方法論記事

黟県-黄山世界遺産景観におけるマルチシナリオ土地利用予測および炭素蓄積量評価

11 回視聴

⸱

DOI:

10.3791/73148

⸱

2026年10月1日

 ,  ,  , 
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

この記事について

サマリー

本プロトコルでは、黟県-黄山世界遺産景観における、マルチシナリオの土地利用予測、炭素貯蔵量評価、および地形的関連性分析のための再現可能なワークフローを提示します。

要約

土地利用の変化は陸域の炭素貯蔵量に影響を与えますが、観光に特化した世界遺産景観において、シナリオに基づいた変化を評価するための再現可能なワークフローは依然として限られています。本プロトコルでは、カスタムのマルコフ細胞自動機、Integrated Valuation of Ecosystem Services and Tradeoffs（IVES）フレームワークと同等の4プール炭素会計、および最適パラメータに基づいた地理的検出器を統合し、中国安徽省南部の黄山および義県とその隣接地域における土地利用と炭素貯蔵量の変化を評価します。キャリブレーションおよび期間外検証には、2005年、2010年、2015年の中国土地被覆データセット（China Land Cover Dataset）のマップを使用しました。2030年および2050年に向け、「現状維持（Business As Usual）」、「観光拡大と開発」、「生態系保全優先」、「村落の活性化と再生」という4つの探索的シナリオをシミュレーションしました。4,632,329個の有効ピクセルによる検証の結果、全体精度96.61%、Kappa係数0.850、Figure of Merit 0.107が得られました。ベースラインの炭素貯蔵量は59.505 teragrams of carbonであり、森林が95.9%を占めていました。2050年までの予測炭素損失は、「生態系保全優先」シナリオでの5.01%から、「観光拡大と開発」シナリオでの13.49%の範囲でした。一変数ずつの摂動を用いたマッチングにより、同一のシナリオ順序が支持されました。最適パラメータに基づく地理的検出器により、斜面、起伏、標高が、評価した地形要因の中で最も強い関連性を持つことが特定されました。提供される入力データ、パラメータ、出力結果、およびスクリプトは再現性を支持しますが、これらのシナリオは、精緻な予測ではなく、比較的なストレステストとして解釈されるべきです。

概要

陸上生態系は、植生、土壌、および死有機物として炭素を貯蔵しており、それによって気候調節に寄与しています1,2。土地利用の転換は、これらの貯蔵量を急速に変化させる可能性があるため、土地利用計画および炭素管理において、空間的に明確な評価が重要となります。

安徽省南部の分析範囲には、広大な亜熱帯森林、農業盆地、および黄山と西逓・宏村の世界遺産に関連する地域が含まれます3,4。文化遺産の土地被覆、世界遺産観光、および伝統的村落の保全に関する研究では、この環境において生態学的状態、訪問者の圧力、および場所のアイデンティティを統合的に検討する必要があることが示されています5,6,7。

シナリオベースの土地利用モデルは、観測された遷移を空間的に明示的な予測へと変換し、炭素プール会計によってそれらのパターンの影響を定量化します。先行研究では、中国やその他の景観において、Patch-generating Land Use Simulation (PLUS) またはセル・オートマトン–マルコフ (CA–Markov) 配分を、Integrated Valuation of Ecosystem Services and Tradeoffs (InVEST) フレームワークおよび最適パラメータベースの地理的検出器 (OPGD) と組み合わせて使用しており、最近の統合的な応用例も報告されています8,9,10,11,12,13,14,15,16,17,18,19,20。これらの研究は手法的な先例を提供していますが、本研究で使用するシミュレーターはPLUSではなく、カスタム実装されたマルコフ・セル・オートマトン (Markov-CA) です。

関連研究では、政策条件付きの炭素軌跡、衛星および土地利用の結合モデル、地形感受性炭素貯蔵、都市およびキャンパスへの適用、土壌炭素管理、農地の転換、国家森林マッピング、およびスケール依存性が評価されています21,22,23,24,25,26,27,28,29,30,31,32,33,34。これらの研究を総合すると、マルチシナリオ比較が支持される一方で、結論がデータのスケール、クラスの転換、炭素パラメータ、およびモデル化された政策上の仮定に依存することが示されています。本研究で用いたカスタム実装は、転移行列、シナリオ乗数、配分手順、炭素密度のルックアップ、感度分析、および地形関連性分析を単一の再現可能なフレームワーク内で検討できる透明性の高いワークフローを提供します。本研究におけるカスタムワークフローの実用的価値は、転移行列、シナリオパラメータ、ピクセル配分ルール、検証、感度分析、炭素会計、および地形関連性分析が、再現可能な計算フレームワーク内で実装され、文書化されている点にあります。この構造により、シナリオ分析に使用された仮定および中間的な分析ステップを検査し、再現することが可能になります。本ワークフローはPLUSやその他のCA–Markov実装と直接的にベンチマーク比較されていないため、精度、効率性、または予測性能の優位性については主張しません。

地形および土壌的制御、地形的な土壌炭素の持続性、空間スケール効果、OPGDの適用、黄山の生産性、景観指標、湿地、および森林炭素に関する研究は、地形効果に対する慎重な相関ベースの解釈をさらに支持している35,36,37,38,39,40,41,42,43,44。このような背景から、本手法の全体的な目的は、黟県・黄山世界遺産景観におけるマルチシナリオの土地利用予測、炭素貯蔵量評価、および地形相関分析のための、透明性と再現性のあるワークフローを提供することである。このワークフローでは、InVESTと同等の4プール炭素会計およびOPGDを備えたカスタムMarkov-CA実装を使用し、2005年から2015年の期間外でモデルを検証し、28回のワンアットアタイム感度分析を実施している。付属のラスタ、シナリオルール、混同行列、環境ファイル、およびスクリプトにより、カスタムシミュレーションワークフローの直接的な検査と再現が可能である。このワークフローは、互換性のあるカテゴリカルな土地被覆ラスタ、クラス固有の炭素密度パラメータ、および適切な地形データを備え、目的が精密な空間予測ではなく比較的なシナリオ評価であるアプリケーション向けに想定されている。

