基于多源數據的城市休閑旅游空間特征及時空演變分析
——以南昌市為例

程朋根, 韓佳宇, 吳 靜, 郭苗苗

(1.東華理工大學 測繪工程學院, 南昌 330013; 2.桂林理工大學 廣西空間信息與測繪重點實驗室, 廣西 桂林 541006)

0 引 言

隨著城市化的快速持續發展, 城市社會文明和居民生活質量也隨之提高, 休閑已成為重要的生活方式和消費方式, 休閑旅游已逐漸成為消費熱點[1], 并且休閑旅游產業的發展規模以及發展趨勢一直持續增長, 是休閑旅游空間快速擴張的最主要原因之一[2]。因此, 城市急需對休閑旅游空間的分布和集聚特征進行分析并探討如何協調與城市建設發展的關系, 這對宜居城市的建設、 旅游業的發展和城市的可持續發展起到了至關重要的作用。黃震方等[1]界定了休閑與休閑旅游資源的概念， 并對江蘇省常州市的休閑旅游資源進行了分類與評價。馬聰玲[3]通過對世界主要城市公園的分析, 從而將城市休閑空間劃分為城市公園、沿街綠地、步行街區、濱水區四大類。陳永昶等[4]探討分析了休閑旅游概念的國內外研究現狀, 并參照我國旅游發展的實際情況和特點, 進一步的闡述了休閑旅游的內涵。

近年來, 通過大數據技術對城市地理空間規劃已成為熱門發展趨勢。 大數據挖掘作為全新的數據源和研究思路可以進一步對城市休閑旅游空間進行分析。城市服務設施是最重要的服務提供者之一, 通常使用與特定人類社會活動相關的POI模型在ArcGIS中表示為一組點。興趣點分布強度和分布格局的研究對城市規劃、 商業區位選擇和社會建議等空間分析具有重要意義。陳蔚珊等[5]基于面向公眾服務的商業機構興趣點數據, 提出一種商業中心與零售業態集聚區識別的方法, 對城市商業服務中心和不同零售業態集聚區的空間分布特征進行了探討。康雨豪等[6]基于POI數據和道路網數據, 利用點密度分析方法對武漢市核心城區的功能區進行了識別。楊文杰等[7]基于廣州市的科教文化POI數據, 利用最鄰近距離法等多種空間分析方法分析了廣州市科教文化服務的分布特征。在利用POI數據和夜間燈光數據耦合分析方面, 劉翔宇[8]基于DMSP/OLS影像、 統計數據和POI數據使用了景觀格局指數、 重心模型、 引力模型和耦合性分析來分析安徽省的城市空間分布結構； 陳斌等[9]選取了POI數據及NPP/VIIRS遙感數據進行了核密度分析, 然后對POI核密度分析結果及夜光遙感數據進行空間網格化處理, 并通過雙因素制圖法和柵格疊加分析方法得到了這兩種數據的空間耦合關系, 進一步分析了武漢市主城區的城市空間結構特征。

本文選取南昌市中心城區為研究區, 選擇POI數據及夜間遙感影像數據為研究數據, 基于ENVI軟件和ArcGIS 10.2平臺, 運用核密度估計法、 多距離空間聚類分析法、 最近鄰指數法和標準差橢圓算法從空間分布熱點、 空間尺度、 集聚程度和分布格局以及這兩類空間數據的耦合性分析等方面對南昌市休閑旅游空間集聚的特征進行了綜合論述， 并通過繪制27年來南昌市城鎮空間重心移動軌跡進行時空演變分析。本文技術路線如圖1所示。

圖1 技術路線圖

1 研究區域和數據來源

1.1 研究區域概況

南昌市是江西省省會、 環鄱陽湖城市群核心城市， 地處江西中部偏北， 贛江、 撫河下游， 鄱陽湖西南岸， 位于東經115°27′—116°35′、北緯28°10′—29°11′。截至2018年末, 南昌市轄6區3縣, 土地總面積7 194.61 km2, 常住人口554.55萬人。全市擁有園林綠地面積17 705.46 hm2, 綠化覆蓋面積18 895.24 hm2, 公園綠地面積4 357.66 hm2, 人均公園綠地面積達到11.8 m2。

