中外超大城市生態質量遙感評價

王美雅，徐涵秋 (.閩南師范大學歷史地理學院，福建 漳州 363000；2.福州大學環境與資源學院/ 福州大學遙感信息工程研究所/ 福建省水土流失遙感監測評估與災害防治重點實驗室，福建 福州 3506)

城市作為復雜生態系統，其冠層垂直交互的動量通量、熱量通量和濕度與鄉村或者其他區域大不相同[1]。超大城市規模之大使得其生態效應遠大于其他中小城市和鄉村。超大城市建筑和道路極其密集，地表景觀格局趨于復雜化和破碎化[2]，加上大量人為活動產生了大體量的水、熱和大氣污染等城市代謝[3]，在強大外力干擾下，生態用地的生態調控能力嚴重不足[4]。對比評價超大城市生態質量差異，有助于提高超大城市建設與區域生態平衡互饋關系內在機制的認知能力，為控制城市發展規模及城市生態規劃與整治提供科學參考。

多時相、多光譜、多平臺的遙感衛星影像能夠在全球范圍內提供準確、一致的數據，更綜合、準確地反映下墊面地物光譜信息和熱信息等生態指標狀況，可以克服傳統地面觀測站點資料數據極其有限的問題，實現海量“面”數據的獲取。近幾十年來，遙感技術迅速發展，在生態質量評價研究領域得到廣泛應用，大大彌補了傳統半定量監測評價方法的缺陷。早期研究僅用單一因子來體現某個區域整體生態狀況，評價結果過于片面[5]。為此，我國發布并優化了生態環境指數(EI)[6]。此外，許多學者也相繼開展了用多指標集成進行生態狀況評價的研究[7-8]。但這些研究存在評價因子過于繁瑣，評價指標難以獲取，指標權重主觀性較強，評價結果不能體現區域生態狀況的空間差異等問題。針對以上問題，徐涵秋[9]提出了遙感生態指數(remote sensing based ecological index，RSEI)，選取綠度、干度、濕度和熱度4個指標，采用不受人為干擾的主成分分析法耦合為一個評價綜合生態狀況的指數。賈有余等[10]選取凈初級生產力、地表溫度、地表裸露度和植被覆蓋度4個指標，利用空間主成分分析方法構建生態評價模型分析蘇州吳中區陸域生態保護紅線區生態環境質量的時空變化特征。在超大城市區域，城市土地覆蓋和地表景觀格局、發達的交通網絡以及人為活動產生的熱島效應和空氣污染等多方面因素變化與城市生態系統間存在復雜的潛在非線性關系，這使得城市生態質量客觀評估遇到嚴峻技術挑戰。而在前人生態指數和模型研究中，缺少針對空氣質量、生態斑塊景觀格局和道路密度等大城市區域重要生態評價因子的分析，且這些城市生態指數和模型對超大城市的適用性也有待進一步探究。

1978年以來，中國城市化水平由17.92%提高到2015年的56.10%[11]。其中，北京、上海和廣州人口數排名均已躍居世界前25位[12]。中國超大城市與國外倫敦、紐約和東京等超大城市在城市建設模式上呈現出不同特征。從城市空間擴展形態[13]、交通發展模式[14]、人均公園綠地面積[15]和人均建設用地面積[16]等指標來看，倫敦城市外圍分布大面積綠帶環，抑制了城市無序蔓延，表現出城鄉融合型的多元化發展模式，城鄉公共交通發達。紐約采用分散型發展模式，建設用地向外低密度蔓延，構建了小汽車交通主導的道路網絡模式。東京依托交通線路向外呈帶狀擴展，表現出高密度集約化發展模式，采用公共軌道交通相關的放射式指狀發展模式。在人均公園綠地和人均建設用地方面，2015年，倫敦人均公園綠地和人均建設用地面積分別為33和210 m2，大于紐約(15和95 m2)和東京(5和73 m2)。北京、上海和廣州城市建設由中心向外輻射式蔓延擴張，城市規劃方面均采用“多中心、多組團”布局模式，交通建設方面均采用公共交通與小汽車并重發展模式。2015年，北京、上海和廣州人均公園綠地面積分別為16、9和22 m2；人均建設用地面積分別為85、75和57 m2。近幾年超大城市均面臨眾多生態環境問題。北京、上海和廣州等城市頻發局地大風、高溫和暴雨等極端天氣事件，空氣污染加劇。而倫敦、紐約和東京等國外超大城市也面臨熱島效應問題。因此，選取國內北京、上海和廣州以及國外倫敦、紐約和東京6個超大城市，建立超大城市生態評價模型，對比評價不同城市建設模式下城市生態質量差異，以期為未來生態城市建設提供寶貴建議。

