방법 논문

이현-황산 세계유산 경관의 다중 시나리오 토지 이용 전망 및 탄소 저장량 평가

11 조회수

⸱

DOI:

10.3791/73148

⸱

2026년 10월 1일

 ,  ,  , 
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

이 논문에서

요약

본 프로토콜은 이현-황산 세계유산 경관의 다중 시나리오 토지 이용 투영, 탄소 저장량 평가 및 지형적 연관성 분석을 위한 재현 가능한 워크플로우를 제시합니다.

초록

토지 이용 변화는 육상 탄소 저장량을 변화시키지만, 관광 중심의 세계유산 경관에서 시나리오 기반의 변화를 평가하기 위한 재현 가능한 워크플로는 여전히 제한적입니다. 본 프로토콜은 맞춤형 마르코프 세포 자동자(Markov cellular automaton), 생태계 서비스 및 상충관계 통합 가치평가(Integrated Valuation of Ecosystem Services and Tradeoffs) 프레임워크와 동등한 4-풀 탄소 회계, 그리고 최적 파라미터 기반의 지리적 탐지기를 통합하여 중국 안후이성 남부 황산의 의현(Yixian) 및 인접 지역의 토지 이용 및 탄소 저장량 변화를 평가합니다. 2005년, 2010년, 2015년의 중국 토지 피복 데이터셋(China Land Cover Dataset) 지도를 보정 및 기간 외 검증에 사용하였습니다. 상시 유지(Business As Usual), 관광 확장 및 개발, 생태 보전 우선, 그리고 마을 활성화 및 재생이라는 네 가지 탐색적 시나리오를 2030년과 2050년에 대해 시뮬레이션하였습니다. 4,632,329개의 유효 픽셀에 대한 검증 결과, 전체 정확도는 96.61%, Kappa 계수는 0.850, Figure of Merit은 0.107로 나타났습니다. 기준 탄소 저장량은 59.505 teragrams of carbon였으며, 산림이 95.9%를 차지했습니다. 2050년까지의 예상 탄소 손실률은 생태 보전 우선 시나리오에서 5.01%, 관광 확장 및 개발 시나리오에서 13.49% 범위였습니다. 일대일 매칭 섭동 분석을 통해 동일한 시나리오 순서가 뒷받침되었습니다. 최적 파라미터 기반의 지리적 탐지기를 통해 경사, 기복, 고도가 가장 강력한 지형적 연관성으로 식별되었습니다. 제공된 입력값, 파라미터, 출력값 및 스크립트는 재현성을 지원하지만, 해당 시나리오는 보정된 예측보다는 비교 스트레스 테스트로 해석되어야 합니다.

서론

육상 생태계는 식생, 토양 및 죽은 유기물에 탄소를 저장함으로써 기후 조절에 기여합니다1,2. 토지 전환은 이러한 저장량을 빠르게 변화시킬 수 있으며, 따라서 공간적으로 명시적인 평가는 토지 이용 계획 및 탄소 관리에 중요합니다.

안후이성 남부의 분석 범위에는 광범위한 아열대림, 농업 분지, 그리고 황산 및 시디-홍춘 세계유산 지역이 포함됩니다3,4. 문화유산 토지 피복, 세계유산 관광 및 전통 마을 보존에 관한 연구에 따르면, 이 지역에서는 생태적 상태, 방문객 압력 및 장소 정체성을 통합적으로 고려해야 함을 알 수 있습니다5,6,7.

시나리오 기반 토지 이용 모델은 관찰된 변화를 공간적으로 명시적인 예측으로 변환하며, 탄소 풀 회계는 이러한 패턴의 결과를 정량화합니다. 이전 연구들에서는 중국 및 기타 지형을 대상으로 Patch-generating Land Use Simulation (PLUS) 또는 셀룰러 오토마타-마르코프 (CA–Markov) 할당 방식을 Integrated Valuation of Ecosystem Services and Tradeoffs (InVEST) 프레임워크 및 최적 파라미터 기반 지리적 검출기 (OPGD)와 결합하였으며, 여기에는 최근의 통합 응용 사례들이 포함됩니다8,9,10,11,12,13,14,15,16,17,18,19,20. 이러한 연구들은 방법론적 선례를 제공하지만, 본 연구에서 사용된 시뮬레이터는 PLUS가 아닌 맞춤형 마르코프 셀룰러 오토마타 (Markov-CA) 구현체입니다.

관련 연구에서는 정책 조건부 탄소 궤적, 위성 및 토지 이용 결합 모델, 지형 민감형 탄소 저장, 도시 및 캠퍼스 적용, 토양 탄소 관리, 경작지 전환, 국가 산림 매핑 및 척도 의존성을 평가해 왔습니다21,22,23,24,25,26,27,28,29,30,31,32,33,34. 종합적으로 이러한 연구들은 다중 시나리오 비교를 뒷받침하는 동시에, 결론이 데이터 척도, 클래스 전환, 탄소 매개변수 및 모델링된 정책 가정에 따라 달라진다는 점을 보여줍니다. 본 연구에서 사용된 맞춤형 구현은 전이 행렬, 시나리오 승수, 할당 절차, 탄소 밀도 조회, 민감도 분석 및 지형 연관성 분석을 단일 재생산 가능 프레임워크 내에서 검토할 수 있는 투명한 워크플로를 제공합니다. 본 연구에서 맞춤형 워크플로의 실질적인 가치는 전이 행렬, 시나리오 매개변수, 픽셀 할당 규칙, 검증, 민감도 분석, 탄소 회계 및 지형 연관성 분석이 재생산 가능한 계산 프레임워크 내에서 구현되고 문서화되었다는 점에 있습니다. 이러한 구조를 통해 시나리오 분석에 사용된 가정과 중간 분석 단계들을 점검하고 재현할 수 있습니다. 해당 워크플로는 PLUS 또는 다른 CA–Markov 구현 방식과 직접적으로 벤치마킹되지 않았으므로, 정확성, 효율성 또는 예측 성능의 우월성을 주장하지 않습니다.

지형적 및 토양적 제어 요인, 지형적 토양 탄소 지속성, 공간 규모 효과, OPGD 응용, 황산의 생산성, 경관 지표, 습지 및 산림 탄소에 관한 연구는 지형 효과에 대해 연관성에 기반한 신중한 해석이 필요함을 더욱 뒷받침한다.35,36,37,38,39,40,41,42,43,44이러한 배경에서 본 방법의 전반적인 목표는 이현-황산 세계유산 경관의 다중 시나리오 토지 이용 예측, 탄소 저장량 평가 및 지형 연관성 분석을 위한 투명하고 재현 가능한 워크플로우를 제공하는 것입니다. 이 워크플로우는 InVEST와 동등한 4-풀 탄소 회계 및 OPGD가 적용된 맞춤형 Markov-CA 구현물을 사용하며, 2005~2015년 기간에 대해 모델을 사후 검증하고 28회 실행의 일변수 민감도 분석을 수행합니다. 함께 제공되는 래스터, 시나리오 규칙, 혼동 행렬, 환경 파일 및 스크립트를 통해 맞춤형 시뮬레이션 워크플로우를 직접 검토하고 재현할 수 있습니다. 본 워크플로우는 정밀한 공간 예측보다는 비교 시나리오 평가를 목적으로 하며, 호환 가능한 범주형 토지 피복 래스터, 클래스별 탄소 밀도 매개변수 및 적절한 지형 데이터가 있는 응용 분야에 적용하기 위해 설계되었습니다.

