城镇化过程中滇池流域不透水表面扩张特征及其水环境效应

罗　毅，赵艺淞，杨　昆，喻瑧钰，商春雪，潘梅娥,3，陈可辛

（1. 云南师范大学信息学院，昆明650500；2. 云南师范大学旅游与地理科学学院，昆明 650500；3. 西部资源环境地理信息技术教育部工程研究中心，昆明 650500；4. 云南师范大学教务处，昆明 650500）

0　引　言

自20世纪以来，城镇化是人类活动最重要的显著过程，直接表现为不透水表面（impervious surface area，ISA）的迅速扩张，不透水表面已经成为了城市主要的景观格局。人们对社会经济高速发展的要求以及对绿色健康的城市环境的渴望两者间的矛盾已非常尖锐。目前城镇人口已占世界人口的 54%，到 2020年，其比例将高达66%[1-6]。虽然不透水表面目前只占地球无冰表面的0.2%～2.7%，但其对人类和自然的影响是极其显著的[7-9]。不透水表面主要由城市道路、停车场、广场、屋顶等人造地表组成[10-11]，这些人造地表导致地表水难以下渗到土壤中，从而阻碍了城市地表与地下水文生态系统的能量交换[12]。同时，不透水表面是导致水环境恶化的主要原因之一[13-14]，尤其是城市型湖泊水环境对不透水表面的扩张极为敏感[15]。城市区域的不透水表面（停车场、屋顶、高尔夫球场、居民区等）产生的化学物质能够通过地表径流汇聚到湖泊中，对湖泊水质造成影响[16-17]。与此同时，不透水表面阻碍了雨水下渗到土壤中，增加了地表径流量和流速，最终导致湖泊水质恶化[18]。大量的研究结果表明，城镇化与水质间的关系是非线性的[19-20]，相关研究学者聚焦于城镇化与水质的阈值关系研究，国外学者研究结果表明，当流域不透水表面覆盖率超过25%时，水环境恶化局面难以逆转[21]。然而这一阈值关系受研究区自然因素和人文因素限制，不同的区域存在不同的阈值关系。到目前为止，有关定量分析水质参数与不透水表面变化特征及其相关关系的研究鲜有报道。同时，相关研究尚未在本文选取的研究区进行。

准确提取城市不透水表面是研究不透水表面的水环境效应的基础。随着遥感技术的不断发展，利用该技术在不透水表面提取方面的研究已经取得了大量的研究成果[22-24]。综上所述，本文在前期研究的基础上[25-27]，利用改进的归一化城建指数（improved normalized difference build-up index，INDBI）及线性光谱分解模型（linear spectral mixture analysis，LSMA）提取了滇池流域近30 a来不透水表面，结合地理空间分析技术探索了滇池流域不透水表面及湖泊水质时空变化特征和规律；利用距离衰减函数和重力学模型计算了流域不透水表面对滇池水质的空间影响力；最后利用数理统计分析手段揭示了流域透水表面对湖泊水质的空间影响和相关性，以期为滇池流域湖泊水环境保护与治理、城市发展和规划提供决策依据，为开展相关研究提供新的思路和手段。

1　材料与方法

1.1　研究区概述

滇池流域位于云南省东南部，流域面积为2 843.16 km²，孕育了云贵高原省会城市-昆明。流域中的滇池位于昆明市西南部，是中国第六大淡水湖，也是云南省最大的高原湖泊，湖面海拔1 886 m，面积330 km2，平均水深5 m[28-29]。根据昆明市十二五规划和滇池流域水环境污染控制规划，以流域汇水范围为依据，将研究区划分为 17个子流域，研究区概述如图1所示。

