Zintegrowany przepływ pracy modelowania geoprzestrzennego kwantyfikuje urbanizację gruntów i dynamikę zasobów węgla. Ekspansja terenów zabudowanych wiąże się z utratą zasobów węgla i negatywnymi przestrzennymi efektami rozprzestrzeniania, podczas gdy scenariusze planowania ekologicznego zachowują grunty o wysokiej zawartości węgla i wspierają skoordynowane zarządzanie niskoemisyjne.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
Urbanizacja gruntów, planowanie ekologiczne i dynamika zasobów węgla w Sinciangu w Chinach z wykorzystaniem zintegrowanego procesu modelowania geoprzestrzennego
W tym artykule
Podsumowanie
Streszczenie
W niniejszym badaniu opracowano i zastosowano zintegrowany schemat postępowania, łączący teledetekcję, symulację użytkowania terenu, ocenę usług ekosystemowych oraz metody ekonometrii przestrzennej w celu ilościowego określenia wpływu urbanizacji gruntów i planowania ekologicznego na dynamikę zasobów węgla w Autonomicznym Regionie Sinciang Ujgurskim w północno-zachodnich Chinach. Wykorzystując dane dotyczące użytkowania i pokrycia terenu, powierzchni nieprzepuszczalnych, światła nocnego, roślinności, topografii, czynników socjoekonomicznych oraz ograniczeń planistycznych z lat 2000–2020, w ramach schematu zidentyfikowano historyczne wzorce urbanizacji, zasymulowano cztery przyszłe scenariusze planistyczne, oszacowano zasoby węgla przy użyciu modułu węgla InVEST oraz oceniono bezpośrednie i przestrzenne efekty rozprzestrzeniania (spillover) za pomocą modeli ekonometrii przestrzennej. Wyniki pokazują, że rozrost terenów zabudowanych następował głównie poprzez konwersję gruntów ornych i wiązał się ze wzrostem pokrycia powierzchni nieprzepuszczalnych oraz intensywności światła nocnego. Wyniki symulacji wskazują, że scenariusz ochrony ekologicznej zapewnia najwyższy poziom retencji zasobów węgla, podczas gdy scenariusz rozwoju naturalnego prowadzi do największych strat węgla. Tereny leśne zostały zidentyfikowane jako najbardziej podatna klasa użytkowania terenu o wysokiej zawartości węgla, z całkowitą gęstością węgla wynoszącą 144,9 Mg C/ha w porównaniu do 29,4 Mg C/ha dla terenów zabudowanych. Wyniki modelu przestrzennego Durbina wykazują, że urbanizacja gruntów ma ujemny efekt bezpośredni (−0,231) i pośredni efekt rozprzestrzeniania (−0,117), co daje całkowity efekt −0,348 dla gęstości zasobów węgla, podczas gdy intensywność planowania ekologicznego wykazuje dodatni efekt całkowity (+0,245). Wnioski te wspierają ideę koordynowanego planowania ekologicznego ponad granicami administracyjnymi w celu promowania niskowęglowego rozwoju regionalnego.
Wprowadzenie
W obliczu globalnych zmian klimatycznych i przejścia na niskoemisyjny rozwój, szybka urbanizacja stała się głównym czynnikiem zmian w regionalnych wzorcach pokrycia terenu i cyklach biogeochemicznych1. W miarę jak działalność człowieka nadal zwiększa swoją skalę i intensywność, przyspieszona urbanizacja gruntów w regionach rozwijających się nie tylko zmienia wzorce użytkowania ziemi, ale także przekształca strukturę i funkcje ekosystemów. W istocie urbanizacja gruntów wiąże się z przekształceniem naturalnej roślinności o wysokiej gęstości węgla w sztuczne powierzchnie o niskiej gęstości węgla, co skutkuje znacznymi stratami w regionalnej zdolności do magazynowania węgla2. W przypadku regionów gwałtownie rozwijających się, zrównoważenie wzrostu gospodarczego z ochroną przestrzeni ekologicznej stało się krytycznym wyzwaniem w planowaniu przestrzennym terytoriów. Tradycyjne badania nad użytkowaniem ziemi koncentrowały się głównie na wzorcach fizycznej ekspansji, często pomijając dynamiczne interakcje między rozwojem przestrzennym a procesami cyklu węglowego3. W związku z tym istnieje potrzeba zastosowania zintegrowanych podejść analitycznych, które ilościowo określą wpływ urbanizacji gruntów na dynamikę zasobów węgla i zapewnią naukową podstawę dla ochrony ekologicznej oraz niskoemisyjnego zarządzania.