본 연구의 목적은 세 가지입니다: (1) BAU(평상시), TED(관광 확장 및 개발), ECP(생태 보전 우선), VRA(마을 재생 및 활성화) 스트레스 테스트 조건하에 2030년과 2050년의 토지 이용을 시뮬레이션하는 것, (2) 9개 클래스와 4개 풀로 구성된 전체 룩업 테이블을 사용하여 탄소 저장량을 정량화하는 것, (3) 고도, 경사, 북향성 및 지형 기복이 2015년 탄소 밀도와 가지는 개별 및 공동 연관성을 평가하는 것입니다8,9,10. 이러한 목적들은 시뮬레이션된 토지 이용 결과와 지형 변수와의 통계적 연관성 사이의 구분을 유지하면서, 단일한 재현 가능한 워크플로우 내에서 토지 이용 예측, 탄소 회계 및 지형 연관성 분석을 통합합니다.

시나리오 레이블은 적합된 예측이나 부호화된 법적 계획보다는 비교를 위한 가정을 나타냅니다. 따라서 이 방법은 결과 지도를 미래 토지 이용의 보정된 예측으로 해석하기보다는, 대안적인 토지 이용 가정과 그에 따른 탄소 저장 결과의 재현 가능한 비교를 수행하는 데 가장 적합합니다.

프로토콜

인간 참가자, 동물 또는 보호종은 포함되지 않았다. 분석은 공개적으로 이용 가능한 원격 탐사 제품과 발표된 탄소 밀도 파라미터만을 사용하였기 때문에, 윤리위원회 승인이 필요하지 않았다.

모든 계산 절차를 Python 3.11을 사용하여 개방적이고 재현 가능한 워크플로우 내에서 수행한다. 다음의 7개 항목을 따르되, (1) 연구 지역 정의; (2) 입력 데이터의 확보 및 전처리; (3) 전이 행렬 추정 및 사용자 정의 마르코프-셀룰러 오토마타(Markov-CA) 초기화; (4) 시나리오 설정, 민감도 분석 및 미래 시뮬레이션 구성; (5) 모델의 보정 및 검증; (6) 탄소 저장량 계산; (7) 지형 특성과 OPGD 간의 연관성 탐지 순서로 진행한다. 아래에 제시된 전체 워크플로우를 따르도록 한다. 그림 1.

figure-protocol-1
그림 1여러 시나리오에 대한 토지 이용 전망, 탄소 저장량 평가 및 지형 연관성 분석을 위한 재현 가능한 워크플로우. 7단계 워크플로우는 (1) 중국 토지피복 자료세트(CLCD) 지도, 코페르니쿠스 디지털 표고모델(DEM) GLO-30 자료 및 탄소밀도 표를 이용한 입력 자료 준비 및 전처리; (2) 픽셀 단위 교차집계를 통한 전이확률 산정; (3) 현상유지(BAU), 관광 확장 및 개발(TED), 생태 보전 우선(ECP), 마을 재생 및 활성화(VRA) 시나리오의 매개변수 설정; (4) 3×3 × 3단계 무어 이웃; (5) 전체 정확도(OA), 카파(Kappa), 성과지표(FoM)를 이용한 주기 외 검증; (6) 생태계 서비스 및 트레이드오프 통합 평가(InVEST)와 동등한 4풀 조회 기반 탄소 계정 산정; 및 (7) 최적 매개변수 기반 지리 탐지기(OPGD) 분석. 이 작업 흐름은 특정 시나리오에 맞춘 토지이용도, 탄소저장 경로, 그리고 지형 연관성 평가를 도출한다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

1. 연구 지역

  1. 분석 격자를 117.60으로 정의합니다.–118.38°E 및 29.72–30.22°N. 황산과 시디 처리–홍춘 세계유산 지역은 지리적 맥락으로만 사용할 것; 직사각형 분석 범위나 유효 마스크를 공식 행정 구역이나 세계유산 경계로 해석하지 말 것3,4.
  2. EPSG:32650으로 그리드를 재투영하고 유효 마스크를 적용하여 30m 해상도의 4,632,329개 셀을 획득하여 4,169.1 km²를 표현함2. 모든 래스터 분석에는 이 범위를 사용하라. 이 범위는 이셴 현과 황산 경관 지역의 인접 지역, 그리고 쉬닝 현의 북부를 포함한다.그림 2).

figure-protocol-2
그림 2. 의셴 지역의 연구 범위–중국 안후이성 남부의 황산 풍경. 중국 안후이성 내 분석 범위의 위치. 연구 지역은 빨간색 사각형으로 표시되어 있다. 연관 분석에 사용된 지형 변수들은 그림 5에 제시되어 있다. 이 그림의 확대 버전을 보시려면 여기를 클릭하십시오.

2. 데이터 출처

  1. 세 가지 입력 그룹을 사용한다: CLCD 연간 토지피복 자료, 코페르니쿠스 DEM GLO-30 지형 자료, 그리고 클래스별 4중 탄소밀도 테이블. 각 입력 자료의 시간적 범위, 해상도, 출처 및 분석상 역할을 기록한다. 표 1.
  2. 2005년, 2010년, 2015년의 CLCD 레이어를 30m 해상도로 추출한다. 경작지, 삼림, 관목, 초지, 수역, 눈/빙하, 황무지, 불투수성 지표, 습지를 포함한 9개 클래스를 유지한다.45.
  3. 코페르니쿠스 DEM GLO-30을 이용하여 고도, 경사도, 북향성 및 지형적 높낮이 도출하기46. 천 등(Cheng et al.)의 표 6에 보고된 완전한 9개 분류 탄소 풀 값을 할당하라; 출처 없이 기본값이나 0값 규칙을 적용하지 말 것47.
  4. 모든 레이어를 공통의 30m 격자 기준으로 WGS 84 / UTM 존 50N(EPSG:32650)으로 재투영한다. 범주형 토지피복 자료에는 최근접 이웃 리샘플링(nearest-neighbor resampling)을, 연속형 지형 자료에는 이중선형 리샘플링(bilinear resampling)을 사용한다.
  5. 교차 집계, 검증, 탄소 계산 및 OPGD 샘플링 전 모든 레이어에 동일한 유효 마스크를 적용하십시오.
  6. Python 3.11.9와 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 2.1.2를 사용하십시오. 정확한 재현을 위해 보관된 환경 파일과 상대 경로 스크립트를 참조하십시오.
  7. Markov-CA를 3으로 구성합니다 × 3 무어 이웃 및 시드 2023. 각 시나리오-년도 및 민감도 분석 실행마다 독립된 시드 생성기를 초기화하고, OPGD 샘플링에는 시드 42를 사용한다.
데이터셋시간적 범위자연스러운 공간 해상도주요 출처 / 영구 식별자분석 워크플로우에서의 역할
중국 토지 피복 데이터셋(CLCD; Yang & 황45)2005, 2010 및 201530 m젠도 DOI: 10.5281/zenodo.4417810토지 이용 분류, 변화 감지, 검증, 전이 행렬 추정, 관측 기준선, 마르코프 셀룰러 오토마타 입력
코페르니쿠스 디지털 표고 모델(DEM) GLO-302019 기준 에포크; 본 연구에서 정적임30 m코페르니쿠스 데이터 스페이스 생태계 / 마이크로소프트 플래닛리 컴퓨터 STAC450m 반경 이웃 영역을 이용한 고도, 기울기, 북향성 및 지형적 높낮이의 산출 및 도출
탄소 밀도 매개변수정적이용 유형별; 클래스 조회(Mg C ha⁻¹)청 외47
표 6		통합 생태계 서비스 및 트레이드오프 평가 기반 탄소 계정링을 위한 완전한 9단계, 4풀 조회(표 3)
연구 지역 분석 범위 및 경계정적벡터 / 30m 마스크원고의 보존 범위에서 재구성함: 117.60–118.38°E, 29.72–30.22°N; 보관된 GeoJSON 및 마스크공통 공간 마스크, 분석 범위 및 분석 격자

