基于多源GIS数据的城市时空特征探讨①<br/>——以梅州市为例

基于多源GIS数据的城市时空特征探讨①
——以梅州市为例

2020-07-17钟广锐郑春燕许紫彤陈芮淇苏烨婷林奕敏

科技创新导报 2020年14期

钟广锐郑春燕许紫彤陈芮淇苏烨婷林奕敏

(嘉应学院地理科学与旅游学院广东梅州 514000)

城市地区的电子地图兴趣点（POI）主要包括城市内具有标志性作用的实体建筑物，包括名称、类别、坐标和分类等信息，具有地理实体种类覆盖度高、数据范围覆盖面广等特点。池娇等利用POI对城市功能区进行定量识别及可视化[1]；曹芳洁等根据POI数据识别北京市商业中心[2]，只通过POI的识别存在一定局限，本文主要通过混合类型功能区的识别判定与规划类型进行对比得到发展差异，可以一定程度上预判其横向发展进程；夜间灯光影像相比于普通的遥感卫星影像能更多地反映人类活动，近年来成为研究城市扩张时空特征、提取城市扩张边界等的研究热点，邹进贵提出构建夜间灯光影像的校正模型[3]；舒松等利用夜间灯光数据比较四种建成区的提取方法[4]。城市灯光可综合表征人类活动在空间上的动态格局，能反映区域纵向扩张空间格局的演变规律，通过两者结合分析得到梅州市的综合现状。

1 研究区概况及数据源

梅州市位于广东省东北部，地处闽、粤、赣三省交界处，1988年设立地级市，辖梅江区、梅县区、平远县、蕉岭县、大埔县、丰顺县、五华县，代管兴宁市。梅州市土地面积15864.50km2，2017年末户籍人口548.29万人；常住人口437.88万人，其中城镇人口221.09万人。

1.1 POI数据

通过ExcelMap软件爬取高德地图的POI数据，根据其性质及分类标准[1]进行分类，通过对POI数据进行纠偏、去重、重分类等数据清洗操作，得到梅州市内POI数据六个大类（见表1），获得共计6369个有效点。

1.2 DMSP/OLS灯光数据

DMSP/OLS灯光数据由美国国家海洋和大气管理局（NOAA）直接下载获得（https://www.ngdc.noaa.gov/eog/dmsp.html），其空间分辨率为1km，系列数据由不同传感器（F10-F16）获取得到1998—2013年共26景影像，本文选取Version 4 DMSP-OLS Nighttime Lights Time Series灯光数据产品进行校正用于分析，通过传感器校正及连续性校正处理提高数据的连续性和可用性。

表1 分类依据及POI的数量分布

表2 多传感器影像校正的回归参数模型

表3 2013年NPP/VIIRS与DMSP/OLS拟合结果对应参数

图1 单一及混合功能区分布

图2 规划商业设施用地对比

1.3 NPP/VIIRS灯光数据

NPP/VIIRS灯光数据也是由美国国家海洋和大气管理局（NOAA）直接下载获得（https://www.ngdc.noaa.gov/eog/download.html）其中包含平均辐射值和可用观测值的数量，空间分辨率约为1km，时间分辨率为月，选取Version 1 VIIRS Day/Night Band Nighttime Lights灯光数据产品与DMSP/OLS灯光数据进行连续校正，得到完整的1998—2018年夜间灯光数据。

2 基于POI数据的规划对比分析

2.1 数据处理

将从高德地图获取的POI点进行数据清洗，剔除公众认知度较低的公厕、报刊亭等POI点，根据其服务用途将POI点分为六大类：生活服务类、餐饮服务类、休闲娱乐类、金融保险类、购物服务类、住宿服务类。通过ArcGIS创建r=500m半径的渔网，将POI点与网格进行空间连接得到落入单元网格的POI点数，计算频数密度（Fi）及类型比例（Ci）指标[1]。

图3 规划二类居住用地对比

图4 2018年影像校正前后对比

等式中，i表示POI类型；ni表示单元内第i种类型POI数量；Ni表示第i种类型POI总数；Fi表示第i种类型POI占该类型POI总数的比例（式①）；Ci表示第i种类型POI的频数密度占单元内所有类型POI频数密度的比，反应某一类型POI的集中程度（式②）。

images/BZ_260_1639_2262_1954_2338.png①images/BZ_260_1573_2355_2020_2439.png②

2.2 功能区可视化及与规划的对比

以某一类型C_i比例值为50%作为判断单元功能性质的标准，比例占50%及以上可确定该单元为单一功能区，单元内所有类型的POI比例均没有达到50%可确定该功能区为混合功能区，本文混合类型取决于单元内前两种最主要的POI类型。