1 研究區概況

北京、上海和廣州為中國城市規模排名前3的超大城市；倫敦、紐約和東京為城市規模居世界前列的3個超大城市，分別分布在歐洲、北美洲和亞洲。6個超大城市的城市規模相當，人口眾多，GDP高，但城市發展軌跡和城市空間格局顯現不同特征，具有對比性。由于中國、美國、英國和日本等國家行政區劃差異較大，以6個城市建成區外擴5 km緩沖區范圍作為研究區(圖1)，以此劃定具有對比性的城市邊界[17]。

2 研究數據與方法

2.1 數據來源與預處理

遙感衛星影像數據源的一致保證了研究數據的可靠性。主要研究數據為Landsat 8衛星影像，北京、上海、廣州、倫敦、紐約和東京的影像獲取日期分別為2015-08-22、2015-08-03、2015-10-18、2015-10-02、2015-08-26和2015-10-09。所選影像季節相近，基本無云層覆蓋。參照文獻[18-19]模型和參數以及Landsat 8網站提供的公式和參數對Landsat 8影像進行輻射校正，將影像DN值轉換為傳感器處反射率。

2.2 城市生態評價遙感指數(URSEI)

遙感生態指數(RSEI)選取綠度、濕度、熱度和干度4個遙感指標，采用主成分分析來自動量化各個指標對生態的貢獻度，避免了人為干擾[9]，已被廣泛應用于數十個城市和地區[2,20]。所選4個指標均與城市生態密切相關，濕度反映地表土壤和植被的濕度；綠度反映城市植被健康和覆蓋度狀況；干度反映地表裸露干化程度；熱度反映地表溫度空間格局。此外，空氣質量指數反映城市空氣污染問題；路網密度反映超大城市密集交通網絡對城市生態系統的影響；生態連接度反映快速城市化過程中城市生態用地空間格局的優劣[21]。以上3個指標均反映城市快速擴張對城市生態系統的作用，同樣與超大城市生態狀況優劣密切相關，因此對RSEI指數進行改進，選取空氣質量指數(AQI)、路網密度(RD)、生態連接度(ECI)、熱度(Heat)、綠度(Greenness)、干度(Dryness)和濕度(Wetness)7個指標，構建基于遙感的城市生態評價模型(urban remote sensing ecological index，URSEI，IURSE)，其計算公式為

IURSE=f(IAQ,DR,IEC,W,INDV,INDBS,THEA)。

(1)

式(1)中，IAQ為空氣質量指數；DR為路網密度；IEC為生態連接度；W為濕度；INDV為綠度；INDBS為干度；THEA為熱度。各指標計算方法如下：

(1)空氣質量指數：采用PM2.5值高低表征空氣質量指數高低。研究[22-23]表明，PM2.5濃度與植被、建筑用地分布具有強相關關系。因此，通過建立植被指數NDVI和不透水面指數(normalized difference impervious surface index，NDISI)[24]與PM2.5濃度的多元回歸模型反演研究區30 m分辨率的PM2.5專題影像。具體方法為：首先，通過6個城市相關網站獲取對應地面PM2.5監測數據。然后，基于各城市Landsat 8影像，提取各站點NDVI和NDISI指數值。將地面站點實測的PM2.5濃度作為因變量，對應的NDVI(x1)和NDISI(x2)指數作為自變量，構建每個城市PM2.5多元線性回歸模型。最后，反演得到研究區30 m分辨率的PM2.5專題影像。

