Evaluation of forest ecological quality in coastal zone counties of Fujian Province, eastern China based on multi-source remote sensing data
-
摘要:目的
森林生态质量是从生态角度反映森林质量的内涵，对森林的生态功能和生态服务、生长状况以及自我调节功能进行综合测度，以期提高森林改善生态环境、维护生态平衡的能力。
方法利用中、高分辨率多源遥感数据，获取大范围尺度下能表征森林生态质量的关键指标信息，在此基础上，分析福建省海岸带40个县域的森林生态质量状况。首先，基于2016年2 m分辨率多源遥感数据为主要数据源，利用双层尺度集模型选定最佳分割尺度，多分类器集成算法集，自动选择最优分类算法进行森林类型提取，并结合2020年Sentinel遥感数据及森林分类产品，更新2020年福建省海岸带森林类型精细分布图；其次，利用LandTrendr算法衍生的干扰开始时间特征推算现存森林年龄，通过GEDI冠层高度产品获取海岸带森林冠层高度分布图；在以上关键森林质量指标提取基础上，对遥感手段获取的8项森林生态质量评价指标进行主成分分析，获得福建省海岸带县域森林生态质量综合评价结果。
结果2020年福建海岸带40个县域约50%的县域森林生态质量处于优良水平，其中仙游县、闽侯县、南安市、霞浦县、柘荣县及厦门海沧区、思明区、集美区、同安区等森林生态质量为优；森林生态质量较差的县域有惠安县、秀屿区、石狮市、福安市、平潭实验区、诏安县。
结论结合中、高分辨率多源遥感数据，能够发挥遥感大范围监测优点，客观评价福建省海岸带40个县域的森林生态质量；研究结果表明2020年福建沿海县域森林生态质量还存在较大的提升空间，需要针对存在的问题采取相应森林管理措施提升森林生态质量。
Abstract:ObjectiveForest ecological quality reflects the ecological quality of forests from an ecological perspective, measuring the comprehensive capacity of forests to improve the ecological environment, maintain ecological balance, and provide ecological functions and services. Utilizing medium and high-resolution multisource remote sensing data, we aim to acquire crucial indicator information that characterizes forest ecological quality at a large-scale level. Based on this foundation, our objective is to analyze the forest ecological quality status in the 40 coastal counties of Fujian Province of eastern China.
MethodFirstly, the primary data source utilized was 2 m resolution multisource remote sensing data. The bi-level scale-sets model (BSM) was employed to determine the optimal segmentation scale, integrating multiple classifiers to create an algorithm set. The best classification algorithm for forest type extraction was automatically selected. This approach was complemented by the use of Sentinel remote sensing data in 2020 and fine forest classification products, resulting in an optimized fine-scale distribution map of coastal forests in Fujian Province for year 2020. Secondly, forest age was estimated using disturbance onset time features derived from the LandTrendr algorithm. Additionally, GEDI crown height products were used to obtain the canopy height distribution map of coastal forests. Building upon the extraction of key forest quality indicators through remote sensing methods, a principal component analysis was conducted on eight forest ecological quality assessment indicators obtained through remote sensing. This led to a comprehensive assessment of forest ecological quality for the coastal counties of Fujian Province.
ResultIn 2020, approximately 50% of the 40 coastal counties in Fujian’s coastal zone exhibited a favorable level of forest ecological quality. Among them, Xianyou County, Minhou County, Nan’an City, Xiapu County, Zherong County, as well as the districts of Haicang, Siming, Jimei, and Tong’an in Xiamen, demonstrated excellent forest ecological quality. On the other hand, counties with relatively poor forest ecological quality included Huian County, Xiuyu District, Shishi City, Fu’an City, Pingtan Experimental Zone, and Zhao’an County.
ConclusionUtilizing high and medium-resolution multisource remote sensing data, the advantages of remote sensing large-scale monitoring have been leveraged to provide an objective assessment of the forest ecological quality in the 40 coastal counties of Fujian Province. The research findings reveal that there is considerable room for improvement in the forest ecological quality of the coastal counties in Fujian Province in 2020. Addressing the existing issues calls for the implementation of appropriate forest management measures to enhance the forest ecological quality.
-
Keywords:
- remote sensing /
- forest type /
- forest age /
- canopy height /
- forest ecology quality /
- Fujian coastal zone
-
绿色空间是各类自然、人工绿地及水域覆盖的地表空间，良好的绿色空间体系是协调城市发展和自然保护的重要保障[1-2]。在我国城镇化到绿色城镇化的发展历程中，学者不断梳理绿色空间与生态环境的关系，将绿色空间特征与调节城市热环境[3]、评估生态系统服务[4]、促进公众健康等目标有机融合[5]，在城市群[6]、省市县[7]、村镇[8]等多尺度研究中广泛运用。其中，土地利用的快速转变影响了绿色空间的景观结构和生态功能，在城市区域尺度的响应尤为突出[9]。
