EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 2: 173 - 184

DOI: https://doi.org/10.6046/zrzyyg.2023346

技术应用

适应未来的山地城市可持续扩张绿色基础设施网络建设——以云南省临沧市为例

  • 李健娥 ,
  • 张云
展开
  • 西南林业大学园林园艺学院,昆明 650224
张 云(1973-),男,副教授,主要从事景观规划与生态环境保护研究。Email: 。

李健娥(1997-),女,硕士研究生,主要从事景观规划与生态环境保护研究。Email: 。

Copy editor: 陈庆

收稿日期: 2023-11-14

  修回日期: 2024-03-17

  网络出版日期: 2026-06-03

基金资助

云南省教育厅科学研究基金“‘荒野智慧’下的西双版纳州生物多样性保护策略研究”(2023Y0754)

2021云南省专业学位研究生案例库建设项目“民族园林(传统村落保护规划)教学案例库”(编号: 云学位[2021]18号共同资助)

收起

Construction of a green infrastructure network for sustainable expansion of mountain cities: A case study of Lincang City, Yunnan Province, China

  • LI Jian’e ,
  • ZHANG Yun
Expand
  • College of Horticulture and Landscape Architecture, Southwest Forestry University, Kunming 650224, China

Received date: 2023-11-14

  Revised date: 2024-03-17

  Online published: 2026-06-03

Fold

摘要

构建区域绿色基础设施(green infrastructure, GI)网络可缓解快速城市化进程中土地利用与生态发展的矛盾,对未来的城市规划具有重要作用。以我国西南地区典型山地城市临沧市为例,利用未来土地利用模拟(patch-generating land use simulation, PLUS)模型预测2030年临沧市在生态优先情景下的土地利用和土地覆盖(land use and land cover, LULC); 在此基础上,整合形态空间格局分析(morphological spatial pattern analysis, MSPA)、最小累积阻力(minimum cumulative resistance, MCR)模型和电路理论提取生态源地和生态廊道,构建一个经过优化的适应临沧市未来可持续城市扩张的2030年GI网络。结果表明: 预测2020—2030年间,临沧市建设用地面积增加约23%,林地、草地面积分别减少0.2%和1.3%,由于合理的治理与保护,水域增长率高达46.9%; GI景观要素核心区面积占56.12%,边缘占21.3%,支线、桥接区、孤岛、穿孔、环道占比较小,5个总占比为22.6%; 在可持续的城市扩张情景下,GI规模变化不明显,建成区的GI相对分散,优化后的GI网络将由12个生态源地和24的生态廊道组成。研究基于MSPA-PLUS模型构建临沧市2030年GI网络,为临沧市和其他山地城市规划提供新思路,对GI保护和维护区域生态安全具有重要意义。

关键词： 绿色基础设施网络; MSPA-PLUS模型; 山地城市; 可持续扩张; 临沧市

本文引用格式

李健娥 , 张云 . 适应未来的山地城市可持续扩张绿色基础设施网络建设——以云南省临沧市为例[J]. 自然资源遥感, 2025 , 37(2) : 173 -184 . DOI: 10.6046/zrzyyg.2023346

Abstract

Constructing a regional green infrastructure (GI) network can alleviate the contradiction between land use and ecological development in the process of rapid urbanization, playing a significant role in future urban planning. This study investigated Lincang City, a typical mountain city in Southwest China. Employing the patch-generating land use simulation (PLUS) model, this study predicted the land use and land cover (LULC) in Lincang City in 2030 under the ecological priority scenario. Furthermore, this study extracted information about the ecological source areas and corridors by integrating the morphological spatial pattern analysis (MSPA), minimum cumulative resistance (MCR) model, and circuit theory. Finally, this study constructed an optimized GI network for 2030 adapted to the sustainable expansion of Lincang City. The results show that from 2020 to 2030, the construction land area in Lincang City is projected to expand by about 23 %, while forest land and grassland will decrease by 0.2 % and 1.3 %, respectively. The water area is expected to increase by 46.9 % under reasonable management and protection. The core zone of GI landscape elements will represent 56.12% of the total area, while the edges will make up 21.3%. The spurs, bridging zones, islets, perforations, and circuits will constitute the rest 22.6%. Under the sustainable urban expansion scenario, the GI scale remains overall stable, with a relatively scattered distribution in built-up areas. The optimized GI network will involve 12 ecological source areas and 24 ecological corridors. The GI network of Lincang City in 2030 constructed based on the MSPA-PLUS model strengthens the understanding of the GI network for the sustainable development of a mountain city, adapting to future urban development. This study provides novel insights into the urban planning of mountain cities including Lincang and critical implications for GI protection and regional ecological security maintenance.

Key words： green infrastructure network; MSPA-PLUS model; mountain city; sustainable expansion; Lincang City

