Um fluxo de trabalho integrado de modelagem geoespacial quantifica a urbanização da terra e a dinâmica do estoque de carbono. A expansão da área construída está associada à perda de estoque de carbono e a efeitos negativos de derramamento espacial, enquanto cenários de planejamento ecológico preservam áreas com alto estoque de carbono e favorecem uma governança coordenada de baixo carbono.
Artigo de investigação
Urbanização da Terra, Planejamento Ecológico e Dinâmica do Estoque de Carbono em Xinjiang, China, Utilizando um Fluxo de Trabalho Integrado de Modelagem Geoespacial
Neste artigo
Resumo
Resumo
Este estudo desenvolveu e aplicou um fluxo de trabalho integrado que combinou sensoriamento remoto, simulação de uso da terra, avaliação de serviços ecossistêmicos e métodos econométricos espaciais para quantificar a influência da urbanização e do planejamento ecológico sobre a dinâmica do estoque de carbono na Região Autônoma de Xinjiang Uigur, no noroeste da China. Utilizando dados de uso/ocupação da terra, superfícies impermeáveis, luz noturna, vegetação, topografia, fatores socioeconômicos e restrições de planejamento de 2000 a 2020, o fluxo de trabalho identificou padrões históricos de urbanização, simulou quatro cenários futuros de planejamento, estimou o estoque de carbono usando o módulo de carbono do InVEST e avaliou os efeitos diretos e os efeitos indiretos espaciais por meio de modelos econométricos espaciais. Os resultados mostram que a expansão urbana ocorreu principalmente por meio da conversão de áreas agrícolas e foi acompanhada por aumentos na cobertura de superfícies impermeáveis e na intensidade da luz noturna. Os resultados da simulação indicam que o cenário de proteção ecológica apresenta a maior retenção de estoque de carbono, enquanto o cenário de desenvolvimento natural resulta na maior perda de carbono. A área florestal foi identificada como a classe de uso da terra com alto teor de carbono mais vulnerável, com densidade total de carbono de 144,9 Mg C/ha, comparada a 29,4 Mg C/ha para áreas urbanizadas. Os resultados do modelo de Durbin espacial mostram que a urbanização da terra tem um efeito direto negativo (−0,231) e um efeito indireto de derramamento negativo (−0,117), resultando em um efeito total de −0,348 sobre a densidade do estoque de carbono, enquanto a intensidade do planejamento ecológico apresenta um efeito total positivo (+0,245). Esses achados apoiam a implementação coordenada de planejamento ecológico entre fronteiras administrativas para promover o desenvolvimento regional de baixo carbono.
Introdução
Diante das mudanças climáticas globais e da transição rumo ao desenvolvimento de baixo carbono, a rápida urbanização tornou-se um dos principais impulsionadores das alterações nos padrões regionais de cobertura do solo e nos ciclos biogeoquímicos1. À medida que as atividades humanas continuam expandindo-se em escala e intensidade, a aceleração da urbanização do solo em regiões em desenvolvimento não apenas modifica os padrões de uso da terra, mas também redefine a estrutura e o funcionamento dos ecossistemas. Essencialmente, a urbanização do solo envolve a conversão de vegetação natural com alta densidade de carbono em superfícies artificiais com baixa densidade de carbono, resultando em perdas substanciais na capacidade regional de armazenamento de carbono2. Para regiões em rápido desenvolvimento, equilibrar o crescimento econômico com a proteção do espaço ecológico tornou-se um desafio crítico no planejamento espacial territorial. Os estudos tradicionais de uso da terra concentraram-se principalmente nos padrões de expansão física, frequentemente negligenciando as interações dinâmicas entre o desenvolvimento espacial e os processos do ciclo do carbono3. Consequentemente, há uma necessidade de abordagens analíticas integradas que quantifiquem os efeitos da urbanização do solo sobre a dinâmica dos estoques de carbono e forneçam uma base científica para a proteção ecológica e a gestão de baixo carbono.
Avanços recentes em sensoriamento remoto e sistemas de informações geográficas melhoraram substancialmente a modelagem de mudanças no uso da terra e a avaliação de serviços ecossistêmicos4,5. A simulação de uso da terra com múltiplos cenários combinada com contabilidade ecológica tornou-se uma abordagem amplamente utilizada para avaliar as consequências ambientais da expansão urbana6. Em particular, os modelos Patch-generating Land Use Simulation (PLUS) e Integrated Valuation of Ecosystem Services and Tradeoffs (InVEST) têm sido aplicados para quantificar como restrições de planejamento influenciam trajetórias de uso da terra e resultados de estoque de carbono7,8,9,10,11,12. Estudos relacionados sobre serviços ecossistêmicos demonstraram ainda que mudanças na cobertura do solo, políticas de desenvolvimento urbano e medidas de proteção ecológica podem alterar o escoamento de água, a sequestração de carbono, a retenção de solo e os trade-offs entre serviços ecossistêmicos em paisagens de rápida urbanização13,14,15,16,17. No entanto, a maioria dos estudos anteriores concentrou-se na conversão do uso da terra e nas saídas de serviços ecossistêmicos, com menor atenção dada à forma como as pressões do desenvolvimento socioeconômico geram respostas espacialmente dependentes nos estoques de carbono entre unidades administrativas vizinhas.
Três lacunas principais motivam o presente fluxo de trabalho. Primeiro, aplicações anteriores do PLUS–InVEST frequentemente tratam as áreas de estudo como sistemas físicos fechados e não avaliam explicitamente se os efeitos da urbanização da terra extrapolam para unidades adjacentes. Segundo, análises de validação, incerteza e sensibilidade são frequentemente relatadas apenas brevemente, dificultando a determinação de se as classificações dos cenários permanecem estáveis sob diferentes parâmetros de simulação de uso da terra, coeficientes de estoques de carbono e especificações de pesos espaciais. Terceiro, estudos econométricos espaciais frequentemente identificam associações entre intensidade de desenvolvimento e resultados ecológicos sem vincular essas relações a observações de sensoriamento remoto, cenários futuros de uso da terra e contabilidade de estoques de carbono. É, portanto, necessário um fluxo de trabalho integrado que conecte observação, simulação de cenários, contabilidade de carbono e identificação de mecanismos espaciais dentro de um quadro analítico reproduzível.
Assim, este estudo estabelece um fluxo de trabalho analítico reproduzível que integra sensoriamento remoto, simulação de cenários baseada em PLUS, avaliação de estoque de carbono com o InVEST e análise econométrica espacial. Focando-se na Região Autônoma Uigur de Xinjiang, no noroeste da China, o estudo avalia os padrões históricos de urbanização da terra entre 2000 e 2020, examina como cenários alternativos de planejamento influenciam as futuras configurações do uso da terra, quantifica os efeitos resultantes na distribuição do estoque de carbono e investiga os efeitos diretos e de derramamento espacial da urbanização da terra, da intensidade do planejamento ecológico, da condição da vegetação e de fatores socioeconômicos sobre a dinâmica do estoque de carbono. A principal contribuição desse fluxo de trabalho é a integração da previsão baseada em cenários com a identificação de mecanismos, para apoiar a delimitação de linhas vermelhas ecológicas, o planejamento de crescimento compacto, a compensação de carbono interestadual e a governança regional de baixo carbono.
Protocolo
Foram utilizados conjuntos de dados geoespaciais, de sensoriamento remoto, de planejamento e socioeconômicos agregados, disponíveis publicamente, neste estudo. Não foram envolvidos participantes humanos, sujeitos animais, materiais clínicos ou informações pessoais identificáveis. A aprovação ética institucional, portanto, não foi necessária. Os ambientes de software específicos, pacotes computacionais (incluindo bibliotecas de econometria espacial e de visualização de alta resolução), identificadores digitais (DOIs) dos conjuntos de dados e URLs de origem de todos os recursos necessários para reproduzir este fluxo de trabalho estão detalhados na abrangente Tabela de Materiais.
1. Área de estudo e estrutura analítica
A análise foi conduzida na Região Autônoma de Xinjiang Uigur, no noroeste da China, com foco analítico específico nas extensões urbanas delimitadas de cidades-chave (Figura 1) para capturar com precisão a dinâmica de expansão localizada. Esse limite foi utilizado de forma consistente para o recorte de matrizes raster, simulação de uso da terra, avaliação de estoques de carbono e agregação de unidades administrativas. O tamanho da amostra analítica (n) compreendeu 105 unidades administrativas de nível municipal analisadas em três nós temporais distintos (2000, 2010 e 2020), com simulações de uso da terra incorporando 50 réplicas estocásticas para capturar a incerteza espacial.
