Методическая статья

Прогнозирование землепользования при различных сценариях и оценка запасов углерода в ландшафте всемирного наследия Исянь-Хуаншань

11 просмотров

⸱

DOI:

10.3791/73148

⸱

1 октября 2026 г.

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

В этой статье

Краткое содержание

В данном протоколе представлен воспроизводимый рабочий процесс для многосценарного прогнозирования землепользования, оценки запасов углерода и анализа топографических закономерностей в ландшафте объекта Всемирного наследия Исянь—Хуаншань.

Аннотация

Изменение землепользования влияет на запасы углерода в суше, однако воспроизводимые рабочие процессы для оценки изменений на основе сценариев остаются ограниченными для ландшафтов Всемирного наследия, ориентированных на туризм. Данный протокол объединяет специализированный клеточный автомат Маркова, учет углерода по четырем пулам, эквивалентный структуре Integrated Valuation of Ecosystem Services and Tradeoffs, и географический детектор на основе оптимальных параметров для оценки изменений в землепользовании и запасах углерода в Исянь и прилегающих районах Хуаншань в южной части провинции Аньхой, Китай. Карты из China Land Cover Dataset за 2005, 2010 и 2015 годы использовались для калибровки и валидации вне периода. Было смоделировано четыре исследовательских сценария на 2030 и 2050 годы: «Обычный ход событий» (Business As Usual), «Расширение и развитие туризма», «Приоритет охраны экологии» и «Возрождение и активизация сельских поселений». Валидация по 4 632 329 валидным пикселям показала общую точность 96,61%, коэффициент Kappa 0,850 и показатель Figure of Merit 0,107. Базовый запас углерода составил 59,505 тераграмм углерода, при этом вклад лесов составил 95,9%. Прогнозируемые потери углерода к 2050 году варьировались от 5,01% при сценарии «Приоритет охраны экологии» до 13,49% при сценарии «Расширение и развитие туризма». Согласованные однофакторные возмущения подтвердили ту же последовательность сценариев. Географический детектор на основе оптимальных параметров определил уклон, рельеф и высоту как наиболее сильные из оцененных топографических связей. Предоставленные входные данные, параметры, выходные данные и скрипты обеспечивают воспроизводимость; тем не менее, сценарии следует интерпретировать как сравнительные стресс-тесты, а не как калиброванные прогнозы.

Введение

Наземные экосистемы накапливают углерод в растительности, почве и мертвом органическом веществе, тем самым способствуя регулированию климата1,2. Преобразование земель может быстро изменить эти запасы; поэтому пространственно-дифференцированная оценка имеет важное значение для планирования землепользования и управления углеродными ресурсами.

Аналитическая область в южной части провинции Аньхуэй охватывает обширные субтропические леса, сельскохозяйственные бассейны и территории, связанные с объектами всемирного наследия ЮНЕСКО — горой Хуаншань и деревнями Сиди и Хунцунь3,4. Исследования почвенно-растительного покрова объектов культурного наследия, туризма на объектах всемирного наследия и сохранения традиционных деревень указывают на то, что в данных условиях необходимо комплексное рассмотрение экологического состояния, антропогенной нагрузки со стороны посетителей и идентичности места5,6,7.

Модели землепользования на основе сценариев преобразуют наблюдаемые переходы в пространственно-явные прогнозы, а учет пулов углерода позволяет количественно оценить последствия таких закономерностей. В предыдущих исследованиях в Китае и других ландшафтах использовалось сочетание симуляции землепользования с генерацией патчей (Patch-generating Land Use Simulation, PLUS) или клеточного автомата Маркова (CA–Markov) с системой интегрированной оценки экосистемных услуг и компромиссов (Integrated Valuation of Ecosystem Services and Tradeoffs, InVEST) и географическим детектором на основе оптимальных параметров (optimal parameters-based geographical detector, OPGD), включая недавние комплексные применения8,9,10,11,12,13,14,15,16,17,18,19,20. Эти работы создают методологический прецедент, хотя в данной работе используется специализированная реализация марковского клеточного автомата (Markov-CA), а не PLUS.

В рамках смежных исследований оценивались траектории углерода, обусловленные политическими мерами, сопряженные модели спутникового мониторинга и землепользования, хранение углерода с учетом особенностей рельефа, применение в городских условиях и на территории кампусов, управление почвенным углеродом, переходы сельскохозяйственных угодий, национальное картирование лесов и зависимость от масштаба21,22,23,24,25,26,27,28,29,30,31,32,33,34. В совокупности эти работы подтверждают целесообразность сравнения нескольких сценариев, демонстрируя при этом, что выводы зависят от масштаба данных, переходов между классами, параметров углерода и моделируемых допущений относительно политики. Специализированная реализация, использованная в настоящем исследовании, обеспечивает прозрачный рабочий процесс, в котором матрица переходов, множители сценариев, процедура распределения, поиск плотности углерода, анализ чувствительности и анализ топографической связи могут быть изучены в рамках единой воспроизводимой структуры. Практическая ценность данного специализированного рабочего процесса в настоящем исследовании заключается в том, что матрица переходов, параметры сценариев, правила распределения пикселей, валидация, анализ чувствительности, учет углерода и анализ топографической связи реализованы и задокументированы в воспроизводимой вычислительной среде. Такая структура позволяет проверять и воспроизводить допущения и промежуточные аналитические этапы, использованные при анализе сценариев. Поскольку данный рабочий процесс не сравнивался напрямую с PLUS или другими реализациями CA–Markov, утверждения о более высокой точности, эффективности или прогностической способности не делаются.

Исследования топографического и эдафического контроля, геоморфологической устойчивости почвенного углерода, эффектов пространственного масштаба, применения OPGD, продуктивности региона Хуаншань, ландшафтных метрик, водно-болотных угодий и лесного углерода дополнительно подтверждают необходимость осторожной интерпретации влияния рельефа, основанной на выявлении ассоциативных связей35,36,37,38,39,40,41,42,43,44. На этом фоне общей целью настоящего метода является создание прозрачного и воспроизводимого рабочего процесса для многосценарного прогнозирования землепользования, оценки запасов углерода и анализа топографических ассоциаций в ландшафте объекта Всемирного наследия Исянь–Хуаншань. В данном рабочем процессе используется модифицированная реализация модели Markov-CA с четырехпуловым учетом углерода, эквивалентным модели InVEST, и OPGD; проводится валидация модели вне периода для 2005–2015 гг., а также анализ чувствительности методом изменения одного фактора за один прогон (28 итераций). Сопутствующие растры, правила сценариев, матрица ошибок, файлы среды и скрипты позволяют напрямую проверить и воспроизвести модифицированный процесс симуляции. Данный рабочий процесс предназначен для приложений с совместимыми категориальными растрами растительного покрова, параметрами плотности углерода для конкретных классов и соответствующими топографическими данными в случаях, когда целью является сравнительная оценка сценариев, а не точное пространственное прогнозирование.

