Methodenartikel

Multi-Szenario-Landnutzungsprojektion und Bewertung der Kohlenstoffspeicherung in der Weltkulturerbelandschaft Yixian-Huangshan

11 Aufrufe

⸱

DOI:

10.3791/73148

⸱

1. Oktober 2026

 ,  ,  , 
1Macau University of Science and Technology, 2School of International and Public Affairs, Shanghai Jiao Tong University, 3Research Center of Ecotourism & Planning, Huainan Normal University, 4Industrial Digital Research Centre, Huainan Normal University

In diesem Artikel

Zusammenfassung

Dieses Protokoll stellt einen reproduzierbaren Arbeitsablauf für die Projektion mehrerer Landnutzungsszenarien, die Beurteilung der Kohlenstoffspeicherung sowie die Analyse topographischer Assoziationen in der UNESCO-Welterbelandschaft Yixian–Huangshan vor.

Zusammenfassung

Die Landnutzungsänderung verändert die terrestrische Kohlenstoffspeicherung, doch reproduzierbare Workflows zur Bewertung szenariobasierter Veränderungen sind in touristisch genutzten UNESCO-Welterbestätten weiterhin begrenzt. Dieses Protokoll integriert einen benutzerdefinierten Markov-Zellautomaten, eine Vier-Pool-Kohlenstoffbilanzierung, die dem Integrated Valuation of Ecosystem Services and Tradeoffs-Framework entspricht, sowie einen geographischen Detektor auf Basis optimaler Parameter, um Änderungen der Landnutzung und der Kohlenstoffspeicherung in Yixian und angrenzenden Gebieten von Huangshan im südlichen Anhui, China, zu bewerten. China Land Cover Dataset-Karten aus den Jahren 2005, 2010 und 2015 wurden zur Kalibrierung und zur Validierung außerhalb des Bezugszeitraums verwendet. Vier explorative Szenarien – Business as Usual, Tourismusausbau und -entwicklung, ökologische Schutzpriorität sowie Dorferneuerung und -aktivierung – wurden für die Jahre 2030 und 2050 simuliert. Die Validierung über 4.632.329 gültige Pixel ergab eine Gesamtgenauigkeit von 96,61 %, einen Kappa-Koeffizienten von 0,850 und eine Figure of Merit von 0,107. Die Baseline-Kohlenstoffspeicherung betrug 59,505 Teragramm Kohlenstoff, wobei Wälder 95,9 % beitrugen. Projektionierte Kohlenstoffverluste bis 2050 lagen zwischen 5,01 % unter ökologischer Schutzpriorität und 13,49 % unter Tourismusausbau und -entwicklung. Einzelne, paarweise verglichene Störungen bestätigten dieselbe Szenarienreihenfolge. Der geographische Detektor auf Basis optimaler Parameter identifizierte Hangneigung, Reliefform und Höhe als stärkste topographische Assoziationen. Die bereitgestellten Eingabedaten, Parameter, Ergebnisse und Skripte unterstützen die Reproduzierbarkeit; die Szenarien sollten jedoch als vergleichende Belastungstests und nicht als kalibrierte Prognosen interpretiert werden.

Einleitung

Terrestrische Ökosysteme speichern Kohlenstoff in der Vegetation, im Boden und in toter organischer Materie und tragen somit zur Klimaregulierung bei1,2. Die Umwandlung von Landnutzungsflächen kann diese Bestände schnell verändern; daher ist eine räumlich explizite Bewertung für die Landnutzungsplanung und das Kohlenstoffmanagement wichtig.

Das Untersuchungsgebiet im südlichen Anhui umfasst ausgedehnte subtropische Wälder, landwirtschaftliche Becken sowie Gebiete, die mit den UNESCO-Welterbestätten Mount Huangshan und Xidi–Hongcun verbunden sind3,4. Forschungen zur Landnutzung im kulturellen Erbe, zum Welterbetourismus und zum Schutz traditioneller Dörfer zeigen, dass in diesem Kontext ökologische Zustände, Besucherdruck und Ortseigenart integrativ berücksichtigt werden müssen5,6,7.

Szenariobasierte Landnutzungsmodelle übersetzen beobachtete Übergänge in räumlich explizite Prognosen, und die Bilanzierung von Kohlenstoffspeichern quantifiziert die Folgen dieser Muster. Frühere Studien haben die Patch-generierende Landnutzungssimulation (PLUS) oder die Zellulär-Automaten-Markov-(CA–Markov-)Zuweisung mit dem Rahmenwerk zur Integrierten Bewertung von Ökosystemleistungen und Zielkonflikten (InVEST) sowie dem geografischen Detektor basierend auf optimalen Parametern (OPGD) in China und anderen Landschaften kombiniert, einschließlich jüngster integrierter Anwendungen8,9,10,11,12,13,14,15,16,17,18,19,20. Diese Studien liefern methodische Vorlagen, auch wenn der hier verwendete Simulator eine eigene Implementierung eines Markov-Zellulären-Automaten (Markov-CA) und nicht PLUS ist.

Zugehörige Forschungsarbeiten haben politikabhängige Kohlenstoffverläufe, gekoppelte Satelliten- und Landnutzungsmodelle, geländesensitive Kohlenstoffspeicherung, städtische und campusbasierte Anwendungen, Bodenkohlenstoffmanagement, Ackerlandübergänge, nationale Walderfassung sowie die Abhängigkeit von der räumlichen Skala evaluiert21,22,23,24,25,26,27,28,29,30,31,32,33,34. Gemeinsam unterstützen diese Studien den Vergleich mehrerer Szenarien und zeigen gleichzeitig, dass die Schlussfolgerungen von der Datenskala, den Klassenübergängen, den Kohlenstoffparametern und den modellierten Annahmen zur Politikgestaltung abhängen. Die benutzerdefinierte Implementierung der vorliegenden Studie bietet einen transparenten Arbeitsablauf, in dem die Übergangsmatrix, Szenariomultiplikatoren, Zuteilungsverfahren, Kohlenstoffdichtetabellen, Sensitivitätsanalyse und topografische Assoziationsanalyse innerhalb eines einzigen nachvollziehbaren Rahmens untersucht werden können. Der praktische Nutzen des benutzerdefinierten Workflows in der vorliegenden Studie liegt darin, dass die Übergangsmatrix, Szenarioparameter, Regeln zur Pixelzuteilung, Validierung, Sensitivitätsanalyse, Kohlenstoffbilanzierung und topografische Assoziationsanalyse in einem nachvollziehbaren rechnergestützten Rahmen implementiert und dokumentiert sind. Diese Struktur ermöglicht es, die bei der Szenarioanalyse verwendeten Annahmen und Zwischenschritte der Analyse zu überprüfen und zu reproduzieren. Da der Workflow nicht direkt gegenüber PLUS oder anderen CA–Markov-Implementierungen kalibriert wurde, wird keine Behauptung über überlegene Genauigkeit, Effizienz oder Vorhersageleistung aufgestellt.

Forschung zu topographischen und bodenkundlichen Steuerfaktoren, geomorphischer Bodenkohlenstoff-Persistenz, Effekten der räumlichen Skala, OPGD-Anwendungen, der Produktivität von Huangshan, Landschaftsmetriken, Feuchtgebieten und Waldkohlenstoff stützt weiterhin eine vorsichtige, auf Assoziationen basierende Interpretation von Geländeauswirkungen35,36,37,38,39,40,41,42,43,44. Vor diesem Hintergrund besteht das übergeordnete Ziel der vorliegenden Methode darin, einen transparenten und reproduzierbaren Arbeitsablauf für die Projektion von Landnutzungsszenarien, die Bewertung der Kohlenstoffspeicherung sowie die Analyse topographischer Assoziationen in der UNESCO-Welterbe-Landschaft Yixian–Huangshan bereitzustellen. Der Arbeitsablauf verwendet eine angepasste Markov-CA-Implementierung mit einer InVEST-äquivalenten Vier-Pool-Kohlenstoffbilanzierung und OPGD, validiert das Modell außerhalb des Zeitraums 2005–2015 und führt eine 28-fache Einzelparameter-Sensitivitätsanalyse durch. Die beigefügten Raster, Szenarioregeln, die Konfusionsmatrix, Umgebungsdateien und Skripte ermöglichen eine direkte Überprüfung und Reproduktion des angepassten Simulationsablaufs. Der Arbeitsablauf ist für Anwendungen mit kompatiblen kategorischen Landbedeckungs-Rastern, klassenspezifischen Parametern zur Kohlenstoffdichte und geeigneten topographischen Daten vorgesehen, bei denen das Ziel eine vergleichende Szenarienbewertung und nicht eine präzise räumliche Prognose ist.

