基于夜光遙感的粵港澳大灣區人口空間分布及特征研究
2023-04-18 07:04:04李姍姍林文壇
熱帶地理 2023年3期
李姍姍，林文壇
（廣東財經大學 文化旅游與地理學院，廣州 510220）
人口數據是重要的社會經濟數據，在社會政策制定、災害評估預防、城市區域規劃等領域被廣泛應用（李飛 等，2014）?；诮y計學方法獲取人口數據所需成本高、更新時間長，難以揭示區域內小尺度人口空間分布差異（江東 等，2002）。人口空間化數據指利用數學模型或機器算法，將基于行政區劃的人口統計數據分配離散而獲得的柵格格網數據。該數據能模擬人口空間分布的真實狀況，挖掘小尺度人口空間分布信息，便于參與多源數據融合分析（董南 等，2016）。目前人口空間化研究大多止步于人口格網數據的獲得。人口空間化的基礎數據精度有待提高且缺少對人口格網結果蘊含的人口空間分布信息的充分挖掘。
最初的人口空間化方法是在地形數據的基礎上進行分區密度制圖（Wright, 1936），該理念對后續研究產生深遠影響。當前實現人口空間化的方法主要有線性回歸模型（陳晴 等，2015；胡云鋒 等，2018；金耀 等，2021；王美玲 等，2021a）、空間回歸模型（李翔 等，2017；吳獻文 等，2021）和基于多源數據融合的隨機森林算法等（譚敏 等，2017；朱守杰 等，2020）。線性回歸模型分區方法的選用取決于研究區特征，相比于整體建模更有利于提高空間化精度；空間回歸模型對不同的空間關系賦予不同的權重以參與建模；而隨機森林算法依靠大數據和人工智能，實現難度較大。
夜光遙感數據記錄了無云環境下地表物體發射的多種電磁波信息，能表征人口活動的空間范圍和特征，是人口空間化的重要基礎數據（徐嘉源 等，2021）。該類數據與人口密度顯著相關（Suttonet al., 1997），具有更新周期短、信息豐富、檢測范圍大，易獲取等優點（李德仁 等，2019）。珞珈一號衛星（Luojia1-01）是全球首顆專業夜光遙感衛星，也是國際上第3顆具備夜間燈光數據拍攝能力的衛星。其空間分辨率高達130 m，空間覆蓋范圍約250 km×250 km，輻射范圍更寬，能清晰地揭示小尺度城市內部空間信息，更適用于人口空間化研究（陳穎彪 等，2019；鐘亮 等，2019；劉權毅 等，2021）。
因此，本文以粵港澳大灣區為研究區，融合珞珈一號夜光遙感數據和高精度的土地利用數據，在區縣級尺度上構建分區逐步回歸模型獲得500 m 人口格網數據，并從多角度揭示粵港澳大灣區2020年的人口空間分布特征。以期為粵港澳大灣區城市規劃、資源配置、災害防治、政策制定等提供參考。
1 研究區概況與數據
1.1 研究區概況
粵港澳大灣區包括廣東省的廣州、佛山、深圳、中山、珠海、惠州、肇慶、江門、東莞9個市級行政區以及香港、澳門2個特別行政區，總面積5.6萬km2?；浉郯拇鬄硡^是中國經濟活力最強，人口增長最為迅速的區域之一，是典型的人口集中分布區域。截至2018 年，該區域常住人口約為7 120萬人，人口密度約為1 273 人/km2（鄧昊鍵 等，2020）。粵港澳大灣區內部由于經濟發展不平衡，人口呈現分布不均的空間格局。
1.2 數據來源
數據及描述見表1所示。
表1 數據來源及參數Table 1 Data sources and parameters
1.3 數據預處理
考慮粵港澳大灣區的地理位置，將大灣區所有空間數據的投影坐標統一為WGS_1984_UTM_Zone_49N（張雨欣 等，2020）。
