Fernerkundungsbasierte Bewertung von Resilienzschwellen in zweischichtigen ökologisch-kulturellen Netzwerken von Hakka-Kultur-Schutzzonen

Zusammenfassung

Diese Studie entwickelt ein zweischichtiges ökologisch-kulturelles Netzwerk für drei Gebiete der kulturellen ökologischen Schutzzone der Hakka im Süden Chinas. Mithilfe einer Perkolationsanalyse werden unterschiedliche Schwellenwerte für die strukturelle Robustheit der ökologischen und der kartierten Kulturerbe-Bestandsaufnahmeschichten identifiziert, während ein Index zur Priorisierung von Wiederherstellungsmaßnahmen einflussreiche Flächen ermittelt. Der vorgestellte Ansatz ermöglicht einen evidenzbasierten Vergleich von Wiederherstellungs- und Überwachungsoptionen zwischen den Zonen.

Zusammenfassung

Diese Studie schlägt einen Rahmen für ein zweischichtiges ökologisches und kulturelles Erbe-Netzwerk (Dual-layer Ecological–Heritage Network, DEHN) vor, der die ökologische Vernetzung und das immaterielle Kulturerbe als gekoppelten zweilagigen Graphen modelliert und auf drei kulturelle ökologische Schutzgebiete der Hakka in Südchina (74.547 km²) angewendet wird. Konkret erstellten die Autoren mithilfe von MSPA-lite auf Basis von Landnutzungsdaten (2000–2023) ein ökologisches Netzwerk aus 233 Knoten und 799 Kanten, das über ein Distanz-Abkling-Schema von 10 km mit einem Erbe-Netzwerk aus 23 Knoten und 73 Kanten gekoppelt ist. Außerdem zeigen Perkolationstests kritische Schwellenwerte von 0,690 für die ökologische Schicht und 0,925 für die Erbe-Schicht, was darauf hinweist, dass das ökologische Netzwerk früher seine Zusammenhängigkeit verliert als das ICH-Inventar-Netzwerk. Ein Index zur Bewertung von Renaturierungsprioritäten identifiziert 47 Flächen der höchsten Prioritätsstufe (Top-Rang) und 46 hochpriorisierte Flächen, wobei Meizhou 75 % der Spitzenränge konzentriert. Gegenfaktische Simulationen zeigen, dass eine Verringerung der Kantenkosten die Kollaps-Schwellen verändert, während der Verlust von Flächen diese um 98,4 % senkt, was eine topologische Erweiterung durch neue Zwischenstopps erfordert. Der DEHN-Rahmen ermöglicht insgesamt einen dichte-normalisierten Vergleich (23,3 vs. 3,21) und zeigt, dass die ökologische Schicht pro Einheit Vernetzung widerstandsfähiger ist, wodurch eine übertragbare Vorlage für die koordinierte Renaturierungsplanung in geschützten kultur-ökologischen Zonen bereitgestellt wird. Der DEHN-Rahmen unterstützt das Ziel 11.4 der Agenda 2030 („Stärkung der Bemühungen zum Schutz und zur Bewahrung des kulturellen und natürlichen Erbes der Welt“) und das Aichi-Biodiversitätsziel 11 (Sicherung mindestens 17 % der terrestrischen Flächen). Die identifizierten Perkolationsschwellen (ökologisch f_C = 0,690, Erbe f_C = 0,925) liefern quantitative Referenzwerte, um zu beurteilen, ob das Management der CEPZ die Netzwerkresilienz über der Kollaps-Schwelle gehalten hat. Die Erkenntnis, dass 47 Flächen (20 % des ökologischen Netzwerks) die höchste Prioritätsstufe (Top-Rang) bilden, deren Verlust einen Kaskadenversagen auslösen würde, legt nahe, dass die Festlegung der CEPZ-Grenzen – die diese topologisch kritischen Flächen nicht priorisiert – möglicherweise unzureichend ist, um die Ziele von SDG 11.4 zu erreichen. Die Autoren empfehlen, dass CEPZ-Managementpläne Netzwerkresilienz-Schwellenwerte als Monitoring-Indikatoren integrieren und jährlich berichten, ob der konsensuale f_C-Wert über 0,50 bleibt (die operationelle Definition des Netzwerkkollapses).

Einleitung

Weltweit werden gekoppelte ökologische und kulturelle Landschaften gleichzeitig durch Urbanisierung, ländliche Entvölkerung und klimatische Variabilität umgestaltet, wodurch sowohl die biophysikalische Integrität als auch die Kontinuität des kulturellen Erbes gefährdet sind^1,2. Bergkulturlandschaften sind besonders betroffen: Sie beherbergen einen überproportionalen Anteil des immateriellen Kulturerbes und gleichzeitig die letzten zusammenhängenden Waldbestände vieler dicht besiedelter Regionen³. Das Ziel 11.4 der Agenda für nachhaltige Entwicklung und das Aichi-Ziel 11 fordern gemeinsam den Schutz des weltweiten kulturellen und natürlichen Erbes sowie den Erhalt ökologisch repräsentativer Lebensräume, doch eine zehnjährige Beobachtung zeigt, dass sich diese beiden Ziele in vielen Regionen ungleichmäßig weiterentwickeln⁴. In China legt das nationale Programm für Kulturelle Ökologische Schutzgebiete (CEPZ) zusammenhängende Gebietseinheiten fest, in denen ökologische Integrität und immaterielles Erbe als ein einheitliches System erhalten werden sollen⁵. Dennoch wurde die CEPZ-Politik mehr als fünfzehn Jahre nach ihrer Einführung bislang nahezu ausschließlich anhand inventarbasierte Indikatoren bewertet, nicht aber anhand der räumlichen Mechanismen, die die beiden Aspekte verbinden. Ob sich die ökologischen und kulturellen Subsysteme innerhalb der CEPZs jedoch synchron oder auf unterschiedlichen Wegen aufgrund verschiedener Belastungsfaktoren abbauen, bleibt empirisch auf jeder räumlichen Skala ungeklärt.

Durch die Neugestaltung der Verteilung und Durchlässigkeit von Habitatmatrizen verändert die Zerschneidung der Landschaft die Konnektivität, die der Bereitstellung von Ökosystemleistungen zugrunde liegt⁶. Die Fragmentierung wird üblicherweise mithilfe von Indizes zur Beschreibung der Landschaftsstruktur quantifiziert – beispielsweise durch die Pächen-Dichte, die Irregularität der Formen oder die Shannon-Diversität der Landnutzungsarten –, die oft mit Analysen auf der Grundlage von gleitenden Fenstern kombiniert werden⁷. In jüngerer Zeit hat sich die morphologische räumliche Musteranalyse (MSPA) – sowie ihre vereinfachten Varianten (MSPA-lite), die hier verwendet werden – als Standardmethode zur Identifizierung der Kern-Rand-Brücken-Struktur von Habitaten in der regionalen Ökologie Chinas etabliert^8,9. Diese morphologischen Werkzeuge liefern zwar aussagekräftige Informationen, sind jedoch grundsätzlich raumlos im Hinblick auf Organismen oder den Fluss von Ökosystemleistungen: Sie beschreiben die Verteilung von Habitatfragmenten, sagen aber nichts darüber aus, wie und entlang welcher Wege sich Ökosystemleistungen zwischen den Habitatkernen ausbreiten¹⁰. Diese Einschränkung ist besonders relevant in chinesischen CEPZs, da die zugrundeliegende politische Annahme genau darin besteht, dass ökologische und kulturelle Einheiten funktional über die gesamte Landschaft hinweg verbunden sind. Ohne ein raumbezogenes Modell, das konkrete Mechanismen berücksichtigt, können Landschaftsmetriken allein jedoch nicht die Konnektivitätswege offenlegen, die das Management von CEPZs eigentlich schützen soll.

Konnektivitätsmodelle, die auf Graphen- und Schaltungstheorie basieren, haben diese Lücke für ökologische Leistungen teilweise geschlossen. Die Analyse von kostengünstigsten Wegen (LCP) auf Widerstandsflächen, die aus Landnutzungskarten abgeleitet werden, ist mittlerweile ein Standardwerkzeug zur Abgrenzung ökologischer Korridore zwischen Habitatkernen^11,12. Die Schaltungstheorie (Circuitscape) betrachtet die Landschaft als Widerstandsnetzwerk und berechnet Wahrscheinlichkeiten für Mehrwege-Flüsse¹³. Neuere Synthesen mittels Multiplex-Netzwerken haben gezeigt, dass sich diese einlagigen Werkzeuge erweitern lassen, um Flüsse von Angebot und Nachfrage bei Ökosystemleistungen darzustellen^14,15. Auf der Seite des kulturellen Erbes hat die räumliche Quantifizierung entlang anderer Ansätze Fortschritte gemacht. Die Kernel-Dichteschätzung (KDE) ist zur Standarddarstellung der räumlichen Häufung immateriellen Kulturerbes geworden¹⁶, und kombinatorische Graphen – meist Delaunay-Triangulationen oder k-Nächste-Nachbarn-Netzwerke über deklarierte Erbestandorte – erfassen die diskrete relationale Struktur des kulturellen Erbes¹⁷. Die ökologischen und die Erbenetzwerke wurden jedoch fast immer als parallele einlagige Objekte behandelt^18,19; die Möglichkeit, sie zu einem übergeordneten Netzwerk zu koppeln, dessen Ausbreitungsdynamik gemeinsam von beiden Schichten bestimmt wird, wurde im Maßstab der CEPZ bisher nicht operationalisiert^20,21. Folglich sind die Resilienzschwellen, bei denen gekoppelte zweilagige Netzwerke unter fortschreitender Entfernung von Belastungsfaktoren ihre große zusammenhängende Komponente verlieren, noch unbekannt.

Netzwerkmodelle – bei denen Knoten die Akteure und Kanten die Interaktionen repräsentieren – stellen die mathematische Grundlage zur Schließung dieser Lücke dar²². Mehrlagige und multiplexe Netzwerke verallgemeinern die Graphdarstellung auf Systeme, in denen dieselben Akteure an strukturell unterschiedlichen Interaktionsregimen teilnehmen²³ und bieten eine kompakte Methodik zur Messung der Kopplung zwischen Schichten, der Beteiligung über Schichten hinweg sowie der schichtspezifischen Resilienz. In der ökologischen Netzwerkforschung wurden perkolationsbasierte Knotenentfernungs-Simulationen verwendet, um den kritischen Anteil f* zu identifizieren, bei dem die größte zusammenhängende Komponente kollabiert – ein weithin akzeptiertes Maß für strukturelle Resilienz²⁴. Die Erweiterung dieser Methoden auf eine gekoppelte ökologisch-kulturelle Architektur erfordert (i) ein explizites Schema zur Kopplung zwischen Schichten, das die räumliche Nähe zwischen Lebensraumkernen und Kulturerbestätten widerspiegelt, (ii) ein Angriffsprotokoll, das jeweils unabhängig auf jede Schicht abzielt, um schichtspezifische Anfälligkeiten zu isolieren, und (iii) einen zusammengesetzten Prioritätsindex, der gekoppelte Netzwerkanalysen in konkrete Wiederherstellungsziele übersetzt. Der im Rahmen der vorliegenden Analyse entwickelte Dual-Layer-Öko-Kulturerbe-Netzwerk-(DEHN)-Ansatz operationalisiert diese drei Anforderungen und quantifiziert auf dieser Grundlage die Resilienzschwellenwerte beider Schichten sowie deren überlagernde Diagnosekenngrößen auf multi-CEPZ-Ebene.

Die kulturellen ökologischen Schutzgebiete der Hakka bilden einen vergleichbaren Gradienten mit außergewöhnlichem analytischem Wert. Sie umfassen drei nationaler Ebene angehörende Zonen – Ganzhou im Süden von Jiangxi, Minxi im Westen von Fujian und Meizhou im Osten von Guangdong – und erstrecken sich gemeinsam über 74.547 km² der Wuyi-Nanling-Lianhuashan-Gebirge; dabei beherbergen sie 23 auf nationaler Ebene registrierte immaterielle Kulturgüter aus den Bereichen darstellende Kunst, traditionelle Handwerkskunst und volkstümliche Praktiken^25,26. Im Gegensatz zu trockenen Binnenbecken, bei denen die Einweg-Hydrologie den Fluss der Ökosystemleistungen bestimmt, zeichnen sich die Hakka-Berggebiete durch ein dichtes Korridornetz zwischen zahlreichen kleinen Lebensraumkernen aus, ein kulturelles Erbe, das auf jahrhundertealter, geschlossener Wohnarchitektur beruht²⁷, sowie eine seit Jahrzehnten andauernde Entvölkerung, die in vielen Bergkreisen zu einer Nettoabwanderung von über 30 % der registrierten Einwohner geführt hat²⁸. Diese Kombination – hohe Dichte an kulturellem Erbe, schrumpfende ländliche Bevölkerung und erhaltene Bergwälder – bietet das erwartete Paar von Belastungsfaktoren (ökologischer Verlust durch Urbanisierung versus Erbverlust durch Entvölkerung), das theoretische mehrschichtige Modelle vorhergesagt haben, das aber empirisch auf subnationaler Ebene selten beobachtet wurde²⁹. Bisherige Einzelfallstudien zu Hakka-Kulturerbe haben tiefgehende ethnographische und typologische Erkenntnisse geliefert, jedoch nicht die gekoppelten räumlichen Dynamiken der ökologischen und kulturellen Erbe-Ebenen aufgeklärt³⁰. Da die drei Zonen im selben klimatischen und topographischen Gürtel liegen, jedoch unterschiedlichen Belastungskombinationen ausgesetzt sind – der periurbane Ausbau in Ganzhou, die Intensivierung des Tulou-Tourismus in Minxi und die durch die Diaspora verursachte Entvölkerung in Meizhou –, fungieren sie gemeinsam als dreifach gestaffelter Vergleichsgradient für vergleichende Analysen. Es wird daher erwartet, dass der hier entwickelte Rahmen über den Fall der Hakka hinaus verallgemeinerbar ist und eine übertragbare diagnostische Vorlage für die fünfzehn weiteren nationalen CEPZ sowie für kulturelle Landschaften weltweit bietet, die ähnlichen, gekoppelten Belastungen gegenüberstehen³¹.

