EN中文

风景园林 >

2025 , Vol. 32 >Issue 11: 21 - 30

DOI: https://doi.org/10.3724/j.fjyl.LA20250240

专题：乡村景观保护与活化

基于最小生成树算法的中国传统村落集聚特征识别与区划

  • 石炀 , 1 ,
  • 郭虹卉 , 2 ,
  • 马萧萧 , 2 ,
  • 凡来 , 2, *
展开
  • 1北京建筑大学科学技术发展研究院
  • 2北京建筑大学建筑与城市规划学院

石炀/男/博士/北京建筑大学科学技术发展研究院副院长、副教授/研究方向为历史城市保护更新、传统村落保护发展

郭虹卉/女/北京建筑大学建筑与城市规划学院在读硕士研究生/研究方向为城乡发展历史与遗产保护规划

马萧萧/男/北京建筑大学建筑与城市规划学院在读硕士研究生/研究方向为城乡发展历史与遗产保护规划

凡来/女/博士/北京建筑大学建筑与城市规划学院在站博士后、讲师/研究方向为建筑遗产保护

Copy editor: 李清清

收稿日期: 2025-04-15

  修回日期: 2025-09-17

  网络出版日期: 2025-12-10

基金资助

国家自然科学基金“山地传统聚落洪涝适灾机理解析与应用研究”(52478039)

国家自然科学基金“基于传统营建智慧的京冀太行山区乡村聚落洪涝适灾能力提升研究”(52508002)

国家重点研发计划子课题“国土空间文物资源保护利用信息感知、规划编制与管控传导技术集成”(2023YFC3803905-2)

版权

版权所有 © 2025 风景园林编辑部
收起

Identification and Regionalization of the Agglomeration Characteristics of Traditional Chinese Villages Based on the Minimum Spanning Tree Algorithm

  • ‌SHI Yang , 1 ,
  • ‌GUO Honghui , 2 ,
  • MA Xiaoxiao , 2 ,
  • FAN Lai , 2, *
Expand
  • 1‌Research Institute of Science and Technology Development‌ at ‌Beijing University of Civil Engineering and Architecture
  • 2‌School of Architecture and Urban Planning‌ at ‌Beijing University of Civil Engineering and Architecture

SHI Yang, Ph.D., is an associate professor and deputy director of the Research Institute of Science and Technology Development, Beijing University of Civil Engineering and Architecture. His research focuses on conservation and regeneration of historical cities, and conservation and development of traditional villages

‌GUO Honghui is a master student in the ‌School of Architecture and Urban Planning, ‌Beijing University of Civil Engineering and Architecture‌. Her research focuses on ‌urban-rural development history‌ and ‌heritage conservation planning‌. ‌

MA Xiaoxiao‌ is a master student in the ‌School of Architecture and Urban Planning, ‌Beijing University of Civil Engineering and Architecture‌. His research focuses on ‌urban-rural development history‌ and ‌heritage conservation planning‌

FAN Lai, Ph.D., is a postdoctoral researcher and lecturer in the School of Architecture and Urban Planning, Beijing University of Civil Engineering and Architecture. Her research focuses on architectural heritage conservation

Received date: 2025-04-15

  Revised date: 2025-09-17

  Online published: 2025-12-10

Copyright

Copyright © 2025 Landscape Architecture. All rights reserved.
Fold

摘要

【目的】本研究旨在通过空间网络分析、主成分分析（principal component analysis, PCA）、K均值聚类算法，量化第1~6批中国传统村落分布的地理文化特征，构建全国尺度的传统村落集聚区划分模型，并提出差异化保护策略，为政策制定提供理论支撑。【方法】基于国家第1~6批传统村落名录，运用地理信息系统（geographic information system, GIS）中的叠加分析模型，揭示中国传统村落的空间分布特征，在进行中国传统村落集聚区划分方法的思路构建时，优先考虑以交通时间成本为权重构建基于图论优化的最小生成树（minimum spanning tree, MST），实现对中国传统村落集聚区的初步划分，构建涵盖地理、经济、文化要素的多维度特征谱系，对相关影响因子进行降维处理与主成分提取，通过K均值聚类算法实现多维特征分类，划定集聚区。【结果】发现中国传统村落具有较为明显的聚类特征，并识别出18个传统村落集聚区。【结论】通过兼顾地理空间基底与非空间特征聚类模型的构建，优化了传统的空间聚类方法。通过“交通廊道骨架—文化特征谱系—空间响应阈值”的技术框架，实现了对中国传统村落物质空间效率与文化基因传承的耦合解析，为传统建筑技艺活态传承与地域文化基因延续注入持续动力。

关键词： 风景园林; 传统村落; 集聚特征; 保护区划; 空间聚类

本文引用格式

石炀 , 郭虹卉 , 马萧萧 , 凡来 . 基于最小生成树算法的中国传统村落集聚特征识别与区划[J]. 风景园林, 2025 , 32(11) : 21 -30 . DOI: 10.3724/j.fjyl.LA20250240

Abstract

[Objective] This research aims to quantify the geocultural characteristics of Chinese traditional villages through spatial network analysis, principal component analysis (PCA), and clustering algorithms. By constructing a national-scale agglomeration demarcation model, this research proposes differentiated conservation strategies to optimize conservation area delineation methods considering natural geography, historical culture, and socioeconomic dimensions. The research ultimately provides theoretical foundations for policy-making to balance heritage preservation with regional development dynamics.

[Methods] The research method adopted in this research is to combine graph theory and machine learning with data from the lists of six batches of traditional villages published by the Ministry of Housing and Urban-Rural Development of the People’s Republic of China and other departments. First, the minimum Spanning tree (MST) model weighted by the actual transportation time cost is adopted to carry out the preliminary clustering. This process quantifies the spatial connection strength between villages by prioritizing the selection of low-cost connections and cutting off high-cost connections, and ultimately forms a spatial structure that highlights transportation accessibility and spatial proximity. Then, through Principal Component analysis (PCA) and K-Means clustering methods, the multi-dimensional cultural and geographical characteristics are analyzed. The analysis objects not only include the clustering results obtained based on the MST method, but also cover natural and cultural elements. On this basis, this research constructs a characteristic spectrum based on the geographical, economic and cultural characteristics of traditional villages, and divides the villages into different agglomeration areas according to their natural geographical attributes and cultural attributes. And through the spatial superposition analysis method, the K-Means clustering method are observed to explore the cultural background, language system characteristics, environmental characteristics and architectural types involved in each zoning.

[Results] The MST and K-Means clustering results are respectively spatially superimposed and analyzed with the current situation of provincial administrative divisions across the country. The results show that the MST clustering boundaries based on transportation cost weighting are highly coexisting with the provincial administrative boundaries in provinces with dense traditional villages. This phenomenon stems from the characteristics of the MST method. The network construction principle of MST, which aims to minimize the overall transportation cost, makes it easier to form continuous clusters overlapping with administrative boundaries in areas with high density of traditional villages and strong transportation accessibility. Administrative boundaries are often delineated relying on geographical barriers such as rivers and mountains, and these barriers can lead to a significant increase in transportation costs, which is corresponding to the segmentation logic of MST that removes high-cost edges. In contrast, the K-Means clustering boundaries based on the MST clustering results and combined with the main components of natural and cultural elements such as topography, mountain and river aggregation, climate, and language system have a relatively high consistency with the provincial administrative boundaries in provinces with scattered traditional villages. The distribution of traditional villages in these provinces shows the characteristics of "broad geographical space" and overall “great dispersion”. The geographical and economic and cultural characteristics extracted by the PCA method show a spatial polarization of “small clusters”. In provinces with a high concentration of traditional villages, the delineated clusters are mostly distributed at the junctions of provincial administrative boundaries. This regularity indicates that the transportation network correlation and segmentation involved in MST can serve as the basis for the initial division of traditional village clusters. The division result of the “MST + PCA + K-Means” model can rely on the extraction ability of PCA for geographical, cultural and other characteristics, and form a comprehensive division result on the basis of simultaneously explaining the intrinsic connection between the geography and culture of each region.

