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.
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.
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.
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 les zones périphériques. L'augmentation simultanée de l'intensité des activités humaines et des niveaux d'imperméabilisation de surface indique que le développement rapide n'a pas seulement modifié la structure quantitative de l'occupation des sols, mais a également profondément réorganisé les modalités spatiales régionales.
Les résultats de l'identification de l'urbanisation des terres, illustrés par le sous-ensemble représentatif d'Ürümqi dans la Figure 2A, démontrent clairement les trajectoires d'expansion étagées des surfaces construites entre 2000 et 2020. En 2000, les terres à vocation de construction étaient principalement concentrées dans les zones urbaines centrales, présentant des configurations spatiales relativement compactes. En 2010, l'expansion en périphérie s'était fortement intensifiée, formant des zones de transition entourant les zones centrales. En 2020, les surfaces bâties avaient dépassé les limites initialement compactes, s'étendant dans plusieurs directions et formant des parcelles d'expansion éloignées des zones centrales, reflétant des schémas typiques d'expansion externe et des tendances de diffusion multipolaire. Conformément à ces schémas d'expansion, la Figure 2B montre en 2020 un gradient marqué du centre vers la périphérie en matière de couverture des surfaces imperméables dans la zone d'étude. Les valeurs les plus élevées ont été observées dans les zones urbaines centrales et les zones bâties adjacentes, indiquant que l'intensité d'imperméabilisation et l'intensité de développement étaient maximales dans les zones fonctionnelles centrales. Bien que les zones périphériques aient conservé une couverture globale relativement faible, plusieurs zones à forte valeur sont apparues le long des corridors de transport et des nœuds urbains secondaires, montrant que l'imperméabilisation s'était étendue au-delà des centres urbains par des effets de débordement du développement vers les zones environnantes. La Figure 2C révèle que les régions ayant enregistré les plus fortes augmentations d'intensité lumineuse nocturne entre 2000 et 2020 étaient principalement concentrées dans les zones urbaines centrales, le long des principaux axes de transport radiaux s'étendant vers l'extérieur, ainsi que sur plusieurs nœuds de croissance périphériques.
Du point de vue temporel, Figure 2D résume davantage les tendances ascendantes constantes des trois indicateurs d'urbanisation des terres entre 2000 et 2020. Afin de faciliter la comparaison directe entre les indicateurs ayant des unités et des échelles intrinsèques différentes, les valeurs brutes de chaque indicateur ont été normalisées selon une méthode de normalisation min-max, les ramenant à une plage uniforme de 0 à 1 :
Après cette procédure de normalisation, la proportion des zones bâties a conservé le taux de croissance relative le plus élevé (la moyenne régionale brute passant de 3,2 % ± 1,4 % écart-type en 2000 à 8,7 % ± 3,1 % écart-type en 2020), indiquant que l'expansion du développement des terres constituait la manifestation spatiale la plus directe durant cette période. La proportion des surfaces imperméables a augmenté rapidement (de 2,8 % ± 1,2 % écart-type en 2000 à 7,9 % ± 2,8 % écart-type en 2020), reflétant un durcissement significatif des surfaces associé aux nouvelles zones de développement. Bien que l'intensité de l'éclairage nocturne ait commencé à un niveau relativement bas, sa croissance est devenue plus marquée par la suite, indiquant une augmentation accélérée de la concentration des activités humaines et un renforcement fonctionnel.
