基于高分影像的上海城市硬化地表空间格局分析

郝亮, 张彪, 姚华荣, 谢紫霞, 佘欣璐

基于高分影像的上海城市硬化地表空间格局分析

郝亮1,2, 张彪2,*, 姚华荣1, 谢紫霞2,3, 佘欣璐4

1. 长安大学地球科学与资源学院, 陕西 西安 710054 2. 中国科学院地理科学与资源研究所, 北京 100101 3. 中国科学院大学资源与环境学院, 北京 100049 4. 中国人民大学, 北京 100872

硬化地表是定量描述城市地表物理特征以及生态环境质量的重要指标。基于2017 年高分2号卫星影像, 反演提取了上海城市硬化地表信息, 对比分析了不同地域硬化地表分布格局及人居环境风险。结果表明, 2017 年上海城市硬化地表面积达2100 km2, 硬化地表覆盖率为45%, 中心城区高达84%, 且连片分布特征明显。从行政区来看, 静安区硬化地表比例最高(94%), 且集中连片分布特征明显, 金山区最低(30%), 约2/3的行政区硬化地表覆盖率高于平均值(66%)。城市硬化地表空间分布由内向外递减, 内环线以里的硬化地表比例高达91%且集中连片, 郊区线以外硬化地表覆盖率低于29%, 但破碎化和分离度指数较高。此外, 城市硬化地表集中于北部, 南部以破碎化硬化地表格局为主, 南北方向的地表硬化率差距高达33%, 但东西方向差异不大。整体来看, 上海城市硬化地表空间格局差异化分布明显, 约1200万人口面临着中度以上的人居环境风险, 因此应高度重视硬化地表集中区的生态环境效应并适当增加绿色基础设施。

城市化; 硬化地表; 空间格局; 上海

0 前言

快速城市化是21 世纪人类面临的重要挑战[1]。2018 年全球城市化率已达55%, 2050 年将上升至68%[2], 我国的城市化水平也由改革开发初期的17.9%提高到59.6%[3]。城市化过程不仅表现为大量人口和产业向城镇地区的集中, 而且大规模人工建设区域的增加使得原有绿色植被为建筑材料所替代, 并形成硬化地表[4], 经常引发城市热岛、暴雨内涝等生态环境问题[5–8]。因此硬化地表格局及其变化已成为监测城市化过程与其生态环境效应的重要指标[9–10]。比如, 周玄德等在遥感技术支持下, 以乌鲁木齐市主城区为例, 分析了不透水面与地表温度的关系[11]; 于伟伟等采用氯仿熏蒸浸提法、磷脂脂肪酸法及BIOLOG培养法测定分析了城市硬化地表对土壤微生物群落结构和功能的影响[12]。因此, 如何准确获取与科学分析硬化地表信息至关重要, 尤其是随着现代卫星遥感技术的不断进步, 城市硬化地表的动态获取及多尺度分析受到重视[13]。Ridd利用硬化地表与植被指数、土壤组分之间的相关关系, 构建了广义城市地表概念模型(VIS)来估算地表各组分覆盖度[14]。Bauer等则基于Landsat影像数据分析揭示了Twin大都市1986—2000 年硬化地表变化规律[15]。Wang等利用全球土地调查数据集, 开发了迭代运算并预测印度硬化地表的变化情况[16]。岳玉娟等利用Landsat 5TM影像, 分别采用NDVI二元法和线性光谱分解法提取京津唐城市硬化地表信息, 重点比较分析了不同方法的提取结果[17]; 此外, 李伟峰等[18]、刘珍环等[19]、聂芹等[20]分别研究了北京市、深圳市和厦门市的硬化地表格局特征。不过以往研究多利用中等分辨率影像来提取硬化地表信息, 对于城市硬化地表的空间格局差异分析及其带来的人居环境风险研究较少。

上海是我国人口超千万的特大城市之一。近年来上海城市化快速推进[21],人工建设强度高且频繁[22],生态环境问题突出[23–24]。因此, 城市硬化地表特征及其生态环境的影响受到关注。比如, 岳文泽等利用线性光谱分解技术, 提取分析了上海市硬化地表特征及其热环境效应[25–26]。刘文渊等采用Landsat ETM+卫星遥感影像提取上海市硬化地表、植被和水体, 发现城市硬化地表面积大幅增加并形成了城市热岛[27]。Nie等分析发现1997—2010 年上海中心城区的硬化地表明显存在多维分形结构特征[28]。徐艺扬等则综合研究了上海城市建设用地、人口、降雨等因素对暴雨内涝的影响, 发现中心城区DEM、硬化地表和人口分布显著影响暴雨内涝发生率[29]。王美雅等对比分析了上海和纽约城市硬化地表的时空变化及其对生态质量的影响, 发现大面积的不透水面斑块以及斑块内部高度连通和聚集的区域生态质量较差[30]。但是, 这些研究多关注中心城区硬化地表格局及其生态环境效应, 而对城市内部硬化地表的地域差异揭示不足, 且随着上海城市建成区边界不断向外扩张[31], 探究生态文明新时代下超大城市的生态治理途径迫在眉睫。因此, 本文基于上海市高分卫星影像, 反演提取城市硬化地表信息, 并分析揭示不同地域空间的硬化地表分布特征, 可为上海城市生态环境治理以及绿色空间格局优化提供参考依据。

