1. 引言
随着城市化的发展，城市建设用地不断增加，占用了大量的绿色空间，影响了生态系统的平衡，致使生物多样性逐年减少，对人们的生活环境造成了负面影响 [1] 。城市绿色空间能够缓解生态环境压力 [2] ，对城市生态环境有支撑和调节等作用 [3] ，能有效地将城市各种要素有机结合起来，促进城市的健康发展 [4] 。特别是在社会危机时期(比如COVID-19)，城市绿色空间的积极影响会被放大，能够缓解人们长期焦虑的心态 [5] ，是人类生存和发展的生态基础 [6] 。
当前对于城市绿色空间的研究是多方面的，包括城市绿色空间的概念、绿色空间信息提取方法、绿色空间生态效应等方向。城市绿色空间一词由城市开放空间转变而来 [7] ，不同学科领域对其的定义不同。在景观建筑学中，城市绿色空间可以是城市区域中一切植被，这个环境不仅包括人居环境，还包括各种生物的生存环境 [8] ；在地理学中，城市绿色空间应当包括河流、水域、农田、林地以及荒野等绿地 [9] ；在生态学中，城市绿色空间包括城市园林、森林以及三维绿色空间等绿色空间网络 [10] 。综合以上学者对于城市绿色空间的相关概念界定，本文所研究的城市绿色空间包括城市范围内所有植被覆盖的区域，包括人工绿色空间和自然绿色空间。
在绿色空间信息提取方面，各种方法已经较为成熟，同时随着机器学习的发展，深度学习的各种模型也应用于土地信息的提取 [11] 。李莹莹等使用最大似然监督分类法进行土地分类，并用混淆矩阵进行精度评价，实验表明，土地分类的结果较好，实现了对上海市城镇绿色空间的数量结构演变、植被覆盖度演变和植被结构演变的综合分析评价 [12] ；李镇等以陕北为研究区，使用QuickBird影像对该地区的土地切沟形态参数的精确度进行研究，采用目视解译对实验结果进行分析，结果表明，在草本覆盖的区域中，目视解译精度更高 [13] ；林先成等借助空间分辨率较高的影像，使用面向对象方法，借助地物的纹理等特征，使得在数据源不变的情况下，参考信息更多，提取精度更高 [14] ；彭慧等使用深度学习的方法，通过相同对象拥有类似的形状和纹理等特征的原理，自动识别不同的学习对象，从而实现面向高分辨率遥感影像的土地利用信息自动分类，实验表明，Deeplab模型边界信息损失相对较少，分类精度更高 [15] 。
在绿色空间的生态效应研究方面，陈莉等借助CITYGREEN模型，研究绿地系统的生态服务功能，证明了城市绿地能够吸收有害污染物，阻止污染物在城区内扩散，从而缓解热岛效应 [16] ；朱春阳等利用小尺度定量测定的方法，研究带状绿地结构变化对温湿效应的影响，表明郁闭度增加到67%时，降温增湿效应显著且居于稳定 [17] ；Schuch等认为，城市绿色空间对于洪水排泄管理具有重要作用 [18] ；Lafortrzza等通过研究发现，城市绿色空间能够提升人类幸福值 [19] ；徐建波等通过遥感定量反演的方法，综合评价了城市绿色空间的服务功能 [20] 。综上所述，城市绿色空间与生态环境息息相关，是城市发展中不可忽视的部分，在未来的城市规划中值得对其进行研究。
除了上述研究，对于绿色空间的研究还包括生态城市建设方面，不同研究者根据不同地区的地形地貌、环境问题与城市发展特性进行了研究，表明绿色空间因地制宜的规划对城市发展的必要性。张雅祺根据邯郸市城市发展的进程，分析了邯郸市生态城市建设的必要性和成效，提出了推动生态城市建设的七方面措施 [21] ；周秀分析了温泉镇山地生态城镇规划的合理性，总结了生态指标如何影响生态城镇的规划设计 [22] ；刘竹雅以成都市为例，从自然、经济、社会三方面对生态城市建设实践进行分析，并从方案、制度方面提出了生态城市建设的建议 [23] ；裴子懿以长江中下游九个城市为例，对不同城市绿色空间格局要素与PM2.5浓度进行量化分析，总结出消减城市PM2.5浓度的绿色空间格局优化策略 [24] 。
基于此，本文以济南市为研究对象，基于Landsat的2002~2015年的遥感影像数据，对济南市城市绿色空间的时空变化及其生态效应进行分析，了解2002到2015年间济南市城市绿色空间的时空变化特征，为分析济南市城市发展进程、合理规划城市用地、改善生态环境提供研究基础和数据支持。
2. 研究方法与数据
2.1. 研究区域
2.1.1. 自然、社会和经济概况
本文的研究区域为行政区划改变前的济南市(图1)，是山东省的政、经、科、教中心 [25] 。济南市三面环山，黄河横贯济南市北部，泰山邻接济南市南部，地势北低南高，高差达500 m [26] 。
Figure 1. Geographic location of Jinan
图1. 济南市地理位置图
