Un flux de travail intégré de modélisation géospatiale quantifie l'urbanisation des terres et la dynamique des stocks de carbone. L'expansion des zones bâties est associée à une perte de stock de carbone et à des effets négatifs de débordement spatial, tandis que les scénarios de planification écologique préservent les terres à haut stock de carbone et favorisent une gouvernance coordonnée à faible émission de carbone.
Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.
Article de recherche
Urbanisation des terres, planification écologique et dynamique des stocks de carbone au Xinjiang, en Chine, à l'aide d'un flux de travail de modélisation géospatiale intégrée
Dans cet article
Résumé
Résumé
Cette étude a mis au point et appliqué un flux de travail intégré combinant télédétection, simulation d'occupation des sols, évaluation des services écosystémiques et méthodes d'économétrie spatiale afin de quantifier l'influence de l'urbanisation des sols et de la planification écologique sur la dynamique des stocks de carbone dans la région autonome ouïgoure du Xinjiang, dans l'ouest de la Chine. À l'aide de données sur l'occupation et la couverture des sols, les surfaces imperméables, la lumière nocturne, la végétation, la topographie, les facteurs socioéconomiques et les contraintes de planification, couvrant la période 2000–2020, le flux de travail a permis d'identifier les tendances historiques d'urbanisation, de simuler quatre scénarios futurs de planification, d'estimer le stock de carbone à l'aide du module carbone du logiciel InVEST, et d'évaluer les effets directs et les effets indirects de retombée spatiale à l'aide de modèles d'économétrie spatiale. Les résultats montrent que l'expansion des zones bâties s'est produite principalement par conversion des terres agricoles, accompagnée d'une augmentation de la couverture en surfaces imperméables et de l'intensité de la lumière nocturne. Les résultats de simulation indiquent que le scénario de protection écologique permet de conserver le stock de carbone le plus élevé, tandis que le scénario de développement naturel entraîne la plus grande perte de carbone. Les forêts se sont révélées être la classe d'occupation des sols à forte teneur en carbone la plus vulnérable, avec une densité totale de carbone de 144,9 Mg C/ha contre 29,4 Mg C/ha pour les zones bâties. Les résultats du modèle de Durbin spatial montrent que l'urbanisation des sols exerce un effet direct négatif (−0,231) et un effet indirect de retombée spatiale (−0,117), produisant un effet total de −0,348 sur la densité du stock de carbone, tandis que l'intensité de la planification écologique a un effet total positif (+0,245). Ces résultats appuient une planification écologique coordonnée à travers les limites administratives afin de promouvoir un développement régional sobre en carbone.
Introduction
Dans le contexte du changement climatique mondial et de la transition vers un développement à faible émission de carbone, l'urbanisation rapide est devenue un facteur majeur de transformation des motifs régionaux d'utilisation des sols et des cycles biogéochimiques1. Alors que les activités humaines s'étendent continuellement en échelle et en intensité, l'urbanisation accélérée des sols dans les régions en développement modifie non seulement les schémas d'utilisation des terres, mais redéfinit également la structure et le fonctionnement des écosystèmes. En substance, l'urbanisation des sols implique la conversion de végétations naturelles à haute densité de carbone en surfaces artificielles à faible densité de carbone, entraînant des pertes importantes de la capacité régionale de stockage du carbone2. Pour les régions en développement rapide, concilier la croissance économique et la préservation des espaces écologiques est devenu un enjeu crucial dans la planification spatiale du territoire. Les études traditionnelles sur l'utilisation des sols se sont principalement concentrées sur les schémas d'expansion physique, négligeant souvent les interactions dynamiques entre l'aménagement du territoire et les processus du cycle du carbone3. Par conséquent, il est nécessaire de développer des approches analytiques intégrées permettant de quantifier les effets de l'urbanisation des sols sur la dynamique des stocks de carbone et de fournir une base scientifique pour la protection écologique et la gouvernance à faible émission de carbone.
