1、青藏高原城镇化水平时空动态及影响因素基于长时间序列夜间灯光数据的分析*王一航1，2）吕彩凤1）潘鑫豪1）刘志锋1）（1）北京师范大学地理科学学部自然资源学院土地资源与区域发展研究中心，北京师范大学地表过程与资源生态国家重点实验室，100875，北京；2）清华大学附属中学望京学校，100102，北京）摘要基于长时间序列夜间灯光数据集构建复合灯光指数（compoundednightlightindex，CNLI），量化了青藏高原19922018 年城镇化水平动态变化.在省级行政区、地级行政区、县级行政区和流域等多个尺度上分析了青藏高原城镇化水平变化过程，揭示了青藏高原城镇化水平空间集聚特征以及不同
2、时间段城镇化水平的影响因素.结果表明：青藏高原 19922018 年的总体城镇化水平呈加速增长趋势并且内部存在显著的空间差异，CNLI 由 1.03104增长到4.46103，大约增长了 42 倍；青藏高原高城镇化水平聚集区面积和数量均显著增大，在西宁周边、拉萨周边和区域的东南边缘形成了 3 大高城镇化水平聚集区；此外，青藏高原城镇化水平动态变化主要受到交通和地形的影响，交通要素的影响在不断加强.本研究基于长时间序列夜间灯光数据集的城镇化水平动态变化分析方法具有普适性，可用于其他统计资料不完善的地区的城镇化水平分析.关键词青藏高原；城镇化；夜间灯光数据；空间分析；影响因素中图分类号K909DO
3、I：10.12202/j.0476-0301.2022021城镇化是农村人口向城镇集中的过程，它是人类社会经济发展的重要进程12.因此，城镇化水平已经成为衡量一个国家或区域社会经济发展水平的重要指标3.青藏高原素有“世界屋脊”“亚洲水塔”和“地球第三极”之称，是中国重要的生态安全屏障、战略资源储备基地和中华民族特色文化保护地，也是影响全球可持续发展的重要地区46.在“一带一路”倡议、新型城镇化与“西部大开发”的共同推动下，青藏高原正经历着从内陆地区、西南边陲等地域功能向开放门户、对外通道等地域功能的转变和拓展.区域迁入人口增多、工业化进程加快、交通运输快速发展，促进了青藏高原社会经济的进一步发
4、展，出现了兰西城市群、拉萨都市圈等城镇密集区78.青藏高原的快速城镇化进程在促进区域社会经济发展的同时，导致了自然栖息地丧失、生物多样性下降、空气污染和水质恶化等一系列生态环境问题，对区域可持续性构成了严重威胁911.准确量化青藏高原城镇化水平动态变化是揭示该区域城镇化对社会经济和生态环境影响的基础，具有重要的理论和现实意义.目前已有学者在不同尺度上开展了青藏高原城镇化水平动态相关研究，这为深入理解青藏高原城镇化水平动态奠定了良好的基础.傅小锋12基于历史统计资料分析了青藏高原 1997 年以前的城镇化水平动态及其驱动机制；戚伟8基于社会经济统计数据分析了青海省和西藏自治区 19902010年
5、城镇化格局的时空分异特征及影响因素.然而，傅小锋仅在省级尺度上分析了青藏高原 19521997 年城镇化水平动态变化，戚伟在县级尺度上量化了西藏自治区和青海省 1990、2000 和 2010 年 3 期的城镇化水平.通常情况下，收集整理社会经济统计数据，不但需要耗费大量的人力、物力和财力，而且统计数据本身存在一定的滞后性和统计口径不一致的现象.并且青藏高原地区还存在长时间序列可比的县市级相关统计数据的不足，因此目前青藏高原全域的长时间序列城镇化水平动态尚不清楚.夜间灯光数据为量化青藏高原城镇化水平动态提供了新的途径.夜间灯光数据能够反映城市灯光甚至小规模居民地、车流等发出的低强度灯光，并使*
6、第二次青藏高原综合科学考察研究资助项目（2019QZKK0405）；国家自然科学基金资助项目（41871185，41971271）通信作者：刘志锋（1986），男，博士，副教授.研究方向：城市景观可持续性.E-mail：Z收稿日期：2022-01-102023-02北京师范大学学报（自然科学版）59（1）JournalofBeijingNormalUniversity（NaturalScience）163之明显区别于黑暗的乡村背景，因此能够用来直接表征城镇社会经济特征，以弥补社会经济统计数据存在的滞后性、空间信息缺失和统计口径不一致等缺陷1314.基于夜间灯光数据构建指数能够有效量化城镇化水平