本研究には3つの目的がある。(1) 現状維持（BAU）、観光拡大・開発（TED）、生態系保全優先（ECP）、および集落再生・活性化（VRA）のストレステスト条件下における2030年および2050年の土地利用をシミュレーションすること、(2) 9クラス4プールの完全なルックアップを用いて炭素貯蔵量を定量化すること、(3) 標高、傾斜、北向き度、および地形起伏が2015年の炭素密度に及ぼす個別の関連性と共同の関連性を評価することである8,9,10。これらの目的は、シミュレーションによる土地利用の結果と、地形変数との統計的な関連性の区別を維持しつつ、土地利用予測、炭素会計、および地形関連分析を単一の再現可能なワークフローに統合するものである。

シナリオのラベルは、適合させた予測や規定の法定計画ではなく、比較上の想定を示すものである。したがって、本手法は、得られたマップを将来の土地利用の校正済み予測として解釈することよりも、代替的な土地利用の想定とそれに伴う炭素貯蔵結果を再現可能な形で比較することに最も適している。

プロトコル

人間の被験者、動物、または保護種は関与しなかった。分析には公開されているリモートセンシング製品および既発表の炭素密度パラメータのみが使用されたため、倫理委員会の承認は必要なかった。

Python 3.11を用いて、オープンで再現可能なワークフロー内ですべての計算手順を実装する。以下の7つのセクションに従う：（1）研究領域の定義、（2）入力データの取得と前処理、（3）遷移行列の推定およびカスタムMarkov-CAの初期化、（4）シナリオ、感度試験、将来のシミュレーションの設定、（5）モデルの較正と検証、（6）炭素貯蔵量の計算、（7）OPGDとの地形関連性の検出。図に示される完全なワークフローに従う。 図1.

figure-protocol-1
図1多シナリオ土地利用予測、炭素貯蔵量評価、および地形関連性分析の再現可能なワークフロー。 7段階のワークフローは、(1) 中国土地被覆データセット（CLCD）マップ、コペルニクス・デジタル標高モデル（DEM）GLO-30データおよび炭素密度表を用いた入力の準備と前処理、(2) ピクセルのクロス集計による遷移確率の推定、(3) 現状維持（BAU）、観光拡大・開発（TED）、生態系保全優先（ECP）、および村落再生・活性化（VRA）の各シナリオのパラメータ設定、(4) 3 × 3 ムーア近傍；（5）全体的精度（OA）、カッパ係数、およびマーチットファクター（FoM）を用いた期間外検証；（6）InVEST（Integrated Valuation of Ecosystem Services and Tradeoffs）相当の4プール照合法を用いた炭素量算；および（7）最適パラメータに基づく地理検出器（OPGD）分析。本ワークフローは、シナリオ固有の土地利用図、炭素貯留の変化経路、および地形的関連性の評価を生成する。 この図の拡大版をご覧になるには、ここをクリックしてください。

1. 研究地域

  1. 解析グリッドを117.60と定義する–118.38°Eおよび29.72–30.22°N. 黄山と西渓を処理する–洪村の世界遺産地域は地理的文脈としてのみ使用すること。長方形の分析範囲や有効マスクを、公式な行政区域または世界遺産の境界と解釈しないこと3,4.
  2. グリッドをEPSG:32650に再投影し、有効マスクを適用して、30 m解像度の4,632,329セル（4,169.1 km²に相当）を得る2。すべてのラスタ解析には、黟県、黄山風景地区の隣接する地域および休寧県北部をカバーするこの範囲を使用する（図2).

figure-protocol-2
図2. 義県層の研究範囲–中国安徽省南部の黄山の風景。 中国安徽省内の解析範囲の位置。研究区域は赤色の矩形で示されている。関連解析に用いた地形変数を図5に示す。 この図の拡大版をご覧になるには、ここをクリックしてください。

2. データソース

  1. 3つの入力グループを使用する：CLCD年次土地被覆データ、コペルニクスDEM GLO-30地形データ、およびクラス別4プール炭素密度表。各入力データの時間的範囲、空間解像度、出所、および分析上の役割を記録する。 表1.
  2. 2005年、2010年、および2015年のCLCDレイヤーを30 m解像度で抽出する。耕作地、森林、低木、草地、水域、雪氷、不毛地、不透水面、および湿地の9つのクラスを保持する。45.
  3. コペルニクスDEM GLO-30から標高、勾配、北斜面度、および地形起伏を算出する46Chengらの表6で報告されている完全な9段階の炭素プール値を割り当てること。出典のない既定値やゼロ値の規則を適用しないこと。47.
  4. すべてのレイヤーを共通の30 mグリッド上でWGS 84 / UTM ゾーン50N（EPSG:32650）に再投影する。カテゴリ型の土地被覆データにはニアレストネイバー再サンプリングを、連続型の地形データにはバイリニア再サンプリングを使用する。
  5. 交差集計、検証、炭素量算、およびOPGDサンプリングの各処理の前に、すべてのレイヤーに同一の有効マスクを適用する。
  6. Python 3.11.9、numpy 2.4.6、scipy 1.17.1、rasterio 1.4.4、matplotlib 3.11.0、pandas 3.0.3、geopandas 1.1.4、shapely 2.1.2を使用してください。正確に再現するには、アーカイブされた環境ファイルおよび相対パスのスクリプトを参照してください。
  7. マルコフ-CAを3で構成する × 3 ムーア近傍およびシード 2023。各シナリオ・年および感度解析の実行ごとに、独立したシード付きジェネレータを初期化し、OPGDサンプリングにはシード42を使用する。
データセット時間的範囲ナティブ空間分解能一次情報源 / 永続識別子分析ワークフローにおける役割
中国土地被覆データセット (CLCD; Yang & 黄45)2005年、2010年、および2015年30 mZenodo DOI: 10.5281/zenodo.4417810土地利用分類、変化検出、検証、移行行列の推定、観測ベースライン、マルコフ・セルオートマトン入力
コペルニクスデジタル標高モデル（DEM）GLO-302019年基準エポック；本研究では静的30 mコペルニクス・データスペースエコシステム / マイクロソフト プラネタリー・コンピュータ STAC450 m半径の近傍領域を用いた標高、勾配、北面性および地形起伏の算出
炭素密度パラメータ静的土地利用区分ごと；区分照合（Mg C ha）⁻¹)チェン ら47
表6		統合的生態系サービス評価およびトレードオフ（Integrated Valuation of Ecosystem Services and Tradeoffs）相当の炭素会計に用いる、9段階4プールの完全な照合表（表3）
調査地域の解析範囲および境界静的ベクター / 30 m マスク現存する写本から復元：117.60–118.38°E、29.72–30.22°N；アーカイブ済みGeoJSONおよびマスク共通空間マスク、解析範囲、および解析グリッド