图1显示，梅州市混合功能区集中分布在梅江区、梅县区，即梅州市中心城区一带；少数聚集在各个区县中心区域，表明区县的中心城镇区域功能相对复杂，能更高水平地满足人们的日常需求。单一功能区在混合功能区周围分散，部分沿主要交通路网分布，说明沿主要交通路网分布的功能单元的服务功能相对单一化。

图5 1998—2018年梅州夜间灯光影像及建成区扩张

图6 1998—2018年建成区扩张情况

2.3 规划对比分析

根据以上得到的功能区类型，与《梅州市城市总体规划（2015-2030年）》（以下简称《总体规划》）中的《规划区建设用地规划图》（以下简称《规划图》）进行对比。

如图2梅江与梅州大道的中间部分区域，规划为商业设施用地，商业设施用地主要指用于商业、服务业的土地，包括批发零售用地、住宿餐饮用地、商务金融用地、其他商服用地。POI识别结果为生活餐饮类功能区，其四周为生活购物类、购物娱乐类及生活住宿类等功能区，显然此区域的识别结果与规划方向一致程度较高。

如图3为梅塘东路附近区域，在《规划图》中为二类居住用地，二类居住用地涵盖分布广泛的以多层、中高层及高层单元式居住建筑为主、配套设施齐全、布局完整的用地，POI识别结果为住宿金融类、住宿餐饮类功能区，周围为生活金融类、生活餐饮类功能区，且尚有无数据区存在，说明发展现状与规划方向较为吻合，但局部发展不足。

3 基于夜间灯光数据的空间格局演化规律分析

3.1 DMSP/OLS灯光影像处理

根据NOAA获得的1998—2013年26景影像，采用已有的梅州市矢量范围提取出梅州市范围的影像，选取夜间灯光相对不变的梅江区作为不变目标区。在梅州市范围内，以总灰度值较高、连续性较好的F162005影像作为标定数据集，建立一元二次回归模型[3]，对其他影像依次进行传感器校正（表2）。F18传感器2010—2013的影像由同一传感器获得，故单独进行连续校正，得到1998—2013较为连续的影像。

3.2 NPP/VIIRS灯光影像与DMSP/OLS灯光影像的相互校正

由于NPP/VIIRS是月度合成数据，需要进行均值计算得到年度合成影像，将两种不同传感器来源的灯光影像的空间分辨率参照1km*1km[5]的重采样处理方法得到空间分辨率一致的夜间灯光数据。拟合2013年NPP/VIIRS与DMSP/OLS影像建立两种数据源的回归关系[3]，再以此校正2018年NPP/VIIRS的影像数据。表3中可以看出，结合R2及RMSE（均方根误差），对数模型拟合度较高，因此本文选择对数模型对2013年NPP/VIIRS与DMSP/OLS进行相互校正，得到校正后的2018年灯光影像（见图4）。

3.3 扩张分析

校正后的1998—2018年影像图5依次所示。根据国家统计年鉴，梅州市的建成区面积如下：1998年45km2、2008年40km2、2018年51km2。将DN值依据建成区面积进行划分[4]，临界DN值依次为13、23、24，由此可以看出梅州市发展扩张趋势（见图6）。

从图6可看出，梅江区是梅州的发展中心，从梅江区的金山街道向外辐射到城北镇、城东镇和三角镇，梅县的程江镇和南口镇，其中东西方向扩张明显且幅度较大，向东方向有与梅县的雁洋镇和丙村镇建成区交汇的趋势，向北方向有与蕉岭县建成区交汇的趋势。

兴宁市、平远县、蕉岭县、大埔县、丰顺县、五华县作为“六组团”有较强的产业基础和旅游资源，其中兴宁组团和五华组团东西扩张明显，丰顺组团的扩张趋势为南北走向，加之2008—2018年间梅江韩江绿色健康文化旅游产业带以梅江和韩江上游及其主要支流为纽带，发展颇有成效。不难看出，兴宁组团、五华组团、丰顺组团与梅江韩江绿色健康文化旅游产业带区域形成连片建成区是大势所趋；而平远县、大埔县的建成区相对独立，且发展速度较缓、发展程度较小，显然还未能与周围区县的有较强的联系。