全 文 ：中国生态农业学报 2016年 7月 第 24卷 第 7期
Chinese Journal of Eco-Agriculture, Jul. 2016, 24(7): 957968


* 河北省住建厅研究项目“生态宜居城市土地利用格局配置研究”和国家重点基础研究发展计划(973计划)项目(2005CB121107)资助
** 通讯作者: 陈亚恒, 主要从事土地评价、土地开发整理、土地规划等方面的研究和教学工作。E-mail: chenyaheng@126.com
田超, 研究方向为土壤与土地资源利用。E-mail: 951500674@qq.com
收稿日期: 20151119 接受日期: 20160201
* Supported by the Project of Hebei Provincial Department of Housing “Livable City Land Use Pattern Configuration” and the National Basic
Research Program of China (2005CB121107)
** Corresponding author, E-mail: chenyaheng@126.com
Received: Nov. 19, 2015; accepted Feb. 1, 2016
http://www.ecoagri.ac.cn
DOI: 10.13930/j.cnki.cjea.151225
怀来县土地利用格局的影响因子分析*
田 超1 杨金泽1 石博安1 张 杰2 邱 瑞2 王观湧1 陈亚恒1,2**
(1. 河北农业大学资源与环境科学学院 保定 071000; 2. 河北农业大学国土资源学院 保定 071000)
摘 要 河北省怀来县作为北京首都及北方重要的生态屏障, 其土地利用格局不仅与县域土地资源利用有直
接关系, 也对周边土地生态的可持续发展有一定影响。土地利用变化研究中驱动机制是重点, 揭示这种机制的
关键是能否正确认识土地利用景观格局和影响因子之间的关系。本文以怀来县为研究区, 在遥感技术的支持
下, 解译了 1994 年、2004 年和 2014 年的土地利用数据, 并从社会经济因素和自然因素中选取平均高程、地
形起伏度、年均降水量、温度季节性、距道路距离、距城镇中心距离、GDP密度和人口聚集度共 8个因子, 结
合景观格局梯度分析和 CCA分析方法, 对土地利用景观格局和影响因子之间的关系进行研究。得出结论: 2014
年怀来县土地利用景观的蔓延度指数、散布并列指数、香浓多样性等存在明显的空间差异, 均在东西方向及
南北方向表现出一定的梯度特征; 东西轴线和南北轴线方向上, 蔓延度指数呈两端高中间低的趋势, 而散布
并列指数、香浓多样性、香浓均匀度则与之相反。平均高程和人口聚集度对研究区土地利用景观类型的分布
影响较大, GDP密度的影响较小; 1994年、2004年和 2014年 4个排序轴上累积土地利用类型数据与影响因子
的解释量依次为 99.1%、99.3%以及 99.3%, 特征值总量分别为 0.780、0.720和 0.853, 从解释量数值上看 2014
年的特征值明显高于前两个时期, 其在描述土地利用类型与影响因子关系上体现出优越性; 影响因子中的地
形起伏度、温度季节性、年均降水量、距道路距离和距城镇距离与研究区土地利用景观类型分布的相关性较
大, 相关性系数相对较高; 随着研究时间的推移, 地形起伏度相关性逐渐减小, 其他 4 种影响因子的相关性逐
渐增大。通过此项研究, 揭示了怀来县土地利用变化的原因, 并为土地利用的可持续发展提供了理论依据。
关键词 景观格局 土地利用 驱动机制 社会因素 自然因素 怀来县
中图分类号: F301 文献标识码: A 文章编号: 1671-3990(2016)07-0957-12
Analysis of landscape pattern and affecting factors in Huailai County*
TIAN Chao1, YANG Jinze1, SHI Bo’an1, ZHANG Jie2, QIU Rui2, WANG Guanyong1, CHEN Yaheng1,2**
(1. College of Resources and Environmental Sciences, Hebei Agricultural University, Baoding 071000, China;
2. College of Land Resources, Hebei Agricultural University, Baoding 071000, China)
Abstract Huailai County of Hebei Province is an important ecological barrier protecting Beijing (the capital city) and the
northern region. The land use pattern in Huailai not only directly affects the use of land resources but also critically influences
sustainable development of the surrounding ecosystems. The goal of this research was to correctly understand the relationship
between the landscape pattern and the driving factors of land use in the region for determination of the driving mechanism of
land use change. Using remote sensing technology, the land use data of Huailai County in 1994, 2004 and 2014 was interpreted
to find landscape pattern of land use. Then, eight driving factors were selected among a range of socioeconomic and natural
factors, which were average height, relief, annual rainfall, temperature seasonality, distance from road, distance from
downtown, GDP density and population density. Gradient analysis of landscape pattern and CCA were used to analyze the
958 中国生态农业学报 2016 第 24卷


