基于PLUS-InVEST模型的庆阳市碳储量时空演变及其多情景预测

Spatiotemporal evolution and multi-scenario prediction of carbon storage in Qingyang City based on PLUS-InVEST model

摘要

目的 探究黄土高原资源型城市土地利用转型对土地碳储量的影响机制，为黄土高原资源型城市国土空间优化配置提供决策参考。 方法 基于1990年、2000年、2010年、2024年4期庆阳市土地利用数据，运用PLUS模型模拟自然发展、生态保护和城镇发展情景下土地利用格局，结合InVEST模型估算了未来情景下碳储量时空分布特征以及识别影响碳储量空间分异的驱动因子。 结果 （1） 1990—2024年庆阳市土地利用数量发生显著变化，耕地面积减少908.26 km²，建设用地扩张176.99 km²，草地面积增加340.83 km²，林地呈波动变化。土地转移以耕地向草地和林地转移为主，其中耕地转草地面积400.00 km²；采煤沉陷导致90.39 km²耕地塌陷成水域。（2） 碳储量从3.13×10⁸ t变化至3.14×10⁸ t，净增加1.188×10⁶ t，增幅0.38%，但呈现“先降后升再降”的波动特征，耕地向建设用地转换造成碳损失1.31×10⁶ t，占总损失的15.80%；采煤沉陷引发耕地转水域，造成碳损失8.58×10⁴ t。（3） 自然发展情景、生态保护情景和城镇发展情景下碳储量分别为3.116×10⁸，3.134×10⁸，3.118×10⁸ t，生态保护情景通过限制生态用地转出和控制建设用地扩张等措施，碳储量减少量最小，减缓效果最为显著。（4） 土地覆盖类型是碳储量空间分异的首要驱动因子（q=0.231），其与NDVI、坡度的交互作用显著增强对碳储量分布的解释力。 结论 庆阳市碳储量下降与土地利用变化密切相关，建设用地扩张及采煤沉陷是碳流失主要途径，今后需严格控制建设用地占用生态用地，推进采煤沉陷区生态修复，以实现资源型城市生态保护与经济发展的协调可持续。

Abstract

Objective This study aims to explore the influence mechanisms of land use transition in resource-based cities of the Loess Plateau on land carbon storage， thereby providing decision-making references for the optimal configuration of territorial space in these cities of the Loess Plateau. Methods Based on land use data from Qingyang City for the years 1990， 2000， 2010， and 2024， this study employed the PLUS model to simulate land use patterns under natural development， ecological protection， and urban development scenarios. The InVEST model was used to estimate the spatiotemporal distribution characteristics of carbon storage under future scenarios and identify driving factors affecting the spatial differentiation of carbon storage. Results （1） From 1990 to 2024， land use quantity in Qingyang City changed significantly. Cultivated land decreased by 908.26 km²， construction land expanded by 176.99 km²， grassland increased by 340.83 km²， and forest land showed fluctuating changes. Land transition was dominated by the conversion of cultivated land to grassland and forest land， among which the area of cultivated land converted to grassland was 400.00 km². Coal mining subsidence caused 90.39 km² of cultivated land to collapse into water bodies. （2） Carbon storage increased from 3.13×10⁸ t to 3.14×10⁸ t， representing a net increment of 1.188×10⁶ t and a growth rate of 0.38%. Despite the overall increase， carbon storage showed a fluctuating trend characterized by an initial decline， followed by a rise， and a subsequent decrease. The conversion of cultivated land to construction land resulted in a carbon loss of 1.31×10⁶ t， acco-unting for 15.80% of the total loss. Coal mining subsidence led to the conversion of cultivated land to water bodies， causing a carbon loss of 8.58×10⁴ t. （3） Under the natural development scenario， ecological protection scenario， and urban development scenario， carbon storage was 3.116×10⁸，3.134×10⁸，3.118×10⁸ t， respe-ctively. The ecological protection scenario showed the smallest reduction in carbon storage and the most significant mitigation effectiveness by adopting measures such as restricting the transition of ecological land and controlling the expansion of construction land. （4） Land cover type was the primary driving factor for the spatial differentiation of carbon storage （q=0.231）， and its interaction with NDVI and slope significantly enhanced the explanatory power for carbon storage distribution. Conclusion The decline in carbon storage in Qingyang City is closely related to land use change. Construction land expansion and coal mining subsidence are the main pathways of carbon loss. In the future， it is necessary to strictly control the occupation of ecological land by construction land， promote ecological restoration in coal mining subsidence areas， and achieve the coordinated and sustainable development of ecological protection and economic development in resource-based cities.

Graphical abstract

关键词

土地利用变化 / 碳储量 / PLUS-InVEST模型 / 多情景模拟 / 采煤沉陷 / 黄土高原

Key words

land use change / carbon storage / PLUS-InVEST model / multi-scenario simulation / coal mining subsidence / Loess Plateau

陆地生态系统年固碳量约（2.60±1.20） Pg C，抵消了人为碳排放的30.00%，是减缓气候变化的关键碳汇^［1］。然而，土地利用变化正在削弱这一功能。IPCC第六次评估报告显示，2010—2019年土地利用变化年均排放（1.60±0.70） Pg C，占人为总排放的13.00%±5.00%^［2］。土地利用/覆被变化（Land Use and Cover Change， LUCC）作为人类影响地表过程的主要途径，通过改变植被群落结构、土壤理化性质以及生态系统功能，调控陆地碳源与碳汇格局的时空演化特征^［3］。土地利用类型转移引起的碳储量变化具有空间异质性，且不同土地利用类型间碳密度的巨大差异决定了土地转换过程中必然伴随着碳储量的剧烈波动^［4］。人类社会经济活动，通过改变自然生态系统的空间配置格局，成为区域碳汇功能衰退的主要驱动力^［5］。IPCC第六次评估报告指出，土地利用变化贡献了全球CO₂排放总量的近三分之一，这凸显对土地利用-碳储量耦合关系的研究在全球变化研究中的关键地位^［6］，尤其目前在我国实施“双碳”战略背景下，定量评估碳储量动态变化，预测其演化特征，对于制定差异化碳汇提升策略具有重要意义^［7-9］。