Les récents progrès dans les domaines de la télédétection et des systèmes d'information géographique ont considérablement amélioré la modélisation des changements d'affectation des sols et l'évaluation des services écosystémiques4,5. La simulation de l'affectation des sols selon plusieurs scénarios, couplée à la comptabilité écologique, est devenue une approche largement utilisée pour évaluer les conséquences environnementales de l'expansion urbaine6. En particulier, les modèles de simulation de l'affectation des sols par génération de taches (Patch-generating Land Use Simulation, PLUS) et d'évaluation intégrée des services écosystémiques et des compromis (Integrated Valuation of Ecosystem Services and Tradeoffs, InVEST) ont été appliqués afin de quantifier l'influence des contraintes d'aménagement sur les trajectoires d'utilisation des sols et les stocks de carbone7,8,9,10,11,12. D'autres études sur les services écosystémiques ont également montré que les changements d'occupation des sols, les politiques de développement urbain et les mesures de protection écologique peuvent modifier le rendement en eau, la séquestration du carbone, la rétention des sols ainsi que les compromis entre services écosystémiques dans les paysages en cours d'urbanisation rapide13,14,15,16,17. Toutefois, la plupart des études antérieures se sont concentrées sur la conversion des terres et les résultats en matière de services écosystémiques, en accordant moins d'attention à la manière dont les pressions liées au développement socioéconomique engendrent des réponses spatialement dépendantes en matière de stocks de carbone entre unités administratives voisines.
Trois lacunes importantes motivent le présent protocole. Premièrement, les applications antérieures de PLUS–InVEST traitent souvent les zones d'étude comme des systèmes physiques fermés et n'évaluent pas explicitement si les effets de l'urbanisation des terres débordent vers des unités adjacentes. Deuxièmement, les analyses de validation, d'incertitude et de sensibilité sont fréquemment rapportées de manière succincte, ce qui rend difficile de déterminer si les classements des scénarios restent stables sous différents paramètres de simulation d'occupation des sols, coefficients de réserves de carbone et spécifications de poids spatiaux. Troisièmement, les études d'économétrie spatiale identifient souvent des associations entre l'intensité du développement et les résultats écologiques sans relier ces relations aux observations de télédétection, aux scénarios futurs d'utilisation des sols et à la comptabilisation des stocks de carbone. Un protocole intégré est donc nécessaire pour relier l'observation, la simulation de scénarios, la comptabilisation du carbone et l'identification des mécanismes spatiaux dans un cadre analytique reproductible.
En conséquence, cette étude établit un flux de travail analytique reproductible qui intègre la télédétection, la simulation de scénarios basée sur PLUS, l'évaluation des stocks de carbone avec InVEST et une analyse économétrique spatiale. En se concentrant sur la région autonome ouïgoure du Xinjiang dans l'ouest de la Chine, l'étude évalue les schémas historiques d'urbanisation des terres entre 2000 et 2020, examine comment des scénarios de planification alternatifs influencent les configurations futures de l'utilisation des sols, quantifie les effets résultants sur la répartition des stocks de carbone, et analyse les effets directs ainsi que les effets de retombée spatiale de l'urbanisation des terres, de l'intensité de la planification écologique, de l'état de la végétation et des facteurs socioéconomiques sur la dynamique des stocks de carbone. La contribution principale de ce flux de travail réside dans l'intégration de la prévision fondée sur des scénarios et de l'identification des mécanismes afin d'appuyer la délimitation des lignes rouges écologiques, la planification d'une croissance compacte, la compensation du carbone transfrontalière et la gouvernance régionale basée sur une faible émission de carbone.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Protocole
Des ensembles de données géospatiales, de télédétection, de planification et socioéconomiques agrégées accessibles au public ont été utilisés dans cette étude. Aucun participant humain, sujet animal, matériel clinique ni information personnelle identifiable n'a été impliqué. Par conséquent, une approbation éthique institutionnelle n'était pas requise. Les environnements logiciels spécifiques, les packages informatiques (y compris les bibliothèques d'économétrie spatiale et de visualisation haute résolution), les identifiants numériques (DOI) des jeux de données et les URL sources de toutes les ressources nécessaires à la reproduction de ce flux de travail sont détaillés dans le Tableau des matériaux complet.
1. Zone d'étude et cadre analytique
L'analyse a été menée dans la région autonome du Xinjiang ouïgour, dans le nord-ouest de la Chine, en se concentrant spécifiquement sur les limites urbaines délimitées des principales villes (Figure 1) afin de capturer précisément la dynamique de l'expansion localisée. Cette limite a été utilisée de manière cohérente pour le rognage des données matricielles, la simulation d'affectation des sols, l'évaluation des stocks de carbone et l'agrégation des unités administratives. La taille de l'échantillon analysé (n) comprenait 105 unités administratives au niveau du district, analysées à trois moments temporels distincts (2000, 2010 et 2020), les simulations d'affectation des sols intégrant 50 réplicats stochastiques afin de tenir compte de l'incertitude spatiale.
