基于PLUS-InVEST模型的祁连山南麓土地利用多情景模拟及碳储量评估

Multi-scenario simulation of land use and carbon stock assessment in southern foothills of Qilian Mountains based on the PLUS-InVEST model

摘要

目的 分析祁连山生态脆弱地区未来土地利用变化对碳储量的影响，量化其固碳价值，为保障“双碳”目标的实现及未来区域土地资源合理利用提供重要工具。 方法 基于PLUS-InVEST模型，预测祁连山南麓2030年和2060年4种情景下土地利用变化，并估算了其陆地生态系统碳储量。 结果 （1） 2010—2020年研究区以草地为主要优势地类，面积占比超过50%，其次为未利用地、林地、水域、耕地、建设用地。期间，耕地、草地及未利用地的面积缩减，林地、水域及建设用地的面积扩张。（2） PLUS模型预测精度Kappa值为0.95，该预测模拟在复杂的祁连山区可行。发生变化的地区主要集中在南部的青海湖周边及中部的高海拔地区。（3） 估算研究区2010年、2015年、2020年的碳储量分别为2.038×10⁸ t，2.041×10⁸ t，2.034×10⁸ t，总体呈下降趋势。不同情景下土地利用的变化对碳储量的影响存在明显的差异。未来时段，在自然发展情景和耕地发展情景下，林草等生态用地的减少导致了碳储量的减少；在综合发展情景下，既守住了耕地红线，又保护了生态用地，碳储量变化不大；仅有在生态保护情景下，最大程度控制建设用地无序扩张，切实保护生态用地，碳储量才有所增加，该情景下具有增强固碳的潜力。 结论 祁连山南麓地区生态系统碳储量呈下降趋势，只有坚持生态保护的发展方式才能提高区域固碳能力，因此祁连山南麓地区要协调各用地类型，坚持生态优先。

Abstract

Objective This study aims to analyze the impact of future land-use changes in ecologically fragile areas of the Qilian Mountains on carbon stocks， quantify their carbon sequestration value， and provide a vital tool for safeguarding the achievement of the dual carbon goals and ensuring the rational utilization of regional land resources in the future. Methods This study utilized the PLUS-InVEST model to forecast land use changes in the southern foothills of the Qilian Mountains under four scenarios for the years 2030 and 2060， and to assess carbon stocks of terrestrial ecosystems in the region. Results （1） Between 2010 and 2020， grassland was the dominant land type in the study area， accounting for more than 50% of the total area， followed by unused land， forest land， water bodies， arable land， and construction land. During this period， the area of arable land， grassland， and unused land decreased， while the area of forest land， water bodies， and construction land expanded. （2） The Kappa value for the PLUS model′s prediction accuracy was 0.95， indicating that this predictive simulation was viable in the intricate Qilian Mountains. The areas affected by the changes were mainly concentrated around Qinghai Lake in the south and in the high-altitude regions in the center. （3） Estimated carbon stocks in the study area in 2010， 2015， and 2020 were 2.038×10⁸ t， 2.041×10⁸ t， and 2.034×10⁸ t， respectively， with an overall decreasing trend. The impact of changes in land use on carbon stocks varied significantly depending on the scenario. In the future， under natural development and arable land development scenarios， the reduction in forest and grassland ecological land led to a decrease in carbon stocks. Under the comprehensive development scenario， both the farmland red line was maintained and ecological land was protected， resulting in little change in carbon stocks. Only under the ecological protection scenario， where the uncontrolled expansion of construction land was strictly limited and ecological land was protected， did carbon stocks increase， demonstrating the potential for enhanced carbon sequestration in this scenario. Conclusion The carbon stocks of ecosystems in the southern foothills of the Qilian Mountains are declining. Only by adhering to an ecological conservation-oriented development approach can the region′s carbon sequestration capacity be enhanced. Therefore， the southern foothills of the Qilian Mountains must coordinate various land use types and uphold the principle of ecological priority.

Graphical abstract

关键词

碳储量 / 祁连山南麓 / 土地利用 / PLUS-InVEST模型

Key words

carbon stock / southern foothills of the Qilian Mountains / land use / PLUS-InVEST model

陆地生态系统在维持全球碳循环中发挥着举足轻重的作用^［1］，其可以通过植物的光合作用以及土壤固碳等方式，吸收大气中的CO₂并将其固定，起到减缓气候变暖的作用^［2］。随着全球气候变暖的严峻性以及中国提出的“双碳”战略目标，陆地生态系统碳平衡的研究成为热点。而土地利用变化是决定陆地生态系统碳储量和影响碳循环最重要因素之一^［3］。已有研究表明，优化土地利用结构可以提升生态系统整体的碳固存能力，有效推进全球碳循环发展^［4］。我国作为一个多山国家，山地面积占据国土总面积的2/3，因此，挖掘山地地区土地利用变化对陆地生态系统碳储量的影响，进而揭示山地土地利用转型对碳储量变化的响应机制，对提高区域生态系统固碳能力，助力“双碳”目标的实现具有重要意义。