표 1: 분석 워크플로우에서 사용된 주요 공간 및 표 형식 데이터 세트. 표는 중국 토지피복 데이터셋(CLCD), 코페르니쿠스 디지털 표고모델(DEM) GLO-30, 유형별 탄소밀도 매개변수 및 연구 지역 분석 범위의 시간적 범위, 고유 공간 해상도, 출처 또는 영구 식별자, 분석 역할을 요약한다. 탄소밀도 값은 헥타르당 메가그램의 탄소(Mg C ha⁻¹)로 표시된다.−1).

3. 전이 행렬을 추정하고 Markov-CA 모델을 초기화한다

  1. 2010년부터 2015년까지 유효한 CLCD 픽셀을 교차 집계한다. 원천 클래스의 경우 i 및 대상 클래스 j, 계산한다.
  2. 결과로 나온 9를 사용하십시오 × 미래 시나리오를 위한 9개의 전이 행렬. 2005년에 대한 별도의–모델 검증을 위한 2010년 전이 행렬
  3. 사용자 정의 Python 마르코프-CA 구현으로 시뮬레이터를 실행하되, PLUS는 실행하지 말 것8.
  4. 5년 간격마다 시작 상태의 동기화된 스냅샷을 촬영한다. 해당 스냅샷으로부터 전이 횟수를 계산한다.
  5. 대상 등급 1 평가–9 및 소스 클래스 1–9의 오름차순으로 정렬한다. 선택된 각 소스 픽셀을 추가 할당에서 제외시켜, 5년 간격 동안 최대 한 번만 전이될 수 있도록 한다.
  6. 단계 시작 시점에서 대상 클래스 이웃의 수에 따라 후보 픽셀 순위를 매긴다. 3 × 3 모어 윈도우에 0에서 0.5 사이의 균일한 무작위 지터 추가
  7. 각 소스-타겟 전이에 대해 요청된 픽셀 수를 계산하려면 소스 클래스의 유효한 픽셀 수와 해당 전이 확률, 그리고 적용 가능한 스케일링 계수의 곱을 반올림하여 구한다.
    1. 스케일링 팩터를 사용하십시오. dev 불투수성 토지로의 전이를 위해 및 dev × fp 임의로 전환되는 숲 지역의 경우; 그렇지 않으면 스케일링 팩터를 1로 설정하십시오. 요청된 개수는 적격 후보 픽셀 수를 초과하지 않도록 제한하십시오.
    2. 요청된 개수와 적격 후보 개수가 같을 경우, 모든 적격 후보를 선택한다. 요청된 개수가 적격 후보 개수보다 작을 경우, 위에서 설명한 균일한 무작위 저터를 포함한 타깃 클래스 이웃 점수 기준으로 순위가 가장 높은 후보들을 선택한다.

4. 시나리오, 민감도 테스트 및 미래 시뮬레이션 설정

  1. 공통 전이 행렬에 세 가지 매개변수를 적용한다. 다음을 하라 dev 불투수성 등급 8로 예상 전이를 조정하고 적용 형질전달용 플라스미드 임의의 숲에서 불투수성 표면으로의 전이에만 해당되며, 정의는 다음과 같다 af 무침투성 무어 이웃이 없는 농경지가 숲으로 전환될 단계별 확률로 간주한다.
  2. 설정(dev, fp, afBAU의 경우 (1.4, 1.0, 0.005), TED의 경우 (6.0, 2.0, 0.001), ECP의 경우 (0.4, 0.4, 0.025), VRA의 경우 (2.5, 0.7, 0.012)로 설정한다. 사용한다 표 2 해당 계산 규칙, 정책 내러티브 및 매개변수 값에 대하여.
  3. 다중계수를 경험적 전이 행렬 주변의 투명한 저개발, 중간개발, 고도개발 스트레스 테스트로 해석하라. 이를 관광, 마을 노드, 지구 분류, 교통, 보호 구역 또는 생태적 적색선 자료로부터 추정된 계수로 간주하지 말라.
  4. 정책 레이블은 상대적인 매개변수 방향을 설명하는 데에만 사용하십시오. 이러한 레이블을 모델에 인코딩된 법적 또는 공간적 제약 조건으로 해석하지 마십시오.
  5. 처리하다 dev, fp, 및 af 저자 정의 기반의 탐색적 스트레스 테스트 파라미터이지 경험적으로 추정되거나 보정된 계수는 아니다. 명목상의 값들은 개발 압력에 대한 상이한 수치 시나리오 가정을 명시한다(dev), 산림 보호(fp), 그리고 조림(afforestation)(af); 이 값들은 2015년 이후의 관측된 토지 이용 변화에 맞게 조정되지 않았으며, 특정 정책 효과의 추정치로 해석하지 않는다. 주요 시나리오 비교에는 이러한 명목값을 사용하고, 아래에 설명된 일변수 민감도 분석을 통해 그 탄력성을 평가하라.
  6. 각 시나리오에 대해 명목상 2050 사례를 실행하라. 하나의 변수를 곱하여 시뮬레이션을 반복하라. dev, 형질전달용 플라스미드, 또는 af 다른 매개변수는 일정하게 유지한 채 0.5 또는 1.5만큼 조절한다.
  7. 각 28회의 실행마다 시드 2023을 재초기화한다. 탄소 저장량, 탄소 손실량, 산림 비율, 비투수성 표면 비율을 비교하고, 매칭된 사례 순위와 전체 OAT 범위를 확률적 신뢰구간으로 간주하지 않고 보고한다.
  8. 모든 향후 시뮬레이션을 관측된 CLCD 2015 데이터에서 초기화한다. 불투수면 배분 시 농경지가 유효 마스크 전체에서 계속하여 적격 상태를 유지할 수 있도록 하며, 농경지가 아닌 소스 픽셀은 각 단계 시작 시점의 불투수면 셀과 인접해야 한다.
  9. 클래스 간 할당 후, 해당 농지를 확률적으로 독립적으로 산림으로 전환 af. 2030년 전망의 경우 5년 간격으로 세 번, 2050년 전망의 경우 5년 간격으로 일곱 번 실행한다.
  10. 유효 마스크 외부의 클래스 0 유지. 모든 투영된 지도를 30m 해상도로 내보내기.
시나리오구현된 계산 규칙정책 내러티브(인코딩된 제약 조건이 아님)매개변수
(개발 / 정면 투영 / 외전)
기존 방식 (BAU)중간 불투과성 승수; 기준 산림 취약성; 단계당 0.5% 고립 농경지 조림연속성 벤치마크1.4 / 1.0 / 0.005
관광 확장 및 개발(TED)강한 불투수성 증가 요인; 숲에서 불투수성 지역으로의 전환 민감도 2배 증가; 약한 산림 조성고강도 스트레스 테스트6.0 / 2.0 / 0.001
생태 보전 우선순위(ECP)감소된 불투수성 전환 및 산림의 취약성; 가장 강력한 조림 효과생태보전 스트레스 테스트0.4 / 0.4 / 0.025
마을 재생 및 활성화(VRA)중간 불투과성 승수; BAU 미만의 산림 취약성; 중간 산림 조성마을 활성화 내러티브; 마을-노드 레이어 없음2.5 / 0.7 / 0.012