(2)路網密度：數據來源于開放街道圖數據(open street map，OSM)，基于OSM數據提取城市高速公路、主干道、次干道和鐵路等道路矢量信息，并采用核密度(kernel density)計算城市路網密度空間分布。計算方法為：以300 m×300 m方形網格作為路網密度圖基本計算單元，網格內道路總長度與面積之比為路網密度，單位為km·km-2。將反演得到的路網密度專題圖重采樣為30 m分辨率。

(3)生態連接度：首先，采用隨機森林(random forests，RF)分類算法[25]提取植被、水體、不透水面和其他用地(裸土)4種地表覆蓋類型。RF算法生成決策樹數量和用于測試的特征數目參數分別設置為500和2。進一步采用NDISI指數設定閾值的方法將不透水面劃分為高密度不透水面(0～50%)和低密度不透水面(>50%～100%)。將這5種地表景觀類型分成生態用地(植被、水體)和障礙面(高密度不透水面、低密度不透水面和其他用地)2大類。接著，基于最小耗費距離模型，以障礙面為“源”，5種景觀類型為阻力面計算障礙影響指數(barrier effect index, BEI,IBE)。然后，以生態用地為“源”，障礙影響指數BEI為阻力面，計算2種生態用地經過3種障礙類型實現連接所需要克服的阻力[26]，得到各城市生態連接度ECI評價結果。

BEI指數反映不透水面等阻礙類型對植被和水體等生態用地斑塊之間實現結構聯系的阻隔程度，某給定障礙物產生的障礙效應隨最小耗費距離的增加呈對數增加[27]，其計算公式為

Ysi=bs-k1sln [k2s(bs-dsi)+1]，

(2)

(3)

式(2)～(3)中，Ysi為第s種障礙物所產生的障礙效應；bs為第s種障礙物類型的權重系數，其值參照文獻[27]；k1s和k2s分別為不同障礙類型指數遞減函數的校正系數；dsi為通過最小耗費距離模型計算出的最小耗費距離，m；n為障礙類型的種類數。得到研究區BEI指數后，基于最小耗費距離模型計算生態連接度ECI，其計算公式為

(4)

(5)

式(4)～(5)中，di為第i個像元到各生態用地的總耗費距離，m；dri為第i個像元到第r種生態用地的耗費距離，m；dmax為研究區內像元到各生態用地總耗費距離的最大值，m；IEC,i為第i個像元的生態連接度。ECI值越高，表明該區域生態用地斑塊間連接程度越好，更有利于發揮生態效益。

(4)濕度：采用纓帽變換的濕度分量(W)來表示[28]，其計算公式為

W=0.151 1ρ2+0.197 3ρ3+0.328 3ρ4+

0.340 7ρ5-0.711 7ρ6-0.455 9ρ7。

(6)

式(6)中，ρ1、ρ2、ρ3、ρ4、ρ5、ρ6和ρ7分別為Landsat OLI影像對應波段的反射率。

(5)綠度：選用歸一化植被指數NDVI來表示，其計算公式為

INDV=(RNI-DRE)/(RNI+DRE)。

(7)

式(7)中，RNI和DRE分別為近紅外和紅光波段。

(6)干度：干度指標(normalized difference built-up and soil index, NDBSI)采用裸土指數(SI,IS)與建筑指數(IBI,IIB)的均值來綜合代表[29]，其計算公式為

INDBS=(IS+IIB)/2，

(8)

IS=[(ρ5+ρ3)-(ρ4+ρ1)]/[(ρ5+ρ3)+

(ρ4+ρ1)]，

(9)

IIB=

(10)

式(8)～(10)中，ρ1、ρ2、ρ3、ρ4和ρ5分別為Landsat OLI影像第2、3、4、5、6波段反射率。

(7)熱度：采用地表溫度(land surface temperature,LST，TLS)表示，地表溫度反演采用單通道算法[30]，其計算公式為

Tsensor=K2/ln (K1/Lsensor+1)，

(11)