[Conclusion] A comparative analysis of the MST clustering model weighted by actual transportation time cost, as well as geo-cultural zoning boundaries and administrative boundaries shows that when the MST clustering boundary is highly consistent with the transportation cost gradient, and the historical rationality of traditional zoning lies in its implicit consideration of transportation cost efficiency. A significant deviation indicates regionalization may be dominated by non-transport factors like cultural association and resource dependence; especially when the MST boundary crosses the transportation cost gradient, further analysis of cross-gradient cultural or economic drivers is needed. The MST weighted by transportation cost and the “principal component + K-Means” model essentially reflect the methodological opposition between “spatial determinism” and “cultural reductionism”. For research objects like traditional villages featuring the interaction of multiple scales and multiple influencing factors, it is necessary to break through the bottleneck of single quantitative analysis, comprehensively consider the combination of geography, culture and economy, and allow coexistence of transportation networks, language diffusion and other relationships to approach the true self-organization of characteristic traditional village clusters.

Key words： landscape architecture; traditional village; agglomeration characteristic; conservation area zoning; spatial clustering

中国传统村落作为中华传统文化的重要载体，具有丰富的历史、文化和生态价值。近年来，随着社会经济的发展和城乡结构的变化，传统村落的保护与发展问题日益受到学术界和社会各界的关注。从既有研究来看，关于中国传统村落的探讨主要围绕3个方面展开：空间分布与形态特征、文化区划与景观谱系、保护与发展路径[1]。
在传统村落空间分布特征研究领域，学界已积累了较为丰富的研究成果。相关研究主要围绕中国传统村落的分布规律展开，探讨传统村落在地形地貌、气温降水、河流水系、土壤与土地利用、植被类型、交通区位、人口经济等不同因素影响下呈现的空间分布特征[2-3]。李严等[4]除了对自然地理相关特性进行研究之外，还基于人文地理特性，结合中国文化地理区划方案，通过土地利用类型、土壤类型、民族语系、现有道路、交通线密度及传统村落与城市群的叠加分析，详尽描述了中国传统村落的分布特征。
传统村落在文化区划与景观谱系研究领域，周振鹤[5]提出的二元分类体系将文化区细化为以方言、民俗为表征的“形式文化区”和侧重文化功能动态关联的“机能文化区”；张伟然[6]进一步补充了“感觉文化区”概念，强调地域文化体验对隐性文化特征的重要性；在景观基因及传统聚落景观区划研究领域，申秀英等[7]基于地理环境、地方文化及建筑材质等要素，将中国南方传统聚落景观系统划分为8个基本景观区和40个景观亚区；胡最等[8-10]建立了景观基因的分类模式，构建了文化景观基因符号；常青[11]则从语言谱系视角提出风土建筑谱系划分方法，这些成果为传统聚落区划提供了多维度理论框架。
在传统村落的研究方法中，应用定量方法的研究呈现出显著的增长态势。常用于刻画传统村落的空间分布特征的传统定量方法包括核密度分析、最邻近指数分析、地理集中指数分析、缓冲区分析、地理叠置分析、空间自相关等分析方法[12-14]。在分析传统村落与物质空间要素的距离关系时，不同研究各有侧重：佟玉权[15]采用传统村落距具体地理要素的直线距离进行分析；方叶林等[16]则通过绘制传统村落点位与主要铁路、公路的空间关系图，结合地理信息系统（geographic information system, GIS）缓冲区分析，得出“传统村落基本处于主要公路网覆盖范围内”的结论。而基于实际交通时间成本的最小生成树（minimum spanning tree, MST）聚类算法在传统村落集聚特征识别与区划研究中[17-18]，仅应用于省域或县域尺度的村落聚类计算，尚未拓展至全国尺度。
现有传统村落集聚区方面的研究虽在理论、谱系与实践层面均有探索，但仍存在以下不足：其一，对自然与人文要素的复杂交互机制解析不足，既有研究多依赖单因素分析，如地形高程与村落密度的线性关联[19]，且通过GIS叠置技术进行解释时存在较强主观性[20]，忽视了交通时间成本、资源流动等社会性要素的非线性影响，尚未将交通时间成本、生态约束等动态因子纳入分区逻辑；其二，分类框架系统性与动态性的双重缺失，既有分区模式常受限于行政区划的刚性边界或单一自然要素的静态切割，难以协调文化区域自然形成与行政边界人为划定的矛盾[21]。亟须构建“空间特征-非空间特征”交互映射的分区技术路径，为系统性保护提供可操作工具。
基于此，本研究以全国尺度的传统村落集聚区划分为目标，运用Python与Java语言进行数据处理，通过MST算法构建村落空间关联网络，结合主成分分析（principal component analysis, PCA）提取包含MST划片结果的地理与文化的基因特征，采用K均值聚类算法实现村落分区。在此基础上，对传统村落分区进行描述，并为各集聚区提出差异化保护建议，为传统村落集聚区的划分提供方法支撑。

1 数据来源与研究方法

1.1 数据来源

本次研究的数据包括10种类型。1）中国传统村落数据来源于中华人民共和国住房和城乡建设部等部门公布的6批传统村落名录，研究数据不涉及港澳台地区；2）中国行政边界数据来源于在国家测绘地理信息局标准地图服务网站下载的审图号为GS(2023)2767号的标准地图；3）90 m分辨率的数字高程模型（2019年）与中国河网数据（2025年）均来源于Google Earth Engine平台；4）中国路网数据提取于OpenStreetMap（OSM）2025版；5）2023年年降水量数据及年平均气温数据来源于国家青藏高原科学数据中心平台（data.tpdc.ac.cn/home）；6）2023年全国土地覆盖数据来源于Yang等[22]发表的30 m分辨率的1985—2023年中国年度土地覆盖数据集；7）地级市数据来源于国家统计局官网公布的2023年全国统计用区划代码和城乡划分代码；8）国内生产总值（gross domestic product, GDP）数据来源于资源环境科学数据网站（www.resdc.cn/Default.aspx）中的中国GDP空间分布公里网格数据集，本研究选取的是2020年的全国GDP数据；9）中国地貌类型空间分布数据来源于2009年科学出版社出版的《中华人民共和国地貌图集（1∶100万）》；10）中国语系图谱数据来源于2012年商务印书馆出版的《中国语言地图集》。

