Artículo de método

Proyección del uso del suelo bajo múltiples escenarios y evaluación del almacenamiento de carbono en el paisaje del Patrimonio Mundial de Yixian-Huangshan

11 visualizaciones

⸱

DOI:

10.3791/73148

⸱

1 de octubre de 2026

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

En este artículo

Resumen

Este protocolo presenta un flujo de trabajo reproducible para la proyección de usos del suelo en múltiples escenarios, la evaluación del almacenamiento de carbono y el análisis de la asociación topográfica en el paisaje del Patrimonio Mundial Yixian–Huangshan.

Resumen

El cambio de uso del suelo altera el almacenamiento terrestre de carbono, aunque los flujos de trabajo reproducibles para evaluar cambios basados en escenarios siguen siendo limitados en paisajes turísticos de Patrimonio Mundial. Este protocolo integra un autómata celular de Markov personalizado, una contabilidad de carbono de cuatro compartimentos equivalente al marco de Evaluación Integrada de Servicios Ecosistémicos y Compensaciones, y un detector geográfico basado en parámetros óptimos para evaluar los cambios en el uso del suelo y el almacenamiento de carbono en Yixian y áreas adyacentes de Huangshan, en el sur de Anhui, China. Se utilizaron mapas del Conjunto de Datos de Cobertura del Suelo de China de 2005, 2010 y 2015 para la calibración y la validación fuera del período. Se simularon cuatro escenarios exploratorios—Negocios Como Siempre, Expansión y Desarrollo Turístico, Prioridad de Conservación Ecológica y Revitalización y Activación de Pueblos—para 2030 y 2050. La validación en 4.632.329 píxeles válidos arrojó una precisión general del 96,61 %, un coeficiente Kappa de 0,850 y una Medida de Mérito de 0,107. El almacenamiento de carbono de referencia fue de 59,505 teragramos de carbono, con los bosques contribuyendo en un 95,9 %. Las pérdidas proyectadas de carbono para 2050 oscilaron entre un 5,01 % bajo el escenario de Prioridad de Conservación Ecológica y un 13,49 % bajo Expansión y Desarrollo Turístico. Las perturbaciones emparejadas una a una respaldaron el mismo orden de escenarios. El detector geográfico basado en parámetros óptimos identificó la pendiente, el relieve y la elevación como las asociaciones topográficas más fuertes evaluadas. Las entradas, parámetros, salidas y secuencias de comandos proporcionadas permiten la reproducibilidad; sin embargo, los escenarios deben interpretarse como pruebas comparativas de estrés más que como pronósticos calibrados.

Introducción

Los ecosistemas terrestres almacenan carbono en la vegetación, el suelo y la materia orgánica muerta, contribuyendo así a la regulación del clima1,2. La conversión de la tierra puede alterar rápidamente estos reservorios; por lo tanto, una evaluación espacialmente explícita es importante para la planificación del uso de la tierra y la gestión del carbono.

La extensión analítica en el sur de Anhui abarca extensos bosques subtropicales, cuencas agrícolas y zonas asociadas con los sitios del Patrimonio Mundial de la UNESCO Monte Huangshan y Xidi–Hongcun3,4. La investigación sobre cobertura del suelo relacionada con el patrimonio cultural, el turismo en sitios del Patrimonio Mundial y la conservación de pueblos tradicionales indica que en este contexto es necesario considerar de forma integrada el estado ecológico, la presión de los visitantes y la identidad del lugar5,6,7.

Los modelos de uso del suelo basados en escenarios traducen las transiciones observadas en proyecciones espacialmente explícitas, y la contabilidad de reservorios de carbono cuantifica las consecuencias de esos patrones. Estudios previos han combinado la simulación de uso del suelo basada en parches (PLUS) o la asignación celular autómata–Markov (CA–Markov) con el marco de trabajo de valoración integrada de servicios ecosistémicos y compensaciones (InVEST) y el detector geográfico basado en parámetros óptimos (OPGD) en China y otros paisajes, incluyendo aplicaciones integradas recientes8,9,10,11,12,13,14,15,16,17,18,19,20. Estos estudios proporcionan precedentes metodológicos, aunque el simulador utilizado aquí es una implementación personalizada de autómata celular de Markov (Markov-CA) en lugar de PLUS.

Investigaciones relacionadas han evaluado trayectorias de carbono condicionadas por políticas, modelos acoplados de satélites y uso del suelo, almacenamiento de carbono sensible al terreno, aplicaciones urbanas y universitarias, manejo del carbono en el suelo, transiciones de tierras agrícolas, cartografía forestal nacional y dependencia de la escala21,22,23,24,25,26,27,28,29,30,31,32,33,34. En conjunto, estos estudios respaldan la comparación de múltiples escenarios, al tiempo que demuestran que las conclusiones dependen de la escala de los datos, las transiciones de clases, los parámetros de carbono y los supuestos de políticas modelados. La implementación personalizada utilizada en el presente estudio proporciona un flujo de trabajo transparente en el cual la matriz de transición, los multiplicadores de escenario, el procedimiento de asignación, la búsqueda de densidad de carbono, el análisis de sensibilidad y el análisis de asociación topográfica pueden examinarse dentro de un marco único y reproducible. En este estudio, el valor práctico del flujo de trabajo personalizado radica en que la matriz de transición, los parámetros del escenario, las reglas de asignación de píxeles, la validación, el análisis de sensibilidad, la contabilidad de carbono y el análisis de asociación topográfica se implementan y documentan dentro de un marco computacional reproducible. Esta estructura permite inspeccionar y reproducir los supuestos y los pasos analíticos intermedios utilizados en el análisis de escenarios. Dado que el flujo de trabajo no se comparó directamente con PLUS ni con otras implementaciones de CA–Markov, no se afirma una precisión, eficiencia o rendimiento predictivo superiores.

