Artykuł metodologiczny

Wieloscenariuszowa projekcja użytkowania terenu i ocena zapasów węgla w krajobrazie światowego dziedzictwa Yixian-Huangshan

11 wyświetleń

⸱

DOI:

10.3791/73148

⸱

1 października 2026

 ,  ,  , 
1Macau University of Science and Technology, 2School of International and Public Affairs, Shanghai Jiao Tong University, 3Research Center of Ecotourism & Planning, Huainan Normal University, 4Industrial Digital Research Centre, Huainan Normal University

W tym artykule

Podsumowanie

Niniejszy protokół przedstawia powtarzalny schemat postępowania w zakresie projekcji użytkowania terenu w wielu scenariuszach, oceny zapasów węgla oraz analizy powiązań topograficznych w krajobrazie światowego dziedzictwa Yixian–Huangshan.

Streszczenie

Zmiana użytkowania terenu wpływa na lądowe magazynowanie węgla, jednak odtwarzalne schematy postępowania służące do oceny zmian w oparciu o scenariusze pozostają ograniczone w krajobrazach światowego dziedzictwa zorientowanych na turystykę. Niniejszy protokół integruje niestandardowy automat komórkowy Markowa, księgowość węglową opartą na czterech pulach, równoważną ramom Integrated Valuation of Ecosystem Services and Tradeoffs, oraz detektor geograficzny oparty na parametrach optymalnych w celu oceny zmian użytkowania terenu i magazynowania węgla w Yixian i przyległych obszarach Huangshan w południowej prowincji Anhui w Chinach. Do kalibracji i walidacji pozaokresowej wykorzystano mapy z China Land Cover Dataset z lat 2005, 2010 i 2015. Dla lat 2030 i 2050 zasymulowano cztery scenariusze badawcze: Business As Usual, Rozwój i Ekspansja Turystyki, Priorytet Ochrony Ekologicznej oraz Rewitalizacja i Aktywizacja Wsi. Walidacja przeprowadzona na 4 632 329 prawidłowych pikselach wykazała ogólną dokładność na poziomie 96,61%, współczynnik Kappa wynoszący 0,850 oraz Figure of Merit na poziomie 0,107. Bazowe magazynowanie węgla wyniosło 59,505 teragramów węgla, przy czym lasy stanowiły 95,9% tej wartości. Przewidywane straty węgla do 2050 roku wahały się od 5,01% w scenariuszu Priorytet Ochrony Ekologicznej do 13,49% w scenariuszu Rozwój i Ekspansja Turystyki. Dopasowane perturbacje jednostkowe potwierdziły tę samą kolejność scenariuszy. Detektor geograficzny oparty na parametrach optymalnych zidentyfikował nachylenie, rzeźbę terenu i wysokość jako najsilniejsze oceniane powiązania topograficzne. Dostarczone dane wejściowe, parametry, wyniki i skrypty wspierają odtwarzalność; jednak scenariusze należy interpretować jako porównawcze testy obciążeniowe, a nie skalibrowane prognozy.

Wprowadzenie

Ekosystemy lądowe magazynują węgiel w roślinności, glebie i martwej materii organicznej, przyczyniając się tym samym do regulacji klimatu1,2. Przekształcenia gruntów mogą szybko zmienić te zasoby; dlatego ocena o charakterze przestrzennym jest istotna dla planowania zagospodarowania terenu i zarządzania węglem.

Obszar analiz w południowej prowincji Anhui obejmuje rozległe lasy subtropikalne, baseny rolnicze oraz tereny związane z obiektami światowego dziedzictwa Mount Huangshan oraz Xidi–Hongcun3,4. Badania nad pokryciem terenu dziedzictwem kulturowym, turystyką w obiektach światowego dziedzictwa oraz konserwacją tradycyjnych wiosek wskazują, że w tym środowisku niezbędne jest zintegrowane uwzględnienie stanu ekologicznego, presji odwiedzających oraz tożsamości miejsca5,6,7.

Modele użytkowania gruntów oparte na scenariuszach przekładają zaobserwowane przejścia na jawnie przestrzenne projekcje, a ewidencja puli węgla kwantyfikuje skutki tych wzorców. Poprzednie badania w Chinach i innych krajobrazach łączyły symulację użytkowania gruntów generującą płaty (Patch-generating Land Use Simulation, PLUS) lub alokację opartą na automatach komórkowych i łańcuchach Markowa (CA–Markov) z ramami Integrated Valuation of Ecosystem Services and Tradeoffs (InVEST) oraz detektorem geograficznym opartym na parametrach optymalnych (OPGD), w tym w ramach niedawnych zintegrowanych zastosowań8,9,10,11,12,13,14,15,16,17,18,19,20. Badania te stanowią precedensy metodologiczne, choć symulator wykorzystany w niniejszej pracy jest niestandardową implementacją automatów komórkowych Markowa (Markov-CA), a nie modelem PLUS.

Powiązane badania oceniały trajektorie węglowe uwarunkowane polityką, sprzężone modele satelitarne i użytkowania terenu, magazynowanie węgla wrażliwe na ukształtowanie terenu, zastosowania miejskie i kampusowe, zarządzanie węglem w glebie, przejścia w użytkowaniu gruntów ornych, krajowe mapowanie lasów oraz zależność od skali21,22,23,24,25,26,27,28,29,30,31,32,33,34. Wspólnie badania te wspierają porównywanie wielu scenariuszy, wykazując jednocześnie, że wnioski zależą od skali danych, przejść klas, parametrów węglowych i modelowanych założeń politycznych. Własna implementacja wykorzystana w niniejszym badaniu zapewnia przejrzysty przepływ pracy, w którym macierz przejść, mnożniki scenariuszy, procedura alokacji, wyszukiwanie gęstości węgla, analiza wrażliwości i analiza powiązań topograficznych mogą być badane w ramach jednej odtwarzalnej struktury. W niniejszym badaniu praktyczna wartość niestandardowego przepływu pracy polega na tym, że macierz przejść, parametry scenariuszy, reguły alokacji pikseli, walidacja, analiza wrażliwości, rozliczenia węglowe oraz analiza powiązań topograficznych są zaimplementowane i udokumentowane w odtwarzalnych ramach obliczeniowych. Taka struktura pozwala na weryfikację i odtworzenie założeń oraz pośrednich kroków analitycznych zastosowanych w analizie scenariuszy. Ponieważ przepływ pracy nie był bezpośrednio porównywany z PLUS lub innymi implementacjami CA–Markov, nie wysuwa się roszczeń dotyczących wyższej dokładności, wydajności lub zdolności prognostycznych.

Badania nad kontrolą topograficzną i edaficzną, geomorficzną trwałością węgla w glebie, efektami skali przestrzennej, zastosowaniami OPGD, produktywnością w Huangshan, metrykami krajobrazowymi, terenami podmokłymi oraz węglem leśnym dodatkowo wspierają ostrożną, opartą na asocjacjach interpretację efektów terenowych35,36,37,38,39,40,41,42,43,44. W tym kontekście ogólnym celem niniejszej metody jest zapewnienie przejrzystego i reprodukowalnego przepływu pracy dla projekcji użytkowania ziemi w wielu scenariuszach, oceny zasobów węgla oraz analizy asocjacji topograficznych w krajobrazie światowego dziedzictwa Yixian–Huangshan. Przepływ pracy wykorzystuje niestandardową implementację modelu Markov-CA z rozliczeniem węgla w czterech pulach równoważnych InVEST oraz OPGD, waliduje model poza okresem dla lat 2005–2015 i przeprowadza 28-cyklową analizę wrażliwości metodą zmiany jednego parametru (one-at-a-time). Towarzyszące rastry, reguły scenariuszy, macierz pomyłek, pliki środowiska i skrypty umożliwiają bezpośrednią weryfikację i reprodukcję niestandardowego przepływu pracy symulacyjnej. Przepływ pracy jest przeznaczony do zastosowań z kompatybilnymi kategorycznymi rastrami pokrycia terenu, parametrami gęstości węgla dla poszczególnych klas oraz odpowiednimi danymi topograficznymi, w których celem jest porównawcza ocena scenariuszy, a nie precyzyjne prognozowanie przestrzenne.

Badanie to miało trzy cele: (1) symulację użytkowania terenu dla lat 2030 i 2050 w ramach testów stresu dla scenariuszy: Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP) oraz Village Revitalization and Activation (VRA); (2) ilościowe określenie zapasów węgla przy użyciu pełnej tablicy wyszukiwania obejmującej dziewięć klas i cztery pule; oraz (3) ocenę indywidualnych i wspólnych powiązań wysokości, nachylenia terenu, północności oraz rzeźby terenu z gęstością węgla z 2015 roku8,9,10. Cele te integrują projekcję użytkowania terenu, bilansowanie węgla oraz analizę powiązań z ukształtowaniem terenu w ramach jednego powtarzalnego procesu roboczego, zachowując jednocześnie rozróżnienie między symulowanymi wynikami użytkowania terenu a statystycznymi korelacjami ze zmiennymi topograficznymi.

Etykiety scenariuszy oznaczają założenia porównawcze, a nie dopasowane prognozy lub zakodowane plany ustawowe. W związku z tym metoda ta jest najbardziej odpowiednia do powtarzalnego porównywania alternatywnych założeń dotyczących użytkowania gruntów i związanych z nimi wyników magazynowania węgla, a nie do interpretowania wynikowych map jako skalibrowanych przewidywań przyszłego użytkowania gruntów.

