城市绿地系统进化特征及驱动机制分析

摘要：【目的】基于资源约束趋紧、用地集约发展的现状，分析城市绿地系统的生态、社会和经济功能，探讨其进化特征及深层驱动机制，为城市用地的高效配置、城市建设的决策支持提供依据。【方法】选择河南省许昌市为研究对象，以2010、2014、2019年为研究时间节点，采用回溯法镶嵌土地利用模拟模型，结合随机森林（RF）回归从政策因素、自然因素、社会经济因素等方面解析城市绿地系统进化的驱动机制。【结果】①2010—2019年，许昌市城市绿地系统的空间进化趋势与城市规划政策的引导基本保持一致，主要向东北和北方向发展。②规划政策对于城市绿地系统的影响机制可能是积极的保护，也可能是消极的侵蚀；基于未来土地利用变化模拟模型，可反馈规划政策的作用机制，并建立政策失效的分析框架。③社会经济因素对乡镇级别城市绿地系统的面积变化和景观格局指数变化影响较为显著，自然因素的影响较小，尤其对位于平原地区的许昌市而言，地形的影响最微弱；景观格局指数斑块密度（PD）能较好反映城市绿地景观格局与各驱动因素之间的相关性。【结论】规划政策因素为城市绿地系统进化的导向驱动，社会经济因素为城市绿地系统进化的直接驱动，而自然环境因素的驱动作用相对较弱；城市绿地系统进化驱动机制的探讨是增强新国土空间规划体系下城市绿地系统专项规划科学性、前瞻性的必要途径。

关键词：城市绿地系统；进化特征；驱动机制；社会经济因素；政策因素；许昌市

中图分类号：TU986 文献标志码：A开放科学（资源服务）标识码（OSID）：

文章编号：1000-2006（2024）03-0275-10

The evolution and driving mechanism of urban green space system： a case study of Xuchang City， Henan Province， China

LIU Jie¹，ZHANG Lang^1*，ZHANG Qingping^2*

（1.Shanghai Academy of Landscape Architecture Science and Planning，Shanghai 200232，China；2.College of Landscape Architecture，Nanjing Forestry University，Nanjing 210037，China）

Abstract：【Objective】 Owing to tighter resource constraints and intensive land development， we analyzed the ecological， social， and economic functions of urban green space system （UGSS）， and determined its evolutionary characteristics and driving mechanism. To provide a basis for efficient urban land allocation and decision-making support for urban construction. 【Method】 Xuchang City （Henan Province） was selected as a case study， using time nodes data from 2010， 2014 and 2019. We applied the backtracking method with a land use simulation model and random forest regression; driving factors such as policy， natural and socioeconomic factors were analyzed. 【Result】 （1） From 2010 to 2019， Xuchang’s UGSS developed from the northeast and north， which was consistent with the guidance of urban planning policies. （2） The impact of planning policy on UGSS could either be positive protection or negative erosion. The GeoSOS-FLUS model and the backtracking method could simulate the changes in the UGSS， which could then be used to determine the impacts of the planning policy and establish an analytical framework for policy failure. （3） Socioeconomic factors had a significant impact on changes in the areas of township-level UGSS and the landscape pattern index， whereas natural factors had lower impacts. In Xuchang， which located on a plain， topography， had the smallest impact on changes in UGSS. The patch density changes in the UGSS had a high goodness of fit with each driving factor， which reflects the correlations between the UGSS landscape pattern and its driving factors. 【Conclusion】 Planning policy is the guiding driver of changes in UGSS， whereas socioeconomic factors directly drive changes in UGSS and natural factors have relatively little impact. Determining the evolution law of UGSS is necessary for enhancing scientific and forward-looking planning for UGSS under the new territorial spatial planning system.

