![]()
摘要：绿色空间暴露度量可以对不同时间、空间和人口群体的绿色空间供应进行比较，并推断人们享受附近绿色环境的健康和娱乐益处的机会的变化模式。更好地了解不同空间尺度的绿色空间暴露差异是减少环境健康差异的关键要求。然而，现有的研究通常限于单个城市或跨选定的城市，这严重限制了测量系统性国家和区域规模差异的结果的使用，这些差异可能需要在个别城市规划一级以上的政策。为了弥补这一知识差距，我们的研究旨在对中国各省、市、县、镇和地块的多尺度绿地暴露进行全面评估。我们利用Sentinel-2卫星图像绘制了全国范围内10米的绿地覆盖率，然后建立了人口加权绿地暴露模型，以研究不同尺度下绿地暴露的变化。研究结果表明，中国多尺度行政区划的绿地暴露度存在显著的尺度效应，异质性随着空间尺度的细化而增强。我们还发现，在地理人口划分边界(即黑河-腾冲线)上，绿地暴露和绿地覆盖之间的差异存在不对称模式。总体而言，中国东部的绿地覆盖率将高估更现实的人类对绿地的暴露，而中国西部的绿地覆盖率将低估。我们进一步发现，在中国，最近城市化的地区比老城市地区有更好的绿色空间暴露。该研究为揭示多尺度绿色空间暴露差异提供了空间显式的绿色空间暴露度量，这将增强政府量化环境正义、发现脆弱的绿色空间暴露风险热点、优先考虑超城市尺度绿色空间管理以及监测绿色空间供需平衡的能力。
引言
绿地，通常是带有公园、花园、街头种植园、草坪、森林和农作物等自然植被的开放和未开发的土地(Mitchell and Popham, 2008;Wolch et al, 2014)，为生存环境的功能提供关键的生态系统服务(Wolch et al, 2014;young,2010)。在更广泛的尺度上，森林等绿色空间通过调节陆地-大气的能量和水交换在气候系统中发挥重要作用(Friedlingstein et al., 2020;Zhao and Jackson, 2014)。 在地方和城市范围内，大量研究记录了广泛的环境效益，如 调节小气候（Maimaitiyiming et al., 2014;Sun et al., 2019 ）、 减少热岛强度（Doick et al., 2014）、减轻空气污染（Kumar et al., 2019；Nowaket al., 2014）以及保护生物多样性（Meleroet al., 2014）。生物多样性（Meleroet al., 2020;Strohbach et al., 2013）。此外，城市绿地对人类健康和心理健康的保护作用也得到了广泛的报道(Sarkaret al., 2018)，这源于其在促进身体活动、支持性社会互动、促进社区意识和缓解压力方面的功能作用(Franciset al., 2012;Jianget al., 2016; Kemperman and Timmermans, 2014;Kumaret al., 2019; Markevych et al., 2017;Sarkar et al., 2018)。在过去的半个世纪里，世界上许多地方都经历了人口的快速增长和城市的扩张(Gong et al., 2020b;Gong et al., 2012)，而这种前所未有的城市化进程，由大规模的农村向城市迁移驱动，导致了大量的土地覆盖变化，包括绿地的破坏和改造(Chen et al., 2017;Theobald et al, 2020)。例如，Nowak和Greenfield(2012)发现，在分析的20个美国城市中，有17个城市的树木覆盖率显著下降，平均每年下降0.27%。在大多数东欧城市，也发现了类似的城市绿地持续减少的趋势(Kabisch和Haase, 2013)。在中国，Sun等人(2011)和Chen等人(2017)都报告了主要城市城市绿地覆盖率的减少。Zhao et al .(2013)和Yang et al .(2014)得出结论，自20世纪90年代以来，中国城市变得更加绿色。造成这种差异的主要原因似乎是城市绿地定义的差异(Chen et al., 2017)。城市绿地既可以被狭义地视为具有大量植被的户外场所(Jim and Chen, 2003)，也可以广泛地代表任何部分或完全被草、树木、灌木和其他植被覆盖的土地(Cameron and Hitchmough, 2016;Chen et al., 2017)。