高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于GWR模型的成渝城市群生态系统服务时空演变及驱动因素研究

邵明 董宇翔 林辰松

邵明, 董宇翔, 林辰松. 基于GWR模型的成渝城市群生态系统服务时空演变及驱动因素研究[J]. 北京林业大学学报, 2020, 42(11): 118-129. doi: 10.12171/j.1000-1522.20200217
引用本文: 邵明, 董宇翔, 林辰松. 基于GWR模型的成渝城市群生态系统服务时空演变及驱动因素研究[J]. 北京林业大学学报, 2020, 42(11): 118-129. doi: 10.12171/j.1000-1522.20200217
Shao Ming, Dong Yuxiang, Lin Chensong. Spatio-temporal evolution and driving factors of ecosystem services in Chengdu-Chongqing urban agglomeration of southwestern China based on GWR model[J]. Journal of Beijing Forestry University, 2020, 42(11): 118-129. doi: 10.12171/j.1000-1522.20200217
Citation: Shao Ming, Dong Yuxiang, Lin Chensong. Spatio-temporal evolution and driving factors of ecosystem services in Chengdu-Chongqing urban agglomeration of southwestern China based on GWR model[J]. Journal of Beijing Forestry University, 2020, 42(11): 118-129. doi: 10.12171/j.1000-1522.20200217

基于GWR模型的成渝城市群生态系统服务时空演变及驱动因素研究

doi: 10.12171/j.1000-1522.20200217
基金项目: 中央高校基本科研业务费专项(2017ZY11),北京市共建项目(2015BLUREE01),北京市重点研发计划项目(D171100007117003),国家自然科学基金项目(51908036)
详细信息
    作者简介:

    邵明,博士生。主要研究方向:风景园林规划设计与理论研究。 Email:shao_0701@foxmail.com 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

    通讯作者:

    林辰松,讲师。主要研究方向:风景园林规划设计与理论研究。 Email:7884231@qq.com 地址:同上

  • 中图分类号: X171.1;S718.5

Spatio-temporal evolution and driving factors of ecosystem services in Chengdu-Chongqing urban agglomeration of southwestern China based on GWR model

  • 摘要:   目的  对成渝城市群自然生态系统服务时空演变特征与驱动因素进行研究,有助于规划者从宏观尺度上掌握其自然资源存量情况与发展趋势,合理拟定成渝城市群规划建设策略,从而推动我国西部大开发平台建设。  方法  选择成渝城市群为研究对象,以144个市、县、区作为研究单元,通过当量因子法量化其生态系统服务,建立“自然—社会”驱动因子指标体系,在此基础上运用最小二乘法(OLS)模型筛选具有显著相关性的驱动因子,运用地理加权回归(GWR)构建回归模型,研究成渝城市群自然社会因素对生态系统服务的驱动作用。  结果  (1)成渝城市群生态系统服务总量劣化趋势显著,1995—2015年间(1995、2000、2005、2010、2015年,共5期)成渝城市群生态系统服务价值分别为3 470.53亿、3 464.08亿、3 452.43亿、3 438.02亿和3 423.92亿元,分别比前一期下降6.45亿、11.65亿、14.40亿和14.10亿元;(2)成渝城市群生态系统服务空间分布以成都、重庆两处核心城市中心区与缙云—中梁山脉中心区呈现显著区域化分布特征,全域超过90.38%的区域生态系统服务均处于下降趋势;(3)降雨量、温度、单位面积平均GDP、林业用地比例、人口密度5项驱动因子对成渝城市群生态系统服务具有显著影响。其中,降雨量、单位面积平均GDP呈现较明显的负相关驱动特征,林地覆盖比例呈现较明显的正相关驱动特征,降雨量与人口密度则呈现较明显的两极化趋势。  结论  本研究明确了在研究期限内成渝城市群生态系统服务逐渐劣化的发展状态,所构建的地理加权回归(GWR)模型在空间层面上量化降雨量、温度、单位面积平均GDP、林业用地比例、人口密度5项主要驱动因素对成渝城市群生态系统服务所呈现的不同驱动特征与驱动强度,为成渝城市群长远规划提供决策依据。
  • 图  1  成渝城市群生态系统服务评价

    Figure  1.  Ecosystem service evaluation of Chengdu-Chongqing urban agglomeration

    图  2  地理加权回归(GWR)模型拟合结果

    Figure  2.  Fitting result of geographically weighted regression (GWR) model

    图  3  成渝城市群温度与生态系统服务回归系数空间分布

    Figure  3.  Spatial distribution of regression coefficients between temperature and ecosystem service in Chengdu-Chongqing urban agglomeration

    图  7  成渝城市群人口密度与生态系统服务回归系数空间分布

    Figure  7.  Spatial distribution of regression coefficients between population density and ecosystem service in Chengdu-Chongqing urban agglomeration

    图  4  成渝城市群降雨量与生态系统服务回归系数空间分布

    Figure  4.  Spatial distribution of regression coefficients between rainfall and ecosystem service in Chengdu-Chongqing urban agglomeration

    图  5  成渝城市群林地覆盖比例与生态系统服务回归系数空间分布

    Figure  5.  Spatial distribution of regression coefficients between forest land proportion and ecosystem service in Chengdu-Chongqing urban agglomeration

    图  6  成渝城市群单位面积平均GDP与生态系统服务回归系数空间分布

    Figure  6.  Spatial distribution of regression coefficients between average GDP per unit area and ecosystem service in Chengdu-Chongqing urban agglomeration

    表  1  数据来源及精度表

    Table  1.   Data sources and accuracy table

    数据名称
    Data name
    数据描述
    Data description
    数据格式/精度
    Data format/accuracy
    数据来源
    Data source
    行政边界
    Administrative boundary
    正式政府规划边界
    Official government planning boundary
    Shp 《成渝城市群发展规划》
    Chengdu-Chongqing City Cluster Development Plan
    土地利用
    Land use
    土地利用
    Land use
    Raster/250 m 欧洲航天航空局(ESA)
    European Space Agency
    农产经济数据
    Agricultural economic data
    四川省粮食经济数据
    Grain economic data of Sichuan Province
    Excel 《中国农产品成本收益资料汇编》《中国统计年鉴》
    Data Collection on the Cost and Benefit of China’s Agricultural Products (China Statistical Yearbook)
    高程
    Elevation
    平均高程数据
    Data of average elevation
    Raster/30 m 地理空间数据云平台(http://www.gscloud.cn/)
    Geospatial data cloud platform (http://www.gscloud.cn/)
    植被覆盖指数
    Vegetation coverage index(NDVI)
    年均NDVI
    Average annual NDVI
    Raster/500 m 地理空间数据云平台(http://www.gscloud.cn/)
    Geospatial data cloud platform (http://www.gscloud.cn/)
    降雨量
    Rainfall
    年均降雨量
    Average annual rainfall
    Raster/1 km 中国科学院资源环境科学数据中心(www.resdc.cn)
    Data Center for Resources and Environmental Sciences, Chinese Academy of Sciences (www.resdc.cn)
    温度
    Temperature
    年均地表温度
    Average annual land surface temperature
    Raster/1 km 中国科学院资源环境科学数据中心(www.resdc.cn)
    Data Center for Resources and Environmental Sciences, Chinese Academy of Sciences (www.resdc.cn)
    单位面积GDP
    GDP per unit area
    每平方公里平均GDP
    Average GDP per square kilometer
    Raster/1 km 中国科学院资源环境科学数据中心(www.resdc.cn)
    Data Center for Resources and Environmental Sciences, Chinese Academy of Sciences (www.resdc.cn)
    林地面积比例
    Forestland area ratio
    森林生态系统占行政单元总面积比例
    Forestland area ratio to the administrative units
    Shp 欧洲航天航空局(ESA)
    European Space Agency
    人口密度
    Population density
    每平方公里平均人口数量
    Average population per square kilometer
    Raster/1 km 全球人口动态统计分析数据库
    Global statistical analysis database of population dynamics
    已建成区面积比例
    Built-up area ratio
    已建成区占行政单元总面积比例
    Proportion of built up area to the administrative units
    Shp 清华大学地球系统科学数据库
    Tsinghua University Earth System Science Database
    土壤
    Soil
    土壤含沙量
    Soil sediment concentration
    Raster/1 km 世界土壤数据库
    Harmonized World Soil Database
    基础设施密度
    Infrastructure density
    基础设施在行政单元内比例
    Infrastructure ratio to the administrative units
    Shp 高德地图POI接口
    AutoNavi POI interface
    下载: 导出CSV

