Интегрированный рабочий процесс геопространственного моделирования позволяет количественно оценить урбанизацию земель и динамику запасов углерода. Расширение застроенных территорий связано с потерей запасов углерода и отрицательными эффектами пространственного перелива, в то время как сценарии экологического планирования позволяют сохранить земли с высоким содержанием углерода и поддерживают скоординированное низкоуглеродное управление.
Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
Урбанизация земель, экологическое планирование и динамика запасов углерода в Синьцзяне, Китай, с использованием интегрированного рабочего процесса геопространственного моделирования
В этой статье
Краткое содержание
Аннотация
В данном исследовании был разработан и применен интегрированный рабочий процесс, сочетающий методы дистанционного зондирования, моделирование землепользования, оценку экосистемных услуг и пространственный эконометрический анализ для количественной оценки влияния урбанизации земель и экологического планирования на динамику запасов углерода в Синьцзян-Уйгурском автономном районе на северо-западе Китая. Используя данные о землепользовании/землепокрытии, непроницаемых поверхностях, ночном освещении, растительности, топографии, социально-экономических показателях и ограничениях планирования за период 2000–2020 гг., в рамках рабочего процесса были выявлены исторические закономерности урбанизации, смоделированы четыре сценария будущего планирования, рассчитаны запасы углерода с помощью модуля InVEST carbon, а также оценены прямые и пространственные переливные эффекты с использованием пространственных эконометрических моделей. Результаты показывают, что расширение застройки происходило преимущественно за счет преобразования сельскохозяйственных угодий и сопровождалось увеличением площади непроницаемых поверхностей и интенсивности ночного освещения. Результаты моделирования указывают на то, что сценарий экологической защиты обеспечивает максимальное сохранение запасов углерода, в то время как сценарий естественного развития приводит к наибольшим потерям углерода. Лесные земли были определены как наиболее уязвимый класс землепользования с высоким содержанием углерода с общей плотностью углерода 144.9 Mg C/ha по сравнению с 29.4 Mg C/ha для застроенных земель. Результаты пространственной модели Дурбина показывают, что урбанизация земель оказывает отрицательный прямой эффект (−0.231) и косвенный переливной эффект (−0.117), что дает суммарный эффект −0.348 на плотность запасов углерода, в то время как интенсивность экологического планирования имеет положительный суммарный эффект (+0.245). Эти выводы обосновывают необходимость скоординированного экологического планирования через административные границы для содействия низкоуглеродному региональному развитию.
Введение
На фоне глобального изменения климата и перехода к низкоуглеродному развитию стремительная урбанизация стала основным фактором изменений региональных структур растительного покрова и биогеохимических циклов1. Поскольку масштабы и интенсивность человеческой деятельности продолжают расти, ускоренная урбанизация земель в развивающихся регионах не только изменяет структуру землепользования, но и трансформирует структуру и функции экосистем. По сути, урбанизация земель предполагает преобразование природной растительности с высокой плотностью углерода в искусственные поверхности с низкой плотностью углерода, что приводит к существенным потерям регионального потенциала накопления углерода2. Для быстроразвивающихся регионов баланс между экономическим ростом и сохранением экологического пространства стал критически важной задачей территориального пространственного планирования. Традиционные исследования землепользования были сосредоточены преимущественно на моделях физического расширения, при этом зачастую игнорировалось динамическое взаимодействие между пространственным развитием и процессами углеродного цикла3. Следовательно, существует необходимость в комплексных аналитических подходах, которые количественно оценивают влияние урбанизации земель на динамику запасов углерода и обеспечивают научную основу для экологической защиты и низкоуглеродного управления.
Последние достижения в области дистанционного зондирования и геоинформационных систем существенно улучшили моделирование изменений землепользования и оценку экосистемных услуг4,5. Многосценарное моделирование землепользования в сочетании с экологическим учетом стало широко используемым подходом для оценки экологических последствий расширения городов6. В частности, модели Patch-generating Land Use Simulation (PLUS) и Integrated Valuation of Ecosystem Services and Tradeoffs (InVEST) применялись для количественной оценки того, как планировочные ограничения влияют на траектории землепользования и запасы углерода7,8,9,10,11,12. Соответствующие исследования экосистемных услуг дополнительно продемонстрировали, что изменение растительного покрова, политика городского развития и меры по охране окружающей среды могут влиять на сток воды, секвестрацию углерода, удержание почвы и компромиссы между экосистемными услугами в быстро урбанизируемых ландшафтах13,14,15,16,17. Однако большинство предыдущих исследований было сосредоточено на преобразовании земель и выходе экосистемных услуг, при этом меньше внимания уделялось тому, как давление социально-экономического развития вызывает пространственно зависимые реакции запасов углерода в соседних административных единицах.
