鄭子豪,吳志峰,陳穎彪,楊智威,Francesco Marinello

1 廣州大學(xué)地理科學(xué)與遙感學(xué)院,廣州 510006 2 帕多瓦大學(xué)土地環(huán)境農(nóng)林學(xué)部,意大利 帕多瓦 35020 3 南方海洋科學(xué)與工程廣東省實驗室,廣州 511458

隨著全球城市化的持續(xù)推進(jìn),當(dāng)前城市間的發(fā)展和競爭不再僅僅局限于單個城市,而越來越多的呈現(xiàn)出“一超多強(qiáng)”的城市群競爭發(fā)展模式。作為城市發(fā)展的最高空間組織形式,城市群通過依托區(qū)域內(nèi)完善的交通、通信等基礎(chǔ)設(shè)施網(wǎng)絡(luò),有效的將區(qū)域內(nèi)多個城市聚集并形成空間組織緊湊、經(jīng)濟(jì)聯(lián)系密切的城市“集合體”。目前,城市群已經(jīng)成為了中國經(jīng)濟(jì)高速發(fā)展的核心引擎,其中長三角、珠三角和京津冀組成的三大城市群的GDP占比已經(jīng)超過了40%[1]。然而,隨著城市群經(jīng)濟(jì)高速發(fā)展、城市化持續(xù)推進(jìn),地區(qū)人類活動強(qiáng)度不斷上升(建設(shè)用地擴(kuò)張[2- 5]、熱島效應(yīng)[6- 8]、大氣污染[9- 10]等),致使自然和生態(tài)環(huán)境面臨極大的壓力。在城市化和生態(tài)環(huán)境相互作用的過程中,一方面高強(qiáng)度的城市化勢必會干擾甚至破壞地區(qū)生態(tài)環(huán)境,而另一方面生態(tài)環(huán)境的惡化反過來又會制約城市化和可持續(xù)發(fā)展。

城市化和生態(tài)環(huán)境在地區(qū)發(fā)展過程中的特征和矛盾已經(jīng)引起了諸多學(xué)者的關(guān)注。其中,方創(chuàng)琳等[11]從理論層面分析了城市群系統(tǒng)內(nèi)自然要素和人文要素間的交互耦合特征,并構(gòu)建了時空耦合動力學(xué)模型。魏璐瑤等[12]基于統(tǒng)計面板數(shù)據(jù),從多個維度構(gòu)建了耦合協(xié)調(diào)度模型并對哈長城市群的城市績效與生態(tài)環(huán)境進(jìn)行了耦合分析。梁龍武等[13]選取京津冀城市群為研究對象,基于系統(tǒng)指數(shù)評估模型和耦合協(xié)調(diào)度模型對城市化和生態(tài)環(huán)境系統(tǒng)進(jìn)行定量評估和協(xié)同判定。任亞文等[14]立足“人-地耦合”視角并基于社會經(jīng)濟(jì)統(tǒng)計數(shù)據(jù)構(gòu)建指標(biāo)體系,定量評估了長江經(jīng)濟(jì)帶城鎮(zhèn)化與生態(tài)環(huán)境的耦合關(guān)系?？傮w上,上述城市化和生態(tài)環(huán)境的耦合協(xié)調(diào)分析多基于面板統(tǒng)計數(shù)據(jù)而缺乏詳細(xì)的空間信息,在一定程度上不利于研究的進(jìn)一步細(xì)化。

近年來,傳感器、物聯(lián)網(wǎng)和遙感技術(shù)的發(fā)展以及計算機(jī)處理水平的提高,為地區(qū)城市化和生態(tài)環(huán)境監(jiān)測、評估提供了技術(shù)支撐。其中,遙感技術(shù)具有覆蓋面廣、空間和時間尺度多樣、光譜信息豐富、觀測靈活及數(shù)據(jù)獲取方便等優(yōu)勢,已成為地理環(huán)境監(jiān)測(土地利用/覆被變化[15- 17]、植被變化[18- 19]、熱島監(jiān)測[20- 21]等)和城市化分析(GDP[22- 23],人口[24- 25],電力[26]等)的重要手段?？紤]到日間光學(xué)遙感和夜間燈光遙感在揭示生態(tài)環(huán)境狀況和城市化特征方面的各自優(yōu)勢,學(xué)者們開始嘗試整合2種類型的遙感數(shù)據(jù)開展城市化和生態(tài)環(huán)境的耦合研究。例如,李景剛等[27]利用DMSP/OLS夜間燈光數(shù)據(jù)和SPOT/VGT數(shù)據(jù)探索了環(huán)渤海城市群城市化對植被初級生產(chǎn)力的季節(jié)性變化影響。劉焱序等[28]基于夜間燈光數(shù)據(jù)和凈初級生產(chǎn)力價值量探索了晉陜蒙能源區(qū)城鎮(zhèn)化過程與動態(tài)強(qiáng)度對生態(tài)環(huán)境的影響。然而,上述研究中的生態(tài)環(huán)境分析多局限于單一的生態(tài)指標(biāo),無法反映地區(qū)的綜合生態(tài)狀況。