    表  2  驱动因子统计学分析表

    Table  2.   Statistical analysis on driving factors

    驱动因子
    Driving factor
    平均值
    Average value
    标准差
    Standard deviation
    最大值
    Maximum value
    最小值
    Minimum value
    自然环境因子
    Natural environmental
    factor
    高程
    Elevation/m
    608.477 5 391.038 9 2 466.168 1 243.272 3
    土壤(含沙量)
    Soil (sediment concentration)/%
    11.144 2 19.276 7 90.000 0 0.000 0
    植被覆盖指数
    NDVI
    0.761 0 0.085 3 0.879 5 0.404 3
    降雨量
    Rainfall/mm
    1 053.407 4 123.527 2 1 247.849 5 789.998 9
    温度
    Temperature/℃
    16.927 6 1.725 4 19.226 3 10.279 7
    社会经济因子
    Socioeconomic factor
    单位面积GDP/(元·km−2)
    GDP per unit area/(CNY·km−2)
    6 745.219 8 18 194.331 5 136 089.924 2 145.433 3
    人口密度/(人·km−2)
    Population density/(person·km−2)
    893.455 7 2 274.309 1 21 474.381 0 39.794 2
    已建成区面积比例
    Built-up area ratio/%
    0.071 5 0.152 6 0.863 5 0.000 0
    林地面积比例
    Forestland area ratio/%
    0.170 4 0.156 9 0.670 9 0.005 2
    基础设施密度/(个·km−2)
    Infrastructure density /(number·km−2)
    0.339 7 0.784 8 4.027 5 0.003 7
    下载: 导出CSV

    表  3  基于探索性回归的OLS模型参数因子筛选结果表

    Table  3.   Filtering results of parameter factor based on exploratory regression

    驱动因素
    Driving factor
    初始模型 Initial model 筛选后模型 Filtered model
    系数
    Coefficient
    标准差
    Standard
    deviation
    概率/稳健概率
    Probability/
    robust probability
    系数
    Coefficient
    标准差
    Standard
    deviation
    概率/稳健概率
    Probability/
    robust probability
    自然环境因子
    Natural environmental
    factor
    高程
    Elevation
    0.021 3 0.009 5 m */*
    土壤(含沙量)
    Soil (sediment concentration)
    0.054 2 0.049 3%
    植被覆盖指数
    NDVI
    43.740 9 31.353 2
    降雨量
    Rainfall
    0.027 0 0.010 0 mm **/** 0.064 4 0.009 8 mm ***/***
    温度
    Temperature
    1.164 0 2.284 4 ℃ −5.725 3 0.705 5 ℃ ***/***
    社会经济因子
    Socioeconomic
    factor
    单位面积GDP
    GDP per unit area
    0.000 0 0.000 1元/km2
    0.000 1 CNY/km2
    −0.000 6 0.000 1元/km2
    0.000 1 CNY/km2
    ***/***
    人口密度
    Population density
    0.000 8 0.000 7人/km2
    0.000 7 person/km2
    −0.003 1 0.000 6人/km2
    0.000 6 person/km2
    ***/**
    已建成区面积比例
    Built-up area ratio
    −138.790 0 34.630 7% ***/***
    林地面积比例
    Forestland area ratio
    272.574 3 6.440 8% ***/*** 282.986 2 7.336 9% ***/***
    基础设施密度
    Infrastructure density
    4.783 3 5.611 1个/km2
    5.611 1 number/km2
    注:*、**、***分别为P < 0.05、P < 0.01、P < 0.001;初始模型与筛选后模型均满足R2 > 0.6的回归拟合优度。Notes: *,**,*** mean P < 0.05, P < 0.01, P < 0.001; both the initial model and the screened model meet R2 > 0.6 goodness of regression fitting.
    下载: 导出CSV
  • [1] Sun X, Crittenden J C, Li F, et al. Urban expansion simulation and the spatio-temporal changes of ecosystem services, a case study in Atlanta Metropolitan area, USA[J]. Science of the Total Environment, 2018, 622−623: 974−987. doi:  10.1016/j.scitotenv.2017.12.062.
    [2] 陈万旭, 李江风, 朱丽君. 长江中游地区生态系统服务价值空间分异及敏感性分析[J]. 自然资源学报, 2019, 34(2):325−337.

    Chen W X, Li J F, Zhu L J. Spatial heterogeneity and sensitivity analysis of ecosystem services value in the middle Yangtze River region[J]. Journal of Natural Resources, 2019, 34(2): 325−337.
    [3] Li T, Li J, Wang Y Z. Carbon sequestration service flow in the Guanzhong-Tianshui economic region of China: how it flows, what drives it, and where could be optimized?[J]. Ecological Indicators, 2019, 96: 548−558. doi:  10.1016/j.ecolind.2018.09.040.
    [4] 闻熠, 高峻, 姚扬, 等. 基于改进参数的长三角城市群生态足迹时空动态及驱动因子分析[J]. 环境工程技术学报, 2020, 10(1):133−141. doi:  10.12153/j.issn.1674-991X.20190061.

    Wen Y, Gao J, Yao Y, et al. Spatial and temporal dynamics and driving factor analysis of ecological footprint of Yangtze River Delta urban agglomeration based on improved parameters[J]. Journal of Environmental Engineering Technology, 2020, 10(1): 133−141. doi:  10.12153/j.issn.1674-991X.20190061.
    [5] Chen W X, Chi G Q, Li J F. Ecosystem services and their driving forces in the middle reaches of the Yangtze River urban agglomerations, China[J/OL]. International Journal of Environmental Research and Public Health, 2020, 17(10): 3717 [2020−01−18]. https://www.mdpi.com/1660-4601/17/10/3717.
    [6] 李凯, 刘涛, 曹广忠. 中国典型城市群空间范围的动态识别与空间扩展模式探讨: 以长三角城市群、武汉城市群和成渝城市群为例[J]. 城市发展研究, 2015, 22(11):72−79. doi:  10.3969/j.issn.1006-3862.2015.11.012.

    Li K, Liu T, Cao G Z. Spatial dynamics and expansion model of urban agglomerations in China: the experiences of Yangtze River Delta, Chengdu-Chongqing, and Wuhan urban agglomerations[J]. Urban Development Studies, 2015, 22(11): 72−79. doi:  10.3969/j.issn.1006-3862.2015.11.012.
    [7] 李凯, 刘涛, 曹广忠. 城市群空间集聚和扩散的特征与机制:以长三角城市群、武汉城市群和成渝城市群为例[J]. 城市规划, 2016, 40(2):18−26, 60. doi:  10.11819/cpr20160204a.

    Li K, Liu T, Cao G Z. Characteristics and mechanism of spatial concentration and dispersion of the representative urban agglomerations in China: a case study of Yangtze River Delta urban agglomerations, Wuhan urban agglomerations, and Chengdu-Chongqing urban agglomerations[J]. City Planning Review, 2016, 40(2): 18−26, 60. doi:  10.11819/cpr20160204a.
    [8] 蒋奕廷, 蒲波. 基于引力模型的成渝城市群吸引力格局研究[J]. 软科学, 2017, 31(2):98−102.

    Jiang Y T, Pan B. Analysis of attraction pattern in Chengdu-Chongqing urban agglomeration based on a gravity model[J]. Soft Science, 2017, 31(2): 98−102.
    [9] 吴朋, 李玉刚, 管程程, 等. 基于ESDA-GIS的成渝城市群人居环境质量测度与时空格局分异研究[J]. 中国软科学, 2018(10):93−108. doi:  10.3969/j.issn.1002-9753.2018.10.011.

    Wu P, Li Y G, Guan C C, et al. Spatial-temporal differentiation of human settlement in Chengdu-Chongqing urban agglomeration based on ESDA-GIS[J]. China Soft Science, 2018(10): 93−108. doi:  10.3969/j.issn.1002-9753.2018.10.011.
    [10] 潘碧麟, 王江浩, 葛咏, 等. 基于微博签到数据的成渝城市群空间结构及其城际人口流动研究[J]. 地球信息科学学报, 2019, 21(1):68−76. doi:  10.12082/dqxxkx.2019.180235.