Diese Studie hatte drei Ziele: (1) die Simulation der Landnutzung für die Jahre 2030 und 2050 unter den Szenarien „Business As Usual“ (BAU), „Tourismusausbau und Entwicklung“ (TED), „ökologische Schutzpriorität“ (ECP) und „Dorferneuerung und -aktivierung“ (VRA); (2) die Quantifizierung der Kohlenstoffspeicherung mithilfe einer vollständigen, neunklassigen und vier-Pool-Übersicht; sowie (3) die Bewertung der individuellen und gemeinsamen Zusammenhänge von Höhe, Hangneigung, Nordausrichtung und topografischer Reliefform mit der Kohlenstoffdichte von 20158,9,10. Diese Ziele verbinden Prognosen der Landnutzung, Kohlenstoffbilanzierung und die Analyse von Geländezusammenhängen in einem einzigen, reproduzierbaren Arbeitsablauf, wobei der Unterschied zwischen simulierten Ergebnissen der Landnutzung und statistischen Zusammenhängen mit topografischen Variablen erhalten bleibt.

Die Szenarienbezeichnungen kennzeichnen vergleichende Annahmen, keine angepassten Prognosen oder kodierten gesetzlichen Pläne. Demzufolge eignet sich die Methode am besten für den reproduzierbaren Vergleich alternativer Landnutzungsannahmen und der damit verbundenen Kohlenstoffspeicherergebnisse, nicht jedoch dafür, die resultierenden Karten als kalibrierte Vorhersagen der zukünftigen Landnutzung zu interpretieren.

Protokoll

No human participants, animals, or protected species were involved. The analysis used only publicly available remote-sensing products and published carbon-density parameters; therefore, ethics committee approval was not required.

Implement all computational procedures in Python 3.11 within an open and reproducible workflow. Follow seven sections: (1) define the study area; (2) acquire and preprocess the inputs; (3) estimate the transition matrix and initialize the custom Markov-CA; (4) configure the scenarios, sensitivity tests, and future simulations; (5) calibrate and validate the model; (6) calculate carbon storage; and (7) detect terrain associations with OPGD. Follow the complete workflow shown in Figure 1.

figure-protocol-1
Figure 1. Reproducible workflow for multi-scenario land-use projection, carbon storage assessment, and topographic association analysis. The seven-step workflow comprises (1) input preparation and preprocessing using China Land Cover Dataset (CLCD) maps, Copernicus Digital Elevation Model (DEM) GLO-30 data, and the carbon-density table; (2) estimation of transition probabilities by pixel cross-tabulation; (3) parameterization of the Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP), and Village Revitalization and Activation (VRA) scenarios; (4) Markov cellular automaton (Markov-CA) simulation using a 3 × 3 Moore neighborhood; (5) out-of-period validation using overall accuracy (OA), Kappa, and Figure of Merit (FoM); (6) carbon accounting using an Integrated Valuation of Ecosystem Services and Tradeoffs (InVEST)-equivalent four-pool lookup; and (7) optimal parameters-based geographical detector (OPGD) analysis. The workflow produces scenario-specific land-use maps, carbon-storage trajectories, and assessments of topographic associations. Please click here to view a larger version of this figure.

1. Study area

  1. Define the analysis grid as 117.60–118.38°E and 29.72–30.22°N. Treat the Mount Huangshan and Xidi–Hongcun World Heritage properties as geographical context only; do not interpret the rectangular analytical extent or valid mask as an official administrative or World Heritage boundary3,4.
  2. Reproject the grid to EPSG:32650 and apply the valid mask to obtain 4,632,329 cells at 30 m resolution, representing 4,169.1 km2. Use this extent, which covers Yixian County, adjacent parts of the Huangshan Scenic Area, and northern Xiuning County, for all raster analyses (Figure 2).

figure-protocol-2
Figure 2. Study extent of the Yixian–Huangshan landscape in southern Anhui, China. Location of the analytical extent within Anhui Province, China, with the study area indicated by the red rectangle. The topographic variables used in the association analysis are presented in Figure 5. Please click here to view a larger version of this figure.

2. Data sources

  1. Use three input groups: CLCD annual land-cover data, Copernicus DEM GLO-30 terrain data, and a class-specific four-pool carbon-density table. Record the temporal coverage, resolution, provenance, and analytical role of each input in Table 1.
  2. Extract the 2005, 2010, and 2015 CLCD layers at 30 m resolution. Retain the nine classes: cropland, forest, shrub, grassland, water, snow/ice, barren, impervious, and wetland45.
  3. Derive elevation, slope, northness, and topographic relief from Copernicus DEM GLO-3046. Assign the complete nine-class carbon-pool values reported in Table 6 of Cheng et al.; do not apply an uncited default or zero-value convention47.
  4. Reproject all layers to WGS 84 / UTM zone 50N (EPSG:32650) on the common 30 m grid. Use nearest-neighbor resampling for categorical land cover and bilinear resampling for continuous terrain data.
  5. Apply the same valid mask to every layer before cross-tabulation, validation, carbon accounting, and OPGD sampling.
  6. Use Python 3.11.9 with numpy 2.4.6, scipy 1.17.1, rasterio 1.4.4, matplotlib 3.11.0, pandas 3.0.3, geopandas 1.1.4, and shapely 2.1.2. Refer to the archived environment files and relative-path scripts for exact reproduction.
  7. Configure the Markov-CA with a 3 × 3 Moore neighborhood and seed 2023. Initialize an independent seeded generator for each scenario-year and sensitivity run, and use seed 42 for OPGD sampling.
DatasetTemporal coverageNative spatial resolutionPrimary source / persistent identifierRole in the analytical workflow
China Land Cover Dataset (CLCD; Yang & Huang45)2005, 2010, and 201530 mZenodo DOI: 10.5281/zenodo.4417810Land-use classification, change detection, validation, transition-matrix estimation, observed baseline, and Markov cellular automaton input
Copernicus Digital Elevation Model (DEM) GLO-302019 reference epoch; static in this study30 mCopernicus Data Space Ecosystem / Microsoft Planetary Computer STACElevation and derivation of slope, northness, and topographic relief using a 450 m-radius neighborhood
Carbon-density parametersStaticPer land-use class; class lookup (Mg C ha⁻¹)Cheng et al.47
Table 6		Complete nine-class, four-pool lookup used for Integrated Valuation of Ecosystem Services and Tradeoffs-equivalent carbon accounting (Table 3)
Study-area analysis extent and boundaryStaticVector / 30 m maskReconstructed from the manuscript extent: 117.60–118.38°E, 29.72–30.22°N; archived GeoJSON and maskCommon spatial mask, analysis extent, and analysis grid

Table 1: Primary spatial and tabular datasets used in the analytical workflow. The table summarizes the temporal coverage, native spatial resolution, source or persistent identifier, and analytical role of the China Land Cover Dataset (CLCD), Copernicus Digital Elevation Model (DEM) GLO-30, class-specific carbon-density parameters, and study-area analysis extent. Carbon-density values are expressed in megagrams of carbon per hectare (Mg C ha−1).

3. Estimate the transition matrix and initialize the Markov-CA model

  1. Cross-tabulate valid CLCD pixels from 2010 to 2015. For source class i and target class j, calculate .
  2. Use the resulting 9 × 9 transition matrix for future scenarios. Derive a separate 2005–2010 transition matrix for model validation.
  3. Run the simulator as a custom Python Markov-CA implementation; do not invoke PLUS8.
  4. At each five-year step, take a synchronous snapshot of the starting state. Compute the transition counts from that snapshot.
  5. Evaluate target classes 1–9 and source classes 1–9 in ascending order. Remove each selected source pixel from further allocation so that it can transition at most once during the five-year step.
  6. Rank eligible candidate pixels by the start-of-step count of target-class neighbors in a 3 × 3 Moore window plus uniform random jitter from 0 to 0.5.
  7. Calculate the requested number of pixels for each source-to-target transition as the rounded product of the number of valid pixels in the source class, the corresponding transition probability, and the applicable scaling factor.
    1. Use a scaling factor of dev for transitions to impervious land and dev × fp for forest-to-impervious transitions; otherwise, use a scaling factor of 1. Cap the requested count at the number of eligible candidate pixels.
    2. If the requested count is smaller than the eligible candidate count, select the highest-ranked candidates based on the target-class neighborhood score plus the uniform random jitter described above; if the requested count equals the eligible candidate count, select all eligible candidates.

