中外超大城市生态质量遥感评价

王美雅，徐涵秋 (.闽南师范大学历史地理学院，福建 漳州 363000；2.福州大学环境与资源学院/ 福州大学遥感信息工程研究所/ 福建省水土流失遥感监测评估与灾害防治重点实验室，福建 福州 3506)

城市作为复杂生态系统，其冠层垂直交互的动量通量、热量通量和湿度与乡村或者其他区域大不相同[1]。超大城市规模之大使得其生态效应远大于其他中小城市和乡村。超大城市建筑和道路极其密集，地表景观格局趋于复杂化和破碎化[2]，加上大量人为活动产生了大体量的水、热和大气污染等城市代谢[3]，在强大外力干扰下，生态用地的生态调控能力严重不足[4]。对比评价超大城市生态质量差异，有助于提高超大城市建设与区域生态平衡互馈关系内在机制的认知能力，为控制城市发展规模及城市生态规划与整治提供科学参考。

多时相、多光谱、多平台的遥感卫星影像能够在全球范围内提供准确、一致的数据，更综合、准确地反映下垫面地物光谱信息和热信息等生态指标状况，可以克服传统地面观测站点资料数据极其有限的问题，实现海量“面”数据的获取。近几十年来，遥感技术迅速发展，在生态质量评价研究领域得到广泛应用，大大弥补了传统半定量监测评价方法的缺陷。早期研究仅用单一因子来体现某个区域整体生态状况，评价结果过于片面[5]。为此，我国发布并优化了生态环境指数(EI)[6]。此外，许多学者也相继开展了用多指标集成进行生态状况评价的研究[7-8]。但这些研究存在评价因子过于繁琐，评价指标难以获取，指标权重主观性较强，评价结果不能体现区域生态状况的空间差异等问题。针对以上问题，徐涵秋[9]提出了遥感生态指数(remote sensing based ecological index，RSEI)，选取绿度、干度、湿度和热度4个指标，采用不受人为干扰的主成分分析法耦合为一个评价综合生态状况的指数。贾有余等[10]选取净初级生产力、地表温度、地表裸露度和植被覆盖度4个指标，利用空间主成分分析方法构建生态评价模型分析苏州吴中区陆域生态保护红线区生态环境质量的时空变化特征。在超大城市区域，城市土地覆盖和地表景观格局、发达的交通网络以及人为活动产生的热岛效应和空气污染等多方面因素变化与城市生态系统间存在复杂的潜在非线性关系，这使得城市生态质量客观评估遇到严峻技术挑战。而在前人生态指数和模型研究中，缺少针对空气质量、生态斑块景观格局和道路密度等大城市区域重要生态评价因子的分析，且这些城市生态指数和模型对超大城市的适用性也有待进一步探究。

1978年以来，中国城市化水平由17.92%提高到2015年的56.10%[11]。其中，北京、上海和广州人口数排名均已跃居世界前25位[12]。中国超大城市与国外伦敦、纽约和东京等超大城市在城市建设模式上呈现出不同特征。从城市空间扩展形态[13]、交通发展模式[14]、人均公园绿地面积[15]和人均建设用地面积[16]等指标来看，伦敦城市外围分布大面积绿带环，抑制了城市无序蔓延，表现出城乡融合型的多元化发展模式，城乡公共交通发达。纽约采用分散型发展模式，建设用地向外低密度蔓延，构建了小汽车交通主导的道路网络模式。东京依托交通线路向外呈带状扩展，表现出高密度集约化发展模式，采用公共轨道交通相关的放射式指状发展模式。在人均公园绿地和人均建设用地方面，2015年，伦敦人均公园绿地和人均建设用地面积分别为33和210 m2，大于纽约(15和95 m2)和东京(5和73 m2)。北京、上海和广州城市建设由中心向外辐射式蔓延扩张，城市规划方面均采用“多中心、多组团”布局模式，交通建设方面均采用公共交通与小汽车并重发展模式。2015年，北京、上海和广州人均公园绿地面积分别为16、9和22 m2；人均建设用地面积分别为85、75和57 m2。近几年超大城市均面临众多生态环境问题。北京、上海和广州等城市频发局地大风、高温和暴雨等极端天气事件，空气污染加剧。而伦敦、纽约和东京等国外超大城市也面临热岛效应问题。因此，选取国内北京、上海和广州以及国外伦敦、纽约和东京6个超大城市，建立超大城市生态评价模型，对比评价不同城市建设模式下城市生态质量差异，以期为未来生态城市建设提供宝贵建议。

