潍坊市碳储量演变、多情景模拟与驱动因素分析

李琳; 李泽宇; 李岩; 王东; 王辉辉; 宇振昆; 郝志文; 贾超; 丁朋朋

doi:10.12404/j.issn.1671-1815.2502081

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (6) :2652-2665 DOI: 10.12404/j.issn.1671-1815.2502081

环境科学、安全科学

潍坊市碳储量演变、多情景模拟与驱动因素分析

李琳 ¹ ,
李泽宇 ² ,
李岩 ¹^,^* ,
王东 ¹^,³ ,
王辉辉 ¹ ,
宇振昆 ¹ ,
郝志文 ¹ ,
贾超 ² ,
丁朋朋 ⁴

作者信息 +

Carbon Storage Evolution in Weifang City, Multi-scenario Simulation and Driving Factor Analysis

LI Lin ¹ ,
LI Ze-yu ² ,
LI Yan ¹^,^* ,
WANG Dong ¹^,³ ,
WANG Hui-hui ¹ ,
YU Zhen-kun ¹ ,
HAO Zhi-wen ¹ ,
JIA Chao ² ,
DING Peng-peng ⁴

Author information +

文章历史 +

摘要

为在全球气候变化和碳循环研究的宏观背景下,深入探讨并准确分析区域碳储量的动态变化,同时对其未来趋势进行合理预测。通过耦合PLUS(patch-generating land use simulation model)模型与InVEST(integrated valuation of ecosystem services and trade-offs)模型,探讨了2010—2022年山东半岛城市群中代表性城市——潍坊市的碳储量时空演变规律,模拟了自由发展、耕地优先、发展优先、绿色优先这4种情境下2030年潍坊市碳储量的分布特征,同时使用XGBOOST+SHAP模型分析了潍坊市碳储量的驱动因素。研究结果表明:2010年至2022年潍坊市碳储量呈现出下降趋势,由2010年的16.56×10⁶ t下降至2020年的15.98×10⁶ t,主要原因为耕地面积的下降与不透水地面的扩张;在多情景模拟下,耕地优先情景下2030年碳储量总量最大,凸显了耕地作为重要碳汇的潜力及耕地保护策略的关键作用。而绿色优先情景略优于自由发展情景,通过促进林地发展增强固碳能力;发展优先情景下碳储量最小。温度和坡度对潍坊市碳储量的贡献较大,GDP和人口密度则对碳储量具有削弱作用,表明经济增长和城市扩张可能进一步加剧碳储量下降趋势。研究成果不仅揭示了城市群地区人类活动与自然生态系统间的复杂互动,还为制定科学合理的土地利用规划与碳减排策略提供了坚实的数据与理论支撑。

Abstract

To examine regional carbon-stock dynamics within the broader context of global climate change and carbon-cycle processes, the PLUS (patch-generating land use simulation) model was coupled with the InVEST (integrated valuation of ecosystem services and trade-offs) model to quantify the spatiotemporal evolution of carbon storage in Weifang, a representative city within the Shandong Peninsula urban agglomeration, from 2010 to 2022. Carbon-storage patterns for 2030 were simulated under four scenarios—baseline development, cropland-prioritized development, urban-development-prioritized growth, and green-oriented development. The drivers shaping carbon-storage variation were further identified using XGBOOST (extreme gradient boosting) model integrated with SHAP (shapley additive explanations). Carbon storage in Weifang exhibited a persistent decline between 2010 and 2022, decreasing from 16.56×10⁶ t in 2010 to 15.98×10⁶ t in 2020. This reduction primarily resulted from the loss of cropland and the expansion of impervious surfaces. Among the simulated scenarios, the cropland-prioritized scenario produced the highest carbon-storage total in 2030, underscoring both the carbon-sink capacity of cropland and the critical importance of cropland-protection strategies. The green-oriented scenario performed slightly better than the baseline due to enhanced carbon sequestration associated with forest expansion, whereas the urban-development-prioritized scenario yielded the lowest carbon storage. Temperature and slope emerged as the dominant contributors to carbon-storage variation, while GDP and population density exerted negative influences, indicating that economic growth and urban expansion may further intensify the decline in carbon storage. Overall, the findings reveal complex interactions between anthropogenic activities and natural ecosystems within urban-agglomeration contexts and provide a robust scientific basis for formulating land-use planning and carbon-mitigation strategies.

Graphical abstract

关键词

碳储量 / InVEST模型 / PLUS模型 / XGBOOST模型 / 山东半岛城市群

Key words

carbon storage / InVEST model / PLUS model / XGBOOST model / Shandong peninsula urban agglomeration

引用本文

引用格式 ▾

李琳, 李泽宇, 李岩, 王东, 王辉辉, 宇振昆, 郝志文, 贾超, 丁朋朋. 潍坊市碳储量演变、多情景模拟与驱动因素分析[J]. 科学技术与工程, 2026, 26(6): 2652-2665 DOI:10.12404/j.issn.1671-1815.2502081

LI Lin, LI Ze-yu, LI Yan, WANG Dong, WANG Hui-hui, YU Zhen-kun, HAO Zhi-wen, JIA Chao, DING Peng-peng. Carbon Storage Evolution in Weifang City, Multi-scenario Simulation and Driving Factor Analysis[J]. Science Technology and Engineering, 2026, 26(6): 2652-2665 DOI:10.12404/j.issn.1671-1815.2502081