Figure 2 : Schémas d'évolution spatiotemporelle de l'urbanisation des sols. (A) Trajectoires d'expansion par phases des terres constructibles (2000–2020) ; (B) Répartition spatiale du taux de couverture des surfaces imperméables en 2020 (%) ; (C) Variations de l'intensité de la lumière nocturne (NTL) entre 2000 et 2020 (nW/cm2/sr). (D) Tendances temporelles des trois indicateurs principaux de l'urbanisation des sols examinés dans cette étude (surface bâtie, fraction de surface imperméable et intensité de la lumière nocturne). Les courbes de tendance représentent les moyennes régionales des valeurs d'indice normalisées min-max (échelle de 0 à 1 pour une visualisation comparative), calculées sur l'ensemble des n = 105 unités administratives au niveau départemental présentes dans la zone d'étude. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Les résultats relatifs aux changements historiques d'utilisation des sols révèlent davantage les processus spécifiques d'urbanisation des terres. Le diagramme de transfert des terres présenté dans Figure 3A indique que la conversion la plus importante au cours de la période étudiée s'est faite des terres agricoles vers des zones constructibles, tendance prédominante parmi tous les principaux axes de conversion. Bien que certaines forêts, prairies et plans d'eau aient également subi des transformations à des degrés divers, l'ensemble du phénomène est marqué par un flux sortant majoritaire en provenance des terres agricoles. Parallèlement, des échanges bidirectionnels ont été observés entre les terres agricoles et les forêts, ainsi qu'entre les prairies et d'autres types de sols, ce qui montre qu'au milieu d'un développement rapide, les systèmes d'utilisation des sols connaissent une réorganisation multiphysionomique induite par l'expansion urbaine, plutôt qu'une évolution unidirectionnelle. Toutefois, l'analyse des motifs de distribution spatiale et des largeurs de flux révèle que les zones constructibles restent la catégorie principale de flux net entrant, confirmant ainsi davantage le rôle prépondérant de l'expansion des constructions dans la zone étudiée au cours des deux dernières décennies.
L'analyse matricielle de la Figure 3B fournit une représentation plus quantitative de l'intensité de conversion des terres au cours de différentes périodes. Les zones à forte valeur sont principalement concentrées dans les unités de conversion liées aux terres agricoles, la conversion la plus importante allant des terres agricoles vers des terres constructibles, ce qui indique que l'utilisation non agricole des terres agricoles constitue la manifestation principale du changement d'affectation des sols dans la zone étudiée. Une proportion considérable des terres constructibles conserve également une continuité et une stabilité spatiales au sein de leurs limites, reflétant l'expansion continue des zones d'aménagement existantes tout en préservant une forte intégrité spatiale. En revanche, bien que l'ampleur des conversions des terres forestières, des prairies et des masses d'eau reste relativement faible, l'empiètement localisé des terres constructibles sur ces espaces écologiques mérite une attention particulière.
Au niveau du motif paysager, la figure 3C montre une augmentation soutenue des indices paysagers entre 2000, 2010 et 2020, la densité de parcelles, la densité de bordure, l'indice de forme du paysage et l'indice de fragmentation atteignant tous un maximum en 2020. Cela indique qu'avec l'avancée de l'urbanisation, la structure paysagère de la zone d'étude a évolué depuis un motif initialement relativement intact et bien défini vers une configuration spatiale plus fragmentée, complexe et discontinue. Notamment, l'augmentation de la densité de bordure et de la complexité de la forme caractérise quantitativement une configuration géométrique plus irrégulière et complexe des parcelles de terres constructibles nouvellement étendues.
Figure 3 : Changements historiques d'occupation des sols et restructuration de la configuration paysagère. (A) Diagramme de Sankey illustrant les flux de transition d'occupation des sols à haute résolution et les principaux itinéraires de conversion entre 2000 et 2020. (B) Matrice de conversion des occupations des sols quantifiant la surface spatiale de transition entre les six classes d'occupation des sols (km2). (C) Graphique en radar représentant l'évolution des indices paysagers clés (densité de taches, densité de bordures, indice de forme du paysage et indice de fragmentation) pour les années 2000, 2010 et 2020. Toutes les étiquettes et valeurs de flux ont été ajustées pour une lisibilité optimale. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Conception de scénarios de planification écologique et simulation d'affectation des sols
Lorsqu'ils sont combinés aux règles de contrôle de scénario établies dans le Tableau 2, les résultats de simulation d'affectation des sols selon différentes orientations de planification écologique montrent des profils de différenciation nettement distincts. Le scénario de développement naturel tend à maintenir l'inertie historique d'expansion, tandis que le scénario de protection écologique met l'accent sur des contraintes strictes concernant les limites rouges écologiques et les zones sensibles. Le scénario de protection des terres arables privilégie le maintien de la continuité spatiale des zones agricoles, alors que le scénario d'optimisation bas carbone insiste sur un développement équilibré entre une urbanisation compacte et une coordination écologique. Ces résultats indiquent que les variations des règles de planification modifient quantitativement la surface simulée des nouveaux territoires construits et réorganisent la répartition spatiale des parcelles écologiques et agricoles dans les quatre scénarios.
