Spatiotemporal Evolution and Multi‑Scenario Simulation of Urban Ecological Resilience in the Middle-Reaches of the Yangtze-River

Resumen Técnico: Evolución Espaciotemporal y Simulación de Múltiples Escenarios de la Resiliencia Ecológica Urbana en el Curso Medio del Río Yangtze

Planteamiento del Problema
La Aglomeración Urbana del Curso Medio del Río Yangtze (MUAY, por sus siglas en inglés), que abarca 29 ciudades en Hubei, Hunan y Jiangxi, enfrenta un desafío crítico: equilibrar la rápida urbanización e industrialización con la seguridad ecológica. Si bien estos motores económicos fomentan el crecimiento, simultáneamente inducen la fragmentación del hábitat, la degradación de los ecosistemas y el deterioro de la calidad del aire. Los ecosistemas naturales de la región a menudo carecen de una capacidad de autorrenovación suficiente para contrarrestar estas perturbaciones. La investigación existente sobre la resiliencia ecológica en aglomeraciones urbanas se basa frecuentemente en el análisis de patrones espaciales estáticos o carece de un monitoreo sistemático de los procesos evolutivos dinámicos. Además, los estudios contemporáneos suelen pasar por alto las simulaciones de múltiples escenarios, lo que limita su utilidad para la toma de decisiones prospectivas y la planificación espacial territorial. Este estudio aborda la necesidad de evaluar con precisión los cambios dinámicos históricos y predecir científicamente los patrones futuros de la resiliencia ecológica bajo diversas trayectorias de desarrollo para apoyar el desarrollo sostenible en la MUAY.

Metodología
El estudio emplea un marco integral que integra la evaluación de la resiliencia ecológica, el análisis espaciotemporal y la simulación basada en escenarios:

1. Modelo de Evaluación de la Resiliencia Ecológica: Se estableció un marco cuantitativo basado en tres dimensiones centrales: Resistencia, Adaptabilidad y Recuperación.

   • Resistencia (Res): Cuantificada mediante el Valor del Servicio Ecosistémico (ESV) derivado del método del factor equivalente, ajustado por las proporciones de rendimiento de grano local.
   • Adaptabilidad (Ada): Medida a través de la estabilidad estructural del paisaje, combinando la Heterogeneidad del Paisaje (Índice de Diversidad de Shannon e Índice de Dimensión Fractal) y la Conectividad del Paisaje (Índice de Cohesión de Parches).
   • Recuperación (Rec): Evaluada mediante un modelo de elasticidad ecológica basado en coeficientes de recuperación del uso del suelo.
   • El índice de Resiliencia Ecológica (ER) final se calculó como la media geométrica de los valores normalizados de Res, Ada y Rec.

2. Análisis Espaciotemporal (2010–2020):

   • Los datos de uso de suelo de 2010, 2015 y 2020 fueron procesados utilizando ArcGIS.
   • Autocorrelación Espacial Global y Local: Se utilizaron estadísticas de I de Moran para identificar patrones de agrupamiento espacial (Alto-Alto, Bajo-Bajo, etc.) y validar las características de distribución espacial de la resiliencia.
   • Dinámica del Uso del Suelo: Se utilizaron matrices de transición y diagramas de Sankey para analizar el flujo y los grados dinámicos del uso del suelo.

3. Simulación de Múltiples Escenarios (2035):

   • Se integró el modelo Markov-PLUS para simular los cambios en el uso del suelo y predecir la resiliencia ecológica bajo tres escenarios distintos para el año 2035:
     • Desarrollo Natural y Normal (NND): Escenario base que sigue las probabilidades de transición históricas sin restricciones específicas.
     • Desarrollo con Prioridad Económica (EPD): Prioriza la expansión de tierras de construcción, prohibiendo la conversión de tierras de construcción a otros tipos.
     • Protección y Restauración Ecológica (EPR): Prioriza la conservación, minimizando la transferencia de tierras cultivadas, bosques, pastizales y cuerpos de agua, mientras restringe las tierras de construcción.
   • El modelo fue validado utilizando la Figura de Mérito (FOM = 0.06) y el coeficiente Kappa (0.91) frente a los datos de 2020.