1.2 研究思路与方法

本研究基于GIS平台、Python、Java及SPSS分析工具，构建了全国传统村落与自然地理要素关联性主成分分析的理论框架，并系统阐述了方法流程。首先，利用8 155个传统村落坐标点相互连接构建以交通时间成本为权重的MST连接边，重点量化8 155个传统村落之间的空间连接强度，综合考虑边的权重及集聚区分割之后的空间区域大小进行划分，在MST的构建过程中，优先保留低交通时间成本的连接边，切断高成本边，形成以边为纽带的空间拓扑结构。通过动态平衡分割策略，基于边的权重阈值与区域规模均衡性划分空间基底单元，突显村落间交通可达性、空间邻近性等边的交互属性，为后续分析提供空间关联框架。其次，从节点自身属性出发，根据传统村落分布的空间特征与文化景观、社会经济等非空间特征，构建多维度影响因子特征谱系。将MST的初步聚类结果与自然地理、文化的相关影响因子纳入分析框架，通过PCA方法提取主要因子并计算得分。最后，基于主成分得分，运用K均值聚类算法将传统村落划分为各类特征相似性集群，以此揭示不同集群在自然地理基底与语系等文化属性上的内在差异，完成传统村落的多维特征分类，从而划定具有鲜明特色的集聚区，实现传统村落与多维自然地理要素之间关联性的量化分析（图1）。
图1 基于MST聚类的传统村落集聚区识别与区划框架

Fig. 1 Framework for identification and zoning of traditional village agglomerations based on MST clustering

1.2.1 基础聚类对象选定

在中国传统村落集聚区划分的研究中，首先通过MST算法构建村落间的最优连接网络，其核心是在包含所有传统村落的无向图中，筛选出边权总和最小的连通无环子图。本研究中，$（u,v）\in t $限定求和范围，将边$ \omega （u,v） $的权重定义为传统村落$ u $与村落$ v $之间的交通时间成本，通过计算所有边权总和$\omega （t） $，构建以实际交通时间成本为权重的网络骨架，为中国传统村落集聚区的初步划分提供拓扑基础[17]。最优连接网络的总交通时间成本的计算式为
$ \omega \left(t\right)=\sum _{(u,v)\in t}\omega (u,v) 。$

1.2.2 数据标准化处理

数据标准化处理用于统一传统村落地理及文化因子的量纲，根据全国传统村落样本总数n和文化景观因子类型数p，构建原始数据矩阵X，${\boldsymbol{x}}_i^T $是矩阵X的第i行向量，对应第i个村落的p个文化景观因子原始值；再将X转换为标准化数据矩阵Z, ${\boldsymbol{Z}}_i^T $是矩阵 Z的第i行向量[23]。在传统村落文化景观因子数据标准化处理过程中，原始数据矩阵与标准化后数据矩阵的表示形式为
$ \boldsymbol{X}=\left[\begin{array}{l}{\boldsymbol{x}}_{1}^{T}\\ {\boldsymbol{x}}_{2}^{T}\\ \vdots\\ {\boldsymbol{x}}_{n}^{T}\end{array}\right]=\left[\begin{array}{llll}{x}_{11}& {x}_{12}& \cdots & {x}_{1p}\\ {x}_{21}& {x}_{22}& \cdots & {x}_{2p}\\ \vdots& \vdots& \ddots & \vdots\\ {x}_{n1}& {x}_{n2}& \cdots & {x}_{np}\end{array}\right] \text{，} $
$ \boldsymbol{Z}=\left[\begin{array}{l}{\boldsymbol{Z}}_{1}^{T}\\ {\boldsymbol{Z}}_{2}^{T}\\ \vdots\\ {\boldsymbol{Z}}_{n}^{T}\end{array}\right]=\left[\begin{array}{llll}{Z}_{11}& {Z}_{12}& \cdots & {Z}_{1p}\\ {Z}_{21}& {Z}_{22}& \cdots & {Z}_{2p}\\ \vdots& \vdots& \ddots & \vdots\\ {Z}_{n1}& {Z}_{n2}& \cdots & {Z}_{np}\end{array}\right] 。 $

1.2.3 主成分分析提取特征

PCA用于提取影响传统村落分布的关键综合特征。基于原始地形地貌等数据的矩阵 X，通过计算协方差矩阵 C的特征向量，构建正交矩阵 W，最终得到降维后的主成分得分矩阵 Y，将多个相关因子转化为综合因子，突出影响传统村落空间分布的核心特征，为集聚区的划分提供支撑[23]。PCA中计算降维后主成分得分矩阵的计算式为
$ {\boldsymbol{Y}}={\boldsymbol{XW}} 。 $

1.2.4 空间聚类分析

K均值聚类算法用于实现中国传统村落集聚区的最终分类，其目标函数$ J（\mathcal{C}） $为所有簇内村落到对应簇中心的距离平方和。计算中，将第i个村落数据点$ {x}^{（i）} $分配至第k个簇$ {C}_{k} $，簇中心$ {{\text{μ}} }^{（k）} $为该簇内所有村落综合特征的均值。通过最小化目标函数，实现基于交通、文化等多维特征的村落聚类划分，划定中国传统村落的集聚区[24]。K均值聚类算法的目标函数最小化计算式
$ {{\rm{arg}}} {\mathrm{min}}_{\mathcal{C}} \;J（\mathcal{C}）=\sum\nolimits_{k=1}^{k}\sum\nolimits_{{{x}}^{（i）}\in {\mathcal{C}}_{k}}\left|\right|{x}^{（i）}-{{\text{μ}} }^{（k）}|{|}_{2}^{2} 。 $

2 传统村落空间分布格局

2.1 传统村落空间分布特征

从中国传统村落总体分布来看，呈现出由东向西、由南向北减少的空间分布特征[25]，形成了6处主要集聚区，分别为皖南-浙西集聚区、湘西-黔东南集聚区、滇中-滇西北集聚区、冀西-晋东集聚区、陇西-青海东北集聚区、闽西-赣东-粤东北集聚区（图2）。
图2 中国传统村落分布核密度图

Fig. 2 Kernel density map of the distribution of traditional villages nationwide

标准差椭圆分析直观地展现了中国传统村落空间分布趋势，标准差椭圆长轴呈东北-西南走向。椭圆核心覆盖区集中于胡焕庸线东南侧的中国地势第二、三级阶梯过渡带，与核密度高值区高度重合，而线西北侧村落分布稀疏，整体具有“东南密集、西北稀疏”的空间分异特征。

2.2 传统村落分布与相关因素关系分析

2.2.1 地形地貌

在所有环境要素中，地形地貌是塑造村落物质形态的重要因素。不同的地形地貌也会影响村落所处的气候、环境、地质条件，进而形成中国不同地区各具特色的生产生活方式[26]。当前公布的6批传统村落绝大多数分布在云南、贵州、四川、湖南、江西、福建及浙江等省份的山区和丘陵地带。相比之下，在东北平原、华北平原和长江中下游平原等广阔的平原地区，传统村落的分布相对稀疏。而在西部的青藏高原和北部的内蒙古高原等台地地区，传统村落的数量相对较少（图3）。
图3 中国传统村落分布与中国地形地貌关系示意图

Fig. 3 Schematic diagram of the relationship between traditional Chinese Villages and Chinese topography and Geomorphology

