Carbon storage in Hunan province: monitoring, modeling, and management strategies for climate change mitigation

Seyed Omid Reza, Shobairi; Lingxiao, Sun; Haiyan, Zhang; Chunlan, Li; Jing, He; Beirami, Behnam Asghari; Roudbari, Samira Hemmati; Sadeghi, Hadis; Shariati, Mohsen; Pirbasti, Mehran Alizadeh

doi:10.14681/apcrs-2024-001

Artykuł - szczegóły

Tytuł artykułu

Carbon storage in Hunan province: monitoring, modeling, and management strategies for climate change mitigation

Autorzy

Seyed Omid Reza Shobairi , Lingxiao Sun , Haiyan Zhang , Chunlan Li , Jing He , Beirami Behnam Asghari , Roudbari Samira Hemmati , Sadeghi Hadis , Shariati Mohsen , Pirbasti Mehran Alizadeh

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

DOI

10.14681/apcrs-2024-001

Warianty tytułu

Magazynowanie węgla w prowincji Hunan: monitorowanie, modelowanie i strategie zarządzania w celu łagodzenia zmian klimatycznych

Języki publikacji

Abstrakty

Climate change caused by human emissions of greenhouse gases, especially carbon dioxide (CO2 ), is one of the most important environmental challenges that the world is facing today. Understanding the spatial and temporal dynamics of CO2 emissions is critical to inform effective mitigation strategies. This study investigated the carbon emission profile of Hunan Province, an important industrial and economic region in southern China. Using remote sensing technology, spatial statistical techniques, and time series modelling, the researchers identified high-risk and low-risk carbon emission clusters in Hunan Province. In addition, the study examined the key socio-economic and energy-related factors that drive CO2 output. Finally, the authors developed a forecasting model to predict the trace of carbon emissions over the next decade. The results demonstrate the power of integrating statistical methods and geographic forecasting to provide evidence-based insights to support carbon management policies at the province level. This multifaceted methodology can be replicated in other regions to strengthen greenhouse gas monitoring and emission reduction planning at domestic scales. These findings underscore the critical role of China's provinces in addressing the global climate crisis through targeted data-driven mitigation efforts.

Zmiana klimatu spowodowana przez emisję gazów cieplarnianych, zwłaszcza dwutlenku węgla (CO2), jest jednym z najważniejszych wyzwań środowiskowych, z którymi świat mierzy się obecnie. Zrozumienie dynamiki przestrzennej i czasowej emisji CO2 ma kluczowe znaczenie dla opracowania skutecznych strategii mitygacyjnych. W niniejszym badaniu zbadano profil emisji dwutlenku węgla w prowincji Hunan, ważnym regionie przemysłowym i ekonomicznym w południowych Chinach. Wykorzystując technologię teledetekcji, statystyki przestrzenne i modelowanie szeregów czasowych, naukowcy zidentyfikowali klastry emisji dwutlenku węgla wysokiego i niskiego ryzyka w prowincji Hunan. Ponadto w badaniu zbadano kluczowe czynniki społeczno-ekonomiczne i energetyczne, które napędzają emisję dwutlenku węgla. Na koniec autorzy opracowali model prognozowania, aby przewidzieć ślad emisji dwutlenku węgla w ciągu następnej dekady. Wyniki pokazują siłę integracji metod statystycznych i prognozowania geograficznego w celu zapewnienia opartych na dowodach spostrzeżeń wspierających politykę zarządzania emisją dwutlenku węgla na poziomie prowincji. Tę wieloaspektową metodologię można powtórzyć w innych regionach w celu wzmocnienia monitorowania gazów cieplarnianych i planowania redukcji emisji na skalę krajową. Wyniki te podkreślają kluczową rolę, jaką odgrywają chińskie prowincje w rozwiązywaniu globalnego kryzysu klimatycznego poprzez ukierunkowane działania łagodzące oparte na danych.

Słowa kluczowe

carbon storage monitoring modelling remotely sensed data Hunan province

składowanie dwutlenku węgla monitorowanie modelowanie dane teledetekcyjne Hunan prowincja

Wydawca

Zarząd Główny Stowarzyszenia Geodetów Polskich

Czasopismo

Archiwum Fotogrametrii, Kartografii i Teledetekcji

Rocznik

2024

Tom

Vol. 36

Strony

11--32

Opis fizyczny

Bibliogr. 32 poz.