http://www.ecoagri.ac.cn
relation between landscape patterns of land use and the selected socioeconomic and natural factors, and to distinguish the main
driving factors. The landscape indexes, such as spread degree, interspersion-juxtapostion index, Shannon’s diversity index and
Shannon’s evenness index, in 2014 of the study area showed obvious gradient difference along east-west and north-south
directions. Spread degree was higher in the middle and lower in the two ends, while other three indexes showed contrary
tendencies. The average height and population density were the leading factors driving the distribution of landscape patterns of
land use in the research area, while the GDP density was the minimal factor. The cumulative explanation values of impact
factors of land use type for 1994, 2004 and 2014 were 99.1%, 99.3% and 99.3% and with the corresponding total
characteristics of 0.780, 0.720 and 0.853, respectively. Based on the explanation values, the value for 2014 was obviously
higher than those for preceding two years. This suggested that 2014 was had advantages in terms of explaining the relation
between landscape patterns and the driving factors of land use in the study area. The driving factors, including relief,
temperature seasonality, annual rainfall, distance from road and distance from downtown, were significantly related with the
distribution of landscape patterns of land use in the research area. As time passed by, the correlation between landscape
patterns and relief decreased, while those between landscape patterns and the other 4 driving factors increased. The above
analysis revealed the reasons behind land use change in Huailai County, providing evidence of land resources sustainable
development in the study area.
Keywords Landscape pattern; Land use; Driving mechanism; Social factor; Natural factor; Huailai County
土地作为一种资源, 是支撑人类生产、生活最基
本的物质条件。然而, 随着人类经济水平的不断提高,
人类活动干扰造成了土地资源的不合理利用, 土地
的覆被格局也随之发生了巨大变化, 这种变化不但
改变了陆地上的生物多样性, 而且对全球的生物化
学循环、大气循环都有着深远的影响[1]。研究过程中
发现, 土地生态本身就受自然条件的制约, 再加上社
会经济发展过程中的人为破坏以及不合理的利用方
式, 不仅使其产生的问题越来越多, 而且出现的频率
也越来越快, 并直接影响着土地生态系统服务功能
的变化[2]。而且, 土地资源的类型比例、强度和类型
的变化速率是引起生态系统面积、类型以及格局变化
的重要原因, 同时也对生态系统中的物质循环、能量
流动以及生物多样性等都有着巨大影响[3], 并且在一
定程度上决定着生态系统的健康指数和发展水平。
自国际地圈生物圈计划(International Geosphere-
Biosphere Program, IGBP)和全球环境变化国际人类
规模方案(International Human Dimensions Programme
on Global Environmental Change, IHDP)联合提出土
地利用/覆盖变化(Land-Use and Land-Cover Change,
LUCC)研究计划以来, 利用GIS与 RS技术已经成为
当前国际上开展土地利用变化研究的最新趋势。RS
技术的广泛应用为土地利用时相性变化研究提供了
有力的支撑, 为揭示土地利用变化的时空格局特征
提供了具有可比性的框架; GIS 技术则是时间动态
模拟与空间格局分析的结合, 集成了多种统计与空
间分析方法, 在区域 LUCC 系统过程模拟与空间格
局分析中发挥十分重要的作用。国内对景观格局动
态的分析始于 20 世纪 90 年代初, 研究受北美学派
影响很大。从研究方法看, 采用景观指数法来定量
研究景观格局的工作基本都采用了 GIS、统计分析
模型等先进手段, 并在不同区域、尺度上取得一些
成果[4]。王宪礼等[5]将美国景观生态分析的方法引入
我国研究城郊景观, 对沈阳西郊景观格局变化进行
研究, 并提出了景观空间分析的框架。王思远等 [6]
利用 1︰10 万中国土地利用数据库建立空间分布格
局数据库, 分析了近 10年中国土地利用格局及其演
变; 田光进等[7]利用TM影像和GIS技术对河北省农
村居民点景观特征进行研究等等。所以，将遥感技
术运用到土地利用分析领域，不仅填补了土地利用
分析方法的空白，也大大提高了分析结果的准确性。
随着卫星遥感技术和空间信息系统技术的发展,
地学界对地球陆地表面的空间特征和现代过程的研
究由于得到了完整的数据支持而进入了定量化研究,
大多数的研究多是将数据统计和 GIS 相结合, 进行
定量的分析, 其结果在深度和精度方面都明显不足,
不能有效解决研究区土地利用的实际问题。本文在
遥感技术的支持下, 运用典范对应分析方法和分形
理论, 探讨研究区土地景观结构及其演化特征, 定
量研究河北省怀来县土地利用景观格局与影响因子
之间的相互关系, 探讨不同影响因子对研究区土地
利用景观格局的影响程度。根据研究成果, 不仅可
以有针对性地保护珍贵的土地资源, 更可以高效、
合理地利用土地资源。
1 材料与方法
1.1 研究区概况
怀来县地处河北省西北部, 张家口市东南部, 境
第 7期 田 超等: 怀来县土地利用格局的影响因子分析 959


http://www.ecoagri.ac.cn
内多为山地, 东经 115°16′~115°58′, 北纬 40°4′~ 40°35′
(图 1)。全县总面积为 1 782 km2, 辖沙城镇、土木镇、
新保安镇、北辛堡镇、大黄庄镇、官厅镇、桑园镇、
小南辛堡镇、存瑞镇、西八里镇和东花园镇 11个镇, 王
家楼、瑞云观、孙庄子、狼山乡、鸡鸣驿、东八里 6
个乡, 以及 279个行政村[8]。该县的地貌形态主要是平
原、丘陵和山地等, 并且南北两地均有群山连绵起伏,
两山之间更有“V”型盆地景观。气候受冷空气较严重,
并且天气多变、夏季雨水较多、日照充足适合作物的
生长[9]。该县的经济增长方式多样, 实力不断增强, 根
据统计, 2010年全年地区生产总值完成 865 000万元,
相对上一年增长 15.7%, 其中, 第一产业增加 116 335
万元, 增长 13.8%; 第二产业增加 280 945万元, 增长
19.8%; 第三产业增加 467 720万元, 增长 14.1%。
1.2 数据来源与处理
本文的数据均来自中国科学院国际数据中心 ,
并通过对查阅资料和影像图的分析, 在 TM 的 7 个
波段中, 选择 TM5、4、3波段, 其成图像上植被的
信息十分完全[10]。根据实际的需要和情况选用了 3
期影像数据资料为 Landsat-TM 卫星数据, 成像时
间为 1994年 9月、2004年 9月和 2014年 8月, 如
表 1。

图 1 怀来县地理位置图
Fig. 1 Geographical location map of the Huailai County
表 1 1994年、2004年和 2014年怀来县土地利用类型面积
Table 1 Areas of different land use types in Huailai County in 1994, 2004 and 2014
1994 Year 1994 2004 Year 2004 2014 Year 2014 土地利用类型
Land use type 面积
Area (hm2)
比例
Proportion (%)
面积
Area (hm2)
比例
Proportion (%)
面积
Area (hm2)
比例
Proportion (%)
耕地 Cultivated land 31 854.29 17.87 29 772.99 16.70 24 441.60 13.71
园地 Garden plot 28 257.17 15.85 28 455.62 15.97 33 904.01 19.02
林地 Woodland 49 893.39 27.99 50 500.28 28.33 52 718.30 29.58
建设用地
Land for construction
7 293.08 4.09 9 688.67 5.44 13 914.56 7.81
水域 Waters 8 999.34 5.05 6 353.18 3.56 5 328.14 2.99
未利用地 Unused land 51 934.83 29.14 53 461.36 30.00 47 925.49 26.89
合计 Total 178 232.10 100.00 178 232.10 100.00 178 232.10 100.00
960 中国生态农业学报 2016 第 24卷


http://www.ecoagri.ac.cn
经过对 3个年份气候、交通等数据影像的解译,
结合 GIS 的空间统计和分析功能, 统计得到了 3 个
时段的土地利用类型面积变化结果(表 1), 以及相应
的景观指数变化情况(表 2)。再对其进行有关数量分
析方法和分形理论, 得出研究区土地景观结构及其
演化特征。