Un cadre analytique multi-échelle intégrant des analyses à l’échelle des grilles et à l’échelle des unités administratives a été utilisé. À l’échelle de la grille, des données sur l'utilisation des sols/la couverture des sols, l'intensité de la lumière nocturne, la couverture des surfaces imperméables, les indices de végétation, les variables topographiques et les contraintes de planification écologique ont été utilisées pour identifier les motifs d'urbanisation des terres, simuler des scénarios futurs d'utilisation des sols et évaluer la répartition des stocks de carbone. À l’échelle de l’unité administrative, des variables socio-économiques, de transport et environnementales ont été intégrées à des analyses économétriques spatiales afin d’évaluer les effets directs et de débordement de l’urbanisation des terres et de la planification écologique sur la dynamique des stocks de carbone.
Le cadre analytique comprenait cinq composantes. Premièrement, des données de télédétection multi-temporelles et d'utilisation des sols ont été utilisées pour caractériser les schémas spatio-temporels de l'urbanisation des terres, notamment l'expansion des zones bâties, l'intensité du développement et la restructuration de l'utilisation des sols. Deuxièmement, des scénarios de protection écologique, de protection des terres agricoles et d'aménagement à faible émission de carbone ont été élaborés afin de simuler les futurs schémas d'utilisation des sols. Troisièmement, le module de stockage du carbone du modèle InVEST a été utilisé pour quantifier la répartition et les variations du stock de carbone dans les conditions historiques et futures d'utilisation des sols. Quatrièmement, des analyses de corrélation spatiale globale et locale ont été menées afin d'identifier les schémas de regroupement et les régions chaudes associés aux variations du stock de carbone. Cinquièmement, des modèles économétriques spatiaux ont été utilisés pour évaluer l'ampleur, le sens et les effets de débordement de l'urbanisation des sols, de l'intensité de la planification écologique, ainsi que des facteurs environnementaux et socio-économiques sur la dynamique du stock de carbone.
Figure 1 présente le flux analytique global. Ce flux relie la définition de la zone d'étude, l'intégration de données provenant de multiples sources, l'identification de l'urbanisation des terres, l'élaboration de scénarios de planification écologique, la simulation de l'utilisation des sols, l'évaluation des stocks de carbone, l'analyse de l'autocorrélation spatiale et la modélisation économétrique spatiale. Des données spatiales provenant de multiples sources ont servi de couche d'entrée. L'identification de l'urbanisation des terres et l'analyse historique de l'occupation des sols formaient la couche de caractérisation des motifs. Les scénarios de planification écologique et l'évaluation des stocks de carbone constituaient la couche de prédiction et d'évaluation des impacts. Les analyses d'autocorrélation spatiale et économétriques ont été utilisées pour identifier les mécanismes spatiaux et appuyer l'interprétation politique.
Figure 1 : Zone d'étude, intégration des données et flux technique. (A) Contexte spatial multi-échelle et limites analytiques urbaines précises pour les villes clés de la région autonome ouïgoure du Xinjiang, dans le nord-ouest de la Chine. (B) Flux technique intégré reliant les données spatiales provenant de multiples sources, l'identification de l'urbanisation des terres par télédétection, la conception de scénarios de planification écologique, la simulation d'utilisation des sols avec PLUS, l'évaluation des stocks de carbone avec InVEST, l'autocorrélation spatiale, l'analyse des points chauds et la modélisation économétrique spatiale. ND = développement naturel ; EP = protection écologique ; CP = protection des terres agricoles ; LC = optimisation bas carbone ; OLS = moindres carrés ordinaires ; SAR = modèle autorégressif spatial ; SEM = modèle d'erreur spatiale ; SDM = modèle de Durbin spatial. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
2. Sources de données et système de variables
Un jeu de données multisource a été compilé afin de soutenir l'identification de l'urbanisation des terres, la simulation de scénarios de planification écologique, l'évaluation des stocks de carbone et l'analyse économétrique spatiale. Ce jeu de données comprenait des informations sur l'occupation et l'utilisation des sols, la fraction des surfaces imperméables, l'intensité de la lumière nocturne, l'indice de végétation par différence normalisée (NDVI), les variables topographiques, les indicateurs d'accessibilité aux transports, les variables hydrologiques, la densité de population, la densité du produit intérieur brut (PIB), les contraintes de planification, les variables climatiques et les paramètres des réservoirs de carbone. Tableau 1 résume la catégorie du jeu de données, la description des variables, l'unité, la résolution spatiale et temporelle, la source et l'application analytique. Les jeux de données clés ont été obtenus pour les années 2000, 2010 et 2020. Les données sur l'occupation des sols et les principaux produits de télédétection ont été harmonisés à des résolutions allant de 30 m à 1 km, selon les besoins analytiques.
