金沙江干热河谷碳储量时空演变与多情景模拟

Spatio-Temporal Evolution and Multi-Scenario Simulation of Carbon Storage in the Dry-Hot Valley of the Jinsha River

摘要

探究区域土地利用变化与碳储量之间关系可以为优化国土空间结构、保持地区碳平衡提供有力政策支撑。利用InVEST模型探究金沙江干热河谷1995―2020年区域内土地利用变化与生态系统碳储量时空变化特征之间的关系。结果表明：1） 1995―2020年研究区林地和草地面积大幅减少，水域和建设用地面积增加；2） 1995―2020年研究区碳储量整体为“中心高，四周低，西部高于东部”的空间分布特征，整体呈下降趋势，累计损失30.72×10⁵ t，林地和草地面积降低是碳储量减少的主要原因。运用PLUS模型和InVEST模型分别预测金沙江干热河谷2020―2030年三种不同情景下土地利用变化以及碳储量空间分布情况，结果表明：2030年自然增长情景、生态保护情景、耕地保护情景下的碳储量较2020年将分别减少12.90×10⁵、3.60×10⁵、7.23×10⁵ t。生态保护情景能有效缓解碳损失，为区域生态环境治理提供了重要参考。

Abstract

Exploring the relationship between regional land use change and carbon storage can provide robust policy support for optimizing land spatial structure and maintaining regional carbon balance. The InVEST model was used to analyze the relationship between land use changes and ecosystem carbon storage in the dry-hot valley of the Jinsha River region for the periods of 1995―2020. The results show that: 1) From 1995 to 2020, the study area experienced a significant reduction in forest and grassland areas, while the areas of water bodies and construction land increased. 2) From 1995 to 2020, the carbon storage in the study area exhibited a spatial distribution characterized by higher in the center, lower around the edges, and higher in the west than in the east. Overall, it showed a declining trend, with a cumulative loss of 30.72×10⁵ t. The reduction in forest and grassland areas was the main reason for the decrease in carbon storage. The PLUS model and the InVEST model were used to predict the land use changes and the spatial distribution of carbon storage in the dry-hot valley of the Jinsha River region for the period of 2020―2030 under three different scenarios, respectively. The results show that: By 2030, under the scenarios of natural growth, ecological protection, and farmland conservation, the carbon storage will decrease by 12.90×10⁵ t, 3.60×10⁵ t, and 7.23×10⁵ t respectively compared to 2020. Ecological protection scenarios can effectively mitigate carbon losses and provide an important reference for regional ecological environment management.

Graphical abstract

关键词

碳储量 / 土地利用 / 干热河谷 / InVEST模型 / PLUS模型

Key words

carbon storage / land use / dry-hot valley / InVEST model / PLUS model

0　 引 言

气候变化使人类生存和可持续发展面临着重大挑战，受到了全世界众多学者的高度关注^[1]。根据IPCC（Intergovernmental Panel on Climate Change）第六次评估报告^[2]显示，近年来人类活动对气候变化的影响明显增强，导致极端天气频发和生态环境恶化等问题愈发严重^[3]。为积极应对全球气候变化，我国政府提出“碳达峰、碳中和”目标，旨在积极参与全球气候治理，推动构建人类命运共同体。陆地生态系统在全球碳循环扮演着重要角色，在维持全球碳平衡和调节气候等方面具有不可替代的作用^[4-5]。土地利用/覆盖变化是导致陆地生态系统变化的重要原因，它通过改变生态系统的结构、特性和物质循环，从而影响碳储量的变动^[6-7]。因此，量化分析土地利用/覆盖变化与碳储量之间的关系，对于优化国土空间规划和维持区域碳平衡至关重要。

近年来，国内外学者从不同尺度和不同视角探讨了区域土地利用变化对陆地生态系统碳储量的影响。全球尺度上，Scalenghe等^[8]研究分析了意大利北部河谷地区150年土地利用变化与碳储量之间关系，证实了人口稠密的地区碳储量的变化大；Shibabaw等^[9]研究指出热带地区的森林砍伐对埃塞俄比亚地区的土壤有机碳具有潜在影响；Sha等^[10]研究发现通过优化土地管理的措施可以促进全球陆地植被每年额外吸收13.74 Pg C（1 Pg C=10¹⁵ g C）。区域尺度上，Yang等^[11]、Zhao等^[12]和任胤铭等^[13]学者分别研究了黄土高原、青藏高原、京津冀城市群等区域不同因素对生态系统碳储量的影响及土地利用变化对碳储量的时空分布特征。此外，流域尺度上，马勇洁等^[14]耦合InVEST-FLUS、罗丹等^[15]耦合InVEST-FLUS-Markov、吴则禹等^[16]耦合InVEST-PLUS模型分别对不同情景下青海湖流域、南北盘江流域和东江源流域土地利用格局与生态系统碳储量关系进行了研究。行政区划尺度上，学者们耦合InVEST-PLUS模型分别从省域^[17]、市域^[18]和县域^[19]等视角探讨碳储量空间变化趋势，并预测未来多种情景下的碳储量时空分布情况。综上所述，耦合InVEST-PLUS模型已被很多学者应用于全球范围内的陆地生态系统碳储量的评估。然而，目前的研究多集中在黄土高原区域、青藏高原区域、典型城市群和河流湖泊以及具体行政单元，对地理特征独特的干热河谷地区的研究则相对较少。金沙江干热河谷地处亚热带的高山峡谷中，以其独特的气候特征和丰富的光热资源而闻名^[20]。该区域特殊且复杂的地理环境及气候条件，造成了植被生长的显著空间差异。这些差异不仅影响了植被的光合作用效率和生物量积累，而且进一步影响了碳的固定与存储能力。此外，极端气候条件加剧了土壤有机质的分解速率，减少了区域中土壤有机碳的储存。因此，对金沙江干热河谷的碳储量进行研究，不仅有助于深入理解复杂区域碳循环的特征，而且对推进生态保护措施和实现“碳达峰、碳中和”目标具有重要意义。

本文以云南省金沙江干热河谷区域为研究对象，采用InVEST模型的碳储量模块来分析1995―2020年间该区域内土地利用变化与生态系统碳储量时空变化特征。此外，从自然、社会和经济驱动因素中筛选出15个驱动因子，利用PLUS模型预测自然增长、生态保护以及耕地保护情景三种情景下2030年研究区土地利用变化，利用InVEST模型评估不同情景下碳储量时空变化特征，旨在为优化国土空间结构及促进生态文明建设提供科学依据。

