基于土地利用的长株潭都市圈碳储量时空格局与情景模拟

doi:10.16258/j.cnki.1674-5906.2025.11.001

生态环境学报 ›› 2025, Vol. 34 ›› Issue (11): 1661-1674.DOI: 10.16258/j.cnki.1674-5906.2025.11.001

• 碳循环与碳减排专栏 • 下一篇

基于土地利用的长株潭都市圈碳储量时空格局与情景模拟

夏依宁¹^,²(), 刘鹏翱¹^,²^,^*(), 何柯润¹^,², 田朝晖¹^,², 曾丽婷¹^,², 侯珂伦¹^,²

1.湖南省国土资源规划院，湖南长沙 410119
2.国土资源评价与利用湖南省重点实验室，湖南长沙 410119

收稿日期:2025-03-25 出版日期:2025-11-18 发布日期:2025-11-05
通讯作者: *E-mail: Liupengao2025@163.com
作者简介:夏依宁（1981年生），男，博士研究生，主要研究方向为国土空间规划与管理。E-mail: 13445352@qq.com
基金资助:
湖南省自然科学基金项目(2024JJ8352);湖南省自然资源厅项目([2024]000416-4)

Spatiotemporal Dynamics and Scenario Simulations of Ecosystem Carbon Storage Based on Land Use Changes in the Changsha-Zhuzhou-Xiangtan Metropolitan Area

XIA Yining¹^,²(), LIU Peng’ao¹^,²^,^*(), HE Kerun¹^,², TIAN Chaohui¹^,², ZENG Liting¹^,², HOU Kelun¹^,²

1. Hunan Planning Institute of Land and Resources, Changsha 410119, P. R. China
2. Hunan Key Laboratory of Land Resources Evaluation and Utilization, Changsha 410119, P. R. China

Received:2025-03-25 Online:2025-11-18 Published:2025-11-05

摘要/Abstract

摘要：

土地利用变化是影响陆地生态系统碳储量空间分布变化的主要因素，研究成长型都市圈碳储量时空格局和情景模拟，对于优化区域规划和管理、实现“双碳”战略目标具有重要意义。以长株潭都市圈为研究对象，基于1990－2020年土地利用、碳密度、生境质量等多源数据，运用InVEST、OPGD和PLUS模型，分析长株潭历史时期碳储量时空分异特征和影响因素，探究在国土空间“三线”和生态绿心实施差异化管控政策约束的前提下，预测未来3种情景碳储量的响应趋势。结果发现，30年来，长株潭都市圈碳储量共流失7.33×10⁶t，主要由于高碳密度的生态/农业用地转移至低碳密度的城乡建设用地；碳储量空间分异呈现“中部北部低洼－四周圈层递增”特征，湘江沿岸带状洼地、生态绿心局部高地；碳储量变化区域呈“块状分散－片状集中－块状、点状分散”演变特征。生境质量指数、夜间灯光强度、地均GDP、NDVI等生态环境和社会经济要素是影响研究区域碳储量的主要驱动因子，自然气候要素的影响力呈增强趋势；“自然条件－生态环境－社会经济”各因素通过双因子增强和非线性增强影响碳储量变化，交互作用日趋复杂多元，其中生境质量与人口密度、夜间灯光强度的交互作用持续高位产生双因子增强效应。与2020年相比，生态-发展协调情景碳储量流失1.79×10⁶ t，是自然增长碳储量流失量（5.80×10⁶ t）的30.86%，严格保护情景碳储量流失（2.01×10⁶ t）量的89.05%。研究结果可为缓解长株潭都市圈碳储量流失提供决策依据和参考。

关键词: 土地利用变化, 碳储量, 影响因素, 情景模拟, 生态绿心, 长株潭都市圈

Abstract:

Land use and land cover change (LUCC) are the primary drivers of changes in terrestrial ecosystem carbon storage. Rapid urbanization typically induces rapid ecosystem carbon storage loss, particularly in metropolitan areas. A Thorough understanding of the driving mechanisms and design of cost-effective land-use planning and ecosystem management strategies is required. The proliferation of studies has quantified ecosystem carbon storage, for example, using the InVEST model, uncovering the spatiotemporal dynamics, investigating the driving factors, and simulating the spatiotemporal change under different LULC scenarios using various models (e.g., integrating CLUE-S with a system dynamics (SD) model (SD-CLUE-S) and Future Land Use Simulation model (FLUS)) at multiple scales (e.g., province, watersheds, and coastal zones). However, significant knowledge gaps remain, as few studies have simultaneously investigated the spatiotemporal patterns, driving forces, and management strategies of ecosystem carbon storage in urban metropolises experiencing rapid urban expansion. It is unclear how ecosystem carbon storage will respond to different scenarios of spatially explicit land-use management zoning, considering rapid urban expansion. This understanding is of great importance for better urban expansion planning and ecosystem management, but remains scarce. Focusing on the Changsha-Zhuzhou-Xiangtan Metropolitan Area, China, and employing a multi-model integration framework, this study: 1) quantified the spatiotemporal evolution patterns of ecosystem carbon storage from 1990 to 2020 using the carbon storage module of the InVEST model with carbon densities of different LULC types and LULC maps for 1990, 2000, 2010, and 2020. 2) Identified the dominant driving factors of the spatial heterogeneity of ecosystem carbon storage and their interactive impacts using the Geodetector to quantify the explanatory power (q statistic) of ten potential factors, which belong to three aspects of natural conditions (i.e., elevation, slope, surface roughness, annual average temperature, and annual precipitation), ecological factors (i.e., normalized difference vegetation index (NDVI) and habitat quality), and socioeconomic factors (i.e., GDP per unit area, population density, and nighttime light intensity). 3) We simulated land use in 2035 using the Patch-Generated Land Use Simulation (PLUS) model for three scenarios of land use and management strategies, and the quantified corresponding ecosystem carbon storage. For the Natural Development Scenario (S1), land use change that may decrease carbon density will be prohibited in the permanent basic farmland and areas within the ecological conservation redline. The construction land that usually decreases carbon density is mainly distributed within the urban growth boundary, and land use change in other regions follows the historical land use change pattern (e.g., with the same land use change pattern and land use transition probability). The Ecological-Development Coordination Scenario (S2) is similar to S1 but includes an additional policy for the Green Heat Area surrounding the three cities of Changsha, Zhuzhou, and Xiangtan. The Green Heat Area is an ecologically protected area established by the government. It has an area of 529.79 km² and two zones with different protection levels (i.e., a core protection zone and an integrated development zone). Land use change that may decrease carbon density is prohibited in the core protection zone of the Green Heat Area and is restricted to the integrated development zone outside the urban growth boundary. The Strict Protection Scenario (S3) implemented the strictest protection level, with any land use change that may decrease carbon density not allowed in the core protection zone, and the probability of land cover change that may decrease carbon density was further decreased in the integrated development zone. The results showed that: 1) 7.33×10⁶ tons of ecosystem storage carbon were lost in the study area from 1990 to 2020, mainly because of the land cover change from forest with high carbon density to urban land (i.e., residential area, industrial land, and transportation land). Ecosystem carbon storage loss displayed a dispersed spatial pattern in the 1990s, an aggregated spatial pattern in the 2000s, and a dispersed spatial pattern in the 2010s. 2) Geographic detector analysis identified habitat quality, nighttime light intensity, NDVI, and GDP per unit area as the four most important driving factors influencing the spatial heterogeneity of ecosystem carbon storage, whereas topographical factors (elevation, slope, and surface roughness) showed limited effects. The role of climate-related factors (i.e., annual average temperature and annual precipitation) in regulating ecosystem carbon storage temporally increased. Different driving factors interactively impact ecosystem carbon storage, with the strongest interactive effects between habitat quality and nighttime light intensity. 3) Ecosystem carbon storage in 2035 was simulated to decrease for all three scenarios compared to that in 2020, but with different magnitudes (i.e., 5.80×10⁶ tons for S1, 1.79×10⁶ tons for S2, and 2.01×10⁶ tons for S3). This demonstrates that targeted differentiated spatial zoning management, particularly the protection of small but critically important green core areas, can effectively mitigate carbon stock decline and generate a “spatial restructuring-functional enhancement-carbon sink gain” effect. However, the carbon storage loss in the S3 scenario was slightly higher than that in the S2 scenario, indicating that a rigid protection policy may not be the best choice, highlighting the necessity of adopting a balanced and coordinated management strategy. Based on our findings, we divided the study area into three zones (Key Protection Zone, Buffer Regulation Zone, and Low-Carbon Transition Zone) and suggested ecosystem management strategies to mitigate ecosystem carbon storage loss, considering rapid urbanization. The Key Protection Zone includes areas within the ecological red line and forests with high carbon density, where destructive activities are prohibited using a negative-list management approach. The Buffer Regulation Zone is mainly composed of permanent basic farmland and agricultural production spaces, where carbon stocks are increased by enhancing the NDVI and soil carbon sequestration capacity through constructing farmland forest networks. The Low-Carbon Transition Zone includes urban and rural residential areas, where low-impact development technologies and multidimensional land greening strategies can be implemented to enhance ecosystem carbon storage. The findings of this study can provide valuable insights for better land use planning and management to realize the goal of “Carbon Peaking Carbon Neutral” for the Changsha-Zhuzhou-Xiangtan Metropolitan Area and similar regions with rapid urbanization worldwide.

Key words: land use change, carbon storage, influencing factors, scenario simulation, ecological green heart, Chang-Zhuzhou-Xiangtan metropolitan area

中图分类号:

X144

夏依宁, 刘鹏翱, 何柯润, 田朝晖, 曾丽婷, 侯珂伦. 基于土地利用的长株潭都市圈碳储量时空格局与情景模拟[J]. 生态环境学报, 2025, 34(11): 1661-1674.