Tableau 1 : Sources de données et système de variables. Le tableau indique la catégorie du jeu de données, la variable, la description, l'unité, la résolution spatiale/temporelle, la source et l'utilisation analytique pour l'identification de l'urbanisation des terres, la simulation de scénarios, le calcul des stocks de carbone avec InVEST et la modélisation économétrique spatiale. NDVI = indice de végétation par différence normalisée ; DEM = modèle numérique d'élévation ; LULC = utilisation des terres/couverture des sols. Veuillez cliquer ici pour télécharger ce tableau.
Toutes les couches spatiales ont été projetées dans un système de coordonnées commun, recadrées selon la limite de la zone d'étude indiquée dans la Figure 1, puis rééchantillonnées ou agrégées à l'échelle de grille ou d'unité administrative requise. Les valeurs manquantes ont été vérifiées avant l'analyse de superposition spatiale. Les jeux de données raster utilisés dans les analyses PLUS et InVEST ont été alignés au niveau des pixels, tandis que les variables socio-économiques ont été agrégées selon les unités administratives pour la régression spatiale. Ce flux de travail de prétraitement a permis d'assurer des unités spatiales cohérentes et des points temporels comparables dans les analyses temporelles, les simulations de scénarios, les calculs de stocks de carbone et la modélisation économétrique.
Les données d'utilisation et de couverture des sols ont servi d'entrée principale pour la détection des changements historiques et la simulation future de l'utilisation des sols. Les catégories initiales d'utilisation des sols ont été reclassées en six classes : terres arables, forêts, prairies, plans d'eau, zones bâties et terres inutilisées. Ce schéma de classification a été appliqué de manière cohérente à l'analyse des changements d'utilisation des sols, à l'élaboration des scénarios et aux calculs des stocks de carbone avec InVEST. La proportion de zones bâties, la couverture de surfaces imperméables et l'intensité lumineuse nocturne ont été utilisées comme indicateurs d'urbanisation des sols. La couverture de surfaces imperméables et l'intensité lumineuse nocturne ont servi de substituts issus de télédétection pour mesurer l'intensité du développement et l'activité humaine. L'indice de végétation NDVI a été inclus comme indicateur écologique dans les analyses ultérieures de modélisation spatiale économétrique.
Les variables topographiques et de localisation comprenaient l'altitude, la pente, la distance aux routes principales, la densité routière et la proximité des grands cours d'eau. Ces variables ont été utilisées comme facteurs explicatifs dans la simulation d'utilisation des sols et comme variables de contrôle dans les modèles économétriques spatiaux. Ensemble, elles représentaient les contraintes du terrain, l'accessibilité aux transports et la connectivité hydrologique.
Les variables socioéconomiques comprenaient la densité de population et la densité de PIB, complétées par la densité du réseau routier lorsque ces données étaient disponibles. Ces variables ont été utilisées pour caractériser l'intensité du développement et les pressions liées à l'activité humaine associées aux changements des stocks de carbone. Le cadre de variables intégrait des indicateurs de développement des terres, de pression socioéconomique et de contexte écologique afin de représenter les multiples facteurs influençant la dynamique des stocks de carbone.
Un indice d'intensité de planification écologique a été élaboré à partir de lignes rouges écologiques, de réserves naturelles, de zones tampons autour des masses d'eau, de zones soumises à des restrictions de pente et d'autres régions écologiquement sensibles. Cet indice a servi à la fois de couche de contrainte dans les simulations futures d'utilisation des sols et de variable explicative dans les analyses économétriques spatiales.
