一种集成的地理空间建模工作流程可量化土地城市化与碳储量动态。建设用地扩张与碳储量损失及负向空间溢出效应相关，而生态规划情景则有助于保留高碳储量土地，并支持协同的低碳治理。
本文内容
摘要
摘要
本研究开发并应用了一种综合工作流程，结合遥感、土地利用模拟、生态系统服务评估和空间计量经济学方法，量化了中国西北地区新疆维吾尔自治区土地城市化与生态规划对碳储量动态的影响。利用2000–2020年的土地利用/土地覆被、不透水面、夜间灯光、植被、地形、社会经济以及规划约束数据，该工作流程识别了历史城市化模式，模拟了四种未来规划情景，采用InVEST碳模块估算碳储量，并通过空间计量经济模型评估了直接影响和空间溢出效应。结果表明，建设用地扩张主要通过占用耕地实现，并伴随着不透水面覆盖率和夜间灯光强度的增加。模拟结果显示，生态保护情景下碳储量保持最高，而自然发展情景导致的碳损失最大。林地被识别为最易受威胁的高碳土地利用类型，其碳密度为144.9 Mg C/ha，显著高于建设用地的29.4 Mg C/ha。空间杜宾模型结果表明，土地城市化对碳储量密度具有负向直接影响（−0.231）和间接溢出效应（−0.117），总效应为−0.348；而生态规划强度则表现出正向总效应（+0.245）。这些发现支持在行政边界之间开展协同生态规划，以促进区域低碳发展。
引言
在全球气候变化和向低碳发展转型的背景下，快速城市化已成为区域土地覆盖格局和生物地球化学循环变化的主要驱动力1。随着人类活动在规模和强度上的持续扩大，发展中国家和地区的加速土地城市化不仅改变了土地利用格局，也重塑了生态系统的结构与功能。本质上，土地城市化涉及将高碳密度的自然植被转化为低碳密度的人工地表，导致区域碳储存能力大幅下降2。对于快速发展地区而言，如何在经济增长与生态保护空间维护之间实现平衡，已成为国土空间规划中的关键挑战。传统的土地利用研究主要关注物理扩张的模式，往往忽视了空间开发与碳循环过程之间的动态交互关系3。因此，亟需建立综合分析方法，量化土地城市化对碳储量动态的影响，为生态保护和低碳治理提供科学依据。
近年来，遥感技术和地理信息系统的发展显著提升了土地利用变化建模与生态系统服务评估的精度4,5。结合生态核算的多情景土地利用模拟已成为评估城市扩张环境影响的常用方法6。特别是，斑块生成式土地利用模拟模型（Patch-generating Land Use Simulation, PLUS）与生态系统服务综合评估模型（Integrated Valuation of Ecosystem Services and Tradeoffs, InVEST）已被广泛应用于量化规划约束对土地利用演变路径和碳储量结果的影响7,8,9,10,11,12。相关生态系统服务研究表明，土地覆被变化、城市发展政策以及生态保护措施会改变快速城市化区域的水源供给、碳固存、土壤保持功能及生态系统服务之间的权衡关系13,14,15,16,17。然而，大多数以往研究主要关注土地利用转换及其生态系统服务输出，较少关注社会经济发展压力如何在相邻行政单元之间引发具有空间依赖性的碳储量响应。
当前工作流程的提出主要基于三个关键的研究空白。首先，以往的 PLUS–InVEST 应用通常将研究区域视为封闭的物理系统，未明确评估土地城市化效应是否会溢出至相邻区域。其次，验证分析、不确定性分析和敏感性分析通常仅被简要报告，使得难以判断在不同土地利用模拟参数、碳库系数和空间权重设定条件下，情景排序是否保持稳定。第三，空间计量经济学研究常识别出开发强度与生态结果之间的关联，却未将这些关系与遥感观测、未来土地利用情景及碳储量核算相结合。因此，亟需一种集成化的工作流程，在可重复的分析框架内实现观测数据、情景模拟、碳储量核算与空间机制识别之间的有效衔接。
因此，本研究建立了一种可重复的分析工作流程，该流程整合了遥感技术、基于PLUS的情景模拟、InVEST碳储量评估以及空间计量经济分析。研究聚焦中国西北部的新疆维吾尔自治区，评估了2000年至2020年期间的历史土地城市化格局，探讨了不同规划情景对未来土地利用格局的影响，量化了其对碳储量分布的相应影响，并分析了土地城市化、生态保护规划强度、植被状况及社会经济因素对碳储量动态的直接影响和空间溢出效应。该工作流程的主要贡献在于将基于情景的预测与机制识别相结合，以支持生态红线划定、紧凑型增长规划、跨区域碳补偿以及低碳区域治理。
方案
本研究使用了公开可用的地理空间、遥感、规划以及汇总的社会经济数据集。未涉及人类受试者、动物实验、临床材料或可识别的个人信息，因此无需机构伦理审批。所有用于重现本工作流程所必需的资源，包括特定软件环境、计算软件包（含空间计量经济学和高分辨率可视化库）、数据集数字对象标识符（DOI）及来源网址，均在详尽的材料表中列出。
1. 研究区域与分析框架
分析在中国西北部的新疆维吾尔自治区进行，重点针对主要城市的划定城区范围（图1）开展具体分析，以准确捕捉局部扩张动态。该边界被统一用于栅格裁剪、土地利用模拟、碳储量评估以及行政单元的聚合。分析样本量（n）包括在三个离散时间点（2000年、2010年和2020年）上分析的105个县级行政单元，土地利用模拟中纳入了50次随机重复，以反映空间不确定性。
采用了一种整合栅格尺度与行政单元尺度分析的多尺度分析框架。在栅格尺度上，利用土地利用/土地覆被数据、夜间灯光强度、不透水面覆盖率、植被指数、地形变量以及生态规划约束条件，识别土地城市化模式，模拟未来土地利用情景，并评估碳储量空间分布。在行政单元尺度上，将社会经济、交通和环境变量纳入空间计量经济分析，以评估土地城市化和生态规划对碳储量动态的直接影响与溢出效应。
分析框架包含五个组成部分。首先，利用多时相遥感与土地利用数据，刻画土地城市化的时空格局，包括建设用地扩张、开发强度以及土地利用重构。其次，构建生态保护、耕地保护和低碳规划情景，以模拟未来的土地利用格局。第三，采用 InVEST 碳储量模块，量化在历史及未来土地利用条件下碳储量的分布及其变化。第四，开展全局与局部空间自相关分析，识别与碳储量变化相关的集聚模式及热点区域。第五，运用空间计量经济模型，评估土地城市化、生态规划强度以及环境与社会经济驱动因素对碳储量动态的影响程度、方向及溢出效应。
图1 展示了整体分析工作流程。该流程连接了研究区域界定、多源数据整合、土地城市化识别、生态规划情景构建、土地利用模拟、碳储量评估、空间自相关分析以及空间计量经济建模。多源空间数据作为输入层；土地城市化识别与历史土地利用分析构成模式识别层；生态规划情景与碳储量评估构成预测与影响评估层；空间自相关分析与计量经济分析则用于识别空间作用机制并支持政策解读。
