Урбанизация земель, экологическое планирование и динамика запасов углерода в Синьцзяне, Китай, с использованием интегрированного рабочего процесса геопространственного моделирования

Краткое содержание

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.

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 услуг^4,5. 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 углерода^{7,8,9,10,11,12}. 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 ландшафтах^{13,14,15,16,17}. 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.

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.

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 центральных городских районов к периферийным зонам. Параллельный рост интенсивности человеческой деятельности и уровней водонепроницаемости поверхности указывает на то, что стремительное развитие не только изменило количественную структуру землепользования, но и глубоко перестроило паттерны региональной пространственной организации.

Результаты идентификации урбанизации земель, представленные на примере репрезентативного подмножества города Урумчи на Рисунке 2A, наглядно демонстрируют поэтапные траектории расширения земель застройки в период с 20 по 2020 год. В 200 году земли застройки были сосредоточены преимущественно в центральных городских районах с относительно компактной пространственной конфигурацией. К 2010 году значительно усилилось расширение по периферии, в результате чего вокруг центральных зон сформировались переходные зоны. К 2020 году земли застройки вышли за пределы первоначальных компактных границ, распространившись в нескольких направлениях и образовав отдельные очаги расширения, удаленные от центральных зон, что отражает типичные модели экспансии вовне и тенденции многоцентровой диффузии. В соответствии с этими моделями расширения, на Рисунке 2B показан выраженный градиент покрытия водонепроницаемыми поверхностями от центра к периферии в исследуемой области к 2020 году. Наивысшие значения наблюдались в центральных городских районах и прилегающих застроенных зонах, что указывает на максимальную интенсивность уплотнения поверхности и интенсивность застройки в основных функциональных зонах. Несмотря на то, что в периферийных районах сохранялся относительно низкий общий уровень покрытия, вдоль транспортных коридоров и вторичных городских узлов появилось несколько участков с высокими значениями, что свидетельствует о распространении процесса создания водонепроницаемых поверхностей за пределы городских центров вследствие перетока застройки в прилегающие районы. Рисунок 2C показывает, что регионы с наибольшим увеличением интенсивности ночного освещения в период с 20 по 2020 год были сосредоточены преимущественно в центральных городских районах, вдоль основных радиальных транспортных осей, уходящих вовне, а также в нескольких периферийных узлах роста.

С временной точки зрения на Рисунке 2D обобщены устойчивые тенденции к росту трех показателей урбанизации земель в период с 20 по 2020 год. Чтобы облегчить прямое сравнение показателей с различными внутренними единицами и масштабами, исходные значения каждого показателя были стандартизированы с использованием метода мин-макс нормализации, что позволило привести их к единому диапазону 0–1:

После проведения данной процедуры нормализации доля застроенных территорий сохраняла самый высокий относительный темп роста (е необработанное региональное среднее значение увеличилось с 3.2% ± 1.4% SD в 20 году до 8.7% ± 3.1% SD в 2020 году), что указывает на то, что расширение застройки стало наиболее выраженным пространственным проявлением в этот период. Доля водонепроницаемых поверхностей быстро росла (с 2.8% ± 1.2% SD в 20 году до 7.9% ± 2.8% SD в 2020 году), что отражает значительное увеличение степени герметизации поверхности, связанное с появлением новых областей застройки. Хотя интенсивность ночного освещения изначально находилась на относительно низком уровне, ее рост стал более выраженным в дальнейшем, что свидетельствует об ускоренном увеличении концентрации человеческой деятельности и функциональном развитии.