4. Configure scenarios, sensitivity tests, and future simulations

  1. Apply three parameters to the common transition matrix. Let dev scale expected transitions to impervious class 8, apply fp only to forest-to-impervious transitions, and define af as the per-step probability that cropland without an impervious Moore neighbor converts to forest.
  2. Set (dev, fp, af) to (1.4, 1.0, 0.005) for BAU, (6.0, 2.0, 0.001) for TED, (0.4, 0.4, 0.025) for ECP, and (2.5, 0.7, 0.012) for VRA. Use Table 2 for the corresponding computational rules, policy narratives, and parameter values.
  3. Interpret the multipliers as transparent low-, intermediate-, and high-development stress tests around the empirical transition matrix. Do not treat them as coefficients estimated from tourism, village-node, zoning, transport, protected-area, or ecological-redline data.
  4. Use the policy labels only to describe relative parameter directions. Do not interpret the labels as legal or spatial constraints encoded in the model.
  5. Treat dev, fp, and af as author-defined exploratory stress-test parameters rather than empirically estimated or calibrated coefficients. The nominal values specify contrasting numerical scenario assumptions for development pressure (dev), forest protection (fp), and afforestation (af); they were not fitted to observed post-2015 land-use change or interpreted as estimates of specific policy effects. Use these nominal values for the primary scenario comparisons and evaluate their robustness using the one-at-a-time sensitivity analysis described below.
  6. For each scenario, run the nominal 2050 case. Repeat the simulation after multiplying one of dev, fp, or af by 0.5 or 1.5 while holding the other parameters constant.
  7. Reinitialize seed 2023 for each of the 28 runs. Compare carbon storage, carbon loss, forest share, and impervious share, and report matched-case rankings and the full OAT ranges without treating them as probabilistic confidence intervals.
  8. Initialize every future simulation from observed CLCD 2015. For impervious allocation, allow cropland to remain eligible across the valid mask and require non-cropland source pixels to border start-of-step impervious cells.
  9. After class-to-class allocation, convert qualifying cropland to forest independently with probability af. Run three five-year steps for the 2030 projection and seven five-year steps for the 2050 projection.
  10. Preserve class 0 outside the valid mask. Export every projected map at 30 m resolution.
ScenarioImplemented computational rulePolicy narrative (not an encoded constraint)Parameters
(dev / fp / af)
Business As Usual (BAU)Moderate impervious multiplier; baseline forest susceptibility; 0.5% isolated-cropland afforestation per stepContinuation benchmark1.4 / 1.0 / 0.005
Tourism Expansion and Development (TED)Strong impervious multiplier; doubled forest-to-impervious susceptibility; weak afforestationHigh-development stress test6.0 / 2.0 / 0.001
Ecological Conservation Priority (ECP)Reduced impervious conversion and forest susceptibility; strongest afforestationEcological-conservation stress test0.4 / 0.4 / 0.025
Village Revitalization and Activation (VRA)Intermediate impervious multiplier; forest susceptibility below BAU; intermediate afforestationVillage-revitalization narrative; no village-node layer2.5 / 0.7 / 0.012

Table 2: Computational rules and parameter values for the four land-use scenarios. The table summarizes the implemented computational rules, policy narratives, and parameter values for the Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP), and Village Revitalization and Activation (VRA) scenarios. Policy narratives describe the intended interpretation of each scenario and are not encoded spatial constraints. dev, impervious-development multiplier; fp, forest-to-impervious susceptibility multiplier; af, isolated-cropland afforestation fraction per simulation step.

5. Calibrate and validate the land-use model

  1. Estimate the calibration matrix from observed 2005–2010 change. Simulate 2015 from observed 2010 using seed 2023.
  2. Compare the simulated 2015 map pixel by pixel with observed CLCD 2015 within the valid mask. Calculate overall accuracy, Kappa, the 9 × 9 confusion matrix, and FoM for changed cells48.
  3. Exclude invalid cells from both the numerator and denominator of the validation calculations to prevent outside-mask zeros from inflating agreement.
  4. Interpret overall accuracy and Kappa jointly with FoM because stable forest and cropland dominate the former metrics, whereas FoM evaluates the smaller changed-cell set. Use the validation results to support regional scenario comparison; do not interpret them as establishing precise change-location forecasting.

6. Calculate carbon storage

  1. For each valid pixel, assign the four class-specific carbon-pool densities listed in Table 3. Sum the four pool densities to obtain the total carbon density in Mg C ha⁻1.
  2. Multiply the total carbon density by the 0.09 ha pixel area. Convert the resulting Mg C values to Tg C.
  3. Apply this lookup calculation as the algebraic equivalent of the InVEST Carbon Storage formulation. Do not apply a sequestration-rate, valuation, or economic module9,47.
Land-use class (CLCD)Aboveground C
(Mg C ha⁻¹)		Belowground C
(Mg C ha⁻¹)		Soil C
(Mg C ha⁻¹)		Dead organic C
(Mg C ha⁻¹)		Total C
(Mg C ha⁻¹)		Source
1 Cropland3.567.4526.99.8247.73Cheng et al.47, Table 6
2 Forest53.5917.3684.852.8158.6
3 Shrub4.254.6572.91.5983.39
4 Grassland4.1516.5878.21.55100.48
5 Water6.38000.126.5
6 Snow/ice00.335.3505.68
7 Barren1.30.3321.6023.23
8 Impervious009.2809.28
9 Wetland12.249.1895.734.08121.23

Table 3: Carbon-density parameters for the nine China Land Cover Dataset land-use classes used in carbon accounting. Aboveground, belowground, soil, dead organic, and total carbon-density values are provided for each China Land Cover Dataset (CLCD) land-use class. Total carbon density represents the sum of the four carbon pools. All carbon-density values are expressed in megagrams of carbon per hectare (Mg C ha−1). Values were obtained from Cheng et al.47, Table 6.

7. Detect topographic associations with OPGD

  1. Use 2015 carbon density as the response variable and elevation, slope, northness, and topographic relief as the explanatory factors. Sample 200,000 valid pixels using seed 42.
  2. For each explanatory factor, test 2–15 quantile intervals. Retain the discretization that produces the maximum q-value.
  3. Calculate analytic F-test p-values and permutation p-values using 999 permutations. Calculate the permutation p-value as p = (exceedances + 1) / 1000.
  4. Combine the optimized strata for each pair of explanatory factors to calculate the interaction results. Interpret all factor and interaction outputs as spatial associations rather than causal effects10.

Ergebnisse

Räumliche Verteilung und zeitliche Dynamik der Landnutzung

Der analytische Arbeitsablauf, der Untersuchungsumfang und die primären Eingabedatensätze sind in Abbildung 1, Abbildung 2 und Tabelle 1 zusammengefasst. Abbildung 1 zeigt den siebenstufigen Arbeitsablauf, der für die Prognose der Landnutzung, die Validierung, die Kohlenstoffbilanzierung und die Analyse topographischer Zusammenhänge verwendet wurde. Abbildung 2 zeigt die Lage und den analytischen Umfang des Untersuchungsgebiets. Tabelle 1 fasst die zeitliche Abdeckung, räumliche Auflösung, Herkunft und analytische Rolle der primären räumlichen und tabellarischen Datensätze zusammen. Der Vergleich der simulierten Daten für 2015 mit den beobachteten CLCD-Daten für 2015 über 4.632.329 gültige Pixel ergab eine Gesamtgenauigkeit (OA) von 96,61 %, einen Kappa-Wert von 0,850 und einen FoM-Wert von 0,107. Die Übereinstimmung wurde hauptsächlich durch stabile Wald- und Ackerflächen bestimmt, während der auf Veränderungen fokussierte FoM eine begrenzte Genauigkeit bei der Reproduktion der Veränderungsorte anzeigte. Die Validierung unterstützt daher eine vergleichende Szenarioanalyse eher als eine präzise räumliche Vorhersage. Ergänzende Tabelle 1 (Arbeitsblatt S3) enthält die Validierungsmetriken, die korrekt erfassten Veränderungen, Fehlalarme, Auslassungen sowie die vollständige Konfusionsmatrix. Das Archiv enthält das Validierungsraster und das exakte Skript, das für die Berechnung verwendet wurde.

In allen 28 Sensitivitätsläufen blieb bei jeder entsprechenden Störung die Rangfolge ECP erhalten > BAU > VRA > TED. Die Kohlenstoffverlustbereiche lagen bei 4,22–5,86 % für ECP, 6,87–8,55 % für BAU, 6,99–9,61 % für VRA und 10,45–15,84 % für TED. Die Bereiche von BAU und VRA überlappen sich; daher ist die Interpretation auf die reihenmäßige Zuordnung paargenauer Fälle beschränkt, anstatt eine vollständige Trennung der OAT-Bereiche vorzunehmen. Die vollständigen Sensitivitätsresultate sind angegeben in Zusatz-Tabelle 1 (Arbeitsblatt S4)und Zusatzabbildung 1. Die operative Matrix für 2010–2015, bereitgestellt in Ergänzende Tabelle 1 (Arbeitsblatt S1)zeigten Retentionswahrscheinlichkeiten von 98,23 % für Wald, 94,66 % für Ackerland und 99,43 % für versiegelte Flächen. Die größten Übergänge außerhalb der Diagonalen waren Ackerland zu versiegelten Flächen (3,39 %), Ackerland zu Wald (1,71 %) und Wald zu Ackerland (1,71 %). Im gleichen Zeitraum nahm die Waldfläche von 87,63 % auf 86,27 % ab, während Ackerland von 10,99 % auf 11,92 % und versiegelte Flächen von 1,08 % auf 1,50 % zunahmen. Abbildung 3A, B zeigt die beobachteten Landnutzungsmuster für 2010 bzw. 2015 Abbildung 4 zeigt die entsprechenden Änderungsklassen, ohne Treiber zu inferieren, die nicht in die Analyse einbezogen wurden.

