Spatio-temporal evolution of landscape patterns and their driving factors in Xinhua County based on the POGD-MGWR model

新化县(27°31′~28°14′N，110°45′~111°41′E)位于湖南省娄底市，县域面积为3 616.16 km²。土地总面积为356 713.33 hm²，其中：耕地面积为48 453.33 hm²，林地面积为190 720.00 hm²，可垦面积为16 973.33 hm²，宜林面积为7 653.33 hm²，河流面积为23 753.33 hm²，茶果面积为4 033.33 hm²，其他面积为65 126.67 hm²。地貌属山丘盆地，西部、北部雪峰山主脉耸峙；东部低山或深丘连绵；南部为天龙山、桐凤山环绕；中部为资水及其支流河谷。整个新化县位于亚热带中部，典型的地带性土壤为红壤。

土地利用数据(2000、2005、2010、2015、2020年)、国内生产总值(GDP)、人口数量及归一化植被指数(NDVI)来自中国科学院资源环境科学数据中心(https://www.resdc.cn/)，气象数据(平均风速和日照)来自国家地球系统科学数据中心(https://www.geodata.cn/)，年平均降水量和年平均气温数据来自国家青藏高原数据科学中心(https://data.tpdc.ac.cn/)，高程数据基于数字高程模型(DEM)提取于地理空间数据云(https://www.gscloud.cn/)，坡度数据提取于DEM。以上所有数据均统一为30 m×30 m的栅格数据，并将坐标系重新投影到WGS_1984_Albers上。

为了研究新化县景观类型的面积变化和类型转移，本研究利用景观类型转移矩阵^[20]对新化县各景观类型的净转化量进行计算分析，用于衡量新化县景观类型的动态变化过程。为直观展示各类景观类型在不同年份间的相互转化关系，本研究引入桑基图对土地利用转移过程进行可视化表达。

景观格局指数能表征景观数量、形状、破碎度和多样性等属性^[21−22]。为研究新化县不同景观类型时空变化特征和规律，本研究选取10个景观格局指数，分别为斑块数量(NP)、边缘密度(ED)、景观形状指数(LSI)、斑块密度(PD)、最大斑块指数(LPI)、聚合度(AI)、香农多样性(SHDI)、蔓延度指数(CONTAG)、连通度指数(COHESION)、景观分割度(DIVISION)。利用Fragstats 4.2计算2000—2020年5期景观格局指数。各景观格局指数计算公式参考相关文献[23−24]。

地理探测器是一种用于分析空间差异及其驱动因素的统计模型^[25]。最优参数地理探测器(POGD)通过优化空间尺度和离散化方法进一步提升了分析精度。在优化参数的基础上，通过单因子和交互探测评估单因素及其组合对景观格局变化的解释力(q)，q越大解释力越强。交互作用探测用于分析不同影响因子共同作用时对因变量(Y)解释力的增强或减弱程度。判断方法和类型如表1所示。

多尺度地理加权回归模型(MGWR)用于揭示空间非平稳性和多尺度因子的影响，通过局部回归与变量带宽优化，量化各驱动因子对空间变量的影响程度及其地理尺度差异。作为地理加权回归的扩展，MGWR允许根据空间数据异质性动态调整带宽，能够同时反映全球性、区域性和局部性的空间关系^[26]。这一特性使其特别适合研究多因素交互作用下的景观格局变化问题。计算公式如下：

其中：$ {y}_{i} $代表空间上$ i $点的因变量，$ p $为自变量总数，$ \left({\mu }_{i},{v}_{i}\right) $为第$ i $个研究单元的地理中心坐标，$ {x}_{i,k} $表示研究单元$ i $的自变量k的解释值，$ {\beta }_{{b},k}\left({\mu }_{i},{v}_{i}\right) $表示经过有效带宽校正后带宽为$ {b}_{w} $时解释变量k的回归参数，$ {\beta }_{0}\left({\mu }_{i},{v}_{i}\right) $表示研究单元$ i $处的截距，$ {\varepsilon }_{i} $表示随机误差项。

根据新化县自身形成特点，结合相关理论分析，从自然环境条件和社会经济状况2个方面对新化县景观变化驱动因子进行筛选。选取景观多样性指数(Y)为因变量，高程(X₁)、坡度(X₂)、年平均降水量(X₃)、年平均气温(X₄)、日照时数(X₅)、风速(X₆)、归一化植被指数(X₇)、土壤类型(X₈)、人口数量(X₉)、GDP (X₁₀)为自变量，分析各因子对于景观格局演变的影响机制。