Настоящий рабочий процесс обусловлен тремя ключевыми пробелами в исследованиях. Во-первых, в предыдущих приложениях PLUS–InVEST области исследования часто рассматривались как закрытые физические системы, и в них не оценивалось эксплицитно, переносятся ли последствия урбанизации земель на соседние единицы. Во-вторых, отчеты о валидации, неопределенности и анализе чувствительности зачастую носят краткий характер, что затрудняет определение того, остаются ли рейтинги сценариев стабильными при альтернативных параметрах моделирования землепользования, коэффициентах пулов углерода и спецификациях пространственных весов. В-третьих, в исследованиях с применением пространственной эконометрики часто выявляются связи между интенсивностью застройки и экологическими результатами без привязки этих взаимосвязей к данным дистанционного зондирования, будущим сценариям землепользования и учету запасов углерода. Таким образом, необходим интегрированный рабочий процесс для объединения наблюдений, моделирования сценариев, учета углерода и выявления пространственных механизмов в рамках воспроизводимой аналитической структуры.
Таким образом, в данном исследовании разработан воспроизводимый аналитический рабочий процесс, объединяющий дистанционное зондирование, моделирование сценариев на основе PLUS, оценку запасов углерода с помощью InVEST и пространственный эконометрический анализ. Сосредоточившись на Синьцзян-Уйгурском автономном районе на северо-западе Китая, исследование оценивает исторические модели землепользования и урбанизации за период 2000–2020 гг., изучает влияние альтернативных сценариев планирования на будущие конфигурации землепользования, количественно определяет результирующее воздействие на распределение запасов углерода, а также исследует прямые и пространственные эффекты перелива урбанизации земель, интенсивности экологического планирования, состояния растительности и социально-экономических факторов на динамику запасов углерода. Основным вкладом данного рабочего процесса является интеграция сценарного прогнозирования с идентификацией механизмов для поддержки демаркации экологических «красных линий», планирования компактного роста, трансграничной компенсации выбросов углерода и низкоуглеродного регионального управления.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Протокол
В данном исследовании использовались общедоступные геопространственные данные, данные дистанционного зондирования, данные планирования и агрегированные социально-экономические наборы данных. В работе не участвовали люди, животные, не использовались клинические материалы или идентифицируемая персональная информация. В связи с этим получение одобрения комитета по этике не требовалось. Конкретные программные среды, вычислительные пакеты (включая библиотеки пространственной эконометрики и визуализации высокого разрешения), цифровые идентификаторы объектов (DOI) наборов данных и исходные URL-адреса всех ресурсов, необходимых для воспроизведения данного рабочего процесса, подробно описаны в исчерпывающей Таблице материалов.
1. Район исследования и аналитическая база
Анализ проводился в Синьцзян-Уйгурском автономном районе на северо-западе Китая, при этом особое внимание уделялось определенным границам городской застройки ключевых городов (Рисунок 1) для точного фиксирования динамики локального расширения. Данная граница последовательно использовалась для обрезки растров, моделирования землепользования, оценки запасов углерода и агрегации административных единиц. Аналитическая выборка (n) включала 105 административных единиц уровня уезда, проанализированных в трех дискретных временных точках (20, 2010 и 2020 годы), при этом моделирование землепользования включало 50 стохастических повторностей для учета пространственной неопределенности.
Был применен многомасштабный аналитический подход, объединяющий анализ на уровне сетки и на уровне административных единиц. На уровне сетки данные о землепользовании и почвенно-растительном покрове, интенсивность ночного освещения, степень покрытия водонепроницаемыми поверхностями, вегетационные индексы, топографические переменные и ограничения экологического планирования использовались для выявления закономерностей урбанизации земель, моделирования будущих сценариев землепользования и оценки распределения запасов углерода. На уровне административных единиц социально-экономические, транспортные и экологические переменные были включены в пространственный эконометрический анализ для оценки прямых и косвенных эффектов урбанизации земель и экологического планирования на динамику запасов углерода.
