Impact of land cover spatial patterns on urban CO₂ emissions: Evidence from China
Notice bibliographique
Résumé
Dramatic changes in land cover impact spatial patterns of carbon sources and sinks in cities, which can potentially exacerbate urban CO₂ emissions, further threatening ecosystems, human health and economic development. While previous studies have explored the relationship between spatial patterns of land cover and carbon emissions, most of them focused on a single type of land cover or neglected the spatial heterogeneity. This study introduced an innovative approach to effectively leverage land cover spatial patterns for reducing CO₂ emissions. Based on the data across 304 Chinese cities in 2005, 2010, 2015 and 2020, the relationships between different land covers (cropland, forest, grassland and impervious) and CO₂ emissions were explored by multiscale geographically weighted regression (MGWR) model. Our analysis revealed that the growth rate of total CO₂ emissions decreased from 45% to 5% between 2005 and 2020, with the Beijing-Tianjin-Hebei and Yangtze River Delta regions being high-emission areas. The area of cropland had a double-edged effect on CO₂ emissions. Expanding the area of forest or fostering uniform distribution of land cover types contributed to CO₂ emission mitigation. The spatial hierarchy and complexity of grassland needed to increase. Impervious ground surface required the control of its expansion rate.These findings offer new insights into urban carbon reduction through comprehensive land use planning, providing an actionable strategy to optimize the spatial arrangement of land cover types.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».