表1: 分析ワークフローで使用される主な空間データおよび表形式データセット。 表は、中国土地被覆データセット（CLCD）、コペルニクス標高データ（DEM）GLO-30、クラス別炭素密度パラメータ、および研究区域の分析範囲について、それぞれの時間的範囲、空間分解能、出所または永続的識別子、および分析上の役割を要約している。炭素密度の値は、ヘクタールあたりメガグラムの炭素（Mg C ha⁻¹）で示されている。−1).

3. 遷移行列の推定とマルコフ-CAモデルの初期化

  1. 2010年から2015年までの有効なCLCDピクセルをクロス集計する。出典クラス i およびターゲットクラス j、を計算する。
  2. 得られた9を使用する × 将来のシナリオに対する9つの遷移行列。2005年について別個に導出する–モデル検証用の2010年移行行列
  3. カスタムPythonのマルコフ-CA実装としてシミュレータを実行する。PLUSは起動しない。8.
  4. 5年ごとの時点において、初期状態の同期スナップショットを取得する。そのスナップショットから遷移回数を計算する。
  5. ターゲットクラス1の評価–9および第1群のソース–9を昇順に並べる。選択された各ソースピクセルをこれ以上の割り当てから除外し、5年間のステップ内で最大1回の移行しか行えないようにする。
  6. ステップ開始時のターゲットクラスの隣接ピクセル数により、候補ピクセルを順位付けする × 3 モーアーウィンドウ＋0 から 0.5 までの一様乱数ジャイタ
  7. 各ソースからターゲットへの遷移について、ソースクラス内の有効ピクセル数と対応する遷移確率、および適用可能なスケーリング係数の積を四捨五入して、要求されるピクセル数を算出する。
    1. スケーリング係数として dev 不透水面への移行について dev × fp 森林から不透水面への遷移の場合；それ以外の場合は、スケーリング係数として1を使用する。要求されたカウントは、該当する候補ピクセル数の範囲内に制限する。
    2. 要求される数が候補として適格な数より小さい場合、上記のターゲットクラス近傍スコアに一様乱数ジャイターを加算した値に基づき、順位の最も高い候補を選択する。要求される数が候補として適格な数と等しい場合、すべての適格な候補を選択する。

4. シナリオ、感度試験、および将来のシミュレーションの設定

  1. 共通の遷移行列に3つのパラメータを適用する。ここで dev 不浸透性クラス8への予想される遷移をスケール化し、適用する fp 不透水面への森林の変化にのみ限定し、定義する af 不透過性のムーア隣接地を持たない耕作地が森林に変化する、各ステップにおける確率。
  2. 設定（dev, fp, af）から、BAU については (1.4, 1.0, 0.005)、TED については (6.0, 2.0, 0.001)、ECP については (0.4, 0.4, 0.025)、VRA については (2.5, 0.7, 0.012) に設定する。使用する 表2 対応する計算規則、ポリシーの説明文、およびパラメータ値について。
  3. 乗数は、実証的遷移行列を中心とした、開発レベルが低・中・高のストレステストとして透明性をもって解釈すること。それらを観光、村ノード、ゾーニング、交通、保護区域、または生態的レッドラインのデータから推定された係数として扱ってはならない。
  4. ポリシーのラベルは、相対的なパラメーターの方向を記述する場合にのみ使用してください。これらのラベルを、モデルに符号化された法的または空間的制約として解釈しないでください。
  5. 処理する dev, fp、および af 著者定義の探索的ストレステストパラメータとして、経験的に推定または較正された係数ではなく。名目値は、開発圧力に関する対照的な数値シナリオの仮定を示すものである（dev）、森林保護（蛍光タンパク質）、および植林（af）；これらは2015年以降の観測された土地利用の変化に適合させていないし、特定の政策効果の推定値と解釈するものでもない。主なシナリオ比較にはこれらの名目値を使用し、以下に示す一要因同時変更感度分析によってそのロバスト性を評価する。
  6. 各シナリオについて、公称2050年ケースを実行する。いずれか1つのパラメーターを乗じた後、シミュレーションを繰り返す。 dev, fp、または af 他のパラメーターを一定に保ちながら、0.5または1.5だけ変化させる。
  7. 各28回の実行ごとにシード2023を再初期化する。炭素貯留量、炭素損失量、森林面積率、不浸透率を比較し、マッチケース順位および完全なOAT範囲を、確率的信頼区間と見なすことなく報告する。
  8. CLCD 2015の観測値から、今後のすべてのシミュレーションを初期化する。不透水面の割り当てに関しては、耕作地が有効マスク内で引き続き候補となることを許可し、耕作地以外のソースピクセルについては、ステップ開始時の不透水面セルに隣接することを条件とする。
  9. クラス間の割り当て後、適格な耕作地を確率的に独立に森林に転換する af2030年予測には5年ごとのステップを3回、2050年予測には5年ごとのステップを7回実行する。
  10. 有効マスク外のクラス0を保持する。すべての投影マップを30 m解像度で出力する。
シナリオ実装された計算ルールポリシーに関するナラティブ（符号化された制約ではない）パラメーター
（dev / fp / af）
現状の業務（BAU）中程度の不透水面積倍率。基準森林脆弱性。ステップごとに0.5％の孤立耕作地への植林。継続ベンチマーク1.4 / 1.0 / 0.005
観光の拡大と開発（TED）強力な不透水面積倍増因子；森林から不透水面への感度が2倍に増加；弱い植林効果高負荷ストレス試験6.0 / 2.0 / 0.001
生態系保全優先順位（ECP）透水性の低い地表への変換の低減と森林の脆弱性の低下；最も効果的な植林生態系保全ストレス試験0.4 / 0.4 / 0.025
村おこしと活性化（VRA）中間不浸透率乗数；BAU未満の森林脆弱性；中程度の植林村おこしのナラティブ；村ノード層なし2.5 / 0.7 / 0.012