目前，针对区域碳储量估算的研究多基于未来不同土地利用转型情景^［5］。在未来土地利用转型预测的研究中多采用模型法，常用模型包括CA-Markov（Cellular Automata-Markov）模型、FLUS（Future Land Use Simulation）模型、PLUS（Patch-generating Land Use Simulation）模型等。其中，由Liang等^［6］提出的PLUS模型相较于其他模型，不仅考虑了未来规划政策对土地利用变化的影响，而且弥补了现有模型在转换规则挖掘策略和土地利用动态变化模拟策略上的不足^［7］。在此基础上，针对某一种或多种土地利用变化对碳储量的影响研究中，不少学者采用了实测法，实测法虽精度较高，但无法针对较大区域展开研究。针对上述问题，衍生出DNDC（Denitrification-Decomposition）、CASA（Carnegie-Ames-Stanford Approach）及InVEST（Integrated Valuation of Ecos-ystem Services and Tradeoffs）等诸多模型，可模拟不同空间尺度下的碳储量格局。其中，DNDC模型可以描述碳循环的机理过程，但主要针对农田生态系统；CASA模型借助遥感技术，实用性强，分辨率高，但也导致了模型所需参数的大量增加；相比之下，InVEST模型具有需求数据少，操作简单、易运行等特点，可以实现多目标、多情景下的生态系统碳储量评估^［8］，被许多国内外学者广泛应用。综合PLUS以及InVEST模型的各自优势，将斑块生成土地利用模拟模型和生态服务功能相耦合，可以模拟在不同情景下多种土地利用变化对区域碳储量的影响。例如Geng等^［9］结合PLUS以及InVEST模型探究了宁夏哈巴湖自然保护区研究区在1990—2020年以及未来2030年碳储量的时空分布；石晶等^［10］运用PLUS-InVEST模型模拟了酒泉市2035年在自然发展、集约发展、水资源约束和生态保护情景下碳储量的时空演变特征。耦合PLUS-InVEST模型，运行效果良好，广泛适用，已被应用于国内外各种区域尺度下土地利用变化及碳储量模拟。

祁连山南麓，不仅是我国西部干旱区重要的水源涵养地，更是阻止西部沙漠向东侵蚀的天然屏障，在维系西北干旱区的生态安全中发挥了重要作用，是实现生态固碳和“双碳”目标的重点区域。由于祁连山南麓生态系统复杂多样，不同的人类活动以及不同的生态保护措施使部分土地利用方式发生改变，该地区碳储量估算存在较大的不确定性。加之在未来时期，祁连山南麓乃至青海省都将继续以保护和改善生态环境为出发点和落脚点。因此，为体现政策对区域土地利用变化及碳储量的影响，针对祁连山南麓未来土地利用多情景模拟及碳储量评估的研究亟需结合国土空间规划、“双碳”目标等国家战略。目前，虽有部分关于祁连山地区陆地生态系统碳储量的相关研究，但多集中于过去及现在时间序列的讨论，而基于政策推动下，针对未来不同土地利用格局变化对碳储量影响的研究仍相对缺乏。因此，本研究基于PLUS-InVEST模型，模拟在自然发展、耕地发展、生态保护以及综合发展4种情景下2030年及2060年土地利用变化及估算其碳储量，以期为祁连山地区提升碳汇能力，实现绿色低碳发展提供参考。

1 研究区概况及数据来源

1.1 研究区概况

研究范围介于北纬36°51′—39°5′，东经98°5′—101°14′，地处青藏高原东北缘（图1）。区域海拔高度为2 246~5 233 m，地形复杂多样，高程差大，发育有大量冰碛堆积地貌^［11］。该区深居内陆，为典型高原大陆性气候，年均温度约0.7 ℃，年均降雨量约400 mm。区内主要河湖包括黑河、托勒河、八宝河、大通河和青海湖。植被分布具有明显的垂直地带性，海拔由低到高依次为山地草原、山地森林草原、高山灌丛草甸、高寒草甸和高寒稀疏草甸^［12］。土壤类型也表现出相应明显的垂直带谱，依次发育了山地灰褐土、亚高山草甸土、高山灌丛草甸土、高山草甸土和高山寒漠土^［13］。主要行政区划包括海北藏族自治州的祁连县和刚察县，聚居汉、藏、蒙、回等15个民族，产业以畜牧业为主，辅以种植业、旅游业、矿产开发等。丝路文化在此源远流长，形成独特的“祁连山文化圈”。

1.2 数据来源

本研究所用的土地利用数据来自中国科学院资源环境科学与数据中心的2010年、2015年、2020年3期数据，包括耕地、林地、草地、水域、建设用地、未利用地6个一级地类。选取自然环境与社会经济共7类数据作为土地利用变化的影响因子，数据时间年份为2020年。其中坡度数据利用ArcGIS 10.8软件由DEM数据分析获得，同时，将所有数据坐标系统一为WGS_1984_UTM_Zone_47N。具体数据来源见表1。

