EN中文

South China Geographical Journal >

2023 , Vol. 1 >Issue 3: 10 - 24

DOI: https://doi.org/10.20125/j.2097-2245.202303002

Application Studies

Land Use Change and Driving Forces Detection of the Coastal Landscape in the Pearl River Estuary Based on GEE Cloud Platform

  • CHEN Kanglin ,
  • CHEN Sikai ,
  • GONG Jianzhou
Expand
  • School of Geography and Remote Sensing, Guangzhou University, Guangzhou 510006, China

Received date: 2023-09-01

  Revised date: 2023-09-23

  Online published: 2023-12-25

Fold

Abstract

The coast of Pearl River estuary is one of the most densely populated, economically active, and resource-intensive large-scale estuarine coastal zone in China and the world. It is facing many problems such as excessive reclamation, functional degradation, and resource attenuation, which poses a serious threat to regional ecological balance and high-quality development. Due to the limited load of traditional remote sensing processing platform, the consistency of image processing in medium and large scale areas is poor, resulting in low accuracy of ground object classification results. Based on the Google Earth Engine(GEE) cloud platform, five periods of land use type data were obtained from 2000 to 2020, with the total accuracy ranging from 86.27% to 90.15%. Secondly, land use transfer matrix and dynamic degree are used to describe the temporal and spatial characteristics of land use transition in the coast of Pearl River Estuary. Finally, the influence mechanism of landscape evolution in the Pearl River Estuary is quantitatively revealed by using the optimal parameter geographic detector the geographic detector. The results are as follows: (1) The coastal landscape pattern of the Pearl River Estuary altered frequently over the past twenty years, with the comprehensive dynamic degree ranging from 2.66% to 3.62%. The dramatically shift between forest and cultivated land was observed in the western coast of the Pearl River Estuary, while the strong growth of construction land was mainly detected in the eastern coast of the Pearl River Estuary. (2) The optimal parameters of geographic detection of coastal landscape evolution in the Pearl River Estuary could be divided into 9~15 categories, and the optimal spatial scale threshold of geographical detection of impact factors was 90 m×90 m. (3) The coastal landscape evolution pattern of the Pearl River Estuary suffered from both natural and anthropogenic factors at different periods. The driving force of the two-factor interaction was significantly higher than that of the single-factor driving force, showing a two-factor enhancement effect or nonlinear enhancement. And the interaction between GDP variation and temperature variation, with a q value of 0.345, contributed the most to the change of mangrove forest from 2000 to 2005. The study revealed that future resource planning and utilization and comprehensive management of the Pearl River Estuary coastal zone should be paid enough attention to the scale effect of landscape patches. In addition, quantitative detection of interaction between GDP and other factors was in the primary determinants of land use change. To balance the coordination relationship between the rapid economic growth and the regional ecological environment, and promote the high-quality development of the Guangdong-Hong Kong-Macao Greater Bay Area.

Key words： land use change; scale threshold; optimal parameter geographic detector; driving mechanism; coast of the pearl river estuary

Cite this article

CHEN Kanglin , CHEN Sikai , GONG Jianzhou . Land Use Change and Driving Forces Detection of the Coastal Landscape in the Pearl River Estuary Based on GEE Cloud Platform[J]. South China Geographical Journal, 2023 , 1(3) : 10 -24 . DOI: 10.20125/j.2097-2245.202303002

河口海岸带位于陆海相互作用的关键地带［1］，具有调节气候、净化水体、防浪护堤等重要的生态服务功能［2-3］，是河口三角洲地区抵御洪水和风暴潮侵蚀的天然屏障。此外，河口海岸带孕育着全球40%的物种［4］，聚集了全球60%的人口和2/3的大中城市［5］。当前，在全球气候变化和城镇化的综合影响下，河口海岸带景观格局破碎化、生态系统结构和功能易变、演变机制复杂的问题已引起广泛关注［6］，正确认识区域尺度上河口景观格局的长期演变规律、揭示其驱动机制，是保障河口海岸带地方安全和物种保护的重要科学基础。
珠江口沿岸是我国乃至世界上人口最密集、经济最活跃、资源消耗最庞大的大型河口海岸带地区之一［6］，是我国重要的战略发展区，也是兼具陆海复杂特性的敏感生态脆弱区［7］。快速城市化过程引起了珠江口沿岸景观格局的剧烈变化，人为不合理开发利用导致生态环境不断恶化、生态系统遭到破坏［8］。1960—2012年珠江口湾区新增陆地面积为878.11 km2，其中建设用地扩张幅度非常大，增长了33.05倍［9］。1955—2015年伶仃洋河口湾因大规模围垦而导致滩涂湿地面积剧减少200 km2 ［10］，河口生物资源面临枯竭［11］，洪涝灾害和咸潮频发［12］。研究［13］发现，1979—2016年珠江口西岸海岸线在规模和空间位置上的变化较东岸更显著，人口集聚和经济发展是其变化的重要因素。研究［14］指出，1990—2005年珠江口土地类型变化显著，且区域景观破碎化程度日趋严重。报道［15］称，1988—2004年珠江口湿地景观格局破碎化程度加剧、多样性减少，人为干扰成为景观演变的主导因素。已有研究成果主要集中在岸线变迁［13］、覆被转变［16］及格局动态［14-15］等方面，为珠江口沿岸景观演变过程研究奠定了良好基础，但基于传统遥感处理平台对中、大尺度范围影像处理的一致性相对较差［17-18］，影响遥感分类结果的精度；其次，缺乏珠江口沿岸近期的相关研究；最后，对其演变机制的定量探索不足。
当前，已有学者对河口海岸带土地利用变化的驱动因素展开了大量研究［9，19-22］。宗玮［20］基于主成分和典型相关分析法探讨了引起上海海岸带LUCC变化驱动的主要人文因素，包括人口因素和经济因素；王琎等［9］和杨晨晨等［23］研究发现城镇建设、农业发展和政策是导致1975—2018年粤港澳大湾区岸线变化的重要驱动因素；Meng等［21］报道称1985—2015年长江河口湾沿岸陆地面积呈增加趋势，且土地利用变化受社会经济因素驱动。但已有研究仍以定性或半定量分析为主［13，20，23］，缺乏驱动因素量化方面的探讨。伴随计算机技术的发展，地理加权回归［22，24］和随机森林法［25］等为量化河口海岸带土地利用变化的驱动机制提供了有效的工具。程林等［22］基于地理加权回归分析了人口和港口建设是冀津海岸带土地利用变化的主要影响因素。然而，这些定量模型仅考虑单个因子的影响程度，较少涉及不同因子间相互作用的影响程度。地理探测器模型能够探测空间分异性，揭示因变量对自变量的驱动力机制，且在单因子的探测基础上，增加了多因子交互探测［26］，能较好地定量揭示不同因子间相互作用的影响程度。张华玉等［27］基于地理探测器分析了人文因子是广西海岸带土地利用变化的主导因子，且平均贡献率为17.82%。此外，大型河口海岸带景观具有极其复杂的空间异质性特征，格局演变规律依其所属的尺度等级不同而异［28-29］。然而，已有海岸带景观格局方面的研究往往容易忽视尺度效应对揭示格局演变规律的重要性，尤其缺乏影响因子的尺度阈值对揭示景观格局演变过程驱动机制的探讨。
本文以世界级大型河口三角洲珠江口沿岸为研究区域，基于Google Earth Engine（GEE）云平台解译形成2000—2020年研究区土地利用类型图，探讨珠江口沿岸景观格局转变的时空特征，定量揭示格局演变驱动因子的尺度依存特性，利用最优参数的地理探测器对不同阶段景观格局演变过程的影响机制进行定量探测。目的在于更好地认识河口海岸带景观等级系统的复杂性，更好地揭示和理解景观格局演变过程的驱动机制，以期为珠江河口区域资源规划利用和综合治理提供科学依据，助力粤港澳大湾区的高质量发展。