Рисунок 2Закономерности пространственно-временной эволюции урбанизации земель. (A) Траектории поэтапного расширения земель застройки (20–2020 гг.); (B) Пространственное распределение площади водонепроницаемых поверхностей в 2020 году (%); (C) Изменения интенсивности ночного освещения (NTL) в период с 20 по 2020 год (нВт/см²²/ср). (D) Временные тенденции трех основных индикаторов урбанизации земель, исследуемых в данной работе (застроенная территория, доля водонепроницаемых поверхностей и интенсивность ночного освещения). Линии тренда представляют собой региональные средние значения нормализованных по методу min-max индексов (масштабированных от 0 до 1 для сравнительной визуализации), рассчитанные по всем n = 105 административным единицам окружного уровня в исследуемой области. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Результаты анализа исторических изменений землепользования дополнительно раскрывают специфику процессов урбанизации земель. Схема перераспределения типов землепользования на Рисунке 3A показывает, что наиболее значимым преобразованием земель за исследуемый период был переход пахотных земель в земли застройки, что стало преобладающей тенденцией среди всех основных путей конверсии. Хотя некоторые лесные угодья, пастбища и водные объекты также подверглись преобразованиям в разной степени, общая картина характеризовалась преимущественным сокращением пахотных земель. Одновременно с этим наблюдались двусторонние потоки между пахотными землями и лесными массивами, а также между пастбищами и другими типами земель; это указывает на то, что в условиях стремительного развития системы землепользования претерпевают многостороннюю реорганизацию, вызванную расширением городов, а не однонаправльную эволюцию. Тем не менее, анализ моделей пространственного распределения и ширины потоков показывает, что земли застройки остаются основной категорией с чистым притоком, что дополнительно подтверждает доминирующую роль расширения застройки в исследуемой области за последние два десятилетия.

Матричный анализ на рисунке 3B обеспечивает более количественное представление интенсивности преобразования землепользования за различные временные периоды. Области с высокими значениями преимущественно сосредоточены в единицах преобразования, связанных с пахотными землями, при этом наиболее значительный переход наблюдается от пахотных земель к землям под застройку, что указывает на то, что несельскохозяйственное использование пахотных земель является основным проявлением изменения землепользования в исследуемой области. Значительная часть земель под застройку также сохраняет пространственную непрерывность и стабильность в своих границах, что отражает устойчивое расширение существующих зон застройки при сохранении высокой пространственной целостности. Напротив, хотя масштаб преобразования лесных земель, пастбищ и водных объектов остается относительно небольшим, локальное поглощение этих экологических зон землями под застройку заслуживает внимания.

На уровне ландшафтных структур на рисунке 3C виден устойчивый рост ландшафтных индексов в 20, 2010 и 2020 годах, при этом плотность пятен, плотность границ, индекс формы ландшафта и индекс фрагментации достигли своих пиковых значений в 2020 году. Это указывает на то, что по мере продвижения урбанизации ландшафтная структура исследуемой области эволюционировала от изначально относительно целостного и четко определенного паттерна к более фрагментированной, сложной и прерывистой пространственной конфигурации. Примечательно, что рост плотности границ и сложности формы количественно характеризует более неправильную и сложную геометрическую конфигурацию вновь расширенных участков застроенных земель.

Рисунок 3Историческое изменение землепользования и реструктуризация структуры ландшафта. (A) Диаграмма Санкея, иллюстрирующая потоки переходов в землепользовании с высоким разрешением и основные пути конверсии в период с 20 по 2020 год. (B) Матрица преобразования землепользования, количественно определяющая площадь пространственного перехода между шестью классами землепользования (км² )²). (C) Лепестковая диаграмма, отображающая изменения ключевых ландшафтных показателей (плотность пятен, плотность границ, индекс формы ландшафта и индекс фрагментации) за периоды 20, 2010 и 2020 годов. Все подписи и значения потоков масштабированы для обеспечения оптимальной читаемости. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Разработка сценариев экологического планирования и моделирование землепользования
При сочетании с правилами управления сценариями, установленными в Таблице 2, результаты моделирования землепользования при различных ориентациях экологического планирования демонстрируют отчетливые паттерны дифференциации. Сценарий естественного развития имеет тенденцию к сохранению инерции исторического расширения, в то время как сценарий охраны окружающей среды делает акцент на жестких ограничениях в отношении экологических «красных линий» и чувствительных зон. Сценарий защиты пахотных земель отдает приоритет поддержанию пространственной непрерывности сельского хозяйства, тогда как сценарий низкоуглеродной оптимизации ориентирован на сбалансированное развитие компактной урбанизации и экологическую координацию. Эти результаты показывают, что изменения в правилах планирования количественно изменяют моделируемую площадь вновь вводимых в оборот земель под застройку и перестраивают пространственное распределение экологических и сельскохозяйственных участков в четырех представленных сценариях.

