Article de méthode

Projection de l'occupation des sols selon plusieurs scénarios et évaluation du stockage du carbone dans le paysage du patrimoine mondial de Yixian-Huangshan

11 vues

⸱

DOI :

10.3791/73148

⸱

1 octobre 2026

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

Auteurs correspondants : FuQiang Tan <tan-academic@hotmail.com>

Dans cet article

Résumé

Ce protocole présente un flux de travail reproductible pour la projection d'usages des terres dans plusieurs scénarios, l'évaluation du stockage du carbone et l'analyse des associations topographiques dans le paysage du site du patrimoine mondial Yixian–Huangshan.

Résumé

Les changements d'affectation des sols modifient le stockage terrestre du carbone, mais des flux de travail reproductibles pour évaluer ces changements selon différents scénarios restent limités dans les paysages du patrimoine mondial axés sur le tourisme. Ce protocole intègre un automate cellulaire de Markov personnalisé, une comptabilisation du carbone à quatre compartiments équivalente au cadre Integrated Valuation of Ecosystem Services and Tradeoffs, et un détecteur géographique basé sur des paramètres optimaux afin d’évaluer les changements d’affectation des sols et de stockage du carbone dans la région de Yixian et les zones adjacentes de Huangshan, dans le sud du Anhui, en Chine. Les cartes du jeu de données sur la couverture des sols en Chine pour les années 2005, 2010 et 2015 ont été utilisées pour l’étalonnage et la validation hors période. Quatre scénarios exploratoires — « Tendances actuelles », « Extension et développement du tourisme », « Priorité à la conservation écologique » et « Relance et dynamisation des villages » — ont été simulés pour les années 2030 et 2050. La validation effectuée sur 4 632 329 pixels valides a donné une exactitude globale de 96,61 %, un coefficient Kappa de 0,850 et une mesure de performance (Figure of Merit) de 0,107. Le stockage de carbone de base s’élevait à 59,505 téragrammes de carbone, les forêts contribuant à hauteur de 95,9 %. Les pertes projetées de carbone d’ici 2050 variaient de 5,01 % dans le scénario « Priorité à la conservation écologique » à 13,49 % dans le scénario « Extension et développement du tourisme ». Des perturbations appariées une par une ont confirmé le même ordre des scénarios. Le détecteur géographique basé sur des paramètres optimaux a identifié la pente, le relief et l’altitude comme étant les associations topographiques les plus fortes parmi celles évaluées. Les entrées, paramètres, sorties et scripts fournis permettent la reproductibilité ; toutefois, les scénarios doivent être interprétés comme des tests comparatifs de résistance plutôt que comme des prévisions étalonnées.

Introduction

Les écosystèmes terrestres stockent le carbone dans la végétation, le sol et la matière organique morte, contribuant ainsi à la régulation du climat1,2. La conversion des terres peut modifier rapidement ces stocks ; une évaluation spatialement explicite est donc essentielle pour la planification de l'utilisation des sols et la gestion du carbone.

L'étendue analytique dans le sud du Anhui englobe de vastes forêts subtropicales, des bassins agricoles et des zones associées aux biens du patrimoine mondial du mont Huangshan et de Xidi–Hongcun3,4. Les recherches sur la couverture des terres liée au patrimoine culturel, le tourisme dans les sites du patrimoine mondial et la conservation des villages traditionnels indiquent que l'état écologique, la pression des visiteurs et l'identité des lieux doivent être pris en compte de manière intégrée dans ce contexte5,6,7.

Les modèles de couverture des sols basés sur des scénarios transforment les transitions observées en projections spatialement explicites, et le bilan des stocks de carbone quantifie les conséquences de ces motifs. Des études antérieures ont combiné la simulation de l'utilisation des terres générant des taches (Patch-generating Land Use Simulation, PLUS) ou l'allocation par automate cellulaire–Markov (CA–Markov) avec le cadre d'évaluation intégrée des services écosystémiques et des compromis (Integrated Valuation of Ecosystem Services and Tradeoffs, InVEST) ainsi qu'avec le détecteur géographique basé sur des paramètres optimaux (OPGD) en Chine et dans d'autres paysages, y compris des applications intégrées récentes8,9,10,11,12,13,14,15,16,17,18,19,20. Ces études fournissent des précédents méthodologiques, bien que le simulateur utilisé ici soit une implémentation personnalisée d'automate cellulaire de Markov (Markov-CA) plutôt que PLUS.