XIA Yining, LIU Peng’ao, HE Kerun, TIAN Chaohui, ZENG Liting, HOU Kelun. Spatiotemporal Dynamics and Scenario Simulations of Ecosystem Carbon Storage Based on Land Use Changes in the Changsha-Zhuzhou-Xiangtan Metropolitan Area[J]. Ecology and Environmental Sciences, 2025, 34(11): 1661-1674.

图/表 17

参考文献 39

[1]	LIU J G, DIETZ T, CARPENTER S R, et al., 2007. Complexity of coupled human and natural systems[J]. Science, 317(5844): 1513-1516. DOI PMID
[2]	LIANG Y J, LIU L J, HUANG J J, 2017. Integrating the SD-CLUE-S and InVEST models into assessment of oasis carbon storage in northwestern China[J]. PLoS ONE, 12(2): e0172494.
[3]	LI Z Z, CHENG X Q, HAN H R, 2020. Future impacts of land use change on ecosystem services under different scenarios in the ecological conservation area, Beijing, China[J]. Forests, 11(5): 584.
[4]	LIANG X, GUO S, HUANG C Y, et al., 2021. Modeling the subpixel land-use dynamics and its influence on urban heat islands: Impacts of factors and scale, and population exposure risk[J]. Computers, Environment and Urban Systems, 107: 105417.
[5]	NOGUEIRA E M, YANAI A M, DE VASCONCELOS S S, et al., 2018. Carbon stocks and losses to deforestation in protected areas in Brazilian Amazonia[J]. Regional Environmental Change, 18(1): 261-270. DOI URL
[6]	NIE X, LU B, CHEN Z P, et al., 2020. Increase or decrease? Integrating the CLUMondo and InVEST models to assess the impact of the implementation of the Major Function Oriented Zone[J]. Ecological Indicators, 118: 106708. DOI URL
[7]	SHI M J, WU H Q, FAN X, et al., 2021. Trade-offs and synergies of multiple ecosystem services for different land use scenarios in the Yili River Valley, China[J]. Sustainability, 13(3): 1577.
[8]	SUN W Y, LIU X Z, 2024. Spatio-temporal evolution and multi-scenario prediction of ecosystem carbon storage in Chang-Zhu-Tan Urban Agglomeration based on the FLUS-InVEST model[J]. Sustainability, 16(16): 7025.
[9]	ZHU L Y, SONG R X, SUN S, et al., 2022. Land use/land cover change and its impact on ecosystem carbon storage in coastal areas of China from 1980 to 2050[J]. Ecological Indicators, 142: 109178. DOI URL
[10]	方创琳, 周成虎, 顾朝林, 等, 2016. 特大城市群地区城镇化与生态环境交互耦合效应解析的理论框架及技术路径[J]. 地理学报, 71(4): 531-550. DOI
	FANG C L, ZHOU C H, GU C L, et al., 2016. Theoretical framework and technical path for analyzing the interactive coupling effect of urbanization and ecological environment in mega city regions[J]. Acta Geographica Sinica, 71(4): 531-550.
[11]	方莹, 王静, 黄隆杨, 等, 2020. 基于生态安全格局的国土空间生态保护修复关键区域诊断与识别——以烟台市为例[J]. 自然资源学报, 35(1): 190-203. DOI
	FANG Y, WANG J, HUANG L Y, et al., 2020. Identification of critical areas for ecological protection and restoration in national land space based on ecological security pattern: A case study of Yantai City[J]. Journal of Natural Resources, 35(1): 190-203. DOI
[12]	郭晓敏, 揣小伟, 张梅, 等, 2019. 扬子江城市群土地利用时空变化及其对陆地生态系统碳储量的影响[J]. 长江流域资源与环境, 28(2): 269-280.
	GUO X M, CHUAN X W, ZHANG M, et al., 2019. Spatiotemporal changes of land use in the Yangtze River Urban Agglomeration and their impact on carbon storage of terrestrial ecosystems[J]. Resources and Environment in the Yangtze River Basin, 28(2): 269-280.
[13]	黄艳, 刘晓曼, 袁静芳, 等, 2024. 2000-2020年华北干旱半干旱区碳储量变化特征影响因素[J]. 环境科学研究, 37(4): 849-861.
	HUANG Y, LIU X M, YUAN J F, et al., 2024. Impact factors of carbon storage change characteristics in the arid and semiarid areas of north China from 2000 to 2020[J]. Research of Environmental Sciences, 37(4): 849-861.
[14]	黄韬, 刘素红, 2024. 基于 PLUS-InVEST模型的福建省土地利用变化与碳储量评估[J]. 水土保持学报, 38(2): 246-257.