La investigación sobre controles topográficos y edáficos, la persistencia del carbono en el suelo por factores geomorfológicos, los efectos de escala espacial, las aplicaciones de OPGD, la productividad de Huangshan, las métricas del paisaje, los humedales y el carbono forestal respalda aún más una interpretación cautelosa y basada en asociaciones de los efectos del relieve35,36,37,38,39,40,41,42,43,44. En este contexto, el objetivo general del presente método es proporcionar un flujo de trabajo transparente y reproducible para la proyección de usos del suelo en múltiples escenarios, la evaluación del almacenamiento de carbono y el análisis de asociaciones topográficas en el paisaje del Patrimonio Mundial Yixian–Huangshan. El flujo de trabajo utiliza una implementación personalizada de Markov-CA con contabilidad de carbono equivalente a InVEST en cuatro reservorios y OPGD, valida el modelo fuera del período 2005–2015 y realiza un análisis de sensibilidad de 28 ejecuciones con variación individual de parámetros. Los rásteres, reglas de escenario, matriz de confusión, archivos de entorno y scripts adjuntos permiten la inspección directa y la reproducción del flujo de trabajo de simulación personalizado. El flujo de trabajo está pensado para aplicaciones que cuenten con rásteres categóricos de cobertura del suelo compatibles, parámetros específicos por clase de densidad de carbono y datos topográficos adecuados, cuando el objetivo sea la evaluación comparativa de escenarios más que la predicción espacial precisa.

Este estudio tuvo tres objetivos: (1) simular el uso del suelo para 2030 y 2050 bajo pruebas de estrés de Tipo de Uso Actual (BAU), Expansión y Desarrollo Turístico (TED), Prioridad de Conservación Ecológica (ECP) y Revitalización y Activación de Pueblos (VRA); (2) cuantificar el almacenamiento de carbono mediante una tabla de búsqueda completa de nueve clases y cuatro reservorios; y (3) evaluar las asociaciones individuales y conjuntas de la elevación, la pendiente, la orientación norte y el relieve topográfico con la densidad de carbono de 20158,9,10. Estos objetivos integran la proyección del uso del suelo, la contabilidad de carbono y el análisis de asociación con el relieve dentro de un único flujo de trabajo reproducible, manteniendo al mismo tiempo la distinción entre los resultados simulados del uso del suelo y las asociaciones estadísticas con variables topográficas.

Las etiquetas de escenario indican supuestos comparativos y no pronósticos ajustados ni planes estatutarios codificados. Por lo tanto, el método es más adecuado para la comparación reproducible de supuestos alternativos de uso del suelo y sus resultados asociados de almacenamiento de carbono, más que para interpretar los mapas resultantes como predicciones calibradas del uso futuro del suelo.

Protocolo

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

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

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

1. Study area

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

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

2. Data sources

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

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

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

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

4. Configure scenarios, sensitivity tests, and future simulations

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

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

5. Calibrate and validate the land-use model

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

6. Calculate carbon storage

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

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

7. Detect topographic associations with OPGD

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

Resultados

Distribución espacial y dinámica temporal del uso del suelo

El flujo de trabajo analítico, la extensión del estudio y los conjuntos principales de datos de entrada se resumen en la Figura 1, la Figura 2 y la Tabla 1, respectivamente. La Figura 1 presenta el flujo de trabajo de siete pasos utilizado para la proyección del uso del suelo, validación, contabilidad de carbono y análisis de asociación topográfica. La Figura 2 muestra la ubicación y la extensión analítica del área de estudio. La Tabla 1 resume la cobertura temporal, resolución espacial, procedencia y función analítica de los conjuntos principales de datos espaciales y tabulares. La comparación entre la simulación de 2015 y el CLCD observado en 2015 en 4.632.329 píxeles válidos arrojó una OA = 96,61 %, un Kappa = 0,850 y un FoM = 0,107. El acuerdo estuvo dominado por bosques y tierras de cultivo estables, mientras que el FoM centrado en los cambios indicó una precisión limitada para reproducir las ubicaciones de los cambios. Por lo tanto, la validación respalda el análisis comparativo de escenarios más que una predicción espacial precisa. La Tabla Suplementaria 1 (hoja de cálculo S3) proporciona las métricas de validación, aciertos de cambio, errores, falsas alarmas y la matriz de confusión completa. El archivo contiene el ráster de validación y el script exacto utilizado para el cálculo.

En las 28 simulaciones de sensibilidad, cada perturbación emparejada conservó el ordenamiento ECP > BAU > VRA > TED. Los rangos de pérdida de carbono fueron del 4,22 % al 5,86 % para ECP, del 6,87 % al 8,55 % para BAU, del 6,99 % al 9,61 % para VRA y del 10,45 % al 15,84 % para TED. Los rangos de BAU y VRA se superponen; por lo tanto, la interpretación se limita al ordenamiento de casos emparejados en lugar de una separación completa de los rangos de OAT. Los resultados completos de sensibilidad se proporcionan en Tabla suplementaria 1 (hoja de trabajo S4), y Figura suplementaria 1. La matriz operativa 2010–2015, proporcionada en Tabla suplementaria 1 (hoja de trabajo S1), mostraron probabilidades de retención del 98,23 % para bosque, del 94,66 % para tierras de cultivo y del 99,43 % para superficies impermeables. Las transiciones más grandes fuera de la diagonal fueron de tierras de cultivo a superficies impermeables (3,39 %), de tierras de cultivo a bosque (1,71 %) y de bosque a tierras de cultivo (1,71 %). Durante el mismo período, la cobertura forestal disminuyó del 87,63 % al 86,27 %, mientras que las tierras de cultivo aumentaron del 10,99 % al 11,92 % y las superficies impermeables aumentaron del 1,08 % al 1,50 %. Figura 3A, B presenta los patrones de uso del suelo observados en 2010 y 2015, respectivamente, y Figura 4 presenta las clases de cambio correspondientes sin inferir factores impulsadores que no se incluyeron en el análisis.

figure-results-1
Figura 3. Patrones de uso del suelo observados en el paisaje Yixian–Huangshan en 2010 y 2015. Mapas del Conjunto de Datos de Cobertura del Suelo de China (CLCD) que muestran la distribución espacial de nueve clases de uso del suelo dentro del ámbito analítico. (A) Uso del suelo observado en 2010. (B) Uso del suelo observado en 2015. Las clases de uso del suelo comprenden tierras de cultivo, bosque, matorral, pastizal, agua, nieve/hielo, tierras áridas, superficies impermeables y humedales. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-2
Figura 4. Cambio observado en el uso del suelo en el paisaje de Yixian–Huangshan entre 2010 y 2015. El mapa muestra la distribución espacial de bosques estables, pérdida de bosque, ganancia de bosque y superficies impermeables recién desarrolladas entre los mapas del Conjunto de Datos de Cobertura del Suelo de China de 2010 y 2015. Las áreas blancas representan ubicaciones que no fueron clasificadas dentro de estas cuatro categorías de cambio mostradas. Haga clic aquí para ver una versión más grande de esta figura.

