基于城市活力影响的滨河绿地评价研究 以北京市海淀区为例

黄守邦; 张诗阳; 王向荣

doi:10.12171/j.1000-1522.20220206

基于城市活力影响的滨河绿地评价研究——以北京市海淀区为例

北京林业大学园林学院，北京 100083

基金项目: 北京市社会科学基金项目青年项目（19SRC012）。

详细信息

作者简介:
黄守邦。主要研究方向：风景园林规划与设计。Email：huangshoubang@bjfu.edu.cn　地址：100083 北京市海淀区清华东路35号北京林业大学园林学院

责任作者:
张诗阳，副教授。主要研究方向：风景园林规划设计及理论、区域与城市景观。Email：zhangshiyang@bjfu.edu.cn 　地址：同上。

中图分类号: TU986
计量
- 文章访问数: 529
- HTML全文浏览量: 164
- PDF下载量: 130
出版历程
- 收稿日期: 2022-05-26
- 修回日期: 2022-10-08
- 录用日期: 2023-09-17
- 网络出版日期: 2023-09-21
- 刊出日期: 2023-11-29

Research on the assessment of riverfront green space based on urban vitality impact: taking Beijing Haidian District as an example

School of Landscape Architecture, Beijing Forestry University, Beijing 100083, China

摘要

摘要:
目的
基于活力影响构建城市滨河绿地评价体系，从不同维度探讨滨河绿地对其自身及周边街区活力的影响，为城市滨河绿地的评价方法及更新策略提供科学依据。
方法
（1）构建递阶层次城市滨河绿地评价模型，运用层次分析法-熵值法组合赋权，TOPIS法进行数据综合。（2）采用地理探测器因子探测，评估滨河绿地准则层各维度质量、各指标层单一环境要素对场地和周边街区活力影响。（3）采用交互探测，评估各环境要素评价维度交互作用对场地和周边街区活力影响。
结果
（1）研究构建包含区位环境、河道空间形态、水岸空间形态、生态环境质量、设施服务质量、可达性6个准则层31个指标的城市滨河绿地评价模型。（2）海淀6段典型河段27个研究单元的评价结果显示：研究单元中，研究单元21最佳，研究单元26最差。河段中，土城沟、南长河评价较好；京密引水渠由于区位环境与可达性不佳，评价居中；永定河引水渠、小月河评价较差，归因于河道空间形态的局限性和生态环境质量较差。（3）指标层方面，场地活力与周边街区建筑密度、单元形状指数、外侧道路等级值显著相关，而周边建筑密度、单元文化和休憩设施密度对周边街区活力体现出高解释力。（4）准则层方面，单一维度准则层环境要素对场地活力影响有限，周围街区活力与设施服务质量相关性显著；双因子交互探测均呈现对活力解释的增强作用。区位环境与设施服务质量两者协同对场地活力和周边街区活力都有着最高解释水平。
结论
（1）研究构建的评价体系能够一定程度支撑城市滨河绿地系统性评估，并提供优化参考。（2）南长河和土城沟的总体品质较高，京密引水渠昆玉段需通过降低道路等级、增加人行天桥等方式提升滨河绿地可达性，而小月河、永定河引水渠等河段则应通过覆绿、近自然化改造等方式改善现状硬质驳岸，营建多类型亲水场所，并通过塑造多种乡土植物群落以提供健康的生态环境和多样自然风景。（3）总体建议方面，应重视区位环境条件，强调形态、品质与可达性的均衡发展，而在部分维度受限时，则应优先关注设施服务质量和生态环境质量建设。（4）实施策略方面，提升绿地边界形状不规则度，降低绿地与周边街区间的道路等级，是增强滨河绿场地活力的有效途径；而增加滨河绿地内部文化、休憩场所设施类型与密度，增加民众亲水机会，塑造更为开敞体验感受等则是提升周边街道活力的多种方式。
- 风景园林 /
- 城市滨河绿地 /
- 评价体系 /
- 活力测度 /
- 地理探测器 /
- 海淀区
Abstract:
Objective
This paper aims to construct an assessment system for urban riverfront green spaces based on the influence of vitality and to explore the impact of riverfront green spaces on their own and surrounding neighborhood vitality from different dimensions, and provide a scientific basis for the assessment methods and renewal strategies of urban riverfront green areas.
Method
(1) This study constructed a model of urban riverfront green space assessment, applying analytic hierarchy process-entropy value method combined with weighting and TOPIS method for data synthesis. (2) Geodetector factor detection was used to assess the influence of quality of each dimension of the riverfront green space criterion layer and the single environmental factor of each index layer. (3) Interaction detection was used to assess the interaction between two dimensions of the criterion layer on vitality.
Result
(1) The study constructed an urban riverfront green space assessment model containing 31 indicators in 6 criteria layers: surrounding environment, river spatial morphology, waterfront spatial morphology, ecological environment quality, facility service quality and accessibility. (2) The assessment results of 27 study units in 6 typical river sections in Haidian District of Beijing showed that among the study units, unit 21 was the best and unit 26 was the worst. Among the river sections, Tuchenggou and Nanchanghe River were better assessed; Jingmi Diversion Channel was in the middle due to its poor location and accessibility; Yongdinghe River Diversion Channel and Xiaoyuehe River were poorly assessed, which was attributed to the limitation of the river spatial morphology and the poor quality of ecological environment. (3) In the indicator layer, site vitality was significantly correlated with the building density of surrounding neighbourhoods, unit shape index and external road grade, while the density of cultural and leisure facilities had the highest explanatory power for the surrounding neighbourhood vitality. (4) For the criterion layer, the environmental factors of the single-dimensional criterion layer had limited influence on site vitality, and the surrounding neighborhood vitality was significantly correlated with the quality of facility services. The two-factor interaction of the criterion layers all showed an enhanced effect on the explanation of vitality. The synergy between the surrounding environment and the facility service quality had the highest level of explanation for site vitality and surrounding neighbourhoods vitality.
Conclusion
(1) The assessment system constructed by the study can, to a certain extent, support the comprehensive assessment of urban riverfront green spaces and provide a basis for renewal and optimisation at different levels. (2) The Nanchanghe River and Tuchenggou River are of high quality, while the Kunyu Section of the Jingmi Diversion Channel should be upgraded by lowering the road level and adding pedestrian bridges, while the Xiaoyuehe River and Yongdinghe Diversion Channel should be improved through greening and near-naturalisation, creating a variety of water-friendly places, and providing a healthy ecological environment and diverse natural scenery through the formation of a variety of native plant communities. (3) In terms of general recommendations, importance should be laid on the environmental conditions of the district, emphasizing the balanced development of form, quality and accessibility, while when some of the dimensions are limited, priority should be given to the construction of facility service quality and ecological environment quality. (4) In terms of specific implementation strategies, enhancing the irregularity of the green space boundary and reducing the road level between the green space and the surrounding neighbourhoods are effective ways to enhance the site vitality of the riverfront green space. Increasing the type and density of cultural and leisure facilities within the riverfront green space, increasing the waterfront opportunities for the public, and creating a more open experience are effective means to enhance the surrounding neighbourhood vitality.
- landscape architecture /
- urban riverfront green space /
- assessment system /
- measurement of vitality /
- geodetector /
- Haidian District

HTML全文

树高和胸径是森林资源调查和经营效果评价的主要林分调查因子，也是林木生长发育和林分材积数量研究的重要变量。树高与胸径关系一直是林学研究的热点。通过量化特定树种的树高与胸径关系拟合树高−胸径预测模型，在计算树干材积、出材率表编制、生长和收获模型、森林资源调查、立地质量评价以及森林碳储量估算方面具有广泛应用。

分位数回归方法具有较长的统计学历史和理论基础，最早于1978年由Koenker等^[1]根据中位数回归推导提出。由于对调查数据模型方差没有严格要求，利用自变量的多个分位数求得因变量条件分布的相应分位数方程，能够描述任意发散点处变量的变化趋势。对具有尖峰、厚尾、异方差显著的数据拟合效果更加稳健^[2]，相对最小二乘回归具有更大优势。已广泛应用于林分自疏边界线、直径分布规律、林分密度指数、林木干形、树冠轮廓以及森林病虫害等领域。国外学者利用分位数回归建立了树高−胸径关系模型^[3]。国内学者利用分位数回归拟合了树冠轮廓^[4]、树冠表面积及树冠体积^[5]，结合哑变量方法构建了大兴安岭落叶松（Larix gmelinii）的树高与胸径关系最优模型^[6]。Cao等^[7]提出利用组合分位数法预测火炬松（Pinus taeda）干形曲线，并通过插值系数修正削度方程以提高预测精度。

树木生长受气候、立地条件和经营措施等多种因素的影响和制约，不同样地间的树高−胸径关系存在较大差异，仅含胸径一个变量的树高模型不能描述不同林况下树高−胸径关系的差异，因此很多引入林分变量或者单木变量构建的广义模型也被用于描述不同林分的模型差异。除此之外，近年来混合效应模型在树高模型中也得到了一定的应用，可以反映总体平均变化趋势及个体之间的变异，不需要假设观测值相互独立^[8]，显著提高了模型的预测精度。Zhang等^[9]在以样地为随机效应的混合模型中引入林分密度和立地指数，结果表明该模型可以显著提高长白落叶松（Larix olgensis）树高−胸径模型的预测精度。燕云飞等^[10]基于广义混合效应构建了拟合效果最优的红松（Pinus koraiensis）人工林枝下高模型。

以往树高−胸径关系研究均选定某种方程进行非线性回归，且对多层次、多树种的混交林树高−胸径关系的描述相比纯林要困难和复杂很多^[11]。同时随着方程通用程度的提高，用于局部地区的误差也会增大^[12]。因此，本研究以吉林蛟河针阔混交林典型树种为研究对象，构建含有林分变量的广义树高−胸径模型，并基于基础模型和广义模型分布拟合不同树种的分位数回归和以样方效应作为分类变量的混合模型，对比分析各树种不同树高−胸径模型的预测效果和拟合差异，为温带针阔混交林资源调查、收获、经营与管理提供依据。

1. 研究区概况与研究方法

1.1 研究区概况

吉林省林业实验区国有林保护中心位于吉林省东部、长白山西麓，隶属于长白山系张广才岭山脉。行政区域处于吉林省蛟河市前进乡境内，属温带大陆性季风气候，年平均气温3.4 ℃，降水量708.8 mm，无霜期为120 ~ 130 d。地貌类型以低山丘陵区为主，海拔459 ~ 517 m。森林资源和植物种类丰富，植被类型为次生针阔混交林，主要乔木树种包括红松、水曲柳（Fraxinus mandshurica）、蒙古栎（Quercus mongolica）、紫椴（Tilia amurensis）、色木槭（Acer mono）、白牛槭（Acer mandshuricum）和胡桃楸（Juglans mandshurica）等。