figure-results-1
Abbildung 3. Beobachtete Landnutzungsmuster in der Landschaft Yixian–Huangshan im Jahr 2010 und 2015. Karten des China Land Cover Dataset (CLCD), die die räumliche Verteilung von neun Landnutzungsklassen innerhalb des Analyseumfangs zeigen. (A) Beobachtete Landnutzung im Jahr 2010. (B) Beobachtete Landnutzung im Jahr 2015. Zu den Landnutzungsklassen zählen Ackerland, Wald, Gestrüpp, Weideland, Wasser, Schnee/Eis, unfruchtbares Land, versiegelte Flächen und Feuchtgebiete. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

figure-results-2
Abbildung 4. Beobachteter Landnutzungswandel in der Landschaft Yixian–Huangshan von 2010 bis 2015. Die Karte zeigt die räumliche Verteilung von stabilem Wald, Waldverlust, Waldzuwachs und neu entstandenen versiegelten Flächen zwischen den Landbedeckungskarten Chinas aus den Jahren 2010 und 2015. Weiße Bereiche stellen Standorte dar, die nicht in diese vier dargestellten Veränderungskategorien klassifiziert wurden. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Geländekennzeichen und topographische Heterogenität

Innerhalb der gültigen Maske reichte die Höhe von 82,3 bis 1.830,3 m (Mittelwert: 388,0 m), der Hangneigung von 0 bis 87,3° (Mittelwert: 22,4°), die Nordausrichtung von −1 bis 1 und die topografische Relieftiefe von 3,2 bis 1.398,2 m (Mittelwert: 230,0 m). Das Relief wurde als lokaler Höhenunterschied innerhalb einer kreisförmigen Nachbarschaft mit einem Radius von 450 m definiert und mittels eines 31 × 31-Pixel-Fußabdrucks implementiert. Abbildung 5A–D zeigt die Höhe, die Hangneigung, die Nordausrichtung und das topografische Relief jeweils. Diese Schichten charakterisieren die räumliche Geländeveränderung; entsprechende ökologische Mechanismen werden als Hypothese betrachtet und nicht als kausales Ergebnis35,36,37,38,39,40,41,42,43,44.

figure-results-3
Abbildung 5. Topographische Variablen, die in der Assoziationsanalyse verwendet wurden. Räumliche Verteilung der vier topographischen Variablen über das Analysegebiet hinweg: (A) Höhe, angegeben in Metern; (B) Hangneigung, angegeben in Grad; (C) Nordausrichtung, ausgedrückt auf einer Skala von −1 bis 1; und (D) topographische Relieftiefe, angegeben in Metern. Diese Variablen wurden in der Analyse mit dem geographischen Detektor unter Verwendung optimaler Parameter hinsichtlich ihrer individuellen und gemeinsamen Assoziationen mit der Kohlenstoffdichte im Jahr 2015 verwendet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Projektionen der Landnutzung unter mehreren Szenarien

Die gemeinsame Übergangsmatrix und die Szenarioparameter, die in Tabelle 2 zusammengefasst sind, ergaben unterschiedliche aggregierte Trajektorien unter Verwendung der numerischen Identifikatoren für Landbedeckungsklassen aus Zusatz-Tabelle 2. Abbildung 6 zeigt die beobachteten und projizierten Anteile von Wald, Ackerland und versiegelten Flächen, während Abbildung 7A–D die räumlichen Projektionen für das Jahr 2030 für die Szenarien BAU, TED, ECP und VRA jeweils darstellt und Abbildung 7E–H die entsprechenden Projektionen für das Jahr 2050 zeigt. Bis 2050 wurde prognostiziert, dass die Waldfläche 78,0 % unter BAU, 74,6 % unter TED, 80,3 % unter ECP und 78,2 % unter VRA betragen wird; die entsprechenden Anteile versiegelter Flächen lagen bei 6,3 %, 17,6 %, 2,8 % bzw. 9,0 %. Im Vergleich zur beobachteten Situation im Jahr 2015 betrug die projizierte Ausdehnung versiegelter Flächen etwa 202 km2 unter BAU, 675 km2 unter TED, 57 km2 unter ECP und 317 km2 unter VRA. Diese Werte stellen Stress-Test-Ergebnisse dar und keine angepassten Prognosen. Die projizierten Veränderungen sind räumlich gebündelt, da bei der Kandidatenbewertung die Nachbarschaftshäufigkeiten der Zielklasse berücksichtigt werden und die Umwandlung von Nicht-Ackerland in versiegelte Flächen auf Randzellen beschränkt ist. Das Modell enthält keine Ebene für Verkehrsachsen, Dorfknoten, Schutzgebiete, ökologische Rotlinien oder gesetzliche Planung; daher stellt eine sichtbare Ausrichtung an bestimmter Infrastruktur oder regulierten Zonen keinen kodierten Effekt dar.

figure-results-4
Abbildung 6. Beobachtete und projizierte Anteile der wichtigsten Landnutzungsklassen unter vier Szenarien. Der prozentuale Anteil des Untersuchungsgebiets, der von Wald, Ackerland und versiegelten Flächen eingenommen wird, ist für die beobachteten Jahre 2005, 2010 und 2015 sowie für Projektionen bis 2030 und 2050 unter den Szenarien „Weiter so wie bisher“ (BAU), „Ausweitung und Entwicklung des Tourismus“ (TED), „Ökologischer Schutzvorrang“ (ECP) und „Wiederbelebung und Aktivierung von Dörfern“ (VRA) dargestellt. Die Balken zeigen den modellierten Anteil jeder Landnutzungsklasse an der Gesamtfläche des Untersuchungsgebiets; Fehlerbalken sind nicht anwendbar, da die Werte deterministische Szenarioergebnisse und keine auf Wiederholungen basierenden Schätzungen sind. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-5
Abbildung 7. Projektete räumliche Verteilung der Landnutzung unter vier Szenarien in den Jahren 2030 und 2050. Projektete Landnutzungsmuster gemäß den Szenarien „Weiter so wie bisher“ (BAU), „Ausweitung und Entwicklung des Tourismus“ (TED), „Ökologischer Schutz vorrangig“ (ECP) und „Wiederbelebung und Aktivierung von Dörfern“ (VRA). (A–D) BAU-, TED-, ECP- und VRA-Projektionen für das Jahr 2030. (E–H) BAU-, TED-, ECP- und VRA-Projektionen für das Jahr 2050. Die Landnutzungsklassen umfassen Ackerland, Wald, Gestrüpp, Weideland, Wasser, Schnee/Eis, unproduktives Land, versiegelte Flächen und Feuchtgebiete. Alle Szenariensimulationen wurden ausgehend von der beobachteten CLCD-Karte von 2015 initialisiert; daher behalten Zellen ohne simulierte Landnutzungsänderung ihre Landnutzungsklasse und das räumliche Basis-Muster von 2015 bei. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Kohlenstoffspeicherdynamik unter Mehrszenarioprognosen

Die Anwendung des vollständigen Vier-Pool-Nachschlagewerks aus Tabelle 3 ergab für das Jahr 2015 insgesamt 59.505 Tg C, was einer mittleren Dichte von 142,73 Mg C ha−1 entspricht. Wälder enthielten 57,04 Tg C (95,9 %), während Ackerland 2,37 Tg C (4,0 %) enthielt. Versiegelte Flächen trugen einen kleinen, aber nicht vernachlässigbaren Anteil bei, da der zugrundeliegende Datenquelle dieser Klasse 9,28 Mg C ha−1 zuweist. Innerhalb der Waldklasse entfielen auf die Böden, oberirdische, unterirdische und totes organisches Material jeweils 53,5 %, 33,8 %, 10,9 % und 1,8 % des gesamten Kohlenstoffs31,32,33,34,44,47. Alle Szenarien ergaben eine geringere Kohlenstoffspeicherung im Jahr 2050 im Vergleich zu 2015. Die projizierte Speicherung betrug unter dem BAU-Szenario 54,895 Tg C (ein Verlust von 7,75 %), unter TED 51,475 Tg C (13,49 %), unter ECP 56,523 Tg C (5,01 %) und unter VRA 54,540 Tg C (8,34 %). Die Differenz zwischen ECP und TED betrug 5,048 Tg C. Diese Unterschiede ergeben sich aus den vorgegebenen numerischen Parametern und schätzen nicht die Auswirkungen benannter politischer Maßnahmen. Abbildung 8A zeigt die gesamte Kohlenstoffspeicherung im Jahr 2015 sowie die Szenarioprojektionen für die Jahre 2030 und 2050; Abbildung 8B zeigt die entsprechenden mittleren Kohlenstoffdichten; Abbildung 8C zeigt den Kohlenstoffverlust bis 2050 im Vergleich zur Basislinie von 2015; und Abbildung 8D zeigt den Zusammenhang zwischen dem projizierten Waldanteil und dem Kohlenstoffverlust. Die Werte sind deterministische Szenarioergebnisse und keine auf Wiederholungen basierenden Schätzungen.