Ostatnie postępy w teledetekcji i systemach informacji geograficznej znacząco usprawniły modelowanie zmian użytkowania terenu oraz ocenę usług ekosystemowych4,5. Wieloscenariuszowa symulacja użytkowania terenu w połączeniu z rachunkowością ekologiczną stała się powszechnie stosowanym podejściem do oceny skutków środowiskowych ekspansji urbanistycznej6. W szczególności modele Patch-generating Land Use Simulation (PLUS) oraz Integrated Valuation of Ecosystem Services and Tradeoffs (InVEST) były wykorzystywane do ilościowego określenia, w jaki sposób ograniczenia planistyczne wpływają na trajektorie użytkowania terenu i zasoby węgla7,8,9,10,11,12. Powiązane badania nad usługami ekosystemowymi dodatkowo wykazały, że zmiany w pokryciu terenu, polityka rozwoju urbanistycznego oraz środki ochrony ekologicznej mogą zmieniać wydajność wodną, sekwestrację węgla, retencję gleby oraz kompromisy w zakresie usług ekosystemowych w szybko urbanizujących się krajobrazach13,14,15,16,17. Jednak większość wcześniejszych badań koncentrowała się na konwersji użytkowania terenu i efektach usług ekosystemowych, poświęcając mniej uwagi temu, w jaki sposób presja rozwoju społeczno-gospodarczego generuje zależne przestrzennie odpowiedzi w zakresie zasobów węgla pomiędzy sąsiadującymi jednostkami administracyjnymi.
Obecny schemat postępowania jest motywowany trzema kluczowymi lukami w wiedzy. Po pierwsze, poprzednie zastosowania PLUS–InVEST często traktowały obszary badań jako zamknięte systemy fizyczne i nie oceniały wprost, czy skutki urbanizacji gruntów przenoszą się na jednostki sąsiednie. Po drugie, analizy walidacji, niepewności i wrażliwości są często raportowane jedynie zwięźle, co utrudnia określenie, czy rankingi scenariuszy pozostają stabilne przy alternatywnych parametrach symulacji użytkowania gruntów, współczynnikach puli węglowej i specyfikacjach wag przestrzennych. Po trzecie, badania ekonometrii przestrzennej często identyfikują powiązania między intensywnością rozwoju a efektami ekologicznymi, nie łącząc tych relacji z obserwacjami z teledetekcji, przyszłymi scenariuszami użytkowania gruntów i ewidencją zasobów węgla. Istnieje zatem potrzeba stworzenia zintegrowanego schematu postępowania, który połączy obserwację, symulację scenariuszy, ewidencję węgla oraz identyfikację mechanizmów przestrzennych w ramach odtwarzalnych ram analitycznych.
W związku z tym niniejsze badanie ustanawia powtarzalny schemat analityczny, który integruje teledetekcję, symulację scenariuszy w oparciu o model PLUS, ocenę zasobów węgla InVEST oraz analizę ekonometryczną przestrzenną. Koncentrując się na Autonomicznym Regionie Xinjiang Ujgurskim w północno-zachodnich Chinach, badanie ocenia historyczne wzorce urbanizacji gruntów w latach 2000–2020, analizuje, w jaki sposób alternatywne scenariusze planistyczne wpływają na przyszłe konfiguracje użytkowania terenu, kwantyfikuje wynikające z tego efekty dla rozkładu zasobów węgla oraz bada bezpośrednie i przestrzenne efekty rozprzestrzeniania się urbanizacji gruntów, intensywności planowania ekologicznego, stanu roślinności i czynników socjoekonomicznych na dynamikę zasobów węgla. Głównym wkładem tego schematu jest integracja prognozowania opartego na scenariuszach z identyfikacją mechanizmów w celu wsparcia wyznaczania ekologicznych linii czerwonych, planowania zwartej zabudowy, transgranicznej kompensacji węglowej oraz niskowęglowego zarządzania regionalnego.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
W badaniu tym wykorzystano publicznie dostępne zbiory danych geoprzestrzennych, z teledetekcji, planistyczne oraz zagregowane dane socjoekonomiczne. Nie brali w nim udziału uczestnicy będący ludźmi, zwierzęta, materiały kliniczne ani dane osobowe umożliwiające identyfikację. W związku z tym nie było wymagane uzyskanie zatwierdzenia instytucjonalnej komisji etycznej. Szczegółowe informacje na temat środowisk oprogramowania, pakietów obliczeniowych (w tym bibliotek ekonometrii przestrzennej i wizualizacji o wysokiej rozdzielczości), cyfrowych identyfikatorów obiektów (DOI) zbiorów danych oraz adresów URL źródeł wszystkich zasobów niezbędnych do odtworzenia tego schematu postępowania znajdują się w kompleksowej Tabeli materiałów.