济南市境内河流较多，天然泉水资源丰富，地形多为山地、丘陵和平原，树木以乔木和灌木为主，北部有辉长岩、闪长岩等岩浆岩，中部及北部地区有新世界第四级松散沉积物 [27] 。济南市是温带季风气候，年平均气温13.5℃~15.5℃。截止2019年，济南市全市总面积10,244 km2，城镇化率达到71.21%。2019年济南市地区生产总值(GDP) 9443.4亿元，比上年增长7.0%，其中第一产业增长1.3%，第二产业增长7.8%，第三产业增长7.0%。
2.1.2. 城市化进程
济南市由于国家政策，城市发展迅速，城区规模从2003年的200 km2，到2019年变为760.6 km2，城市建设用地不断增多。城镇化率在2000年为44.43%，到2016年已达69.46%。孙小丽 [28] 根据城市化率指标将济南城市化发展时期分为1949~1980年缓慢期和1980~2013年快速期。李晓斌 [29] 根据诺瑟姆的城市化S型曲线，将济南城市化发展阶段分为2003~2008年的中后期减速阶段和2009~2017年的后期成熟阶段。
因此，对济南市城市绿色空间时空变化及其生态效应的研究，对于改善生态环境具有重要的理论和实践意义，同时也为相似城市的规划发展提供了参考案例。
2.1.3. 数据来源
在进行多时相遥感影像的土地覆盖变化监测中，遥感影像的选择至关重要 [30] ，首先，应尽可能的选择同一季节的遥感影像 [31] ；其次，遥感影像的时间间隔应适合当地的土地覆被变化情况。根据Lunetta等的研究发现，城市化较高地区，时间间隔过短易出现伪变化，时间间隔过长易遗失变化 [32] 。故本文选择覆盖济南市的2002年到2015年每年10月的Landsat遥感影像数据，但是由于Landsat影像数据不全，故无法保证每年的遥感影像都是10月份，故尽可能的选择接近10月的遥感影像。
遥感影像数据来源于地理空间数据云公开数据(http://www.gscloud.cn/)，详细信息见表1。2002、2009、2015年济南市气象数据以及济南市经济、人口状况来源于济南市统计局公开数据(http://jntj.jinan.gov.cn/)，2017年全国市级边界矢量图、2017年全国县市级边界矢量图来源于山东地理信息公共服务平台共享数据(http://shandong.tianditu.gov.cn/)。由于济南市的行政区划在2002年到2015年间发生过多次变化，故本文决定采用获取到的2017年的行政区划作为本文的研究区域。
Table 1. Remote sensing data sources
表1. 遥感数据源
2.2. 数据处理与分析
借助ENVI 5.3软件对多时相遥感影像数据进行数据预处理、监督分类，最后利用ENVI 5.3自带的统计工具统计各类土地利用类型的面积；借助ArcGIS 10.2软件制作2002到2015年土地利用图和2002~2015年济南市土地利用变化图，提取济南县市级行政区划图；借助Excel软件分析绿色空间变化情况和不同时期绿色空间动态变化度，制作年平均气温、空气质量状况图表。
2.3. 技术路线
本研究的技术路线图如图2所示，首先对遥感影像数据和行政区划图进行预处理，得到用于图像解译的最终影像；其次，使用监督分类的方法得到济南市2002到2015年的土地利用图，对土地利用图进行变化分析；再次，通过统计不同地块的变化情况，对济南市土地利用变化进行动态监测；最后，将济南市绿色空间的变化与空气质量状况和年平均气温相结合，分析绿色空间与生态效应的关系。
3. 绿色空间组成结构与时空化特征
3.1. 绿色空间信息提取
3.1.1. 数据预处理
本研究对所用遥感数据(TM/ETM/OLI)的预处理过程如下：
1) 条带补全：由于2003年Landsat7的机载扫描行校正器出现故障，此后获得的影像都存在条带丢失的现象，而本文的部分数据为故障数据，故需要对存在问题的数据进行条带补全工作，本文使用ENVI 5.3中的扩展插件“Landsat_gapfill”对故障数据进行补全。
2) 镶嵌：将覆盖济南市的两景遥感影像(122/033、122/034) (表1)，借助ENVI 5.3的Seamless Mosaic工具进行镶嵌。
3) 几何校正：基准图为2015年的Landsat8_OLI遥感影像，然后在2002到2014年的遥感影像中选择控制点进行配准。
4) 裁剪：利用2017年全国市级边界矢量图，使用ArcGIS 10.2提取济南市矢量边界图，借助ENVI 5.3的不规则裁剪工具对遥感影像进行裁剪。
5) 辐射定标：本文使用ENVI 5.3的通用辐射定标工具Radiometric Calibration，定标后波谱曲线数值主要集中在0~10之间。