2.2.2 文化分区

各个民族在长期的历史进程中，孕育并形成了独具一格的文化体系，这种独特性在生活习俗、节庆礼仪，以及服饰审美等层面均有鲜明体现，呈现出显著的差异性。将传统村落分布数据与中国文化区划分布图 [27]叠加可以发现，当前公布的6批传统村落形成3类密集区（图4），包括高度密集区、中度密集区和稀疏区。高度密集区主要集中在西南少数民族农业文化亚区、巴蜀文化副区、荆湘文化副区、吴越文化副区以及海峡西岸文化副区。中度密集区包括中原文化副区、黄土高原文化副区和燕赵文化副区的交界地带。稀疏区包括关东文化副区、内蒙古文化副区、北疆文化副区和南疆文化副区。
图4 中国传统村落分布与中国文化区划关系示意图[27]

Fig. 4 Schematic diagram of the relationship between the distribution of traditional Chinese villages and Chinese cultural regionalizations[27]

2.2.3 语系分布

鉴于中国国情，首先将民族特征作为文化区划的核心标准来进行划分[28]，在鉴别民族的时候语系被当作重要指标[29]。在汉语方言区（图5），传统村落高密度聚集于徽语、吴语、粤语、闽语、官话及晋语东南部，形成多个高密度集聚区。在少数民族语言区，传统村落多见于藏缅语族和满-通古斯语族区域内，分布相对稀疏，未形成显著集聚区。在语言混合区，传统村落主要集中在汉语-藏缅语族混合区；在汉语-朝鲜语族、汉语-突厥语族、汉语-蒙古语族等混合区中，传统村落则呈零散分布。
图5 中国传统村落分布与中国语系关系示意图

Fig. 5 Schematic diagram of the relationship between the distribution of traditional Chinese villages and Chinese language families

2.2.4 建筑类型

建筑是自然-文化共同作用的结果，可以在一定程度上反映传统村落的自然条件与文化传统，为传统村落划片保护提供依据。在自然环境层面，王文卿等[30]以建筑构筑形态和建筑材料为依据，分别从气温、降水量、地形、材料资源4个角度，对中国传统民居进行了划分。在社会人文层面，王文卿等[31]从经济、人口、宗教等社会人文角度将全国传统民居划分为8个区域。常青[11]则参考中国古代的史地认知视角和降水量提出12类风土建筑类型。在建筑风貌层面，汪德根等[32]根据聚落环境和造型风格划分了11类建筑风貌区，包括北方合院式、江南水乡和闽南建筑等。
综合常青[11]对中国北方以及内蒙古、西藏、新疆、青海等地的风土建筑分类，汪德根等[32]对于南方中国传统民居建筑的分类，以及韩聪[33]、王乐[34]对于东北地区满族与朝鲜族建筑的研究，本研究将中国传统民居分为17种类型（表1），涵盖分布地区、院落布局、层数、屋面坡度及建筑材料等特征。
表1 中国风土建筑地域分布[11,30-34]

Table 1 Regional distribution of Chinese vernacular architecture[11,30-34]

序号 传统民居类型 分布地区 院落布局 层数 屋面坡度 建筑材料
1 帐幕、毡房和蒙古包 内蒙古自治区、新疆维吾尔自治区 独栋 1 小于10° 毛毡、绳索、
木、土
2 东北满、汉、朝鲜族民居 黑龙江省、吉林省、辽宁省 独栋、合院
式布局		 1 大于30° 砖、土、木、石
3 阿以旺木构平顶建筑 新疆维吾尔自治区 独栋 1~2 小于10° 砖、土、木
4 藏式碉房及其变体 青海省、西藏自治区 独栋 1~2 小于10° 石、木
5 “庄窠”式民居及羌式碉房 甘肃省、青海省 合院式布局 1 小于10° 石、木
6 窑洞及狭长四合院 河南省、山西省、陕西省、甘肃省、宁夏回族自治区 合院式布局 1 小于30° 瓦、砖、土、木
7 以木构坡顶、平顶、囤顶等房屋构成的开阔四合院 北京市、河北省、山东省、河南省 合院式布局 1 小于30° 瓦、砖、木
8 木刻楞民居 内蒙古自治区 独栋 1 小于30° 圆木
9 江南水乡民居 浙江省、上海市、江苏省南部地区 天井式布局 2~3 大于30° 瓦、砖、木
10 皖南徽派民居 安徽省南部地区、江西省北部地区 天井式布局 2~3 大于30° 瓦、砖、木
11 湘赣式民居 湖北省南部地区、湖南省东部地区、江西省西部地区 天井式布局 2 大于30° 瓦、砖、石、木
12 干栏式木楼 湖北省西北部地区、湖南省西部地区、广西壮族自治区北部地区、贵州省东南部地区、四川省和重庆市 独栋、方形、
“T”字形		 2~3 大于30° 瓦、石、木
13 干栏式竹楼 云南省南部地区 独栋 2 大于30° 竹
14 客家围屋民居 福建省西部地区、江西省南部地区、广东省东部地区 天井式布局 3~4 大于30° 瓦、土、木
15 闽南民居 福建省南部地区 天井式布局 1 大于30° 瓦、砖、木
16 岭南广府民居 广东省中南部 天井式布局 1 大于30° 瓦、砖、木
17 云南“一颗印”民居 云南省 天井式布局 2 大于30° 瓦、砖、木

3 传统村落聚类区域的划分研究

3.1 基于交通时间成本的MST特色区域关联分析

3.1.1 MST连接边的构建

MST算法主要用于解决加权连通图中连接所有顶点并且使边权总和最小的问题，能够以最小的总权重连接所有节点，适用于网络优化。本研究以8 155个传统村落之间的交通时间成本为参数，使用克鲁斯卡尔算法构建无向图并构建MST的连接边，以揭示村落特色保护区划分与交通时间成本之间的内在关联[17]。
传统村落集聚区的划分受地理、文化或行政边界的约束，而交通时间成本则直接反映了村落间的空间可达性与互动潜力，因此交通时间成本是衡量传统村落间实际联系强度的关键指标。交通时间成本越高，表示村落间互动频率可能越低，文化传播、资源流动的阻力越大；反之，低交通时间成本的传统村落之间更易形成文化共享、经济协同的关联性。

3.1.2 传统村落节点聚类

通过分割MST的连通区域，确保每个聚类包含的传统村落数量接近，避免因部分区域过大或过小导致管理难度增加。在分割过程中，优先移除交通时间成本较高的边（即权重较低的边），保留低成本的骨干网络[18]，实现聚类内部村落间的交通时间成本较低的效果，从而形成具有较高内部空间聚集性的划片结构。
本研究在完成MST聚类分析后，借助Python地理信息处理工具，对全国县域尺度下划分结果进行可视化表达。

3.1.3 MST聚类结果分析

基于MST算法的中国传统村落聚类研究显示，8 155个传统村落形成18个空间关联簇群，其分布特征融合了地理邻近性与交通网络趋同性的复合特点。华北至东北区域（簇0）凭借平原地形构建跨省连绵带，而黄河流域的山东-河南-山西交界区（簇1）与长江流域的苏沪浙北（簇3）、浙南闽东（簇4）分别受水系切割和丘陵阻隔而具有空间分异特征。西北干旱区（簇13）和青藏高原边缘带（簇16）因戈壁荒漠与高海拔地形导致交通时间成本骤增，形成突破行政区划的广域弱连接形态。其他区域如浙东（簇2）、赣东-闽西北-浙西南（簇5）、皖南-鄂东南-赣东北（簇6）等均呈现交通网络主导的跨行政区聚集特征。交通时间成本导向的MST聚类能有效揭示交通网络对村落空间组织的塑造作用，但在高原荒漠区（簇13）、青藏高原边缘带（簇16）及横断山区（簇17）等跨度较大区域还需要进一步融合环境约束条件以提升边界精度，为传统村落集聚区规划提供跨区域协同治理的依据（图6）。
图6 基于交通时间成本的中国传统村落MST聚类结果