图1：研究区域、数据整合与技术工作流程。（A）中国西北部新疆维吾尔自治区主要城市的多尺度空间背景及其精确的城市分析边界。（B）集成技术工作流程，整合多源空间数据、基于遥感的土地城市化识别、生态规划情景设计、PLUS土地利用模拟、InVEST碳储量评估、空间自相关分析、热点分析以及空间计量经济建模。ND = 自然发展；EP = 生态保护；CP = 耕地保护；LC = 低碳优化；OLS = 普通最小二乘法；SAR = 空间自回归模型；SEM = 空间误差模型；SDM = 空间杜宾模型。请点击此处查看该图的高清版本。
2. 数据来源与变量系统
整合了多源数据集以支持土地城市化识别、生态规划情景模拟、碳储量评估和空间计量经济分析。该数据集包括土地利用/土地覆被数据、不透水面比例、夜间灯光强度、归一化植被指数（NDVI）、地形变量、交通通达性指标、水文变量、人口密度、国内生产总值（GDP）密度、规划约束条件、气候变量以及碳库参数。表1汇总了数据集的类别、变量描述、单位、空间和时间分辨率、数据来源及分析应用。关键数据集分别获取了2000年、2010年和2020年的数据。根据分析需求，土地利用数据和主要遥感产品被统一重采样至30米至1公里不等的空间分辨率。
表1：数据来源与变量体系。 该表格列出了用于土地城市化识别、情景模拟、InVEST碳储量核算以及空间计量模型分析的数据集类别、变量、描述、单位、空间/时间分辨率、来源及分析用途。NDVI = 归一化植被指数；DEM = 数字高程模型；LULC = 土地利用/土地覆盖。请点击此处下载该表格。
所有空间图层均投影至统一的坐标系，按图1所示研究区域边界进行裁剪，并重采样或聚合至所需网格或行政单元尺度。在进行空间叠加分析前，已对缺失值进行筛查。PLUS 和 InVEST 分析所用的栅格数据集在像元级别上进行了对齐，而社会经济变量则聚合至行政单元以进行空间回归分析。该预处理流程确保了在时间序列分析、情景模拟、碳储量计算和计量经济建模中空间单元的一致性和时间点的可比性。
土地利用/土地覆盖数据被用作历史变化检测和未来土地利用模拟的主要输入数据。原始土地利用类别被重新分类为六类：耕地、林地、草地、水体、建设用地和未利用地。该分类体系在土地利用变化分析、情景构建以及InVEST碳储量计算中保持一致。建设用地比例、不透水表面覆盖率和夜间灯光强度被用作土地城市化的指标。不透水表面覆盖率和夜间灯光强度作为反映开发强度和人类活动的遥感代用指标。归一化植被指数（NDVI）被纳入后续空间计量经济分析中作为生态指标。
地形和区位变量包括高程、坡度、距主要道路的距离、道路密度以及距主要河流的 proximity。这些变量被用作土地利用模拟中的驱动因子，以及空间计量经济模型中的控制变量。它们共同表征了地形限制、交通可达性和水文连通性。
社会经济变量包括人口密度和GDP密度，并在数据可获得的情况下补充了道路网络密度。这些变量用于表征与碳储量变化相关的发展强度和人类活动压力。该变量框架整合了土地开发、社会经济压力和生态背景的指标，以反映影响碳储量动态的多种因素。
利用生态保护红线、自然保护区、水体缓冲区、坡度限制区及其他环境敏感区域，构建了生态规划强度指数。该指数既可作为未来土地利用模拟中的约束图层，也可作为空间计量经济分析中的解释变量。
在 InVEST 碳储量评估中，为每一类土地利用类型汇编了四个碳库参数：地上生物量碳、地下生物量碳、土壤有机碳和死有机物碳。参数值来源于已发表的区域研究、InVEST 指南文件以及当地土地覆盖特征，并被映射到统一的土地利用分类系统中。碳储量是指这四个碳库中所含碳的总量，而碳储量密度则是指单位面积上的碳储量。
变量被分为三类。第一类包括土地城市化指标，如建设用地比例、不透水面覆盖度和夜间灯光强度。第二类包括生态与规划变量，如归一化植被指数（NDVI）、生态规划强度、高程、坡度和水文邻近度。第三类包括社会经济驱动因素，如人口密度、GDP密度和道路密度。这些变量用于评估土地城市化、生态规划与碳储量动态之间的关系。
3. 基于遥感的城镇化土地识别
通过三个互补的指标识别土地城市化的时空格局：建成区扩张、不透水地表覆盖和夜间灯光强度。建成区扩张信息从连续的土地利用图中提取，用于界定城市开发从核心建成区向周边地区扩展的实际范围和演进过程。计算不透水地表覆盖以量化网格尺度上的开发强度，同时对夜间灯光强度栅格数据进行处理和归一化，以表征人类活动强度和功能集聚程度。随后将这些空间图层整合，构建历史土地城市化数据集。综合上述指标用于识别持续高强度开发区域、过渡带以及相对稳定的区域，并评估土地实体开发与功能城市化之间的空间对应关系。
构建了土地利用转移矩阵，以量化耕地、林地、草地、水域、建设用地和未利用地之间土地利用转换的强度和方向。特别关注了生态用地和农业用地向建设用地的转换。该矩阵用于识别主要的转换路径以及对城市扩张贡献最大的主要来源土地类型。
通过景观格局分析评估与土地城市化相关的结构变化。所采用的指标包括斑块密度、边缘密度、景观形状指数以及与破碎化相关的指标。这些指标针对每个研究时段进行计算，用于量化与建设用地扩张相关的景观格局配置、空间连续性及破碎化程度的变化。
4. 生态规划情景设计与土地利用模拟
在四种规划情景下，采用斑块生成型土地利用模拟（Patch-generating Land Use Simulation, PLUS）模型模拟了未来的土地利用格局，这四种情景分别为：自然发展（ND）、生态保护（EP）、耕地保护（CP）和低碳优化（LC）。情景假设、土地转换规则、限制性土地类型及预期碳储量结果汇总于表2中。
表2：情景控制规则与转移约束。 该表定义了自然发展（ND）、生态保护（EP）、耕地保护（CP）和低碳优化（LC）情景下的土地转换概率与空间约束条件。注：情景缩写严格对应文中PLUS模型模拟与结果部分所使用的缩写。情景设置定义了模拟中所采用的基于政策导向的土地转换规则及受限土地类型；所有法定禁止开发区域在最终的空间图层中均保持不可转换。 请点击此处下载该表格。
将历史土地利用地图和空间驱动变量整合到PLUS模型中，利用元胞自动机（CA）模块估算基线土地转移概率。对于生态保护（EP）、耕地保护（CP）和低碳优化（LC）情景，将生态保护红线、永久基本农田、水体缓冲区及其他规划约束作为空间限制图层纳入模型，以根据预设的情景规则限制土地转换。随后确定各情景下2030年的目标土地需求量，并通过执行50次随机重复模拟运行CA模块，生成最终的土地利用预测结果。