InVEST（Integrated Valuation of Ecosystem Services and Trade-offs）模型凭借其参数获取便捷、空间表达直观、计算效率高等优势，在碳储量模拟方面获得了广泛应用^［10］。在土地利用预测技术方面，PLUS（Patch-generating Land Use Simulation）模型通过耦合随机森林算法与多类型斑块机制^［11］，实现土地扩张规律挖掘与空间格局演化的有机融合^［12］，在捕捉“块状”土地演化特征方面表现出独特优势^［13］。因此，通过整合PLUS-InVEST耦合模型，能够实现土地利用变化驱动下碳储量时空演变的定量模拟与多情景预测分析^［14］。

庆阳市地处黄土高原腹地，位于陕甘宁能源“金三角”核心区域，探明煤炭资源储量达2 360亿t^［15］。作为黄土高原生态系统脆弱性城市，庆阳市水土流失严重^［16］，特别是近20年来，庆阳市快速工业化与城镇化进程推动了土地利用格局发生显著变化，耕地转移为建设用地过程加剧^［17］，而一些采煤活动引发的地表沉陷导致土地功能严重退化，使得原本脆弱的生态系统碳汇能力削弱，因此，分析庆阳市土地碳储量变化对理解黄土高原资源型城市生态系统演化具有重要意义，但现有研究多聚焦于土地利用格局分析或生态系统服务评价等单一维度，对多情景下碳储量演化趋势及其空间分异机制的研究相对薄弱^［18］，基于此，研究基于1990年、2000年、2010年、2024年4期庆阳市土地利用数据，运用PLUS模型模拟自然发展、生态保护和城镇发展3种情景下土地利用格局；通过InVEST模型定量评估不同情景下碳储量时空分布特征，借助地理探测器识别影响碳储量空间分异的主导因子，以期为黄土高原资源型城市国土空间优化配置提供决策参考。

1 研究方法与数据来源

1.1 研究区概况

庆阳市位于甘肃省东部（106°20′—108°45′E，35°15′—37°10′N）（图1），地处陕甘宁三省（区）交界区域，东接延安、咸阳两市，北接宁夏吴忠、固原两市，西接白银、平凉两市，南邻陕西宝鸡市，市域面积为27 115 km²，下辖西峰区以及环县、华池、合水、正宁、宁县、镇原、庆城7个县，116个乡镇，地貌类型以黄土沟壑为主，地表形态支离破碎。庆阳市气候属温带大陆性季风气候，年均气温9.50 ℃，降水量480~660 mm，7—9月降水量占全年总量的60%以上，无霜期约180 d，热量条件满足一年一熟作物生长需求，降水年际变化大，春旱频发，水热矛盾突出，成为制约农业生产的主要限制因子。庆阳市自然资源禀赋呈现出“富煤缺水”的典型特征，煤炭探明储量2 360亿t，可采储量180亿t，主要分布于宁正矿区，煤层埋藏浅、厚度大、煤质优良。庆阳市石油资源丰富，境内长庆油田年产原油超过700万t，然而大规模能源开发也引发地表塌陷、地下水位下降、植被退化等一系列生态环境问题。

1.2 数据来源与处理

土地利用数据来自武汉大学CLCD 1990年、2000年、2010年、2024年4期土地利用数据，空间分辨率为30.00 m。CLCD数据基于Landsat TM/ETM+/OLI遥感影像构建，采用人机交互解译方法获得，综合精度超过85%。依据《土地利用现状分类》标准，将原始25个二级地类重新分类为耕地、林地、草地、水域、建设用地和未利用地6个一级类型^［12］。分析土地利用变化的驱动因子包括自然因子和社会经济因子两大类，其中自然因子包括地形因子（高程、坡度、坡向）、气候因子（年均温、年降水、蒸散发）和土壤因子（土壤类型、土壤有机碳）等，社会经济因子包括人口密度、GDP、夜间灯光和路网密度等^［13］。

1.3 研究方法

1.3.1 PLUS模型

PLUS模型的LEAS（Land Expansion Analysis Strategy）模块基于2000年和2010年两期土地利用数据，运用随机森林算法来挖掘各地类扩张规律^［14］。通过计算各驱动因子对地类扩张的贡献度，生成空间显式发展概率图层，得出庆阳市建设用地高概率发生区域主要集中分布在城镇边缘区和交通干线缓冲区；耕地扩张发生区域主要位于坡度小于15°未利用地区域^［19］。在CARS（Cellular Automata with Random Seeds）格局模拟模块，PLUS模型基于马尔可夫链来预测土地需求量，并结合成本矩阵和邻域权重参数^［20］，模拟土地利用空间配置过程^［21］。其计算公式如下：

W_i=\left(\mathrm{\Delta }{S}_i-\mathrm{\Delta }{S}_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)/\left(\mathrm{\Delta }{S}_{\mathrm{m}\mathrm{a}\mathrm{x}}-\mathrm{\Delta }{S}_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)（1）

式中：W_i 为第i种土地利用类型的标准化邻域权重值，取值范围为［0，1］，表示某种土地利用类型相对于其他类型的空间扩张能力强弱；ΔS_i 为第i种土地利用类型的变化速率；ΔS_min为土地利用变化速率最小值；ΔS_max为土地利用变化速率的最大值。

土地利用变化速率分析中，将耕地、林地、草地、水域、建设用地和未利用地邻域权重分别确定为0.344，0.132，0.503，0.003，0.019，0.000 4^［22］。模型精度验证采用2024年庆阳市土地利用解译数据与预测数据进行精度检验，预测数据以2000年和2010年为基础数据，预测得到2024年庆阳市土地利用格局，计算得到Kappa系数为0.81，总体精度达85%，表明PLUS模型能够有效反映庆阳市土地利用演化特征^［23］。

1.3.2 InVEST模型

InVEST模型基于碳密度法来评估陆地生态系统碳储量，将碳库细分为地上生物量、地下生物量、土壤有机碳和死亡有机物4个组分^［24］。其计算公式如下：

C_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}=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}}（2）