1. Obszar badań i ramy analityczne
Analizę przeprowadzono w autonomicznym regionie Sinciang Ujgurskim w północno-zachodnich Chinach, koncentrując się analitycznie na wyznaczonych obszarach miejskich kluczowych miast (Rycina 1>), aby precyzyjnie uchwycić lokalną dynamikę ekspansji. Granica ta była konsekwentnie stosowana podczas przycinania rastrów, symulacji użytkowania terenu, oceny zasobów węgla oraz agregacji jednostek administracyjnych. Próba analityczna (n) obejmowała 105 jednostek administracyjnych na poziomie powiatu, analizowanych w trzech oddzielnych punktach czasowych (2000, 2010 i 2020), przy czym symulacje użytkowania terenu uwzględniały 50 powtórzeń stochastycznych w celu uchwycenia niepewności przestrzennej.
Zastosowano wielkoskalowe ramy analityczne integrujące analizy na poziomie siatki oraz jednostek administracyjnych. W skali siatki wykorzystano dane o użytkowaniu i pokryciu terenu, natężenie światła nocnego, stopień pokrycia powierzchni nieprzepuszczalnych, wskaźniki wegetacji, zmienne topograficzne oraz ograniczenia planowania ekologicznego w celu zidentyfikowania wzorców urbanizacji gruntów, symulacji przyszłych scenariuszy użytkowania terenu i oceny rozkładu zasobów węgla. W skali jednostek administracyjnych zmienne społeczno-ekonomiczne, transportowe i środowiskowe włączono do przestrzennych analiz ekonometrycznych, aby ocenić bezpośrednie i rozlane efekty urbanizacji gruntów oraz planowania ekologicznego w odniesieniu do dynamiki zasobów węgla.
Ramy analityczne składały się z pięciu komponentów. Po pierwsze, wykorzystano wieloczasowe dane z teledetekcji i użytkowania gruntów w celu scharakteryzowania spatiotemporalnych wzorców urbanizacji gruntów, w tym ekspansji terenów zabudowanych, intensywności rozwoju oraz restrukturyzacji użytkowania gruntów. Po drugie, opracowano scenariusze ochrony ekologicznej, ochrony gruntów ornych oraz planowania niskoemisyjnego w celu symulacji przyszłych wzorców użytkowania gruntów. Po trzecie, moduł magazynowania węgla InVEST został wykorzystany do ilościowego określenia rozkładu i zmian zasobów węgla w historycznych i przyszłych warunkach użytkowania gruntów. Po czwarte, przeprowadzono globalne i lokalne analizy autokorelacji przestrzennej w celu zidentyfikowania wzorców skupień i regionów hotspotów związanych ze zmiennością zasobów węgla. Po piąte, zastosowano przestrzenne modele ekonometryczne, aby ocenić wielkość, kierunek oraz efekty rozlania urbanizacji gruntów, intensywności planowania ekologicznego oraz czynników środowiskowych i społeczno-ekonomicznych w odniesieniu do dynamiki zasobów węgla.
Rycina 1 przedstawia ogólny schemat analityczny. Schemat ten łączy definiowanie obszaru badań, integrację danych z wielu źródeł, identyfikację urbanizacji gruntów, opracowywanie scenariuszy planowania ekologicznego, symulację użytkowania gruntów, ocenę zasobów węgla, analizę autokorelacji przestrzennej oraz przestrzenne modelowanie ekonometryczne. Wieloźródłowe dane przestrzenne posłużyły jako warstwa wejściowa. Identyfikacja urbanizacji gruntów oraz historyczna analiza użytkowania gruntów utworzyły warstwę charakterystyki wzorców. Scenariusze planowania ekologicznego i ocena zasobów węgla utworzyły warstwę prognozowania i oceny wpływu. Analizy autokorelacji przestrzennej i ekonometrycznej wykorzystano do zidentyfikowania mechanizmów przestrzennych oraz wsparcia interpretacji polityki.
Rycina 1: Obszar badań, integracja danych i techniczny przepływ pracy. (A) Wieloskalowy kontekst przestrzenny i precyzyjne granice analityczne obszarów miejskich dla kluczowych miast w autonomicznym regionie Sinciang Ujgurskim w północno-zachodnich Chinach. (B) Zintegrowany techniczny przepływ pracy łączący wieloźródłowe dane przestrzenne, identyfikację urbanizacji gruntów na podstawie teledetekcji, projektowanie scenariuszy planowania ekologicznego, symulację użytkowania gruntów PLUS, ocenę zapasów węgla InVEST, autokorelację przestrzenną, analizę punktów zapalnych (hotspot) oraz przestrzenne modelowanie ekonometryczne. ND = naturalny rozwój; EP = ochrona ekologiczna; CP = ochrona gruntów ornych; LC = optymalizacja niskowęglowa; OLS = zwykła metoda najmniejszych kwadratów; SAR = przestrzenny model autoregresyjny; SEM = przestrzenny model błędów; SDM = przestrzenny model Durbina. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
2. Źródła danych i system zmiennych
Zestawiono wieloźródłowy zbiór danych w celu wsparcia identyfikacji urbanizacji gruntów, symulacji scenariuszy planowania ekologicznego, oceny zasobów węgla oraz analizy ekonometrycznej przestrzennej. Zbiór danych obejmował dane dotyczące użytkowania i pokrycia terenu, ułamek powierzchni nieprzepuszczalnych, intensywność światła nocnego, znormalizowany różnicowy wskaźnik wegetacji (NDVI), zmienne topograficzne, wskaźniki dostępności transportowej, zmienne hydrologiczne, gęstość zaludnienia, gęstość produktu krajowego brutto (GDP), ograniczenia planistyczne, zmienne klimatyczne oraz parametry pul węgla. Tabela 1 podsumowuje kategorię zbioru danych, opis zmiennej, jednostkę, rozdzielczość przestrzenną i czasową, źródło oraz zastosowanie analityczne. Kluczowe zbiory danych pozyskano dla lat 2000, 2010 i 2020. Dane o użytkowaniu terenu oraz główne produkty teledetekcyjne zharmonizowano do rozdzielczości od 30 m do 1 km, w zależności od wymagań analitycznych.