표 2: 4가지 토지 이용 시나리오에 대한 계산 규칙 및 매개변수 값 표는 '현상 유지(BAU)', '관광 확장 및 개발(TED)', '생태 보전 우선(ECP)', '마을 재생 및 활성화(VRA)' 시나리오에 대해 구현된 계산 규칙, 정책 서술 및 매개변수 값을 요약한다. 정책 서술은 각 시나리오의 의도된 해석을 설명하며, 공간적 제약 조건으로 인코딩되지 않는다. dev, 불투수성 개발 승수; fp, 산림 대비 불투수성 전환 취약성 승수; af, 단계별 시뮬레이션에서 고립된 경지의 산림 전환 비율.

5. 토지 이용 모델의 보정 및 검증

  1. 2005년에 관찰된 데이터로부터 보정 행렬을 추정한다–2010년 변경. 2023년 시드를 사용하여 관측된 2010년 데이터로부터 2015년 시뮬레이션.
  2. 유효 마스크 내에서 시뮬레이션된 2015년 맵과 관측된 CLCD 2015를 픽셀 단위로 비교한다. 전체 정확도, 카파 계수, 9 × 9 변경된 셀에 대한 오차 행렬 및 FoM48.
  3. 검증 계산 시 마스크 범위를 벗어난 무효 세포를 분자와 분모 모두에서 제외하여, 마스크 외부의 영값이 일치도를 과대평가하는 것을 방지한다.
  4. 전반적인 정확도와 카파 계수는 FoM과 함께 해석하십시오. 전자는 안정적인 산림 및 경작지에서 지배적인 값을 나타내는 반면, FoM은 변화한 픽셀 집합이라는 더 작은 데이터 세트를 평가하기 때문입니다. 검증 결과는 지역별 시나리오 비교를 뒷받침하는 데 사용하되, 정확한 변화 위치 예측을 입증하는 것으로 해석해서는 안 됩니다.

6. 탄소 저장량 계산하기

  1. 각 유효한 픽셀에 대해, 아래에 나열된 네 가지 클래스별 탄소 저장소 밀도를 할당한다. 표 3. 네 개의 풀(pools) 밀도를 합하여 Mg C ha당 총 탄소 밀도를 구한다.⁻1.
  2. 총 탄소 밀도에 0.09 ha 화소 면적을 곱한다. 산출된 Mg C 값을 Tg C로 환산한다.
  3. 이 조회 계산을 InVEST 탄소 저장 공식의 대수적 동등 형태로 적용하십시오. 탄소 격리율, 평가, 또는 경제 모듈은 적용하지 마십시오.9,47.
토지 이용 유형 (CLCD)지상부 C
(Mg C ha⁻¹)		지하 탄소
(Mg C ha⁻¹)		토양 C
(Mg C ha⁻¹)		사체 유기 탄소
(Mg C ha⁻¹)		총 C
(Mg C ha⁻¹)		출처
1 경작지3.567.4526.99.8247.73청 외47, 표 6
2 숲53.5917.3684.852.8158.6
3 관목4.254.6572.91.5983.39
4 초지4.1516.5878.21.55100.48
5 물6.38000.126.5
6 눈/빙설00.335.3505.68
7 황무지1.30.3321.6023.23
8 불투과성009.2809.28
9 습지12.249.1895.734.08121.23

표 3: 탄소 회계에 사용된 중국 토지 피복 데이터 세트의 9개 토지 이용 유형별 탄소 밀도 파라미터 지상, 지하, 토양, 고사 유기물 및 총 탄소밀도 값은 중국 토지피복 데이터셋(CLC D)의 각 토지이용 유형별로 제공된다. 총 탄소밀도는 네 가지 탄소 저장소의 합계를 나타낸다. 모든 탄소밀도 값은 헥타르당 메가그램의 탄소(Mg C ha⁻¹)로 표시된다.−1). 값은 Cheng 등의 연구에서 얻었다.47, 표 6.

7. OPGD와의 지형적 연관성 검출

  1. 반응 변수로 2015년 탄소 밀도를 사용하고, 설명 변수로 고도, 경사도, 북향도, 지형 완경사를 사용한다. 시드 42를 이용하여 200,000개의 유효한 픽셀을 표본 추출한다.
  2. 각 설명 요인에 대해 검정 2–15개의 분위수 구간. 최대값을 산출하는 이산화를 유지하라 q-p값
  3. 분석적 F-검정 계산하기 p-값 및 순열 p- 999회 순열을 사용하여 값 계산. 순열 계산 p-값으로 p = (초과 횟수 + 1) / 1000
  4. 각 쌍의 설명 요인에 대해 최적화된 층을 통합하여 상호작용 결과를 계산한다. 모든 요인 및 상호작용 결과는 인과 효과가 아닌 공간적 연관성으로 해석한다.10.

결과

토지 이용의 공간적 분포 및 시간적 역학

분석 워크플로, 연구 범위 및 주요 입력 데이터 세트는 다음과 같이 요약됩니다. 그림 1, 그림 2, 그리고 표 1각각. 그림 1 토지 이용 예측, 검증, 탄소 회계 및 지형 연관성 분석에 사용되는 7단계 워크플로를 제시합니다. 그림 2 연구 지역의 위치와 분석 범위를 보여줍니다. 표 1 주요 공간 및 정형 데이터셋의 시간적 범위, 공간 해상도, 출처 및 분석적 역할을 요약합니다. 4,632,329개의 유효 픽셀에 대해 시뮬레이션된 2015년 데이터와 관측된 CLCD 2015 데이터를 비교한 결과, OA = 96.61%, Kappa = 0.850, FoM = 0.107로 나타났습니다. 일치도는 안정적인 산림과 농경도에서 지배적으로 나타난 반면, 변화에 집중하는 FoM은 변화 위치 재현의 정확도가 제한적임을 보여주었습니다. 따라서 본 검증 결과는 정밀한 공간적 예측보다는 비교 시나리오 분석에 더 적합함을 뒷받침합니다. 보충 표 1 (워크시트 S3)검증 지표, 변화 탐지 성공(hits), 미탐지(misses), 오경보(false alarms) 및 전체 혼동 행렬(confusion matrix)을 제공합니다. 아카이브에는 검증 래스터와 계산에 사용된 정확한 스크립트가 포함되어 있습니다.

