基于夜間燈光數據的城市化水平動態評價

徐知宇 胡尋尋 李佳慧 和秀娟 陳林 官冬杰

摘要：選取長江經濟帶為研究區域.以DMSP_OLS夜間燈光數據為遙感數據源，對長江經濟帶省級尺度城市化水平進行了動態評價。首先，提取1992～2012年長江經濟帶的綜合燈光強度（1）和建成區面積（S），構建基于夜間燈光數據的綜合燈光指數模型（Compounded night light index，CNLI），計算長江經濟帶省級尺度的CNLI;其次，構建基于統計數據的兩種傳統城市化水平評價指數模型：綜合城市化水平指教模型（IU）和城市化復合指數模型（Cf）.計算長江經濟帶省級尺度的城市化水平;最后，建立了CNLI與IU和Cf的城市化水平估算模型，對CNLI、IU和Cf進行相關分析和精度驗證，明確夜間燈光指數模型計算結果的準確性。研究結果表明：基于DMSP_OLS夜間燈光數據的CNLI與基于統計數據的IU和Cf間存在明顯的線性相關，CNLI能較好地反映該區域綜合城市化水平。

關鍵詞：長江經濟帶;綜合燈光指數模型CNLI;城市化水平

中圖分類號：TP79

文獻標識碼：A

文章編號：1674-9944（2018）8-0200-03

1 引言

長江經濟帶橫跨我國東中西三大區域，是我國未來經濟發展格局中最具影響力和最有發展潛力的重要區域。改革開放以來，我國城市化進程取得巨大成就[1].城市化是現代化過程的必經階段，也是推動國家和地區現代化的重要力量，該地區的城市化水平是長江經濟帶發展的主體內容。對長江經濟帶城市化水平進行動態評價，分析城市化進程在時間、空間差異，對區域制定科學的決策和長江經濟帶可持續發展有著重要意義。

傳統的城市化水平的測度方法普遍認為有兩種：主要指標法和復合指標法[2]。隨著遙感技術的發展，越來越多的學者開始了DMSP/OLS夜間燈光數據的探索。城市化信息提取方面，國內陳晉[3[卓莉[4]等學者首次應用DMSP/OLS夜間燈光數據構造了相加燈光指數，估算中國省際城市化水半。人口估算方面，曹麗琴[5]等人證明燈光數據與人口有密切關系。經濟方面，潘競虎等[6]運用夜間燈光數據對全國縣區的貧困狀況進行識別，提出了國家重點扶貧縣的調整建議。

本文選取長江經濟帶為研究區域，以1992～2012年DMSP_OLS夜間燈光數據為數據源，構建綜合燈光指數模型（CNLI），綜合分析長江經濟帶省級尺度城市化水平進程的時空分布特征和動態變化過程。在此基礎上，本文又構建基于統計數據的兩種傳統城市化水平評價指數模型：綜合城市化水平指數模型（IU）和城市化復合指數模型（Cf），進行CNLI與IU和Cf的城市化水平回歸估算和精度驗證以檢驗夜間燈光指數模型計算結果的準確性，探究綜合燈光指數模型在長江經濟帶城市化水平測度中的應用。

2 研究區域

長江經濟帶位于東經97°36'～122°95'，北緯21°14'～35°12'，覆蓋了中國江蘇省，浙江省，安徽省，江西省，湖北省，湖南省，四川省，貴州省，上海市和重慶市等9省2市，面積約205萬km2，占中國陸地面積的21.7%。具備豐沛的水資源，礦產資源，農業資源和旅游資源，開發潛力巨大。2016年，長江經濟帶人口為0.58億人，占中國人口的42.8%，GDP為33.3萬億元，占全國GDP的43.1%[7]。長江經濟帶全域有247個城市，其中城市人口超過500萬的特大城市有9個，超過100萬的大城市有77個，超過50萬以上的中等城市有35個，50萬以下的小城市有126個，如圖l所示。