本文基于上海市高分卫星影像, 反演提取城市硬化地表信息, 并分析揭示不同地域空间的硬化地表分布特征, 可为上海城市生态环境治理以及绿色空间格局优化提供参考依据。

1 研究区概况

上海市地处长江三角洲东南缘(30°40'—31°53' N, 120°51'—122°12' E)、长江和钱塘江入海汇合处。全境除西南部有少数剥蚀残丘外, 均为坦荡低平的长江三角洲平原, 平均海拔4 m左右。2017 年上海市管辖面积6340.50 km2, 包括浦东新区、黄浦区、徐汇区等16 区(图1)。截至2017 年末, 上海市常住人口2418.33万人, 人口密度达到3814人·km-2, 其中黄浦区、虹口区、杨浦区、普陀区等人口密度均超2万人·km-2[32]。由于崇明区主要由崇明、长兴和横沙三岛组成, 土地覆被以森林、农田、水域为主, 而本文重点关注城市人工建设区域的硬化地表差异, 因此研究区设定为崇明区以外的浦东新区、闵行区、嘉定区、宝山区、松江区等15 区。上海城市空间扩展一定程度上受公路网建设影响[33], 棋盘式路网、放射状干道与环城道路形成了上海市环形放射式道路网[34], 其中内环高架、外环高速以及郊区环线等经常作为划分研究区的界线[35–36]。

2 研究方法

2.1 硬化地表提取

城市硬化地表是指各种不透水建筑材料所覆盖的表面, 包括城镇用地、农村居民用地、工业用地、采矿用地、交通用地和其他建设用地等[37–39]。本文首先以中国资源卫星应用中心陆地观测卫星数据服务平台的高分2 号卫星影像数据为基础, 选用2017 年4 月29 日至2018 年3 月10 日的2 m分辨率多光谱影像共38 景, 利用ENVI软件进行正射校正、辐射定标、图像融合、大气校正等, 以上海市行政区划为范围, 以8km*8km为网格共划分73个单元网格, 分别进行分幅矢量化得到上海市土地覆被数据(图2)。然后采用分层与分类随机抽取方法进行精度验证, 在ArcGIS平台中采用Random模块, 按照30 m*30 m格网类型分别计算各类型抽样个数, 根据设定类型抽样数随机选取样本数, 经检验该影像数据解译精度达到80%以上, 满足本研究需要。最后对上海市土地覆被矢量数据进行重分类和掩膜处理得到研究区硬化地表数据, 并重采样生成栅格数据图层。

图1 研究区位置示意图

Figure 1 Location of study area

图2 城市硬化地表信息提取流程及单元格网划分

Figure 2 Extraction process and cell network division of urban impervious surface information

2.2 空间格局分析

为分析揭示上海城市硬化地表的空间格局差异, 借助ArcGIS10.2和Fragstats4.2统计比较不同地域尺度下硬化地表面积及其景观格局特征, 其中景观格局指数选用斑块密度(Patch density, PD)、最大斑块指数(Largest patch index, LPI)、景观形状指数(Landscape shape index, LSI)、同类斑块邻接比(Percentage of like adjacencies, PLADJ)和分离度指数(Splitting index, SPLIT)表示[40–41]。不同地域尺度分别从中心城区内外、15 个行政区、重要交通环线以及不同方位进行设置。依据上海市道路网的主要交通环线, 将内环线以里、内环线—外环线、外环线—郊区环线以及郊区环线以外的地区划分为四个区域(图3), 并将外环线以内地区作为中心城区[42]。此外, 以研究区的几何空间中心为圆心, 以适当长度为半径, 画出八个夹角均为45°的扇形, 转换为面数据后, 调用ArcGIS10.2软件中的ArcTool box/Spatial Analysis /Extraction/Extract by mask工具, 并将研究区划分为代表不同方位象限的八个扇形区域(图3)。