Resultados Clave

• Tendencias Históricas (2010–2020):

  • Resistencia y Adaptabilidad: Ambas mostraron tendencias ascendentes. Las áreas de alta resistencia aumentaron del 28.39% al 36.41%, y las áreas de alta adaptabilidad subieron del 32.9% al 34.2%.
  • Recuperación: Exhibió una tendencia a la baja, con un aumento de las áreas de baja recuperación del 30.1% al 33.9%.
  • Distribución Espacial: Las áreas de alta resiliencia se concentraron alrededor de los lagos de Poyang y Dongting, mientras que las áreas de baja resiliencia se encontraron en regiones que carecen de cuerpos de agua y en los núcleos urbanos principales.
  • Autocorrelación Espacial: Los valores globales de I de Moran fueron significativamente positivos (aprox. 0.45–0.47), confirmando un fuerte agrupamiento espacial. Se formaron grupos Alto-Alto (HH) alrededor de los lagos principales, mientras que se observaron grupos Bajo-Bajo (LL) en áreas como la ciudad de Changde con alta densidad de tierras de construcción.

• Simulaciones de Escenarios (2035):

  • Escenario NND: Predijo una disminución del 5.1% en las tierras cultivadas y un aumento del 23.1% en las tierras de construcción, lo que conduce a una disminución de la resiliencia ecológica general.
  • Escenario EPD: Resultó en la degradación ecológica más severa. Las tierras de construcción aumentaron un 32.6%, mientras que las tierras ecológicas (bosques, pastizales, agua) disminuyeron significativamente. Este escenario produjo la resiliencia ecológica más baja, caracterizada por la expansión de áreas de bajo valor y la degradación de las regiones de valor medio.
  • Escenario EPR: Logró la mayor resiliencia ecológica. Las tierras de construcción disminuyeron un 11.2%, mientras que los bosques, pastizales y cuerpos de agua aumentaron. Este escenario expandió con éxito las zonas de resiliencia media a alta y restauró las funciones ecológicas.

Contribuciones Clave

• Integración de Marco: El estudio operacionalizó con éxito un marco de "resistencia-adaptabilidad-recuperación" específicamente para la MUAY, vinculando los valores de los servicios ecosistémicos y las métricas del paisaje con la cuantificación de la resiliencia.
• Predicción Dinámica: Al transicionar del análisis estático a la predicción dinámica mediante el modelo Markov-PLUS, el estudio proporciona una evaluación prospectiva de cómo diferentes intervenciones de política (NND, EPD, EPR) alterarán el patrón de seguridad ecológica para 2035.
• Identificación de Compensaciones (Trade-offs): La investigación cuantifica explícitamente la compensación entre el crecimiento urbano y la protección ecológica, demostrando que el desarrollo con prioridad económica conduce a una pérdida significativa de resiliencia, mientras que las estrategias de protección ecológica pueden revertir las tendencias negativas.

Significancia
El artículo postula que comprender los patrones espaciotemporales de la resiliencia ecológica es de gran significancia práctica para optimizar la disposición espacial y fomentar el desarrollo sostenible en la MUAY. Los hallazgos destacan que, sin medidas de control efectivas, la resiliencia ecológica continuará disminuyendo bajo las tendencias de desarrollo natural. El estudio concluye que fortalecer las funciones ecológicas de las áreas centrales y optimizar los patrones espaciales mediante estrategias de protección y restauración ecológica (EPR) son necesarios para alcanzar los objetivos duales de restauración del ecosistema y desarrollo urbano sostenible. El método de evaluación mejorado presentado sirve como referencia para otras regiones de aglomeraciones urbanas que enfrentan presiones ecológicas y de desarrollo similares.

Limitaciones y Direcciones Futuras
Los autores reconocen que el estudio no incorporó las percepciones de los residentes sobre el ecosistema, lo que limita la exhaustividad del sistema de indicadores. Además, las limitaciones de los datos restringieron el análisis a la escala municipal, lo que podría ocultar las variaciones de resiliencia a nivel de condado y municipio. Se sugiere que investigaciones futuras incluyan indicadores de percepción ecológica, realicen estudios empíricos a escalas espaciales más finas y optimicen los modelos de predicción para reducir la subjetividad en la selección de parámetros.