1.2 實驗數據

POI(point of interest, 興趣點)主要包含了真實地理實體的空間和屬性信息, 如名稱、 地址和坐標等。興趣點主要用來描述和查詢事物和事件的詳細地址, 提高地理定位的準確性和速度。與傳統數據相比, POI數據具有較好的時效性和客觀性、 空間分辨率很高、 可以直觀有效地反映城市建設密度和產業集聚程度。

本文研究區域涵蓋南昌市的東湖區、 西湖區、 青山湖區、 青云譜區、 新建區、 紅谷灘區、 南昌縣、 安義縣、 進賢縣等9個區縣。所使用的數據為網絡電子地圖南昌市2019年12月份POI數據, 通過篩選去除重復值后共有104 795條數據。每條POI數據都包含名稱、 經度、 緯度、 地址、 電話、 分類等屬性字段。由于南昌市于2019年12月行政區劃調整, 將灣里區并入新建區, 設立了紅谷灘區, 因此數據更具有現實參照意義。根據南昌市休閑旅游空間實際分布情況, 將研究對象劃分為商業服務、 餐飲服務、 風景名勝、 體育休閑服務、 文化娛樂服務等5大主類。通過百度地圖對POI數據(表1)進行爬取, 然后轉換坐標系統并導入ArcGIS 10.2進行投影轉換， 利用屬性篩選器篩選出上述5大類POI數據, 分區統計后得到表2。

表1 南昌市POI數據信息

表2 南昌市休閑旅游空間各區POI數據分類統計

夜間燈光數據目前在城市群空間擴張監測、 區域經濟增長、 人口估算、 環境監測等方面的應用越來越廣泛[10-12], 是人類活動的表征。雖然很難將休閑旅游空間數據從夜間燈光數據中分離出來, 但是由于南昌市是幾乎不存在旅游淡季和早晚差異情況的旅游城市, 其休閑旅游活動與人類活動密不可分, 所以在一定程度上夜間燈光數據可反映南昌市的休閑旅游空間分布特征。本文選取南昌市 1992—2013年22 期 DMSP/OLS 以及 2012—2018年7期 NPP/VIIRS 夜間燈光數據, 由于DMSP和VIIRS之間存在嚴重的不一致性, 故先去除月光、 漁火以及背景噪聲, 并量化2013年DMSP數據和VIIRS數據之間的關系使得二者處理后具有相同的空間分辨率和相似的輻射特性, 最終通過飽和校正及連續性校正生成一致的夜間燈光數據[13]。

1.3 數據預處理

正六邊形是邊數最多的平面鑲嵌圖形, 無間隙且不重疊地覆蓋平面, 相比于矩形漁網能更好地展示數據間的對比分析結果, 因此綜合考慮后對南昌市行政區劃創建正六邊形格網, 利用ArcGIS Online的Create Hexagon Tessellation工具直接生成7 533個單位面積為1 km2的網格, 即生成南昌市蜂窩格網數據(圖2)。用六邊形網格數據對2018年南昌市夜間遙感影像進行區域分析, 獲取各網格夜間燈光亮度平均值(圖3)。

圖2 南昌市蜂窩格網

圖3 2018年南昌市夜間燈光亮度值蜂窩

2 研究方法

2.1 核密度估計法(KDE)

核密度估計(KDE)是一個高效的空間分析工具, 在空間密度評價過程中扮演著重要的角色, 它是根據點或折線特征計算每個單位的面積, 以使每個點或折線適合光滑的圓錐形表面。在興趣點空間特征表達的方法上, 核密度估計法(KDE)相比于樣方密度法和基于Voronoi圖密度法等密度表達方法更具有優勢。核密度估算的表達式為[14-15]