    Pan B L, Wang J H, Ge Y, et al. Spatial structure and population flow analysis in Chengdu-Chongqing urban agglomeration based on Weibo Check-in Big Data[J]. Journal of Geo-Information Science, 2019, 21(1): 68−76. doi:  10.12082/dqxxkx.2019.180235.
    [11] 中华人民共和国国家发展和改革委员会. 成渝城市群发展规划[EB/OL]. (2016−04−27)[2020−01−02]. https://www.ndrc.gov.cn/xxgk/zcfb/tz/201605/t20160504_963034.html.

    National Development and Reform Commission. Chengdu-Chongqing urban agglomeration development plan[EB/OL]. (2016−04−27)[2020−01−02]. https://www.ndrc.gov.cn/xxgk/zcfb/tz/201605/t20160504_963034.html.
    [12] 谢高地, 甄霖, 鲁春霞, 等. 一个基于专家知识的生态系统服务价值化方法[J]. 自然资源学报, 2008, 23(5):911−919. doi:  10.3321/j.issn:1000-3037.2008.05.019.

    Xie G D, Zhen L, Lu C X, et al. Expert knowledge based valuation method of ecosystem services in China[J]. Journal of Natural Resources, 2008, 23(5): 911−919. doi:  10.3321/j.issn:1000-3037.2008.05.019.
    [13] Zhong Y, Lin A W, He L J, et al. Spatiotemporal dynamics and driving forces of urban land-use expansion: a case study of the Yangtze River economic belt, China[J/OL]. Remote Sensing, 2020, 12(2): 287 [2020−03−06]. http://dx.doi.org/10.3390/rs12020287.
    [14] Huang X, Huang X J, Liu M M, et al. Spatial-temporal dynamics and driving forces of land development intensity in the western China from 2000 to 2015[J]. Chinese Geographical Science, 2020, 30(1): 16−29. doi:  10.1007/s11769-020-1095-2.
    [15] 杜茂华, 杨刚. 基于锡尔系数和基尼系数法的重庆城乡发展差异分析[J]. 经济地理, 2010, 30(5):773−777.

    Du M H, Yang G. The analysis of differences in Chongqing urban and rural development based on Theil and Gini coefficient[J]. Economic Geography, 2010, 30(5): 773−777.
    [16] 许旭, 金凤君, 刘鹤. 成渝经济区县域经济实力的时空差异分析[J]. 经济地理, 2010, 30(3):388−392.

    Xu X, Jin F J, Liu H. Analysis of regional economy in time-space disparities in Chengdu-Chongqing economic zone[J]. Economic Geography, 2010, 30(3): 388−392.
    [17] 李方正. 基于多源数据分析的北京市中心城绿色空间格局演变和优化研究[D]. 北京: 北京林业大学, 2018.

    Li F Z. Evolution and optimization of green space pattern in central Beijing based on multi-source data[D]. Beijing: Beijing Forestry University, 2018.
    [18] 邓煌炜, 廖振良. 生态系统服务驱动因素及供需研究进展[J]. 环境科技, 2020, 33(1):74−78.

    Deng H W, Liao Z L. Review of drivers, supply and demand of ecosystem services[J]. Environmental Science and Technology, 2020, 33(1): 74−78.
    [19] Liu C L, Wang T, Guo Q B. Factors aggregating ability and the regional differences among China’s urban agglomerations[J/OL]. Sustainability, 2018, 10(11): 4179 [2020−01−05]. http://dx.doi.org/10.3390/su10114179.
    [20] Chen J H, Wang D C, Li G D, et al. Spatial and temporal heterogeneity analysis of water conservation in Beijing-Tianjin-Hebei urban agglomeration based on the geodetector and spatial elastic coefficient trajectory models[J/OL]. GeoHealth, 2020, 4(8): e2020GH000248 [2020−03−01]. https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2020GH000248.
    [21] Dai X, Wang L C, Huang C B, et al. Spatio-temporal variations of ecosystem services in the urban agglomerations in the middle reaches of the Yangtze River, China[J/OL]. Ecological Indicators, 2020, 115: 106394 [2020−01−16]. https://www.sciencedirect.com/science/article/abs/pii/S1470160X20303319.
    [22] Gao J, Wang L C. Embedding spatiotemporal changes in carbon storage into urban agglomeration ecosystem management : a case study of the Yangtze River Delta, China[J/OL]. Journal of Cleaner Production, 2019, 237: 117764 [2020−02−18]. https://www.sciencedirect.com/science/article/abs/pii/S0959652619326241.
    [23] Luo Q L, Zhou J F, Li Z G, et al. Spatial differences of ecosystem services and their driving factors: a comparation analysis among three urban agglomerations in China’s Yangtze River Economic Belt[J/OL]. Science of the Total Environment, 2020, 725: 138452 [2020−02−06]. https://www.sciencedirect.com/science/article/abs/pii/S0048969720319653.
    [24] Sun W, Li D H, Wang X R, et al. Exploring the scale effects, trade-offs and driving forces of the mismatch of ecosystem services[J]. Ecological Indicators, 2019, 103: 617−629. doi:  10.1016/j.ecolind.2019.04.062.
    [25] Lyu R F, Clarke K C, Zhang J M, et al. Spatial correlations among ecosystem services and their socio-ecological driving factors: a case study in the city belt along the Yellow River in Ningxia, China[J]. Applied Geography, 2019, 108: 64−73. doi:  10.1016/j.apgeog.2019.05.003.
    [26] 黄从德, 张健, 杨万勤, 等. 四川省及重庆地区森林植被碳储量动态[J]. 生态学报, 2008, 28(3):966−975. doi:  10.3321/j.issn:1000-0933.2008.03.008.

    Huang C D, Zhang J, Yang W Q, et al. Dynamics on forest carbon stock in Sichuan Province and Chongqing City[J]. Acta Ecologica Sinica, 2008, 28(3): 966−975. doi:  10.3321/j.issn:1000-0933.2008.03.008.
    [27] 祁生林, 张洪江, 何凡, 等. 重庆四面山植被类型对坡面产流的影响[J]. 中国水土保持科学, 2006, 4(4):33−38. doi:  10.3969/j.issn.1672-3007.2006.04.006.

    Qi S L, Zhang H J, He F, et al. Effect of the vegetation types on runoff generation on slope land in Simian Mountain of Chongqing[J]. Science of Soil and Water Conservation, 2006, 4(4): 33−38. doi:  10.3969/j.issn.1672-3007.2006.04.006.
    [28] 林孝松. 滑坡与降雨研究[J]. 地质灾害与环境保护, 2001, 12(3):1−7. doi:  10.3969/j.issn.1006-4362.2001.03.001.

    Lin X S. The study of landslide related to rainfall[J]. Journal of Geological Hazards and Environment Preservation, 2001, 12(3): 1−7. doi:  10.3969/j.issn.1006-4362.2001.03.001.
    [29] 陈俊华, 黎燕琼, 郑绍伟, 等. 成渝地区城市森林树种选择研究[J]. 甘肃农业大学学报, 2008, 53(1):130−136. doi:  10.3969/j.issn.1003-4315.2008.01.027.

    Chen J H, Li Y Q, Zheng S W, et al. Tree species selection on urban forest in Chengdu-Chongqing region[J]. Journal of Gansu Agricultural University, 2008, 53(1): 130−136. doi:  10.3969/j.issn.1003-4315.2008.01.027.
    [30] 方一平. 成渝产业带产业结构的相似性及其结构转换力分析[J]. 长江流域资源与环境, 2000, 9(1):22−27.

    Fang Y P. On industrial structure similarity and the ability of structural adjustment in Chengdu and Chongqing regions[J]. Resources and Environment in the Yangtze Basin, 2000, 9(1): 22−27.
    [31] 黄炳康, 李忆春, 吴敏. 成渝产业带主要城市空间关系研究[J]. 地理科学, 2000, 20(5):411−415. doi:  10.3969/j.issn.1000-0690.2000.05.004.

