基于DMSP/OLS夜间灯光数据的新疆城市变化驱动力分析

乔雪伟，高敏华，孜比布拉·司马义，3

（1.新疆大学绿洲生态教育部重点实验室，新疆乌鲁木齐 830046；2.新疆大学资源与环境科学学院，新疆乌鲁木齐 830046；3.新疆大学智慧城市与环境建模普通高校重点实验室，新疆乌鲁木齐 830046）

城市扩展已是当今社会研究的热点，受到广大学者的关注。新疆自改革开放以来发生了翻天覆地的变化，取得了令人瞩目的成就。新疆深居欧亚大陆，是典型的内陆干旱区［1］，由于其地理环境的特殊性，城市扩张具有明显的空间差异性［2］。“大分散、小集聚”是新疆城市分布的一大特点［3］。美国国防卫星计划（DMSP）为这种大尺度空间范围的研究提供了一种有效的探测手段。目前使用的DMSP卫星系统均搭载了线性扫描业务系统（OLS）传感器，其获取的夜间灯光数据具有很多优点，且获取途径不受光线、阴影影响［4］，同时Landsat影像能反映地区交通道路、居民地等信息，从而能够解读人口、城市等因子的分布状况；它以城镇为目标，为城镇研究提供了准确、直接、省时的方法［5］。因此DMSP/OLS夜间灯光数据可以作为监测人类活动的良好数据源。近年来DMSP/OLS夜间灯光数据被普遍应用于城市空间扩展［6-9］、城市化［10］研究。除此之外，夜间灯光数据被广泛应用于各类社会经济指标研究，主要包括国内生产总值（GDP）空间化分析［11-12］、能源消费量模拟［13］、人口密度模拟［14-15］和植被初级生产力的估算［16］等。在我国，利用夜间灯光数据对城市化进行研究的成果较多，但目前对于我国城市群空间发展模式和过程的研究还比较薄弱［10］，在未来的研究中值得深入探讨。另外，夜间灯光数据的运用在一些方面仍存在难点，如在提取城市建成区时，阈值的确定存在地区间差异性较大的问题，有待进一步研究。陈晋等在2003年构建了一个在省级尺度上能够反映城市化水平的线性加权灯光指数［17］，随后卓莉等在陈晋的基础上构建了一个无需加权的相对简单的灯光指数——CNLI（compounded night light index），结果表明，CNLI与基于统计数据的城市化水平复合指数显著相关，能够很好地反映区域城市化综合水平［18］，该研究实现了灯光指数像元化，证明CNLI是研究城市化水平的可靠依据。

新疆地大物博，城市分布较为分散。目前，结合统计数据和夜间灯光数据对于这种大尺度、分散型省（市）的研究较少，且关于新疆城市夜间灯光数据变化特征和变化机制的研究较少，本研究从这2个方面对新疆城市变化进行时间序列研究，引用卓莉等构建的灯光指数概念，选取10个新疆主要绿洲城市为研究对象，借助2001年、2005年、2009年、2013年的各项统计数据对新疆城市夜间灯光数据变化原因进行研究，按照“分析灯光数据分布格局—构建灯光指数—探讨灯光指数变化机制”的技术路线，对新疆城市的时空格局变化进行分析，以期为未来城市的发展研究提供参考依据。

1 研究区与数据

1.1 研究区

新疆位于我国西北边陲，是我国陆地面积最大的省级行政区，其地理位置极其重要。在本研究中，小型城市的夜间灯光数据表征不明显，因此选取10个新疆灯光数据特征表现较为明显的城市作为研究对象，分别为乌鲁木齐市、昌吉市、哈密市伊州区（以下简称哈密市）、克拉玛依市、石河子市、奎屯市、伊宁市、库尔勒市、阿克苏市北部（以下简称阿克苏市）及喀什市。这10个城市的地理位置如图1所示。