自19世纪初期景观生态学萌芽，到分别以自然景观和人类活动为主要研究对象的路径分野，再到基于地理信息系统的空间定量计算 [10] ，区域绿色空间研究经历了静态向过程、客体向主体、现象向规律等扩展。明确绿色空间时空演变的规律和机制是区域绿色空间体系优化的依据，近年在学界形成广泛共识。其中，演变的研究主要涉及结构指标的计算，基于多时段遥感影像解译，通过 Fragstats软件计算绿色空间景观格局指数（landscape pattern indices，LPI）或景观形态空间格局分析（morphological spatial pattern analysis，MSPA）分析绿色空间格局演化[11]，也有学者关注了各类绿色空间面积比例的城乡梯度特征 [12]。既有研究多直接采用土地利用一级分类划分区域绿色空间类型，一般分为林地、草地、耕地、水域和未利用地，忽略了植被覆盖密度及其生态价值的差异[12]；而土地利用二级分类数量繁多，不便于以区域绿地规划为目标的研究采用。归一化差分植被指数（normalized difference vegetation index，NDVI）的遥感估算能够弥合这一缺陷，以植被覆盖密度为依据合并土地利用二级分类，进而划分绿色空间类型[13]。演变机制的研究则重点涉及空间效应的测度[14]。在空间效应特征识别方面，主要途径是通过莫兰指数（Moran’s I）、热点分析（Getis-Ord Gi*）、地理加权回归（geographically weighted regression，GWR）等空间统计方法测度绿色空间类型在研究区内的相关或异质性[15]；在空间效应的驱动判断方面，多基于地理探测器等工具测度潜在影响因子的显著性和影响力 [16]。不局限于理论研究，国土空间、公园城市规划等实际操作中逐渐关注可选择的规划模式以确保生态系统服务价值等目标的最大实现[17]，识别绿色空间时空演变特征是模拟预测的前置环节。
黄河下游是我国工农业生产核心区之一[18]，沿岸城市发展是中国城镇化的典型缩影[19]。历史以来，河流与滩区为下游城市创造了丰厚独特的农业条件和农耕文化基础，也参与构建区域绿色空间，影响城市生态安全[20]。《黄河流域生态保护和高质量发展规划纲要》提出，有效推进下游绿色生态走廊建设和滩区生态综合整治。目前，黄河下游城市区域绿色空间时空演变研究数量有限，既有研究中尚缺对于滩区空间的考虑。基于上述认识，本文以10年为间隔，将1990、2000、2010、2020年作为时间节点，基于土地利用二级分类和植被覆盖密度划分黄河下游4个典型城市区域绿色空间类型，识别绿色空间类型转移、景观格局与城乡梯度等时空变化规律，并以地理探测方法揭示绿色空间演变的驱动机制，旨在丰富和深化黄河下游地区绿色空间发展的研究成果，为优化国土空间格局、协调生态保护与经济发展提供参考。
1. 研究区概况与数据
1.1 研究区概况
根据黄河下游自然环境的异质性和城市发展的代表性，选取郑州、新乡、济南、菏泽4城市市域范围为研究区（图1）。从自然环境看，黄河主河道流经郑州、新乡、菏泽边缘，贯穿济南市域空间；郑州市、新乡市、菏泽市境内为黄河宽滩区，其中新乡市封丘县境内还有一定面积的倒灌区，济南市境内则均为窄滩区[21]。此外，济南、郑州、新乡境内有山地分布，菏泽全境地形均为平原。从城市发展看，济南和郑州为区域性中心城市，40多年间经历了剧烈的城市化进程，新乡、菏泽则在近10年间经济增速较快。各城市基本情况见表1。
表 1 研究城市基本情况Table 1. Summary of selected cities城市 City 常住人口数量
Permanent resident population2020年国民生产总值/亿元
GDP in 2020/108 CNY行政区面积
Administrative area/km2济南 Jinan 920.2 × 104 10 140.9 10 220.0 菏泽 Heze 879.6 × 104 3 483.1 12 142.8 郑州 Zhengzhou 1 260.1 × 104 12 691.0 7 515.5 新乡 Xinxiang 617.1 × 104 3 232.5 8 271.0 1.2 数据来源
研究主要数据来源如下：
（1）土地利用/覆盖数据（https://www.resdc.cn/）。来源于由中科院地理所构建的中国多时期土地利用/土地覆盖遥感监测数据库（CNLUCC）。1990—2010年、2020年数据分别以Landsat-TM和Landsat-8遥感图像为信息源，采用5 月上旬至10 月中旬无云图，经波段提取、色彩合成、图像纠正与解译处理等过程生成，数据库Kappa系数为0.889，空间分辨率为30 m × 30 m。
（2）水系数据（https://www.webmap.cn/）。来源于国家基础地理信息中心发布的全国1∶100万公众版地理信息数据库。
（3）滩区类型数据。来源于既有文献中的判断和划定，将研究区划分宽滩区、倒灌区、窄滩区、涉滩区和滩外区[21-23]。
（4）土壤类型数据（https://www.resdc.cn/）。来源于中科院地理所发布的中国土壤类型空间分布数据库。
（5）高程数据（https://search.asf.alaska.edu/#/）。来源于NASA官方网站发布的ALOS卫星12.5 m DEM数据库。
（6）重点城镇中心点空间数据。包括4个城市主城区与周边的一、二级城镇[24]，结合中国县级行政边界数据与百度地图识别获得政府所在地的空间点位。
（7）各区县经济、人口和产业数据。整理自各市统计局发布的历年统计年鉴及当年国民经济和社会发展统计公报。
2. 研究框架与方法
2.1 研究框架
研究以类型转移、景观格局和城乡梯度变化作为基本表征，识别绿色空间演变规律；进而进行自然环境和社会经济因素的地理探测，分析绿色空间演变机制（图2）。
2.2 研究方法
2.2.1 空间分类
根据既有研究对绿色空间的界定[4,25]，结合CNLUCC 数据分类体系说明书，将研究区域划分为裸露地表和3类绿色空间分别为低覆盖密度绿色空间、中高覆盖密度绿色空间和高覆盖密度绿色空间（以下称为低、中、高密度绿色空间）。裸露地表包括建设用地及植被覆盖度在5%以下的空间。低密度绿色空间包括耕地及覆盖度为5% ~ 50%的草地。中密度绿色空间包括郁闭度 > 40%的矮林地与灌丛林地、郁闭度为10% ~ 30%的林地和苗圃、覆盖度 > 50%的草地及坑塘等小面积水体。高密度绿色空间包括郁闭度 > 30%的林地及河渠、湖泊、水库等大面积水体[25]。
2.2.2 空间转移矩阵
通过计算研究期初各类型面积转出和研究期末各类型空间面积转入的数值构建各类空间转移矩阵，以反映4个城市30年间各类空间相互转化的动态过程信息。转移矩阵的通用形式如下：
{{\boldsymbol{S}}_{ ij}} = \left[ {\begin{array}{*{20}{c}} {{s_{11}}}&{{s_{12}}}& \cdots &{{s_{1n}}} \\ {{s_{21}}}&{{s_{22}}}& \cdots &{{s_{2n}}} \\ \cdots & \cdots & \cdots &{{s_{3n}}} \\ {{s_{n1}}}&{{s_{n2}}}& \cdots &{{s_{nn}}} \end{array}} \right] (1) 式中：Sij为研究初期到末期时间段内i类向j类空间转移的面积矩阵；s为空间转移面积；n为空间总类型，本研究中n = 4。空间转移方向与转移量在ArcMap 10.5软件中计算，后在Origin 2021平台上绘制桑基图。
2.2.3 景观格局指数计算
选取表征空间斑块面积、密度、形状和聚散性等维度特征的6个景观格局指数，分别为斑块面积比（percentage of landscape，PLAND）、斑块数量（number of patches，NP）、最大斑块面积比（largest patch index，LPI）、斑块平均面积（mean patch size，MPS）、面积加权平均形状指数（area-weighted mean shape index，AWMSI）、功能连通度（functional connectivity，FC）[10]。所有景观格局指数均在Fragstats 4.2软件中计算。
2.2.4 距离指数与城乡梯度计算
参照中外学者对于“城市中心”的普遍定义，以各空间斑块与研究区4城市CBD的欧氏距离表征所处的城乡梯度[26]。考虑城市之间的横向比较，引入归一化距离指数（normalized distance index，NDI），其公式如下：