7、，该方法已被广泛用于度量全国不同地区的城镇化水平1416.本文基于 LJ1-01 高空间分辨率夜间灯光数据和夜间复合灯光指数（compoundednightlightindex，CNLI）量化了青藏高原 2018 年多个尺度城镇化水平的空间格局，进一步证明了利用夜间灯光数据量化青藏高原城镇化水平的有效性17.但目前还缺乏基于夜间灯光数据度量青藏高原城镇化水平动态的研究.当 前 国 际 主 流 的 夜 间 灯 光 产 品 为 DMSP-OLS（defense meteorological satellite program-operationallinescan system）、NPP-VIIR
8、S（suomi national polar-orbiting partnership-visible infrared imaging radiometersuite）和 LJ1-01 这 3 类数据集14，1819.从夜间灯光数据的时间序列上看：DMSP-OLS 最早开放使用，其数据存档时间为 19922013 年；NPP-VIIRS 数据从 2012 年开放至今；LJ1-01 目前仅开放了 20182019 年的部分数据.DMSP-OLS 和 NPP-VIIR 这 2 种数据产品也因为空间分辨率、辐射特征等方面存在较大差异，近年来众多学者致力于对二者进行相互校正融合2021.近 期 发
9、布 的 长 时 间 序 列 夜 间 灯 光 数 据集 GHNTL（globaharmonizationofDMSPandVIIRSnighttimelightdata）较好地融合了 DMSP-OLS 和 NPP-VIIRS 这 2 种数据，为揭示青藏高原城镇化水平动态提供了新的数据支撑22.本文的研究目标是基于长时间序列夜间灯光数据 GHNTL 量化青藏高原 19922018 年城镇化水平的动态变化.为此，首先参考相关研究，对 GHNTL 夜间灯光数据进行背景噪声过滤、冰川斑块消除和年际序列订正；然后在省级行政单元、地级行政单元、县级行政单元及流域尺度基于长时间序列夜间灯光数据集，逐年量化了青
10、藏高原 19922018 年的城镇化水平；最后讨论利用夜间灯光数据量化青藏高原城镇化水平动态的优势，以及青藏高原城镇化水平动态变化的主要影响因素.研究结果可以为评价区域城镇化的社会经济与生态环境效应提供基础，有助于促进青藏高原城镇可持续发展.1研究区概况青藏高原位于26003947N、731910447E，总面积约 258.09 万 km223，平均海拔超过 4000m，是世界上平均海拔最高的高原，有“世界屋脊”和“地球第三极”之称24.青藏高原年平均气温由西北低于6 到东南的 20，年降水量为 502000mm25.该地区地跨青海省、西藏自治区、新疆维吾尔自治区、甘肃省、四川省和云南省 6
11、大省级行政单元以及36 个地级行政单元，其中西宁市、拉萨市、日喀则市等 19 个地级行政单元主城区位于研究区内（图 1）.共涉及 207 个县级行政单元，其中香格里拉市、格尔木市、合作市等 153 个县级行政单元主城区位于研究区内.对于主城区不在青藏高原范围内的地级行政区和县级行政区，在地级尺度和县级尺度分析中将这些城镇剔除，以避免对其城镇化水平的错误估计.青藏高原近年社会经济快速发展26，在县市尺度，城镇化发展水平的空间差异较大，大多数地区城镇化水平处于低水平，同时存在城镇化高水平地区，例如拉萨市市辖区、西宁市市辖区以及大柴旦、茫崖、冷湖、格尔木市等工矿县市，其人口城镇化率甚至接近 100%
