扬州城市建设用地扩张的时空演变特征及其驱动机制

建设用地扩张是城市土地利用变化中最剧烈、最直观的表现。探究其时空演变特征及其驱动力将有助于揭示城市空间扩张机理,促进城市用地调控的科学化。以快速城市化的中型城市——扬州市为例,基于多期Landsat遥感影像(1995、2000、2005、2010和2015年)、社会经济数据等资料,分析建设用地扩张的时空演变特征,进而利用增强回归树(boosted regression tree)方法,探讨城市化进程中地理空间、社会和经济因子对建设用地扩张的影响。研究发现,1995—2015年,建设用地面积从725.4 km~2持续增加到1076.5 km~2。随着城市化的推进,建设用地的空间形态趋于紧凑、形状变得规则,重心也随之转移,表现出市辖区的局部吸引和联动特征。在地理空间、社会和经济因子中,地理空间因子(如海拔、距县市核心区和建成区的距离)对建设用地扩张的影响最大,但其相对影响却从1995—2000年的73.9%逐渐下降到2010—2015年的60.2%;社会和经济因子的相对影响则呈增加的趋势,即1995—2000年的5.2%和20.9%分别增加到2010—2015年的7.9%和31.9%。地理空间因子(如距县市核心区和建成区的距离)对建设用地扩张的影响以抑制作用为主,但不同社会经济因子的作用呈现较大差异,例如,人口密度、人均GDP和财政收入能够促进建设用地的形成,人口数量表现为抑制作用,第二产业则为先抑制后促进的作用。     

城市化背景下小微湿地景观动态变化及其驱动因素

小微湿地是指自然界在长期演变过程中形成的小型湿地。城市发展导致小微湿地大量消失,了解小微湿地景观动态变化特征及驱动因素是保护与管理小微湿地的重要基础。以合肥市包河区为研究区域,选取2006-2018年4期遥感影像,利用空间分析方法确定2006-2010年、2010-2014年、2014-2018年、2006-2018年4个时期小微湿地景观动态变化,基于300m×300m的网格单元,结合增强回归树和地理加权逻辑回归模型,分析13个预测变量与小微湿地损失之间的关系。结果表明：2006-2018年,小微湿地在整个研究区大范围减少,总面积下降了60.8%,斑块数量减少了60.5%,同时,小微湿地边缘复杂度降低,小微湿地间的空间距离增加,聚集程度降低。增强回归树模型显示,城市发展初期(2006-2010年),周边用地类型(建设用地、旱地、林地和草地)变化是导致小微湿地损失的主要因素,中后期(2010-2018年)各类型土地利用变化的相对影响有不同程度的下降,斑块面积和坡度对小微湿地损失的驱动作用逐渐凸显。2006-2018年,建设用地变化(14.4%)、斑块面积(13.5%)、旱地变化(11.1%)、坡度(10.1%)、林地变化(8.5%)、草地变化(7.0%)是导致小微湿地损失的高重要性变量。地理加权逻辑回归模型揭示了高重要性变量对小微湿地损失影响的空间非平稳性特征,结果显示,除斑块面积系数的空间可视化无解释意义,其余高重要性变量对小微湿地损失的影响随地点的变化,贡献的大小和方向也有所不同。研究方法和结果可以为城市快速发展地区小微湿地的保护与管理提供理论支持。     

降水量和温度对植被覆盖指数影响的空间非平稳性特征——以新疆伊犁河谷地区为例

多变量空间相关分析多基于时间序列数据,对数据时长与统计要求严格,空间非平稳性特征分析可以利用单期数据分析多变量之间的相关性。通过空间变系数回归模型分析了2006年和2011年的新疆伊犁地区降水量和温度对植被覆盖度指数影响的空间变化特征,利用局部线性地理加权回归(GWR)方法估计得到了回归系数曲面,揭示出变量间相互影响的空间异质性,同时利用线性回归最小二乘估计进行了对比。结果表明:(1)空间变系数回归模型可以用于变量间的空间相关分析;(2)局部线性GWR估计方法明显优于线性回归最小二乘估计;(3)拟合结果表明,伊犁地区降水量和温度对植被覆盖指数的影响具有显著的空间非平稳性特征;(4)模型估计误差是降水、气温之外的地形、地貌及人类活动等多种因素造成的,需进一步研究。方法可为具有空间非平稳性特征变量间空间相关性分析以及植被覆盖指数的空间模拟分布提供思路和方法。     

