Un flusso di lavoro integrato di modellazione geospaziale quantifica l'urbanizzazione del territorio e la dinamica delle riserve di carbonio. L'espansione delle aree edificate è associata alla perdita di riserve di carbonio e a effetti di spillover spaziali negativi, mentre gli scenari di pianificazione ecologica preservano le aree con elevate riserve di carbonio e favoriscono una governance coordinata a basse emissioni di carbonio.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo di ricerca
Urbanizzazione del suolo, pianificazione ecologica e dinamiche dello stock di carbonio nello Xinjiang, Cina, mediante un flusso di lavoro integrato di modellazione geospaziale
In questo articolo
Sommario
Abstract
Questo studio ha sviluppato e applicato un flusso di lavoro integrato che combina telerilevamento, simulazione dell'uso del suolo, valutazione dei servizi ecosistemici e metodi econometrici spaziali per quantificare l'influenza dell'urbanizzazione del territorio e della pianificazione ecologica sulla dinamica delle riserve di carbonio nella Regione Autonoma Uigura dello Xinjiang, nel nord-ovest della Cina. Utilizzando dati sull'uso e copertura del suolo, superfici impermeabili, luce notturna, vegetazione, topografia, fattori socioeconomici e vincoli di pianificazione dal 2000 al 2020, il flusso di lavoro ha identificato i modelli storici di urbanizzazione, simulato quattro scenari futuri di pianificazione, stimato le riserve di carbonio mediante il modulo carbonio di InVEST e valutato gli effetti diretti e gli effetti indiretti spaziali tramite modelli econometrici spaziali. I risultati mostrano che l'espansione delle aree edificate si è verificata principalmente attraverso la conversione di terreni agricoli ed è stata accompagnata da un aumento della copertura impermeabile e dell'intensità della luce notturna. I risultati delle simulazioni indicano che lo scenario di protezione ecologica garantisce il maggiore mantenimento delle riserve di carbonio, mentre lo scenario di sviluppo naturale determina la maggiore perdita di carbonio. Il bosco è stato identificato come la classe di uso del suolo con alto contenuto di carbonio più vulnerabile, con una densità totale di carbonio di 144,9 Mg C/ha rispetto ai 29,4 Mg C/ha delle aree edificate. I risultati del modello spaziale di Durbin mostrano che l'urbanizzazione del territorio ha un effetto diretto negativo (−0,231) e un effetto indiretto di spillover (−0,117), producendo un effetto totale di −0,348 sulla densità delle riserve di carbonio, mentre l'intensità della pianificazione ecologica ha un effetto totale positivo (+0,245). Questi risultati sostengono l'adozione di una pianificazione ecologica coordinata tra confini amministrativi al fine di promuovere uno sviluppo regionale a basso contenuto di carbonio.
Introduzione
A fronte dei cambiamenti climatici globali e della transizione verso uno sviluppo a basso contenuto di carbonio, l'urbanizzazione rapida è diventata un fattore trainante dei cambiamenti nei modelli regionali di copertura del suolo e nei cicli biogeochimici1. Con l'aumento di scala e intensità delle attività umane, l'accelerazione dell'urbanizzazione del territorio nelle regioni in via di sviluppo non solo modifica i modelli di uso del suolo, ma ridisegna anche la struttura e la funzione degli ecosistemi. In sostanza, l'urbanizzazione del suolo comporta la conversione di vegetazione naturale ad alta densità di carbonio in superfici artificiali a bassa densità di carbonio, determinando significative perdite della capacità regionale di stoccaggio del carbonio2. Per le regioni in rapido sviluppo, conciliare la crescita economica con la protezione dello spazio ecologico è diventata una sfida fondamentale nella pianificazione territoriale. Gli studi tradizionali sull'uso del suolo si sono concentrati principalmente sui modelli di espansione fisica, trascurando spesso le interazioni dinamiche tra sviluppo spaziale e processi del ciclo del carbonio3. Di conseguenza, si rende necessario adottare approcci analitici integrati in grado di quantificare gli effetti dell'urbanizzazione del suolo sulla dinamica delle riserve di carbonio e di fornire una base scientifica per la protezione ecologica e la gestione a basse emissioni di carbonio.
