碳排放视角下安徽省土地利用变化模拟研究

林丹倩，梁栋栋，吴九兴，方乐

安徽师范大学地理与旅游学院，芜湖241002

摘  要：构建多情景的土地利用变化模拟能够呈现区域不同的发展前景，研究“双碳”目标背景下的土地利用变化成为当下热点。当前研究主要依据国土空间规划，且未来土地利用情景模拟中多侧重生态保护，较少考虑耕地及碳排放的影响。因此，本文以安徽省为研究对象，基于2005~2020年土地利用数据，提取未来土地利用规划目标中的耕地保有量等约束条件；结合碳减排要求，将数量约束的参数设置与土地利用规划相结合，确定三种情景下2030年各类土地面积，利用PLUS模型预测2030年土地利用空间分布。结果表明：研究期内安徽省净碳排放量由5505.45×10⁴t增长至11236.5×10⁴t，土地利用及碳排放呈现地区差异，中部建设用地迅速增加导致高碳排、北部耕地流失与建设用地扩张加剧碳排放、南部和西部林地草地保持稳定形成碳汇优势；2030年安徽省在自然发展情景下净碳排放量持续增长，耕地保护情景、耕地生态双保护情景下净碳排放量分别减少了1742.08×10⁴t、1686.56×10⁴t，碳排放空间集聚现象得到缓解。

关键词：碳排放；碳源与碳汇；土地利用；时空特征；PLUS模型

引用格式：林丹倩, 梁栋栋, 吴九兴, 方乐. 2025.碳排放视角下安徽省土地利用变化模拟研究. 时空信息学报, 32(5): 570-581
Lin D Q, Liang D D, Wu J X, Fang L.2025. Simulating land use change in Anhui province from a carbon emission perspective. Journal of Spatio-temporal Information, 32(5): 570-581, doi: 10.20117/j.jsti.202505007

1  引  言

大量温室气体的排放使得威胁人类生存的一系列自然环境问题接踵而至（袁宇锋和翟盘茂，2022）。土地利用作为影响陆地生态系统碳循环过程的主要人类活动之一，通过改变土地利用类型、结构和布局影响碳排放（王少剑等，2024；王迎英等，2024）。国内外研究表明土地利用变化是影响碳排放的重要因素，各地类的碳效应取决于具体的管理措施和自然条件（杜辉等，2024；Yuan等，2025；Ahononga等，2025；张鹏岩等，2025）。我国作为碳排放量大国，目前正全力推进碳减排。根据“十四五”规划，2030年我国将落实应对气候变化国家自主贡献目标，锚定努力争取到2060年前实现碳中和。因此，剖析土地利用与碳源/汇的关系，对实现碳减排目标、推动土地资源可持续发展具有重要意义。

目前，相关研究中用于土地利用空间扩展预测的模型主要包括CLUE-S（conversion of land use and its effects at small regional extent）模型（蒙菲等，2018）、元胞自动机–马尔可夫（cellular automaton Markov，CA-Markov）模型（李慧颖等，2019）、未来土地利用模拟（future land-use simulation，FLUS）模型（吕乐婷等，2021；周亮等，2024），以及斑块生成土地利用变化（patch-generating land use simulation，PLUS）模型（杨文杰等，2023）等。值得注意的是，PLUS模型因具有模拟精度高、运行速度快等优势，在模拟过程中能够计算出所选取各驱动因素对土地利用变化的贡献率（Liang等，2021）。例如，杜洲等（2024）依据黄河中游多沙粗沙区的土地利用变化和关键区域规划要求，利用PLUS模型预测了2030年不同情景下区域土地利用空间格局，结果表明在生态保护情景下区域建设用地扩张得到有效约束。Chen等（2025）根据长江中游地区各城市土地利用规划及土地利用变化特征来设置土地利用模拟参数，采用InVEST-PLUS耦合模型模拟了2035年生态保护情景下长江中游地区各城市的碳储量，得出了显著的市域差异。同时，针对作为热点研究区域的长三角城市群，相关研究主要聚焦于土地利用转型的碳效应及生态环境效益。例如，王伟武等（2025）综合考虑当前长三角城市群土地利用发展趋势及现有规划设定了土地利用转换规则，借助PLUS模型进行了生态优先情景下的土地利用模拟和碳储量测算；李子杰等（2025）得出了长三角城市群碳排放呈显著的空间分异特征，东北部作为碳排放核心区与西南部的碳吸收主导区形成鲜明对比。然而，上述研究主要依据国土空间规划，且未来土地利用情景模拟中多侧重生态保护，较少考虑耕地及碳排放影响因素。此外，安徽省南部以森林为主的土地利用结构，确立了该区域在长三角城市群中的重要固碳功能区地位（董世杰等，2025）。尽管存在如此重要的碳汇用地，但碳汇用地的固碳效益受经济发展与化石能源消费的影响，致使安徽省局部区域碳排放仍居高不下。例如，郑欣等（2012）以安徽省东南部芜湖市为例，研究表明了区域碳排放呈较快增长趋势，人口增加和城市化进程的加快是主要驱动因素。

