目前对不同土地覆盖类型与碳储量变化之间的定量关系及未来空间变化预测的研究尚不充分，本研究以福州市核心区为研究对象，使用土地覆盖和实地碳密度表数据，提出一个集成深度学习与InVEST方法的精简模型，从像元栅格尺度预测城市未来的土地覆盖和碳储量变化情况。研究旨在：(1) 从定量化与可视化的效果来检验模型的预测精度与可靠性；(2) 预测福州2025和2035国土空间规划年的土地覆盖和碳储量时空变化；(3) 对比分析各种土地覆盖类型与碳储量变化之间的定量关系。
2 研究区、数据与方法
数据源：研究数据包括：土地覆盖、碳密度、地形、道路和水系。
（1）土地覆盖数据来源于中国逐年土地覆盖数据集(CLCD) (Yang and Huang, 2021)，本文用GEE平台选取福州2005—2022年的CLCD数据，包括耕地、林地、灌木地、草地、水体、裸土和不透水面共7类。
（2）碳密度数据基于国家生态科学数据中心NESDC的中国陆地生态系统碳密度数据集，选取福州地区的典型样本，并结合相关研究文献进而确定上述土地覆盖类型的碳密度数据。
(1) 深度学习预测土地覆盖变化
(2) InVEST模型估算碳储量
(3) 预测模型的准确性评估
本文首先模拟已知年份的土地覆盖图，而后将它们与相应年份的真实土地覆盖图进行比较，识别模拟与真实土地覆盖图之间的差异，评估预测模型的准确性。使用两种定量指标来进行精度评判：首先是采用c2卡方分布来评估二者是否紧密匹配；其次是利用MOLUSCE插件对模拟与实际影像的混淆矩阵进行精度验证。
3 重要图表
4 重要结论
(3)碳储量的影响因子：森林对该地区碳储量的影响最大，是不透水面的6.25倍，是耕地的12.5倍；其次为不透水面，是区内对碳储量影响第二大的土地覆盖类型，其影响是耕地的两倍。
Li, C., Xu, H., Du, P., et al., 2024. Predicting land cover changes and carbon stock fluctuations in Fuzhou, China: A deep learning and InVEST approach. Ecological Indicators, 167: 112658. https://doi.org/10.1016/j.ecolind.2024.112658.
三审：王 琳