При анализе репрезентативной выборки по городу Урумчи результаты пространственного моделирования с помощью модели PLUS показывают, что сценарий естественного развития (ND), представленный на рисунке 4A, демонстрирует наиболее выраженную тенденцию расширения застройки. Новые земли под застройку преимущественно распространяются от периферии существующих городских территорий, образуя широкие зоны расширения в нескольких направлениях, что указывает на то, что рост города остается преимущественно латеральным при слабых регуляторных ограничениях. Такая модель расширения напрямую приводит к поглощению пахотных земель и переходных экологических зон, окружающих центральные городские районы, что еще больше фрагментирует границы застройки. Напротив, сценарий экологической защиты (EP), изображенный на рисунке 4B, демонстрирует значительное сокращение использования новых земель под застройку, при этом расширение ограничено небольшим количеством пригодных для освоения участков вблизи центральных городских районов, в то время как периферийные лесные массивы, водные коридоры и экологические буферные зоны остаются в значительной степени нетронутыми.

С точки зрения защиты сельскохозяйственных угодий и координации развития, сценарий защиты пахотных земель (CP), представленный на рисунке 4C, демонстрирует пространственные ограничения, отличные от ограничений сценария EP. В рамках этого сценария крупные периферийные сельскохозяйственные угодья остаются в значительной степени нетронутыми, а новое строительство сосредоточено преимущественно по краям существующих застроенных территорий и в локальных узлах развития, что свидетельствует об интенсивности расширения, занимающей промежуточное положение между ND и EP. Напротив, сценарий низкоуглеродной оптимизации (LC), показанный на рисунке 4D, демонстрирует более компактную модель роста. Новые земли под застройку не распространяются широко вовне, а относительно сконцентрированы вдоль основных осей развития и на периферии существующих застроенных территорий, демонстрируя направленные границы расширения и более правильные пространственные конфигурации.

Рисунок 4Пространственное распределение смоделированных в PLUS будущих структур землепользования при различных сценариях экологического планирования, проиллюстрированное на примере части агломерации города Урумчи. (A) Сценарий естественного развития (ND), демонстрирующий инерцию исторического расширения. (B) Сценарий экологической защиты (EP), в котором особое внимание уделяется строгим пространственным ограничениям. (C) Сценарий защиты сельскохозяйственных угодий (CP), в котором приоритетом является обеспечение непрерывности сельскохозяйственной деятельности. (D) Сценарий низкоуглеродной оптимизации (LC), отражающий модели компактного роста. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Оценка запасов углерода
В Таблице 3 представлены базовые параметры плотности углерода для различных типов землепользования. Наивысшая общая плотность углерода была зафиксирована на лесных землях (14,9 Mg C/ha), что обусловлено преимущественно содержанием органического углерода в почве (94,5 Mg C/ha) и надземной биомассой (36,8 Mg C/ha). Для пастбищ и пахотных земель были отмечены умеренные значения общей плотности углерода — 8,9 Mg C/ha и 82,1 Mg C/ha соответственно. Напротив, искусственные и нерастительные поверхности показали значительно более низкие значения: для застроенных земель — 29,4 Mg C/ha, для неиспользуемых земель — 19,7 Mg C/ha.