相較于傳統(tǒng)的單一遙感指數(shù)的生態(tài)評價,由徐涵秋提出的完全基于遙感信息的生態(tài)環(huán)境指數(shù)(RSEI)通過集成多種指標(biāo)因素,能夠快速的實現(xiàn)區(qū)域生態(tài)環(huán)境綜合評估[29- 31]。該指數(shù)通過整合綠度、濕度、熱度、干度四個生態(tài)指標(biāo)來綜合反映區(qū)域生態(tài)環(huán)境,并通過主成分變換實現(xiàn)多維指標(biāo)的聚合克服了單一指標(biāo)的不足。實際上,廖李紅等[32]也基于DMSP/OLS夜間燈光數(shù)據(jù)和Landsat系列數(shù)據(jù)構(gòu)建了燈光指數(shù)和RSEI,對晉江市的生態(tài)環(huán)境和城市化進(jìn)行了小范圍耦合分析,進(jìn)一步拓展了RSEI的應(yīng)用場景。

作為中國經(jīng)濟(jì)最活躍、開放程度最高的地區(qū),長三角城市群在國家現(xiàn)代化建設(shè)和全方位改革開放中占據(jù)戰(zhàn)略地位。黨的十八大以來,長三角城市群的一體化發(fā)展成效顯著,已經(jīng)成為中國城市化最典型的區(qū)域。高速城市化發(fā)展的背后,地區(qū)生態(tài)環(huán)境狀況面臨的壓力也日愈嚴(yán)峻。保持長三角城市群高速、高質(zhì)量推進(jìn)城市化的同時,注重地區(qū)生態(tài)環(huán)境保護(hù),實現(xiàn)經(jīng)濟(jì)發(fā)展與環(huán)境協(xié)調(diào)已經(jīng)成為城市群建設(shè)中亟需解決的關(guān)鍵問題。鑒于此,本文以長三角城市群為研究區(qū),利用MODIS數(shù)據(jù)和夜間燈光數(shù)據(jù),基于Google Earth Engine平臺分別建立城市群燈光指數(shù)和生態(tài)環(huán)境指數(shù),分析并探索過去20年間長三角城市群生態(tài)環(huán)境、城市化的變化特征及其耦合水平。研究可以為協(xié)調(diào)城市群環(huán)境承載力與社會經(jīng)濟(jì)發(fā)展的關(guān)系、促進(jìn)長三角城市群可持續(xù)發(fā)展提供數(shù)據(jù)支撐和理論建議。

1 研究區(qū)和數(shù)據(jù)來源

1.1 研究區(qū)概況

長江三角洲城市群位于長江下游地區(qū),瀕臨黃海與東海,地處江海交匯之地,沿江沿海港口眾多。根據(jù)2019年長江三角洲區(qū)域一體化發(fā)展規(guī)劃綱要,規(guī)劃范圍正式定為蘇、浙、皖、滬三省一市的全部區(qū)域[33]。當(dāng)前,長三角城市群包括了上海市、安徽省16個地級市、江蘇省13個地級市和浙江省11個地級市,共計41個城市(圖1)。因此,現(xiàn)階段長三角城市群的面積遠(yuǎn)遠(yuǎn)超過了以往任何時期,達(dá)到了35.9萬km2,常住人口達(dá)到了約2.3億人,占全國總?cè)丝诘?6.22%。

圖1 研究區(qū)區(qū)位圖Fig.1 The location map of study area

1.2 數(shù)據(jù)來源

1.2.1MODIS影像數(shù)據(jù)

構(gòu)建RSEI涉及4個生態(tài)分量,分別是綠度、濕度、熱度和干燥度,因此本文根據(jù)這4個分量從MODIS產(chǎn)品庫中選擇對應(yīng)的標(biāo)準(zhǔn)產(chǎn)品作為數(shù)據(jù)源。USGS下屬的NASA Land Processes Distributed Active Archive Center (LPDAAC) Collections在1B級數(shù)據(jù)的基礎(chǔ)上提供了針對不同應(yīng)用場景的標(biāo)準(zhǔn)數(shù)據(jù)產(chǎn)品,包括：Land Surface Reflectance,Land Surface Temp and Emiss,Vegetation Indices,其中：

綠度分量提取自Vegetation Indices產(chǎn)品中的MOD13A1 V6影像集。該影像以500m的空間分辨率提供每個像素位置的植被指數(shù)(VI)并使用16天內(nèi)的最優(yōu)像素進(jìn)行合成。熱度分量提取自Land Surface Temp and Emiss產(chǎn)品中的MOD11A2 V6影像集。MOD11A2 V6影像提供了1km空間分辨率的8天平均陸面溫度[34]。此外,該產(chǎn)品從2級和3級地表溫度產(chǎn)品中刪除了受云層污染的像素以提升數(shù)據(jù)質(zhì)量。濕度和干燥度分量則來源于Land Surface Reflectance產(chǎn)品中的MOD09A1影像集。MOD09A1 V6影像提供了針對大氣條件(如氣體,氣溶膠和瑞利散射)校正的Terra MODIS波段1至7的表面光譜反射率估計值,對于每個像素,該產(chǎn)品以8天為周期進(jìn)行像素合成。

1.2.2夜間燈光數(shù)據(jù)