Pour l'évaluation des stocks de carbone selon InVEST, quatre paramètres de compartiments de carbone ont été compilés pour chaque classe d'utilisation des terres : le carbone de la biomasse aérienne, le carbone de la biomasse souterraine, le carbone organique du sol et le carbone de la matière organique morte. Les valeurs des paramètres ont été obtenues à partir d'études régionales publiées, de documents d'orientation d'InVEST et des caractéristiques locales de la couverture terrestre, puis associées au système de classification unifié des utilisations des sols. Le stock de carbone désigne la quantité totale de carbone estimée dans ces quatre compartiments, tandis que la densité du stock de carbone correspond au stock de carbone par unité de surface.
Les variables ont été regroupées en trois catégories. La première catégorie comprenait des indicateurs d'urbanisation des sols, tels que la proportion de sols artificialisés, la couverture des surfaces imperméables et l'intensité de la lumière nocturne. La deuxième catégorie incluait des variables écologiques et de planification, telles que l'indice de végétation par différence normalisée (NDVI), l'intensité de la planification écologique, l'altitude, la pente et la proximité hydrologique. La troisième catégorie regroupait des facteurs socioéconomiques, notamment la densité de population, la densité de PIB et la densité routière. Ces variables ont été utilisées pour évaluer les relations entre l'urbanisation des sols, la planification écologique et la dynamique des stocks de carbone.
3. Identification par télédétection de l'urbanisation des terres
Les schémas spatio-temporels de l'urbanisation des sols ont été identifiés à l'aide de trois indicateurs complémentaires : l'expansion des zones bâties, la couverture des surfaces imperméables et l'intensité de la lumière nocturne. L'expansion des zones bâties a été extraite de cartes d'occupation des sols successives afin de délimiter l'étendue physique et la progression du développement urbain depuis les zones bâties centrales vers les régions environnantes. La couverture des surfaces imperméables a été calculée pour quantifier l'intensité du développement au niveau de la grille, tandis que les données matricielles d'intensité lumineuse nocturne ont été traitées et normalisées afin de représenter l'activité humaine et la concentration fonctionnelle. Ces couches spatiales ont ensuite été intégrées pour construire le jeu de données historiques sur l'urbanisation des sols. Les indicateurs combinés ont permis d'identifier les zones de renforcement prolongé du développement, les zones de transition et les régions relativement stables, ainsi que d'évaluer la concordance spatiale entre le développement physique des sols et l'urbanisation fonctionnelle.
Une matrice de transition d'affectation des sols a été établie afin de quantifier l'ampleur et le sens des conversions entre terres arables, forêts, prairies, plans d'eau, zones bâties et sols inutilisés. Une attention particulière a été portée aux transitions en provenance des classes de sols écologiques et agricoles vers les zones bâties. Cette matrice a permis d'identifier les voies principales de conversion ainsi que les classes de sols sources prédominantes contribuant à l'expansion urbaine.
Une analyse des motifs du paysage a été réalisée afin d'évaluer les changements structurels associés à l'urbanisation des terres. Les métriques utilisées comprenaient la densité de taches, la densité de bordures, l'indice de forme du paysage et des indicateurs liés à la fragmentation. Ces métriques ont été calculées pour chaque période d'étude et utilisées pour quantifier les changements dans la configuration du paysage, la continuité spatiale et la fragmentation associés à l'expansion des zones bâties.
4. Conception du scénario de planification écologique et simulation de l'utilisation des sols
Les scénarios futurs d'utilisation des sols ont été simulés à l'aide du modèle de simulation de l'utilisation des sols par création de parcelles (Patch-generating Land Use Simulation, PLUS) selon quatre scénarios de planification : développement naturel (ND), protection écologique (EP), protection des terres agricoles (CP) et optimisation bas carbone (LC). Les hypothèses des scénarios, les règles de conversion des terres, les types de terres restreintes et les résultats attendus en termes de stock de carbone sont résumés dans Tableau 2.