С точки зрения закономерностей исторической эволюции, на рисунке 5A показана значительная пространственная реорганизация запасов углерода в исследуемой области между 200, 2010 и 2020 годами. В 200 году области с высокой плотностью углерода были сосредоточены преимущественно в периферийных экологических зонах, демонстрируя общую тенденцию к более высоким концентрациям на периферии и более низким значениям в центре. К 2010 году общий региональный запас углерода изначально снизился по мере того, как расширение городов захватывало экологические пространства, хотя в некоторых локальных периферийных районах временно сохранялся повышенный уровень запасов углерода. К 2020 году эта тенденция к снижению значительно ускорилась; общий цветовой градиент стал светлее, а области с высокими значениями заметно сократились, что указывает на непрерывное и существенное истощение общего регионального запаса углерода и ослабление пространственной непрерывности участков с высоким содержанием углерода.

Как показано на рисунке 5B, в сценарии ND наблюдалась самая низкая медианная плотность углерода (72.4 Mg C/ha, IQR = 14.6 Mg C/ha). В сценариях EP и CP медианные плотности были выше и составили 86.8 Mg C/ha (IQR = 12.3 Mg C/ha) и 81.2 Mg C/ha (IQR = 15.8 Mg C/ha) соответственно. Пространственное распределение изменений запасов углерода (ΔC) на рисунке 5C указывает на то, что при сценарии ND потери углерода (отрицательные значения ΔC) носят широкомасштабный географический характер. Напротив, при сценарии EP положительные значения ΔC сосредоточены в периферийных экологических зонах, тогда как сценарий LC демонстрирует пространственно неоднородное распределение локальных потерь и прироста углерода.

Рисунок 5D дополнительно раскрывает состав общего запаса углерода и его изменения в исторические периоды и при различных будущих сценариях с точки зрения структуры вклада различных типов землепользования. Как в исторической, так и в прогнозной фазах последовательно демонстрируется, что лесные земли и пастбища остаются основными contributors в общий запас углерода, за ними следуют пашни, в то время как земли застройки, водные объекты и неиспользуемые земли вносят относительно меньший вклад. Сравнение будущих сценариев показывает, что сценарий EP обеспечивает самый высокий общий запас углерода, в то время как сценарий ND демонстрирует самый низкий, а сценарии CP и LC занимают промежуточное положение. Эта закономерность тесно коррелирует с различной степенью сохранения экологических земель с высокой плотностью углерода в зависимости от выбранного сценария.

Рисунок 5Историческая и сценарная динамика запасов углерода. (A) Пространственное распределение общего запаса углерода (Тг С) и плотности запаса углерода (Мг С/га) в 20, 2010 и 2020 годах. (B) Скрипичный график распределения плотности углерода (Мг C/га) для различных сценариев. (С) Пространственное распределение изменений запасов углерода (ΔC, Мг C/га) при будущих сценариях относительно базового уровня 2020 года. (D) Вклад различных типов землепользования в общий запас углерода (Тг C). Скрипичные диаграммы визуализируют плотность распределения запасов углерода (n = 105 административных единиц на сценарий). Внутренние жирные горизонтальные линии обозначают медиану, а пунктирные линии — межквартильный размах (IQR). Звездочки в панель B обозначают статистическую значимость различий между базовым уровнем естественного развития (ND) и другими смоделированными сценариями, определенную с помощью H-критерия Краскела-Уоллиса (* p < 0.05, ** p < 0.01, *** p < 0.001). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Пространственная автокорреляция и пространственный эконометрический анализ
С точки зрения структур пространственной агрегации, на рисунке 6A выявлена значительная локальная пространственная автокорреляция изменений запасов углерода по всей исследуемой области. Зоны агрегации «высокий-высокий» преимущественно сосредоточены в центрально-северном поясе основного развития, что указывает на то, что в этих регионах и прилегающих единицах обычно наблюдаются однонаправленные характеристики увеличения запасов углерода с сильной пространственной взаимосвязью. Зоны агрегации «низкий-низкий» более распространены в южных и периферийных регионах, что отражает относительно низкую амплитуду изменений запасов углерода и пространственную стабильность. Напротив, типы агрегации «высокий-низкий» и «низкий-высокий» представлены в ограниченном количестве и встречаются преимущественно между центральными и периферийными переходными зонами, что свидетельствует о выраженном пространственном несоответствии и явлениях пограничного перехода в локальных областях.

