基于Google Earth Engine的長三角城市群生態環境變化與城市化特征分析

鄭子豪,吳志峰,陳穎彪,楊智威,Francesco Marinello

1 廣州大學地理科學與遙感學院,廣州 510006 2 帕多瓦大學土地環境農林學部,意大利 帕多瓦 35020 3 南方海洋科學與工程廣東省實驗室,廣州 511458

隨著全球城市化的持續推進,當前城市間的發展和競爭不再僅僅局限于單個城市,而越來越多的呈現出“一超多強”的城市群競爭發展模式。作為城市發展的最高空間組織形式,城市群通過依托區域內完善的交通、通信等基礎設施網絡,有效的將區域內多個城市聚集并形成空間組織緊湊、經濟聯系密切的城市“集合體”。目前,城市群已經成為了中國經濟高速發展的核心引擎,其中長三角、珠三角和京津冀組成的三大城市群的GDP占比已經超過了40%[1]。然而,隨著城市群經濟高速發展、城市化持續推進,地區人類活動強度不斷上升(建設用地擴張[2- 5]、熱島效應[6- 8]、大氣污染[9- 10]等),致使自然和生態環境面臨極大的壓力。在城市化和生態環境相互作用的過程中,一方面高強度的城市化勢必會干擾甚至破壞地區生態環境,而另一方面生態環境的惡化反過來又會制約城市化和可持續發展。

城市化和生態環境在地區發展過程中的特征和矛盾已經引起了諸多學者的關注。其中,方創琳等[11]從理論層面分析了城市群系統內自然要素和人文要素間的交互耦合特征,并構建了時空耦合動力學模型。魏璐瑤等[12]基于統計面板數據,從多個維度構建了耦合協調度模型并對哈長城市群的城市績效與生態環境進行了耦合分析。梁龍武等[13]選取京津冀城市群為研究對象,基于系統指數評估模型和耦合協調度模型對城市化和生態環境系統進行定量評估和協同判定。任亞文等[14]立足“人-地耦合”視角并基于社會經濟統計數據構建指標體系,定量評估了長江經濟帶城鎮化與生態環境的耦合關系。總體上,上述城市化和生態環境的耦合協調分析多基于面板統計數據而缺乏詳細的空間信息,在一定程度上不利于研究的進一步細化。

近年來,傳感器、物聯網和遙感技術的發展以及計算機處理水平的提高,為地區城市化和生態環境監測、評估提供了技術支撐。其中,遙感技術具有覆蓋面廣、空間和時間尺度多樣、光譜信息豐富、觀測靈活及數據獲取方便等優勢,已成為地理環境監測(土地利用/覆被變化[15- 17]、植被變化[18- 19]、熱島監測[20- 21]等)和城市化分析(GDP[22- 23],人口[24- 25],電力[26]等)的重要手段。考慮到日間光學遙感和夜間燈光遙感在揭示生態環境狀況和城市化特征方面的各自優勢,學者們開始嘗試整合2種類型的遙感數據開展城市化和生態環境的耦合研究。例如,李景剛等[27]利用DMSP/OLS夜間燈光數據和SPOT/VGT數據探索了環渤海城市群城市化對植被初級生產力的季節性變化影響。劉焱序等[28]基于夜間燈光數據和凈初級生產力價值量探索了晉陜蒙能源區城鎮化過程與動態強度對生態環境的影響。然而,上述研究中的生態環境分析多局限于單一的生態指標,無法反映地區的綜合生態狀況。

相較于傳統的單一遙感指數的生態評價,由徐涵秋提出的完全基于遙感信息的生態環境指數(RSEI)通過集成多種指標因素,能夠快速的實現區域生態環境綜合評估[29- 31]。該指數通過整合綠度、濕度、熱度、干度四個生態指標來綜合反映區域生態環境,并通過主成分變換實現多維指標的聚合克服了單一指標的不足。實際上,廖李紅等[32]也基于DMSP/OLS夜間燈光數據和Landsat系列數據構建了燈光指數和RSEI,對晉江市的生態環境和城市化進行了小范圍耦合分析,進一步拓展了RSEI的應用場景。

