西南地区城市-郊区-乡村-自然梯度景观连续体1公里分辨率数据集（1986-2021）的构建与验证

《Scientific Data》：A 1?km datasets for urban–suburban–rural–natural continuous gradient landscapes in Southwest China

本推荐介绍一项针对景观梯度监测空白的研究。为解决传统城乡二元划分忽略景观功能属性、缺乏完整梯度刻画的问题，研究人员融合不透水面(ISA)与耕地数据，应用形态学空间格局分析(MSPA)方法，首次构建了西南地区1986-2021年逐年1公里分辨率城市-郊区-乡村-自然(USRN)连续梯度景观数据集。验证显示该数据与多源产品R2＞0.8，自然景观与自然保护区高度吻合，证实其能有效揭示郊区空间异质性，为景观动态评估和可持续发展目标实现提供新视角。

　　

当我们站在城市的高楼向远眺望，映入眼帘的往往不是非黑即白的城乡分割，而是一幅由密集城区、交错分布的郊区、田园般的乡村以及原始的自然地带共同构成的连续渐变图景。这种城市-郊区-乡村-自然(Urban-Suburban-Rural-Natural, USRN)的梯度变化，真实反映了人类活动与自然环境相互作用的复杂格局。然而，现有的土地利用数据集大多固守传统的城乡二元划分，将关注点局限于城市建成区和乡村居民点，忽视了郊区这一重要过渡带的功能特性，也缺乏对自然景观的系统识别。这种数据缺失极大限制了我们全面理解社会-自然生态系统的演变规律和景观结构，也难以支撑精细化可持续发展目标的评估。

西南中国作为欧亚大陆地理景观多样性的热点区域，呈现出从海拔500米平原到7000米雪山的显著地形梯度，既包含2000万人口的超大城市，也保留着原始的自然景观，为研究完整景观梯度提供了理想场所。针对这一研究需求，发表在《Scientific Data》上的研究论文《A 1 km datasets for urban-suburban-rural-natural continuous gradient landscapes in Southwest China》提出了一个创新解决方案。

该研究团队开发了一套覆盖西南地区(四川、云南、重庆、贵州)1986-2021年的逐年1公里分辨率USRN梯度景观数据集。这一数据集突破了传统城乡二元结构的局限，首次实现了对完整景观梯度的连续监测，为我们理解景观格局演变、评估生态系统服务提供了全新视角。

关键技术方法上，研究团队融合了全球30米不透水面数据集(GAIA)和中国30米耕地数据集(CACD)，构建了基于不透水面和耕地比例的双指标识别矩阵。通过形态学空间格局分析(MSPA)进行缝隙填充，并结合形态学闭运算优化边界，最终生成USRN梯度景观分类数据。研究选取了全球城市边界数据集(GUB)、中国标准化建成区数据集(SUB)等多源数据进行验证，并利用景观格局指数和人口网格数据(LSG)评估数据的时空一致性和社会经济相关性。

背景与意义

景观是由自然与人文要素相互作用形成的具有特定结构与功能的区域综合体。自人类世以来，快速城市化深刻改变了地球景观结构，但仅关注城市生态系统不足以理解整个社会-自然生态系统的演变路径。完整的地球表层生态系统在人为因素和自然因素相互作用下，形成了城市-郊区-乡村-自然的连续景观梯度。量化这一完整梯度结构有助于监测生态系统服务，增强城乡联系理解，促进可持续发展目标实现。

目前虽然已有许多成熟的城市数据集，但大多侧重于城市范围划定，忽视乡村景观，过度强调居住属性而忽略功能差异。尽管已有研究从不同方面识别了梯度景观，如野地-城市交界带、城市-乡村-自然梯度等，但目前仍缺乏完整的梯度景观数据集。景观多功能性是梯度景观的显著特征，源于社会-自然生态系统中不同景观类型的相互作用。随着城市扩张加剧，景观沿城乡梯度的多功能性和空间配置日益复杂，对传统城乡二元划分提出挑战。

