EN中文

GEOGRAPHICAL RESEARCH >

2015 , Vol. 34 >Issue 7: 1270 - 1284

DOI: https://doi.org/10.11821/dlyj201507007

Article

Land use optimization simulation based on low-carbon emissions in eastern part of Qinghai Plateau

  • WANG Huimin ,
  • ZENG Yongnian
Expand
  • 1. School of Geosciences and Info-physics, Central South University, Changsha 410083, China
  • 2. Center for Geomatics and Regional Sustainable Development Research, Central South University, Changsha 410083, China

Received date: 2014-12-25

  Request revised date: 2015-04-20

  Online published: 2015-08-08

Copyright

《地理研究》编辑部
Fold

Abstract

Land use change and its carbon effects by human activities play an important role in researches on regional and global carbon cycle. Taking Haidong city as a study area, which is located in the eastern part of Qinghai Plateau, this paper firstly calculated carbon cycle coefficients of each land use type based on local carbon mechanism. Then by linear programming method, an optimization model was constructed to estimate land use quantitative structure under low-carbon scenario in 2020. Finally, CLUE-S model was used to simulate land use spatial allocation of the study area in low-carbon and land-use planning scenarios. Through comparing the two land use simulation maps in 2020 of Haidong city under different scenarios, four conclusions can be drawn: (1) Both irrigated and no-irrigated land will continue to decline under low-carbon scenario from 2009 to 2020, and the amount of high-quality farmland loss based on low-carbon emission will be less than that in the land use overall planning scenario; (2) Forest land would increase stably and grassland will expand slowly under low-carbon scenario, which results in a continuous increase in regional carbon sequestration; (3) Both urban land and rural residential land under low-carbon scenario will increase to a certain degree, while the total area of construction land under low-carbon scenario is less than that under land-use planning scenario. Therefore, the carbon emission from construction land under low-carbon scenario is less than that under land-use planning scenario. For example, the area of urban land under low-carbon scenario will be 974.61 ha lower than that under land-use planning scenario, that is, the carbon emission under low-carbon scenario is 14.03×104 t lower than that under land-use planning scenario; (4) Compared with the planning scenario, land use patterns of low-carbon scenario show an overall upward trend in carbon sinks, which would increase carbon stocks of 7.77×104 t, decrease carbon emissions of 31.99×104 t. The results demonstrate that the low-carbon land use distribution pattern of Haidong city will have a positive effect on increasing carbon storage and decreasing carbon emission, which can keep balance between construction land, farmland, forest land and grassland. Generally speaking, regional land use structure adjustment and spatial allocation optimization from a low-carbon perspective will support decision making of regional land use management and ecological civilization construction in the eastern part of Qinghai Plateau.

Key words： low-carbon; land use change; spatial optimization simulation; Qinghai Plateau

Cite this article

WANG Huimin , ZENG Yongnian . Land use optimization simulation based on low-carbon emissions in eastern part of Qinghai Plateau[J]. GEOGRAPHICAL RESEARCH, 2015 , 34(7) : 1270 -1284 . DOI: 10.11821/dlyj201507007

1 引言

近年来,陆地生态系统碳循环问题已成为全球环境变化研究领域的核心内容之一[1-3],土地利用/土地覆盖格局、过程的变化对陆地生态系统碳循环的影响是主要的研究内容之一。因此,从土地利用的角度,寻求减少碳排放的途径成为国内外研究的热点。目前,国内外学者在土地利用变化的碳排放机理[4-6]、土地利用变化对碳排放的影响[7,8]以及低碳导向下土地利用数量结构优化[9,10]等方面已开展了较多的研究。其中,多数研究内容集中在低碳导向的土地利用数量结构优化方面,但在低碳导向下,对土地利用空间配置的研究较少[11]。结合土地利用数量优化与空间优化模拟方法,进行低碳目标的土地利用格局与过程的研究极为重要。因此,以位于青海高原东部的海东市为研究区,在低碳情景土地利用数量结构优化的前提下,预测海东市2020年低碳情景的土地利用结构;并运用CLUE-S（the Conversion of Land Use and its Effects at Small regional exent）模型对海东市的土地利用格局进行空间优化模拟,然后对比分析低碳情景与规划情景下,海东市2020年土地利用格局的差异。以期为青海高原东部区域土地利用科学管理、生态文明建设提供低碳优化的决策支持,为研究区管理部门制定低碳优化的土地利用规划方案提供决策参考。

2 研究区概况

海东市位于青海高原东部,地理位置介于100°41′E~103°04′E、35°25′N~37°05′N之间,面积为12982.42 km2。地处青藏高原和黄土高原的交错地带,境内山川相间,沟壑纵横,地形复杂,海拔在1650~2835 m之间,气候干旱,光照充足,太阳辐射强,平均气温低,降水量少,地域差异大,为半干旱大陆性气候,生态环境脆弱。海东市是青海省第二大城市,管辖两个区和四个自治县,随着“西部大开发”战略的深入实施,研究区的社会经济得到了快速发展。近年来,随着城市化进程的加快,生态环境治理力度的加大,经济社会的快速发展,必将导致土地利用/土地覆盖显著变化。为促进区域生产、生活、生态的协调与可持续发展,开展该区域的低碳土地利用的研究具有重要的意义。

3 数据来源与研究方法

3.1 数据来源

利用1999年、2001年、2006年和2009年4期研究区夏季的Landsat TM影像进行土地利用分类。TM数据来源于中国科学院计算机网络信息中心国际科学数据服务平台（http://datamirror.csdb.cn）。研究区跨4幅TM影像,图像编号分别为131/34、131/35、132/34和132/35。首先对影像进行大气校正、几何校正、拼接和剪裁等预处理。由于研究区海拔高低悬殊,垂直分异性明显,为此采用基于地理分区的遥感分类方法进行土地利用类型分类[12],并根据已有的土地利用分类系统,结合研究区土地利用情况,将土地利用分为7类：水浇地、旱地、有林地、疏林草地、城镇用地、农村居民点用地和未利用地。具体分类方法及过程详见相关文献[12]。以青海省海东地区第二次全国土地调查数据作为遥感分类训练样本和分类精度评价验证数据,分类结果精度评价的Kappa系数大于0.7,满足应用精度要求[12]。将1999年和2009年土地利用分类栅格数据作为CLUE-S模型模拟的基期数据和验证数据,将2001年和2006年的土地利用分类栅格数据作为CLUE-S模型模拟土地利用结构预测辅助数据。
依据驱动因子选取的原则[13],为了准确地反映出对研究区土地利用变化的影响,共选取了10个驱动因子,既包括自然地理驱动因子,又包括社会经济驱动因子。其中DEM数据来自中国科学院计算机网络信息中心国际科学数据服务平台,分辨率为30 m,坡度和坡向数据由DEM数据在ArcGIS软件中提取;线状水系、面状水域、一般道路、高等级道路和行政驻地矢量数据来自2009年海东地区土地利用现状数据,并利用ArcGIS中欧几里得距离工具计算栅格距线状水系的距离、距面状水域的距离、距一般道路的距离、距高等级道路的距离和距行政驻地的距离;人口密度分布数据和社会固定资产数据来自《2009年海东地区统计年鉴》,将其添加至2009年海东市乡镇行政区矢量图层属性中,根据属性提取得到人口密度分布图和社会固定资产分布图。将得到的驱动因子数据重采样为统一分辨率的栅格数据,作为CLUE-S模型评价各土地利用类型在每个栅格单元内概率适宜性的依据。
依据《2009年海东地区统计年鉴》、《中国能源统计年鉴（1996-2010）》、《海东地区土地利用总体规划（2006-2020年）》和《2006年IPCC国家温室气体清单指南》中的数据,预测海东市未来年份各个地类总量作为CLUE-S模型运行的土地利用需求文件。

