Een geïntegreerde geospatiale modelleringsworkflow kwantificeert landurbanisatie en de dynamiek van koolstofvoorraden. De uitbreiding van bebouwd land is geassocieerd met een verlies aan koolstofvoorraad en negatieve ruimtelijke overloopeffecten, terwijl ecologische planningsscenario's land met een hoge koolstofvoorraad behouden en gecoördineerd koolstofarm beheer ondersteunen.
Onderzoeksartikel
Landurbanisatie, ecologische planning en koolstofvoorraaddynamiek in Xinjiang, China, met behulp van een geïntegreerde geospatiale modelleringsworkflow
In dit artikel
Samenvatting
Samenvatting
Deze studie heeft een geïntegreerde workflow ontwikkeld en toegepast die remote sensing, landgebruikssimulatie, ecosysteemdienstbeoordeling en ruimtelijke econometrische methoden combineert om de invloed van stedelijke landontwikkeling en ecologische planning op de dynamiek van koolstofvoorraden in de Autonome Regio Xinjiang Uygur in het noordwesten van China te kwantificeren. Met behulp van gegevens over landgebruik/landbedekking, ondoordringbare oppervlakken, nachtverlichting, vegetatie, topografie, socio-economie en planningsbeperkingen uit de periode 2000–2020, identificeerde de workflow historische urbanisatiepatronen, simuleerde vier toekomstige planningsscenario's, schatte de koolstofvoorraad met behulp van de InVEST-koolstofmodule en evalueerde directe en ruimtelijke spillover-effecten met behulp van ruimtelijke econometrische modellen. De resultaten tonen aan dat de uitbreiding van bebouwde gebieden voornamelijk plaatsvond door conversie van landbouwgrond en gepaard ging met een toename van de dekking van ondoordringbare oppervlakken en de intensiteit van nachtverlichting. Simulatieresultaten geven aan dat het scenario voor ecologische bescherming de hoogste retentie van koolstofvoorraden oplevert, terwijl het scenario voor natuurlijke ontwikkeling leidt tot het grootste koolstofverlies. Bosland werd geïdentificeerd als de meest kwetsbare landgebruiksklasse met een hoge koolstofconcentratie, met een totale koolstofdichtheid van 144,9 Mg C/ha vergeleken met 29,4 Mg C/ha voor bebouwd land. Resultaten uit het ruimtelijke Durbin-model tonen aan dat stedelijke landontwikkeling een negatief direct effect (−0,231) en een indirect spillover-effect (−0,117) heeft, wat resulteert in een totaal effect van −0,348 op de koolstofvoorraaddichtheid, terwijl de intensiteit van ecologische planning een positief totaal effect heeft (+0,245). Deze bevindingen ondersteunen gecoördineerde ecologische planning over administratieve grenzen heen om een regionale ontwikkeling met een lage koolstofuitstoot te bevorderen.
Inleiding
Tegen de achtergrond van wereldwijde klimaatverandering en de transitie naar een koolstofarme ontwikkeling, is snelle verstedelijking een belangrijke drijver geworden van veranderingen in regionale landbedekkingspatronen en biogeochemische cycli1. Nu menselijke activiteiten in schaal en intensiteit blijven toenemen, verandert versnelde landverstedelijking in ontwikkelingsregio's niet alleen de landgebruikspatronen, maar herstructureert het ook de ecosysteemstructuur en -functie. In essentie houdt landverstedelijking in dat natuurlijke vegetatie met een hoge koolstofdichtheid wordt omgezet in kunstmatige oppervlakken met een lage koolstofdichtheid, wat resulteert in aanzienlijke verliezen van de regionale koolstofopslagcapaciteit2. Voor snel ontwikkelende regio's is het balanceren van economische groei met de bescherming van ecologische ruimte een kritieke uitdaging geworden binnen de ruimtelijke ordening. Traditionele landgebruikstudies hebben zich primair gericht op patronen van fysieke uitbreiding, terwijl de dynamische interacties tussen ruimtelijke ontwikkeling en koolstofcyclusprocessen vaak over het hoofd zijn gezien3. Bijgevolg is er behoefte aan geïntegreerde analytische benaderingen die de effecten van landverstedelijking op de dynamiek van koolstofvoorraden kwantificeren en een wetenschappelijke basis bieden voor ecologische bescherming en koolstofarm bestuur.
Recente vorderingen in remote sensing en geografische informatiesystemen hebben de modellering van landgebruikswijzigingen en de beoordeling van ecosysteemdiensten aanzienlijk verbeterd4,5. Landgebruiksimulaties met meerdere scenario's in combinatie met ecologische boekhouding zijn een veelgebruikte methode geworden voor het evalueren van de milieugevolgen van stedelijke expansie6. In het bijzonder zijn de Patch-generating Land Use Simulation (PLUS) en Integrated Valuation of Ecosystem Services and Tradeoffs (InVEST) modellen toegepast om te kwantificeren hoe planningsbeperkingen de landgebruikstrajecten en de resultaten van koolstofvoorraden beïnvloeden7,8,9,10,11,12. Gerelateerde studies naar ecosysteemdiensten hebben verder aangetoond dat veranderingen in landbedekking, stedelijk ontwikkelingsbeleid en ecologische beschermingsmaatregelen de wateropbrengst, koolstofvastlegging, bodemretentie en trade-offs van ecosysteemdiensten in snel urbaniserende landschappen kunnen wijzigen13,14,15,16,17. De meeste eerdere studies hebben echter gefocust op landgebruiksomzettingen en de output van ecosysteemdiensten, waarbij minder aandacht is besteed aan hoe sociaaleconomische ontwikkelingsdruk ruimtelijk afhankelijke reacties van koolstofvoorraden tussen naburige administratieve eenheden genereert.
Drie belangrijke hiaten vormen de motivatie voor de huidige workflow. Ten eerste behandelen eerdere PLUS–InVEST-toepassingen studiegebieden vaak als gesloten fysieke systemen en evalueren ze niet expliciet of de effecten van stedelijke ontwikkeling overslaan naar aangrenzende eenheden. Ten tweede worden validatie-, onzekerheids- en sensitiviteitsanalyses vaak slechts kort gerapporteerd, waardoor het moeilijk is om vast te stellen of scenario-rangschikkingen stabiel blijven onder alternatieve landgebruiksimulatieparameters, koolstofpoolcoëfficiënten en ruimtelijke gewichtsspecificaties. Ten derde identificeren ruimtelijke econometrische studies vaak associaties tussen ontwikkelingsintensiteit en ecologische resultaten zonder deze relaties te koppelen aan remote sensing-waarnemingen, toekomstige landgebruikscenario's en koolstofvoorraadboekhouding. Er is daarom een geïntegreerde workflow nodig om waarneming, scenariosimulatie, koolstofboekhouding en de identificatie van ruimtelijke mechanismen te verbinden binnen een reproduceerbaar analytisch kader.
Bijgevolg stelt deze studie een reproduceerbare analytische workflow vast die remote sensing, scenario-simulatie op basis van PLUS, InVEST-koolstofvoorraadbeoordeling en ruimtelijke econometrische analyse integreert. Met de focus op de Autonome Regio Xinjiang Uygur in het noordwesten van China evalueert de studie historische land-urbanisatiepatronen van 2000–2020, onderzoekt hoe alternatieve planningsscenario's de toekomstige landgebruikconfiguraties beïnvloeden, kwantificeert de resulterende effecten op de koolstofvoorraadverdeling en onderzoekt de directe en ruimtelijke overloopeffecten van land-urbanisatie, ecologische planningsintensiteit, vegetatietoestand en socio-economische factoren op de dynamiek van de koolstofvoorraad. De belangrijkste bijdrage van deze workflow is de integratie van scenario-gebaseerde voorspelling met mechanisme-identificatie ter ondersteuning van de afbakening van ecologische rode lijnen, compacte groeplanning, grensoverschrijdende koolstofcompensatie en koolstofarm regionaal bestuur.
Protocol
In deze studie werden publiek beschikbare geospatiale datasets, remote-sensing-gegevens, planningsgegevens en geaggregeerde sociaaleconomische datasets gebruikt. Er waren geen menselijke deelnemers, dierproeven, klinische materialen of identificeerbare persoonlijke gegevens betrokken. Institutionele ethische goedkeuring was daarom niet vereist. De specifieke software-omgevingen, computationele pakketten (inclusief ruimtelijke econometrische en visualisatiebibliotheken met een hoge resolutie), Digital Object Identifiers (DOI's) van de datasets en bron-URL's voor alle middelen die nodig zijn om deze workflow te reproduceren, zijn gedetailleerd beschreven in de uitgebreide Tabel met Materialen.
1. Studiegebied en analytisch kader
De analyse werd uitgevoerd in de autonome regio Xinjiang Uygur in het noordwesten van China, waarbij de specifieke analytische focus lag op de afgebakende stedelijke grenzen van belangrijke steden (Figuur 1>) om de lokale expansiedynamiek nauwkeurig vast te leggen. Deze grens werd consistent gebruikt voor rasterclipping, landgebruikssimulaties, beoordeling van koolstofvoorraden en aggregatie van administratieve eenheden. De analytische steekproefomvang (n) bestond uit 105 administratieve eenheden op districtsniveau die werden geanalyseerd over drie afzonderlijke tijdstippen (2000, 2010 en 2020), waarbij de landgebruikssimulaties 50 stochastische replicaten bevatten om ruimtelijke onzekerheid vast te leggen.