2 研究方法

2.1 数据源

本研究使用的数据主要有夜间灯光数据、社会经济数据、土地利用现状数据及新疆县级行政区矢量数据，其中2001年、2005年、2009年、2013年的夜间灯光数据来源于美国国防部的极轨卫星计划，由中国科学院资源环境科学数据中心提供，其空间分辨率为1 km，灰度值范围为0～63。社会经济数据来自于各地区统计年鉴，土地利用现状数据主要来源于新疆维吾尔自治区国土资源规划研究院。

2.2 数据预处理

夜间灯光数据的灰度值是表征城市发展状况的重要指标之一。灰度值越大，表示灯光数据越明显，城市发展越好。利用ArcGIS软件，借助新疆县级行政区矢量数据，分别对10个城市2001年、2005年、2009年、2013年的夜间灯光数据进行裁剪，得到各个城市4个年份的夜间灯光数据，统计各年份的灯光数据。

2.3 灯光指数的构建

2.3.1 夜间灯光指数 通过城市夜间灯光数据分布的2个属性（城市相对夜间灯光强度和城市灯光面积率）来构建夜间灯光指数，即用二者乘积来表示城市的夜间灯光指数。其公式为

式中：CNLI为城市灯光指数；R为城市相对夜间灯光强度；L为城市灯光面积率。

2.3.2 城市相对夜间灯光强度 城市相对夜间灯光强度计算公式为

式中：DNi为某城市区域内第i个灰度等级的灰度值（63≥i≥1）；Ni为某区域内第i个灰度等级的像元数；DNm为某城市夜间灯光像元最大灰度值。

2.3.3 城市灯光面积率 城市灯光面积率计算公式为

式中：Sa为某城市中所有灯光像元的总面积；S为某城市的总像元面积。

2.4 数理统计

由于城市夜间灯光数据的变化与城市的人口、产业结构等息息相关［17］，因此可以借助各项统计数据来进一步探讨城市夜间灯光的变化机制。回归分析是指在大量原始数据的基础上，建立能够反映各要素之间具体数量关系的数学模型，即回归模型，用来预测未来事物的发展趋势［19］。为方便去除量纲差异的影响，本研究所采用的指标均为百分数，所选取的统计数据包括以下7项：第一产业产值占地区生产总值的比重（X1）、第二产业产值占地区生产总值的比重（X2）、第三产业产值占地区生产总值的比重（X3）、城市非农业人口占地区总人口的比重（X4）、交通运输用地占地区总面积的比例（X5）、水域及水利设施用地占地区总面积的比例（X6）和城镇村及工矿用地占地区总面积的比例（X7）。

3 结果与分析

3.1 新疆城市灯光影像表征

从图2可以看出，2001—2013年新疆城市发展速度较快是显而易见的。2001年全疆灯光数据分布零散，灯光数据面积较小。2005年、2009年、2013年，城市灯光数据高值区面积在2001年的基础上明显增加，且更趋于规则分布，呈现出以主要城市为中心不断向四周扩张的动态发展趋势。北疆城市灯光面积增加量高于南疆。位于阿克苏市和库尔勒市连线之间的库车县和轮台县夜间灯光数据分布在2001年较为集中，2005年趋于分散，2009年明显减少，2013年又明显增加。此外，塔克拉玛干沙漠周边县（市）的灯光数据也在明显增加，且呈带状发展趋势，发展较快的是和田绿洲一带。

3.2 灯光指数的计算

根据“2.3”节中的公式，计算所得结果见表1。

从表1可以看出，2001年和2005年夜间灯光指数大于0.05的有石河子市、伊宁市、奎屯市和喀什市；2009年夜间灯光指数大于0.05的除上述4个城市外，乌鲁木齐市从2005年的0.047 4增加为0.065 4；2013年夜间灯光指数大于0.05的城市增加为7个，分别为乌鲁木齐市、克拉玛依市、石河子市、伊宁市、奎屯市、库尔勒市和喀什市。哈密市、昌吉市和阿克苏市各年的灯光指数均小于0.05。