表2: 4つの土地利用シナリオにおける計算ルールおよびパラメータ値 表は、ビジネス・アズ・ユーシュアル（BAU）、観光拡大・開発（TED）、生態保全重点（ECP）、および村の活性化（VRA）の各シナリオにおける、実装された計算ルール、政策の説明、およびパラメータ値を要約している。政策の説明は各シナリオの意図された解釈を記述したものであり、空間的制約としてコード化されているわけではない。dev：不透水面積開発倍率；fp：森林から不透水面への移行感受性倍率；af：1回のシミュレーションステップあたりの孤立耕作地の植林率。

5. 土地利用モデルの較正と検証

  1. 2005年に観測されたデータから較正行列を推定する–2010年の変更。2023年のシードを用いて、観測された2010年から2015年をシミュレート。
  2. 有効マスク内の観測されたCLCD 2015と、シミュレートされた2015年のマップをピクセルごとに比較する。全体的精度、Kappa係数、9 × 変化した細胞に対する混同行列およびFoM48.
  3. 検証計算の分子および分母から無効な細胞を除外し、マスク外のゼロ値が一致率を過大評価することを防ぐ。
  4. 全体的な正解率とKappa係数は、安定した森林および耕作地が前者の指標を支配するため、FoMとともに解釈すること。FoMは変化したセルの少数集合を評価する。検証結果は地域ごとのシナリオ比較を裏付けるために用いること。それらを正確な変化位置の予測を確立するものと解釈してはならない。

6. 炭素貯蔵量の計算

  1. 各有効ピクセルに対して、以下の4つのクラス別炭素蓄積密度を割り当てる。 表34つのプールの密度を合計して、Mg C ha⁻¹での全炭素密度を算出する。⁻1.
  2. 全炭素密度に0.09 haのピクセル面積を乗算する。得られたMg Cの値をTg Cに換算する。
  3. このルックアップ計算を、InVESTカーボンストレージ式の代数的等価として適用する。炭素隔離速度、評価、または経済モジュールは適用しない。9,47.
土地利用分類（CLCD）地上部C
(Mg C ha⁻¹)		地下部C
（Mg C ha⁻¹)		土壌炭素
（Mg C ha⁻¹)		死んだ有機炭素
（Mg C ha⁻¹)		総C
（Mg C ha⁻¹)		ソース
1 耕作地3.567.4526.99.8247.73チェン ら47、表6
2 森林53.5917.3684.852.8158.6
3 灌木4.254.6572.91.5983.39
4 草原4.1516.5878.21.55100.48
5 水6.38000.126.5
6 雪/氷00.335.3505.68
7 バーレン1.30.3321.6023.23
8 不透過性009.2809.28
9 湿地12.249.1895.734.08121.23

表3: 炭素量算において使用される中国土地被覆データセットの9つの土地利用分類の炭素密度パラメータ。 地上部、地下部、土壌、死有機物、および全炭素密度の値は、中国土地被覆データセット（CLCD）の各土地利用分類ごとに提供されている。全炭素密度は、4つの炭素プールの合計を表す。すべての炭素密度値は、ヘクタールあたりメガグラムの炭素（Mg C ha⁻¹）で示されている。−1）。値はChengらによるものである。47、表6。

7. OPGDとの地形的関連の検出

  1. 応答変数として2015年の炭素密度を、説明変数として標高、傾斜、北面性、および地形起伏を用いる。種数42を用いて20万個の有効ピクセルをサンプリングする。
  2. 各説明因子について、検定2–15の分位区間。最大のものを生成する離散化を保持する q-値
  3. 解析的F検定を計算する p値と順列 p999回のランダム化を用いて -値を算出する。ランダム化の計算を行う p-値として p ＝（超過回数 ＋ 1）／1000
  4. 各説明因子のペアごとに最適化された層を統合し、交互作用の結果を算出する。すべての因子および交互作用の出力は、因果効果ではなく空間的関連として解釈する。10.

結果

土地利用の空間分布と時間的動態

分析ワークフロー、研究範囲、および主要な入力データセットの概要を以下に示す。 図1, 図2、および 表1、それぞれ。 図1 土地利用予測、検証、炭素会計、および地形関連解析に用いられる7段階のワークフローを提示する。 図2 調査地域の位置および分析範囲を示す。 表1 主要な空間データセットおよび表形式データセットの時間的範囲、空間解像度、由来、および解析上の役割についてまとめる。4,632,329個の有効ピクセルにおいて、2015年のシミュレーション結果と観測値であるCLCD 2015を比較したところ、OA = 96.61%、Kappa = 0.850、FoM = 0.107であった。一致度は安定した森林および農地に支配されていた一方で、変化に着目したFoMは、変化箇所の再現における精度が限定的であることを示した。したがって、本検証結果は、精密な空間予測よりもむしろ、シナリオ間の比較分析を支持するものである。 補足表1（ワークシートS3）検証指標、変化の検出数（hits）、見落とし数（misses）、誤警報数（false alarms）、および完全な混同行列を提供します。アーカイブには、検証用ラスタおよび計算に使用した正確なスクリプトが含まれています。