    Huang B K, Li Y C, Wu M. The research of main cities space relations of Cheng-Yu industry belt[J]. Scientia Geographica Sinica, 2000, 20(5): 411−415. doi:  10.3969/j.issn.1000-0690.2000.05.004.
    [32] 于涛方. 中国城市人口流动增长的空间类型及影响因素[J]. 中国人口科学, 2012(4):47−58.

    Yu T F. Spatial-temporal features and influential factors of the China urban floating population growth[J]. Chinese Journal of Population Science, 2012(4): 47−58.
    [33] 刘望保, 石恩名. 基于ICT的中国城市间人口日常流动空间格局:以百度迁徙为例[J]. 地理学报, 2016, 71(10):1667−1679. doi:  10.11821/dlxb201610001.

    Liu W B, Shi E M. Spatial pattern of population daily flow among cities based on ICT: a case study of “Baidu Migration”[J]. Acta Geographica Sinica, 2016, 71(10): 1667−1679. doi:  10.11821/dlxb201610001.
    [34] 冯伟林, 李树茁, 李聪. 生态系统服务与人类福祉:文献综述与分析框架[J]. 资源科学, 2013, 35(7):1482−1489.

    Feng W L, Li S Z, Li C. Overview and frame work for ecosystem services and human well-being[J]. Resources Science, 2013, 35(7): 1482−1489.
  • [1] 陈科屹, 张会儒, 张博, 何友均.  基于地理加权回归的天然次生林进界木空间分布模拟 . 北京林业大学学报, 2021, 36(): 1-9. doi: 10.12171/j.1000-1522.20200157
    [2] 崔万晶, 侯巍, 杨睿智, 赵云杰.  北京城市森林生态系统能量分配的季节动态研究 . 北京林业大学学报, 2020, 43(): 1-10. doi: 10.12171/j.1000-1522.20190392
    [3] 葛韵宇, 辛泊雨, 李雄.  基于生态系统服务功能提升的暖温带半湿润地区城市森林营建研究 . 北京林业大学学报, 2020, 42(1): 127-141. doi: 10.12171/j.1000-1522.20180433
    [4] 李方正, 刘阳, 施瑶, 胡凯富, 郑曦.  基于生态系统服务功能模拟演算的绿色空间规划框架 . 北京林业大学学报, 2019, 41(11): 125-136. doi: 10.13332/j.1000-1522.20190149
    [5] 郭晓楠, 查天山, 贾, 昕, 杨强, 穆家伟, 刘鹏.  典型沙生灌木生态系统凝结水量估算 . 北京林业大学学报, 2016, 38(10): 80-87. doi: 10.13332/j.1000-1522.20160017
    [6] 韩士杰, 王庆贵.  北方森林生态系统对全球气候变化的响应研究进展 . 北京林业大学学报, 2016, 38(4): 1-20. doi: 10.13332/j.1000-1522.20160046
    [7] 孙虎, 李凤日, 孙美欧, 贾炜玮.  松嫩平原杨树人工林生态系统碳储量研究 . 北京林业大学学报, 2016, 38(5): 33-41. doi: 10.13332/j.1000-1522.20150336
    [8] 韦惠兰, 祁应军.  森林生态系统服务功能价值评估与分析 . 北京林业大学学报, 2016, 38(2): 74-82. doi: 10.13332/j.1000-1522.20150300
    [9] 师贺雄, 王兵, 牛香.  基于森林生态连清体系的中国森林生态系统服务特征分析 . 北京林业大学学报, 2016, 38(6): 42-50. doi: 10.13332/j.1000-1522.20150455
    [10] 张毅, 牟长城, 郑曈, 李娜娜.  小兴安岭天然白桦林生态系统碳储量 . 北京林业大学学报, 2015, 37(4): 38-47. doi: DOI:10.13332/j.1000-1522.20140449
    [11] 李明阳, 余超, 张密芳, 胡曼.  紫金山风景林生物量及其驱动因素时间轨迹分析 . 北京林业大学学报, 2015, 37(2): 1-7. doi: 10.13332/j.cnki.jbfu.2015.02.008
    [12] 朱晓博, 高甲荣, 李诗阳, 康烨, 梁香寒, 郭凯力.  北京市永定河生态系统服务价值评价与研究 . 北京林业大学学报, 2015, 37(4): 90-97. doi: DOI:10.13332/j.1000-1522.20140339
    [13] 黄继红, 路兴慧, 郭仲军, 王计平, 臧润国.  新疆布尔津县天然林生态系统服务功能评估 . 北京林业大学学报, 2015, 37(1): 62-77. doi: 10.13332/j.cnki.jbfu.2015.01.019
    [14] 寇馨月, 王玉杰, 张晓明, 王云琦, 赵阳, 成晨.  黄土丘陵第Ⅲ副区典型流域水沙演变过程及其驱动因素分析 . 北京林业大学学报, 2015, 37(7): 85-93. doi: 10.13332/j.1000-1522.20140375
    [15] 刘勇, 王玉杰, 王云琦, 张会兰, 朱锦奇, 李云鹏, 刘楠.  重庆缙云山森林生态系统服务功能价值评估 . 北京林业大学学报, 2013, 35(3): 46-55.
    [16] 王兵, 任晓旭, 胡文.  中国森林生态系统服务功能的区域差异研究 . 北京林业大学学报, 2011, 33(2): 43-47.
    [17] 刘林馨, 刘传照, 毛子军.  丰林世界生物圈自然保护区森林生态系统服务功能价值评估 . 北京林业大学学报, 2011, 33(3): 38-44.
    [18] 曾涛, 邸雪颖, 于宏洲, 舒展, 杨光.  兴凯湖国家级自然保护区景观格局变化分析 . 北京林业大学学报, 2010, 32(4): 52-58.
    [19] 周树林, 崔国发, 李全基, 宋连城, 孟庆丰, 唐明霞, .  自然保护区自然资本评估框架构建 . 北京林业大学学报, 2009, 31(4): 26-29.
    [20] 肖洋, 陈丽华, 余新晓, 王小平, 秦永胜, 陈俊崎, .  北京密云麻栎--侧柏林生态系统N、P、K的生物循环 . 北京林业大学学报, 2008, 30(supp.2): 67-71.
  • 加载中
图(7) / 表 (3)
计量
  • 文章访问数:  95
  • HTML全文浏览量:  26
  • PDF下载量:  34
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-07-13
  • 修回日期:  2020-10-09
  • 网络出版日期:  2020-10-31
  • 刊出日期:  2020-12-14

基于GWR模型的成渝城市群生态系统服务时空演变及驱动因素研究

doi: 10.12171/j.1000-1522.20200217
    基金项目:  中央高校基本科研业务费专项(2017ZY11),北京市共建项目(2015BLUREE01),北京市重点研发计划项目(D171100007117003),国家自然科学基金项目(51908036)
    作者简介:

    邵明,博士生。主要研究方向:风景园林规划设计与理论研究。 Email:shao_0701@foxmail.com 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

    通讯作者: 林辰松,讲师。主要研究方向:风景园林规划设计与理论研究。 Email:7884231@qq.com 地址:同上
  • 中图分类号: X171.1;S718.5

摘要:   目的  对成渝城市群自然生态系统服务时空演变特征与驱动因素进行研究,有助于规划者从宏观尺度上掌握其自然资源存量情况与发展趋势,合理拟定成渝城市群规划建设策略,从而推动我国西部大开发平台建设。  方法  选择成渝城市群为研究对象,以144个市、县、区作为研究单元,通过当量因子法量化其生态系统服务,建立“自然—社会”驱动因子指标体系,在此基础上运用最小二乘法(OLS)模型筛选具有显著相关性的驱动因子,运用地理加权回归(GWR)构建回归模型,研究成渝城市群自然社会因素对生态系统服务的驱动作用。  结果  (1)成渝城市群生态系统服务总量劣化趋势显著,1995—2015年间(1995、2000、2005、2010、2015年,共5期)成渝城市群生态系统服务价值分别为3 470.53亿、3 464.08亿、3 452.43亿、3 438.02亿和3 423.92亿元,分别比前一期下降6.45亿、11.65亿、14.40亿和14.10亿元;(2)成渝城市群生态系统服务空间分布以成都、重庆两处核心城市中心区与缙云—中梁山脉中心区呈现显著区域化分布特征,全域超过90.38%的区域生态系统服务均处于下降趋势;(3)降雨量、温度、单位面积平均GDP、林业用地比例、人口密度5项驱动因子对成渝城市群生态系统服务具有显著影响。其中,降雨量、单位面积平均GDP呈现较明显的负相关驱动特征,林地覆盖比例呈现较明显的正相关驱动特征,降雨量与人口密度则呈现较明显的两极化趋势。  结论  本研究明确了在研究期限内成渝城市群生态系统服务逐渐劣化的发展状态,所构建的地理加权回归(GWR)模型在空间层面上量化降雨量、温度、单位面积平均GDP、林业用地比例、人口密度5项主要驱动因素对成渝城市群生态系统服务所呈现的不同驱动特征与驱动强度,为成渝城市群长远规划提供决策依据。

