下载:
-
公园绿地景观作为城市景观的重要组成部分[1]，不仅在空间维度上反映城市的绿化水平和状态信息，同时，在一定程度上还反映了人们的城市景观审美认知[2]和生态功能的供需水平[3]。然而在城市经济发展的驱动下，城市人口数量急剧膨胀，城市不断向外扩张，导致绿地生态系统被破坏和城市环境及形态结构改变[4]。公园绿地作为人们心理压力与现实负担的缓冲区[5−6]，不仅能够调节城市微气候、缓解温室效应，而且对城市生态改善、居民健康有积极的促进作用[6−8]。同时，城市里大面积的灰色基础设施中营造结构各异功能互补的城市公园绿地体系，可弱化过度城市化带来的负面影响，对绿地空间格局配置、城市景观生态规划和可持续发展具有重要意义[9−10]。
目前，海口市绿地景观的研究区域集中于中心城区[11]、城市公园[12]和海岸带[13]等，研究内容侧重于绿地空间公平性评价[14−15]、适应性评价[16]、基于景观格局指数[17]的绿地景观质量和生态服务价值评估等，但公园绿地时空演变的研究较少，城市绿地空间配置与绿地格局演变机制研究更少。因此，本研究在海口城市公园演变过程和状态的基础上，基于状态与演变监测模型(State-and-Evolution Detection Models，SEDMs)探究海口城市绿地空间配置，分析城市绿地景观格局时空演变特征，为海口市公园景观的合理规划和建设提供参考。
-
海口市(19°31′~20°04′N，110°07′~110°42′E)地处海南岛最北端，南接定安，北邻琼州海峡，包含秀英区、龙华区、琼山区和美兰区4个区，面积为3 126.82 km2。年均降水量为1 669 mm，年均日照时数为2 000 h以上，年均气温为23.8 ℃，属于热带海洋性季风气候。地形较为平缓，以滨海平原和台地为主。
海口市城市总体范围为椰海大道以北，粤海大道以东和南渡江以西连接北边海岸线，形成闭环式的建成区边界(图1)，包含综合公园、专题公园、游园等266个公园绿地，城市公园绿地面积为3 233.63 hm2，其中，建成区的公园绿地总面积为645.90 hm2。北部以世纪公园、白沙门公园、万绿园、五源河湿地公园等与南渡江沿岸周边绿地主体，南部以美舍河凤翔湿地公园、红城湖公园等构成建成区南部绿地景观空间。
图 1 海口市建成区市辖区边界范围示意图
Figure 1. Boundary range of municipal district in the built-up area of Haikou
-
遥感数据包括QuickBird影像(2008年11月、2013年11月)、Worldview影像(2013年12月、2017年12月)和Landsat 8 OLI_影像(2020年1月)。在ENVI处理平台完成遥感数据的辐射定标和大气校正，并提取公园绿地。同时收集了海口市矢量路网、小区、公园和路口及2020年的兴趣点(point of interest，POI)数据。
-
在相关研究[18]的基础上，引入斑块密度(PD)、景观破碎度(SPLIT)、景观蔓延度(CONTAG)、景观分离度(DIVISION)等景观格局指数，定量描述2008—2020年海口市建成区公园绿地景观格局时空演变特征。
-
基于ArcGIS网络分析模块，对建成区居民到达最邻近目的地的最小距离以及公园服务范围进行定量测算，从而进行可达性配置评价[19−20]。利用海口市POI矢量数据模拟海口市建成区环境，综合考虑研究区域基础设施、交通、环境和阻力因素等，评估海口市民到达城市公园的便捷程度，探究演变过程中各城市公园之间的空间连通性。
-
由于海口市高温多雨的气候条件和错综复杂的热带植被状况，本研究选取11月至翌年3月数据计算NDVI[21]，以此时计算的NDVI[22]均值作为全年的NDVI均值，以此评估市民在一定范围内绿地数量的供给水平。利用NDVI对植被区域敏感的特征来反映市民的绿地可获得性水平。
-
SEDMs是用于监测景观格局变化的土地利用模型[23−24]。该模型综合了景观模式时空动态分析模型(Spatiotemporal Dynamic Analysis of Landscape Patterns)的特点和景观模式变化类型，可以更准确地评估景观格局过程变化结果和土地利用变化过程。
斑块数(L1)、斑块周长(L2)、斑块面积(L3)和平均斑块分形维度(L4)是描述景观格局时空变化的量化指标，通过识别斑块空间形态差异能有效获取景观破碎化、景观聚合等景观格局演变特征的反馈信息[24]。因此本研究选取以上4个景观指数作为评判指标模拟海口市城市公园绿地的景观格局变化。
景观状态变化类型分为景观破碎、景观扩张和景观聚合3种形式。SEDMs模型将这3种形式分为6种景观状态作为景观结构演变的评判依据。其中，景观破碎化包括分离型(D)、收缩型(S)和穿孔型(P) 3种景观状态，表示在自然或人工驱动下斑块被分割成更小的、独立的斑块；景观扩张包括创建型(C)和扩张型(E) 2种景观状态，表示景观格局中不同斑块类型斑块面积的增加；景观聚合仅有聚合型(A) 1种景观状态，表示同种类型斑块团聚，斑块连通性和面积增加。将统计的评判指标生成数据集，根据相邻调查时间段4个景观格局指数的差值(∆Li)评判斑块类型。
$$ X_a=\left\{L_{ai}|i=1,2,3,4\right\}\text{；}X_b=\left\{L_{bi}|i=1,2,3,4\right\} \text{；} $$ (1) $$ \Delta L_i = L_{bi} - L_{ai} \text{；} $$ (2) $$ T_{\rm{S}}(X_a\to X_b) =\left\{\begin{array}{l}\text{S}\text{，}\text{if}\;\Delta L_1=0,\text{ }\Delta L_2 ＜ 0,\text{ }\Delta L_3\leqslant 0,\text{ }\Delta L_4\geqslant 0 \\ \text{P}\text{，}\text{if}\;\Delta L_1=0,\text{ }\Delta L_2 ＜ 0,\text{ }\Delta L_3 ＞ 0,\text{ }\Delta L_4\geqslant 0 \\ \text{D}\text{，}\text{if}\;\Delta L_1 ＞ 0,\text{ }\Delta L_2 ＜ 0,\text{ }\Delta L_4\geqslant 0 \\ \text{E}\text{，}\text{if}\;\Delta L_1=0,\text{ }\Delta L_2 ＞ 0,\text{ }\Delta L_4 ＜ 0 \\ \text{A}\text{，}\text{if}\;\Delta L_1 ＜ 0,\text{ }\Delta L_2\geqslant 0,\text{ }\Delta L_4 ＜ 0 \\ \text{C}\text{，}\text{if}\;\Delta L_1 ＞ 0,\text{ }\Delta L_2 ＞ 0,\text{ }\Delta L_4 ＜ 0 \\ {\rm{N}},\text{ otherwise} \end{array} 。 \right.$$ (3) 式(1)~(3)中：a、b表示所选取的任意调查时间段，i表示第i个评判指标，ai、bi表示在a或b调查时间段第i个指标，Lai、Lbi表示在a或b时间段对应的指标值，Xa、Xb则表示从Xa到Xb随机2个时间段斑块数、斑块周长、斑块面积和平均斑块分形维度4个景观格局指数的集合，TS为相邻的调查时间段，S、P、D、E、A、C分别表示6种景观破碎化状态，N表示调查时间段内没有产生格局演变。
-
从表1可见：2008—2020年，7种公园绿地类型的斑块数、斑块面积、斑块周长、平均斑块分形维度的最佳像元为52 m×52 m。根据评判指标的变化表明：①城市综合公园斑块周长在研究期间增长了19.99 m，但平均面积下降了3.73 hm2，其格局呈现破碎化趋势。②社区公园斑块周长从801.59 m骤降至576.93 m，其他评判指标无明显变化，说明其格局逐渐简单规则化，且至少发生过1次景观格局演变。③历史名园斑块平均面积从1.81 hm2降至1.49 hm2，再增长到1.91 hm2；分维数和斑块周长在2013年达到峰值，随后有所降低，斑块形状趋于规则化。④其他专类公园斑块数年均增加8.33个，斑块分形维数数值则从1.06降至1.04，表明海口市建成区专类公园类型趋于单一、简单化。⑤遗址公园斑块面积由3.05 hm2降至1.64 hm2，周长增长1.25倍，表明景观破碎化现象明显。⑥游乐公园与遗址公园相似，呈现景观破碎化趋势。⑦游园的斑块数从35个增加到130个，但斑块面积从1.71 hm2降至0.84 hm2，景观破碎化程度逐渐加深。
表 1 2008—2020年海口市公园绿地斑块结构变化指数
Table 1. Change index of green patch structure in Haikou Park from 2008 to 2020
