夜光遙感與POI數據耦合關系中的城市空間結構分析
——以深圳市為例

高 巖, 邢漢發, 2, 張煥雪

(1.山東師范大學 地理與環境學院, 濟南 250300; 2.華南師范大學 地理科學學院, 廣州 510631)

0 引 言

城市空間結構是指在城市發展的過程中由于各種功能與其物質外貌不同而形成的功能分區, 由不同功能區的組合與分布構成[1]。城市空間結構在展示城市功能分區的同時, 也在一定程度上預示著未來城市功能分區的調整與變化方向, 因此對于城市空間結構的研究一方面可以對現有的城市功能分區進行詳細的了解, 便于對整體的把握; 另一方面, 可預測與把握未來城市功能區發展的趨勢與方向, 避免城市功能區發展過于集中或分散。因此, 對城市空間結構的進一步研究, 對城市功能區的合理布局與未來城市協調與穩定發展有重要意義。

近年來隨著眾多學者對城市空間結構研究的深入, 通過夜光數據與POI(point of interest)數據對城市空間結構進行探索的成果也越來越多。POI數據因更新速度快、數據量大、精度高等特點, 目前在城市邊界提取[2]、城市居民流動[3]、城市功能區劃分[4-5]、城市商業規劃[6]方面有非常廣泛的研究。夜光遙感因為與人類活動高度關聯, 同時具有高時空分辨率的特點, 在城市空間擴張[7-9]、城市體系格局演變[10]、城市人口估算[11-12]、城市GDP模擬[13-15]等領域具有廣泛應用。

在目前的研究中, 使用夜光遙感與POI數據對城市空間結構進行耦合主要從空間維度進行探討: 王毓乾等使用POI、夜光遙感和微博簽到3種數據對北京市的城市空間結構進行探究[16]; 于丙辰等從南海港口的角度對三亞市城市空間結構進行研究[17]; 陳斌等使用POI與夜光遙感數據對武漢主城區的城市空間結構進行了探索[18]; 羅虹等以昆明市為研究區使用兩種數據耦合對城市空間結構進行分析[19]。綜上, 現有的研究大都在同一時間使用多源數據對城市空間結構進行探索, 少有從時間維度對城市空間結構從多源數據耦合的角度進行的探究, 且大多數從耦合相異的區域進行討論, 缺乏對于耦合相同的區域進一步探究。

《粵港澳大灣區發展規劃綱要》提出了在未來粵港澳大灣區一方面要成為世界級城市群、國際科技創新中心、“一帶一路”建設的重要支撐、內地與港澳深度合作示范區, 另一方面要建設成為宜居宜業宜游的高品質生活圈, 成為高質量發展的典范[20]。作為粵港澳大灣區的中心城市, 深圳市的城市空間結構特征與粵港澳大灣區經濟發展緊密相連。本文針對從空間和時間兩個角度使用夜光遙感和POI對城市空間結構進行探索缺乏的現狀, 以粵港澳大灣區中心城市——深圳市作為典型研究區, 使用VIIRS夜光遙感數據與POI數據, 通過核密度分析與空間耦合等方法, 對深圳市的城市空間結構從空間與時間兩個角度進行探索, 對耦合相同與相異的區域進行分析, 研究了夜光遙感和POI在不同耦合模式中城市的空間結構特征, 以期能對深圳市城市規劃與發展, 以及粵港澳大灣區其他城市內部的城市空間結構的改善與調整提供科學依據與改進參考。

1 研究區概況與數據

1.1 研究區概況

深圳地處中國華南地區, 廣東南部、珠江口東岸, 東臨大亞灣和大鵬灣, 西瀕珠江口和伶仃洋, 南隔深圳河與香港相連, 是粵港澳大灣區四大中心城市之一，總面積1 997.47 km2, 常住人口1 343.88萬人(2019年數據)。深圳市下轄9個行政區和1個新區: 羅湖、福田、南山、寶安、龍崗、鹽田、龍華、坪山、光明區和大鵬新區, 如圖1所示。

圖1 深圳市行政區劃示意圖

深圳南部與北部經濟發展差異大, 俗稱“關內”的老特區(福田、南山、羅湖和鹽田區)教育與金融較為發達, 俗稱“關外”的新特區(寶安、龍崗、龍華、坪山和光明區)高新技術與制造業相對發達[21]。深圳市是粵港澳大灣區四大中心城市之一，也是國家物流樞紐、國際性綜合交通樞紐, 主要有深圳站、深圳東站、深圳北站等6個火車站。深圳港擁有南山港區、大鏟灣港區、大小鏟島港區、寶安港區、鹽田港區與大鵬港區6個港區。此外, 深圳還擁有一座國際機場——深圳寶安國際機場。