Utilizou-se uma estrutura analítica multiescalar que integra análises em nível de grade e em unidades administrativas. Na escala da grade, utilizaram-se dados de uso e cobertura da terra, intensidade da luz noturna, cobertura de superfícies impermeáveis, índices de vegetação, variáveis topográficas e restrições de planejamento ecológico para identificar padrões de urbanização da terra, simular cenários futuros de uso da terra e avaliar a distribuição de estoques de carbono. Na escala da unidade administrativa, variáveis socioeconômicas, de transporte e ambientais foram incorporadas a análises econométricas espaciais para avaliar os efeitos diretos e de derramamento da urbanização da terra e do planejamento ecológico sobre a dinâmica dos estoques de carbono.
A estrutura analítica compreendeu cinco componentes. Primeiro, dados multi-temporais de sensoriamento remoto e de uso da terra foram utilizados para caracterizar os padrões espaço-temporais da urbanização da terra, incluindo a expansão de áreas edificadas, a intensidade de desenvolvimento e a reestruturação do uso da terra. Segundo, foram desenvolcidos cenários de proteção ecológica, proteção de terras agrícolas e planejamento de baixo carbono para simular padrões futuros de uso da terra. Terceiro, o módulo de armazenamento de carbono do InVEST foi utilizado para quantificar a distribuição e as alterações nos estoques de carbono sob condições históricas e futuras de uso da terra. Quarto, foram realizadas análises de autocorrelação espacial global e local para identificar padrões de agrupamento e regiões de foco associadas à variação dos estoques de carbono. Quinto, modelos econométricos espaciais foram utilizados para avaliar a magnitude, a direção e os efeitos de derramamento da urbanização da terra, da intensidade do planejamento ecológico e dos fatores ambientais e socioeconômicos sobre a dinâmica dos estoques de carbono.
Figura 1 apresenta o fluxo analítico geral. O fluxo integra a definição da área de estudo, a integração de dados multissource, a identificação da urbanização da terra, o desenvolvimento de cenários de planejamento ecológico, a simulação de uso da terra, a avaliação de estoques de carbono, a análise de autocorrelação espacial e a modelagem econométrica espacial. Dados espaciais multissource serviram como camada de entrada. A identificação da urbanização da terra e a análise histórica do uso da terra formaram a camada de caracterização de padrões. Os cenários de planejamento ecológico e a avaliação dos estoques de carbono formaram a camada de previsão e avaliação de impactos. As análises de autocorrelação espacial e econométrica foram utilizadas para identificar mecanismos espaciais e apoiar a interpretação de políticas.
Figura 1: Área de estudo, integração de dados e fluxo técnico de trabalho. (A) Contexto espacial multiescalar e limites analíticos urbanos precisos para cidades-chave da Região Autônoma Uigur de Xinjiang, no noroeste da China. (B) Fluxo técnico integrado que conecta dados espaciais multissensoriais, identificação da urbanização do solo baseada em sensoriamento remoto, projeto de cenários de planejamento ecológico, simulação de uso da terra com o modelo PLUS, avaliação de estoque de carbono com o InVEST, autocorrelação espacial, análise de hotspots e modelagem econométrica espacial. ND = desenvolvimento natural; EP = proteção ecológica; CP = proteção de áreas agrícolas; LC = otimização de baixo carbono; OLS = mínimos quadrados ordinários; SAR = modelo autorregressivo espacial; SEM = modelo de erro espacial; SDM = modelo de Durbin espacial. Clique aqui para visualizar uma versão maior desta figura.
2. Fontes de dados e sistema de variáveis
Um conjunto de dados multissensorial foi compilado para apoiar a identificação da urbanização do solo, a simulação de cenários de planejamento ecológico, a avaliação de estoques de carbono e a análise espacial econométrica. O conjunto de dados incluiu informações sobre uso e cobertura da terra, fração de superfícies impermeáveis, intensidade da luz noturna, índice de vegetação por diferença normalizada (NDVI), variáveis topográficas, indicadores de acessibilidade ao transporte, variáveis hidrológicas, densidade populacional, densidade do produto interno bruto (PIB), restrições de planejamento, variáveis climáticas e parâmetros dos reservatórios de carbono. Tabela 1 resume a categoria do conjunto de dados, a descrição das variáveis, unidade, resolução espacial e temporal, fonte e aplicação analítica. Os principais conjuntos de dados foram obtidos para os anos 2000, 2010 e 2020. Os dados de uso da terra e os principais produtos de sensoriamento remoto foram harmonizados para resoluções que variam de 30 m a 1 km, conforme as exigências analíticas.
Tabela 1: Fontes de dados e sistema de variáveis. A tabela apresenta a categoria do conjunto de dados, variável, descrição, unidade, resolução espacial/temporal, fonte e uso analítico para a identificação da urbanização da terra, simulação de cenários, contabilização de estoque de carbono no InVEST e modelagem econométrica espacial. NDVI = índice de vegetação por diferença normalizada; DEM = modelo digital de elevação; LULC = uso da terra/cobertura do solo. Clique aqui para baixar esta tabela.
Todas as camadas espaciais foram projetadas em um sistema de coordenadas comum, recortadas até o limite da área de estudo mostrado na Figura 1 e reamostradas ou agregadas à escala de grade ou unidade administrativa requerida. Valores ausentes foram verificados antes da análise de sobreposição espacial. Os conjuntos de dados matriciais utilizados nas análises do PLUS e do InVEST foram alinhados ao nível do pixel, enquanto as variáveis socioeconômicas foram agregadas a unidades administrativas para regressão espacial. Este fluxo de trabalho de pré-processamento garantiu unidades espaciais consistentes e pontos temporais comparáveis nas análises temporais, simulações de cenários, cálculos de estoque de carbono e modelagem econométrica.
Os dados de uso/ocupação da terra serviram como entrada principal para a detecção de mudanças históricas e simulação futura do uso da terra. As categorias originais de uso da terra foram reclassificadas em seis classes: terra arável, terra florestal, pastagem, corpos d'água, área urbanizada e terra não utilizada. Este esquema de classificação foi utilizado de forma consistente na análise de mudanças do uso da terra, no desenvolvimento de cenários e nos cálculos de estoque de carbono no InVEST. A proporção de área urbanizada, a cobertura de superfícies impermeáveis e a intensidade da luz noturna foram utilizadas como indicadores de urbanização da terra. A cobertura de superfícies impermeáveis e a intensidade da luz noturna funcionaram como proxies de sensoriamento remoto para intensidade de desenvolvimento e atividade humana. O NDVI foi incluído como um indicador ecológico nas análises econométricas espaciais subsequentes.
As variáveis topográficas e de localização incluíram elevação, declividade, distância às principais estradas, densidade de estradas e proximidade com rios principais. Essas variáveis foram utilizadas como fatores impulsionadores na simulação de uso da terra e como variáveis de controle em modelos econométricos espaciais. Em conjunto, representaram restrições do terreno, acessibilidade ao transporte e conectividade hidrológica.
As variáveis socioeconômicas incluíram densidade populacional e densidade de PIB, complementadas pela densidade da rede viária quando disponível. Essas variáveis foram utilizadas para caracterizar a intensidade do desenvolvimento e as pressões da atividade humana associadas às mudanças nos estoques de carbono. A estrutura de variáveis integrou indicadores de desenvolvimento territorial, pressão socioeconômica e contexto ecológico para representar os múltiplos fatores que influenciam a dinâmica dos estoques de carbono.
Um índice de intensidade de planejamento ecológico foi desenvolvido utilizando linhas vermelhas ecológicas, reservas naturais, zonas tampão de corpos d'água, áreas com restrição de declividade e outras regiões ambientalmente sensíveis. Este índice serviu tanto como uma camada de restrição em simulações futuras de uso da terra quanto como uma variável explicativa em análises econométricas espaciais.
Para a avaliação de estoque de carbono no InVEST, foram compilados quatro parâmetros de compartimentos de carbono para cada classe de uso da terra: carbono da biomassa acima do solo, carbono da biomassa abaixo do solo, carbono orgânico do solo e carbono da matéria orgânica morta. Os valores dos parâmetros foram obtidos a partir de estudos regionais publicados, documentos orientadores do InVEST e características locais de cobertura do solo, e foram mapeados para o sistema unificado de classificação de uso da terra. Estoque de carbono refere-se ao carbono total estimado contido nesses quatro compartimentos, enquanto densidade de estoque de carbono refere-se ao estoque de carbono por unidade de área.
