<img src="https://www.zjujournals.com/eng/images/1008-973X/images/logo.png" class="img-responsive">

图 1 研究范围内高程及土地覆被和重要生态节点

Fig.1 Elevation, land cover and important ecological nodes in study area

1.2. 数据来源

主要运用了以下几项数据：1）杭州市1980、2000和2020年的土地利用数据，来源于中国科学院资源环境数据中心（ http://www.resdc.cn），分辨率为30 m×30 m，该数据一级综合评价精度高于93%^[21]. 用地类型主要分为林地、耕地、建设用地、水体、草地和未利用地等6类；2）数字高程模型，来自地理空间数据云（ https://www.gscloud.cn），空间分辨率为30 m×30 m；3）GDP、人口、降水数据，来自国家地球系统科学数据中心（ http://www.geodata.cn）和中科院资源环境科学数据中心，分辨率为1 km×1 km；4）夜间灯光数据，来源于美国国家海洋和大气管理局资助的EOG网站( https://eogdata.mines.edu)，分辨率为1 km×1 km.

2. 研究方法

2.1. 土地利用变化分析

2.1.1. 土地利用转移矩阵

土地利用转移矩阵能够准确反映出特定2个时间段内不同土地利用类型变化的面积和转移方向^[22]. 计算公式如下：

(1) $ {{{\boldsymbol{P}}}}=\left[\begin{array}{cccc}{{P}}_{11}& {{P}}_{12}& \dots & {{P}}_{1{n}}\\ {{P}}_{21}& {{P}}_{22}& \dots & {{P}}_{2{n}}\\ \vdots & \vdots & & \vdots \\ {{P}}_{{n}1}& {{P}}_{{n}2}& \cdots & {{P}}_{{n}{n}}\end{array}\right] . $

式中：P表示土地利用类型矩阵，n为土地类型的数量，i和j为指定时期开始和结束时的土地利用类型，P_ij为初始时期的第i种地类转变为终止时期的第j种地类的面积.

2.1.2. 土地利用转移矩阵

土地利用变化轨迹（land use change trajectory，LUCT）分析不会从时间上割裂变化过程，而是提供连续和完整的变化现象^[23]. 在变化轨迹分析中将土地利用的变化过程用代码表示，例如1112、2223和3224等. 其中每个数字代表相应时间节点上每个栅格的土地利用类型. 计算公式如下：

(2) $ {{T}}_{{ij}}={\left({{G}}_{{1}}\right)}_{{ij}}{\times 1}{{0}}^{{m}{-1}}+{\left({{G}}_{{2}}\right)}_{{ij}}{\times 1}{{0}}^{{m}{-2}}+{\cdots }+{\left({{G}}_{{n}}\right)}_{{ij}}{\times 1}{{0}}^{{m-n}} . $

式中：T_ij为栅格图形中第i行第j列的代码值，表示土地变化过程；G₁~G_n为各时期栅格图形上某像元的土地利用类型代码值；m为时间节点数量.

2.1.3. 土地利用变化动态度

土地利用动态变化幅度可以反映出蓝绿空间中某个具体用地类型在一定时间范围内的总体变化程度和速率^[12]. 计算公式如下：

(3) $ {L_i} = \frac{{{A_i} - {A_{{\rm{b}}i}}}}{{{A_i}}}. $

式中：L_i为某景观类型的变化程度，A_i和A_bi为开始时期和结束时期单一景观类型的面积.

2.2. 景观格局指数分析

2.2.1. 景观度量和移动窗口法

FRAGSTATS 4.3中的移动窗口法可以用于景观格局指数分析，它从研究区左上角开始一格一格移动，并将计算好的景观指数赋予中心栅格. 选取聚集度指数（CONTIG）、分割度指数（DIVSION）、最大斑块指数（LPI）、斑块数量（NP）、香农多样性指数（SHDI）和景观均匀度指数（SHEI）对蓝绿空间的破碎化、连通性和多样性特征进行分析^[24].

2.2.2. 半变异函数

移动窗口的大小会影响景观格局指数的稳定性和空间信息的完整性^[14]. 因此，本研究采用地统计学中的半变异函数模型（semivariogram model，SVM）对比不同尺度移动窗口中的景观格局指数特征，以此来确定最佳的移动窗口大小. 计算公式如下：

(4) $ \lambda (h) = \frac{1}{{2N(h)}}\sum\limits_{i = 1}^{N(h)} {\mkern 1mu} {[X(i) - X(i+h)]^2}. $

式中：λ(h)表示变量X在位置i和位置i+h的取值的半方差；N(h)表示空间距离为h时采样点数. SVM中有2个重要的参考，一个是Nugget（Co）表示随机样本引起的空间异质性，另一个是Sill(Co+C)表示区域总的空间差异性. 两者的比值RNS(Co/ (Co+C))用来衡量在随机因素干扰下的空间变异程度，可以作为确定移动窗口大小的依据^[14]. 计算由ArcGIS10.7中的Geostatistical Analyst工具完成.

2.3. 地理探测器

地理探测器作为探究驱动力的一种工具，基本原理如下：假设在地理空间上，如果某种自变量对因变量有影响，那么这2个变量在空间分布上应该具有相似性^[2]. 其最大的优势在于没有过多的线性假设条件，可以有效克服传统统计方法的局限性. 计算公式如下：

(5) $ q = 1 - \frac{1}{{N{\sigma ^2}}}\sum\limits_{i = 1}^L {{N_i}} \sigma _i^2. $

式中：q为某驱动因子解释力，取值为0~1.0，值越大表明驱动力越强；L为驱动因子的分类；N为研究区的样本数；N_i为i类驱动层的样本数；σ²和σ_i²分别为区域总方差和次级区域的变量方差.