{\rm{NDI}} = \displaystyle \sum\nolimits_{i=1}^n {\frac{{\sqrt {{{\left( {{x_i} - X} \right)}^2} + {{\left( {{y_i} - Y} \right)}^2}} }}{{{d_{\max }}}}} (2) 式中：X、Y表示城市中心的横纵坐标，xi和yi表示绿色空间斑块中心的横纵坐标，分子即为斑块i中心到城市中心的欧氏距离，dmax为所有斑块中心到城市中心欧式距离中的最大值。欧氏距离在ArcMap 10.5软件中计算，以0.01个距离为单位计算各类空间面积占比，后在RStudio 3.3.1 平台上调用ggplot2 软件包，插入“Loess”统计曲线模型，基于局部加权回归原理形成城乡梯度轨迹曲线[27]。
2.2.5 影响因素的地理探测
使用地理探测器工具中的因子探测计算影响因子对绿色空间地理分布的影响，使用交互探测计算两两因子的共同作用。地理探测器是一种探测自变量对因变量空间异质性解释力的统计学方法，基本假设为：如果某种自变量能够影响因变量的地理空间分布，那么自变量与因变量应具有相似的地理空间特征[28]。
{q} = 1 - \frac{1}{{n{\sigma ^2}}}\sum\nolimits_{h = 1}^L {{n_h}} \sigma _h^2 (3) 式中：q为影响因子对绿色空间地理分布的解释力；n、
{\sigma ^2} 分别为整个研究区域中绿色空间地理分布的样本量和方差，{n_h}、\sigma _h^2 分别为次级区域h中绿色空间地理分布的样本量和方差。q取值范围为[0，1]，数值越接近1表示解释力越强。在地理探测步骤，对所有数值型数据进行离散化处理得到类型栅格数据集，建立渔网并作采样。3. 结果与分析
3.1 绿色空间转移面积
由表2计算，1990—2020年研究区各类空间转移面积为5 139 km2，占总面积的13.47%。绿色空间总计向裸露地表转出3 223 km2；裸露地表向各类绿色空间转出1 181 km2；绿色空间内部互相转换735 km2，其中较高密度向较低密度绿色空间转出466 km2，较低密度向较高密度绿色空间转出269 km2。4个城市转移量按比例大小排顺序为济南、菏泽、郑州、新乡。山东省两城市绿色空间呈现一增三减的变化，裸露地表面积增加，高、中、低密度绿色空间面积减少。河南省两城市为二增二减，裸露地表与高密度绿色空间面积增加，中低密度绿色空间面积减少。各级城镇边缘、宽滩区沿线绿色空间转移明显（图3）。
表 2 1990—2020年绿色空间转移矩阵Table 2. Matrix of greenspace transfer from 1990 to 2020km2 年份 Year 城市 City 指标 Index 2020 裸露地表
Bare surface低密度
Low density中密度
Medium density高密度
High density1990 济南 Jinan 裸露地表 Bare surface 904 296 1 36 低密度 Low density 1 137 5 319 6 85 中密度 Medium density 16 19 349 3 高密度 High density 115 139 1 1 792 菏泽 Heze 裸露地表 Bare surface 1 462 532 1 25 低密度 Low density 1 005 8 727 0 66 中密度 Medium density 9 35 6 0 高密度 High density 26 106 0 139 郑州 Zhengzhou 裸露地表 Bare surface 1 453 54 0 54 低密度 Low density 583 4 098 1 65 中密度 Medium density 24 56 141 21 高密度 High density 37 57 6 864 新乡 Xinxiang 裸露地表 Bare surface 1 166 127 0 55 低密度 Low density 253 5 473 0 20 中密度 Medium density 0 4 43 2 高密度 High density 18 42 1 1 062 ![]()
图 3 1990—2020年绿色空间转移的空间分布Figure 3. Distribution of greenspace transfer from 1990 to 202030年间，低密度绿色空间一直是裸露地表面积的主要转入来源（图4）。2000—2010年间，济南、菏泽两市低密度绿色空间与裸露地表大量相互转化，主要是受2006年山东省出台的《城镇建设用地增加与农村建设用地减少相挂钩管理办法》等相关政策影响[29]，大量零星分散的农村居民点发生搬迁撤并或土地流转。新乡、郑州则主要是沿黄滩涂向耕地的转移。
![]()
图 4 1990—2020年绿色空间转移桑基图Figure 4. Sankey diagram of greenspace transfer from 1990 to 20203.2 绿色空间景观指数变化
3.2.1 景观指数总体变化
由1990—2020年景观指数变化图（图5）可知：在斑块面积比（PLAND）方面，郑州和济南低密度绿色空间数值减少较多，分别为6.41%和6.50%，裸露地表分别增加7.13%、9.14%，均远高于平均值。中、高密度绿色空间变化较小。
![]()
图 5 1990—2020年绿色空间景观指数总体变化PLAND.斑块面积比；NP.斑块数量；LPI.最大斑块面积比；MPS.斑块平均面积；AWMSI.面积加权平均形状指数；FC.功能连通度。下同。PLAND, percentage of landscape; NP, number of patch; LPI, largest patch index; MPS, mean patch size; AWMSI, area-weighted mean shape index; FC, functional connectivity. The same below.Figure 5. Overall changes of landscape pattern indices from 1990 to 2020斑块数量（NP）方面，除济南低密度绿色空间与裸露地表数值增加外，其余各城市均有所减少，低、中、高密度绿色空间减少量均以郑州为最大，新乡次之，可见4个城市大多数绿色空间斑块均发生整合。
最大斑块面积比（LPI）方面，4个城市裸露地表数值均有所增加，低密度绿色空间数值均有减少，以郑州与济南的变化量最大，均达到平均水平的2倍以上。中、高密度绿色空间数值变化量相对较小，个体斑块面积增减量未影响整体优势性，表明大规模自然林地格局总体平稳。
面积加权平均形状指数（AWMSI）方面，济南裸露地表数值增加明显，低密度绿色空间数值减少。在NP增加的情况下，表明无植被覆盖的城乡建设用地向外延伸而降低了整体形态的规则程度，同时耕地、草地被人工方整切割。此外，郑州和新乡裸露地表的数值也有较大程度的减少，在PLAND增加、NP减少的情况下，能够反映出郑州城乡建设用地以集聚扩张的形式增长，具有向心性特征。
平均斑块面积（MPS）指数方面，变化主要发生于低密度绿色空间。除济南数值减少外，郑州、新乡、菏泽均有增加。结合NP值变化，可知济南的大面积的低密度绿色空间被切分独立；菏泽低密度绿色空间数值增加最大，表明大量小碎斑块转出。新乡的高密度绿色空间数值增量最大，河南城市增量明显大于山东城市。
功能连接度（FC）方面，郑州、济南的低密度绿色空间，郑州、济南、菏泽的中密度绿色空间，以及济南的高密度绿色空间数值有所增加，且区域性中心城市的改善更为全面。同时，4个城市的裸露地表的数值变化较小，在NP减少、PLAND增加的前提下，较小的FC变化表明斑块之间的最大可能连接数变小，即斑块面积的增加与数量的减少在空间中是相对均匀发生的，反映了城市与村镇建设用地共同发生扩张。
3.2.2 景观格局指数变化轨迹
由1990—2020 年景观格局指数变化折线图（图6）可知， 4个城市区域绿色空间景观格局指数在过去 30 年间的变化轨迹具有一定共性。低密度绿色空间的PLAND、AWMSI、FC，中密度绿色空间的PLAND、NP、LIP、AWMSI，高密度绿色空间的各项指数及裸露地表的PLAND、NP、LIP、MPS、FC变化轨迹均较为相似。比较特殊的轨迹表现于以下方面：郑州中密度绿色空间的MPS、AWMSI和FC的基数在30年内均为最大，其中MPS在1990—2010年间的上升趋势强于其他3市，2010年以来与其他城市呈现一致的平稳趋势。济南裸露地表的AWMSI在2000—2010年间发展迅速并超越郑州至首位，空间限制使建设用地形态不规则度上升。同一时期低密度绿色空间的LIP明显单调下降，耕地和草地面积有所收缩；NP单调上升，变化趋势与其他3市相反，并超越郑州发展至首位。上述变化在2010年后恢复平稳，严格的耕地保护和土地集约利用政策效果显现。菏泽低密度绿色空间的MPS、FC基数远大于其他城市，受黄淮海平原农业开发战略影响，相较于其他城市的平稳轨迹经历了先上升后下降的明显变化。与其他城市的平稳趋势相比，新乡高密度绿色空间的MPS在30年间保持速率均匀的单调上升趋势； FC以2000年前后为转折，呈现“∩”型发展趋势，但始终处于首位。
![]()