	HUANG T, LIU S H, 2024. Evaluation of land use change and carbon storage in Fujian Province based on PLUS-InVEST model[J]. Journal of Soil and Water Conservation, 38(2): 246-257. DOI URL
[15]	侯雅迪, 文东新, 王忠诚, 等, 2024. 基于PLUS-InVEST模型的洞庭湖流域碳储量时空演变及多情景预测[J/OL]. 环境科学, 1-19. https://doi.org/10.13227/j.hjkx.202410174.
	HOU Y D, WEN D X, WANG Z C, et al., 2024. Spatio-temporal evolution and multi scenario prediction of carbon storage in Dongting Lake Basin Based on plus invest model[J/OL]. Environmental Science5,1-19. https://doi.org/10.13227/j.hjkx.202410174.
[16]	寇志翔, 姚永慧, 胡宇凡, 2020. 基于地理探测器的中国亚热带北界探讨[J]. 地理研究, 39(12): 2821-2832. DOI
	KOU Z X, YAO Y H, HU Y F, 2020. Discussion on the northern boundary of China’s subtropical zone based on geographical detectors[J]. Geographical Research, 39(12): 2821-2832.
[17]	刘晓娟, 黎夏, 梁迅, 等, 2019. 基于FLUS-InVEST模型的中国未来土地利用变化及其对碳储量影响的模拟[J]. 热带地理, 39(3): 397-409.
	LIU X J, LI X, LIANG X, et al., 2019. Simulation of future land use change and its impact on carbon storage in China based on FLUS-InVEST model[J]. Tropical Geography, 39(3): 397-409.
[18]	刘洋, 张军, 周冬梅, 等, 2021. 基于InVEST模型的疏勒河流域碳储量时空变化研究[J]. 生态学报, 41(10): 4052-4065.
	LIU Y, ZHANG J, ZHOU D M, et al., 2021. Spatiotemporal variation of carbon storage in the Shule River Basin based on InVEST model[J]. Acta Ecologica Sinica, 41(10): 4052-4065.
[19]	林彤, 杨木壮, 吴大放, 等, 2022. 基于InVEST-PLUS模型的碳储量空间关联性及预测——以广东省为例[J]. 中国环境科学, 42(10): 4827-4839.
	LIN T, YANG M Z, WU D F, et al., 2022. Spatial correlation and prediction of carbon storage based on InVEST-PLUS model: A case study of Guangdong Province[J]. China Environmental Science, 42(10): 4827-4839.
[20]	罗光浴, 王志远, 2024. 洞庭湖生态经济区国土空间格局演变的碳储量效应及驱动因素研究[J]. 生态环境学报, 33(11): 1672-1685. DOI
	LUO G Y, WANG Z Y, 2024. Research on the carbon storage effect and driving factors of the evolution of territorial space pattern in Dongting Lake ecological and economic zone[J]. Ecology and Environmental Sciences, 33(11): 1672-1685.
[21]	刘贤赵, 王一笛, 肖海, 等, 2025. 长株潭都市圈碳盈亏时空变化及其驱动因素[J]. 生态学报, 45(2): 1-16.
	LIU X Z, WANG Y D, XIAO H, et al., 2025. Spatiotemporal variation and driving factors of carbon surplus and deficit in the Changsha-Zhuzhou-Tan Urban Circle[J]. Acta Ecologica Sinica, 45(2): 1-16.
[22]	马良, 金陶陶, 文一惠, 等, 2015. InVEST模型研究进展[J]. 生态经济, 31(10): 126-131, 179.
	MA L, JIN T T, WEN Y H, et al., 2015. Research progress of invest model[J]. Ecological Economy, 31(10): 126-131, 179.
[23]	糜毅, 李涛, 吴博, 等, 2023. 基于优化模拟的长株潭3+5城市群碳储量时空演变与预测[J]. 环境工程技术学报, 13(5): 1740-1751.
	MI Y, LI T, WU B, et al., 2023. Spatiotemporal evolution and prediction of carbon storage in the Changsha-Zhuzhou-Tan 3+5 Urban Agglomeration based on optimized simulation[J]. Journal of Environmental Engineering Technology, 13(5): 1740-1751.
[24]	史名杰, 武红旗, 贾宏涛, 等, 2021. 基于MCE-CA-Markov和InVEST模型的伊犁谷地碳储量时空演变及预测[J]. 农业资源与环境学报, 38(6): 1010-1019.
	SHI M J, WU H Q, JIA H T, et al., 2021. Spatiotemporal evolution and prediction of carbon storage in the Yili Valley based on MCE-CA-Markov and InVEST models[J]. Journal of Agricultural Resources and Environment, 38(6): 1010-1019.
[25]	唐志雄, 宁荣荣, 王德, 等, 2024. 黄河三角洲滨海湿地碳储量及其对未来多情景的响应[J]. 生态学报, 44(8): 3280-3292.
	TANG Z X, NING R R, WANG D, et al., 2024. Carbon stocks in coastal wetlands of the Yellow River Delta and their response to future multi-scenarios[J]. Acta Ecologica Sinica, 44(8): 3280-3292.
[26]	王思远, 刘纪远, 张增祥, 等, 2001. 中国土地利用时空特征分析[J]. 地理学报, 56(6): 631-639. DOI
	WANG S Y, LIU J Y, ZHANG Z X, et al., 2001. Analysis of spatio temporal characteristics of land use in China[J]. Acta Geographica Sinica, 56(6): 631-639. DOI