TLS=γ[ε-1(ψ1Lsensor+ψ2)+ψ3]+δ。

(12)

式(11)～(12)中，Tsensor為傳感器處亮溫值，K；K1和K2分別為熱紅外波段定標常數，W·m-2·sr-1·μm-1和K；Lsensor為熱紅外波段輻射值，W·m-2·sr-1·μm-1；γ和δ分別為基于Planck函數的2個參數；ε為地表比輻射率；ψ1、ψ2和ψ3為大氣水汽含量函數。

模型構建：采用主成分分析方法(principal component analysis，PCA)構建城市生態評價遙感指數[31]。第1主成分(PC1)最大程度地集成了各變量信息，可用來耦合以上7個指標變量，構建URSEI模型，其計算公式為

IURSE=PC1[f(IAQ,DR,IEC,W,INDV,INDBS,THEA)]。

(13)

為使大數值代表生態狀況好，先用1減去PC1來獲得初始生態指數IURSE，0，對IURSE，0結果進行歸一化，使其值介于[0，1]之間。URSEI值越接近1，代表生態質量越好。

3 結果與分析

3.1 URSEI與RSEI結果對比

對比6個城市URSEI和RSEI指數的生態狀況排名結果(圖2)，倫敦和廣州城市生態質量排名一致，均分別位列第1和第2位。北京和紐約城市生態質量在URSEI指數中排名分別位列3和4位，在RSEI指數中則排名相反，分別為4和3位。上海和東京城市生態質量在URSEI指數中排名分別位列5和6位，在RSEI指數中則排名相反，分別為6和5位。進一步對比URSEI和RSEI各指標均值統計結果(表1～2)，可以看出，生態質量指標差異導致了評價結果不同。

表1 6個超大城市URSEI指數評價情況Table 1 7 ecological indicators and URSEI results of the 6 megacities

表2 6個超大城市RSEI指數評價情況Table 2 4 ecological indicators and RSEI results of the 6 megacities

相比RSEI指數，URSEI評價指標增加了空氣質量指數、路網密度和生態連接度3個指標，而這3個指標一定程度地影響超大城市生態質量排名。北京起負向作用的路網密度低于紐約，且起正向作用的生態連接度高于紐約，雖然其起負向作用的空氣質量指數高于紐約，但其荷載值較低，受這3個指標綜合影響，北京URSEI評價排名較RSEI有所提升，紐約排名有所下降。上海起負向作用的路網密度低于東京，且起正向作用的生態連接度高于東京，雖然其起負向作用的空氣質量指數高于東京，但其荷載值較低，受這3個指標綜合影響，上海URSEI評價排名較RSEI有所提升，東京排名則下降。由此可見，URSEI指數的生態質量評價指標能更全面地反映城市生態狀況差異，因此以下選用URSEI指數對超大城市生態進行評價。

3.2 URSEI指數7個指標反演結果

圖3為6個城市URSEI指數7個指標反演結果。表3為利用主成分分析方法計算得到的指標權重和方差信息。由表3可知，7個指標第1主成分累計方差貢獻率在70%～85%之間，PC1可以較大程度地集成各變量信息。統計對比其他特征分量結果，第2主成分PC2累積方差貢獻率僅為7%～11%，第3主成分PC3累積方差貢獻率僅為3%～7%，PC4～PC7累積方差貢獻率均小于5%，PC2～PC7累積方差貢獻率之和遠小于第1主成分，因此，可用PC1來耦合城市生態評價模型的7個指標變量。對比不同指標的PC1荷載值符號可以看出，ECI、Wetness和Greenness荷載值均為正值，3者對生態質量起正向作用，而AQI、RD、Dryness和Heat荷載值均為負值，它們對生態質量起負向作用，這與城市生態情況相符。對PC1荷載較高的因子為ECI和Greenness，荷載值均大于0.45。