登录浏览全文

4963

注册一个新账户忘记密码

在全球气候变化和温室效应日益严峻的背景下,控制二氧化碳排放、提升生态系统碳封存能力已成为国际社会共同关注的重大议题^[1-2]。中国作为负责任的大国,积极响应全球气候治理号召,提出了2030年前达到碳排放峰值、2060年前实现碳中和的宏伟目标。当前,土地利用变化,特别是建设用地等低碳密度土地利用对林地、草地等高碳密度土地利用的侵占,已成为导致人为陆地碳储量变化的主要原因^[3-4]。深入研究地区由土地利用变化引起的碳储量动态变化特征,预测碳储量未来发展趋势,对于制定科学合理的土地利用规划和碳减排策略具有重要的理论和现实意义。

为实现这一目标,需要完成以下两个关键任务:一是对区域生态系统碳储量进行科学测算;二是对区域土地利用进行合理模拟预测。现有的区域碳储量的测算方法主要包括但不限于实地考察、遥感数据分析与软件模拟等。实地考察作为最直接且数据可信度极高的方法,能够获取详细的地面数据,难以在大面积范围内连续取样,特别是在广袤且地形复杂的区域^[5]。遥感数据分析适用于大尺度碳储量测算,通常用于针对区域森林、植被的碳储量测算^[6]。软件模拟则提供了一种从系统层面理解和测算碳储量的途径,弥补了实地考察和遥感数据分析在时间尺度和空间连续性上的不足。国内常用软件有i-Tree和CITYgreen,以及InVEST模型等。i-Tree和CITYgreen数据库中多为国外植被数据,缺少本土化数据库,精准度有待考量^[7]。InVEST模型依据土地利用种类测算碳储量,所需数据较少,操作便捷,应用最为广泛。

山东半岛城市群作为山东省经济发展的重要引擎,区位优势明显,经济实力雄厚,市场空间广阔^[8],厘清其碳储量时空演变对于实现我国“双碳”目标具有重要意义。潍坊市作为山东半岛城市群的重要组成部分,2010年以来经济快速发展,土地利用变化显著。因此,深入研究潍坊市土地利用变化对碳储量的影响,不仅有助于山东半岛城市群乃至全国范围内的碳管理策略制定,更是推动实现“碳达峰、碳中和”目标的关键一环。

现以潍坊市为例,基于土地利用变化数据以及碳储量估算模型,系统分析潍坊市近年来碳储量的动态变化特征,并预测其未来发展趋势。首先,分析潍坊市2010—2022年土地利用变化情况,揭示不同土地利用类型之间的转化关系。其次,基于历史数据和未来发展趋势多情景模拟2030年潍坊市土地利用类型。随后,使用InVEST模型,对不同土地利用类型下的碳储量进行精确量化,系统探讨这些碳储量在时间和空间维度上的变化特征,最后,基于“XGBOOST+SHAP”模型分析碳储量的驱动因素,为潍坊市未来的碳管理、生态保护及可持续发展策略的制定提供重要的科学依据和数据支持。

1 研究区域与数据来源

1.1 研究区域

潍坊市位于山东半岛西部,居半岛城市群中心位置,地跨118°10'~120°01'E,35°41'~37°26'N,东与青岛、烟台两市连接,西邻淄博、东营两市,南连临沂、日照两市,北濒渤海莱州湾(图1)。地处北温带季风气候区,背陆面海,受欧亚大陆和太平洋的共同影响,大陆度在50%以上,属温暖带季风性半湿润大陆性气候。地貌自北向南由低到高,大体上分为低地、平原及低山丘陵3个地貌区^[9]。

1.2 数据来源

使用了土地利用类型数据,高程数据、坡度数据、河流数据、年降雨量数据、年气温数据)、GDP数据、人口数据、道路数据、铁路数据。所有数据描述如表1所示。所有数据均投影为地理坐标系WGS-1984,栅格数据的列数、行数、像元大小均保持一致,除土地利用类型外,对其他数据进行归一化处理。

2 研究方法

2.1 InVEST模型

InVEST是一套免费的开源软件模型,用于评估和价值化维持和满足人类生活所需的自然资源提供的产品和服务^[14]。在诸多生态评估模型方法中,InVEST模型在空间分析和精度方面具有显著优势。

将碳密度数据输入InVEST模型,从而对潍坊市碳储量分布情况进行分析,计算公式为

(1)C=C_above+C_below+C_soil+C_dead

式(1)中:C为总碳储量;C_above为地上部分碳储量;C_below为地下部分碳储量;C_soil为土壤碳储量;C_dead为死亡有机质碳储量。

死亡有机碳密度数据获取相对困难,在本文研究中不予考虑;综合考虑前人的研究成果^[17-22],得出各土地利用类型碳密度数据,如表2所示。

2.2 PLUS模型

土地利用模拟的常用模型主要有PLUS模型、FLUS模型^[23-24]和元胞自动机(cellular automata,CA)模型^[25-26]等。与PLUS模型相比,FLUS模型需要集成多源异构数据(社会经济、自然环境、政策规划)确保预测准确性,且依赖大量样本数据训练模型,数据不足易致过/欠拟合,影响预测性能^[27]。此外,由于FLUS模型的预测结果受到多个因素的影响,包括政策变化、市场供求、自然灾害等,难以做到100%的准确性^[28]。CA模型作为早期用地种类模拟领域的常用工具,尽管这一模型在微观层面的模拟上展现出强大的能力,但在捕捉并整合宏观层面因素对模拟过程的影响时,却存在一定的局限性^[27]。这种局限性可能导致模拟结果与实际观测数据之间出现显著的偏差,从而限制了模型在复杂城市系统动态分析中的全面性和准确性。