figure-results-6
Abbildung 8. Prognostizierte Kohlenstoffspeicherung und ihre Beziehung zur Waldbedeckung unter vier Landnutzungsszenarien. (A) Gesamte Kohlenstoffspeicherung im Jahr 2015 sowie Prognosen für 2030 und 2050 unter den Szenarien „Weiter so wie bisher“ (BAU), „Ausweitung und Entwicklung des Tourismus“ (TED), „Ökologischer Schutz vorrangig“ (ECP) und „Wiederbelebung und Aktivierung von Dörfern“ (VRA), angegeben in Teragramm Kohlenstoff (Tg C). (B) Mittlere Kohlenstoffdichte für die entsprechenden Jahre und Szenarien, angegeben in Megagramm Kohlenstoff pro Hektar (Mg C ha-1). (C) Prozentualer Verlust der gesamten Kohlenstoffspeicherung bis 2050 im Vergleich zur Ausgangsbasis von 2015 für jedes Szenario. (D) Beziehung zwischen dem prognostizierten Waldanteil des Untersuchungsgebiets im Jahr 2050 und dem prozentualen Kohlenstoffverlust gegenüber 2015 für jedes Szenario. Die Werte entsprechen deterministischen Szenarioergebnissen; Fehlerbalken sind nicht anwendbar. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Topografische Assoziationen mit der räumlichen Heterogenität der Kohlenstoffspeicherung

Der OPGD-Faktordetektor stufte die Steigung als Erstes ein (q = 0,557), gefolgt von topografischem Relief (q = 0,460), Höhe (q = 0,352) und Nordausrichtung (q = 0,003), wie in Abbildung 9A. Bei 999 Permutationen die Permutation p-Wert für jeden Faktor betrug 0,001, den erreichbaren Minimalwert; analytischer F-Test p-Werte lagen ebenfalls unter 0,001. Die vollständigen Statistiken der Faktor- und Interaktionsdetektoren, einschließlich der optimierten Diskretisierungsintervalle sowie der analytischen und Permutations- p-Werte werden bereitgestellt in Zusatz-Tabelle 3. Statistische Signifikanz wird von der Effektgröße unterschieden: Die Assoziation mit der Nordausrichtung war praktisch vernachlässigbar, und alle q-Werte repräsentieren Assoziationen innerhalb der vier untersuchten Geländeparameter und keine kausalen Effekte10,40. Alle Faktorkombinationen ergaben eine Interaktion q-Werte, die größer sind als der größere ihrer individuellen q-Werte. Die stärksten Wechselwirkungen waren die Steigung ∩ Erleichterungq = 0,628), Höhe ∩ Steigung (q = 0,618) und Höhe ∩ Erleichterungq = 0,510), wie in Abbildung 9BDiese Werte deuten auf stärkere geschichtete Assoziationen bei gepaarten Faktoren hin, lassen jedoch keinen geomorphologischen Mechanismus erkennen, da Boden, Klima, Waldalter, Bewirtschaftung und Zugänglichkeit nicht modelliert wurden.

figure-results-7
Abbildung 9. Topografische Assoziationen mit der Kohlenstoffdichte von 2015, ermittelt mithilfe des geografischen Detektors basierend auf optimalen Parametern. (A) Faktor-Detektor q-Statistiken für Höhe, Hangneigung, Nordausrichtung und topografische Reliefform. Die jeweiligen q-Werte betragen 0,3518, 0,5571, 0,0031 und 0,4600; Permutationstests ergaben p = 0,001. (B) Interaktions-Detektor q-Werte für paarweise Kombinationen der vier topografischen Variablen. Höhere q-Werte weisen auf stärkere statistische Assoziationen mit der räumlichen Verteilung der Kohlenstoffdichte von 2015 hin. OPGD, geografischer Detektor basierend auf optimalen Parametern. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Gesamtergebnisse

Abbildung 10A–D fasst die Hauptergebnisse des Workflows zusammen: geschätzter Waldanteil, gespeicherter Kohlenstoff insgesamt, die Rangfolge der topografischen Assoziationen und die wichtigsten quantitativen Indikatoren. Die analytische Basislinie von 2015 enthielt 59.505 Tg C. In den vier explorativen Parametersätzen lagen die bis 2050 prognostizierten Verluste zwischen 5,01 % und 13,49 %, und alle Sensitivitätsfälle bestätigten die Rangfolge ECP > BAU > VRA > TED. Steigung und Reliefform zeigten die stärksten nachgewiesenen Geländebeziehungen. Angesichts eines FoM-Werts von 0,107 und der fehlenden expliziten Berücksichtigung von Planungs-, sozioökonomischen und Klimaschichten unterstützen die Ergebnisse eine vergleichende regionale Bewertung statt einer deterministischen räumlichen Vorhersage.

figure-results-8
Abbildung 10. Zusammenfassung der prognostizierten Ergebnisse zur Landnutzung und Kohlenstoffspeicherung sowie topographischer Assoziationen. (A) Prognostizierter Anteil von Waldgebieten an der Untersuchungsfläche im Jahr 2030 und 2050 unter den Szenarien „Business As Usual“ (BAU), „Tourismusausbau und -entwicklung“ (TED), „ökologische Schutzpriorität“ (ECP) und „Dorferneuerung und -aktivierung“ (VRA); die gestrichelte Linie zeigt den Waldanteil im Basisjahr 2015. (B) Gesamte Kohlenstoffspeicherung im Jahr 2015 sowie Prognosen für 2030 und 2050 unter den vier Szenarien, angegeben in Teragramm Kohlenstoff (Tg C). (C) Rangfolge von Höhe, Hangneigung, Nordausrichtung und topographischer Relieftiefe basierend auf den q-Statistiken, die mit dem geographischen Detektor auf Grundlage optimaler Parameter (OPGD) ermittelt wurden; höhere q-Werte weisen auf stärkere statistische Assoziationen mit der Kohlenstoffdichte im Jahr 2015 hin. (D) Zusammenfassung wichtiger quantitativer Indikatoren, einschließlich der Basis-Kohlenstoffspeicherung und -dichte, des prognostizierten Kohlenstoffverlustbereichs für 2050, der Differenz der Kohlenstoffspeicherung zwischen den Szenarien ECP und TED, Validierungsmetriken sowie der stärksten bewerteten topographischen Assoziation. OA, Gesamtgenauigkeit; FoM, Figure of Merit; Mg C ha-1, Megagramm Kohlenstoff pro Hektar. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Ergänzende Abbildung 1. Einzelne Sensitivitätsanalyse der Kohlenstoffspeicherung im Jahr 2050 unter den vier Landnutzungsszenarien. (A) Nominale Kohlenstoffspeicherung im Jahr 2050 und der gesamte OAT-Sensitivitätsbereich für BAU, TED, ECP und VRA. Die Punkte zeigen die nominalen Szenariowerte an, und die vertikalen Bereiche geben die minimalen und maximalen Werte der Kohlenstoffspeicherung an, die erzielt wurden, indem jeweils einer der Parameter dev, fp oder af mit 0,5 bzw. 1,5 multipliziert wurde, während die übrigen Parameter konstant gehalten wurden. (B) Änderung der Kohlenstoffspeicherung im Jahr 2050 im Vergleich zum entsprechenden nominalen Szenariowert nach Störungen der Parameter dev, fp und af um den Faktor 0,5× und 1,5×. Werte über null weisen auf eine höhere Kohlenstoffspeicherung als im nominalen Fall hin, Werte unter null auf eine geringere Kohlenstoffspeicherung. Die Bereiche stellen deterministische, einzeln vorgenommene Parameterstörungen dar und keine probabilistischen Konfidenzintervalle.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 1. Landnutzungs-Übergangsmatrix, Szenarioparametrisierung, Modellvalidierung und Ergebnisse der Einzelparameter-Sensitivitätsanalyse. Die Arbeitsmappe enthält vier Tabellenblätter: S1, die operative Landnutzungs-Übergangsmatrix für den Zeitraum 2010–2015; S2, Parameterwerte, implementierte Regeln und Interpretationsgrenzen für die vier Szenarien; S3, die 9 × 9-Konfusionsmatrix und die zugehörigen Modellvalidierungsergebnisse; sowie S4, nominelle Ergebnisse und Ergebnisse der Einzelparameter-Sensitivitätsanalyse, die durch Variation von dev, fp und af um den Faktor 0,5× und 1,5× bei konstant gehaltenen übrigen Parametern erhalten wurden. Die Sensitivitätsbereiche stellen deterministische Parameterstörungen dar und keine probabilistischen Konfidenzintervalle.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzungstabelle 2. Klassenkennungen der Landbedeckung, die im rechnergestützten Workflow verwendet wurden. Die Tabelle listet die numerischen Klassenkennungen und die entsprechenden Landbedeckungsklassen auf, die in den Rasteranalysen verwendet wurden. Die Klasse 0 kennzeichnet NoData außerhalb der gültigen Untersuchungsgebietsmaske; die Klassen 1–9 kennzeichnen jeweils Ackerland, Wald, Gestrüpp, Grasland, Wasser, Schnee/Eis, karge Flächen, versiegelte Flächen und Feuchtgebiete.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 3. Ergebnisse der OPGD-Faktor- und Interaktionsdetektion für die Kohlenstoffdichte im Jahr 2015. Die Tabelle zeigt optimierte q-Statistiken, Anzahlen von Diskretisierungsintervallen, analytische F-Test-p-Werte und Permutations-p-Werte basierend auf 999 Permutationen für Höhe, Hangneigung, Nordausrichtung und topografische Reliefform. Die paarweisen Interaktionsergebnisse enthalten die Interaktions-q-Statistik, die individuellen Faktor-q-Statistiken sowie die Klassifizierung der Interaktion. Die angegebenen Statistiken repräsentieren räumliche Assoziationen und belegen keine kausalen Effekte.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Anmerkung 1. Beschreibungen der einzelnen Abbildungsteile, Datenquellen und Interpretationshinweise zu den Abbildungen der Arbeit. Diese Anmerkung benennt den Inhalt und die zugrundeliegenden Datenquellen der einzelnen Abbildungsteile und liefert Informationen zu gemeinsamen räumlichen Ausdehnungen, doppelt dargestellten Inhalten sowie zur Interpretation der abgebildeten Variablen.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datenarchiv (komprimiert). Das Archiv enthält 26 analysenfertige GeoTIFF-Dateien, Begrenzungsdateien, Metadaten, Ergebnisse, Skripte, Abbildungen, Arbeitsmappen, Dateien zur exakten Rechenumgebung, eine README-Datei und SHA-256-Prüfsummen.

