Articolo metodologico

Proiezione dell'uso del suolo in scenari multipli e valutazione dello stoccaggio del carbonio nel paesaggio del Patrimonio Mondiale di Yixian-Huangshan

11 visualizzazioni

⸱

DOI:

10.3791/73148

⸱

1 ottobre 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

In questo articolo

Sommario

Questo protocollo presenta un flusso di lavoro riproducibile per la proiezione dell'uso del suolo in scenari multipli, la valutazione dello stoccaggio del carbonio e l'analisi dell'associazione topografica nel paesaggio del patrimonio mondiale Yixian–Huangshan.

Abstract

Il cambiamento dell'uso del suolo altera lo stoccaggio del carbonio terrestre, tuttavia i flussi di lavoro riproducibili per valutare variazioni basate su scenari rimangono limitati nei paesaggi del Patrimonio Mondiale orientati al turismo. Questo protocollo integra un automa cellulare Markov personalizzato, un sistema di contabilità del carbonio a quattro serbatoi equivalente al framework Integrated Valuation of Ecosystem Services and Tradeoffs e un rilevatore geografico basato su parametri ottimali per valutare i cambiamenti nell'uso del suolo e nello stoccaggio del carbonio nelle aree di Yixian e adiacenti di Huangshan, nel sud dell'Anhui, in Cina. Le mappe del China Land Cover Dataset relative al 2005, 2010 e 2015 sono state utilizzate per la calibrazione e la validazione fuori periodo. Quattro scenari esplorativi — Business As Usual, Espansione e Sviluppo del Turismo, Priorità alla Conservazione Ecologica e Riattivazione e Rilancio dei Villaggi — sono stati simulati per il 2030 e il 2050. La validazione su 4.632.329 pixel validi ha prodotto un'accuratezza complessiva del 96,61%, un coefficiente Kappa di 0,850 e un Figure of Merit di 0,107. Lo stoccaggio di carbonio di base era di 59,505 teragrammi di carbonio, con le foreste che contribuivano per il 95,9%. Le perdite proiettate di carbonio entro il 2050 variano dal 5,01% nello scenario Priorità alla Conservazione Ecologica al 13,49% nello scenario Espansione e Sviluppo del Turismo. Perturbazioni analizzate singolarmente hanno confermato lo stesso ordinamento degli scenari. Il rilevatore geografico basato su parametri ottimali ha identificato pendenza, rilievo ed elevazione come le associazioni topografiche più forti. Gli input, parametri, output e script forniti supportano la riproducibilità; tuttavia, gli scenari devono essere interpretati come test comparativi di stress piuttosto che come previsioni calibrate.

Introduzione

Gli ecosistemi terrestri immagazzinano carbonio nella vegetazione, nel suolo e nella materia organica morta, contribuendo così alla regolazione del clima1,2. La conversione delle terre può alterare rapidamente queste riserve; pertanto, una valutazione spazialmente esplicita è importante per la pianificazione dell'uso del suolo e la gestione del carbonio.

L'estensione analitica nel sud dell'Anhui comprende vaste foreste subtropicali, bacini agricoli e aree associate ai beni del patrimonio mondiale del Monte Huangshan e di Xidi–Hongcun3,4. Le ricerche sulle coperture del suolo legate al patrimonio culturale, sul turismo nei siti del patrimonio mondiale e sulla conservazione dei villaggi tradizionali indicano che in questo contesto è necessario prendere in considerazione in modo integrato lo stato ecologico, la pressione dei visitatori e l'identità del luogo5,6,7.

I modelli di uso del suolo basati su scenari traducono le transizioni osservate in proiezioni esplicitamente spaziali, e il calcolo delle riserve di carbonio quantifica le conseguenze di tali schemi. Studi precedenti hanno combinato la simulazione dell'uso del suolo basata su formazione di macchie (Patch-generating Land Use Simulation, PLUS) o l'allocazione basata su automa cellulare–Markov (CA–Markov) con il quadro integrato di valutazione dei servizi ecosistemici e compromessi (Integrated Valuation of Ecosystem Services and Tradeoffs, InVEST) e il rilevatore geografico basato su parametri ottimali (OPGD) in Cina e in altri paesaggi, inclusi recenti approcci integrati8,9,10,11,12,13,14,15,16,17,18,19,20. Questi studi forniscono precedenti metodologici, anche se il simulatore utilizzato in questo caso è un'implementazione personalizzata di automa cellulare Markov (Markov-CA) piuttosto che PLUS.