图1　滇池流域研究区示意图Fig.1　Dianchi watersheol in research area

从自然环境方面考虑，昆明的气候具有高纬度、高太阳辐射、高蒸发量、高植被覆盖密度及地气压等特征；从人文环境方面考虑，昆明市是云南省唯一的大型城市，随着“一带一路”战略的持续推进，昆明市成为了面向南亚、东南亚的辐射中心，工业化和城镇化快速发展，诸如城市拥挤（2017年城市人口是1989年的一倍）、交通拥堵（1989年人均汽车拥有量约为4万台，2017年人均汽车拥有量约为230万台）、环境污染（滇池水质常年为劣五类）等城市问题越来越突出。以滇池水体为边界，在12 km缓冲区范围内，耕地从1988年的202.5 km2减少到了2017年的126.5 km2，不透水表面从1988年的45.5 km2增加到了2017年的399.8 km2，表明近年来导致滇池富营养化的主要矛盾从农业污染向城镇污染转移。这些问题严重制约了昆明市的可持续发展。为此，本文选取滇池流域为研究区具有鲜明的时代特征和区域特色。

1.2　数据来源与预处理

准确提取流域不透水表面是开展本研究的基础。为此，项目组通过美国地质勘探局（USGS）官方网站下载了1988年至2017年近200景的Landsat TM/Landsat OLI影像以及GDEM数据。由于影像数据质量容易受云层和条带噪声干扰，有必要对获取的影像数据进行筛选；同时，尽量选取夏季影像数据进行影像拼接和剪裁。最终本文选取了12 a（1988、1992、1994、1996、1999、2001、2004、2008、2010、2013、2015、2017）的影像数据作为提取不透水表面的原始数据，表 1为本文选取的原始遥感影像数据信息。

表1　原始遥感影像数据Table 1　Remote sensing images data source

本研究所使用的历史数据来源于云南省环境科学研究院及云南省水文水资源局，包括白鱼口、草海中心、滇池南、断桥、观音山东、观音山西、观音山中、海口西、晖湾中、罗家营等10个水质监测站点的1996年1月1日至2016年12月30日的水温、叶绿素a浓度、pH值等54个参数的日监测数据，以及研究团队利用设计的水质监测节点实测的水质数据。

1.3　空间影响力分析

在地理空间分析与建模过程中，距离是影响分析结果的重要因素。地理学第一定律中“任何事物都相关，只是相近的事物关联更紧密”阐释了距离对地理现象的影响[30-31]，这一定律也适用于环境科学领域。由于空间上相近的区域具有更高的交互强度，各子流域不透水表面覆盖率对水环境的影响强度随着距离的增加相应减弱。在空间分析研究过程中，通常采用式（1）来量化距离对于空间交互的影响作用。

式中Gi,j表示空间实体i和j之间的空间影响力；K为常量系数；Wi及Wj分别表示空间实体i和j的规模；f(di,j)为以距离d为自变量的距离衰减函数，表示实体i和j在空间距离为 d的条件下其距离的空间影响力。目前最常用的距离衰减函数有如下3种形式。

高斯型距离衰减函数：

其中α为距离衰减系数，α越大，距离d的影响越大。本文将地理空间的地理学第一定律引入到研究中，充分考虑距离产生的各子流域不透水表面覆盖率对滇池水质影响的衰减作用。

首先将式（1）进行约束和简化，常量系数K = 1；空间实体规模用面积衡量，Wi表示子流域 i的面积，Wj表示滇池水体面积，由于滇池水体面积为常量，那么Wj=1。由于幂律型距离衰减函数适用于大尺度的复杂空间交互系统，且幂函数具有无标度特征，从而使构造的空间交互模型与地理学第一定律没有矛盾，能够客观反映并揭示不同类型空间活动的本质特征，故本文采用幂律型衰减函数描述距离的衰减作用[32]。当距离衰减系数 α小于1时，距离衰减作用变得很小；当距离衰减系数α大于 2时，距离衰减作用变得非常明显。本研究在参考重力模型中的距离衰减函数的基础上，将α取值为2。综上所述，得到各子流域不透水表面覆盖率对滇池水质的空间影响力函数如下。式中Gi为子流域i的不透水表面覆盖率对滇池水质的空间影响力；SIi为子流域 i的不透水表面面积，m2；STi为子流域i的总面积，m2；di为子流域i到滇池边界的垂直距离，m。那么滇池流域不透水表面覆盖率对滇池水质的空间影响力 GT=Gi。

