李姍姍，林文壇

（廣東財經(jīng)大學(xué) 文化旅游與地理學(xué)院，廣州 510220）

人口數(shù)據(jù)是重要的社會經(jīng)濟數(shù)據(jù)，在社會政策制定、災(zāi)害評估預(yù)防、城市區(qū)域規(guī)劃等領(lǐng)域被廣泛應(yīng)用（李飛 等，2014）。基于統(tǒng)計學(xué)方法獲取人口數(shù)據(jù)所需成本高、更新時間長，難以揭示區(qū)域內(nèi)小尺度人口空間分布差異（江東 等，2002）。人口空間化數(shù)據(jù)指利用數(shù)學(xué)模型或機器算法，將基于行政區(qū)劃的人口統(tǒng)計數(shù)據(jù)分配離散而獲得的柵格格網(wǎng)數(shù)據(jù)。該數(shù)據(jù)能模擬人口空間分布的真實狀況，挖掘小尺度人口空間分布信息，便于參與多源數(shù)據(jù)融合分析（董南 等，2016）。目前人口空間化研究大多止步于人口格網(wǎng)數(shù)據(jù)的獲得。人口空間化的基礎(chǔ)數(shù)據(jù)精度有待提高且缺少對人口格網(wǎng)結(jié)果蘊含的人口空間分布信息的充分挖掘。

最初的人口空間化方法是在地形數(shù)據(jù)的基礎(chǔ)上進(jìn)行分區(qū)密度制圖（Wright, 1936），該理念對后續(xù)研究產(chǎn)生深遠(yuǎn)影響。當(dāng)前實現(xiàn)人口空間化的方法主要有線性回歸模型（陳晴 等，2015；胡云鋒 等，2018；金耀 等，2021；王美玲 等，2021a）、空間回歸模型（李翔 等，2017；吳獻(xiàn)文 等，2021）和基于多源數(shù)據(jù)融合的隨機森林算法等（譚敏 等，2017；朱守杰 等，2020）。線性回歸模型分區(qū)方法的選用取決于研究區(qū)特征，相比于整體建模更有利于提高空間化精度；空間回歸模型對不同的空間關(guān)系賦予不同的權(quán)重以參與建模；而隨機森林算法依靠大數(shù)據(jù)和人工智能，實現(xiàn)難度較大。

夜光遙感數(shù)據(jù)記錄了無云環(huán)境下地表物體發(fā)射的多種電磁波信息，能表征人口活動的空間范圍和特征，是人口空間化的重要基礎(chǔ)數(shù)據(jù)（徐嘉源 等，2021）。該類數(shù)據(jù)與人口密度顯著相關(guān)（Suttonet al., 1997），具有更新周期短、信息豐富、檢測范圍大，易獲取等優(yōu)點（李德仁 等，2019）。珞珈一號衛(wèi)星（Luojia1-01）是全球首顆專業(yè)夜光遙感衛(wèi)星，也是國際上第3顆具備夜間燈光數(shù)據(jù)拍攝能力的衛(wèi)星。其空間分辨率高達(dá)130 m，空間覆蓋范圍約250 km×250 km，輻射范圍更寬，能清晰地揭示小尺度城市內(nèi)部空間信息，更適用于人口空間化研究（陳穎彪 等，2019；鐘亮 等，2019；劉權(quán)毅 等，2021）。

因此，本文以粵港澳大灣區(qū)為研究區(qū)，融合珞珈一號夜光遙感數(shù)據(jù)和高精度的土地利用數(shù)據(jù)，在區(qū)縣級尺度上構(gòu)建分區(qū)逐步回歸模型獲得500 m 人口格網(wǎng)數(shù)據(jù)，并從多角度揭示粵港澳大灣區(qū)2020年的人口空間分布特征。以期為粵港澳大灣區(qū)城市規(guī)劃、資源配置、災(zāi)害防治、政策制定等提供參考。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