Keywords：urban green space system; evolution characteristics; driving mechanism; socioeconomic factors; policy factors; Xuchang City， Henan Province

在新的国土空间规划背景下，城市绿地系统规划是市县级国土空间总体规划中涉及绿地空间利用的专项规划，是落实总体规划空间意图的细化和深化，需要与总体规划相互协调并做好衔接，促进“多规合一”的实施。城市绿地系统进化耦合于城市用地变化，即城市绿地系统的建设以满足人民群众日益增长的美好生活需求为目标，在发挥生态、游憩服务供给、景观、防护等功能的同时，参与城市用地平衡^[1-2]。城市是以人为主导的，融合社会系统、经济系统和自然系统的复合生态系统^[3]。城市化进程中，城市绿地系统作为城市复合生态系统的重要组成部分，其进化过程受综合因素的共同影响^[4-5]。

国内关于城市绿地系统的驱动机制研究，经历了由定性分析到基于模型定量分析的过程。有学者将驱动因素主要归纳为系统内部非线性作用以及外部因子（如基础动力、公共政策、城乡关系、生态资源利用方式等）的共同促进^[6-8]，研究模型包括PLSR模型^[9]、空间计量模型^[10]、人口-绿地面积异速增长系数^[11]、MSPA与混淆矩阵^[12]等。城市用地语境下，城市绿地系统作为城市用地类型之一参与不同用地类型之间的转移^[13-15]，如有学者引入“脱钩”理论与模型探讨公园绿地与人口、建设用地之间的耦合关系^[16]。国际层面，在欧洲，城市绿地（urban green space）作为“基于自然的解决方案”（nature-based solution）重要组成部分，已经成为环境政策的研究前沿，绿地发展与社会凝聚力、经济竞争力、气候适应性等互为助力^[17]。有学者开发基于代理的（agent-based）城市增长模型，在基准情景、经济优先情景和环境保护情景下直观展示模拟城市化进程中社会经济驱动因素对未来城市景观变化的影响^[18]，研究的驱动影响因素包括人口分布密度与财富积累^[19]、广泛的城市景观战略与开放空间、生物多样性以及气候^[20]、林地自然条件以及对生活环境的公众意识^[21]等。分析认为，国内外研究多聚焦超大城市、省域或城市群尺度，对于精细化层面的数据完整性或非平衡数据处理存在一定的局限性；国内驱动因素的选取倾向自然科学领域，国际层面对于驱动因素在人文社会科学方面的考虑更为全面，但对于政策驱动的研究以定性分析为主，借助模型构建政策作用机制的研究正在探索阶段^[22]。因此，本研究基于乡镇级别的城市绿地面积以及空间异质性变化，采用回溯法（backtracking method，BTM）镶嵌土地利用模拟模型（GeoSOS-FLUS），结合随机森林（random forest，RF）算法，以河南许昌市近10年城市绿地系统快速发展为研究对象，分别从政策的作用机制、自然和社会经济的影响方面，揭示许昌市主城区2010—2019年城市绿地系统进化的深层驱动机制，以期为未来城市绿地系统的合理布局、规划政策的科学制定、城市可持续发展提供参考依据。

1 材料与方法

1.1 研究区概况

许昌市地处中原腹地（113°03′～114°19′E，33°42′～34°24′N），处于伏牛山余脉向豫东平原过渡地区，东西长117 km，南北宽53 km。全市总面积4 996 km²，属暖温带大陆性季风气候区，年均气温14.3～14.6 ℃，逐月气温走势为1—7月升温，7月至次年1月呈降温趋势。许昌市地势西北高、东南低，地面坡降在1/100～1/2 000；水资源总量多年平均9.01×10⁸ m^3[23]。本次研究区域为许昌市主城区的规划用地范围，北至北苑大道，东面以新107国道为界，南至兰南高速，西面以省道227和三洋铁路为界，涵盖439 km²。许昌市主城区内仅魏都区和建安区两个区，因此，以乡镇为单位进行绿地空间面积变化的统计。

1.2 数据来源

1.2.1 城市绿地及城市用地数据

城市绿地资料来源：①近年来高分辨率生长季的Google影像（分辨率0.23 m），包括许昌市2010、2014、2019年3个时相的影像；②不同时期所编制的城市总体规划和城市绿地系统规划，收集城市绿地结构布局图纸和相关数据资料，图纸进行矢量化处理。城市土地利用数据包括，许昌市2010、2019年的土地利用现状图，土地利用现状图由2010、2019年的Google影像结合规划文件校正，获取土地利用分布图（分辨率10 m×10 m）。