1　 研究数据

1.1　研究区概况

云南省金沙江干热河谷区位于我国云南省的北部（100.3°~103.6° E，26.6°~28.0° N，图1），是长江中上游重要的生态屏障，也是全国水土治理与生态恢复工作的关键地带^[21]。该区域地处高山峡谷区，地形陡峭，递变急剧，地质结构较为松散，受热带印度洋西南季风和青藏高原气团的影响，形成了四季不分明且干热低湿的气候特征，年平均气温为20.0~21.9 ℃，年降雨量为564.2~860.9 mm，主要集中在夏季，年蒸发量在2 430.3~3 604.1 mm之间，是降雨量的3~6倍^[22]。低降雨量和高蒸发量限制了植被的生长，导致区域植被主要由耐干旱的热带稀树灌草组成，如扭黄茅、孔颖草、滇枣等^[23]。土壤以红壤、燥红壤为主，土层中砂石含量高，保水保土能力差，水土流失严重。

1.2　数据来源

本文从中国科学院资源与环境中心选取1995、2000、2005、2010、2015、2020年的土地利用数据，并参照全国土地利用动态遥感监测分类系统将其划分为六类。从自然、社会和经济驱动因素中筛选出15个关键因子作为PLUS模型的驱动因子，具体的数据来源说明见表1。

1.3　研究方法

1.3.1　InVEST模型和碳密度修正

本文利用InVEST模型中的碳储量模块来计算研究区碳储量变化。该模块主要以土地利用数据和碳密度数据作为数据源评估陆地生态系统碳储量。一般将生态系统碳储量划分成地上生物量、地下生物量、土壤和死亡有机物4个基本碳库^[24]。碳储量计算公式为：

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

\mathrm{T}\mathrm{o}{\mathrm{t}}_{\mathrm{c}}={\displaystyle \sum _{i=\mathrm{1}}^n}{C}_i\times A_i（2）

其中，i代表某种土地利用类型；C_i代表土地利用类型为i时的碳密度（t·hm^-2）；C_{i\mathrm{‑}\mathrm{a}\mathrm{b}\mathrm{o}\mathrm{v}\mathrm{e}}、C_{i\mathrm{‑}\mathrm{b}\mathrm{e}\mathrm{l}\mathrm{o}\mathrm{w}}、C_{i\mathrm{‑}\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{d}}和C_{i\mathrm{‑}\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}分别代表土地利用类型为i时地上生物量碳密度、地下生物量碳密度、死亡有机物碳密度和土壤碳密度（t·hm^-2）；\mathrm{T}\mathrm{o}{\mathrm{t}}_{\mathrm{c}}代表生态系统碳储量总量（t）；A_i代表土地利用类型为i时的面积（hm²）；n表示土地利用类型数量。

本文的碳密度数据是参考前人的研究结果和修正公式计算得到的。研究区耕地和未利用地生物量和土壤碳密度参数参考李克让等^[25]和解宪丽等^[26]的研究结果。林地、草地和水域的生物量和土壤碳密度来源于徐丽等所创建的2010年中国陆地生态系统数据集^[27]，从中筛选出囊括研究区经纬度范围内148个样本点数据，并按各用地类型计算出碳密度平均值。建设用地生物量碳密度和土壤碳密度则参考云南建筑区有机碳以及相近区域内前人的研究成果^[28，29]。各土地利用类型死亡有机物碳密度参考IPCC2006国家温室气体排放清单对死亡有机物碳密度估算^[30，31]。然而，不同区域的气候和土壤类型会影响结果准确性，需要根据研究区的气候条件进行修正。因此本文根据Alam等^[32]、Giardina等^[33]和陈光水等^[34]提出的碳密度修正方法对降水量和气温的公式进行修正，具体计算如下：

C_{\mathrm{S}\mathrm{P}}=\mathrm{3.396}\mathrm{8}\times \mathrm{M}\mathrm{A}\mathrm{P}+\mathrm{3}\mathrm{996.1}（3）

C_{\mathrm{B}\mathrm{P}}=\mathrm{6.798}\times {\mathrm{e}}^{\mathrm{0.005}\mathrm{4}\times \mathrm{M}\mathrm{A}\mathrm{P}}（4）

C_{\mathrm{B}\mathrm{T}}=\mathrm{28}\times \mathrm{M}\mathrm{A}\mathrm{T}+\mathrm{398}（5）

其中，C_{\mathrm{S}\mathrm{P}}和C_{\mathrm{B}\mathrm{P}}分别表示经年均降雨量所计算的土壤碳密度和生物量碳密度（t·hm^-2）；C_{\mathrm{B}\mathrm{T}}代表经年均气温所计算的生物量碳密度（t·hm^-2）；MAP和MAT分别代表年均降雨量（mm/a）和年均气温(℃/a)。

K_{\mathrm{S}}=\frac{C_{\mathrm{S}\mathrm{P}}^{\mathrm{\text{'}}}}{C_{\mathrm{S}\mathrm{P}}^{\mathrm{\text{'}}\mathrm{\text{'}}}}（6）

K_{\mathrm{B}\mathrm{P}}=\frac{C_{\mathrm{B}\mathrm{P}}^{\mathrm{\text{'}}}}{C_{\mathrm{B}\mathrm{P}}^{\mathrm{\text{'}}\mathrm{\text{'}}}}（7）

K_{\mathrm{B}\mathrm{T}}=\frac{C_{\mathrm{B}\mathrm{T}}^{\mathrm{\text{'}}}}{C_{\mathrm{B}\mathrm{T}}^{\mathrm{\text{'}}\mathrm{\text{'}}}}（8）

K_{\mathrm{B}}=K_{\mathrm{B}\mathrm{P}}\times K_{\mathrm{B}\mathrm{T}}（9）

其中，K_{\mathrm{B}\mathrm{P}}和K_{\mathrm{B}\mathrm{T}}分别为生物量碳密度的降水因子和气温因子的修正系数。C_{\mathrm{B}\mathrm{P}}^{\text{'}}和C_{\mathrm{B}\mathrm{P}}^{\text{'}\text{'}}分别表示通过年均降雨量得到的研究区和云南省生物量碳密度；C_{\mathrm{S}\mathrm{P}}^{\text{'}}和C_{\mathrm{S}\mathrm{P}}^{\text{'}\text{'}}分别表示由年均降雨量数据计算得到的研究区和云南省土壤碳密度；C_{\mathrm{B}\mathrm{T}}^{\text{'}}和C_{\mathrm{B}\mathrm{T}}^{\text{'}\text{'}}分别表示由年均气温数据得到的研究区和云南省生物量碳密度；K_{\mathrm{S}}和K_{\mathrm{B}}分别为土壤碳密度修正系数和生物量碳密度修正系数。