式中：C_total为总碳储量（t/hm²）；C_{a\mathrm{b}\mathrm{o}\mathrm{v}\mathrm{e}}为地上部分碳储量（t/hm²）；{\mathrm{C}}_{\mathrm{b}\mathrm{e}\mathrm{l}\mathrm{o}\mathrm{w}}为地下部分碳储量（t/hm²）；C_{\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}为土壤碳储量；C_{\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{d}}为死亡有机碳储量（t/hm²）。碳密度作为InVEST模型运行碳储量计算的重要参数，主要受土地利用类型分布，地区差异等因素影响^［19］。

碳密度参数采用文献分析与试验相结合的方法获取，通过整理黄土高原地区碳密度研究文献，重点筛选陇东、陕北等邻近区域野外观测数据，针对庆阳市特定气候、土壤进行参数本地化校正^［25-26］，并结合前期在子午岭林区2022年20个样地的实测数据，最终确定庆阳市土地利用类型的碳密度参数表（表1）。

1.3.3 情景设计与参数设置

情景模拟通过构建3种差异化发展路径，探讨不同政策导向下碳储量演化特征：（1） 自然发展情景的设定是基于2010—2024年庆阳市土地利用演变特征，该情景延续目前年均69.45 km²的耕地减少速度和24.09 km²的建设用地扩张态势，反映了庆阳市经济利益主导下的土地利用类型转移。（2） 生态保护情景是基于黄河流域生态保护和高质量发展的国家战略部署，具体落实了庆阳市生态文明建设的政策要求。生态保护情景下，林地、草地转为建设用地的转移概率降低50%，响应了生态系统服务红线的划定要求。耕地转为建设用地的转移概率降低30%，满足了国土空间规划中对耕地保护任务，确保粮食安全所需的耕地保有量。退耕还林还草的转移概率降低30%，则达成了新一轮退耕还林还草工程中生态修复任务量。（3） 城镇发展情景是基于庆阳市建设成为陇东能源化工基地的发展定位，反映了庆阳市转型升级的现实需求。生态用地向建设用地转移增加20%，是基于庆阳市“十四五”规划中工业园区扩张、基础设施建设和城镇空间拓展的用地需求测算。城镇发展情景模拟了庆阳市在能源产业快速发展背景下，优先保障经济建设用地、适度牺牲生态空间的发展模式。表2为3种不同情景下土地利用转移矩阵参数设置，邻域权重取值范围是［0，1］，其中1表示地类之间可以转换，0表示不可以转换^［27］。

1.3.4 地理探测器

地理探测器通过度量自变量与因变量空间分布一致性程度，定量识别驱动因子及其交互作用^［28］。其核心统计量q值计算公式为：

q=\mathrm{1}-\frac{\mathrm{1}}{n{\sigma }^{\mathrm{2}}}{\displaystyle \sum _{h=\mathrm{1}}^l}{N}_h{\sigma }_h^{\mathrm{2}}（3）

式中：h为因子分层数；n为研究区样本总数；N_h 为第h层的样本数；σ²为研究区因变量Y的总方差；σ_h ²为第h层因变量Y的方差。q值介于［0，1］区间，数值越大表明因子解释力越强。单因子探测用于识别各驱动因子独立作用强度，交互探测用于分析因子间协同效应。

2 结果与分析

2.1 庆阳市土地利用变化特征

2.1.1 土地利用结构演变

1990—2024年庆阳市土地利用格局发生显著变化，草地在所有土地利用类型中仍占据主导地位，其面积比例从1990年的48.03%稳步增长至2024年的49.37%。耕地作为第二大地类，其占比却呈现持续下降趋势，从1990年的38.98%降至2024年的35.61%（表3）。从时序变化来看，1990—2000年为缓慢调整期，各地类变幅相对较小，耕地面积减少18.71 km²，草地面积增加28.14 km²。

从表3可以看出，2000—2010年进入快速转型期，耕地面积减少509.60 km²，林地面积增加410.70 km²，建设用地扩张92.19 km²。2010—2024年为深度优化期，虽然耕地继续减少379.95 km²，但草地面积增加304.59 km²，建设用地扩张59.93 km²，最突出特征是生态用地与农业生产用地之间此消彼长。林地面积从3 176.75 km²增长至3 563.31 km²，增幅达12.17%，尤其是2000—2010年林地面积累计增加410.70 km²。耕地面积30年间净减少908.26 km²，降幅达8.59%。建设用地虽然占比较小，但其扩张态势从1990年的272.49 km²增长至2024年的449.48 km²，增幅高达64.95%。

2.1.2 土地利用转移特征

1990—2024年庆阳市共有2 623.85 km²土地发生类型转移，占总面积的9.68%（图2）。1990—2000年为缓慢调整期，土地利用转移规模有限，这一时期转移面积仅为356.32 km²，年均转移率0.13%，其中以耕地转出为主，主要流向草地（78.45 km²）和建设用地（25.63 km²）。2000—2010年为剧烈转型期，土地利用格局发生显著变化，转移面积增加至1 632.03 km²，年均增长率达0.6%，是前一阶段的4.6倍。随着退耕还林还草政策全面实施，耕地转出764.49 km²，其中325.67 km²转为草地，268.45 km²转为林地。林地净增697.42 km²，主要来源于草地（423.56 km²）和耕地（156.34 km²）的转入。同时，新增建设用地149.21 km²，其中82.7%来源于耕地。

2010—2024年为调整期，转移面积1 268.21 km²，年均增长率为0.47%，虽较前期有所回落，但仍维持较高水平，这一阶段最显著的特征是建设用地新增240.92 km²，年均扩张24.09 km²，是1990—2000年的6.50倍。耕地转出694.45 km²，但转移方向发生明显变化，主要向草地转移占61%和向建设用地转移占26.80%，而向林地转移仅占6.60%。1990—2024年庆阳市土地利用转移强度表现为“慢—快—稳”特征，转移类型从生态退化型向生态恢复型，再向建设占用型转变，特别是90.39 km²耕地因采煤沉陷转为水域，成为资源型城市土地利用转型面临的特殊挑战，这种不可逆的土地退化过程，对区域土地资源可持续发展构成了严峻考验。

