基于“珞珈一号”夜光遥感影像的粤港澳大湾区城市空间形态分析

张雨欣， 李 熙， 宋 杨， 李长辉

1.武汉大学测绘遥感信息工程国家重点实验室，武汉430079

2.广州市城市规划勘测设计研究院，广州510060

从全球最具有影响力的三大湾区城市群——纽约湾区、旧金山湾区、东京湾区的发展现状[1]和发展实践经验中可以发现：湾区城市群发展的空间分布大多表现为以区域分工为主的平衡发展模式，有利于区域的共同繁荣.近年来，粤港澳大湾区（简称“大湾区”）内城市空间结构从以香港、澳门为核心的模式转变为香港、澳门、广州和深圳的多经济中心模式，但存在中心城市空间整合不足的问题[2].大湾区的经济贸易主要集中在其建成区范围内，城市群的土地利用结构会在很大程度上影响其发展[3].合理规划城市空间的布局可以解决大湾区城市空间结构不合理带来的问题，推动大湾区城市群的经济发展，强化其核心城市的经济影响力[4].产业集中与生产要素在地理空间的流动改变了城市发展结构，随着经济全球化的不断推进，地理大集中和大分散改变了区域空间布局，大湾区城市群的空间分布随着其经济功能不断变化[5].在城市流空间网络的研究中可以发现，了解大湾区内城市的空间网络发展，对城市未来发展方向的讨论具有积极的指导作用[6].

2015 年后，大湾区城市群基本进入工业化后期的前半阶段，在新的发展阶段，城市发展建设应满足要素流动的新要求[7].随着工业化、信息化、市场化的发展，大湾区内传统经济结构受到冲击，因此了解城市空间分布可有效进行区域间的协调[8]，推进大湾区产业结构升级与协同发展.一方面，城市群的集中空间结构有利于生产效率的提高[9]，及时了解大湾区城市空间结构现状，有利于提高大湾区整个城市群的经济绩效；另一方面，城市空间布局对城市生态环境建设也具有重要意义.大湾区的城市化水平高、建成区面积大，因此了解其内部不同类型的板块并探究景观格局的变化是大湾区生态保护及经济可持续发展的关键[10-11].

基于Landsat 影像利用非监督、监督分类方法提取城市建成区时，以往算法的提取结果常常存在误检，建成区的边界准确性不足.而夜间灯光数据则是以人工灯光为观测值，可以明显区分城市和非城市区域.本文利用“珞珈一号”夜间灯光影像，采用简单阈值法、植被调整的夜间灯光城市指数法对粤港澳大湾区进行了城市建成区提取，并对提取结果进行景观指数的计算，进一步分析大湾区城市建成区斑块的空间分布格局，了解其城市建成区的分布情况.

1 研究区概况及数据

1.1 粤港澳大湾区

粤港澳大湾区包括香港、澳门特别行政区以及广东省广州市、深圳市、珠海市、佛山市、惠州市、东莞市、中山市、江门市、肇庆市，是我国开放程度最高的区域之一，在国家发展大局中具有重要战略地位[12].粤港澳大湾区作为国家重大项目“一带一路”的战略支点，对于加强内地产业的发展与创新具有重大意义.同时，粤港澳大湾区还拥有世界上最大的海港群，随着交通的发展，这些区域将逐渐成为沟通中国内地与其他国家的重要交通枢纽，对国际间的经济文化交流起到了积极的促进作用[13].

1.2 夜间灯光数据

夜光影像被广泛用于城市分布研究、社会经济参数估算、重大事件评估等方面[14-15].20世纪70 年代，美国军事气象卫星计划（defense meteorological satellite program,DMSP）搭载的操作线扫描系统传感器（operational linescan system, OLS），获取了全球范围内的夜间灯光影像 .该传感器以夜间灯光为观测值，影像的灰度范围为1∼63，其空间分辨率约为2.7 km.Suomi NPP 对地观测卫星上搭载的可见红外成像辐射计套件（visible infrared imaging radiometer suite, VIIRS）作为DMSP/OLS 的后继产品，在数据质量上比DMSP/OLS 有显著改进.VIIRS 影像消除了日光、月光、杂散光等污染[18]，具有更低的检测极限、更高的空间分辨率（约为740 m）以及更宽的辐射量化范围[19].

DMSP 具有较长时间序列的数据集，其影像主要应用在区域或全球范围内绘制城市范围制图[20]及其随时间动态变化图等[21].但DMSP/OLS影像与VIIRS 影像较低的空间分辨率导致建成区提取结果与真实情况有较大误差，不能很好地体现城市内部空间格局，不利于城市内部分析.