En se concentrant sur le sous-ensemble représentatif d'Ürümqi, les résultats de simulation spatiale du modèle PLUS indiquent que le scénario de développement naturel (ND), illustré dans la Figure 4A, présente la tendance la plus marquée à l'expansion des constructions. Les nouvelles zones bâties s'étendent principalement à partir de la périphérie des zones urbanisées existantes, formant de vastes zones d'extension dans plusieurs directions, ce qui montre que la croissance urbaine reste essentiellement une expansion latérale sous des contraintes réglementaires faibles. Ce modèle d'expansion empiète directement sur les terres agricoles et les zones écologiques de transition entourant les zones urbaines centrales, fragmentant davantage les limites des zones urbanisées. En revanche, le scénario de protection écologique (EP) représenté dans la Figure 4B montre une utilisation nettement réduite de nouvelles terres à bâtir, l'expansion étant limitée à un petit nombre de parcelles exploitables proches des zones urbaines centrales, tandis que les forêts périphériques, les corridors aquatiques et les zones tampons écologiques restent largement préservés.
En ce qui concerne la coordination entre protection agricole et développement, le scénario de protection des terres cultivées (CP) illustré dans la Figure 4C présente des contraintes spatiales distinctes de celles du scénario EP. Dans ce scénario, de vastes terres cultivées périphériques restent largement intactes, les nouvelles constructions étant principalement concentrées aux limites des zones bâties existantes et des nœuds de développement localisés, ce qui traduit une intensité de croissance intermédiaire entre les scénarios ND et EP. En revanche, le scénario d'optimisation bas carbone (LC) présenté dans la Figure 4D montre un modèle de croissance plus compact. Les nouvelles surfaces constructibles ne s'étendent pas largement vers l'extérieur, mais sont relativement concentrées le long des principaux axes de développement et aux périphéries des zones bâties existantes, mettant en évidence des limites d'expansion directionnelles et des configurations spatiales plus régulières.
Figure 4 : Répartition spatiale des scénarios d'utilisation des sols futurs simulés par PLUS selon différents scénarios de planification écologique, illustrée à l’aide du sous-ensemble métropolitain d’Ourgou. (A) Scénario de développement naturel (ND), montrant l’inertie de l’expansion historique. (B) Scénario de protection écologique (EP), mettant l’accent sur des contraintes spatiales strictes. (C) Scénario de protection des terres agricoles (CP), privilégiant la continuité agricole. (D) Scénario d’optimisation à faible carbone (LC), reflétant des modèles de croissance compacte. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Évaluation des stocks de carbone
Tableau 3 présente les paramètres de densité de carbone de base selon les types d'utilisation des terres. Les terres forestières ont enregistré la densité totale de carbone la plus élevée (144,9 Mg C/ha), principalement due au carbone organique du sol (94,5 Mg C/ha) et à la biomasse aérienne (36,8 Mg C/ha). Les prairies et les terres agricoles affichent des densités totales de carbone modérées, respectivement de 88,9 Mg C/ha et 82,1 Mg C/ha. En revanche, les surfaces artificielles et non végétalisées ont produit des valeurs nettement plus faibles, avec 29,4 Mg C/ha pour les zones bâties et 19,7 Mg C/ha pour les terres inutilisées.
Du point de vue des schémas d'évolution historique, Figure 5A illustre une réorganisation spatiale importante des stocks de carbone dans la zone d'étude entre 2000, 2010 et 2020. En 2000, les régions à forte densité de carbone étaient principalement concentrées dans les zones écologiques périphériques, présentant un ensemble un schéma de concentrations plus élevées en périphérie et de valeurs plus faibles en centre. En 2010, le stock total de carbone régional a d'abord diminué à mesure que l'expansion urbaine empiétait sur les espaces écologiques, bien que certaines zones périphériques localisées aient temporairement maintenu des niveaux élevés de stock de carbone. En 2020, cette tendance à la baisse s'est fortement accentuée ; le gradient de couleur global s'est éclairci et les zones à valeurs élevées se sont nettement réduites, indiquant une diminution continue et importante du stock total de carbone régional ainsi qu'une affaiblissement de la continuité spatiale des zones riches en carbone.