采用 PLUS 模型及其多类型随机斑块生成的元胞自动机（CA）框架进行土地利用模拟。利用历史土地利用图以及环境和社会经济驱动因子变量，估算每类土地利用类型的扩张概率。随后，根据各规划情景的需求设定未来的土地需求量，并生成目标模拟时段对应的土地利用图。
在进行未来模拟之前，通过历史回溯验证模型性能。利用早期的土地利用图及其相关驱动变量，模拟后期实际观测到的土地利用图，并通过总体精度（OA）、Kappa系数和优势度指数（FoM）评估模拟结果与观测结果之间的吻合程度。验证在总体层面以及主要土地利用类型层面分别进行。从2010年至2020年的历史回溯模拟获得了93.4%的总体精度（OA）、0.89的Kappa系数和0.26的优势度指数（FoM），表明该模型在后续多情景模拟中具有高度可靠的空間预测能力。
为评估模拟结果的稳健性，开展了不确定性分析和敏感性分析。PLUS 模型的敏感性分析考察了主要土地利用类型在不同转移阻力设置和邻域权重参数下的影响。InVEST 模型的敏感性分析评估了不同土地利用类型中碳库系数变化的影响。空间计量经济学敏感性分析则比较了不同空间权重矩阵的设定方案。这些分析用于判断在不同参数设置下，情景排序以及主要城市化与生态规划效应的方向是否保持一致。具体而言，结果的稳定性得到了严格验证：当转移阻力参数和碳库系数在 ±15% 范围内变动时，情景排序以及土地城市化的负向空间溢出效应均保持不变。
5. 碳储量评估
采用 InVEST 碳模型评估碳储量。根据表3汇总的生物物理参数，为每种重新分类的土地利用类型分配了四个碳库（地上生物量、地下生物量、土壤有机碳和死有机物）的基准参数。随后将历史土地利用图（2000–2020年）以及PLUS模型模拟的未来土地利用栅格数据集导入该模型，并与相应的碳密度参数进行整合。接着运行模型，以估算区域总碳储量（Tg C）、网格级别的碳储量密度（Mg C/ha），以及历史和未来情景下的碳储量变化空间分布图（ΔC）。
重新分类的土地利用图与表3中报告的相应基准碳库参数值进行了关联。通过将这些基准参数值调整±15%，检验了碳储量估算对参数不确定性的敏感性，并给出了详细的敏感性分析结果。该模型用于计算在历史条件和未来规划情景下，每种土地利用类型的总碳储量、碳储量密度以及碳储量变化。
评估了三类输出结果。首先，计算了区域总碳储量及其时间变化趋势，以量化碳储量随时间变化的幅度和方向。其次，绘制了碳储量及碳储量变化的空间分布图，以识别碳保留和碳损失的区域。第三，比较了不同规划情景下的碳储量估算结果，以评估生态保护、耕地保护和低碳优化策略对碳储量保护的相对影响。
表3：不同土地利用类型的基线碳库参数。 本表列出了 InVEST 碳储量模块中使用的地上生物量碳、地下生物量碳、土壤有机碳、死有机物碳以及总碳密度。单位为 Mg C/ha。注：数值代表 InVEST 模型中使用的基线参数。总碳密度等于四个碳库之和。对这些基线值进行 ±15% 扰动的敏感性分析见表6。请点击此处下载该表格。
6. 空间自相关与空间计量经济学分析
通过空间自相关分析，确定碳储量及其变化是否表现出显著的空间依赖性。计算全局Moran's I指数，以评估研究区域内碳储量分布及碳储量变化的整体空间聚类程度。随后采用局部Moran's I指数识别局部空间关联模式，包括高-高、低-低、高-低和低-高聚类。通过热点分析识别碳损失集中区域和碳储量保持区域。
采用空间计量经济模型，分析土地城市化、生态规划、环境条件、社会经济因素与碳储量动态之间的关系。以碳储量密度或碳储量变化作为因变量，解释变量包括土地城市化指数、建设用地比例、生态规划强度、归一化植被指数（NDVI）、人口密度、GDP密度、道路密度、海拔、坡度、年平均降水量和年平均气温。
采用普通最小二乘法（OLS）回归作为基线模型。在估计空间自回归（SAR）、空间误差（SEM）和空间杜宾（SDM）模型之前，评估了残差的空间依赖性。对不同模型设定下的模型性能和系数估计结果进行了比较。
构建了一个行标准化的空间权重矩阵，以表示行政单位之间的邻接关系。基本设定基于空间邻接性，而在可获得的情况下，稳健性分析比较了基于距离和最近邻的空间权重矩阵的替代方案。
通过SDM计算直接效应、间接效应和总效应，以评估局部和空间溢出关系。将地形、可达性、植被、气候和社会经济变量作为控制变量纳入模型，以减少遗漏变量偏差。模型系数被解释为条件性空间关联，而非确定性的因果效应。对于p值超过常规显著性阈值的变量，解释为证据较弱或具有提示性，不视为具有统计学意义的稳健效应。
结果
基于遥感的土地城市化识别
根据多时期遥感识别结果，研究区在2000年至2020年间经历了显著加剧的土地城市化进程，伴随土地利用格局的重构和景观格局的重塑。总体而言，建设用地的扩张呈现出由核心城区向外围区域辐射的同心圆式扩展模式。人类活动强度和地表不透水层水平的同步上升表明，快速城市化不仅改变了土地利用的数量结构，也深刻重构了区域空间组织格局。
以图2A中乌鲁木齐代表性子区域为例，土地城市化识别结果清晰地展示了2000–2020年间建设用地的阶段性扩张轨迹。2000年，建设用地主要集中于城市中心区域，空间格局相对紧凑。至2010年，外围扩张显著加剧，在核心区周围形成过渡带。到2020年，建设用地已突破原有紧凑边界，向多个方向扩展，并在远离核心区的位置形成离散的扩张斑块，反映出典型的向外扩张模式和多中心扩散趋势。与这些扩张模式一致，图2B显示，至2020年，研究区域内不透水面覆盖度呈现出显著的由中心向外围递减的梯度分布。最高值出现在城市中心区及邻近建成区，表明地表硬化强度和开发强度在核心功能区最为显著。尽管外围区域整体覆盖度相对较低，但在交通走廊沿线及次级城市节点处出现了多个高值斑块，表明由于开发溢出效应，不透水化已向城市中心以外的周边区域扩展。图2C揭示了2000年至2020年间夜间灯光强度增幅最大的区域主要集中在城市中心区、沿主要放射状交通轴线向外延伸的地带以及若干外围增长节点。
从时间角度来看，图2D进一步总结了2000年至2020年间三个土地城镇化指标持续上升的趋势。为了便于在具有不同内在单位和量级的指标之间进行直接比较，采用最小-最大归一化方法对各指标的原始数值进行了标准化处理，将其缩放到统一的0–1范围内：