(1)

式中:K[]為核函數, 本文采用的是高斯核函數;h為帶寬, 也稱作搜索半徑;n為在帶寬范圍內的已知點數目;d為數據的維度。

2.2 基于Ripley’s K函數的多距離空間聚類分析

采用基于 Ripley’sK函數的多距離空間聚類分析方法用來分析點數據的空間模式。通過Ripley’sK函數在不同距離的情況下分析點數據的集聚程度。該分析通常需要選擇合適的距離范圍或距離閾值。本文使用的是Ripley’s原始K函數的一種常見變換, 通常稱為L(d)公式[16-18]

(2)

其中:d為距離;n為要素的總數目;A代表要素的總面積;ki, j是權重。如果沒有邊矯正, 當i與j的距離小于d時, 則權重將等于1; 反之, 權重將等于0。使用給定的邊矯正方法時,ki, j的權重略有變化。

2.3 最近鄰指數法

最近鄰指數(NNI)的表示方式是研究區域內元素的實際最近鄰平均距離DN與隨機分布模型的理論平均距離DR之比。當NNI=1, 即DN=DR時, 所分析的元素是均勻分布的;當NNI<1, 即DN1, 即DN>DR時, 表明元素點是趨于排斥分布的。

(3)

(4)

NNI=DN/DR。

(5)

其中:n為元素個數;di為元素i與其最近鄰點的距離。

2.4 標準差橢圓算法(SDE)

標準差橢圓算法可以很詳細地描述點的分布方向以及分布趨勢。通過ArcGIS軟件分析可得到5個參數： CenterX和CenterY代表了橢圓的中心點, XStdDist和YStdDist分別為橢圓x軸和y軸的長度, Rotation表示的是橢圓的方向角度。橢圓的長半軸表示點的分布方向, 而短半軸表示的是點的分布范圍。橢圓的扁率是長短半軸的差值與長半軸的比值, 扁率越大, 點的分布方向越顯著; 扁率越小, 點的分布方向則越模糊。方向角θ的計算公式為

(6)

(7)

(8)

3 結果分析

3.1 基于KDE的區域空間集聚熱點識別

在核密度估計法中, 輸出像元大小(即輸出柵格圖像像素點的大小)在一定范圍內像素點隨著像元值的變小而增多, 像素點越多, 則分辨率越高(圖4)。搜索半徑是一個很重要的參數, 是指定半徑范圍內所有的采樣點都參與柵格單元的密度運算, 采取不同的數值會對結果影響很大。本文經過多次實驗, 最后將搜索半徑設為3 km, 像元大小設為20, 采用自然間斷點法進行分類, 并利用ArcGIS可視化, 得到的結果較為滿意。

圖4 南昌市休閑旅游空間核密度分析

通過對南昌市休閑旅游空間POI數據進行核密度分析可以看出, 南昌市商業和餐飲服務空間呈“大聚集、 小分散”的特點, 主要分布于西湖街道、 丁公路街道、 繩金塔街道、 南站街道以及京山街道； 另外,在贛江對岸的紅谷灘區分布密度也較高, 以世貿路和會展路為中心； 風景名勝空間密度最高的點位于滕王閣街道、 百花洲街道和西湖街道一帶。整體來看, 休閑旅游空間呈“一心多點”式布局, “一心”主要為服務設施高度聚集的中心城市, “多點”主要為縣級服務中心。密度值最高的分布范圍具體為政府大院街道、 公園街道、 百花洲街道、 西湖街道、 滕王閣街道、 廣潤門街道、 彭家橋街道以及墩子塘街道。中心城市市區中心內服務設施集中程度最高, 市區服務設施布局為單中心模式, 密度由中心城區向外圈層式遞減。