6) 大气校正：本文利用FLAASH工具进行大气校正处理。FLAASH工具基于像元进行校正，不仅可以校正由于漫反射引起的邻域效应，而且可以进行卷云和不透明云层的分类图，且参数设置简便，校正时间相对较短。
3.1.2. 图像解译
1) 建立土地利用类型分类体系
本文参照研究区实际情况、《土地利用现状分类》(GB/T 21010-2017)、《城市绿地分类标准》(CJJ/T 85-2017)和遥感数据的空间分辨率，在土地利用类型分类体系中设置绿色空间和非绿色空间两个一级分类(表2)，水体、林灌草地、农田、建设用地和其他用地五个二级分类。
Table 2. Classification system of land use types
表2. 土地利用类型分类体系
2) 执行分类
定义训练样本。利用ENVI 5.3的ROI TOOL工具，借助高分辨率的谷歌卫星地图通过目视解译来定义训练样本，遥感影像不同的波段组合方式可以使不同地物呈现不一样的色彩特征，以得到不同的彩色图像，可以根据色彩特征，借助高分辨率的地图影像来人工判别地物的类型。以2015年Landsat8_OLI影像为例，具体解译判读标志见表3。
本文设置每种类别的训练样本标记数量均不少于350个像元，且均匀分布于整幅图像。利用compute ROI separability工具进行样本可分离性计算，直到样本的可分离性符合分类的要求，结果表明，遥感影像的可分离性均大于1.83，可以进行分类。
Table 3. OLI image interpretation marks of each land type in the study area
表3. 研究区内各土地类型的OLI影像判读标志
Figure 3. Land use map of Jinan from 2002 to 2015
图3. 2002~2015年济南市土地利用图
本文使用监督分类中的最大似然法，该方法根据计算得到属于每一类地物的像元值概率，使用概率密度函数对未定义的像元进行分类，判定其属于哪一类别的概率最大，从而完成分类，分类结果见图3。图中蓝色代表水体，黄色代表农田，灰色代表建设用地，绿色代表林灌草地，紫色代表其他用地。
3.1.3. 评价分类结果
本文使用ENVI 5.3的混淆矩阵工具判断分类结果是否符合地物实际情况。2002到2015年的分类精度评价结果中以2002、2009、2015年的精度为最高。
由表4可以看出，在2002年分类数据中，漏分误差和错分误差最大的是其他用地，漏分误差和错分误差最小的是水体。原因是其他用地中以裸地为主，而裸地的反射率较高，在图像上多呈白色或者品红色，易与建设用地和黄河附近的农田相混淆，所以漏分和错分的情况比较严重。总体精度为80.01%，Kappa系数为0.72。
由表5可以看出，在2009年分类数据中，错分误差和漏分误差最大的是其他用地，错分误差和漏分误差最小的是水体。水体的可识别性较好，且黄河的水在真实颜色下成黄色，解译效果最好。总体精度为80.21%，Kappa系数为0.73。
由表6可以看出，在2015年分类数据中，错分误差和漏分误差最大的是建设用地，错分误差和漏分误差最小的是水体。总体精度为80.87%，Kappa系数为0.75。从分类精度评价结果中可以发现，解译的精度与解译者对地物类别的判别密切相关，受解译者判断地物程度准确性的影响较大。
Table 4. Accuracy evaluation results of land use classification in Jinan in 2002
表4. 2002年济南市土地利用分类精度评价结果
注：Error C = 错分误差；Error O = 漏分误差。总体精度 = 80.01%，Kappa = 0.72。
Table 5. Accuracy evaluation results of land use classification in Jinan in 2009
表5. 2009年济南市土地利用分类精度评价结果
注：Error C = 错分误差；Error O = 漏分误差。总体精度 = 80.21%，Kappa = 0.73。
Table 6. Accuracy evaluation results of land use classification in Jinan in 2015
表6. 2015年济南市土地利用分类精度评价结果
注：Error C = 错分误差；Error O = 漏分误差。总体精度 = 80.87%，Kappa = 0.75。
3.2. 绿色空间时空变化分析
3.2.1. 总体特征