Анализ горячих точек в Рисунок 6B далее раскрывает характер пространственной поляризации изменений запасов углерода. Значимые «горячие точки» преимущественно распределены по нескольким единицам в центральном и северо-восточном регионах, что указывает на то, что эти области в совокупности подвержены высокому давлению в плане потери углерода и являются чувствительными зонами с сосредоточенной деятельностью по освоению земель. Напротив, значимые «холодные точки» сконцентрированы в западных и южных регионах, что отражает более высокую способность к удержанию запасов углерода или меньшее воздействие в результате освоения. Кроме того, двувариантный регрессионный анализ по методу наименьших квадратов (OLS) в Рисунок 6C показывает, что более значительный рост индекса урбанизации связан с более выраженным отрицательным темпом изменения запасов углерода, что указывает на прогрессирующее увеличение потерь углерода. Это согласуется с отрицательными коэффициентами пространственной регрессионной модели (SDM), описанными в Таблица 4.

Рисунок 6Анализ пространственной автокорреляции и взаимосвязи запасов углерода. (A) паттерны локальных показателей пространственной ассоциации (LISA) вариаций запасов углерода; итоговый показатель глобального индекса Морана (Global Moran's I) и значение p-value представлены на панели. (B) Распределение «горячих» и «холодных» точек изменений запасов углерода. (C) Взаимосвязь между комплексным индексом урбанизации земель и скоростью изменения запасов углерода. На диаграмме рассеяния отображена статистически значимая отрицательная корреляция (коэффициент Пирсона) r = -0.612, R² = 0.375, p < 0,01), что сопровождается приведенным уравнением регрессии OLS (y = -5,42x - 1,25) и 95%-й доверительной полосой, подтверждающими эмпирическую взаимосвязь, наблюдаемую в пространственных моделях. LISA = локальные индикаторы пространственной ассоциации. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Таблица 4: Результаты оценки пространственных эконометрических моделей. В таблице приведено сравнение результатов моделей обычного метода наименьших квадратов (OLS), пространственной авторегрессионной модели (SAR), модели пространственной ошибки (SEM) и пространственной модели Дарбина (SDM) для анализа влияния переменных урбанизации, экологического планирования, растительности, социально-экономических факторов, доступности, рельефа и климата на плотность запасов углерода. P-значения указаны в скобках. Примечания: значения p указаны в скобках. Уровни значимости: *p < 0,05, **p < 0,01, *** p < 0,01. Все пространственные эконометрические модели (SAR, SEM, SDM) были оценены с использованием матрицы пространственных весов смежности по критерию «королевы» с нормированием по строкам на основе сбалансированной панели из n = 105 единиц на уровне округов за 3 периода (общее количество наблюдений N = 315). Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Результаты измерений, представленные в Таблице 4, демонстрируют, что пространственные модели превосходят эталонную модель OLS, что указывает на пространственную зависимость в динамике запасов углерода и подтверждает целесообразность использования пространственных эконометрических моделей. Индекс урбанизации земель имеет отрицательный прямой эффект SDM (−0,231, p = 0,08), косвенный эффект (−0,17, p = 0,041) и общий эффект (−0,348, p = 0,01), что свидетельствует о том, что повышение интенсивности застройки связано с более низкой плотностью запасов углерода как локально, так и в соседних единицах. Доля застроенных земель, плотность дорог, высота над уровнем моря, крутизна склона, NDVI и интенсивность экологического планирования демонстрируют статистически значимые эффекты на общепринятых уровнях хотя бы в одном компоненте модели. Плотность ВВП, напротив, имеет слабый отрицательный общий эффект (−0,132, p = 0,083) и незначимые прямой и косвенный эффекты; следовательно, эти данные интерпретируются как предположительные, а не достоверные доказательства.