年份 综合公园 社区公园 历史名园 L1 L2 L3 L4 L1 L2 L3 L4 L1 L2 L3 L4 2008 7 36.12 208.40 1.06 1 0.91 801.59 1.01 2 1.81 532.15 1.06 2013 7 36.12 204.98 1.07 1 0.09 595.24 1.05 2 1.87 617.20 1.20 2017 8 31.60 185.59 1.06 1 0.99 467.84 1.03 2 1.49 401.00 1.07 2020 8 32.39 228.39 1.06 1 0.82 576.92 1.03 2 1.91 557.69 1.01 年份 遗址公园 游乐公园 其他专类公园 游园 L1 L2 L3 L4 L1 L2 L3 L4 L1 L2 L3 L4 L1 L2 L3 L4 2008 2 3.05 410.55 1.07 1 13.79 159.05 1.07 44 8.49 656.11 1.08 35 1.71 532.15 1.06 2013 2 1.67 535.46 1.10 1 15.15 198.78 1.09 52 7.84 635.30 1.07 119 0.94 745.67 1.05 2017 3 1.43 526.32 1.03 1 11.43 192.15 1.07 117 7.96 535.41 1.06 126 0.86 601.40 1.03 2020 2 1.64 512.82 1.08 1 10.64 219.78 1.08 122 6.69 582.51 1.05 130 0.84 644.36 1.04 说明：L1、L2、L3、L4分别表示斑块数(个)、斑块面积(hm2)、斑块周长(m)、平均斑块分形维度。 -
2008—2020年海口市建成区各类型城市公园的景观格局总体上呈破碎化趋势，大部分城市公园处于穿孔型(图2)，部分城市公园呈现空间聚集化或景观扩张趋势。城市综合公园的景观格局处于分离型(∆L1＞0，∆L2＜0，∆L4=0)，其格局演变过程可能受城市交通或者园林道路建设的影响；社区公园格局发生了多次演变，由分离型转变为扩张型(∆L1=0，∆L2＞0，∆L4＜0)，最后演变为穿孔型(∆L1=0，∆L2＜0，∆L3＞0，∆L4≥0)，很大程度上归因于外界的人为干扰因素，演变过程较为复杂，致使其他性质的用地类型逐渐转变成社会公园建设；历史名园景观格局由原来的穿孔型转变为扩张型，表明海口市园林建设一定程度上促进了历史名园绿地面积的增长；其他专类公园空间格局连通性良好，绿地面积持续增长，景观格局出现了明显的景观聚合现象，处于聚合型(∆L1＜0，∆L2≥0，∆L4＜0)；遗址公园、游乐公园、游园3种公园类型12 a间均未发生明显的景观格局变化，属于穿孔型的景观格局。
图 2 2008—2020年海口市建成区景观格局演变特征示意图
Figure 2. Evolution characteristics of landscape pattern in the built-up area of Haikou from 2008 to 2020
-
由表2可知：海口市建成区公园绿地景观破碎度指数和景观蔓延度指数都呈增长趋势，2008—2020年分别增长了1.990和2.143，其中2013年蔓延度最低，而2020年蔓延度最高。表明公园绿地景观异质性在一定程度上增加，但优势斑块(其他专类公园、综合公园)之间具有良好的空间连接度，总体趋势向高集聚方向发展。
表 2 2008—2020年海口市建成区公园绿地总体空间破碎度和蔓延度分析
Table 2. Analysis of the overall spatial fragmentation degree and spread degree of park greenspace in Haikou built-up area from 2008 to 2020
年份 斑块密度/(个·hm−2) 景观破碎度 景观蔓延度/% 2008 13.096 10.477 72.518 2013 23.326 12.274 71.344 2017 19.332 11.480 73.996 2020 20.927 12.467 74.661 从表3可见：综合公园的景观分离度指数呈先升后降的趋势，2017年为0.991，而2020年下降为0.988。同时，其他专类公园在2013年达0.947，随后有所降低。总体来看，各类型公园的整体集成度较低，空间联系差。由于设计规划策略和政策的影响，在2013年前后，根据《海口市城市绿线管理办法》《海口市城市绿地绿线控制规划(第一批)》等相关规定和园林绿地建设的持续推进，海口市公园绿地建设获得“井喷式”发展，但整体空间分布规律分散程度较高，绿地空间结构单元复杂化，各类型绿地斑块碎片化。2017年，为响应“创建全国文明城市和国家卫生城市”攻坚战，提出了“城市更新”“生态城市”等工作战略部署，园林空间景观品质获得显著成效，绿地空间整体分布由离散式向连续集中式布局发展。2020年综合公园的规范化管理，有效保证了各综合公园之间的空间连续性，但部分专类公园景观分离度仍较高，需进一步加强公园管理措施。
表 3 2008—2020年海口市建成区各类型公园绿地空间分离度分析
Table 3. Spatial separation degree analysis of different types of parks greenspace in the built-up areas of Haikou from 2008 to 2020
年份 G11 G12 G133 G134 G135 G139 G14 2008 0.967 1.000 1.000 0.999 1.000 0.939 0.999 2013 0.973 1.000 1.000 1.000 1.000 0.947 0.999 2017 0.991 1.000 1.000 1.000 1.000 0.923 0.999 2020 0.988 1.000 1.000 1.000 1.000 0.932 1.000 说明：G11为综合公园，G12为社区公园，G133为历史名园，G134为遗址公园，G135为游乐公园，G139为其他专类公园，G14为游园。 -
将2008—2020年NDVI平均值、园林绿地面积、绿化覆盖率、公园数、公园面积与人均公园绿地面积等进行纵向比较，量化海口市公园绿地的可获得性水平。从表4和表5可见：2020年，建成区的绿化覆盖率和人均公园绿地均高于园林城市标准值(绿化覆盖率≥36.0%，人均公园绿地面积≥7.5 m2·人−1)，城市园林绿地面积从3 558 hm2增加到8 008 hm2，呈线性增长趋势，近几年海口市建成区人均公园绿地面积为12.3~12.5 m2·人−1，但绿化覆盖率在2015年达到峰值(42.9%)后下降趋势明显。7种类型公园的面积占比发生变化，综合公园、专类公园和游园3种类型公园面积占所有公园面积的比例从2008年的96.55%增加到2020年的97.04%，海口建成区公园建设的重心正在朝这3类公园偏移。同时，海口市建成区NDVI在12 a间发生了剧烈变化。虽然建成区公园面积由628 hm2增加到了1 062 hm2，但海口市建成区绿地植被面积在2013年绿化程度仍处于较低水平，在2017—2020年回升并保持稳步增长，总体趋势逐渐向高绿化水平发展。其中，NDVI高的区域主要分布在万绿园、世纪公园、白沙门公园等处于近郊或者绿地面积较广的区域，NDVI低的区域分布在人民公园、海瑞墓等处于市中心或者城市下垫面硬质面积较多的区域。
表 4 2008—2020年海口市园林绿化指标
Table 4. Landscaping indicators of Haikou City from 2008 to 2020
年份 城市园
林绿地
面积/hm2建成区
绿化覆
盖率/%公园数/
个公园面
积/hm2人均公园
绿地面积/
(m2·人−1)年度
NDVI2008 3 558 40.5 17 628.00 9.5 0.315 2009 3 613 41.0 17 628.41 10.5 2010 3 657 41.5 19 852.00 11.8 2011 3 672 42.0 19 852.70 12.0 2012 4 660 42.0 19 852.70 12.0 2013 4 672 42.5 19 852.70 11.5 0.169 2014 5 745 42.7 19 852.70 12.5 2015 5 806 42.9 19 852.70 12.8 2016 5 708 40.6 19 852.70 12.1 2017 5 736 40.8 19 922.70 12.3 0.226 2018 6 676 41.0 19 922.70 12.5 2019 7 128 41.0 19 922.70 12.5 2020 8 008 41.0 21 1 062.00 12.3 0.261 园林城市标准 ≥36.0 ≥7.5 表 5 2008—2020年海口市公园绿地类型面积与占比
Table 5. Area and proportion of park green space types in Haikou City from 2008 to 2020
绿地类型 2008年 2013年 2017年 2020年 面积/hm2 占比/% 面积/hm2 占比/% 面积/hm2 占比/% 面积/hm2 占比/% 综合公园 252.84 35.57 252.84 31.82 252.80 19.27 259.12 21.19 社区公园 0.91 0.10 0.09 0.01 0.99 0.08 0.82 0.07 历史名园 3.62 0.50 3.74 0.47 2.98 0.23 3.82 0.31 遗址公园 6.10 0.86 3.34 0.42 3.29 0.33 3.28 0.27 游乐公园 13.90 1.96 15.15 1.91 11.43 1.00 10.64 0.87 其他专类公园 373.56 52.56 407.68 51.30 931.32 70.98 933.18 66.77 游园 59.85 8.42 100.86 14.08 108.36 8.26 109.20 9.08 -