Fig. 6 MST clustering of Chinese traditional villages based on transportation time cost

3.2 传统村落影响因子类型量化及主成分聚类分析

3.2.1 因子主成分提取

PCA的因子提取需以KMO检验和Bartlett球形检验为前提，来验证变量间相关性并判断数据是否满足分析条件，再根据特征值与贡献率筛选核心主成分，提取的主成分综合反映了自然地理因素、空间关联因素及人文要素的交互作用，揭示村落空间分布特征。

3.2.1.1 模型检验

使用PCA方法需以变量间显著相关性为前提条件，故需进行模型适用性验证。本研究采用双指标检验体系，结果显示：KMO（Kaiser-Meyer-Olkin）样本测度抽样适切性系数达到0.612，显著超过0.5的基准阈值，证实变量间存在足够相关性（该系数取值范围0~1，数值越大表明变量共同因素越多）；巴特利特球形检验（Bartlett’s test of sphericity, BTS）产生近似卡方统计量28 523.720（自由度df=66），显著性概率p值<0.001[35]。以上2个检验指标共同验证：该数据集变量间存在共性关系，且样本充足性达到分析要求，满足PCA方法的应用条件（表2）。
表2 KMO结果和巴特利特球形检验

Table 2 Kaiser-Meyer-Olkin (KMO) and Bartlett’s test of sphericity

KMO取样适切性量数 巴特利特球形度检验
近似卡方 自由度 显著性
0.612 28523.720 66 0.000

3.2.1.2 特征值与贡献率

主成分因子的筛选标准主要依据特征值和方差贡献率指标。数据结果显示，前4个主成分的特征值均超过临界值1（${\text{λ}} $≥1）的标准阈值[36]，其累计方差贡献率达到60.440%，符合统计学中累计贡献率不低于50%的基本要求[37]（表3）。意味着这4个主成分能够解释原始13个变量60.440%的信息量，在保证信息相对完整性的基础上实现了数据降维。按照PCA方法的选择原则，最终选取这4个综合因子替代原有指标体系进行后续分析。
表3 主成分分析总方差解释

Table 3 Total variance explained in principal component analysis

成分 初始特征值 提取载荷平方和
总计 方差百分比/% 累积/% 总计 方差百分比/% 累积/%
1 3.123 26.028 26.028 3.123 26.028 26.028
2 1.958 16.313 42.341 1.958 16.313 42.341
3 1.141 9.509 51.849 1.141 9.509 51.849
4 1.031 8.591 60.440 1.031 8.591 60.440
5 0.946 7.879 68.320
6 0.869 7.243 75.562
7 0.789 6.576 82.138
8 0.668 5.567 87.706
9 0.600 4.997 92.703
10 0.466 3.880 96.582
11 0.292 2.435 99.017
12 0.118 0.983 100.000

3.2.1.3 主成分提取

通过PCA提取的4个主成分因子的因子载荷矩阵（表4）呈现了各主成分对原始变量的贡献程度，揭示了中国传统村落与多种地理及环境因素之间的关联，这些主成分得分可以作为评估村落地理环境特征和可达性的依据。
表4 主成分载荷矩阵

Table 4 Component loading matrix

相关影响因子 成分
1 2 3 4
传统村落对应的MST聚类结果 0.556 0.154 0.615 0.159
传统村落高程值统计（DEM 90 m） 0.855 −0.111 0.126 0.150
传统村落坡度值统计（°） 0.431 0.634 −0.098 0.177
传统村落到最邻近水系的距离（m） 0.211 0.057 −0.638 0.092
传统村落对应地貌类型 0.343 0.688 −0.310 0.061
2023年年降水量总和（mm） −0.638 0.587 0.181 −0.030
2023年年平均气温（℃） −0.717 0.390 0.357 0.057
传统村落到最邻近地级市的距离（m） 0.382 0.197 0.032 −0.446
传统村落对应土地覆盖类型 −0.337 −0.612 −0.084 −0.116
传统村落对应语系 −0.523 0.232 −0.242 0.285
传统村落对应2020年GDP −0.320 −0.203 −0.003 0.672
传统村落对应民居类型 0.423 −0.196 0.088 0.436
依据提取出来的4个主成分可知，自然因素如高程、气温、降水量等在第1个主成分中表现突出。地理因素如传统村落到最邻近水系的距离在第3个主成分中表现较为显著，而传统村落对应MST的聚类值在第3主成分中数值为0.615，相对较高，表示它与地理因素也存在紧密联系，MST的聚类值是8 155个传统村落点位按照时间成本为权重进行聚类的结果，每个村落对应一个聚类值，它综合反映了村落间基于时间成本的聚集关系，这种关系与地理因素相互作用。在考虑地理因素进行划片时，结合该聚类值能够更精准地将地理位置相近、时间成本聚类相似且受地理因素影响模式一致的村落归为一片，从而更好地反映出传统村落因地理因素和时间成本共同作用下的分布格局。人文因素如语系、土地覆盖类型、民居类型和GDP等在各个主成分中也都有一定的贡献，表明文化、土地利用方式、建筑特征和经济发展水平等也在一定程度上影响着传统村落的分布。自然地理因素与人文因素相互交织，共同决定及影响了中国传统村落的分布格局。

3.2.2 K均值聚类结果

本研究将主成分因子综合得分作为K均值聚类特征。主成分因子综合得分（principal component factor score）是指在PCA中，每个观测样本在各个主成分上的得分。这些得分反映了样本在新的主成分空间中的位置，可以用于进一步的聚类、分类或排序，在地理空间分析中，K均值聚类可以用于对地理坐标点进行聚类分析，以发现空间分布的模式（图7）。为提升聚类的可视化效果，本研究中在对第1~6批中国传统村落点位进行均值聚类后，结合Python地理信息处理工具实现了全国县域尺度下的空间分异可视化表达[18]。
图7 中国传统村落K均值聚类结果

Fig. 7 K-means clustering results of Traditional Chinese Villages

3.2.3 集聚区差异化保护建议

18个传统村落集聚区可以按聚类分区的特性，制定差异化保护方案，其中，特性包含文化背景、语系、环境特点及特色传统民居。针对不同地域范围所对应的文化背景，如集聚区0的内蒙古文化、黄土高原文化等，需保护其特色民俗和生产生活方式；依据各分区的语系特点，可以通过结合口头文学载体的方式维系语言传承；同时结合环境特点推断集聚区环境与传统民居的保护需求，如集聚区0位于中海拔平原、中起伏中山，可以关注黄土窑洞等建筑的保护和周边生态修复；集聚区12的低海拔平原可以侧重建筑的防潮和传统水系格局的保护，以此实现各集聚区传统村落独特价值的保护（表5）。
表5 中国传统村落集聚区划分结果及特征

Table 5 Division results and characteristics of clustering areas of traditional Chinese villages

