Simulation Effects of Cropland Retirement for Pollution Interception and Urban Expansion in the Erhai Lake Basin Using a Random Forest–Cellular Automata Coupled Model

Technische Samenvatting: Simulatie-effecten van het terugtrekken van landbouwgrond voor vervuilingsinterceptie en stedelijke expansie in het Erhai-meerbekken

Probleemstelling
Rivierbekkens, met name in ecologisch kwetsbare hooglandregio's zoals het Erhai-meerbekken in China, worden geconfronteerd met een kritiek ruimtelijk conflict tussen economische groei (stedelijke expansie) en de bestrijding van diffuse vervuiling (die het terugtrekken van landbouwgrond voor vervuilingsinterceptie vereist). Hoewel maatregelen zoals ecologisch herstel van de oever en het terugtrekken van landbouwgrond essentieel zijn voor de waterkwaliteit, botsen deze vaak met de uitwaartse expansie van stedelijk bouwland. Bestaand onderzoek heeft deze processen grotendeels geïsoleerd behandeld—met de focus op ofwel watervervuilingbestrijding ofwel stedelijke ruimtelijke evolutie—en mist een verenigd kader om hun bidirectionele interacties te simuleren. Bovendien hebben conventionele modellen voor landgebruiksimulatie, zoals standaard Cellular Automata (CA) gekoppeld aan lineaire of logistische regressie, moeite om de complexe, niet-lineaire transitieprocessen te vatten die worden gedreven door beleidsinterventies en menselijke regulering. Deze studie adresseert de behoefte aan een modelleringsbenadering die deze concurrerende landgebouwovergangen accuraat kan simuleren en ruimtelijke conflicten onder verschillende reguleringsscenario's kan identificeren.

Methodologie
De studie stelt een Random Forest–Cellular Automata (RF–CA) gekoppeld model voor om de landgebruikspatronen in het Erhai-meerbekken tot het jaar 2030 te simuleren. De methodologie integreert machine learning voor mechanistische interpretatie met ruimtelijke modellering voor dynamische simulatie:

1. Random Forest (RF) Component:

   • Functie: Gebruikt om niet-lineaire drijvende mechanismen te interpreteren en de transitiekansen tussen landgebruikstypen te schatten.
   • Inputs: Multi-temporele landgebruik-remote sensing data (2000–2020) gecombineerd met drijvende factoren zoals topografie (hoogte, helling), toegankelijkheid (afstand tot rivieren, wegen), sociaaleconomische omstandigheden (bevolkingsdichtheid) en beleidsbeperkingen (ecologische beschermingszones, regelgeving voor landbouwgrond).
   • Proces: Het RF-model maakt gebruik van Bootstrap-resampling en willekeurige featureselectie om een ensemble van beslissingsbomen te construeren. Het gebruikt het Gini-zuiverheidscriterium voor knopensplitsing en Out-of-Bag (OOB) fout voor validatie.
   • Output: Het model kwantificeert het relatieve belang van de drijvende factoren en genereert genormaliseerde transitiekansmatrices ($P_{u \to v}$) voor verschillende landgebouwconversies.

2. Cellular Automata (CA) Component:

   • Functie: Simuleert de ruimtelijke en temporele evolutie van landgebruikspatronen op basis van de door het RF-model afgeleide waarschijnlijkheden.
   • Mechanisme: De door RF afgeleide transitiekansen dienen als de kern van de transitieregels. Deze worden geïntegreerd met omgevingsfactoren (Moore-nabijheid, 8-cel radius), natuurlijke beperkingen (hellingsgraad drempelwaarden), rigide ecologische beperkingen (ecologische rode lijnen) en scenario-specifieke beleidsbeperkingen.
   • Iteratie: Het model iterereert van een basisjaar naar 2030, waarbij celtoestanden worden bijgewerkt op basis van een berekende totale transitiekans die stochastische perturbaties bevat om ruimtelijke heterogeniteit te vergroten.

3. Scenarioontwerp:
   Vier onderscheidende scenario's werden gesimuleerd om verschillende ontwikkelingspaden te evalueren:

   • Business-as-Usual (BAU): Voortzetting van historische trends zonder specifieke beleidsinterventies.
   • Pollution-Interception-Oriented: Prioriteert het terugtrekken van landbouwgrond en ecologisch herstel.
   • Urban-Expansion-Oriented: Prioriteert de groei van stedelijk bouwland.
   • Coordinated Optimization: Streeft naar een balans tussen ecologische bescherming en stedelijke ontwikkeling.

