Artigo de método

Projeção de Uso do Solo em Múltiplos Cenários e Avaliação do Armazenamento de Carbono na Paisagem do Patrimônio Mundial de Yixian-Huangshan

11 visualizações

⸱

DOI:

10.3791/73148

⸱

1 de outubro de 2026

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

Autores correspondentes: FuQiang Tan <tan-academic@hotmail.com>

Neste artigo

Resumo

Este protocolo apresenta um fluxo de trabalho reprodutível para projeção de uso da terra em múltiplos cenários, avaliação do armazenamento de carbono e análise da associação topográfica na paisagem do Patrimônio Mundial Yixian–Huangshan.

Resumo

A mudança no uso da terra altera o armazenamento terrestre de carbono, ainda que fluxos de trabalho reprodutíveis para avaliar mudanças baseadas em cenários permaneçam limitados em paisagens turísticas de Patrimônio Mundial. Este protocolo integra um autômato celular de Markov personalizado, um sistema de contabilidade de carbono de quatro compartimentos equivalente ao quadro Integrado de Valoração de Serviços Ecossistêmicos e Compensações, e um detector geográfico baseado em parâmetros ótimos para avaliar mudanças no uso da terra e no armazenamento de carbono nas áreas de Yixian e adjacente de Huangshan, no sul de Anhui, na China. Mapas do Conjunto de Dados de Cobertura da Terra da China dos anos 2005, 2010 e 2015 foram utilizados para calibração e validação fora do período. Quatro cenários exploratórios — Como de Costume, Expansão e Desenvolvimento do Turismo, Prioridade de Conservação Ecológica e Revitalização e Ativação da Vila — foram simulados para 2030 e 2050. A validação em 4.632.329 pixels válidos resultou em uma acurácia geral de 96,61%, um coeficiente Kappa de 0,850 e uma Figura de Mérito de 0,107. O armazenamento de carbono de referência foi de 59,505 teragramas de carbono, com as florestas contribuindo com 95,9%. As perdas projetadas de carbono até 2050 variaram de 5,01% no cenário de Prioridade de Conservação Ecológica a 13,49% no cenário de Expansão e Desenvolvimento do Turismo. Perturbações pareadas individualmente confirmaram a mesma ordem entre os cenários. O detector geográfico baseado em parâmetros ótimos identificou declividade, relevo e elevação como as associações topográficas mais fortes avaliadas. As entradas, parâmetros, saídas e scripts fornecidos permitem a reprodutibilidade; contudo, os cenários devem ser interpretados como testes comparativos de estresse, e não como previsões calibradas.

Introdução

Os ecossistemas terrestres armazenam carbono na vegetação, no solo e na matéria orgânica morta, contribuindo assim para a regulação do clima1,2. A conversão da terra pode alterar rapidamente esses estoques; portanto, uma avaliação espacialmente explícita é importante para o planejamento do uso da terra e para o manejo do carbono.

A extensão analítica no sul de Anhui abrange extensas florestas subtropicais, bacias agrícolas e áreas associadas às propriedades do Patrimônio Mundial Monte Huangshan e Xidi–Hongcun3,4. Pesquisas sobre cobertura do solo relacionada ao patrimônio cultural, turismo em locais do Patrimônio Mundial e conservação de vilas tradicionais indicam que a condição ecológica, a pressão dos visitantes e a identidade do lugar exigem consideração integrada neste contexto5,6,7.

Modelos de uso da terra baseados em cenários traduzem transições observadas em projeções espacialmente explícitas, e o inventário de reservatórios de carbono quantifica as consequências desses padrões. Estudos anteriores combinaram a simulação de uso da terra geradora de fragmentos (Patch-generating Land Use Simulation, PLUS) ou alocação baseada em autômato celular–Markov (CA–Markov) com a estrutura de Valoração Integrada de Serviços Ecossistêmicos e Compensações (Integrated Valuation of Ecosystem Services and Tradeoffs, InVEST) e o detector geográfico baseado em parâmetros ótimos (OPGD) na China e em outras paisagens, incluindo aplicações integradas recentes8,9,10,11,12,13,14,15,16,17,18,19,20. Esses estudos fornecem precedentes metodológicos, embora o simulador utilizado aqui seja uma implementação personalizada de autômato celular de Markov (Markov-CA), e não o PLUS.

Pesquisas relacionadas avaliaram trajetórias de carbono condicionadas a políticas, modelos acoplados de satélite e uso da terra, armazenamento de carbono sensível ao terreno, aplicações urbanas e em campi universitários, manejo do carbono no solo, transições de áreas agrícolas, mapeamento florestal nacional e dependência de escala21,22,23,24,25,26,27,28,29,30,31,32,33,34. Em conjunto, esses estudos apoiam a comparação entre múltiplos cenários, demonstrando ao mesmo tempo que as conclusões dependem da escala dos dados, das transições de classes, dos parâmetros de carbono e das premissas de políticas modeladas. A implementação personalizada utilizada no presente estudo fornece um fluxo de trabalho transparente no qual a matriz de transição, os multiplicadores de cenário, o procedimento de alocação, a consulta de densidade de carbono, a análise de sensibilidade e a análise de associação topográfica podem ser examinados dentro de um único quadro reproduzível. No presente estudo, o valor prático do fluxo de trabalho personalizado é que a matriz de transição, os parâmetros de cenário, as regras de alocação de pixels, a validação, a análise de sensibilidade, o inventário de carbono e a análise de associação topográfica são implementados e documentados dentro de um quadro computacional reproduzível. Essa estrutura permite que as premissas e os passos analíticos intermediários utilizados na análise de cenários sejam inspecionados e reproduzidos. Como o fluxo de trabalho não foi comparado diretamente com o PLUS ou outras implementações de CA–Markov, nenhuma afirmação sobre precisão superior, eficiência ou desempenho preditivo é feita.