1.3.1 珞珈一號夜光遙感數據預處理 首先，基于大灣區一級道路矢量數據，完成遙感影像幾何校正。其次，去除背景噪聲和極大異常值。珞珈一號影像的背景噪聲主要出現在鄉村、林地和水體等區域（王美玲 等，2021b）。統一珞珈一號與SNPP/VIIRS影像的量綱以確定噪聲閾值，計算公式為：
式中：L為珞珈一號影像統一量綱后的輻射亮度值，單位為nW/（cm2·sr）；a為帶寬，取值為0.52 μm；DN為圖像灰度值。
疊加天地圖識別珞珈一號統一量綱后的影像背景噪聲區，以平均值1.137為閾值，對SNPP/VIIRS影像進行去噪，并作為掩膜數據去除珞珈一號影像背景噪聲。計算珞珈一號影像各柵格的8鄰域的標準差（Standard Deviation STD）。將標準差＞722 07（不足1%）的柵格進行中值濾波。對去噪后的珞珈一號DN 值影像進行輻射校正，計算公式（王美玲等，2021b）為：
式中：R為珞珈一號輻射亮度值，單位為W/（m2·sr·μm）
1.3.2 其他數據預處理 粵港澳大灣區設立了諸多經濟產業園區，如肇慶的大旺高新區。該類經濟區不具有行政性質，但其社會經濟數據在各城市年鑒中單獨統計。因此，以地理位置和區縣級行政區劃數據為依據，將其常住人口數據添加到對應區縣級行政區劃中，便于回歸建模。并對珞珈一號輻射亮度值進行雙線性重采樣至土地類型數據的空間分辨率。
1.3.3 人口空間化指數的提取 將珞珈一號輻射亮度與土地類型數據融合，獲取土地融合夜光指數，用于人口空間化。借助珞珈一號影像識別耕地、草地和林地上的少量人口聚集點，同時，高精度土地類型數據可以緩解不透水面處夜光遙感數據像元值飽和的問題。計算公式為（金耀 等，2021）：
式中：LTRj為某區縣級行政區劃的第j種土地融合夜光指數總量；LTjk為某區縣級行政區劃第j種土地類型第k個柵格的土地類型代碼；Rjk為某區縣級行政區劃第j種土地類型第k個柵格的珞珈一號輻射亮度值。
4 種土地融合夜光指數見圖1 所示，可知，土地融合夜光指數綜合了2類數據對人類活動的表達優勢，空間差異性更明顯，能揭示人類活動更多的細節信息，可為逐步回歸模型的構建提供與常住人口數據顯著相關的自變量因子。
圖1 粵港澳大灣區4種土地融合夜光指數Fig.1 Noctilucent index of four land types in the Guangdong-Hong Kong-Macao Greater Bay Area
2 研究方法
首先，利用區縣級常住人口密度進行研究區分區。其次，基于融合數據構建人口空間化逐步回歸建模，驗證建模結果精度。最后，在500 m 人口格網數據基礎上從人口數量和密度、空間方向性和集聚離散特征等多角度揭示粵港澳大灣區2020年的人口空間分布特征。技術路線如圖2所示。
圖2 人口空間化及特征研究技術路線Fig.2 Technical route of population spatialization and characteristic research
2.1 研究分區
由于區域條件差異性，對研究區分區建?？商岣呷丝诳臻g化模型精度（金耀 等，2021；王美玲等，2021a）。根據粵港澳大灣區2020年各區縣級行政區劃常住人口密度數據，按分位數法將791、3 358、9 527 人/km2作為分區臨界值，劃分出低密度區18 個區縣、中低密度區17 個區縣、中高密度區17個區縣、高密度區17個區縣（圖3）。
圖3 粵港澳大灣區人口密度分區結果Fig.3 Results of population density zoning in the Guangdong-Hong Kong-Macao Greater Bay Area
2.2 人口空間化模型的構建與檢驗