Protokół

W badaniu nie uczestniczyły osoby, zwierzęta ani gatunki chronione. Analiza wykorzystała wyłącznie publicznie dostępne produkty zdalnego sensingu oraz opublikowane parametry gęstości węgla; w związku z tym nie wymagano zgody komitetu ds. etyki.

Wykonaj wszystkie procedury obliczeniowe w języku Python 3.11 w ramach otwartego i powtarzalnego przepływu pracy. Postępuj zgodnie z siedmioma sekcjami: (1) zdefiniuj obszar badawczy; (2) pozyskaj i wstępną przetwórz dane wejściowe; (3) oszacuj macierz przejścia i zainicjuj niestandardowy model Markowa-CA; (4) skonfiguruj scenariusze, testy wrażliwości oraz symulacje przyszłe; (5) skalibruj i zweryfikuj model; (6) oblicz magazynowanie węgla; oraz (7) wykryj powiązania terenowe z OPGD. Postępuj zgodnie z pełnym przepływem pracy pokazanym na Rycina 1.

figure-protocol-1
Rycina 1Odtwarzalny schemat pracy dla prognozowania wielu scenariuszy użytkowania terenu, oceny magazynowania węgla oraz analizy zależności topograficznych. Siedmioetapowy schemat pracy obejmuje (1) przygotowanie danych wejściowych i wstępną obróbkę przy użyciu map Chińskiego Zbioru Danych o Pokryciu Terenu (China Land Cover Dataset, CLCD), danych wysokościowych Copernicus Digital Elevation Model (DEM) GLO-30 oraz tabeli gęstości węgla; (2) szacowanie prawdopodobieństw przejść poprzez krzyżową tabulację pikseli; (3) parametryzację scenariuszy Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP) oraz Village Revitalization and Activation (VRA); (4) symulację opartą na komórkowym automatycznie Markowa (Markov-CA) z wykorzystaniem siatki 3 × 3 sąsiedztwo Moore’a; (5) walidacja poza okresem przy użyciu całkowitej dokładności (OA), współczynnika Kappa oraz miary jakości (FoM); (6) bilansowanie węgla za pomocą czteropoolowej tablicy przyporządkowań równoważnej modułowi InVEST (Integrated Valuation of Ecosystem Services and Tradeoffs); oraz (7) analiza geograficznego detektora z optymalnymi parametrami (OPGD). Przepływ pracy generuje mapy użytkowania terenu specyficzne dla scenariusza, trajektorie magazynowania węgla oraz oceny powiązań z ukształtowaniem terenu. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

1. Obszar badawczy

  1. Zdefiniuj siatkę analizy jako 117,60–118.38°E i 29,72–30.22°N. Potraktuj Mount Huangshan i Xidi–Obiekty dziedzictwa świata Hongcun wyłącznie jako kontekst geograficzny; nie interpretuj prostokątnego zakresu analitycznego ani maski ważnych obszarów jako oficjalnej granicy administracyjnej lub granicy obszaru dziedzictwa świata3,4.
  2. Przeprojektuj siatkę do EPSG:32650 i zastosuj maskę poprawnych wartości, aby uzyskać 4 632 329 komórek o rozdzielczości 30 m, co odpowiada 4169,1 km²2. Użyj tego zasięgu, obejmującego hrabstwo Yixian, przyległe części Rezerwatu Krajobrazowego Huangshan oraz północne hrabstwo Xiuning, do wszystkich analiz rastrówRycina 2).

figure-protocol-2
Rycina 2. Zbadaj zasięg Formacji Yixian–Krajobraz Huangshan w południowym Anhui w Chinach. Lokalizacja obszaru analitycznego w prowincji Anhui w Chinach, przy czym obszar badawczy został oznaczony czerwonym prostokątem. Zmienne topograficzne wykorzystane w analizie powiązań przedstawiono na rysunku 5. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

2. Źródła danych

  1. Użyj trzech grup danych wejściowych: rocznych danych pokrycia terenu CLCD, danych terenowych Copernicus DEM GLO-30 oraz tabeli gęstości węgla w czterech klasach. Zanotuj zakres czasowy, rozdzielczość, pochodzenie i rolę analityczną każdego z danych wejściowych. Tabela 1.
  2. Wyodrębnij warstwy CLCD z lat 2005, 2010 i 2015 o rozdzielczości 30 m. Zachowaj dziewięć klas: uprawy rolne, las, krzewinki, łąki, wody, śnieg/lód, bezpłodne tereny, powierzchnie nieprzepuszczalne oraz tereny podmokłe45.
  3. Wygeneruj dane wysokości, nachylenia stoku, ekspozycji (północ–południe) oraz rzeźby terenu na podstawie modelu wysokościowego Copernicus DEM GLO-3046. Przypisz pełne wartości dziewięcioklasowego zbiornika węgla podane w tabeli 6 publikacji Cheng et al.; nie stosuj niesytowanej domyślnej wartości zerowej47.
  4. Przeprojektuj wszystkie warstwy do układu WGS 84 / strefa UTM 50N (EPSG:32650) na wspólnej siatce 30 m. Użyj ponownej próbkowania metodą najbliższego sąsiada dla kategorycznych danych pokrycia terenu oraz ponownego próbkowania dwuliniowego dla ciągłych danych terenowych.
  5. Zastosuj tę samą poprawną maskę do każdej warstwy przed krzyżową tabulacją, walidacją, bilansowaniem węgla i próbkowaniem OPGD.
  6. Użyj Pythona 3.11.9 z numpy 2.4.6, scipy 1.17.1, rasterio 1.4.4, matplotlib 3.11.0, pandas 3.0.3, geopandas 1.1.4 oraz shapely 2.1.2. Aby dokładnie odtworzyć środowisko, odnieś się do zarchiwizowanych plików środowiska i skryptów z ścieżkami względnymi.
  7. Skonfiguruj Markov-CA z 3 × 3 sąsiedztwo Moore'a i ziarno 2023. Zainicjuj niezależny generator z ziarnem dla każdego scenariusza-roku oraz przebiegu analizy wrażliwości i użyj ziarna 42 do próbkowania OPGD.
Zestaw danychZasięg czasowyRozdzielczość przestrzenna w trybie natywnymŹródło pierwotne / trwały identyfikatorRola w toku postępowania analitycznego
Zestaw danych o pokryciu terenu Chin (CLCD; Yang & Huang45)2005, 2010 i 201530 mZenodo DOI: 10.5281/zenodo.4417810Klasyfikacja użytkowania terenu, wykrywanie zmian, walidacja, szacowanie macierzy przejść, obserwowana baza odniesienia oraz dane wejściowe modelu Markowa z komórkowym automatem
Model numeryczny terenu Copernicus (DEM) GLO-30epoka odniesienia z 2019 roku; w tej pracy stała30 mEkosystem przestrzeni danych Copernicus / Komputer planetarny Microsoft STACWyznaczenie wysokości, nachylenia, ekspozycji (północność) i rzeźby terenu przy użyciu otoczenia o promieniu 450 m
Parametry gęstości węglaStatycznyWedług klasy użytkowania terenu; wyszukiwanie klasy (Mg C ha⁻¹)Cheng et al.47
Tabela 6		Kompletne dziewięcioklasowe, czteropoolowe wyszukiwanie stosowane w ujednoliconym szacowaniu usług ekosystemowych i kompromisów – równoważne bilansowanie węgla (tabela 3)
Zakres i granica analizy obszaru badawczegoStatycznyWektor / maska 30 mOdtworzona z zachowanego manuskryptu: 117,60–118.38°E, 29,72–30.22°N; zarchiwizowany GeoJSON i maskaWspólna maska przestrzenna, zakres analizy i siatka analizy

Tabela 1: Pierwotne dane przestrzenne i tabelaryczne wykorzystane w przebiegu analizy. W poniższej tabeli podsumowano zakres czasowy, rozdzielczość przestrzenną w wersji oryginalnej, źródło lub trwały identyfikator oraz rolę analityczną Zestawu Danych Obiektów Pokrywy Terenu Chin (China Land Cover Dataset, CLCD), Cyfrowego Modelu Terenu Copernicus GLO-30 (Copernicus Digital Elevation Model, DEM), parametrów gęstości węgla specyficznych dla klas oraz zakres analizy obszaru badawczego. Wartości gęstości węgla podano w megagramach węgla na hektar (Mg C ha⁻¹).−1).

3. Oszacuj macierz przejścia i zainicjuj model Markowa-CA

  1. Skoryguj piksele CLCD z lat 2010–2015. Dla klasy źródłowej i i klasa docelowa j, oblicz .
  2. Użyj uzyskanych 9 × 9 macierzy przejścia dla przyszłych scenariuszy. Wyprowadź osobną macierz z 2005 roku–Macierz przejścia z 2010 roku do walidacji modelu.
  3. Uruchom symulator jako niestandardową implementację Pythona opartą na modelu Markowa-CA; nie uruchamiaj PLUS8.
  4. W każdym pięcioletnim kroku wykonaj synchroniczny zrzut stanu początkowego. Oblicz liczbę przejść na podstawie tego zrzutu.
  5. Oceń klasy docelowe 1–9 i klasy źródłowe 1–9 w kolejności rosnącej. Usuń każdy wybrany piksel źródłowy z dalszego przydzielania, aby mógł przejść maksymalnie jednokrotnie w pięcioletnim kroku.
  6. Uporządkuj kwalifikujące się piksele kandydujące według liczby sąsiadów z klasy docelowej na początku kroku w obszarze 3 × 3 Moore’a okno plus jednostajny losowy dither z przedziału od 0 do 0,5.
  7. Oblicz żądaną liczbę pikseli dla każdego przejścia ze źródła do celu jako zaokrąglony iloczyn liczby ważnych pikseli w klasie źródłowej, odpowiadającego prawdopodobieństwa przejścia oraz odpowiedniego współczynnika skalującego.
    1. Użyj współczynnika skalującego o wartości rozwój do przejść na nieużytki dev × fp dla przejść z lasu na obszary nieprzepuszczalne; w przeciwnym razie użyj współczynnika skalującego równego 1. Ogranicz żądaną liczbę do liczby dostępnych kandydujących pikseli.
    2. Jeśli żądana liczba jest mniejsza niż liczba kandydatów uprawnionych, wybierz najlepiej sklasyfikowanych kandydatów na podstawie wyniku sąsiedztwa klasy docelowej oraz jednostajnego losowego rozrzutu opisanego powyżej; jeśli żądana liczba jest równa liczbie kandydatów uprawnionych, wybierz wszystkich kandydatów uprawnionych.