Сравнение коэффициентов между моделями на рисунке 7A показывает, что индекс урбанизации земель и интенсивность экологического планирования сохраняют одинаковые знаки в спецификациях OLS, SAR, SEM и SDM, в то время как величины и значимость некоторых контрольных переменных варьируются в зависимости от модели. Как подробно показано на рисунке 7B, C, результаты SDM указывают на то, что индекс урбанизации земель оказывает значимое отрицательное прямое воздействие (-0,231, p = 0,08) и отрицательный косвенный переливной эффект (-0,17, p = 0,041) на плотность запасов углерода, что приводит к общему эффекту -0,348 (p = 0,01). Напротив, интенсивность экологического планирования демонстрирует положительные прямые (0,149, p = 0,021) и косвенные (0,096, p = 0,038) эффекты, давая в сумме общий эффект 0,245 (p = 0,05) (таблица 5 и таблица 6). Кроме того, анализ взаимодействия на рисунке 7D иллюстрирует модерирующий эффект: отрицательный наклон кривой предельного эффекта между индексом урбанизации и плотностью запасов углерода значительно выполаживается при более высоких уровнях интенсивности экологического планирования (верхняя граница 95% CI).

Рисунок 7Движущие механизмы и эффекты пространственного перелива. (A) Сравнение коэффициентов основных объясняющих переменных по разным моделям. Планки погрешностей соответствуют 95%-м доверительным интервалам (ДИ) стандартизированных коэффициентов. (B) Разложение прямых, косвенных и общих эффектов урбанизации земель и экологического планирования. (CЭмпирическое пространственное распределение локальных косвенных эффектов перелива урбанизации земель в 105 административных единицах уровня уезда в Синьцзяне.DМодерирующий эффект интенсивности экологического планирования на взаимосвязь между урбанизацией и плотностью запасов углерода (Мг С/га), где затененные области обозначают 95% доверительный интервал (ДИ). SAR = пространственная авторегрессионная модель; SEM = модель пространственных ошибок; SDM = пространственная модель Дурбина. Символы значимости в панель B укажите p-значения расчетных коэффициентов и предельных эффектов, полученные на основе z— статистика соответствующих пространственных эконометрических моделей (* p < 0.05, ** p < 0.01, *** p < 0.001). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Таблица 5: Показатели эффективности и метрики валидации модели симуляции землепользования PLUS (обратное прогнозирование за 2010–2020 гг.). Метрики рассчитывались путем сравнения фактической карты землепользования за 2020 год с картой землепользования за 2020 год, смоделированной на основе базовых данных 2010 года. Общий коэффициент Каппа > 0,80 и FoM > 0,20 указывает на существенное согласие и высокую надежность пространственных проекций. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 6: Анализ чувствительности и устойчивости интегрированного рабочего процесса. Для оценки устойчивости результатов моделирования варьировались ключевые параметры симуляции PLUS, оценки запасов углерода в InVEST и пространственного эконометрического анализа. В таблице обобщены протестированные параметры, диапазон возмущения или альтернативная спецификация, наблюдаемое влияние на основные результаты и итоговая оценка стабильности. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

ДОСТУПНОСТЬ ДАННЫХ:
Обработанные вычислительные материалы, поддерживающие данное исследование, включая табличные данные, лежащие в основе количественного анализа и отдельных рисунков, параметры конфигурации модели PLUS, таблицу параметров пула углерода InVEST и скрипты пространственной эконометрики, были размещены в репозитории Zenodo (https://zenodo.org/records/21159171). Размещенных вычислительных материалов достаточно для воспроизведения статистического анализа и количественных результатов, представленных в данном исследовании.

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, данный рабочий процесс объединяет наблюдаемую конверсию земель, альтернативные варианты будущего планирования, последствия для углеродных пулов и механизмы пространственного перелива в единую воспроизводимую последовательность.

