好文推荐丨遥感专家告诉您北京海淀的宜居性

原创张源等遥感学报 2021-09-20

遥感人的成长家园

官网

主题词

社区宜居性，多指标决策分析，敏感性分析，遥感，地理空间大数据

宜居性一直是城市居民、规划部门、政策制定部门和科学家们共同关注的问题。过去，宜居性更多强调的是生活服务设施的便利性。然而，经济的快速发展、城市化和人口增长引发了绿色空间萎缩、空气污染和环境资源退化等一系列问题。因此，经济发展带来的生活便利性与居住环境质量的下降，均需纳入到社区宜居性评价考量中。

中国科学院空天信息研究院张源、李强子等人近期发表文章《Community scale livability evaluation integrating remote sensing, surface observation and geospatial big data》，阐述了结合遥感、地表观测与地理空间大数据的社区尺度宜居性评价。

论文标题

Community scale livability evaluation integrating remote sensing, surface observation and geospatial big data

发表期刊

International Journal of Applied Earth Observation and Geoinformation

论文全文链接

https://www.sciencedirect.com/science/article/pii/S0303243418310237

研究源起

目前，有关社区宜居性的研究大多仍停留在理论、概念、定性和主观的层面，且通常在城市或区域尺度开展评价。因此，迫切需要一套及时、全面、实用、精细尺度的社区宜居性评价方法。结合遥感、地表观测与地理空间大数据，以北京市海淀区为例，提出一种涵盖环境、交通、生活便利与人口等多方面的社区尺度宜居性评价方法，将宜居性评价从理论与概念的层面拓展到实用层面，并开展了指标权重对评价结果影响的不确定性与敏感性分析。

研究方法

01 研究区域及数据

研究区：北京市海淀区(图1)

数据：

遥感数据(高分二号遥感影像、MODIS地表温度产品)

地理空间大数据(百度POI、腾讯宜出行热力图)

地表观测数据(北京环境保护监测中心空气质量监测站数据)

图1 研究区域(北京市海淀区位置)

02 社区提取

在百度地图社区类POI基础上，编写网络爬虫，爬取各POI在百度地图上对应的社区边界。

03 评价指标计算

基于遥感、地表观测与地理空间大数据，分别计算社区内和社区周边绿化覆盖率、热舒适度持续时间、空气质量优天数、居住人口密度以及到综合医院、公园、商场和学校的驾驶时间共9个评价指标。绿化覆盖率基于高分二号土地覆盖分类数据计算。热舒适度持续时间是在MODIS地表温度产品的基础上基于温度昼夜变化(DTC)模型和TVX模型生成气温连续变化曲线，并计算一年内气温在18°C与24°C之间的时长。空气质量优天数是根据监测站每小时AQI指数合成每日AQI指数，并计算一年内AQI在50以下的天数。居住人口密度为连续5个工作日每日21:30、22:30和23:30的宜出行热力图人口密度平均值。到综合医院、公园、商场和学校的驾驶时间则是在每类百度POI数据的基础上，利用百度路线规划服务API接口进行计算。

04 社区宜居性评价

采用逼近与理想解的排序技术(TOPSIS)，基于9个评价指标对社区宜居性进行评价。由于指标权重是评价过程中唯一的主观输入，采用Monte Carlo模拟与Sobol全局敏感性分析方法对评价结果进行不确定性和敏感性分析。

结果与讨论

01 社区空间分布

在北京市海淀区范围内，共从百度地图获取1242个社区(图2)。大部分社区集中在四环内，社区面积占比由东南向西北递减，其中二三环之间与三四环之间的社区面积占比分别达到22.01%与26.09%。社区核密度分布显示四环外有两处社区热点，分别对应北京城市总体规划中的中心城区西南部和清河边缘集团。

图2 北京市海淀区社区空间分布(a)与核密度分布(b)

02 社区宜居性评价与不确定性分析

Monte Carlo模拟共生成110000个社区宜居性评价结果，这些结果空间分布格局相似，但在局部具有一定差异。总体来说，城区社区宜居性分数要高于郊区。图3分别展示了社区宜居性评价分数的四种统计图。其中最小值和最大值展示了每个社区的极端评价分数。平均值地图则揭示出三处宜居性较差的社区群(图3(c)蓝圈处)。标准差地图反映了评价结果的不确定性。大体上来说城区社区宜居性分数的不确定性要低于郊区，大部分城区社区具有确定的高宜居性，而大部分郊区社区具有不确定的低宜居性，表明在不同的权重设置下，这些社区的宜居性可能有所改进。

图3 社区评价分数最小(a)、最大(b)、平均(c)与标准差(d)