4. Skonfiguruj scenariusze, testy wrażliwości oraz symulacje przyszłe

  1. Zastosuj trzy parametry do wspólnej macierzy przejścia. Niech dev skaluj oczekiwane przejścia do klasy nieprzepuszczalnej 8, zastosuj fp wyłącznie przejścia z lasu na powierzchnie nieprzepuszczalne oraz definiują af jako prawdopodobieństwo krokowe, że użytki rolne bez sąsiada Moore'a o powierzchni nieprzepuszczalnej przekształcą się w las.
  2. Ustaw (dev, fp, af) do (1,4; 1,0; 0,005) dla BAU, (6,0; 2,0; 0,001) dla TED, (0,4; 0,4; 0,025) dla ECP oraz (2,5; 0,7; 0,012) dla VRA. Użyj Tabela 2 dla odpowiednich reguł obliczeniowych, narracji politycznych oraz wartości parametrów.
  3. Interpretuj mnożniki jako przejrzyste testy stresowe dla niskiego, średniego i wysokiego poziomu rozwoju wokół empirycznej macierzy przejścia. Nie traktuj ich jako współczynników oszacowanych na podstawie danych dotyczących turystyki, wsi jako węzłów, strefowania, transportu, obszarów chronionych lub ekologicznej czerwonej linii.
  4. Używaj etykiet polityki wyłącznie do opisu względnych kierunków parametrów. Nie interpretuj etykiet jako ograniczeń prawnych lub przestrzennych zakodowanych w modelu.
  5. Potraktuj rozwój, fp, oraz af jako parametry eksploracyjnego testu obciążeniowego zdefiniowane przez autora, a nie jako współczynniki oszacowane empirycznie lub wykalibrowane. Wartości nominalne określają kontrastujące założenia liczbowe scenariuszy dotyczące ciśnienia rozwojowego (dev), ochrona lasów (fp) i zalesianie (af); nie dopasowano ich do obserwowanych zmian w użytkowaniu gruntów po 2015 roku ani nie interpretowano jako szacunków oddziaływania konkretnych polityk. Użyj tych wartości nominalnych do porównania głównych scenariuszy i oszacuj ich odporność za pomocą analizy wrażliwości pojedynczego czynnika opisanej poniżej.
  6. Dla każdego scenariusza uruchom przypadkowy przypadek z 2050 roku. Powtórz symulację po pomnożeniu jednego z dev, fplub af o 0,5 lub 1,5, utrzymując pozostałe parametry stałe.
  7. Zainicjuj ponownie ziarno 2023 dla każdego z 28 przebiegów. Porównaj zatrzymanie węgla, utratę węgla, udział lasu oraz udział powierzchni nieprzepuszczalnych i podaj uporządkowane wyniki dla odpowiednich przypadków oraz pełne zakresy analizy jednoparametrowej (OAT), nie traktując ich jako probabilistycznych przedziałów ufności.
  8. Zainicjuj każde przyszłe symulacje na podstawie obserwowanych danych CLCD 2015. W przypadku przydziału powierzchni nieprzepuszczalnych, pozostaw uprawy rolnicze w obrębie ważnej maski, a komórki źródłowe niebędące uprawami rolnymi muszą przylegać do komórek nieprzepuszczalnych na początku kroku.
  9. Po przydzieleniu klasa po klasie, przekształć kwalifikujące się grunty orne w las niezależnie z określonym prawdopodobieństwem af. Przeprowadź trzy pięcioletnie etapy dla prognozy na rok 2030 i siedem pięcioletnich etapów dla prognozy na rok 2050.
  10. Zachowaj klasę 0 poza maską ważną. Wyeksportuj każdą zrzutowaną mapę w rozdzielczości 30 m.
ScenariuszZaimplementowana reguła obliczeniowaNarracja polityczna (nie jest to zakodowane ograniczenie)Parametry
(dev / fp / af)
Działanie w trybie zwykłym (BAU)Średni mnożnik nieprzepuszczalności; podstawowa wrażliwość lasu; 0,5% powierzchni rolniczych odosobnionych przeznaczonych na zalesienie w każdym krokuKontynuacja punktu odniesienia1.4 / 1.0 / 0.005
Rozwój i ekspansja turystyki (TED)Silny mnożnik powierzchni nieprzepuszczalnych; podwojona podatność lasów na powierzchnie nieprzepuszczalne; słabe zalesianieTest obciążeniowy o wysokim poziomie stresu6.0 / 2.0 / 0.001
Priorytet Ochrony Środowiska (ECP)Zmniejszona konwersja terenów nieprzepuszczalnych i podatność lasów; najsilniejsza aforystacjaTest obciążeniowy w kontekście ochrony ekologicznej0.4 / 0.4 / 0.025
Odrodzenie i aktywizacja wsi (VRA)Pośredni nieprzepuszczalny mnożnik; podatność lasów poniżej BAU; pośrednie zalesianieNarracja dotycząca ożywienia wsi; brak warstwy węzłów wsi2.5 / 0.7 / 0.012

Tabela 2: Zasady obliczeniowe i wartości parametrów dla czterech scenariuszy użytkowania terenu. W poniższej tabeli podsumowano zaimplementowane reguły obliczeniowe, opisy polityk oraz wartości parametrów dla scenariuszy: dotychczasowego stanu rzeczy (Business As Usual, BAU), ekspansji i rozwoju turystyki (Tourism Expansion and Development, TED), priorytetu ochrony ekologicznej (Ecological Conservation Priority, ECP) oraz odnowy i aktywizacji wsi (Village Revitalization and Activation, VRA). Opisy polityk przedstawiają zamierzone interpretacje poszczególnych scenariuszy i nie stanowią zakodowanych ograniczeń przestrzennych. dev – mnożnik rozwoju nieprzepuszczalnych powierzchni; fp – mnożnik podatności lasu na przekształcenie w powierzchnie nieprzepuszczalne; af – ułamek zalesienia odosobnionych obszarów uprawnych na jeden krok symulacji.

5. Kalibracja i walidacja modelu użytkowania terenu

  1. Oszacuj macierz kalibracyjną na podstawie obserwacji z 2005 roku–Zmiana w 2010 roku. Symulacja roku 2015 na podstawie obserwacji z 2010 roku przy użyciu ziarna 2023.
  2. Porównaj symulowaną mapę z 2015 roku piksel po pikselu z obserwowaną CLCD z 2015 roku w obrębie maski ważnej. Oblicz ogólną dokładność, współczynnik Kappa, 9 × 9 macierz pomyłek oraz miara jakości dla zmienionych komórek48.
  3. Wykluczaj nieprawidłowe komórki zarówno z licznika, jak i mianownika obliczeń walidacyjnych, aby zapobiec zawyżeniu zgodności przez zera poza maską.
  4. Ogólną dokładność i współczynnik Kappa należy interpretować łącznie z miarą FoM, ponieważ pierwsze dwie metryki są dominowane przez lasy i uprawy o stabilnym użytkowaniu, podczas gdy FoM ocenia mniejszy zbiór komórek ulegających zmianie. Wyniki walidacji należy wykorzystać do wspierania porównania scenariuszy regionalnych; nie należy ich interpretować jako ustalenia precyzyjnego prognozowania lokalizacji zmian.

6. Oblicz magazynowanie węgla

  1. Dla każdego ważnego piksela przypisz cztery gęstości zbiorników węgla charakterystyczne dla danej klasy, wymienione w Tabela 3. Zsumuj gęstości czterech połaci, aby uzyskać całkowitą gęstość węgla w Mg C ha⁻1.
  2. Pomnóż całkowitą gęstość węgla przez powierzchnię piksela wynoszącą 0,09 ha. Przelicz otrzymane wartości Mg C na Tg C.
  3. Zastosuj to obliczenie wyszukiwania jako algebraiczny odpowiednik formuły InVEST dotyczące magazynowania węgla. Nie stosuj modułu tempa sekwestracji, wyceny ani modułu ekonomicznego9,47.
Klasa użytkowania terenu (CLCD)C nadziemne
(Mg C ha⁻¹)		C podziemne
(Mg C ha⁻¹)		C glebowy
(Mg C ha⁻¹)		Martwy węgiel organiczny
(Mg C ha⁻¹)		Całkowite C
(Mg C ha⁻¹)		Źródło
1 Uprawa rolna3.567.4526.99.8247.73Cheng i in.47, Tabela 6
2 Las53.5917.3684.852.8158.6
3 Krzew4.254.6572.91.5983.39
4 Łąka trawiasta4.1516.5878.21.55100.48
5 Woda6.38000.126.5
6 Śnieg/lód00.335.3505.68
7 bezpłodnych1.30.3321.6023.23
8 Nieprzepuszczalny009.2809.28
9 Mokradło12.249.1895.734.08121.23

Tabela 3: Parametry gęstości węgla dla dziewięciu klas użytkowania terenu z Chińskiego Zestawu Danych Obrazujących Pokrywę Terenu wykorzystywanych w bilansowaniu węgla. Wartości gęstości węgla nadziemnego, podziemnego, w glebie, w martwej materii organicznej oraz całkowitej gęstości węgla podano dla każdej klasy użytkowania terenu z zestawu danych pokrycia terenu Chin (China Land Cover Dataset, CLCD). Całkowita gęstość węgla reprezentuje sumę czterech zbiorników węgla. Wszystkie wartości gęstości węgla wyrażono w megagramach węgla na hektar (Mg C ha⁻¹).−1). Wartości uzyskano z pracy Cheng et al.47, Tabela 6.