Пространственно-временной анализ показывает, что урбанизация земель в исследуемом районе в период с 2000 по 2020 год следовала траектории центробежного расширения, переходя от компактного роста центральных районов к многонаправленному полицентрическому разрастанию. Эта закономерность согласуется с более широкой литературой по урбанизации, документирующей «прыжковое» развитие в быстро индустриализирующихся регионах, где инвестиции в инфраструктуру и экономическая агломерация одновременно вытесняют границы застройки наружу. Важно отметить, что доминирующий путь преобразования земель — из пахотных земель в застроенные — подтверждает, что сельскохозяйственные угодья по-прежнему принимают на себя основной удар городской экспансии; данный вывод согласуется с исследованиями динамики пригородных земель в Китае и других развивающихся экономиках. Однако, в отличие от высокоинтегрированных мегарегионов восточного Китая, урбанизация в Синьцзяне строго ограничена границами оазисов и доступностью водных ресурсов. Следовательно, такая экспансия несоразмерно угрожает ограниченным пахотным землям и экологическим переходным зонам, прилегающим к жизненно важным гидрологическим коридорам, что делает локальные процессы углеродного цикла более уязвимыми к антропогенным воздействиям. Одновременный рост доли водонепроницаемых поверхностей и интенсивности ночного освещения дополнительно указывает на то, что физическое расширение и функциональная интенсификация происходят параллельно. Это подразумевает, что урбанизация земель в данном контексте представляет собой не просто реальный рост, а глубокую структурную трансформацию регионального ландшафта².

Результаты имитационного моделирования сценариев демонстрируют, что ориентация экологического планирования оказывает существенное влияние на пространственную конфигурацию будущего землепользования и, следовательно, на региональные показатели запасов углерода¹⁸. Сценарий естественного развития приводит к наиболее резким потерям углерода, что обусловлено неограниченным расширением в сторону экологических земель с высокой плотностью углерода. Напротив, сценарий экологической защиты обеспечивает сохранение самых высоких уровней запасов углерода за счет введения строгих пространственных ограничений вокруг лесов, водно-болотных угодий и прибрежных защитных полос¹⁹. Сценарий низкоуглеродной оптимизации, хотя и не достигает показателей сценария экологической защиты по абсолютному объему сохранения запасов углерода, обеспечивает более сбалансированный результат за счет концентрации роста вдоль существующих коридоров застройки и вдали от экологически чувствительных зон. Эти различные результаты подчеркивают фундаментальный компромисс при планировании: интенсивность и пространственная направленность экологических ограничений напрямую определяют, какой объем углеродного капитала может сохранить быстро развивающийся регион в условиях давления роста^20,21.

Параметры запасов углерода дополнительно подтверждают данную интерпретацию. Существенная разница в способности к секвестрации углерода между природными экологическими пространствами и искусственными поверхностями означает, что каждая единица лесного массива, утраченная в результате урбанизации, представляет собой непропорционально высокую нагрузку по выбросам углерода. Постоянное доминирование лесов и grassland в региональном углеродном бюджете в сочетании с их документально подтвержденной уязвимостью перед застройкой делает защиту экологических земель краеугольным камнем любой стратегии пространственного управления с низким уровнем выбросов углерода³.

Результаты пространственного эконометрического анализа дополняют данные дистанционного зондирования и модели InVEST, показывая, что потери запасов углерода являются не только следствием локальных изменений растительного покрова. Результаты модели пространственной зависимости (SDM) указывают на то, что урбанизация земель оказывает значительное отрицательное прямое воздействие на локальную плотность запасов углерода, что сопровождается выраженным отрицательным косвенным эффектом перелива на соседние административные единицы. Отрицательный косвенный эффект урбанизации земель может быть интерпретирован через три вероятных трансграничных механизма. Во-первых, давление застройки может смещаться из строго регулируемых или насыщенных центральных единиц в прилегающие сельскохозяйственные угодья и экотонные зоны. Во-вторых, транспортные коридоры и промышленные цепочки могут передавать спрос на освоение земель за пределы одной административной границы, вызывая потери запасов углерода в соседних единицах. В-третьих, фрагментация экологических коридоров может нарушить непрерывность земель с высоким содержанием углерода и ослабить способность к удержанию углерода в окружающих районах. Напротив, интенсивность экологического планирования демонстрирует устойчивое положительное общее воздействие, что указывает на то, что строгие планировочные ограничения не только сдерживают потерю запасов углерода на локальном уровне, но и синергетически усиливают региональное удержание углерода при условии координации экологического пространственного управления между административными границами^22,23.

