EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 1: 190 - 207

DOI: https://doi.org/10.12082/dqxxkx.2023.220261

Analyzing Spatial-Temporal Pattern and Climate Factors of Blue-Green Space in Urban Built-Up Areas in Prefecture-level Cities in China

  • ZHANG Xinyue , 1, 2 ,
  • GAO Xiaolu , 1, 2, 5, * ,
  • CHAI Qi 3 ,
  • SONG Dunjiang 4
Expand
  • 1. Key Laboratory of Regional Sustainable Development Modeling, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Land Satellite Remote Sensing Application Center, Ministry of Natural Resources, Beijing 100048, China
  • 4. Institute of Science and Development, Chinese Academy of Sciences, Beijing 100190, China
  • 5. School of Architecture, Beijing University of Civil Engineering and Architecture, Beijing 100044, China
*GAO Xiaolu, E-mail:

Received date: 2022-05-05

  Revised date: 2022-07-26

  Online published: 2023-03-25

Supported by

National Natural Science Foundation of China(41871171)

National Natural Science Foundation of China(41471338)

Strategic Priority Research Program(A) of Chinese Academy of Sciences(XDA23100302)

Fold

Abstract

Blue-green space plays a prominent role in urban ecological security. This study built a blue-green database of 272 prefecture-level urban built-up areas in China using NDVI and MNDWI in 2005, 2010, 2015, and 2020 based on Google Earth Engine (GEE). Combining with the coverage rate, 300-meter service coverage rate, the fractal index distribution, and the landscape division index, the spatiotemporal pattern of the blue-green space and its climate factors were examined. The results show that: (1) The blue-green space in urban built-up areas in prefecture-level cities presented an overall pattern of “higher coverage in south than that in north”. While the south showed a pattern of “higher in west than east”, and the north had a pattern of “higher in east than west”. Particularly, the Bohai Rim area was marked as a basin of low coverage. The temporal trend of overall blue-green space was increasing except for a few cities in Central China; (2) In terms of different zones, the highest coverage rate (> 65%) of blue-green space in urban built-up areas occurred in Southwest China where the landscape division index was the lowest (< 0.60), and the coverage rate of Northwest China varied greatly. The North China indicated the lowest coverage (10%~30%) of blue-green space and a highest landscape division index (~0.98); (3) Based on the Multi-scale Geographically Weighted Regression (MGWR), the R-square value and the adjusted R-square value were 0.85 and 0.83, respectively. The impact of precipitation on the blue-green space coverage in urban built-up areas was significant and positive, while the temperature had negative impact on blue-green space. The impacts of climate factors were mostly equivalent to human activities but were stronger in certain periods.

Key words： blue-green space; urban built-up area; spatial-temporal pattern; Google Earth Engine (GEE); climate factors; multiscale Geographically Weighted Regression (MGWR)

Cite this article

ZHANG Xinyue , GAO Xiaolu , CHAI Qi , SONG Dunjiang . Analyzing Spatial-Temporal Pattern and Climate Factors of Blue-Green Space in Urban Built-Up Areas in Prefecture-level Cities in China[J]. Journal of Geo-information Science, 2023 , 25(1) : 190 -207 . DOI: 10.12082/dqxxkx.2023.220261

1 引言

“蓝绿空间”指公园、绿地、城市水域以及其它城市内部人工、半人工或自然的生态空间。作为城市生态安全的重要保障，它们通过参与碳-氧循环和水循维持着城市生态系统的物质-能量交换，在维护城市生态平衡、调蓄降水、缓解热岛效应、稳定城市小气候等方面扮演着重要角色[1⇓⇓-4]，也为城市应对各种自然灾害和气候变化提供了“基于自然的解决方案”[5⇓-7]，即通过保护和修复生态系统、最大限度发挥生态基础设施的作用以应对环境危机。进入新型城镇化转型发展以来，城市生态文明建设的重要性日益凸显。根据联合国政府间气候变化专门委员会（IPCC）第六期评估报告，全球变暖形势严峻，热浪、强降水等极端气候事件在城市地区出现得更频繁、更剧烈。因此，蓝绿空间是审视城市空间发展质量的重要内容之一，其规划布局对提高城市生态安全与生态韧性、提升生活环境质量具有重要意义。
在城市蓝绿空间研究中，其空间信息提取、时空格局及演化分析是重要的研究基础。随着3S技术迅速发展，利用遥感影像提取蓝绿空间已经越发成熟。多时间序列的、准确的蓝绿空间信息有利于及时跟踪掌握城市生态建设动态，其时空格局特征与演化分析有利于评价城市土地利用并构建良好的城市生态空间结构、增强城市生态安全与生态韧性。目前，蓝绿空间的时空格局分析工具包括覆盖率统计、密度分析[8]、空间重心[8]、误差椭圆[9]、景观格局指数[10]以及形态学分析[11]与拓扑分析等计算和模拟方法，研究内容从格局描述深入到区域内部功能和结构差异的解析，多时序遥感数据的整备则支撑了时空格局演化分析。例如，宋爽[12]等利用土地利用转移矩阵反映蓝绿空间的用地变化，并将其中的收缩模式归纳为内吞式、边缘式和飞毯式；王琼[13]等则根据图论构建了城市绿地的7种时空演化类型，即连续、扩张、收缩、消失、新增、合并和分解。
近年来，高精度遥感数据产品日益丰富，为跟踪城市生态建设动态、优化城市土地利用和生态空间结构、提升安全与韧性创造了条件。然而，大时空尺度的蓝绿空间数据提取仍存在成本和效率上的障碍：大量的遥感影像镶嵌、分类与矢量化面临着数据处理硬件要求高、分析效率低的问题。受此局限，很多研究或以个别城市、区域为研究对象，或通过统计数据空间化[9,14-15]、电子地图矢量化[16]等方法来获取空间数据，容易产生空间稀释、空间偏移等误差。例如，统计年鉴中城市建成区的绿地率由于城市建成区划定标准存在差异而不可比，将统计指标空间化时多以市区行政边界范围为单位，可能会稀释蓝绿空间的实际密度，或由于丢弃位置信息而损失空间分布特征。同时，由于缺乏不同城市蓝绿空间的对比与对全国蓝绿空间宏观情况的整体把握，一些结论在指导城市蓝绿空间与生态结构建设方面往往存在一定的时空局限性。鉴于城市蓝绿空间变化也同样受到较大尺度气候影响，具有时空连续性，从全国尺度分析其时空格局变化与气候影响因素具有重要意义。
考虑到数据源的可靠性与时效性、影像获取与处理成本以及大范围数据提取需求，本文提出了基于谷歌地球引擎(Google Earth Engine，GEE)的蓝绿空间时空格局分析及质量评价方法：利用归一化植被指数（NDVI）和改进的归一化水体指数（MNDWI）提取2005、2010、2015与2020年的中国272个地级市建成区的蓝绿空间，通过蓝绿空间覆盖率、服务盖率、分维数、分离度等指标刻画其时空格局与演化特征，最后综合第二产业GDP以及年均气温、降水、日照时长等因素，运用多尺度地理加权回归模型甄别大时空尺度的气候影响因素。

