《Advances in Space Research》：Future Land Use Change and Carbon Storage Dynamics: A Machine Learning-Based Spatial Scenario Approach
编辑推荐：
本研究通过整合卫星影像、随机森林算法及MOLUSCE框架，分析伊朗萨里县1995-2060年土地利用变化对碳储存的影响，发现建成区面积扩大六倍，导致耕地和森林锐减，碳储量显著下降，强调可持续管理和气候政策的重要性。
哈梅托拉·罗拉德（Hematollah Roradeh）| 科米尔·阿卜迪（Komeil Abdi）
伊朗马赞德兰大学（University of Mazandaran）人文科学学院地理系，巴博尔斯阿尔（Babolsar）
摘要
土地利用和土地覆盖变化（LULC）是陆地碳动态和气候变化的关键驱动因素，尤其是在快速城市化的地区。本研究结合了卫星图像、土地利用地图以及生态系统服务与权衡综合评估（InVEST）模型，来探讨伊朗北部萨里县（Sari County）LULC变化轨迹与碳储存之间的时空相互作用。1995年、2005年和2025年的Landsat数据通过随机森林算法（Random Forest algorithm）进行了分类，而2060年的预测则是利用MOLUSCE框架结合人工神经网络（Artificial Neural Networks, ANN）和马尔可夫链（Markov Chains）生成的。研究结果显示，建成区面积扩大了六倍，主要是以耕地（减少19%）和森林（减少4.3%）为代价。这种土地转换导致了大量的碳封存损失：1995年碳储量可忽略不计的区域（0 Mg C/ha）从约7,700公顷增加到2060年的超过26,500公顷，而与森林相关的高密度碳库（235 Mg C/ha）减少了7,600多公顷。这些发现突显了城市扩张对生态系统碳平衡和气候调节的威胁。如果没有综合的土地利用规划和保护策略，该地区将面临生态系统服务显著下降的问题，这凸显了可持续资源管理和气候缓解政策的紧迫性。
引言
土地利用和土地覆盖变化（LULC）对植被、土壤碳储存以及整个生态系统功能有重大影响，被广泛认为是陆地生态系统转变的关键驱动因素（Wang等人，2023；Wei等人，2023）。LULC通过改变碳库的空间分布和动态，直接影响全球碳循环并重塑区域碳预算。根据政府间气候变化专门委员会（IPCC）的研究，LULC产生的碳排放是仅次于化石燃料使用的人为碳源的第二大来源（Houghton，1999；Lambin等人，2001；Liu等人，2025）。气候变率和经济社会发展路径都在LULC对碳储存（CS）的影响中起中介作用（Mottl等人，2021）。陆地生态系统包括地上和地下的生物量、土壤有机质以及死亡有机质，是重要的碳汇。森林砍伐、城市化和农业扩张等土地转换行为会使这些生态系统从碳汇转变为碳源（Li等人，2022；Singh等人，2025；Zhao等人，2019；Jodhani等人，2024）。
因此，LULC建模对于长期土地管理、减缓气候变化效应以及评估流域到区域尺度的生态和水文过程至关重要（Kindu等人，2016；Wang等人，2020；Wang等人，2021；Tao等人，2023）。两种主要机制影响陆地碳储存的动态：基于保护的减排措施和基于土地利用的碳封存增强（Zhou等人，2025）。碳储存的变化由土地转换模式、植被覆盖和土壤特性的变化引起，这突显了准确预测方法的必要性（Ma和Wang，2015；Mendoza-Ponce等人，2018）。全球变暖是我们今天面临的最紧迫的环境问题之一，其根本原因是生态系统内自然碳平衡的破坏（Lenton等人，2023；Hua等人，2025）。最近的研究表明，2010年至2019年间，陆地生态系统吸收了约31%的人为二氧化碳排放，有助于显著减缓气候变化的速度（Piao等人，2009；Grassi等人，2017；Kothandaraman等人，2020；Piao等人，2022）。在这些生态系统中，土壤有机碳（SOC）不仅在捕获碳方面发挥着重要作用，还在维持土壤肥力、保持水分和支持植物生产力方面发挥作用（Lal，2018）。森林是最大的碳库，每年通过光合作用从大气中去除约76亿吨二氧化碳。它们还储存了陆地生物量中一半的碳（Sharma等人，2025；Marvin等人，2014；Kazak等人，2016；Haseeb等人，2024）。然而，广泛的森林砍伐继续削弱这些自然碳汇，对实现碳中和的全球努力构成严重威胁（Fujisaki等人，2017）。
不同景观的碳储存能力因土地利用方式而异。LULC的变化对植被生长、土壤性质和整体碳储存有重大影响（Zhu等人，2020；Zhou等人，2025）。为了保护和增强这些碳储备，可持续的土地管理实践（如农林业、保护性耕作和覆盖作物）至关重要（Chen等人，2025）。考虑到这些复杂的动态，准确的LULC建模成为预测土地利用模式随时间变化的关键工具，尤其是在不同的社会经济条件和政策框架下（Liang等人，2021）。遥感（RS）技术的最新进展使得从局部地区到全球范围内的LULC监测变得更加容易和高效（Kuma等人，2022）。当RS数据与生态系统服务与权衡综合评估（InVEST）等生态建模工具结合使用时，可以显著提高碳储存估计的准确性。这是通过将详细的土地覆盖地图与关键生物物理变量联系起来实现的（Wang等人，2023；Gong等人，2022；Wu等人，2024；Liu等人，2025）。与传统基于实地调查或清查的方法相比（Zhang，2015；Aller-Rojas等人，2020；Qiu等人，2020；Eckert，2012），这些综合方法能够实现持续监测和基于情景的预测。这使得它们特别适用于评估土地利用变化对碳动态的影响。