I recenti progressi nei sistemi di telerilevamento e nelle informazioni geografiche hanno notevolmente migliorato la modellizzazione dei cambiamenti nell'uso del suolo e la valutazione dei servizi ecosistemici4,5. La simulazione dell'uso del suolo basata su più scenari, abbinata alla contabilità ecologica, è diventata un approccio ampiamente utilizzato per valutare le conseguenze ambientali dell'espansione urbana6. In particolare, i modelli Patch-generating Land Use Simulation (PLUS) e Integrated Valuation of Ecosystem Services and Tradeoffs (InVEST) sono stati applicati per quantificare come i vincoli di pianificazione influenzino le traiettorie di uso del suolo e i risultati relativi alle riserve di carbonio7,8,9,10,11,12. Studi correlati sui servizi ecosistemici hanno inoltre dimostrato che i cambiamenti nella copertura del suolo, le politiche di sviluppo urbano e le misure di protezione ecologica possono alterare la produzione idrica, il sequestro del carbonio, il trattenimento del suolo e i compromessi tra servizi ecosistemici in paesaggi in rapida urbanizzazione13,14,15,16,17. Tuttavia, la maggior parte degli studi precedenti si è concentrata sulle conversioni dell'uso del suolo e sui risultati dei servizi ecosistemici, prestando minore attenzione al modo in cui le pressioni derivanti dallo sviluppo socioeconomico generano risposte spazialmente dipendenti delle riserve di carbonio tra unità amministrative adiacenti.
Tre lacune fondamentali motivano il presente flusso di lavoro. In primo luogo, le precedenti applicazioni di PLUS–InVEST spesso trattano le aree di studio come sistemi fisici chiusi e non valutano esplicitamente se gli effetti dell'urbanizzazione del suolo si estendono alle unità adiacenti. In secondo luogo, le analisi di validazione, incertezza e sensibilità sono spesso riportate in modo sintetico, rendendo difficile determinare se le classifiche degli scenari rimangano stabili al variare dei parametri di simulazione dell'uso del suolo, dei coefficienti delle riserve di carbonio e delle specifiche dei pesi spaziali. In terzo luogo, gli studi di econometria spaziale identificano spesso associazioni tra intensità dello sviluppo e risultati ecologici senza collegare tali relazioni a osservazioni da telerilevamento, scenari futuri di uso del suolo e contabilità delle riserve di carbonio. È quindi necessario un flusso di lavoro integrato per collegare osservazione, simulazione di scenari, contabilità del carbonio e identificazione dei meccanismi spaziali all'interno di un quadro analitico riproducibile.
Di conseguenza, questo studio stabilisce un flusso di lavoro analitico riproducibile che integra telerilevamento, simulazione di scenari basata su PLUS, valutazione del carbonio tramite InVEST e analisi econometrica spaziale. Concentrandosi sulla Regione Autonoma Uigura dello Xinjiang nel nord-ovest della Cina, lo studio valuta i modelli storici di urbanizzazione del territorio dal 2000 al 2020, esamina come scenari alternativi di pianificazione influenzino le future configurazioni dell'uso del suolo, quantifica gli effetti risultanti sulla distribuzione delle riserve di carbonio e analizza gli effetti diretti e gli effetti di spillover spaziali dell'urbanizzazione del territorio, dell'intensità della pianificazione ecologica, delle condizioni della vegetazione e dei fattori socioeconomici sulla dinamica delle riserve di carbonio. Il principale contributo di questo flusso di lavoro consiste nell'integrazione della previsione basata su scenari con l'identificazione dei meccanismi, al fine di supportare la delimitazione delle linee rosse ecologiche, la pianificazione di una crescita compatta, la compensazione del carbonio transfrontaliera e la governance regionale a basse emissioni di carbonio.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Protocollo
In questo studio sono stati utilizzati dataset geospaziali, di telerilevamento, di pianificazione e socioeconomici aggregati, disponibili pubblicamente. Non sono stati coinvolti partecipanti umani, soggetti animali, materiali clinici o informazioni personali identificabili. Pertanto, non è stata richiesta l'approvazione etica da parte dell'istituto. Gli ambienti software specifici, i pacchetti computazionali (inclusi librerie per econometria spaziale e per visualizzazione ad alta risoluzione), gli identificatori digitali (DOI) dei dataset e gli URL di origine di tutte le risorse necessarie per riprodurre questo flusso di lavoro sono riportati in dettaglio nella completa Tabella dei Materiali.