为优化这一不足,中国地质大学(武汉)高性能智能计算实验室团队研发了PLUS模型,融合了土地扩张分析策略和基于多类型随机斑块种子的CA模型的斑块生成土地利用模拟模型^[29]。该模型充分考虑了土地利用变化过程的随机性,使该模型在以往研究中得到广泛应用^[30-33],具有很高的准确率^[34]。

PLUS模型通过马尔科夫链方法预测土地利用数量。马尔科夫链的核心公式为

(2)S_t₊₁=S_tP

式(2)中:S_t为t时刻的土地利用状态向量,表示不同土地利用类型的比例;P为转移概率矩阵,表示从一种土地利用类型转移到另一种类型的概率;S为t+1 时刻的土地利用状态向量。

转移概率矩阵P的计算公式为

(3)P_ij=

$\frac{{n}_{ij}}{{N}_{i}}$

式(3)中:P_ij为从土地利用类型 i 转移到类型j的概率;n_ij为从状态i到状态j的转移次数;N_i为状态i的总转移次数。

选择气温、高程、坡度、降水、人口、GDP、到公路的距离、到铁路的距离、到河流的距离作为影响因子,并对因子做归一化处理(图2)。为验证模型对未来土地利用变化的预测能力,采用了2014年与2018年的土地利用数据作为基准,对2022年的土地利用状况进行模拟(图3)。模拟结果表明,模型整体精度(overall accuracy, OA)为0.965,Kappa=0.931,针对潍坊市这一特定区域,PLUS模型展现出了极高的预测精度,为后续研究提供了科学依据。

2.3 XGBOOST模型

XGBoost模型则采用平方误差作为目标函数进行优化。模型以增量方式构建:每一轮训练在前一轮预测结果的基础上最小化误差。目标函数的定义为

(4)

${L}^{t}=\stackrel{n}{\sum _{i=1}}[{y}_{i}-{\widehat{y}}^{t-1}-{f}_{t}({x}_{i}{\left)\right]}^{2}+\Omega \left({f}_{t}\right)$

式(4)中: y_i为实际值;

${\widehat{y}}_{i}^{t-1}$

为第t-1轮的预测值;f_t(x_i)为第t棵新树的输出;Ω(f_t)为正则化项,用于控制树的复杂度。

(5)

$\mathrm{\Omega }\left({f}_{t}\right)=\mathrm{\gamma }\mathrm{T}+\frac{1}{2}\mathrm{\lambda }\stackrel{T}{\sum _{j=1}}{w}_{j}^{2}$

式(5)中:T为叶节点数;w_j为叶节点的权重;γ和λ为正则化参数。

最终预测结果为

(6)

${\widehat{y}}_{i}=\stackrel{T}{\sum _{t=1}}{f}_{t}\left({x}_{i}\right)$

式(6)中:

${\widehat{y}}_{i}$

为最终预测结果; f_t(x_i)为第t个决策树对第i个样本的预测结果。

2.4 SHAP模型

SHAP方法由Lundberg等^[35]于2017年提出,其理论基础源自合作博弈论,能够解释分类和回归模型的预测结果。该方法的一个显著优势在于,它能够为每次预测提供详尽的解释,揭示各个特征对预测结果的具体贡献^[36-37],从而增强了模型的透明度和可信度。具体步骤如下。

(1)SHAP值计算:对XGBoost模型计算每个特征的SHAP。SHAP是衡量每个特征对模型输出贡献的一个重要指标。对于每个模型,利用shap.Explainer对测试集中的样本进行分析,从而获得每个特征的SHAP。

(2)全局特征重要性:通过计算每个特征的平均绝对SHAP值,得出每个模型的全局特征重要性。这种方法能够揭示特征在整个预测过程中的影响程度。

3 结果与讨论

3.1 2010—2022年土地利用类型演变趋势

2010年、2014年、2018年、2022年的土地利用情况如表3和图4所示,耕地面积从2010年的11 158.58 km²开始,逐年递减,直至2022年已下降至10 267.22 km²,同时,林地的占比则表现出一种相对温和的增长态势,由2010年的54.15 km²,上升至2022年的736.20 km²。此外,不透水地面的面积占比呈现出了显著的上升趋势。从2010年的2 954.16 km²稳步攀升至2022年的3 899.53 km²。

为确保分析结果的清晰可视性及数据的有效性,在分析前进行了数据预处理。首先排除了那些在整个研究周期内持续保持为耕地类型的区域,这些区域占总研究区域的约4 126.71 km²,以减少因长期稳定性而可能掩盖的其他类型用地变化的显著性。此外,鉴于裸地区域在本研究区域内占比较小,且其动态变化对整体土地利用格局的影响有限,同样选择将其从分析数据中剔除,以确保分析结果的聚焦性和准确性。

结果如图5和图6所示,耕地的主要转化为不透水地面、草地以及林地,分别占据了1.98%、0.33%和0.26%的转化比例。这一趋势不仅深刻揭示了人类活动对自然环境的深远影响,也预示着土地利用模式正朝着多元化、复杂化的方向演进。