A pesquisa sobre controles topográficos e edáficos, persistência do carbono no solo por processos geomorfológicos, efeitos de escala espacial, aplicações do OPGD, produtividade de Huangshan, métricas de paisagem, zonas úmidas e carbono florestal reforça ainda mais uma interpretação cautelosa e baseada em associações dos efeitos do relevo35,36,37,38,39,40,41,42,43,44. Diante desse contexto, o objetivo geral do presente método é fornecer um fluxo de trabalho transparente e reprodutível para projeção de uso da terra em múltiplos cenários, avaliação do armazenamento de carbono e análise de associação topográfica na paisagem do Patrimônio Mundial Yixian–Huangshan. O fluxo de trabalho utiliza uma implementação personalizada de Markov-CA com contabilidade de carbono equivalente ao InVEST em quatro reservatórios e OPGD, valida o modelo fora do período de 2005–2015 e realiza uma análise de sensibilidade de 28 execuções, uma de cada vez. Os arquivos matriciais (rasters) acompanhantes, regras de cenário, matriz de confusão, arquivos de ambiente e scripts permitem a inspeção direta e a reprodução do fluxo de trabalho de simulação personalizado. O fluxo de trabalho destina-se a aplicações com matrizes categóricas de cobertura do solo compatíveis, parâmetros específicos por classe de densidade de carbono e dados topográficos adequados, cujo objetivo seja a avaliação comparativa de cenários, e não a previsão espacial precisa.

Este estudo teve três objetivos: (1) simular o uso da terra para 2030 e 2050 sob testes de estresse do tipo Tendência Atual (BAU), Expansão e Desenvolvimento do Turismo (TED), Prioridade de Conservação Ecológica (ECP) e Revitalização e Ativação da Vila (VRA); (2) quantificar o armazenamento de carbono utilizando uma tabela completa de nove classes e quatro reservatórios; e (3) avaliar as associações individuais e conjuntas da elevação, declividade, orientação ao norte e relevo topográfico com a densidade de carbono de 20158,9,10. Esses objetivos integram projeção de uso da terra, contabilidade de carbono e análise de associação com o terreno em um único fluxo de trabalho reprodutível, mantendo ao mesmo tempo a distinção entre os resultados simulados de uso da terra e as associações estatísticas com variáveis topográficas.

Os rótulos dos cenários indicam suposições comparativas, e não previsões ajustadas ou planos estatutários codificados. Assim, o método é mais apropriado para a comparação reprodutível de suposições alternativas de uso da terra e seus resultados associados de armazenamento de carbono, e não para interpretar os mapas resultantes como previsões calibradas do uso futuro da terra.

Protocolo

No human participants, animals, or protected species were involved. The analysis used only publicly available remote-sensing products and published carbon-density parameters; therefore, ethics committee approval was not required.

Implement all computational procedures in Python 3.11 within an open and reproducible workflow. Follow seven sections: (1) define the study area; (2) acquire and preprocess the inputs; (3) estimate the transition matrix and initialize the custom Markov-CA; (4) configure the scenarios, sensitivity tests, and future simulations; (5) calibrate and validate the model; (6) calculate carbon storage; and (7) detect terrain associations with OPGD. Follow the complete workflow shown in Figure 1.

figure-protocol-1
Figure 1. Reproducible workflow for multi-scenario land-use projection, carbon storage assessment, and topographic association analysis. The seven-step workflow comprises (1) input preparation and preprocessing using China Land Cover Dataset (CLCD) maps, Copernicus Digital Elevation Model (DEM) GLO-30 data, and the carbon-density table; (2) estimation of transition probabilities by pixel cross-tabulation; (3) parameterization of the Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP), and Village Revitalization and Activation (VRA) scenarios; (4) Markov cellular automaton (Markov-CA) simulation using a 3 × 3 Moore neighborhood; (5) out-of-period validation using overall accuracy (OA), Kappa, and Figure of Merit (FoM); (6) carbon accounting using an Integrated Valuation of Ecosystem Services and Tradeoffs (InVEST)-equivalent four-pool lookup; and (7) optimal parameters-based geographical detector (OPGD) analysis. The workflow produces scenario-specific land-use maps, carbon-storage trajectories, and assessments of topographic associations. Please click here to view a larger version of this figure.

1. Study area

  1. Define the analysis grid as 117.60–118.38°E and 29.72–30.22°N. Treat the Mount Huangshan and Xidi–Hongcun World Heritage properties as geographical context only; do not interpret the rectangular analytical extent or valid mask as an official administrative or World Heritage boundary3,4.
  2. Reproject the grid to EPSG:32650 and apply the valid mask to obtain 4,632,329 cells at 30 m resolution, representing 4,169.1 km2. Use this extent, which covers Yixian County, adjacent parts of the Huangshan Scenic Area, and northern Xiuning County, for all raster analyses (Figure 2).

figure-protocol-2
Figure 2. Study extent of the Yixian–Huangshan landscape in southern Anhui, China. Location of the analytical extent within Anhui Province, China, with the study area indicated by the red rectangle. The topographic variables used in the association analysis are presented in Figure 5. Please click here to view a larger version of this figure.

2. Data sources

  1. Use three input groups: CLCD annual land-cover data, Copernicus DEM GLO-30 terrain data, and a class-specific four-pool carbon-density table. Record the temporal coverage, resolution, provenance, and analytical role of each input in Table 1.
  2. Extract the 2005, 2010, and 2015 CLCD layers at 30 m resolution. Retain the nine classes: cropland, forest, shrub, grassland, water, snow/ice, barren, impervious, and wetland45.
  3. Derive elevation, slope, northness, and topographic relief from Copernicus DEM GLO-3046. Assign the complete nine-class carbon-pool values reported in Table 6 of Cheng et al.; do not apply an uncited default or zero-value convention47.
  4. Reproject all layers to WGS 84 / UTM zone 50N (EPSG:32650) on the common 30 m grid. Use nearest-neighbor resampling for categorical land cover and bilinear resampling for continuous terrain data.
  5. Apply the same valid mask to every layer before cross-tabulation, validation, carbon accounting, and OPGD sampling.
  6. Use Python 3.11.9 with numpy 2.4.6, scipy 1.17.1, rasterio 1.4.4, matplotlib 3.11.0, pandas 3.0.3, geopandas 1.1.4, and shapely 2.1.2. Refer to the archived environment files and relative-path scripts for exact reproduction.
  7. Configure the Markov-CA with a 3 × 3 Moore neighborhood and seed 2023. Initialize an independent seeded generator for each scenario-year and sensitivity run, and use seed 42 for OPGD sampling.
DatasetTemporal coverageNative spatial resolutionPrimary source / persistent identifierRole in the analytical workflow
China Land Cover Dataset (CLCD; Yang & Huang45)2005, 2010, and 201530 mZenodo DOI: 10.5281/zenodo.4417810Land-use classification, change detection, validation, transition-matrix estimation, observed baseline, and Markov cellular automaton input
Copernicus Digital Elevation Model (DEM) GLO-302019 reference epoch; static in this study30 mCopernicus Data Space Ecosystem / Microsoft Planetary Computer STACElevation and derivation of slope, northness, and topographic relief using a 450 m-radius neighborhood
Carbon-density parametersStaticPer land-use class; class lookup (Mg C ha⁻¹)Cheng et al.47
Table 6		Complete nine-class, four-pool lookup used for Integrated Valuation of Ecosystem Services and Tradeoffs-equivalent carbon accounting (Table 3)
Study-area analysis extent and boundaryStaticVector / 30 m maskReconstructed from the manuscript extent: 117.60–118.38°E, 29.72–30.22°N; archived GeoJSON and maskCommon spatial mask, analysis extent, and analysis grid