再加上测量问题，城市范围定义的不一致和数据源空间分辨率的差异导致估计偏差和可比性和可靠性问题。除了观察到的城市绿地损失趋势外，快速城市化还通过将农业用地转化为城市用地来改变区域绿地景观(Tu et al., 2021)。鉴于我们现在所知道的绿色空间与人类健康和福祉之间的联系，随着城市的扩张和强化，绿色空间的巨大变化令人非常担忧(Ezzati et al., 2018)。从环境正义的角度来看，绿色空间特权日益受到学术界、实践界和公众的关注(Jennings et al., 2012;Rutt and Gulsrud, 2016;Wolch et al., 2014)。在美国等国家(Lu et al., 2021;Rigolon et al., 2018)，德国(w<e:1> stemann et al, 2017;Xu et al., 2018)和中国(Song et al., 2021;Wu和Kim, 2021)，在城市和社区之间观察到绿色空间供应的巨大差异。基尼系数被广泛用于衡量城市内部和城市之间绿色空间可达性的不平等。Wu和Kim(2021)使用基尼系数(UGSE)开发了城市绿地平等指数来衡量城市内绿地的总体分布，并使用公园绿地平等指数(PGSE)来衡量公众进入公园的平等性。对中国341个地级市的调查结果显示，城乡居民消费水平和城乡居民消费水平存在较大差异。Song等人(2021)通过进一步考虑中国303个城市绿地暴露评估中的人类流动性，报告称，中国大多数城市在城市绿地暴露方面存在高度不平等，其中207个城市的基尼系数大于0.6。这些发现应该为政府和从业者提供信息，以优化绿色空间管理，追求环境正义和城市效率。尽管越来越多的研究关注于绿色空间暴露的制图、监测和建模，但研究进展仍然有限。首先，绿地与人类之间的空间互动尚未得到很好的量化。广泛使用的绿色空间覆盖总量指标没有考虑到可能使用它的人口的可达性。总供给或人均供给的总量水平度量是一种生态谬误。人均水平不能解释不同地区居民对绿地需求的空间异质性。使用网络距离而不是乌鸦飞距离可以使这种性质的暴露的相互作用指标更加准确;按人口结构加权;使用社交媒体数据进行更细致的校准。尽管之前的一些努力试图通过考虑人类和生活环境的时空动态来解决这些问题(Chen et al., 2018a;Chen et al., 2018b;Song et al., 2018)，由于数据可用性和模型泛化方面的障碍，它们仅限于采样城市。二是绿地暴露的多尺度差异没有得到很好的解开。更好地了解不同空间尺度的绿色空间暴露差异是减少环境健康差异的关键要求(Addas和Maghrabi, 2022;Collins et al., 2020;Labib et al., 2020)和优化城市规划实践(Chi et al., 2020; Liu et al., 2020; Sathyakumaret al., 2019;Wang et al., 2020)。现有的绿地暴露评估研究通常局限于单个城市或城市样本(Chen et al .， 2020;Song等，2021;Song等人，2018)，而不是扩大到更大的尺度(例如，省和国家)或缩小到县、镇和地块的更小尺度。此外，缓冲距离在纳入不同附近绿地进行绿地暴露评估时的尺度效应尚未从局部尺度传播到区域尺度。然而，关于人类暴露于绿地的空间异质性的多尺度信息，对于从中央到地方的各级政府决策者来说，对于实际改进绿地规划是非常重要的。第三，关于绿地暴露的现有知识集中在城市背景下，很少有研究量化不同城市化阶段或水平(如不同规模或层级的城市)的绿地暴露的空间梯度。针对这一问题的定量分析将促进我们对绿色空间环境和绿色空间暴露差异的理解，并在中国这样的政策制定中更好地为政策和行动提供信息，在中国，城市化一直是政策和规划的一个积极维度(Mu et al., 2020;Zhou et al., 2021)。因此，我们的研究旨在从特定城市的政策评估和需求评估转向试图为整个城市密度范围内的绿色空间暴露科学奠定基础。据我们所知，目前还没有其他实证研究考察了在全国范围内，跨越一个国家的完整城市密度梯度，人类暴露于绿色空间的多尺度差异。此外，由于测量和建模方法不一致，以往由地方机构和政府领导的绿色空间测绘和绿色空间暴露评估工作往往产生不同的结果和无法解释的差异。