碳储量是生态系统服务功能的重要组成部分之一，在维持生态系统稳定性方面发挥重要作用[1]。碳储量与气候调节和土地利用密切相关，是评价生态系统服务功能的关键指标之一[2-3]。土地利用类型的转变通常伴随着大量的碳交换，并通过改变生态系统的结构和功能来改变碳循环[4]。随着气候变暖和经济的快速发展，土地利用类型发生了巨大变化，从而导致区域碳储量发生不同程度的时空变化[5]。因此，针对东北地区碳储量演变趋势和驱动因子的研究对地区生态安全具有重要意义。
区域碳储量的评估方法主要包括野外采样调查、遥感信息检索和模型模拟评估[6]等。生态系统服务与权衡综合评估（InVEST）模型能够准确反映多尺度的碳储量时空变化，具有操作方法简单、参数获取方便以及成果直观可视化表达等优点[7-8]，常用于模拟评估土地利用变化引起的碳储量变化[3]。InVEST模型的碳储量模块简化了评估生态系统碳储量的碳循环过程，可以量化评估区域碳储量及其随时间推移的变化。已有研究证明，InVEST模型在评估和研究土地利用变化对生态系统碳储量的影响方面较为有效[9]。例如，Zarandian等[10]利用InVEST模型评估了土地利用变化对森林景观碳储存和碳固存的影响；Lahiji等[11]综合多目标土地利用配置和InVEST模型，研究了不同土地利用政策对农林混合景观中碳储量变化的影响；Liu等[12]通过整合CA-Markov模型和InVEST模型，分析了1992—2019年海南岛生态系统土地利用与碳储量的动态变化以及两者之间的关系，并对未来不同情景下的碳储量进行了预测；杨潋威等[13]耦合PLUS模型和InVEST模型，预测了西安市未来不同情景下土地利用及碳储量的时空变化特征，研究了土地利用变化对碳储量的影响。
东北地区拥有广阔的天然林区，形成了茂密的原始森林分布带，是重要的生态安全屏障和粮食生产基地，区域内农业、林业和工业全面发展，对土地利用变化和气候变化表现出较高的敏感性。研究区全面启动了天然林保护计划，致力于保护生态用地，区域生态系统功能得到有效提升。本研究探讨了土地利用变化影响下，2000—2020年东北地区碳储量的变化趋势及时空分布格局；评价气候、自然地理和社会经济等驱动因子对该地区碳储量的影响，为研究区自然资源的可持续开发利用和生态环境的有效管理提供参考。
1 材料与方法
1.1 研究区基本情况
东北地区地处东北亚的核心地带，其维度范围在38 °43′—53 °34′ N，118 °53′—135 °06′ E。该地区气候类型属于温带季风气候，夏季高温多雨，冬季寒冷干燥，年平均气温较低，四季分明，拥有丰富的生物群落。地形以平原、丘陵和山地为主，形成了山环水绕的地理格局。
1.2 数据来源
1.2.1 空间基础数据
本研究使用了土地利用、气象、社会经济、基础地理信息以及自然地理等多种空间基础数据。数据具体来源：土地利用数据为栅格格式，来源于哥白尼气候数据存储中心；气象数据类型（年平均气温、年平均降水），为栅格格式，来源于中国科学院资源环境科学与数据中心；社会经济数据类型（人口密度、国内生产总值和夜间灯光），为栅格格式，来源于中国科学院资源环境科学与数据中心；基础地理信息数据类型（距居民点距离、距公路距离、距铁路距离和距河流距离），为矢量格式，来源于全国地理信息资源目录服务系统；自然地理数据类型（总初级生产力、归一化植被指数、高程、坡度、坡向和地形起伏度），为栅格格式，其中总初级生产力数据来源于国家生态科学数据存储库，归一化植被指数和高程数据来源于中国科学院资源环境科学与数据中心，其他数据采用ArcGIS软件对高程数据进行空间分析得到。
1.2.2 碳密度数据
研究所需的各土地利用类型的碳密度数据主要通过查阅文献并整理总结相关研究成果获得，且优先参考近期的研究成果，最终得到适用于研究区各土地利用类型的碳密度数值（表1）。
表1 研究区各土地利用类型碳密度值 (t/hm2) |