不透水地面的急剧扩张,作为城市化进程加速的直接反映,占据了耕地转化中的主导地位。自2010年以来,随着人口规模的不断膨胀与经济的持续繁荣,城市边界持续向外扩张,耕地被建筑、道路网络及基础设施所替代,进而形成了广袤的不透水地面。尽管在2018—2022年,有237.48 km²的不透水地面因城市更新、生态修复等策略的实施而部分恢复为耕地,但总体上,不透水地面的持续增加仍是不可逆转的主流趋势,凸显了城市化进程的强劲动力与深远影响。

同时,耕地与林地、水体、草地之间的土地利用转换也展现出复杂的动态平衡。尤为显著的是,林地面积的增长趋势并未因耕地保护政策的实施而减缓,反而2010—2022年逐年增强,转化量由最初的8.20 km²增长至52.47 km²。这一现象可归因于两方面:一是林业政策的积极推动与社会对生态环境保护意识的提升,促使部分地区实施了退耕还林、植树造林等生态修复措施;二是耕地资源面临的严峻挑战,包括自然条件恶化、经济效益下降等因素,导致部分耕地被放弃并转化为林地。

此外,水体与草地作为自然生态系统不可或缺的组成部分,在耕地转化过程中亦发挥了重要作用,尽管其转化比例相对较低,但其生态价值与社会功能不容忽视。水体的变化受到气候变化、人类活动干扰等多重因素的共同作用,而草地的扩张则与畜牧业发展策略、生态保护政策的实施紧密相关。

3.2 基于多情景模拟的2030年土地利用类型

根据图7对不同情景下土地利用模拟结果及各地类变化的分析,潍坊市在2030年与2022年的土地利用空间分布格局预计不会发生显著变化,然而,在不同规划或发展情景下,土地利用的具体变化将呈现出明显的差异。研究考虑了多种情景下未来土地利用类型的发展情况。结合当前实际和政府规划方案,研究设置了如下4种情景。

(1)自由发展情景。潍坊市将秉持着顺应自然、尊重生态的原则,有序地推进土地利用的变化。基于市场驱动逻辑和历史发展趋势,顺应潍坊市城市化与农业现代化的自然进程。参考2010—2020年《潍坊市统计年鉴》数据,潍坊市建设用地年均增长2.3%,预计未来耕地和建设用地将适度扩张,同时部分草地和未利用地将被占用,体现资源要素的自然流动规律。

(2)耕地优先情境。依据《潍坊市国土空间总体规划(2021—2035年)》,坚持耕地应保尽保、永久基本农田应划尽划,同时,优化城镇空间布局,遏制耕地向不透水地面转化的趋势,以保障粮食安全与生态安全。

(3)绿色优先发展情境。紧密依托《潍坊市国土空间生态修复规划(2021—2035年)》的指导原则,积极推进国土绿化工程,旨在显著提升区域生态屏障的功能性,并计划通过一系列措施显著增加林地与草地的覆盖面积。为实现这一目标,在使用PLUS模型进行模拟预测时,调整参数设置,将原本在自由发展模式下预计用于耕地扩张与不透水地面建设需求量的5%,转而分配给林地的发展,以此体现对生态环境保护的高度重视与积极实践。

(4)发展优先情景。依据《山东半岛城市群发展规划(2021—2035年)》,强化潍坊作为青岛都市圈副中心定位为目标,规划中心城区人口从265万人增至300万人,并在奎文-潍城组团规划12.5 km²的中央创新区,预留40%的先进制造业用地,同时配合京沪二通道潍坊北站枢纽建设,推动区域经济高质量发展。在此情景下,建设用地的扩张面积将达到最大,特别是潍坊市中心城区及其周边区域,如奎文区、潍城区等,将成为耕地及建设用地扩张的主要区域。

尽管情景2、情景3、情景4均有相应规划作为依据,但规划在实施过程中可能因经济、社会、自然条件等因素的变化而调整,且不同情景下土地利用规划需平衡多项目标,存在权衡与侧重。此外,设置不同模拟条件可提前评估规划实施的多种可能性,识别潜在问题,为决策提供更全面的支持,确保规划的顺利实施和可持续发展。因此,有必要在模拟中设置不同的条件以反映这些差异。

依据表4与图8进行分析,得出如下结果。

(1)在自由发展的情景中,2030年,潍坊市耕地面积达到5 302.26 km²,但同时也面临较大的转化压力,高达385.97 km²转化为不透水地面,主要用于城市化和工业化建设。林地自由发展情景中保持了相对稳定,总面积为371.32 km²。不透水地面面积在自由发展情景下迅速增长,达到2 054.05 km²。草地作为生态缓冲带,在自由发展情景中保持了一定面积,总面积为123.37 km²。

(2)在耕地优先情景下,耕地面积显著增加至5 708.99 km²,大量林地(43.97 km²)和草地(1.22 km²)被转化为耕地,体现了耕地保护政策的强力执行。林地资源在此情景下受到较大影响,总面积减少至386.38 km²。草地资源保持相对稳定,总面积为136.39 km²。裸地面积显著减少至16.29 km²,主要转化为不透水地面(5.29 km²),反映了土地利用效率的提升。不透水地面面积持续增长至2 145.25 km²,其中大部分增长源于耕地的转化,共计有849.31 km²的耕地转变成了不透水地面。

(3)在发展优先情景下,不透水地面面积增长至2 144.84 km²,有849.31 km²的耕地被转化为不透水地面,直接导致了耕地面积大幅减少。林地资源在此情景下保持相对稳定,总面积为382.72 km²。草地资源在发展优先情景下略有增加,总面积达到140.87 km²。水体资源得到全面保护,总面积保持不变(399.82 km²),未受到发展优先策略的直接影响。