2.3 人居环境影响

城市快速扩张带来的硬化地表大幅增长及其空间格局变化, 极易伴随产生城市热岛[17,27–28]、暴雨内涝[30,43–44]、土壤退化[13,45]等一系列生态环境效应, 从而增加高温内涝灾害风险, 降低城市人居环境质量。比如, 2010 年8 月中旬持续多日的高温热浪天气, 使得上海市日用电负荷屡创新高, 当日中心城区供水量也达到极值, “中风”、“中暑”和“腹泻”人数激增[46]。2013 年10 月6—8 日“菲特”台风带来的特大暴雨导致上海严重内涝, 交通瘫痪, 9.7 万人受灾, 直接经济损失9300 余万元[47]。由于城市硬化地表集中分布与其生态环境问题有一定程度的相关性[48–50], 为此根据不同地域硬化地表与人口分布的耦合程度来综合判断人居环境风险级别。其中, 地表硬化程度采用栅格单元内(100 m*100 m)硬化地表面积占栅格单元面积的比率表示, 人口规模则采用上海市第六次人口普查数据得到的街道人口密度分布数据。首先将地表硬化率(HSR)与人口密度(PD)划分为不同等级(表1), 并取二者中的最小值作为人居环境风险等级(ERI)。

3 结果与分析

3.1 中心城区差异

根据高分遥感影像的地表覆被信息提取结果, 2017 年上海城市硬化地表面积有2100 km2, 几乎占到研究区的45%。其中, 26%的硬化地表分布在中心城区, 其面积接近554 km2, 地表硬化率高达84%, 对城市内部热辐射、水循环、土壤环境等生态影响风险极大[45,51–52]。不过, 在中心城区以外分布有硬化地区1546 km2, 占到城市硬化地表面积的74%, 但地表硬化率仅为38%, 不及中心城区地表硬化率的一半(表2)。

图3 上海地域单元划分及城市硬化地表空间分布

Figure 3 Zoning and distribution of urban impervious surface in shanghai

表1 基于城市硬化地表与人口密度耦合的人居环境风险等级

从景观格局指数来看, 上海城市硬化地表的斑块密度(PD)为1.73, 稍低于中心城区外的斑块密度(PD=1.84), 接近中心城区内斑块密度的10 倍(PD=0.17), 同时中心城区内硬化地表的LPI明显高于中心城区外部和研究区均值(表2), 说明中心城区内的硬化地表斑块数量少且面积大。上海城市硬化地表景观形状复杂(LSI=111.78), 而中心城区内硬化地表的斑块形状非常规则(LSI=18.56), 这与中心城区健全完善的交通路网与城市建设规划有关。此外, 上海城市硬化地表斑块空间分布相对集中, 尤其是中心城区内部的硬化地表斑块邻接比(PLADJ)相对较高, 且空间分离度指数(SPLIT)接近中心城区外部的一半, 说明中心城区内硬化地表团聚程度较, 硬化地表聚集成片分布特征显著。

3.2 行政区间差异

从不同行政区来看, 分布在浦东新区、松江区、嘉定区等近郊区的硬化地表面积较大, 而静安区、虹口区、长宁区等城区的硬化地表面积均较小。其中, 浦东新区的硬化地表面积最大(560 km2), 占到研究区硬化地表总面积的27%, 黄浦区硬化地表面积最小(14 km2), 仅为上海城市硬化地表面积的0.7%, 这主要与不同行政区的管辖面积大小有关。不过, 静安区、虹口区、长宁区等城区的地表硬化率明显高于浦东新区、松江区、嘉定区等近郊区。其中, 静安区硬化地表比例最高(94%), 虹口区、长宁区、徐汇区和普陀区的地表硬化率均超过90%, 松江区和浦东新区的硬化地表比例接近研究区平均值(45%), 而金山区的硬化地表比例最低(29.75%)。可见, 上海城市硬化地表的面积规模以外部郊区为主, 而硬化景观以内部城区为主。

此外, 不同行政区硬化地表的景观指数差异显著(图5)。硬化地表的斑块密度(PD)和分离度指数(SPLIT)均表现出由城区向郊区整体增加的趋势。其中, 徐汇区硬化地表斑块密度最低(PD=0.04), 奉贤区硬化地表斑块密度和分离度均最高(PD=3.65; SPLIT=8.39), 而虹口区分离度指数最低。上海城市硬化地表形状也由内城相对规则、郊区相对复杂的趋势转变, 其中, 虹口区硬化地表形状最为规则(LSI=3.28), 奉贤区形状最为复杂(LSI=51.48)。但是, 硬化地表的最大斑块面积表现出由城区向郊区整体降低的趋势, 其中静安区硬化地表的LPI最高(97), 而奉贤区最低(LPI=31.42), 说明远郊区硬化地表以小面积斑块分布为主。此外, 各行政区硬化地表PLADJ比较接近且平均值达97.62%, 其中, 徐汇区硬化地表PLADJ最大(99.21%), 奉贤区最低(93.93%), 表明不同行政区的硬化地表邻接比例较高。

表2 上海中心城区内外的硬化地表面积差异

表3 上海中心城区内外硬化地表的景观指数差异

图4 上海城市硬化地表的行政区分布

Figure 4 Area differences of impervious surface among administrative regions in Shanghai