因此，本文以安徽省为研究对象，基于2005~2020年的土地利用数据，利用PLUS模型（Liang等，2021），预测2030年土地利用，提取未来土地利用规划目标中的耕地保有量、建设用地总规模等刚性约束条件；结合碳减排要求，将数量约束的参数设置与土地利用规划相结合，确定三种情景下安徽省2030年各类土地面积，预测2030年安徽省土地利用空间分布。

2  研究方法

以土地利用类型数据为基础，进行碳排放计算。基于PLUS模型（Liang等，2021），通过调整土地转移概率、转换成本矩阵与邻域扩张权重，模拟2030年自然发展、耕地保护和耕地生态双保护三种发展情景下的土地利用格局。

2.1  碳排放量计算

根据中国多时期土地利用遥感监测数据集（China multi-period land use/cover change remote sensing monitoring dataset，CNLUCC）分类系统，分为耕地、林地、草地、水域、建设用地和未利用土地。结合已有研究（苑韶峰和唐奕钰，2019），以建设用地和耕地为主要碳源，林地、草地、水域和未利用地为碳汇计算土地利用碳排放。有

式中，C_e为碳排放量，t；e_i为土地利用类型i所产生的碳排放/吸收量，t；A为土地利用面积，hm²；α_i为碳排放（吸收）系数；C_b为建设用地的碳排放量，t；m_j为化石能源消费量，t；β_j为标准煤换算系数；γ_j为第j种土地利用类型的碳排放系数。建设用地碳排放量主要通过土地利用过程中工矿、交通、居民点等的能源消耗折算而得。根据研究区域相关年份统计年鉴中的所有能源消耗转化为标准煤的总额，实验利用煤炭的碳排放系数进行计算。

基于经纬度和区域的实际地理状况，参考已有研究（苑韶峰和唐奕钰，2019），不同年份、不同质量的地类对碳排放系数影响较小。结合区域相关研究（郑欣等，2012），设定各地类碳排放系数分别为耕地0.422 t/hm²、林地–0.6125 t/hm²、草地– 0.021 t/hm²、水域– 0.0248 t/hm²、未利用地– 0.0005 t/hm²、煤炭0.7559。

2.2  PLUS模型

1）土地利用模拟多情景设置

为进一步研究未来土地利用变化，实验设置自然发展、耕地保护和耕地生态双保护三种情景，据此分别设定土地利用转移概率、土地利用转换成本矩阵和各地类扩张强度。自然发展情景是保持当前土地利用变化趋势，利用PLUS模型（Liang等，2021），预测2030年自然发展情景下各土地利用类型的需求量；耕地保护和耕地生态双保护情景下各地类的面积设定，主要依据《安徽省国土空间规划（2021—2035年）》和《安徽省碳达峰实施方案》中，2035年安徽省耕地保有量达8115万亩（1亩≈666.67 m²）、森林覆盖率不低于28.6%、水域空间保有量不低于0.24亿亩，形成协同紧凑的城镇空间格局，且2025年安徽省非化石能源消费比例达到15.5%以上的目标。结合已有研究（王艳和吴杨，2023；王勇等，2018），以2010~2020年各地类间转移概率为依据，得到未来各地类间的转移概率。设定在耕地保护情景下与自然发展情景相比，耕地向建设用地转移概率减少50%；在耕地生态双保护情景下与自然发展情景相比，耕地、林地、草地向建设用地转移概率分别减少60%、40%、20%，调整不同情景下区域各土地利用类型需求量。