表3 研究區URSEI指數7個指標主成分分析結果Table 3 PCI results of 7 indices of URSEI

從7個生態指標空間分布(圖3)看出，6個城市不同指標呈現出不同的空間分布狀況。由圖3可知，對比各城市AQI指標〔圖3(a)〕，城市植被覆蓋率低的區域空氣污染情況明顯高于綠地集中分布的區域。對比RD指標〔圖3(b)〕，紐約城市內部道路網絡密度差異較小，均衡性最優。相比國外的3個城市，北京、上海和廣州城郊路網密度表現出較強的差異性，即路網密度高值集聚性較強，低值區較多。對比ECI空間分布〔圖3(c)〕，6個城市連接度水平最高的區域主要位于城市周邊區域，均表現出明顯的孤島狀分布態勢；低連接區域主要位于城市中心不透水面密集的區域，表現出良好的結構連接性。其中，倫敦具有高連接度的斑塊面積明顯大于其他城市，而紐約低連接區域分布最廣。對比Wetness指標〔圖3(d)〕，城市綠地集中分布的區域濕度高于建筑和裸土密集分布區域，尤其以北京、廣州和紐約對比最明顯，上海和倫敦濕度指標總體偏低。對比Greenness指標〔圖3(e)〕，北京、廣州、倫敦、紐約和東京在城市周邊具有植被覆蓋率高的大型綠地，而在城市中心區域，倫敦和廣州植被覆蓋度比其他城市高，紐約和東京植被覆蓋率則明顯低于其他城市。對比Dryness指標〔圖3(f)〕，不透水面密集分布的城市中心區域，干度指標明顯高于自然覆蓋地表區域，尤其東京不透水面覆蓋率明顯高于其他城市，且空間分布上呈連片性。對比Heat指標〔圖3(g)〕，城市建筑密集區域熱度明顯高于大片綠地和水體分布區域。6個城市中，具有較大比例的高溫區，但是廣州和倫敦高溫斑塊明顯破碎化，東京高溫斑塊連片性最強。

3.3 6個城市URSEI指數結果對比分析

通過URSEI模型反演得到6個超大城市URSEI反演影像(圖4)。URSEI均值數據結果(表1)表明，6個城市URSEI指數均值分布在0.445～0.542區間范圍內，生態指數等級均為中等。其中，倫敦URSEI指數值最高，說明其生態質量最好，其次為廣州、北京、紐約和上海，東京URSEI值最低，即東京城市生態質量最差。

對比生態質量最好的倫敦和廣州與生態質量最差的東京和上海的URSEI指數各指標值發現，倫敦和廣州URSEI指標中，對生態質量起正向作用的生態連接度和綠度指標值較高，對生態質量起負向作用的空氣質量指數、路網密度、干度和熱度指標值較低，使得這2個城市生態質量好于其他城市。雖然倫敦濕度指標低于其他城市，但它對PC1的貢獻度不及其他6個指標。東京URSEI指標中，對生態質量起正向作用的生態連接度和綠度指標相對較低，對生態質量起負向作用的路網密度、干度和熱度指標值均高于其他城市，雖然其濕度指標值較高，但濕度指標對PC1的貢獻度較小，使得其URSEI指數值最低。上海URSEI指標中，對生態質量起正向作用的生態連接度和綠度指標相對較低，對生態質量起負向作用的空氣質量指數、干度和熱度指標較大，雖然其濕度指標值較高，路網密度值較低，但這2個指標對PC1的貢獻度較小，使得其URSEI值也較低。

為進一步分析URSEI指數的代表性，將6個超大城市URSEI值以0.2為間隔劃分成5級，1～5級分別代表生態差、較差、中等、良和優5個等級，統計各等級區域面積所占比例(圖5)。總體來看，各城市生態等級為中等、較差和差區域面積均占各城市總面積的60%以上，最高達82%；而生態等級為優和良的區域面積僅占20%～35%。對比不同城市的結果可以看出，東京生態等級為中等、差和較差的區域面積所占比例最高，達到81.90%，其次為上海(78.66%)，紐約、北京和廣州次之，且都接近70%，最低為倫敦(63.79%)。倫敦生態等級為優和良的區域面積占比最高，為36.21%，其后依次為廣州(31.71%)、北京(31.23%)、紐約(29.51%)和上海(21.34%)，東京最低，為18.10%。由此可以看出，東京生態等級為中等、差和較差區域面積占比最高，生態等級優和良區域面積占比最低，因而其生態質量評價結果最差。倫敦生態等級為優和良的區域面積占比最高，生態等級為中等、差和較差的區域面積占比最少，因而其生態質量評價結果最好。