3. 研究结果

3.1. 蓝绿空间用地面积变化特征

3.1.1. 土地利用转移矩阵

1980—2020年以及1980—2000—2020年杭州市蓝绿空间的土地利用转移情况如图2所示. 分析结果表明，近40 a杭州蓝绿空间的土地利用转移主要发生在耕地、林地和建设用地之间. 建设用地扩张了806.39 km²，其中 85.48%来自耕地. 耕地转移的另一个主要方向为林地，研究时期内有604.28 km²的耕地转为林地，占1980年耕地总面积的14.90%. 总体上，草地、耕地和林地组成的绿色空间面积减少了712.61 km²，占绿色空间总面积的4.62%. 蓝色空间（水体）面积减少了96.07 km²，占蓝色空间（水体）总面积的9.83%.

图 2

图 2 不同时期土地利用转移方向

Fig.2 Direction of land use transfer in different periods

分时期来看，1980—2000年蓝绿空间转移的主要类型为耕地转为林地，转化面积为548.24 km²，占1980年耕地面积的13.52%. 2000—2020年蓝绿空间的主要转移类型为耕地转为建设用地，转化面积为607.45 km²，占2000年耕地面积的17.64%. 水体在这2个时期的主要转移方向均为耕地，转移比例分别为6.77%和9.00%. 草地主要的转移方向为林地，转移比例分别为27.39%和4.48%. 总体上，绿色空间在2个时期分别减少0.39%和4.24%，蓝色空间分别减少3.48%和6.59%.

针对各区县中蓝绿空间的用地面积，采用土地利用动态变化幅度进行量化分析（见表1）. 结果显示，在1980—2000年，各区县的耕地和草地以减少为主，其中上城区的耕地和萧山区的草地减少的最多，分别下降了17.42%和88.69%. 林地面积除了在上城区和钱塘区有所下降，在其他区域均为增长. 水体面积除在西湖区、钱塘区和萧山区有明显波动外，在其他区基本稳定. 在2000—2020年，耕地面积在所有区县均为下降，且下降幅度明显大于1980—2000年的，林地面积除在滨江区略有增加，在其他区县也均为下降，另外部分地区的水体面积在该时期发生较大幅度下降，下降幅度最大的为钱塘区和上城区，下降幅度分别为36.65%和25.52%.

表 1 蓝绿空间土地利用变化动态度

Tab.1 Dynamic degree of land use change in blue-green space %

区域	1980—2000年				2000—2020年
区域	耕地	林地	草地	水域	耕地	林地	草地	水域
1）注：“−”代表无此用地类型.
滨江区	10.45	42.91	−^1）	0	−86.41	+4.23	−	−1.77
拱墅区	34.12	2.97	−1.52	−0.46	−61.44	−6.50	−25.48	−13.63
临平区	−4.07	0.25	0	3.29	−28.68	−6.50	597.17	14.08
钱塘区	16.01	−11.27	−	−18.16	−0.55	−14.16	−11.47	−36.65
上城区	−17.42	−0.50	−	0	−79.16	−2.15	−	−25.52
西湖区	−8.08	0.44	0	9.95	−27.17	−0.78	−2.79	2.85
萧山区	−6.96	15.58	−88.69	16.63	−23.91	−1.04	3.68	3.94
余杭区	−	4.10	−30.71	3.23	−7.32	−1.57	−23.49	1.16
临安区	−9.96	1.70	−4.87	−2.56	−7.21	−0.87	0.57	20.19
建德市	57.78	31.37	24.35	0.65	−4.95	−1.26	1.19	−1.62
桐庐县	−11.29	3.26	−26.10	−0.09	−12.82	−0.73	1.89	19.86
淳安县	−8.44	1.49	13.77	0.10	−1.59	−0.82	1.35	0.86
富阳区	−4.69	1.23	−2.58	0.21	−17.92	−1.56	5.92	3.20

3.1.2. 土地利用变化轨迹分析

为了更详细地研究蓝绿空间用地变化的过程，对土地利用变化轨迹进行分析. 在除去没有变化的轨迹代码后，对余下代码进行统计. 结果表明，在不同区域中面积排名前5的代码类型面积占发生变化代码总面积的75%以上，可以代表研究范围内的土地利用变化轨迹的主要类型. 对该类轨迹代码进行统计和分析，结果如表2所示. 表中，T表示土地利用变化轨迹，比如115表示1980、2000、2020年土地利用类型分别为1（耕地）、1（耕地）、5（建设用地）；Q表示占比，即该代码面积占该区域1980年蓝绿空间总面积的比例. 可以看出，关于耕地转出的轨迹代码在10个区县中排名第1，但转移大多是发生在2000—2020年，且主要转移对象是建设用地和林地. 耕地转为建设用地主要是发生在主城区（滨江区、拱墅区、临平区、上城区、西湖区）、萧山区和余杭区内，这些区域的建设开发强度较高，且由于这类用地转移造成的绿色空间流失难以通过土地复耕弥补，因此在建设过程中，增加城市绿地是这类区域提升蓝绿空间用地规模的主要方法之一. 耕地转为林地主要是发生在临安区、建德市和桐庐县. 这是由于这些区域的建设开发强度较低，且同时受到“退耕还林”政策实施的影响，耕地恢复为林地的规模要大于建设用地对耕地侵占的规模. 此外，由于这些区域的蓝绿空间占比较高，因此区域生态治理工作中的核心关注是如何协调城镇扩张和蓝绿空间保护，而非增加蓝绿空间的用地规模.