2 研究方法

2.1 InVEST模型

InVEST模型简化了碳循环，已经假设各地类的碳密度为常量，即不考虑植被生长周期或气候条件等变化对固碳能力的影响^［14］。模型中的Carbon模块将陆地生态系统碳储量划分为4个碳库，所以最终碳储量是基于各土地利用类型面积和相应的4个碳库的碳密度相乘所得。采用公式（1）和公式（2）测算：

C_i=C_{\mathrm{a}\mathrm{b}\mathrm{o}\mathrm{v}\mathrm{e}}+C_{\mathrm{b}\mathrm{e}\mathrm{l}\mathrm{o}\mathrm{w}}+C_{\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}+C_{\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{d}}（1）

C_{\mathrm{t}\mathrm{o}\mathrm{t}}={\displaystyle \sum _{i=\mathrm{1}}^n}{A}_i\times C_i（2）

式中：C_i 为不同土地利用类型的碳密度（t/hm²）；C_above，C_below，C_soil和C_dead为土地利用类型的地上碳、地下碳、土壤碳和死亡有机物碳的碳密度（t/hm²）；C_tot为研究区域内生态系统的总碳储量（t）；A_i 为某一土地利用类型的面积（hm²）。

碳密度参考以往研究经验^［15］，借鉴Alam等^［16］利用年均降水量对生物量和土壤碳密度的修正方法，陈光水等^［17］利用年均温对生物量碳密度的修正方法，对以往碳密度进行修正。采用公式（3）—（9）测算。

C_{\mathrm{B}\mathrm{P}}=\mathrm{6.798}{\mathrm{e}}^{\mathrm{0.0054}\mathrm{M}\mathrm{A}\mathrm{P}}（3）

C_{\mathrm{B}\mathrm{T}}=\mathrm{28}\mathrm{M}\mathrm{A}\mathrm{T}+\mathrm{398}（4）

C_{\mathrm{S}\mathrm{P}}=\mathrm{3.3968}\mathrm{M}\mathrm{A}\mathrm{P}+\mathrm{3996.1}（5）

式中：C_BP和C_BT分别为年平均降水量和年平均气温计算的生物量碳密度（t/hm²）；C_SP为土壤碳密度（t/hm²）； MAT为年平均气温（全国和祁连山南麓分别确定为9 ℃和0.7 ℃）；MAP为年平均降水量（全国和祁连山南麓分别确定为628 mm和414.5 mm）。

K_{\mathrm{B}\mathrm{P}}=C_{\mathrm{B}\mathrm{P}}^{\mathrm{1}}/C_{\mathrm{B}\mathrm{P}}^{\mathrm{2}}（6）

K_{\mathrm{B}\mathrm{T}}=C_{\mathrm{B}\mathrm{T}}^{\mathrm{1}}/C_{\mathrm{B}\mathrm{T}}^{\mathrm{2}}（7）

K_B=K_{\mathrm{B}\mathrm{P}}\times K_{\mathrm{B}\mathrm{T}}=\frac{C_{\mathrm{B}\mathrm{P}}^{\mathrm{1}}}{C_{\mathrm{B}\mathrm{P}}^{\mathrm{2}}}\times \frac{C_{\mathrm{B}\mathrm{T}}^{\mathrm{1}}}{C_{\mathrm{B}\mathrm{T}}^{\mathrm{2}}}（8）

K_S=C_{\mathrm{S}\mathrm{P}}^{\mathrm{1}}/C_{\mathrm{S}\mathrm{P}}^{\mathrm{2}}（9）

式中：K_BP为生物量碳密度降雨因子修正系数；K_BT为生物量碳密度气温因子修正系数；K_B为生物量碳密度修正系数；K_S为土壤碳密度修正系数；C₁和C₂分别为祁连山南麓及全国碳密度数据（t/hm²）。

最终结果见表2—3。

2.2 未来多情景设定

为满足不同社会经济发展需求与政策需要，本研究基于PLUS模型模拟“2030年碳达峰”“2060年碳中和”背景下的4种发展情景。情景设置参考最新公开的青海省土地利用规划：《青海省国民经济和社会发展第十四个五年规划纲要》和《青海省国土空间规划（2021—2035年）》。情景设定如下：

（1） 自然发展情景：延续2010—2020年发展趋势，并将其作为国家发展战略下的土地利用变化需求。

（2） 生态保护情景：将耕地和未利用地向林地、草地和水域的转化概率提高50%，将林地、草地和水域向耕地和未利用地转化概率降低30%。

（3） 耕地发展情景：目的是保护耕地面积不小于2025年规划的耕地面积，并保持中高产耕地。具体而言，将耕地和未利用地向林地、草地和水域的转化概率降低30%，将耕地向未利用地转化概率降低50%，将林地、草地、水域、未利用地向耕地的转化概率提高50%。