Des recherches connexes ont évalué les trajectoires du carbone conditionnées par les politiques, couplé des modèles satellitaires et d'utilisation des terres, analysé le stockage du carbone sensible au relief, exploré des applications urbaines et universitaires, examiné la gestion du carbone dans les sols, étudié les transitions des terres agricoles, réalisé la cartographie forestière nationale et analysé la dépendance à l'échelle21,22,23,24,25,26,27,28,29,30,31,32,33,34. Collectivement, ces études soutiennent la comparaison entre plusieurs scénarios tout en démontrant que les conclusions dépendent de l'échelle des données, des transitions de classes, des paramètres du carbone et des hypothèses de politique modélisées. L'implémentation personnalisée utilisée dans la présente étude fournit un flux de travail transparent dans lequel la matrice de transition, les multiplicateurs de scénario, la procédure d'allocation, la recherche de densité de carbone, l'analyse de sensibilité et l'analyse d'association topographique peuvent être examinées au sein d'un cadre unique et reproductible. Dans cette étude, la valeur pratique du flux de travail personnalisé réside dans le fait que la matrice de transition, les paramètres de scénario, les règles d'allocation des pixels, la validation, l'analyse de sensibilité, la comptabilisation du carbone et l'analyse d'association topographique sont mises en œuvre et documentées dans un cadre computationnel reproductible. Cette structure permet d'inspecter et de reproduire les hypothèses et les étapes analytiques intermédiaires utilisées dans l'analyse des scénarios. Étant donné que le flux de travail n'a pas été directement comparé à PLUS ou à d'autres implémentations CA–Markov, aucune affirmation de précision, d'efficacité ou de performance prédictive supérieure n'est formulée.

Les recherches sur les contrôles topographiques et édaphiques, la persistance géomorphique du carbone dans les sols, les effets d'échelle spatiale, les applications de l'OPGD, la productivité de Huangshan, les métriques de paysage, les zones humides et le carbone forestier appuient davantage une interprétation prudente, fondée sur des associations, des effets du relief35,36,37,38,39,40,41,42,43,44. Dans ce contexte, l'objectif général de la présente méthode est de fournir un flux de travail transparent et reproductible pour la projection d'usages des sols dans plusieurs scénarios, l'évaluation du stockage du carbone et l'analyse des associations topographiques dans le paysage du site du patrimoine mondial Yixian–Huangshan. Le flux de travail utilise une implémentation personnalisée de Markov-AC avec une comptabilisation du carbone équivalente à InVEST en quatre compartiments et l'OPGD, valide le modèle en dehors de la période 2005–2015, et réalise une analyse de sensibilité à un facteur à la fois comprenant 28 exécutions. Les rasters joints, les règles de scénario, la matrice de confusion, les fichiers d'environnement et les scripts permettent une inspection et une reproduction directes du flux de travail de simulation personnalisé. Ce flux de travail est destiné à des applications utilisant des rasters catégoriels d'occupation des sols compatibles, des paramètres spécifiques aux classes pour la densité de carbone et des données topographiques appropriées, lorsque l'objectif est une évaluation comparative de scénarios plutôt qu'une prévision spatiale précise.

Cette étude avait trois objectifs : (1) simuler l'utilisation des terres pour les années 2030 et 2050 selon les scénarios de référence (BAU), d'expansion et de développement touristique (TED), de priorité à la conservation écologique (ECP) et de revitalisation et d'activation des villages (VRA) ; (2) quantifier le stockage du carbone à l'aide d'une table de correspondance complète comprenant neuf classes et quatre réservoirs ; et (3) évaluer les associations individuelles et conjointes de l'altitude, de la pente, de l'orientation nord et du relief topographique avec la densité de carbone de 20158,9,10. Ces objectifs intègrent la projection de l'occupation des sols, la comptabilisation du carbone et l'analyse des relations avec le relief dans un flux de travail unique et reproductible, tout en conservant la distinction entre les résultats simulés de l'occupation des sols et les associations statistiques avec les variables topographiques.

Les étiquettes de scénario indiquent des hypothèses comparatives plutôt que des prévisions ajustées ou des plans réglementaires codifiés. En conséquence, la méthode est surtout adaptée à la comparaison reproductible d'hypothèses alternatives d'utilisation des terres et de leurs résultats associés en matière de stockage du carbone, plutôt qu'à l'interprétation des cartes obtenues comme des prédictions calibrées de l'utilisation future des terres.