Comme illustré dans la Figure 5B, le scénario ND a produit la densité de carbone médiane la plus faible (72,4 Mg C/ha, IQ = 14,6 Mg C/ha). Les scénarios EP et CP ont produit des densités médianes plus élevées de 86,8 Mg C/ha (IQ = 12,3 Mg C/ha) et 81,2 Mg C/ha (IQ = 15,8 Mg C/ha), respectivement. La répartition spatiale des changements de stocks de carbone (ΔC) dans la Figure 5C indique que les pertes de carbone (ΔC négatif) sont géographiquement étendues dans le scénario ND. Inversement, les valeurs positives de ΔC sont concentrées dans les zones écologiques périphériques dans le scénario EP, tandis que le scénario LC présente une répartition spatialement hétérogène de gains et de pertes de carbone localisés.
Figure 5D révèle en outre la composition des sources du stock total de carbone et ses évolutions au cours des périodes historiques et des scénarios futurs, du point de vue des structures de contribution par type d'utilisation des sols. Les phases historiques et les projections montrent de manière cohérente que les forêts et les prairies restent les principales contributions au stock total de carbone, suivies par les terres arables, tandis que les terres à vocation de construction, les masses d'eau et les terres inutilisées contribuent relativement moins. La comparaison des scénarios futurs indique que le scénario EP atteint le stock total de carbone le plus élevé, tandis que le scénario ND présente le niveau le plus bas, les scénarios CP et LC se situant entre les deux. Ce schéma correspond étroitement aux degrés variables de préservation des surfaces écologiques à forte densité de carbone selon les différents scénarios.
Figure 5 : Dynamique historique et prospective des stocks de carbone. (A) Répartition spatiale du stock total de carbone (Tg C) et de la densité du stock de carbone (Mg C/ha) en 2000, 2010 et 2020. (B) Diagramme en violon de la distribution de la densité de carbone (Mg C/ha) selon différents scénarios. (C) Répartition spatiale des changements du stock de carbone (ΔC, Mg C/ha) dans les scénarios futurs par rapport à la situation de référence de 2020. (D) Contribution des différents types d'utilisation des terres au stock total de carbone (Tg C). Les diagrammes en violon illustrent la densité de probabilité de la densité du stock de carbone (n = 105 unités administratives par scénario). Les lignes horizontales épaisses internes indiquent la médiane, et les lignes en pointillés représentent l'intervalle interquartile (IIQ). Les astérisques dans le panneau B indiquent la significativité statistique des différences entre le scénario de développement naturel (ND) et les autres scénarios simulés, déterminée à l'aide du test de Kruskal-Wallis H (* p < 0,05, ** p < 0,01, *** p < 0,001). Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Autocorrélation spatiale et analyse économétrique spatiale
Du point de vue des schémas de regroupement spatial, Figure 6A révèle une autocorrélation spatiale locale significative dans les variations des stocks de carbone à travers la zone d'étude. Les zones de regroupement haut-haut sont principalement concentrées dans la ceinture centrale et septentrionale de développement intensif, indiquant que ces régions et les unités adjacentes présentent généralement des caractéristiques d'augmentation concomitante des stocks de carbone, avec une forte interconnexion spatiale. Les zones de regroupement bas-bas sont plus fréquentes dans les régions méridionales et périphériques, reflétant des amplitudes relativement faibles des variations des stocks de carbone ainsi qu'une stabilité spatiale. En revanche, les types de regroupement haut-bas et bas-haut sont relativement limités, apparaissant principalement entre les zones centrales et les zones de transition périphériques, suggérant des phénomènes marqués de désalignement spatial et de transition frontalière dans certaines zones localisées.