得益于近年來傳感器技術(shù)的快速發(fā)展,使得觀測地表動力學(xué)變化的窗口越來越豐富。其中,OLS和VIIRS為代表的夜間微弱燈光探測傳感器的出現(xiàn)為開展人類活動強(qiáng)度的研究提供了新的關(guān)鍵手段。本文在研究期間內(nèi)分別選取了2000,2005,2010,2015和2019共計5年進(jìn)行人類活動對生態(tài)環(huán)境影響分析?？紤]到燈光數(shù)據(jù)的時間跨度,2000,2005和2010年的燈光數(shù)據(jù)來源于DMSP/OLS的Stable Light (STL),而2015和2019年的燈光數(shù)據(jù)則來源于Suomi NPP/VIIRS Cloud Mask (VCM)。STL是1992年至2013年期間由六顆衛(wèi)星組成的年度無云觀測數(shù)據(jù)的組合。VCM數(shù)據(jù)集提供了Day/Night Band的月平均值,并排除了雜散光,閃電,月球照明和云層影響。為了降低數(shù)據(jù)本身存在的誤差,本文對多期月均VCM數(shù)據(jù)進(jìn)行了均值合成并將其與STL進(jìn)行必要的重采樣和投影。

2 研究方法

2.1 RSEI的構(gòu)建

RSEI被定義為綠度分量、濕度、熱度分量和干度分量的函數(shù),即：

RSEI=f(Greeness,Wetness,Heat,Dryness)

(1)

式中,Greeness為綠度指標(biāo),本文采用了MOD13A1中的NDVI指數(shù)。Heat是熱度分量,本文使用MOD11A2的Daytime Land Surface Temperature (DLST)進(jìn)行表征。Wetness和Dryness則分別是濕度分量和干度分量。其中,濕度分量使用多光譜影像經(jīng)纓帽變換后的第三分量進(jìn)行表征[35-36],干度分量則利用Hu和Xu構(gòu)建的Normalized Difference Built-up and Soil Index (NDBSI)來刻畫[37]?；贛ODIS數(shù)據(jù)計算得到4個生態(tài)分量后,使用主成分分析(Principal Components Analysis,PCA)來實現(xiàn)多指標(biāo)的合成以避免人為主觀因素在權(quán)重設(shè)定過程中的偏差[29]。由于以上4個分量的量綱不統(tǒng)一,需要將上述指標(biāo)進(jìn)行正規(guī)化再進(jìn)行PCA運(yùn)算并以第一主成分(PC1)來構(gòu)建RSEI。此外,為了利于研究期內(nèi)的橫向比較,還需再次將PC1值進(jìn)行標(biāo)準(zhǔn)化處理。

2.2 燈光數(shù)據(jù)的校準(zhǔn)及指數(shù)構(gòu)建

2.2.1燈光數(shù)據(jù)的校準(zhǔn)

就像先前學(xué)者指出的那樣,DMSP/OLS的燈光數(shù)據(jù)在整個時間跨度內(nèi)由6顆不同衛(wèi)星獲取,這就導(dǎo)致燈光數(shù)據(jù)會因為傳感器差異和傳感器自身性能衰退產(chǎn)生兩個顯著的“異?！保?)同一傳感器在連續(xù)的時間序列上呈現(xiàn)波動異常；2)同一年份,來自不同衛(wèi)星傳感器的影像出現(xiàn)漂移[38]。上述這兩種異常極大的限制了DMSP/OLS燈光數(shù)據(jù)在時間序列分析上的應(yīng)用精度,并引起了諸多學(xué)者的關(guān)注。為了修復(fù)DMSP/OLS燈光數(shù)據(jù)的異常,本文使用了一種基于像素本身波動特征偽不變目標(biāo)校準(zhǔn)模型(PBPIF)[38]以獲取研究區(qū)的2000,2005和2010年的校準(zhǔn)燈光數(shù)據(jù)。

由于2015和2019年的燈光數(shù)據(jù)來源于VIIRS VCM數(shù)據(jù)集,因此同前三年燈光數(shù)據(jù)在時間維度上存在著不一致性和不可比性,無法直接應(yīng)用于本文的研究。為了實現(xiàn)VCM數(shù)據(jù)和STL數(shù)據(jù)的對齊,本文使用了Li等[39]提出的校準(zhǔn)模型,將研究區(qū)的VCM數(shù)據(jù)合成為與STL相一致的模擬燈光數(shù)據(jù),并在此基礎(chǔ)上利用低通高斯濾波進(jìn)行噪聲消除,實現(xiàn)燈光數(shù)據(jù)的匹配[40]。

2.2.2燈光指數(shù)的構(gòu)建

基于校準(zhǔn)、對齊后的夜間燈光影像,本文構(gòu)建了綜合夜間燈光指數(shù)(CNLI)來反映地區(qū)城市化水平和地表人類活動強(qiáng)度。該指數(shù)在陳晉等[41]人的研究中被充分證實與中國的城市化復(fù)合指標(biāo)之間存在顯著的相關(guān)性,能夠在較大區(qū)域上實現(xiàn)多年的城市化信息提取。CNLI被定義為某一地區(qū)燈光面積占比(LAP)和平均燈光強(qiáng)度(MLI)的乘積,其公式為：

