快速城市化地區景觀格局演變及生態環境承載力評價

蔣姣 趙思遠 陳士亮 徐丹 金思慧 陳菁 吳壯壯 高啟賢

摘要：研究快速城市化地區的景觀格局演變及生態環境承載力，對其實現可持續發展具有重大意義。以江蘇省南京市為例，基于2010、2015、2018年3期土地利用數據，揭示土地利用的時空變化及景觀格局演變特征;利用耦合主成分分析法和云模型對生態環境承載力進行評價;同時，分析土地利用變化特征對景觀格局和生態環境的影響。結果表明：（1）南京市2015—2018年土地利用變化較2010—2015年明顯，以建設用地對耕地的占用、水域對耕地面積的補給為主。其中，建設用地擴張集中于浦口區東部，水域面積減少主要位于高淳區西部。（2）受土地利用變化影響，景觀格局呈現出相應演變特征。相較于2010—2015年，區域景觀結構在2015—2018年的變化幅度更大。（3）2010—2018年南京市的生態環境承載力隸屬于中級承載水平且隨時間推移略有提升，這與南京市重視耕地資源保護、促進城市綠地建設息息相關，但人口壓力與空氣質量改善進度的相對滯后使得資源問題和大氣污染成為生態環境壓力的主要來源。

關鍵詞：景觀格局演變;生態環境承載力;主成分分析-云模型;南京市

中圖分類號： F301.2;P901;X144文獻標志碼： A

文章編號：1002-1302（2021）07-0231-06

收稿日期：2020-12-15

基金項目：國家重點研發計劃（編號：2017YFC040320502）;寧夏回族自治區重點研發計劃（編號：2018BBF02022）。

作者簡介：蔣 姣（1995—），女，江蘇無錫人，碩士研究生，主要從事水土資源規劃與利用方面研究，E-mail：952485762@qq.com。

通信作者：陳 菁，博士，教授，主要從事水土資源規劃與管理。E-mail：1476014491@qq.com。

城市化是土地利用變化的影響因素之一，土地利用變化則是景觀格局及生態環境變化的重要驅動力[1]。各城市在不同的發展階段，其土地利用變化特征及生態環境效應不同。目前，在不同區域進行土地利用變化驅動力[2-3]、生態效應[4]、區域景觀格局演變[5]等的研究已經較為廣泛，但土地利用變化對景觀格局及生態環境承載力影響的研究相對較少。此外，評價生態環境承載力的方法主要有主成分分析法[6]、模糊綜合評價法[7]、TOPSIS法[8]等，但這些傳統的評價方法無法兼顧評價指標定量化、評價等級劃分的模糊性和隨機性。云模型[9]作為一種定性定量的不確定性轉換模型，可將評價等級的模糊性和隨機性相結合，彌補上述傳統評價方法的弊端。

南京市作為快速城市化地區，社會經濟發展迅速，人口壓力也隨之增大，資源和生態環境問題日益顯露。本研究在分析南京市土地利用時空變化的基礎上，利用景觀指數闡明區域景觀格局演變特征，耦合主成分分析法和云模型對生態環境承載力進行綜合評價并揭示土地利用變化對景觀格局和生態環境承載力的影響。

1 材料與方法

1.1 研究區概況

南京市位于江蘇省西南部、長江下游，是中國東部地區重要的中心城市，地理坐標為31°14″～32°37″N，118°22″～119°14″E，屬北亞熱帶濕潤氣候。南京市下轄11個市轄區，總面積6 587 km2，東西最大橫距約70 km，南北最大縱距約150 km。2010年年末戶籍總人口632.42萬人，地區生產總值5 012.64億元，城鎮化率78.5%;2018年年末戶籍總人口696.94萬人，地區生產總值12 820.40億元，城鎮化率82.5%。

隨著社會經濟的快速發展，南京市城市化水平不斷提高，但城市規模的擴大、人口壓力的增加，使得資源、生態環境問題等日益凸顯，對可持續發展產生一定的影響。

1.2 數據來源與研究方法

1.2.1 數據來源及處理

本研究所需生態環境數據來源于南京統計年鑒（2010—2018年），30 m土地利用數據來源于中國科學院資源環境科學數據中心。參考相關標準并結合實際情況，將土地分為耕地、林地、草地、水域、建設用地和未利用地6類。

