Un flujo de trabajo integrado de modelado geoespacial cuantifica la urbanización del suelo y la dinámica de las reservas de carbono. La expansión de las zonas construidas se asocia con la pérdida de reservas de carbono y efectos negativos de derrame espacial, mientras que los escenarios de planificación ecológica conservan tierras con alto contenido de carbono y favorecen una gobernanza coordinada de bajas emisiones de carbono.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de investigación
Urbanización de la tierra, planificación ecológica y dinámica de las reservas de carbono en Xinjiang, China, mediante un flujo de trabajo integrado de modelado geoespacial
En este artículo
Resumen
Resumen
Este estudio desarrolló y aplicó un flujo de trabajo integrado que combinó teledetección, simulación del uso del suelo, evaluación de servicios ecosistémicos y métodos econométricos espaciales para cuantificar la influencia de la urbanización del suelo y la planificación ecológica sobre la dinámica del stock de carbono en la Región Autónoma Uigur de Xinjiang, en el noroeste de China. Utilizando datos de uso y cobertura del suelo, superficies impermeables, luz nocturna, vegetación, topografía, factores socioeconómicos y restricciones de planificación desde 2000 hasta 2020, el flujo de trabajo identificó patrones históricos de urbanización, simuló cuatro escenarios futuros de planificación, estimó el stock de carbono mediante el módulo de carbono de InVEST y evaluó los efectos directos y de derrame espacial mediante modelos econométricos espaciales. Los resultados muestran que la expansión de áreas construidas ocurrió principalmente mediante la conversión de tierras agrícolas y se acompañó de aumentos en la cobertura de superficies impermeables y en la intensidad de la luz nocturna. Los resultados de la simulación indican que el escenario de protección ecológica produce la mayor retención de stock de carbono, mientras que el escenario de desarrollo natural provoca la mayor pérdida de carbono. Se identificó la tierra forestal como la clase de uso del suelo con alto contenido de carbono más vulnerable, con una densidad total de carbono de 144,9 Mg C/ha en comparación con 29,4 Mg C/ha para las zonas construidas. Los resultados del modelo de Durbin espacial muestran que la urbanización del suelo tiene un efecto directo negativo (−0,231) y un efecto indirecto de derrame (−0,117), lo que produce un efecto total de −0,348 sobre la densidad del stock de carbono, mientras que la intensidad de la planificación ecológica tiene un efecto total positivo (+0,245). Estos hallazgos respaldan la necesidad de una planificación ecológica coordinada entre límites administrativos para promover un desarrollo regional de bajo carbono.
Introducción
Ante el contexto del cambio climático global y la transición hacia un desarrollo de bajo carbono, la rápida urbanización se ha convertido en un factor principal de cambios en los patrones regionales de cobertura del suelo y en los ciclos biogeoquímicos1. A medida que las actividades humanas continúan expandiéndose en escala e intensidad, la acelerada urbanización del suelo en regiones en desarrollo no solo altera los patrones de uso del suelo, sino que también transforma la estructura y el funcionamiento de los ecosistemas. En esencia, la urbanización del suelo implica la conversión de vegetación natural con alta densidad de carbono en superficies artificiales con baja densidad de carbono, lo que provoca pérdidas sustanciales en la capacidad regional de almacenamiento de carbono2. Para las regiones de rápido desarrollo, equilibrar el crecimiento económico con la protección del espacio ecológico se ha convertido en un desafío fundamental dentro de la planificación territorial del espacio. Los estudios tradicionales sobre el uso del suelo se han centrado principalmente en los patrones de expansión física, pasando por alto con frecuencia las interacciones dinámicas entre el desarrollo espacial y los procesos del ciclo del carbono3. Por consiguiente, existe la necesidad de enfoques analíticos integrados que cuantifiquen los efectos de la urbanización del suelo sobre la dinámica de las reservas de carbono y que proporcionen una base científica para la protección ecológica y la gestión de bajo carbono.
Los recientes avances en sensores remotos y sistemas de información geográfica han mejorado sustancialmente la modelización del cambio de uso del suelo y la evaluación de los servicios ecosistémicos4,5. La simulación de uso del suelo en múltiples escenarios combinada con contabilidad ecológica se ha convertido en un enfoque ampliamente utilizado para evaluar las consecuencias ambientales de la expansión urbana6. En particular, los modelos de simulación de uso del suelo basados en parches (Patch-generating Land Use Simulation, PLUS) y de valoración integrada de servicios ecosistémicos y compensaciones (Integrated Valuation of Ecosystem Services and Tradeoffs, InVEST) se han aplicado para cuantificar cómo las restricciones de planificación influyen en las trayectorias del uso del suelo y en los resultados de reservas de carbono7,8,9,10,11,12. Estudios relacionados sobre servicios ecosistémicos han demostrado además que el cambio en la cobertura del suelo, las políticas de desarrollo urbano y las medidas de protección ecológica pueden alterar el rendimiento hídrico, la secuestración de carbono, la retención de suelos y las compensaciones entre servicios ecosistémicos en paisajes de rápida urbanización13,14,15,16,17. Sin embargo, la mayoría de los estudios anteriores se han centrado en la conversión del uso del suelo y en los resultados de los servicios ecosistémicos, prestando menos atención a cómo las presiones del desarrollo socioeconómico generan respuestas espacialmente dependientes en las reservas de carbono entre unidades administrativas vecinas.