CNLI=LAP×MLI

(2)

(3)

(4)

式中,Arealight代表燈光區(qū)域的面積,Area則為區(qū)域的總面積；DNi是燈光像元的灰度值,Ci是燈光值為DNi的像元數(shù)量。

2.3 耦合協(xié)調(diào)距離模型

為了定量評估長三角城市群內(nèi)部城市化水平與生態(tài)環(huán)境的耦合協(xié)調(diào)性,本文在借鑒已有耦合度模型[42- 44]的基礎(chǔ)上提出了一種二維平面的耦合模型。圖2描繪的是已有的雙系統(tǒng)耦合模型函數(shù),該函數(shù)中Z值被用于定量刻畫變量間耦合度。為了降低模型函數(shù)的維度,本文基于函數(shù)在“X-Y”平面的映射構(gòu)建了耦合協(xié)調(diào)距離模型。該模型以城市CNLI為橫坐標(biāo),RSEI為縱坐標(biāo),繪制 “城市化—環(huán)境”坐標(biāo)點。與傳統(tǒng)耦合模型類比可以發(fā)現(xiàn),當(dāng)城市的城市化水平和生態(tài)環(huán)境協(xié)調(diào)耦合程度越高,則“城市化—環(huán)境”坐標(biāo)點將越接近“1∶1”對角線。因此,城市的“城市化—環(huán)境”坐標(biāo)點與坐標(biāo)系對角線的距離越小,則耦合程度越高。圖2中,城市B較城市A而言,dB1

(5)

式中,xi,yi分別為“城市化—環(huán)境”坐標(biāo)點的橫、縱坐標(biāo),即歸一化后的CNLI指數(shù)和RSEI指數(shù)；di為城市i的耦合協(xié)調(diào)距離,di越小,則該城市i的城市化水平與生態(tài)環(huán)境狀況的耦合協(xié)調(diào)度越高。

2.4 Google Earth Engine云平臺

Google Earth Engine(GEE)是一個基于云的行星級地理空間分析平臺,它使Google的巨大計算能力能夠應(yīng)對各種高影響的社會、環(huán)境問題[45]。GEE在云端托管了數(shù)Petabytes (PB) 級別的空間數(shù)據(jù),包括了Landsat系列、MODIS系列、Sentinel系列等,每天都有超過6000多個場景從正在執(zhí)行的衛(wèi)星任務(wù)中擴(kuò)充。得益于GEE強(qiáng)大算力和云端數(shù)據(jù)存儲的特征,近年來,基于GEE平臺的大尺度環(huán)境監(jiān)測研究正在不斷開展[46-48]。由于本研究涉及41個城市近20年的生態(tài)環(huán)境和城市化特征提取分析,使用傳統(tǒng)本地方案在數(shù)據(jù)獲取和預(yù)處理上將耗費(fèi)大量的時間和精力。考慮到GEE平臺在算力和即時性等方面的獨特優(yōu)勢,本文將數(shù)據(jù)篩選與指數(shù)計算部署到GEE平臺(完整代碼鏈接：https://code.earthengine.google.com/2701350df44d755c7b431201ba93b6c4)。

3 結(jié)果分析

3.1 長三角城市群的RSEI及變化

根據(jù)2.1中RSEI的計算公式,本文以5年為間隔,對2000年至2019年長三角城市群的RSEI進(jìn)行了定量反演。以2019年為例,研究區(qū)城市群整體和內(nèi)部核心城市的主成分分析指標(biāo)結(jié)果(表1)表明：1)城市群整體和核心城市的PC1的特征值貢獻(xiàn)率均達(dá)到了60%,能夠集中指標(biāo)的大部分特征；2)與城市尺度相比,城市群尺度的PC1特征值貢獻(xiàn)率并未出現(xiàn)明顯的下降,表明RSEI指數(shù)能夠適用于中等尺度的分析。

表1 2019年長三角城市群及部分城市主成分分析指標(biāo)

表2則列出了研究區(qū)整體和分省(直轄市)的RSEI均值,可以看出：1)過去近20年間,長三角城市群的RSEI呈現(xiàn)出較為穩(wěn)定的增長趨勢,RSEI由2000年的0.54上升至2019年的0.64,漲幅約為18.5%；2)省級單元下的RSEI均值變化存在一定的差異性,其中江蘇省的RSEI在研究期間內(nèi)呈較為穩(wěn)定的上升趨勢(漲幅為23%),安徽省在2010年前的漲幅較為明顯,2010年后則維持在相對穩(wěn)定的水平(20.8%),浙江省和上海市的RSEI均值則呈現(xiàn)“先降后升”的波動特征,漲幅低于研究區(qū)整體平均水平,分別為12.7%和5.2%。