将云南省与研究区的年均气温和降雨量分别代入到（3）~（5）式中，再基于（6）~（9）式计算碳密度调整系数。修正后研究区各土地利用类型碳密度如表2所示。

1.3.2　PLUS模型

PLUS模型是由中国地质大学HPSCIL@CUG实验室研发的一种斑块生成土地利用变化模拟的模型^[35]，主要用于生态系统服务多情景模拟预测。本文依据自然、社会和经济驱动因素，以2010年为初始年份模拟2020年土地利用数据，模拟结果和实际数据如图2所示，并对模拟结果进行一致性检验，得到Kappa值（Kappa Coefficient）为0.89，总体精度达到92.77%。Kappa系数是评价分类精度的重要指标，其数值越高，观测数据与模拟结果之间的一致性越好^[36]。该模型的一致性检验结果表明其可以用于预测研究区2030年的土地利用变化。

1.3.3　情景设置

情景设置是指通过预测未来不同发展情景的土地利用趋势，为区域发展提供政策支撑。本文参考《云南省国土空间规划（2021―2035年）》^[37]和《云南省重要生态系统保护和修复重大工程总体规划（2021―2035年）》^[38]，并结合前人经验设定如下3种情景。

1） 自然增长情景

根据2010―2020年的发展趋势，以10年为步长，预测2030年各土地利用类型需求量。以水域作为土地利用变化的限制因子，该情景下的土地利用转移矩阵参照表3。该矩阵表示各土地利用类型间的转移规则，当一种土地利用类型不允许转化为另一种时，则将矩阵中相应位置的值设定为0，允许转换设定为1。

2） 生态保护情景

该情景考虑到滇西北生态功能保护区、云南东川生态功能保护区、西南喀斯特生态功能保护区和珠江源（云南部分）生态功能保护区是我国重要的生态安全屏障。通过限制城镇化发展，加强耕地、草地和林地等生态用地的保护遏制碳储量的损失。该情景下的转移成本矩阵如表3。领域因子利用无量纲化方法^[39]得到，分别设置耕地、林地、草地、水域、建设用地和未利用地的领域因子为1.00、0.20、0.11、0.41、0.27、0.00。

3） 耕地保护情景

该情景通过限制耕地向其他用地的转移速率，加强对基本农田的保护。同时，将基本农田保护区作为限制扩张区域。该情景下的转移成本矩阵参照表3。领域因子分别为1.00、0.81、0.94、0.37、0.38、0.00。

2　 结果分析

2.1　土地利用驱动因子诊断

土地利用的变化主要受到人类活动的驱动，而这些活动又同时受自然、社会和经济因素的影响。在自然因素方面，地形和气候是关键因素，它们决定了土地利用类型的转移趋势和分布特点。人们通常倾向于选择地理位置优越、气候条件宜人的地区进行生产和居住。在社会和经济因素方面，人类活动往往集中于经济发展水平较高、人口较密集且交通条件便利的区域。由于NDVI主要作为地表植被光谱响应的客观指标，并未直接参与土地利用变化的驱动过程。因此，本研究选择了14个直接影响土地利用变化因子，利用Markov Chain模型^[40]统计出各驱动因子的贡献度，统计结果如图3所示。从图3中可知，对林地贡献度最高的是DEM（Digital Elevation Model）（0.170 2）、坡度（0.133 1）和GDP（0.122 2），其他因子对林地扩张的影响较为均衡。金沙江干热河谷地处高山峡谷中，其中较高海拔和较大坡度的区域降雨量较为丰富，为植被生长提供了充足的水源，同时该区域受人类活动影响较少，植被破环程度较低。此外，随着地区经济发展，政府在林地保护和恢复方面提供大量资金支持，显著促进了林地面积的增加。因此DEM、坡度和GDP成为林地的前三驱动力。影响建设用地的主要是距乡镇驻地距离（0.164 9）、GDP（0.143 8）和人口（0.117 6），表明建设用地扩张区域主要分布在人口聚集、社会经济活动频繁的县政府驻地周围。耕地受DEM（0.162 9）、人口（0.136 7）和坡度（0.116 6）影响最大。坡度（0.123 1）和DEM（0.122 1）的对草地的贡献度最高。水域变化与DEM（0.209 0）、坡度（0.180 1）和土壤（0.161 1）紧密相关，而未利用地也与DEM（0.440 7）相关性最大。本研究采用距一、二、三级公路、铁路和高速公路的驱动因子作为交通可达性影响因子，按照贡献度之和从高到低的顺序为建设用地（0.329 1）草地（0.289 1）、耕地（0.266 4）、未利用地（0.265 9）林地（0.246 7）和水域（0.146 6）。

2.2　土地利用变化特征分析

本文利用ArcGIS软件计算得到研究区1995―2020年土地利用类型变化。由表4可知，2020年，林地、草地和耕地是研究区内主要的用地类型，而水域、建设用地和未利用地的占比较少。从变化趋势上来看，1995―2020年区域内林地和草地面积呈下降的趋势，占比分别下降0.86%和0.47%；建设用地、水域和耕地面积呈增加的态势，其中建设用地面积扩张明显，2020年的面积比1995年增加了264.60 km²，占比增加了0.58%；未利用地维持在稳定水平。根据ArcGIS软件中栅格计算器工具得到研究区1995―2020年土地利用转移矩阵，由表5可知研究区25年间林地的转出面积大于转入面积，减少了395.59 km²，主要转变为草地和耕地，转出面积分别为976.88 km²和816.37 km²；草地的转出面积大于转入面积，主要转向林地和耕地；水域转入面积明显多于转出面积，增加172.28 km²，主要来源于耕地和草地；建设用地在25年间表现为显著增长趋势，转入面积约为转出面积的10倍，其中50%的面积来源于耕地面积的转入。