西安市城乡建设用地时空扩展及驱动因素

城乡建设用地变化及驱动机制是国内外研究的热点领域,我国正处在城镇化快速发展时期,建设用地的迅速扩张已成为当前中国土地利用变化的主要特征。以5期(1975、1990、2000、2005和2010年)土地利用现状数据为基础,利用GIS空间分析技术,提取建设用地变化及空间分布信息,利用建设用地扩展指数和建设用地密度分析方法对近35年来(1975—2010年)西安市建设用地扩展的时空特征进行分析。并结合社会经济数据,对建设用地空间扩展驱动力进行分析。结果表明:西安市建设用地面积急剧增长,建筑密度不断加大,并且城乡空间差异较大。西安市建设用地扩展是多因素综合作用的结果,高程和坡度控制着建设用地的分布格局,城市沿河谷扩展。西安市城市建设应加强区域宏观规划和土地利用详细规划,切实保护秦岭北麓林草地,加强历史文化名城特色,避免低层次文化复古创修。     

赣江中上游地区土地利用变化空间分异与驱动因素

赣江中上游地区是东南丘陵重要的水土保持功能区,分析不同时空尺度下该区域土地利用变化及其驱动力,对维持与优化本地生态功能具有重要意义。本研究基于1 km空间分辨率的土地利用数据,分析1980—2018年赣江中上游地区的土地利用结构与土地利用动态度;并利用主成分分析法(PCA)、普通最小二乘法(OLS)和地理加权回归(GWR)分析土地利用变化的空间分异驱动力。结果表明: 1980—2018年,研究区主要土地利用类型是林地(面积占比69.4%～71%)和耕地(占比20.8%～20.9%);建设用地、未利用地的土地利用动态度较大,研究区综合土地利用动态度逐渐增加,尤其是2010—2018年明显增加。GWR模型对研究区土地利用变化驱动因素分析的拟合效果更好,在98.6%的区域内都比较理想。在土地利用变化空间分异的影响因素中,自然环境因素对研究区土地利用变化空间分异的影响最明显,起制约作用;社会经济因素的影响居次位,主要起促进作用;自然-社会因素综合影响较弱且复杂。     

苏锡常地区建设用地扩张过程的定量分析

基于遥感影像与社会经济统计数据,本文综合运用3S空间分析技术、景观扩张指数与多元逐步回归模型,分析了1990—2010年苏锡常地区建设用地扩张的时空特征、空间模式及社会经济驱动力.结果表明:研究区建设用地面积经历了快速增长-缓慢增长-加速增长的变化轨迹,这与不同时期国家宏观政策的重大调整紧密相关;研究期间,建设用地面积增长2218.9 km2,主要源于对水田、旱田、水库坑塘等生态用地的占用;1990—1995年,区域建设用地主要以填充式、边缘式进行扩张;1995—2000年,填充式、边缘式受到政策限制,飞地式成为建设用地扩张的主要途径;2000年以后,飞地式扩张大幅锐减,填充式扩张显著增强,建设用地空间形态逐渐趋向紧凑;区域经济高速增长是驱动建设用地扩张的主导因素,城镇人口的激增也加速了建设用地的扩张.未来区域的经济社会发展规划,应重视提高土地集约利用水平、加强土地管理体制创新并推行紧凑的城市发展模式.     