Er werd gebruikgemaakt van een analytisch framework op meerdere schalen waarin analyses op rasterniveau en op niveau van administratieve eenheden werden geïntegreerd. Op rasterniveau werden gegevens over landgebruik/landbedekking, nachtelijke lichtintensiteit, de dekking van ondoordringbare oppervlakken, vegetatie-indices, topografische variabelen en ecologische planningsbeperkingen gebruikt om urbanisatiepatronen van het land te identificeren, toekomstige landgebruikscenario's te simuleren en de distributie van koolstofvoorraden te evalueren. Op het niveau van administratieve eenheden werden sociaaleconomische, transport- en milieuvariabelen opgenomen in ruimtelijke econometrische analyses om de directe en spill-overeffecten van landurbanisatie en ecologische planning op de dynamiek van koolstofvoorraden te beoordelen.
Het analytische kader bestond uit vijf componenten. Ten eerste werden multi-temporele remote-sensing- en landgebruiksgegevens gebruikt om spatiotemporele patronen van landurbanisatie te karakteriseren, waaronder de uitbreiding van bebouwd land, de ontwikkelingsintensiteit en de herstructurering van het landgebruik. Ten tweede werden scenario's ontwikkeld voor ecologische bescherming, bescherming van landbouwgrond en koolstofarme planning om toekomstige landgebruikspatronen te simuleren. Ten derde werd de InVEST carbon-storage module gebruikt om de distributie en verandering van de koolstofvoorraad te kwantificeren onder historische en toekomstige landgebruikscondities. Ten vierde werden globale en lokale ruimtelijke autocorrelatie-analyses uitgevoerd om clusteringpatronen en hotspot-regio's te identificeren die geassocieerd zijn met variaties in de koolstofvoorraad. Ten vijfde werden ruimtelijke econometrische modellen gebruikt om de omvang, richting en spillover-effecten van landurbanisatie, de intensiteit van de ecologische planning en omgevings- en sociaaleconomische drijvers op de dynamiek van de koolstofvoorraad te evalueren.
Figuur 1 presenteert de algemene analytische workflow. De workflow koppelt de definitie van het studiegebied, integratie van data uit meerdere bronnen, identificatie van landurbanisatie, ontwikkeling van ecologische planningsscenario's, landgebruiksimulatie, beoordeling van koolstofvoorraden, ruimtelijke autocorrelatieanalyse en ruimtelijke econometrische modellering. Ruimtelijke data uit meerdere bronnen dienden als inputlaag. De identificatie van landurbanisatie en historische landgebruikanalyse vormden de laag voor patroonkarakterisering. Ecologische planningsscenario's en de beoordeling van koolstofvoorraden vormden de laag voor voorspelling en impactevaluatie. Ruimtelijke autocorrelatie- en econometrische analyses werden gebruikt om ruimtelijke mechanismen te identificeren en beleidsinterpretatie te ondersteunen.
Figuur 1: Studiegebied, gegevensintegratie en technische workflow. (A) Multi-scala ruimtelijke context en precieze stedelijke analysegrenzen voor belangrijke steden in de autonome regio Xinjiang Uygur, noordwest-China. (B) Geïntegreerde technische workflow die multi-bron ruimtelijke gegevens, remote sensing-gebaseerde identificatie van landurbanisatie, ontwerp van ecologische planningsscenario's, PLUS-landgebruikssimulatie, InVEST-koolstofvoorraadbeoordeling, ruimtelijke autocorrelatie, hotspotanalyse en ruimtelijke econometrische modellering koppelt. ND = natural development; EP = ecological protection; CP = cropland protection; LC = low-carbon optimization; OLS = ordinary least squares; SAR = spatial autoregressive model; SEM = spatial error model; SDM = spatial Durbin model. Klik hier om een grotere versie van deze figuur te bekijken.
2. Databronnen en variabelensysteem
Er is een dataset uit meerdere bronnen samengesteld ter ondersteuning van de identificatie van landverstedelijking, simulatie van ecologische planningsscenario's, beoordeling van koolstofvoorraden en ruimtelijke econometrische analyse. De dataset omvatte gegevens over landgebruik/landbedekking, het aandeel ondoordringbare oppervlakken, nachtelijke lichtintensiteit, de genormaliseerde differentiële vegetatieindex (NDVI), topografische variabelen, indicatoren voor transportbereikbaarheid, hydrologische variabelen, bevolkingsdichtheid, bruto binnenlands product (BBP) dichtheid, planningsbeperkingen, klimaatvariabelen en parameters voor koolstofvoorraden. Tabel 1 vat de datasetcategorie, variabelebeschrijving, eenheid, ruimtelijke en temporele resolutie, bron en analytische toepassing samen. Belangrijke datasets werden verkregen voor 2000, 2010 en 2020. Landgebruik en belangrijke remote-sensing producten werden geharmoniseerd naar resoluties variërend van 30 m tot 1 km, afhankelijk van de analytische vereisten.
Tabel 1: Gegevensbronnen en variabelensysteem. De tabel vermeldt de datasetcategorie, variabele, beschrijving, eenheid, ruimtelijke/temporele resolutie, bron en analytische toepassing voor de identificatie van landurbanisatie, scenario-simulatie, InVEST-koolstofvoorraadberekening en ruimtelijke econometrische modellering. NDVI = normalized difference vegetation index; DEM = digital elevation model; LULC = land use/land cover. Klik hier om deze tabel te downloaden.
Alle ruimtelijke lagen werden geprojecteerd naar een gemeenschappelijk coördinatensysteem, bijgesneden tot de begrenzing van het studiegebied zoals getoond in Figuur 1, en opnieuw bemonsterd of geaggregeerd naar de vereiste raster- of administratieve eenheidsschaal. Ontbrekende waarden werden gescreend voorafgaand aan de ruimtelijke overlay-analyse. Rasterdatasets die werden gebruikt in de PLUS- en InVEST-analyses werden op pixelniveau uitgelijnd, terwijl sociaaleconomische variabelen werden geaggregeerd naar administratieve eenheden voor de ruimtelijke regressie. Deze preprocessing-workflow zorgde voor consistente ruimtelijke eenheden en vergelijkbare tijdspunten over de temporele analyses, scenario-simulaties, koolstofvoorraadberekeningen en econometrische modellering.
Gegevens over landgebruik en landbedekking dienden als de primaire input voor de detectie van historische veranderingen en de simulatie van toekomstig landgebruik. De oorspronkelijke landgebruikcategorieën werden geherclassificeerd in zes klassen: akkerland, bosland, grasland, waterlichamen, bebouwd land en ongebruikt land. Dit classificatieschema werd consistent gebruikt voor de analyse van landgebruiksveranderingen, scenario-ontwikkeling en InVEST-berekeningen van koolstofvoorraden. Het aandeel bebouwd land, de dekking van ondoordringbare oppervlakken en de intensiteit van nachtverlichting werden gebruikt als indicatoren voor landurbanisatie. De dekking van ondoordringbare oppervlakken en de intensiteit van nachtverlichting dienden als remote-sensing proxy's voor ontwikkelingsintensiteit en menselijke activiteit. NDVI werd opgenomen als ecologische indicator in daaropvolgende ruimtelijke econometrische analyses.
Topografische en locatievariabelen omvatten hoogte, helling, afstand tot hoofdwegen, wegdichtheid en nabijheid van grote rivieren. Deze variabelen werden gebruikt als sturende factoren in landgebruiksimulaties en als controlevariabelen in ruimtelijke econometrische modellen. Samen vertegenwoordigden zij terreinbeperkingen, transporttoegankelijkheid en hydrologische connectiviteit.
Sociaaleconomische variabelen omvatten de bevolkingsdichtheid en de BBP-dichtheid, aangevuld met de dichtheid van het wegennet waar deze beschikbaar was. Deze variabelen werden gebruikt om de ontwikkelingsintensiteit en de druk door menselijke activiteiten te karakteriseren in verband met veranderingen in koolstofvoorraden. Het kader van variabelen integreerde indicatoren voor landontwikkeling, sociaaleconomische druk en ecologische context om de diverse factoren weer te geven die de dynamiek van de koolstofvoorraden beïnvloeden.
Er is een index voor ecologische planningsintensiteit ontwikkeld op basis van ecologische roodlijnen, natuurreservaten, bufferzones rond waterlichamen, hellingsbeperkingsgebieden en andere milieugevoelige regio's. Deze index diende zowel als beperkingslaag in toekomstige landgebruikssimulaties als variabelen voor verklaring in ruimtelijke econometrische analyses.
Voor de InVEST-beoordeling van de koolstofvoorraad werden vier koolstofpoolparameters samengesteld voor elke landgebruiksklasse: bovengrondse biomassakoolstof, ondergrondse biomassakoolstof, organische koolstof in de bodem en koolstof uit dood organisch materiaal. Parameterwaarden werden verkregen uit gepubliceerde regionale studies, InVEST-richtlijndocumenten en lokale kenmerken van de landbedekking, en werden gekoppeld aan het uniforme landgebruikclassificatiesysteem. Koolstofvoorraad verwijst naar de totale geschatte hoeveelheid koolstof in deze vier pools, terwijl koolstofvoorraaddichtheid verwijst naar de koolstofvoorraad per oppervlakte-eenheid.
Variabelen werden ingedeeld in drie categorieën. De eerste categorie bestond uit indicatoren voor landurbanisatie, waaronder het aandeel bebouwd land, de dekking van ondoordringbare oppervlakken en de intensiteit van nachtverlichting. De tweede categorie omvatte ecologische en planneringsvariabelen, zoals NDVI, ecologische planningsintensiteit, hoogte, hellingshoek en hydrologische nabijheid. De derde categorie bestond uit sociaaleconomische drijfveren, waaronder bevolkingsdichtheid, BBP-dichtheid en wegdichtheid. Deze variabelen werden gebruikt om de relaties tussen landurbanisatie, ecologische planning en koolstofvoorraad-dynamiek te evalueren.