7. Wykrywanie powiązań topograficznych z OPGD

  1. Użyj gęstości węgla z 2015 roku jako zmienną odpowiedzi oraz wysokość, nachylenie, ekspozycję północną i ukształtowanie terenu jako zmienne objaśniające. Przeanalizuj 200 000 prawidłowych pikseli, używając ziarna losowego 42.
  2. Dla każdego czynnika wyjaśniającego przeprowadź test 2–15 przedziałów kwantyli. Zachowaj dyskretyzację, która daje maksimum q-wartość
  3. Oblicz analityczny test F pwartości i permutacje pwartości przy użyciu 999 permutacji. Oblicz permutację pwartość jako p = (przekroczenia + 1) / 1000
  4. Połącz zoptymalizowane warstwy dla każdej pary czynników wyjaśniających, aby obliczyć wyniki interakcji. Interpretuj wszystkie wyniki czynników oraz interakcji jako skojarzenia przestrzenne, a nie jako efekty przyczynowe.10.

Wyniki

Przestrzenny rozkład i dynamika czasowa użytkowania gruntów

Przebieg analizy, zakres badania oraz główne zestawy danych wejściowych podsumowano w Rysunek 1, Rycina 2, i Tabela 1odpowiednio. Rycina 1 prezentuje siedmioetapowy proces roboczy stosowany do projekcji użytkowania terenu, walidacji, bilansowania węgla oraz analizy powiązań topograficznych. Rycina 2 przedstawia położenie oraz zasięg analityczny obszaru badań. Tabela 1 podsumowuje zakres czasowy, rozdzielczość przestrzenną, pochodzenie oraz rolę analityczną głównych zbiorów danych przestrzennych i tabelarycznych. Porównanie symulacji z 2015 roku z obserwowanymi danymi CLCD z 2015 roku dla 4 632 329 prawidłowych pikseli dało wyniki: OA = 96,61%, Kappa = 0,850 oraz FoM = 0,107. Zgodność była zdominowana przez stabilne lasy i grunty orne, natomiast skupiający się na zmianach wskaźnik FoM wskazał na ograniczoną dokładność w odtwarzaniu lokalizacji tych zmian. Walidacja ta wspiera zatem analizę porównawczą scenariuszy, a nie precyzyjne prognozowanie przestrzenne. Tabela uzupełniająca 1 (arkusz S3), dostarcza metryki walidacji, trafienia zmian, pominięcia, fałszywe alarmy oraz pełną macierz pomyłek. Archiwum zawiera raster walidacyjny oraz dokładny skrypt wykorzystany do obliczeń.

W ciągu 28 serii analizy wrażliwości każda dopasowana perturbacja zachowała ranking ECP > BAU > VRA > TED. Zakresy utraty węgla wyniosły 4,22–5,86% dla ECP, 6,87–8,55% dla BAU, 6,99–9,61% dla VRA oraz 10,45–15,84% dla TED. Zakresy BAU i VRA nakładają się na siebie; w związku z tym interpretacja ogranicza się do uporządkowania przypadków dopasowanych, a nie do całkowitej separacji zakresów OAT. Pełne wyniki analizy wrażliwości przedstawiono w Tabeli uzupełniającej 1 (arkusz S4) oraz na Rysunku uzupełniającym 1. Macierz operacyjna dla lat 2010–2015, zawarta w Tabeli uzupełniającej 1 (arkusz S1), wykazała prawdopodobieństwo utrzymania na poziomie 98,23% dla lasów, 94,66% dla gruntów ornych i 99,43% dla powierzchni nieprzepuszczalnych. Największe przejścia poza przekątną dotyczyły zmiany gruntów ornych w powierzchnie nieprzepuszczalne (3,39%), gruntów ornych w lasy (1,71%) oraz lasów w grunty orne (1,71%). W tym samym okresie pokrycie lasami spadło z 87,63% do 86,27%, podczas gdy grunty orne zwiększyły się z 10,99% do 11,92%, a powierzchnie nieprzepuszczalne z 1,08% do 1,50%. Rysunek 3A,B przedstawia odpowiednio zaobserwowane wzorce użytkowania terenu w 2010 i 2015 roku, a Rysunek 4 przedstawia odpowiadające im klasy zmian bez wnioskowania o czynnikach, które nie zostały uwzględnione w analizie.

figure-results-1
Rycina 3Obserwowane wzorce użytkowania terenu w krajobrazie Yixian–Huangshan w 2010 i 2015 roku. Mapy z zestawu danych China Land Cover Dataset (CLCD) przedstawiające rozkład przestrzenny dziewięciu klas użytkowania terenu w obrębie obszaru analizy. (A) Obserwowane użytkowanie terenu w 2010 roku. (B) Obserwowane użytkowanie terenu w 2015 roku. Klasy użytkowania terenu obejmują grunty orne, lasy, krzewy, trawiaste tereny otwarte, wody, śnieg/lód, tereny nieużytkowane, powierzchnie nieprzepuszczalne oraz tereny podmokłe. Aby wyświetlić powiększoną wersję tej ryciny, kliknij tutaj.

figure-results-2
Rysunek 4. Obserwowana zmiana użytkowania terenu w krajobrazie Yixian–Huangshan w latach 2010–2015. Mapa przedstawia przestrzenny rozkład stabilnych lasów, ubytków lasów, przyrostów lasów oraz nowo powstałych powierzchni nieprzepuszczalnych pomiędzy mapami z zestawu danych China Land Cover Dataset z 2010 i 2015 roku. Obszary białe reprezentują miejsca, które nie zostały zaklasyfikowane do tych czterech wyświetlonych kategorii zmian. Aby wyświetlić powiększoną wersję tego rysunku, kliknij tutaj.

Charakterystyka terenu i heterogeniczność topograficzna

W obrębie poprawnej maski wysokość wynosiła od 82,3 do 1 830,3 m (średnio 388,0 m), nachylenie terenu od 0 do 87,3° (średnio 22,4°), wystawa północna od −1 do 1, a rzeźba terenu od 3,2 do 1 398,2 m (średnio 230,0 m). Rzeźbę terenu zdefiniowano jako lokalny zakres wysokości w obrębie okrągłego sąsiedztwa o promieniu 450 m, zaimplementowany za pomocą okna 31 × 31 pikseli. Rysunek 5A–D przedstawia odpowiednio wysokość, nachylenie terenu, wystawę północną i rzeźbę terenu. Warstwy te charakteryzują przestrzenną zmienność terenu; każdy odpowiadający im mechanizm ekologiczny jest traktowany jako hipoteza, a nie wynik przyczynowo-skutkowy35,36,37,38,39,40,41,42,43,44.

figure-results-3
Rysunek 5. Zmienne topograficzne wykorzystane w analizie korelacji. Rozkłady przestrzenne czterech zmiennych topograficznych w obrębie obszaru analizy: (A) wysokość, wyrażona w metrach; (B) nachylenie, wyrażone w stopniach; (C) północność (northness), wyrażona w skali od −1 do 1; oraz (D) rzeźba terenu, wyrażona w metrach. Zmienne te zostały wykorzystane w analizie detektora geograficznego w oparciu o parametry optymalne w celu określenia ich indywidualnych i wspólnych korelacji z gęstością węgla z 2015 roku. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wieloscenariuszowe projekcje użytkowania gruntów

Wspólna macierz przejść oraz parametry scenariuszy podsumowane w Tabeli 2 pozwoliły na uzyskanie odrębnych trajektorii zagregowanych z wykorzystaniem numerycznych identyfikatorów klas pokrycia terenu podanych w Tabeli uzupełniającej 2. Rycina 6 przedstawia zaobserwowane i prognozowane udziały lasów, gruntów ornych oraz powierzchni nieprzeniknionych, natomiast Rycina 7A–D pokazuje odpowiednio przestrzenne projekcje dla scenariuszy BAU, TED, ECP i VRA na rok 2030, a Rycina 7E–H przedstawia odpowiadające im projekcje na rok 2050. Przewidywano, że do 2050 roku pokrycie lasami będzie wynosić 78,0% w wariancie BAU, 74,6% w TED, 80,3% w ECP i 78,2% w VRA; odpowiadające im udziały powierzchni nieprzeniknionych wynosiły odpowiednio 6,3%, 17,6%, 2,8% i 9,0%. W stosunku do zaobserwowanych danych z 2015 roku, prognozowana ekspansja powierzchni nieprzeniknionych wynosiła około 202 km2 w BAU, 675 km2 w TED, 57 km2 w ECP i 317 km2 w VRA. Wartości te są wynikiem testu obciążeniowego, a nie dopasowanymi prognozami. Prognozowane zmiany są skupione przestrzennie, ponieważ ranking kandydatów opiera się na liczbie sąsiadów z klasy docelowej, a konwersja gruntów innych niż orne na powierzchnie nieprzeniknione jest ograniczona do komórek brzeżnych. Model nie zawiera warstw korytarzy transportowych, węzłów wiejskich, obszarów chronionych, ekologicznych linii czerwonych ani planowania ustawowego; w związku z tym pozorna zgodność z konkretną infrastrukturą lub strefami regulowanymi nie stanowi efektu zakodowanego w modelu.