1.4　变化趋势与突变分析

突变分析采用Mann-Kendall检验方法(M-K检验)，此方法得到世界气象组织的认可并广泛应用于气象、水文等关于时间序列趋势变化的领域。M-K方法不仅可进行变量的趋势分析，而且能确定相关因素突变开始的时间，指出突变区域，不需要样本遵从一定分布，也不受异常值干扰，计算简便，较为适用于不服从正态分布的数据[33]。

在 M-K检验中，原假设数据 Hn为时间序列 ( x1,x2,…,xn)，是n个随机变量同分布且相互独立的样本，假设 H1是双边检验，对于所有的 k和 j，j≤n且 kj、xk与xj的分布不同，检验的统计变量S为：

S为正态分布，其均值为0。当n ＞ 10时，标准的正态统计变量以式(8)计算：

在给定显著性水平上，当Z≥Z1-α/2，则拒绝原假设，此序列存在显著的上升或下降趋势。如果统计变量Z＞ 0，则此序列呈上升趋势；反之呈现下降趋势。当|Z| ≥1.28时，表示通过了置信度为 90%的显著性检验，即通过了0.1的显著性检验；当|Z| ≥ 1.64时，表示通过了置信度为95%的显著性检验，即通过了0.05的显著性检验；当|Z| ≥ 2.32时，表示通过了置信度为 95%的显著性检验，即通过了0.01的显著性检验，表明趋势显著。

1.5　周期性分析

在环境科学领域中，各类气象因子、水文过程以及生态系统与大气之间的物质交换过程都可看作是随时间有周期性变化的信号，因此小波分析方法同样适用于环境科学领域，能够对环境过程复杂的时间格局进行分析[34]。

将具有等时间步长δt的离散时间序列xn(n=1,2,…,N)的连续小波变换定义为小波函数φ0尺度化以及转换下的 xn的卷积：

Morlet小波不但具有非正交性，而且还是由Gaussian调节的指数复值小波。

式中t为时间，ω0是无量纲频率。当ω0= 6，小波尺度s与傅里叶周期基本相等(λ = 1.03 s)，所以尺度项与周期项可以相互替代。由此可见，Morlet小波在时间与频率的局部化之间有着很好的平衡。(s)|2定义为小波功率谱，该功率谱表达了时间序列在给定小波尺度和时间域内的波动量级。由于采用的Morlet母小波为复值小波，因此(s)也为复数，其复值部分可解释为局部相位。将小波功率谱在某一周期上进行时间平均得到小波全谱：

小波全谱能够表明时间序列真实功率谱的无偏、一致估计。由于小波全谱可以显示出背景谱量度，所以局部小波谱的峰值可以得到验证，因此通过小波全谱图中可以清晰地辨别时间序列的周期波动特征及其强度。

1.6　相关性分析

本文采用Spearman相关系数描述各因子之间的相关性，以及定距变量间的线性关系。Spearman用来估计 2个变量之间的相关性，并用单调函数描述其相关性。若变量取值的集合中均不存在相同的元素，则当其中一个变量可以表示为另一个变量的很好的单调函数时，即 2个变量的变化趋势相同时，2个变量之间的Spearman相关系数r取值范围在1和-1之间[35]。相关系数r可用式（12）描述：

其中xi与yi分别表示x变量与y变量的第i个样本值，N为样本取值个数。

2　结果与讨论

2.1　滇池流域不透水表面变化特征

为了量化各子流域对滇池水质的空间影响力，利用地理空间分析方法计算了各子流域中心到滇池水体边界的最短距离，见表2。从分析结果可知，盘龙江北子流域中心到滇池水体边界距离最远，约 36.34 km，金汁河子流域离滇池水体边界距离最近，约1.09 km。

表2　各子流域中心到滇池边界的最短距离Table 2　Minimum distance between center of sub-watershed and Dianchi Lake boundary

利用项目组提出的改进的归一化城建指数（improved normalized difference build-up index，INDBI）及线性光谱混合分析组合算法（linear spectral mixture analysis，LSMA）[36]提取了滇池流域近30 a来的ISA，提取总体精度为85.27%。在此基础上分析了滇池流域不透水表面变化特征，并利用本文提出的空间影响力评估手段分析了各子流域不透水表面对滇池水质的空间影响力。