3. Identificatie van landurbanisatie op basis van remote sensing
De spatiotemporele patronen van landurbanisatie werden geïdentificeerd aan de hand van drie complementaire indicatoren: de uitbreiding van bebouwd land, de dekking van ondoordringbare oppervlakken en de intensiteit van nachtverlichting. De uitbreiding van bebouwd land werd geëxtraheerd uit opeenvolgende landgebruikskaarten om de fysieke omvang en progressie van stedelijke ontwikkeling van centrale bebouwde gebieden naar de omliggende regio's af te bakenen. De dekking van ondoordringbare oppervlakken werd berekend om de ontwikkelingsintensiteit op gridniveau te kwantificeren, terwijl rastergegevens van de nachtverlichtingsintensiteit werden verwerkt en genormaliseerd om menselijke activiteit en functionele concentratie weer te geven. Deze ruimtelijke lagen werden vervolgens geïntegreerd om de historische dataset van landurbanisatie samen te stellen. De gecombineerde indicatoren werden gebruikt om gebieden van aanhoudende intensivering van de ontwikkeling, transitiezones en relatief stabiele regio's te identificeren, en om de ruimtelijke correspondentie tussen fysieke landontwikkeling en functionele urbanisatie te evalueren.
Er is een landgebruiksovergangsmatrix opgesteld om de omvang en richting van de omzetting van landgebruik tussen akkerland, bosland, grasland, waterlichamen, bebouwd land en ongebruikt land te kwantificeren. Bijzondere aandacht werd besteed aan overgangen van ecologische en landbouwkundige landgebruiksklassen naar bebouwd land. De matrix werd gebruikt om dominante omzettingspaden en de belangrijkste bronklassen van landgebruik die bijdragen aan stedelijke expansie te identificeren.
Er werd een analyse van het landschappspatroon uitgevoerd om structurele veranderingen in verband met de urbanisatie van het land te evalueren. De metrieken omvatten patchdichtheid, randdichtheid, de landschapsvormindex en fragmentatie-gerelateerde indicatoren. Deze metrieken werden berekend voor elke studieperiode en gebruikt om veranderingen in de landschapsconfiguratie, ruimtelijke continuïteit en fragmentatie in verband met de uitbreiding van bebouwd land te kwantificeren.
4. Ontwerp van ecologische planningsscenario's en landgebruiksimulatie
Toekomstige landgebruikspatronen werden gesimuleerd met behulp van het Patch-generating Land Use Simulation (PLUS) model onder vier planningsscenario's: natuurlijke ontwikkeling (ND), ecologische bescherming (EP), bescherming van landbouwgrond (CP) en koolstofarme optimalisatie (LC). Scenario-aannames, regels voor landomzetting, beperkte landtypen en verwachte resultaten van de koolstofvoorraad zijn samengevat in Tabel 2.
Tabel 2: Scenario-controleregelingen en transitiebeperkingen.De tabel definieert landconversiekansberekeningen en ruimtelijke beperkingen voor scenario's van natuurlijke ontwikkeling (ND), ecologische bescherming (EP), landbouwgrondbescherming (CP) en koolstofarme optimalisatie (LC). Opmerkingen: De scenario-afkortingen komen strikt overeen met die welke zijn gebruikt in de PLUS-modellering en de Resultatensecties. De scenario-instellingen definiëren beleidsgeoriënteerde conversieregels en beperkte landtypen die in de simulaties zijn gebruikt; alle wettelijke uitsluitingszones bleven niet-converteerbaar in de uiteindelijke ruimtelijke lagen. Klik hier om deze tabel te downloaden.
Historische landgebruikskaarten en ruimtelijke stuurvariabelen werden geïntegreerd in het PLUS-model om basiswaarschijnlijkheden voor landovergangen te schatten met behulp van de cellular automata (CA)-module. Voor de scenario's ecologische bescherming (EP), bescherming van landbouwgrond (CP) en koolstofarme optimalisatie (LC) werden ecologische roodlijnen, permanent basislandbouwland, bufferzones rond waterlichamen en andere planningsbeperkingen opgenomen als ruimtelijke restrictielagen om landconversie te beperken in overeenstemming met de vooraf gedefinieerde scenarioregels. De doelhoeveelheden voor de landvraag voor 2030 werden vervolgens voor elk scenario gedefinieerd, waarna de CA-module werd uitgevoerd met 50 stochastische replica's om de uiteindelijke landgebruiksprognoses te genereren.
Landgebruikssimulatie werd uitgevoerd met behulp van het PLUS-model en het bijbehorende cellular automata (CA)-raamwerk met multi-type stochastische patchgeneratie. Historische landgebruikskaarten en omgevings- en sociaaleconomische sturingsvariabelen werden gebruikt om de kansen op landexpansie voor elke landgebruiksklasse te schatten. De toekomstige landvraaghoeveelheden werden vervolgens gespecificeerd volgens de vereisten van elk planningsscenario, waarna de overeenkomstige landgebruikskaarten voor de beoogde simulatieperiode werden gegenereerd.
De modelprestaties werden geëvalueerd via historische back-casting voorafgaand aan de toekomstige simulatie. Eerdere landgebruikskaarten en bijbehorende sturende variabelen werden gebruikt om een latere, geobserveerde landgebruikskaart te simuleren. De overeenkomst tussen de gesimuleerde en geobserveerde landgebruiksverdelingen werd beoordeeld met behulp van de algemene nauwkeurigheid (OA), de Kappa-coëfficiënt en de Figure of Merit (FoM). De validatie werd uitgevoerd op zowel het algemene niveau als per belangrijke landgebruiksklasse. Historische back-casting van 2010 tot 2020 leverde een algemene nauwkeurigheid (OA) op van 93,4%, een Kappa-coëfficiënt van 0,89 en een Figure of Merit (FoM) van 0,26, wat duidt op een zeer betrouwbare capaciteit voor ruimtelijke projectie in daaropvolgende multi-scenario simulaties.
Er werden onzekerheids- en sensitiviteitsanalyses uitgevoerd om de robuustheid van de simulatieresultaten te evalueren. De PLUS-sensitiviteitsanalyses onderzochten de effecten van alternatieve instellingen voor transitieweerstand en parameters voor buurtweging voor de belangrijkste landgebruiksklassen. De InVEST-sensitiviteitsanalyses evalueerden de invloed van variaties in koolstofpoolcoëfficiënten over verschillende landgebruikstypen. Ruimtelijke econometrische sensitiviteitsanalyses vergeleken alternatieve specificaties van de ruimtelijke gewichtsmatrix. Deze analyses werden gebruikt om vast te stellen of scenario-rangschikkingen en de richting van de belangrijkste effecten van urbanisatie en ecologische planning consistent bleven onder alternatieve parameterinstellingen. Specifiek werd de stabiliteit van de resultaten strikt bevestigd: scenario-rangschikkingen en de negatieve ruimtelijke spillover-effecten van landurbanisatie bleven invariant wanneer de transitieweerstandsparameters en koolstofpoolcoëfficiënten met ±15% werden gewijzigd.
5. Beoordeling van de koolstofvoorraad
De koolstofvoorraad werd beoordeeld met behulp van het InVEST-koolstofmodel. Basisparameters voor de vier koolstofpools (bovengrondse biomassa, ondergrondse biomassa, organische koolstof in de bodem en dood organisch materiaal) werden aan elk geherclassificeerd landgebruikstype toegewezen met gebruik van de biofysische waarden die zijn samengevat in Tabel 3. Historische landgebruikskaarten (2000–2020) en door PLUS gesimuleerde toekomstige rasterdatasets voor landgebruik werden vervolgens in het model geïmporteerd en geïntegreerd met de overeenkomstige parameters voor koolstofdichtheid. Het model werd daarna uitgevoerd om de totale regionale koolstofvoorraad (Tg C), de koolstofvoorraaddichtheid op rasterniveau (Mg C/ha) en ruimtelijke kaarten van de verandering in koolstofvoorraad (ΔC) voor de historische en toekomstige scenario's te schatten.
Hergeclassificeerde landgebruikskaarten werden gekoppeld aan de overeenkomstige basiswaarden van de koolstofpoolparameters zoals vermeld in Tabel 3. De gevoeligheid van de schattingen van de koolstofvoorraad voor parameteronzekerheden werd getest door deze basiswaarden met ±15% aan te passen, met gedetailleerde gevoeligheidsresultaten. Het model werd gebruikt om de totale koolstofvoorraad, de koolstofvoorraaddichtheid en de verandering in koolstofvoorraad voor elke landgebruiksklasse te berekenen onder historische omstandigheden en toekomstige planningsscenario's.
Er werden drie categorieën resultaten geëvalueerd. Ten eerste werden de totale regionale koolstofvoorraad en temporele trends berekend om de omvang en richting van de verandering in de koolstofvoorraad in de loop van de tijd te kwantificeren. Ten tweede werden de ruimtelijke verdelingen van de koolstofvoorraad en de verandering van de koolstofvoorraad in kaart gebracht om gebieden van koolstofretentie en koolstofverlies te identificeren. Ten derde werden schattingen van de koolstofvoorraad vergeleken tussen verschillende planningsscenario's om de relatieve effecten van strategieën voor ecologische bescherming, bescherming van landbouwgrond en koolstofarme optimalisatie op het behoud van de koolstofvoorraad te evalueren.
