Urbanizacja gruntów, planowanie ekologiczne i dynamika zasobów węgla w Sinciangu w Chinach z wykorzystaniem zintegrowanego procesu modelowania geoprzestrzennego

Podsumowanie

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.

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 ekosystemowych^4,5. 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 węgla^{7,8,9,10,11,12}. 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 krajobrazach^{13,14,15,16,17}. 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.

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.

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 peryferyjnych. Równoczesny wzrost intensywności działalności człowieka oraz poziomu nieprzepuszczalności powierzchni wskazuje, że szybki rozwój nie tylko zmienił ilościową strukturę użytkowania gruntów, ale także głęboko przekształcił regionalne wzorce organizacji przestrzennej.

Wyniki identyfikacji urbanizacji gruntów, przedstawione na przykładzie reprezentatywnego podzbioru dla Urumqi na Rysunku 2A, wyraźnie obrazują etapy trajektorii rozszerzania się terenów zabudowy w latach 2000–2020. W 2000 roku grunty budowlane koncentrowały się głównie w centralnych obszarach miejskich o stosunkowo zwartej konfiguracji przestrzennej. Do 2010 roku znacząco nasiliła się ekspansja peryferyjna, tworząc strefy przejściowe wokół obszarów centralnych. Do 2020 roku tereny zabudowy przekroczyły pierwotne zwarte granice, rozprzestrzeniając się w wielu kierunkach i tworząc odrębne plamy ekspansji oddalone od stref centralnych, co odzwierciedla typowe wzorce ekspansji zewnętrznej oraz trendy dyfuzji wieloośrodkowej. Zgodnie z tymi wzorcami ekspansji, Rysunek 2B wykazuje w 2020 roku wyraźny gradient od centrum do peryferii w zakresie pokrycia powierzchni不przepuszczalnych w badanym obszarze. Najwyższe wartości odnotowano w centralnych obszarach miejskich i przyległych regionach zabudowanych, co wskazuje, że intensywność uszczelniania powierzchni oraz intensywność rozwoju były najsilniejsze w głównych strefach funkcjonalnych. Chociaż obszary peryferyjne zachowały stosunkowo niskie ogólne pokrycie, wzdłuż korytarzy transportowych i wtórnych węzłów miejskich pojawiło się wiele plam o wysokich wartościach, co dowodzi, że proces impermeabilizacji rozszerzył się poza centra miast poprzez przelewy rozwojowe do obszarów przyległych. Rysunek 2C ujawnia, że regiony z największym wzrostem intensywności nocnego oświetlenia między 2000 a 2020 rokiem koncentrowały się głównie w centralnych obszarach miejskich, wzdłuż głównych radialnych osi transportowych rozchodzących się na zewnątrz oraz w kilku peryferyjnych węzłach wzrostu.

Z perspektywy czasowej Rysunek 2D dodatkowo podsumowuje spójne trendy wzrostowe trzech wskaźników urbanizacji gruntów w latach 2000–2020. Aby ułatwić bezpośrednie porównanie wskaźników o różnych jednostkach i skalach wewnętrznych, surowe wartości każdego wskaźnika zostały zestandaryzowane przy użyciu metody normalizacji min-max, skalując je do jednolitego zakresu 0–1:

Po zastosowaniu tej procedury normalizacji, udział obszarów zabudowanych utrzymał najwyższą względną stopę wzrostu (przy czym surowa średnia regionalna wzrosła z 3,2% ± 1,4% SD w 2000 r. do 8,7% ± 3,1% SD w 2020 r.), co wskazuje, że ekspansja zagospodarowania terenu stanowiła najbardziej bezpośrednią manifestację przestrzenną w tym okresie. Udział powierzchni nieprzepuszczalnych wzrósł gwałtownie (z 2,8% ± 1,2% SD w 2000 r. do 7,9% ± 2,8% SD w 2020 r.), co odzwierciedla znaczące utwardzanie powierzchni związane z nowymi obszarami zabudowy. Choć natężenie oświetlenia nocnego startowało z relatywnie niskiego poziomu, jego wzrost stał się bardziej wyraźny w późniejszym czasie, co wskazuje na przyspieszenie koncentracji aktywności ludzkiej i wzmocnienie funkcjonalne.