经过此标准化处理后，建成区面积比例保持了最高的相对增长率（其原始区域均值从2000年的3.2% ± 1.4% SD增至2020年的8.7% ± 3.1% SD），表明土地开发扩张是此期间最直接的空间表现形式。不透水地表比例迅速上升（从2000年的2.8% ± 1.2% SD增至2020年的7.9% ± 2.8% SD），反映出新增开发区域伴随显著的地表硬化现象。尽管夜间灯光强度起始水平相对较低，但其后续增长更为显著，表明人类活动集聚程度和功能强度加速提升。
图 2：土地城市化进程的时空演变模式。（A）建设用地扩张的阶段性轨迹（2000–2020年）；（B）2020年不透水地表覆盖率的空间分布（%）；（C）2000年至2020年间夜间灯光（NTL）强度变化（nW/cm2/sr）；（D）本研究考察的三个核心土地城市化指标的时间趋势（建成区面积、不透水地表比例和夜间灯光强度）。趋势线表示研究区域内所有 n = 105 个县级行政单元的最小-最大归一化指数值（为便于比较可视化，已缩放至0–1范围）的区域平均值。请点击此处查看该图的高清版本。
历史土地利用变化的结果进一步揭示了土地城市化的具体过程。图3A中的土地利用转移流程图表明，在研究期间最显著的土地转化是从耕地转为建设用地，这是所有主要转化路径中的主导趋势。尽管部分林地、草地和水体也经历了不同程度的转化，但总体格局以耕地的净流出为主。同时，耕地与林地之间以及草地与其他土地类型之间均存在双向流转，表明在快速发展的背景下，土地利用系统正经历由城市扩张驱动的多类型重组，而非单向演化。然而，分析空间分布格局和流动宽度发现，建设用地仍是主要的净流入类别，进一步证实了过去二十年来研究区域内开发扩张的主导作用。
基质分析在 图3B 提供了不同时期土地利用转换强度的更定量表征。高值区域主要集中于与耕地相关的转换单元，其中耕地向建设用地的转换最为显著，表明耕地的非农业利用是研究区土地利用变化的主要表现形式。相当比例的建设用地在其边界范围内也保持了空间连续性和稳定性，反映出现有开发区持续扩张的同时具有较强的空间完整性。相比之下，林地、草地和水体的转换规模相对较小，但建设用地对这些生态区域的局部侵占值得关注。
在景观格局层面，图3C显示，2000年、2010年和2020年期间，景观指数持续上升，斑块密度、边缘密度、景观形状指数和破碎化指数均在2020年达到峰值。这表明，随着城市化进程的推进，研究区的景观结构已从最初相对完整且边界清晰的格局，演变为更加破碎化、复杂化和空间不连续的格局。值得注意的是，边缘密度和形状复杂性的增加，定量地刻画了新扩展的建设用地斑块呈现出更加不规则和复杂的几何形态。
图3：历史土地利用变化与景观格局重构。（A）桑基图，展示2000年至2020年间高分辨率的土地利用转型流动及主要转换路径。（B）土地利用转换矩阵，量化六类土地利用类型之间的空间转移面积（km2）。（C）雷达图，显示关键景观指数（斑块密度、边缘密度、景观形状指数和破碎化指数）在2000年、2010年和2020年期间的变化。所有标签和流量数值均已按最佳可读性进行缩放。请点击此处查看此图的放大版本。
生态规划情景设计与土地利用模拟
结合表2中建立的情景控制规则，不同生态规划导向下的土地利用模拟结果呈现出显著的分化模式。自然发展情景倾向于延续历史扩张惯性，而生态保护情景则强调对生态红线和敏感区域的刚性约束。耕地保护情景优先维持农业空间的连续性，而低碳优化情景则强调紧凑型城镇化与生态协调之间的均衡发展。这些结果表明，规划规则的差异会定量改变新增建设用地的模拟面积，并重构四种情景下生态—农业斑块的空间分布格局。
以乌鲁木齐代表性子集为重点，PLUS模型的空间模拟结果表明，如图4A所示的自然发展情景（ND）在建设用地扩张方面表现出最显著的趋势。新增建设用地主要从现有建成区的外围向外延伸，在多个方向上形成广阔的扩展区域，表明在较弱的监管约束下，城市增长仍以横向扩张为主。这种扩张模式直接侵占了中心城区周边的耕地和过渡性生态区域，进一步导致建成区边界的破碎化。相比之下，如图4B所示的生态保护情景（EP）中，新增建设用地显著减少，扩张范围被限制在中心城区附近少数可开发地块内，而外围的林地、水域廊道及生态缓冲区则基本保持完整。
在农业保护与发展的协调方面，图4C所示的耕地保护情景（CP）呈现出与EP情景明显不同的空间约束特征。在此情景下，大片外围耕地基本保持完整，新增建设活动主要集中于现有建成区边缘及局部发展节点，其扩张强度介于ND与EP之间。相反，图4D所示的低碳优化情景（LC）则表现出更为紧凑的增长模式。新增建设用地并未广泛向外蔓延，而是相对集中于主要发展轴线及现有建成区周边，呈现出具有方向性的扩张边界和更规则的空间格局。
图 4：基于差异化生态规划情景下PLUS模拟的未来土地利用格局空间分布，以乌鲁木齐都市圈子集为例展示。 （A）自然发展情景（ND），显示历史扩张惯性。（B）生态保护情景（EP），强调严格的空间管控约束。（C）耕地保护情景（CP），优先保障农业用地连续性。（D）低碳优化情景（LC），体现集约化增长模式。请点击此处查看此图的高清版本。
碳储量评估
表3展示了不同土地利用类型的基线碳密度参数。林地的总碳密度最高，达到144.9 Mg C/ha，主要由土壤有机碳（94.5 Mg C/ha）和地上生物量（36.8 Mg C/ha）贡献。草地和耕地的总碳密度分别为88.9 Mg C/ha和82.1 Mg C/ha，处于中等水平。相比之下，人工地表和无植被覆盖地表的碳密度显著较低，其中建设用地为29.4 Mg C/ha，未利用地为19.7 Mg C/ha。
从历史演变格局的角度来看，图5A展示了2000年、2010年和2020年研究区域碳储量显著的空间重组。2000年，高碳密度区域主要集中于外围生态区，整体呈现外围高、中心低的分布格局。到2010年，随着城市扩张侵占生态空间，区域总碳储量初期有所下降，尽管部分外围局部区域暂时维持了较高的碳储量水平。到2020年，这一下降趋势显著加剧；整体色阶明显变浅，高值区域显著缩小，表明区域总碳储量持续大幅减少，高碳斑块的空间连续性减弱。
如图5B所示，ND情景产生的碳密度中位数最低（72.4 Mg C/ha，IQR = 14.6 Mg C/ha）。EP和CP情景的碳密度中位数较高，分别为86.8 Mg C/ha（IQR = 12.3 Mg C/ha）和81.2 Mg C/ha（IQR = 15.8 Mg C/ha）。图5C中碳储量变化（ΔC）的空间分布表明，在ND情景下，碳损失（负ΔC）在地理上广泛存在。相反，在EP情景下，正ΔC值主要集中于外围生态区；而LC情景则表现出局部碳增益与损失在空间上异质性的分布特征。