作為中國經濟最活躍、開放程度最高的地區,長三角城市群在國家現代化建設和全方位改革開放中占據戰略地位。黨的十八大以來,長三角城市群的一體化發展成效顯著,已經成為中國城市化最典型的區域。高速城市化發展的背后,地區生態環境狀況面臨的壓力也日愈嚴峻。保持長三角城市群高速、高質量推進城市化的同時,注重地區生態環境保護,實現經濟發展與環境協調已經成為城市群建設中亟需解決的關鍵問題。鑒于此,本文以長三角城市群為研究區,利用MODIS數據和夜間燈光數據,基于Google Earth Engine平臺分別建立城市群燈光指數和生態環境指數,分析并探索過去20年間長三角城市群生態環境、城市化的變化特征及其耦合水平。研究可以為協調城市群環境承載力與社會經濟發展的關系、促進長三角城市群可持續發展提供數據支撐和理論建議。

1 研究區和數據來源

1.1 研究區概況

長江三角洲城市群位于長江下游地區,瀕臨黃海與東海,地處江海交匯之地,沿江沿海港口眾多。根據2019年長江三角洲區域一體化發展規劃綱要,規劃范圍正式定為蘇、浙、皖、滬三省一市的全部區域[33]。當前,長三角城市群包括了上海市、安徽省16個地級市、江蘇省13個地級市和浙江省11個地級市,共計41個城市(圖1)。因此,現階段長三角城市群的面積遠遠超過了以往任何時期,達到了35.9萬km2,常住人口達到了約2.3億人,占全國總人口的16.22%。

圖1 研究區區位圖Fig.1 The location map of study area

1.2 數據來源

1.2.1MODIS影像數據

構建RSEI涉及4個生態分量,分別是綠度、濕度、熱度和干燥度,因此本文根據這4個分量從MODIS產品庫中選擇對應的標準產品作為數據源。USGS下屬的NASA Land Processes Distributed Active Archive Center (LPDAAC) Collections在1B級數據的基礎上提供了針對不同應用場景的標準數據產品,包括：Land Surface Reflectance,Land Surface Temp and Emiss,Vegetation Indices,其中：

綠度分量提取自Vegetation Indices產品中的MOD13A1 V6影像集。該影像以500m的空間分辨率提供每個像素位置的植被指數(VI)并使用16天內的最優像素進行合成。熱度分量提取自Land Surface Temp and Emiss產品中的MOD11A2 V6影像集。MOD11A2 V6影像提供了1km空間分辨率的8天平均陸面溫度[34]。此外,該產品從2級和3級地表溫度產品中刪除了受云層污染的像素以提升數據質量。濕度和干燥度分量則來源于Land Surface Reflectance產品中的MOD09A1影像集。MOD09A1 V6影像提供了針對大氣條件(如氣體,氣溶膠和瑞利散射)校正的Terra MODIS波段1至7的表面光譜反射率估計值,對于每個像素,該產品以8天為周期進行像素合成。

1.2.2夜間燈光數據

得益于近年來傳感器技術的快速發展,使得觀測地表動力學變化的窗口越來越豐富。其中,OLS和VIIRS為代表的夜間微弱燈光探測傳感器的出現為開展人類活動強度的研究提供了新的關鍵手段。本文在研究期間內分別選取了2000,2005,2010,2015和2019共計5年進行人類活動對生態環境影響分析。考慮到燈光數據的時間跨度,2000,2005和2010年的燈光數據來源于DMSP/OLS的Stable Light (STL),而2015和2019年的燈光數據則來源于Suomi NPP/VIIRS Cloud Mask (VCM)。STL是1992年至2013年期間由六顆衛星組成的年度無云觀測數據的組合。VCM數據集提供了Day/Night Band的月平均值,并排除了雜散光,閃電,月球照明和云層影響。為了降低數據本身存在的誤差,本文對多期月均VCM數據進行了均值合成并將其與STL進行必要的重采樣和投影。

2 研究方法

2.1 RSEI的構建

RSEI被定義為綠度分量、濕度、熱度分量和干度分量的函數,即：

RSEI=f(Greeness,Wetness,Heat,Dryness)

(1)