1. Area di studio e quadro analitico
L'analisi è stata condotta nella Regione Autonoma Uigura dello Xinjiang, nel nord-ovest della Cina, con un focus analitico specifico sugli estesi urbani delimitati delle principali città (Figura 1) per catturare con precisione la dinamica di espansione locale. Questo confine è stato utilizzato in modo coerente per il ritaglio dei raster, la simulazione dell'uso del suolo, la valutazione delle riserve di carbonio e l'aggregazione delle unità amministrative. La dimensione campionaria analitica (n) comprendeva 105 unità amministrative a livello di contea analizzate in tre nodi temporali distinti (2000, 2010 e 2020), con simulazioni dell'uso del suolo che includevano 50 replicati stocastici per catturare l'incertezza spaziale.
È stato utilizzato un quadro analitico multiscala che integra analisi a livello di griglia e analisi a livello di unità amministrative. Alla scala della griglia, dati sull'uso e copertura del suolo, intensità della luce notturna, copertura delle superfici impermeabili, indici di vegetazione, variabili topografiche e vincoli di pianificazione ecologica sono stati utilizzati per identificare i modelli di urbanizzazione del territorio, simulare scenari futuri di uso del suolo e valutare la distribuzione delle riserve di carbonio. Alla scala dell'unità amministrativa, variabili socioeconomiche, dei trasporti e ambientali sono state incorporate in analisi econometriche spaziali per valutare gli effetti diretti e di diffusione dell'urbanizzazione del territorio e della pianificazione ecologica sulla dinamica delle riserve di carbonio.
Il quadro analitico comprendeva cinque componenti. Primo, dati telerilevati multitemporali e dati sull'uso del suolo sono stati utilizzati per caratterizzare i modelli spaziotemporali dell'urbanizzazione del territorio, inclusa l'espansione delle aree edificate, l'intensità dello sviluppo e la riorganizzazione dell'uso del suolo. Secondo, sono stati sviluppati scenari di protezione ecologica, protezione delle terre agricole e pianificazione a basse emissioni di carbonio per simulare i futuri modelli di uso del suolo. Terzo, il modulo di stoccaggio del carbonio di InVEST è stato utilizzato per quantificare la distribuzione e il cambiamento delle riserve di carbonio in condizioni di uso del suolo storiche e future. Quarto, sono state condotte analisi di autocorrelazione spaziale globale e locale per identificare modelli di aggregazione e aree critiche associate alla variazione delle riserve di carbonio. Quinto, modelli econometrici spaziali sono stati utilizzati per valutare l'entità, la direzione e gli effetti di spillover dell'urbanizzazione del territorio, dell'intensità della pianificazione ecologica e dei fattori ambientali e socioeconomici sulle dinamiche delle riserve di carbonio.
Figura 1 presenta il flusso di lavoro analitico complessivo. Il flusso di lavoro collega la definizione dell'area di studio, l'integrazione di dati provenienti da più fonti, l'identificazione dell'urbanizzazione del territorio, lo sviluppo di scenari di pianificazione ecologica, la simulazione dell'uso del suolo, la valutazione delle riserve di carbonio, l'analisi della autocorrelazione spaziale e la modellazione econometrica spaziale. Dati spaziali provenienti da più fonti hanno costituito il livello di ingresso. L'identificazione dell'urbanizzazione del territorio e l'analisi storica dell'uso del suolo hanno formato il livello di caratterizzazione del modello. Gli scenari di pianificazione ecologica e la valutazione delle riserve di carbonio hanno costituito il livello di previsione e valutazione dell'impatto. Le analisi di autocorrelazione spaziale ed econometrica sono state utilizzate per identificare i meccanismi spaziali e supportare l'interpretazione delle politiche.
Figura 1: Area di studio, integrazione dei dati e flusso di lavoro tecnico. (A) Contesto spaziale multiscala e confini analitici urbani precisi per le principali città della Regione Autonoma Uigura dello Xinjiang, nel nord-ovest della Cina. (B) Flusso di lavoro tecnico integrato che collega dati spaziali multiscalarità, identificazione dell'urbanizzazione del suolo basata su telerilevamento, progettazione di scenari di pianificazione ecologica, simulazione dell'uso del suolo con il modello PLUS, valutazione delle riserve di carbonio tramite InVEST, autocorrelazione spaziale, analisi degli hot spot e modellazione econometrica spaziale. ND = sviluppo naturale; EP = protezione ecologica; CP = protezione delle terre coltivabili; LC = ottimizzazione a basso tenore di carbonio; OLS = minimi quadrati ordinari; SAR = modello autoregressivo spaziale; SEM = modello di errore spaziale; SDM = modello spaziale di Durbin. Cliccare qui per visualizzare una versione ingrandita di questa figura.
