許玲麗，顏梅春

(河海大學(xué)地球科學(xué)與工程學(xué)院，江蘇 南京 211100)

人口一直是城市發(fā)展的重要因素，精準(zhǔn)把握人口分布可為生態(tài)環(huán)境建設(shè)、社會經(jīng)濟(jì)政策制定和城市規(guī)劃提供重要參考[1]。目前傳統(tǒng)調(diào)查人口數(shù)據(jù)的方法效率低、周期長，調(diào)查結(jié)果時效性和空間性差[2]。隨著科技的發(fā)展，利用大數(shù)據(jù)和遙感技術(shù)探尋城市人口分布逐漸成為熱點,分別考慮城市燈光亮度、土地利用類型、交通發(fā)達(dá)程度、城市建筑類型和布局等，或嘗試集成多因素建立相關(guān)模型來構(gòu)建人口估算模型[3-6]。在利用多源數(shù)據(jù)進(jìn)行精細(xì)尺度的人口模擬，信息的綜合利用及適應(yīng)的尺度和方法等方面都有諸多問題亟待解決[2，7]。

夜間燈光數(shù)據(jù)能夠反映夜晚燈光強(qiáng)度、范圍、分布形狀，已經(jīng)廣泛應(yīng)用在城市建成區(qū)提取[8]、城市GDP模擬[9]、人口預(yù)估、經(jīng)濟(jì)發(fā)展[10]、城市景觀格局分析[11]等方面。如文獻(xiàn)[12]基于Landsat 8數(shù)據(jù)和夜間燈光數(shù)據(jù)DMSP/OLS，提取鬼城指數(shù)來構(gòu)建不同指數(shù)級別人口空間模型；文獻(xiàn)[5，13]利用土地分類數(shù)據(jù)和夜間燈光數(shù)據(jù)DMSP/OLS對人口空間化模型進(jìn)行優(yōu)化；文獻(xiàn)[14]在1996年率先提出對DMSP的夜間燈光數(shù)據(jù)與人口、GDP和耗電數(shù)據(jù)的空間關(guān)系進(jìn)行分析研究，得出燈光數(shù)據(jù)與人類活動有著很強(qiáng)的相關(guān)性。與DMSP/OLS夜間燈光數(shù)據(jù)相比，新一代NPP/VIIRS燈光數(shù)據(jù)具有更高的時空分辨率，在城市人口、經(jīng)濟(jì)、社會生活中起著很大的作用[15-16]。但該數(shù)據(jù)獲取的時間偏晚，不能完全反映區(qū)域人口活動狀況。因此，利用夜間燈光數(shù)據(jù)結(jié)合其他信息可以更客觀準(zhǔn)確地進(jìn)行城市人口估算模擬。

國內(nèi)外有許多基于夜間燈光遙感影像研究人口密度或人口分布的，多數(shù)是基于土地利用分類數(shù)據(jù)進(jìn)行估算；也有將夜間燈光數(shù)據(jù)與其他因素的因子結(jié)合分析的，但基本上都是基于區(qū)縣級以上尺度的研究，對于其內(nèi)部各區(qū)域的差異考慮較少。不同區(qū)域其開發(fā)程度不同導(dǎo)致經(jīng)濟(jì)發(fā)展情況不同，人口分布狀況也不同，因此估算的模型也不同。如今是大數(shù)據(jù)時代，網(wǎng)絡(luò)媒體數(shù)據(jù)極其豐富，商貿(mào)、服務(wù)行業(yè)的數(shù)量和分布更是人口分布的側(cè)影，對人口估算有很重要的影響。基于以上原因，本文研究擬從城市的3個尺度，即市級、市郊級和城市化度的層面，以南京市街道級行政區(qū)的人口密度和人口總量為基本單元對象，探討新一代NPP/VIIRS夜間燈光數(shù)據(jù)、IBI指數(shù)和POI數(shù)據(jù)在人口估算中的作用，以及其影響程度和模型，以拓展城市人口估算的廣度和深度。

