1、第 46 卷 第 1 期2023 年 1 月测绘与空间地理信息GEOMATICS&SPATIAL INFORMATION TECHNOLOGYVol.46,No.1Jan.,2023收稿日期:2021-09-27作者简介:朱 健(1988-),男,江西萍乡人,测绘工程专业硕士研究生,主要研究方向为城市空间结构。基于夜间灯光遥感数据与 POI 数据的城市中心识别 以深圳市为例朱 健,郑秋红,陈韵莹(江西理工大学 土木与测绘工程学院,江西 赣州 341000)摘要:尝试结合夜间灯光遥感数据(NPP-VIIRS)和 POI 数据,去识别深圳市的城市中心。首先,通过实验确定了多分辨率分割的最佳参数并确
2、立了统一的空间单元计算 POI 的密度;其次,通过计算 Anselin Local Morans I 结合人类活动密度把高-高聚类单位定义为城市主中心,并使用地理加权回归模型根据 POI 密度的平方根与分割单元的几何中心到城市主中心的加权距离来确定子中心,识别出了 2 个城市主中心和 11 个城市子中心;最后通过与传统识别城市中心的方法进行对比分析。结果表明:多尺度分割、Anselin Local Morans I 与地理加权回归结合的方法更好。关键词:多尺度分割;多中心城市;城市空间结构;夜间灯光遥感图像;POI中图分类号:P237 文献标识码:A 文章编号:1672-5867(2023)0
3、1-0122-05City Center Recognition Based on Night Light Remote Sensing Data and POI Data:Taking Shenzhen City as an ExampleZHU Jian,ZHENG Qiuhong,CHEN Yunying(Institute of Civil and Surveying Engineering,Jiangxi University of Science and Technology,Ganzhou 341000,China)Abstract:This article attempts t
4、o combine night light remote sensing data(NPP-VIIRS)and POI data to identify the city center of Shenzhen city.First,the optimal parameters of multi-resolution segmentation are determined through experiments and a unified spatial unit is established to calculate the density of POI.Second,the high-hig
5、h clustering unit is defined as the main center of the city by calculating Anselin Local Morans I combined with human activity density,and it uses the geographically weighted regression model to determine the sub-centers based on the square root of the POI density and the weighted distance from the
6、geometric center of the seg-mentation unit to the main center of the city.Two main city centers and eleven city sub-centers are identified.The methods of identif-ying the city center are compared and analyzed.The results show that through multi-scale segmentation,Anselin Local Morans I combined with
7、 geographically weighted regression is better.Key words:multi-scale segmentation;multi-center city;urban spatial structure;night light remote sensing image;POI0 引 言城市是一个自然、人文与经济结合的复合生态系统。近五十年来,全球城市化、城镇化的进程以前所未有的速度推进1。由于全球的城市人口的增长,城市化的进程逐渐加快,城市的规模日益扩大,导致许多城市的城市空间结构发生了明显的改变。主要的改变还是从单中心结构到多中心结构的变化。对于多中
8、心结构,根据多中心的内涵不同,可分为形态多中心和功能多中心 2 个方面2。形态多中心是描述地理空间上的人类活动的剧烈程度,功能多中心则是不同类别区域在人类生活中所体现的功能上不同性质的描述。夜间灯光遥感数据由于其能够开放获取、范围覆盖全球和高时间分辨率而被广泛用于城市研究3。当前夜间灯光遥感数据具有数据多源、数据更新快、覆盖区域广等特点4,在城市群的扩张5、城市经济产业发展6、城市的演化发展 7、城市体系等级格局8等领域得到了广泛应用。经历大数据的爆发式发展,不仅使用统计数据,遥感影像和其他数据等开放访问的数据在城市结构的研究中起着越来越重要的作用。大规模、高精度的定位数据可以帮助学者从微观、