簇分区编号 地域范围 文化背景 语系 环境特点 特色传统民居
0 内蒙古阿拉善右旗、乌拉特后旗、临河区；甘肃；宁夏；青海东部局部片区 内蒙古文化、黄土高原文化、青藏高原游牧文化 官话、蒙古语族、藏缅语族、晋语 中海拔平原、中起伏中山 帐幕、毡房和蒙古包；庄窠式民居及羌式碉房；窑洞
1 安徽中部及南部地区；江苏南部地区；江西北部局部片区；湖北东部局部片区 淮河流域文化、荆湘文化、鄱阳文化、吴越文化 官话、客家话、徽语、赣语、吴语 小起伏低山、低海拔平原 皖南徽派民居；江南水乡民居；湘赣式民居
2 贵州中部及南部地区；广西北部局部片区 西南少数民族农业文化、巴蜀文化 官话、壮侗语族、苗瑶语族、客家话、湘语、藏缅语族 中起伏中山、小起伏低山、大起伏中山 干栏式木楼；湘赣式民居
3 山西中部及北部地区；河北西部地区；内蒙古中部地区；河南北部局部地区 内蒙古文化、黄土高原文化、燕赵文化、中原文化 晋语、官话、蒙古语族 中起伏中山、中海拔平原 窑洞；四合院；帐幕、毡房和蒙古包
4 云南西部地区；四川盐源县、米易县 西南少数民族农业文化、青藏高原游牧文化 官话、藏缅语族、壮侗语族、苗瑶语族 中起伏中山、小起伏中山 云南“一颗印”民居；彝族土掌房
5 福建中部及南部地区；江西中部及南部地区；广东东部局部片区 海峡西岸文化、鄱阳文化、岭南文化 客家话、闽语、赣语、苗瑶语族、官话 中起伏中山、小起伏低山、低海拔丘陵、低海拔台地、低海拔平原 闽南民居；客家围屋民居
6 新疆 北疆文化、南疆文化 官话、突厥语族、蒙古语族 低海拔平原、小起伏中山、中海拔平原、中起伏中山 阿以旺木构平顶建筑
7 陕西中部及东部地区；河南西部地区；山西南部局部片区；湖北北部局部片区； 黄土高原文化、中原文化、荆湘文化 官话、晋语、蒙古语族 中海拔丘陵、中起伏中山、低海拔台地、小起伏低山 窑洞；狭长四合院；湘赣式民居
8 内蒙古东北部地区；黑龙江；吉林；辽宁东部地区 关东文化、内蒙古文化 官话、朝鲜语族、蒙古语族、满一通古斯语族 中海拔平原、低海拔丘陵、中起伏中山、小起伏低山 蒙古包、木刻楞；东北满、汉、朝鲜族民居
9 四川东部地区；陕西西部局部片区；甘肃南部局部片区；重庆西部局部片区；云南镇雄县、威信县 巴蜀文化、黄土高原文化 官话、苗瑶语族、藏缅语族 中海拔丘陵、低海拔台地、小起伏中山 干栏式木楼；窑洞；庄窠式民居及羌式碉房；干栏式木楼
10 重庆东部地区；湖南中部及北部地区；湖北西南部地区；贵州东北部局部片区 荆湘文化、巴蜀文化、西南少数民族农业文化 官话、湘语、苗瑶语族、赣语 小起伏低山、中起伏中山 干栏式木楼；湘赣式民居
11 西藏 青藏高原游牧文化 藏缅语族 中起伏高山、中起伏极高山 藏式碉房及其变体
12 浙江；上海；江苏南部局部片区；福建东北部局部片区 吴越文化、海峡西岸文化 吴语、闽语、官话 大起伏中山、低海拔平原、中起伏中山 江南水乡民居；廊屋式民居
13 海南；广西东南部地区；广东南部及东部局部片区 岭南文化、内蒙古文化、西南少数民族农业文化 壮侗语族、闽语、粤语 低海拔台地、小起伏低山、大起伏中山、低海拔平原 客家围屋民居
14 云南东部地区；贵州中部及南部地区；广西西北部地区 西南少数民族农业文化、巴蜀文化 藏缅语族、官话、壮侗语族、苗瑶语族 中起伏中山、小起伏中山、中起伏中山、小起伏低山、大起伏中山 土掌房；干栏式木楼
15 北京；河北东部及中部地区；内蒙古敖汉旗、松山区；山东 燕赵文化、齐鲁文化、关东文化、内蒙古文化 官话、蒙古语族 大起伏中山、中起伏中山、中海拔平原、小起伏低山、中起伏低山 平顶、囤顶等房屋构成的开阔四合院；土夯房
16 四川西部地区；云南西北部地区；西藏东部局部片区 青藏高原游牧文化、巴蜀文化、西南少数民族农业文化 藏缅语族、官话、苗瑶语族 中起伏中山、小起伏中山、中起伏高山、中起伏极高山 干栏式木楼；千脚落地房、木楞房；东坝民居
17 湖南南部地区；广东中部及西北部地区；广西东北部局部片区；江西西部局部地区 岭南文化、荆湘文化、鄱阳文化 湘语、粤语、客家话、苗瑶语族、赣语、官话 小起伏低山、低海拔平原、大起伏中山、低海拔丘陵、低海拔台地 湘赣式民居；客家围屋民居

4 结果与讨论

4.1 结果

本研究将MST与K均值聚类结果分别与中国省级行政区划现状进行空间叠加分析，其结果表示：基于交通时间成本加权的MST聚类边界在鲁、晋、豫、苏、皖、浙、赣、闽、粤、桂、琼等传统村落密集省份与省级行政边界高度重合。这一现象源于最小生成树方法的特性，MST以最小化全域交通时间成本为目标的网络构建原则，使得在传统村落密度高、交通可达性强的区域更易形成与行政边界重叠的连续聚类，行政边界往往依托如河流、山脉等地理屏障划定[21]，而这些屏障会导致交通时间成本跃升，与MST移除高成本边的分割逻辑相对应。
基于MST聚类结果，结合地形地貌、山川聚势、气候、语系等自然与文化要素主成分的K均值聚类边界，在新、藏、甘、黑、吉、辽等传统村落分散省份与省级行政边界吻合较高，这类省份的传统村落分布呈现“地理空间广阔”，整体“大分散”的特征。而PCA提取的地理特征及经济文化特征则呈现“小聚集”的空间极化，在传统村落密集省份，划分出的集聚区多分布于省级行政边界交汇处。
这种规律性表明，MST涉及的交通网络关联及分割特征可作为传统村落集聚区初次划分的依据。而“MST＋PCA＋K均值聚类”模型的划分结果，能够依托PCA对地理、文化等特征的提取能力，在同时解释各区域地理与文化内在关联的基础上，形成综合性划分结果。

4.2 讨论

通过对实际交通时间成本加权的MST聚类模型、地理-文化划片边界及行政边界的对比分析发现，当MST聚类边界与交通时间成本梯度高度吻合时，传统划片的历史合理性可追溯至其对交通时间成本效率的隐性考量；若两者存在显著偏离，则表明区域划分可能受文化关联、资源依赖等非交通因素主导，尤其当MST聚类边界跨越交通时间成本梯度时，需进一步解析跨梯度关联的文化或经济驱动力。
在传统村落这类多尺度、多影响因素相互作用的研究对象中，需破除单一定量分析的瓶颈。交通时间成本加权的MST与“PCA+K均值聚类”的组合模型，综合考虑地理-文化-经济的综合情况，允许交通网络、语系扩散、建筑演化等不同关系的并存，方能逼近特色传统村落群自组织的真实图景。
未来研究需构建综合要素的协同分析框架，通过实际交通时间成本梯度来界定空间分异阈值，并结合方言谱系、建筑形制等文化特点寻找传统村落集聚区的划分路径。同时引入动态网络模型解析交通时间成本与文化因素的交互机制，这一综合视角可以为传统村落保护规划提供兼顾空间效率与人文延续性的参考依据。

