Ein integrierter geospatialer Modellierungsworkflow quantifiziert die Urbanisierung von Flächen und die Dynamik der Kohlenstoffspeicher. Der Ausbau von Siedlungsflächen ist mit einem Verlust an Kohlenstoffspeichern und negativen räumlichen Spillover-Effekten verbunden, während ökologische Planungsszenarien kohlenstoffreiche Flächen erhalten und eine koordinierte, kohlenstoffarme Governance unterstützen.
Forschungsartikel
Landurbanisierung, ökologische Planung und Dynamik der Kohlenstoffvorräte in Xinjiang, China, unter Verwendung eines integrierten geospatialen Modellierungs-Workflows
In diesem Artikel
Zusammenfassung
Zusammenfassung
Diese Studie entwickelte und implementierte einen integrierten Arbeitsablauf, der Fernerkundung, Simulation der Landnutzung, Bewertung von Ökosystemleistungen und räumlich-ökonomische Methoden kombinierte, um den Einfluss der Landurbanisierung und ökologischen Planung auf die Dynamik der Kohlenstoffspeicherung in der autonomen Region Xinjiang im Nordwesten Chinas zu quantifizieren. Unter Verwendung von Daten zur Landnutzung/-bedeckung, versiegelten Flächen, Nachtluftaufhellung, Vegetation, Topographie, sozioökonomischen Faktoren und planungsbedingten Einschränkungen aus den Jahren 2000–2020 identifizierte der Arbeitsablauf historische Urbanisierungsmuster, simulierte vier zukünftige Planungsszenarien, schätzte die Kohlenstoffspeicherung mittels des InVEST-Kohlenstoffmoduls ab und bewertete direkte sowie räumliche Spillover-Effekte anhand räumlich-ökonomischer Modelle. Die Ergebnisse zeigen, dass die Zunahme bebauter Flächen hauptsächlich durch Umwandlung von Ackerland erfolgte und mit einem Anstieg der Versiegelungsfläche sowie der Intensität der Nachtluftaufhellung einherging. Die Simulationsergebnisse deuten darauf hin, dass das Szenario des ökologischen Schutzes die höchste Erhaltung der Kohlenstoffspeicherung aufweist, während das Szenario der natürlichen Entwicklung den größten Kohlenstoffverlust verursacht. Waldland erwies sich als die am stärksten gefährdete Landnutzungsart mit hohem Kohlenstoffgehalt, mit einer Gesamtdichte von 144,9 Mg C/ha im Vergleich zu 29,4 Mg C/ha bei bebaubarem Land. Die Ergebnisse des räumlichen Durbin-Modells zeigen, dass die Landurbanisierung einen negativen direkten Effekt (−0,231) und einen indirekten Spillover-Effekt (−0,117) hat, was zu einem Gesamteffekt von −0,348 auf die Kohlenstoffspeicherdichte führt, während die Intensität der ökologischen Planung einen positiven Gesamteffekt (+0,245) aufweist. Diese Befunde untermauern eine koordinierte ökologische Planung über Verwaltungsgrenzen hinweg, um eine kohlenstoffarme regionale Entwicklung zu fördern.
Einleitung
Vor dem Hintergrund des globalen Klimawandels und des Übergangs hin zu einer kohlenstoffarmen Entwicklung ist die rasante Urbanisierung zu einem wesentlichen Treiber von Veränderungen in regionalen Landbedeckungsmustern und biogeochemischen Zyklen geworden1. Da sich menschliche Aktivitäten in Umfang und Intensität weiter ausdehnen, verändert die beschleunigte Landurbanisierung in Entwicklungsländern nicht nur die Landnutzungsmuster, sondern formt auch die Struktur und Funktion von Ökosystemen neu. Im Kern umfasst die Landurbanisierung die Umwandlung natürlicher Vegetation mit hoher Kohlenstoffdichte in künstliche Oberflächen mit geringerer Kohlenstoffdichte, was zu erheblichen Einbußen der regionalen Kohlenstoffspeicherfähigkeit führt2. Für schnell wachsende Regionen ist die Balance zwischen wirtschaftlichem Wachstum und dem Schutz ökologischer Flächen zu einer zentralen Herausforderung in der räumlichen Planung geworden. Traditionelle Untersuchungen zur Landnutzung konzentrierten sich vorwiegend auf Muster der physischen Expansion, vernachlässigten jedoch häufig die dynamischen Wechselwirkungen zwischen räumlicher Entwicklung und Kohlenstoffzyklen3. Daher besteht Bedarf an integrierten analytischen Ansätzen, die die Auswirkungen der Landurbanisierung auf die Dynamik der Kohlenstoffvorräte quantifizieren und eine wissenschaftliche Grundlage für den ökologischen Schutz sowie eine kohlenstoffarme Steuerung bieten.
Die jüngsten Fortschritte in der Fernerkundung und bei geographischen Informationssystemen haben die Modellierung von Landnutzungsänderungen und die Bewertung von Ökosystemleistungen erheblich verbessert4,5. Die gekoppelte Simulation von Landnutzungsszenarien mit ökologischer Bilanzierung hat sich als weit verbreiteter Ansatz zur Bewertung der ökologischen Auswirkungen urbaner Expansion etabliert6. Insbesondere die Patch-generating Land Use Simulation (PLUS) und das Integrated Valuation of Ecosystem Services and Tradeoffs (InVEST) wurden angewandt, um zu quantifizieren, wie planerische Vorgaben die Entwicklungswege der Landnutzung und die Kohlenstoffspeicher beeinflussen7,8,9,10,11,12. Verwandte Studien zu Ökosystemleistungen haben zudem gezeigt, dass Veränderungen der Landbedeckung, städtebauliche Entwicklungsstrategien und Maßnahmen des ökologischen Schutzes die Wasserabgabe, die Kohlenstoffsequestrierung, die Bodenretention sowie die Wechselwirkungen und Abwägungen zwischen verschiedenen Ökosystemleistungen in schnell urbanisierenden Landschaften beeinflussen können13,14,15,16,17. Die meisten bisherigen Studien konzentrierten sich jedoch hauptsächlich auf die Umwandlung der Landnutzung und die Ergebnisse bezüglich Ökosystemleistungen, während weniger Aufmerksamkeit darauf gerichtet wurde, wie sozioökonomische Entwicklungsdrucke räumlich abhängige Reaktionen der Kohlenstoffspeicher in benachbarten Verwaltungseinheiten hervorrufen.
Drei wesentliche Wissenslücken motivieren den vorliegenden Arbeitsablauf. Erstens werden Untersuchungsgebiete in früheren PLUS–InVEST-Anwendungen häufig als geschlossene physikalische Systeme betrachtet, ohne die Frage zu prüfen, ob die Auswirkungen der Flächenversiegelung auf benachbarte Einheiten übergreifen. Zweitens werden Validierungs-, Unsicherheits- und Sensitivitätsanalysen oft nur kurz beschrieben, sodass schwer nachvollziehbar ist, ob die Rangfolge der Szenarien unter alternativen Parametern für die Landnutzungssimulation, Kohlenstoffpool-Koeffizienten und räumliche Gewichtungsspezifikationen stabil bleibt. Drittens identifizieren räumlich-ökonomische Studien häufig Zusammenhänge zwischen der Entwicklungsdichte und ökologischen Ergebnissen, ohne diese Beziehungen mit Fernerkundungsdaten, zukünftigen Landnutzungsszenarien und der Bilanzierung von Kohlenstoffvorräten zu verknüpfen. Daher ist ein integrierter Arbeitsablauf erforderlich, um Beobachtung, Szenariensimulation, Kohlenstoffbilanzierung und die Identifikation räumlicher Wirkmechanismen innerhalb eines reproduzierbaren analytischen Rahmens miteinander zu verbinden.
Dementsprechend etabliert diese Studie einen reproduzierbaren analytischen Arbeitsablauf, der Fernerkundung, Szenariensimulationen auf der Grundlage von PLUS, die Bewertung von Kohlenstoffspeichern mittels InVEST sowie eine räumliche ökonometrische Analyse integriert. Unter Fokussierung auf die autonome Region Xinjiang in Nordwestchina bewertet die Studie historische Muster der Land- und Urbanisierungsentwicklung von 2000 bis 2020, untersucht, wie alternative Planungsszenarien zukünftige Landnutzungskonfigurationen beeinflussen, quantifiziert die sich ergebenden Auswirkungen auf die Verteilung der Kohlenstoffspeicher und analysiert direkte sowie räumliche Spillover-Effekte der Landurbanisierung, der Intensität ökologischer Planung, des Vegetationszustands und sozioökonomischer Faktoren auf die Dynamik der Kohlenstoffspeicher. Der wesentliche Beitrag dieses Arbeitsablaufs liegt in der Integration von szenariobasierten Prognosen mit der Identifizierung von Wirkmechanismen, um die Festlegung ökologischer Schutzgrenzen, eine kompakte Wachstumsplanung, eine grenzüberschreitende Kompensation von Kohlenstoffemissionen sowie eine kohlenstoffarme regionale Steuerung zu unterstützen.
Protokoll
In dieser Studie wurden öffentlich zugängliche geospatialen, Fernerkundungs-, Planungs- und aggregierte sozioökonomische Datensätze verwendet. Es wurden keine menschlichen Probanden, Tierproben, klinische Materialien oder identifizierbare personenbezogene Daten herangezogen. Daher war keine institutionelle Genehmigung durch eine Ethikkommission erforderlich. Die spezifischen Softwareumgebungen, Computerpakete (einschließlich räumlicher ökonometrischer Methoden und Bibliotheken zur hochauflösenden Visualisierung), digitale Objektidentifikatoren (DOIs) der Datensätze sowie die Quell-URLs für alle Ressourcen, die zur Reproduktion dieses Arbeitsablaufs notwendig sind, sind detailliert aufgeführt in der umfassenden Tabelle der Materialien.
