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

Technische Samenvatting: Spatiotemporele Evolutie en Multi-Scenario Simulatie van de Stedelijke Ecologische Veerkracht in het Middengebied van de Yangtze-rivier

Probleemstelling
De stedelijke agglomeratie in het middengebied van de Yangtze-rivier (MUAY), die 29 steden in Hubei, Hunan en Jiangxi omvat, staat voor een kritieke uitdaging: het balanceren van snelle verstedelijking en industrialisatie met ecologische veiligheid. Hoewel deze economische drijfveren groei bevorderen, veroorzaken ze tegelijkertijd habitatfragmentatie, ecosysteemdegradatie en een verslechterende luchtkwaliteit. De natuurlijke ecosystemen in de regio missen vaak voldoende zelfherstellend vermogen om deze verstoringen tegen te gaan. Bestaand onderzoek naar ecologische veerkracht in stedelijke agglomeraties leunt vaak op statische ruimtelijke patroonanalyses of mist systematische monitoring van dynamische evolutieprocessen. Bovendien neigen hedendaagse studies er vaak naar om multi-scenario simulaties over het hoofd te zien, wat hun bruikbaarheid voor toekomstige besluitvorming en territoriale ruimtelijke ordening beperkt. Deze studie adresseert de noodzaak om historische dynamische verschuivingen nauwkeurig te beoordelen en toekomstige patronen van ecologische veerkracht onder variërende ontwikkelingspaden wetenschappelijk te voorspellen ter ondersteuning van duurzame ontwikkeling in de MUAY.

Methodologie
De studie maakt gebruik van een uitgebreid kader dat ecologische veerkrachtbeoordeling, spatiotemporele analyse en scenario-gebaseerde simulatie integreert:

1. Ecologisch Veerkracht Beoordelingsmodel: Een kwantitatief kader gebaseerd op drie kerndimensies—Resistentie, Adaptiviteit en Herstel—werd vastgesteld.

   • Resistentie (Res): Gekwantificeerd met behulp van de Ecosystem Service Value (ESV) afgeleid van de equivalente factor methode, aangepast door lokale graanopbrengstratio's.
   • Adaptiviteit (Ada): Gemeten via landschappelijke structurele stabiliteit, waarbij Landschappelijke Heterogeniteit (Shannon's Diversity Index en Fractal Dimension Index) en Landschappelijke Connectiviteit (Patch Cohesion Index) worden gecombineerd.
   • Herstel (Rec): Geëvalueerd met behulp van een ecologisch elasticiteitsmodel op basis van landgebruik herstelcoëfficiënten.
   • De uiteindelijke Ecologische Veerkracht (ER) index werd berekend als het geometrisch gemiddelde van de genormaliseerde Res, Ada en Rec waarden.

2. Spatiotemporele Analyse (2010–2020):

   • Landgebruikgegevens van 2010, 2015 en 2020 werden verwerkt met ArcGIS.
   • Globale en Lokale Ruimtelijke Autocorrelatie: Moran's I statistieken werden gebruikt om ruimtelijke clusteringpatronen (High-High, Low-Low, etc.) te identificeren en de ruimtelijke distributiekenmerken van veerkracht te valideren.
   • Landgebruikdynamiek: Transitiematrices en Sankey-diagrammen werden gebruikt om landgebruikstromen en dynamische graden te analyseren.

3. Multi-Scenario Simulatie (2035):

   • Het Markov-PLUS model werd geïntegreerd om landgebruikveranderingen te simuleren en de ecologische veerkracht te voorspellen onder drie verschillende scenario's voor het jaar 2035:
     • Natuurlijke en Normale Ontwikkeling (NND): Het basisscenario dat de historische transitiekansen volgt zonder specifieke beperkingen.
     • Economische Prioritaire Ontwikkeling (EPD): Prioriteert de expansie van bouwgrond en verbiedt de conversie van bouwgrond naar andere typen.
     • Ecologische Bescherming en Herstel (EPR): Prioriteert conservatie, waarbij de overdracht uit landbouwgrond, bos, grasland en waterlichamen wordt geminimaliseerd terwijl bouwgrond wordt beperkt.
   • Modelnauwkeurigheid werd gevalideerd met behulp van de Figure of Merit (FOM = 0,06) en de Kappa-coëfficiënt (0,91) ten opzichte van de 2020-gegevens.