L'analyse des points chauds dans la Figure 6B révèle en outre le modèle de polarisation spatiale des changements de stock de carbone. Les points chauds significatifs sont principalement répartis dans plusieurs unités des régions centrale et nord-est, indiquant que ces zones subissent collectivement une forte pression en matière de perte de carbone et constituent des zones sensibles où les activités de développement foncier sont concentrées. En revanche, les points froids significatifs sont concentrés dans les régions ouest et sud, reflétant une capacité de rétention du stock de carbone plus élevée ou une perturbation liée au développement moindre. Par ailleurs, l'analyse de régression OLS bivariée présentée dans la Figure 6C montre que des augmentations plus importantes de l'indice d'urbanisation sont associées à des taux de changement de stock de carbone de plus en plus négatifs, indiquant des pertes de carbone progressivement plus importantes. Ceci est conforme aux coefficients SDM négatifs rapportés dans le Tableau 4.
Figure 6: Autocorrélation spatiale et analyse du couplage des stocks de carbone. (A) Motifs des indicateurs locaux d'association spatiale (LISA) des variations du stock de carbone ; la statistique finale de Global Moran's I et la valeur de p sont indiquées dans le panneau.B) Répartition des points chauds et des points froids des changements de stockage du carbone.C) Relation de couplage entre l'indice global d'urbanisation des terres et le taux de variation du stock de carbone. Le nuage de points montre une corrélation négative statistiquement significative (coefficient de corrélation de Pearson) r = -0.612, R2 = 0.375, p < 0,001), accompagné de l'équation de régression des moindres carrés ordinaires (OLS) affichée (y = -5,42× - 1,25) et d'un intervalle de confiance à 95 %, confirmant la relation empirique observée dans les modèles spatiaux. LISA = indicateurs locaux d'association spatiale. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Tableau 4 : Résultats d'estimation des modèles économétriques spatiaux. Ce tableau compare les résultats des modèles des moindres carrés ordinaires (MCO), autorégressifs spatialement (SAR), à erreur spatiale (SEM) et de Durbin spatiaux (SDM) concernant les effets des variables d'urbanisation, de planification écologique, de végétation, de facteurs socioéconomiques, d'accessibilité, de relief et de climat sur la densité du stock de carbone. Les valeurs-p sont indiquées entre parenthèses. Remarques : Les valeurs-p sont indiquées entre parenthèses. Niveaux de significativité : *p < 0,05, **p < 0,01, ***p < 0,001. Tous les modèles économétriques spatiaux (SAR, SEM, SDM) ont été estimés à l’aide d’une matrice de poids spatiaux de contiguïté de type « Queen » normalisée en lignes, basée sur un échantillon groupé équilibré de n = 105 unités au niveau des comtés sur 3 périodes (N total = 315 observations). Veuillez cliquer ici pour télécharger ce tableau.
Les résultats des mesures présentés dans le Tableau 4 démontrent que les modèles spatiaux surpassent le modèle de référence OLS, indiquant une dépendance spatiale dans la dynamique des stocks de carbone et appuyant l'utilisation de modèles économétriques spatiaux. L'indice d'urbanisation des terres présente un effet direct négatif dans le modèle SDM (−0,231, p = 0,008), un effet indirect (−0,117, p = 0,041) et un effet total (−0,348, p = 0,001), ce qui suggère qu'une intensification du développement est associée à une densité de stock de carbone plus faible à la fois localement et dans les unités voisines. La proportion de sol artificialisé, la densité routière, l'altitude, la pente, l'indice de végétation (NDVI) et l'intensité de la planification écologique présentent des effets statistiquement significatifs aux seuils conventionnels dans au moins une composante du modèle. La densité du PIB, en revanche, affiche un effet total légèrement négatif (−0,132, p = 0,083) ainsi que des effets directs et indirects non significatifs ; elle est donc interprétée comme une indication plutôt qu'une preuve robuste.
