南宁师范大学胡宝清教授团队最新发文!从地形视角理解中国乡村聚落的村级扩张

• 期刊：Environmental Impact Assessment Review（中科院一区TOP）

• 英文题目：Understanding the village-scale expansion of rural settlements in China from a topographic perspective

• 中文题目：从地形视角理解中国乡村聚落的村级扩张

• 发表时间：2026年

• 文章链接：https://doi.org/10.1016/j.eiar.2026.108344

为解决分析尺度错配与地形效应过度简化的局限性，本研究整合多源长期空间数据，系统考察中国乡村聚落的扩张模式及其内在机制，特别是在地形差异条件下，以行政村（社区）为尺度展开研究。作为中国最基础的行政单元，行政村区别于渔网式或宏观行政区域划分，能更有效揭示乡村人地系统与地形约束之间的微观耦合关系。本研究主要目标包括：(1)从地形梯度视角出发，构建二维“海拔-坡度”分类体系，定量评估中国乡村聚落跨不同地形类型的扩张特征与演变路径； (2) 运用多重景观形态指标量化村庄级聚落形态演变，为该尺度扩张过程与模式提供新认识；(3) 在方法论层面，构建一个综合性的地理加权机器学习（GWML）框架，整合并比较十二种模型，涵盖从基准线性回归到全局机器学习算法及其地理加权对应模型。所识别出的最优模型同时捕捉了空间非平稳性与非线性关系，为聚落扩张的复杂驱动机制提供了稳健解释。本研究为深入理解中国乡村生活环境演变提供了新视角与实证依据，并为制定差异化乡村土地利用政策及可持续发展规划奠定了方法论基础。

尽管本研究为中国乡村聚落扩张提供了新见解，但仍存在局限性。与其他宏观层面的研究类似，本研究在数据处理过程中面临尺度匹配的挑战。由于缺乏村级统计数据，部分关键社会经济变量（如GDP和人口密度）需从更粗糙的1公里分辨率栅格数据中推导得出。这些属性随后通过空间关联分配至村级单元，该过程可能引入一定误差。其次，关于模型性能，虽然构建了综合性的地理加权机器学习并选出最优模型，但其最终解释能力（R²≈0.54）仍显有限。这表明可能存在未观测到的关键驱动因素或更复杂的交互机制。此外，粗粒度社会经济栅格数据与不规则村级矢量单元间的空间尺度错配，在分区统计聚合过程中不可避免地引入数据噪声，同样制约了模型的拟合精度。此外，尽管采用了詹克斯自然断点法，但“海拔-坡度”九网格地形分类的阈值划定仍不可避免地存在一定主观性。不同的分类标准或类别数量可能影响局部结果。未来研究应着重探索更客观科学的方法，将地形特征与乡村人地关系建立联系。在机器学习方法与地理问题融合的领域，探索集成学习与广域回归（GWR）的结合具有广阔前景。这将进一步增强模型的解释力，捕捉更深层的非线性关系及时空异质性。通过多方法与多尺度的综合整合，可实现对乡村村空间重构复杂过程与机制的更全面、多维度的认知。