基于DMSP/OLS數據的長江經濟帶城市用地空間分異特征

，3

(1.蘭州交通大學 測繪與地理信息學院，蘭州 730070；2.甘肅省地理國情監測工程實驗室，蘭州 730070；3.中國科學院地理科學與資源研究所 資源與環境信息系統國家重點實驗室，北京 100101；4.華北理工大學 礦業工程學院，河北 唐山 063009)

0 引言

按照諾瑟姆城市化發展規律曲線(S型曲線)，中國的城市化正處于發展的加速階段(acceleration stage，城市化水平30%～70%)，發展速度和規模在人類歷史上前所未有。1978—2016年人口城鎮化率從17.92%增加到57.35%，城鎮人口從1.72億增至7.93億元[1]，城市人口數量劇增，一方面促進城市化進程，加快人才的聚集；另一方面帶來的諸如城市交通擁擠、環境污染等問題不斷塑造和改變著城市空間結構與形態。長江經濟帶作為世界上人口最多、城市體系最為完整的流域經濟帶，同時也是推動中國區域發展格局由“T”字型戰略轉變為適應新常態下“H”型空間戰略格局的重要支撐帶[2]，其城鎮化的健康發展對中國城鎮化的整體發展起著至關重要的引領作用。因此，作為未來社會經濟發展中最具活力和潛力的核心增長極點，如何及時準確地獲取長江經濟帶城市擴張信息，對于優化城市空間布局、引導城市精明增長、評估城市可持續發展具有重要意義。城鎮化的相關研究從數據源上可以分為兩大類：基于統計數據的研究[3-4]和基于中高分辨率衛星遙感數據(Landsat TM/ETM+)的研究[5-6]，其中統計數據處理過程雖然相對簡單，但缺乏足夠的空間信息，難以滿足城鎮用地時空格局研究的需要，而Landsat TM/ETM+等中高分辨率遙感數據雖能較為準確地表達空間信息，但需要投入大量的時間和人力來提取一個大區域的城市信息，無法及時有效地研究城市的時空動態。夜間燈光遙感圖像為大尺度的城鎮化研究提供了一種新的數據手段，由于能直觀的表達人類活動，受到國內外學者的廣泛關注，其應用領域涉及到經濟發展[7-8]、人口密度[9]、能源消費[10]、城市發展[11-12]等各個方面。然而從目前有關的研究來看，尚無法支撐起不斷增長的現實需求。當前，針對城市的研究在內容上多集中于城市空間擴展研究，如卓莉等[13]基于夜間燈光強度的時間變化特征對城市用地空間擴展類型進行分類；王利偉等[14]基于夜間燈光數據對城市空間擴張格局進行研究；Zhang等[15]分析了中國30個主要城市的城市擴張過程；在方法上多采用閾值法、突變檢測法[16]、輔助數據比較法[17]；在研究區域上多為全國[18]或東部沿海發達地區及城市群，如Wang等[19]利用夜間燈光數據監測長三角城市群的演變；Su等[20]基于夜間燈光數據分析珠江三角城市群城市建成區的變化；Hu等[21]基于夜間光數據分析京津冀城市群的發展模式。

綜上所述，基于DMSP/OLS的城市化研究逐漸成為研究熱點，綜合分析：一是現有的研究多集中在整個中國、東部沿海地區或重點城市擴展較多，鮮有針對流域尺度的研究；二是現有對城市的研究，缺乏對城市范圍的識別，其提取的城市燈光數據多存在鄉鎮、農村聚落等干擾的現象。由于存在干擾燈光碎片的影響，城市的建成區范圍就會被擴大而導致提取的城市面積誤差率較高；三是現有研究多是從單一尺度對研究對象的擴張動態進行分析，而忽視了多尺度下城市空間的相互作用關系。在此背景下，本文以長江經濟帶為研究主體，運用可以有效剔除郊區燈光數據的支持向量機的機器學習方法，通過城市擴張強度、城市擴張方向和城市擴張形態進一步刻畫多尺度下長江經濟帶城市擴展的時空特征。研究結果試圖為流域城市化進程提供初步趨勢判斷，對流域城市協同發展具有一定科學參考價值。