[27]	王劲峰, 徐成东, 2017. 地理探测器: 原理与展望[J]. 地理学报, 72(1): 116-134. DOI
	WANG J F, XU C D, 2017. Geodetector: Principle and prospect[J]. Journal of Geography, 72(1): 116-134.
[28]	王超越, 郭先华, 郭莉, 等, 2022. 基于FLUS-InVEST的西北地区土地利用变化及其对碳储量的影响——以呼包鄂榆城市群为例[J]. 生态环境学报, 31(8): 1667-1679. DOI
	WANG C Y, GUO X H, GUO L, et al., 2022. Land use change and its impact on carbon storage in northwest China based on FLUS-Invest: A case study of Hu-Bao-Er-Yu urban agglomeration[J]. Journal of Ecology and Environment, 31(8): 1667-1679.
[29]	王成武, 罗俊杰, 唐鸿湖, 2023. 基于InVEST模型的太行山沿线地区生态系统碳储量时空分异驱动力分析[J]. 生态环境学报, 32(2): 215-225. DOI
	WANG C W, LUO J J, TANG H H, 2023. Analysis of driving forces of spatiotemporal differentiation of ecosystem carbon storage in the Taihang Mountain Area based on InVEST model[J]. Journal of Ecology and Environment, 32(2): 215-225.
[30]	王春晓, 邓孟婷, 汪雪飞, 等, 2024. 基于PLUS-InVEST模型的碳储量时空演变与预测模拟[J]. 中国园林, 40(6): 70-76.
	WANG C X, DENG M T, WANG X F, et al., 2024. Spatiotemporal evolution and prediction simulation of carbon storage based on PLUS-InVEST model[J]. Chinese Gardening, 40(6): 70-76.
[31]	夏全升, 洪欣, 桂翔, 等, 2023. 基于InVEST模型的芜湖市固碳能力及影响因子研究[J]. 水土保持通报, 43(5): 385-394.
	XIA Q S, HONG X, GUI X, et al., 2023. A study on carbon fixation capacity and its influencing factors based on InVEST model at Wuhu City[J]. Bulletin of Soil and Water Conservation, 43(5): 385-394.
[32]	尹稚, 袁弘, 卢庆强, 等, 2019. 中国都市圈发展报告2018[M]. 北京: 清华大学出版社.
	YIN Z, YUAN H, LU Q Q, et al., 2019. China metropolitan circle development report 2018[M]. Beijing: Tsinghua University Press.
[33]	杨洁, 谢保鹏, 张德罡, 2021. 基于InVEST和CA-Markov模型的黄河流域碳储量时空变化研究[J]. 中国生态农业学报(中英文), 29(6): 1018-1029.
	YANG J, XIE B P, ZHANG D G, 2021. Spatio-temporal evolution of carbon stocks in the Yellow River Basin based on InVEST and CA-Markov models[J]. Chinese Journal of Eco-Agriculture, 29(6): 1018-1029.
[34]	杨顺法, 昝梅, 袁瑞联, 等, 2025. 基于PLUS与InVEST模型的新疆碳储量变化及预测[J]. 环境科学, 46(1): 378-387.
	YANG S F, ZAN M, YUAN R L, et al., 2025. Prediction of carbon storage change in Xinjiang based on PLUS and InVEST models[J]. Environmental Science, 46(1): 378-387.
[35]	中国宏观经济研究院国土开发与地区经济研究所课题组, 高国力, 刘保奎, 等, 2020. 我国城镇化空间形态的演变特征与趋势研判[J]. 改革 (9): 128-138.
	Research Group of Territorial Development and Regional Economy National Institute for Macroeconomic Research of China, GAO G L, LIU B Q, et al., 2020. Evolutionary characteristics and trend judgment of urbanization spatial form in China[J]. Reform (9): 128-138.
[36]	张燕, 师学义, 唐倩, 2021. 不同土地利用情景下汾河上游地区碳储量评估[J]. 生态学报, 41(1): 360-373.
	ZHANG Y, SHI X Y, TANG Q, 2021. Carbon storage assessment in the upper Fen River Area under different land use scenarios[J]. Acta Ecologica Sinica, 41(1): 360-373.
[37]	张斌, 李璐, 夏秋月, 等, 2022. “三线” 约束下土地利用变化及其对碳储量的影响——以武汉城市圈为例[J]. 生态学报, 42(6): 2265-2280.
	ZHANG B, LI L, XIA Q Y, et al., 2022. Land use change and its impact on carbon storage under the constraints of “three lines”: A case study of Wuhan City circle[J]. Acta Ecologica Sinica, 42(6): 2265-2280.
[38]	张龙江, 陈国平, 林伊琳, 等, 2024. 基于MOP-PLUS-InVEST模型的碳储量多情景模拟及驱动机制分析[J]. 农业工程学报, 40(22): 223-233.
	ZHANG L J, CHEN G P, LIN Y L, et al., 2024. Simulating multiple scenarios of carbon stocks for driving mechanisms using MOP-PLUS-InVest model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 40(22): 223-233.
[39]	周文强, 韩宇, 王金龙, 等, 2024. 洞庭湖流域碳储量的时空异质性及驱动力分析[J]. 中国环境科学, 44(4): 1851-1862.
	ZHOU W Q, HAN Y, WANG J L, et al., 2024. Spatiotemporal heterogeneity and driving forces of carbon storage in the Dongting Lake Basin[J]. China Environmental Science, 44(4): 1851-1862.