式中,Greeness為綠度指標,本文采用了MOD13A1中的NDVI指數。Heat是熱度分量,本文使用MOD11A2的Daytime Land Surface Temperature (DLST)進行表征。Wetness和Dryness則分別是濕度分量和干度分量。其中,濕度分量使用多光譜影像經纓帽變換后的第三分量進行表征[35-36],干度分量則利用Hu和Xu構建的Normalized Difference Built-up and Soil Index (NDBSI)來刻畫[37]。基于MODIS數據計算得到4個生態分量后,使用主成分分析(Principal Components Analysis,PCA)來實現多指標的合成以避免人為主觀因素在權重設定過程中的偏差[29]。由于以上4個分量的量綱不統一,需要將上述指標進行正規化再進行PCA運算并以第一主成分(PC1)來構建RSEI。此外,為了利于研究期內的橫向比較,還需再次將PC1值進行標準化處理。

2.2 燈光數據的校準及指數構建

2.2.1燈光數據的校準

就像先前學者指出的那樣,DMSP/OLS的燈光數據在整個時間跨度內由6顆不同衛星獲取,這就導致燈光數據會因為傳感器差異和傳感器自身性能衰退產生兩個顯著的“異常”：1)同一傳感器在連續的時間序列上呈現波動異常；2)同一年份,來自不同衛星傳感器的影像出現漂移[38]。上述這兩種異常極大的限制了DMSP/OLS燈光數據在時間序列分析上的應用精度,并引起了諸多學者的關注。為了修復DMSP/OLS燈光數據的異常,本文使用了一種基于像素本身波動特征偽不變目標校準模型(PBPIF)[38]以獲取研究區的2000,2005和2010年的校準燈光數據。

由于2015和2019年的燈光數據來源于VIIRS VCM數據集,因此同前三年燈光數據在時間維度上存在著不一致性和不可比性,無法直接應用于本文的研究。為了實現VCM數據和STL數據的對齊,本文使用了Li等[39]提出的校準模型,將研究區的VCM數據合成為與STL相一致的模擬燈光數據,并在此基礎上利用低通高斯濾波進行噪聲消除,實現燈光數據的匹配[40]。

2.2.2燈光指數的構建

基于校準、對齊后的夜間燈光影像,本文構建了綜合夜間燈光指數(CNLI)來反映地區城市化水平和地表人類活動強度。該指數在陳晉等[41]人的研究中被充分證實與中國的城市化復合指標之間存在顯著的相關性,能夠在較大區域上實現多年的城市化信息提取。CNLI被定義為某一地區燈光面積占比(LAP)和平均燈光強度(MLI)的乘積,其公式為：

CNLI=LAP×MLI

(2)

(3)

(4)

式中,Arealight代表燈光區域的面積,Area則為區域的總面積；DNi是燈光像元的灰度值,Ci是燈光值為DNi的像元數量。

2.3 耦合協調距離模型

為了定量評估長三角城市群內部城市化水平與生態環境的耦合協調性,本文在借鑒已有耦合度模型[42- 44]的基礎上提出了一種二維平面的耦合模型。圖2描繪的是已有的雙系統耦合模型函數,該函數中Z值被用于定量刻畫變量間耦合度。為了降低模型函數的維度,本文基于函數在“X-Y”平面的映射構建了耦合協調距離模型。該模型以城市CNLI為橫坐標,RSEI為縱坐標,繪制 “城市化—環境”坐標點。與傳統耦合模型類比可以發現,當城市的城市化水平和生態環境協調耦合程度越高,則“城市化—環境”坐標點將越接近“1∶1”對角線。因此,城市的“城市化—環境”坐標點與坐標系對角線的距離越小,則耦合程度越高。圖2中,城市B較城市A而言,dB1

(5)

式中,xi,yi分別為“城市化—環境”坐標點的橫、縱坐標,即歸一化后的CNLI指數和RSEI指數；di為城市i的耦合協調距離,di越小,則該城市i的城市化水平與生態環境狀況的耦合協調度越高。

2.4 Google Earth Engine云平臺

Google Earth Engine(GEE)是一個基于云的行星級地理空間分析平臺,它使Google的巨大計算能力能夠應對各種高影響的社會、環境問題[45]。GEE在云端托管了數Petabytes (PB) 級別的空間數據,包括了Landsat系列、MODIS系列、Sentinel系列等,每天都有超過6000多個場景從正在執行的衛星任務中擴充。得益于GEE強大算力和云端數據存儲的特征,近年來,基于GEE平臺的大尺度環境監測研究正在不斷開展[46-48]。由于本研究涉及41個城市近20年的生態環境和城市化特征提取分析,使用傳統本地方案在數據獲取和預處理上將耗費大量的時間和精力。考慮到GEE平臺在算力和即時性等方面的獨特優勢,本文將數據篩選與指數計算部署到GEE平臺(完整代碼鏈接：https://code.earthengine.google.com/2701350df44d755c7b431201ba93b6c4)。