分析结果表明，滇池流域不透水表面覆盖率1988年为1.67%，到2017年增加到了22.87%，呈快速扩张趋势(R2= 0.92)，通过了α = 0.001的显著性检验。滇池流域不透水表面呈现出沿着滇池全面扩张的趋势，高强度城区由2001年的1个变为2017年的4个，自然地表面积向不透水表面面积转移了 35%，高强度城区面积比例由0.06%增加到了12.05%；近30 a来流域不透水表面增长速率超过了21 km2/a，在2004至2017期间，其增长速率达到了38 km2/a。

图 2为流域不透水表面转移强度。城市密度分级参考了Fu等的研究成果[37]从分析结果可知，接近一半的流域面积土地利用类型发生了改变，自然地表覆盖率从1988年的94%降低到了2017年的59%，高密度城区覆盖率由1998年的0.06%增加到了2017年的12.05%。

图3为流域城市中心空间分布情况。

图2　滇池流域不透水表面转移强度Fig.2　Impervious surface of Dianchi Watershed changing intensity

图3　滇池流域城市中心空间分布Fig.3　Main urban spatial distribution of Dianchi Watershed

由图 3分析结果可知，在“南延、北拓”、“一湖四片”、“城镇上山”等城市发展与建设政策的驱动下，2001以前，流域只有一个城市中心（昆明主城区），到了2017年，流域发展成了 4个主城区（昆明主城区，空港主城区，呈贡主城区，晋宁主城区），滇池流域城市建设呈现出以滇池流域为中心辐射蔓延，除了西面地形因素限制（西山）外，城市包围了整个滇池，流域不透水表面覆盖率从2001年的4.77%增长到了2017年的22.87%，当流域不透水表面覆盖率超过 25%时，对流域的生态环境影响是致命的[21]。党的十九大明确指出要把生态文明建设放在突出地位，努力建设美丽中国，这种“冒进式增长”或“大跃进”式的城市化问题增大了了流域生态环境保护与治理的难度，阻碍了这一目标的实现。

2.2　不透水表面空间影响力与滇池水质相关性

采用Spearman相关系数分析了各水质参数与流域不透水表面空间影响力 G间的相关关系，分析结果如表 3及图4所示。外海区域DO、BOD、CODMn、TN、Chla、TP通过了α = 0.05的显著性检验，其中DO和BOD与流域不透水表面空间影响力G的相关性较高，通过了α =0.001的显著性检验。

图4　各水质参数与空间影响力G间的相关性Fig.4　Correlation between water parameters and spatial influence G

草海及外海BOD于2007年产生突变，由下降趋势转变为上升趋势，外海BOD的下降趋势更为显著。草海Chla的突变年份为2008年，外海Chla的突变年份为2005年，均由下降转为上升趋势，草海Chla波动较为明显，外海上升趋势较为显著。草海CODMn的突变年份分别为2009年及2015年，2009年至2014年呈下降趋势，2015年后呈显著上升趋势；外海CODMn总体上升趋势显著，2006−2010年间波动明显，但此期间内趋势平缓。草海DO总体趋势平缓，但波动幅度较大；2006年前，外海DO波动范围较大，总体呈下降趋势，2006−2007年剧增，之后波动范围减小，趋势较为平缓。草海TN在2009年发生突变，外海TN在2007年发生突变，草海TN于此年份后呈显著下降趋势，而外海TN于2006−2012年间产生大幅波动后同样呈下降趋势，但趋势较为平缓。草海TP总体呈下降趋势，在 2010年发生趋势的变化，且于2010年产生突变，外海TP浓度较低，研究区于2002−2013年间在0.15 mg/L左右波动，1998−2002年出现骤降，2013年后呈现急剧上升趋势。

表3　各水质参数与空间影响力G间的相关系数Table 3　Correlation coefficients for water parameters and spatial influence G