Rysunek 2: Wzorce ewolucji czasoprzestrzennej urbanizacji gruntów. (A) Etapowe trajektorie rozszerzania się terenów budowlanych (2000–2020); (B) Rozkład przestrzenny pokrycia powierzchni nieprzepuszczalnych w 2020 r. (%); (C) Zmiany intensywności świateł nocnych (NTL) między 2000 a 2020 r. (nW/cm²/sr). (D) Trendy czasowe trzech głównych wskaźników urbanizacji gruntów badanych w niniejszej pracy (teren zabudowany, ułamek powierzchni nieprzepuszczalnej oraz intensywność świateł nocnych). Linie trendu reprezentują średnie regionalne znormalizowanych metodą min-max wartości wskaźników (skala od 0 do 1 w celu wizualizacji porównawczej), obliczone dla wszystkich n = 105 jednostek administracyjnych na poziomie powiatów w obszarze badań. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wyniki historycznych zmian użytkowania gruntów dodatkowo ujawniają specyficzne procesy urbanizacji terenów. Schemat przepływu zmian użytkowania gruntów na Rysunku 3A wskazuje, że najistotniejszą konwersją gruntów w okresie badań była zmiana gruntów ornych w tereny zabudowane, co stanowiło dominujący trend spośród wszystkich głównych ścieżek konwersji. Chociaż niektóre tereny leśne, łąki i zbiorniki wodne również ulegały konwersji w różnym stopniu, ogólny wzorzec był zdominowany przez odpływ gruntów ornych. Jednocześnie zaobserwowano przepływy dwukierunkowe między gruntami ornymi a lasami, a także między łąkami a innymi typami gruntów, co wskazuje, że w warunkach szybkiego rozwoju systemy użytkowania gruntów przechodzą wielokierunkową reorganizację napędzaną przez ekspansję miejską, a nie jednokierunkową ewolucję. Analiza wzorców rozkładu przestrzennego i szerokości przepływów wykazuje jednak, że tereny zabudowane pozostają główną kategorią netto napływu, co dodatkowo potwierdza dominującą rolę ekspansji rozwojowej w badanym obszarze w ciągu ostatnich dwóch dekad.

Analiza macierzy przedstawiona na Rysunku 3B dostarcza bardziej ilościowego obrazu intensywności konwersji użytkowania gruntów w różnych okresach czasowych. Obszary o wysokich wartościach są w przeważającej mierze skoncentrowane w jednostkach konwersji związanych z gruntami ornymi, przy czym najistotniejsza konwersja zachodzi z gruntów ornych na grunty budowlane, co wskazuje, że nierolnicze wykorzystanie gruntów ornych jest głównym przejawem zmian w użytkowaniu gruntów na badanym obszarze. Znaczna część gruntów budowlanych zachowuje również ciągłość i stabilność przestrzenną w obrębie swoich granic, co odzwierciedla stałą ekspansję istniejących stref zabudowy przy jednoczesnym zachowaniu silnej spójności przestrzennej. W przeciwieństwie do tego, choć skala konwersji lasów, łąk i zbiorników wodnych pozostaje stosunkowo niewielka, lokalne zawłaszczanie tych obszarów ekologicznych przez grunty budowlane zasługuje na szczególną uwagę.

Na poziomie wzorca krajobrazu Rysunek 3C wykazuje stały wzrost indeksów krajobrazowych w latach 2000, 2010 i 2020, przy czym gęstość plam, gęstość krawędzi, indeks kształtu krajobrazu oraz indeks fragmentacji osiągnęły najwyższe wartości w 2020 roku. Wskazuje to, że wraz z postępującą urbanizacją struktura krajobrazu obszaru badań ewoluowała z początkowo względnie nienaruszonego i dobrze zdefiniowanego wzorca w bardziej pofragmentowaną, złożoną i nieciągłą konfigurację przestrzenną. Warto zauważyć, że wzrost gęstości krawędzi i złożoności kształtu ilościowo charakteryzuje bardziej nieregularną i złożoną konfigurację geometryczną nowo rozszerzonych plam terenów zabudowanych.

Rysunek 3: Historyczne zmiany użytkowania terenu i przebudowa wzorca krajobrazu. (A) Diagram Sankeya ilustrujący wysokorozdzielcze przepływy przejść użytkowania terenu oraz główne ścieżki konwersji w latach 2000-2020. (B) Macierz konwersji użytkowania terenu określająca przestrzenną powierzchnię przejść pomiędzy sześcioma klasami użytkowania terenu (km²). (C) Wykres radarowy przedstawiający zmiany kluczowych indeksów krajobrazowych (gęstość plam, gęstość krawędzi, indeks kształtu krajobrazu i indeks fragmentacji) w okresach 2000, 2010 i 2020 rok. Wszystkie etykiety i wartości przepływów zostały przeskalowane w celu optymalizacji czytelności. Aby zobaczyć powiększoną wersję tego rysunku, kliknij tutaj.