从相同或一致的数据源，采用相同或兼容的制图和评估方法，在多个尺度上进行绿色空间暴露评估至关重要。这是因为，只有根据类似标准得出的绿色空间暴露评估结果和基线，才能制定一致的环境政策，并对多层次利益相关者和环境管理部门的适应性行动努力进行比较和评估(Gong et al.,2020a)。鉴于上述挑战，我们的研究开发了一个多维框架来表征人与绿地之间的空间互动;量化多尺度暴露;作为一个概念验证实验，用它来分类整个中国的绿色空间暴露的潜在模式和特征。具体而言，我们解决了以下三个问题:(1)在省、市、县、镇和地块层面的评估中，人类对绿地的暴露有何差异?(2)全国绿地覆盖率和绿地曝光率的分布比较如何?(3)城市扩张如何影响绿地暴露的时空分布?2. 方法
2.1 研究区域
图1给出了本研究的研究数据、方法和预期结果流程图。我们测量了绿色空间覆盖率与人口分布之间的相互作用，作为中国人类对绿色空间暴露和供需关系的指标。具体来说，我们使用Sentinel-2图像和光谱分解来生成部分绿地覆盖，并利用PlanetScope高空间分辨率图像进行准确性验证。我们使用WorldPop来估计人口的空间分布，并使用相应的人口普查数据来验证准确性。基于人口加权暴露模型，以省、市、县、镇、地块为单位进行了多尺度的绿地暴露评价。我们使用WebGIS平台将结果可视化。基于这些数据，研究了中国绿地暴露度的多尺度差异，在数据属性上明确了空间和尺度的控制。图1所示 研究设计流程图，包括数据集、方法和预期结果
2.2. 中国绿地比例图的生成
在Google Earth Engine (GEE)平台上，利用2019年1月至2020年12月期间的240190张Sentinel-2A/B图像，采用线性光谱解混(LSU)模型绘制了基准年- 2020年中国10米绿地覆盖率分数图。LSU模型是一种亚像素分析方法，它使用纯土地覆盖像素——“末端成员”——将混合像素分解为一组分数(Keshava, 2003)。与传统的基于像元的方法不同，亚像元方法可以解决中、粗分辨率遥感数据的混合像元问题，在绿地制图中显示出巨大的潜力(Song et al., 2021;Song et al., 2020)。如式(1)所示，LSU模型假设每个像元的光谱特征可以被建模为几个光谱纯净的土地覆盖成分的线性组合(Weng et al., 2004)。![]()
式中，Rib为第i个像元b波段被一个或多个纯土地覆盖端元覆盖的光谱反射率，fki为端元k在第i个像元中所占比例，Ckb为端元k在b波段的已知反射率，εib为第i个像元中未建模残差，n为端元总数。在式中，比例fki受以下约束。(2) -(3)，可用最小二乘法计算。![]()
考虑到GEE最大计算能力的限制，我们将整个研究区域划分为3°× 3°子区域(共140个子区域)提取绿地分数图(图S1B)。在每个子区域内，我们基于生物群落的末端成员库建立了LSU模型，然后对合成的Sentinel-2图像进行分解，以估计绿地覆盖率的分数。我们将蓝、绿、红和近红外(NIR)的4个10 m波段以及NDVI和NDWI的2个附加波段作为LSU模型的输入。最后，我们使用高分辨率PlanetScope图像作为参考，对衍生的分数绿地覆盖图进行验证。数据预处理、端元切片、绿地分解和验证的方法细节在补充材料中提供。2.3. 网格化人口数据集
WorldPop (www.worldpop.org)基于随机森林模型和基于行政单位的人口普查全球数据库，提供居住在每个100米× 100米网格中的估计人数(Stevens et al, 2015)。鉴于其精细的空间分辨率和年更新频率优于其他基于网格的人口数据集，如世界网格人口(GPW) (CIESIN, 2018)和LandScan (Dobson et al, 2000)，我们使用2020年的WorldPop数据集来量化中国人口的空间显式分布。我们进一步收集了从国家人口与健康科学共享平台获得的2014年中国人口普查数据。在县级尺度上验证WorldPop数据集的准确性。我们测量了一个相对合理的验证性能，r平方大于0.9(图S2)。2.4. 单位划分层次