1. Untersuchungsgebiet und analytischer Rahmen
Die Analyse wurde in der autonomen Region Xinjiang der Uiguren in Nordwestchina durchgeführt, wobei ein besonderer analytischer Schwerpunkt auf den abgegrenzten städtischen Ausdehnungen ausgewählter Städte lag (Abbildung 1), um die lokalen Expansionsdynamiken präzise erfassen zu können. Diese Grenze wurde einheitlich für das Zuschneiden von Rasterdaten, die Simulation der Landnutzung, die Beurteilung der Kohlenstoffspeicher und die Aggregation nach Verwaltungseinheiten verwendet. Die analytische Stichprobengröße (n) umfasste 105 Verwaltungseinheiten auf Kreisebene, die an drei diskreten Zeitpunkten (2000, 2010 und 2020) analysiert wurden, wobei die Simulationen der Landnutzung 50 stochastische Wiederholungen enthielten, um räumliche Unsicherheiten abzubilden.
Ein mehrskaliger analytischer Rahmen, der Analysen auf Gitter- und Verwaltungseinheitsebene integriert, wurde angewandt. Auf Gitterebene wurden Daten zur Landnutzung/Landbedeckung, zur Intensität des nächtlichen Lichts, zur versiegelten Flächenanteil, zu Vegetationsindizes, zu topographischen Variablen und zu ökologischen Planungsvorgaben genutzt, um Muster der Landurbanisierung zu identifizieren, zukünftige Landnutzungsszenarien zu simulieren und die Verteilung der Kohlenstoffspeicher zu bewerten. Auf der Ebene der Verwaltungseinheiten wurden sozioökonomische, verkehrliche und umweltbezogene Variablen in räumliche ökonometrische Analysen einbezogen, um die direkten und indirekten Effekte von Landurbanisierung und ökologischer Planung auf die Dynamik der Kohlenstoffspeicher zu bewerten.
Der analytische Rahmen umfasste fünf Komponenten. Erstens wurden multitemporale Fernerkundungs- und Landnutzungsdaten verwendet, um räumlich-zeitliche Muster der Landurbanisierung zu charakterisieren, einschließlich der Ausdehnung von Siedlungsflächen, der Entwicklungsdichte und der Umstrukturierung der Landnutzung. Zweitens wurden Szenarien zum Schutz der Ökologie, zum Schutz von Ackerflächen und zur kohlenstoffarmen Planung entwickelt, um zukünftige Landnutzungsmuster zu simulieren. Drittens kam das InVEST-Modul zur Kohlenstoffspeicherung zum Einsatz, um die Verteilung und Veränderung der Kohlenstoffvorräte unter historischen und zukünftigen Landnutzungsbedingungen zu quantifizieren. Viertens wurden globale und lokale räumliche Autokorrelationsanalysen durchgeführt, um Clustermuster und Hotspot-Regionen im Zusammenhang mit der Variation der Kohlenstoffvorräte zu identifizieren. Fünftens wurden räumliche ökonometrische Modelle verwendet, um Stärke, Richtung und Übertragungseffekte der Landurbanisierung, der Intensität der ökologischen Planung sowie der umweltbezogenen und sozioökonomischen Einflussfaktoren auf die Dynamik der Kohlenstoffvorräte zu bewerten.
Abbildung 1 zeigt den gesamten analytischen Arbeitsablauf. Der Arbeitsablauf verbindet die Definition des Untersuchungsgebiets, die Integration von Daten aus mehreren Quellen, die Identifizierung der Landverstädterung, die Entwicklung von Szenarien der ökologischen Planung, die Simulation der Landnutzung, die Bewertung der Kohlenstoffspeicher, die Analyse der räumlichen Autokorrelation und die räumliche ökonometrische Modellierung. Räumliche Daten aus mehreren Quellen dienten als Eingabeschicht. Die Identifizierung der Landverstädterung und die historische Analyse der Landnutzung bildeten die Musterscharakterisierungsschicht. Die Szenarien der ökologischen Planung und die Bewertung der Kohlenstoffspeicher bildeten die Schicht der Vorhersage und Bewertung der Auswirkungen. Mithilfe der Analyse der räumlichen Autokorrelation und ökonometrischer Verfahren wurden räumliche Mechanismen ermittelt und die Interpretation von Politikmaßnahmen unterstützt.
Abbildung 1: Untersuchungsgebiet, Datenintegration und technischer Workflow. (A) Multiskaliger räumlicher Kontext und präzise städtische Analysegrenzen für Schlüsselstädte in der autonomen Region Xinjiang Uigur, im Nordwesten Chinas. (B) Integrierter technischer Workflow, der mehrquellige räumliche Daten, die auf Fernerkundung basierende Identifizierung der städtischen Landnutzung, die Gestaltung von Szenarien der ökologischen Planung, die Simulation der Landnutzung mit PLUS, die Bewertung der Kohlenstoffspeicher mit InVEST, die räumliche Autokorrelation, die Hotspot-Analyse und die räumliche ökonometrische Modellierung verbindet. ND = natürliche Entwicklung; EP = ökologischer Schutz; CP = Schutz von Ackerland; LC = Optimierung der kohlenstoffarmen Entwicklung; OLS = gewöhnliche Kleinste-Quadrate-Methode; SAR = räumliches autoregressives Modell; SEM = räumliches Fehlermodell; SDM = räumliches Durbin-Modell. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
2. Datensourcen und Variablensystem
Ein Datensatz aus mehreren Quellen wurde zusammengestellt, um die Identifizierung der Landverstädterung, die Simulation ökologischer Planungsszenarien, die Bewertung der Kohlenstoffspeicher und die räumliche ökonometrische Analyse zu unterstützen. Der Datensatz umfasste Daten zur Landnutzung/Landbedeckung, den Anteil versiegelter Flächen, die Intensität des nächtlichen Lichts, den normalisierten Differenz-Vegetationsindex (NDVI), topographische Variablen, Indikatoren zur Verkehrsanbindung, hydrologische Variablen, Bevölkerungsdichte, Bruttoinlandsprodukt (BIP)-Dichte, planerische Restriktionen, klimatische Variablen sowie Parameter der Kohlenstoffspeicher. Tabelle 1 fasst die Kategorien des Datensatzes, die Beschreibung der Variablen, die Einheit, räumliche und zeitliche Auflösung, die Quelle sowie die analytische Anwendung zusammen. Wichtige Datensätze wurden für die Jahre 2000, 2010 und 2020 beschafft. Landnutzungsdaten und wesentliche Fernerkundungsprodukte wurden je nach Anforderungen der Analyse auf Auflösungen zwischen 30 m und 1 km harmonisiert.
Tabelle 1: Datenquellen und Variablensystem. Die Tabelle enthält die Datensatzkategorie, Variable, Beschreibung, Einheit, räumliche/zeitliche Auflösung, Quelle und den analytischen Einsatz für die Identifizierung der städtischen Landnutzung, Szenariosimulation, die Kohlenstoffspeicherbilanzierung mit InVEST sowie die räumliche ökonometrische Modellierung. NDVI = normalisierter Differenz-Vegetationsindex; DEM = digitales Höhenmodell; LULC = Landnutzung/Landbedeckung. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Alle räumlichen Layer wurden in ein gemeinsames Koordinatensystem projiziert, auf die im Abbildung 1 gezeigte Untersuchungsgebietsgrenze zugeschnitten und entweder resampelt oder auf das erforderliche Raster- beziehungsweise Verwaltungseinheitenniveau aggregiert. Fehlende Werte wurden vor der räumlichen Überlagerungsanalyse überprüft. Rasterdatensätze, die in den PLUS- und InVEST-Analysen verwendet wurden, wurden auf Pixel-Ebene ausgerichtet, während sozioökonomische Variablen für die räumliche Regression auf Verwaltungseinheiten aggregiert wurden. Dieser Vorverarbeitungsworkflow gewährleistete konsistente räumliche Einheiten und vergleichbare Zeitpunkte über zeitliche Analysen, Szenariosimulationen, Berechnungen der Kohlenstoffspeicher und ökonometrische Modellierungen hinweg.
Daten zur Landnutzung/-bedeckung dienten als primäre Eingabedaten für die historische Veränderungserkennung und die zukünftige Simulation der Landnutzung. Die ursprünglichen Landnutzungskategorien wurden in sechs Klassen umklassifiziert: Ackerland, Waldfläche, Weideland, Gewässer, bebaute Flächen und ungenutzte Flächen. Dieses Klassifizierungsschema wurde einheitlich für die Analyse von Landnutzungsänderungen, die Entwicklung von Szenarien und die Berechnung der Kohlenstoffspeicher mit InVEST verwendet. Der Anteil bebauter Flächen, die Versiegelungsgradabdeckung und die Intensität des nächtlichen Lichts wurden als Indikatoren für die Urbanisierung der Flächen herangezogen. Die Versiegelungsgradabdeckung und die Intensität des nächtlichen Lichts dienten als fernerkundliche Proxygrößen für die Intensität der Entwicklung und menschliche Aktivität. Der NDVI wurde als ökologischer Indikator in anschließende räumliche ökonometrische Analysen einbezogen.
Zu den topografischen und Standortvariablen gehörten Höhe über dem Meeresspiegel, Hangneigung, Entfernung zu Hauptverkehrsstraßen, Straßendichte und Nähe zu größeren Flüssen. Diese Variablen dienten als Treiber in der Landnutzungssimulation und als Kontrollvariablen in räumlichen ökonometrischen Modellen. Gemeinsam repräsentierten sie Geländeeinschränkungen, Verkehrsanbindung und hydrologische Vernetzung.
Zu den sozioökonomischen Variablen gehörten Bevölkerungsdichte und BIP-Dichte, ergänzt durch die Dichte des Straßennetzes, wo verfügbar. Diese Variablen dienten zur Charakterisierung der Intensität der Entwicklung und der durch menschliche Aktivitäten verursachten Belastungen im Zusammenhang mit Veränderungen der Kohlenstoffspeicher. Der Variablenrahmen integrierte Indikatoren der Flächennutzung, sozioökonomischer Belastung und ökologischem Kontext, um die vielfältigen Faktoren abzubilden, die die Dynamik der Kohlenstoffspeicher beeinflussen.