2.2.1 人口格網估算模型的構建 在Arc-GIS 平臺提取各區縣的不透水面、草地、耕地和林地融合夜光指數以及像元總數共8 個土地相關指標，與常住人口數據進行相關分析（表2）。結果表明：常住人口數與不透水面像元數以及4 種土地融合夜光指數總量均＞0.8，呈顯著正相關，可作為候選自變量。
表2 各區縣2020年常住人口數與各土地相關指標的Pearson相關系數Table 2 Correlation coefficient between permanent resident population and land related indexes in each district and county in 2020
在SPSS內實現回歸系數的計算。土地是人類活動的承載者，沒有土地則沒有人口，故回歸模型不設置常數項（楊小喚等，2002）。自變量以步進方式進入方程。為確保網格人口空間化值為非負值，人為剔除初次建模后系數為負數的自變量指標，將剩余自變量再次引入構建模型。循環往復，直至回歸模型所有自變量系數均為正數，最后獲得4 個研究分區的逐步回歸模型（金耀 等，2021）。回歸模型方程為：
式中：Pi是某分區第i個區縣級行政區劃常住人口；M為土地類型種數，取值為4；LTRij和LTij分別是某分區第i個區縣級行政區劃第j種土地融合夜光指數總量和第j種土地類型像元總數；aj和bj分別是LTRij和LTij的回歸系數，需通過分區回歸建模獲取。
綜合考慮方程擬合度系數R2、顯著性Sig、共線性VIF 等統計學指標，獲得4 個擬合度高、自變量之間無明顯共線性的回歸方程，各分區方程系數如表3所示。
由表3 可知，各分區的線性回歸方程擬合度均在0.9 以上，效果較好。低密度區擬合效果最好，不透水面與林地像元總數能解釋常住人口97.7%的變化。
表3 分區線性回歸模型系數Table 3 Zonal linear regression model coefficient
3）500 m格網人口初始模擬值計算
選擇適宜的格網尺度能較好地揭示人口分布差異，并表達人口分布位置（董南 等，2017）。本研究區范圍較大，選擇500 m 分辨率進行格網人口計算（金耀 等，2021）。根據研究分區的線性回歸方程，提取分區格網對應自變量，計算每一個格網的人口數目，公式為（金耀 等，2021）：
式中：Pik是某分區第i個區縣級行政區劃第k個格網的人口初始模擬值；M為土地類型種數，取值為4；LTRikj為第i個區縣級行政區劃第k個規則格網內第j種土地融合夜光指數總量；LTikj為第i個區縣級行政區劃第k個規則格網內第j種土地像元總數。
4）500 m格網人口修正模擬值計算
人口初始模擬值和常住人口統計數據會存在一定誤差，需確定每個區縣級行政區劃的修正系數以便校正，計算方法（金耀 等，2021）為：
式中：Ci為第i個區縣級行政區劃的人口修正系數；N為每個區縣級行政區劃內格網總個數。
利用修正系數對500 m 網格人口初始模擬值進行修正，確保人口初始模擬值與常住人口數相等，計算公式為（金耀 等，2021）：
式中：Pikr是第i個行政區劃第k個格網的人口修正模擬值。
2.2.2 500 m 格網人口模擬值的精度驗證 人口初始模擬值區縣級精度驗證指標有決定系數（R2）、平均絕對誤差（MAE）和平均相對誤差（MRE）。R2用于衡量各個分區回歸模型的擬合效果；MAE用于衡量回歸模型在整個區域的精度；MRE用于衡量回歸模型在分區區域的精度。計算公式為（王美玲等，2021a）：
式中：S為需驗證的行政區劃總數；為第i個行政區劃人口初始模擬值；為需驗證的行政區劃人口初始模擬值的平均值；Pi為第i個行政區劃的常住人口數；為需驗證的行政區劃常住人口數的平均值。