Tabela 1: Źródła danych i system zmiennych. Tabela przedstawia kategorię zbioru danych, zmienną, opis, jednostkę, rozdzielczość przestrzenną/czasową, źródło oraz zastosowanie analityczne w celu identyfikacji urbanizacji gruntów, symulacji scenariuszy, obliczania zapasów węgla w modelu InVEST oraz modelowania ekonometrycznego przestrzeni. NDVI = znormalizowany różnicowy wskaźnik wegetacji; DEM = cyfrowy model wysokościowy; LULC = użytkowanie i pokrycie terenu. Kliknij tutaj, aby pobrać tę tabelę.
Wszystkie warstwy przestrzenne zostały rzutowane na wspólny układ współrzędnych, przycięte do granic obszaru badań przedstawionych na Rysunku 1 oraz przepróbkowane lub zagregowane do wymaganej skali siatki lub jednostek administracyjnych. Przed analizą nakładania przestrzennego dokonano weryfikacji brakujących wartości. Zestawy danych rastrowych wykorzystane w analizach PLUS i InVEST zostały wyrównane na poziomie pikseli, natomiast zmienne społeczno-ekonomiczne zagregowano do jednostek administracyjnych w celu przeprowadzenia regresji przestrzennej. Ten proces wstępnego przetwarzania zapewnił spójność jednostek przestrzennych oraz porównywalność punktów czasowych w analizach czasowych, symulacjach scenariuszy, obliczeniach zapasów węgla i modelowaniu ekonometrycznym.
Dane dotyczące użytkowania i pokrycia terenu posłużyły jako główny materiał wejściowy do detekcji zmian historycznych oraz symulacji przyszłego użytkowania terenu. Pierwotne kategorie użytkowania terenu zostały przeklasyfikowane na sześć klas: grunty orne, tereny leśne, tereny trawiaste, zbiorniki wodne, tereny zabudowane oraz tereny nieużytkowane. Ten schemat klasyfikacji był konsekwentnie stosowany w analizie zmian użytkowania terenu, opracowywaniu scenariuszy oraz obliczeniach zapasów węgla w programie InVEST. Udział terenów zabudowanych, stopień pokrycia powierzchniami nieprzepuszczalnymi oraz intensywność nocnego światła zostały wykorzystane jako wskaźniki urbanizacji terenu. Pokrycie powierzchniami nieprzepuszczalnymi oraz intensywność nocnego światła posłużyły jako teledetekcyjne przybliżenia intensywności rozwoju i aktywności ludzkiej. NDVI został uwzględniony jako wskaźnik ekologiczny w późniejszych analizach ekonometrycznych przestrzennych.
Zmienne topograficzne i lokalizacyjne obejmowały wysokość n.p.m., nachylenie terenu, odległość od głównych dróg, gęstość sieci drogowej oraz bliskość głównych rzek. Zmienne te zostały wykorzystane jako czynniki w symulacji użytkowania gruntów oraz jako zmienne kontrolne w przestrzennych modelach ekonometrycznych. Wspólnie reprezentowały one ograniczenia terenowe, dostępność transportową oraz łączność hydrologiczną.
Zmienne społeczno-ekonomiczne obejmowały gęstość zaludnienia oraz gęstość PKB, uzupełnione o gęstość sieci drogowej w miejscach, gdzie dane te były dostępne. Zmienne te posłużyły do charakterystyki intensywności rozwoju oraz presji aktywności ludzkiej związanej ze zmianami w zasobach węgla. Ramy zmiennych zintegrowały wskaźniki zagospodarowania terenu, presji społeczno-ekonomicznej oraz kontekstu ekologicznego, aby przedstawić wielość czynników wpływających na dynamikę zasobów węgla.