表 2 主要轨迹代码面积统计

Tab.2 Area statistics of main trajectory code

区域	第1		第2		第3		第4		第5
区域	T	Q/%	T	Q/%	T	Q/%	T	Q/%	T	Q/%
1）注：1-耕地、2-林地、3-草地、4-水体、5-建设用地、6-未利用地.
滨江区	115^1）	60.32	155	8.36	322	6.93	112	1.53	441	0.82
拱墅区	115	84.75	155	6.80	225	2.65	122	1.13	445	1.09
临平区	115	34.17	155	4.91	114	1.05	553	0.72	551	0.50
钱塘区	441	16.16	115	9.82	411	8.89	415	4.95	144	3.82
上城区	115	13.65	155	34.24	445	9.35	441	4.49	225	0.72
西湖区	115	13.93	155	3.23	144	1.04	114	0.90	225	0.39
萧山区	115	17.71	155	4.54	322	4.53	114	0.87	144	0.81
余杭区	115	7.91	122	1.59	225	0.47	322	0.46	221	0.46
临安区	122	1.33	115	0.91	225	0.56	221	0.42	112	0.36
建德市	122	17.88	322	1.63	115	0.90	225	0.61	221	0.39
桐庐县	122	1.97	115	1.87	322	0.64	225	0.42	114	0.36
淳安县	332	0.75	122	0.64	225	0.42	221	0.32	233	0.22
富阳区	225	1.05	122	0.75	112	0.52	221	0.42	155	0.34

钱塘区轨迹代码类型主要是关于水体转为耕地，且主要发生时期为2000—2020年，说明该时期区域内存在一定的围湖造田行为，造成了蓝色空间面积的明显下降. 因此，该区域在蓝绿空间环境提升过程中应该重点考虑如何提高水体面积占比或提高水生态环境.

淳安县主要的轨迹代码类型是关于草地和耕地转向林地. 该转移类型不会导致蓝绿空间用地规模的下降，且淳安县建设用地扩张强度较低. 因此整体来看，淳安县的蓝绿空间受人类干扰程度较小，生态质量也较高. 因此，蓝绿空间的远期保护和科学利用规划是该区域在未来的关注核心.

富阳区主要的轨迹代码类型是关于林地转为建设用地和耕地转为林地，且转移主要是发生在2000—2020年. 说明富阳区在城镇扩张过程中主要侵占的是耕地，但退耕还林政策的实施在一定程度上减少了林地面积的下降程度. 此外，富阳区整体开发强度不高，土地利用变化程度也较低，因此与淳安县一致，对蓝绿空间的远期保护和利用规划是未来城镇扩张和生态治理过程中的重点工作.

3.2. 蓝绿空间景观格局演变特征

3.2.1. 特征尺度

为了避免非整数像素引起的误差，移动窗口在300~3000 m范围内每隔300 m对景观格局指数的变异特征进行分析，并选取斑块密度（PD）、最大斑块指数（LPI）和香农多样性指数（SHDI）的数值作为典型参数^[25-26]. 分析结果如图3所示，图中，RNS为块基比，w为移动窗口大小. 可以看出，RNS在900~1500 m处于相对稳定状态. 考虑到分析尺幅过大会损失较多的空间信息，选取900 m×900 m作为分析幅度^[14].

图 3

图 3 景观格局指数的半变异函数分析

Fig.3 Semivariogram analysis of landscape pattern index

3.2.2. 演变特征——景观破碎化分析

最大斑块指数（LPI）和分离度指数（DIVISION）可以表征景观破碎化程度^[24]，结果如图4所示. 图中，数值为平均值. 从景观指数空间分布可以看出，蓝绿空间主要被LPI的高值和DIVISION的低值区域覆盖，分布也最为广泛，因此目前蓝绿空间的破碎程度整体不高. 但LPI最低值的先上升后下降和DIVISION最高值的先下降后上升，说明在城镇化和城市建设用地不断扩张的影响下，蓝绿空间的破碎化程度正在逐渐增大，亟须进行合理规划和保护. 此外，与其他在华东经济发达地区的景观格局研究中所体现的斑块数量（NP）与景观破碎化程度呈正相关这一特征不同^[27-28]，本研究中，随着蓝绿空间破碎化程度的增加，NP下降，NP最高值由16减少到15. 这是因为相关研究的研究范围和面积是固定的，而本研究的蓝绿空间，因为不断受到侵占，范围和面积总体逐渐减少，NP会出现减少的情况，尤其是钱塘区、临平区和萧山区等区的蓝绿空间斑块数量减少明显.

图 4

图 4 景观格局指数空间分布

Fig.4 Spatial distribution of landscape pattern index

3.2.3. 演变特征——景观多样性分析

香农多样性（SHDI）和景观均匀度指数（SHEI）可以反映区域景观的多样性程度^[24]，如图4所示. 可以看出，SHDI的最大值在1980—2020年有所下降，但下降的时期主要是在2000—2020年. SHDI高值区主要分布在淳安县中部、建德市东部，富阳区中部和桐庐县中部. SHEI空间分布规律与SHDI相似，但最高值在研究时期内并无变化. 因此本研究统计了SHEI的平均值，1980、2000和2020年的平均值分别为0.374、0.339和0.333，表明研究区域内的多样性在逐渐降低. CONTIG与景观多样指数有较高的关联，可以反映斑块之间的连通性. 与SHEI一样，本研究中CONTIG的最大值没有发生变化，因此也统计了其在3个年份的平均值，分别为44.364、39.008和39.011. 整体呈现下降趋势，反映了研究区内蓝绿空间连通性在逐渐降低，但降低的速度有所减缓.