图5D 进一步从土地利用类型贡献结构的角度，揭示了总碳储量的来源组成及其在历史时期和未来情景下的变化情况。历史阶段和预测阶段均一致表明，林地和草地始终是总碳储量的主要贡献者，其次是耕地，而建设用地、水域和未利用地的贡献相对较小。未来情景的比较表明，EP情景下的总碳储量最高，ND情景最低，CP和LC情景介于两者之间。这一格局与不同情景下高碳密度生态用地保留程度的差异高度一致。
图5：历史与情景模拟下的碳储量动态。（A）2000年、2010年和2020年总碳储量（Tg C）与碳储量密度（Mg C/ha）的空间分布。（B）不同情景下碳密度分布（Mg C/ha）的小提琴图。（C）相对于2020年基准年，未来情景下碳储量变化（ΔC，Mg C/ha）的空间分布。（D）不同土地利用类型对总碳储量（Tg C）的贡献。小提琴图展示了碳储量密度的概率密度分布（n = 每个情景105个行政单元）。内部粗横线表示中位数，虚线表示四分位距（IQR）。图B中的星号表示自然发展（ND）基准情景与其他模拟情景之间差异的统计显著性，通过Kruskal-Wallis H检验确定（* p < 0.05，** p < 0.01，*** p < 0.001）。请点击此处查看该图的高清版本。
空间自相关与空间计量经济分析
从空间聚集模式的角度来看，图6A揭示了研究区域内碳储量变化存在显著的局部空间自相关性。高—高聚集区主要集中在中北部核心发展带，表明这些区域及其邻近单元普遍表现出同向的碳储量提升特征，且具有较强的空间连通性。低—低聚集区则更多分布在南部及边缘区域，反映出碳储量变化幅度相对较小，空间上较为稳定。相比之下，高—低和低—高聚集类型所占比例较少，主要出现在核心区域与外围过渡带之间，表明局部地区存在明显的空间错位和边界过渡现象。
图6B中的热点分析进一步揭示了碳储量变化的空间分异格局。显著的热点主要分布在中部和东北部地区的多个单元，表明这些区域共同承受着较高的碳损失压力，是土地开发活动密集的敏感区域。相比之下，显著的冷点集中在西部和南部地区，反映出较强的碳储量保持能力或较低的人为开发干扰。此外，图6C中的双变量普通最小二乘回归分析（OLS）表明，城市化指数的增幅越大，碳储量变化率越趋于负值，意味着碳损失程度逐步加剧。这一结果与Table 4中报告的负向SDM系数一致。
图6：碳储量的空间自相关与耦合分析。（A）碳储量变化的局部空间关联指标（LISA）分布模式；面板中报告了最终的全局Moran's I统计值及p值。（B）碳储量变化的热点与冷点分布。（C）综合土地城市化指数与碳储量变化率之间的耦合关系。该散点图显示了具有统计学意义的负相关关系（Pearson's r = -0.612，R2 = 0.375，p < 0.001），并附有显示的普通最小二乘法（OLS）回归方程（y = -5.42× - 1.25）和95%置信带，验证了空间模型中观察到的经验关系。LISA = 局部空间关联指标（Local Indicators of Spatial Association）。请点击此处查看此图的放大版本。
表4：空间计量经济学模型的估计结果。 该表比较了普通最小二乘法（OLS）、空间自回归（SAR）、空间误差（SEM）和空间杜宾（SDM）模型在评估城市化、生态规划、植被、社会经济、可达性、地形和气候变量对碳储量密度影响方面的结果。括号内为p值。注：括号内为p值。显著性水平：*p < 0.05，**p < 0.01，***p < 0.001。所有空间计量经济学模型（SAR、SEM、SDM）均基于n = 105个县级单元在3个时期内的平衡面板数据（总N = 315个观测值），采用行标准化的Queen邻接空间权重矩阵进行估计。 请点击此处下载该表格。
所呈现的测量结果 表 4 结果表明，空间模型的表现优于OLS基准模型，说明碳储量动态存在空间依赖性，支持采用空间计量经济模型。土地城镇化指数的SDM直接效应为−0.231（p = 0.008），间接效应为−0.117（p = 0.041），总效应为−0.348（p = 0.001），表明开发强度的增加与本地及邻近区域碳储量密度的降低相关。建成区土地比例、道路密度、海拔、坡度、归一化植被指数（NDVI）以及生态规划强度在至少一个模型组分中表现出具有统计学意义的影响。相比之下，GDP密度的总效应为弱负向（−0.132，p = 0.083），且其直接效应与间接效应均不显著，因此该结果仅具提示性，而非稳健证据。
如图7A所示的跨模型系数比较表明，土地城市化指数和生态规划强度在OLS、SAR、SEM和SDM模型设定中均保持一致的符号方向，而部分控制变量的系数大小和显著性在不同模型间存在差异。如图7B、C所示，SDM模型结果表明，土地城市化指数对碳储量密度具有显著的负向直接效应（-0.231，p = 0.008）和负向间接空间溢出效应（-0.117，p = 0.041），总效应为-0.348（p = 0.001）。相反，生态规划强度表现出正向的直接效应（0.149，p = 0.021）和间接效应（0.096，p = 0.038），总效应为0.245（p = 0.005）（表5和表6）。此外，图7D中的交互效应分析揭示了调节作用：随着生态规划强度的提高，城市化指数与碳储量密度之间边际效应曲线的负斜率显著趋于平缓（上边界95%置信区间）。
图 7：驱动机制与空间溢出效应。（A）核心解释变量的跨模型系数比较。误差条表示标准化系数的 95% 置信区间（CI）。（B）土地城市化与生态规划的直接效应、间接效应和总效应的分解。（C）新疆 105 个县级单元土地城市化局部间接溢出效应的经验空间分布。（D）生态规划强度对城市化与碳储量密度（Mg C/ha）关系的调节作用，阴影区域表示 95% 置信区间。SAR = 空间自回归模型；SEM = 空间误差模型；SDM = 空间杜宾模型。图 B 中的显著性符号表示由相应空间计量经济模型的 z 统计量得出的估计系数与边际效应的 p 值（* p < 0.05，** p < 0.01，*** p < 0.001）。请点击此处查看该图的高清版本。
表5：PLUS土地利用模拟（2010–2020年回溯预测）的模型性能与验证指标 通过将2020年实际土地利用图与基于2010年基准数据模拟生成的2020年土地利用图进行比较，计算各项指标。总体Kappa > 0.80 和 FoM > 0.20 表示空间投影具有较高的一致性和可靠性。 请点击此处下载该表格。