1 研究区概况

北京、上海和广州为中国城市规模排名前3的超大城市；伦敦、纽约和东京为城市规模居世界前列的3个超大城市，分别分布在欧洲、北美洲和亚洲。6个超大城市的城市规模相当，人口众多，GDP高，但城市发展轨迹和城市空间格局显现不同特征，具有对比性。由于中国、美国、英国和日本等国家行政区划差异较大，以6个城市建成区外扩5 km缓冲区范围作为研究区(图1)，以此划定具有对比性的城市边界[17]。

2 研究数据与方法

2.1 数据来源与预处理

遥感卫星影像数据源的一致保证了研究数据的可靠性。主要研究数据为Landsat 8卫星影像，北京、上海、广州、伦敦、纽约和东京的影像获取日期分别为2015-08-22、2015-08-03、2015-10-18、2015-10-02、2015-08-26和2015-10-09。所选影像季节相近，基本无云层覆盖。参照文献[18-19]模型和参数以及Landsat 8网站提供的公式和参数对Landsat 8影像进行辐射校正，将影像DN值转换为传感器处反射率。

2.2 城市生态评价遥感指数(URSEI)

遥感生态指数(RSEI)选取绿度、湿度、热度和干度4个遥感指标，采用主成分分析来自动量化各个指标对生态的贡献度，避免了人为干扰[9]，已被广泛应用于数十个城市和地区[2,20]。所选4个指标均与城市生态密切相关，湿度反映地表土壤和植被的湿度；绿度反映城市植被健康和覆盖度状况；干度反映地表裸露干化程度；热度反映地表温度空间格局。此外，空气质量指数反映城市空气污染问题；路网密度反映超大城市密集交通网络对城市生态系统的影响；生态连接度反映快速城市化过程中城市生态用地空间格局的优劣[21]。以上3个指标均反映城市快速扩张对城市生态系统的作用，同样与超大城市生态状况优劣密切相关，因此对RSEI指数进行改进，选取空气质量指数(AQI)、路网密度(RD)、生态连接度(ECI)、热度(Heat)、绿度(Greenness)、干度(Dryness)和湿度(Wetness)7个指标，构建基于遥感的城市生态评价模型(urban remote sensing ecological index，URSEI，IURSE)，其计算公式为

IURSE=f(IAQ,DR,IEC,W,INDV,INDBS,THEA)。

(1)

式(1)中，IAQ为空气质量指数；DR为路网密度；IEC为生态连接度；W为湿度；INDV为绿度；INDBS为干度；THEA为热度。各指标计算方法如下：

(1)空气质量指数：采用PM2.5值高低表征空气质量指数高低。研究[22-23]表明，PM2.5浓度与植被、建筑用地分布具有强相关关系。因此，通过建立植被指数NDVI和不透水面指数(normalized difference impervious surface index，NDISI)[24]与PM2.5浓度的多元回归模型反演研究区30 m分辨率的PM2.5专题影像。具体方法为：首先，通过6个城市相关网站获取对应地面PM2.5监测数据。然后，基于各城市Landsat 8影像，提取各站点NDVI和NDISI指数值。将地面站点实测的PM2.5浓度作为因变量，对应的NDVI(x1)和NDISI(x2)指数作为自变量，构建每个城市PM2.5多元线性回归模型。最后，反演得到研究区30 m分辨率的PM2.5专题影像。

