基于夜间灯光遥感影像的城市空间结构识别

点击图片上方蓝色字体“慧天地”即可订阅

（点击图片可放大观看，更多精彩请留意文末推荐）

---

华东师范大学地理科学学院GIS开发与城市遥感研究团队近期最新成果

“A New Approach for Detecting Urban Centers and Their Spatial Structure With Nighttime Light Remote Sensing”

已发表于IEEE Transactions on Geoscience and Remote Sensing。

Citation Information

Z. Chen; B. Yu; W. Song; H. Liu; Q. Wu; K. Shi; J. Wu, "A New Approach for Detecting Urban Centers and Their Spatial Structure With Nighttime Light Remote Sensing," in IEEE Transactions on Geoscience and Remote Sensing .

doi: 10.1109/TGRS.2017.2725917

城市空间结构是影响城市职能分配、人居环境以及自然环境的重要因素，是一个与人类切身利益相关且极具意义的研究方向。本文通过类比地形要素与城市要素，提出了一种基于夜间灯光数据的城市空间结构识别方法，有效地实现了对城市中心及其空间层级关系的识别与分析，为城市空间结构的研究提供了一种新的研究视角。

1

研究背景

随着城市化进程的加快和城市规模不断扩大，城市空间结构也发生了显著变化。其首要变化就是从单中心结构向多中心结构的转移。在多中心结构中，一个城市区域往往包含多个城市中心，其中包括一个城市主中心和若干个城市副中心。城市主中心通常为传统的中央商务区（CBD），而副中心则大多附属于传统的中心商务区或是由原先的其他小城镇逐渐发展起来的区域。

传统的城市中心识别大多依赖于统计数据以及研究人员对当地社会经济情况的主观认知。这类方法存在以下三个问题：1）统计数据大多为离散的空间数据，即记录在预设的地理实体范围内，例如行政区域（国、省、市辖区等），导致识别出的城市中心范围会受到预设边界范围的影响；2）传统方法往往需要研究人员对研究区有较充足的背景了解和先验知识，以优化识别出的城市中心数量，不利于方法的重复使用；3）传统的城市中心识别方法通常是针对某一特定的空间尺度，难以实现对多个城市中心的空间层级关系进行分析。为此，寻求新的数据媒介和发展新的识别方法成为了城市空间结构研究亟需解决的一个问题。

2

研究区域

上海作为中国四个直辖市之一，坐落于长江入海口，处于“一带一路”和长江经济带两大经济带的交汇地带。作为中国的领军城市，其在全球经济、金融、贸易以及交通等方面，扮演着极其重要的角色。由于上海的城市内部结构相对复杂，因此本文选取其为研究区域具有典型性。

图 1 城市空间结构识别研究区——（a）中国上海地理区位；（b）上海外环线以内区域及部分地标位置

3

研究数据

夜间灯光遥感影像所记录的灯光亮度已被证明可用于估算多种社会经济指标，并与人类活动或是社会经济活动存在正相关关系，为城市空间结构的研究提供了新的可能。本文使用了2014年12月的Suomi NPP-VIIRS夜间灯光月合成数据，其空间分辨率约为500米。

4

研究方法

4.1

理论基础——地形要素与城市要素的类比体系

将夜间灯光遥感影像进行三维拉伸显示，能够清楚地看到夜间灯光数据出现了地形学中的“山峰”等地形要素。基于此发现，本文将这些地形要素概念类比于相应的城市要素，为城市空间结构的识别提供理论基础，其中包括：

1） “城市中心”被认为是相较于周围区域，拥有高聚集度和高密度的就业人口以及人类活动的区域。在地形学中，山峰（Mount）被认为是海拔高度明显高于周围区域的一个区域。由此可见，“城市中心”的定义与“山峰”的定义非常类似。对于城市中心的识别，便可转化为对夜间灯光遥感影像的“山峰”的识别。

2）  地形学中的“坡度”表示了地势起伏的程度。在城市空间结构中，通过计算夜间灯光亮度的“坡度”，能够有效量化人类活动在空间上的变化情况，即夜间灯光亮度的“坡度”值越大，意味着人类活动在这个范围内的变化越剧烈。

图 2 夜间灯光遥感影像的三维视图

4.2

局部等值线树算法

基于城市要素与地形要素的类比体系，对于城市中心的识别可以认为是寻找夜间灯光遥感影像中的“山峰”。为了快速识别出夜间灯光影像里的“山峰”，本文采用了一种原本用于识别地表洼地的地形学模型——局部等值线树（Localized Contour-tree）算法。利用局部等值线树算法识别城市中心的基本技术流程，共包含三个步骤，分别是寻找“种子”等值线（图3（a）中的S1和S2）、生成常规等值线树（图3（b））和简化等值线树（图3（c））。