表6：集成工作流程的敏感性与稳健性分析。 为评估模型输出结果的稳健性，对PLUS模拟、InVEST碳储量评估和空间计量经济分析中的关键参数进行了调整。该表总结了所测试的参数、扰动范围或替代设定、对主要结果的影响以及相应的稳定性评估。请点击此处下载该表格。
数据可用性：
支持本研究的已处理计算材料，包括定量分析和部分图表所依据的制表数据、PLUS模型配置参数、InVEST碳库参数表以及空间计量经济学脚本，均已存入Zenodo知识库（https://zenodo.org/records/21159171）。所存入的计算材料足以复现本研究中报告的统计分析和定量结果。
讨论
本研究提出了一种综合分析工作流程，该流程结合了基于遥感的土地城市化识别、PLUS多情景土地利用模拟、基于InVEST的碳储量评估以及空间计量经济建模，以分析中国西北地区新疆维吾尔自治区土地城市化、生态规划与碳储量动态之间的关系。该工作流程并非将这些组成部分视为独立的技术操作，而是将观测到的土地转化、未来规划方案、碳库变化后果以及空间溢出机制整合于一个可重复的统一分析序列中。
时空分析表明，2000年至2020年间，研究区域的土地城市化进程遵循离心扩张的轨迹，从集中式的中心城区增长逐步转变为多方向、多中心的蔓延模式。这一模式与广泛的城市化文献一致，这些文献记录了快速工业化地区中跳跃式发展的现象，其中基础设施投资与经济集聚共同推动了城市开发边界的外扩。关键的是，主要的土地转化路径——耕地转为建设用地——证实了农业用地仍在承受城市侵占最沉重的压力，这一发现与中国及其他发展中经济体关于城乡结合部土地动态的研究结果相符。然而，与我国东部高度一体化的大型城市群不同，新疆地区的城市化受到绿洲边界和水资源可获得性的严格限制。因此，这种侵占对紧邻重要水文廊道的有限耕地和生态过渡带构成了不成比例的威胁，使得当地的碳循环过程在开发扰动面前本质上更加脆弱。不透水地表比例与夜间灯光强度的同步上升进一步表明，物理扩张与功能强化正在同步推进，这意味着在此背景下，土地城市化不仅表现为实际面积的增长，更包含了区域景观深层次的结构性转变2。
情景模拟结果表明，生态规划导向对未来土地利用的空间格局以及区域碳储量结果具有显著影响18。自然发展情景导致碳储量下降最为剧烈，其原因是无约束地向外扩张至高碳密度的生态用地。相比之下，生态保护情景通过在森林、湿地和河流缓冲区周围实施严格的禁止开发措施，保持了最高的碳储量水平19。低碳优化情景虽然在绝对碳储量保持方面不及生态保护情景，但通过将发展集中于现有的开发走廊，并避开生态敏感区域，实现了更为平衡的结果。这些差异性结果凸显了一个基本的规划权衡：生态约束的强度及其空间指向直接决定了在快速发展压力下，一个地区能够保留多少碳资本20,21。
碳储量参数进一步支持了这一解释。自然生态空间与人工地表在碳封存能力方面存在显著差异，这表明每损失一个单位的森林面积用于城市化开发，都将带来不成比例的巨大碳负债。森林和草地在区域碳预算中持续占据主导地位，同时其又已知易受建设用地扩张的侵占，因此生态保护用地的保护成为任何低碳空间治理战略的基石3。
空间计量经济学结果通过表明碳储量损失不仅是局部土地覆被的后果，进一步拓展了遥感与InVEST模型的研究发现。SDM结果显示，土地城市化对本地碳储量密度具有显著的负向直接效应，同时对邻近行政区域产生明显的负向间接溢出效应。土地城市化的负向间接效应可通过三种可能的跨边界机制加以解释：第一，开发压力可能从监管严格或已饱和的核心区域转移至邻近的耕地和生态过渡带；第二，交通走廊和产业链能够将土地开发需求传导至单一行政边界之外，导致邻近区域的碳储量损失；第三，生态廊道的破碎化会降低高碳土地的连通性，削弱周边区域的碳储量能力。相反，生态规划强度表现出显著的正向总体影响，表明严格的规划约束不仅能在本地缓解碳储量损失，而且当跨行政边界的生态空间治理实现协调时，还能协同增强区域碳储量的保持能力22,23。
政策应用
研究结果可直接应用于国土空间规划。首先，生态红线和河流缓冲区政策应优先保护高碳储量的森林和草地斑块，因为这些区域的转化会导致碳储量大幅损失。其次，紧凑型增长和以交通为导向的开发控制有助于减少对耕地和生态过渡带的向外扩张。第三，由于存在负向间接效应，表明某一行政辖区的开发可能影响周边区域的碳储量状况，因此相邻区域之间应协调开展碳补偿与生态修复工作。最后，在土地利用规划审批前，可将该综合工作流程作为筛选工具，用于比较不同规划约束条件下的碳储量变化结果。
局限性
应承认存在若干局限性。碳库参数部分依赖于文献数据，可能无法充分反映土壤、植被和管理措施方面的局部异质性。尽管已通过敏感性检验来评估情景排序的稳定性，但实地校准将有助于提高对碳储量绝对值估计的可信度。空间计量经济学分析通过引入地形、可达性、植被、气候和社会经济等控制变量，减少了遗漏变量偏差；然而，有效的工具变量不可获得，因此相关系数应被解读为条件性的空间关联，而非确定的因果效应。
未来研究方向
未来的研究应整合本地生物量和土壤碳测量数据、更高分辨率的社会经济数据、正式的工具变量或准实验设计方法，以及动态空间面板模型，以进一步验证因果路径。未来的研究应用还应在补充表格中报告特定类别PLUS验证指标、碳库敏感性范围以及不同空间权重的结果，以便独立重现情景排序和溢出效应估计。
结论
本研究表明，遥感–PLUS–InVEST–空间计量经济学工作流程能够在单一可重复的框架内识别土地城市化模式、评估生态规划情景、量化碳储量变化后果，并诊断空间溢出效应。主要研究结果表明，历史建成区扩张主要由耕地转化驱动，同时伴随着地表不透水性及人类活动强度的显著增加。情景模拟证实，生态保护策略能够最大程度地维持区域碳储量；而空间计量经济模型表明，土地城市化对碳储量动态具有直接的负面影响以及空间溢出效应。最终，该集成化工作流程为量化城市扩张的生态权衡提供了稳健且可重复的分析框架，并为生态脆弱区的空间评估提供了一种基于机制诊断的工具。
披露
作者无任何利益冲突需要披露。
致谢
作者未获得此项工作的特定资助。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 自定义空间计量经济学脚本与输出数据集 | 作者 | Zenodo 仓库：https://zenodo.org/records/21159171 | 用于重现本研究中描述的空间计量经济学分析及支持性计算工作流程。 |
| 高分辨率人口密度网格 | WorldPop | https://www.worldpop.org/ | 作为空间计量经济学分析的社会经济输入数据。 |