2018年6月2日，新一代夜光遥感卫星“珞珈一号”（LJ1-01）在中国酒泉卫星发射中心发射.LJ1-01 影像是目前空间分辨率最高且经过辐射校准的夜光数据集.其空间分辨率可达到130 m 左右，空间覆盖范围约为250 km×250 km，重访周期为15 d，具有更宽的辐射范围[22].影像可以保留更多的信息，尤其是微弱的夜间灯光[23].LJ1-01 影像不仅可以延续对DMSP、VIIRS 的研究，如社会经济参数回归[24]；还可以进行微观尺度夜光遥感研究，如城市社区住房价格的研究等[25].较高的影像空间分辨率可以保留更多的城市内部空间细节[26]，从而提高城市建成区提取结果的精度，为分析城市空间分布格局提供依据.考虑到LJ1-01 影像以上优势，本文选择了LJ1-01 影像进行城市建成区提取，并对大湾区内城市空间形态进行了分析.

2 城市建成区提取与空间格局分析方法

2.1 数据预处理

在数据与处理中，将LJ1-01 影像重投影至UTM-WGS-1984 坐标系下，并同时利用双线性插值法升采样至100 m 空间分辨率，与高精度的Google Map 影像进行配准，对LJ1-01 影像进行辐射校正，由DN 值转换为辐射亮度值参与后续的计算.LJ1-01 影像的辐射亮度转换公式为

式中，LRadiance为转换后的辐射亮度值，单位为nW/(cm2·sr)，LDN为转换前的DN值，w=0.52 µm.图1 为转换为辐射亮度后的大湾区夜间灯光影像，为了明显表示出亮度差异，图中以伪彩色形式显示.

2.2 城市建成区提取方法

本文采用简单阈值法与城市指数法进行了城市建成区的提取.

2.2.1 简单阈值法提取城市范围

简单阈值法是通过选择某一辐射亮度值作为阈值对夜光影像进行分割的，该方法的关键在于如何确定最佳阈值.文献[27]以中国城市建设用地的统计数据为参考，对比夜光影像提取结果得到最佳阈值；文献[28]通过对城市参考年份的最佳阈值对夜光影像进行标准化处理，比较后得到目标年份的最佳阈值；文献[29]结合VIIRS影像、归一化植被指数与归一化建筑物指数，基于遗传算法提出了一种城市群自动阈值的方法，从而确定不同城市的最佳阈值.

图1 LJ1-01 夜间灯光影像Figure 1 LJ1-01 nighttime light image

对于不同大小、不同发展程度的城市，若选择全局阈值法进行城市建成区提取，结果可能会出现发展程度较高的城市被高估、发展程度较低的城市被低估的现象[30-31]，于是本文选择局部阈值法对不同城市进行建成区提取.

2.2.2 城市指数法提取城市范围

对于城市建成区的提取指数，可选择通过夜光影像与归一化植被指数（normalized difference vegetation index, NDVI）计算人类居住指数（human settlement index, HSI），其值反映对应像素为城市建成区的概率.某像素的HSI 越接近1，该像素为城市建成区的可能性越高.但HSI 存在一些缺点，在城市中心区域的夜间灯光亮度达到最大时NDVI 趋于0，HSI 呈指数增长，且HSI 过度校正了城市核心外围区域的饱和度，在郊区的提取结果会比实际情况低一些.

文献[33]利用MODIS NDVI 数据对夜间灯光值进行调整，得到了植被调节的城市夜间灯光指数（vegetation adjusted NTL urban index, VANUI）[33].VANUI 可利用植被信号降低夜光影像的饱和度.夜间灯光与NDVI 之间成反比关系，使得调整后的夜间灯光能更稳健地反映城市化地区.某像素的VANUI 指数越接近1，其为城市建成区的概率越高.本文利用VANUI 提取大湾区内城市建成区，为了减少不同发展程度的城市之间的影响，对每个城市分别选择不同阈值范围进行城市建成区提取.

VANUI 的计算公式为

式中，IVANUI为VANUI 指数值；INDVI为归一化植被指数值，用来反映植被信号；Lnor为归一化后的夜间灯光辐射亮度.

由于LJ1-01 辐射亮度范围与NDVI 的取值范围不同，直接参与计算会影响计算结果，将LJ1-01 的辐射亮度影像进行归一化，其变换公式为

式中，L为转换后的辐射亮度值，Lmax为辐射亮度最大值，Lmin为辐射亮度最小值，Lnor为归一化后辐射亮度值.

