下载:
-
森林乡村是指乡村自然生态风貌保持完好，乡土田园特色突出，森林氛围浓郁，森林功能效益显著，涉林产业发展良好，人居环境整洁，保护管理有效的生态宜居乡村，其创建目标是“共建森林乡村，共享美丽家园”，有利于示范带动乡村绿化美化，推进落实乡村振兴战略和农村人居环境整治[1]。因此，开展国家森林乡村评选、评定与评价及其相关研究，具有重要的现实意义。
自2019年国家森林乡村评定以来，国内关于国家森林乡村的研究集中在以下层面：一是国家森林乡村分布的空间特征与影响机制。在全国尺度，无论是针对第1批或是第2批国家森林乡村的研究，均表明空间上具有以“胡焕庸线”为指向的“东密西疏”和形成多个集聚分布中心的空间格局[2−5]。在省域尺度，对浙江[6]、湖南[7]、湖北[8]等省份的案例研究表明：虽然各省国家森林乡村分布特征各有差异，但通常都存在区域分布不均衡、冷热点层次分明等空间格局；影响因素互不相同，但地形地貌、气候条件、河流水系、森林资源等自然环境因素，文化资源、社会经济基础、交通通达性等社会环境因素通常是主要考量因素。二是国家森林乡村的分异特征与分区优化。最新研究基于森林乡村可达类型与耦合分区的组合分析，将全国森林乡村划分为重点发展区、特色挖掘区、集聚提升区、适度引导区和功能转型区等5类，并提出针对性发展策略[9]。
江西是中国南方重点林区，森林面积约10.2 万km2，森林覆盖率持续稳定在63.1%以上，林业在江西省生态文明建设中发挥着重要的主体作用。本研究开展江西省国家森林乡村区域空间格局及影响机制研究，以期服务于江西地区乡村振兴战略和美丽乡村战略的深度实施。
-
江西省位于长江中下游地区，北临长江，赣江自南向北纵贯全省，汇入长江，国土面积约16.69万km2，为典型的亚热带季风气候区，年均气温为16.3~19.5 ℃，年降水量为1 341.0~1 943.0 mm。江西省东、西、南三面环山，中部丘陵和河谷平原交错分布，北部为鄱阳湖平原。江西省共辖11个地级市，依据地理空间的差异可以分为赣北、赣中、赣南3个区域。
-
2019年，国家林业和草原局等相关部门连续认定了第1批3 974个、第2批3 693个，合计7 667个国家森林乡村。其中，江西省第1批有224个(5.64%)、第2批有206个(5.58%)，合计430个国家森林乡村，相当于国家森林乡村5.61%的抽样统计样本，以及江西省行政村(21 392个) 2.01%的抽样统计样本。
-
遵循指标评价、数据获取等不同维度，从“评价、解析、指标、数据”4个层次构建江西省国家森林乡村空间格局形成机制的评价结构体系(表1)，其中：以评价认定办法中明确的六大维度为评价维，并进一步从自然环境因素(地理环境、森林植被、生态环境)和社会环境因素(社会经济、旅游资源、行政管理) 2个层面限定要素作为解析维；指标维是支撑解析维的分解指标编码，数据维是对应指标维的量化指标，形成层层分解、递进的评价量化体系。各项指标以国家森林乡村评选当年，即2019年为参照年份，若个别年份数据缺失，则以相邻年份予以插补。各项指标的数据获取主要通过统计数据和共享数据2种途径：①区域面积、行政村数量、森林产值等指标数据来源于《2020年中国县域统计年鉴》《2020年江西统计年鉴》以及江西省11个地级市统计年鉴，另有个别数据来源于江西省11个地级市国民经济和社会发展统计公报等。国家森林公园、4A级及以上景区等指标数据来源于国家林业和草原局、国家文化和旅游部等官网。②共享数据主要通过网络共享资源获取[10−17]。
表 1 江西省国家森林乡村“评价、解析、指标、数据”四维结构体系
Table 1. Four-dimensional structural system of “evaluation-analysis-indicators-data” for national forest villages in Jiangxi Province
评价维 解析维 指标维 数据维 q r 自然生态风貌保护
山水林田湖草系统治理
森林绿地建设
森林质量效益
乡村绿化管护
乡村生态文化地理环境 F1 海拔 0.249 0.231* F2 地形起伏度 0.013 0.077 F3 年均气温 0.142 −0.082 F4 年降水量 0.164 −0.072 F5 干燥指数 0.177 0.066 F6 湿润指数 0.196 −0.015 森林植被 F7 森林净初级生产力 0.358 −0.121 F8 生物丰度指数 0.389 0.249* F9 森林冠层高度 0.288 0.226* F10 归一化植被指数 0.274 0.215* 生态环境 F11 生态系统服务价值 0.271 −0.122 F12 生态环境质量 0.376 0.212* 社会经济 F13 国内生产总值 0.304 −0.264** F14 人口密度 0.153 −0.136 F15 林业产值 0.178 −0.173 旅游资源 F16 国家森林公园数量 0.152 0.284** F17 旅游扶贫村数量 0.378 0.253* F18 传统村落数量 0.393 0.150 F19 4A级及以上景区数量 0.318 0.255* 行政管理 F20 居民地数量 0.014 −0.117 F21 行政村数量 0.287 −0.132 说明：q为各因素参与地理探测器分析的贡献度；r为各因素参与国家森林乡村数量相关系数，取绝对值进行横向比较。*和**分别表示0.05和0.01水平相关性显著。 -
江西省国家森林乡村空间格局分析主要基于ArcGIS 10.7软件平台，使用的工具包括最近邻指数、变异系数、核密度、地理加权回归等。最近邻指数$ R=\dfrac{{\bar {r}_{1}}}{{\bar {r}_{\mathrm{E}}}} $。其中：$ {\bar{r}_{1}} $为平均实际最近距离，$ {\bar{r}_{\mathrm{E}}} $为理论最近距离。R=1时，趋于随机型分布；R＞1时，趋于均匀型分布；R＜1时，趋于凝聚型分布。变异系数${{C}}_v=\dfrac{{\bar S}}{\mathrm{\delta }}$×100%。其中：$ {\bar S} $为泰森多边形面积平均值，δ为其标准差。33%＜$ {C}_{v} $＜64%时，随机分布；$ {C}_{v} $≥64%时，集群分布；$ {C}_{v} $≤33%时，均匀分布。核密度$f\left(x\right)=\dfrac{1}{nh}\displaystyle \sum _{i=1}^{n}K\left(\dfrac{{x}-{x}_{i}}{{h}}\right)$。其中：$ K\left(\dfrac{{x}-{x}_{i}}{h}\right) $为核函数；h＞0为带宽；x − xi表示估值点x到事件xi处的距离。$ f\left(x\right) $值越大，表示点越密集，发生的概率越高。地理加权回归${y}_{i}={\beta }_{0}\left({u}_{i},{v}_{i}\right)+\displaystyle \sum _{i=1}^{k}{\beta }_{i}\left({u}_{i},{v}_{i}\right){x}_{ij}+{\varepsilon }_{i}$。其中：$ {y}_{i} $为第i个县区国家森林乡村数量，k为参与地理加权回归样本数量，$ \left({u}_{i},{v}_{i}\right) $为第i个县区地理中心坐标，$ \;{\beta }_{0} $为常数项，$ \;{\beta }_{i} $为第j个自变量回归系数，$ {x}_{ij} $为第i个县区为采样点时第j个变量，$ {\varepsilon }_{i} $为随机误差。
-