图 3 局部等值线算法示意图——（a）等值线图；（b）常规等值线树；（c）简化等值线树

需要着重强调的是，针对本文研究的空间尺度，本文将局部等值线树的一级节点视为城市中心，而所有二级及以上节点则被认为是城市中心复合区。由不同级别的节点构成的等值线树，可用于描述城市内部层级结构关系，也可适用于不同空间尺度下的城市结构分析。

4.3

定量分析城市中心

本研究共统计三类城市中心的属性信息指标，分别是夜间灯光亮度的统计信息、城市形态指标以及城市多中心度。

由于夜间灯光亮度值与社会经济发展情况有正相关的关系，因此利用夜间灯光亮度统计信息能够反映出每个城市中心的社会经济情况，共包含五个指标——最小亮度值（MIN）、最大亮度值（MAX）、总亮度值（Total Nighttime Light Intensity，TNTL）、平均亮度值（Averaged Intensity，AI）、亮度标准差（STD）以及人类活动变化率（Slope）。

城市形态指标可用于量化描述城市中心的形状和几何形态，涉及到的城市形态指标包括面积（S）、城市发展方向（Φ）、紧凑度（Compactness Index，CI）和延伸度（Elongatedness，ELG）。

城市多中心度（P）是一种测量城市建成区的多中心程度，其取值范围为0到1。当城市多中心度为0时，表示该区域为单中心结构。P的数值越高，说明该区域的多中心程度越高。当P值接近于1时，说明该区域不仅为多中心结构，且每个中心具有相似的城市化水平。

4.4

城市中心识别

本文将所有一级节点均视为城市中心。由于城市主中心必须是在该城市中拥有最高的人口密度和较为多样的城市职能，并且要比其他城市副中心有更大的影响范围（Nelson, 1986）。因此，本研究综合考虑了面积、平均夜间灯光亮度以及灯光亮度标准差选取城市主中心。选取这三个指标的原因是面积和平均夜间灯光亮度的大小能够保证城市主中心足够大且具有较高的人类活动集聚度，而灯光亮度标准差的高低则能确保城市主中心内部的人类活动在空间上是否分布均匀。

5

研究结果与讨论

5.1

提取NPP VIIRS夜间灯光等值线

通过夜间灯光遥感影像获取其等值线图，共涉及三个参数——起始等值线值、等值距以及最小城市中心面积。设置起始等值线值是为了确保识别出的城市中心位于城市范围内，而等值距的大小则影响着识别出的城市中心范围精度以及计算数据的冗余程度。最小城市中心面积可针对不同的城市发展水平以及不同的研究目标设置相应的数值。通过以上参数，本文绘制了夜间灯光亮度等值线图。

图 4 夜间灯光亮度等值线图——（a）上海市全图；（b）陆家嘴区域以及（c）虹桥交通枢纽

5.2

上海市城市空间结构及城市中心识别结果

利用局部等值线树算法，在上海市共识别出19株等值线树。其中15株等值线树（红色区域）仅有一个节点且其节点最高层级为一级。这些单节点的等值线树即为单中心结构的城市建成区，这些区域内仅包含一个城市中心。树B和树C（黄色区域）为包含两个城市中心的等值线树。这两株等值线树内各有两个分支，其节点的最高层级为二级。树A（绿色区域）则为“主树”，其攘括的范围面积最大（几乎覆盖整个上海市的中心城区，即上海外环线以内的区域），且包含了夜间灯光亮度最大值。

图 5 单株等值线树轮廓及其包含的城市中心数量

上海“主树”的结构复杂，共包含27个节点，其中有14个一级节点（即城市中心），节点的最高层级为11级。“主树”中的节点1至5号均为一级节点，即五个城市中心（具体名称会在下一节中列出）。处于二级节点的15号节点同时包含了两个城市中心（节点1号和节点2号），因此15号节点被认为是城市中心的复合区。级别越高的节点，囊括的节点越多，所代表的城市结构则越复杂。

图 6 上海市“主树”层级结构——（a）等值线树对应等值线的空间分布；（b）等值线树状图

根据本文的研究空间尺度，本研究将所有一级节点视为城市中心（含城市主中心和城市副中心），共识别出33个上海城市中心。图中红色区域即为城市主中心，覆盖了上海的三个重要人口聚集区——陆家嘴、人民广场以及上海火车站。除了城市主中心外，在“主树”内还有13个城市中心，即13个城市副中心。在全市范围内，有10个城市副中心位于离上海城市主中心（中央商务区）20-40 km的郊区。在离上海城市主中心约70 km的边缘郊区仅有4个城市副中心。

为了验证利用夜间灯光遥感影像和局部等值线树算法识别城市中心的有效性，本研究将孙斌栋等在上海市中心城区范围内识别出的15个城市中心作为验证数据（红色＋）。结果表明，本文识别的中心城区城市中心与验证数据相吻合，并在非中心城区区域成功识别出了若干个城市副中心，包括上海浦东国际机场、临港新城等。