粵港澳大灣區(qū)包括廣東省的廣州、佛山、深圳、中山、珠海、惠州、肇慶、江門、東莞9個市級行政區(qū)以及香港、澳門2個特別行政區(qū)，總面積5.6萬km2?；浉郯拇鬄硡^(qū)是中國經(jīng)濟活力最強，人口增長最為迅速的區(qū)域之一，是典型的人口集中分布區(qū)域。截至2018 年，該區(qū)域常住人口約為7 120萬人，人口密度約為1 273 人/km2（鄧昊鍵 等，2020）?；浉郯拇鬄硡^(qū)內(nèi)部由于經(jīng)濟發(fā)展不平衡，人口呈現(xiàn)分布不均的空間格局。

1.2 數(shù)據(jù)來源

數(shù)據(jù)及描述見表1所示。

表1 數(shù)據(jù)來源及參數(shù)Table 1 Data sources and parameters

1.3 數(shù)據(jù)預(yù)處理

考慮粵港澳大灣區(qū)的地理位置，將大灣區(qū)所有空間數(shù)據(jù)的投影坐標(biāo)統(tǒng)一為WGS_1984_UTM_Zone_49N（張雨欣 等，2020）。

1.3.1 珞珈一號夜光遙感數(shù)據(jù)預(yù)處理 首先，基于大灣區(qū)一級道路矢量數(shù)據(jù)，完成遙感影像幾何校正。其次，去除背景噪聲和極大異常值。珞珈一號影像的背景噪聲主要出現(xiàn)在鄉(xiāng)村、林地和水體等區(qū)域（王美玲 等，2021b）。統(tǒng)一珞珈一號與SNPP/VIIRS影像的量綱以確定噪聲閾值，計算公式為：

式中：L為珞珈一號影像統(tǒng)一量綱后的輻射亮度值，單位為nW/（cm2·sr）；a為帶寬，取值為0.52 μm；DN為圖像灰度值。

疊加天地圖識別珞珈一號統(tǒng)一量綱后的影像背景噪聲區(qū)，以平均值1.137為閾值，對SNPP/VIIRS影像進(jìn)行去噪，并作為掩膜數(shù)據(jù)去除珞珈一號影像背景噪聲。計算珞珈一號影像各柵格的8鄰域的標(biāo)準(zhǔn)差（Standard Deviation STD）。將標(biāo)準(zhǔn)差＞722 07（不足1%）的柵格進(jìn)行中值濾波。對去噪后的珞珈一號DN 值影像進(jìn)行輻射校正，計算公式（王美玲等，2021b）為：

式中：R為珞珈一號輻射亮度值，單位為W/（m2·sr·μm）

1.3.2 其他數(shù)據(jù)預(yù)處理 粵港澳大灣區(qū)設(shè)立了諸多經(jīng)濟產(chǎn)業(yè)園區(qū)，如肇慶的大旺高新區(qū)。該類經(jīng)濟區(qū)不具有行政性質(zhì)，但其社會經(jīng)濟數(shù)據(jù)在各城市年鑒中單獨統(tǒng)計。因此，以地理位置和區(qū)縣級行政區(qū)劃數(shù)據(jù)為依據(jù)，將其常住人口數(shù)據(jù)添加到對應(yīng)區(qū)縣級行政區(qū)劃中，便于回歸建模。并對珞珈一號輻射亮度值進(jìn)行雙線性重采樣至土地類型數(shù)據(jù)的空間分辨率。

1.3.3 人口空間化指數(shù)的提取 將珞珈一號輻射亮度與土地類型數(shù)據(jù)融合，獲取土地融合夜光指數(shù)，用于人口空間化。借助珞珈一號影像識別耕地、草地和林地上的少量人口聚集點，同時，高精度土地類型數(shù)據(jù)可以緩解不透水面處夜光遙感數(shù)據(jù)像元值飽和的問題。計算公式為（金耀 等，2021）：

式中：LTRj為某區(qū)縣級行政區(qū)劃的第j種土地融合夜光指數(shù)總量；LTjk為某區(qū)縣級行政區(qū)劃第j種土地類型第k個柵格的土地類型代碼；Rjk為某區(qū)縣級行政區(qū)劃第j種土地類型第k個柵格的珞珈一號輻射亮度值。