| InVEST（生态系统服务与权衡综合评估） | 自然资本项目，斯坦福大学 | 版本 3.14.0；https://naturalcapitalproject.stanford.edu/ | 用于估算历史和模拟土地利用情景下的碳储量及碳储量变化。 |
| Matplotlib & 枕头（Python 库） | Python 社区 | https://matplotlib.org/；https://python-pillow.org/ | 用于生成出版级图表并处理高分辨率（600 dpi）图形输出。 |
| 多时相土地利用/土地覆盖数据集 | 中国科学院资源与环境科学数据中心 | https://www.resdc.cn/ | 作为土地利用变化分析和PLUS模拟的主要输入数据集。 |
| PLUS（斑块生成型土地利用模拟）模型 | 高性能空间计算智能实验室 (HPSCIL) | https://github.com/HPSCIL/Patch-generating_Land_Use_Simulation_Model | 用于模拟多种生态规划情景下的未来土地利用模式。 |
| PySAL（Python 空间分析库） | PySAL 开发者 | https://pysal.org/ | 用于进行空间自相关分析和空间计量经济学建模。 |
| Python 编程环境 | Python 软件基金会 | 版本 3.9+；https://www.python.org/ | 用于数据预处理、空间分析、统计计算和工作流程实施。 |
| 地形（DEM）与遥感数据 | 美国地质调查局（USGS） | https://earthexplorer.usgs.gov/ | 用于推导土地城市化分析和模型参数化所需的地形变量及遥感输入数据。 |
参考文献
- Xiong Z, Zhang Y, Liu M. Assessing land urbanization and ecological planning impact on carbon stock and its economic value from coupled InVEST-PLUS models. Sci Rep. 2025;15:30494. https://doi.org/10.1038/s41598-025-30494-x
- Ge K, Zou S, Lu Y, Chen Y. Spatial effects and influence mechanisms of urban land use green transition on urban carbon emissions. Ecol Indic. 2025;172:113261. https://doi.org/10.1016/j.ecolind.2025.113261
- Li L, et al. Spatio-temporal evolution of land use and carbon stock under multiple scenarios based on the PLUS-InVEST model: A case study of Chengdu. Sustainability. 2025;17(21):9903. https://doi.org/10.3390/su17219903
- Wang Z, Zhong A, Wei E, Hu C. Carbon stock simulation and land use optimization for high-water-table resource-based cities based on the coupled GMOP-PLUS-InVEST model. Remote Sens. 2024;16(23):4480. https://doi.org/10.3390/rs16234480
- Liu Y, Mei X, Yue L. Response of carbon stock to land use change and multi-scenario predictions in Zunyi, China. Sci Rep. 2025;15:236. https://doi.org/10.1038/s41598-024-81735-8
- Sun G, Li Y, Huang R. Spatial and temporal evolution of carbon stocks in Yulin City under changing environments. Sci Rep. 2025;15:12219. https://doi.org/10.1038/s41598-025-12219-w
- Tang J, Peng W. Spatiotemporal dynamics and influencing factors of land carbon stock in Chengdu Plain using an integrated model. Sci Rep. 2025;15:11248. https://doi.org/10.1038/s41598-025-11248-x
- Wang Y, Zhang Z, Chen X. Land use transitions and the associated impacts on carbon stock in the Poyang Lake Basin, China. Remote Sens. 2023;15(11):2703. https://doi.org/10.3390/rs15112703
- Tao Y, Tian L, Wang C, Dai W. Dynamic simulation of land use and land cover and its effect on carbon stock in the Nanjing Metropolitan Circle under different development scenarios. Front Ecol Evol. 2023;11:1102015. https://doi.org/10.3389/fevo.2023.1102015