2. Fonti di dati e sistema di variabili
È stato compilato un dataset proveniente da più fonti per supportare l'identificazione dell'urbanizzazione del territorio, la simulazione di scenari di pianificazione ecologica, la valutazione delle riserve di carbonio e l'analisi econometrica spaziale. Il dataset include dati sull'uso del suolo/copertura del suolo, la frazione di superficie impermeabile, l'intensità della luce notturna, l'indice di vegetazione normalizzato (NDVI), variabili topografiche, indicatori di accessibilità ai trasporti, variabili idrologiche, densità della popolazione, densità del prodotto interno lordo (GDP), vincoli di pianificazione, variabili climatiche e parametri delle riserve di carbonio. Tabella 1 riassume la categoria del dataset, la descrizione della variabile, l'unità, la risoluzione spaziale e temporale, la provenienza e l'applicazione analitica. I dataset principali sono stati ottenuti per gli anni 2000, 2010 e 2020. I dati sull'uso del suolo e i principali prodotti di telerilevamento sono stati armonizzati a risoluzioni comprese tra 30 m e 1 km, a seconda delle esigenze analitiche.
Tabella 1: Fonti dei dati e sistema di variabili. La tabella riporta categoria del dataset, variabile, descrizione, unità, risoluzione spaziale/temporale, fonte e utilizzo analitico per l'identificazione dell'urbanizzazione del territorio, la simulazione di scenari, il calcolo delle riserve di carbonio con InVEST e la modellazione econometrica spaziale. NDVI = indice normalizzato della differenza della vegetazione; DEM = modello digitale del terreno; LULC = uso del suolo/copertura del suolo. Cliccare qui per scaricare questa tabella.
Tutti i livelli spaziali sono stati proiettati in un sistema di coordinate comune, ritagliati in base al confine dell'area di studio mostrato in Figura 1 e ricampionati o aggregati alla scala della griglia o dell'unità amministrativa richiesta. I valori mancanti sono stati esaminati prima dell'analisi di sovrapposizione spaziale. I dataset raster utilizzati nelle analisi PLUS e InVEST sono stati allineati a livello di pixel, mentre le variabili socioeconomiche sono state aggregate in unità amministrative per la regressione spaziale. Questo flusso di lavoro di preelaborazione ha garantito unità spaziali coerenti e punti temporali confrontabili nelle analisi temporali, nelle simulazioni di scenario, nei calcoli delle riserve di carbonio e nella modellizzazione econometrica.
I dati sull'uso e la copertura del suolo sono stati utilizzati come input principale per il rilevamento delle variazioni storiche e la simulazione futura dell'uso del suolo. Le categorie originali di uso del suolo sono state riclassificate in sei classi: terreni coltivati, foreste, pascoli, corpi idrici, aree edificate e terreni inutilizzati. Questo schema di classificazione è stato applicato in modo coerente per l'analisi dei cambiamenti nell'uso del suolo, lo sviluppo degli scenari e il calcolo delle riserve di carbonio con InVEST. La proporzione di suolo edificato, la copertura di superfici impermeabili e l'intensità della luce notturna sono state utilizzate come indicatori dell'urbanizzazione del territorio. La copertura di superfici impermeabili e l'intensità della luce notturna hanno funto da proxy basati sul telerilevamento per l'intensità dello sviluppo e l'attività umana. L'NDVI è stato incluso come indicatore ecologico nelle successive analisi econometriche spaziali.
Le variabili topografiche e di localizzazione includevano l'elevazione, la pendenza, la distanza dalle strade principali, la densità stradale e la vicinanza ai fiumi principali. Queste variabili sono state utilizzate come fattori determinanti nella simulazione dell'uso del suolo e come variabili di controllo nei modelli econometrici spaziali. Nel complesso, esse rappresentavano i vincoli del terreno, l'accessibilità ai trasporti e la connettività idrologica.
Le variabili socioeconomiche includevano la densità della popolazione e la densità del PIL, integrate dalla densità della rete stradale laddove disponibile. Queste variabili sono state utilizzate per caratterizzare l'intensità dello sviluppo e le pressioni dell'attività umana associate ai cambiamenti nelle riserve di carbonio. Il quadro variabile integrava indicatori di sviluppo del territorio, pressione socioeconomico e contesto ecologico per rappresentare i molteplici fattori che influenzano la dinamica delle riserve di carbonio.
È stato sviluppato un indice di intensità della pianificazione ecologica basato su linee rosse ecologiche, riserve naturali, fasce tampone dei corpi idrici, aree con pendenza limitata e altre regioni ambientalmente sensibili. Questo indice è stato utilizzato sia come livello vincolante nelle simulazioni di uso futuro del suolo, sia come variabile esplicativa nelle analisi econometriche spaziali.