Studi correlati hanno valutato traiettorie del carbonio condizionate da politiche, modelli accoppiati di dati satellitari e uso del suolo, stoccaggio del carbonio sensibile alla topografia, applicazioni urbane e universitarie, gestione del carbonio nel suolo, transizioni delle terre coltivate, mappatura forestale nazionale e dipendenza dalla scala21,22,23,24,25,26,27,28,29,30,31,32,33,34. Nel complesso, questi studi supportano il confronto tra più scenari, dimostrando al contempo che le conclusioni dipendono dalla scala dei dati, dalle transizioni tra classi, dai parametri del carbonio e dalle assunzioni di politica modellate. L'implementazione personalizzata utilizzata nel presente studio fornisce un flusso di lavoro trasparente in cui la matrice di transizione, i moltiplicatori degli scenari, la procedura di allocazione, la ricerca delle densità di carbonio, l'analisi di sensibilità e l'analisi dell'associazione topografica possono essere esaminate all'interno di un unico quadro riproducibile. Nel presente studio, il valore pratico del flusso di lavoro personalizzato consiste nel fatto che la matrice di transizione, i parametri degli scenari, le regole di allocazione dei pixel, la validazione, l'analisi di sensibilità, la contabilità del carbonio e l'analisi dell'associazione topografica sono implementati e documentati all'interno di un quadro computazionale riproducibile. Questa struttura consente di esaminare e riprodurre le assunzioni e i passaggi analitici intermedi utilizzati nell'analisi degli scenari. Poiché il flusso di lavoro non è stato confrontato direttamente con PLUS o altre implementazioni CA–Markov, non viene avanzata alcuna affermazione riguardo a una maggiore accuratezza, efficienza o prestazione predittiva.

La ricerca sui controlli topografici ed edafici, sulla persistenza del carbonio nel suolo di origine geomorfologica, sugli effetti della scala spaziale, sulle applicazioni dell'OPGD, sulla produttività di Huangshan, sulle metriche del paesaggio, sulle zone umide e sul carbonio forestale sostiene ulteriormente un'interpretazione cauta, basata su associazioni, degli effetti del terreno35,36,37,38,39,40,41,42,43,44. Alla luce di questo contesto, l'obiettivo generale del presente metodo è fornire un flusso di lavoro trasparente e riproducibile per la proiezione dell'uso del suolo in scenari multipli, la valutazione dello stoccaggio del carbonio e l'analisi delle associazioni topografiche nel paesaggio del sito del Patrimonio Mondiale di Yixian–Huangshan. Il flusso di lavoro utilizza un'implementazione personalizzata Markov-CA con contabilità del carbonio su quattro pool equivalente a InVEST e OPGD, valida il modello fuori periodo per il periodo 2005–2015 e svolge un'analisi di sensibilità one-at-a-time composta da 28 esecuzioni. I raster allegati, le regole degli scenari, la matrice di confusione, i file ambientali e gli script consentono un'ispezione diretta e la riproduzione del flusso di lavoro di simulazione personalizzato. Il flusso di lavoro è concepito per applicazioni che utilizzano raster categorici compatibili della copertura del suolo, parametri specifici per classe della densità di carbonio e dati topografici adeguati, quando l'obiettivo è la valutazione comparativa degli scenari piuttosto che una previsione spaziale precisa.

Questo studio aveva tre obiettivi: (1) simulare l'uso del suolo per il 2030 e il 2050 in base ai test di stress Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP) e Village Revitalization and Activation (VRA); (2) quantificare l'immagazzinamento del carbonio utilizzando una tabella completa a nove classi e quattro pool; e (3) valutare le associazioni individuali e congiunte tra altitudine, pendenza, orientazione a nord e rilievo topografico con la densità di carbonio del 20158,9,10. Questi obiettivi integrano proiezione dell'uso del suolo, contabilità del carbonio e analisi delle associazioni con il terreno all'interno di un unico flusso di lavoro riproducibile, mantenendo al contempo la distinzione tra risultati simulati sull'uso del suolo e associazioni statistiche con variabili topografiche.

Le etichette degli scenari indicano ipotesi comparative piuttosto che previsioni calibrate o piani statutari codificati. Di conseguenza, il metodo è più adatto per il confronto riproducibile di diverse ipotesi sull'uso del suolo e dei relativi risultati in termini di stoccaggio del carbonio, piuttosto che per interpretare le mappe risultanti come previsioni calibrate sull'uso futuro del suolo.

Protocollo

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.

Risultati

Distribuzione spaziale e dinamiche temporali dell'uso del suolo

Il flusso di lavoro analitico, l'estensione dello studio e i principali set di dati di input sono riassunti rispettivamente in Figura 1, Figura 2 e Tabella 1. Figura 1 presenta il flusso di lavoro in sette fasi utilizzato per la proiezione dell'uso del suolo, la validazione, il bilancio del carbonio e l'analisi dell'associazione topografica. Figura 2 mostra la posizione e l'estensione analitica dell'area di studio. Tabella 1 riassume la copertura temporale, la risoluzione spaziale, la provenienza e il ruolo analitico dei principali set di dati spaziali e tabellari. Il confronto tra la simulazione del 2015 e il CLCD osservato del 2015 su 4.632.329 pixel validi ha prodotto un'accuratezza complessiva (OA) del 96,61%, un Kappa di 0,850 e un FoM di 0,107. L'accordo è dominato da foresta e terreni coltivati stabili, mentre il FoM, focalizzato sui cambiamenti, indica una precisione limitata nella riproduzione delle posizioni dei cambiamenti. La validazione supporta quindi un'analisi comparativa degli scenari piuttosto che una previsione spaziale precisa. Tabella Supplementare 1 (foglio di lavoro S3) fornisce le metriche di validazione, i riscontri di cambiamento, le omissioni, gli allarmi falsi e la matrice di confusione completa. L'archivio contiene il raster di validazione e lo script esatto utilizzato per il calcolo.