3.2 低碳目标的确定

土地利用结构的不合理是导致二氧化碳大量排放的主要原因之一。以低碳为目的的土地利用结构优化可以有效减少大气中二氧化碳的排放。通过对海东市设定低碳情景,可使海东市2020年的碳储量和碳排放量在最大程度上得的优化,促进区域和全球碳循环。在该情景下,研究区土地利用需求主要朝着增加碳储量和减少碳排放的方向发展变化。低碳目标下的土地利用结构优化过程包括：① 构建土地利用类型的碳循环系数,基于IPCC（联合国政府间气候变化专门委员会）清单和国内外对碳循环系数的研究方法,建立海东市各类土地利用类型的碳循环系数。② 构建低碳目标为主,兼顾社会经济及生态效益目标的多目标优化模型,运用Lingo软件求解优化方案。③ 将基于碳储量最大化和碳排放量最小化的两个优化方案与土地利用规划方案两两对比,从低碳的视角评选出最佳的优化方案,作为2020年各类土地利用类型的土地需求量。由于土地利用规划分类系统与遥感图像分类系统不一致,将2009年已有土地二调数据和2020年低碳导向预测得到的12个地类土地需求量数据按照遥感影像分类的7个地类进行归并,以归并后的2009年已有土地二调数据和2020年低碳导向预测得到的各地类土地需求量数据作为基础数据,进而通过内插方法得出其他模拟年份的土地需求量,最终作为CLUE-S模型模拟的土地需求文件。
3.2.1 碳循环系数确定 碳储量指以各种形式为载体的碳的储存量的大小,包括自然碳库和人为碳库两部分。总碳库的碳储量由不同生态系统各碳库的平均碳密度乘以相应面积得到,碳排放量由各类土地利用类型的碳排放系数乘以相应面积得到[14]。
（1）碳密度确定
非建设用地主要包括土壤和植被碳库。采用土壤类型法[15]计算非建设用地的土壤碳密度。首先参考全国第二次土壤普查结果和中国科学院南京土壤研究所建立的中国土壤信息系统中海东市土种典型剖面数据,以及《青海土壤》中土壤类型各土层的土壤有机碳含量、土层厚度和容重数据的实测数据,运用式（1）计算得到每个土壤剖面各个土层的有机碳含量;然后以土层厚度为权重求得各土种的平均理化性质;最后通过面积加权平均得到各土壤类型的平均碳密度[15]。根据每种土地类型对应的土壤类型,得到各类非建设用地的土壤碳密度（表1）。非建设用地的植被碳密度在考虑海东市植被分布的基础上参考李克让等[16]对中国植被碳密度的研究成果（表1）。采用海东市土地规划分类与土地利用现状分类（二调）对应关系得到“其他农用地”,将其他农用地分摊到不同地类的面积加权（其中水域,建设用地中的农村居民点用地、交通运输用地及未利用地的权重分别为5%、1%、12%和81%）计算得到。
S j = 0.58 H j D j C j （1）
式中： S j 为某种土壤类型第j层有机碳含量（t/hm2）;0.58为换算系数; H j 为该种土壤类型第j层的土壤平均厚度（cm）; D j 为该种土壤类型第j层的土壤平均容重（g/cm3）; C j 为该种土壤类型第j层的土壤平均有机质含量（%）。
Tab. 1 Carbon storage factors of non-construction land use types in Haidong in 2009

表1 2009年海东市非建设用地碳密度

土地利用类型 碳密度(t/hm2)
土壤 植被 总计
耕地 47.81 0 47.81
园地 38.05 0 38.05
林地 116.73 35.44 152.17
牧草地 89.05 3.4 92.45
水域 59.38 0 59.38
未利用地 37.44 0 37.44
建设用地上不仅有植被和土壤碳库,还包括建筑物等人为碳库,因此对各类建设用地求一个综合碳库平均碳密度。建设用地分为了城镇工矿用地、农村居民点用地、交通运输用地、水利设施用地和其他建设用地。人为碳库包括建筑物碳库、家具和图书碳库、人体和动物碳库,主要集中在城镇工矿用地和农村居民点用地上。人为碳库的计算方法分别为：① 2009年海东市城镇人口和农村人口分别为40.54万人和118.06万人,青海省城镇人口人均住房建筑面积为21.33 m2,农村人口人均住房建筑面积25.78 m2。结合赵荣钦等[17]的研究计算得到各类建设用地的建筑物碳库。② 由于缺乏木材主要用途消耗量数据,假设海东市达到了全国平均水平,人均家具和图书的含碳量分别为34.54 kg/人和46.31 kg/人[17],乘以人口总数求出海东市2009年各类建设用地上的家具和图书总碳库。③ 参照人体的平均重量（60 kg）和海东市人口总数,结合赵荣钦等[17]的研究计算得到各类建设用地上的人类碳库;同理参照海东市主要驯养动物平均体重和数量数据（表2）可以计算得到动物碳库。通过各类建设用地上的全部碳库之和与各类建设用地面积作比值,获得海东市2009年建设用地各二级地类碳密度。考虑到建筑木材和绿化植被的碳储量主要集中在城乡建设用地上,因此水利设施用地的碳密度取水域的碳密度（59.38 t/hm2）,其他用地的碳密度取城镇工矿用地和农村居民点用地的平均土壤碳密度（14.38 t/hm2）[10]。
Tab. 2 Average weight and quantity of main domestic animals