3.3 道路环线差异

交通道路对城市空间形态有着重要影响[53–54], 为此结合上海市主要交通线路分析不同环线区硬化地表的分布。结果发现, 外环—郊区线之间的硬化地表面积最大(979 km2), 占到研究区硬化地表总面积的47%; 其次为郊区环线以外的地区和内环—外环线之间地区, 分别有硬化地表671 km2和366 km2, 占到硬化地表总面积的32%和17%; 内环线以里的硬化地表面积最小, 仅为不足总面积的4%(图6)。不过, 城市地表硬化率从内环向外环依次降低, 其中, 内环线以里地区的地表硬化率高达91%, 内环—外环线之间地区和郊区环线以外地区的地表硬化率分别为82%和53%, 而郊环线以外的硬化地表比例仅为29%, 不及内环线以里地表硬化率的1/3, 因此, 虽然上海城市硬化地表面积主要集中在外环线以外的地区, 但外环线以里地区表现出高度地表硬化特征。

从景观格局指数来看, 硬化地表斑块密度(PD)、景观形状指数(LSI)和分离度指数(SPLIT)均表现出由内环向外环整体增加的趋势(表4)。其中, 内环线以里硬化地表的PD和LSI与郊区环线以外地区差异巨大, 而分离度指数(SPLIT)的道路环线差异相对较小, 表明外环线以外地区的硬化地表斑块相对复杂多变, 这可能与郊区大面积生态空间的镶嵌分隔有关。同时, 上海城市硬化地表最大斑块指数(LPI)和同类斑块邻接比(PLADJ)表现出由内环向外环整体降低的趋势。其中, 内环线以里硬化地表的LPI要比郊区环线以外地区高24%, 其PLADJ也比外环—郊区线之间地区高2%, 说明外环线以里硬化地表集聚化分布特征明显, 而郊区硬化地表斑块相对零散分布。

图5 上海城市硬化地表景观格局指数的行政区分布差异

Figure 5 Landscape index differences of impervious surface among administrative regions in Shanghai

图注: 1—4分别表示内环线以里、内环—外环线、外环—郊环线和郊环线以外的区域。

Figure 6 Area differences of impervious surface among traffic loops in Shanghai

3.4 方位象限差异

上海城市空间格局正由高度聚集的单中心城市向“多心、多核、多组团”结构转变[55], 同心圆式的区域分析有助于比较不同方位象限内硬化地表的分布差异[56]。为此统计不同方位象限内硬化地表面积发现, 上海城市硬化地表高度集中于北部地区且南北差异大, 而东西方向分布相类似(图7)。其中, 研究区正北方向(N)分布有硬化地表427 km2, 占到硬化地表总面积的20%, 且地表硬化率高达72%; 而正南方向(S)的硬化地表面积仅有190 km2, 地表硬化率约为39%, 均接近正北方向硬化地表分布的1/2; 但是东西方向硬化地表的占比均为12%, 且地表硬化率分别为34%和39%, 因而硬化地表分布的东西差异不大。

从景观格局指数来看, 北部地区硬化地表斑块密度(PD)明显小于南部, 且正东方向PD约为正西方向的两倍, 但是北部地区硬化地表的最大斑块指数(LPI)显著高于南部, 而东西方向LPI值比较接近, 说明上海城市硬化地表在北部连片分布特征明显, 但东西差异不大(表5)。不过, 对于硬化地表形状指数(LSI)和分离度指数(SPLIT)而言, 南部地区LSI和SPLIT均高于北部地区, 且正东方向高于正西方向, 说明南部地区硬化地表斑块形状复杂且空间距离较大。不过, 硬化地表的同类斑块邻接比(PLADJ)的方位差异不显著, 北部硬化地表团聚程度稍高于南部地区、东部稍高于西部。总体来看, 上海城市硬化地表以大面积的规则斑块分布于北部地区, 南部地区硬化地表零散分布特征明显。

表4 上海城市硬化地表景观指数的道路环线差异

图7 上海城市硬化地表分布的方位象限差异

Figure 7 Area differences of impervious surface among various directions in Shanghai

表5 上海城市硬化地表景观指数的方位差异

3.5 人居环境风险

结果发现, 上海高人居环境风险区主要分布在黄浦江以西的中心城区, 地表硬化率高达95%, 城市北中部人居环境风险高于南部及东西部地区(图8); 一般等级人居环境风险区的硬化地表面积最大, 约占研究区硬化地表总面积的49%, 低、中等和较高等级人居环境风险区的硬化地表面积接近, 而高人居环境风险区的硬化地表面积最小。但是, 地表硬化率与人口密度变化高度一致, 中等以上人居环境风险地区的人口高度集中, 而且其地表硬化率均超过70%, 如果按照现有人口密度估算, 大约1200 万人遭受着中等以上人居环境风险等级的影响(表6)。