figure-results-4
Rycina 6. Obserwowany i prognozowany udział głównych klas użytkowania terenu w czterech scenariuszach. Przedstawiono procent obszaru badań zajmowany przez lasy, grunty orne oraz powierzchnie nieprzepuszczalne dla obserwowanych lat 2005, 2010 i 2015 oraz dla prognoz do roku 2030 i 2050 w scenariuszach: Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP) oraz Village Revitalization and Activation (VRA). Słupki reprezentują modelowany udział w całkowitym obszarze badań dla każdej klasy użytkowania terenu; słupki błędów nie zostały zastosowane, ponieważ wartości są deterministycznymi wynikami scenariuszy, a nie szacunkami opartymi na powtórzeniach. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

figure-results-5
Rysunek 7Prognozowany przestrzenny rozkład użytkowania terenu w czterech scenariuszach w latach 2030 i 2050. Prognozowane wzorce użytkowania gruntów w scenariuszach: Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP) oraz Village Revitalization and Activation (VRA). (A–D) Prognozy odpowiednio dla BAU, TED, ECP i VRA na rok 2030. (E–H) Prognozy odpowiednio dla BAU, TED, ECP i VRA na rok 2050. Klasy użytkowania gruntów obejmują: grunty orne, lasy, krzewy, trawiaste tereny porośnięte, wodę, śnieg/lód, tereny nieużytkowe, powierzchnie nieprzepuszczalne oraz tereny podmokłe. Wszystkie symulacje scenariuszy zainicjowano na podstawie zaobserwowanej mapy CLCD z 2015 roku; w związku z tym komórki bez symulowanego przejścia użytkowania gruntów zachowują klasę użytkowania gruntów oraz podstawowy wzorzec przestrzenny z 2015 roku. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Dynamika magazynowania węgla w ramach projekcji wieloscenariuszowych

Zastosowanie pełnego zestawienia czterech pul w Tabeli 3 pozwoliło uzyskać wartość 59,505 Tg C dla roku 2015, co odpowiada średniej gęstości 142,73 Mg C ha−1. Lasy stanowiły 57,04 Tg C (95,9%), natomiast grunty orne 2,37 Tg C (4,0%). Tereny nieprzepuszczalne wniosły niewielki, lecz niezerowy wkład, ponieważ przyjęte źródło przypisuje tej klasie wartość 9,28 Mg C ha−1. W obrębie klasy leśnej pule glebowe, nadziemne, podziemne oraz martwej materii organicznej stanowiły odpowiednio 53,5%, 33,8%, 10,9% i 1,8% całkowitej ilości węgla31,32,33,34,44,47. Wszystkie scenariusze wykazały niższą akumulację węgla w 2050 roku niż w 2015 roku. Prognozowana akumulacja wyniosła 54,895 Tg C w scenariuszu BAU (strata 7,75%), 51,475 Tg C w scenariuszu TED (13,49%), 56,523 Tg C w scenariuszu ECP (5,01%) oraz 54,540 Tg C w scenariuszu VRA (8,34%). Różnica między ECP a TED wyniosła 5,048 Tg C. Kontrasty te wynikają z narzuconych parametrów liczbowych i nie stanowią szacunków efektów konkretnych polityk. Rycina 8A przedstawia całkowitą akumulację węgla w 2015 roku oraz projekcje scenariuszowe dla lat 2030 i 2050; Rycina 8B przedstawia odpowiadające im średnie gęstości węgla; Rycina 8C przedstawia stratę węgla do 2050 roku w stosunku do poziomu bazowego z 2015 roku; a Rycina 8D pokazuje zależność między prognozowanym udziałem lasów a stratą węgla. Wartości te są deterministycznymi wynikami scenariuszy, a nie szacunkami opartymi na powtórzeniach.

figure-results-6
Rycina 8Prognozowany magazyn węgla i jego zależność od pokrywy leśnej w czterech scenariuszach użytkowania terenu. (A) Całkowite magazynowanie węgla w 2015 r. oraz prognozy na lata 2030 i 2050 w scenariuszach: Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP) oraz Village Revitalization and Activation (VRA), wyrażone w teragramach węgla (Tg C). (B) Średnia gęstość węgla dla odpowiadających im lat i scenariuszy, wyrażona w megagramach węgla na hektar (Mg C ha⁻¹).-1). (C) Procentowa utrata całkowitego zmagazynowanego węgla do 2050 roku w stosunku do poziomu bazowego z 2015 roku dla każdego scenariusza. (D) Zależność między prognozowanym udziałem lasów w obszarze badań w 2050 roku a procentową utratą węgla w stosunku do roku 2015 dla każdego scenariusza. Wartości stanowią deterministyczne wyniki scenariuszy; słupki błędów nie mają zastosowania. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Powiązania topograficzne z przestrzenną heterogenicznością magazynowania węgla

Detektor czynników OPGD wskazał na pierwszeństwo nachylenia stoku (q = 0.557), następnie rzeźby terenu (q = 0.460), wysokości nad poziomem morza (q = 0.352) oraz ekspozycji północnej (q = 0.003), co przedstawiono na Rysunku 9A. Przy 999 permutacjach wartość p z testu permutacyjnego dla każdego czynnika wyniosła 0.001, co jest minimalną możliwą wartością; wartości p z analitycznego testu F również były niższe niż 0.001. Pełne statystyki detektora czynników i interakcji, w tym zoptymalizowane przedziały dyskretyzacji oraz analityczne i permutacyjne wartości p, podano w Tabeli uzupełniającej 3. Istotność statystyczna jest rozróżniana od wielkości efektu: związek z ekspozycją północną był w praktyce pomijalny, a wszystkie wartości q reprezentują powiązania w obrębie czterech ocenianych zmiennych terenowych, a nie efekty przyczynowe10,40. Wszystkie pary czynników dały wartości q dla interakcji wyższe niż większa z ich indywidualnych wartości q. Najsilniejsze interakcje wystąpiły dla nachylenia stoku ∩ rzeźby terenu (q = 0.628), wysokości nad poziomem morza ∩ nachylenia stoku (q = 0.618) oraz wysokości nad poziomem morza ∩ rzeźby terenu (q = 0.510), co pokazano na Rysunku 9B. Wartości te wskazują na silniejsze powiązania stratyfikowane dla par czynników, ale nie określają mechanizmu geomorfologicznego, ponieważ w modelu nie uwzględniono gleby, klimatu, wieku lasu, gospodarki leśnej ani dostępności terenu.

figure-results-7
Rysunek 9. Zależności topograficzne z gęstością węgla z 2015 roku zidentyfikowane przy użyciu detektora geograficznego opartego na optymalnych parametrach. (A) Statystyki q detektora czynników (factor-detector) dla wysokości, nachylenia, orientacji północnej oraz rzeźby terenu. Odpowiednie wartości q wynoszą 0,3518, 0,5571, 0,0031 i 0,4600; testy permutacyjne dały wynik p = 0,001. (B) Wartości q detektora interakcji (interaction-detector) dla par kombinacji czterech zmiennych topograficznych. Większe wartości q wskazują na silniejsze powiązania statystyczne z przestrzennym rozkładem gęstości węgla z 2015 roku. OPGD, detektor geograficzny oparty na optymalnych parametrach. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wyniki ogólne

Rysunek 10A–D podsumowuje główne wyniki przepływu pracy: odpowiednio prognozowany udział lasów, całkowitą akumulację węgla, ranking powiązań topograficznych oraz kluczowe wskaźniki ilościowe. Analityczna linia bazowa z 2015 roku zawierała 59,505 Tg C. W czterech eksploracyjnych zestawach parametrów prognozowane straty do 2050 roku wahały się od 5,01% do 13,49%, a wszystkie dopasowane przypadki czułości zachowały ranking ECP > BAU > VRA > TED. Nachylenie oraz rzeźba terenu wykazały najsilniejsze ocenione powiązania terenowe. Biorąc pod uwagę FoM = 0,107 oraz pominięcie jawnych warstw planistycznych, społeczno-ekonomicznych i klimatycznych, wyniki wspierają porównawczą ocenę regionalną, a nie deterministyczną predykcję przestrzenną.

figure-results-8
Rysunek 10. Podsumowanie przewidywanych wyników użytkowania gruntów i magazynowania węgla oraz powiązań topograficznych. (A) Przewidywany udział lasów w obszarze badań w roku 2030 i 2050 w scenariuszach: Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP) oraz Village Revitalization and Activation (VRA); linia przerywana wskazuje bazowy udział lasów z 2015 roku. (B) Całkowite magazynowanie węgla w 2015 roku oraz przewidywane na lata 2030 i 2050 w czterech scenariuszach, wyrażone w teragramach węgla (Tg C). (C) Ranking wysokości, nachylenia terenu, wystawy północnej i rzeźby topograficznej według statystyk q uzyskanych za pomocą detektora geograficznego opartego na optymalnych parametrach (OPGD), gdzie większe wartości q wskazują na silniejsze powiązania statystyczne z gęstością węgla z 2015 roku. (D) Podsumowanie kluczowych wskaźników ilościowych, w tym bazowego magazynowania i gęstości węgla, przewidywanego zakresu utraty węgla do 2050 roku, różnicy w magazynowaniu węgla między scenariuszami ECP i TED, metryk walidacyjnych oraz najsilniejszego ocenionego powiązania topograficznego. OA, dokładność całkowita; FoM, Figure of Merit; Mg C ha-1, megagramy węgla na hektar. Aby zobaczyć większą wersję tego rysunku, kliknij tutaj.