28회의 민감도 분석 실행 결과, 모든 일치하는 섭동에서 ECP > BAU > VRA > TED 순의 순위가 유지되었습니다. 탄소 손실 범위는 ECP의 경우 4.22–5.86%, BAU는 6.87–8.55%, VRA는 6.99–9.61%, 그리고 TED는 10.45–15.84%였습니다. BAU와 VRA의 범위가 서로 겹치므로, 해석은 OAT 범위의 완전한 분리가 아닌 일치하는 사례의 순서로 제한됩니다. 전체 민감도 결과는 부록 표 1 (워크시트 S4) 및 부록 그림 1에 제공되어 있습니다. 부록 표 1 (워크시트 S1)에 제공된 2010–2015년 운영 행렬에 따르면, 유지 확률은 산림 98.23%, 농경지 94.66%, 불투수면 99.43%로 나타났습니다. 가장 큰 비대각 전이는 농경지에서 불투수면으로의 전환(3.39%), 농경지에서 산림으로의 전환(1.71%), 그리고 산림에서 농경지로의 전환(1.71%)이었습니다. 동일 기간 동안 산림 피도는 87.63%에서 86.27%로 감소한 반면, 농경지는 10.99%에서 11.92%로 증가하였고 불투수면은 1.08%에서 1.50%로 증가하였습니다. 그림 3A,B는 각각 관찰된 2010년과 2015년의 토지 이용 패턴을 보여주며, 그림 4는 분석에 포함되지 않은 동인을 추론하지 않은 상태에서의 해당 변화 클래스를 보여줍니다.

figure-results-1
그림 3. 2010년과 2015년 Yixian-Huangshan 경관에서 관찰된 토지 이용 패턴. 분석 범위 내 9가지 토지 이용 분류의 공간적 분포를 보여주는 중국 토지 피복 데이터셋(CLCD) 지도. (A) 2010년에 관찰된 토지 이용. (B) 2015년에 관찰된 토지 이용. 토지 이용 분류는 경작지, 산림, 관목지, 초지, 수역, 눈/얼음, 나지, 불투수면 및 습지로 구성된다. 여기를 클릭하여 이 그림의 더 큰 버전을 확인하십시오.

figure-results-2
그림 42010년부터 2015년까지 Yixian–Huangshan 경관에서 관찰된 토지 이용 변화. 지도는 2010년과 2015년 중국 토지 피복 데이터셋(China Land Cover Dataset) 지도 간의 안정적 산림, 산림 손실, 산림 증가 및 신규 개발 불투수면의 공간적 분포를 보여줍니다. 흰색 영역은 표시된 네 가지 변화 범주에 분류되지 않은 지역을 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

지형 특성 및 지형적 이질성

유효 마스크 내에서 고도는 82.3에서 1,830.3 m (평균 388.0 m) 범위였으며, 경사는 0에서 87.3° (평균 22.4°), 북향성(northness)은 −1에서 1, 지형 기복(topographic relief)은 3.2에서 1,398.2 m (평균 230.0 m) 범위였다. 기복은 31 × 31 픽셀 풋프린트로 구현된 반지름 450 m의 원형 인근 지역 내 국지적 고도 범위를 통해 정의되었다. 그림 5A–D는 각각 고도, 경사, 북향성 및 지형 기복을 보여준다. 이 레이어들은 공간적인 지형 변화를 특징짓는다; 이에 대응하는 모든 생태학적 메커니즘은 인과적 결과라기보다 가설로 처리되었다35,36,37,38,39,40,41,42,43,44.

figure-results-3
그림 5연관 분석에 사용된 지형적 변수. 분석 범위에 따른 4가지 지형 변수의 공간적 분포: (A) 고도(단위: m), (B) 경사도(단위: 도), (C) 북향성(단위: -1에서 1까지의 척도), (D) 지형 기복(단위: m). 이 변수들은 2015년 탄소 밀도와의 개별 및 공동 연관성을 확인하기 위한 최적 매개변수 기반의 지리적 탐지자(geographical detector) 분석에 사용되었다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

다중 시나리오 토지 이용 전망

표 2에 요약된 공통 전이 행렬과 시나리오 매개변수를 부록 표 2에 제공된 수치 기반 토지 피복 클래스 식별자를 사용하여 적용한 결과, 서로 다른 총합 궤적이 도출되었습니다. 그림 6은 산림, 경작지 및 불투수면의 관측 및 예측 점유율을 나타내며, 그림 7A–D는 각각 2030년에 대한 BAU, TED, ECP 및 VRA 공간 예측을, 그림 7E–H는 2050년에 대한 해당 예측을 보여줍니다. 2050년까지 산림 피복률은 BAU에서 78.0%, TED에서 74.6%, ECP에서 80.3%, VRA에서 78.2%로 예측되었으며, 이에 상응하는 불투수면 점유율은 각각 6.3%, 17.6%, 2.8%, 9.0%였습니다. 2015년 관측치와 비교했을 때, 예측된 불투수면 확장 면적은 BAU에서 약 202 km2, TED에서 675 km2, ECP에서 57 km2, VRA에서 317 km2였습니다. 이 값들은 적합된 예측치가 아니라 스트레스 테스트 결과물입니다. 후보지 순위 선정 시 목표 클래스의 인접 셀 수를 사용하고 비경작지의 불투수면 전환이 가장자리 셀로 제한되기 때문에, 예측된 변화는 공간적으로 군집화되어 나타납니다. 본 모델에는 교통 회랑, 마을 노드, 보호 구역, 생태 보전선 또는 법정 계획 레이어가 포함되지 않았으므로, 특정 인프라나 규제 구역과 일치하는 것처럼 보이는 것은 인코딩된 효과를 나타내는 것이 아닙니다.

figure-results-4
그림 6. 4가지 시나리오에 따른 주요 토지 이용 분류의 관찰 및 예측 점유율. 관찰 연도인 2005년, 2010년, 2015년과 Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP), Village Revitalization and Activation (VRA) 시나리오에 따른 2030년 및 2050년 예측치에 대하여 산림, 경작지 및 불투수면이 연구 지역에서 차지하는 백분율을 나타낸 것이다. 막대는 각 토지 이용 분류가 전체 연구 지역에서 차지하는 모델링된 점유율을 나타내며, 값들이 반복 측정 기반의 추정치가 아닌 결정론적 시나리오 출력값이므로 오차 막대는 적용되지 않는다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-5
그림 72030년과 2050년의 네 가지 시나리오에 따른 토지 이용의 예상 공간 분포. 현상 유지(BAU), 관광 확장 및 개발(TED), 생태 보존 우선(ECP), 마을 재생 및 활성화(VRA) 시나리오에 따른 예상 토지 이용 패턴. (A–D) 각각 2030년의 BAU, TED, ECP 및 VRA 예측도. (E–H) 각각 2050년의 BAU, TED, ECP 및 VRA 예측도. 토지 이용 분류는 경작지, 산림, 관목지, 초지, 수역, 눈/얼음, 나지, 불투수면 및 습지로 구성된다. 모든 시나리오 시뮬레이션은 관측된 2015년 CLCD 지도를 기반으로 초기화되었으며, 따라서 시뮬레이션된 토지 이용 전환이 없는 셀은 2015년의 토지 이용 분류와 기본 공간 패턴을 유지한다. 이 그림의 확대 버전을 보시려면 여기를 클릭하십시오.