表2 主要驯养动物平均体重和数量

动物 黄牛 乳牛 水牛 驴 猪 山羊 绵羊 家禽 兔
平均体重(kg) 600 600 666 320 75 37.5 45 2.513 4.5
数量(104头) 9.12 8.34 9.42 3.45 61.45 22.55 108.83 126.25 13.91
（2）碳排放系数确定
非建设用地上的碳排放主要来自农业机械耗能、化肥施用、生物呼吸和土壤有机质分解等。采用刘海猛等[14]的研究得出各地类的碳排放系数。对于建设用地,通过构建海东市能源消费的碳排放模型,计算了主要传统高碳能源的碳排放：化石能源、电能和农村生物质能,得到不同行业空间的碳排放;并通过土地利用类型与能源消费行业的对应关系,从能源角度对各种建设用地的碳排放系数进行计算[18]。三种能源产生的碳排放参考美国能源部橡树岭国家实验室（Oak Rudge National Laboratory,ORNL）的方法[19],公式如下：
C energy i = ∑ F j B j C j （2）
式中： C ener gy i 为第i种行业三种高碳能源的总碳排放量（104 t）; F j 为该行业第j种能源的消费量（104 t）; B j 为该行业第j种能源对应的折标煤系数; C j 为该行业第j种能源的碳排放系数。
表3列出了2009年海东市主要高碳能源碳排放所采用的相关碳排放系数和折标准煤系数,来自IPCC的缺省值。通过式（2）建立的碳排放模型,计算出2009年不同行业三种能源消费总排碳量。基于能源消费行业与土地利用类型的对应关系（表4）,得到各建设用地的碳排放量;然后除以对应的面积,得到2009年建设用地各二级地类的碳排放系数。其他农用地碳排放系数的计算同上,采用土地利用过渡分类中“其他农用地”分摊到不同地类的面积加权计算得到。
Tab. 3 Energy conversion factors from physical unit to coal equivalent and carbon emission factors

表3 能源折标煤系数和碳排放系数表

能源种类 原煤 洗精煤 焦炭 天然气 汽油 柴油 液化石油气 煤油 其他石油制品 电力 薪柴 沼气 秸秆
折标煤系数(kg/kg) 0.71 0.90 0.97 1.33 1.47 1.46 0.50 0.57 0.73 0.12 0.57 0.71 0.43
碳排放系数(t/t) 0.76 0.76 0.86 0.45 0.55 0.59 1.71 1.47 0.59 2.21 0.57 0.57 0.57
Tab. 4 The corresponding relationship between land use types and carbon emission items

表4 土地利用类型与碳排放的对应关系

土地利用类型 用地分类 能源消费行业
建设用地 城镇工矿用地 建筑业
批发、零售业和住宿、餐饮业
城镇生活消费
工业
农村居民点 农村生物质能
农村生活消费
交通运输用地 交通运输、仓储和邮政业
水利设施用地 水利业
Tab. 5 Carbon storage factors and carbon emission factors of main land use types in Haidong in 2020