图 6 1990—2020年景观格局指数变化折线图Figure 6. Point-fold line chart of landscape pattern indices from 1990 to 2020此外，4个城市高密度绿色空间的LIP、AWMSI数值在30年间均无较大波动，由高到低顺序始终为新乡、郑州、济南、菏泽，河南两城市总体高于山东两城市。中密度绿色空间的LIP、MPS、AWMSI值也未发生排位顺序的变化，由高到低顺序为郑州、济南、新乡、菏泽，区域性中心城市总体高于一般城市。
3.3 绿色空间面积比例的城乡梯度变化
![]()
图 7 1990—2020年绿色空间面积占比的城乡梯度变化Figure 7. Urban-to-rural trajectory of the area percentage of greenspace from 1990 to 2020低密度绿色空间的城乡梯度轨迹在时间序列中的变化较为复杂。1990和2000年，济南的轨迹由中心向外围先缓慢降低再升高，降低区间为山区地带；2010和2020年，由于城市建设用地扩张导致近郊低密度绿色空间比例锐减，而在NDI > 0.750的区间上保持平稳。2000年，郑州的轨迹在0.125 < NDI < 0.375的区间较前期上升，但2010年后又下降，到2020年，在近远郊地带均出现一定程度下降。新乡较早时期的城乡梯度变化轨迹是“W”形，波峰出现在NDI = 0.500的中间地带。2000和2020年，这一波峰逐渐削弱，轨迹逐步转变为“U”形。菏泽市的轨迹则在 30年间均可见波谷，其形态在30年间由“U”向“V”发展，波谷稳定存在于0.375 < NDI < 0.625的区间。
各城市中密度绿色空间的城乡梯度轨迹在时间序列上体现出一致性。济南中心到外围趋于水平，整体缓慢降低。菏泽的轨迹更加平直，且始终处于低位。郑州、新乡两城市的城乡梯度变化轨迹呈现较为相似的“U”形，分别在NDI = 0.50和NDI = 0.375的距离地带出现了小的峰值。新乡在1990—2010年间的轨迹为“U”形，中部地带为较宽波谷。
高密度绿色空间的梯度相对固定，并反映出城市自然本底、城镇布局方式等空间特征。如济南的峰值出现在NDI = 0.500的中段地带，郑州则在NDI > 0.750的区间上升，均对应于山区自然林地。平原城市菏泽城乡梯度轨迹在30年间没有明显差异，从中心向外保持平稳波动，整体比例处于与中密度绿色空间轨迹类似的低位，最大值出现在远郊水域地带。早期新乡的轨迹在市域中间地带存在小的峰值，后随着城市扩张而被削弱，但可见近郊高密度空间在近年出现增量，主要是依托引黄干渠等水系而发展的城市绿地。
裸露地表的城乡梯度轨迹反映了市域城、镇、村建设用地的发展格局。济南30年间的轨迹表现为单调递增的指数形态，反映城镇布局向外延伸，以及泰山山脉南侧莱芜、钢城两区的发育态势。郑州在1990前年有类似的情况，2000和2010年，在中心城区边缘地带内先后有中牟、荥阳和新郑等城镇发育扩张，使整体变化轨迹呈现出“U”形。新乡的轨迹则在1990和2000年从中心向外围缓慢升高，2010和2020年在NDI = 0.500的距离上形成波峰，对应于第一圈层城镇的扩张成熟。菏泽轨迹的波动幅度不大（图7）。
3.4 绿色空间演变的驱动机制
以绿色空间分布为地理探测中的因变量，以4个表征自然环境的因子（X1 ~ X4）与4个表征社会经济情况的因子（X5 ~ X8）为自变量，计算单一因子、因子间交互解释力。由于1990年的社会经济数据难以全面获取，以下仅探讨2000—2020年间各项因子对绿色空间演变的驱动机制。
根据因子探测的结果（表3），高程、与水系距离、与城镇距离、一产比例、GDP和城乡人口比例6项因子在20年间均对济南区域绿色空间分布有显著贡献，综合解释力由高至低，其中社会经济因素解释力的q累计值上升5.2%。与滩区关系在20年间始终对菏泽区域绿色空间分布显著贡献，除此之外有显著解释力的均为社会经济因素，q累计值上升3.1%。土壤类型外的其他7项因子均在20年间对郑州区域绿色空间分布有显著贡献，高程的解释力最大，社会经济因素解释力的q累积值上升3.9%。自然环境因素在新乡占据明显主导，社会经济因素解释力的q累计值上升8.4%。
表 3 因子探测结果Table 3. Factor detection results城市
City年份
Year与水系距离
Distance from waters (X1)土壤类型
Soil type (X2)与滩区关系
Relationship with floodplain (X3)高程
Altitude (X4)与城镇距离
Distance from town (X5)生产总值
GDP (X6)城乡人口比例
Proportion of
urban and rural
population (X7)一产比例
Proportion of
primary industry (X8)济南 Jinan 2000 0.304*** 0.001 0.003** 0.328*** 0.094*** 0.029*** 0.003*** 0.024*** 2010 0.244 0.001 0.001 0.283*** 0.092*** 0.018*** 0.013*** 0.028*** 2020 0.243*** 0.001 0.001 0.283*** 0.073*** 0.048*** 0.014*** 0.067*** 菏泽 Heze 2000 0.004 0.002 0.005* 0.002 0.004 0 0 0.005** 2010 1.000 0.872 0.011*** 0.002 0.032*** 0.003 0.004* 0.003* 2020 0 0 0.011*** 0.002 0.036*** 0.000 0.001 0.001 郑州 Zhengzhou 2000 0.039*** 0 0.012*** 0.005 0.027*** 0.014*** 0.031*** 0.022*** 2010 0.037*** 0.001 0.012*** 0.194 *** 0.034*** 0.026*** 0.077*** 0.073*** 2020 0.045*** 0.001 0.017*** 0.192*** 0.037*** 0.056*** 0.077*** 0.063*** 新乡 Xinxiang 2000 0.412*** 0.004 0.047*** 0.531*** 0.096*** 0.109*** 0.145*** 0.067*** 2010 0.401*** 0.004 0.043*** 0.526*** 0.103*** 0.166*** 0.086*** 0.082*** 2020 0.393*** 0.005 0.042*** 0.518*** 0.111*** 0.164*** 0.045*** 0.181*** 注：表中数字为解释力q值；*表示在P < 0.1水平上差异显著，**表示在P < 0.05水平上差异显著，***表示在P < 0.01水平上差异显著。Notes: the number in the table is the explanatory power q-value; * means significant differences at P < 0.1 level, ** means significant differences at P < 0.05 level, and *** means significant differences at P < 0.01 level. 根据交互探测结果，菏泽未见因子间的显著交互作用，而郑州、新乡、济南3城市均可见因子共同作用的效果大于独立效果之和的情况，即两两交互的类型为非线性增强。以郑州为例（表4），在2000年仅有土壤类型∩高程产生显著非线性增强效果；2010年增加两对，分别是与滩区关系∩高程、土壤类型∩一产比例；2020年，土壤类型分别与高程、GDP、城乡人口比例、一产比例产生非线性增强效果。表明社会经济因素与自然环境因素体现愈加明显的交互协同。
表 4 交互探测结果（以郑州为例）Table 4. Interactive detection results (taking Zhengzhou as an example)年份
YearX1 X2 X3 X4 X5 X6 X7 X8 2000 X1 0.039 X2 0.003 X3 0.012 X4 0.221 0.205 X5 0.027 X6 0.014 X7 0.031 X8 0.022 2010 X1 0.037 X2 0.001 X3 0.012 X4 0.209 0.209 0.194 X5 0.034 X6 0.026 X7 0.077 X8 0.088 0.073 2020 X1 0.045 X2 0.001 X3 0.017 X4 0.240 0.211 0.192 X5 0.037 X6 0.067 0.056 X7 0.065 0.057 X8 0.073 0.063 注：表中数字为交互作用解释力q值，此表仅显示具有显著性的q值。Notes: the number in the table is the explanatory power q-values of interaction. This table only shows the q values with significant interaction relationship. 4. 讨 论