人口修正模擬后，鎮街級精度驗證指標有相關系數（R）、均方根誤差（RMSE）和平均相對誤差（MRE）。R計算同式（8），MRE 計算同式（10），將替換為修正模擬值，替換為修正模擬平均值。RMSE是一種常用的衡量兩組數據接近程度的統計學指標，計算公式為：
2.3 人口空間分布特征測度
選用人口密度分析、人口空間分布方向性分析和人口空間自相關分析開展人口空間分布特征測度。人口密度分析采用核密度分析法，該方法把核函數引入人口數據中，計算每個柵格單元的值。本文基于人口修正模擬值，將人口柵格轉化為人口矢量點并開展人口核密度分析。人口空間分布方向性分析采用標準差橢圓法（Standard deviational ellipse, SDE），該方法是描述社會經濟數據時空分布主體和分布方向的經典方法。本文繪制500 m 人口修正模擬柵格數據的標準差橢圓，以探究粵港澳大灣區2020 年的人口重心和人口空間分布方向性等特征。
采用全局莫蘭指數揭示人口修正模擬值在區域整體上的集聚分散特征，并采用局部G-統計量（Getis-Ord）識別區域內顯著性的人口冷點區（人口低值區域）和人口熱點區（人口高值區）
3 粵港澳大灣區人口空間化結果精度與人口空間特征分析
3.1 粵港澳大灣區人口空間化結果精度分析
3.1.1 區縣級人口空間化結果精度分析 區縣級精度驗證結果如表4所示。各研究區分區的決定系數R2均＞0.8，說明區縣尺度夜光遙感數據與人口分布有明顯的相關關系?；浉郯拇鬄硡^整體MRE 和人口空間化結果表明其數量級與常住人口數量有關，適用于同一研究區基于不同夜光遙感數據的人口空間化結果的精度比較。
表4 區縣級人口空間化結果精度驗證Table 4 Validation of accuracy of district-county level population spatialization results
3.1.2 鎮街級人口空間化結果精度分析 隨機選取504個鎮街級行政區劃常住人口數據進行精度驗證，相關系數R為0.897，RMSE 為100 947.914，MRE為67%，說明大灣區鎮街級行政區劃的人口修正模擬值與常住人口數具有較高相關性。對504個鎮街級行政區劃MRE 分4 個等級進行統計：準確（MRE≤15%）、較準確（15%
根據區縣級和鎮街級行政單元的精度驗證，粵港澳大灣區2020年人口空間化結果可信。珞珈一號影像和高精度土地類型數據的融合處理可確保人口空間化結果精度。
3.2 粵港澳大灣區2020年人口密度空間分布特征
圖4顯示，整體上，粵港澳大灣區存在人口分布不均的空間格局和人口數量從聚集高值向周圍低值輻射遞減的分布規律。從局部看，大灣區存在五大人口集聚區：分別是廣州的天河、越秀、海珠、荔灣和白云區西南部組成的人口集聚區；東莞內部環形特征人口集聚區；深圳西、中和北部人口集聚區；港澳人口集聚區；以及肇慶端州月牙形人口集聚區。此外，還有部分人口集聚點和集聚小區分布在五大人口集聚區、交通干道或樞紐周圍。人口稀疏的區域主要分布在大灣區邊緣區，少量分布在城市腹地?？臻g化結果表明，土地融合夜光指數對區域人口空間分布細節具有較強的表達能力。該格網數據在行政區內顯示平滑，展示人口密集區的分布差異，且在行政區邊界處沒有突變。同時，該結果可識別出大灣區內人口集聚點，描繪人口空間分布的細節信息。綜上，珞珈一號影像融合高精度土地類型數據在人口空間化研究中具有較大應用潛力。