(2)路网密度：数据来源于开放街道图数据(open street map，OSM)，基于OSM数据提取城市高速公路、主干道、次干道和铁路等道路矢量信息，并采用核密度(kernel density)计算城市路网密度空间分布。计算方法为：以300 m×300 m方形网格作为路网密度图基本计算单元，网格内道路总长度与面积之比为路网密度，单位为km·km-2。将反演得到的路网密度专题图重采样为30 m分辨率。

(3)生态连接度：首先，采用随机森林(random forests，RF)分类算法[25]提取植被、水体、不透水面和其他用地(裸土)4种地表覆盖类型。RF算法生成决策树数量和用于测试的特征数目参数分别设置为500和2。进一步采用NDISI指数设定阈值的方法将不透水面划分为高密度不透水面(0～50%)和低密度不透水面(>50%～100%)。将这5种地表景观类型分成生态用地(植被、水体)和障碍面(高密度不透水面、低密度不透水面和其他用地)2大类。接着，基于最小耗费距离模型，以障碍面为“源”，5种景观类型为阻力面计算障碍影响指数(barrier effect index, BEI,IBE)。然后，以生态用地为“源”，障碍影响指数BEI为阻力面，计算2种生态用地经过3种障碍类型实现连接所需要克服的阻力[26]，得到各城市生态连接度ECI评价结果。

BEI指数反映不透水面等阻碍类型对植被和水体等生态用地斑块之间实现结构联系的阻隔程度，某给定障碍物产生的障碍效应随最小耗费距离的增加呈对数增加[27]，其计算公式为

Ysi=bs-k1sln [k2s(bs-dsi)+1]，

(2)

(3)

式(2)～(3)中，Ysi为第s种障碍物所产生的障碍效应；bs为第s种障碍物类型的权重系数，其值参照文献[27]；k1s和k2s分别为不同障碍类型指数递减函数的校正系数；dsi为通过最小耗费距离模型计算出的最小耗费距离，m；n为障碍类型的种类数。得到研究区BEI指数后，基于最小耗费距离模型计算生态连接度ECI，其计算公式为

(4)

(5)

式(4)～(5)中，di为第i个像元到各生态用地的总耗费距离，m；dri为第i个像元到第r种生态用地的耗费距离，m；dmax为研究区内像元到各生态用地总耗费距离的最大值，m；IEC,i为第i个像元的生态连接度。ECI值越高，表明该区域生态用地斑块间连接程度越好，更有利于发挥生态效益。

(4)湿度：采用缨帽变换的湿度分量(W)来表示[28]，其计算公式为

W=0.151 1ρ2+0.197 3ρ3+0.328 3ρ4+

0.340 7ρ5-0.711 7ρ6-0.455 9ρ7。

(6)

式(6)中，ρ1、ρ2、ρ3、ρ4、ρ5、ρ6和ρ7分别为Landsat OLI影像对应波段的反射率。

(5)绿度：选用归一化植被指数NDVI来表示，其计算公式为

INDV=(RNI-DRE)/(RNI+DRE)。

(7)

式(7)中，RNI和DRE分别为近红外和红光波段。

(6)干度：干度指标(normalized difference built-up and soil index, NDBSI)采用裸土指数(SI,IS)与建筑指数(IBI,IIB)的均值来综合代表[29]，其计算公式为

INDBS=(IS+IIB)/2，

(8)

IS=[(ρ5+ρ3)-(ρ4+ρ1)]/[(ρ5+ρ3)+

(ρ4+ρ1)]，

(9)

IIB=

(10)

式(8)～(10)中，ρ1、ρ2、ρ3、ρ4和ρ5分别为Landsat OLI影像第2、3、4、5、6波段反射率。

(7)热度：采用地表温度(land surface temperature,LST，TLS)表示，地表温度反演采用单通道算法[30]，其计算公式为

Tsensor=K2/ln (K1/Lsensor+1)，

(11)