Tres vacíos clave motivan el presente flujo de trabajo. Primero, en las aplicaciones anteriores de PLUS–InVEST se suele tratar las áreas de estudio como sistemas físicos cerrados y no se evalúa explícitamente si los efectos de la urbanización del suelo trascienden hacia unidades adyacentes. Segundo, los análisis de validación, incertidumbre y sensibilidad frecuentemente se informan solo brevemente, lo que dificulta determinar si el ordenamiento de los escenarios permanece estable bajo distintos parámetros de simulación de uso del suelo, coeficientes de grupos de carbono y especificaciones de ponderación espacial. Tercero, los estudios econométricos espaciales a menudo identifican asociaciones entre la intensidad del desarrollo y los resultados ecológicos sin vincular estas relaciones con observaciones de sensores remotos, escenarios futuros de uso del suelo y contabilidad de existencias de carbono. Por lo tanto, se necesita un flujo de trabajo integrado que conecte la observación, la simulación de escenarios, la contabilidad de carbono y la identificación de mecanismos espaciales dentro de un marco analítico reproducible.
En consecuencia, este estudio establece un flujo de trabajo analítico reproducible que integra teledetección, simulación de escenarios basada en PLUS, evaluación de reservas de carbono mediante InVEST y análisis econométrico espacial. Centrándose en la Región Autónoma Uygur de Xinjiang, en el noroeste de China, el estudio evalúa los patrones históricos de urbanización de la tierra entre 2000 y 2020, examina cómo distintos escenarios de planificación influyen en las futuras configuraciones del uso del suelo, cuantifica los efectos resultantes sobre la distribución de las reservas de carbono e investiga los efectos directos y de derrame espacial de la urbanización de la tierra, la intensidad de la planificación ecológica, la condición de la vegetación y los factores socioeconómicos sobre la dinámica de las reservas de carbono. La principal contribución de este flujo de trabajo consiste en la integración de la predicción basada en escenarios con la identificación de mecanismos, para así apoyar la delimitación de líneas ecológicas rojas, la planificación de crecimiento compacto, la compensación de carbono transfronteriza y la gobernanza regional de bajo carbono.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
En este estudio se utilizaron conjuntos de datos geoespaciales, de teledetección, de planificación y socioeconómicos agregados de acceso público. No se incluyeron participantes humanos, sujetos animales, materiales clínicos ni información personal identificable. Por lo tanto, no se requirió la aprobación ética institucional. En la Tabla de Materiales se detallan los entornos de software específicos, los paquetes computacionales (incluidas bibliotecas de econometría espacial y de visualización de alta resolución), los identificadores de objetos digitales (DOI) de los conjuntos de datos y las URL de origen de todos los recursos necesarios para reproducir este flujo de trabajo.
1. Área de estudio y marco analítico
El análisis se realizó en la Región Autónoma Uigur de Xinjiang, en el noroeste de China, con un enfoque analítico específico en las extensiones urbanas delimitadas de ciudades clave (Figura 1) para capturar con precisión la dinámica de expansión localizada. Este límite se utilizó de forma consistente para el recorte de ráster, la simulación de uso del suelo, la evaluación de reservas de carbono y la agregación de unidades administrativas. El tamaño de la muestra analítica (n) comprendió 105 unidades administrativas de nivel condal analizadas en tres nodos temporales discretos (2000, 2010 y 2020), con simulaciones de uso del suelo que incorporaron 50 réplicas estocásticas para capturar la incertidumbre espacial.
Se empleó un marco analítico multiescalar que integra análisis a nivel de cuadrícula y a nivel de unidades administrativas. A escala de cuadrícula, se utilizaron datos de uso y cobertura del suelo, intensidad de la luz nocturna, cobertura de superficies impermeables, índices de vegetación, variables topográficas y restricciones de planificación ecológica para identificar patrones de urbanización del suelo, simular escenarios futuros de uso del suelo y evaluar la distribución de las reservas de carbono. A escala de unidad administrativa, se incorporaron variables socioeconómicas, de transporte y ambientales en análisis econométricos espaciales para evaluar los efectos directos y de derrame de la urbanización del suelo y la planificación ecológica sobre la dinámica de las reservas de carbono.