As variáveis foram agrupadas em três categorias. A primeira categoria compreendia indicadores de urbanização da terra, incluindo a proporção de área construída, cobertura de superfícies impermeáveis e intensidade da luz noturna. A segunda categoria incluía variáveis ecológicas e de planejamento, tais como NDVI, intensidade de planejamento ecológico, elevação, declividade e proximidade hidrológica. A terceira categoria compreendia fatores socioeconômicos, incluindo densidade populacional, densidade de PIB e densidade de vias. Essas variáveis foram utilizadas para avaliar as relações entre urbanização da terra, planejamento ecológico e dinâmicas de estoque de carbono.
3. Identificação baseada em sensoriamento remoto da urbanização do solo
Os padrões espaço-temporais da urbanização da terra foram identificados utilizando três indicadores complementares: expansão da área construída, cobertura de superfícies impermeáveis e intensidade da luz noturna. A expansão da área construída foi extraída de mapas sequenciais de uso da terra para delimitar a extensão física e a progressão do desenvolvimento urbano a partir das áreas centrais construídas até as regiões circunvizinhas. A cobertura de superfícies impermeáveis foi calculada para quantificar a intensidade do desenvolvimento em nível de grade, enquanto os dados matriciais de intensidade da luz noturna foram processados e normalizados para representar a atividade humana e a concentração funcional. Essas camadas espaciais foram posteriormente integradas para construir o conjunto de dados histórico de urbanização da terra. Os indicadores combinados foram utilizados para identificar áreas de intensificação contínua do desenvolvimento, zonas de transição e regiões relativamente estáveis, bem como para avaliar a correspondência espacial entre o desenvolvimento físico da terra e a urbanização funcional.
Foi construída uma matriz de transição do uso da terra para quantificar a magnitude e a direção da conversão do uso da terra entre terras aráveis, florestas, pastagens, corpos d'água, áreas de construção e terras não utilizadas. Uma atenção especial foi dada às transições das classes de terra ecológica e agrícola para áreas de construção. A matriz foi utilizada para identificar os principais caminhos de conversão e as classes de terra de origem que mais contribuem para a expansão urbana.
A análise de padrões da paisagem foi realizada para avaliar as alterações estruturais associadas à urbanização da terra. As métricas incluíram densidade de fragmentos, densidade de bordas, índice de forma da paisagem e indicadores relacionados à fragmentação. Essas métricas foram calculadas para cada período de estudo e utilizadas para quantificar as mudanças na configuração da paisagem, na continuidade espacial e na fragmentação associadas à expansão das áreas edificadas.
4. Projeto de cenários de planejamento ecológico e simulação de uso da terra
Padrões futuros de uso da terra foram simulados utilizando o modelo de Simulação de Uso da Terra Gerador de Fragmentos (PLUS) em quatro cenários de planejamento: desenvolvimento natural (ND), proteção ecológica (EP), proteção de terras agrícolas (CP) e otimização de baixo carbono (LC). As premissas dos cenários, regras de conversão de uso da terra, tipos de terra restritos e os resultados esperados de estoque de carbono são resumidos na Tabela 2.
Tabela 2: Regras de controle de cenário e restrições de transição. A tabela define as probabilidades de conversão de uso da terra e as restrições espaciais para os cenários de desenvolvimento natural (ND), proteção ecológica (EP), proteção de áreas agrícolas (CP) e otimização de baixo carbono (LC). Observações: as abreviações dos cenários correspondem rigorosamente às utilizadas na modelagem PLUS e nas seções de Resultados. As configurações dos cenários definem regras de conversão orientadas por políticas e tipos de terra restritos utilizados nas simulações; todas as zonas de exclusão estatutárias permaneceram não conversíveis nas camadas espaciais finais. Clique aqui para baixar esta tabela.
Mapas históricos de uso da terra e variáveis espaciais de condução foram integrados ao modelo PLUS para estimar probabilidades de transição de terra de referência utilizando o módulo de autômatos celulares (CA). Para os cenários de proteção ecológica (EP), proteção de terras agrícolas (CP) e otimização de baixo carbono (LC), linhas vermelhas ecológicas, terras agrícolas básicas permanentes, zonas tampão ao redor de corpos d'água e outras restrições de planejamento foram incorporadas como camadas espaciais de restrição para limitar a conversão de terras de acordo com as regras predefinidas dos cenários. Quantidades de demanda de terra-alvo para 2030 foram posteriormente definidas para cada cenário, e o módulo CA foi executado utilizando 50 réplicas estocásticas para gerar as projeções finais de uso da terra.
A simulação do uso da terra foi realizada utilizando o modelo PLUS e sua estrutura de autômatos celulares (CA) com geração estocástica de fragmentos de múltiplos tipos. Mapas históricos de uso da terra e variáveis ambientais e socioeconômicas condutoras foram utilizados para estimar as probabilidades de expansão da terra para cada classe de uso da terra. As quantidades futuras de demanda de terra foram então especificadas de acordo com os requisitos de cada cenário de planejamento, e os mapas correspondentes de uso da terra foram gerados para o período-alvo da simulação.
O desempenho do modelo foi avaliado por meio de retroprojeção histórica antes da simulação futura. Mapas anteriores de uso da terra e variáveis associadas de drivers foram utilizados para simular um mapa observado posterior de uso da terra. A concordância entre as distribuições simuladas e observadas de uso da terra foi avaliada utilizando a acurácia geral (AG), o coeficiente Kappa e a Figura de Mérito (FoM). A validação foi realizada tanto no nível geral quanto por classes principais de uso da terra. A retroprojeção histórica de 2010 a 2020 apresentou uma acurácia geral (AG) de 93,4%, um coeficiente Kappa de 0,89 e uma Figura de Mérito (FoM) de 0,26, indicando uma capacidade altamente confiável de projeção espacial nas simulações subsequentes de múltiplos cenários.
Análises de incerteza e sensibilidade foram conduzidas para avaliar a robustez dos resultados da simulação. As análises de sensibilidade do PLUS examinaram os efeitos de diferentes configurações de resistência à transição e parâmetros de peso de vizinhança para as principais classes de uso da terra. As análises de sensibilidade do InVEST avaliaram a influência da variação dos coeficientes dos estoques de carbono entre os diferentes tipos de uso da terra. As análises de sensibilidade econométricas espaciais compararam especificações alternativas da matriz de pesos espaciais. Essas análises foram utilizadas para verificar se as classificações dos cenários e a direção dos principais efeitos da urbanização e do planejamento ecológico permaneceram consistentes sob diferentes configurações de parâmetros. Especificamente, a estabilidade dos resultados foi rigorosamente confirmada: as classificações dos cenários e os efeitos negativos de derrapagem espacial da urbanização da terra permaneceram inalterados quando os parâmetros de resistência à transição e os coeficientes dos estoques de carbono foram perturbados em ±15%.
5. Avaliação do estoque de carbono
O estoque de carbono foi avaliado utilizando o modelo de carbono InVEST. Parâmetros de referência para os quatro reservatórios de carbono (biomassa acima do solo, biomassa abaixo do solo, carbono orgânico do solo e matéria orgânica morta) foram atribuídos a cada tipo de uso da terra reclassificado, utilizando os valores biofísicos resumidos na Tabela 3. Mapas históricos de uso da terra (2000–2020) e conjuntos de dados matriciais de uso da terra futuros simulados pelo PLUS foram então importados para o modelo e integrados com os respectivos parâmetros de densidade de carbono. O modelo foi posteriormente executado para estimar o estoque total de carbono regional (Tg C), a densidade de estoque de carbono por grade (Mg C/ha) e mapas espaciais de mudança no estoque de carbono (ΔC) para os cenários histórico e futuro.
Os mapas de uso da terra reclassificados foram vinculados aos valores paramétricos correspondentes das reservas de carbono de referência relatados na Tabela 3. A sensibilidade das estimativas de estoque de carbono às incertezas dos parâmetros foi testada ajustando esses valores de referência em ±15%, com resultados detalhados de sensibilidade. O modelo foi utilizado para calcular o estoque total de carbono, a densidade de estoque de carbono e a alteração no estoque de carbono para cada classe de uso da terra sob condições históricas e cenários futuros de planejamento.
Três categorias de resultados foram avaliadas. Primeiro, o estoque total de carbono regional e as tendências temporais foram calculados para quantificar a magnitude e a direção da mudança no estoque de carbono ao longo do tempo. Segundo, as distribuições espaciais do estoque de carbono e da alteração no estoque de carbono foram mapeadas para identificar áreas de retenção e perda de carbono. Terceiro, as estimativas de estoque de carbono foram comparadas entre cenários de planejamento para avaliar os efeitos relativos das estratégias de proteção ecológica, proteção de terras agrícolas e otimização de baixo carbono na conservação do estoque de carbono.