Protocole

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

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

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

1. Study area

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

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

2. Data sources

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

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

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

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

4. Configure scenarios, sensitivity tests, and future simulations

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

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

5. Calibrate and validate the land-use model

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

6. Calculate carbon storage

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

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

7. Detect topographic associations with OPGD

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

Résultats

Répartition spatiale et dynamique temporelle des utilisations des sols

Le flux de travail analytique, l'étendue de l'étude et les jeux de données d'entrée principaux sont résumés dans Figure 1, Figure 2 et Table 1, respectivement. Figure 1 présente le flux de travail en sept étapes utilisé pour la projection d'affectation des sols, la validation, la comptabilisation du carbone et l'analyse des associations topographiques. Figure 2 montre l'emplacement et l'étendue analytique de la zone d'étude. Table 1 résume la couverture temporelle, la résolution spatiale, la provenance et le rôle analytique des jeux de données spatiaux et tabulaires principaux. La comparaison entre la simulation de 2015 et le CLCD observé de 2015, sur 4 632 329 pixels valides, a donné un OA = 96,61 %, un Kappa = 0,850 et un FoM = 0,107. L'accord était principalement dû aux surfaces stables de forêt et de terres agricoles, tandis que le FoM, centré sur les changements, indiquait une précision limitée dans la reproduction des localisations des changements. La validation soutient donc une analyse comparative de scénarios plutôt qu'une prévision spatiale précise. Supplementary Table 1 (worksheet S3) fournit les indicateurs de validation, les détections de changement, les omissions, les fausses alarmes et la matrice de confusion complète. L'archive contient la couche raster de validation et le script exact utilisé pour le calcul.

Dans les 28 simulations de sensibilité, chaque perturbation appariée a préservé le classement ECP > BAU > VRA > TED. Les fourchettes de perte de carbone étaient de 4,22 à 5,86 % pour ECP, de 6,87 à 8,55 % pour BAU, de 6,99 à 9,61 % pour VRA, et de 10,45 à 15,84 % pour TED. Les intervalles BAU et VRA se chevauchent ; par conséquent, l'interprétation se limite à un ordre apparié plutôt qu'à une séparation complète des plages de température ambiante extérieure (OAT). Les résultats complets de l'analyse de sensibilité sont fournis dans Tableau supplémentaire 1 (feuille de calcul S4), et Figure supplémentaire 1. La matrice opérationnelle 2010–2015, fournie dans Tableau supplémentaire 1 (feuille de calcul S1), ont montré des probabilités de rétention de 98,23 % pour la forêt, de 94,66 % pour les terres agricoles et de 99,43 % pour les surfaces imperméables. Les plus grandes transitions hors diagonale étaient celles des terres agricoles vers les surfaces imperméables (3,39 %), des terres agricoles vers la forêt (1,71 %) et de la forêt vers les terres agricoles (1,71 %). Sur la même période, la couverture forestière a diminué de 87,63 % à 86,27 %, tandis que les terres agricoles ont augmenté de 10,99 % à 11,92 % et les surfaces imperméables ont augmenté de 1,08 % à 1,50 %. Figure 3A, B présente les schémas d'utilisation des terres observés en 2010 et en 2015, respectivement, et Figure 4 présente les classes de changement correspondantes sans inférer de facteurs de changement qui n'ont pas été inclus dans l'analyse.

figure-results-1
Figure 3. Schémas d'utilisation des terres observés dans le paysage de Yixian–Huangshan en 2010 et 2015. Cartes issues du jeu de données sur la couverture terrestre de Chine (CLCD) montrant la répartition spatiale de neuf classes d'utilisation des terres dans l'étendue d'analyse. (A) Utilisation des terres observée en 2010. (B) Utilisation des terres observée en 2015. Les classes d'utilisation des terres comprennent les terres agricoles, les forêts, les buissons, les prairies, les surfaces d'eau, la neige/la glace, les terres arides, les surfaces imperméables et les zones humides. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

figure-results-2
Figure 4. Changements observés d'utilisation des terres dans le paysage de Yixian–Huangshan entre 2010 et 2015. La carte montre la répartition spatiale des forêts stables, des pertes forestières, des gains forestiers et des surfaces imperméables nouvellement développées entre les cartes du jeu de données sur la couverture des terres de Chine pour 2010 et 2015. Les zones blanches représentent les emplacements non classés dans ces quatre catégories de changement affichées. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Caractéristiques du terrain et hétérogénéité topographique

Dans le masque valide, l'altitude variait de 82,3 à 1 830,3 m (moyenne, 388,0 m), la pente de 0 à 87,3° (moyenne, 22,4°), la nordicité de −1 à 1, et le relief topographique de 3,2 à 1 398,2 m (moyenne, 230,0 m). Le relief a été défini comme la variation d'altitude locale dans un voisinage circulaire de 450 m de rayon, mis en œuvre avec une empreinte de 31 × 31 pixels. Figure 5A–D montre respectivement l'altitude, la pente, la nordicité et le relief topographique. Ces couches caractérisent la variation spatiale du terrain ; tout mécanisme écologique correspondant est considéré comme une hypothèse plutôt qu'un résultat causal35,36,37,38,39,40,41,42,43,44.

figure-results-3
Figure 5. Variables topographiques utilisés dans l'analyse d'association. Répartitions spatiales des quatre variables topographiques sur l'étendue d'analyse : (A) altitude, exprimée en mètres ; (B) pente, exprimée en degrés ; (C) orientation nord, exprimée sur une échelle de −1 à 1 ; et (D) relief topographique, exprimé en mètres. Ces variables ont été utilisées dans l'analyse géodétecteur basée sur les paramètres optimaux afin d'évaluer leurs associations individuelles et conjointes avec la densité de carbone de 2015. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Projections d'utilisation des terres multi-scénarios