El marco analítico comprendió cinco componentes. Primero, se utilizaron datos multi-temporales de teledetección y de uso del suelo para caracterizar los patrones espacio-temporales de la urbanización del suelo, incluyendo la expansión de las zonas edificadas, la intensidad del desarrollo y la reestructuración del uso del suelo. Segundo, se desarrollaron escenarios de protección ecológica, protección de tierras agrícolas y planificación de bajo carbono para simular patrones futuros de uso del suelo. Tercero, se empleó el módulo de almacenamiento de carbono de InVEST para cuantificar la distribución y el cambio en las reservas de carbono bajo condiciones históricas y futuras de uso del suelo. Cuarto, se realizaron análisis de autocorrelación espacial global y local para identificar patrones de agrupamiento y regiones de concentración asociadas con la variación en las reservas de carbono. Quinto, se utilizaron modelos econométricos espaciales para evaluar la magnitud, dirección y efectos de desbordamiento de la urbanización del suelo, la intensidad de la planificación ecológica y los factores impulsores ambientales y socioeconómicos sobre la dinámica de las reservas de carbono.
Figura 1 muestra el flujo de trabajo analítico general. El flujo de trabajo vincula la definición del área de estudio, la integración de datos de múltiples fuentes, la identificación de la urbanización del suelo, el desarrollo de escenarios de planificación ecológica, la simulación del uso del suelo, la evaluación de reservas de carbono, el análisis de autocorrelación espacial y la modelización econométrica espacial. Los datos espaciales de múltiples fuentes sirvieron como capa de entrada. La identificación de la urbanización del suelo y el análisis histórico del uso del suelo conformaron la capa de caracterización del patrón. Los escenarios de planificación ecológica y la evaluación de las reservas de carbono formaron la capa de predicción y evaluación de impacto. Los análisis de autocorrelación espacial y econométricos se utilizaron para identificar los mecanismos espaciales y apoyar la interpretación de políticas.
Figura 1: Área de estudio, integración de datos y flujo técnico del trabajo. (A) Contexto espacial multiescalar y límites analíticos urbanos precisos para ciudades clave de la Región Autónoma Uigur de Xinjiang, en el noroeste de China. (B) Flujo técnico integrado que vincula datos espaciales multifuente, identificación de urbanización del suelo basada en teledetección, diseño de escenarios de planificación ecológica, simulación de uso del suelo mediante PLUS, evaluación de reservas de carbono con InVEST, autocorrelación espacial, análisis de puntos calientes y modelado econométrico espacial. ND = desarrollo natural; EP = protección ecológica; CP = protección de tierras de cultivo; LC = optimización de bajo carbono; OLS = mínimos cuadrados ordinarios; SAR = modelo autorregresivo espacial; SEM = modelo de error espacial; SDM = modelo espacial de Durbin. Haga clic aquí para ver una versión más grande de esta figura.
2. Fuentes de datos y sistema de variables
Se compiló un conjunto de datos de múltiples fuentes para apoyar la identificación de la urbanización del suelo, la simulación de escenarios de planificación ecológica, la evaluación de reservas de carbono y el análisis espacial econométrico. El conjunto de datos incluyó información sobre uso del suelo/cobertura del suelo, fracción de superficies impermeables, intensidad de la luz nocturna, índice de vegetación por diferencia normalizada (NDVI), variables topográficas, indicadores de accesibilidad al transporte, variables hidrológicas, densidad de población, densidad del producto interno bruto (PIB), restricciones de planificación, variables climáticas y parámetros de los reservorios de carbono. Tabla 1 resume la categoría del conjunto de datos, la descripción de las variables, la unidad, la resolución espacial y temporal, la fuente y la aplicación analítica. Se obtuvieron conjuntos de datos clave para los años 2000, 2010 y 2020. Los datos de uso del suelo y los principales productos de teledetección se armonizaron a resoluciones que variaron entre 30 m y 1 km, según los requisitos del análisis.
Tabla 1: Fuentes de datos y sistema de variables. La tabla informa la categoría del conjunto de datos, variable, descripción, unidad, resolución espacial/temporal, fuente y uso analítico para la identificación de la urbanización del suelo, simulación de escenarios, contabilidad de reservas de carbono con InVEST y modelado econométrico espacial. NDVI = índice de vegetación por diferencia normalizada; DEM = modelo digital de elevación; LULC = uso del suelo/cobertura del suelo. Haga clic aquí para descargar esta tabla.
Todas las capas espaciales fueron proyectadas a un sistema de coordenadas común, recortadas según el límite del área de estudio mostrado en la Figura 1 y remuestreadas o agregadas a la escala de cuadrícula o unidad administrativa requerida. Los valores faltantes fueron verificados antes del análisis de superposición espacial. Los conjuntos de datos ráster utilizados en los análisis de PLUS e InVEST se alinearon a nivel de píxel, mientras que las variables socioeconómicas se agregaron a unidades administrativas para la regresión espacial. Este flujo de trabajo de preprocesamiento garantizó unidades espaciales consistentes y puntos temporales comparables en los análisis temporales, simulaciones de escenarios, cálculos de reservas de carbono y modelado econométrico.