1.2 數據來源與處理

本文使用的數據源包括深圳市行政區劃數據、夜光遙感數據、POI數據以及深圳市GDP數據。

深圳市行政區劃數據來自國家基礎地理信息中心(http://www.ngcc.cn/ngcc/)。POI數據是通過Python爬蟲程序采集自高德開放平臺接口, 具體的類別包括商務住宅、住宿服務、生活服務等各類興趣點的名稱以及坐標、類型、經緯度等信息, 篩選重復與信息缺失的部分數據后, 將與本次研究關系不大的地名、地址、風景名勝、政府機構等類別信息進行刪除, 得到最終的實驗數據。NPP/VIIRS夜光遙感影像來源于科羅拉多礦業大學地球觀測組(EOG)(https://payneinstitute.mines.edu/eog/nighttime-lights/)。與傳統的DMSP/OLS夜光遙感數據相比, NPP/VIIRS夜光遙感數據雖然在具有更高的分辨率(500 m)的同時, 進一步降低了夜間燈光數據的飽和度，但是未將來自火災、海上油氣田等過亮異常光源進行剔除, 并含有部分背景噪音。為了減少這些不確定因素對實驗造成的影響, 需要對NPP/VIIRS數據進行異常值剔除。深圳市的城市核心區為福田、羅湖與南山區, 遍歷這幾個區的像素值以后, 使用這3個地區亮度的最高值對其余地區的夜光值進行去噪處理, 將高于這3個區最高值的數據統一賦值為此三區的最高值, 并將小于零的數據賦值為零[22]。將3個年份的月度數據分別進行疊加并獲取平均值, 形成3個年份的年度合成數據。GDP數據來源于《深圳市2019年國民經濟和社會發展統計公報》[23]，其中大鵬新區與深汕特別合作區為深圳市政府設立的功能區，大鵬新區的原行政區劃隸屬于龍崗區，且數值較小，因此將GDP數據歸屬于龍崗區；而深汕特別合作區行政區劃隸屬于汕尾市海豐縣，不在本文的研究區域內，故其數據亦不在本文的討論范圍內。

2 實驗與可視化方法

本文實驗方法主要包括核密度分析、變量歸一化處理以及數據網格化。首先將夜光遙感數據與POI預處理, 進行重采樣操作后對數據進行歸一化處理, 然后使用ArcGIS的漁網工具對兩種數據進行空間連接賦值, 形成統一的格網化數據, 最后對兩種數據進行疊加操作, 形成耦合結果, 并在此基礎上對深圳市的城市空間結構特征進行分析。

2.1 核密度分析

地理信息的空間密度分析根據輸入的點要素數據集計算整個區域的數據集聚狀況, 從而產生一個連續的密度表面[24]。核密度分析是以數據密集度函數聚類算法為基礎的一類空間密度分析方法，其在探究城市空間結構方面應用十分廣泛[25]。通常來說, POI點的聚集度越高, 反映該地區人類活動越為密集, 反之亦然。由于POI點數據為空間數據, 因此本文使用ArcGIS軟件中的核密度分析工具對POI數據進行處理

(1)

式中:f(s)代表空間某一位置s處的核密度計算函數;h為兩點之間距離衰減閾值;n為與位置的距離小于或等于h的位置點的個數;k函數則表示空間的權重函數。這一公式的幾何意義是密度值在每個核心要素ci處最大, 并且在遠離ci的過程中不斷降低, 直至與ci的距離達到閾值h時核密度值降為0[26]。

本文基于采用的NPP/VIIRS數據的分辨率, 多次對不同的帶寬與空間分辨率進行實驗, 最終確定POI核密度的帶寬為1 500 m, 空間分辨率為200 m, 最后得到POI核密度的分析結果。

2.2 變量歸一化處理

歸一化是把需要處理的數據經過一定的處理后限制在研究需要的一定范圍內。這種處理方式一方面有助于后期數據處理與探究的便利性，另一方面有助于歸納統一樣本的統計分布性。本文采用的歸一化公式將夜光遙感數據與POI核密度數據歸一化至[0, 1]的值域范圍內。

(2)