1 研究区概况

珠江主要由西江、北江和东江三大干流汇聚而形成河网密集的复合水系，最终经虎门、蕉门、洪奇沥、横门、磨刀门、鸡啼门、虎跳门和崖门等八大口门注入南海（图1-b）。珠江年均注入南海的径流量和输沙量分别为3.26×1011 m3和7.10×107 t［10］，是中国流量第二大河流。属于亚热带季风气候，多年平均降雨量为1 600~2 300 mm，多年平均气温为21.4~22.4 ℃。珠江河口湾多年平均潮差为0.86~1.35 m［10］。此外，生物物种组成丰富多样，且有丰富的红树林种类。
图1 研究区示意图

Fig.1 Map of the study area

参照已有珠江口湾区的相关研究［9，18］和珠江口沿岸社会经济的区域特征，本文选取深圳市宝安区、福田区、南山区，广州市番禺区、南沙区，珠海市斗门区、金湾区、香洲区，江门市台山市、新会区，东莞市，中山市，香港、澳门特别行政区的陆域行政管辖范围及其近岸海域（图1-a）为研究区域，即珠江口沿岸。珠江口沿岸是粤港澳大湾区社会经济发展的重要资源和生态安全屏障。新世纪以来，该地区成为全国乃至世界上社会经济发展最快、人口最稠密的地区之一［30］。珠江口沿岸仅占广东省面积的8.25%，却居住着全省29.44%的常住人口，2021年创造了全省44.10%的GDP［31］。

2 数据与方法

2.1　数据来源及处理

2.1.1　影像数据预处理及土地利用信息提取

本研究以Landsat TM/OLI遥感影像为基础数据，其中，2000、2005、2010年影像为Landsat 5 TM数据，2015、2020年影像为Landsat 8 OLI数据。卫星轨道行号为121—123，列号为44—45。影像空间分辨率均为30 m×30 m。
Google Earth Engine（GEE）云平台是一个由PB级的数据和高性能本质上进行并行运算的服务器组成。GEE云平台存储了近40多年的历史影像和其它类型的数据，本研究使用的是JavaScript API在线编辑器（https://code.earthengine.google.com）用于研究区土地利用遥感影像识别，获取2000—2020年珠江口沿岸的土地利用类型信息。参照相关研究成果［9，14］，结合研究区土地利用特点及研究目的，本文将景观类型划分为建设用地、水体、林地、耕地、红树林及其他用地共六大类。
在GEE平台的支持下，选取Landsat-5 TM和Landsat-8 OLI影像，选定每个特征年份（2000、2005、2010、2015和2020年）6月至9月的影像，再设定CloudScoreRange为5，符合设定条件的影像经拼接而生成研究区各特征年份的极少云影像；其次，利用Google Earth Pro在实验区内各年份影像中随机生成1 800个样本点（每种地类300个样本点），导入GEE API中进行调用，按照7∶3的比例随机分配分类的训练样本和验证样本，利用随机森林法对研究区的土地利用类型进行快速分类；接着，针对快速遥感分类结果中林地与红树林由于“同谱异物”导致的误分，本研究通过以海岸线为基准向内陆生成10 km的缓冲区［9］，采用人工目视解译方式对缓冲区内红树林的影像分类结果进行人工修正；最后，采用分类混淆矩阵方法进行精度评价，获得各年份影像分类的用户精度、总体精度和Kappa系数，其中总体精度介于86.27%~90.15%（表1），满足土地利用变化及驱动力探测的分析要求。
表1 2000—2020年珠江口沿岸土地利用分类的用户精度、总体精度和Kappa系数