基于这些考虑，本研究结合了基于情景的LULC建模和InVEST框架，来探讨土地利用轨迹对碳储存的影响。我们提出了一个集成的RF–ANN–CA–Markov–InVEST工作流程，该流程在四个方面扩展了传统的CA–Markov方法：（i）使用随机森林分类生成稳健的多时相LULC地图；（ii）在MOLUSCE中使用基于ANN的转换潜力建模来更好地捕捉生物物理和人为驱动因素之间的非线性关系；（iii）将预测的LULC情景直接与空间明确的碳储存评估联系起来，从而在替代路径下实现对碳增减的一致量化；（iv）在伊朗北部的赫尔卡尼亚森林-农业-城市交界地区展示了该框架的应用，这是一个生物多样性丰富的地区，正在经历快速的城市扩张，在基于情景的碳评估中代表性不足。通过分析1995年至2060年的长期动态，本研究提供了关于未经管理的土地转换如何侵蚀区域碳汇的政策相关证据。
参考文献片段
文献综述
越来越多的研究通过耦合模拟-评估流程将LULC与陆地碳储存（CS）联系起来。Aburas等人（2019）的一项基础性综述表明，机器学习（ML）模型通常优于传统的动态和统计方法，因为它们能够容纳多种往往是非线性的驱动因素；同时，他们也指出，复杂性、有限的解释性和固定的规则集可能会限制其实际应用，除非这些模型是透明且可编程的
研究区域
萨里县（Sari County）是伊朗北部马赞德兰省（Mazandaran Province）的省会，位于里海（Caspian Sea）南岸和阿尔博兹山脉（Alborz Mountains）北坡（36°33′–36°45′ N，52°30′–53°15′ E）。该县面积约为3,500平方公里，地形变化显著，从沿海低地到山区都有分布。气候受里海和阿尔博兹山脉的影响，平原地区具有湿润的亚热带气候，而山区则较冷
分类结果
使用RF算法进行了准确性评估，计算了总体准确性（Overall Accuracy, OA）和Kappa系数，以及特定类别的生产者准确性（Producer’s Accuracy, PA）和用户准确性（User’s Accuracy, UA）（表2）。
结果显示，分类准确性随时间稳步提高，总体准确性从1995年的82%增加到2005年的86.3%，2025年达到88.52%。Kappa系数也有类似的趋势，从1995年的0.78增加到2005年的0.83，再到2025年的0.86
与类似研究的比较
这种一致性表明，萨里县的LULC变化轨迹代表了“一切照旧”（Business-as-Usual, BAU）的发展路径，反映了快速发展地区近期城市扩张的趋势。例如，Seto等人（2012）预测，2000年至2030年间全球城市扩张将增加两倍，取代肥沃的农业用地。同样，Hosonuma等人（2012）指出，农业扩张和基础设施发展是主要因素
结论
本研究结合了基于机器学习的LULC建模和InVEST碳模块，预测了1995年至2060年间萨里县的土地利用动态及其相关的碳储存变化。研究结果揭示了三个关键模式：（i）建成区面积几乎扩大了六倍，主要是以耕地和部分森林为代价；（ii）耕地面积减少了约19%；（iii）森林覆盖率稳步下降（约4-5%），表明人为压力持续存在；以及（iii）
未引用的参考文献
Chen等人，2025a；Chen等人，2025b；Daigneault等人，2022；Fernández-Martínez等人，2023；Ghorbanzadeh等人，2019；Jiang等人，2017；Kang等人，2022；Lessese等人，2024；Li等人，2019；Li等人，2020；Liang等人，2017；Liu等人，2025a；Liu等人，2022；Liu等人，2025b；Molotoks等人，2018；Payne等人，2019；Sarkodie等人，2023；Tahir等人，2025；Tan等人，2024；Tian等人，2022；Wang等人，2024a；Wang等人，2023a；Wang等人，2023b；Wang等人，2024b
CRediT作者贡献声明
哈梅托拉·罗拉德（Hematollah Roradeh）：概念化、方法论设计、监督、撰写——审稿与编辑。科米尔·阿卜迪（Komeil Abdi）：项目管理、数据整理、撰写——审稿与编辑。
资助
本研究由马赞德兰大学的博士后研究项目资助（合同编号73228）。未接受任何外部资助。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
致谢
作者感谢伊朗统计中心和萨里市政府提供本研究使用的相关数据集。我们也感谢马赞德兰大学的同事们的建设性反馈，这些反馈有助于提高本研究的质量。
数据和材料的可用性
本研究生成和/或分析的数据集可根据合理请求向相应作者索取。