Projektowanie scenariuszy planowania ekologicznego i symulacja użytkowania gruntów
W połączeniu z regułami kontroli scenariuszy określonymi w Tabeli 2, wyniki symulacji użytkowania gruntów przy różnych orientacjach planowania ekologicznego wykazują wyraźne wzorce zróżnicowania. Scenariusz rozwoju naturalnego wykazuje tendencję do utrzymywania historycznej inercji ekspansji, podczas gdy scenariusz ochrony ekologicznej kładzie nacisk na sztywne ograniczenia dotyczące ekologicznych linii czerwonych i stref wrażliwych. Scenariusz ochrony gruntów ornych priorytetyzuje utrzymanie ciągłości przestrzennej rolnictwa, natomiast scenariusz optymalizacji niskowęglowej podkreśla zrównoważony rozwój pomiędzy zwartą urbanizacją a koordynacją ekologiczną. Wyniki te wskazują, że zmiany w zasadach planowania ilościowo modyfikują symulowaną powierzchnię nowo dodanych terenów zabudowy oraz rekonfigurują przestrzenny rozkład płatów ekologiczno-rolniczych w czterech scenariuszach.

Koncentrując się na reprezentatywnym podzbiorze dla Urumqi, wyniki symulacji przestrzennej z modelu PLUS wskazują, że scenariusz naturalnego rozwoju (ND) przedstawiony na Ryc. 4A wykazuje najbardziej wyraźną tendencję do ekspansji zabudowy. Nowe tereny budowlane rozszerzają się głównie na zewnątrz z peryferii istniejących obszarów zurbanizowanych, tworząc szerokie strefy ekspansji w wielu kierunkach, co wskazuje, że wzrost miasta pozostaje przede wszystkim ekspansją boczną w warunkach słabych ograniczeń regulacyjnych. Ten wzorzec ekspansji bezpośrednio narusza grunty orne i ekologiczne strefy przejściowe otaczające centralne obszary miejskie, co prowadzi do dalszej fragmentacji granic obszarów zabudowanych. W przeciwieństwie do tego, scenariusz ochrony ekologicznej (EP) przedstawiony na Ryc. 4B wykazuje znacząco zredukowane wykorzystanie nowych terenów budowlanych, przy czym ekspansja ogranicza się do niewielkiej liczby działek nadających się do zabudowy w pobliżu centralnych obszarów miejskich, podczas gdy peryferyjne tereny leśne, korytarze wodne i ekologiczne strefy buforowe pozostają w dużej mierze nienaruszone.

W kontekście ochrony rolnictwa i koordynacji rozwoju, scenariusz ochrony gruntów ornych (CP) przedstawiony na Ryc. 4C wykazuje ograniczenia przestrzenne odmienne od tych w scenariuszu EP. W tym wariancie duże peryferyjne obszary upraw pozostają w dużej mierze nienaruszone, a nowa zabudowa koncentruje się głównie na obrzeżach istniejących obszarów zurbanizowanych oraz w lokalnych węzłach rozwoju, co wskazuje na intensywność ekspansji pośrednią między ND a EP. Z kolei scenariusz optymalizacji niskowęglowej (LC) pokazany na Ryc. 4D wykazuje bardziej zwarty wzorzec wzrostu. Nowe tereny budowlane nie rozprzestrzeniają się szeroko na zewnątrz, lecz są stosunkowo skoncentrowane wzdłuż głównych osi rozwoju i na obrzeżach istniejących obszarów zabudowanych, wykazując kierunkowe granice ekspansji i bardziej regularne konfiguracje przestrzenne.

Rysunek 4: Przestrzenny rozkład przyszłych wzorców użytkowania terenu symulowanych za pomocą modelu PLUS w ramach zróżnicowanych scenariuszy planowania ekologicznego, przedstawiony na przykładzie podzbioru obszaru metropolitalnego Urumqi. (A) Scenariusz rozwoju naturalnego (ND) wykazujący bezwładność historycznej ekspansji. (B) Scenariusz ochrony ekologicznej (EP) kładący nacisk na rygorystyczne ograniczenia przestrzenne. (C) Scenariusz ochrony gruntów ornych (CP) priorytetowo traktujący ciągłość rolnictwa. (D) Scenariusz optymalizacji niskowęglowej (LC) odzwierciedlający zwarte wzorce wzrostu. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Ocena zasobów węgla
Tabela 3 przedstawia bazowe parametry gęstości węgla w zależności od rodzaju użytkowania terenu. W terenach leśnych odnotowano najwyższą całkowitą gęstość węgla (144,9 Mg C/ha), co wynikało głównie z zawartości organicznego węgla w glebie (94,5 Mg C/ha) oraz biomasy nadziemnej (36,8 Mg C/ha). Trawiaste tereny i grunty orne wykazały umiarkowaną całkowitą gęstość węgla, wynoszącą odpowiednio 88,9 Mg C/ha i 82,1 Mg C/ha. W przeciwieństwie do nich, powierzchnie sztuczne i nieobsiane dały znacznie niższe wartości: dla terenów zabudowanych wyniosły one 29,4 Mg C/ha, a dla terenów nieużytkowanych 19,7 Mg C/ha.