0 引言

随着全球人口的快速增长和城市化进程的加快,高强度的土地开发和持续的人类活动造成了许多生态环境问题,如城市空气质量恶化、生物多样性丧失、水系统污染以及人类福祉下降[1-2],从而导致城市可持续发展能力减弱和生态恢复力下降。基于自然的绿色基础设施(green infrastructure,GI)被认为能完美替代传统工程措施(灰色基础设施),缓解这些城市问题,因此引起了越来越多的关注[3-5]。GI概念在1999年美国可持续发展委员会发布的《迈向可持续的美国: 为21世纪促进繁荣,机会和健康的环境》报告中正式被提出,是指城市内部或周围的天然或人工的植被和水域,包括森林、草地、湖泊、河流和公园[6-7]。GI网络由网络中心(hubs)、连接廊道(links)和独立场地(sites)相互连接组成[8-9]。作为城市级绿地的基础设施网络,连接重要的开放空间,为人类提供广泛的生态系统服务[10-11],具有社会、经济和生态效益多种功能,是有效缓解土地开发与生态保护之间矛盾的重要保护策略[12],因此GI在维持生物多样性和促进城市可持续发展方面发挥着越来越重要的作用。
近年来,GI网络建设、评价和优化引起广泛的关注,形态学空间格局分析法(morphological spatial pattern analysis, MSPA)常用于GI网络分析中,是基于腐蚀、膨胀、开运算、闭运算等数学形态学原理提出的一种对栅格图像空间格局进行度量、识别和分割的图像处理方法,能够准确区分景观类型和结构[13]。何侃等[14]、费文君等[15]基于MSPA法进行城市GI网络构建,袁逸敏等[16]基于MSPA结合电路理论进行城市GI网络构建,陈炯臻等[17]、于亚平等[18]基于MSPA法进行市域和县域GI网络时空格局演变分析,陈晨等[19]、于亚平等[20]基于MSPA法进行城市和流域GI网络格局与连通性分析,马银等[21]基于CA-Markov和MSPA进行城市GI预测与时空演变分析。土地利用变化模型(patch-generating land use simulation, PLUS)是集成了土地扩张策略分析模块(land expansion analysis strategy, LEAS)和基于多类随机斑块种子(CA based on multiple random seeds, CARS)的元胞自动机(cellular automata, CA)模型的未来土地利用变化模型[22],可用于探索土地扩张的驱动因素并预测景观的动态演化,能够在更精细的分辨率下模拟草地、林地等自然类型斑块的生成和演化,在时空范畴上分析多类土地利用斑块变化的机制[23-24]。GI网络建设可为当前的城市规划和区域生态安全提供一定的指导,可综合考虑自然和社会的动态。未来城市扩张的GI建设可能会更先进,并有一定的预见性。
云南省临沧市为西南地区典型的山地城市,具有独特的地理位置与丰富的自然资源。随着人口增长和工业化、城镇化的不断推进,经济发展对生态环境的压力持续加大,自然灾害频发,地质灾害严重,导致局部地区生态系统脆弱,不利于山地城市可持续发展。目前基于MSPA进行区域、县域城市GI网络构建研究较多[13-21,25-32],但对山地城市进行未来可持续发展的GI网络构建研究仍较欠缺。本次研究针对山地城市的基本问题,基于MSPA法、景观连通性理论、最小累积阻力模型(minimum cumulative resistance, MCR)和电路理论,引入PLUS模型,基于土地利用和覆被(land use and land cover, LULC)数据进行土地利用模拟,并在生态阻力面的因子选取中加入山地城市代表性因子,初步为未来山地城市可持续扩张情景下的GI网络建设提出了一个改进的框架,适应山地城市未来可持续发展,可在一定程度上弥补研究方法的不足,为临沧市未来城市发展的GI网络构建提供科学的研究依据,并针对山地城市的典型生态问题提出相关保护建议。利用PLUS模型预测城市发展趋势,从土地利用直接变化中寻找城市绿地规模变化规律,并运用MSPA法、MCR模型和电路理论等方法分析量化临沧市未来GI区域特征,以适应可持续城市的扩张,为临沧市和其他的山地城市国土空间规划生态建设提供参考,对保护GI和区域生态安全具有重要价值。

1 研究区概况及数据源

1.1 研究区概况

临沧市位于云南省西南部(98°40'~100°32'E,23°05'~25°03'N),因濒临澜沧江而得名,北回归线横穿辖区南部,澜沧江、怒江流经辖区东西两侧,国土面积2.36万km2,山区面积达97.5%(图1)。全市辖1区4县3民族县,有彝、佤、拉祜、傣、布朗等11个世居少数民族,是南方丝绸之路和茶马古道上的重要节点。其地处横断山系怒山山脉南延部分,属于亚热带低纬高原山地季风气候,年平均气温19.5 ℃,自然资源丰富,森林覆盖率达70.20%,有“国家森林城市”之称。生物多样性丰富,有野生高等植物4 200多种、野生动物700多种,是全球景观类型、生态系统和生物特征最丰富的地区之一,它是全球重要的生物多样性区域,也是物种基因库的集中地,滇西南生物多样性重点保护区域。
图1 研究区示意图

Fig.1 Schematic diagram of the study area

1.2 数据源及其处理

2000年、2010年、2020年30 m土地利用数据来源于Global30,基于ArcGIS软件,将土地利用类型重新划分为7种类型,包括耕地、林地、灌木、草地、湿地、水域和建设用地。30 m分辨率的数字高程模型(digital elevation model,DEM)数据来源于地理空间数据云; 道路、水系、居民点数据来源全国地理信息资源目录服务系统; GDP、气温、降水数据来源于资源环境科学与数据中心; 乡镇街道数据来源国家统计局; 人口密度数据来源全国第七次人口普查。数据来源如表1所示。
表1 数据介绍及来源

Tab.1 Data introduction and source

类别 数据 分辨率/m 来源
自然因素 土地利用类型 30 Global30 (http://www.globallandcover.com/)
高程 地理空间数据云(http://www.gscloud.cn)
坡度 基于DEM数据得到
坡向 基于DEM数据得到
年平均气温 1 000 资源环境科学与数据中心(https://www.resdc.cn/)
年平均降水
区位因素 省道距离 30 全国地理信息资源目录服务系统(https://www.webmap.cn/main.do?method=index)
县道距离
乡道距离
铁路距离
居民点距离
水系距离
乡镇街道距离 30 国家统计局
社会因素 GDP 1 000 资源环境科学与数据中心(https://www.resdc.cn/)
人口密度 100 全国第七次人口普查