Tabel 3: Basislijnparameters van koolstofvoorraden voor verschillende landgebruikstypen.De tabel vermeldt de koolstof in de bovengrondse biomassa, koolstof in de ondergrondse biomassa, organische koolstof in de bodem, koolstof in dood organisch materiaal en de totale koolstofdichtheid die zijn gebruikt in de InVEST-module voor koolstofvoorraden. Eenheden zijn Mg C/ha. Opmerkingen: De waarden vertegenwoordigen de basislijnparameters die in het InVEST-model zijn gebruikt. De totale koolstofdichtheid is gelijk aan de som van de vier koolstofvoorraden. Gevoeligheidsanalyses waarbij deze basislijnwaarden met ±15% zijn gewijzigd, worden vermeld in Tabel 6. Klik hier om deze tabel te downloaden.
6. Ruimtelijke autocorrelatie en ruimtelijke econometrische analyse
Er werd een analyse van ruimtelijke autocorrelatie uitgevoerd om vast te stellen of de koolstofvoorraad en de verandering in koolstofvoorraad een significante ruimtelijke afhankelijkheid vertoonden. De globale Moran's I werd berekend om de algemene mate van ruimtelijke clustering in de verdeling van de koolstofvoorraad en de verandering in koolstofvoorraad over het studiegebied te evalueren. Vervolgens werd de lokale Moran's I gebruikt om lokale ruimtelijke associatiepatronen te identificeren, waaronder high-high, low-low, high-low en low-high clusters. Er werd een hotspot-analyse uitgevoerd om gebieden met geconcentreerd koolstofverlies en koolstofvoorraadbehoud te identificeren.
Ruimtelijk econometrische modellen werden gebruikt om de relaties tussen landurbanisatie, ecologische planning, milieuomstandigheden, sociaaleconomische factoren en koolstofvoorraaddynamiek te onderzoeken. De koolstofvoorraaddichtheid of de verandering in de koolstofvoorraad diende als de afhankelijke variabele. De verklarende variabelen omvatten de landurbanisatie-index, het aandeel bebouwd land, de intensiteit van de ecologische planning, de normalized difference vegetation index (NDVI), de bevolkingsdichtheid, de BBP-dichtheid, de wegdichtheid, de hoogte, de helling, de gemiddelde jaarlijkse neerslag en de gemiddelde jaartemperatuur.
Gewone kleinste-kwadratenregressie (OLS) werd gebruikt als basismodel. Residuele ruimtelijke afhankelijkheid werd geëvalueerd voorafgaand aan de schatting van de ruimtelijke autoregressieve (SAR), ruimtelijke fouten- (SEM) en ruimtelijke Durbin-modellen (SDM). De modelprestaties en coëfficiëntschattingen werden vergeleken tussen de verschillende specificaties.
Er is een rij-gestandaardiseerde ruimtelijke gewichtsmatrix opgesteld om de nabuurschapsrelaties tussen administratieve eenheden weer te geven. De primaire specificatie was gebaseerd op ruimtelijke contiguïteit, en robuustheidsanalyses vergeleken alternatieve op afstand gebaseerde en nearest-neighbor ruimtelijke gewichtsmatrices waar deze beschikbaar waren.
Directe, indirecte en totale effecten werden berekend vanuit het SDM om lokale en ruimtelijke spillover-relaties te evalueren. Terrein, toegankelijkheid, vegetatie, klimaat en sociaaleconomische variabelen werden meegenomen als controlevariabelen om bias door weggelaten variabelen te verminderen. Modelcoëfficiënten werden geïnterpreteerd als conditionele ruimtelijke associaties in plaats van definitieve causale effecten. Variabelen met p-waarden die de conventionele significantiedrempels overschreden, werden geïnterpreteerd als zwak of suggestief bewijs en werden niet behandeld als statistisch robuuste effecten.
Resultaten
Identificatie van landurbanisatie op basis van remote sensing
Op basis van resultaten van remote sensing-identificatie over meerdere perioden heeft het studiegebied tussen 2000 en 2020 een significante intensivering van landurbanisatie ondergaan, vergezeld door een herstructurering van landgebruikspatronen en een herconfiguratie van landschapssamenstellingen. Over het algemeen vertoonde de uitbreiding van bebouwd land een concentrische expansie die uitstraalde van de kernstedelijke gebieden naar de perifere zones. Gelijktijdige toenames in de intensiteit van menselijke activiteiten en de mate van oppervlakte-impermeabiliteit duiden erop dat de snelle ontwikkeling niet alleen de kwantitatieve structuur van het landgebruik heeft veranderd, maar ook de regionale ruimtelijke organisatiepatronen ingrijpend heeft geherconfigureerd.
De resultaten van de identificatie van landurbanisatie, geïllustreerd door de representatieve subset van Urumqi in Figuur 2A, tonen duidelijk de gefaseerde expansietrajecten van het gebruik van bebouwingsgrond van 2000–2020. In 2000 was bebouwingsgrond voornamelijk geconcentreerd in centrale stedelijke gebieden met relatief compacte ruimtelijke configuraties. Tegen 2010 was de perifere expansie aanzienlijk geïntensiveerd, waardoor overgangszones rondom de kerngebieden ontstonden. Tegen 2020 was de bebouwingsgrond voorbij de oorspronkelijke compacte grenzen gegroeid, verspreid in meerdere richtingen en met de vorming van discrete expansiepatches ver verwijderd van de kernzones, wat typische patronen van uitwaartse expansie en trends van multicentrische diffusie weerspiegelt. In overeenstemming met deze expansiepatronen laat Figuur 2B een significante gradiënt van centrum naar periferie zien in de dekking van ondoordringbare oppervlakken binnen het studiegebied tegen 2020. De hoogste waarden werden waargenomen in centrale stedelijke gebieden en aangrenzende bebouwde regio's, wat aangeeft dat de intensiteit van oppervlakteverharding en ontwikkelingsintensiteit het meest uitgesproken waren in de kernfunctionele zones. Hoewel perifere gebieden een relatief lage algehele dekking behielden, ontstonden er meerdere patches met hoge waarden langs transportcorridors en secundaire stedelijke knooppunten, wat aantoont dat impermeabilisatie zich via ontwikkelings-spillovers naar omliggende gebieden buiten de stedelijke centra had uitgebreid. Figuur 2C onthult dat de regio's met de grootste toenames in de intensiteit van nachtverlichting tussen 2000 en 2020 voornamelijk geconcentreerd waren in centrale stedelijke gebieden, langs grote radiale transportassen die naar buiten liepen, en bij verschillende perifere groeiknooppunten.
Vanuit een temporeel perspectief vat Figuur 2D de consistente stijgende trends van de drie landurbanisatie-indicatoren tussen 2000 en 2020 verder samen. Om een directe vergelijking tussen indicatoren met verschillende intrinsieke eenheden en schalen te vergemakkelijken, werden de ruwe waarden van elke indicator gestandaardiseerd met behulp van een min-max normalisatiebenadering, waarbij ze werden geschaald naar een uniform bereik van 0–1:
Na deze normalisatieprocedure behield het aandeel bebouwde gebieden de hoogste relatieve groeisnelheid (waarbij het ruwe regionale gemiddelde steeg van 3,2% ± 1,4% SD in 2000 naar 8,7% ± 3,1% SD in 2020), wat aantoont dat de uitbreiding van landontwikkeling in deze periode de meest directe ruimtelijke manifestatie was. Het aandeel ondoordringbare oppervlakken nam snel toe (van 2,8% ± 1,2% SD in 2000 naar 7,9% ± 2,8% SD in 2020), wat wijst op aanzienlijke oppervlakteverharding in verband met nieuwe ontwikkelingsgebieden. Hoewel de intensiteit van de nachtverlichting begon op een relatief laag niveau, werd de groei later uitgesproken, wat duidt op een versnelde toename van de concentratie van menselijke activiteiten en functionele verbetering.
Figuur 2: Spatiotemporele evolutiepatronen van landurbanisatie. (A) Gefaseerde expansietrajecten van bebouwd land (2000–2020); (B) Ruimtelijke verdeling van de dekking van ondoordringbaar oppervlak in 2020 (%); (C) Variaties in veranderingen van de intensiteit van nachtverlichting (NTL) tussen 2000 en 2020 (nW/cm2/sr). (D) Temporele trends in de drie kernindicatoren voor landurbanisatie die in deze studie zijn onderzocht (bebouwd oppervlak, fractie ondoordringbaar oppervlak en intensiteit van nachtverlichting). Trendlijnen vertegenwoordigen de regionale gemiddelden van min-max-genormaliseerde indexwaarden (geschaald van 0–1 voor comparatieve visualisatie), berekend over alle n = 105 administratieve eenheden op countyniveau in het studiegebied. Klik hier om een grotere versie van deze figuur te bekijken.
De resultaten van historische veranderingen in het landgebruik onthullen bovendien de specifieke processen van landurbanisatie. Het stroomdiagram van landgebruiksovergangen in Figuur 3A geeft aan dat de meest significante landconversie tijdens de studieperiode plaatsvond van landbouwgrond naar bebouwd land, wat de dominante trend was onder alle belangrijke conversiepaden. Hoewel sommige bosgebieden, graslanden en waterlichamen ook in verschillende mate werden geconverteerd, werd het algemene patroon gedomineerd door de uitstroom van landbouwgrond. Tegelijkertijd werden bidirectionele stromen waargenomen tussen landbouwgrond en bosland, evenals tussen grasland en andere landtypen, wat aangeeft dat landgebruikssystemen te midden van een snelle ontwikkeling ondergaan aan een reorganisatie van meerdere typen, gedreven door stedelijke expansie in plaats van een unidirectionele evolutie. Analyse van de ruimtelijke distributiepatronen en stroombreedtes onthult echter dat bebouwd land de primaire categorie voor netto-instroom blijft, wat de dominante rol van ontwikkelingsuitbreiding in het studiegebied gedurende de afgelopen twee decennia verder bevestigt.