12、8.2数据与方法2.1数据用于分析青藏高原城镇化水平的夜间灯光数据来源于 Li 等22发布的全球夜间灯光数据集GHNTL（https:/doi.org/10.6084/m9.figshare.9828827.v2）.该数据集包括 2 部分数据，空间分辨率均为 1km.一部分是 2013 年及其之前经时间校正后的 DMSP-OLS 夜间灯光数据，另一部分是 2013 年之后由 NPP-VIIRS 转化为与 DMSP-OLS 空间分辨率和辐射特征相似的夜间灯光数据（DMSP-like）.Li 等对 2 种传感器夜间灯光数据进行融合的主要步骤如下：1）对原始 NPP-VIIRS 数据进行年度合成预处
13、理，剔除了噪声异常值；2）利用核密度方法对年度合成的 NPP-VIIRS数据空间重采样至1km，并使用 Sigmoid 函数逐年将NPP-VIIRS 转换为 DMSP-like 数据；3）将经过时间校准的DMSP-OLS 数据（19922013 年）与来自NPP-VIIRS的 DMSP-like 数据（20142018 年）进行整合，最终生成长时间序列的夜间灯光数据.用于计算综合城镇化水平指数的建成区数据来源于中国科学院地理科学与资源研究所发布的中国土地利用现状遥感监测数据（http:/ 1km.人口和国内生产总值数据来源于研究区内各省的社会经济统计年鉴数据.用 于 分 析 城 镇 化 空 间
14、 格 局 影 响 因 素 的 DEM（digitalelevationmodel）数 据 来 源 于 美 国 太 空 总 署（NationalAeronauticsandSpaceAdministration，NASA）和国防部国家测绘局（NationalImageryandMappingAgency，NIMA）发布的 SRTM（shuttleradartopography164北京师范大学学报（自然科学版）第 59 卷mission）数据（http:/srtm.csi.cgiar.org/SELECTION/inputCoord.asp），空间分辨率为 90m；土壤数据来源于国家青藏高原科学
15、数据中心（http:/）的世界土 壤 数 据 库（harmonizedworldsoildatabase，HWSD）土壤数据集（v1.2），空间分辨率为 1km2728；气象气候数 据 来 源 于 中 国 气 象 数 据 网（http:/ 括 全 国 839 个 气 象 站 点 的2018 年 112 月的气象数据平均值，利用克里金插值法对站点数据进行了空间插值，得到了空间分辨率为 1km 的气象数据29；水资源数据来自世界资源研究所（https:/ WWF（WorldWideFundforNature）全球流域边界数据集（https:/www.hydrosheds.org/）30，考虑到流域
16、单元大小和单元内的城镇分布数量，本文取第 5 级流域划分；铁路和公路等交通数据来源于 OpenStreetMap（http:/download.geofabrik.de）；冰川数据来源于国家冰川冻土沙漠科学数据中心（http:/）31；居民点等基础地理信息数据来源于 1100 万全国基础地理数据库（https:/ 1100 万基础地理信息中心（http:/），包括行政边界、行政中心、河流和湖泊等数据.2.2方法2.2.1夜间灯光数据预处理参考 Koen 等32的研究，综合考虑使用的夜间灯光数据在各个城镇的表现，即大多数城镇居民点的夜间灯光灰度值均6.5，灰度值6.5 的像元多为冰川或湖泊反射月光造成的异常值，因此选用灰度值6.5 为标准对原始夜间灯光数据进行有效值提取，具体公式为DCt,i=Dt,i,Dt,i6.5，0,Dt,i6.5，（1）Dt,iDCt,i式中：表示第 i 个像元第 t 年的原始灰度值；t=1992，1993，2018；表示订正后的灰度值.为了进一步消除误差和剔除异常值，利用冰川和居民点数据对夜间灯光范围进行校正.考虑到夜间图例05001 000 km研究区边界省级