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

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	1 000	资源环境科学与数据中心(https://www.resdc.cn/)
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/)
社会因素	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

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:

(1)

P = [\begin{array}{l} P_{11} & P_{12} & P_{1 n} \\ P_{21} & P_{22} & P_{2 n} \\ . . . \\ P_{n 1} & P_{n 2} & P_{n n} \end{array}] 且 \sum_{j = 1}^{n} P_{i j} = 1 (i = 1,2, \dots, n),

(2)

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:

(3)

O A = \frac{\sum_{i = 1}^{n} P_{i}}{N},

(4)

K = (P_{a} - P_{e}) / (1 - P_{e}),

式中: $n$ 为分类类别数; P_i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:

(5)

I I C = n \frac{\sum_{i = 1}^{n} \sum_{j = 1}^{n} \frac{a_{i} a_{j}}{1 + n l_{i j}}}{A L^{2}},

(6)

P C = \sum_{i = 1}^{n} \sum_{j = 1}^{n} (\frac{a_{i} a_{j} P_{i j}}{A L^{2}}),

(7)

d P C = 100 (P C - P C') / P C,

式中: $n$ 为斑块数; nl_ij是斑块i和斑块j之间的连接数量; a_i和a_j分别为斑块i和j的面积; AL为最大景观斑块面积; P_ij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:

(8)

M C R = f m i n (\sum_{j = n}^{i = m} D_{i j} \times 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

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
2020年实际 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

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

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

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

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

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

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

被引期刊影响因子

[1]

Lee

, Song

, Kim

, et al.

Flood-adaptive green infrastructure planning for urban resilience

[J]. Landscape and Ecological Engineering, 2021, 17(4):427-437.

[2]

, Feng

, Biswas

, 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

, 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.

DOI:10.1016/j.scitotenv.2019.03.212 [本文引用: 1]

[4]

Bottalico

, Chirici

, Giannetti

, 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

, Mulligan

, 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.

Cities are dependent on their upstream watersheds for storage and gradual release of water into river systems. These watersheds act as important flood mitigation infrastructure, providing an essential ecosystem service. In this paper we use metrics from the WaterWorld model to examine the flood management-relevant natural infrastructure of the upstream watersheds of selected global cities. These metrics enable the characterisation of different types, magnitudes and geographical distributions of potential natural flood storage. The storages are categorised as either green (forest canopy, wetland and soil) or blue (water body and floodplain) storages and the proportion of green to blue indicates how different city upstream basin contexts provide different types and levels of storage which may buffer flood risk. We apply the WaterWorld method for examining flood risk as the ratio of accumulated modelled annual runoff volume to accumulated available green and blue water storage capacity. The aim of these metrics is to highlight areas where there is more runoff than storage capacity and thus where the maintenance or restoration of further natural infrastructure (such as canopy cover, wetlands and soil) could aid in storing more water and thus better alleviate flood risks. Such information is needed by urban planners. city authorities and governments to help prepare cities for climate change impacts. (C) 2019 The Authors. Published by Elsevier B.V.

[6]

, Li

, Liu

, et al.

Multiscale analysis of the effects of urban green infrastructure landscape patterns on PM_2.5 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

. Green infrastructure:linking landscapes and communities[M]. Washington,DC: Island Press, 2006.

[9]

Jeong

, Kim

, Song

, 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

, Bartholemew

, 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

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

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

, Qian

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.

DOI:10.13287/j.1001-9332.202104.017 [本文引用: 1]

[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.

在城市用地极为紧张、生态环境保护遇到严峻挑战之际,如何高效构建绿色基础设施(GI)网络并识别相对重要的景观生态要素显得尤为重要。本研究以福州市中心城区为例,基于形态学空间格局分析方法与景观连通性评价对GI网络中心进行识别及优先级划分,使用最小成本路径及重力模型等方法提取各级潜在廊道,并利用密度分析和盲区分析对GI节点进行提取及优先级划分,得到优化后的GI网络。结果表明: 福州市中心城区一级网络中心主要分布于南北两侧,中部网络中心面积小且分散,景观综合阻力呈现外围低、中间高的趋势,整体连通性较差;利用现状廊道及潜在廊道构建的GI廊道体系有效增强了网络中心之间的连通性;提取GI节点为物质能量流通提供“中转站”,可改善部分区域存在基质阻力过大、连接廊道过长等问题。GI要素的空间优先级划分,使得GI网络的构建更加科学,可为未来福州市市域GI网络规划期限与建设时序提供参考。

, Lin

, 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.

DOI:10.12302/j.issn.1000-2006.202102017 [本文引用: 2]

[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.