English Abstract

邵明, 董宇翔, 林辰松. 基于GWR模型的成渝城市群生态系统服务时空演变及驱动因素研究[J]. 北京林业大学学报, 2020, 42(11): 118-129. doi: 10.12171/j.1000-1522.20200217
引用本文: 邵明, 董宇翔, 林辰松. 基于GWR模型的成渝城市群生态系统服务时空演变及驱动因素研究[J]. 北京林业大学学报, 2020, 42(11): 118-129. doi: 10.12171/j.1000-1522.20200217
Shao Ming, Dong Yuxiang, Lin Chensong. Spatio-temporal evolution and driving factors of ecosystem services in Chengdu-Chongqing urban agglomeration of southwestern China based on GWR model[J]. Journal of Beijing Forestry University, 2020, 42(11): 118-129. doi: 10.12171/j.1000-1522.20200217
Citation: Shao Ming, Dong Yuxiang, Lin Chensong. Spatio-temporal evolution and driving factors of ecosystem services in Chengdu-Chongqing urban agglomeration of southwestern China based on GWR model[J]. Journal of Beijing Forestry University, 2020, 42(11): 118-129. doi: 10.12171/j.1000-1522.20200217
  • 城市群是指以一个或多个中心城市为核心,依托交通、产业、信息、物流、自然系统等复杂基础设施网络向周边大量城市或区域辐射而形成的城市集群。城市群同时具有国土空间的尺度规模与城市空间的结构特征。其中,自然生态系统与社会产业结构间的相互作用是限制城市群发展的重要条件,也是支撑其规划拟定的重要依据。目前国内外大量学者对各城市群生态系统服务的演变规律与驱动成因进行了研究:2018年,Sun等[1]对美国亚特兰大城市群生态系统服务的演变建立了驱动模拟模型;2019年,陈万旭等[2]对长江中游城市群生态系统服务功能空间分异与功能敏感性演变趋势进行了评价;同年,Li等[3]对关中天水都市群碳汇服务的供需空间与驱动特征进行了匹配;2020年,闻熠等[4]筛选出GDP、人口、城市化比例作为长三角城市群生态足迹3个核心驱动因子;同年,Chen等[5]从自然与社会层面讨论了长三角城市群生态驱动因素。可以看到,对城市群生态系统的评价为规划者在城市群发展过程中做出决策提供了依据,对城市群生态系统服务的驱动因素、权衡关系等方面的研究也为城市群中生态系统与城市系统和谐发展提供了重要的参考佐证。

    成渝城市群作为我国批复的第3个国家级城市群,是我国“两横三纵”城市化战略格局中重要交汇中心[6]。自成渝城市群建设以来,学界对其研究多从空间扩张规律[7]、经济发展结构[8]、人居环境分异[9]、人口流动趋势[10]出发,这些研究成果虽然为成渝城市群建设发展提供了重要的参考依据,但从研究视角和研究成果上来看更多集中在城市空间,对其生态系统服务的量化评估较少,对其生态系统与社会经济驱动关联的研究更处于空白阶段。

    因此,本文以成渝城市群作为研究范围,通过对其1995—2015年间生态系统服务的量化评估,分析多时相成渝城市群生态系统演变规律,构建“自然—社会”双向驱动因子指标体系,并通过最小二乘法(OLS)与地理加权回归(GWR)对影响成渝城市群自然生态系统服务的驱动因子进行筛选,尝试探索成渝城市群中自然环境要素与社会经济要素对生态系统服务的驱动作用,从而为成渝城市群今后的发展规划提供依据。

    • 研究选择成渝城市群作为研究对象,依据国务院批复的《成渝城市群发展规划》[11],其具体范围包括重庆市的渝中、万州、黔江、涪陵、大渡口、江北、沙坪坝、九龙坡、南岸、北碚、綦江、大足、渝北、巴南、长寿、江津、合川、永川、南川、潼南、铜梁、荣昌、璧山、梁平、丰都、垫江、忠县等27个区(县)以及开州、云阳的部分地区;四川省的成都、自贡、泸州、德阳、绵阳(除北川县、平武县)、遂宁、内江、乐山、南充、眉山、宜宾、广安、达州(除万源市)、雅安(除天全县、宝兴县)、资阳等15个市。共包括144个市、区、县级研究单元,总面积18.5万km2

    • 研究数据包括成渝城市群行政区划、土地利用、农产经济数据、高程、植被覆盖、降雨量、温度、GDP、人口密度、林地面积、建成区面积、土壤、基础设施POI。其中行政区划、降雨量、温度、单位面积GDP来源于中国科学院资源环境科学数据中心(http://www.resdc.cn/);土地利用与林地面积比例数据来源于欧洲航天航空局(ESA);农产经济数据来源于《中国农产品成本收益资料汇编》与《中国统计年鉴》;高程、植被覆盖数据来源于地理空间数据云平台(http://www.gscloud.cn/);人口数据来源于全球人口动态统计分析数据库;建成区面积来源于清华大学地球系统科学系发布的全球城市边界制图数据集;土壤数据来源于联合国粮农组织(FAO)和维也纳国际应用系统研究所(IIASA)所构建的世界土壤数据库;基础设施POI数据来源于高德地图爬取。考虑数据获取难度与完备性,选择1995—2015年共计5期(1995、2000、2005、2010、2015年)数据进行研究,以上所有数据(表1)均统一投影至CGCS2000坐标系,以确保底图一致。

      表 1  数据来源及精度表

      Table 1.  Data sources and accuracy table

      数据名称
      Data name
      数据描述
      Data description
      数据格式/精度
      Data format/accuracy
      数据来源
      Data source
      行政边界
      Administrative boundary
      正式政府规划边界
      Official government planning boundary
      Shp 《成渝城市群发展规划》
      Chengdu-Chongqing City Cluster Development Plan
      土地利用
      Land use
      土地利用
      Land use
      Raster/250 m 欧洲航天航空局(ESA)
      European Space Agency
      农产经济数据
      Agricultural economic data
      四川省粮食经济数据
      Grain economic data of Sichuan Province
      Excel 《中国农产品成本收益资料汇编》《中国统计年鉴》
      Data Collection on the Cost and Benefit of China’s Agricultural Products (China Statistical Yearbook)
      高程
      Elevation
      平均高程数据
      Data of average elevation
      Raster/30 m 地理空间数据云平台(http://www.gscloud.cn/)
      Geospatial data cloud platform (http://www.gscloud.cn/)
      植被覆盖指数
      Vegetation coverage index(NDVI)
      年均NDVI
      Average annual NDVI
      Raster/500 m 地理空间数据云平台(http://www.gscloud.cn/)
      Geospatial data cloud platform (http://www.gscloud.cn/)
      降雨量
      Rainfall
      年均降雨量
      Average annual rainfall
      Raster/1 km 中国科学院资源环境科学数据中心(www.resdc.cn)
      Data Center for Resources and Environmental Sciences, Chinese Academy of Sciences (www.resdc.cn)
      温度
      Temperature
      年均地表温度
      Average annual land surface temperature
      Raster/1 km 中国科学院资源环境科学数据中心(www.resdc.cn)
      Data Center for Resources and Environmental Sciences, Chinese Academy of Sciences (www.resdc.cn)
      单位面积GDP
      GDP per unit area
      每平方公里平均GDP
      Average GDP per square kilometer
      Raster/1 km 中国科学院资源环境科学数据中心(www.resdc.cn)
      Data Center for Resources and Environmental Sciences, Chinese Academy of Sciences (www.resdc.cn)
      林地面积比例
      Forestland area ratio
      森林生态系统占行政单元总面积比例
      Forestland area ratio to the administrative units
      Shp 欧洲航天航空局(ESA)
      European Space Agency
      人口密度
      Population density
      每平方公里平均人口数量
      Average population per square kilometer
      Raster/1 km 全球人口动态统计分析数据库
      Global statistical analysis database of population dynamics
      已建成区面积比例
      Built-up area ratio
      已建成区占行政单元总面积比例
      Proportion of built up area to the administrative units
      Shp 清华大学地球系统科学数据库
      Tsinghua University Earth System Science Database
      土壤
      Soil
      土壤含沙量
      Soil sediment concentration
      Raster/1 km 世界土壤数据库
      Harmonized World Soil Database
      基础设施密度
      Infrastructure density
      基础设施在行政单元内比例
      Infrastructure ratio to the administrative units
      Shp 高德地图POI接口
      AutoNavi POI interface
    • 本研究以生态系统服务价值当量因子法量化自然系统对成渝城市群的作用,该方法具有数据需求量小、评价表征清晰的优势[12],具体评价公式如下:

      $$ \mathrm{E}\mathrm{S}\mathrm{V}={\sum\limits_{ x,y=1}^{a,b}}\left({S}_{x}{C}_{xy}M\right) $$ (1)
      $$ M=\left({S}_{\rm dg}{M}_{\rm dg}+{S}_{\rm xm}{M}_{\rm xm}+{S}_{\rm ym}{M}_{\rm ym}\right)/7 $$ (2)

      式中:ESV是成渝城市群总体生态系统服务价值,$ {S}_{x} $ 为第x类生态系统面积,$ {C}_{xy} $ 为第x类生态系统第y类服务价值,a是生态系统数量,b是生态系统的服务种类,M是一个标准单位生态系统服务当量因子,${M}_{\rm dg}$${M}_{\rm xm}$${M}_{\rm ym}$${S}_{\rm dg}$${S}_{\rm xm}$${S}_{\rm ym}$ 分别是三大粮食主产物的市场价值与面积。

      为消除通货膨胀影响,增加横向对比可靠性,选择5期当量因子算数平均值作为研究当量[2],即计算得出成渝城市群生态系统服务价值单位当量因子为1 394.77 元/hm2

    • 研究选择最小二乘法作为筛选影响城市群生态系统服务相关因子的评价途径,其作为一种常用的统计学方式来解释单一因变量与多个自变量之间的驱动关联。本研究利用其计算单位面积生态系统服务价值与各项驱动因子基础回归关系[13],并基于此进行因子筛选。计算公式如下:

      $$ {y}_{i}=\beta +{\sum \limits _{k=1}^{n}}{\beta }_{k}{x}_{ik}+{\varepsilon }_{i} $$ (3)

      式中:$ {y}_{i} $ 是空间i位置因变量(单位面积生态系统服务价值),$\; \beta $ 为二乘法空间截距,$ \;{\beta }_{k} $ 为第k项自变量(驱动因子)的回归系数,$ {x}_{ik} $ 为第k项自变量(驱动因子)在空间i位置的取值,$ {\varepsilon }_{i} $ 为算法残差。

      但同时,最小二乘法(OLS)模型是线性非空间回归模型,其结论是探索自变量对因变量在整体区域内的回归情况,即无法有效反应驱动因素在不同区域处对该位置单位面积生态系统服务价值的区域影响力。因此,研究在利用最小二乘法(OLS)模型筛选驱动因子后,利用地理加权回归(GWR)模型进一步在空间层面上对其进行研究。

    • 研究选择地理加权回归(GWR)模型评估驱动因子在空间层面上对城市群生态系统服务对城市的影响机制[14],其相较最小二乘法的线性回归模型引入空间距离权重,评价结果具有空间尺度的可靠性。其评价公式如下:

      $$ {y}_{i}={\beta }_{0}\left({U}_{i},{V}_{i}\right)+{\sum \limits_{k=1}^{n}}{\beta }_{k}\left({U}_{i},{V}_{i}\right){x}_{k}\left({U}_{i},{V}_{i}\right)+{\varepsilon }_{i} $$ (4)
      $$ {\beta }_{k}\left({U}_{i},{V}_{i}\right)={\left({X}^{\mathrm{T}}W\left({U}_{i},{V}_{i}\right)X\right)}^{-1}{X}^{\mathrm{T}}W\left({U}_{i},{V}_{i}\right)y $$ (5)
      $$ {W}_{ij}={\exp}\left({-d}_{ij}^{2}/{h}^{2}\right) $$ (6)

      式中:$\; {\beta }_{0}\left({U}_{i},{V}_{i}\right) $$ \left({U}_{i},{V}_{i}\right) $ 空间位置的地理加权回归截距,$\; {\beta }_{k}\left({U}_{i},{V}_{i}\right) $ 是第k项自变量(驱动因子)在 $ \left({U}_{i},{V}_{i}\right) $ 空间位置的加权回归系数,$ {x}_{k}\left({U}_{i},{V}_{i}\right) $ 为第k项自变量(驱动因子)在 $ \left({U}_{i},{V}_{i}\right) $ 空间位置的取值,$ {\varepsilon }_{i} $ 为算法残差,$ {X}^{\mathrm{T}} $ 是自变量(驱动因子)的转置,$ W\left({U}_{i},{V}_{i}\right) $ 是距离权重矩阵,h为AIC准则的带宽,$ {d}_{ij} $ 为空间i位置与空间j位置的距离。

    • 根据式(1)与式(2)计算得出成渝城市群1995—2015年生态系统服务价值,得到成渝城市群生态系统服务评价图(图1)。

      图  1  成渝城市群生态系统服务评价

      Figure 1.  Ecosystem service evaluation of Chengdu-Chongqing urban agglomeration

      空间分布上来看,城市中部平原丘陵地区以及城市群边缘的山地区域生态系统服务显著优于成都、重庆两个核心城市经济圈区域,在成都龙泉山脉以东、重庆缙云—中梁山脉以西两处出现了明显的空间分界。在城市群整体边缘区域如西南侧乐山、自贡、宜宾等市域、东侧重庆黔江区等区县位置,生态价值同样相对较高。造成这一现象的主要政策原因是由于早期成都、重庆双城经济圈建立前,成都归属四川省管辖,其发展方向趋向西北侧四川省内部,而重庆由于与四川省存在行政区划上的隔离,同时发展受到东部山地区域的限制,向西北、西南延展较为显著[15],因此保留了省域边界上的良好生态区域。而近年,成都重庆分别以东部新城、双福新区形成了东进西拓的聚合发展趋势,天府国际机场与重庆第二国际机场作为成渝城市群向中部发展的核心枢纽工程已经提上规划建设日程。时间演变上来看,1995—2015年间成渝城市群生态系统服务价值分别为3 470.53亿、3 464.08亿、3 452.43亿、3 438.02亿和3 423.92亿元,分别比前一期下降6.45亿、11.65亿、14.40亿和14.10亿元。造成这一现象的主要原因是成渝双城经济圈提出后,其基本定位为我国经济增长第4极,在其早期产业结构转型中,一产向二产、三产转化所带来的林田空间转向城市建成区的发展趋势显著[16],因此,造成了成渝城市群全域范围内的生态功能衰退。从服务功能价值增减空间上可以看出,在1995—2015年间,成渝城市群超过90.38%的区域生态系统服务功能均处于下降趋势。

    • 根据相关研究成果[17-25],选择自然系统与社会经济两类要素10项因子(表2)作为成渝城市群生态系统服务备选驱动变量,并选择最邻近状态的2015年成渝城市群生态系统作为分析对象,对其驱动要素进行评价分析。