Данное исследование преследовало три цели: (1) смоделировать землепользование на 2030 и 2050 годы в условиях стресс-тестов «обычного сценария развития» (BAU), «расширения и развития туризма» (TED), «приоритета экологического сохранения» (ECP) и «ревитализации и активизации сельских поселений» (VRA); (2) количественно оценить запасы углерода с использованием полной справочной таблицы из девяти классов и четырех пулов; и (3) оценить индивидуальные и совместные связи высоты, уклона, северной экспозиции и топографического рельефа с плотностью углерода в 2015 году8,9,10. Эти цели объединяют прогнозирование землепользования, учет углерода и анализ связи с рельефом в единый воспроизводимый рабочий процесс, сохраняя при этом различие между результатами моделирования землепользования и статистическими связями с топографическими переменными.

Метки сценариев обозначают сравнительные допущения, а не подогнанные прогнозы или закодированные нормативные планы. Соответственно, данный метод наиболее подходит для воспроизводимого сравнения альтернативных допущений по землепользованию и связанных с ними результатов накопления углерода, а не для интерпретации полученных карт как откалиброванных прогнозов будущего землепользования.

Протокол

Участие людей, животных или охраняемых видов не предусматривалось. В анализе использовались только общедоступные продукты дистанционного зондирования и опубликованные параметры плотности углерода; поэтому одобрение этического комитета не требовалось.

Реализуйте все вычислительные процедуры на Python 3.11 в рамках открытого и воспроизводимого рабочего процесса. Следуйте семи разделам: (1) определение территории исследования; (2) получение и предварительная обработка входных данных; (3) оценка матрицы переходов и инициализация пользовательской модели Маркова-КА; (4) настройка сценариев, тестов чувствительности и моделирования на будущее; (5) калибровка и валидация модели; (6) расчёт запасов углерода; и (7) выявление связей рельефа с ОПГД. Следуйте полному рабочему процессу, показанному на Рисунок 1.

figure-protocol-1
Рисунок 1Воспроизводимый рабочий процесс для проектирования землепользования в различных сценариях, оценки запасов углерода и анализа топографических ассоциаций. Семиэтапный рабочий процесс включает: (1) подготовку и предварительную обработку входных данных с использованием карт Китайского набора данных о земном покрове (China Land Cover Dataset, CLCD), данных цифровой модели рельефа Copernicus GLO-30 (Copernicus Digital Elevation Model, DEM) и таблицы плотности углерода; (2) оценку вероятностей переходов методом перекрёстной табуляции по пикселям; (3) параметризацию сценариев «обычная практика» (Business As Usual, BAU), «расширение и развитие туризма» (Tourism Expansion and Development, TED), «приоритет экологической консервации» (Ecological Conservation Priority, ECP) и «омоложение и активизация деревень» (Village Revitalization and Activation, VRA); (4) моделирование с помощью клеточного автомата Маркова (Markov-CA) с использованием 3 × 3 — окрестность Мура; (5) валидация вне периода с использованием общей точности (OA), коэффициента Каппа и показателя качества (FoM); (6) учёт углерода с применением четырёхкомпонентной таблицы соответствий, аналогичной подходу InVEST (Integrated Valuation of Ecosystem Services and Tradeoffs); и (7) анализ географического детектора на основе оптимальных параметров (OPGD). Рабочий процесс позволяет получать специфичные для сценария карты землепользования, траектории накопления углерода и оценки топографических ассоциаций. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

1. Область исследования

  1. Определите анализирующую сетку как 117,60–118.38°E и 29,72–30.22°N. Обработка горы Хуаншань и Сиди–Объекты Всемирного наследия в Хонгцуне указаны только в качестве географического контекста; не интерпретируйте прямоугольную область анализа или допустимую маску как официальную административную границу или границу объекта Всемирного наследия3,4.
  2. Перепроецируйте сетку в EPSG:32650 и примените действительную маску, чтобы получить 4 632 329 ячеек с разрешением 30 м, что соответствует 4 169,1 км²2. Используйте этот участок, охватывающий уезд Исянь, прилегающие части живописного района Хуаншань и северную часть уезда Сюйнин, для всех анализов растровых данных (Рисунок 2).

figure-protocol-2
Рисунок 2. Изучение протяжённости Исянь–Пейзаж Хуаншаня в южной части провинции Аньхой, Китай. Расположение аналитической области в провинции Аньхой, Китай, с указанием исследуемой территории красным прямоугольником. Топографические переменные, использованные в ассоциативном анализе, представлены на рисунке 5. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

2. Источники данных

  1. Используйте три группы входных данных: ежегодные данные о земном покрове CLCD, данные о рельефе Copernicus DEM GLO-30 и классифицированную таблицу плотности углерода с четырьмя пулами. Запишите временное охват, разрешение, источник и аналитическую роль каждого входного набора данных Таблица 1.
  2. Извлеките слои CLCD за 2005, 2010 и 2015 годы с разрешением 30 м. Сохраните девять классов: пашня, лес, кустарник, степь, вода, снег/лед, бесплодные земли, водонепроницаемые поверхности и болота45.
  3. Получение высоты, уклона, экспозиции склона (северность) и топографической неровности из цифровой модели рельефа Copernicus DEM GLO-3046. Назначьте полные значения девятиклассового пула углерода, приведённые в таблице 6 работы Cheng et al.; не применяйте условность по умолчанию или нулевые значения без ссылки на источник47.
  4. Перепроецируйте все слои в систему координат WGS 84 / UTM зона 50N (EPSG:32650) на общей сетке 30 м. Для категориальных данных о растительном покрове используйте ресемплирование по ближайшему соседу, а для непрерывных данных рельефа — билинейное ресемплирование.
  5. Примените одну и ту же действительную маску к каждому слою перед кросс-табуляцией, проверкой, подсчетом выбросов углерода и отбором проб по ОПГД.
  6. Используйте Python 3.11.9 с numpy 2.4.6, scipy 1.17.1, rasterio 1.4.4, matplotlib 3.11.0, pandas 3.0.3, geopandas 1.1.4 и shapely 2.1.2. Для точного воспроизведения обратитесь к архивным файлам окружения и скриптам с относительными путями.
  7. Настройте модель Маркова-КА с 3 × 3 Moore окрестность и зерно 2023. Инициализируйте отдельный генератор с затравкой для каждого сценария-года и прогона чувствительности и используйте зерно 42 для выборки OPGD.
Набор данныхВременной охватНативное пространственное разрешениеПервичный источник / постоянный идентификаторРоль в аналитическом рабочем процессе
Набор данных по типам земного покрова Китая (CLCD; Ян) & Хуан45)2005, 2010 и 201530 мZenodo DOI: 10.5281/zenodo.4417810Классификация видов землепользования, выявление изменений, валидация, оценка матрицы переходов, наблюдаемый базовый уровень и входные данные для марковской клеточной автоматной модели
Цифровая модель рельефа Коперника (DEM) GLO-30эпоха отсчёта 2019 года; в данном исследовании — статична30 мЭкосистема Copernicus Data Space / Планетарный компьютер Microsoft STACОпределение и расчет уклона, экспозиции склона (северность) и орографической переменности рельефа с использованием окрестности радиусом 450 м
Параметры плотности углеродаСтатическийПо классу землепользования; поиск по классу (Mg C га)⁻¹)Чэн и др.47
Таблица 6		Полная девятиклассовая, четырехпуловая таблица соответствий, используемая для эквивалентного учёта углерода по методу Integrated Valuation of Ecosystem Services and Tradeoffs (таблица 3)
Область анализа и границы участка исследованияСтатическийВектор / маска 30 мВосстановлено из сохранившегося рукописного источника: 117,60–118.38°E, 29,72–30.22°N; архивные GeoJSON и маскаОбщая пространственная маска, пределы анализа и сетка анализа