国土空间一级分类	国土空间二级分类	编码	土地利用覆被类型
城镇空间	城镇生活空间	1	城镇建设用地
城镇空间	城镇生产空间	2	工矿用地和交通建设用地
农业空间	乡村生活空间	3	农村居民点用地
农业空间	农业生产空间	4	水田、旱地
生态空间	林地生态空间	5	有林地、灌木林地、疏林地、其他林地
	草地生态空间	6	高覆盖度草地、中覆盖度草地、低覆盖度草地
	水域生态空间	7	河渠、湖泊、水库、坑塘、滩地、湿地
	其他生态空间	8	沙地、盐碱地、沼泽地、裸土地、裸岩石砾地

国土空间一级分类	国土空间二级分类	编码	土地利用覆被类型
城镇空间	城镇生活空间	1	城镇建设用地
城镇空间	城镇生产空间	2	工矿用地和交通建设用地
农业空间	乡村生活空间	3	农村居民点用地
农业空间	农业生产空间	4	水田、旱地
生态空间	林地生态空间	5	有林地、灌木林地、疏林地、其他林地
	草地生态空间	6	高覆盖度草地、中覆盖度草地、低覆盖度草地
	水域生态空间	7	河渠、湖泊、水库、坑塘、滩地、湿地
	其他生态空间	8	沙地、盐碱地、沼泽地、裸土地、裸岩石砾地

数据类型	数据名称	数据来源
土地利用	1990、2000、2010、2020年土地覆被数据	中国资源环境科学与数据平台，GIS重分类
自然要素	高程	中国资源环境科学与数据平台
	土壤类型	中国资源环境科学与数据平台
	坡度	基于高程数据计算
	地形起伏度	基于高程数据计算
	年平均温度	国家青藏高原科学数据中心
	年平均降水	国家青藏高原科学数据中心
	NDVI	中国资源环境科学与数据平台
	生境质量	基于InVEST模型计算
社会经济	地均GDP	中国资源环境科学与数据平台
	人口密度
	夜间灯光指数
	至一级道路距离	中国资源环境科学与数据平台，GIS计算欧氏距离
	至二级道路距离
	至三级道路距离
	至铁路距离
	至河流距离
	距省市县政府驻地距离

数据类型	数据名称	数据来源
土地利用	1990、2000、2010、2020年土地覆被数据	中国资源环境科学与数据平台，GIS重分类
自然要素	高程	中国资源环境科学与数据平台
	土壤类型	中国资源环境科学与数据平台
	坡度	基于高程数据计算
	地形起伏度	基于高程数据计算
	年平均温度	国家青藏高原科学数据中心
	年平均降水	国家青藏高原科学数据中心
	NDVI	中国资源环境科学与数据平台
	生境质量	基于InVEST模型计算
社会经济	地均GDP	中国资源环境科学与数据平台
	人口密度
	夜间灯光指数
	至一级道路距离	中国资源环境科学与数据平台，GIS计算欧氏距离
	至二级道路距离
	至三级道路距离
	至铁路距离
	至河流距离
	距省市县政府驻地距离

空间类型	碳密度/（t∙hm⁻²）
空间类型	地上生物量	地下生物量	土壤	枯死有机质
城镇生活空间	0.84	1.63	35.5	0
城镇生产空间	0.91	1.38	30.7	0
乡村生活空间	2.4	1.46	42.5	0
农业生产空间	2.06	0.31	62.9	0
林地生态空间	36.1	15.7	116	1.29
草地生态空间	4.7	9.83	62.9	1.33
水域生态空间	0	0	11.2	0
其他生态空间	0.63	1.56	33.3	1.13

基于土地利用的长株潭都市圈碳储量时空格局与情景模拟

Spatiotemporal Dynamics and Scenario Simulations of Ecosystem Carbon Storage Based on Land Use Changes in the Changsha-Zhuzhou-Xiangtan Metropolitan Area

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 39

相关文章 15

编辑推荐

Metrics

本文评价

判别依据	类型
q(x₁∩x₂)<Min[q(x₁), q(x₂)]	非线性减弱
Min[q(x₁), q(x₂)]<q(x₁∩x₂)<Max[q(x₁), q(x₂)]	单因子非线性减弱
q(x₁∩x₂)>Max[q(x₁), q(x₂)]	双因子增强
q(x₁∩x₂)=q(x₁)+q(x₂)	独立
q(x₁∩x₂)>q(x₁)+q(x₂)	非线性增强