Nei 28 run di sensibilità, ogni perturbazione abbinata ha mantenuto il rango ECP > BAU > VRA > TED. Gli intervalli di perdita di carbonio sono stati del 4,22–5,86% per ECP, del 6,87–8,55% per BAU, del 6,99–9,61% per VRA e del 10,45–15,84% per TED. Gli intervalli di BAU e VRA si sovrappongono; pertanto, l'interpretazione è limitata all'ordine tra casi abbinati piuttosto che alla completa separazione degli intervalli OAT. I risultati completi della sensibilità sono riportati nella Tabella Supplementare 1 (foglio di lavoro S4) e nella Figura Supplementare 1. La matrice operativa 2010–2015, fornita nella Tabella Supplementare 1 (foglio di lavoro S1), ha mostrato probabilità di ritenzione del 98,23% per la foresta, del 94,66% per le coltivazioni e del 99,43% per le superfici impermeabili. Le transizioni maggiori al di fuori della diagonale sono state da coltivazioni a superfici impermeabili (3,39%), da coltivazioni a foresta (1,71%) e da foresta a coltivazioni (1,71%). Nello stesso periodo, la copertura forestale è diminuita dall'87,63% all'86,27%, mentre le coltivazioni sono aumentate dall'10,99% all'11,92% e le superfici impermeabili sono aumentate dall'1,08% all'1,50%. Figura 3A,B mostra rispettivamente i modelli di uso del suolo osservati nel 2010 e nel 2015, e la Figura 4 mostra le classi di variazione corrispondenti, senza inferire i fattori di cambiamento non inclusi nell'analisi.

figure-results-1
Figura 3. Modelli di uso del suolo osservati nel paesaggio di Yixian–Huangshan nel 2010 e nel 2015. Mappe del China Land Cover Dataset (CLCD) che mostrano la distribuzione spaziale di nove classi di uso del suolo all'interno dell'estensione analitica. (A) Uso del suolo osservato nel 2010. (B) Uso del suolo osservato nel 2015. Le classi di uso del suolo comprendono terreni coltivati, foreste, arbusti, praterie, corsi d'acqua, neve/gelo, terreni incolti, superfici impermeabili e zone umide. Cliccare qui per visualizzare una versione ingrandita di questa figura.

figure-results-2
Figura 4. Cambiamenti nell'uso del suolo osservati nel paesaggio di Yixian–Huangshan dal 2010 al 2015. La mappa mostra la distribuzione spaziale delle aree forestali stabili, della perdita forestale, del guadagno forestale e delle nuove superfici impermeabili sviluppate, confrontando le mappe del China Land Cover Dataset relative al 2010 e al 2015. Le aree bianche rappresentano località non classificate in nessuna delle quattro categorie di cambiamento mostrate. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Caratteristiche del terreno e eterogeneità topografica

All'interno della maschera valida, l'elevazione variava da 82,3 a 1.830,3 m (media, 388,0 m), la pendenza da 0 a 87,3° (media, 22,4°), la nordicità da −1 a 1 e il rilievo topografico da 3,2 a 1.398,2 m (media, 230,0 m). Il rilievo è stato definito come l'intervallo altimetrico locale all'interno di un intorno circolare di raggio 450 m, calcolato mediante un'impronta di 31 × 31 pixel. Figura 5A–D mostra rispettivamente elevazione, pendenza, nordicità e rilievo topografico. Questi strati caratterizzano la variazione spaziale del terreno; ogni meccanismo ecologico ad essi associato è considerato un'ipotesi piuttosto che un risultato causale35,36,37,38,39,40,41,42,43,44.

figure-results-3
Figura 5. Variabili topografiche utilizzate nell'analisi di associazione. Distribuzioni spaziali delle quattro variabili topografiche all'interno dell'estensione analitica: (A) elevazione, espressa in metri; (B) pendenza, espressa in gradi; (C) orientamento a nord, espresso su una scala da −1 a 1; e (D) rilievo topografico, espresso in metri. Queste variabili sono state utilizzate nell'analisi geografica con rilevatore basato su parametri ottimali per valutare le loro associazioni individuali e congiunte con la densità di carbonio del 2015. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Proiezioni di uso del suolo in scenari multipli