表 2 1994年、2004年和 2014年怀来县不同土地利用类型的景观指数
Table 2 Landscape indexes of different land use types in Huailai County in 1994, 2004 and 2014
景观指数
Landscape index
年份
Year
耕地
Cultivated land
园地
Garden plot
林地
Woodland
建设用地
Construction land
水域
Waters
未利用地
Unused land
1994 17.87 15.86 27.99 4.09 5.05 29.14
2004 16.70 15.97 28.33 5.44 3.57 30.00
斑块占景观面积比
Percentage of
landscape patch
2014 13.71 19.02 29.58 7.81 2.99 26.89
1994 5.25 2.65 12.25 0.82 4.37 10.71
2004 4.95 1.69 12.42 1.36 2.83 10.69
最大斑块指数
Largest patch index
2014 2.54 4.27 13.39 3.52 2.53 5.45
1994 33.29 72.94 37.23 51.89 11.27 63.16
2004 35.69 69.98 37.35 50.48 17.06 63.59
景观斑块形状指数
Landscape shape
index
2014 31.47 75.46 36.92 58.14 12.27 68.92
1994 1.26 1.39 1.32 1.31 1.42 1.33
2004 1.27 1.38 1.32 1.30 1.45 1.33
周长面积分维数
Perimeter-area fractal
dimension index
2014 1.27 1.39 1.31 1.32 1.43 1.35
1994 74.45 82.49 35.38 78.98 82.99 73.00
2004 70.68 82.45 34.33 78.44 75.83 77.14
散布并列指数
Interspersion-
juxtaposition index
2014 59.68 85.20 43.87 74.02 86.18 74.86

1.3 研究方法
1.3.1 影响因子的选择
随着自然和社会经济复合系统的不断演变, 以
及人地之间的相互作用, 土地景观格局出现了复杂
的变化过程, 而弄清这些变化的驱动因素, 对预测
景观格局的变化 , 以及制定优化方案具有重要意
义。引起土地景观格局演变的驱动因素可以划分为
自然因素和人文因素[11]。自然影响因子是具有影响
作用的自然地理要素, 这种作用一般影响在区域内
景观格局的梯度特征, 将其分类统计后分为水文要
素、气候、气象状况和地貌要素等。人文影响因子
从各种社会经济活动中进行选择, 例如人口数量变
化, 改善农业生产条件、加大对自然资源的开发利
用和城镇的发展等, 这些影响行为首先会对区域内
的土地资源和水资源产生影响, 这种影响因时间和
地域的不同而有不同程度的影响, 并且造成区域内
土地景观格局的空间分布变化[12]。
本文从研究目的和怀来县的实际情况出发, 考
虑到研究数据需要有可获取性和代表性, 在自然影
响因子中选取了 4个评价指标, 分别为温度季节性、
年均降水量、平均高程和地形起伏度; 人文影响因
子也选取了 4 个评价指标, 分别为距道路距离、人
口密度、经济密度和距城镇距离。本文对选取的影
响因子数据处理后, 以样方为单位将影响因子和怀
来景观格局进行排序分析, 并且因为影响因子数据
的分辨率不同, 所以需要转换到同一尺度, 即采用
3 km3 km网格尺度。影响因子数据的分辨率在其
他方面也有不同, 例如数据类型、存储结构以及空
间分辨率等, 所以需要采取不同的方法转换。
1)自然影响因子
本文在土地利用/覆被信息综合数据库中提取怀
来县DEM数据, 在ArcGIS软件中利用怀来县行政区
进行掩膜裁剪, 利用 ArcGIS 的空间分析功能, 将分
辨率为 30 m的DEM数据转换成高程数据, 并且分辨
率为 3 km×3 km, 每个 3 km×3 km网格的高程数据为
该网格内所有 30 m×30 m栅格高程数据的平均数[13]。
地形起伏度是指区域内最高海拔和最低海拔之间的
高程差值, 能够表达出地表状态的基本描述指标, 本
文运用栅格计算器获得地形起伏度数据, 如下图2所示。
气候是对植被分布影响最大的因素, 其影响程
度与空间尺度的大小和考虑时间长短有关, 在众多
影响因子中, 气温和降水变化影响最为明显; 而人
类活动可在短时间改变区域局部环境, 造成人为干
扰, 影响景观格局的分布[14]。因此本文选择年均降
水量、温度季节性两个指标反映怀来县的气候情况。
温度季节性的计算公式为:
第 7期 田 超等: 怀来县土地利用格局的影响因子分析 961


http://www.ecoagri.ac.cn

图 2 怀来县网格平均高程和地形起伏度
Fig. 2 Grids of average elevation and relief in Huailai County
212
1
1 (MMT MAT) 100
12 ii
ST

   (1)
式中: MAT为年均气温, MMTi为各月平均气温[15]。
应用 ArcGIS 软件中的栅格计算工具对的原始气象
数据进行计算, 得到相应尺度的温度季节性数据。
年均降水量数据则通过 ArcGIS 对原始气象数处理
直接提出获得。怀来县温度季节性和年降水量数据
如图 3所示。

图 3 怀来县 2014年降水量和温度季节性
Fig. 3 Grids of annual precipitation and temperature seasonality in Huailai County in 2014
2)人文影响因子
城镇中心和交通重要地段是研究区重要的区位
特征 , 具有较强的吸引力 , 影响着土地景观格局 ,
是土地景观格局变化重要的驱动因素[16]; 并且距中
心城镇近的区域和交通条件好的地区受到人为影响
程度越大, 对土地利用类型和景观格局的改变也就
越大。本研究的研究数据均来自怀来县土地利用覆
被信息综合数据库, 并以此为基础, 借助 ArcGIS 软
件, 使用分析工具对每一个网格中心到距最近中心
城镇和道路的距离进行计算, 结果如下图 4所示。
人口聚集度是影响区域土地利用覆被状态和景
观格局发生改变的重要人文因素[17]。参考谢花林等[18]
研究成果, 应用人口聚集度的计算公式测算怀来县
人口聚集度, 公式如下:
PGIj=Pj/n×λ (2)
式中: PGIj代表第 j 个居民点要素的人口估计值, Pj
962 中国生态农业学报 2016 第 24卷


http://www.ecoagri.ac.cn

图 4 怀来县网格中心距最近城镇距离和距最近道路距离
Fig. 4 Distance from the nearest city (town) and distance from the nearest road of grid centers in Huailai County
代表 j统计地域的人口总量, 代表 j统计地域加和后
的人口聚落总个数[19], λ是根据城镇中心和道路距离
大小经过反距离加权后的加权数。借助克里格模型
插值自动生成人口聚集度表面模型(图 5)。