表2 長三角城市群整體和各省級(直轄市)單元的RSEI均值及其變化

圖3是長三角城市群不同年份的RSEI反演結(jié)果,可以看出,長三角城市群的RSEI在分布上呈現(xiàn)出明顯的空間異質(zhì)性。2000年,低RSEI均值的城市共有4個,均位于安徽省境內(nèi),包括：淮北、阜陽、宿州和亳州；較低RSEI均值的城市單元共有10個,主要位于安徽省中北部(5個)和江蘇省的西北部(5個)； 高RSEI均值城市共有17個,主要分布在安徽省長江以南、江蘇省蘇錫常地區(qū)和浙江省。2005年,低RSEI均值城市數(shù)量有所增加,達(dá)到了11個,分別包括安徽省中北部地區(qū)的8個,江蘇省2個和上海市。此外,江蘇省北部城市的生態(tài)環(huán)境呈現(xiàn)明顯的好轉(zhuǎn)態(tài)勢,共有7個高RSEI均值城市。2010年,低RSEI城市共有10個,盡管較2005年略有減少但環(huán)境壓力依舊不容樂觀；上海市、合肥市和南京市的RSEI均下滑至低等級,生態(tài)環(huán)境壓力不斷向地區(qū)中心城市滲透。2015年,低RSEI城市為9個,分布在安徽省北部、蘇滬、浙江省的中東部；高RSEI城市數(shù)量也銳減至6個,分別位于安徽省南部和江蘇省中北部。需要關(guān)注的是,長三角城市群內(nèi)部形成了一個“Z”字型的生態(tài)壓力走廊,該走廊西起安徽省西北部并向東連接了合肥市、南京市、蘇州市和上海市,轉(zhuǎn)而向西連接嘉興市和杭州市并最終向東延伸至臺州市。2019年,低RSEI城市進(jìn)一步減少并與2000年持平,較低RSEI城市10個,主要分布在安徽省中部、江蘇省南部和上海市。高RSEI城市共有14個,主要包括浙江省大部、安徽省南部和江蘇省中部。

圖3 2000—2019年間長三角城市群RSEI均值及其變化分布Fig.3 The change and distribution of RSEI in the Yangtze River Delta urban agglomeration from 2000 to 2019RSEI: 遙感生態(tài)環(huán)境指數(shù),Remote Sensing-based ecological index

此外,圖3顯示了2000年至2019年間RSEI的變化情況?？梢钥闯?在過去近20年間RSEI下降的像元占少數(shù)且多位于皖北地區(qū)和蘇南地區(qū),而RSEI上升的像元占據(jù)了絕大多數(shù),漲幅超過0.2的像元多集中在皖中和蘇北地區(qū)。在城市水平上,RSEI低增幅城市共6個,分別是安徽省的阜陽市,江蘇省的蘇州、無錫和蘇州市,浙江省的嘉興市和上海市。RSEI高增幅城市共有10個,包括安徽省的宣城市、馬鞍山市、滁州市、淮南市和淮北市,江蘇省的揚(yáng)州市、鹽城市、淮安市、宿遷市和連云港市。

總體上,長三角城市群在過去近20年間RSEI均值穩(wěn)定上升,生態(tài)環(huán)境呈現(xiàn)出好轉(zhuǎn)的態(tài)勢,但地區(qū)差異依舊顯著。其中,生態(tài)環(huán)境壓力明顯減小的地區(qū)主要分布在安徽省中部和江蘇省北部,而安徽省北部、江蘇南部(蘇錫常)和上海市的生態(tài)壓力依舊不容樂觀。

3.2 長三角城市群的城市化

根據(jù)2.2.2中構(gòu)建的燈光指數(shù)模型,本文統(tǒng)計了長三角城市群整體及省級單元(直轄市)過去近20年間的MLI、LAP和CNLI指數(shù),如圖4所示。MLI指數(shù)的變化反映出：1)長三角城市群總體的燈光強(qiáng)度呈現(xiàn)穩(wěn)定的上升趨勢；2)上海市的平均燈光強(qiáng)度較其它三省上升更為顯著,浙江省和江蘇省的燈光強(qiáng)度及變化趨勢較為接近,安徽省雖然呈現(xiàn)上升趨勢,但增幅低于研究區(qū)的平均水平。LAP著重刻畫了地區(qū)燈光范圍的變化,上海市由于較高的城市化水平,在整個研究期間內(nèi)的燈光區(qū)范圍接近飽和增幅較小。與上海市不同,盡管安徽省在燈光強(qiáng)度的變化上不夠顯著,但其燈光范圍的擴(kuò)張則十分突出,燈光區(qū)占比從2000年的10%上升至2019年的超過60%。綜合MLI和LAP的CNLI指數(shù)能夠更為全面和綜合的反映出地區(qū)城市化水平的特征,結(jié)果表明：1)上海市的CNLI的上升幅度最大,達(dá)到了0.4；2)江蘇省和浙江省次之,其中江蘇省在研究期間內(nèi)的CNLI由0.1上升至0.47,浙江省則上升了約4倍,達(dá)到了4.3；3)盡管安徽省的CNLI值低于長三角城市群的總體水平,但其在近20年間增長了約9.3倍,從2000年的0.02上升至2019年的0.23。

圖4 長三角城市群及省級單元(直轄市)下MLI、LAP和CNLI的均值變化Fig.4 Changes of MLI,LAP and CNLI under the urban agglomeration and provincial units (municipalities)