Аналитическая база состояла из пяти компонентов. Во-первых, многовременные данные дистанционного зондирования и землепользования использовались для характеристики пространственно-временных закономерностей урбанизации земель, включая расширение застроенных территорий, интенсивность застройки и реструктуризацию землепользования. Во-вторых, были разработаны сценарии охраны экологии, защиты сельскохозяйственных угодий и низкоуглеродного планирования для моделирования будущих структур землепользования. В-третьих, модуль хранения углерода InVEST использовался для количественной оценки распределения и изменения запасов углерода при исторических и будущих условиях землепользования. В-четвертых, был проведен анализ глобальной и локальной пространственной автокорреляции для выявления паттернов кластеризации и регионов «горячих точек», связанных с вариациями запасов углерода. В-пятых, пространственные эконометрические модели использовались для оценки величины, направления и эффектов перелива урбанизации земель, интенсивности экологического планирования, а также экологических и социально-экономических факторов влияния на динамику запасов углерода.
Рисунок 1 представляет общую аналитическую схему рабочего процесса. Этот процесс объединяет определение области исследования, интеграцию данных из нескольких источников, идентификацию урбанизации земель, разработку сценариев экологического планирования, симуляцию землепользования, оценку запасов углерода, анализ пространственной автокорреляции и пространственное эконометрическое моделирование. Пространственные данные из различных источников служили входным слоем. Идентификация урбанизации земель и анализ исторического землепользования образовали слой характеристики структуры. Сценарии экологического планирования и оценка запасов углерода составили слой прогнозирования и оценки воздействия. Пространственная автокорреляция и эконометрический анализ использовались для выявления пространственных механизмов и обоснования интерпретации политических решений.
Рисунок 1Район исследования, интеграция данных и технический рабочий процесс. (A) Многомасштабный пространственный контекст и точные границы городского анализа для ключевых городов Синьцзян-Уйгурского автономного района, северо-запад Китая. (B) Интегрированный технический рабочий процесс, объединяющий пространственные данные из нескольких источников, идентификацию урбанизации земель на основе дистанционного зондирования, проектирование сценариев экологического планирования, моделирование землепользования PLUS, оценку запасов углерода InVEST, пространственную автокорреляцию, анализ «горячих точек» и пространственное эконометрическое моделирование. ND = естественное развитие; EP = экологическая защита; CP = защита сельскохозяйственных угодий; LC = низкоуглеродная оптимизация; OLS = обычный метод наименьших квадратов; SAR = пространственная авторегрессионная модель; SEM = пространственная модель ошибки; SDM = пространственная модель Дурбина. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
2. Источники данных и система переменных
Для обеспечения идентификации урбанизации земель, моделирования сценариев экологического планирования, оценки запасов углерода и пространственного эконометрического анализа был собран многоисточниковый набор данных. Набор данных включал данные о землепользовании и земельном покрове, долю водонепроницаемых поверхностей, интенсивность ночного освещения, нормализованный разностный вегетационный индекс (NDVI), топографические переменные, показатели транспортной доступности, гидрологические переменные, плотность населения, плотность валового внутреннего продукта (ВВП), планировочные ограничения, климатические переменные и параметры углеродного пула. В Таблице 1 обобщены категории наборов данных, описания переменных, единицы измерения, пространственное и временное разрешение, источники и варианты аналитического применения. Основные наборы данных были получены для 200, 2010 и 2020 годов. Данные о землепользовании и основные продукты дистанционного зондирования были приведены к разрешению от 30 m до 1 km в зависимости от аналитических требований.
Таблица 1: Источники данных и система переменных. В таблице представлены категория набора данных, переменная, описание, единица измерения, пространственное/временное разрешение, источник и аналитическое применение для идентификации урбанизации земель, моделирования сценариев, учета запасов углерода InVEST и пространственного эконометрического моделирования. NDVI = нормализованный разностный вегетационный индекс; DEM = цифровая модель рельефа; LULC = землепользование/земельный покров. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.
Все пространственные слои были спроецированы в единую систему координат, обрезаны по границам исследуемой области, показанной на Рисунке 1, и подвергнуты ресемплингу или агрегации до требуемого масштаба сетки или административных единиц. Перед проведением анализа пространственного наложения была выполнена проверка на наличие пропущенных значений. Растровые наборы данных, использованные в анализах PLUS и InVEST, были выровнены на уровне пикселей, в то время как социально-экономические переменные были агрегированы по административным единицам для пространственной регрессии. Данный рабочий процесс предварительной обработки обеспечил единообразие пространственных единиц и сопоставимость временных точек при проведении временных анализов, имитации сценариев, расчета запасов углерода и эконометрического моделирования.