Tabela 3: Parâmetros de reservatórios de carbono na linha de base para diferentes tipos de uso da terra. A tabela apresenta o carbono da biomassa acima do solo, o carbono da biomassa abaixo do solo, o carbono orgânico do solo, o carbono da matéria orgânica morta e a densidade total de carbono utilizados no módulo de estoque de carbono do InVEST. As unidades são Mg C/ha. Notas: Os valores representam os parâmetros de linha de base utilizados no modelo InVEST. A densidade total de carbono equivale à soma dos quatro reservatórios de carbono. Análises de sensibilidade que alteram esses valores de linha de base em ±15% são apresentadas na Tabela 6. Clique aqui para baixar esta tabela.
6. Autocorrelação espacial e análise econométrica espacial
A análise de autocorrelação espacial foi realizada para determinar se o estoque de carbono e a alteração no estoque de carbono exibiam dependência espacial significativa. O índice global de Moran foi calculado para avaliar o grau geral de agrupamento espacial na distribuição do estoque de carbono e na alteração do estoque de carbono em toda a área de estudo. O índice de Moran local foi então utilizado para identificar padrões locais de associação espacial, incluindo agrupamentos alto-alto, baixo-baixo, alto-baixo e baixo-alto. A análise de hotspots foi realizada para identificar áreas com perda concentrada de carbono e retenção do estoque de carbono.
Modelos econométricos espaciais foram utilizados para examinar as relações entre urbanização da terra, planejamento ecológico, condições ambientais, fatores socioeconômicos e dinâmicas do estoque de carbono. A densidade do estoque de carbono ou a alteração no estoque de carbono serviram como variável dependente. As variáveis explicativas incluíram o índice de urbanização da terra, proporção de área construída, intensidade de planejamento ecológico, índice de vegetação por diferença normalizada (NDVI), densidade populacional, densidade de PIB, densidade de estradas, elevação, declividade, precipitação média anual e temperatura média anual.
A regressão de mínimos quadrados ordinários (OLS) foi utilizada como modelo de referência. A dependência espacial dos resíduos foi avaliada antes da estimação dos modelos autorregressivos espaciais (SAR), de erro espacial (SEM) e de Durbin espacial (SDM). O desempenho dos modelos e as estimativas dos coeficientes foram comparados entre as especificações.
Uma matriz espacial padronizada por linha foi construída para representar as relações de vizinhança entre unidades administrativas. A especificação principal baseou-se na contiguidade espacial, e análises de robustez compararam matrizes espaciais alternativas baseadas em distância e nos vizinhos mais próximos, quando disponíveis.
Os efeitos diretos, indiretos e totais foram calculados a partir do modelo de equações estruturais espaciais (SDM) para avaliar as relações locais e de derramamento espacial. Variáveis de terreno, acessibilidade, vegetação, clima e variáveis socioeconômicas foram incluídas como controles para reduzir o viés de variável omitida. Os coeficientes do modelo foram interpretados como associações espaciais condicionais, e não como efeitos causais definitivos. Variáveis com valores-p acima dos limiares convencionais de significância foram interpretadas como evidência fraca ou sugestiva e não foram consideradas efeitos estatisticamente robustos.
Resultados
Identificação baseada em sensoriamento remoto da urbanização da terra
Com base nos resultados da identificação por sensoriamento remoto em múltiplos períodos, a área de estudo sofreu uma intensificação significativa da urbanização da terra entre 2000 e 2020, acompanhada pela reestruturação dos padrões de uso da terra e pela reconfiguração das configurações da paisagem. De modo geral, a expansão das áreas construídas apresentou um padrão de expansão concêntrica irradiando-se das áreas urbanas centrais para as zonas periféricas. Aumentos simultâneos na intensidade das atividades humanas e nos níveis de impermeabilidade da superfície indicam que o desenvolvimento acelerado não apenas alterou a estrutura quantitativa do uso da terra, mas também reconfigurou profundamente os padrões de organização espacial regional.
Os resultados da identificação da urbanização do solo, exemplificados pelo subconjunto representativo de Ürümqi na Figura 2A, demonstram claramente as trajetórias de expansão em fases do uso do solo para construção entre 2000 e 2020. Em 2000, o solo construído estava concentrado principalmente nas áreas urbanas centrais, com configurações espaciais relativamente compactas. Em 2010, a expansão periférica havia se intensificado significativamente, formando zonas de transição ao redor das áreas centrais. Em 2020, o solo construído havia ultrapassado os limites compactos originais, expandindo-se em múltiplas direções e formando manchas de expansão dispersas e distantes das zonas centrais, refletindo padrões típicos de expansão externa e tendências de difusão multicêntrica. De acordo com esses padrões de expansão, a Figura 2B mostra um gradiente acentuado do centro para a periferia na cobertura de superfícies impermeáveis na área de estudo em 2020. Os valores mais altos foram observados nas áreas urbanas centrais e nas regiões adjacentes já edificadas, indicando que a intensidade de impermeabilização da superfície e a intensidade de desenvolvimento foram mais acentuadas nas zonas funcionais centrais. Embora as áreas periféricas tenham mantido cobertura geralmente baixa, surgiram várias manchas de alto valor ao longo dos corredores de transporte e em nós urbanos secundários, demonstrando que a impermeabilização havia se expandido para além dos centros urbanos por meio de efeitos de derramamento do desenvolvimento para as áreas circunvizinhas. A Figura 2C revela que as regiões com os maiores aumentos na intensidade da iluminação noturna entre 2000 e 2020 estiveram predominantemente concentradas nas áreas urbanas centrais, ao longo dos principais eixos radiais de transporte que se estendem para fora e em diversos nós periféricos de crescimento.
Do ponto de vista temporal, Figura 2D resume ainda as tendências ascendentes consistentes dos três indicadores de urbanização da terra entre 2000 e 2020. Para facilitar a comparação direta entre indicadores com unidades e escalas intrínsecas distintas, os valores brutos de cada indicador foram padronizados utilizando uma abordagem de normalização min-max, ajustando-os a uma faixa uniforme de 0–1:
Após este procedimento de normalização, a proporção de áreas edificadas manteve a taxa de crescimento relativo mais alta (com sua média regional bruta aumentando de 3,2% ± 1,4% DP em 2000 para 8,7% ± 3,1% DP em 2020), indicando que a expansão do desenvolvimento territorial atuou como a manifestação espacial mais direta durante este período. A proporção de superfícies impermeáveis aumentou rapidamente (de 2,8% ± 1,2% DP em 2000 para 7,9% ± 2,8% DP em 2020), refletindo o significativo endurecimento da superfície associado às novas áreas de desenvolvimento. Embora a intensidade da iluminação noturna tenha começado em um nível relativamente baixo, seu crescimento tornou-se mais acentuado posteriormente, indicando aumentos acelerados na concentração de atividades humanas e na melhoria funcional.
Figura 2: Padrões de evolução espatiotemporal da urbanização do solo. (A) Trajetórias de expansão por fases da área construída (2000–2020); (B) Distribuição espacial da cobertura de superfícies impermeáveis em 2020 (%); (C) Variações na intensidade da luz noturna (NTL) entre 2000 e 2020 (nW/cm2/sr). (D) Tendências temporais dos três indicadores principais de urbanização do solo analisados neste estudo (área construída, fração de superfície impermeável e intensidade de luz noturna). As linhas de tendência representam as médias regionais dos valores dos índices normalizados por min-max (escalonados de 0 a 1 para visualização comparativa), calculadas em todas as n = 105 unidades administrativas municipais da área de estudo. Clique aqui para visualizar uma versão ampliada desta figura.
Os resultados das mudanças históricas no uso da terra revelam ainda mais os processos específicos de urbanização da terra. O fluxograma de transferência do uso da terra na Figura 3A indica que a conversão mais significativa durante o período de estudo foi de terras agrícolas para áreas de construção, a tendência predominante entre todos os principais caminhos de conversão. Embora parte das florestas, pastagens e corpos d'água também tenha sofrido graus variados de conversão, o padrão geral foi dominado pela saída de terras agrícolas. Concomitantemente, foram observados fluxos bidirecionais entre terras agrícolas e florestas, bem como entre pastagens e outros tipos de terra, indicando que, em meio ao rápido desenvolvimento, os sistemas de uso da terra passam por uma reorganização de múltiplos tipos impulsionada pela expansão urbana, e não por uma evolução unidirecional. No entanto, a análise dos padrões de distribuição espacial e das larguras dos fluxos revela que as áreas de construção permanecem a categoria principal de fluxo líquido positivo, confirmando ainda mais o papel dominante da expansão do desenvolvimento na área de estudo ao longo das últimas duas décadas.