2.1.3 土地利用变化的空间特征

1990—2024年庆阳市土地利用空间格局发生显著变化（图3）。1990年庆阳市东部子午岭集中保存连片的天然次生林，林地分布连续性强，边界清晰完整。中部董志塬及其周边塬面则以耕地为绝对主体，呈现大面积连续分布特征。建设用地主要集中在城镇周边，呈单核心聚集模式，西北部环县、华池一带，耕地与草地镶嵌分布。2000年庆阳市土地利用最显著变化发生在子午岭林区边缘地带，原本清晰的林地边界变得模糊破碎，林地后退现象明显，部分区域出现了林地向耕地的斑块转换，中部农业区保持相对稳定，但西峰城区周边开始出现建设用地扩张迹象，宁县、正宁等地开始出现零星的水域斑点，这些新增水体多为采煤活动导致的地表塌陷积水。

2010年庆阳市东部林地恢复原有边界，还向西部塬区明显推进，形成多个林地斑块，特别是在坡度较大的沟壑区，耕地转换为林地和草地，呈现出明显的地形梯度效应。中部塬面的耕地保持稳定，建设用地扩张加速。2024年庆阳市东部林地虽然保持了基本框架，但面积有所收缩，部分2010年新增林地斑块重新转为耕地，建设用地大幅度扩张，中部地区粉红色斑块急剧增加，西峰城区与周边乡镇的建设用地几乎连成一体，沿西长高速、银西高铁等交通廊道带状蔓延。

2.2 庆阳市碳储量时空演变特征

2.2.1 庆阳市碳储量时间变化特征

由表4可知，1990—2024年庆阳市碳储量呈现“先降后升再降”的波动变化特征。1990年碳储量为3.13×10⁸ t，2000年降至3.12×10⁸ t，2010年回升至3.15×10⁸ t，2024年小幅回落至3.14×10⁷ t，整体净增加1.188×10⁶ t，增幅0.38%。1990—2000年为缓慢流失阶段，碳储量从3.129 76×10⁸ t降至3.124 48×10⁸ t，损失5.28×10⁵ t，年均流失率0.017%，这一时期碳损失主要源于草地退化和林地减少，其中草地面积虽略有增加，但天然草地向耕地的转换导致碳密度下降。林地转出78.38 km²，直接造成碳储量损失7.45×10⁴ t，采煤活动导致22.16 km²耕地塌陷成水域，损失碳储量2.1×10⁴ t。碳储量增加2.376×10⁶ t，达3.148 24×10⁸ t，年均增长率为0.076%。退耕还林还草政策全面实施是碳储量回升的主导因素，764.49 km²耕地转出虽造成碳储量损失，但其中594.12 km²转为林地和草地，新增碳储量5.65×10³ t，有效缓冲了建设用地扩张带来的碳损失。特别是林地面积净增697.42 km²，新增碳储量6.63×10³ t，成为碳汇的重要增长点。然而，建设用地扩张149.21 km²，部分抵消了生态恢复的积极效应。2010—2024年碳储量减少6.60×10⁵ t，年均碳储量损失率为0.015%。其原因是城镇化加速与生态政策效应衰减的叠加影响，直接造成碳损失2.29×10⁵ t，占碳储量总损失的76.07%。林地出现净增长9.11 km²，碳储量增长1.72×10⁸ t。虽然草地继续增加359.89 km²，但主要为退耕形成的人工草地，碳密度远低于天然草地，实际碳增汇效应有限。

1990—2024年庆阳市碳储量变化原因从早期的生态退化转向后期的建设占用，2010—2024年建设用地扩张成为主导因素，采煤沉陷造成的碳损失虽然绝对量不大，但其不可逆性和持续扩大趋势构成碳汇管理的特殊挑战。从碳库结构组成看，耕地占据主导地位。2024年耕地碳储量为1.038×10⁸ t，占总量的33.05%，但这一比例较1990年下降了3.28个百分点。耕地碳储量绝对值减少9.786×10⁶ t，贡献总损失量的38%，是碳储量下降的首要因素。建设用地碳储量虽增加8.0×10³ t，增幅达57.1%，但这种“增加”具有一定特征，其碳密度仅为0.5 t/hm²，而其所替代的耕地碳密度高达95.5 t/hm²。每转换1 hm²土地，净损失95 t碳储量，这种“低密度替代高密度”的转换过程，构成了区域碳失汇的根本机制（表4）。

2.2.2 碳储量空间分布格局

从图4可以看出，庆阳市碳储量空间分布呈现“东高西低、南密北疏”分布格局。1990年碳储量高值区主要分布在东部子午岭林区，平均碳密度达189 t/hm²，面积仅占3.2%，碳储量占全市的7.8%。董志塬及周边塬面依托深厚的黑垆土层，平均碳密度107.5 t/hm²，构成了区域碳库的主体。北部和西部黄土丘陵区以旱作农田为主，碳密度在60~80 t/hm²。2000年碳储量空间格局出现局部变化，宁县、正宁县由于采煤活动形成多个碳储量“塌陷点”，虽然面积有限，但空间上呈现聚集分布特征。2010年环县、华池等退耕地块集中区域，碳密度从60 t/hm²提升至85 t/hm²，但城镇扩张区碳储量“空洞”明显扩大，西峰城区低值区直径扩大至25 km。

2024年碳储量空间格局呈现破碎化特征，子午岭核心区虽然保持高碳密度，但边缘地带持续退化，高值区面积较1990年减少23.5%。低值区急剧扩张，形成以西峰为中心、辐射周边县城的低碳密度带。中值区破碎化严重，原本连续的农田景观被建设用地、采煤沉陷区分割，形成多个面积超过10 km²的碳储量“永久性塌陷区”，土壤碳库完全丧失。