De matrixanalyse in Figuur 3B biedt een meer kwantitatieve weergave van de intensiteit van landgebruiksomzetting over verschillende tijdsperioden. Gebieden met hoge waarden zijn hoofdzakelijk geconcentreerd in omzettingsunits gerelateerd aan landbouwarealen, waarbij de meest significante omzetting plaatsvindt van landbouwareal naar bebouwd land; dit wijst erop dat het niet-landbouwkundige gebruik van landbouwareal de primaire manifestatie is van landgebruikverandering in het studiegebied. Een aanzienlijk deel van het bebouwde land behoudt bovendien ruimtelijke continuïteit en stabiliteit binnen de grenzen, wat duidt op de aanhoudende uitbreiding van bestaande ontwikkelingszones met behoud van een sterke ruimtelijke integriteit. Daarentegen blijft de omzettingsschaal van bosland, grasland en waterlichamen relatief klein, maar de lokale inbreuk van bebouwd land op deze ecologische gebieden verdient aandacht.
Op het niveau van het landschappspatroon laat Figuur 3C een aanhoudende toename zien in landschapsindices over de jaren 2000, 2010 en 2020, waarbij de patchdichtheid, randdichtheid, landschapsvormindex en fragmentatie-index allemaal een piek bereiken in 2020. Dit geeft aan dat naarmate de verstedelijking vordert, de landschapsstructuur van het studiegebied is geëvolueerd van een aanvankelijk relatief intact en goed gedefinieerd patroon naar een meer gefragmenteerde, complexe en discontinue ruimtelijke configuratie. Opvallend is dat de stijging in randdichtheid en vormcomplexiteit kwantitatief duidt op een meer onregelmatige en complexe geometrische configuratie van de nieuw uitgebreide bebouwingspatches.
Figuur 3: Historische verandering in landgebruik en herstructurering van het landschapspatroon. (A) Sankey-diagram dat de landgebruiksovergangsstromen met hoge resolutie en de primaire conversieroutes tussen 2000 en 2020 illustreert. (B) Matrix van landgebruikconversie die het ruimtelijke overgangsoppervlak tussen de zes landgebruiksklassen kwantificeert (km2). (C) Radardiagram dat veranderingen in belangrijke landschapsindices (Patch Density, Edge Density, Landscape Shape Index en Fragmentation Index) weergeeft over de perioden 2000, 2010 en 2020. Alle labels en stroomwaarden zijn geschaald voor optimale leesbaarheid. Klik hier om een grotere versie van deze figuur te bekijken.
Ontwerp van ecologische planningsscenario's en landgebruikssimulatie
Wanneer gecombineerd met de scenario-controleregels vastgesteld in Tabel 2, vertonen de resultaten van de landgebruikssimulatie onder verschillende ecologische planningsoriëntaties duidelijke differentiatiepatronen. Het scenario van natuurlijke ontwikkeling neigt ernaar de historische expansie-inertie in stand te houden, terwijl het scenario voor ecologische bescherming de nadruk legt op strikte beperkingen voor ecologische roodlijnen en gevoelige zones. Het scenario voor gewasbescherming geeft prioriteit aan het behouden van de ruimtelijke continuïteit van de landbouw, terwijl het scenario voor koolstofarme optimalisatie focust op een gebalanceerde ontwikkeling tussen compacte urbanisatie en ecologische coördinatie. Deze bevindingen geven aan dat variaties in planningsregels het gesimuleerde oppervlak van nieuw toegevoegd bouwland kwantitatief veranderen en de ruimtelijke distributie van ecologisch-landbouwkundige patches over de vier scenario's herconfigureren.
Kijkend naar de representatieve subset van Urumqi, geven de ruimtelijke simulatieresultaten van het PLUS-model aan dat het scenario van natuurlijke ontwikkeling (ND), getoond in Figuur 4A, de meest uitgesproken trend in bouwwerkuitbreiding vertoont. Nieuwe bebouwingsgronden breiden zich primair naar buiten uit vanaf de periferie van bestaande bebouwde gebieden, waardoor brede expansiezones in meerdere richtingen ontstaan, wat erop wijst dat stedelijke groei onder zwakke regulerende beperkingen voornamelijk zijdelingse expansie blijft. Dit expansiepatroon maakt direct inbreuk op landbouwgrond en overgangsecologische zones rondom centrale stedelijke gebieden, waardoor bebouwde grenzen verder gefragmenteerd raken. In tegenstelling hiermee laat het ecologische beschermingsscenario (EP), afgebeeld in Figuur 4B, een aanzienlijk verminderd gebruik van nieuwe bebouwingsgronden zien, waarbij de uitbreiding beperkt blijft tot een beperkt aantal ontwikkelbare percelen nabij centrale stedelijke gebieden, terwijl perifere bosgebieden, aquatische corridors en ecologische bufferzones grotendeels intact blijven.
Wat betreft de landbouwbescherming en de coördinatie van de ontwikkeling, vertoont het scenario voor de bescherming van landbouwgrond (CP), afgebeeld in Figuur 4C, ruimtelijke beperkingen die verschillen van die van het EP. In dit scenario blijven grote perifere landbouwgronden grotendeels intact, waarbij nieuwe bouwactiviteiten zich voornamelijk concentreren aan de randen van bestaande bebouwde gebieden en lokale ontwikkelingsknooppunten, wat wijst op een expansie-intensiteit die tussen ND en EP ligt. Omgekeerd vertoont het scenario voor koolstofarme optimalisatie (LC), getoond in Figuur 4D, een compacter groeipatroon. Nieuwe bouwgrond verspreidt zich niet uitgebreid naar buiten, maar is relatief geconcentreerd langs de belangrijkste ontwikkelingsassen en de periferie van bestaande bebouwde gebieden, met directionele expansiegrenzen en meer regelmatige ruimtelijke configuraties.
Figuur 4: Ruimtelijke verdeling van PLUS-gesimuleerde toekomstige landgebruikspatronen onder gedifferentieerde ecologische planningsscenario's, geïllustreerd met behulp van het Urumqi-metropoolsubset. (A) Natuurlijk ontwikkelingsscenario (ND) dat historische expansie-inertie laat zien. (B) Ecologisch beschermingsscenario (EP) met nadruk op strikte ruimtelijke beperkingen. (C) Scenario voor bescherming van landbouwgrond (CP) waarbij prioriteit wordt gegeven aan landbouweisencontinuïteit. (D) Koolstofarm optimalisatiescenario (LC) dat compacte groeipatronen weerspiegelt. Klik hier om een grotere versie van deze figuur te bekijken.
Beoordeling van de koolstofvoorraad
Tabel 3 presenteert de basisparameters voor koolstofdichtheid over verschillende landgebruikstypen. Bosland vertoonde de hoogste totale koolstofdichtheid (144,9 Mg C/ha), voornamelijk gedreven door organische koolstof in de bodem (94,5 Mg C/ha) en bovengrondse biomassa (36,8 Mg C/ha). Grasland en akkerland vertoonden matige totale koolstofdichtheden van respectievelijk 88,9 Mg C/ha en 82,1 Mg C/ha. In tegenstelling hiermee gaven kunstmatige en onbeplante oppervlakken aanzienlijk lagere waarden, met bebouwd land op 29,4 Mg C/ha en ongebruikt land op 19,7 Mg C/ha.
Vanuit het perspectief van historische evolutiepatronen laat Figuur 5A een significante ruimtelijke reorganisatie van de koolstofvoorraad in het studiegebied zien tussen 2000, 2010 en 2020. In 2000 waren regio's met een hoge koolstofdichtheid primair geconcentreerd in perifere ecologische zones, waarbij een algemeen patroon zichtbaar was van hogere concentraties aan de periferie en lagere waarden in het centrum. Tegen 2010 nam de totale regionale koolstofvoorraad aanvankelijk af doordat stedelijke uitbreiding inbreuk maakte op ecologische ruimtes, hoewel sommige lokale perifere gebieden tijdelijk verhoogde niveaus van de koolstofvoorraad behielden. Tegen 2020 versnelde deze neerwaartse trend aanzienlijk; het algemene kleurverloop werd lichter en gebieden met hoge waarden krompen merkbaar, wat duidt op een voortdurende en substantiële uitputting van de totale regionale koolstofvoorraad en een verzwakte ruimtelijke continuïteit van koolstofrijke patches.
Zoals geïllustreerd in Figuur 5B, leverde het ND-scenario de laagste mediane koolstofdichtheid op (72.4 Mg C/ha, IQR = 14.6 Mg C/ha). De EP- en CP-scenario's produceerden respectievelijk hogere mediane dichtheden van 86.8 Mg C/ha (IQR = 12.3 Mg C/ha) en 81.2 Mg C/ha (IQR = 15.8 Mg C/ha). De ruimtelijke verdeling van veranderingen in de koolstofvoorraad (ΔC) in Figuur 5C geeft aan dat koolstofverliezen (negatieve ΔC) geografisch wijdverspreid zijn onder het ND-scenario. Omgekeerd zijn positieve ΔC-waarden geconcentreerd in perifere ecologische zones onder het EP-scenario, terwijl het LC-scenario een ruimtelijk heterogene verdeling van lokale koolstofwinsten en -verliezen vertoont.
