Analysis and Predictions of the Spatiotemporal Variations of Ecosystem Carbon Storages in the Xin’an River Basin Based on PLUS and InVEST Models

doi:10.19657/j.geoscience.1000-8527.2024.050

Abstract

Abstract:

The study on the spatiotemporal evolution of carbon storage in the Xin’an River Basin has demonstrated positive feedback on the ecological environmental protection and land-use optimization.We utilize the land-use data from 2000 to 2020 and the InVEST model to scrutinize the historical changes of land-use and alterations of carbon storage in Xin’an River Basin.Meanwhile, the PLUS model was utilized to forecast the distribution of carbon storage in the same basin in 2040 under multiple development scenarios.The results indicate that (1) the change of land-use has a direct impact on the carbon storage in the study area.From 2000 to 2020, the construction land in Xin’an River Basin expanded by 602.707 km², while the forest land, cultivated land, grassland, and shrub land decreased by 615.225 km², 42.640 km², 3.021 km², and 0.296 km², respectively.This resulted in a reduction in carbon storage of 4.937×10⁶ t.Carbon storage is intrinsically related to the spatial distribution of land-use, with an area of higher carbon storage having a less construction land but more clustered and distributed ecological land.(2) The multi-scenario simulation for the year of 2040 reveals that the local changes are pronounced, while the overall land-use pattern remains consistent.The carbon storage under urban development, natural development, and farmland protection scenarios decreased by 7.540×10⁶ t, 7.544×10⁶ t, and 11.302×10⁶ t, respectively.The eco-protection scenario predicted the smallest decrease in carbon storage, up to 7.130×10⁶ t.(3) The spatial differentiation of carbon storage was influenced by topography, ecology, and anthropogenic factors.Geodetector revealed that the explanatory power of NDVI (0.561) and NPP (0.398) was significantly higher than other factors, making them the primary drivers of the spatial differentiation of carbon storages in Xin’an River Basin.The interactions between different influencing factors were stronger than a single factor, with the synergistic influence between NDVI and slope (0.652) being the most potent one.We conclude that the implementation of urban development and ecological protection strategy can mitigate the reduction of carbon storage.Future plans should prioritize the protection of ecological land and controlling the expansion of construction land in order to enhance the carbon storage.

Key words: Xin’an River Basin, land use, PLUS, InVEST, carbon storage, geodetector

CLC Number:

P962

MIN Jie, LIU Xiaohuang, XIAO Yuexin, LI Hongyu, LUO Xinping, WANG Ran, XING Liyuan, WANG Chao, ZHAO Honghui. Analysis and Predictions of the Spatiotemporal Variations of Ecosystem Carbon Storages in the Xin’an River Basin Based on PLUS and InVEST Models[J]. Geoscience, 2024, 38(03): 574-588.

Figures/Tables 13

Fig.1 Overview of the location and elevation of the study area in the Xin’an River Basin

Table 1 Data information and sources

数据类型	数据名称	数据年份	数据精度 (m)	数据来源
土地利用数据	土地利用	2000年、2010年、2015年和2020年	30	中国科学院资源环境科学与数据中心(https://www.resdc.cn/)
气候环境数据	土壤类型	2018年	30	国家地球系统科学数据中心土壤分中心(http://soil.geodata.cn/)
	年平均温度	2020年	30	国家气象科学数据中心(http://data.cma.cn/)
	年平均降水	2000—2020年	30	国家气象科学数据中心(http://data.cma.cn/)
	DEM高程	2020年	30	地理空间数据云ASTER GDEM.30M 分辨率数字高程数据(http://www.gscloud.cn/home)
社会经济数据	坡度	2020年	30	利用DEM采用ArcGIS计算得到
	GDP	2019年	1000	中国科学院资源环境科学与数据中心(https://www.resdc.cn/)
	人口	2020年	1000	中国科学院资源环境科学与数据中心(https://www.resdc.cn/)
	铁路距离	2020年	30	全国地理信息资源目录服务系统(https://www.webmap.cn/main.do)
	高速公路距离	2020年	30	全国地理信息资源目录服务系统(https://www.webmap.cn/main.do)
	二级道路距离	2020年	30	全国地理信息资源目录服务系统(https://www.webmap.cn/main.do)
	三级道路距离	2020年	30	全国地理信息资源目录服务系统(https://www.webmap.cn/main.do)
	四级道路距离	2020年	30	全国地理信息资源目录服务系统(https://www.webmap.cn/main.do)