Таблица 1: Первичные пространственные и табличные наборы данных, используемые в аналитическом рабочем процессе. В таблице приведены временной охват, собственное пространственное разрешение, источник или постоянный идентификатор, а также аналитическая роль набора данных о земном покрове Китая (China Land Cover Dataset, CLCD), цифровой модели рельефа Copernicus (DEM) GLO-30, параметров плотности углерода, специфичных для классов, и пределы анализа исследуемой территории. Значения плотности углерода выражены в мегаграммах углерода на гектар (Mg C ha−1).

3. Оцените матрицу переходов и инициализируйте модель Маркова-КА

  1. Сопоставьте в таблице достоверные пиксели CLCD за период с 2010 по 2015 год. Для исходного класса i и целевой класс j, рассчитайте .
  2. Используйте полученные 9 × 9 матрица переходов для будущих сценариев. Получите отдельную матрицу 2005 года–Матрица переходов 2010 года для проверки модели
  3. Запустите симулятор как пользовательскую реализацию модели Маркова-КА на Python; не используйте PLUS8.
  4. На каждом пятилетнем шаге делайте синхронный снимок начального состояния. Вычислите количество переходов по этому снимку.
  5. Оценка целевых классов 1–9 и исходные классы 1–9 в порядке возрастания. Удалите каждый выбранный исходный пиксель из дальнейшего распределения, чтобы он мог претерпеть переход не более одного раза в течение пятилетнего периода.
  6. Ранжируйте подходящие кандидатские пиксели по количеству соседей целевого класса на начало шага в окне 3 × 3 окна Мура плюс равномерный случайный джиттер от 0 до 0,5.
  7. Вычислите требуемое количество пикселей для каждого перехода из источника в цель как округлённое произведение числа достоверных пикселей в исходном классе, соответствующей вероятности перехода и применяемого коэффициента масштабирования.
    1. Используйте масштабный коэффициент разработка для переходов к водонепроницаемым участкам и разработка × fp для переходов от леса к водонепроницаемым поверхностям; в противном случае используйте масштабный коэффициент, равный 1. Ограничьте запрашиваемое количество числом подходящих кандидатских пикселей.
    2. Если запрашиваемое количество меньше количества подходящих кандидатов, выберите кандидатов с наивысшим рейтингом на основе оценки окрестности целевого класса плюс равномерный случайный дрожок, описанный выше; если запрашиваемое количество равно количеству подходящих кандидатов, выберите всех подходящих кандидатов.

4. Настройка сценариев, тестов чувствительности и моделирования будущих условий

  1. Примените три параметра к общей переходной матрице. Пусть разработка масштабировать ожидаемые переходы к водонепроницаемому классу 8, применить фп только для переходов от леса к водонепроницаемым поверхностям и определяют аф как вероятность на каждом шаге того, что пахотные земли без соседа в виде непроницаемого покрытия по Мурю преобразуются в лес.
  2. Установить (разработка, fp, аф) до (1,4; 1,0; 0,005) для BAU, (6,0; 2,0; 0,001) для TED, (0,4; 0,4; 0,025) для ECP и (2,5; 0,7; 0,012) для VRA. Используйте Таблица 2 для соответствующих вычислительных правил, политических нарративов и значений параметров.
  3. Интерпретируйте мультипликаторы как прозрачные стресс-тесты низкого, среднего и высокого уровней развития, основанные на эмпирической переходной матрице. Не рассматривайте их как коэффициенты, оцененные по данным туризма, деревень-узлов, зонирования, транспорта, охраняемых территорий или экологических красных линий.
  4. Используйте ярлыки политики только для описания относительных направлений параметров. Не интерпретируйте ярлыки как юридические или пространственные ограничения, закодированные в модели.
  5. Обработка разработка, fpи аф в качестве определяемых автором параметров разведочного стресс-теста, а не эмпирически оценённых или калиброванных коэффициентов. Номинальные значения задают контрастирующие числовые предположения сценариев в отношении давления застройки (разработка), охрана лесов (fp) и лесовосстановление (аф); они не корректировались по наблюдаемым изменениям землепользования после 2015 года и не интерпретировались как оценки воздействия конкретных политик. Используйте эти номинальные значения для основных сравнений сценариев и оцените их устойчивость с помощью пошагового анализа чувствительности, описанного ниже.
  6. Для каждого сценария запустите номинальный случай 2050 года. Повторите моделирование после умножения одного из разработка, fpили af на 0,5 или 1,5, сохраняя другие параметры постоянными.
  7. Повторно инициализируйте начальное значение 2023 для каждого из 28 прогонов. Сравните запасы углерода, потери углерода, долю леса и долю водонепроницаемых поверхностей, представьте ранжирование по сопоставимым случаям и полные диапазоны ОАТ без интерпретации их как вероятностных доверительных интервалов.
  8. Инициализируйте каждое последующее моделирование на основе наблюдаемых данных CLCD 2015. При распределении водонепроницаемых поверхностей разрешите пашне оставаться пригодной в пределах допустимой маски и требуйте, чтобы исходные пиксели, не являющиеся пашней, граничили с ячейками водонепроницаемых поверхностей на начало шага.
  9. После распределения по классам преобразовывайте подходящие сельскохозяйственные угодья в лес независимо с заданной вероятностью афВыполните три пятилетних шага для прогноза на 2030 год и семь пятилетних шагов для прогноза на 2050 год.
  10. Сохранить класс 0 за пределами допустимой маски. Экспортировать каждую проецированную карту с разрешением 30 м.
СценарийРеализованное вычислительное правилоНаучно-популярная статья (не закодированное ограничение)Параметры
(разработка / fp / af)
Без изменений (BAU)Умеренный мультипликатор непроницаемости; исходная восприимчивость леса; 0,5 % озеленения изолированных пахотных земель на шагБенчмарк продолжения1.4 / 1.0 / 0.005
Расширение и развитие туризма (TED)Сильный непроницаемый мультипликатор; удвоенная чувствительность леса к непроницаемым поверхностям; слабая аффорестацияТест на стресс при высокой нагрузке6.0 / 2.0 / 0.001
Приоритет экологической охраны (ECP)Сниженная конверсия водонепроницаемых поверхностей и восприимчивость лесов; наиболее сильная аффорестацияЭкологический стресс-тест на сохранение0.4 / 0.4 / 0.025
Возрождение и активизация сельских территорий (ВАСТ)Промежуточный непроницаемый мультипликатор; восприимчивость леса ниже уровня БАР; промежуточная аффорестацияРассказ о возрождении деревни; слой деревни-узла отсутствует2.5 / 0.7 / 0.012