La matrice di transizione comune e i parametri degli scenari riassunti nella Tabella 2 hanno prodotto traiettorie aggregate distinte utilizzando gli identificatori numerici delle classi di copertura del suolo forniti nella Tabella Supplementare 2. Figura 6 mostra le percentuali osservate e proiettate di foresta, terreni agricoli e superfici impermeabili, mentre Figura 7A–D mostra rispettivamente le proiezioni spaziali degli scenari BAU, TED, ECP e VRA per il 2030, e Figura 7E–H mostra le corrispondenti proiezioni per il 2050. Entro il 2050, si prevede che la copertura forestale raggiunga il 78,0% nello scenario BAU, il 74,6% nel TED, l'80,3% nell'ECP e il 78,2% nel VRA; le corrispondenti percentuali di superfici impermeabili sono state rispettivamente del 6,3%, 17,6%, 2,8% e 9,0%. Rispetto ai dati osservati nel 2015, l'espansione proiettata delle superfici impermeabili è stata di circa 202 km2 nello scenario BAU, 675 km2 nel TED, 57 km2 nell'ECP e 317 km2 nel VRA. Questi valori sono risultati di test di robustezza piuttosto che previsioni calibrate. I cambiamenti proiettati sono spazialmente raggruppati poiché la classificazione dei candidati si basa sui conteggi di vicinato della classe obiettivo e la conversione di aree non agricole in suolo impermeabile è limitata alle celle periferiche. Il modello non include strati relativi a corridoi di trasporto, nodi di villaggi, aree protette, linee ecologiche rosse o piani statutari; pertanto, l'allineamento apparente con specifiche infrastrutture o zone regolamentate non rappresenta un effetto codificato.

figure-results-4
Figura 6. Percentuali osservate e proiettate delle principali classi di uso del suolo in quattro scenari. È mostrata la percentuale dell'area di studio occupata da foreste, terreni coltivati e superfici impermeabili negli anni osservati 2005, 2010 e 2015 e nelle proiezioni al 2030 e al 2050 negli scenari Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP) e Village Revitalization and Activation (VRA). Le barre rappresentano la quota modellata dell'intera area di studio per ciascuna classe di uso del suolo; le barre di errore non sono applicabili poiché i valori sono uscita deterministica degli scenari e non stime basate su repliche. Cliccare qui per visualizzare una versione ingrandita di questa figura.

figure-results-5
Figura 7. Distribuzione spaziale prevista dell'uso del suolo in quattro scenari nel 2030 e nel 2050. Pattern previsti dell'uso del suolo negli scenari Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP) e Village Revitalization and Activation (VRA). (A–D) Proiezioni BAU, TED, ECP e VRA, rispettivamente, per il 2030. (E–H) Proiezioni BAU, TED, ECP e VRA, rispettivamente, per il 2050. Le classi di uso del suolo comprendono terreni agricoli, foreste, arbusti, praterie, corsi d'acqua, neve/gelo, terreni incolti, superfici impermeabili e zone umide. Tutte le simulazioni degli scenari sono state inizializzate a partire dalla mappa CLCD osservata nel 2015; pertanto, le celle senza transizioni di uso del suolo simulate mantengono la classe di uso del suolo del 2015 e il modello spaziale di base. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Dinamiche di stoccaggio del carbonio in proiezioni multiscenario

L'applicazione della tabella completa a quattro pool riportata nella Tabella 3 ha prodotto un valore di 59.505 Tg C per il 2015, corrispondente a una densità media di 142.73 Mg C ha−1. La foresta ha contribuito con 57,04 Tg C (95,9%), mentre le terre coltivate hanno contribuito con 2,37 Tg C (4,0%). Le superfici impermeabili hanno apportato un contributo piccolo ma non nullo poiché la fonte adottata assegna a questa classe 9,28 Mg C ha−1. All'interno della classe forestale, i pool del suolo, della biomassa aerea, della biomassa sotterranea e della materia organica morta rappresentavano rispettivamente il 53,5%, il 33,8%, l'10,9% e l'1,8% del carbonio totale31,32,33,34,44,47. Tutti gli scenari hanno prodotto un immagazzinamento di carbonio inferiore nel 2050 rispetto al 2015. L'immagazzinamento previsto è stato di 54,895 Tg C nello scenario BAU (una perdita del 7,75%), di 51,475 Tg C nello scenario TED (13,49%), di 56,523 Tg C nello scenario ECP (5,01%) e di 54,540 Tg C nello scenario VRA (8,34%). La differenza tra ECP e TED è stata di 5,048 Tg C. Queste differenze derivano dai parametri numerici imposti e non stimano gli effetti di specifiche politiche. Figura 8A mostra l'immagazzinamento totale di carbonio nel 2015 e le proiezioni degli scenari per il 2030 e il 2050; Figura 8B mostra le corrispondenti densità medie di carbonio; Figura 8C mostra la perdita di carbonio entro il 2050 rispetto alla condizione di riferimento del 2015; e Figura 8D illustra la relazione tra la quota prevista di foresta e la perdita di carbonio. I valori rappresentano risultati deterministici degli scenari, piuttosto che stime basate su replicati.