空间类型	生态-发展协调情景								严格保护情景
空间类型	a	b	c	d	e	f	g	h	a	b	c	d	e	f	g	h
a/%	－	－	－	－	－	－	－	－	－	－	－	－	－	－	－	－
b/%	－	－	－	－	－	－	－	－	－	－	－	－	－	－	－	－
c/%	－	－	－	－	+20	+20	+20	+20	－	－	－	－	+30	+30	+30	+30
d/%	－	－	−20	－	+20	+20	+20	+20	－	－	−30	－	+30	+30	+30	+30
e/%	－	－	−20	−20	－	−30	−20	−30	－	－	−30	−30	－	−40	−30	−40
f/%	－	－	−20	−20	+30	－	－	−30	－	－	−30	−30	+40	－	－	−40
g/%	－	－	−20	−20	－	－	－	－	－	－	−30	−30	－	－	－	－
h/%	－	－	−20	−20	+30	+30	－	－	－	－	−30	−30	+40	+40	－	－

国土空间格局		年份
国土空间格局		1990	2000	2010	2020
城镇生活空间	碳储量/t	0.857	0.961	2.163	2.303
城镇生活空间	占比/%	0.355	0.399	0.912	0.984
城镇生产空间	碳储量/t	0.072	0.199	0.762	1.997
城镇生产空间	占比/%	0.030	0.083	0.321	0.853
乡村生活空间	碳储量/t	0.943	0.988	0.968	0.978
乡村生活空间	占比/%	0.391	0.410	0.408	0.418
农业生产空间	碳储量/t	40.932	40.566	38.666	37.112
农业生产空间	占比/%	16.963	16.846	16.308	15.862
林地生态空间	碳储量/t	196.716	196.287	192.727	189.777
林地生态空间	占比/%	81.523	81.511	81.285	81.112
草地生态空间	碳储量/t	1.315	1.336	1.302	1.297
草地生态空间	占比/%	0.545	0.555	0.549	0.555
水域生态空间	碳储量/t	0.456	0.460	0.480	0.481
水域生态空间	占比/%	0.189	0.191	0.202	0.205
其他生态空间	碳储量/t	0.011	0.010	0.030	0.026
其他生态空间	占比/%	0.005	0.004	0.013	0.011
总计		241.302	240.807	237.098	233.971

1990年	2020年
1990年	城镇生活空间/km²	城镇生产空间/km²	乡村生活空间/km²	农业生产空间/km²	林地生态空间/km²	草地生态空间/km²	水域生态空间/km²	其他生态空间/km²	变化幅度/ km²	动态度/ %
城镇生活空间	211.671	1.715	0.568	5.716	4.461	0.018	0.000	0.000	380.86	6.28
城镇生产空间	8.019	9.004	0.872	0.666	2.799	0.010	0.503	0.000	583.42	9.64
乡村生活空间	17.157	4.378	153.780	19.328	7.214	0.032	1.472	0.003	7.51	0.36
农业生产空间	215.279	289.028	36.267	5353.469	312.260	3.704	60.425	0.746	585.22	−1.03
林地生态空间	136.051	292.514	18.006	280.971	10870.629	12.045	19.723	3.655	410.30	−0.37
草地生态空间	0.594	1.551	0.041	1.828	13.852	148.439	0.590	0.006	2.17	−0.13
水域生态空间	17.676	7.090	1.335	23.891	12.022	0.488	344.248	0.342	22.01	0.51
其他生态空间	0.184	0.000	0.000	0.001	0.168	0.000	0.505	2.233	3.89	5.58

单因子探测	q值
单因子探测	1990年	排序	2000年	排序	2010年	排序	2020年	排序
高程（X₁）	0.047	6	0.049	6	0.037	8	0.034	8
坡度（X₂）	0.038	7	0.033	8	0.020	9	0.013	9
地形起伏度（X₃）	0.037	8	0.031	9	0.019	10	0.012	10
年平均气温（X₄）	0.026	9	0.047	7	0.041	7	0.046	6
年平均降水量（X₅）	0.026	10	0.030	10	0.046	6	0.046	7
NDVI（X₆）	0.217	4	0.307	2	0.325	2	0.250	4
生境质量（X₇）	0.854	1	0.796	1	0.808	1	0.812	1
地均GDP（X₈）	0.262	3	0.260	4	0.246	4	0.295	3
人口密度（X₉）	0.180	5	0.117	5	0.091	5	0.079	5
夜间灯光指数（X₁₀）	0.319	2	0.284	3	0.257	3	0.304	2

模拟情景	自然增长情景		生态-发展协调情景		严格保护情景
模拟情景	面积/ km²	占比/ %	面积/ km²	占比/ %	面积/ km²	占比/ %
城镇生活空间	1189.23	6.28	1185.19	6.26	1186.06	6.26
城镇生产空间	750.84	3.97	754.87	3.99	754.00	3.98
乡村生活空间	227.40	1.2	219.50	1.16	221.21	1.17
农业生产空间	5267.38	27.82	5131.52	27.10	5160.82	27.26
林地生态空间	10880.52	57.47	11039.28	58.31	11005.04	58.13
草地生态空间	159.91	0.84	156.31	0.83	157.09	0.83
水域生态空间	447.66	2.36	438.09	2.31	440.15	2.32
其他生态空间	10.29	0.05	8.46	0.04	8.86	0.05
总计	18933.23	100.00	18933.23	100.00	18933.23	100.00