参考现有研究（付帅等，2023；糜毅等，2023），设置土地利用转换成本矩阵，设定在自然发展情景下除水域外其余用地类型均可相互转换；并根据《中共中央 国务院关于加强耕地保护和改进占补平衡的意见》，在耕地保护情景下，严格控制建设占用耕地特别是优质耕地，因此设定耕地禁止向其他土地利用类型转换，除水域外其他用地类型可相互转换；耕地生态双保护情景下，为完成耕地保有量目标和严守生态红线，严禁耕地和林地流出。设定三种情景下土地利用转换成本矩阵见表1。

驱动因子与土地利用变化间复杂的关系导致较难直接计算各用地类型的扩张强度，相关研究多通过各用地类型的历史扩张规律分析其扩张能力（汪勇政等，2023）。根据已有研究（李长爱等，2023），利用斑块面积和斑块数量作为邻域权重测算的依据，将斑块面积的变化规律视作各用地类型扩张能力的定性表征，通过斑块面积的变化量来定量表示各用地类型的扩张强度：

式中，X_i为地类i的邻域权重参数；ΔTA_i为两期土地利用中各地类的变化面积，hm²。经计算修正，并结合已有研究（汪勇政等，2023），实验将耕地、林地、草地、水域、建设用地和未利用地的邻域权重分别设为1、0.86、0.71、0.41、0.93、0.008。

2）模型精度检验

以2010年为基准，根据2010年、2020年土地利用数据，?利用LEAS模块挖掘历史土地利用扩张，得到各地类发展概率和驱动因子贡献率相关数据；通过2010年土地利用数据，结合所提取的扩张概率和土地邻域权重等数据，得到2020年土地利用模拟图。借助PLUS模型（Liang等，2021），对2020年土地利用模拟图与实际土地利用现状图进行精度验证，?通过Kappa系数验证模拟精度。经测试检验，Kappa系数结果为0.91，结合已有研究（杜洲等，2024），远高于0.8，说明本文所提方法可用于预测安徽省未来土地利用空间格局。

3  实验与结果分析

3.1  研究区与数据源

1）研究区概况

安徽省位于我国中东部，淮河和长江自西向东贯穿全境，将其分为平原、丘陵、山地三个自然区域（图1）。安徽省统计局网站相关数据显示，2023年安徽省总面积14.01万km²，下辖16个地级市和104个县级行政区；截至2022年，GDP达45045.02亿元，固定资产投资同比增长9%，能源消费总量达到15882.66万t标准煤。根据安徽省第五次全国经济普查主要数据公报，安徽省产业结构呈现明显的“二、三、一”格局，工业和服务业成为经济增长的双核驱动力。

2）数据来源及影响指标

实验所用土地利用数据来源于资源环境科学数据平台；数字高程模型（digital elevation model，DEM）来源于地理空间数据云；地均GDP栅格数据来源于宏图遥感云PIE-Engine网站；100 m×100 m的人口栅格数据来源于WorldPop Hub网站；河流、道路等矢量数据来源于OSM（OpenStreetMap）网站。能源消耗数据来源于安徽省统计局网站。?整合安徽省2005年、2010年、2015年和2020年四期土地利用数据，参考已有研究（李文杰等，2024；尹珂和廖思雨，2024），选取距河流距离、DEM等11个影响指标。具体数据详情见表2。

3.2  影响因素分析与土地利用结果

图2展示了区域土地利用影响指标结果。安徽省地形多样，主要包括平原、丘陵和山地，地势西高东低、南高北低，如图2（a）至（c）所示；人口密度和GDP的空间分布特征一致，均集中分布于中部地区，其余区域的高值区呈零星散布（（d）（e））；河流分布密集，中部、北部距河流更近（（f））；各地到市（区、县）、乡镇的最短距离在空间分布上呈现距离值差异小特征（（g））；地处承东启西、连接南北的枢纽位置，铁路网发达，多条干线纵贯全省（（h））；一、二、三级道路受地形限制明显，中部、北部以平原为主，地形平坦，各级道路线路密度大、布局集中；南部、西部以山区为主，地形崎岖，各级道路线路密度小、布局分散（（i）至（k））。