Данные о землепользовании и почвенном покрове служили основным входным материалом для выявления исторических изменений и моделирования землепользования в будущем. Исходные категории землепользования были переклассифицированы на шесть классов: пашни, лесные земли, grassland, водные объекты, застроенные земли и неиспользуемые земли. Данная схема классификации последовательно использовалась для анализа изменений землепользования, разработки сценариев и расчета запасов углерода с помощью InVEST. Доля застроенных земель, покрытие водонепроницаемыми поверхностями и интенсивность ночного освещения использовались в качестве индикаторов урбанизации земель. Покрытие водонепроницаемыми поверхностями и интенсивность ночного освещения служили прокси-показателями дистанционного зондирования для оценки интенсивности застройки и человеческой деятельности. NDVI был включен в качестве экологического индикатора в последующий пространственный эконометрический анализ.
Топографические переменные и переменные местоположения включали высоту над уровнем моря, уклон, расстояние до основных дорог, плотность дорожной сети и близость к крупным рекам. Эти переменные использовались в качестве факторов в моделировании землепользования и в качестве контрольных переменных в пространственных эконометрических моделях. В совокупности они представляли собой ограничения рельефа, транспортную доступность и гидрологическую связность.
Социально-экономические переменные включали плотность населения и плотность ВВП, дополненные плотностью дорожной сети, где эта информация была доступна. Данные переменные использовались для характеристики интенсивности освоения и давления антропогенной деятельности, связанных с изменениями запасов углерода. Структура переменных объединяла показатели освоения земель, социально-экономического давления и экологического контекста для представления совокупности факторов, влияющих на динамику запасов углерода.
Индекс интенсивности экологического планирования был разработан с использованием экологических «красных линий», природных заповедников, буферных зон водных объектов, районов с ограничениями по уклону и других экологически чувствительных регионов. Этот индекс служил как ограничивающим слоем в симуляциях землепользования в будущем, так и объясняющей переменной в пространственном эконометрическом анализе.
Для оценки запасов углерода с помощью InVEST для каждого класса землепользования были определены четыре параметра пулов углерода: углерод надземной биомассы, углерод подземной биомассы, органический углерод почвы и углерод мертвого органического вещества. Значения параметров были получены из опубликованных региональных исследований, руководств по InVEST, а также на основе характеристик местного растительного покрова и соотнесены с единой системой классификации землепользования. Под запасом углерода понимается общее расчетное количество углерода, содержащегося в этих четырех пулах, в то время как плотность запасов углерода означает запас углерода на единицу площади.
Переменные были разделены на три категории. Первая категория включала показатели урбанизации земель, в том числе долю застроенных земель, покрытие водонепроницаемыми поверхностями и интенсивность ночного освещения. Вторая категория включала экологические и планировочные переменные, такие как NDVI, интенсивность экологического планирования, высота, уклон и близость к гидрологическим объектам. Третья категория включала социально-экономические факторы, в том числе плотность населения, плотность ВВП и плотность дорожной сети. Эти переменные использовались для оценки взаимосвязей между урбанизацией земель, экологическим планированием и динамикой запасов углерода.
3. Дистанционное зондирование для идентификации урбанизации земель
Пространственно-временные закономерности урбанизации земель были определены с помощью трех взаимодополняющих показателей: расширения застроенных земель, покрытия водонепроницаемыми поверхностями и интенсивности ночного освещения. Расширение застроенных земель было извлечено из последовательных карт землепользования для определения физических границ и прогрессии городского развития от центральных застроенных районов к прилегающим регионам. Покрытие водонепроницаемыми поверхностями рассчитывалось для количественной оценки интенсивности застройки на уровне сетки, в то время как растровые данные об интенсивности ночного освещения были обработаны и нормализованы для отображения человеческой деятельности и функциональной концентрации. Эти пространственные слои были впоследствии интегрированы для создания исторического набора данных по урбанизации земель. Комбинированные показатели использовались для выявления зон устойчивого усиления развития, переходных зон и относительно стабильных регионов, а также для оценки пространственного соответствия между физическим освоением земель и функциональной урбанизацией.