2.2.3 土地利用转换的碳储效应

1990—2024年庆阳市土地利用转换因碳密度差异产生不同碳储效应，最显著的土地利用转换是耕地向其他地类的转出，总面积达908.26 km²，这种大规模转换产生了复杂的碳储效应，其中耕地转为草地的过程占据主导地位，转换面积超过400 km²，尽管草地碳密度略高于耕地，但新形成的草地多为退耕还林还草初期人工草地，其碳密度远低于天然草地水平，实际碳密度仅为85~90 t/hm²，这种“高密度耕地”向“低密度草地”转换，在初期往往造成碳储量净损失，只有经过长期演替后才可能恢复到天然草地（表5）。

1990—2024年建设用地净增175.06 km²，这些新增建设用地主要来自耕地和草地的转移，每公顷耕地转为建设用地，碳密度从107.5 t骤降至10.5 t，10 t的碳储能力永久丧失。2000—2010年受退耕还林还草政策推动，耕地和草地转为林地，新增林地350 km²，带来碳增汇效应。2010—2024年出现部分林地复垦现象，约有50 km²林地转为耕地，直接造成碳损失，破坏林地生态系统的完整性，削弱其固碳能力。

2.3 碳储量空间分异的驱动机制

2.3.1 单因子驱动力分析

研究选取14种驱动因子进行碳储量空间分布的驱动力分析（图5），结果显示土地覆盖类型是碳储量空间分异的重要驱动因子。1990—2024年土地覆盖平均解释力为0.231，在所有因子中排名第一，表明不同地类间巨大的碳密度差异，林地碳密度高达189 t/hm²，耕地为107.5 t/hm²，而建设用地仅0.5 t/hm²，相差近400倍，土地覆盖的解释力从1990年的0.250降至2024年的0.205，随着土地利用日趋破碎化，单一地类内部的碳密度异质性增强，土地覆盖类型对碳储量的决定作用相对减弱。植被指数（NDVI）的解释力仅次于土地覆盖，平均q值为0.228，高NDVI覆盖度区域（>0.60）的碳密度可达120 t/hm²，而低NDVI覆盖度区域（<0.3）仅为75 t/hm²，相差60%。NDVI解释力从1990年的0.261降至2024年的0.188，降幅达27.90%，这与研究期内植被退化，特别是天然草地近乎消失的事实吻合。

地形因子表现出明显的分异特征。坡度的平均解释力达0.223，远超高程的0.02，这种差异源于黄土高原独特的地貌过程。坡度影响水土流失强度，进而影响土壤有机碳积累与流失。庆阳市坡度小于5°的平坦区，碳密度平均为95.8 t/hm²，5°~15°缓坡区为78.3 t/hm²，15°~25°陡坡区降至56.2 t/hm²，大于25°的急陡坡区仅为42.1 t/hm²。坡度的解释力从1990年的0.018上升至2024年的0.03，增幅66.70%，表明随着人类活动加剧，地形对碳储量分布的制约作用日益凸显。

气候因子的影响相对有限但不容忽视。蒸散发的平均解释力为0.208，显著高于年降水量（0.048）和年均气温（0.07）。在半干旱的黄土高原地区，水分是植被生长的主要限制因子。蒸散发大于500 mm的东南部地区碳密度平均为89.60 t/hm²，而小于400 mm的西北部仅为65.3 t/hm²。蒸散发的解释力从1990年0.249降至2024年0.146，降幅41.4%，这与灌溉农业发展弱化自然水分条件的限制作用有关。

人口密度的解释力从1990年的0.115上升至2024年的0.156，增幅35.7%，反映出城镇化进程引起人口密度变化对碳储量空间格局的影响日益加剧。人口密度的平均解释力为0.136，在所有因子中排名第七，但其影响机制呈现明显的空间分异特征。庆阳市各县区人口密度差异显著，环县、华池县人口密度低于50人/km²，属于低密度区，这些地区以牧业和旱作农业为主，植被覆盖度较高，碳密度平均为92.3 t/hm²。宁县、镇原县、正宁县、合水县人口密度介于50~200人/km²，属于中等密度区，农业开发强度适中，碳密度平均为76.5 t/hm²。西峰区为人口集中区，人口密度超过200人/km²，属于高密度区，建设用地大量侵占农业和生态用地，碳密度骤降至23.4 t/hm²。表明适度的人口密度有利于维持较高的碳储量，但人口过度集聚会显著削弱区域固碳能力。

2.3.2 因子交互作用分析

因子交互探测结果显示（图6），所有因子交互作用均强于单因子作用。土地覆盖与NDVI的交互作用最强（q=0.465），远超两者单独作用之和。这种“1+1>2”的协同效应表明土地利用类型与植被状况共同塑造碳储量格局。坡度与土壤类型的交互作用（q=0.398）体现了地形-土壤系统的耦合控制机制，塬面黑垆土有机质丰富、坡地黄绵土相对贫瘠、沟底冲积土肥力中等，共同造就了碳储量的复杂空间格局。人口密度与交通可达性的交互作用（q=0.287）反映了人类活动的空间溢出效应，交通便利促进人口集聚、加速土地开发过程，两者叠加极大削弱固碳能力。

NDVI与坡度的交互作用q值为0.412，反映了植被-地形的作用机制。缓坡区（<15°）NDVI与碳密度呈显著正相关（R²=0.72），植被生长良好；陡坡区（>25°）这种相关性减弱（R²=0.31），地形成为限制因素。特别是在退耕还林区，坡度适中（10°~20°）且NDVI较高（>0.5）的地块，碳恢复速率最快，年均增加2.30 t/hm²；而陡坡退耕地虽然NDVI有所提高，但因水土流失严重，碳积累缓慢，年均仅增加0.80 t/hm²。

土地覆盖与人口密度的交互作用q值为0.376，反映了人地关系对碳储量的综合影响。耕地在低人口密度区保持较高碳密度（95 t/hm²），但在高人口密度区因土地集约化利用导致土壤有机质下降，碳密度降至75 t/hm²；林地受人口密度影响相对较小，即使在中等人口密度区仍能维持150 t/hm²以上碳密度；草地对人口压力最为敏感，高人口密度区的草地几乎全部退化或转为其他用地。