Aufbauend auf dieser Forschungslücke werden zwei miteinander verknüpfte Fragen untersucht. Erstens: Teilen das ökologische Korridornetz und das Netz des immateriellen Kulturerbes in einem Gebiet im Maßstab einer CEPZ eine gemeinsame kritische Perkolationsschwelle bei schrittweisen zufälligen und gezielten Angriffen, oder brechen die beiden Ebenen bei strukturell unterschiedlichen Anteilen des Knotenverlusts zusammen? Zweitens: Falls die beiden Ebenen tatsächlich eine unterschiedliche Resilienz aufweisen, welche Ebene bestimmt die maßgebliche Einschränkung für die Integrität des gekoppelten Systems, und an welchen Stellen wirken Restaurierungsmaßnahmen am effizientesten, um diese Einschränkung neu zu verteilen? Um diese Fragen zu beantworten, (i) konstruiert die vorliegende Studie ein zweischichtiges ökologisch-kulturelles Netzwerk (Dual-layer Ecological–Heritage Network, DEHN), das die morphologische Analyse räumlicher Muster an sechs 30-m-Schnappschüssen des China Land Cover Dataset mit der Kernel-Dichteschätzung über 23 kulturerbebezogene Objekte auf nationaler Ebene verbindet; (ii) quantifiziert die für jede Ebene spezifischen konsensbasierten Perkolationsschwellen unter vier Regeln für schrittweisen Knotenentfall und charakterisiert die Kopplungsstruktur zwischen den Ebenen mittels Multiplex-Partizipation und Supra-Eigenvektor-Zentralität; sowie (iii) leitet einen zusammengesetzten Restaurierungs-Prioritätsindex (Restoration Priority Index, RPI) ab und bewertet dessen Umsetzbarkeit anhand von Szenario-Simulationen und einer Sensitivitätsanalyse mit mehreren Parametern. Der resultierende Rahmen bietet eine mechanismenbasierte, auf Fernerkundung gründende Entscheidungsgrundlage für die Planung ökologischer Restaurierung in CEPZ-Gebieten Südchinas und vergleichbaren, mehrschichtigen Kulturlandschaften.

Protokoll

Studiengebiet
Das System der Kulturellen Ökologischen Schutzgebiete (CEPZs) der Hakka umfasst drei national ausgewiesene Schutzgebiete, die sich über das bergige Grenzgebiet der Provinzen Jiangxi, Fujian und Guangdong in Südchina erstrecken (23°23′–27°08′ N, 113°50′–116°44′ E) (Abbildung 1A–D). Die drei Zonen – das CEPZ Ganzhou im Süden von Jiangxi, das CEPZ Minxi im Westen von Fujian und das CEPZ Meizhou im Osten von Guangdong – umfassen gemeinsam 74.547 km² und beinhalten 34 kreisförmige Verwaltungseinheiten (33 Kreise plus ein städtischer Bezirkssitz) und bilden den geografischen Kern des kulturellen Raums der Hakka. Das CEPZ Ganzhou ist das größte der drei (39.341 km²) und umfasst 18 Kreise entlang der Quellgebiete des Ganjiang-Flusses und der Ausläufer des Wuyi-Gebirges; es beherbergt die höchste Dichte an geschlossenen Wohnbauten der Hakka (weilongwu) sowie die dichteste Verteilung von Tulou im Binnenland. Das CEPZ Minxi (19.353 km²) umfasst 6 Kreise mit Schwerpunkt in Longyan und Sanming, wo die von der UNESCO eingetragenen Tulou-Gruppen das herausragende gebaute Kulturerbe darstellen. Das CEPZ Meizhou (15.853 km²) umfasst 9 Kreise im mittleren Lauf des Meijiang-Flusses und ist international als „Kulturelle Hauptstadt der Hakka“ anerkannt, mit dem weltweit höchsten Anteil an Hakka in der Diaspora pro Kopf.

Die Topographie wird von Mittelgebirgen mittlerer Höhe (400–1.600 m) dominiert, die zu den Gebirgszügen Wuyi, Nanling und Lianhuashan gehören und eine tektonische Ausrichtung in Nordost-Südwest-Richtung aufweisen. Die drei Zonen teilen sich ein subtropisches, feuchtes Monsunklima: Der Jahresniederschlag liegt zwischen 1.500 und 2.100 mm, und die mittlere Jahrestemperatur beträgt 18–21 °C. Laub- und gemischte immergrüne Wälder prägen die natürliche Vegetation, durchsetzt von Terrassenfeldern entlang der fluviatilen Täler. In den drei Zonen leben gemeinsam über 12 Millionen Menschen (Volkszählung 2020) – eine paradox erscheinende Kombination aus hoher Kulturerbedichte und starker ländlicher Entvölkerung, wobei die Nettoabwanderung in vielen Bergkreisen mehr als 30 % der gemeldeten Bevölkerung übersteigt. Auf nationaler Ebene registrierte immaterielle Kulturerbe-Elemente (ICH) der Hakka zählen in den drei Zonen insgesamt 23 (Abbildung 1B–D), darunter darstellende Kunst (Berglieder, Hakka-Oper), traditionelle Handwerke (Tulou-Bauweise, Holzdruck) sowie volkstümliche Praktiken (San-Yuan-Feste, Ahnenverehrung). Das gleichzeitige Vorhandensein einer dichten Kulturerbestruktur, einer schrumpfenden ländlichen Bevölkerung und vergleichsweise intakter Bergwälder macht die Hakka-CEPZs zu einem einzigartigen Vergleichsgradienten für die gekoppelte ökologisch-strukturelle Robustheit der kartierten ICH-Inventarnetzwerkanalyse auf subnationaler Ebene³². Grundlegende administrative, morphologische und kulturerbebezogene Merkmale der drei Zonen sind in Tabelle 1 zusammengefasst.

Das CEPZ-Programm wurde 2007 vom Ministerium für Kultur und Tourismus (MCT) ins Leben gerufen, um zusammenhängende Gebietseinheiten zu schützen, in denen ökologische Integrität und immaterielles Erbe als gekoppeltes System erhalten bleiben³³. Alle drei Hakka-Zonen wurden zwischen 2013 und 2019 auf nationaler Prioritätsebene eingestuft, und die administrative Koordination erfolgt jeweils durch die kulturellen Verwaltungsbehörden der Provinzen Jiangxi, Fujian und Guangdong. Seit 2020 unterliegt die Planung von Wiederherstellungs- und Sanierungsmaßnahmen innerhalb der CEPZ-Grenzen dem Rahmenwerk der Nationalen Raumordnungsplanung (NTSP), das eine räumlich explizite Priorisierung ökologischer Korridore und Pufferzonen für das Erbe vorschreibt³⁴. Der Fall der Hakka verbindet somit eine eindeutige administrative Zuständigkeit mit einem räumlich heterogenen Belastungsregime, und die daraus resultierenden analytischen Ergebnisse sind direkt in bestehenden Planungsinstrumenten umsetzbar. Jüngste Bewertungen auf CEPZ-Ebene haben gefordert, netzwerkbasierte Diagnoseverfahren anstelle der bisher verwendeten inventarbasierten Indikatoren einzuführen³⁵, was den unmittelbaren politischen Hintergrund darstellt, vor dem der DEHN-Ansatz entwickelt wurde. Die Hakka-Landschaft zeichnet sich schließlich durch ihr umfangreiches diasporales Erbe aus: Allein Meizhou entfällt auf über ein Drittel der globalen Hakka-Diaspora, und eine durch Überweisungen geprägte Flächenbewirtschaftung hat Nutzungsentwicklungen hervorgebracht, die sich deutlich von jenen demografisch stabiler chinesischer Bergregionen unterscheiden³⁶. Diese soziale Schicht wird im vorliegenden mehrschichtigen Modell nicht direkt parametrisiert, jedoch hier als mechanistischer Hintergrund dokumentiert, vor dem sich die ökologischen und kulturellen Schichten entwickeln.

Daten
Deskriptive Statistiken zu den Bezirksflächen innerhalb des Untersuchungsgebiets: Mittelwert = 2.193 km² (Spannweite: 721–3.946 km²; Median: 2.089 km²; SD: 687 km²; n = 34 Bezirke). Der durchschnittliche Bezirksdurchmesser (unter Annahme einer kreisförmigen Form) beträgt etwa 53 km und überschreitet damit den Kopplungsradius von 10 km zwischen den Schichten um den Faktor 5,3. Dieser systematische Geocodierungsfehler bedeutet, dass die tatsächliche Kopplung zwischen ICH und ökologischen Patches erheblich von der schätzungsbasierten Kopplung über Zentroide abweichen könnte. Eine Sensitivitätsanalyse, bei der der Kopplungsradius auf 20 km erhöht wurde, zeigte, dass die Identität der 20 am höchsten bewerteten RPI-Patches in 15 von 20 Fällen erhalten blieb, was auf eine moderate Robustheit gegenüber Unsicherheiten in der Geocodierung hindeutet. Bevölkerungsumfragen auf Dorfebene werden als wesentliche zukünftige Arbeit identifiziert, um diese Einschränkung zu beheben.

Tabelle 2 fasst die primären Datensätze zusammen, die in dieser Studie verwendet wurden. Die Landnutzung wurde aus dem China Land Cover Dataset (CLCD) abgeleitet, das von der Wuhan University mit einer räumlichen Auflösung von 30 m entwickelt wurde und den Zeitraum von 1985 bis 2023 in jährlichen Schritten abdeckt³⁷. Sechs repräsentative Jahre (2000, 2005, 2010, 2015, 2020, 2023) wurden beibehalten, um die Veränderungsentwicklungen über mehrere Jahrzehnte in konstanten Fünfjahresintervallen sowie dem Endjahr zu charakterisieren. Das CLCD-Schema unterscheidet Ackerland, Wald, Gebüsch, Weideland, Wasser, Eis/Schnee und versiegelte Flächen; seine Genauigkeit wurde unabhängig validiert und liegt in der Studienregion bei einer Gesamtgenauigkeit von über 79 %³⁸. Verwaltungsgrenzen und CEPZ-Umrisslinien wurden aus dem nationalen CEPZ-Register des Ministeriums für Kultur und Tourismus (MCT) sowie aus Gaode-POI-Diensten bezogen; ICH-Objekte auf nationaler Ebene wurden entsprechend der in früheren chinesischen ICH-Netzwerkstudien verwendeten Konvention dem Zentroid des zuständigen Kreises ihres kulturellen Trägers zugeordnet³⁹. Der zusammengesetzte Datensatz wird unter der Lizenz CC-BY veröffentlicht und kann vollständig anhand offener Fernerkundungsarchive reproduziert werden, im Einklang mit jüngsten Forderungen nach reproduzierbarer Forschung zu ökologischen Netzwerken⁴⁰.

Die Daten-Vorverarbeitung folgte einer fünfstufigen Kette, die in Python 3.11 mit rasterio 1.3, GeoPandas 0.14 und NetworkX 3.2 implementiert wurde. Zunächst wurden die jährlichen CLCD-Geotiffs mit 30 m-Auflösung auf die vereinigte Begrenzungsbox der drei Zonen (23°23′–27°08′ N, 113°50′–116°44′ O) beschnitten und in die Albers-Konische-Flächentreue-Projektion (lon₀ = 105°O, φ₁ = 25°N, φ₂ = 47°N) umprojiziert, um die Flächentreue für die anschließende morphologische Analyse zu gewährleisten. Zweitens wurde die Vereinigung der Umrisse der drei CEPZ als Rastermaske erstellt, und alle außerhalb dieser Maske liegenden Zellen wurden im gesamten Verarbeitungsablauf als NoData gesetzt. Drittens wurden für jedes der sechs Referenzjahre die Zellenanzahlen nach Landnutzungsklasse erfasst, um direkte Querjahr-Vergleiche der Fragmentierungsentwicklung zu ermöglichen. Viertens wurde der Punktbestand des immateriellen Kulturerbes (ICH) aus dem nationalen Verzeichnis der Staatsratskommission (Listenstufen 1–5) zusammengestellt, auf den Zentralkoordinaten des jeweiligen kulturellen Verwahrers geokodiert, anhand öffentlich zugänglicher POI-Dienste überprüft und als WGS-84-GeoJSON-Layer mit Attributen für den Objekt-Identifier, die Kategorie (darstellende Künste, traditionelle Handwerkskunst, Volkstradition), die Aufnahmestufe sowie die Zugehörigkeit zur CEPZ gespeichert. Fünftens wurden alle nachfolgenden Vektor-Raster-Operationen in der Albers-Konischen-Flächentreue-Projektion unter Verwendung von fensterbasierten Rasterlesevorgängen und vektorisierten In-Memory-Array-Berechnungen durchgeführt, um die Recheneffizienz im 30 m-Raster zu erhalten. Alle Quelldaten zu Grenzen und ICH sowie die vollständig reproduzierbaren Vorverarbeitungsskripte sind auf begründete Anfrage erhältlich.

