域土地利用净碳排放量增长了0.87倍(3 379.77万t ~ 6 719.70万t),碳源/碳汇的比值升高了1.75倍(76.19 ~ 133.77)。林地、草地和水域具有碳汇作用,因该阶段其面积变化不大导致流域碳汇变化较小。碳源变幅较大,主要是由于2000年以来经济迅猛发展,城镇化进程加快,导致建设用地不断扩张带来碳排放量增加。从模型预测的结果可以看出,太湖流域2020年以后碳排放量增速比较缓慢,净碳排放量呈现缓慢上升趋势,说明未来国家的管控政策和人们对于环境保护的重视程度将越来越大。
![]() |
表 7 太湖流域2000—2040年各土地利用类型碳源碳汇量(万t) Table 7 Carbon source and sink of land use types in Taihu lake basin from 2000 to 2040 |
地均碳排放强度指的是研究区域单位土地面积上的净碳排放量,该值大小反映了研究区域内土地利用的环境友好性,在一定土地面积下,该值越小,即单位土地面积上的碳排放强度越小,研究区域内的环境越友好[29]。2000—2020年,太湖流域地均碳排放强度整体呈上升趋势(9.34 ~ 17.42 t/hm2),说明土地利用环境友好性不断下降;但2020年以后上升速度放缓,碳排放强度走向不断趋于平缓甚至下降(图 7)。
![]() |
图 7 地均碳排放强度 Fig. 7 Average land area carbon emission intensity |
为应对气候变化,习主席在联合国大会上提出“2030年前实现碳达峰,2060年前实现碳中和[30]”的目标,这也是“十四五”的重点任务。太湖流域耕地和建设用地占主导,耕地面积逐年下降,建设用地处于不断扩张状态。随着城市进程发展,城市扩张速度不断减缓,本预测结果显示,太湖流域由土地利用类型变化所导致的碳排放量处于不断平稳的状态,预计在2030—2040年间达到土地利用的碳达峰。要实现碳达峰和碳中和下的未来土地利用变化目标需求,可通过构建土地利用结构优化线性模型,制定模糊约束条件,结合LINGO软件求解碳排放量最小化目标下各决策变量最优解,进而得到响应碳达峰的各土地利用面积,来优化流域土地利用格局。
太湖流域土地利用变化同时受三省一市国土空间规划管控,规划重心都落在“划定永久基本农田、明确城乡建设用地集约利用”上。在2021年5月30日的中国城市规划学会议中,有学者提出未来太湖流域蓝绿空间应不低于68%,河湖水面率增至22%,以太湖为生态核心区,构建长三角一体化示范区水网生态廊道。土地利用碳排放增加的重要原因是建设用地扩张导致非建设用地缩减,本研究预测显示,到2040年太湖流域建设用地、林草地和水域面积分别占28.43%、19.43% 和14.71%,实现蓝绿空间目标任重而道远。基于此,一是建议政府部门对国土空间格局有计划地调控,按碳减排和碳增汇目标合理规划各类用地发展,适当将建设用地向其他用地转移,及时评估未来建设用地扩张所产生的碳排放,同时也结合还林还草政策,规划林草地和水域的修复保护;二是人类活动作为土地利用碳排放变化的重要驱动力,可通过植树造林、提倡节能减排等措施来抵消碳源产生的碳排放量,实现“零排放”。
4 结论1) 2000年以来,太湖流域耕地不断减少,耕地面积从59.30% (2000年)降低到44.12% (2020年);建设用地不断扩张,面积从14.18% (2000年)增加到26.63% (2020年),各类用地间转换速率逐年变化。
2) Markov模型预测结果表明,到2040年太湖流域耕地面积进一步降低至37.43%,建设用地面积小幅增至28.43%,水域和草地仍处于增长状态,林地面积不断下降。
3) 太湖流域碳排放总量和净碳排放量均逐年增加,不同土地利用方式碳排放量不同,建设用地贡献最大(> 95%)。碳排放强度趋于平缓,预测未来环境治理水平日渐提高,土地利用结构优化已见成效。
[1] |
1998—2016年全球LUCC研究进展与热点分析[J]. 华侨大学学报(自然科学版), 2017, 38(5): 591-601 ( ![]() |
[2] |
中国区域土地利用/覆被变化对陆地碳收支的影响[J]. 地理科学进展, 2012, 31(1): 88-96 ( ![]() |
[3] |
Houghton R A. The annual net flux of carbon to the atmosphere from changes in land use 1850-1990[J]. Tellus B: Chemical and Physical Meteorology, 1999, 51(2): 298-313 DOI:10.3402/tellusb.v51i2.16288 ( ![]() |
[4] |
Klein Goldewijk K, Ramankutty N. Land cover change over the last three centuries due to human activities: The availability of new global data sets[J]. GeoJournal, 2004, 61(4): 335-344 DOI:10.1007/s10708-004-5050-z ( ![]() |
[5] |
低碳经济中国之选[J]. 中国石油石化, 2007(13): 32-34 ( ![]() |
[6] |
余雪振. 武汉市土地利用变化碳排放效应研究[D]. 武汉: 华中农业大学, 2013.