如图1所示：2000—2020年研究区主要景观类型为林地和耕地，整体占比分别超过65%和30%。草地、水体和建设用地面积较小，整体占比低于5%。从变化趋势来看，耕地面积持续减少，林地面积先增后减，建设用地持续增加，草地和水域变化微小。林地主要分布在西部、南部和北部地区，耕地主要分布在中东部和水体横跨县域，建设用地分布在东部地区。林地分布广泛，在新化县的西部、南部和北部形成集群。耕地主要分布在中部及东部地区，呈分散分布。建设用地在东部以南地区具有明显的聚集特征。

Figure 1.  Spatial distribution map of landscape types in Xinhua County

由图2可知：2000—2020年，新化县景观类型发生变化，耕地转化为林地、草地、水域和建设用地，主要贡献来自林地、水域和建设用地。林地扩张主要来自耕地。建设用地扩张主要来源于耕地和林地。研究期内2015—2020年景观类型转移强度高于其他阶段，且转化更加复杂。

Figure 2.  Sankey diagram of landscape type transition matrix for Xinhua County from 2000 to 2020

由图3可知：研究期间耕地的斑块数量和斑块密度先减后增，表明近年来耕地破碎化加剧。林地的斑块数量和斑块密度增加，说明其异质性和破碎化增强；耕地最大斑块指数减少、林地的增加，表明林地优势度上升。耕地和林地的边缘密度和形状指数整体上升，聚合度下降。建设用地的斑块数量和斑块密度整体先增后减，边缘密度、形状指数和最大斑块指数持续增加，聚合度呈先增后减趋势。草地和水域各景观指数变化不明显。

Figure 3.  Changes in landscape pattern indices at the class level

由表2可知：2000—2015年，研究区的斑块数量和斑块密度增加，表明景观破碎化程度降低；但2015年后两者均下降，说明破碎化加剧。研究时段内，边缘密度和景观形状指数持续上升，反映景观边缘形状愈发复杂，斑块形态不规则化加剧。研究区蔓延度指数下降表明斑块分散化趋势增强；连通度指数先增后减，景观分割度先减后增，表明2010年后景观破碎度化导致景观连通性降低、分割度增加；香农多样性指数上升表明景观多样性增强，景观结构更复杂且异质性提升；聚合度整体下降，表明景观空间聚集性减弱，斑块分布更分散。

由图4可知：景观多样性和破碎化的空间分布随时间变化不大。西部、北部和南部地区以山地为主，海拔较高，人为干扰少，林地为主，最大斑块指数和聚合度高，景观分割度和香农多样性指数低，景观完整度高、破碎度低。中部和东部地势平坦，人类活动频繁，城镇发展快，大面积耕地开垦，导致最大斑块指数和聚合度低，景观分割度和香农多样性指数高，景观破碎度较高。

Figure 4.  Spatial distribution map of landscape diversity and fragmentation in Xinhua County

以2000、2005、2010、2015和2020年景观多样性指数为因变量，10个影响因素为自变量，综合考虑研究区大小、计算效率和探测结果的优化，确定渔网单元大小为2.5 km×2.5 km。数据分析前通过R语言清洗数据，去除异常值后导入GD包进行参数最优地理探测器分析。根据研究区特点和参考文献[27−28]将自变量离散类别范围设为4~9类，并从5种离散化方法中选择最优q值。其中，土壤类型(X₈)为非连续数据，无需离散化处理。以2020年的自变量离散类别优选过程为例(图5)，不同离散方法和类别数量对q值影响较大，说明参数优选非常必要。例如，对于归一化植被指数(X₇)，分位数分类法的q值明显优于其他方法，并在9类时q达到最大值(0.188)，因此，选择该方法和类别数可实现最大q值。其余因子的优选过程类似，通过遍历所有分类方法，确定最优q值，并最终选出各驱动因子的合理离散方法和类别数，如表3所示。

Figure 5.  Statistical results of explanatory power (q) under different discretization methods and category numbers in 2020

在使用POGD模型分析驱动因子时，显著性检验是验证探测结果可靠性的重要步骤。由表4可知：10个驱动因子均通过显著性检验(P＜0.05)，但解释力度存在差异。其中，NDVI的解释力最大，对景观格局的解释力最强；高程、人口数量、年平均气温、坡度也具有较高的解释度。人口数量对景观多样性的影响超过地形和气候因素，且解释力从0.176 (2000年)增至0.188 (2020年)，表明人类活动对景观格局的影响持续增强。与此同时，GDP的解释力逐步上升，反映出经济发展对景观变化的影响日益显著。