다중 시나리오 예측 하에서의 탄소 저장 역학

Table 3의 전체 4개 풀 룩업(four-pool lookup)을 적용한 결과, 2015년의 탄소량은 59.505 Tg C였으며, 이는 평균 밀도 142.73 Mg C ha−1에 해당합니다. 산림은 57.04 Tg C(95.9%)를 차지한 반면, 경작지는 2.37 Tg C(4.0%)를 차지했습니다. 불투수면은 채택된 소스에서 이 클래스에 9.28 Mg C ha−1를 할당했기 때문에 적지만 0이 아닌 기여도를 보였습니다. 산림 클래스 내에서 토양, 지상부, 지하부 및 고사 유기물 풀은 각각 전체 탄소의 53.5%, 33.8%, 10.9%, 1.8%를 나타냈습니다31,32,33,34,44,47. 모든 시나리오에서 2050년의 탄소 저장량은 2015년보다 낮게 나타났습니다. 예상 저장량은 BAU의 경우 54.895 Tg C(7.75% 감소), TED의 경우 51.475 Tg C(13.49%), ECP의 경우 56.523 Tg C(5.01%), VRA의 경우 54.540 Tg C(8.34%)였습니다. ECP와 TED의 차이는 5.048 Tg C였습니다. 이러한 대조는 설정된 수치 매개변수로 인한 결과이며, 명명된 정책의 효과를 추정하는 것이 아닙니다. Figure 8A는 2015년의 총 탄소 저장량과 2030년 및 2050년의 시나리오 투영치를 보여주며, Figure 8B는 이에 대응하는 평균 탄소 밀도를 보여줍니다. Figure 8C는 2015년 기준선 대비 2050년까지의 탄소 손실을 보여주고, Figure 8D는 예상 산림 비율과 탄소 손실 사이의 관계를 보여줍니다. 이 값들은 반복 기반 추정치가 아니라 결정론적인 시나리오 출력값입니다.

figure-results-6
그림 8. 4가지 토지 이용 시나리오에 따른 탄소 저장량 예측 및 산림 피복과의 관계. (A) BAU(Business As Usual), TED(Tourism Expansion and Development), ECP(Ecological Conservation Priority), VRA(Village Revitalization and Activation) 시나리오 하에서의 2015년 총 탄소 저장량과 2030년 및 2050년 예측치이며, 단위는 테라그램 탄소(Tg C)로 표시됨. (B) 해당 연도 및 시나리오별 평균 탄소 밀도이며, 단위는 헥타르당 메가그램 탄소(Mg C ha-1)로 표시됨. (C) 2015년 기준선 대비 2050년까지의 시나리오별 총 탄소 저장량 손실 백분율. (D) 2050년 연구 지역의 예측 산림 비율과 2015년 대비 탄소 손실 백분율 간의 시나리오별 관계. 값은 결정론적 시나리오 출력값이며, 오차 막대는 적용되지 않음. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

탄소 저장량의 공간적 이질성과 지형적 연관성

그림 9A에 나타난 바와 같이, OPGD 요인 검출기는 경사(slope)가 가장 높았고(q = 0.557), 지형 기복(topographic relief)(q = 0.460), 고도(elevation)(q = 0.352), 그리고 북향성(northness)(q = 0.003) 순으로 높게 나타났다. 999회의 순열 검사 결과, 각 요인에 대한 순열 p-값은 도달 가능한 최솟값인 0.001이었으며, 분석적 F-검정 p-값 또한 0.001 미만이었다. 최적화된 이산화 구간과 분석적 및 순열 p-값을 포함한 전체 요인 및 상호작용 검출기 통계치는 부록 표 3에 제공되어 있다. 통계적 유의성은 효과 크기와 구별된다. 북향성과의 연관성은 실질적으로 무시할 수 있는 수준이었으며, 모든 q-값은 인과적 효과라기보다는 평가된 4가지 지형 변수 내에서의 연관성을 나타낸다10,40. 모든 요인 쌍의 상호작용 q-값은 개별 요인의 q-값 중 더 큰 값보다 높게 나타났다. 그림 9B에 나타난 바와 같이, 가장 강력한 상호작용은 경사 ∩ 기복(q = 0.628), 고도 ∩ 경사(q = 0.618), 그리고 고도 ∩ 기복(q = 0.510) 순이었다. 이러한 값들은 쌍을 이룬 요인들 사이의 더 강한 층화된 연관성을 나타내지만, 토양, 기후, 산림 연령, 관리 및 접근성을 모델링하지 않았기 때문에 지형학적 메커니즘을 입증하는 것은 아니다.

figure-results-7
그림 9. 최적 매개변수 기반 지리적 검출기(optimal parameters-based geographical detector)를 사용하여 확인한 2015년 탄소 밀도와 지형적 요인 간의 연관성. (A) 고도, 경사도, 북향성 및 지형 기복에 대한 요인 검출기(Factor-detector) q-통계량. 각각의 q-값은 0.3518, 0.5571, 0.0031, 0.4600이며, 순열 검정 결과 p = 0.001로 나타났다. (B) 4가지 지형 변수의 쌍별 조합에 대한 상호작용 검출기(Interaction-detector) q-값. q-값이 클수록 2015년 탄소 밀도의 공간적 분포와 통계적 연관성이 더 강함을 나타낸다. OPGD, 최적 매개변수 기반 지리적 검출기. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

종합 결과

그림 10A–D는 워크플로의 주요 결과인 각각 예상 산림 비율, 총 탄소 저장량, 지형적 연관성의 순위, 그리고 주요 정량적 지표를 요약하여 보여줍니다. 2015년 분석 기준선은 59.505 Tg C를 포함했습니다. 네 가지 탐색적 매개변수 세트 전체에서 2050년까지의 예상 손실률은 5.01%에서 13.49% 범위였으며, 모든 일치 민감도 사례에서 ECP > BAU > VRA > TED의 순위가 유지되었습니다. 경사도와 기복이 가장 강력한 지형적 연관성을 보였습니다. FoM = 0.107이며 명시적인 계획, 사회경제 및 기후 레이어가 제외되었음을 고려할 때, 본 결과는 결정론적인 공간 예측보다는 비교 지역 평가를 뒷받침합니다.