Methoden
Die analytische Kette (Abbildung 2) ist in fünf horizontale Swim-Lanes unterteilt – DATEN, SCHICHT, KOUPPLUNG, DIAGNOSTIK, AUSGABE – und umfasst sechs methodische Module: (i) morphologische Quantifizierung der ökologischen Schicht mittels einer vereinfachten morphologischen räumlichen Musteranalyse (MSPA-lite) auf Basis der 30-m-CLCD; (ii) räumliche Quantifizierung der Kulturerbe-Schicht mittels Kernel-Dichteschätzung (KDE) und kombinatorischer Adjazenzgraphen basierend auf den 23 ICH-Elementen auf nationaler Ebene; (iii) Kopplung der beiden Schichten zu einem zweischichtigen Supra-Netzwerk gemäß einem Distanz-Abkling-Inter-Schicht-Schema; (iv) identifikation von Perkolation-basierten Resilienzschwellenwerten unter Anwendung von Regeln für zufällige und gezielte Knotenentfernung, jeweils separat auf jede Schicht angewandt; (v) ein zusammengesetzter Wiederaufbau-Prioritätsindex (RPI), der über die ökologischen Knoten abgebildet wird, um Patch-Flächen der Kategorie 1 (höchste Rangfolge) und Korridore mit höchster Priorität zu identifizieren; sowie (vi) Szenariosimulation und multivariate Sensitivitätsanalyse bezüglich der Prioritäts-Typologie und der Kopplungsparameter.

Die Über-Adjazenzmatrix A (256 × 256) wurde als Blockmatrix konstruiert, wobei A_E,norm und A_H,norm die innerhalb der Schichten liegenden Adjazenzmatrizen sind, die durch ihre jeweiligen mittleren Kantengewichte normalisiert wurden, und A_inter die Kopplungsmatrix zwischen den Schichten darstellt. Die Matrix ist symmetrisch (durch numerische Berechnung verifiziert: ||A - A^T || < 1e-10) und enthält keine Selbstschleifen (Spur(A) = 0).

Kantengewicht-Statistiken vor der Normalisierung: ökologische Schicht — min = 0,008730, mittel = 0,098589, max = 1,618909; Kulturerbeschicht — min = 0,006862, mittel = 0,019848, max = 0,085832. Nach der Mittelwert-Normalisierung: ökologisch — min = 0,0885, mittel = 1,000, max = 16,4207; Kulturerbe — min = 0,3457, mittel = 1,000, max = 4,3244.

Die spektralen Radien wurden aus den mittelwertnormalisierten symmetrischen Adjazenzmatrizen berechnet: ökologischer Block lambda_max = 19,6481, kultureller Block lambda_max = 10,5404 und vollständiges Supra-Netzwerk lambda_max = 19,6481. Der ökologische Block dominiert somit den führenden Modus. Ein zuvor auf Knotenebene berechneter Zentralitätswert war fälschlicherweise als Eigenwert gekennzeichnet worden und wurde aus allen Angaben zum Spektralradius entfernt. Zum Vergleich: Eine zeilenstochastische Normalisierung weist per Konstruktion einen führenden Eigenwert von 1,000 auf.

Die grundlegende Kopplungsregel mit 10 km erzeugte 42 Verbindungen zwischen den Schichten: 35 erfüllten den strengen Abstandsschwellenwert, und sieben stellten Ersatzverbindungen zu nächstgelegenen Patch-Flächen für ICH-Knoten dar, die innerhalb des Radius keine Patch-Fläche aufwiesen. Somit behielt jeder der 23 ICH-Knoten mindestens eine ökologische Verbindung. Die im RPI verwendete übergeordnete Eigenvektor-Zentralität wurde aus der mittelwertnormalisierten symmetrischen Adjazenzmatrix berechnet.

Quantifizierung der ökologischen Schicht (MSPA-lite)
Die morphologische räumliche Musteranalyse (MSPA) unterteilt binäre Landbedeckungsmasken in topologisch informative Kategorien (Kern, Rand, Brücke, Schleife, Insel, Perforation, Ast), wodurch die Habitatkontinuität unabhängig von der Zusammensetzung sichtbar wird⁴¹. Da eine vollständige MSPA-Analyse auf einem 30-m-Raster mit einer Fläche von 74.547 km² in Vorversuchen mit unvertretbarem Rechenaufwand verbunden war, verwendete diese Studie eine vereinfachte zweiklassige MSPA-lite-Methode, die den Unterschied zwischen Kern und Rand beibehält, aber die Kategorien Brücke/Schleife/Insel zu einer aggregierten Klasse „Rand“ zusammenfasst. Vegetation wurde definiert als die Vereinigung der CLCD-Klassen {Wald, Strauch, Grasland}. Das 30-m-Raster wurde mittels Majoritätsaggregation auf 90 m resampelt, und ein kreisförmiges Strukturelement mit 3 Zellen (entspricht 270 m) wurde durch binäre Erosion angewendet, um den inneren Kernbereich zu isolieren; die verbleibenden vegetationsbedeckten Zellen wurden als Rand klassifiziert. Kleine Patches (<5 km²) wurden ausgeschlossen, um sich auf ökologisch relevante Kerne zu konzentrieren, gemäß der in chinesischen regionalen MSPA-Studien weithin akzeptierten Größenschwelle⁴². MSPA-lite liefert für jedes der sechs repräsentativen Jahre die gesamte vegetationsbedeckte Fläche, die Kernfläche, die Randfläche sowie die Anzahl einzelner Kern-Patches – ausreichende Kenngrößen, um die Fragmentierungsentwicklung zu verfolgen, die als führender ökologischer Stressfaktor angenommen wird (Abschnitt 4.1).

Die Wahl morphologischer Indikatoren aus CLCD-Daten statt saisonaler NDVI- oder LST-Zeitreihen ist bewusst getroffen. Die durch Wolkenbedeckung verursachte Kontamination über den Hakka-Bergen überschreitet in der Regenzeit regelmäßig 70 %, und die Geometrie des Endseenbeckens verstärkt das Auftreten von Wolken derart, dass konsistente mehrjährige saisonale NDVI-Komposite eine maßgeschneiderte Lückenfüll-Pipeline erfordern würden. Morphologische Indikatoren, die aus jährlich validierten kategorischen Karten abgeleitet sind, umgehen dieses atmosphärische Rauschen, während sie gleichzeitig die für die netzwerkbasierte Resilienzanalyse relevantesten Informationen zur Konnektivität bewahren⁴³.

Die Parametersensitivität von MSPA-lite wurde in einer vorläufigen Analyse untersucht. Der Kern-Erosionsradius wurde über 2, 3 und 4 Zellen variiert (entspricht 180 m, 270 m und 360 m im Innenbereich bei einer Aggregation von 90 m), und die minimale Schwellenfläche für Kerne wurde mit 3 km², 5 km² und 10 km² getestet. Die endgültige Parametrisierung (3-Zellen-Erosion, Schwellenwert von 5 km²) wurde beibehalten, da sie eine stabile Rangfolge der Patch-Anzahl über die sechs Jahre hinweg bewahrte und gleichzeitig irreführend kleine Kerne eliminierte, die durch Klassifizierungsrauschen des CLCD entstanden waren. Die MSPA-lite-Ergebnisse über mehrere Jahre wurden durch manuelle Überprüfung von zehn zufällig ausgewählten Patches pro Jahr anhand hochauflösender Google-Earth-Aufnahmen validiert, was eine kategoriale Übereinstimmung von über 95 % bei der Zuordnung von Kern- und Randbereichen im Jahr 2020 ergab. Die Patch-Identifikatoren wurden über die Jahre hinweg mithilfe einer Überlappungsregel harmonisiert: Ein Patch im Jahr t wurde jeweils dem überlappenden Gegenstück im Jahr t + 5 zugeordnet, wenn der Jaccard-Index ihrer Flächen über 0,60 lag. Patches ohne stabilen Vorgänger wurden als neu entstanden erfasst, Patches ohne stabilen Nachfolger als aufgelöst. Diese Abstammungstabelle bildet die Grundlage für die in Abschnitt 3.1 beschriebene Analyse der Fragmentierungsentwicklung.

Quantifizierung der Erbe-Schicht (ICH-KDE + Adjazenz-Netzwerk)
Für jedes der 23 ICH-Elemente auf nationaler Ebene wurde das Zentroid des Landkreises des angegebenen Verwahrers als Punktposition verwendet. Eine Kernel-Dichteschätzung (KDE) wurde auf einem 500-m-Raster über die Vereinigung der drei Zonen mit einer Bandbreite von 5 km berechnet, was einem mit der Faustregel nach Silverman geschätzten Wert entspricht, der aus der Stichprobe von 23 Punkten und ihrer bivariaten Ausdehnung abgeleitet wurde. Die resultierende Dichtefläche ich_kde_5km erfasst die räumliche Konzentration des Erbes und bildet den räumlichen Anker für den diskreten Erbe-Graphen. Die Wahl der Bandbreite orientierte sich an früheren Analysen zur Clustrierung chinesischer Tulou, in denen der modale Abstand zwischen Clustern mit 6–8 km angegeben wurde; eine Bandbreite von 5 km ermöglicht die Auflösung sowohl der inneren Clusterkonsolidierung als auch der Lücken zwischen Clustern.

Der Erbe-Graph G_H wurde durch Kombination einer Delaunay-Triangulation der 23 ICH-Knoten mit dem Graphen der k-nächsten Nachbarn (KNN, k = 4) erstellt, wodurch die vereinigte Kantenmenge entstand. Dieser kombinatorische Ansatz eliminiert die langgestreckten Delaunay-Kanten, die topographische Barrieren überspannen, und erhält gleichzeitig die Verbindungen zu den nächstgelegenen Nachbarn, gemäß dem Graphen-Konstruktionsprotokoll, das in jüngeren Studien zu multiplen Ökosystemleistungen angewandt wurde⁴⁴. Die Kantengewichte wurden als Kehrwert der Großkreisentfernung (in Metern) festgelegt, sodass näher beieinander liegende Erbeobjekte eine stärkere implizierte Verbindung aufweisen. Auf dem Graphen mit 23 Knoten wurden knotenbezogene Zentralitätsmaße – Grad, gewichteter Grad, Zwischenzentralität, Eigenvektor-Zentralität, PageRank und Clusterkoeffizient – unter Verwendung von Gewicht = 1 / Entfernung gemäß gängiger Praxis berechnet.

Um die methodische Wahl von k = 4 in der KNN-Komponente des Erbe-Graphen zu überprüfen, wurde eine k-Wert-Sensitivitätsanalyse durchgeführt, bei der k von 3 bis 8 variiert wurde, während die Delaunay-Triangulation als Basis beibehalten wurde. Die konsensuelle Perkolationsschwelle reichte von 0,754 (k = 4) bis 0,923 (k = 7) mit Zwischenwerten von 0,779 (k = 3), 0,773 (k = 5), 0,852 (k = 6) und 0,885 (k = 8). Die Wahl von k = 4 wurde beibehalten, da sie den spärlichsten Graphen ergibt, der dennoch eine vollständige Knotenverbindung ohne redundante Fernverbindungen garantiert, und da die Spearman-Rangkorrelation der Knotenzentralität zwischen k = 4 und benachbarten k-Werten weiterhin hoch blieb (ρ = 0,691 für k = 3, ρ = 0,793 für k = 5). Die Delaunay-Triangulation wurde als Basisschicht beibehalten, da sie einen zusammenhängenden, planaren Graphen gewährleistet, der der räumlichen Topologie der ICH-Punktdistribution Rechnung trägt, während die KNN-Überlagerung die langgestreckten Delaunay-Kanten eliminiert, die topographische Barrieren überspannen (z. B. den Gebirgskamm des Wuyi-Gebirges). Diese kombinatorische Delaunay + KNN-Konstruktion folgt dem in jüngeren multiplexen Ökosystemdienstleistungsstudien verwendeten Graphprotokoll und stellt sicher, dass die Topologie des Erbe-Netzwerks kein Artefakt einer einzelnen willkürlichen Parameterwahl ist.

Ökologische Korridore und kostengünstigste Pfade
Die Erstellung der Widerstandsfläche folgte der klassenbasierten Nachschlagetabellen-(LUT-)Konvention⁴⁵. Jeder CLCD-Klasse wurde ein numerischer Widerstandswert zugewiesen, der deren Hemmwirkung auf die biotische Streuung und den Fluss ökologischer Dienstleistungen widerspiegelt (Tabelle 3). Wald erhielt den Basiswiderstand (1), gefolgt in aufsteigender Reihenfolge von Gehölz (5), Grünland (10), Wasser (30), Ackerland (50), Eis/Schnee (200) und undurchlässigen Flächen (500); Zellen ohne Daten erhielten einen neutralen Platzhalterwert (100). Die LUT wurde auf das 90-m-CLCD-2020-Raster angewandt, um eine Widerstandsfläche mit einer Rasterausdehnung von 4.688 × 3.953 in Albers-Kegelprojektion mit gleicher Fläche zu erzeugen.