1 數據來源與處理

研究數據來源主要包含3個方面：①DMSP/OLS夜間燈光數據，本研究采用美國國家地球物理數據中心(National Geophysical Data Center，NGDC)發布的第4版全球夜間燈光柵格數據作為基礎數據(http：//www.ngdc.noaa.gov)，影像分辨率為1 km。夜間燈光數據的時間跨度較長，在采集過程中使用了6顆衛星收集數據，部分年份(1994，1997—2007)有2個衛星同時服役，共收集了34期影像，其中穩定燈光影像包括城市、鄉鎮的燈光及其他場所的持久光源且剔除了月光云及油氣燃燒等偶然噪聲的影響，有利于分析城市、城鎮等的燈光。夜間燈光影像的DN(digital number)值取值范圍為0～63。由于受衛星之間軌道參數、技術設備差異等的影響，不同傳感器采集的數據不具有連續性和可比性，為了使噪聲和差異最小化，需要對原始夜間燈光數據進行預處理。本文借鑒Liu等人[17]提供的二階回歸模型進行夜間穩定燈光數據的校準，以實驗性的方式校準年度夜間燈光產品，以匹配F162006年的復合材料，并獲得年度復合材料回歸模型的系數。校準之后使用1992、1997、2002、2007與2012年的校正夜間燈光數據。最后，將夜間燈光圖像重新投影到阿爾伯特等積投影中，重新采樣到1 km。②基礎地理信息數據，矢量地圖數據主要來源于國家基礎地理信息中心發布的1∶400萬比例尺的國家、省級、市級的矢量行政界線。本文以研究區域矢量界線為掩膜對燈光數據進行提取，并利用分級出來的行政區劃矢量數據，分尺度統計研究區間的城市建成區燈光亮度值，從而建立長江經濟帶時空數據屬性庫。③NDVI(normalized difference vegetation index)數據，本研究采用中國科學院計算機網絡信息中心國際科學數據鏡像網站發布的NDVI數據，選取MODIS (moderate-resolution imaging spectroradiometer)中國NDVI月合成產品中的每年的5—9月產品經過最大值合成(maximum value composites，MVC)生成所選年份的最大NDVI圖像，然后結合預處理后的DMSP/OLS數據參與城鎮信息的提取。

2 研究方法

2.1 支持向量機分類法

支持向量機分類法(support vector machine，SVM)是一種較新的基于統計學習理論的機器學習方法，在遙感影像分類研究中具有較強的優勢。它以結構風險最小化為準則，選擇最有利于分類器性能的分類樣本在機器學習過程中有效的訓練分類器，由于其優良的學習及分類性能，從而規避了傳統基于夜間燈光數據提取城市建成區的閾值選取難題，且具有較高的提取精度。SVM起源于20世紀60年代Vapnik等人設計的最優超平面，在90年代并進一步結合Kernel學習法演變成非線性識別函數。最優超平面不但要求把類別準確分開，而且還要求分離間隔最大化。假設由兩類別組成的大小為m的訓練樣本集。

A=xi，yi|x∈RN，y∈(±1)，i=1，2，…，m

(1)

對于線性情況，求解最優超平面的問題可以轉換為如下二次規劃問題，最優識別函為

(2)

式中：α為Lagrange算子；h為分類閾值。線性不可轉化時，需要引入非負的松弛變量ξi(i=1，2，…，m)和錯分懲罰因子C，求得的最優識別函數與上式相同。

對于非線性情況，需將原始特征向量通過非線性函數F(x)映射到高維線性特征空間，在該高維線性特征空間中構造最優超平面，并得到最優識別函數

(3)

本文采用Cao等提出的基于SVM的區域生長法[22]，通過結合NDVI確定城鎮與非城鎮樣本，將選取的城鎮和非城鎮樣本生成ROI(region of interest)文件，使用徑向基核函數(radial basis function，RBF)對城鎮與非城鎮訓練樣本進行SVM算法分類，最后結合NDVI對分類后的圖像進行判別，提取長江經濟帶城市建成區的信息。

2.2 擴張強度指數

為了便于比較不同研究時段內城市擴張的強弱，本文采用城市擴張強度指數(urban expansion intensity index，UEII)，表示不同時段城市擴張的空間分布，公式如下：

