POI空间密度与城市森林景观格局的关系

杨金明 周正广 刘昭福

摘要： 文章在进行精细城市森林斑块提取基础上，利用公里网格空间划分方法，分析POI（points of interest）空间分布密度与城市森林景观格局指数之间的关系，并借助地理加权回归模型GWR（Geographically Weighted Regression）进行空间异质性分析。研究结果表明：1）POI空间密度与城市森林斑块个数NP、斑块密度PD、边缘密度ED、邻接度指数CONTIG、周长面积分维比指数PAFRAC 5种景观格局指数呈显著正相关关系，与平均斑块面积AREA和聚集度指数AI呈负相关关系;2）POI每平方公里增加1个点，NP，PD和ED将分别增加0.209，0.190和0.118，而AREA和AI分别减少0.001和0.002;3）POI空间密度与森林景观格局的关系具有显著空间异质性。研究结果可为城市森林效益最大化，以及更高频次地服务城市居民提供新的优化视角。

关键词： 城市森林，景观格局指数，POI，植物多样性， ArcGIS，GWR

DOI： 10.12169/zgcsly.2020.07.04.0002

The Relationship between POI Spatial Density and Urban

Forest Landscape Pattern

Yang Jinming1，4Zhou Zhengguang2Liu Zhaofu3

（1.School of Landscape Architecture and Forestry， Qingdao Agriculture University， Qingdao 266109， Shandong， China;

2.Forestry Development Center， Chengyang District，Qingdao 266109， Shandong， China;

3.Qingdao Gaocheng Weilin Forestry Planning Co.， Ltd.，Qingdao 266109， Shandong， China;

4.Shanghai Key Lab of Urban Ecological Processes and Eco-Restoration，Shanghai 200241， China）

Abstract： Based on the delineation of fine-resolution urban forest patches， this study analyzes the correlation between the spatial distribution density of the points of interest （POI） and the urban forest landscape metrics using grid cells division method， and then conducted the spatial heterogeneity analysis using the geographically weighted regression（GWR） model. The results show that： 1）The spatial density of POI is significantly positively correlated with the number of patches （NP）， patch density （PD）， edge density （ED）， contiguity index （CONTIG） and perimeter-area fractal dimension index （PAFRAC）， and is significantly negatively correlated with mean patch area （AREA） and aggregation index （AI）; 2）the NP， PD and ED will increase by 0.209， 0.190 and 0.118 respectively， whereas the AREA and AI will decrease by 0.001 and 0.002 respectively， if the POI increases by 1 point per square kilometer; 3） the relationship between the POI spatial density and urban forest landscape pattern has a significant spatial heterogeneity. The study provides a new optimized perspective for maximizing urban forest benefits and offering a higher-frequency service for citizens.

Keywords：urban forest， landscape metrics， points of interest （POI）， plant diversity， ArcGIS， geographically weighted regression （GWR）

城市森林是城市生態系统的重要组成部分[1-2] 。研究城市森林的景观格局及其影响因素有助于城市绿色基础设施的优化设计[3] 。国内外相关研究普遍认为城市化进程会导致城市森林的破碎化。Lv等[4] 研究发现，随着城市化强度的增强，城市森林的斑块面积减少，斑块密度和景观形状指数升高，说明从郊区到市中心过程中，城市森林被分离和打散。Zhou等[5] 通过对中国6大都市区的林地变化的对比分析，发现城市扩张是导致森林减少和破碎化的主要原因，尤其是在长株潭、珠三角和成都-重庆大都市区域。城市森林的破碎化会影响城市景观的美感度和森林生态系统服务，比如休闲服务功能、生物多样性保护及固碳效益等。因此，对城市森林连通性和聚集度的改进研究显得尤为必要。然而，鉴于遥感影像分辨率的问题以及对城市森林规模的限定[6] ，多数研究只分析了城市中面积较大的森林斑块，否定了小斑块在城市森林生态系统中的作用[7-8] ， 但是城市森林具有高度破碎化的特点，超过60%的绿地斑块小于0.1 hm2[9] 。因此，亟待利用精细尺度的城市森林斑块进行更精准的城市森林景观格局分析。