Rycina uzupełniająca 1. Jednoczynnikowa analiza czułości zapasów węgla w 2050 roku w czterech scenariuszach użytkowania gruntów.(A) Nominalne zapasy węgla w 2050 roku oraz pełny zakres czułości OAT dla BAU, TED, ECP i VRA. Punkty wskazują nominalne wartości dla scenariuszy, a zakresy pionowe oznaczają minimalne i maksymalne wartości zapasów węgla uzyskane poprzez pomnożenie dev, fp lub af przez 0,5 lub 1,5 przy zachowaniu stałych pozostałych parametrów. (B) Zmiana zapasów węgla w 2050 roku względem odpowiadającej im nominalnej wartości scenariusza po perturbacjach 0,5× i 1,5× parametrów dev, fp oraz af. Wartości powyżej zera wskazują na większe zapasy węgla niż w przypadku nominalnym, a wartości poniżej zera wskazują na mniejsze zapasy węgla. Zakresy reprezentują deterministyczne jednoczynnikowe perturbacje parametrów i nie są probabilistycznymi przedziałami ufności.Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 1. Macierz przejść użytkowania terenu, parametryzacja scenariuszy, walidacja modelu oraz wyniki analizy wrażliwości jedna po drugiej. Arkusz zawiera cztery karty: S1, operacyjną macierz przejść użytkowania terenu z lat 2010–2015; S2, wartości parametrów, zaimplementowane reguły oraz granice interpretacji dla czterech scenariuszy; S3, macierz pomyłek 9 × 9 oraz powiązane wyniki walidacji modelu; oraz S4, nominalne wyniki analizy wrażliwości oraz wyniki analizy jedna po drugiej, uzyskane poprzez zmianę wartości dev, fp i af o współczynniki 0,5× i 1,5× przy zachowaniu stałości pozostałych parametrów. Zakresy wrażliwości reprezentują deterministyczne perturbacje parametrów i nie są probabilistycznymi przedziałami ufności.Prosimy kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 2. Identyfikatory klas pokrycia terenu wykorzystane w przepływie obliczeniowym. Tabela zawiera numeryczne identyfikatory klas oraz odpowiadające im klasy pokrycia terenu wykorzystane w analizach rastrowych. Klasa 0 oznacza NoData poza maską obszaru badań; klasy 1–9 oznaczają odpowiednio: grunty orne, lasy, zarośla, tereny trawiaste, wodę, śnieg/lód, tereny nieużytkowe, powierzchnie nieprzepuszczalne oraz tereny podmokłe.Prosimy kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 3. Wyniki detektora czynników i interakcji OPGD dla gęstości węgla w 2015 r. W tabeli przedstawiono zoptymalizowane statystyki q, liczbę przedziałów dyskretyzacji, wartości p analitycznego testu F oraz wartości p z permutacji na podstawie 999 permutacji dla wysokości, nachylenia, północności i rzeźby terenu. Wyniki interakcji parwise zawierają statystykę q interakcji, statystyki q poszczególnych czynników oraz klasyfikację interakcji. Przedstawione statystyki reprezentują powiązania przestrzenne i nie ustanawiają związków przyczynowo-skutkowych.Kliknij tutaj, aby pobrać ten plik.

Notatka uzupełniająca 1. Opisy poszczególnych paneli, źródła danych oraz uwagi dotyczące interpretacji figur do manuskryptu. Notatka ta określa zawartość i podstawowe źródło danych dla poszczególnych paneli figur oraz dostarcza informacji dotyczących wspólnego zakresu przestrzennego, powielonych informacji oraz interpretacji wyświetlanych zmiennych.Kliknij tutaj, aby pobrać ten plik.

Archiwum danych uzupełniających (skompresowane). Archiwum zawiera 26 gotowych do analizy plików GeoTIFF, pliki granic, metadane, wyniki, skrypty, rysunki, skorowki, pliki dokładnego środowiska obliczeniowego, plik README oraz sumy kontrolne SHA-256.

Dyskusja

W czterech testach stresowych zapasy węgla spadły, ponieważ symulowane przejścia zmieniły proporcje klas pokrycia terenu o wysokiej i niskiej gęstości. Największy spadek odnotowano w scenariuszu TED, natomiast najmniejszy w ECP. Krytycznym krokiem w stosowaniu protokołu jest zatem konfiguracja i interpretacja parametrów dev, fp oraz af. Ponieważ różnice między scenariuszami wynikają z tych narzuconych wartości, reprezentują one warunkowe odpowiedzi modelu, a nie zaobserwowane efekty rozwoju turystyki, rewitalizacji wsi czy regulacji ekologicznej. Do 2050 roku prognozowane zapasy węgla w scenariuszu TED były o 5,048 Tg C niższe niż w scenariuszu ECP. Zgodnie z przyjętą tabelą odniesienia, przekształcenie jednego hektara lasu w powierzchnię nieprzepuszczalną zmniejsza przypisane zasoby o 149,32 Mg C, podczas gdy przekształcenie gruntów ornych w powierzchnię nieprzepuszczalną zmniejsza je o 38,45 Mg C. Te różnice w rozliczeniach wyjaśniają silny wpływ symulowanej konwersji lasów na całkowite zapasy. Jednak opieranie się na wartościach pochodzących z literatury bez lokalnej kalibracji wprowadza niepewność do szacunków bezwzględnych.

Kolejnym krytycznym krokiem jest wyprowadzenie i dyskretyzacja zmiennych terenowych wykorzystanych w OPGD. Rzeźba terenu została powiązana z gęstością węgla po zoptymalizowanej dyskretyzacji (q = 0.460). Rzeźbę zdefiniowano jako lokalny zakres wysokości w obrębie kolistego sąsiedztwa o promieniu 450 m, zaimplementowany za pomocą stopki 31 × 31 pikseli. Komórki o wysokiej rzeźbie mogą pokrywać się ze stromym, zalesionym terenem, jednak OPGD nie potrafi rozróżnić między rzeźbą terenu, dostępnością, historią użytkowania gruntów, glebą, gospodarką oraz innymi skorelowanymi wyjaśnieniami. Sparowane warstwy terenu dały wyższe wartości q niż poszczególne czynniki, szczególnie w przypadku nachylenia ∩ rzeźba (q = 0.628). Wzorzec ten ma charakter opisowy, a nie mechanistyczny. Podobnie, niska wartość q dla ekspozycji północnej (0.003) nie dowodzi, że kontrasty w promieniowaniu słonecznym są słabe; przetestowanie tego wyjaśnienia wymaga pomiarów promieniowania, mikroklimatu, roślinności i pomiarów polowych.

Metoda ta umożliwia generowanie hipotez regionalnych: ograniczenie symulowanej konwersji lasów, hamowanie rozrostu powierzchni nieprzepuszczalnych oraz zwiększenie przejścia z gruntów ornych w leśne pozwala zachować więcej przypisanego węgla. Wytyczne specyficzne dla danej lokalizacji wymagają dodatkowych dowodów. W celu modyfikacji przepływu pracy pod kątem zastosowań zorientowanych na podejmowanie decyzji, należy włączyć zweryfikowane warstwy obszarów chronionych, ekologicznych linii czerwonych, transportu, działek oraz węzłów wiejskich, wraz z ocenami partycypacji interesariuszy, kompromisów w zakresie usług ekosystemowych, zachęt, kosztów rekultywacji, usług kulturowych, źródeł utrzymania oraz różnorodności biologicznej49,50,51,52,53,54,55,56. Rozszerzenia te są istotne, ponieważ obecny protokół nie uwzględnia takich ograniczeń przestrzennych lub społeczno-ekonomicznych. Szersza literatura wskazuje również, że strategie magazynowania roślin, struktura lasu, roślinność nadrzewna, zachowania turystyczne oraz efekty cyklu życia środowiska zbudowanego wymagają analiz odrębnych od obecnego bilansowania pokrycia terenu57,58,59,60,61.

Właściwe zastosowanie i interpretację tej metody określają kilka ograniczeń. Należą do nich: gęstości węgla pochodzące z literatury bez lokalnej kalibracji terenowej, potencjalne błędy w klasyfikacji CLCD, uproszczony, niestandardowy model Markov-CA, zorientowana na zmiany miara jakości (FoM) walidacji wynosząca 0,107, niedopasowane parametry testu obciążeniowego oraz stochastyczna ocena oparta na pojedynczym ziarnie (single-seed). Dodatkowe ograniczenia to zastosowanie projektu jednoczynnikowego zamiast probabilistycznej analizy niepewności, pominięcie warstw planistycznych, socjoekonomicznych, dostępności, glebowych, wieku lasu oraz zmian klimatu, a także nieprzyczynowe powiązania OPGD. Oznacza to, że opisany schemat postępowania jest odpowiedni do porównawczej oceny scenariuszy regionalnych, ale nie dostarcza deterministycznych prognoz przestrzennych, lokalnie skalibrowanych inwentaryzacji węgla ani przyczynowych szacunków skuteczności działań politycznych.