Twórcy

autor

Seyed Omid Reza Shobairi

Omidshobeyri214@gmail.com

Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi, China

autor

Lingxiao Sun

sunlx@ms.xjb.ac.cn

Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi, China

autor

Haiyan Zhang

Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi, China

autor

Chunlan Li

Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi, China

autor

Jing He

Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi, China

autor

Beirami Behnam Asghari

Department of Photogrammetry and Remote Sensing, K. N. Toosi University of Technology, Tehran, Iran

autor

Roudbari Samira Hemmati

Department of Soil Science, Faculty of Agriculture, University of Zanjan, Iran

autor

Sadeghi Hadis

Physical Geography Department, Faculty of Geography, University of Tehran, Tehran, Iran

autor

Shariati Mohsen

Department of Environment Science, University of Tehran, Iran

autor

Pirbasti Mehran Alizadeh

Department of Remote Sensing, Hekmat Institute of Higher Education, Qom, Iran

Bibliografia

1. Anselin, L., 2003. Spatial externalities, spatial multipliers and spatial econometrics. Int. Reg. Sci. Rev. 26 (2), 153–166.
2. Anselin, L., Arribas-Bel, D., 2013. Spatial fixed effects and spatial dependence in a single cross-section. Pap. Reg. Sci. 92 (1), 3–17.
3. Bivand R, Anselin L, Berke O, Bernat A, Carvalho M, Chun Y, Dormann C, Dray S, Halbersma R, Lewin-Koh N: spdep: Spatial dependence: weighting schemes, statistics and models. In.: R package version 0.5–31, URL http://CRAN.R-project.org/package= spdep; 2011.
4. Boulos MK, Roudsari AV, Carson ER. Health geomatics: an enabling suite of technologies in health and healthcare. J Biomed Inform. 2001;34(3):195–219.
5. The British Petroleum (BP) Company, 2016. BP Statistical Review 2016. China's energy market in 2015. http://www.bp.com/content/dam/bp/pdf/energy-economics/statisticalreview-2016/bp-statistical-review-of-world-energy-2016-china-insights.pdf.
6. Brunsdon, C., Fotheringham, A.S., Charlton, M.E., 1996. Geographically weighted regression: a method for exploring spatial nonstationarity. Geogr. Anal. 28 (4), 281–298.
7. Brunsdon, C., Fotheringham, S., Charlton, M., 1998. Geographically weighted regression. Journal of the Royal Statistical Society: Series D (The Statistician) 47 (3), 431–443
8. Chen, Y., Chang, K.T., Han, F., Karacsonyi, D., Qian, Q., 2016. Investigating urbanization and its spatial determinants in the central districts of Guangzhou, China. Habitat International 51, 59–69.
9. Flannigan et al., 2005. M.D. Flannigan, B.D. Amiro, K.A. Logan, B.J. Stocks, B.M. Wotton Forest fires and climate change in the 21st century Mitig. Adapt. Strat. Glob. Change, 11, 847-859
10. Fotheringham, A.S., Oshan, T.M., 2016. Geographically weighted regression and multicollinearity: dispelling the myth. J. Geogr. Syst. 18 (4), 303–329
11. Fotheringham, A.S., Yang, W., Kang, W., 2017. Multiscale geographically weighted regression (MGWR). Annals of the American Association of Geographers 107 (6), 1247–1265.
12. Kim S-M, Choi Y. Assessing statistically significant heavy-metal concentrations in abandoned mine areas via hot spot analysis of portable XRF data. Int J Environ Res Public Health. 2017;14(6):654.
13. Kostov, P., 2010. Model boosting for spatial weighting matrix selection in spatial lag models. Environment and Planning B: Planning and Design 37 (3), 533–549.
14. Liu, M., Wang, H., Wang, H., Oda, T., Zhao, Y., Yang, X., Zang, R., Zang, B., Bi, J., Chen, J., 2013. Refined estimate of China's CO2 emissions in spatiotemporal distributions. Atmospheric Chemistry and Physics 13,10873-10872.