1988―2017年中，不透水表面空间影响力 G以0.217/10a的速度上升，总体呈现显著的上升趋势，且通过了α = 0.001的显著性检验。其中，1998―2016年间，G的倾向率为0.184/10a，低于总体G的上升趋势，表明该区间内G的增长趋势略缓于总体。M-K检验结果表明，G的突变年份为2008年。2008―2010年，G增长缓慢，且于2013年突然下降后，继续呈快速的增长趋势。

综上所述，草海和外海BOD和草海DO的突变发生在空间影响力 G增长速度变缓之前，其余指标均于2008―2010年间产生突变，且在2013年G突变期间，各水质参数在该时期内均呈现出一致的变化趋势，表明各水质参数对空间影响力G的变化较敏感，呈现出一致的变化趋势。

2.3　滇池水环境变化特征

采用Morlet小波变换对各水质参数的周期性变化进行了分析，分析结果如图 5所示，X、Y、Z轴分别表示时间（年份）、尺度和小波系数。

研究结果表明，在草海BOD演变过程中存在着0～7 a，10～16 a、17～20 a的3类尺度的周期变化规律。其中，在10～16 a尺度上出现了高-低-高的震荡，且此周期变化在整个分析阶段表现稳定，具有全局性，在 0～9 a尺度上出现震荡不稳定；17～20 a的能量最强且周期最显著，但周期变化具有局部性（2002―2012年），10～16 a虽然能量较弱，但周期分布比较明显，几乎贯穿整个研究时域（1998―2016年）；草海BOD演变时间序列中存在3个较为明显的峰值，依次对应3 a，10 a和16 a，最大峰值为10 a，表明此时间尺度的周期震荡最强，为草海BOD变化的第一主周期，3 a和16 a分别为第二与第三主周期，2011年为第二主周期与第一主周期的交界点，即产生突变，这 3个周期的波动控制着整个时域内草海BOD的变化特征。

图5　水质Morlet小波周期分析Fig.5　Water quality cycle analysis results using morlet

其余各水质参数的周期性分析结果如表 4所示，外海和草海的 CODMn呈现相同的周期，而 BOD、Chla和TN均呈现长短交替的主周期。

外海Chla的第一主周期最长（16 a），且第二主周期也处于较长周期（9 a），表明外海Chla总体的更迭较为稳定；草海Chla的第一主周期较长（10 a），第二主周期较短（3 a），表明草海Chla总体处于较稳定状态，但存在较活跃的震荡，由此可得，草海区域受到蓝藻爆发的威胁大于外海。草海和外海BOD和草海DO的突变发生在空间影响力 G增长速度变缓之前，其余指标均于2008−2010年间产生突变，且在2013年G突变期间，各水质参数在该时期内均呈现出一致的变化趋势，表明各水质参数对空间影响力G的变化较敏感，呈现出一致的变化趋势。

表4　周期性分析统计表Table 4　Water quality cycle analysis statistics results

3　结论与讨论

1）滇池流域不透水表面呈快速扩张趋势，通过了α=0.001的显著性检验，近30 a来接近一半的流域面积土地利用类型发生了改变，2017年流域自然地表约占59%，高密度城区覆盖率约占12.05%；同时定量计算了各子流域不透水表面覆盖率对滇池水质的空间影响力，最终得到滇池流域不透水表面覆盖率对滇池水质的空间影响力；

2）在国家“一带一路”战略、云南省“南延、北拓”、“一湖四片”、“城镇上山”等城市发展与建设战略等政策驱动下，滇池流域发展成为具有昆明主城区、空港主城区、呈贡主城区、晋宁主城区 4个主城区，城市建设呈现出以滇池流域为中心辐射蔓延，除了西面地形因素限制（西山）外，城市包围了整个滇池；

3）滇池水质一方面受气候环境的影响呈现出周期性波动的特征，另一方面受滇池流域不透水表面扩张影响显著。外海区域的 DO、BOD、CODMn、TN、Chla、TP通过了α = 0.05的显著性检验，草海区域的COD、CODMn、Chla、TN、BOD通过了α = 0.05的显著性检验。同时，当空间影响力G在2013年产生波动的过程中，各水质参数表现出了相同的变化趋势，各水质参数对空间影响力G的变化较敏感。