图表来源(Sources of Figures and Tables)：

图1、6由作者绘制；图2由作者根据参考文献[25]绘制；图3由作者参考《中华人民共和国地貌图集（1∶100万）》绘制；图4由作者依据参考文献[27]绘制；图5由作者依据参考文献[11]绘制；图7由作者根据参考文献[36][37]绘制，底图均源自国家测绘地理信息局标准地图服务网站（bzdt.ch.mnr.gov.cn/）下载的审图号为GS(2023)2767号的标准地图，且未对边界进行修改。表2~5由作者绘制；表1由作者依据参考文献[11][30]~[34]绘制。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
许建和, 柳肃, 毛洲, 等. 中国传统村落的空间分布特征与保护系统方案[J]. 湖南大学学报（社会科学版）, 2021, 35(2): 152-160.

XU J H, LIU S, MAO Z, et al. A Study on Spatial Distribution Characteristics and Protection System Scheme of Chinese Traditional Village[J]. Journal of Hunan University (Social Sciences), 2021, 35(2): 152-160.

[2]
周扬, 黄晗, 刘彦随. 中国村庄空间分布规律及其影响因素[J]. 地理学报, 2020, 75(10): 2206-2223.

ZHOU Y, HUANG H, LIU Y S. The Spatial Distribution Characteristics and Influencing Factors of Chinese Villages[J]. Acta Geographica Sinica, 2020, 75(10): 2206-2223.

[3]
李江苏, 王晓蕊, 李小建. 中国传统村落空间分布特征与影响因素分析[J]. 经济地理, 2020, 40(2): 143-153.

LI J S, WANG X R, LI X J. Spatial Distribution Characteristics and Influencing Factors of Chinese Traditional Villages[J]. Economic Geography, 2020, 40(2): 143-153.

[4]
李严, 姚旺, 张玉坤, 等. 中国传统村落空间分布特征[J]. 中国文化遗产, 2020, 4 51-59.

LI Y, YAO W, ZHANG Y K, et al. Spatial Distribution Characteristics of Traditional Villages in China[J]. China Cultural Heritage, 2020, 4 51-59.

[5]
周振鹤. 湖南历史文化地理研究 [M]. 上海: 复旦大学出版社, 1995.

ZHOU Z H. Preface to Historical and Cultural Geography of Hunan [M]. Shanghai: Fudan University Press, 1995.

[6]
张伟然.湖北历史文化地理研究[M].武汉: 湖北教育出版社, 2000.

ZHANG W R. Historical, Cultural and Geographical Studies in Hubei Province[M]. Wuhan: Hubei Education Press, 2000.

[7]
申秀英, 刘沛林, 邓运员, 等. 中国南方传统聚落景观区划及其利用价值[J]. 地理研究, 2006, 25(3): 485-494.

SHEN X Y, LIU P L, DENG Y Y, et al. Landscape Communities of Traditional Settlement in Southern China and Their Values of Conservation and Utilization[J]. Geographical Research, 2006, 25(3): 485-494.

[8]
胡最, 刘沛林, 邓运员, 等. 传统聚落景观基因的识别与提取方法研究[J]. 地理科学, 2015, 35(12): 1518-1524.

HU Z, LIU P L, DENG Y Y, et al. A Novel Method for Identifying and Separating Landscape Genes from Traditional Settlements[J]. Scientia Geographica Sinica, 2015, 35(12): 1518-1524.

[9]
胡最, 郑文武, 刘沛林, 等. 湖南省传统聚落景观基因组图谱的空间形态与结构特征[J]. 地理学报, 2018, 73(2): 317-332.

HU Z, ZHENG W W, LIU P L, et al. The Forms and Structures of Traditional Landscape Genome Maps: A Case Study of Hunan Province[J]. Acta Geographica Sinica, 2018, 73(2): 317-332.

[10]
胡最, 邓运员, 刘沛林, 等. 传统聚落文化景观基因的符号机制[J]. 地理学报, 2020, 75(4): 789-803.

HU Z, DENG Y Y, LIU P L, et al. The Semiotic Mechanism of Cultural Landscape Genes of Traditional Settlements[J]. Acta Geographica Sinica, 2020, 75(4): 789-803.

[11]
常青. 我国风土建筑的谱系构成及传承前景概观: 基于体系化的标本保存与整体再生目标[J]. 建筑学报, 2016, 10 1-9.

CHANG Q. Structure and Prospective of Chinese Vernacular Architectural Pedigrees an Objective Based on a Systematic Study of Sample Preservation and Holistic Regeneration[J]. Architectural Journal, 2016, 10 1-9.

[12]
刘大均, 胡静, 陈君子, 等. 中国传统村落的空间分布格局研究[J]. 中国人口·资源与环境, 2014, 24(4): 157-162.

LIU D J, HU J, CHEN J Z, et al. The Study of Spatial Distribution Pattern of Traditional Villages in China[J]. China Population, Resources and Environment, 2014, 24(4): 157-162.

[13]
卢松, 张小军, 张业臣. 徽州传统村落的时空分布及其影响因素[J]. 地理科学, 2018, 38(10): 1690-1698.

LU S, ZHANG X J, ZHANG Y C. Spatial-Temporal Distribution and Controlling Factors of Traditional Villages in Huizhou Region[J]. Scientia Geographica Sinica, 2018, 38(10): 1690-1698.

[14]
邹秋雨, 孙建伟, 杨丹丽, 等. 中国典型村落空间分布特征及影响因素: 基于4种村落的考察[J]. 地理科学, 2023, 43(4): 638-648.

ZOU Q Y, SUN J W, YANG D L, et al. Spatial Distribution Characteristics and Influencing Factors of Typical Chinese Villages: Based on the Investigation of Four Types Villages[J]. Scientia Geographica Sinica, 2023, 43(4): 638-648.

[15]
佟玉权. 基于GIS的中国传统村落空间分异研究[J]. 人文地理, 2014, 29(4): 44-51.

TONG Y Q. Research on the Spatial Differentiation of Chinese Traditional Village Based on Gis[J]. Human Geography, 2014, 29(4): 44-51.

[16]
方叶林, 陆海云, 黄震方, 等. 中国传统村落时空分布特征与影响因素[J]. 经济地理, 2023, 43(9): 187-196.

FANG Y L, LU H Y, HUANG Z F, et al. Spatiotemporal Distribution of Chinese Traditional Villages and Its Influencing Factors[J]. Economic Geography, 2023, 43(9): 187-196.

[17]
姜沛辰, 王柱. 基于MST聚类的区域传统村落分层协同网络构建探索: 以永州市传统村落集中连片保护利用为例[C]//中国城市规划学会城市规划新技术应用学术委员会, 广州市规划和自然资源自动化中心. 夯实数据底座·做强创新引擎·赋能多维场景: 2022年中国城市规划信息化年会论文集. 南宁: 广西科学技术出版社, 2022: 408-416.