figure-results-6
Figura 8. Stoccaggio proiettato di carbonio e la sua relazione con la copertura forestale in quattro scenari di uso del suolo. (A) Stoccaggio totale di carbonio nel 2015 e proiezioni per il 2030 e il 2050 negli scenari Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP) e Village Revitalization and Activation (VRA), espresso in teragrammi di carbonio (Tg C). (B) Densità media di carbonio per gli anni e scenari corrispondenti, espressa in megagrammi di carbonio per ettaro (Mg C ha-1). (C) Percentuale di perdita di stoccaggio totale di carbonio entro il 2050 rispetto alla condizione di riferimento del 2015 per ciascuno scenario. (D) Relazione tra la percentuale prevista di copertura forestale nell'area di studio nel 2050 e la percentuale di perdita di carbonio rispetto al 2015 per ciascuno scenario. I valori sono uscite deterministiche degli scenari; le barre di errore non sono applicabili. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Associazioni topografiche con l'eterogeneità spaziale dello stoccaggio del carbonio

Il rilevatore del fattore OPGD ha classificato per primo il pendio (q = 0,557), seguito dal rilievo topografico (q = 0,460), dall'elevazione (q = 0,352) e dalla direzione nord (q = 0,003), come mostrato in Figura 9A. Con 999 permutazioni, il valore p di permutazione per ciascun fattore era 0,001, il valore minimo ottenibile; anche i valori p dell'analisi F-test erano inferiori a 0,001. Le statistiche complete dei fattori e delle interazioni, incluse le intervalli di discretizzazione ottimizzati e i valori p analitici e di permutazione, sono riportate in Tabella Supplementare 3. La significatività statistica va distinta dall'entità dell'effetto: l'associazione con la direzione nord era trascurabile in termini pratici, e tutti i valori q rappresentano associazioni all'interno delle quattro variabili topografiche valutate, piuttosto che effetti causali10,40. Tutte le coppie di fattori hanno prodotto valori q di interazione maggiori del più alto dei rispettivi valori q individuali. Le interazioni più forti sono state pendenza ∩ rilievo (q = 0,628), elevazione ∩ pendenza (q = 0,618) ed elevazione ∩ rilievo (q = 0,510), come mostrato in Figura 9B. Questi valori indicano associazioni stratificate più forti per coppie di fattori, ma non stabiliscono un meccanismo geomorfologico poiché non sono stati modellati suolo, clima, età della foresta, gestione e accessibilità.

figure-results-7
Figura 9. Associazioni topografiche con la densità di carbonio nel 2015 identificate mediante il rilevatore geografico basato sui parametri ottimali. (A) Statistiche q del fattore-rilevatore per altitudine, pendenza, orientamento a nord e rugosità topografica. I rispettivi valori di q sono 0,3518, 0,5571, 0,0031 e 0,4600; i test di permutazione hanno prodotto p = 0,001. (B) Valori q dell'interazione-rilevatore per combinazioni a coppie delle quattro variabili topografiche. Valori q più elevati indicano associazioni statistiche più forti con la distribuzione spaziale della densità di carbonio nel 2015. OPGD, rilevatore geografico basato sui parametri ottimali. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Risultati complessivi

Figura 10A–D riassume i risultati principali del flusso di lavoro: la quota forestale proiettata, l'accumulo totale di carbonio, la classificazione delle associazioni topografiche e gli indicatori quantitativi chiave, rispettivamente. La linea di base analitica del 2015 conteneva 59.505 Tg C. Nei quattro insiemi esplorativi di parametri, le perdite proiettate entro il 2050 sono variate dal 5,01% al 13,49%, e tutti i casi di sensibilità corrispondenti hanno mantenuto la classificazione ECP > BAU > VRA > TED. Pendenza e rilievo hanno mostrato le associazioni con il terreno più forti riscontrate. Considerando FoM = 0,107 e l'assenza di strati espliciti di pianificazione, fattori socioeconomici e clima, i risultati supportano una valutazione regionale comparativa piuttosto che una previsione spaziale deterministica.