Z perspektywy historycznych wzorców ewolucji, Rysunek 5A wykazuje znaczną przestrzenną reorganizację zasobów węgla na obszarze badań w latach 2000, 2010 i 2020. W 2000 roku obszary o wysokiej gęstości węgla były skoncentrowane głównie w peryferyjnych strefach ekologicznych, wykazując ogólny wzorzec wyższych stężeń na obrzeżach i niższych wartości w centrum. Do 2010 roku całkowite regionalne zasoby węgla początkowo spadły, ponieważ ekspansja miejska zajmowała przestrzenie ekologiczne, choć niektóre lokalne obszary peryferyjne tymczasowo utrzymywały podwyższone poziomy zasobów węgla. Do 2020 roku trend spadkowy ten znacząco przyspieszył; ogólny gradient kolorystyczny stał się jaśniejszy, a obszary o wysokich wartościach wyraźnie się skurczyły, co wskazuje na ciągłe i znaczne wyczerpanie całkowitego regionalnego zasobu węgla oraz osłabienie ciągłości przestrzennej płatów o wysokiej zawartości węgla.

Jak pokazano na Rysunku 5B, scenariusz ND przyniósł najniższą medianę gęstości węgla (72,4 Mg C/ha, IQR = 14,6 Mg C/ha). Scenariusze EP i CP wygenerowały wyższe mediany gęstości wynoszące odpowiednio 86,8 Mg C/ha (IQR = 12,3 Mg C/ha) oraz 81,2 Mg C/ha (IQR = 15,8 Mg C/ha). Rozkład przestrzenny zmian zasobów węgla (ΔC) na Rysunku 5C wskazuje, że straty węgla (ujemne ΔC) są szeroko rozpowszechnione geograficznie w scenariuszu ND. Przeciwnie, dodatnie wartości ΔC koncentrują się w peryferyjnych strefach ekologicznych w scenariuszu EP, podczas gdy scenariusz LC wykazuje przestrzennie niejednorodny rozkład lokalnych zysków i strat węgla.

Rycina 5D dodatkowo ujawnia skład źródłowy całkowitego zasobu węgla oraz jego zmiany w okresach historycznych i scenariuszach przyszłych z perspektywy struktur wkładu poszczególnych typów użytkowania gruntów. Zarówno w fazach historycznych, jak i w prognozach konsekwentnie wykazano, że grunty leśne i trawiaste pozostają głównymi czynnikami wpływającymi na całkowity zasób węgla, po nich następują grunty orne, podczas gdy grunty zabudowane, zbiorniki wodne i grunty nieużytkowane wnoszą relatywnie mniej. Porównania scenariuszy przyszłościowych wskazują, że scenariusz EP osiąga najwyższy całkowity zasób węgla, natomiast scenariusz ND wykazuje najniższy, a scenariusze CP i LC znajdują się pomiędzy nimi. Wzorzec ten ściśle koreluje z różnym stopniem zachowania ekologicznego użytkowania gruntów o wysokiej gęstości węgla w różnych scenariuszach.

Rysunek 5: Historyczna i scenariuszowa dynamika zapasów węgla. (A) Rozkład przestrzenny całkowitych zapasów węgla (Tg C) i gęstości zapasów węgla (Mg C/ha) w latach 2000, 2010 i 2020. (B) Wykres skrzypcowy rozkładu gęstości węgla (Mg C/ha) w różnych scenariuszach. (C) Rozkład przestrzenny zmian zapasów węgla (ΔC, Mg C/ha) w przyszłych scenariuszach w stosunku do poziomu bazowego z 2020 roku. (D) Wkład różnych typów użytkowania terenu do całkowitych zapasów węgla (Tg C). Wykresy skrzypcowe wizualizują gęstość prawdopodobieństwa gęstości zapasów węgla (n = 105 jednostek administracyjnych na scenariusz). Wewnętrzne grube linie poziome wskazują medianę, a linie przerywane reprezentują rozstęp międzykwartylny (IQR). Gwiazdki w panelu B oznaczają istotność statystyczną różnic między poziomem bazowym naturalnego rozwoju (ND) a innymi symulowanymi scenariuszami, wyznaczoną za pomocą testu H Kruskala-Wallisa (* p < 0,05, ** p < 0,01, *** p < 0,001). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Autokorelacja przestrzenna i analiza ekonometryczna przestrzeni
Z perspektywy wzorców agregacji przestrzennej, Rycina 6A wykazuje znaczącą lokalną autokorelację przestrzenną w zmienności zasobów węgla na obszarze badań. Strefy agregacji typu wysoką-wysoka (high-high) są skoncentrowane głównie w centralno-północnym pasie rozwoju rdzenia, co wskazuje, że regiony te oraz jednostki przyległe wykazują zazwyczaj współkierunkowe cechy wzrostu zasobów węgla przy silnej współzależności przestrzennej. Strefy agregacji typu niska-niska (low-low) są bardziej rozpowszechnione w regionach południowych i peryferyjnych, co odzwierciedla stosunkowo niską amplitudę zmienności zasobów węgla oraz stabilność przestrzenną. W przeciwieństwie do nich, typy agregacji wysoka-niska (high-low) i niska-wysoka (low-high) są stosunkowo ograniczone i występują głównie pomiędzy strefami rdzenia a peryferyjnymi strefami przejściowymi, co sugeruje wyraźną niezgodność przestrzenną i zjawiska przejścia granicznego w obszarach lokalnych.