基于地理加权回归模型的武汉城市圈生态用地时空演变及影响因素

生态用地对城市圈可持续发展至关重要。本研究以武汉城市圈32个研究单元生态用地为对象,采用土地利用转移矩阵、探索性回归分析和地理加权回归模型(GWR),首先利用遥感影像解译成果对2000—2005、2005—2010和2010—2015年各个单元生态用地的时空演变进行统计,然后利用公司企业、生活服务等点位及数量大数据完善传统影响因素指标体系,并进行探索性回归分析,精选最优回归模型,最后基于GWR模型对不同时期影响因素及空间分异规律进行分析。结果表明: 2000—2015年,城市圈内生态用地非生态转化呈现先升后降的倒“U”形变化规律,空间上呈现由点到面的扩张趋势;城市圈内共有8.4%的土地利用类型发生了转化,其中,耕地、林地、草地、水体和未利用地向非生态用地转型量占41.9%;空间格局由武汉中心城区逐渐向市级次中心、县级城镇周边扩展。探索性回归分析3期的通过模型数为326个,对所有模型进行GWR和普通最小二乘法(OLS)回归比较分析,3期最优模型的调整R²分别为0.83、0.91和0.76,前者较后者提高了0.02、0.03和0.02,AICc值分别减小2.88、3.42和0.83。GWR模型结果表明,武汉城市圈内生态用地转化影响因素的空间分异明显,影响模式在空间上以不同方向的逐渐过渡为主,兼有“V”形分布等其他模式。空间因素影响效果显著,空间数据潜在信息增强了城市圈内生态用地演化的解释力度。     

基于不同空间模型的马尾松林生态系统碳密度研究

以江西省马尾松林生态系统为研究对象,基于样地调查及样品碳含量测定结果计算其碳密度,并选取立地、植被及气象等方面的15个因子,采用多元线性逐步回归方法筛选出对生态系统碳密度影响显著的因子,然后分别利用最小二乘模型(OLS)、空间误差模型(SEM)、空间滞后模型(SLM)和地理加权回归模型(GWR)构建生态系统碳密度与其影响因子之间的关系模型,筛选出最优的拟合模型。结果表明:对马尾松林生态系统碳密度影响显著的因子分别为海拔、坡度、土层厚度、胸径、年均温度和年均降水量。4种模型拟合结果均显示碳密度与坡度呈负相关,与海拔、土层厚度、胸径呈正相关。模型的决定系数(R~2)由大到小分别为GWR(0.8043)SEM(0.6371)SLM(0.6364)OLS(0.6321),模型均方误差(MSE)与赤池信息准则(AIC)最大的均为OLS模型,最小的均为GWR模型;残差检验表明GWR模型能有效降低模型残差的空间自相关性。综合分析得出GWR模型的拟合效果最优,更适用于江西省马尾松林生态系统碳密度的估测。     

张家界女儿寨小流域植被变化驱动力

选择坡度、海拔、坡向、到道路和河流及居民点的最近距离等作为植被变化的空间驱动因子,分别采用传统Logistic和AutoLogistic回归模型,对比研究湖南张家界女儿寨小流域植被变化的驱动力,并用ROC方法检验这两个模型的解释能力。结果表明:(1)在女儿寨小流域,各类植被变化和空间驱动因子均表现出一定的空间正自相关,且这种空间自相关性随着距离的增加而逐渐减弱。(2)考虑空间自相关性的AutoLogistic模型比传统Logistic模型的精度更高,这说明在分析小流域植被变化的空间驱动力时不能忽略空间自相关性的影响。考虑空间自相关后,显著的空间驱动因子的个数比未考虑空间自相关性的个数少。(3)自然环境和人类活动因子对小流域植被变化的影响力不同:坡度对耕地变化、果园变化、常绿阔叶林变化和针叶林变化等均影响较大;坡向对耕地变化、果园变化、常绿阔叶林变化和灌木林地变化的影响显著;海拔对该小流域各种植被变化类型的影响相对较小;人类活动的影响对落叶阔叶林的变化影响显著。     