1.2.2 研究方法

1.2.2.1 景觀格局分析法

本研究采用景觀指數分析景觀格局并借助軟件Fragstats 4.2計算相關指數。根據相關文獻[10-12]并結合研究區域概況，選取斑塊個數（NP）、最大斑塊指數（LPI）、面積加權的平均形狀指數（SHAPE_AM）、平均最鄰近距離（ENN_MN）、香農多樣性指數（SHDI）及修正Simpson均勻度指數（MSIEI）6個指標，反映各景觀類型異質性、破碎度、形狀等。

1.2.2.2 主成分分析法

主成分分析法屬于客觀賦值法[13-14]，其主要步驟如下：

（1）為消除量綱的影響，將原始數據標準化得到數據矩陣Z，設生態環境承載力評價系列年為n年，指標個數為m，則Z=（Zij）n×m（i=1，2，…，m）。

（2）計算相關系數矩陣R=（rij）n×m及其特征值λi（i=1，2，…，m），每個特征值對應的特征向量為lpk（k=1，2，…，m）。

（3）根據特征值大于1且累計方差貢獻率大于85%確定主成分個數a，計算主成分得分Fip，其公式如下：

Fip=Zi1lp1+Zi2lp2+…+Zimlpm，i=1，2，…，a。（1）

（4）根據每個主成分的權重系數即該主成分的方差貢獻率，對前a個主成分進行加權求和，計算綜合指標得分Fi，其公式如下：

Fi=∑ap=1λp∑mp=1λpFip。（2）

1.2.2.3 云模型

1.2.2.3.1 云模型原理

本研究采用正態云模型，其數字特征可以用期望值Ex、熵En和超熵He來表示[15]。生態環境承載力評價是定性到定量的轉換，故采用正向云發生器，產生云滴的主要步驟如下：產生1個均值為En、標準差為He的正態隨機數En′;產生1個均值為Ex、標準差為En的正態隨機數xi;xi對定性概念的確定度μ=e（xi-Ex）22（En′）2;重復上述步驟N次，可產生要求的N個云滴。

1.2.2.3.2 參數計算

設a1、a2分別為生態環境承載力評價指標各等級區間的上、下臨界值，則均值Ex計算公式如下：

Ex=a1+a22。（3）

各評價指標的等級區間邊界值應隸屬于2個級別并且數值相等，即

e-（a1-a2）28（En′）2≈0.5。（4）

則熵En計算公式如下：

En=|a1-a2|2.355。（5）

超熵He可結合熵En的大小，根據經驗及試驗取值。

1.2.2.3.3 模型構建

確定生態環境承載力的指標等級劃分標準后，計算各指標對應的每個等級的云模型數字特征，得到各指標對各等級的隸屬度，再結合各指標權重得到各等級下的綜合隸屬度。用熵權法確定各指標權重，綜合隸屬度公式如下：

Qj=∑ni=1ωiμij。（6）

式中：Qj為評價對象關于第j等級的隸屬度;ωi為第i個指標的權重;μij為第i個指標對第j等級的隸屬度。

本研究采用等級特征值Q量化評定結果，進而確定生態環境承載力等級，其計算公式如下：

Q=∑rj=1jQj∑rj=1Qj。（7）

式中：r為評價等級總數。

2 結果與分析

2.1 土地利用變化

南京市2010、2015、2018年3期土地利用類型見圖1，各土地利用類型面積及對應比率見圖2。結合圖1和圖2可知：從時間上看，2010—2018年，耕地、林地、草地、未利用地的面積變化較小且穩定;水域面積在2010—2015年基本無變化，在2015—2018年呈急劇減少趨勢，減少面積近130 km2;建設用地面積在2010—2015年略有增加，在2015—2018年急劇增加，漲幅高達2.10%。從空間上看，建設用地的擴張集中在浦口區的東部，主要是對耕地的占用;水域面積的減少集中在高淳區的西部，主要轉化為耕地。