图 5 怀来县网格插值人口聚集度
Fig. 5 Grid interpolation of population concentration in
Huailai County
土地景观格局发生变化的另一个主要因素是当
地经济持续、高速地发展。本文选取 GDP密度作为
衡量经济发展的重要人文因素 , 由于一般情况下
GDP 数据是离散的, 因此, 使用插值法获得未知数
据区域的国内生产总值[20]。根据前人的研究成果可
知样条法对于 GDP密度较其他插值法更精确[21], 并
且插值完成后的表面相对光滑 , 因此本文应用
ArcGIS 选用样条插值法, 根据区域已知的 GDP 数
据来估计规则网格点上的 GDP数据(图 6)。

图 6 2014年怀来县网格插值 GDP密度
Fig. 6 Grid interpolation of GDP density in Huailai County
in 2014
1.3.2 土地利用景观格局梯度分析方法
一定空间范围内的景观格局由于其组成的各景
观类型的种类、数量、形状和空间分布形态不同而
表现出明显的差异现象, 而对这种差异现象的分析
和归纳往往可以发现其中包含的方向特性, 即景观
格局的梯度性[22]。
本文通过 Arcgis 软件, 在前文景观指数计算的
基础上, 绘制怀来县 2014年景观水平指数的趋势线
图(图 7)。从图中可以发现怀来县 2014 年景观的蔓
延度指数、散布并列指数、香浓多样性等存在明显
的空间差异, 即景观格局的梯度性[23]。整体上, 2014
第 7期 田 超等: 怀来县土地利用格局的影响因子分析 963


http://www.ecoagri.ac.cn
年怀来县各景观水平指数均在东西方向及南北方向
表现出一定的梯度特征。但是不同景观指数梯度变
化特征不同, 在东—西轴线方向和南—北轴线方向
上[24], 蔓延度指数呈现凹型曲线即两端高中间低的
趋势; 而散布并列指数、香浓多样性、香浓均匀度
则与之相反, 在东—西轴线方向和南—北轴线方向
上, 呈现凸线趋势即中间高两端低的趋势, 但是弯
曲幅度存在差异[25]。
通过分析整体景观水平指数趋势线图(图 7), 可
以发现其空间分布具有明显的规律性和梯度性, 并
且这种梯度分布是虽然具有特殊的属性[26], 但形成
和其他地理现象一样, 所以景观格局在空间上的分
布规律以及梯度性的改变源于多种因素的影响, 既
有内在和外在因素的影响 , 也有直接和间接的影
响。其中外部因素一般包括自然影响因素和人文影
响因素两大类[27]。

图 7 怀来县 2014年土地利用景观水平指数趋势线图
Fig. 7 Trends of landscape level indexes of land use in Huailai County in 2014
1.3.3 排序分析方法
19世纪 30年代初, 前苏联的科学家就对排序进
行了定义, 并且 Ranensky给出了准确定义, 在 20年
后, 排序的概念不断完善, 不仅可以对样方进行排
列, 对植物物种和环境因素也可以排列, 并且这种
方法适用于群落之间、群落与环境之间和群落与成
员之间复杂的研究[28]。排序的主要方法是将需要研
究的样方或者植物种在一定空间内进行排列, 使其
排列的排序轴能够反映出生态梯度, 可揭示植被和
植物种分布与环境因子间的联系。所以, 排序可以
表达出植物和环境的生态关系。这种排序的方法也
称作梯度分析(gradient analysis)[29]。
迄今为止, 排序的方法已琳琅满目, 简单排序
法是国际认可并且较新的方法, 它主要包括加权平
均排序、极点排序和梯度分析; 其他常用的方法有
主分量分析、对应分析和以此衍生的方法。
本文选择目前国际国内进行梯度分析的常用软
件 Canoco进行分析, 先将需要分析的响应变量和解
释变量通过模块转化为能够识别的数据类型, 其中
响应变量相当于因变量 , 解释变量相当于自变量 ,
然后再分析响应变量数据分布类型, 并确定出响应
变量的分布模型, 其中主要为线性模型和单峰模型;
再根据数据分布特征和研究目的确定相对应的排序
方法, 运用所选择的排序方法进行分析。如果选择
的排序方法分析效果不理想还需要重新选择其他方
法进行排序, 对结果进行对比; 然后将最后的分析
结果导入模块制作排序图, 以便进行解释。为了更
好地了解怀来县内土地利用景观格局形成的规律 ,
对县域土地利用景观格局的分布情况进行排序和分
析, 以揭示各种自然影响因素和人文影响因素对景
观格局区域分布梯度特征的具体作用[30]。
2 结果与分析
将怀来县 1994年、2004年和 2014年 3期遥感
解译数据参照划分网格方法进行划分, 将网格切割,
从左至右, 从上至下进行编号处理, 形成研究区域
964 中国生态农业学报 2016 第 24卷