2 研究方法

2.1 未来城市扩张的LULC模拟

2.1.1 PLUS模型

PLUS模型指由LEAS模型和CARS的CA模型2个模块组成的斑块级土地利用变化模拟模型,能够确定土地扩张过程的驱动因素,具有较高的模拟精度[23,25]。LEAS模块中输入2期土地利用数据,利用随机森林算法计算驱动要素对各土地利用类型扩张的影响,以确定区域不同类型土地的发展潜力[33-35]。CARS的CA模型基于LEAS的结果进行,能够模拟局部土地利用竞争,使土地利用总量在更大尺度上根据自适应系数、邻里效应和发展概率满足未来需求[23,26]。
土地利用变化是自然地理因素和社会经济因素共同作用的结果,临沧市作为山地城市,具有丰富的自然资源和复杂的地形条件。本研究根据研究区域现状,结合参考文献[22-24,31,35],考虑数据的易获取性,选取14个适用于临沧市山地城市特征的驱动因子,包括社会经济、自然和区位因素数据: GDP、人口密度; 高程、坡度、坡向、年平均气温、年平均降水; 省道距离、县道距离、乡道距离、铁路距离、乡镇街道距离、水系距离、居民点距离(图2),并对驱动因子进行量化。其中高程、坡度、坡向能够反映山地城市的地形坡度和起伏度,并使用LEAS模块识别其驱动力。参考相关研究[33-35],基于临沧市2010年LULC数据,对2020年进行土地利用情景模拟,并利用2020年真实数据验证模拟结果的准确性。之后在保证模型高精度的基础上,模拟生态优先情景下2030年的土地利用情况。生态优先情景下,为维护区域生态安全,限制林地、水域、湿地及建设用地转化为其他地类。1表示地类之间可以转换,0表示地类之间禁止转换,成本设置如表2所示。
图2 驱动因子分布图

Fig.2 Distribution of driving factors

表2 特定转换规则的成本矩阵

Tab.2 The cost matrix for the specific conversion rules

LULC
类型		 耕地 林地 灌木 草地 水域 湿地 建设
用地
耕地 1 1 1 1 1 1 1
林地 0 1 0 0 0 0 0
灌木 1 1 1 1 1 1 1
草地 1 1 1 1 1 1 1
水域 0 0 0 0 1 0 0
湿地 0 0 0 0 0 1 0
建设用地 0 0 0 0 0 0 1

2.1.2 Markov模型

Markov模型考虑到土地利用量模拟的强可用性,使用Markov模型预测每个土地利用与覆被变化的未来需求[22,33-35]。具体公式为:
P = P 11 P 12 P 1 n P 21 P 22 P 2 n . . . P n 1 P n 2 P n n 且 ∑ j = 1 n P i j = 1 ( i = 1,2 , … , n ) ,
S t + 1 = P S t ,
式中: P为土地利用类型的转移概率矩阵; S t和 S t + 1为 t与 t + 1时期的土地利用; n为土地利用类型。

2.1.3 评价指标

研究使用总体分类精度(overall accuracy, OA)、Kappa系数以评估PLUS模型的模拟性能[23],可以揭示建模过程的准确性,其公式为:
O A = ∑ i = 1 n P i N ,
K = ( P a - P e ) / ( 1 - P e ) ,
式中: n为分类类别数; Pi为每类中正确样本的数量; N为验证样本数量; K为Kappa系数; P a和 P e分别为实际精度和预期的预测精度。
OA越大,代表分类精度和模拟效果越好[36]; 当Kappa值大于0.7时,说明一致性较好,模拟结果被认为是可靠的[33-34]。

2.2 生态源地识别

2.2.1 基于MSPA的绿色基础设施要素识别

本次研究为了区分城市中GI与灰色基础设施的空间差异,在2030年预测的LULC中确定GI为林地、灌木、草地和水域。将2030年的LULC重新分类为前景(GI)和背景(其他土地类型),并转换成TIFF数据,像素值分别为2和1,边缘宽度设置为10(栅格大小30 m×30 m),GI划分为核心区、孤岛、穿孔、边缘、桥接区、环道、分支7种景观类型。并以面积大于20 km2的核心区为潜在生态源地。

2.2.2 景观连通性分析

景观连通性是维持生态斑块功能和生态流动平稳运行的重要前提,对生物多样性保护和生态系统健康具有重要意义[1,18-19]。研究选择整体连通性指数(integral index of connectivity, IIC)、景观连通性概率(probability of connectivity, PC)和斑块重要性(the delta values for probability index of connectivity, dPC)对潜在生态源的景观连通性进行量化[16-17]。计算核心区景观连通指数,参考之前的研究[17],设置距离阈值2 000 m,连通性阈值0.5。公式为:
I I C = n ∑ i = 1 n ∑ j = 1 n a i a j 1 + n l i j A L 2 ,
P C = ∑ i = 1 n ∑ j = 1 n a i a j P i j A L 2 ,
d P C = 100 ( P C - P C ' ) / P C ,
式中: n为斑块数; nlij是斑块i和斑块j之间的连接数量; ai和aj分别为斑块i和j的面积; AL为最大景观斑块面积; Pij表示斑块i和j之间直接扩散的概率; P C '为去除单个斑块后剩余斑块的整体指数值; d P C为利用斑块被移除后 P C的变化来衡量该斑块对于维持景观连通性的重要程度的指标, d P C值越大,斑块越重要。