1.2.2 城市绿地系统进化驱动因素数据

城市绿地进化驱动因素基础数据主要包括规划政策、自然地理因素和社会经济因素3个方面。规划政策数据来源是许昌市政府网站（http：//www.xuchang.gov.cn/），许昌市自然资源和规划局（http：//zrzyhghj.xuchang.gov.cn/），许昌市城市管理局（http：//cgj.xuchang.gov.cn/）等；研究选取许昌市主城区的年平均气温（℃）、年平均降水量（mm）等作为对绿地进化作用的自然地理因素进行分析，数据来源主要是各气象站统计数据和空间数据；社会经济因素主要数据来源是许昌市历年的国民经济和社会发展统计公报、统计年鉴以及河南省的统计年鉴。

1）规划政策。考虑到规划政策对于城市土地利用变化的影响具有时间延续性，结合许昌市自然资源和规划局的公开资料，统计2005—2019年影响许昌市主城区土地利用变化的相关规划政策共24条（表1）。

规划政策涉及最新的国土空间规划背景、社会经济发展现状和生态环境发展需求，体现不同用地类型的开发模式、城市各用地类型之间的协调关系、生态空间和非生态空间的转化关系以及城市绿地的发展方向和具体的指标约束。

2）自然地理数据。自然地理数据的基础数据来源为中国气象局数据共享网（http：//www.icpba.cn/）。将河南省及周边省份的气候数据进行了插值分析，共获取河南省以及周边省份共计46个气象站点，高程（DEM）数据来自地理空间数据云（http：//www.gscloud.cn/），分辨率为30 m×30 m。数据处理采用ArcGIS和ANUSPLIN程序，经插值分析后，得到2010、2014和2019年的年均气温、年均降水量空间分布图。此外，本次研究区域地势平坦，选取地形因子的海拔，通过ArcGIS平台裁剪许昌市DEM影像，继而可获取研究区的高程分布。

3）社会经济数据。目前，获取高精度国内生产总值（GDP）存在一定的困难，且高精度GDP数据较难进行空间化表达^[24]。已有研究表明，遥感影像可以提供相对均一、连续以及独立的估计经济活动的数据源，如夜间灯光数据已应用于城镇化演化、经济增长、人口估算等相关研究中。其中，全球尺度、国家尺度、省域尺度以及城市尺度的相关研究已经证实了夜间灯光数据与经济活动之间存在的显著相关性^[25-26]。故本研究采用许昌市2010、2014和2019年主要区及县市的GDP，结合珞珈一号夜间灯光指数进行重采样，反演获取研究区域内的GDP分布。

1.3 研究方法

本研究中，规划政策的驱动分析基于城市绿地系统与其他不同城市用地之间的相互转化关系，反映的是绿地系统向外协调；自然和社会经济的驱动通过城市绿地系统本身的进化特征进行体现，反映的是绿地系统向内协同。驱动因素共同作用于城市绿地系统的空间特征，规划政策的驱动采用回溯法镶嵌土地利用模拟模型，自然和社会经济的驱动采用随机森林（RF）回归模型。

1.3.1 回溯法

回溯法（backtracking method，BTM）^[27]是一种优选搜索法，一般按照预定目标向前选择，并且选择优选路径达到目标，在试探性探索到原先选择并不优或达不到目标的情况下，可退回重新选择。研究采用Wang等^[22]提出的基于GeoSOS-FLUS和回溯法的模型，基于基准年（2010年）的用地现状，设置初始参数组合，模拟目标年（2019年）的城市用地分布，并与目标年（2019年）的实际城市用地分布进行模拟精度的对比，通过调整参数组合，使得最后模拟精度在±5%以内。对比初始参数组合和最终参数组合，分析政策的作用机制和政策失效的可能原因，以形成对规划政策的反馈机制。