利用ArcGIS对2005年、2010年、2015年、2020年的土地利用数据进行处理，得到安徽省期土地利用空间分布和变化情况（图3）。安徽省主要土地利用类型为耕地，集中分布在中部和北部，建设用地集中分布在中部，林地和草地主要分布在南部和西部。如图3（a）所示，2005年，安徽省建设用地主要集中分布在中部，北部建设用地零散分布。图3（b）（c）表明，随着城市化进程加快，2010~2015年，安徽省北部形成多个建设用地集中区，但发展速度较慢。至2020年，各建设用地集中区规模迅速扩张，且接连成片（图3（d））。结合表3知，研究期内，安徽省耕地和林地面积分别缩减了3.63%、0.57%；草地、水域和未利用地面积较稳定；建设用地增加25.61%。总之，2005~2020年，安徽省土地利用变化主要表现为各类型用地转入建设用地。

3.3  碳排放结果与驱动因子分析

1）碳排放结果分析

2005~2020年安徽省碳源/汇结果如图4所示。2005~2020年，安徽省净碳排放量呈持续增长的态势，由5505.45×10⁴t增长至11236.5×10⁴t，年均增幅5.47%。结合表4知，主要碳源为建设用地，碳排放量由4917.87×10⁴t增长至11110.14×10⁴t。究其原因，这期间安徽省城市规模迅速扩张，能源消费量不断增长。此外，安徽省碳吸收量呈缓慢下降趋势，由201.96×10⁴t下降至200.84×10⁴t。总之，林地面积的稳定使得全省碳吸收总量变化不大。

2005 ~ 2020年安徽省碳密度分布如图5所示。总体上，碳排放呈现中部、北部高，南部、西部低的特征。由图5（a）看出，2005年安徽省各市碳排放量差异较小，整体处于较低水平；至2010年，差异逐步扩大，形成中部集中、北部零散的高碳排放分布格局，如（b）所示；对比（c）（d），2015年高碳排放密集区面积快速扩张，碳排放强度持续增强；2020年虽扩张速度有所放缓，但北部高碳排放区向外蔓延并连片成带，中部高碳排放区则持续向四周扩散，整体仍呈现扩张态势。

由图5还可看出，研究期内安徽省土地利用碳排放强度长期处于两极分化状态。由于科技创新带动人口集聚和建设用地扩张，但能源转型滞后，合肥成为安徽碳排放增长最显著的城市。马鞍山、芜湖、铜陵三市因重工业占主导地位呈现高碳排放特征，而滁州因承接产业转移，成为新兴高碳排放城市。宿州、阜阳的碳排放主要来自农业，与合肥等市相比碳排放强度较低，淮北、蚌埠因传统工业衰退和人口流失使得碳排放增长缓慢。安庆、池州、黄山、宣城和六安因林业固碳能力强且以第三产业为主，碳排放较少。

2）驱动因子分析

土地利用变化影响因素、土地利用转型与土地利用碳排放三者构成驱动–响应–反馈的闭环系统。土地利用变化影响因素通过调控不同土地利用类型的数量与空间格局，进而作用于土地利用碳排放。因此，解析影响因素的类型及其对各土地利用类型的贡献度，对揭示土地利用碳排放的驱动机制具有重要作用。由图6看出，GDP是耕地转换的主要驱动因素。经济发展、人口密度增加和距一、二、三级道路距离共同促使了耕地转出，DEM、坡度和坡向则制约新增耕地的空间分布。林地变化主要受DEM影响；草地和水域的空间分布同样受DEM制约，水域更易受距河流距离影响。人口密度和GDP共同驱动建设用地面积增加，DEM影响其空间布局，距一、二、三级道路距离和距铁路距离则引导扩张方向。DEM和GDP同时推动安徽省未利用地开发。

3.4  土地利用模拟预测结果

三种设定情景下安徽省2030年土地利用模拟空间分布如图7所示。结合表5可知，在自然发展情景下，2030年建设用地面积呈现快速扩张态势，与2020年相比增加了24.18×10⁴hm²，且呈连片分布特征（图7（a））；耕地、林地面积分别减少了24.33×10⁴hm²、0.81×10⁴hm²，草地、水域保持较稳定状态，面积分别小幅增加了0.04×10⁴hm²、0.31×10⁴hm²。由图7（b）看出，在耕地保护情景下，建设用地扩张态势得到有效控制；与自然发展情景相比，建设用地减少了24.25×10⁴hm²，耕地、林地面积分别增加了24.18×10⁴hm²、0.28×10⁴hm²。图7（c）展示了在耕地生态双保护情景下，建设用地的空间分布延续了2020年的格局（图3（d）），仍以中部地区为核心区域呈集聚态势；与自然发展情景相比，建设用地减少了23.49×10⁴hm²，耕地、林地面积分别增加了22.97×10⁴hm²、0.65× 10⁴hm²。