Per la valutazione delle riserve di carbonio con InVEST, sono stati raccolti quattro parametri relativi ai serbatoi di carbonio per ogni classe di uso del suolo: carbonio nella biomassa aerea, carbonio nella biomassa sottoterrea, carbonio organico del suolo e carbonio nella materia organica morta. I valori dei parametri sono stati ottenuti da studi regionali pubblicati, documenti guida di InVEST e caratteristiche locali del copertura vegetale, e sono stati associati al sistema unificato di classificazione dell'uso del suolo. La riserva di carbonio indica il totale stimato di carbonio contenuto all'interno di questi quattro serbatoi, mentre la densità della riserva di carbonio indica la riserva di carbonio per unità di superficie.
Le variabili sono state raggruppate in tre categorie. La prima categoria comprendeva indicatori di urbanizzazione del territorio, tra cui la proporzione di terreno edificato, la copertura di superfici impermeabili e l'intensità della luce notturna. La seconda categoria includeva variabili ecologiche e di pianificazione, come l'NDVI, l'intensità della pianificazione ecologica, l'elevazione, la pendenza e la vicinanza idrologica. La terza categoria comprendeva fattori socioeconomici, tra cui la densità della popolazione, la densità del PIL e la densità stradale. Queste variabili sono state utilizzate per valutare le relazioni tra urbanizzazione del territorio, pianificazione ecologica e dinamiche delle riserve di carbonio.
3. Identificazione basata sul telerilevamento dell'urbanizzazione del territorio
I modelli spaziotemporali dell'urbanizzazione del territorio sono stati identificati utilizzando tre indicatori complementari: espansione delle aree edificate, copertura di superfici impermeabili e intensità della luce notturna. L'espansione delle aree edificate è stata estratta da mappe sequenziali dell'uso del suolo per delimitare l'estensione fisica e la progressione dello sviluppo urbano dalle aree centrali già edificate verso le regioni circostanti. La copertura di superfici impermeabili è stata calcolata per quantificare l'intensità dello sviluppo a livello di griglia, mentre i dati raster dell'intensità della luce notturna sono stati elaborati e normalizzati per rappresentare l'attività umana e la concentrazione funzionale. Questi strati spaziali sono stati successivamente integrati per costruire il dataset storico dell'urbanizzazione del territorio. Gli indicatori combinati sono stati utilizzati per identificare aree di intensificazione dello sviluppo sostenuta, zone di transizione e regioni relativamente stabili, nonché per valutare la corrispondenza spaziale tra lo sviluppo fisico del suolo e l'urbanizzazione funzionale.
È stata costruita una matrice di transizione dell'uso del suolo per quantificare l'entità e la direzione della conversione del suolo tra terreni agricoli, foreste, pascoli, corpi idrici, aree edificate e terreni inutilizzati. Particolare attenzione è stata rivolta alle transizioni dalle categorie di suolo ecologico e agricolo verso aree edificate. La matrice è stata utilizzata per identificare i principali percorsi di conversione e le categorie di suolo di origine che contribuiscono maggiormente all'espansione urbana.
L'analisi dei modelli del paesaggio è stata condotta per valutare i cambiamenti strutturali associati all'urbanizzazione del territorio. Le metriche utilizzate hanno incluso la densità delle aree, la densità dei margini, l'indice di forma del paesaggio e indicatori legati alla frammentazione. Queste metriche sono state calcolate per ciascun periodo di studio e utilizzate per quantificare i cambiamenti nella configurazione del paesaggio, nella continuità spaziale e nella frammentazione associati all'espansione delle aree edificate.
4. Progettazione dello scenario di pianificazione ecologica e simulazione dell'uso del suolo
I modelli futuri di uso del suolo sono stati simulati utilizzando il modello Patch-generating Land Use Simulation (PLUS) in quattro scenari di pianificazione: sviluppo naturale (ND), protezione ecologica (EP), protezione delle terre coltivabili (CP) e ottimizzazione a basso tenore di carbonio (LC). Le ipotesi degli scenari, le regole di conversione del suolo, i tipi di suolo vincolati e i risultati attesi sulle riserve di carbonio sono riassunti nella Tabella 2.