3 研究方法

3.1 基于夜間燈光數據城市化水平動態分析方法

本文采用高賓等[8]提出的夜間燈光指數（ compounded night light index，CNLI），來評價長江經濟帶（圖1）不同尺度城市城市化水平。

CNLI的計算公式為：

CNLI=I×S

（1）

式中，I是城市燈光像元的平均燈光強度[8，9]。，計算公式為：

式中，DN：為第i灰度級城市燈光像元的灰度值，ni，為第i灰度級城市燈光像元的總數，P為提取城市土地信息的最佳閾值，DNM為城市燈光像元的最大灰度值（本研究中最大灰度值為63），NL為滿足條件DNM≥DN≥P的城市燈光像元數量。

S是城市燈光像元面積占區域總面積的比例[10，11]，計算公式為：

區域相乘燈光指數，實際上就是指該區域內燈光像元總亮度值與最大可能總亮度值之比，反應區域內燈光強度達到的水平。

3.2 傳統城市水平動態評價方法

本文采用的傳統研究方法復合指標法為基礎，建立了兩種最為常見的傳統城市化水平動態評價模型：綜合城市化水平指數（IU）[12]和城市化復合指數（Cf）[11]。兩模型所選取的統計指標和各指標的權重均不相同，用這兩個指數來對所研究的區域進行城市化水平的動態評價，并運用ArcGIS軟件將相關數據在地圖上表示出來，通過可視化和統計分析來表征長江經濟帶區域1992～2012年間的城市化動態水平。

3.2.1 綜合城市化水平指數

根據城市化的內涵和本質特征，提出綜合城市化水平指數模型（IU），涵蓋了城市化三維度，分別是人口城市化率、經濟城市化率和空間城市化率，其概念模型為：

IU=∑（PU，EU，SU）

（4）

具體測算時，采用加權法直接計算，即：

IU=WPU×PU+WEU×EU+WsU×SU

（5）

式中：WPU為人口城市化的權重，WEU為經濟城市化的權重，WsU為空間城市化的權重，wPU+WEU+WSU=1。

借鑒眾多已有研究成果的經驗，本文認為3個城市化分量的重要性具有一定的差別，入口城市化最為重要，經濟城市化居中，空間城市化居末，因此，本文3個城市化分量的權重分別取：WPU=0.4，WEU=0.35，WSU=0.25。

3.2.2 城市化復合指數

本文選擇了5個公認的反映城市化水平的統計指標：城市建設用地比重（Cl）、非農人口占總人口的比重（ C2）、人口密度（C3）、第二、三產業產值占國內生產總值的比重（C4）和人均國內生產總值（C5），得到城市化復合指數的計算公式： 式中：W：為第i種城市化水平因子的權重;Ci為第i種城市化水平因子值。這5個因子分別反映了區域城市化過程中的空間屬性、相對人口屬性、絕對人口屬性、相對經濟屬性和絕對經濟屬性。其權重分別為0.167，0.167，0.167，0.167，0.332。

3.3 基于燈光指數的區域城市化水平多尺度估算模型

建立長江經濟帶省級尺度上基于社會經濟數據的IU和Cf的城市化水平估算模型[11]，并采用相對誤差的平均值RErMYi對模型進行精度評定。具體方法如下：

上式中，i表示樣本排序，Y表示待評估的量，Yest代表估算值、Yast代表實際值。

4 研究結果

4.1 城市化水平評價指標相關性分析

從省級尺度出發，選長江經濟帶11個省（包括上海，重慶兩個直轄市），計算夜間燈光數據（I，S和CNLI）與傳統城市化水平因子（Ci）、綜合城市化水平指數（IU）和城市化復合指數（Cf）的相關系數，對兩種方法的計算結果進行相關性分析，結果如表1所示。

從分析結果可以看出，基于夜間燈光數據與傳統方法計算的城市化水平具有顯著相關，具體如下。

（1）整體上看，有93. 65%指標通過顯著水平0.001的檢驗，說明CNLI可以用作城市化水平的評定指數。其中，除1992年的第二、三產業產值占國內生產總值的比重C4相關水平不顯著外，其他均通過了顯著水平0.001的檢驗。

（2）相較其他傳統指標而言，CNL1與城市建設用地比重C1（空間城市化）的相關程度最高，說明很好的反映了區域城鎮面積的平面擴展情況，與C2和C3（人口城市化）的相關性次之，與C4和C5（經濟城市化）的相關性最弱，說明CNLI對長江經濟帶城市經濟化水平的反映還不夠明顯;