由于绿地和人口分布在空间上存在差异，因此在估算绿地暴露时应评估两者的空间异质性。由于可修改的面积单位问题(MAUP)，这应该在不同的空间尺度上完成(Chen et al., 2018b)。在多个空间尺度上进行测量是一种测量可靠性测试，可以深入了解与暴露有关的尺度特定模式和动态。因此，我们使用四种不同的行政区划边界作为绿地暴露分析的空间单元:省级行政区划边界(以下简称“省”，图1)、地级市行政区划边界(以下简称“市”，图1)、县级城市行政区划边界(以下简称“县”，图1)和乡镇行政区划边界(以下简称“镇”，图1)。此外，采用具有同质社会经济功能的地块(Gong et al., 2020a)在更精细的尺度上评估绿地暴露。我们使用OpenStreetMap (OSM)数据(www.openstreetmap.org)中的主要道路和次要道路作为道路网络来划分整个中国的地块。在空间上，地块是由路网包围的多边形，作为城市土地利用功能的内在分割(Gong et al., 2020a)。我们进一步移除了那些总面积小于1000平方米的小地块。通过将地块地图与2018年从Landsat数据中提取的全球城市边界(GUB)叠加(Li et al, 2020)，我们生成了用于绿地暴露评估的最佳水平的最终地块层(图1)。2.5. 绿地覆盖率评估
我们将2.2节中得到的绿地分数图与2.4节中不同的单位划分模式重叠，计算物理绿地覆盖率(GC)率。每个单元在不同尺度上的平均GC可根据式(4)导出，![]()
其中Gi为第i个网格的绿地覆盖分数，N为特定单元内的网格总数，GC为对应单元的绿地覆盖估计水平。
2.6. 人口加权绿地暴露评估
我们计算了每个单元划分中不同缓冲区大小的人口加权绿地暴露(参见第2.4节)。人口加权暴露模型是一种自下而上的评估(Chen et al., 2018a;Chen et al., 2018b;Song et al., 2018)，该研究考虑了人口分布与绿地分配之间的空间相互作用，并相应地赋予了更多人居住的绿地暴露更大的权重。具体而言，每个单元划分GEb中不同缓冲面积绿地的人口加权暴露量定义如下:
![]()
式中，Pi表示第i个栅格的总体，Gb i表示第i个栅格在不同缓冲区大小b(即100 m、500 m、1000 m、1500 m)下的绿地覆盖度分数。N表示特定单元内的栅格总数。
2.7. 绿地暴露的多尺度差异
基于第2.6节中描述的GE索引，我们首先构建了一个基于esri授权的webgis平台，以可视化不同部门模式之间GE的差异。我们调查了不同尺度和空间的绿色空间暴露差异，研究重点如下:2.7.1. 附近绿色环境的缓冲半径如何影响绿地暴露评估?
不同的缓冲半径提供了一个动态的人类绿地空间布局的空间异质性视图。采用100m、500m、1000m和1500m 4个缓冲半径计算人口加权绿地暴露，并研究了周边绿地环境的缓冲半径对绿地暴露评估的影响。具体来说，我们计算了1500米和500米缓冲半径场景之间的差异，以测量不同划分模式下绿地暴露体验的边界范围。此外，以前的研究广泛使用四分之一英里(400-500米)的社区来测量绿地暴露(Sarkar et al, 2018)。因此，我们选择了一个500米的流域缓冲区进行主要分析(基于其他三个缓冲区半径的结果在补充材料中提供)。2.7.2. 中国绿地覆盖率和绿地曝光率的分布情况如何?
根据定义，绿地覆盖量和分布不等于绿地暴露量（Song et al.,2021；Song et al.,2018），因为后者旨在反映需求，而后者仅反映供应。后者旨在反映需求，而前者仅反映供给。从技术上讲，单个细胞的绿色空间覆盖率和绿色空间暴露之间的差异是细胞数量。但综合到一个行政单位进行分析，这种差异是不确定的，将受到绿地和人口的空间分布的共同控制。例如，如果一个城市的物理绿地覆盖率(GC)为60%，则意味着总绿地覆盖率除以城市总面积为60%。相比之下，如果绿地暴露度(GE)为60%(假设使用式(5)中附近500m缓冲区)，则意味着该城市在人们附近500m环境内的绿地覆盖率平均为60%。因此，我们要问，这种差异在不同的空间位置上是如何变化的?通过计算第2.5节中的物理GC，并将其与第2.6节中相应的人口加权GE进行比较，我们量化了四种行政区划模式的GC和GE之间的差异。我们进一步总结了华北(NC)、东北(NEC)、华东(EC)、华中(CC)、西南(SC)、西北(NC)、华南(SC)这七个区域的差异(图S1B)。2.7.3. 城市扩张在空间和时间上如何影响绿地暴露?