1.2 数据来源与统计

在研究区设置总面积大小为21.12 hm²监测样地，经纬度为43°57′35″ ~ 43°57′54″N，127°43′37″ ~ 127°44′09″E。2009年对植被开展初次调查，2014年、2019年对样地进行复测。调查时将样地划分为528个20 m × 20 m的连续调查样方，记录所有样方中胸径大于1 cm的木本植物种类，测量胸径、树高、冠幅、坐标、林分郁闭程度等。基于样地内树种组成（表1）和各树种树高−胸径模型的初步拟合结果，选择重要值最高的乔木树种作为研究样本，其中筛选出1 531株红松、3 066株色木槭、1 822株紫椴和1 856株水曲柳。建模时将各组数据随机分成两部分，其中80%作为训练数据，20%作为测试数据（表2）。根据调查数据，计算各样方的林分密度、胸高断面积和优势木高（表3）。在每个20 m × 20 m样方内，分别选择1 ~ 3株最高的林木计算平均值，作为该树种在该样方的优势木高。利用R软件的quantreg包和nlme包进行非线性分位数回归和混合效应模型分析。

表 1 优势树种主要指标统计

Table 1. Main indicator statistics of dominant tree species

树种 Tree species	重要值 Important value	多度 Abundance	频度 Frequency	胸高断面积/（m²·hm⁻²） Basal area/（m²·ha⁻¹）
色木槭 Acer mono	11.42	3 071	505	87.58
水曲柳 Fraxinus mandshurica	11.13	1 861	420	119.81
紫椴 Tilia amurensis	9.46	1 825	472	84.91
红松 Pinus koraiensis	8.21	1 535	411	74.72
暴马丁香 Syringa reticulata	7.28	3 483	466	4.66
春榆 Ulmus davidiana	6.79	2 279	446	26.94
拧筋槭 Acer triflorum	6.51	1 474	444	41.76
蒙古栎 Quercus mongolica	5.62	646	337	55.80
白牛槭 Acer mandshuricum	4.67	1 492	358	15.56
白桦 Betula platyphylla	4.44	876	249	36.81

下载: 导出CSV

| 显示表格

表 2 单木树高−胸径模型拟合及检验数据

Table 2. Fitting and testing data of individual tree height-DBH model

数据分类 Dataset classification	树种 Tree species	样本数 Number of sample	胸径 DBH/cm				树高 Tree height/m
数据分类 Dataset classification	树种 Tree species	样本数 Number of sample	平均值 Mean	最小值 Min. value	最大值 Max. value	标准差 SD	平均值 Mean	最小值 Min. value	最大值 Max. value	标准差 SD
拟合数据 Fitting data	红松 Pinus koraiensis	1 226	19.14	1.60	75.80	15.90	12.25	1.00	33.40	6.75
	色木槭 Acer mono	2 452	14.13	1.20	88.80	12.62	11.22	2.00	37.20	6.10
	紫椴 Tilia amurensis	1 458	19.86	1.20	70.40	13.76	14.42	1.60	32.70	6.36
	水曲柳 Fraxinus mandshurica	1 484	26.17	2.00	75.00	12.32	17.82	2.70	27.30	4.15
检验数据 Testing data	红松 Pinus koraiensis	305	19.28	2.00	65.30	16.12	12.11	1.90	34.40	6.98
	色木槭 Acer mono	614	14.32	1.40	62.00	12.55	11.49	1.20	29.40	6.42
	紫椴 Tilia amurensis	364	20.12	1.70	65.80	14.60	14.45	1.80	34.00	6.68
	水曲柳 Fraxinus mandshurica	372	24.84	1.80	62.40	11.76	17.75	4.50	27.00	4.21

下载: 导出CSV

| 显示表格

表 3 林分调查因子统计表

Table 3. Statistical table of stand description factors

数据分类 Dataset classification	树种 Tree species	胸高断面积/（m²·hm⁻²） Basal area/（m²·ha⁻¹）				林分密度/（株·hm⁻²） Stand density/（tree·ha⁻¹）				优势木高 Dominant tree height/m
数据分类 Dataset classification	树种 Tree species	平均值 Mean	最小值 Min. value	最大值 Max. value	标准差 SD	平均值 Mean	最小值 Min. value	最大值 Max. value	标准差 SD	平均值 Mean	最小值 Min. value	最大值 Max. value	标准差 SD
拟合数据 Fitting data	红松 Pinus koraiensis	32.91	15.10	257.89	13.62	1 223.63	350	2 900	384.76	16.30	1.80	33.40	6.97
	色木槭 Acer mono	32.66	15.02	257.89	17.34	1 244.02	350	3 100	400.18	16.98	4.00	37.20	5.56
	紫椴 Tilia amurensis	34.00	15.02	257.89	14.38	1 284.93	350	2 900	387.05	19.62	3.40	34.00	4.79
	水曲柳 Fraxinus mandshurica	31.44	15.02	257.89	15.41	1 420.70	350	3 100	447.84	24.21	2.80	35.30	4.49
检验数据 Testing data	红松 Pinus koraiensis	33.49	19.21	58.18	7.35	1 215.16	450	2 575	346.34	16.88	2.00	33.40	7.14
	色木槭 Acer mono	33.46	16.19	257.89	16.51	1 258.15	450	2 900	374.19	17.23	3.20	37.20	5.31
	紫椴 Tilia amurensis	33.82	15.02	257.89	16.92	1 310.16	600	2 900	412.81	19.67	6.20	34.00	5.15
	水曲柳 Fraxinus mandshurica	31.91	15.10	257.89	21.16	1 488.58	600	3 100	443.16	24.95	15.20	34.80	3.97

下载: 导出CSV

| 显示表格

1.3 研究方法

1.3.1 基础模型与广义模型

以往大多选定某种非线性方程描述树种的树高−胸径关系，而混交林相对于纯林或年龄结构和林层单一的林分来说，其树高与胸径的关系更为复杂^[13]。根据以往的研究，基于树高−胸径散点图和树种的分布特征，选择以下11个常用的树高模型作为候选基础模型（表4），对树高−胸径分布数据进行非线性拟合，比较各模型的拟合精度，筛选预测精度最高的作为研究区树高−胸径的最优基础模型。

表 4 候选树高−胸径关系模型

Table 4. Candidate models of tree height-DBH relation

模型编号 Model No.	表达式 Equation	参考文献 Reference
M1	$H=1.3 + {\beta }_{1}{D}^{{\beta }_{2}}$	[14]
M2	$H=1.3+\beta_1\left[\dfrac{D}{1+D}\right]^{\beta_2}$	[15]
M3	$H=1.3+\exp\left(\beta_1+\dfrac{\beta_2}{D+1}\right)$	[16]
M4	$H=1.3 + {\beta }_{1}\left[1-\exp\left(-{\beta }_{2}D\right)\right]$	[17]
M5	$H=1.3 + {\beta }_{1}\exp\left(\dfrac{{\beta }_{2}}{D}\right)$	[18]
M6	$H=1.3 + {{\beta }_{1}[1-\exp(-{\beta }_{2}D\left)\right]}^{{\beta }_{3}}$	[19]
M7	$H=1.3 + {\beta }_{1}{D}^{\left[{\beta }_{2}{D}^{(-{\beta }_{3})}\right]}$	[20]
M8	$H=1.3+\exp\left(\beta_1+\dfrac{\beta_2}{D+\beta_3}\right)$	[21]
M9	$H=1.3 + {\beta }_{1}\exp\left[-{\beta }_{2}\exp\left(-{\beta }_{3}D\right)\right]$	[22]
M10	$H=1.3+\dfrac{D^2}{\beta_1+\beta_2D+\beta_3D^2}$	[23]
M11	$H=1.3+\dfrac{\beta_1}{1+\beta_2\exp\left(-\beta_3D\right)}$	[24]
注：H为树高预测值；D为胸径；β₁、β₂、β₃为模型参数。Notes: H is the predicted tree height; D is the DBH; β₁, β₂ and β₃ are the model parameters.

下载: 导出CSV

| 显示表格

但在结构更加复杂的针阔混交林中，仅仅将胸径作为预测变量，无法反映其他林分变量对树高的影响。本研究采用再参数化的方法建立树高−胸径模型，依据林分变量与树高之间的关系，适当融合林分密度、胸高断面积和优势木高度等变量。具体做法如下：基于所选择的最优基础模型，对林分变量与树高进行相关性分析；比较不同变量引入对模型的影响，筛选模型中的其他变量，确定与树高相关性较大且能显著提高模型预测能力的变量作为协变量；基于最优基础模型构建各树种预测精度最高的广义模型。

1.3.2 分位数回归

分位数回归是利用解释变量估计响应变量的条件分位数分布，全面刻画整个条件分布的综合回归方法^[25−26]。不仅可以度量响应变量对分布中心的影响，而且可以度量对分布上尾和下尾的影响。最小二乘法假定误差服从正态分布，而分位数回归的响应变量的平均预测值对残差分布没有特殊要求^[27]，从而确保参数估计的稳健性和模型拟合的灵活性。最小二乘回归的目标是最小化误差平方和，分位数回归的核心思想是从均值推广到分位数，也是通过最小化残差绝对值的非对称损失函数来估计分为点处参数值。

$\min\left[{\sum} _{{y}_{\tau }\geqslant {\hat{y}}_{\tau }}\tau \left({y}_{\tau }-{\hat{y}}_{\tau }\right) + {\sum} _{{y}_{\tau } < {\hat{y}}_{\tau }}(1-\tau )\left({\hat{y}}_{\tau }-{y}_{\tau }\right)\right]$

(1)

式中：τ表示要估计的分位数， ${y}_{\tau }$ 和 ${\hat{y}}_{\tau }$ 分别为响应变量在分位数τ处的观测值和估计值。

分位数组合法利用抽样数据拟合不同组合的分位数曲线，基于相邻两条分位数回归曲线插值得到修正的分位数曲线。假设第i个样方第j个树木的胸径值为 ${x}_{ij}$ ，树高观测值为 ${y}_{ij}$ 分布在第m和（m + 1）分位数估计值之间，即 ${\hat{y}}_{m}\left({x}_{ij}\right)$ ≤ ${y}_{ij}$ ≤ ${\hat{y}}_{m + 1}\left({x}_{ij}\right)$ 。使用插值法计算通过该点的修正曲线。

${\hat{y}}_{ij}=\alpha {\hat{y}}_{m}\left({x}_{ij}\right) + (1-\alpha ){\hat{y}}_{m + 1}\left({x}_{ij}\right)$

(2)

式中： $\alpha$ = $\dfrac{{\hat{y}}_{m + 1}\left({x}_{ij}\right)-{y}_{ij}}{{\hat{y}}_{m + 1}\left({x}_{ij}\right)-{\hat{y}}_{m}\left({x}_{ij}\right)}$ 表示插值系数， ${\hat{y}}_{ij}$ 为树高估计值， ${\hat{y}}_{m}\left({x}_{ij}\right)\mathrm{和}{\hat{y}}_{m + 1}\left({x}_{ij}\right)$ 分别为胸径为 ${x}_{ij}$ 的树木在第m和（m + 1）分位数处的树高估计值。

当抽样数量大于1时，在各分位数组合中选择使平均误差值符号发生改变的相邻曲线。当胸径值大于最大分位数回归的预测值时，将 $\hat{y}$ _m和 $\hat{y}$ _{m + 1}分别定义为 $\hat{y}$ _{m − 1}和 $\hat{y}$ _m，之后利用公式（2）得到树高曲线。

由于基础模型只有一个预测变量缺乏其他变量信息，很难完整描述响应变量在不同分位点的分布。本研究选择9个分位点（τ = 0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9），基于所选的最优基础模型拟合树高−胸径曲线，同时使用三分位数、五分位数和九分位数组合法得到树高修正曲线，通过模型评价和比较得到基于最佳分位数的基础模型，进而在该模型中融入林分变量构建广义分位数模型。