Los datos de uso y cobertura del suelo sirvieron como insumo principal para la detección de cambios históricos y la simulación futura del uso del suelo. Las categorías originales de uso del suelo se reclasificaron en seis clases: tierras agrícolas, tierras forestales, pastizales, cuerpos de agua, tierras urbanizadas y tierras no utilizadas. Este esquema de clasificación se utilizó de manera consistente para el análisis de cambios en el uso del suelo, la elaboración de escenarios y los cálculos de stock de carbono con InVEST. La proporción de tierras urbanizadas, la cobertura de superficies impermeables y la intensidad de la luz nocturna se utilizaron como indicadores de urbanización del suelo. La cobertura de superficies impermeables y la intensidad de la luz nocturna sirvieron como proxy de teledetección para la intensidad del desarrollo y la actividad humana. El NDVI se incluyó como un indicador ecológico en los análisis econométricos espaciales posteriores.
Las variables topográficas y de ubicación incluyeron elevación, pendiente, distancia a carreteras principales, densidad de carreteras y proximidad a ríos importantes. Estas variables se utilizaron como factores impulsores en la simulación de uso del suelo y como variables de control en modelos econométricos espaciales. En conjunto, representaron restricciones del terreno, accesibilidad al transporte y conectividad hidrológica.
Las variables socioeconómicas incluyeron la densidad de población y la densidad del PIB, complementadas por la densidad de la red vial cuando estuvo disponible. Estas variables se utilizaron para caracterizar la intensidad del desarrollo y las presiones de la actividad humana asociadas con cambios en las reservas de carbono. El marco de variables integró indicadores de desarrollo del suelo, presión socioeconómica y contexto ecológico para representar los múltiples factores que influyen en la dinámica de las reservas de carbono.
Se desarrolló un índice de intensidad de planificación ecológica utilizando líneas ecológicas rojas, reservas naturales, zonas tampón de cuerpos de agua, áreas con restricción por pendiente y otras regiones ambientalmente sensibles. Este índice sirvió tanto como capa de restricción en simulaciones futuras de uso del suelo como variable explicativa en análisis econométricos espaciales.
Para la evaluación de reservas de carbono con InVEST, se recopilaron cuatro parámetros de reservorios de carbono para cada clase de uso del suelo: carbono en la biomasa aérea, carbono en la biomasa subterránea, carbono orgánico del suelo y carbono en materia orgánica muerta. Los valores de los parámetros se obtuvieron de estudios regionales publicados, documentos orientativos de InVEST y características locales de cobertura del suelo, y se asignaron al sistema unificado de clasificación del uso del suelo. La reserva de carbono hace referencia al carbono total estimado contenido en estos cuatro reservorios, mientras que la densidad de reserva de carbono se refiere a la reserva de carbono por unidad de superficie.
Las variables se agruparon en tres categorías. La primera categoría comprendió indicadores de urbanización del suelo, incluida la proporción de suelo urbanizado, la cobertura de superficies impermeables y la intensidad de la luz nocturna. La segunda categoría incluyó variables ecológicas y de planificación, como el NDVI, la intensidad de planificación ecológica, la elevación, la pendiente y la proximidad hidrológica. La tercera categoría comprendió factores socioeconómicos, incluidas la densidad de población, la densidad de PIB y la densidad de carreteras. Estas variables se utilizaron para evaluar las relaciones entre la urbanización del suelo, la planificación ecológica y la dinámica del stock de carbono.
3. Identificación basada en teledetección de la urbanización del suelo
Los patrones espacio-temporales de la urbanización del suelo se identificaron utilizando tres indicadores complementarios: expansión del suelo urbanizado, cobertura de superficies impermeables e intensidad de la luz nocturna. La expansión del suelo urbanizado se extrajo de mapas secuenciales de uso del suelo para delimitar la extensión física y la progresión del desarrollo urbano desde las áreas centrales urbanizadas hacia las regiones circundantes. La cobertura de superficies impermeables se calculó para cuantificar la intensidad del desarrollo a nivel de cuadrícula, mientras que los datos matriciales de intensidad de luz nocturna se procesaron y normalizaron para representar la actividad humana y la concentración funcional. Estas capas espaciales se integraron posteriormente para construir el conjunto de datos histórico de urbanización del suelo. Los indicadores combinados se utilizaron para identificar áreas de intensificación sostenida del desarrollo, zonas de transición y regiones relativamente estables, y para evaluar la correspondencia espacial entre el desarrollo físico del suelo y la urbanización funcional.