2010—2015年、2015—2018年的土地利用轉移矩陣見表1。2015—2018年各土地利用類型的相互轉化較2010—2015年明顯，主要是建設用地、耕地、水域面積的轉移。林地、草地、未利用地的轉入、轉出面積均較小，耕地的轉出主要是建設用地，轉入來源主要是水域和建設用地。2010—2015年，耕地轉化為建設用地的面積為78 km2，由建設用地轉為耕地的面積為49 km2，2種類型土地的總面積變化較小;2015—2018年，耕地主要轉出為建設用地，轉入來源主要是水域，最終建設用地面積增加，水域面積減少，耕地面積變化不大。

2015—2018年土地利用變化較2010—2015年明顯，主要表現為建設用地對耕地的占用及水域對耕地面積的補給，耕地在2種類型土地的占補下，面積保持穩定。2015年以來，南京市不斷完善耕地保護補貼工作，建立長效激勵機制，落實耕地保護任務。說明南京市在城市化過程中建設用地擴張，但重視耕地的保護，努力協調城市化與耕地保護的矛盾，實現土地資源的可持續利用。

2.2 景觀格局變化

2010—2018年南京市各類型水平及景觀水平上的各景觀指數變化見圖3。從整體上看，相較于2010—2015年，2015—2018年各景觀指數的變化幅度更大。

類型水平上，2010—2018年間，各類型景觀斑塊個數變化不大，建設用地的斑塊數量最多，破碎度最大。耕地的最大斑塊指數相對較大，但在2015—2018年指數急劇減少，說明耕地有較大斑塊且分布集中，但受人為活動影響，物種多樣性減少。從面積加權的形狀指數可以看出，耕地、水域景觀的形狀最不規則，受人為干擾大，但2015—2018年耕地形狀略趨于規則。根據平均最近鄰距離可知，草地、未利用地分布較離散。

景觀水平上，2010—2018年間，斑塊數量逐漸減少，最大斑塊指數降低，說明區域的景觀破碎度有所降低但物種多樣性減少;面積加權的平均形狀指數在2010—2015年略有下降后在2015—2018年急劇下降，說明景觀形狀趨于規則;平均最近鄰距離變化不明顯，景觀離散程度變化穩定;區域的香農多樣性指數和修正Simpon均勻度指數不高且變化較小，說明景觀斑塊間差異較大。

區域的景觀格局受土地利用變化的影響，呈現出相應的演變特征。景觀結構在2010—2015年間變化較穩定，在2015—2018年間變化幅度較大，與土地利用在時間上的變化一致。建設用地的破碎度最大，耕地、水域受人為活動影響較大且2015—2018年耕地形狀趨于規則，這與建設用地的擴張、水域面積的減少、耕地受到建設用地的占用與水域的補給息息相關。

2.3 生態環境承載力評價

2.3.1 指標體系構建 結合南京市實際情況，構建生態環境承載力評價指標見表2。

2.3.2 主成分分析結果

根據特征值根大于1原則篩選出3項主成分，累計貢獻率達93.60%，計算各主成分得分及綜合得分見表3。

從表3可知，2010—2018年間，南京市的生態環境承載力綜合得分整體上呈增加趨勢，其中2018年的得分最高，2010年的得分最低，說明承載力水平呈逐漸提升趨勢，2018年承載力水平最高，2010年相對較低。城市化進程中，南京市不斷推動經濟向綠色低碳和可持續發展轉型，促進產業升級，優化產業布局與城市空間功能布局，促進能源資源節約集約和高效利用，深入實施“綠色南京”戰略，改善生態空間結構，提升生態功能，取得了可觀的效果。

2.3.3 云模型評價結果

生態環境承載力各評價指標的分級標準以南京市的實際情況為基礎，參考研究區域、全國及世界平均水平并結合國家標準如環境空氣質量等，同時借鑒其他學者研究成果進行確定[9，15-16]。 本研究將承載力劃分為弱承載（Ⅰ）、低承載（Ⅱ）、中級承載（Ⅲ）、較高承載（Ⅳ）和高承載（Ⅴ）5個等級，其中高承載（Ⅴ）為表示生態環境質量高，可穩定保證社會經濟的可持續發展，弱承載（Ⅰ）則與之相反。根據評價指標體系和分級標準計算云模型特征參數見表4，利用正向云發生器生成各指標對應各評價等級的正態云圖，以指標C6（建成區綠化覆蓋率）為例的云圖見圖4。