1 研究區(qū)與數(shù)據(jù)預(yù)處理

1.1 研究區(qū)域概況

南京市地處長江三角洲地區(qū)，是我國東部沿海經(jīng)濟(jì)帶與長江經(jīng)濟(jì)帶戰(zhàn)略交匯的重要節(jié)點城市，轄玄武、秦淮、建鄴、鼓樓、雨花臺、棲霞、江寧、浦口、六合、溧水、高淳11個區(qū)，共有83個街道、17個鎮(zhèn)，全市行政區(qū)域面積6 587.02 km2，2016年末全市常住人口總量827萬人，人口分布具有典型性。

1.2 數(shù)據(jù)來源與預(yù)處理

數(shù)據(jù)包括：國家基礎(chǔ)地理信息中心的南京市行政邊界圖；南京市2010年人口普查數(shù)據(jù)(以街道為單元)；2017年大眾點評網(wǎng)南京市共37 726個餐飲商家POI數(shù)據(jù)。

采用來自地理數(shù)據(jù)空間云的Landsat 8數(shù)據(jù)(2017.10)，對Landsat 8影像進(jìn)行數(shù)據(jù)預(yù)處理(如大氣校正、輻射校正和GS(gram-schmidt pan sharpening)方法波段融合)，得到15 m分辨率的多光譜數(shù)據(jù)作最大似然法分類(5類)以備輔助參考。利用NOAA官網(wǎng)的2017年NPP/VIIRS數(shù)據(jù)進(jìn)行噪聲濾除剔除異常值[17]。南京市的POI、土地利用和夜間燈光分布基本情況如圖1所示。

2 研究方法

首先提取建筑用地IBI指數(shù)，用IBI指數(shù)設(shè)置閾值劃分市郊,然后根據(jù)人口密度進(jìn)行城市化度分級，最后利用不同數(shù)據(jù)源及組合分別進(jìn)行市級、市郊級和城市化度級3個層面尺度的多種關(guān)系模擬。具體過程如下。

2.1 建筑用地指數(shù)IBI提取

城市的土地利用程度，尤其是城市建成區(qū)的建筑用地占比反映了人口聚集程度[5，13，18]。IBI指數(shù)是近些年廣泛使用的，用于提取城市建筑用地范圍[19-20]的建筑用地指數(shù)，其計算方法參見文獻(xiàn)[20]。通過Landsat 8的OLI數(shù)據(jù)計算IBI指數(shù)，水體值的范圍為0～0.5，植被為0.5～0.6,建成區(qū)為0.6～1。將提取的IBI指數(shù)柵格圖分別與南京市遙感影像圖、土地利用分類圖疊加，契合度好，表明IBI指數(shù)提取的城市建筑區(qū)精度較高，適用性強(qiáng)，但無法區(qū)別建筑用地是城市還是鄉(xiāng)村[20]，因此需要進(jìn)行后續(xù)處理。

2.2 基于小面元過濾的市郊劃分

區(qū)域開發(fā)和發(fā)展通常是集中連片的，在IBI建筑用地圖像中，連片大面積區(qū)域為開發(fā)程度高的城市市區(qū)范圍，碎小區(qū)域或呈點狀分布的區(qū)域為開發(fā)、發(fā)展水平低的農(nóng)區(qū)或郊區(qū)范圍[20]。進(jìn)行市郊分級，使用小面元過濾的方法：首先，將建筑用地IBI二值化；其次，運(yùn)用八鄰域算法進(jìn)行鄰域聚類，去除區(qū)域圖層中的碎小面積的斑點、斑塊，得到若干平滑獨(dú)立的小面元，即連通斑塊的像元數(shù)；最后，采用ENVI中的過濾工具(Sieve Classes)，設(shè)置過濾閾值范圍。南京市發(fā)展水平較高，開發(fā)區(qū)域分布范圍廣，過濾面元的閾值設(shè)置較大才能得到較明顯的城市分級，7001為建成區(qū)閾值，1001為郊區(qū)閾值。