JIANG P C, WANG Z. Hierarchical Collaborative Network Construction of Regional Traditional Villages Based on MST Clustering: A Case Study of the Concentrated Protection and Utilization of Traditional Villages in Yongzhou[C]//Urban Planning New Technology Application Academic Committee of Urban Planning Society of China, Guangzhou Planning and Natural Resources Automation Center. Strengthening Data Foundations, Boosting Innovation Engines, Empowering Multi-dimensional Scenarios: Proceedings of the 2022 China Urban Planning Informatization Annual Conference. Nanning: Guangxi Science and Technology Press, 2022: 408-416.

[18]
薛乾明, 黄跃昊. 传统村落集中连片保护利用格局构建方法: 以甘肃省两当县为例[J]. 规划师, 2024, 40(8): 66-74.

XUE Q M, HUANG Y H. Construction Method of the Concentrated Contiguous Protection and Utilization Pattern for Traditional Villages: An Empirical Study of Liangdang County, Gansu Province[J]. Planners, 2024, 40(8): 66-74.

[19]
蓝勇. 对中国历史文化地理研究的思考[J]. 学术研究, 2002, 1 87-90.

LAN Y. A Discussion on Chinese Historical Cultural Geography Study[J]. Academic Research, 2002, 1 87-90.

[20]
王淑佳, 孙九霞. 西南地区传统村落区域保护水平评价及影响因素[J]. 地理学报, 2022, 77(2): 474-491.

WANG S J, SUN J X. Evaluation and Influencing Factors of Regional Protection Level of Traditional Villages in Southwest China[J]. Acta Geographica Sinica, 2022, 77(2): 474-491.

[21]
周振鹤. 中国历史上自然区域、行政区划与文化区域相互关系管窥[J]. 历史地理, 2003, 1 1-9.

ZHOU Z H. An Outlook on the Relationship Among the Natural Area, Administrative Regionalization and Cultural Region in Chinese Historical Times[J]. Historical Geography, 2003, 1 1-9.

[22]
YANG J, HUANG X. The 30 m Annual Land Cover Dataset and Its Dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925.

DOI

[23]
宋正江, 赵耀, 龙彬. 传统村落文化景观区划定量方法及其应用研究: 以重庆为例[J]. 南方建筑, 2022, (2): 1-10.

SONG Z J, ZHAO Y, LONG B. A Quantitative Method for Cultural Landscape Zoning in Traditional Chinese Villages and Its Applications: A Case Study Based on Chongqing[J]. South Architecture, 2022, (2): 1-10.

[24]
孙林, 刘梦含, 徐久成. 基于优化初始聚类中心和轮廓系数的K-means聚类算法[J]. 模糊系统与数学, 2022, 36(1): 47-65.

SUN L, LIU M H, XU J C. K-Means Clustering Algorithm Using Optimal Initial Clustering Center and Contour Coefficient[J]. Fuzzy Systems and Mathematics, 2022, 36(1): 47-65.

[25]
凡来, 刘洋, 张大玉. 中国传统村落旅游发展空间格局及其影响因素[J]. 经济地理, 2023, 43(7): 203-214.

FAN L, LIU Y, ZHANG D Y. Spatial Pattern of Tourism Development of Chinese Traditional Villages and Its Influencing Factors[J]. Economic Geography, 2023, 43(7): 203-214.

[26]
康璟瑶, 章锦河, 胡欢, 等. 中国传统村落空间分布特征分析[J]. 地理科学进展, 2016, 35(7): 839-850.

DOI

KANG J Y, ZHANG J H, HU H, et al. Analysis on the Spatial Distribution Characteristics of Chinese Traditional Villages[J]. Progress in Geography, 2016, 35(7): 839-850.

DOI

[27]
徐柏翠, 潘竟虎. 中国国家级非物质文化遗产的空间分布特征及影响因素[J]. 经济地理, 2018, 38(5): 188-196.

XU B C, PAN J H. Spatial Distribution Characteristics of the Intangible Cultural Heritage in China[J]. Economic Geography, 2018, 38(5): 188-196.

[28]
罗德胤. 中国传统村落谱系建立刍议[J]. 世界建筑, 2014, 6 104-107,118.

LUO D Y. The Establishment of Chinese Traditional Villages[J]. World Architecture, 2014, 6 104-107,118.

[29]
李婧, 杨定海, 肖大威. 海南岛传统聚落及民居文化景观区划定量方法研究[J]. 小城镇建设, 2020, 38(5): 39-48.

LI J, YANG D H, XIAO D W. A Quantitative Study on the Cultural Landscape Division of the Traditional Settlements and Vernacular Dwellings in Hainan Island[J]. Development of Small Cities & Towns, 2020, 38(5): 39-48.

[30]
王文卿, 周立军. 中国传统民居构筑形态的自然区划[J]. 建筑学报, 1992, 4 12-16.

WANG W Q, ZHOU L J. Natural Division of Architectural Form of Traditional Houses in China[J]. Architectural Journal, 1992, 4 12-16.

[31]
王文卿, 陈烨. 中国传统民居的人文背景区划探讨[J]. 建筑学报, 1994, 7 42-47.

WANG W Q, CHEN Y. Discussion on Cultural Background Zoning of Traditional Dwellings in China[J]. Architectural Journal, 1994, 7 42-47.

[32]
汪德根, 吕庆月, 吴永发, 等. 中国传统民居建筑风貌地域分异特征与形成机理[J]. 自然资源学报, 2019, 34(9): 1864-1885.

DOI

WANG D G, LYU Q Y, WU Y F, et al. The Characteristic of Regional Differentiation and Impact Mechanism of Architecture Style of Traditional Residence[J]. Journal of Natural Resources, 2019, 34(9): 1864-1885.

DOI

[33]
韩聪.气候影响下的东北满族民居研究[D].哈尔滨: 哈尔滨工业大学, 2007.

HAN C. A Research on Climate Influence to Man Houses in Northeast of China[D]. Harbin: Harbin Institute of Technology, 2007.

[34]
王乐.东北地区朝鲜民族民居与家具特征的研究[D].哈尔滨: 东北林业大学, 2012.

WANG L. Research on Furniture Features of the Korean Minority in the Northeast Region[D]. Harbin: Northeast Forestry University, 2012.

[35]
韩小孩, 张耀辉, 孙福军, 等. 基于主成分分析的指标权重确定方法[J]. 四川兵工学报, 2012, 33(10): 124-126.

HAN X H, ZHANG Y H, SUN F J, et al. Determination Method of Index Weight Based on Principal Component Analysis[J]. Journal of Sichuan Ordnance, 2012, 33(10): 124-126.

[36]
侯文. 对应用主成分法进行综合评价的探讨[J]. 数理统计与管理, 2006, 25(2): 211-214.

HOU W. Discussing to Comprehensive Evaluation by Principal Component[J]. Application of Statistics and Management, 2006, 25(2): 211-214.

[37]
吴明隆.问卷统计分析实务SPSS操作与应用[M].重庆: 重庆大学出版社, 2010.

WU M L. Practice of Questionnaire Statistical Analysis[M]. Chongqing: Chongqing University Press, 2010.

Options
文章导航

/

〈 〉