1.3.3 非线性混合效应模型

在筛选出的最优基础模型和广义模型加入随机效应构建非线性混合模型，本研究中选择样方为随机效应，混合效应模型一般形式可表示为

$\hat{\boldsymbol{H}}_{ij}=f\left(\hat{\boldsymbol{\phi}}_i,\hat{\boldsymbol{D}}_{ij}\right)+\boldsymbol{\varepsilon}_{ij},\ {\boldsymbol{\varepsilon}}_{ij}\sim{{{{\rm{N}}}}}(0,\ \sigma^2)$

(3)

式中： $\hat{\boldsymbol{H}}_{ij}$ 和 $\hat{\boldsymbol{D}}_{ij}$ 分别为第i个样方第j株树的树高和胸径预测向量，f为包含树高和胸径变量的函数表达式， $\hat{\boldsymbol{\phi}}_i$ 为混合效应参数向量，ε_ij为误差项。

参数向量 $\hat{\boldsymbol{\phi}}_i$ 的固定效应参数和随机效应参数可表示为

${\boldsymbol{\phi}}_i=\hat{\boldsymbol{X}}_i \hat{\boldsymbol{\beta}}+ {\hat{\boldsymbol{Z}}_i} {\hat{\boldsymbol{u}}_i},\; {\hat{\boldsymbol{u}}_i} \sim {\text{N}}(0,\; {\text{φ}})$

(4)

式中： $\hat{\boldsymbol{\beta }}$ 为固定效应参数向量， ${\hat{\boldsymbol{u}}}_{i}$ 为第i个样方的随机效应参数向量，遵循均值为0、协方差矩阵为 ${\text{φ}}$ 的正态分布， ${\hat{\boldsymbol{X}}}_{i}$ 和 ${\hat{\boldsymbol{{Z}}}}_{i}$ 分别是 $\hat{\boldsymbol{\beta }}$ 和 ${\hat{\boldsymbol{u}}}_{i}$ 的设计矩阵。

非线性混合效应模型中，方差−协方差结构由包括相关因子和加权因子的矩阵R_i来表示。

${\boldsymbol{R}}_{i}={\sigma }^{2}{\boldsymbol{G}}_{i}^{0.5}{\boldsymbol{\varGamma }}_{i}{\boldsymbol{G}}_{i}^{0.5}$

(5)

式中：σ²指模型的残差方差值，Γ_i为组内误差相关性结构，G_i为描述样方内方差异质性的对角矩阵，其对角元素由方差函数提供^[28]。

随机效应的方差−协方差结构（D）反映了样方间的差异，矩阵因随机参数个数的不同也会有不同的形式，本研究中选用广义正定矩阵结构，当混合模型中具有两个随机参数时表达式如下

$\boldsymbol{D}=\left[\begin{array}{cc}{\sigma }_{{u}_{1}}^{2}& {\sigma }_{{u}_{1}{u}_{2}}\\ {\sigma }_{{u}_{1}{u}_{2}}& {\sigma }_{{u}_{2}}^{2}\end{array}\right]$

(6)

式中： ${u}_{1}$ 、 ${u}_{2}$ 为随机参数， ${\sigma }_{{u}_{1}}^{2}$ 、 ${\sigma }_{{u}_{2}}^{2}$ 分别为 ${u}_{1}$ 、 ${u}_{2}$ 的方差， ${\sigma }_{{u}_{1}{u}_{2}}$ 为 ${u}_{1}$ 和 ${u}_{2}$ 的协方差。

混合效应模型中固定效应部分的检验方法与传统模型相同，对于随机效应的检验则需要计算随机参数值，本研究需计算在拟合数据中不涉及的样方的随机参数，利用式7^[29]进行计算。

$\hat{u}_i\approx\hat{D}\hat{Z}_i^{\mathrm{T}}\left(\hat{Z}_i\hat{D}\hat{Z}_i^{\mathrm{T}}+\hat{R}_i\right)^{-1}\hat{e}_i$

(7)

式中： $\hat{\boldsymbol{D}}$ 为随机效应参数的方差协方差矩阵， ${\hat{\boldsymbol{R}}}_{i}$ 为样方内方差协方差矩阵， ${\hat{\boldsymbol{Z}}}_{i}$ 为设计矩阵， ${\hat{\boldsymbol{Z}}}_{i}^{\mathrm{T}}$ 为转置矩阵， ${\hat{e}}_{i}$ 为实际值减去用固定效应参数计算的预测值。

1.3.4 模型评价与检验

研究中通过决定系数（R²）、平均绝对误差（MAE）和均方根误差（RMSE）评价和比较模型拟合结果，并利用未参与建模的20%独立样本检验11个候选非线性模型，上述评价指标的计算公式。

${R}^{2}=1-{\sum} _{i,j=1}^{n}{\left({H}_{ij}-{\hat{H}}_{ij}\right)}^{2}/{\sum} _{i,j=1}^{n}{\left({H}_{ij}-{\overline{H}}_{ij}\right)}^{2}$

(8)

$\mathrm{M}\mathrm{A}\mathrm{E}={\sum} _{i,j=1}^{n}\left|{H}_{ij}-{\hat{H}}_{ij}\right|/n$

(9)

$\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt{{\sum} _{i,j=1}^{n}{\left({H}_{ij}-{\hat{H}}_{ij}\right)}^{2}/n}$

(10)

式中： ${H}_{ij}$ 和 ${\hat{H}}_{ij}$ 为第i个样方第j个样本的树高实际值和预测值， ${\overline{H}}_{ij}$ 为预测值的均值；n 为样本数。

除考虑以上指标外，还选择赤池信息准则（AIC）、贝叶斯信息准则（BIC）和似然比检验（LRT）对混合效应模型进行评价，AIC和BIC数值越小则表明模型拟合精度越高，LRT得到的P值若 < 0.000 1，则认为两个模型差异显著。

$\mathrm{AIC}=-2\mathrm{\mathit{L}}+2\lambda$

(11)

$\mathrm{BIC}=-2\mathrm{\mathit{L}}+\lambda\mathrm{ln}\ n$

(12)

式中：L为模型的对数似然值，λ 为固定效应参数的个数。

2. 结果与分析

2.1 基础模型拟合

基于红松、色木槭、紫椴和水曲柳的建模数据，对表4中的11个基础模型进行拟合，比较其MAE、RMSE和R²值（表5）。结果表明，对于4个树种的树高−胸径关系拟合，各模型均具有良好表现。MAE范围为1.887 ~ 2.818，RMSE范围为2.557 ~ 3.582，R²则为0.552 ~ 0.811，其中红松、紫椴水曲柳以M6即Richards模型拟合结果最优，色木槭的Richards模型拟合结果与其最优模型相差极小。使用检验数据对拟合模型进行评价比较，得到相同结果。且Richards方程生物学意义明确、灵活性较高易收敛，被认为很适合描述树高与胸径之间的关系^[30−31]，因此选择Richards作为4个树种的基础模型。

表 5 候选模型拟合与评价

Table 5. Fitting and evaluation of candidate models

模型 Model	红松 Pinus koraiensis			色木槭 Acer mono			紫椴 Tilia amurensis			水曲柳 Fraxinus mandshurica
模型 Model	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²
M1	2.381	3.153	0.780	2.118	2.846	0.781	2.818	3.582	0.684	2.248	2.774	0.552
M2	2.361	3.128	0.784	2.080	2.806	0.787	2.521	3.357	0.722	2.079	2.571	0.615
M3	2.211	2.982	0.803	1.926	2.697	0.803	2.503	3.344	0.724	2.083	2.575	0.614
M4	2.179	2.945	0.808	1.895	2.654	0.809	2.530	3.343	0.724	2.088	2.575	0.614
M5	2.279	3.032	0.797	2.030	2.772	0.793	2.547	3.374	0.719	2.076	2.568	0.616
M6	2.140	2.925	0.811	1.890	2.654	0.809	2.491	3.332	0.726	2.063	2.557	0.619
M7	2.149	2.936	0.809	1.887	2.653	0.809	2.495	3.337	0.725	2.069	2.562	0.617
M8	2.144	2.932	0.810	1.888	2.652	0.810	2.496	3.335	0.725	2.074	2.565	0.617
M9	2.174	2.945	0.808	1.931	2.691	0.804	2.513	3.348	0.723	2.077	2.570	0.615
M10	2.146	2.935	0.809	1.887	2.652	0.810	2.493	3.336	0.725	2.068	2.560	0.618
M11	2.231	2.991	0.802	1.986	2.742	0.796	2.553	3.381	0.718	2.091	2.587	0.610
注：MAE.平均绝对误差；RMSE.均方根误差；R².决定系数。下同。Notes: MAE, mean absolute error; RMSE, root mean squared error; R², coefficient of determination. The same below.

下载: 导出CSV

| 显示表格

2.2 广义模型构建

对表3的林分特征因子进行相关性分析，结果如表6所示。4个树种的树高和胸径与优势木高呈显著正相关关系（P < 0.01），色木槭和紫椴树高、胸径与林分密度呈显著负相关关系（P < 0.01）。因此将优势木高和林分密度两个变量分别引入基础模型构建广义模型，但包含林分密度因子的色木槭和紫椴树高方程不收敛，而引入胸高断面积的水曲柳树高方程也不收敛，这表明添加优势木高度可显著提高模型精度。因此本研究最优广义模型的表达式为

表 6 树高与林分变量相关性分析

Table 6. Correlation analysis between tree height and stand variables

树种 Tree species	因子 Factor	树高 Tree height	胸径 DBH	胸高断面积 Basal area	林分密度 Stand density	优势木高 Dominate tree height
红松 Pinus koraiensis	树高 Tree height	1.000
	胸径 DBH	0.855^**	1.000
	胸高断面积 Basal area	0.020	0.040	1.000
	林分密度 Stand density	0.010	0.006	0.092^**	1.000
	优势木高 Dominate tree height	0.587^**	0.440^**	0.069^*	0.018	1.000
色木槭 Acer mono	树高Tree height	1.000
	胸径 DBH	0.845^**	1.000
	胸高断面积 Basal area	0.031	0.030	1.000
	林分密度 Stand density	−0.284^**	−0.270^**	0.089^**	1.000
	优势木高 Dominate tree height	0.484^**	0.353^**	0.139^**	−0.261^**	1.000
紫椴 Tilia amurensis	树高 Tree height	1.000
	胸径 DBH	0.776^**	1.000
	胸高断面积 Basal area	0.068^**	0.064^**	1.000
	林分密度 Stand density	−0.207^**	−0.200^**	0.105^**	1.000
	优势木高 Dominate tree height	0.537^**	0.294^**	0.178^**	−0.175^**	1.000
水曲柳 Fraxinus mandshurica	树高Tree height	1.000
	胸径 DBH	0.684^**	1.000
	胸高断面积 Basal area	0.067^**	0.133^**	1.000
	林分密度 Stand density	−0.037	−0.081^**	0.084^**	1.000
	优势木高 Dominate tree height	0.256^**	0.264^**	−0.021^**	0.318^**	1.000
注：^** 表示两个变量在 P < 0.01 水平上显著相关，^* 表示两个变量在 P < 0.05 水平上显著相关。Notes:^** means significant correlation at P < 0.01 level between two variables, ^* means significant correlation at P < 0.05 level between two variables.