La comparaison des coefficients entre les modèles dans la Figure 7A indique que l'indice d'urbanisation des terres et l'intensité de la planification écologique conservent des signes cohérents à travers les spécifications MCO, SAR, SEM et SDM, tandis que les amplitudes et la significativité de certaines variables de contrôle varient selon les modèles. Comme indiqué en Figure 7B, C, les résultats du modèle SDM montrent que l'indice d'urbanisation des terres exerce un effet direct négatif significatif (-0,231, p = 0,008) et un effet de contagion indirect négatif (-0,117, p = 0,041) sur la densité de stockage du carbone, conduisant à un effet total de -0,348 (p = 0,001). Inversement, l'intensité de la planification écologique présente des effets directs positifs (0,149, p = 0,021) et indirects (0,096, p = 0,038), produisant un effet total de 0,245 (p = 0,005) (Tableau 5 et Tableau 6). En outre, l'analyse d'interaction dans la Figure 7D illustre l'effet modérateur : la pente négative de la courbe de l'effet marginal entre l'indice d'urbanisation et la densité de stockage du carbone s'aplatit de manière significative à des niveaux plus élevés d'intensité de planification écologique (borne supérieure de l'intervalle de confiance à 95 %).
Figure 7 : Mécanismes moteurs et effets de débordement spatiaux. (A) Comparaison des coefficients entre modèles pour les variables explicatives principales. Les barres d'erreur représentent les intervalles de confiance à 95 % (IC) des coefficients standardisés. (B) Décomposition des effets directs, indirects et totaux de l'urbanisation des terres et de la planification écologique. (C) Répartition spatiale empirique des effets indirects locaux de débordement de l'urbanisation des terres dans les 105 unités administratives de niveau comtal au Xinjiang. (D) Effet modérateur de l'intensité de la planification écologique sur la relation entre l'urbanisation et la densité de stockage du carbone (Mg C/ha), les zones ombragées indiquant l'IC à 95 %. SAR = modèle autorégressif spatial ; SEM = modèle d'erreur spatiale ; SDM = modèle de Durbin spatial. Les symboles de significativité dans le panneau B indiquent les valeurs p des coefficients estimés et des effets marginaux, dérivées des statistiques z des modèles économétriques spatiaux respectifs (* p < 0,05, ** p < 0,01, *** p < 0,001). Veuillez cliquer ici pour consulter une version agrandie de cette figure.
Tableau 5 : Performances du modèle et métriques de validation pour la simulation d'affectation des sols PLUS (réanalyse de 2010 à 2020). Les métriques ont été calculées en comparant la carte d'occupation des sols réelle de 2020 avec la carte d'occupation des sols simulée pour 2020 à l'aide des données de base de 2010. Un coefficient Kappa global > 0,80 et FoM > 0,20 indiquent un accord substantiel et une forte fiabilité pour les projections spatiales. Veuillez cliquer ici pour télécharger ce tableau.
Tableau 6 : Analyse de sensibilité et de robustesse du flux de travail intégré. Les paramètres clés des simulations PLUS, de l'évaluation carbone InVEST et des analyses économétriques spatiales ont été modifiés afin d'évaluer la robustesse des résultats du modèle. Le tableau résume le paramètre testé, la plage de perturbation ou la spécification alternative, l'impact observé sur les résultats principaux et l'évaluation de la stabilité qui en résulte. Veuillez cliquer ici pour télécharger ce tableau.
DISPONIBILITÉ DES DONNÉES :
Les matériaux informatiques traités soutenant cette étude, y compris les données tabulées sous-jacentes aux analyses quantitatives et aux figures sélectionnées, les paramètres de configuration du modèle PLUS, le tableau des paramètres des pools de carbone d'InVEST, ainsi que les scripts d'économétrie spatiale, ont été déposés dans le dépôt Zenodo (https://zenodo.org/records/21159171). Les matériaux informatiques déposés sont suffisants pour reproduire les analyses statistiques et les résultats quantitatifs présentés dans cette étude.
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 composantes comme des exercices techniques distincts, le flux de travail relie les conversions foncières observées, les alternatives de planification future, les conséquences sur les réserves de carbone et les mécanismes de débordement spatial dans une séquence unique et reproductible.