Diskussion

Bei den vier Stresstests nahm die Kohlenstoffspeicherung ab, da simulierte Übergänge die Anteile von Landnutzungsklassen mit hoher und niedriger Dichte veränderten. TED führte zum stärksten Rückgang, während ECP den geringsten verursachte. Ein entscheidender Schritt bei der Anwendung des Protokolls ist daher die Konfiguration und Interpretation der Parameter dev, fp und af. Da sich die Szenariodifferenzen aus diesen vorgegebenen Werten ergeben, stellen sie bedingte Modellreaktionen dar und keine beobachteten Effekte von Tourismusentwicklung, Dorferneuerung oder ökologischer Regulierung. Bis zum Jahr 2050 war die projizierte Kohlenstoffspeicherung unter TED um 5,048 Tg C niedriger als unter ECP. Gemäß der verwendeten Nachschlagetabelle verringert die Umwandlung eines Hektars Wald in versiegelte Fläche den zugeordneten Vorrat um 149,32 Mg C, während die Umwandlung von Ackerland in versiegelte Fläche ihn um 38,45 Mg C verringert. Diese bilanziellen Unterschiede erklären den starken Einfluss der simulierten Waldumwandlung auf die Gesamtspeicherung. Die alleinige Verwendung literaturbasierter Werte ohne lokale Kalibrierung führt jedoch zu Unsicherheiten bei den absoluten Schätzungen.

Ein weiterer kritischer Schritt ist die Ableitung und Diskretisierung der im OPGD verwendeten Geländeparameter. Die Topographie war nach optimierter Diskretisierung mit der Kohlenstoffdichte assoziiert (q = 0,460). Relief wurde als lokaler Höhenunterschied innerhalb einer kreisförmigen Nachbarschaft mit einem Radius von 450 m definiert und mithilfe eines 31 × 31-Pixel-Fußabdrucks umgesetzt. Zellen mit hohem Relief können mit steilen, bewaldeten Gebieten zusammenfallen, doch OPGD kann nicht zwischen Gelände, Erreichbarkeit, Landnutzungsgeschichte, Boden, Bewirtschaftung und anderen korrelierten Erklärungen unterscheiden. Gepaarte Geländestufen ergaben höhere q-Werte als einzelne Faktoren, insbesondere für Steigung ∩ Relief (q = 0,628). Dieses Muster ist deskriptiv und nicht mechanistisch. Ebenso zeigt der geringe q-Wert für Nordausrichtung (0,003) nicht, dass Unterschiede in der Sonneneinstrahlung schwach sind; die Überprüfung dieser Erklärung erfordert Messungen der Strahlung, Mikroklima, Vegetation und Feldbeobachtungen.

Die Methode unterstützt die Erstellung regionaler Hypothesen: die Begrenzung simulierter Waldumwandlung, die Mäßigung der Ausdehnung versiegelter Flächen und die Steigerung des Übergangs von Ackerland zu Wald bewahren mehr zugewiesenen Kohlenstoff. Standortspezifische Maßnahmen erfordern zusätzliche Belege. Zur Anpassung des Workflows für entscheidungsorientierte Anwendungen sollten verifizierte Layer zu Schutzgebieten, ökologischen Rotlinien, Verkehrswegen, Parzellen und Dorfknotenpunkten zusammen mit Bewertungen der Beteiligung der Interessengruppen, der Wechselwirkungen zwischen Ökosystemleistungen, Anreizen, Wiederherstellungskosten, kulturellen Leistungen, Lebensgrundlagen und der Biodiversität einbezogen werden49,50,51,52,53,54,55,56. Diese Erweiterungen sind wichtig, da das derzeitige Protokoll solche räumlichen oder sozioökonomischen Einschränkungen nicht berücksichtigt. Die weiterreichende Fachliteratur weist außerdem darauf hin, dass Pflanzenlagerungsstrategien, Waldstruktur, nicht-bäumige Vegetation, Touristenverhalten und Lebenszykluseffekte der gebauten Umwelt Analysen erfordern, die sich von der vorliegenden Landnutzungsbilanzierung unterscheiden57,58,59,60,61.

Mehrere Einschränkungen bestimmen die angemessene Anwendung und Interpretation der Methode. Dazu gehören literaturbasierte Kohlenstoffdichten ohne lokale Feldkalibrierung, mögliche Klassifikationsfehler bei CLCD, ein vereinfachtes benutzerdefiniertes Markov-CA, ein auf Veränderungen ausgerichtetes Validierungs-FoM von 0,107, nicht angepasste Parameter für Stresstests und eine stochastische Bewertung mit einem einzigen Startwert. Weitere Einschränkungen sind das „One-Factor-at-a-Time“-Design anstelle einer probabilistischen Unsicherheitsanalyse, die Auslassung von Planungs-, sozioökonomischen, Zugangs-, Boden-, Waldalter- und Klimawandel-Ebenen sowie nichtkausale OPGD-Zusammenhänge. Diese Einschränkungen bedeuten, dass der Arbeitsablauf für vergleichende regionale Szenariobewertungen geeignet ist, jedoch keine deterministischen räumlichen Prognosen, lokal kalibrierten Kohlenstoffinventare oder kausalen Schätzungen der politischen Wirksamkeit liefert.

Im Vergleich zu bestehenden und alternativen Ansätzen liegt die Bedeutung des Protokolls in der Integration von Landnutzungssimulation, Vier-Pool-Kohlenstoffbilanzierung, Validierung, Sensitivitätsprüfung und Geländeassoziationsanalyse in einen reproduzierbaren Arbeitsablauf, wobei gleichzeitig klare Einschränkungen bei der Interpretation explizit erhalten bleiben. Bei der Fehlersuche und Modifikation sollte insbesondere auf die Schritte geachtet werden, die die nachgeschaltete Interpretation am stärksten beeinflussen: Vorverarbeitung und Maskierung der Landbedeckung, Parametrisierung von Übergängen und Szenarien, Modellvalidierung, Zuweisung der Kohlenstoffdichte und Diskretisierung des Geländes.

Der Arbeitsablauf kann zur vergleichenden Bewertung alternativer Landnutzungsverläufe und zur Identifizierung räumlicher Zusammenhänge, die weitere Untersuchungen erfordern, herangezogen werden, wobei ortspezifische Anwendungen zusätzliche, lokal überprüfte Belege benötigen. Zu den Forschungsprioritäten zukünftiger Arbeiten gehören die Erfassung lokaler Kohlenstoffmessungen, der Vergleich alternativer Allokationsmodelle und Zufallsseeds, die Anpassung von Parametern an unabhängige Einflussfaktoren sowie die Weiterleitung von Unsicherheiten hinsichtlich Klassifizierung, Parameter und Klima. Diese Entwicklungen würden den gegenwärtigen Arbeitsablauf über vergleichende Belastungstests hinaus erweitern und eine solide Grundlage für die Bewertung von Ergebnissen bezüglich Landnutzung und Kohlenstoffspeicherung unter zusätzlichen Unsicherheitsquellen schaffen.