從波形圖中也可通過對比得出在螺栓松動的情況下，由螺栓松動而引起的兩聯件之間的自由度增加，從而導致工件在振動時受到被聯件的沖擊作用，導致其振動波形呈現不規則性。是引起實驗過程中相位差讀數變化較大的主要原因。

(4)

式中：UEII表示時間跨度在t和t+i年之間空間范圍城市建成區的擴張強度；UDNt+i和UDNt分別表示在t+i和t年城市建成區的面積；SDN表示空間范圍內的總面積。通過考慮長江經濟帶上中下游不同區位的城市發展水平，計算UEII的3個空間尺度：整個長江經濟帶，長江經濟帶上中下游及核心城市。

2.3 標準差橢圓方法

標準差橢圓方法(standard deviational ellipse，SDE)能夠精確地揭示地理要素空間分布的整體特征。SDE基于研究對象的空間位置和空間結構從全局性角度定量解釋地理要素空間分布的中心性、方向性、展布性等特征，揭示地理要素的空間分布及時空演化過程。該方法被廣泛地用于城市問題、經濟空間格局等各個領域。標準差橢圓的參數主要包括橢圓重心、方位角、標準差橢圓長短軸，具體參數公式詳見參考文獻[23]。

3 結果與分析

3.1 流域城市用地擴張的空間分布特征

1)用地空間形態分布特征。1992、1997、2002、2007和2012年5個時段長江經濟帶的DMSP燈光空間分布圖可以看出(圖1)，以長江干流為軸線，形成明顯的點-軸亮度空間特征，燈光密集區主要分布于下游長三角城市群、中游城市群與上游成渝城市群，其中，以上海為中心的長三角地區燈光亮度最高，最為集中，中西部省份燈光較明顯的有武漢、長沙、成都、重慶、昆明等幾大省會型城市。總體來說，長江經濟帶燈光分布與人口總量和密度空間耦合明顯，從東部沿海向西部呈階梯狀減少。進一步通過SVM分類法將提取后的核心城市影像進行分析，長江上游地區的成都、重慶、昆明、貴陽多表現為主-副雙核心的擴張模式，呈現明顯的中心-外圍格局，其中成都、重慶市的年均擴張速度最快，分別為40.63%、31.11%；長江中游地區的武漢、長沙、南昌均以主城區為中心快速發展，呈現典型的圈層擴展模式，雖然武漢市的年均擴張速度最小(12.87%)，但在1992—2012年的擴展中其建成區面積的總量始終保持著與長沙和南昌市總量之和對等的水平；長江下游地區的上海、南京、杭州、合肥均表現為多中心向外擴展，其年均擴張速度分別為10.43%、12.31%、42.08%和21.61%，年均擴張速度最小的上海市，因其土地面積有限和高基數，到2012年其建成區面積占上海市土地總面積的80%左右。

2)用地空間面積分異特征。研究采用SVM分類法從夜間燈光柵格數據中提取1992—2012年長江經濟帶城市建成區，并對不同尺度下研究區間內的建成區面積進行動態分析(表1)。研究發現長江經濟帶城市建成區在1992—2012年間保持持續增長，年均面積變化速度為31.41%，其城市建成區的面積從9 615 km2擴張到70 007 km2。從建成區面積變化的流域空間梯度差異上分析，1992年長江下游地區的建成區面積最大，其建成區面積約占長江流域總建成區面積的60.71%，中游次之，上游建成區面積最小。在1992—2012年的發展過程中，三大區域建成區面積都呈現不斷升高的總體趨勢，但不同區域建成區面積變化差異明顯。上游和中游建成區面積都有相當穩定的擴大趨勢，但增加幅度不同，上游的上升幅度明顯高于中游，尤其到2002年之后，上游地區的總建成區面積超過中游并呈現強勢上升的態勢，下游地區的總建成區面積則不斷上升且始終為三大區域面積總量最大。到2012年長江流域上中下游建成區面積年均增長速度分別為35.99%、17.34%和35.37%，達到了13 181 km2、9 694 km2和47 132 km2。