| 土地利用类型 | 地上生物量 | 地下生物量 | 土壤有机质 | 枯落物有机质 | 数据来源 |
|---|---|---|---|---|---|
| 耕地 | 12.70 | 29.64 | 147.68 | 0.50 | [14] |
| 林地 | 67.28 | 39.02 | 229.11 | 2.53 | [5,14] |
| 草地 | 32.01 | 18.44 | 179.33 | 0.84 | [14] |
| 湿地 | 28.73 | 14.39 | 146.12 | 0.51 | [14-15] |
| 建设用地 | 9.72 | 4.73 | 70.36 | 0.27 | [16-18] |
| 灌丛 | 5.00 | 4.00 | 80.50 | 0.80 | [18] |
| 稀疏植被 | 8.82 | 1.39 | 59.50 | 0.48 | [14,17,19] |
| 裸土地 | 11.14 | 0.90 | 54.41 | 1.00 | [16,19] |
| 水域 | 0 | 0 | 119.00 | 1.23 | [17] |
1.3 研究方法
1.3.1 InVEST模型
在InVEST模型碳储量模块输入土地利用栅格图以及4个碳库的碳密度数据，即可计算出碳储量。4个碳库分别为地上生物量（土壤以上的树皮、树干、树枝和叶片等所有生长植物）、地下生物量（地上生物量的生长根系）、土壤有机质（土壤的有机成分）和枯落物有机质（凋落物以及倒木、枯木中的碳）。碳储总量为4个碳库的平均碳密度与相应土地利用类型面积相乘的总和[20]。碳储量计算如式（1 ）~（2 ）。
式中， 、 、 、 和 分别为土地利用类型i的地上、地下、土壤、枯落物和总碳密度（t/hm2）； 为碳储总量（t）；n为土地利用类型的数量，本研究涉及9种土地利用类型； 为土地利用类型i的总面积。
1.3.2 Geodetector模型
地理探测器模型可用于探测单独变量的空间异质性，也可用于分析两个变量之间空间分布的耦合性，探测两个变量之间的因果关系。利用该模型对研究区3个时期碳储量的空间异质性进行探测，分析不同驱动因子对碳储量的交互作用及影响程度。根据已有相关文献并结合研究区的实际情况，选取年平均气温和年平均降水作为气象因子，人口密度、国内生产总值和夜间灯光作为社会经济因子，距居民点、公路、铁路和河流距离作为基础地理信息因子，总初级生产力、归一化植被指数、高程、坡度、坡向和地形起伏度作为自然地理因子，探测各因子对研究区碳储量的影响程度。利用ArcGIS软件自然断点法对上述各因子进行分级，输入地理探测器模型进行探测，根据因子探测和交互探测结果进行分析，结果q值越大，说明相应驱动因子对区域碳储量的解释力越强。
2 结果与分析
2.1 研究区碳储量评价
2000—2020年研究区碳储量呈现明显的空间分异现象，碳储量高值区域主要分布在北部的小兴安岭和东部的长白山山脉，东北部的三江平原、区域中心的松嫩平原和南部的辽河平原碳储量次之。如表3所示，在研究时间段内，研究区碳储量整体呈下降趋势，区域碳储量总体减少了0.04×109 t，降低了0.20%。其中，2000—2010年碳储量从19.57×109 t下降至19.54×109 t，减少了0.03×109 t（0.15%）；2010—2020年碳储量下降至19.53×109 t，10年间减少了0.01×109 t（0.05%）（表2）。
表2 2000—2020年不同土地利用类型的碳储量及其变化 (×109 t) |
| 土地利用类型 | 2000年 | 2010年 | 2020年 | 2000—2010年 | 2010—2020年 | 2000—2020年 |
|---|---|---|---|---|---|---|
| 合计 | 19.57 | 19.54 | 19.53 | -0.03 | -0.01 | -0.04 |
| 耕地 | 7.56 | 7.58 | 7.54 | 0.02 | -0.04 | -0.02 |