Figuur 5D onthult verder de broncomponenten van de totale koolstofvoorraad en de veranderingen daarvan over historische perioden en toekomstige scenario's, vanuit het perspectief van de bijdrage per landgebruikstype. Zowel de historische als de geprojecteerde fasen laten consequent zien dat bosland en grasland de belangrijkste bijdragers blijven aan de totale koolstofvoorraad, gevolgd door landbouwgrond, terwijl bebouwd land, waterlichamen en ongebruikt land relatief minder bijdragen. Vergelijkingen van toekomstige scenario's geven aan dat het EP-scenario de hoogste totale koolstofvoorraad bereikt, terwijl het ND-scenario de laagste vertoont, waarbij de CP- en LC-scenario's daartussenin liggen. Dit patroon komt nauw overeen met de variërende mate van behoud van ecologisch landgebruik met een hoge koolstofdichtheid in de verschillende scenario's.
Figuur 5: Historische en scenario-gebaseerde dynamiek van koolstofvoorraden. (A) Ruimtelijke verdeling van de totale koolstofvoorraad (Tg C) en koolstofvoorraaddichtheid (Mg C/ha) in 2000, 2010 en 2020. (B) Vioolplot van de verdeling van de koolstofdichtheid (Mg C/ha) over verschillende scenario's. (C) Ruimtelijke verdeling van veranderingen in de koolstofvoorraad (ΔC, Mg C/ha) onder toekomstige scenario's ten opzichte van de nulmeting van 2020. (D) Bijdrage van verschillende landgebruikstypes aan de totale koolstofvoorraad (Tg C). De vioolplots visualiseren de kansdichtheid van de koolstofvoorraaddichtheid (n = 105 administratieve eenheden per scenario). De dikke horizontale lijnen binnenin geven de mediaan aan en de stippellijnen vertegenwoordigen het interkwartielbereik (IQR). Asterisken in paneel B duiden de statistische significantie van verschillen tussen de nulmeting van natuurlijke ontwikkeling (ND) en andere gesimuleerde scenario's aan, bepaald met de Kruskal-Wallis H-test (* p < 0,05, ** p < 0,01, *** p < 0,001). Klik hier om een grotere versie van deze figuur te bekijken.
Ruimtelijke autocorrelatie en ruimtelijke econometrische analyse
Vanuit het perspectief van ruimtelijke aggregatiepatronen onthult Figuur 6A een significante lokale ruimtelijke autocorrelatie in de variaties van de koolstofvoorraad over het studiegebied. High-high aggregatiezones zijn voornamelijk geconcentreerd in de centraal-noordelijke kernontwikkelingszone, wat aangeeft dat deze regio's en aangrenzende eenheden over het algemeen co-directionele kenmerken vertonen van verbetering van de koolstofvoorraad met een sterke ruimtelijke interconnectiviteit. Low-low aggregatiezones komen vaker voor in zuidelijke en perifere regio's, wat wijst op relatief lage amplitudes van variatie in de koolstofvoorraad en ruimtelijke stabiliteit. In contrast hiermee zijn high-low en low-high aggregatietypen relatief beperkt en komen zij primair voor tussen kernzones en perifere overgangszones, wat suggereert dat er in lokale gebieden sprake is van uitgesproken ruimtelijke misalignement en grensovergangsfenomenen.
De hotspot-analyse in Figuur 6B onthult verder het ruimtelijke polarisatiepatroon van veranderingen in de koolstofvoorraad. Significante hotspots zijn voornamelijk verdeeld over verschillende eenheden in de centrale en noordoostelijke regio's, wat aangeeft dat deze gebieden collectief een hoge druk ervaren wat betreft koolstofverlies en dat het gevoelige zones zijn met geconcentreerde landontwikkelingsactiviteiten. Daarentegen zijn significante cold spots geconcentreerd in de westelijke en zuidelijke regio's, wat duidt op een sterker retentievermogen van de koolstofvoorraad of een geringere verstoring door ontwikkeling. Bovendien onthult de bivariate OLS-regressieanalyse in Figuur 6C dat grotere stijgingen in de urbanisatie-index geassocieerd zijn met steeds negatievere veranderingen in de koolstofvoorraad, wat wijst op progressief grotere koolstofverliezen. Dit is consistent met de negatieve SDM-coëfficiënten die vermeld worden in Tabel 4.
Figuur 6: Ruimtelijke autocorrelatie en koppelingsanalyse van de koolstofvoorraad. (A) Local Indicators of Spatial Association (LISA)-patronen van variaties in de koolstofvoorraad; de uiteindelijke Global Moran's I-statistiek en p-waarde staan in het paneel vermeld. (B) Distributie van hotspots en coldspots van veranderingen in de koolstofvoorraad. (C) Koppelingsrelatie tussen de uitgebreide index voor landverstedelijking en het veranderingspercentage van de koolstofvoorraad. Het spreidingsdiagram vertoont een statistisch significante negatieve correlatie (Pearson's r = -0,612, R2 = 0,375, p < 0,001), vergezeld van de weergegeven OLS-regressievergelijking (y = -5,42× - 1,25) en een 95% betrouwbaarheidsband, wat de empirische relatie bevestigt die in de ruimtelijke modellen is waargenomen. LISA = Local Indicators of Spatial Association. Klik hier om een grotere versie van deze figuur te bekijken.
Tabel 4: Schattingsresultaten van ruimtelijke econometrische modellen. De tabel vergelijkt de resultaten van ordinary least squares (OLS), spatial autoregressive (SAR), spatial error (SEM) en spatial Durbin (SDM) modellen voor de effecten van urbanisatie, ecologische planning, vegetatie, sociaaleconomische factoren, bereikbaarheid, terrein en klimaatvariabelen op de koolstofvoorraaddichtheid. P-waarden worden tussen haakjes vermeld. Opmerkingen: P-waarden worden tussen haakjes vermeld. Significantieniveaus: *p < 0.05, **p < 0.01, *** p < 0.001. Alle ruimtelijke econometrische modellen (SAR, SEM, SDM) zijn geschat met behulp van een rij-gestandaardiseerde Queen contiguity ruimtelijke gewichtsmatrix op basis van een gebalanceerd panel van n = 105 eenheden op countyniveau over 3 perioden (Totaal N = 315 waarnemingen). Klik hier om deze tabel te downloaden.
De meetresultaten gepresenteerd in Tabel 4 tonen aan dat ruimtelijke modellen beter presteren dan de OLS-benchmark, wat duidt op ruimtelijke afhankelijkheid in de dynamiek van de koolstofvoorraad en het gebruik van ruimtelijke econometrische modellen ondersteunt. De landurbanisatie-index heeft een negatief SDM direct effect (−0.231, p = 0.008), indirect effect (−0.117, p = 0.041) en totaal effect (−0.348, p = 0.001), wat suggereert dat een toegenomen ontwikkelingsintensiteit geassocieerd is met een lagere koolstofvoorraaddichtheid, zowel lokaal als in naburige eenheden. Het aandeel bebouwd land, de wegdichtheid, hoogte, helling, NDVI en de ecologische planningsintensiteit vertonen statistisch significante effecten op conventionele niveaus in ten minste één modelcomponent. De BBP-dichtheid heeft daarentegen een zwak negatief totaal effect (−0.132, p = 0.083) en niet-significante directe en indirecte effecten; daarom wordt dit geïnterpreteerd als suggestief bewijs in plaats van robuust bewijs.
De vergelijking van de coëfficiënten tussen de modellen in Figuur 7A geeft aan dat de landurbanisatie-index en de intensiteit van de ecologische planning consistente tekens behouden in de OLS-, SAR-, SEM- en SDM-specificaties, terwijl de grootte en significantie van sommige controlevariabelen per model verschillen. Zoals gedetailleerd in Figuur 7B, C, geven de SDM-resultaten aan dat de landurbanisatie-index een significant negatief direct effect (-0,231, p = 0,008) en een negatief indirect spillover-effect (-0,117, p = 0,041) uitoefent op de koolstofvoorraaddichtheid, wat resulteert in een totaal effect van -0,348 (p = 0,001). Omgekeerd vertoont de intensiteit van de ecologische planning positieve directe (0,149, p = 0,021) en indirecte (0,096, p = 0,038) effecten, met een totaal effect van 0,245 (p = 0,005) (Tabel 5 en Tabel 6). Bovendien illustreert de interactieanalyse in Figuur 7D het modererende effect: de negatieve helling van de marginale effectcurve tussen de urbanisatie-index en de koolstofvoorraaddichtheid vlakt significant af bij hogere niveaus van de intensiteit van de ecologische planning (bovenste 95% BI-grens).
Figuur 7: Sturende mechanismen en ruimtelijke spill-over effecten. (A) Vergelijking van modelcoëfficiënten voor de belangrijkste verklarende variabelen. Foutenbalken vertegenwoordigen de 95% betrouwbaarheidsintervallen (CI) van de gestandaardiseerde coëfficiënten. (B) Decompositie van directe, indirecte en totale effecten van landurbanisatie en ecologische planning. (C) Empirische ruimtelijke distributie van de lokale indirecte spill-over effecten van landurbanisatie over de 105 eenheden op districtsniveau in Xinjiang. (D) Modererend effect van de intensiteit van ecologische planning op de relatie tussen urbanisatie en koolstofvoorraaddichtheid (Mg C/ha), waarbij de gearceerde gebieden het 95% CI aangeven. SAR = ruimtelijk autoregressief model; SEM = ruimtelijk foutmodel; SDM = ruimtelijk Durbin-model. Significantiesymbolen in paneel B geven de p-waarden van de geschatte coëfficiënten en marginale effecten aan, afgeleid van de z-statistieken van de respectievelijke ruimtelijke econometrische modellen (* p < 0.05, ** p < 0.01, *** p < 0.001). Klik hier om een grotere versie van deze figuur te bekijken.