由图6可知：2000、2010和2020年，NDVI与高程的交互作用对景观格局变化影响最强，q分别为0.357、0.357和0.327；而在2005和2015年，NDVI与GDP的交互作用最强，q分别为0.314和0.357。NDVI在所有年份的交互探测中均为强影响因子。不同年份中，各驱动因子对景观格局变化表现出协同增强特征，即任意2个因子的交互作用均强于单一因子的影响，主要为双因子增强和非线性增强。其中，日照时数和GDP单独作用影响较小，但与其他因子交互后，多表现为非线性增强，明显提升了解释力度，说明研究格局变化受多因子共同驱动。

Figure 6.  Influence of factor interactions

根据地理探测器结果对10个驱动因子进行共线性检验，即方差膨胀因子(VIF)＜7.5，剔除高程和年平均气温等VIF＞7.5的变量，并通过普通线性回归(OLS)最终筛选出NDVI和坡度2个驱动因子作为解释变量。通过赤池信息准则(AICc)、决定系数(R²)和调整后R²对OLS、地理加权回归(GWR)和多尺度地理加权回归(MGWR)模型进行对比(表5)显示：MGWR模型的AICc最低，R²和调整后R²相对高，模型性能优于其他2种方法。

由图7可知：各年份驱动因素的作用方向和强度总体变化不大，但对新化县景观多样性和破碎度的影响存在显著空间异质性，区域间强度不同。MGWR模型回归结果显示：NDVI对景观多样性的影响大于坡度。其中NDVI对95%以上区域表现为负效应，高值区集中在北部、西部和南部地区，以稳定的林地景观为主，景观多样性低，破碎度小；正高值区在西部地区，景观交错分布，导致多样性高，破碎度大。坡度的影响以负效应为主(2020年占71.5%)，高值区在西部及南部地区，因水流作用和建设用地密集，景观破碎度大；正高值区在地势平坦、耕地广布、景观多样性低、破碎度小的中部和东部。

Figure 7.  Spatial distribution of multiscale geographically weighted regression (MGWR) regression coefficients for each driving factor

本研究表明：受退耕还林政策影响，2000—2020新化县耕地面积逐年下降，耕地流失严重，耕地大部分转化为林地；建设用地面积大幅上涨，增加部分主要来源于耕地和林地。城市化进程推动了人工地表对自然植被的持续替代，资源开发与交通建设加剧了生态干扰，导致景观破碎度与多样性上升，自然与人工景观的边界趋于模糊，交互影响不断增强。从驱动因素来看，研究区内的景观多样性受到自然条件和人类活动的双重驱动。在研究期内，NDVI、高程和人口数量对景观多样性的驱动力始终较为明显，这与何梦真等^[29]的研究结果一致。买迪娜·艾尼瓦尔等^[30]研究表明：NDVI是库尔勒市景观格局变化的主导因子，因其反映植被覆盖状况，可直接影响景观类型的分布与多样性。海拔对水热条件起到限制作用，而地形则可调节水热分布，进而形成小气候，两者共同作用对景观类型和多样性产生影响^[31]。交互探测发现：自然因素和人为活动因素之间的交互作用显著强于单一因子的独立作用，表明各驱动因子在景观多样性的驱动机制中是相互影响的。MGWR分析进一步深化了上述研究结论，并揭示了NDVI和坡度对景观多样性的影响在不同空间区域的作用强度和作用方向不同，这与胡艺川等^[32]的研究结果类似。景观变化对生态系统的结构以及功能具有重要影响。因此，可通过政策调控有效优化新化县景观结构，例如加强县域生态治理，优化林地和水域布局，防止林草退化；发展生态农业，提升耕地生物多样性；重点生态功能区如大熊山国家森林公园应强化生物多样性保护与生态修复，发挥生态屏障作用。在推动经济发展的同时，注重生态保护，实现开发与生境保护的协调统一。

本研究结合POGD和MGWR模型，通过定量化、尺度化和区域化的方式，为揭示景观格局驱动因素及其作用机制提供了全面而精确的研究框架，为理解景观格局变化机制和区域生态管理提供了科学依据。然而，研究未充分考虑社会经济政策等非环境因素，数据时间跨度也限制了长期趋势分析。未来可结合更长时间序列数据，引入社会经济因子，进一步探索景观格局的动态演化及其驱动机制。

2000—2023年，新化县景观类型结构发生显著变化，受城镇扩张与退耕还林政策影响，耕地面积持续减少，建设用地面积显著增长。景观格局分析表明：无论在类型层面还是景观层面，破碎化趋势均日益加剧，异质性提升，斑块形态趋于复杂。NDVI、人口数量与高程是主要驱动因子，其中因子间的交互作用(双因子增强与非线性增强)显著提高了对景观格局变化的解释力，且影响机制在空间上具有明显异质性，反映出景观格局演变由自然因子和社会因子共同驱动的复合响应过程。