2.3 數據網格化

數據網格化是指從網格地圖的思維, 用不同尺度的網格來對空間數據及屬性數據進行劃分與存儲[27]。它是依據空間拓撲關系將空間內的點數據轉化為二維平面數據的一種常用的方法[28]。不同于一般的行政區域劃分, 網格劃分行政區域可以打破行政區劃約束, 有助于提高信息的檢索效率, 更適用于大數據時空方面的研究與分析[29]。數據網格化可以將各種不同的柵格數據標準統一化, 有助于不同類型的數據進行比較與分析。數據網格化有多種類型可以選擇, 本次研究采用最常用的四邊形網格進行柵格數據網格化。

本文以深圳行政區域為范圍, 將NPP/VIIRS影像數據與POI核密度數據進行矢量化, 使用連接工具與網格進行連接, 最終分別形成了夜光遙感數據與POI數據的網格圖。將兩種數據進行疊加, 以方便后續的分析與研究。

3 結果與分析

3.1 夜光遙感與POI核密度數據結果變化分析

將處理完畢的深圳市2014、2017與2019年夜光遙感數據與漁網數據進行連接賦值后, 對數據進行網格化處理, 分別得到深圳市上述3年的夜光遙感分布, 結果如圖2所示。對深圳市上述3年POI數據進行核密度分析后, 利用漁網數據鏈接賦值分別生成上述3年的POI核密度網格化分布, 結果如圖3所示。

從空間來看, 深圳市夜光強度呈現出西高東低、南高北低的總體分布規律(圖2)。其中, 南部靠近香港邊境的福田、南山、羅湖、鹽田區夜光強度較高; 北部以光明、龍華、龍崗區的行政中心夜光強度較高。除以上幾個行政區中心形成的夜光亮度高值區域以外, 深圳寶安國際機場、深圳港大鏟灣港區、深圳港大小鏟島港區、深圳港南山港區、深圳港鹽田港區所在地也形成了夜光亮度的高值中心。從時間來看, 除坪山區以外, 以各區政府駐地為中心的隨時間變化夜光高值的面積越來越大, 尤其以西部與中部地區最為明顯, 但東部地區大部分依然處于低值狀態。

圖2 深圳市夜間燈光亮度值分布網格圖

POI數據的分布趨勢與夜光遙感數據基本一致(圖3), 但在表現方式上體現出一定的差異性。從空間上看, POI核密度總體分布比夜光遙感數據更為緊湊, 這有可能與夜光遙感的溢出效應有關[30], 總體上依然呈西高東低、南高北低的分布趨勢。其中, 福田與羅湖區的核密度高值區域面積最大。從時間上看, POI核密度總體呈現由各區行政中心向四周擴展的趨勢。與夜光遙感數據不同的是, POI核密度數據表現出深圳市南部經濟較為發達的羅湖、福田、南山與寶安區的南部變化并不明顯, 而變化較大的區域為寶安區北部的松崗街道、福海街道以及龍華區和龍崗區等經濟相對欠發達的深圳市北部地區。這可能與南部地區土地已經開發較為完善, 人類活動一直處于高度活躍狀態有關, 而北部地區隨著時間變化人類活動越來越活躍, POI核密度值也越來越高。

圖3 深圳市POI核密度值分布網格圖

3.2 夜光遙感與POI核密度數據耦合對比與分析

3.2.1 總體分布 將2014、2017、2019年3個年份的夜光遙感數據進行異常值處理,并對POI數據進行篩選后作歸一化處理,并使用漁網工具對兩種數據進行連接。用自然間斷分類法對處理完畢的數據劃分成高、中、低3個范圍, 使用分級設色的方法對分類完畢的數據進行可視化,形成3個年份的夜光遙感亮度與POI核密度的空間耦合關系,如圖4所示。

圖4 深圳市夜光遙感與POI空間耦合分布網格圖

3.2.2 夜光遙感與POI核密度值相同 夜光遙感與POI核密度相同的區域反映了城市的某些區域存在相同的城市空間結構特征, 其對于表征城市空間結構具有重要意義。

由圖5可知, 從空間上看, 兩者耦合關系相同(高-高、中-中、低-低)的區域分布最廣, 2014、2017、2019年耦合相同區域分別占整個城市總面積的68.6%、65.1%、66.1%。高-高耦合區域幾乎全部都分布在福田、南山、羅湖、寶安、龍崗與龍華區的行政中心區域, 這是因為這幾個行政區是深圳市經濟較為發達的地區, 如表1所示。

