高 岩, 邢汉发, 2, 张焕雪

(1.山东师范大学 地理与环境学院, 济南 250300; 2.华南师范大学 地理科学学院, 广州 510631)

0 引 言

城市空间结构是指在城市发展的过程中由于各种功能与其物质外貌不同而形成的功能分区, 由不同功能区的组合与分布构成[1]。城市空间结构在展示城市功能分区的同时, 也在一定程度上预示着未来城市功能分区的调整与变化方向, 因此对于城市空间结构的研究一方面可以对现有的城市功能分区进行详细的了解, 便于对整体的把握; 另一方面, 可预测与把握未来城市功能区发展的趋势与方向, 避免城市功能区发展过于集中或分散。因此, 对城市空间结构的进一步研究, 对城市功能区的合理布局与未来城市协调与稳定发展有重要意义。

近年来随着众多学者对城市空间结构研究的深入, 通过夜光数据与POI(point of interest)数据对城市空间结构进行探索的成果也越来越多。POI数据因更新速度快、数据量大、精度高等特点, 目前在城市边界提取[2]、城市居民流动[3]、城市功能区划分[4-5]、城市商业规划[6]方面有非常广泛的研究。夜光遥感因为与人类活动高度关联, 同时具有高时空分辨率的特点, 在城市空间扩张[7-9]、城市体系格局演变[10]、城市人口估算[11-12]、城市GDP模拟[13-15]等领域具有广泛应用。

在目前的研究中, 使用夜光遥感与POI数据对城市空间结构进行耦合主要从空间维度进行探讨: 王毓乾等使用POI、夜光遥感和微博签到3种数据对北京市的城市空间结构进行探究[16]; 于丙辰等从南海港口的角度对三亚市城市空间结构进行研究[17]; 陈斌等使用POI与夜光遥感数据对武汉主城区的城市空间结构进行了探索[18]; 罗虹等以昆明市为研究区使用两种数据耦合对城市空间结构进行分析[19]。综上, 现有的研究大都在同一时间使用多源数据对城市空间结构进行探索, 少有从时间维度对城市空间结构从多源数据耦合的角度进行的探究, 且大多数从耦合相异的区域进行讨论, 缺乏对于耦合相同的区域进一步探究。

《粤港澳大湾区发展规划纲要》提出了在未来粤港澳大湾区一方面要成为世界级城市群、国际科技创新中心、“一带一路”建设的重要支撑、内地与港澳深度合作示范区, 另一方面要建设成为宜居宜业宜游的高品质生活圈, 成为高质量发展的典范[20]。作为粤港澳大湾区的中心城市, 深圳市的城市空间结构特征与粤港澳大湾区经济发展紧密相连。本文针对从空间和时间两个角度使用夜光遥感和POI对城市空间结构进行探索缺乏的现状, 以粤港澳大湾区中心城市——深圳市作为典型研究区, 使用VIIRS夜光遥感数据与POI数据, 通过核密度分析与空间耦合等方法, 对深圳市的城市空间结构从空间与时间两个角度进行探索, 对耦合相同与相异的区域进行分析, 研究了夜光遥感和POI在不同耦合模式中城市的空间结构特征, 以期能对深圳市城市规划与发展, 以及粤港澳大湾区其他城市内部的城市空间结构的改善与调整提供科学依据与改进参考。

1 研究区概况与数据

1.1 研究区概况

深圳地处中国华南地区, 广东南部、珠江口东岸, 东临大亚湾和大鹏湾, 西濒珠江口和伶仃洋, 南隔深圳河与香港相连, 是粤港澳大湾区四大中心城市之一，总面积1 997.47 km2, 常住人口1 343.88万人(2019年数据)。深圳市下辖9个行政区和1个新区: 罗湖、福田、南山、宝安、龙岗、盐田、龙华、坪山、光明区和大鹏新区, 如图1所示。

图1 深圳市行政区划示意图

深圳南部与北部经济发展差异大, 俗称“关内”的老特区(福田、南山、罗湖和盐田区)教育与金融较为发达, 俗称“关外”的新特区(宝安、龙岗、龙华、坪山和光明区)高新技术与制造业相对发达[21]。深圳市是粤港澳大湾区四大中心城市之一，也是国家物流枢纽、国际性综合交通枢纽, 主要有深圳站、深圳东站、深圳北站等6个火车站。深圳港拥有南山港区、大铲湾港区、大小铲岛港区、宝安港区、盐田港区与大鹏港区6个港区。此外, 深圳还拥有一座国际机场——深圳宝安国际机场。