(4)在绿色优先情景下,林地资源显著增加至386.79 km²,主要是通过耕地转化而来。这有助于提升生态系统的服务功能,为城市的可持续发展提供有力支撑。草地资源保持相对稳定且略有增加(144.13 km²),表明在绿色发展过程中,草地资源得到了有效保护。水体资源得到全面保护,总面积保持不变。裸地面积大幅减少至19.54 km²,主要转化为林地和草地。不透水地面面积略有增长至2 150.54 km²,但增速明显低于其他情景。这反映了在绿色优先战略下,城市化进程与生态环境保护之间的平衡和协调。

3.3 潍坊市碳储量时空变化特征与预测

如图9和图10所示,2010—2030年潍坊市碳储量总量,分别为16.56×10⁶、16.30×10⁶、16.18×10⁶、15.99×10⁶、15.98×10⁶ t,呈现出递减的趋势。从各用地类型的碳储量变化可以看出,碳储量总量递减的原因主要为耕地碳储量的减少,耕地作为重要的碳汇之一,其碳储量的下降直接影响了区域整体的碳储量水平。尽管在这一时期内,不透水地面的碳储量有所上升,这主要归因于建筑材料(如混凝土、沥青等)的固碳效应及部分城市绿化工程的贡献,但其增长量并不足以抵消耕地碳储量减少所带来的总体影响。

如图11和图12所示,在对2030年的多情景模拟中,耕地优先情景下碳储量总量最大,为16.03×10⁶ t,这一结果不仅凸显了耕地作为重要碳汇的潜力,而且强调了实施耕地保护策略在维持并提升区域碳储量、促进生态系统碳循环平衡中的关键作用。

自由发展情景与绿色优先情景下碳储量总量则呈现出较为接近的趋势,其差异保持在10³的数量级以内,绿色优先情景下的碳储量总量略大于自由发展情景,尽管绿色优先情景通过限制耕地扩张的趋势来优化资源配置,但这一策略反而促进了林地的显著发展,进而增强了固碳能力,使得该情景下的碳储量总量略微超越了自由发展情景。

发展优先情境下碳储量总量最小,为14.95×10⁶ t,这一结果反映了在发展优先策略下,经济活动的快速增长和城市化进程的加速导致土地利用方式发生显著变化,特别是耕地和生态用地的减少,从而减少了区域整体的碳储量。

对多情景下潍坊市碳储量空间变化分布进行分析,如图13所示,在发展优先的情境下下,碳储量的减少趋势尤为显著,受影响面积达到了潍坊市总面积的9.55%,这一比例不容忽视。这一变化的核心驱动在于城市化进程,向城市用地、农业用地及工业用地的转变直接削弱了森林、草地等自然生态系统作为“碳汇”的功能,减少了其固碳能力,进而在空间上形成了显著的“碳汇”向“碳源”的逆转区域。相比之下,在耕地优先的发展模式下,碳储量的正面变化则显得温和而有限,具体表现为碳储量显著增加的区域仅占潍坊市总面积的0.86%。这一增长虽不及碳储量减少的幅度,但仍体现了耕地保护对于维持和提升生态系统碳储量的积极作用。通过优化土地利用结构,特别是加强对耕地资源的保护和管理,能够在一定程度上缓解因快速城市化带来的碳储量损失问题,尽管其效果在空间上呈现较为局限的特点。

在4种情景模拟的综合分析中,尽管各情景下的具体驱动因素和细节差异显著,但在碳储量在空间变化上的却显示出了共通性,一方面,碳储量显著减少的区域主要集中在中部平原地区,这里作为人类经济活动最为集中和土地利用变化最为剧烈的区域,其城市化与工业化进程导致了大量自然植被的丧失,进而减少了碳储量。另一方面,碳储量显著增长的区域则多位于西部山区。这些区域因其独特的地理与气候条件,成为自然资源丰富、生态系统完整的宝贵区域。在多种发展情景下,通过实施森林保护、植树造林及湿地恢复等生态修复措施,西部山区成功扮演了重要碳汇的角色,有效促进了碳储量的增长。

3.4 潍坊市碳储量驱动因素分析

基于XGBoost+SHAP的驱动因素分析结果如表5所示,温度(SHAP=0.003 879)是影响潍坊市碳储量变化的最重要因素,其正向影响占比达到68.00%,表明温度升高在大多数情况下有助于植被生长和碳固存。坡度(SHAP=0.002 901)和海拔(SHAP=0.001 146)同样对碳储量具有较大影响,正向贡献分别为55.03%和56.30%,说明适度坡度和较高海拔区域可能由于人类干扰较少,植被较为完整,碳储量较高。

在人类社会经济因素中,人口密度(SHAP=-0.000 133)和GDP(SHAP=-0.000 804)均表现出一定的负向影响,其中人口密度的负向贡献占比59.48%,GDP的负向贡献占比43.26%,表明城市化和经济发展可能导致土地利用变化,如耕地扩张和建设用地增加,进而影响碳储量积累。

生态环境因素方面,到河流的距离(SHAP=-0.000 719)对碳储量的影响较为复杂,负向贡献略大(51.84%),表明靠近河流的区域由于水源充足,可能形成湿地等高碳储量生态系统。降水量(SHAP=-0.002 809)的影响相对显著,且负向影响占比49.55%,可能是由于过量降水引发的土壤侵蚀和植被破坏,从而降低碳储存能力。