圖4 粵港澳大灣區2020年五大人口集聚區Fig.4 Top five population clusters in the Hong Kong and Macao Greater Bay Area in 2020
將人口修正模擬格網數據轉化為矢量點數據，進行人口核密度分析。利用自然間斷點法，將人口核密度分為人口低核密度區、中低核密度區域、中高核密度區和高核密度區4類區域（圖5）。整體上，粵港澳大灣區2020年的人口密度空間分布呈圈層結構，由高核密度區域不斷向外輻射衰減，拓展延伸到低核密度區域。人口密度區與人口數量空間分布規律相似，兩者具有高度協同關系。高核密度區主要分布在廣州、深圳和香港，且特征不同。深圳的高核密度區在西、中和北部各區均有分布，說明深圳各區各具特色，人口聚集分布相對分散。而廣州的高核密度區較為集中，密度向外衰減較快，大部分區域都是中高或低核密度區，說明廣州人口聚集程度高，且各區發展不均衡尤為明顯。
圖5 粵港澳大灣區2020年人口核密度分區Fig.5 Population core density zoning of the Guangdong-Hong Kong-Macao Greater Bay Area in 2020
3.3 粵港澳大灣區2020 年人口空間分布方向性分析
由于香港沒有鎮街級行政區劃，將其下轄的北區等18個行政區劃作為鎮街級行政區劃參與分析。以人口修正模擬值為權重字段，通過ArcGIS 的方向分布工具生成粵港澳大灣區2020年人口分布標準差橢圓（圖6）。
圖6 粵港澳大灣區人口標準差橢圓Fig.6 The Guangdong-Hong Kong-Macao Greater Bay Area population standard deviation ellipse
人口標準差橢圓參數如表5所示。加權平均中心顯示粵港澳大灣區2020 年人口重心坐標大約為22°52'33"N、113°33'54"E，位于廣州與東莞邊界的虎門港。1 級標準差橢圓主要覆蓋廣州南部、東莞、深圳大部分、香港北部、中山中北部和佛山東部，占大灣區面積的27.64%。而該范圍包含大灣區約68%鎮街級行政區劃人口數據，基本與五大人口密集區的空間分布規律一致，反映人口在該區域具有明顯的空間集聚特征。2 級標準差橢圓能覆蓋約95%鎮街級行政區劃人口數據，足以說明大灣區人口分布的主體情況。
表5 粵港澳大灣區2020年人口標準差橢圓幾何參數Table 5 Elliptic geometric parameters of population standard deviation of the Guangdong-Hong Kong-Macao Greater Bay Area in 2020
從方向性看，長半軸遠大于短半軸，說明人口空間分布方向性明顯。大灣區人口大致沿著西北-東南方向延伸，主要集聚區沿佛山-廣州-東莞-深圳-香港方向分布。究其原因，近年來粵大灣區城市群間加強了協同發展力度，香港和澳門與內地經濟交流愈發頻繁，經濟輻射效應明顯，吸引大量人口沿該方向集聚。
3.4 粵港澳大灣區2020 年人口空間自相關分析
3.4.1 粵港澳大灣區人口全局自相關分析 使用ArcGIS 的空間自相關工具進行全局自相關分析。根據地理學第一定律，將參數空間關系概念化選擇為INVERSE_DISTANCE_SQUARED。計算結果MoranI指數 為0.369 881，＞0 且 遠＞預 期 指 數（-0.001 534），方差值為0.000 351，說明粵港澳大灣區2020 年人口空間正相關，區域內存在人口值相似的聚集區。Z得分為19.820 599，遠＞1.96且P值為0，說明粵港澳大灣區存在顯著的人口空間集聚。綜上，粵港澳大灣區存在人口值相似且呈現集聚形態的行政區劃。