Se construyó una matriz de transición del uso del suelo para cuantificar la magnitud y dirección de la conversión del uso del suelo entre tierras agrícolas, tierras forestales, pastizales, cuerpos de agua, tierras de construcción y tierras no utilizadas. Se prestó especial atención a las transiciones desde clases de tierras ecológicas y agrícolas hacia tierras de construcción. La matriz se utilizó para identificar las vías principales de conversión y las clases de tierras fuente principales que contribuyen a la expansión urbana.
Se realizó un análisis del patrón del paisaje para evaluar los cambios estructurales asociados con la urbanización del suelo. Las métricas incluyeron densidad de fragmentos, densidad de bordes, índice de forma del paisaje e indicadores relacionados con la fragmentación. Estas métricas se calcularon para cada período de estudio y se utilizaron para cuantificar los cambios en la configuración del paisaje, la continuidad espacial y la fragmentación asociados con la expansión del suelo urbanizado.
4. Diseño del escenario de planificación ecológica y simulación del uso del suelo
Los patrones futuros de uso del suelo se simularon utilizando el modelo de simulación de uso del suelo generador de fragmentos (Patch-generating Land Use Simulation, PLUS) bajo cuatro escenarios de planificación: desarrollo natural (ND), protección ecológica (EP), protección de tierras agrícolas (CP) y optimización de bajo carbono (LC). Las suposiciones de los escenarios, las reglas de conversión de tierras, los tipos de tierras restringidas y los resultados esperados de reservas de carbono se resumen en Tabla 2.
Tabla 2: Reglas de control de escenarios y restricciones de transición. La tabla define las probabilidades de conversión de tierras y las restricciones espaciales para los escenarios de desarrollo natural (ND), protección ecológica (EP), protección de tierras de cultivo (CP) y optimización de bajo carbono (LC). Notas: Las abreviaturas de los escenarios corresponden estrictamente a las utilizadas en la modelización PLUS y en las secciones de Resultados. La configuración de los escenarios define reglas de conversión orientadas a políticas y tipos de tierras restringidas utilizadas en las simulaciones; todas las zonas de exclusión legales permanecieron no convertibles en las capas espaciales finales. Haga clic aquí para descargar esta tabla.
Se integraron mapas históricos de uso del suelo y variables espaciales de conducción en el modelo PLUS para estimar probabilidades de transición del suelo de referencia utilizando el módulo de autómatas celulares (CA). Para los escenarios de protección ecológica (EP), protección de tierras de cultivo (CP) y optimización de bajo carbono (LC), se incorporaron líneas rojas ecológicas, tierras agrícolas básicas permanentes, zonas tampón alrededor de cuerpos de agua y otras restricciones de planificación como capas espaciales de restricción para limitar la conversión del suelo de acuerdo con las reglas predefinidas de cada escenario. Posteriormente, se definieron las cantidades objetivo de demanda de suelo para 2030 en cada escenario, y se ejecutó el módulo CA utilizando 50 réplicas estocásticas para generar las proyecciones finales de uso del suelo.
Se realizó la simulación del uso del suelo utilizando el modelo PLUS y su marco de autómatas celulares (CA) con generación estocástica de parches de múltiples tipos. Se utilizaron mapas históricos de uso del suelo y variables ambientales y socioeconómicas conductoras para estimar las probabilidades de expansión del suelo para cada clase de uso del suelo. Luego, se especificaron las cantidades futuras de demanda de suelo según los requisitos de cada escenario de planificación, y se generaron los mapas correspondientes de uso del suelo para el período objetivo de simulación.
El rendimiento del modelo se evaluó mediante retroproyección histórica antes de la simulación futura. Se utilizaron mapas de uso del suelo anteriores y las variables conductoras asociadas para simular un mapa de uso del suelo observado posteriormente. El acuerdo entre las distribuciones de uso del suelo simuladas y observadas se evaluó mediante la precisión general (OA), el coeficiente Kappa y la Figura de Mérito (FoM). La validación se realizó tanto a nivel general como por clase principal de uso del suelo. La retroproyección histórica de 2010 a 2020 arrojó una precisión general (OA) del 93,4 %, un coeficiente Kappa de 0,89 y una Figura de Mérito (FoM) de 0,26, lo que indica una capacidad altamente confiable para la proyección espacial en simulaciones posteriores de múltiples escenarios.
Se realizaron análisis de incertidumbre y sensibilidad para evaluar la solidez de los resultados de la simulación. Los análisis de sensibilidad de PLUS examinaron los efectos de diferentes configuraciones de resistencia a la transición y parámetros de ponderación vecinal para las principales clases de uso del suelo. Los análisis de sensibilidad de InVEST evaluaron la influencia de la variación en los coeficientes de los reservorios de carbono entre los tipos de uso del suelo. Los análisis de sensibilidad econométricos espaciales compararon especificaciones alternativas de la matriz de pesos espaciales. Estos análisis se utilizaron para determinar si los ordenamientos de escenarios y la dirección de los principales efectos de urbanización y planificación ecológica permanecieron consistentes bajo configuraciones alternativas de parámetros. Específicamente, se confirmó rigurosamente la estabilidad de los resultados: los ordenamientos de escenarios y los efectos de derrame espacial negativos de la urbanización del suelo permanecieron invariables cuando los parámetros de resistencia a la transición y los coeficientes de los reservorios de carbono se perturbaron en ±15 %.
