城市化背景下荒野空间影响机制分析
摘要：在现代化进程中，如何有效保护广阔的荒野地区及其生物多样性，成为亟待解决的重大问题。在此背景下，为探讨社会经济发展对荒野空间分布的影响机制，采用2020年杭州市的数据作为案例分析样本，运用布尔-WLC评价法识别杭州市荒野的空间分布，并通过增强回归树（BRT）模型，以社会经济指标作为驱动因素，探究其对荒野空间分布影响的具体机制。结果表明，经济因素对低质量荒野的影响贡献率最高，而随着荒野质量的提升，城市建设因素逐渐成为中、高质量荒野的主导因素。
在中国社会经济快速发展的今天，城市化与工业化的推进给自然环境带来了前所未有的挑战。这种发展模式不仅消耗了大量自然资源，还导致了生态环境破坏、生物栖息地的丧失以及对自然生态系统的连续性和完整性的破坏[1]。国内关于荒野空间的研究大多集中于探索荒野理论的内涵及其空间分布的特性[2-5]。与此相比，本研究在识别荒野空间分布的基础上，通过利用增强回归树模型（BRT）进一步探究了城市化背景下各社会经济指标对荒野空间影响的贡献率。这有助于理解荒野空间的驱动机制，为之后荒野保护策略的发展提供一定借鉴意义。
1指标数据收集与处理
本研究荒野空间分布研究主要运用定量研究分析法，识别杭州市荒野分布利用的数据包括土地利用数据、道路交通数据、定居点数据，人口密度数据（所有数据均为2020年度）。驱动因素从人口规模要素、经济发展要素、城市建设要素3个方面细化分析社会经济影响因素，并最终确定为6个可量化的社会经济影响指标，包括人口密度、人口数量、人均GDP、夜间灯光强度、建成区面积、路网密度数据（见表1）。
2基于布尔叠加法确定荒野斑块
根据Lesslie[7]和曹越[8]的研究，荒野斑块的特点在于其受人类活动影响极小或完全未经开发的土地，并强调以自然土地覆盖的主导地貌，以及缺少人类居住区和公路及铁路等机械化通道。因此，荒野斑块应仅包括未经改造或仅略有改造的自然土地覆盖，以保留其自然特征和影响。因此，在识别荒野斑块时，包含人工土地覆盖的区域应被排除。
以杭州市2020年LUCC体系土地利用数据、全国地理数据库中定居点要素层和OSM道路交通数据为基础，以LUCC体系土地利用数据中耕地和居民用地数据层、定居点和城市道路交通数据，通过GIS中图形缓冲工具建立1km范围的缓冲区。并使用布尔叠加法合并3项数据，得出荒野斑块识别分布图（如图1）。
通过布尔计算，识别出杭州市的荒野斑块占地面积为5979.17km2，占市域面积35.49%。大型荒野斑块主要聚集在千岛湖和龙门山附近，而整个荒野斑块的分布则从浙西的山地丘陵地带逐渐过渡到浙北平原区域，并随之减少。
3荒野指标选取与计算
3.1指标选取
目前，全球尚无统一的荒野定义标准，不同地区对于荒野的理解和评价标准各不相同，但曹越等[5]在2017年采用Lesslie所提出的4项荒野指标进行中国荒野识别研究，并在2019年结合布尔叠加法和线性加权法（WLC）改进了荒野评价指标，提升了荒野识别准确性。基于此，本研究所选取的荒野指标包括：生物物理自然度、人口密度、距定居点遥远度、距道路遥远度、定居点密度和道路密度6项指标，并通过采用线性加权法（WLC），得出杭州市的荒野质量图谱。
（1）生物物理自然度、人口密度：反映生态系统因人类活动如定居、森林砍伐和农业开发，相对于其原始状态所发生的变化程度。在本次研究中，基于LUCC体系下的土地利用数据，根据景观专家对不同的土地利用类型分配了不同的自然度分数[8]，并使用平均值为每块土地分配自然度分数使用类型。人口密度是衡量人类活动及其干扰强度的有效指标，随着人口密度的增长，原本的荒野空间逐步被转换用于农业、工业和居住。
（2）距定居点遥远度、距道路遥远度：荒野区域应尽可能位于远离人类聚居地和人类活动范围之外，其中不应存在人类的永久性居住地和机械化交通设施。本研究中，基于乡镇定居点数据和OSM平台上的城市道路交通数据进行分析，利用Ar-cGIS软件中欧氏距离分析工具进行计算。
（3）定居点密度、道路密度：定居点和道路密度通常揭示周边地区的人工改造程度，这2个指标的密集程度能够反映出人类活动对自然环境的干扰水平及人类访问该区域的难易程度。本研究以2020年居民地要素层和OSM平台的城市道路交通数据为基础，利用ArcGIS中和密度分析工具进行计算。
3.2指标归一化处理