La matrice de transition commune et les paramètres des scénarios résumés dans le Tableau 2 ont produit des trajectoires agrégées distinctes à l’aide des identifiants numériques des classes d’occupation des sols fournis dans le Tableau supplémentaire 2. Le Figure 6 présente les parts observées et projetées de forêt, de terres agricoles et de surfaces imperméables, tandis que le Figure 7A–D montre respectivement les projections spatiales des scénarios tendanciel (BAU), de développement équilibré (TED), de protection écologique (ECP) et d’aménagement rationnel (VRA) pour 2030, et le Figure 7E–H présente les projections correspondantes pour 2050. D’ici 2050, la couverture forestière devrait représenter 78,0 % dans le scénario BAU, 74,6 % dans le scénario TED, 80,3 % dans le scénario ECP et 78,2 % dans le scénario VRA ; les parts correspondantes de surfaces imperméables étant respectivement de 6,3 %, 17,6 %, 2,8 % et 9,0 %. Par rapport aux observations de 2015, l’expansion projetée des surfaces imperméables s’élèverait à environ 202 km2 dans le scénario BAU, 675 km2 dans le scénario TED, 57 km2 dans le scénario ECP et 317 km2 dans le scénario VRA. Ces valeurs sont des résultats de tests de résistance plutôt que des prévisions ajustées. Les changements projetés sont spatialement regroupés car le classement des candidats utilise les effectifs de voisinage de la classe cible et que la conversion des non-terres agricoles en surfaces imperméables est limitée aux cellules périphériques. Le modèle ne comprend aucune couche de corridor de transport, de nœud villageois, de zone protégée, de frontière écologique rouge, ou de planification réglementaire ; par conséquent, l’alignement apparent avec des infrastructures spécifiques ou des zones réglementées ne représente pas un effet intégré.

figure-results-4
Figure 6. Parts observées et projetées des principales classes d'utilisation des sols selon quatre scénarios. Le pourcentage de la zone d'étude occupée par les forêts, les terres agricoles et les surfaces imperméables est indiqué pour les années observées 2005, 2010 et 2015, ainsi que pour les projections à l'horizon 2030 et 2050 selon les scénarios Business As Usual (BAU), Expansion et développement du tourisme (TED), Priorité à la conservation écologique (ECP) et Revitalisation et dynamisation des villages (VRA). Les barres représentent la part modélisée de la superficie totale de la zone d'étude pour chaque classe d'utilisation des sols ; les barres d'erreur ne s'appliquent pas, car les valeurs sont des sorties déterministes des scénarios et non des estimations basées sur des réplicats. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

figure-results-5
Figure 7. Répartition spatiale projetée des types d'utilisation des sols selon quatre scénarios en 2030 et 2050. Répartition projetée des types d'utilisation des sols selon les scénarios « Tel que prévu » (BAU), « Expansion et développement du tourisme » (TED), « Priorité à la conservation écologique » (ECP) et « Revitalisation et dynamisation des villages » (VRA). (A–D) Projections respectives des scénarios BAU, TED, ECP et VRA pour 2030. (E–H) Projections respectives des scénarios BAU, TED, ECP et VRA pour 2050. Les classes d'utilisation des sols comprennent les terres agricoles, les forêts, les brousses, les prairies, les surfaces d'eau, les neiges/glaces, les terres stériles, les surfaces imperméables et les zones humides. Toutes les simulations selon les différents scénarios ont été initialisées à partir de la carte CLCD observée en 2015 ; par conséquent, les cellules sans transition simulée d'utilisation des sols conservent leur classe d'utilisation des sols de 2015 ainsi que leur configuration spatiale de base. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Dynamique du stockage du carbone selon des projections multicritères

L'application de la recherche complète à quatre compartiments présentée dans le Tableau 3 a donné un résultat de 59,505 Tg C pour l'année 2015, ce qui correspond à une densité moyenne de 142,73 Mg C ha−1. La forêt représentait 57,04 Tg C (95,9 %), tandis que les terres agricoles représentaient 2,37 Tg C (4,0 %). Les surfaces imperméables ont apporté une contribution faible mais non nulle, car la source adoptée attribue à cette classe 9,28 Mg C ha−1. Au sein de la classe forêt, les compartiments sol, biomasse aérienne, biomasse souterraine et matière organique morte représentaient respectivement 53,5 %, 33,8 %, 10,9 % et 1,8 % du carbone total31,32,33,34,44,47. Tous les scénarios prévoient un stockage de carbone inférieur en 2050 par rapport à 2015. Le stockage projeté s'élève à 54,895 Tg C dans le scénario BAU (perte de 7,75 %), à 51,475 Tg C dans le scénario TED (13,49 %), à 56,523 Tg C dans le scénario ECP (5,01 %) et à 54,540 Tg C dans le scénario VRA (8,34 %). La différence entre ECP et TED s'élève à 5,048 Tg C. Ces écarts résultent des paramètres numériques imposés et n'estiment pas les effets de politiques nommées. Le Figure 8A présente le stockage total de carbone en 2015 ainsi que les projections des scénarios pour 2030 et 2050 ; le Figure 8B présente les densités moyennes de carbone correspondantes ; le Figure 8C présente la perte de carbone d'ici 2050 par rapport à la référence de 2015 ; et le Figure 8D montre la relation entre la part projetée de forêt et la perte de carbone. Les valeurs sont des sorties déterministes de scénarios, et non des estimations basées sur des réplicats.