2 研究方法及数据来源

根据研究范围、研究目标与精度需要，技术路线如图1所示。首先，基于GEE平台选择合适的遥感影像进行去云处理，计算NDVI和MNDWI，以取年平均值的方式分别合成4个时段的全国数据；随后，结合所选时间范围内的影像云量与指数计算结果选择合适阈值以提取蓝绿空间并矢量化；经对比以30 m和5000 m2为融合参数适当修正矢量化造成的不规则斑块，最终利用统一提取的建成区边界输出结果，并通过蓝绿空间覆盖率、服务覆盖率、分维数与分离度表征其时空格局，采用K-Means聚类算法对其演化模式进行分析，最后使用多尺度地理加权回归分析其中气候因素的影响。
图1 基于GEE的蓝绿空间提取与分析技术路线

Fig. 1 Roadmap of extraction and analysis of blue-green space using GEE

2.1 GEE平台与影像数据

GEE是谷歌提供的地球观测数据专业处理云计算平台，具有PB级存储规模和高性能并行计算能力[17]。平台提供Landsat、MODIS、Sentinel、ALOS等原始影像以及DEM等经过预处理的衍生产品，可直接调用的公共数据集超过200个，共计约500万张影像，且以每天约4000张影像的速度增长。同时，GEE集成大量高性能CPU执行分布式并行计算，内嵌庞大的算法库，提供在线JavaScript接口和离线Python接口，可实现高效的影像批量处理和大尺度空间运算，免费的交互式开发环境大大降低了数据提取和分析的经济和时间成本，满足了遥感大数据的快速运算需求，因而被誉为“行星尺度”地理空间分析工具[18]。
为突出城市蓝绿空间近15年的建设进展，同时更好地识别气候在其中的影响，选择2005、2010、2015和2020年共4个时段的Landsat TM影像和Landsat OLI影像。TM影像是绿地和水体提取的常用开放数据源之一，具有较高的空间分辨率和时间分辨率。由于搭载TM传感器的Landsat 5卫星已于2013年退役，故2015年和2020年采用Landsat8 OLI影像。在此过程中，根据各时期成像质量对部分相应或相近时间的影像进行替换。其中，新疆和西藏西部地区存在影像缺失，难以提取数据；而2015年和2020年高纬度、高海拔地区多个月份存在大面积积雪，故仅使用当年3—10月的影像。由于受规划建设与维护影响，城市蓝绿空间在邻近年份的变化较小，提取结果相对稳定。各省所使用影像时段如表1所示。
表1 不同省份蓝绿空间提取所用影像时间

Tab. 1 Time slice chosen for different provinces

影像年份 影像日期 覆盖省份
2020 2020.3.1—2020.10.31 辽宁、吉林、黑龙江、内蒙古、青海、宁夏、新疆、西藏
2020.1.1—2020.12.31 其它省份
2015 2015.3.1—2015.10.31 辽宁、吉林、黑龙江、内蒙古、青海、宁夏、新疆、西藏
2015.1.1—2015.12.31 其它省份
2010 2009.3.1—2009.09.30 吉林、黑龙江、辽宁、内蒙古、新疆、西藏、青海、宁夏、甘肃、陕西、山西、河北、北京、天津、山东、江苏、上海、河南、安徽、湖北、四川
2009.3.1—2010.12.31 云南、贵州、重庆、湖南、广西、广东、江西、浙江、福建、海南
2005 2004.3.1—2004.09.30 吉林、黑龙江、辽宁、内蒙古、新疆、西藏、青海、宁夏、甘肃、陕西、山西、河北、北京、天津、山东、上海、河南、安徽
2004.3.1—2005.12.31 云南、贵州、重庆、湖南、广西、广东、江西、浙江、福建、海南、四川、湖北、江苏

注：由于数据获取困难，本次研究不包括香港、台湾和澳门。

2.2 蓝绿空间提取

2.2.1 NDVI与MNDWI

植被指数与水体指数是常用的绿地与水体提取方法之一[19-20]，常用指数包括归一化植被指数(NDVI)、增强植被指数(EVI)、归一化水体指数(NDWI)、改进的归一化差异水体指数(MNDWI)等。考虑到光谱针对性和精度要求[21⇓⇓⇓-25]以及GEE提供的数据质量与运算资源，本文采用NDVI与MNDWI进行蓝绿空间数据提取。受地理位置、地形阴影、季节差异以及水体泥沙、水生植被等影响，不同时相的影像经NDVI和MNDWI计算所得结果能够反映受气候影响的不同覆盖度与不同范围的蓝绿空间。因此需要确定合理的阈值以保证提取结果具有较好的时空一致性与土地利用稳定性。本文采用经验值法，经多次实验并结合文献确定阈值。
（1）NDVI
根据光谱曲线特征，植被指数通常由遥感影像的近红外波段和红光波段组合运算。其中NDVI的计算公式如下：
N D V I = ( N I R - R ) / ( N I R + R )
式中：NIR为近红外波段的反射值，R为红光波段的反射值，所得值域为[-1,1]。负值表明地物影像被云层、水汽或降雪覆盖，对可见光反射极高；0对应为岩石或裸土等对近红外波段和红光波段反射率接近的地物；正值越高表明植被覆盖越茂密。邸苏闯等[26]选择0.10作为城市绿地的提取阈值且0.10~0.26属于低植被覆盖。考虑到建成区绿色空间的生态服务功能要求，本文选择0.25作为提取阈值。选取不同自然地理与气候类型区中的典型城市横向对比进行校验，2015年和2020年OLI影像提取结果基本合理。而2005年和2010年TM影像中，安徽、甘肃、河北、河南、黑龙江、吉林、江苏、辽宁、内蒙古、山东、山西、陕西、西藏、新疆等省区绝大部分城市，由于相对缺少夏季无云影像，提取结果总体偏低，但相比其它阈值更符合要求。
（2）MNDWI
采用徐涵秋[21]提出的MNDWI提取蓝色空间。由于水体在近、中红外波段极高的吸收率以及微波波段极低的发射率，红外波段是水体提取的首选，MNDWI采用中红外波段进行计算，相比NDWI更能有效识别城镇范围内的水体，尤其是区分阴影和水体。具体公式如下：
M N D W I = ( G r e e n - M I R ) / ( G r e e n + M I R )
式中： MIR为中红外波段的反射值；Green为绿光波段的反射值，所得值域为[-1,1]。完全纯净的水体理论上计算所得指数值为1，受水生植被或泥沙的干扰，水体清澈度越低、则指数取值越低；而陆地、阴影、建筑物等取值则通常为负。结合文献[27]以及典型区域校验效果，TM和OLI影像对MNDWI的响应没有明显差异，故4个时段的蓝色空间提取均以0为阈值。