由表6可知，2030年三种设定情景下的碳排放呈现显著差异，自然发展情景下总碳排放量仍保持增长，而在耕地保护与耕地生态双保护情景下，均呈下降趋势，其中耕地保护情景的减排幅度更大。从净碳排放量来看，三种情景下分别为12763.77×10⁴t、11021.69×10⁴t、11077.21×10⁴t，表明耕地保护情景、耕地生态双保护情景均能有效降低净排放，且耕地保护情景的作用更为明显。与2020年相比，2030年各情景下的总碳吸收量虽均有减少，分别下降0.5×10⁴t、0.34×10⁴t、0.11×10⁴t，但耕地生态双保护情景下的降幅最小，体现了在维持碳汇功能方面的相对优势。

在自然发展情景下，安徽省高碳排放区呈现出以中部地区为中心，周边多中心共同扩张趋势，自然发展情景下的高碳排放区空间分布与建设用地空间分布保持一致，如图8（a）所示；与自然发展情景相比，耕地保护情景、耕地生态双保护情景下高碳排放区面积显著缩减，低碳排放区面积略有增加，空间分布格局发生明显变化，原先连片分布的高碳排放区被打破，形成更为分散的空间结构（（b）（c）），其中，耕地保护情景下高碳排放区分布更为分散，低碳排放区不断向高碳排放区扩展。究其原因，合理设置的约束条件必然使得高碳排放区扩张态势受到影响。

结合安徽省2020年土地利用现状进行对比（图3）。图9（a）展示了在自然发展情景下，土地利用变化仍保持建设用地扩张，耕地、林地和草地不同程度减少的态势；耕地转建设用地为主要土地利用变化方向，但黄山、池州、宣城建设用地增加较少，总之，土地利用碳排放呈持续增加的倾向。在耕地保护与耕地生态双保护情景下，通过优化土地资源配置实现碳减排目标。此外，一方面通过严格限制合肥、淮南的耕地转为建设用地，有效遏制了由土地开发直接引发的碳排放；另一方面，淮北、阜阳因耕地扩张带来的过度农资消耗又产生了新的排放压力，如图9（b）所示。耕地生态双保护情景进一步强化了生态用地的保护力度，除黄山、宣城之外，其他各地的林地、草地面积均有小幅度增加，如图9（c）所示。因此，区域整体固碳能力提升。然而，区域碳排放总量并未显著降低，碳汇用地因面临技术、经济和自然等约束，开发难度较大，面积增加幅度有限；虽然建设用地扩张态势得到有效约束，但因农业、工业生产仍高度依赖化石能源，能源消耗量仍然不小。这表明仅依靠优化土地利用结构不足以达成减排目标，必须协同推进能源结构转型。

4  结  论

当前通过土地利用空间扩展预测模型探索土地利用碳排放的实现路径中，模拟参数的设置缺乏与现实需求的结合。以安徽省为研究区域，本文依据区域碳减排目标和相关规划设定了数量约束和土地利用转换规则，利用PLUS模型（Liang等，2021），模拟了自然发展情景、耕地保护情景、耕地生态双保护情景下2030年土地利用及碳排放时空分布格局，并分析模拟了三种设定情景下碳排放总体变化、区域内各地差异现象。

结果表明：①2005~2020年安徽省建设用地面积增加，耕地、林地、草地面积减少的趋势使得土地利用净碳排放量在研究期内迅速增长。中部以建设用地扩张为主导，北部耕地流失与建设用地扩张矛盾突出，南部、西部的林地、草地维持现状。因此，形成中部集中高碳排，北部耕地和建设用地共同增加碳排放，南部多碳汇的分布格局。②自然发展情景下，安徽省延续2005~2020年碳排放空间分布特征，区域差异持续扩大；耕地保护情景和耕地生态双保护情景下，碳排放总量和区域差异均呈缩减态势。与耕地保护情景相比，耕地生态双保护情景碳减排效益提升幅度有限。研究结果能够助力优化安徽省土地利用结构，为安徽省国土空间规划的科学编制提供辅助决策支持，为挖掘安徽省碳汇潜力、引导低碳产业布局和动态调整碳减排政策提供一定的参考。