Opracowano indeks intensywności planowania ekologicznego, wykorzystując czerwone linie ekologiczne, rezerwaty przyrody, strefy buforowe zbiorników wodnych, obszary z ograniczeniami ze względu na nachylenie terenu oraz inne regiony wrażliwe środowiskowo. Indeks ten służył zarówno jako warstwa ograniczeń w przyszłych symulacjach użytkowania gruntów, jak i jako zmienna objaśniająca w analizach ekonometrii przestrzennej.
Do oceny zapasów węgla w modelu InVEST zestawiono cztery parametry puli węglowej dla każdej klasy użytkowania terenu: węgiel w biomasie nadziemnej, węgiel w biomasie podziemnej, organiczny węgiel w glebie oraz węgiel w martwej materii organicznej. Wartości parametrów uzyskano z opublikowanych badań regionalnych, dokumentów instrukcyjnych InVEST oraz lokalnej charakterystyki pokrycia terenu, a następnie przypisano je do ujednoliconego systemu klasyfikacji użytkowania terenu. Zapasy węgla odnoszą się do całkowitej szacowanej ilości węgla zawartego w tych czterech pulach, natomiast gęstość zapasów węgla określa ilość węgla w przeliczeniu na jednostkę powierzchni.
Zmienne zostały podzielone na trzy kategorie. Pierwsza kategoria obejmowała wskaźniki urbanizacji gruntów, w tym proporcję terenów zabudowanych, stopień pokrycia powierzchnią nieprzepuszczalną oraz natężenie światła nocnego. Druga kategoria zawierała zmienne ekologiczne i planistyczne, takie jak NDVI, intensywność planowania ekologicznego, wysokość nad poziomem morza, nachylenie terenu oraz bliskość cieków wodnych. Trzecia kategoria obejmowała uwarunkowania społeczno-ekonomiczne, w tym gęstość zaludnienia, gęstość PKB oraz gęstość sieci dróg. Zmienne te zostały wykorzystane do oceny zależności między urbanizacją gruntów, planowaniem ekologicznym a dynamiką zapasów węgla.
3. Identyfikacja urbanizacji terenów na podstawie teledetekcji
Przestrzenno-czasowe wzorce urbanizacji gruntów zidentyfikowano przy użyciu trzech komplementarnych wskaźników: ekspansji terenów zabudowanych, stopnia pokrycia powierzchni nieprzepuszczalnych oraz intensywności nocnego światła. Ekspansję terenów zabudowanych wyekstrahowano z sekwencyjnych map użytkowania gruntów w celu określenia fizycznej rozciągłości i postępu rozwoju miejskiego od centralnych obszarów zabudowanych do regionów otaczających. Stopień pokrycia powierzchni nieprzepuszczalnych obliczono w celu ilościowego określenia intensywności rozwoju na poziomie siatki, natomiast rastrowe dane dotyczące intensywności nocnego światła przetworzono i znormalizowano, aby reprezentowały aktywność ludzką i koncentrację funkcjonalną. Powyższe warstwy przestrzenne zostały następnie zintegrowane w celu stworzenia historycznego zbioru danych o urbanizacji gruntów. Połączone wskaźniki wykorzystano do identyfikacji obszarów trwałego wzrostu intensywności rozwoju, stref przejściowych i regionów stosunkowo stabilnych, a także do oceny zgodności przestrzennej między fizycznym rozwojem gruntów a urbanizacją funkcjonalną.
Stworzono macierz przejść użytkowania terenu, aby określić skalę i kierunek konwersji użytkowania terenu pomiędzy ziemią uprawną, lasami, trawą, zbiornikami wodnymi, terenami zabudowanymi a terenami nieużytkowanymi. Szczególną uwagę poświęcono przejściom z klas gruntów ekologicznych i rolniczych na tereny zabudowane. Macierz posłużyła do zidentyfikowania dominujących ścieżek konwersji oraz głównych klas gruntów źródłowych przyczyniających się do ekspansji miejskiej.
Przeprowadzono analizę wzorców krajobrazu w celu oceny zmian strukturalnych związanych z urbanizacją terenów. Wskaźniki obejmowały gęstość płatów, gęstość krawędzi, indeks kształtu krajobrazu oraz wskaźniki związane z fragmentacją. Miary te obliczono dla każdego okresu badawczego i wykorzystano do ilościowego określenia zmian w konfiguracji krajobrazu, ciągłości przestrzennej oraz fragmentacji związanej z rozrostem terenów zabudowanych.
4. Projektowanie scenariuszy planowania ekologicznego i symulacja użytkowania terenu
Przyszłe wzorce użytkowania gruntów symulowano przy użyciu modelu Patch-generating Land Use Simulation (PLUS) w ramach czterech scenariuszy planistycznych: naturalnego rozwoju (ND), ochrony ekologicznej (EP), ochrony gruntów ornych (CP) oraz optymalizacji niskowęglowej (LC). Założenia scenariuszy, reguły konwersji gruntów, ograniczone typy gruntów oraz oczekiwane wyniki w zakresie zasobów węgla zostały podsumowane w Tabeli 2.