1.2 数据来源与处理

本文使用的数据源包括深圳市行政区划数据、夜光遥感数据、POI数据以及深圳市GDP数据。

深圳市行政区划数据来自国家基础地理信息中心(http://www.ngcc.cn/ngcc/)。POI数据是通过Python爬虫程序采集自高德开放平台接口, 具体的类别包括商务住宅、住宿服务、生活服务等各类兴趣点的名称以及坐标、类型、经纬度等信息, 筛选重复与信息缺失的部分数据后, 将与本次研究关系不大的地名、地址、风景名胜、政府机构等类别信息进行删除, 得到最终的实验数据。NPP/VIIRS夜光遥感影像来源于科罗拉多矿业大学地球观测组(EOG)(https://payneinstitute.mines.edu/eog/nighttime-lights/)。与传统的DMSP/OLS夜光遥感数据相比, NPP/VIIRS夜光遥感数据虽然在具有更高的分辨率(500 m)的同时, 进一步降低了夜间灯光数据的饱和度，但是未将来自火灾、海上油气田等过亮异常光源进行剔除, 并含有部分背景噪音。为了减少这些不确定因素对实验造成的影响, 需要对NPP/VIIRS数据进行异常值剔除。深圳市的城市核心区为福田、罗湖与南山区, 遍历这几个区的像素值以后, 使用这3个地区亮度的最高值对其余地区的夜光值进行去噪处理, 将高于这3个区最高值的数据统一赋值为此三区的最高值, 并将小于零的数据赋值为零[22]。将3个年份的月度数据分别进行叠加并获取平均值, 形成3个年份的年度合成数据。GDP数据来源于《深圳市2019年国民经济和社会发展统计公报》[23]，其中大鹏新区与深汕特别合作区为深圳市政府设立的功能区，大鹏新区的原行政区划隶属于龙岗区，且数值较小，因此将GDP数据归属于龙岗区；而深汕特别合作区行政区划隶属于汕尾市海丰县，不在本文的研究区域内，故其数据亦不在本文的讨论范围内。

2 实验与可视化方法

本文实验方法主要包括核密度分析、变量归一化处理以及数据网格化。首先将夜光遥感数据与POI预处理, 进行重采样操作后对数据进行归一化处理, 然后使用ArcGIS的渔网工具对两种数据进行空间连接赋值, 形成统一的格网化数据, 最后对两种数据进行叠加操作, 形成耦合结果, 并在此基础上对深圳市的城市空间结构特征进行分析。

2.1 核密度分析

地理信息的空间密度分析根据输入的点要素数据集计算整个区域的数据集聚状况, 从而产生一个连续的密度表面[24]。核密度分析是以数据密集度函数聚类算法为基础的一类空间密度分析方法，其在探究城市空间结构方面应用十分广泛[25]。通常来说, POI点的聚集度越高, 反映该地区人类活动越为密集, 反之亦然。由于POI点数据为空间数据, 因此本文使用ArcGIS软件中的核密度分析工具对POI数据进行处理

(1)

式中:f(s)代表空间某一位置s处的核密度计算函数;h为两点之间距离衰减阈值;n为与位置的距离小于或等于h的位置点的个数;k函数则表示空间的权重函数。这一公式的几何意义是密度值在每个核心要素ci处最大, 并且在远离ci的过程中不断降低, 直至与ci的距离达到阈值h时核密度值降为0[26]。

本文基于采用的NPP/VIIRS数据的分辨率, 多次对不同的带宽与空间分辨率进行实验, 最终确定POI核密度的带宽为1 500 m, 空间分辨率为200 m, 最后得到POI核密度的分析结果。

2.2 变量归一化处理

归一化是把需要处理的数据经过一定的处理后限制在研究需要的一定范围内。这种处理方式一方面有助于后期数据处理与探究的便利性，另一方面有助于归纳统一样本的统计分布性。本文采用的归一化公式将夜光遥感数据与POI核密度数据归一化至[0, 1]的值域范围内。

(2)