| 林地 | 10.67 | 10.77 | 10.81 | 0.10 | 0.04 | 0.14 |
| 草地 | 0.85 | 0.68 | 0.63 | -0.17 | -0.05 | -0.22 |
| 湿地 | 0.16 | 0.16 | 0.16 | 0 | 0 | 0 |
| 建设用地 | 0.07 | 0.12 | 0.16 | 0.05 | 0.04 | 0.09 |
| 灌丛 | 0.01 | 0.01 | 0.01 | 0 | 0 | 0 |
| 稀疏植被 | 0.04 | 0.02 | 0.02 | -0.02 | 0 | -0.02 |
| 裸土地 | 0.04 | 0.03 | 0.02 | -0.01 | -0.01 | -0.02 |
| 水域 | 0.17 | 0.17 | 0.18 | 0 | 0.01 | 0.01 |
研究区碳储量主要分布于耕地、林地和草地，土地利用的变化导致了不同土地利用类型的碳储量呈不同程度的增加或减少趋势。2000—2020年，随着经济的快速发展，对土地的开发利用强度加大，耕地、草地、稀疏植被和裸土地的碳储量逐渐减少，至2020年分别降低了0.02×109、0.22×109、0.02×109和0.02×109 t。2000年以来，随着研究区天然林保护工程的实施，生态用地得到有效保护，林地碳储量获得较大幅度增加，至2020年林地碳储量增加了0.14×109 t，建设用地和水域的碳储量分别增加了0.09×109和0.01×109 t。
2.2 碳储量驱动因子分析
单因子探测结果显示，各驱动因子对碳储量的空间分异特征均具有显著影响。总初级生产力、高程、地形起伏度和坡度等自然地理因子是影响研究区碳储量空间分布的关键因素。其中，总初级生产力对碳储量空间分布特征的解释力最强，是主导因子，2000、2010和2020年的单因子探测q值分别为0.562、0.576和0.569。交互探测结果显示，驱动因子之间的交互作用均存在增强效应，主要表现为双因子增强，说明因子间交互作用时的解释力大于单因子。其中，总初级生产力和年平均气温的交互作用对该区域碳储量分布的解释力最强，2000、2010和2020年两者交互作用的q值分别为0.748、0.756和0.750。
3 结论与讨论
从研究结果来看，2000—2020年研究区碳储量从19.57×109 t下降至19.53×109 t，总体减少了0.04×109 t，降低了0.20%，碳储量整体呈下降趋势，这一结果与王佳琪等[21]的研究基本一致。然而，本研究所用研究方法存在一定的局限性。一方面，InVEST模型碳储量模块简化了评估生态系统碳储量的碳循环过程，对于碳储量的计算主要通过查阅已有研究成果中不同土地利用类型的碳密度，忽略了不同土地类型碳密度随时间的变化，且对于细化的土地利用类型的碳密度未充分考虑。后期研究中可对土地类型进行更加细致地分类，同时引入实地采样数据，以提高不同地类碳密度值的准确性。另一方面，影响碳储量变化的驱动因子复杂多样，本研究仅考虑了已有研究中的因子类型，在未来研究中，对于驱动因子的选择可综合考虑多种因素，并结合因子时空变化特征对其进行分析，以提高分析结果的科学性。
本文耦合InVEST模型和Geodetector模型，对2000—2020年东北地区碳储量演变趋势及驱动因子进行分析。研究结果表明，近20年，该地区碳储量的空间分布呈现明显的异质性，碳储量整体呈下降趋势，降幅0.20%。其中，2000—2010年碳储量减少了0.15%；2010—2020年碳储量减少了0.05%。研究期间，总初级生产力是影响该地区碳储量空间分布的主导因子，因子间的相互作用对碳储量分布的影响大于单因子，交互作用探测结果表明，总初级生产力和年平均气温的交互作用对该区域碳储量分布的解释力最强。研究结果明确了区域碳储量的变化趋势及驱动因子，为进一步推进区域生态系统服务功能的改善提供参考。