Таблица 2: Вычислительные правила и значения параметров для четырёх сценариев землепользования. В таблице приведены реализованные вычислительные правила, описания сценариев политики и значения параметров для сценариев «Бизнес как обычно» (BAU), «Расширение и развитие туризма» (TED), «Приоритет экологической консервации» (ECP) и «Оживление и активизация деревень» (VRA). Описания сценариев политики отражают предполагаемую интерпретацию каждого сценария и не кодируют пространственные ограничения. dev — множитель для застройки; fp — множитель восприимчивости леса к превращению в застроенные территории; af — доля озеленения изолированных сельхозугодий на один шаг моделирования.

5. Калибровка и проверка модели землепользования

  1. Оцените калибровочную матрицу по наблюдаемым данным за 2005 год–Изменение 2010 года. Моделирование 2015 года на основе наблюдаемых данных 2010 года с использованием зерна 2023.
  2. Сравните смоделированную карту 2015 года по пикселям с наблюдаемой КЛХД 2015 года в пределах допустимой маски. Рассчитайте общую точность, коэффициент Каппа, 9 × 9 матрица ошибок и показатель эффективности для изменённых ячеек48.
  3. Исключите недействительные клетки из числителя и знаменателя при вычислении показателей достоверности, чтобы нули за пределами маски не завышали степень совпадения.
  4. Интерпретируйте общую точность и коэффициент Каппа совместно с показателем FoM, поскольку первые два показателя определяются в основном неизменными участками лесов и пашни, тогда как FoM оценивает меньшее множество изменившихся ячеек. Используйте результаты валидации для сопоставления сценариев в регионе; не интерпретируйте их как установление точного прогноза местоположения изменений.

6. Рассчитайте запасы углерода

  1. Для каждого действительного пикселя присвойте четыре плотности пулов углерода, специфичные для класса, перечисленные в Таблица 3Суммируйте плотности четырёх пулов, чтобы получить общую плотность углерода в Мг С/га⁻1.
  2. Умножьте общую плотность углерода на площадь пикселя 0,09 га. Переведите полученные значения углерода в мегаграммах (Mg C) в терраграммы углерода (Tg C).
  3. Примените этот расчет поиска как алгебраический эквивалент формулы хранения углерода в InVEST. Не применяйте модуль скорости секвестрации, оценки или экономический модуль9,47.
Класс землепользования (CLCD)Надземная часть C
(мг С га⁻¹)		Подземное С
(мг С га⁻¹)		Содержание углерода в почве
(мг С га⁻¹)		Мертвый органический C
(мг С га⁻¹)		Общий С
(мг С га⁻¹)		Источник
1 Пашня3.567.4526.99.8247.73Чэн и др.47, Таблица 6
2 Лес53.5917.3684.852.8158.6
3 Кустарник4.254.6572.91.5983.39
4 Луговая растительность4.1516.5878.21.55100.48
5 Вода6.38000.126.5
6 Снег/лед00.335.3505.68
7 Стерильные1.30.3321.6023.23
8 Непроницаемый009.2809.28
9 Водно-болотные угодья12.249.1895.734.08121.23

Таблица 3: Параметры плотности углерода для девяти классов землепользования, входящих в набор данных китайского земного покрова, используемых при учёте углерода. Надземные, подземные, почвенные, мертвые органические и общие значения плотности углерода приведены для каждого класса землепользования в наборе данных по земному покрову Китая (China Land Cover Dataset, CLCD). Общая плотность углерода представляет собой сумму четырех углеродных пулов. Все значения плотности углерода выражены в мегаграммах углерода на гектар (Mg C ha⁻¹).−1). Значения были получены из работы Чэн и др.47, Таблица 6.

7. Выявление топографических ассоциаций с ОПГД

  1. Используйте плотность углерода 2015 года в качестве зависимой переменной и высоту, уклон, экспозицию склона на север и топографическую неровность — в качестве объясняющих факторов. Отберите 200 000 валидных пикселей с использованием зерна 42.
  2. Для каждого объясняющего фактора проверьте 2–15 интервалов квантилей. Сохраните дискретизацию, которая обеспечивает максимум q-значение
  3. Рассчитайте аналитический F-тест pзначения и перестановка pзначения с использованием 999 перестановок. Рассчитайте перестановку p-значение как p = (превышения + 1) / 1000
  4. Объедините оптимизированные страты для каждой пары объясняющих факторов для вычисления результатов взаимодействия. Интерпретируйте все результаты по факторам и их взаимодействиям как пространственные ассоциации, а не причинно-следственные эффекты.10.

Результаты

Пространственное распределение и временная динамика землепользования

Аналитический рабочий процесс, объем исследования и основные входные наборы данных обобщены в Рисунок 1, Рисунок 2и Таблица 1соответственно. Рисунок 1 представлен семиэтапный рабочий процесс, используемый для прогнозирования землепользования, валидации, учета углерода и анализа топографических взаимосвязей. Рисунок 2 показывает расположение и аналитические границы исследуемого района. Таблица 1 В данном разделе обобщены временной охват, пространственное разрешение, происхождение и аналитическая роль основных пространственных и табличных наборов данных. Сравнение смоделированных данных за 2015 год с данными наблюдений CLCD за 2015 год по 4 632 329 валидным пикселям показало следующие результаты: OA = 96,61%, Kappa = 0,850 и FoM = 0,107. В степени соответствия преобладали стабильные лесные массивы и сельскохозяйственные угодья, тогда как показатель FoM, ориентированный на изменения, указал на ограниченную точность воспроизведения локализации этих изменений. Таким образом, результаты валидации подтверждают применимость данных для сравнительного анализа сценариев, а не для точного пространственного прогнозирования. Дополнительная таблица 1 (рабочий лист S3)...представляет метрики валидации: количество верно определенных изменений (hits), пропусков (misses), ложных тревог (false alarms) и полную матрицу ошибок. Архив содержит растр валидации и точный скрипт, использованный для расчета.