2.3 数据网格化

数据网格化是指从网格地图的思维, 用不同尺度的网格来对空间数据及属性数据进行划分与存储[27]。它是依据空间拓扑关系将空间内的点数据转化为二维平面数据的一种常用的方法[28]。不同于一般的行政区域划分, 网格划分行政区域可以打破行政区划约束, 有助于提高信息的检索效率, 更适用于大数据时空方面的研究与分析[29]。数据网格化可以将各种不同的栅格数据标准统一化, 有助于不同类型的数据进行比较与分析。数据网格化有多种类型可以选择, 本次研究采用最常用的四边形网格进行栅格数据网格化。

本文以深圳行政区域为范围, 将NPP/VIIRS影像数据与POI核密度数据进行矢量化, 使用连接工具与网格进行连接, 最终分别形成了夜光遥感数据与POI数据的网格图。将两种数据进行叠加, 以方便后续的分析与研究。

3 结果与分析

3.1 夜光遥感与POI核密度数据结果变化分析

将处理完毕的深圳市2014、2017与2019年夜光遥感数据与渔网数据进行连接赋值后, 对数据进行网格化处理, 分别得到深圳市上述3年的夜光遥感分布, 结果如图2所示。对深圳市上述3年POI数据进行核密度分析后, 利用渔网数据链接赋值分别生成上述3年的POI核密度网格化分布, 结果如图3所示。

从空间来看, 深圳市夜光强度呈现出西高东低、南高北低的总体分布规律(图2)。其中, 南部靠近香港边境的福田、南山、罗湖、盐田区夜光强度较高; 北部以光明、龙华、龙岗区的行政中心夜光强度较高。除以上几个行政区中心形成的夜光亮度高值区域以外, 深圳宝安国际机场、深圳港大铲湾港区、深圳港大小铲岛港区、深圳港南山港区、深圳港盐田港区所在地也形成了夜光亮度的高值中心。从时间来看, 除坪山区以外, 以各区政府驻地为中心的随时间变化夜光高值的面积越来越大, 尤其以西部与中部地区最为明显, 但东部地区大部分依然处于低值状态。

图2 深圳市夜间灯光亮度值分布网格图

POI数据的分布趋势与夜光遥感数据基本一致(图3), 但在表现方式上体现出一定的差异性。从空间上看, POI核密度总体分布比夜光遥感数据更为紧凑, 这有可能与夜光遥感的溢出效应有关[30], 总体上依然呈西高东低、南高北低的分布趋势。其中, 福田与罗湖区的核密度高值区域面积最大。从时间上看, POI核密度总体呈现由各区行政中心向四周扩展的趋势。与夜光遥感数据不同的是, POI核密度数据表现出深圳市南部经济较为发达的罗湖、福田、南山与宝安区的南部变化并不明显, 而变化较大的区域为宝安区北部的松岗街道、福海街道以及龙华区和龙岗区等经济相对欠发达的深圳市北部地区。这可能与南部地区土地已经开发较为完善, 人类活动一直处于高度活跃状态有关, 而北部地区随着时间变化人类活动越来越活跃, POI核密度值也越来越高。

图3 深圳市POI核密度值分布网格图

3.2 夜光遥感与POI核密度数据耦合对比与分析

3.2.1 总体分布 将2014、2017、2019年3个年份的夜光遥感数据进行异常值处理,并对POI数据进行筛选后作归一化处理,并使用渔网工具对两种数据进行连接。用自然间断分类法对处理完毕的数据划分成高、中、低3个范围, 使用分级设色的方法对分类完毕的数据进行可视化,形成3个年份的夜光遥感亮度与POI核密度的空间耦合关系,如图4所示。

图4 深圳市夜光遥感与POI空间耦合分布网格图

3.2.2 夜光遥感与POI核密度值相同 夜光遥感与POI核密度相同的区域反映了城市的某些区域存在相同的城市空间结构特征, 其对于表征城市空间结构具有重要意义。

由图5可知, 从空间上看, 两者耦合关系相同(高-高、中-中、低-低)的区域分布最广, 2014、2017、2019年耦合相同区域分别占整个城市总面积的68.6%、65.1%、66.1%。高-高耦合区域几乎全部都分布在福田、南山、罗湖、宝安、龙岗与龙华区的行政中心区域, 这是因为这几个行政区是深圳市经济较为发达的地区, 如表1所示。