Tab.1 User accuracy， total accuracy and Kappa coefficients of landscape classification in the Pearl River Estuary from 2000 to 2020

精度 2000 2005 2010 2015 2020
用户精度/% 建设用地 87.00 88.00 89.00 90.67 91.33
水体 90.00 91.33 91.67 92.33 92.67
林地 89.33 90.33 90.67 91.67 92.00
耕地 85.00 86.33 87.00 88.67 89.67
红树林 84.00 85.67 86.33 87.67 88.67
其他用地 82.33 84.33 84.67 86.33 86.67
总体精度/% 86.27 87.66 88.22 89.56 90.15
Kappa系数 0.852 0.864 0.875 0.889 0.897

2.1.2　主要影响因素

海岸带土地利用变化的影响机制探究是海岸带土地利用变化研究的核心问题之一［20］，自然因素决定了沿海地区城市扩张的宏观格局，而社会经济等因素引导了城镇用地的扩张速度和方向［32］。宗玮［20］指出大量人口涌入沿海地区居住引起沿海地区建设用地需求急剧增长，进而促进该地区GDP的激增。参照已有研究对沿海地区土地利用变化主要驱动因素的选取［20，32-33］，并结合研究区的特性［9，14］及影响因素数据的可获得程度，本研究的驱动因子主要从气候因素、地形因素、社会因素3个方面选取6个指标，即：高程、坡度、年降水量、年平均气温、人口数量和GDP，且各因子数据来源如表2所示。此外，在ArcGIS中对高程数据进行坡度分析，从而获取坡度数据。所有驱动因子数据采用投影坐标系为Krasovsky_1940_Albers。
表2 影响因素信息

Tab.2 Influence factors of the land use change in this study

数据名称 格式 数据来源
高程 栅格数据(30 m) 中国科学院计算机网络信息中心地理空间数据云平台(http://www.gscloud.cn)
坡度 栅格数据(30 m) 在ArcGIS中对高程数据进行坡度分析，从而获取坡度数据
年平均气温 栅格数据(1 km) 国家青藏高原科学数据中心(http://data.tpdc.ac.cn)
年平均降水量 栅格数据(1 km) 国家青藏高原科学数据中心(http://data.tpdc.ac.cn)
人口数量 栅格数据(1 km) 中国人口空间分布公里网格数据集，资源环境科学数据注册与出版系统(http://www.resdc.cn)
GDP 栅格数据(1 km) 中国GDP空间分布公里网格数据集，资源环境科学数据注册与出版系统(http://www.resdc.cn)

注：GDP表示国内生产总值。

2.2　分析方法

2.2.1　景观演变分析方法　（1）土地利用演变速率分析。单一土地利用变化动态度 ( K )可反映区域一定时间内某一土地利用类型的数量变化情况［34］，计算公式如下：
K = U b - U a U a × 1 T × 100 %，
式中， U a、 U b分别为研究初期和末期某一土地利用类型的数量或面积；T为研究2期的间隔时间。
综合土地利用变化动态度 ( L c )可反映区域一定时间内整体的土地利用变化速度［35］，计算公式如下：
L c = ∑ i = 1 n ∆ L U i - j 2 ∑ i = 1 n ∆ L U i × 1 T × 100 %
式中， L U i为研究初期的i类土地利用面积， ∆ L U i - j为第i类土地利用转化为非i类土地利用面积的绝对值，T为研究2期的间隔时间。
（2）土地利用时空演变分析。土地利用转移矩阵不仅可以反映2期土地利用数据不同用地类型之间的面积转化情况，阐明土地利用之间的更替，还可以反映土地类型在空间的变化，表达式为：
S i j = k 11 k 12 k 21 k 22 … k 1 n … k 2 n ⋮ ⋮ k n 1 k n 2 ⋮ … k n n
式中， S i j是n×n矩阵，矩阵的每一行和每一列分别代表2期土地利用之间的转化，n是研究区总的土地利用类型。

2.2.2　最优参数的地理探测器

本文利用地理探测器中因子探测器和交互作用探测器两个模块进行分析［26］，探测自然因素和社会经济因素对珠江口沿岸土地利用转变的驱动力及因子间交互作用的强度与类型。
（1）因子探测是探测某一个因子X对变量Y的空间分异性的解释程度，用q值表示，表达式为：
q = 1 - ∑ h = 1 L N h σ h 2 N σ h 2 = 1 - S W W S S T，
式中，Nh 、N分别为层h、全区的单元数， σ 2、 σ h 2分别是层h、全区的Y值的方差，SSW为层内方差之和，SST为全区总方差。q的取值范围为［0，1］，值越接近1说明X对Y的解释力越强，反之则越弱。
（2）交互作用探测是识别不同因子的交互作用，即评估因子X 1与X 2共同作用时对因变量Y的解释是否增强或减弱，或因子之间对Y的影响相互独立。分别计算因子X 1和X 2对Y的q值：q（X 1）和q（X 2），X 1和X 2交互时对Y的q值：q（X 1∩X 2），并对q（X 1）、q（X 2）与q（X 1∩X 2）进行比较。两个因子之间的关系可分为以下5类（表3）。
表3 因子交互作用类型