城市扩张极大地重塑了中国的国家绿地景观，但城市扩张如何影响绿地暴露的时空分布尚不清楚。我们收集了1990年、2000年、2010年和2018年的GUB数据，将整个中国城市区域划分为城市扩张期(Li et al.,2020)。我们首先将其分为两个部分:旧城区(1990年之前)和新城区(1990年-2018年);然后进一步将新城区分为三组:早期新城区(1990年-2000年)、中期新城区(2000年-2010年)和近期新城区(2010年-2018年)。我们采用Eq.(5)中的人口加权绿地暴露模型来计算每个类别的平均绿地暴露水平。我们还将基于gub的城市扩张剖面图与省级区划重叠，以调查城市扩张对省级绿地暴露的影响。3.1. 部分绿地覆盖率的映射和验证
图2A给出了一个基于非混合的分数绿地覆盖率图(为了可视化，它被聚合到1000米)。验证点分布在中国各地(图2A)，与高空间分辨率PlanetScope图像(图2B)获得的绿地覆盖率相比，导出的绿地覆盖率图的相关系数相对较高，为0.82。在绿地覆盖的空间分布方面，基于Sentinel-2非混合的分数绿地覆盖(图2E)与基于PlanetScope图像的分类绿地覆盖(图2C-D)呈现出非常一致的模式。![]()
图2所示。绿地分数地图的映射和验证。(A)中国27个验证站点覆盖的最大绿地分数覆盖率的地理分布，(B)基于PlanetScope的绿地分数与基于Sentinel-2的绿地分数的比较，(C)基于PlanetScope的红绿蓝合成图像，(D)基于PlanetScope的绿地/非绿地分类，以及(E)基于Sentinel-2的上海绿地分解结果。
3. 结果
3.2. 绿地暴露评价的空间异质性
图3显示了省(图3A)、市(图3B)、县(图3C)和镇(图3D)多个尺度下中国人类对绿地的暴露评估。一方面，在各个尺度下，绿地暴露程度存在显著的地理差异。例如，在省级评价中，贵州(70.28%)、黑龙江(69.20%)、云南(68.63%)和广西(67.78%)是绿地暴露水平相对较高的省份。东南沿海和西北干旱半干旱区省份绿地暴露水平相对较低。另一方面，在不同尺度之间，绿地暴露的地理格局和程度也存在明显差异。通过深入研究更精细尺度的绿地暴露评估结果，我们发现了更多的空间异质性，例如在一个省(图3A-B)、一个城市(图3B-C)和一个县(图3C-D)内的绿地暴露。![]()
图3所示。以500米半径为缓冲邻里环境的中国人类对绿地暴露的多尺度评价(A)省、(B)市、(C)县、(D)镇不同行政区划绿地暴露水平统计
图4给出了一个在北京抽取的例子，以说明衍生的评估结果如何用于提供主题信息，记录人类暴露于绿色空间的不同方面。作为一个城市的整体单元，北京的总体绿地暴露水平为46.72%(图4A)。也就是说，北京市居民周边500米范围内的绿地覆盖率平均为46.72%。在北京16个县(图4B)的范围内，延庆(60.77%)、房山(58.77%)、密云(56.70%)、怀柔(55.50%)等郊县绿地暴露度最高，西城(34.15%)、东城(35.91%)等核心县绿地暴露度较低。在城镇尺度上(图4C)，可以区分绿地暴露水平的更详细的异质性。特别是，地块级别的绿地暴露揭示了城市设计尺度上的详细绿地暴露差异，大致对应于邻里社区。图4-d显示了北京哪些社区地块相对于其他地块享有更好的绿色空间。![]()
图4所示。人类对绿地暴露的多尺度评价——以北京为例。(A)市、(B)县、(C)镇、(D)地块不同尺度绿地暴露水平统计
正如所预期的那样，通过推理，我们的结果表明，缓冲区半径越大，绿地暴露评估的结果就越高，因为在暴露评估中可以考虑到更多的偏远绿地覆盖面积。另一个观察结果是，在省、市和镇的尺度上进行的更广泛的评估对缓冲区半径的变化更为稳健，平均差异分别为1.8%、1.9%和2.0%(图5)。然而，当我们使用城镇和地块进行更精细的评估时，衍生的评估产生了更多的异质性，这可以从更大的标准差中看出(图5)。![]()
图5所示。1.5 km和0.5 km缓冲半径在省到市、县、镇、地块5个划分尺度下评价结果的绿地暴露差异箱线图标记的数字是每个统计水平的绿地暴露差的平均值。