Tableau 2 : Règles de contrôle des scénarios et contraintes de transition. Ce tableau définit les probabilités de conversion des terres ainsi que les contraintes spatiales pour les scénarios de développement naturel (ND), de protection écologique (EP), de protection des terres agricoles (CP) et d'optimisation à faible teneur en carbone (LC). Remarques : Les abréviations des scénarios correspondent strictement à celles utilisées dans la modélisation PLUS et les sections Résultats. Les paramètres des scénarios définissent des règles de conversion orientées vers les politiques publiques et les types de terres restreints utilisés dans les simulations ; toutes les zones d'exclusion légales sont restées non convertibles dans les couches spatiales finales. Veuillez cliquer ici pour télécharger ce tableau.
Des cartes historiques d'utilisation des terres et des variables spatiales explicatives ont été intégrées au modèle PLUS afin d'estimer les probabilités de transition foncière de base à l'aide du module d'automate cellulaire (CA). Pour les scénarios de protection écologique (EP), de protection des terres agricoles (CP) et d'optimisation à faible teneur en carbone (LC), des limites écologiques, des terres agricoles de base permanentes, des zones tampons autour des masses d'eau et d'autres contraintes de planification ont été intégrées sous forme de couches spatiales restrictives afin de limiter la conversion des terres conformément aux règles prédéfinies des scénarios. Les quantités cibles de demande foncière pour 2030 ont ensuite été définies pour chaque scénario, et le module CA a été exécuté à l'aide de 50 réplications stochastiques afin de produire les projections finales d'utilisation des terres.
La simulation d'utilisation des terres a été réalisée à l'aide du modèle PLUS et de son cadre d'automates cellulaires (CA) avec génération stochastique de parcelles de plusieurs types. Des cartes historiques d'utilisation des terres ainsi que des variables environnementales et socioéconomiques explicatives ont été utilisées pour estimer les probabilités d'expansion des terres pour chaque classe d'utilisation des sols. Les quantités futures de demande foncière ont ensuite été définies selon les exigences de chaque scénario de planification, et des cartes d'utilisation des terres correspondantes ont été générées pour la période cible de simulation.
Les performances du modèle ont été évaluées par une reconstitution historique avant la simulation future. Des cartes d'occupation des sols antérieures et les variables conductrices associées ont été utilisées pour simuler une carte ultérieure observée de l'occupation des sols. La concordance entre les répartitions simulées et observées de l'occupation des sols a été évaluée à l'aide de la précision globale (OA), du coefficient Kappa et de la Valeur de Concordance (FoM). La validation a été effectuée à la fois au niveau global et par grande classe d'occupation des sols. La reconstitution historique de 2010 à 2020 a donné une précision globale (OA) de 93,4 %, un coefficient Kappa de 0,89 et une Valeur de Concordance (FoM) de 0,26, indiquant une capacité très fiable de projection spatiale dans les simulations ultérieures à scénarios multiples.
Des analyses d'incertitude et de sensibilité ont été menées afin d'évaluer la robustesse des résultats de simulation. Les analyses de sensibilité de PLUS ont examiné les effets de différents paramètres de résistance aux transitions et de pondération du voisinage pour les principales classes d'utilisation des sols. Les analyses de sensibilité d'InVEST ont évalué l'influence des variations des coefficients des réservoirs de carbone selon les types d'utilisation des sols. Les analyses de sensibilité économétriques spatiales ont comparé différentes spécifications de matrices de poids spatiaux. Ces analyses ont permis d'évaluer si les classements des scénarios et le sens des effets principaux d'urbanisation et de planification écologique demeuraient constants sous des paramètres alternatifs. Plus précisément, la stabilité des résultats a été rigoureusement confirmée : les classements des scénarios ainsi que les effets de retombées spatiales négatives de l'urbanisation foncière sont restés invariants lorsque les paramètres de résistance aux transitions et les coefficients des réservoirs de carbone ont été modifiés de ±15 %.
5. Évaluation des stocks de carbone
Le stock de carbone a été évalué à l'aide du modèle de carbone InVEST. Des paramètres de base pour les quatre réservoirs de carbone (biomasse aérienne, biomasse souterraine, carbone organique du sol et matière organique morte) ont été attribués à chaque type d'occupation des sols reclassifié, en utilisant les valeurs biophysiques résumées dans Tableau 3. Des cartes historiques d'occupation des sols (2000–2020) et des jeux de données raster d'occupation des sols futurs simulés par PLUS ont ensuite été importés dans le modèle et intégrés avec les paramètres correspondants de densité de carbone. Le modèle a ensuite été exécuté afin d'estimer le stock régional total de carbone (Tg C), la densité de stock de carbone par grille (Mg C/ha) et les cartes spatiales des variations du stock de carbone (ΔC) pour les scénarios historiques et futurs.