В ходе 28 прогонов анализа чувствительности каждое соответствующее возмущение сохраняло ранжирование ECP > BAU > VRA > TED. Диапазоны потерь углерода составили 4,22–5,86% для ECP, 6,87–8,55% для BAU, 6,99–9,61% для VRA и 10,45–15,84% для TED. Диапазоны BAU и VRA перекрываются; следовательно, интерпретация ограничивается упорядочиванием соответствующих случаев, а не полным разделением диапазонов OAT. Полные результаты анализа чувствительности представлены в Дополнительной таблице 1 (лист S4) и на Дополнительном рисунке 1. Операционная матрица за 2010–2015 гг., приведенная в Дополнительной таблице 1 (лист S1), показала вероятность сохранения 98,23% для лесов, 94,66% для пахотных земель и 99,43% для непроницаемых поверхностей. Наибольшие внедиагональные переходы наблюдались от пахотных земель к непроницаемым поверхностям (3,39%), от пахотных земель к лесам (1,71%) и от лесов к пахотным землям (1,71%). За тот же период лесной покров сократился с 87,63% до 86,27%, тогда как площадь пахотных земель увеличилась с 10,99% до 11,92%, а площадь непроницаемых поверхностей увеличилась с 1,08% до 1,50%. На Рисунке 3A,B представлены наблюдаемые структуры землепользования в 2010 и 2015 годах соответственно, а на Рисунке 4 представлены соответствующие классы изменений без вывода о факторах, которые не были включены в анализ.

figure-results-1
Рисунок 3. Наблюдаемые модели землепользования в ландшафте Исянь–Хуаншань в 2010 и 2015 годах. Карты набора данных о земельном покрове Китая (CLCD), демонстрирующие пространственное распределение девяти классов землепользования в пределах анализируемой области. (A) Наблюдаемое землепользование в 2010 году. (B) Наблюдаемое землепользование в 2015 году. Классы землепользования включают пашни, леса, кустарники, луга, водные объекты, снег/лед, бесплодные земли, водонепроницаемые поверхности и водно-болотные угодья. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-results-2
Рисунок 4. Наблюдаемые изменения в землепользовании в ландшафте Исянь–Хуаншань с 2010 по 2015 год. На карте показано пространственное распределение стабильных лесов, потерь лесного покрова, прироста лесов и вновь созданных водонепроницаемых поверхностей на основе карт набора данных о земельном покрове Китая за 2010 и 2015 годы. Белые области представляют собой участки, не классифицированные по этим четырем представленным категориям изменений. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Характеристики рельефа и топографическая неоднородность

В пределах валидной маски высота варьировала от 82.3 до 1,830.3 m (среднее значение 388.0 m), уклон — от 0 до 87.3° (среднее значение 22.4°), северная экспозиция (northness) — от −1 до 1, а топографический рельеф — от 3.2 до 1,398.2 m (среднее значение 230.0 m). Рельеф определялся как локальный диапазон высот в пределах круговой окрестности радиусом 450 m, реализованный с использованием окна размером 31 × 31 пиксель. На рисунке 5A–D соответственно представлены высота, уклон, северная экспозиция и топографический рельеф. Эти слои характеризуют пространственную изменчивость местности; любой соответствующий экологический механизм рассматривается как гипотеза, а не как причинно-следственный результат35,36,37,38,39,40,41,42,43,44.

figure-results-3
Рисунок 5. Топографические переменные, использованные в анализе ассоциаций. Пространственное распределение четырех топографических переменных по всей анализируемой области: (A) высота, выраженная в метрах; (B) уклон, выраженный в градусах; (C) северность, выраженная по шкале от −1 до 1; и (D) топографический рельеф, выраженный в метрах. Эти переменные были использованы в географическом детекторном анализе на основе оптимальных параметров для изучения их индивидуальных и совместных ассоциаций с плотностью углерода за 2015 год. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Прогнозы землепользования для нескольких сценариев

Общая матрица переходов и параметры сценариев, обобщенные в Таблице 2, позволили получить отчетливые совокупные траектории с использованием числовых идентификаторов классов земельного покрова, приведенных в Дополнительной таблице 2. На Рисунке 6 представлены наблюдаемые и прогнозируемые доли лесов, пахотных земель и водонепроницаемых поверхностей, в то время как на Рисунке 7A–D показаны пространственные прогнозы для сценариев BAU, TED, ECP и VRA на 2030 год соответственно, а на Рисунке 7E–H — соответствующие прогнозы на 2050 год. Согласно прогнозам, к 2050 году лесной покров составит 78,0% при BAU, 74,6% при TED, 80,3% при ECP и 78,2% при VRA; соответствующие доли водонепроницаемых поверхностей составили 6,3%, 17,6%, 2,8% и 9,0%. По сравнению с наблюдаемыми данными за 2015 год, прогнозируемое расширение водонепроницаемых поверхностей составило примерно 202 km2 при BAU, 675 km2 при TED, 57 km2 при ECP и 317 km2 при VRA. Эти значения являются результатами стресс-тестирования, а не подогнанными прогнозами. Прогнозируемые изменения пространственно кластеризованы, поскольку ранжирование кандидатов использует подсчет соседей целевого класса, а преобразование земель, не являющихся пахотными, в водонепроницаемые ограничено граничными ячейками. Модель не включает слои транспортных коридоров, узлов поселений, охраняемых территорий, экологических красных линий или нормативного планирования; следовательно, видимое соответствие конкретной инфраструктуре или регулируемым зонам не является результатом заложенного эффекта.