圖5分別描繪了2000—2019年間長三角城市群燈光影像和CNLI指數(shù)的空間分布及變化情況。年際燈光影像能夠直觀的反映出地區(qū)的燈光強(qiáng)度變化及分布,并從側(cè)面揭示地區(qū)城市化的發(fā)展?fàn)顩r。結(jié)果表明,過去近20年間,長三角城市群的燈光像元不斷從長三角城市群的中心城市上海向內(nèi)陸城市擴(kuò)展。燈光像元無論在像元總數(shù)還是像元亮度上都有了實質(zhì)性的上升。燈光像元的變化分布則反映出研究期間內(nèi)城市化水平較高的城市(上海、南京、合肥、蘇州等)的中心城區(qū)燈光強(qiáng)度變化較低,而中心城區(qū)周邊的縣區(qū)則存在較為強(qiáng)烈的燈光強(qiáng)度變化。造成這一現(xiàn)象的原因有兩個方面：1)中心城區(qū)由于城市化起步早,城市化在研究期初始階段就已經(jīng)保持了較高的水平,因此相較于周邊縣區(qū)燈光強(qiáng)度變化較弱；2)由于燈光數(shù)據(jù)本身的原因,其在燈光強(qiáng)度過于強(qiáng)烈的地區(qū)存在飽和現(xiàn)象,而本文在燈光數(shù)據(jù)預(yù)處理中,為了保持兩種燈光數(shù)據(jù)的一致性和可比性,選擇了將VCM數(shù)據(jù)模擬為STL年度合成數(shù)據(jù),從而保留了像元飽和的特征。

此外,圖5中的長三角城市群CNLI指數(shù)的變化則從城市尺度揭示了長三角城市群內(nèi)部的城市化水平差異。2000年,城市群內(nèi)部除上海和無錫市CNLI指數(shù)高于0.2外,其它城市均小于0.2,處于低水平階段。2005年,上海市和蘇州市的CNLI指數(shù)上升至較高水平,南京、鎮(zhèn)江、常州、嘉興和寧波等城市的CNLI指數(shù)則上升至較低水平。2010年,上海市的CNLI指數(shù)首次超過了0.6(高水平),并逐步形成了以上海為中心,無錫、蘇州和嘉興為依托的高強(qiáng)度城市化區(qū)域。2015年的較高強(qiáng)度城市化城市在2010年的基礎(chǔ)上進(jìn)一步向“內(nèi)陸”延伸,蘇州的CNLI指數(shù)也進(jìn)一步上升并與上海市共同組成了高CNLI城市。2019年,長三角城市群形成了“層次分明”、“由東向西”逐步推進(jìn)的城市化格局,其中高強(qiáng)度城市化城市集中在上海市及其周邊的無錫、蘇州和嘉興；較高強(qiáng)度城市化城市則圍繞在高強(qiáng)度城市化區(qū)域周邊,包括江蘇省6個和浙江省4個；較低強(qiáng)度城市化城市則主要分布在城市群的北部和南部,包括蘇北地區(qū)5個、安徽省11個和浙江省4個；低強(qiáng)度城市化城市則分布在城市群西部,其中安徽省主要包括六安、安慶、池州、黃山和宣城,浙江省則包括衢州和麗水。另一方面,研究期間CNLI變化強(qiáng)度的空間分布格局則與CNLI等級分布呈現(xiàn)出相反的特征。其中,CNLI上升幅度最大的城市位于城市群內(nèi)陸的安徽省,包括：阜陽、六安、亳州、宿州、滁州、池州和宣城。這些城市盡管其CNLI指數(shù)較沿海城市低,但其在研究期間內(nèi)的CNLI增幅卻顯著高于經(jīng)濟(jì)體量較大的發(fā)達(dá)城市。而以上海、蘇州、無錫、南京、杭州等為代表的城市化水平較高的城市,盡管CNLI絕對增量遠(yuǎn)大于城市群欠發(fā)達(dá)城市,但增幅比則遠(yuǎn)落后于上述城市。

圖5 2000—2019年間長三角城市群燈光影像及CNLI空間分布及變化Fig.5 Spatial distribution and change of lighting image and CNLI during 2000—2019CNLI: 綜合夜間燈光指數(shù),Comprehensive nighttime light index; DN: 數(shù)字灰度值,Digital number

3.3 城市群城市化與生態(tài)環(huán)境的耦合協(xié)調(diào)分析

本文基于構(gòu)建的耦合協(xié)調(diào)距離模型對研究期間內(nèi)長三角城市群的城市進(jìn)行了城市化與生態(tài)環(huán)境指標(biāo)的耦合協(xié)調(diào)分析,如圖6所示。由于歸一化后城市單元的RSEI和CNLI的值域均處于0—1之間,因此本文以(0.5,0.5)為原點來劃分“城市化—環(huán)境”坐標(biāo)點至四個不同的象限,其中：第一象限城市(CNLI>0.5; RSEI>0.5)的生態(tài)環(huán)境狀況和城市化水平均處于較高水平,屬于良好耦合協(xié)調(diào)類型；第二象限城市(CNLI<0.5; RSEI>0.5)的生態(tài)環(huán)境水平相對領(lǐng)先于城市化水平,屬于城市化滯后于生態(tài)環(huán)境類型；第三象限城市(CNLI<0.5; RSEI<0.5)的城市化和生態(tài)環(huán)境狀況較為接近但水平偏低,屬于初級協(xié)調(diào)類型；第四象限城市(CNLI>0.5; RSEI<0.5)的城市化發(fā)展領(lǐng)先于生態(tài)環(huán)境狀況,屬于生態(tài)環(huán)境滯后于城市化類型。