Belangrijkste Resultaten

• Historische Trends (2010–2020):

  • Resistentie en Adaptiviteit: Beiden vertoonden een opwaartse trend. Gebieden met hoge resistentie namen toe van 28,39% naar 36,41%, en gebieden met hoge adaptiviteit stegen van 32,9% naar 34,2%.
  • Herstel: Vertoonde een neerwaartse trend, waarbij gebieden met een laag herstel toenamen van 30,1% naar 33,9%.
  • Ruimtelijke Verdeling: Gebieden met een hoge veerkracht waren geconcentreerd rond het Poyang-meer en de Dongting-meer, terwijl gebieden met een lage veerkracht werden gevonden in regio's die een tekort aan waterlichamen hebben en in centrale stedelijke kernen.
  • Ruimtelijke Autocorrelatie: Globale Moran's I-waarden waren significant positief (ongeveer 0,45–0,47), wat duidt op sterke ruimtelijke clustering. High-High (HH) clusters vormden zich rond grote meren, terwijl Low-Low (LL) clusters werden waargenomen in gebieden zoals de stad Changde met een hoge dichtheid aan bouwgrond.

• Scenario Simulaties (2035):

  • NND Scenario: Voorspelde een afname van 5,1% in landbouwgrond en een toename van 23,1% in bouwgrond, wat leidt tot een daling van de algehele ecologische veerkracht.
  • EPD Scenario: Resulteerde in de meest ernstige ecologische degradatie. De bouwgrond nam met 32,6% toe, terwijl ecologische gronden (bos, grasland, water) aanzienlijk afnamen. Dit scenario leverde de laagste ecologische veerkracht op, gekenmerkt door de expansie van gebieden met een lage waarde en gedegradeerde gebieden met een gemiddelde waarde.
  • EPR Scenario: Bereikte de hoogste ecologische veerkracht. De bouwgrond nam af met 11,2%, terwijl bos, grasland en waterlichamen toenamen. Dit scenario breidde succesvol zones met een medium- tot hoge veerkracht uit en herstelde de ecologische functies.

Belangrijkste Bijdragen

• Integratie van Kaders: De studie heeft succesvol een "resistentie-adaptiviteit-herstel" kader geoperationaliseerd specifiek voor de MUAY, waarbij ecosystemdienstwaarden en landschapsmetrieken worden gekoppeld aan de kwantificering van veerkracht.
• Dynamische Voorspelling: Door over te stappen van statische analyse naar dynamische voorspelling met behulp van het Markov-PLUS model, biedt de studie een vooruitziende blik op hoe verschillende beleidsinterventies (NND, EPD, EPR) het ecologische veiligheidspatroon tegen 2035 zullen veranderen.
• Identificatie van Trade-offs: Het onderzoek kwantificeert expliciet de trade-off tussen stedelijke groei en ecologische bescherming, en toont aan dat economisch geprioriteerde ontwikkeling leidt tot aanzienlijk verlies van veerkracht, terwijl strategieën voor ecologische bescherming negatieve trends kunnen ombuigen.

Betekenis
Het artikel stelt dat het begrijpen van de spatiotemporele patronen van ecologische veerkracht van groot praktisch belang is voor het optimaliseren van de ruimtelijke lay-out en het bevorderen van duurzame ontwikkeling in de MUAY. De bevindingen benadrukken dat zonder effectieve beheersmaatregelen de ecologische veerkracht onder natuurlijke ontwikkelingsstromen zal blijven dalen. De studie concludeert dat het versterken van de ecologische functies van kerngebieden en het optimaliseren van ruimtelijke patronen door middel van ecologische beschermings- en herstelstrategieën (EPR) noodzakelijk zijn om de dubbele doelen van ecosysteemherstel en duurzame stedelijke ontwikkeling te bereiken. De verbeterde beoordelingsmethode die wordt gepresenteerd, dient als referentie voor soortgelijke stedelijke agglomeratieregio's die te maken hebben met vergelijkbare ecologische en ontwikkelingsdrukken.

Beperkingen en Toekomstige Richtingen
De auteurs erkennen dat de studie de perceptie van bewoners ten opzichte van het ecosysteem niet heeft opgenomen, wat de volledigheid van het indicatorensysteem beperkt. Daarnaast beperkten databeperkingen de analyse tot het gemeentelijke niveau, wat variaties in veerkracht op het niveau van county en gemeente mogelijk maskeert. Voor toekomstig onderzoek wordt gesuggereerd om indicatoren voor ecologische perceptie op te nemen, empirische studies op fijnere ruimtelijke schalen uit te voeren en voorspellingsmodellen te optimaliseren om subjectiviteit bij de selectie van parameters te verminderen.