表5 2020年海东市主要土地利用方式的碳密度/碳排放系数

土地利用类型 二级分类 碳密度(t/hm2) 碳排放系数(t/hm2)
农用地 耕地 47.81 0.344
园地 38.05 0.047
林地 152.17 0.033
牧草地 92.45 0.050
其他农用地 39.93 3.010
建设用地 城镇工矿用地 84.11 143.960
农村居民点 73.39 11.110
交通运输用地 49.15 23.830
水利设施用地 59.38 7.320
其他建设用地 14.38 7.320
其他用地 水域 59.38 0.722
未利用地 37.44 0
通过上述计算方法确定了2009年海东市土地利用的碳密度和碳排放系数。2020年的参数是根据历年不同土地利用方式的碳蓄积和碳排放强度进行趋势外推的结果[10]。耕地、园地、林地、牧草地、交通运输用地、水利设施用地、其他建设用地的碳蓄积主要表现为土壤和植被的碳蓄积。历年来碳蓄积强度变动不大,因此2020年各类用地的碳密度仍采用2009年的数值。由于城镇工矿用地和农村居民点用地上人为碳库比重较大,2020年各类用地的碳密度根据1996-2009年的增长幅度进行预测。根据董祚继[20]的研究可知中国建设用地的碳排放强度是其他土地类型碳排放强度的数10倍乃至上百倍,因此,可知各类农用地在总碳排放中所占的比重不大。2020年各类农用地的碳排放系数与2009年相比变化不大。各类建设用地2020年的碳排放系数按照1996-2009年的增长幅度进行预测（表5）。
3.2.2 土地利用结构优化模型 参照《海东地区土地利用总体规划（2006-2020年）》,选取了耕地（X1）、园地（X2）、林地（X3）、牧草地（X4）、其他农用地（X5）、城镇工矿（X6）、农村居民点（X7）、交通运输用地（X8）、水利设施用地（X9）、其他建设用地（X10）、水域（X11）和未利用地（X12）12个地类的面积作为变量。根据《海东地区土地利用总体规划（2006-2020年）》、《海东地区国民经济和社会发展第十二个五年规划纲要》以及《2009年海东地区统计年鉴》等资料,结合海东实际情况,设置了经济、社会和生态等约束条件,依据式（1）和式（2）,分别运用线性规划方法构建基于碳蓄积量最大和碳排放量最小的土地利用结构优化模型,并运用Lingo软件进行模型求解。
（1）目标函数
根据表5得到的各个地类的碳密度和碳排放系数、2020年各个地类相应的面积,构建基于碳蓄积量最大和碳排放量最小的目标函数。
碳蓄积量最大化目标函数为：
Max Z = 47.81 X 1 + 38.05 X 2 + 152.17 X 3 + 92.45 X 4 + 39.93 X 5 + 84.11 X 6 + 73.39 X 7 + 49.15 X 8 + 59.38 X 9 + 14.38 X 10 + 59.38 X 11 + 37.44 X 12 （3）
碳排放量最小化目标函数为：
Min Q = 0.344 X 1 + 0.047 X 2 + 0.033 X 3 + 0.050 X 4 + 3.01 X 5 + 143.96 X 6 + 11.11 X 7 + 23.83 X 8 + 7.32 X 9 + 7.32 X 10 + 0.722 X 11 （4）
（2）约束条件
总面积约束：研究区土地总面积为1298242.27 hm2,各个地类面积的总和不变。因此X1+X2+X3+X4+X5+X6+X7+X8+X9+X10+X11+X12=1298242.27 hm2。
人口总量约束：海东市土地承载人口不应超过2020年预测人口数量,即农用地和城镇用地承载的人口应控制在2020 年规划人口之内。根据历年人口数据和城镇化率,运用灰色马尔可夫模型预测得出海东2020年人口为192万人,城镇化率为50%,因此城镇人口和农村人口均为96万人。根据海东2020年农用地和城镇用地控制规模面积分别为1253648.03 hm2和12473.54 hm2,可以获得农村人口密度为0.77人/hm2,城镇人口密度为76.96人/hm2。因此,0.77×（X1+X2+X3+X4+X5+X7）+76.96×X6≤1920000人。
宏观计划约束：大农业用地不得少于国民经济计划所规定的面积206844.04 hm2。大农业用地包括耕地、园地、其他农用地。因此X1+X2+X4 ≥ 206844.04 hm2。
耕地约束：根据《2009年海东地区统计年鉴》,2009年耕地总面积为215300 hm2,而《海东地区土地利用总体规划（2006-2020年）》中规划2020年的耕地保有量为201584 hm2。因此,201584.00 hm2≤X1≤215300 hm2。
人均耕地约束：2009年海东人均耕地为0.143 hm2/人,参照历年耕地变更数据和人口数据,运用灰色—马尔可夫链预测2020年海东人均耕地面积不少于0.107 hm2/人。因此,X1/1920000≥0.107 hm2/人。
园地约束：将2009年园地面积（1487.25 hm2）设为下限,将规划文本2020年面积（3413.02 hm2）设为上限,因此,1487.25 hm2≤X2≤3413.02 hm2。
林地约束：根据《海东地区土地利用总体规划（2006-2020年）》,2009年林地面积为487788.18 hm2,设为下限。海东市2009年的林地的比例达到了37.57%,根据《海东地区国民经济和社会发展第十二个五年规划纲要》,森林覆盖率要提高幅度3.7%,结合土地利用总体规划中林地的预期性指标,推测出2020年的林地面积为583819.55 hm2,将其设为上限。因此,487788.18 hm2≤X3≤583819.55 hm2。
牧草地约束：根据1996-2009年历史变更数据,用灰色—马尔可夫链预测2020年牧草地面积474882.47 hm2。考虑到《海东地区土地利用总体规划（2006-2020年）》中牧草地占总面积的比例维持在36.31%~36.34%,取其平均值（471586.50 hm2）作为2020年牧草地下限。因此,471586.50 hm2≤X4≤474882.47 hm2。
其他农用地约束：将2009年其他农用地的面积（53682.91 hm2）作为上限,将《海东地区土地利用总体规划（2006-2020年）》中规划的2020年其他农用地的面积（1847.02 hm2）作为下限。因此,1847.02 hm2≤X5≤53682.91 hm2。
建设用地约束：① 根据1996-2009年历史变更数据,利用线性内插法预测建设用地面积（48969.9 hm2）作为下限,即X6+X7+X8+X9+X10≥48969.9 hm2。② 根据《海东地区土地利用总体规划（2006-2020年）》,2020年城乡建设用地面积控制在37420.19 hm2以内,即X6+X7≤37420.19 hm2。③ 全市人均城镇工矿用地控制在0.013 hm2,根据历年城镇人口数据运用灰色—马尔可夫链预测得出海东2020年城镇人口为96万,即X6/960000≤0.013 人/hm2。④ 农村居民点预测面积为25146.31 hm2,将其作为上限;将2009年的现状面积（23964.95 hm2）作为下限,即23964.95 hm2≤X7≤25146.31 hm2。⑤ 由1996-2009年历史变更数据预测2020年交通运输用地、水利设施用地和其他建设用地的面积分别为9158.59 hm2、7152.87 hm2和3703.25 hm2。结合《海东地区土地利用总体规划（2006-2020年）》中各类建设用地的面积依次为9213.49 hm2、7293.57 hm2和3660.62 hm2。综合考虑海东城市化进程的加快,以及兼顾控制交通水利和其他建设用地的规模,各类建设用地的面积约束分别为9158.59 hm2≤X8≤??,7152.87 hm2≤X9≤7293.57 hm2,3660.62 hm2≤X10≤3703.25 hm2。
水域约束：《海东地区土地利用总体规划（2006-2020年）》规划2020年水域面积所占比例保持在0.74%,将该比例上下浮动万分之一,设置水域范围为9594.01 hm2≤X11≤9596.60 hm2。
未利用地约束：考虑到裸土、盐碱地、沙地和其他未利用地难以开发,将其2009年的现状面积（2357.15 hm2）作为下限,将2020年的规划面积（2357.15 hm2）作为上限。因此,2296.62 hm2≤X12≤2357.15 hm2。
社会经济约束：2020年海东市建设用地第二、第三产业的增加值不得高于该年海东市投资于第二、第三产业增加值的GDP。根据海东历年GDP和第二、第三产业增加值数据,预测2020年海东市的GDP为643亿元,第二、第三产业增加值比例预测值为87.89%。1996-2005年,单位建设用地第二、第三产业增加值由61046 元/hm2上升到178855 元/hm2,2009年海东市单位建设用地第二、第三产业增加值为283597 元/hm2;由线性内插预测2020海东单位建设用地第二、第三产业增加值为984029.2 元/hm2,由此可得,984029.2×（X6+X7+X8+X9+X10）≤643×108×87.89%。
非负约束：Xi≥0（i=1,2,…,12）。

3.3 CLUE-S模型参数设置

CLUE-S模型是由Verburg等在CLUE（the Conversion of Land Use and its Effects）模型的基础上开发的,用于精细空间分辨率下小区域水平上的土地利用模拟[21]。综合考虑研究区面积和CLUE-S模型模拟的栅格限制,确定模拟最佳尺度为210 m。模型输入参数包括：① 空间政策和限制区域。本文将海东市的自然保护区、森林公园、主要河流、湖泊和水库水体等生态安全区域加入了约束区域,保证这些区域在模拟中不发生土地利用变化。② 土地利用类型转换弹性系数。通过计算1999年和2009年两期土地利用栅格图的转移矩阵得出各土地利用类型转化为其他地类的比例;将其作为确定模型转换弹性系数的依据,通过后期模型的调试;最终确定水浇地、旱地、有林地、疏林草地、建设用地、农村居民点用地和未利用地的转移弹性系数分别为0.40、0.46、0.72、0.84、0.90、0.67和0.92。③ 土地利用需求文件。选择线性规划模型计算低碳情景下的土地需求量,将该结果以文件的形式输入到CLUE-S模型中。④ 位置特征与驱动因子间的关系。主要通过Logistic回归模型量化各类土地利用类型与多个驱动因子之间的关系,从而计算出每个栅格单元内各个土地利用类型出现的概率。Logistic回归模型公式如下：
lg P i 1 - P i = β 0 + β 1 X 1 , i + β 2 X 2 , i + ⋯ ⋯ + β n X n , i （5）
式中：Pi表示第i种土地利用类型在每个栅格中可能出现的概率,i的取值为0~6,分别代表了水浇地、旱地、有林地、疏林草地、城镇用地、农村居民点用地和未利用地; X n , i 表示引起第i种土地利用变化的驱动因子;n代表了每个驱动因子在回归分析中的序号,取值为0~9,分别代表了人口密度、距一般道路的距离、距行政驻地的距离、距面状水域的距离、距线状水系的距离、距高等级道路的距离、坡向、坡度、DEM和全社会固定资产;β表示了各个土地利用类型与10个驱动因子间的定量关系,其值通过将某一地类和驱动因子分别设置为因变量和自变量,输入到Logistic回归模型得出,从中筛选出对该地类影响最为显著的驱动因子[25]。