在北京的例子中(图6)，我们观察到不同地块之间的绿地暴露水平对比，使用100米的缓冲半径进行式(5)(图6A)。例如，有几个地块呈深红色，平均绿地暴露水平低于10%。相比之下，有一些地块呈蓝色，平均绿地暴露水平高于60%或70%。然而，在使用500米缓冲半径进行绿地暴露评估时，通过纳入更多附近的绿地，这种差异将得到显著缓解(图6B)。通过进一步将缓冲半径提升到1000米和1500米，我们会发现大部分地块处于30%至40%的绿地暴露水平范围内(图6C-D)。然而，我们发现一些地块群在缓冲半径上的绿地暴露率始终较低(例如，用橙色表示的平均绿地暴露水平为20%至30%)。这一发现可以帮助确定脆弱的地区或面临与人口规模有关的有限的附近绿地的地区。更重要的是，绿色空间暴露的聚类可以为决策者和规划者提供空间上的明确参考，以确定绿色空间供应的优先顺序和优化绿色空间设置，以解决最根本的绿色空间供需平衡问题。![]()
图6所示。不同缓冲半径下人口加权绿地暴露评价结果的比较使用(A) 100米，(B) 500米，(C) 1000米，(D) 1500米的北京地块水平评估示例。3.3. 绿地曝光和绿地覆盖的区别
为了比较人口加权的绿地暴露(图3)和绿地覆盖率(图S6)，我们在以下尺度上生成了中国各地的差异:省、市、县和镇。图7中的红色表示人类绿地暴露低于物理绿地覆盖率的位置，蓝色表示人类绿地暴露高于物理绿地覆盖率的位置。结果表明，常用的绿地覆盖率等指标在各分区尺度上均存在高估和低估绿地暴露的现象。但是估计误差不是随机的。我们发现了跨越人口分界线的绿地暴露和绿地覆盖之间的不对称模式，即在中国的胡氏线:黑河-腾冲线的两侧(Hu, 1935)。其中，华东地区表现为“高估”，人类绿地暴露度低于物理绿地覆盖率;西部地区表现为“低估”，人类绿地暴露度高于物理绿地覆盖率。这种模式在省(图7A)和市(图7B)的尺度上尤为突出。然而，如果我们对县级（图 7C）和镇级（图 7D）进行更精细的调查，我们还可以观察到中国西部的一些 "高估 "区域和中国东部的一些 "低估 "区域。![]()
图7所示。(A)省、(B)市、(C)县、(D)镇不同行政区划的人口加权绿地暴露和绿地覆盖率(GE-GC)差异各区域的统计数据进一步表明，中国的绿地暴露度和绿地覆盖率之间存在相当大的差异(表1)。除西北地区(0.41±14.59%)外，其余6个区域的绿地暴露度均低于城市尺度的绿地覆盖率，华北地区的平均差异为¶12.00±10.88%，东北地区为¶21.20±6.67%，华东地区为¶15.93±6.97%，华中地区为¶13.46±4.02%。西南地区10.29±8.61%，华南地区16.78±6.81%。在县域尺度上，各区域绿地暴露度与绿地覆盖率的平均差异均为负(表1)。在城镇尺度上，差异格局与城市尺度相同(表1)。表1中国7个区域绿地覆盖度、绿地暴露度及其差异的多尺度统计。华北、东北、华东、华中、西南、西北、华南。![]()
3.4. 城市扩张对绿地暴露的影响
在过去的30年里，中国经历了前所未有的城市扩张(Gong et al., 2020b)。如图8A所示，提取的北京城市示例概述了不同时期的城市扩张进程，蓝色代表1990年之前的旧城区，橙色代表1990年至2000年的早期扩张城区，绿色代表2000年至2010年的中期扩张城区，粉色代表2010年至2018年的近期扩张城区。可以清楚地看到，与1990-2000年期间相比，随后的20年(2000-2010年和2010-2018年)经历了更广泛的城市扩张(图8A)。将1990年以前的城区作为老城区，将1990年至2018年扩大的城区划分为新城区，结果表明，从整体上看，新城区居民的绿地暴露度更高(41.47%)，比老城区居民的绿地暴露度(32.39%)高9.08%。通过将城市扩张划分为四个时间周期，我们发现从旧城区到新城区绿地暴露增加的趋势明显(图8B)，即从旧城区(32.39%)到早期扩张城区(34.68%)、中期扩张城区(41.20%)和近期扩张城区(51.98%)。省尺度的结果进一步强化了这一发现，即与旧城区相比，最近新扩展的城区为居民提供了更好的绿地暴露(图8C)。