各特征对碳储量预测值的影响程度如图14所示。温度、坡度和海拔的SHAP在多个实例中均呈现较强的正向贡献,而GDP和人口密度的影响则表现为更多的负向贡献区域,进一步验证了经济发展对碳储量的削弱作用。

图15进一步揭示了不同特征取值对碳储量影响的变化趋势。GDP和人口密度的高值(红色点)主要对应负向SHAP,说明城市化程度越高,碳储量的减少趋势越明显。而海拔、坡度和温度的高值对应较多正向SHAP,说明这些自然因素有助于维持较高的碳储量。

综合SHAP全局贡献分析和可视化图,潍坊市碳储量的空间分布受到自然因素和人类活动的共同驱动。其中,自然因素(温度、坡度、海拔)起主导作用,而经济发展和城市扩张(GDP和人口密度)在一定程度上抑制了碳储量增长。合理的土地利用规划和绿色发展政策对于提升区域碳汇能力至关重要。

4 结论

通过耦合PLUS土地利用变化模拟模型与InVEST生态系统服务功能评估模型,深入探讨了2010—2022年山东半岛城市群中代表性城市——潍坊市的碳储量时空演变规律。研究揭示了碳储量在不同时间与空间尺度上的动态变化特征,对未来2023年多种发展情景下的土地利用格局与碳储量分布进行了精准预测与模拟,分析了潍坊市碳储量的驱动因素,得到如下结论。

(1)2010—2022年,耕地面积持续下滑,从2010年的11 158.58 km²减少至2022年的10 267.22 km²,主要原因为城市化进程的加速和农业用地向非农业用地的转化。相反,林地面积显著增加,由2010年的54.15 km²增长至2022年的736.20 km²,这得益于潍坊市生态保护政策的实施与公众环保意识的提升。不透水地面的急剧扩张是另一显著特征,其面积占比显著上升,反映了城市化对自然环境的深远影响。

(2)2010年、2014年、2018年、2022年的碳储量总量逐年减少,分别为:16.56×10⁶、16.30×10⁶、16.18×10⁶、15.99×10⁶ t,主要原因为耕地碳储量减少,尽管不透水地面碳储量上升,但不足以抵消耕地减少的负面影响。

(3)在潍坊市2030年碳储量多情景模拟中,发现耕地优先情景碳储量最大(16.03×10⁶ t),凸显耕地碳汇潜力及保护策略的重要性。自由与绿色优先情景碳储量相近,绿色优先通过林地发展略增碳储量。发展优先情景碳储量最低(14.95×10⁶ t),反映经济活动与城市化对碳储量的负面影响。空间分析显示,发展优先下碳储量减少显著,城市化进程削弱自然碳汇功能;耕地优先虽增幅有限,但体现耕地保护积极作用。整体而言,碳储量减少多集中于中部平原,增长则见于西部山区,生态修复措施对提升碳储量至关重要。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	蒋金荷. 全球碳治理体系新特征及完善中国碳治理的策略展望[J]. 价格理论与实践, 2024(1): 29-36, 101.

[2]	Jiang Jinhe. New features of global carbon governance system and strategic prospects for improving China’s carbon governance[J]. Price: Theory & Practice, 2024(1): 29-36, 101.

[3]	郭朝泽, 胡林静, 王佳琛, 等. 基于LCA碳总排放量的大型工业园区综合能源供应系统多目标优化[J]. 科学技术与工程, 2024, 24(7): 2715-2723.

[4]	Guo Zhaoze, Hu Linjing, Wang Jiachen, et al. Multi-objective optimization of integrated energy supply system in large industrial park based on total carbon emissions of LCA[J]. Science Technology and Engineering, 2024, 24(7): 2715-2723.

[5]	Zhu G F, Qiu D D, Zhang Z X, et al. Land-use changes lead to a decrease in carbon storage in arid region, China[J]. Ecological Indicators, 2021, 127. DOI: 10.1016/j.ecolind.2021.107770.

[6]	王少剑, 周诗洁, 方创琳. 远程关联视角下中国碳储量在建设用地流动中的变化及驱动因素分析[J]. 科学通报, 2024, 69(27): 4119-4136.

[7]	Wang Shaojian, Zhou Shijie, Fang Chuanglin. Analysis of changes and driving factors of China’s carbon storage in construction land flow from the perspective of remote correlation[J]. Chinese Science Bulletin, 2024, 69(27): 4119-4136.

[8]	庞勇, 李增元, 余涛, 等. 森林碳储量遥感卫星现状及趋势[J]. 航天返回与遥感, 2022, 43(6): 1-15.

[9]	Pang Yong, Li Zengyuan, Yu Tao, et al. Current status and trends of forest carbon storage remote sensing satellites[J]. Spacecraft Recovery & Remote Sensing, 2022, 43(6): 1-15.

[10]	许澳康, 胡梦珺, 石晶, 等. 基于PLUS-InVEST模型的石羊河流域生态系统碳储量时空变化及多情景模拟[J]. 中国环境科学, 2023, 44(6): 3365-3375.

[11]	Xu Aokang, Hu Mengjun, Shi Jing, et al. Spatial and temporal changes of carbon storage in the ecosystem of the Shiyang River Basin based on the PLUS InVEST model and multi scenario simulation[J]. Chinese Environmental Science, 2023, 44(6): 3365-3375.

[12]	江佩宜, 戴菲. 城市绿地碳汇测算方法研究进展[J]. 中国城市林业, 2024, 22(1): 87-93.