3.4 空间模拟模型检验

运用Kappa系列系数[22,23]从位置一致性、数量一致性和随机一致性方面对模型进行评价。首先用CLUE-S模型模拟1999-2009年的海东市土地利用变化,然后用2009年土地利用分类模拟图与2009年实际分类图对比,计算出模拟正确的栅格比例达71.95%;并且通过计算Kappa系列指数,得出2009年土地利用分类模拟图与2009年实际分类图的位置一致性、数量一致性和随机一致性分别为0.771、0.715和0.673。
Pontius等[24]的研究发现目前大量应用的LUCC模型在t1时间真实地图和t2时间真实地图之间的一致性（空模型）反而比t2时间预测图和t2时间真实图的一致性要高。这说明某一时间的预测图与真实图的一致性较高并不能全面评价模型模拟的效果,只有高于模拟精度才能说明模拟结果的有效性。本文中,1999年实际分类图与2009年实际分类图的Kappa系列指数分别为0.675、0.491和0.669,均低于2009年模拟图与2009年真实图对比结果,说明模拟结果可靠。

4 结果分析

4.1 低碳土地利用数量结构优化

运用Lingo模型得到低碳土地利用数量结构（表6）,可知基于碳储量最大的土地利用结构优化方案碳蓄积总量为14171.68万 t,比海东市土地利用规划方案碳蓄积量增加了7.77万 t。2009-2020年,尽管低碳方案下耕地持续减少,但在确保耕地保护目标的前提下,相对于规划方案耕地流失的程度小。作为优质耕地的水浇地,相对于2009年流失量达23.88%,其中,转为林地7810.11 hm2,转为疏林草地1212.75 hm2,转为建设用地5874.12 hm2;18.6%的旱地主要流向了林地、疏林草地和建设用地,转移面积分别为21467.88 hm2、3488.31 hm2和8498.07 hm2。这部分流失的耕地因转为有林地和疏林草地可增加固碳能力,部分缓解建设用地增加导致的碳排放;同时也有部分疏林草地和未利用地转化为耕地,补给了耕地的碳储量。作为生物固碳的主体,有林地在2009年的基础上持续增加,主要来自耕地、疏林草地和未利用地的转化,优化后的林地面积比规划量多出了1643.58 hm2,符合退耕还林的政策,并能增加林地的碳储量。建设用地适度增加,主要由耕地、疏林草地和未利用地转化而来,转移面积分别为14372.19 hm2、1093.68 hm2和9671.13 hm2。优化后的建设用地面积比规划方案少了3316.16 hm2,遏制了建设用地的扩张,减少了主要碳排放源的产生。其中城镇工矿用地面积比规划方案减少了2138.86 hm2,农村居民点用地面积比规划方案减少了981.7 hm2。鉴于城镇工矿用地的碳排放强度是农村居民点用地的14倍多,可知城镇工矿用地适度扩张对减少碳排放做出了主要贡献。26.76%的未利用地被开发,主要转换为有林地和建设用地。
Tab. 6 Land use structure optimization schemes of Haidong based on carbon storage maximization and carbon emission minimization

表6 基于碳储量最大化和碳排放量最小化的海东市土地利用结构

地类 2020年规划方案 碳储量最大化优化方案 碳排放量最小化优化方案
面积
（hm2）		 碳储量（104t） 碳排放量（104t） 面积
（hm2）		 碳储量（104t） 碳排放量（104t） 面积
（hm2）		 碳储量（104t） 碳排放量（104t）
耕地 201584.00 963.77 6.93 205440.00 982.21 7.07 205440.00 982.21 7.07
园地 3413.02 12.99 0.02 1487.25 5.66 0.01 3413.02 12.99 0.02
林地 550073.72 8370.47 1.82 551717.30 8395.48 1.82 548663.05 8349.01 1.81
牧草地 471783.62 4361.64 2.36 471586.50 4359.82 2.36 471586.50 4359.82 2.36
其他农用地 1847.02 7.38 0.56 1847.02 7.38 0.56 1847.02 7.38 0.56
城镇工矿用地 12473.54 104.91 179.57 10334.68 86.92 148.78 9983.04 83.97 143.72
农村居民点 24946.65 183.08 27.72 23964.95 175.88 26.63 25146.31 184.55 27.94
交通运输用地 9213.49 45.28 21.96 9158.59 45.01 21.82 9213.49 45.28 21.96
水利设施用地 7293.57 43.31 5.34 7152.87 42.47 5.24 7293.57 43.31 5.34
其他建设用地 3660.62 5.26 2.68 3660.62 5.26 2.68 3703.25 5.33 2.71
水域 9595.87 56.98 0.69 9595.87 56.98 0.69 9595.87 56.98 0.69
未利用地 2357.15 8.83 0.00 2296.62 8.60 0.00 2357.15 8.83 0.00
总计 1298242.27 14163.91 249.63 1298242.27 14171.68 217.65 1298242.27 14139.63 214.16
基于碳排放量最小的土地利用优化方案,碳排放总量为214.16万t,比海东市土地利用规划方案碳排放量少35.47万t。该方案与碳储量最大优化方案主要的不同之处在于城镇工矿用地面积的减少,这也是保证碳排放量最小的主要途径,但这是以占用更多林地面积换来的。该方案的碳储量比规划方案少24.27万t,而基于碳储量最大的方案较规划方案既显著提高了海东市的碳蓄积水平,又降低了碳排放水平。兼顾两方面进行综合比较,发现基于碳储量最大的优化方案效果更佳。