2.3 街道城市化程度劃分

由于市內(nèi)夜間燈光輻射值方差大，因此有必要對建成區(qū)進(jìn)行城市化度分級分析。人口密度是城市化程度的主要體現(xiàn)，本文按照人口密度進(jìn)行城市化程度分級。結(jié)合文獻(xiàn)[21—22]，對南京市100個鄉(xiāng)鎮(zhèn)、街道按照人口密度將其分為3個等級，0～2000人/km2為第三等級低度城市化區(qū)、2000～10 000人/km2為第二等級中度城市化區(qū)、10 000 人/km2及以上為第一等級高度城市化區(qū)。低度城市化區(qū)主要分布于南京市周邊地區(qū)，有大范圍的農(nóng)田，開發(fā)較晚或未開發(fā)。中度城市化區(qū)集中于居民區(qū)，人口密度和燈光強(qiáng)度中等，不會有燈光值突增或極值的情況。高度城市化區(qū)在建成區(qū)核心范圍內(nèi)，建筑組團(tuán)復(fù)雜，商業(yè)活動點集中且遍布于居民區(qū)，人口密度和燈光強(qiáng)度最大且燈光有疊加。

2.4 回歸分析

結(jié)合POI數(shù)據(jù)、IBI指數(shù)和NPP/VIIRS數(shù)據(jù)3個指標(biāo)，與人口數(shù)據(jù)進(jìn)行單因素及多因素的線性、冪、指數(shù)和對數(shù)函數(shù)模擬，探求不同因素與人口總量和人口密度間的相關(guān)性，同種因素與人口總量和人口密度間不同函數(shù)關(guān)系的確定性系數(shù)，構(gòu)建人口模擬模型POPi={IBIi,Ni,Pi}，其中，i為街道，POP為人口總量，IBI為建筑指數(shù)，N為燈光總值，P為餐飲商家數(shù)據(jù)。

3 結(jié)果與分析

3.1 單因素的相關(guān)性分析

統(tǒng)計不同因素的總值與人口總量、均值與人口密度關(guān)系，得到不同函數(shù)回歸模型確定性系數(shù)最佳的結(jié)果，見表1。

表1基于南京市數(shù)據(jù)的回歸分析統(tǒng)計(t表示總量，a表示密度或均值)

因素關(guān)系模型R2Pty=89.476x+473870.65POPIBIty=1.1115x+659100.06Nty=9.5153x+582150.21Pay=691.1x0.69350.87POPaIBIay=155.57e9.7158x0.81Nay=413.38e0.1032x0.77

由表1可見，采用平均值進(jìn)行回歸分析得到的確定性系數(shù)R2普遍大于采用人口總數(shù)進(jìn)行回歸得到的R2，說明各自變量的平均值或“密度”與人口密度的相關(guān)性更強(qiáng)，因為密度更能體現(xiàn)資源分配和利用狀況，總量具有模糊性；從單因素來看，餐廳和商家數(shù)量最能體現(xiàn)人口數(shù)量和人口密度，因為民以食為天。對于變量是平均值(如餐廳商家分布密度)的，線性關(guān)系都不是最合適的，人口密度和POI指數(shù)是冪函數(shù)，R2為0.87，與IBI指數(shù)和NPP/VIIRS均值是指數(shù)函數(shù)，R2分別為0.81和0.77，因為社會經(jīng)濟(jì)活動具有競爭、盲目、隨機(jī)性和不確定性。

3.2 基于市郊分級的人口模擬

結(jié)合IBI指數(shù)通過ENVI中的小面元過濾的方法，得到市區(qū)街道共80個，郊區(qū)街道共20個。分別統(tǒng)計市區(qū)、郊區(qū)人口與燈光數(shù)據(jù)，并計算不同區(qū)域夜間燈光數(shù)據(jù)的標(biāo)準(zhǔn)差，輔助分析不同區(qū)域內(nèi)的燈光值的差異，得到人口密度與燈光平均值的函數(shù)關(guān)系，如圖2所示。市區(qū)的指數(shù)函數(shù)模型最優(yōu)，R2為0.7，郊區(qū)線性函數(shù)最優(yōu)，R2為0.86。

由圖2可見，建成區(qū)(市區(qū))在人口密度較小的區(qū)域分布緊湊，隨著人口密度增大，數(shù)據(jù)點開始分散。郊區(qū)街道燈光標(biāo)準(zhǔn)差在1以下，該域內(nèi)燈光強(qiáng)度分布較均勻，除江心洲和長蘆2個街道外，數(shù)據(jù)分布于回歸線兩側(cè)，燈光亮度小且分布緊湊，線性回歸相關(guān)性系數(shù)高達(dá)0.86。郊區(qū)的人口密度(線性回歸)效果優(yōu)于建成區(qū)的人口密度(指數(shù)函數(shù))，主要由于建成區(qū)高樓林立，燈光疊加飽和，夜燈數(shù)據(jù)無法傳遞實際的燈光數(shù)量造成的。