下载: 导出CSV

| 显示表格

$H=1.3+(\beta_1+a_1H_{\mathrm{D},i})\left[1-\exp\left(-\beta_2D\right)\right]^{\beta_3}$

(13)

式中：H_D为某个树种的优势木高，H_D,i为第i个样方的优势木高， ${\beta }_{1}$ 、 ${\beta }_{2}$ 、 ${\beta }_{3}$ 、 ${a}_{1}$ 为模型参数。

2.3 分位数回归

在不同分位点处（τ = 0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9），基于Richards方程利用分位数回归分别拟合树高−胸径关系模型（表5）。利用回归评价指标检验不同分位数模型对观测值的拟合程度（表7），基础模型及分位数回归模型的决定系数R²值均在0.6以上，表明各分位点的树高方程均具有较好的拟合效果。其中τ = 0.5的中位数回归与非线性回归的拟合效果基本一致，反映了分位数回归模型的灵活性。

表 7 分位数回归模型拟合精度

Table 7. Goodness-of-fit tests for quantile regression models

分位数 Quantile	红松 Pinus koraiensis			色木槭 Acer mono			紫椴 Tilia amurensis			水曲柳 Fraxinus mandshurica
分位数 Quantile	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²
Richards	2.140	2.925	0.811	1.890	2.654	0.809	2.491	3.332	0.726	2.063	2.557	0.619
0.1	3.415	4.497	0.780	3.103	4.105	0.770	4.029	5.166	0.696	3.426	4.156	0.614
0.2	2.779	3.826	0.793	2.460	3.406	0.793	3.140	4.238	0.715	2.680	3.387	0.615
0.3	2.368	3.322	0.805	2.081	2.963	0.804	2.742	3.791	0.720	2.323	2.976	0.615
0.4	2.179	3.063	0.809	1.924	2.764	0.807	2.520	3.493	0.723	2.116	2.693	0.615
0.5	2.122	2.942	0.811	1.873	2.666	0.809	2.461	3.374	0.724	2.056	2.583	0.617
0.6	2.191	2.953	0.810	1.918	2.675	0.808	2.542	3.363	0.724	2.119	2.596	0.616
0.7	2.440	3.181	0.807	2.161	2.897	0.803	2.830	3.630	0.719	2.372	2.846	0.614
0.8	2.912	3.690	0.797	2.577	3.354	0.791	3.388	4.268	0.697	2.887	3.422	0.615
0.9	4.081	5.027	0.753	3.451	4.293	0.762	4.629	5.519	0.679	3.965	4.582	0.602

下载: 导出CSV

| 显示表格

利用未参与建模的20%测试数据检验模型的预测能力（表8）。分位数组合法分别采用三分位数组合（τ = 0.1，0.5，0.9）、五分位数组合（τ = 0.1，0.3，0.5，0.7，0.9）和九分位数组合（τ = 0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9）。随机抽样或抽取平均木时幼树会带来较大预测误差，基于王君杰等^[32]的研究结果，选取10株最大树木计算插值系数进行预测。结果表明：对于分位数组合法，三分位数和五分位数组合的预测精度高于九分位数组合；其中红松树高的拟合效果略优于中位数回归，但其他树种模型预测精度均低于中位数回归。因此，本研究选择中位数为4个树种的最优分位数树高曲线式（13）构建广义分位数模型。

表 8 分位数模型验证评价结果

Table 8. Quantile model validation evaluation results

方法 Method	红松 Pinus koraiensis		色木槭 Acer mono		紫椴 Tilia amurensis		水曲柳 Fraxinus mandshurica
方法 Method	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE
中位数回归 Median regression	2.963	2.094	2.898	2.020	3.540	2.549	2.560	2.050
九分位数组合 Nine quantile combination	2.956	2.118	2.997	2.185	3.510	2.761	2.601	2.150
五分位数组合 Five quantile combination	2.927	2.095	2.971	2.155	3.507	2.758	2.602	2.152
三分位数组合 Triquartile combination	2.926	2.092	2.983	2.162	3.596	2.851	2.592	2.139

下载: 导出CSV

| 显示表格

表 11 树高−胸径模型拟合评价统计量

Table 11. Fitting and evaluation statistics of tree height-DBH models

树种 Tree species	指标 Index	基础模型 Base model	广义模型 Generalized model	中位数回归 Median quantile regression		非线性混合效应 Nonlinear mixed-effects
树种 Tree species	指标 Index	基础模型 Base model	广义模型 Generalized model	简单模型 Simple model	广义模型 Generalized model	简单模型 Simple model	广义模型 Generalized model
红松 Pinus koraiensis	MAE	2.140	1.669	2.122	1.666	1.259	1.358
	RMSE	2.925	2.225	2.942	2.228	1.687	1.826
	R²	0.811	0.891	0.811	0.891	0.937	0.927
色木槭 Acer mono	MAE	1.890	1.575	1.873	1.568	1.258	1.359
	RMSE	2.654	2.159	2.666	2.166	1.740	1.875
	R²	0.809	0.875	0.809	0.874	0.919	0.906
紫椴 Tilia amurensis	MAE	2.491	1.722	2.461	1.706	1.399	1.611
	RMSE	3.332	3.379	3.374	2.401	1.955	2.235
	R²	0.726	0.860	0.724	0.858	0.906	0.877
水曲柳 Fraxinus mandshurica	MAE	2.063	2.041	2.056	2.031	2.004	2.527
	RMSE	2.557	2.524	2.583	2.536	2.478	2.038
	R²	0.619	0.629	0.617	0.627	0.643	0.629

下载: 导出CSV

| 显示表格

2.4 非线性混合效应模型构建

在基础模型和广义模型基础上考虑样方效应对树高的影响，在4个树种的基础模型上增加样方为随机效应，共8种情况收敛（表9），红松、紫椴和水曲柳增加1个随机效应参数时拟合效果最好，而色木槭引入2个随机参数的混合模型预测精度更高，模型表达式分别为

表 9 混合效应模型验证评价结果

Table 9. Verification and evaluation results of mixed effect model

树种 Tree species	基础混合效应模型 Base mixed-effect model						广义混合效应模型 Generalized mixed-effect model
树种 Tree species	随机参数 Random parameter	AIC	BIC	L	LRT	P	随机参数 Random parameter	AIC	BIC	L	LRT	P
红松 Pinus koraiensis	${u}_{1}$	5 619.3	5 644.8	−2 804.6			${u}_{1}$	5 346.9	5 377.5	−2 667.4
	${u}_{1}$ , ${u}_{2}$	5 643.2	5 678.9	−2 814.6	19.878 2	< 0.001	${u}_{3}$	5 354.2	5 384.8	−2 671.1
							${u}_{1}$ , ${u}_{3}$	5 350.9	5 391.8	−2 667.5	7.238 0	0.026 8
色木槭 Acer mono	${u}_{2}$	10 966.2	10 995.2	−5 478.1			${u}_{1}$	10 597.5	10 632.3	−5 292.7
	${u}_{1}$ , ${u}_{2}$	10 962.2	11 002.9	−5 474.1	7.964 9	0.018 6	${u}_{3}$	10 602.8	10 637.6	−5 295.4
							${u}_{1}$ , ${u}_{3}$	10 594.2	10 640.6	−5 289.1	12.571 9	0.001 9
							${u}_{1}$ , ${u}_{2}$	10 601.4	10 647.8	−5 292.8
紫椴 Tilia amurensis	${u}_{1}$	7 109.6	7 136.0	−3 549.8			${u}_{1}$	6 662.5	6 694.2	−3 325.2
							${u}_{3}$	6 661.8	6 693.5	−3 324.9
							${u}_{1},{u}_{3}$	6 665.8	6 708.0	−3 324.9	4.415 0	0.998 7
水曲柳 Fraxinus mandshurica	${u}_{1}$	7 007.8	7 034.4	−3 498.9			${u}_{1}$	6 966.0	6 997.8	−3 477.0
	${u}_{2}$	7 009.0	7 035.5	−3 499.5			${u}_{3}$	6 964.3	6 996.1	−3 476.1
	${u}_{1}$ , ${u}_{2}$	7 011.8	7 049.0	−3 498.9	1.126 9	0.569 2	${u}_{1},{u}_{3}$	6 964.9	7 007.4	−3 474.5	3.322 9	0.189 9
注：AIC.赤池信息准则；BIC.贝叶斯信息准则；L.对数似然值；LRT.似然比检验。Notes: AIC, Akaike information criterion; BIC, Bayesian information criterion; L, log-likelihood value; LRT, likelihood ratio test.

下载: 导出CSV

| 显示表格

$H=1.3 + {({\beta }_{1} + {u}_{1i})[1-\exp(-{\beta }_{2}D\left)\right]}^{{\beta }_{3}}$

(14)

$H=1.3 + {({\beta }_{1} + {u}_{1i})[1-\exp(-{\beta }_{2}D\left)\right]}^{{(\beta }_{3 + }{u}_{2i})}$

(15)

式中： ${u}_{1i}$ 、 ${u}_{2i}$ 为样方水平的随机参数。

在广义模型基础上，引入不同组合形式的随机效应作为自变量构建广义混合效应模型，4个树种共有13种情况收敛（），当引入3个以上随机参数时，模型不收敛；仅引入参数 ${u}_{1}$ 的红松树高模型和仅引入参数 ${u}_{3}$ 的紫椴及水曲柳树高模型AIC、BIC值最小，且L值达到最大，而色木槭以随机效应作用于 ${u}_{1}$ 和 ${u}_{3}$ 两个参数时模型预测精度最高，一般表达式分别为

$H=1.3+(\beta_1+u_{1i}+a_1H_{\mathrm{D},\mathit{\mathrm{\mathit{i}}}})\left[1-\exp\left(-\beta_2D\right)\right]^{\beta_3}$

(16)

$H=1.3+\left[\beta_1+u_{1i}+(a_1+u_{3i})H_{\mathrm{D},\mathrm{\mathit{i}}}\right]\left[1-\exp\left(-\beta_2D\right)\right]^{\beta_3}$

(17)

$H=1.3+\left[\beta_1+(a_1+u_{3i})H_{\mathrm{D},\rm{\mathit{i}}}\right]\left[1-\exp\left(-\beta_2D\right)\right]^{\beta_3}$

(18)

式中： ${u}_{1i}$ 、 ${u}_{3i}$ 为样方水平的随机参数。

选择各树种拟合效果最好的混合效应模型，参数估计值见表10。

表 10 混合效应模型参数估计

Table 10. Parameter estimates of mixed-effect models

参数 Parameter	基础混合效应模型 Base mixed-effect model				广义混合效应模型 Generalized mixed-effect model
参数 Parameter	红松 Pinus koraiensis	色木槭 Acer mono	紫椴 Tilia amurensis	水曲柳 Fraxinus mandshurica	红松 Pinus koraiensis	色木槭 Acer mono	紫椴 Tilia amurensis	水曲柳 Fraxinus mandshurica
公式编号 Equation No.	（14）	（15）	（14）	（14）	（16）	（17）	（18）	（18）
a	21.192（0.387^***）	18.626（0.251^***）	19.366（0.263^***）	20.021（0.190^***）	9.186（0.535^***）	7.776（0.467^***）	4.522（0.468^***）	16.513（0.523^***）
b	0.065（0.004^***）	0.085（0.004^***）	0.100（0.005^***）	0.101（0.007^***）	0.071（0.004^***）	0.092（0.004^*）	0.104（0.005^***）	0.110（0.007^***）
c	1.366（0.056^***）	1.142（0.033^***）	1.367（0.066^***）	1.445（0.126^***）	1.305（0.057^***）	1.142（0.034^***）	1.322（0.066^***）	1.567（0.142^***）
a₁					0.577（0.024^***）	0.554（0.023^***）	0.715（0.022^***）	0.132（0.019^***）
${\mathrm{\sigma }}_{{u}_{1}}^{2}$	14.927 2	10.920 5	11.410 7	0.201 9	2.877 0	14.850 5
${\mathrm{\sigma }}_{{u}_{2}}^{2}$		0.011 9
${{\mathrm{\sigma }}^{2}}_{{u}_{3}}$						0.038 0	0.001 7	0.000 4
${\mathrm{\sigma }}_{{u}_{1}{u}_{2}}$		0.162 1
${\mathrm{\sigma }}_{{u}_{1}{u}_{3}}$						−0.718 2
${\mathrm{\sigma }}^{2}$	3.637 0	3.638 8	4.908 0	6.422 3	3.811 3	3.858 9	5.275 9	6.201 5
注：^*表示在 P < 0.001 水平上显著。Note: ^* means significant at P < 0.001 level.