figure-results-4
Рисунок 6. Наблюдаемые и прогнозируемые доли основных классов землепользования при четырех сценариях. Процент площади исследуемой области, занятой лесами, пахотными землями и водонепроницаемыми поверхностями, показан для наблюдаемых 2005, 2010 и 2015 годов, а также для прогнозов до 2030 и 2050 годов в рамках сценариев «обычного хода событий» (Business As Usual, BAU), «расширения и развития туризма» (Tourism Expansion and Development, TED), «приоритета охраны природы» (Ecological Conservation Priority, ECP) и «возрождения и активизации сел» (Village Revitalization and Activation, VRA). Столбцы представляют смоделированную долю от общей площади исследуемой области для каждого класса землепользования; планки погрешностей не используются, так как значения являются детерминированными результатами сценариев, а не оценками на основе повторностей. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-results-5
Рисунок 7. Прогнозируемое пространственное распределение землепользования при четырех сценариях в 2030 и 2050 годах. Прогнозируемые модели землепользования при сценариях «обычного развития» (BAU), «расширения и развития туризма» (TED), «приоритета сохранения экологии» (ECP) и «возрождения и активизации деревень» (VRA). (A–D) Прогнозы BAU, TED, ECP и VRA соответственно на 2030 год. (E–H) Прогнозы BAU, TED, ECP и VRA соответственно на 2050 год. Классы землепользования включают пахотные земли, леса, кустарники, grassland, водные объекты, снег/лед, бесплодные земли, водонепроницаемые поверхности и водно-болотные угодья. Все симуляции сценариев были инициализированы на основе наблюдаемой карты CLCD за 2015 год; следовательно, ячейки без симулированного перехода землепользования сохраняют класс землепользования 2015 года и базовую пространственную структуру. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Динамика запасов углерода при различных сценариях прогнозирования

Применение полной таблицы поиска по четырем пулам в Таблице 3 дало значение 59,505 Tg C для 2015 года, что эквивалентно средней плотности 142,73 Mg C ha−1. На долю лесов пришлось 57,04 Tg C (95,9%), в то время как на долю пахотных земель — 2,37 Tg C (4,0%). Непроницаемые поверхности внесли небольшой, но отличный от нуля вклад, поскольку используемый источник присваивает этому классу значение 9,28 Mg C ha−1. В классе лесов пулы почвы, надземной биомассы, подземной биомассы и мертвого органического вещества составили 53,5%, 33,8%, 10,9% и 1,8% от общего количества углерода соответственно31,32,33,34,44,47. Во всех сценариях запасы углерода в 2050 году оказались ниже, чем в 2015 году. Прогнозируемые запасы составили 54,895 Tg C при BAU (потеря 7,75%), 51,475 Tg C при TED (13,49%), 56,523 Tg C при ECP (5,01%) и 54,540 Tg C при VRA (8,34%). Разница между ECP и TED составила 5,048 Tg C. Эти различия являются результатом заданных численных параметров и не оценивают эффекты конкретных политических мер. На Рисунке 8A представлены общие запасы углерода в 2015 году и прогнозы по сценариям на 2030 и 2050 годы; на Рисунке 8B представлены соответствующие средние плотности углерода; на Рисунке 8C показаны потери углерода к 2050 году относительно базового уровня 2015 года; а на Рисунке 8D показана зависимость между прогнозируемой долей лесов и потерей углерода. Данные значения представляют собой детерминированные результаты сценариев, а не оценки на основе повторных измерений.

figure-results-6
Рисунок 8. Прогнозируемое депонирование углерода и его связь с лесным покровом при четырех сценариях землепользования. (A) Общее количество депонированного углерода в 2015 г. и прогноз на 2030 и 2050 гг. для сценариев «обычный ход событий» (Business As Usual, BAU), «расширение и развитие туризма» (Tourism Expansion and Development, TED), «приоритет экологического сохранения» (Ecological Conservation Priority, ECP) и «возрождение и активизация деревень» (Village Revitalization and Activation, VRA), выраженное в тераграммах углерода (Tg C). (B) Средняя плотность углерода для соответствующих лет и сценариев, выраженная в мегаграммах углерода на гектар (Mg C ha-1). (C) Процент потери общего запаса углерода к 2050 г. относительно базового уровня 2015 г. для каждого сценария. (D) Взаимосвязь между прогнозируемой долей лесов в исследуемой области в 2050 г. и процентом потери углерода относительно 2015 г. для каждого сценария. Значения представляют собой детерминированные результаты сценариев; планки погрешностей не применимы. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Топографические связи с пространственной неоднородностью запасов углерода

Детектор факторов OPGD определил наклон как наиболее значимый параметр (q = 0,557), за которым следует топографический рельеф (q = 0,460), высота (q = 0,352) и северная широта (в = 0,003), как показано на Рисунок 9AПри 999 перестановках перестановка p-значение для каждого фактора составило 0,001, что является минимально достижимым значением; аналитический F-критерий pзначения p также были ниже 0,001. Полная статистика по факторам и взаимодействиям детекторов, включая оптимизированные интервалы дискретизации, а также аналитические данные и результаты перестановочного анализа pзначения p приведены в Дополнительная таблица 3Статистическая значимость отличается от величины эффекта: связь с северным положением была ничтожной в практическом плане, и все qЗначения p указывают на взаимосвязи между четырьмя оцениваемыми переменными рельефа, а не на причинно-следственные связи10,40Все пары факторов продемонстрировали взаимодействие. Пожалуйста, предоставьте текст, который необходимо перевести.-значения, превышающие большее из их индивидуальных q-значения. Наиболее сильные взаимодействия наблюдались при наклоне ∩ облегчение (Поскольку вы предоставили только символ «q», мне нечего переводить. Пожалуйста, введите исходный текст на английском языке, и я переведу его на русский язык в соответствии с вашими требованиями к научному стилю и терминологии JoVE. = 0,628), высота ∩ наклон (q = 0,618) и высота ∩ облегчение (q = 0,510), как показано на Рисунок 9BЭти значения указывают на более сильные стратифицированные связи для парных факторов, но не позволяют установить геоморфологический механизм, поскольку почва, климат, возраст леса, методы управления и доступность не были включены в модель.

figure-results-7
Рисунок 9. Топографические связи с плотностью углерода за 2015 год, выявленные с помощью географического детектора на основе оптимальных параметров. (A) q-статистика факторного детектора для высоты, крутизны склона, северной экспозиции и топографического рельефа. Соответствующие значения q составляют 0.3518, 0.5571, 0.0031 и 0.4600; пермутационные тесты дали p = 0.001. (B) Значения q интеракционного детектора для попарных комбинаций четырех топографических переменных. Более высокие значения q указывают на более сильные статистические связи с пространственным распределением плотности углерода за 2015 год. OPGD — географический детектор на основе оптимальных параметров. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Общие результаты

Рисунок 10A–D обобщает основные результаты рабочего процесса: прогнозируемую долю лесов, общий запас углерода, ранжирование топографических связей и ключевые количественные показатели соответственно. Аналитическая база за 2015 год содержала 59,505 Tg C. В четырех исследуемых наборах параметров прогнозируемые потери к 2050 году составили от 5,01% до 13,49%, и во всех случаях сопоставленной чувствительности сохранилось ранжирование ECP > BAU > VRA > TED. Склон и рельеф продемонстрировали наиболее сильные оцениваемые связи с ландшафтом. Учитывая, что FoM = 0,107, а явные планировочные, социально-экономические и климатические слои были опущены, результаты подтверждают возможность сравнительной региональной оценки, а не детерминированного пространственного прогнозирования.