2.2.2 地级市建成区空间边界提取

为便于比较建成区蓝绿空间的变化情况，采用许泽宁等[28]提出的Densi-Graph方法统一获取地级市建成区空间边界。其研究表明，由于自然环境、聚落形态和经济活动方式不同，POI密度的空间分布反映了城市活动的集聚状况，可以利用密度曲线由密转疏的拐点识别出城市建成区的边界（图2）。本文仅以地级市市辖区范围内的建成区作为评估对象，其它城市或城镇建成区不纳入研究范围。共提取得全国272个地级以上城市的建成区空间边界（不含港澳台）。为避免评估范围变化对不同时点蓝绿空间评价的影响，统一采用2013年百度POI所识别的地级市建成区空间范围，对不同时期的蓝绿空间进行分析。
图2 基于Densi-Graph的城市建成区边界提取示例[27]

Fig. 2 Examples of extracting boundary of urban built-up area[27]

以2015年为例，图3为提取所得蓝绿空间分布示例，部分发展程度较高的城市（如北京、武汉、成都等），其建成区与常用行政区划空间边界相似度较高，表明Densi-graph方法具有可行性。
图3 2015年不同城市建成区蓝绿空间分布

Fig. 3 Examples of spatial distribution of blue-green space in different urban built-up area in 2015

2.3 蓝绿空间时空格局刻画

2.3.1 刻画指标

本节着眼于刻画全国蓝绿空间时空格局的整体结构和形态特征。在形态指标上，考虑到提取结果并非严格还原实际边界，融合处理同样影响了斑块的实际形状，不适宜使用对形状敏感的斑块密度、边界密度等指标；因而选择蓝绿空间覆盖率、300 m服务覆盖率、分维数和分离度4个指标，分析工具为ArcGIS 10.5与Fragstats 4.2。
（1）蓝绿空间覆盖率（ P i）
即城市建成区蓝绿空间总面积（ A i）与建成区总面积（ B U i）之比，反映蓝绿空间建设的基本情况，计算公式如下：
P i = A i / B U i
（2）300 m服务覆盖率（ S i）
即蓝绿空间300 m服务区面积（ s a i）与城市建成区总面积（ B U i）之比，反映蓝绿空间的服务能力和空间分布效率。
S i = s a i / B U i
一方面，随着缓冲距离增加，其服务覆盖面积迅速增加，约300 m时增加速率下降（图4）。另一方面，考虑到城市绿地的避险功能[29]以及避险距离要求，参照0.7~1.1 m/s作为疏散速度，本文最终选择300 m用于衡量蓝绿空间服务覆盖评价指标。
图4 不同年份100~500 m距离对应服务覆盖率

Fig. 4 100 ~ 500 m service area ratio in from 2005 to 2020

（3）分维数（Fractal Index Distribution）
分维数用于描述蓝绿空间形状的复杂程度，通过斑块周长和面积的对数之比求得，这一指标从空间接触机会方面反映了蓝绿空间与城市的关系。
F R A C = 2 l n   ( 0.25 p i j ) l n a i j
式中： p i j为斑块周长/m； a i j为斑块面积/m2。分维数大于1表示相比于标准正方形的形状复杂性增加；随着形状不断复杂，分维数趋向于2。
（4）分离度（Landscape Division Index）
分离度定义为2个随机选择的位置不属于同一景观类型斑块的概率，反映城市建成区蓝绿空间斑块的空间破碎度。
D I V I S I O N = 1 - ∑ i = 1 m ∑ j = 1 n a i j A 2
式中： a i j为单个斑块面积；A为城市建成区蓝绿空间斑块总面积。某一景观由单个斑块构成时，分离度取值为0；随着景观破碎程度的增加，即景观中不存在相邻或相连的斑块时，分离度取值趋于1。

2.3.2 k-means聚类

k-means聚类算法属于无监督聚类算法，按照“类内距离最小、类间距离最大”的原则，在随机选取给定的k个初始聚类中心后，通过迭代不断重新分配每个对象至距其最近的聚类中心，从而将样本数据划分为指定的k个类别。其常用公式表达如下：
m i n ( E ) = ∑ i = 1 k ∑ x ∈ C i x - μ i 2 2
式中： μ i为簇 C i聚类中心的均值向量； x为样本向量； k为指定的聚类数量（本文类别为8）。

2.4 多尺度地理加权回归

考虑到蓝绿空间在时间上具有连续性，不同要素具有不同大小的空间作用范围，因此本文采用多尺度地理加权回归模型，将当年蓝绿空间覆盖率视作前序时间蓝绿空间覆盖率在年均气温、年均降水量与年均日照时长共同作用下的结果①(①数据来源于国家科技基础条件平台—国家地球系统科学数据中心(http://www.geodata.cn)和中国科学院资源环境科学与数据中心（https://www.resdc.cn）。)，加之第二产业GDP作为工业生产所涉及的用地与环境污染影响因素的表征，具体模型如下：
C R i j = ∑ j = 1 n ∑ k = 1 m β k u j , v j X i - k j + β 0 u j , v j ， X i - k j = C R i - k j ,     ∆ T i - k j ,   ∆ P r i - k j , ∆ S u n i - k j ,   ∆ G D P i - k j ″
式中： C R i j为年份i时（受限于数据获取，本模型仅使用2015年）城市j的蓝绿空间覆盖率， β k u j , v j为位于 u j , v j的城市j的各个自变量的系数（k为所用前序时间的数量值，本模型即2005年与2010年），自变量 X i - k j为城市j对应时段的蓝绿空间覆盖率以及气温（T）、降水量（Pr）、日照时长（Sun）和第二产业GDP（GDP″）在2005—2015年两两时段之间的变化值（2020年该数据获取受限）， β 0 u j , v j为截距项。