Практическое применение в политике
Полученные результаты имеют прямое применение для территориального пространственного планирования. Во-первых, политика в отношении экологических «красных линий» и буферных зон рек должна отдавать приоритет участкам лесов и grassland с высоким содержанием углерода, поскольку их преобразование приводит к непропорционально большим потерям запасов углерода. Во-вторых, меры по обеспечению компактного роста и транспортно-ориентированного развития могут снизить экспансию за счет сельскохозяйственных угодий и экологических переходных зон. В-третьих, компенсация выбросов углерода и экологическое восстановление должны быть скоординированы между соседними административными единицами, так как отрицательный косвенный эффект указывает на то, что развитие одного района может повлиять на состояние запасов углерода в окружающих областях. Наконец, комбинированный рабочий процесс может быть использован в качестве инструмента предварительного анализа перед утверждением плана землепользования для сравнения результатов по запасам углерода при различных вариантах планировочных ограничений.

Ограничения
Следует признать наличие ряда ограничений. Параметры пула углерода частично основаны на литературных данных и могут не в полной мере отражать локальную неоднородность почв, растительности и методов управления. Хотя для проверки стабильности ранжирования сценариев использовался анализ чувствительности, полевая калибровка позволила бы повысить достоверность абсолютных оценок запасов углерода. Пространственный эконометрический анализ снижает смещение из-за пропуска переменных за счет включения контрольных показателей рельефа, доступности, растительности, климата и социально-экономических факторов, однако подходящие инструментальные переменные оказались недоступны; следовательно, полученные коэффициенты следует интерпретировать как условные пространственные связи, а не как окончательные причинно-следственные эффекты.

Перспективы дальнейших исследований
В дальнейшей работе следует интегрировать локальные измерения биомассы и почвенного углерода, социально-экономические данные более высокого разрешения, формальные инструментальные переменные или квазиэкспериментальные планы, а также динамические пространственные панельные модели для дальнейшей проверки причинно-следственных связей. В будущих работах также следует приводить метрики валидации PLUS для конкретных классов, диапазоны чувствительности пулов углерода и результаты с альтернативными пространственными весами в дополнительных таблицах, чтобы обеспечить возможность независимого воспроизведения рейтингов сценариев и оценок перелива (spillover effects).

Заключение
Данное исследование демонстрирует, что рабочий процесс, объединяющий дистанционное зондирование, модель PLUS, модель InVEST и пространственную эконометрику, позволяет выявлять закономерности урбанизации земель, оценивать сценарии экологического планирования, количественно определять последствия для запасов углерода и диагностировать эффекты пространственного перелива в рамках единой воспроизводимой системы. Основные результаты показывают, что историческое расширение застройки происходило преимущественно за счет преобразования сельскохозяйственных угодий, что сопровождалось значительным увеличением степени непроницаемости поверхности и интенсивности человеческой деятельности. Моделирование сценариев подтверждает, что стратегии экологической защиты максимально увеличивают удержание углерода в регионе, в то время как пространственное эконометрическое моделирование устанавливает, что урбанизация земель оказывает как отрицательное прямое, так и пространственное побочное влияние на динамику запасов углерода. В конечном счете, этот интегрированный рабочий процесс предоставляет надежную, воспроизводимую аналитическую базу для количественной оценки экологических компромиссов при расширении городов и предлагает основанный на механизмах диагностический инструмент для пространственной оценки в экологически уязвимых регионах.

Материалы

Список материалов, использованных в этой статье

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.