Table 1: Primary spatial and tabular datasets used in the analytical workflow. The table summarizes the temporal coverage, native spatial resolution, source or persistent identifier, and analytical role of the China Land Cover Dataset (CLCD), Copernicus Digital Elevation Model (DEM) GLO-30, class-specific carbon-density parameters, and study-area analysis extent. Carbon-density values are expressed in megagrams of carbon per hectare (Mg C ha−1).

3. Estimate the transition matrix and initialize the Markov-CA model

  1. Cross-tabulate valid CLCD pixels from 2010 to 2015. For source class i and target class j, calculate .
  2. Use the resulting 9 × 9 transition matrix for future scenarios. Derive a separate 2005–2010 transition matrix for model validation.
  3. Run the simulator as a custom Python Markov-CA implementation; do not invoke PLUS8.
  4. At each five-year step, take a synchronous snapshot of the starting state. Compute the transition counts from that snapshot.
  5. Evaluate target classes 1–9 and source classes 1–9 in ascending order. Remove each selected source pixel from further allocation so that it can transition at most once during the five-year step.
  6. Rank eligible candidate pixels by the start-of-step count of target-class neighbors in a 3 × 3 Moore window plus uniform random jitter from 0 to 0.5.
  7. Calculate the requested number of pixels for each source-to-target transition as the rounded product of the number of valid pixels in the source class, the corresponding transition probability, and the applicable scaling factor.
    1. Use a scaling factor of dev for transitions to impervious land and dev × fp for forest-to-impervious transitions; otherwise, use a scaling factor of 1. Cap the requested count at the number of eligible candidate pixels.
    2. If the requested count is smaller than the eligible candidate count, select the highest-ranked candidates based on the target-class neighborhood score plus the uniform random jitter described above; if the requested count equals the eligible candidate count, select all eligible candidates.

4. Configure scenarios, sensitivity tests, and future simulations

  1. Apply three parameters to the common transition matrix. Let dev scale expected transitions to impervious class 8, apply fp only to forest-to-impervious transitions, and define af as the per-step probability that cropland without an impervious Moore neighbor converts to forest.
  2. Set (dev, fp, af) to (1.4, 1.0, 0.005) for BAU, (6.0, 2.0, 0.001) for TED, (0.4, 0.4, 0.025) for ECP, and (2.5, 0.7, 0.012) for VRA. Use Table 2 for the corresponding computational rules, policy narratives, and parameter values.
  3. Interpret the multipliers as transparent low-, intermediate-, and high-development stress tests around the empirical transition matrix. Do not treat them as coefficients estimated from tourism, village-node, zoning, transport, protected-area, or ecological-redline data.
  4. Use the policy labels only to describe relative parameter directions. Do not interpret the labels as legal or spatial constraints encoded in the model.
  5. Treat dev, fp, and af as author-defined exploratory stress-test parameters rather than empirically estimated or calibrated coefficients. The nominal values specify contrasting numerical scenario assumptions for development pressure (dev), forest protection (fp), and afforestation (af); they were not fitted to observed post-2015 land-use change or interpreted as estimates of specific policy effects. Use these nominal values for the primary scenario comparisons and evaluate their robustness using the one-at-a-time sensitivity analysis described below.
  6. For each scenario, run the nominal 2050 case. Repeat the simulation after multiplying one of dev, fp, or af by 0.5 or 1.5 while holding the other parameters constant.
  7. Reinitialize seed 2023 for each of the 28 runs. Compare carbon storage, carbon loss, forest share, and impervious share, and report matched-case rankings and the full OAT ranges without treating them as probabilistic confidence intervals.
  8. Initialize every future simulation from observed CLCD 2015. For impervious allocation, allow cropland to remain eligible across the valid mask and require non-cropland source pixels to border start-of-step impervious cells.
  9. After class-to-class allocation, convert qualifying cropland to forest independently with probability af. Run three five-year steps for the 2030 projection and seven five-year steps for the 2050 projection.
  10. Preserve class 0 outside the valid mask. Export every projected map at 30 m resolution.
ScenarioImplemented computational rulePolicy narrative (not an encoded constraint)Parameters
(dev / fp / af)
Business As Usual (BAU)Moderate impervious multiplier; baseline forest susceptibility; 0.5% isolated-cropland afforestation per stepContinuation benchmark1.4 / 1.0 / 0.005
Tourism Expansion and Development (TED)Strong impervious multiplier; doubled forest-to-impervious susceptibility; weak afforestationHigh-development stress test6.0 / 2.0 / 0.001
Ecological Conservation Priority (ECP)Reduced impervious conversion and forest susceptibility; strongest afforestationEcological-conservation stress test0.4 / 0.4 / 0.025
Village Revitalization and Activation (VRA)Intermediate impervious multiplier; forest susceptibility below BAU; intermediate afforestationVillage-revitalization narrative; no village-node layer2.5 / 0.7 / 0.012

Table 2: Computational rules and parameter values for the four land-use scenarios. The table summarizes the implemented computational rules, policy narratives, and parameter values for the Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP), and Village Revitalization and Activation (VRA) scenarios. Policy narratives describe the intended interpretation of each scenario and are not encoded spatial constraints. dev, impervious-development multiplier; fp, forest-to-impervious susceptibility multiplier; af, isolated-cropland afforestation fraction per simulation step.