4 讨论与结论

4.1 讨论

城市化过程中硬化地表的快速增加可改变城市内部的水、热、土壤以及能量流[17,45 , 51–52], 因而城市硬化地表的生态环境影响评估需要高精度硬化地表数据[43–44,53]。目前城市硬化地表信息的提取多是根据Landsat TM/ETM或MODIS等中等分辨率遥感影像中不透水面的光谱特征[25,28,30], 但混合像元易受具有相似光谱特征的地物影响[57–58], 为此准确获得城市硬化地表信息需要高分辨率遥感影像(小于10 m)数据的支持[59–60]。不过, 李伟峰等[10]对比分析了不同空间分辨率遥感信息对硬化度指数的影响, 发现严重破碎化的都市区采用中分辨率(TM)影像提取的硬化地表信息精度要高于SPOT影像, 原因主要在于高分辨率下精细化的地表斑块信息反而掩盖了土地利用性质的整体趋势。比如部分地表斑块(道路中间绿化隔离带)虽未表现出不透水光谱特征, 但其实际用途是作为硬化地表性质所存在的。为此, 本文基于高分2 号卫星影像直接提取地表覆被类型, 然后按照土地利用性质归类得到硬化地表覆被信息, 从城市土地利用属性的角度反映城市硬化地表的空间格局特征。

本研究提取的硬化地表结果表明, 2017 年上海城市硬化地区面积为2100 km2, 高于王美雅等[30]得出2015 年上海不透水面积1145 km2的结论, 原因在于本文研究区范围(4703.33 km2)远大于后者所致(3120.43 km2)。该研究发现上海中心城区现有硬化地表面积553.81 km2, 地表硬化率高达83.54%, 高于岳文泽等[35]测算的2002年上海中心城区不透水面盖度为65.63%的结果, 这与2002年以后上海城市化进程的快速推进有关[60]。此外, 上海市硬化地表由内向外递减的差异化分布特征明显, 且景观格局的南北差异明显高于东西差异, 这与岳文泽等[26]发现上海中心城区的不透水面东西变化规律而南北变化复杂的研究结论相一致。该研究发现在上海市中心城区硬化地表斑块大, 斑块连片分布的聚集度极高, 这与王美雅等[30]研究结论一致。

受城市规划、区域定位发展、产业结构、交通设施等诸多因素的影响, 上海城市空间形态扩张塑造了城市硬化地表的空间格局差异, 而人口规模的急剧增加和GDP实力的快速增长又是上海城市扩张的主要驱动力[60]。因此, 合理布局城市生产、生活与生态空间, 适度控制硬化地表规模与强度是有效降低城市人居环境风险的关键。为此, 上海市应高度重视中心城区硬化地表过度集中且成片分布的问题, 继续加强城市人口与生产企业向郊区的疏散与疏解, 同时加强老旧小区改造, 增加立体绿化、人工湿地等绿色基础设施, 并预留一定数量的应急避险用地, 以增强生态环境风险的应对能力; 此外, 要推进市域绿色空间格局的整体优化, 加强不同交通环线之间生态廊道的联系, 减弱硬化地表斑块空间聚集的负面效应, 促进城市内部热量、水文及其能量流的畅通循环, 从而整体增加城市生态韧性与环境安全。

图8 基于城市硬化地表与人口密度耦合的人居环境风险等级

Figure 8 Risk grades of human settlement based on impervious surface and population density

表6 上海城市硬化地表空间与人口分布的叠加分析

不过, 受遥感卫星成像时间、天气条件以及栅格单元大小的限制, 硬化地表提取精度可能存在一定误差。同时, 高分影像的地物判断与覆被信息提取尽管相对准确, 但是占用花费大量人力物力。Shao等[57]研究发现, 采用高分影像(GF–1)与Sentinel–1A融合得到的硬化地表要比单一影像提取的数据更精确, 因此, 未来研究可综合多种光学和卫星影像数据进一步验证本文提取的硬化地表信息结果。但是, 受益于高分卫星遥感技术的快速进步与成像数据源愈加丰富, 研究城市硬化地表自动化提取及其生态环境影响的时空动态分析将更加重要。此外, 虽然城市硬化地表集中地区的生态环境问题突出, 不过目前针对地表硬化的生态效应及其改造方法大多还停留在定性或简单定量化的阶段[50], 加强城市地表硬化生态效应的定量化监测评价, 关注城市地表硬化的复合生态效应及生态化改造的系统研究将是城市生态学的研究热点。

4.2 结论

该研究发现, 2017 年上海城市地表硬化率为45%, 但中心城区高达84%, 且连片集中分布。15个行政区中有2/3的地区硬化地表覆盖率高于平均值。在城市空间上硬化地表由内向外递减分布, 内环线以里硬化地表比例高达91%且集中连片, 郊区线以外硬化地表的破碎化和分离度指数较高。此外, 上海城市硬化地表集中分布于北部, 南北方向差距大, 但东西方向类似。整体来看, 上海城市硬化地表的空间差异化分布明显, 且与人口分布高度相关, 其生态环境风险威胁到1200万的城市人口, 因此应重点关注高度硬化地区的绿色基础设施布局与优化。

[1] 方创琳. 改革开放30 年来中国的城市化与城镇发展[J]. 经济地理, 2009, 29(1): 19–25.