2.3 提取生态廊道

2.3.1 生态阻力面构建

生态区物种移动和能量传递需克服相关阻碍才能进行交流,研究基于MCR模型运用“综合加权指标法”,在选择土地利用类型、坡度、与居民点距离、与水体距离、与道路距离等自然和人为因素的基础上,加入地形起伏度这一山地代表性因子来构建生态阻力面[25]。参照相关研究[15-19],将各因子分为5级,分别赋值1,3,5,7,9,通过层次分析法为每个阻力面赋予权重,阻力值越大得分越高,生物物种对扩散过程的抗性越大,具体分级指标和权重见表3。MCR计算公式为:
M C R = f m i n ∑ j = n i = m D i j × R i ,  
式中: f为正函数; min表示阻力因子中取最小值; D i j为源i到空间单元j的距离; R i为空间单元 i的阻力系数; m为栅格单元总数; n为源地总数。
表3 阻力因子分级赋值及权重

Tab.3 Resistance factor hierarchical assignment and weighting

阻力因子 分级指标 阻力值 权重
地形起伏度/m <20 1 0.153 1
[20, 34) 3
[34, 50) 5
[50, 74) 7
[74, 666] 9
坡度/(°) <10.749 1 0.081 3
[10.749, 18.24) 3
[18.24, 25.73) 5
[25.73, 35.17) 7
[35.17, 83.06] 9
土地利用类型 林地/灌木 1 0.432 2
草地/耕地 3
水域 5
湿地 7
建设用地 9
与居民点距离/m [10 777.7, 22 163.8) 1 0.193 9
[6 866.4, 10 777.7) 3
[4 780.4, 6 866.4) 5
[2 868.26, 4 780.4) 7
<2 868.26 9
与水体距离/m [5 007.19, 10 913.11) 1 0.103
[3 338.12, 5 007.19) 3
[2 054.23, 3 338.12) 5
[941.52, 2 054.23) 7
<941.52 9
与道路距离/m [5 697.67, 12 418) 1 0.036 5
[3 603.65, 569 7.67) 3
[2 142.7, 3 603.65) 5
[925.26, 2 142.7) 7
<925.26 9

2.3.2 电路理论

电路理论是将景观的表面视为导电表面,对有利于生态流动的景观类型赋予较低的电阻值,对阻碍环境流动的景观类型赋予较高的电阻值[26-28]。生态源地被视为零电阻节点,并通过电子的随机游走模拟景观物种的生态过程[16]。研究基于电路理论使用Linkage Mapper工具将生态源地和生态阻力面结合起来,构建临沧市核心区域之间的最小成本路径(least-cost-path,LCP),作为物种在源地之间流动的最佳廊道。并观察廊道中交叉节点之间以及节点与线之间的结构特征。节点可用来做GI网络的垫脚石,改善城市GI内部的景观连通性,最大限度地利用城市GI的优势。

3 结果与分析

3.1 临沧市2030年LULC模拟结果

3.1.1 对PLUS-Markov模型的验证

在本研究中,首先利用2000年和2010年的LULC模拟2020年的LULC,然后将模拟结果与2020年的实际LULC进行比较,验证PLUS-Markov模型的精度。计算2020年模拟LULC和实际LULC之间Kappa系数,验证结果Kappa值为0.81,总体精度达90.06%,说明本次研究使用的模拟模型较合理,可以科学地应用预测未来的LULC。研究发现,在LULC类型中,森林、草地、水域和建筑用地的模拟非常准确,但灌木、湿地的模拟效果不好(图3,表4)。
图3 2020年实际和模拟LULC的比较

Fig.3 Comparison of the actual and simulated LULC in 2020

表4 2020年实际LULC与2020年模拟LULC转换矩阵

Tab.4 Actual LULC in 2020 and simulated LULC in 2020 (km2)

2020年实际
LULC		 2020年预测LULC
耕地 林地 灌木 草地 水域 湿地 建筑用地
耕地 439.468 24.206 1.373 1.201 0.002 2.054 2.267
林地 41.85 700.329 20.796 15.893 0 3.662 0.782
灌木 0.641 1.567 8.334 0.425 0 0.296 0.102
草地 1.311 7.987 0.618 13.357 0 0.037 0.057
水域 0.021 0 0 0 0.128 0.022 0
湿地 0.275 0.453 0.054 0.004 0.013 2.975 0.016
建筑用地 0.783 0.172 0.02 0.012 0 0.034 4.766

3.1.2 预测2030年的LULC

为了预测2030年的土地利用情况,首先使用PLUS模型提取和分析了2020年的数据。通过土地利用扩展分析策略(LEAS)模块,探讨了各种驱动因素对当时各种土地利用类型面积扩展的贡献。选择14个驱动因子(图2,表5),得到限制土地利用扩张后各类土地利用的发展概率,对林地发展概率的最大贡献因素是铁路距离、高程和GDP,而耕地的最大贡献因素是铁路距离、GDP、高程、省道和县道距离。建筑用地的最大贡献因素是县道距离、年平均气温、乡镇街道距离和铁路距离。水域的最大贡献因素是高程、坡度、气温和人口。基于CARS模块的驱动因子CA的贡献值,结合随机种子生成和阈值递减规则,利用开发概率模拟斑块。经过精度验证后,模拟2030年的土地利用地图,如图4所示。
表5 各驱动因子的贡献