基于GIS-Logistic耦合模型的下辽河平原景观格局变化驱动机制分析

以东北三省开发强度最大的辽河中下游地区—下辽河平原为研究对象,从自然因素和人文因素两个方面,构建下辽河平原景观格局演变的驱动机制指标体系,其中自然驱动力包括气候因素、DEM提取值;人文驱动力主要包括人口状况、经济发展、人民生活水平和科学技术进步四大方面。利用美国地质勘探局(USGS)长时间序列的遥感影像数据,获取了下辽河平原1980—2010年地表景观格局的分布特征,提取下辽河平原近30年来各景观类型的空间分布信息,根据各景观类型面积增长和消退的演变规律,利用Logistic回归模型分析不同时间段下景观格局演变的驱动机制,结果表明:1耕地面积的先增后减,林地、草地面积的先减后增,以及建设用地面积的持续增加是研究区景观格局演变的主要特征;2Logistic回归模型分析的结果表明,不同时期内景观类型变化的驱动因子及其影响力存在一定的差异,但是总体来讲,在中小尺度下,自然驱动因素相对于人文驱动因素的影响较弱,人口、经济发展、城市化水平、技术等因子对于下辽河平原各景观类型的变化具有较强的驱动作用。     

基于增强回归树和Logistic回归的城市扩展驱动力分析

研究城市扩展驱动力对于准确判断城市发展规律,剖析演化过程和预测城市未来扩展趋势具有重要意义,同时也能为制定合理的调控政策提供指导。以沈阳市1997—2010年城市建成区变化作为因变量,选取三大类10种驱动因子,利用增强回归树(BRT)和Logistic回归两种方法分析影响城市扩展的主要驱动力。结果表明:(1)BRT分析得到影响沈阳城市扩展的驱动因子从大到小依次是:距1997年城区距离、距河流距离、数字高程模型DEM、距高速公路和铁路距离、土地利用类型、开发区规划、GDP、人口密度、坡向和坡度;(2)Logistic回归分析得到影响沈阳城市扩展的前8位驱动因子依次是:开发区、距1997年城区距离、DEM、距高速公路和铁路距离、人口密度、距河流距离、农村居民点和坡度;(3)距1997年城区距离、DEM、距高速公路和铁路距离是影响沈阳城市扩展的主要驱动力,均位于主要因子的前四位;(4)总体来说,沈阳城市扩展受邻域因子影响最大,而自然因子的影响相对较小,社会经济因子则只有开发区和农村居民点对城市扩展影响较大。     

Characteristics of built-up land change in resource-based cities and their impact on land surface temperature—Taking Wu'an as an example

The effects of built-up land on land surface temperature (LST) and its spatial patterns remain poorly understood over resource-based cities. Using Landsat-5,8 satellite imagery of Wu'an, a resource-based city in China, from 2001, 2007, and 2015, this paper classified the land use types and calculated the percentage of built-up land (PLAND). Changes in built-up land and their effects on the distribution of LST were analyzed through statistics and regression analysis. Statistical results showed that the amount of built-up land in 2007 and 2015 increased significantly compared with 2001. The same PLAND level increased LST more in 2007 and 2015. Furthermore, PLAND = 35% split the heating effects of PLAND on LST. The LST in areas with high PLAND (PLAND >35%) was mainly impacted by the local built-up land. However, the LST in the areas with low PLAND (PLAND <35%) was mainly correlated with the built-up land of areas with high PLAND. The results of regression analysis showed that the k value (slope of the correlation analysis) in 2007 and 2015 was larger than that in 2001, indicating the local heating effects of built-up land on LST. The spatial regression analysis results revealed that there was a closer spatial correlation between PLAND and LST in 2015, and built-up land with high PLAND (PLAND >35%) would increase the LST of surrounding built-up land with low PLAND (PLAND <35%). These research results could provide more references for urban expansion in urban design and planning.     