[2] United Nations, Departments of economic and social affairs. 2018 revision of world urbanization prospects[R/OL]. [2018–05–16].https://www.un.org/development/desa/publications/2018-revision-of-world-urbanization-prospects.html.

[3] 方创琳. 改革开放40 年来中国城镇化与城市群取得的重要进展与展望[J]. 经济地理, 2018, 38(9): 1–9.

[4] HOWARD J. The nature and significance of anthropogenic soils[M]. Berlin: Anthropogenic Soils, Springer Interna­tional Publishing, 2017.

[5] 肖荣波, 欧阳志云, 蔡云楠, 等. 基于亚像元估测的城市硬化地表景观格局分析[J]. 生态学报, 2007, 27(8): 3189– 3197.

[6] ANSARI T A, KATPATAL Y B, VASUDEO A D. Spatial evaluation of impacts of increase in impervious surface area on SCS–CN and runoff in Nagpur urban watersheds, India[J]. Arabia Journal of Geosciences, 2016, 9(18): 702–717.

[7] 刘珍环, 李猷, 彭建. 城市不透水表面的水环境效应研究进展[J].地理科学进展, 2011, 30(3): 275–281.

[8] XU Hangqiu. Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface Index(NDISI)[J]. Photogrammetric Engineering and Remote Sensing, 2010, 76(5): 557–565.

[9] DENG shenglu, Weng Qihao. Use of impervious surface in urban land–use classification[J]. Remote Sensing of Environment, 2006, 102(1): 146–160.

[10] 李伟峰, 王轶. 城市硬化地表格局特征及尺度效应遥感研究[J]. 国土资源遥感, 2010,(1): 69–72.

[11] 周玄德, 郭华东, 孜比布拉·司马义. 城市扩张过程中不透水面空间格局演变及其对地表温度的影响——以乌鲁木齐市为例[J]. 生态学报, 2018, 38(20): 7336–7347.

[12] 于伟伟, 陈媛媛, 杨宁, 等. 硬化地表对不同树种土壤微生物群落结构和功能的影响[J]. 生态学报, 2019, 39(10): 3575–3585.

[13] TANYA S,UNGER H. Introductory Digital Image Processing: A Remote Sensing Perspective, Third Edition[J]. Environmental and Engineering Geoscience, 2007, 13(1):89–90.

[14] RIDD M K. Exploring a V–I–S (vegetation–impervious surface–soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities[J]. International Journal of Remote Sensing, 1995, 16(12): 2165–2185.

[15] BAUER M E, DOYLE J K, HEINERT N J. Impervious surface mapping using satellite remote sensing[J] Geoscience and Remote Sensing Symposium, 2002, 4: 2334–2336.

[16] WANG Panshi, HUANG Chengquan, ERIC B D C. Mapping 2000–2010 Impervious Surface Change in India Using Global Land Survey Landsat Data[J]. Remote Sensing, 2017, 9(4): 366–384.

[17] 岳玉娟, 周伟奇, 钱雨果, 等. 大尺度不透水面遥感估算方法比较——以京津唐为例[J]. 生态学报, 2015, 35(13): 4390–4397.

[18] 李伟峰, 欧阳志云, 陈求稳, 等. 基于遥感信息的北京硬化地表格局特征研究[J]. 遥感学报, 2008,12(4): 603–612.

[19] 刘珍环, 王仰麟, 彭建, 等. 基于不透水表面指数的城市地表覆被格局特征—— 以深圳市为例[J]. 地理学报, 2011, 66(7): 961–971.

[20] 聂芹, 陈明发, 李晖, 等. 厦门市不透水面的时空演变[J]. 遥感信息, 2019, 34(3): 99–106.

[21] 汪莹, 陆林, 黄剑锋, 等. 上海、东京城市化进程及动力因子比较研究[J]. 人文地理, 2017, 32(3): 77–85.

[22] 李莹莹, 黄成林, 张玉. 快速城市化背景下上海绿色空间景观格局梯度及其多样性时空动态特征分析[J]. 生态环境学报, 2016, 25(7): 1115–1124.

[23] 石忆邵. 中国“城市病”的测度指标体系及其实证分析[J]. 经济地理, 2014, 34(10): 1–6.

[24] 方创琳. 中国城市群研究取得的重要进展与未来发展方向. 地理学报, 2014, 69(8): 1130–1144.