2.4 多情景土地利用与碳储量预测

2.4.1 不同情景下土地利用格局

2030年自然发展情景下耕地面积减少至4 164.13 km²，较2024年减少117.28 km²，年均减少11.73 km²，虽低于2010—2024年69.45 km²/a，但考虑到后备耕地土地资源日益枯竭，耕地保护压力持续加大。建设用地增至890.02 km²，新增112.63 km²。草地面积减少到12 853.45 km²，主要发生在城市周边和交通廊道沿线。林地继续呈现萎缩趋势，减少21.56 km²，按此情景发展到2050年，庆阳可能损失1/4耕地资源，粮食安全将面临重大挑战。

生态保护情景下，耕地面积增加至4 290.47 km²，这主要得益于未利用地开发利用和部分低效建设用地的复垦。建设用地扩张得到严格控制，仅增加1.60 km²，年均增长率仅为0.02%。林地面积增加至23.22 km²，草地面积增加至13 156.78 km²，都处于较高水平。空间上子午岭保护区保持完整，董志塬耕地得到有效保护，采煤沉陷区通过生态修复，部分恢复了生态功能。

城镇发展情景下，建设用地扩张至987.52 km²，较2024年增加210.13 km²，年均扩张21.01 km²，是自然发展情景的1.87倍。耕地降至4 164.15 km²，草地锐减至12 634.23 km²。空间分布上，西峰城区与周边县城趋于连片发展，形成面积超过300.00 km²的城镇密集区。交通廊道两侧建设用地呈带状蔓延，将原本连续的农田和草地景观切割得支离破碎（图7）。

2.4.2 不同情景下碳储量变化

自然发展情景下碳储量持续下降但速率有所减缓。2030年碳储量降至3.116×10⁸ t，与2024年相比，减少2.545×10⁶ t，年均损失4.24×10⁵ t。建设用地从1.9×10⁴ t增至2.5×10⁴ t，扩张造成碳损失。耕地从1.038 25×10⁸ t减少至9.964 8×10⁷ t，减少4.177×10⁶ t，但部分耕地转为草地带来碳增汇。虽然总体碳损失速率较2010—2024年有所下降，这主要是因为易开发的高碳密度土地已基本开发完毕，未来可供转换的土地质量下降，单位面积碳损失减少。

城镇发展情景下，2030年碳储量减少至3.118×10⁸ t，与2024年相比，损失2.346×10⁶ t，年均损失3.91×10⁵ t，是生态保护情景的2.89倍。建设用地从1.9×10⁴ t扩张至2.6×10⁴ t，增加7.0×10³ t。建设用地扩张，破坏了生态系统完整性，导致边缘效应加剧，间接造成城镇周边生态用地碳密度下降。草地大幅减少，从1.429 83×10⁸ t降至1.375 09×10⁸ t，减少5.474×10⁶ t，虽然部分转为耕地能够维持一定碳储量，但净损失仍较大。

生态保护情景下，2030年碳储量为3.134×10⁸ t，与2024年相比，仅减少8.12×10⁵ t，年均损失1.35×10⁵ t，损失率降至0.26%，基本实现碳储量稳定，这主要得益于严格的生态保护红线制度，有效遏制了高密度碳储量生态用地转出。通过退化土地修复和未利用地开发，新增生态用地，草地从1.429 83×10⁸ t增至1.453 03×10⁸ t，增加2.320×10⁶ t，部分补偿其他用地转换造成的碳损失。严格控制建设用地扩张减少了碳损失，生态保护情景下碳储量高值区保持稳定，中值区略有扩大，低值区扩张得到有效遏制（表6）。

3 讨 论

庆阳市30年间碳储量呈波动变化，整体净增加1.188×10⁶ t，但2010—2024年出现6.60×10⁵ t的净损失，这一变化对认识黄土高原资源型城市的碳汇演变规律具有典型意义。对比榆林、延安等邻近资源型城市发现，庆阳市碳损失过程既有共性也有特殊性。共性表现为耕地向建设用地的大规模转换是碳损失的主要途径，特殊性则体现在采煤沉陷导致的不可逆土地退化，这种因矿产开发引发的碳汇衰减，实质上反映了资源型城市发展过程中矿产资源损耗与经济增长之间的矛盾。地表塌陷形成的大面积积水区直接改变了土壤碳储存条件和生物地球化学循环过程^［29］。

庆阳市退耕还林政策的实施效果具有明显的阶段性特征。政策实施初期，在经济补贴激励下林地面积快速增长，区域碳汇能力显著增强。然而补贴政策退出后，因管护投入不足，人工林退化和复垦现象较为普遍，前期生态建设成果出现不同程度的流失，生态系统稳定性也受到影响。子午岭天然林虽然得到有效保护，但外围缓冲区持续萎缩削弱了其生态屏障功能。情景模拟结果显示，现有发展路径下碳储量持续增长难以实现。自然发展情景中碳储量仍呈下降态势，只是因后备土地资源减少使下降速率有所放缓。生态保护情景虽能维持碳储量基本稳定，但会挤压发展空间，在经济转型压力较大的资源型城市难以长期坚持。城镇发展情景下碳损失急剧加速。驱动因子分析揭示了自然因素与人为因素影响程度之间的关系，其中土地覆盖类型仍是碳储量空间分异的主要因素，但其解释力呈下降趋势，而人口密度、交通可达性等社会经济因素的作用逐渐增强，表明人类活动已成为塑造碳储量格局的决定性力量^［30］。

庆阳市碳储量的流失呈现明显的结构性规律，耕地向建设用地转化为碳损失的主要途径，这一过程不仅直接削减了碳储量，还通过景观格局的改变引发了空间上的连锁反应。鉴于不同土地利用类型对碳储量空间分布的影响，调控工作应当将重点放在关键地类的保护与恢复上，董志塬等塬面耕地因黑垆土层深厚、有机质含量丰富，应成为维持区域碳汇功能的核心地带，可以通过秸秆还田、有机肥替代以及保护性耕作等技术手段的综合应用，增强土壤碳库的储存能力。子午岭林区作为碳密度较高的生态系统，其边缘地带出现的退化现象可通过设立缓冲区、强化抚育管理等措施加以遏制。对于采煤沉陷区，则需要根据沉陷程度和当地水文特征，因地制宜地采取充填复垦、湿地营造或光伏开发等修复方案，从而实现受损土地的功能重建。