figure-results-6
Figure 8. Stockage de carbone projeté et sa relation avec la couverture forestière selon quatre scénarios d'utilisation des terres. (A) Stockage total de carbone en 2015 et projections pour 2030 et 2050 selon les scénarios « Tendances actuelles » (BAU), « Expansion et développement touristique » (TED), « Priorité à la conservation écologique » (ECP) et « Relance et dynamisation des villages » (VRA), exprimé en téragrammes de carbone (Tg C). (B) Densité moyenne de carbone pour les années et scénarios correspondants, exprimée en mégagrammes de carbone par hectare (Mg C ha-1). (C) Pourcentage de perte du stockage total de carbone d'ici 2050 par rapport à la valeur de référence de 2015 pour chaque scénario. (D) Relation entre la part projetée des forêts dans la zone d'étude en 2050 et la perte en pourcentage de carbone par rapport à 2015 pour chaque scénario. Les valeurs correspondent aux sorties déterministes des scénarios ; les barres d'erreur ne s'appliquent pas. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Associations topographiques avec l'hétérogénéité spatiale du stockage du carbone

Le détecteur de facteurs OPGD a classé la pente en premier (q = 0,557), suivie du relief topographique (q = 0,460), de l'altitude (q = 0,352) et de l'orientation nord (q = 0,003), comme indiqué dans Figure 9A. Avec 999 permutations, la p-valeur de permutation pour chaque facteur était de 0,001, la valeur minimale atteignable ; les p-valeurs du test F analytique étaient également inférieures à 0,001. Les statistiques complètes des détecteurs de facteurs et d'interactions, incluant les intervalles de discrétisation optimisés ainsi que les p-valeurs analytiques et de permutation, sont fournies dans le tableau supplémentaire 3. La signification statistique est distinguée de l'ampleur de l'effet : l'association avec l'orientation nord était négligeable en pratique, et toutes les valeurs q représentent des associations au sein des quatre variables de terrain évaluées, et non des effets causaux10,40. Toutes les paires de facteurs ont produit des valeurs q d'interaction supérieures à la plus grande des valeurs q individuelles. Les interactions les plus fortes étaient pente ∩ relief (q = 0,628), altitude ∩ pente (q = 0,618) et altitude ∩ relief (q = 0,510), comme indiqué dans Figure 9B. Ces valeurs indiquent des associations stratifiées plus fortes pour les facteurs appariés, mais n'établissent pas de mécanisme géomorphologique, car le sol, le climat, l'âge de la forêt, la gestion et l'accessibilité n'ont pas été modélisés.

figure-results-7
Figure 9. Associations topographiques avec la densité de carbone en 2015 identifiées à l’aide du détecteur géographique basé sur les paramètres optimaux. (A) Statistiques q du détecteur de facteurs pour l'altitude, la pente, l'orientation nord et le relief topographique. Les valeurs q respectives sont de 0,3518, 0,5571, 0,0031 et 0,4600 ; les tests de permutation ont donné p = 0,001. (B) Valeurs q du détecteur d'interaction pour les combinaisons par paires des quatre variables topographiques. Des valeurs q plus élevées indiquent des associations statistiques plus fortes avec la répartition spatiale de la densité de carbone en 2015. OPGD, détecteur géographique basé sur les paramètres optimaux. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Résultats globaux

Figure 10A–D résume les résultats principaux du flux de travail : la part projetée de forêt, le stockage total de carbone, la hiérarchie des associations topographiques et les principaux indicateurs quantitatifs, respectivement. La base analytique de 2015 contenait 59,505 Tg C. Selon les quatre jeux de paramètres exploratoires, les pertes projetées d'ici 2050 variaient de 5,01 % à 13,49 %, et tous les cas de sensibilité correspondants ont conservé l'ordre ECP > BAU > VRA > TED. La pente et le relief présentaient les associations topographiques les plus fortes évaluées. Étant donné que FoM = 0,107 et que des couches de planification explicite, socioéconomiques et climatiques ont été omises, les résultats soutiennent une évaluation régionale comparative plutôt qu'une prédiction spatiale déterministe.