4 種土地融合夜光指數(shù)見圖1 所示，可知，土地融合夜光指數(shù)綜合了2類數(shù)據(jù)對人類活動的表達(dá)優(yōu)勢，空間差異性更明顯，能揭示人類活動更多的細(xì)節(jié)信息，可為逐步回歸模型的構(gòu)建提供與常住人口數(shù)據(jù)顯著相關(guān)的自變量因子。

圖1 粵港澳大灣區(qū)4種土地融合夜光指數(shù)Fig.1 Noctilucent index of four land types in the Guangdong-Hong Kong-Macao Greater Bay Area

2 研究方法

首先，利用區(qū)縣級常住人口密度進(jìn)行研究區(qū)分區(qū)。其次，基于融合數(shù)據(jù)構(gòu)建人口空間化逐步回歸建模，驗證建模結(jié)果精度。最后，在500 m 人口格網(wǎng)數(shù)據(jù)基礎(chǔ)上從人口數(shù)量和密度、空間方向性和集聚離散特征等多角度揭示粵港澳大灣區(qū)2020年的人口空間分布特征。技術(shù)路線如圖2所示。

圖2 人口空間化及特征研究技術(shù)路線Fig.2 Technical route of population spatialization and characteristic research

2.1 研究分區(qū)

由于區(qū)域條件差異性，對研究區(qū)分區(qū)建?？商岣呷丝诳臻g化模型精度（金耀 等，2021；王美玲等，2021a）。根據(jù)粵港澳大灣區(qū)2020年各區(qū)縣級行政區(qū)劃常住人口密度數(shù)據(jù)，按分位數(shù)法將791、3 358、9 527 人/km2作為分區(qū)臨界值，劃分出低密度區(qū)18 個區(qū)縣、中低密度區(qū)17 個區(qū)縣、中高密度區(qū)17個區(qū)縣、高密度區(qū)17個區(qū)縣（圖3）。

圖3 粵港澳大灣區(qū)人口密度分區(qū)結(jié)果Fig.3 Results of population density zoning in the Guangdong-Hong Kong-Macao Greater Bay Area

2.2 人口空間化模型的構(gòu)建與檢驗

2.2.1 人口格網(wǎng)估算模型的構(gòu)建 在Arc-GIS 平臺提取各區(qū)縣的不透水面、草地、耕地和林地融合夜光指數(shù)以及像元總數(shù)共8 個土地相關(guān)指標(biāo)，與常住人口數(shù)據(jù)進(jìn)行相關(guān)分析（表2）。結(jié)果表明：常住人口數(shù)與不透水面像元數(shù)以及4 種土地融合夜光指數(shù)總量均＞0.8，呈顯著正相關(guān)，可作為候選自變量。

表2 各區(qū)縣2020年常住人口數(shù)與各土地相關(guān)指標(biāo)的Pearson相關(guān)系數(shù)Table 2 Correlation coefficient between permanent resident population and land related indexes in each district and county in 2020

在SPSS內(nèi)實現(xiàn)回歸系數(shù)的計算。土地是人類活動的承載者，沒有土地則沒有人口，故回歸模型不設(shè)置常數(shù)項（楊小喚等，2002）。自變量以步進(jìn)方式進(jìn)入方程。為確保網(wǎng)格人口空間化值為非負(fù)值，人為剔除初次建模后系數(shù)為負(fù)數(shù)的自變量指標(biāo)，將剩余自變量再次引入構(gòu)建模型。循環(huán)往復(fù)，直至回歸模型所有自變量系數(shù)均為正數(shù)，最后獲得4 個研究分區(qū)的逐步回歸模型（金耀 等，2021）?；貧w模型方程為：

式中：Pi是某分區(qū)第i個區(qū)縣級行政區(qū)劃常住人口；M為土地類型種數(shù)，取值為4；LTRij和LTij分別是某分區(qū)第i個區(qū)縣級行政區(qū)劃第j種土地融合夜光指數(shù)總量和第j種土地類型像元總數(shù)；aj和bj分別是LTRij和LTij的回歸系數(shù)，需通過分區(qū)回歸建模獲取。