由图3和统计结果可知，2002年到2015年济南市城市绿色空间面积呈下降趋势，裸地起初呈上升趋势，后又逐渐减少，建设用地则一直呈现增长趋势，这是由于2000年起步阶段，济南市城市建设进程加剧，大量土地被开发用于城市经济发展，所以其他用地的面积呈上升趋势，同时也有开拓农田用于建设的现象，随着开发商的建设，建设用地逐渐取代其他用地，所以其他用地的面积又逐渐减少。由于生态环境的恶化，政府出台政策，社会和大众意识到环境的重要性，农田和绿地被侵占的现象减少，所以农田又有了上升的趋势。
根据土地利用的变化情况，以及2002、2009和2015年的分类精度，将济南市土地利用变化情况分为2002到2009年和2009到2015年两个阶段。
根据数据统计，绿色空间下降了224.42 km2，变化幅度为−2.81%，2002年到2009年变化幅度明显高于2009年到2015年。由表7可见，水体在2002年的面积为527.3 km2，2015年为432.88 km2，比例由6.60%变为5.42%，变化幅度为−1.18%，是变化幅度最小的土地利用类型；林灌草地在2002年的面积为1730.53 km2，2015年为1600.53 km2，比例由21.65%变为20.03%，变化幅度为−1.63%，仅比水体的变化幅度高0.45%；农田在2002年的面积为4091.10 km2，2015年为3817.07 km2，比例由51.19%变为47.76%，变化幅度为−3.43%，值得注意的是，2002~2009年农田面积在减少，而2009~2015年农田的面积则在增加，这与政府的政策和社会大众的环保意识加强密切相关；建设用地扩大迅速，从2002年的1027.91 km2到2015年变为1693.39 km2，比例从12.86%增长到21.19%，变化幅度为8.33%，是变化幅度最大的土地利用类型；其他用地由2002年占总面积的7.70%变为2015年占总面积的5.61%，变化幅度为2.09%。除了农田，其他土地利用类型在2002~2009年的变化幅度明显高于2009~2015年，一方面是因为2002~2009年时间跨度较大，一方面也是因为近些年来国家对于生态城市建设的重视，人民对于生态环境质量的重视。
Table 7. Land use change in Jinan from 2002 to 2015
表7. 2002~2015年济南市土地利用变化情况
3.2.2. 时空变化特征
本文利用ArcGIS 10.2软件提取济南县市级行政区划图，制作2002~2015年的济南市土地利用变化图(图4~6)。
Figure 4. The change of land use map in Jinan from 2002 to 2009
图4. 2002~2009年济南市土地利用变化图
Figure 5. The change of land use map in Jinan from 2009 to 2015
图5. 2009~2015年济南市土地利用变化图
Figure 6. The change of land use map in Jinan from 2002 to 2015
图6. 2002~2015年济南市土地利用变化图
可以发现，未发生变化的绿色空间中占比最大的是林灌草地，未发生变化的非绿色空间中建设用地占比最大；水体发生变化的面积较小，发生变化的绿色空间以林灌草地转变为农田最多，值得注意的是，有不少建设用地、裸地也转变成了农田。
对比可看出，在空间上，济南市绿色空间变化最大的区域是商河县、济阳区和平阴县，变化最小的地区是历城区和历下区。分析原因是由于，历城区的地形以山地为主，所以城市建设对其的影响没有其他区域大，而历下区由于是城市中心，开发较早，已经比较发达，因为近些年对其进行的建设并没有改变其原有的土地类型，商河县和济阳区属于经济发展相对落后区域，随着济南市的城市化建设、经济发展，开发商受政府政策和发展时机的影响，开始选择这几个区域进行开发建设，因而土地利用变化较大。
利用单一类型动态变化度可以分析济南市2002~2015年每种土地利用类型的面积变化情况 [33] ，其公式为：
(1)
式中：
、
为2002年和2015年某种土地利用类型的面积，T为间隔时段。本文的间隔时段为13年，故动态变化度可以称作年均变化度。
Table 8. Dynamic change degree of green space in different periods of Jinan
表8. 济南市不同时期绿色空间动态变化度
由表8可知，在整个研究时间段内，年均变化度最高的是建设用地，为4.98%，年均变化度最低的是农田，为−0.52%；在2002~2009年，林灌草地的年均变化度最低，为−0.42%，水体的年均变化度最高，为−2.74%；在2009~2015年，建设用地的年均变化度最高，为1.05%，农田的年均变化度最低，为0.05%。
