专栏名称: GISer last

GISer last 公众号主要以分享互联网数据资源为主。也分享过GIS、FME等技术教程方法。我个人对于大数据资源、可视化制作、地图制图等方面有很大兴趣，也会分享个人的一些应用和教程。

【论文学习】GTWR+MGWR：城市景观格局对生境质量的时空驱动机制研究

GISer last · 公众号 · · 2024-11-26 22:48

正文

本推文来源：土地科学文献传递

主题：城市化 (Urbanization)、景观格局 (Landscape Pattern)、生境质量 (Habitat Quality)

文章在国际期刊《 Ecological Indicators》2022年第143卷上发表，第一作者是南京林业大学风景园林学院的Hu Jinyu，通讯作者是大阪大学工程研究生院可持续能源与环境工程系研究员张嘉新。

（图片来自原文）

科学问题

在快速城市化的背景下，城市景观格局的剧烈变化对生境质量产生了显著影响。然而，景观格局变化对生境质量的具体时空驱动机制尚不明确。城市化进程中自然生境的锐减是导致生物多样性缺失的直接原因。当前保留年份较久的残存生境可作为“核心生境”在城市生态系统服务功能中发挥重要作用。本研究以中国南京为例，旨在探索在快速城市化过程中，景观格局对生境质量的时空影响机制。

研究方案

在该研究中，研究团队采用了一个系统性的研究方案来探究2001年至2020年南京快速城市化对景观格局和生境质量的影响。他们首先收集并预处理了遥感数据和行政区划数据，然后利用Fragstats软件从土地覆盖数据中计算出关键的景观格局指数。接着，通过InVEST模型评估了生境质量，并运用空间自相关分析来识别生境质量和景观格局指数的空间聚集特征。最终，研究者应用GTWR和MGWR模型来揭示景观格局对生境质量的时空驱动机制。

数据来源

研究的数据来源主要包括两个部分：一是中国科学院资源与环境科学数据中心提供的2018年的行政边界数据，二是武汉大学基于Google Earth Engine的Landsat影像开发的CLCD数据集，该数据集涵盖了1985年至2020年中国的土地覆盖数据，包含九种土地覆盖类型，空间分辨率为30米，时间分辨率为一年。

研究方法

1.景观格局指数计算

研究团队使用Fragstats软件，基于土地覆盖数据，计算了27个不同的景观格局指数。这些指数包括斑块数量（NP）、斑块密度（PD）、聚集度（AI）、连通性（CONTIG_MN）、香农多样性（SHDI）和紧凑性（CIRCLE_MN）等。为了选择合适的景观格局指数，提出了三个标准：(1)度量应该能够代表景观特征的多个方面；(2)该度量应该是最小冗余的；(3)相关研究应记录该度量。

通过双尾皮尔逊相关性分析，筛选出相关性大于0.9的指数，以减少多重共线性的影响。协整诊断确保每个解释变量的方差膨胀因子(VIF)<3，尽可能地消除多重共线性。协方差诊断中方差膨胀因子的计算公式如下。

（公式来自原文）

最终选择了能够代表景观聚集、连通性、香农多样性和紧凑性的指数进行分析。

研究采用街道尺度和乡镇尺度的向量数据对研究区域进行圈定，探讨不同区域景观格局的变化及其对生境的驱动机制质量。为了使MGWR计算的带宽更准确，更合理地反映景观格局指数的作用范围，建立了另一个700m的六角形网格，将研究区划分为5183个样本，并利用MGWR模型进行回归分析。六边形网格在所有方向上与质心的距离相等，减少了网格形状造成的采样误差。

2.生境质量计算

采用InVEST模型的Habitat Quality模块，基于土地覆盖栅格数据和每种土地类型的生境支持能力和威胁水平信息，计算生境质量。基于相关研究结果和InVEST模型用户指南，在表2中开发了一个威胁因子数据表，其中生境类型及其对威胁的敏感性在表3中显示。

（表格来自原文）

生境质量由以下公式计算：

（公式来自原文）

3.空间自相关分析

根据地理学第一定律，特征间的相关性与距离有关：距离越短，相关性越显著。空间自相关是指具有相似位置的两组空间变量之间的潜在相似程度。本文采用Global Moran I和Local Moran I来描述生境质量和景观格局指数的聚类特征。它们的计算公式如下：

（公式来自原文）

Local Moran的I计算生成了Local Indicators of Spatial association(LISA)图，其中high-high (H-H)和low-low (L-L)表示高值区(或低值区)与高值区(或低值区)相邻，反映了空间相关性。相比之下，高-低(H-L)和低-高(L-H)则表明高值区与低值区相邻，反映了空间异质性。

4.回归模型应用

（1）GWR模型

GWR考虑样本的二维空间坐标，其回归系数会随着空间坐标变化而变化，通过迭代找到解释变量的最优带宽，进行回归分析，探索景观格局与生境质量之间的空间关系。它的计算公式如下

（公式来自原文）

（ 2）GTW R模型

景观格局和生境质量的变化是具有多个时间序列的面板数据，而景观格局的变化并不会立即引起生境质量的变化，其影响可能具有一定的滞后效应。 GTWR模型在GWR的基础上考虑时间维度，解释面板数据的时间相关性，提高模型在时间序列分析中的准确性。其计算公式如下：

（公式来自原文）

（3）MGWR模型

解释变量的带宽表示该变量的作用尺度。当存在多个解释变量时，不同解释变量的实际作用尺度是不一致的。MGWR解决了这个问题。它允许解释变量具有不同的带宽，并计算每个变量的带宽，使得回归结果更加准确。同时，其计算出的带宽可作为反映解释变量作用尺度的指标，公式如下:

（公式来自原文）

研究结果

1.土地覆盖格局与变化

如图3所示，2001年南京的土地覆被以耕地为主。城市南部林地和水体较多，不透水地表集中在长江沿岸，郊区有一些隐晦的城市副中心。2020年，耕地面积明显减少。其中大部分被不透水地表占用，城市建设扩张明显，而郊区的城郊副中心也有一定规模。

（图片来自原文）

2.生境质量格局与变化

图4显示了南京平均生境质量从2001年的0.25下降到2020年的0.19，最大值从0.81下降到0.78，生境质量显著下降。2001年生境质量低值区主要集中在城市中心，由城市中心向外围递减；郊区的一些农村聚落也呈现低值，但面积较小，分布很碎片化。由于城市化水平较低，生境质量低的面积并不显著。总体而言，生境质量增加的区域较少，即生境质量严重下降。