Ein Index der ökologischen Planungsintensität wurde unter Verwendung ökologischer Rotlinien, Naturschutzgebiete, Pufferzonen um Gewässer, Hangneigungs-Beschränkungsgebiete und anderer ökologisch sensibler Bereiche entwickelt. Dieser Index diente sowohl als Restriktions-Schicht in zukünftigen Simulationen der Landnutzung als auch als erklärende Variable in räumlichen ökonometrischen Analysen.
Für die InVEST-Bewertung der Kohlenstoffspeicherung wurden vier Parameter für die Kohlenstoff-Pools für jede Landnutzungsklasse zusammengestellt: Kohlenstoff in der oberirdischen Biomasse, Kohlenstoff in der unterirdischen Biomasse, organischer Kohlenstoff im Boden und Kohlenstoff in totem organischem Material. Die Parameterwerte wurden aus veröffentlichten regionalen Studien, InVEST-Leitfäden sowie lokalen Bodenbedeckungsmerkmalen entnommen und der einheitlichen Landnutzungsklassifikation zugeordnet. Der Begriff Kohlenstoffspeicherung bezeichnet die gesamte geschätzte Menge an Kohlenstoff in diesen vier Pools, während die Dichte der Kohlenstoffspeicherung den pro Flächeneinheit gespeicherten Kohlenstoff angibt.
Die Variablen wurden in drei Kategorien eingeteilt. Die erste Kategorie umfasste Indikatoren zur Landurbanisierung, darunter den Anteil bebauter Flächen, die Versiegelungsgradabdeckung und die Intensität des nächtlichen Lichts. Die zweite Kategorie enthielt ökologische und planerische Variablen wie NDVI, Intensität der ökologischen Planung, Höhe, Hangneigung und hydrologische Nähe. Die dritte Kategorie umfasste sozioökonomische Treiber wie Bevölkerungsdichte, BIP-Dichte und Straßenverdichtung. Diese Variablen wurden verwendet, um die Beziehungen zwischen Landurbanisierung, ökologischer Planung und Kohlenstoffspeicherdynamik zu bewerten.
3. Identifizierung der räumlichen Urbanisierung mithilfe fernerkundungsbasierter Verfahren
Die räumlich-zeitlichen Muster der Landurbanisierung wurden mithilfe dreier ergänzender Indikatoren identifiziert: der Ausdehnung von bebauten Flächen, der Versiegelungsgrad-Abdeckung und der Intensität des nächtlichen Lichts. Die Ausdehnung bebauter Flächen wurde aus sequenziellen Landnutzungskarten extrahiert, um den räumlichen Umfang und die Entwicklung der Urbanisierung von den zentralen bebauten Gebieten in die umliegenden Regionen darzustellen. Der Versiegelungsgrad wurde berechnet, um die Intensität der Bebauung auf Gitterebene zu quantifizieren, während Rasterdaten zur Intensität des nächtlichen Lichts verarbeitet und normalisiert wurden, um menschliche Aktivität und funktionale Verdichtung abzubilden. Diese räumlichen Schichten wurden anschließend integriert, um den historischen Datensatz zur Landurbanisierung zu erstellen. Die kombinierten Indikatoren dienten dazu, Gebiete mit anhaltend intensiver Entwicklung, Übergangszonen sowie relativ stabile Bereiche zu identifizieren und die räumliche Übereinstimmung zwischen physischer Flächenentwicklung und funktionaler Urbanisierung zu bewerten.
Eine Landnutzungs-Übergangsmatrix wurde erstellt, um Umfang und Richtung der Landnutzungsänderungen zwischen Ackerland, Waldfläche, Grünland, Gewässern, Siedlungsfläche und ungenutztem Land zu quantifizieren. Besonderes Augenmerk galt den Übergängen von ökologischen und landwirtschaftlichen Flächenklassen in Siedlungsfläche. Mithilfe der Matrix wurden dominante Umwandlungswege sowie die wichtigsten Ausgangsflächenklassen identifiziert, die zum städtischen Wachstum beitragen.
Die Analyse von Landschaftsmustern wurde durchgeführt, um strukturelle Veränderungen im Zusammenhang mit der Urbanisierung von Flächen zu bewerten. Zu den verwendeten Kennzahlen gehörten die Patch-Dichte, die Randdichte, der Landschaftsform-Index sowie indikatorbasierte Maße zur Fragmentierung. Diese Kennzahlen wurden für jeden Untersuchungszeitraum berechnet und dienten der Quantifizierung von Veränderungen in der Landschaftskonfiguration, der räumlichen Kontinuität und der Fragmentierung, die mit der Ausdehnung besiedelter Flächen verbunden sind.
4. Entwurf ökologischer Planungsszenarien und Simulation der Landnutzung
Zukünftige Landnutzungsmuster wurden mithilfe des Patch-generating Land Use Simulation (PLUS)-Modells unter vier Planungsszenarien simuliert: natürliche Entwicklung (ND), ökologischer Schutz (EP), Ackerflächenschutz (CP) und kohlenstoffarme Optimierung (LC). Szenarioannahmen, Regeln zur Landnutzungsänderung, eingeschränkte Landnutzungstypen und erwartete Kohlenstoffspeicherergebnisse sind in Tabelle 2 zusammengefasst.
Tabelle 2: Szenariosteuerungsregeln und Übergangsbeschränkungen. Die Tabelle definiert die Wahrscheinlichkeiten der Landnutzungsänderung sowie räumliche Beschränkungen für die Szenarien natürliche Entwicklung (ND), ökologischer Schutz (EP), Ackerland-Schutz (CP) und kohlenstoffarme Optimierung (LC). Hinweise: Die Szenarien-Abkürzungen entsprechen strikt denen, die in der PLUS-Modellierung und den Ergebnisabschnitten verwendet werden. Die Szenarieneinstellungen legen politikorientierte Umwandlungsregeln und gesperrte Landnutzungstypen fest, die in den Simulationen verwendet wurden; alle gesetzlich festgelegten Ausschlusszonen blieben in den endgültigen räumlichen Layern unveränderbar. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Historische Landnutzungskarten und räumliche Treiber-Variablen wurden in das PLUS-Modell integriert, um Baseline-Wahrscheinlichkeiten für Landnutzungsänderungen mithilfe des Cellular-Automata-Moduls (CA) zu schätzen. Für die Szenarien ökologischer Schutz (EP), Schutz von Ackerflächen (CP) und kohlenstoffarme Optimierung (LC) wurden ökologische Vorsorgelinien, dauerhafte Grundackerflächen, Pufferzonen um Gewässer und andere Planungsvorgaben als räumliche Restriktionslagen eingebunden, um Landumwandlungen gemäß den vorgegebenen Szenarioregeln einzuschränken. Anschließend wurden Zielmengen für die Landnachfrage für das Jahr 2030 für jedes Szenario festgelegt, und das CA-Modul wurde mit 50 stochastischen Wiederholungen ausgeführt, um die endgültigen Prognosen zur Landnutzung zu erstellen.
Die Simulation der Landnutzung wurde mithilfe des PLUS-Modells und dessen zellulärem Automaten (CA)-Rahmenwerk mit stochastischer Erzeugung von Patch-Typen durchgeführt. Anhand historischer Landnutzungskarten sowie umweltbezogener und sozioökonomischer Einflussfaktoren wurden die Wahrscheinlichkeiten für die Ausdehnung jeder Landnutzungsklasse geschätzt. Danach wurden die zukünftigen Nachfragemengen nach Landnutzung entsprechend den Anforderungen der jeweiligen Planungsszenarien festgelegt, und die entsprechenden Landnutzungskarten für den Zielzeitraum der Simulation wurden erstellt.
Die Modellleistung wurde durch historisches Backcasting vor der zukünftigen Simulation bewertet. Frühere Landnutzungskarten und zugehörige Einflussvariablen wurden verwendet, um eine spätere beobachtete Landnutzungskarte zu simulieren. Die Übereinstimmung zwischen simulierter und beobachteter Landnutzungsverteilung wurde anhand der Gesamtgenauigkeit (OA), des Kappa-Koeffizienten und der Figure of Merit (FoM) bewertet. Die Validierung erfolgte sowohl auf Gesamtebene als auch nach Hauptlandnutzungsklassen. Das historische Backcasting von 2010 bis 2020 ergab eine Gesamtgenauigkeit (OA) von 93,4 %, einen Kappa-Koeffizienten von 0,89 und eine Figure of Merit (FoM) von 0,26, was auf eine hohe Zuverlässigkeit der räumlichen Projektion in nachfolgenden Multi-Szenario-Simulationen hinweist.
Unsicherheits- und Sensitivitätsanalysen wurden durchgeführt, um die Robustheit der Simulationsergebnisse zu bewerten. Die PLUS-Sensitivitätsanalysen untersuchten die Auswirkungen alternativer Übergangswiderstands-Einstellungen und Parameter für Nachbarschaftsgewichtungen bei den wichtigsten Landnutzungsklassen. Die InVEST-Sensitivitätsanalysen bewerteten den Einfluss variierender Kohlenstoffpool-Koeffizienten zwischen verschiedenen Landnutzungstypen. Räumliche ökonometrische Sensitivitätsanalysen verglichen alternative Spezifikationen der räumlichen Gewichtungsmatrizen. Mit diesen Analysen wurde überprüft, ob die Rangfolge der Szenarien sowie die Richtung der zentralen Effekte der Urbanisierung und der ökologischen Planung unter abweichenden Parametereinstellungen erhalten blieben. Insbesondere wurde die Stabilität der Ergebnisse streng bestätigt: Die Rangfolge der Szenarien und die negativen räumlichen Spillover-Effekte der Flächenversiegelung blieben unverändert, wenn die Übergangswiderstands-Parameter und die Kohlenstoffpool-Koeffizienten um ±15 % variiert wurden.