地理探测器是用以探测空间分异性，以及揭示其背后驱动因子的统计学方法，其理论核心是通过地理分区来探测研究对象与环境因子之间空间分布格局的一致性[18]，公式：$q=1-\dfrac{\displaystyle \sum_{h=1}^{L}{N}_{h}{\sigma }_{h}^{2}}{N{\sigma }^{2}}$。其中：q为因子影响力；L为自变量分层数；$ {N}_{h} $为h层的单元数；N为研究区域整体单元数；$ {\sigma }_{h}^{2} $和$ {\sigma }^{2} $分别是h层和全区的方差。q取值范围为[0, 1]，q越大，表明因子影响力越强，反之则相反。
-
由图1可见：从市域尺度看，430个国家森林乡村在江西省11个地级市都有分布，市均39.09个，其中，赣州、上饶、吉安、宜春、九江、抚州等6市共分布336个(78.14%)。从县域尺度看，430个国家森林乡村分布在江西省79个县(市、区)，县均5.44个，县均密度3.72 个·万km−2。据此统计国家森林乡村分布高数量县、高密度县，去除两者重复，获得37个县(市、区)，共分布森林乡村288个(66.98%)，它们是江西省国家森林乡村保护与开发的重点县(市、区)。可见，江西省国家森林乡村分布广泛，但集中程度高，少数县(市、区)分布多数国家森林乡村。
图 1 江西省国家森林乡村市域、县域尺度数量及密度分级图
Figure 1. Quantity and density grading of national forestvilliages in Jiangxi Province at the city and county scales
使用平均最近邻指数(R)衡量国家森林乡村的集中度，发现江西省第1批、第2批、全2批国家森林乡村R分别为0.64、0.73、0.78，均＜1.00，表明江西省国家森林乡村呈凝聚型分布特征。再使用变异系数衡量江西省国家森林乡村的离散程度(图2A~C)，发现江西省第1批、第2批、全2批国家森林乡村变异系数分别为139.99%、186.02%、82.08%，均＞64.00%，同样表明江西省国家森林乡村呈集聚型分布特征。江西省国家森林乡村凝聚型或集聚型的空间分布特征是对“少数县(市、区)分布多数国家森林乡村”行政格局的集中呈现。
图 2 江西省国家森林乡村核密度、泰森多边形与重点县分布
Figure 2. Nuclear density, tyson polygon, and key county distribution of national forest villiages in Jiangxi Province
-
分别以江西省11个地级行政中心和100个县级行政中心为区域经济中心，借助GIS邻近距离和缓冲区工具进行测算，结果(表2)发现：430个国家森林乡村距地级行政中心的平均距离约59.93 km，距县级行政中心平均距离约19.20 km。以江西省352个古村落距离地级行政中心52.00 km的平均距离为参照，国家森林乡村距离中心城市更远，相对偏离约8.00 km。再分别以地级行政中心和县级行政中心为圆心，以平均距离为半径，作60.00、20.00 km缓冲区，统计获得缓冲区内分别分布森林乡村251个(58.37%)、245个(56.98%)，表明近半数的国家森林乡村偏离区域经济中心城市。选取高速公路、国道、铁路作为主要陆路交通线，以五级以上河流作为主要水路交通线，同样借助邻近距离和缓冲区工具进行测算，结果发现：430个森林乡村距离主要陆路交通线平均距离约11.50 km，10.00 km缓冲区范围内分布243个，占56.51%；距离主要水路交通线平均距离约10.55 km，10.00 km缓冲区范围内分布243个，占56.51%。以全国首批3947个国家森林乡村中的43.5%分布在公路干道约1.00 km范围内，71.57%分布在距河流5.00 km范围内为参照，江西省国家森林乡村距离主要水陆交通线的距离明显偏远。江西省国家森林乡村距离经济中心、水陆交通线较远，集中反映了偏离经济中心的经济格局。
表 2 江西省国家森林乡村与主要经济中心、水陆交通线空间关系
Table 2. Spatial relationship between national forest villages, major economic centers, and transportation lines in Jiangxi Province
项目 平均距
离/km缓冲区/
km国家森林
乡村数量/个国家森林
乡村占比/%地级行政中心 59.93 60 251 58.37 县级行政中心 19.20 20 245 56.98 陆路交通 11.50 10 243 56.51 水路交通 10.55 10 243 56.51 -
江西“三面环山”的特征奠定了其国家森林乡村密迩省界边缘的地缘格局(图2D)：①省界边缘区内国家森林乡村占比大。430个国家森林乡村距离省界平均距离约39.51 km。以江西省省界向省域范围内作40.00 km缓冲区，利用位置选择工具，统计该范围内分布国家森林乡村253个，占全省58.84%，说明江西近60%的国家森林乡村是“沿边”分布的。②省界边缘区内国家森林乡村重点县占比大。37个森林乡村重点县中，有32个位于省界40.00 km缓冲区范围内，占86.49%。③省界边缘区内国家森林乡村核密度高值区占比大。分别计算第1、2批和全2批国家森林乡村的核密度值，发现均具有“多核-沿边”分布特征，并几乎全部位于省界40.00 km缓冲区范围内。
-
由图3可见：①江西省国家森林乡村整体具有“低地指向性”。江西省430个国家森林乡村平均海拔约225 m，较江西省246 m的平均海拔低21 m。其中，0~200 m的森林乡村数量最多，达238个(55.35%)；200 m以上数量持续减少。②不同区域国家森林乡村的平均海拔低于区域平均海拔，也具有“低地指向性”。其中，赣北、赣中、赣南地区国家森林乡村平均海拔分别为188、228、313 m，分别较赣北、赣中、赣南地区186、249、365 m的区域平均海拔低2、21、52 m，这与江西自北向南逐渐抬升的地势一致[19]。
图 3 江西省国家森林乡村海拔高程
Figure 3. National forest villiages altitude in Jiangxi Province
-
由表1可知：自然环境因素q从大到小依次为生物丰度、生态环境质量、森林净初级生产力、森林冠层高度、归一化植被指数、生态系统服务价值、海拔、年降水量、年均气温、地形起伏度。社会环境因素q从大到小依次为传统村落、旅游扶贫村、4A级及以上景区、国内生产总值、行政村数量、林业产值、人口密度、国家森林公园数量、居民地数量。自然因素r从大到小依次为生物丰度、海拔、森林冠层高度、归一化植被指数、生态环境质量、生态系统服务价值、森林净初级生产力。社会因素r从大到小依次为国内生产总值、4A级及以上景区数量、旅游扶贫村数量、传统村落数量、行政村数量。表明主要环境因素与国家森林乡村分布具有空间耦合性，两者具有相关性。江西省各县国家森林乡村数量与其生态环境质量(r=0.212，P＜0.05)、国内生产总值(r=−0.264，P=0.01)具有相关性，表明生态环境质量越好，国家森林乡村越多，而社会经济相对发达的地区，国家森林乡村越少。
-