方法创新

研究采用了一种新的融合框架，主要包括四个部分：基于识别矩阵的USRN初步识别、基于MSPA模型的缝隙填充、基于形态学闭运算的边界平滑以及多维度精度验证。创新性地构建了结合不透水面和耕地比例的双指标识别矩阵，其中城市(ISA>50%)、郊区(25%50%且耕地比例>25%时，网格被进一步划分为郊区；当25%50%时，划分为乡村；两者比例均为0的区域划分为自然景观。

MSPA模型的应用有效识别了城市内部的公园、水体等空间，将其重新分类为城市像素，解决了传统方法因物理定义导致的景观碎片化问题。同时，形态学闭运算优化了不同景观类型的边缘像素，保持了景观异质性。

结果验证

时间稳定性评估显示，USRN数据集与其他产品保持高度一致性，特别是2000年后所有R2大于0.84。当将城市和郊区合并比较时，USRN与UMG、GUB和CSY的相关性均提高，体现了其在识别郊区方面的优势。与SUB数据集的相关性显著降低(R2=0.67，2020年)，因为SUB仅识别城市建成区，忽略了重要的郊区梯度景观。

空间完整性方面，通过叠加谷歌影像图发现，对于不同扩张模式的城市，USRN数据集识别的城市动态与影像图中的实际城市范围吻合良好。与SUB数据集相比，USRN识别的城市边界更光滑，而SUB识别的城市范围极其碎片化，存在明显空洞。特别是在贵阳南明区，该区域包含多个大型生态公园和旅游度假区，SUB遗漏了这部分城区，而USRN能更好描绘城市扩张细节和多中心城市复杂扩张模式。

景观格局指数比较显示，USRN数据集在描绘城市形态方面具有优势。随着时间推移，四个数据集中四个不同城市的景观形状指数(LSI)值均增加，表明随着城市化加速，城市形态复杂性不断增加。聚集指数(AI)比较中，SUB数据集的AI显著低于其他三个数据集，因其基于物理城市定义，无法将城市内的绿地和水体识别为城市部分，导致城市形态碎片化。而USRN采用功能城市定义，将这些服务城市生态和居民生活的空间纳入城市类别，实现了更高程度的空间聚集。

人口统计验证表明，USRN与总人口的一致性随时间推移而提高，R2从2000年的0.62增加到2020年的0.88。郊区面积与人口的一致性显著低于城市面积与人口的一致性，证实了郊区分布与人口分布间存在异质性，反映了郊区景观的多功能复杂性。

结论与展望

该研究创建的USRN数据集突破了传统城乡二元结构，首次实现了对完整景观梯度的系统刻画。数据集具有35年时间序列(1986-2021年)，空间分辨率为1公里，适用于省级或流域级区域尺度分析。其主要应用价值体现在三个方面：支持城乡自然联系研究，使研究人员能量化城市核心与乡村腹地间人口流动、资本和生态系统服务的相互作用强度、方向和速度；助力景观格局与生态系统服务评估，为模拟和监测城市化连续体上生态系统服务变化提供更真实基础；指导可持续城市和区域规划，帮助识别经历快速土地利用变化的关键过渡区(特别是郊区)，为基础设施发展、生态保护和农地保护的有针对性政策制定提供依据。

研究也存在一定局限性：1公里分辨率不适合地方尺度应用；"城市"类别包含功能型城市空间如公园和湖泊，可能导致城市边界内人口密度轻微低估；"自然"类别是所有非耕地和非不透水地表覆盖的复合体，不区分具体自然地表覆盖类型；识别矩阵和阈值针对西南地区特定社会生态背景校准，直接应用于其他地区可能需要重新校准。

未来工作可从三方面增强框架：纳入兴趣点等额外数据层进行郊区社会经济验证，利用高分辨率土地覆盖细化自然类别；开展分类阈值的系统敏感性分析；开发基于机器学习的方法，在更大地理区域自动化梯度制图过程。该数据集为景观动态研究提供了新的基础数据支持，对促进地理学、生态学和可持续科学的多学科交叉研究具有重要意义。