（3）Cf和IU均與CNLI顯著相關，但相關程度有所差異，反映出傳統統計方法的缺點，即指標選取不同或賦予權重不同其結果就會存在差異，進一步體現了運用CNLI進行城市化水平評價的優越性，即可以統一統計標準，減小主觀性選擇造成的誤差，提高通用性。

4.2 基于夜間燈光數據城市化水平動態評價模型的精度檢驗

為了了解燈光數據與傳統方法獲得的城市化水平的差異，進一步檢驗夜間燈光數據城市化水平動態評價模型的精度是否滿足要求，以此提高模型的精度和適用性。本文選取2012年長江經濟帶11個省市的CNLI、IU和Cf值進行回歸分析和精度檢驗，見圖2～5。

從圖2～3可以看出，省基于DMSP_OLS夜間燈光數據的CNLI與基于統計數據的IU和Cf間存在顯著一元線性相關。樣本點沿對角線分布。IU的線性相關更強，R2=0.832，Cf相關性次之，R2 =0.786。

從圖4～5可以看出，IU和Cf的回歸預測值與真實值慕本吻合，模型精度較高。ILT的平均相對誤差為7.07%，Cf的平均相對誤差為11.04%.IU的平均相對誤差較小，預測效果相比更好，但是在局部地區兩種方法仍存在誤差，其中江蘇省的IU和cf估計值比實際值偏高。

5 結論

本文基于DMSP/OLS夜間燈光數據提取了長江經濟帶地區分年度的建成區信息，構建的燈光指數CN LI考慮了區域平均燈光強度和燈光面積兩方面的屬性特征，較好地對應表征了傳統的空間屬性指標、人口屬性指標、經濟屬性指標對城市化水平的影響，克服了傳統指標包含人為影響、時效性差、成本高等問題。

通過相關性分析和精度檢驗結果顯示，基于DMSP-OLS夜間燈光數據的CNLI在省級尺度上與基于統計數據的IU和Cf間存在顯著線性相關，有93.65%指標通過顯著水平0.O01的檢驗。通過兩種方法均得到了相同的結果，驗證了CNLI在省級空間尺度進行城市化水平評價的可行性，克服了行政統計方法只能在行政單元進行統計分析的局限，從而更好地評價城市化水平。但不同方法相關程度有所差異，選取的指標不同或賦予權重不同都會造成結果的偏差，這也是傳統方法的一大弊端，側面體現了運用CNLI進行城市化水平評價的優越性，即可以統一統計標準，減小主觀性選擇造成的誤差，提高通用性。

參考文獻：

[1]方創琳.改革開放30年來中國的城市化與城鎮發展[J].經濟地理， 2009， 29（1）：19～25.

[2]張同升。梁進社.中國城市化水平測定研究綜述[J].城市發展研究，2002，9（2）：36～41.

[3]陳晉，卓莉，史培軍，等.基于DMSP/OLS數據的中國城市化過程研究——反映區域城市化水平的燈光指數的構建[J].遙感學報，2003， 7（3）：168～175.

[4]卓莉，李強，史培軍，等，基于夜間燈光數據的中國城市用地擴展類型[J].地理學報，2006， 61（2）;169～178.

[5]曹麗琴，李平湘，張良培.基于DMSP/OLS夜問燈光數據的城市人口估算—以湖北省各縣市為例[J].遙感信息，2009：83～87.

[6]潘竟虎，胡艷興，基于夜間燈光數據的中國多維貧困空間識別[J].經濟地理，2016， 36（11）：124～131.

[7]中國統計年鑒[M].北京：中國統計m版社. 2016.

[8]Gao B，Huang Q，He C，et al.How cloes sprawl differ across cities in China A multi- scale investigation using nighttime light andcensus data [J]. Landscape&Urban Planning， 2016， 148（41）：89～98.

[9]DollC N H， Muller J P，Morley J G.Mapping regional economicactivity from night- time light satellite imagery [J]. Ecological Economics， 2006， 57（1）;75～92.