Tabela 2: Reguły sterujące scenariuszami i ograniczenia przejść.Tabela definiuje prawdopodobieństwa przekształceń gruntów oraz ograniczenia przestrzenne dla scenariuszy rozwoju naturalnego (ND), ochrony ekologicznej (EP), ochrony gruntów ornych (CP) i optymalizacji niskoemisyjnej (LC). Uwagi: Skróty scenariuszy ściśle odpowiadają tym użytym w modelowaniu PLUS oraz w sekcji Wyniki. Ustawienia scenariuszy definiują zorientowane na politykę reguły przekształceń i ograniczone typy gruntów wykorzystane w symulacjach; wszystkie ustawowe strefy wyłączenia pozostały nieprzekształcalne w końcowych warstwach przestrzennych. Kliknij tutaj, aby pobrać tę tabelę.
Historyczne mapy użytkowania gruntów oraz przestrzenne zmienne sterujące zostały zintegrowane z modelem PLUS w celu oszacowania bazowych prawdopodobieństw przejść między typami użytkowania terenu z wykorzystaniem modułu automatów komórkowych (CA). W scenariuszach ochrony ekologicznej (EP), ochrony gruntów ornych (CP) oraz optymalizacji niskoemisyjnej (LC) linie czerwone ochrony ekologicznej, trwałe grunty orne, strefy buforowe zbiorników wodnych oraz inne ograniczenia planistyczne zostały wprowadzone jako przestrzenne warstwy ograniczeń, aby limitować konwersję gruntów zgodnie z predefiniowanymi zasadami danego scenariusza. Następnie dla każdego scenariusza określono docelowe zapotrzebowanie na grunty na rok 2030, a moduł CA uruchomiono z wykorzystaniem 50 replik stochastycznych w celu wygenerowania końcowych prognoz użytkowania gruntów.
Symulację użytkowania terenu przeprowadzono przy użyciu modelu PLUS oraz jego struktury automatów komórkowych (CA) z wielotypowym stochastycznym generowaniem płatów. Historyczne mapy użytkowania terenu oraz zmienne środowiskowe i społeczno-ekonomiczne wykorzystano do oszacowania prawdopodobieństwa ekspansji terenu dla każdej klasy użytkowania. Następnie określono przyszłe zapotrzebowanie na grunty zgodnie z wymogami każdego scenariusza planistycznego i wygenerowano odpowiadające im mapy użytkowania terenu dla docelowego okresu symulacji.
Wydajność modelu oceniono poprzez historyczne prognozowanie wsteczne (back-casting) przed przeprowadzeniem symulacji przyszłych stanów. Do symulacji późniejszej, zaobserwowanej mapy użytkowania terenu wykorzystano wcześniejsze mapy użytkowania terenu oraz powiązane zmienne sterujące. Zgodność między symulowanym a zaobserwowanym rozkładem użytkowania terenu oceniono za pomocą całkowitej dokładności (OA), współczynnika Kappa oraz wskaźnika Figure of Merit (FoM). Walidację przeprowadzono zarówno na poziomie ogólnym, jak i dla głównych klas użytkowania terenu. Historyczne prognozowanie wsteczne z lat 2010–2020 dało całkowitą dokładność (OA) na poziomie 93,4%, współczynnik Kappa wynoszący 0,89 oraz wskaźnik Figure of Merit (FoM) równy 0,26, co wskazuje na wysoką niezawodność zdolności do projekcji przestrzennej w kolejnych symulacjach wieloscenariuszowych.
W celu oceny odporności wyników symulacji przeprowadzono analizy niepewności i wrażliwości. Analizy wrażliwości modelu PLUS zbadały wpływ alternatywnych ustawień oporu przejścia oraz parametrów wag sąsiedztwa dla głównych klas użytkowania terenu. Analizy wrażliwości modelu InVEST oceniły wpływ zmienności współczynników puli węglowej w zależności od typu użytkowania terenu. Analizy wrażliwości ekonometrycznej w ujęciu przestrzennym porównały alternatywne specyfikacje macierzy wag przestrzennych. Analizy te posłużyły do oceny, czy rankingi scenariuszy oraz kierunek głównych efektów urbanizacji i planowania ekologicznego pozostają spójne przy alternatywnych ustawieniach parametrów. W szczególności rygorystycznie potwierdzono stabilność wyników: rankingi scenariuszy oraz negatywne przestrzenne efekty przelewania (spatial spillover effects) urbanizacji gruntów pozostały niezmienne, gdy parametry oporu przejścia oraz współczynniki puli węglowej zmieniano o ±15%.