3.3. 蓝绿空间演变驱动力分析

通过对相关文献^{[2, 29-31]}的研究，同时考虑所选因子的代表性，从自然地理条件、人类干扰强度和经济发展状况3个方面选取9个因子（其中1980年因部分数据缺失，因子数为6个），用于分析杭州市蓝绿空间演变的驱动力（见表3）. 参考张金茜等^[29-30]对驱动因子离散化的分类方式，结合区域特征，将坡度和坡向因子分为9类；考虑到安吉县的山地地貌和垂直气候特征，高程和气温因子同样按照分类数较多的9类分法以增强离散型；人类干扰强度和GDP均属于社会经济系统相关因子，且彼此间存在一定关联，因此参照张金茜等^[29]的研究，按照强度等级将它们统一划分为5类.

表 3 驱动因子分级说明

Tab.3 Description of driver classification

分类	因子	分级	说明
自然地理条件	高程	9	采用自然断点法进行分类
	坡度	9	40°以下每隔5°分为一类，共8类，40°以上分为1类
	坡向	9	1.无 2.北 3.东北 4.东 5.东南 6.南 7.西南 8.西 9.西北
	气温	9	采用自然断点法进行分类
人类干扰强度	夜间灯光强度	5	0~10%^1）(强)、10%~30%（较强）、30%~50%（一般）、50%~70%（较弱）、70%~100%（弱）
	人口密度	5	0~10%(强)、10%~30%（较强）、30%~50%（一般）、50%~70%（较弱）、70%~100%（弱）
	建设强度	5	利用建设用地边界在5 km内，每隔1 km形成缓冲区
	与道路距离	5	利用道路矢量数据在5 km内，每隔1 km形成缓冲区
经济发展状况	GDP	5	0~10%(强)、10%~30%（较强）、30%~50%（一般）、50%~70%（较弱）、70%~100%（弱）

利用地理探测器中的因子探测器计算各驱动因子对蓝绿空间景观格局特征分异的解释力大小（见表4）. 表中，数值表示驱动力大小. 整体来看，1980—2020年影响蓝绿空间破碎化和多样性的主要驱动力为高程、GDP、夜间灯光强度和建设强度. 分时期来看，1980年平均驱动力最高的为高程、GDP和建设强度. 高程因子的高驱动力表现主要是由于在城市扩张过程中，对所需用地的选择受到地形地貌的影响较大. 2000年平均驱动力最高的为夜间灯光强度、高程以及气温，但在LPI和NP上人口密度的驱动力高于气温的. 气温除了直接作用于水体的演变之外，在城市热岛背景下，也是表征人类活动强度的重要因素. 2020年平均驱动力最高的为夜间灯光强度、高程和建设强度，但在SHDI和SHEI中气温因子的驱动力也较高.

表 4 地理探测器驱动力探测结果

Tab.4 Driving force detection results of geographical detector

年份	CONTIG
年份	GDP	夜间灯光强度	人口密度	气温	建设强度	与道路距离	高程	坡度	坡向
1980年	0.0284	—	—	—	0.0163	0.0036	0.0431	0.0231	0.0002
2000年	0.0094	0.0178	0.0125	0.0134	0.0079	0.0019	0.0124	0.0055	0.0001
2020年	0.0132	0.0193	0.0086	0.0129	0.0141	0.0021	0.0151	0.0059	0.0003
年份	DIVISION
年份	GDP	夜间灯光强度	人口密度	气温	建设强度	与道路距离	高程	坡度	坡向
1980年	0.0135	—	—	—	0.0085	0.0037	0.0223	0.0131	0.0004
2000年	0.0048	0.0083	0.0043	0.0076	0.0049	0.0018	0.0062	0.0037	0.0003
2020年	0.0061	0.0097	0.0031	0.0092	0.0068	0.0022	0.0076	0.0046	0.0001
年份	LPI
年份	GDP	夜间灯光强度	人口密度	气温	建设强度	与道路距离	高程	坡度	坡向
1980年	0.0376	—	—	—	0.0431	0.0054	0.0425	0.0115	0.0003
2000年	0.0341	0.0621	0.0381	0.0387	0.0383	0.0047	0.0423	0.0114	0.0002
2020年	0.0376	0.0598	0.0273	0.0279	0.0451	0.0047	0.0419	0.0111	0.0004
年份	NP
年份	GDP	夜间灯光强度	人口密度	气温	建设强度	与道路距离	高程	坡度	坡向
1980年	0.0287	—	—	—	0.0174	0.0041	0.0386	0.0223	0.0003
2000年	0.0126	0.0191	0.0121	0.0147	0.0112	0.0023	0.0149	0.0083	0.0003
2020年	0.0154	0.0235	0.0087	0.0142	0.0151	0.0029	0.0175	0.0094	0.0001
年份	SHDI
年份	GDP	夜间灯光强度	人口密度	气温	建设强度	与道路距离	高程	坡度	坡向
1980年	0.0186	—	—	—	0.0124	0.0039	0.0287	0.0159	0.0003
2000年	0.0074	0.0122	0.0051	0.0119	0.0053	0.0018	0.0089	0.0047	0.0002
2020年	0.0061	0.0143	0.0047	0.0153	0.0087	0.0021	0.0129	0.0053	0.0001
年份	SHEI
年份	GDP	夜间灯光强度	人口密度	气温	建设强度	与道路距离	高程	坡度	坡向
1980年	0.0183	—	—	—	0.0125	0.0037	0.0273	0.0157	0.0002
2000年	0.0052	0.0124	0.0057	0.0089	0.0054	0.0015	0.0079	0.0048	0.0003
2020年	0.0081	0.0147	0.0051	0.0148	0.0085	0.0023	0.0123	0.0055	0.0002