( ![]() |
[7] |
陕西省土地利用碳排放与碳足迹研究[J]. 农业与技术, 2020, 40(5): 126-130 ( ![]() |
[8] |
宁夏自治区土地利用变化及碳排放效应[J]. 水土保持研究, 2020, 27(1): 207-212 ( ![]() |
[9] |
太湖流域水供给服务供需时空演变分析[J]. 长江流域资源与环境, 2020, 29(3): 623-633 ( ![]() |
[10] |
中华人民共和国国家质量监督检验疫总局, 中国国家标准化管理委员会土地利用现状分类: GB/T21010—2017) [S]. 北京: 中国标准出版社, 2017.
( ![]() |
[11] |
太湖平原地区不同土地利用类型对水质的影响[J]. 农业环境科学学报, 2017, 36(6): 1186-1191 ( ![]() |
[12] |
张倩玉. 太湖流域土地利用与水系变化及其对水质的影响研究——以锡澄地区为例[D]. 南京: 南京大学, 2016.
( ![]() |
[13] |
李函娇. IDRISI支持的榆林多目标土地利用变化预测[D]. 西安: 长安大学, 2015.
( ![]() |
[14] |
中华人民共和国国土资源部. 低碳排放: 土地利用调控新课题[OL]. 2009-12-25(2021-06-17). http://www.mnr.gov.cn.
( ![]() |
[15] |
1981—2000年中国陆地植被碳汇的估算[J]. 中国科学(D辑: 地球科学), 2007, 37(6): 804-812 ( ![]() |
[16] |
中国土地利用碳排放及其空间关联[J]. 经济地理, 2015, 35(3): 154-162 ( ![]() |
[17] |
区域土地利用结构的碳效应评估及低碳优化[J]. 农业工程学报, 2013, 29(17): 220-229 DOI:10.3969/j.issn.1002-6819.2013.17.029 ( ![]() |
[18] |
大气污染物排放源清单不确定性定量分析方法及案例研究[J]. 环境科学研究, 2007, 20(4): 15-20 DOI:10.3321/j.issn:1001-6929.2007.04.003 ( ![]() |
[19] |
转移流视角下甘州区土地利用动态变化及空间集聚特征[J]. 土壤, 2016, 48(4): 793-802 ( ![]() |
[20] |
常熟市水体氮负荷对土地利用方式的响应[J]. 土壤, 2018, 50(4): 674-680 ( ![]() |
[21] |
基于土地利用变化的中国省域碳排放时空差异及碳补偿研究[J]. 地理科学, 2019, 39(12): 1955-1961 ( ![]() |
[22] |
张小松. 西宁市土地利用景观格局演变及预测研究[D]. 北京: 中国地质大学(北京), 2014.
( ![]() |
[23] |
Luijten J C. A systematic method for generating land use patterns using stochastic rules and basic landscape characteristics: Results for a Colombian hillside watershed[J]. Agriculture, Ecosystems & Environment, 2003, 95(2): 427-441 ( ![]() |
[24] |
基于马尔科夫模型的大凌河流域土地利用/覆被变化趋势研究[J]. 土壤通报, 2017, 48(3): 525-531 ( ![]() |
[25] |
基于空间马尔科夫模型对兴隆山自然保护区土地利用/覆盖变化趋势的研究[J]. 北京师范大学学报(自然科学版), 2009, 45(2): 194–199, 221 DOI:10.3321/j.issn:0476-0301.2009.02.021 ( ![]() |
[26] |
马尔柯夫过程预测焉耆盆地土地利用/覆被格局变化[J]. 干旱区资源与环境, 2007, 21(10): 28-33 DOI:10.3969/j.issn.1003-7578.2007.10.006 ( ![]() |
[27] |
松嫩高平原土地利用变化分析及趋势模拟——以黑龙江省巴彦县为例[J]. 土壤通报, 2017, 48(1): 61-69 ( ![]() |
[28] |
张鑫. 江苏省土地利用碳排放时空演变研究[D]. 南京: 南京农业大学, 2017.
( ![]() |
[29] |
卞晓峰. 不同土地利用方式的碳排放和碳足迹研究——以中国30个省、自治区、直辖市为例[D]. 兰州: 西北师范大学, 2014.
( ![]() |
[30] |
把碳达峰碳中和纳入生态文明建设整体布局[J]. 环境保护, 2021, 49(22): 8-10 ( ![]() |
2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China;
3. Key Laboratory of Virtual Geographic Environment of Ministry of Education, Nanjing Normal University, Nanjing 210023, China