2.3　生态系统碳储量时空变化

利用InVEST模型来分析研究区25年内碳储量变化情况。从图4可以看出，研究区1995、2000、2005、2010、2015、2020年碳储量分别为5 643.53×10⁵、5 623.94×10⁵、5 624.11×10⁵、5 620.47×10⁵、5 619.61×10⁵、5 612.81×10⁵ t，整体呈减少的趋势，总体损失了30.72×10⁵ t。根据总碳量及区域面积计算得到碳密度分别为122.26、121.83、121.84、121.76、121.74、121.59 t·hm^-2，共下降了0.67 t·hm^-2。其中1995―2000年碳储量下降迅速，总体下降19.59×10⁵ t，占1995―2020年损失总量的63.77%；2000―2020年碳储量下降平缓，20年间累计下降11.13×10⁵ t。林地碳储量是最重要的碳库，约占研究区总碳储量的54.91%。从表6可以看出，研究区不同时期不同土地类型的碳储量都有所变化。上世纪末由于过度的开垦土地，大量林地草地转为耕地，造成了林地的碳储量大幅度降低，达68.76×10⁵ t，使得研究区内总碳量呈现大幅度下降；2000年后，退耕还林政策的正式实施及时遏制了过度的耕地开垦，各类用地碳储量变化程度有所减少；2005―2010年间，退耕还林的效果显著，林地碳储量增加了21.90×10⁵ t，而耕地碳储量呈下降趋势，下降了26.18×10⁵ t，同时城镇化进程的加快使得建设用地不断扩张，造成了区域内生态系统的碳储量进一步流失；为加快生态文明建设，强化生态保护工作，国家出台了一系列生态保护政策，在2010―2015年间，有效抑制了生态系统碳储量减少的趋势，其中，林地的碳储量仅下降了0.14×10⁵ t；2015―2020年金沙江流域开展了大型水电站的建设，在施工过程中水库因蓄水淹没地表植被，部分林地及草地流转为水域，造成了8.15×10⁵ t碳储量的流失。

运用InVEST模型得到研究区6个时点的碳储量空间分布图，如图5所示，近25年研究区碳储量高值区域占比较大。伴随着金沙江中下游城市群的发展，区域建设用地面积增长迅速，导致区域东北部昭通市及西北部丽江市的碳储量处于较低水平；碳储量中等地区零星分布于研究区东南部；研究区的西南部地区城市化程度较低，森林覆盖率高，受人类活动影响较小，碳储量保持在较高水平，整体上呈“中心高、四周低，西部高于东部”的特点。为了更加清楚反映出研究区25年间碳储量变化情况，利用ArcGIS软件对1995年和2020年两个时间段的碳储量空间分布进行差值计算，得到每个栅格值的增减变化情况，通过重分类方法，将碳储量变化值大于10%的地区作为增加区域，变化值小于10%的地区作为降低区域，介于±10%之间的地区则作为基本不变区域。由图6可知，大部分区域的碳储量保持不变，占比为87.36%，6.88%的区域碳储量呈上升的趋势，主要集中在研究区东部靠近外侧区域。由于近几年受滇东北城市群发展和金沙江流域水电梯级开发建设的影响，分布在滇东北主城区、白鹤滩水电站及观音岩水电站等周边地带，的碳储量逐渐降低，减少面积为2 656.31 km²。

为了进一步探究土地利用变化与碳储量相互作用关系，计算了1995―2020年受土地利用转换而引起的碳储量变化情况。根据表7可知，碳密度最高的林地大面积向耕地及草地流入，导致碳储量损失40.92×10⁵ t。林地作为陆地生态系统中最大的碳库，林地的转入能够促进区域的碳汇能力，共增加30.81×10⁵ t的碳储量。此外，建设用地的扩张也是造成区域碳储量下降的重要原因，共流失14.55×10⁵ t，其中约有84%的减少量来源于耕地及草地向建设用地的转变。综上所述，林地和草地向其他土地利用类型转换是造成生态系统碳损失和促进区域碳收支平衡的关键因素。未来，为提高区域碳储量，应当加强对林地和草地的保护力度，积极实施生态保护和大规模修复工程。

2.4　多情景模拟下土地利用变化及碳储量潜力预测结果分析

2.4.1　土地利用变化模拟预测结果分析

基于PLUS模型和土地利用驱动因子，以2020年为初始年份，预测得到2030年研究区不同情景下的土地利用变化。由表8可知，在3种情景下，2020―2030年自然增长情景（SN）各土地利用类型的整体变化趋势与2010―2020年基本相同。其中建设用地面积增加最多，较2020年增加135.14 km²，占比达到0.29%，主要由耕地、林地和草地转移而来。与建设用地变化情况相似，水域也呈增加的趋势，较2020年增加120.63 km²，其增量主要来自林地、草地的面积转入。草地、林地、耕地和未利用地的面积均呈现减少的趋势，分别减少了98.83、59.84、96.99、0.10 km²。生态保护情景（SE）下林地、草地、水域和建设用地面积均有所增加，其中水域面积增加量最多，面积增加了102.55 km²，增长率为0.22%，而林地、草地仅在该情景下呈增加的态势，分别增加了47.50 km²和26.17 km²。耕地在该情景下减少量最大，主要由于政府采取了退耕还林，还草、水资源保护等措施，使得耕地面积向生态用地大幅度转移，共转移了245.36 km²。耕地保护情景（SF）下，耕地、水域和建设用地面积持续增加，分别增加了133.40、75.12、75.19 km²，由于过度强调耕地保护，允许生态用地的转出，林地、草地在三种情景中所占面积最多，分别为22 996.61 km²和12 885.44 km²。此外，由于未利用地被大量开发利用，三种情景下面积均呈降低的趋势。

2.4.2　多情景下碳储量预测结果分析

利用InVEST模型得到三种情景下碳储量空间分布，由图7可知，到2030年，三种情景下的碳储量仍呈下降的趋势。其中，SN情景下碳储量为5 599.91×10⁵ t，碳密度为121.31 t·hm^-2，与2020年相比减少了12.90×10⁵ t；SE情景下碳储量为5 609.21×10⁵ t，碳密度为121.51 t·hm^-2，与2020年相比，SE情景碳储量减少了3.60×10⁵ t，从空间分布上来看，该情景下的碳储量下降区域明显变少，主要是由于采取了生态保护措施，限制了生态用地的转出；SF情景下的碳储量为5 605.58×10⁵ t，碳密度为121.44 t·hm^-2，与2020年相比减少了7.23×10⁵ t，变化区域主要呈零星分布的特点。综上分析可知，在生态保护政策约束下，限制了建设用地的扩张，使得区域内的碳储量下降得到了明显的控制，但耕地面积明显减少，因此至2030年，应在生态保护的基础上采用一定的耕地保护措施，进一步缓解碳储量的损失。