figure-results-8
Figure 10. Résumé des résultats projetés en matière d'utilisation des terres et de stockage du carbone, ainsi que des associations topographiques. (A) Part projetée de la forêt dans la zone d'étude en 2030 et 2050 selon les scénarios « Business As Usual » (BAU), « Tourism Expansion and Development » (TED), « Ecological Conservation Priority » (ECP) et « Village Revitalization and Activation » (VRA) ; la ligne en pointillés indique la part de forêt de référence en 2015. (B) Stockage total de carbone en 2015 et projections pour 2030 et 2050 selon les quatre scénarios, exprimé en téragrammes de carbone (Tg C). (C) Classement de l'altitude, de la pente, de l'orientation au nord et du relief topographique selon les statistiques q obtenues à l'aide du détecteur géographique basé sur les paramètres optimaux (OPGD), les valeurs q plus élevées indiquant des associations statistiques plus fortes avec la densité de carbone en 2015. (D) Résumé des principaux indicateurs quantitatifs, incluant le stockage et la densité de carbone de référence, la fourchette projetée de pertes de carbone en 2050, la différence de stockage de carbone entre les scénarios ECP et TED, les métriques de validation, et l'association topographique la plus forte évaluée. OA, exactitude globale ; FoM, indice de performance ; Mg C ha-1, mégagrammes de carbone par hectare. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure supplémentaire 1. Analyse de sensibilité un paramètre à la fois du stockage du carbone en 2050 selon quatre scénarios d'utilisation des terres. (A) Stockage nominal du carbone en 2050 et plage complète de sensibilité OAT pour les scénarios BAU, TED, ECP et VRA. Les points indiquent les valeurs nominales des scénarios, et les plages verticales indiquent les valeurs minimales et maximales de stockage du carbone obtenues en multipliant l'un des paramètres dev, fp ou af par 0,5 ou 1,5, les autres paramètres étant maintenus constants. (B) Variation du stockage du carbone en 2050 par rapport à la valeur nominale du scénario correspondant après des perturbations de 0,5× et 1,5× appliquées à dev, fp et af. Les valeurs supérieures à zéro indiquent un stockage du carbone plus élevé que dans le cas nominal, tandis que les valeurs inférieures à zéro indiquent un stockage moindre. Les plages représentent des perturbations déterministes un paramètre à la fois et ne correspondent pas à des intervalles de confiance probabilistes.Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 1. Matrice de transition d'utilisation des terres, paramétrage des scénarios, validation du modèle et résultats de l'analyse de sensibilité un paramètre à la fois. Le classeur contient quatre feuilles de calcul : S1, la matrice de transition opérationnelle de l'utilisation des terres entre 2010 et 2015 ; S2, les valeurs des paramètres, les règles appliquées et les seuils d'interprétation pour les quatre scénarios ; S3, la matrice de confusion 9 × 9 et les résultats associés de la validation du modèle ; et S4, les résultats nominaux et de sensibilité obtenus en faisant varier dev, fp et af à 0,5× et 1,5×, les autres paramètres étant maintenus constants. Les plages de sensibilité représentent des perturbations déterministes des paramètres et ne correspondent pas à des intervalles de confiance probabilistes.Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 2. Identifiants des classes d'occupation des sols utilisés dans le flux de travail informatique. Ce tableau énumère les identifiants numériques des classes et les classes correspondantes d'occupation des sols utilisées dans les analyses raster. La classe 0 désigne l'absence de données (NoData) en dehors du masque de la zone d'étude valide ; les classes 1 à 9 désignent respectivement les terres agricoles, les forêts, les buissons, les prairies, l'eau, la neige/la glace, les zones stériles, les surfaces imperméables et les zones humides.Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 3. Résultats des détecteurs de facteurs et d'interactions OPGD pour la densité de carbone en 2015. Ce tableau présente les statistiques q optimisées, les nombres d'intervalles de discrétisation, les valeurs p du test F analytique et les valeurs p de permutation basées sur 999 permutations pour l'altitude, la pente, l'orientation nord et le relief topographique. Les résultats d'interaction par paires indiquent la statistique q d'interaction, les statistiques q des facteurs individuels et la classification de l'interaction. Les statistiques rapportées représentent des associations spatiales et n'établissent pas d'effets causaux.Veuillez cliquer ici pour télécharger ce fichier.

Note complémentaire 1. Descriptions panneau par panneau, sources des données et notes d'interprétation pour les figures du manuscrit. Cette note identifie le contenu et la source des données sous-jacentes pour chaque panneau des figures et fournit des informations concernant les étendues spatiales partagées, les données en double et l'interprétation des variables affichées.Veuillez cliquer ici pour télécharger ce fichier.

Archive des données supplémentaires (zippé). L'archive contient 26 fichiers GeoTIFF prêts à l'analyse, des fichiers de limites, des métadonnées, des résultats, des scripts, des figures, des classeurs, des fichiers décrivant l'environnement de calcul exact, un fichier LISEZ-MOI et des sommes de contrôle SHA-256.