綜合考慮方程擬合度系數(shù)R2、顯著性Sig、共線性VIF 等統(tǒng)計學(xué)指標(biāo)，獲得4 個擬合度高、自變量之間無明顯共線性的回歸方程，各分區(qū)方程系數(shù)如表3所示。

由表3 可知，各分區(qū)的線性回歸方程擬合度均在0.9 以上，效果較好。低密度區(qū)擬合效果最好，不透水面與林地像元總數(shù)能解釋常住人口97.7%的變化。

表3 分區(qū)線性回歸模型系數(shù)Table 3 Zonal linear regression model coefficient

3）500 m格網(wǎng)人口初始模擬值計算

選擇適宜的格網(wǎng)尺度能較好地揭示人口分布差異，并表達(dá)人口分布位置（董南 等，2017）。本研究區(qū)范圍較大，選擇500 m 分辨率進(jìn)行格網(wǎng)人口計算（金耀 等，2021）。根據(jù)研究分區(qū)的線性回歸方程，提取分區(qū)格網(wǎng)對應(yīng)自變量，計算每一個格網(wǎng)的人口數(shù)目，公式為（金耀 等，2021）：

式中：Pik是某分區(qū)第i個區(qū)縣級行政區(qū)劃第k個格網(wǎng)的人口初始模擬值；M為土地類型種數(shù)，取值為4；LTRikj為第i個區(qū)縣級行政區(qū)劃第k個規(guī)則格網(wǎng)內(nèi)第j種土地融合夜光指數(shù)總量；LTikj為第i個區(qū)縣級行政區(qū)劃第k個規(guī)則格網(wǎng)內(nèi)第j種土地像元總數(shù)。

4）500 m格網(wǎng)人口修正模擬值計算

人口初始模擬值和常住人口統(tǒng)計數(shù)據(jù)會存在一定誤差，需確定每個區(qū)縣級行政區(qū)劃的修正系數(shù)以便校正，計算方法（金耀 等，2021）為：

式中：Ci為第i個區(qū)縣級行政區(qū)劃的人口修正系數(shù)；N為每個區(qū)縣級行政區(qū)劃內(nèi)格網(wǎng)總個數(shù)。

利用修正系數(shù)對500 m 網(wǎng)格人口初始模擬值進(jìn)行修正，確保人口初始模擬值與常住人口數(shù)相等，計算公式為（金耀 等，2021）：

式中：Pikr是第i個行政區(qū)劃第k個格網(wǎng)的人口修正模擬值。

2.2.2 500 m 格網(wǎng)人口模擬值的精度驗證 人口初始模擬值區(qū)縣級精度驗證指標(biāo)有決定系數(shù)（R2）、平均絕對誤差（MAE）和平均相對誤差（MRE）。R2用于衡量各個分區(qū)回歸模型的擬合效果；MAE用于衡量回歸模型在整個區(qū)域的精度；MRE用于衡量回歸模型在分區(qū)區(qū)域的精度。計算公式為（王美玲等，2021a）：

式中：S為需驗證的行政區(qū)劃總數(shù)；為第i個行政區(qū)劃人口初始模擬值；為需驗證的行政區(qū)劃人口初始模擬值的平均值；Pi為第i個行政區(qū)劃的常住人口數(shù)；為需驗證的行政區(qū)劃常住人口數(shù)的平均值。

人口修正模擬后，鎮(zhèn)街級精度驗證指標(biāo)有相關(guān)系數(shù)（R）、均方根誤差（RMSE）和平均相對誤差（MRE）。R計算同式（8），MRE 計算同式（10），將替換為修正模擬值，替換為修正模擬平均值。RMSE是一種常用的衡量兩組數(shù)據(jù)接近程度的統(tǒng)計學(xué)指標(biāo)，計算公式為：