筛选q＞0.25的评价指标进一步参与地理加权回归分析，使用ArcGIS 10.7的自然断裂法，将各项评价指标的回归系数划分为优势区、普优区、一般区、劣势区等4级。从空间格局看，主要影响因素的优势区基本分布在省界边缘地带，特别是赣北—赣东北或赣南—赣西南地区。优势区意味着该因素在该区域具有相对较高的影响力，而劣势区则相反。具体而言，在自然环境因素中，生物丰度(图4A)、归一化植被指数(图4B)优势区均位于赣北—赣东北地区；生态环境质量(图4C)、森林净初级生产力(图4D)、森林冠层高度(图4E)、生态系统服务价值(图4F)指标优势区均位于赣南—赣西南地区。此外，只有海拔(图4G)的优势区位于赣西地区，这里为罗霄山脉、幕阜山脉等中低山区。社会环境因素中，传统村落数量(图4H)、旅游扶贫村数量(图4I)、国内生产总值(图4J)优势区均位于赣北—赣东北地区；4A级及以上景区数量(图4K)、行政村数量(图4L)优势区均位于赣南—赣西南地区。主要影响因素对国家森林乡村空间格局的形成兼具正负效应，存在全部正值、全部负值和负值转正值3种状态。以生态环境质量为例，回归系数为正值，且自西南向东北呈层状递减，表明生态环境质量对国家森林乡村具有正效应(图4C)。以国内生产总值为例，回归系数为负值，且自东北向西南递减，表明国内生产总值指标对国家森林乡村具有负效应，同样直接印证了江西省国家森林乡村偏离经济中心的经济格局(图4J)。
图 4 江西省国家森林乡村与主要环境因素地理加权回归
Figure 4. Geographically weighted regression of national forest villages and main environmental factors in Jiangxi Province
-
江西省域尺度的国家森林乡村与全国尺度的国家森林乡村存在共性与个性。共性方面：①国家森林乡村的空间分布总体均呈集聚状态。在全国尺度，具有以“胡焕庸线”为指向的“东密西疏”分布格局，江西正处于此线以东的相对密集区；在省域尺度，全国形成多个集聚分布中心，包括浙江、江西、湖南等省份。②国家森林乡村的海拔高程通常具有低地性，反映人类营建村落时，客观上优先选择平原、盆地、河谷等低海拔地区的普遍倾向。③森林植被、生态环境等指标对国家森林乡村空间格局的形成具有较强解释力。国家森林乡村是一种依托森林资源的人居聚落，由于森林具有涵养水源、保持水土、调节气候、维持生物多样性等综合自然效益，通常森林植被条件越好，其生态环境质量越优质、生态系统服务价值越突出。个性方面：①江西省国家森林乡村偏离主要经济中心和水陆交通线，而全国尺度国家森林乡村则对经济中心和交通线具有更强依赖性。同时，与一般城市相比，国家森林乡村是一种初级形态的乡村人居聚落，其人口、经济、建筑规模普遍较小，故而在人口密度、林业产值、居民地等社会环境因素指标方面不占优势，解释力不高。②地理环境指标在全国范围内与在省域范围内具有显著的差异性。与全国尺度相比，江西省域尺度上国家森林乡村对于年均气温、年降水量、干湿指数等指标敏感性不强。③国家森林乡村注重自然生态环境、人居环境品质，而旅游资源禀赋较高的地区，通常也是自然环境优越的地区，两者相得益彰。不过，国家森林公园是偏重依托于占全国林地面积40%的国有林场或自然保护区内的国有林地，而占全国林地面积60%的集体林区却很少，故解释力较低。
通过对江西省国家森林乡村空间格局及其影响机制进行研究，得到以下结论：①江西省国家森林乡村具有偏重少数地区的行政格局、偏离经济中心的经济格局、密迩省界边缘的地缘格局、低地指向性的地形格局。这种空间格局集中反映出：国家森林乡村归根结底属于农村地区，其开发与保护应立足农村地区自然环境相对优越但生态脆弱、社会经济发展相对滞后的基本点；国家森林乡村是一种人居聚落，其选址与营建具有“由易到难，由低到高，由河谷、平原到山地、丘陵”的基本规律；江西省国家森林乡村分布集中度高，37个重点县(市、区)应是未来持续推进开发与保护的先行区。②江西省国家森林乡村空间格局的形成具有典型的影响机制。自然环境因素中，森林植被(如生物丰度、森林冠层高度、森林净初级生产力等)、生态环境指标(如生态环境质量、生态系统服务价值等)对国家森林乡村空间格局形成的解释力显著优于地理环境指标；社会环境因素中，旅游资源指标(如传统村落、旅游扶贫村、4A级以上景区数量等)对国家森林乡村空间格局的形成具有更强的解释力，而社会经济、行政管理指标解释力普遍较低。这从侧面反映家森林乡村在评定过程中提出的“森林功能效益显著，涉林产业发展良好”并未在实践中有效贯彻和落实，对于今后国家森林乡村评定工作的开展具有“纠偏”意义。
本研究对国家森林乡村评选、评定与评价，提出如下建议：①国家森林乡村应服务于乡村振兴战略、美丽乡村战略，须持续推进高质量保护与开发，格外关注自然环境等因素；②国家森林乡村集中分布的重点县应是进一步保护与开发的“先头兵”和“桥头堡”，具有引领示范作用；③应完善国家森林乡村评选、评定与评价机制，引入退出机制，形成持续发展的动态良性循环。
Spatial pattern and impact mechanism of national forest villages in Jiangxi Province
-
摘要:
目的 探讨国家森林乡村的空间格局及其影响机制，助力乡村绿化、美化、优化。 方法 以江西430个国家森林乡村为对象，构建“评价、解析、指标、数据”四维体系，综合运用GIS空间分析、地理探测器、地理加权回归等方法，探讨其空间格局及形成的影响机制。 结果 ①江西国家森林乡村呈低地指向性的地形格局、密迩省界边缘的地缘格局、偏重少数地区的行政格局、偏离经济中心的经济格局。②自然环境因素中的森林植被、生态环境对国家森林乡村空间格局形成的解释力显著优于地理环境指标；社会环境因素中，旅游资源具有更强的解释力。③从空间格局看，主要因素的影响优势区基本分布在省界边缘地带，特别是赣北—赣东北或赣南—赣西南地区；从回归系数看，主要因素对国家森林乡村空间格局的形成兼具正负关系，显现出综合影响效应。 结论 生物丰度、植被指数等环境因素与国家森林乡村分布具有空间耦合性，但影响差异显著，体现了不同空间尺度共性与个性并存，并兼具一定的“纠偏”价值。图4表2参19 Abstract:Objective Explore the spatial pattern and impact mechanism of national forest villiages is helpful for rural greening, beautification, and optimization. Method Taking 430 national forest villages in Jiangxi as the research object, a four-dimensional structure system of “evaluation-analysis-index-data” was constructed, and the spatial pattern and its formation mechanism were discussed by comprehensively using GIS spatial analysis, geographical detectors and geographical weighted regression. Result (1) The national forest villages in Jiangxi exhibit a low land oriented terrain pattern, a geopolitical pattern at the edge of the provincial boundary, an administrative pattern that emphasizes minority administrative regions, and an economic pattern that deviates from the economic center. (2) The explanatory power of forest vegetation and ecological environment in natural environmental factors on the