figure-results-8
Figura 10. Sintesi dei risultati previsti relativi all'uso del suolo e al sequestro del carbonio e delle associazioni topografiche. (A) Percentuale prevista di foresta nell'area di studio nel 2030 e nel 2050 nei scenari Business As Usual (BAU), Espansione e Sviluppo del Turismo (TED), Priorità alla Conservazione Ecologica (ECP) e Riattivazione e Rilancio del Villaggio (VRA); la linea tratteggiata indica la percentuale di foresta nel 2015, assunta come linea di base. (B) Stoccio totale di carbonio nel 2015 e previsioni per il 2030 e il 2050 nei quattro scenari, espresso in teragrammi di carbonio (Tg C). (C) Classificazione di elevazione, pendenza, orientazione a nord e rilievo topografico in base ai valori statistici q ottenuti mediante il rilevatore geografico basato sui parametri ottimali (OPGD), dove valori q più elevati indicano associazioni statistiche più forti con la densità di carbonio del 2015. (D) Sintesi degli indicatori quantitativi principali, inclusi lo stoccio e la densità di carbonio di base, l'intervallo previsto di perdita di carbonio nel 2050, la differenza nello stoccio del carbonio tra gli scenari ECP e TED, le metriche di validazione e l'associazione topografica più significativa rilevata. OA, accuratezza complessiva; FoM, indice di merito; Mg C ha-1, megagrammi di carbonio per ettaro. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura supplementare 1. Analisi di sensibilità singola per singolo parametro dello stoccio di carbonio nel 2050 nei quattro scenari di uso del suolo. (A) Stoccio di carbonio nominale nel 2050 e l'intervallo completo di sensibilità OAT per BAU, TED, ECP e VRA. I punti indicano i valori nominali degli scenari, mentre le estensioni verticali indicano i valori minimi e massimi di stoccio del carbonio ottenuti moltiplicando uno tra dev, fp o af per 0,5 o 1,5, mantenendo costanti gli altri parametri. (B) Variazione dello stoccio di carbonio nel 2050 rispetto al corrispondente valore nominale dello scenario a seguito di perturbazioni di 0,5× e 1,5× applicate ai parametri dev, fp e af. I valori superiori a zero indicano uno stoccio di carbonio maggiore rispetto al caso nominale, mentre i valori inferiori a zero indicano uno stoccio inferiore. Gli intervalli rappresentano perturbazioni deterministiche singole per singolo parametro e non sono intervalli di confidenza probabilistici.Cliccare qui per scaricare questo file.

Tabella supplementare 1. Matrice di transizione dell'uso del suolo, parametrizzazione degli scenari, validazione del modello e risultati dell'analisi di sensibilità uno-per-volta. La cartella di lavoro contiene quattro fogli: S1, la matrice di transizione operativa dell'uso del suolo per il periodo 2010–2015; S2, i valori dei parametri, le regole implementate e i limiti di interpretazione per i quattro scenari; S3, la matrice di confusione 9 × 9 e i risultati associati della validazione del modello; e S4, i risultati nominali e quelli dell'analisi di sensibilità uno-per-volta ottenuti variando dev, fp e af di 0,5× e 1,5× mantenendo costanti gli altri parametri. Gli intervalli di sensibilità rappresentano perturbazioni deterministiche dei parametri e non intervalli di confidenza probabilistici.Cliccare qui per scaricare il file.

Tabella supplementare 2. Identificatori delle classi di copertura del suolo utilizzati nel flusso di lavoro computazionale. La tabella elenca gli identificatori numerici delle classi e le corrispondenti classi di copertura del suolo utilizzate nelle analisi raster. La classe 0 indica NoData al di fuori della maschera valida dell'area di studio; le classi da 1 a 9 indicano rispettivamente terreni coltivati, foresta, cespugli, prateria, acqua, neve/gelo, terreni sterili, superfici impermeabili e zone umide.Cliccare qui per scaricare il file.

Tabella supplementare 3. Risultati dell'analisi dei fattori e delle interazioni OPGD per la densità di carbonio nel 2015. La tabella riporta le statistiche q ottimizzate, il numero di intervalli di discretizzazione, i valori p del test F analitico e i valori p di permutazione basati su 999 permutazioni per elevazione, pendenza, orientamento a nord e rilievo topografico. I risultati delle interazioni a coppie riportano la statistica q dell'interazione, le statistiche q dei singoli fattori e la classificazione dell'interazione. Le statistiche riportate rappresentano associazioni spaziali e non stabiliscono effetti causali.Cliccare qui per scaricare il file.

Nota integrativa 1. Descrizioni panel per panel, fonti dei dati e note interpretative relative alle figure del manoscritto. La nota identifica il contenuto e la fonte dei dati sottostanti per ciascun pannello delle figure e fornisce informazioni riguardo gli estesi spaziali condivisi, le informazioni duplicate e l'interpretazione delle variabili visualizzate.Clicca qui per scaricare questo file.

Archivio dati supplementari (zippato). L'archivio contiene 26 file GeoTIFF pronti per l'analisi, file di delimitazione, metadati, risultati, script, figure, cartelle di lavoro, file dell'ambiente computazionale esatto, un file README e checksum SHA-256.