[13]	Jiang Peiyi, Dai Fei. Research progress on carbon sequestration calculation methods for urban green spaces[J]. Journal of Chinese Urban Forestry, 2024, 22(1): 87-93.

[14]	赵丽娜, 钱进. 发挥山东半岛城市群黄河流域龙头作用的路径选择——基于城市群效应视角[J]. 东岳论丛, 2023, 44(9): 150-156.

[15]	Zhao Lina, Qian Jin. Path selection for leveraging the leading role of the Shandong Peninsula urban agglomeration in the Yellow River Basin: based on the perspective of urban agglomeration effects[J]. Dongyue Tribune, 2023, 44(9): 150-156.

[16]	邱新法, 宋亚君, 曾燕. 气象灾害风险评估承灾体易损性参数定量确定方法研究——以潍坊市干旱、暴雨洪涝灾害为例[J]. 科学技术与工程, 2013, 13(22): 6516-6525.

[17]

Qiu Xinfa, Song Yajun, Zeng Yan. Study on quantitative determination method of vulnerability parameters of disaster bearing body in meteorological disaster risk assessment: a case study of drought, rainstorm and flood disasters in Weifang[J]. Science Technology and Engineering, 2013, 13(22): 6516-6525.

[18]	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.

[19]	NASA, METI, AIST, et al. ASTER global digital elevation model V003[EB/OL]. ( 2013-11-01)[2024-08-01]. https://www.nasa.gov/image-detail/global-digital-elevation-model/.

[20]	Han J Y, Miao C Y, Gou J J, et al. A new daily gridded precipitation dataset for the Chinese mainland based on gauge observations[J]. Earth System Science Data, 2023, 15(7): 3147-3161.

[21]	Peng S Z, Ding Y X, Liu W Z, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J]. Earth System Science Data, 2019, 11(4): 1931-1946.

[22]	王灿, 王嘉琛. 中国历史GDP空间分布公里网格数据集(1990—2015)[EB/OL]. (2022-07-01)[2024-08-01]. https://www.tpdc.ac.cn/zh-hans/data/c91fd466-1f60-4bdb-8cdb-de6f663b0ae7.

[23]	Wang Can, Wang Jiachen. Kilometer grid dataset of China’s historical GDP spatial distribution (1990—2015)[EB/OL]. (2022-07-01)[2024-08-01]. https://www.tpdc.ac.cn/zh-hans/data/c91fd466-1f60-4bdb-8cdb-de6f663b0ae7.

[24]	刘金环, 李威, 吕思思. 基于PLUS-InVEST模型的“两湖一库”流域水质净化时空演变[J]. 科学技术与工程, 2024, 24(24): 10184-10193.

[25]	Liu Jinhuan, Li Wei, Lü Sisi. Spatial-temporal Evolution of water quality purification in “Two Lakes and One Reservoir” basin based on PLUS-InVEST model[J]. Science Technology and Engineering, 2024, 24(24): 10184-10193.

[26]	自然资源部. 全国地理信息资源目录服务系统[EB/OL]. (2013-11-01)[2024-08-01]. https://www.webmap.cn/

[27]	Ministry of Natural Resources. National catalogue service system for geographic information resources[EB/OL]. ( 2013-11-01)[2024-08-01]. https://www.webmap.cn/.

[28]	University of Southampton. WorldPop open population repository (WOPR)[EB/OL]. (2013-11-01)[2024-08-01]. https://www.worldpop.org/.

[29]	夏全升, 洪欣, 桂翔, 等. 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, 2023, 43(5): 385-394.

[30]	Xia Quansheng, Hong Xin, Gui Xiang, et al. Research on carbon sequestration capacity and influencing factors in Wuhu City based on InVEST model[J]. Bulletin of Soil and Water Conservation, 2023, 43(5): 385-394.

[31]	吴舒雁, 朱庆林, 翟焕锋. 基于InVEST模型的广西茅尾海土地利用变化与碳储量评估[J]. 水土保持通报, 2024, 44(1): 432-442.

[32]	Wu Shuyan, Zhu Qinglin, Zhai Huanfeng. Land use change and carbon stock assessment in Maowei Sea, Guangxi based on InVEST model[J]. Bulletin of Soil and Water Conservation, 2024, 44 (1): 432-442.

[33]	方精云, 郭兆迪, 朴世龙, 等. 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(6): 804-812.

[34]	Fang Jingyun, Guo Zhaodi, Piao Shilong, et al. Estimation of land vegetation carbon sequestration in China from 1981 to 2000[J]. Chinese Science (Volume D: Earth Science), 2007 (6): 804-812.

[35]	吕欣怡. 基于InVEST模型的资源型城市碳储量时空变化研究[D]. 曲阜: 曲阜师范大学, 2018.

[36]	Lü Xinyi. Research on the spatiotemporal changes of carbon storage in resource-based cities based on the InVEST model[D]. Qufu: Qufu Normal University, 2018.

[37]	丛文翠, 孙小银. 基于GIS和InVEST模型的日照市固碳能力研究[J]. 水土保持通报, 2018, 38(5): 200-205.

[38]	Cong Wencui, Sun Xiaoyin. Research on carbon sequestration capacity in Rizhao City based on GIS and InVEST model[J]. Bulletin of Soil and Water Conservation, 2018, 38(5): 200-205.

[39]	罗丽, 赵彩云, 殷晓洁, 等. 典型石漠化地区碳储量估算及影响因子[J]. 科学技术与工程, 2025, 25(15): 6570-6578.