formation of national forest villages spatial pattern is significantly better than that of geographical environmental indicators. The tourism resources in social environmental factors have a stronger explanatory power on the formation of the national forest villages spatial pattern. (3) From the perspective of spatial pattern, the dominant areas of the main influencing factors are mainly distributed in the marginal areas of the provincial boundary, especially in the northern-northeastern Jiangxi or southern-southwestern Jiangxi regions. From the perspective of regression coefficients, the main influencing factors have a positive and negative relationship with the formation of the national forest rural spatial pattern, showing a comprehensive impact effect. Conclusion There is spatial coupling between environmental factors such as biological abundance, vegetation index, and the distribution of national forests villiages, but the impact varies significantly, reflecting the coexistence of commonality and individuality at different spatial scales, and possessing a certain value of “correction”. [Ch, 4 fig. 2 tab. 19 ref.] -
Key words:
- national forest villages /
- spatial pattern /
- impact mechanism /
- Jiangxi
-
森林在陆地生态系统中发挥着重要的碳汇作用。森林生物量的空间精准量化对了解陆地碳储量、碳收支、碳平衡，以及它们与全球气候变化之间的关系具有重要意义[1-3]。森林地上生物量(AGB)为林木干、枝、叶的有机体干质量，不含林木根部、灌木、草本及林下枯枝落叶，是森林生物量的主体部分。近年来，采用遥感技术反演森林AGB展露出巨大的潜力，光学、激光雷达(LiDAR)、被动微波雷达和合成孔径雷达(SAR)等多种遥感数据用于森林AGB的估测，使得森林AGB估测的区域尺度性、经济性及精度等不断提升[3-7]。其中，SAR不受天时、天气的影响，且微波波长较长，在森林中具有较强的穿透能力，因此在获取森林密度、树高、AGB等森林垂直结构因子方面极具潜力[2, 8-10]。SAR估测森林AGB的能力有赖于其工作频率的高低，大量研究证实了低频波段后向散射对森林AGB变化的敏感性更强。在常用于森林监测的微波波段中，频率较低的P波段SAR后向散射系数对森林AGB变化最为敏感[11-13]。目前P波段的研究多基于机载数据展开，且研究区多位于国外，而国内相关研究则开展较少。CARTUS等[1]基于AfriSAR、BioSAR和TropiSAR机载飞行试验，使用P、C、L波段联合进行了森林AGB反演，结果表明P波段与森林结构因子的树干、树枝的相关性较高，P波段的加入有力地提高了反演的准确度和精度。LIAO等[14]使用TropiSAR机载P波段数据，采用层析方法(TomoSAR)将相干幅度、干涉相位和后向散射特征建模对法属圭亚那热带雨林AGB进行了反演，结果表明树高特征的引入可有效提高森林AGB反演精度，决定系数(R2)最高可达0.7。冯琦等[10]使用国产机载P波段数据结合坡度因子，在考虑当地入射角和坡度的情况下建立对数统计模型，对内蒙古根河市生态站的寒温带针叶林进行森林AGB的反演，最高反演精度R2为0.634、均方根误差(RMSE)为12.07 t·hm−2。
现有采用P波段SAR数据进行的森林AGB估测，多集中在采用P波段的后向散射信息、相位和相干性信息，而对于极化信息的利用则较少。由于SAR信息的差异，使得其用于森林AGB估测的方法也差异明显，如采用后向散射信息估测森林地上生物量，多采用线性回归参数模型；而采用相位和相干性信息利用层析技术进行森林AGB估测则多基于植被微波散射模型或电磁波信号模型进行反演。线性回归模型简单灵活，但通常无法表征P波段特征与森林AGB变化之间的复杂关系；植被散射模型或者电磁波信号模型能够体现森林与P波段电磁波之间的部分物理作用机制，但模型较复杂，应用推广困难。
近年来，随着极化SAR数据的丰富，可提取的极化SAR特征涌现，非参数模型被广泛应用于SAR极化特征农作物生长参数的定量反演，并表现出较强的反演能力和较好的应用推广性。鉴于P在森林监测中的潜力，其极化特征在森林AGB估测中并未深入探索，参数模型过于简单、植被微波散射模型理解过于困难，本研究以中国北方典型寒温带森林作为研究对象，使用机载P波段SAR数据，提取多种极化特征，在分析其P波段极化散射特征的基础上，探索采用参数和非参数模型进行森林AGB估测的可行性，旨在明确P波段森林的极化散射特征，探索采用P波段极化SAR数据进行森林AGB估测具体应用的有效方法。
1. 研究区概况
研究区为位于内蒙古呼伦贝尔盟的根河市大兴安岭森林生态系统国家野外科学观测研究站(大兴安岭生态站)，50°49′~50°51′N，121°30′~121°31′E。该研究站是中国纬度最高的森林生态研究站，面积为102 km2。研究区气候类型为典型的寒温带大陆性季风气候。研究区地势相对平缓，区域内80%的坡度小于15°，海拔高度分布在800~1 200 m，森林覆盖率大于75%，主要树种为兴安落叶松Larix gmelinii、白桦Betula platyphylla、樟子松Pinus sylvestris var. mongolica等。
2. 数据获取与预处理
2.1 P波段SAR数据获取与预处理
采用的P波段SAR数据由机载CAMSAR系统获得[15]。通过协议方式获取根河实验区机载P波段全极化(HH/HV/VV/VH) SLC数据。该数据是2013年9月以“奖状Ⅱ”飞机平台，以CASMSAR系统右视观测获取的全极化SAR数据。获取过程中飞行方向为自西向东，飞行高度为5 807 m，获取时间为2013年9月13—16日，极化方式为HH/HV/VH/VV，产品模式为SLC，幅宽为6 km × 7 km，中心入射角为55.058°，距离向分辨率为0.666 m，方位向分辨率为0.625 m。机载P波段SAR数据的预处理关键步骤包括多视处理、正射校正、入射角校正和极化方位角校正。多视视数在距离向和方位向均为3，数据的正射校正、入射校正参考文献[10]；极化方位角校正过程和算法见文献[16]。P波段SAR数据预处理结果、森林AGB抽样点及林分概况见图1。