将研究涉及的规划政策进行梳理和归类，根据所包含的要素是否以提供生态系统服务为主，归纳为生态空间（N）和非生态空间（UN）之间的相互转化关系。根据规划政策对于城市用地转化的作用程度分为直接影响（D）和间接影响（I），根据作用强度分为强等级（S）和弱等级（W），而根据政策作用的正向引导和负向抑制，可归类为正向（+）和负向（-）。不同强度土地利用变化的政策分配Q可以表示为：

Q=PM；（1）

其中：P=9，if政策约束影响为直接强影响（D-S）

5，if政策约束影响为直接弱影响/间接强影响（D-WorI-S）;

1，if政策约束影响为间接弱影响（I-W）（2）

M=1，if影响为直接影响-1，if影响为间接影响。（3）

按照“政策编号-作用强度（正负引导）”格式进行规划政策作用力的整理，结果见表2。

政策引导下的土地利用转换成本（V）矩阵中每个参数的赋值V′可表示为：

V=∑_k∈nijQ_kmax∑_k∈nijQ_k；（4）

if minV′≥0，V=V′；

if minV′lt;0，V=V′+minV′。（5）

式中：i是转出的用地类型；j为转入的土地利用类型；n_ij为i类土地利用类型转化为j类土地利用类型的一组政策编号；k为政策编号，1≤k≤24；Q_k表示相应的政策编号分配。V=0表示禁止用地转化，V=1表示允许用地转化，V∈（0，1）表示各用地类型从低到高的转化成本。

1.3.2 景观格局指数

根据景观格局指数的生态学意义，同时为避免冗余，研究选取了斑块类型层面的4个景观格局指数衡量城市绿地系统的空间特征。4个景观格局指数为：最大斑块指数（largest patch index，LPI）、面积加权平均周长面积比（area-weighted perimeter area ratio，PARA_AM）、斑块密度（patch intensity，PD）、斑块所占景观面积比例（percent of landscape，PLAND）。其中，LPI、PLAND可以表征景观面积特征，PARA_AM表征景观形状特征，PD可以表征景观离散程度。

1.3.3 随机森林算法（RF）

随机森林（random forest，RF）算法是由Breiman^[28]提出的一种基于分类树（classification tree）的算法，该算法需要进行模拟和迭代完成将变量使用和数据使用的随机化，以生成很多分类树，再汇总成分类树的结果，广泛应用于回归和分类。RF模型较其他回归模型，对多元共线性不敏感，且对缺失或非平衡数据处理较为稳定，执行效率较高^[29]。在RF回归模型分析中，常用均方误差增加率（increase in mean square-error，IncMSE）作为衡量因子重要性的指标，其值越大，因子（特征变量）的重要性越大。IncNode Purity是节点纯度的增加量，反映残差平方和（residual sum of square，RSS）减少量，表征变量重要性，其值越大，因子（特征变量）的重要性越大。

2 结果与分析

2.1 要素本体的进化特征

2.1.1 2010—2019年城市绿地系统的空间变化

研究区绿地系统整体空间分布不够均衡，2010—2014年的绿地面积增加了2.14 km²，增长率为20.95%；2014—2019年的绿地面积增长了5.95 km²，增长率为48.16%。2010—2014年和2014—2019年的城市绿地系统发展趋势较为一致，主要向东北和北方向发展，这与许昌市城市总体规划、城市绿地系统规划对于城市空间发展、绿地空间引导基本保持一致。

乡镇级别上，研究区共覆盖28个乡镇，其中22个乡镇有城市绿地的分布。在ArcGIS中统计2010—2014年，2014—2019年两个时间段内的城市绿地面积变化见图1。

由图1可知，2010—2014年，新兴街道、陈曹乡、文峰街道等的城市建设活动侵蚀了原有的绿地，使得绿地面积出现了减少的现象。2014—2019年，研究区城市绿地以增量为主，其中五女店镇、苏桥镇、半截河街道、高桥营街道的绿地建设活动较为活跃。2010—2019年，绿地面积增长最多的是五女店镇，总增长面积为2 811 km²，绿地面积减少最多的是新兴街道，总减少面积为181 km²。结合许昌市的城市总体规划、城市绿地系统规划等规划文件可得，规划与实际的城市建设活动及绿化建设成效存在一定的差异。

