闫高鑫， 裴凤松， 仲 锐

(江苏师范大学 地理测绘与城乡规划学院,江苏 徐州 221116)

城市化是人类社会发展的必然趋势.在城市化进程中，人类经济活动除了直接产生环境污染外，还会引起整个城市区域自然生态体系结构和功能的变化，甚至是不可逆转的退化[1].相比地球上的其他系统，城市系统受到人类活动造成的气候变暖、二氧化碳浓度升高和氮沉降增加的显著影响，被认为是全球变化研究的“自然实验室”[2-3].因此，城市系统中的植被状况可视为未来全球植被变化的“预兆”.研究城市化过程中植被的生长状况，对于阐明其他非城市生态系统未来的植被变化具有重要意义[3-4].

以往的研究认为，城市的树木往往比其他生态系统的树木生长得更为缓慢，这主要是因为它们面临更大的环境压力，如较高的温度、较低的空气湿度、较低的土壤湿度等[5-6].但实际情况并非如此.例如：Gregg等[7]使用可操作的配对实验，发现纽约市城市中的树苗长速比农村的树苗快两倍；Briber等[8]发现波士顿经历城市化后，城市残存森林中的树木生长速度普遍变快；Imhoff等[9]比较了城市、郊区和农村环境中的植被指数，发现城市化可能会增强或抑制植被生产，具体情况取决于城市的位置及气候背景.以上不论是实地操作实验还是诊断分析所得的结果，都体现了城市化对植被生长影响的不确定性.

随着城市化快速发展，如何衡量城市化程度，如何评估与人工建筑物特别是不透水面共存的城市系统中植被的生长状况，受到学者们的广泛关注.目前的研究主要集中在城市建成区扩张的时空变迁及其对区域植被覆盖度或景观格局的影响[10-12].部分研究通过计算城市化过程中土地覆盖类型变化导致的归一化植被指数(normalized difference vegetation index，NDVI)变化，分析城市化对植被生长的促进或抑制效应[1,13].然而，以往研究较少讨论不透水面和自然植被共存的城市建成区，尤其是不同城市化程度下植被的生长情况.基于此，本文以淮海经济区10个城市为研究对象，通过量化城市化程度与植被指数的关系，对比分析2000—2018年城市化过程中植被的变化及其对城市化的响应，旨在为推动淮海经济区城市可持续发展及生态文明建设提供参考.

1 研究地区与研究方法

1.1 研究区概况

2018年11月，国家发展改革委发布了《淮河生态经济带发展规划》，明确了在淮河流域构建“一带、三区、四轴、多点”的总体格局，其中，“三区”包括北部的淮海经济区、东部的海江河湖联动区和中西部的内陆崛起区，这表明淮海经济区正式上升为国家战略[14].根据规划，淮海经济区包括江苏的连云港、宿迁、徐州，安徽的淮北、宿州，河南的商丘，山东的济宁、菏泽、临沂、枣庄，共10个地级市80个县(市、区).淮海经济区位于苏鲁豫皖4省交界处，地处黄淮海平原南部，南接长三角城市群，北接黄河流域中下游地区，地理位置优越.在全国经济格局中，淮海经济区具有承接东西、联结南北的重要战略地位.

1.2 数据来源及数据处理

本研究使用的数据主要包括2000—2018年的夜间灯光数据、NDVI数据和其他数据.

夜间灯光数据来源于国家地球系统科学数据中心(http:∥www.geodata.cn)的全球500 m分辨率“类NPP-VIIRS”夜间灯光数据集.该数据集具有与NPP-VIIRS夜间灯光数据相同的参数属性和数据质量，具有良好的时序一致性，能够真实地反映不同尺度下人口以及灯光亮度的时序变化.该数据集解决了DMSP-OLS和NPP-VIIRS两套夜间灯光数据无法同时使用的问题，是一个完整的长时序(2000—2020年)夜间灯光数据集[15].

2000—2015年NDVI数据来源于地理空间数据云网站(http:∥www.gscloud.cn)的中国500 m NDVI月合成产品，选取每年植物生长成熟的9月份的数据；2016—2018年的NDVI数据来源于LAADS(The level-1 and atmosphere archive & distribution system)数据接口的MOD13A3数据集，数据空间分辨率为1 km，时间分辨率为每月，选取每年9月的数据，使用MRT(MODIS reprojection tool)对数据进行格式转换以及投影变换.

其他数据主要包括2000—2018年的城市建成区面积数据和2015年的土地利用数据.城市建成区面积数据来源于《中国城市统计年鉴》(中国统计出版社，2000—2018年).2015年的土地利用数据来源于中国科学院地理科学与资源研究所资源环境科学与数据中心(https:∥www.resdc.cn/)的中国土地利用现状遥感监测数据，空间分辨率为1 km.该数据以Landsat TM/ETM+数据及Landsat 8卫星遥感影像为主要数据源，通过人工目视解译生成，被广泛应用于土地资源调查、水文和生态研究等方面，具有一定的可靠性.