由于各项指标的测量单位及数据范围的差异性，所以要对下列所计算得出的各项数据进行归一化处理，以统一标准。考虑到人类对景观干扰的影响存在一定的上限，超过某个阈值其影响便不再显著增加[9]，所以采用ArcGIS中模糊隶属度工具对各项荒野指标进行归一化处理，确保所有归一化后的值都在0~1之间，更准确显示人类活动对自然环境干扰的相对程度，并得出各指标最终栅格结果（如图2）。
3.3荒野质量评价加权叠加
各项数据经过指标归一化处理后，根据专家对各项荒野指标的评分，采用加权线性组合方法对各项荒野指标进行赋值，并通过ArcGIS软件中的栅格计算器工具执行计算。随后，依据荒野度指数（WQI）的计算公式（公式1）进行综合荒野度的叠加分析，得出最终杭州市荒野空间分布栅格，如图3所展示。
式（1）中，WQI为荒野度指数，该数值表示单个栅格内的荒野度水平，数值较高表示该栅格区域的土地拥有更优质的荒野质量；ei为单项指标评估后的标准得分，n为指标个数，在杭州荒野空间识别研究中n=6，分别为6项荒野识别指标。
荒野质量等级划分是识别荒野区域及其质量差异的重要步骤，为更清晰地研究杭州市荒野空间分布情况，以及后续荒野空间保护体系的构建，研究将荒野梯度划分为9个梯度，并划分为4个等级：高质量荒野区（WQI≥0.70）、中质量荒野区（0.70＞WQI≥0.64）、低质量荒野区（0.64＞WQI≥0.43）和非荒野区（如图4）。
杭州市的荒野区域以中质量荒野为主，占地约3953.92km2，占杭州市域面积的23.47%，分布状态较为零散，延龙门山、千里岗山、白际山和天目山为主要山脉分布。高质量荒野区域占地约1591.31km2，整体分布在千岛湖和龙门山附近，较为集中。杭州市低荒野质量区域较少，占地约446.98km2，占杭州市域面积2.65%，主要在萧山区与钱塘新区交界处和淳安县千岛湖附近有小部分集中分布。
4定量分析城市化水平指标与荒野空间分布相关性
4.1荒野空间矢量化
由于城市化水平指标是以矢量形式存在，无法与栅格形式的荒野空间数据直接进行比较。基于此，景观格局指数作为一种直观量化景观空间格局的工具，可以提供量化荒野空间格局的解决方案[10]。景观格局指数能够综合反映区域内大部分景观格局的生态学信息，在研究中不仅可以有效地揭示荒野空间的结构组成及其空间配置的特征，还能反映出荒野空间的异质性等特点[11]。
将荒野质量和荒野斑块栅格地图分别导入Fragstats3.4软件中，指数选取为：斑块密度（PD）、聚合度指数（AI）、边缘密度（ED）和分离度指数（DVISION）。根据ragstats3.4软件中对景观指数的说明及操作指南，对本研究相关景观格局指数含义和计算方式进行归纳总结，输出的荒野斑块与不同荒野质量的各项空间格局指数如表2所示，并根据移动窗口法设定500m窗口，将荒野格局指数转换为空间形式表达如图5所示。
4.2城市化水平驱动因子矢量化
社会经济因素构成了影响社会和经济发展及其变化的关键要素，它涵盖了社会结构、收入水平、教育程度、政策法规等多个维度。本研究所用到的社会经济影响因素聚焦于人口规模、经济发展和城市建设3个方面，并确定人口密度、人口数量、人均GDP、夜间灯光强度、建成区面积、路网密度6项可量化数据。
由于建成区面积数据与路网数据需基于土地利用数据与道路交通数据进行提取处理，具体操作如下：首先在ArcGIS中使用创建渔网工具，将杭州市以1km×1km的网格进行划分，并将路网数据与所划分的网格数据进行相交，计算每个网格里的路网总长度，利用几何计算工具得出每个网格的路网密度数据，使用要素转栅格工具将得出路网密度数据栅格化。研究所用到建成区面积数据来自土地利用数据中城乡、工矿、居民用地大类下的城镇用地、农村居民点、其他建设用地类型，基本涵盖所有人造灰色地表。因此，先在Ar-cGIS中利用栅格计算器工具，提取土地利用数据中城镇用地、农村居民点、其他建设用地类型，得到杭州市建成区分布图。所输出结果如图6所示。
为了将社会经济数据与荒野景观格局指标进行对比分析，将所有处理之后的社会经济指标数据按照杭州市乡镇规划分区边界，进行分区统计计算。具体步骤如下：利用ArcGIS软件中分区统计工具与以表格显示分区统计，对得出的社会经济指标数据进行栅格化分区与矢量化分区。
4.3BRT模型构建与校验