Discussione

Nei quattro test di stress, l'immagazzinamento del carbonio è diminuito man mano che le transizioni simulate alteravano le proporzioni delle classi di copertura del suolo ad alta e bassa densità. TED ha prodotto la diminuzione maggiore, mentre ECP ha prodotto la minore. Un passaggio fondamentale nell'applicazione del protocollo è quindi la configurazione e l'interpretazione dei parametri dev, fp e af. Poiché le differenze tra scenari derivano da questi valori imposti, esse rappresentano risposte condizionali del modello piuttosto che effetti osservati dello sviluppo turistico, della riqualificazione dei villaggi o della regolamentazione ecologica. Entro il 2050, l'immagazzinamento di carbonio previsto secondo TED era di 5,048 Tg C inferiore rispetto a quello previsto secondo ECP. Secondo la tabella adottata, la conversione di un ettaro di foresta in suolo impermeabile riduce la riserva assegnata di 149,32 Mg C, mentre la conversione da terreno agricolo a suolo impermeabile la riduce di 38,45 Mg C. Queste differenze contabili spiegano l'ampio impatto della conversione simulata delle foreste sull'immagazzinamento totale. Tuttavia, la dipendenza da valori derivati dalla letteratura scientifica senza calibrazione locale introduce incertezze nelle stime assolute.

Un altro passaggio fondamentale è la derivazione e la discretizzazione delle variabili topografiche utilizzate nell'OPGD. La rilevanza topografica è risultata associata alla densità di carbonio dopo una discretizzazione ottimizzata (q = 0,460). La rilevanza è stata definita come l'intervallo altimetrico locale all'interno di un intorno circolare di raggio pari a 450 m, implementato con un'impronta di 31 × 31 pixel. Le celle ad alta rilevanza possono coincidere con terreni ripidi e boschivi, ma l'OPGD non è in grado di distinguere tra rilievo, accessibilità, storia dell'uso del suolo, suolo, gestione e altre spiegazioni correlate. Le coppie di strati topografici hanno prodotto valori di q più elevati rispetto ai singoli fattori, in particolare per pendenza ∩ rilevanza (q = 0,628). Questo schema è descrittivo piuttosto che meccanicistico. Analogamente, il basso valore di q per la componente settentrionale (0,003) non dimostra che le differenze nella radiazione solare siano trascurabili; per verificare questa spiegazione sono necessarie misurazioni relative alla radiazione, al microclima, alla vegetazione e rilevamenti sul campo.

Il metodo supporta la generazione di ipotesi a livello regionale: limitare la conversione simulata delle foreste, moderare l'espansione delle superfici impermeabili e aumentare la transizione da terreni coltivati a foreste consente di preservare una maggiore quantità di carbonio assegnato. Prescrizioni specifiche per singolo sito richiedono ulteriore evidenza. Per adattare il flusso di lavoro a applicazioni orientate alle decisioni, è necessario integrare strati verificati di aree protette, ecologiche con vincolo di tutela (ecological-redline), trasporti, particelle fondiarie e nodi di villaggio, insieme a valutazioni sulla partecipazione delle parti interessate, sui compromessi tra servizi ecosistemici, sugli incentivi, sui costi di ripristino, sui servizi culturali, sui mezzi di sussistenza e sulla biodiversità49,50,51,52,53,54,55,56. Queste estensioni sono importanti perché il protocollo attuale non incorpora tali vincoli spaziali o socioeconomici. La letteratura più ampia indica inoltre che strategie di accumulo delle piante, struttura forestale, vegetazione non arborea, comportamenti legati al turismo ed effetti del ciclo di vita dell'ambiente costruito richiedono analisi distinte rispetto all'attuale contabilizzazione della copertura del suolo57,58,59,60,61.

Diversi limiti definiscono l'uso e l'interpretazione appropriata del metodo. Tra questi vi sono densità di carbonio derivate dalla letteratura senza calibrazione locale sul campo, possibili errori di classificazione CLCD, un modello Markov-CA personalizzato semplificato, un FoM di validazione basato sui cambiamenti pari a 0,107, parametri per test di stress non calibrati e una valutazione stocastica a singolo seme. Altri limiti includono un disegno sperimentale basato sulla variazione di un singolo fattore alla volta anziché su un'analisi probabilistica dell'incertezza, l'omissione di strati relativi alla pianificazione, agli aspetti socioeconomici, all'accessibilità, al tipo di suolo, all'età della foresta e ai cambiamenti climatici, e associazioni OPGD non causali. Tali limiti implicano che il flusso di lavoro è adatto alla valutazione comparativa di scenari regionali, ma non fornisce previsioni spaziali deterministiche, inventari del carbonio calibrati a livello locale o stime causali dell'efficacia delle politiche.

Rispetto agli approcci esistenti e alternativi, il significato del protocollo risiede nell'integrazione della simulazione dell'uso del suolo, della contabilità del carbonio in quattro pool, della validazione, dei test di sensibilità e dell'analisi dell'associazione con il terreno all'interno di un flusso di lavoro riproducibile, mantenendo al contempo limitazioni esplicite sull'interpretazione. La risoluzione dei problemi e le modifiche dovrebbero concentrarsi in particolare sui passaggi che influenzano maggiormente l'interpretazione successiva: preelaborazione e mascheratura della copertura del suolo, parametrizzazione delle transizioni e degli scenari, validazione del modello, assegnazione della densità del carbonio e discretizzazione del terreno.

