基于夜间灯光数据的城市群蔓延指标

刘 璐

(1.哈尔滨工业大学深圳研究生院城市规划与管理学院,深圳 518000；2.深圳市房地产评估发展中心,深圳 518000)

0 引言

由于人口的快速增长及在城市地区的集聚，城市蔓延已经成为全世界普遍的现象，在衡量城市地区是否以蔓延的方式进行扩张时，大多数的实证研究都着眼于城市这一尺度，例如对亚特兰大[1]和北京[2]的研究。然而没有一个城市是孤立的，随着城市的快速扩张，多个在社会经济等方面有着紧密联系的相邻城市发展联结成为城市群。在研究城市群发展时，不能把当代城市现象当成一个固定的、有明确边界的、普遍可归纳的城市形态来理解； 相反，城市是处于持续变化的、没有边界的、不断城镇化进程中的。因此，大尺度的城市群是一种重要的表达形式[3]，应作为量化城市蔓延特征的适宜尺度。

城市蔓延现象的定义迄今为止还很模糊，但总体来说，城市蔓延可归纳为5个方面的内容： ①低密度的发展； ②破碎化的土地利用； ③分散的和蛙跳式的发展； ④区域功能单一； ⑤不发达的公共交通[4-7]。城市蔓延对社会、环境和经济往往会带来一些负面影响，比如能源利用率低下、农田流失及不良城市环境滋生等[8-9]，因此，对城市蔓延现象的研究显得十分迫切。

现有文献中，许多研究使用多种城市蔓延指标量化分析城市蔓延现象[4,7,10-13]。然而，大多数量化指标都是针对某一个国家或某一个城市，这些指标很依赖于社会经济指数及土地利用情况，但对该地区以外的其他地区适用度并不高。同时，大部分研究针对的是以美国为例的发达国家，很少有研究将目光放在其他发展中国家。现有研究者普遍认为，发达国家由于城市的郊区化，城市蔓延现象十分严重，并引起了许多已经证实的社会及环境问题； 相比之下，对于中国、非洲各国等发展中国家来说，城市的密度往往较高，城市蔓延的问题并不突出。然而，随着城镇化的不断推进，发展中国家的城市范围也在不断急速扩张，而城市内部的结构却并没有及时得到合理地调整。因此，对中国这样的发展中国家研究城市蔓延现象是非常必要且意义重大的。

随着大数据技术的不断发展，各种大尺度的空间数据库使得对大区域的研究成为可能，而从此类空间数据中提取合适的定量化指标对于研究城市蔓延现象十分重要。因此，本文基于美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration,NOAA)发布的全球夜间灯光(night-time light，NTL)数据，设计了一系列可以反映城市群密度、发展分散度、多核心度及向心度的指标，这些指标可以从不同方面描述城市群的蔓延现象。同时，本文将这套指标应用于中国的城市群，并进行相应的比较和分析。基于NTL数据构建多维度指标体系，可为度量城市群的城市蔓延现象提供策略,通过设计的指标可研究中国城市群的蔓延现象，并对不同城市群区域做出对比分析。

1 研究区概况及数据源

本文的NTL数据来源于美国军事气象卫星搭载的线性扫描传感器[14]的辐射定标NTL图像，像元值的范围为0～63。辐射定标NTL数据空间分辨率约1 km,可以反映城镇化地区人类活动强度的分布[15-16]。该数据曾被用于制作世界人口密度图[17]，而将该数据用于研究城市的发展过程也成为一种新的趋势。本文的NTL图像取自Infrastructure of Earth System Science网站上所发布的免费数据。

首先，从NTL图像中提取出城市群的边界范围。NTL数据能间接反映地表人类活动的强度，而利用连续的明亮区域可以勾勒出城市群的范围。一般情况下，像元值小于12的灯光来自农村区域，因此，本文以12为阈值，将中国划分为城市与非城市区域，并挑选其中面积大于1 000 km2的特大城市区域为城市群区域。另外，与这些城市群距离10 km以内的城市斑块将与该城市群合并，并与从TM影像中提取的城市区域进行对比。采用本文方法，可分辨相互连接的城市区域，且得到比城市群的行政边界更为合理的城市群边界。以京津冀为例的城市群边界如图1所示。