28回の感度分析において、すべての対応する摂動で ECP > BAU > VRA > TED という順位が維持されました。炭素損失範囲は、ECPで 4.22–5.86%、BAUで 6.87–8.55%、VRAで 6.99–9.61%、TEDで 10.45–15.84% でした。BAU と VRA の範囲は重複しているため、解釈は OAT 範囲の完全な分離ではなく、対応ケースの順序付けに限定されます。詳細な感度分析の結果は、Supplementary Table 1 (worksheet S4) および Supplementary Figure 1 に記載されています。Supplementary Table 1 (worksheet S1) に示された 2010–2015 年の運用行列では、保持確率は森林で 98.23%、農地で 94.66%、不浸透域で 99.43% でした。対角線外で最大の遷移は、農地から不浸透域への遷移（3.39%）、農地から森林への遷移（1.71%）、および森林から農地への遷移（1.71%）でした。同期間において、森林被覆率は 87.63% から 86.27% に減少した一方、農地は 10.99% から 11.92% に、不浸透域は 1.08% から 1.50% に増加しました。Figure 3A,B はそれぞれ 2010 年と 2015 年に観察された土地利用パターンを示しており、Figure 4 は、分析に含まれていない要因を推論することなく、それに対応する変化クラスを示しています。

figure-results-1
図32010年および2015年における黟県〜黄山景観の土地利用パターンの観察結果。 分析範囲内における9つの土地利用クラスの空間分布を示すChina Land Cover Dataset (CLCD) マップ。(A) 2010年の観測された土地利用。(B) 2015年の観測された土地利用。土地利用クラスは、耕地、森林、低木林、草地、水域、雪氷、裸地、不浸透面、および湿地で構成される。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-2
図 42010年から2015年における黟県〜黄山景観で観測された土地利用の変化。 この地図は、2010年と2015年の中国土地被覆データセット（China Land Cover Dataset）のマップにおける、安定した森林、森林減少、森林増加、および新設された不浸透面の空間分布を示しています。白い領域は、表示されているこれら4つの変化カテゴリーに分類されなかった場所を表しています。 こちらの図の拡大版を表示するには、ここをクリックしてください。

地形特性および地形の不均一性

有効マスク内において、標高は82.3〜1,830.3 m（平均 388.0 m）、傾斜は0〜87.3°（平均 22.4°）、北向き指数（northness）は−1〜1、地形起伏は3.2〜1,398.2 m（平均 230.0 m）の範囲であった。起伏は、半径450 mの円形近傍内における局所的な標高範囲として定義し、31 × 31ピクセルのフットプリントを用いて算出した。図 5A–Dに、それぞれ標高、傾斜、北向き指数、および地形起伏を示す。これらのレイヤーは空間的な地形変動を特徴づけるものであり、対応する生態学的メカニズムは因果関係の結果ではなく、仮説として扱われる35,36,37,38,39,40,41,42,43,44。

figure-results-3
図 5相関分析に使用した地形変数。 分析範囲における4つの地形変数の空間分布：(A) 標高（単位：メートル）、(B) 斜面勾配（単位：度）、(C) 北向き指標（-1から1のスケールで表示）、(D) 地形起伏（単位：メートル）。これらの変数は、2015年の炭素密度に対する個別の関連性および共同の関連性を評価する、最適パラメータに基づく地理的検出器（geographical detector）分析に使用された。 この図の拡大版を表示するには、ここをクリックしてください。

マルチシナリオによる土地利用予測

表2にまとめられた共通の遷移行列およびシナリオパラメータを用いて、補足表2に示される数値的な土地被覆クラス識別子に基づいた計算を行った結果、明確に異なる集計軌跡が得られた。図6は、森林、農地、および不浸透面の観測値と予測シェアを示しており、図7A–Dはそれぞれ2030年におけるBAU、TED、ECP、VRAの空間予測を、図7E–Hは2050年における対応する予測を示している。2050年までに、森林被覆率はBAUで78.0%、TEDで74.6%、ECPで80.3%、VRAで78.2%になると予測された。また、対応する不浸透面のシェアは、それぞれ6.3%、17.6%、2.8%、9.0%であった。2015年の観測値と比較すると、不浸透面の予測拡張面積は約202 km2（BAU）、675 km2（TED）、57 km2（ECP）、317 km2（VRA）であった。これらの値はフィッティングされた予測ではなく、ストレステストの出力である。候補地のランキングにターゲットクラスの近接数を用い、非農地から不浸透面への転換をエッジセルに限定しているため、予測される変化は空間的にクラスター化している。本モデルには、輸送コリドー、集落ノード、保護区、生態学的レッドライン、または法定計画レイヤーは含まれていない。したがって、特定のインフラや規制区域との見かけ上の整合性は、コード化された効果を示すものではない。

figure-results-4
図64つのシナリオにおける主要な土地利用クラスの観測および予測シェア。 森林、農地、および不浸透面が調査領域に占める割合を、観測年である2005年、2010年、2015年、およびBusiness As Usual (BAU)、Tourism Expansion and Development (TED)、Ecological Conservation Priority (ECP)、Village Revitalization and Activation (VRA) の各シナリオに基づく2030年と2050年の予測について示す。棒グラフは、各土地利用クラスの調査領域全体におけるモデル化されたシェアを表す。値は反復ベースの推定値ではなく決定論的なシナリオ出力であるため、エラーバーは適用されない。 こちらの図の拡大版を表示するには、ここをクリックしてください。

figure-results-5
図72030年および2050年における4つのシナリオ下での土地利用の予測空間分布。 現状維持（BAU）、観光拡大・開発（TED）、生態系保全優先（ECP）、および村落再生・活性化（VRA）の各シナリオにおける土地利用パターンの予測。(A–D) 2030年におけるBAU、TED、ECP、VRAの予測図。(E–H) 2050年におけるBAU、TED、ECP、VRAの予測図。土地利用区分は、耕地、森林、低木地、草地、水域、雪氷、裸地、不浸透面、および湿地で構成される。すべてのシナリオシミュレーションは、観測された2015年のCLCDマップを出発点としている。したがって、土地利用の遷移がシミュレーションされなかったセルは、2015年の土地利用区分およびベースラインの空間パターンを維持している。 こちらの図の拡大版を表示するには、ここをクリックしてください。