图3为Bigemap全能版地图提供的海口市POI位置。
图 3 2020年海口市建成区POI位置模拟的城市概况
Figure 3. City profile simulated by POI location in the built-up area of Haikou in 2020
如图4所示：以距离为阻抗属性构建服务区，分析居民生活圈与公园设施点之间的网络拓扑关系，对服务区分析求解后获取公园所覆盖的服务范围，并探究小区居民到达附近公园设施点的便捷程度。建成区的公园服务范围主要覆盖了海口市秀英区西海岸、美兰区海甸区域、龙华区北部区域、琼山区东部区域。对于位于其他区域小区位置的居民来说，至少需要行驶1 km以上或步行时长超过15 min才能到达附近的公园。
图 4 2020年海口市城市公园绿地服务区分析
Figure 4. Analysis of green space service area of Haikou City Park in 2020
运用ArcGIS以距离为阻抗属性构建最近设施点分析POI数据(图5)，综合考虑学校区域、路口、单行道等不利因素的影响，分析公园(事件点)与小区(设施点)之间的拓扑关系，对设施点分析求解后获取小区到公园的最佳路径。建成区东部尤其是东北部的小区到公园的最佳路径较短，且公园类型多、数量多，代表公园有世纪公园、万绿园、金牛岭公园等。因此它们的辐射范围更广，景观与人居环境空间连通性强，便捷程度较高。建成区西部的小区到公园的最佳路径较长，且公园数量少，主要位于近城区或者处于湿地保护区，景观空间布局简单分散，便捷程度较低。
图 5 2020年海口市城市公园绿地最近设施点分析
Figure 5. Analysis of the closest facility in the green space of Haikou City Park in 2020
-
海口市建成区城市公园形成景观破碎化整体空间格局，在局部区域产生集聚式、组团式格局演变，这一结果与李杨[25]、雷金睿等[26]的研究结果一致。本研究推测，道路建设和区域规划的进一步推进是导致海口市建成区景观破碎化的主要原因之一。2017年，《海口市总体规划(空间类2015—2030)》的编制和公园建设，在推进划定生态保护红线和城市开发边界基础上，完善中心城区空间布局的调整，使建成区局部区域保持一定的空间连续性。“孤岛式”的公园体系被逐步淘汰，“空间整体性连续性”是未来城市公园绿地发展的重要目标。因此，要在建设绿地生态体系的同时确保各类型公园绿地均衡发展，平衡好景观价值、服务价值和历史价值之间的关系。
受研究区域尺度制约，本研究用网格划分景观单元分析海口市建成区整体区域，更有利把控整体环境，也避免小型绿地对整体趋势的干扰。然而从宏观角度分析，仅使用4个年份的遥感数据对小尺度景观格局的趋势分析会存在一定误差，使用长时间多时相高精度的遥感图像，景观格局的演变趋势会更具科学性和严谨性。此外，研究过程中只发现了4种景观状态类型(分离、扩张、聚合、穿孔)和2种演变(分离→扩张→穿孔、穿孔→扩张)，可能是其他景观状态在研究区域内极少发生，也可能是其他景观状态类型对公园绿地演变特征不敏感。
基于此，海口市城市绿地规划应有效针对城市公园绿地景观单元分散和空间连接度差等问题寻求空间布局最优解。首先，对于龙华区和美兰区可达性好的区域，园林建设应突破传统的公园设计范式，保证在城市绿地系统规划和国土空间规划下充分利用好土地资源和公园的景观价值，进行景观提升和空间优化吸引周边居民，丰富居民的人居环境和绿地供给水平；对于琼山区和秀英区中公园可达性较差的区域，应在充分考虑游客和市民短途旅行或漫步休憩需求的基础上，在建成区辖区范围内的适宜区位增设新的城市公园，以保证公园可获得性水平和建成区绿地空间公平。
-
基于SEDMs模型和遥感影像研究分析，2008—2020年海口市各类园林绿化指标虽然总体保持线性增长，但各类型绿地之间发展不平衡，总体上呈现景观破碎化的趋势。海口市建成区公园绿地景观异质性明显增加，整体空间布局由全局离散复杂化趋于景观破碎化和局部斑块规则化，绿地景观空间结构由离散非连续布局向局部中心集聚式布局发展，总体趋势向高集聚空间模式发展，绿地植被总体趋势向高质量绿化模式发展。
Evaluation of landscape pattern evolution and spatial configuration of urban park green space in Haikou City based on SEDMs model
-
摘要:
目的 研究城市公园绿地体系动态特征与城市空间布局关系，为海口市城市绿地空间格局合理配置、城市景观生态规划和高质量绿化模式提供参考。 方法 以海口市2008—2020年4期遥感数据和兴趣点(point of interest，POI)数据为主要数据源，在研究公园绿地景观格局演变特征的基础上，基于状态与演变监测模型(State-and-Evolution Detection Models，SEDMs)，通过公园绿地空间评价(公园可获得性水平与可达性水平)，探究城市环境与公园绿地的空间配置关系。 结果 2013—2017年社区公园和历史名园的景观格局变化明显，其他类型公园无明显演变特征；2008—2020年海口市城市公园绿地面积持续增长，各类型绿地发展不平衡且建成区居民公园绿地保持稳定增长；海口市建成区东部和北部的大型公园可达性较高且辐射范围较广；西部和南部的公园数量较少、辐射范围小且可达性差。 结论 海口市公园绿地景观格局由复杂化趋于景观破碎化和局部规则化，景观空间结构由离散非连续布局向局部中心集聚式布局发展，绿地植被总体趋势向高集聚空间、高质量绿化模式发展。图5表5参26 Abstract:Objective This study, with a quantitative portrait of the relationship between the dynamic characteristics of urban park green space system and urban spatial layout, is aimed to provide reference for the rational configuration of urban green space pattern, urban landscape ecological planning and high-quality greening mode in Haikou in the future. Method Based on the four periods of remote sensing data and point of interest (POI) data from 2008 to 2020 in Haikou, this study studied the evolution characteristics of green landscape pattern in the park and established State-and-Evolution Detection Models (SEDMs) to explore the spatial configuration relationship between urban environment and park green space through the spatial evaluation of park green space (park availability and accessibility). Result The landscape pattern of community parks and historical gardens changed significantly from 2013 to 2017, while other types of parks demonstrated no obvious evolutionary features. The area of urban parks in Haikou continued to grow from 2008 to 2020, with unbalanced development of various types of green spaces and stable growth of parks for residents in the built-up area. Large parks in the eastern and northern parts of the built-up area of Haikou had higher accessibility and wider radiation range. Parks in the western and southern parts were smaller in numbers and radiation range with poor accessibility. Conclusion The park green space has evolved from complexity to landscape fragmentation and local regularity, and the landscape spatial structure has developed from discrete discontinuous layout to local centralized layout whereas the general trend of green land vegetation has been featured with a high concentration space and high-quality green pattern. [Ch, 5 fig. 5 tab. 26 ref.] -