5. Calibrate and validate the land-use model

  1. Estimate the calibration matrix from observed 2005–2010 change. Simulate 2015 from observed 2010 using seed 2023.
  2. Compare the simulated 2015 map pixel by pixel with observed CLCD 2015 within the valid mask. Calculate overall accuracy, Kappa, the 9 × 9 confusion matrix, and FoM for changed cells48.
  3. Exclude invalid cells from both the numerator and denominator of the validation calculations to prevent outside-mask zeros from inflating agreement.
  4. Interpret overall accuracy and Kappa jointly with FoM because stable forest and cropland dominate the former metrics, whereas FoM evaluates the smaller changed-cell set. Use the validation results to support regional scenario comparison; do not interpret them as establishing precise change-location forecasting.

6. Calculate carbon storage

  1. For each valid pixel, assign the four class-specific carbon-pool densities listed in Table 3. Sum the four pool densities to obtain the total carbon density in Mg C ha⁻1.
  2. Multiply the total carbon density by the 0.09 ha pixel area. Convert the resulting Mg C values to Tg C.
  3. Apply this lookup calculation as the algebraic equivalent of the InVEST Carbon Storage formulation. Do not apply a sequestration-rate, valuation, or economic module9,47.
Land-use class (CLCD)Aboveground C
(Mg C ha⁻¹)		Belowground C
(Mg C ha⁻¹)		Soil C
(Mg C ha⁻¹)		Dead organic C
(Mg C ha⁻¹)		Total C
(Mg C ha⁻¹)		Source
1 Cropland3.567.4526.99.8247.73Cheng et al.47, Table 6
2 Forest53.5917.3684.852.8158.6
3 Shrub4.254.6572.91.5983.39
4 Grassland4.1516.5878.21.55100.48
5 Water6.38000.126.5
6 Snow/ice00.335.3505.68
7 Barren1.30.3321.6023.23
8 Impervious009.2809.28
9 Wetland12.249.1895.734.08121.23

Table 3: Carbon-density parameters for the nine China Land Cover Dataset land-use classes used in carbon accounting. Aboveground, belowground, soil, dead organic, and total carbon-density values are provided for each China Land Cover Dataset (CLCD) land-use class. Total carbon density represents the sum of the four carbon pools. All carbon-density values are expressed in megagrams of carbon per hectare (Mg C ha−1). Values were obtained from Cheng et al.47, Table 6.

7. Detect topographic associations with OPGD

  1. Use 2015 carbon density as the response variable and elevation, slope, northness, and topographic relief as the explanatory factors. Sample 200,000 valid pixels using seed 42.
  2. For each explanatory factor, test 2–15 quantile intervals. Retain the discretization that produces the maximum q-value.
  3. Calculate analytic F-test p-values and permutation p-values using 999 permutations. Calculate the permutation p-value as p = (exceedances + 1) / 1000.
  4. Combine the optimized strata for each pair of explanatory factors to calculate the interaction results. Interpret all factor and interaction outputs as spatial associations rather than causal effects10.

Resultados

Distribuição espacial e dinâmica temporal do uso da terra

O fluxo de trabalho analítico, a extensão do estudo e os conjuntos primários de dados de entrada são resumidos na Figura 1, Figura 2 e Tabela 1, respectivamente. A Figura 1 apresenta o fluxo de trabalho de sete etapas utilizado para projeção do uso da terra, validação, contabilidade de carbono e análise de associação topográfica. A Figura 2 mostra a localização e a extensão analítica da área de estudo. A Tabela 1 resume a cobertura temporal, resolução espacial, proveniência e função analítica dos principais conjuntos de dados espaciais e tabulares. A comparação entre a simulação de 2015 e o CLCD observado em 2015 em 4.632.329 pixels válidos resultou em OA = 96,61%, Kappa = 0,850 e FoM = 0,107. A concordância foi dominada por florestas e áreas agrícolas estáveis, enquanto o FoM, focado em mudanças, indicou precisão limitada na reprodução das localizações das mudanças. A validação, portanto, apoia a análise comparativa de cenários em vez de previsões espaciais precisas. A Tabela Suplementar 1 (planilha S3) fornece as métricas de validação, acertos de mudança, erros, alarmes falsos e a matriz de confusão completa. O arquivo contém a matriz de validação e o script exato utilizado para o cálculo.

Em todas as 28 simulações de sensibilidade, cada perturbação correspondente manteve a classificação ECP > BAU > VRA > TED. As faixas de perda de carbono foram de 4,22–5,86% para ECP, 6,87–8,55% para BAU, 6,99–9,61% para VRA e 10,45–15,84% para TED. As faixas de BAU e VRA se sobrepõem; portanto, a interpretação se limita à ordenação por caso emparelhado, em vez da separação completa das faixas de OAT. Os resultados completos da análise de sensibilidade são fornecidos em Tabela Suplementar 1 (planilha S4), e Figura Suplementar 1. A matriz operacional de 2010–2015, fornecida em Tabela Suplementar 1 (planilha S1), mostraram probabilidades de retenção de 98,23% para floresta, 94,66% para área agrícola e 99,43% para superfície impermeável. As maiores transições fora da diagonal foram de área agrícola para superfície impermeável (3,39%), de área agrícola para floresta (1,71%) e de floresta para área agrícola (1,71%). No mesmo período, a cobertura florestal diminuiu de 87,63% para 86,27%, enquanto a área agrícola aumentou de 10,99% para 11,92% e a superfície impermeável aumentou de 1,08% para 1,50%. Figura 3A, B apresenta os padrões de uso da terra observados em 2010 e 2015, respectivamente, e Figura 4 apresenta as classes de mudança correspondentes sem inferir fatores de mudança que não foram incluídos na análise.