2.3 人口空間分布特征測度

選用人口密度分析、人口空間分布方向性分析和人口空間自相關(guān)分析開展人口空間分布特征測度。人口密度分析采用核密度分析法，該方法把核函數(shù)引入人口數(shù)據(jù)中，計算每個柵格單元的值。本文基于人口修正模擬值，將人口柵格轉(zhuǎn)化為人口矢量點并開展人口核密度分析。人口空間分布方向性分析采用標(biāo)準(zhǔn)差橢圓法（Standard deviational ellipse, SDE），該方法是描述社會經(jīng)濟數(shù)據(jù)時空分布主體和分布方向的經(jīng)典方法。本文繪制500 m 人口修正模擬柵格數(shù)據(jù)的標(biāo)準(zhǔn)差橢圓，以探究粵港澳大灣區(qū)2020 年的人口重心和人口空間分布方向性等特征。

采用全局莫蘭指數(shù)揭示人口修正模擬值在區(qū)域整體上的集聚分散特征，并采用局部G-統(tǒng)計量（Getis-Ord）識別區(qū)域內(nèi)顯著性的人口冷點區(qū)（人口低值區(qū)域）和人口熱點區(qū)（人口高值區(qū)）

3 粵港澳大灣區(qū)人口空間化結(jié)果精度與人口空間特征分析

3.1 粵港澳大灣區(qū)人口空間化結(jié)果精度分析

3.1.1 區(qū)縣級人口空間化結(jié)果精度分析 區(qū)縣級精度驗證結(jié)果如表4所示。各研究區(qū)分區(qū)的決定系數(shù)R2均＞0.8，說明區(qū)縣尺度夜光遙感數(shù)據(jù)與人口分布有明顯的相關(guān)關(guān)系。粵港澳大灣區(qū)整體MRE 和人口空間化結(jié)果表明其數(shù)量級與常住人口數(shù)量有關(guān)，適用于同一研究區(qū)基于不同夜光遙感數(shù)據(jù)的人口空間化結(jié)果的精度比較。

表4 區(qū)縣級人口空間化結(jié)果精度驗證Table 4 Validation of accuracy of district-county level population spatialization results

3.1.2 鎮(zhèn)街級人口空間化結(jié)果精度分析 隨機選取504個鎮(zhèn)街級行政區(qū)劃常住人口數(shù)據(jù)進(jìn)行精度驗證，相關(guān)系數(shù)R為0.897，RMSE 為100 947.914，MRE為67%，說明大灣區(qū)鎮(zhèn)街級行政區(qū)劃的人口修正模擬值與常住人口數(shù)具有較高相關(guān)性。對504個鎮(zhèn)街級行政區(qū)劃MRE 分4 個等級進(jìn)行統(tǒng)計：準(zhǔn)確（MRE≤15%）、較準(zhǔn)確（15%50%）。504個鎮(zhèn)街級行政區(qū)劃人口修正模擬值準(zhǔn)確數(shù)量為118個，占樣本總數(shù)的23.4%；較準(zhǔn)109 個，占比21.6%；一般102 個，占比20.2%；較不準(zhǔn)確175個，占比34.7%。整體上，MRE＜50%的鎮(zhèn)街級行政區(qū)劃有329個，占比65.2%。

根據(jù)區(qū)縣級和鎮(zhèn)街級行政單元的精度驗證，粵港澳大灣區(qū)2020年人口空間化結(jié)果可信。珞珈一號影像和高精度土地類型數(shù)據(jù)的融合處理可確保人口空間化結(jié)果精度。