http://www.ecoagri.ac.cn
不同时段各 205 个土地利用类型样方。在 Excel 中,
形成 1994年、2004年以及 2014年样方土地利用类
型面积比例矩阵和样方影响因子矩阵。运用 canoco
4.5软件中的WcanoImp软件模块将上述矩阵进行格
式转化。
将转化后的 1994年、2004年以及 2014年样方
土地利用类型面积比例矩阵导入 canoco4.5 软件中,
进行 DCA(除趋势对应分析), 除趋势的主要目的是
消除拱形效应的影响, 减少数据在第 2 轴位置中所
受到的第 1 轴排列的影响。研究中一般通过 4 轴中
最长的梯度值的大小判断所选模型的类型。如果第
1 轴梯度长度在 4.0 之上, 那么选择 CCA 模型效果
较好; 如果第 1 轴梯度长度小于 3.0, 则适合使用
RDA模型; 笫 1轴梯度长度在 3.0和 4.0之间, 两种
模型都可选择。
表 3所示, 3个时期样方土地利用类型面积比例
在第 1排序轴上的梯度长度都大于 4.0, 因此选择典
范对应分析(CCA)较为适合。以下的分析中, 对景观
类型与其影响因子采用 CCA方法进行分析。
特征值是排序轴重要的指标, 可以通过排序轴
的特征值计算出土地利用类型数据方差以及土地利
用类型与影响因子关系的解释量。由 4 表可见, 从
相关土地利用类型与影响因子相关系数可以看出, 3
个年度的土地利用类型数据排序轴与影响因子排序
轴的相关性较大。经过研究 3期的 CCA排序, 可以
发现前面的 4 个排序轴上累积土地利用类型数据与
影响因子的解释量依次为 99.1%、99.3%以及 99.3%,
由此可见土地利用景观格局与影响因子关系的绝大
部分信息都可以在前 4 个排序轴中得出。从解释量
数值上看 2004 年和 2014 年优于 1994 年。同时, 3
期的特征值总量分别为 0.780、0.720和 0.853, 2014
年的特征值明显高于前两个时期, 表明其在描述土
地利用类型与影响因子关系上体现出优越性。
表 3 怀来县不同时期土地利用类型面积解译排序轴梯
度长度表
Table 3 Gradient lengths of ordination axes of interpretation
areas of land use types in Huailai in 1994, 2004 and 2014
排序轴 Ordination axe 年份
Year 1 2 3 4
1994 4.649 2.906 1.526 1.823
2004 4.299 2.725 2.496 1.287
2014 4.099 2.628 1.821 1.206
表 4 基于典范对应分析方法的不同时期怀来县土地利用类型与影响因子的关系表
Table 4 Relationship between land use type and it’s impact factors in different years in Huailai County based on Canonical
Correspondence Analysis (CCA)
排序轴 Ordination axe 年份
Year
项目
Item 1 2 3 4
合计
Total
特征值 Eigenvalue 0.569 0.134 0.057 0.020 0.780
土地利用类型与影响因子相关系数
Correlation coefficient between land use type and impact factor
0.904 0.581 0.368 0.509 —
1994
土地利用类型与影响因子解释量
Impact factor explain amount of land use type
72.2 89.3 96.5 99.1 —
特征值 Eigenvalue 0.559 0.107 0.029 0.025 0.720
土地利用类型与影响因子相关系数
Correlation coefficient between land use type and impact factor
0.905 0.537 0.394 0.336 —
2004
土地利用类型与影响因子解释量
Impact factor explain amount of land use type
77.1 91.8 95.9 99.3 —
特征值
Eigenvalue
0.567 0.223 0.044 0.019 0.853
土地利用类型与影响因子相关系数
Correlation coefficient between land use type and impact factor
0.910 0.744 0.396 0.349 —
2014
土地利用类型与影响因子解释量
Impact factor explain amount of land use type
66.0 92.0 97.1 99.3 —

2.1 不同时期土地利用类型与影响因子相关性分析
通过对图 8a 中 1994 的土地利用类型与影响因
子 CCA 图和影响因子与排序轴相关系数的分析可
以发现, 在 CCA 排序第 1 轴主要反映了平均高程
(0.804 1)、地形起伏度(0.613 3)、年均降水量(0.764 1)、
温度季节性(0.617 7)、距道路距离(0.642 4)和距城镇
距离(0.670 5), 而人口聚集度与 GDP 密度相关性相
对较小, 分别为0.396 9和0.315 0。沿第 1轴从左
到右, 平均高程和地形起伏度逐渐增加, 年均降水
量增加, 温度随季节的变化较大, 距离城镇和主要
道路的距离越来越远。CCA排序第 3轴主要反映了
平均高程(0.188 5)、人口聚集度(0.485 2)以及 GDP
密度(0.119 0)3个影响因子。沿第 2轴从下到上, 平
均高程由低变高, 人口聚集程度和 GDP 提高。第 3
第 7期 田 超等: 怀来县土地利用格局的影响因子分析 965


http://www.ecoagri.ac.cn
轴和第 4轴所反映的影响因子不同, 其中地形起伏度
(0.244 3)同第 3轴相关性较大。人口聚集度(0.140 4)
和 GDP密度(0.120 1)和第 4轴相关性较大。
图 8a可以看出, 第 1轴主要代表平均高程的变
化, 各土地利用景观类型随高程的增加, 林地和未
利用地面积逐渐增加, 而且这两种土地利用景观类
型与平均高程呈正相关且相关性逐渐增加。同时随
着平均高程的增加, 耕地、建设用地、园地以及水
域面积逐渐减少, 与平均高程呈负相关性。第 2 轴
主要反映土地利用景观类型与人口聚集程度的关系,
随着人口聚集度提高而增加的土地利用景观类型为
耕地和建设用地, 并且人口聚集度同这两种景观类
型呈正相关。随着人口聚集度提高而减少的土地利
用景观类型为园地、林地、水域和未利用地, 呈现
出负相关关系, 并随人口聚集度增加, 负相关性逐
渐提高。
此外, 在排序轴中, 空间距离相距较近的土地
利用景观类型处于相似的环境中, 因此各土地利用
类型之间的距离可以表示不同景观地类的分布差异
性, 由图 8a 可知, 耕地和建设用地之间距离最近,
空间分布的差异性较小, 主要是由于耕地距离居民
点较近便于耕作, 为居民提供粮食供给。
从图 8b 中 2004 年土地利用类型与影响因子
CCA图和表 5可知, CCA排序第 1轴主要反映了平
均高程(0.803 0)、地形起伏度(0.601 2)、年均降水量
(0.770 3)、温度季节性(0.622 7)、距道路距离(0.649 2)
和距城镇距离(0.677 2), 而人口聚集度和 GDP 密度
相关性相对较低, 分别为0.398 5和0.3191。沿第 1
轴从左到右平均高程和地形起伏度逐渐增加, 年均
降水量增加, 温度随季节的变化较大, 距离城镇和
主要道路的距离越来越远。排序第 2 轴主要反映平
均高程(0.166 4)、人口聚集度(0.4571)和 GDP 密度
(0.146 3)。沿第 2 轴从下到上, 平均高程由低变高,
人口聚集程度和 GDP 提高。而地形起伏度、GDP
密度、距道路距离、距城镇距离与第 3 轴的相关性
较大, 相关性系数分别为 0.209 1、0.191 2、0.125 5、
0.111 6。地形起伏度与第 4轴相关性较大, 相关系
数为0.153 6。
由图 8b可知, 第 1轴主要代表平均高程的变化,
各土地利用景观类型随高程的增加 , 林地和未利
用地面积逐渐增加 , 而且这两种土地利用景观类
型与平均高程呈正相关且相关性逐渐增加。同时随
着平均高程的增加, 耕地、建设用地、园地以及水
域面积逐渐减少, 与平均高程呈负相关性。第 2 轴
主要反映人口聚集度与土地利用景观类型的关系 ,
随着人口聚集度提高而增加的土地利用景观类型为
耕地和建设用地, 并且人口聚集度同这两种景观类
型呈正相关。随着人口聚集度提高而减少的土地利
用景观类型为园地、林地、水域和未利用地, 呈现
出负相关关系, 并随人口聚集度增加, 负相关性逐
渐提高。
结合图 8c 和表 5 分析可知, 2014 年 CCA 排序
第 1 轴主要反映了平均高程(0.851 8)、地形起伏度
(0.587 8)、年均降水量(0.769 3)、温度季节性(0.702 9)、
距道路距离(0.689 0)和距城镇距离(0.712 4)。沿第 1
轴从左到右平均高程、地形起伏度、年均降水量逐
渐增加, 年均降水量增加, 温度随季节的变化较大,
距离城镇和主要道路的距离越来越远。排序第 2 轴
主要反映地形起伏度(0.199 8)、年均降水量(0.107 1)、
温度季节性(0.110 6)、人口聚集度(0.605 4)、GDP密