Tabella 2: Regole di controllo degli scenari e vincoli di transizione. La tabella definisce le probabilità di conversione del suolo e i vincoli spaziali per gli scenari di sviluppo naturale (ND), protezione ecologica (EP), protezione delle terre coltivabili (CP) e ottimizzazione a basse emissioni di carbonio (LC). Note: le abbreviazioni degli scenari corrispondono rigorosamente a quelle utilizzate nella modellizzazione PLUS e nelle sezioni dei Risultati. Le impostazioni degli scenari definiscono regole di conversione orientate alle politiche e i tipi di suolo vincolati utilizzati nelle simulazioni; tutte le zone di esclusione statutaria sono rimaste non convertibili nei livelli spaziali finali. Cliccare qui per scaricare questa tabella.
Mappe storiche dell'uso del suolo e variabili spaziali guida sono state integrate nel modello PLUS per stimare le probabilità di transizione del suolo di riferimento, utilizzando il modulo automa cellulare (CA). Per gli scenari di protezione ecologica (EP), protezione delle coltivazioni (CP) e ottimizzazione a basso tenore di carbonio (LC), sono stati introdotti come strati di restrizione spaziale i confini ecologici, le terre agricole fondamentali permanenti, le fasce tampone intorno ai corpi idrici e altri vincoli di pianificazione, al fine di limitare la conversione del suolo in conformità con le regole predefinite degli scenari. Sono state quindi definite le quantità di domanda di suolo obiettivo per il 2030 per ciascuno scenario, ed è stato eseguito il modulo CA mediante 50 replicati stocastici per generare le proiezioni finali dell'uso del suolo.
La simulazione dell'uso del suolo è stata eseguita utilizzando il modello PLUS e il suo framework di automi cellulari (CA) con generazione stocastica di macchie di tipo multiplo. Mappe storiche dell'uso del suolo e variabili ambientali e socioeconomiche guida sono state utilizzate per stimare le probabilità di espansione del suolo per ciascuna classe di uso del suolo. Le quantità future di domanda di suolo sono state quindi definite in base ai requisiti di ciascuno scenario di pianificazione, e sono state generate le corrispondenti mappe dell'uso del suolo per il periodo di simulazione target.
Le prestazioni del modello sono state valutate mediante retroproiezione storica prima della simulazione futura. Mappe precedenti dell'uso del suolo e le relative variabili guida sono state utilizzate per simulare una mappa osservata successivamente dell'uso del suolo. L'accordo tra le distribuzioni simulate e osservate dell'uso del suolo è stato valutato utilizzando l'accuratezza complessiva (OA), il coefficiente Kappa e l'indice di merito (FoM). La validazione è stata condotta sia a livello generale che per classe principale di uso del suolo. La retroproiezione storica dal 2010 al 2020 ha prodotto un'accuratezza complessiva (OA) del 93,4%, un coefficiente Kappa di 0,89 e un indice di merito (FoM) di 0,26, indicando una capacità altamente affidabile di proiezione spaziale nelle successive simulazioni multi-scenari.
Sono state condotte analisi di incertezza e di sensibilità per valutare la robustezza dei risultati delle simulazioni. Le analisi di sensibilità di PLUS hanno esaminato gli effetti di diverse impostazioni di resistenza alle transizioni e di parametri di peso del vicinato per le principali classi di uso del suolo. Le analisi di sensibilità di InVEST hanno valutato l'influenza delle variazioni nei coefficienti delle riserve di carbonio tra i diversi tipi di uso del suolo. Le analisi di sensibilità econometriche spaziali hanno confrontato diverse specificazioni della matrice di peso spaziale. Queste analisi sono state utilizzate per valutare se le classifiche degli scenari e il verso degli effetti principali dell'urbanizzazione e della pianificazione ecologica rimanessero costanti in presenza di parametri alternativi. In particolare, è stata rigorosamente confermata la stabilità dei risultati: le classifiche degli scenari e gli effetti di spillover spaziale negativi dell'urbanizzazione del suolo sono rimasti invariati quando i parametri di resistenza alle transizioni e i coefficienti delle riserve di carbonio sono stati perturbati del ±15%.
5. Valutazione delle riserve di carbonio
La riserva di carbonio è stata valutata utilizzando il modello di carbonio InVEST. Parametri di base per i quattro serbatoi di carbonio (biomassa aerea, biomassa sotterranea, carbonio organico del suolo e materia organica morta) sono stati assegnati a ciascun tipo di uso del suolo riclassificato, utilizzando i valori biologici riassunti nella Tabella 3. Successivamente, le mappe storiche dell'uso del suolo (2000–2020) e i dataset raster futuri dell'uso del suolo simulati con PLUS sono stati importati nel modello e integrati con i corrispondenti parametri di densità del carbonio. Il modello è stato quindi eseguito per stimare la riserva totale di carbonio a livello regionale (Tg C), la densità della riserva di carbonio a livello di griglia (Mg C/ha) e le mappe spaziali delle variazioni della riserva di carbonio (ΔC) per gli scenari storici e futuri.