![]()
图8所示。城市扩张与绿地暴露变化。(A) 1990 - 2018年北京城市扩张过程，(B)全中国不同时期城市绿地暴露水平，(C)各省城市绿地暴露水平。
4.讨论
4.1. 绿地暴露的尺度效应
我们的研究从两个方面揭示了中国人类暴露于绿色空间的多尺度差异。(1)基于省、市、县、镇、地块等不同行政单元的自上而下绿地暴露评价。总体而言，绿地暴露的空间异质性表现为三个主要特征。首先，胡线两侧绿地暴露与绿地覆盖(GEGC)差异呈非对称分布。中国东部的绿地暴露度低于覆盖度，而中国西部的绿地暴露度高于覆盖度(图7)。这是因为中国西部干旱半干旱的环境条件使其不适合植被生长。可用的绿色分布更接近人类住区(Song et al., 2020)。这可能是由于人类在定居点周围进行耕作和灌溉，以及人类在可耕地和水源附近定居的吸引力。因此，我们的指标是在更干旱的地区更有效地利用绿地和灌溉或灌溉土地，这些地区的土地更稀缺。相比之下，中国东部远离人类住区的偏远地区分布着大量的森林。其次，绿地暴露的空间格局在各个尺度上都有其独特性。特别是绿地覆盖度与人口分布之间的空间交互作用导致了不同尺度上的异质性。例如，在省尺度上，我们会发现贵州的绿地暴露水平最高(图3A)。但在市县尺度上，我们发现绿地暴露水平分布不均匀，贵州一些市县的绿地暴露水平仍然较低(图3C-D)。当我们在更细的城镇和地块尺度上进行检查时，由于人类绿地分布的差异，会出现更大的异质性(图4)。第三，城市区域内的绿地暴露程度存在相当大的差异。我们的研究结果表明，与新扩展的地区相比，旧城市地区的绿地暴露率较低。这一观察结果突出了通过平衡土地供应和绿地保护，实现城市居民更平等的绿地暴露的实践行动的必要性。(2)绿地暴露评价中邻近绿地环境的缓冲大小。包含不同范围附近绿色环境的不同缓冲区大小将影响绿色空间暴露评估的结果(Su et al., 2019)，但尚未在空间尺度上对其进行定量评估。对邻近绿地缓冲半径的敏感性分析进一步揭示了人与绿地关系的局部异质性。本研究构建的基于webgis的平台提供了一个多尺度绿地暴露的综合视图，包括多尺度缓冲半径作为居住区的邻域范围和物理可达性。
4.2. 贡献和影响
作为一项实证研究，本研究为绿色环境领域的知识和实践做出了贡献，并为未来的研究、政策制定、规划和设计提供了潜在的启示。 首先，我们在中国生成了空间分辨率为 10 米的派生绿地覆盖图，该图提供了非常精细的绿地绘图，可以计算亚像素绿地覆盖率。基于分类的方法和产品已广泛用于从中等卫星图像(如Landsat和Sentinel-2)中提取绿地覆盖率(Chen et al., 2017;Kuang et al., 2021; Liou et al., 2021)。然而，这种硬分类将不可避免地导致对这些亚像素绿色空间信号的偏差估计(高估或低估)。商业高空间分辨率图像的可用性有助于准确提取绿地覆盖率，但这些努力总是局限于局部尺度，如城市和城市群。作为制图精度和财务成本之间的最佳平衡，本研究扩展了我们之前基于sentinel -2的分解工作，以获得国家绿地覆盖制图。包含大量来自高空间分辨率PlanetScope图像的验证图也验证了该衍生数据集的鲁棒性和可靠性。其次，我们考虑了绿地覆盖率和人口分布的空间结构，以模拟人类与绿地的相互作用。这有助于估计常用指标(如绿地覆盖率)高估或低估绿地需求的程度，这是通过暴露模型来衡量的。虽然以前的许多研究都是在绿色空间评估方面进行的(表S1)，但它们更多的是在绿色空间供应的测量方面，并且受到地方到区域尺度的限制。由此得出的绿色空间暴露指标可以比较整个空间的绿色空间供应，并推断人们享受附近绿色环境的健康和娱乐益处的机会的变化。据我们所知，这项研究是第一次在中国四个不同的行政区划和地块上提供多尺度的绿地暴露评估。