3.2 基于Ripley’s K函數的區域空間集聚的空間尺度效應

Ripley’sK函數包含 5個參數: ObservedK(觀測K值)、 ExpectedK(預期K值)、 DiffK(差值)、 LwConfEnv(低值置信區間)、 HiConfEnv(高值置信區間)。其中, ObservedK表示實際計算值; ExpectedK表示通過隨機假設計算出來的預期值; DiffK表示觀測K值與預期K值的差值, 當DiffK為正值時, 表示空間聚集, 為負值時, 表示空間離散, 數值越大, 程度越大; LwConfEnv和HiConfEnv表示設定置信度后預期K值的聚集置信區間。本文將距離遞增次數設置為10次。

總體上, 觀測K值均大于預期K值, 且均大于高值置信區間, 表明總體上休閑旅游空間分布呈現

表3 南昌市休閑旅游空間多距離空間聚類分析

顯著的聚集趨勢。其中， 觀測K值為38 190.064時, 差值最大, 為23 078.357, 聚集趨勢最為顯著。

3.3 基于NNI的區域空間集聚特征

運用最近鄰指數方法分析了南昌市休閑旅游空間的集聚狀況及集聚趨勢。通過表4可以看出, 南昌市休閑旅游空間總體的NNI小于1, 且通過了99%置信水平的顯著性檢驗, 呈空間集聚的趨勢。不同類型空間的NNI也都小于1, 其中餐飲服務類和商業服務類較低, 說明這兩類更傾向于集聚發展, 且集聚規模較大。因為餐飲和商業服務類都具有很強的集聚經濟效應, 會受到經濟水平、 人口密度、 交通便利等因素的影響。體育休閑和文化娛樂服務類的NNI分別為0.326和0.454, 也同樣呈現出集聚的總體趨勢。風景名勝服務類的NNI最大, 為0.472, 由于受自然生態條件和城市開放空間的影響, 所以相較而言集聚程度較低。

表4 南昌市城市休閑旅游空間集聚性分析

3.4 基于SDE方法的區域空間分布模式

采用標準偏差橢圓算法分析了南昌市休閑旅游空間的中心趨勢、 離散趨勢和方向趨勢[19-20]。分析結果表明(圖5), 南昌市休閑旅游空間橢圓中心位于東湖區政府大院街道附近， 橢圓土地面積894.9 km2, 占南昌市土地面積的12.44%， 橢圓中心的分布明顯向西， SDE的長半軸為12.15 km, 短半軸為5.85 km, 方位角為131.17°, 具有明顯的方向性。南昌市休閑旅游空間總體分布格局以“中密邊疏”為特征, 呈“西北—東南”的分布趨勢。具體而言, 城市商業空間的中心性、 擴散范圍和空間發展方向均符合休閑旅游空間的總體特征, 并朝著西北—東南方向發展。

圖5 南昌市休閑旅游空間標準差橢圓算法分析

城市體育休閑空間和文化娛樂空間的分布中心明顯向北。SDE在餐飲服務空間的長短軸扁率最大, 傳播范圍最大。城市風景名勝空間的SDE具有長短軸扁率最小、 擴展范圍最小、 方向性較弱的特點。

4 夜間燈光數據與POI耦合分析

為更準確直觀地分析南昌市夜間燈光數據與休閑旅游空間POI數據的耦合關系, 首先采用離差標準化公式對這兩類數據進行歸一化處理:

(9)

再利用標準差法將這兩類數據分為高、 中、 低3個等級, 將夜間燈光亮度值和POI分級進行空間連接, 兩兩結合得到“高—高”、 “高—中”、 “高—低”、 “中—高”(未出現該組合)、 “中—中”、 “中—低”、 “低—高”(未出現該組合)、 “低—中”、 “低—低”9 種組合方式, 結果如圖6。