3 結果分析

3.1 長三角城市群的RSEI及變化

根據2.1中RSEI的計算公式,本文以5年為間隔,對2000年至2019年長三角城市群的RSEI進行了定量反演。以2019年為例,研究區城市群整體和內部核心城市的主成分分析指標結果(表1)表明：1)城市群整體和核心城市的PC1的特征值貢獻率均達到了60%,能夠集中指標的大部分特征；2)與城市尺度相比,城市群尺度的PC1特征值貢獻率并未出現明顯的下降,表明RSEI指數能夠適用于中等尺度的分析。

表1 2019年長三角城市群及部分城市主成分分析指標

表2則列出了研究區整體和分省(直轄市)的RSEI均值,可以看出：1)過去近20年間,長三角城市群的RSEI呈現出較為穩定的增長趨勢,RSEI由2000年的0.54上升至2019年的0.64,漲幅約為18.5%；2)省級單元下的RSEI均值變化存在一定的差異性,其中江蘇省的RSEI在研究期間內呈較為穩定的上升趨勢(漲幅為23%),安徽省在2010年前的漲幅較為明顯,2010年后則維持在相對穩定的水平(20.8%),浙江省和上海市的RSEI均值則呈現“先降后升”的波動特征,漲幅低于研究區整體平均水平,分別為12.7%和5.2%。

表2 長三角城市群整體和各省級(直轄市)單元的RSEI均值及其變化

圖3是長三角城市群不同年份的RSEI反演結果,可以看出,長三角城市群的RSEI在分布上呈現出明顯的空間異質性。2000年,低RSEI均值的城市共有4個,均位于安徽省境內,包括：淮北、阜陽、宿州和亳州；較低RSEI均值的城市單元共有10個,主要位于安徽省中北部(5個)和江蘇省的西北部(5個)； 高RSEI均值城市共有17個,主要分布在安徽省長江以南、江蘇省蘇錫常地區和浙江省。2005年,低RSEI均值城市數量有所增加,達到了11個,分別包括安徽省中北部地區的8個,江蘇省2個和上海市。此外,江蘇省北部城市的生態環境呈現明顯的好轉態勢,共有7個高RSEI均值城市。2010年,低RSEI城市共有10個,盡管較2005年略有減少但環境壓力依舊不容樂觀；上海市、合肥市和南京市的RSEI均下滑至低等級,生態環境壓力不斷向地區中心城市滲透。2015年,低RSEI城市為9個,分布在安徽省北部、蘇滬、浙江省的中東部；高RSEI城市數量也銳減至6個,分別位于安徽省南部和江蘇省中北部。需要關注的是,長三角城市群內部形成了一個“Z”字型的生態壓力走廊,該走廊西起安徽省西北部并向東連接了合肥市、南京市、蘇州市和上海市,轉而向西連接嘉興市和杭州市并最終向東延伸至臺州市。2019年,低RSEI城市進一步減少并與2000年持平,較低RSEI城市10個,主要分布在安徽省中部、江蘇省南部和上海市。高RSEI城市共有14個,主要包括浙江省大部、安徽省南部和江蘇省中部。

圖3 2000—2019年間長三角城市群RSEI均值及其變化分布Fig.3 The change and distribution of RSEI in the Yangtze River Delta urban agglomeration from 2000 to 2019RSEI: 遙感生態環境指數,Remote Sensing-based ecological index

此外,圖3顯示了2000年至2019年間RSEI的變化情況。可以看出,在過去近20年間RSEI下降的像元占少數且多位于皖北地區和蘇南地區,而RSEI上升的像元占據了絕大多數,漲幅超過0.2的像元多集中在皖中和蘇北地區。在城市水平上,RSEI低增幅城市共6個,分別是安徽省的阜陽市,江蘇省的蘇州、無錫和蘇州市,浙江省的嘉興市和上海市。RSEI高增幅城市共有10個,包括安徽省的宣城市、馬鞍山市、滁州市、淮南市和淮北市,江蘇省的揚州市、鹽城市、淮安市、宿遷市和連云港市。