TLS=γ[ε-1(ψ1Lsensor+ψ2)+ψ3]+δ。

(12)

式(11)～(12)中，Tsensor为传感器处亮温值，K；K1和K2分别为热红外波段定标常数，W·m-2·sr-1·μm-1和K；Lsensor为热红外波段辐射值，W·m-2·sr-1·μm-1；γ和δ分别为基于Planck函数的2个参数；ε为地表比辐射率；ψ1、ψ2和ψ3为大气水汽含量函数。

模型构建：采用主成分分析方法(principal component analysis，PCA)构建城市生态评价遥感指数[31]。第1主成分(PC1)最大程度地集成了各变量信息，可用来耦合以上7个指标变量，构建URSEI模型，其计算公式为

IURSE=PC1[f(IAQ,DR,IEC,W,INDV,INDBS,THEA)]。

(13)

为使大数值代表生态状况好，先用1减去PC1来获得初始生态指数IURSE，0，对IURSE，0结果进行归一化，使其值介于[0，1]之间。URSEI值越接近1，代表生态质量越好。

3 结果与分析

3.1 URSEI与RSEI结果对比

对比6个城市URSEI和RSEI指数的生态状况排名结果(图2)，伦敦和广州城市生态质量排名一致，均分别位列第1和第2位。北京和纽约城市生态质量在URSEI指数中排名分别位列3和4位，在RSEI指数中则排名相反，分别为4和3位。上海和东京城市生态质量在URSEI指数中排名分别位列5和6位，在RSEI指数中则排名相反，分别为6和5位。进一步对比URSEI和RSEI各指标均值统计结果(表1～2)，可以看出，生态质量指标差异导致了评价结果不同。

表1 6个超大城市URSEI指数评价情况Table 1 7 ecological indicators and URSEI results of the 6 megacities

表2 6个超大城市RSEI指数评价情况Table 2 4 ecological indicators and RSEI results of the 6 megacities

相比RSEI指数，URSEI评价指标增加了空气质量指数、路网密度和生态连接度3个指标，而这3个指标一定程度地影响超大城市生态质量排名。北京起负向作用的路网密度低于纽约，且起正向作用的生态连接度高于纽约，虽然其起负向作用的空气质量指数高于纽约，但其荷载值较低，受这3个指标综合影响，北京URSEI评价排名较RSEI有所提升，纽约排名有所下降。上海起负向作用的路网密度低于东京，且起正向作用的生态连接度高于东京，虽然其起负向作用的空气质量指数高于东京，但其荷载值较低，受这3个指标综合影响，上海URSEI评价排名较RSEI有所提升，东京排名则下降。由此可见，URSEI指数的生态质量评价指标能更全面地反映城市生态状况差异，因此以下选用URSEI指数对超大城市生态进行评价。

3.2 URSEI指数7个指标反演结果

图3为6个城市URSEI指数7个指标反演结果。表3为利用主成分分析方法计算得到的指标权重和方差信息。由表3可知，7个指标第1主成分累计方差贡献率在70%～85%之间，PC1可以较大程度地集成各变量信息。统计对比其他特征分量结果，第2主成分PC2累积方差贡献率仅为7%～11%，第3主成分PC3累积方差贡献率仅为3%～7%，PC4～PC7累积方差贡献率均小于5%，PC2～PC7累积方差贡献率之和远小于第1主成分，因此，可用PC1来耦合城市生态评价模型的7个指标变量。对比不同指标的PC1荷载值符号可以看出，ECI、Wetness和Greenness荷载值均为正值，3者对生态质量起正向作用，而AQI、RD、Dryness和Heat荷载值均为负值，它们对生态质量起负向作用，这与城市生态情况相符。对PC1荷载较高的因子为ECI和Greenness，荷载值均大于0.45。