figure-results-1
Figura 3. Padrões observados de uso da terra na paisagem Yixian–Huangshan em 2010 e 2015. Mapas do Conjunto de Dados de Cobertura da Terra da China (CLCD) mostrando a distribuição espacial de nove classes de uso da terra dentro da extensão analítica. (A) Uso da terra observado em 2010. (B) Uso da terra observado em 2015. As classes de uso da terra compreendem áreas agrícolas, floresta, arbustivo, pastagem, água, neve/gelo, terras áridas, superfícies impermeáveis e zonas úmidas. Clique aqui para visualizar uma versão maior desta figura.

figure-results-2
Figura 4. Mudanças observadas no uso da terra na paisagem de Yixian–Huangshan entre 2010 e 2015. O mapa mostra a distribuição espacial de florestas estáveis, perda florestal, ganho florestal e superfícies impermeabilizadas recém-desenvolvidas entre os mapas do Conjunto de Dados de Cobertura da Terra da China de 2010 e 2015. As áreas brancas representam locais não classificados nessas quatro categorias de mudança exibidas. Clique aqui para visualizar uma versão maior desta figura.

Características do terreno e heterogeneidade topográfica

Na máscara válida, a elevação variou de 82,3 a 1.830,3 m (média, 388,0 m), a declividade de 0 a 87,3° (média, 22,4°), a orientação norte-sul de −1 a 1 e o relevo topográfico de 3,2 a 1.398,2 m (média, 230,0 m). O relevo foi definido como a variação local de elevação dentro de um entorno circular de raio de 450 m, implementado com uma área de 31 × 31 pixels. Figura 5A–D mostra, respectivamente, elevação, declividade, orientação norte-sul e relevo topográfico. Essas camadas caracterizam a variação espacial do terreno; qualquer mecanismo ecológico correspondente é tratado como uma hipótese, e não como um resultado causal35,36,37,38,39,40,41,42,43,44.

figure-results-3
Figura 5. Variáveis topográficas utilizadas na análise de associação. Distribuições espaciais das quatro variáveis topográficas ao longo da extensão analítica: (A) elevação, expressa em metros; (B) declividade, expressa em graus; (C) nordestalidade, expressa em uma escala de −1 a 1; e (D) relevo topográfico, expresso em metros. Essas variáveis foram utilizadas na análise geográfica detectora baseada em parâmetros ótimos de suas associações individuais e conjuntas com a densidade de carbono de 2015. Clique aqui para visualizar uma versão maior desta figura.

Projeções de uso da terra em múltiplos cenários

A matriz de transição comum e os parâmetros do cenário resumidos na Tabela 2 produziram trajetórias agregadas distintas utilizando os identificadores numéricos das classes de cobertura do solo fornecidos na Tabela Suplementar 2. Figura 6 apresenta as proporções observadas e projetadas de floresta, área agrícola e superfícies impermeáveis, enquanto Figura 7A–D mostra as projeções espaciais dos cenários BAU, TED, ECP e VRA para 2030, respectivamente, e Figura 7E–H mostra as projeções correspondentes para 2050. Em 2050, estima-se que a cobertura florestal corresponda a 78,0% no cenário BAU, 74,6% no TED, 80,3% no ECP e 78,2% no VRA; as proporções correspondentes de superfícies impermeáveis foram de 6,3%, 17,6%, 2,8% e 9,0%. Em relação ao ano observado de 2015, a expansão projetada de áreas impermeáveis foi de aproximadamente 202 km2 no cenário BAU, 675 km2 no TED, 57 km2 no ECP e 317 km2 no VRA. Esses valores são resultados de testes de estresse, e não previsões ajustadas. As mudanças projetadas estão espacialmente agrupadas porque a classificação de candidatos utiliza contagens de vizinhança da classe-alvo e a conversão de não-agricultura em áreas impermeáveis é limitada às células de borda. O modelo não inclui camadas de corredores de transporte, nós de vilarejos, áreas protegidas, linhas ecológicas vermelhas ou planejamento estatutário; portanto, o alinhamento aparente com infraestruturas específicas ou zonas regulamentadas não representa um efeito codificado.

figure-results-4
Figura 6. Participações observadas e projetadas das principais classes de uso da terra em quatro cenários. A porcentagem da área de estudo ocupada por floresta, áreas agrícolas e superfícies impermeáveis é apresentada para os anos observados 2005, 2010 e 2015, bem como para as projeções até 2030 e 2050 nos cenários Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP) e Village Revitalization and Activation (VRA). As barras representam a participação modelada da área total de estudo para cada classe de uso da terra; barras de erro não são aplicáveis, pois os valores são resultados determinísticos dos cenários, e não estimativas baseadas em réplicas. Clique aqui para visualizar uma versão maior desta figura.

figure-results-5
Figura 7. Distribuição espacial projetada do uso da terra sob quatro cenários em 2030 e 2050. Padrões projetados de uso da terra nos cenários Business As Usual (BAU), Tourism Expansion and Development (TED), Ecological Conservation Priority (ECP) e Village Revitalization and Activation (VRA). (A–D) Projeções BAU, TED, ECP e VRA, respectivamente, para 2030. (E–H) Projeções BAU, TED, ECP e VRA, respectivamente, para 2050. As classes de uso da terra compreendem áreas agrícolas, floresta, arbustos, pastagem, água, neve/gelo, terrenos áridos, superfícies impermeáveis e zonas úmidas. Todas as simulações de cenário foram inicializadas a partir do mapa CLCD observado em 2015; portanto, as células sem transição de uso da terra simulada mantêm a classe de uso da terra de 2015 e o padrão espacial de referência. Clique aqui para visualizar uma versão ampliada desta figura.