下载: 导出CSV

| 显示表格

2.5 模型评价与检验

4个树种的各模型拟合统计量见表11。结果表明：基于混合效应的模型精度明显高于不含随机参数的模型；在不含随机效应的模型中，中位数回归形式和一般形式的广义模型精度差异较小；广义中位数模型在预测精度上高于基础模型的中位数回归，红松、色木槭、紫椴和水曲柳的模型R²分别提高了9.9%、8.0%、18.5%和1.6%，MAE值分别降低了27.4%、19.5%、44.3%和1.2%，RMSE值分别下降了32.0%、23.1%、40.5%和1.9%。在增加随机效应的模型中，基础混合模型的拟合结果略优于广义混合模型，4个树种R²仅分别提高了1.1%、1.4%、3.3%和2.2%，但两者并未有显著差异。红松、色木槭、紫椴和水曲柳的基础混合效应和广义混合效应模型的残差分布图如图1所示，残差分布较为均匀，没有出现明显的不规则形状，这说明各树种的混合模型均没有明显异方差现象。

图 1 基础混合效应模型（A1、B1、C1、D1）和广义混合效应模型（A2、B2、C2、D2）的残差分布图

Figure 1. Residual plots of base mixed-effect models (A1, B1, C1, D1) and generalized mixed-effect models (A2, B2, C2, D2)

下载: 全尺寸图片幻灯片

混合效应模型中随机效应部分的检验需要估算随机参数值，本研究以20%的样木作为检验数据，利用公式（7）分别计算未包含在拟合数据的样方的随机参数；同时与基础模型、广义模型和分位数模型的预测精度进行比较，检验结果如表12。可以看出，混合效应模型的MAE和RMSE值均小于其他模型，拟合效果相较分位数回归得到了显著提高，其中基础混合模型相比于广义混合模型预测精度更高。

表 12 树高−胸径模型统计检验

Table 12. Goodness-of-fit statistics of tree height-DBH models

树种 Tree species	指标 Index	基础模型 Base model	广义模型 Generalized model	中位数回归 Median quantile regression		非线性混合效应 Nonlinear mixed-effects
树种 Tree species	指标 Index	基础模型 Base model	广义模型 Generalized model	简单模型 Simple model	广义模型 Generalized model	简单模型 Simple model	广义模型 Generalized model
红松 Pinus koraiensis	MAE	2.128	2.119	2.094	2.163	1.600	1.856
红松 Pinus koraiensis	RMSE	2.963	3.024	2.963	3.063	2.216	2.635
色木槭 Acer mono	MAE	2.018	1.906	2.020	2.052	1.620	1.712
色木槭 Acer mono	RMSE	2.867	2.782	2.898	2.944	2.341	2.529
紫椴 Tilia amurensis	MAE	2.571	1.685	2.549	2.697	1.609	1.635
紫椴 Tilia amurensis	RMSE	3.471	2.349	3.540	3.754	2.058	2.206
水曲柳 Fraxinus mandshurica	MAE	2.041	2.037	2.050	2.051	2.039	2.049
水曲柳 Fraxinus mandshurica	RMSE	2.526	2.517	2.560	2.561	2.528	2.534

下载: 导出CSV

| 显示表格

3. 讨　　论

3.1 基于基础模型的分位数回归

分位数回归既能描述均值条件下树高的分布趋势，也能描述特定分位点树高−胸径曲线的形状变化^[33]。传统的最小二乘法易受残差分布限制，与之相比分位数回归具有更加稳健的参数估计值，模型稳定性和灵活性也更强，能够避免选取数据的人为影响。在不同分位点拟合树高−胸径模型，同时基于参数估计和建模样本计算三分位数、五分位数和九分位数组合的插值系数，王君杰等^[34]最近发现中位数回归优于非线性回归；本文与之不同发现中位数回归与非线性回归的拟合效果基本一致。经过对11个非线性模型的评价比较，选择Richards方程作为基础模型进行分位数回归，其中中位数回归拟合效果最好，4个树种的R²值均大于0.6，对树高的预测能力不逊于非线性回归，这表明Richards方程能广泛适用树高−胸径模型的拟合。

三分位数组合的预测效果均优于五分位数和九分位数组合，尤其在红松树高的预测中，两类分位数组合的预测精度相较中位数和非线性回归均有提高；以往研究显示五分位数组合对树高曲线和削度方程的拟合要优于三分位数组合，但都没有考虑抽取方案对分位数组合的影响^[35]。因此抽取方案的不同会导致分位数组合之间的差异不同，总体上三分位数组合（τ = 0.1，0.5，0.9）的预测能力较好且效果稳定，本研究中选取多个分位数组合也并未使预测结果有明显提高^[32]。

3.2 引入林分变量和随机效应对树高模型的影响

在林分生长过程中，有学者利用含有优势木胸径、树高和林分密度等因子的模型来描述树高−胸径关系，模型拟合结果得到提升^[36]。为了比较不同样方间树高−胸径的变化规律，本研究对胸高断面积、林分密度和优势木高3个林分变量进行Pearson相关性分析，发现引入变量的广义模型的拟合效果均优于基础模型，当引入1个变量时，红松、色木槭、紫椴和水曲柳均仅增加优势木高变量的模型可以收敛，部分其他林分变量与树高有显著关系，但含优势木高的模型相较含林分密度或胸高断面积的广义模型对树高−胸径的关系影响更大；4个树种中水曲柳的广义模型相较基础模型的拟合效果提升幅度最小，R²仅提高0.01，这可能与水曲柳的直径分布有关，幼树数量较少，成熟林木较多，在林分中多位于林冠层，内部资源和空间竞争相对稳定，处于优势地位，这类大个体的树高不易受林分变量较大影响。这说明即使是在具有相似地形和气候条件的林分中，不同树种的树高−胸径关系可能不同。森林群落中特定的环境条件和树木之间的复杂联系可能会导致树高−胸径生长关系不同^[37]。优势木高反映了立地质量以及林分生长和收获，优势木高的参数估计值为正值，这表明由于立地质量的不同，优势木高与树高之间呈正相关关系，引入优势木高的广义模型更适用于树高−胸径模拟的拟合。

基于基础模型和各树种的最优广义模型，对应构建以样方水平为随机效应的混合模型，比较不同随机参数下各树种树高模型的拟合效果。研究发现，红松、紫椴和水曲柳基础混合效应模型均以增加随机参数 ${u}_{1}$ ，广义混合效应模型中红松增加参数 ${u}_{1}$ ，紫椴和水曲柳将 ${u}_{3}$ 同时作为随机参数，拟合效果最优；色木槭基础混合效应模型增加随机参数 ${u}_{1}$ 、 ${u}_{2}$ ，广义混合效应模型则是将 ${u}_{1}$ 、 ${u}_{3}$ 同时作为随机参数，预测精度最高。通过对各模型进行检验评价，结果表明混合效应模型对树高的预测效果优于固定效应模型，这与王冬至等^[38]的研究结果一致，表明考虑样方水平的随机影响能更好地描述树高生长规律。此外，本研究的模型评价和检验结果显示基础混合效应模型的预测能力略优于广义混合效应模型，但未有显著差异，同样的情况也出现在陈浩等^[39]对马尾松和周晏平等^[40]对樟子松的研究结果中，说明在增加样方效应后，林分变量对树高−胸径关系的影响被样方水平所涵盖，对混合效应模型的影响较弱。在Zang等^[41]对中国北部和东北落叶松人工林树高−胸径关系的研究中，基础混合效应模型比其他模型提供了更好的拟合和更稳定的估计，表明不需要额外的树木和林分变量。

4. 结　　论

本研究基于分位数回归和混合效应模型对阔叶红松林中优势树种红松、色木槭、紫椴和水曲柳的树高−胸径关系进行模型拟合，在11个非线性候选模型中确定Richards方程为基础模型，并引入优势木高构建广义模型，模型拟合结果得到较大提高；4个树种基于中位数回归的基础模型和广义模型拟合精度与基础模型的非线性回归相近。

加入样方水平为随机效应后，混合效应模型相较固定效应模型更具优越性，模型预测能力得到显著提高，而基础混合模型和广义混合模型的拟合优度差异较小。这表明林分变量和随机效应对树高模型的影响是显著的，在不考虑样方效应的情况下，可选择广义模型作为东北地区针阔混交林树高模型；若考虑样方效应，基础混合效应模型能提供更稳定的预测趋势和拟合结果。

图 1 研究对象与研究单元

Figure 1. Research subjects and research units

下载: 全尺寸图片幻灯片

图 2 研究对象现状照片

Figure 2. Photos of research subjects

下载: 全尺寸图片幻灯片

图 3 准则层评价结果

Figure 3. Assessment results at the criteria level

下载: 全尺寸图片幻灯片

图 4 活力对指标层分异及因子探测结果

*为相关比较显著（0.05 ≤ P < 0.1）；**为相关显著（P < 0.05）。下同。* defined as a relatively significant correlation at 0.05 ≤ P < 0.1 level; ** defined as a significant correlation at P < 0.05 level. The same below.