Kostenminimale Pfade (LCPs) wurden zwischen Kernpatch-Paaren mithilfe der Implementierung von skimage `graph.route_through_array` des Dijkstra-Algorithmus auf der Widerstandsfläche berechnet. Die Kandidaten-Knotenpaare beschränkten sich auf die Vereinigung der K-nächsten-Nachbarn-(k = 4)- und der Delaunay-Triangulationsgraphen der 233 Patch-Zentroide im projizierten Raum, gemäß dem LCP-Graph-Protokoll, das in chinesischen regionalen Vernetzungsstudien weit verbreitet ist⁴⁶. Dies ergab 799 Kandidatenkorridore, von denen jeder durch die kumulative Kosten (ganzzahlige, dimensionslose Summe des Widerstands entlang des Pfads), die Pfadlänge in Metern und den effektiven Widerstand (Kosten/Länge) charakterisiert war. Alle 799 Korridore wurden im endgültigen ökologischen Graphen G_E beibehalten, da keiner einen maximalen Kosten-Schwellenwert überschritt, der für regionale Vernetzungsstudien empfohlen wird⁴⁷.

Die neigungsangepasste Resistenz wurde erwogen, jedoch nicht übernommen; die im Studienablauf verfügbare Abdeckung des digitalen Höhenmodells umfasste nur Breitengrade von 26,00–27,14° N und verfehlte daher zwei Drittel des Untersuchungsgebiets im Süden, weshalb eine vollständige Neubearbeitung des SRTM im Ausmaß von drei Zonen innerhalb des Studienzeitplans nicht versucht wurde. Eine reine LULC-Resistenz-Parametrisierung ist ein etablierter Ersatz in chinesischen regionalen Korridorstudien, wenn eine vollständige DEM-Abdeckung nicht erreichbar ist, und sie isoliert das LULC-Signal, ohne es durch topografische Gradienten zu verfälschen⁴⁸.

Bei der Implementierung der LCP-Berechnung wurde skimage.graph.route_through_array im Modus „geometric“ verwendet, wobei die Widerstandsfläche in float32 umgewandelt und eine kleine additiven Konstante (1e−6) auf Zellen mit Nullkosten angewendet wurde, um einen degenerierten Pfadzusammenbruch zu verhindern. Um den Speicherbedarf auf dem vollen Raster von 4.688 × 3.953 zu verringern, wurde die Kostenfläche in vier überlappende Fenster von jeweils 2.344 × 1.977 Zellen mit einem Puffer von 200 Zellen unterteilt, und LCPs, deren Endpunkte benachbarte Kacheln überspannten, wurden auf der vereinigten gepufferten Fläche berechnet, um Nahtartefakte zu vermeiden. Alle 799 potenziellen LCPs wurden validiert, indem eine zufällige Stichprobe von 5 % hinsichtlich kontinuierlicher Konnektivität mit der Eingabe-Widerstandsfläche überprüft wurde; es wurden keine diskontinuierlichen Pfade festgestellt. Die Geometrien der Korridorpfade wurden mittels Marching-Squares-Extraktion vektorisiert und als WGS-84-LineString-Features im GeoJSON-Format gespeichert, wobei Pfadlänge, kumulative Kosten, effektiver Widerstand (Kosten/Länge) sowie Quell- und Ziel-Patch-Identifikatoren als Attribute beibehalten wurden. Die für die Auswahl der LCP-Endpunkte verwendeten repräsentativen Zentrums-Punkte wurden mit der Methode representative_point von GeoPandas berechnet, anstelle geometrischer Zentroide, um sicherzustellen, dass jeder Endpunkt innerhalb des entsprechenden Patch-Polygons liegt, insbesondere bei konkaven Patch-Geometrien.

Konstruktion des zweischichtigen Supra-Netzwerks
Der Erbe-Graph G_H (n = 23, m = 73) und der ökologische Graph G_E (n = 233, m = 799) wurden zu einem zweischichtigen Supra-Netzwerk kombiniert. Eine interne Schichtverbindung (h, e) wurde eingefügt, wenn der geodätische Abstand vom ICH-Knoten h zum Zentroiden des ökologischen Biotops e 10 km nicht überschritt, ein Radius, der in der Sensitivitätsanalyse für 5, 10, 15 und 20 km bewertet wurde (Abschnitt 3.5). Falls kein Biotop innerhalb von 10 km lag, wurde als Mindestverbindungs-Notlösung das nächstgelegene Biotop verknüpft. Das Baseline-Netzwerk enthält daher 42 interne Schichtverbindungen: 35 Verbindungen innerhalb des strikten Radius und sieben Notlösungsverbindungen.

Kantengewichte in der Supra-Adjazenzmatrix A (256 × 256) wurden wie folgt festgelegt: Intrakulturelle Kanten behielten ihre Gewichte als Kehrwerte der Distanz bei; intraökologische Kanten erhielten den Kehrwert der Kosten des kostengünstigsten Pfades (1 / Kosten); und interlaminare Kanten erhielten Werte, wie unten definiert, wobei d die Kopplungsdistanz in Kilometern ist und w_intra das mittlere intralaminare Kantengewicht darstellt, wodurch eine gleichmäßig abfallende interlaminare Kopplung entsteht, die an die intralaminare Größenordnung angepasst ist. Das Supra-Netzwerk unterstützt zwei Gruppen abgeleiteter Metriken: (i) die Supra-Eigenvektor-Zentralität, berechnet als der führende Eigenvektor von A, der jedem Knoten eine vergleichbare Wichtigkeitsbewertung über alle Schichten hinweg zuweist; und (ii) den Multiplex-Partizipationskoeffizienten, wie unten definiert, basierend auf dem Multiplex-Partizipationsformalismus, der in der Diagnostik zweischichtiger Netzwerke verwendet wird und das Gleichgewicht zwischen den intralagigen Verbindungen eines Knotens und seiner Kopplung zur anderen Schicht erfasst.

Die übergeordnete Adjazenzmatrix A wurde als sparse CSR-Matrix unter Verwendung des sparse-Moduls von SciPy gespeichert. Das führende Eigenpaar der mittelwertnormalisierten symmetrischen Matrix wurde mit der eigsh-Implementierung von ARPACK berechnet und durch Potenziteration überprüft; der spektrale Radius der Vollmatrix betrug lambda_max = 19,6481. Derselbe Eigenvektor der symmetrischen Matrix lieferte die Komponente der übergeordneten Eigenvektor-Zentralität des RPI. Zeilennormalisierung wurde nur für Diagnosen der Übergangsmatrix verwendet; ihr führender Eigenwert beträgt per Konstruktion 1,000. Alternative Kopplungsfunktionen zwischen den Schichten ergaben RPI-Rangkorrelationen von über 0,94 im Vergleich zur exponentiellen Abkling-Basislinie.

Perkolationsbasierte Resilienzschwellen
Jede Schicht wurde unabhängig vier progressiven Knotenentfernungsangriffen unterzogen: (i) gleichmäßig zufällige Entfernung, gemittelt über 500 Wiederholungen (300 für Szenarien in Abschnitt 2.3.8); (ii) gezielte Entfernung nach absteigendem Grad; (iii) gezielte Entfernung nach absteigender Zwischenzentralität; und (iv) gezielte Entfernung nach absteigender Eigenvektorzentralität. Nachdem k Knoten aus einem ursprünglichen n-Knoten-Graphen entfernt worden waren, wurde die strukturelle Integrität als S(k) = LCC(k)/(n - k) gemessen, wobei LCC(k) die Anzahl der Knoten in der größten zusammenhängenden Komponente unter den verbleibenden Knoten angibt. Die kritische Schwelle f* war der kleinste Anteil entfernter Knoten k/n, bei dem S(k) < 0,5 gilt. Die angegebenen Schwellenwerte und Perkolationskurven verwenden diese Normalisierung bezogen auf die verbleibenden Knoten. Die konsensbasierte Schwelle f_C ist das arithmetische Mittel der vier angriffsspezifischen Schwellenwerte.

Für den Zufallsentfernungsangriff wurden 500 Wiederholungen durchgeführt, nachdem vorläufige Konvergenztests gezeigt hatten, dass sich die Mittelwert-Kurve des größten zusammenhängenden Clusters (LCC) in Abhängigkeit vom entfernten Anteil bis zur 350. Wiederholung mit einem Variationskoeffizienten von 0,02 stabilisiert hatte; 500 Wiederholungen bieten hierbei einen ausreichenden Sicherheitspuffer über diesem Konvergenzpunkt bei vernachlässigbaren zusätzlichen Rechenkosten. Gleichstände in den Rängen bezüglich Grad, Betweenness und Eigenvektor – die aufgrund des 23-Knoten-Umfangs des Kulturerbe-Graphen nicht unerheblich auftreten – wurden alphabetisch nach Knotenidentifikator aufgelöst, um eine exakte Reproduzierbarkeit über unabhängige Durchläufe hinweg sicherzustellen. Die Angriffsverläufe wurden für jede Ebene unabhängig berechnet, um ebenspezifische Anfälligkeiten zu isolieren; ein gemeinsamer Angriffsansatz, bei dem Knoten simultan aus beiden Ebenen gemäß der Supra-Eigenvektor-Rangfolge entfernt werden, wurde erwogen, jedoch nicht angewandt, da er die Signale beider Ebenen derart vermischt, dass die gewünschte ebenspezifische Diagnose verschleiert wird. Die Schwelle von 0,5 bezüglich des LCC-Anteils wurde gemäß der etablierten Praxis in der Forschung zur Perkolation ökologischer Korridore gewählt; ergänzende Sensitivitätsanalysen bei Schwellenwerten von 0,4 und 0,6 bezüglich des LCC bewahrten die Rangfolge Ökologie gegenüber Kulturerbe und veränderten die absoluten Konsensschwellen in keine Richtung um mehr als 0,05. Die Konsensschwelle wurde als arithmetisches Mittel der vier angriffsspezifischen Schwellen berechnet. Obwohl die vier Angriffsregeln unterschiedliche strukturelle Interpretationen besitzen, dient der Konsens als zusammenfassende Statistik, die die durchschnittliche Anfälligkeit über verschiedene Bedrohungsszenarien hinweg erfasst. Die Unabhängigkeit des Ergebnisses hinsichtlich der Angriffsart (Ökologie < Kulturerbe in drei von vier Angriffen) liefert eine interne Validierung.

Bei zufälligen Angriffen wurden 500 unabhängige Wiederholungen durchgeführt. Bei Normalisierung des LCC durch die Anzahl verbleibender Knoten (n - k) ergab die ökologische Ebene einen mittleren zufälligen Schwellenwert von 0,623 ± 0,058 (SD), die Kulturgutverzeichnis-Ebene ergab 0,960 ± 0,082. Die Konfidenzintervalle (95 %) wurden aus den Verteilungen der Wiederholungen berechnet.

Gezielte Angriffe (Grad, Zwischenzentralität, Eigenvektor) verwendeten eine statische Rangfolge, die auf der anfänglichen Netzwerktopologie basierte, anstelle einer dynamischen Neuberechnung nach jedem Entfernen. Dieser statische Ansatz wurde gewählt, weil (i) er eine reproduzierbare, deterministische Angriffssequenz liefert; (ii) die dynamische Neuberechnung bei spärlichen räumlichen Netzwerken instabile Zentralitätsrangfolgen erzeugen kann; und (iii) der statische Ansatz ein Worst-Case-Szenario darstellt. Die dynamische Neuberechnung führt typischerweise zu geringfügig niedrigeren Schwellenwerten; die angegebenen Schätzungen sind konservativ. Die Entfernung wurde als sequentielles Entfernen einzelner Knoten durchgeführt. Für das 23-Knoten-Kulturerbenetzwerk entspricht jede Entfernung etwa 4,3 % der Knoten; für die 233-Knoten-ökologische Schicht entspricht jede Entfernung etwa 0,43 %. Diese feinere Auflösung als 0,025 gewährleistet eine genaue Detektion der Schwellenwerte.

Wiederherstellungs-Prioritätsindex (RPI)
Der zusammengesetzte Wiederherstellungs-Prioritätsindex (RPI) integriert vier Beweislinien über die 233 Kernflächen hinweg:

wobei z(·) die Standardisierung auf Nullmittelwert und Einheitsvarianz über alle Patches bezeichnet, w₁ = 0,35 die zentrale Bedeutung der zweischichtigen Struktur betont, w₂ = 0,20 kleinere Patches (Fragmentierungshotspots) eine höhere Priorität zuweist, w₃ = 0,30 Patches mit starker ICH-Kopplung fördert und w₄ = 0,15 isolierte Patches mit hohen mittleren Kantenkosten stärker gewichtet. Der Gewichtungsvektor wurde so gewählt, dass strukturelle Zentralität und Erbe-Kopplung (die beiden neuartigen Kanäle im DEHN-Framework) betont werden, während gleichzeitig ein nicht vernachlässigbarer Beitrag von Fragmentierung und Isolation erhalten bleibt; die Empfindlichkeit gegenüber den Gewichtungen wurde in Abschnitt 3.5 quantifiziert. Die Patches wurden anhand der 80. und 60. Perzentile des RPI drei Prioritätsstufen zugeordnet: Stufe 1 (höchste Priorität) (oberste 20 %), hoch (60. bis 80. Perzentil) und mittel (unterste 60 %). Auf Korridorebene wurden die 799 Korridore anhand der Summe der z-Werte für Kosten, effektiven Widerstand und mittleren Endpunkt-RPI priorisiert; die obersten 15 % (n = 119) wurden als Korridore mit höchster Wiederherstellungs priorität gekennzeichnet.