采用Landsat 8 反射率波段计算得到归一化植被指数NDVI，其计算公式为

式中，INDVI为归一化植被指数，ρNIR为Landsat 8 OLI 影像中的近红外波段反射率，ρR为红波段反射率.将计算后的NDVI 重采样至分辨率为100 m 的图像.图2 展示了大湾区内2018年平均的NDVI 分布情况.

图2 粤港澳大湾区2018 年平均NDVI 分布Figure 2 2018 annual average NDVI distribution in GBA

3 城市景观格局指数分析方法

本文利用景观格局特征指数描述城市内部不同斑块类型的分布形态，分别分析了粤港澳大湾区不同城市内部斑块的空间分布格局，进而研究了城市内建成区斑块类型形状聚集程度与空间离散程度.

实验中景观指数分析采用美国俄勒冈州立大学开发的Fragstats 软件，该软件能够在斑块水平、类别水平与景观水平上计算景观指数[34-35].本文仅对采用夜光影像提取出的城市建成区斑块进行景观分析，并采用类别水平计算景观格局指数.为较全面表现出城市建成区斑块的空间格局特征，选取了7 个特征指标进行分析：斑块数目，斑块密度，平均板块面积，斑块面积标准差，最大斑块指数，周长面积分形维数，平均最近邻体距离.

4 实验与分析

4.1 提取结果后处理

实验过程中存在小斑块的误提取现象.小斑块虽然在辐射亮度上表现为城市建成区，但其大小并不满足城市建成区范围.由于数据本身的分辨率与“溢出”现象的影响，这些小斑块可能是乡镇区域被误提取造成的.因此需要对提取结果进行后处理，将提取出的结果中斑块面积小于50 个像素的斑块剔除，以反映真实的地面灯光分布.

4.2 粤港澳大湾区城市建成区提取及精度分析

4.2.1 港澳大湾区城市建成区提取结果

对于不同发展程度、不同大小的城市，选择一系列阈值进行城市建成区提取，并将该城市建成区统计数据作为参考，得到两种方法最佳阈值下的城市建成区提取结果，分别如图3 和4所示.

图3 简单阈值法提取粤港澳大湾区城市建成区结果Figure 3 Simple threshold method for extracting results of urban built-up areas in GBA

图4 VANUI 提取粤港澳大湾区城市建成区结果Figure 4 VANUI for extracting results of urban built-up areas in GBA

对比简单阈值法与VANUI 指数法提取出的结果可以发现，简单阈值法提取出的结果在城市边缘存在“高估”现象，而在计算VANUI 指数时，NDVI 降低了对夜光影像的饱和度，减少了城市核心区域的过饱和现象，在城市边缘的“高估”现象也有所减少.对比图5 可以看出，利用简单阈值法提取肇庆市城市建成区时，城市边缘的非城市区域也被认为是城市建成区.从图6 肇庆市西南部的西江提取结果则可以看出，简单阈值法中水体部分基本被误提取，而VANUI 法可以避免部分水体的误提取.

图5 简单阈值法与VANUI 法提取结果对比Figure 5 Comparison extraction results between simple threshold method and VANUI method

图6 简单阈值法与VANUI 对比提取结果对比Figure 6 Comparison extraction results between simple threshold method and VANUI method

4.2.2 粤港澳大湾区城市提取结果精度评价

本文选择空间分辨率为5 m 的Google Map 卫星影像代表土地利用实际情况，根据城市像素数随机生成采样点，在大湾区共生成1 400 个采样点，并对采样点进行目视判别以确定其是否为城市建成区.然后统计随机采样点，并计算混淆矩阵、总体精度及Kappa 系数，分别评价了简单阈值法、VANUI 法对于城市建成区的提取精度.两种方法提取结果的最佳精度分别如表1 和2 所示.

从两者提取结果对应的最佳阈值与精度可得，不同城市的最佳阈值明显不同，其最佳阈值的大小与城市发展程度与大小相关，发展程度高的城市所对应的最佳阈值更大.从提取结果的整体精度与Kappa 系数来看，VANUI 法比简单阈值法的精度高，提取的结果更接近真实地表情况.

4.3 粤港澳大湾区城市景观格局指数及分析

对比两种方法提取的城市建成区的结果，VANUI 法提取的城市建成区精度更高，所以在景观格局指数分析时以VANUI 法最佳提取结果进行景观指数分析.通过Fragstas 软件求解粤港澳大湾区11 个城市的7 个景观指数，得到了2018 年粤港澳大湾区城市景观分析指数.具体结果如表3 所示.