A análise da matriz na Figura 3B fornece uma representação mais quantitativa da intensidade de conversão do uso da terra ao longo de diferentes períodos de tempo. As áreas de alto valor estão predominantemente concentradas em unidades de conversão relacionadas à agricultura, com a conversão mais significativa ocorrendo de terras agrícolas para áreas de construção, indicando que o uso não agrícola de terras agrícolas é a principal manifestação da mudança no uso da terra na área de estudo. Uma proporção considerável de áreas de construção também mantém continuidade espacial e estabilidade dentro de seus limites, refletindo a expansão contínua das zonas de desenvolvimento existentes, ao mesmo tempo que preserva forte integridade espacial. Em contraste, embora a escala de conversão de florestas, pastagens e corpos d'água permaneça relativamente pequena, a invasão localizada por áreas de construção sobre essas áreas ecológicas merece atenção.
No nível do padrão da paisagem, Figura 3C mostra um aumento sustentado dos índices de paisagem ao longo de 2000, 2010 e 2020, com a densidade de fragmentos, densidade de borda, índice de forma da paisagem e índice de fragmentação atingindo seu pico em 2020. Isso indica que, com o avanço da urbanização, a estrutura da paisagem da área de estudo evoluiu de um padrão inicialmente relativamente intacto e bem definido para uma configuração espacial mais fragmentada, complexa e descontínua. Notavelmente, o aumento na densidade de borda e na complexidade da forma caracteriza quantitativamente uma configuração geométrica mais irregular e complexa dos fragmentos de terra construída recém-expandidos.
Figura 3: Mudança histórica no uso da terra e reestruturação do padrão da paisagem. (A) Diagrama de Sankey ilustrando os fluxos de transição do uso da terra em alta resolução e os principais caminhos de conversão entre 2000 e 2020. (B) Matriz de conversão do uso da terra quantificando a área de transição espacial entre as seis classes de uso da terra (km2). (C) Gráfico de radar mostrando as mudanças nos índices paisagísticos principais (Densidade de Fragmentos, Densidade de Borda, Índice de Forma da Paisagem e Índice de Fragmentação) ao longo dos períodos de 2000, 2010 e 2020. Todos os rótulos e valores de fluxo foram dimensionados para máxima legibilidade. Clique aqui para visualizar uma versão ampliada desta figura.
Projeto de cenários de planejamento ecológico e simulação de uso da terra
Quando combinados com as regras de controle de cenário estabelecidas na Tabela 2, os resultados da simulação de uso da terra sob diferentes orientações de planejamento ecológico mostram padrões distintos de diferenciação. O cenário de desenvolvimento natural tende a manter a inércia histórica de expansão, enquanto o cenário de proteção ecológica enfatiza restrições rígidas sobre linhas vermelhas ecológicas e zonas sensíveis. O cenário de proteção de terras agrícolas prioriza a manutenção da continuidade espacial da agricultura, ao passo que o cenário de otimização de baixo carbono enfatiza um desenvolvimento equilibrado entre urbanização compacta e coordenação ecológica. Esses resultados indicam que variações nas regras de planejamento alteram quantitativamente a área simulada de novas terras construídas e reconfiguram a distribuição espacial de fragmentos ecológicos e agrícolas nos quatro cenários.
Focando no subconjunto representativo de Urumqi, os resultados da simulação espacial do modelo PLUS indicam que o cenário de desenvolvimento natural (ND), mostrado na Figura 4A, exibe a tendência mais acentuada de expansão da construção. A nova área construída estende-se principalmente para fora da periferia das áreas já urbanizadas, formando amplas zonas de expansão em múltiplas direções, o que indica que o crescimento urbano permanece predominantemente uma expansão lateral sob fracos limites regulatórios. Esse padrão de expansão invade diretamente as terras agrícolas e as zonas ecológicas de transição ao redor das áreas urbanas centrais, fragmentando ainda mais os limites urbanizados. Em contraste, o cenário de proteção ecológica (EP), representado na Figura 4B, mostra uma redução significativa no uso de novas terras para construção, com a expansão restrita a um número limitado de lotes aproveitáveis próximos às áreas urbanas centrais, enquanto as florestas periféricas, corredores aquáticos e zonas tampão ecológicas permanecem amplamente preservados.
Em termos de coordenação entre proteção agrícola e desenvolvimento, o cenário de proteção de terras agrícolas (CP) apresentado na Figura 4C exibe restrições espaciais distintas das do EP. Neste cenário, grandes áreas agrícolas periféricas permanecem amplamente intactas, com atividades de construção novas concentradas principalmente nas bordas das áreas já edificadas e em nós locais de desenvolvimento, demonstrando uma intensidade de expansão intermediária entre ND e EP. Por outro lado, o cenário de otimização de baixo carbono (LC) mostrado na Figura 4D demonstra um padrão de crescimento mais compacto. A nova área de construção não se espalha extensivamente para fora, mas é relativamente concentrada ao longo dos principais eixos de desenvolvimento e nas periferias das áreas urbanas existentes, exibindo limites de expansão direcional e configurações espaciais mais regulares.
Figura 4: Distribuição espacial dos padrões futuros de uso da terra simulados pelo PLUS sob diferentes cenários de planejamento ecológico, ilustrados usando o subconjunto da região metropolitana de Urumqi. (A) Cenário de desenvolvimento natural (ND), mostrando a inércia da expansão histórica. (B) Cenário de proteção ecológica (EP), enfatizando restrições espaciais rigorosas. (C) Cenário de proteção de terras agrícolas (CP), priorizando a continuidade agrícola. (D) Cenário de otimização de baixo carbono (LC), refletindo padrões de crescimento compactos. Clique aqui para visualizar uma versão ampliada desta figura.
Avaliação do estoque de carbono
Tabela 3 apresenta os parâmetros de densidade de carbono de referência entre os diferentes tipos de uso da terra. A floresta apresentou a maior densidade total de carbono (144,9 Mg C/ha), impulsionada principalmente pelo carbono orgânico do solo (94,5 Mg C/ha) e pela biomassa acima do solo (36,8 Mg C/ha). Pastagens e áreas cultivadas exibiram densidades moderadas de carbono total, de 88,9 Mg C/ha e 82,1 Mg C/ha, respectivamente. Em contraste, superfícies artificiais e não vegetadas apresentaram valores significativamente mais baixos, com áreas edificadas em 29,4 Mg C/ha e áreas não utilizadas em 19,7 Mg C/ha.
Do ponto de vista dos padrões de evolução histórica, Figura 5A demonstra uma reorganização espacial significativa do estoque de carbono na área de estudo entre 2000, 2010 e 2020. Em 2000, as regiões de alta densidade de carbono estavam principalmente concentradas nas zonas ecológicas periféricas, exibindo um padrão geral de concentrações mais altas na periferia e valores mais baixos no centro. Em 2010, o estoque total de carbono na região inicialmente diminuiu à medida que a expansão urbana invadiu os espaços ecológicos, embora algumas áreas periféricas localizadas tenham temporariamente mantido níveis elevados de estoque de carbono. Em 2020, essa tendência descendente acelerou-se significativamente; o gradiente de cor geral clareou e as áreas de alto valor encolheram notavelmente, indicando uma diminuição contínua e substancial do estoque total de carbono regional e uma redução na continuidade espacial dos fragmentos com alto teor de carbono.
Conforme ilustrado na Figura 5B, o cenário ND apresentou a menor densidade mediana de carbono (72,4 Mg C/ha, IIQ = 14,6 Mg C/ha). Os cenários EP e CP produziram densidades medianas mais altas de 86,8 Mg C/ha (IIQ = 12,3 Mg C/ha) e 81,2 Mg C/ha (IIQ = 15,8 Mg C/ha), respectivamente. A distribuição espacial das alterações nos estoques de carbono (ΔC) na Figura 5C indica que as perdas de carbono (ΔC negativo) são geograficamente amplas no cenário ND. Em contrapartida, os valores positivos de ΔC estão concentrados em zonas ecológicas periféricas no cenário EP, enquanto o cenário LC exibe uma distribuição espacialmente heterogênea de ganhos e perdas localizados de carbono.
Figura 5D revela ainda a composição da origem do estoque total de carbono e suas alterações ao longo dos períodos históricos e cenários futuros, a partir da perspectiva das estruturas de contribuição por tipo de uso da terra. Tanto os períodos históricos quanto os projetados mostram consistentemente que as terras florestais e as pastagens permanecem como as principais contribuintes para o estoque total de carbono, seguidas pelas terras aráveis, enquanto as áreas urbanizadas, corpos d'água e terras não utilizadas contribuem relativamente menos. As comparações entre cenários futuros indicam que o cenário EP alcança o maior estoque total de carbono, enquanto o cenário ND apresenta o menor, com os cenários CP e LC situando-se entre eles. Esse padrão está fortemente alinhado aos diferentes graus de manutenção de usos da terra ecológicos com alta densidade de carbono nos diversos cenários.