從空間分布(圖6)上來看，URSEI等級為差和較差的區域主要分布在城市中心和副城市中心高不透水面覆蓋地區，這些地區人類活動頻繁，植被覆蓋度低，空氣質量差，建筑、道路等人工地表的阻隔使得生態用地生態效益較低，熱島效應嚴重，導致其生態質量差；而生態等級為優良級別的區域主要分布在城市大塊綠地和外圍山體、農田等植被覆蓋區，這些地區人類活動較少，其綠度和濕度高，干度和熱度低，空氣質量較城區好，完整連續的生態用地發揮的生態效益也更高，因而表現出較高的生態等級。

從圖6也可以直觀反映出，代表較差和差生態等級的區域與城市建成區范圍高度吻合，基本填滿了城市建成區區域，代表優生態等級的區域則主要分布在建成區外側，建成區內只有一些零星分布的公共綠地生態等級為優。結合6個城市規劃政策實施情況來看，上海和東京城市總體規劃所提出的“多中心多組團”布局模式未得到很好實施，組團間無法形成良好的綠化分隔帶，使得城市不透水面向外蔓延擴展的趨勢未得到有效遏制，加上城市中心區功能不斷聚集，總體生態質量值較其他城市低。相比而言，倫敦走田園城市組團發展模式，通過大片綠地來分割組團，避免密集連片發展，城市綠地生態效益較好，生態質量評價值最高，廣州的“多中心多組團”模式在新城區有較好的生態分割空間，生態質量評價值也相對較高。

4 結論

(1)空氣質量指數、路網密度、生態連接度、熱度、綠度、干度和濕度是超大城市生態質量的重要影響因子，以此建立的城市生態評價遙感指數URSEI可以綜合反映指標信息，定量評價超大城市經過不同城市建設模式后的生態狀況差異。ECI、Wetness和Greenness指標對生態質量起正向作用，而AQI、RD、Dryness和Heat指標對生態質量起負向作用。植被和生態用地空間格局優劣是改善城市生態系統最重要的影響因子，但城市干度、熱度、空氣質量和路網密度等指標的綜合作用會導致城市生態惡化。

(2)URSEI指數采用遙感和GIS技術進行反演，指標集成和閾值設定采用非人為的方法，既能作為一個量化指標來刻畫區域生態質量，又可以將區域生態質量可視化，從“點”和“面”上反映城市空間的生態差異性。URSEI指數評價結果顯示，北京、上海、廣州、倫敦、紐約和東京6個超大城市的URSEI均值分布在0.445～0.542之間，倫敦生態質量最好(URSEI為0.542)，其后依次為廣州(0.533)、北京(0.517)、紐約(0.511)和上海(0.495)，東京生態質量最差(0.445)。對比URSEI指數的7個指標分量，倫敦和廣州URSEI分量中，對生態質量起正向作用的生態連接度和綠度指標值較高，對生態質量起負向作用的空氣質量指數、路網密度、干度和熱度指標值較低，使得這2個城市生態質量較其他城市好。

(3)生態質量較差的區域主要分布在城市中心和副城市中心，生態質量較好的區域主要分布在城市大型綠地覆蓋區。城市不透水面覆蓋率高，植被覆蓋少，人工地表阻隔使得生態用地的生態效益較低，熱島效應嚴重，空氣質量差，導致其生態質量差；城市大塊綠地覆蓋區綠度和濕度高，干度和熱度低，空氣質量較好，完整連續的生態用地發揮的生態效益也更高，因而生態質量較好。城市生態質量與城市合理規劃建設密切相關。在今后城市規模不斷擴展過程中，更應注重生態理念的實際貫徹和實施，使城市健康可持續發展。