Key words:
- urban park greenspace /
- SEDMs /
- availability /
- accessibility /
- evolution of landscape pattern
-
林分郁闭度是指林木树冠垂直投影面积占林地总面积的比例，是反映林分密度的重要指标，在森林资源调查中尤为重要。在传统的森林资源调查中，获取林分郁闭度的主要方法为抬头望法，该方法耗时耗力，获取的数据精度较低，且只适用于面积小、地势缓的林地，难以在地理环境复杂的大区域内应用。随着数字成像技术的发展，HERBERT[1]提出利用鱼眼相机拍摄全天空相片进行郁闭度估测，扩大了拍摄的林冠范围；濮毅涵等[2]基于普通可见光照片中的树叶、树干和天空进行分类，将估测结果与抬头望法结果进行模型比较，得到决定系数(R2)为0.77，但该方法适用于地形平坦的林区，在地形复杂的山地难以应用。为克服地形因子的限制，不少学者基于卫星遥感影像对乔木林林分郁闭度的提取进行了研究。高云飞等[3]基于SPOT 5影像，对各波段的遥感影像像元亮度值进行组合，建立反演模型，最终得到最佳组合模型的R2为0.66；李擎等[4]为提高模型精度，基于高分二号(GF-2)遥感影像，结合光谱信息、纹理特征和地形因子构建郁闭度估测模型，模型精度达89.82%。然而卫星遥感成本高、时效低、灵活性低[5]，相比之下无人机可见光遥感在中小型遥感区域作业中能发挥更大的优势，满足动态森林资源监测的条件和需求，并提供更多可能性[6-8]。苏迪等[9]基于无人机可见光影像，利用主成分分析确定模型的主成分变量，建立郁闭度回归方程，估算精度为83.18%；汪霖[10]结合无人机可见光影像得到的数字正射影像(DOM)和冠层高度模型(CHM)，使用阈值法对树冠区域进行提取并计算郁闭度，平均精度为92.93%。以上关于乔木林分郁闭度遥感估测的研究都取得了一定的成果，能够满足林业调查需求，然而，目前基于无人机可见光影像的毛竹林林分郁闭度估测研究为数不多。
毛竹作为中国南方重要的笋、竹两用竹种，是最重要的森林资源之一。第九次全国森林清查结果显示：毛竹林面积为467 hm2，占竹林总面积的73%[11]。由于毛竹林的生长特点(扩鞭)[12-13]和经营特点(择伐)，使得林分郁闭度在毛竹林经营中尤为重要，出笋率和采伐结果都将反映在郁闭度上，只有保持适宜毛竹生长的郁闭度，才能提高毛竹生产力。毛竹林多分布在山地丘陵地区，传统的实地调查工作量大、效率低、工作周期长、精确度低。随着无人机技术的发展，无人机林业遥感为实现低成本、高时效、高分辨率、高灵活性的动态森林资源监测提供了技术基础。基于无人机和图像识别技术的单木树冠提取已有一定进展。然而相比其他乔木林，毛竹林竹冠具有特殊性，分为钩梢与未钩梢2种形态，且竹冠鲜少呈单个状态，具有“重叠性”，目前还没有利用现有方法直接获取单株毛竹竹冠的研究。本研究对无人机可见光影像的毛竹林郁闭度估测方法进行了分析，以期为快速获取毛竹林的郁闭度提供参考。
1. 研究区概况与研究方法
1.1 研究区概况
研究区位于浙江省湖州市安吉县(30°23′~30°53′N，119°14′~119°53′E)，该区地处长江三角洲腹地，属于亚热带季风气候，植被类型为亚热带常绿阔叶林，年均气温为12.2~15.6 ℃，年均降水量为1 100~1 900 mm。研究区内光照充足，雨量充沛，竹资源丰富，竹林总面积达757 km2，占森林面积56.47%，其中毛竹占79.30%，被誉为“中国竹乡”。
1.2 数据获取
1.2.1 样地划分与地面数据获取
根据是否钩梢和郁闭度2个因素选设样地，共调查36个10 m×10 m的样地，其中已钩梢毛竹林样地24个，未钩梢毛竹林样地12个。利用研究区数字正射影像目视解译获得毛竹林的郁闭度，未钩梢样地为抛荒毛竹林，处于无人经营状态，郁闭度均大于0.9，故在本研究中不再细分郁闭度等级。样地基本情况见表1。
表 1 毛竹林样地基本情况Table 1 Basic information of plot sites类型 郁闭度 样地/
个平均胸
径/cm平均树
高/m坡度/
(°)坡向 钩梢 0~0.7 13 8.91 9.9 11.6 北坡 钩梢 0.7~0.8 8 9.03 9.4 16.1 西北坡 钩梢 0.8~1.0 3 8.65 9.2 13.3 北坡 未钩梢 12 8.58 9.6 17.1 东南坡 1.2.2 无人机系统及数据采集
数据采集所用无人机遥感系统为大疆Phantom 4 RTK,飞行系统包括3部分：飞行器、云台相机和遥控器。飞行器提供多方位视觉系统，可稳定飞行和精准悬停，进行航点飞行作业；机身装备机载D-RTK，可提供厘米级高精度准确定位，实现更精准的测绘作业。Phantom 4 RTK配备24 mm广角相机、高精度防抖云台及图像传感器、机械快门，确保成像效果。遥控器的主要功能包括作业设计、远距离信号传输和航拍高清画面实时监测等。
2020年11月18日14:00—15:00，天气晴朗、无风、无云，采用大疆Phantom 4 RTK搭载光学相机对选定研究区域进行拍摄。无人机飞行高度为160 m，飞行范围东西走向为222.82 m，南北走向为106.28 m，航向重叠率为90%，旁向重叠率为80%，飞行路线设计为“S”型路线。拍摄共得原始照片142张，空间分辨率为3.36 cm，照片共3波段：红波段(R)、绿波段(G)、蓝波段(B)。
1.2.3 影像预处理
使用大疆智图软件对无人机所获取照片进行图像处理，通过三维重建技术，生成带有空间参考信息的数字表面模型(DSM)和色调自然、无明显接痕的正射影像图。图像处理的主要流程包括：①数据预处理，对照片进行校验、筛选、对齐，剔除一些无法进行后续合成的照片；②空三加密，通过空三计算得到密集点云和纹理；③生成网格，得到带空间参考信息的数字表面模型和数字正射影像。
1.3 研究方法
1.3.1 多尺度分割
在毛竹林高分辨率遥感影像中，由于影像信息太多、林间空隙太杂，经常会产生“同物异谱”和“同谱异物”现象，而在分类前执行分割能有效解决该问题[14-16]。
多尺度分割是从任意一像元开始，自下而上进行合并的一种分割手段，其参数设置包括分割尺度、形状因子和紧致度因子。其中形状因子的取值为[0，1]，它包含了形状和光谱2个方面的意义，取值越大，表示在同质性标准中形状因子所占比例越高，光谱因子所占比例就越低，反之亦然。紧致度因子包含紧致度和光滑度，两者权重之和也为“1”。分割尺度作为各参数中最重要的一项，决定了分割所得的多边形对象内部的异质性，分割尺度越大，所生成的对象面积就越大，数目就越少，反之亦然[17]。本研究采用eCognition软件中的Estimation of Scale Paramater 2(ESP2)插件来确定分割尺度，通过设置一系列的参数进行迭代，计算局部方差以及局部方差变化率(ROC)[18-19]，ROC=[VL−(VL−1)]/(VL−1)×100。其中：VL表示尺度为L时分割结果中所有对象局部方差值的方差；VL−1表示尺度为L−1时分割结果中所有对象局部方差值的方差。
本研究对不同类型的毛竹林进行不同参数组合实验，得到不同毛竹林的最优参数组合(表2)。
表 2 不同毛竹林的最优参数组合Table 2 Optimal parameter combination of different Moso bamboo stands类型 郁闭度 分割尺度 形状因子 紧致度因子 0~0.7 29 0.3 0.5 钩梢 0.7~0.8 31 0.3 0.5 0.8~1.0 29 0.3 0.5 未钩梢 41 0.3 0.5 1.3.2 分类
①基于像元的阈值分类(TP)。通过设定不同的特征阈值，将图像分为若干类。常用的特征值包括2类：直接来自于原始图像的灰度或彩色特征和由原始灰度或彩色值变换得到的特征值。基于无人机影像的毛竹林竹冠区域阈值分类的关键在于选取能有效区分竹冠与非竹冠的最优阈值。通过选取竹冠与非竹冠的样点，得到各样点的阈值，统计不同阈值所包含的像元数目，绘成具有明显峰值与谷值的曲线图[20-21]。2个峰值对应位置分别为竹冠与非竹冠的典型特征值，谷值为竹冠与非竹冠交界处对应的特征值，也就是最优阈值(图1)。