2.1.2 自然因素的进化特征

研究区年均气温和年均降水量的空间分布如图2所示。靠近主城区的中部和东部，年均气温较高，而西北部的温度相对较低。2010、2014、2019年的年均气温差异不大，有逐年增高的趋势。对于年均降水而言，西北部的年均降水量较高，中部降水偏低，并且降水呈逐年下降的趋势。2010年西北部、东部和南部的降水较多，2014年西北部的降水量较多，而2019年西北部和南部降水较多。

2.1.3 社会经济因素的进化特征

基于夜间灯光反演的2010—2019年许昌市主城区社会经济发展强度空间分布（30 m×30 m）如图2所示。由图2可知，许昌市下辖2区（魏都区、建安区）、2市（禹州市、长葛市）、2县（鄢陵县、襄城县）建设用地的夜间灯光强度较强，且呈逐年递增的趋势。夜间灯光数据的空间分布与城市扩张和城市开发强度密切相关，且随交通网络的分布呈现网络化的空间分布特征。

2.2 规划政策驱动机制

2.2.1 模拟参数的设置与调整

许昌市主城区2010年和2019年的土地利用现状图如图3a、3b所示。基于未来土地利用模拟模型FLUS的工作原理，水域和村镇建设用地不参与用地转换，因此，许昌市土地利用转换成本矩阵初始参数组合下的2019年城市土地利用模拟用地情景如图3c所示。

统计两种用地情景下不同土地利用类型的面积，包括绿地、农林用地、居住用地、工业用地和商服用地（考虑到水域和城镇建设用地的面积基本不变，此次研究不做面积统计），在尽可能接近目标情景的同时，尽可能少地对每个参数进行调整，以保证参数设置的实用价值和政策意义。模拟结果对比如表3所示，模拟误差为2019年用地面积与2010年对应用地面积之差除以后者，误差应在±5%以内，才能符合模拟精度要求。

2.2.2 规划政策的影响效应

整理有效政策和失效政策列表以及相对应的影响程度，将失效政策进行分类，共3种：①时间序列影响下的政策失效；②土地利用总量影响下的政策失效；③空间结构影响下的政策失效（表4）。值得探讨的是，在政府主导的规划背景下，城市规划政策、法规对于城市用地演化的影响起决定性的作用，但不是绝对性的影响因素。在复杂的城市生态系统中，规划政策起导向驱动的作用。

2.3 基于RF回归的城市绿地系统进化驱动因素

2.3.1 自然和社会经济因素对城市绿地系统空间面积变化影响的整体分析

2010—2019年许昌市自然和社会经济驱动因素的随机森林（RF）回归结果见表5。2010—2014年，自然和社会经济因子对乡镇级别城市绿地系统空间面积影响的重要性排序为国内生产总值（GDP）＞年均降水量（AAP）＞年均气温（AAT）＞高程（DEM），说明在该时段内，GDP对城市绿地系统面积变化的影响力较大，其次是AAP，二者IncMSE值分别约为6.30%和2.93%；AAT的IncMSE值约1.66%，DEM的IncMSE值约1.38%。2014—2019年，自然和社会经济因子对城市绿地系统影响的重要性排序为GDP＞AAT＞AAP＞DEM，说明在该时段内，GDP对城市绿地面积变化的影响比较大，其次是AAT，二者IncMSE值分别约为4.04%和3.60%，其次是AAP，约为3.51%，DEM的IncMSE值约1.60%。

2.3.2 自然和社会经济因素对城市绿地系统景观格局演化影响的分析

驱动因素与绿地景观格局指数的RF回归结果见表6。

通过对比4个景观指数与各驱动因子的RF回归分析可得，2010—2019年，影响PD、PARA_AM和PLAND演变的驱动因子重要性排序为：GDP＞AAT＞AAP＞DEM，其中，2010—2014年和2014—2019年PD的拟合优度分别为79%和73%。随着时间推移，AAP对于PD的影响有增强的趋势，GDP对于PLAND的影响随时间推移有减弱的趋势。影响LPI演变的驱动因子重要性排序在2010—2014年和2014—2019年分别为GDP＞AAP＞AAT＞DEM和GDP＞AAT＞AAP＞DEM，2个时段LPI的拟合优度分别是75%、68%。