4）2013年前，金汁河子流域进行了城中村拆迁，导致金汁河子流域不透水表面覆盖率减少，2013年后，金汁河子流域在拆迁的区域进行了大规模的建设与发展，不透水表面覆盖率剧增。由于金汁河子流域距离滇池最近，该子流域占总流域空间影响力G的比例最大，造成了这一时期的空间影响力G产生突变。

[参考文献]

[1] Forman R T, Wu J. Where to put the next billion people[J].Nature, 2016, 537(7622): 608－611.

[2] Liu X, Ma L, Li X, et al. Simulating urban growth by integrating landscape expansion index (LEI) and cellular automata[J]. International Journal of Geographical Information Science, 2014, 28(1): 148－163.

[3] Schneider A, Chang C, Paulsen K. The changing spatial form of cities in Western China[J]. Landscape & Urban Planning,2015, 135: 40－61.

[4] Pickett S T, Cadenasso M L, Grove J M, et al. Urban ecological systems: scientific foundations and a decade of progress.[J]. Journal of Environmental Management, 2011,92(3): 331.

[5] Han L, Zhou W, Li W. Increasing impact of urban fine particles (PM2.5) on areas surrounding Chinese cities[J].Scientific Reports, 2015, 5.

[6] World Urbanization Prospects: The 2014 Revision[R]. 2014.

[7] Schneider A. A new map of global urban extent from MODIS satellite data[J]. Environmental Research Letters, 2009, 4(4):44003－44011.

[8] Chithra S V, Nair M V H, Amarnath A, et al. Impacts of impervious surfaces on the environment[J]. International Journal of Engineering Science Invention, 2015, 4(5):2319–6726.

[9] Deng C, Wu C. Examining the impacts of urban biophysical compositions on surface urban heat island: A spectral unmixing and thermal mixing approach[J]. Remote Sensing of Environment, 2013, 131: 262–274.

[10] Chester L Arnold Jr, Gibbons C J. Impervious surface coverage: The emergence of a key environmental indicator[J].Journal of the American Planning Association, 1996, 62(2):243－258.

[11] Weng Q. Remote sensing of impervious surfaces in the urban areas: Requirements, methods, and trends[J]. Remote Sensing of Environment, 2012, 117(2): 34－49.

[12] Song X P, Sexton J O, Huang C, et al. Characterizing the magnitude, timing and duration of urban growth from time series of Landsat-based estimates of impervious cover[J].Remote Sensing of Environment, 2016, 175: 1－13.

[13] Forman R T T, Wu T, et al. Where to put the next billion people[J]. Nature, 2016, 537(7622): 608.

[14] Brabec E, Schulte S, Richards P L. Impervious surfaces and water quality: A review of current literature and its implications for watershed planning[J]. Journal of Planning Literature: Incorporating The CPL Bibliographies, 2002,16(4): 499－514.

[15] Liu Z, Wang Y, Li Z, et al. Impervious surface impact on water quality in the process of rapid urbanization in Shenzhen,China[J]. Environmental Earth Sciences, 2013, 68(8): 2365－2373.

[16] Khan H H, Khan A, Ahmed S, et al. GIS-based impact assessment of land-use changes on groundwater quality:Study from a rapidly urbanizing region of South India[J].Environmental Earth Sciences, 2011, 63(6): 1289－1302.

[17] Morse C C, Huryn A D, Cronan C. Impervious surface area as a predictor of the effects of urbanization on stream insect communities in Maine, USA[J]. Environmental Monitoring& Assessment, 2003, 89(1): 95－127.

[18] Moring J B. Effects of urbanization on the chemical, physical,and biological characteristics of Small Blackland Prairie Streams in and Near the Dallas-Fort Worth Metropolitan Area, Texas[R]. Scientific Investigations Report, 2009.

[19] Xian G, Crane M, Su J. An analysis of urban development and its environmental impact on the Tampa Bay watershed[J].Journal of Environmental Management, 2007, 85(4): 965－76.