圖6 2000—2019年長三角城市群CNLI與RSEI指數(shù)城市散點圖Fig.6 Scatter map of “CNLI-RSEI” in Yangtze River Delta Urban Agglomeration in 2000—2019

根據(jù)圖6中“城市化—環(huán)境”坐標(biāo)點的象限分布變化可以看出,2000年的 “城市化-環(huán)境”坐標(biāo)點大多集中分布在第二象限,這表明此時城市群內(nèi)部的城市CNLI多低于0.5而RSEI高于0.5,處于城市化滯后于生態(tài)環(huán)境發(fā)展階段。隨著城市化的持續(xù)推進(jìn)以及區(qū)域協(xié)調(diào)發(fā)展政策的落實,長三角城市群一體化和城市化水平不斷上升。2005年、2010年和2015年的“城市化-環(huán)境”坐標(biāo)點中位于第四象限的城市單元數(shù)量有明顯的上升,反映出上述城市在加速推進(jìn)城市化水平的同時(CNLI>0.5),忽視了生態(tài)環(huán)境的保護(hù)(RSEI<0.5),造成生態(tài)環(huán)境狀況滯后于城市化發(fā)展的現(xiàn)狀。十八大以來,生態(tài)文明建設(shè)和可持續(xù)發(fā)展的觀念的不斷深入人心,特別是2016年《長江三角洲城市群發(fā)展規(guī)劃》的頒布為長三角城市群的生態(tài)保護(hù)、生態(tài)建設(shè)提供了政策支撐。從2019年的“城市化-環(huán)境”散點圖可以發(fā)現(xiàn),經(jīng)過幾年的良性發(fā)展,第四象限城市隨著RSEI指數(shù)的上升而轉(zhuǎn)入第一象限,城市化發(fā)展和生態(tài)環(huán)境狀況處于良好耦合協(xié)調(diào)階段?？傮w上,研究期間內(nèi)不同象限城市的數(shù)量變化反映出長三角城市群在近20年持續(xù)推進(jìn)城市化的過程中,城市生態(tài)環(huán)境曾一度滯后于城市化發(fā)展,但近年來隨著生態(tài)環(huán)保意識加強(qiáng)和政策的實施,生態(tài)環(huán)境呈現(xiàn)一定的好轉(zhuǎn)態(tài)勢,城市化和生態(tài)環(huán)境的耦合協(xié)調(diào)性不斷增強(qiáng)。

此外,圖6還列出了2019年部分城市的耦合協(xié)調(diào)距離。在地區(qū)中心城市中,南京市的耦合協(xié)調(diào)距離最小,上海市次之,且二者均位于第一象限的對角線右側(cè),這表明南京和上海的城市化和生態(tài)環(huán)境處于良好耦合協(xié)調(diào)類型,但生態(tài)環(huán)境水平的壓力依然值得關(guān)注。杭州市的耦合協(xié)調(diào)距離在四個中心城市中最大且位于第二象限,這表明杭州市的生態(tài)環(huán)境質(zhì)量保持較高水平,但在保護(hù)環(huán)境的前提下應(yīng)持續(xù)推進(jìn)城市化進(jìn)程。合肥市的耦合協(xié)調(diào)距離為0.84且處于第三象限,這意味著合肥市處于初級協(xié)調(diào)階段,城市化和生態(tài)環(huán)境都處于較低的水平,在接下來的發(fā)展過程中需要堅持環(huán)境保護(hù)與城市發(fā)展并重的策略。除了中心城市外,圖中還列出了耦合協(xié)調(diào)距離最短的前四個城市,分別是：舟山市、寧波市、鎮(zhèn)江市和嘉興市。這些城市在不斷推進(jìn)城市化的過程中,生態(tài)環(huán)境狀況維持在較為良好的水平,是典型的良好耦合協(xié)調(diào)型城市。