5. Bewertung der Kohlenstoffspeicher
Der Kohlenstoffvorrat wurde mithilfe des InVEST-Kohlenstoffmodells bewertet. Baseline-Parameter für die vier Kohlenstoffpools (Biomasse oberhalb des Bodens, Biomasse unterhalb des Bodens, organische Bodenkohlenstoffe und totes organisches Material) wurden jeweils den reklassifizierten Landnutzungstypen anhand der in Tabelle 3 zusammengefassten biophysikalischen Werte zugeordnet. Anschließend wurden historische Landnutzungskarten (2000–2020) sowie rasterbasierte, mit PLUS simulierten zukünftigen Landnutzungsdatensätze in das Modell importiert und mit den entsprechenden Parametern zur Kohlenstoffdichte verknüpft. Das Modell wurde daraufhin ausgeführt, um den gesamten regionalen Kohlenstoffvorrat (Tg C), die Kohlenstoffdichte auf Gitterebene (Mg C/ha) sowie räumliche Karten der Kohlenstoffvorratsänderung (ΔC) für die historischen und zukünftigen Szenarien zu schätzen.
Reklassifizierte Landnutzungskarten wurden mit den entsprechenden Basiswerten für Kohlenstoffspeicher-Parameter verknüpft, die in Tabelle 3 angegeben sind. Die Empfindlichkeit der Kohlenstoffspeicher-Schätzungen gegenüber Parameterunsicherheiten wurde geprüft, indem diese Basiswerte um ±15 % angepasst wurden, mit detaillierten Ergebnissen zur Sensitivität. Mithilfe des Modells wurden die Gesamtkohlenstoffspeicher, die Kohlenstoffspeicherdichte und die Veränderung des Kohlenstoffspeichers für jede Landnutzungsklasse unter historischen Bedingungen sowie zukünftigen Planungsszenarien berechnet.
Drei Kategorien von Ergebnissen wurden bewertet. Erstens wurden die gesamte regionale Kohlenstoffspeicherung und zeitliche Trends berechnet, um die Größe und Richtung der Veränderungen der Kohlenstoffspeicherung im Zeitverlauf zu quantifizieren. Zweitens wurden räumliche Verteilungen der Kohlenstoffspeicherung und der Veränderungen der Kohlenstoffspeicherung kartiert, um Gebiete mit Kohlenstoffspeicherung und -verlust zu identifizieren. Drittens wurden Schätzungen der Kohlenstoffspeicherung zwischen verschiedenen Planungsszenarien verglichen, um die relativen Auswirkungen von Maßnahmen zum Schutz der Ökologie, zum Schutz von Ackerland und zu Strategien der kohlenstoffarmen Optimierung auf die Erhaltung der Kohlenstoffspeicherung zu bewerten.
Tabelle 3: Basisparameter für Kohlenstoffpools bei verschiedenen Landnutzungsformen. In der Tabelle sind der Kohlenstoffgehalt der oberirdischen Biomasse, der unterirdischen Biomasse, des organischen Bodenkohlenstoffs, des toten organischen Materials sowie die gesamte Kohlenstoffdichte angegeben, die im InVEST-Modul zur Kohlenstoffspeicherung verwendet werden. Die Einheit lautet Mg C/ha. Anmerkungen: Die Werte stellen Basisparameter dar, die im InVEST-Modell verwendet werden. Die gesamte Kohlenstoffdichte entspricht der Summe der vier Kohlenstoffpools. Empfindlichkeitsanalysen, bei denen diese Basiswerte um ±15 % variiert wurden, sind in Tabelle 6 dargestellt. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
6. Räumliche Autokorrelation und räumliche ökonometrische Analyse
Die räumliche Autokorrelationsanalyse wurde durchgeführt, um festzustellen, ob die Kohlenstoffspeicher und die Veränderungen der Kohlenstoffspeicher eine signifikante räumliche Abhängigkeit aufwiesen. Das globale Moran's I wurde berechnet, um den Gesamtgrad der räumlichen Clusterung in der Verteilung der Kohlenstoffspeicher und deren Veränderungen über das Untersuchungsgebiet hinweg zu bewerten. Anschließend wurde das lokale Moran's I verwendet, um lokale räumliche Assoziationsmuster zu identifizieren, einschließlich High-High-, Low-Low-, High-Low- und Low-High-Cluster. Eine Hotspot-Analyse wurde durchgeführt, um Gebiete mit konzentriertem Kohlenstoffverlust und solche mit Erhaltung der Kohlenstoffspeicher zu identifizieren.
Zur Untersuchung der Beziehungen zwischen Landurbanisierung, ökologischer Planung, Umweltbedingungen, sozioökonomischen Faktoren und der Dynamik der Kohlenstoffspeicher wurden räumliche ökonometrische Modelle verwendet. Die Dichte des Kohlenstoffspeichers bzw. die Veränderung des Kohlenstoffspeichers diente als abhängige Variable. Zu den erklärenden Variablen gehörten der Urbanisierungsindex, der Anteil der bebauten Fläche, die Intensität der ökologischen Planung, der normalisierte Differenz-Vegetationsindex (NDVI), die Bevölkerungsdichte, die BIP-Dichte, die Straßenverdichtung, die Höhe über dem Meeresspiegel, die Hangneigung, der mittlere Jahresniederschlag und die mittlere Jahrestemperatur.
Die gewöhnliche Kleinste-Quadrate-Regression (OLS) wurde als Baseline-Modell verwendet. Die räumliche Abhängigkeit der Residuen wurde vor der Schätzung der räumlich autoregressiven (SAR), des räumlichen Fehler- (SEM) und des räumlichen Durbin-Modells (SDM) bewertet. Die Modellgüte und die Koeffizientenschätzungen wurden über die verschiedenen Spezifikationen hinweg verglichen.
Eine zeilenstandardisierte räumliche Gewichtungsmatrix wurde erstellt, um Nachbarschaftsbeziehungen zwischen administrativen Einheiten darzustellen. Die primäre Spezifikation basierte auf räumlicher Angrenzung, und Robustheitsanalysen verglichen alternativ distanzbasierte sowie nächstgelegene-Nachbarn-Gewichtungsmatrizen, sofern verfügbar.
Direkte, indirekte und gesamte Effekte wurden aus dem SDM berechnet, um lokale und räumliche Spillover-Beziehungen zu bewerten. Geländegestalt, Erreichbarkeit, Vegetation, Klima und sozioökonomische Variablen wurden als Kontrollvariablen einbezogen, um Verzerrungen durch ausgelassene Variablen zu reduzieren. Die Modellkoeffizienten wurden als bedingte räumliche Assoziationen und nicht als definitive kausale Effekte interpretiert. Variablen mit p-Werten, die herkömmliche Signifikanzschwellen überschritten, wurden als schwache oder Hinweise gebende Evidenz gewertet und nicht als statistisch robuste Effekte behandelt.
Ergebnisse
Fernerkundungsbasierte Identifizierung der Landurbanisierung
Basierend auf mehrzeitigen Ergebnissen der Fernerkundungsidentifizierung hat das Untersuchungsgebiet zwischen 2000 und 2020 eine deutliche Intensivierung der Landurbanisierung erfahren, begleitet von einer Umstrukturierung der Landnutzungsmuster und einer Neugestaltung der Landschaftskonfigurationen. Insgesamt zeigte die Ausdehnung der Bauflächen ein konzentrisches Expansionsmuster, das sich von den zentralen städtischen Gebieten in die peripheren Zonen ausbreitete. Gleichzeitige Zunahmen der Intensität menschlicher Aktivitäten und der Oberflächenversiegelungsgrade zeigen an, dass die schnelle Entwicklung nicht nur die quantitative Struktur der Landnutzung verändert hat, sondern auch die räumlichen Organisationsmuster der Region tiefgreifend umgestaltet hat.
Die Ergebnisse zur Identifizierung der Landverstädterung, veranschaulicht durch den repräsentativen Ausschnitt von Ürümqi in Abbildung 2A, zeigen deutlich die phasenweise Expansion der Siedlungsflächen von 2000 bis 2020. Im Jahr 2000 war die Siedlungsfläche hauptsächlich in den zentralen Stadtgebieten konzentriert und wies eine relativ kompakte räumliche Struktur auf. Bis 2010 hatte sich die periphere Ausdehnung deutlich verstärkt und Übergangszonen um die Kerngebiete gebildet. Bis 2020 hatte die Siedlungsfläche die ursprünglichen kompakten Grenzen überschritten, sich in mehrere Richtungen ausgebreitet und diskrete Ausdehnungspatches in größerer Entfernung zu den Kernzonen gebildet, was typische Muster der Ausdehnung nach außen und Trends einer mehrzentrischen Diffusion widerspiegelt. In Übereinstimmung mit diesen Expansionsmustern zeigt Abbildung 2B 2020 einen deutlichen Gradienten von der Mitte hin zur Peripherie hinsichtlich der Versiegelungsgradverteilung im Untersuchungsgebiet. Die höchsten Werte wurden in den zentralen Stadtgebieten und angrenzenden Bebauungszonen festgestellt, was darauf hinweist, dass die Intensität der Oberflächenversiegelung und die Entwicklungsdichte in den zentralen Funktionszonen am stärksten ausgeprägt waren. Obwohl die Randgebiete insgesamt eine relativ niedrige Versiegelung aufwiesen, traten mehrere Flächen mit hohen Werten entlang von Verkehrsachsen und sekundären städtischen Knotenpunkten auf, was zeigt, dass die Versiegelung über die städtischen Zentren hinaus durch Entwicklungsüberschüsse in umliegende Gebiete vorgedrungen war. Abbildung 2C zeigt, dass die Gebiete mit den stärksten Zunahmen der nächtlichen Lichtintensität zwischen 2000 und 2020 vorwiegend in den zentralen Stadtgebieten, entlang wichtiger radialer Verkehrsachsen nach außen sowie an mehreren peripheren Wachstumsknoten lagen.