Figure 4. Results for vitality factor detection at the indicator level

下载: 全尺寸图片幻灯片

图 5 活力对准则层分异及因子探测结果

Figure 5. Results for vitality factor detection at the criteria level

下载: 全尺寸图片幻灯片

表 2 城市滨河绿地评价体系

Table 2 Evaluation system for urban riverfront green space

目标层 Goal layer	准则层 Criterion layer	指标层 Index layer	说明 Description
城市滨河绿地建成环境评价 Assessment for urban riverfront green space	河道空间形态 River spatial morphology (RSM)	开口比 Opening ratio (x₁)	河道两侧堤岸顶外缘之间平均距离与平均河面宽度比值 Ratio of the average distance between the top outer edge of the embankment on both sides of the river to the average river surface width
		水面距堤顶高度 Height of water surface from the top of dike (x₂)	河道常水位至堤岸顶的平均高度 Average height of the river’s normal water level to the top of the embankment
		河面宽度 River width (x₃)	河道平均河面宽度 Average river surface width
	水岸空间形态 Riverfront spatial morphology (RfSM)	河阔比 River width ratio (x₄)	平均水岸宽度与河面宽度比值Ratio of average water bank width to river surface width
		水岸宽度 Waterbank width (x₅)	堤岸顶外缘至远水侧边界的平均宽度 Average width from the top outer edge of the embankment to the far water side boundary
		本侧建筑围合宽高比 Building envelope width-to-height ratio (x₆)	首排建筑临水外墙至堤岸顶外缘的平均距离与建筑临水面平均高度的比值The ratio of the average distance from the first row of building waterfront facade to the top outer edge of the embankment to the average height of the building waterfront
		对岸天际线韵律 Rhythm of the skyline across the river (x₇)	对岸首排建筑高度的相对平均偏差 The relative average deviation of the height of the first row of buildings on the opposite bank
	生态环境质量 Ecological environment quality (EEQ)	水体清洁度 Water cleanliness (x₈)	河道水体浑浊、发臭且漂浮大量杂物取值1，水体无味但浑浊且漂浮杂物取值2，水体清澈、无味但漂浮杂物取值3，清澈、无味但少量漂浮柳絮、树枝等自然物取值4，清澈、无味且无漂浮物取值5 River water turbid, smelly and floating a lot of debris to take the value of 1, the water is odorless but turbid and floating debris to take the value of 2, clear water, odorless but floating debris to take the value of 3, clear, odorless but a small amount of floating willow, branches and other natural objects to take the value of 4, clear, odorless and no floating objects to take the value of 5
		驳岸状况 Embankment condition (x₉)	人工垂直驳岸取值为1，人工斜驳岸取值2，自然斜草坡取值3，灌草斜自然驳岸取值4，乔灌草复层斜自然驳岸取值5 The value of artificial vertical barge is 1, artificial inclined barge is 2, natural inclined grass slope is 3, irrigation grass inclined natural barge is 4, and tree and irrigation grass compound inclined natural barge is 5
		绿地形状指数 Green space shape index (x₁₀)	绿地以正方形为参照物的形态指数，即四分之一的绿地周长与绿地面积开方的比值The morphological index of a green space with a square as a reference, i.e. the ratio of the perimeter of a quarter of the green space to the open square of the green space
		绿化覆盖率 Greenery coverage (x₁₁)	绿地覆盖区域总面积与单元面积比值 Ratio of total area covered by green space to unit area
		郁闭度 Canopy density (x₁₂)	群植乔木树冠垂直投影面积与栽植地表面积的比值 The ratio of vertical projection area of canopy of the group planted trees to the area of the planted ground
		植被丰富度 Vegetation richness (x₁₃)	单元内5个典型植物群落平均物种数 The average number of species of the five typical plant communities within the unit
	设施服务质量 Facility service quality (FSQ)	慢行道密度 Slow lane density (x₁₄)	步行道、跑步道、骑行道总长度与单元面积比值 Total length to unit area ratio of walking, running and cycling paths
		滨水连续性 Waterfront continuity (x₁₅)	沿岸连续通行长度与沿岸长度比值 The ratio of the length of continuous passage along the shore to the length of the shore
		休憩设施密度 Leisure facility density (x₁₆)	单位面积驿站、公共厕所、座椅等休憩设施的数量 The number of resting facilities such as staging areas, public toilets and seats per unit area
		活动场地配置率 Activity site allocation rate (x₁₇)	活动场地面积与单元面积的比值 Ratio of activity space area to unit area
		文化设施密度 Cultural facility density (x₁₈)	古树名木、文物、科普设施、艺术装置、宣传栏等文化设施等数量 Number of cultural facilities such as old and valuable trees, cultural relics, science facilities, art installations, bulletin boards, etc.
		亲水驳岸率 Hydrophilic revetment ratio (x₁₉)	与水面距离小于1 m的可进入低临水驳岸长度与沿岸长度的比值 The ratio of the length of the low waterfront barge to the length of the littoral can be accessed at a distance of less than 1 m from the water surface
		达水通道密度 Water channel density (x₂₀)	垂直于河道的慢行通道条数与沿岸长度之比 The ratio of the number of slow walking paths perpendicular to the river to the length of the shoreline
		内部平行河道的最高城市道路等级 The highest urban road grade of internal parallel rivers (x₂₁)	城市快速路或城市主干道取值1，城市次干道取值2，城市支路取值3，其他可通车道路取值4，慢行道路或无道路阻隔取值5 Urban expressway or urban trunk road takes the value of 1, urban secondary road takes the value of 2, urban branch road takes the value of 3, other passable road takes the value of 4, slow road or no road obstruction takes the value of 5
	可达性 Accessibility (AC)	公共交通接驳率 Public transport connection rate (x₂₂)	500 m范围内公共交通站点与交通服务设施数量与单元面积的比值 The ratio of the number of public transportation stops and transportation service facilities to the area of the unit within 500 m
		外侧车行道路等级 Grade of outside road (x₂₃)	城市快速路或主干道取值1，次干道取值2，支路取值3，其他可通车道路取值4，慢行道或无道路阻隔取值5 Urban expressway or main road takes the value of 1, secondary road takes the value of 2, branch road takes the value of 3, other passable road takes the value of 4, slow road or no road obstruction takes the value of 5
		边界开口率 Boundary opening rate (x₂₄)	绿地入口数量与沿岸长度的比值 Ratio of the number of green space entrances to the length of the shoreline
		侧方连接度 Side connection (x₂₅)	两侧垂直于河道道路等级取值之和，单条道路为城市快速路或城市主干道取值1，城市次干道取值2，城市支路取值3，其他可通车道路取值4，慢行道路或无道路阻隔取值5 The sum of the two sides perpendicular to the river road grade, a single road for urban expressway or urban trunk road to take the value of 1, urban secondary roads to take the value of 2, urban feeder roads to take the value of 3, other passable roads to take the value of 4, slow roads or no road blocking to take the value of 5
		滨水间口率 Waterfront Architecture opening rate (x₂₆)	首排建筑临水总面宽与滨水岸线总长度的比值 The ratio of the total waterfront width of the first row of buildings to the total length of the waterfront shoreline
	区位环境 Surrounding environment (SE)	区位中心度 Location centrality (x₂₇)	研究单元空间质心至行政中心（天安门）的直线距离的倒数 The inverse of the linear distance from the spatial center of mass of the study unit to the administrative center (Tiananmen)
		周边街区建筑密度 Building density of surrounding neighbourhoods (x₂₈)	建筑占地面积与街区总面积的比值 The ratio of the building footprint to the total area of the block
		周边街区地积比 Area ratio of surrounding neighbourhoods (x₂₉)	建筑总面积与建筑占地面积的比值 The ratio of the total building area to the building footprint
		周边街区POI密度 POI density of surrounding neighbourhoods (x₃₀)	周边街区内POI数总和与街区总面积的比值 The ratio of the sum of the number of POIs in the surrounding neighborhood to the total area of the neighborhood
		周边街区POI混合度 POI mix degree of surrounding neighbourhoods (x₃₁)	基于信息熵计算周边街区内POI多样性 Calculation of POI diversity within surrounding neighborhoods based on information entropy

下载: 导出CSV

表 1 交互作用的类型

Table 1 Types of interaction

判断依据 Judgment basis	交互作用 Interaction
${}{q}\left({X1}{{\text{∩}}}{X2}\right) < {{\rm{Min}}}\left({q}\left({X1}\right),\;{}{q}\left({X2}\right)\right)$	非线性减弱 Weaken, nonlinear
${{\rm{Min}}(}{q}{(}{X1}),\;{q}{(}{X2})) < {q}{(}{X1}{{\text{∩}}}{X2}) < {\rm{Max}}({q}{(}{X1})),\;{}{q}{(}{X2}{))}$	单因子非线性减弱 Weaken, uni-
${}{q}\left({X1}{{\text{∩}}}{X2}\right) > {{\rm{Max}}}\left({q}\left({X1}\right),\;{q}\left({X2}\right)\right)$	双因子增强 Enhance, bi-
${}{q}\left({X1}{{\text{∩}}}{X2}\right)={q}\left({X1}\right) + {q}\left({X2}\right)$	独立 Independent
${}{q}\left({X1}{{\text{∩}}}{X2}\right)> q\left({X1}\right) + {q}\left({X2}\right)$	非线性增强 Enhance, nonlinear
注：引自参考文献[44]。 “X1” 和“X2” 代表滨河绿地评价准则层维度。Notes: cited from reference [44]. “X1” and “X2” represent the dimension of criteria level in the riverfront green space assessment.

下载: 导出CSV

表 3 城市滨河绿地综合评价结果

Table 3 Assessment results of urban riverfront green space

研究对象 Research object	研究单元 Research unit	正理想解距离 ${{D}}_{{i}}^{{ + }}$ Positive ideal solution ( ${{D}}_{{i}}^{{ + }}$ )	负理想解距离 ${{D}}_{{i}}^{{-}}$ Negative ideal solution ( ${{D}}_{{i}}^{{-}}$ )	总评价值 Total evaluation value ( ${C}$ )	排序结果 Result ranking
京密引水渠长河闸以北昆玉段 Kunyu section of the Jingmi Diversion Channel (north of Changhezha Gate) (KYD-N)	1	0.757	0.430	0.362	21
	2	0.688	0.454	0.398	15
	3	0.737	0.450	0.379	18
京密引水渠长河闸以南昆玉段 Kunyu section of the Jingmi Diversion Channel (north of Changhezha Gate) (KYD-S)	4	0.775	0.408	0.345	23
	5	0.769	0.410	0.348	22
	6	0.740	0.445	0.375	19
	7	0.706	0.517	0.422	12
南长河 Nanchanghe River (NCH)	8	0.639	0.514	0.446	9
	9	0.671	0.547	0.449	8
	10	0.628	0.518	0.452	7
	11	0.580	0.522	0.474	4
	12	0.598	0.539	0.474	3
	13	0.578	0.555	0.490	2
永定河引水渠 Yongdinghe River Diversion Channel (YDH)	14	0.637	0.511	0.445	10
	15	0.657	0.485	0.425	11
	16	0.747	0.387	0.341	24
	17	0.745	0.456	0.380	17
土城沟 Tuchenggou River (TCG)	18	0.685	0.492	0.418	13
	19	0.694	0.456	0.396	16
	20	0.630	0.560	0.471	5
	21	0.503	0.739	0.595	1
	22	0.679	0.588	0.464	6
小月河 Xiaoyuehe River (XYH)	23	0.748	0.527	0.413	14
	24	0.783	0.455	0.368	20
	25	0.764	0.386	0.336	25
	26	0.794	0.362	0.313	27
	27	0.794	0.381	0.324	26

下载: 导出CSV

表 4 场地活力对准则层交互探测结果

Table 4 Results for site vitality interaction detection at the criteria level

项目 Item	河道空间形态 RSM	水岸空间形态 RfSM	生态环境质量 EEQ	设施服务质量 FSQ	可达性 AC	区位环境 SE
河道空间形态 RSM	0.086
水岸空间形态 RfSM	0.512^##	0.232
生态环境质量 EEQ	0.486^##	0.659^##	0.158
设施服务质量 FSQ	0.679^##	0.653^##	0.438^##	0.190
可达性 AC	0.448^#	0.573^#	0.595^##	0.631^##	0.326
区位环境 SE	0.347^##	0.445^#	0.509^##	0.695^#	0.416^#	0.188
注：交互作用为双因子增强，标记#；为非线性增强，标记##。下同。Notes: interaction is “Enhance, bi-”, marked as #; “Enhance, nonlinear”, marked as ##. The same below.