Características del terreno y heterogeneidad topográfica

Dentro de la máscara válida, la elevación varió entre 82,3 y 1.830,3 m (media, 388,0 m), la pendiente entre 0 y 87,3° (media, 22,4°), el norteo entre −1 y 1, y el relieve topográfico entre 3,2 y 1.398,2 m (media, 230,0 m). El relieve se definió como el rango local de elevación dentro de un entorno circular de 450 m de radio, implementado con una huella de 31 × 31 píxeles. Figura 5A–D muestra la elevación, la pendiente, el norteo y el relieve topográfico, respectivamente. Estas capas caracterizan la variación espacial del terreno; cualquier mecanismo ecológico correspondiente se considera una hipótesis y no un resultado causal35,36,37,38,39,40,41,42,43,44.

figure-results-3
Figura 5. Variables topográficas utilizadas en el análisis de asociación. Distribuciones espaciales de las cuatro variables topográficas en toda la extensión analítica: (A) elevación, expresada en metros; (B) pendiente, expresada en grados; (C) orientación norte, expresada en una escala de −1 a 1; y (D) relieve topográfico, expresado en metros. Estas variables se utilizaron en el análisis geográfico detector basado en parámetros óptimos de sus asociaciones individuales y conjuntas con la densidad de carbono de 2015. Haga clic aquí para ver una versión más grande de esta figura.

Proyecciones de uso del suelo en múltiples escenarios

La matriz de transición común y los parámetros del escenario resumidos en Tabla 2 produjeron trayectorias agregadas distintas utilizando los identificadores numéricos de clases de cobertura del suelo proporcionados en Tabla Suplementaria 2. Figura 6 presenta las proporciones observadas y proyectadas de bosque, tierras agrícolas y superficies impermeables, mientras que Figura 7A–D muestra las proyecciones espaciales para 2030 según los escenarios BAU, TED, ECP y VRA, respectivamente, y Figura 7E–H muestra las proyecciones correspondientes para 2050. Para 2050, se proyectó que la cobertura forestal representaría el 78,0 % en BAU, el 74,6 % en TED, el 80,3 % en ECP y el 78,2 % en VRA; las proporciones correspondientes de superficies impermeables fueron del 6,3 %, 17,6 %, 2,8 % y 9,0 %. En comparación con los datos observados en 2015, la expansión proyectada de superficies impermeables fue aproximadamente de 202 km2 en BAU, 675 km2 en TED, 57 km2 en ECP y 317 km2 en VRA. Estos valores son resultados de pruebas de estrés, no pronósticos ajustados. Los cambios proyectados están agrupados espacialmente porque la clasificación de candidatos utiliza conteos de vecindad de la clase objetivo y la conversión de no agrícola a tierra impermeable se limita a celdas periféricas. El modelo no incluye capas de corredores de transporte, nodos de poblados, áreas protegidas, límites ecológicos rojos ni planificación legal; por lo tanto, la aparente alineación con infraestructuras específicas o zonas reguladas no representa un efecto codificado.

figure-results-4
Figura 6. Participación observada y proyectada de las principales clases de uso del suelo bajo cuatro escenarios. Se muestra el porcentaje del área de estudio ocupado por bosques, tierras agrícolas y superficies impermeables para los años observados 2005, 2010 y 2015, y para las proyecciones al 2030 y 2050 bajo los escenarios de Negocio Como Siempre (BAU), Expansión y Desarrollo Turístico (TED), Prioridad de Conservación Ecológica (ECP) y Revitalización y Activación de Pueblos (VRA). Las barras representan la participación modelada del área total de estudio para cada clase de uso del suelo; no se aplican barras de error porque los valores son resultados deterministas de escenarios, no estimaciones basadas en réplicas. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-5
Figura 7. Distribución espacial proyectada del uso del suelo bajo cuatro escenarios en 2030 y 2050. Patrones proyectados del uso del suelo bajo los escenarios de Continuación de las Prácticas Actuales (BAU), Expansión y Desarrollo del Turismo (TED), Prioridad de Conservación Ecológica (ECP) y Revitalización y Activación de Pueblos (VRA). (A–D) Proyecciones BAU, TED, ECP y VRA, respectivamente, para 2030. (E–H) Proyecciones BAU, TED, ECP y VRA, respectivamente, para 2050. Las clases de uso del suelo comprenden tierras agrícolas, bosque, matorral, pastizal, agua, nieve/hielo, tierras áridas, superficies impermeables y humedales. Todas las simulaciones de escenarios se inicializaron a partir del mapa CLCD observado en 2015; por lo tanto, las celdas sin transición simulada en el uso del suelo conservan su clase de uso del suelo de 2015 y su patrón espacial de referencia. Haga clic aquí para ver una versión ampliada de esta figura.

Dinámica del almacenamiento de carbono bajo proyecciones de múltiples escenarios

La aplicación del análisis completo de cuatro grupos en la Tabla 3 arrojó un valor de 59.505 Tg C para 2015, equivalente a una densidad media de 142.73 Mg C ha−1. Los bosques representaron 57,04 Tg C (95,9 %), mientras que las tierras agrícolas representaron 2,37 Tg C (4,0 %). Las superficies impermeables aportaron una contribución pequeña pero no nula, ya que la fuente adoptada asigna a esta categoría 9,28 Mg C ha−1. Dentro de la categoría de bosque, los grupos de suelo, biomasa aérea, biomasa subterránea y materia orgánica muerta representaron respectivamente el 53,5 %, 33,8 %, 10,9 % y 1,8 % del carbono total31,32,33,34,44,47. Todos los escenarios arrojaron un almacenamiento de carbono menor en 2050 que en 2015. El almacenamiento proyectado fue de 54,895 Tg C en el escenario BAU (una pérdida del 7,75 %), 51,475 Tg C en TED (13,49 %), 56,523 Tg C en ECP (5,01 %) y 54,540 Tg C en VRA (8,34 %). La diferencia entre ECP y TED fue de 5,048 Tg C. Estas diferencias resultan de los parámetros numéricos impuestos y no estiman los efectos de políticas específicas. Figura 8A muestra el almacenamiento total de carbono en 2015 y las proyecciones por escenario para 2030 y 2050; Figura 8B presenta las densidades medias de carbono correspondientes; Figura 8C muestra la pérdida de carbono para 2050 en relación con la línea base de 2015; y Figura 8D muestra la relación entre la proporción proyectada de bosque y la pérdida de carbono. Los valores son resultados deterministas de escenarios, no estimaciones basadas en réplicas.