在ArcGIS中对上述数据进行投影转换、掩膜等相关预处理，获得同一投影方式下研究区各城市的各类数据.由于本研究使用模型将夜间灯光数据和NDVI数据统一融合至新的格网再分析，因此在数据预处理阶段没有统一原始数据的空间分辨率.

1.3 城市建成区的提取

夜间灯光数据常存在灯光过饱和问题，这导致所探测到的人类活动灯光分布区域往往大于实际情况[16].为解决这一问题，有学者提出了参考比较法：增大提取阈值使获取的灯光分布区面积变小.据此，必然存在一个能够使提取得到的灯光区与实际的城市建成区范围基本一致的理想阈值[17-18].本文即采用该方法，具体步骤是：将夜间灯光数据分级，并设定一系列阈值，将不同阈值所覆盖的城市面积与《中国城市统计年鉴》中相应的建成区面积数值进行对比，取误差最小的阈值为最佳提取阈值，进而提取亮度值大于该值的地区，即城市建成区.由于灯光数据为浮点型且数值较为集中，为提高提取精度，将相关数据值扩大100倍转化为整型数据再进行处理.

由于不同城市在社会经济发展、生态环境及资源禀赋上存在差异，若使用单一阈值开展大范围内多个城市的城市建成区统一提取势必会给提取结果带来偏差[19-20]，因此，本研究以城市为单位对淮海经济区城市建成区进行了逐年、逐城市的提取.

1.4 城市化程度与植被指数的关系

为了系统量化城市化对植被生长的影响，将城市建成区分割成1 km×1 km的像元，提取植被生长状况.由于每个像元都包含不透水面和自然植被表面，根据Zhao等[21]的概念框架，某一像元的植被指数(vegetation index,VI)为

Vx=(1-β)Vv+βVnv，

式中：Vx为该像元的VI值；Vv为该像元中城市化前背景植被区或完全植被区的VI值；Vnv是该像元中人工建筑物表面或完全城市化区域的VI值；β为该像元的城市化程度，本文定义为城市建成区面积在该像元中的比例，

这里Spix为该像元中建成区表面的面积，S为该像元的面积.本文假设：1)被建设用地完全覆盖像元的NDVI均值为完全城市化VI值；2)被林地完全覆盖像元的NDVI均值为完全植被化VI值.

基于此，绘制出所有像元的Vx值与对应的城市化程度β值的散点图，并采用(1)式拟合出城市化程度β与植被指数Vx之间的非线性关系：

y=a0+a1x+a2x2+a3x3.

(1)

2 结果与讨论

2.1 城市建成区面积变化

2000—2018年，淮海经济区各城市的建成区面积呈现持续增长趋势(图1)，各城市的城市建成区扩张效果明显.济宁市建成区扩张速度最快，从36 km2增长至240 km2，增幅超过500%；徐州、连云港、宿迁、商丘、临沂和菏泽6市，增幅超过300%；宿州市建成区面积涨幅最小(43%).从增长速度来看，2003—2012年，徐州市经历了快速的城市化过程，城市建成区面积增长速率最快；连云港、济宁、商丘和菏泽4市的城市建成区也经历了快速的增长；其他城市的建成区面积增长速率则相对较为平稳.总体来说，2000—2018年淮海经济区各个城市经历了快速城市化的阶段，尤其是徐州、连云港、济宁、商丘和菏泽市，宿州市则相对发展滞后.

图1 淮海经济区城市建成区面积变化Fig.1 Changes in built-up area of different cities in Huaihai Economic Zone

2.2 Vx随β的变化

城市化过程中，不仅城市用地的空间分布和外部形态发生改变，城市用地覆盖下的植被状况也常常发生巨大变化.一方面，植被状况变化是城市扩张带来的必然后果；另一方面，植被状况也能够反映城市用地的扩展情况，植被水平是衡量城市发展和城市现代化的重要指示物之一[22].本文采用1 km×1 km的网格对淮海经济区各城市建成区进行划分，统计各城市建成区所覆盖像元的城市化程度β与植被指数Vx，将(β,Vx)离散点拟合为Vx-β曲线.本文使用完全植被化(β=0，Vx=Vv)和完全城市化(β=1，Vx=Vnv)这两个特殊像元定义零影响线(图2中黑色虚线)来表示城市化不影响VI的情况.零影响线以上的点表示该像元城市化对植被生长的积极影响，而在零影响线以下的点表示该像元城市化对植被生长的消极影响.

2.2.1Vx-β曲线时空变化计算结果显示：淮海经济区各城市的拟合回归方程均具有统计学意义(P<0.05).根据图2，淮海经济区各城市Vx-β回归曲线的大部分都位于零影响线上方，表明2000—2018年淮海经济区城市化对VI大都表现为增强作用.Vx-β曲线呈下降趋势，这是随着城市发展，像元中的非植物表面、建筑物表面的比例增加的结果，与理论相符.