4.2 Logistic回归结果分析

将各个地类与10个驱动因子在SPSS中分别进行二元logistic回归,得到Logistic回归结果（表7）。水浇地受坡度的影响最大,呈负相关,说明水浇地主要分布在坡度平缓的地区。旱地与人口密度、距面状水域的距离、距线状水系的距离和DEM是正相关,与其余驱动因子呈负相关,说明旱地分布在人口集中、邻近水源和高海拔的地区,并且远离城市道路和行政驻地。有林地与人口密度相关性最大,呈负相关,可知该地类与人类聚居地相隔较远,自然环境良好,适合林木成片生长。疏林草地多分布于不适宜耕种的山区,其与坡向、距行政驻地的距离、距面状水域的距离呈负相关,从中可以看出疏林草地周围没有大范围的面状水域,主要靠周围的小型河流提供水源。城镇用地主要受人口密度、距一般道路的距离、距行政驻地的距离、距高等级道路的距离和坡度的影响,并且与全社会固定资产呈正相关,说明人口、交通、行政中心位置和地势平缓是影响城镇形成的关键因素,同时全社会固定资产的增长有利于城镇用地的增长。农村居民点用地受各个驱动因子的影响都不大,主要受坡度的影响,坡度越低,越适合农村居民点用地的形成。未利用地与距一般道路的距离、距面状水域的距离、坡向和海拔是负相关,其中受海拔的影响最大。这说明未利用地的开发受制于交通不便、水源缺乏、背阴和海拔等因素。从中可以发现各驱动因子对不同地类分布的影响都是不同的,但坡度和海拔始终是影响研究区土地利用格局的主要驱动因子。水浇地、旱地、有林地、疏林草地、城镇用地、农村居民点用地和未利用地的ROC值分别为0.914、0.803、0.823、0.757、0.857、0.848和0.830,各地类的ROC值均大于0.7,说明选取的驱动因子可以较好地描述研究区的土地利用分布格局。
Tab. 7 Logistic regression results

表7 Logistic回归结果表

人口密度 距一般道路的距离 距行政驻地的距离 距面状水域的距离 距线状水系的距离 距高等级道路的距离 坡向 坡度 DEM 全社会固定资产 常量
水浇地 - -0.381 -2.025 -0.189 -2.283 - 1.121 -12.827 -5.227 -0.208 0.702
旱地 0.179 -3.626 -4.701 2.586 1.176 -0.633 -0.323 -5.496 1.975 -2.564 -0.842
有林地 -13.042 -2.830 2.753 0.698 -0.197 - 0.152 3.212 -1.127 -1.790 -1.680
疏林草地 0.508 2.497 -0.992 -1.031 0.574 0.517 -0.033 1.182 3.436 0.472 -1.465
城镇用地 4.386 -5.922 -28.563 -2.761 -1.998 -12.627 - -11.590 1.619 0.590 -2.122
农村居民点用地 - -1.193 -2.523 0.812 -0.428 -1.127 -0.305 -9.637 -3.101 - -0.703
未利用地 - -3.178 1.446 -1.641 0.273 0.285 -0.067 3.329 -8.201 0.177 0.071

注：“-”表示不参加建模的因子。

4.3 低碳情景土地利用空间分布

通过CLUE-S模型模拟得到土地低碳情景预测图（图1b）。通过提取海东市2020年低碳情景与2009年实际分类的变化图,得到图2。2009-2020年,水浇地和旱地持续减少,流失耕地主要转变为有林地、疏林草地和建设用地。整体来看耕地流失区域主要分布在中心城镇周围以及湟水谷地附近;同时部分疏林草地和未利用地转化为耕地,新增耕地主要分布于互助土族自治县西部的大片耕地区域。有林地在2009年的基础上持续增加,主要来源于退耕还林、部分疏林草地以及未利用地,新增有林地在海东市境内均有分布,在乐都区和化隆回族自治县内增加尤为明显。化隆回族自治县内的大部分未利用地被开发成有林地。乐都区的新增有林地主要分布于林地周围,部分来源于旱地退耕。疏林草地呈现缓慢的增加趋势,由耕地和未利用地转化而来。新增疏林草地主要分布于互助土族自治县中北部、循化撒拉族自治县东南部和化隆回族自治县,零星分布于海东各地。城镇用地和农村居民点用地在2009年的基础上有适度增长。新增农村居民点用地主要由耕地、疏林草地和未利用地转化而来,分布范围较广,空间分布形态与水浇地分布格局存在一致性,在旱地成片分布区也零星分布着大量农村居民点用地。新增城镇用地主要分布于平安区、乐都区、互助土族自治县、民和回族土族自治县以及化隆回族自治县内,多分布于城镇中心周边,沿湟水谷地,在带状分布的水浇地间形成了多个城镇中心。从各个地类空间变化来看,耕地转移与建设用地增加的空间分布有较强的一致性。这说明城镇发展促进耕地非农化的主要原因之一。湟水谷地是海东市经济发展的重点区域,横跨多个乡镇,区域内生态环境良好,农业资源优越,受农业结构调整和退耕还林等人类活动干扰,耕地向建设用地转移的趋势明显。

4.4 低碳与规划情景对比分析

依据《海东地区土地利用总体规划（2006-2020年）》,采用近期目标2015年和远期目标2020年的土地利用结构作为海东市土地利用格局模拟的土地需求预测数据。将12个地类归并为遥感影像分类的7个地类,其余年份不同地类需求量根据内插得出,作为土地需求文件输入CLUE-S模型,得到土地规划情景预测图（图1c）。
Fig. 1 Land use map in 2009 and simulation maps in 2020 under different scenarios of Haidong

图1 2009年实际土地利用和2020年的土地利用预测

从数量结构上来看,土地规划情景下的有林地、城镇用地、农村居民点用地和未利用地的面积比低碳情景多,而水浇地、旱地和疏林草地的面积比低碳情景少。如表8所示,规划情景下的耕地比低碳情景少3856 hm2,但新增耕地却比低碳情景多出6337.17 hm2,主要来自疏林草地和未利用地的转换。这也说明低碳情景流失的耕地较少,不仅确保了耕地的保有量,并且避免了优质耕地的流失。规划情景下的有林地较低碳情景多出19157.04 hm2。通过耕地、疏林草地和未利用地的转化,新增有林地比低碳情景多出20162.52 hm2,但这也是该情景下耕地和疏林草地面积少于低碳情景的主要原因。疏林草地比低碳情景少32823.63 hm2,而新增疏林草地比规划情景多出2407.86 hm2,主要由耕地、有林地和未利用地转化而来,但依然说明该情景下退耕还草的力度不够。规划情景下的建设用地比低碳情景多出3316.16 hm2,通过耕地、疏林草地和未利用地的转化;新增城镇用地和新增农村居民点用地分别比低碳情景多出789.39 hm2和1151.01 hm2,但这是以占用更多耕地和疏林草地的代价换来的。
Tab. 8 Transition matrix of main land use types under different scenarios in Haidong from 2009 to 2020