figure-results-6
Figura 8. Almacenamiento proyectado de carbono y su relación con la cobertura forestal bajo cuatro escenarios de uso del suelo. (A) Almacenamiento total de carbono en 2015 y proyecciones para 2030 y 2050 bajo los escenarios de Uso Normal (BAU), Expansión y Desarrollo Turístico (TED), Prioridad de Conservación Ecológica (ECP) y Revitalización y Activación de Pueblos (VRA), expresado en teragramos de carbono (Tg C). (B) Densidad media de carbono para los años y escenarios correspondientes, expresada en megagramos de carbono por hectárea (Mg C ha-1). (C) Porcentaje de pérdida en el almacenamiento total de carbono para 2050 en relación con la línea base de 2015 en cada escenario. (D) Relación entre la proporción proyectada de bosque en el área de estudio en 2050 y la pérdida porcentual de carbono en relación con 2015 para cada escenario. Los valores corresponden a resultados deterministas de los escenarios; no se aplican barras de error. Haga clic aquí para ver una versión más grande de esta figura.

Asociaciones topográficas con la heterogeneidad espacial del almacenamiento de carbono

El detector del factor OPGD clasificó primero a la pendiente (q = 0,557), seguida por el relieve topográfico (q = 0,460), la elevación (q = 0,352) y la orientación norteña (q = 0,003), como se muestra en la Figura 9A. Con 999 permutaciones, el valor p de permutación para cada factor fue de 0,001, el valor mínimo alcanzable; los valores p del test F analítico también fueron inferiores a 0,001. Las estadísticas completas de los detectores de factores e interacciones, incluyendo los intervalos de discretización optimizados y los valores p analíticos y de permutación, se proporcionan en la Tabla Suplementaria 3. La significancia estadística se distingue del tamaño del efecto: la asociación con la orientación norteña fue despreciable en términos prácticos, y todos los valores q representan asociaciones dentro de las cuatro variables de terreno evaluadas, más no efectos causales10,40. Todos los pares de factores produjeron valores q de interacción mayores que el mayor de sus valores q individuales. Las interacciones más fuertes fueron pendiente ∩ relieve (q = 0,628), elevación ∩ pendiente (q = 0,618) y elevación ∩ relieve (q = 0,510), como se muestra en la Figura 9B. Estos valores indican asociaciones estratificadas más fuertes para los factores emparejados, pero no establecen un mecanismo geomorfológico, ya que no se modelaron el suelo, el clima, la edad del bosque, el manejo ni la accesibilidad.

figure-results-7
Figura 9. Asociaciones topográficas con la densidad de carbono de 2015 identificadas mediante el detector geográfico basado en parámetros óptimos. (A) Estadísticos q del detector de factores para elevación, pendiente, orientación norte y relieve topográfico. Los valores q respectivos son 0,3518, 0,5571, 0,0031 y 0,4600; las pruebas de permutación arrojaron p = 0,001. (B) Valores q del detector de interacción para combinaciones por pares de las cuatro variables topográficas. Valores q más altos indican asociaciones estadísticas más fuertes con la distribución espacial de la densidad de carbono de 2015. OPGD, detector geográfico basado en parámetros óptimos. Haga clic aquí para ver una versión ampliada de esta figura.

Resultados generales

Figura 10A–D resume los resultados principales del flujo de trabajo: participación proyectada del bosque, almacenamiento total de carbono, la clasificación de las asociaciones topográficas y los indicadores cuantitativos clave, respectivamente. La línea base analítica de 2015 contenía 59.505 Tg C. En los cuatro conjuntos de parámetros exploratorios, las pérdidas proyectadas para 2050 oscilaron entre el 5,01 % y el 13,49 %, y todos los casos de sensibilidad coincidieron en mantener el orden ECP > BAU > VRA > TED. La pendiente y el relieve mostraron las asociaciones con el terreno más fuertes evaluadas. Dado que FoM = 0,107 y la omisión de capas explícitas de planificación, factores socioeconómicos y clima, los resultados apoyan una evaluación regional comparativa más que una predicción espacial determinista.

figure-results-8
Figura 10. Resumen de los resultados proyectados de uso del suelo y almacenamiento de carbono, y sus asociaciones topográficas. (A) Participación proyectada del bosque en el área de estudio para 2030 y 2050 bajo los escenarios de Funcionamiento Normal (BAU), Expansión y Desarrollo Turístico (TED), Prioridad de Conservación Ecológica (ECP) y Revitalización y Activación Comunal (VRA); la línea discontinua indica la participación del bosque en la línea de base de 2015. (B) Almacenamiento total de carbono en 2015 y proyecciones para 2030 y 2050 bajo los cuatro escenarios, expresado en teragramos de carbono (Tg C). (C) Clasificación de la elevación, pendiente, orientación hacia el norte y relieve topográfico según las estadísticas q obtenidas mediante el detector geográfico basado en parámetros óptimos (OPGD), donde valores q más altos indican asociaciones estadísticas más fuertes con la densidad de carbono de 2015. (D) Resumen de indicadores cuantitativos clave, incluyendo el almacenamiento y densidad de carbono de referencia, el rango proyectado de pérdida de carbono para 2050, la diferencia en el almacenamiento de carbono entre los escenarios ECP y TED, métricas de validación y la asociación topográfica más fuerte evaluada. OA, precisión general; FoM, Índice de Mérito; Mg C ha-1, megagramos de carbono por hectárea. Haga clic aquí para ver una versión ampliada de esta figura.

Figura suplementaria 1. Análisis de sensibilidad individual del almacenamiento de carbono en 2050 bajo los cuatro escenarios de uso del suelo. (A) Almacenamiento nominal de carbono en 2050 y el rango completo de sensibilidad OAT para BAU, TED, ECP y VRA. Los puntos indican los valores nominales de cada escenario, y los rangos verticales indican los valores mínimos y máximos de almacenamiento de carbono obtenidos al multiplicar uno de dev, fp o af por 0,5 o 1,5 mientras se mantienen constantes los demás parámetros. (B) Cambio en el almacenamiento de carbono en 2050 con respecto al valor nominal correspondiente tras las perturbaciones de 0,5× y 1,5× de dev, fp y af. Los valores superiores a cero indican un mayor almacenamiento de carbono que en el caso nominal, y los valores inferiores a cero indican un menor almacenamiento. Los rangos representan perturbaciones paramétricas deterministas individuales y no son intervalos de confianza probabilísticos.Haga clic aquí para descargar este archivo.