      表 2  驱动因子统计学分析表

      Table 2.  Statistical analysis on driving factors

      驱动因子
      Driving factor
      平均值
      Average value
      标准差
      Standard deviation
      最大值
      Maximum value
      最小值
      Minimum value
      自然环境因子
      Natural environmental
      factor
      高程
      Elevation/m
      608.477 5 391.038 9 2 466.168 1 243.272 3
      土壤(含沙量)
      Soil (sediment concentration)/%
      11.144 2 19.276 7 90.000 0 0.000 0
      植被覆盖指数
      NDVI
      0.761 0 0.085 3 0.879 5 0.404 3
      降雨量
      Rainfall/mm
      1 053.407 4 123.527 2 1 247.849 5 789.998 9
      温度
      Temperature/℃
      16.927 6 1.725 4 19.226 3 10.279 7
      社会经济因子
      Socioeconomic factor
      单位面积GDP/(元·km−2)
      GDP per unit area/(CNY·km−2)
      6 745.219 8 18 194.331 5 136 089.924 2 145.433 3
      人口密度/(人·km−2)
      Population density/(person·km−2)
      893.455 7 2 274.309 1 21 474.381 0 39.794 2
      已建成区面积比例
      Built-up area ratio/%
      0.071 5 0.152 6 0.863 5 0.000 0
      林地面积比例
      Forestland area ratio/%
      0.170 4 0.156 9 0.670 9 0.005 2
      基础设施密度/(个·km−2)
      Infrastructure density /(number·km−2)
      0.339 7 0.784 8 4.027 5 0.003 7

      研究对筛选出的驱动因子进行普通最小二乘法(OLS)检验,发现将所有因子纳入模型讨论时,虽然整体拟合优度满足通过条件,但其中仅有部分因子通过模型概率性检验(表3中的初始模型),且多数变量表现出较强的空间共线性,空间残差的自相关性超过0.45,模型解释力较弱。因此,进一步对模型指标因子进行多重组合式筛选。以拟合优度大于0.5、P值边界0.05、冗余检验小于7.5为筛选条件,获得符合要求的模型56个。选择其中拟合效果显著的因子组合(温度、降雨量、林地面积比例、单位面积平均GDP、人口密度)作为变量,再次进行检验(表3中的筛选后模型),概率或稳健概率检验表征良好,冗余检验通过,模型表征优秀。

      表 3  基于探索性回归的OLS模型参数因子筛选结果表

      Table 3.  Filtering results of parameter factor based on exploratory regression

      驱动因素
      Driving factor
      初始模型 Initial model 筛选后模型 Filtered model
      系数
      Coefficient
      标准差
      Standard
      deviation
      概率/稳健概率
      Probability/
      robust probability
      系数
      Coefficient
      标准差
      Standard
      deviation
      概率/稳健概率
      Probability/
      robust probability
      自然环境因子
      Natural environmental
      factor
      高程
      Elevation
      0.021 3 0.009 5 m */*
      土壤(含沙量)
      Soil (sediment concentration)
      0.054 2 0.049 3%
      植被覆盖指数
      NDVI
      43.740 9 31.353 2
      降雨量
      Rainfall
      0.027 0 0.010 0 mm **/** 0.064 4 0.009 8 mm ***/***
      温度
      Temperature
      1.164 0 2.284 4 ℃ −5.725 3 0.705 5 ℃ ***/***
      社会经济因子
      Socioeconomic
      factor
      单位面积GDP
      GDP per unit area
      0.000 0 0.000 1元/km2
      0.000 1 CNY/km2
      −0.000 6 0.000 1元/km2
      0.000 1 CNY/km2
      ***/***
      人口密度
      Population density
      0.000 8 0.000 7人/km2
      0.000 7 person/km2
      −0.003 1 0.000 6人/km2
      0.000 6 person/km2
      ***/**
      已建成区面积比例
      Built-up area ratio
      −138.790 0 34.630 7% ***/***
      林地面积比例
      Forestland area ratio
      272.574 3 6.440 8% ***/*** 282.986 2 7.336 9% ***/***
      基础设施密度
      Infrastructure density
      4.783 3 5.611 1个/km2
      5.611 1 number/km2
      注:*、**、***分别为P < 0.05、P < 0.01、P < 0.001;初始模型与筛选后模型均满足R2 > 0.6的回归拟合优度。Notes: *,**,*** mean P < 0.05, P < 0.01, P < 0.001; both the initial model and the screened model meet R2 > 0.6 goodness of regression fitting.

      基于筛选后的驱动因子,选择Bi-Square模型构建地理加权回归(GWR)模型。结果显示整体模型拟合优度由0.943提升至0.982,AIC值由1 145.063 389降低至1 083.638,整体模型表现良好,证明地理加权回归(GWR)模型在成渝城市群尺度下拟合效果显著优于OLS模型。

      将模拟结果在ArcGIS10.6软件中进行空间可视化,获得成渝城市群GWR模型拟合结果显示图(图2)。在拟合优度(R2)模拟结果上,除重庆南部少部分区域外整体拟合优度均高于0.8,模型效率可信;在拟合t值模拟结果上,除成都东部山地区域外模型t值范围均在−2.58 ~ 2.58内,模型结构可信。

      图  2  地理加权回归(GWR)模型拟合结果

      Figure 2.  Fitting result of geographically weighted regression (GWR) model

    • 分别在ArcGIS10.6平台中将各驱动因子回归系数的分析结果进行可视化显示,得到成渝城市群生态系统服务功能驱动因素的回归系数空间分布图(图3 ~ 7),并进一步探索各驱动要素成因与机制。

      图  3  成渝城市群温度与生态系统服务回归系数空间分布

      Figure 3.  Spatial distribution of regression coefficients between temperature and ecosystem service in Chengdu-Chongqing urban agglomeration

      图  7  成渝城市群人口密度与生态系统服务回归系数空间分布

      Figure 7.  Spatial distribution of regression coefficients between population density and ecosystem service in Chengdu-Chongqing urban agglomeration

    • 成渝城市群温度对区域生态系统服务呈现较明显的负相关驱动特征(图3),同时在空间分布上具有显著带环式空间特征。

      整体驱动机制的空间分布上来看,除成渝城市群外围边缘区域、少数山区与中部的缙云—中梁山脉以西出现较弱的正相关驱动特征外,整体成渝城市群温度对区域生态系统服务产生较明显的负向作用机制。驱动强度空间分布趋势上来看,以四川盆地中部地区资阳市一带为核心,温度对成渝城市群生态系统负向驱动力向外逐级升高,呈现了较明显的环带式分布特征。

      造成这一现象的主要驱动成因是四川盆地内部平原丘陵区以农田生态系统为主,其属于中亚热带湿润气候区,在盆地中部受到环绕山地地形影响,整体环境封闭闭塞,散热基础较差,自身温度已经高于常规同纬度同气候带地区[26-27],但相应植物群落类同。因此,温度的提升对农田及自然系统植物群落具有较大的负面影响,其中又因成都、重庆为代表的核心城市区域自身生态基础群落偏向人工林与城市绿地,非自然介入程度较高,受到的影响幅度较大。相对地,以中部丘陵虽然仍然受到温度环境的负面作用,但自身因为地势地形原因温度相对较低,温度提升反而一定程度缓解了植物生长的环境压力。

    • 成渝城市群降雨量对区域生态系统服务驱动相关性呈现较明显的两极化趋势(图4),同时具有显著区块式空间分布特征,其空间分布与成渝双城经济圈格局相关度较高。

      图  4  成渝城市群降雨量与生态系统服务回归系数空间分布

      Figure 4.  Spatial distribution of regression coefficients between rainfall and ecosystem service in Chengdu-Chongqing urban agglomeration

      整体驱动特征空间分布上来看,以成都、重庆两个城市为核心,连带成渝双城经济圈及两个城市连接通廊区域均呈现了较强的正相关特征,同时在中南部的部分山地区域包括宜宾、乐山、自贡市的部分区域出现了较强的负向相关性。驱动强度空间分布趋势上来看,同样以成都、重庆两个城市为核心向外影响逐渐由正转负,逐步降低,整体区块化特征显著。

      造成这一现象的主要驱动成因是四川盆地内部植被为亚热带常绿阔叶林,其典型植物构成为壳斗科(Fagaceae)、樟科(Lauraceae)、山茶科(Theaceae)等,组成科属喜湿特征显著。近年来,该区域逐步发育为以马尾松(Pinus massoniana)林、杉木(Cunninghamia lanceolata)林为主的紫色土亚热带丘陵盆地常绿阔叶林,中部盆地及主要径流途径的降雨汇水区域因为降雨量提升而产生水体存量的提升,对其生态系统服务功能的正向演化具有较高的积极作用,而这一现象在现状生态系统服务功能较低的核心城区显示趋势更为显著。相对的,在南部山林区域,植被群落向落叶阔叶混交林、寒温带山地针叶林、亚高山灌丛草甸过渡,提升的降雨量对其自然系统的存量发展并无积极促进作用,反而存在因降雨量提升带来山地滑坡等生态风险[28]