5. Evaluación del stock de carbono
El stock de carbono se evaluó utilizando el modelo de carbono InVEST. Se asignaron parámetros de referencia para los cuatro reservorios de carbono (biomasa aérea, biomasa subterránea, carbono orgánico del suelo y materia orgánica muerta) a cada tipo de uso del suelo reclasificado, empleando los valores biofísicos resumidos en Tabla 3. Luego, se importaron al modelo mapas históricos de uso del suelo (2000–2020) y conjuntos de datos ráster de uso del suelo futuro simulados con PLUS, los cuales se integraron con los parámetros correspondientes de densidad de carbono. Posteriormente, se ejecutó el modelo para estimar el stock total de carbono regional (Tg C), la densidad de stock de carbono a nivel de cuadrícula (Mg C/ha) y mapas espaciales del cambio en el stock de carbono (ΔC) para los escenarios histórico y futuro.
Los mapas de uso del suelo reclasificados se vincularon con los valores de parámetros de referencia correspondientes de los reservorios de carbono indicados en la Tabla 3. Se evaluó la sensibilidad de las estimaciones de existencias de carbono ante incertidumbres en los parámetros ajustando estos valores de referencia en ±15 %, con resultados detallados de sensibilidad. El modelo se utilizó para calcular la existencia total de carbono, la densidad de existencia de carbono y el cambio en la existencia de carbono para cada clase de uso del suelo bajo condiciones históricas y escenarios futuros de planificación.
Se evaluaron tres categorías de resultados. Primero, se calcularon el stock total de carbono regional y las tendencias temporales para cuantificar la magnitud y la dirección del cambio en el stock de carbono a lo largo del tiempo. Segundo, se cartografiaron las distribuciones espaciales del stock de carbono y del cambio en el stock de carbono para identificar áreas de retención y pérdida de carbono. Tercero, se compararon las estimaciones del stock de carbono entre escenarios de planificación para evaluar los efectos relativos de las estrategias de protección ecológica, protección de tierras de cultivo y optimización de bajo carbono sobre la conservación del stock de carbono.
Tabla 3: Parámetros de reserva de carbono en condiciones iniciales para diferentes tipos de uso del suelo. La tabla muestra el carbono de la biomasa aérea, el carbono de la biomasa subterránea, el carbono orgánico del suelo, el carbono de la materia orgánica muerta y la densidad total de carbono utilizados en el módulo de reservas de carbono de InVEST. Las unidades son Mg C/ha. Notas: los valores representan los parámetros iniciales utilizados en el modelo InVEST. La densidad total de carbono equivale a la suma de las cuatro reservas de carbono. Los análisis de sensibilidad que modifican estos valores iniciales en ±15 % se presentan en Tabla 6. Haga clic aquí para descargar esta tabla.
6. Autocorrelación espacial y análisis econométrico espacial
Se realizó un análisis de autocorrelación espacial para determinar si el stock de carbono y el cambio en el stock de carbono presentaban dependencia espacial significativa. Se calculó el I de Moran global para evaluar el grado general de agrupamiento espacial en la distribución del stock de carbono y en el cambio del stock de carbono a lo largo del área de estudio. Luego, se utilizó el I de Moran local para identificar patrones locales de asociación espacial, incluyendo agrupamientos alto-alto, bajo-bajo, alto-bajo y bajo-alto. Se realizó un análisis de puntos calientes para identificar áreas con pérdida concentrada de carbono y retención del stock de carbono.
Se utilizaron modelos econométricos espaciales para examinar las relaciones entre la urbanización del suelo, la planificación ecológica, las condiciones ambientales, los factores socioeconómicos y la dinámica del stock de carbono. La densidad del stock de carbono o el cambio en el stock de carbono sirvieron como variable dependiente. Las variables explicativas incluyeron el índice de urbanización del suelo, la proporción de suelo urbanizado, la intensidad de la planificación ecológica, el índice de vegetación por diferencia normalizada (NDVI), la densidad de población, la densidad del PIB, la densidad de carreteras, la elevación, la pendiente, la precipitación media anual y la temperatura media anual.
Se utilizó la regresión de mínimos cuadrados ordinarios (OLS) como modelo de referencia. Se evaluó la dependencia espacial de los residuos antes de estimar los modelos autorregresivos espaciales (SAR), de error espacial (SEM) y de Durbin espacial (SDM). Se comparó el rendimiento de los modelos y las estimaciones de los coeficientes entre especificaciones.