Figura 5: Dinâmica histórica e baseada em cenários do estoque de carbono. (A) Distribuição espacial do estoque total de carbono (Tg C) e da densidade de estoque de carbono (Mg C/ha) em 2000, 2010 e 2020. (B) Gráfico de violino da distribuição da densidade de carbono (Mg C/ha) entre diferentes cenários. (C) Distribuição espacial das mudanças no estoque de carbono (ΔC, Mg C/ha) sob cenários futuros em relação à linha de base de 2020. (D) Contribuição dos diferentes tipos de uso da terra para o estoque total de carbono (Tg C). Os gráficos de violino mostram a densidade de probabilidade da densidade de estoque de carbono (n = 105 unidades administrativas por cenário). As linhas horizontais grossas internas indicam a mediana, e as linhas tracejadas representam a amplitude interquartil (IQR). Os asteriscos no painel B denotam a significância estatística das diferenças entre o cenário de desenvolvimento natural (ND) e os demais cenários simulados, determinada pelo teste H de Kruskal-Wallis (* p < 0,05, ** p < 0,01, *** p < 0,001). Clique aqui para visualizar uma versão maior desta figura.
Autocorrelação espacial e análise econométrica espacial
Do ponto de vista dos padrões de agregação espacial, Figura 6A revela autocorrelação espacial local significativa nas variações do estoque de carbono em toda a área de estudo. As zonas de agregação alto-alto estão predominantemente concentradas na faixa central-norte de desenvolvimento principal, indicando que essas regiões e unidades adjacentes geralmente exibem características de aumento co-direcional do estoque de carbono com forte interconectividade espacial. As zonas de agregação baixo-baixo são mais prevalentes nas regiões sul e periféricas, refletindo amplitudes relativamente baixas na variação do estoque de carbono e estabilidade espacial. Em contraste, os tipos de agregação alto-baixo e baixo-alto são relativamente limitados, ocorrendo principalmente entre zonas centrais e zonas de transição periféricas, sugerindo fenômenos acentuados de desalinhamento espacial e transição de limite em áreas localizadas.
A análise de hotspots na Figura 6B revela ainda o padrão de polarização espacial das alterações no estoque de carbono. Hotspots significativos estão predominantemente distribuídos por várias unidades nas regiões central e nordeste, indicando que essas áreas enfrentam coletivamente alta pressão de perda de carbono e são zonas sensíveis com atividades concentradas de desenvolvimento territorial. Em contraste, cold spots significativos concentram-se nas regiões oeste e sul, refletindo maior capacidade de retenção do estoque de carbono ou menor perturbação por desenvolvimento. Além disso, a análise de regressão OLS bivariada na Figura 6C revela que aumentos maiores no índice de urbanização estão associados a taxas de alteração do estoque de carbono cada vez mais negativas, indicando perdas progressivamente maiores de carbono. Isso é consistente com os coeficientes SDM negativos relatados na Tabela 4.
Figura 6: Autocorrelação espacial e análise de acoplamento do estoque de carbono. (APadrões de Indicadores Locais de Associação Espacial (LISA) das variações no estoque de carbono; a estatística final de Moran Global I e o valor de p são apresentados no painel.BDistribuição de pontos quentes e pontos frios das alterações no estoque de carbono.C) Relação de acoplamento entre o índice abrangente de urbanização da terra e a taxa de variação do estoque de carbono. O gráfico de dispersão exibe uma correlação negativa estatisticamente significativa (Pearson) r = -0.612, R2 = 0.375, p < 0,001), acompanhado pela equação de regressão OLS exibida (y = -5,42× - 1,25) e uma banda de confiança de 95%, confirmando a relação empírica observada nos modelos espaciais. LISA = Indicadores Locais de Associação Espacial. Clique aqui para visualizar uma versão maior desta figura.
Tabela 4: Resultados da estimação de modelos econométricos espaciais. A tabela compara os resultados dos modelos de mínimos quadrados ordinários (MQO), autoregressivo espacial (SAR), erro espacial (SEM) e Durbin espacial (SDM) para os efeitos das variáveis de urbanização, planejamento ecológico, vegetação, fatores socioeconômicos, acessibilidade, relevo e clima sobre a densidade de estoque de carbono. Os valores-p são informados entre parênteses. Observações: Os valores-p são informados entre parênteses. Níveis de significância: *p < 0,05, **p < 0,01, ***p < 0,001. Todos os modelos econométricos espaciais (SAR, SEM, SDM) foram estimados utilizando uma matriz de pesos espaciais padronizada por linha do tipo vizinhança tipo Rainha, com base em painel balanceado de n = 105 unidades ao nível de município ao longo de 3 períodos (N total = 315 observações). Clique aqui para baixar esta tabela.
Os resultados das medições apresentados na Tabela 4 demonstram que os modelos espaciais superam o referencial OLS, indicando dependência espacial na dinâmica do estoque de carbono e apoiando o uso de modelos econométricos espaciais. O índice de urbanização da terra apresenta um efeito direto negativo no modelo SDM (−0,231, p = 0,008), efeito indireto (−0,117, p = 0,041) e efeito total (−0,348, p = 0,001), sugerindo que o aumento da intensidade de desenvolvimento está associado à menor densidade de estoque de carbono tanto localmente quanto em unidades vizinhas. A proporção de área construída, densidade de estradas, altitude, declividade, NDVI e intensidade do planejamento ecológico apresentam efeitos estatisticamente significativos em níveis convencionais em pelo menos um componente do modelo. A densidade do PIB, por outro lado, apresenta um efeito total negativo fraco (−0,132, p = 0,083) e efeitos direto e indireto não significativos; portanto, é interpretada como evidência sugestiva e não robusta.
A comparação dos coeficientes entre modelos em Figura 7A indica que o índice de urbanização da terra e a intensidade do planejamento ecológico mantêm sinais consistentes nos modelos OLS, SAR, SEM e SDM, enquanto as magnitudes e significâncias de algumas variáveis de controle variam entre os modelos. Conforme detalhado em Figura 7B, C, os resultados do modelo SDM indicam que o índice de urbanização da terra exerce um efeito direto negativo significativo (-0,231, p = 0,008) e um efeito indireto de derramamento negativo (-0,117, p = 0,041) sobre a densidade de estoque de carbono, resultando em um efeito total de -0,348 (p = 0,001). Em contrapartida, a intensidade do planejamento ecológico demonstra efeitos diretos (0,149, p = 0,021) e indiretos (0,096, p = 0,038) positivos, gerando um efeito total de 0,245 (p = 0,005) (Tabela 5 e Tabela 6). Além disso, a análise de interação em Figura 7D ilustra o efeito moderador: a inclinação negativa da curva do efeito marginal entre o índice de urbanização e a densidade de estoque de carbono aplaina-se significativamente em níveis mais altos de intensidade de planejamento ecológico (limite superior do IC de 95%).
Figura 7: Mecanismos impulsionadores e efeitos de derramamento espacial. (A) Comparação dos coeficientes entre modelos para as variáveis explicativas principais. As barras de erro representam os intervalos de confiança (IC) de 95% dos coeficientes padronizados. (B) Decomposição dos efeitos diretos, indiretos e totais da urbanização da terra e do planejamento ecológico. (C) Distribuição espacial empírica dos efeitos indiretos locais de derramamento da urbanização da terra nas 105 unidades municipais do Xinjiang. (D) Efeito moderador da intensidade do planejamento ecológico na relação entre urbanização e densidade de estoque de carbono (Mg C/ha), com as regiões sombreadas indicando o IC de 95%. SAR = modelo autorregressivo espacial; SEM = modelo de erro espacial; SDM = modelo de Durbin espacial. Os símbolos de significância no painel B indicam os valores de p dos coeficientes estimados e dos efeitos marginais, derivados das estatísticas z dos respectivos modelos econométricos espaciais (* p < 0,05, ** p < 0,01, *** p < 0,001). Clique aqui para visualizar uma versão maior desta figura.
Tabela 5: Métricas de desempenho e validação do modelo para a simulação de uso da terra PLUS (retroprojeção de 2010–2020). As métricas foram calculadas comparando o mapa real de uso da terra de 2020 com o mapa de uso da terra de 2020 simulado utilizando dados de referência de 2010. Um Kappa global > 0,80 e um FoM > 0,20 indicam concordância substancial e alta confiabilidade nas projeções espaciais. Clique aqui para baixar esta tabela.
Tabela 6: Análise de sensibilidade e robustez do fluxo de trabalho integrado. Parâmetros-chave da simulação PLUS, da avaliação de carbono do InVEST e das análises econométricas espaciais foram variados para avaliar a robustez das saídas do modelo. A tabela resume o parâmetro testado, a faixa de perturbação ou especificação alternativa, o impacto observado nos resultados principais e a avaliação de estabilidade resultante. Clique aqui para baixar esta tabela.