Le mappe dell'uso del suolo riclassificate sono state associate ai corrispondenti valori parametrici di riferimento dei serbatoi di carbonio riportati nella Tabella 3. La sensibilità delle stime delle riserve di carbonio alle incertezze parametriche è stata valutata modificando questi valori di riferimento del ±15%, con risultati dettagliati sull'analisi di sensibilità. Il modello è stato utilizzato per calcolare la riserva totale di carbonio, la densità della riserva di carbonio e la variazione della riserva di carbonio per ciascuna classe di uso del suolo in condizioni storiche e in scenari futuri di pianificazione.
Sono state valutate tre categorie di risultati. In primo luogo, sono state calcolate la scorta totale di carbonio a livello regionale e le tendenze temporali per quantificare l'entità e la direzione del cambiamento della scorta di carbonio nel tempo. In secondo luogo, sono state mappate le distribuzioni spaziali della scorta di carbonio e del suo cambiamento per identificare le aree di ritenzione e di perdita di carbonio. In terzo luogo, le stime della scorta di carbonio sono state confrontate tra diversi scenari di pianificazione al fine di valutare gli effetti relativi delle strategie di protezione ecologica, di protezione delle terre coltivabili e di ottimizzazione a basso tenore di carbonio sulla conservazione della scorta di carbonio.
Tabella 3: Parametri di base delle riserve di carbonio per diversi tipi di uso del suolo. La tabella riporta il carbonio della biomassa aerea, il carbonio della biomassa sotterranea, il carbonio organico del suolo, il carbonio della materia organica morta e la densità totale di carbonio utilizzati nel modulo delle riserve di carbonio di InVEST. Le unità sono Mg C/ha. Note: I valori rappresentano i parametri di base utilizzati nel modello InVEST. La densità totale di carbonio corrisponde alla somma delle quattro riserve di carbonio. Le analisi di sensibilità che prevedono variazioni di questi valori di base del ±15% sono riportate nella Tabella 6. Cliccare qui per scaricare questa tabella.
6. Autocorrelazione spaziale e analisi econometrica spaziale
È stata condotta un'analisi della autocorrelazione spaziale per determinare se il contenuto di carbonio e la variazione del contenuto di carbonio mostrassero una dipendenza spaziale significativa. È stato calcolato l'indice globale di Moran per valutare il grado complessivo di aggregazione spaziale nella distribuzione del contenuto di carbonio e nella sua variazione all'interno dell'area di studio. L'indice locale di Moran è stato quindi utilizzato per identificare i modelli locali di associazione spaziale, inclusi i cluster alto-alto, basso-basso, alto-basso e basso-alto. È stata eseguita un'analisi delle aree critiche (hotspot) per individuare le zone con perdita concentrata di carbonio e quelle con mantenimento del contenuto di carbonio.
Sono stati utilizzati modelli econometrici spaziali per esaminare le relazioni tra l'urbanizzazione del territorio, la pianificazione ecologica, le condizioni ambientali, i fattori socioeconomici e la dinamica delle riserve di carbonio. La densità delle riserve di carbonio o la variazione delle riserve di carbonio è stata utilizzata come variabile dipendente. Le variabili esplicative includevano l'indice di urbanizzazione del territorio, la proporzione di suolo edificato, l'intensità della pianificazione ecologica, l'indice di vegetazione normalizzato (NDVI), la densità della popolazione, la densità del PIL, la densità stradale, l'elevazione, la pendenza, la precipitazione media annuale e la temperatura media annuale.
È stata utilizzata la regressione ai minimi quadrati ordinari (OLS) come modello di base. Prima di stimare i modelli autoregressivi spaziali (SAR), di errore spaziale (SEM) e di Durbin spaziale (SDM), è stata valutata la dipendenza spaziale residua. Le prestazioni del modello e le stime dei coefficienti sono state confrontate tra le diverse specificazioni.
È stata costruita una matrice pesata spaziale standardizzata per riga per rappresentare le relazioni di vicinato tra unità amministrative. La specificazione principale si basava sulla contiguità spaziale, e analisi di robustezza hanno confrontato matrici pesate spaziali alternative basate sulla distanza e sui vicini più prossimi, laddove disponibili.