4.1 区域绿色空间演变特征识别
（1）各类空间的面积增减。研究显示，30年间黄河下游4个城市裸露地表规模持续扩张，低密度绿色空间面积减量最大，中、高密度绿色空间面积增减相对平稳。研究区城乡建设用地共同经历扩张，但区域性中心城市与一般城市之间存在增量和形态上的差别，即新增城市建设用地更多直接接壤城市边缘，集中连片的增长现象更为显著。济南中心城区以山前平原为核心，北向黄河、南向浅山地带逐步延展，在空间的制约中侵占了一定面积中、高密度绿色空间。郑州中心城区的发展以近郊城镇集聚和自身边缘扩张为主，北部边缘向滩区与水域靠近的同时，也建设了有规模的高密度绿色空间，将滩地滩涂转为坑塘湿地和林地为主的生态公园。4个城市内，小而碎的低密度绿色空间均有转出，但城乡建设行为也挤压或分割了大量规模性的耕地、草地。近年来，在严格耕地保护政策出台和城市存量发展导向下，低密度绿色空间减量得到控制。
（2）同类空间的整合连通。30年间，破碎分散向整合连通是各城市区域绿色空间斑块的主要发展趋势。中、高密度绿色空间表现更为明显，其破碎度降低、连通度和集聚水平增加，能够对物种保护、能量交换等生态系统服务价值改善起到积极作用[8]，同时可见区域性中心城市的改善尤为全面、明显。此外，济南中心城区低密度绿色空间在2010年以前的形态破碎而不规则，但这一现象在近10年有所改观，反映出山东省土地综合整治等政策的效果。
（3）面积占比的时空分异。30年间，城乡轨迹变化最明显的是区域性中心城市的低密度绿色空间，而各城市中、高密度绿色空间30年间的轨迹具有相对一致性。研究范围内的黄淮海冲击平原区和鲁西平原区是典型的农业景观，耕地为主的低密度绿色空间是最主要的景观类型，外围太行、嵩山、泰山山区内则以中、高密度绿色空间为主，构成了市域重要的生态屏障。在此自然本底上，绿色空间面积比例的城乡梯度本身具有一定特殊性，剧烈的城市化进程中使之发生了不同幅度的变化，与“从城区到郊区，人造绿地数量不断减少，自然绿色空间逐渐增加”的西方经验有所区别[30]。
（4）“自然−社会”的互构作用。研究呈现了“水”“山”“滩”对黄河下游城市区域绿色空间长期性、大尺度的影响，探测了“自然−社会”交互作用的增长，与黄河下游城市“经济系统和谐发展指数最高，环境系统次之”的研究结果相互印证[31]。从同一时期的城乡梯度上看，菏泽、新乡的低密度绿色空间在城市近郊和远郊占比最大，这一现象与两个城市圈层式的布局有关。高密度植被面积比例的城乡梯度轨迹则主要体现了市域范围内山地、滩区等地理单元的空间特征，同时反映出区域政策的引导下城市边缘区生态质量的改变。
4.2 区域绿色空间优化建议
区域绿色空间规划需充分考虑其演变的规律和机制，“因城制宜”。如与其他城市相比，菏泽市域范围自然基底更均质，绿色空间演变多以社会经济发展为动力，需加强规划决策对区域绿色空间建设的助推作用。现状低密度绿色空间在市域范围内均占据主导，应科学规划林地−树团−点状树木等防护绿地结构，丰富农田为主的大尺度国土景观，保障林地、水网为非农生境提供稳定的生物多样性及生态效应[32]；中心城区近郊地带中高密度绿色空间面积比例偏低但有较好的连通性基础，水系与林网构成的生态廊道应是优化重点[33]。自然环境因素对新乡区域绿地格局影响力的主导地位最为突出，未来仍需围绕自然要素优化绿色空间格局，将高密度绿色空间面积平稳上升的趋势由山区延伸至近郊与中心城区，进一步发挥滩区与水系的诱导效应，提升滩区沿线、引黄干渠沿线的生境质量。在区域性中心城市郑州、济南，区域绿色空间与社会经济因素关联性日益增强，中心城区周边生态改善趋势显现。未来建设中，一方面需重点考虑城−滩关系，通过资源的保护利用引导现状滩区沿线中密度绿色空间向高密度过度，提升城市边缘区高密度绿色空间的连通性和植被多样性，以公园、绿道建设为引力增进绿色空间建设与经济发展之间的良性互动；另一方面要规划生态分区，防止中、高密度绿色空间规模损失，防范城市建设行为对滩区和山区的重要生境造成扰动。值得注意的是，土壤类型因子在4个城市中往往不具备独立影响力，但与各项表征社会经济的因子交互协同，表明人工绿地建设受到土壤条件的制约。黄河下游尤其是滩区周边城市在进行区域绿色空间规划时，需根据立地条件合理配置不同生长习性的植被，保障区域绿地的可持续发展。
5. 结 论
研究定量测度了1990—2020年间黄河下游4城市区域绿色空间的类型转移、景观格局、城乡梯度的时空变化规律，并揭示了绿色空间演变的驱动机制，主要结论如下：（1）30年间，区域绿色空间总量损失，绿色空间内部转移以中、高密度向低密度的转出为主，各级城镇建成区边缘、宽滩区沿线转移较多；（2）景观格局的总体变化趋势为由明显波动到趋近平稳、由破碎分散向整合连通，中、高密度绿色空间指标的改善态势在区域性中心城市更为明显；（3）城乡梯度特征在城市间、绿色空间类型间存在较大差异；（4）影响因子间对绿色空间地理分布的协同作用渐增，绿色空间逐渐成为自然−社会互构的结果。伴随黄河下游簇群城镇形态的成熟与黄河流域高质量发展战略的深入实施，未来的绿色空间应由“屏障”转为“枢纽”，在区域生态保护和经济社会发展中发挥更多助益。
受限于数据的可获取性，本研究仅对近20年的绿色空间演变机制进行研究，且基于时间节点数据的分析结果相对局限。另一方面，不同遥感数据的差异可能会对比较研究造成干扰。未来将加强遥感、经济、人口等面板数据的追踪分析，构建黄河下游城市多精度LUCC、社会经济、政策发展综合数据库，并深入生态系统服务、市域生态网络构建等多目标研究。
-
![]()
图 2 基于多源遥感数据的2020年福建海岸带森林类型分布提取结果
Figure 2. Extraction results of forest type distribution in Fujian Province coastal zone in 2020 based on multi-source remote sensing data
![]()
图 3 2020年福建海岸带森林类型面积统计及森林覆盖率
Figure 3. Forest area statistics and forest coverage of coastal zone in Fujian Province in 2020
![]()
图 5 福建海岸带森林林龄空间分布
Figure 5. Spatial distribution of forest age in Fujian Province coastal zone
![]()
图 7 福建海岸带GEDI冠层高度分级
Figure 7. GEDI canopy height classification of Fujian Province coastal zone
![]()
图 8 福建海岸带各县域森林生态质量综合指数
Figure 8. Comprehensive index of forest ecological quality by counties in Fujian Province coastal zone
![]()
图 9 福建海岸带县域尺度森林生态质量等级分布
Figure 9. Distribution of forest ecological quality levels at the county level in the coastal zone of Fujian Province
表 1 遥感影像数据介绍
Table 1 Introduction of remote sensing image data
卫星名称
Satellite name空间分辨率
Spatial resolution景数
Scene number获取时间
Access time资源三号 ZY-3 2.1 m （全色）
2.1 m （panchromatic）
5.8 m （多光谱）
5.8 m （multispectral）30 2015年9月至2016年9月，以2016年度卫星影像为主
September 2015 to September 2016, based on
annual satellite imagery in 2016高分一号 GF-1 2 m （全色）
2 m （panchromatic）
8 m （多光谱）
8 m （multispectral）19 天绘一号 TH-1 2 m （全色）
2 m （panchromatic）
10 m （多光谱）
8 m （multispectral）13 Landsat5、Landsat7、Landsat8 30 m 每年约20 ~ 40景
About 20−40 views per year1991—2020年7—10月
July to October in 1991 to 2020
下载: 导出CSV
表 2 LandTrendr算法参数
Table 2 Parameters of LandTrendr algorithm
过程
Step参数
Parameter值
Value分割
Segmentation核尺寸 Kernel size 3 最大分段数