Aus zeitlicher Perspektive fasst Abbildung 2D zusätzlich die einheitlichen Aufwärtstrends der drei Indikatoren für die landwirtschaftliche Urbanisierung zwischen 2000 und 2020 zusammen. Um einen direkten Vergleich zwischen Indikatoren mit unterschiedlichen inhärenten Einheiten und Skalen zu ermöglichen, wurden die Rohwerte jedes Indikators mithilfe eines Min-Max-Normalisierungsverfahrens standardisiert und auf einen einheitlichen Bereich von 0 bis 1 skaliert:
Nach diesem Normalisierungsverfahren behielt der Anteil der bebauten Flächen die höchste relative Wachstumsrate bei (der rohe regionale Mittelwert stieg von 3,2 % ± 1,4 % SD im Jahr 2000 auf 8,7 % ± 3,1 % SD im Jahr 2020), was darauf hinweist, dass sich die räumliche Ausdehnung der Landentwicklung in diesem Zeitraum am direktesten räumlich manifestierte. Der Anteil versiegelter Flächen nahm schnell zu (von 2,8 % ± 1,2 % SD im Jahr 2000 auf 7,9 % ± 2,8 % SD im Jahr 2020), was eine erhebliche Verfestigung der Oberflächen in neuen Entwicklungsgebieten widerspiegelt. Obwohl die Intensität der Nachtausleuchtung ursprünglich auf einem relativ niedrigen Niveau lag, wurde ihr Wachstum später stärker ausgeprägt, was auf beschleunigte Zunahmen der Konzentration menschlicher Aktivitäten und eine funktionelle Verbesserung hindeutet.
Abbildung 2: Spatiotemporale Entwicklungsmuster der Bodenurbanisierung. (A) Phasenweise Expansionsverläufe des Baulands (2000–2020); (B) Räumliche Verteilung des Anteils versiegelter Flächen im Jahr 2020 (%); (C) Veränderungen der Intensität des nächtlichen Lichts (NTL) zwischen 2000 und 2020 (nW/cm2/sr). (D) Zeitliche Trends der drei zentralen Indikatoren der Bodenurbanisierung, die in dieser Studie untersucht wurden (bebauter Bereich, Anteil versiegelter Flächen und Intensität des nächtlichen Lichts). Die Trendlinien zeigen die regionalen Mittelwerte der min-max-normalisierten Indexwerte (skaliert von 0 bis 1 zur vergleichenden Visualisierung), berechnet über alle n = 105 kreisförmigen Verwaltungseinheiten des Untersuchungsgebiets. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Die Ergebnisse historischer Landnutzungsänderungen zeigen darüber hinaus die spezifischen Prozesse der Landurbanisierung auf. Das Flussdiagramm zur Landnutzungsveränderung in Abbildung 3A zeigt, dass die bedeutendste Flächenumwandlung im Untersuchungszeitraum die Umwandlung von Ackerland in Siedlungsfläche darstellte, was der vorherrschende Trend unter allen wesentlichen Umwandlungsrichtungen war. Obwohl auch einige Waldflächen, Grünlandflächen und Gewässer unterschiedlichen Umwandlungsgraden unterlagen, wurde das Gesamtmuster durch die Abgabe von Ackerflächen geprägt. Gleichzeitig wurden bidirektionale Flüsse zwischen Ackerland und Waldfläche sowie zwischen Grünland und anderen Flächentypen beobachtet, was darauf hinweist, dass die Landnutzungssysteme im Zuge einer raschen Entwicklung eine Umorganisation mit mehreren Typen erfahren, die durch die städtische Ausdehnung und nicht durch eine einseitige Entwicklung verursacht wird. Die Analyse der räumlichen Verteilungsmuster und Flussbreiten zeigt jedoch, dass die Siedlungsfläche weiterhin die Hauptkategorie mit Nettogewinn bleibt, was die dominierende Rolle der Entwicklungsausdehnung im Untersuchungsgebiet während der letzten zwei Jahrzehnte weiter bestätigt.
Die Matrixanalyse in Abbildung 3B bietet eine quantitativere Darstellung der Intensität der Landnutzungsänderung über verschiedene Zeiträume hinweg. Hochwertige Bereiche konzentrieren sich überwiegend auf Umwandlungseinheiten im Zusammenhang mit Ackerland, wobei die stärkste Umwandlung von Ackerland in Siedlungsfläche erfolgt; dies zeigt, dass die nicht-landwirtschaftliche Nutzung von Ackerflächen die hauptsächliche Form des Landnutzungswandels im Untersuchungsgebiet darstellt. Ein beträchtlicher Anteil der Siedlungsfläche behält zudem räumliche Kontinuität und Stabilität innerhalb ihrer Grenzen bei, was auf die anhaltende Ausdehnung bestehender Entwicklungsgebiete unter gleichzeitiger Erhaltung einer hohen räumlichen Kohärenz hinweist. Im Gegensatz dazu bleibt das Ausmaß der Umwandlung von Waldfläche, Grünland und Gewässern relativ gering, doch lokale Eingriffe der Siedlungsfläche in diese ökologischen Bereiche erfordern Aufmerksamkeit.
Auf der Ebene des Landschaftsmusters zeigt Abbildung 3C einen anhaltenden Anstieg der Landschaftsindizes über die Jahre 2000, 2010 und 2020 hinweg, wobei die Patch-Dichte, die Kanten-Dichte, der Landschaftsform-Index und der Fragmentierungs-Index alle im Jahr 2020 ihren Höhepunkt erreichen. Dies weist darauf hin, dass sich die Landschaftsstruktur des Untersuchungsgebiets mit fortschreitender Urbanisierung von einem anfänglich relativ intakten und gut definierten Muster hin zu einer stärker fragmentierten, komplexeren und diskontinuierlicheren räumlichen Konfiguration entwickelt hat. Bemerkenswert ist, dass der Anstieg der Kanten-Dichte und der Formkomplexität eine quantitativ beschreibbare, unregelmäßigere und komplexere geometrische Gestalt der neu erweiterten Siedlungsflächen-Patches charakterisiert.
Abbildung 3: Historische Veränderungen der Landnutzung und Umstrukturierung des Landschaftsmusters. (A) Sankey-Diagramm, das die hochauflösenden Übergangsströme der Landnutzung und die wichtigsten Umwandlungspfade zwischen 2000 und 2020 veranschaulicht. (B) Matrix der Landnutzungsumwandlung, die die räumlichen Übergangsflächen zwischen den sechs Landnutzungsklassen quantifiziert (km2). (C) Radar-Diagramm, das die Veränderungen zentraler Landschaftsindizes (Patch-Dichte, Kanten-Dichte, Landschafts-Form-Index und Fragmentierungs-Index) über die Jahre 2000, 2010 und 2020 darstellt. Alle Beschriftungen und Flusswerte wurden zur optimalen Lesbarkeit skaliert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Gestaltung ökologischer Planungsszenarien und Simulation der Landnutzung
In Kombination mit den in Tabelle 2 festgelegten Szenariosteuerungsregeln zeigen die Ergebnisse der Landnutzungssimulation unter verschiedenen ökologischen Planungsansätzen deutlich unterschiedliche Differenzierungsmuster. Das Szenario der natürlichen Entwicklung neigt dazu, die historische Expansionsdynamik beizubehalten, während das Szenario des ökologischen Schutzes strenge Beschränkungen entlang ökologischer Grenzwerte und in empfindlichen Zonen betont. Das Szenario des Ackerlandsschutzes priorisiert die räumliche Kontinuität der landwirtschaftlichen Flächen, während das Szenario der kohlenstoffarmen Optimierung ein ausgewogenes Wachstum zwischen kompakter Urbanisierung und ökologischer Koordination in den Vordergrund stellt. Diese Ergebnisse zeigen, dass Variationen in den Planungsregeln die simulierte Fläche neu hinzukommender Siedlungsflächen quantitativ verändern und die räumliche Verteilung von ökologischen und landwirtschaftlichen Flächen in den vier Szenarien neu konfigurieren.
Im Fokus auf die repräsentative Teilmenge von Urumqi zeigen die räumlichen Simulationsergebnisse des PLUS-Modells, dass das Szenario der natürlichen Entwicklung (ND), dargestellt in Abbildung 4A, den ausgeprägtesten Trend der Bauflächenausdehnung aufweist. Neue Bauflächen erstrecken sich hauptsächlich von den Rändern bereits bebauter Gebiete nach außen und bilden breite Expansionszonen in mehreren Richtungen, was darauf hinweist, dass das städtische Wachstum unter schwachen regulatorischen Vorgaben vorwiegend eine laterale Ausdehnung darstellt. Dieses Expansionsmuster greift direkt auf Ackerland und angrenzende ökologische Übergangszonen um die zentralen Stadtgebiete über und führt zu einer weiteren Zersplitterung der bebauten Flächenränder. Demgegenüber zeigt das Szenario des ökologischen Schutzes (EP), abgebildet in Abbildung 4B, eine deutlich reduzierte Inanspruchnahme neuer Bauflächen, wobei sich die Ausdehnung auf eine begrenzte Anzahl entwickelbarer Parzellen in der Nähe der zentralen Stadtgebiete beschränkt, während Außenliegende Waldgebiete, aquatische Korridore und ökologische Pufferzonen weitgehend unberührt bleiben.
Hinsichtlich der Koordination von Agrarschutz und Entwicklung zeigt das Ackerland-Schutzszenario (CP), dargestellt in Abbildung 4C, räumliche Einschränkungen, die sich von denen des EP unterscheiden. In diesem Szenario bleiben große periphere Ackerflächen weitgehend unverändert, während neue Baumaßnahmen hauptsächlich an den Rändern bereits bebauter Gebiete und an lokalisierten Entwicklungsknotenpunkten konzentriert sind, was eine Expansionsintensität zeigt, die zwischen der von ND und EP liegt. Umgekehrt zeigt das Szenario der kohlenstoffarmen Optimierung (LC) in Abbildung 4D ein kompakteres Wachstumsmuster. Neues Bauland breitet sich nicht stark nach außen aus, sondern konzentriert sich relativ entlang der Hauptentwicklungsachsen und an den Rändern bereits bebauter Gebiete, wobei gerichtete Expansionsgrenzen und regelmäßige räumliche Strukturen erkennbar sind.
