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.
Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.
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.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
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.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
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 p...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
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 land...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Openbaarmakingen
De auteurs hebben niets te melden.
Dankbetuigingen
De auteurs hebben geen specifieke financiering ontvangen voor dit werk.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
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
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.