figure-results-8
그림 10예상 토지 이용 및 탄소 저장 결과와 지형적 연관성 요약. (A) BAU(현상 유지), TED(관광 확장 및 개발), ECP(생태 보전 우선), VRA(마을 재생 및 활성화) 시나리오에 따른 2030년 및 2050년 연구 지역의 예상 산림 비율; 점선은 2015년 기준 산림 비율을 나타냄. (B) 2015년의 총 탄소 저장량 및 4가지 시나리오 하에 2030년과 2050년으로 예상되는 총 탄소 저장량(단위: Tg C). (C) 다음 기준에 따른 고도, 경사도, 북향성 및 지형 기복의 순위 입력된 텍스트가 없습니다. 번역할 내용을 제공해 주세요.-최적 파라미터 기반 지리적 검출기(optimal parameters-based geographical detector, OPGD)를 사용하여 얻은 통계치로, 값이 클수록 q-2015년 탄소 밀도와 더 강한 통계적 연관성이 있음을 나타내는 값. (D) 기선 탄소 저장량 및 밀도, 예측된 2050년 탄소 손실 범위, ECP 시나리오와 TED 시나리오 간의 탄소 저장량 차이, 검증 지표 및 평가된 가장 강한 지형적 연관성을 포함한 주요 정량적 지표의 요약. OA, 전체 정확도; FoM, 성능 지수; Mg C ha⁻¹-1헥타르당 탄소 메가그램. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

부록 그림 1. 4가지 토지 이용 시나리오에 따른 2050년 탄소 저장량의 일변수 민감도 분석. (A) 명목 2050년 탄소 저장량 및 BAU, TED, ECP, VRA에 대한 전체 OAT 민감도 범위. 점은 명목 시나리오 값을 나타내며, 수직 범위는 다음 중 하나를 곱하여 얻은 최소 및 최대 탄소 저장량 값을 나타낸다. 개발, fp또는 af 다른 매개변수들을 일정하게 유지한 채 0.5배 또는 1.5배로 변경함. (B) 0.5배 변경에 따른 대응하는 공칭 시나리오 값 대비 2050년 탄소 저장량의 변화× 및 1.5× ~의 섭동 개발, 제공해주신 텍스트가 없습니다. 번역할 내용을 입력해 주세요.및 af0보다 큰 값은 기준 사례보다 탄소 저장량이 더 많음을 나타내며, 0보다 작은 값은 탄소 저장량이 더 적음을 나타냅니다. 해당 범위는 결정론적인 단일 변수 매개변수 섭동을 나타내며, 확률론적 신뢰 구간이 아닙니다.이 파일을 다운로드하시려면 여기를 클릭하십시오.

부록 표 1. 토지 이용 전환 행렬, 시나리오 매개변수 설정, 모델 검증 및 단일 변수 민감도 분석 결과. 워크북에는 4개의 워크시트가 포함되어 있습니다: S1, 2010-2015년 운영 토지 이용 전이 행렬; S2네 가지 시나리오에 대한 매개변수 값, 구현된 규칙 및 해석 경계; S3, 9번 × 9 혼동 행렬 및 관련 모델 검증 결과; 그리고 S4, 명목 및 단일 변수 민감도 분석 결과(다음 변수들을 변경하여 얻음) 개발, 형광 단백질및 af 0.5배로× 및 1.5× 다른 매개변수들은 일정하게 유지한 상태에서 수행합니다. 민감도 범위는 결정론적 매개변수 섭동을 나타내며, 확률론적 신뢰 구간이 아닙니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 표 2. 계산 워크플로우에 사용된 토지 피복 분류 식별자. 이 표는 래스터 분석에 사용된 수치 분류 식별자와 그에 해당하는 토지 피복 분류를 나타냅니다. 클래스 0은 유효한 연구 지역 마스크 외부의 NoData를 의미하며, 클래스 1~9는 각각 경작지, 산림, 관목, 초지, 수역, 눈/얼음, 나지, 불투수층 및 습지를 나타냅니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 표 3. 2015년 탄소 밀도에 대한 OPGD 요인 및 상호작용 검출 결과. 이 표는 고도, 경사도, 북향도 및 지형 기복에 대해 최적화된 q-통계량, 이산화 구간 수, 분석적 F-검정 p-값 및 999회 순열 기반의 순열 p-값을 보고합니다. 쌍별 상호작용 결과는 상호작용 q-통계량, 개별 요인 q-통계량 및 상호작용 분류를 보고합니다. 보고된 통계량은 공간적 연관성을 나타내며 인과 관계를 입증하지는 않습니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 노트 1. 원고 수록 그림의 패널별 설명, 데이터 출처 및 해석 노트. 이 노트는 개별 그림 패널의 내용과 기초 데이터 출처를 식별하며, 공유되는 공간 범위, 중복 정보 및 표시된 변수의 해석에 관한 정보를 제공합니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 데이터 아카이브 (압축 파일). 이 아카이브에는 분석 준비가 완료된 26개의 GeoTIFF 파일, 경계 파일, 메타데이터, 결과물, 스크립트, 그림, 워크북, 정확한 계산 환경 파일, README 파일 및 SHA-256 체크섬이 포함되어 있습니다.

토론

네 가지 스트레스 테스트 전반에 걸쳐, 시뮬레이션된 전이가 고밀도 및 저밀도 토지 피복 클래스의 비율을 변화시킴에 따라 탄소 저장량이 감소했습니다. TED에서 가장 큰 감소가 나타난 반면, ECP에서는 가장 적은 감소가 나타났습니다. 따라서 프로토콜 적용 시 핵심 단계는 dev, fp, 그리고 af 파라미터의 설정 및 해석입니다. 시나리오 간의 차이는 이러한 강제 설정값에서 비롯되므로, 이는 관광 개발, 마을 재생 또는 생태 규제의 관찰된 효과라기보다 조건부 모델 반응을 나타냅니다. 2050년까지 TED 하에서의 예상 탄소 저장량은 ECP 하보다 5.048 Tg C 더 낮았습니다. 채택된 룩업 테이블에 따르면, 1 헥타르의 산림을 불투수면으로 전환하면 할당된 저장량이 149.32 Mg C 감소하는 반면, 경작지를 불투수면으로 전환하면 38.45 Mg C가 감소합니다. 이러한 회계적 대비는 시뮬레이션된 산림 전환이 총 저장량에 미치는 강력한 영향력을 설명합니다. 하지만 지역적 보정 없이 문헌 유래 값에 의존하는 것은 절대 추정치에 불확실성을 초래합니다.

또 다른 중요한 단계는 OPGD에 사용되는 지형 변수의 도출 및 이산화입니다. 지형 기복은 최적화된 이산화(q = 0.460) 후 탄소 밀도와 연관되었습니다. 기복은 31 × 31-픽셀 풋프린트로 구현된 반지름 450 m의 원형 인접 영역 내 국지적 고도 범위로 정의되었습니다. 기복이 높은 셀은 가파르고 숲이 우거진 지형과 일치할 수 있으나, OPGD는 지형, 접근성, 토지 이용 이력, 토양, 관리 및 기타 상관 관계가 있는 설명 요인들을 구분할 수 없습니다. 쌍을 이룬 지형 층위는 개별 요인보다 더 강한 q-값을 나타냈으며, 특히 경사 ∩ 기복(q = 0.628)에서 그러했습니다. 이러한 패턴은 메커니즘적이라기보다는 기술적인 것입니다. 마찬가지로, 북향성(northness)의 낮은 q-값(0.003)이 태양 복사의 대비가 약하다는 것을 입증하는 것은 아니며, 이 가설을 검증하기 위해서는 복사, 미기후, 식생 및 현장 측정 데이터가 필요합니다.