Abbildung 4: Räumliche Verteilung der durch PLUS simulierten zukünftigen Landnutzungsmuster unter verschiedenen ökologischen Planungsszenarien, dargestellt am Beispiel des Ballungsraums Urumqi. (A) Szenario der natürlichen Entwicklung (ND) mit historischer Expansionsinertia. (B) Ökologisches Schutzszenario (EP) mit strikten räumlichen Beschränkungen. (C) Ackerflächenschutzszenario (CP) zur Sicherung der landwirtschaftlichen Nutzung. (D) Kohlenstoffarme Optimierung (LC) mit kompakten Wachstumsmustern. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Bewertung der Kohlenstoffspeicher
Tabelle 3 zeigt die Basiswerte der Kohlenstoffdichte über verschiedene Landnutzungstypen hinweg. Waldfläche wies die höchste Gesamtkohlenstoffdichte (144,9 Mg C/ha) auf, hauptsächlich bedingt durch organischen Kohlenstoff im Boden (94,5 Mg C/ha) und oberirdische Biomasse (36,8 Mg C/ha). Grünland und Ackerland zeigten moderate Gesamtkohlenstoffdichten von 88,9 Mg C/ha bzw. 82,1 Mg C/ha. Im Gegensatz dazu ergaben künstliche und nicht vegetationsbedeckte Flächen deutlich niedrigere Werte, mit bebauten Flächen bei 29,4 Mg C/ha und ungenutzten Flächen bei 19,7 Mg C/ha.
Aus der Perspektive historischer Entwicklungsmuster zeigt Abbildung 5A eine signifikante räumliche Neuausrichtung der Kohlenstoffspeicherung im Untersuchungsgebiet zwischen 2000, 2010 und 2020. Im Jahr 2000 waren Regionen mit hoher Kohlenstoffdichte hauptsächlich in peripheren ökologischen Zonen konzentriert und wiesen insgesamt ein Muster mit höheren Werten am Rand und niedrigeren Werten im Zentrum auf. Bis 2010 ging der gesamte regionale Kohlenstoffspeicher zunächst zurück, da die städtische Ausdehnung in ökologische Flächen vordrang, obwohl einige lokal begrenzte Randgebiete vorübergehend erhöhte Kohlenstoffspeicherwerte beibehielten. Bis 2020 beschleunigte sich dieser Abwärtstrend deutlich; das allgemeine Farbgradient wurde heller, und die Flächen mit hohen Werten nahmen merklich ab, was auf einen anhaltenden und erheblichen Rückgang der gesamten regionalen Kohlenstoffspeicherung sowie auf eine geschwächte räumliche Kontinuität der kohlenstoffreichen Bereiche hinweist.
Wie in Abbildung 5B dargestellt, ergab das ND-Szenario die niedrigste mediane Kohlenstoffdichte (72,4 Mg C/ha, IQR = 14,6 Mg C/ha). Die Szenarien EP und CP wiesen höhere mediane Dichten von 86,8 Mg C/ha (IQR = 12,3 Mg C/ha) bzw. 81,2 Mg C/ha (IQR = 15,8 Mg C/ha) auf. Die räumliche Verteilung der Veränderungen der Kohlenstoffvorräte (ΔC) in Abbildung 5C zeigt, dass Kohlenstoffverluste (negative ΔC) unter dem ND-Szenario geografisch weit verbreitet sind. Umgekehrt konzentrieren sich positive ΔC-Werte unter dem EP-Szenario in peripheren ökologischen Zonen, während das LC-Szenario eine räumlich heterogene Verteilung lokalisierter Kohlenstoffzu- und -abnahmen aufweist.
Abbildung 5D zeigt weiterhin die Zusammensetzung der gesamten Kohlenstoffspeicherung und deren Veränderungen über historische Zeiträume und zukünftige Szenarien aus der Perspektive der Beitragsstruktur nach Landnutzungstypen. Sowohl historische als auch projizierte Phasen zeigen durchgängig, dass Wald- und Grünland die Hauptbeiträge zur gesamten Kohlenstoffspeicherung leisten, gefolgt von Ackerland, während Siedlungsflächen, Gewässer und ungenutzte Flächen vergleichsweise geringer beitragen. Der Vergleich zukünftiger Szenarien zeigt, dass das EP-Szenario die höchste gesamte Kohlenstoffspeicherung erreicht, während das ND-Szenario die niedrigste aufweist; die CP- und LC-Szenarien liegen dazwischen. Dieses Muster korreliert eng mit den unterschiedlichen Graden der Erhaltung kohlenstoffdichter ökologischer Landnutzungen in den verschiedenen Szenarien.
Abbildung 5: Historische und szenariobasierte Dynamik der Kohlenstoffspeicher. (A) Räumliche Verteilung des gesamten Kohlenstoffspeichers (Tg C) und der Kohlenstoffspeicherdichte (Mg C/ha) im Jahr 2000, 2010 und 2020. (B) Violin-Diagramm der Verteilung der Kohlenstoffspeicherdichte (Mg C/ha) unter verschiedenen Szenarien. (C) Räumliche Verteilung der Veränderungen des Kohlenstoffspeichers (ΔC, Mg C/ha) unter zukünftigen Szenarien im Vergleich zur Basislinie von 2020. (D) Beitrag verschiedener Landnutzungstypen zum gesamten Kohlenstoffspeicher (Tg C). Die Violin-Diagramme zeigen die Wahrscheinlichkeitsdichte der Kohlenstoffspeicherdichte an (n = 105 Verwaltungseinheiten pro Szenario). Die inneren dicken horizontalen Linien zeigen den Median an, gestrichelte Linien repräsentieren den Interquartilsabstand (IQR). Asterisken in Teilabbildung B kennzeichnen die statistische Signifikanz der Unterschiede zwischen dem Szenario der natürlichen Entwicklung (ND) und anderen simulierten Szenarien, ermittelt mittels des Kruskal-Wallis-H-Tests (* p < 0,05, ** p < 0,01, *** p < 0,001). Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Räumliche Autokorrelation und räumliche ökonometrische Analyse
Aus der Perspektive räumlicher Aggregationsmuster zeigt Abbildung 6A eine signifikante lokale räumliche Autokorrelation in den Schwankungen der Kohlenstoffspeicher über das Untersuchungsgebiet hinweg. Hoch-hoch-Aggregationszonen konzentrieren sich vorwiegend im zentral-nördlichen Kernentwicklungsstreifen, was darauf hinweist, dass diese Regionen und angrenzende Einheiten in der Regel ko-gerichtete Merkmale der Kohlenstoffspeichermehrung mit starker räumlicher Vernetzung aufweisen. Niedrig-niedrig-Aggregationszonen treten häufiger in den südlichen und peripheren Regionen auf und spiegeln relativ geringe Amplituden der Kohlenstoffspeicherschwankungen sowie räumliche Stabilität wider. Im Gegensatz dazu sind Hoch-niedrig- und Niedrig-hoch-Aggregationstypen relativ selten und treten hauptsächlich zwischen Kernzonen und peripheren Übergangszonen auf, was auf ausgeprägte räumliche Diskrepanzen und Übergangsphänomene an bestimmten Grenzen hinweist.
Die Hotspot-Analyse in Abbildung 6B zeigt weiterhin das räumliche Polarisationsmuster der Veränderungen der Kohlenstoffspeicherung. Signifikante Hotspots sind vorwiegend in mehreren Einheiten in den zentralen und nordöstlichen Regionen verteilt, was darauf hinweist, dass diese Gebiete insgesamt einem hohen Druck bezüglich des Kohlenstoffverlusts ausgesetzt sind und empfindliche Zonen mit konzentrierten Siedlungsentwicklungsaktivitäten darstellen. Im Gegensatz dazu liegen signifikante Kaltspots in den westlichen und südlichen Regionen, was auf eine stärkere Fähigkeit zur Beibehaltung der Kohlenstoffspeicherung oder geringere Störungen durch Erschließung hinweist. Darüber hinaus zeigt die bivariate OLS-Regressionsanalyse in Abbildung 6C, dass größere Anstiege des Urbanisierungsindex mit zunehmend negativen Änderungsraten der Kohlenstoffspeicherung einhergehen, was auf progressiv größere Kohlenstoffverluste hindeutet. Dies steht im Einklang mit den negativen SDM-Koeffizienten, die in Tabelle 4 angegeben sind.
Abbildung 6: Räumliche Autokorrelation und Kopplungsanalyse des Kohlenstoffspeichers. (A) Lokale Indikatoren räumlicher Assoziation (LISA) für die Variationen des Kohlenstoffspeichers; im Panel angegeben sind der endgültige globale Moran’s-I-Wert und der p-Wert. (B) Verteilung von Hotspots und Coldspots der Kohlenstoffspeicherveränderungen. (C) Kopplungsbeziehung zwischen dem umfassenden Index der Landurbanisierung und der Änderungsrate des Kohlenstoffspeichers. Das Streudiagramm zeigt eine statistisch signifikante negative Korrelation (Pearson’s r = -0.612, R2 = 0.375, p < 0.001), begleitet von der dargestellten OLS-Regressionsgleichung (y = -5.42× - 1.25) und einem 95 %-Konfidenzband, was die empirische Beziehung bestätigt, die in den räumlichen Modellen beobachtet wurde. LISA = Lokale Indikatoren räumlicher Assoziation. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Tabelle 4: Schätzergebnisse räumlicher ökonometrischer Modelle. Die Tabelle vergleicht die Ergebnisse gewöhnlicher Kleinster-Quadrate- (OLS), räumlich autoregressiver (SAR), räumlicher Fehler- (SEM) und räumlicher Durbin-Modelle (SDM) bezüglich der Effekte von Urbanisierung, ökologischer Planung, Vegetation, sozioökonomischen Faktoren, Erreichbarkeit, Geländeeigenschaften und klimatischen Variablen auf die Kohlenstoffspeicherdichte. P-Werte sind in Klammern angegeben. Anmerkungen: P-Werte sind in Klammern angegeben. Signifikanzniveaus: *p < 0,05, **p < 0,01, ***p < 0,001. Alle räumlichen ökonometrischen Modelle (SAR, SEM, SDM) wurden unter Verwendung einer zeilenstandardisierten Queen-Nachbarschafts-Gewichtungsmatrix geschätzt, basierend auf einem balancierten Panel von n = 105 Einheiten auf Ebene der Landkreise über 3 Perioden (insgesamt N = 315 Beobachtungen). Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Die in Tabelle 4 dargestellten Messergebnisse zeigen, dass räumliche Modelle den OLS-Benchmark übertreffen, was auf eine räumliche Abhängigkeit in der Dynamik der Kohlenstoffspeicher hinweist und die Anwendung räumlicher ökonometrischer Modelle unterstützt. Der Index der Landverstädterung weist einen negativen direkten SDM-Effekt (−0,231, p = 0,008), einen indirekten Effekt (−0,117, p = 0,041) sowie einen gesamten Effekt (−0,348, p = 0,001) auf, was darauf hindeutet, dass eine höhere Entwicklungsintensität sowohl lokal als auch in benachbarten Einheiten mit einer geringeren Kohlenstoffspeicherdichte verbunden ist. Der Anteil bebauter Flächen, die Straßendichte, Höhe, Hangneigung, NDVI und die Intensität der ökologischen Planung zeigen in mindestens einer Modellkomponente statistisch bedeutsame Effekte auf konventionellem Niveau. Die Pro-Kopf-BIP-Dichte weist dagegen einen schwachen negativen Gesamteffekt (−0,132, p = 0,083) sowie nicht signifikante direkte und indirekte Effekte auf; sie wird daher als Hinweis, jedoch nicht als robuste Evidenz interpretiert.