特征值的选取对提取精度至关重要，本研究使用ENVI软件对数字正射影像中的红、绿、蓝波段进行主成分分析，得到红光和绿光波段包含98%以上的信息量，故选取由红、绿波段变换得到的归一化绿红差异指数(INGRD)为特征值[22-23]，在MATLAB中对竹冠区域进行提取，表达式为INGRD=(G−R)/(G+R)。其中R为红光波段，G为绿光波段。②基于像元的监督分类(SP)。根据已知训练区提供的样本，选取并求出特征参数作为决策规则，建立判别函数对各类图像进行分类的一种方法。本研究建立竹冠区与非竹冠区2种样本，并在ENVI软件中选择最大似然法作为分类算法进行竹冠区域提取，该方法根据训练样本的均值和方差，评价待分类像元和训练样本之间的相似性进而分类，可同时考虑2个以上的波段和类别。③基于多尺度分割的阈值分类(TM)。与传统基于像元的分类不同，基于多尺度分割的阈值分类是一种面向对象分类，其分类的基本单元为影像对象，基本内容分为影像分割与影像分类2个独立模块。结合了多尺度分割的分类方法，在精确分类的同时，很好地兼顾了地物的宏观尺度和微观特征，极大地消除了传统分类带来的“椒盐效应”。在分割的基础上，本研究使用INGRD对竹冠区域进行阈值提取。④基于多尺度分割的监督分类(SM)。该分类也是在多尺度分割的基础上，基于对象进行监督分类。本研究通过eCognition软件进行多尺度分割，并选择最邻近值分类法进行分类提取，该方法通过均匀地选择样本，建立训练集，统计样本的特征信息，通过计算未分类对象与样本之间的距离进行分类，并提取竹冠区域。
1.3.3 郁闭度计算
郁闭度是指树冠的总垂直投影面积(m2)与该样方的总面积(m2)之比，反映林分的密度和林分光能利用程度，是抚育间伐的重要指标，郁闭度=总冠幅/样方总面积。
1.3.4 精度评价
在无人机影像的基础上，根据竹冠部分的亮度、纹理和阴影等特征，在ArcGIS软件中对各个小样地进行目视解译，并以目视解译的结果作为真值对4种方法进行精度评价[24]。分别用正确识别的竹冠总面积(AC，m2)、真实的竹冠总面积(AR，m2)、识别的竹冠面积(AD，m2)、正确识别的非竹冠面积(AN，m2)、样地面积(AS，m2)、真实郁闭度(RD)、分类结果得到的郁闭度(DC)等7个指标进行精度和误差的计算。总体精度(OA)=(AC+AN)/AS×100%；用户精度(UA)=AC/AD×100%；生产者精度(PA)=AC/AR×100%；郁闭度误差(DE)=|RD−DC|。
1.3.5 单因素方差分析
使用SPSS 25.0对各样地的总体精度、用户精度、生产者精度、郁闭度误差进行统计分析，采用单因素方差分析法(one-way ANOVA)进行显著性检验，采用LSD法进行多重比较分析(P=0.05)，文中数据为平均值±标准差。
2. 结果与分析
2.1 毛竹林竹冠区域提取
从图2可见：无论是在钩梢毛竹林还是未钩梢毛竹林中，基于像元的阈值分类法的结果存在较多错分和漏分的情况，且提取结果存在“碎片化”情况。基于像元的监督分类法的漏分情况较少，但存在较多的错分且提取结果呈“碎片化”；基于多尺度分割的阈值分类法提取的树冠存在较严重的错分和漏分情况；基于多尺度分割的监督分类法基本解决了树冠提取结果“碎片化”的问题，提高了所提取树冠的整体性，减少了错分和漏分的情况。从表3可以看出：基于多尺度分割的监督分类法的总体精度、生产者精度和用户精度都显著高于其他3种方法(P＜0.05)；基于多尺度分割的监督分类法郁闭度误差最小，为0.004，显著低于其他3种方法(P＜0.05)，表明使用基于多尺度分割的监督分类法提取毛竹林郁闭度的结果明显优于其他3种方法。
图 2 不同方法提取竹冠效果对比示意图Figure 2 Comparison of the bamboo crown extraction results with different methods表 3 不同方法的毛竹林竹冠提取精度及郁闭度误差对比Table 3 Bamboo crown extraction accuracy and canopy density error of different methods方法 总体精度/% 生产者精度/% 用户精度/% 郁闭度误差 TP 91.81±3.08 c 93.34±3.37 c 96.24±2.03 b 0.038±0.026 c SP 92.96±3.66 bc 95.47±3.29 b 95.64±2.64 b 0.030±0.026 ab TM 93.47±2.53 b 96.10±2.24 b 95.57±2.57 b 0.024±0.018 b SM 98.86±0.53 a 99.15±0.40 a 99.36±0.53 a 0.004±0.003 a 说明：同列不同小写字母表示差异显著(P＜0.05) 2.2 钩梢与未钩梢对毛竹林竹冠区域和郁闭度提取精度的影响
如表4所示：在基于多尺度分割的监督分类法中，是否钩梢对总体精度均没有显著影响，说明基于多尺度分割的监督分类法对钩梢和未钩梢毛竹林均适用；在其他3种方法中，钩梢毛竹林总体精度显著高于未钩梢毛竹林，说明这3种方法更适用于钩梢毛竹林。无论是钩梢林分，还是未钩梢林分，基于多尺度分割的监督分类法的总体精度均显著高于其他3种方法(P＜0.05)。
表 4 4种方法下钩梢和未钩梢毛竹林竹冠区域的提取精度Table 4 Extraction accuracy of the four methods with truncation and non-truncation类型 方法 总体精度/% 生产者精度/% 用户精度/% 钩梢 TP 92.82±2.57 Ab 93.85±3.11 Ac 95.96±2.32 Ab SP 93.95±2.74 Ab 96.67±1.39 Ab 95.00±2.98 Ab TM 94.05±2.25 Ab 96.15±2.04 Ab 95.49±2.90 Ab SM 98.9±0.59 Aa 99.14±0.45 Aa 99.27±0.61 Aa 未钩梢 TP 89.80±3.12 Bb 92.33±3.77 Ac 96.81±1.15 Ab SP 90.97±4.52 Bb 93.07±4.57 Bc 96.92±0.98 Bb TM 92.30±2.77 Bb 96.01±2.70 Ab 95.73±1.81 Ac SM 98.78±0.37 Aa 99.16±0.29 Aa 99.55±0.22 Aa 说明：同列不同小写字母表示相同林分类型在不同方法之 间差异显著(P＜0.05)；同列不同大写字母表示相同 方法在不同林分类型之间差异显著(P＜0.05) 从表5可见：基于多尺度分割的监督分类法所得到的郁闭度误差最小，在钩梢林分中仅为0.003，在未钩梢林分中仅为0.004，显著低于其他3种方法(P＜0.05)。在基于多尺度分割的监督分类法和基于多尺度分割的阈值分类法中，是否钩梢对郁闭度误差没有显著影响；在基于像元的监督分类法和基于像元的阈值分类法中，钩梢毛竹林的郁闭度误差显著低于未钩梢毛竹林(P＜0.05)。
表 5 4种方法下钩梢和未钩梢毛竹林的郁闭度误差Table 5 Canopy density error of the four methods with truncation and non-truncation类型 方法 郁闭度误差 类型 方法 郁闭度误差 钩梢 TP 0.029±0.021 Ab 未钩梢 TP 0.052±0.029 Bc SP 0.023±0.015 Ab SP 0.042±0.039 Bbc TM 0.022±0.016 Ab TM 0.026±0.023 Ab SM 0.003±0.003 Aa SM 0.004±0.003 Aa 说明：同列不同小写字母表示相同林分类型在不同方法之 间差异显著(P＜0.05)；同列不同大写字母表示相同 方法在不同林分类型之间差异显著(P＜0.05) 2.3 郁闭度对毛竹林竹冠区域提取精度的影响
从表6可见：4种方法对不同郁闭度毛竹林的总体精度均没有显著影响，说明这4种方法在不同郁闭度的毛竹林中均适用。
表 6 不同方法下郁闭度对毛竹林竹冠提取精度的影响Table 6 Effect of canopy density on the extraction accuracy under different methods郁闭度 方法 总体精度/% 生产者精度/% 用户精度/% 0~0.7 TP 93.70±2.44 Ab 95.04±2.50 Ab 95.26±2.69 Ab SP 94.98±2.11 Ab 97.02±1.37 Ab 95.33±2.90 Ab TM 93.89±2.66 Ab 96.15±2.52 Ab 94.70±3.32 Ab SM 98.82±0.69 Aa 99.11±0.53 Aa 99.09±0.68 Aa 0.7~0.8 TP 92.21±2.65 Ab 92.43±3.83 Ac 97.03±1.68 Ab SP 93.62±4.31 Ab 96.97±1.43 Ab 95.22±4.78 Ab TM 92.71±1.40 Ab 96.11±1.43 Ab 95.19±1.90 Ab SM 98.88±0.48 Aa 99.08±0.32 Aa 99.42±0.48 Aa 0.8~1.0 TP 90.68±1.46 Ac 92.46±1.39 Ac 96.14±0.74 Ab SP 93.62±4.31 Ab 96.97±1.43 Ab 95.22±4.78 Ab TM 92.71±1.40 Ab 96.11±1.43 Ab 95.19±1.90 Ab SM 99.28±0.33 Aa 99.48±0.22 Aa 99.66±0.33 Aa 说明：同列不同小写字母表示相同郁闭度在不同方法之 间差异显著(P＜0.05)；同列不同大写字母表示相同 方法在不同郁闭度之间差异显著(P＜0.05) 3. 讨论