3 2005—2020年中国地级市建成区蓝绿空间的时空格局与演化

3.1 2005—2020年中国地级市建成区蓝绿空间时空格局特征

3.1.1 蓝绿空间覆盖率以秦岭-淮河一线为界呈明显南北差异

如图5所示，2005—2020年我国272个地级市建成区蓝绿空间覆盖率整体以增加为主，东北地区少数城市如呼伦贝尔、黑河、伊春等略有下降。整体空间格局基本以秦岭-淮河一线呈现出南北差异，初步反映了气温和降水条件对建成区蓝绿空间的宏观影响。建成区蓝绿空间覆盖率70%以上的城市绝大部分分布在秦岭-淮河一线以南；尽管2005年、2010年所得数据结果相对较低，南方城市建成区蓝绿空间覆盖率也很少低于35%。北方大部分城市建成区蓝绿空间覆盖率则介于15%~35%，且东北地区明显高于华北和西北地区。覆盖率低于15%的城市主要分布在内蒙古、山西与河北，除受影像质量与数据提取影响外，这些地区蓝绿空间覆盖率受大陆性气候与地形条件影响明显，冬季严寒、全年干燥，沙化、荒漠化敏感性较高；同时，作为资源型城市集中地区，其土地与土壤条件一定程度上受矿产开发影响，因而建成区蓝绿空间建设适宜性低于南方地区，维护成本较高。
图5 2005—2020年中国272个地级城市建成区蓝绿空间覆盖率空间分布②(②为便于制图，此处地级市空间单元反映其建成区蓝绿空间覆盖率，下同。)

注:该图基于自然资源部标准地图网站下载的审图号为GS(2020)4619的标准地图制作,底图无修改。由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 5 Spatial distribution of coverage rate of blue-green space in 272 Chinese urban built-up area from 2005 to 2020

时间变化上（图6），各地区均相对稳定增长，且2010年与2020年呈增长趋势的建成区较多。东北地区与内蒙古在2005—2020年建成区蓝绿空间覆盖率增长最为明显，其次是华东地区；华南与西南地区大多以增长为主，除呼伦贝尔蓝绿空间降低最为明显外，其余呈降低趋势的地级市建成区主要集中在华中、西北与华北地区。
图6 2005—2020年中国272个地级城市建成区蓝绿空间覆盖率变化分布

注:该图基于自然资源部标准地图网站下载的审图号为GS(2020)4619的标准地图制作，底图无修改。由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 6 Spatial change of coverage rate of blue-green space in 272 Chinese urban built-up area from 2005 to 2020

结合国家统计局对东、中、西部的划分、常用的六大区域以及气候条件，本文划分出东北、华北、华东、华南、西北、华中和西南共7个地区。考虑到西藏（拉萨）独特的高原地形与气候将其单列，并将内蒙古的各地级市分别并入西北和东北地区。从分区来看（图7），西南地区城市建成区蓝绿空间覆盖率最高，其次是华南、华中与华东地区；西北地区所提取的城市相对较少，总体上与华东地区建成区蓝绿空间覆盖率相近，内部差异更大。其中，陕西各城市表现较好，内蒙古的各城市建成区蓝绿空间覆盖率最低，华北地区与西藏（拉萨）表现相近。
图7 2005—2020年地级城市建成区蓝绿空间覆盖率统计

Fig. 7 Statistical distribution of coverage rate of blue-green space urban built-up area from 2005 to 2020

总体上，2005—2020年建成区蓝绿空间覆盖率高于50%的分别有128、122、164和169个，最高值分别为崇左（96.27%）、自贡（97.03）、雅安（96.44%）与崇左（94.44%），且雅安一直位于建成区蓝绿空间覆盖率前二。这些城市往往建成区紧凑，气候温暖湿润，土壤与地形条件良好。去除异常值后，低值城市包括白银（6.72%）、唐山（7.32%）、朔州（8.30%）、沧州（9.94%）等，大多属于资源型城市，大同自2010年起一直位于蓝绿空间覆盖率低值前五。
300 m服务覆盖率指标更明显地突出了蓝绿空间本身覆盖率较低的地区（图8），2010年，东北与华北地区增长明显，2015年进一步产生极大改善，绝大多数城市均实现蓝绿空间300 m服务覆盖率90%以上。但2020年仅有29个城市低于90%，榆林、邢台、沧州、朔州、阜新、赤峰、呼伦贝尔等城市相比2015年出现退化。其中，华北（9个，山西5个）、华东（5个，山东3个）与华南（5个，广东3个），共占65.52%。
图8 2005—2020年中国272个地级城市建成区蓝绿空间300 m服务覆盖率空间分布

注:该图基于自然资源部标准地图网站下载的审图号为GS(2020)4619号的标准地图制作，底图无修改。由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 8 Spatial distribution of 300 m service area coverage rate in Chinese 272 urban built-up area from 2005 to 2020

如图9所示，各分区之中，西南、华南、华中仍然表现突出，均高于90%。西北、华北与东北地区2005—2010年内部分异较大且取值较低，随后得到改善，300 m服务覆盖率提高到80%以上。
图9 2005—2020年272个地级城市建成区蓝绿空间300 m服务覆盖率统计

Fig. 9 Statistical distribution of 300 m service area coverage rate in 272 urban built-up area from 2005 to 2020

3.1.2 蓝绿空间斑块分维数区域差异较小

建成区蓝绿空间分维数的时空差异并不明显（图10），且空间聚集程度较低。北方地区取值相对较大，内蒙古与山西接壤的区域、部分东北城市以及中部面积相对较小的城市的蓝绿空间分维数较高，表明不规则斑块较多，一定程度上反映了蓝绿空间受地形条件限制的影响程度。
图10 2005—2020年中国272个地级城市建成区蓝绿空间分维数空间分布

注:该图基于自然资源部标准地图网站审图号为GS(2020)4619的标准地图制作,底图无修改。由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 10 Spatial distribution of fractal index distribution in 272 Chinese urban built-up area from 2005 to 2020