Maximum number of segmentation6 噪声值 Noise level 0.9 恢复率阈值 Recovery rate threshold 0.25 最优模型比例 Optimal model ratio 0.75 滤波
Filter1年植被覆盖损失阈值
1 year vegetation cover loss threshold10 10年植被覆盖损失阈值
10 year vegetation cover loss threshold3 干扰前覆盖阈值
Pre-interference coverage threshold20 植被生长比例阈值
Threshold for percentage of vegetation growth5 制图
Mapping最小制图单位 Minimum mapping unit 30 m
下载: 导出CSV
表 3 森林生态质量评价指标体系
Table 3 Forest ecological quality evaluation index system
指标
Index森林生态质量评价指标含义
Meaning of forest ecological quality assessment indicators计算方法
Calculation method森林类型
Forest type (X1)表征森林覆盖类型的均衡程度
Characterizing the balance of forest cover types森林各类型面积与其区域面积比
Proportion of area of each forest type in relation to
its regional area森林覆盖率
Forest coverage (X2)反映地区森林资源、林业发展状况及森林效益的综合性指标
Comprehensive indicators reflecting regional forest resources,
forestry development and forest benefits区域森林面积与其区域面积比值
Ratio of regional forest area to its regional area龄级结构
Age structure (X3)反映森林龄级的均衡水平
Reflecting equilibrium level of forest age class各龄级与森林面积比值
Ratio of age classes to forest area人工林比重
Percentage of plantation (X4)反映森林资源造林活动的演替程度
Reflecting the degree of succession of silvicultural
activities on forest resources人工林面积与森林面积比值
Ratio of plantation area to forest area人均森林面积
Forest area per capita (X5)反映森林资源的人均占有量水平
Reflecting the level of per capita occupancy of forest resources森林总面积与人口比值
Ratio of total forest area to population林地利用率
Forest land utilization rate (X6)反映林业用地的利用水平
Reflecting the level of utilization of forestry land有林地面积与林业用地面积比值
Ratio of forested land area to forest land area冠层高度
Canopy height (X7)反映森林生长状况
Reflecting forest growth condition各冠层高度面积与森林总面积比值
Ratio of area of each canopy height to
total forest area干扰量级
Interference level (X8)反映森林受干扰的程度
Reflecting the extent of forest disturbance不同干扰量级与干扰总面积比值
Ratio of different interference levels to
total interference area
下载: 导出CSV
表 4 福建海岸带森林类型遥感分类结果精度验证
Table 4 Validation of the accuracy of forest classification results in the coastal zone of Fujian Province
地区
Region精度
Accuracy人工地表
Artificial
surface耕地
Plow
land迹地
Trails有林地
Woodland果园
Orchard茶园
Tea
plantation水体
Waters红树林
Mangrove总体精度
Overall
accuracy/%Kappa系数
Kappa
coefficient宁德市
Ningde CityPA/% 94.12 91.89 88.89 92.86 88.46 88.24 95.83 91.11 0.89 UA/% 91.43 82.93 92.31 94.20 85.19 91.84 95.83 F 92.75 87.18 90.57 93.53 86.79 90.00 95.83 福州市
Fuzhou CityPA/% 92.31 88.10 89.74 96.25 88.24 87.10 97.37 92.71 0.91 UA/% 85.71 86.05 94.59 95.06 93.75 93.10 97.37 F 88.89 87.06 92.11 95.65 90.91 90.00 97.37 莆田市
Putian CityPA/% 92.31 94.00 91.67 92.31 85.71 87.18 94.87 91.51 0.89 UA/% 96.00 94.00 91.67 88.89 85.71 89.47 97.37 F 94.12 94.00 91.67 90.57 85.71 88.31 96.10 泉州市
Quanzhou CityPA/% 89.13 93.88 85.71 91.30 86.11 84.62 96.30 93.33 90.20 0.88 UA/% 95.35 85.19 92.31 95.45 86.11 81.48 92.86 87.50 F 92.13 89.32 88.89 93.33 86.11 83.02 94.55 90.32 厦门市
Xiamen CityPA/% 89.19 91.67 90.91 93.88 83.33 92.31 96.00 91.96 0.90 UA/% 91.67 91.67 90.91 93.88 88.24 92.31 92.31 F 90.41 91.67 90.91 93.88 85.71 92.31 94.12 漳州市
Zhangzhou CityPA/% 93.18 93.33 91.67 93.65 87.10 87.23 91.67 93.75 91.32 0.90 UA/% 93.18 91.80 91.67 92.19 88.52 89.13 93.62 90.91 F 93.18 92.56 91.67 92.91 87.80 88.17 92.63 92.31 注：PA、UA、F分别代表生产者精度、用户精度和F统计量。Notes: PA, UA, and F represent producer accuracy, user accuracy, and F statistic, respectively.
下载: 导出CSV
表 5 森林生态质量评价指标Pearson相关系数
Table 5 Pearson correlation coefficients of forest ecological quality evaluation indicators
指标
Index平均值
Average value标准差
Standard deviationX1 X2 X3 X4 X5 X6 X7 X8 X1 0.794 0.269 1 X2 0.556 0.329 −0.657** 1 X3 0.569 0.216 −0.039 −0.13 1 X4 0.325 0.178 −0.058 0.156 −0.241 1 X5 0.225 0.233 −0.643** 0.821** −0.119 −0.028 1 X6 0.795 0.276 0.524** −0.485** −0.044 0.001 −0.475** 1 X7 0.578 0.271 0.414** −0.830** 0.005 −0.041 −0.736** 0.207 1 X8 0.209 0.236 −0.558** 0.689** −0.064 0.194 0.559** −0.29 −0.571** 1 注：* P < 0.05 ，** P < 0.01。Notes: * P < 0.05 ，** P < 0.01.