總體上,長三角城市群在過去近20年間RSEI均值穩定上升,生態環境呈現出好轉的態勢,但地區差異依舊顯著。其中,生態環境壓力明顯減小的地區主要分布在安徽省中部和江蘇省北部,而安徽省北部、江蘇南部(蘇錫常)和上海市的生態壓力依舊不容樂觀。

3.2 長三角城市群的城市化

根據2.2.2中構建的燈光指數模型,本文統計了長三角城市群整體及省級單元(直轄市)過去近20年間的MLI、LAP和CNLI指數,如圖4所示。MLI指數的變化反映出：1)長三角城市群總體的燈光強度呈現穩定的上升趨勢；2)上海市的平均燈光強度較其它三省上升更為顯著,浙江省和江蘇省的燈光強度及變化趨勢較為接近,安徽省雖然呈現上升趨勢,但增幅低于研究區的平均水平。LAP著重刻畫了地區燈光范圍的變化,上海市由于較高的城市化水平,在整個研究期間內的燈光區范圍接近飽和增幅較小。與上海市不同,盡管安徽省在燈光強度的變化上不夠顯著,但其燈光范圍的擴張則十分突出,燈光區占比從2000年的10%上升至2019年的超過60%。綜合MLI和LAP的CNLI指數能夠更為全面和綜合的反映出地區城市化水平的特征,結果表明：1)上海市的CNLI的上升幅度最大,達到了0.4；2)江蘇省和浙江省次之,其中江蘇省在研究期間內的CNLI由0.1上升至0.47,浙江省則上升了約4倍,達到了4.3；3)盡管安徽省的CNLI值低于長三角城市群的總體水平,但其在近20年間增長了約9.3倍,從2000年的0.02上升至2019年的0.23。

圖4 長三角城市群及省級單元(直轄市)下MLI、LAP和CNLI的均值變化Fig.4 Changes of MLI,LAP and CNLI under the urban agglomeration and provincial units (municipalities)

圖5分別描繪了2000—2019年間長三角城市群燈光影像和CNLI指數的空間分布及變化情況。年際燈光影像能夠直觀的反映出地區的燈光強度變化及分布,并從側面揭示地區城市化的發展狀況。結果表明,過去近20年間,長三角城市群的燈光像元不斷從長三角城市群的中心城市上海向內陸城市擴展。燈光像元無論在像元總數還是像元亮度上都有了實質性的上升。燈光像元的變化分布則反映出研究期間內城市化水平較高的城市(上海、南京、合肥、蘇州等)的中心城區燈光強度變化較低,而中心城區周邊的縣區則存在較為強烈的燈光強度變化。造成這一現象的原因有兩個方面：1)中心城區由于城市化起步早,城市化在研究期初始階段就已經保持了較高的水平,因此相較于周邊縣區燈光強度變化較弱；2)由于燈光數據本身的原因,其在燈光強度過于強烈的地區存在飽和現象,而本文在燈光數據預處理中,為了保持兩種燈光數據的一致性和可比性,選擇了將VCM數據模擬為STL年度合成數據,從而保留了像元飽和的特征。

此外,圖5中的長三角城市群CNLI指數的變化則從城市尺度揭示了長三角城市群內部的城市化水平差異。2000年,城市群內部除上海和無錫市CNLI指數高于0.2外,其它城市均小于0.2,處于低水平階段。2005年,上海市和蘇州市的CNLI指數上升至較高水平,南京、鎮江、常州、嘉興和寧波等城市的CNLI指數則上升至較低水平。2010年,上海市的CNLI指數首次超過了0.6(高水平),并逐步形成了以上海為中心,無錫、蘇州和嘉興為依托的高強度城市化區域。2015年的較高強度城市化城市在2010年的基礎上進一步向“內陸”延伸,蘇州的CNLI指數也進一步上升并與上海市共同組成了高CNLI城市。2019年,長三角城市群形成了“層次分明”、“由東向西”逐步推進的城市化格局,其中高強度城市化城市集中在上海市及其周邊的無錫、蘇州和嘉興；較高強度城市化城市則圍繞在高強度城市化區域周邊,包括江蘇省6個和浙江省4個；較低強度城市化城市則主要分布在城市群的北部和南部,包括蘇北地區5個、安徽省11個和浙江省4個；低強度城市化城市則分布在城市群西部,其中安徽省主要包括六安、安慶、池州、黃山和宣城,浙江省則包括衢州和麗水。另一方面,研究期間CNLI變化強度的空間分布格局則與CNLI等級分布呈現出相反的特征。其中,CNLI上升幅度最大的城市位于城市群內陸的安徽省,包括：阜陽、六安、亳州、宿州、滁州、池州和宣城。這些城市盡管其CNLI指數較沿海城市低,但其在研究期間內的CNLI增幅卻顯著高于經濟體量較大的發達城市。而以上海、蘇州、無錫、南京、杭州等為代表的城市化水平較高的城市,盡管CNLI絕對增量遠大于城市群欠發達城市,但增幅比則遠落后于上述城市。