Offenlegungen

Die Autoren erklären, dass kein Interessenkonflikt besteht.

Danksagungen

Die Autoren danken den Anbietern der Datensätze CLCD und Copernicus DEM GLO-30.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Chinesischer Landbedeckungs-Datensatz (CLCD)Wuhan University (Yang J & Huang X)1985–2022 jährliches Produkt; 30 m; Zenodo DOI: 10.5281/zenodo.4417810Grundlegende Landbedeckungs-Eingabe; die Schichten aus 2005, 2010 und 2015 wurden für Kalibrierung, Validierung, Schätzung der Übergangsmatrix und Basisanalyse verwendet
Copernicus DEM GLO-30Europäische Weltraumagentur / Copernicus-ProgrammReferenzzeitpunkt 2019; öffentliche Veröffentlichung 2021; 30 mTopographische Eingabe zur Ableitung von Höhe, Hangneigung, Nordausrichtung und topographischer Reliefform für die OPGD-Analyse
Individueller Markov-ZellenautomatIndividuelle Python-ImplementierungPython 3.11; Zufallsstartwert 2023; synchrones Update; 3 × 3 Moore-Nachbarschaft; archivierte QuellcodeSimulation von Landnutzungsszenarien; individuelle Implementierung ohne Nutzung von PLUS
geopandas (Python-Bibliothek)geopandas-Entwickler1.1.4Verarbeitung von Vektordaten, räumliche Abfragen und Randoperationen
InVEST-Vier-Pool-Kohlenstoffspeicher-FormulierungNatural Capital ProjectInVEST-Dokumentation; individuelle Python-Nachschlageberechnung; archiviertes SkriptKlassenbasierte Vier-Pool-Kohlenstoffbilanzierung; ohne Sequestrierungsrate, Bewertung oder ökonomisches Modul
matplotlib (Python-Bibliothek)Matplotlib-Entwickler3.11.0Erstellung von Abbildungen und wissenschaftliche Visualisierung
numpy (Python-Bibliothek)NumPy-Entwickler2.4.6Zahlenberechnungen auf Array-Ebene
OPGD-Faktor- und InteraktionsdetektorenIndividuelle Python-Implementierung basierend auf der OPGD-MethodeStartwert 42; Stichprobe von 200.000 Pixeln; 2–15 Quantilintervalle; 999 Permutationen; archiviertes SkriptFaktor- und Interaktionsanalyse der Zusammenhänge zwischen der Kohlenstoffdichte 2015 und Höhe, Hangneigung, Nordausrichtung und topographischem Relief
pandas (Python-Bibliothek)pandas-Entwickler3.0.3Verarbeitung von Tabellendaten und Analyse der Ergebnisausgabe
Programmiersprache PythonPython Software Foundation3.11.9Rechnerumgebung für Vorverarbeitung, Simulation, Validierung, Kohlenstoffbilanzierung, OPGD-Analyse und Nachverarbeitung
rasterio (Python-Bibliothek)rasterio-Maintainer1.4.4Raster-Ein- und Ausgabe, Neuprojektion, Resampling und Verarbeitung von Landbedeckungs- und Geländerastern
scipy (Python-Bibliothek)SciPy-Entwickler1.17.1Numerische und morphologische Operationen zur Geländeverarbeitung
shapely (Python-Bibliothek)Shapely-Entwickler2.1.2Geometrische Operationen zur Unterstützung der Vektor- und räumlichen Verarbeitung
Studienareal-Ausdehnung und gültige MaskeIndividuelle Studieneingabe, rekonstruiert aus den im Manuskript angegebenen KoordinatenEPSG:32650; 30 m; archivierte GeoJSON- und GeoTIFF-Dateien; 4.632.329 gültige ZellenDefiniert den gemeinsamen Analysebereich von 4.169,1 km² und die gültige Rastermaske