3　 讨 论

1） 本文的碳密度数据主要参考2010年中国陆地生态系统碳密度数据集和前人的研究成果，并进行模型修正得到研究区碳密度数据。将本文所得的碳密度数据与研究区域相近的已发表文献中的碳密度数据进行比较。Long等^[41]研究发现位于滇川交界处的溪洛渡库区林地地下生物量和死亡有机物碳密度分别为6.38和2.96 t·hm^-2，与本文得到的林地地下生物量和死亡有机物碳密度（6.27和2.75 t·hm^-2）较为接近；罗丹等^[15]研究发现南北盘江流域灌丛地上生物量为15.01 t·hm^-2，略低于本研究得到的草地地上生物量碳密度（15.36 t·hm^-2）；李俊等^[42]研究发现昆明市草地地下生物量和土壤碳密度分别为16.20和84.10 t·hm^-2，与本文通过修正获得的草地地下生物量和土壤碳密度（17.06和85.32 t·hm^-2）较为一致；李灿峰等^[43]的研究结果表明，滇中城市群的耕地地下生物量碳密度为7.30 t·hm^-2，与本文所得到的耕地地下生物量碳密度（8.39 t·hm^-2）较为相似；许进龙等^[44]研究发现滇桂黔石漠化片区水域土壤碳密度为64.03 t·hm^-2，与本研究得到的水域土壤碳密度（64.50 t·hm^-2）非常接近；谢杨林^[45]的研究发现云贵高原城镇用地和未利用地土壤碳密度分别为33.99和34.08 t·hm^-2，与本文所得的建设用地和未利用地土壤碳密度（34.04和34.13 t·hm^-2）相一致；整体来看，本文的研究利用模型修正的方法获取碳储量具有较强的说服力，能够支撑对研究区内碳储量时空演变的研究。

2） 金沙江干热河谷区是我国典型的生态脆弱带，区域内不同经纬度地区存在不同的生态环境。近年来，为推进金沙江流域水能资源的开发，规划建设一系列大型水利设施，其在带动周围经济发展的同时，不可避免地对周边生态环境和气候条件产生一定程度负面影响。植被作为陆地生态系统中最大的碳库，是反映区域碳汇能力最重要的指标。在水电站建设过程中，水坝拦截回水会导致周围植被淹没，开发和建设新道路会造成部分植被被碾压以及大型设备的使用会损害土地的地表结构等，这些均会对周围植被产生一定程度的破环^[46]。此外，建设用地需求的急剧增加打破了原有的生态结构，造成大量的林地和草地被侵占，进一步加剧了陆地生态系的碳损失，因而在1995―2020年间碳储量呈不断降低的趋势。李灿峰等^[43]研究发现云贵地区碳储量呈现先减后增再减，整体减少的变化趋势，与本文的碳储量先下降后缓慢减少再下降的研究结果较为一致。龚泊舟^[47]基于植被净初级生产力（NPP），得出昆明市2005―2020年间植被碳储量共增长了7.14×10⁵ t，年均增长为0.48×10⁵ t，与本文中林地碳储量在2005―2020年增量（13.61×10⁵ t）较为相近。

4　 结 语

本文通过耦合InVEST模型碳储量模块和PLUS模型，分析金沙江干热河谷区1995―2020年及三种不同情景陆地生态系统碳储量时空变化情况，得到如下结果：

1） 研究区以林地、草地和耕地为主要用地类型，25年间林地和草地面积整体呈下降的趋势，分别下降了0.86%和0.47%；建设用地、水域和耕地面积整体呈增加的态势，其中建设用地面积扩张明显，增加了264.60 km²。

2） 1995―2020年研究区碳储量呈逐渐减少趋势，累计损失了30.72×10⁵ t，其原因是建设用地侵占了大量的生态用地。从空间分布上来看，研究区碳储量整体呈“中心高、四周低，西部高于东部”的空间分布特征。碳储量高值区主要分布在研究区的西南部，碳储量低值区主要分布在区域东北部及西北部。

3） 到2030年，自然增长情景、生态保护情景及耕地保护情景的碳储量分别为5 599.91×10⁵、5 609.21×10⁵、5 605.58×10⁵ t，均呈下降的趋势，其中自然增长情景下碳储量损失较大，较2020年损失了12.90×10⁵ t。生态保护情景和耕地保护情景能有效减缓碳储量的损失，较2020年分别减少了3.60×10⁵ t和7.23×10⁵ t。

然而本文在碳储量估算以及模型预测过程中仍存在一定的不确定性，未来的工作中还需加强以下几个方面：1） 本文所使用的碳密度数据采用的是恒定碳密度值来进行估测的，但实际上林地和草地等生态系统的碳密度会随着时间和生态系统的演替而发生变化，在一定程度上会造成碳密度数据的不准确，因此在以后的研究中应尽可能考虑碳密度的时间变化，以提高碳储量估算精度；2） 本研究采用PLUS模型预测不同情景研究区陆地生态系统碳储量变化，选取自然和社会经济15个影响因子作为模拟未来土地利用格局的驱动因子，尽管这些因子具有较好的模拟效模拟果，但却忽略了如重点生态保护区以及耕地保护红线等多种政策因素进行叠加，未来应当将各种政策因素加入模型预测中进行综合反映；3） 在预测未来三种情景时模型参数（如转换成本矩阵，转移概率）的设置存在一定的主观性，缺少经济环境变化和政策因素的影响，未来的研究应根据研究区内的实际情况不断调试模型的参数，达到更优的预测结果。

参考文献

[1] GHADGE A， WURTMANN H， SEURING S. Managing climate change risks in global supply chains： A review and research agenda［J］. International Journal of Production Research， 2020， 58（1）： 44-64. DOI： 10.1080/00207543.2019.1629670 .

[2] EYRING V， GILLETT N P， ACHUTARAO K， et al. Human Influence on the Climate System. In Climate Change 2021： The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change［M］. Cambridge： Cambridge University Press， 2021. DOI：10.1017/9781009157896.005 .

[3] SOON W， CONNOLLY R， CONNOLLY M， et al. The detection and attribution of Northern Hemisphere land surface warming （1850―2018） in terms of human and natural factors： Challenges of inadequate data［J］. Climate， 2023， 11（9）： 179. DOI： 10.3390/cli11090179 .

[4] 王锴， 朴世龙， 何悦， 等. 中国陆地生态系统碳汇稳定性的空间分布特征及驱动机制［J］. 中国科学： 地球科学， 2023， 53（2）： 216-226. DOI: 10.1007/s11430-021-1003-5 .

[5] WANG K， PIAO S L， HE Y， et al. Spatial variations and mechanisms for the stability of terrestrial carbon sink in China［J］. Scientia Sinica （Terrae）， 2023， 53（2）： 216-226 （Ch）. DOI: 10.1007/s11430-021-1003-5 .