[20] Conway T M. Impervious surface as an indicator of pH and specific conductance in the urbanizing coastal zone of New Jersey, USA[J]. Journal of Environmental Management, 2007,85(2): 308－316.

[21] Schueler T R. The importance of imperviousness[J].Watershed Protection Techniques, 1994, 1(3): 100－111.

[22] Weng Q. Remote sensing of impervious surfaces in the urban areas: Requirements, methods, and trends[J]. Remote Sensing of Environment, 2012, 117(2): 34－49.

[23] Ridd M K. Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing[J]. International Journal of Remote Sensing,1995, 16(12): 2165－2185.

[24] Wu C, Murray A T. Estimating impervious surface distribution by spectral mixture analysis[J]. Remote Sensing of Environment, 2003, 84(4): 493–505.

[25] Luo Y, Yang K, Yu Z, et al. Dynamic monitoring and prediction of Dianchi Lake cyanobacteria outbreaks in the context of rapid urbanization[J]. Environmental Science &Pollution Research, 2017, 24 (6): 5335－5348.

[26] 杨昆，罗毅，徐玉妃，等. 基于无线传感器网络与GIS的蓝藻水华爆发动态监测与模拟[J]. 农业工程学报，2016，32(24)：197－205.Yang Kun, Luo Yi, Xu Yufei, et al. Dynamic monitoring and simulation of Cyanobacteria Bloom based on wireless sensor network and GIS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(24): 197－205. (in Chinese with English abstract)

[27] Luo Y, Yang K, Shi Y, et al. Research of radiosonde humidity sensor with temperature compensation function and experimental verification[J]. Sensors & Actuators A Physical,2014, 218: 49－59.

[28] Wei G, Feng Y, Li Y, et al. New insights into the source of decadal increase in chemical oxygen demand associated with dissolved organic carbon in Dianchi Lake[J]. Science of the Total Environment, 2017, 603/604: 699－708.

[29] Song D, Bai X. Distribution of phosphorus and nitrogen in the sediments of the North Bay in Dianchi Lake[J].Environmental Engineering Science, 2016, 33(8) 563－570.

[30] Tobler W R. A Computer movie simulating urban growth in the detroit region[J]. Economic Geography, 1970, 46(Supp 1):234－240.

[31] Harvey J Miller. Tobler's first law and spatial analysis[J].Annals of the Association of American Geographers, 2004,94(2): 284–289.

[32] 刘瑜，龚俐，童庆禧. 空间交互作用中的距离影响及定量分析[J]. 北京大学学报(自然科学版)，2014，50(3): 526－534.Liu Yu, Gong Li, Tong Qingxi. Quantifying the distance effect in spatial interactions[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014, 50(3): 526－534. (in Chinese with English abstract)

[33] Atta-ur-Rahman, Dawood M. Spatio-statistical analysis of temperature fluctuation using Mann–Kendall and Sen’s slope approach[J]. Climate Dynamics, 2017, 48(3/4): 1－15.

[34] 孙金岭，何元庆，何则，等. 基于Morlet小波的清代民国河西走廊洪涝灾害与气候变化研究[J]. 干旱区资源与环境，2016，30(1): 60－65.

[35] Chao N I, Yang S, Luo Y, et al. The spatial-temporal difference analysis of cultivated land use intensity in Heilongjiang province based on circular economy[J].Geographical Research, 2015, 34(2): 341－350.

[36] 杨昆，陈俊屹，罗毅，等. 滇池流域不透水表面扩张监测与时空过程分析[J]. 仪器仪表学报，2016，37(12)：2717－2727.Yang Kun, Chen Junyi, Luo Yi, et al. Monitoring and spatial-temporalprocess analysis of Dianchi basin impervious surface expansion[J]. Chinese Journal of Scientific Instrument, 2016, 37(12): 2717－2727. (in Chinese with English abstract)

[37] Fu P, Weng Q. A time series analysis of urbanization induced land use and land cover change and its impact on land surface temperature with Landsat imagery[J]. Remote Sensing of Environment, 2016, 175(4): 205－214.