Для количественной оценки масштабов и направления преобразования земель между категориями пахотных земель, лесных массивов, grassland, водных объектов, застроенных территорий и неиспользуемых земель была построена матрица перераспределения землепользования. Особое внимание было уделено переходам из категорий экологических и сельскохозяйственных земель в категорию застроенных территорий. Матрица использовалась для выявления доминирующих путей преобразования и основных типов земель, способствующих расширению городов.
Был проведен анализ паттернов ландшафта для оценки структурных изменений, связанных с урбанизацией земель. Метрики включали плотность пятен, плотность границ, индекс формы ландшафта и показатели фрагментации. Эти метрики рассчитывались для каждого периода исследования и использовались для количественной оценки изменений в конфигурации ландшафта, пространственной непрерывности и фрагментации, связанных с расширением застроенных территорий.
4. Разработка сценариев экологического планирования и моделирование землепользования
Моделирование будущих структур землепользования проводилось с помощью модели Patch-generating Land Use Simulation (PLUS) в рамках четырех сценариев планирования: естественное развитие (ND), экологическая защита (EP), защита пахотных земель (CP) и низкоуглеродная оптимизация (LC). Допущения для сценариев, правила преобразования земель, ограниченные типы земель и ожидаемые результаты по запасам углерода обобщены в Таблице 2.
Таблица 2: Правила управления сценариями и ограничения переходов. В таблице определены вероятности преобразования земель и пространственные ограничения для сценариев естественного развития (ND), экологической защиты (EP), защиты пахотных земель (CP) и низкоуглеродной оптимизации (LC). Примечания: Сокращения сценариев строго соответствуют тем, что используются в разделах моделирования PLUS и «Результаты». Настройки сценариев определяют ориентированные на политику правила преобразования и ограниченные типы земель, используемые в симуляциях; все установленные законом зоны отчуждения остались неизменяемыми на итоговых пространственных слоях. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.
Исторические карты землепользования и пространственные переменные-драйверы были интегрированы в модель PLUS для оценки базовых вероятностей перехода земель с использованием модуля клеточных автоматов (CA). Для сценариев экологической защиты (EP), защиты пахотных земель (CP) и низкоуглеродной оптимизации (LC) экологические «красные линии», основные permanently basic cropland, буферные зоны водных объектов и другие планировочные ограничения были включены в качестве слоев пространственных ограничений для лимитирования конверсии земель в соответствии с предопределенными правилами сценариев. Впоследствии для каждого сценария были определены целевые количественные показатели спроса на землю на 2030 год, и модуль CA был запущен с использованием 50 стохастических повторностей для создания окончательных прогнозов землепользования.
Моделирование землепользования проводилось с использованием модели PLUS и ее структуры клеточных автоматов (CA) с многотипной стохастической генерацией участков. Для оценки вероятности расширения земель для каждого класса землепользования использовались исторические карты землепользования, а также переменные факторов окружающей среды и социально-экономические показатели. Затем были определены объемы потребности в земле в будущем в соответствии с требованиями каждого сценария планирования, и для целевого периода моделирования были созданы соответствующие карты землепользования.
Эффективность модели оценивали с помощью исторического обратного прогнозирования (back-casting) перед проведением симуляции на будущие периоды. Более ранние карты землепользования и соответствующие переменные-факторы использовались для симуляции более поздней наблюдаемой карты землепользования. Соответствие между симулированным и наблюдаемым распределением землепользования оценивали с помощью общей точности (OA), коэффициента Каппа и показателя качества (FoM). Валидация проводилась как на общем уровне, так и по основным классам землепользования. Историческое обратное прогнозирование с 2010 по 2020 год дало общую точность (OA) 93,4%, коэффициент Каппа 0,89 и показатель качества (FoM) 0,26, что указывает на высокую надежность способности к пространственному прогнозированию в последующих многосценарных симуляциях.
Для оценки устойчивости результатов моделирования были проведены анализ неопределенности и анализ чувствительности. Анализ чувствительности в модели PLUS позволил изучить влияние альтернативных настроек сопротивления переходу и параметров весов соседства для основных классов землепользования. Анализ чувствительности в InVEST был направлен на оценку влияния вариаций коэффициентов пулов углерода для различных типов землепользования. В рамках пространственного эконометрического анализа чувствительности сравнивались альтернативные спецификации матрицы пространственных весов. Эти анализы использовались для проверки того, сохраняются ли ранжирование сценариев и направление основных эффектов урбанизации и экологического планирования при альтернативных настройках параметров. В частности, была строго подтверждена стабильность результатов: ранжирование сценариев и отрицательные пространственные эффекты перелива от урбанизации земель оставались неизменными при изменении параметров сопротивления переходу и коэффициентов пулов углерода в пределах ±15%.