表1 2019年深圳市各行政區生產總值統計[23]

圖5 深圳市夜光遙感亮度與POI核密度等值區域分布圖

6個行政區GDP位居前列, 尤其是以金融與高新技術為代表的第三產業發展位居前列。中-中耦合區域大部分圍繞高-高區域分布, 并呈環狀向外分布, 其城市發展程度相對于高-高耦合區域要稍遜一籌, 這體現了城市在發展的過程中由中心向外呈梯級發展的環狀空間結構。低-低區域主要分布在西部與東南部的一些區域, 這是因為深圳作為一個全域多山與多湖泊的城市, 其主要的湖泊與水體分布如圖6所示, 海拔100 m以上的區域與湖泊區域占整個轄區的27.6%, 城市發展受地形地貌的制約較大。森林山體公園與大面積水域所處的位置與低-低耦合區域基本擬合, 不論是夜光遙感還是POI核密度的值都很低, 都非常好地表征出了城市在土地集約的情況下地表覆被因素對于城市空間結構的影響。

圖6 深圳市湖泊與山脈(海拔>100 m)地區分布圖

從時間上來看, 高-高耦合區域變化各有特點, 南部的福田、羅湖與南山區沒有太大的變化, 而寶安與龍華區從有很少的高-高耦合區域, 變化為較多的高-高耦合區域, 這說明寶安與龍華兩地市中心在最近幾年發展比較迅速, 出現了大量的人類活動[31-33], 這也與前文所提到的GDP排名相吻合。而龍崗、鹽田、坪山與光明區仍然沒有高-高耦合區域, 可見這些區域的城市發展仍需進一步加強。中-中耦合區域大多由原本的或新產生的高-高耦合區域向外不斷擴展, 體現了城市由中心不斷向外擴張的空間結構。而低-低耦合區域基本無變化, 這說明深圳市非水體與山脈地區土地開發已經基本完畢, 城市的土地利用會越來越向集約化的方向發展, 從而對城市空間結構產生一定的引導趨勢。

夜光遙感亮度與POI核密度在城市大部分區域都具有相同的空間分布特征, 能表現出兩者耦合關系較好的區域。而高-高與中-中耦合區域所表征的行政區所在地基本是經濟發達的區域, GDP在區域排名中處于上游位置, 同時識別出的區域在一定程度上指示了行政區的建成區位置。而在城市土地開發較為完善的區域, 低-低耦合區域所代表的位置一般是人類無法充分利用的水域以及為了生態環境保護未商業開發的山脈地區, 此類區域表現出了夜間燈光與POI核密度都非常低的顯著特征。

3.2.3 夜光遙感高于POI核密度值 相對于耦合結果相同的城市區域, 耦合結果相異的區域對于表征城市空間結構的要素差異性也有非常重要的作用, 其研究對于描繪城市空間結構的變化具有同樣重要的意義。

觀察圖7可知, 從空間上看, 中-低耦合區域與高-中耦合區域主要呈現環狀分布, 其中高-中耦合區域主要圍繞區級城市中心以及街道辦事處分布, 中-低耦合區域主要在高-中耦合區域周圍分布, 以其為中心不斷向外過渡到城市的邊緣區域, 這是夜間燈光數據的溢出效應導致局部區域燈光過亮而造成的[30], 隨著距離城市中心越來越遠燈光亮度也越來越低, 從而形成此類夜光亮度相對較高的耦合特征。

圖7 深圳市夜光遙感亮度高于POI核密度值區域分布

從時間上看, 夜光遙感高于POI核密度(中-低、高-低、高-中)的區域總體的分布面積越來越小, 說明在照明條件改善的同時, 人口不斷向照明完善的地區擴散。其中, 中-低耦合區域越來越小, POI與燈光的協調度越來越好; 高-低耦合區域基本無變化, 有4塊大面積連續的高-低耦合區域, 分別是寶安區的寶安國際機場, 南山區的深圳港南山港區, 寶安區的深圳港大鏟灣港區、大小鏟島港區、寶安港區, 鹽田區的深圳港鹽田港區, 這些區域由于基礎設施完善, 燈光亮度較強, 但是POI數據相對于生活區分布較為稀少而呈現此類分布規律; 高-中耦合區域變多, 基本是由中-低區域轉化而來, 或者由原本高-中區域向外遷移, 表征城市的人口與基礎設施建設的不斷向外擴張, 城區面積進一步擴大。