模拟情景	自然发展情景		生态-发展协调情景		严格保护情景
模拟情景	碳储量/ 10⁶ t	占比/ %	碳储量/ 10⁶ t	占比/ %	碳储量/ 10⁶ t	占比/ %
城镇生活空间	4.0172	1.76	4.0039	1.72	4.0067	1.73
城镇生产空间	2.4770	1.09	2.4903	1.07	2.4874	1.07
乡村生活空间	1.0542	0.46	1.0176	0.44	1.0255	0.44
农业生产空间	34.2443	15.01	33.4928	14.43	33.6841	14.52
林地生态空间	184.5957	80.90	189.4658	81.60	189.0377	81.52
草地生态空间	1.2594	0.55	1.2311	0.53	1.2372	0.53
水域生态空间	0.4812	0.21	0.4513	0.19	0.4526	0.20
其他生态空间	0.0377	0.02	0.0310	0.01	0.0324	0.01
总计	228.17	100	232.18	100	231.96	100

[1]	温羽婧, 李铌. 基于地形梯度的丘陵地区碳储量时空分异及分区研究——以长株潭城市群为例[J]. 生态环境学报, 2025, 34(9): 1373-1385.
[2]	梁秋燕, 宋明洁, 张豆, 李士成. 基于生态安全格局的昆明市2030年和2050年土地利用模拟[J]. 生态环境学报, 2025, 34(9): 1463-1472.
[3]	祁珣, 冯鑫鑫, 陈颖军, 冯艳丽, 陈田, 李军, 张干. 轻型汽油卡车尾气颗粒物中氨和有机胺的排放特征及影响因素[J]. 生态环境学报, 2025, 34(7): 997-1006.
[4]	郝晓燕, 董超, 薛阳, 韩丽萍. 能源禀赋优势区能源供给与生态安全共生效应及影响因素[J]. 生态环境学报, 2025, 34(6): 974-985.
[5]	陈洁茹, 叶长盛, 魏嶶, 蔡鑫, 汪礼丽. 环鄱阳湖城市群县域“三生空间”耦合协调性及影响因素分析[J]. 生态环境学报, 2025, 34(5): 807-818.
[6]	赵志轩, 魏芳菲, 吴皓天, 王怡宁, 王澎喆. 澜沧江-湄公河流域生态系统服务价值对土地利用变化的响应[J]. 生态环境学报, 2025, 34(5): 688-698.
[7]	郭铭彬, 龚建周, 王丽娟, 王时宽. 2019－2023年粤港澳大湾区NO₂浓度变化的自然主控因子解析[J]. 生态环境学报, 2025, 34(4): 534-547.
[8]	李曼, 吴东丽, 何昊, 余慧婕, 赵琳, 刘聪, 胡正华, 李琪. 1990－2020年黄河流域碳储量时空演变及驱动因素研究[J]. 生态环境学报, 2025, 34(3): 333-344.
[9]	翁雷霆, 王鹏, 肖荣波, 白晋晶, 钟俊宏. 2000－2022年珠三角城市群PM_2.5与O₃时空分布特征及其影响因素[J]. 生态环境学报, 2025, 34(2): 268-278.
[10]	孔小云, 张永坤, 李润杰, 李颖, 林成清, 马占明, 辛继林, 杨晓璇, 党怡乐, 赵家艺, 冯玲正, 周燕. 湟水河流域耕地土壤团聚体有机碳空间变异特征及其驱动因素分析[J]. 生态环境学报, 2025, 34(11): 1715-1727.
[11]	尤琪, 杨艺, 张寅清, 祝凌燕. 纳米银颗粒在水环境中的化学转化及影响因素[J]. 生态环境学报, 2025, 34(1): 156-166.
[12]	叶俊宏, 刘珍环, 刘子瑜. 珠江三角洲城市群国土空间生态修复分区情景模拟[J]. 生态环境学报, 2025, 34(1): 4-12.
[13]	唐建亭, 袁杰, 陈宗颜, 李晓燕, 孙子婷. 祁连山南坡土地利用变化及碳储量研究[J]. 生态环境学报, 2024, 33(9): 1353-1361.
[14]	奥勇, 张龙, 王晓峰, 吴彦芸, 唐冰倩, 张亦恒. 基于“自然-社会”视角的陕西省土地利用变化碳核算与演变格局分析[J]. 生态环境学报, 2024, 33(8): 1306-1317.
[15]	张维琛, 王惺琪, 王博杰. 塔布河流域生态系统服务时空格局及影响因素分析[J]. 生态环境学报, 2024, 33(7): 1142-1152.