POI（points of interest）是人们感兴趣或者认为有用的特定点位置，属于地理信息系统范畴中的概念，是指可以抽象为点的地理对象，尤其是一些与人们生活密切相关的地理实体，如学校、银行、餐馆、医院、超市、公交站等[10] 。随着大数据时代的来临，POI数据被广泛应用于土地利用分类、人口密度分析、旅游出行以及共享单车等方面的研究[11-12] ，其与城市用地属性和人口流动具有高度的相关性[13] 。人们感兴趣的地方往往也是人口与人工景观高度密集的区域，这些因素会对城市森林的空间布局产生影响[14] 。因此，商铺的周围一般不会有高大的乔木，风景区则林木覆盖度较高，学校和居住区树种丰富，而医院的优势树种则多是能够挥发杀菌素以净化空气、利于身心健康的植物[15] 。但是，目前还没有发现POI密度与城市森林景观格局之间关系的研究。城市居民日常活动的区域大部分集中在POI附近，这些区域的森林生态服务如滞尘、美化环境和保健等功能与居民关系最为密切。研究POI密度与城市森林景观格局之间的关系，可为城市森林效益最大化提供新的优化方案视角。

1 研究区概况与研究方法

1.1 研究区概况

本文选取青岛市市南区、市北区、李沧区、崂山区中韩街道作为研究区域（图1），坐标位于北纬35°50′～36°30′，东经120°00′～120°30′，总面积约250 km2 。研究区内主要地貌类型为丘陵，地势东高西低，分布信号山、浮山、观象山、青岛山、北岭山和嘉定山等自然山体。气候属于温带季风气候，空气湿润，降水适中，雨热同季，四季變化明显。年平均气温13 ℃，年平均降水量664.1 mm。

1.2 研究方法

本文将以公里网格为单元，统计并分析单元内精细城市森林斑块景观格局指数与POI空间密度之间的空间关系，实现步骤包括精细城市森林斑块提取及公里网格单元内景观格局指数计算、POI空间分布密度计算及空间相关关系分析等，具体过程如下：

1） 城市森林斑块提取。从Google地球上分幅下载研究区1m分辨率遥感影像。影像拍摄时间为2018年6—10月和2019年7—10月。利用面向对象和人工目视解译相结合的方法，分类并提取城市森林斑块。为了研究城市森林斑块的精细特征，将提取的最小斑块设定为0.001 hm2 。

2）POI数据处理。首先，利用API从高德地图下载时间为2019年12月31日的研究区POI数据，共获得14类82 978个POI点;然后，利用ArcGIS软件中的核密度分析方法计算所有POI点的空间分布密度图，并建立研究区公里网格;最后，统计每个网格的POI点密度。

3） 景观格局指数计算。利用Fragstats软件计算每个网格的森林斑块景观格局指数。根据前人研究结果，筛选7个常用的指数，即斑块个数NP（Number of Patches）、斑块密度PD（Patch Density）、边缘密度ED（Edge Density）、平均斑块面积AREA（Mean Patch Area）、平均邻接度CONTIG（Mean Contiguity Index）、周长面积分维比PAFRAC（Perimeter-Area Fractal Dimension）、聚集度指数AI（Aggregation Index）。

4）统计分析。以公里网格为基本单元，利用SPSS软件对POI密度和城市森林景观格局指数进行Pearson相关性分析和单一变量逐步回归分析，研究POI空间密度与城市森林景观空间配置之间的关系。为了分析POI空间密度与城市森林景观格局之间关系的空间异质性，利用ArcGIS建立POI密度和各景观格局指数之间的地理加权回归分析模型（Geographically Weighted Regression， GWR）。

2 结果与分析

2.1 青岛市主城区城市森林空间分布

研究区城市森林具有明显的聚集性分布特点，东北部、南部、东部及崂山区的西南部森林斑块面积较大，市北区和市南区东部的森林斑块较破碎（图1）。森林斑块在中山公园、浮山、信号山等城内丘陵区域分布较多。研究区大于0.001 hm2 的森林斑块数为46 300个，总面积为 6 225.6hm2 （占研究区总面积的24.9%），其中，小于0.1 hm2 的斑块数为41 178个（占斑块总数的88.9%），面积711.6 hm2 （占斑块总面积的11.4%）。

