Risk-service mismatches reveal conservation and restoration priorities in China’s major urban agglomerations

Resumen Técnico: Desajustes entre Riesgo y Servicio en las Grandes Aglomeraciones Urbanas de China

Planteamiento del Problema
La rápida urbanización fragmenta el espacio ecológico y altera la composición del uso del suelo, creando presiones complejas sobre los ecosistemas dentro y alrededor de las grandes aglomeraciones urbanas. Mientras que el Riesgo Ecológico del Paisaje (LERI) identifica áreas vulnerables a la perturbación y el Valor de los Servicios Ecosistémicos (ESV) cuantifica los beneficios funcionales, las evaluaciones tradicionales suelen tratar estos indicadores de forma aislada o como simples superposiciones. Este enfoque no logra distinguir entre dos escenarios de gestión críticos: ecosistemas de alto valor que están expuestos a un alto riesgo (que requieren protección y control de riesgos) frente a paisajes de bajo valor que están degradados y son vulnerables (que requieren restauración funcional). Además, los estudios existentes carecen frecuentemente de comparabilidad interregional a través de diversos contextos hidrológicos y de desarrollo, y la interpretación de los impulsores detrás de las variaciones del ESV suele depender de modelos de aprendizaje automático sin una adecuación de filtrado de rendimiento, lo que puede sobreestimar los mecanismos causales.

Metodología
El estudio desarrolla un marco de "desajuste riesgo-servicio" aplicado a tres aglomeraciones urbanas contrastantes de China: la región de Pekín-Tianjin-Hebei (BTH), el Delta del Río Yangtsé (YRD) y el Área de la Gran Bahía de Guangdong-Hong Kong-Macao (GBA) —sobre cinco nodos temporales entre 2000 y 2020—.

1. Datos y Preprocesamiento: El análisis utilizó datos de uso de la tierra GlobeLand30 con una resolución de 30 m, reclasificados en seis categorías (tierras de cultivo, tierras forestales, tierras de pastoreo, cuerpos de agua, zonas urbanizadas, tierras no utilizadas), junto con datos de NDVI, meteorológicos, PIB, población y NPP. Todos los conjuntos de datos fueron armonizados a un sistema de cuadrícula consistente.
2. Evaluación de Riesgo y Servicio:
   • LERI: Calculado como una suma ponderada por área de los valores de riesgo ($R_i = D_i \times F_i$), donde $D_i$ representa la perturbación del paisaje (fragmentación, separación, dominancia) y $F_i$ representa la fragilidad ecológica.
   • ESV: Estimado mediante el método de factor de equivalencia de valor, ajustado por valores de producción de granos regionales e inflación para asegurar la comparabilidad temporal y espacial.
3. Diagnóstico de Aprendizaje Automático: Se entrenó un conjunto de algoritmos (incluyendo Random Forest, XGBoost y Redes Neuronales) para identificar los impulsores espaciales del ESV. Crucialmente, el estudio implementó un protocolo de filtrado de rendimiento: la importancia de las variables se interpretó solo para modelos que alcanzaron un $R^2 \geq 0.50$ en el conjunto de prueba. Los modelos con $0.30 \leq R^2 < 0.50$ fueron tratados como evidencia suplementaria débil, y aquellos por debajo de 0.30 fueron excluidos de la interpretación ecológica para evitar inferencias causales espurias.
4. Zonificación Ecológica Bivariada: Las celdas de la cuadrícula se clasificaron en cuatro zonas basadas en las medianas agrupadas de LERI y ESV:
   • Ventaja Ecológica: Alto ESV, Bajo LERI.
   • Sensibilidad Ecológica: Alto ESV, Alto LERI.
   • Potencial Ecológico: Bajo ESV, Bajo LERI.
   • Vulnerabilidad Ecológica: Bajo ESV, Alto LERI.

Resultados Clave

• Trayectorias Divergentes: De 2000 a 2020, el LERI medio disminuyó y el ESV total aumentó en las tres regiones, pero los patrones espaciales y las magnitudes difirieron significativamente. El YRD mostró la mayor reducción de LERI (8.32%) pero retuvo el mayor nivel base de riesgo medio. El GBA exhibió el menor riesgo medio pero contenía parches de alto riesgo concentrados en el núcleo de la bahía. BTH mostró el descenso más modesto (2.25%) con barreras montañosas estables pero una presión persistente en las llanuras.
• Impulsores del ESV: Los servicios de regulación dominaron el crecimiento del ESV, siendo los cuerpos de agua y las tierras forestales contribuyentes persistentes. El análisis de aprendizaje automático reveló que la importancia de los impulsores fue altamente específica de cada región y tiempo. Los cuerpos de agua fueron el impulsor interpretable más estable, aunque su papel ecológico varió (impulsado por la escasez en el BTH con restricciones hídricas frente a impulsado por la red en el YRD y el GBA). Sin embargo, el rendimiento del modelo fluctuó significativamente por año y región, indicando que los impulsores del ESV no son estacionarios.
• Evolución de la Zonificación: Las zonas de ventaja ecológica se expandieron en todas las regiones. No obstante, surgieron desafíos residuales distintos:
  • BTH: Mostró la mayor expansión de las zonas de ventaja, pero retuvo zonas vulnerables sustanciales en las llanuras.
  • YRD: Experimentó una disminución en las zonas vulnerables pero un aumento concurrente en las zonas de sensibilidad (alto valor/alto riesgo).
  • GBA: Sufrió el cambio más drástico, con una expansión masiva de las zonas de ventaja y una contracción de las zonas vulnerables, aunque las zonas de sensibilidad aumentaron significativamente, indicando que los ecosistemas de alto valor están cada vez más expuestos a la presión del desarrollo.
• Relaciones de Acoplamiento: El análisis de correlación reveló heterogeneidad regional. El BTH mostró una correlación negativa entre ESV y LERI (el alto valor se asocia con el bajo riesgo), mientras que el GBA mostró correlaciones positivas (el alto valor se superpone con el alto riesgo), destacando que los ecosistemas valiosos en el GBA se localizan a menudo en áreas propensas al riesgo.

Significancia y Reivindicaciones
El artículo reivindica tres contribuciones primarias al campo de la planificación y evaluación ecológica:

1. Protocolo Transregional: Establece un protocolo analítico consistente que pone a prueba si una lógica de zonificación común sigue siendo informativa a través de sistemas metropolitanos de restricción hídrica, redes fluviales y estuarinos, revelando que un único indicador no puede capturar las prioridades ecológicas regionales.
2. Marco de Desajuste: El estudio va más allá de la simple superposición de indicadores hacia un marco diagnóstico que distingue entre "protección" (para áreas de alto valor y alto riesgo) y "restauración" (para áreas de bajo valor y alto riesgo). Esto permite una priorización específica por región en lugar de un enfoque de talla única.
3. Atribución Rigurosa de Impulsores: Al condicionar la interpretación de los impulsores a umbrales explícitos de rendimiento de modelos fuera de la muestra, el estudio evita que predicciones débiles sean malinterpretadas como mecanismos ecológicos robustos. Posiciona al aprendizaje automático como una herramienta de diagnóstico para identificar asociaciones no lineales en lugar de un sustituto de la inferencia causal.

Los autores concluyen que, si bien ha ocurrido una mejora ecológica (expansión de las zonas de ventaja), esta coexiste con riesgos residuales. Una gestión eficaz requiere intervenciones diferenciadas: proteger las zonas de ventaja, amortiguar las zonas de sensibilidad y restaurar las zonas de vulnerabilidad, con estrategias específicas adaptadas a los contextos hidrológicos y de desarrollo únicos de cada aglomeración.