基于建立的各指標的云模型以及南京市2010—2018年各指標的實際數據，計算各指標對于各等級的隸屬度，并結合指標權重計算綜合隸屬度和等級特征值，確定南京市2010—2018年的生態環境承載力評價等級。采用熵權法確定各指標權重見表5，評價結果見圖5。

從綜合評價結果看，南京市2010—2018年的生態環境承載力均隸屬于中級承載水平，但綜合評價等級主要隸屬于Ⅱ級、Ⅲ級，說明南京市近年來的生態環境承載力較穩定，生態環境的治理與社會經濟的發展比較協調，但也需更加重視生態環境的保護。從系列年評價結果看， 2010—2018年南京市的生態環境承載力評價等級特征值整體呈現增長趨勢，說明承載力水平略有提升，但2010—2012、2015、2017年隸屬于低承載（Ⅱ級）的隸屬度較大，根據指標實際數據分析，這5年的人均耕地面積、人均水資源量、可吸入顆粒物濃度年均值、二氧化氮濃度年均值指標等級較低，說明這5年的資源問題、空氣污染問題較為突出。從指標的評價結果看，人均耕地面積、人均水資源量、人均生活日用水量、人均公園綠地面積、可吸入顆粒物濃度年均值、二氧化氮濃度年均值指標等級都偏低，說明資源問題和空氣污染使生態環境承載的壓力較大。南京市作為快速城市化的地區，人口壓力較大，同時空氣質量改善進度相對滯后，使得大氣污染防治形勢較嚴峻。

南京市在建設用地增加的同時不斷促進城市綠地建設、改善水環境，此外，南京市重視耕地與森林的保護，2010—2018年耕地、林地總面積變化較小且穩定。這在一定程度上對生態環境產生重要影響，使得生態環境承載力水平維持在中級承載（Ⅲ級）水平，且隨著時間的推移呈現提升趨勢。南京市作為快速城市化地區，人口壓力較大，雖然耕地、林地總面積穩定但人均資源不足，與此同時，水域面積的減少更是導致資源問題成為生態環境壓力的主要來源之一。

2.3.4 主成分分析-云模型結果分析

耦合主成分分析-云模型可知，二者所得評價結果基本一致。根據主成分分析結果，2010—2018年南京市生態環境承載力的綜合得分除2012年相對偏低外，整體上表現為逐漸增加趨勢;在云模型評價結果中，承載力均隸屬于中級承載，等級特征值除2014、2017年相對偏低外，整體呈增長趨勢，承載力水平隨時間推移略有提升。此外，在主成分分析結果中，2018年的綜合得分最高，2010年的得分最低;相應的云模型評價結果顯示2018年的等級特征值最高，2010年最低，均說明2018年的生態環境承載力最高，2010年相對最低。通過主成分分析可比較出系列年的生態環境承載力高低，云模型則可在反映系列年承載力高低的同時評價出承載力等級，且主成分分析結果在一定程度上可為云模型的評價結果提供檢驗與支撐。

3 結論

本研究將土地利用與景觀格局演變、生態環境承載力相結合，揭示了土地利用變化對生態環境的影響，同時利用耦合主成分分析和云模型對生態環境承載力進行評價，結論如下：

2010—2018年，南京市林地、草地、未利用地的面積變化較小，轉移面積也較少。2015—2018年土地利用變化較2010—2015年明顯，變化以建設用地對耕地的占用、水域對耕地面積的補給為主。其中，建設用地的擴張集中于浦口區東部，水域面積的減少主要位于高淳區西部。快速城市化過程中，南京市的建設用地擴張需求增大，但重視對耕地的保護。

受土地利用變化的影響，區域的景觀格局呈現出相應的演變特征。與土地利用在時間上的變化一致，景觀結構在2015—2018年間的變化較2010—2015年間明顯。耕地受人為活動影響較大且2015—2018年耕地形狀趨于規則，與耕地受到建設用地的占用與水域的補給息息相關。