Tab.5 Contribution of each driving factor

驱动因子 耕地 林地 灌木 草地 水域 湿地 建筑用地
铁路距离 0.139 0.165 0.095 0.218 0.009 0.218 0.108
GDP 0.098 0.115 0.112 0.149 0.023 0.149 0.064
高程 0.091 0.120 0.162 0.060 0.761 0.060 0.018
省道距离 0.090 0.082 0.065 0.086 0.002 0.086 0.021
县道距离 0.080 0.055 0.036 0.038 0.022 0.038 0.299
年平均降水 0.073 0.053 0.026 0.073 0.019 0.073 0.078
年平均气温 0.071 0.071 0.091 0.090 0.041 0.090 0.299
人口密度 0.069 0.061 0.069 0.066 0.025 0.066 0.033
居民点距离 0.065 0.067 0.174 0.048 0.012 0.048 0.046
乡镇街道距离 0.064 0.051 0.073 0.041 0.013 0.041 0.209
乡道距离 0.060 0.048 0.030 0.035 0.008 0.035 0.037
水系距离 0.050 0.058 0.031 0.047 0.017 0.047 0.026
坡度 0.028 0.032 0.023 0.028 0.046 0.028 0.019
坡向 0.022 0.023 0.013 0.021 0.002 0.021 0.008
图4 2030年城市可持续扩张LULC模拟

Fig.4 LULC simulation of urban sustainable expansion in 2030

2030年临沧市GI包括林地、灌木、草地和水域,占总面积的62.4%,面积为14 759.79 km2。林地是GI的重要组成部分,分布于整个研究区域,占比达56.4%,保持相对稳定,具有山地城市的基本特征。灌木地主要分布在北部和东南部山地区域,占总面积的2.4%。草地主要分布在研究区域的北部和西南部,占总面积的2.3%。水域占比最小,主要以澜沧江流域为主,占总面积的1.2%。其他用地包括耕地、湿地和建设用地,三者面积占比为37.6%,总面积为8 885.79 km2。其中,耕地面积占比最大,面积为8 708.56 km2,占总面积的36.8%; 建筑用地面积为174.94 km2,主要分布在各个县城的建成区交通便利区域,占总面积的0.7%; 湿地面积占比最小,为2.29 km2,占比不到0.01%。
对比2020年和2030年临沧市的LULC(表6)。2020—2030年间,由于建成区逐渐扩张,建设用地面积增加明显,从2020年的142.32 km2增加到174.94 km2,约增加23%。由于山水林田湖草生态保护修复政策的提出,林地、草地得到一定程度上的保护,临沧市区域内林地、草地面积变化较小,分别减少0.2%和1.3%。由于澜沧江得到合理的治理与保护,水域面积由2020年的198.90 km2增加到2030年的292.19 km2,增长率高达46.9%。随着城市建设的增加,城市内的绿地和绿道的密度越来越大,其形式也变得复杂和多样,河流和道路沿线的保护森林已经得到了很大程度的恢复。到2030年GI面积预计将增加。
表6 2020年和2030年的LULC

Tab.6 LULC in 2020 and 2030 (km2)

LULC 2020年 2030年
耕地 8 783.21 8 708.56
林地 13 368.66 13 341.73
灌木 588.94 572.25
草地 561.07 553.63
湿地 2.48 2.29
水域 198.90 292.19
建设用地 142.32 174.94

3.2 GI分类和生态源地识别

基于MSPA将临沧市2030年的GI分为7类,如图5所示,核心区面积为13 267.54 km2,占GI前景面积的56.12%,主要分布在中南部区域镇康县、耿马县、双江县、沧源县等山地区域,其次为边缘,面积为5 036.51 km2,占GI前景面积的21.3%,支线、桥接区、孤岛、穿孔、环道占比较小,5个类别总占比为22.6%。研究表明,临沧市整体GI景观相对较好,GI分布相对分散。
图5 2030年GI的MSPA类型

Fig.5 The MSPA type of GI in 2030

提取GI中面积最大的30个核心区作为GI网络的潜在生态源地(图6(a)),并运用景观连通性量化潜在生态源地。通过景观连通性分析,选择dPC大于2.5的12个潜在生态源地作为临沧市GI网络的最终生态源地(图6(b),表7)。
图6 生态源地的连通性分析

Fig.6 Connectivity analysis of the ecological sources

表7 生态源地的连通性分析

Tab.7 Connectivity analysis of the ecological sources

生态源地 IIC dPC 面积/km2
28 59.192 67 66.281 86 2 226.609 66
29 31.441 32 35.356 68 2 135.334 02
25 24.325 80 26.007 96 151.839 31
22 19.335 24 21.656 50 87.248 11
27 16.216 41 19.930 38 25.001 09
26 15.584 89 17.100 31 20.459 06
23 13.704 60 15.128 40 439.284 98
24 12.494 35 12.984 15 39.251 32
21 9.941 41 11.331 57 310.181 37
20 11.845 72 10.377 36 33.911 14
14 2.884 15 3.066 77 138.058 89
19 2.823 52 2.772 68 291.161 51

3.3 提取生态廊道

基于MCR模型构建2030年生态阻力面(图7),阻力值范围为1~4.794之间,阻力值越低,该区域的交流和通信能力越强。由于人类活动频繁,对野生物种生存造成威胁,建筑用地和山谷地区阻力值较高,临沧市GI区域阻力值较低,包括森林、灌木和草原,通常是野生物种的栖息地。
图7 生态阻力面

Fig.7 Ecological resistance surface

以MCR模型为基础,运用电路理论中的Linkage-mapper工具提取临沧市2030年GI网络的潜在生态廊道,如图8(a)所示。28条潜在生态廊道连接12个生态源地,并在生态廊道的交叉处形成6个生态节点(与部分源点重合),共同呈现出一个网络的局部集群布局。该网络密度高,结构复杂、碎片化。生态源地和生态廊道分布不均,主要聚集在研究区域中南部区域,北部和南部区域几乎不存在生态源地和生态廊道,阻碍物种迁移。西北部中央GI源地与其他源地之间难以建立联系;景观通道之间的通信不顺畅,扩散潜力较低。因此,本次研究参考临沧市生态保护建议,在提取的潜在廊道中添加6个生态源地,整合相近的生态源地进行GI网络优化,优化后的GI网络包括24条生态廊道和12个生态源地,如图8(b)所示,图中生态源点为新增生态源地的中心。
图8 临沧市GI网络生态廊道建设