Discussion

Au cours des quatre tests de stress, le stockage du carbone a diminué à mesure que les transitions simulées modifiaient les proportions de classes de couverture du sol à haute et faible densité. Le développement touristique (TED) a entraîné la plus forte baisse, tandis que la revitalisation des villages (ECP) a provoqué la plus faible. Une étape cruciale dans l'application du protocole est donc la configuration et l'interprétation des paramètres dev, fp et af. Étant donné que les différences entre scénarios découlent de ces valeurs imposées, elles représentent des réponses conditionnelles du modèle plutôt que des effets observés du développement touristique, de la revitalisation villageoise ou de la régulation écologique. D'ici 2050, le stockage de carbone projeté selon le scénario TED était inférieur de 5,048 Tg C à celui prévu selon le scénario ECP. Selon la table de correspondance adoptée, la conversion d'un hectare de forêt en terrain imperméable réduit le stock attribué de 149,32 Mg C, tandis que la conversion d'une surface agricole en terrain imperméable l'abaisse de 38,45 Mg C. Ces différences comptables expliquent l'importante influence de la conversion simulée des forêts sur le stockage total. Toutefois, le recours à des valeurs issues de la littérature scientifique sans calibration locale introduit une incertitude dans les estimations absolues.

Une autre étape cruciale est la dérivation et la discrétisation des variables topographiques utilisées dans l'OPGD. La rugosité topographique a été associée à la densité de carbone après une discrétisation optimisée (q = 0,460). La rugosité a été définie comme l'amplitude altitudinale locale au sein d'un voisinage circulaire de 450 m de rayon, mise en œuvre à l'aide d'une empreinte de 31 × 31 pixels. Les cellules à forte rugosité peuvent coïncider avec des terrains escarpés et boisés, mais l'OPGD ne permet pas de distinguer entre la topographie, l'accessibilité, l'histoire d'utilisation des sols, les sols, la gestion et d'autres explications corrélées. Des strates topographiques appariées ont produit des valeurs de q plus élevées que les facteurs pris isolément, en particulier pour la pente ∩ rugosité (q = 0,628). Ce modèle est descriptif plutôt que mécaniste. De même, la faible valeur de q pour l'orientation nord (0,003) ne démontre pas que les contrastes en rayonnement solaire soient faibles ; tester cette explication nécessite des mesures de rayonnement, de microclimat, de végétation et sur le terrain.

La méthode permet de générer des hypothèses régionales : limiter la conversion simulée des forêts, modérer l'expansion des surfaces imperméables et favoriser la transition des terres agricoles en forêts permet de préserver davantage de carbone attribué. Des prescriptions spécifiques à chaque site nécessitent des preuves supplémentaires. Pour adapter le flux de travail à des applications axées sur la prise de décision, intégrez des couches géographiques vérifiées d'aires protégées, de limites écologiques, de réseaux de transport, de parcelles et de nœuds villageois, ainsi que des évaluations de la participation des parties prenantes, des compromis entre services écosystémiques, des incitations, des coûts de restauration, des services culturels, des moyens de subsistance et de la biodiversité49,50,51,52,53,54,55,56. Ces extensions sont importantes car le protocole actuel ne prend pas en compte de telles contraintes spatiales ou socioéconomiques. La littérature plus large indique également que les stratégies de stockage des plantes, la structure des forêts, la végétation non arborée, les comportements liés au tourisme et les effets du cycle de vie de l'environnement bâti nécessitent des analyses distinctes de la comptabilisation actuelle des couverts d'usage des sols57,58,59,60,61.

Plusieurs limites déterminent l'utilisation et l'interprétation appropriées de la méthode. Celles-ci incluent des densités de carbone issues de la littérature sans étalonnage sur le terrain, une erreur potentielle de classification CLCD, un modèle Markov-CA personnalisé simplifié, une mesure de performance de validation axée sur les changements de 0,107, des paramètres de test de résistance non ajustés et une évaluation stochastique à graine unique. D'autres limites comprennent un plan expérimental « un facteur à la fois » plutôt qu'une analyse probabiliste des incertitudes, l'omission de couches relatives à la planification, aux facteurs socioéconomiques, à l'accessibilité, aux sols, à l'âge des forêts et aux changements climatiques, ainsi que des associations OPGD non causales. Ces limites impliquent que le flux de travail convient à l'évaluation comparative de scénarios régionaux, mais ne fournit pas de prévisions spatiales déterministes, d'inventaires de carbone étalonnés localement ou d'estimations causales de l'efficacité des politiques.

Par rapport aux approches existantes et alternatives, l'importance du protocole réside dans l'intégration de la simulation d'utilisation des terres, de la comptabilisation du carbone en quatre compartiments, de la validation, des tests de sensibilité et de l'analyse d'association avec le relief au sein d'un flux de travail reproductible, tout en conservant des limites explicites quant à l'interprétation. Le dépannage et les modifications doivent porter particulièrement sur les étapes ayant l'impact le plus fort sur l'interprétation ultérieure : le prétraitement et le masquage de la couverture des terres, la paramétrisation des transitions et des scénarios, la validation du modèle, l'attribution de la densité de carbone et la discrétisation du relief.