Table 2 Carbon density of land-use type components in the study area (t/hm2)

土地利用类型	地上碳密度 C_above	地下碳密度 C_below	土壤碳密度 C_soil	死亡有机物碳密度C_dead
耕地	1.90	0.38	39.3	2.4
林地	32.28	6.57	63.9	3.8
灌木	14.00	2.40	66.6	2.5
草地	1.30	3.30	77.7	0.2
水体	2.30	0	0	0
未利用地	9.10	1.50	9.7	0
建设用地	7.60	4.50	18.1	0

Table 3 Multiple scene transfer matrix setting

地类	自然发展情景							城镇发展情景							耕地保护情景							生态保护情景
地类	a	b	c	d	e	f	g	a	b	c	d	e	f	g	a	b	c	d	e	f	g	a	b	c	d	e	f	g
a	1	0	0	1	0	1	1	1	0	0	0	0	1	1	1	0	0	0	0	0	0	1	1	1	1	1	1	1
b	0	1	1	1	0	0	1	1	1	1	0	0	1	1	1	1	1	1	0	0	1	0	1	1	0	0	0	0
c	0	1	1	1	0	0	1	1	1	1	0	0	1	1	1	1	1	1	0	0	1	0	1	1	0	0	0	0
d	1	1	1	1	1	1	1	1	0	0	1	0	1	0	1	1	1	1	1	1	1	0	1	1	1	1	0	0
e	1	0	0	1	1	0	1	0	1	1	1	1	1	0	1	0	0	1	1	0	1	0	0	0	0	1	0	0
f	0	0	0	0	0	1	0	0	1	1	1	0	1	0	0	0	0	0	0	1	0	0	0	0	0	0	1	0
g	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1

Table 4 Types of interaction between the two covariates

判据	交互作用
$q (X 1 ⋂ X 2) < M i n (q (X 1), q (X 2))$	非线性减弱
$M i n (q (X 1), q (X 2)) < q (X 1 ⋂ X 2) < M a x (q (X 1), q (X 2))$	单因子非线性减弱
$q (X 1 ⋂ X 2) > M a x (q (X 1), q (X 2))$	双因子增强
$q (X 1 ⋂ X 2) = q (X 1) + q (X 2)$	独立
$q (X 1 ⋂ X 2) > q (X 1) + q (X 2)$	非线性增强

Table 4 Types of interaction between the two covariates

判据	交互作用
$q (X 1 ⋂ X 2) < M i n (q (X 1), q (X 2))$	非线性减弱
$M i n (q (X 1), q (X 2)) < q (X 1 ⋂ X 2) < M a x (q (X 1), q (X 2))$	单因子非线性减弱
$q (X 1 ⋂ X 2) > M a x (q (X 1), q (X 2))$	双因子增强
$q (X 1 ⋂ X 2) = q (X 1) + q (X 2)$	独立
$q (X 1 ⋂ X 2) > q (X 1) + q (X 2)$	非线性增强

Fig.2 Change in land use in the Xin’an River Basin from 2000 to 2020

Fig.3 Contribution of drivers to the growth of cropland, forest, and built-up areas in the Xin’an River Basin

Fig.4 Increasing areas of cultivated land, forest and built-up land in the Xin’an River Basin, superimposed on their highest contributing factors

Fig.5 Carbon storage changes in the Xin’an River Basin from 2000 to 2020

Fig.6 Spatial distribution of carbon storages in the Xin’an River Basin from 2000 to 2020

Fig.7 Distribution of different land-use scenarios in the Xin’an River Basin in 2040

Fig.8 Spatial distribution of carbon storages in the Xin’an River Basin from 2020 to 2040

Fig.9 Detection results of the interactions of the drivers for carbon storages in the Xin’an River Basin in 2020