[25] 岳文泽, 吴次芳. 基于混合光谱分解的城市不透水面分布估算[J]. 遥感学报, 2007, 11(6): 914–922.

[26] 岳文泽, 徐建华. 上海市人类活动对热环境的影响[J].地理学报,2008, 63(3):247–256.

[27] 刘文渊, 谢亚楠, 万智龙, 等. 不同地表参数变化的上海市热岛效应分析[J]. 遥感技术与应用. 2012, 27(5): 797–803.

[28] NIE Qin, XU Jianhua, LIU Zuhan. Fractal and multifractal characteristic of spatial pattern of urban impervious surfaces[J]. Earth Science Informatics, 2015, 8(2): 381–392.

[29] 徐艺扬, 李昆, 谢玉静, 等. 基于GIS的城市内涝影响因素及多元回归模型研究—— 以上海为例[J]. 复旦学报, 2018, 57(2): 182–198.

[30] 王美雅, 徐涵秋. 上海和纽约城市不透水面时空变化及其对生态质量影响的对比[J]. 应用生态学报, 2018, 29(11): 3735–3746.

[31] 钱敏蕾, 徐艺扬, 李响, 等. 上海市城市化进程中热环境响应的空间评价[J]. 中国环境科学, 2015, 35(2): 624–633.

[32] 上海市统计局. 2018年上海统计年鉴[R]. 北京: 中国统计出版社, 2018.

[33] 朱查松, 王德, 赵倩, 等. 上海市空间扩展与公路网规划的协调性研究[J]. 城市规划学刊, 2014, 214(1): 60–64.

[34] 潘轶铠, 常沛纹, 杜鹏程. 2009—2014年上海市高/快速路网运行特征分析[J]. 交通与运输, 2015, 31(2): 19–21.

[35] 岳文泽, 徐丽华. 城市土地利用类型及格局的热环境效应研究—— 以上海市中心城区为例[J]. 地理科学, 2007, 27(2): 243–248.

[36] 高翔伟, 戴咏梅, 韩玉洁, 等. 上海市森林生态连清体系监测布局与网络建设研究[M]. 北京: 中国林业出版社, 2016.

[37] WU Changshan, MURRAY A T. Estimating impervious surface distribution by spectral mixture analysis[J]. Remote Sensing of Environment, 2003, 84(4): 493–505.

[38] 李伟峰, 欧阳志云, 陈求稳, 等. 基于遥感信息的北京硬化地表格局特征研究[J]. 遥感学报, 2008, 12(4): 603–612.

[39] 朱明, 徐建刚, 李建龙, 等. 上海市景观格局梯度分析的空间幅度效应[J].生态学杂志, 2006, 25(10): 1214–1217.

[40] 李秀珍, 布仁仓, 常禹, 等. 景观格局指标对不同景观格局的反应[J]. 生态学报, 2004, 24(1): 123–134.

[41] 钟炜菁, 王德, 谢栋灿, 等. 上海市人口分布与空间活动的动态特征研究——基于手机信令数据的探索[J]. 地理研究, 2017, 36(5): 972–984.

[42] XU Hanqiu, LIN Dongfang, TANG Fei. The impact of impervious surface development on land surface temperature in a subtropical city: Xiamen, China[J]. International Journal of Climatology, 2013, 33(8): 1873–1883.

[43] KIM H, JEONG H, JEON J, et al. The impact of impervious surface on water quality and its threshold in Korea[J]. Water, 2016, 8(4): 111–120.

[44] WENG Qihao, HU Xuefei, LIU Hua. Estimating impervious surfaces using linear spectral mixture analysis with multitemporal ASTER images[J]. International Journal of Remote Sensings, 2009, 30(18): 4807–4830.

[45] LEPESKA T. The impact of impervious surfaces on ecohydrology and health in urban ecosystems of Banka Bystrica(slovakia)[J]. Soil and Water Research, 2016, 11(1): 29–36.

[46] 陈敏, 耿福海, 马雷鸣, 等. 近138年上海地区高温热浪事件分析[J]. 高原气象, 2013, 32(2): 597–607.

[47] 李海宏, 吴吉东. 2007—2016年上海市暴雨特征及其与内涝灾情关系分析[J].自然资源学报, 2018, 33(12): 2136–2148.

[48] XU Hanqiu, WANG Meiya, SHI Tingting, et al. Prediction of ecological effects of potential population and impervious surface increases using a remote sensing based on ecological index(RSEI) [J]. Ecological Indicator, 2018, 93: 730–740.

[49] 韩丹, 张文君, 李强, 等. 成都市不透水面扩张与生态环境质量变化的关系[J]. 西南科技大学学报, 2019, 3(4): 34–40.

[50] 赵丹. 城市地表硬化的复合生态效应及生态化改造方法[J].中国人口•资源与环境, 2016, 26(5): 213-217.