（4） 综合发展情景：同时考虑耕地开发和生态保护的综合发展。在该情景中，未利用地向耕地、林地、草地和水域的转化概率增加60%，耕地、林地、草地和水域向未利用地转化概率减少50%。

2.3 PLUS模型

PLUS模型是在FLUS模型的基础上改进的一种新的CA模型^［18］，其优点在于可以更好地挖掘影响各用地类型变化的因素，也可以模拟多类土地利用斑块级的变化，进而提高土地利用预测的精确性。主要由土地扩张分析策略模块（LEAS）和基于多元随机斑块种子的元胞自动机模型（CARS）组成。LEAS是对两个时期的土地利用数据进行分析，采用随机森林算法来挖掘不同土地利用类型的各驱动因素，通过每一个变化的土地利用类型的生长斑块得到土地利用类型的变化规律，能够用于描述特定时间间隔内土地利用变化的特点^［19］。CARS模型将多元随机斑块种子的生成与阈值的递减机制相结合，对局部的土地利用进行模拟。可以在LEAS模块生成发展概率的约束下，通过领域权重和过渡矩阵的约束，使土地利用总量在宏观上满足未来需求^［20］。

2.3.1 模型精度验证

基于PLUS模型，以2010年、2015年土地利用数据为基准，模拟2020年土地利用情况，以Kappa系数检验模拟结果的精确性。结果表明Kappa系数为0.95，具有较高的精度，可以用于预测祁连山南麓多情景下的土地利用变化。

2.3.2 参数设置

（1） 随机森林回归参数：选择随机采样的方式，采样率设置为0.01，即选择1%的像素进行训练。回归树数量为20，mTry为9。并从自然、社会不同角度选取海拔、坡度、降水、气温、人口、GDP、夜间灯光、距铁路距离、距公路距离9个驱动因子。

（2） CARS模块：领域范围为3，递减阈值的衰减系数为0.2，扩散系数为0.1，随机种子的概率为0.1。同时设置水域及祁连山生态保护红线内的土地为限制区。

（3） 各发展情景转移矩阵参数（图2）：0代表不可以发生转换，1代表可以发生转换。

（4） 邻域权重：依据前人研究经验^［21］，采用公式（10）计算。

X^{\mathrm{*}}=\frac{X-X_{\mathrm{m}\mathrm{i}\mathrm{n}}}{X_{\mathrm{m}\mathrm{a}\mathrm{x}}-X_{\mathrm{m}\mathrm{i}\mathrm{n}}}（10）

式中：X^* 为离差标准化值；X为两期土地利用数据间各地类的变化面积（hm²）；X_max为所有地类面积变化的最大值（hm²）；X_min为所有地类面积变化的最小值（hm²）。

根据上式可得，耕地、林地、草地、水域、建设用地、未利用地的邻域权重参数分别为0.001，0.024 8，0.999，0.36，0.038 2，0.091 4。

3 结果与分析

3.1 2010—2020年土地动态变化

分析表明（图3），研究区以草地和未利用地为主要优势地类，草地面积占比超过50%，全区广泛分布；未利用地面积占比超过25%，主要集中在高海拔地区，多为永久或季节性冰雪；林地主要分布在北侧西北东南向的祁连山区，水域除研究区中部的河流外，主要集中在南部青海湖，青海湖北部的低海拔地区是耕地的集中分布区，建设用地面积最小，分布较为零散，部分建设用地呈现出与耕地相伴分布。在2010—2020年期间，耕地、草地的面积呈现先增后减趋势，林地、水域的面积先减少后增加，呈现波动变化。未利用地逐期减少，建设用地面积最小并逐期增加。其中，建设用地面积增幅最大，为40.6%；耕地面积减幅最大，为0.36%。

3.2 多情景下土地利用变化

利用PLUS模型，基于2020年，预测祁连山南麓2030年与2060年在自然发展、生态保护、耕地发展、综合发展共4种情景下的土地利用变化，各情景下，以草地为主要优势地类的基本情况均未改变（图4）。发生变化的地区主要集中在南部的青海湖周边及中部的高海拔地区。

为更精确地描述多情景下的土地利用变化情况，图5为2030年及2060年不同情景下各土地利用的面积对比。

通过图5可得，在自然发展情景下，2030年和2060年各土地利用类型基本延续既往的发展变化，耕地、草地、未利用地的面积将继续减少，林地、水域、建设用地的面积将继续增加。其中草地减少面积最多，相较于2020年，2030年和2060年的草地分别减少1.11×10⁴ hm²，4.18×10⁴ hm²。水域增加面积最多，2030年和2060年的水域分别增加1.04×10⁴ hm²，4.34×10⁴ hm²。由于延续此前发展趋势，未对生态用地进行保护，变化主要体现在草地的转出和水域的转入，其余用地类型变化相对较小。