2005—2020年分维数集中在1.05~1.15区间内（少数异常值超出此区间），各年份最低值分别是乐山、滨州、资阳与株洲。最高值则分别是雅安、乐山、崇左与南平，这4个城市同时具有较高的蓝绿空间覆盖率，反映了蓝绿空间较高的土地利用效率。就分区而言（图11），西北地区内部差异最小，东北、西南与华中地区内部差异相对较大。
图11 2005—2020年272个地级城市建成区蓝绿空间分维数统计

Fig. 11 Statistical distribution of fractal index distribution in 272 urban built-up area from 2005 to 2020

3.1.3 蓝绿空间分离度的区域差异逐渐增大

如图12所示，2005与2010年各地级市建成区蓝绿空间分离度整体较高。四川、广西、湖南、江西等地的城市分离度较低。2015—2020年南北差异进一步凸显，同样近似以秦岭-淮河一线为界，呈现出北高南低的格局。从区域格局来看（图13），各地区内部分离度差异同样较大，各年份最低值的城市（崇左、自贡、雅安）同时具有极高的蓝绿空间覆盖率和较高分维数，反映出这些城市蓝绿空间斑块密集。最高值则分别是四平、东营、白银与日照，细碎斑块较多且分散。西南地区整体分离度较低且内部差异较大，华中与华南整体较为相似；西北、华东与东北取值相当，但西北地区内部差异更大，东北地区差异较小；华北地区整体分离度最高。
图12 2005—2020年中国272个地级城市建成区蓝绿空间分离度空间分布

注:该图基于自然资源部标准地图网站审图号为GS(2020)4619号的标准地图制作,底图无修改。由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 12 Spatial distribution of landscape division index in 272 Chinese urban built-up area from 2005 to 2020

图13 2005—2020年272个地级城市建成区蓝绿空间分离度箱型图

Fig. 13 Statistical distribution of landscape division index among 272 urban built-up area from 2005 to 2020

3.2 2005—2020年中国地级市建成区蓝绿空间时空演化模式

根据2005—2020年两两时间段建成区蓝绿空间覆盖率的增加或降低及其变化值大小，辅以各年份蓝绿空间分离度，引入空间权重矩阵，采用k-means聚类将划分出8类、15种时空演化模式，如图14所示。
图14 272个地级城市建成区蓝绿空间时空演化模式

注:该图基于自然资源部标准地图网站审图号为GS(2020)4619号的标准地图制作，底图无修改。由于数据获取困难，本研究不包括香港、台湾和澳广。

Fig. 14 Spatio-temporal pattern of blue-green space among 272 urban built-up area

总体上，建成区蓝绿空间覆盖率由南至北、由东向西逐渐下降，而环渤海地区则形成“洼地”，其成因受到气候、地形以及城市工业化等多种因素共同影响。由于西邻黄土高原，夏季风携带的水汽不足以维持良好的湿度以促进蓝绿空间发展，同时此地区矿产与农业并行发展，人口密度大，城市建成区土地利用强度较高，不利于蓝绿空间的维护。泛东北地区尽管相比环渤海地区蓝绿空间覆盖率较高，但其内部分异较大，其它地区则相对集中。各地区均以增长为主，尤其泛东北地区增长城市最多，但华中、西北地区东部和环渤海地区南部等地区呈降低趋势的城市较多。
尽管城市建成区蓝绿空间的数量与空间分布主要受城市规划建设的人为影响，但以上各指标所呈现的空间格局与演化模式也反映了不同气候带之间城市建成区蓝绿空间的差异。结合我国自然地理条件可以初步判断，降水为主要影响因素，气温次之，高程与地形起伏在分区之间的影响相对不明显。此外，建成区蓝绿空间覆盖率由东向西的衰减一定程度上与城镇化水平对市政绿化的经济支持有关。

4 2005—2015年中国地级市建成区蓝绿空间的气候影响因素分析

目前，多数蓝绿空间研究集中关注城市土地利用变化与产业结构的影响，或受限于区域范围难以观测到较为明显的气候影响[12]，或以城市统计数据为基础，缺乏空间化的蓝绿空间与气候因素分析[30-31]。但是，以蓝绿空间为城市生态质量评价对象时，应注意区分不同气候的区域具有不同自然条件，城市之间的对比应实现差异化、针对性评价，同一城市不同时间的对比则应明确其中生态指标的变化有多大程度的自然影响，尤其出现退化的指标是否处于合理的自然变化区间。而通过NDVI与MNDWI提取蓝绿空间时，也应注意到其成像与计算结果都受到了气温、降水、光照等因素影响。本节通过第二产业GDP简要考虑人为影响（反映工业用地与潜在工业污染），主要用于与气候因素的影响程度进行对比。模型通过R语言包GWModel构建[32-33]，使用高斯核函数与自适应带宽，所得各参数如表2所示。
表2 2005—2015年地级市建成区蓝绿空间气候影响因素的多尺度地理加权回归模型参数取值

Tab. 2 Parameters of Multiscale Geographically Weighted Regression for analyzing climate impacts on blue-green space in urban built-up area from 2005 to 2015

变量 系数（最小值~最大值）
截距项 12.93 ~ 33.66***
2005年CR 0.24 ~ 0.34***
2010年CR 0.15 ~ 0.53***
2005—2010年∆T -0.35 ~ -0.34***
2010—2015年∆T -0.09 ~ -0.08
2005—2010年∆P -0.23 ~ 0.36***
2010—2015年∆P 0.07 ~ 0.14***
2005—2010年∆S 0.15 ~ 0.16**
2010—2015年∆S -0.28 ~ 0.27
2005—2010年∆GDP″ 0.15~0.16*
2010—2015年∆GDP″ -0.18 ~ -0.17
模型参数 取值
全局R2 0.85
校正R2 0.83
AIC 1925.29

注：显著性：***(p<0.001)，**(p<0.01)，*(p<0.05)。

总体上，模型拟合效果较好。尽管各气候因素系数较低，年均降水变化对城市蓝绿空间覆盖率的影响更显著，年均气温和日照时长变化分别在2005—2010年和2010—2015年作用显著，且年均气温的影响更显著，但其影响作用的空间格局有所不同（图15），这与其它有关研究结果基本 一致[30-31]。以第二产业GDP变化为参照，除了2005—2010年年均降水和气温变化、以及2010—2015年日照时长变化的作用效果（系数值）更强外，其他时间段中气候因素的影响与人为影响效果接近。
图15 2010—2015年多尺度地理加权回归气候因素变化值系数的空间分布

注:该图基于自然资源部标准地图网站审图号为GS(2020)4619号的标准地图制作,底图无修改。由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 15 Spatial distribution of multiscale geographically weighted regression coefficients of climate factors from 2010 to 2015