4. Evaluatiemetrieken:
   De modelnauwkeurigheid werd beoordeeld met behulp van Overall Accuracy (OA) en de Kappa-coëfficiënt. Scenario-uitkomsten werden geëvalueerd met behulp van landschapsmetrieken (patch dichtheid, stedelijke compactheid), ecologische indicatoren (verandering in ecologisch landoppervlak), schattingen van de vervuilingslast (gebaseerd op exportcoëfficiënten van stoffen) en ruimtelijke conflictanalyse (risico op secundaire bezetting van ingetrokken landbouwgrond).

Belangrijkste Resultaten

• Modelprestaties: Het gekoppelde RF–CA-model vertoonde een hoge betrouwbaarheid, met een Overall Accuracy van 93,4% en een Kappa-coëfficiënt van 0,88, waarmee het benchmarkmodellen zoals CA-Markov, CA-ANN, FLUS en PLUS overtrof.
• Drijvende Factoren: Analyse toonde aan dat afstand tot riviernetwerken (28,5%), hoogte (21,2%) en de ecologische beschermingszone (17,8%) de dominante drijvers zijn van landgebouwovergangen. Dit bevestigt dat hydrologische nabijheid en topografische beperkingen primaire mechanismen zijn, waarbij beleidsregulering een significante vormgevende rol speelt.
• Scenario-uitkomsten (2030):
  • Pollution-Interception Scenario: Ongeveer 12,7% van de hellende en oevergebonden landbouwgrond werd omgezet naar bos-grasland-moeras-systemen. Dit verminderde de diffuse vervuilingslast die het meer instroomt met 18,5% vergeleken met de BAU-trend. Dit ging echter gepaard met een reductie van 26,3% in de stedelijke expansiegroei en een afname van 15,2% in de dichtheid van nieuwe landpatches.
  • Urban-Expansion Scenario: Dit pad leidde tot een afname van het ecologische land en een toename van de vervuilingsrisico's, wat de afweging tussen ontwikkeling en milieukwaliteit benadrukt.
  • Coordinated Optimization Scenario: Dit scenario bereikte een evenwicht, waarbij de compactheid van stedelijk land met 21,7% toenam en het aandeel ecologisch land met 4,8 procentpunt steeg, terwijl de vervuilingslast met 14,2% werd verminderd.
• Ruimtelijk Conflict: Conflictanalyse identificeerde dat ongeveer 6,3% van de gebieden met teruggetrokken landbouwgrond, met name in de randgebieden van het bekken en rivierdalen, een risico loopt op secundaire bezetting door stedelijke expansie. Deze gebieden vormen cruciale zones van ruimtelijk conflict onder gebalanceerde ontwikkelingsstrategieën.

Betekenis en Claims
Het artikel claimt dat de primaire bijdrage ligt in het aanpakken van de beperkingen van conventionele landgebruiksimulatiebenaderingen, die vaak steunen op lineaire aannames en niet in staat zijn om niet-lineaire transities onder beleidsinterventie te vatten. Door de niet-lineaire analytische capaciteit van Random Forest te integreren met de ruimtelijke en temporele evolutiekracht van Cellular Automata, biedt de studie een robuust kader voor:

1. Mechanistische Interpretatie: Het objectief kwantificeren van de relatieve bijdragen van natuurlijke, locatieve en beleidsmatige drijfveren aan de landgebouwevolutie.
2. Multi-Scenario Simulatie: Het bieden van een ruimtelijke simulatiebenadering die gelijktijdig economische ontwikkeling en vervuilingsinterceptie in rivierbekkens overweegt.
3. Beleidsondersteuning: Het bieden van een wetenschappelijke basis voor de gecoördineerde afbakening van stedelijke ontwikkelingsgrenzen en gebieden voor het terugtrekken van landbouwgrond in het Erhai-meerbekken.

De auteurs stellen dat de resultaten de gecoördineerde besluitvorming voor territoriale ruimtelijke planning en de bestrijding van diffuse vervuiling vergemakkelijken. Zij suggereren dat hoewel strategieën met één enkel doel (zuivere ecologische controle of ongecontroleerde expansie) aanzienlijke beperkingen vertonen, een gecoördineerd ontwikkelingspad geschikter is voor de langetermijn duurzaamheid van hooglandmeren. De studie positioneert dit kader als een overdraagbare referentie voor soortgelijke regio's die geconfronteerd worden met complexe mens-land conflicten.