Dinâmica do armazenamento de carbono sob projeções de múltiplos cenários

A aplicação da consulta completa de quatro grupos apresentada na Tabela 3 resultou em 59.505 Tg C para 2015, equivalente a uma densidade média de 142,73 Mg C ha−1. A floresta representou 57,04 Tg C (95,9%), enquanto a área agrícola representou 2,37 Tg C (4,0%). A área impermeável apresentou uma contribuição pequena, mas não nula, porque a fonte adotada atribui a esta classe 9,28 Mg C ha−1. Dentro da classe florestal, os reservatórios de solo, acima do solo, abaixo do solo e orgânico morto representaram, respectivamente, 53,5%, 33,8%, 10,9% e 1,8% do carbono total31,32,33,34,44,47. Todos os cenários resultaram em menor armazenamento de carbono em 2050 do que em 2015. O armazenamento projetado foi de 54,895 Tg C no cenário BAU (uma perda de 7,75%), 51,475 Tg C no cenário TED (13,49%), 56,523 Tg C no cenário ECP (5,01%) e 54,540 Tg C no cenário VRA (8,34%). A diferença entre ECP e TED foi de 5,048 Tg C. Essas diferenças decorrem dos parâmetros numéricos impostos e não estimam os efeitos de políticas específicas. Figura 8A apresenta o armazenamento total de carbono em 2015 e as projeções dos cenários para 2030 e 2050; Figura 8B apresenta as densidades médias correspondentes de carbono; Figura 8C apresenta a perda de carbono até 2050 em relação à linha de base de 2015; e Figura 8D mostra a relação entre a proporção projetada de floresta e a perda de carbono. Os valores são resultados determinísticos dos cenários, e não estimativas baseadas em réplicas.

figure-results-6
Figura 8. Armazenamento de carbono projetado e sua relação com a cobertura florestal sob quatro cenários de uso da terra. (A) Armazenamento total de carbono em 2015 e projeções para 2030 e 2050 nos cenários Business As Usual (BAU), Expansão e Desenvolvimento do Turismo (TED), Prioridade de Conservação Ecológica (ECP) e Revitalização e Ativação da Vila (VRA), expresso em teragramas de carbono (Tg C). (B) Densidade média de carbono para os anos e cenários correspondentes, expressa em megagramas de carbono por hectare (Mg C ha-1). (C) Percentual de perda no armazenamento total de carbono até 2050 em relação à linha de base de 2015 para cada cenário. (D) Relação entre a proporção projetada de floresta na área de estudo em 2050 e a perda percentual de carbono em relação a 2015 para cada cenário. Os valores são resultados determinísticos dos cenários; barras de erro não se aplicam. Clique aqui para visualizar uma versão maior desta figura.

Associações topográficas com a heterogeneidade espacial do armazenamento de carbono

O detector do fator OPGD classificou a declividade em primeiro lugar (q = 0,557), seguida pelo relevo topográfico (q = 0,460), elevação (q = 0,352) e orientação ao norte (q = 0,003), conforme mostrado na Figura 9A. Com 999 permutações, o valor de p de permutação para cada fator foi de 0,001, o valor mínimo atingível; os valores de p do teste F analítico também foram inferiores a 0,001. As estatísticas completas dos detectores de fatores e interações, incluindo os intervalos de discretização otimizados e os valores de p analíticos e de permutação, estão fornecidos no Quadro Suplementar 3. A significância estatística é distinta do tamanho do efeito: a associação com a orientação ao norte foi negligenciável em termos práticos, e todos os valores de q representam associações dentro das quatro variáveis de terreno avaliadas, e não efeitos causais10,40. Todos os pares de fatores apresentaram valores de q de interação maiores do que o maior dos seus valores individuais de q. As interações mais fortes foram declividade ∩ relevo (q = 0,628), elevação ∩ declividade (q = 0,618) e elevação ∩ relevo (q = 0,510), conforme mostrado na Figura 9B. Esses valores indicam associações estratificadas mais fortes para fatores em pares, mas não estabelecem um mecanismo geomorfológico, pois solo, clima, idade da floresta, manejo e acessibilidade não foram modelados.

figure-results-7
Figura 9. Associações topográficas com a densidade de carbono de 2015 identificadas utilizando o detector geográfico baseado em parâmetros ótimos. (A) Estatísticas q do detector de fatores para elevação, declividade, orientação ao norte e relevo topográfico. Os valores q respectivos são 0,3518, 0,5571, 0,0031 e 0,4600; testes de permutação resultaram em p = 0,001. (B) Valores q do detector de interação para combinações aos pares das quatro variáveis topográficas. Valores q maiores indicam associações estatísticas mais fortes com a distribuição espacial da densidade de carbono de 2015. OPGD, detector geográfico baseado em parâmetros ótimos. Clique aqui para visualizar uma versão maior desta figura.

Resultados gerais

Figura 10A–D resume os principais resultados do fluxo de trabalho: participação projetada da floresta, armazenamento total de carbono, a classificação das associações topográficas e os principais indicadores quantitativos, respectivamente. A linha de base analítica de 2015 continha 59.505 Tg C. Nos quatro conjuntos exploratórios de parâmetros, as perdas projetadas até 2050 variaram de 5,01% a 13,49%, e todos os casos de sensibilidade mantiveram a classificação ECP > BAU > VRA > TED. Declividade e relevo apresentaram as associações com o terreno mais fortes avaliadas. Dado FoM = 0,107 e a omissão de camadas explícitas de planejamento, fatores socioeconômicos e clima, os resultados apoiam uma avaliação regional comparativa em vez de uma previsão espacial determinística.

figure-results-8
Figura 10. Resumo dos resultados projetados de uso da terra e armazenamento de carbono e suas associações topográficas. (A) Participação projetada da floresta na área de estudo em 2030 e 2050 nos cenários Business As Usual (BAU), Expansão e Desenvolvimento do Turismo (TED), Prioridade de Conservação Ecológica (ECP) e Revitalização e Ativação da Vila (VRA); a linha tracejada indica a participação da floresta na linha de base de 2015. (B) Armazenamento total de carbono em 2015 e projetado para 2030 e 2050 nos quatro cenários, expresso em teragramas de carbono (Tg C). (C) Classificação da elevação, declividade, orientação para o norte e relevo topográfico com base nas estatísticas q obtidas utilizando o detector geográfico baseado em parâmetros ótimos (OPGD), em que valores q maiores indicam associações estatísticas mais fortes com a densidade de carbono de 2015. (D) Resumo dos principais indicadores quantitativos, incluindo armazenamento e densidade de carbono na linha de base, intervalo projetado de perda de carbono em 2050, diferença no armazenamento de carbono entre os cenários ECP e TED, métricas de validação e a associação topográfica mais forte avaliada. OA, acurácia geral; FoM, Figura de Mérito; Mg C ha-1, megagramas de carbono por hectare. Clique aqui para visualizar uma versão maior desta figura.