5. Ocena zasobów węgla
Zapas węgla oceniono przy użyciu modelu węglowego InVEST. Parametry bazowe dla czterech pul węglowych (biomasa nadziemna, biomasa podziemna, organiczny węgiel glebowy i martwa materia organiczna) przypisano do każdego przeklasyfikowanego typu użytkowania terenu, korzystając z wartości biofizycznych podsumowanych w Tabeli 3. Następnie do modelu zaimportowano historyczne mapy użytkowania terenu (2000–2020) oraz rastrowe zbiory danych dotyczących przyszłego użytkowania terenu symulowane przez PLUS, a następnie zintegrowano je z odpowiadającymi im parametrami gęstości węgla. Model wykonano w celu oszacowania całkowitego regionalnego zapasu węgla (Tg C), gęstości zapasu węgla na poziomie siatki (Mg C/ha) oraz sporządzenia map przestrzennych zmian zapasu węgla (ΔC) dla scenariuszy historycznych i przyszłych.
Przeklasyfikowane mapy użytkowania terenu powiązano z odpowiadającymi im podstawowymi wartościami parametrów puli węgla przedstawionymi w Tabeli 3. Wrażliwość szacunków zapasów węgla na niepewność parametrów przetestowano poprzez skorygowanie tych wartości bazowych o ±15%, analizując szczegółowe wyniki analizy wrażliwości. Model wykorzystano do obliczenia całkowitego zapasu węgla, gęstości zapasu węgla oraz zmiany zapasu węgla dla każdej klasy użytkowania terenu w warunkach historycznych oraz w scenariuszach planowania przyszłego.
Oceniono trzy kategorie wyników. Po pierwsze, obliczono całkowity regionalny zasób węgla oraz trendy czasowe, aby określić skalę i kierunek zmian zasobów węgla w czasie. Po drugie, opracowano mapy rozkładu przestrzennego zasobów węgla oraz zmian tych zasobów, aby zidentyfikować obszary retencji i utraty węgla. Po trzecie, porównano szacunki zasobów węgla dla różnych scenariuszy planowania, aby ocenić wzglupowy wpływ strategii ochrony ekologicznej, ochrony gruntów rolnych oraz optymalizacji niskowęglowej na zachowanie zasobów węgla.
Tabela 3: Bazowe parametry puli węgla dla różnych typów użytkowania terenu. Tabela przedstawia zawartość węgla w biomasie nadziemnej, biomasie podziemnej, organicznym węglu glebowym, martwej materii organicznej oraz całkowitą gęstość węgla wykorzystaną w module zapasów węgla InVEST. Jednostki to Mg C/ha. Uwagi: Wartości reprezentują parametry bazowe wykorzystane w modelu InVEST. Całkowita gęstość węgla stanowi sumę czterech pul węgla. Analizy wrażliwości, w których wartości bazowe zostały zmienione o ±15%, przedstawiono w Tabeli 6. Kliknij tutaj, aby pobrać tę tabelę.
6. Autokorelacja przestrzenna i analiza ekonometryczna przestrzenna
Przeprowadzono analizę autokorelacji przestrzennej, aby ustalić, czy zapasy węgla oraz zmiany zapasów węgla wykazują istotną zależność przestrzenną. Obliczono globalny wskaźnik Moran's I w celu oceny ogólnego stopnia skupienia przestrzennego w rozkładzie zapasów węgla i zmianach zapasów węgla na obszarze badań. Następnie wykorzystano lokalny wskaźnik Moran's I do zidentyfikowania lokalnych wzorców powiązań przestrzennych, w tym klastrów typu high-high, low-low, high-low oraz low-high. Wykonano analizę hotspotów, aby zidentyfikować obszary skoncentrowanej utraty węgla oraz retencji zapasów węgla.
Modele ekonometrii przestrzennej zostały wykorzystane do zbadania zależności między urbanizacją gruntów, planowaniem ekologicznym, warunkami środowiskowymi, czynnikami socjoekonomicznymi a dynamiką zasobów węgla. Zmienną zależną była gęstość zasobów węgla lub zmiana zasobów węgla. Zmienne objaśniające obejmowały wskaźnik urbanizacji gruntów, udział terenów zabudowanych, intensywność planowania ekologicznego, znormalizowany różnicowy wskaźnik wegetacji (NDVI), gęstość zaludnienia, gęstość PKB, gęstość dróg, wysokość nad poziomem morza, nachylenie terenu, średnie roczne opady oraz średnią roczną temperaturę.
Jako model bazowy wykorzystano regresję zwykłych najmniejszych kwadratów (OLS). Przed oszacowaniem modeli przestrzennej autoregresji (SAR), modelu błędu przestrzennego (SEM) oraz modelu przestrzennego Durbina (SDM) oceniono pozostałą zależność przestrzenną. Wydajność modeli oraz oszacowania współczynników porównano pomiędzy poszczególnymi specyfikacjami.
W celu przedstawienia relacji sąsiedztwa pomiędzy jednostkami administracyjnymi skonstruowano macierz wag przestrzennych ze standaryzacją wierszową. Główna specyfikacja opierała się na styczności przestrzennej, a analizy odporności porównywały alternatywne macierze wag przestrzennych oparte na odległości oraz najbliższych sąsiadach, tam gdzie były one dostępne.