表8 不同情景下2009-2020主要土地利用类型转移矩阵

新增土地类型 转化类型 变化面积（t/hm2）
规划情景 低碳情景
新增耕地 疏林草地→耕地 7329.42 851.13
未利用地→耕地 330.75 520.38
新增有林地 耕地→有林地 37410.03 29277.99
疏林草地→有林地 26239.5 3986.64
未利用地→有林地 19337.85 29560.23
新增疏林草地 耕地→疏林草地 5194.98 4701.06
有林地→疏林草地 1406.79 224.91
未利用地→疏林草地 1856.61 1362.69
新增城镇用地 耕地→城镇用地 8374.59 7338.24
疏林草地→城镇用地 1534.68 198.45
未利用地→城镇用地 1433.25 3016.44
新增农村居民点用地 耕地→农村居民点用地 7422.03 7033.95
疏林草地→农村居民点用地 6059.34 895.23
未利用地→农村居民点用地 2253.51 6654.69
从空间分布上看,两种情景的主要区别在有林地和城镇用地上。图3表示了两种情景下主要土地利用类型转移分布图。规划情景下的有林地分布更为密集和广泛,多在规模较大的林区周边蔓延生长。以巴扎乡为例,低碳情景下该区域有林地成片分布,中间有疏林草地相间分布;但在规划情景下该乡有林地覆盖范围明显增多,尤其在东部有林地显著,主要来自疏林草地的转化。规划情景下的城镇用地分布格局与低碳情景基本一致,但分布范围更大,主要沿着湟水谷地一带以及水源充足和交通便利的地区。以互助土族自治县为例,在东沟乡和丹麻镇交接的北部,规划情景比低碳情景多一些城镇用地的分布,来自未利用地的转化。而在湟水谷地,城镇用地在已有城镇中心周围扩展范围较低碳情景更大,且分布更为密集,不仅占用了更多的水浇地和旱地,并且占用疏林草地和未利用地的趋势加大,范围更广,比较典型的区域有平安镇的北部、碾伯镇的中部和川口镇的中北部。另外,在总堡乡境内、巴燕镇的东北部、古城乡的中部及道帏藏族乡的东南部,城镇用地增多也较为明显,分别由疏林草地、未利用地和耕地转化而来。农村居民点用地多数沿着水浇地分布,并且比低碳情景占用了更多的优质耕地和疏林草地。这种现象在湟水谷地一带尤为明显。
Fig. 3 Distribution of main land use conversion under different scenarios in Haidong from 2009 to 2020

图3 2009-2020年不同情景下海东市主要土地利用的转移分布

Fig. 2 Land use change under different scenarios in Haidong from 2009 to 2020

图2 2009-2020年不同情景下海东市土地利用变化

5 结论与讨论

（1）在确定海东市土地利用类型碳循环系数的基础上,构建了基于碳储量最大化和碳排放量最小化的目标函数和约束条件,获得2020年低碳情景下海东市的土地利用数量结构。相对于规划方案,低碳情景下的土地利用方式将增加碳储量7.77万t,减少碳排放31.99万t,总体呈现碳汇增加趋势。低碳情景下的耕地比规划情景多,建设用地少于规划情景,耕地压力在一定程度上得到缓解。在为满足社会经济发展需求而适度增加建设用地的同时,低碳情景比规划情景减少了碳排放源的增加,对从源头上遏制碳排放起到一定的作用。由于城镇用地的碳排放强度最大,而规划情景下的城镇用地比低碳情景多出974.61 hm2,因此增加了14.03万t的碳排放。
（2）低碳情景的土地利用分布格局模拟表明：至2020年,水浇地和旱地持续减少,流失耕地主要转变为有林地、疏林草地和建设用地,主要分布在中心城镇周围以及湟水谷地附近;有林地持续增加,主要来源于退耕、部分疏林草地以及未利用地,新增有林地在海东市境内均有分布,在化隆回族自治县和乐都县内增加明显;城镇用地和农村居民点用地适度增长,新增农村居民点用地分布范围较广,空间分布形态与水浇地分布格局存在一致性,在旱地成片分布区也零星分布着大量农村居民点用地;新增城镇用地主要分布于互助、平安、乐都、民和以及化隆等地区,主要集中于城镇中心周边,并沿湟水谷地分布,在带状分布的水浇地间形成了多个城镇中心。低碳情景下2020年海东市的土地利用分布格局模拟结果可以对未来的土地规划与管理提供决策参考。
（3）土地利用变化模拟的总体精度为71.59%,2009年的模拟结果与2009年真实分类的位置一致性、数量一致性和随机一致性分别为0.771、0.715和0.673。另外模拟精度均高于空模型,说明CLUE-S模型在海东市具有较好的适用性。
人类赖以生存和发展的土地同时具有生产、生态和生活功能,不同功能有着不同的表现形式和作用强度。鉴于人类在对土地功能需求上存在冲突,特定地域上只能有一种功能起主导作用。本文着重讨论了低碳目标下的土地利用空间优化,以碳储量和碳排放量作为评价指标,突出了土地的生态功能,试图为规划部门从低碳角度制定土地利用规划方案提供参考。低碳导向下的海东市土地利用分布格局更好地协调了建设用地与耕地、林地和草地的需求冲突,比规划情景更能达到增加碳储量和减少碳排放的双重目标。随着城市化进程的加快,建设用地尤其是城镇用地迅速扩展,该类土地受政府政策等人为因素影响较大,CLUE-S模型难以模拟该类用地的突变性。因此,寻求更为合理的模型模拟土地利用格局变化应成为今后研究的重点。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
徐小锋, 田汉勤, 万师强. 气候变暖对陆地生态系统碳循环的影响. 植物生态学报, 2007, 31(2): 175-188.

[Xu Xiaofeng, Tian Hanqin, Wan Shiqiang.Climate warming impacts on carbon cycling in terrestrial ecosystems. Journal of Plant Ecology, 2007, 31(2): 175-188.]

[2]
陶波, 葛全胜, 李克让, 等. 陆地生态系统碳循环研究进展. 地理研究, 2001, 20(5): 564-575.

[Tao Bo, Ge Quansheng, Li Kerang, et al.Progress in the studies on carbon cycle in terrestrial ecosystem. Geographical Research, 2001, 20(5): 564-575.]

[3]
胡玉福, 邓良基, 张世熔, 等. 基于RS和GIS的西昌市土地利用及景观格局变化. 农业工程学报, 2011, 27(10): 322-327.

[Hu Yufu, Deng Liangji, Zhang Shirong, et al.Changes of land use and landscape pattern in Xichang city based on RS and GIS. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(10): 322-327.]