基于对上海市城市职能分布的了解，本文综合分析了各个城市中心的主要城市职能。结果表明，上海中心城区主要聚集的是商业中心和综合中心，而工业中心则在郊区化过程中分散在上海郊区。另外，上海城市中心已出现城市职能多样化的现象。例如，上海城市主中心覆盖了包括陆家嘴、人民广场以及上海火车站在内的一个综合性区域，具备了多种不同的城市职能。

图 7 上海城市中心识别结果（含主要城市职能）及用于验证识别结果的参考城市中心

本文利用该结果对上海市城市总体规划（“一城九镇”和“1-9-6-6”）的达成情况进行了分析。结果表明，在“一城九镇”规划中，除“枫泾”和“堡镇”外，其余8个规划城镇均被本研究识别为城市中心。而在“1-9-6-6”规划中的9个规划新城，除“奉贤南桥”和“崇明城桥”外，其余7个规划新城也全被本研究识别成城市中心。除此之外，这些规划城镇所对应的城市中心区域，相较于其他城市中心区域，均拥有相对较大的面积和较强的夜间灯光亮度值。这也意味着“一城九镇”规划和“1-9-6-6”规划对上海城市总体发展，尤其是对郊区的发展，起到了指导作用，且规划的执行情况较为乐观。

5.3

上海市城市空间层级结构分析与城市中心定量分析

（一）上海市城市空间结构层级分析

以上海“主树”的层级结构（图 6）为例。可以看出，1号节点和2号节点所对应的陆家嘴-人民广场-上海火车站区域以及徐家汇-上海世博园区区域为两个城市中心。这两个城市中心从空间位置上或是城市功能上都有着紧密的联系。两者在空间上是相当接近的。而从城市职能上讲，两者均为综合中心。从图 6（b）中可以发现，在更大的空间尺度下（第二层级），这两个城市中心是15号节点的重要组成部分。15号节点所对应的城市中心复合区不仅范围更大且其城市职能更为复杂，其内聚集着大量现代化的高层建筑（大多为写字楼、高层住宅楼以及商场等）。当城市空间层级不断上升时，长风生态商务区（3号节点）和真如（4号节点）依次与15号节点联合形成了更为复杂的多中心城市建成区，即16号节点（第三层级）和17号节点（第四层级）。通过对比1号至4号节点间的联系紧密程度，本文发现两个节点间的城市空间层级越接近，说明这两个节点的联系更为紧密。得益于交通职能所带来的高可达性，虹桥交通枢纽-莘庄（5号节点）虽与18号节点内的其他城市中心的空间层级相差较大，但该区域依然能够得到快速的城市发展，并逐步增强与其他城市中心的联系。

（二）上海市城市中心的定量分析

本文不仅能够识别出城市中心所处的位置，还实现了对城市中心边界的提取，使得对城市中心进行深入的量化分析成为了可能。例如，通过计算城市中心的紧凑度和延伸度，结果表明，上海市的大部分城市中心处于相对紧凑式的城市发展模式，但依然有部分城市中心受到交通网络和地形因素（海岸线或山脉）的影响，遵循“自然现行发展模模式”的，呈狭长型发展。

图 8 城市中心的四种城市形态指标直方图

借鉴地形学中的“坡度”概念，本文计算了城市中心的夜间灯光亮度坡度。夜间灯光亮度坡度越大，则说明人类活动在这个区域内的变化越激烈。上海市所有城市中心范围内的平均人类活动变化率为1.56%，且大部分城市中心的平均夜间灯光亮度坡度均低于1.5%。这意味着大部分城市中心范围内的人类活动变化较弱，城市发展水平相对均衡。此外，本文发现其中有10个城市副中心的平均人类活动变化率较高（超过1.56%），且这10个城市副中心的主要城市职能大多与交通有关。

图 9 各城市中心的人类活动的空间变化度

6

结论

本文提出了一种结合遥感影像与地形学理论进行城市空间形态结构研究的思想，并成功地识别出了上海33个城市中心及其相关社会经济属性和空间层级关系。与之前识别城市中心的方法相比，本方法的创新点在于：1）本研究不仅能够识别城市中心所处的位置，还能够获取出其边界范围，且该边界范围不会受到传统统计数据边界范围的影响；2）利用多种量化指标（例如，城市形态学指标以及夜间灯光统计值等），分析城市中心当前所处的发展状态；3）提供一种在不同空间尺度下分析城市空间结构的可能性；4）本文提出的方法需要人为干预的参数较少，且这些参数对于结果具有较强的鲁棒性。利用本方法，中国的北京、广州以及美国的纽约和辛辛那提等四个区域的城市空间结构也已被成功提取，因此我们认为本文提出的方法可适用于全球其他城市或地区。

---

来源：GISChaser（版权归原作者及刊载媒体所有）

如需要加入《慧天地》微信交流群，请加慧天地
（微信号：zn846546896）为好友。
欢迎大家推荐精品稿件。
投稿邮箱：[e-mail]。

推荐

点击下文直接阅读

编辑：郝    勇

审核：韩    磊

指导：万剑华教授(微信号wjh18266613129)