3.2 粵港澳大灣區(qū)2020年人口密度空間分布特征

圖4顯示，整體上，粵港澳大灣區(qū)存在人口分布不均的空間格局和人口數(shù)量從聚集高值向周圍低值輻射遞減的分布規(guī)律。從局部看，大灣區(qū)存在五大人口集聚區(qū)：分別是廣州的天河、越秀、海珠、荔灣和白云區(qū)西南部組成的人口集聚區(qū)；東莞內(nèi)部環(huán)形特征人口集聚區(qū)；深圳西、中和北部人口集聚區(qū)；港澳人口集聚區(qū)；以及肇慶端州月牙形人口集聚區(qū)。此外，還有部分人口集聚點和集聚小區(qū)分布在五大人口集聚區(qū)、交通干道或樞紐周圍。人口稀疏的區(qū)域主要分布在大灣區(qū)邊緣區(qū)，少量分布在城市腹地?？臻g化結(jié)果表明，土地融合夜光指數(shù)對區(qū)域人口空間分布細(xì)節(jié)具有較強的表達(dá)能力。該格網(wǎng)數(shù)據(jù)在行政區(qū)內(nèi)顯示平滑，展示人口密集區(qū)的分布差異，且在行政區(qū)邊界處沒有突變。同時，該結(jié)果可識別出大灣區(qū)內(nèi)人口集聚點，描繪人口空間分布的細(xì)節(jié)信息。綜上，珞珈一號影像融合高精度土地類型數(shù)據(jù)在人口空間化研究中具有較大應(yīng)用潛力。

圖4 粵港澳大灣區(qū)2020年五大人口集聚區(qū)Fig.4 Top five population clusters in the Hong Kong and Macao Greater Bay Area in 2020

將人口修正模擬格網(wǎng)數(shù)據(jù)轉(zhuǎn)化為矢量點數(shù)據(jù)，進(jìn)行人口核密度分析。利用自然間斷點法，將人口核密度分為人口低核密度區(qū)、中低核密度區(qū)域、中高核密度區(qū)和高核密度區(qū)4類區(qū)域（圖5）。整體上，粵港澳大灣區(qū)2020年的人口密度空間分布呈圈層結(jié)構(gòu)，由高核密度區(qū)域不斷向外輻射衰減，拓展延伸到低核密度區(qū)域。人口密度區(qū)與人口數(shù)量空間分布規(guī)律相似，兩者具有高度協(xié)同關(guān)系。高核密度區(qū)主要分布在廣州、深圳和香港，且特征不同。深圳的高核密度區(qū)在西、中和北部各區(qū)均有分布，說明深圳各區(qū)各具特色，人口聚集分布相對分散。而廣州的高核密度區(qū)較為集中，密度向外衰減較快，大部分區(qū)域都是中高或低核密度區(qū)，說明廣州人口聚集程度高，且各區(qū)發(fā)展不均衡尤為明顯。

圖5 粵港澳大灣區(qū)2020年人口核密度分區(qū)Fig.5 Population core density zoning of the Guangdong-Hong Kong-Macao Greater Bay Area in 2020

3.3 粵港澳大灣區(qū)2020 年人口空間分布方向性分析

由于香港沒有鎮(zhèn)街級行政區(qū)劃，將其下轄的北區(qū)等18個行政區(qū)劃作為鎮(zhèn)街級行政區(qū)劃參與分析。以人口修正模擬值為權(quán)重字段，通過ArcGIS 的方向分布工具生成粵港澳大灣區(qū)2020年人口分布標(biāo)準(zhǔn)差橢圓（圖6）。

圖6 粵港澳大灣區(qū)人口標(biāo)準(zhǔn)差橢圓Fig.6 The Guangdong-Hong Kong-Macao Greater Bay Area population standard deviation ellipse

人口標(biāo)準(zhǔn)差橢圓參數(shù)如表5所示。加權(quán)平均中心顯示粵港澳大灣區(qū)2020 年人口重心坐標(biāo)大約為22°52'33"N、113°33'54"E，位于廣州與東莞邊界的虎門港。1 級標(biāo)準(zhǔn)差橢圓主要覆蓋廣州南部、東莞、深圳大部分、香港北部、中山中北部和佛山東部，占大灣區(qū)面積的27.64%。而該范圍包含大灣區(qū)約68%鎮(zhèn)街級行政區(qū)劃人口數(shù)據(jù)，基本與五大人口密集區(qū)的空間分布規(guī)律一致，反映人口在該區(qū)域具有明顯的空間集聚特征。2 級標(biāo)準(zhǔn)差橢圓能覆蓋約95%鎮(zhèn)街級行政區(qū)劃人口數(shù)據(jù)，足以說明大灣區(qū)人口分布的主體情況。