[51] YAN Yan, KUANG Wenghui, ZHANG Chi, et al. Impacts of impervious surface expansion on soil organic carbon–A spatially explicit study[J]. Scientific Reports, 2015, 5(17): 905–912.

[52] 赵坚. 城市交通及其塑造城市形态的功能——以北京市为例[J]. 城市问题, 2008(5): 2–6, 39.

[53] 孙杨, 谢曼平, 尚发美. 城市道路与空间格局演变研究——以西安市为例[J]. 城镇化与集约用地, 2019, 7(3): 87–97.

[54] 吴健. 上海城市空间布局调整的环境效应分析[J]. 中国人口•资源与环境, 2010, 20(3): 345–348.

[55] 俞龙生, 符以福, 俞怀义, 等. 快速城市化地区景观格局梯度动态及其城乡融合区特征——以广州市番禺区为例[J].应用生态学报, 2011, 22(1): 171–180.

[56] DU Shi qiang, SHI Peijun, VAN ROMPAEY, et al. Quantifying the impact of impervious surface location on flood peak discharge in urban areas[J]. Natural Hazards, 2015, 76(3): 1457–1471.

[57] SHAO Zhenfeng, FU Huyan, FU Peng, et al. Mapping urban impervious surface by fusing optical and SAR data at the decision level[J]. Remote Sensing, 2016, 8(11): 945–956.

[58] LU Dengsheng, HETRICK S, MORAN E. Impervious surface mapping with quickbird imagery[J]. International Journal of Remote Sensing, 2011, 32(9), 2519–2533.

[59] YANG Jian, HE Yuhong. Automated mapping of impervious surfaces in urban and suburban areas: Linear spectral unmixing of high spatial resolution imagery[J]. International Journal of Applied Earth Observations and Geoinformation. 2017, 54: 53–64.

[60] 邵鑫. 基于地理国情数据的上海市城区空间扩展分析评价[J]. 科技资讯, 2019, 17(24): 188–189.

Analysis on the spatial pattern of urban impervious surface in Shanghai

HAO Liang1,2, ZHANG Biao2,*, YAO Huarong1, XIE Zixia2,3, SHE Xinlu4

1. College of Earth Science and Resources, Chang'an University, Xi'an Shanxi 710054, China 2. Institute of Geographical Sciences and Natural Resources, Chinese Academy of Science, Beijing 100101, China 3. University of Chinese Academy of Sciences, Beijing 100049, China 4. Renmin University of China, Beijing 100872, China

Accompanied by the rapid expansion of urban size, the growing impervious surface caused more and more urban crisis, such as heat islands, waterlogging, air pollution, and so on. The impervious surface has become a critical monitor indicator on environmental issue in many large cities. This paper extracted the impervious surfaces in Shanghai by means of GF-2 Satellite Imagery data in 2017, and analyzed their characteristics at various scales and ecological risk. The results showed that, the area of urban impervious surface was 2100 km2in 2017 and covered 45% of the total urban area of Shanghai, whereas the impervious surface reached 84% and distributed in the central region. The area proportion of impervious surface in Jing'an District presented the highest (94%), with the most aggregated distribution, the lowest was in Jinshan District (30%), and the average percentage of impervious surface reached 66% and occurred in nearly 2/3 administrative region. The impervious surface gradually decreased from urban center to the outskirts. The area proportion of impervious surface in the inner ring road reached 91% and highly concentrated, whereas it was less than 29% and separately distributed beyond the suburban road. In addition, the abundant impervious surface concentrated in the northern region in Shanghai, and the area proportion of impervious surface exceeded 33% than that in the southern region, but there was little difference on impervious surface between the eastern and the western regions. Approximately 12 million citizens were living medium and high ecological risk in Shanghai. Therefore, the impervious surface in Shanghai generated obvious spatial heterogeneity, and we should pay attention to the ecological effect of impervious surface and the improvement on urban green infrastructure.

urbanization; impervious surface; spatial pattern; Shanghai

10.14108/j.cnki.1008-8873.2022.02.022

Q149

A

1008-8873(2022)02-184-10

2020-03-19;

2020-04-30

上海市环保科研项目(沪环科<2018>第2号)

郝亮(1995—), 男, 硕士, 主要从事城市生态学研究, E-mail: hl729442704@163.com

通信作者:张彪, 男, 博士, 副研究员, 主要从事生态服务功能与生态安全,zhangbiao@igsnrr.ac.cn

郝亮, 张彪, 姚华荣, 等. 基于高分影像的上海城市硬化地表空间格局分析[J]. 生态科学, 2022, 41(2): 184–193.

HAO Liang, ZHANG Biao, YAO Huarong, et al. Analysis on the spatial pattern of urban impervious surface in Shanghai[J]. Ecological Science, 2022, 41(2): 184–193.