下载: 导出CSV
表 6 线性组合系数及权重结果
Table 6 Results of linear combination coefficients and weights
名称Name Y1 Y2 Y3 Y4 综合得分系数
Composite score coefficient权重
Weight/%X1 0.2929 0.5220 0.083 0.0892 0.2846 13.92 X2 0.4935 0.2824 0.0875 0.1021 0.3218 15.74 X3 0.026 0 0.0250 0.1289 0.9689 0.1823 8.92 X4 0.0277 0.0033 0.9321 0.1354 0.1783 8.72 X5 0.4534 0.3146 0.1397 0.1475 0.3260 15.95 X6 0.0827 0.7208 0.0280 0.0002 0.2141 10.48 X7 0.5295 0.0081 0.0485 0.0169 0.2540 12.43 X8 0.4201 0.1688 0.2783 0.0506 0.2831 13.85 特征根 Eigenvalue 3.149 1.643 1.069 1.027 方差解释率
Variance explaination rate/%39.37 20.54 13.37 12.84
下载: 导出CSV
-
[1] Baumann M, Ozdogan M, Wolter P T, et al. Landsat remote sensing of forest windfall disturbance[J]. Remote Sensing of Environment, 2014, 143: 171−179. doi: 10.1016/j.rse.2013.12.020
[2] Ghebrezgabher M G, Yang T, Yang X, et al. Extracting and analyzing forest and woodland cover change in Eritrea based on Landsat data using supervised classification[J]. The Egyptian Journal of Remote Sensing and Space Science, 2016, 19(1): 37−47. doi: 10.1016/j.ejrs.2015.09.002
[3] 张会儒, 雷相东, 张春雨, 等. 森林质量评价及精准提升理论与技术研究[J]. 北京林业大学学报, 2019, 41(5): 1−18. Zhang H R, Lei X D, Zhang C Y, et al. Research on theory and technology of forest quality evaluation and precision improvement[J]. Journal of Beijing Forestry University, 2019, 41(5): 1−18.
[4] 石春娜, 王立群. 浅析森林资源质量内涵[J]. 林业经济问题, 2007, 27(3): 221−224. doi: 10.3969/j.issn.1005-9709.2007.03.006 Shi C N, Wang L Q. Connotation of forest resourses quality[J]. Problems of Forestry Economics, 2007, 27(3): 221−224. doi: 10.3969/j.issn.1005-9709.2007.03.006
[5] 韩皓爽, 万荣荣. 森林生态质量评估方法研究进展[J]. 生态科学, 2021, 40(4): 212−222. Han H S, Wan R R. A review on the methods of ecological evaluation of forest quality[J]. Ecological Science, 2021, 40(4): 212−222.
[6] 张静静, 穆艳华. 伏牛山地区森林生态系统生境质量多视角评价[J]. 生态科学, 2021, 40(5): 116−121. Zhang J J, Mu Y H. Multi-perspective evaluation on habitat quality of forest ecosystem in Funiu Mountain Region[J]. Ecological Science, 2021, 40(5): 116−121.
[7] 莫可, 赵天忠, 蓝海洋, 等. 基于因子分析的小班尺度用材林森林质量评价: 以福建将乐国有林场为例[J]. 北京林业大学学报, 2015, 37(1): 48−54. Mo K, Zhao T Z, Lan H Y, et al. Quality assessment at subcompartment level of forests used for timber production based on factor analysis: a case study in Jiangle National Forest Farm, Fujian Province[J]. Journal of Beijing Forestry University, 2015, 37(1): 48−54.
[8] Feng J G, Wang J S , Yao S C, et al. Dynamic assessment of forest resources quality at the provincial level using AHP and cluster analysis[J]. Computers and Electronics in Agriculture, 2016, 124: 184-193.
[9] 张琳, 宋创业, 袁伟影, 等. 基于地面调查的植被生态质量综合评估指标体系构建[J]. 生态学报, 2023, 43(1): 128−139. Zhang L, Song C Y, Yuan W Y, et al. Construction of comprehensive evaluation index system of vegetation ecological quality based on field survey[J]. Acta Ecologica Sinica, 2023, 43(1): 128−139.
[10] 陈强, 陈云浩, 王萌杰, 等. 2001—2010年洞庭湖生态系统质量遥感综合评价与变化分析[J]. 生态学报, 2015, 35(13): 4347−4356. Chen Q, Chen Y H, Wang M J, et al. Ecosystem quality comprehensive evaluation and change analysis of Dongting Lake in 2001−2010 based on remote sensing[J]. Acta Ecologica Sinica, 2015, 35(13): 4347−4356.
[11] Zhao Q, Yu S, Zhao F, et al. Comparison of machine learning algorithms for forest parameter estimations and application for forest quality assessments[J]. Forest Ecology and Management, 2019, 434: 224–234.
[12] 龚宇浩, 孙益群, 董晨,等. 基于广义代数差分法和因子选择的杉木人工林立地质量评价[J]. 浙江农林大学学报, 2023, 40(6): 1282−1291. doi: 10.11833/j.issn.2095-0756.20220716 Gong Y H, Sun Y Q, Dong C, et al. Site quality evaluation of Cunninghamia lanceolata plantation based on generalized algebraic difference approach and factor selection[J]. Journal of Zhejiang A&F University, 2023, 40(6): 1282−1291. doi: 10.11833/j.issn.2095-0756.20220716
[13] 唐雅娟. 基于小班尺度的永安市森林质量评价[J]. 林业与环境科学, 2021, 37(6): 130−134. doi: 10.3969/j.issn.1006-4427.2021.06.019 Tang Y J. Evaluation of forest quality based on subcompartment Scale in Yongan[J]. Forestry and Environmental Science, 2021, 37(6): 130−134. doi: 10.3969/j.issn.1006-4427.2021.06.019
[14] 杜志, 甘世书, 胡觉. 全国森林资源质量综合评价[J]. 中南林业调查规划, 2018, 37(3): 1−5. Du Z, Gan S S, Hu J. Comprehensive evaluation of forest resources quality in China[J]. Central South Forestry Inventory and Planning, 2018, 37(3): 1−5.
[15] 刘婷婷, 孔越, 吴叶, 等. 基于熵权模糊物元模型的我国省域森林生态安全研究[J]. 生态学报, 2017, 37(15): 4946−4955. Liu T T, Kong Y, Wu Y, et al. Provincial forest ecological security evaluation in China based on the entropy weight of the fuzzy matter element model[J]. Acta Ecologica Sinica, 2017, 37(15): 4946−4955.
[16] 邵炜, 熊宇, 卢惠, 等. 永定河流域森林质量评价与分析[J]. 陕西林业科技, 2021, 49(6): 36−40. doi: 10.12340/sxlykj202106009 Shao W, Xiong Y, Lu H, et al. Evaluation of forest resources quality in Yongding River Basin[J]. Shanxi Forest Science and Technology, 2021, 49(6): 36−40. doi: 10.12340/sxlykj202106009
[17] 冯继广, 王景升, 姚帅臣, 等. 基于因子分析的森林资源质量综合评价[J]. 中南林业科技大学学报, 2017, 37(1): 27−32, 42. Feng J G, Wang J S, Yao S C, et al. Comprehensive evaluation of forest resources quality based on factor analysis[J]. Journal of Central South University of Forestry & Technology, 2017, 37(1): 27−32, 42.