DOI:10.1016/j.habitatint.2016.12.005 [本文引用: 2]

从变化角度来看，1980—2000年，整体上因子的解释力有所下降，下降最多的因子为坡度、高程和GDP，在6个景观格局指数中的解释力平均分别下降了62.4%、57.68%和55.00%. 此外，主要驱动因子也略有变化，在SHDI和SHEI中建设强度的解释力由比GDP低变为略高，而高程的解释力也与GDP和建设强度2个因子逐渐接近. 这说明建设用地的扩张对蓝绿空间的格局影响逐渐增大. 2000—2020年，整体上驱动因子的解释力有所增大，其中建设强度、与道路距离和GDP这3个因子增长最大，解释力的平均值分别增大了51.09%、49.61%和31.73%. 自然地理条件因子中的坡向、坡度和高程增长较大，平均值分别增大了82.64%、21.36%和21.20%. 从各景观格局指数来看，解释力增加较大的是CONTIG中的坡向因子和SHDI中的与道路距离因子，分别增长了299.05%和66.06%. 此外，各因子之间的差异有明显缩小，自然、人为和经济要素的驱动力表现为更为均质化的趋势.

4. 讨　论

4.1. 蓝绿空间演变的时空尺度效应

在空间尺度方面，主要关注的是景观格局的最佳特征尺度，即各景观格局指数变化趋于稳定的最小尺度^[25]. 本研究利用半变异函数确定900 m为最佳特征尺度. 特征尺度的大小受到研究区域整体尺度的影响. 本研究以市域尺度为研究对象，对比更大尺度上研究的特征尺度相对要小. 例如，在针对青藏高原流域的研究中，确定的特征尺度为9 km^[14]. 因此在进行半变异函数分析时须结合研究区域的整体尺度和特征设置移动窗口间隔尺寸.

在时间尺度方面，1980—2000年蓝绿空间的景观变化是由耕地转为林地，2000—2020年主要为耕地转为建设用地. 在驱动力方面， 3个类型的因子解释力间的差异逐渐缩小. 整体上，由初期的自然驱动因子占主导变为由人工和自然因素相互结合作为主导驱动因子. 这是因为在早期，人工驱动因子对蓝绿空间的影响表现为早期的风险，还未达到转化为明显阻力的阈值. 以往关于景观演变驱动力的研究大多关注的是空间异质性而非时间异质性^[32]，尽管有部分研究对此有一定分析，但大多集中在森林变化研究领域中^[33-34]. 本研究强调了驱动力在不同时期的变化特征，特别是在自然和人类干扰因子相结合的背景下探索其对蓝绿空间演变的影响机制.

4.2. 蓝绿空间演变驱动力数值特征及影响机制

4.2.1. 显著性分析

在地理探测器探测结果中，不同研究中的q值差异较大，例如在大湾区生态土地景观格局演变及驱动力的研究中，q值主体在0.2~0.6^[2]. 在关于中国乡村土地格局演变驱动力的研究中q值主体在0.001~0.1^[31]. 本研究的q值主体在0.01~0.06. 可见根据研究区域和景观特征的不同，q值也明显不同. 但判断因子是否具有显著驱动效果的为p值，其阈值不变，为0.01. 本研究驱动因子的显著性检验通过率高于90%. 在通过显著性检验的情况下，q值在因子之间的相对大小更为重要，可以凭借其判断核心驱动力.

4.2.2. 驱动因素的影响机制

驱动力分析表明，自然因素和人类干扰的共同作用主导了杭州市蓝绿空间的变化. 自然要素中的气温主要是影响水体的蒸发量，从而影响湿地、浅滩和流域等区域的水量^[24]. 地形、坡度和坡向要素对不同土地类型间的转移影响较大，这种影响主要集中在耕地转为林地上. 这是由于退耕还林政策主要是在坡度大于25°的区域实施^[31]. 此外，地形因子在早期具有相对高的驱动力，这是由于农业和城市这类人类活动受到该要素的明显限制. 人口密度、GDP和夜间灯光强度因子是表征人类社会经济活动的重要驱动因子^[2]，是蓝绿空间变化最直接的驱动力，且相较于自然要素的缓慢驱动过程，该类因子对蓝绿空间变化的影响过程较为迅速，这在针对其他经济发达区的研究中也被验证^{[2, 16]}.

总结来看，在制定城市环境类空间规划时，应综合考虑区域现有自然、人工和社会经济条件. 可以通过构建多目标评价体系评估区域环境承载力，以确定相关驱动因素对环境影响的不同阈值. 驱动力分析可以更加科学地支撑城市空间规划，尤其是可以为分类单元的划分和开发提供重要参考.

4.3. 管理策略与政策启示

4.3.1. 将蓝绿空间动态监测纳入土地规划决策过程

在环境治理初期，大多土地利用管理和规划的战略侧重于城市建设用地的调控和对耕地的保护，而对生态系统保护的重视程度相对较低^[35]. 但目前将对蓝绿空间、生态系统服务和土地环境承载力等的调控纳入到土地管理决策过程已成为趋势. 蓝绿空间演变及其驱动力研究也将有效支撑环境治理和土地利用规划过程. 例如，蓝绿空间用地规模和格局分析可以作为评估土地资源利用效率和土地环境承载力的重要依据之一. 而驱动力的分析结果可以与用地规模同时引入系统动力学模型，用以预测蓝绿空间在规划时期内的变化趋势.