图 1 P波段SAR数据(A)及其覆盖区样点分布(B)、林分概况(C)Figure 1 P band SAR data (A), the distribution of samples (B) and stand examples (C)2.2 激光雷达(LiDAR)数据获取与预处理
LiDAR获取的数字表面模型(DSM)、数字高程模型(DEM)用于P波段SAR数据的地理编码，由冠层高度模型(CHM)获取的LiDAR森林AGB数据用于反演模型的训练及验证。本研究获取的机载LiDAR数据是将Leica机载雷达系统荷载于“运-5”飞机平台上，于2012年8—9月在根河实验区开展飞行任务。该原始数据密度为5.6个·m−2的点云数据，激光中心波谱值为1550 nm，在初始点云数据的基础上，提取了研究区域高精度的DEM (图2A)、CHM (图2B)和森林AGB(图2C)等衍生产品。DSM、DEM、CHM数据的详细生成方法参考文献[17]，高精度LiDAR森林AGB的详细提取过程与方法参考文献[10,18]。
为保证建模样本和验证样本能够代表整个研究区的森林AGB水平，以高精度LiDAR森林AGB图为基础，按照750 m的空间采样间隔，在ArcGIS中采用交互人工干预(去除道路及裸露地物)的方法选取113个样点(图1B)作为森林AGB反演模型的训练与验证。机载P波段SAR数据覆盖区森林林相不均匀，平均AGB较低，约46.7 t·hm−2，且大于100 t·hm−2的采样点仅有5个。113个样点AGB以10 t·hm−2间隔得分布情况(图1B)：0~10 t·hm−2，3个；＞10~20 t·hm−2，14个；＞20~30 t·hm−2，17个；＞30~40 t·hm−2，17个；＞40~50 t·hm−2，18个；＞50~60 t·hm−2，14个；＞60~70 t·hm−2，10个；＞70~80 t·hm−2，8个；＞80~90 t·hm−2，7个；＞90 t·hm−2，5个。
3. 方法
3.1 森林P波段极化散射特征分析
极化目标分解方法是从全极化数据中提取地物极化信息的有效方法，目前多种极化分解参数在森林类型识别中表现出巨大的潜力。本研究采用目前常用的极化后向散射系数、常用的3种极化分解方法提取极化SAR特征，并基于此分析森林的极化散射特征。提取P波段HH、HV和VV等3个极化的后向散射系数，基于3个后向散射系数的雷达植被指数(RVI)、极化辨别率参数(PDR)；基于Freeman-Durden三分量分解的体散射分量(FVOL)、单次散射分量(FODD)、二次散射分量(FDBL)、体地散射比分量(FD1/FD2，1表示地散射分量是ODD和DBL的和，2表示地散射分量仅为ODD)；基于Yamaguchi的体散射分量(YVOL)、单次散射分量(YODD)、二次散射分量(YDBL)、螺旋体散射分量(YHLX)；基于H-A-ALPHA极化分解的极化散射熵(entropy)、反熵(anisotropy)、散射角(alpha)、目标方位向角(beta)、相位差角1(gamma)、相位差角2(delta)。3种极化分解方法参考文献[19-20]。由于本次飞行试验时并未布设角反射器用于定标，因此本研究使用的后向散射系数值仅有相对含义。
森林在P波段极化特征响应分析的目的是为了确定P波段对森林AGB动态变化敏感的极化特征参数，从而确定有效的极化特征参数进行森林AGB的估测。将研究区的森林AGB划分为A (表示生物量在0~30 t·hm−2变化时对应后向散射系数的箱线变化，均值约20 t·hm−2)，B (31~50 t·hm−2，40 t·hm−2)，C (51~70 t·hm−2，60 t·hm−2)，D (71~90 t·hm−2，80 t·hm−2)，E (＞91 t·hm−2，100 t·hm−2)等5个变化等级，分别制作各等级相应P波段SAR提取参数值的箱线图，分析研究区各极化特征参数对森林AGB动态变化的响应，进而分析其极化散射特征。为了定量的分析各极化特征与森林AGB变化的关系，计算了它们之间的皮尔逊相关系数及显著性水平。
3.2 森林AGB估测方法
3.2.1 多元线性逐步回归模型
多元线性逐步回归模型(MLR)是森林AGB估测中最常用、最经典的方法之一。与常规的线性回归模型相比，MLR可同时完成模型输入参数的优选，进而提高森林AGB估测的效率和精度。MLR是将自变量逐个引入，每次判断自变量对因变量影响的显著性，并对模型中的自变量进行检验，逐个从模型中剔除不显著的变量，从而得到最优模型。即在保证显著性值在0.05以下的情况下，筛选相关性高的特征变量，进而得到因变量的最优估计。MLR的实现算法详见文献[21]。
3.2.2 KNN、SVR、RF非参数模型
KNN[22-25]、SVR[22, 24]和RF[24, 26]是森林AGB估测中常用的非参数模型，与参数模型相比，无固定的模型结构，通常通过数据驱动的方法来确定模型结构并用于森林AGB的估测，因此也称为机器学习方法。在森林AGB估测中，这3种方法各有优势，因此选取这3种方法来探究非参数方法在P波段森林AGB估测中的潜力。
3.3 P波段森林AGB估测结果精度验证
反演结果精度的定量评价通过反演结果与真值之间的决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)、估测精度(Acc)来表征。这4个参数的计算公式参考文献[27]。
4. 结果与分析
4.1 森林P波段极化散射特征分析
本研究获取的P波段中心波长为64 cm，该波段在森林中的穿透性较强。由图3可知：P波段20个SAR特征均表现出对研究区森林AGB变化的敏感性。P波段3种极化方式后向散射系数对森林AGB在0~110 t·hm−2内动态变化的响应与已有研究[28]相似，即后向散射系数的值均随着森林AGB的升高而缓慢增长。在各森林AGB水平中，HH、HV和VV散射能量强度相差并不明显，并且从箱线图(图3)的中值可以看出：HH的单调增长趋势较其他2个极化明显，且异常值较少。这可能是由于P波段波长较长，比较粗树干等圆柱体形状的散射体为森林中的散射体，使得去极化特征明显降低，因此同极化的HH和VV后向散射能量对AGB变化的敏感性明显高于HV[29]。此外，由后向散射系数计算的RVI也随着森林AGB增加而单调增加且未出现饱和现象，并且通过箱线图的宽度变化可以看出：各水平RVI箱宽变化不明显，说明该值对森林结构的变化不敏感，而对森林AGB的变化比较敏感。相比RVI，PDR非单调增长，在不同森林AGB水平，占主导散射的散射体会发生明显变化[30-31]，该现象也可由Freeman-Durden中各个参数随森林AGB变化的响应加以说明。P波段Freeman-Durden分解相关特征中，除FODD和FDBL外，均随着森林AGB的增加而增加，并且2种体地散射比的值均远远大于1。Yamaguchi分解特征对森林AGB的响应趋势与Freeman-Durden分解相关特征的趋势基本一致。P波段H-A-ALPHA分解提取的参数中，散射熵(entropy)随着森林AGB增加而单调增加，而alpha则敏感性不明显。但beta、gamma和delta对森林AGB变化的敏感性则高于散射角alpha。P波段森林的极化散射特征随森林AGB的变化与已有研究中短波长的研究差异明显，说明现有的极化分解建模方法与该森林AGB水平P波段的散射特征有明显差异。
由表1可知：极化分解中表征体散射分量的极化特征与森林AGB变化的显著性较低或不存在显著性，而二次散射特征分量则与森林AGB变化具有强相关性且显著性水平最高。这说明在本研究区，树干与地表形成的二次散射对森林AGB的变化最为敏感，且目前极化分解中的体散模型并不适合P波段研究区森林AGB水平下森林的散射机制。表1的定量分析结果与图4的定性分析结果对比可知：由于各极化参数的值域范围差异明显，图3对森林AGB敏感性较明显的参数在定量分析时相关性并不一定最高，因此图4的分析仅可作为初步参考，对于森林AGB敏感的极化特征参数的分析，仍需要采用皮尔逊系数进行相关性定量分析。