Le flux de travail peut être appliqué à l'évaluation comparative de trajectoires alternatives d'utilisation des sols et à l'identification d'associations spatiales nécessitant une investigation plus approfondie, tandis que les applications spécifiques à un site exigent des preuves supplémentaires validées localement. Les priorités pour les recherches futures incluent la collecte de mesures locales de carbone, la comparaison de modèles d'allocation alternatifs et de graines aléatoires, l'ajustement des paramètres aux facteurs indépendants, ainsi que la propagation des incertitudes liées à la classification, aux paramètres et au climat. Ces développements permettraient d'étendre le flux de travail actuel au-delà des tests de résistance comparatifs et offriraient une base plus solide pour évaluer les résultats en matière d'utilisation des sols et de stockage du carbone sous l'effet de sources supplémentaires d'incertitude.

Déclarations de divulgation

Les auteurs déclarent qu’ils n’ont aucun conflit d’intérêts.

Remerciements

Les auteurs remercient les fournisseurs des ensembles de données CLCD et Copernicus DEM GLO-30.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Jeu de données sur l'occupation des sols en Chine (CLCD)Université de Wuhan (Yang J & Huang X)Produit annuel de 1985–2022 ; 30 m ; DOI Zenodo : 10.5281/zenodo.4417810Donnée d'entrée de base sur l'occupation des sols ; les couches de 2005, 2010 et 2015 ont été utilisées pour l'étalonnage, la validation, l'estimation des matrices de transition et l'analyse de référence
Copernicus DEM GLO-30Agence spatiale européenne / Programme CopernicusÉpoque de référence 2019 ; diffusion publique en 2021 ; 30 mDonnée topographique utilisée pour dériver l'altitude, la pente, l'orientation nord et le relief topographique dans l'analyse OPGD
Automate cellulaire de Markov personnaliséImplémentation Python personnaliséePython 3.11 ; graine 2023 ; mise à jour synchrone ; voisinage de Moore 3 × 3 ; code source archivéSimulation de scénarios d'utilisation des sols ; implémentation personnalisée n'utilisant pas PLUS
geopandas (bibliothèque Python)Développeurs de geopandas1.1.4Traitement des données vectorielles, requêtes spatiales et opérations sur les limites
Formulation InVEST de stockage du carbone à quatre compartimentsProjet Natural CapitalDocumentation InVEST ; calcul personnalisé de recherche en Python ; script archivéComptabilité du carbone à quatre compartiments selon les classes ; sans module de taux de séquestration, d'évaluation ou économique
matplotlib (bibliothèque Python)Développeurs de Matplotlib3.11.0Génération de figures et visualisation scientifique
numpy (bibliothèque Python)Développeurs de NumPy2.4.6Calculs numériques au niveau des tableaux
Détecteurs de facteurs et d'interactions OPGDImplémentation Python personnalisée fondée sur la méthodologie OPGDGraine 42 ; échantillon de 200 000 pixels ; intervalles quantiles de 2–15 ; 999 permutations ; script archivéAnalyse des facteurs et des interactions des associations entre la densité de carbone en 2015 et l'altitude, la pente, l'orientation nord et le relief topographique
pandas (bibliothèque Python)Développeurs de pandas3.0.3Traitement des données tabulaires et post-traitement des résultats analytiques
Langage de programmation PythonFondation Python Software3.11.9Environnement de calcul pour le prétraitement, la simulation, la validation, la comptabilité du carbone, l'analyse OPGD et le post-traitement
rasterio (bibliothèque Python)Mainteneurs de rasterio1.4.4Entrées/sorties raster, reprojection, rééchantillonnage et traitement des rasters d'occupation des sols et du terrain
scipy (bibliothèque Python)Développeurs de SciPy1.17.1Opérations numériques et morphologiques utilisées dans le traitement du terrain
shapely (bibliothèque Python)Développeurs de Shapely2.1.2Opérations géométriques soutenant le traitement vectoriel et spatial
Zone d'étude et masque valideDonnée d'entrée personnalisée reconstruite à partir des coordonnées du manuscritEPSG:32650 ; 30 m ; GeoJSON et GeoTIFF archivés ; 4 632 329 cellules validesDéfinit la zone commune d'analyse de 4 169,1 km² et le masque raster valide

Références

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

Réimpressions et autorisations

Étiquettes

Changement d'occupation des solssimulation de scénariosautomate cellulaire de Markovdétecteur géographiqueservices écosystémiquescomptabilité carboneexpansion du tourismeconservation écologique

Cet article a été publié

Vidéo bientôt disponible

Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.