Z modelu SDM obliczono efekty bezpośrednie, pośrednie oraz całkowite, aby ocenić lokalne i przestrzenne relacje przelewania (spillover). W celu zredukowania błędu pominiętej zmiennej do modelu włączono zmienne kontrolne dotyczące terenu, dostępności, roślinności, klimatu oraz czynników socjoekonomicznych. Współczynniki modelu interpretowano jako warunkowe powiązania przestrzenne, a nie jako definitywne efekty przyczynowe. Zmienne z wartościami p przekraczającymi konwencjonalne progi istotności interpretowano jako dowody słabe lub sugestywne i nie uznawano ich za statystycznie istotne efekty.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Identyfikacja urbanizacji gruntów na podstawie teledetekcji
Na podstawie wyników identyfikacji teledetekcyjnej z wielu okresów stwierdzono, że na obszarze badań w latach 2000–2020 nastąpiło znaczne nasilenie urbanizacji gruntów, któremu towarzyszyła restrukturyzacja wzorców użytkowania ziemi i przekształcenie konfiguracji krajobrazu. Ogólnie rzecz biorąc, rozszerzanie terenów zabudowanych wykazywało koncentryczny wzorzec ekspansji, promieniujący z głównych obszarów miejskich w stronę stref peryferyjn...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
Niniejsze badanie przedstawia zintegrowany schemat analityczny, który łączy identyfikację urbanizacji gruntów opartą na teledetekcji, symulację użytkowania gruntów w wielu scenariuszach, ocenę zasobów węgla w oparciu o model InVEST oraz modelowanie ekonometryczne przestrzenne w celu analizy zależności między urbanizacją gruntów, planowaniem ekologicznym a dynamiką zasobów węgla w Sinciang, w północno-zachodnich Chinach. Zamiast traktować te elementy jako oddzielne ćwiczenia techniczne, opisany schemat łączy obserwowaną k...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Autorzy nie zgłaszają żadnych konfliktów interesów.
Podziękowania
Autorzy nie otrzymali specjalnego finansowania na realizację tej pracy.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Niestandardowe skrypty ekonometrii przestrzennej i zestawy danych wyjściowych | Autorzy | Zenodo repository: https://zenodo.org/records/21159171 | Wykorzystane do odtworzenia analiz ekonometrii przestrzennej i pomocniczego przepływu obliczeniowego opisanego w niniejszym badaniu. |
| Siatki gęstości zaludnienia o wysokiej rozdzielczości | WorldPop | https://www.worldpop.org/ | Wykorzystane jako dane wejściowe społeczno-ekonomiczne do analiz ekonometrii przestrzennej. |
| InVEST (Integrated Valuation of Ecosystem Services and Tradeoffs) | The Natural Capital Project, Stanford University | Version 3.14.0; https://naturalcapitalproject.stanford.edu/ | Wykorzystany do szacowania zapasów węgla i zmian zapasów węgla w historycznych i symulowanych scenariuszach użytkowania terenu. |
| Matplotlib & Pillow (biblioteki Pythona) | Python Community | https://matplotlib.org/; https://python-pillow.org/ | Wykorzystane do generowania rycin o jakości publikacyjnej i przetwarzania graficznych wyników o wysokiej rozdzielczości (600 dpi). |
| Wieloczasowe zestawy danych użytkowania i pokrycia terenu | Resource and Environment Science and Data Center (RESDC), Chinese Academy of Sciences | https://www.resdc.cn/ | Wykorzystane jako główny zestaw danych wejściowych do analizy zmian użytkowania terenu i symulacji PLUS. |
| Model PLUS (Patch-generating Land Use Simulation) | High-performance Spatial Computational Intelligence Lab (HPSCIL) | https://github.com/HPSCIL/Patch-generating_Land_Use_Simulation_Model | Wykorzystany do symulacji przyszłych wzorców użytkowania terenu w ramach wielu scenariuszy planowania ekologicznego. |
| PySAL (Python Spatial Analysis Library) | PySAL Developers | https://pysal.org/ | Wykorzystany do przeprowadzania analiz autokorelacji przestrzennej i modelowania ekonometrii przestrzennej. |
| Środowisko programistyczne Python | Python Software Foundation | Version 3.9+; https://www.python.org/ | Wykorzystane do wstępnego przetwarzania danych, analizy przestrzennej, obliczeń statystycznych i implementacji przepływu pracy. |
| Dane topograficzne (DEM) i teledetekcyjne | United States Geological Survey (USGS) | https://earthexplorer.usgs.gov/ | Wykorzystane do wyprowadzenia zmiennych topograficznych i danych teledetekcyjnych dla analizy urbanizacji terenu i parametryzacji modelu. |
Bibliografia
- 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
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.