マルチシナリオ予測下における炭素貯蔵ダイナミクス

Table 3の完全な4プール参照を適用した結果、2015年の炭素量は59.505 Tg Cとなり、これは平均密度142.73 Mg C ha−1に相当した。森林が57.04 Tg C (95.9%) を占め、農地は2.37 Tg C (4.0%) を占めた。不浸透面は、採用したソースにおいてこのクラスに9.28 Mg C ha−1が割り当てられているため、わずかではあるがゼロではない寄与を示した。森林クラス内では、土壌、地上部、地下部、および死滅有機物プールの割合は、全炭素量のそれぞれ53.5%、33.8%、10.9%、および1.8%であった31,32,33,34,44,47。すべてのシナリオにおいて、2050年の炭素貯蔵量は2015年よりも低くなった。予測貯蔵量は、BAUで54.895 Tg C (7.75%の減少)、TEDで51.475 Tg C (13.49%)、ECPで56.523 Tg C (5.01%)、VRAで54.540 Tg C (8.34%)であった。ECPとTEDの差は5.048 Tg Cであった。これらの対比は設定された数値パラメータに起因するものであり、特定の政策の効果を推定したものではない。Figure 8Aに2015年の全炭素貯蔵量および2030年と2050年のシナリオ予測を、Figure 8Bに対応する平均炭素密度を、Figure 8Cに2015年のベースラインに対する2050年までの炭素損失を、そしてFigure 8Dに予測される森林シェアと炭素損失の関係を示す。これらの値は、繰り返し試行に基づく推定値ではなく、決定論的なシナリオ出力である。

figure-results-6
図84つの土地利用シナリオにおける炭素貯蔵量の予測とその森林被覆との関係。 (A) 2015年の総炭素貯蔵量、およびBusiness As Usual (BAU)、Tourism Expansion and Development (TED)、Ecological Conservation Priority (ECP)、Village Revitalization and Activation (VRA) の各シナリオにおいて予測される2030年および2050年の総炭素貯蔵量（単位：テラグラム炭素 [Tg C]）。(B) 対応する年およびシナリオにおける平均炭素密度（単位：メガグラム炭素/ヘクタール [Mg C ha⁻¹]）-1). (C) 各シナリオにおける、2015年の基準値に対する2050年までの総炭素貯蔵量の減少率。(D) 各シナリオにおける、2050年に予測される調査地域の森林割合と、2015年に対する炭素減少率との関係。数値は決定論的なシナリオ出力であり、エラーバーは適用されない。 この図の拡大版を表示するには、ここをクリックしてください。

炭素貯蔵の空間的不均一性と地形的関連性

図9Aに示す通り、OPGD因子検出器では、傾斜（slope）が1位（q = 0.557）となり、次いで地形起伏（topographic relief）（q = 0.460）、標高（elevation）（q = 0.352）、北向き度（northness）（q = 0.003）の順となった。999回の置換を行った結果、各因子の置換p値は、達成可能な最小値である0.001であった。解析的F検定のp値も同様に0.001未満であった。最適化された離散化間隔ならびに解析的および置換p値を含む、因子および交互作用検出器の完全な統計量は、付随表3に記載されている。統計的有意性は効果量とは区別される。北向き度との関連性は実用的には無視できる程度であり、すべてのq値は、因果関係ではなく評価した4つの地形変数の間での関連性を示すものである10,40。すべての因子ペアにおいて、交互作用のq値は、個々の因子のうち大きい方のq値よりも大きな値を示した。最も強い交互作用は、図9Bに示す通り、傾斜 ∩ 起伏（q = 0.628）、標高 ∩ 傾斜（q = 0.618）、標高 ∩ 起伏（q = 0.510）であった。これらの値は、ペアになった因子間でより強い層別関連があることを示しているが、土壌、気候、森林樹齢、管理、およびアクセシビリティがモデル化されていないため、地形学的なメカニズムを立証するものではない。

figure-results-7
図9最適パラメータに基づいた地理的検出器（geographical detector）を用いて特定された、2015年の炭素密度と地形的要因との関連性。 (A) 因子検出器 q標高、傾斜、北向き度、および地形起伏の統計量。それぞれの qp値は0.3518、0.5571、0.0031、および0.4600であり、置換検定の結果、 p = 0.001。(B) 相互作用検出器 q4つの地形変数のペアごとの組み合わせにおけるp値。値が大きいほど q-値は、2015年の炭素密度の空間分布とのより強い統計的関連性を示している。OPGD：最適パラメータに基づく地理的検出器。 こちらの図の拡大版を表示するには、ここをクリックしてください。

全体の結果

図 10A–Dは、それぞれワークフローの主要な結果である、予測森林シェア、総炭素貯蔵量、地形的関連性のランキング、および主要な定量的指標をまとめたものである。2015年の分析ベースラインは 59.505 Tg C であった。4つの探索的パラメータセットにおいて、2050年までの予測損失は 5.01% から 13.49% の範囲であり、すべての整合感度分析ケースにおいて ECP > BAU > VRA > TED というランキングが維持された。評価した地形的関連性の中では、傾斜と起伏が最も強い関連性を示した。FoM = 0.107 であること、および明示的な計画、社会経済、気候レイヤーが除外されていることを考慮すると、これらの結果は決定論的な空間予測ではなく、比較的な地域評価を支持するものである。

figure-results-8
図10. 予測される土地利用および炭素貯蔵の結果と地形的関連性の要約。 (A) Business As Usual (BAU)、Tourism Expansion and Development (TED)、Ecological Conservation Priority (ECP)、および Village Revitalization and Activation (VRA) の各シナリオにおける、2030年および2050年の調査地域の予測森林割合。破線は2015年の基準となる森林割合を示す。(B) 2015年の総炭素貯蔵量と、4つのシナリオ下で予測される2030年および2050年の総炭素貯蔵量。単位は炭素テラグラム (Tg C) で表記。(C) 最適パラメータに基づく地理的検出器 (OPGD) を用いて得られた q統計量に基づく、標高、傾斜、北向き度、および地形起伏のランキング。 q値が大きいほど、2015年の炭素密度との統計的関連性が強いことを示す。(D) 基準炭素貯蔵量と密度、予測される2050年の炭素損失範囲、ECPシナリオとTEDシナリオの間の炭素貯蔵量の差、検証メトリクス、および評価された最強の地形的関連性を含む主要な定量的指標の要約。OA：全体的な精度；FoM：Figure of Merit；Mg C ha-1：ヘクタールあたりメガグラム炭素。 ここをクリックして、この図の拡大版を表示してください。