增强回归树模型（BRT）结合了回归树与Boosting技术，是一种自学习的机器学习算法。它通过二元递归分割减少因素间相互作用，并对多个回归树进行加权平均，以提升准确性。BRT由于无须剔除异常值、输出结果直观以及其独特的算法结构，使得在预测准确性方面具有一定优越性[12]。根据上述BRT原理机制，在RStudio软件中使用‘gbm’和‘dismo’工具包，分析社会经济因子（人口数量、人口密度、人均GDP、夜间灯光强度、路网密度、建成区面积）与荒野斑块和不同质量荒野的关系及各因子贡献率的高低，找出影响其变化的内在因素。根据Elith等[13]的建议，在BRT模型中设置决策树复杂度为5，学习速率为0.001，每次实验采用随机选择75的样本数据构建模型，剩余的25的数据进行模型验证，进行10次交叉验证。
4.4城市化水平指标贡献率评估
BRT模型通过分析社会经济变量在回归树中减少响应变量残差平方和的贡献，来评估人口密度、人口数量、人均GDP、夜间灯光强度、建成区面积和路网密度6项社会经济指标各自的重要性，并对这6项指标计算得出的结果进行规范化处理，确保所有预测因子的相对重要性之和等于1，计算得出的结果如表3所示。为了更清晰地对比社会经济指标各方面如何对荒野空间进行影响分析，均值化如图7所示。
结果显示，在荒野斑块的空间格局指标中，夜间灯光强度对PD（斑块密度）和ED（边缘密度）的影响最为显著，其贡献率分别高达63.34%和82.54%，远超其他社会经济指标。这表明夜间灯光强度是影响杭州市荒野斑块密度及边缘化的主要因素。AI（聚集度指数）主要受建成区面积影响，贡献率为61.90%，显示聚集度与建成区直接关系显著。DIVISION（分割度指数）的影响因素则更为分散，其中人均GDP的贡献最大，达38.50%，其次是人口密度和夜间灯光强度。
在低质量荒野中，夜间灯光强度对AI、PD、ED的贡献率领先，显示其对低质量荒野空间格局有显著影响。尤其在DIVISION指标中，尽管夜间灯光强度贡献最低，其他指标如人均GDP和建成区面积对DIVI-SION的合并贡献达60.51%，显示经济活动与荒野分割度关系密切；人口密度在中质量荒野中占主导地位，特别是在AI、DIVISION、ED指标上，其贡献率均超过29%。路网密度在PD指标上以35.84%的贡献率最高，表明路网发展对荒野斑块密度的影响显著。综合来看，人口密度与经济发展是中质量荒野空间格局变化的主要驱动力；高质量荒野中，人均GDP在DIVISION指标上贡献最高，为34.86%，而在其他空间格局指标中贡献较低。建成区面积在AI和ED指标中贡献率最高，达35.04%和32.54%，表明建成区面积的增加极大影响了高质量荒野的聚集度和边缘化程度。总体而言，建成区面积和人口密度是影响高质量荒野空间格局的关键因素。
5结论
通过应用景观格局指数对荒野空间进行量化，揭示不同质量级别荒野的生态学空间特性。选取斑块密度（PD）、聚合度指数（AI）、边缘密度（ED）以及分离度指数（DIVISION）4种景观格局指标，以分析各质量级别荒野斑块的空间格局特征。从对不同质量级别荒野的景观格局指数分析中，显示低质量荒野表现出较高的破碎化水平以及较低的斑块聚合度以及斑块间较大的离散性的特征，相比之下，中质量和高质量荒野的斑块展现出更高的聚合度，然而，中质量荒野的边缘密度指标超过了高质量荒野，这表明中质量荒野在生态敏感性方面风险高于高质量荒野。
通过归纳和分析社会经济发展指标，研究从人口规模、经济增长、城市扩展3个维度选取了人口密度、总人口数、人均GDP、夜间灯光强度、建成区面积及路网密度6项核心社会经济指标进行定量评估。利用增强回归模型将6项社会经济指标作为驱动因素，计算对荒野空间的影响特征，结果表明，对于高质量荒野来说，各社会经济因素的综合平均贡献率为城市建设（39.77%）＞人口规模（31.5%）＞经济发展（28.73%）；中质量荒野平均贡献率为人口规模（36.59%）＞城市建设（34.26%）＞经济发展（29.14%）；低质量荒野平均贡献率为经济发展（46.29%）＞人口规模（30.89%）＞城市建设（22.83%）。而对于总体荒野斑块来说，经济发展因素在整体综合平均贡献率的比率达到58.62%，远大于其他指标成为主要驱动力。通过对荒野空间驱动因素的深入分析，这不仅为之后荒野研究打开了新的视角，也为荒野保护与管理政策的制定提供理论依据。