表5 粵港澳大灣區(qū)2020年人口標(biāo)準(zhǔn)差橢圓幾何參數(shù)Table 5 Elliptic geometric parameters of population standard deviation of the Guangdong-Hong Kong-Macao Greater Bay Area in 2020

從方向性看，長半軸遠(yuǎn)大于短半軸，說明人口空間分布方向性明顯。大灣區(qū)人口大致沿著西北-東南方向延伸，主要集聚區(qū)沿佛山-廣州-東莞-深圳-香港方向分布。究其原因，近年來粵大灣區(qū)城市群間加強了協(xié)同發(fā)展力度，香港和澳門與內(nèi)地經(jīng)濟交流愈發(fā)頻繁，經(jīng)濟輻射效應(yīng)明顯，吸引大量人口沿該方向集聚。

3.4 粵港澳大灣區(qū)2020 年人口空間自相關(guān)分析

3.4.1 粵港澳大灣區(qū)人口全局自相關(guān)分析 使用ArcGIS 的空間自相關(guān)工具進(jìn)行全局自相關(guān)分析。根據(jù)地理學(xué)第一定律，將參數(shù)空間關(guān)系概念化選擇為INVERSE_DISTANCE_SQUARED。計算結(jié)果MoranI指數(shù) 為0.369 881，＞0 且 遠(yuǎn)＞預(yù) 期 指 數(shù)（-0.001 534），方差值為0.000 351，說明粵港澳大灣區(qū)2020 年人口空間正相關(guān)，區(qū)域內(nèi)存在人口值相似的聚集區(qū)。Z得分為19.820 599，遠(yuǎn)＞1.96且P值為0，說明粵港澳大灣區(qū)存在顯著的人口空間集聚。綜上，粵港澳大灣區(qū)存在人口值相似且呈現(xiàn)集聚形態(tài)的行政區(qū)劃。

3.4.2 粵港澳大灣區(qū)人口局部自相關(guān)分析 使用ArcGIS 的熱點分析工具進(jìn)行局部自相關(guān)分析。根據(jù)鎮(zhèn)街級行政區(qū)劃的Gi值高低和顯著水平，利用自然間斷點法，將粵港澳大灣區(qū)人口區(qū)分為5類：冷點區(qū)、次冷點區(qū)、隨機分布區(qū)、次熱點區(qū)和熱點區(qū)?；浉郯拇鬄硡^(qū)人口以熱點區(qū)、冷點區(qū)和隨機分布區(qū)3 種分布模式為主（圖7）。大灣區(qū)2020 年人口熱點區(qū)主要集中在東莞、深圳和香港，并從東莞東部延伸至廣州南沙區(qū)和佛山的東部的部分區(qū)域，該區(qū)域人口數(shù)量普遍高于平均值。次熱點區(qū)分布范圍較小且零散，人口隨機分布區(qū)面積最大且連續(xù)，主要位于大灣區(qū)中部和邊緣等部分城市。而冷點區(qū)和次冷點區(qū)連續(xù)分布于在肇慶中部和江門。少量冷點區(qū)零散分布在佛山西南端以及廣州中部和東北部，該區(qū)域的鎮(zhèn)街級行政區(qū)劃的人口數(shù)普遍低于平均值。

值得注意的是，廣州人口密集的越秀區(qū)、天河區(qū)和海珠區(qū)內(nèi)的鎮(zhèn)街級行政區(qū)劃并不屬于人口熱點區(qū)。這并非說明上述區(qū)縣級行政區(qū)的人口數(shù)量少，而是其內(nèi)部鎮(zhèn)街級行政區(qū)劃較多，導(dǎo)致人口較少的行政區(qū)劃分布在部分人口數(shù)量較多的行政區(qū)劃周圍，以至無法形成連續(xù)的人口熱點區(qū)。