表3 研究区URSEI指数7个指标主成分分析结果Table 3 PCI results of 7 indices of URSEI

从7个生态指标空间分布(图3)看出，6个城市不同指标呈现出不同的空间分布状况。由图3可知，对比各城市AQI指标〔图3(a)〕，城市植被覆盖率低的区域空气污染情况明显高于绿地集中分布的区域。对比RD指标〔图3(b)〕，纽约城市内部道路网络密度差异较小，均衡性最优。相比国外的3个城市，北京、上海和广州城郊路网密度表现出较强的差异性，即路网密度高值集聚性较强，低值区较多。对比ECI空间分布〔图3(c)〕，6个城市连接度水平最高的区域主要位于城市周边区域，均表现出明显的孤岛状分布态势；低连接区域主要位于城市中心不透水面密集的区域，表现出良好的结构连接性。其中，伦敦具有高连接度的斑块面积明显大于其他城市，而纽约低连接区域分布最广。对比Wetness指标〔图3(d)〕，城市绿地集中分布的区域湿度高于建筑和裸土密集分布区域，尤其以北京、广州和纽约对比最明显，上海和伦敦湿度指标总体偏低。对比Greenness指标〔图3(e)〕，北京、广州、伦敦、纽约和东京在城市周边具有植被覆盖率高的大型绿地，而在城市中心区域，伦敦和广州植被覆盖度比其他城市高，纽约和东京植被覆盖率则明显低于其他城市。对比Dryness指标〔图3(f)〕，不透水面密集分布的城市中心区域，干度指标明显高于自然覆盖地表区域，尤其东京不透水面覆盖率明显高于其他城市，且空间分布上呈连片性。对比Heat指标〔图3(g)〕，城市建筑密集区域热度明显高于大片绿地和水体分布区域。6个城市中，具有较大比例的高温区，但是广州和伦敦高温斑块明显破碎化，东京高温斑块连片性最强。

3.3 6个城市URSEI指数结果对比分析

通过URSEI模型反演得到6个超大城市URSEI反演影像(图4)。URSEI均值数据结果(表1)表明，6个城市URSEI指数均值分布在0.445～0.542区间范围内，生态指数等级均为中等。其中，伦敦URSEI指数值最高，说明其生态质量最好，其次为广州、北京、纽约和上海，东京URSEI值最低，即东京城市生态质量最差。

对比生态质量最好的伦敦和广州与生态质量最差的东京和上海的URSEI指数各指标值发现，伦敦和广州URSEI指标中，对生态质量起正向作用的生态连接度和绿度指标值较高，对生态质量起负向作用的空气质量指数、路网密度、干度和热度指标值较低，使得这2个城市生态质量好于其他城市。虽然伦敦湿度指标低于其他城市，但它对PC1的贡献度不及其他6个指标。东京URSEI指标中，对生态质量起正向作用的生态连接度和绿度指标相对较低，对生态质量起负向作用的路网密度、干度和热度指标值均高于其他城市，虽然其湿度指标值较高，但湿度指标对PC1的贡献度较小，使得其URSEI指数值最低。上海URSEI指标中，对生态质量起正向作用的生态连接度和绿度指标相对较低，对生态质量起负向作用的空气质量指数、干度和热度指标较大，虽然其湿度指标值较高，路网密度值较低，但这2个指标对PC1的贡献度较小，使得其URSEI值也较低。

为进一步分析URSEI指数的代表性，将6个超大城市URSEI值以0.2为间隔划分成5级，1～5级分别代表生态差、较差、中等、良和优5个等级，统计各等级区域面积所占比例(图5)。总体来看，各城市生态等级为中等、较差和差区域面积均占各城市总面积的60%以上，最高达82%；而生态等级为优和良的区域面积仅占20%～35%。对比不同城市的结果可以看出，东京生态等级为中等、差和较差的区域面积所占比例最高，达到81.90%，其次为上海(78.66%)，纽约、北京和广州次之，且都接近70%，最低为伦敦(63.79%)。伦敦生态等级为优和良的区域面积占比最高，为36.21%，其后依次为广州(31.71%)、北京(31.23%)、纽约(29.51%)和上海(21.34%)，东京最低，为18.10%。由此可以看出，东京生态等级为中等、差和较差区域面积占比最高，生态等级优和良区域面积占比最低，因而其生态质量评价结果最差。伦敦生态等级为优和良的区域面积占比最高，生态等级为中等、差和较差的区域面积占比最少，因而其生态质量评价结果最好。