2005—2015年年均降水变化连续表现为正相关，建成区蓝绿空间覆盖率随降水量增加而有所上升。年均气温变化则主要表现为负相关，即蓝绿空间覆盖率随着温度上升存在下降趋势，其原因可能为过高的年均气温下，当年内植被生长可能由于对降水的需求量增加、蒸散发量增加而抑制了其生长，或导致叶片闭合（有关波段反射值降低并影响NDVI计算与提取）等。而第二产业GDP变化在2005—2010年与2010—2015年的系数符号相反，从正相关转为负相关，表明第二产业对蓝绿空间建设的积极作用可能具有一定的适宜范围。
具体从多尺度地理加权回归模型各变量的局部系数与变量值的空间分布来看（图15与图16），大多数城市建成区蓝绿空间与年均降水量变化成正相关，尤其在华北与胶东半岛一带更为明显，其次是东北、西北、华中与华东地区。这些地区以半干旱、半湿润地区为主，植被生长以及水体变化均主要受到降水限制。且无论各地区年均降水量增加或减少，依然表现为正相关；即使西南地区降水基础较好且其降水年变化以增加为主，变量系数依然为低值的正相关，没有超出降水适宜范围而呈负相关，表明蓝绿空间对降水量需求较高。这与生态学相关研究结论相符[30]，即在降水或气温分别相对稳定且充足时，降水对NDVI与绿地覆盖率的影响对于气温影响更为显著。对比来看，年均降水量变化和气温变化的系数在2010—2015年空间格局的条带分布相似而作用不同，华北地区受年均降水量变化的影响（促进）高于气温，而西南、华南地区则受年均气温变化的影响（抑制）更大。这也反映了半湿润地区和亚热带气候区的自然特征；而在此期间，年均气温变化以上升为主，表明超出适宜区间的较高年均气温不利于蓝绿空间养护。年均日照时长变化的正负相关区域间隔出现，尤其云贵高原、四川盆地、华中北部与东北地区表现为较高的正相关。其中，东北地区纬度较高冬季日照时长短，华中北部可能受太行山脉云层影响，而云贵高原与四川盆地气候湿润，常年云量较高等，因而对年均日照时长变化较为敏感。
图16 2010—2015年多尺度地理加权回归所用气候因素变化值的空间分布

注:该图基于自然资源部标准地图网站审图号为GS(2020)4619号的标准地图制作，底图无修改。由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 16 Spatial distribution of Multiscale Geographically Weighted Regression coefficients of climate factors from 2010 to 2015

2010—2015年第二产业GDP变化值表现为负相关，其空间分布呈明显的东、中、西格局（以及东北）。除少部分城市第二产业GDP上升外，大部分地区呈下降趋势。考虑到该变量两段时间内相关关系相反，表明城市第二产业在一定范围内时，可以通过促进城市经济发展支持市政（蓝绿空间）建设维护，即为正相关；而超出适宜范围时（例如四川东部和陕西南部少数城市建成区）则表现出第二产业在用地与环境污染等方面可能存在的不利影响（例如建设用地增加可能导致的绿地面积减少、污染水体未能被提取等），存在对蓝绿空间的挤压（负相关）。同时，而随着城市化转型，部分地区第二产业GDP逐渐降低，但经济发展依然有效支撑了蓝绿空间建设，城市生态空间与生态文明建设得到的积极响应，同样成负相关关系。

5 结论与讨论

5.1 结论

本文基于GEE提取了2005—2020年中国地级市建成区蓝绿空间，并分析了其时空格局演化与气候因素影响，主要结论如下：
（1）我国地级市建成区蓝绿空间总体上呈现出“南高北低”的空间格局，基本以秦岭-淮河一线为分界，且南方地区表现为“西高东低”，北方地区则是“东高西低”。时空模式则为“中部稍降、四周增长”，华中地区呈下降趋势的城市最多。环渤海地区受气候、地形以及产业等影响，处于蓝绿空间覆盖率空间格局上的“洼地”。
（2）大多数地级市建成区蓝绿空间300 m服务覆盖率基本满足全覆盖，保障了其良好的游憩与避险功能。各区域蓝绿空间分维数差异较小，但分离度的南北差异较大。
（3）蓝绿空间现状覆盖率与其分离度略呈负相关，尤其北方地区蓝绿空间分离度较高、斑块破碎，需要注意优化城市生态空间结构。例如四平、东营、白银、日照、朔州、忻州以及内蒙古的多个地级市等，应当加强生态廊道建设，在适应自然生态环境本底的情况下提高城市蓝绿空间的连通性。
（4）根据多尺度地理加权回归结果，气候因素对城市蓝绿空间覆盖率的影响比第二产业明显。其中，年均降水量变化对城市建成区蓝绿空间的影响最为显著，表现为正相关，年均气温变化则表现为负相关；且二者影响的空间格局相似。这些要素对城市蓝绿空间的影响除了在于植被的生长过程、地表径流的蒸散发与水循环等过程，还存在于遥感影像成像与波段计算的数据提取过程中。第二产业GDP变化的影响则既反映了其通过经济发展促进蓝绿空间建设的有限性，也体现了城市化转型后生态文明与蓝绿空间建设的积极效果。

5.2 讨论

本文提取的地级市城市建成区边界范围较为客观地反映了城市发展状况，且统一标准与方法有利于不同城市之间蓝绿空间的比较，但其并非完全与行政区划或实际建成区范围一致，因此蓝绿空间数据与统计数据存在差异。同时，较大时空尺度下的蓝绿空间格局分析难免损失城市内部蓝绿空间结构及其时空演化的细节，针对不同演化类型的空间分析尚未深入到拓扑结构，也难以明确不同城市所面临的不同蓝绿空间建设问题。并且，为突出探查气候因素的影响，本研究构建多尺度地理加权回归模型时，对经济要素、人口要素等城市化要素刻画不足，如何实现长时间序列下全国城市建成区蓝绿空间的多尺度时空格局、多要素影响分析仍然有待突破。
但本研究利用GEE高效便捷的数据处理优势，完成了更大时空角度、针对城市建成区的蓝绿空间提取与分析，提供了更为宏观的蓝绿空间建设考量。在当前全球气候变化、我国城市化转型的大背景下，蓝绿空间作为城市生态安全的重要组成要素与保障，不仅要着眼于其在城市内部的空间结构，更应该注意到城市内外蓝绿空间和城乡生态空间等在更大范围内的生态连通性与时空连续性，构建更有韧性的生态网络。在具体实践中，应当充分考虑各地的自然环境与气候条件，摒弃一刀切的方式对不同城市建成区蓝绿空间建设实施相同的评估评价，从而有效提高我国城市生态安全体系建设的效率。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
龚珍, 胡友健, 黎华. 城市水体空间分布与地表温度之间的关系研究[J]. 测绘通报, 2015(12):34-36.