限于实验条件，本研究尚缺乏对模拟结果进行不确定性分析的探讨。未来工作，可尝试通过空间一致性检验关注城市扩张区、生态敏感区等关键区域的偏差分布，以提升研究结果的可信度。

参考文献（References）

董世杰, 安慧, 吴海林. 2025. 长三角地区生态脆弱性评估、驱动因素分析及预测. 环境科学: 1-16. https://link.cnki.net/doi/10. 13227/j.hjkx.202504031.[2025-07-14][Dong S J, An H, Wu H L. 2025. Ecological vulnerability assessment, driving factors analysis and prediction in Yangtze River Delta region. Environmental Science: 1-16. https://link.cnki.net/doi/10.13227/j.hjkx.202504031. [2025-07-14](in Chinese)]

杜辉, 张学儒, 张世国, 张清勇. 2024. 耕地转变为建设用地的碳排放效应: 基于中国224个地级市的经验与证据. 华中农业大学学报, 43(6): 65-74[Du H, Zhang X R, Zhang S G, Zhang Q Y. 2024. Effects of transforming farmland into construction land on carbon emission: Based on experience and evidence of 224 prefecture-level cities in China. Journal of Huazhong Agricultural University, 43(6): 65-74 (in Chinese)]

杜洲, 牛健植, 樊登星, 张卓佩, 杨智勇. 2024. 基于PLUS模型的黄河中游多沙粗沙区土地利用变化模拟及驱动力分析. 水土保持研究, 31(6): 309-318[Du Z, Niu J Z, Fan D X, Zhang Z P, Yang Z Y. 2024. Simulation and driving force analysis of land use change in the sandy coarse region of the middle reaches of the Yellow River based on PLUS model. Research of Soil and Water Conservation, 31(6): 309-318 (in Chinese)]

付帅, 彭雨欣, 徐炳先. 2023. 基于PLUS与InVEST模型的鄱阳湖流域碳储量时空变化与预测. 环境工程, 41(10): 163-172[Fu S, Peng Y X, Xu B X. 2023. Spatial and temporal evolution of carbon storage in Poyang lake basin based on plus and invest model. Environmental Engineering, 41(10): 163-172 (in Chinese)]

李长爱, 刘玲, 邱冰, 聂存明, 宁丽丽, 李亚亮, 王慧, 刘星宇, 杨素慧. 2023. 安徽省土地利用/覆被时空变化及其驱动因素分析. 南京林业大学学报(自然科学版), 47(5): 213-223[Li C A, Liu L, Qiu B, Nie C M, Ning L L, Li Y L, Wang H, Liu X Y, Yang S H. 2023. Spatial-temporal change and driving factors of land use/cover in Anhui Province. Journal of Nanjing Forestry University(Natural Sciences Edition), 47(5):213-223 (in Chinese)]

李慧颖, 李晓燕, 贾明明, 于皓, 王宗明. 2019. 基于CA-Markov模型的长吉示范区土地利用格局多情景预测研究. 地理信息世界, 26(3): 18-24[Li H Y, Li X Y, Jia M M, Yu H, Wang Z M. 2019. Dynamic scenario simulation of land cover changes in the Changchun-Jilin demonstration zone of Jilin Province based on the CA-Markov model. Geomatics World, 26(3): 18-24 (in Chinese)]

李文杰, 杨俊毅, 傅博, 赵清英, 谭昭, 关潇. 2024. 基于PLUS-InVEST模型的大兴安岭生态系统碳储量时空变化与预测. 环境工程技术学报, 14(6): 1892-1904[Li W J, Yang J Y, Fu B, Zhao Q Y, Tan Z, Guan X. 2024. Spatial-temporal changes and prediction of carbon storage in Greater Khingan Mountains based on PLUS-InVEST model. Journal of Environmental Engineering Technology, 14(6): 1892-1904 (in Chinese)]