图1 以京津冀为例的城市群边界

2 城市群蔓延指标

NTL数据可从以下4方面描述城市蔓延现象： ①城市群周边存在密度很低的郊区； ②城市群中城市的发展是分散的； ③城市群呈多核心状态； ④城市群中城市的发展并不是向城市中心集中。这几个方面可由密度(intensity，I)、发展分散度(coefficient of variation，CV)、多核心度(poly-centers，PC)和向心度(centrality，CT)4个指标描述(表1)。

表1 城市群蔓延指标Tab.1 Urban sprawl metrics

2.1 密度

密度是衡量城市蔓延不可或缺的指标。在以往的研究中，Ewing[18]提出当土地转变成非农用地或者非自然用地的速度超过了人口增长的速度，蔓延便会发生。换言之，城市蔓延可被认为是低密度的开发，可以是低密度的人口，也可以是低密度的城镇化地区。在此研究中，城市的密度可以由NTL的平均值来表示。

然而，笔者认为简单的用区域密度来度量整个区域的密度是不合理的，因为在一些城市群中，城市中心密度非常高，但郊区却存在着大范围的低密度发展区，如果对这些城市群计算整体密度，将掩盖其严重的城市蔓延现象。因此在本文中，首先将城市群分为中心城区和郊区，并分别对这2个区域计算密度。低密度的郊区是评判城市蔓延程度的一个标准。计算密度时，首先使用不同的NTL阈值所对应的明亮面积进行分析，发现对于中国的城市，NTL为54是面积大小的突变点[19]，因此，该值被用作区分城市群的中心城区和郊区的阈值。图1中中心城区和郊区的区分结果如图2所示。

图2 中心城区与郊区界线

2.2 发展分散度

发展分散度表示城市发展趋势是集中的还是分散的。本文中用NTL像元值的变异系数计算发展分散度，即

(1)

式中：CVm为第m个城市群的发展分散度；n为该城市群中的像元个数；DNi为第i个像元的像元值；DNu为该城市群的像元平均值。CV越大，表示该城市群中的城市发展越集中，也代表着城市蔓延程度越低； 相反，CV越小，表示城市发展越分散，也代表着城市蔓延程度越高。

2.3 多核心度

在现有文献中，多核心化意味着城市蔓延程度更高[7]。为提取这项指标，首先把NTL数据制作成一个三维模型，而这个三维模型的山顶点就是城市群的一个核心。城市核心的数量和该区域面积的比值为这个城市群的多核心度，而多核心度越高，代表着城市的蔓延程度越高。ArcGIS的空间分析工具可用于提取多核心度，局部提取结果如图3所示。

图3 城市群的城市核心

用ArcGIS提取的多核心度与用TM提取的城市区域的对比结果表明，这些核心能够客观地表示城市中的小中心及大中心所处位置。

2.4 向心度

向心度描述了城市群内的城市在多大程度上向城市的中心地区发展。这个指标可以利用NTL数据的梯度变化来表示，即

(2)

式中Pi为像元值大于i的像元数所占城市群所有像元数的比例。

图4以更直观的方式对5个示例城市群的向心度的计算做出了描述，弧线下的面积越大，代表向心度越高，也代表城市蔓延的程度越低； 相反，弧线下的面积越小，代表向心度越低，也代表城市蔓延的程度越高。

图4 向心度的计算

3 中国城市群的城市蔓延

应用上述方法，对中国城市群的城市蔓延状况进行了研究。在研究中，共提取了50个城市群区域，包括5个面积超过10 000 km2的特大城市群、8个面积在5 000～10 000 km2之间的大城市群、14个面积在2 000～5 000 km2之间的中等城市群和23个面积在1 000～2 000 km2之间的小城市群，并为每个城市群设定了名称。利用2010年的NTL数据对城市群情况进行了研究。