下载: 导出CSV

表 5 周边街区活力对准则层交互探测结果

Table 5 Results for surrounding neighborhood vitality interaction detection at the criteria level

项目 Item	河道空间形态 RSM	水岸空间形态 RfSM	生态环境质量 EEQ	设施服务质量 FSQ	可达性 AC	区位环境 SE
河道空间形态 RSM	0.029
水岸空间形态 RfSM	0.267^##	0.117
生态环境质量 EEQ	0.769^##	0.775^##	0.519
设施服务质量 FSQ	0.863^##	0.754^##	0.705^#	0.521
可达性AC	0.260^#	0.480^##	0.724^#	0.644^#	0.200
区位环境 SE	0.191^#	0.263^#	0.806^##	0.885^##	0.280^##	0.118

下载: 导出CSV

参考文献(47)

[1]	王建国, 吕志鹏. 世界城市滨水区开发建设的历史进程及其经验[J]. 城市规划, 2001(7): 41−46. doi: 10.3321/j.issn:1002-1329.2001.07.010 Wang J G, Lü Z P. A historic review of world urban waterfront development[J]. City Planning Review, 2001(7): 41−46. doi: 10.3321/j.issn:1002-1329.2001.07.010
[2]	Smith H, Ferrari M S G. Waterfront regeneration: experiences in city-building[M]. New York: Routledge, 2012.
[3]	北京市规划和自然资源管理委员会, 中国建筑设计研究院有限公司. 北京滨水空间城市设计导则[Z]. 北京: 北京市规划和自然资源管理委员会, 2019. Beijing Municipal Commission of Planning and Natural Resources, China Architecture Design & Research Group. Urban design guidelines for Beijing waterfront [Z]. Beijing: Beijing Municipal Commission of Planning and Natural Resources, 2019.
[4]	北京市规划和自然资源管理委员会, 北京市城市规划设计研究院, 中国建筑设计研究院有限公司, 等. 北京市河道规划设计导则[Z]. 北京: 北京市规划和自然资源管理委员会, 2021. Beijing Municipal Commission of Planning and Natural Resources, Beijing Municipal Institute of city Planning & Design, China Architecture Design & Research Group, et al. Beijing river planning design guidelines [Z]. Beijing: Beijing Municipal Commission of Planning and Natural Resources, 2021.
[5]	上海市规划和自然资源局, 上海市水务局, 上海市城市规划设计研究院. 上海市河道规划设计导则[M]. 上海: 同济大学出版社, 2019. Shanghai Municipal Planning and Natural Resources Bureau, Shanghai Water Authority, Shanghai Urban Planning and Design Research Institute. Shanghai river planning & design guidelines[M]. Shanghai: Tongji University Press, 2019.
[6]	上海市住房和城乡建设管理委员会. 上海市黄浦江苏州河滨水公共空间条例[Z]. 上海: 上海市代表人民大会常务委员会, 2021. Shanghai Municipal Commission of Housing and Urban. Shanghai Huangpu River and Suzhou River waterfront public space regulations [Z]. Shanghai: Shanghai Municipal People’s Congress, 2021.
[7]	广东省人民政府. 广东省人民政府关于广东万里碧道总体规划(2020—2035年)的批复[J]. 广东省人民政府公报, 2020(24): 3−4. Guangdong Provincial People’s Government. Reply of the Guangdong Provincial People’s Government on the Master Plan of Guangdong WanliBiDao (2020−2035)[J]. Guangdong Provincial People’s Government Gazette, 2020(24): 3−4.
[8]	韩咏淳, 王世福, 邓昭华. 滨水活力与品质的思辨、实证与启示: 以广州珠江滨水区为例[J]. 城市规划学刊, 2021(4): 104−111. Han Y C, Wang S F, Deng Z H. Critique, empirical study, and implications of the vitality and quality of urban central waterfront: a case study of Guangzhou[J]. Urban Planning Forum, 2021(4): 104−111.
[9]	Liu S, Lai S Q, Liu C, et al. What influenced the vitality of the waterfront open space? A case study of Huangpu River in Shanghai, China[J]. Cities, 2021, 114: 103197. doi: 10.1016/j.cities.2021.103197
[10]	Niu Y, Mi X, Wang Z. Vitality evaluation of the waterfront space in the ancient city of Suzhou[J]. Frontiers of Architectural Research, 2021, 10(4): 729−740. doi: 10.1016/j.foar.2021.07.001
[11]	Zhou Y Y, Liu Y X, Ge X P. The influence of urban waterfront space landscape form on the user’s physiology[C]//2021 International Conference on Culture-oriented Science & Technology (ICCST). New York: IEEE, 2021: 422−425.
[12]	Ma Y, Ling C, Wu J. Exploring the spatial distribution characteristics of emotions of Weibo users in Wuhan waterfront based on gender differences using social media texts[J]. ISPRS International Journal of Geo-Information, 2020, 9(8): 465. doi: 10.3390/ijgi9080465
[13]	罗召鑫, 马蕙, 舒珊. 城市滨水空间恢复性评价的视听影响因素研究[J]. 南方建筑, 2021(1): 76−82. Luo Z X, Ma H, Shu S. A social survey on the visual and auditory factors influencing restorative perceptions of urban waterfront spaces[J]. Acta Geographica Sinica, 2021(1): 76−82.
[14]	李鑫, 吴丹子, 李倞, 等. 基于深度学习的城市滨河绿道景观视觉感知评价研究[J]. 北京林业大学学报, 2021, 43(12): 93−104. Li X, Wu D Z, Li L, et al. Research on visual perception evaluation of urban riverside greenway landscape based on deep learning[J]. Journal of Beijing Forestry University, 2021, 43(12): 93−104.
[15]	刘颂, 赖思琪. 多源数据支持下的城市滨水公共空间使用人群多样性影响因素[J]. 风景园林, 2021, 28(9): 75−81. Liu S, Lai S Q. Factors influencing users diversity of urban waterfront public spaces based on multi-source data[J]. Landscape Architecture, 2021, 28(9): 75−81.
[16]	王何王, 张春阳. 嫁接与融合: 公共理性视野下的城市滨水公共空间规划管控探讨[J]. 规划师, 2021, 37(18): 28−34. Wang H W, Zhang C Y. Grafting and integration: discussion on the planning and control of urban waterfront public space from the perspective of public reason[J]. Planners, 2021, 37(18): 28−34.
[17]	吴桐, 王列升, 孙一豪, 等. 城市建成区水景观建设综合效益评价方法及应用: 以潍坊市为例[J]. 北京林业大学学报, 2020, 42(11): 105−117. Wu T, Wang L S, Sun Y H, et al. Comprehensive benefit evaluation method and application of water landscape construction in urban built-up area: a case study of Weifang City, Shandong Province of eastern China[J]. Journal of Beijing Forestry University, 2020, 42(11): 105−117.
[18]	袁敬诚, 董潇迪, 曲天媛. 健康导向的城市滨水空间研究进展与展望[J]. 规划师, 2021, 37(15): 51−60. Yuan J C, Dong X D, Qu T Y. Health oriented waterfront space research progress and prospects[J]. Planners, 2021, 37(15): 51−60.
[19]	Jacobs J. The death and life of great American cities [M]. New York: Random House, 1961.
[20]	Whyte W H. The social life of small urban spaces [M]. NewYork: Project for Public Spaces, Inc., 1980.
[21]	Gehl J. Life between buildings[M]. New York: VAN Nostrand Reinhold, 2003.
[22]	王建国. 包容共享、显隐互鉴、宜居可期: 城市活力的历史图景和当代营造[J]. 城市规划, 2019, 43(12): 9−16. Wang J G. Inclusiveness and sharing, explicit and implicit mutual learning, livability predicted: historical prospect and contemporary creation of urban vitality[J]. City Planning Review, 2019, 43(12): 9−16.
[23]	蒋涤非. 城市形态活力论[M]. 南京: 东南大学出版社, 2007. Jiang D F. The theory of city form vitality[M]. Nanjing: Southeast University Press, 2007.
[24]	童明. 城市肌理如何激发城市活力[J]. 城市规划学刊, 2014(3): 85−96. Tong M. How urban fabric can help sustain the vitality of cities[J]. Urban Planning Forum, 2014(3): 85−96.
[25]	王佐. 城市滨水开放空间的活力复兴及对我国的启示[J]. 建筑学报, 2007(7): 15−17. doi: 10.3969/j.issn.0529-1399.2007.07.005 Wang Z. The revitalization of urban waterfront open space and implications for China[J]. Architectural Journal, 2007(7): 15−17. doi: 10.3969/j.issn.0529-1399.2007.07.005
[26]	Timur U P. Urban waterfront regenerations[M]//Advances in landscape architecture. New York: Intech Open, 2013.
[27]	金云峰, 陈栋菲, 王淳淳, 等. 公园城市思想下的城市公共开放空间内生活力营造途径探究: 以上海徐汇滨水空间更新为例[J]. 中国城市林业, 2019, 17(5): 52−56, 62. Jin Y F, Chen D F, Wang C C, et al. Study of the way to motivate endogenous vitality of public open space under the thought of Park City: a case study of Shanghai Xuhui waterfront renewal[J]. Journal of Chinese Urban Forestry, 2019, 17(5): 52−56, 62.
[28]	袁诺亚, 梅磊, 张志清. 滨水工业地区活力再生更新策略与实践[J]. 规划师, 2021, 37(7): 45−50. Yuan N Y, Mei L, Zhang Z Q. Waterfront industrial area renovation planning strategy and practice[J]. Planners, 2021, 37(7): 45−50.
[29]	王伟强, 马晓娇. 基于多源数据的滨水公共空间活力评价研究: 以黄浦江滨水区为例[J]. 城市规划学刊, 2020(1): 48−56. Wang W Q, Ma X J. Vitality assessment of waterfront public space based on multi-source data: a case study of the Huangpu River waterfront[J]. Urban Planning Forum, 2020(1): 48−56.
[30]	刘羿伯, 徐苏宁, 刘文茜, 等. 多源数据支持下的北京滨水街区活力测度及影响因素分析[J]. 建筑学报, 2021(增刊1): 120−127. Liu Y B, Xu S N, Liu W Q, et al. Vitality measurement and analysis of the influencing factors of waterfront blocks in Beijing based on multisource data[J]. Architectural Journal, 2021(Suppl. 1): 120−127.
[31]	王世福, 覃小玲, 邓昭华. 环境行为学视角下城市滨水空间活力协调度研究[J]. 热带地理, 2021, 41(5): 1009−1022. Wang S F, Qin X L, Deng Z H. Vitality coordination degree at the urban waterfront from the perspective of environmental behavior studies[J]. Tropical Geography, 2021, 41(5): 1009−1022.
[32]	刘颂, 赖思琪. 基于多源数据的城市公共空间活力影响因素研究: 以上海市黄浦江滨水区为例[J]. 风景园林, 2021, 28(3): 75−81. Liu S, Lai S Q. Influence factors of urban public space vitality based on multi-source data: a case study of Huangpu River waterfront area of Shanghai[J]. Landscape Architecture, 2021, 28(3): 75−81.
[33]	李萌. 基于居民行为需求特征的“15分钟社区生活圈”规划对策研究[J]. 城市规划学刊, 2017(1): 111−118. Li M. The planning strategies of a 15-minute community life circle based on behaviors of residents[J]. Urban Planning Forum, 2017(1): 111−118.
[34]	郝新华, 龙瀛, 石淼, 等. 北京街道活力: 测度、影响因素与规划设计启示[J]. 上海城市规划, 2016(3): 37−45. Hao X H, Long Y, Shi M, et al. Street vibrancy of Beijing: measurement, impact factors and design implication[J]. Shanghai Urban Planning Review, 2016(3): 37−45.
[35]	张海林. 基于百度热力图的人口活动数量提取与规划应用[J]. 城市交通, 2021, 19(3): 103−111. Zhang H L. Extracting active population data based on Baidu heat maps for transportation planning applications[J]. Urban Transport of China, 2021, 19(3): 103−111.
[36]	刘颂, 赖思琪. 大数据支持下的城市公共空间活力测度研究[J]. 风景园林, 2019, 26(5): 24−28. Liu S, Lai S Q. Measurement of urban public space vitality based on big data[J]. Landscape Architecture, 2019, 26(5): 24−28.
[37]	Ye Y, Li D, Liu X. How block density and typology affect urban vitality: an exploratory analysis in Shenzhen, China[J]. Urban Geography, 2018, 39(4): 631−652. doi: 10.1080/02723638.2017.1381536
[38]	Xia C, Yeh A G O, Zhang A. Analyzing spatial relationships between urban land use intensity and urban vitality at street block level: A case study of five Chinese megacities[J]. Landscape and Urban Planning, 2020, 193: 103669. doi: 10.1016/j.landurbplan.2019.103669
[39]	倪九派, 李萍, 魏朝富, 等. 基于AHP和熵权法赋权的区域土地开发整理潜力评价[J]. 农业工程学报, 2009, 25(5): 202−209. doi: 10.3969/j.issn.1002-6819.2009.05.38 Ni J P, Li P, Wei C F, et al. Potentialities evaluation of regional land consolidation based on AHP and entropy weight method[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(5): 202−209. doi: 10.3969/j.issn.1002-6819.2009.05.38
[40]	Ozernoy V M. Choosing the “Best” multiple criterlv decision-making method[J]. INFOR: Information Systems and Operational Research, 1992, 30(2): 159−171. doi: 10.1080/03155986.1992.11732192
[41]	雷勋平, 邱广华. 基于熵权TOPSIS模型的区域资源环境承载力评价实证研究[J]. 环境科学学报, 2016, 36(1): 314−323. Lei X P, Qiu G H. Empirical study about the carrying capacity evaluation of regional resources and environment based on entropy-weight TOPSIS model[J]. Acta Scientiae Circumstantiae, 2016, 36(1): 314−323.
[42]	宓泽锋, 曾刚, 尚勇敏, 等. 中国省域生态文明建设评价方法及空间格局演变[J]. 经济地理, 2016, 36(4): 15−21. Mi Z F, Zeng G, Shang Y M, et al. The evaluation method and spatial pattern evolution of ecological civilization construction of Chinese provinces[J]. Economic Geography, 2016, 36(4): 15−21.
[43]	李佳洺, 陆大道, 徐成东, 等. 胡焕庸线两侧人口的空间分异性及其变化[J]. 地理学报, 2017, 72(1): 148−160. doi: 10.11821/dlxb201701012 Li J M, Lu D D, Xu C D, et al. Spatial heterogeneity and its changes of population on the two sides of Hu Line[J]. Acta Geographica Sinica, 2017, 72(1): 148−160. doi: 10.11821/dlxb201701012
[44]	王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116−134. doi: 10.11821/dlxb201701010 Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116−134. doi: 10.11821/dlxb201701010
[45]	Wang J, Li X, Christakos G, et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun Region, China[J]. International Journal of Geographical Information Science, 2010, 24(1−2): 107−127.
[46]	祝宇菲. 大运河(北京段)典型性滨水泊岸景观形态分析及优化策略研究[D]. 天津: 天津理工大学, 2021. Zhu Y F. Analysis and optimization strategy of typical waterfront and waterfront landscape of Grand Canal (Beijing section) [D]. Tianjin: Tianjin University of Technology, 2021.
[47]	肖健. 滨水景观通廊空间指数分析方法研究: 以空间开敞度和干扰度指数分析为例[D]. 重庆: 重庆大学, 2015. Xiao J. A study on analysis method of spatial index of waterfront landscape corridors: take index analysis of spatial openness and spatial interference for example [D]. Chongqing: Chongqing University, 2015.