Tab.3 Types of influence factors interaction

判据 交互作用
q(X 1∩X 2) < min(q(X 1), q(X 2)) 非线性减弱
min(q(X 1), q(X 2)) < q(X 1∩X 2) < max(q(X 1), q(X 2)) 单因子非线性减弱
q(X 1∩X 2) > max(q(X 1), q(X 2)) 双因子增强
q(X 1∩X 2) = q(X 1) + q(X 2) 独立
q(X 1∩X 2) > q(X 1) + q(X 2) 非线性增强
（3）最优参数确定选择。地理探测器算法中自变量要求使用离散数据，因此需对连续变量进行离散化处理。基于R语言的GD包提供了多种监督和非监督空间数据离散方法［36］，可实现自变量数据的最优离散化方法和分类数目。本研究通过R语言GD包，采用相等间隔法、自然间断点法、分位数分类法、几何间隔法4种分类方法，探寻不同地类的最佳划分等级，从中确定最优参数。由图2可得，坡度因子选取几何间隔法且在第11类之后q值保持较稳定（图2-a）；高程因子选取几何间隔法且在第13类的q值最大（图2-b）；年平均降水因子选取自然间断点法且在第15类的q值最大（图2-c）；年平均气温因子选取分位数分类法且在第9类的q值较大（图2-d）；人口因子选取几何间隔法且在第14类的q值较大（图2-e）；GDP因子选取自然间断点法且在第13类的q值较大（图2-f）。因此，不同影响因子探测中最优参数的选择分类集中在9-15类。
图2 地理探测器q值对不同分级形式的敏感性

Fig.2 Sensitivity of q values of geographic detectors to different grading forms

3 结果与分析

3.1　珠江口沿岸景观格局演变的总体特征

2000—2020年珠江口沿岸土地利用类型面积占比的变化十分显著（图3）。总体上，珠江口沿岸以林地和耕地为主，2000年两者的面积占比约为59.39%，且近20年来呈现上下波动的变化特征。其次，建设用地是珠江口沿岸第三大用地类型，面积占比由2000年的16.83%持续增长至2020年的22.64%，20年建设用地面积净增长了810.70 km2。再次，2000—2010年水体面积变化不明显，其面积占比基本稳定于15.72%~15.93%，而在2010年之后，水体面积占比快速增加至2020年的18.83%，相应水体面积净增长了378.46 km2。最后，红树林和其他用地类型的面积占比总体呈现下降的演变趋势。红树林面积占比由2000年的2.30%下降至2015年的1.33%，面积约减少了137.18 km2。其他用地类型的面积占比由2000年的5.54%锐减至2020年的0.81%。
图3 2000—2020年珠江口沿岸土地利用类型面积占比的变化

Fig.3 Variations of the area proportion of land use types in the coast of the Pearl River Estuary from 2000 to 2020

由单一土地利用动态度指数的变化特征可知，其他用地类型的变化最为激烈，其中2005—2010年和2015—2020年两个时段的动态度指数分别高达-12.04%和-12.01%（表4），表明大量其他地类的面积被转出。其次是耕地，2000—2005、2005—2010、2015—2020年3个时段的动态度指数分别为4.59%、4.68%和4.65%，而2010—2015年的动态度指数为-4.05%。此外，2000—2010年林地面积减少的速率变缓，动态度指数由2000—2005年的-4.26%减少至2005—2010年的-2.02%，而在2010—2015年林地面积呈现增长趋势，动态度指数为3.12%，2015—2020年林地面积又迅速缩减，动态度指数为-4.31%。建设用地面积持续增长，其增长速率由快变慢，其中2000—2005年建设用地的增长速率最大为3.10%。2000—2005年和2010—2015年红树林的面积减少较快，动态度指数分别为-5.01%和-4.95%。水体的变化相对较小，动态度指数基本小于1%（2010—2015年时段除外）。
表4 2000—2020年珠江河口沿岸各期土地利用变化动态度 (%)

Tab.4 Dynamic degree of land use change in the coast of the Pearl River Estuary from 2000 to 2020

土地利用类型 2000—2005年 2005—2010年 2010—2015年 2015—2020年
综合动态度 3.62 3.28 3.16 2.66
建设用地 3.10 0.79 1.26 1.06
水体 -0.19 -0.08 2.49 0.85
林地 -4.26 -2.02 3.12 -4.31
耕地 4.59 4.68 -4.05 4.65
其它用地 4.07 -12.04 -4.69 -12.01
红树林 -5.01 0.35 -4.95 2.84
从综合土地利用动态度可知，2000—2005年珠江口沿岸各土地利用类型间的转化较活跃，综合动态度指数高达3.62%。近20年来珠江口沿岸景观综合动态度指数呈现逐年下降的变化趋势，表明珠江口沿岸的土地利用变化逐渐趋于稳定。

3.2　珠江口沿岸土地利用演变过程的时空特征

3.2.1　不同演变阶段土地利用转化的数量特征

由图4可得，2000—2020年珠江口沿岸土地利用频繁转变，具有明显的阶段性特征。2000—2005年和2005—2010年，林地与耕地之间转变的占比最大，林地净转出为耕地的比例分别为5.37%和1.60%（图4-a、b），2000—2005年间林地净转出为其他用地和建设用地的比例分别为1.39%和0.91%；其次，2000—2005年和2005—2010年间耕地净转出为建设用地的比例分别为1.09%和1.30%；此外，2005—2010年间，其他用地净转出为耕地的占比为2.70%。
图4 2000—2020年珠江口沿岸土地利用转变和弦图

Fig.4 Land-transfer paths of the coast of the Pearl River Estuary from 2000 to 2020

2010—2015年，耕地为最大转出地类，其净转出为林地、水体和建设用地的占比分别为3.69%、1.42%和0.23%（图4-c），由于渔业经济效益高于传统种植农业［23，37］，导致该时段内研究区部分低洼耕地类型转变成基塘养殖类型［9］；水体净转出为建设用地的比例为0.87%。2015—2020年，林地净转出为耕地的比例为5.70%（图4-d）；耕地净转出为建设用地的比例为1.04%；其他土地利用类型间也发生相互转变。

