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.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
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.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
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.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
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...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
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 inte...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Divulgações
Os autores não têm nada a declarar.
Agradecimentos
Os autores não receberam financiamento específico para este trabalho.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
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
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.