Analiza punktów zapalnych w Rysunek 6B dodatkowo ujawnia wzorzec polaryzacji przestrzennej zmian zasobów węgla. Istotne punkty zapalne (hotspots) są rozmieszczone głównie w kilku jednostkach w regionach centralnym i północno-wschodnim, co wskazuje, że obszary te zbiorczo podlegają wysokiej presji w zakresie utraty węgla i stanowią strefy wrażliwe z skoncentrowaną działalnością rozwojową gruntów. Z kolei istotne punkty zimne (cold spots) koncentrują się w regionach zachodnim i południowym, co odzwierciedla silniejszą zdolność do retencji zasobów węgla lub mniejszy stopień zakłóceń wynikających z rozwoju. Ponadto analiza bivariantnej regresji OLS w Rycina 6C wykazuje, że większe wzrosty indeksu urbanizacji wiążą się z coraz bardziej ujemnymi wskaźnikami zmian zapasów węgla, co wskazuje na sukcesywnie większe straty węgla. Jest to zgodne z ujemnymi współczynnikami SDM raportowanymi w Tabela 4.

Rysunek 6: Autokorelacja przestrzenna i analiza sprzężenia zasobów węgla. (A) Wzorce lokalnych wskaźników powiązań przestrzennych (LISA) dla zmian zasobów węgla; w panelu podano końcową statystykę globalnego indeksu Morana (I) oraz wartość p. (B) Rozkład punktów gorących (hotspots) i zimnych (coldspots) zmian zasobów węgla. (C) Relacja sprzężenia pomiędzy kompleksowym indeksem urbanizacji gruntów a tempem zmiany zasobów węgla. Wykres rozrzutu wykazuje statystycznie istotną ujemną korelację (Pearson's r = -0,612, R² = 0,375, p < 0,001), wraz z wyświetlonym równaniem regresji OLS (y = -5,42× - 1,25) i 95% pasem ufności, co potwierdza relację empiryczną zaobserwowaną w modelach przestrzennych. LISA = Local Indicators of Spatial Association. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Tabela 4: Wyniki estymacji modeli ekonometrycznych przestrzennych. Tabela porównuje wyniki modeli zwykłych najmniejszych kwadratów (OLS), przestrzennego autoregresyjnego (SAR), przestrzennego błędu (SEM) oraz przestrzennego modelu Durbina (SDM) w zakresie wpływu zmiennych urbanizacji, planowania ekologicznego, roślinności, społeczno-gospodarczych, dostępności, terenu i klimatu na gęstość zapasów węgla. Wartości p podano w nawiasach. Uwagi: Wartości p podano w nawiasach. Poziomy istotności: *p < 0,05, **p < 0,01, *** p < 0,001. Wszystkie przestrzenne modele ekonometryczne (SAR, SEM, SDM) zostały estymowane przy użyciu macierzy wag przestrzennych sąsiedztwa typu Queen z normalizacją wierszy, w oparciu o zbalansowany panel n = 105 jednostek na poziomie powiatu w ciągu 3 okresów (całkowite N = 315 obserwacji). Kliknij tutaj, aby pobrać tę tabelę.

Wyniki pomiarów przedstawione w Tabeli 4 wykazują, że modele przestrzenne przewyższają model referencyjny OLS, co wskazuje na zależność przestrzenną w dynamice zapasów węgla i uzasadnia zastosowanie przestrzennych modeli ekonometrycznych. Wskaźnik urbanizacji gruntów wykazuje ujemny bezpośredni efekt SDM (−0,231, p = 0,008), efekt pośredni (−0,117, p = 0,041) oraz efekt całkowity (−0,348, p = 0,001), co sugeruje, że zwiększona intensywność zabudowy wiąże się z niższą gęstością zapasów węgla zarówno lokalnie, jak i w jednostkach sąsiednich. Udział terenów zabudowanych, gęstość dróg, wysokość n.p.m., nachylenie terenu, NDVI oraz intensywność planowania ekologicznego wykazują statystycznie istotne efekty na konwencjonalnych poziomach przynajmniej w jednym komponencie modelu. Z kolei gęstość PKB wykazuje słaby ujemny efekt całkowity (−0,132, p = 0,083) oraz nieistotne efekty bezpośrednie i pośrednie; w związku z tym interpretuje się to jako dowód sugestywny, a nie rozstrzygający.