图 8 1994年、2004年和 2014年土地利用类型与影响因子的典范对应分析
Fig. 8 Canonical Correspondence Analysis (CCA) maps of land use type and impact factors in Huailai County in 1994, 2004 and 2014
RKJJD: 人口聚集度; GDPMD: GDP 密度; DXQFD: 地形起伏度; PJGC: 平均高程; JDLJL: 距道路距离; JCZJL: 距城镇距离;
NJJSL: 年均降水量; WDJJX: 温度季节性。RKJJD: population aggregation degree; GDPMD: GDP density; DXQFD: relief; PJGC: average
elevation; JDLJL: distance from road; JCZJL: distance from town; NJJSL: annual precipitation; WDJJX: temperature seasonality.
966 中国生态农业学报 2016 第 24卷


http://www.ecoagri.ac.cn
表 5 1994年、2004年和 2014年怀来县土地利用类型的影响因子与典范对应分析排序轴的相关系数表
Tab. 5 Correlation coefficients between impact factors of land use type and ordination axes in Huailai County in 1994, 2004 and 2014
年份
Year
排序轴
Ordination axe
平均高程
Average
elevation
地形起伏度
Relief
年均降水量
Annual
precipitation
温度季节性
Temperature
seasonality
人口聚集度
Population
aggregation degree
GDP密度
GDP
density
距道路距离
Distance from
road
距城镇距离
Distance from
town
1 0.804 1 0.613 3 0.764 1 0.617 7 0.396 9 0.315 0 0.642 4 0.670 5
2 0.188 5 0.027 6 0.087 1 0.304 4 0.485 2 0.119 0 0.011 4 0.012 1
3 0.031 8 0.244 3 0.098 3 0.051 6 0.002 1 0.056 2 0.088 4 0.092 6
1994
4 0.040 3 0.005 0 0.027 6 0.066 8 0.140 4 0.120 1 0.053 3 0.036 4
1 0.803 0 0.601 2 0.770 3 0.622 7 0.398 5 0.319 1 0.649 2 0.677 2
2 0.166 4 0.030 2 0.073 8 0.290 6 0.457 1 0.146 3 0.022 2 0.028 5
3 0.002 3 0.209 1 0.098 7 0.044 4 0.095 6 0.191 2 0.125 5 0.1116
2004
4 0.063 8 0.153 6 0.048 9 0.017 0 0.019 8 0.004 5 0.019 3 0.027 9
1 0.851 8 0.587 8 0.769 3 0.702 9 0.088 9 0.156 7 0.689 0 0.712 4
2 0.015 8 0.199 8 0.107 1 0.110 6 0.605 4 0.233 8 0.160 3 0.180 6
3 0.098 4 0.124 1 0.172 6 0.148 1 0.205 3 0.121 8 0.095 5 0.098 2
2014
4 0.012 0 0.179 3 0.009 5 0.084 1 0.051 9 0.055 9 0.013 2 0.009 0

度 (0.233 8)、距道路距离 (0.160 3)和距城镇距离
(0.180 6)。沿第 2轴从下到上, 地形趋于平缓, 年均
降水量增加, 温度随季节性变化多样, 人口聚集程
度和 GDP 提高, 但距离城镇和主要道路的距离增
加。地形起伏度和人口聚集度与排序轴第 3 轴相关
性较大, 相关性系数分别为 0.1241 和 0.1053。地形
起伏度与第 4轴相关性较大, 相关系数为0.179 3。
由图 8c可知, 第 1轴主要代表平均高程的变化,
各土地利用景观类型随高程的增加, 林地和未利用
地面积逐渐增加, 且与平均高程呈正相关且相关性
逐渐增加。同时耕地、建设用地、园地以及水域以
及面积逐渐减少, 与平均高程呈负相关性。第 2 轴
主要反映各土地利用类型与人口聚集度的关系。与
人口聚集程度呈正相关性的是耕地、水域和林地 ,
呈负相关的是园地、建设用地和未利用地。
2.2 不同时期土地利用景观类型与影响因子的对
比分析
从图 8 和表 5 可以看出, 土地利用类型与各影
响因子的关系随时间变化存在差异。对景观格局重
要性影响程度最大的是平均高程, 与第 1 轴的 3 个
时期相关系数分别为 0.804 1、0.803 0和 0.851 8。
与第 2轴相关性较大的为人口聚集度, 3个时期的相
关系数分别为 0.485 2、0.457 1和 0.605 4。由此可
以看出平均高程和人口聚集度对研究区土地利用类
型的分布影响较大。在不同时期内, 地形起伏度、
温度季节性、年均降水量、距道路距离和距城镇距
离对研究区域土地利用景观类型分布的相关性也较
大 , 相关性系数相对较高 , 随着研究时间的推移 ,
地形起伏度相关性逐渐减小, 其他 4 种影响因子的
相关性逐渐增大。而 GDP 密度对土地利用景观类
型的影响程度较小, 与第 1 轴不同时期的相关系数
分别为0.315 0、0.319 1和0.156 7, 在怀来县不
同研究时期, 土地利用景观类型随 GDP 密度的变
化不明显。
根据以上分析, 运用典范对应分析方法, 研究
不同影响因子对土地利用类型产生的影响, 并发现
影响程度存在明显差异, 对土地利用景观格局重要
性影响较大的影响因子为: 平均高程、地形起伏度、
温度季节性、年均降水量、人口聚集度、距城镇距
离和距道路距离。
3 结论
土地承载着人类的生命基础, 其利用格局直接
影响着区域内的生态安全, 对于正处于城镇化和工
业化快速发展的怀来县, 土地如何合理并有效地利
用将面临前所未有的挑战。本文基于遥感数据、数
字高程数据等, 对土地利用数据进行整理, 研究景
观格局动态演变过程, 并对选择的影响因子进行响
应分析, 得出如下结论:
经过研究 1994 年、2004 年和 2014 年的 CCA
排序, 可以发现前面的 4 个排序轴上累积土地利用
类型数据与影响因子的解释量依次为 99.1%、99.3%
和 99.3%, 3期的特征值总量分别为 0.780、0.720和
0.853, 从解释量数值上看 2004 年和 2014 年优于
1994年, 同时 2014年的特征值明显高于前两个时期,
其在描述土地利用类型与影响因子关系上体现出优
越性。
对怀来县景观格局形成的主要影响因子进行了
第 7期 田 超等: 怀来县土地利用格局的影响因子分析 967