9、宏观、动态、静态等多个角度去分析城市内部的空间结构。POI 数据又称为兴趣点数据,包含地物的空间分布及其地物类别相关信息,具有地物定位精度准确、地物种类丰富、数据更新快等优点,代表着地面上的地理实体的点数据。目前,POI 数据主要用于城市边界提取9、城市建成区提取10、城市功能区识别11、城市产业空间格局12。与传统调查方法对比,POI 数据用于识别城市中心具有准确性高、时效性强等特点,但 POI 数据却很少用于研究城市的多中心结构。根据 POI 数据确定了重庆的多中心结构及其对整个城市的影响范围13。通过采用点模式分析方法和不同行业就业中心的集聚效应,确定了北京都市圈的主要和次要城市中心,并
10、通过比较就业中心撤离前后的聚集度来进行讨论14。很少有学者把 POI 与夜间灯光遥感数据结合起来15,已经有学者发现,夜间灯光遥感数据与 POI 数据有很强的耦合空间关系16。因此,本文尝试将夜间灯光遥感数据与 POI 数据结合起来,用于识别深圳市的城市中心的分布情况。深圳作为中国改革开放设立的首批经济特区,是中国经济发展最好的城市之一。本文的研究目标主要是:1)使用多尺度分割、Anselin Local Morans I 和地理加权回归的方法搭建一个城市中心的探测框架,结合 POI 和夜间灯光遥感数据去识别深圳市的城市主中心与子中心。2)将本文提出的框架探测出的参考中心的范围和传统方法探测出
11、的参考中心的范围与深圳市城市总体规划(20102020)所规划出的中心范围进行对比分析。1 研究区域概况与数据1.1 研究区域概况深圳市作为我国改革开放首批建立的经济特区,坐落于中国广东省中南部沿海地区,与中国香港行政区相邻,是中国经济发展最好的城市之一。根据深圳市统计年鉴,深圳市在 20092019 年期间,常住人口从 891.23万增长到 1 343.88 万,人口增长迅速,可能导致深圳市的城市空间结构发生变化。本文以深圳市的全部区域作为研究区域,截至目前,深圳市的面积 1 997.47 km2,行政区划主要包括 9 个行政区和 1 个功能区。1.2 数据来源与数据预处理1.2.1 夜间灯
12、光遥感数据本文研究使用的夜间灯光遥感数据是 VIIRS 日/夜波段(DNB)的 NPP-VIIRS 月平均复合遥感图像。这个数据是通过美国国家大气管理局(NOAA)(http:/ngdc.noaa.gov/eog/viirs/download_viirs_ ntl.html)获得的空间分辨率为 750 m 的影像。通过对 NPP-VIIRS 重投影、重采样至500 m 的空间分辨率和裁剪,去除背景噪声,年纪连续性校正。1.2.2 POI 数据本研究使用的数据是通过高德地图的 API(https:/ POI 数据,经过重复值与异常值的清洗得到 856 449 条 POI 数据。将这些数据导入 A
13、rcGIS 并对其进行坐标转换使其与 NPP-VIIRS 的投影坐标系一致。1.2.3 辅助数据本文使用的人口密度数据用作实验的辅助数据,它来自 worldpop 平台(https:/www.worldpop.org/)的分辨率为 100 m 的高精度人口密度数据。2 研究方法2.1 多尺度分割为了实现多源数据融合和聚类特征分析,必须建立统一的空间单元。在本文的研究中,通过使用 eCognition的多分辨率分割算法进行多分辨率分割来建立空间单元,它是全球第一个面向对象的影像分析软件。多分辨率分割算法是一种自上而下的分割算法17,当对象内部的平均异质性与对象之间的同质性达到最大时,对相邻要素的
14、对象进行合并,并通过区域合并技术完成图像分割18。eCognition 软件包含多种分割方案,主要包括棋盘分割、四叉树分割、多光谱分割等。其中多分辨率分割是一种常用的分割方法,它的分割参数主要有形状因子、比例因子和紧密度因子。本文使用 EPS2(Estimation of Scale Parameter)工具辅助获取最佳的分割尺度。EPS2 是针对 eCognition 软件的多尺度分割算法提出的最佳分割效果插件。它通过把分割尺度参数不一样的影像对象同质性的局部变化率(local variance,LV)当作分割对象层的平均标准差,对分割效果进行评估,并使用 LV 的变化率值 ROC-LV(r
15、ate of change of LV)来确定分割尺度,当 LV 的值最大且为峰值时即分割尺度最佳,通过该值分析分割结果19。通常情况下,通过 EPS2 确定的最佳分割尺度并不是唯一值。LV 的变化率公式为:ROC=LVL-LVL-1LVL-1 100(1)其中,LVL为分割对象层的平均标准差,LVL-1为分割层下一层的平均标准差。2.2 城市中心检测2.2.1 城市主中心检测城市主中心是以人口密度和活动密度高的聚类特征图,并结合夜间灯光遥感影像的分割结果,使用每个单元的 POI 密度计算它的 Anselin Local Morans I。Morans I是一个评价空间自相关性的常用指标。为了
16、找出深圳市的主要中心,通过使用夜间灯光数据的分割单元分析 POI数据的聚类特征。紧接着用分割单元对 POI 进行计数,计算每个分割单元的 POI 密度,最后应用 Anselin Local Morans I20。Anselin Local Morans I 的 I 的统计量的定义如下:Ii=xi-xS2inj=1,jiij(xj-x)(2)其中,ij表示空间权重矩阵,xi表示分割单元 i 的密321第 1 期朱 健等:基于夜间灯光遥感数据与 POI 数据的城市中心识别度值,x 表示全部分割单元密度值的均值 S2i为S2i=nj=1,ji(xj-x)2n-1-x2(3)对空间矩阵进行归一化ni=1njiij=n(4)Z 得分,即 Ii的统计检验Z(Ii)=Ii-E(Ii)Var(Ii)(5)E(Ii)=-nj=1,jiijn-1(6)Var(Ii)=E(I2i)-E(Ii)2(7)把 Anselin Local Morans I 的结果与 MoranI 散点图结合,将每个区域与周围区域之间的空间差异程度分为四类:第一类是高高集聚区,指的是该区域具有高值对象且被高价值对象包围;第二类是低低