4.3.2. 分类型管控和规划

区县是我国制定生态规划和土地政策最基本的行政尺度^[36]. 因此，为了提高研究在指导实践层面的操作性，本研究利用各区县内的建设用地占比表征人类干扰强度，并将它们分为3类，分别为建设用地占比大于25%的高强度人类干扰区域，包括西湖区、临平区、拱墅区、上城区和滨江区；建设用地占比为10%~25%的中强度人类干扰区域，包含钱塘区、余杭区、萧山区；建设用地占比小于10%的低强度人类干扰区域，包含临安区、桐庐县、淳安县、富阳区和建德市. 针对3类区域分别给出蓝绿空间管控和环境规划意见，具体如下.

1）高强度人类干扰区域以生态治理和小微空间优化为主. 该类区域以杭州市主城区为主，在过去粗放式的建设模式下，蓝绿空间的规模损失较大. 同时，建成区的土地开发空间极为有限. 因此小微蓝绿空间的优化和生态修复是该类区域进行蓝绿空间提升的重点工作. 例如在绿色空间方面可以依托小微绿地，增强斑块边界的复杂性、补充踏脚石和连接性廊道以增强斑块的连通性. 蓝色空间方便，可以展开污染治理以提高生态系统功能. 也可以对线性河道进行局部沟通和连接，以提升生态系统的完整性.

2）中强度人类干扰区域以空间结构优化和弹性规划为主. 该类区域处在快速城市化的进程中，虽仍有一定的环境承载力，但须进行科学的规划建设. 首先，须整体上梳理蓝绿空间结构，可以结合生态网络研究，识别出蓝绿空间的优势斑块和最小阻力路径，以点、线、面相结合的方式规划蓝绿空间网络. 其次，须降低建设用地扩张带来的影响，积极进行国土空间“双评价”工作，依托适宜性评价，合理控制开发强度和制定分区规划策略. 最后，应弹性对待“生态底线思维”，引入低影响开发技术和生态经济产业，以韧性的思维对待原本刚性的格局.

3）低强度人类干扰区域以生态保护和降低生态风险为主. 该类区域面积较大，但城市建成区面积占比较低，蓝绿空间占比相对较高，且包含千岛湖、新安江、大径山乡村国家公园等优质生态空间. 在较高生态空间占比的背景下，自然因素对区域景观格局影响较大. 因此针对自然环境的监测尤为重要. 同时，该类区域须降低开发建设所带来的生态风险，尤其是在山地丘陵空间中. 在全国试点的低坡缓丘综合开发策略有较高借鉴价值，该策略可有效平衡城镇对于蓝绿空间（尤其是耕地）和建设用地的需求^[37]. 此外，对原有蓝绿空间的整治也尤为重要. 例如可以通过整合零散的耕地和鼓励土地经营权流转，以优化城市蓝绿空间的土地结构^[38].

4.4. 研究方法的局限性

本研究仍然存在一些不足. 1）选取的3个研究年份可能存在代表性不够全面的问题. 2）景观格局受到多种因素的影响，应该从经济、产业和自然等方面选取更多的因素来量化驱动力. 同时本研究运用的多种计算模型和分级方法存在一定缺陷和主观性，可能会给计算过程带来不确定性和局限性. 3）本研究虽然关注了景观格局和驱动力在时间尺度上的依赖性，但仍然不够深入，尤其对重大政策以及产业改革之间的驱动关系尚未进一步分析. 4）由于数据精度限制，驱动力分析也没有深入到区县尺度上. 在尺度效应方面，本研究主要讨论了研究区900 m幅度下的景观异质性，但在栅格粒度的微观层面未进行尺度效应分析，不同栅格分辨率产生的粒度效应将是进一步研究的重点. 5）基于重采样的方法将所有数据的分辨率统一为30 m×30 m，也会给研究过程带来一定的不确定性.

5. 结　语

在土地利用变化规模方面，1980—2020年杭州市蓝绿空间的用地转移主要发生在耕地、林地和建设用地之间. 在1980—2000年以耕地转向林地为主，在2000—2020年以耕地转为建设用地为主，且耕地面积下降的幅度逐渐增大. 景观转移轨迹分析表明关于耕地转出的轨迹代码在9个区县中排名第1，但转移大多是发生在2000—2020年.

在景观格局方面，SHDI最高值的变化和SHEI平均值的变化表明，在1980—2020年杭州市蓝绿空间的破碎化程度逐渐增大，多样性逐渐降低. 但与其他研究不同，NP指数并非与破碎化程度呈正相关. 多样性指数降低主要发生在2000—2020年，但连通性的减低程度在该期间有所降低.

在驱动力方面，高程、GDP、夜间灯光强度和建设强度是1980—2020年的主要驱动因子. 1980—2000年各因子的驱动力整体有所下降，而2000—2020年相反. 此外，相关人类干扰强度、自然条件和经济发展状况的驱动因子间的驱动力差距逐渐缩小，均质化趋势逐渐明显.

本研究将采取灰色关联、Logistic回归方法对区域蓝绿空间演变及其驱动力进行进一步分析，并与城市绿地系统规划之类的相关规划相结合，从而使研究结果更全面。

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

[7]

PENG J, ZHAO M, GUO X, et al

Spatial-temporal dynamics and associated driving forces of urban ecological land: a case study in Shenzhen City, China

[J]. Habitat International, 2017, 60: 81- 90

[8]

吴岩, 贺旭生, 杨玲

国土空间规划体系背景下市县级蓝绿空间系统专项规划的编制构想

[J]. 风景园林, 2020, 27 (1): 30- 34

DOI:10.14085/j.fjyl.2019.01.0030.05 [本文引用: 1]

WU Yan, HE Xu-shen, YANG Ling

Compilation conception of city and county level blue-green space system specialized planning under national territory spatial planning system

[J]. Landscape Architecture, 2020, 27 (1): 30- 34

DOI:10.14085/j.fjyl.2019.01.0030.05 [本文引用: 1]

[9]

成超男, 胡杨, 赵鸣. 城市绿色空间格局时空演变及其生态系统服务评价的研究进展与展望 [J]. 地理科学进展, 2020, 39 (10): 1770-1782.

