研究区、数据与研究方法
2.1 研究区概况
南京属北亚热带湿润气候，自然条件优越，是我国东部地区重要的中心城市、科研教育基地和综合交通枢纽。2010年后，南京城市空间格局由传统的“单中心”逐步转变为“多中心组团状”，形成了“一主城三副城”的城市空间结构；各类型、尺度的公园绿地体系完整、数量充沛，其城市空间扩展规律及公园绿地建设水平在东部大城市中均具有较好的典型性与代表性。本文进一步选取核心功能区集聚、公园绿地类型最为丰富的主城区作为研究范围，共约243km2(图1)。
2.2 数据来源及类型划分
POI可以有效反映城市用地的实际功能[35]，根据《城市用地分类与规划建设用地标准》(GB 50137—2011)，参照已有研究中对POI数据功能空间的划分标准[15，22]，结合南京城市空间近年来的优化进程和功能空间特点，基于数据的可获取性、可比性原则，选取2012、2016、2020年的居住、公共服务、商业、交通及工业生产5类功能空间POI，探索公园绿地与城市功能空间的时空关联演变特征(表1)。
公园绿地斑块类型丰富、尺度差异较大，POI数据中关注度较高的公园绿地信息量较为充足，但一些微小尺度的街头绿地和袖珍公园数据可能存在缺失。因此，以公园绿地POI为主，以土地利用面转点数据[《城市绿地分类标准》 (CJJ/T 85—2017)中的G1类型]为辅，通过POI与土地利用数据相结合的方式获取公园绿地点数据。其中，POI数据包括相应公园绿地的主要出入口和主要景观节点(以2020年玄武湖公园为例，包含5个出入口和到访度较高的87个数据点，共计92个数据点)(图2)。
2.3 研究方法
1)核密度分析。
核密度分析运用地理学第一定律和空间差值原理对要素分布进行空间统计，距离样本中心近的要素被赋予较高权重，距离较远则权重较低，从而呈现出要素的聚集程度[33]。本研究利用核密度估计方法测度公园绿地与各城市功能空间的空间分布集聚特征。
2)双变量Ripley's K函数。
双变量Ripley's K函数作为点模式分析的代表性方法，可通过分析2组点数据之间的距离，探究不同尺度下2类事件点之间存在的聚集、随机、离散关系[36]。本研究选取双变量Ripley's K函数探究公园绿地与城市功能空间的时空关联特征。该方法通过R语言spatstat包中的Kcross函数实现。
在分析其K函数曲线图时，为保持方差的稳定性，利用L(r)取代K(r)，并对K(r)作开平方的线性变换[37]。若观测值高于蒙特卡洛模拟曲线(即期望值)，则呈现聚集模式；若观测值低于蒙特卡洛模拟曲线，则呈现离散模式；若观测值与蒙特卡洛模拟曲线重合，则呈现随机模式。