3.3 基于城市化程度分級的人口模擬

分別對研究區(qū)內(nèi)各級城市化度的街道數(shù)據(jù)進(jìn)行模擬建模，選擇最優(yōu)的結(jié)果，見表2。

表2 基于人口密度分級數(shù)據(jù)的分析統(tǒng)計(t和a的含義同表1，數(shù)字表示等級)

由表2可知，第一等級即高度城市化區(qū)域，各模型的確定性系數(shù)均在0.3左右，與人口數(shù)據(jù)的模擬效果都很差，原因是由燈光飽和、人口的高度集中和商業(yè)集聚效應(yīng)導(dǎo)致；第二等級即中度城市化區(qū)域內(nèi)，基于總數(shù)據(jù)量的模擬效果更加顯著，各種模型的R2均在0.8以上，相關(guān)性非常強(qiáng)，原因是城市居住區(qū)的人口和設(shè)施基本配套且均勻分布；第三等級即低度城市化區(qū)域內(nèi)，基于總數(shù)據(jù)量的模擬效果都比較差，相較而言，基于平均值數(shù)據(jù)的回歸效果較好，相關(guān)性基本在0.5～0.65之間，因為人口和產(chǎn)業(yè)都稀疏更容易造成空間上的不對等。其中，POI的密度對人口密度的響應(yīng)程度較高，相關(guān)性更強(qiáng)，原因同前。

不同因素與人口的模型效果都有影響，故綜合建立三者與人口數(shù)量的多元關(guān)系模型，只有二級的人口密度綜合模型沒有通過0.001顯著性檢驗。由表1、表2可知，二三級總數(shù)據(jù)、三級平均數(shù)據(jù)的多元線性回歸效果都在可接受范圍內(nèi)，人口總數(shù)據(jù)在高度城市化街道的最佳對數(shù)模型的R2為0.49，中度的線性R2為0.91，低度的線性R2為0.78。說明中度城市化的區(qū)域只利用單因素也可以較好地估算人口，多因素更好，高度城市化區(qū)域的人口模擬最復(fù)雜，仍然面臨困難。

城市中心人口密集，商業(yè)活動頻繁，人口流動量大，受影響因素較多，本文只分析夜燈數(shù)據(jù)、餐飲店鋪數(shù)據(jù)、建筑用地指數(shù)的相關(guān)性，未考慮其他主觀和不確定因素。人口統(tǒng)計數(shù)據(jù)是2010年的,與2017年的多源數(shù)據(jù)存在時間上的出入，但是城市、居住區(qū)變化很小，因此對市區(qū)、高度和中度城市化區(qū)域的結(jié)果和結(jié)論基本不受影響。

4 結(jié) 論

本文以遙感IBI指數(shù)、NPP/VIIRS數(shù)據(jù)和POI數(shù)據(jù)作為人口響應(yīng)變量，對南京市作一元線性、指數(shù)、對數(shù)、冪函數(shù)4個模型模擬，根據(jù)街道城市化分級、城市和郊區(qū)分層分析。結(jié)論如下：

(1) 市級。單因素回歸分析模型中，3個變量基于平均值的冪函數(shù)模型最佳，且POI>IBI>NPP/VIIRS。因此，適于建立餐廳商家分布密度數(shù)據(jù)冪函數(shù)一元回歸方程估算南京市人口密度。

(2) 城市化程度。中度城市化區(qū)域人口模擬效果最好，不同函數(shù)模型效果相近，且IBI指數(shù)最佳；城市化程度低的區(qū)域適合基于平均值數(shù)據(jù)的建模；城市化程度高的區(qū)域不適合作此分析。

(3) 綜合考慮多元線性回歸分析中的擬合優(yōu)度值、方差分析和顯著性，可以得到城市化程度高區(qū)域適合采用多元對數(shù)函數(shù)回歸模型估算人口密度；城市化程度中等區(qū)域適合采用模型的可選范圍較廣，不同函數(shù)的回歸模型都較適合，線性模型最佳；城市化程度較低的區(qū)域適合采用多元線性回歸模型。