補足図 1. 4つの土地利用シナリオにおける2050年の炭素貯蔵量に関する一因子感度分析。 (A) 名目上の2050年炭素貯蔵量、およびBAU、TED、ECP、VRAにおける全OAT感度範囲。点は名目上のシナリオ値を示し、垂直範囲は、いずれかの値を乗じて得られた炭素貯蔵量の最小値および最大値を示している。 開発, 蛍光分光光度計または af 他の方策を一定に保ったまま、0.5倍または1.5倍に変更する。(B) 0.5倍の変化に伴う、対応する名目シナリオの値に対する2050年の炭素貯蔵量の変化× および1.5× 〜の摂動 開発, 蛍光タンパク質、および af0以上の値は標準ケースよりも炭素貯蔵量が多いことを示し、0未満の値は炭素貯蔵量が少ないことを示す。範囲は、決定論的な一因子ずつのパラメータ摂動を表しており、確率論的な信頼区間ではない。こちらをクリックしてファイルをダウンロードしてください。

付随表1。土地利用転換行列、シナリオのパラメータ設定、モデルの検証、および一因子感度分析の結果。 ワークブックには4つのワークシートが含まれています。 S1、2010年から2015年の土地利用転換行列； S24つのシナリオにおけるパラメータ値、実装されたルール、および解釈の境界条件。 S3, 9 × 9 混同行列および関連するモデル検証結果、および S4、および変数を個別に変化させて得られた名目感度および一因子感度の結果 開発, fp、および af 0.5倍に× および 1.5× 他のパラメータを一定に保持した状態で。感度範囲は決定論的なパラメータ摂動を表しており、確率論的な信頼区間ではありません。こちらをクリックしてファイルをダウンロードしてください。

補足表2. 計算ワークフローで使用された土地被覆クラス識別子。 表には、ラスタ解析で使用された数値クラス識別子と、それに対応する土地被覆クラスが記載されています。クラス0は有効な研究エリアマスク外のNoDataを示し、クラス1～9はそれぞれ、耕作地、森林、低木、草地、水域、雪/氷、不毛地、不浸透面、湿地を示します。こちらのリンクからファイルをダウンロードしてください。

補足表3. 2015年炭素密度におけるOPGD因子および相互作用検出結果。本表は、標高、傾斜、北向き度、および地形起伏に関する最適化されたq統計量、離散化区間数、解析的F検定のp値、および999回のパーミュテーションに基づくパーミュテーションp値を示す。ペアごとの相互作用結果は、相互作用q統計量、個別の因子q統計量、および相互作用の分類を報告している。報告された統計量は空間的関連性を示すものであり、因果関係を立証するものではない。こちらをクリックしてファイルをダウンロードしてください。

補足ノート1. 原稿図のパネル別説明、データソース、および解釈に関する注記。 このノートでは、個々の図のパネルの内容と基となるデータソースを特定し、共通の空間範囲、重複する情報、および表示された変数の解釈に関する情報を提供します。こちらのリンクからファイルをダウンロードしてください。

補足データアーカイブ（zip形式）。このアーカイブには、解析可能な26個のGeoTIFFファイル、境界ファイル、メタデータ、結果、スクリプト、図表、ワークブック、正確な計算環境ファイル、READMEファイル、およびSHA-256チェックサムが含まれています。

ディスカッション

4つのストレステストを通じて、シミュレーションによる遷移が高密度および低密度の土地被覆クラスの割合を変化させたため、炭素貯蔵量は減少した。TEDで最大の減少が見られ、ECPで最小の減少となった。したがって、本プロトコルを適用する際の重要なステップは、dev、fp、およびafパラメータの設定と解釈である。シナリオ間の差異はこれらの設定値に起因するため、これらは観光開発、村落活性化、または生態学的規制による観察された影響ではなく、条件付きのモデル応答を表している。2050年までに、TEDの下で予測された炭素貯蔵量は、ECPの下よりも5.048 Tg C低かった。採用したルックアップに基づくと、1ヘクタールの森林を不浸透域に転換すると割り当てられたストックが149.32 Mg C減少し、農地を不浸透域に転換すると38.45 Mg C減少する。これらの会計上の対比が、シミュレーションによる森林転換が総貯蔵量に及ぼす強い影響を説明している。しかし、地域のキャリブレーションを行わずに文献由来の値に依存することは、絶対的な推定値に不確実性をもたらす。

もう一つの重要なステップは、OPGDで使用される地形変数の導出と離散化です。最適化された離散化（q = 0.460）の後、地形起伏が炭素密度に関連していることが示されました。起伏は、半径450 mの円形近傍内の局所的な標高範囲として定義され、31 × 31ピクセルのフットプリントを用いて実装されました。起伏の大きいセルは、急峻な森林地帯と一致する可能性がありますが、OPGDでは地形、アクセス可能性、土地利用歴、土壌、管理、およびその他の相関する説明要因を区別することはできません。地形の組み合わせ層は、個々の要因よりも強いq値を示し、特に傾斜 ∩ 起伏（q = 0.628）で顕著でした。このパターンは記述的なものであり、メカニズムを示すものではありません。同様に、北向き度（northness）のq値が小さい（0.003）ことは、日射量の対比が弱いことを証明するものではありません。この説明を検証するには、日射量、微気候、植生、および現場での測定が必要です。