Porównanie współczynników między modelami przedstawione na Rysunku 7A wskazuje, że wskaźnik urbanizacji gruntów oraz intensywność planowania ekologicznego zachowują spójne znaki w specyfikacjach OLS, SAR, SEM i SDM, podczas gdy wartości i istotność niektórych zmiennych kontrolnych różnią się w zależności od modelu. Jak szczegółowo pokazano na Rysunku 7B, C, wyniki modelu SDM wskazują, że wskaźnik urbanizacji gruntów wywiera istotny ujemny bezpośredni wpływ (-0,231, p = 0,008) oraz ujemny pośredni efekt przelewania (-0,117, p = 0,041) na gęstość zasobów węgla, co skutkuje całkowitym efektem wynoszącym -0,348 (p = 0,001). I odwrotnie, intensywność planowania ekologicznego wykazuje dodatnie efekty bezpośrednie (0,149, p = 0,021) i pośrednie (0,096, p = 0,038), co daje całkowity efekt 0,245 (p = 0,005) (Tabela 5 i Tabela 6). Ponadto analiza interakcji na Rysunku 7D ilustruje efekt moderujący: ujemne nachylenie krzywej efektu marginalnego między wskaźnikiem urbanizacji a gęstością zasobów węgla znacznie spłaszcza się przy wyższych poziomach intensywności planowania ekologicznego (górna granica 95% CI).

Rysunek 7: Mechanizmy sterujące i przestrzenne efekty rozprzestrzeniania (spillover). (A) Porównanie współczynników między modelami dla głównych zmiennych objaśniających. Słupki błędów reprezentują 95% przedziały ufności (CI) dla współczynników standaryzowanych. (B) Dekompozycja efektów bezpośrednich, pośrednich i całkowitych urbanizacji gruntów oraz planowania ekologicznego. (C) Empiryczny przestrzenny rozkład lokalnych pośrednich efektów rozprzestrzeniania urbanizacji gruntów w 105 jednostkach na poziomie powiatu w Sinciang. (D) Efekt moderujący intensywności planowania ekologicznego na relację między urbanizacją a gęstością zapasów węgla (Mg C/ha), gdzie obszary zacienione wskazują 95% CI. SAR = model autoregresji przestrzennej; SEM = model błędów przestrzennych; SDM = model przestrzenny Durbina. Symbole istotności w panelu B wskazują wartości p dla oszacowanych współczynników i efektów krańcowych, wyliczone na podstawie statystyk z dla odpowiednich modeli ekonometrii przestrzennej (* p < 0,05, ** p < 0,01, *** p < 0,001). Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Tabela 5: Metryki wydajności i walidacji modelu dla symulacji użytkowania terenu PLUS (back-casting 2010–2020). Metryki obliczono poprzez porównanie rzeczywistej mapy użytkowania terenu z 2020 roku z mapą użytkowania terenu z 2020 roku symulowaną przy użyciu danych bazowych z 2010 roku. Ogólny wskaźnik Kappa > 0,80 oraz FoM > 0,20 wskazują na istotną zgodność i wysoką wiarygodność projekcji przestrzennych. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 6: Analiza czułości i odporności zintegrowanego przepływu pracy. Zmieniono kluczowe parametry symulacji PLUS, oceny węgla InVEST oraz analiz ekonometrycznych przestrzennych w celu oceny odporności wyników modelu. Tabela podsumowuje przetestowany parametr, zakres perturbacji lub alternatywną specyfikację, zaobserwowany wpływ na główne wyniki oraz wynikową ocenę stabilności. Kliknij tutaj, aby pobrać tę tabelę.

DOSTĘPNOŚĆ DANYCH:
Przetworzone materiały obliczeniowe wspierające niniejsze badanie, w tym zestawione dane stanowiące podstawę analiz ilościowych oraz wybranych rycin, parametry konfiguracji modelu PLUS, tabela parametrów puli węglowej InVEST oraz skrypty ekonometrii przestrzennej, zostały złożone w repozytorium Zenodo (https://zenodo.org/records/21159171). Złożone materiały obliczeniowe są wystarczające do odtworzenia analiz statystycznych i wyników ilościowych przedstawionych w niniejszym badaniu.

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 konwersję gruntów, alternatywne warianty przyszłego planowania, skutki dla puli węglowej oraz mechanizmy rozprzestrzeniania przestrzennego w jednej, powtarzalnej sekwencji.