3 讨 论

1）2010—2019年，城市绿地系统空间进化趋势与城市规划政策文件的引导方向基本一致，乡镇级别的城市绿地实际建设与规划有一定差异性；年均气温、年均降水量以及夜间灯光数据具有规律性的空间分异性。

2）规划政策对于城市绿地系统的影响机制可以是积极的保护，也可能是消极的侵蚀。城市用地的真实演化结果与规划政策中的指标约束很难保持一致。基于GeoSOS-FLUS模型的规划政策引导下的用地模拟结果可以通过模型参数调整改变模拟精度，从而反馈规划政策的作用机制，并建立政策失效的分析框架。

3）社会经济因素对城市绿地系统空间面积、乡镇级别城市绿地系统的景观格局指数的影响较为显著，自然因素的影响较不明显。R²表示自变量对因变量的解释能力，城市绿地空间的斑块密度（PD）变化与各驱动因素之间具有较高的拟合优度，该景观格局指数变化能较好反映城市绿地系统景观格局与各驱动因素之间的相关性。

面广量大的中小城市是中国城镇规模等级分布基础，也是统筹城乡发展、疏通大城市压力及改善生态环境质量的重要实践地。基于《国务院关于调整城市规模划分标准的通知》（国发〔2014〕51号）的人口规模等级界定，研究区间内，许昌市由中小城市发展为大城市，城市规模发展“突变”，本研究从地块出发既呈现了绿地系统进化的本体空间特征，又揭示了驱动因素的作用强弱，为城市绿地系统的精细化管理提供科学依据。研究涉及的方法体系具有普适性，可应用于不同规模等级城市的相关研究中。

本研究对于规划政策的驱动采用路径优化的方法，镶嵌土地利用变化模拟，建立地区土地规划政策有效性的分析框架，考虑到城市建设用地内部各土地利用类型处于动态变化中，基于GeoSOS-FLUS模型的参数调整达到相对理想值而非最优解，因此，后续可进一步研究参数调控的内在机制，探讨规划政策的实施效果；以市为研究单位的气象数据获取，未来在增加气象站点数量的基础上，可引入更多协变量；驱动因素的选取考虑了数据的可获得性及可视化，但实际上社会因素（如社会发展历史、生活方式、生态意识等）是最复杂的驱动因素，也需要考虑。此外，城市绿地系统进化的空间表征及测度方法、不同驱动因素之间的耦合影响机制需要进一步探究，从而更好地为城市绿地建设提供科学的决策支持。

参考文献（reference）：

[1]LIU J，ZHANG L，ZHANG Q P，et al．Spatiotemporal evolution differences of urban green space：a comparative case study of Shanghai and Xuchang in China[J]．Land Use Policy，2022，112：105824．DOI： 10.1016/j.landusepol.2021.105824.

[2]LIU J，ZHANG L，ZHANG Q P，et al．Predicting the surface urban heat island intensity of future urban green space development using a multi-scenario simulation[J]．Sustain Cities Soc，2021，66：102698．DOI： 10.1016/j.scs.2020.102698.

[3]王如松，欧阳志云．社会-经济-自然复合生态系统与可持续发展[J]．中国科学院院刊，2012，27（3）：337-345，403．WANG R S，OUYANG Z Y．Social-economic-natural complex ecosystem and sustainability[J]．Bull Chin Acad Sci，2012，27（3）：337-345，403．

[4]张浪，王浩．城市绿地系统有机进化的机制研究：以上海为例[J]．中国园林，2008，24（3）：82-86．ZHANG L，WANG H．A study on the mechanism of the organic evolution of urban green space system： with Shanghai as the example[J]．Chin Landsc Archit，2008，24（3）：82-86．DOI： 10.3969/j.issn.1000-6664.2008.03.018.