本研究产生的数据、方法和结果有望具有更广泛的潜在实际意义。首先，直接交付成果包括国家绿地制图和多尺度绿地评估结果，为中央和地方政府更好地了解绿地的物理布局和人们对绿地的实际暴露提供了依据和见解。本研究提供的知识将有助于政策制定者、城市规划者和景观设计师实施更有效和可持续的绿化方案，以适应不同的当地环境，实现更公平的绿色空间分配。例如，我们的结果可以为相关利益相关者提供空间明确的指导，以确定应该改善供应的地点，以更好地暴露在绿色空间中。我们的模型甚至可以用来计算达到某些阈值或目标所需的绿化努力的大小。第二，我们的多尺度绿地暴露评估表明，物理绿地覆盖率将高估人口调整后的供应经验，特别是在华东地区。它为纳入更多以人为本的指标来衡量绿色城市提供了重要见解。应该考虑人口分布(即位置和密度)与绿色环境(即覆盖率和数量)之间的空间相互作用，以揭示人们在日常生活中如何真正享受附近的绿色空间。
4.3. 不确定性和未来研究
应该承认本研究中的一些不确定性。首先，本研究的主要分析使用最绿的复合材料来表示最大的绿地覆盖率。然而，一年中植被物候的差异会影响人们的累积绿地暴露水平，特别是对纬度样带。因此，我们结合Sentinel-2时间序列影像，得出季节复合数据，进一步验证人类暴露于绿地的季节变化(补充资料)。我们的分析表明，绿地暴露在省、市、县和镇之间是动态的季节性变化(图S7)，夏季和秋季的幅度最大，春季和冬季的幅度要小得多。根据夏季(即高峰)和冬季(即低谷)绿地暴露度的差异，正如预期的那样，我们发现中国存在显著的纬度梯度，中国北方的绿地暴露度的季节性要比南方大得多(图S8)。然而，主要分析中最绿色的复合材料提供了对绿色空间暴露的最大潜力的估计。我们的下一步是整合长期时序遥感图像，以提供空间和时间上明确的绿色空间监测和制图，这可以解释季节物候和突发干扰的变化。其次，在不区分绿地类型和质量的情况下，利用卫星绿地覆盖率量化人类绿地暴露。然而，人类暴露于不同的绿色空间类型，如树木(阴影)和灌木/草(非阴影)，与不同的健康益处相关(Reid et al.,2017)。此外，自上而下对绿地数量的估计不能准确地描述眼睛水平的绿地增值，这会产生一定的差异(Jiang et al., 2017)。针对这一问题，我们建议未来的研究方向之一是结合多源遥感和社会传感数据集，如卫星、激光雷达、街景图像和众包全景图像，得出绿地类型分类，并建立“鸟瞰”和“眼观”绿地转换函数模型。最后，本研究使用缓冲半径来量化人们附近的绿地环境。
然而，就产权而言，这并不完全等同于绿地的物理可达性(私人绿地，如私人后院、社区花园和公园)以及高层和密集城市环境下的不可达性(Sun et al.,2021)。我们也承认，将社会经济地位和人口结构纳入绿地暴露评估将更加准确和全面，因为一些在社区或城市局部尺度上的实证研究已经揭示了人们的生活方式优先级和社会经济地位对绿地实际利用的影响(Dadvand et al.,2012;Mueller et al.,2018;Olsen et al.,2022)。然而，人们与附近绿色空间之间的距离已被广泛认为是影响人类接触绿色空间及其相关健康益处的有害因素(Abareshi et al.,2020;Markevych et al.,2014;Nutsford et al.,2013)，这加强了本研究关注人与绿地空间相互作用的假设。总体而言，本研究提供了对中国自然绿地分布和人类绿地暴露的全面了解，为未来广泛的研究、实践和优化提供了一个基准。
5. 结论
这项全国性的研究旨在研究中国各省、市、县、镇和地块之间人类接触绿地的多尺度差异。研究发现，多尺度行政区划绿地暴露差异的尺度效应显著，细尺度评价下绿地暴露的空间异质性更强。我们的研究结果表明，绿地覆盖率将偏向于反映现实的人类绿地暴露水平。发现黑河—腾冲线两侧绿地暴露度与绿地覆盖率差异呈非对称分布。具体而言，绿地覆盖率一般会高估华东地区人们对绿地的真实暴露，而低估西部地区人们对绿地的真实暴露。我们还发现城市化与绿地暴露差异的空间梯度有关。通过比较1990年至2018年城市化地区的绿地暴露，我们的研究结果表明，新兴城市化地区的绿地暴露明显好于旧城市地区。本研究的成果包括数据、方法和信息，将为政策制定者、城市规划者和景观设计师提供信息和支持，以促进可持续和健康的城市规划和管理。