DISPONIBILIDADE DE DADOS:
Os materiais computacionais processados que apoiam este estudo, incluindo os dados tabulados que fundamentam as análises quantitativas e figuras selecionadas, os parâmetros de configuração do modelo PLUS, a tabela de parâmetros de reservatórios de carbono do InVEST e os scripts de econometria espacial, foram depositados no repositório Zenodo (https://zenodo.org/records/21159171). Os materiais computacionais depositados são suficientes para reproduzir as análises estatísticas e os resultados quantitativos apresentados neste estudo.
Discussão
Este estudo apresenta um fluxo de trabalho analítico integrado que combina a identificação da urbanização da terra baseada em sensoriamento remoto, simulação de uso da terra em múltiplos cenários com o PLUS, avaliação de estoques de carbono com o InVEST e modelagem econométrica espacial para analisar as relações entre urbanização da terra, planejamento ecológico e dinâmicas de estoque de carbono no Xinjiang, noroeste da China. Em vez de tratar esses componentes como exercícios técnicos separados, o fluxo de trabalho integra a conversão da terra observada, alternativas futuras de planejamento, consequências para os reservatórios de carbono e mecanismos de derramamento espacial em uma única sequência reproduzível.
A análise espaço-temporal revela que a urbanização da terra na área de estudo seguiu uma trajetória de expansão centrífuga entre 2000 e 2020, passando de um crescimento compacto e concentrado em áreas centrais para uma expansão multidirecional e policêntrica. Esse padrão está alinhado à literatura mais ampla sobre urbanização, que documenta o desenvolvimento saltado em regiões de rápida industrialização, onde investimentos em infraestrutura e aglomeração econômica empurram simultaneamente os limites do desenvolvimento para fora. Criticamente, o principal caminho de conversão de uso da terra — de terras agrícolas para áreas edificadas — confirma que as terras agrícolas continuam a suportar o maior impacto da expansão urbana, um resultado coerente com estudos sobre dinâmicas fundiárias periurbanas na China e em outras economias em desenvolvimento. No entanto, ao contrário das megarregiões altamente integradas do leste da China, a urbanização no Xinjiang é estritamente limitada pelos limites das oásis e pela disponibilidade de água. Consequentemente, essa expansão ameaça de forma desproporcional as escassas terras aráveis e as zonas de transição ecológica adjacentes a corredores hidrológicos vitais, tornando os processos locais do ciclo do carbono inerentemente mais vulneráveis a perturbações decorrentes do desenvolvimento. O aumento simultâneo da fração de superfícies impermeáveis e da intensidade da luz noturna sugere ainda que a expansão física e a intensificação funcional estão avançando em paralelo, indicando que, neste contexto, a urbanização do solo envolve não apenas um crescimento real, mas também uma transformação estrutural aprofundada da paisagem regional2.
Os resultados da simulação de cenários demonstram que a orientação do planejamento ecológico exerce influência substancial sobre a configuração espacial do uso futuro da terra e, por extensão, sobre os resultados de estoque de carbono regional18. O cenário de desenvolvimento natural produz as perdas mais acentuadas de carbono, impulsionadas pela expansão descontrolada para áreas ecológicas com alta densidade de carbono. Em contraste, o cenário de proteção ecológica mantém os níveis mais altos de estoque de carbono mediante a imposição de restrições espaciais rigorosas ao redor de florestas, zonas úmidas e áreas tampão fluviais19. O cenário de otimização de baixo carbono, embora não iguale o cenário de proteção ecológica na retenção absoluta de estoque de carbono, alcança um resultado mais equilibrado ao concentrar o crescimento ao longo dos corredores de desenvolvimento existentes e longe de áreas ecologicamente sensíveis. Esses resultados diferenciados destacam uma compensação fundamental no planejamento: a intensidade e o direcionamento espacial das restrições ecológicas determinam diretamente quanto capital de carbono uma região em rápido desenvolvimento pode preservar diante das pressões de crescimento20,21.
Os parâmetros de estoque de carbono reforçam ainda mais essa interpretação. A disparidade substancial na capacidade de sequestro de carbono entre espaços ecológicos naturais e superfícies artificiais indica que cada unidade de área florestada perdida para a conversão urbana representa um passivo de carbono desproporcionalmente elevado. A dominância persistente de florestas e campos no orçamento regional de carbono, combinada com sua vulnerabilidade comprovada à expansão urbana, posiciona a proteção das terras ecológicas como um pilar fundamental de qualquer estratégia de governança espacial de baixo carbono3.
Os resultados da econometria espacial ampliam os achados do sensoriamento remoto e do InVEST ao mostrar que as perdas de estoque de carbono não são apenas consequências locais da cobertura do solo. Os resultados do modelo de difusão espacial (SDM) indicam que a urbanização da terra exerce um efeito direto negativo significativo sobre a densidade local de estoque de carbono, combinado com um acentuado efeito indireto de derramamento negativo sobre unidades administrativas vizinhas. O efeito indireto negativo da urbanização da terra pode ser interpretado por meio de três mecanismos plausíveis transfronteiriços. Primeiro, a pressão por desenvolvimento pode ser deslocada de unidades centrais altamente reguladas ou saturadas para zonas adjacentes de agricultura e transição ecológica. Segundo, corredores de transporte e cadeias industriais podem transmitir a demanda por desenvolvimento imobiliário para além de um único limite administrativo, provocando perdas de estoque de carbono em unidades vizinhas. Terceiro, a fragmentação de corredores ecológicos pode reduzir a continuidade de áreas com alto carbono e enfraquecer a capacidade de estoque de carbono nas redondezas. Em contrapartida, a intensidade do planejamento ecológico demonstra um impacto geral positivo robusto, indicando que restrições rigorosas de planejamento não apenas amortecem a perda de estoque de carbono localmente, mas também potencializam sinergicamente a retenção regional de estoque de carbono quando a governança espacial ecológica é coordenada entre fronteiras administrativas22,23.
Aplicações para políticas públicas
Os resultados possuem aplicações diretas para o planejamento espacial territorial. Primeiro, as políticas de linhas ecológicas de proteção e de zonas tampão fluviais devem priorizar fragmentos florestais e campestres com alto estoque de carbono, pois sua conversão gera perdas desproporcionalmente grandes nos estoques de carbono. Segundo, o crescimento compacto e os controles de desenvolvimento orientados ao transporte podem reduzir a expansão sobre áreas agrícolas e zonas de transição ecológica. Terceiro, a compensação de carbono e a restauração ecológica devem ser coordenadas entre unidades vizinhas, pois o efeito indireto negativo indica que o desenvolvimento de uma jurisdição pode afetar as condições de estoque de carbono nas áreas circunvizinhas. Por fim, o fluxo de trabalho combinado pode ser utilizado como uma ferramenta de triagem antes da aprovação de planos de uso da terra, a fim de comparar os resultados de carbono sob diferentes restrições de planejamento.
Limitações
Várias limitações devem ser reconhecidas. Os parâmetros dos estoques de carbono ainda são parcialmente baseados na literatura e podem não capturar plenamente a heterogeneidade local do solo, da vegetação e do manejo. Embora verificações de sensibilidade tenham sido utilizadas para testar a estabilidade das classificações dos cenários, a calibração de campo aumentaria a confiança nas estimativas absolutas de estoques de carbono. A análise econométrica espacial reduz o viés de variável omitida ao incluir controles de relevo, acessibilidade, vegetação, clima e fatores socioeconômicos, mas variáveis instrumentais válidas não estavam disponíveis; portanto, os coeficientes devem ser interpretados como associações espaciais condicionais, e não como efeitos causais definitivos.
Próximas direções
Trabalhos futuros devem integrar medições locais de biomassa e carbono no solo, dados socioeconômicos de resolução mais fina, delineamentos formais de variável instrumental ou quase-experimentais e modelos dinâmicos de painel espacial para testar mais a fundo as vias causais. Aplicações futuras também devem apresentar métricas de validação específicas por classe do PLUS, intervalos de sensibilidade das reservas de carbono e resultados alternativos de pesos espaciais em tabelas suplementares, para permitir a reprodução independente das classificações de cenários e estimativas de efeitos indiretos.