在生态保护情景下，林地、草地及水域的转入面积增加。相较于2020年，2030年的林地、草地、水域面积将增加9.18×10² hm²，1.18×10⁴ hm²，1.48×10³ hm²；2060年的林地、草地、水域面积将增加3.39×10³ hm²，4.43×10⁴ hm²，4.12×10³ hm²，增加面积主要体现在研究区中部。其余地类转出面积增加，由于耕地及建设用地基数较小，面积变化有限，面积的转出主要体现在未利用地。在此情景下，各类生态用地面积不断增加，作为研究区最大优势地类的草地，面积达到4种情景中最大值。建设用地面积的扩张受到最大程度的限制，这也符合研究区人口不断减少的基本现状。

在耕地发展情景下，耕地、水域、建设用地、未利用地面积将增加；林地和草地面积将减少。其中，相较于2020年，2030年耕地面积增加1.22×10² hm²，2060年耕地面积增加2.04×10² hm²。此情景下，耕地面积有所增加，增加部分主要集中在研究区南部，将部分林草地视为储备耕地，保证了粮食安全问题。但林地及草地面积减少过多，导致部分生态用地减少，需要考虑粮食和生态之间的平衡问题。

在综合发展情景下，耕地、林地、水域和建设用地面积将得到扩张；草地和未利用地面积不断缩减。相较于2020年，水域面积扩张最多，2030年增加1.44×10⁴ hm²，2060年增加5.51×10⁴ hm²；耕地面积2030年增加4.90×10² hm²，2060年增加2.76×10² hm²。林地面积2030年增加1.99×10³ hm²，2060年增加7.33×10³ hm²；建设用地2030年增加1.63×10³ hm²，2060年增加1.40×10³ hm²。转出方向主要表现为未利用地面积的转出，未利用地不断转向生态用地，占比将不足1/4，草地虽也有所减少，但幅度较小。此情景下，草地虽有减少，但有林地和水域进行互补，既保护了耕地和生态用地，也限制了建设用地的随意扩张。

综上所述，研究区在4种未来情景下的土地利用格局基本保持不变，在不同发展条件下，不同土地利用类型向既定的方向发展。仅有在综合发展情景下，耕地与大部分生态用地才有共同的扩张趋势，既守住了耕地红线，又保护了生态用地，使得粮食安全和生态安全得到全面保障。

3.3 碳储量变化

由于建设用地为硬化地表，因此将其碳密度视为0。基于InVEST模型，估算祁连山南麓2010年、2015年、2020年碳储量分别为2.038×10⁸ t，2.041×10⁸ t，2.034×10⁸ t，总量先增后减，总体下降4.12×10⁵ t。2010—2015年草地碳储量增加2.72×10⁵ t；2015—2020年草地碳储量减少6.47×10⁵ t，波动变化的主要原因是部分草地的退化。

2030年、2060年在不同发展情景下的碳储量见图6。在自然发展情景以及耕地发展情景下，碳储量都将持续减少，且耕地发展情景下碳储量减少最快。相较于2020年，到2030年及2060年，自然发展情景分别减少1.29×10⁶ t，4.87×10⁶ t；耕地发展情景分别减少1.54×10⁶ t，5.93×10⁶ t。主要原因是草地面积的减少，其他生态用地面积虽有所增加，但不及草地造成的影响明显。综合发展情景下也为逐期减少，但总体变化不大，基本与2020年现状保持一致。4种情景下，有且仅有生态保护情景下碳储量持续增加，生态保护措施使得生态用地增加，2030年增加1.20×10⁶ t，2060年增加4.52×10⁶ t，固碳效果最为明显。

研究区主要碳库为耕地、林地、草地，草地碳密度虽不为各用地类型中的最大值，但因其占研究区面积一半以上，所以草地面积的变化直接关系到总碳储量的变化。

4 讨 论

区域土地利用的转型会直接影响到碳储量的变化。研究发现祁连山南麓近10年土地利用类型变化中，草地和未利用地作为研究区面积最大的两种用地类型，草地及未利用地向其他用地类型的转变是该区典型的土地利用变化特征。从空间看，发生变化的地区主要集中在南部的青海湖周边及部分高海拔地区，这与乔斌等^［22］的研究结果类似。在估算固碳能力变化上，研究区主要以草地为主，其碳密度虽不及林地、耕地，但因其面积优势，草地面积的变化将导致该区总碳储量的变化，部分草地的退化是现阶段碳储量减少的问题所在。同样，Zhu等^［23］研究发现，中国干旱区碳储量下降的主要原因也是草地的退化。