Tabla suplementaria 1. Matriz de transición de uso del suelo, parametrización del escenario, validación del modelo y resultados del análisis de sensibilidad uno-a-la-vez. El libro de trabajo contiene cuatro hojas: S1, la matriz de transición de uso del suelo operativa para el período 2010–2015; S2, los valores de los parámetros, las reglas implementadas y los límites de interpretación para los cuatro escenarios; S3, la matriz de confusión de 9 × 9 y los resultados asociados de validación del modelo; y S4, los resultados nominales y de sensibilidad uno-a-la-vez obtenidos al variar dev, fp y af en 0,5× y 1,5×, manteniendo constantes los demás parámetros. Los rangos de sensibilidad representan perturbaciones deterministas de los parámetros y no intervalos de confianza probabilísticos.Haga clic aquí para descargar este archivo.

Tabla suplementaria 2. Identificadores de clases de cobertura del suelo utilizados en el flujo de trabajo computacional. La tabla enumera los identificadores numéricos de clase y las correspondientes clases de cobertura del suelo utilizadas en los análisis ráster. La clase 0 denota NoDatos fuera de la máscara válida del área de estudio; las clases 1–9 denotan cultivos, bosque, matorral, pastizal, agua, nieve/hielo, áreas áridas, superficies impermeables y humedales, respectivamente.Haga clic aquí para descargar este archivo.

Tabla suplementaria 3. Resultados del detector de factores e interacciones OPGD para la densidad de carbono en 2015. La tabla presenta estadísticos q optimizados, números de intervalos de discretización, valores p del contraste F analítico y valores p de permutación basados en 999 permutaciones para la elevación, la pendiente, la orientación hacia el norte y el relieve topográfico. Los resultados de interacción por pares indican el estadístico q de interacción, los estadísticos q individuales de cada factor y la clasificación de la interacción. Las estadísticas reportadas representan asociaciones espaciales y no establecen efectos causales.Haga clic aquí para descargar este archivo.

Nota suplementaria 1. Descripciones panel por panel, fuentes de datos y notas de interpretación para las figuras del manuscrito. Esta nota identifica el contenido y la fuente de datos subyacente de los paneles individuales de las figuras y proporciona información sobre extensiones espaciales compartidas, información duplicada e interpretación de las variables mostradas.Haga clic aquí para descargar este archivo.

Archivo de datos complementarios (comprimido). El archivo contiene 26 archivos GeoTIFF listos para su análisis, archivos de límites, metadatos, resultados, guiones, figuras, libros de trabajo, archivos del entorno computacional exacto, un archivo LÉAME y sumas de verificación SHA-256.

Discusión

En las cuatro pruebas de estrés, el almacenamiento de carbono disminuyó a medida que las transiciones simuladas alteraron las proporciones de clases de cobertura terrestre de alta y baja densidad. TED produjo la mayor disminución, mientras que ECP produjo la menor. Por lo tanto, un paso fundamental al aplicar el protocolo es la configuración e interpretación de los parámetros dev, fp y af. Dado que las diferencias entre escenarios surgen de estos valores impuestos, representan respuestas condicionales del modelo y no efectos observados del desarrollo turístico, la revitalización de pueblos o la regulación ecológica. Para 2050, el almacenamiento de carbono proyectado bajo TED fue 5.048 Tg C menor que bajo ECP. Según la tabla adoptada, convertir una hectárea de bosque en suelo impermeable reduce el stock asignado en 149.32 Mg C, mientras que la conversión de tierras de cultivo a suelo impermeable lo reduce en 38.45 Mg C. Estas diferencias contables explican la fuerte influencia de la conversión simulada de bosques en el almacenamiento total. Sin embargo, la dependencia de valores derivados de la literatura sin calibración local introduce incertidumbre en las estimaciones absolutas.

Otro paso crítico es la derivación y discretización de las variables del terreno utilizadas en OPGD. La relieve topográfico se asoció con la densidad de carbono tras la discretización optimizada (q = 0,460). El relieve se definió como el rango local de elevación dentro de un entorno circular de 450 m de radio, implementado con una huella de 31 × 31 píxeles. Las celdas de alto relieve pueden coincidir con terrenos forestados escarpados, pero OPGD no puede distinguir entre el terreno, la accesibilidad, la historia de uso del suelo, el suelo, la gestión y otras explicaciones correlacionadas. Los estratos de terreno emparejados produjeron valores q más altos que los factores individuales, especialmente para pendiente ∩ relieve (q = 0,628). Este patrón es descriptivo y no mecanicista. De forma similar, el valor q pequeño para orientación norte (0,003) no demuestra que los contrastes en radiación solar sean débiles; probar esta explicación requiere mediciones de radiación, microclima, vegetación y campo.

El método permite la generación de hipótesis regionales: limitar la conversión simulada de bosques, moderar la expansión de superficies impermeables y aumentar la transición de tierras agrícolas a bosques permite conservar más carbono asignado. Las recomendaciones específicas para cada sitio requieren evidencia adicional. Para modificar el flujo de trabajo hacia aplicaciones enfocadas en la toma de decisiones, incorpore capas verificadas de áreas protegidas, límites ecológicos, transporte, parcelas y nodos de aldeas, junto con evaluaciones sobre la participación de las partes interesadas, los intercambios de servicios ecosistémicos, incentivos, costos de restauración, servicios culturales, medios de vida y biodiversidad49,50,51,52,53,54,55,56. Estas ampliaciones son importantes porque el protocolo actual no incluye tales restricciones espaciales ni socioeconómicas. La literatura más amplia también indica que las estrategias de almacenamiento vegetal, la estructura forestal, la vegetación no arbórea, el comportamiento turístico y los efectos del ciclo de vida del entorno construido requieren análisis distintos del actual cálculo de cobertura del suelo57,58,59,60,61.

Varias limitaciones definen el uso y la interpretación adecuados del método. Estas incluyen densidades de carbono derivadas de la literatura sin calibración local en campo, posibles errores en la clasificación de CLCD, un modelo Markov-CA personalizado simplificado, una medida de validación centrada en cambios (FoM) de 0,107, parámetros de prueba de estrés no ajustados y una evaluación estocástica de una sola semilla. Otras limitaciones son el diseño de un factor a la vez en lugar de un análisis probabilístico de incertidumbre, la omisión de capas de planificación, factores socioeconómicos, accesibilidad, suelo, edad del bosque y cambio climático, y asociaciones OPGD no causales. Estas limitaciones implican que el flujo de trabajo es apropiado para la evaluación comparativa de escenarios regionales, pero no proporciona pronósticos espaciales deterministas, inventarios de carbono calibrados localmente ni estimaciones causales de la eficacia de políticas.