南京市2010—2018年的生態環境承載力均隸屬于中級承載水平，且隨時間推移承載力水平呈現提升趨勢。近年來，南京市分批實施綠線劃定工作，促進城市綠地建設保護、營造城市生態景觀，提升生態文明建設水平;堅持貫徹落實清水行動，切實改善水環境;同時重視耕地資源的保護，都在很大程度上維持且改善了生態環境質量。但南京市作為快速城市化的地區，人口壓力較大，人均資源的不足加上空氣質量改善進度相對滯后使得資源問題和空氣污染成為生態環境壓力的主要來源。

研究土地利用變化對景觀格局、生態環境承載力的影響可為土地利用的規劃、生態格局的改善、生態環境的保護提供理論依據。此外，主成分分析-云模型可在分析生態環境承載力高低的同時評價出其等級，結果較合理可靠，可應用于其他研究區域。同時，研究系列年的生態環境承載力，在一定程度上可預測研究區域未來的承載力變化趨勢。

參考文獻：

[1]李 睿，王志泰，包 玉. 快速城市化背景下黔中多山城市擴展模式及景觀格局動態——以安順市為例[J]. 水土保持研究，2020，27（4）：376-384，391.

[2]陳 磊，孫佳新，姜 海，等. 南京市土地利用結構時空格局及驅動因素[J]. 水土保持研究，2020，27（1）：197-206.

[3]劉 康，李月娥，吳 群，等. 基于Probit回歸模型的經濟發達地區土地利用變化驅動力分析——以南京市為例[J]. 應用生態學報，2015，26（7）：2131-2138.

[4]葉晶萍，劉士余，盛 菲，等. 尋烏水流域景觀格局演變及其生態環境效應[J]. 生態學報，2020，40（14）：4737-4748.

[5]陳玲玲，曹 楊，易 琳，等. 城市旅游地景觀格局演變與優化研究——以南京為例[J]. 長江流域資源與環境，2016，25（7）：1024-1033.

[6]趙德芳. 基于生態文明視角下西安市生態承載力評價分析研究[J]. 環境科學與管理，2018，43（3）：143-147.

[7]呂雪松，楊 紅. 大金山島生態承載力評價[J]. 上海海洋大學學報，2016，25（5）：767-774.

[8]顧家明，胡衛衛，田素妍. 基于DPSIR-TOPSIS模型的江蘇省生態承載力評價及障礙因素診斷[J]. 水土保持通報，2019，39（2）：246-252.

[9]蔣汝成，顧世祥. 熵權法-正態云模型在云南省水生態承載力評價中的應用[J]. 水資源與水工程學報，2018，29（3）：118-123.

[10]耿煥俠，張小林，李紅波. 縣域農村居民點景觀格局指數的空間粒度效應——以江蘇省豐縣為例[J]. 長江流域資源與環境，2014，23（10）：1418-1424.

[11]龔建周，夏北成. 景觀格局指數間相關關系對植被覆蓋度等級分類數的響應[J]. 生態學報，2007，27（10）：4075-4085.

[12]王艷芳，沈永明，陳壽軍，等. 景觀格局指數相關性的幅度效應[J]. 生態學雜志，2012，31（8）：2091-2097.

[13]Zhao S Y，Chen J，Jin Q，et al. Improved principal Component-Fuzzy comprehensive assessment coupling model for urban river water quality：a case study in Chongqing，China[J]. Water，2020，12（5）：1375.

[14]解 雪，陳軍鋒，鄭秀清，等. 基于主成分分析和粒子群算法優化支持向量機的凍融土壤蒸發預報模型[J]. 節水灌溉，2020（1）：61-65，72.

[15]孫雅茹，董增川，徐 瑤，等. 基于云模型的城市水安全評價[J]. 人民黃河，2019，41（8）：52-56，67.

[16]許玲燕，杜建國，劉高峰. 基于云模型的太湖流域農村水環境承載力動態變化特征分析——以太湖流域鎮江區域為例[J]. 長江流域資源與環境，2017，26（3）：445-453.