研究识别出建设用地扩张将引发碳损失的加速累积。在西峰城区及各县城周边明确开发边界，推动建设用地向集约高效方向发展。多情景模拟结果表明，采取生态保护优先的土地利用策略，能够有效减缓碳储量的下降势头，而生态保护政策能否长期落实，关键在于如何平衡生态保护与地方发展的关系，因此，建立以碳汇贡献为基础的生态补偿机制，将生态系统服务的价值转化为实际的经济回报，是解决这一问题的可行路径。

驱动因子分析揭示了不同区域的主控因素差异。庆阳市土地覆盖类型解释力最强（q=0.231），NDVI次之（q=0.228），在土地利用强度较高的地区，人为干扰已超越自然因素成为碳储量分布的重要驱动力。庆阳市坡度影响（q=0.223）远超高程（q=0.020），这与黄土高原严重的水土流失过程密切相关。陡坡地区土壤侵蚀导致有机碳大量流失。社会经济因子呈现复杂的交互效应。庆阳市人口密度与交通可达性的交互作用（q=0.287）明显强于单因子，表明城市化进程中多重人为因素叠加放大社会经济活动对碳储量的负面影响，特别是城镇周边区域，高强度开发与密集路网共同作用形成了明显的碳储量“塌陷区”。

本研究存在一定局限性：碳密度参数主要基于文献和邻近区域数据整合，缺乏系统实地验证。特别是采煤沉陷区的碳密度动态变化过程复杂，现有参数体系难以准确刻画。此外，PLUS模型基于历史趋势进行预测，难以捕捉突发性地质灾害事件。未来可考虑耦合地质沉陷模型，将采空区分布、开采强度等因素纳入土地利用变化模拟框架。碳储量评估仅考虑了静态存量，忽略了碳通量动态过程。实际上，土地利用转换不仅改变碳储量，还影响碳循环速率，后续研究将引入生态系统过程模型，实现碳储量综合评估分析。

4 结 论

（1） 1990—2024年庆阳市土地利用类型发生显著变化，耕地面积减少908.26 km²，建设用地扩张176.99 km²，草地面积增加340.83 km²，林地呈波动变化。碳储量整体呈波动变化，净增加1.188×10⁶ t，但2010—2024年碳储量出现6.60×10⁵ t的下降，主要源于建设用地扩张及采煤沉陷，主要源于耕地向建设用地的转化以及采煤活动引发的土地沉陷（90.39 km²）。

（2） 多情景模拟结果显示，生态保护情景下，2030年碳储量预计保持在3.134×10⁷ t，降幅最为缓和；自然发展情景下碳储量较2024年减少2.545×10⁶ t；城镇发展情景减少2.346×10⁶ t；生态保护情景仅减少8.12×10⁵ t，降幅最为缓和。自然发展情景碳储量减少2.515×10⁶ t，介于城镇发展情景与生态保护情景之间。

（3） 土地覆盖类型是碳储量分异的主导驱动因子（q=0.231），其与NDVI和坡度的交互作用显著提升了对碳储量空间格局的解释力（q> 0.40）。庆阳市作为黄土高原典型的资源型城市，面临经济发展与生态保护之间的突出矛盾，庆阳市应实施差别化土地管理策略，严格遏制建设用地规模扩张，强化生态用地保护与质量提升，积极推进采煤沉陷区生态修复，建立健全生态补偿机制，实现资源开发收益与生态保护投入之间的良性平衡。

参考文献

[1] Fitts L A， Russell M B， Domke G M， et al. Modeling land use change and forest carbon stock changes in temperate forests in the United States［J］. Carbon Balance and Management， 2021，16（1）：20.

[2] Cui P P， Cui L J， Zheng Y L， et al. Land use and urbanization indirectly control riverine CH₄ and CO₂ emissions by altering nutrient input［J］. Water Research， 2024，265：122266.

[3] Wei H， Zuo T， Liu H， et al. Integrating land use and socioeconomic factors into scenario： based travel demand and carbon emission impact study［J］. Urban Rail Transit， 2017，3（1）：3-14.

[4] Tan L S， Ge Z M， Li S H， et al. Impacts of land-use change on carbon dynamics in China′ s coastal wetlands［J］. Science of the Total Environment， 2023，890：164206.

[5] Yuan Y J， Zhu X P， Zhao X N， et al. Vegetation optimization methods considering water supply security， vegetation carbon sequestration， and sediment reduction benefits： a case study of the Yanhe River basin on the Loess Plateau［J］. Land Degradation & Development， 2025， 36（8）： 2719-2733.

[6] Lapola D M， Schaldach R， Alcamo J， et al. Indirect land-use changes can overcome carbon savings from biofuels in Brazil［J］. Proceedings of the National Academy of Sciences of the United States of America， 2010，107（8）：3388-3393.

[7] Ulrich V， Schultz M， Lautenbach S， et al. Carbon fluxes related to land use and land cover change in Baden-Württemberg［J］. Environmental Monitoring and Assessment， 2023，195（5）：616.

[8] Wear D N， Wibbenmeyer M. Land-use change， no-net-loss policies， and effects on carbon dioxide removals［J］. Carbon Balance and Management， 2024，19（1）：40.

[9] Tian S Q， Wang S J， Bai X Y， et al. Global patterns and changes of carbon emissions from land use during 1992—2015［J］. Environmental Science and Ecotechnology， 2021，7：100108.

[10] Zhu Q L， Liu L J， Wang C Z， et al. Carbon and nitrogen fractions control soil N₂O emissions and related functional genes under land-use change in the tropics［J］. Environmental Pollution， 2023，335：122370.

[11] 张爽，高启晨，张戎，等.基于PLUS-InVEST模型碳储量时空演变及驱动因素分析：以纳帕海流域为例［J］.中国环境科学，2024，44（9）：5192-5201.

[12] Zhang S， Gao Q C， Zhang R， et al. Evaluating the changes and driving factors of carbon storage using the PLUS-InVEST Model： a case study of Napa Sea Basin［J］. China Environmental Science， 2024，44（9）：5192-5201.