表1 2019年深圳市各行政区生产总值统计[23]

图5 深圳市夜光遥感亮度与POI核密度等值区域分布图

6个行政区GDP位居前列, 尤其是以金融与高新技术为代表的第三产业发展位居前列。中-中耦合区域大部分围绕高-高区域分布, 并呈环状向外分布, 其城市发展程度相对于高-高耦合区域要稍逊一筹, 这体现了城市在发展的过程中由中心向外呈梯级发展的环状空间结构。低-低区域主要分布在西部与东南部的一些区域, 这是因为深圳作为一个全域多山与多湖泊的城市, 其主要的湖泊与水体分布如图6所示, 海拔100 m以上的区域与湖泊区域占整个辖区的27.6%, 城市发展受地形地貌的制约较大。森林山体公园与大面积水域所处的位置与低-低耦合区域基本拟合, 不论是夜光遥感还是POI核密度的值都很低, 都非常好地表征出了城市在土地集约的情况下地表覆被因素对于城市空间结构的影响。

图6 深圳市湖泊与山脉(海拔>100 m)地区分布图

从时间上来看, 高-高耦合区域变化各有特点, 南部的福田、罗湖与南山区没有太大的变化, 而宝安与龙华区从有很少的高-高耦合区域, 变化为较多的高-高耦合区域, 这说明宝安与龙华两地市中心在最近几年发展比较迅速, 出现了大量的人类活动[31-33], 这也与前文所提到的GDP排名相吻合。而龙岗、盐田、坪山与光明区仍然没有高-高耦合区域, 可见这些区域的城市发展仍需进一步加强。中-中耦合区域大多由原本的或新产生的高-高耦合区域向外不断扩展, 体现了城市由中心不断向外扩张的空间结构。而低-低耦合区域基本无变化, 这说明深圳市非水体与山脉地区土地开发已经基本完毕, 城市的土地利用会越来越向集约化的方向发展, 从而对城市空间结构产生一定的引导趋势。

夜光遥感亮度与POI核密度在城市大部分区域都具有相同的空间分布特征, 能表现出两者耦合关系较好的区域。而高-高与中-中耦合区域所表征的行政区所在地基本是经济发达的区域, GDP在区域排名中处于上游位置, 同时识别出的区域在一定程度上指示了行政区的建成区位置。而在城市土地开发较为完善的区域, 低-低耦合区域所代表的位置一般是人类无法充分利用的水域以及为了生态环境保护未商业开发的山脉地区, 此类区域表现出了夜间灯光与POI核密度都非常低的显著特征。

3.2.3 夜光遥感高于POI核密度值 相对于耦合结果相同的城市区域, 耦合结果相异的区域对于表征城市空间结构的要素差异性也有非常重要的作用, 其研究对于描绘城市空间结构的变化具有同样重要的意义。

观察图7可知, 从空间上看, 中-低耦合区域与高-中耦合区域主要呈现环状分布, 其中高-中耦合区域主要围绕区级城市中心以及街道办事处分布, 中-低耦合区域主要在高-中耦合区域周围分布, 以其为中心不断向外过渡到城市的边缘区域, 这是夜间灯光数据的溢出效应导致局部区域灯光过亮而造成的[30], 随着距离城市中心越来越远灯光亮度也越来越低, 从而形成此类夜光亮度相对较高的耦合特征。

图7 深圳市夜光遥感亮度高于POI核密度值区域分布

从时间上看, 夜光遥感高于POI核密度(中-低、高-低、高-中)的区域总体的分布面积越来越小, 说明在照明条件改善的同时, 人口不断向照明完善的地区扩散。其中, 中-低耦合区域越来越小, POI与灯光的协调度越来越好; 高-低耦合区域基本无变化, 有4块大面积连续的高-低耦合区域, 分别是宝安区的宝安国际机场, 南山区的深圳港南山港区, 宝安区的深圳港大铲湾港区、大小铲岛港区、宝安港区, 盐田区的深圳港盐田港区, 这些区域由于基础设施完善, 灯光亮度较强, 但是POI数据相对于生活区分布较为稀少而呈现此类分布规律; 高-中耦合区域变多, 基本是由中-低区域转化而来, 或者由原本高-中区域向外迁移, 表征城市的人口与基础设施建设的不断向外扩张, 城区面积进一步扩大。