References 69

[1]	邵壮, 陈然, 赵晶, 等. 基于FLUS与InVEST模型的北京市生态系统碳储量时空演变与预测[J]. 生态学报, 2022, 42(23): 9456-9469.
[2]	罗丹, 周忠发, 陈全, 等. 喀斯特地区碳储量对土地利用模式的响应: 以南北盘江流域为例[J]. 生态学报, 2023, 43(9): 3500-3516.
[3]	HOU G L, DELANG C O, LU X X, et al. A meta-analysis of changes in soil organic carbon stocks after afforestation with deci-duous broadleaved, sempervirent broadleaved, and conifer tree species[J]. Annals of Forest Science, 2020, 77(4): 92.
[4]	李春亮, 王翔, 张炜, 等. 黄土高原西段表层土壤有机碳储量及时空变化规律[J]. 现代地质, 2022, 36(2): 655-661.
[5]	张立, 金晶泽, 姜侠, 等. 1986—2019年黑龙江省松嫩平原表层土壤有机碳变化及固碳潜力估算[J]. 现代地质, 2021, 35(4): 914-922.
[6]	PONGRATZ J, REICK C, RADDATZ T, et al. A reconstruction of global agricultural areas and land cover for the last millennium[J]. Global Biogeochemical Cycles, 2008, 22(3): GB3018.
[7]	张平平, 李艳红, 殷浩然, 等. 中国南北过渡带生态系统碳储量时空变化及动态模拟[J]. 自然资源学报, 2022, 37(5): 1183-1197. DOI
[8]	蒋烨林, 王让会, 彭擎, 等. 干旱区景观格局演变及碳收支状况研究: 以塔里木盆地为例[J]. 生态与农村环境学报, 2019, 35(7): 875-884.
[9]	TAO Y, TIAN L, WANG C, et al. Dynamic simulation of land use and land cover and its effect on carbon storage in the Nanjing metropolitan circle under different development scenarios[J]. Frontiers in Ecology and Evolution, 2023, 11: 1102015.
[10]	郎燕, 刘宁, 刘世荣. 气候和土地利用变化影响下生态屏障带水土流失趋势研究[J]. 生态学报, 2021, 41(13): 5106-5117.
[11]	GAO J, WANG L C. Embedding spatiotemporal changes in carbon storage into urban agglomeration ecosystem management—a case study of the Yangtze River Delta, China[J]. Journal of Cleaner Production, 2019, 237: 117764.
[12]	张徐, 李云霞, 吕春娟, 等. 基于InVEST模型的生态系统服务功能应用研究进展[J]. 生态科学, 2022, 41(1): 237-242.
[13]	刘洋, 张军, 周冬梅, 等. 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, 2021, 41(10): 4052-4065.
[14]	张世伟, 魏璐瑶, 金星星, 等. 基于FLUS-UGB的县域土地利用模拟及城镇开发边界划定研究[J]. 地球信息科学学报, 2020, 22(9): 1848-1859. DOI
[15]	张志堂. 上海城市典型绿地的碳汇估算[J]. 绿色科技, 2017(15): 60-62.
[16]	MURTALA D L. pngAH A M, FIRUZ R M, et al. Exploring urban tree diversity and carbon stocks in Zaria Metropolis, North Western Nigeria[J]. Applied Geography, 2021, 127(1):102385.
[17]	LPATOVL D N, SHCHEGLOV A I, MANAKHOV D V, et al. Spatial variation of organic carbon stocks in peat soils and Gleyzems in the northeast of Sakhalin Island[J]. Eurasian Soil Science, 54(2): 226-237.
[18]	张桂莲. 基于遥感估算的上海城市森林碳储量空间分布特征[J]. 生态环境学报, 2021, 30(9): 1777-1786. DOI
[19]	刘孟竹, 王彦芳, 裴宏伟. 退耕还林(草)背景下中国北方农牧交错带土地利用及碳储量变化[J]. 中国沙漠, 2021, 41(1): 174-182. DOI
[20]	唐志明, 刘炳响, 屈宇. 河北太行山区典型水土保持林乔木层生物量及碳储量研究[J]. 林业资源管理, 2020(1): 102-107, 135.