Fig.8 Ecological corridor construction in the GI network of Lincang City

3.4 GI网络的构建与分析

通过2030年重塑的生态源地、优化的生态廊道、LULC以及实际生态廊道,构建并绘制临沧市未来可持续城市扩张的GI网络(图9)。研究表明,在可持续的城市扩张情景下,GI网络将由12个生态源地和24个连接它们的生态廊道组成,为12个源地之间的通信和扩散提供便利的通道,并在物种的生存和迁移中发挥重要作用。生态廊道的交叉口生成的12个节点(包括6个源节点和6个生态节点)为GI网络中物质、能量和信息交换的场所。此外,GI网络还将包括一些实际的生态廊道,即澜沧江、江、怒江及其支流,通常是水生或两栖物种生存、生活和迁移的重要区域。
图9 2030年临沧市可持续城市扩张的GI网络图

Fig.9 The GI Network diagram of the sustainable urban expansion of Lincang City in 2030

根据遥感图像数据和实地调查研究,临沧市作为西南地区典型的山地城市,因地形起伏,资源开发与生态保护的矛盾在快速城市化进程中突显。因此,在保护城市山地特征的前提下,应该因地制宜地对山地资源进行合理开发利用。建成区的GI主要包括道路两侧的街道树木、花坛、环湖林,以及公园、道路、桥梁周围的植被分布等。应进行绿地的修复、开发和建设,包括保护湖泊水质、保护山地森林、保护城市人造草坪、开发建设人工水道、合理开发利用耕地。其目的是提高人类居住区的宜居性,提高山地城市抵御自然灾害的能力,并维持生物多样性。

4 结论

在快速城市化背景下,本研究将PLUS模型、MSPA模型、MCR模型和电路理论结合起来,初步为山地城市未来可持续城市扩张情景下的GI网络建设提出一个改进框架,为促进山地城市景观连通性和人居宜居性提供理论参考,为临沧市城市空间规划提供发展方向。
1)使用PLUS模型预测临沧市城市空间结构,获得临沧市城市扩张程度,指明未来山地城市扩张和绿地覆盖的变化方向。临沧市2030年土地利用模拟结果显示,建筑面积正在增加,目前的GI规模比以前更密集,绿地已经恢复到了良好的程度。优化绿地和水体的景观格局是GI网络形成的关键。临沧市主要城区继续向外扩张,GI区波动较小,但主城区的GI分布仍相对分散。由于环境等相关和社会经济因素,GI主要分布在建成区的边缘。
2)利用MSPA进行GI景观类型分析,GI元素的核心区面积为1 326.54 km2,占GI前景面积的56.12%,主要分布在临沧市中南部区域。并提取12个最终生态源地和生态廊道28条,呈现出一个网络的局部集群的布局,网络密度高,结构复杂、碎片化。
3)GI网络通过提供多种生态服务促进经济和社会的可持续性,维护生态安全,从而将其应用于城市规划、景观设计等以及不同未来情景下的生态保护。GI网络作为野生物种生存和迁移的重要栖息地,对保护城市生物多样性具有重要意义。本研究通过重塑的生态源地、优化的生态廊道、LULC以及实际生态廊道,构建并绘制临沧市未来可持续城市扩张的GI网络。在可持续的城市扩张情景下,GI网络将由12个生态源地和24个连接它们的生态廊道组成。生成12个节点作为GI网络中物质、能量和信息交换的场所。
通过对临沧市2030年土地利用进行模拟,构建GI网络,在未来城市扩张的多种情景下,GI网络建设框架将对提高城市发展可持续性发挥重要作用。在临沧市生态保护和可持续发展的实践中,对未来情景的GI网络建设具有重要意义。当然,本次研究也存在一些不足之处:
1)利用PLUS模型进行土地利用预测确定驱动因素对土地利用类型转换的贡献,驱动因子的确定是主观的,没有考虑相关的政策因素,也未对研究地进行实地调查。未来应对区域实际情况进行调查与分析,选择更加能反映研究区域实际情况的驱动因子,更科学地模拟土地利用变化过程的动态特征。
2)生态源地的确定主要以景观连通性分析确定,并未考虑临沧市生态源地的景观成分和特定的生态系统服务。对生态廊道的空间分布进行了建模,但忽略了决定物种迁移速度的原因,以及GI网络中的物质和能量流动过程。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Lee H, Song K, Kim G, et al. Flood-adaptive green infrastructure planning for urban resilience[J]. Landscape and Ecological Engineering, 2021, 17(4):427-437.

[2]
Li K, Feng M, Biswas A, et al. Driving factors and future prediction of land use and cover change based on satellite remote sensing data by the LCM model:A case study from Gansu Province,China[J]. Sensors, 2020, 20(10):2757.

[3]
Smart L S, Vukomanovic J, Sills E O, et al. Cultural ecosystem services caught in a ‘coastal squeeze’ between sea level rise and urban expansion[J]. Global Environmental Change, 2021, 66:102209.

[4]
Bottalico F, Chirici G, Giannetti F, et al. Air pollution removal by green infrastructures and urban forests in the city of Florence[J]. Agriculture and Agricultural Science Procedia, 2016, 8:243-251.

[5]
Gunnell K, Mulligan M, Francis R A, et al. Evaluating natural infrastructure for flood management within the watersheds of selected global cities[J]. Science of the Total Environment, 2019, 670:411-424.