[18] 刘海轩, 李锋, 马远, 等. 基于景观多样性的北京市域森林质量综合评价[J]. 中国园林, 2022, 38(10): 14−19. Liu H X, Li F, Ma Y, et al. Comprehensive evaluation of forest quality in Beijing based on landscape diversity[J]. Chinese Landscape Architecture, 2022, 38(10): 14−19.
[19] Roy D P, Kovalskyy V, Zhang H K, et al. Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity[J]. Remote Sensing of Environment, 2016, 185: 57−70. doi: 10.1016/j.rse.2015.12.024
[20] Liu L, Zhang X, Chen X, et al. GLC_FCS30-2020: Global land cover with fine classification system at 30 m in 2020[J]. Earth System Science Data, 2020, 13: 2753−2776.
[21] Dubayah R, Blair J B, Goetz S, et al. The global ecosystem dynamics investigation: high-resolution laser ranging of the earth’s forests and topography[J/OL]. Science of Remote Sensing, 2020, 1: 100002[2023−03−21]. https://doi.org/10.1016/j.srs.2020.100002.
[22] Potapov P, Li X, Hernandez-Serna A, et al. Mapping global forest canopy height through integration of GEDI and Landsat data[J]. Remote Sensing of Environment, 2021, 253: 112165. doi: 10.1016/j.rse.2020.112165
[23] Xiao D, Chen Q, Li S. A multi-scale cascaded hierarchical model for image labeling[J]. International Journal of Pattern Recognition and Artificial Intelligence, 2016, 30(9): 1660005. doi: 10.1142/S0218001416600053
[24] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127−150. doi: 10.1016/0034-4257(79)90013-0
[25] Gao B C. NDWI: a normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment, 1996, 58(3): 257−266. doi: 10.1016/S0034-4257(96)00067-3
[26] Jordan C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663−666. doi: 10.2307/1936256
[27] Dihkan M, Guneroglu N, Karsli F, et al. Remote sensing of tea plantations using an SVM classifier and pattern-based accuracy assessment technique[J]. International Journal of Remote Sensing, 2013, 34(23): 8549−8565. doi: 10.1080/01431161.2013.845317
[28] 宋荣杰, 宁纪锋, 常庆瑞, 等. 基于小波纹理和随机森林的猕猴桃果园遥感提取[J]. 农业机械学报, 2018, 49(4): 222−231. doi: 10.6041/j.issn.1000-1298.2018.04.025 Song R J, Ning J F, Chang Q R, et al. Kiwifruit orchard mapping based on wavelet textures and random forest[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 222−231. doi: 10.6041/j.issn.1000-1298.2018.04.025
[29] 窦鹏. 基于投票法的多分类器集成遥感影像分类技术[D]. 兰州: 兰州交通大学, 2014. Dou P. Remote sensing image classification with multiple classifiers integration based on voting [D]. Lanzhou: Lanzhou Jiaotong University, 2014.
[30] Kennedy R E , Yang Z , Cohen W B. Detecting trends in forest disturbance and recovery using yearly Landsat time series (1): LandTrendr: temporal segmentation algorithms[J]. Remote Sensing of Environment, 2010, 114(12): 2897−2910. doi: 10.1016/j.rse.2010.07.008
[31] 钟莉, 陈芸芝, 汪小钦. 基于Landsat时序数据的森林干扰监测[J]. 林业科学, 2020, 56(5): 80−88. doi: 10.11707/j.1001-7488.20200509 Zhong L, Chen Y Z, Wang X Q. Forest disturbance monitoring based on time series of Landsat data[J]. Scientia Silvae Sincae, 2020, 56(5): 80−88. doi: 10.11707/j.1001-7488.20200509
[32] Cohen W B, Yang Z, Kennedy R E. Detecting trends in forest disturbance and recovery using yearly Landsat time series (2): TimeSync-Tools for calibration and validation[J]. Remote Sensing of Environment, 2010, 114(12): 2911−2924. doi: 10.1016/j.rse.2010.07.010
[33] Robert K , Zhiqiang Y , Noel G , et al. Implementation of the LandTrendr algorithm on Google Earth engine[J]. Remote Sensing, 2018, 10(5): 691.
[34] Zhao L Z Z. Comparison of machine learning algorithms for forest parameter estimations and application for forest quality assessments[J]. Forest Ecology and Management, 2019, 434: 224-234.
[35] Li W, Chen J, Zhang Z. Forest quality-based assessment of the Returning Farmland to Forest Program at the community level in SW China[J]. Forest Ecology and Management, 2020, 461: 117938. doi: 10.1016/j.foreco.2020.117938
[36] Guo K, Wang B, Niu X. A review of research on forest ecosystem quality assessment and prediction methods[J]. Forests, 2023, 14(2): 317. doi: 10.3390/f14020317
[37] 王怀警, 谭炳香, 王晓慧, 等. 多分类器组合森林类型精细分类[J]. 遥感信息, 2019, 34(2): 104−112. doi: 10.3969/j.issn.1000-3177.2019.02.017 Wang H J, Tan B X, Wang X H, et al. Multiple classifiers combination method for precise classification of forest type[J]. Remote Sensing Information, 2019, 34(2): 104−112. doi: 10.3969/j.issn.1000-3177.2019.02.017
[38] Chen B Q, Cao J H, Wang J K, et al. Estimation of rubber stand age in typhoon and chilling injury afflicted area with Landsat TM data: a case study in Hainan Island, China[J]. Forest Ecology and Management, 2012, 274: 222−230. doi: 10.1016/j.foreco.2012.01.033
[39] 唐少飞, 田庆久, 徐凯健, 等. Sentinel-2卫星落叶松林龄信息反演[J]. 遥感学报, 2020, 24(12): 1511−1524. Tang S F, Tian Q J, Xu K J, et al. Age information retrieval of Larix gmelinii forest using Sentinel-2 data[J]. Journal of Remote Sensing (Chinese), 2020, 24(12): 1511−1524.
-
期刊类型引用(4)
1. 牟韵洁，高德民，龙腾腾，郭在军，牛海峰. 张家口崇礼区主要植物叶片理化性质及燃烧性分析. 南京林业大学学报(自然科学版). 2024(06): 239-244 . 
百度学术
2. 王博，韩树文，顾泽，陈锋，白夜，刘晓东. 不同烈度林火对油松林潜在地表火行为的影响. 生态学报. 2023(05): 1812-1821 . 百度学术
3. 韩懂懂，杨光，邸雪颖，李兆国. 兴安落叶松林火烧迹地土壤理化性质驱动因子. 生态学报. 2023(21): 8727-8738 . 百度学术
4. 王博，韩树文，武英达，牛树奎，刘晓东. 辽河源自然保护区油松林火烧迹地林木更新研究. 北京林业大学学报. 2020(04): 41-50 . 本站查看
其他类型引用(6)
计量
- 文章访问数: 619
- HTML全文浏览量: 109
- PDF下载量: 95
- 被引次数: 10