http://www.ecoagri.ac.cn
排序和分析, 并发现选取的 8 个影响因子对整体土
地利用景观格局的解释比例最低为 1994年的 99.1%,
最高为 2012 年的 99.3%, 都具有较好的解释效果。
影响因子在第 1轴和第 2轴作用上的分异较为明显,
自然影响因子在第 1 轴发挥影响作用, 人文影响因
子在第 2 轴作用更显著。平均高程和人口聚集度分
别在第 1轴和第 2轴对土地利用景观格局影响明显,
地形起伏度、温度季节性、年均降水量、距道路距
离和距城镇距离影响较大。所以, 在土地利用过程
中, 应该重点考虑影响程度较大的因子, 并采取相
应的措施, 使土地利用更加合理, 使土地资源的发
展更加稳定。
参考文献 References
[1] 唐艳鸿. 试探讨人类活动和全球变化对中国草原生态系统
的物质循环和生物多样性的影响——兼简单介绍一个日中
草原生态系统研究合作项目[C]//2000年中国草地的环境效
益研讨会. 北京: 中国高等科学技术中心, 2000: 4–5
Tang Y H. Impacts of global changes and human activities on
the carbon budget and biodiversity of grassland ecosystem in
China [C]//Ecological Services of Grassland in China.
Proceedings of CCAST (World Laboratory) Workshop.
Beijing: 2000: 4–5
[2] 汪德军. 中国城市化进程中的土地利用效率研究[D]. 沈阳:
辽宁大学, 2008: 32–36
Wang D J. Research on the land usage efficiency in the
Chinese urbanization process[D]. Shenyang: Liaoning University,
2008: 32–36
[3] 韩贵锋. 中国东部地区植被覆盖的时空变化及其人为因素
的影响研究[D]. 上海: 华东师范大学, 2007: 136–139
Han G F. Spatio-temporal change of vegetation cover in east
China and influence of artificial factors[D]. Shanghai: East
China Normal University, 2007: 136–139
[4] 龙健 , 黄昌勇 , 李娟 . 喀斯特山区土地利用方式对土壤质
量演变的影响[J]. 水土保持学报, 2002, 16(1): 76–79
Long J, Huang C Y, Li J. Effects of land use on soil quality in
karst hilly area[J]. Journal of Soil and Water Conservation,
2002, 16(1): 76–79
[5] 王宪礼, 肖笃宁, 布仁仓, 等. 辽河三角洲湿地的景观格局
分析[J]. 生态学报, 1997, 17(3): 317–323
Wang X L, Xiao D N, Bu R C, et al. Analysis on landscape
patterns of Liaohe delta wetland[J]. Acta Ecologica Sinica,
1997, 17(3): 317–323
[6] 王思远, 刘纪远, 张增祥, 等. 近 10 年中国土地利用格局
及其演变[J]. 地理学报, 2002, 57(5): 523–530
Wang S Y, Liu J Y, Zhang Z X, et al. Spatial pattern change of
land use in China in recent 10 years[J]. Acta Geographica
Sinica, 2002, 57(5): 523–530
[7] 田光进, 刘纪远, 张增祥, 等. 基于遥感与 GIS的中国农村
居民点规模分布特征[J]. 遥感学报, 2002, 6(4): 307–312
Tian G J, Liu J Y, Zhang Z X, et al. The scale distribution
characteristics of Chinese rural settlements by remote sensing
and GIS[J]. Journal of Remote Sensing, 2002, 6(4): 307–312
[8] 左晓英. 基于 PSR 模型的耕地生态安全评价[D]. 保定: 河
北农业大学, 2014: 12–13
Zuo X Y. Evaluation on cultivated land ecological security
based on the PSR model[D]. Baoding: Agricultural University
of Hebei, 2014: 12–13
[9] 娄秀荣, 沙奕卓. 1995 年夏季(6—8 月)气候对我国农业生
产的影响[J]. 中国农业气象, 1995, 16(6): 50–52
Lou X R, Sha Y Z. The influence of climate on agricultural
production in China in 1995 summer[J]. Chinese Journal of
Agrometeorology, 1995, 16(6): 50–52
[10] 年波 , 杨士剑 , 王金亮 . 植被遥感信息提取的最佳波段选
择——以云岭中部山区为例[J]. 云南地理环境研究 , 2004,
16(2): 18–21
Nian B, Yang S J, Wang J L. Methods on optimal bands
selection in abstracting vegetation information[J]. Yunnan
Geographic Environment Research, 2004, 16(2): 18–21
[11] 张春来, 董光荣, 邹学勇, 等. 青海贵南草原沙漠化影响因
子的贡献率[J]. 中国沙漠, 2005, 25(4): 511–518
Zhang C L, Dong G R, Zou X Y, et al. Contributing ratios of
several factors to the steppe desertification in Guinan,
Qinghai Province[J]. Journal of Desert Research, 2005, 25(4):
511–518
[12] 石玉胜. 海河流域土地利用/覆被与景观格局变化对地表蒸
散量的影响研究[D]. 石家庄: 中国科学院遗传与发育生物
学研究所农业资源研究中心, 2009: 19–20
Shi Y S. Evaluating impacts of land use/cover and landscape
pattern changes on evaporation in Hai River Basin[D].
Shijiazhuang: Center for Agricultural Resources Research,
Institute of Genetics and Developmental Biology, Chinese
Academy of Sciences, 2009: 19–20
[13] 丁伟翠. 数字高程模型数据库管理系统开发及在地质制图
中的应用[D]. 北京: 中国地质科学院, 2012: 22–23
Ding W C. DEM database management system development
and it’s application in geological mapping[D]. Beijing:
Chinese Academy of Geological Sciences, 2012: 22–23
[14] 胡琴. 基于 GIS 北碚区土地利用景观格局影响分析[D]. 重
庆: 西南大学, 2009: 13–16
Hu Q. The analysis of structure of landscape of land use in
Beibei based on GIS[D]. Chongqing: Southwest University,
2009: 13–16
[15] Steens S C A, Admiraal-Behloul F, Bosma G P Th, et al.
Selective gray matter damage in neuropsychiatric lupus[J].
Arthritis & Rheumatism, 2004, 50(9): 2877–2881
[16] 刘瑞卿. 基于 CA-Markov 模型的怀来县土地利用景观格局
动态模拟研究[D]. 保定: 河北农业大学, 2012: 7–9
Liu R Q. Study on dynamic simulation of land use and
landscape pattern in Huailai County based on CA-Markov
model[D]. Baoding: Agricultural University of Hebei Province,
2012: 7–9
[17] 张海燕, 樊江文, 邵全琴. 2000—2010 年中国退牧还草工
程区土地利用 /覆被变化[J]. 地理科学进展 , 2015, 34(7):
840–853
Zhang H Y, Fan J W, Shao Q Q. Land use/land cover change
in the grassland restoration program areas in China, 2000–
968 中国生态农业学报 2016 第 24卷