Der vergleichende Koeffizientenvergleich zwischen den Modellen in Abbildung 7A zeigt, dass der Index der Landurbanisierung und die Intensität der ökologischen Planung in den OLS-, SAR-, SEM- und SDM-Spezifikationen konsistente Vorzeichen beibehalten, während die Größenordnungen und die Signifikanz einiger Kontrollvariablen zwischen den Modellen variieren. Wie in Abbildung 7B, C detailliert dargestellt, weist das SDM-Ergebnis darauf hin, dass der Index der Landurbanisierung einen signifikanten negativen direkten Effekt (-0,231, p = 0,008) und einen negativen indirekten Spillover-Effekt (-0,117, p = 0,041) auf die Kohlenstoffvorratsdichte ausübt, was zu einem gesamten Effekt von -0,348 (p = 0,001) führt. Umgekehrt zeigt die Intensität der ökologischen Planung positive direkte (0,149, p = 0,021) und indirekte (0,096, p = 0,038) Effekte, was einen gesamten Effekt von 0,245 (p = 0,005) ergibt ( Tabelle 5 und Tabelle 6). Darüber hinaus verdeutlicht die Interaktionsanalyse in Abbildung 7D den moderierenden Effekt: Die negative Steigung der Kurve des marginale Effekts zwischen dem Urbanisierungsindex und der Kohlenstoffvorratsdichte flacht sich bei höheren Werten der ökologischen Planungsintensität deutlich ab (obere 95 %-KI-Grenze).
Abbildung 7: Treibende Mechanismen und räumliche Spillover-Effekte. (A) Vergleich der Koeffizienten über verschiedene Modelle hinweg für die zentralen erklärenden Variablen. Die Fehlerbalken zeigen die 95 % Konfidenzintervalle (KI) der standardisierten Koeffizienten an. (B) Zerlegung der direkten, indirekten und gesamten Effekte der Landurbanisierung und der ökologischen Planung. (C) Empirische räumliche Verteilung der lokalen indirekten Spillover-Effekte der Landurbanisierung über die 105 kreisförmigen Einheiten in Xinjiang. (D) Moderierender Effekt der Intensität der ökologischen Planung auf den Zusammenhang zwischen Urbanisierung und Kohlenstoffspeicherdichte (Mg C/ha), wobei die schattierten Bereiche die 95 % KI anzeigen. SAR = räumliches autoregressives Modell; SEM = räumliches Fehlermodell; SDM = räumliches Durbin-Modell. Die Signifikanzsymbole in Teilabbildung B geben die p-Werte der geschätzten Koeffizienten und marginale Effekte an, abgeleitet aus den z-Statistiken der jeweiligen räumlichen ökonometrischen Modelle (* p < 0,05, ** p < 0,01, *** p < 0,001). Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Tabelle 5: Modellleistung und Validierungsmetriken für die PLUS-Landnutzungssimulation (Backcasting 2010–2020). Die Metriken wurden durch Vergleich der tatsächlichen Landnutzungskarte von 2020 mit der unter Verwendung der Basisdaten von 2010 simulierten Landnutzungskarte von 2020 berechnet. Ein Gesamtkappa-Wert > 0,80 und FoM > 0,20 deuten auf eine beträchtliche Übereinstimmung und hohe Zuverlässigkeit der räumlichen Prognosen hin. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Tabelle 6: Sensitivitäts- und Robustheitsanalyse des integrierten Workflows. Schlüsselparameter für die PLUS-Simulation, die InVEST-Kohlenstoffbewertung und die räumlichen ökonometrischen Analysen wurden variiert, um die Robustheit der Modellergebnisse zu überprüfen. Die Tabelle fasst den jeweils geprüften Parameter, den Bereich der Störung oder die alternative Spezifikation, den beobachteten Einfluss auf die Hauptergebnisse sowie die daraus resultierende Beurteilung der Stabilität zusammen. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
VERFÜGBARKEIT VON DATEN:
Die verarbeiteten Rechenmaterialien, die diese Studie unterstützen, einschließlich der tabellierten Daten zur Grundlage der quantitativen Analysen und ausgewählter Abbildungen, der Konfigurationsparameter des PLUS-Modells, der Parameter-Tabelle für Kohlenstoffvorräte im InVEST-Modell sowie der räumlichen ökonometrischen Skripte, wurden im Zenodo-Repository hinterlegt (https://zenodo.org/records/21159171). Die hinterlegten Rechenmaterialien sind ausreichend, um die in dieser Studie präsentierten statistischen Analysen und quantitativen Ergebnisse nachzuvollziehen.
Diskussion
Diese Studie stellt einen integrierten analytischen Arbeitsablauf vor, der die Identifizierung der Landurbanisierung mithilfe fernerkundungsbasierter Daten, die PLUS-Multiszenario-Simulation der Landnutzung, die Bewertung der Kohlenstoffspeicher mit Hilfe von InVEST und die räumliche ökonometrische Modellierung kombiniert, um die Beziehungen zwischen Landurbanisierung, ökologischer Planung und Dynamiken der Kohlenstoffspeicher in Xinjiang, im Nordwesten Chinas, zu analysieren. Anstatt diese Komponenten als getrennte technische Aufgaben zu betrachten, verbindet der Arbeitsablauf beobachtete Landnutzungsänderungen, zukünftige Planungsalternativen, Konsequenzen für die Kohlenstoffspeicher und räumliche Spillover-Mechanismen in einer einzigen nachvollziehbaren Abfolge.
Die räumlich-zeitliche Analyse zeigt, dass die Flächenversiegelung im Untersuchungsgebiet zwischen 2000 und 2020 einer zentrifugalen Expansionsrichtung folgte und sich von kompaktem Wachstum in Kernbereichen hin zu einer mehrfach ausgerichteten, polyzentrischen Zersiedelung entwickelte. Dieses Muster stimmt mit der breiteren Fachliteratur zur Urbanisierung überein, die von Sprungentwicklung in rasch industrialisierenden Regionen berichtet, wo Infrastrukturinvestitionen und wirtschaftliche Agglomeration gemeinsam die Entwicklungsgrenzen nach außen verschieben. Kritisch ist, dass der dominierende Flächennutzungswandel – Ackerland zu bebautem Gebiet – bestätigt, dass landwirtschaftliche Flächen weiterhin am stärksten unter der urbanen Überdehnung leiden, ein Befund, der mit Studien zu peripheren Flächendynamiken in China und anderen Entwicklungsländern übereinstimmt. Im Gegensatz zu den hochintegrierten Megaregionen im Osten Chinas ist die Urbanisierung in Xinjiang jedoch streng durch Oasengrenzen und die Wasserverfügbarkeit begrenzt. Folglich bedroht diese Überdehnung überproportional die begrenzten Ackerflächen und ökologischen Übergangszonen entlang lebenswichtiger hydrologischer Korridore und macht die lokalen Kohlenstoffkreislaufprozesse dadurch besonders anfällig gegenüber störenden Eingriffen durch die Entwicklung. Der gleichzeitige Anstieg des Anteils versiegelter Flächen und der Intensität des Nachthimmelslichts deutet zudem darauf hin, dass physische Expansion und funktionale Verdichtung Hand in Hand voranschreiten, was bedeutet, dass die Flächenversiegelung in diesem Kontext nicht nur ein reales Wachstum, sondern eine zunehmende strukturelle Transformation der regionalen Landschaft umfasst2.
Die Ergebnisse der Szenariensimulation zeigen, dass die ökologische Planungsorientierung einen erheblichen Einfluss auf die räumliche Konfiguration der zukünftigen Landnutzung und damit indirekt auf die regionalen Kohlenstoffspeicherergebnisse hat18. Das Szenario der natürlichen Entwicklung führt zu den stärksten Kohlenstoffverlusten, verursacht durch eine ungehemmte Ausdehnung in ökologisch wertvolle Flächen mit hoher Kohlenstoffdichte. Im Gegensatz dazu behält das Szenario des ökologischen Schutzes die höchsten Kohlenstoffspeicherwerte bei, indem strenge räumliche Ausschlüsse um Wälder, Feuchtgebiete und Flusspufferzonen verhängt werden19. Das Szenario der kohlenstoffarmen Optimierung erreicht, obwohl es in der absoluten Kohlenstoffspeicherung nicht das Niveau des ökologischen Schutzszenarios erreicht, ein ausgewogeneres Ergebnis, indem Wachstum entlang bestehender Entwicklungskorridore konzentriert und ökologisch empfindliche Bereiche gemieden werden. Diese unterschiedlichen Ergebnisse verdeutlichen einen grundlegenden planerischen Kompromiss: Die Intensität und räumliche Ausrichtung ökologischer Einschränkungen bestimmt unmittelbar, wie viel Kohlenstoffkapital eine sich schnell entwickelnde Region unter Wachstumsdruck bewahren kann20,21.