圖6 南昌市夜間遙感與POI空間耦合關系圖

從總體空間分布情況看, 這兩類空間數據耦合關系的分布具有較高的一致性。“高—高”的耦合關系基本分布在青山湖區、 東湖區、 西湖區、 青云譜區以及部分紅谷灘新區, 如南昌市的四大商圈(紅谷灘萬達、 銅鑼灣購物中心、 王府井購物中心、 恒茂夢時代廣場)以及滕王閣、 八一廣場、 秋水廣場等著名旅游景區都聚集于此, 而這兩類數據的低值分布區主要集中分布在南昌市的外部邊緣地區, 與南昌市的發展現狀相吻合。安義縣呈“高—低”的耦合關系是由于區位交通便捷, 京九鐵路、 昌九高速公路擦境而過, 范圍較廣而功能單一, 因此出現夜間燈光亮度較強而POI密度較低的狀況。

5 時空演化特征分析

本文選取了1992、 1998、 2004、 2010、 2016及2018年的6期夜間遙感影像進行分析處理。由圖7可知, 隨著時間的推移, 南昌市各城區夜間燈光面積與強度逐年增加, 說明人類活動強度逐漸增大, 城市休閑旅游設施也同樣變得更為密集。1992年夜間燈光主要分布在東湖區， 南昌縣和進賢縣幾乎沒有任何燈光分布；2004年, 隨著紅谷灘中心區的建立, 夜間燈光分布有明顯的增強；2010年, 在之前的基礎上夜間燈光圍繞中心向四周發散；到2018年, 南昌市每個區域的燈光分布都較為明顯。隨著時間的推移, 夜間燈光的分布與總量總是在不斷地增加[21]。

圖7 南昌市1992、1998、2004、2010、2016和2018年夜間遙感影像

為了更直觀地分析南昌市城鎮空間和休閑旅游空間的重心變動方向和趨勢, 利用GIS繪制27年來南昌市城鎮空間重心遷移軌跡。由圖8發現, 1992—1998年南昌市重心位置波動較小, 2004年向西北方偏移， 2018年與之前相比, 重心的變化主要體現為緯度方向向西偏移, 經度方向向下移動。這說明南昌市的城鎮空間與休閑旅游空間的整體發展表現為先向西北偏移, 再向西南偏移, 空間增長以西南部城市為主。

圖8 南昌市城鎮空間重心遷移軌跡

6 結 論

基于POI數據和夜間燈光數據對南昌市的休閑旅游空間進行耦合分析研究, 主要結論如下:

(1)南昌市中心城區的休閑旅游空間分布呈明顯的“一心多點”式布局, 休閑旅游空間總體及各服務類的集聚中心都位于中心城區內, 在青山湖區呈現出高度聚集的趨勢, 說明青山湖區是南昌市休閑旅游最為集中的區域, 而邊緣縣城的集聚效應較弱。另外， 南昌市休閑旅游空間總體分布格局呈現出明顯的“中密邊疏”的特征以及“西北—東南”的走勢。

(2)通過對POI數據和夜間燈光數據耦合分析, 可以發現南昌市夜間燈光整體是呈從中心城區向四周逐漸降低的趨勢, 兩者數據之間呈現較高的耦合性, 而呈現出耦合差異的區域也可以反映出車站、 機場、 工業開發區等范圍較大卻性質相同的建筑。南昌市中心城區的周邊呈現出大范圍的“低—低”耦合, 是由于郊區鄉鎮的經濟建設較為落后, 因此夜間燈光值和休閑旅游各類服務設施都較低, 符合現實情況。

(3)最后利用1992—2018年的夜間遙感影像繪制了27年來南昌市城鎮空間及休閑旅游空間的重心偏移軌跡發現， 隨著人類的活動強度與城市建設的增加, 南昌市夜間燈光面積也逐年增加, 重心偏移方向是由西南轉移到西北。

研究結果表明, 基于大數據的多方法綜合分析能夠較好地描述區域的空間分布屬性及時空演變特征。以南昌市為例, 客觀、 全面地揭示了南昌市休閑旅游空間的集聚特征, 為南昌市的國土空間規劃提供了不可或缺的參考信息； 但同時也存在一定的局限性, 本文對區域空間集聚特征的分析更多的是對結果的研究, 還缺少對其驅動因素或影響因素的分析。