在未来多情景下，自然发展以及耕地发展情景均会导致碳储量的下降，难以满足作为生态过渡带的战略需求，无法发挥祁连山地区在生态固碳中的作用，且陈宁等^［24］对西北地区的多情景研究中也发现在自然情景下会出现碳储量下降的情况。综合发展情景下，既考虑了耕地，又考虑了生态用地，使得固碳能力延续现阶段的发展。只有在生态保护发展情景中，既不会触碰耕地保护红线，又能最大可能地建设生态用地，碳储量才得以增加。许多学者^［25-26］针对干旱区多情景研究中，发现生态保护情况下碳储量均高于其他情景，这与本研究结果一致。可见，祁连南麓未来的生态固碳形势较为严峻。也体现出，在未来继续推进青海湖及祁连山区的保护区建设，守住高寒湿地，提高植被覆盖度，是发挥其生态固碳价值的必由之路。因此要扎实推进青海省“四地”建设，巩固生态文明高地，保护草地等生态用地资源，对标全国生态系统保护和修复相关规划要求。

由于碳密度数据获取难度较大，本研究估算碳储量所用的碳密度数据来自以往学者收集的数据，并根据经验公式进行校正。对比其他研究，不少学者^{［24，27-29］}针对西北不同地区的碳储量研究中大多采用碳密度修正法，发现林地土壤碳密度为137.12 t/hm²，未利用地土壤碳密度为15.99 t/hm²；耕地的地上生物碳密度和死亡有机物碳密度分别为1.17 t/hm²，1.90 t/hm²；耕地土壤碳密度为89.94 t/hm²，草地土壤碳密度为88.69 t/hm²；林地地下碳密度为23.2 t/hm²，草地死亡有机碳密度为1.29 t/hm²。以上碳密度与本文所用数据基本一致。与之相比，部分碳密度存在一定出入，这可能与研究区范围的不同以及气温、降水的差异有关。也有学者^［30］基于实地采样并试验，较为准确地描述了青海湖流域草地土壤碳密度为89.05 t/hm²，本文所用数据十分接近实测数据。综上所述，本研究所用碳密度数据具有一定的可靠性，可以用于描述祁连山南麓碳储量动态变化。在预测祁连山南麓2030年和2060年4种情景下的土地利用变化中，包含了未来的多种可能发展方式，也充分考虑了当地相关政策带来的影响。但由于预测至2060年，时间区间较长，加之气候变化、经济活动和一系列生态保护措施等外力因素，会对区域土地利用变化和碳密度产生影响。同时，InVEST模型过于简化，忽视了土地利用类型的内部差异，一定程度上影响了结果的准确性，建议在今后的研究中，通过野外调查，采用实测法准确描述区域内各土地利用类型的碳密度。

5 结 论

（1） 2010—2020年研究区以草地类型为主要优势地类，面积占比超过50%，其次为未利用地、林地、水域、耕地、建设用地。期间，耕地、草地及未利用地面积缩减，林地、水域及建设用地的面积扩张。

（2） PLUS模型预测精度Kappa值为0.95，该模拟在复杂的祁连山区可行。基于此，未来4种情景模式下，自然发展情景按照惯性发展，延续了过去10年的变化。生态保护情景下，最大程度限制建设用地无序扩张，各类生态用地的面积均得以增加。耕地发展情景下，保护耕地的同时，也将导致部分生态用地的减少。在综合发展情景下，建设用地扩张变缓，合理开发未利用地，既守住了耕地红线，又保护了生态用地。在空间上，发生变化的地区主要集中在南部的青海湖周边及中部的高海拔地区。

（3） 估算研究区 2010年、2015年、2020年的碳储量分别为2.038×10⁸ t，2.041×10⁸ t，2.034×10⁸ t，先增后减，总体呈下降趋势。不同情景下土地利用的变化对碳储量的影响存在明显的差异。未来时段，在自然发展情景和耕地发展情景中林草等生态用地的减少导致了碳储量的减少；在综合发展情景下，碳储量变化不大；仅有在生态保护情景下，碳储量才有所增加，该情景下具有增强固碳的潜力。因此要协调各用地类型，坚持生态优先。

参考文献

[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] Shao Z， Chen R， Zhao J， et al. Spatio-temporal evolution and prediction of carbon storage in Beijing′s ecosystem based on FLUS and InVEST models［J］. Acta Ecologica Sinica， 2022，42（23）：9456-9469.

[3] Churkina G， Brown D G， Keoleian G. Carbon stored in human settlements： the conterminous United States［J］. Global Change Biology， 2010，16（1）：135-143.

[4] 张海凤，崔桂善.土地利用/覆盖类型的变化对陆地生态系统碳收支的影响［J］.中国资源综合利用，2019，37（1）：176-179.

[5] Zhang H F， Cui G S. Effects of different land use/cover types on terrestrial ecosystem carbon budgets［J］. China Resources Comprehensive Utilization， 2019，37（1）：176-179.

[6] Wang K， Li X B， Lyu X， et al. Optimizing the land use and land cover pattern to increase its contribution to carbon neutrality［J］. Remote Sensing， 2022，14（19）：4751.