W odniesieniu do istniejących i alternatywnych podejść, znaczenie niniejszego protokołu polega na zintegrowaniu symulacji użytkowania gruntów, czteropulowej księgowości węglowej, walidacji, testów czułości oraz analizy powiązań terenowych w ramach powtarzalnego przepływu pracy, przy jednoczesnym zachowaniu wyraźnych ograniczeń interpretacyjnych. Rozwiązywanie problemów i modyfikacje powinny koncentrować się szczególnie na krokach, które w największym stopniu wpływają na końcową interpretację: preprocessingu i maskowaniu pokrycia terenu, parametryzacji przejść i scenariuszy, walidacji modelu, przypisywaniu gęstości węgla oraz dyskretyzacji terenu.

Przepływ pracy można zastosować do oceny porównawczej alternatywnych trajektorii użytkowania gruntów oraz do identyfikacji zależności przestrzennych wymagających dalszych badań, podczas gdy zastosowania specyficzne dla danej lokalizacji wymagają dodatkowych, zweryfikowanych lokalnie dowodów. Priorytety dla przyszłych badań obejmują zbieranie lokalnych pomiarów węgla, porównywanie alternatywnych modeli alokacji i ziarna losowości, dopasowywanie parametrów do niezależnych czynników sprawczych oraz propagację niepewności klasyfikacji, parametrów i klimatu. Rozwiązania te rozszerzyłyby obecny przepływ pracy poza zakres porównawczych testów warunków skrajnych i zapewniłyby silniejsze podstawy do oceny wyników użytkowania gruntów i magazynowania węgla w warunkach dodatkowych źródeł niepewności.

Oświadczenia

Autorzy deklarują brak konfliktów interesów.

Podziękowania

Autorzy dziękują dostawcom zbiorów danych CLCD oraz Copernicus DEM GLO-30.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Zbiór Danych o Pokryciu Terenu Chin (China Land Cover Dataset – CLCD)Uniwersytet w Wuhan (Yang J) & Huang X)1985–produkt roczny 2022; 30 m; Zenodo DOI: 10.5281/zenodo.4417810Podstawowe dane wejściowe dotyczące pokrycia terenu; warstwy z lat 2005, 2010 i 2015 wykorzystane do kalibracji, walidacji, szacowania macierzy przejść oraz analizy bazowej
Copernicus DEM GLO-30Europejska Agencja Kosmiczna / Program CopernicusEpoka referencyjna 2019; publiczne udostępnienie 2021; 30 mDane terenowe wykorzystane do wyznaczenia wysokości, nachylenia, północnej ekspozycji oraz rzeźby terenu na potrzeby analizy OPGD
Niestandardowy markowowski automat komórkowyWłasna implementacja w języku PythonPython 3.11; ziarno 2023; aktualizacja synchroniczna; 3 × Sąsiedztwo Moore'a 3; zarchiwizowane źródłoSymulacja scenariuszy użytkowania gruntów; własna implementacja niewymagająca użycia modelu PLUS
geopandas (biblioteka Pythona)programiści geopandas1.1.4Przetwarzanie danych wektorowych, zapytania przestrzenne i operacje na granicach
formuła czteropulowego magazynowania węgla w programie InVESTNatural Capital Projectdokumentacja InVEST; niestandardowy obliczeniowy skrypt wyszukiwania w języku Python; zarchiwizowane skryptyRachunkowość węglowa oparta na czterech pulach w ujęciu klasowym; bez modułu tempa sekwestracji, wyceny lub modułu ekonomicznego
matplotlib (biblioteka języka Python)Deweloperzy Matplotlib3.11.0Renderowanie rycin i wizualizacja naukowa
numpy (biblioteka Pythona)programiści NumPy2.4.6Obliczenia numeryczne na poziomie tablic
detektory czynników i interakcji OPGDWłasna implementacja w języku Python oparta na metodologii OPGDZiarno 42; próbka 200 000 pikseli; 2–15 przedziałów kwantylowych; 999 permutacji; zarchiwizowane skryptyAnaliza czynnikowa i interakcyjna powiązań między gęstością węgla w 2015 roku a wysokością nad poziomem morza, nachyleniem terenu, północnością i rzeźbą terenu
pandas (biblioteka języka Python)programiści pandas3.0.3Obsługa danych tabelarycznych i przetwarzanie wyników analitycznych
Język programowania PythonPython Software Foundation3.11.9Środowisko obliczeniowe do wstępnego przetwarzania, symulacji, walidacji, bilansowania węgla, analizy OPGD oraz postprocessingu
rasterio (biblioteka języka Python)utrzymujący projekt rasterio1.4.4Wejście/wyjście danych rastrowych, reprojekcja, resamplowanie oraz przetwarzanie rastrów pokrycia terenu i rzeźby terenu
scipy (biblioteka języka Python)Programiści SciPy1.17.1Operacje numeryczne i morfologiczne stosowane w przetwarzaniu terenu
shapely (biblioteka Pythona)Programiści Shapely2.1.2Operacje geometryczne wspierające przetwarzanie wektorowe i przestrzenne
Zakres obszaru badań i maska poprawnościWprowadzenie do spersonalizowanego badania zrekonstruowane na podstawie współrzędnych rękopisuEPSG:32650; 30 m; zarchiwizowane pliki GeoJSON i GeoTIFF; 4 632 329 prawidłowych komórekDefiniuje 4 169,1 km² wspólny obszar analizy i prawidłowa maska rastrowa