Les cartes réclassifiées d'utilisation des terres ont été associées aux valeurs de paramètres de référence correspondantes des réserves de carbone indiquées dans le Tableau 3. La sensibilité des estimations des stocks de carbone aux incertitudes des paramètres a été évaluée en ajustant ces valeurs de référence de ±15 %, avec les résultats détaillés de cette analyse de sensibilité. Le modèle a été utilisé pour calculer le stock total de carbone, la densité du stock de carbone et la variation du stock de carbone pour chaque classe d'utilisation des terres dans les conditions historiques et dans les scénarios de planification futurs.
Trois catégories de résultats ont été évaluées. Premièrement, les stocks régionaux totaux de carbone et les tendances temporelles ont été calculés afin de quantifier l'ampleur et le sens des variations du stock de carbone au fil du temps. Deuxièmement, les répartitions spatiales du stock de carbone et des variations du stock de carbone ont été cartographiées pour identifier les zones de rétention et de perte de carbone. Troisièmement, les estimations du stock de carbone ont été comparées entre différents scénarios de planification afin d'évaluer les effets relatifs des stratégies de protection écologique, de protection des terres agricoles et d'optimisation à faible émission de carbone sur la conservation du stock de carbone.
Tableau 3 : Paramètres de base des stocks de carbone selon différents types d'utilisation des terres. Ce tableau indique le carbone de la biomasse aérienne, le carbone de la biomasse souterraine, le carbone organique du sol, le carbone de la matière organique morte et la densité totale de carbone utilisés dans le module de stock de carbone d'InVEST. Les unités sont en Mg C/ha. Remarques : les valeurs représentent les paramètres de base utilisés dans le modèle InVEST. La densité totale de carbone correspond à la somme des quatre stocks de carbone. Des analyses de sensibilité faisant varier ces valeurs de base de ±15 % sont présentées dans le tableau 6. Veuillez cliquer ici pour télécharger ce tableau.
6. Autocorrélation spatiale et analyse économétrique spatiale
Une analyse de corrélation spatiale a été réalisée afin de déterminer si le stock de carbone et la variation du stock de carbone présentaient une dépendance spatiale significative. L'indice global de Moran I a été calculé pour évaluer le degré général de regroupement spatial dans la répartition du stock de carbone et dans la variation du stock de carbone à travers la zone d'étude. L'indice local de Moran I a ensuite été utilisé pour identifier les schémas locaux d'association spatiale, notamment les agrégats haut-haut, bas-bas, haut-bas et bas-haut. Une analyse des points chauds a été effectuée afin d'identifier les zones présentant une perte concentrée de carbone et un maintien du stock de carbone.
Des modèles économétriques spatiaux ont été utilisés pour examiner les relations entre l'urbanisation des terres, la planification écologique, les conditions environnementales, les facteurs socioéconomiques et la dynamique des stocks de carbone. La densité du stock de carbone ou la variation du stock de carbone servait de variable dépendante. Les variables explicatives comprenaient l'indice d'urbanisation des terres, la proportion de terres artificialisées, l'intensité de la planification écologique, l'indice de végétation par différence normalisée (NDVI), la densité de population, la densité de PIB, la densité routière, l'altitude, la pente, les précipitations annuelles moyennes et la température annuelle moyenne.
La régression des moindres carrés ordinaires (OLS) a été utilisée comme modèle de référence. La dépendance spatiale des résidus a été évaluée avant d'estimer les modèles autorégressifs spatiaux (SAR), d'erreur spatiale (SEM) et de Durbin spatiaux (SDM). Les performances des modèles et les estimations des coefficients ont été comparées entre les différentes spécifications.
Une matrice de poids spatiaux normalisée par ligne a été construite pour représenter les relations de voisinage entre les unités administratives. La spécification principale était fondée sur la contiguïté spatiale, et des analyses de robustesse ont comparé des matrices de poids spatiaux alternatives basées sur la distance et les plus proches voisins, lorsque cela était possible.