3.2.2　土地利用转变的时空格局

2000—2020年珠江口沿岸景观格局转变的区域异质差异显著（图5）。2000—2005年，大量林地和耕地转变为建设用地，主要分布在深圳宝安区、东莞市、广州番禺区以及中山市（图5-a）；部分林地转变成耕地，且集中分布于广州南沙区、江门新会区和台山市；黄茅海河口湾两侧浅滩的红树林转变成水体。2005—2010年，大面积其他用地类型转变为耕地，且集中分布于珠江口西翼地区（斗门区、金湾区）（图5-b）；少量其他用地类型转变成建设用地，主要分布于新会主城区、台山市的沿海地区；另外，林地流入区集中分布于台山市。2010—2015年间，大量耕地流出，主要转变为林地、建设用地和水体。林地流入区主要分布于台山市和新会区；建设用地流入区集中分布于斗门区南部、金湾区，以及中山市北部；水体流入主要位于新会区东部。2015—2020年间，大量建设用地流入且集中位于珠江口东翼，尤其在番禺区、南沙区，以及东莞市；大面积耕地流入且主要分布于珠江口西翼，如新会区和斗门区；少量红树林流入且主要位于台山市沿海地区。
图5 2000—2020年珠江口沿岸景观格局转变的时空特征

Fig.5 Spatio-temporal characteristics of landscape pattern transfer in the coast of the Pearl River Estuary from 2000 to 2020

3.3　珠江口沿岸景观格局演变过程的地理探测

3.3.1　影响因子的尺度效应

海岸带景观高度复杂的空间异质性程度又依其所属的尺度等级不同而异［28-29］。自然因素和人类活动对海岸带景观演变的影响也存在显著的时空差异，这些因素引起海岸带景观动态演变的尺度效应。如何测算海岸带景观格局演变的尺度依存特征，是进行景观格局动态演变影响机制定量探测的关键前提。因此，本小节以2000—2005年建设用地的驱动因子为例，设置30 m×30 m、60 m×60 m、90 m×90 m、120 m×120 m、150 m×150 m、240 m×240 m、480 m×480 m、720 m×720 m、900 m×900 m共9个网格尺度，探讨建设用地不同驱动因子对网格大小的尺度依存特性。由图6可得，不同驱动因子对尺度的敏感性差异显著，随着网格尺度由小增大，GDP和人口总量的q值先增后减，最后再缓慢增加，在90 m×90 m的空间尺度上q值达到峰值，分别为0.249和0.221；年平均降水的q值呈现双峰曲线的特征，峰值出现在90 m×90 m和150 m×150 m的空间尺度；年平均气温的q值曲线总体呈现倒“V”型，在90 m×90 m的空间尺度上q值达到0.124。此外，坡度和高程对网格大小的尺度敏感性并不明显。由此可见，珠江口沿岸建设用地驱动因子探测存在显著的空间尺度效应，驱动因子探测的最佳尺度阈值为90 m×90 m。因此，基于最佳的空间尺度阈值90 m×90 m，利用最优参数的地理探测器对2000—2020年珠江口沿岸不同土地利用类型演变过程的驱动力进行定量探测。
图6 2000—2005年建设用地不同驱动因子的尺度敏感性

Fig.6 Scale sensitivity of various driving factors for construction land from 2000 to 2005

3.3.2　不同时段各土地利用类型的单因子探测

2000—2020年珠江口沿岸景观格局演变驱动力的因子探测结果如图7所示，且所有单因子探测通过p<0.01或p<0.05的显著性检验。GDP和人口数量对建设用地变化的贡献率较高，其中2000—2005年GDP的q值为0.248，2005—2010年人口数量的q值为0.217（图7-a）；年平均气温、年平均降水是建设用地变化的次影响因子，q值介于0.083—0.135；高程和坡度对建设用地的影响最弱，q值均小于0.025。这表明了经济发展和人口增长是2000—2010年珠江口沿岸建设用地持续扩张的主导驱动力，而地形因素对建设用地扩张的约束较小。
图7 2000—2020年不同土地利用类型转变的驱动因子探测q值

Fig.7 The q values of driving factors detection for different land use types from 2000 to 2020

由图7-b可得，不同时期林地变化的主导驱动力差异较大。2000—2005年，年平均气温和人口数量对林地变化的影响较大，其q值分别为0.042和0.046；2005—2010年，高程、GDP和坡度对林地变化的影响较大，其q值分别为0.113、0.078和0.073；2010—2015年，高程对林地变化的影响较大，其q值为0.037；2015—2020年，高程和GDP对林地的影响较强，其q值分别为0.051和0.04。
由图7-c可得，2000—2010年，年平均降水和GDP对耕地变化的影响较大，q值介于0.074~0.109；2010—2015年，高程对耕地的影响较强，其q值为0.024；2015—2020年，高程和坡度对耕地的影响较大，其q值分别为0.072和0.053，GDP和年平均气温是耕地变化的次影响因子。
由图7-d可得，不同演变阶段红树林的主导驱动力差异明显。2000—2010年，年平均气温和高程对红树林变化的影响较大，q值介于0.124~0.157，人口数量和坡度是红树林变化的次影响因子。2010—2015年，人口数量、年平均气温和GDP对红树林变化的影响较大，其q值分别为0.129、0.127和0.120。2015—2020年，年平均气温对红树林的影响较大，其q值为0.176；GDP、高程和坡度是红树林变化的次影响因子，其q值分别为0.143、0.141和0.106。此外，年平均降水对红树林的影响最弱，q值均小于0.05。

3.3.3　不同时段各土地利用类型的交互探测

为了探究在自然因子与人为因子交互作用下对珠江口沿岸景观变化的影响，利用地理探测器模型对不同驱动因子之间进行交互作用驱动力计算，不同土地利用类型的驱动因子交互作用差异明显（图8）。
图8 2000—2020年不同土地利用类型驱动因子的交互探测

Fig.8 Interactive detection of driving factors for different land use types from 2000 to 2020