15. Liu, Z., Guan, D., Scott, M., Henry, L., Z., L., Jun, S., Zhang, Q., D., G., 2015. Steps to China's carbon peak. Nature 522, 279-281.
16. Liu, Z., Guan, D., Wei, W., Davis, S.J., Ciais, P., Bai, J., Peng, S., Zhang, Q., Hubacek, K., Marland, G., Andres, R.J., Crawford-Brown, D., Lin, J., Zhao, H., Hong, C., Boden, T.A., Feng, K., Peters, G.P., Xi, F., Liu, J., Li, Y., Zhao, Y., Zeng, N., He, K., 2015. Reduced carbon emission estimates from fossil fuel combustion and cement production in China. Nature 524, 335-338.
17. McGarigal, K., Cushman, S.A., Neel, M.C., Ene, E. (2002), “FRAGSTATS: Spatial Pattern Analysis Program for Categorical Maps”, project homepage, University of Massachusetts, Amherst.
18. McGarigal, K., Marks, B.J. (1995), “FRAGSTATS: Spatial Pattern Analysis Program for Quantifying Landscape Structure”, General Technical Reports, PNW-GTR-351, Portland (USDA Forest Service, Pacific Northwest Research Station).
19. Metsaranta, J.M.; Hudson, B.; Smyth, C.; Fellows, M.; Kurz, W.A. 2023. Future Fire Risk and the Greenhouse Gas Mitigation Potential of Forest Rehabilitation in British Columbia, Canada. For. Ecol. Manag. 529, 120729
20. Mi, Z., Wei, Y.-M., Wang, B., Meng, J., Liu, Z., Shan, Y., Liu, J., Guan, D., 2017. Socio economic impact assessment of China's CO2 emissions peak prior to 2030. Journal of Cleaner Production 142, 654 Part 4, 2227-2236.
21. Mitchell, A. 2005. "The ESRI guide to GIS analysis: Vol. 2. Spatial measurement and statistics 2005 Redlands." In.: CA ESRI Press.
22. Nam J-M. A simple approximation for calculating sample sizes for detecting linear trend in proportions. Biometrics 1987;701–5.
23. Nguyen, A.T., 2019. Carbon Dioxide Emissions and Implications for Environmental Policy: Evidence in Southeast Asia. Journal of Asian Energy Studies, 3(1), pp.8-24.
24. Oshan, T.M., Smith, J.P., Fotheringham, A.S., 2020. Targeting the spatial context of obesity determinants via multiscale geographically weighted regression. Int. J. Health Geogr. 19 (1), 1–17.
25. Peeters A, Zude M, Käthner J, Ünlü M, Kanber R, Hetzroni A, et al. Getis–Ord’s hot-and cold-spot statistics as a basis for multivariate spatial clustering of orchard tree data. Comput Electron Agric. 2015; 111:140–50.
26. Silverman, B. W. Density Estimation for Statistics and Data Analysis. New York: Chapman and Hall, 1986.
27. Vandenbroucke JP, Pearce N. Incidence rates in dynamic populations. Int J Epidemiol. 2012;41(5):147.
28. Wang, A., Lin, B., 2017. Assessing CO2 emissions in China’s commercial sector: Determinants and reduction strategies. Journal of Cleaner Production 164, 1542-1552.
29. Wang, H., Zhang, R., Liu, M., Bi, J., 2012. The carbon emissions of Chinese cities. Atmospheric 684 Chemistry and Physics 12, 6197-6206.
30. Ward, M.D., Gleditsch, K.S., 2018. Spatial regression models. 155. Sage Publications. World Trade Organization. (2007). International trade statistics 2007. Geneva. Xinhua. (2007). Official: Single-child parents in China can have second child Xinhua Journal, July 10, 2007.
31. Xinhua, 2015. Enhanced actions on climate change: China's intended nationally determined contributions http://news.xinhuanet.com/2015-06/30/c_1115774759.htm.
32. Yu, H., Fotheringham, A.S., Li, Z., Oshan, T., Kang, W., Wolf, L.J., 2019. Inference in multiscale geographically weighted regression. Geogr. Anal. 52, 87–106

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-3cc3f302-5024-44b9-8983-509f10cb356a