Con respecto a los enfoques existentes y alternativos, la importancia del protocolo radica en integrar la simulación del uso del suelo, la contabilidad de carbono en cuatro grupos, la validación, la prueba de sensibilidad y el análisis de asociación con el terreno dentro de un flujo de trabajo reproducible, al tiempo que se mantienen limitaciones explícitas sobre la interpretación. La resolución de problemas y las modificaciones deben centrarse especialmente en los pasos que afectan de manera más significativa la interpretación posterior: el preprocesamiento y enmascaramiento de cobertura del suelo, la parametrización de transiciones y escenarios, la validación del modelo, la asignación de densidad de carbono y la discretización del terreno.

El flujo de trabajo puede aplicarse a la evaluación comparativa de trayectorias alternativas de uso del suelo y a la identificación de asociaciones espaciales que requieren una investigación más profunda, aunque las aplicaciones específicas del sitio requieren evidencia adicional verificada localmente. Las prioridades para futuras investigaciones incluyen la recopilación de mediciones locales de carbono, la comparación de modelos alternativos de asignación y semillas aleatorias, el ajuste de parámetros a factores independientes y la propagación de la incertidumbre en la clasificación, los parámetros y el clima. Estos avances extenderían el flujo de trabajo actual más allá de las pruebas comparativas de estrés y proporcionarían una base más sólida para evaluar los resultados del uso del suelo y del almacenamiento de carbono bajo fuentes adicionales de incertidumbre.

Divulgaciones

Los autores declaran que no tienen conflictos de intereses.

Agradecimientos

Los autores agradecen a los proveedores de los conjuntos de datos CLCD y Copernicus DEM GLO-30.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Conjunto de datos de cobertura del suelo de China (CLCD)Universidad de Wuhan (Yang J & Huang X)Producto anual 1985–2022; 30 m; Zenodo DOI: 10.5281/zenodo.4417810Entrada base de cobertura del suelo; capas de 2005, 2010 y 2015 utilizadas para calibración, validación, estimación de matrices de transición y análisis de línea base
DEM Copernicus GLO-30Agencia Espacial Europea / Programa CopernicusÉpoca de referencia 2019; lanzamiento público 2021; 30 mEntrada de terreno utilizada para derivar elevación, pendiente, orientación norte y relieve topográfico para el análisis OPGD
Autómata celular de Markov personalizadoImplementación personalizada en PythonPython 3.11; semilla 2023; actualización síncrona; vecindad Moore de 3 × 3; código fuente archivadoSimulación de escenarios de uso del suelo; implementación personalizada que no invoca PLUS
geopandas (biblioteca de Python)Desarrolladores de geopandas1.1.4Manejo de datos vectoriales, consultas espaciales y operaciones de límites
Formulación de almacenamiento de carbono en cuatro reservorios de InVESTProyecto de Capital NaturalDocumentación de InVEST; cálculo personalizado mediante búsqueda en Python; script archivadoContabilidad de carbono por clases en cuatro reservorios; sin módulo de tasas de secuestro, valoración ni económico
matplotlib (biblioteca de Python)Desarrolladores de Matplotlib3.11.0Generación de figuras y visualización científica
numpy (biblioteca de Python)Desarrolladores de NumPy2.4.6Cálculo numérico a nivel de arreglos
Factores OPGD y detectores de interacciónImplementación personalizada en Python basada en la metodología OPGDSemilla 42; muestra de 200.000 píxeles; intervalos cuantílicos de 2–15; 999 permutaciones; script archivadoAnálisis de factores e interacciones de las asociaciones entre la densidad de carbono en 2015 y la elevación, pendiente, orientación norte y relieve topográfico
pandas (biblioteca de Python)Desarrolladores de pandas3.0.3Manejo de datos tabulares y procesamiento de resultados analíticos
Lenguaje de programación PythonFundación Python3.11.9Entorno computacional para preprocesamiento, simulación, validación, contabilidad de carbono, análisis OPGD y postprocesamiento
rasterio (biblioteca de Python)Mantenedores de rasterio1.4.4Entrada/salida de rásteres, reproyección, remuestreo y procesamiento de rásteres de cobertura del suelo y terreno
scipy (biblioteca de Python)Desarrolladores de SciPy1.17.1Operaciones numéricas y morfológicas utilizadas en el procesamiento del terreno
shapely (biblioteca de Python)Desarrolladores de Shapely2.1.2Operaciones geométricas que apoyan el procesamiento vectorial y espacial
Extensión del área de estudio y máscara válidaEntrada personalizada del estudio reconstruida a partir de las coordenadas del manuscritoEPSG:32650; 30 m; GeoJSON y GeoTIFF archivados; 4.632.329 celdas válidasDefine el área común de análisis de 4.169,1 km² y la máscara de ráster válida