本研究4种方法提取的毛竹林竹冠区域精度均在90%以上，而汪霖等[25]通过提取单个树冠面积，得到提取树冠区域的总体精度为93.09%，高于本研究基于像元的阈值分类法和基于像元的监督分类法，但低于基于多尺度分割的阈值分类法和基于多尺度分割的监督分类法，证明在分类前执行分割能有效提高提取精度。4种方法在竹冠区域提取精度上，基于像元的提取精度小于基于多尺度的提取精度。可能是相比于乔木林，毛竹林由于其扩鞭生长的特殊性，竹冠部分难以单个呈现，具有很强的整体性，使用传统基于像元的提取方法难以达到对整体性的要求。基于多尺度分割的监督分类法表现最好的原因是在保证对象内部同质性最大的基础上进行的分类，且结合了光谱、纹理等信息进行分类，分类依据更全面；而相较于基于多尺度分割的监督分类法，基于多尺度分割的阈值分类法由于分类规则只基于光谱信息，较为单一，故精度较低。
在基于像元的阈值分类法、基于像元的监督分类法和基于多尺度分割的阈值分类法中，是否钩梢对竹冠区域提取的影响存在较大影响。其一是由于未钩梢毛竹林郁闭度过高，林隙较小且颜色与竹冠接近，导致光学影像的饱和度增高，对特征量的敏感度随之下降，造成误差[26-27]；其二是由于未钩梢毛竹林一般处于无人经营状态，存在毛竹倒伏现象和新老竹之间的光谱差异，造成误差。但是，基于多尺度分割的监督分类法则不受毛竹林是否钩梢的影响，其原因是多尺度分割得到内部同质性最大、外部同质性最小的斑块，很好保留了分类必需的有效信息，且避免了高分辨率影像中过于丰富的光谱与纹理信息所带来的干扰，减少错分与漏分的情况，基于此进行的监督分类能在保证竹冠整体性的前提下，通过训练样本分别提取钩梢与未钩梢毛竹林的特征参数，从而提取毛竹林竹冠区域。
在4种方法中郁闭度对竹冠区域的提取均不存在显著影响，说明4种方法对不同郁闭度的毛竹林竹冠提取都有较好的适用性。原因是不同郁闭度的毛竹林遥感影像的光谱与纹理特征差别不大，这4种方法都足以从影像中提取稳定的特征量对竹冠区域进行提取。
就郁闭度估测结果而言，4种方法提取的郁闭度误差都小于0.04，其中基于多尺度分割的监督分类法的误差最低，郁闭度误差仅为0.004，说明基于无人机的可见光影像可以用于毛竹林的郁闭度提取，具有很高的应用价值。苏迪等[9]基于冠层高度模型数据进行主成分确定自变量建立郁闭度模型，通过检验得到模型精度为83.18%，低于本研究的估测精度，说明基于影像提取的郁闭度优于建模所得的郁闭度。严羽[28]使用标记控制分水岭算法对树冠区域与非树冠区域进行分割，基于分割得到的树冠区域面积与实测面积对比，得到郁闭度估测误差为2.33%，高于本研究基于像元的阈值分类法、基于像元的监督分类法和基于多尺度分割的阈值分类法，但低于基于多尺度分割的监督分类法。
4. 结论
在提取毛竹林竹冠区域和郁闭度的中，本研究基于像元的阈值分类、基于像元的监督分类、基于多尺度分割的阈值分类、基于多尺度分割的监督分类等4种方法都达到了较高精度，其中基于多尺度分割的监督分类法的提取结果精度最高，竹冠区域总体精度为98.86%，郁闭度误差为0.004，显著优于其他3种方法，而且是否钩梢对于基于多尺度分割的监督分类法提取竹冠区域没有影响。在4种方法中，郁闭度对竹冠区域的提取均不存在显著影响。总体上，低廉轻便的无人机搭载可见光相机节省了大量的调查时间与精力，提高了调查效率与精度，可以用于大面积毛竹林竹冠区域和郁闭度的提取。
-
图 1 海口市建成区市辖区边界范围示意图
Figure 1 Boundary range of municipal district in the built-up area of Haikou
图 2 2008—2020年海口市建成区景观格局演变特征示意图
Figure 2 Evolution characteristics of landscape pattern in the built-up area of Haikou from 2008 to 2020
图 3 2020年海口市建成区POI位置模拟的城市概况
Figure 3 City profile simulated by POI location in the built-up area of Haikou in 2020
图 4 2020年海口市城市公园绿地服务区分析
Figure 4 Analysis of green space service area of Haikou City Park in 2020
图 5 2020年海口市城市公园绿地最近设施点分析
Figure 5 Analysis of the closest facility in the green space of Haikou City Park in 2020
表 1 2008—2020年海口市公园绿地斑块结构变化指数
Table 1. Change index of green patch structure in Haikou Park from 2008 to 2020
年份 综合公园 社区公园 历史名园 L1 L2 L3 L4 L1 L2 L3 L4 L1 L2 L3 L4 2008 7 36.12 208.40 1.06 1 0.91 801.59 1.01 2 1.81 532.15 1.06 2013 7 36.12 204.98 1.07 1 0.09 595.24 1.05 2 1.87 617.20 1.20 2017 8 31.60 185.59 1.06 1 0.99 467.84 1.03 2 1.49 401.00 1.07 2020 8 32.39 228.39 1.06 1 0.82 576.92 1.03 2 1.91 557.69 1.01 
下载: 导出CSV
年份 遗址公园 游乐公园 其他专类公园 游园 L1 L2 L3 L4 L1 L2 L3 L4 L1 L2 L3 L4 L1 L2 L3 L4 2008 2 3.05 410.55 1.07 1 13.79 159.05 1.07 44 8.49 656.11 1.08 35 1.71 532.15 1.06 2013 2 1.67 535.46 1.10 1 15.15 198.78 1.09 52 7.84 635.30 1.07 119 0.94 745.67 1.05 2017 3 1.43 526.32 1.03 1 11.43 192.15 1.07 117 7.96 535.41 1.06 126 0.86 601.40 1.03 2020 2 1.64 512.82 1.08 1 10.64 219.78 1.08 122 6.69 582.51 1.05 130 0.84 644.36 1.04 说明：L1、L2、L3、L4分别表示斑块数(个)、斑块面积(hm2)、斑块周长(m)、平均斑块分形维度。
下载: 导出CSV
表 2 2008—2020年海口市建成区公园绿地总体空间破碎度和蔓延度分析
Table 2. Analysis of the overall spatial fragmentation degree and spread degree of park greenspace in Haikou built-up area from 2008 to 2020
年份 斑块密度/(个·hm−2) 景观破碎度 景观蔓延度/% 2008 13.096 10.477 72.518 2013 23.326 12.274 71.344 2017 19.332 11.480 73.996 2020 20.927 12.467 74.661
下载: 导出CSV
表 3 2008—2020年海口市建成区各类型公园绿地空间分离度分析
Table 3. Spatial separation degree analysis of different types of parks greenspace in the built-up areas of Haikou from 2008 to 2020
年份 G11 G12 G133 G134 G135 G139 G14 2008 0.967 1.000 1.000 0.999 1.000 0.939 0.999 2013 0.973 1.000 1.000 1.000 1.000 0.947 0.999 2017 0.991 1.000 1.000 1.000 1.000 0.923 0.999 2020 0.988 1.000 1.000 1.000 1.000 0.932 1.000 说明：G11为综合公园，G12为社区公园，G133为历史名园，G134为遗址公园，G135为游乐公园，G139为其他专类公园，G14为游园。
下载: 导出CSV
表 4 2008—2020年海口市园林绿化指标
Table 4. Landscaping indicators of Haikou City from 2008 to 2020
年份 城市园
林绿地
面积/hm2建成区
绿化覆
盖率/%公园数/
个公园面
积/hm2人均公园
绿地面积/
(m2·人−1)年度