figure-results-8
Рисунок 10. Сводные данные по прогнозируемым результатам землепользования и запасам углерода, а также их топографические связи. (A) Прогнозируемая доля лесов в районе исследования в 2030 и 2050 годах при сценариях «обычного развития» (BAU), «расширения и развития туризма» (TED), «приоритета экологического сохранения» (ECP) и «ревитализации и активизации деревень» (VRA); пунктирная линия обозначает базовую долю лесов в 2015 году. (B) Общий запас углерода в 2015 году и прогноз на 2030 и 2050 годы при четырех сценариях, выраженный в тераграммах углерода (Tg C). (C) Ранжирование высоты, крутизны склона, северной экспозиции и топографического рельефа согласно q-статистике, полученной с помощью географического детектора на основе оптимальных параметров (OPGD), где более высокие значения q указывают на более сильную статистическую связь с плотностью углерода в 2015 году. (D) Сводка ключевых количественных показателей, включая базовый запас и плотность углерода, прогнозируемый диапазон потерь углерода к 2050 году, разницу в запасах углерода между сценариями ECP и TED, метрики валидации и наиболее сильную выявленную топографическую связь. OA — общая точность; FoM — показатель качества (Figure of Merit); Mg C ha-1 — мегаграммы углерода на гектар. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Дополнительный рисунок 1. Поочередный анализ чувствительности запасов углерода к 2050 году при четырех сценариях землепользования. (A) Номинальные запасы углерода к 2050 году и полный диапазон чувствительности по методу OAT (один за раз) для BAU, TED, ECP и VRA. Точки обозначают номинальные значения сценариев, а вертикальные отрезки — минимальные и максимальные значения запасов углерода, полученные путем умножения одного из параметров dev, fp или af на 0,5 или 1,5 при неизменности остальных параметров. (B) Изменение запасов углерода к 2050 году относительно соответствующего номинального значения сценария после возмущения параметров dev, fp и af в 0,5× и 1,5× раза. Значения выше нуля указывают на более высокие запасы углерода, чем в номинальном случае, а значения ниже нуля — на более низкие запасы углерода. Диапазоны представляют собой детерминированные поочередные возмущения параметров и не являются вероятностными доверительными интервалами.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 1. Матрица переходов землепользования, параметризация сценариев, валидация модели и результаты поочередного анализа чувствительности. Рабочая книга содержит четыре рабочих листа: S1матрица перехода землепользования за операционный период 2010–2015 гг.; S2значения параметров, реализованные правила и границы интерпретации для четырех сценариев; S3, 9 × 9 матрица ошибок и соответствующие результаты валидации модели; и S4номинальные результаты и результаты анализа чувствительности по одному параметру, полученные путем варьирования разработка, Ложноположительный результат, и af на 0,5× и 1,5× при неизменности остальных параметров. Диапазоны чувствительности представляют собой детерминированные возмущения параметров и не являются вероятностными доверительными интервалами.Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительная таблица 2. Идентификаторы классов земельного покрова, использованные в вычислительном процессе. В таблице приведены числовые идентификаторы классов и соответствующие им классы земельного покрова, использованные при растровом анализе. Класс 0 обозначает NoData за пределами валидной маски исследуемой области; классы 1–9 обозначают пахотные земли, лес, кустарники, травянистые сообщества, воду, снег/лед, бесплодные земли, водонепроницаемые поверхности и водно-болотные угодья соответственно.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 3. Результаты детектирования факторов и взаимодействий OPGD для плотности углерода за 2015 год. В таблице приведены оптимизированные q-статистики, количество интервалов дискретизации, p-значения аналитического F-критерия и p-значения перестановок на основе 999 перестановок для высоты, крутизны склона, северности и топографического рельефа. Результаты попарных взаимодействий включают q-статистику взаимодействия, индивидуальные q-статистики факторов и классификацию взаимодействия. Приведенные статистические данные отражают пространственные связи и не устанавливают причинно-следственные эффекты.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная заметка 1. Попанельные описания, источники данных и примечания по интерпретации для рисунков к рукописи. В заметке указаны содержимое и базовый источник данных для отдельных панелей рисунков, а также приведена информация об общих пространственных пределах, дублирующей информации и интерпретации отображаемых переменных.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Архив дополнительных данных (сжатый). Архив содержит 26 файлов GeoTIFF, готовых к анализу, файлы границ, метаданные, результаты, скрипты, рисунки, рабочие книги, файлы точной вычислительной среды, файл README и контрольные суммы SHA-256.

Обсуждение

В ходе четырех стресс-тестов запасы углерода снижались по мере того, как моделируемые переходы изменяли пропорции классов землепользования с высокой и низкой плотностью. Наибольшее снижение наблюдалось при TED, в то время как при ECP оно было минимальным. Таким образом, критически важным этапом применения протокола является настройка и интерпретация параметров dev, fp и af. Поскольку различия между сценариями обусловлены этими заданными значениями, они представляют собой условные ответы модели, а не наблюдаемые эффекты развития туризма, возрождения деревень или экологического регулирования. К 2050 году прогнозируемый запас углерода при TED оказался на 5,048 Tg C ниже, чем при ECP. Согласно принятой справочной таблице, преобразование одного гектара леса в непроницаемые поверхности снижает назначенный запас на 149,32 Mg C, тогда как преобразование пашни в непроницаемые поверхности снижает его на 38,45 Mg C. Эти различия в расчетах объясняют сильное влияние моделируемого преобразования лесов на общий объем запасов. Однако опора на значения из литературы без локальной калибровки вносит неопределенность в абсолютные оценки.

Другим критически важным этапом является вывод и дискретизация переменных рельефа, используемых в OPGD. Топографический рельеф был связан с плотностью углерода после оптимизированной дискретизации (q = 0.460). Рельеф определялся как локальный диапазон высот в пределах круговой окрестности радиусом 450 m, реализованный с помощью окна размером 31 × 31 пиксель. Ячейки с высоким рельефом могут совпадать с крутыми лесными участками, однако OPGD не позволяет разграничить влияние рельефа, доступности, истории землепользования, состава почвы, методов управления и других коррелирующих факторов. Парные страты рельефа дали более высокие значения q, чем отдельные факторы, особенно для сочетания уклон ∩ рельеф (q = 0.628). Эта закономерность носит скорее описательный, чем механистический характер. Аналогично, низкое значение q для северной экспозиции (0.003) не доказывает, что различия в солнечной радиации незначительны; проверка этого объяснения требует измерений радиации, микроклимата, растительности и полевых исследований.