表 1 P波段SAR极化特征与森林AGB相关性分析Table 1 Correlation coefficients of polarization feature and forest AGB特征 R P 特征 R P 特征 R P HH 0.401** 0 F_VOL −0.129 0.173 alpha −0.734** 0 HV −0.249** 0.008 Y_DBL 0.719** 0 beta 0.037 0.696 VV −0.322** 0 Y_ODD 0.323** 0 delta 0.221* 0.018 FD1 −0.453** 0 Y_VOL −0.213* 0.024 gamma 0.314** 0.001 FD2 −0.448** 0 Y_HLX 0.187* 0.047 PDR 0.629** 0 F_DBL 0.650** 0 entropy −0.136 0.151 RVI −0.374** 0 F_ODD 0.303** 0.001 anisotropy 0.436** 0 说明：R代表Pearson相关系数；P代表显著性水平，**代表0.01水平上显著；*代表0.05水平上显著 
图 4 4种模型森林AGB估测与LiDAR抽样点散点图Figure 4 Scatter plots of estimated and LiDAR forest AGB of four models4.2 森林AGB估测结果分析
从表2可知：4种模型中，MLR模型估测结果精度最低，RF精度最高；而KNN和SVR模型的估测精度则相近，R2相同，RMSE、MAE和Acc也基本相同，比RF估测结果的最高值仅低约2%。
表 2 基于4种模型的P波段SAR 森林AGB估测结果Table 2 P band SAR forest AGB inversion using four models波段 反演模型 模型参数 R2 RMSE Acc/% MAE P MLR 显著性为0.0008 0.43 19.16 63.55 16.99 KNN K值为11，欧氏距离 0.54 17.04 71.18 13.44 SVR 惩罚系数7.0 0.54 17.09 71.15 13.45 RF 决策树数为100，树深度为11 0.60 15.98 72.97 12.60 从图4可看出：在整个森林AGB分布中，MLR估测结果分布较其他3种非参数方法分散，在森林AGB大于80 t·hm−2时出现了明显的饱和低估现象。其他3种方法尽管也有低估的现象，但是饱和现象并不明显。此外，本研究中4种方法估测结果的相对误差约30%，而以往区域性森林AGB的估测误差为37%~67%[32]，采用P波段HV后向散射系数的估测结果中，同质性森林地区的相对误差约13%，而异质性地区相对误差则约60%[28]。在采用L-波段极化分解参数进行森林AGB反演研究中，在森林AGB水平低于120 t·hm−2时，后向散射的特征优于3种极化分解的特征，这与本研究中P波段的研究结果基本一致[33]。4种方法的估测结果中均出现了低值高估和高值低估的现象，这与以往采用不同遥感数据源进行森林AGB估测的结果一致[32]。图5中，RF的残差分布最接近高斯分布，尽管峰值出现在10 t·hm−2左右，由于其值分布较窄，因此具有较高的估测精度。KNN和SVR的残差分布图均较为连续，并且分布区间明显高于MLR，但由于正值占比较大，因此总体上呈现高估现象。MLR估测结果的残差分布图在10和20 t·hm−2出现了2个明显的峰值，且所有残差值的分布范围较宽，解释了其估测精度低于其他3种方法的原因。在ENGHART等[34]基于C和L-波段参数和非参数方法森林AGB估测的研究中，也发现MLR的估测结果要略低于非参数模型。然而参数和非参数模型的适用性还受到训练样本大小的影响，因此在训练样本较大时可选择非参数模型进行估测，当样本较小时则可优先选择MLR方法进行森林AGB估测[32]。
图 5 森林AGB估测结果与LiDAR抽样点差值直Figure 5 Histograms of difference between forest AGB estimation results and LiDAR sampling points为了进一步分析P波段极化特征对森林AGB估测的潜力，本研究将研究区森林AGB划分为不同的等级，然后采用4种估测模型中估测结果最优的RF模型进行估测，估测结果见表3。在本研究中将森林AGB划分为3组，其中第1组分别以30、60 t·hm−2为边界划分为3个子组；而第2组和第3组分别以40和50 t·hm−2为界划分为2个子组。由表3可知：分组界限不同，估测精度有明显的差异，分组划分越详细，估测精度(Acc)越高；此外，3种分组情况的估测结果均表明：在森林AGB平均值约45 t·hm−2，最高值不超过120 t·hm−2时，P波段在森林AGB水平较高的分组估测精度较高，如在第1组中，森林AGB大于30 t·hm−2分组的估测精度比小于30 t·hm−2分组的估测精约高5%；而在以50 t·hm−2为分组界限的2组中，森林高AGB组的估测精度比低AGB组的估测精度约高出6%。表3的结果分析表明：待估森林的AGB水平对P波段极化特征进行森林AGB估测的估测精度有明显影响，且P波段极化信息更适合森林AGB较高区域森林AGB的估测。
表 3 基于4种模型的P波段SAR 森林AGB反演情况Table 3 P band SAR forest AGB inversion based on four models序号 AGB分段/
(t·hm−2)R2 RMSE/
(t·hm−2)Acc/% 1 0~30 0.55 4.92 76.12 30~60 0.13 7.95 81.85 ＞60 0.25 14.89 81.57 2 0~50 0.47 8.46 72.15 ＞50 0.30 15.80 78.19 3 0~40 0.48 6.52 74.36 ＞40 0.36 16.21 74.82 5. 结论
针对P波段极化SAR数据在森林AGB估测中的潜力，提取了20个P波段极化SAR参数，探索了森林AGB估测中常用的MLR、KNN、SVR和RF方法在使用P波段极化SAR数据进行森林AGB估测的潜力。结果表明：P波段极化SAR信息在森林AGB估测中具潜力，但估测精度受到待估区域森林AGB水平高低的影响；4种估测方法中，非参数方法的估测结果明显优于MLR估测。P波段森林AGB估测结果中，同样存在AGB低值高估和高值低估的现象，其原因仍需要进一步探索。此外由于本研究区的森林AGB均值为45 t·hm−2，最高值低于120 t·hm−2，所以P波段极化信息在AGB高于120 t·hm−2的森林覆盖区中对森林AGB的估测能力仍有待进一步研究。
-
图 1 江西省国家森林乡村市域、县域尺度数量及密度分级图
Figure 1 Quantity and density grading of national forestvilliages in Jiangxi Province at the city and county scales
图 2 江西省国家森林乡村核密度、泰森多边形与重点县分布
Figure 2 Nuclear density, tyson polygon, and key county distribution of national forest villiages in Jiangxi Province
图 4 江西省国家森林乡村与主要环境因素地理加权回归