首先使用这50个城市群对设计的几个指标进行相关性分析(表2)，结果显示这几个指标的值与该城市群的面积(Area)无明显的相关关系； 而在描述城市蔓延的4个指标中也不存在很强的相关性，说明这4个指标都是不可互相替代的。

表2 指标间的相关系数①Tab.2 Correlation coefficients of metrics

①显著性<0.01。

对每个指标正向化(当每个指标值越大时，代表蔓延程度越小)，并采用Z-score进行标准化后，使用相同的权重将其相加，计算出一个整体的城市蔓延指数——综合蔓延度(CS)。CS越小，代表城市蔓延的程度越大。表3列出了中国的50个城市群各指标的具体计算结果。

表3 城市蔓延指标计算结果Tab.3 Computation results of urban sprawl metrics

上述4个指标有助于了解每个城市群在城市空间中存在的问题,例如蔓延现象严重的湛江城市群，其低I表明该城市群在郊区的低密度开发情况十分严重； 南宁城市群的低CV表明该城市群的发展非常分散，缺乏集中性； 大连城市群的低PC表明该城市群的多核心化过于严重； 而吕梁城市群的低CT则表明该城市群的发展没有向城市中心集中。

进一步以中国最大的3个城市群——长江三角洲、北京—天津—唐山城市群及珠江三角洲为例，珠江三角洲的CS最高，说明空间发展格局较为紧凑； 北京—天津—唐山城市群的CS最低，说明空间发展格局蔓延程度最高。具体分析3个城市群的各项指标可以看出，就郊区密度而言，北京—天津—唐山城市群十分低，说明该地区的发展主要以低密度的扩张为主，有非常大范围的稀疏边缘带。相比之下，珠江三角洲和长江三角洲的郊区密度较高，说明郊区的土地被合理和有效利用，城市边缘带得到了充分发展。

在CV和PC方面，北京—天津—唐山城市群表现出较高的CV和较低程度的PC，而珠江三角洲和长江三角洲表现出较高的CV及较高程度的PC。此结果与现有文献中反映的3个城市群的发展情况基本吻合。北京—天津—唐山城市群的中心城市优势较为明显； 除中心城市外，其他城市的发展程度较低，发展主要集中在几个大城市中心，小城市中心无法形成与发展。相比之下，珠江三角洲和长江三角洲的中小城市集群在经济发展及城镇化过程中得到了很大发展，形成了遍地开花的局面，因此城市的发展并未集中在原有的大城市中心，城市发展较为分散。

在CT方面，与北京—天津—唐山城市群相比，珠江三角洲和长江三角洲的CT较高，说明北京—天津—唐山城市群的城市中心尚未发挥出城市中心的带动作用，发展没有向着原有的城市中心集中。

通过以上分析可以看出，本文所设计的城市蔓延指标能够合理并准确反映出城市群的空间形态信息，并可用于度量城市群的城市蔓延程度。同时，该套指标能够从4个方面反映城市群的空间格局特点，其结果与实际情况十分吻合。由此可见，这套指标能够为城市规划和政策制定部门找出城市群发展所存在的具体问题，并进行有针对性的处理。

4 结论

1)本文通过从夜间灯光(NTL)图像中提取的4项指标研究城市的扩张现象，这些指标能够从密度、发展分散度、多核心度和向心度4个方面反映城市群的城市蔓延水平。实验证明，这些指标总体上相互独立，易于计算，并可针对大区域进行对比研究。

2)然而，这些指标仍然存在着局限性。首先，NTL数据的像元值范围仅在0～63之间，且存在着过饱和现象，因此指标值会受到影响； 其次，这些指标尚无法从更深入的城市功能及社会经济角度去反映城市蔓延现象，例如城市群中的城市混合利用程度及交通交互程度。因此，建议结合此指标集与其他相关指标综合进行城市蔓延现象的研究。