[6] 方精云， 于贵瑞， 任小波， 等. 中国陆地生态系统固碳效应——中国科学院战略性先导科技专项“应对气候变化的碳收支认证及相关问题”之生态系统固碳任务群研究进展［J］. 中国科学院院刊， 2015， 30（6）： 848-857. DOI： 10.16418/j.issn.1000-3045.2015.06.019 .

[7] FANG J Y， YU G R， REN X B， et al. Carbon sequestration in China’s terrestrial ecosystems under climate change—Progress on ecosystem carbon sequestration from the CAS strategic priority research program［J］. Bulletin of Chinese Academy of Sciences， 2015， 30（6）： 848-857. DOI： 10.16418/j.issn.1000-3045.2015.06.019（Ch ）.

[8] 贺一聪， 陶贞， 梁誉正， 等. 粤东北山地生态系统植被及其碳储量时空变化［J/OL］. 中山大学学报（自然科学版）（中英文）：1-11［2024-01-18］.

[9] HE Y C， TAO Z， LIANG Y Z， et al. Spatiotemporal variations in vegetation and carbon storage of mountainous ecosystems in Northeastern Guangdong Province［J/OL］. Acta Scientiarum Naturalium Universitatis Sunyatseni：1-11［2024-01-18］.

[10] 魏伟， 颉耀文， 魏晓旭， 等. 基于CLUE-S模型和生态安全格局的石羊河流域土地利用优化配置［J］. 武汉大学学报（信息科学版）， 2017， 42（9）： 1306-1315. DOI： 10.13203/j.whugis20160051 .

[11] WEI W， XIE Y W， WEI X X， et al. Land use optimization based on CLUE-S model and ecological security scenario in Shiyang River Basin［J］. Geomatics and Information Science of Wuhan University， 2017， 42（9）： 1306-1315. DOI： 10.13203/j.whugis20160051（Ch ）.

[12] SCALENGHE R， MALUCELLI F， UNGARO F， et al. Influence of 150 years of land use on anthropogenic and natural carbon stocks in emilia-romagna region （Italy）［J］. Environmental Science & Technology， 2011， 45（12）： 5112-5117. DOI： 10.1021/es1039437 .

[13] SHIBABAW T， RAPPE GEORGE M O， GÄRDENÄS A I. The combined impacts of land use change and climate change on soil organic carbon stocks in the Ethiopian Highlands［J］. Geoderma Regional， 2023， 32： e00613. DOI： 10.1016/j.geodrs.2023.e00613 .

[14] SHA Z Y， BAI Y F， LI R R， et al. The global carbon sink potential of terrestrial vegetation can be increased substantially by optimal land management［J］. Communications Earth & Environment， 2022， 3： 8. DOI： 10.1038/s43247-021-00333-1 .

[15] YANG Y， LIU L X， ZHANG P P， et al. Large-scale ecosystem carbon stocks and their driving factors across Loess Plateau［J］. Carbon Neutrality， 2023， 2（1）： 5. DOI： 10.1007/s43979-023-00044-w .

[16] ZHAO H H， GUO B， WANG G J. Spatial‑temporal changes and prediction of carbon storage in the Tibetan Plateau based on PLUS-InVEST model［J］. Forests， 2023， 14（7）： 1352. DOI： 10.3390/f14071352 .

[17] 任胤铭， 刘小平， 许晓聪， 等. 基于FLUS-InVEST模型的京津冀多情景土地利用变化模拟及其对生态系统服务功能的影响［J］. 生态学报， 2023， 43（11）： 4473-4487. DOI： 10.5846/stxb202201280269 .

[18] REN Y M， LIU X P， XU X C， et al. Multi-scenario simulation of land use change and its impact on ecosystem services in Beijing-Tianjin-Hebei region based on the FLUS-InVEST Model［J］. Acta Ecologica Sinica， 2023， 43（11）： 4473-4487. DOI： 10.5846/stxb202201280269（Ch ）.

[19] 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. DOI： 10.13448/j.cnki.jalre.2023.231 .

[20] 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. DOI： 10.13448/j.cnki.jalre.2023.231（Ch ）.

[21] 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. DOI： 10.5846/stxb202208192384 .

[22] LUO D， ZHOU Z F， CHEN Q， et al. Responses of carbon storage to land use pattern in Karst area： A case study of Nanbei Panjiang River Basin［J］. Acta Ecologica Sinica， 2023， 43（9）： 3500-3516. DOI： 10.5846/stxb202208192384（Ch ）.

[23] 吴则禹， 刘星根， 曾金凤. 基于InVEST-PLUS模型的东江源流域碳储量时空演变与预测［J］. 环境科学学报， 2024， 44（3）： 419-430. DOI： 10.13671/j.hjkxxb.2023.0305 .

[24] WU Z Y， LIU X G， ZENG J F. Spatio-temporal change and prediction of carbon storage in Dongjiang River source

[25] watershed based on InVEST-PLUS model［J］. Acta Scientiae Circumstantiae， 2024， 44（3）： 419-430. DOI： 10.13671/j.hjkxxb.2023.0305（Ch ）.

[26] HUANG Y， XIE F T， SONG Z J， et al. Evolution and multi-scenario prediction of land use and carbon storage in Jiangxi Province［J］. Forests， 2023， 14（10）： 1933. DOI： 10.3390/f14101933 .

[27] 于芝琳， 赵明松， 高迎凤， 等. 基于InVEST-PLUS模型的淮北市碳储量时空演变及预测［J/OL］. 环境科学：1-21［2023-09-25］.

[28] YU Z L， ZHAO M S， GAO Y F， et al. Spatio-temporal evolution and prediction of carbon storage in Huaibei City based on InVEST-PLUS model online first［J/OL］. Environmental Science：1-21 ［2023-09-25］.

[29] 李月， 罗红芬. 黔中喀斯特地区典型县域碳储量时空演变及多情景模拟预测：以普定县为例［J］. 环境科学， 2024， 45（2）： 961-973. DOI：10.13227/j.hjkx.202302238 .

[30] LI Y， LUO H F. Spatio-temporal evolution and multi-scenario simulation of carbon storage in Karst regions of central Guizhou Province： Taking Puding Country as an example［J］. Environmental Science， 2024， 45（2）： 961-973. DOI：10.13227/j.hjkx.202302238（Ch ）.

[31] 许英杰，杨绍微，张峻铭，等.云南金沙江干热河谷县域土地利用景观格局的地形效应［J］.生态学杂志，2023，42（8）：1982-1992.DOI：10.13292/j.1000-4890.202308.012 .