[5]张浪．城市生态网络规划原理[M]．北京：科学出版社，2021．ZHANG L．Principles of urban ecological network planning[M]．Beijing：Science Press，2021．

[6]金云峰，杨玉鹏，王俊祺，等．《城市绿地规划标准》实施背景下上海市域绿地系统自组织演化动力机制研究[J]．中国城市林业，2019，17（4）：31-36．JIN Y F，YANG Y P，WANG J Q，et al．A study on self-organizing evolution dynamic mechanism of Shanghai green space system in the administrative region of city under standard for planning of urban green space implementation background[J]．J Chin Urban For，2019，17（4）：31-36．DOI： 10.3969/j.issn.1672-4925.2019.00.043.

[7]张浪．上海绿地系统进化的作用机制和过程[J]．中国园林，2012，28（11）：74-77．ZHANG L．The mechanism of the organic evolution of the urban green space system of Shanghai[J]．Chin Landsc Archit，2012，28（11）：74-77．

[8]张浪．试论城市绿地系统有机进化论[J]．中国园林，2008，24（1）：87-90．ZHANG L．A study on the organic evolution theory of urban green space system[J]．Chin Landsc Archit，2008，24（1）：87-90．DOI： 10.3969/j.issn.1000-6664.2008.01.027.

[9]李方正，解爽，李雄．基于PLSR模型的北京市中心城绿色空间演变驱动机制研究（1992—2016年）[J]．北京林业大学学报，2019，41（4）：116-126．LI F Z，XIE S，LI X．Evolutionary driving mechanism of greenspace in central Beijing City based on the PLSR model[J]．J Beijing For Univ，2019，41（4）：116-126．DOI： 10.13332/j.1000-1522.20180250.

[10]宋爽，石梦溪，胡珊珊，等．东北地区中心城市城区蓝绿空间演化及驱动机制研究[J]．南京林业大学学报（自然科学版），2022，46（4）：221-229．SONG S，SHI M X，HU S S，et al．Evolutions and driving mechanisms of urban blue-green spaces in northeast China：a case study with the urban central district of Harbin City[J]．J Nanjing For Univ （Nat Sci Ed），2022，46（4）：221-229．

[11]尹上岗，杨山．长三角地区城市人口-绿地面积异速增长特征及驱动机制[J]．地理研究，2021，40（10）：2780-2795．YIN S G，YANG S．The characteristics and driving mechanism of allometric growth of urban population and green space area in the Yangtze River delta region[J]．Geogr Res，2021，40（10）：2780-2795．DOI： 10.11821/dlyj020201111.

[12]戴菲，毕世波，陈明，等．基于MSPA与混淆矩阵的绿地系统格局演化及其驱动因子研究：以伦敦为例[J]．中国园林，2020，36（11）：34-39．DAI F，BI S B，CHEN M，et al．Research on green space system pattern evolution and its driving factors based on MSPA and confusion matrix： taking London as an example[J]．Chin Landsc Archit，2020，36（11）：34-39．DOI： 10.19775/j.cla.2020.11.0034.

[13]史利江，王圣云，姚晓军，等．1994—2006年上海市土地利用时空变化特征及驱动力分析[J]．长江流域资源与环境，2012，21（12）：1468-1479．SHI L J，WANG S Y，YAO X J，et al．Spatial and temporal variation characteristics of land use and its driving force in Shanghai City from 1994 to 2006[J]．Resour Environ Yangtza Basin，2012，21（12）：1468-1479．

[14]罗文斌，楚雪莲，唐沛，等．城市公园用地增长的时空分异及其驱动因素：基于湖南省城市面板数据的实证分析[J]．经济地理，2021，41（12）：74-83．LUO W B，CHU X L，TANG P，et al．Spatial and temporal differentiation of urban park land growth and its driving factors：empirical analysis based on urban panel data of Hunan Province[J]．Econ Geogr，2021，41（12）：74-83．DOI： 10.15957/j.cnki.jjdl.2021.12.008.

[15]唐明贵，胡静，吕丽，等．贵州省生态游憩空间时空演化特征及其驱动因素[J]．生态学报，2022，42（21）：8594-8604．TANG M G，HU J，LÜ L，et al．Spatiotemporal evolution and driving forces of the ecological recreation space in Guizhou Province[J]．Acta Ecol Sin，2022，42（21）：8594-8604．DOI： 10.5846/stxb202112083490.