圖1 長江經濟帶燈光空間分布變化圖

表1 1992—2012年流域用地空間面積變化

3.2 流域城市用地擴張的時序演變特征

1)擴張強度時間演變特征。本文采用擴張強度指數計算3個空間尺度下的擴張強度，即長江經濟帶、上中下游地區和核心城市。首先從長江經濟帶及上中下游地區的城市擴張強度上可以發現(圖2)：(1)長江經濟帶的擴張強度呈現“先升高-后降低-再升高”的趨勢，1992—2002年長江經濟帶的城市擴張強度指數從0.08增加到0.15；2002—2007年出現小低谷下降到0.12；2007—2012年長江經濟帶的城市擴張達到高峰期，擴張強度指數達到0.35，是上一階段的3倍左右，長江經濟帶城市迅速發展。(2)長江下游地區的城市擴張強度在1992—2012年均高于長江經濟帶擴張強度變化值，且在2007—2012年達到了最高值0.45；而長江上游及中游地區的城市擴張強度與長江經濟帶的走勢是一致的且始終處于長江經濟帶擴張強度值之下。由于上中下游地區城市的區位條件、發展基礎各不相同，其城市擴張隨時間的擴張強度也各不相同，但總體上都在2007—2012年達到了峰值，分別為0.29、0.19、0.45。

圖2 經濟帶及上中下游地區城市擴張強度的變化

從長江流域上中下游核心城市擴張強度變化值來看(圖3)，1992—1997年核心城市擴張強度在0.10之上的城市，上游地區只有昆明市，中游地區只有武漢市，而下游地區有3個，分別是上海市、南京市和杭州市，值得注意的是在1992—1997年上海市的城市擴張強度已遠遠超過其他城市的0.10左右，達到了0.60。2007—2012年城市擴張強度大于0.30的城市，上游地區除了昆明市之外還增加了成都和重慶兩市且成都市的擴張強度達到0.63，成都市在此期間得到了迅速發展，中游地區也僅有武漢市，下游地區除上海、南京和杭州三市之外，合肥市也在其列。

圖3 不同時期核心城市擴張強度的變化

從核心城市擴張強度的變化幅度來看，可以分為2種類型的變化走勢，即“波動上升”和“波動下降”。其中“波動上升”是指研究期末比研究期初的擴張強度高，這種類型的城市數量居多，其中包含長江上游的所有城市、長江中游的所有城市和長江下游的南京、杭州和合肥。值得注意的是南京和合肥市的擴張強度呈現持續上升的走勢，以南京市為例，其城市擴張強度從0.16持續上升到0.52。而“波動下降”是指研究期末比研究期初的擴張強度低，這種類型的城市數量較少，只有上海市，其城市擴展強度從0.60下降到0.47。雖然上海市的擴張強度在走低，但其擴張強度在長江流域所有城市中均處于較高水平。總體來看，不同區域城市擴張強度與其區域內關鍵節點城市擴張強度存在很大關聯性。從上游地區來看，2002—2007年成都、昆明市的擴張強度變化值分別從0.38降低到0.16和從0.14降低到0.02，波動幅度均在2倍之上，上游地區的擴張強度受其影響在2002—2007年下降的幅度也較大。從中游地區來看，2007—2012年長沙、南昌市的擴張強度比2002—2007年的低，而武漢市的擴張強度則從0.19提高到0.43，中游地區的整體擴張強度也從0.06提高到0.19，表明武漢市對中游地區的影響較大。下游地區的城市擴張強度在20年間持續上升且始終處于長江經濟帶的變化曲線之上，結合上海市及其他區域內節點城市擴張強度值可知，這更多的受下游地區的長三角城市群所影響，以上海為核心的長三角城市群作為長江經濟帶的“龍頭”將繼續發揮顯著作用。