Referencias

  1. Costanza R, et al. The value of the world's ecosystem services and natural capital. Nature. 1997;387(6630):253-260. doi:10.1038/387253a0.
  2. Millennium Ecosystem Assessment. Ecosystems and Human Well-Being: Synthesis. Island Press; Washington, DC; 2005.
  3. UNESCO World Heritage Centre. Mount Huangshan [Internet]. UNESCO; Paris; [cited 2026 Aug 18]. Available from: https://whc.unesco.org/en/list/547
  4. UNESCO World Heritage Centre. Ancient Villages in Southern Anhui—Xidi and Hongcun [Internet]. UNESCO; Paris; [cited 2026 Aug 18]. Available from: https://whc.unesco.org/en/list/1002
  5. Megarry WP, et al. Land use and land cover analysis of cultural World Heritage to inform assessments of climate vulnerability. Journal of Cultural Heritage. 2026;77:243-253. doi:10.1016/j.culher.2025.11.008.
  6. Wang Y, Chen S, Rabeeu A. Does world heritage site initiation promote tourism? A difference-in-difference approach. Tourism Economics. 2024;30(8):2111-2133. doi:10.1177/13548166241253306.
  7. Wang Y, Sulaiman MKAM, Harun NZ. Reframing place identity for traditional village conservation: A theoretical model with evidence from Dali Dong Village. Heritage. 2025;8(10):427. doi:10.3390/heritage8100427.
  8. Liang X, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China. Comput Environ Urban Syst. 2021;85:101569. doi:10.1016/j.compenvurbsys.2020.101569.
  9. Sharp R, et al. InVEST User's Guide: Integrated Valuation of Ecosystem Services and Tradeoffs. [Internet]. Natural Capital Project, Stanford University; 2020. Available from: https://naturalcapitalproject.stanford.edu/software/invest
  10. Song Y, Wang J, Ge Y, Xu C. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: cases with different types of spatial data. GISci Remote Sens. 2020;57(5):593-610. doi:10.1080/15481603.2020.1760434.
  11. Bozali N. Spatiotemporal simulation of land use and land cover changes in Türkiye through a CA–Markov framework. Scientific Reports. 2026;16(1). doi:10.1038/s41598-026-35807-9.
  12. Gita B, Pankaj L. Modeling alternative futures: Scenario-based land-use and land-cover projections for Nepal (2030–2050). Land. 2026;15(5):873. doi:10.3390/land15050873.
  13. Cui J, et al. An integrated land use–carbon modeling framework for net carbon emissions and spatial optimization in Northeast China. Journal of Cleaner Production. 2025;525:146545. doi:10.1016/j.jclepro.2025.146545.
  14. Tang H, et al. Analysis of spatiotemporal variations and driving factors of carbon storage based on the PLUS-InVEST-OPGD model: A case study of Tai'an City. Sustainability. 2026;18(8):4017. doi:10.3390/su18084017.
  15. Zhang Y, Liao X, Sun D. A coupled InVEST-PLUS model for the spatiotemporal evolution of ecosystem carbon storage and multi-scenario prediction analysis. Land. 2024;13(4):509. doi:10.3390/land13040509.
  16. Huang M, et al. Integrated assessment of land use and carbon storage changes in the Tulufan-Hami Basin under the background of urbanization and climate change. Int J Appl Earth Obs Geoinf. 2024;135:104261. doi:10.1016/j.jag.2024.104261.
  17. Ma Y, et al. Assessing carbon storage dynamics and policy impacts: Application of InVEST-PLUS framework in the Qinling Mountains, China. Land Use Policy. 2026;164:107947. doi:10.1016/j.landusepol.2026.107947.
  18. Li Z, Yan T, Du Y. Scenario-based simulation of carbon storage in Chengdu using MCCA-InVEST: land use change, spatial patterns, and driving mechanisms. Carbon Balance Manag. 2025;20:40. doi:10.1186/s13021-025-00328-x.
  19. Zhao H, Guo B, Wang G. Spatial-temporal changes and prediction of carbon storage in the Tibetan Plateau based on PLUS-InVEST model. Forests. 2023;14(7):1352. doi:10.3390/f14071352.
  20. Hasan F, Makhtoumi Y, Chen G. Impact of land use and land cover changes on ecosystem services: a multi-module InVEST-LCM analysis. Earth Syst Environ. 2026;10:7019-7041. doi:10.1007/s41748-025-00995-3.
  21. Zhang H, Luo J, Wu J, Dong H. Dynamic response of carbon storage to future land use/land cover changes motivated by policy effects and core driving factors. J Plant Ecol. 2024;17(4):rtae042. doi:10.1093/jpe/rtae042.
  22. Lu L, et al. Spatiotemporal variation and quantitative attribution of carbon storage based on multiple satellite data and a coupled model for Jinan City, China. Remote Sens. 2023;15(18):4472. doi:10.3390/rs15184472.
  23. Ma J, Hao Z, Shen Y, Zhen Z. Spatial-temporal evolution of carbon storage and its driving factors in the Shanxi section of the Yellow River Basin, China. Ecological Modelling. 2025;502:111039. doi:10.1016/j.ecolmodel.2025.111039.
  24. Mi Y, Li S, Wu B. Study on the variation of carbon storage in the Chang-Zhu-Tan urban agglomeration in China based on topographic relief. Frontiers in Environmental Science. 2024;12. doi:10.3389/fenvs.2024.1481540.
  25. Li C, Huang J, Luo Y, Wang J. Spatial synergy between carbon storage and emissions in coastal China: Insights from PLUS-InVEST and OPGD models. Remote Sensing. 2025;17(16):2859. doi:10.3390/rs17162859.
  26. Ocloo DM, Mizunoya T. Carbon storage and land use dynamics in Ghanaian university campuses: A scenario-based assessment using the InVEST model. Land. 2025;14(10):1987. doi:10.3390/land14101987.
  27. Wang Z, Zhang Y, Zhang Z. Scenario analysis of carbon reduction potential through forest carbon sink mechanisms in the Beijing–Tianjin–Hebei Region, China. Sustainability. 2025;17(17):7992. doi:10.3390/su17177992.
  28. Ma J, Shi P. Remotely sensed inter-field variation in soil organic carbon content as influenced by the cumulative effect of conservation tillage in northeast China. Soil and Tillage Research. 2024;243:106170. doi:10.1016/j.still.2024.106170.
  29. Li M, Cui Y, Dong J, Qin Y. Abandoned cropland compensates the decrease in net ecosystem productivity of impervious surface expansion in China. Environmental Impact Assessment Review. 2024;104:107363. doi:10.1016/j.eiar.2023.107363.
  30. Wang J, Zhang M, Zhou S, Huang Y. Research on the spatiotemporal evolution and driving factors of forest carbon sink increment—based on data envelopment analysis and production theoretical decomposition model. Forests. 2025;16(1):104. doi:10.3390/f16010104.
  31. Cai Y, et al. Dynamics of China's forest carbon storage: the first 30 m annual aboveground biomass mapping from 1985 to 2023. Earth System Science Data. 2025. doi:10.5194/essd-17-6993-2025.
  32. Piao S, et al. The carbon balance of terrestrial ecosystems in China. Nature. 2009;458(7241):1009-1013. doi:10.1038/nature07944.