4 結(jié)論與討論

4.1 結(jié)論

本文基于Google Earth Engine云平臺,通過整合日間光學(xué)遙感和夜間燈光遙感等多源衛(wèi)星數(shù)據(jù)對長三角城市群近20年的生態(tài)環(huán)境狀況和城市化進(jìn)程特征進(jìn)行了對比分析,并構(gòu)建了耦合協(xié)調(diào)距離模型對城市群內(nèi)部的城市進(jìn)行了“城市化-生態(tài)環(huán)境”耦合協(xié)調(diào)分析。結(jié)果表明：1)長三角城市群在過去近20年間RSEI均值穩(wěn)定上升,生態(tài)環(huán)境呈現(xiàn)出好轉(zhuǎn)的態(tài)勢,但地區(qū)間的差異依舊顯著；2)CNLI指數(shù)能夠較為準(zhǔn)確的刻畫城市群的城市化水平,研究期間內(nèi)上海市的CNLI的上升幅度最大,江蘇省和浙江省次之,盡管安徽省的CNLI均值低于總體水平,但其增幅比則顯著高于其它地區(qū)；3)經(jīng)過近20年的城市化發(fā)展,長三角城市群形成了“層次分明”、“由東向西”逐步推進(jìn)的城市化格局,其中高強(qiáng)度城市化城市集中在上海市及其周邊的無錫、蘇州和嘉興,低強(qiáng)度城市化城市則分布在城市群西部；4)基于CNLI和RSEI指數(shù)構(gòu)建的耦合協(xié)調(diào)距離模型能夠有效的識別出城市群內(nèi)部城市化水平和生態(tài)環(huán)境狀況的耦合協(xié)調(diào)程度,并根據(jù)象限特征將城市劃分為良好協(xié)調(diào)類型、初級協(xié)調(diào)類型、城市化滯后型和生態(tài)環(huán)境滯后型城市。

4.2 討論

長三角城市群作為人口聚集區(qū)和人類活動最強(qiáng)烈的地區(qū),生態(tài)環(huán)境的變化將對地區(qū)的穩(wěn)定和發(fā)展產(chǎn)生不可估量的影響。因此,全面客觀的實現(xiàn)城市群生態(tài)環(huán)境與城市化的監(jiān)測及耦合協(xié)調(diào)分析對城市可持續(xù)發(fā)展和綠色城市建設(shè)有著重要意義?？紤]到中國城鄉(xiāng)差異的長期存在,城市的資源集中效應(yīng)仍將不斷吸引人口、產(chǎn)業(yè)及各類資源在此集聚,空間擴(kuò)張依舊是長三角城市群未來發(fā)展的主要趨勢之一,城市化對生態(tài)環(huán)境的脅迫作用在短期內(nèi)將不會消失。

本文通過整合多源遙感數(shù)據(jù)并借助GEE云平臺能夠快速、高效地實現(xiàn)區(qū)域生態(tài)環(huán)境及城市化的對比分析,可以為中尺度的發(fā)展規(guī)劃、生態(tài)環(huán)境監(jiān)測和環(huán)保措施制定提供數(shù)據(jù)支持。相較于以往的研究,本方案具有以下幾點優(yōu)勢和潛力：1) 適用于中等尺度的研究應(yīng)用。自RSEI提出以來,基于RSEI指數(shù)的應(yīng)用分析正在不斷豐富。但這些基于RSEI的生態(tài)狀況評估的數(shù)據(jù)源多集中在以Landsat系列為代表的較高分辨率的衛(wèi)星影像,導(dǎo)致研究區(qū)被限制在城市尺度。本文在研究中使用的MODIS數(shù)據(jù)源具有較短的重訪周期和中尺度單景覆蓋范圍(10°×10°),能夠保證在中等尺度研究區(qū)內(nèi)指標(biāo)反演的一致性和穩(wěn)定性。2)完全基于遙感數(shù)據(jù)源。已有的關(guān)于城市化和生態(tài)環(huán)境狀況耦合分析研究多采用社會經(jīng)濟(jì)統(tǒng)計數(shù)據(jù)作為耦合程度評估的數(shù)據(jù)來源之一。一方面,收集完整的時間序列、多尺度社會經(jīng)濟(jì)統(tǒng)計數(shù)據(jù)本身存在一定的難度；另一方面,地區(qū)間的統(tǒng)計口徑差異也會干擾分析結(jié)果的準(zhǔn)確性。遙感數(shù)據(jù)在更新周期和空間分辨率方面的獨特優(yōu)勢能夠更好的滿足生態(tài)環(huán)境監(jiān)測的時效性要求。3)監(jiān)測分析的可遷移潛力。本文將RSEI和CNLI的計算部署在GEE平臺,能夠直接調(diào)用GEE云平臺上的海量遙感數(shù)據(jù)進(jìn)行運(yùn)算分析,極大地降低了對本地計算資源的占用。同時,基于云平臺的特性使其能夠快速的遷移到其它地區(qū)(更改研究區(qū)的邊界),較傳統(tǒng)的本地計算具有更高的應(yīng)用潛力。

雖然本文在計算RSEI和CNLI的過程中已經(jīng)對衛(wèi)星影像數(shù)據(jù)進(jìn)行了預(yù)處理和校正,但現(xiàn)有的校正模型只能緩解一定程度的數(shù)據(jù)缺陷,研究的結(jié)果依舊不可避免的會受到數(shù)據(jù)源本身質(zhì)量的影響。此外,本文構(gòu)建的耦合協(xié)調(diào)距離模型盡管能夠較為直觀的刻畫城市在城市化推進(jìn)過程中與生態(tài)環(huán)境的耦合變化,但對其背后的機(jī)理及驅(qū)動力缺乏更深層次的探討,所提出的方法能否有效地反映現(xiàn)實問題也需結(jié)合非遙感數(shù)據(jù)開展進(jìn)一步檢驗。隨著數(shù)據(jù)源的豐富,城市發(fā)展過程中城市擴(kuò)張與生態(tài)環(huán)境間相互作用及機(jī)制將是下一步研究的重點。