李子杰, 许凌峰, 叶芸, 吴群. 2025. 长三角城市群土地利用碳收支时空分异及碳补偿分区. 环境科学: 1-19. https://link.cnki.net/ doi/10.13227/j.hjkx.202411275.[2025-03-10][Li Z J, Xu L F, Ye Y, Wu Q. 2025. Spatiotemporal differentiation of carbon budget and carbon compensation zoning in the Yangtze River Delta urban agglomeration. Environmental Science: 1-19 .https://link.cnki.net/ doi/10.13227/j.hjkx.202411275.[2025-03-10](in Chinese)] 

吕乐婷, 杨勇, 姜俊超, 乔皓, 白少杰. 2021. 下辽河平原景观格局演变与预测分析. 地理信息世界, 28(5): 73-78[Lyu L T, Yang Y, Jiang J C, Qiao H, Bai S J. 2021. Evolution and prediction of landscape pattern in the xialiaohe plain. Geomatics World, 28(5): 73-78 (in Chinese)]

蒙菲, 李小丽, 陈笑扬, 王丽芳, 张宝一. 2018. 基于CLUE-S模型的长沙市望城区土地利用变化预测. 地理信息世界, 25(2): 72-77, 84[Meng F, Li X L, Chen X Y, Wang L F, Zhang B Y. 2018. Prediction of land use changes in Wangcheng district, Changsha City based on CLUE-S model. Geomatics World, 25(2): 72-77, 84 (in Chinese)]

糜毅, 李涛, 吴博, 赵燕萍. 2023. 基于优化模拟的长株潭3+5城市群碳储量时空演变与预测. 环境工程技术学报, 13(5): 1740- 1751[Mi Y, Li T, Wu B, Zhao Y P. 2023. Spatio-temporal evolution and prediction of carbon storage in Chang-Zhu-Tan 3+5 urban agglomeration based on optimization simulation. Journal of Environmental Engineering Technology, 13(5): 1740-1751 (in Chinese)]

汪勇政, 徐雅利, 余浩然. 2023. 基于PLUS-InVEST模型的安徽省碳储量时空变化预测. 水土保持通报, 43(3): 277-289[Wang Y Z, Xu Y L, Yu H R. 2023. Prediction of spatial and temporal changes of carbon stocks in Anhui Province based on PLUS-InVEST model. Bulletin of Soil and Water Conservation, 43(3): 277-289 (in Chinese)]

王少剑, 周诗洁, 方创琳. 2024.1980—2020年中国陆地生态系统碳储量时空格局与演进规律. 中国科学: 地球科学, 54(10): 3323-3339[Wang S J, Zhou S J, Fang C L. 2024. Spatial-temporal patterns and evolution of carbon storage in China’s terrestrial ecosystems from 1980 to 2020. Scientia Sinica (Terrae), 54(10): 3323-3339 (in Chinese)]

王伟武, 伏添乐, 陈欢. 2025. 基于PLUS-InVEST模型的长三角城市群碳储量时空演变与预测. 环境科学, 46(4): 1937-1950 [Wang W W, Fu T L, Chen H. 2025. Spatio-temporal evolution and prediction of carbon storage in the Yangtze River Delta urban agglomeration based on PLUS-InVEST model. Environmental Science, 46(4): 1937-1950 (in Chinese)]

王艳, 吴杨. 2023. 长三角地区碳排放量分析及预测. 安徽农业大学学报, 50(6): 1051-1058[Wang Y, Wu Y. 2023. Analysis and forecast of carbon emissions in the Yangtze River Delta region. Journal of Anhui Agricultural University, 50(6): 1051-1058 (in Chinese)]

王迎英, 张刘臻, 甄延临, 张从果, 董佳琦, 卢学鹤, 张秀英. 2024. 长江三角洲城市群建设用地扩张和耕地保护对陆地生态系统碳汇的影响研究. 地理与地理信息科学, 40(5): 35-41[Wang Y Y, Zhang L Z, Zhen Y L, Zhang C G, Dong J Q, Lu X H, Zhang X Y. 2024. Effects of built-up land expansion and farmland protection on carbon sinks of terrestrial ecosystems in the Yangtze River Delta urban agglomeration. Geography and Geo-Information Science, 40(5): 35-41 (in Chinese)]