3)对中国城市群的城市蔓延现象进行研究的结果表明，中国城市群存在不同程度的蔓延现象，并且每个城市群都存在不同的问题。在今后的研究中，可以根据本文的结果对中国各城市群的城市蔓延现象进行深入探讨。

4)本文的研究结果可以为城市规划和政策制定部门提供十分重要的信息，以防止城市蔓延现象的持续发生，并使城市群能以可持续的方式发展。

参考文献(References)：

[1] Wolman H,Galster G,Hanson R,et al.The fundamental challenge in measuring sprawl:Which land should be considered?[J].The Professional Geographer,2005,57(1):94-105.

[2] Kozlowski G.Framing Dispersal:Urban Strategies for Mexico City’s Sprawl[D].Massachusetts:Massachusetts Institute of Technology,2015.

[3] Brenner N,Schmid C.Towards a new epistemology of the urban?[J].City,2015,19(2/3):151-182.

[4] Angel S,Parent J,Civco D.Urban sprawl metrics:An analysis of global urban expansion using GIS[C]//Proceedings of the ASPRS 2007 Annual Conference.Tampa,FL:ASPRS,2007.

[5] Sudhira H S,Ramachandra T V,Jagadish K S.Urban sprawl:Metrics,dynamics and modelling using GIS[J].International Journal of Applied Earth Observation and Geoinformation,2004,5(1):29-39.

[6] Brueckner J K.Urban sprawl:Diagnosis and remedies[J].International Regional Science Review,2000,23(2):160-171.

[7] Galster G,Hanson R,Ratcliffe M R,et al.Wrestling sprawl to the ground: Defining and measuring an elusive concept[J].Housing Policy Debate,2001,12(4):681-717.

[8] Ewing R,Schmid T,Killingsworth R,et al.Relationship between urban sprawl and physical activity,obesity,and morbidity[J].American Journal of Health Promotion,2003,18(1):47-57.

[9] Lopez R.Urban sprawl and risk for being overweight or obese[J].American Journal of Public Health,2004,94(9):1574-1579.

[10] Ji W,Ma J,Twibell R W,et al.Characterizing urban sprawl using multi-stage remote sensing images and landscape metrics[J].Computers,Environment and Urban Systems,2006,30(6):861-879.

[11] Song Y,Knaap G J.Measuring urban form: Is portland winning the war on sprawl?[J].Journal of the American Planning Association,2004,70(2):210-225.

[12] Yeh A G O,Li X.Measurement and monitoring of urban sprawl in a rapidly growing region using entropy[J].Photogrammetric Engineering and Remote Sensing,2001,67(1):83-90.

[13] Bhatta B,Saraswati S,Bandyopadhyay D.Urban sprawl measurement from remote sensing data[J].Applied Geography,2010,30(4):731-740.

[14] NOAA.DMSP/OLS nighttime light data version 4,National Geophysical Data Center[EB/OL].[2012-07-00].http://www.ngdc.noaa.gov/dmsp/downloadV4composites.html.

[15] Small C,Elvidge C D,Balk D,et al.Spatial scaling of stable night lights[J].Remote Sensing of Environment,2011,115(2):269-280.

[16] Meng L N,Graus W,Worrell E,et al.Estimating CO2(carbon dioxide) emissions at urban scales by DMSP/OLS (defense meteorological satellite program’s operational linescan system) nighttime light imagery:Methodological challenges and a case study for China[J].Energy,2014,71:468-478.

[17] Balk D L,Deichmann U,Yetman G,et al.Determining global population distribution:Methods,applications and data[J].Advances in Parasitology,2006,62:119-156.

[18] Ewing R.Is Los Angeles-style sprawl desirable?[J].Journal of the American Planning Association,1997,63(1):107-126.

[19] Liu L,Leung Y.A study of urban expansion of prefectural-level cities in South China using night-time light images[J].International Journal of Remote Sensing,2015,36(22):5557-5575.