表1 简单阈值法提取粤港澳大湾区不同城市建成区最佳结果精度Table 1 Simple threshold method for extracting the best result accuracy of different urban built-up areas in GBA

表2 VANUI 法提取粤港澳大湾区不同城市建成区最佳结果精度Table 2 VANUI method for extracting the best result accuracy of different urban built-up areas in GBA

表3 粤港澳大湾区不同城市的景观指数Table 3 Landscape index in different cities of GBA

从表3 可以看出：

1）大湾区范围内的城市均属于发展程度较高的城市，11 个城市的周长面积分形维数基本保持在1.50∼1.80 范围内，城市建成区斑块复杂度较高，受人类活动影响较小.广州、惠州、江门3 个城市的斑块数目较多，多于100 块，其余城市除佛山、肇庆外，斑块数目都在20 块以下.大湾区城市的斑块密度平均在0.025 0 左右，除澳门仅有一个斑块外，其余城市的斑块密度都小于0.040 0 个/km2，在绝大部分的城市内部，城市建成区所占比例都较低.查看11 个城市的平均斑块面积，东莞的城市建成区平均斑块面积最大，为78.07 km2；深圳的平均斑块面积仅次于东莞，为35.79 km2；其余城市的建成区平均斑块面积都在30.00 km2以下.

2）香港、深圳、广州作为大湾区的发展领头城市，在城市中心区域发展较完备的情况下，以城市中心为核心向外扩展，助力城市边缘地区的全面崛起，在城市建成区以外的区域可能构成小型的建成区斑块.表现在景观指数上，深圳、广州、香港的城市建成区斑块数量、平均最近邻体距离等指标较高，其周长面积分形维数小于其他城市.对比城市间的斑块面积标准差可发现，斑块紧凑型高的、发展较快的城市标准差较小.广州、深圳等城市作为大湾区发展的核心，由于其在城市边缘的扩展而存在较大的面积标准差.图7 展示了广州市城市建成区的提取结果，从图中可以看出，主要城市建成区包括西南部的白云区、天河区、越秀区等地区，与佛山主要建成区相连，但在广州东北部的从化区形成了小的建成区斑块，增加了建成区斑块的平均最近邻体距离，且斑块数目也多于其他发展城市.

3）佛山、中山、珠海、东莞4 个城市的城市建成区斑块紧凑性较高，在城市建成区部分空间分布组成完整.对比不同城市的景观分析指数可发现，其平均最近邻体距离较短.从最大斑块指数可以看出，大湾区范围内的绝大多数城市发展较快，最大斑块的影响能力较强，而惠州、江门、肇庆3 个城市没有形成比较明确的发展核心，城市不同区域的发展程度差别不大，其最大斑块指数较低，不同的建成区斑块间没有较大的差异.

5 结 论

从以上的城市建成区的提取与景观分析过程可以得到以下结论：

1）本文利用“珞珈一号”夜间灯光影像对粤港澳大湾区进行城市建成区提取，比较了简单阈值法与VANUI 法的提取结果，整体精度分别为0.912 9 和0.925 0，Kappa 系数分别为0.907 7 与0.910 4.对比简单阈值法的提取结果，VANUI 指数可以降低城市内部夜间灯光的饱和度，减少非城市区域与水体的误提取，提高城市建成区的提取精度.

图7 广州市城市建成区提取结果Figure 7 Urban built-up area of Guangzhou

2）作为大湾区发展的核心城市，深圳、香港、广州的发展程度较高且向外扩展，其斑块数目较多，城市建成区斑块的平均最邻近体距离分别为9.07 km、12.57 km、11.42 km；而在肇庆、江门、惠州3 个城市属于发展程度较低的城市，没有形成较明显的发展核心，其城市建成区斑块距离较远，建成区最大斑块指数皆小于5.50%；其余5个城市的城市建成区核心集中，其建成区平均斑块面积较小，建成区斑块间距离也小.

3）本文方法提取城市建成区时仅采用了简单阈值法与VANUI 法.在后续研究中，可以考虑夜光影像与高分辨率遥感影像融合，采用监督分类方式提高分类精度.另外，在实验中选用了7 个景观指数描述城市建成区斑块，且仅从城市的发展程度分析斑块分布，接下来的研究应考虑城市道路网建设、土地利用结构信息、城市生态情况等，以多方面分析城市建成区斑块的分布格局.