圖5 2000—2019年間長三角城市群燈光影像及CNLI空間分布及變化Fig.5 Spatial distribution and change of lighting image and CNLI during 2000—2019CNLI: 綜合夜間燈光指數,Comprehensive nighttime light index; DN: 數字灰度值,Digital number

3.3 城市群城市化與生態環境的耦合協調分析

本文基于構建的耦合協調距離模型對研究期間內長三角城市群的城市進行了城市化與生態環境指標的耦合協調分析,如圖6所示。由于歸一化后城市單元的RSEI和CNLI的值域均處于0—1之間,因此本文以(0.5,0.5)為原點來劃分“城市化—環境”坐標點至四個不同的象限,其中：第一象限城市(CNLI>0.5; RSEI>0.5)的生態環境狀況和城市化水平均處于較高水平,屬于良好耦合協調類型；第二象限城市(CNLI<0.5; RSEI>0.5)的生態環境水平相對領先于城市化水平,屬于城市化滯后于生態環境類型；第三象限城市(CNLI<0.5; RSEI<0.5)的城市化和生態環境狀況較為接近但水平偏低,屬于初級協調類型；第四象限城市(CNLI>0.5; RSEI<0.5)的城市化發展領先于生態環境狀況,屬于生態環境滯后于城市化類型。

圖6 2000—2019年長三角城市群CNLI與RSEI指數城市散點圖Fig.6 Scatter map of “CNLI-RSEI” in Yangtze River Delta Urban Agglomeration in 2000—2019

根據圖6中“城市化—環境”坐標點的象限分布變化可以看出,2000年的 “城市化-環境”坐標點大多集中分布在第二象限,這表明此時城市群內部的城市CNLI多低于0.5而RSEI高于0.5,處于城市化滯后于生態環境發展階段。隨著城市化的持續推進以及區域協調發展政策的落實,長三角城市群一體化和城市化水平不斷上升。2005年、2010年和2015年的“城市化-環境”坐標點中位于第四象限的城市單元數量有明顯的上升,反映出上述城市在加速推進城市化水平的同時(CNLI>0.5),忽視了生態環境的保護(RSEI<0.5),造成生態環境狀況滯后于城市化發展的現狀。十八大以來,生態文明建設和可持續發展的觀念的不斷深入人心,特別是2016年《長江三角洲城市群發展規劃》的頒布為長三角城市群的生態保護、生態建設提供了政策支撐。從2019年的“城市化-環境”散點圖可以發現,經過幾年的良性發展,第四象限城市隨著RSEI指數的上升而轉入第一象限,城市化發展和生態環境狀況處于良好耦合協調階段。總體上,研究期間內不同象限城市的數量變化反映出長三角城市群在近20年持續推進城市化的過程中,城市生態環境曾一度滯后于城市化發展,但近年來隨著生態環保意識加強和政策的實施,生態環境呈現一定的好轉態勢,城市化和生態環境的耦合協調性不斷增強。

此外,圖6還列出了2019年部分城市的耦合協調距離。在地區中心城市中,南京市的耦合協調距離最小,上海市次之,且二者均位于第一象限的對角線右側,這表明南京和上海的城市化和生態環境處于良好耦合協調類型,但生態環境水平的壓力依然值得關注。杭州市的耦合協調距離在四個中心城市中最大且位于第二象限,這表明杭州市的生態環境質量保持較高水平,但在保護環境的前提下應持續推進城市化進程。合肥市的耦合協調距離為0.84且處于第三象限,這意味著合肥市處于初級協調階段,城市化和生態環境都處于較低的水平,在接下來的發展過程中需要堅持環境保護與城市發展并重的策略。除了中心城市外,圖中還列出了耦合協調距離最短的前四個城市,分別是：舟山市、寧波市、鎮江市和嘉興市。這些城市在不斷推進城市化的過程中,生態環境狀況維持在較為良好的水平,是典型的良好耦合協調型城市。