L’analyse spatiotemporelle révèle que l’urbanisation des terres dans la zone étudiée a suivi une trajectoire d’expansion centrifuge entre 2000 et 2020, passant d’une croissance compacte centrée sur les zones internes à une dispersion polycentrique et multidirectionnelle. Ce modèle correspond à la littérature plus large sur l’urbanisation, qui décrit un développement par sauts dans les régions en voie d’industrialisation rapide, où les investissements dans les infrastructures et l’agglomération économique repoussent simultanément les limites de l’urbanisation. De manière essentielle, le principal itinéraire de conversion des terres — des terres agricoles vers des zones bâties — confirme que les terres agricoles continuent d’absorber le fardeau le plus lourd de l’expansion urbaine, un résultat conforme à des études sur la dynamique foncière périurbaine en Chine et dans d’autres économies en développement. Toutefois, contrairement aux mégarégions fortement intégrées de l’est de la Chine, l’urbanisation au Xinjiang est strictement limitée par les frontières des oasis et la disponibilité en eau. Par conséquent, cette emprise urbaine menace de manière disproportionnée les terres arables limitées et les zones de transition écologique adjacentes aux corridors hydrologiques essentiels, rendant les processus locaux du cycle du carbone intrinsèquement plus vulnérables aux perturbations liées au développement. L’augmentation concomitante de la fraction de surfaces imperméables et de l’intensité lumineuse nocturne suggère en outre que l’expansion physique et l’intensification fonctionnelle progressent de pair, ce qui implique que l’urbanisation des terres dans ce contexte englobe non seulement une croissance réelle, mais aussi une transformation structurelle approfondie du paysage régional2.
Les résultats de la simulation de scénarios montrent que l'orientation de la planification écologique exerce une influence considérable sur la configuration spatiale de l'utilisation future des terres, et par conséquent, sur les stocks régionaux de carbone18. Le scénario de développement naturel entraîne les pertes de carbone les plus importantes, dues à une expansion incontrôlée vers des zones écologiques à forte densité de carbone. En revanche, le scénario de protection écologique maintient les niveaux de stock de carbone les plus élevés en imposant des exclusions spatiales strictes autour des forêts, des zones humides et des zones tampons fluviales19. Le scénario d'optimisation bas carbone, bien qu'il n'atteigne pas le niveau de rétention absolue du stock de carbone du scénario de protection écologique, parvient à un résultat plus équilibré en concentrant l'expansion le long des corridors de développement existants et en s'éloignant des zones écologiquement sensibles. Ces résultats différents soulignent un compromis fondamental en matière de planification : l'intensité et le ciblage spatial des contraintes écologiques déterminent directement la quantité de capital carbone qu'une région en développement rapide peut préserver face aux pressions de croissance20,21.
Les paramètres de stockage du carbone renforcent davantage cette interprétation. L'importante disparité entre la capacité de séquestration du carbone des espaces écologiques naturels et celle des surfaces artificielles indique que chaque unité de surface forestière perdue au profit de l'urbanisation représente un passif carbone disproportionné. La prédominance persistante des forêts et des prairies dans le bilan régional du carbone, combinée à leur vulnérabilité avérée face à l'expansion des zones bâties, fait de la protection des terres écologiques un pilier fondamental de toute stratégie de gouvernance spatiale bas carbone3.
Les résultats de l'économétrie spatiale complètent les découvertes issues de la télédétection et de l'outil InVEST en montrant que les pertes de stock de carbone ne sont pas uniquement des conséquences locales liées à la couverture des sols. Les résultats du modèle SDM indiquent que l'urbanisation des terres exerce un effet direct négatif significatif sur la densité locale du stock de carbone, accompagné d'un effet indirect négatif marqué sur les unités administratives voisines. L'effet indirect négatif de l'urbanisation des terres peut s'interpréter selon trois mécanismes plausibles transfrontaliers. Premièrement, la pression foncière peut être déplacée depuis des unités centrales fortement réglementées ou saturées vers des zones agricoles et des zones de transition écologique adjacentes. Deuxièmement, les corridors de transport et les chaînes industrielles peuvent transmettre la demande de développement foncier au-delà d'une seule limite administrative, entraînant des pertes de stock de carbone dans les unités voisines. Troisièmement, la fragmentation des corridors écologiques peut réduire la continuité des zones à forte teneur en carbone et affaiblir la capacité de stockage du carbone environnant. En revanche, l'intensité de la planification écologique présente un impact global nettement positif, indiquant que des contraintes de planification strictes non seulement limitent localement la perte de stock de carbone, mais renforcent également de façon synergique la rétention régionale du stock de carbone lorsque la gouvernance spatiale écologique est coordonnée à travers les limites administratives22,23.