夜光遥感能很好地反映因城市发展等人类活动而导致的灯光不断扩张的趋势, 但因其具有溢出性, 对于夜光区域的边界地区反映不够准确。而POI数据作为一种准确反映人类活动状况的数据, 对于夜光数据具有很好的矫正与补足作用, 通过两者的耦合能够更精准地反映城市空间结构的分布与变化。

3.2.4 夜光遥感低于POI核密度值 观察图8可知, 从空间上看, 夜光遥感低于POI核密度的区域主要分布在中部与南部地区, 且分布相对比较零散。大部分区域为中-高耦合区域, 低-中耦合区域与低-高耦合区域非常少。夜光遥感低于POI核密度表征此地区商业繁华或者人流量很大[34], 这是由于夜光遥感数据作为一种栅格数据, 在表征人口与商业方面具有一定的局限性, 不能精确地反映地区人口与商业的密度数据, 导致其在亮度非常高的区域表征出的城市结构不够准确, 其分布的区域表现了人口高度集中的城市建成区的中心区域与城市火车站所在的位置。耦合区域识别出了福田、罗湖、南山、宝安区的城市中心区域, 与深圳站、深圳东站等火车站所在的位置。

图8 深圳市夜光遥感亮度低于POI核密度值区域分布

从时间上看, 福田、罗湖、南山与宝安区夜光遥感低于POI核密度的区域越来越小, 说明此区域夜光遥感与POI核密度的配合度越来越好; 而龙华与龙岗区此类区域面积越来越大, 说明本区域的POI核密度值越来越高, 并超越夜间灯光亮度值, 反映此区域的商业不断发展与人流量的增长。

由于夜光数据作为栅格数据无法具体表征地区人口与商业发展状况特性, 导致所反映出的亮度值对城市空间结构反映不够精确。但POI数据为点状数据, 可以充分展示一个地区的人类活动强度。因此在经济发达的地区, POI核密度比夜光遥感高的区域反映出其服务业等第三产业具有高度发达的特征, 是城市建成区的中心区域, 通过两者的结合, 可以更好地反映经济发达地区城市空间结构的特征。

4 讨论与结论

本文选用深圳市2014、2017、2019年3年的夜光遥感数据与POI数据, 基于核密度分析与数据网格化等方法, 对两种数据耦合相同与相异的结果从空间与时间的角度对深圳市的城市空间结构展开讨论与分析得出以下结论:

(1)3个年份的夜光遥感数据与POI数据空间耦合度都呈现高耦合状态, 具有较高的一致性。两种数据在深圳市的空间分布基本趋于一致, 3个年份空间耦合一致的区域占比达到66.1%、65.1%、68.6%, 体现了随时间变化城市建成区不断扩张的趋势, 深圳作为沿海地区的发达城市, 因其土地的充分利用与开发, 高耦合区域具有特殊性, 不仅能表征建成区范围, 更能表征出水体与山脉的范围。综上，夜光遥感数据与POI数据都适合作为数据源对城市空间结构进行研究。

(2)从空间上看, 夜间灯光数据与POI数据耦合的区域与行政区经济发展排名和地表海拔状况具有相关性, 经济发达地区夜间灯光亮度与POI的密度值要更高, 而山脉与水体分布的地区在城市中心始终呈现低-低耦合的结果; 城市空间结构由行政中心呈环状模式向外铺开, 并由于夜光遥感的溢出效应而产生耦合相异区域; 而在城市中心区域与火车站所在的大范围同质化区域因为POI核密度表现出过多的人流量或者商店分布, 导致表现出POI核密度值要高于夜间灯光亮度值, 呈现出了耦合相异的结果。

(3)从时间上看, 随时间的推移城市在不断由行政中心向外扩展, 城市建成区的面积进一步扩大, 夜间灯光与POI的协调程度也越来越好, 耦合相同的区域也越来越多, 并出现了部分不随时间变化的大范围同质性区域, 如机场、港区等。

本文研究仅限于使用夜光遥感与POI两种多源数据进行定性的耦合分析。在日后的研究中可以增加更多的多源数据来融入空间耦合, 同时还可以将POI等多源数据进行分类处理并耦合, 从而分类别对城市空间结构进行更进一步的探析。此外，还可融入定量方法对空间耦合关系作进一步的探究。