  33. Fuller M, et al. Global carbon storage in harvested wood products: a forest sector model inter-comparison. Environmental Research Letters. 2025;20. doi:10.1088/1748-9326/ae0ce0.
  34. Milodowski D, Smallman T, Williams M. Scale variance in the carbon dynamics of fragmented, mixed-use landscapes estimated using model–data fusion. Biogeosciences. 2023. doi:10.5194/bg-20-3301-2023.
  35. Zeyu X, et al. Topographic and edaphic drivers of community structure and species diversity in a subtropical deciduous broad-leaved forest in eastern China. Forests. 2025;16(12):1837. doi:10.3390/f16121837.
  36. Hunter BD, Roering JJ, Silva LCR, Moreland KC. Geomorphic controls on the abundance and persistence of soil organic carbon pools in erosional landscapes. Nature Geoscience. 2024;17(2):151-157. doi:10.1038/s41561-023-01365-2.
  37. Li L, et al. Spatial scale effects of interacting abiotic and biotic factors on aboveground carbon storage in a subtropical evergreen broadleaf forest in southern China. Journal of Forestry Research. 2024;36(1). doi:10.1007/s11676-024-01804-9.
  38. Zhaoxue G, et al. Temporal and spatial characteristics and influencing factors of carbon storage in black soil area under topographic gradient. Land. 2024;14(1):16. doi:10.3390/land14010016.
  39. Nie Q, et al. Exploring scaling differences and spatial heterogeneity in drivers of carbon storage changes: a comprehensive geographic analysis framework. Ecological Indicators. 2024. doi:10.1016/j.ecolind.2024.112193.
  40. Liu J, et al. Analysis of the evolution characteristics and driving mechanisms of salinization in arid regions based on multi-factor interaction with optimized parameter geographic detector (OPGD)1. Journal of Environmental Management. 2025;394:127487. doi:10.1016/j.jenvman.2025.127487.
  41. Wang Z, Zhou Y, Sun X, Xu Y. Estimation of NPP in Huangshan District based on deep learning and CASA model. Forests. 2024;15(8):1467. doi:10.3390/f15081467.
  42. Vancine MH, et al. ATLANTIC SPATIAL: a dataset of landscape, topographic, hydrological, and anthropogenic metrics for the Atlantic Forest. Ecology. 2026;107(4). doi:10.1002/ecy.70360.
  43. Qiu M, et al. Spatio-temporal changes and hydrological forces of wetland landscape pattern in the Yellow River Delta during 1986–2022. Landscape Ecology. 2024;39. doi:10.1007/s10980-024-01850-y.
  44. Anand S, Khushboo K, Garkoti S. Influence of vegetation and soil properties on carbon stocks in Shorea robusta. forests under different disturbance regimes. Journal of Environmental Management. 2025;380:124916. doi:10.1016/j.jenvman.2025.124916.
  45. Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019. Earth Syst Sci Data. 2021;13(8):3907-3925. doi:10.5194/essd-13-3907-2021.
  46. Copernicus Data Space Ecosystem. Copernicus DEM GLO-30 [Internet]. European Union; [cited 2026 Aug 18]. Available from: https://documentation.dataspace.copernicus.eu/Data/Others/CCM.html
  47. Cheng Z, et al. Identification of eco-functional zones based on ecosystem service bundles: a case study of the Fujiang River Basin. Front Environ Sci. 2026;14:1754712. doi:10.3389/fenvs.2026.1754712.
  48. Pontius RG Jr, et al. Comparing the input, output, and validation maps for several models of land change. Ann Reg Sci. 2008;42(1):11-37. doi:10.1007/s00168-007-0138-2.
  49. Li Y, et al. Dissemination, manipulation or monopolization? Understanding the influence of stakeholder information sharing on resident participation in neighborhood rehabilitation of urban China. Land Use Policy. 2024;147:107359. doi:10.1016/j.landusepol.2024.107359.
  50. Peng J, et al. A landscape ecological approach to spatial conservation planning—ecological security pattern. Trends in Ecology & Evolution. 2025. doi:10.1016/j.tree.2025.07.014.
  51. Roh H, Park J, Chon J. Trade-off analysis of ecosystem services in regulated river areas: supporting, regulating, and cultural services. Sustainability. 2025;17(9):3788. doi:10.3390/su17093788.
  52. Roy Chowdhury PK, Brown DG. Modeling the effects of carbon payments and forest owner cooperatives on carbon storage and revenue in Pacific Northwest forestlands. Land Use Policy. 2023;131:106725. doi:10.1016/j.landusepol.2023.106725.
  53. Savo V, et al. Evaluation of main regulating, provisioning, and supporting ecosystem services of urban street trees: a literature review. Ecosystem Services. 2025;71:101690. doi:10.1016/j.ecoser.2024.101690.
  54. Shibo Z, Gui J. The cost of ecological protection and restoration: evidence from the impact of the Shan-shui project on land values. Land Use Policy. 2026;164:107919. doi:10.1016/j.landusepol.2026.107919.
  55. Deng H, Zhou X, Liao Z. Ecological redline delineation based on the supply and demand of ecosystem services. Land Use Policy. 2024;140:107109. doi:10.1016/j.landusepol.2024.107109.
  56. Xu H, et al. Revealing youth-perceived cultural ecosystem services for high-density urban green space management: a deep learning spatial analysis of social media photographs from central Beijing. Landscape Ecology. 2025;40. doi:10.1007/s10980-025-02115-y.
  57. Binter J, Doležal J. High-elevation angiosperms maintain extensive living storage tissue with large non-structural carbohydrate pools. Annals of Botany. 2026. doi:10.1093/aob/mcag023.
  58. Arayaselassie A, Bekele T, Lulekal E. An insight into Northern Wollo Monastery Forests: examining plant species diversity, vegetation structure, and regeneration analysis of these relict ecosystems. PLoS ONE. 2025;20. doi:10.1371/journal.pone.0330689.
  59. Slate ML, et al. Impact of changing climate on bryophyte contributions to terrestrial water, carbon, and nitrogen cycles. New Phytologist. 2024;242. doi:10.1111/nph.19772.
  60. Sun D, Yang D, Wang J, Tan F. How animal metaphors increase tourists' waste classification intention? Environmental Research Communications. 2024;6(10):105012. doi:10.1088/2515-7620/ad82b0.
  61. Sindhu Pradeep M, Rismanchi B, Stephan A, Ngo T. Synergising circularity and temporal dynamics into life cycle sustainability assessment of prefabricated buildings: a system dynamics-based assessment with static–dynamic comparison. Building and Environment. 2026;302:114795. doi:10.1016/j.buildenv.2026.114795.

Reimpresiones y permisos

Etiquetas

Cambio de uso de sueloSimulación de escenariosAutómata celular de MarkovDetector geográficoServicios ecosistémicosContabilidad de carbonoExpansión turísticaConservación ecológica

Este artículo ha sido publicado

Video próximamente

Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.