Gli effetti diretti, indiretti e totali sono stati calcolati a partire dal modello di disequilibrio spaziale (SDM) per valutare le relazioni locali e di spillover spaziale. Sono state incluse variabili relative al terreno, all'accessibilità, alla vegetazione, al clima e a fattori socioeconomici come variabili di controllo al fine di ridurre il bias derivante da variabili omesse. I coefficienti del modello sono stati interpretati come associazioni spaziali condizionali piuttosto che effetti causali definitivi. Le variabili con valori-p superiori alle soglie convenzionali di significatività sono state interpretate come indicazioni deboli o indicative e non sono state considerate effetti statisticamente robusti.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Risultati
Identificazione basata sul telerilevamento dell'urbanizzazione del territorio
Sulla base dei risultati dell'identificazione mediante telerilevamento multiperiodale, l'area di studio ha subito un'intensificazione significativa dell'urbanizzazione del territorio tra il 2000 e il 2020, accompagnata da una riorganizzazione dei modelli di uso del suolo e da una ridefinizione delle configurazioni del paesaggio. Nel complesso, l'espansione delle aree edificate ha mostrato un modello di espansione concentric...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Discussione
Questo studio presenta un flusso di lavoro analitico integrato che combina l'identificazione dell'urbanizzazione del territorio basata sul telerilevamento, la simulazione del land use in multi-scenario mediante PLUS, la valutazione delle riserve di carbonio tramite InVEST e la modellazione econometrica spaziale, al fine di analizzare le relazioni tra urbanizzazione del suolo, pianificazione ecologica e dinamiche delle riserve di carbonio nello Xinjiang, nella Cina nord-occidentale. Piuttosto che considerare questi compon...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Dichiarazioni
Gli autori non hanno nulla da dichiarare.
Ringraziamenti
Gli autori non hanno ricevuto finanziamenti specifici per questo lavoro.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Script econometrici spaziali personalizzati e set di dati di output | Autori | Ripostiglio Zenodo: https://zenodo.org/records/21159171 | Utilizzati per riprodurre le analisi econometriche spaziali e il flusso di lavoro computazionale di supporto descritti in questo studio. |
| Griglie ad alta risoluzione di densità della popolazione | WorldPop | https://www.worldpop.org/ | Utilizzate come dati socioeconomici di ingresso per le analisi econometriche spaziali. |
| InVEST (Valutazione Integrata dei Servizi Ecosistemici e Compromessi) | The Natural Capital Project, Università di Stanford | Versione 3.14.0; https://naturalcapitalproject.stanford.edu/ | Utilizzato per stimare le riserve di carbonio e le variazioni delle riserve di carbonio in scenari di uso del suolo storici e simulati. |
| Matplotlib & Pillow (Librerie Python) | Comunità Python | https://matplotlib.org/; https://python-pillow.org/ | Utilizzati per generare figure di qualità pubblicabile ed elaborare output grafici ad alta risoluzione (600 dpi). |
| Set di dati multitemporali sull'uso e copertura del suolo | Centro di Scienze e Dati per le Risorse e l'Ambiente (RESDC), Accademia Cinese delle Scienze | https://www.resdc.cn/ | Utilizzati come set di dati primario di ingresso per l'analisi dei cambiamenti nell'uso del suolo e le simulazioni PLUS. |
| Modello PLUS (Simulazione dell'Uso del Suolo con Generazione di Macchie) | High-performance Spatial Computational Intelligence Lab (HPSCIL) | https://github.com/HPSCIL/Patch-generating_Land_Use_Simulation_Model | Utilizzato per simulare i modelli futuri di uso del suolo in diversi scenari di pianificazione ecologica. |
| PySAL (Libreria Python per l'Analisi Spaziale) | Sviluppatori PySAL | https://pysal.org/ | Utilizzato per eseguire analisi di autocorrelazione spaziale e modellizzazione econometrica spaziale. |
| Ambiente di programmazione Python | Fondazione Software Python | Versione 3.9+; https://www.python.org/ | Utilizzato per la pre-elaborazione dei dati, l'analisi spaziale, i calcoli statistici e l'implementazione del flusso di lavoro. |
| Dati topografici (DEM) e di telerilevamento | United States Geological Survey (USGS) | https://earthexplorer.usgs.gov/ | Utilizzati per ricavare variabili topografiche e input da telerilevamento per l'analisi dell'urbanizzazione del suolo e la parametrizzazione del modello. |
Riferimenti
- 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
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.