Szenariosimulation
Vier Szenarien wurden erstellt, um die praktische Anwendbarkeit des DEHN-Rahmenwerks zu bewerten. S1, das Basisszenario, behielt das unveränderte ökologische Netzwerk G_E unter den vier Perkolationsangriffen bei. S2, das Szenario mit Verlust der mittleren Kategorie, entfernte gleichzeitig alle 140 als mittlere Kategorie klassifizierten Flächen, wodurch eine Landschaftsentwicklung simuliert wurde, bei der ungeschützte kleine Flächen verloren gehen, während kritische und hochpriorisierte Flächen geschützt bleiben. S3, das Szenario zur Wiederherstellung von Knoten der Kategorie 1, halbierte die Kosten der Kanten zwischen zwei Flächen der Kategorie 1, wenn ihre ursprünglichen Kosten über dem Median lagen, was einer ökologischen Wiederherstellung entlang von Korridoren zwischen strukturell zentralen Flächen entspricht. S4, das Korridor-Wiederherstellungsszenario, verringerte die Kosten der 119 höchstpriorisierten Korridore um 40 %, was einer großflächigen Sanierung von Korridoren entspricht, die sich an der RPI-Rangfolge orientiert.

Für jedes Szenario wurde der vollständige 4-Attacken-Perkolations-Stack mit 300 zufälligen Replikaten erneut ausgeführt, und die vier angriffsspezifischen Schwellenwerte sowie der Konsensschwellenwert wurden für den Vergleich zwischen Szenarien aufgezeichnet. Da die Szenarien S3 und S4 lediglich die Kantengewichte und nicht die Topologie verändern, isoliert dieses Design den spezifischen Beitrag der Widerstandsreduktion zur Netzwerkrobustheit – ein subtiler mechanismusdiagnostischer Aspekt, den reine Knotenentfernungs-Simulationen nicht erfassen können. Die Parameterwerte der Szenarien wurden so gewählt, dass sie plausiblen Restaurierungsbudget-Größenordnungen entsprechen. Die 50 %ige Kostenreduktion bei Kanten zwischen Rang 1 (höchstbewertet) und Rang 1 (höchstbewertet) in S3 entspricht der maximal erreichbaren Widerstandsreduktion durch die Erweiterung von Uferpuffern und kleinräumige Aufforstung auf bestehenden Korridoren innerhalb eines typischen Fünf-Jahres-Restaurierungsplanungszyklus in chinesischen CEPZs. Die 40 %ige Kostenreduktion bei den 119 bestbewerteten Korridoren in S4 spiegelt ein umfassenderes Programm zur Sanierung von Korridor-Matrix-Strukturen über einen Zeitraum von zehn Jahren wider. Das Szenario des moderaten Verlusts (S2) stellt den Gegenfaktischen Fall dar, in dem die aktuelle Restaurierungspriorisierung beibehalten wird, aber keine aktive Schutzmaßnahme auf die mittelwertigen Flächen ausgedehnt wird; dies entspricht dem tatsächlichen Budgetrahmen des derzeitigen CEPZ-Programms, bei dem expliziter Schutz typischerweise auf die obersten 40 % der priorisierten Gebiete konzentriert ist.

Empfindlichkeitsanalyse
Zwei Empfindlichkeitsanalysen untersuchten die Robustheit der RPI-Rangfolge gegenüber Modellierungsentscheidungen. Zunächst wurde jedes RPI-Gewicht (w₁ – w₄) um ±0,05 und ±0,10 gestört, erneut normalisiert, sodass die Summe Eins ergibt, und die Spearman-Rangkorrelation ρ zwischen der gestörten RPI-Rangfolge und der Basis-Rangfolge wurde erfasst. Zweitens wurde der Kopplungsradius zwischen den Schichten über {5, 10, 15, 20} km variiert, und sowohl die Anzahl der inter-schichtlichen Kanten als auch die Spearman-Korrelation des resultierenden Partizipationskoeffizienten mit dem Referenzwert bei 10 km wurden angegeben. Diese beiden Analysen quantifizieren gemeinsam die Übertragbarkeit der RPI-Ergebnisse auf alternative Modellierungskonventionen.

Zusätzlich zu Einzelgewichtsstörungen wurde eine gemeinsame Unsicherheitsanalyse über 1.000 zulässige Gewichtskombinationen durchgeführt, die aus einer Dirichlet-Verteilung gezogen wurden, die auf den ursprünglichen Gewichten zentriert ist (alpha = [3,5, 2,0, 2,5, 2,0]). Für jede Kombination wurde der RPI erneut berechnet und der Patch-Satz der oberen 20 % identifiziert. Die Ergebnisse zeigen, dass 15 Patches eine Zugehörigkeit zu den oberen 20 % mit einer Wahrscheinlichkeit von >90 % beibehielten, 26 mit einer Wahrscheinlichkeit von >75 % und 43 mit einer Wahrscheinlichkeit von >50 %. Die 15 stabilsten Patches (Wahrscheinlichkeit > 90 %) konzentrieren sich im Meizhou-Eigenvektor-Hub-Cluster, was bestätigt, dass die Identifizierung der höchstrangigen Prioritäten gegenüber der Gewichtungsspezifikation robust ist. Der negative Flächenterm bleibt erhalten, da kleine, geometrisch gruppierte Patches in Meizhou als strukturelle Engpässe fungieren; große, intakte Kerne in Minxi tragen trotz ihrer größeren Fläche weniger zur marginalen Verbesserung der Konnektivität bei.

Gewichtsstörungen von ±0,05 und ±0,10 wurden gewählt, um den Bereich der Variation abzudecken, den ein Fachanalyst unter Berücksichtigung fachkundiger Uneinigkeit über die relative Bedeutung der vier RPI-Komponenten plausiblerweise zuweisen könnte. Die untere Grenze stellt sicher, dass keine einzelne Komponente selbst bei der stärksten getesteten Störung auf null reduziert wird (resultierendes Mindestgewicht = 0,05), wodurch alle vier Beweislinien bei jeder Störung erhalten bleiben. Die Variation des Kopplungsradius von 5 bis 20 km umfasst den Bereich, der in vergleichbaren multiplexen ökologisch-sozialen Systemstudien dokumentiert wurde. Beide Sensitivitätsanalysen wurden am vollständigen Netzwerk mit 233 Flächen und 799 Verbindungen durchgeführt, wobei alle 500 Replikat-Samen fixiert blieben, sodass die berichteten Rangkorrelationen ausschließlich den Effekt der Störung isolieren, ohne Monte-Carlo-Varianz zwischen den Sensitivitätsstufen einzuführen. Eine dritte Sensitivitätsdimension – die Wahl des Schwellenwerts für den Zusammenbruch des LCC-Anteils – wurde qualitativ in Abschnitt 2.3.5 beschrieben und in Abschnitt 4.4 zusammen mit den sonstigen begrenzten Einschränkungen des Modellrahmens weiter diskutiert.

Ergebnisse

Mehrjährige ökologische Fragmentierungsentwicklung
Die MSPA-Lite-Quantifizierung anhand der sechs CLCD-Zeitpunktaufnahmen ergab eine insgesamt nichtlineare Fragmentierungsentwicklung in der dreiprovinzialen Hakka-Landschaft zwischen 2000 und 2023. Die Gesamtfläche der Kernbereiche, definiert als Fläche zusammenhängender vegetationsbedeckter Komponenten ≥ 5 km², nahm von 44.485 km² im Jahr 2000 auf 37.888 km² im Jahr 2023 ab, was einem gesamten Nettoverlust von 6.597 km² oder 14,8 % entspricht. Die Kernflächen nahmen von 44.485 km² im Jahr 2000 leicht auf 45.772 km² im Jahr 2010 zu, was einer Zunahme um 2,9 % entspricht, und gingen anschließend auf 41.919 km² im Jahr 2015 und 37.806 km² im Jahr 2020 zurück. Zwischen 2020 und 2023 zeigte sich ein geringer Anstieg um 82,3 km², etwa 0,2 %. Der Wert von 37.806 km² im Jahr 2020 stimmt mit der Summe der drei CEPZ-Werte in Tabelle 1 überein. Die Anzahl der Fragmente stieg von 116 im Jahr 2.000 auf 233 im Jahr 2020 und sank danach leicht auf 229 im Jahr 2023. Die durchschnittliche Fragmentgröße nahm von 383,5 km² im Jahr 2.000 auf 162,3 km² im Jahr 2020 ab, was einem Rückgang von etwa 57,7 % oder gerundet 58 % entspricht (Abbildung 3).

Die zonale Zerlegung schärfte das Muster. Die CEPZ Ganzhou, die größte Zone, weist die größte absolute bewachsene Fläche (16.578 km² im Jahr 2020) und die höchste Anzahl an Teilflächen auf (144 Teilflächen; mittlere Fläche 115 km²). Die CEPZ Meizhou, die flächenmäßig kleinste Zone (15.853 km²), behielt 56 Teilflächen mit einer mittleren Fläche von 107 km², was auf ein stark unterteiltes, periurban-ländliches Mosaik hinweist. Die CEPZ Minxi stellt das entgegengesetzte Extrem dar: 33 Teilflächen mit einer mittleren Fläche von 461 km², was mit einem vergleichsweise zusammenhängenden Waldbestand in höheren Lagen übereinstimmt. Die Zonen weisen daher innerhalb des Untersuchungsgebiets deutlich unterschiedliche Fragmentierungsmuster auf, was Auswirkungen auf die vergleichende Netzwerkanalyse in den Abschnitten 3.2 und 3.4 hat.

Zweischichtige Netzwerktopologie und Kopplung
Bevor das zweischichtige Über-Netzwerk zusammengestellt wurde, wurde die Kulturerbe-Schicht G_H isoliert untersucht. Die Kernel-Dichtefläche mit 5 km-Bandbreite über den 23 ICH-Elementen auf nationaler Ebene ergibt drei Hauptdichte-Konzentrationen: einen diffusen Ganzhou-Rücken, einen kompakten Minxi-Gipfel über dem Yongding-Nanjing-Tulou-Gürtel und einen Meizhou-Gipfel über dem Bezirk Meixian (Abbildung 4A). Die Delaunay--KNN-(k = 4)-Vereinigung ergibt G_H mit 73 Kanten, mittlerem Grad 6,35, Dichte 0,289, einer zusammenhängenden Komponente und Durchmesser 4 (Abbildung 4B). Der mittlere Knotengrad ordnet Meizhou (7,0) > Minxi (6,5) > Ganzhou (5,9) ein, während die ausschließlich auf Kulturerbe basierende Eigenvektor-Rangfolge von Minxi (0,237) angeführt wird, gefolgt von Ganzhou (2,4 × 10⁻⁴) und Meizhou (2,1 × 10⁻⁵) (Abbildungen 4C und 4D). Dieses ausschließlich auf Kulturerbe basierende Muster wird mit den ökologischen Ergebnissen sowie den Ergebnissen des Über-Netzwerks in Abbildungen 5 und 6 verglichen.

Der ökologische Graph G_E aus dem Jahr 2020 besteht aus 233 Knoten und 799 kostengünstigsten Pfad-Korridorkanten. Das Netzwerk bildet eine einzige zusammenhängende Komponente mit einer Dichte von 0,030, einem mittleren Grad k = 6,86 und einem mittleren Clusterkoeffizienten von 0,083; der Durchmesser, gemessen in der Anzahl der Kanten, beträgt 12, und die mittlere kürzeste Pfadlänge zwischen Patch-Paaren liegt bei 2,212 (kumulierte Widerstandseinheiten). Der Kulturerbe-Graph G_H umfasst 23 Knoten und 73 Kanten (Vereinigung der Delaunay-Triangulation und KNN-4) mit einem mittleren Grad von 6,35 und einer einzigen zusammenhängenden Komponente. Die räumliche Verteilung der 23 Kulturerbe-Knoten zusammen mit den gekoppelten interlayer Kanten zeigt drei modale ICH-Cluster – einen Ganzhou-Cluster mit Schwerpunkt im Gebiet Longnan–Anyuan, einen Minxi-Cluster mit Schwerpunkt im Yongding–Nanjing-Tulou-Gebiet und einen Meizhou-Cluster mit Schwerpunkt im Bezirk Meixian (Abbildung 5A).