[40]	Luo Li, Zhao Caiyun, Yin Xiaojie, et al. Carbon storage estimation and influencing factors in a typical rocky desertification area[J]. Science Technology and Engineering, 2025, 25(15): 6570-6578.

[41]	倪春雨, 何文, 姚月锋. 基于GeoSOS-FLUS模型的桂林市耕地变化趋势[J]. 测绘通报, 2024(5): 35-40.

[42]	Ni Chunyu, He Wen, Yao Yuefeng. Trends of farmland changes in Guilin City based on GeoSOS FLUS model[J]. Bulletin of Surveying and Mapping, 2024(5): 35-40.

[43]	杨鹏辉, 田佳, 张楠, 等. 1990—2022年黄河流域植被时空变化特征及未来趋势预测[J]. 生态学报, 2024(19): 1-12.

[44]	Yang Penghui, Tian Jia, Zhang Nan, et al. Temporal and spatial variation characteristics and future trend prediction of vegetation in the Yellow River Basin from 1990 to 2022[J]. Acta Ecologica Sinica, 2024(19): 1-12.

[45]	杜萌, 赵冬玲, 杨建宇, 等. 基于元胞自动机复合模型的土地利用演化模拟——以北京市海淀区为例[J]. 测绘学报, 2015, 44(S1): 68-74.

[46]	Du Meng, Zhao Dongling, Yang Jianyu, et al. Simulation of land use evolution based on cellular automata composite model: a case study of Haidian District, Beijing[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(S1): 68-74.

[47]	蒲雯, 张超, 王淑华, 等. 基于元胞自动机复合模型的村镇土地利用变化模拟[J]. 中国农业大学学报, 2012, 17(5): 182-189.

[48]	Pu Wen, Zhang Chao, Wang Shuhua, et al. Simulation of rural land use change based on cellular automata composite model[J]. Journal of China Agricultural University, 2012, 17 (5): 182-189.

[49]	黎伟. 基于土地利用的广东省碳储量格局演变与情景模拟[D]. 广州: 广州大学, 2024.

[50]	Li Wei. Evolution and scenario simulation of carbon storage pattern in Guangdong Province based on land use[D]. Guangzhou: Guangzhou University, 2024.

[51]	雒舒琪. 耦合PLUS-INVEST模型的多情景土地利用变化及其对碳储量影响研究[D]. 杨凌: 西北农林科技大学, 2024.

[52]	Luo Shuqi. Research on multi scenario land use change and its impact on carbon storage coupled with PLUS-INVEST model[D]. Yangling: Northwest A&F University, 2024.

[53]	Liang X, Guan Q F, Clarke K, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: a case study in Wuhan, China[J]. Computers, Environment and Urban Systems, 2021, 85.DOI: 10.1016/j.compenvurbsys.2020.101569.

[54]	杨朔, 苏昊, 赵国平. 基于PLUS模型的城市生态系统服务价值多情景模拟——以汉中市为例[J]. 干旱区资源与环境, 2022, 36(10): 86-95.

[55]	Yang Shuo, Su Hao, Zhao Guoping. Multi scenario simulation of urban ecosystem service value based on PLUS model: a case study of Hanzhong City[J]. Journal of Arid Land Resources and Environment, 2022, 36(10): 86-95.

[56]	李阜鹏, 韩惠, 杨树文. 甘肃省2000—2020年土地利用变化分析及基于PLUS的生态空间多情景模拟[J]. 科学技术与工程, 2023, 23(15): 6316-6326.

[57]	Li Fupeng, Han Hui, Yang Shuwen. Analysis of land use change in Gansu Province from 2000 to 2020 and multi-scenario simulation of Gansu’s ecological space based on PLUS[J]. Science Technology and Engineering, 2023, 23(15): 6316-6326.

[58]	邬瑞鑫, 蒙仲举, 孟芮冰, 等. 1987—2022年库布齐沙漠沙化土地时空动态及趋势预测[J]. 地理科学, 2024, 44(8): 1448-1458.

[59]	Wu Ruixin, Meng Zhongju, Meng Ruibing, et al. Spatial and temporal dynamics and trend prediction of desertification land in Kubuqi Desert from 1987 to 2022[J]. Scientia Geographica Sinica, 2024, 44(8): 1448-1458.

[60]	李文杰, 杨俊毅, 傅博, 等. 基于PLUS-InVEST模型的大兴安岭生态系统碳储量时空变化与预测[J]. 环境工程技术学报, 2024, 14(6): 1892-1904.

[61]	Li Wenjie, Yang Junyi, Fu Bo, et al. Spatial and temporal changes and prediction of carbon storage in the Greater Khingan Range ecosystem based on the PLUS InVEST model[J]. Journal of Environmental Engineering Technology, 2024, 14(6): 1892-1904.

[62]	Huang C, Zhou Y, Wu T, et al. A cellular automata model coupled with partitioning CNN-LSTM and PLUS models for urban land change simulation[J]. Journal of Environmental Management, 2024, 351.DOI: 10.1016/j.jenvman.2023.119828.

[63]	Lundberg S M, Lee S I. A unified approach to interpreting model predictions[C]//Neural Information Processing Systems. Long Beach: Curran Associates Inc., 2017: 4768-4777.

[64]	Zhang J Y, Ma X L, Zhang J L, et al. Insights into geospatial heterogeneity of landslide susceptibility based on the SHAP-XGBoost model[J]. Journal of Environmental Management, 2023, 332. DOI: 10.1016/j.jenvman.2023.117357.