5. Оценка запасов углерода
Оценка запасов углерода проводилась с использованием модели углерода InVEST. Базовые параметры для четырех пулов углерода (надземная биомасса, подземная биомасса, органический углерод почвы и мертвая органическая материя) были присвоены каждому переклассифицированному типу землепользования с использованием биофизических значений, приведенных в Таблице 3. Затем в модель были импортированы исторические карты землепользования (20–2020 гг.) и растровые наборы данных о будущем землепользовании, смоделированные с помощью PLUS, и интегрированы с соответствующими параметрами плотности углерода. Впоследствии была запущена модель для оценки общего регионального запаса углерода (Tg C), плотности запаса углерода на уровне сетки (Mg C/ha) и пространственных карт изменения запасов углерода (ΔC) для исторических и будущих сценариев.
Переклассифицированные карты землепользования были сопоставлены с соответствующими базовыми значениями параметров пула углерода, представленными в Таблице 3. Чувствительность оценок запасов углерода к неопределенности параметров была протестирована путем изменения этих базовых значений на ±15% с подробным анализом результатов чувствительности. Модель использовалась для расчета общего запаса углерода, плотности запаса углерода и изменения запаса углерода для каждого класса землепользования в исторических условиях и при сценариях будущего планирования.
Были оценены три категории выходных данных. Во-первых, были рассчитаны общий региональный запас углерода и временные тренды для количественной оценки величины и направления изменения запасов углерода с течением времени. Во-вторых, было построено картирование пространственного распределения запасов углерода и их изменения для выявления зон удержания и потери углерода. В-третьих, оценки запасов углерода сравнивались между различными сценариями планирования для анализа относительного влияния стратегий экологической защиты, защиты сельскохозяйственных угодий и низкоуглеродной оптимизации на сохранение запасов углерода.
Таблица 3: Базовые параметры пулов углерода для различных типов землепользования. В таблице представлены показатели углерода надземной биомассы, углерода подземной биомассы, органического углерода почвы, углерода мертвой органики и общей плотности углерода, использованные в модуле запасов углерода InVEST. Единицы измерения — Mg C/ha. Примечания: Значения представляют собой базовые параметры, используемые в модели InVEST. Общая плотность углерода равна сумме четырех пулов углерода. Результаты анализа чувствительности при изменении этих базовых значений на ±15% представлены в Таблице 6. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.
6. Пространственная автокорреляция и пространственный эконометрический анализ
Для определения того, проявляют ли запасы углерода и их изменение значимую пространственную зависимость, был проведен анализ пространственной автокорреляции. Для оценки общей степени пространственной кластеризации распределения запасов углерода и их изменения на всей исследуемой области рассчитывался глобальный индекс Морана (Global Moran's I). Затем использовался локальный индекс Морана (Local Moran's I) для выявления локальных закономерностей пространственной ассоциации, включая кластеры «высокий-высокий», «низкий-низкий», «высокий-низкий» и «низкий-высокий». Анализ «горячих точек» проводился для определения областей концентрированной потери углерода и сохранения запасов углерода.
Для изучения взаимосвязей между урбанизацией земель, экологическим планированием, состоянием окружающей среды, социально-экономическими факторами и динамикой запасов углерода использовались модели пространственной эконометрики. В качестве зависимой переменной выступали плотность запасов углерода или изменение запасов углерода. Объясняющие переменные включали индекс урбанизации земель, долю застроенных земель, интенсивность экологического планирования, нормализованный разностный вегетационный индекс (NDVI), плотность населения, плотность ВВП, плотность дорожной сети, высоту над уровнем моря, уклон, среднегодовое количество осадков и среднегодовую температуру.
В качестве базовой модели использовалась регрессия с обычным наименьшим квадратом (OLS). Перед оценкой моделей пространственной авторегрессии (SAR), пространственной ошибки (SEM) и пространственной модели Дурбина (SDM) оценивалась остаточная пространственная зависимость. Эффективность моделей и оценки коэффициентов сравнивались для различных спецификаций.