Land abandonment as a precursor of built-up development at the sprawling periphery of former socialist cities

In former socialist countries, as cities expanded they permeated into nearby agricultural areas. The periphery then became a mosaic of built-up and agricultural patches. Due to small sizes, inconvenient shapes and scattered locations, the parcels often became unprofitable for agricultural use, and were later abandoned and frequently transformed into built-up areas. Our paper aims to assess whether agricultural land abandonment can be considered a valid precursor of built-up development. The periphery of Bucharest was chosen as the study area, and analyzed over a period of 11 years (2002–2013) based on data sets derived from aerial images. Logistic regression models were used to test whether land abandonment was a significant explanatory variable of built-up development along with other socio-economic, land use, and urban planning variables. The results showed that land abandonment has the potential to be considered a precursor of built-up development. It acts within a cause and effect framework, being influenced by ongoing economic transformations, and changes in urban regulations. Its addition as an explanatory variable in a built-up prediction model significantly increased the prediction power, which makes it a useful variable in urban land use change scenarios. The type of observed abandonment at the periphery of urban areas follows a different pathway compared to land abandonment observed in remote or rural areas. Here, land abandonment is the result of anticipated higher profits through new economic opportunities and urbanization. Monitoring of abandoned land and urban sprawl could enable local authorities to evaluate the outcomes of planning policies and economic incentives.     

Model selection and information theory in geographical ecology

Aim   Although parameter estimates are not as affected by spatial autocorrelation as Type I errors, the change from classical null hypothesis significance testing to model selection under an information theoretic approach does not completely avoid problems caused by spatial autocorrelation. Here we briefly review the model selection approach based on the Akaike information criterion (AIC) and present a new routine for Spatial Analysis in Macroecology (SAM) software that helps establishing minimum adequate models in the presence of spatial autocorrelation.
Innovation    We illustrate how a model selection approach based on the AIC can be used in geographical data by modelling patterns of mammal species in South America represented in a grid system ( n  = 383) with 2° of resolution, as a function of five environmental explanatory variables, performing an exhaustive search of minimum adequate models considering three regression methods: non-spatial ordinary least squares (OLS), spatial eigenvector mapping and the autoregressive (lagged-response) model. The models selected by spatial methods included a smaller number of explanatory variables than the one selected by OLS, and minimum adequate models contain different explanatory variables, although model averaging revealed a similar rank of explanatory variables.
Main conclusions    We stress that the AIC is sensitive to the presence of spatial autocorrelation, generating unstable and overfitted minimum adequate models to describe macroecological data based on non-spatial OLS regression. Alternative regression techniques provided different minimum adequate models and have different uncertainty levels. Despite this, the averaged model based on Akaike weights generates consistent and robust results across different methods and may be the best approach for understanding of macroecological patterns.     

沈阳市市区和农村建设用地时空扩展分析

基于1985、1995、1997、2000和2004年的遥感影像和GIS技术,引入建设用地密度、扩展强度指数和分形维数,对1985-2004年间沈阳市市区和农村建设用地扩展的时空特征、空间分异和形态变化进行分析,并探讨了其主要驱动因素.结果表明：1985-2004年间,沈阳市市区建设用地的高密度区面积逐年增加;1997年以前,农村建设用地各级密度区面积的变化不大,1997年以后其高密度区面积逐渐增加;研究期间,市区建设用地的增加面积、扩展速度和扩展强度明显大于农村地区.市区和农村建设用地扩展的空间分异明显,高速扩展区主要集中在市区.市区建设用地分形维数值逐渐增大,总体形态日趋复杂,农村建设用地由于缺乏合理的规划建设,分形维数波动较大.经济发展、人口增长、交通、自然环境、政策导向和城市规划是沈阳市建设用地扩展的主要驱动力.     