[32] XU Y J， YANG S W， ZHANG J M， et al. Topographic effect of county-level land-use landscape pattern in the dry-hot valley of Jinsha River， Yunnan Province［J］. Chinese Journal of Ecology， 2023， 42（8）： 1982-1992. DOI： 10.13292/j.1000-4890.202308.012（Ch ）.

[33] 方海东， 段昌群， 纪中华， 等. 金沙江干热河谷自然恢复区植物种群生态位特征［J］. 武汉大学学报（理学版）， 2008， 54（2）： 177-182. DOI： 10.3321/j.issn： 1671-8836.2008.02.011 .

[34] FANG H D， DUAN C Q， JI Z H， et al. Niche characteristics of plant populations on natural restoration region in dry-hot valley of Jinshajiang River［J］. Journal of Wuhan University （Natural Science Edition）， 2008， 54（2）： 177-182. DOI： 10.3321/j.issn： 1671-8836.2008.02.011（Ch ）.

[35] 沙毓沧， 纪中华， 李建增， 等. 西南地区干热河谷生态环境问题［C］//云南省作物学会2004—2006年优秀论文选集. 四川：《西南农业学报》编辑部，2006： 326-332. DOI: 10.3969/j.issn.1001-4829.2006.z1.067 .

[36] SHA Y C， JI Z H， LI J Z， et al. Ecological problems of dry hot valley in China southwest［C］// Selected Papers of Yunnan Crop Society from 2004 to 2006. Sichuan：Editorial Board of Southwest China Journal of Agricultural Sciences， 2006： 326-332（Ch）. DOI: 10.3969/j.issn.1001-4829.2006.z1.067 .

[37] 赵冬林， 朱仕荣. 2010—2021年金沙江干热河谷植被覆盖度时空变化及其影响因素［J/OL］. 生态学杂志：1-11［2023-11-23］.

[38] ZHAO D L， ZHU S R. Spatiotemporal variation of vegetation coverage and its influencing factors in the dry-hotvalley of Jinsha River during 2010—2021［J/OL］. Chinese Journal of Ecology：1-11［2023-11-23］.

[39] LIU Y C， JING Y D， HAN S M. Multi-scenario simulation of land use/land cover change and water yield evaluation coupled with the GMOP-PLUS-InVEST model： A case study of the Nansi Lake Basin in China［J］. Ecological Indicators， 2023， 155： 110926. DOI： 10.1016/j.ecolind.2023.110926 .

[40] 李克让， 王绍强， 曹明奎. 中国植被和土壤碳贮量［J］. 中国科学（D辑： 地球科学）， 2003， 33（1）： 72-80. DOI: 10.3321/j.issn:1006-9267.2003.01.008 .

[41] LI K R， WANG S Q， CAO M K. Vegetation and soil carbon storage in China［J］. Science in China， Ser D， 2003， 33（1）： 72-80 （Ch）. DOI: 10.3321/j.issn:1006-9267.2003.01.008 .

[42] 解宪丽， 孙波， 周慧珍， 等. 不同植被下中国土壤有机碳的储量与影响因子［J］. 土壤学报， 2004， 41（5）： 687-699. DOI： 10.3321/j.issn： 0564-3929.2004.05.005 .

[43] XIE X L， SUN B， ZHOU H Z， et al. Soil carbon stocks and their influencing factors under native vegetations in China［J］. Acta Pedologica Sinica， 2004， 41（5）： 687-699. DOI： 10.3321/j.issn： 0564-3929.2004.05.005（Ch ）.

[44] 徐丽， 何念鹏， 于贵瑞. 2010s中国陆地生态系统碳密度数据集［J］. 中国科学数据， 2019， 4（1）： 90-96. DOI: 10.11922/csdata.2018.0026.zh .

[45] XU L， HE N P， YU G R. A dataset of carbon density in Chinese terrestrial ecosystems（2010s）［J］. China Scientific Data， 2019， 4（1）： 90-96 （Ch）. DOI: 10.11922/csdata.2018.0026.zh .

[46] 张靖宙， 吴秀芹， 肖桂英. 云南省建水县不同石漠化治理模式下碳储量功能评估［J］. 北京林业大学学报， 2018， 40（8）： 72-81. DOI： 10.13332/j.1000-1522.20180069 .

[47] ZHANG J Z， WU X Q， XIAO G Y. Evaluation on carbon storage function under different rocky desertification control models in Jianshui County of Yunnan Province， southwestern China［J］. Journal of Beijing Forestry University， 2018， 40（8）： 72-81. DOI： 10.13332/j.1000-1522.20180069（Ch ）.

[48] 帕茹克·吾斯曼江， 艾东， 方一舒， 等. 基于InVEST与CA-Markov模型的昆明市碳储量时空演变与预测［J］. 环境科学， 2024， 45（1）： 287-299. DOI： 10.13227/j.hjkx.202302060 .

[49] PARUKE W， AI D， FANG Y S， et al. Spatial and temporal evolution and prediction of carbon storage in Kunming City based on InVEST and CA-Markov model［J］. Environmental Science， 2024， 45（1）： 287-299. DOI： 10.13227/j.hjkx.202302060（Ch ）.

[50] TANG X L， ZHAO X， BAI Y F， et al. Carbon pools in China’s terrestrial ecosystems： New estimates based on an intensive field survey［J］. Proceedings of the National Academy of Sciences of the United States of America， 2018， 115（16）： 4021-4026. DOI： 10.1073/pnas.1700291115 .

[51] FLORENCE C， ROLAND H， VIOREL B， et al. Background Guide for the Calculation of Land Carbon Stocks in the Biofuels Sustainability Scheme Drawing on the 2006 IPCC Guidelines for National Greenhouse Gas Inventories［M］. Luxembourg： Publications Office of the European Union， 2010：1-128.

[52] 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： 67-76. DOI： 10.1016/j.jaridenv.2012.10.002 .

[53] GIARDINA C P， RYAN M G， HUBBARD R M， et al. Tree species and soil textural controls on carbon and nitrogen mineralization rates［J］. Soil Science Society of America Journal， 2001， 65（4）： 1272-1279. DOI： 10.2136/sssaj2001.6541272x .

[54] 陈光水， 杨玉盛， 谢锦升， 等. 中国森林的地下碳分配［J］. 生态学报， 2007， 27（12）： 5148-5157. DOI： 10.3321/j.issn： 1000-0933.2007.12.024 .