- Song M, Yu S, Qin H. Land-use/land-cover change and its impact on ecosystem carbon stock in Binhai New Area, Tianjin, China from 1985 to 2060. Environ Earth Sci. 2025;84:481. https://doi.org/10.1007/s12665-025-11728-x
- Liang X, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China. Comput Environ Urban Syst. 2021;85:101569. https://doi.org/10.1016/j.compenvurbsys.2020.101569
- Sharp R, et al. InVEST 3.14.0 User's Guide. The Natural Capital Project; Stanford, CA; 2023. https://storage.googleapis.com/invest-users-guide/index.html
- Basha U, et al. Spatial-temporal assessment of annual water yield and impact of land use changes on Upper Ganga Basin, India, using InVEST model. J Hazard Toxic Radioact Waste. 2024;28(2). https://doi.org/10.1061/JHTRBP.HZENG-1188
- Deeksha, Shukla AK. Ecosystem services: A systematic literature review and future dimension in freshwater ecosystems. Appl Sci. 2022;12(17):8518. https://doi.org/10.3390/app12178518
- Shukla AK, Jain MK, Khare D, Mishra PK. Spatio-temporal assessment of annual water balance models for upper Ganga Basin. Hydrol Earth Syst Sci. 2018;22:5357-71.
- Nayak D, Shukla AK, Devi NR. Decadal changes in land use and land cover: Impacts and their influence on urban ecosystem services. Aqua Water Infrastruct Ecosyst Soc. 2024;73(1):57-72.
- Nayak D, Shukla AK. Assessing ecosystem service trade-offs and synergies in the rapidly urbanizing coastal region of Mangaluru Agglomeration, India. PLoS One. 2026;21(3):e0344106. https://doi.org/10.1371/journal.pone.0344106
- Lei J, Chen H, Wu Y, Zheng X. The impact of land use change on carbon stock and multi-scenario prediction in Hainan Island using InVEST and CA-Markov models. Front For Glob Change. 2024;7:1349057. https://doi.org/10.3389/ffgc.2024.1349057
- Dong H, et al. Remote sensing of urban tree carbon stocks: A methodological review. ISPRS J Photogramm Remote Sens. 2025;227:570-93.
- Wang Y, Jin X. Land use, spatial planning, and their influence on carbon emissions: A comprehensive review. Land. 2025;14(7):1406. https://doi.org/10.3390/land14071406
- Chen R, Zhao W, Li S, Zhang Y. Assessing carbon stock dynamics in an ecological civilization demonstration zone amid rapid urbanization: A multi-scenario study of Guizhou Province, China. Resour Environ Sustain. 2025;21:100223. https://doi.org/10.1016/j.resenv.2025.100223
- Zhang J, Cao P, Roosli R. Assessing land use and carbon stock changes using PLUS and InVEST models: A multi-scenario simulation in Hohhot. Environ Sustain Indic. 2025;26:100655. https://doi.org/10.1016/j.envc.2025.100655
- Li C, Xu H, Du P, Tang F. Predicting land cover changes and carbon stock fluctuations in Fuzhou, China: A deep learning and InVEST approach. Ecol Indic. 2024;167:112658. https://doi.org/10.1016/j.ecolind.2024.112658