【目的】针对城市建设空间快速扩张、绿色空间破碎化且逐渐丧失问题,探寻优化城市绿色基础设施体系的有效方法,为市域尺度绿色基础设施体系构建提供科学的依据。【方法】以南京市为研究对象,运用形态学空间格局分析(MSPA)法,以土地利用类型图为基础,识别南京市现有绿色空间中核心区、边缘、孤岛、桥接、环、穿孔、分支等7类重要景观类别。通过斑块面积计算和连通性指数评价,发掘具有生态潜力的绿色基础设施网络中心,并计算最小成本路径生成潜力廊道,结合现有核心区、潜力节点、现有廊道、潜在廊道构建未来南京市绿色基础设施网络体系。【结果】通过MSPA法,识别出南京市绿色基础设施核心面积为538.16 km<sup>2</sup>,占研究区域总面积的37.57%,其中综合筛选出一级网络中心16个,二级网络中心24个。基于阻力模型构建生态廊道73条,其在长江以南地区分布较密,重要性等级较高,长江以北区域生态廊道数量较少,重要性等级有待提升。【结论】MSPA法具有数据量少、便于可视化等特点,能够为市域尺度绿色基础设施构建提供生态特征较为精确的景观要素识别结果,有效增强绿色基础设施的系统性和结构性。根据南京市绿色基础设施网络构建结果,建议加强南京市域长江以北网络中心和廊道的建设,提高长江以南网络中心和廊道质量,从而提升全市域的生态功能。

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

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

, 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.

以南京市为研究区，通过对1988、2000、2013年的TM/ETM遥感影像数据进行监督分类，获取了研究区3个时期的土地利用类型图，并采用形态学空间格局分析（MSPA）方法，获取了研究区3个时期的绿色基础设施(GI)景观类型图，进而对其时空格局变化进行了定量分析；采用景观连通性指数和景观图谱理论，对研究区核心区的景观连通性格局变化进行了定量评价。结果表明：1988—2013年，研究区GI总面积以较慢的速度递增，表明南京市实施的一系列“绿色南京”战略性工程取得了一定的成效；1988—2013年，核心区、边缘面积有所增长，而桥接区、分支则持续减少，环岛区整体上有所减少，表明城市景观破碎化程度增加，景观连通性有所降低；基于景观连通性指数的GI网络分析结果表明，南京市GI网络整体连通性、可能连通性水平均先减后增，基于图谱理论的GI网络连接度水平先增后减，从总体上来看，研究区GI的连通性水平依然比较低；南京GI网络格局的案例分析结果表明，融合MSPA、景观连通性、图谱理论的GI格局变化研究为GI格局变化分析提供了新的框架。研究结果可为研究区GI网络的规划与优化提供参考，对其他地区GI网络的规划建设也具有一定的借鉴意义。

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

, Xu

W J

, Zhang

, 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.

DOI:10.13287/j.1001-9332.201607.006 [本文引用: 1]

[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.

以南京市为研究区,基于ArcGIS、Erdas、GuidosToolbox和Conefor等软件平台,采用形态学空间格局分析(MSPA)和景观连通性分析方法,通过在MSPA中设置不同的粒度、边缘宽度和在景观连通性分析中设置不同的扩散距离阈值,对2013年南京市绿色基础设施网络格局变化的尺度效应、边缘效应与距离效应进行评价.结果表明: 基于MSPA获取的景观类型构成存在明显的尺度效应和边缘效应,且边缘效应对MSPA景观类型的影响较尺度效应更为明显.不同扩散距离对景观连通性的影响很大,对于南京市来说,2 km或2.5 km是关键的扩散距离阈值.当输入数据选择粒度30 m、边缘宽度30 m时,可以得到南京市城市绿色基础设施(UGI)网络更为详尽的景观信息.基于MSPA与景观连通性方法,分析尺度效应、边缘效应、距离效应对研究区UGI网络景观类型的影响,有助于选择合适的粒度、边缘宽度及扩散距离,并更好地理解UGI网络的空间格局和与生态过程相关的尺度效应和距离效应,从而使得UGI网络时空格局变化分析时的参数设置更为科学合理.研究结果可为中尺度范围内UGI景观网络时空格局分析时的参数设置提供重要的参考和依据,对其他地区UGI景观网络的分析也具有一定的借鉴意义.

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.

, 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

, Su

, 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

, Guan

, 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

, Chen

, Tong

, 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:10.13284/j.cnki.rddl.003777 [本文引用: 1]

以重庆市万州区为研究区，以生物多样性为切入点，综合运用形态学空间格局分析（MSPA）和最小累积阻力模型（MCR），识别GI网络中心（hubs）和连接廊道（links），结合图论、电路理论及几何形态学划分重要性等级，提取廊道上的生态夹点区域，并针对山地城镇的典型生态问题提出对应的精细化保护与修复策略。结果表明：1）万州区内网络中心42处，总面积996.35 km<sup>2</sup>，占研究区总面积的28.83%，总体“东密西疏”，形成“一屏三带、散点分布”的格局；2）连接廊道80条，总长度292.97 km，呈现“东强西弱、东短西长”的分布特征；3）生态夹点142处，占廊道长度的9.60%，主要分布于东部。据此，将网络中心分为连绵涵养区、重点保护区和独立修复区制定分区修复策略；将连接廊道分为关键廊道、重要廊道和一般廊道制定分级修复策略；对不同用地类型组合方式的生态夹点区域制定精准修复策略。

Wang

Z M

, Lyu

, Wang

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

, 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

, Zhu

, Zhang

, 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

, Ren

, Zhang

, 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

, Liu

, Shi

, 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

, 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.

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.

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.