Analiza czasowo-przestrzenna wykazuje, że urbanizacja gruntów na obszarze badań w latach 2000–2020 przebiegała zgodnie z trajektorią ekspansji odśrodkowej, przechodząc od zwartego wzrostu w obszarze rdzeniowym w stronę wielokierunkowego, policentrycznego rozproszenia. Wzorzec ten jest zgodny z szerszą literaturą dotyczącą urbanizacji, dokumentującą rozwój typu „leapfrog” (rozwoju skokowego) w szybko uprzemysławiających się regionach, gdzie inwestycje infrastrukturalne i aglomeracja ekonomiczna jednocześnie wypychają granice zabudowy na zewnątrz. Co kluczowe, dominująca ścieżka przekształcania gruntów — z gruntów ornych na tereny zabudowane — potwierdza, że grunty rolne nadal ponoszą największy ciężar ekspansji miejskiej, co jest wynikiem spójnym z badaniami nad dynamiką gruntów podmiejskich w Chinach i innych gospodarkach rozwijających się. Jednak w przeciwieństwie do wysoko zintegrowanych megaregionów we wschodnich Chinach, urbanizacja w Sinciangu jest ściśle ograniczona granicami oaz i dostępnością wody. W konsekwencji ta ekspansja nieproporcjonalnie zagraża ograniczonej ilości gruntów ornych i strefom przejścia ekologicznego sąsiadujących z kluczowymi korytarzami hydrologicznymi, co sprawia, że lokalne procesy cyklu węglowego są z natury bardziej podatne na zakłócenia związane z rozwojem. Równoczesny wzrost udziału powierzchni nieprzepuszczalnych oraz intensywności nocnego światła sugeruje ponadto, że ekspansja fizyczna i intensyfikacja funkcjonalna postępują w tandemie, co oznacza, że urbanizacja gruntów w tym kontekście obejmuje nie tylko rzeczywisty wzrost, ale pogłębiającą się transformację strukturalną regionalnego krajobrazu².

Wyniki symulacji scenariuszy wykazują, że orientacja planowania ekologicznego wywiera istotny wpływ na przestrzenną konfigurację przyszłego użytkowania gruntów, a w konsekwencji na regionalne zasoby węgla¹⁸. Scenariusz naturalnego rozwoju generuje największe straty węgla, co jest spowodowane niekontrolowaną ekspansją zewnętrzną na tereny ekologiczne o wysokiej gęstości węgla. W przeciwieństwie do niego, scenariusz ochrony ekologicznej pozwala zachować najwyższe poziomy zasobów węgla poprzez wprowadzenie rygorystycznych wykluczeń przestrzennych wokół lasów, terenów podmokłych i stref buforowych rzek¹⁹. Scenariusz optymalizacji niskowęglowej, choć nie dorównuje scenariuszowi ochrony ekologicznej pod względem bezwzględnego zachowania zasobów węgla, osiąga bardziej zrównoważony rezultat poprzez koncentrację wzrostu wzdłuż istniejących korytarzy rozwoju i z dala od obszarów wrażliwych ekologicznie. Te zróżnicowane wyniki podkreślają fundamentalny kompromis planistyczny: intensywność i przestrzenne ukierunkowanie ograniczeń ekologicznych bezpośrednio determinują, jaką ilość kapitału węglowego szybko rozwijający się region może zachować w obliczu presji wzrostu^20,21.

Parametry zasobów węgla dodatkowo potwierdzają tę interpretację. Znaczna różnica w zdolności sekwestracji węgla między naturalnymi obszarami ekologicznymi a powierzchniami sztucznymi oznacza, że każda jednostka obszaru leśnego utraconego na rzecz urbanizacji stanowi nieproporcjonalnie duże obciążenie węglowe. Utrzymująca się dominacja lasów i traw w regionalnym budżecie węglowym, w połączeniu z udokumentowaną podatnością na zabudowę, sprawia, że ochrona ekologiczna gruntów staje się filarem każdej strategii niskowęglowego zarządzania przestrzenią³.

Wyniki ekonometrii przestrzennej rozszerzają ustalenia z zakresu teledetekcji i modelu InVEST, wykazując, że straty w zasobach węgla nie są jedynie lokalnymi konsekwencjami zmian w pokryciu terenu. Wyniki modelu SDM wskazują, że urbanizacja gruntów wywiera znaczący negatywny bezpośredni wpływ na lokalną gęstość zasobów węgla, co wiąże się z wyraźnym negatywnym pośrednim efektem rozlewania się (spillover effect) na sąsiednie jednostki administracyjne. Negatywny efekt pośredni urbanizacji gruntów można interpretować poprzez trzy prawdopodobne mechanizmy transgraniczne. Po pierwsze, presja rozwojowa może być przenoszona z silnie regulowanych lub nasyconych jednostek centralnych do przyległych gruntów ornych i stref przejściowych ekologicznie. Po drugie, korytarze transportowe i łańcuchy przemysłowe mogą przenosić popyt na zagospodarowanie terenu poza pojedynczą granicę administracyjną, powodując straty w zasobach węgla w jednostkach sąsiednich. Po trzecie, fragmentacja korytarzy ekologicznych może zmniejszać ciągłość terenów o wysokiej zawartości węgla i osłabiać zdolność retencji węgla w otoczeniu. I odwrotnie, intensywność planowania ekologicznego wykazuje silny pozytywny wpływ ogólny, co wskazuje, że rygorystyczne ograniczenia planistyczne nie tylko ograniczają lokalne straty zasobów węgla, ale także synergicznie zwiększają regionalną retencję węgla, gdy zarządzanie przestrzenią ekologiczną jest koordynowane ponad granicami administracyjnymi^22,23.