Die Zentralitätsanalyse an G_E lokalisierte die gesamte Top-15-Eigenvektor-Hub-Menge innerhalb der Meizhou-CEPZ (Patch-IDs 194–219), wobei Patch 211 (ein 9,3 km² großes, zentrales Kerngebiet in Meizhou) mit einem Eigenvektorwert von 0,37 und einem PageRank von 0,006 an der Spitze lag. Die starke Konzentration des Eigenvektors spiegelt das dichte Korridorgewebe wider, das die kleinen, geometrisch gruppierten Waldflächen von Meizhou über eine Matrix mit geringen Kosten verbindet (Abbildung 5C). Im Gegensatz dazu beträgt die mittlere Eigenvektor-Zentralität in Ganzhou lediglich 1,6 × 10⁻⁴ und in Minxi 1,9 × 10⁻⁵, also drei Größenordnungen unterhalb des Wertes von Meizhou mit 7,3 × 10⁻². Die Zwischenzentralität (Betweenness) ist hingegen gleichmäßiger verteilt: Ganzhou erreicht die höchste mittlere Zwischenzentralität (0,034), da sein größeres Bestand an Patches mehr kürzeste Pfade durch strukturell mittlere Knoten erzeugt. Diese Diskrepanz zwischen der Eigenvektor-Zentralität (dominiert von Meizhou) und der Zwischenzentralität (stark in Ganzhou) ist ein charakteristisches Merkmal der dreizonalen Topologie.

Die ökologische Zentralität der Einzelschicht zeigt einen Kontrast zwischen Eigenvektor- und Betweenness-Zentralität (Abbildung 6). Das Netzwerk G_E aus dem Jahr 2020 enthält einen kompakten Meizhou-Hub-Komplex und eine diffusere Struktur in Ganzhou (Abbildung 6A). Die Verteilung des Knotengrades ist nach rechts verschoben, mit einem mittleren Grad von 6,86 und einem Maximum von 12 in den Flächen P193–P219 (Abbildung 6B). Flächengröße und Eigenvektor-Zentralität der Einzelschicht sind negativ korreliert (Spearman ρ = −0,21), sodass die Flächen mit der höchsten Zentralität in der Regel kleinere Meizhou-Kerne und nicht größere Minxi-Flächen sind (Abbildung 6C). Die Region bestimmt den Ort. Meizhou weist die höchste Eigenvektor-Zentralität und PageRank auf, während Ganzhou die höchste Betweenness aufweist (Abbildung 6D). Da diese Darstellungen ausschließlich G_E verwenden, ist das Meizhou-Muster bereits vor der Kopplung zwischen den Schichten vorhanden; ein Vergleich mit dem Supra-Netzwerk zeigt, dass die Kopplung nicht die einzige Ursache dafür ist.

Die Kopplung von G_H und G_E gemäß der Baseline-Regel ergab 42 interlayer Verbindungen: 35 strikte 10-km-Verbindungen sowie sieben Fallback-Verbindungen. 29 der 233 ökologischen Flächen (12,4 %) und alle 23 ICH-Knoten weisen mindestens eine interlayer Verbindung auf (mittlerer ICH-zu-ökologischer Grad = 1,83; Maximum = 5). Der Spektralradius der mittelwertnormalisierten symmetrischen Supra-Adjazenzmatrix beträgt 19,6481. Ein zuvor fehlerhaft beschrifteter knotenbasierter Zentralitätswert wurde aus der Eigenwertauswertung entfernt. Die zonale Zerlegung der Kopplung ergibt mittlere ökologische Verbindungswerte von 2,33 für Meizhou, 1,91 für Ganzhou und 1,17 für Minxi. Diese deskriptiven Ergebnisse identifizieren Meizhou als die am stärksten gekoppelte Zone gemäß der vorgegebenen Distanz-und-Fallback-Regel.

Perkolationsresilienzschwellen
Zunächst wurden schichtspezifische Perkolationskurven am abgebildeten Kulturerbe-Inventar-Graphen G_H berechnet (Abbildung 7). Unter vier progressiven Angriffen sank das normalisierte Verhältnis der größten zusammenhängenden Komponente (LCC) am langsamsten bei zufälliger, zwischenwertbasierter und Eigenvektor-basierter Entfernung: Die Schwellenwerte lagen bei 0,96, 1,00 bzw. 1,00, verglichen mit 0,74 bei gradbasierten Entfernung (Abbildung 7A). Die Schwellenwerte für die globale Effizienz betrugen 0,86 für zufällige, 0,83 für Eigenvektor- und 0,57 für gradbasierte Entfernung (Abbildung 7B). Diese Ergebnisse deuten auf eine hohe strukturelle Robustheit des abgebildeten Inventar-Graphen gegenüber zufälliger Knotenentfernung hin, jedoch auf eine größere Empfindlichkeit gegenüber dem Entfernen von Knoten mit hohem Grad. Der Konsensschwellenwert beträgt f_C(H) = 0,925 (Abbildung 7C); dieser misst nicht die Kontinuität der Kulturerbe-Praxis außerhalb des abgebildeten Graphen.

Perkolationsangriffe auf die beiden Schichten unter vier progressiven Knotenentfernungs-Schemata (Abschnitt 2.3.5) ergaben eine deutliche Asymmetrie (Abbildung 8). Die Schwellenwerte der ökologischen Schicht betrugen 0,62 (zufällig), 0,70 (Grad), 0,44 (Zwischenzentralität) und 1,00 (Eigenvektor), was zu einem f_C = 0,690 führte (Tabelle 4). Die Schwellenwerte der Kulturerbe-Inventarschicht betrugen jeweils 0,96, 0,74, 1,00 und 1,00, was zu einem f_C = 0,925 führte. Die Differenz Δf_C = 0,235 weist auf einen früheren, modellierten Verlust der Integrität des ökologischen Netzwerks unter drei der vier Angriffsregeln hin. Bei gradbasierter Entfernung überschreiten die ökologische und die Kulturerbe-Inventarschicht S(k) = 0,5 bei Anteilen entfernter Knoten von 0,70 bzw. 0,74. Meizhou enthält die ökologischen Knoten, die am frühesten durch den eigenvektorbasierten Angriff ausgewählt wurden; dies ist eine Assoziation innerhalb der modellierten Topologie und kein Hinweis auf eine reale kausale Kaskade.

Der Vergleich der Rohschwellenwerte wird von der Schichtdichte beeinflusst. Aus den berichteten Knoten- und Kantenanzahlen ergibt sich eine ökologische Dichte von 2 × 799/(233 × 232) = 0,0296, während die Dichte des Kulturgüterverzeichnisses 2 × 73/(23 × 22) = 0,2885 beträgt. Die Division der Konsensschwelle durch die Dichte ergibt 23,3 für die ökologische Schicht und 3,21 für die Schicht des Kulturgüterverzeichnisses, was einem Verhältnis von etwa 7,3:1 entspricht. Diese deskriptive Normalisierung zeigt, dass der höhere rohe Schwellenwert des Kulturgüterverzeichnisses teilweise auf dessen dichteren Graphen zurückzuführen ist. Da das Verhältnis Schwellenwert pro Dichte ein vergleichendes Diagnosekriterium und kein Interventions­effekt ist, sollte es allein nicht als Beleg dafür interpretiert werden, dass das Hinzufügen von Kanten oder der Schutz von Knoten zu einem bestimmten politischen Ergebnis führen wird.

Nur gemäß der Eigenvektor-Angriffsregel weisen beide Schichten eine vergleichbare Robustheit auf (beide ≥ 0,98). Zufällige, gradbasierte und zwischenzentralitätsbasierte Angriffe lokalisieren den modellierten Kollapspunkt früher auf der ökologischen Schicht als auf der Kulturgüterinventar-Schicht. Die Übereinstimmung über drei Angriffsmodi hinweg stützt die Stabilität dieses gerichteten Ergebnisses innerhalb des analysierten Netzwerks und der definierten Angriffe, ohne eine allgemeine kausale Gültigkeit jenseits dieser Bedingungen zu implizieren.

Kartierung der Wiederherstellungsreihenfolge
Das ökologische Korridornetzwerk aus dem Jahr 2020, das für die RPI-Kartierung verwendet wurde, umfasst 799 Least-Cost-Path-Kanten zwischen 233 Kernflächen (Abbildung 9A). Die durchschnittliche Korridorlänge beträgt 28,75 km, der Median liegt bei 21,08 km, das 90. Perzentil bei 52,20 km und das Maximum bei 266,1 km (Abbildung 9B). Die kumulative Kostenverteilung ist ähnlich rechtssteil, mit einem Mittelwert von 563,3, einem Median von 259,6 und einem 90. Perzentil von 651,0 Widerstands-Meter-Äquivalenten (Abbildung 9C). Die positive Korrelation zwischen Länge und Kosten in Abbildung 9D zeigt, dass die Durchquerungsstrecke eine wichtige Komponente der modellierten Kosten darstellt; lokale Widerstandsfaktoren, Durchführbarkeit und Geländeverhältnisse bleiben jedoch notwendig, um jedes Wiederherstellungskorridor zu bewerten. Die zusammengesetzte RPI-Bewertung über 233 Kernflächen ergab eine Verteilung mit langem rechten Schwanz (Mittelwert = 0, σ = 0,52, Minimum = −2,71, Maximum = 1,83). Zweiundvierzig Flächen (20,2 %) fielen in die analytische Stufe 1 (RPI ≥ 0,290), 46 (19,7 %) in die hohe Stufe (−0,184 ≤ RPI < 0,290) und 140 (60,1 %) in die mittlere Stufe. Meizhou enthielt 22 der 56 Flächen in Stufe 1, verglichen mit 20 von 144 in Ganzhou und 5 von 33 in Minxi. Die Kombination der beiden oberen analytischen Stufen ergibt 42 von 56 Flächen in Meizhou, 35 von 144 in Ganzhou und 16 von 33 in Minxi. Diese Stufen stellen relative Rangfolgen unter den festgelegten RPI-Gewichtungen dar und keine verbindlichen Kategorien für den Naturschutzwert (Abbildung 10). Die oberen 15 % der Korridor-RPI-Werte umfassen 119 Korridore. Unter den 20 am höchsten bewerteten Flächen befinden sich 15 in Meizhou, drei in Ganzhou und zwei in Minxi; zusammen umfassen sie 277 km². Ihre Rangplatzierung spiegelt die Kombination aus Supra-Eigenvektor-Zentralität, negativem Patch-Flächenterm, ICH-Kopplung und Isolationskosten wider. Abbildung 10A zeigt diese aus dem Modell abgeleitete Teilmenge. Die Rangfolge stellt keinen endgültigen Wiederherstellungsplan dar und sollte mit ökologischen Gegebenheiten, Durchführbarkeit, Flächennutzungsrechten, Kosten und Prioritäten der Stakeholder kombiniert werden.

Tabelle 5 fasst die Zuordnung der analytischen Prioritätsstufen für die drei CEPZs zusammen. Meizhou umfasst 504,1 km² in Stufe 1 verteilt auf 22 Teilflächen, Ganzhou 439,9 km² auf 20 Teilflächen und Minxi 53,2 km² auf fünf Teilflächen. Meizhou weist außerdem den höchsten mittleren RPI (+0,339) auf. Die größere Gesamtfläche von Meizhous oberer Stufe (4.095,7 km²) im Vergleich zu Stufe 1 spiegelt den negativen Flächenterm des RPI wider, der die relativen Werte kleinerer zentraler Teilflächen anhebt. Diese Ergebnisse beschreiben die strukturelle Hebelwirkung im Rahmen des Modells; sie legen jedoch keinen intrinsischen Naturschutzwert oder eine verpflichtende Verteilung von Renaturierungsressourcen fest.

Szenariosimulation und Sensitivität
Die vier Szenarien ergaben unterschiedliche Modellergebnisse (Tabelle 6). S1 reproduzierte den Baseline-Konsensschwellenwert von 0,690. S2, bei dem alle Patches der mittleren Kategorie entfernt wurden, verringerte den Schwellenwert auf 0,011, was einem modellierten Rückgang um 98,4 % entspricht. Dieses Ergebnis deutet auf einen erheblichen topologischen Beitrag der als moderat klassifizierten Patches hin; es stellt jedoch keinen empirischen Beweis dafür dar, dass ein solcher Verlust tatsächlich eintreten wird, noch legt es eine bestimmte Wiederherstellungsstufe fest. S3 und S4 lieferten einen Konsenswert von 0,690 zurück, da sie die Kantengewichtungen veränderten, ohne die Topologie zu verändern. Gemäß dieser Perkolationdefinition kann eine Verringerung des Widerstands die gewichtete Effizienz verbessern, verändert jedoch nicht die topologische Schwelle. Das Hinzufügen oder die Wiederherstellung von Zwischenstopps (Stepping-stone-Patches) ist daher eine aus dem Modell abgeleitete Option, um sowohl die Topologie als auch die Effizienz zu verändern, und keine verpflichtende Maßnahme (Abbildung 11).

Gradientpatch-Verlustszenarien führten zu einer nichtlinearen modellierten Reaktion. Das Entfernen von 25 % der mittleren Patch-Kategorie senkte den Konsensschwellenwert von 0,690 auf 0,593 (−14,0 %); bei 50 % Entfernung betrug der Wert 0,483 (−30,0 %); bei 75 % ergab sich 0,312 (−54,8 %); und bei 100 % resultierte ein Wert von 0,011 (−98,4 %). Der marginale modellierte Rückgang nahm in den Intervallen 25–50 %, 50–75 % und 75–100 % zu. In diesen Simulationen war das Beibehalten von mindestens der Hälfte der mittleren Patch-Kategorie mit der Erhaltung von mehr als 70 % des Baseline-Schwellenwerts verbunden; dies ist ein Szenarioergebnis, keine Prognose eines realen Kollapses. Die gewichtete globale Effizienz (E_glob) wurde berechnet, da die auf der LCC-basierten Schwelle basierende Methode unempfindlich gegenüber Änderungen der Kantengewichte ist. Die Baseline-E_glob betrug 0,017230. S3 erhöhte sie auf 0,018628 (+8,1 %), und S4 erhöhte sie auf 0,017754 (+3,0 %). Diese modellierten Ergebnisse deuten auf eine verbesserte gewichtete Konnektivität hin, obwohl die topologische Perkolationsschwelle unverändert blieb. Somit beeinflussen Widerstandsreduktion und topologische Expansion unterschiedliche Netzwerkeigenschaften, und die Analyse stellt keine universell überlegene Intervention sicher.