CHENG Chao-nan, HU Yang, ZHAO Ming. Progress and prospect of the spatiotemporal change and ecosystem services evaluation of urban green space pattern[J]. Progress in Geography, 2020, 39(10): 1770-1782.

[10]

LOVELL S T, TAYLOR J R

Supplying urban ecosystem services through multifunctional green infrastructure in the United States

[J]. Landscape Ecology, 2013, 28 (8): 1447- 1463

DOI:10.1007/s10980-013-9912-y [本文引用: 2]

[11]

FELTYNOWSKI M, KRONENBERG J, BERGIER T, et al

Challenges of urban green space management in the face of using inadequate data

[J]. Urban forestry and Urban greening, 2018, 31: 56- 66

DOI:10.1016/j.ufug.2017.12.003

[12]

许浩, 金婷, 刘伟

苏锡常都市圈蓝绿空间规模与格局演变特征

[J]. 南京林业大学学报: 自然科学版, 2022, 46 (1): 219- 226

XU Hao, JIN Ting, LIU Wei

Study on the scale and landscape pattern evolution characteristics of blue-green space in Suzhou-Wuxi-Changzhou metropolitan area, China

[J]. Journal of Nanjing Forestry University: Natural Sciences Edition, 2022, 46 (1): 219- 226

[13]

WENG H, GAO Y, SU X, et al

Spatial-temporal changes and driving force analysis of green space in coastal cities of Southeast China over the past 20 years

[J]. Land, 2021, 10 (5): 537

DOI:10.3390/land10050537 [本文引用: 1]

[14]

LI P, ZUO D, XU Z, et al

Dynamic changes of land use/cover and landscape pattern in a typical alpine river basin of the Qinghai-Tibet Plateau, China

[J]. Land Degradation and Development, 2021, 32 (15): 4327- 4339

DOI:10.1002/ldr.4039 [本文引用: 5]

[15]

ZHU Z, LIU B, WANG H, et al

Analysis of the spatiotemporal changes in watershed landscape pattern and its influencing factors in rapidly urbanizing areas using satellite data

[J]. Remote Sensing, 2021, 13 (6): 1168

DOI:10.3390/rs13061168 [本文引用: 1]

[1]

张世瑕, 王紫雯, 张继明

流域湿地的景观生态特性分析与景观特征指数的运用: 以杭州沿山河流域和西溪湿地为对象

[J]. 浙江大学学报: 工学版, 2007, 41 (6): 1053- 1060

ZHANG Shi-xia, WANG Zi-wen, ZHANG Ji-ming

Analysis of landscape ecological features on watershed wetland and application of landscape characteristic index: illustrated with Yanshan River watershed and Xixi wetland in Hangzhou

[J]. Journal of Zhejiang University: Engineering Science, 2007, 41 (6): 1053- 1060

[16]

PENG J, LIU Y, LIU Z, et al

Mapping spatial non-stationarity of human-natural factors associated with agricultural landscape multifunctionality in Beijing-Tianjin-Hebei region, China

[J]. Agriculture, Ecosystems and Environment, 2017, 246: 221- 233

DOI:10.1016/j.agee.2017.06.007 [本文引用: 3]

[17]

LI Y, LIU G

Characterizing spatiotemporal pattern of land use change and its driving force based on GIS and landscape analysis techniques in Tianjin during 2000–2015

[J]. Sustainability, 2017, 9 (6): 894

DOI:10.3390/su9060894 [本文引用: 1]

[18]

YAO Y, ZHANG S, SHI Y, et al

Landscape pattern change of impervious surfaces and its driving forces in Shanghai during 1965—2010

[J]. Water, 2021, 13 (14): 1956

DOI:10.3390/w13141956 [本文引用: 1]

[19]

杭州市规划和自然资源局. 杭州市总体规划(1978—2000)[EB/OL]. (2019-10-31) [2023-09-06]. http://ghzy.hangzhou.gov.cn/col/col1228962779/index.html.

[20]

杭州市规划和自然资源局. 杭州市城市总体规划(2001—2020年) [EB/OL]. (2019-10-31) [2023-09-06]. http://ghzy.hangzhou.gov.cn/col/col1228962781/index.html.

[21]

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 Shuo, SU Hao, ZHAO Guo-ping

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

DOI:10.1016/j.landusepol.2019.104356 [本文引用: 1]

[22]

LÜ D, GAO G, LÜ Y, et al

Detailed land use transition quantification matters for smart land management in drylands: an in-depth analysis in Northwest China

[J]. Land Use Policy, 2020, 90: 104356

[23]

WUYUN D, SUN L, CHEN Z, et al

The spatiotemporal change of cropland and its impact on vegetation dynamics in the farming-pastoral ecotone of northern China

[J]. Science of the Total Environment, 2022, 805: 150286

DOI:10.1016/j.scitotenv.2021.147644 [本文引用: 4]

[24]

ZHANG X, WANG G, XUE B, et al

Dynamic landscapes and the driving forces in the Yellow River Delta wetland region in the past four decades