NDVI2008 3 558 40.5 17 628.00 9.5 0.315 2009 3 613 41.0 17 628.41 10.5 2010 3 657 41.5 19 852.00 11.8 2011 3 672 42.0 19 852.70 12.0 2012 4 660 42.0 19 852.70 12.0 2013 4 672 42.5 19 852.70 11.5 0.169 2014 5 745 42.7 19 852.70 12.5 2015 5 806 42.9 19 852.70 12.8 2016 5 708 40.6 19 852.70 12.1 2017 5 736 40.8 19 922.70 12.3 0.226 2018 6 676 41.0 19 922.70 12.5 2019 7 128 41.0 19 922.70 12.5 2020 8 008 41.0 21 1 062.00 12.3 0.261 园林城市标准 ≥36.0 ≥7.5
下载: 导出CSV
表 5 2008—2020年海口市公园绿地类型面积与占比
Table 5. Area and proportion of park green space types in Haikou City from 2008 to 2020
绿地类型 2008年 2013年 2017年 2020年 面积/hm2 占比/% 面积/hm2 占比/% 面积/hm2 占比/% 面积/hm2 占比/% 综合公园 252.84 35.57 252.84 31.82 252.80 19.27 259.12 21.19 社区公园 0.91 0.10 0.09 0.01 0.99 0.08 0.82 0.07 历史名园 3.62 0.50 3.74 0.47 2.98 0.23 3.82 0.31 遗址公园 6.10 0.86 3.34 0.42 3.29 0.33 3.28 0.27 游乐公园 13.90 1.96 15.15 1.91 11.43 1.00 10.64 0.87 其他专类公园 373.56 52.56 407.68 51.30 931.32 70.98 933.18 66.77 游园 59.85 8.42 100.86 14.08 108.36 8.26 109.20 9.08
下载: 导出CSV
-
[1] 李科慧. 公园城市背景下成都市成华区公园绿地文化服务格局优化研究[D]. 北京: 北京林业大学, 2021. LI Kehui. Optimization of the Layout of Park Cultural Ecosystem Services under the Background of Park City, Chenghua District, Chengdu[D]. Beijing: Beijing Forestry University, 2021. [2] 白玲, 邵炜, 蒋亚芳. 社区居民对国家公园的认知及态度分析[J]. 南京林业大学学报(自然科学版), 2023, 47(2): 205 − 212. BAI Ling, SHAO Wei, JIANG Yafang. Perceptions and attitudes of community residents to national park [J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2023, 47(2): 205 − 212. [3] 王子琳, 李志刚, 程晗蓓. 中国大城市公园绿地可达性的公平性研究——以武汉市中心城区为例[J]. 地理科学进展, 2022, 41(4): 621 − 635. WANG Zilin, LI Zhigang, CHENG Hanbei. The equity of urban park green space accessibility in large Chinese cities: a case study of Wuhan City [J]. Progress in Geography, 2022, 41(4): 621 − 635. [4] 卓健, 周广坤. 东京城市更新容积率弹性控制技术方法研究与启示[J/OL]. 国际城市规划, 2023[2023-04-20]. https://doi.org/10.19830/j.upi.2021.420. ZHUO Jian, ZHOU Guangkun. Research and implications of flexible regulation of floor-area ratio in the context of urban regeneration: a case study of Tokyo[J]. Urban Planning International, 2023[2023-04-20]. https://doi.org/10.19830/j.upi.2021.420. [5] LEE Y C, KIM K H. Attitudes of citizens towards urban parks and green spaces for urban sustainability: the case of Gyeongsan City, Republic of Korea [J]. Sustainability, 2015, 7(7): 8240 − 8254. [6] CHEN Chongxian, LUO Weijing, LI Haiwei, et al. Impact of perception of green space for health promotion on willingness to use parks and actual use among young urban residents[J/OL]. Environmental Research and Public Health, 2020, 17(15): 5560[2022-12-01]. doi:10.3390/ijerph17155560. [7] LIN B B, FULLER R A, BUSH R, et al. Opportunity or orientation? who uses urban parks and why[J/OL]. PLoS One, 2014, 9(1): e87422[2022-12-01]. doi:10.1371/journal.pone.0087422. [8] CRISTINA A A, DANIEL D, LUIS Z. Characteristics of urban parks and their relation to user well-being [J]. Landscape and Urban Planning, 2019, 189(9): 27 − 35. [9] 杨毅, 周晓丹, 刘向宇. 基于地理探测器的公园绿地空间利用格局及其影响机制[J]. 沈阳农业大学学报, 2022, 53(2): 157 − 165. YANG Yi, ZHOU Xiaodan, LIU Xiangyu. Spatial pattern and influencing mechanism of green space use in parkbased on geographical detector [J]. Journal of Shenyang Agricultural University, 2022, 53(2): 157 − 165. [10] WU Wen, DING Kewei. Optimization strategy for parks and green spaces in Shenyang City: improving the supply quality and accessibility[J/OL]. International Journal of Environmental Research and Public Health, 2022, 19(8): 4443[2022-12-01]. doi:10.3390/ijerph19084443. [11] 付晖, 方纪华, 许先升, 等. 海口市中心城区公共绿地景观格局分析[J]. 西北林学院学报, 2014, 29(6): 260 − 265. FU Hui, FANG Jihua, XU Xiansheng, et al. Evaluation on landscape pattern of haikou urban public spaces [J]. Journal of Northwest Forestry University, 2014, 29(6): 260 − 265. [12] 雷金睿, 辛欣, 宋希强, 等. 基于AHP的海口市公园绿地植物群落景观评价与结构分析[J]. 西北林学院学报, 2016, 31(3): 262 − 268. LEI Jinrui, XIN Xin, SONG Xiqiang, et al. Landscape evaluation and structure analysis of plant community in Haikou City Parks, based on analytic hierarchy process [J]. Journal of Northwest Forestry University, 2016, 31(3): 262 − 268. [13] 陈心怡, 谢跟踪, 张金萍. 海口市海岸带近30年土地利用变化的景观生态风险评价[J]. 