DOI

[6]
Li K, Li C, Liu M, et al. Multiscale analysis of the effects of urban green infrastructure landscape patterns on PM2.5 concentrations in an area of rapid urbanization[J]. Journal of Cleaner Production, 2021, 325:129324.

[7]
Benedict M A, McMahon E T. Green infrastructure:Smart conservation for the 21st century[J]. Renewable resources journal, 2002, 20(3):12-17.

[8]
Benedict M A, McMahon E. Green infrastructure:linking landscapes and communities[M]. Washington,DC: Island Press, 2006.

[9]
Jeong D, Kim M, Song K, et al. Planning a green infrastructure network to integrate potential evacuation routes and the urban green space in a coastal city:The case study of Haeundae District,Bu-san,South Korea[J]. Science of the Total Environment, 2021, 761:143179.

[10]
Lee Vincent, Bartholemew Richard, 赵志勇. 纽约绿色基础设施规划方法及在中国城市规划应用[J]. 中国给水排水, 2016, 32(15):126-129.

Lee V, Bartholemew R, Zhao Z Y. New York green infrastructure planning and its application to master planning of sponge city in China[J]. China Water & Wastewater, 2016, 32(15):126-129.

[11]
蒋文伟, 孙鹏. 绿色基础设施理论研究——以慈溪市绿地系统规划为例[J]. 北京林业大学学报(社会科学版), 2012, 11(2):54-59.

Jiang W W, Sun P. Theory research on green infrastructure:Taking green land system planning of Cixi City in Zhejiang Province as an example[J]. Journal of Beijing Forestry University (Social Sciences), 2012, 11(2):54-59.

[12]
裴丹. 生态保护网络化途径与保护优先级评价——“绿色基础设施” 精明保护策略[J]. 北京大学学报(自然科学版), 2012, 48(5):848-854.

Pei D. Ecological conservation networks and conservation priority evaluation:Green infrastructure as a smart conservation stratege[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2012, 48(5):848-854.

[13]
丁金华, 孙琦, 钱晶. 基于MSPA-InVEST模型的水网乡村绿色基础设施网络构建研究——以吴江东北片区为例[J]. 西北林学院学报, 2022, 37(6):183-191.

Ding J H, Sun Q, Qian J. Research on the construction of green infrastructure network in the water net countryside based on MSPA-InVEST model:A case study of the northeast area of Wujiang[J]. Journal of Northwest Forestry University, 2022, 37(6):183-191.

[14]
何侃, 林涛, 吴建芳, 等. 基于空间优先级的福州市中心城区绿色基础设施网络构建[J]. 应用生态学报, 2021, 32(4):1424-1432.

DOI

He K, Lin T, Wu J F, et al. Construction of green infrastructure network based on spatial priority in downtown of Fuzhou,China[J]. Chinese Journal of Applied Ecology, 2021, 32(4):1424-1432.

[15]
费文君, 赵梦琴. 基于MSPA的南京市绿色基础设施网络构建[J]. 南京林业大学学报(自然科学版), 2022, 46(3):50-56.

DOI

Fei W J, Zhao M Q. Construction of Nanjing green infrastructure network based on MSPA[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2022, 46(3):50-56.

[16]
袁逸敏, 李沛鸿, 熊凡. 基于MSPA与电路理论的赣州市绿色基础设施网络构建[J]. 安徽农业科学, 2023, 51(12):15-20.

Yuan Y M, Li P H, Xiong F. Construction of green infrastructure network in Ganzhou City based on MSPA and circuit theory[J]. Journal of Anhui Agricultural Sciences, 2023, 51(12):15-20.

[17]
陈炯臻, 季翔, 葛希辰, 等. 基于MSPA和空间句法的县域绿色基础设施网络时空格局演变分析: 以徐州市睢宁县为例[J]. 现代城市研究, 2022, 37(10):101-107.

Chen J Z, Ji X, Ge X C, et al. Spatial and temporal pattern evolution of county green infrastructure network based on MSPA and spatial syntax:A case study of Suining County in Xuzhou City[J]. Modern Urban Research, 2022, 37(10):101-107.

[18]
于亚平, 尹海伟, 孔繁花, 等. 基于MSPA的南京市绿色基础设施网络格局时空变化分析[J]. 生态学杂志, 2016, 35(6):1608-1616.

Yu Y P, Yin H W, Kong F H, et al. Analysis of the temporal and spatial pattern of the green infrastructure network in Nanjing,based on MSPA[J]. Chinese Journal of Ecology, 2016, 35(6):1608-1616.

[19]
陈晨, 徐威杰, 张彦, 等. 独流减河流域绿色基础设施空间格局与景观连通性分析的尺度效应[J]. 环境科学研究, 2019, 32(9):1464-1474.

Chen C, Xu W J, Zhang Y, et al. Scale effect of the spatial pattern and connectivity analysis for the green infrastructure in Duliujian River basin[J]. Research of Environmental Sciences, 2019, 32(9):1464-1474.

[20]
于亚平, 尹海伟, 孔繁花, 等. 南京市绿色基础设施网络格局与连通性分析的尺度效应[J]. 应用生态学报, 2016, 27(7):2119-2127.

DOI

Yu Y P, Yin H W, Kong F H, et al. Scale effect of Nanjing urban green infrastructure network pattern and connectivity analysis[J]. Chinese Journal of Applied Ecology, 2016, 27(7):2119-2127.

[21]
马银, 郑敏睿, 郑新奇, 等. 基于CA-Markov和MSPA的绿色基础设施预测与时空演变分析——以京津冀城市群为例[J]. 生态学报, 2023, 43(16):6785-6797.