由图8-a，i、a，iv可得，2000—2020年建设用地驱动因子的交互探测表现为双因子增强或非线性增强的特征。2000—2005年，GDP变化与气温变化的交互作用较强，其q值为0.182（图8-a，i）；其次是人口数量变化与气温变化的交互作用、人口数量变化与高程变化的交互作用，其q值分别为0.163和0.162。2005—2010年，人口数量变化与降水变化的交互作用和人口数量变化与气温变化的交互作用较强，其q值分别为0.280和0.278（图8-a，ii）；其次是GDP变化与人口数量变化的交互作用，其q值为0.262。2010—2020年，建设用地驱动因子的交互探测解释力相对较弱，q值均小于0.10（图8-a，iii、a，iv）；其中，2010—2015年GDP变化与气温变化的交互作用和2015—2020年GDP变化与人口数量变化的交互作用较强，其q值分别为0.09和0.084。
由图8-b，i~b，iv可得，2000—2020年林地驱动因子的交互探测不仅表现为双因子增强或非线性增强，也存在单因子非线性减弱的特征。2000—2005年和2005—2010年，人口数量变化与高程变化的交互作用较强，其q值分别为0.157和0.173（图8-b，i、b，ii）；其次是GDP变化与气温变化的交互作用，其q值分别为0.128和0.166；GDP变化与坡度变化的交互作用为单因子非线性减弱，其中2005—2010年的q值为0.103。2010—2015年，GDP变化与降水变化的交互作用较强，其q值为0.052；其次是气温变化与降水变化的交互作用和GDP变化与气温变化的交互作用，其q值分别为0.046和0.045（图8-b，iii）；另外，人口数量变化与高程变化的交互作用、降水变化与高程变化的交互作用、GDP变化与高程变化的交互作用以及GDP变化与坡度变化的交互作用都表现为单因子非线性较弱的特征。2015—2020年，气温变化与降水变化的交互作用较强，其q值为0.079（图8-b，iv）；其次是降水变化与人口数量变化的交互作用，其q值为0.059。另外，降水变化与高程变化的交互作用、GDP变化与高程变化的交互作用以及GDP变化与坡度变化的交互作用表现为单因子非线性减弱。
由图8-c，i~c，iv可得，2000—2020年耕地驱动因子的交互探测表现为双因子增强、非线性增强，以及单因子非线性减弱的特征。2000—2005年和2005—2010年，GDP变化与气温变化的交互作用较强，其q值分别为0.182和0.124（图8-c，i、c，ii）；其次是人口数量变化与高程变化的交互作用，其q值分别为0.162和0.117。2010—2015年，GDP变化与气温变化的交互作用较强，其q值为0.062（图8-c，iii）；其次是GDP变化与人口数量变化的交互作用和GDP变化与降水变化的交互作用，其q值分别为0.058和0.055。2015—2020年，气温变化与高程变化的交互作用和人口数量变化与高程变化的交互作用较强，其q值均为0.099（图8-c，iv）；其次是高程变化与坡度变化的交互作用，其q值为0.092；另外，降水变化与高程变化的交互作用和GDP变化与坡度变化的交互作用表现为单因子非线性减弱。
由图8-d，i~d，iv可得，2000—2020年红树林驱动因子的交互探测主要表现为双因子增强或非线性增强的特征。2000—2005年，GDP变化与降水变化的交互作用较强，其q值为0.371（图8-d，i）；其次是GDP变化与气温变化的交互作用和气温变化与降水变化的交互作用，其q值分别为0.345和0.305。2005—2010年和2010—2015年，气温变化与降水变化的交互作用较强，其q值分别为0.312和0.336（图8-d，ii~d，iii）；其次是GDP变化与降水变化的交互作用，其q值分别为0.295和0.282。2015—2020年，GDP变化与降水变化的交互作用较强，其q值为0.316（图8-d，iv）；其次是GDP变化与人口数量变化的交互作用，其q值为0.283；另外，GDP变化与坡度变化的交互作用表现为单因子非线性减弱。