4. 绿色空间时空变化的生态效应
基于上述研究发现，济南市在2002~2015年间绿色空间总体上面积减少，尤其是林灌草地面积减少，在空间上，商河县和济阳区的绿色空间结构变化最大，历城区变化最小。
查阅文献发现，张梦瑶通过研究兰州新区的植被覆盖度变化产生的生态效应，发现随着植被覆盖度减少，该地区的热度上升，湿度下降，推测生态环境质量变好与植被覆盖度增高有莫大关系 [34] ；张文强等以晋西南黄土高原区为研究对象，研究发现，该地区植被覆盖度和生态指数的变化趋势基本符合，生态环境质量受植被覆盖度的影响 [35] ；李应鑫等以云南省九大高原湖泊流域为研究对象，研究发现，该地区植被指数与气温、降水等气候因子有一定的相关性 [36] ；佘欣璐等以上海市为例，研究发现，植被覆盖度影响土地滞留PM2.5的能力，当植被覆盖度增加时，其滞留能力提高，以林地的滞留能力为最强 [37] ；李彤彤等对城市绿地影响空气中持久性有机污染物浓度水平进行讨论，指出城市植被对改善空气质量起着重要作用 [38] 。
4.1. 环境质量状况变化
大气污染和空气质量状况主要与汽车尾气等人为因素有关，但是基于上述文献可知，城市绿色空间的变化会对环境质量状况产生潜在影响，分析济南市相关的大气数据(图7)发现，2002~2009年济南市二氧化硫浓度年均值波动性大，二氧化氮、可吸入颗粒物(PM10)浓度年均值主要呈减少趋势。2009~2015年，济南市二氧化氮、可吸入颗粒物(PM10)、二氧化硫浓度年均值均增加，且增长迅速，2013年三者浓度均达到顶峰，2013年到2015年三者均呈下降趋势。在时间序列上，其与济南市绿色空间面积减少、非绿色空间面积增大有一定的同步性，故绿色空间的降低对环境质量变化有一定的影响。
Figure 7. Change chart of environmental quality in Jinan from 2002 to 2015
图7. 2002~2015年济南市环境质量状况变化图
4.2. 年平均气温变化
由图8可知，2002~2006年济南市年平均气温呈波动状态，2006~2011年年平均气温下降迅速，2011~2013年年平均气温增长迅速，于2013年到达峰值。气温变化主要与全球性气候变化有关，但从时间序列上看其和绿色空间面积的减少有一定的同步性，因此推测年平均气温的变化一定程度上受绿色空间变化的影响。
Figure 8. Annual mean temperature change in Jinan from 2000 to 2015
图8. 2000~2015年济南市年平均气温变化
5. 结论与讨论
济南市作为中国东部沿海经济大市和环渤海南翼中心城市，是全省城市化进程较为迅速的地区，生态环境难免受到一定的负面影响，所以亟待优化现有的城市建设格局，增强城市绿色空间生态效益，提高人们的生活环境质量。本文以济南市城市绿色空间为研究对象，融合RS和GIS技术，量化城市绿色空间时空变化特征及其生态效应。研究结论如下：
1) 总体上，济南市城市绿色空间面积呈下降趋势，由2002年所占比重为28.25%到2015年占比重25.44%，其中林灌草地下降幅度最大，水体的下降幅度最小，而非绿色空间中建设用地的变化最大。2002~2009年各类土地利用类型的变化幅度明显大于2009~2015年。
2) 通过对绿色空间时空变化进行分析，未发生变化的土地利用类型以林灌草地为最多，其次是建设用地，发生变化的以林灌草地转变为农田居多，值得注意的是，也有建设用地转变为农田或者林灌草地的现象。
3) 通过对环境质量状况和年平均气温的统计分析，2002~2011年、2013~2015年二氧化硫、可吸入颗粒物(PM10)和二氧化氮的浓度年均值均为减少状态，而在2011~2013年均为增加状态，且均在2013年达到峰值。年平均气温在2006~2011年减少迅速，2011~2013年增长迅速，并于2013年达到峰值。观察两者与绿色空间变化的关系，认为绿色空间的降低对二者有一定的影响。
通过对绿色空间与生态效应的初步研究，发现环境空气质量状况与绿色空间息息相关，在后续的城市规划中应合理估算城市绿色空间的辐射范围，避免不合理蔓延。本文在土地分类时，由于数据分辨率较低、分类方法依赖于解译者等原因，分类的精度具有不确定性，还有待提高，后续进一步研究可以采用哨兵数据、高分影像数据等高分辨率数据，并选择受人工干预较少的提取方法。同时，本文仅初步分析了环境质量状况与年平均气温的变化，后续应从热岛效应、PM2.5浓度等具体方面研究绿色空间的生态效应。