[55] CHEN G S， YANG Y S， XIE J S， et al. Total belowground carbon allocation in China’s forests［J］. Acta Ecologica Sinica， 2007， 27（12）： 5148-5157. DOI： 10.3321/j.issn： 1000-0933.2007.12.024（Ch ）.

[56] 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： 101569. DOI： 10.1016/j.compenvurbsys.2020.101569 .

[57] 孙毅中， 杨静， 宋书颖， 等. 多层次矢量元胞自动机建模及土地利用变化模拟［J］. 地理学报， 2020， 75（10）： 2164-2179. DOI： 10.11821/dlxb202010009 .

[58] SUN Y Z， YANG J， SONG S Y， et al. Modeling of multilevel vector cellular automata and its simulation of land use change［J］. Acta Geographica Sinica， 2020， 75（10）： 2164-2179. DOI： 10.11821/dlxb202010009（Ch ）.

[59] 云南省自然资源厅. 云南省国土空间规划（2021—2035年）（公众征求意见稿）［EB/OL］. ［2021-05-26］.

[60] Department of Natural Resources of Yunnan Province. Territorial and spatial planning of Yunnan Province （2021—2035） （Draft for public comment）［EB/OL］. ［2021-05-26］.

[61] 云南省自然资源厅. 云南省重要生态系统保护和修复重大工程总体规划（2021—2035年）［EB/OL］. ［2021-12-15］.

[62] Department of Natural Resources of Yunnan Province. Experts comments on master plan for major projects of Yunnan important ecosystem protection and restoration （2021—2035） ［EB/OL］. ［2021-12-15］.

[63] 王保盛， 廖江福， 祝薇， 等. 基于历史情景的FLUS模型邻域权重设置——以闽三角城市群2030年土地利用模拟为例［J］. 生态学报， 2019， 39（12）： 4284-4298. DOI： 10.5846/stxb201808021649 .

[64] WANG B S， LIAO J F， ZHU W， et al. The weight of neighborhood setting of the FLUS model based on a historical scenario： A case study of land use simulation of urban agglomeration of the Golden Triangle of Southern Fujian in 2030［J］. Acta Ecologica Sinica， 2019， 39（12）： 4284-4298. DOI： 10.5846/stxb201808021649（Ch ）.

[65] 余洲，李明玉，钱雨扬，等.基于CA_Markov模型多情景模拟的三峡库区土地利用变化及其生态环境效应［J］.水土保持研究，2024， 31（3）： 363-372. DOI： 10.13869/j.cnki.rswc.2024.03.023 .

[66] YU Z， LI M Y， QIAN Y Y， et al. Land use change and its ecological effects in Three Gorges Reservoir Area based on CA_Markov model with multiple scenarios simulation［J］. Research of Soil and Water Conservation， 2024， 31（3）： 363-372. DOI： 10.13869/j.cnki.rswc.2024.03.023（Ch ）.

[67] LONG S， ZHOU S B. Assessment on changes of ecosystem carbon storage in reservoir area due to hydroproject［J］. Computational Intelligence and Neuroscience， 2022， 2022： 7511216. DOI： 10.1155/2022/7511216 .

[68] 李俊， 杨德宏， 吴锋振， 等. 基于PLUS与InVEST模型的昆明市土地利用变化动态模拟与碳储量评估［J］. 水土保持通报， 2023， 43（1）： 378-387. DOI： 10.13961/j.cnki.stbctb.20230220.009 .

[69] LI J， YANG D H， WU F Z， et al. Dynamic simulation of land use changes and assessment of carbon storage in Kunming city based on PLUS and InVEST models［J］. Bulletin of Soil and Water Conservation， 2023， 43（1）： 378-387. DOI： 10.13961/j.cnki.stbctb.20230220.009（Ch ）.

[70] 李灿锋， 方林. 基于土地利用变化情景的云贵地区生态系统碳储量评估［J］. 西北林学院学报， 2023， 38（5）： 34-42. DOI： 10.3969/j.issn.1001-7461.2023.05.05 .

[71] LI C F， FANG L. Ecosystem carbon storage assessment based on land use change scenarios： A case study of Yunnan-Guizhou region［J］. Journal of Northwest Forestry University， 2023， 38（5）： 34-42. DOI： 10.3969/j.issn.1001-7461.2023.05.05（Ch ）.

[72] 许进龙， 卢新海， 黄天能， 等. 滇桂黔石漠化片区生态系统碳储量时空演变及其驱动因子［J］. 水土保持研究， 2023， 30（6）： 406-414. DOI： 10.13869/j.cnki.rswc.2023.06.049 .

[73] XU J L， LU X H， HUANG T N， et al. Temporal and spatial evolution of ecosystem carbon storage and its driving factors in the Yunnan-Guizhou-Guangxi rocky desertification area［J］. Research of Soil and Water Conservation， 2023， 30（6）： 406-414. DOI： 10.13869/j.cnki.rswc.2023.06.049（Ch ）.

[74] 谢杨林. 云贵高原地区土地利用覆被变化及其对生态服务质量影响研究［D］. 昆明： 昆明理工大学， 2023. DOI： 10.27200/d.cnki.gkmlu.2023.001908 .

[75] XIE Y L. Study on land use and cover change and its influence on ecological service quality in Yunnan-Guizhou Plateau［D］. Kunming： Kunming University of Science and Technology， 2023. DOI： 10.27200/d.cnki.gkmlu.2023.001908（Ch ）.

[76] 刘世梁， 安南南， 董世魁， 等. 基于NDVI的水电站开发对植被的影响——以澜沧江梯级水电站开发为例［J］. 山地学报， 2015， 33（1）： 48-57. DOI： 10.16089/j.cnki.1008-2786.000007 .

[77] LIU S L， AN N N， DONG S K， et al. The effects of hydropower stations construction on vegetation dynamics based on NDVI： A case study of cascade hydropower stations of Lancang River［J］. Mountain Research， 2015， 33（1）： 48-57. DOI： 10.16089/j.cnki.1008-2786.000007（Ch ）.

[78] 龚泊舟. 基于CASA模型的昆明市土地利用变化与陆地生态系统植被碳汇量研究［D］. 昆明： 云南财经大学， 2023. DOI： 10.27455/d.cnki.gycmc.2023.000224 .

[79] GONG B Z. Land use change and vegetation carbon storage in Kunming City based on CASA model［D］. Kunming： Yunnan University of Finance and Economics， 2023. DOI： 10.27455/d.cnki.gycmc.2023.000224（Ch ）.

基金资助

国家自然科学基金项目(42271103)