4 讨论与结论

4.1　讨论

本文对近20年间珠江口沿岸土地利用转变的时空特征、驱动因子的定量探测展开了深入研究。综合运用土地利用转移矩阵和动态度指数等方法定量分析珠江口沿岸景观格局转变的时空特征和迁移路径，其中珠江口西翼区域林地与耕地类型间频繁转变，而珠江口东翼区域建设用地持续扩张，与已有研究对珠三角地区的研究结果较一致［9，13-14］。随着改革开放的深入，珠江口沿岸凭借其丰富的滨海资源及毗邻港澳的区位优势［13］，具有极强的“虹吸效应”［38］，促进人口、资本和信息向海岸带聚集，近20年间珠江口沿岸大量耕地、林地和水体持续转变为建设用地（图4），以满足人口高度集聚和经济飞速发展的用地需求。据羊城晚报2015年2月3日报道，2013年珠三角国土开发强度已达16.49%，深圳、东莞、中山、佛山超过30%的国际警戒线［39］，地区土地资源短缺问题愈发严峻。为此，2008年5月广东启动产业与劳动力的“双转移”战略，掀起大规模产业转移的浪潮，腾出土地和资源发展高附加值产业［40］。2019年《粤港澳大湾区发展规划纲要》明确指出深化供给侧结构性改革，优化产业空间布局，构建“结构科学、集约高效”的大湾区发展格局［41］。由图3可得，珠江口沿岸国土开发强度由2000年的16.83%强劲增长至2020年的22.64%，反映出珠江口沿岸粗放的发展模式难以为继，亟需构建集约高效的一体化高质量发展模式。此外，珠江口沿岸社会经济高速发展产生的生态环境问题也不容忽视，如水体和绿地面积锐减引起区域生态气候的变异［42］，耕地面积减少及功能退化严重影响粮食安全保障等［43］。
海岸带景观格局错综复杂、空间异质性极高［44］，其演变过程深受自然、人为双重因素的长期影响［14，45］。纵观国内外学者对海岸带格局变化影响因子选取的考虑，主要以气候、区位、人口和经济发展为主，且以定性或半定量分析为主［9，13，46］，但驱动因素的定量探索仍十分不足。尽管本研究选取了地形（高程和坡向）、气候（气温和降水）、人口和GDP共6个驱动因子，但总体较好地定量探测出不同阶段不同土地利用转变的主导驱动力（图7），如GDP和人口数量是2000—2010年建设用地强劲扩张的主导因素，q值介于0.217~0.249（图7-a）。值得注意的是，政策对土地利用转变过程可起到加速或延缓的作用［46］。本文3.1小节结果显示，2000—2005年珠江口沿岸建设用地扩张速率最大为3.10%（表4），这与《广东省国民经济和社会发展第十个五年计划纲要》指出要加速城市化进程，到2005年珠三角地区城市化水平须达60%左右的政策驱动密切相关［47］。然而，2005—2010年珠江口沿岸建设用地扩张速率最小为0.79%，而耕地的扩张速率为4.68%，这与《广东国民经济和社会发展第十一个五年规划纲要》明确指出实施绿色广东战略，转变经济增长方式，构建资源节约型和环境友好型社会的政策指引较好相呼应［48］。当前政策因子仍难以量化，本研究暂未考虑政策对海岸带景观格局演变的定量影响，未来进行可量化政策因子方法的讨论与深究，进一步完善驱动因子的结果体系，对揭示政策主导下区域发展方向和景观演变趋势应该是一项十分有意义的工作。

4.2　结论

本文基于GEE云平台解译而形成2000—2020年共5期珠江口沿岸的土地利用类型图，综合运用转移矩阵和动态度指数定量分析珠江口沿岸景观演变过程的时空特征，定量揭示景观格局演变驱动因子的尺度依存性，并利用最优参数的地理探测器对2000—2020年珠江口沿岸景观格局演变过程的驱动因子进行定量探测，得到主要研究结论如下：
近20年来珠江口沿岸土地利用类型间频繁转变，综合动态度介于2.66%~3.62%，林地与耕地类型间相互转变最剧烈且集中位于珠江口西翼区域，而建设用地始终保持强劲增长且主要分布于珠江口东翼区域。不同土地利用类型转变地理探测的最优参数等级划分为9~15类，且驱动因子地理探测的最佳空间尺度阈值为90 m×90 m。珠江口沿岸景观演变过程受自然、人为双重因素影响，双因子交互作用的驱动力明显高于单因子驱动力，且以双因子增强和非线性增强关系为主，其中GDP变化与气温变化的交互作用对2000—2005年红树林变化的贡献最大，q值为0.345，人口数量变化与降水变化的交互作用对2005—2010年建设用地扩张的贡献较大，q值为0.280。未来珠江口沿岸资源规划与综合治理必须足够重视景观斑块的尺度效应，权衡湾区经济快速增长与区域生态环境的协调关系，促进粤港澳大湾区高质量发展。

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
陈吉余, 陈沈良. 中国河口海岸面临的挑战[J]. 海洋地质动态, 2002(1):1-5.

2
Sandilyan S, Kathiresan K. Density of waterbirds in relation to habitats of Pichavaram mangroves, Southern India[J]. Journal of Coastal Conservation, 2015, 19(2):131-139.

3
Halder S, Samanta K, Das S, et al. Monitoring the inter-decade spatial-temporal dynamics of the Sundarban mangrove forest of India from 1990 to 2019[J]. Regional Studies in Marine Science, 2021, 44:101718.

4
Wetlands. Wetlands International[EB/OL]. 2023/2023-04-23.

5
Syvitski J P M, Kettner A J, Overeem I, et al. Sinking deltas due to human activities[J]. Nature Geoscience, 2009, 2(10):681-686.

6
Tang Z. Evaluating local coastal zone land use planning capacities in California[J]. Ocean & Coastal Management, 2008, 51(7):544-555.

7
梁向阳, 梁家海, 萧金文. 珠江三角洲海岸变迁及对城市可持续发展的影响[J]. 资源调查与环境, 2005, 64(4):283-291.

8
徐庆勇, 黄玫, 刘洪升, 等. 基于RS和GIS的珠江三角洲生态环境脆弱性综合评价[J]. 应用生态学报, 2011, 22(11):2987-2995.

9
王琎, 吴志峰, 李少英, 等. 珠江口湾区海岸线及沿岸土地利用变化遥感监测与分析[J]. 地理科学, 2016, 36(12):1903-1911.

10
Chen K L, Dong H Y, Jia L W, et al. Depocentre transfer in the Lingdingyang estuary: Interferences from natural and anthropogenic forcings[J]. Ocean & Coastal Management, 2020, 185:105064.

11
崔伟中. 珠江河口滩涂湿地的问题及其保护研究[J]. 湿地科学, 2004(1):26-30.

12
Liu B, Peng S, Liao Y, et al. The characteristics and causes of increasingly severe saltwater intrusion in Pearl River Estuary[J]. Estuarine Coastal and Shelf Science, 2019, 220:54-63.

13
徐婷婷, 郑锐滨, 陈龙, 等. 粤港澳大湾区海岸线时空变化及驱动力分析[J]. 环境生态学, 2022, 4(11):34-42.

14
Li J, Hong H J, Chen Z L, et al. Study on dynamic changes of land utilization and landscape layout in Pearl River Estuary[J]. Journal of Landscape Research, 2010, 2(6):11-15, 19.

15
王树功. 珠江河口区典型湿地景观演变及调控研究[D]. 广州： 中山大学, 2005，05.