[4]
高志强, 刘纪远, 曹明奎, 等. 土地利用和气候变化对农牧过渡区生态系统生产力和碳循环的影响. 中国科学D辑: 地球科学, 2005, 34(10): 946-957.

[Gao Zhiqiang, Liu Jiyuan, Cao Mingkui, et al.The impact of land use and climate change on ecosystem productivity of pastoral transitional zone and the carbon cycle. Science in China Series D: Earth Sciences, 2005, 34(10): 946-957.]

[5]
Campbell C A, Zentner R P, Liang B C, et al.Organic C accumulation in soil over 30 years in semiarid southwestern Saskatchewan-Effect of crop rotations and fertilizers. Canadian Journal of Soil Science, 2000, 80(1): 179-192.

[6]
Houghton R A.Magnitude, distribution and causes of terrestrial carbon sinks and some implications for policy. Climate Policy, 2002, 2(1): 71-88.

[7]
Houghton R A.Releases of carbon to the atmosphere from degradation of forests in tropical Asia. Canadian Journal of Forest Research, 1991, 21(1): 132-142.

[8]
曲福田, 卢娜, 冯淑怡. 土地利用变化对碳排放的影响. 中国人口·资源与环境, 2011, 21(10): 76-83.

[Qu Futian, Lu Na, Feng Shuyi.Effects of land use change on carbon emissions. China Population, Resources and Environmrnt, 2011, 21(10): 76-83.]

[9]
余德贵, 吴群. 基于碳排放约束的土地利用结构优化模型研究及其应用. 长江流域资源与环境, 2011, 20(8): 911-917.

[Yu Degui, Wu Qun.Applocation of the model of land used structure optimization based on low-carbon limited. Resources and Environment in the Yangtze Basin, 2011, 20(8): 911-917.]

[10]
赵荣钦, 黄贤金, 钟太洋, 等. 区域土地利用结构的碳效应评估及低碳优化. 农业工程学报, 2013, 29(17): 220-229.

[Zhao Rongqin, Huang Xianjin, Zhong Taiyang, et al.Carbon effect evaluation and low-carbon optimization of regional land use. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(17): 220-229.]

[11]
刘金花. 基于改进生态足迹模型的低碳土地利用研究. 北京: 中国地质大学博士学位论文, 2013.

[Liu Jinhua.Study on low-carbon land use based on improved ecological footprint model. Beijing: Doctoral Dissertation of China University of Geosciences, 2013.]

[12]
曾永年, 靳文凭, 何丽丽, 等. 青海高原东部农业区土地利用遥感分类制图. 农业工程学报, 2012, 28(16): 225-231.

[Zeng Yongnian, Jin Wenping, He Lili, et al.Land use mapping using remote sensing for eastern part of Qinghai Plateau. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(16): 225-231.]

[13]
王晨野, 汤洁, 李昭阳, 等. 吉林西部土地利用/覆被时空变化驱动力分析. 生态环境, 2008, 17(5): 1914-1920.

[Wang Chenye, Tang Jie, Li Zhaoyang, et al.Driving force analysis of land use and land cover temporal-spatial change in the west of Jilin province. Ecology and Environment, 2008, 17(5): 1914-1920.]

[14]
刘海猛, 石培基, 王录仓, 等. 低碳目标导向的兰州市土地利用结构优化研究. 中国土地科学, 2012, 26(6): 55-61.

[Liu Haimeng, Shi Peiji, Wang Lucang, et al.Optimizing land use structure for low carbon target: A case study in Lanzhou of Gansu province. China Land Sciences, 2012, 26(6): 55-61.]

[15]
金峰, 杨浩. 土壤有机碳密度及储量的统计研究. 土壤学报, 2001, 38(4): 522-528.

[Jin feng, Yang hao.Calculation of density and reserve of organic carbon in soila. Acta Pedologica Sinica, 2001, 38(4): 522-528.]

[16]
李克让, 王绍强, 曹明奎. 中国植被和土壤碳贮量. 中国科学D辑: 地球科学, 2003, 33(1): 72-80.

[Li Kerang, Wang Shaoqiang, Cao Mingkui.Vegetation and soil carbon storage in China. Science in China Series D: Earth Sciences, 2003, 33(1): 72-80.]

[17]
赵荣钦, 黄贤金, 彭补拙. 南京城市系统碳循环与碳平衡分析. 地理学报, 2012, 67(6): 758-770.

[Zhao Rongqin, Huang Xianjin, Peng Buzhuo.Research on carbon cycle and carbon balance of Nanjing urban syatem. Acta Geographica Sinice, 2012, 67(6): 758-770.]

[18]
Zhao R Q, Huang X J, Zhong T Y, et al.Carbon footprint of different industrial spaces based on energy consumption in China. Journal of Geographical Sciences, 2011, 21(2): 285-300.

[19]
赵敏. 上海碳源碳汇结构变化及其驱动机制研究. 上海: 华东师范大学博士学位论文, 2010.

[Zhao Min.Structural changes and driving mechanism of carbon sources and sinks in Shanghai. Shanghai: Doctoral Dissertation of East China Normal University, 2010.]

[20]
董祚继. 低碳概念下的国土规划. 城市发展研究, 2010, (7): 1-5.

[Dong Zuoji.The territorial planning under the concept of low-carbon. Low-carbon Ecological City, 2010, (7): 1-5.]

[21]
Verburg P H, Soepboer W, Veldkamp A, et al.Modeling the spatial dynamics of regional land use: The CLUE-S model. Environmental management, 2002, 30(3): 391-405.

[22]
张杰, 周寅康, 李仁强, 等. 土地利用/土地覆盖变化空间直观模拟精度检验与不确定性分析: 以北京都市区为例. 中国科学D辑: 地球科学, 2009, 39(11): 173-180.

[Zhang Jie, Zhou Yinkang, Li Renqiang, et al.Accuracy assessments and uncertainty analysis of spatially explicit modeling for land use/cover change and urbanization: A case in Beijing metropolitan area. Science in China Series D: Earth Sciences, 2009, 39(11): 173-180.]

[23]
曾永年, 靳文凭, 王慧敏, 等. 青海高原东部土地利用变化模拟与景观生态风险评价. 农业工程学报, 2014, 30(4): 185-194.

[Zeng Yongnian, Jin Wenping, Wang Huimin, et al.Simulation of land-use changes and landscape ecological assessment in eastern part of Qinghai Plateau. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(4): 185-194.]

[24]
Pontius Jr R G, Huffaker D, Denman K. Useful techniques of validation for spatially explicit land-change models. Ecological Modelling, 2004, 179(4): 445-461.

Options
Outlines

/

〈 〉