Для представления соседских отношений между административными единицами была построена матрица пространственных весов со стандартизацией по строкам. Основная спецификация была основана на пространственной смежности; в рамках анализа устойчивости сравнивались альтернативные матрицы пространственных весов на основе расстояния и ближайших соседей, где это было применимо.
Для оценки локальных взаимосвязей и пространственного перелива были рассчитаны прямые, косвенные и общие эффекты на основе пространственной модели зависимости (SDM). Переменные рельефа, доступности, растительности, климата и социально-экономические показатели были включены в качестве контрольных переменных для снижения систематической ошибки, вызванной пропуском значимых переменных. Коэффициенты модели интерпретировались как условные пространственные ассоциации, а не как окончательные причинно-следственные связи. Переменные с p-значениями, превышающими общепринятые пороги значимости, интерпретировались как слабые или косвенные доказательства и не рассматривались как статистически достоверные эффекты.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Результаты
Идентификация урбанизации земель на основе дистанционного зондирования
На основании результатов идентификации методом дистанционного зондирования за несколько периодов установлено, что в исследуемой области в период с 20 по 2020 год наблюдалось значительное усиление урбанизации земель, сопровождавшееся реструктуризацией моделей землепользования и изменением конфигурации ландшафта. В целом, расширение застроенных земель демонстрировало модель концентрического расширения, распространяющуюся от централь...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Обсуждение
В данном исследовании представлен комплексный аналитический рабочий процесс, объединяющий идентификацию урбанизации земель на основе дистанционного зондирования, многосценарное моделирование землепользования, оценку запасов углерода с помощью InVEST и пространственное эконометрическое моделирование для анализа взаимосвязей между урбанизацией земель, экологическим планированием и динамикой запасов углерода в Синьцзяне, северо-западный Китай. Вместо того чтобы рассматривать эти компоненты как отдельные технические задачи, ...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Раскрытие информации
Авторы не имеют конфликтов интересов, подлежащих раскрытию.
Благодарности
Авторы не получали специального финансирования для данной работы.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Материалы
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Специализированные скрипты пространственной эконометрики и выходные наборы данных | Авторы | Репозиторий Zenodo: https://zenodo.org/records/21159171 | Использовались для воспроизведения пространственного эконометрического анализа и вспомогательного вычислительного процесса, описанных в данном исследовании. |
| Сетки плотности населения с высоким разрешением | WorldPop | https://www.worldpop.org/ | Использовались в качестве социально-экономических входных данных для пространственного эконометрического анализа. |
| InVEST (Integrated Valuation of Ecosystem Services and Tradeoffs) | The Natural Capital Project, Stanford University | Версия 3.14.0; https://naturalcapitalproject.stanford.edu/ | Использовалась для оценки запасов углерода и изменений запасов углерода при исторических и смоделированных сценариях землепользования. |
| Matplotlib & Pillow (библиотеки Python) | Python Community | https://matplotlib.org/; https://python-pillow.org/ | Использовались для создания иллюстраций публикационного качества и обработки графических выходных данных с высоким разрешением (600 dpi). |
| Мультитемпоральные наборы данных о землепользовании и земельном покрове | Resource and Environment Science and Data Center (RESDC), Китайская академия наук | https://www.resdc.cn/ | Использовались в качестве основного входного набора данных для анализа изменений землепользования и моделирования PLUS. |
| Модель PLUS (Patch-generating Land Use Simulation) | High-performance Spatial Computational Intelligence Lab (HPSCIL) | https://github.com/HPSCIL/Patch-generating_Land_Use_Simulation_Model | Использовалась для моделирования будущих структур землепользования при различных сценариях экологического планирования. |
| PySAL (Python Spatial Analysis Library) | PySAL Developers | https://pysal.org/ | Использовалась для проведения анализа пространственной автокорреляции и пространственного эконометрического моделирования. |
| Среда программирования Python | Python Software Foundation | Версия 3.9+; https://www.python.org/ | Использовалась для предварительной обработки данных, пространственного анализа, статистических расчетов и реализации рабочего процесса. |
| Топографические (DEM) и данные дистанционного зондирования | Геологическая служба США (USGS) | https://earthexplorer.usgs.gov/ | Использовались для получения топографических переменных и данных дистанционного зондирования для анализа урбанизации земель и параметризации модели. |
Ссылки
- 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
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.