03 评价指标权重的敏感性

计算全部1242个社区9个评价指标权重的两种敏感性指数：一阶指数与总效应指数。两种指数均显示社区宜居性评价分数对到学校的驾驶时间和社区内绿化覆盖率两个指标的变化最为敏感，对热舒适度持续时间和空气质量优天数两个指标的变化最不敏感。同时，确定了对每个社区评价分数的变化贡献最大的评价指标权重，即主导性指标。其中568个社区的主导性指标为到学校的驾驶时间，338个社区的主导性指标为社区内绿化覆盖率，这表明这两个指标权重的选择对最终的社区宜居性评价结果有很大影响，因此，所使用指标的精确性及确定其权重时需要特别注意。热舒适度持续时间和空气质量优天数两个指标并非任何一个社区的主导性指标，因此可简单固定两个指标的权重，而不会对评价结果造成较大影响。

结论

本文设计提出一种社区尺度宜居性的全面实用评价方法，从遥感数据、地理空间大数据和地表观测数据多种数据源提取涵盖环境、交通、生活便利和人口等众多层面的9个评价指标，应用TOPSIS评价方法计算各个社区的宜居性分数，并采用Monte Carlo模拟与Sobol方法分析了评价结果的不确定性与敏感性。

在北京市海淀区的应用实例展示了该方法的实用性与有效性。海淀区的1242个社区大部分分布在中心城区和边缘集团。评价结果显示与郊区社区相比，城区社区一般来说具有较高的宜居性和较低的不确定性。大部分社区的评价分数较高，在0.8 - 0.9之间，是海淀区的平均社区宜居性水平。其中到学校的驾驶时间和社区内绿化覆盖率两个指标的权重最敏感，而热舒适度持续时间和空气质量优天数两个指标的权重最不敏感。

本文提出的社区尺度宜居性评价方法弥合了宜居性评价理论概念与实际运用之间的差距，具有高度全面性和面向单个社区的精细尺度，使得法规和政策的智能能够因地制宜，有效提高宜居性，并且避免了以可持续性为代价的宜居性提升。

更多细节

详见论文

原文链接：

https://www.sciencedirect.com/science/article/pii/S0303243418310237

第一作者

张源，中国科学院空天信息研究院，助理研究员，2013年于美国犹他大学地理系获博士学位，2013年至2016年期间在北京大学地球与空间科学学院做博士后研究，研究方向为土地优化利用大数据技术、植被物候遥感监测、环境风险评价等。

通信作者

李强子，中国科学院空天信息研究院，研究员，博士生导师，研究方向为遥感图像分类与目标识别、农业与生态遥感、公安遥感应用等。先后主持和参与完成科技部重大研发计划、自然科学基金面上项目、国家高分辨率卫星专项、中国科学院重大项目与方向项目50余项，公开发表论文100余篇。

团队介绍

李强子研究员带领张源、杜鑫、王红岩等三位博士及博士、硕士研究生共十余人，主要聚焦遥感图像分类与目标识别、农业与生态环境、城市土地利用、公安等遥感研究领域，科研成果包括农作物遥感精细识别与种植面积精准估算技术、全球粮食生产要素风险评估、农业气象灾害灾变过程监测、公安禁毒及边境地区遥感监测与服务、区域粮食安全与粮食价格分析、京津冀土地优化利用大数据技术、水源地大数据服务等，全面面向农业保险、粮食安全、粮食补贴、粮食安全分析、生态与环境质量评价、国土空间规划、生态与智慧城市建设等业务领域提供遥感技术服务。

[2] Wang H, Li Q, Du X, et al. Quantitative extraction of the bedrock exposure rate based on unmanned aerial vehicle data and Landsat-8 OLI image in a karst environment[J]. Frontiers of Earth Science, 2017(4):1-10.

[3] Du X, Li Q, Wang H, et al. A simple assessment approach for winter wheat loss risk impacted by water stress[J]. Geocarto International, 2017(35):1-29.

[4] Zhang H, Li Q, Liu J, et al. Image Classification Using RapidEye Data: Integration of Spectral and Textual Features in a Random Forest Classifier[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2017, 10(12):5334-5349.

[5] Zhang H, Li Q, Liu J, et al. Object-based crop classification using multi-temporal SPOT-5 imagery and textural features with a Random Forest classifier[J]. Geocarto International, 2017:1-40.

[6] 王娜, 李强子, 杜鑫, 张源, 赵龙才, 王红岩. 单变量特征选择的苏北地区主要农作物遥感识别. 遥感学报,2017,21:519-530.

[7] 吴炳方,张磊,李强子,周月敏,蒙继华,田亦陈,闫娜娜,曾源,熊隽,李晓松,黄慧萍,卢善龙.2009.农业与生态遥感现状与展望.遥感学报,13(s1):266-271

[8] 吴炳方,李强子,蒙继华,张飞飞.2009.中国农情遥感速报系统的发展与未来.遥感学报,13(s1):345-352

[9] 李强子,张飞飞,杜鑫,吴炳方,张磊,魏彦昌,蒙继华.2009.汶川地震粮食受损遥感快速估算与分析.遥感学报,13(5):934-951

[10] 吴炳方,李强子.2004.基于两个独立抽样框架的农作物种植面积遥感估算方法.遥感学报,8(6):551-569

END

编辑：悠悠

指导/审核：梧桐君