Figura Suplementar 1. Análise de sensibilidade individual do armazenamento de carbono em 2050 sob os quatro cenários de uso da terra. (A) Armazenamento nominal de carbono em 2050 e a faixa completa de sensibilidade OAT para BAU, TED, ECP e VRA. Os pontos indicam os valores nominais dos cenários, e as faixas verticais indicam os valores mínimos e máximos de armazenamento de carbono obtidos ao multiplicar um dos parâmetros dev, fp ou af por 0,5 ou 1,5, mantendo os demais parâmetros constantes. (B) Alteração no armazenamento de carbono em 2050 em relação ao valor nominal correspondente do cenário após perturbações de 0,5× e 1,5× nos parâmetros dev, fp e af. Valores acima de zero indicam maior armazenamento de carbono do que no caso nominal, e valores abaixo de zero indicam menor armazenamento de carbono. As faixas representam perturbações determinísticas individuais de parâmetros e não são intervalos de confiança probabilísticos.Clique aqui para baixar este arquivo.

Tabela Suplementar 1. Matriz de transição do uso da terra, parametrização do cenário, validação do modelo e resultados da análise de sensibilidade individual. A pasta de trabalho contém quatro planilhas: S1, a matriz de transição do uso da terra operacional de 2010–2015; S2, os valores dos parâmetros, as regras implementadas e os limites de interpretação para os quatro cenários; S3, a matriz de confusão 9 × 9 e os resultados associados de validação do modelo; e S4, os resultados nominais e de sensibilidade individual obtidos ao variar dev, fp e af em 0,5× e 1,5×, mantendo os demais parâmetros constantes. Os intervalos de sensibilidade representam perturbações determinísticas dos parâmetros e não são intervalos de confiança probabilísticos.Clique aqui para baixar este arquivo.

Tabela Suplementar 2. Identificadores das classes de cobertura do solo utilizados no fluxo de trabalho computacional. A tabela lista os identificadores numéricos das classes e as respectivas classes de cobertura do solo utilizadas nas análises em formato raster. A classe 0 denota NoData fora da máscara válida da área de estudo; as classes 1–9 denotam, respectivamente, áreas agrícolas, floresta, arbustivo, pastagem, água, neve/gelo, áreas áridas, superfícies impermeáveis e zonas úmidas.Clique aqui para baixar este arquivo.

Tabela Suplementar 3. Resultados do detector de fatores e interações OPGD para a densidade de carbono em 2015. A tabela apresenta estatísticas q otimizadas, números de intervalos de discretização, valores de p do teste F analítico e valores de p de permutação com base em 999 permutações para elevação, declividade, orientação ao norte e relevo topográfico. Os resultados de interação aos pares informam a estatística q de interação, as estatísticas q individuais dos fatores e a classificação da interação. As estatísticas relatadas representam associações espaciais e não estabelecem efeitos causais.Clique aqui para baixar este arquivo.

Nota Suplementar 1. Descrições painel por painel, fontes de dados e notas de interpretação para as figuras do manuscrito. A nota identifica o conteúdo e a fonte de dados subjacente para cada painel das figuras e fornece informações sobre extensões espaciais compartilhadas, informações duplicadas e interpretação das variáveis exibidas.Clique aqui para baixar este arquivo.

Arquivo de Dados Suplementares (compactado). O arquivo contém 26 arquivos GeoTIFF prontos para análise, arquivos de delimitação, metadados, resultados, scripts, figuras, pastas de trabalho, arquivos do ambiente computacional exato, um arquivo LEIAME e somas de verificação SHA-256.

Discussão

Em todos os quatro testes de estresse, o armazenamento de carbono diminuiu à medida que as transições simuladas alteraram as proporções das classes de cobertura do solo de alta e baixa densidade. O TED provocou a maior redução, enquanto o ECP provocou a menor. Um passo crítico na aplicação do protocolo é, portanto, a configuração e interpretação dos parâmetros dev, fp e af. Como as diferenças entre cenários decorrem desses valores impostos, elas representam respostas condicionais do modelo, e não efeitos observados do desenvolvimento turístico, revitalização de vilas ou regulamentação ecológica. Em 2050, o armazenamento de carbono projetado segundo o TED foi 5,048 Tg C menor do que segundo o ECP. De acordo com a tabela adotada, converter um hectare de floresta em área impermeável reduz o estoque atribuído em 149,32 Mg C, enquanto a conversão de área agrícola para área impermeável o reduz em 38,45 Mg C. Essas diferenças contábeis explicam a forte influência da conversão florestal simulada sobre o armazenamento total. Contudo, a dependência de valores derivados da literatura sem calibração local introduz incerteza nas estimativas absolutas.

Outro passo crítico é a derivação e discretização das variáveis topográficas utilizadas no OPGD. O relevo topográfico foi associado à densidade de carbono após discretização otimizada (q = 0,460). O relevo foi definido como a variação local de elevação dentro de um entorno circular com raio de 450 m, implementado com uma área de 31 × 31 pixels. Células de alto relevo podem coincidir com terrenos íngremes e florestados, mas o OPGD não consegue distinguir entre terreno, acessibilidade, histórico de uso da terra, solo, manejo e outras explicações correlacionadas. Estratos de terreno combinados produziram valores de q mais elevados do que fatores individuais, especialmente para inclinação ∩ relevo (q = 0,628). Esse padrão é descritivo e não mecanicista. Da mesma forma, o baixo valor de q para orientação ao norte (0,003) não demonstra que as diferenças na radiação solar sejam fracas; testar essa explicação exige medições de radiação, microclima, vegetação e dados de campo.

O método apoia a geração de hipóteses regionais: limitar a conversão simulada de florestas, moderar a expansão de superfícies impermeáveis e aumentar a transição de áreas agrícolas para florestas preserva mais carbono atribuído. Prescrições específicas para cada local exigem evidências adicionais. Para modificar o fluxo de trabalho com foco em aplicações de tomada de decisão, incorpore camadas verificadas de áreas protegidas, linhas ecológicas, transporte, parcelas e nós de vilarejos, juntamente com avaliações da participação dos interessados, compensações entre serviços ecossistêmicos, incentivos, custos de restauração, serviços culturais, meios de subsistência e biodiversidade49,50,51,52,53,54,55,56. Essas extensões são importantes porque o protocolo atual não codifica tais restrições espaciais ou socioeconômicas. A literatura mais ampla também indica que estratégias de armazenamento em plantas, estrutura florestal, vegetação não arbórea, comportamento turístico e efeitos do ciclo de vida do ambiente construído requerem análises distintas da contabilidade atual de cobertura do solo57,58,59,60,61.