Tabel 5: Modelprestaties en validatiemetrieken voor de PLUS landgebruikssimulatie (2010–2020 back-casting). Metrieken werden berekend door de werkelijke landgebruikskaart van 2020 te vergelijken met de landgebruikskaart van 2020 die is gesimuleerd met behulp van baseline-gegevens uit 2010. Een algemene Kappa > 0,80 en FoM > 0,20 duiden op aanzienlijke overeenstemming en een hoge betrouwbaarheid voor ruimtelijke projecties. Klik hier om deze tabel te downloaden.
Tabel 6: Gevoeligheids- en robuustheidsanalyse van de geïntegreerde workflow. Belangrijke parameters voor de PLUS-simulatie, de InVEST-koolstofbeoordeling en de ruimtelijke econometrische analyses werden gevarieerd om de robuustheid van de modeluitkomsten te evalueren. De tabel vat de geteste parameter, het perturbatiebereik of de alternatieve specificatie, de waargenomen impact op de primaire resultaten en de resulterende stabiliteitsbeoordeling samen. Klik hier om deze tabel te downloaden.
DATABESCHIKBAARHEID:
De verwerkte computationele materialen die deze studie ondersteunen, waaronder de getabelleerde gegevens ten grondslag aan de kwantitatieve analyses en geselecteerde figuren, de configuratieparameters van het PLUS-model, de InVEST-parametertabel voor koolstofvoorraden en de ruimtelijke econometrische scripts, zijn gedeponeerd in het Zenodo-repository (https://zenodo.org/records/21159171). De gedeponeerde computationele materialen zijn voldoende om de statistische analyses en kwantitatieve resultaten die in deze studie worden gepresenteerd, te reproduceren.
Discussie
Deze studie presenteert een geïntegreerde analytische workflow die op remote sensing gebaseerde identificatie van landurbanisatie combineert met multi-scenario landgebruikssimulatie, InVEST-gebaseerde koolstofvoorraadbeoordeling en ruimtelijke econometrische modellering om de relaties tussen landurbanisatie, ecologische planning en koolstofvoorraaddynamiek in Xinjiang, noordwest-China, te analyseren. In plaats van deze componenten te behandelen als afzonderlijke technische oefeningen, koppelt de workflow waargenomen landconversie, toekomstige planningsalternatieven, gevolgen voor de koolstofpool en ruimtelijke spillover-mechanismen in één reproduceerbare sequentie.
De ruimtelijke en temporele analyse onthult dat de urbanisatie van het land in het studiegebied tussen 2000 en 2020 een centrifugale expansievolgde, waarbij de overgang plaatsvond van compacte groei in het kerngebied naar multidirectionele, polycentrische uitbreiding. Dit patroon komt overeen met de bredere literatuur over urbanisatie waarin verspringende ontwikkeling (leapfrog development) wordt beschreven in snel industrialiserende regio's, waar investeringen in infrastructuur en economische agglomeratie de ontwikkelingsgrenzen gelijktijdig naar buiten duwen. Cruciaal is dat het dominante pad van landconversie — van landbouwgrond naar bebouwd land — bevestigt dat landbouwgrond nog steeds de zwaarste last draagt van stedelijke uitbreiding, een bevinding die consistent is met studies naar peri-urbane landdynamiek in China en andere opkomende economieën. In tegenstelling tot de sterk geïntegreerde megaregio's in Oost-China wordt de urbanisatie in Xinjiang echter strikt beperkt door oasegrenzen en waterbeschikbaarheid. Bijgevolg bedreigt deze uitbreiding onevenredig het beperkte areaal aan vruchtbare grond en de ecologische overgangszones grenzend aan vitale hydrologische corridors, waardoor de lokale koolstofcyclusprocessen inherent kwetsbaarder zijn voor verstoringen door ontwikkeling. De gelijktijdige stijging van het aandeel ondoordringbare oppervlakken en de intensiteit van nachtverlichting suggereert verder dat fysieke expansie en functionele intensivering hand in hand gaan, wat impliceert dat landurbanisatie in deze context niet enkel een werkelijke groei omvat, maar een verdiepende structurele transformatie van het regionale landschap2.
De resultaten van de scenariosimulaties tonen aan dat de oriëntatie van de ecologische planning een aanzienlijke invloed uitoefent op de ruimtelijke configuratie van toekomstig landgebruik en bijgevolg op de regionale koolstofvoorraadresultaten18. Het scenario van natuurlijke ontwikkeling resulteert in de grootste koolstofverliezen, gedreven door ongebreidelde uitbreiding naar ecologische gronden met een hoge koolstofdichtheid. In tegenstelling hiermee behoudt het scenario voor ecologische bescherming de hoogste koolstofvoorraadniveaus door strikte ruimtelijke uitsluitingen af te dwingen rond bossen, wetlands en rivierbuffers19. Het scenario voor koolstofarme optimalisatie, hoewel het de absolute koolstofretentie van het scenario voor ecologische bescherming niet evenaart, bereikt een meer gebalanceerd resultaat door groei te concentreren langs bestaande ontwikkelingscorridors en weg van ecologisch gevoelige gebieden. Deze verschillende resultaten onderstrepen een fundamentele afweging in de planning: de intensiteit en ruimtelijke targeting van ecologische beperkingen bepalen direct hoeveel koolstofkapitaal een snel ontwikkelende regio kan behouden te midden van groeidruk20,21.
De parameters van de koolstofvoorraad bevestigen deze interpretatie verder. Het aanzienlijke verschil in koolstofvastleggingscapaciteit tussen natuurlijke ecologische ruimtes en kunstmatige oppervlakken betekent dat elke eenheid bosareaal die verloren gaat door stedelijke conversie een onevenredig grote koolstoflast vertegenwoordigt. De aanhoudende dominantie van bos en grasland in het regionale koolstofbudget, gecombineerd met hun gedocumenteerde kwetsbaarheid voor bebouwing, positioneert ecologische landbescherming als een hoeksteen van elke ruimtelijke bestuursstrategie voor een lage koolstofuitstoot3.
De ruimtelijke econometrische resultaten breiden de bevindingen uit remote sensing en InVEST door aan te tonen dat verliezen in koolstofvoorraden niet enkel lokale gevolgen van landbedekking zijn. De SDM-resultaten wijzen erop dat landurbanisatie een significant negatief direct effect heeft op de lokale koolstofvoorraad-dichtheid, gekoppeld aan een uitgesproken negatief indirect spill-overeffect op naburige administratieve eenheden. Het negatieve indirecte effect van landurbanisatie kan worden geïnterpreteerd via drie plausibele grensoverschrijdende mechanismen. Ten eerste kan ontwikkelingsdruk worden verplaatst van sterk gereguleerde of verzadigde kerneenheden naar aangrenzende landbouwgrond en ecologische overgangszones. Ten tweede kunnen transportcorridors en industriële ketens de vraag naar landontwikkeling overstijgen van een enkele administratieve grens, wat leidt tot verliezen in de koolstofvoorraad in naburige eenheden. Ten derde kan fragmentatie van ecologische corridors de continuïteit van koolstofrijke gronden verminderen en de koolstofvoorraadcapaciteit van de omgeving verzwakken. Omgekeerd vertoont de intensiteit van de ecologische planning een robuuste positieve algehele impact, wat aangeeft dat strikte planningsbeperkingen niet alleen lokaal koolstofverlies bufferen, maar ook synergetisch de regionale retentie van koolstofvoorraden verbeteren wanneer ecologisch ruimtelijk beheer gecoördineerd wordt over administratieve grenzen22,23.
Beleidstoepassingen
De resultaten hebben directe toepassingen voor de territoriale ruimtelijke planning. Ten eerste moeten het beleid rond ecologische rode lijnen en rivierbuffers prioriteit geven aan bos- en graslandpercelen met een hoge koolstofvoorraad, omdat de omzetting hiervan disproportioneel grote verliezen in koolstofvoorraden veroorzaakt. Ten tweede kunnen beheersmaatregelen voor compacte groei en transportgeoriënteerde ontwikkeling de uitbreiding naar landbouwgrond en ecologische overgangszones verminderen. Ten derde moeten koolstofcompensatie en ecologisch herstel worden gecoördineerd tussen aangrenzende eenheden, aangezien het negatieve indirecte effect aangeeft dat de ontwikkeling van de ene jurisdictie de koolstofvoorwaarden in de omgeving kan beïnvloeden. Tot slot kan de gecombineerde workflow worden gebruikt als screeningstool vóór de goedkeuring van landgebruiksplannen om koolstofresultaten onder alternatieve planningsbeperkingen te vergelijken.
Beperkingen
Verschillende beperkingen moeten worden erkend. De parameters van de koolstofpool zijn gedeeltelijk gebaseerd op literatuur en vatten mogelijk de lokale heterogeniteit in bodem, vegetatie en beheer niet volledig vast. Hoewel gevoeligheidscontroles zijn gebruikt om de stabiliteit van de scenario-rangschikkingen te testen, zou veldkalibratie het vertrouwen in de absolute schattingen van de koolstofvoorraad verbeteren. De ruimtelijke econometrische analyse vermindert de bias door weggelaten variabelen door terrein, toegankelijkheid, vegetatie, klimaat en sociaaleconomische controles op te nemen, maar er waren geen geldige instrumentele variabelen beschikbaar; daarom moeten de coëfficiënten worden geïnterpreteerd als conditionele ruimtelijke associaties in plaats van definitieve causale effecten.