3.4.2 粵港澳大灣區人口局部自相關分析 使用ArcGIS 的熱點分析工具進行局部自相關分析。根據鎮街級行政區劃的Gi值高低和顯著水平，利用自然間斷點法，將粵港澳大灣區人口區分為5類：冷點區、次冷點區、隨機分布區、次熱點區和熱點區?；浉郯拇鬄硡^人口以熱點區、冷點區和隨機分布區3 種分布模式為主（圖7）。大灣區2020 年人口熱點區主要集中在東莞、深圳和香港，并從東莞東部延伸至廣州南沙區和佛山的東部的部分區域，該區域人口數量普遍高于平均值。次熱點區分布范圍較小且零散，人口隨機分布區面積最大且連續，主要位于大灣區中部和邊緣等部分城市。而冷點區和次冷點區連續分布于在肇慶中部和江門。少量冷點區零散分布在佛山西南端以及廣州中部和東北部，該區域的鎮街級行政區劃的人口數普遍低于平均值。
值得注意的是，廣州人口密集的越秀區、天河區和海珠區內的鎮街級行政區劃并不屬于人口熱點區。這并非說明上述區縣級行政區的人口數量少，而是其內部鎮街級行政區劃較多，導致人口較少的行政區劃分布在部分人口數量較多的行政區劃周圍，以至無法形成連續的人口熱點區。
整體上，大灣區核心區域為人口熱點區，環核心區域為隨機分布區，在大灣區邊緣西北西南端存在冷點區。由中心向邊緣熱度降低的分布顯示人口空間分布的不均勻和聚集性，實施配套政策推動灣區經濟均衡發展，吸引人口向周邊擴散，勢在必行。
4 結論與討論
本研究結合珞珈一號影像和高分辨率土地類型數據，生成土地融合夜光指數，構建人口空間化分區逐步回歸模型，獲得粵港澳大灣區2020年500 m人口格網數據并進行精度驗證，從人口數量、密度、分布方向性和冷熱點區多個角度探究2020年粵港澳大灣區的人口空間分布特征。得出的主要結論有：
1）珞珈一號夜光數據和高精度土地類型數據融合使用有助于獲得精細人口格網數據。珞珈一號影像可識別零散的人口集聚點；高精度的土地類型數據可區分夜光遙感數據飽和區的人口分布細節。
2）粵港澳大灣區2020 年人口空間分布特征表現為：在數量上分布不均，68%的人口分布在27.64%空間范圍內，形成五大人口聚集區，分別是廣州天河、越秀、海珠、荔灣和白云區西南部組成的集聚區；東莞內部環形集聚區；深圳西中北部集聚區、港澳集聚區和肇慶端州集聚區。人口數量從高值區域向低值區域輻射遞減的分布規律，人口密度與人口數量具有高度協同的空間分布關系；在空間上方向性明顯，人口主要沿佛山-廣州-東莞-深圳-香港方向分布，沿線城市經濟發達，協同發展程度高，說明經濟活動是吸引人口遷移集聚的重要影響因素；在集聚特征上，有明顯的人口熱點區和冷點區，熱點區主要分布在東莞、深圳和香港，冷點區域主要分布在肇慶和江門內部。廣州天河區、越秀區、海珠區等區人口過于密集，需要政策加以干預以緩解人口壓力，改善人居環境，促進區域協同發展。
與現有人口空間化研究相比，在方法上，通過提取土地融合夜光指數提高了人口空間化精度；在應用上，在500 m 人口格網修正值的基礎上，利用多種空間分析工具進一步探究了人口空間分布特征，對政策制定等方面有參考價值。
但也存在以下不足：1）珞珈一號衛星在軌時間僅有6個月。由于數據獲取限制，僅探究了粵港澳大灣區2020年人口空間分布規律。因此未來長時序人口時空分布規律探究可作為本研究的拓展方向。2）未能綜合考慮研究區地理尺度和數據分辨率等多種因素以選擇適宜的人口格網尺度，將在今后進一步深入探究研究區大小對建模方法選取的影響，研究數據分辨率對建模精度的影響等；3）使用非同一時空數據，造成人口空間化結果在鎮街級行政區劃精度有所下降。未來人口空間化研究應拓寬實驗數據來源以保證其時空一致性。