이 방법은 지역적 가설 생성을 지원한다. 즉, 시뮬레이션된 산림 전환을 제한하고, 불투수층 확장을 완화하며, 농경지의 산림 전환을 증가시킴으로써 할당된 탄소를 더 많이 보존할 수 있다. 부지별 처방을 위해서는 추가적인 증거가 필요하다. 의사결정 중심의 응용 분야를 위해 워크플로를 수정하려면 검증된 보호구역, 생태보전선, 교통, 필지 및 마을 노드 레이어를 포함해야 하며, 이해관계자 참여, 생태계 서비스 트레이드오프, 인센티브, 복원 비용, 문화 서비스, 생계 및 생물 다양성에 대한 평가를 함께 반영해야 한다49,50,51,52,53,54,55,56. 현재의 프로토콜에는 이러한 공간적 또는 사회경제적 제약 조건이 인코딩되어 있지 않으므로 이러한 확장이 중요하다. 또한 광범위한 문헌에 따르면 식물 저장 전략, 산림 구조, 비수목 식생, 관광 행태 및 건축 환경의 전생애 주기 효과는 현재의 토지 피복 회계와는 별도의 분석이 필요하다57,58,59,60,61.

본 방법의 적절한 사용 및 해석에는 몇 가지 제한 사항이 있습니다. 여기에는 지역 현장 보정이 없는 문헌 기반 탄소 밀도, 잠재적인 CLCD 분류 오류, 단순화된 맞춤형 Markov-CA, 0.107의 변화 중심 검증 FoM, 최적화되지 않은 스트레스 테스트 매개변수, 그리고 단일 시드 확률론적 평가가 포함됩니다. 추가적인 제한 사항으로는 확률적 불확실성 분석 대신 단일 요인 분석 설계를 사용한 점, 계획, 사회경제, 접근성, 토양, 산림 연령 및 기후 변화 레이어를 생략한 점, 그리고 비인과적인 OPGD 연관성 등이 있습니다. 이러한 제한 사항으로 인해 본 워크플로우는 지역별 시나리오 비교 평가에는 적합하지만, 결정론적 공간 예측, 지역적으로 보정된 탄소 인벤토리 또는 정책 효과의 인과적 추정치를 제공하지는 않습니다.

기존 및 대안적 접근 방식과 비교하여, 본 프로토콜의 의의는 해석상의 명확한 한계를 유지하면서 토지 이용 시뮬레이션, 4개 풀 탄소 회계, 검증, 민감도 테스트 및 지형 연관성 분석을 재현 가능한 워크플로우 내에 통합했다는 점에 있습니다. 문제 해결 및 수정 시에는 하위 해석에 가장 강력한 영향을 미치는 단계인 토지 피복 전처리 및 마스킹, 전이 및 시나리오 매개변수화, 모델 검증, 탄소 밀도 할당, 그리고 지형 이산화 단계에 특히 집중해야 합니다.

이 워크플로우는 대안적 토지 이용 궤적의 비교 평가 및 추가 조사가 필요한 공간적 연관성을 식별하는 데 적용될 수 있으며, 부지별 적용에는 국지적으로 검증된 추가 증거가 필요합니다. 향후 연구의 우선순위로는 국지적 탄소 측정치 수집, 대안적 할당 모델 및 랜덤 시드(random seeds)의 비교, 독립적 동인에 따른 매개변수 맞춤, 그리고 분류, 매개변수 및 기후 불확실성의 전파 등이 포함됩니다. 이러한 발전은 현재의 워크플로우를 비교 스트레스 테스트 이상으로 확장하고, 추가적인 불확실성 요인 하에서 토지 이용 및 탄소 저장 결과를 평가하기 위한 더 강력한 근거를 제공할 것입니다.

공개 사항

저자들은 이해관계의 충돌이 없음을 선언합니다.

감사의 글

저자들은 CLCD 및 Copernicus DEM GLO-30 데이터셋 제공자들에게 감사드립니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
중국 토지 피복 데이터셋 (CLCD)우한대학교 (Yang J & 황 X)1985–2022년 연례 제품; 30 m; Zenodo DOI: 10.5281/zenodo.4417810기초 지표피복 입력 자료; 보정, 검증, 전이 행렬 추정 및 기선 분석에 사용된 2005년, 2010년, 2015년 레이어
Copernicus DEM GLO-30유럽우주국 / 코페르니쿠스 프로그램기준 에포크 2019; 2021년 일반 공개; 30mOPGD 분석을 위한 고도, 경사, 북향도 및 지형 기복 도출에 사용된 지형 입력 데이터
사용자 정의 마르코프 세포 자동자사용자 정의 Python 구현Python 3.11; 시드 2023; 동기 업데이트; 3 × 3 무어 이웃(Moore neighborhood); 보관된 소스토지 이용 시나리오 시뮬레이션; PLUS를 호출하지 않는 사용자 정의 구현
geopandas (Python 라이브러리)geopandas 개발자1.1.4벡터 데이터 처리, 공간 질의 및 경계 연산
InVEST 4-풀 탄소 저장 공식내추럴 캐피털 프로젝트(Natural Capital Project)InVEST 문서; 사용자 정의 Python 조회 계산; 보관된 스크립트클래스 기반 4-풀 탄소 회계; 격리율, 가치 평가 또는 경제 모듈 제외
matplotlib (Python 라이브러리)Matplotlib 개발자3.11.0피규어 렌더링 및 과학적 시각화
numpy (Python 라이브러리)NumPy 개발자2.4.6배열 수준의 수치 계산
OPGD 요인 및 상호작용 검출기OPGD 방법론 기반의 맞춤형 Python 구현시드 42; 200,000픽셀 샘플; 2–15분위 구간; 999회 순열; 보관된 스크립트2015년 탄소 밀도와 고도, 경사도, 북향도 및 지형 기복 간 연관성에 대한 요인 및 상호작용 분석
pandas (Python 라이브러리)pandas 개발자3.0.3표 형식 데이터 처리 및 분석 출력 프로세싱
Python 프로그래밍 언어Python Software Foundation3.11.9전처리를 비롯하여 시뮬레이션, 검증, 탄소 회계, OPGD 분석 및 후처리를 위한 계산 환경
rasterio (Python 라이브러리)rasterio 유지관리자1.4.4래스터 입력/출력, 재투영, 리샘플링 및 토지 피복 및 지형 래스터 처리
scipy (Python 라이브러리)SciPy 개발자들1.17.1지형 처리에 사용되는 수치 및 형태학적 연산
shapely (Python 라이브러리)Shapely 개발자2.1.2벡터 및 공간 처리를 지원하는 기하학적 연산
연구 지역 범위 및 유효 마스크원고 좌표로부터 재구성된 맞춤형 연구 입력값EPSG:32650; 30 m; 아카이브된 GeoJSON 및 GeoTIFF; 4,632,329개의 유효 셀4,169.1 km를 정의함² 공통 분석 영역 및 유효 래스터 마스크

참고문헌

  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.

재인쇄 및 허가

태그

토지 이용 변화시나리오 시뮬레이션마르코프 세포 자동자지리적 검출기생태계 서비스탄소 회계관광 확장생태 보전

이 논문이 게재되었습니다

동영상 곧 제공

문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.