Referenzen

  1. Costanza R, et al. The value of the world's ecosystem services and natural capital. Nature. 1997;387(6630):253-260. doi:10.1038/387253a0.
  2. Millennium Ecosystem Assessment. Ecosystems and Human Well-Being: Synthesis. Island Press; Washington, DC; 2005.
  3. UNESCO World Heritage Centre. Mount Huangshan [Internet]. UNESCO; Paris; [cited 2026 Aug 18]. Available from: https://whc.unesco.org/en/list/547
  4. UNESCO World Heritage Centre. Ancient Villages in Southern Anhui—Xidi and Hongcun [Internet]. UNESCO; Paris; [cited 2026 Aug 18]. Available from: https://whc.unesco.org/en/list/1002
  5. Megarry WP, et al. Land use and land cover analysis of cultural World Heritage to inform assessments of climate vulnerability. Journal of Cultural Heritage. 2026;77:243-253. doi:10.1016/j.culher.2025.11.008.
  6. Wang Y, Chen S, Rabeeu A. Does world heritage site initiation promote tourism? A difference-in-difference approach. Tourism Economics. 2024;30(8):2111-2133. doi:10.1177/13548166241253306.
  7. Wang Y, Sulaiman MKAM, Harun NZ. Reframing place identity for traditional village conservation: A theoretical model with evidence from Dali Dong Village. Heritage. 2025;8(10):427. doi:10.3390/heritage8100427.
  8. 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. doi:10.1016/j.compenvurbsys.2020.101569.
  9. Sharp R, et al. InVEST User's Guide: Integrated Valuation of Ecosystem Services and Tradeoffs. [Internet]. Natural Capital Project, Stanford University; 2020. Available from: https://naturalcapitalproject.stanford.edu/software/invest
  10. Song Y, Wang J, Ge Y, Xu C. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: cases with different types of spatial data. GISci Remote Sens. 2020;57(5):593-610. doi:10.1080/15481603.2020.1760434.
  11. Bozali N. Spatiotemporal simulation of land use and land cover changes in Türkiye through a CA–Markov framework. Scientific Reports. 2026;16(1). doi:10.1038/s41598-026-35807-9.
  12. Gita B, Pankaj L. Modeling alternative futures: Scenario-based land-use and land-cover projections for Nepal (2030–2050). Land. 2026;15(5):873. doi:10.3390/land15050873.
  13. Cui J, et al. An integrated land use–carbon modeling framework for net carbon emissions and spatial optimization in Northeast China. Journal of Cleaner Production. 2025;525:146545. doi:10.1016/j.jclepro.2025.146545.
  14. Tang H, et al. Analysis of spatiotemporal variations and driving factors of carbon storage based on the PLUS-InVEST-OPGD model: A case study of Tai'an City. Sustainability. 2026;18(8):4017. doi:10.3390/su18084017.
  15. Zhang Y, Liao X, Sun D. A coupled InVEST-PLUS model for the spatiotemporal evolution of ecosystem carbon storage and multi-scenario prediction analysis. Land. 2024;13(4):509. doi:10.3390/land13040509.
  16. Huang M, et al. Integrated assessment of land use and carbon storage changes in the Tulufan-Hami Basin under the background of urbanization and climate change. Int J Appl Earth Obs Geoinf. 2024;135:104261. doi:10.1016/j.jag.2024.104261.
  17. Ma Y, et al. Assessing carbon storage dynamics and policy impacts: Application of InVEST-PLUS framework in the Qinling Mountains, China. Land Use Policy. 2026;164:107947. doi:10.1016/j.landusepol.2026.107947.
  18. Li Z, Yan T, Du Y. Scenario-based simulation of carbon storage in Chengdu using MCCA-InVEST: land use change, spatial patterns, and driving mechanisms. Carbon Balance Manag. 2025;20:40. doi:10.1186/s13021-025-00328-x.
  19. Zhao H, Guo B, Wang G. Spatial-temporal changes and prediction of carbon storage in the Tibetan Plateau based on PLUS-InVEST model. Forests. 2023;14(7):1352. doi:10.3390/f14071352.
  20. Hasan F, Makhtoumi Y, Chen G. Impact of land use and land cover changes on ecosystem services: a multi-module InVEST-LCM analysis. Earth Syst Environ. 2026;10:7019-7041. doi:10.1007/s41748-025-00995-3.
  21. Zhang H, Luo J, Wu J, Dong H. Dynamic response of carbon storage to future land use/land cover changes motivated by policy effects and core driving factors. J Plant Ecol. 2024;17(4):rtae042. doi:10.1093/jpe/rtae042.
  22. Lu L, et al. Spatiotemporal variation and quantitative attribution of carbon storage based on multiple satellite data and a coupled model for Jinan City, China. Remote Sens. 2023;15(18):4472. doi:10.3390/rs15184472.
  23. Ma J, Hao Z, Shen Y, Zhen Z. Spatial-temporal evolution of carbon storage and its driving factors in the Shanxi section of the Yellow River Basin, China. Ecological Modelling. 2025;502:111039. doi:10.1016/j.ecolmodel.2025.111039.
  24. Mi Y, Li S, Wu B. Study on the variation of carbon storage in the Chang-Zhu-Tan urban agglomeration in China based on topographic relief. Frontiers in Environmental Science. 2024;12. doi:10.3389/fenvs.2024.1481540.
  25. Li C, Huang J, Luo Y, Wang J. Spatial synergy between carbon storage and emissions in coastal China: Insights from PLUS-InVEST and OPGD models. Remote Sensing. 2025;17(16):2859. doi:10.3390/rs17162859.
  26. Ocloo DM, Mizunoya T. Carbon storage and land use dynamics in Ghanaian university campuses: A scenario-based assessment using the InVEST model. Land. 2025;14(10):1987. doi:10.3390/land14101987.
  27. Wang Z, Zhang Y, Zhang Z. Scenario analysis of carbon reduction potential through forest carbon sink mechanisms in the Beijing–Tianjin–Hebei Region, China. Sustainability. 2025;17(17):7992. doi:10.3390/su17177992.
  28. Ma J, Shi P. Remotely sensed inter-field variation in soil organic carbon content as influenced by the cumulative effect of conservation tillage in northeast China. Soil and Tillage Research. 2024;243:106170. doi:10.1016/j.still.2024.106170.
  29. Li M, Cui Y, Dong J, Qin Y. Abandoned cropland compensates the decrease in net ecosystem productivity of impervious surface expansion in China. Environmental Impact Assessment Review. 2024;104:107363. doi:10.1016/j.eiar.2023.107363.
  30. Wang J, Zhang M, Zhou S, Huang Y. Research on the spatiotemporal evolution and driving factors of forest carbon sink increment—based on data envelopment analysis and production theoretical decomposition model. Forests. 2025;16(1):104. doi:10.3390/f16010104.
  31. Cai Y, et al. Dynamics of China's forest carbon storage: the first 30 m annual aboveground biomass mapping from 1985 to 2023. Earth System Science Data. 2025. doi:10.5194/essd-17-6993-2025.
  32. Piao S, et al. The carbon balance of terrestrial ecosystems in China. Nature. 2009;458(7241):1009-1013. doi:10.1038/nature07944.
  33. Fuller M, et al. Global carbon storage in harvested wood products: a forest sector model inter-comparison. Environmental Research Letters. 2025;20. doi:10.1088/1748-9326/ae0ce0.
  34. Milodowski D, Smallman T, Williams M. Scale variance in the carbon dynamics of fragmented, mixed-use landscapes estimated using model–data fusion. Biogeosciences. 2023. doi:10.5194/bg-20-3301-2023.
  35. Zeyu X, et al. Topographic and edaphic drivers of community structure and species diversity in a subtropical deciduous broad-leaved forest in eastern China. Forests. 2025;16(12):1837. doi:10.3390/f16121837.
  36. Hunter BD, Roering JJ, Silva LCR, Moreland KC. Geomorphic controls on the abundance and persistence of soil organic carbon pools in erosional landscapes. Nature Geoscience. 2024;17(2):151-157. doi:10.1038/s41561-023-01365-2.
  37. Li L, et al. Spatial scale effects of interacting abiotic and biotic factors on aboveground carbon storage in a subtropical evergreen broadleaf forest in southern China. Journal of Forestry Research. 2024;36(1). doi:10.1007/s11676-024-01804-9.
  38. Zhaoxue G, et al. Temporal and spatial characteristics and influencing factors of carbon storage in black soil area under topographic gradient. Land. 2024;14(1):16. doi:10.3390/land14010016.
  39. Nie Q, et al. Exploring scaling differences and spatial heterogeneity in drivers of carbon storage changes: a comprehensive geographic analysis framework. Ecological Indicators. 2024. doi:10.1016/j.ecolind.2024.112193.
  40. Liu J, et al. Analysis of the evolution characteristics and driving mechanisms of salinization in arid regions based on multi-factor interaction with optimized parameter geographic detector (OPGD)1. Journal of Environmental Management. 2025;394:127487. doi:10.1016/j.jenvman.2025.127487.
  41. Wang Z, Zhou Y, Sun X, Xu Y. Estimation of NPP in Huangshan District based on deep learning and CASA model. Forests. 2024;15(8):1467. doi:10.3390/f15081467.
  42. Vancine MH, et al. ATLANTIC SPATIAL: a dataset of landscape, topographic, hydrological, and anthropogenic metrics for the Atlantic Forest. Ecology. 2026;107(4). doi:10.1002/ecy.70360.
  43. Qiu M, et al. Spatio-temporal changes and hydrological forces of wetland landscape pattern in the Yellow River Delta during 1986–2022. Landscape Ecology. 2024;39. doi:10.1007/s10980-024-01850-y.
  44. Anand S, Khushboo K, Garkoti S. Influence of vegetation and soil properties on carbon stocks in Shorea robusta. forests under different disturbance regimes. Journal of Environmental Management. 2025;380:124916. doi:10.1016/j.jenvman.2025.124916.
  45. Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019. Earth Syst Sci Data. 2021;13(8):3907-3925. doi:10.5194/essd-13-3907-2021.
  46. Copernicus Data Space Ecosystem. Copernicus DEM GLO-30 [Internet]. European Union; [cited 2026 Aug 18]. Available from: https://documentation.dataspace.copernicus.eu/Data/Others/CCM.html
  47. Cheng Z, et al. Identification of eco-functional zones based on ecosystem service bundles: a case study of the Fujiang River Basin. Front Environ Sci. 2026;14:1754712. doi:10.3389/fenvs.2026.1754712.
  48. Pontius RG Jr, et al. Comparing the input, output, and validation maps for several models of land change. Ann Reg Sci. 2008;42(1):11-37. doi:10.1007/s00168-007-0138-2.
  49. Li Y, et al. Dissemination, manipulation or monopolization? Understanding the influence of stakeholder information sharing on resident participation in neighborhood rehabilitation of urban China. Land Use Policy. 2024;147:107359. doi:10.1016/j.landusepol.2024.107359.
  50. Peng J, et al. A landscape ecological approach to spatial conservation planning—ecological security pattern. Trends in Ecology & Evolution. 2025. doi:10.1016/j.tree.2025.07.014.
  51. Roh H, Park J, Chon J. Trade-off analysis of ecosystem services in regulated river areas: supporting, regulating, and cultural services. Sustainability. 2025;17(9):3788. doi:10.3390/su17093788.
  52. Roy Chowdhury PK, Brown DG. Modeling the effects of carbon payments and forest owner cooperatives on carbon storage and revenue in Pacific Northwest forestlands. Land Use Policy. 2023;131:106725. doi:10.1016/j.landusepol.2023.106725.
  53. Savo V, et al. Evaluation of main regulating, provisioning, and supporting ecosystem services of urban street trees: a literature review. Ecosystem Services. 2025;71:101690. doi:10.1016/j.ecoser.2024.101690.
  54. Shibo Z, Gui J. The cost of ecological protection and restoration: evidence from the impact of the Shan-shui project on land values. Land Use Policy. 2026;164:107919. doi:10.1016/j.landusepol.2026.107919.
  55. Deng H, Zhou X, Liao Z. Ecological redline delineation based on the supply and demand of ecosystem services. Land Use Policy. 2024;140:107109. doi:10.1016/j.landusepol.2024.107109.
  56. Xu H, et al. Revealing youth-perceived cultural ecosystem services for high-density urban green space management: a deep learning spatial analysis of social media photographs from central Beijing. Landscape Ecology. 2025;40. doi:10.1007/s10980-025-02115-y.
  57. Binter J, Doležal J. High-elevation angiosperms maintain extensive living storage tissue with large non-structural carbohydrate pools. Annals of Botany. 2026. doi:10.1093/aob/mcag023.
  58. Arayaselassie A, Bekele T, Lulekal E. An insight into Northern Wollo Monastery Forests: examining plant species diversity, vegetation structure, and regeneration analysis of these relict ecosystems. PLoS ONE. 2025;20. doi:10.1371/journal.pone.0330689.
  59. Slate ML, et al. Impact of changing climate on bryophyte contributions to terrestrial water, carbon, and nitrogen cycles. New Phytologist. 2024;242. doi:10.1111/nph.19772.
  60. Sun D, Yang D, Wang J, Tan F. How animal metaphors increase tourists' waste classification intention? Environmental Research Communications. 2024;6(10):105012. doi:10.1088/2515-7620/ad82b0.
  61. Sindhu Pradeep M, Rismanchi B, Stephan A, Ngo T. Synergising circularity and temporal dynamics into life cycle sustainability assessment of prefabricated buildings: a system dynamics-based assessment with static–dynamic comparison. Building and Environment. 2026;302:114795. doi:10.1016/j.buildenv.2026.114795.

Nachdrucke und Genehmigungen

Tags

LandnutzungsänderungSzenariensimulationMarkov-ZellularautomatGeografischer DetektorÖkosystemdienstleistungenKohlenstoffbilanzierungTourismusexpansionÖkologischer Naturschutz

Dieser Artikel wurde veröffentlicht

Video demnächst verfügbar

Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.