3.3 逐步回归建模

首先，对各因子进行相关性分析，通过相关性分析，可以检验各因子与灯光指数之间是否存在相关性，以便于分析灯光指数变化机制。

由表2可知，X5、X7与CNLI的相关系数均大于0.8，且X5与X7的相关系数也大于0.8，表明这三者间两两相关。X6与CNLI的相关系数为0.527。其余4项因子对CNLI的影响较小。此外，X2与X3之间呈显著负相关。

其次，借助SPSS软件，运用逐步回归分析决策来确定对夜间灯光指数具有解释力的因子以及各因子与夜间灯光指数之间的具体数量关系。该方法自动选取上述7个因子中对夜间灯光指数最具有解释力的因子进入模型，淘汰相关度较低的因子，最后得到一个通过最少因子解释夜间灯光指数变化的最佳模型组合，利用该模型可预测未来城市灯光指数的变化情况。符合本研究判断条件的概率值必须小于0.05，当概率值大于等于0.1时将会被剔除。各因子中与CNLI相关度最高的为X7，因此首先被选入回归方程。由表3可知，除X7外6个因子的偏相关系数均未达到0.05显著性水平，因此这6个因子均被舍去。

表1 各年城市R、L、CNLI

表2 各变量间的相关性

表3 已排除变量

如表4所示，模型1的r2为0.834，X7的P值远小于0.05，表明以X7预测夜间灯光指数有83.4%的解释力，说明城镇村及工矿用地占地区总面积的比例能够解释足够多的灯光指数变化现象；另外，该模型β值高达0.913，表明其具有很强的预测能力，则模型1的表达式为

式中：Y表示夜间灯光指数的预测值。

表4 模型1系数表

3.4 模型验证

模型验证是衡量模型应用效果的重要步骤［20］，通过比较统计值和模拟值，对模型的准确性进行直观评价［21］。为了验证模型1的预测能力，以10个城市2012年的城镇村及工矿用地面积数据作为验证样本，计算2012年10个城市夜间灯光指数的预测值与真实值，结果如表5所示。

4 讨论

4.1 全疆夜间灯光数据分析

2001年全疆社会经济发展水平较低，提供照明的公共设施不完善，交通工具较少，因此2001年全疆的夜间灯光数据不明显。进入21世纪后，全疆在党和国家的关怀下快速发展，取得了令世人瞩目的成就。2013年全疆灯光数据明显增加。除了10个主要城市发展速度较快外，位于这些城市连线上的地区灯光数据也在增加，表明城市之间的社会经济联系越来越多，主要城市的发展也带动了沿线城市的发展。其中轮台县和库车县在2001—2013年期间灯光数据经历了先增加后减少再增加的过程，在2009年这2个城市的灯光数据明显减少，说明这2个城市在2009年经济发展低迷，之后随着政府投入的加大，受旅游业和石油开发建设的影响，库车县和轮台县经济迅速发展起来。由于塔克拉玛干沙漠拥有丰富的石油和天然气储量，近年来位于沙漠周边县（市）的联系更加紧密，和田绿洲在未来有望成为一个小的城市群［22］。