Bibliografia

  1. Costanza R, et al. The value of the world's ecosystem services and natural capital. Nature. 1997;387(6630):253-260. doi:10.1038/387253a0.
  2. Millennium Ecosystem Assessment. Ecosystems and Human Well-Being: Synthesis. Island Press; Washington, DC; 2005.
  3. UNESCO World Heritage Centre. Mount Huangshan [Internet]. UNESCO; Paris; [cited 2026 Aug 18]. Available from: https://whc.unesco.org/en/list/547
  4. UNESCO World Heritage Centre. Ancient Villages in Southern Anhui—Xidi and Hongcun [Internet]. UNESCO; Paris; [cited 2026 Aug 18]. Available from: https://whc.unesco.org/en/list/1002
  5. Megarry WP, et al. Land use and land cover analysis of cultural World Heritage to inform assessments of climate vulnerability. Journal of Cultural Heritage. 2026;77:243-253. doi:10.1016/j.culher.2025.11.008.
  6. Wang Y, Chen S, Rabeeu A. Does world heritage site initiation promote tourism? A difference-in-difference approach. Tourism Economics. 2024;30(8):2111-2133. doi:10.1177/13548166241253306.
  7. Wang Y, Sulaiman MKAM, Harun NZ. Reframing place identity for traditional village conservation: A theoretical model with evidence from Dali Dong Village. Heritage. 2025;8(10):427. doi:10.3390/heritage8100427.
  8. Liang X, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China. Comput Environ Urban Syst. 2021;85:101569. doi:10.1016/j.compenvurbsys.2020.101569.
  9. Sharp R, et al. InVEST User's Guide: Integrated Valuation of Ecosystem Services and Tradeoffs. [Internet]. Natural Capital Project, Stanford University; 2020. Available from: https://naturalcapitalproject.stanford.edu/software/invest
  10. Song Y, Wang J, Ge Y, Xu C. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: cases with different types of spatial data. GISci Remote Sens. 2020;57(5):593-610. doi:10.1080/15481603.2020.1760434.
  11. Bozali N. Spatiotemporal simulation of land use and land cover changes in Türkiye through a CA–Markov framework. Scientific Reports. 2026;16(1). doi:10.1038/s41598-026-35807-9.
  12. Gita B, Pankaj L. Modeling alternative futures: Scenario-based land-use and land-cover projections for Nepal (2030–2050). Land. 2026;15(5):873. doi:10.3390/land15050873.
  13. Cui J, et al. An integrated land use–carbon modeling framework for net carbon emissions and spatial optimization in Northeast China. Journal of Cleaner Production. 2025;525:146545. doi:10.1016/j.jclepro.2025.146545.
  14. Tang H, et al. Analysis of spatiotemporal variations and driving factors of carbon storage based on the PLUS-InVEST-OPGD model: A case study of Tai'an City. Sustainability. 2026;18(8):4017. doi:10.3390/su18084017.
  15. Zhang Y, Liao X, Sun D. A coupled InVEST-PLUS model for the spatiotemporal evolution of ecosystem carbon storage and multi-scenario prediction analysis. Land. 2024;13(4):509. doi:10.3390/land13040509.
  16. Huang M, et al. Integrated assessment of land use and carbon storage changes in the Tulufan-Hami Basin under the background of urbanization and climate change. Int J Appl Earth Obs Geoinf. 2024;135:104261. doi:10.1016/j.jag.2024.104261.
  17. Ma Y, et al. Assessing carbon storage dynamics and policy impacts: Application of InVEST-PLUS framework in the Qinling Mountains, China. Land Use Policy. 2026;164:107947. doi:10.1016/j.landusepol.2026.107947.
  18. Li Z, Yan T, Du Y. Scenario-based simulation of carbon storage in Chengdu using MCCA-InVEST: land use change, spatial patterns, and driving mechanisms. Carbon Balance Manag. 2025;20:40. doi:10.1186/s13021-025-00328-x.
  19. Zhao H, Guo B, Wang G. Spatial-temporal changes and prediction of carbon storage in the Tibetan Plateau based on PLUS-InVEST model. Forests. 2023;14(7):1352. doi:10.3390/f14071352.
  20. Hasan F, Makhtoumi Y, Chen G. Impact of land use and land cover changes on ecosystem services: a multi-module InVEST-LCM analysis. Earth Syst Environ. 2026;10:7019-7041. doi:10.1007/s41748-025-00995-3.
  21. Zhang H, Luo J, Wu J, Dong H. Dynamic response of carbon storage to future land use/land cover changes motivated by policy effects and core driving factors. J Plant Ecol. 2024;17(4):rtae042. doi:10.1093/jpe/rtae042.
  22. Lu L, et al. Spatiotemporal variation and quantitative attribution of carbon storage based on multiple satellite data and a coupled model for Jinan City, China. Remote Sens. 2023;15(18):4472. doi:10.3390/rs15184472.
  23. Ma J, Hao Z, Shen Y, Zhen Z. Spatial-temporal evolution of carbon storage and its driving factors in the Shanxi section of the Yellow River Basin, China. Ecological Modelling. 2025;502:111039. doi:10.1016/j.ecolmodel.2025.111039.
  24. Mi Y, Li S, Wu B. Study on the variation of carbon storage in the Chang-Zhu-Tan urban agglomeration in China based on topographic relief. Frontiers in Environmental Science. 2024;12. doi:10.3389/fenvs.2024.1481540.
  25. Li C, Huang J, Luo Y, Wang J. Spatial synergy between carbon storage and emissions in coastal China: Insights from PLUS-InVEST and OPGD models. Remote Sensing. 2025;17(16):2859. doi:10.3390/rs17162859.
  26. Ocloo DM, Mizunoya T. Carbon storage and land use dynamics in Ghanaian university campuses: A scenario-based assessment using the InVEST model. Land. 2025;14(10):1987. doi:10.3390/land14101987.
  27. Wang Z, Zhang Y, Zhang Z. Scenario analysis of carbon reduction potential through forest carbon sink mechanisms in the Beijing–Tianjin–Hebei Region, China. Sustainability. 2025;17(17):7992. doi:10.3390/su17177992.
  28. Ma J, Shi P. Remotely sensed inter-field variation in soil organic carbon content as influenced by the cumulative effect of conservation tillage in northeast China. Soil and Tillage Research. 2024;243:106170. doi:10.1016/j.still.2024.106170.
  29. Li M, Cui Y, Dong J, Qin Y. Abandoned cropland compensates the decrease in net ecosystem productivity of impervious surface expansion in China. Environmental Impact Assessment Review. 2024;104:107363. doi:10.1016/j.eiar.2023.107363.
  30. Wang J, Zhang M, Zhou S, Huang Y. Research on the spatiotemporal evolution and driving factors of forest carbon sink increment—based on data envelopment analysis and production theoretical decomposition model. Forests. 2025;16(1):104. doi:10.3390/f16010104.
  31. Cai Y, et al. Dynamics of China's forest carbon storage: the first 30 m annual aboveground biomass mapping from 1985 to 2023. Earth System Science Data. 2025. doi:10.5194/essd-17-6993-2025.
  32. Piao S, et al. The carbon balance of terrestrial ecosystems in China. Nature. 2009;458(7241):1009-1013. doi:10.1038/nature07944.
  33. Fuller M, et al. Global carbon storage in harvested wood products: a forest sector model inter-comparison. Environmental Research Letters. 2025;20. doi:10.1088/1748-9326/ae0ce0.
  34. Milodowski D, Smallman T, Williams M. Scale variance in the carbon dynamics of fragmented, mixed-use landscapes estimated using model–data fusion. Biogeosciences. 2023. doi:10.5194/bg-20-3301-2023.
  35. Zeyu X, et al. Topographic and edaphic drivers of community structure and species diversity in a subtropical deciduous broad-leaved forest in eastern China. Forests. 2025;16(12):1837. doi:10.3390/f16121837.
  36. Hunter BD, Roering JJ, Silva LCR, Moreland KC. Geomorphic controls on the abundance and persistence of soil organic carbon pools in erosional landscapes. Nature Geoscience. 2024;17(2):151-157. doi:10.1038/s41561-023-01365-2.
  37. Li L, et al. Spatial scale effects of interacting abiotic and biotic factors on aboveground carbon storage in a subtropical evergreen broadleaf forest in southern China. Journal of Forestry Research. 2024;36(1). doi:10.1007/s11676-024-01804-9.
  38. Zhaoxue G, et al. Temporal and spatial characteristics and influencing factors of carbon storage in black soil area under topographic gradient. Land. 2024;14(1):16. doi:10.3390/land14010016.
  39. Nie Q, et al. Exploring scaling differences and spatial heterogeneity in drivers of carbon storage changes: a comprehensive geographic analysis framework. Ecological Indicators. 2024. doi:10.1016/j.ecolind.2024.112193.
  40. Liu J, et al. Analysis of the evolution characteristics and driving mechanisms of salinization in arid regions based on multi-factor interaction with optimized parameter geographic detector (OPGD)1. Journal of Environmental Management. 2025;394:127487. doi:10.1016/j.jenvman.2025.127487.
  41. Wang Z, Zhou Y, Sun X, Xu Y. Estimation of NPP in Huangshan District based on deep learning and CASA model. Forests. 2024;15(8):1467. doi:10.3390/f15081467.
  42. Vancine MH, et al. ATLANTIC SPATIAL: a dataset of landscape, topographic, hydrological, and anthropogenic metrics for the Atlantic Forest. Ecology. 2026;107(4). doi:10.1002/ecy.70360.
  43. Qiu M, et al. Spatio-temporal changes and hydrological forces of wetland landscape pattern in the Yellow River Delta during 1986–2022. Landscape Ecology. 2024;39. doi:10.1007/s10980-024-01850-y.
  44. Anand S, Khushboo K, Garkoti S. Influence of vegetation and soil properties on carbon stocks in Shorea robusta. forests under different disturbance regimes. Journal of Environmental Management. 2025;380:124916. doi:10.1016/j.jenvman.2025.124916.
  45. Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019. Earth Syst Sci Data. 2021;13(8):3907-3925. doi:10.5194/essd-13-3907-2021.
  46. Copernicus Data Space Ecosystem. Copernicus DEM GLO-30 [Internet]. European Union; [cited 2026 Aug 18]. Available from: https://documentation.dataspace.copernicus.eu/Data/Others/CCM.html
  47. Cheng Z, et al. Identification of eco-functional zones based on ecosystem service bundles: a case study of the Fujiang River Basin. Front Environ Sci. 2026;14:1754712. doi:10.3389/fenvs.2026.1754712.
  48. Pontius RG Jr, et al. Comparing the input, output, and validation maps for several models of land change. Ann Reg Sci. 2008;42(1):11-37. doi:10.1007/s00168-007-0138-2.
  49. Li Y, et al. Dissemination, manipulation or monopolization? Understanding the influence of stakeholder information sharing on resident participation in neighborhood rehabilitation of urban China. Land Use Policy. 2024;147:107359. doi:10.1016/j.landusepol.2024.107359.
  50. Peng J, et al. A landscape ecological approach to spatial conservation planning—ecological security pattern. Trends in Ecology & Evolution. 2025. doi:10.1016/j.tree.2025.07.014.
  51. Roh H, Park J, Chon J. Trade-off analysis of ecosystem services in regulated river areas: supporting, regulating, and cultural services. Sustainability. 2025;17(9):3788. doi:10.3390/su17093788.
  52. Roy Chowdhury PK, Brown DG. Modeling the effects of carbon payments and forest owner cooperatives on carbon storage and revenue in Pacific Northwest forestlands. Land Use Policy. 2023;131:106725. doi:10.1016/j.landusepol.2023.106725.
  53. Savo V, et al. Evaluation of main regulating, provisioning, and supporting ecosystem services of urban street trees: a literature review. Ecosystem Services. 2025;71:101690. doi:10.1016/j.ecoser.2024.101690.
  54. Shibo Z, Gui J. The cost of ecological protection and restoration: evidence from the impact of the Shan-shui project on land values. Land Use Policy. 2026;164:107919. doi:10.1016/j.landusepol.2026.107919.
  55. Deng H, Zhou X, Liao Z. Ecological redline delineation based on the supply and demand of ecosystem services. Land Use Policy. 2024;140:107109. doi:10.1016/j.landusepol.2024.107109.
  56. Xu H, et al. Revealing youth-perceived cultural ecosystem services for high-density urban green space management: a deep learning spatial analysis of social media photographs from central Beijing. Landscape Ecology. 2025;40. doi:10.1007/s10980-025-02115-y.
  57. Binter J, Doležal J. High-elevation angiosperms maintain extensive living storage tissue with large non-structural carbohydrate pools. Annals of Botany. 2026. doi:10.1093/aob/mcag023.
  58. Arayaselassie A, Bekele T, Lulekal E. An insight into Northern Wollo Monastery Forests: examining plant species diversity, vegetation structure, and regeneration analysis of these relict ecosystems. PLoS ONE. 2025;20. doi:10.1371/journal.pone.0330689.
  59. Slate ML, et al. Impact of changing climate on bryophyte contributions to terrestrial water, carbon, and nitrogen cycles. New Phytologist. 2024;242. doi:10.1111/nph.19772.
  60. Sun D, Yang D, Wang J, Tan F. How animal metaphors increase tourists' waste classification intention? Environmental Research Communications. 2024;6(10):105012. doi:10.1088/2515-7620/ad82b0.
  61. Sindhu Pradeep M, Rismanchi B, Stephan A, Ngo T. Synergising circularity and temporal dynamics into life cycle sustainability assessment of prefabricated buildings: a system dynamics-based assessment with static–dynamic comparison. Building and Environment. 2026;302:114795. doi:10.1016/j.buildenv.2026.114795.

Przedruki i uprawnienia

Tagi

Zmiana użytkowania terenusymulacja scenariuszymarkowowski automat komórkowydetektor geograficznyusługi ekosystemowebilansowanie węglaekspansja turystykiochrona ekologiczna

Ten artykuł został opublikowany

Film wkrótce dostępny

Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.