Il flusso di lavoro può essere applicato alla valutazione comparativa di diverse traiettorie di uso del suolo e all'identificazione di associazioni spaziali che richiedono ulteriori indagini, mentre applicazioni specifiche per sito richiedono ulteriore evidenza verificata a livello locale. Le priorità per la ricerca futura includono la raccolta di misurazioni locali del carbonio, il confronto di modelli alternativi di allocazione e di diversi semi casuali, l'adattamento dei parametri a fattori indipendenti e la propagazione dell'incertezza riguardante classificazione, parametri e clima. Questi sviluppi estenderebbero il flusso di lavoro attuale oltre i test comparativi di stress e fornirebbero una base più solida per valutare gli esiti relativi all'uso del suolo e al sequestro del carbonio in presenza di ulteriori fonti di incertezza.

Dichiarazioni

Gli autori dichiarano di non avere conflitti di interessi.

Ringraziamenti

Gli autori ringraziano i fornitori dei set di dati CLCD e Copernicus DEM GLO-30.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Set di dati sulla copertura del suolo della Cina (CLCD)Università di Wuhan (Yang J & Huang X)Prodotto annuale 1985–2022; 30 m; Zenodo DOI: 10.5281/zenodo.4417810Input di base per la copertura del suolo; strati del 2005, 2010 e 2015 utilizzati per la calibrazione, la validazione, la stima della matrice di transizione e l'analisi di base
Copernicus DEM GLO-30Agenzia Spaziale Europea / Programma CopernicusEpoca di riferimento 2019; rilascio pubblico 2021; 30 mInput topografico utilizzato per ricavare elevazione, pendenza, orientamento a nord e rilievo topografico nell'analisi OPGD
Automa cellulare Markov personalizzatoImplementazione personalizzata in PythonPython 3.11; seme 2023; aggiornamento sincrono; vicinato di Moore 3 × 3; codice sorgente archiviatoSimulazione di scenari di uso del suolo; implementazione personalizzata che non utilizza PLUS
geopandas (libreria Python)Sviluppatori di geopandas1.1.4Gestione di dati vettoriali, query spaziali e operazioni sui confini
Formulazione InVEST per lo stoccaggio del carbonio a quattro poolProgetto Natural CapitalDocumentazione InVEST; calcolo personalizzato basato su lookup in Python; script archiviatoContabilità del carbonio a quattro pool basata sulle classi; senza moduli per tasso di sequestro, valutazione o economia
matplotlib (libreria Python)Sviluppatori di Matplotlib3.11.0Rendering di figure e visualizzazione scientifica
numpy (libreria Python)Sviluppatori di NumPy2.4.6Calcoli numerici a livello di array
Rilevatori di fattori e interazioni OPGDImplementazione personalizzata in Python basata sulla metodologia OPGDSeme 42; campione di 200.000 pixel; intervalli quantilici da 2–15; 999 permutazioni; script archiviatoAnalisi di fattori e interazioni delle associazioni tra densità di carbonio nel 2015 ed elevazione, pendenza, orientamento a nord e rilievo topografico
pandas (libreria Python)Sviluppatori di pandas3.0.3Gestione di dati tabellari ed elaborazione degli output analitici
Linguaggio di programmazione PythonFondazione Python Software3.11.9Ambiente computazionale per pre-elaborazione, simulazione, validazione, contabilità del carbonio, analisi OPGD e post-elaborazione
rasterio (libreria Python)Maintainer di rasterio1.4.4Input/output raster, riproiezione, ricampionamento ed elaborazione di raster di copertura del suolo e del terreno
scipy (libreria Python)Sviluppatori di SciPy1.17.1Operazioni numeriche e morfologiche utilizzate nell'elaborazione del terreno
shapely (libreria Python)Sviluppatori di Shapely2.1.2Operazioni geometriche a supporto dell'elaborazione vettoriale e spaziale
Estensione dell'area di studio e maschera validaInput personalizzato dello studio ricostruito dalle coordinate del manoscrittoEPSG:32650; 30 m; GeoJSON e GeoTIFF archiviati; 4.632.329 celle valideDefinisce l'area comune di analisi di 4.169,1 km² e la maschera raster valida

Riferimenti

  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.

Ristampe e permessi

Tag

Cambiamento dell'uso del suolosimulazione di scenariautoma cellulare di Markovdetector geograficoservizi ecosistemicicontabilizzazione del carbonioespansione del turismoconservazione ecologica

Questo articolo è stato pubblicato

Video in arrivo

Contattaci
Consiglia alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.