[21]	李茂娟, 李天奇, 朱文博, 等. 基于InVEST模型的太行山区生态系统碳储量多维变化研究[J]. 河南大学学报(自然科学版), 2021, 51(6): 631-642, 684.
[22]	余健, 童秋英, 朱波. 改进CA-Markov模型的武汉市土地利用变化模拟[J]. 测绘科学, 2020, 45(6): 165-171.
[23]	刘强, 杨众养, 陈毅青, 等. 基于CA-Markov多情景模拟的海南岛土地利用变化及其生态环境效应[J]. 生态环境学报, 2021, 30(7): 1522-1531. DOI
[24]	李媛洁, 叶长盛, 黄小兰. 基于CLUE-S模型的南昌市“三生” 空间时空演变及情景模拟研究[J]. 水土保持研究, 2021, 28(5): 325-332.
[25]	王旭东, 姚尧, 任书良, 等. 耦合FLUS和Markov的快速发展城市土地利用空间格局模拟方法[J]. 地球信息科学学报, 2022, 24(1): 100-113. DOI
[26]	王旭, 马伯文, 李丹, 等. 基于FLUS模型的湖北省生态空间多情景模拟预测[J]. 自然资源学报, 2020, 35(1): 230-242. DOI
[27]	林彤, 杨木壮, 吴大放, 等. 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, 2022, 42(10): 4827-4839.
[28]	刘涛, 刘晓龙, 郭利彪, 等. 基于Markov-PLUS和InVEST模型的锡林郭勒草原碳储量变化预测[J]. 草原与草坪, 2023, 43(2): 1-12.
[29]	王佳楠, 张志. 基于Markov-PLUS模型的柴北缘土地利用变化及模拟分析[J]. 西北林学院学报, 2022, 37(3): 139-148, 179.
[30]	王洁宁, 王文超, 海蒙蒙. 基于PLUS模型的山东省土地利用变化模拟分析[J]. 国土与自然资源研究, 2022(6): 1-8.
[31]	王子尧, 黄楚梨, 李倞, 等. 耦合InVEST-HFI-PLUS模型的生态分区规划与动态评估: 以博尔塔拉蒙古自治州为例[J]. 生态学报, 2022, 42(14): 5789-5798.
[32]	张子凡, 张海燕, 刘晓煌, 等. 华北地区自然资源综合区划的动态变化特征[J]. 中国地质调查, 2021, 8(2): 92-99.
[33]	黄莉, 刘晓煌, 刘玖芬, 等. 长时间尺度下自然资源动态综合区划理论与实践研究: 以青藏高原为例[J]. 中国地质调查, 2021, 8(2): 109-117.
[34]	赖明, 吴淑玉, 张海燕, 等. 基于综合区划的中国西南地区自然资源动态变化特征分析[J]. 中国地质调查, 2021, 8(2): 83-91.
[35]	郑艺文, 张海燕, 刘晓洁, 等. 1990—2018年东北地区综合区划下自然资源动态变化特征分析[J]. 中国地质调查, 2021, 8(2): 100-108.
[36]	姜正龙, 王兵, 姜玲秀, 等. 中国海岸带自然资源区划研究[J]. 资源科学, 2020, 42(10): 1900-1910. DOI
[37]	刘晓煌, 刘晓洁, 程书波, 等. 中国自然资源要素综合观测网络构建与关键技术[J]. 资源科学, 2020, 42(10): 1849-1859. DOI
[38]	张乃夫, 刘霞, 朱继鹏, 等. 安徽新安江流域土壤侵蚀敏感性评价及空间分异特征[J]. 中国水土保持科学, 2014, 12(6): 8-15.
[39]	李冬花, 张晓瑶, 王咏, 等. 新安江流域生态系统服务演化过程及权衡协同关系[J]. 生态学报, 2021, 41(17): 6981-6993.
[40]	YANG J, HUANG X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925.
[41]	孙方虎, 方凤满, 洪炜林, 等. 基于PLUS和InVEST模型的安徽省碳储量演化分析与预测[J]. 水土保持学报, 2023, 37(1): 151-158.
[42]	周杰, 张学儒, 牟凤云, 等. 基于CA-Markov的土壤有机碳储量空间格局重建研究: 以泛长三角地区为例[J]. 长江流域资源与环境, 2018, 27(7): 1565-1575.
[43]	丁岳, 王柳柱, 桂峰, 等. 基于InVEST模型和PLUS模型的环杭州湾生态系统碳储量[J]. 环境科学, 2023, 44(6): 3343-3352.
[44]	吴楠, 陈凝, 程鹏, 等. 安徽省陆地生态系统碳储量变化对未来土地覆被情景的响应[J]. 长江流域资源与环境, 2023, 32(2): 415-426.
[45]	包玉斌, 李婷, 柳辉, 等. 基于InVEST模型的陕北黄土高原水源涵养功能时空变化[J]. 地理研究, 2016, 35(4): 664-676. DOI
[46]	张凯琪, 陈建军, 侯建坤, 等. 耦合InVEST与GeoSOS-FLUS模型的桂林市碳储量可持续发展研究[J]. 中国环境科学, 2022, 42(6): 2799-2809.
[47]	LIANG X, GUAN Q F, CLARKE K C, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China[EB/OL]. 2020. arXiv: 2010. 11541. http://arxiv.org/abs/2010.11541.
[48]	陈新云, 王甜, 李宝健. 北京市西北部生态涵养区未来土地利用及生态系统服务变化情景模拟[J]. 西北林学院学报, 2021, 36(1): 86-95.