夜光遙感能很好地反映因城市發展等人類活動而導致的燈光不斷擴張的趨勢, 但因其具有溢出性, 對于夜光區域的邊界地區反映不夠準確。而POI數據作為一種準確反映人類活動狀況的數據, 對于夜光數據具有很好的矯正與補足作用, 通過兩者的耦合能夠更精準地反映城市空間結構的分布與變化。

3.2.4 夜光遙感低于POI核密度值 觀察圖8可知, 從空間上看, 夜光遙感低于POI核密度的區域主要分布在中部與南部地區, 且分布相對比較零散。大部分區域為中-高耦合區域, 低-中耦合區域與低-高耦合區域非常少。夜光遙感低于POI核密度表征此地區商業繁華或者人流量很大[34], 這是由于夜光遙感數據作為一種柵格數據, 在表征人口與商業方面具有一定的局限性, 不能精確地反映地區人口與商業的密度數據, 導致其在亮度非常高的區域表征出的城市結構不夠準確, 其分布的區域表現了人口高度集中的城市建成區的中心區域與城市火車站所在的位置。耦合區域識別出了福田、羅湖、南山、寶安區的城市中心區域, 與深圳站、深圳東站等火車站所在的位置。

圖8 深圳市夜光遙感亮度低于POI核密度值區域分布

從時間上看, 福田、羅湖、南山與寶安區夜光遙感低于POI核密度的區域越來越小, 說明此區域夜光遙感與POI核密度的配合度越來越好; 而龍華與龍崗區此類區域面積越來越大, 說明本區域的POI核密度值越來越高, 并超越夜間燈光亮度值, 反映此區域的商業不斷發展與人流量的增長。

由于夜光數據作為柵格數據無法具體表征地區人口與商業發展狀況特性, 導致所反映出的亮度值對城市空間結構反映不夠精確。但POI數據為點狀數據, 可以充分展示一個地區的人類活動強度。因此在經濟發達的地區, POI核密度比夜光遙感高的區域反映出其服務業等第三產業具有高度發達的特征, 是城市建成區的中心區域, 通過兩者的結合, 可以更好地反映經濟發達地區城市空間結構的特征。

4 討論與結論

本文選用深圳市2014、2017、2019年3年的夜光遙感數據與POI數據, 基于核密度分析與數據網格化等方法, 對兩種數據耦合相同與相異的結果從空間與時間的角度對深圳市的城市空間結構展開討論與分析得出以下結論:

(1)3個年份的夜光遙感數據與POI數據空間耦合度都呈現高耦合狀態, 具有較高的一致性。兩種數據在深圳市的空間分布基本趨于一致, 3個年份空間耦合一致的區域占比達到66.1%、65.1%、68.6%, 體現了隨時間變化城市建成區不斷擴張的趨勢, 深圳作為沿海地區的發達城市, 因其土地的充分利用與開發, 高耦合區域具有特殊性, 不僅能表征建成區范圍, 更能表征出水體與山脈的范圍。綜上，夜光遙感數據與POI數據都適合作為數據源對城市空間結構進行研究。

(2)從空間上看, 夜間燈光數據與POI數據耦合的區域與行政區經濟發展排名和地表海拔狀況具有相關性, 經濟發達地區夜間燈光亮度與POI的密度值要更高, 而山脈與水體分布的地區在城市中心始終呈現低-低耦合的結果; 城市空間結構由行政中心呈環狀模式向外鋪開, 并由于夜光遙感的溢出效應而產生耦合相異區域; 而在城市中心區域與火車站所在的大范圍同質化區域因為POI核密度表現出過多的人流量或者商店分布, 導致表現出POI核密度值要高于夜間燈光亮度值, 呈現出了耦合相異的結果。

(3)從時間上看, 隨時間的推移城市在不斷由行政中心向外擴展, 城市建成區的面積進一步擴大, 夜間燈光與POI的協調程度也越來越好, 耦合相同的區域也越來越多, 并出現了部分不隨時間變化的大范圍同質性區域, 如機場、港區等。

本文研究僅限于使用夜光遙感與POI兩種多源數據進行定性的耦合分析。在日后的研究中可以增加更多的多源數據來融入空間耦合, 同時還可以將POI等多源數據進行分類處理并耦合, 從而分類別對城市空間結構進行更進一步的探析。此外，還可融入定量方法對空間耦合關系作進一步的探究。