整體上，大灣區(qū)核心區(qū)域為人口熱點區(qū)，環(huán)核心區(qū)域為隨機分布區(qū)，在大灣區(qū)邊緣西北西南端存在冷點區(qū)。由中心向邊緣熱度降低的分布顯示人口空間分布的不均勻和聚集性，實施配套政策推動灣區(qū)經(jīng)濟均衡發(fā)展，吸引人口向周邊擴散，勢在必行。

4 結(jié)論與討論

本研究結(jié)合珞珈一號影像和高分辨率土地類型數(shù)據(jù)，生成土地融合夜光指數(shù)，構(gòu)建人口空間化分區(qū)逐步回歸模型，獲得粵港澳大灣區(qū)2020年500 m人口格網(wǎng)數(shù)據(jù)并進(jìn)行精度驗證，從人口數(shù)量、密度、分布方向性和冷熱點區(qū)多個角度探究2020年粵港澳大灣區(qū)的人口空間分布特征。得出的主要結(jié)論有：

1）珞珈一號夜光數(shù)據(jù)和高精度土地類型數(shù)據(jù)融合使用有助于獲得精細(xì)人口格網(wǎng)數(shù)據(jù)。珞珈一號影像可識別零散的人口集聚點；高精度的土地類型數(shù)據(jù)可區(qū)分夜光遙感數(shù)據(jù)飽和區(qū)的人口分布細(xì)節(jié)。

2）粵港澳大灣區(qū)2020 年人口空間分布特征表現(xiàn)為：在數(shù)量上分布不均，68%的人口分布在27.64%空間范圍內(nèi)，形成五大人口聚集區(qū)，分別是廣州天河、越秀、海珠、荔灣和白云區(qū)西南部組成的集聚區(qū)；東莞內(nèi)部環(huán)形集聚區(qū)；深圳西中北部集聚區(qū)、港澳集聚區(qū)和肇慶端州集聚區(qū)。人口數(shù)量從高值區(qū)域向低值區(qū)域輻射遞減的分布規(guī)律，人口密度與人口數(shù)量具有高度協(xié)同的空間分布關(guān)系；在空間上方向性明顯，人口主要沿佛山-廣州-東莞-深圳-香港方向分布，沿線城市經(jīng)濟發(fā)達(dá)，協(xié)同發(fā)展程度高，說明經(jīng)濟活動是吸引人口遷移集聚的重要影響因素；在集聚特征上，有明顯的人口熱點區(qū)和冷點區(qū)，熱點區(qū)主要分布在東莞、深圳和香港，冷點區(qū)域主要分布在肇慶和江門內(nèi)部。廣州天河區(qū)、越秀區(qū)、海珠區(qū)等區(qū)人口過于密集，需要政策加以干預(yù)以緩解人口壓力，改善人居環(huán)境，促進(jìn)區(qū)域協(xié)同發(fā)展。

與現(xiàn)有人口空間化研究相比，在方法上，通過提取土地融合夜光指數(shù)提高了人口空間化精度；在應(yīng)用上，在500 m 人口格網(wǎng)修正值的基礎(chǔ)上，利用多種空間分析工具進(jìn)一步探究了人口空間分布特征，對政策制定等方面有參考價值。

但也存在以下不足：1）珞珈一號衛(wèi)星在軌時間僅有6個月。由于數(shù)據(jù)獲取限制，僅探究了粵港澳大灣區(qū)2020年人口空間分布規(guī)律。因此未來長時序人口時空分布規(guī)律探究可作為本研究的拓展方向。2）未能綜合考慮研究區(qū)地理尺度和數(shù)據(jù)分辨率等多種因素以選擇適宜的人口格網(wǎng)尺度，將在今后進(jìn)一步深入探究研究區(qū)大小對建模方法選取的影響，研究數(shù)據(jù)分辨率對建模精度的影響等；3）使用非同一時空數(shù)據(jù)，造成人口空間化結(jié)果在鎮(zhèn)街級行政區(qū)劃精度有所下降。未來人口空間化研究應(yīng)拓寬實驗數(shù)據(jù)來源以保證其時空一致性。