2)擴張方向時間演變特征。本文通過標準差橢圓的面積變化大小和重心移動距離，分析長江經濟帶城市規模在空間上的集中程度和時間上的方向變化趨勢(圖4)。標準差橢圓的時空變化顯示，1992—2012年長江經濟帶夜間燈光標準差橢圓分布范圍由61.96 km2增大到76.52 km2，增長率為23.49%，橢圓短軸和長軸均呈現不同幅度的增長且長軸增長量較大，其重心經歷了“東-西南-東北-西南”的變動過程(表2)，大致分為3個階段：(1)1992—2002年長江經濟帶夜間燈光標準差橢圓分布范圍由61.96 km2增大到75.63 km2，增長率為22.06%，空間上呈現擴張的趨勢，其重心偏東南移動，移動距離28.68 km，這一時期屬于市場經濟發展初期，在對外開放政策的影響下，東部沿海地區發展迅速，推動長江經濟帶橢圓及重心向東南偏移。(2)2002—2007年，長江經濟帶夜間燈光標準差橢圓分布范圍由75.63 km2縮減到69.11 km2，增長率為-8.62%，空間上呈收縮的趨勢，其重心偏東北移動，移動距離54.38 km，這可能是由于2003年“非典”事件對實體經濟造成嚴重的負面影響，導致資源為躲避危機而四處轉移，空間分布零散而呈現收縮之勢。(3)2007—2012年，這一階段夜間燈光標準差橢圓分布范圍由69.11 km2增大到76.52 km2，增長率為10.71%，空間上呈擴張趨勢，且重心開始偏西南移動，移動距離43.22 km，在“西部大開發”和“中部崛起”利好政策以及中西部城市群戰略的聯動下，長江上中游地區的城市(成都、重慶、武漢等)發展速度加快，推動長江經濟帶重心偏西南移動。

圖4 1992—2012年長江經濟帶標準差橢圓及其重心變動

表2 長江經濟帶標準差橢圓變化

4 結束語

本文以長江經濟帶作為研究區，選取長時間序列的DMSP/OLS NTL圖像來分析不同空間尺度下長江經濟帶城市的時空擴張。得到以下主要結論：

①長江經濟帶燈光的總體分布與人口相似，從東部沿海向西部呈階梯狀減少。不同區域的核心城市呈現不同的擴展模式，上游地區的城市多表現為 “主-副”雙核心的擴展模式，中游地區呈現典型的圈層擴展模式，下游地區表現為多中心向外擴展。

②1992—2012年長江流域主要城市呈現快速擴張，建成區面積由1992年的9 615 km2擴張到2012年的70 007 km2，年均擴張速度為31.41%。流域的時空擴張以上海為龍頭，呈現“上游-下游-中游”遞減的擴張格局，3個區域擴張速度分別為35.99%，35.37%和17.34%。

③標準差橢圓分析表明長江流域城市總體燈光重心位于安徽省安慶市，且在1992—2012年期間呈現往復移動的現象。夜間燈光標準差橢圓分布范圍由61.96 km2增大到76.52 km2，橢圓長軸增長幅度明顯大于短軸增長幅度，具有明顯的東西軸向性，重心坐標偏東南移動23.75 km，表明推動長江經濟帶城市空間演進的主要力量以東西方向的城市增長為主且下游的城市對其主導性較強。

④擴張強度分析表明長江流域城市擴張強度總體呈現波動上升趨勢，2002—2007年長江經濟帶及上中游地區呈現下降趨勢，核心城市擴張強度解析表明上游地區的成都、重慶、昆明市，中游地區的武漢市表現不同幅度的下降；下游地區擴張強度指數則從0.12持續上升到0.45，長三角城市群對其影響最大，以上海為核心的長三角城市群作為長江經濟帶的“龍頭”將繼續發揮顯著作用。

科學識別城市的擴展信息，準確掌握其空間變化特征及規律，對于優化城市空間、評估城市可持續發展具有重要意義。SVM分類法不僅可以從大城市和小城鎮的斑塊中識別出城市的范圍，而且可以有效地防止郊區的一些碎片被包含在城市中而提取出來，達到很好的提取效果。本文通過一系列數據處理方法校準NTL圖像，并結合NDVI數據采用SVM分類法來提取1992—2012年經濟帶城市的擴展信息，成功用于分析經濟帶時空變化規律的研究。然而NTL圖像中的DN值在城市化的初期階段可以有效地表達相應地區的城市化發展水平，但隨著時間的演進，通過DN值的變化來反映高度發達城市的發展水平是有一定難度的，未來采用更高精度的夜光圖像是研究探索的重點。