从空间分布(图6)上来看，URSEI等级为差和较差的区域主要分布在城市中心和副城市中心高不透水面覆盖地区，这些地区人类活动频繁，植被覆盖度低，空气质量差，建筑、道路等人工地表的阻隔使得生态用地生态效益较低，热岛效应严重，导致其生态质量差；而生态等级为优良级别的区域主要分布在城市大块绿地和外围山体、农田等植被覆盖区，这些地区人类活动较少，其绿度和湿度高，干度和热度低，空气质量较城区好，完整连续的生态用地发挥的生态效益也更高，因而表现出较高的生态等级。

从图6也可以直观反映出，代表较差和差生态等级的区域与城市建成区范围高度吻合，基本填满了城市建成区区域，代表优生态等级的区域则主要分布在建成区外侧，建成区内只有一些零星分布的公共绿地生态等级为优。结合6个城市规划政策实施情况来看，上海和东京城市总体规划所提出的“多中心多组团”布局模式未得到很好实施，组团间无法形成良好的绿化分隔带，使得城市不透水面向外蔓延扩展的趋势未得到有效遏制，加上城市中心区功能不断聚集，总体生态质量值较其他城市低。相比而言，伦敦走田园城市组团发展模式，通过大片绿地来分割组团，避免密集连片发展，城市绿地生态效益较好，生态质量评价值最高，广州的“多中心多组团”模式在新城区有较好的生态分割空间，生态质量评价值也相对较高。

4 结论

(1)空气质量指数、路网密度、生态连接度、热度、绿度、干度和湿度是超大城市生态质量的重要影响因子，以此建立的城市生态评价遥感指数URSEI可以综合反映指标信息，定量评价超大城市经过不同城市建设模式后的生态状况差异。ECI、Wetness和Greenness指标对生态质量起正向作用，而AQI、RD、Dryness和Heat指标对生态质量起负向作用。植被和生态用地空间格局优劣是改善城市生态系统最重要的影响因子，但城市干度、热度、空气质量和路网密度等指标的综合作用会导致城市生态恶化。

(2)URSEI指数采用遥感和GIS技术进行反演，指标集成和阈值设定采用非人为的方法，既能作为一个量化指标来刻画区域生态质量，又可以将区域生态质量可视化，从“点”和“面”上反映城市空间的生态差异性。URSEI指数评价结果显示，北京、上海、广州、伦敦、纽约和东京6个超大城市的URSEI均值分布在0.445～0.542之间，伦敦生态质量最好(URSEI为0.542)，其后依次为广州(0.533)、北京(0.517)、纽约(0.511)和上海(0.495)，东京生态质量最差(0.445)。对比URSEI指数的7个指标分量，伦敦和广州URSEI分量中，对生态质量起正向作用的生态连接度和绿度指标值较高，对生态质量起负向作用的空气质量指数、路网密度、干度和热度指标值较低，使得这2个城市生态质量较其他城市好。

(3)生态质量较差的区域主要分布在城市中心和副城市中心，生态质量较好的区域主要分布在城市大型绿地覆盖区。城市不透水面覆盖率高，植被覆盖少，人工地表阻隔使得生态用地的生态效益较低，热岛效应严重，空气质量差，导致其生态质量差；城市大块绿地覆盖区绿度和湿度高，干度和热度低，空气质量较好，完整连续的生态用地发挥的生态效益也更高，因而生态质量较好。城市生态质量与城市合理规划建设密切相关。在今后城市规模不断扩展过程中，更应注重生态理念的实际贯彻和实施，使城市健康可持续发展。