Figure 4 Geographically weighted regression of national forest villages and main environmental factors in Jiangxi Province
表 1 江西省国家森林乡村“评价、解析、指标、数据”四维结构体系
Table 1. Four-dimensional structural system of “evaluation-analysis-indicators-data” for national forest villages in Jiangxi Province
评价维 解析维 指标维 数据维 q r 自然生态风貌保护
山水林田湖草系统治理
森林绿地建设
森林质量效益
乡村绿化管护
乡村生态文化地理环境 F1 海拔 0.249 0.231* F2 地形起伏度 0.013 0.077 F3 年均气温 0.142 −0.082 F4 年降水量 0.164 −0.072 F5 干燥指数 0.177 0.066 F6 湿润指数 0.196 −0.015 森林植被 F7 森林净初级生产力 0.358 −0.121 F8 生物丰度指数 0.389 0.249* F9 森林冠层高度 0.288 0.226* F10 归一化植被指数 0.274 0.215* 生态环境 F11 生态系统服务价值 0.271 −0.122 F12 生态环境质量 0.376 0.212* 社会经济 F13 国内生产总值 0.304 −0.264** F14 人口密度 0.153 −0.136 F15 林业产值 0.178 −0.173 旅游资源 F16 国家森林公园数量 0.152 0.284** F17 旅游扶贫村数量 0.378 0.253* F18 传统村落数量 0.393 0.150 F19 4A级及以上景区数量 0.318 0.255* 行政管理 F20 居民地数量 0.014 −0.117 F21 行政村数量 0.287 −0.132 说明：q为各因素参与地理探测器分析的贡献度；r为各因素参与国家森林乡村数量相关系数，取绝对值进行横向比较。*和**分别表示0.05和0.01水平相关性显著。 
下载: 导出CSV
表 2 江西省国家森林乡村与主要经济中心、水陆交通线空间关系
Table 2. Spatial relationship between national forest villages, major economic centers, and transportation lines in Jiangxi Province
项目 平均距
离/km缓冲区/
km国家森林
乡村数量/个国家森林
乡村占比/%地级行政中心 59.93 60 251 58.37 县级行政中心 19.20 20 245 56.98 陆路交通 11.50 10 243 56.51 水路交通 10.55 10 243 56.51
下载: 导出CSV
-
[1] 国家林业和草原局. 国家森林乡村评定办法(暂行)[EB/OL]. 2019-09-05[2023-02-08]. http://www.zjly.gov.cn/art/2019/9/6/art_1346870385.html. National Forestry and Grassland Administration. National Forest Villages Assessment Measures (Provisional) [EB/OL]. 2019-09-05[2023-02-08]. http://www.zjly.gov.cn/art/2019/9/6/art_1346870385.html. [2] 陈刚, 吴清, 杨俭波, 等. 中国国家森林乡村的空间分布特征与影响因素[J]. 经济地理, 2021, 41(6): 196 − 204. CHEN Gang, WU Qing, YANG Jianbo, et al. Spatial distribution characteristics and influencing factors of China national forest villages [J]. Economic Geography, 2021, 41(6): 196 − 204. [3] 郑群明, 田甜, 杨小亚. 中国国家森林乡村的空间分布特征及其影响因素[J]. 中国生态旅游, 2021, 11(3): 441 − 454. ZHENG Qunming, TIAN Tian, YANG Xiaoya. The spatial distribution and influencing factors of the national forest villages in China [J]. Journal of Chinese Ecotourism, 2021, 11(3): 441 − 454. [4] 杨燕, 胡静, 李亚娟, 等. 基于GIS的中国森林乡村空间结构及影响因素研究[J]. 干旱区资源与环境, 2021, 35(6): 182 − 191. YANG Yan, HU Jing, LI Yajuan, et al. Spatial structure of forest villages in China and the influencing factors [J]. Journal of Arid Land Resources and Environment, 2021, 35(6): 182 − 191. [5] 唐明贵, 胡静, 汤慧, 等. 中国森林乡村空间分布特征及其影响因素分析[J]. 农业工程学报, 2022, 38(10): 258 − 266. TANG Minggui, HU Jing, TANG Hui, et al. Spatial distribution and influencing factors of forest villages in China [J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(10): 258 − 266. [6] 黄晓芬, 白鸥. 浙江省森林乡村空间分布特征及其影响因素[J]. 浙江农林大学学报, 2022, 39(4): 884 − 893. HUANG Xiaofen, BAI Ou. Spatial distribution characteristics and influencing factors of forest villages in Zhejiang Province [J]. Journal of Zhejiang A&F University, 2022, 39(4): 884 − 893. [7] 罗文斌, 蒋理, 雷洁琼, 等. 湖南省国家森林乡村分布格局及影响因素研究[J]. 中国农业资源与区划, 2022, 43(2): 33 − 42. LUO Wenbin, JIANG Li, LEI Jieqiong, et al. Research on the distribution pattern and influencing factors of national forest villages in Hunan Province [J]. Chinese Journal of Agricultural Resources and Regional Planning, 2022, 43(2): 33 − 42. [8] 侯灿, 胡道华, 张启凡, 等. 湖北省国家森林乡村的空间分布及类型特征探究[J]. 