4 結論與討論

4.1 結論

本文基于Google Earth Engine云平臺,通過整合日間光學遙感和夜間燈光遙感等多源衛星數據對長三角城市群近20年的生態環境狀況和城市化進程特征進行了對比分析,并構建了耦合協調距離模型對城市群內部的城市進行了“城市化-生態環境”耦合協調分析。結果表明：1)長三角城市群在過去近20年間RSEI均值穩定上升,生態環境呈現出好轉的態勢,但地區間的差異依舊顯著；2)CNLI指數能夠較為準確的刻畫城市群的城市化水平,研究期間內上海市的CNLI的上升幅度最大,江蘇省和浙江省次之,盡管安徽省的CNLI均值低于總體水平,但其增幅比則顯著高于其它地區；3)經過近20年的城市化發展,長三角城市群形成了“層次分明”、“由東向西”逐步推進的城市化格局,其中高強度城市化城市集中在上海市及其周邊的無錫、蘇州和嘉興,低強度城市化城市則分布在城市群西部；4)基于CNLI和RSEI指數構建的耦合協調距離模型能夠有效的識別出城市群內部城市化水平和生態環境狀況的耦合協調程度,并根據象限特征將城市劃分為良好協調類型、初級協調類型、城市化滯后型和生態環境滯后型城市。

4.2 討論

長三角城市群作為人口聚集區和人類活動最強烈的地區,生態環境的變化將對地區的穩定和發展產生不可估量的影響。因此,全面客觀的實現城市群生態環境與城市化的監測及耦合協調分析對城市可持續發展和綠色城市建設有著重要意義。考慮到中國城鄉差異的長期存在,城市的資源集中效應仍將不斷吸引人口、產業及各類資源在此集聚,空間擴張依舊是長三角城市群未來發展的主要趨勢之一,城市化對生態環境的脅迫作用在短期內將不會消失。

本文通過整合多源遙感數據并借助GEE云平臺能夠快速、高效地實現區域生態環境及城市化的對比分析,可以為中尺度的發展規劃、生態環境監測和環保措施制定提供數據支持。相較于以往的研究,本方案具有以下幾點優勢和潛力：1) 適用于中等尺度的研究應用。自RSEI提出以來,基于RSEI指數的應用分析正在不斷豐富。但這些基于RSEI的生態狀況評估的數據源多集中在以Landsat系列為代表的較高分辨率的衛星影像,導致研究區被限制在城市尺度。本文在研究中使用的MODIS數據源具有較短的重訪周期和中尺度單景覆蓋范圍(10°×10°),能夠保證在中等尺度研究區內指標反演的一致性和穩定性。2)完全基于遙感數據源。已有的關于城市化和生態環境狀況耦合分析研究多采用社會經濟統計數據作為耦合程度評估的數據來源之一。一方面,收集完整的時間序列、多尺度社會經濟統計數據本身存在一定的難度；另一方面,地區間的統計口徑差異也會干擾分析結果的準確性。遙感數據在更新周期和空間分辨率方面的獨特優勢能夠更好的滿足生態環境監測的時效性要求。3)監測分析的可遷移潛力。本文將RSEI和CNLI的計算部署在GEE平臺,能夠直接調用GEE云平臺上的海量遙感數據進行運算分析,極大地降低了對本地計算資源的占用。同時,基于云平臺的特性使其能夠快速的遷移到其它地區(更改研究區的邊界),較傳統的本地計算具有更高的應用潛力。

雖然本文在計算RSEI和CNLI的過程中已經對衛星影像數據進行了預處理和校正,但現有的校正模型只能緩解一定程度的數據缺陷,研究的結果依舊不可避免的會受到數據源本身質量的影響。此外,本文構建的耦合協調距離模型盡管能夠較為直觀的刻畫城市在城市化推進過程中與生態環境的耦合變化,但對其背后的機理及驅動力缺乏更深層次的探討,所提出的方法能否有效地反映現實問題也需結合非遙感數據開展進一步檢驗。隨著數據源的豐富,城市發展過程中城市擴張與生態環境間相互作用及機制將是下一步研究的重點。