Zastosowania w polityce
Wyniki mają bezpośrednie zastosowanie w planowaniu przestrzennym terytoriów. Po pierwsze, polityka dotycząca ekologicznych linii czerwonych oraz stref buforowych rzek powinna priorytetowo traktować płaty lasów i traw o wysokiej zawartości węgla, ponieważ ich przekształcenie powoduje nieproporcjonalnie duże straty w zasobach węgla. Po drugie, kontrolowany wzrost zwarty oraz rozwój zorientowany na transport mogą ograniczyć ekspansję na tereny uprawne i ekologiczne strefy przejściowe. Po trzecie, kompensacja węglowa i renaturyzacja ekologiczna powinny być koordynowane pomiędzy sąsiadującymi jednostkami, ponieważ negatywny efekt pośredni wskazuje, że rozwój jednej jurysdykcji może wpływać na stan zasobów węgla w obszarach przyległych. Wreszcie, połączony proces roboczy może służyć jako narzędzie przesiewowe przed zatwierdzeniem planu zagospodarowania przestrzennego w celu porównania efektów węglowych przy różnych ograniczeniach planistycznych.

Ograniczenia
Należy uznać kilka ograniczeń. Parametry puli węglowej pozostają częściowo oparte na literaturze i mogą nie w pełni oddawać lokalną heterogeniczność gleby, roślinności i gospodarki gruntami. Chociaż w celu przetestowania stabilności rankingów scenariuszy zastosowano analizy wrażliwości, kalibracja terenowa zwiększyłaby pewność co do bezwzględnych szacunków zasobów węgla. Analiza ekonometryczna przestrzenna redukuje błąd pominiętych zmiennych poprzez uwzględnienie ukształtowania terenu, dostępności, roślinności, klimatu i kontroli socjoekonomicznych, jednak nie były dostępne odpowiednie zmienne instrumentalne; w związku z tym współczynniki należy interpretować jako warunkowe powiązania przestrzenne, a nie jako definitywne efekty przyczynowe.

Kierunki przyszłych badań
Przyszłe prace powinny integrować lokalne pomiary biomasy i węgla w glebie, dane społeczno-ekonomiczne o wyższej rozdzielczości, formalne projekty z wykorzystaniem zmiennych instrumentalnych lub quasi-eksperymentalne oraz dynamiczne przestrzenne modele panelowe, aby dalej testować ścieżki przyczynowe. Przyszłe zastosowania powinny również raportować w tabelach uzupełniających wskaźniki walidacji modelu PLUS specyficzne dla danej klasy, zakresy wrażliwości puli węglowej oraz alternatywne wyniki wag przestrzennych, aby umożliwić niezależną reprodukcję rankingów scenariuszy i szacunków efektów rozlania.

Podsumowanie
Niniejsze badanie wykazuje, że przepływ pracy oparty na teledetekcji, PLUS, InVEST oraz ekonometrii przestrzennej pozwala na identyfikację wzorców urbanizacji gruntów, ocenę scenariuszy planowania ekologicznego, kwantyfikację skutków dla zasobów węgla oraz diagnozowanie efektów przelewania się (spatial spillover) w ramach jednej powtarzalnej struktury. Kluczowe wyniki wskazują, że historyczna ekspansja obszarów zabudowanych była napędzana przede wszystkim konwersją gruntów ornych, czemu towarzyszył znaczny wzrost nieprzepuszczalności powierzchni oraz intensywności działalności człowieka. Symulacje scenariuszowe potwierdzają, że strategie ochrony ekologicznej maksymalizują regionalną retencję węgla, natomiast modelowanie ekonometryczne wykazuje, że urbanizacja gruntów wywiera zarówno bezpośredni negatywny wpływ, jak i przestrzenne efekty przelewania się na dynamikę zasobów węgla. W rezultacie ten zintegrowany przepływ pracy stanowi solidne, powtarzalne ramy analityczne do kwantyfikacji kompromisów ekologicznych wynikających z ekspansji miast i oferuje oparte na mechanizmach narzędzie diagnostyczne do oceny przestrzennej w regionach ekologicznie wrażliwych.

Materiały

Lista materiałów użytych w tym artykule

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.