Данный метод позволяет формулировать региональные гипотезы: ограничение моделируемой конверсии лесов, сдерживание расширения водонепроницаемых поверхностей и увеличение перехода сельскохозяйственных угодий в лесные массивы способствуют сохранению большего объема закрепленного углерода. Для выработки конкретных предписаний по объектам требуются дополнительные данные. Для модификации рабочего процесса с целью его применения при принятии управленческих решений следует включить верифицированные слои охраняемых территорий, экологических красных линий, транспортных сетей, земельных участков и узловых поселений, а также провести оценку участия заинтересованных сторон, компромиссов между экосистемными услугами, стимулов, затрат на восстановление, культурных услуг, источников средств к существованию и биоразнообразия49,50,51,52,53,54,55,56. Эти дополнения важны, поскольку текущий протокол не учитывает подобные пространственные или социально-экономические ограничения. Обзор литературы также показывает, что стратегии депонирования растений, структура леса, недревесная растительность, поведение туристов и эффекты жизненного цикла застроенной среды требуют анализа, отличного от настоящего учета почвенно-растительного покрова57,58,59,60,61.

Надлежащее использование и интерпретация данного метода определяются рядом ограничений. К ним относятся данные о плотности углерода, полученные из литературы без локальной полевой калибровки, возможные ошибки классификации CLCD, упрощенная специализированная модель Маркова-CA, ориентированная на изменения функция качества (FoM) со значением 0,107, неоптимизированные параметры стресс-тестирования и стохастическая оценка с использованием одного начального значения (seed). Дополнительными ограничениями являются применение дизайна «один фактор за раз» вместо вероятностного анализа неопределенности, отсутствие слоев планирования, социально-экономических показателей, доступности, почвенных характеристик, возраста леса и изменения климата, а также неказуальные ассоциации OPGD. Эти ограничения означают, что данный рабочий процесс подходит для сравнительной оценки региональных сценариев, но не обеспечивает детерминированных пространственных прогнозов, локально откалиброванных инвентаризаций углерода или причинно-следственных оценок эффективности политики.

По сравнению с существующими и альтернативными подходами, значимость данного протокола заключается в интеграции моделирования землепользования, учета углерода по четырем пулам, валидации, анализа чувствительности и анализа связи с рельефом в рамках воспроизводимого рабочего процесса при сохранении четких ограничений по интерпретации. Поиск и устранение неисправностей, а также модификация должны быть сосредоточены прежде всего на этапах, которые оказывают наибольшее влияние на последующую интерпретацию: предварительной обработке и маскировании растительного покрова, параметризации переходов и сценариев, валидации модели, назначении плотности углерода и дискретизации рельефа.

Данный рабочий процесс может быть применен для сравнительной оценки альтернативных траекторий землепользования и выявления пространственных взаимосвязей, требующих дальнейшего изучения, в то время как применение к конкретным участкам требует дополнительных локально подтвержденных данных. Приоритетными направлениями будущих исследований являются сбор локальных измерений содержания углерода, сравнение альтернативных моделей распределения и случайных начальных значений (random seeds), подбор параметров под независимые факторы, а также учет неопределенностей классификации, параметров и климата. Эти разработки расширят возможности текущего рабочего процесса, выведя его за рамки сравнительного стресс-тестирования, и обеспечат более надежную основу для оценки результатов землепользования и накопления углерода при наличии дополнительных источников неопределенности.

Раскрытие информации

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Авторы выражают благодарность поставщикам наборов данных CLCD и Copernicus DEM GLO-30.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Набор данных о растительном покрове Китая (CLCD)Уханьский университет (Ян Ц. Дж.) & Хуан С.)1985–ежегодный продукт 2022 года; 30 м; Zenodo DOI: 10.5281/zenodo.4417810Исходные данные по земному покрову; слои за 2005, 2010 и 2015 годы, использованные для калибровки, валидации, оценки матрицы переходов и базового анализа
Цифровая модель рельефа Copernicus DEM GLO-30Европейское космическое агентство / Программа CopernicusЭпоха отсчета 2019; общедоступный выпуск 2021; 30 мВходные данные о рельефе, используемые для расчета высоты, крутизны склона, экспозиции на север и топографического рельефа для анализа OPGD
Пользовательский марковский клеточный автоматСобственная реализация на PythonPython 3.11; seed 2023; синхронное обновление; 3 × окрестность Мура с радиусом 3; архивный источникМоделирование сценариев землепользования; пользовательская реализация без использования PLUS
geopandas (библиотека Python)разработчики geopandas1.1.4Работа с векторными данными, пространственные запросы и операции с границами
Формула хранения углерода в четырехпулах InVESTПроект «Природный капитал»Документация InVEST; пользовательский расчет поиска (lookup) на Python; архивный скриптКлассовый учет углерода по четырем пулам; без модуля скорости секвестрации, оценки или экономического модуля
matplotlib (библиотека Python)Разработчики Matplotlib3.11.0Отрисовка фигур и научная визуализация
numpy (библиотека Python)разработчики NumPy2.4.6Численные вычисления на уровне массивов
Детекторы факторов и взаимодействий OPGDСобственная реализация на языке Python на основе методологии OPGDСид 42; выборка из 200 000 пикселей; 2–15 квантильных интервалов; 999 перестановок; архивный скриптФакторный анализ и анализ взаимодействий при изучении взаимосвязей между плотностью углерода в 2015 году и высотой над уровнем моря, крутизной склона, северной экспозицией и топографическим рельефом
pandas (библиотека Python)разработчики pandas3.0.3Работа с табличными данными и обработка аналитических результатов
Язык программирования PythonPython Software Foundation3.11.9Вычислительная среда для предобработки, моделирования, валидации, учета углерода, анализа OPGD и постобработки
rasterio (библиотека Python)разработчики rasterio1.4.4Ввод-вывод растровых данных, репроекция, ресемплинг, а также обработка растров земельного покрова и рельефа местности
scipy (библиотека Python)Разработчики SciPy1.17.1Численные и морфологические операции, используемые при обработке рельефа
shapely (библиотека Python)Разработчики Shapely2.1.2Геометрические операции для векторной и пространственной обработки
Протяженность области исследования и валидная маскаВходные данные по индивидуальному исследованию, реконструированные по координатам рукописиEPSG:32650; 30 м; архивные файлы GeoJSON и GeoTIFF; 4 632 329 валидных ячеекОпределяет 4 169,1 км² общая область анализа и валидная растровая маска

Ссылки

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

Перепечатки и разрешения

Теги

Изменение землепользованияимитационное моделирование сценариевклеточный автомат Марковагеографический детекторэкосистемные услугиучет углеродарасширение туризмасохранение экологии

Эта статья была опубликована

Видео скоро будет доступно

Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.