湖南工业大学学报, 2021, 35(2): 81 − 87. HOU Can, HU Daohua, ZHANG Qifan, et al. An inquiry into the spatial distribution and type characteristics of national forest villages in Hubei Province [J]. Journal of Hunan University of Technology, 2021, 35(2): 81 − 87. [9] 孔雪松, 府梦雪, 孙建伟, 等. 中国森林乡村的多尺度分异特征与分区优化[J]. 地理研究, 2022, 41(7): 2051 − 2064. KONG Xuesong, FU Mengxue, SUN Jianwei, et al. Multi-scale differentiation characteristics and optimization zones of forest villages in China [J]. Geographical Research, 2022, 41(7): 2051 − 2064. [10] 游珍, 封志明, 杨艳昭. 中国1 km地形起伏数据集[J]. 全球变化数据学报, 2018, 2(2): 151 − 155. YOU Zhen, FENG Zhiming, YANG Yanzhao. Relief degree of land surface dataset of China (1 km) [J]. Global Change Research Data Publishing &Repository, 2018, 2(2): 151 − 155. [11] 徐新良, 张亚庆. 中国气象背景数据集[DS/OL]. 北京: 中国科学院资源环境科学数据中心数据注册与出版系统, 2017, 2023-02-08[2023-02-10]. https://www.resdc.cn. XU Xinliang, ZHANG Yaqing. China Meteorological Background Data Set [DS/OL]. Beijing: Data Registration and Publishing System of Resources and Environmental Science Data Center of China Academy of Sciences, 2017, 2023-02-08[2023-02-10]. https://www.resdc.cn. [12] 郭春霞, 诸云强, 孙伟, 等. 中国1 km生物丰度指数分布数据集[J]. 全球变化数据学报, 2017, 1(1): 60 − 65. GUO Chunxia, ZHU Yunqiang, SUN Wei, et al. Dataset of biological abundance index of China in 1985 and 2005 at 1 km resolution [J]. Global Change Research Data Publishing &Repository, 2017, 1(1): 60 − 65. [13] LIU Xiaoqiang, SU Yanjun, HU Tianyu. Neural network guided interpolation for mapping canopy height of China’s forests by integrating GEDI and ICESat-2 data [J/OL]. Remote Sensing of Environment, 2022, 269(2): 112844[2023-02-07]. doi: 10.1016/j.rse.2021.112844. [14] XU Dong, YANG Feng, YU Le, et al. Quantization of the coupling mechanism between eco-environmental quality and urbanization from multisource remote sensing data [J/OL]. Journal of Cleaner Production, 2021, 321: 128948[2023-02-07]. doi: 10.1016/j.jclepro.2021.128948. [15] 徐新良. 中国陆地生态系统服务价值空间分布数据集[DS/OL]. 北京: 中国科学院资源环境科学数据中心数据注册与出版系统, 2018[2023-02-08]. http://www.resdc.cn/. XU Xinliang. Spatial Distribution Dataset of Service Value of Terrestrial Ecosystem in China [DS/OL]. Beijing: Data Registration and Publishing System of Resources and Environmental Science Data Center of China Academy of Sciences, 2018 [2023-02-08]. https://www.resdc.cn. [16] 徐新良. 中国GDP空间分布公里网格数据集[DS/OL]. 北京: 中国科学院资源环境科学数据中心数据注册与出版系统, 2017[2023-02-08]. https://www.resdc.cn. XU Xinliang. Grid Data Set of Kilometers of GDP Spatial Distribution in China [DS/OL]. Beijing: Data Registration and Publishing System of Resources and Environmental Science Data Center of China Academy of Sciences, 2017[2023-02-08]. https://www.resdc.cn. [17] Deutsches Zentrum für Luft- und Raumfahrt. World Settlement Footprint [DB/OL]. 2019-12-15[2023-02-08]. https://geoservice.dlr.de/web/maps/eoc:wsf2019. [18] 王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116 − 134. WANG Jinfeng, XU Chengdong. Geodetector: principle and prospective [J]. Acta Geographica Sinica, 2017, 72(1): 116 − 134. [19] 李孜沫. 汾河流域古村落的时空演化与形成机理[J]. 经济地理, 2019, 39(2): 207 − 214, 231. LI Zimo. The spatial-temporal evolution and formation mechanism of ancient villages in Fenhe river basin [J]. Economic Geography, 2019, 39(2): 207 − 214, 231. 期刊类型引用(0)
其他类型引用(8)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20230148
点击查看大图
计量
- 文章访问数: 572
- HTML全文浏览量: 87
- PDF下载量: 33
- 被引次数: 8