2.2POI空间密度与城市森林景观格局的关系

POI空间分布密度区域差异性较大，其中，西南部区域密度最大，可达1 897点/km2 ;北部及东部区域密度较小（图2）。

2.2.1POI空间分布密度与城市森林景观格局 指数 的相关性

在7种景观格局指数中，NP，PD，ED，CONTIG，PAFRAC 5种景观格局指数与POI分布密度呈显著正相关关系，其中，斑块数量与POI密度相关性最为显著，为0.534;邻接度与POI密度相关性最小，为0.087。其余2种景观格局指数（AREA斑块面积和AI聚集度指数）与POI分布密度呈负相关关系，相关系数分别为-0.181和-0.137。

2.2.2POI空间分布密度与城市森林景观格局 指数 的函数关系

在POI分布密度与城市森林景观格局指数之间的逐步回归分析中，邻近度指数CONTIG被剔除。POI分布密度对景观格局指数的解释能力总体不强（调整后的 R2  值较小），除了对城市森林斑块个数和斑块密度的解释能力较高（分别为0.282和0.212）之外，对其余景观格局指数的解释能力均小于0.1。

从建立的线性模型看，每平方公里中POI每增加1个点，城市森林斑块个数NP、斑块密度PD和边缘密度ED将分别增加0.209，0.19和0.118，而森林斑块平均面积AREA和聚集度指数AI分别减少0.001和0.002，周长面积比指数PAFRAC基本保持不变。

2.2.3POI空间分布密度与城市森林景观格局 关系 的空间异质性

POI分布密度与城市森林景观格局指数的GWR回归模型拟合优度（调整 R2  ）较高，其中，POI空间分布密度与森林斑块个数NP、斑块密度PD、边缘密度ED和聚集度指数AI的拟合优度分别达到了0.709，0790，0.664和0.629，模型的解释能力是相应线性回归模型解释能力的2倍以上。这说明POI空间分布密度对森林景观格局的影响具有显著的空间异质性。

POI空间分布密度与景观格局指数GWR回归模型系数空间分布分析结果（图3）表明，POI空间分布密度与城市森林景观格局指数的相关性具有显著的空间异质性。除AREA和AI外，其余指数与POI分布密度在研究区东北部呈现显著正相关，在李沧区和崂山区中韩街道呈现负相关，在市南区和市北区的相关性较小。PAFRAC和CONTIG在研究区东部与POI分布密度呈现显著正相关。说明POI空间分布密度更容易对城市后发展区域产生影响。相反，POI分布密度与城市森林斑块平均面积AREA在研究区东北部呈负相关，在其他区域以正相关为主。

3 结论与讨论

3.1 结论

本文利用相关性分析和地理加权回归模型（GWR）分析POI空间分布密度与城市森林景观格局指数之间的关系，得出如下结论：1）POI空间密度与景观格局指数NP，PD，ED，CONTIG和PAFRAC呈显著正相关关系，与AREA和AI呈负相关关系，说明POI越多，城市森林斑块越破碎、边缘越复杂;2）地理加权回归模型（GWR）显示，POI分布密度对城市森林景觀格局指数的拟合优度（调整 R2  ）较高，对NP，PD，ED和AI的解释能力均高于0.6，说明POI空间分布密度与森林景观格局的关系具有显著空间异质性。

3.2 讨论

POI是伴随城市化进程而产生的，其空间密度的大小反映了一个地方的城市化水平。本文对青岛市主城区POI空间分布密度与城市森林景观格局关系的研究结果表明城市化会导致城市森林的破碎化，这一结论已被许多研究者从不同的角度所证实[16-18] 。城市人口的聚集，改变了原有的土地利用格局，对城市森林的大小和分布都造成了较大的干扰，导致城市森林的分布不均匀和破碎化，进而显著降低其生态效益的发挥。因此，在城市化进程中，城市规划决策者应该协调好人工硬质景观和原有森林景观之间的关系，注意大斑块森林的保护以及森林斑块之间的连通，并适当营造一些大的公园，提升城市森林的生态效益[18] 。