Die Parameter der Kohlenstoffspeicherung untermauern diese Interpretation weiter. Die erhebliche Diskrepanz bei der Kohlenstoffsequestrierungskapazität zwischen natürlichen Ökosystemflächen und künstlichen Oberflächen zeigt, dass jeder an städtische Nutzung verlorene Waldflächeneinheit eine unverhältnismäßig hohe Kohlenstoffbelastung darstellt. Die anhaltende Dominanz von Wald und Grünland in der regionalen Kohlenstoffbilanz, verbunden mit ihrer belegten Anfälligkeit für Besiedlungsdruck, macht den Schutz ökologischer Flächen zu einer zentralen Säule jeder Strategie einer kohlenstoffarmen räumlichen Steuerung3.
Die räumlichen ökonometrischen Ergebnisse erweitern die Befunde aus Fernerkundung und InVEST, indem sie zeigen, dass Kohlenstoffspeicher-Verluste nicht nur lokale Folgen der Landnutzungsänderung sind. Die SDM-Ergebnisse zeigen, dass die Flächenversiegelung einen signifikanten negativen direkten Effekt auf die lokale Dichte der Kohlenstoffspeicher hat, verbunden mit einem ausgeprägten negativen indirekten Spillover-Effekt auf benachbarte Verwaltungseinheiten. Der negative indirekte Effekt der Flächenversiegelung lässt sich durch drei plausible grenzüberschreitende Mechanismen erklären. Erstens kann sich der Entwicklungszwang von streng regulierten oder gesättigten Kerngebieten auf angrenzende Ackerflächen und ökologische Übergangszonen verlagern. Zweitens können Verkehrsverbindungen und industrielle Wertschöpfungsketten die Nachfrage nach Flächenentwicklung über einzelne Verwaltungsgrenzen hinaus übertragen und so Kohlenstoffspeicher-Verluste in benachbarten Einheiten verursachen. Drittens kann die Zerschneidung ökologischer Korridore die Kontinuität kohlenstoffreicher Flächen verringern und die Kohlenstoffspeicherfähigkeit der umliegenden Regionen schwächen. Umgekehrt zeigt die Intensität der ökologischen Planung eine robuste positive Gesamtwirkung, was darauf hinweist, dass strenge Planungsvorgaben nicht nur lokal den Verlust von Kohlenstoffspeichern abmildern, sondern auch synergistisch zur Erhaltung von Kohlenstoffspeichern auf regionaler Ebene beitragen, wenn die ökologische räumliche Steuerung über Verwaltungsgrenzen hinweg koordiniert wird22,23.
Politische Anwendungen
Die Ergebnisse haben direkte Anwendungen für die räumliche Flächennutzungsplanung. Erstens sollten Politiken zur Festlegung ökologischer Rotlinien und Flusspufferzonen vordringlich wald- und graslandreiche Gebiete mit hohem Kohlenstoffspeicher schützen, da deren Umwandlung überproportional große Verluste an Kohlenstoffspeichern verursacht. Zweitens können kompakte Wachstumsmodelle und eine entlang von Verkehrswegen orientierte Entwicklungsdichte das Ausufern der Besiedlung auf Ackerflächen und ökologische Übergangszonen verringern. Drittens sollten Kohlenstoffausgleichsmaßnahmen und ökologische Wiederherstellungsprojekte zwischen benachbarten Verwaltungseinheiten koordiniert werden, da der negative indirekte Effekt darauf hinweist, dass die Entwicklung in einer Verwaltungseinheit die Kohlenstoffspeicherbedingungen in der Umgebung beeinträchtigen kann. Schließlich kann der kombinierte Arbeitsablauf als Screening-Instrument vor der Genehmigung von Flächennutzungsplänen eingesetzt werden, um die Kohlenstoffspeicherbilanzen unter alternativen Planungsvorgaben zu vergleichen.
Einschränkungen
Mehrere Einschränkungen sollten berücksichtigt werden. Die Parameter für Kohlenstoffpools basieren teilweise auf Literaturangaben und erfassen möglicherweise nicht vollständig die lokale Heterogenität bezüglich Boden, Vegetation und Bewirtschaftung. Obwohl Sensitivitätsprüfungen durchgeführt wurden, um die Stabilität der Szenarioreihenfolgen zu testen, würde eine Kalibrierung anhand von Felddaten das Vertrauen in die absoluten Schätzungen der Kohlenstoffspeicher erhöhen. Die räumliche ökonometrische Analyse verringert die Verzerrung durch ausgelassene Variablen, indem sie Kontrollen für Gelände, Erreichbarkeit, Vegetation, Klima und sozioökonomische Faktoren einbezieht, jedoch standen keine geeigneten Instrumentalvariablen zur Verfügung; daher sollten die Koeffizienten als bedingte räumliche Zusammenhänge und nicht als definitive kausale Effekte interpretiert werden.
Zukünftige Entwicklungen
Zukünftige Arbeiten sollten lokale Biomasse- und Bodenkohlenstoffmessungen, sozioökonomische Daten mit höherer räumlicher Auflösung, formale Instrumentalvariablen- oder quasi-experimentelle Designs sowie dynamische räumliche Paneldatenmodelle integrieren, um kausale Wirkungspfade weiter zu überprüfen. Künftige Anwendungen sollten außerdem klassenspezifische PLUS-Validierungsmetriken, Sensitivitätsbereiche für Kohlenstoffpools sowie Ergebnisse alternativer räumlicher Gewichtungsansätze in ergänzenden Tabellen angeben, um die unabhängige Reproduktion von Szenarioreihenfolgen und Spillover-Schätzungen zu ermöglichen.
Schlussfolgerung
Diese Studie zeigt, dass der Fernerkundungs–PLUS–InVEST–räumliche ökonometrische Workflow Muster der Landurbanisierung identifizieren, ökologische Planungsszenarien bewerten, Kohlenstoffspeicher-Konsequenzen quantifizieren und räumliche Spillover-Effekte innerhalb eines reproduzierbaren Rahmens diagnostizieren kann. Die wichtigsten Ergebnisse zeigen, dass die historische Zunahme bebauter Flächen hauptsächlich durch die Umwandlung von Ackerland verursacht wurde, verbunden mit erheblichen Zunahmen der Oberflächenversiegelung und der Intensität menschlicher Aktivitäten. Szenariensimulationen bestätigen, dass Strategien des ökologischen Schutzes die regionale Kohlenstoffspeicherung maximieren, während die räumliche ökonometrische Modellierung aufzeigt, dass die Landurbanisierung sowohl negative direkte als auch räumliche Spillover-Effekte auf die Dynamik des Kohlenstoffspeichers ausübt. Letztlich bietet dieser integrierte Workflow einen robusten, reproduzierbaren analytischen Rahmen zur Quantifizierung der ökologischen Kompromisse urbaner Ausdehnung und stellt ein mechanismusbasiertes Diagnoseinstrument für die räumliche Bewertung in ökologisch fragilen Regionen bereit.
Offenlegungen
Die Autoren haben nichts offenzulegen.
Danksagungen
Die Autoren erhielten keine spezifische Förderung für diese Arbeit.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| Benutzerdefinierte räumliche ökonometrische Skripte und Ausgabedatensätze | Autoren | Zenodo-Repository: https://zenodo.org/records/21159171 | Wurden verwendet, um die in dieser Studie beschriebenen räumlichen ökonometrischen Analysen und den unterstützenden rechnerischen Workflow zu reproduzieren. |
| Rasterdatensätze der Bevölkerungsdichte mit hoher Auflösung | WorldPop | https://www.worldpop.org/ | Wurden als sozioökonomische Eingabedaten für räumliche ökonometrische Analysen verwendet. |
| InVEST (Integrierte Bewertung von Ökosystemleistungen und Zielkonflikten) | The Natural Capital Project, Stanford University | Version 3.14.0; https://naturalcapitalproject.stanford.edu/ | Wurde verwendet, um Kohlenstoffspeicher und Veränderungen des Kohlenstoffspeichers unter historischen und simulierten Landnutzungsszenarien zu schätzen. |
| Matplotlib & Pillow (Python-Bibliotheken) | Python-Community | https://matplotlib.org/; https://python-pillow.org/ | Wurden verwendet, um Abbildungen in Publikationsqualität zu erstellen und grafische Ausgaben mit hoher Auflösung (600 dpi) zu verarbeiten. |
| Mehrzeitliche Datensätze zur Landnutzung/-bedeckung | Resource and Environment Science and Data Center (RESDC), Chinesische Akademie der Wissenschaften | https://www.resdc.cn/ | Wurden als primärer Eingabedatensatz für die Analyse von Landnutzungsänderungen und PLUS-Simulationen verwendet. |
| PLUS-Modell (Patch-generierendes Landnutzungssimulationsmodell) | High-performance Spatial Computational Intelligence Lab (HPSCIL) | https://github.com/HPSCIL/Patch-generating_Land_Use_Simulation_Model | Wurde verwendet, um zukünftige Landnutzungsmuster unter mehreren ökologischen Planungsszenarien zu simulieren. |
| PySAL (Python-Bibliothek für räumliche Analyse) | PySAL-Entwickler | https://pysal.org/ | Wurde verwendet, um räumliche Autokorrelationsanalysen durchzuführen und räumliche ökonometrische Modelle zu erstellen. |
| Python-Programmierumgebung | Python Software Foundation | Version 3.9+; https://www.python.org/ | Wurde für die Datenvorverarbeitung, räumliche Analyse, statistische Berechnungen und die Implementierung des Workflows verwendet. |
| Topografische (DEM) und Fernerkundungsdaten | United States Geological Survey (USGS) | https://earthexplorer.usgs.gov/ | Wurden verwendet, um topografische Variablen und Fernerkundungseingaben für die Analyse der städtischen Landnutzung und die Modellparametrisierung abzuleiten. |
Referenzen
- 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