    • 成渝城市群林地覆盖比例对区域生态系统服务呈显著正相关驱动特征与斑块化空间分布趋势(图5)。

      图  5  成渝城市群林地覆盖比例与生态系统服务回归系数空间分布

      Figure 5.  Spatial distribution of regression coefficients between forest land proportion and ecosystem service in Chengdu-Chongqing urban agglomeration

      整体驱动特征空间分布上来看,除重庆黔江区出现小面积的负驱动特征,整体成渝城市群受林地覆盖比例正向驱动作用显著;驱动强度空间分布趋势上来看,以成都北部及东部、重庆中部及东南部为典型显著区域,城市核心区受林地正向作用强度显著高于外围边缘区。

      造成这一现象的主要驱动成因是成渝城市群整体以农田、草地生态系统为主,具有较明显的供给类服务,但调节、支持类型服务功能明显弱于林地系统。森林生态系统作为生物多样性的基因保存库,同时在气候环境调节、土壤水文改善的多方面表现优秀,其物种多样性、群落复杂度的提升均会直接带来生态系统服务的存量提升[29]。目前成渝城市群各区县林地生态资产存量明显不足,中心城市核心区域内林地覆盖比例明显较外围区域少,调节、支持、文化服务明显较弱。因此,森林生态系统的提升优化对成渝城市群整体服务功能提升具有显著作用。

    • 成渝城市群单位面积平均GDP对区域生态系统服务呈现明显负相关的驱动特征与小斑块化空间分布特征(图6)。

      图  6  成渝城市群单位面积平均GDP与生态系统服务回归系数空间分布

      Figure 6.  Spatial distribution of regression coefficients between average GDP per unit area and ecosystem service in Chengdu-Chongqing urban agglomeration

      整体驱动特征空间分布上来看,除延安、乐山、重庆黔江区部分、广安与重庆交界区域出现小面积斑块状的正相关驱动区域外,整体呈现明显的负相关趋势;驱动强度空间分布趋势上来看,成渝城市群中成都、重庆两个核心城市与中部平原丘陵区驱动强度相似,相对外围边缘山地区域出现了渐强的正相关作用。

      造成这一现象的主要驱动成因是各城市主导性产业的差异。现有成渝城市群内非核心城市的经济产业结构仍然处于一产向二产转型过程阶段,工业、制造业等产业对空间与资源的基本诉求导致城市的横向扩张仍然是现阶段主要的产业发展途径。成渝城市群核心区域趋向饱和,城市扩展对周边生态空间呈现了明显的负向作用。但同时,重庆、成都的现状产业模式已趋向稳定,且逐步由二产向三产转型,其逐步将非核心功能与产业外移,现状GDP的提升更多依赖高新技术开发与服务业发展[8,30-31],空间需求与环境压力较小。因此,在该类型区域经济发展与自然系统并非绝对的负向作用,存在引入绿色循环产业发展模式,建成可持续建设的城市发展结构,实现经济增长与自然环境生态优化的共赢局面。

    • 成渝城市群人口密度对区域生态系统服务驱动相关性呈现较明显的两极化趋势,同时具有显著空间分界特征(图7)。

      整体驱动特征空间分布上来看,以成都、重庆双城经济圈通廊为主要负相关区域,其空间人口密度与城市呈现较明显的负向驱动,北部少量城市边缘区则表现出弱正向驱动作用;驱动强度空间分布趋势上来看,以成都、重庆两个核心城市为中心影响程度逐步向外降低。

      造成这一现象的主要驱动成因是人口基础密度的差别。当人口密度较高时,增加的游憩开展、产业构建、经济发展等人类相关活动对整体生态系统服务功能会产生一定的负面影响,城市人口的高流动性对自然系统也具有一定的破坏性。成渝城市群现状人口在成都、重庆双核心高度聚集,对其核心城市及周边辐射区域生态系统服务功能价值状态影响极为严重[32-34]。这一现象同样反映在各个城市内部,人口密度提升比例更为明显的城郊或城市边缘区域相较核心区的负面影响更为显著。但相对地,人口密度较低时,自然系统的无序发展并非一定具有正面意义,适度的人类介入对其进行科学合理的规划引导、景观风貌塑造以及生态格局整理,对自然系统同样具有积极意义。

    • 近年来,成渝城市群中成都、重庆两个核心城市对整个城市群范围内的辐射带动作用逐渐显现。随着两地政府在产业、交通、政治等多方面达成了共同发展协议,成渝城市群整体发展进程的得到了逐步推进,其产业结构逐步趋同,驱动效应也逐步均匀化与普适化。但是同时也应看到,行政边界与自然地理条件形成的城市壁垒仍然对城市群自然系统的发展具有一定程度的影响,成渝城市群的发展仍处于初期阶段。在中远期发展中,成渝城市群应响应国家新型城镇化建设发展的宏观战略,以生态资源的共享调配为手段,构建生态补偿战略,完善城市群内部各个城市功能结构,保持城市群自然生态系统的完善、完整与良性生长。同时,还应立足成都、重庆两地中部已经形成的连通廊道,加速中部可持续发展产业与绿色基础设施的建设,从而实现城市群整体生态结构的完整提升与全体城市的长效共同发展,最终实现成渝城市群作为西部大开发领头者的自然系统与城市经济的共荣共建。

      本研究基于成渝城市群的国土空间,选择以当量因子法量化1995—2015年间城市群自然系统对人类社会的功能反馈收益,建立“自然—社会”双向驱动指标,利用最小二乘法(OLS)判断并筛选出影响成渝城市群生态系统服务的降雨量、温度、林地覆盖比例、单位面积平均GDP、人口密度5项主导性驱动因子,并利用地理加权回归(GWR)评价其在空间尺度上对自然生态系统服务功能的影响程度与作用机制。主要结论如下:

      (1)成渝城市群生态系统服务演变趋势明确。空间上以成都、重庆两处核心城市中心区与缙云—中梁山脉中心区呈现显著区域化分布,在1995—2015年间(1995、2000、2005、2010、2015年,共5期)成渝城市群生态系统服务价值分别为3 470.53亿、3 464.08亿、3 452.43亿、3 438.02亿和3 423.92亿元,分别比前一期下降6.45亿、11.65亿、14.40亿和14.10亿元,超过90.38%的区域生态系统服务功能处于下降趋势。

      (2)成渝城市群生态系统服务主导性驱动因子为降雨量、温度、林地覆盖比例、单位面积平均GDP、人口密度。在驱动空间特征中,温度、单位面积平均GDP呈现较明显的负相关驱动特征,林地覆盖比例呈现较明显的正相关驱动特征,降雨量与人口密度呈现较明显的两极化趋势。在驱动强度特征中,温度呈现较明显的环带式驱动提升,降雨量呈现较明显的区块式驱动提升,林地与单位面积平均GDP呈现小规模斑块化的强度异化,人口密度具有显著空间分界特征。

      目前研究仍具有一定局限性,由于当量因子法以自然生态系统为主,对城市生态系统研究较为薄弱,因此本研究主要将视角放在大尺度的生态绿色空间,后续对核心建成区范围内生态服务功能及价值可进一步探讨。同时,本研究受限于成渝城市群国土规模较大,获取数据的类型与精度均具有一定限制,因此在对自然环境及社会经济因子的选择也存在一定局限性。由于地理加权回归模型特性,对于空间上与其他区域关联度较小的分析单元(如重庆黔江区仅与彭水苗族土家族自治县部分地区空间邻近)分析结果可能出现波动,但研究将尺度限定为区县尺度,一定程度上规避了这一问题,后续研究可继续提升数据类型及精度,从而实现对区县单元内部的继续细分,以期更精准地分析各要素作用机制,提升评价结果的现实意义。

参考文献 (34)

目录

    /

    返回文章
    返回