Die Sensitivitätsanalyse untermauerte die Stabilität der Rangfolgen innerhalb der getesteten Parameterbereiche. Eine Variation der vier RPI-Gewichte um ±0,05 und ±0,10 führte weiterhin zu einem Spearman-ρ ≥ 0,97. Bei Änderung des Kopplungsradius auf 5, 10, 15 und 20 km änderten sich die Anzahlen der strikten Radius-Kanten auf 8, 35, 63 bzw. 101; die Referenz von 42 Kanten bei 10 km umfasst 35 Kanten mit striktem Radius und sieben Ersatzverbindungen. Die Korrelationen des Partizipationskoeffizienten mit der Referenz bei 10 km betrugen ρ = 0,73 bei 15 km, 0,54 bei 20 km und 0,27 bei 5 km. Bei 15 km wurden 17 der 20 am höchsten gerangierten RPI-Felder beibehalten, bei 20 km waren es 15. Diese Ergebnisse weisen auf eine gewisse Parametersensitivität und teilweise stabile Rangfolgen hin; sie belegen jedoch keine uneingeschränkte Übertragbarkeit jenseits des getesteten Netzwerks (Abbildung 12).

VERFÜGBARKEIT VON DATEN:
Der China Land Cover Dataset ist über Zenodo verfügbar (https://doi.org/10.5281/zenodo.4417810). Der nationale Katalog des immateriellen Kulturerbes wird vom Staatsrat Chinas veröffentlicht, und Verwaltungsgrenzdaten sind beim Nationalen Geomatikzentrum Chinas erhältlich. Abgeleitete Netzwerkmatrizen, Perkolationsausgaben und Analysecode wurden in Zenodo hinterlegt (https://doi.org/10.5281/zenodo.21732093).

Abbildung 1: Untersuchungsgebiet und Anordnung des CEPZ. (A) Lage der drei nationalen CEPZs in Südjiangxi, Westfujian und Ostguangdong. (B) Verteilung der 23 nationalen ICH-Elemente über die CLCD 2020-Landbedeckung. (CICH-Zählungen nach Inschrift-Partie.D) ICH-Kategorienzusammensetzung. Karten werden mit OpenStreetMap erstellt Mitarbeiter als der Grundkarte administrativ Grenzen und alle Etiketten, Symbole, und thematisch Schichten waren hinzugefügt oder zusammengestellt durch der, die, das Autoren Panels (C) und (D) waren vorbereitet durch der Autoren basiert an der Studie Datensatz Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 2: Analytischer Arbeitsablauf des DEHN-Frameworks. Die fünf Swim-Lanes zeigen Datenaufbereitung, zweischichtige Ableitung, Kopplung, Diagnose und Ausgaben, die zur Konstruktion und Bewertung des Netzwerks verwendet werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 3: Fragmentationsverlauf nach MSPA-lite über die tri-CEPZ-Landschaft, 2000–2023. (A) Räumliche Verteilung der Kernflächen nach Jahr und Zone. (B) Zeitliche Trends in der Gesamtfläche der Kernflächen, der Randfläche und der Gesamtvegetationsfläche. (C) Anzahl der Kernflächen und Gesamtfläche der Kernflächen. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Abbildung 4: Analyse der Kulturerbe-Schicht für 23 nationale ICH-Elemente. (A) Kerneldichtefläche. (B) Delaunay-KNN-Adjazenzgraph G_H. (C) Zehn Knoten mit der höchsten Zwischenzentralität. (D) Zentralitätsmaße nach CEPZ. Klicken Sie bitte hier, um eine vergrößerte Darstellung dieser Abbildung anzusehen.

Abbildung 5: Zweischichtiges Supra-Netzwerk im Jahr 2020. (A) Räumliche Anordnung der Kopplung zwischen den Schichten. (B) Verteilung des inter-schichtigen Knotengrads für ICH. (C) Zwanzig Knoten mit der höchsten Supra-Eigenvektor-Zentralität. (D) Partizipationskoeffizient in Abhängigkeit von der Supra-Eigenvektor-Zentralität für alle 256 Knoten. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Abbildung 6: Analysen der ökologischen Schichtzentralität an G_E. (A) Räumliche Anordnung der Landschaft im Jahr 2020. (B) Gradverteilung. (C) Pflasterfläche im Verhältnis zur Eigenvektorzentralität. (D) Zentralitätsmaße nach Zone. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 7: Durchsickern der Erbeinventarschicht unter gezielten Angriffen. (A) Verhältnis der größten zusammenhängenden Komponente (LCC) in Abhängigkeit vom Anteil entfernter Knoten unter vier Angriffsregeln. (B) Abnahme der globalen Effizienz. (C) Angriffsspezifische und konsensbasierte Schwellenwerte. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 8: Durchdringung ökologischer Schichten unter vier Angriffsszenarien. (A) Zufälliger Angriff. (B) Gezielte Angriffe. (C) Vergleich der Schwellenwerte zwischen Schichten. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Abbildung 9: Ökologisches Korridornetzwerk im Jahr 2020. (A) Widerstandsfläche. (B) Die 799 Korridore mit geringsten Kostenpfad. (C) Kumulative Kostenverteilung. (D) Beziehung zwischen Korridorenlänge und Kosten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 10: Kartierung des Wiederherstellungs-Prioritätsindex. (A) Räumliche Verteilung der RPI-Werte und der 15 % höchsten Korridore. (B) Zusammensetzung der Analysestufen nach CEPZ. (C) RPI-Verteilung nach Zone. (D) Komponentenzerlegung für die 20 am höchsten eingestuften Flächen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 11: Szenariosimulation der Robustheit ökologischer Schichten. (A) Perkolationskurven unter vier Szenarien. (B) Vergleich der konsensuellen kritischen Schwellenwerte. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 12: Sensitivitätsanalyse. (A) Spearman-Rangkorrelationen unter Störungen des RPI-Gewichts. (B) Stabilität des Partizipationskoeffizienten über verschiedene Kopplungsradien hinweg. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Attribut	Ganzhou CEPZ	Minxi CEPZ	Meizhou CEPZ	Gesamt
Provinz	Jiangxi	Fujian	Guangdong	—
Fläche (km²)	39.341	19.353	15.853	74.547
Kreisebene-Einheiten	18 Kreise	6 Kreise	9 Kreise + 1 Bezirk	34
National eingestufte ICH-Elemente (n)	11	6	6	23
ICH-Elemente mit Hakka-Bezug (n)	7	5	5	17
Dominierende ICH-Kategorien	Volksbräuche, traditionelle Handwerke	darstellende Kunst, Volksbräuche	darstellende Kunst, traditionelle Handwerke	—
Kern-ökologische Flächen ≥ 5 km² (2020)	144	33	56	233
Gesamtfläche der Kernflächen (km², 2020)	16.577,60	15.214,10	6.014,00	37.805,70

Tabelle 1: Übersicht der drei Hakka-CERPZ und ihrer ICH-Bestände. Die Tabelle vergleicht geografische Ausdehnung, administrative Abdeckung und ICH-Zahlen auf nationaler Ebene für Ganzhou, Minxi und Meizhou.

Datentyp	Quelle	Auflösung / Einheiten	Zeit	Referenz
Bodennutzung (LULC)	China Land Cover Dataset (CLCD), Wuhan University	30 m Raster	2000/05/10/15/20/23	Yang und Huang (2021)
CEPZ-Grenzen	Nationales Register des Ministeriums für Kultur und Tourismus (MCT)	Vektorpolygone	2013–2020 (deklariert)	MCT (2020)
Nationales ICH-Verzeichnis	Nationale ICH-Liste des chinesischen Staatsrats (Kohorten 1–5)	Punkt (Kreiszentroid)	2006–2021	Staatsrat (2021)
Verwaltungsgrenzen	Nationales Geomatikzentrum Chinas	Vektorpolygone	2020	NGCC (2020)
Koordinatensystem	Albers-Konische gleichen Fläche (lon₀ = 105°, φ₁ = 25°, φ₂ = 47°)	—	—	—

Tabelle 2: Primäre Datenquellen. Die Tabelle führt den Anbieter jedes Datensatzes, die räumliche oder zeitliche Auflösung sowie die Rolle im analytischen Workflow auf.

CLCD-Klasse	Widerstandswert	Begründung
Wald (2)	1	Basislebensraum; höchste Durchlässigkeit
Gehölz (3)	5	Hohe Durchlässigkeit; sekundäre Sukzession
Grasland (4)	10	Mäßige Durchlässigkeit
Wasser (5)	30	Lokal durchlässig für aquatische Taxa; Barriere für terrestrische Arten
Ackerland (1)	50	Semi-anthropogene Matrix
Eis/Schnee (7)	200	Hochlagenbarriere
Undurchlässig (8)	500	Vollständige Barriere für biotischen Fluss
Keine Daten (0)	100	Neutrale Platzhalterkategorie

Tabelle 3: Widerstandswerte der Landnutzungsdecke. Die Tabelle zeigt die jedem CLCD-Klassen für die Modellierung von kostengünstigsten Korridoren zugewiesenen Widerstandswerte an.

Angriffsregel	Ökologisches f*	Erbe f*	Δ (H − E)
Zufällig (Mittelwert aus 500)	0.62	0.96	0.34
Aufsteigender Grad	0.7	0.74	0.04
Aufsteigende Zwischenzentralität	0.44	1	0.56
Aufsteigender Eigenvektor	1	1	0
Konsens (Mittelwert)	0.69	0.925	0.235
Dichte-normalisiert (f_C/Dichte)	23.3	3.21	−20.09
Standardabweichung bei zufälligem Angriff	0.058	0.082	0.024

Tabelle 4: Perkolations-kritische Schwellenwerte für die ökologischen und Kulturerbe-Inventarschichten im Jahr 2020. Angriffsspezifische Werte und deren Konsens fassen die strukturelle Robustheit unter der LCC-Normalisierung der verbleibenden Knoten zusammen.

CEPZ	Gesamtanzahl der Flächen	Stufe 1 (beste Platzierung) (n / km²)	Höhere Stufe (n / km²)	Mittlere Stufe (n / km²)	Mittlerer RPI
Ganzhou	144	20 / 439,9	15 / 475,3	109 / 15.662,5	−0,103
Minxi	33	5 / 53,2	11 / 123,0	17 / 15.037,9	−0,124
Meizhou	56	22 / 504,1	20 / 4.095,7	14 / 1.414,2	0,339
Alle drei CEPZs	233	47 / 997,2	46 / 4.694,0	140 / 32.114,6	0

Tabelle 5: Zuordnung der RPI-Stufen zu den drei CEPZs. Die Anzahl der Teilflächen, Flächeninhalte und mittleren RPI-Werte zeigen die vergleichende Verteilung der analytischen Stufen nach Zone.

Szenario	Beschreibung	Konsens f*	Δ vs S1
S1	Basislinie (unverändertes G_E)	0.69	0
S2	Verlust von mittleren Flächen (140 Flächen entfernt)	0.011	−0.679
S3	Kostenhalbierung für Verbindungen zwischen Rang 1 (höchstbewertet) und Rang 1 (höchstbewertet)	0.69	0
S4	Kostenreduzierung um 40 % bei den 119 besten Korridoren	0.69	0
S2a (25 % mittlere Flächen entfernt)	35 von 140 mittleren Flächen entfernt	0.593	-0.097
S2b (50 % mittlere Flächen entfernt)	70 von 140 mittleren Flächen entfernt	0.483	-0.207
S2c (75 % mittlere Flächen entfernt)	105 von 140 mittleren Flächen entfernt	0.312	-0.378
Gewichtete globale Effizienz	S1=0.0172, S3=0.0186(+8,1 %), S4=0.0178(+3,0 %)	Siehe Text	-

Tabelle 6: Konsens-Schwellenwerte der Szenario-Simulations-Perkolation. Die Tabelle vergleicht die Ergebnisse der Basis-, Patch-Verlust-, Knoten-Restauration- und Korridor-Restauration-Modelle.

Reserve	Knoten	Kanten	Dichte	Zufälliger Angriff (Mittelwert ± SD; n = 500)	Grad	Zwischenzentralität	Eigenvektor	Konsens
Ganzhou	144	359	0.035	0.420±0.079	0.326	0.118	0.632	0.374
Minxi	33	89	0.169	0.686±0.162	0.364	0.242	1.000	0.573
Meizhou	56	143	0.093	0.464±0.120	0.250	0.179	0.250	0.286

Tabelle 7: Per-Reserve-Durchsickerungsschwellenwerte. Die Tabelle gibt anbieterspezifische und Konsensschwellenwerte getrennt für Ganzhou, Minxi und Meizhou an.