王勇, 程瑜, 杨光春, 董莹. 2018.2020和2030年碳强度目标约束下中国碳排放权的省区分解. 中国环境科学, 38(8): 3180-3188 [Wang Y, Cheng Y, Yang G C, Dong Y. 2018. Provincial decomposition of China’s carbon emission rights under the constraint of 2020 and 2030 carbon intensity targets. China Environmental Science, 38(8): 3180-3188 (in Chinese)]

杨文杰, 何华贵, 杜剑光. 2023. 基于土地利用变化的广州国土空间格局优化研究. 时空信息学报, 30(1): 111-117[Yang W J, He H G, Du J G. 2023. Optimization of Guangzhou’s territorial space pattern based on land use changes. Journal of Spatio-temporal Information, 30(1): 111-117 (in Chinese)] 

尹珂, 廖思雨. 2024. 基于InVEST模型和PLUS模型的三峡库区(重庆段)碳储量时空变化及预测. 长江科学院院报, 41(9): 60-69[Yin K, Liao S Y. 2024. Spatio-temporal variation and prediction of carbon stocks in Chongqing section of Three Gorges Reservoir area based on InVEST-PLUS model. Journal of Changjiang River Scientific Research Institute, 41(9): 60-69 (in Chinese)]

袁宇锋, 翟盘茂. 2022. 全球变暖与城市效应共同作用下的极端天气气候事件变化的最新认知. 大气科学学报, 45(2): 161-166 [Yuan Y F, Zhai P M. 2022. Latest understanding of extreme weather and climate events under global warming and urbanization influences. Transactions of Atmospheric Sciences, 45(2): 161-166 (in Chinese)]

苑韶峰, 唐奕钰. 2019. 低碳视角下长江经济带土地利用碳排放的空间分异. 经济地理, 39(2): 190-198[Yuan S F, Tang Y Y. 2019. Spatial differentiation of land use carbon emission in the Yangtze River economic belt based on low carbon perspective. Economic Geography, 39(2): 190-198 (in Chinese)]

张鹏岩, 杨丹, 刘宇, 张金炳, 刘振岳, 唐振过, 单子溢. 2025. 基于复合生态系统视角的土地利用变化碳源/汇效应研究进展. 生态学报, 45(5): 2058-2073[Zhang P Y, Yang D, Liu Y, Zhang J B, Liu Z Y, Tang Z G, Shan Z Y. 2025. Carbon source/sink effect of land use change from the perspective of composite ecosystem: Progress and review. Acta Ecologica Sinica, 45(5): 2058-2073 (in Chinese)]

郑欣, 程久苗, 郑硕. 2012. 基于土地利用结构变化的芜湖市碳排放及其影响因素研究. 水土保持研究, 19(3): 259-262, 268[Zheng X, Cheng J M, Zheng S. 2012. Research on carbon emissions and influence factors in Wuhu City based on the change of land use structure. Research of Soil and Water Conservation, 19(3): 259-262, 268 (in Chinese)]

周亮, 马磊, 陈成. 2024. SSP-RCP耦合情景的城市局地气候分区模拟——以南京市为例. 时空信息学报, 31(2): 269-281[Zhou L, Ma L, Chen C. 2024. Urban local climate zoning simulation coupled with SSP-RCP scenarios: A case study of Nanjing. Journal of Spatio-temporal Information, 31(2): 269-281 (in Chinese)]

Ahononga F C, Sonounameto R C, Akabassi G C, Gouwakinnou G N, Biaou S, Biaou S S H. 2025.Impacts of land-use change on carbon storage and sequestration in forest ecosystems of in Benin. Discover Applied Sciences, 7(9): 1019

Chen H, Sun Y, Tang D W, Song J, Tu Y, Zhang Q. 2025. The spatiotemporal evolution and multi-scenario simulation of carbon storage in the middle reaches of the Yangtze River based on the InVEST-PLUS model. Sustainability, 17(13): 6067

Liang X, Guan Q F, Clarke K C, Liu S S, Wang B Y, Yao Y. 2021. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China. Computers, Environment and Urban Systems, 85: 101569

Yuan X D, Bai X Y, Zhou Z F, Luo G J, Li J H, Ran C, Zhang S R, Xiong L, Liao J J, Du C C, Dai L, Li Z L, Xue Y Y, Long M K, Luo Q, Zhang X Y, Li M H, Shen X Q, Yang S. 2025. Global impacts of land use on terrestrial carbon emissions since 1850. Science of the Total Environment, 963: 178358