施引文献(26)

期刊类型引用(13)

1.	陈仕媛，马岚，陈佩岩. 北方土石山区不同粒径团聚体特征及其对坡面侵蚀过程的影响. 水土保持研究. 2025(02): 102-110+139 . 百度学术
2.	张紫薇，赵文俊，李奇，马一淳，田亮，杨广勇，李忠武，刘窑军. 表层土壤结构对红壤坡耕地产流及产沙过程的影响. 土壤学报. 2024(02): 434-444 . 百度学术
3.	王琳涛，王云琦，王玉杰，张建聪，尹乐，张洪珊 . 火干扰对缙云山土壤团聚体稳定性的影响. 中国水土保持科学(中英文). 2023(03): 25-33 . 百度学术
4.	孙旭，马岚，张金阁，王福星，薛梦华，宋天翼，张旖璇，李浩玉. 模拟降雨条件下枯落物覆盖对坡面地表和壤中流产流过程的影响. 陕西师范大学学报(自然科学版). 2022(04): 136-144 . 百度学术
5.	刘文景，许文年，夏露，陈剑刚，程虎，余飞，夏栋，刘大翔，余绍鹏. 鄂西长江小流域土地利用方式对土壤团聚体稳定性的影响. 长江流域资源与环境. 2021(04): 925-935 . 百度学术
6.	郭岩松，毕曼. 土壤侵蚀影响因素研究进展. 河南科技. 2021(20): 136-140 . 百度学术
7.	黎俊佑，马岚，刘京晶，沈雨珺，张金阁，孙占薇，燕琳，张栋. 雨型对华北土石山区坡面土壤侵蚀的影响. 水土保持学报. 2020(04): 1-6 . 百度学术
8.	胡昭，张懿，郭建. 黄土丘陵区典型林地土壤团聚体稳定性评价. 人民黄河. 2020(08): 104-108 . 百度学术
9.	郭威震，胡斐南，谭滔滔，马任甜，刘婧芳，李喆，赵世伟. 土壤表面电场对黑土团聚体破碎和侵蚀的影响. 应用生态学报. 2020(08): 2644-2652 . 百度学术
10.	张金阁，马岚，张栋，刘京晶，黎俊佑，孙占薇，燕琳，孙旭，王福星. 华北土石山区草地过滤带布设方式对坡面产流产沙的影响. 水土保持学报. 2020(05): 76-80 . 百度学术
11.	毛旭芮，王明力，杨建军，丁肇龙，曹月娥. 采煤对露天煤矿土壤理化性质及可蚀性影响. 西南农业学报. 2020(11): 2537-2544 . 百度学术
12.	李肖，陈晨，林杰，朱茜，董波，丁鸣鸣. 侵蚀强度对淮北土石山区土壤团聚体组成及稳定性的影响. 水土保持研究. 2019(04): 56-61+67 . 百度学术
13.	王婷，李建平，张翼，井乐，张茹. 不同降水下天然草地土壤水稳定性团聚体分布特征. 草业科学. 2019(08): 1935-1943 . 百度学术

其他类型引用(13)

资源附件(0)

图(5) / 表(5)

计量

文章访问数: 529
HTML全文浏览量: 164
PDF下载量: 130
被引次数: 26

1. 研究区概况与研究方法
1.1 研究区概况
1.2 数据来源与统计
1.3 研究方法
1.3.1 基础模型与广义模型
1.3.2 分位数回归
1.3.3 非线性混合效应模型
1.3.4 模型评价与检验
2. 结果与分析
2.1 基础模型拟合
2.2 广义模型构建
2.3 分位数回归
2.4 非线性混合效应模型构建
2.5 模型评价与检验
3. 讨　　论
3.1 基于基础模型的分位数回归
3.2 引入林分变量和随机效应对树高模型的影响
4. 结　　论

1. 研究区概况与研究方法
1.1 研究区概况
1.2 数据来源与统计
1.3 研究方法
1.3.1 基础模型与广义模型
1.3.2 分位数回归
1.3.3 非线性混合效应模型
1.3.4 模型评价与检验
2. 结果与分析
2.1 基础模型拟合
2.2 广义模型构建
2.3 分位数回归
2.4 非线性混合效应模型构建
2.5 模型评价与检验
3. 讨　　论
3.1 基于基础模型的分位数回归
3.2 引入林分变量和随机效应对树高模型的影响
4. 结　　论

参考文献(47)

施引文献(26)

资源附件(0)

基于城市活力影响的滨河绿地评价研究——以北京市海淀区为例

作者简介: 黄守邦。主要研究方向：风景园林规划与设计。Email：huangshoubang@bjfu.edu.cn 地址：100083 北京市海淀区清华东路35号北京林业大学园林学院

责任作者: 张诗阳，副教授。主要研究方向：风景园林规划设计及理论、区域与城市景观。Email：zhangshiyang@bjfu.edu.cn 地址：同上。

计量

出版历程

Research on the assessment of riverfront green space based on urban vitality impact: taking Beijing Haidian District as an example

1. 研究区概况与研究方法

1.1 研究区概况

1.2 数据来源与统计

1.3 研究方法

1.3.1 基础模型与广义模型

1.3.2 分位数回归

1.3.3 非线性混合效应模型

1.3.4 模型评价与检验

2. 结果与分析

2.1 基础模型拟合

2.2 广义模型构建

2.3 分位数回归

2.4 非线性混合效应模型构建

2.5 模型评价与检验

3. 讨 论

3.1 基于基础模型的分位数回归

3.2 引入林分变量和随机效应对树高模型的影响

4. 结 论

期刊类型引用(13)

其他类型引用(13)

计量

出版历程

目录

1. 研究区概况与研究方法

1.1 研究区概况

1.2 数据来源与统计

1.3 研究方法

1.3.1 基础模型与广义模型

1.3.2 分位数回归

1.3.3 非线性混合效应模型

1.3.4 模型评价与检验

2. 结果与分析

2.1 基础模型拟合

2.2 广义模型构建

2.3 分位数回归

2.4 非线性混合效应模型构建

2.5 模型评价与检验

3. 讨 论

3.1 基于基础模型的分位数回归

3.2 引入林分变量和随机效应对树高模型的影响

4. 结 论

作者简介:
黄守邦。主要研究方向：风景园林规划与设计。Email：huangshoubang@bjfu.edu.cn　地址：100083 北京市海淀区清华东路35号北京林业大学园林学院

责任作者:
张诗阳，副教授。主要研究方向：风景园林规划设计及理论、区域与城市景观。Email：zhangshiyang@bjfu.edu.cn 　地址：同上。

3. 讨　　论

4. 结　　论

3. 讨　　论

4. 结　　论