Les effets directs, indirects et totaux ont été calculés à partir du SDM afin d'évaluer les relations locales et de débordement spatial. Le relief, l'accessibilité, la végétation, le climat et les variables socioéconomiques ont été inclus comme variables de contrôle pour réduire les biais liés aux variables omises. Les coefficients du modèle ont été interprétés comme des associations spatiales conditionnelles plutôt que comme des effets causaux définitifs. Les variables dont les valeurs-p dépassaient les seuils de significativité conventionnels ont été considérées comme une preuve faible ou indicative et n'ont pas été traitées comme des effets statistiquement robustes.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Résultats
Identification par télédétection de l'urbanisation des sols
D'après les résultats d'identification par télédétection sur plusieurs périodes, la zone d'étude a connu une intensification marquée de l'urbanisation des sols entre 2000 et 2020, accompagnée d'une restructuration des modalités d'occupation des sols et d'une transformation des configurations paysagères. Dans l'ensemble, l'expansion des terres construites a suivi un modèle d'expansion concentrique rayonnant des zones urbaines centrales vers l...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Discussion
Cette étude présente un flux de travail analytique intégré qui combine l'identification de l'urbanisation des terres basée sur la télédétection, la simulation des affectations des sols selon plusieurs scénarios à l'aide de PLUS, l'évaluation des stocks de carbone avec InVEST et la modélisation économétrique spatiale afin d'analyser les relations entre l'urbanisation des terres, la planification écologique et la dynamique des stocks de carbone au Xinjiang, dans le nord-ouest de la Chine. Plutôt que de considérer ces compo...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Déclarations de divulgation
Les auteurs n'ont rien à divulguer.
Remerciements
Les auteurs n'ont reçu aucun financement spécifique pour ce travail.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Scripts personnalisés d'économétrie spatiale et jeux de données de sortie | Auteurs | Dépôt Zenodo : https://zenodo.org/records/21159171 | Utilisés pour reproduire les analyses d'économétrie spatiale et le flux de travail computationnel associé décrits dans cette étude. |
| Grilles de densité de population à haute résolution | WorldPop | https://www.worldpop.org/ | Utilisées comme données socio-économiques d'entrée pour les analyses d'économétrie spatiale. |
| InVEST (Évaluation intégrée des services écosystémiques et compromis) | The Natural Capital Project, Université de Stanford | Version 3.14.0 ; https://naturalcapitalproject.stanford.edu/ | Utilisé pour estimer les stocks de carbone et les variations de ces stocks dans des scénarios d'utilisation des sols historiques et simulés. |
| Matplotlib & Pillow (bibliothèques Python) | Communauté Python | https://matplotlib.org/ ; https://python-pillow.org/ | Utilisés pour produire des figures de qualité scientifique et traiter des sorties graphiques haute résolution (600 dpi). |
| Jeux de données multi-temporels d'occupation et d'utilisation des sols | Centre de données et de sciences des ressources et de l'environnement (RESDC), Académie des sciences de Chine | https://www.resdc.cn/ | Utilisés comme jeu de données principal en entrée pour l'analyse des changements d'utilisation des sols et les simulations PLUS. |
| Modèle PLUS (simulation de l'utilisation des sols par génération de carreaux) | Laboratoire de calcul spatial à haute performance en intelligence computationnelle (HPSCIL) | https://github.com/HPSCIL/Patch-generating_Land_Use_Simulation_Model | Utilisé pour simuler les motifs futurs d'utilisation des sols selon plusieurs scénarios de planification écologique. |
| PySAL (bibliothèque Python d'analyse spatiale) | Développeurs PySAL | https://pysal.org/ | Utilisé pour effectuer des analyses d'autocorrélation spatiale et des modélisations d'économétrie spatiale. |
| Environnement de programmation Python | Fondation logicielle Python | Version 3.9+ ; https://www.python.org/ | Utilisé pour le prétraitement des données, les analyses spatiales, les calculs statistiques et la mise en œuvre du flux de travail. |
| Données topographiques (MNT) et de télédétection | Service géologique des États-Unis (USGS) | https://earthexplorer.usgs.gov/ | Utilisées pour extraire des variables topographiques et des entrées issues de la télédétection destinées à l'analyse de l'urbanisation des sols et à la paramétrisation du modèle. |
Références
- 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
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.