Se construyó una matriz espacial de pesos estandarizada por fila para representar las relaciones de vecindad entre unidades administrativas. La especificación principal se basó en la contigüidad espacial, y los análisis de robustez compararon matrices alternativas de pesos espaciales basadas en distancia y en vecinos más cercanos, cuando estuvieron disponibles.
Los efectos directos, indirectos y totales se calcularon a partir del modelo de duración espacial (SDM) para evaluar las relaciones de desbordamiento local y espacial. Se incluyeron variables de terreno, accesibilidad, vegetación, clima y variables socioeconómicas como controles para reducir el sesgo por variables omitidas. Los coeficientes del modelo se interpretaron como asociaciones espaciales condicionales, no como efectos causales definitivos. Las variables con valores-p que excedieron los umbrales convencionales de significancia se interpretaron como evidencia débil o sugerente y no se consideraron efectos estadísticamente robustos.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
Identificación basada en teledetección de la urbanización del suelo
A partir de los resultados de identificación mediante teledetección en múltiples períodos, el área de estudio experimentó una intensificación significativa de la urbanización del suelo entre 2000 y 2020, acompañada por la reestructuración de los patrones de uso del suelo y la transformación de las configuraciones del paisaje. En general, la expansión de las tierras de construcción mostró un patrón de expansión concéntrica que se irra...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
Este estudio presenta un flujo de trabajo analítico integrado que combina la identificación de la urbanización del suelo basada en teledetección, la simulación de usos del suelo en múltiples escenarios mediante PLUS, la evaluación de reservas de carbono con InVEST y la modelización econométrica espacial para analizar las relaciones entre la urbanización del suelo, la planificación ecológica y la dinámica de las reservas de carbono en Xinjiang, en el noroeste de China. En lugar de tratar estos componentes como ejercicios ...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
Los autores no tienen nada que revelar.
Agradecimientos
Los autores no recibieron financiación específica para este trabajo.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Secuencias de comandos econométricas espaciales personalizadas y conjuntos de datos de salida | Autores | Repositorio Zenodo: https://zenodo.org/records/21159171 | Utilizado para reproducir los análisis econométricos espaciales y el flujo de trabajo computacional complementario descritos en este estudio. |
| Cuadrículas de densidad poblacional de alta resolución | WorldPop | https://www.worldpop.org/ | Utilizados como datos socioeconómicos de entrada para análisis espaciales econométricos. |
| InVEST (Valoración Integrada de los Servicios Ecosistémicos y Compensaciones) | El Proyecto de Capital Natural, Universidad de Stanford | Versión 3.14.0; https://naturalcapitalproject.stanford.edu/ | Utilizado para estimar el stock de carbono y los cambios en el stock de carbono bajo escenarios históricos y simulados de uso del suelo. |
| Matplotlib & Pillow (Bibliotecas Python) | Comunidad Python | https://matplotlib.org/; https://python-pillow.org/ | Utilizado para generar figuras de calidad para publicaciones y procesar salidas gráficas de alta resolución (600 ppp). |
| Conjuntos de datos multi-temporales de uso y cobertura del suelo | Centro de Ciencias y Datos de Recursos y Medio Ambiente (RESDC), Academia China de Ciencias | https://www.resdc.cn/ | Utilizado como conjunto de datos de entrada principal para el análisis de cambio de uso del suelo y las simulaciones PLUS. |
| modelo PLUS (simulación de uso del suelo basada en parches) | Laboratorio de Inteligencia Computacional Espacial de Alto Rendimiento (HPSCIL) | https://github.com/HPSCIL/Patch-generating_Land_Use_Simulation_Model | Utilizado para simular patrones futuros de uso del suelo bajo múltiples escenarios de planificación ecológica. |
| PySAL (Biblioteca Python de Análisis Espacial) | Desarrolladores de PySAL | https://pysal.org/ | Utilizado para realizar análisis de autocorrelación espacial y modelado econométrico espacial. |
| Entorno de programación en Python | Fundación Python Software | Versión 3.9+; https://www.python.org/ | Utilizado para el preprocesamiento de datos, análisis espacial, cálculos estadísticos y la implementación de flujos de trabajo. |
| Datos topográficos (Modelo Digital de Elevación, MDE) y de teledetección | Servicio Geológico de los Estados Unidos (USGS) | https://earthexplorer.usgs.gov/ | Utilizado para derivar variables topográficas e insumos de teledetección para el análisis de urbanización del suelo y la parametrización del modelo. |