Conclusão
Este estudo demonstra que o fluxo de trabalho integrando sensoriamento remoto, PLUS, InVEST e econometria espacial pode identificar padrões de urbanização da terra, avaliar cenários de planejamento ecológico, quantificar consequências sobre o estoque de carbono e diagnosticar efeitos de derramamento espacial dentro de um único quadro reproduzível. Os principais resultados mostram que a expansão histórica de áreas construídas foi impulsionada principalmente pela conversão de terras agrícolas, acompanhada por aumentos significativos na impermeabilidade superficial e na intensidade da atividade humana. Simulações de cenários confirmam que estratégias de proteção ecológica maximizam a retenção regional de carbono, enquanto a modelagem econométrica espacial estabelece que a urbanização da terra exerce tanto efeitos diretos negativos quanto efeitos de derramamento espacial sobre a dinâmica do estoque de carbono. Em última análise, este fluxo de trabalho integrado fornece um quadro analítico robusto e reproduzível para quantificar as compensações ecológicas da expansão urbana e oferece uma ferramenta diagnóstica baseada em mecanismos para avaliação espacial em regiões ecologicamente frágeis.
Divulgações
Os autores não têm nada a declarar.
Agradecimentos
Os autores não receberam financiamento específico para este trabalho.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Scripts Econométricos Espaciais Personalizados e Conjuntos de Dados de Saída | Autores | Repositório Zenodo: https://zenodo.org/records/21159171 | Utilizado para reproduzir as análises espaciais econométricas e o fluxo de trabalho computacional complementar descritos neste estudo. |
| Grade de Alta Resolução da Densidade Populacional | WorldPop | https://www.worldpop.org/ | Utilizado como dados de entrada socioeconômicos para análises econométricas espaciais. |
| InVEST (Avaliação Integrada dos Serviços Ecossistêmicos e Compensações) | O Projeto Capital Natural, Universidade de Stanford | Versão 3.14.0; https://naturalcapitalproject.stanford.edu/ | Utilizado para estimar o estoque de carbono e as alterações no estoque de carbono sob cenários históricos e simulados de uso da terra. |
| Matplotlib & Pillow (Bibliotecas Python) | Comunidade Python | https://matplotlib.org/; https://python-pillow.org/ | Utilizado para gerar figuras de qualidade para publicação e processar saídas gráficas de alta resolução (600 dpi). |
| Conjuntos de Dados Multitemporais de Uso e Cobertura do Solo | Centro de Dados de Ciência e Ambiente (RESDC), Academia Chinesa de Ciências | https://www.resdc.cn/ | Utilizado como conjunto de dados de entrada primário para a análise de mudanças no uso da terra e simulações PLUS. |
| modelo PLUS (Patch-generating Land Use Simulation) | Laboratório de Inteligência Computacional Espacial de Alto Desempenho (HPSCIL) | https://github.com/HPSCIL/Patch-generating_Land_Use_Simulation_Model | Utilizado para simular padrões futuros de uso da terra sob múltiplos cenários de planejamento ecológico. |
| PySAL (Biblioteca Python de Análise Espacial) | Desenvolvedores do PySAL | https://pysal.org/ | Utilizado para realizar análises de autocorrelação espacial e modelagem econométrica espacial. |
| Ambiente de Programação Python | Fundação Python Software | Versão 3.9+; https://www.python.org/ | Utilizado para pré-processamento de dados, análise espacial, cálculos estatísticos e implementação de fluxo de trabalho. |
| Dados topográficos (DEM) e de sensoriamento remoto | United States Geological Survey (USGS) | https://earthexplorer.usgs.gov/ | Utilizado para derivar variáveis topográficas e entradas de sensoriamento remoto para análise de urbanização da terra e parametrização de modelos. |
Referências
- Xiong Z, Zhang Y, Liu M. Assessing land urbanization and ecological planning impact on carbon stock and its economic value from coupled InVEST-PLUS models. Sci Rep. 2025;15:30494. https://doi.org/10.1038/s41598-025-30494-x
- Ge K, Zou S, Lu Y, Chen Y. Spatial effects and influence mechanisms of urban land use green transition on urban carbon emissions. Ecol Indic. 2025;172:113261. https://doi.org/10.1016/j.ecolind.2025.113261
- Li L, et al. Spatio-temporal evolution of land use and carbon stock under multiple scenarios based on the PLUS-InVEST model: A case study of Chengdu. Sustainability. 2025;17(21):9903. https://doi.org/10.3390/su17219903
- Wang Z, Zhong A, Wei E, Hu C. Carbon stock simulation and land use optimization for high-water-table resource-based cities based on the coupled GMOP-PLUS-InVEST model. Remote Sens. 2024;16(23):4480. https://doi.org/10.3390/rs16234480
- Liu Y, Mei X, Yue L. Response of carbon stock to land use change and multi-scenario predictions in Zunyi, China. Sci Rep. 2025;15:236. https://doi.org/10.1038/s41598-024-81735-8
- Sun G, Li Y, Huang R. Spatial and temporal evolution of carbon stocks in Yulin City under changing environments. Sci Rep. 2025;15:12219. https://doi.org/10.1038/s41598-025-12219-w
- Tang J, Peng W. Spatiotemporal dynamics and influencing factors of land carbon stock in Chengdu Plain using an integrated model. Sci Rep. 2025;15:11248. https://doi.org/10.1038/s41598-025-11248-x
- Wang Y, Zhang Z, Chen X. Land use transitions and the associated impacts on carbon stock in the Poyang Lake Basin, China. Remote Sens. 2023;15(11):2703. https://doi.org/10.3390/rs15112703
- Tao Y, Tian L, Wang C, Dai W. Dynamic simulation of land use and land cover and its effect on carbon stock in the Nanjing Metropolitan Circle under different development scenarios. Front Ecol Evol. 2023;11:1102015. https://doi.org/10.3389/fevo.2023.1102015
- Song M, Yu S, Qin H. Land-use/land-cover change and its impact on ecosystem carbon stock in Binhai New Area, Tianjin, China from 1985 to 2060. Environ Earth Sci. 2025;84:481. https://doi.org/10.1007/s12665-025-11728-x
- Liang X, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China. Comput Environ Urban Syst. 2021;85:101569. https://doi.org/10.1016/j.compenvurbsys.2020.101569
- Sharp R, et al. InVEST 3.14.0 User's Guide. The Natural Capital Project; Stanford, CA; 2023. https://storage.googleapis.com/invest-users-guide/index.html
- Basha U, et al. Spatial-temporal assessment of annual water yield and impact of land use changes on Upper Ganga Basin, India, using InVEST model. J Hazard Toxic Radioact Waste. 2024;28(2). https://doi.org/10.1061/JHTRBP.HZENG-1188
- Deeksha, Shukla AK. Ecosystem services: A systematic literature review and future dimension in freshwater ecosystems. Appl Sci. 2022;12(17):8518. https://doi.org/10.3390/app12178518
- Shukla AK, Jain MK, Khare D, Mishra PK. Spatio-temporal assessment of annual water balance models for upper Ganga Basin. Hydrol Earth Syst Sci. 2018;22:5357-71.
- Nayak D, Shukla AK, Devi NR. Decadal changes in land use and land cover: Impacts and their influence on urban ecosystem services. Aqua Water Infrastruct Ecosyst Soc. 2024;73(1):57-72.
- Nayak D, Shukla AK. Assessing ecosystem service trade-offs and synergies in the rapidly urbanizing coastal region of Mangaluru Agglomeration, India. PLoS One. 2026;21(3):e0344106. https://doi.org/10.1371/journal.pone.0344106
- Lei J, Chen H, Wu Y, Zheng X. The impact of land use change on carbon stock and multi-scenario prediction in Hainan Island using InVEST and CA-Markov models. Front For Glob Change. 2024;7:1349057. https://doi.org/10.3389/ffgc.2024.1349057
- Dong H, et al. Remote sensing of urban tree carbon stocks: A methodological review. ISPRS J Photogramm Remote Sens. 2025;227:570-93.
- Wang Y, Jin X. Land use, spatial planning, and their influence on carbon emissions: A comprehensive review. Land. 2025;14(7):1406. https://doi.org/10.3390/land14071406
- Chen R, Zhao W, Li S, Zhang Y. Assessing carbon stock dynamics in an ecological civilization demonstration zone amid rapid urbanization: A multi-scenario study of Guizhou Province, China. Resour Environ Sustain. 2025;21:100223. https://doi.org/10.1016/j.resenv.2025.100223
- Zhang J, Cao P, Roosli R. Assessing land use and carbon stock changes using PLUS and InVEST models: A multi-scenario simulation in Hohhot. Environ Sustain Indic. 2025;26:100655. https://doi.org/10.1016/j.envc.2025.100655
- Li C, Xu H, Du P, Tang F. Predicting land cover changes and carbon stock fluctuations in Fuzhou, China: A deep learning and InVEST approach. Ecol Indic. 2024;167:112658. https://doi.org/10.1016/j.ecolind.2024.112658