[Gong Z, Hu Y J, Li H. Quantitative analysis of the relationship between the spatial distribution of water and surface temperature[J]. Bulletin of Surveying and Mapping, 2015(12):34-36. ] DOI:10.13474/j.cnki.11-2246.2015.372

DOI

[2]
苏泳娴, 黄光庆, 陈修治, 等. 城市绿地的生态环境效应研究进展[J]. 生态学报, 2011, 31(23):7287-7300.

[Su Y X, Huang G Q, Chen X Z, et al. Research progress in the eco-environmental effects of urban green spaces[J]. Acta Ecologica Sinica, 2011, 31(23):7287-7300. ]

[3]
Bowler D E, Buyung-Ali L, Knight T M, et al. Urban greening to cool towns and cities: A systematic review of the empirical evidence[J]. Landscape and Urban Planning, 2010, 97(3):147-155. DOI:10.1016/j.landurbplan.2010.05.006

DOI

[4]
李书严, 轩春怡, 李伟, 等. 城市中水体的微气候效应研究[J]. 大气科学, 2008, 32(3):552-560.

[Li S Y, Xuan C Y, Li W, et al. Analysis of microclimate effects of water body in a city[J]. Chinese Journal of Atmospheric Sciences, 2008, 32(3):552-560. ] DOI:10.3878/j.issn.1006-9895.2008.03.12

DOI

[5]
Frantzeskaki N. Seven lessons for planning nature-based solutions in cities[J]. Environmental Science & Policy, 2019, 93:101-111. DOI:10.1016/j.envsci.2018.12.033

DOI

[6]
Pineda-Pinto M, Frantzeskaki N, Nygaard C A. The potential of nature-based solutions to deliver ecologically just cities: Lessons for research and urban planning from a systematic literature review[J]. Ambio, 2022, 51(1):167-182. DOI:10.1007/s13280-021-01553-7

DOI

[7]
刘佳坤, 吝涛, 赵宇, 等. 面向城市可持续发展的自然解决途径(NBSs)研究进展[J]. 生态学报, 2019, 39(16):6040-6050.

[Liu J K, Lin T, Zhao Y, et al. Research progress on Nature-Based Solutions towards urban sustainable development[J]. Acta Ecologica Sinica, 2019, 39(16):6040-6050. ] DOI:10.5846/stxb201812042648

DOI

[8]
陈定贵, 周德民, 吕宪国. 长春城市发展过程中地表水体空间格局演变特征[J]. 吉林大学学报(地球科学版), 2008, 38(3):437-443.

[Chen D G, Zhou D M, Lü X G. Spatial evolution character of surface water bodies pattern due to urbanization of Changchun City[J]. Journal of Jilin University (Earth Science Edition), 2008, 38(3):437-443. ] DOI:10.13278/j.cnki.jjuese.2008.03.027

DOI

[9]
唐静, 董继兴, 董李勤, 等. 地级尺度下的云南省绿地空间格局演化分析[J]. 林业调查规划, 2021, 46(4):33-38.

[Tang J, Dong J X, Dong L Q, et al. Evolution of green space pattern of prefecture-level cities in Yunnan Province[J]. Forest Inventory and Planning, 2021, 46(4):33-38. ] DOI:10.3969/j.issn.1671-3168.2021.04.007

DOI

[10]
Jian Z, Hao S. Geo-spatial analysis and optimization strategy of park green space landscape pattern of Garden City- A case study of the central district of Mianyang City Sichuan Province[J]. European Journal of Remote Sensing, 2020, 53(1):309-315. DOI:10.1080/22797254.2020.1725788

DOI

[11]
戴菲, 毕世波, 郭晓华, 等. 基于形态学空间格局分析的伦敦绿地系统空间格局演化及其与政策的关联性研究[J]. 国际城市规划, 2021, 36(2):50-58.

[Dai F, Bi S B, Guo X H, et al. Evolution of spatial pattern of London green space system based on morphological spatial pattern analysis and its relevance to policy[J]. Urban Planning International, 2021, 36(2):50-58. ] DOI:10.19830/j.upi.2019.204

DOI

[12]
宋爽, 石梦溪, 胡珊珊, 等. 东北地区中心城市城区蓝绿空间演化及驱动机制研究[J]. 南京林业大学学报(自然科学版), 2022, 46(4):221-229.

[Song S, Shi M X, Hu S S, et al. Evolution and driving mechanism of urban blue-green space in northeast China: A case study with the urban central district of Harbin City[J]. Journal of Nanjing Forestry University (Natural Sciences Edition). 2022, 46(4):221-229. ] DOI:10.12302/j.issn.1000-2006.202105021

DOI

[13]
王琼, 吴宾, 姚申君, 等. 城市绿地演化轨迹与变化研究——以上海市外环以内区域为例[J]. 华东师范大学学报(自然科学版), 2021(2):100-109.

[Wang Q, Wu B, Yao S J, et al. Evolution and change of an urban greenspace: A case study on the outer ring of Shanghai[J]. Journal of East China Normal University (Natural Science), 2021(2):100-109. ] DOI:10.3969/j.issn.1000-5641.2021.02.010

DOI

[14]
周筱雅, 刘志强, 王俊帝. 中国市域人均公园绿地面积时空演变特征[J]. 规划师, 2018, 34(6):105-111.

[Zhou X Y, Liu Z Q, Wang J D. Space-temporal evolution characteristics of urban park green space per capita In China[J]. Planners, 2018, 34(6):105-111. ] DOI:10.3969/j.issn.1006-0022.2018.06.016

DOI

[15]
刘志强, 陈列, 王俊帝, 等. 人口规模视角下城市公园绿地增长的差异与潜力——以我国地级及以上城市为例[J]. 地域研究与开发, 2021, 40(2):40-44,55.

[Liu Z Q, Chen L, Wang J D, et al. Difference and potential of park green space from the perspective of population scale: A case study of cities at prefecture level and above in China[J]. Areal Research and Development, 2021, 40(2):40-44, 55. ] DOI:10.3969/j.issn.1003-2363.2021.02.007

DOI

[16]
邵大伟, 吴殿鸣. 1979—2017年城市公园绿地空间布局的分形演化特征——以南京为例[J]. 风景园林, 2021, 28(3):113-120.