[13] 唐娇华，李智琦，潘勇军.广州市土地利用变化与碳储量模拟：基于PLUS-InVEST模型分析［J］.中国城市林业，2024，22（4）：61-68.

[14] Tang J H， Li Z Q， Pan Y J. Simulation of land use change and carbon storage in Guangzhou based on the PLUS-InVEST model［J］. Journal of Chinese Urban Forestry， 2024，22（4）：61-68.

[15] Yang Y J， Li H Y. Monitoring spatiotemporal characteristics of land-use carbon emissions and their driving mechanisms in the Yellow River Delta： a grid-scale analysis［J］. Environmental Research， 2022，214：114151.

[16] Huang Z， Wang X， Yuan M H， et al. Differential response of ecosystem service to restoration methods and restoration time in shallow landslide-prone areas［J］. Land Degradation & Development， 2025， 36（9）： 3051-3062.

[17] 白永杰，李晓丹，刘学录.基于通径分析的土地利用变化对生态系统服务价值的影响分析：以庆阳市西峰区为例［J］.甘肃农业大学学报，2017，52（6）：120-126.

[18] Bai Y J， Li X D， Liu X L. Impact of land use change on the ecosystem service value based on path analysis： a case study in Xifeng District， Qingyang City［J］. Journal of Gansu Agricultural University， 2017，52（6）：120-126.

[19] 杜婷，焦继宗，颉耀文，等.甘肃省庆阳市2000—2015年生态环境状况变化分析［J］.兰州大学学报：自然科学版，2019，55（1）：26-32.

[20] Du T， Jiao J Z， Xie Y W， et al. Analysis of ecological environment changes in Qingyang， Gansu from 2000 to 2015［J］. Journal of Lanzhou University： Natural Sciences，2019，55（1）：26-32.

[21] 孙子婷，袁杰，李晓燕，等.基于InVEST模型祁连山南坡土地利用变化及碳储量时空分布研究［J］.水土保持研究，2025，32（3）：332-342.

[22] Sun Z T， Yuan J， Li X Y， et al. Research on land use change and spatiotemporal distribution of carbon storage on the southern slope of Qilian Mountains based on the InVEST model［J］. Research of Soil and Water Conservation， 2025，32（3）：332-342.

[23] 刘洋，张军，周冬梅，等.基于InVEST模型的蔬勒河流域碳储量时空变化研究［J］.生态学报，2021，41（10）：4052-4065.

[24] Liu Y， Zhang J， Zhou D M， et al. Temporal and spatial variation of carbon storage in the Shule River Basin based on InVEST model［J］. Acta Ecologica Sinica， 2021，41（10）：4052-4065.

[25] Tian M J， Chen Z， Wang W， et al. Land-use carbon emissions in the Yellow River Basin from 2000 to 2020： spatio-temporal patterns and driving mechanisms［J］. International Journal of Environmental Research and Public Health， 2022，19（24）：16507.

[26] Wang Y， Fan H， Wang H M， et al. High-carbon expansion or low-carbon intensive and mixed land-use？ Recent observations from megacities in developing countries： a case study of Shanghai， China［J］. Journal of Environmental Management， 2023，348：119294.

[27] Harper A B， Powell T， Cox P M， et al. Land-use emissions play a critical role in land-based mitigation for Paris climate targets［J］. Nature Communications， 2018，9：2938.

[28] Zhang R W， Ying J， Zhang Y Q. Study on the spatial spillover effect of land use type change on carbon emissions［J］. Scientific Reports， 2023，13：12197.

[29] Yuan D B， Zhang L Y， Fan Y Q， et al. Investigating spatio-temporal variations and contributing factors of land use-related carbon emissions in the Beijing-Tianjin-Hebei Region， China［J］. Scientific Reports， 2024，14：18976.

[30] 熊国来，吴学群，杨明龙，等.基于PLUS-InVEST模型的喀斯特地区碳储量时空变化及影响因素分析［J］.水土保持研究，2025，32（6）：307-315，326.

[31] Xiong G L， Wu X Q， Yang M J L， et al. Spatiotemporal variations and influencing factors of carbon storage in karst regions based on PLUS-InVEST model［J］. Research of Soil and Water Conservation， 2025，32（6）：307-315，326.

[32] 贾天朝，胡西武.基于PLUS-InVEST-Geodector模型的三江源国家公园碳储量时空变化及聚动力［J］.环境科学，2024，45（10）：5931-5942.

[33] Jia T C， Hu X W. Spatial-temporal change and driving force of carbon storage in three-river-source National Park based on PLUS-InVEST-geodector model［J］. Environmental Science.2024，45（10）：5931-5942.

[34] 王子尧，孟露，李惊，等.低碳发展背景下北京市土地利用与生态系统服务多情景模拟研究［J］.生态学报，2023，43（9）：3571-3581.

[35] Wang Z Y， Meng L， Li L， et al. Multi-scenario simulation of land use and ecosystem services in Beijing under the background of low-carbon development［J］. Acta Ecologica Sinica，2023，43（9）：3571-3581.

[36] Liu J Y， Yan Q Q， Zhang M H. Ecosystem carbon storage considering combined environmental and land-use changes in the future and pathways to carbon neutrality in developed regions［J］. Science of the Total Environment， 2023，903：166204.

[37] Luo H Z， Zhang Y W， Liu Z G， et al. Deciphering the point source carbon footprint puzzle： land use dynamics and socio-economic drivers［J］. Science of the Total Environment， 2024，957：176500.

[38] 赵双红，周冬梅，王得梅，等.基于PLUS-InVEST模型的渭河流域生态系统碳储量评估及多情景预测［J］.应用生态学报，2024，35（8）：2044-2054.

[39] Zhao S H， Zhou D M， Wang D M， et al. Ecosystem carbon storage assessment and multi-scenario prediction in the Weihe River Basin based on PLUS-InVEST model［J］. Chinese Journal of Applied Ecology， 2024，35（8）：2044-2054.

[40] 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.

[41] 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.

基金资助

甘肃省自然科学基金(22JR5RE195)

天水师范学院校列科研项目(GJB2022-11)