从时间序列上看，2000—2012年淮海经济区各城市的植被指数均保持较高水平，2012—2015年呈整体下降趋势，到2018年又整体升高.结合城市建成区面积的变化可以发现：2012—2015年，连云港、济宁、枣庄、宿州和宿迁5市的建成区面积均呈现快速增长趋势，快速的城市化给植被带来明显的负面影响，使VI值整体降低.

另外，相同时期、不同城市的VI值较为接近，Vx-β曲线在图上的位置也较为邻近(图2)，这可能与淮海经济区10个城市的地理位置相近，在同一时段下拥有相似的气候条件和资源禀赋有关.相反，同一城市、不同时期的Vx-β曲线在图上相距较远，并呈现较大差异.通过对数据的分析，我们认为，这可能与各市城市化的快速发展、各市在不同的发展时期所采取的规划政策不同有关[22].

图2 2000—2018年淮海经济区各城市植被指数Vx随城市化程度β的变化Fig.2 Vx-β curves of cities in Huaihai Economic Zone from 2000 to 2018

2.2.2 不同城市化程度下Vx-β曲线差异由图2可知，不同曲线中Vx随β下降的速率不同，这可以通过拟合曲线的斜率反映出来.曲线斜率绝对值越小，表示城市化对植被影响的程度越小；反之亦然.本文利用0.3和0.7两个城市化程度阈值将城市化分为低、中、高3个水平，分析图2中曲线的斜率变化.可以发现，城市化程度在0～0.7时，大部分Vx-β曲线斜率绝对值较小，曲线下降速率逐渐变缓，表明在中低城市化阶段，随着城市化程度的提高，其对周边植被的不利影响减弱.这可能与城市化早期不透水面的面积较小有关.在城市化进程中，虽然人工建筑物替换了部分原有的自然植被表面，但是剩余的自然植被在单位面积上对VI的贡献更大.在城市化程度为0.7～1时，大部分Vx-β曲线的斜率绝对值较大，曲线下降速率加快，表明当城市化发展到较高水平时，像元中不透水面占比过大，像元的土地利用性质发生改变，对植被生长产生较大的负面影响.

另外，部分城市在城市化发展到较高水平时，仍延续了中等程度城市化对植被生长负面效应减弱这一趋势，如淮北市(2012年)、商丘市(2015年)、宿迁市(2015年)、枣庄市(2018年).此时，虽然像元中不透水面的占比也较大，但未对植被造成很严重的负面影响.通过与城市建成区面积数据进行对比分析，可以发现，尽管城市化程度较高，但是上述现象出现时各城市建成区扩张速度均有所减缓，这反映了城市化程度及城市扩张速度对城市植被的影响程度.因而，我们应该努力寻求和维持城市扩张速度与生态建设之间的平衡，在城市发展的同时注重对生态环境的保护工作.

3 讨论

以往的研究表明，夜间灯光数据能够较好地反映人类活动特点及其规律，因而，利用夜间灯光数据可以进行大尺度城市用地提取和城市化进程的动态监测，这弥补了城市扩张研究中资料不足、方法繁琐的缺陷[23].与传统的DMSP/OLS数据相比，NPP/VIIRS夜间灯光数据具有更高的空间分辨率和更广泛的辐射探测范围.本文基于NPP/VIIRS夜间灯光数据，利用参考比较法，提取了淮海经济区不同城市建成区的最佳阈值，为探究淮海经济区城市扩张和植被变化的关系提供了基础资料.

城市地区的人类活动变化以及植被对这些变化的响应，可以作为全球变化中其他生态系统响应的“预兆”[3,24-26].本文通过量化城市化程度与植被指数，分析植被生长对城市化过程的响应.研究结果表明：淮海经济区各城市Vx-β曲线在时间上有较大差异，但在空间上相差不大；各城市植被指数整体稳定，回归曲线大多位于零影响线上方，说明在城市化背景下存在普遍的植被指数增强现象；大部分植被指数随着城市化程度的增加而降低，下降速度先减缓后加快，表明中低程度城市化对植被生长的负面效应总体较弱，而在高程度城市化下这种负面影响有所上升；高城市化背景下，部分城市的城市化过程对植被生长的负面影响持续减弱.因此，必须在城市发展过程中寻求城市扩张与生态建设的平衡.

城市化程度、城市扩张速度及自然地理背景均可能对植被生长产生重要的影响.本文并未分离这些因素的相对作用，而是仅利用曲线斜率来探讨城市化过程对植被生长的减缓或加剧作用，具体的影响机制还难以确定.如何分离不同因素对城市植被的影响，以及如何量化城市化对植被生长的减缓或加剧效应，是下一步研究的重点内容.