[Shao D W, Wu D M. Fractal evolution characteristics of urban park green space layout (1979—2017): A case study of Nanjing[J]. Landscape Architecture, 2021, 28(3):113-120. ] DOI:10.14085/j.fjyl.2021.03.0113.08

DOI

[17]
Kumar L, Mutanga O. Google earth engine applications since inception: Usage, trends, and potential[J]. Remote Sensing, 2018, 10(10):1509. DOI:10.3390/rs10101509

DOI

[18]
Gorelick N, Hancher M, Dixon M, et al. Google earth engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202:18-27. DOI:10.1016/j.rse.2017.06.031

DOI

[19]
陈仁喜, 王成芳. 城市高分辨率影像绿地植被识别研究进展[J]. 遥感信息, 2013, 28(3):119-125.

[Chen R X, Wang C F. Review on Greenland recognition from urban high-resolution satellite imagery[J]. Remote Sensing Information, 2013, 28(3):119-125. ] DOI:10.3969/j.issn.1000-3177.2013.03.021

DOI

[20]
王航, 秦奋. 遥感影像水体提取研究综述[J]. 测绘科学, 2018, 43(5):23-32.

[Wang H, Qin F. Summary of the research on water body extraction and application from remote sensing image[J]. Science of Surveying and Mapping, 2018, 43(5):23-32. ] DOI:10.16251/j.cnki.1009-2307.2018.05.005

DOI

[21]
徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报, 2005, 9(5):589-595.

[Xu H Q. A study on information extraction of water body with the modified normalized difference water index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5):589-595. ] DOI:10.3321/j.issn:1007-4619.2005.05.012

DOI

[22]
刘桂林, 张落成, 刘剑, 等. 基于Landsat TM影像的水体信息提取[J]. 中国科学院大学学报, 2013, 30(5):644-650.

DOI

[Liu G L, Zhang L C, Liu J, et al. Water body information extraction based on Landsat TM remote sensing imagery[J]. Journal of University of Chinese Academy of Sciences, 2013, 30(5):644-650. ] DOI:10.7523/j.issn.2095-6134.2013.05.011.

DOI

[23]
许靖, 沈涛, 杨仕仙. 高分遥感影像城市绿地自动提取方法[J]. 北京测绘, 2021, 35(4):480-484.

[Xu J, Shen T, Yang S X. Automatic extraction method of urban green space from high resolution remote sensing image[J]. Beijing Surveying and Mapping, 2021, 35(4):480-484. ] DOI:10.19580/j.cnki.1007-3000.2021.04.013

DOI

[24]
张甜, 王仰麟, 刘焱序, 等. 1987—2015年深圳市主城区景观演变过程多时相识别[J]. 地理学报, 2016, 71(12):2170-2184.

DOI

[Zhang T, Wang Y L, Liu Y X, et al. Multi-temporal detection of landscape evolution in western Shenzhen City during 1987-2015[J]. Acta Geographica Sinica, 2016, 71(12):2170-2184. ] DOI: 10.11821/dlxb201612008

DOI

[25]
乔丹玉, 郑进辉, 鲁晗, 等. 面向不同环境背景的Landsat影像水体提取方法适用性研究[J]. 地球信息科学学报, 2021, 23(4):710-722.

DOI

[Qiao D Y, Zheng J H, Lu H, et al. Application of water extraction methods from landsat imagery for different environmental background[J]. Journal of Geo-Information Science, 2021, 23(4):710-722. ] DOI: 10.12082/dqxxkx.2021.200312

DOI

[26]
邸苏闯, 吴文勇, 刘洪禄, 等. 城市绿量的遥感估算与热岛效应的相关分析——以北京市五环区域为例[J]. 地球信息科学学报, 2012, 14(4):481-489.

DOI

[Di S C, Wu W Y, Liu H L, et al. The correlationship between urban greenness and heat island effect with RS technology: A case study within 5th ring road in Beijing[J]. Journal of Geo-Information Science, 2012, 14(4):481-489. ] DOI:10.3724/SP.J.1047.2012.00481

DOI

[27]
徐涵秋. 水体遥感指数研究进展[J]. 福州大学学报(自然科学版), 2021, 49(5):613-625.

[Xu H Q. Development of remote sensing water indices: a review[J]. Journal of Fuzhou University (Natural Science Edition), 2021, 49(5):613-625. ] DOI:10.7631/issn.1000-2243.21286

DOI

[28]
许泽宁, 高晓路. 基于电子地图兴趣点的城市建成区边界识别方法[J]. 地理学报, 2016, 71(6):928-939.

DOI

[Xu Z N, Gao X L. A novel method for identifying the boundary of urban built-up areas with POI data[J]. Acta Geographica Sinica, 2016, 71(6):928-939. ] DOI:10.11821/dlxb201606003

DOI

[30]
申世广, 刘祥, 孙新旺, 等. 我国设区市绿化覆盖率与绿地率区域耦合差异分析——基于干湿气候区划的视角[J]. 西北林学院学报, 2020, 35(4):236-241.

[Shen S G, Sun X, Sun X W, et al. Regional coupling differences of green coverage rate and green space rate of the cities with districts in China — A perspective based on dry and wet climate zoning[J]. Journal of Northwest Forestry University, 2020, 35(4):236-241. ] DOI:10.3969/j.issn.1001-7461.2020.04.37

DOI

[31]
崔佳奇, 刘宏涛, 陈媛媛. 中国城市建成区绿化覆盖率变化特征及影响因素分析[J]. 生态环境学报, 2021, 30(2):331-339.

[Cui J Q, Liu H T, Chen Y Y. Changes in green coverage rate of urban built-up areas in China and influencing factors[J]. Ecology and Environmental Sciences, 2021, 30(2):331-339. ] DOI:10.16258/j.cnki.1674-5906.2021.02.012.

DOI

[32]
Lu B B, Harris P, Charlton M, et al. Calibrating a geographically weighted regression model with parameter-specific distance metrics[J]. Procedia Environmental Sciences, 2015, 26:109-114. DOI:10.1016/j.proenv.2015.05.011

DOI

[33]
Fotheringham A S, Yang W B, Kang W. Multiscale geographically weighted regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6):1247-1265. DOI:10.1080/24694452.2017.1352480

DOI

Options
Outlines

/

〈 〉