Toekomstige richtingen
Toekomstig werk dient lokale metingen van biomassa en bodemkoolstof, sociaaleconomische gegevens met een hogere resolutie, formele instrumentele variabelen of quasi-experimentele ontwerpen en dynamische ruimtelijke panelmodellen te integreren om causale paden verder te testen. Toekomstige toepassingen dienen daarnaast klasse-specifieke PLUS-validatiemetrieken, gevoeligheidsbereiken van koolstofpools en alternatieve resultaten van ruimtelijke weging in aanvullende tabellen te rapporteren om onafhankelijke reproduceerbaarheid van scenariorangschikkingen en spill-overschattingen mogelijk te maken.
Conclusie
Deze studie toont aan dat de workflow van remote sensing–PLUS–InVEST–ruimtelijke econometrie landurbanisatiepatronen kan identificeren, ecologische planningsscenario's kan evalueren, de gevolgen voor koolstofvoorraden kan kwantificeren en ruimtelijke overloopeffecten kan diagnosticeren binnen één reproduceerbaar kader. De belangrijkste bevindingen tonen aan dat de historische uitbreiding van bebouwde gebieden primair werd gedreven door de omzetting van landbouwgrond, vergezeld door significante toenames in oppervlakte-ondoordringbaarheid en de intensiteit van menselijke activiteiten. Scenariosimulaties bevestigen dat ecologische beschermingsstrategieën de regionale koolstofretentie maximaliseren, terwijl ruimtelijke econometrische modellering vaststelt dat landurbanisatie zowel negatieve directe effecten als ruimtelijke overloopeffecten uitoefent op de dynamiek van de koolstofvoorraad. Uiteindelijk biedt deze geïntegreerde workflow een robuust, reproduceerbaar analytisch kader voor het kwantificeren van de ecologische trade-offs van stedelijke expansie en biedt het een mechanisme-gestuurd diagnostisch instrument voor ruimtelijke evaluatie in ecologisch kwetsbare regio's.
Openbaarmakingen
De auteurs hebben niets te melden.
Dankbetuigingen
De auteurs hebben geen specifieke financiering ontvangen voor dit werk.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Aangepaste ruimtelijke econometrische scripts en outputdatasets | Auteurs | Zenodo repository: https://zenodo.org/records/21159171 | Gebruikt om de ruimtelijke econometrische analyses en de ondersteunende computationele workflow beschreven in deze studie te reproduceren. |
| Hoge-resolutie populatiedichtheidsrasters | WorldPop | https://www.worldpop.org/ | Gebruikt als sociaaleconomische inputgegevens voor ruimtelijke econometrische analyses. |
| InVEST (Integrated Valuation of Ecosystem Services and Tradeoffs) | The Natural Capital Project, Stanford University | Versie 3.14.0; https://naturalcapitalproject.stanford.edu/ | Gebruikt om koolstofvoorraad en veranderingen in de koolstofvoorraad te schatten onder historische en gesimuleerde landgebruikscenario's. |
| Matplotlib & Pillow (Python-bibliotheken) | Python Community | https://matplotlib.org/; https://python-pillow.org/ | Gebruikt om figuren van publicatiekwaliteit te genereren en grafische outputs met een hoge resolutie (600 dpi) te verwerken. |
| Multi-temporele landgebruik-/landbedekkingsdatasets | Resource and Environment Science and Data Center (RESDC), Chinese Academy of Sciences | https://www.resdc.cn/ | Gebruikt als de primaire inputdataset voor landgebruikveranderingsanalyse en PLUS-simulaties. |
| PLUS (Patch-generating Land Use Simulation) model | High-performance Spatial Computational Intelligence Lab (HPSCIL) | https://github.com/HPSCIL/Patch-generating_Land_Use_Simulation_Model | Gebruikt om toekomstige landgebruikspatronen te simuleren onder meerdere ecologische planningsscenario's. |
| PySAL (Python Spatial Analysis Library) | PySAL Developers | https://pysal.org/ | Gebruikt voor het uitvoeren van ruimtelijke autocorrelatieanalyses en ruimtelijke econometrische modellering. |
| Python programmeringsomgeving | Python Software Foundation | Versie 3.9+; https://www.python.org/ | Gebruikt voor datapreprocessing, ruimtelijke analyse, statistische berekeningen en workflow-implementatie. |
| Topografische (DEM) en remote sensing-gegevens | United States Geological Survey (USGS) | https://earthexplorer.usgs.gov/ | Gebruikt om topografische variabelen en remote sensing-inputs af te leiden voor landurbanisatieanalyse en modelparametrisering. |
Referenties
- Xiong Z, Zhang Y, Liu M. Assessing land urbanization and ecological planning impact on carbon stock and its economic value from coupled InVEST-PLUS models. Sci Rep. 2025;15:30494. https://doi.org/10.1038/s41598-025-30494-x
- Ge K, Zou S, Lu Y, Chen Y. Spatial effects and influence mechanisms of urban land use green transition on urban carbon emissions. Ecol Indic. 2025;172:113261. https://doi.org/10.1016/j.ecolind.2025.113261
- Li L, et al. Spatio-temporal evolution of land use and carbon stock under multiple scenarios based on the PLUS-InVEST model: A case study of Chengdu. Sustainability. 2025;17(21):9903. https://doi.org/10.3390/su17219903
- Wang Z, Zhong A, Wei E, Hu C. Carbon stock simulation and land use optimization for high-water-table resource-based cities based on the coupled GMOP-PLUS-InVEST model. Remote Sens. 2024;16(23):4480. https://doi.org/10.3390/rs16234480
- Liu Y, Mei X, Yue L. Response of carbon stock to land use change and multi-scenario predictions in Zunyi, China. Sci Rep. 2025;15:236. https://doi.org/10.1038/s41598-024-81735-8
- Sun G, Li Y, Huang R. Spatial and temporal evolution of carbon stocks in Yulin City under changing environments. Sci Rep. 2025;15:12219. https://doi.org/10.1038/s41598-025-12219-w
- Tang J, Peng W. Spatiotemporal dynamics and influencing factors of land carbon stock in Chengdu Plain using an integrated model. Sci Rep. 2025;15:11248. https://doi.org/10.1038/s41598-025-11248-x
- Wang Y, Zhang Z, Chen X. Land use transitions and the associated impacts on carbon stock in the Poyang Lake Basin, China. Remote Sens. 2023;15(11):2703. https://doi.org/10.3390/rs15112703
- Tao Y, Tian L, Wang C, Dai W. Dynamic simulation of land use and land cover and its effect on carbon stock in the Nanjing Metropolitan Circle under different development scenarios. Front Ecol Evol. 2023;11:1102015. https://doi.org/10.3389/fevo.2023.1102015
- Song M, Yu S, Qin H. Land-use/land-cover change and its impact on ecosystem carbon stock in Binhai New Area, Tianjin, China from 1985 to 2060. Environ Earth Sci. 2025;84:481. https://doi.org/10.1007/s12665-025-11728-x
- Liang X, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China. Comput Environ Urban Syst. 2021;85:101569. https://doi.org/10.1016/j.compenvurbsys.2020.101569
- Sharp R, et al. InVEST 3.14.0 User's Guide. The Natural Capital Project; Stanford, CA; 2023. https://storage.googleapis.com/invest-users-guide/index.html
- Basha U, et al. Spatial-temporal assessment of annual water yield and impact of land use changes on Upper Ganga Basin, India, using InVEST model. J Hazard Toxic Radioact Waste. 2024;28(2). https://doi.org/10.1061/JHTRBP.HZENG-1188
- Deeksha, Shukla AK. Ecosystem services: A systematic literature review and future dimension in freshwater ecosystems. Appl Sci. 2022;12(17):8518. https://doi.org/10.3390/app12178518
- Shukla AK, Jain MK, Khare D, Mishra PK. Spatio-temporal assessment of annual water balance models for upper Ganga Basin. Hydrol Earth Syst Sci. 2018;22:5357-71.
- Nayak D, Shukla AK, Devi NR. Decadal changes in land use and land cover: Impacts and their influence on urban ecosystem services. Aqua Water Infrastruct Ecosyst Soc. 2024;73(1):57-72.
- Nayak D, Shukla AK. Assessing ecosystem service trade-offs and synergies in the rapidly urbanizing coastal region of Mangaluru Agglomeration, India. PLoS One. 2026;21(3):e0344106. https://doi.org/10.1371/journal.pone.0344106
- Lei J, Chen H, Wu Y, Zheng X. The impact of land use change on carbon stock and multi-scenario prediction in Hainan Island using InVEST and CA-Markov models. Front For Glob Change. 2024;7:1349057. https://doi.org/10.3389/ffgc.2024.1349057
- Dong H, et al. Remote sensing of urban tree carbon stocks: A methodological review. ISPRS J Photogramm Remote Sens. 2025;227:570-93.
- Wang Y, Jin X. Land use, spatial planning, and their influence on carbon emissions: A comprehensive review. Land. 2025;14(7):1406. https://doi.org/10.3390/land14071406
- Chen R, Zhao W, Li S, Zhang Y. Assessing carbon stock dynamics in an ecological civilization demonstration zone amid rapid urbanization: A multi-scenario study of Guizhou Province, China. Resour Environ Sustain. 2025;21:100223. https://doi.org/10.1016/j.resenv.2025.100223
- Zhang J, Cao P, Roosli R. Assessing land use and carbon stock changes using PLUS and InVEST models: A multi-scenario simulation in Hohhot. Environ Sustain Indic. 2025;26:100655. https://doi.org/10.1016/j.envc.2025.100655
- Li C, Xu H, Du P, Tang F. Predicting land cover changes and carbon stock fluctuations in Fuzhou, China: A deep learning and InVEST approach. Ecol Indic. 2024;167:112658. https://doi.org/10.1016/j.ecolind.2024.112658