表5 2012年各城市CNLI估算结果

4.2 夜间灯光指数变化分析

夜间灯光指数越大表示该地区经济发展越好。从图3可以看出，受城市发展水平影响，夜间灯光指数的空间差异性较大。总体来说，这10个城市的夜间灯光指数随时间呈不同程度的上升趋势，其中最大的是石河子市，自2005年来呈直线上升趋势，该城市面积较小，灯光面积率在2013年高达95.43%；其次是喀什市和伊宁市。石河子市、喀什市和伊宁市都是新疆的宜居城市，说明城市生活环境对城市发展起到了至关重要的作用。由此可见，夜间灯光指数较大的城市均为面积较小的城市，在新疆这类城市发展速度较快。在本研究选取的4年中，夜间灯光指数变化较慢的城市有5个，分别为库尔勒市、克拉玛依市、阿克苏市、昌吉市和哈密市，可以看出，面积较大的城市夜间灯光指数变化较小，说明面积大的城市发展不充分。其中哈密市的夜间灯光指数在所研究的4年中均为最低，变化趋势平缓，这4年的城市灯光面积率远远小于其他城市。阿克苏市2013年灯光指数增幅明显，原因是2009年阿克苏市自治区级工业园区的成立带动了当地经济的发展。针对夜间灯光指数较低的城市，政府应充分利用当地优势，努力给当地经济带来新的增长点。近年来，昌吉市新兴了许多具有现代畜牧业特色的优势产业，拉动了区域经济产业链的发展。哈密市地域辽阔，自古就是丝绸之路的咽喉，有着丰富的物产资源，是一块待开发的宝地。2016年哈密地区撤地设市，为这座城市带来了新的发展机遇。从这些城市的灯光指数变化情况来看，国家和政府近年来采取了许多措施来促进地区发展。

4.3 回归模型分析

经逐步回归分析发现，夜间灯光指数主要与城镇村及工矿用地占地区总面积的比例有关，一个地区的总面积基本保持不变，因此城镇村及工矿用地面积对夜间灯光指数起着决定性作用。夜间灯光指数随着城镇村及工矿用地面积的增加而变大。

该模型具有较强的预测能力，从图4可以看出，2012年夜间灯光指数的预测值与真实值之间有较强的一致性，曲线大体相符。夜间灯光指数预测值较大的有石河子市、伊宁市和喀什市，最小的为哈密市，与实际情况相符。其中克拉玛依市、石河子市和奎屯市的预测误差较大，其余城市的预测值和真实值都较吻合。克拉玛依市和奎屯市为工业城市，石河子市为旅游城市，这3个城市的交通能力较强。表2显示，交通运输用地占地区总面积的比例与夜间灯光指数的相关性也较高，因此对这3个城市而言，在预测夜间灯光指数时，仅仅考虑城镇村及工矿用地占地区总面积的比例这一项因子是不够的。此外，运用该模型估算夜间灯光指数时也存在不合理现象，例如在估算2012年哈密市的夜间灯光指数时出现负值，夜间灯光指数应为一个大于零的数值，出现这种情况是因为城镇村及工矿用地所占地区面积太小，经计算得出，当地区城镇村及工矿用地所占比例小于0.007 5时，夜间灯光指数的预测值会出现小于零的情况，此时该模型不适用，需综合考虑各项因子的影响。综上所述，利用城镇村及工矿用地占地区总面积的比例估算城市夜间灯光指数具有一定的可靠性和普适性。本研究是基于新疆城市数据进行夜间灯光指数预测的一个初步尝试，在基于灯光数据的城市建成区提取、城市群产业经济联系和城市化驱动力机制等方面的研究还有待进一步探索。

5 结论

结合统计数据，对新疆城市夜间灯光数据进行分析，得出以下结论：（1）与2001年相比，2013年新疆城市夜间灯光数据呈现出以主要城市为中心不断向四周扩张的动态发展趋势。城市之间的联系越来越紧密，主要城市在自身经济发展的同时也带动了沿线城市的发展。（2）近年来新疆城市发展较为平稳，在时间序列上新疆城市灯光指数呈上升趋势。小面积城市成为新疆发展的热点，例如石河子市、喀什市和伊宁市发展速度较快；哈密市、昌吉市和阿克苏市地域辽阔，夜间灯光指数增长缓慢，地区发展空间巨大。（3）交通运输用地面积和城镇村及工矿用地面积对夜间灯光指数的影响较大，且均与夜间灯光指数呈正相关关系。（4）逐步回归分析法能够准确分析夜间灯光指数的变化机制，所构建的回归模型具有较高的可信度（r2＝0.834）和预测能力（β＝0.913），分析发现，城镇村及工矿用地占地区总面积的比例对夜间灯光指数的影响较大，两者呈显著正相关关系。利用城镇村及工矿用地占地区总面积的比例能准确预测地区夜间灯光指数。