[16]刘志强，徐影秋，洪亘伟，等．中国城区公园绿地面积与人口数量、建设用地面积演变的脱钩关系研究[J]．中国园林，2021，37（2）：54-59．LIU Z Q，XU Y Q，HONG G W，et al．Decoupling relationship of the evolution of urban park green space area with population quantity and construction land area in Chinese urban areas[J]．Chin Landsc Archit，2021，37（2）：54-59．DOI： 10.19775/j.cla.2021.02.0054.

[17]RUTT R L，GULSRUD N M．Green justice in the city：a new agenda for urban green space research in Europe[J]．Urban For Urban Green，2016，19：123-127．DOI： 10.1016/j.ufug.2016.07.004.

[18]TIAN G J，MA B R，XU X L，et al．Simulation of urban expansion and encroachment using cellular automata and multi-agent system model： a case study of Tianjin Metropolitan Region，China[J]．Ecol Indic，2016，70：439-450．DOI： 10.1016/j.ecolind.2016.06.021.

[19]RICHARDS D R，PASSY P，OH R R Y．Impacts of population density and wealth on the quantity and structure of urban green space in tropical southeast Asia[J]．Landsc Urban Plan，2017，157：553-560．DOI： 10.1016/j.landurbplan.2016.09.005.

[20]THIERFELDER H，KABISCH N．Viewpoint Berlin：strategic urban development in Berlin-Challenges for future urban green space development[J]．Environ Sci Policy，2016，62：120-122．DOI： 10.1016/j.envsci.2015.09.004.

[21]KABISCH N，STROHBACH M，HAASE D，et al．Urban green space availability in European cities[J]．Ecol Indic，2016，70：586-596．DOI： 10.1016/j.ecolind.2016.02.029.

[22]WANG Y C，SHEN J K，YAN W T，et al．Backcasting approach with multi-scenario simulation for assessing effects of land use policy using GeoSOS-FLUS software[J]．MethodsX，2019，6：1384-1397．DOI： 10.1016/j.mex.2019.05.007.

[23]许昌市人民政府. 许昌市“十四五”国土空间生态修复和森林许昌建设规划[Z]. 许昌：许昌市人民政府，2023-03-22.

[24]柴子为，王帅磊，乔纪纲．基于夜间灯光数据的珠三角地区镇级GDP估算[J]．热带地理，2015，35（3）：379-385．CHAI Z W，WANG S L，QIAO J G．Township GDP estimation of the Pearl River delta based on the NPP-VIIRS night-time satellite data[J]．Trop Geogr，2015，35（3）：379-385．DOI： 10.13284/j.cnki.rddl.002742.

[25]郑渊茂，何原荣，王晓荣，等．夜光遥感数据应用述评与展望[J]．遥感信息，2020，35（3）：1-14．ZHENG Y M，HE Y R，WANG X R，et al．Application review and prospect of nighttime light remote sensing data[J]．Remote Sens Inf，2020，35（3）：1-14．DOI： 10.3969/j.issn.1000-3177.2020.03.001.

[26]郭伟．夜间灯光数据和MODIS数据用于大尺度不透水面制图研究[D]．武汉：武汉大学，2015．GUO W．Using nighttime light data and MODIS data for large-scale impervious surface mapping research[D]．Wuhan：Wuhan University，2015．

[27]BRUNNER S H，HUBER R，GRÊT-REGAMEY A．A backcasting approach for matching regional ecosystem services supply and demand[J]．Environ Model Softw，2016，75（C）：439-458．DOI： 10.1016/j.envsoft.2015.10.018.

[28]BREIMAN L．Random forests[J]．Mach Learn，2001，45（1）：5-32．DOI： 10.1023/A：1010933404324.

[29]VINCENZI S，ZUCCHETTA M，FRANZOI P，et al．Application of a random forest algorithm to predict spatial distribution of the potential yield of Ruditapes philippinarum in the Venice Lagoon，Italy[J]．Ecol Model，2011，222（8）：1471-1478．DOI： 10.1016/j.ecolmodel.2011.02.007.

（责任编辑 郑琰燚）