[7] 褚琳，张欣然，王天巍，等.基于CA-Markov和InVEST模型的城市景观格局与生境质量时空演变及预测［J］.应用生态学报，2018，29（12）：4106-4118.

[8] Chu L， Zhang X R， Wang T W， et al. Spatial-temporal evolution and prediction of urban landscape pattern and habitat quality based on CA-Markov and InVEST model［J］. Chinese Journal of Applied Ecology， 2018，29（12）：4106-4118.

[9] 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［J］. Computers， Environment and Urban Systems， 2021，85（1）：101569.

[10] Zhang S H， Zhong Q L， Cheng D L， et al. Landscape ecological risk projection based on the PLUS model under the localized shared socioeconomic pathways in the Fujian Delta region［J］. Ecological Indicators， 2022，136（3）：108642.

[11] Maanan M， Maanan M， Karim， et al. Modelling the potential impacts of land use/cover change on terrestrial carbon stocks in north-west Morocco［J］. The International Journal of Sustainable Development and World Ecology， 2019，26（6）：560-570.

[12] Geng Q K， Hou S， Yu D， et al. Characterization of spatial and temporal evolution of carbon stock and multi-scenario prediction of Haba Lake Protected Area in Ningxia based on PLUS-InVEST model［J］. Environmental Science and Pollution Research， 2025，32（14）：9081-9093.

[13] 石晶，石培基，王梓洋，等.基于PLUS-InVEST模型的酒泉市生态系统碳储量时空演变与预测［J］.环境科学，2024，45（1）：300-313.

[14] Shi J， Shi P J， Wang Z Y， et al. Spatial-temporal evolution and prediction of carbon storage in Jiuquan City ecosystem based on PLUS-InVEST model［J］. Environmental Science， 2024，45（1）：300-313.

[15] 张睿，魏赛拉加，严慧珺，等.祁连山南麓热融地质灾害分布特征及驱动力分析［J］.水利水电技术（中英文），2024，55（S2）：685-692.

[16] Zhang R， Wei S L J， Yan H J， et al. Analysis of the distribution characteristics and driving forces of thermal melting geological hazards based on information quantity models and geographic detectors in the southern foothills of the Qilian Mountains［J］. Water Resources and Hydropower Engineering， 2024，55（S2）：685-692.

[17] 贾文雄，陈京华.1982—2014年祁连山植被生长季NDVI变化及其对气候的响应［J］.水土保持研究，2018，25（2）：264-268.

[18] Jia W X， Chen J H. Variations of NDVI and its response to climate change in the growing season of vegetation in Qilianshan Mountains from 1982 to 2014［J］. Research of Soil and Water Conservation， 2018，25（2）：264-268.

[19] 白丽丽，王文颖，德却拉姆，等.祁连山典型植被土壤碳、氮、磷含量及生态化学计量特征的垂直变化［J］.干旱区研究，2024，41（3）：444-455.

[20] Bai L L， Wang W Y， Dequelamu， et al. Elevational variations in ecological soil C， N， and P stoichiometry among five typical vegetation types in the Qilian Mountains［J］. Arid Zone Research， 2024，41（3）：444-455.

[21] Jiao Y H， Wang Y H， Tu C H， et al. Spatiotemporal evolution and future of carbon storage in resource-based Chinese province： a case study from Shanxi using PLUS-InVEST model prediction［J］. Sustainability， 2024，16（11）：4461.

[22] 孙嘉忆，赵莉莉，朱康辉，等.基于InVEST-PLUS模型的大荔县碳储量时空演变及预测［J］.环境科学，2025，46（9）：5765-5776.

[23] Sun J Y， Zhao L L， Zhu K H， et al. Spatial and temporal evolution and prediction of carbon storage in Dali County based on InVEST-PLUS model［J］. Environmental Science， 2025，46（9）：5765-5776.

[24] Alam S A， Starr M， Clark B J F. Tree biomass and soil organic carbon densities across the Sudanese woodland savannah： a regional carbon sequestration study［J］. Journal of Arid Environments， 2013，89（2）：67-76.

[25] 陈光水，杨玉盛，刘乐中，等.森林地下碳分配（TBCA）研究进展［J］.亚热带资源与环境学报，2007，2（1）：34-42.

[26] Chen G S， Yang Y S， Liu L Z， et al. Research review on total belowground carbon allocation in forest ecosystems［J］. Journal of Subtropical Resources and Environment， 2007，2（1）：34-42.

[27] 牛统莉，熊立华，陈杰，等.基于PLUS模型的长江流域土地利用变化模拟与多情景预测［J］.武汉大学学报：工学版，2024（2）：129-141.

[28] Niu T L， Xiong L H， Chen J， et al. Land use simulation and multi-scenario prediction of the Yangtze River Basin based on PLUS model［J］. Engineering Journal of Wuhan University， 2024，57（2）：129-141.