[J]. Science of the Total Environment, 2021, 787: 147644

[25]

潘明慧, 兰思仁, 朱里莹, 等

景观格局类型对热岛效应的影响: 以福州市中心城区为例

[J]. 中国环境科学, 2020, 40 (6): 2635- 2646

[本文引用: 2]

PAN Ming-hui, LAN Si-ren, ZHU Li-ying, et al

Influence of landscape pattern types on heat island effect over central Fuzhou City

[J]. China Environmental Science, 2020, 40 (6): 2635- 2646

[本文引用: 2]

[26]

胡荣明, 杜嵩, 李朋飞, 等

基于移动窗口法的半干旱生态脆弱区景观破碎化及驱动力分析

[J]. 农业资源与环境学报, 2021, 38 (3): 502- 511

HU Rong-ming, DU Song, LI Peng-fei, et al

Analysis of landscape fragmentation and driving forces in semi-arid ecologically fragile regions based on the moving window method

[J]. Journal of Agricultural Resources and Environment, 2021, 38 (3): 502- 511

[27]

刘元. 无锡市景观格局动态变化与预测研究[D]. 南京: 南京林业大学, 2011.

LIU Yuan. Research on landsoape pattern dynamic change and prediction in Wuxi [D]. Nanjing: Nanjing Forestry University, 2011.

[28]

张萌, 王让会

南京市江北地区景观格局演变及驱动力分析

[J]. 水土保持研究, 2015, 22 (5): 229- 233

ZHAN Meng, WANG Rang-hui

Evolvement of landscape and its driving factors in Jiangbei District of Nanjing City

[J]. Research of Soil and Water Conservation, 2015, 22 (5): 229- 233

[29]

张金茜, 巩杰, 柳冬青

地理探测器方法下甘肃白龙江流域景观破碎化与驱动因子分析

[J]. 地理科学, 2018, 38 (8): 1370- 1378

ZHANG Jin-xi, GONG Jie, LIU Dong-qing

Dynamics and driving factors of landscape fragmentation based on geodetector in the Bailongjiang watershed of Gansu Province

[J]. Scientia Geographica Sinica, 2018, 38 (8): 1370- 1378

[30]

张舒瑾, 余珮珩, 白少云, 等

面向国土空间规划的流域景观时空分异特征及驱动因子研究

[J]. 生态经济, 2020, 36 (10): 219- 227

ZHANG Shu-jin, YU Pei-heng, BAI Shao-yun, et al

Study on the spatio-temporal stratified heterogeneity and driving factors of watershed landscape for national spatial planning

[J]. Ecological Economy, 2020, 36 (10): 219- 227

DOI:10.1016/j.landusepol.2020.105048 [本文引用: 3]

[31]

ZHOU Y, LI X, LIU Y

Land use change and driving factors in rural China during the period 1995—2015

[J]. Land Use Policy, 2020, 99: 105048

[32]

LUO Y, LU Y, LIU L, et al

Spatiotemporal scale and integrative methods matter for quantifying the driving forces of land cover change

[J]. Science of the Total Environment, 2020, 739: 139622

DOI:10.1016/j.scitotenv.2020.139622 [本文引用: 1]

[33]

CALABONI A, TAMBOSI L R, IGARI A T, et al

The forest transition in Sao Paulo, Brazil: historical patterns and potential drivers

[J]. Ecology and Society, 2018, 23 (4): 165- 172

DOI:10.1016/j.ecolind.2021.108294 [本文引用: 1]

[34]

NEWMAN M E, MCLAREN K P, WILSON B S

Long-term socio-economic and spatial pattern drivers of land cover change in a Caribbean tropical moist forest, the Cockpit Country, Jamaica

[J]. Agriculture Ecosystems and Environment, 2014, 186: 185- 200

DOI:10.1016/j.agee.2014.01.030 [本文引用: 1]

[35]

LICHTENBERG E, DING C

Local officials as land developers: urban spatial expansion in China

[J]. Journal of Urban Economics, 2009, 66 (1): 57- 64

DOI:10.1016/j.jue.2009.03.002 [本文引用: 1]

[36]

NIE W, SHI Y, SIAW M J, et al

Constructing and optimizing ecological network at county and town scale: the case of Anji County, China

[J]. Ecological Indicators, 2021, 132: 108294

[37]

PENG J, YANG Y, LIU Y, et al

Linking ecosystem services and circuit theory to identify ecological security patterns

[J]. Science of the Total Environment, 2018, 644: 781- 790

DOI:10.1016/j.scitotenv.2018.06.292 [本文引用: 1]

[38]

LI Y, WU W, LIU Y

Land consolidation for rural sustainability in China: practical reflections and policy implications

[J]. Land Use Policy, 2018, 74: 137- 141

DOI:10.1016/j.landusepol.2017.07.003 [本文引用: 1]

[2]

FENG R, WANG F, WANG K

Spatial-temporal patterns and influencing factors of ecological land degradation-restoration in Guangdong-Hong Kong-Macao Greater Bay Area

[J]. Science of the Total Environment, 2021, 794: 148671

DOI:10.1016/j.scitotenv.2021.148671 [本文引用: 5]

[3]

聂文彬, 史琰, 杨凡, 等

基于综合生态安全格局的山地景观韧性体系构建研究: 以浙江莫干山为例

[J]. 中国园林, 2022, 38 (2): 127- 132

NIE Wen-bin, SHI Yan, YANG Fan, et al

Study on the construction of mountain landscape resilience system based on comprehensive ecological security pattern: a case study of mogan mountain in Zhejiang Province

[J]. Chinese Landscape Architecture, 2022, 38 (2): 127- 132