16
鞠洪润, 张生瑞, 闫逸晨. 1980—2020年粤港澳大湾区城镇用地空间格局类型演变及其驱动力多维探测[J]. 地理学报, 2022, 77(5):1086-1101.

17
韩宇韬. 数字正射影像镶嵌中色彩一致性处理的若干问题研究[D]. 武汉： 武汉大学, 2014.

18
基于最佳路径的遥感影像色彩一致性处理方法[P]. 中国专利: CN113781587A, 2021.

19
闫小培, 毛蒋兴, 普军. 巨型城市区域土地利用变化的人文因素分析——以珠江三角洲地区为例[J]. 地理学报, 2006, 61(6):613-623.

20
宗玮. 上海海岸带土地利用/覆盖格局变化及驱动机制研究[D]. 上海： 华东师范大学, 2012.

21
Meng C, Wu C Y, Wu J, et al. Spatiotemporal changes of coastal land use land cover and its drivers in Shanghai, China between 1989 and 2015[J]. Ocean and Coastal Management, 2023, 244:1-19.

22
程林, 田海兰, 武爱彬, 等. 近四十年来冀津海岸带土地利用时空变化及驱动因素[J]. 海洋科学, 2021, 45(6):135-146.

23
杨晨晨, 甘华阳, 万荣胜, 等. 粤港澳大湾区1975—2018年海岸线时空演变与影响因素分析[J]. 中国地质, 2021, 48(3):697-707.

24
王海军, 张彬, 刘耀林, 等. 基于重心-GTWR模型的京津冀城市群城镇扩展格局与驱动力多维解析[J]. 地理学报, 2018, 73(6):1076-1092.

25
张廷靖. 黄河三角洲生态系统服务时空动态及驱动机制研究[D]. 济南： 山东大学, 2022.

26
王劲峰, 徐成东. 地理探测器：原理与展望[J]. 地理学报, 2017, 72(1):116-134.

27
张华玉, 秦年秀, 汪军能, 等. 广西海岸带土地利用时空格局及其驱动因子[J]. 水土保持研究, 2022, 29(3):367-374.

28
陈玉福, 董鸣. 生态学系统的空间异质性[J]. 生态学报, 2003, 23(2):346-352.

29
龚建周, 夏北成, 李楠. 广州市土地覆被格局异质性的尺度与等级特征[J]. 地理学报, 2006, 61(8):873-881.

30
Wu Z Y, Milliman J D, Zhao D N, et al. Geomorphologic changes in the lower Pearl River Delta, 1850—2015, largely due to human activity[J]. Geomorphology, 2018, 314:42-54.

31
广东省统计局. 广东统计年鉴2022[M]. 北京: 中国统计出版社, 2022: 45-46.

32
胡盼盼, 李锋, 胡聃, 等. 1980—2015年珠三角城市群城市扩张的时空特征分析[J]. 生态学报, 2021, 41(17):7063-7072.

33
易阿岚, 王钧. 上海市湿地景观格局时空演变与驱动机制的量化研究[J]. 生态学报, 2021, 41(7):2622-2631.

34
王秀兰, 包玉海. 土地利用动态变化研究方法探讨[J]. 地理科学进展, 1999(1):83-89.

35
王思远, 刘纪远, 张增祥, 等. 中国土地利用时空特征分析[J]. 地理学报, 2001(6):631-639.

36
Song Y, Wang J, Ge Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: cases with different types of spatial data[J]. GIScience & Remote Sensing, 2020, 57(5):593-610.

37
王春晓, 黄舒语, 苗菁, 等. 珠三角基塘景观格局演变特征及驱动因素研究——以佛山顺德区为例[J]. 中国园林, 2022, 38(6):75-80.

38
叶林, 宋星洲. 粤港澳大湾区区域协同创新系统: 基于规划纲要的视角[J]. 行政论坛, 2019, 15(3):87-94.

39
汪以洋, 任红伟, 邵帅, 等. 打造“对口帮扶+合作共赢”的“广东样本”——深圳全面对口帮扶汕尾的主要做法与启示[J]. 广东经济, 2016(12):26-29.

40
桂花. 广东产业与劳动力双转移: 现状、问题和趋势[J]. 现代企业, 2010(3):39-40.

41
彭芳梅. 《粤港澳大湾区发展规划纲要》解读与启示[J]. 特区实践与理论, 2019(2):78-82.

42
吕志强, 文雅, 孙琤, 等. 珠江口沿岸土地利用变化及其地表热环境遥感分析[J]. 生态环境学报, 2010, 19(8):1771-1777.

43
余富祥, 胡月明, 刘振杰, 等. 基于力学平衡模型的耕地多功能演变及其协调性分析——以珠江三角洲为例[J]. 农业资源与环境学报, 2019, 36(6):728-737.

44
Zhou Y K, Ning L X, Bai X L. Spatial and temporal changes of human disturbances and their effects on landscape patterns in the Jiangsu coastal zone, China[J]. Ecological Indicators, 2018, 93:111-122.

45
Omar A A, Nelson R B. Landscape degradation in the Jazan coastal desert: Understanding the impact of human activities[J]. Marine Pollution Bulletin, 2023, 190:1-13.

46
孙晓宇, 苏奋振, 吕婷婷, 等. 珠江口西岸土地利用景观格局变化及驱动力分析[J]. 地球信息科学学报, 2009, 11(4):436-441.

47
广东省人民政府. 广东省国民经济和社会发展第十个五年计划纲要[Z]. 广东省人民政府办公厅, 2001: 8-15.

48
广东省人民政府. 广东国民经济和社会发展第十一个五年规划纲要[Z]. 广东省人民政府办公厅, 2006: 3-12.

Options
Outlines

/

〈 〉