[29] 孙欣欣，薛建辉，董丽娜.基于PLUS模型和InVEST模型的南京市生态系统碳储量时空变化与预测［J］.生态与农村环境学报，2023，39（1）：41-51.

[30] Sun X X， Xue J H， Dong L N. Spatiotemporal change and prediction of carbon storage in Nanjing ecosystem based on PLUS model and InVEST model［J］. Journal of Ecology and Rural Environment， 2023，39（1）：41-51.

[31] 雒舒琪，胡晓萌，孙媛，等.耦合PLUS-InVEST模型的多情景土地利用变化及其对碳储量影响［J］.中国生态农业学报（中英文），2023，31（2）：300-314.

[32] Luo S Q， Hu X M， Sun Y， et al. Multi-scenario land use change and its impact on carbon storage based on coupled Plus-Invest model［J］. Chinese Journal of Eco-Agriculture， 2023，31（2）：300-314.

[33] 王博.基于PLUS模型的鄱阳湖区土地利用冲突时空演变及多情景模拟［D］.南昌：江西师范大学，2023.

[34] Wang B. Spatial-temporal pattern evolution and multi-scenario simulation of land use conflict in Poyang Lake Area based on PLUS model［D］. Nanchang： Jiangxi Normal University， 2023.

[35] 乔斌，王乃昂，王义鹏，等.山地-绿洲“共轭型”生态牧场理念源起、概念框架与发展模式：以祁连山牧区为例［J］.生态学报，2023，43（21）：8917-8932.

[36] Qiao B， Wang N A， Wang Y P， et al. Concept origin， conceptual framework and development mode of mountain-oasis “conjugate” ecological pasture： empirical demonstration in Qilian Mountains［J］. Acta Ecologica Sinica， 2023，43（21）：8917-8932.

[37] 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， 2021，127：107770.

[38] 陈宁，辛存林，唐道斌，等.中国西北地区多情景土地利用优化与碳储量评估［J］.环境科学，2023，44（8）：4655-4665.

[39] Chen N， Xin C L， Tang D B， et al. Multi-scenario land use optimization and carbon storage assessment in northwest China［J］. Environmental Science， 2023，44（8）：4655-4665.

[40] 王琪，单楠，李楠楠，等.内蒙古呼伦湖流域生态系统碳储量时空变化与未来情景模拟［J］.应用生态学报，2025，36（4）：1159-1170.

[41] Wang Q， Shan N， Li N N， et al. Spatiotemporal variation and future scenario simulation of ecosystem carbon storage in the Hulun Lake Basin， Inner Mongolia， China［J］. Chinese Journal of Applied Ecology， 2025，36（4）：1159-1170.

[42] 杨鸿魁，张乐乐，刘晓洋，等.基于PLUS-InVEST模型的青海省海西州碳储量时空演变及预测［J］.环境科学，2025，46（4）：1951-1963.

[43] Yang H K， Zhang L L， Liu X Y， et al. Temporal and spatial evolution and prediction of carbon storage in the Haixi prefecture of Qinghai Province based on PLUS-InVEST model［J］. Environmental Science， 2025，46（4）：1951-1963.

[44] 韩敏，徐长春，隆云霞，等.西北干旱区不同土地利用情景下的碳储量及碳源/汇变化模拟与预估［J］.水土保持通报，2022，42（3）：335-344.

[45] Han M， Xu C C， Long Y X， et al. Simulation and prediction of changes in carbon storage and carbon source/sink under different land use scenarios in arid region of northwest China［J］. Bulletin of Soil and Water Conservation， 2022，42（3）：335-344.

[46] 付宇佳，刘晓煌，孙兴丽，等.近30年西北内陆荒漠资源大区土地利用驱动下生态系统碳储量时空变化［J］.地质通报，2024，43（2/3）：451-462.

[47] Fu Y J， Liu X H， Sun X L， et al. Spatial-temporal variation of ecosystem carbon storage driven by land use in northwest inland desert resource region in recent 30 years［J］. Geological Bulletin of China， 2024，43（2/3）：451-462.

[48] Zhao M M， He Z B， Du J， et al. Assessing the effects of ecological engineering on carbon storage by linking the CA-Markov and InVEST models［J］. Ecological Indicators， 2019，98（3）：29-38.

[49] 马勇洁，仲俊涛，米文宝，等.基于青海湖流域土地利用多情景模拟预测的碳储量评估及其脆弱性分析［J］.干旱区资源与环境，2023，37（10）：46-55.

[50] Ma Y J， Zhong J T， Mi W B， et al. Assessment and vulnerability analysis on carbon storage based on multi-scenarios simulation and prediction of land use in Qinghai Lake basin［J］. Journal of Arid Land Resources and Environment， 2023，37（10）：46-55.

基金资助

青海省自然科学基金“祁连山区南麓典型生态系统土壤界面扰动层界定及可持续固碳价值多尺度识别研究”(2025-ZJ-708)