http://www.ecoagri.ac.cn
2010[J]. Journal of Geographical Science, 2015, 34(7): 840–853
[18] 谢花林, 刘黎明, 李波, 等. 土地利用变化的多尺度空间自
相关分析——以内蒙古翁牛特旗为例[J]. 地理学报, 2006,
61(4): 389–400
Xie H L, Liu L M, Li B, et al. Satial autocorrelation analysis
of multi-scale land-use changes: A case study in Ongniud
Banner, Inner Mongolia[J]. Acta Geographica Sinica, 2006,
61(4): 389–400
[19] 董春, 罗玉波, 刘纪平, 等. 基于 Poisson 对数线性模型的
居民点与地理因子的相关性研究[J]. 中国人口·资源与环
境, 2005, 15(4): 79–84
Dong C, Luo Y B, Liu J P, et al. Study on correlation between
residential points and geographical factors based on Pisson
logarithm linearity model[J]. China Population, Resources
and Environment, 2005, 15(4): 79–84
[20] 洪冬晨. 哈萨克斯坦土地利用景观格局演变及驱动因素分
析[D]. 杭州: 浙江大学, 2015
Hong D C. Landscape pattern evolution and driving factors of
land use in Kazakhstan[D]. Hangzhou: Zhejiang University,
2015
[21] 许丰. 格林函数样条插值和 S 变换在重、震数据处理中的
应用[D]. 北京: 中国地质大学(北京), 2013
Xu F. Application of Green’s function spline interpolation and
S transform in the processing of gravity and seismic data[D].
Beijing: China University of Geosciences (Beijing), 2013
[22] 张玲玲 , 史云飞 , 刘玉华 . 空间粒度变化对沂蒙山区景观
格局指数的影响[J]. 生态学杂志, 2013, 32(2): 459–464
Zhang L L, Shi Y F, Liu Y H. Effects of spatial grain change
on the landscape pattern indices in Yimeng Mountain area of
Shandong Province, East China[J]. Chinese Journal of
Ecology, 2013, 32(2): 459–464
[23] 孙娟 , 夏汉平 , 蓝崇钰 ,等 . 基于缓冲带的贵港市城市景观
格局梯度分析[J]. 生态学报, 2006, 26(3): 655–662
Sun J, Xia H P, Lan C Y, et al. A gradient analysis based on
the buffer zones of urban landscape pattern of the constructed
area in Guigang City, Guangxi, China[J]. Acta Ecologica
Sinica, 2006, 26(3): 655–662
[24] 俞龙生, 符以福, 喻怀义, 等. 快速城市化地区景观格局梯
度动态及其城乡融合区特征——以广州市番禺区为例[J].
应用生态学报, 2011, 22(1): 171–180
Yu L S, Fu Y F, Yu H Y, et al. Landscape pattern gradient
dynamics and desakota features in rapid urbanization area: A
case study in Panyu of Guangzhou[J]. Chinese Journal of
Applied Ecology, 2011, 22(1): 171–180
[25] 黄明. 分子标记与水稻遗传多样性及杂种优势的相关性研
究[D]. 长沙: 湖南农业大学, 2010: 60–69
Huang M. Correlation analysis of molecular markers and
genetic diversity and heterosis in rice[D]. Changsha: Hunan
Agricultural University, 2010: 60–69
[26] 陈凌静. 基于 GIS 支持下的土地利用景观梯度分析——以
重庆市合川区为例[D]. 重庆: 西南大学, 2009: 50–56
Chen L J. Analysis of landscape gradient based on GIS —
Take Hechuan District, Chongqing as example[D]. Chongqing:
Southwest University, 2009: 50–56
[27] 钟昌标. 人文因素对城市化海域生态环境变化的影响与控
制模式研究[M]. 北京: 经济科学出版社, 2010
Zhong C B. Influence of Human Factors on Ecological
Environment Change of Urbanized Sea Area and the Control
Mode[M]. Beijing: Economic Science Press, 2010
[28] 徐驰 . 快速的城市化景观的格局动态与区域生态效应[D].
南京: 南京大学, 2007: 43–47
Xu C. Landscape pattern dynamic and regional ecological
effect of fast urbanizaiton[D]. Nanjing: Nanjing University,
2007: 43–47
[29] 刘小恺. 荒漠植物群落种群格局特征及格局相关性研究[D].
南京: 南京大学, 2009: 50–54
Liu X K. Distribution pattern of desert plant communities and
pattern correlation[D]. Nanjing: Nanjing University, 2009:
50–54
[30] Ter Braak C J F. Canonical correspondence analysis: A new
eignvector technique for multivariate direct gradient analysis[J].
Ecology, 1986, 67(5): 1167–1179