Applications pour les politiques
Les résultats ont des applications directes pour l'aménagement spatial du territoire. Premièrement, les politiques de protection des zones écologiques prioritaires et des zones tampons fluviales devraient privilégier les parcelles forestières et les prairies à forte teneur en carbone, car leur conversion entraîne des pertes de stock de carbone disproportionnées. Deuxièmement, un développement compact et axé sur les transports peut réduire l'expansion urbaine sur les terres agricoles et les zones de transition écologique. Troisièmement, la compensation carbone et la restauration écologique doivent être coordonnées entre unités voisines, car l'effet indirect négatif indique que le développement d'une juridiction peut affecter les conditions de stock de carbone dans les zones environnantes. Enfin, le flux de travail combiné peut être utilisé comme outil de présélection avant l'approbation d'un plan d'aménagement du territoire, afin de comparer les résultats en matière de carbone selon différentes contraintes de planification.
Limites
Plusieurs limites doivent être reconnues. Les paramètres des stocks de carbone restent en partie basés sur la littérature et pourraient ne pas refléter pleinement l'hétérogénéité locale des sols, de la végétation et des pratiques de gestion. Bien que des vérifications de sensibilité aient été utilisées pour tester la stabilité des classements de scénarios, une calibration sur le terrain permettrait d'améliorer la fiabilité des estimations absolues des stocks de carbone. L'analyse économétrique spatiale réduit le biais de variable omise en intégrant des variables de contrôle relatives au relief, à l'accessibilité, à la végétation, au climat et aux facteurs socioéconomiques, mais des variables instrumentales valides n'étaient pas disponibles ; par conséquent, les coefficients doivent être interprétés comme des associations spatiales conditionnelles et non comme des effets causaux définitifs.
Directions futures
Les travaux futurs devraient intégrer des mesures locales de la biomasse et du carbone du sol, des données socio-économiques à plus haute résolution, des plans formels basés sur des variables instrumentales ou des conceptions quasi-expérimentales, ainsi que des modèles dynamiques de panels spatiaux afin de tester davantage les voies causales. Les applications futures devraient également présenter, dans des tableaux supplémentaires, les métriques de validation spécifiques aux classes, les plages de sensibilité des stocks de carbone et les résultats obtenus avec d'autres matrices de poids spatiaux, afin de permettre la reproduction indépendante des classements de scénarios et des estimations des effets de voisinage.
Conclusion
Cette étude démontre que le flux de travail intégrant la télédétection, PLUS, InVEST et les modèles économétriques spatiaux permet d'identifier les schémas d'urbanisation des terres, d'évaluer des scénarios de planification écologique, de quantifier les conséquences sur les stocks de carbone et de diagnostiquer les effets de retombée spatiale dans un cadre reproductible unique. Les résultats clés montrent que l'expansion historique des zones bâties a été principalement motivée par la conversion des terres agricoles, accompagnée d'augmentations significatives de l'imperméabilisation de surface et de l'intensité des activités humaines. Les simulations de scénarios confirment que les stratégies de protection écologique maximisent la rétention régionale de carbone, tandis que la modélisation économétrique spatiale établit que l'urbanisation des terres exerce à la fois des effets directs négatifs et des effets de retombée spatiale sur la dynamique des stocks de carbone. En définitive, ce flux de travail intégré fournit un cadre analytique solide et reproductible pour quantifier les compromis écologiques liés à l'expansion urbaine, et offre un outil diagnostique fondé sur des mécanismes pour l'évaluation spatiale dans les régions écologiquement fragiles.
Déclarations de divulgation
Les auteurs n'ont rien à divulguer.
Remerciements
Les auteurs n'ont reçu aucun financement spécifique pour ce travail.
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