城市扩张对北京市城乡结合部自然和农业景观的影响——以昌平区三镇为例

城乡结合部自然和农业生态系统是确保城市生态安全的重要基础。研究快速城市化背景下城乡结合部自然和农业景观的时空演变规律和驱动因素,能够为相关规划的编制和保护政策的制定提供科学支撑。以北京市三个典型的城乡结合部乡镇为例,通过对1999、2004和2010年三期SPOT遥感影像的解译,获取三镇三个时期土地利用/覆盖(Land Use/Land Cover,LULC)数据。在此基础上,借助Arc GIS空间叠加功能和土地利用转移矩阵,分析1999—2010年三镇LULC的时空变化特征;并通过空间自相性和景观连通性分析,研究近十年来三镇建设用地的空间聚集特征以及自然和农业景观空间连通性的变化,分析城市扩张对三镇自然和农业景观格局和稳定性的影响。最后,采用定量和定性相结合的方法,分析三镇自然和农业景观变化的驱动力。结果表明,1999—2010年三镇经历了剧烈的LUCC过程,建设用地、林地和草地面积大幅增加,伴随的是农业用地和水域面积的急剧减少。各种土地利用类型之间都存在着相互转移,特别是农业用地向建设用地、林地和草地,以及林地向建设用地转移明显。新增建设用地大多通过侵占原有建设用地周边的农业用地和林地,而实现"成片蔓延式"扩张;并造成了三镇自然和农业景观连通性的急剧下降,危及到该区域生态系统结构的完整性和功能的持续性。社会经济发展、土地利用规划、公共政策等共同决定着三镇LUCC的结构、规模和空间分布,是三镇自然和农业景观格局演变的主要驱动力。     

Pteridophyte richness, climate and topography in the Iberian Peninsula: comparing spatial and nonspatial models of richness patterns

Aim To describe the spatial variation in pteridophyte species richness; evaluate the importance of macroclimate, topography and within‐grid cell range variables; assess the influence of spatial autocorrelation on the significance of the variables; and to test the prediction of the mid‐domain effect. Location The Iberian Peninsula. Methods We estimated pteridophyte richness on a grid map with c. 2500 km² cell size, using published geocoded data of the individual species. Environmental data were obtained by superimposing the grid system over isoline maps of precipitation, temperature, and altitude. Mean and range values were calculated for each cell. Pteridophyte richness was related to the environmental variables by means of nonspatial and spatial generalized least squares models. We also used ordinary least squares regression, where a variance partitioning was performed to partial out the spatial component, i.e. latitude and longitude. Coastal and central cells were compared to test the mid‐domain effect. Results Both spatial and nonspatial models showed that pteridophyte richness was best explained by a second‐order polynomial of mean annual precipitation and a quadratic elevation‐range term, although the relative importance of these two variables varied when spatial autocorrelation was accounted for. Precipitation range was weakly significant in a nonspatial multiple model (i.e. ordinary regression), and did not remain significant in spatial models. Richness is significantly higher along the coast than in the centre of the peninsula. Main conclusions Spatial autocorrelation affects the statistical significance of explanatory variables, but this did not change the biological interpretation of precipitation and elevation range as the main predictors of pteridophyte richness. Spatial and nonspatial models gave very similar results, which reinforce the idea that water availability and topographic relief control species richness in relatively high‐energy regions. The prediction of the mid‐domain effect is falsified.     

Analysis of determinants of mammalian species richness in South America using spatial autoregressive models

Classically, hypotheses concerning the distribution of species have been explored by evaluating the relationship between species richness and environmental variables using ordinary least squares (OLS) regression. However, environmental and ecological data generally show spatial autocorrelation, thus violating the assumption of independently distributed errors. When spatial autocorrelation exists, an alternative is to use autoregressive models that assume spatially autocorrelated errors. We examined the relationship between mammalian species richness in South America and environmental variables, thereby evaluating the relative importance of four competing hypotheses to explain mammalian species richness. Additionally, we compared the results of ordinary least squares (OLS) regression and spatial autoregressive models using Conditional and Simultaneous Autoregressive (CAR and SAR, respectively) models. Variables associated with productivity were the most important at determining mammalian species richness at the scale analyzed. Whereas OLS residuals between species richness and environmental variables were strongly autocorrelated, those from autoregressive models showed less spatial autocorrelation, particularly the SAR model, indicating its suitability for these data. Autoregressive models also fit the data better than the OLS model (increasing R² by 5–14%), and the relative importance of the explanatory variables shifted under CAR and SAR models. These analyses underscore the importance of controlling for spatial autocorrelation in biogeographical studies.