Várias limitações definem o uso e a interpretação apropriados do método. Estas incluem densidades de carbono derivadas da literatura sem calibração local de campo, erro potencial de classificação do CLCD, um modelo Markov-CA personalizado simplificado, uma medida de validação focada em mudanças (FoM) de 0,107, parâmetros de teste de estresse não ajustados e uma avaliação estocástica com uma única semente. Limitações adicionais são o delineamento de um-fator-por-vez em vez de uma análise probabilística de incerteza, a omissão de camadas de planejamento, fatores socioeconômicos, acessibilidade, solo, idade da floresta e mudanças climáticas, e associações OPGD não causais. Essas limitações indicam que o fluxo de trabalho é apropriado para avaliação comparativa de cenários regionais, mas não fornece previsões espaciais determinísticas, inventários de carbono calibrados localmente ou estimativas causais da eficácia de políticas.

Em relação às abordagens existentes e alternativas, a relevância do protocolo reside na integração da simulação de uso da terra, contabilidade de carbono em quatro compartimentos, validação, teste de sensibilidade e análise de associação com o terreno dentro de um fluxo de trabalho reprodutível, mantendo limitações explícitas quanto à interpretação. O diagnóstico de problemas e as modificações devem concentrar-se especialmente nas etapas que mais afetam a interpretação posterior: pré-processamento e máscara de cobertura do solo, parametrização de transições e cenários, validação do modelo, atribuição de densidade de carbono e discretização do terreno.

O fluxo de trabalho pode ser aplicado à avaliação comparativa de trajetórias alternativas de uso da terra e à identificação de associações espaciais que requeiram investigação adicional, enquanto aplicações específicas de local exigem evidências adicionais verificadas localmente. As prioridades para pesquisas futuras incluem a coleta de medições locais de carbono, a comparação de modelos alternativos de alocação e sementes aleatórias, o ajuste de parâmetros a drivers independentes e a propagação das incertezas de classificação, de parâmetros e climática. Esses avanços ampliariam o fluxo de trabalho atual para além dos testes comparativos de estresse e forneceriam uma base mais sólida para avaliar os resultados de uso da terra e de armazenamento de carbono sob fontes adicionais de incerteza.

Divulgações

Os autores declaram não haver conflitos de interesse.

Agradecimentos

Os autores agradecem aos fornecedores dos conjuntos de dados CLCD e Copernicus DEM GLO-30.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Conjunto de Dados de Cobertura do Solo da China (CLCD)Universidade de Wuhan (Yang J & Huang X)Produto anual de 1985–2022; 30 m; Zenodo DOI: 10.5281/zenodo.4417810Entrada básica de cobertura do solo; camadas de 2005, 2010 e 2015 utilizadas para calibração, validação, estimativa da matriz de transição e análise de linha de base
Copernicus DEM GLO-30Agência Espacial Europeia / Programa CopernicusÉpoca de referência 2019; lançamento público em 2021; 30 mEntrada de terreno utilizada para derivar elevação, declividade, orientação norte e relevo topográfico na análise OPGD
Autômato celular de Markov personalizadoImplementação personalizada em PythonPython 3.11; semente 2023; atualização síncrona; vizinhança de Moore 3 × 3; código-fonte arquivadoSimulação de cenários de uso da terra; implementação personalizada que não invoca o PLUS
geopandas (biblioteca Python)Desenvolvedores do geopandas1.1.4Manipulação de dados vetoriais, consultas espaciais e operações de limite
Formulação de armazenamento de carbono em quatro reservatórios do InVESTProjeto de Capital NaturalDocumentação do InVEST; cálculo personalizado de consulta em Python; script arquivadoContabilidade de carbono baseada em classes com quatro reservatórios; sem módulo de taxa de sequestro, avaliação ou econômico
matplotlib (biblioteca Python)Desenvolvedores do Matplotlib3.11.0Renderização de figuras e visualização científica
numpy (biblioteca Python)Desenvolvedores do NumPy2.4.6Computação numérica em nível de array
Detetores de fatores e interações OPGDImplementação personalizada em Python baseada na metodologia OPGDSemente 42; amostra de 200.000 pixels; intervalos de quantis de 2–15; 999 permutações; script arquivadoAnálise de fatores e interações das associações entre densidade de carbono em 2015 e elevação, declividade, orientação norte e relevo topográfico
pandas (biblioteca Python)Desenvolvedores do pandas3.0.3Manipulação de dados tabulares e processamento de saídas analíticas
Linguagem de programação PythonFundação Python de Software3.11.9Ambiente computacional para pré-processamento, simulação, validação, contabilidade de carbono, análise OPGD e pós-processamento
rasterio (biblioteca Python)Mantenedores do rasterio1.4.4Entrada e saída de matrizes raster, reprojeção, reamostragem e processamento de rasters de cobertura do solo e terreno
scipy (biblioteca Python)Desenvolvedores do SciPy1.17.1Operações numéricas e morfológicas utilizadas no processamento de terreno
shapely (biblioteca Python)Desenvolvedores do Shapely2.1.2Operações geométricas que suportam o processamento vetorial e espacial
Extensão da área de estudo e máscara válidaEntrada personalizada do estudo reconstruída a partir das coordenadas do manuscritoEPSG:32650; 30 m; GeoJSON e GeoTIFF arquivados; 4.632.329 células válidasDefine a área comum de análise de 4.169,1 km² e a máscara raster válida

Referências

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

Reimpressões e permissões

Etiquetas

Mudança no Uso da TerraSimulação de CenáriosAutômato Celular de MarkovDetector GeográficoServiços EcossistêmicosContabilidade de CarbonoExpansão do TurismoConservação Ecológica

Este artigo foi publicado

Vídeo em breve

Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.