生态学报, 2021, 41(3): 975 − 986. CHEN Xinyi, XIE Genzong, ZHANG Jinping. Landscape ecological risk assessment of land use changes in the coastal area of Haikou City in the past 30 years [J]. Acta Ecologica Sinica, 2021, 41(3): 975 − 986. [14] 韩姝尧, 何荣晓, 王菲, 等. 海口市中心城区绿色开放空间公平性评价[J]. 中国城市林业, 2022, 20(6): 133 − 138. HAN Shuyao, HE Rongxiao, WANG Fei, et al. Equity evaluation of urban green open space in downtown area of Haikou City [J]. Journal of Chinese Urban Forestry, 2022, 20(6): 133 − 138. [15] 张金萍, 林丹, 周向丽, 等. 基于改进3SFCA的乡村地区公共医疗设施空间可达性与公平性评价——以海口市为例[J]. 地理科学进展, 2022, 41(4): 636 − 647. ZHANG Jinping, LIN Dan, ZHOU Xiangli, et al. Spatial accessibility and equality of public medical facilities in rural areas based on the improved 3SFCA: a case of Haikou City [J]. Progress in Geography, 2022, 41(4): 636 − 647. [16] 付晖, 付广. 基于GIS的海口市绿地适宜性评价研究[J]. 西北林学院学报, 2016, 31(4): 291 − 297. FU Hui, FU Guang. Land suitability evaluation of urban green space based on GIS in Haikou [J]. Journal of Northwest Forestry University, 2016, 31(4): 291 − 297. [17] 王一茹, 朱国鹏, 刘铁冬. 基于景观指数分析的海口市建成区绿地景观格局的动态变化[J]. 海南大学学报(自然科学版), 2021, 39(4): 407 − 413. WANG Yiru, ZHU Guopeng, LIU Tiedong. Dynamic change of green space landscape pattern in the built up area of Haikou City based on landscape index analysis [J]. Natural Science Journal of Hainan University, 2021, 39(4): 407 − 413. [18] 秦艳丽, 时鹏, 何文虹, 等. 西安市城市化对景观格局及生态系统服务价值的影响[J]. 生态学报, 2020, 40(22): 8239 − 8250. QIN Yanli, SHI Peng, HE Wenhong, et al. Influence of urbanization on landscape pattern and ecosystem service value in Xi’an City [J]. Acta Ecologica Sinica, 2020, 40(22): 8239 − 8250. [19] TIAN Yuhong, JIM C Y, LIU Yiqing. Using a spatial interaction model to assess the accessibility of district parks in Hong Kong[J/OL]. Sustainability, 2017, 9(11): 1924[2022-12-01]. doi: 10.3390/su9111924. [20] 刘艳芬, 余坤勇, 赵秋月, 等. 基于服务能力的福州主城区城市公园布局分析[J]. 浙江农林大学学报, 2021, 38(2): 387 − 395. LIU Yanfen, YU Kunyong, ZHAO Qiuyue, et al. Urban park layout in the main urban area of Fuzhou in the light of service ability [J]. Journal of Zhejiang A&F University, 2021, 38(2): 387 − 395. [21] 董鑫, 陈效锐, 李艳忠, 等. 基于地理探测器的四川省大熊猫国家公园生态环境时空变化及其归因分析[J]. 生态学杂志, 42(4): 946 − 955. DONG Xin, CHEN Xiaorui, LI Yanzhong, et al. Ecological environment spatiotemporal variation and driving forces of Giant Panda National Park in Sichuan Province based on geographical detector [J]. Chinese Journal of Ecology, 42(4): 946 − 955. [22] ZHANG Jian, SHEN Hao. Geo-spatial analysis and optimization strategy of park green space landscape pattern of Garden City: a case study of the central district of Mianyang City Sichuan Province [J]. European Journal of Remote Sensing, 2020, 53(1): 309 − 315. [23] 魏绪英, 蔡军火, 叶英聪, 等. 基于GIS的南昌市公园绿地景观格局分析与优化设计[J]. 应用生态学报, 2018, 29(9): 2852 − 2860. WEI Xuying, CAI Junhuo, YE Yingcong, et al. Landscape pattern analysis and optimum design of park green space in Nanchang City, China based on GIS [J]. Journal of Applied Ecology, 2018, 29(9): 2852 − 2860. [24] TIAN Lingwen, LIU Xiangnan, LIU Meiling, et al. State-and-Evolution Detection Models: a framework for continuously monitoring landscape pattern change[J/OL]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 4403114[2022-12-01]. doi:10.1109/TGRS.2021.3088537. [25] 李杨. 基于多源数据的海口市城市空间形态结构识别与优化研究[D]. 赣州: 江西理工大学, 2019. LI Yang. Research on Urban Spatial Morphological Structure Identification and Optimization Based on Multi-source Data in Haikou[D]. Ganzhou: Jiangxi University of Science and Technology, 2019. [26] 雷金睿, 陈宗铸, 杨琦, 等. 基于GIS的海口市景观格局梯度分析[J]. 西北林学院学报, 2017, 32(3): 205 − 210. LEI Jinrui, CHEN Zongzhu, YANG Oi, et al. GIS-based gradient analysis of urban landscape pattern of Haikou [J]. Journal of Northwest Forestry University, 2017, 32(3): 205 − 210. 期刊类型引用(2)
1. 王海龙，郜昌建，胡昱彦，林荫，应建平，徐达. 结合深度学习和面向对象的无人机影像毛竹林分布信息提取. 竹子学报. 2024(03): 1-11 . 
百度学术2. 张楠楠，张晓，白铁成，袁新涛，马瑞，李莉. 基于无人机可见光影像的新疆棉田田间尺度地物识别. 农业机械学报. 2023(S2): 199-205 . 百度学术其他类型引用(3)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20220702
点击查看大图
计量
- 文章访问数: 679
- HTML全文浏览量: 113
- PDF下载量: 12
- 被引次数: 5