[49]	LI Y Y, ZHANG J B, ZHU H, et al. Soil erosion characteristics and scenario analysis in the Yellow River Basin based on PLUS and RUSLE models[J]. International Journal of Environmental Research and Public Health, 2023, 20(2): 1222.
[50]	王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. DOI
[51]	通拉嘎, 徐新良, 付颖, 等. 地理环境因子对螺情影响的探测分析[J]. 地理科学进展, 2014, 33(5): 625-635. DOI
[52]	王成武, 罗俊杰, 唐鸿湖. 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, 2023, 32(2): 215-225. DOI
[53]	李梦华, 韩颖娟, 赵慧, 等. 基于地理探测器的宁夏植被覆盖度时空变化特征及其驱动因子分析[J]. 生态环境学报, 2022, 31(7): 1317-1325. DOI
[54]	WILLCOCK S, PHILLIPS O L, PLATTS P J, et al. Towards regional, error-bounded landscape carbon storage estimates for data-deficient areas of the world[J]. PLoS One, 2012, 7(9): e44795.
[55]	ADHIKARI K, HARTEMINK A E. Digital mapping of topsoil carbon content and changes in the driftless area of Wisconsin, USA[J]. Soil Science Society of America Journal, 2015, 79(1): 155-164.
[56]	ADAMS A B, PONTIUS J, GALFORD G L, et al. Modeling carbon storage across a heterogeneous mixed temperate forest: The influence of forest type specificity on regional-scale carbon storage estimates[J]. Landscape Ecology, 2018, 33(4): 641-658.
[57]	李瑾璞, 夏少霞, 于秀波, 等. 基于InVEST模型的河北省陆地生态系统碳储量研究[J]. 生态与农村环境学报, 2020, 36(7): 854-861.
[58]	王超越, 郭先华, 郭莉, 等. 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, 2022, 31(8): 1667-1679. DOI
[59]	朱丽亚, 胡克, 孙爽, 等. 基于InVEST模型的辽宁省海岸带碳储量时空变化研究[J]. 现代地质, 2022, 36(1): 96-104.
[60]	朱志强, 马晓双, 胡洪. 基于耦合FLUS-InVEST模型的广州市生态系统碳储量时空演变与预测[J]. 水土保持通报, 2021, 41(2): 222-229, 239.
[61]	吴佩君, 刘小平, 黎夏, 等. 基于InVEST模型和元胞自动机的城市扩张对陆地生态系统碳储量影响评估: 以广东省为例[J]. 地理与地理信息科学, 2016, 32(5): 22-28, 36, 2.
[62]	韩玉, 丁素婷, 杨太保. 山西南部中条山生态系统碳储量时空分布及驱动因素[J]. 中国环境科学, 2023, 43(3): 1298-1306.
[63]	HOBLEY E, WILSON B, WILKIE A, et al. Drivers of soil organic carbon storage and vertical distribution in Eastern Australia[J]. Plant and Soil, 2015, 390(1): 111-127.
[64]	尤海舟, 毕君, 王超, 等. 河北小五台山不同海拔白桦林土壤有机碳密度分布特征及影响因素[J]. 生态环境学报, 2018, 27(3): 432-437. DOI
[65]	CONTOSTA A R, LERMAN S B, XIAO J F, et al. Biogeoche-mical and socioeconomic drivers of above- and below-ground carbon stocks in urban residential yards of a small city[J]. Landscape and Urban Planning, 2020, 196: 103724.
[66]	杜之利, 苏彤, 葛佳敏, 等. 碳中和背景下的森林碳汇及其空间溢出效应[J]. 经济研究, 2021, 56(12): 187-202.
[67]	孙毅兵. 森林生态系统土壤碳影响因素研究[J]. 林业勘查设计, 2021, 50(3): 73-75.
[68]	张志国, 班高晗. 土地利用变化驱动下洛阳市生态系统碳储量时空变异[J]. 江苏农业科学, 2021, 49(14): 226-230.
[69]	杨小琬, 张丽君, 秦耀辰, 等. 1995年以来黄河下游碳储量时空变化及驱动因素[J]. 河南大学学报(自然科学版), 2022, 52(1): 20-33.