Referencias
- Xiong Z, Zhang Y, Liu M. Assessing land urbanization and ecological planning impact on carbon stock and its economic value from coupled InVEST-PLUS models. Sci Rep. 2025;15:30494. https://doi.org/10.1038/s41598-025-30494-x
- Ge K, Zou S, Lu Y, Chen Y. Spatial effects and influence mechanisms of urban land use green transition on urban carbon emissions. Ecol Indic. 2025;172:113261. https://doi.org/10.1016/j.ecolind.2025.113261
- Li L, et al. Spatio-temporal evolution of land use and carbon stock under multiple scenarios based on the PLUS-InVEST model: A case study of Chengdu. Sustainability. 2025;17(21):9903. https://doi.org/10.3390/su17219903
- Wang Z, Zhong A, Wei E, Hu C. Carbon stock simulation and land use optimization for high-water-table resource-based cities based on the coupled GMOP-PLUS-InVEST model. Remote Sens. 2024;16(23):4480. https://doi.org/10.3390/rs16234480
- Liu Y, Mei X, Yue L. Response of carbon stock to land use change and multi-scenario predictions in Zunyi, China. Sci Rep. 2025;15:236. https://doi.org/10.1038/s41598-024-81735-8
- Sun G, Li Y, Huang R. Spatial and temporal evolution of carbon stocks in Yulin City under changing environments. Sci Rep. 2025;15:12219. https://doi.org/10.1038/s41598-025-12219-w
- Tang J, Peng W. Spatiotemporal dynamics and influencing factors of land carbon stock in Chengdu Plain using an integrated model. Sci Rep. 2025;15:11248. https://doi.org/10.1038/s41598-025-11248-x
- Wang Y, Zhang Z, Chen X. Land use transitions and the associated impacts on carbon stock in the Poyang Lake Basin, China. Remote Sens. 2023;15(11):2703. https://doi.org/10.3390/rs15112703
- Tao Y, Tian L, Wang C, Dai W. Dynamic simulation of land use and land cover and its effect on carbon stock in the Nanjing Metropolitan Circle under different development scenarios. Front Ecol Evol. 2023;11:1102015. https://doi.org/10.3389/fevo.2023.1102015
- Song M, Yu S, Qin H. Land-use/land-cover change and its impact on ecosystem carbon stock in Binhai New Area, Tianjin, China from 1985 to 2060. Environ Earth Sci. 2025;84:481. https://doi.org/10.1007/s12665-025-11728-x
- Liang X, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China. Comput Environ Urban Syst. 2021;85:101569. https://doi.org/10.1016/j.compenvurbsys.2020.101569
- Sharp R, et al. InVEST 3.14.0 User's Guide. The Natural Capital Project; Stanford, CA; 2023. https://storage.googleapis.com/invest-users-guide/index.html
- Basha U, et al. Spatial-temporal assessment of annual water yield and impact of land use changes on Upper Ganga Basin, India, using InVEST model. J Hazard Toxic Radioact Waste. 2024;28(2). https://doi.org/10.1061/JHTRBP.HZENG-1188
- Deeksha, Shukla AK. Ecosystem services: A systematic literature review and future dimension in freshwater ecosystems. Appl Sci. 2022;12(17):8518. https://doi.org/10.3390/app12178518
- Shukla AK, Jain MK, Khare D, Mishra PK. Spatio-temporal assessment of annual water balance models for upper Ganga Basin. Hydrol Earth Syst Sci. 2018;22:5357-71.
- Nayak D, Shukla AK, Devi NR. Decadal changes in land use and land cover: Impacts and their influence on urban ecosystem services. Aqua Water Infrastruct Ecosyst Soc. 2024;73(1):57-72.
- Nayak D, Shukla AK. Assessing ecosystem service trade-offs and synergies in the rapidly urbanizing coastal region of Mangaluru Agglomeration, India. PLoS One. 2026;21(3):e0344106. https://doi.org/10.1371/journal.pone.0344106
- Lei J, Chen H, Wu Y, Zheng X. The impact of land use change on carbon stock and multi-scenario prediction in Hainan Island using InVEST and CA-Markov models. Front For Glob Change. 2024;7:1349057. https://doi.org/10.3389/ffgc.2024.1349057
- Dong H, et al. Remote sensing of urban tree carbon stocks: A methodological review. ISPRS J Photogramm Remote Sens. 2025;227:570-93.
- Wang Y, Jin X. Land use, spatial planning, and their influence on carbon emissions: A comprehensive review. Land. 2025;14(7):1406. https://doi.org/10.3390/land14071406
- Chen R, Zhao W, Li S, Zhang Y. Assessing carbon stock dynamics in an ecological civilization demonstration zone amid rapid urbanization: A multi-scenario study of Guizhou Province, China. Resour Environ Sustain. 2025;21:100223. https://doi.org/10.1016/j.resenv.2025.100223
- Zhang J, Cao P, Roosli R. Assessing land use and carbon stock changes using PLUS and InVEST models: A multi-scenario simulation in Hohhot. Environ Sustain Indic. 2025;26:100655. https://doi.org/10.1016/j.envc.2025.100655
- Li C, Xu H, Du P, Tang F. Predicting land cover changes and carbon stock fluctuations in Fuzhou, China: A deep learning and InVEST approach. Ecol Indic. 2024;167:112658. https://doi.org/10.1016/j.ecolind.2024.112658
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.