本手法は、地域的な仮説の生成を支援します。具体的には、シミュレーションにおける森林転換の制限、不浸透面の拡大抑制、および農地から森林への転換の促進により、より多くの割り当て炭素が保存されます。サイト固有の処方には、さらなる根拠が必要です。意思決定に重点を置いたアプリケーションに向けてワークフローを修正する場合、検証済みの保護地域、生態学的レッドライン、交通、区画、および集落ノードのレイヤーを組み込むとともに、ステークホルダーの参加、エコシステムサービスのトレードオフ、インセンティブ、復元コスト、文化的サービス、生計、および生物多様性の評価を組み込んでください49,50,51,52,53,54,55,56。現在のプロトコルでは、このような空間的または社会経済的な制約がコード化されていないため、これらの拡張は重要です。また、広範な文献によれば、植生貯蔵戦略、森林構造、非樹木植生、観光行動、および建築環境のライフサイクル影響については、現在の土地被覆会計とは異なる分析が必要であることが示されています57,58,59,60,61。

本手法の適切な利用および解釈を規定するいくつかの限界点がある。これには、地域的なフィールド校正を経ていない文献由来の炭素密度、CLCD分類における潜在的な誤差、簡略化されたカスタムMarkov-CA、変化に着目した0.107という検証FoM、フィッティングされていないストレステストパラメータ、および単一シードによる確率論的評価が含まれる。さらなる限界として、確率論的な不確実性解析ではなく一因子ずつの設計を採用していること、計画、社会経済、アクセシビリティ、土壌、森林樹齢、および気候変動レイヤーを省略していること、そしてOPGDの関連性が非因果的であることが挙げられる。これらの限界により、本ワークフローは地域的なシナリオの比較評価には適しているが、決定論的な空間予測、地域的に校正された炭素インベントリ、または政策有効性の因果的な推定を提供するものではない。

既存のアプローチおよび代替的なアプローチと比較して、本プロトコルの重要性は、土地利用シミュレーション、4プール炭素会計、検証、感度試験、および地形関連解析を、解釈上の明示的な制限を維持しつつ、再現可能なワークフロー内に統合した点にあります。トラブルシューティングおよび修正を行う際は、特に下流の解釈に最も強く影響するステップ、すなわち、土地被覆の前処理とマスキング、遷移およびシナリオのパラメータ設定、モデル検証、炭素密度の割り当て、および地形の離散化に重点を置くべきです。

このワークフローは、代替的な土地利用の推移の比較評価や、さらなる調査が必要な空間的関連性の特定に適用できますが、サイト固有の適用には、地域的に検証された追加のエビデンスが必要です。今後の研究の優先事項としては、地域の炭素量の測定、代替的な配分モデルおよび乱数シードの比較、独立した要因へのパラメータフィッティング、ならびに分類、パラメータ、および気候の不確実性の伝搬などが挙げられます。これらの進展により、現在のワークフローを比較ストレステスト以上に拡張し、追加の不確実性要因の下での土地利用および炭素貯蔵の結果を評価するためのより強固な根拠を提供できると考えられます。

開示事項

著者は、利益相反がないことを宣言します。

謝辞

著者らは、CLCDおよびCopernicus DEM GLO-30データセットの提供者に感謝いたします。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
中国土地被覆データセット (CLCD)武漢大学（Yang J） & Huang X)1985–2022年年次製品；30 m；Zenodo DOI: 10.5281/zenodo.4417810ベースとなる土地被覆入力データ。キャリブレーション、バリデーション、遷移行列の推定、およびベースライン分析に2005年、2010年、2015年のレイヤーを使用。
Copernicus DEM GLO-30欧州宇宙機関 / コペルニクス計画基準エポック 2019年、2021年一般公開、30 mOPGD解析のために標高、傾斜、北向き度、および地形起伏を導出するために使用した地形入力データ
カスタム・マルコフ細胞オートマトンカスタムPython実装Python 3.11; シード値 2023; 同期更新; 3 × 3ムア近傍；アーカイブ済みソース土地利用シナリオシミュレーション；PLUSを呼び出さないカスタム実装
geopandas (Pythonライブラリ)geopandas開発者1.1.4ベクトルデータのハンドリング、空間クエリ、および境界操作
InVESTの4プール炭素貯留定式化ナチュラルキャピタルプロジェクトInVESTドキュメント；カスタムPythonルックアップ計算；アーカイブ済みスクリプトクラスベースの4プール炭素会計；吸収率、評価、または経済モジュールなし
matplotlib (Pythonライブラリ)Matplotlib開発者3.11.0図のレンダリングと科学的視覚化
numpy (Pythonライブラリ)NumPy開発者2.4.6配列レベルの数値計算
OPGD要因および交互作用検出器OPGD手法に基づいたカスタムPython実装シード 42、200,000ピクセルのサンプル、2–15個の分位点間隔、999回のパーミュテーション、アーカイブ済みスクリプト2015年の炭素密度と、標高、傾斜、北向き度、および地形起伏との関連性における要因および相互作用分析
pandas (Pythonライブラリ)pandasデベロッパー3.0.3表形式データの取り扱いおよび分析出力の処理
Pythonプログラミング言語Python Software Foundation3.11.9前処理、シミュレーション、バリデーション、カーボンアカウンティング、OPGD解析、および後処理のための計算環境
rasterio (Pythonライブラリ)rasterioのメンテナー1.4.4ラスターデータの入出力、再投影、リサンプリング、および土地被覆・地形ラスターの処理
SciPy (Pythonライブラリ)SciPy開発者1.17.1地形処理に用いられる数値演算および形態学的演算
shapely (Pythonライブラリ)Shapely開発者2.1.2ベクトルおよび空間処理を支援する幾何学的演算
研究領域の範囲および有効マスク原稿の座標から再構成されたカスタムスタディ入力EPSG:32650; 30 m; アーカイブ済みGeoJSONおよびGeoTIFF; 4,632,329個の有効セル4,169.1 kmを定義する² 共通解析領域および有効ラスタマスク

参考文献

  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.

再版と許可

タグ

土地利用変化シナリオシミュレーションマルコフ・セルオートマトン地理的検出器生態系サービス炭素会計観光拡大生態系保全

この記事は公開されました

動画は近日公開

お問い合わせ
図書館に推薦する

プライバシー

利用規約

ポリシー

著作権 © 2026 MyJoVE Corporation. 無断転載を禁じます。