Diskussion

Die dreizonale Zerlegung morphologischer und netzwerkbasierter Diagnosen zeigte eine deutliche räumliche Heterogenität in der ökologischen Konfiguration⁴⁹. Ganzhou wies die größte bewachsene Fläche und die höchste Anzahl an Patches auf, jedoch die kleinste durchschnittliche Patch-Größe, während Minxi die größten mittleren Patches beibehielt (461 km²), was mit einem vergleichsweise zusammenhängenden Waldgebiet am Rand des Wuyi-Gebirges übereinstimmt. Meizhou enthielt 56 Patches innerhalb eines kleineren Gebiets und wies die höchste Konzentration ökologischer Eigenvector-Hubs auf. Die CLCD-Änderungsanalyse zeigte eine insgesamt nichtlineare Veränderung der Kernpatch-Fläche. Die Kernpatch-Fläche stieg von 44.485 km² im Jahr 2000 auf 45.772 km² im Jahr 2010 an, nahm danach bis 2015 auf 41.919 km² und bis 2020 auf 37.806 km² ab. Der Rückgang zwischen 2010 und 2020 betrug 7.966 km², was 17,4 % der Kernpatch-Fläche von 2010 entspricht. Im Jahr 2023 betrug die Kernpatch-Fläche 37.888 km², was gegenüber 2020 einer geringen Zunahme um 82,3 km² entspricht. Dennoch belief sich der gesamte Rückgang von 2000 bis 2023 auf 6.597 km² bzw. 14,8 %. Der Übergang von vegetationsbedeckten Kernen zu Ackerland machte 38 % des Nettoverlusts an Kernen aus, Übergänge im Zusammenhang mit Verkehrsinfrastruktur, Stauseen und industrieller Nutzung 31 %, die Umwandlung in versiegelte Flächen 22 % und andere kartierte Übergänge 9 %. Ganzhou, Meizhou und Minxi trugen jeweils 52 %, 35 % und 13 % zum Nettoverlust bei. Dies sind Ergebnisse der Landbedeckungsbilanzierung und beschreibende Assoziationen; Urbanisierung, Infrastrukturentwicklung, Investitionen in Obstplantagen, Bevölkerungsrückgang und politische Prozesse sind plausible kontextuelle Erklärungen, wurden jedoch nicht direkt als kausale Treiber überprüft⁵⁰.

Die Per-Reserve-Perkolation-Analyse zeigte ebenfalls erhebliche Unterschiede in der modellierten ökologischen Robustheit. Die Konsensschwellen betrugen 0,374 für Ganzhou, 0,573 für Minxi und 0,286 für Meizhou, während die medianen Schwellenwerte bei zufälligen Angriffen über die 500 Simulationsreplikate hinweg jeweils 0,410, 0,667 und 0,446 betrugen. Im Gegensatz dazu berichtet Tabelle 7 die entsprechenden Mittelwerte ± SD mit 0,420 ± 0,079, 0,686 ± 0,162 und 0,464 ± 0,120. Minxi wies daher die höchste modellierte Robustheit auf, Meizhou die niedrigste, unter den festgelegten Regeln zur Netzwerkkonstruktion und zu Angriffen. Ganzhou kombinierte eine größere undurchlässige Matrix mit relativ intakten inneren Kernen und einer höheren mittleren Zwischenzentralität (0,034), was auf eine stärkere Konzentration des kürzesten Pfadsverkehrs hindeutet. Meizhou hingegen enthielt viele kleine Patches innerhalb lokal dichter Teilgraphen und zeigte eine stärkere Eigenvektor-Zentralität sowie eine stärkere Konzentration lokaler Hubs. Diese Unterschiede beschreiben die Topologie des modellierten Korridornetzwerks, ohne zu belegen, dass Entwicklungsdruck oder Entvölkerung die beobachteten Muster verursacht haben^51,52.

In den drei Zonen wiesen die ökologischen und die erfassten Kulturerbe-Inventarschichten unterschiedliche strukturelle Schwellenwerte auf. Die ökologische Schicht erreichte den modellierten Kollaps bei einem konsensuellen Anteil entfernter Knoten von 0,690, verglichen mit 0,925 für die Kulturerbe-Inventarschicht, eine Differenz von 0,235. Die ökologische Schwelle war bei zufälligen, gradbasierten und betweenness-basierten Angriffen niedriger, während die beiden Schichten nur bei eigenvektor-basierten Angriffen eine vergleichbare Robustheit zeigten. Diese Asymmetrie legt nahe, dass innerhalb der dargestellten Graphen die Integrität der ökologischen Korridore die restriktivere strukturelle Komponente des gekoppelten Systems darstellt⁵³. Die Kulturerbe-Schicht besteht jedoch lediglich aus 23 erfassten nationalen ICH-Elementen und sollte nicht als direktes Maß für die Kontinuität, Vitalität oder geografische Ausdehnung kultureller Praktiken interpretiert werden. Der höhere Schwellenwert des Kulturerbes hängt auch teilweise mit ihrer deutlich höheren Graphendichte zusammen (0,289 gegenüber 0,030 für die ökologische Schicht). Dichtekorrigierte Schwellenwerte ermöglichen einen beschreibenden Vergleich innerhalb der Studie, sollten jedoch nicht als Beleg dafür interpretiert werden, dass eine Erhöhung der Kantendichte oder der Schutz einer bestimmten Anzahl von Knoten zu vorhersehbaren politischen Ergebnissen führen wird⁵⁴.

Die grundlegende Kopplung war begrenzt, aber räumlich ungleichmäßig verteilt: 42 Inter-Layer-Verbindungen verknüpften alle 23 ICH-Knoten mit 29 ökologischen Teilflächen, darunter 35 Verbindungen mit festem Radius und sieben Ersatzverbindungen zum nächstgelegenen Patch. Meizhou wies die höchste mittlere ICH-zu-ökologische Verknüpfung (2,33) auf und enthielt die größte Konzentration ökologischer Zentren, wodurch es innerhalb des modellierten Netzwerks sowohl stark gekoppelt als auch strukturell empfindlich ist⁵⁵. Der Gegensatz zwischen den Schichten zeigte sich auch in den Zentralitätsrängen: Minxi führte die Rangliste des alleinigen Erbe-Eigenvektors an, während Meizhou in den ökologischen und supranetzwerkweiten Ranglisten vorne lag. Diese Umkehrung zeigt, dass Einzelschicht-Ranglisten sich nach Einführung einer Querschicht-Kopplung ändern können. Dennoch legen die Ergebnisse nicht fest, dass einer der Bereiche automatisch Vorrang erhalten sollte. In Meizhou könnten Planer den Schutz oder die Wiederherstellung kleiner, hochzentraler Flächen bewerten; in Ganzhou könnten mittlere Flächen mit hoher Zwischenzentralität zusammen mit nutzungsbedingten Einschränkungen im Periurbanen untersucht werden; und in Minxi könnte die Absicherung und Verdichtung großer, zusammenhängender Kerne relevanter sein als die Hinzufügung zahlreicher kleiner Flächen⁵⁶. Alle diese Optionen erfordern eine Validierung vor Ort, eine Prüfung der Durchführbarkeit und Kosten, eine Analyse der Grundnutzungsverhältnisse sowie die Beteiligung der Stakeholder.

Die Szenarioanalyse verdeutlichte den Unterschied zwischen gewichteter Effizienz und topologischer Robustheit⁵⁷. Das Entfernen aller Patches der mittleren Kategorie senkte die Konsensschwelle von 0,690 auf 0,011, während die progressiven Verlustszenarien Schwellenwerte von 0,593, 0,483, 0,312 und 0,011 ergaben, als jeweils 25 %, 50 %, 75 % und 100 % der Patches der mittleren Kategorie entfernt wurden. Diese Ergebnisse zeigen, dass Patches außerhalb der höchsten analytischen Kategorien weiterhin einen wichtigen topologischen Beitrag leisten können. Im Gegensatz dazu veränderte die Verringerung der Kantenkosten in den Szenarien der Stufe-1- und der Korridorwiederherstellung mit höchster Priorität die ungewichtete Perkolationsschwelle nicht, obwohl die gewichtete globale Effizienz um 8,1 % bzw. 3,0 % anstieg. Somit beeinflussen Widerstandsverringerung und topologische Ausdehnung unterschiedliche Netzwerkeigenschaften: Erstere kann die modellierte Flusseffizienz verbessern, während Letztere erforderlich ist, um die Schwelle gemäß der vorliegenden Definition zu verändern⁵⁸. Die RPI-Rangfolge blieb unter den getesteten Gewichtsstörungen hochgradig stabil (Spearman’s ρ ≥ 0,97), während Änderungen des Kopplungsradius nur eine teilweise Stabilität ergaben, was darauf hindeutet, dass die Prioritäten als nützliche Screening-Ergebnisse und nicht als endgültige Wiederherstellungsvorgaben dienen.

Mehrere Einschränkungen begrenzen die Interpretation und weisen auf zukünftige Forschungsarbeiten hin. Erstens basierte die Widerstandsfläche allein auf der Landnutzung, da eine vollständige Abdeckung durch ein digitales Höhenmodell (DEM) für das Untersuchungsgebiet nicht verfügbar war; Steigungs- und topographische Feuchte-Modifikatoren sollten in zukünftigen Analysen einbezogen werden, um zu prüfen, ob das Meizhou-Hub-Muster bestehen bleibt⁵⁹. Zweitens wurden die ICH-Elemente auf Kreiszentren geokodiert, was intra-kreisliche Variationen verdeckt und die Kopplung zwischen Schichten verzerren könnte; Umfragen auf Dorfebene, insbesondere in Meizhou, sind erforderlich, um die räumliche Repräsentation zu verbessern⁶⁰. Drittens war die Mehrschichtanalyse querschnittlich für das Jahr 2020 angelegt, obwohl ökologische Fragmentierung von 2000 bis 2023 dokumentiert wurde. Die Rekonstruktion der ökologischen und gekoppelten Netzwerke für alle Referenzjahre würde stärkere zeitliche Schlussfolgerungen ermöglichen⁶¹. Viertens waren die Szenarien deterministisch und beinhalteten keine Landnutzungsprojektionsmodelle wie PLUS oder FLUS. Zukünftige Arbeiten könnten stochastische Landnutzungssimulationen, Renaturierungskosten, ökologischen Zustand, die Bereitstellung von Ökosystemdienstleistungen sowie Indikatoren für die Kontinuität der ICH-Praxis integrieren. Die Erweiterung der Kulturerbe-Schicht um Elemente auf Provinzebene würde zudem feiner abgestufte kultur-ökologische Verbindungen aufzeigen⁶². Demnach sollte der DEHN-Rahmen als reproduzierbares, vergleichendes Diagnosewerkzeug betrachtet werden: Er identifiziert strukturelle Anfälligkeiten und potenzielle Eingriffsstandorte, doch seine Anwendung auf andere CEPZs oder Kulturlandschaften erfordert lokal rekonstruierte Netzwerke, konsistente Angriffsprotokolle, Feldvalidierung sowie eine explizite Berücksichtigung von Governance- und Gemeinschaftsprioritäten⁶³.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Verwaltungsgrenzdaten	National Geomatics Center of China	Chinesischer Datensatz zu Verwaltungsgrenzen; https://www.ngcc.cn/
ARPACK-Eigenwertlöser	ARPACK-NG über SciPy	scipy.sparse.linalg.eigsh; https://github.com/opencollab/arpack-ng
China Land Cover Datensatz (CLCD)	Wuhan University / Zenodo	30-m-jährlicher Datensatz; Datensatz 4417810; https://zenodo.org/records/4417810
Verzeichnis für kulturelle ökologische Schutzgebiete	Ministerium für Kultur und Tourismus von China	Nationales CEPZ-Verzeichnis; https://www.mct.gov.cn/
Delaunay-Triangulation und k-Nächste-Nachbarn-Analyse	SciPy / NetworkX	Konstruktion des Erbe-Nachbarschaftsnetzwerks; k = 4
Gaode-POI-Dienste	Amap / Gaode	Online-POI-Dienst; https://lbs.amap.com/
GeoPandas	GeoPandas-Entwickler / PyPI	Version 0.14; https://geopandas.org/
Google Earth-Bilder	Google	Google Earth-Bilder; https://earth.google.com/
Kerneldichteschätzung	Wissenschaftliche Python-Computing-Umgebung	500-m-Raster; 5-km-Bandbreite
Least-Cost-Path-Algorithmus	scikit-image-Projekt	Dijkstra-Algorithmus über route_through_array
Nationales Inventar des immateriellen Kulturerbes	Staatsrat der Volksrepublik China	Inventar auf nationaler Ebene, Jahrgänge 1–5
NetworkX	NetworkX-Entwickler / PyPI	Version 3.2; https://networkx.org/
Python	Python Software Foundation	Version 3.11; https://www.python.org/
rasterio	Rasterio-Entwickler / PyPI	Version 1.3; https://rasterio.readthedocs.io/
scikit-image	scikit-image-Entwickler / PyPI	skimage.graph.route_through_array; https://scikit-image.org/
SciPy sparse	SciPy-Community	scipy.sparse; https://scipy.org/
SRTM-Höhenmodell (Shuttle Radar Topography Mission)	NASA / USGS	SRTM-DEM; nur vorläufige Bewertung; unvollständige Abdeckung des Untersuchungsgebiets
Zenodo-Analyserepository	Zenodo	Code, abgeleitete Matrizen und Ergebnisse; https://doi.org/10.5281/zenodo.21732093