此外，本研究也存在一些不足。本文未考虑POI及城市森林斑块在时间尺度上的变化，今后的研究中可分析POI时间变化与城市森林斑块变化之间的关系，以期找到二者之间更密切的联系。同时，除POI之外的诸多指标都可以用来表征城市化水平， 如路网密度、人口密度等，应考虑尽可能多的因子，分析并比较这些因子对城市森林景观格局的影响。

参考文献

[1]王成，蔡春菊，陶康华.城市森林的概念、范围及其研究[J].世界林业研究，2004，17（2）：23-27.

[2]MOURATIDIS K.The impact of urban tree cover on perceived safety[J].Urban Forestry and Urban Greening，2019，44：126434.

[3]ZHANG D，WANG W J，ZHENG H F，et al.Effects of urbanization intensity on forest structural-taxonomic attributes，landscape patterns and their associations in Changchun，Northeast China：implications for urban green infrastructure planning[J].Ecological Indicators，2017（80）：286-296.

[4]LV H L，YANG Y B，ZHANG D，et al.Perimeter-area ratio effects of urbanization intensity on forest characteristics，landscapepatterns and their associations in Harbin City，Northeast China[J]. Urban Ecosystems，2019，22（4）：631-642.

[5]ZHOU W Q，ZHANG S，YU W J，et al.Effects of urban expansion on forest loss and fragmentation in six megaregions，China[J].Remote Sensing，2017，9（10）：991.

[6]刘常富，李海梅，何兴元，等.城市森林概念探析[J].生态学杂志，2003，22（5）：146-149.

[7]REN Z B，DU Y X，HE X Y，et al.Spatiotemporal pattern of urban forest leaf area index in response to rapid urbanization and urban greening[J].Journal of Forestry Research，2018，29（3）：785-796.

[8]REN Z B，HE X Y，ZHENG H F，et al.Spatio-temporal patterns of urban forest basal area under Chinas rapid urban expansion andgreening：implications for urban green infrastructure management[J]. Forests，2018，9（11）：721.

[9]ZHOU W Q，WANG J，QIAN Y G，et al.The rapid but “invisible” changes in urban greenspace：a comparative study of nine Chinese cities[J].Science of the Total Environment，2018，627：1572-1584.

[10] GAO R，LI J，DU B，et al.Exploiting geo-social correlations to improve pairwise ranking for point-of-interest recommendation[J].China Communications，2018，15（7）：180-201.

[11]YU Z W，XU H，YANG Z，et al.Personalized travel package with multi-point-of-interest recommendation based on crowdsourced user footprints[J].IEEE Transactions on Human-Machine Systems，2016，46（1）：151-158.

[12]YANG F，DING F，QU X，et al.Estimating urban shared-bike trips with location-based social networking data[J].Sustainability，2019，11（11）：3220.

[13]ZHANG T Q，SUN L S，YAO L Y，et al.Impact analysis of land use on traffic congestion using real-time traffic and POI[J].Journal of Advanced Transportation，2017：1-8.

[14]FAN C，JOHNSTON M，DARLING L，et al.Land use and socio- economic determinants of urban forest structure and diversity[J]. Landscape and Urban Planning，2019，181：10-21.

[15]李曉婷，刘佳，姜莎莎，等.北京城区医院绿地林木树冠覆盖与城市森林结构分析[J].生态学报，2019，39（22）：8392-8403.

[16]鲁敏，罗晓楠，王永华，等.济南城市森林景观生态格局[J].应用生态学报，2019，30（12）：4117-4126.

[17]戴菲，杨超，徐亚如，等.基于POI点数据的武汉汉阳区绿道线路选择[J].中国城市林业，2020，18（6）：26-31.

[18]YANG J M，LI S M，LU H C.Quantitative influence of land-use changes and urban expansion intensity on landscape pattern in Qingdao，China：implications for urban sustainability[J].Sustainability，2019，11（21）：6174.