Ma Y, Zheng M R, Zheng X Q, et al. Prediction and spatiotemporal evolution analysis of green infrastructure based on CA-Markov and MSPA:A case study of Beijing-Tianjin-Hebei urban agglomeration[J]. Acta Ecologica Sinica, 2023, 43(16):6785-6797.

[22]
杨朔, 苏昊, 赵国平. 基于PLUS模型的城市生态系统服务价值多情景模拟——以汉中市为例[J]. 干旱区资源与环境, 2022, 36(10):86-95.

Yang S, Su H, Zhao G P. Multi-scenario simulation of urban ecosystem service value based on PLUS model:A case study of Hanzhong City[J]. Journal of Arid Land Resources and Environment, 2022, 36(10):86-95.

[23]
Liang X, Guan Q, Clarke K C, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use si-mulation (PLUS) model:A case study in Wuhan,China[J]. Computers,Environment and Urban Systems, 2021, 85:101569.

[24]
舒晓艺. 南流江流域土地利用/覆被变化模拟研究[D]. 南宁: 南宁师范大学, 2021.

Shu X Y. Simulation research on land use/cover change in Nanliu River Basin[D]. Nanning: Nanning Normal University, 2021.

[25]
Wang F, Chen J, Tong S, et al. Construction and optimization of green infrastructure network based on space syntax:A case study of Suining County,Jiangsu Province[J]. Sustainability, 2022, 14(13):7732.

[26]
汪勇政, 李久林, 顾康康, 等. 基于形态学空间格局分析法的城市绿色基础设施网络格局优化——以合肥市为例[J]. 生态学报, 2022, 42(5):2022-2032.

Wang Y Z, Li J L, Gu K K, et al. Optimization of urban green infrastructure network layout based on MSPA-CIRCUIT:Case of Hefei[J]. Acta Ecologica Sinica, 2022, 42(5):2022-2032.

[27]
田永莲. 基于MSPA和MCR模型的重庆中心城区绿色基础设施网络构建研究[D]. 重庆: 西南大学, 2022.

Tian Y L. The study on green infrastructure network in Chongqing central based on MSPA and MCR model[D]. Chongqing: Southwest University, 2022.

[28]
汪子茗, 吕梁, 汪峰. 基于多源数据的山地县域绿色基础设施网络构建及修复策略——以重庆市万州区为例[J]. 热带地理, 2024, 44(2):303-314.

DOI

Wang Z M, Lyu L, Wang F. Construction and restoration strategies of green infrastructure network in mountainous counties based on multi-source data:A case study of Wanzhou District,Chongqing[J]. Tropical Geography, 2024, 44(2):303-314.

[29]
赵海霞, 范金鼎, 骆新燎, 等. 绿色基础设施格局变化及其驱动因素——以南京市为例[J]. 生态学报, 2022, 42(18):7597-7611.

Zhao H X, Fan J D, Luo X L, et al. Changes of green infrastructure pattern and its driving factors:Taking Nanjing as an example[J]. Acta Ecologica Sinica, 2022, 42(18):7597-7611.

[30]
曹畅, 车生泉. 融合MCR模型的绿色基础设施适宜性评价——以上海市青浦区练塘镇为例[J]. 西北林学院学报, 2020, 35(6):304-312.

Cao C, Che S Q. Suitability evaluation of green infrastructures based on MCR model:A case study of Liantang Township,Qingpu District,Shanghai[J]. Journal of Northwest Forestry University, 2020, 35(6):304-312.

[31]
Zhang J, Zhu H, Zhang P, et al. Construction of GI network based on MSPA and PLUS model in the main urban area of Zhengzhou:A case study[J]. Frontiers in Environmental Science, 2022, 10:878656.

[32]
Zhang X, Ren Y, Zhang D, et al. Construction of the green infrastructure network for adaption to the sustainable future urban sprawl:A case study of Lanzhou City,Gansu Province,China[J]. Ecological Indicators, 2022, 145:109715.

[33]
汪辉, 刘媛, 时艳, 等. 基于PLUS模型的溱湖国家湿地公园情景模拟与预测[J]. 浙江农林大学学报, 2023, 40(6):1311-1321.

Wang H, Liu Y, Shi Y, et al. Scenario simulation and prediction of Qinhu National Wetland Park based on PLUS Model[J]. Journal of Zhejiang A & F University, 2023, 40(6):1311-1321.

[34]
牛统莉, 熊立华, 陈杰, 等. 基于PLUS模型的长江流域土地利用变化模拟与多情景预测[J]. 武汉大学学报(工学版), 2024, 57(2):129-141,151.

Niu T L, Xiong L H, Chen J, et al. Land use simulation and multi-scenario prediction of the Yangtze River Basin based on PLUS model[J]. Engineering Journal of Wuhan University, 2024, 57(2):129-141,151.

[35]
胡佶熹, 勒先文, 王卫林, 等. 基于PLUS-InVEST模型的江西省生态系统碳储量时空演变与预测[J]. 环境科学, 2024, 45(6):3284-3296.

Hu J X, Le X W, Wang W L, et al. Temporal and spatial evolution and prediction of ecosystem carbon storage in Jiangxi Province based on PLUS-InVEST model[J]. Environmental Science, 2024, 45(6):3284-3296.

[36]
何苏玲, 贺增红, 潘继亚, 等. 基于多模型的县域土地利用/土地覆盖模拟[J]. 自然资源遥感, 2023, 35(4):201-213.doi:10.6046/zrzyyg.2022274.

He S L, He Z H, Pan J Y, et al. County-scale land use/land cover simulation based on multiple models[J]. Remote Sensing for Natural Resources, 2023, 35(4):201-213.doi:10.6046/zrzyyg.2022274.

Options
文章导航

/

〈 〉