江西省城市扩张及驱动因素

彭嘉琪，陈竹安，2*，邹梓龙，洪志强，曾令权

(1.东华理工大学 测绘工程学院，江西 南昌 330013；2.江西省数字国土重点实验室，江西南昌 330013；3.南昌工学院，江西 南昌 330108；4.广州番禺职业技术学院，广东 广州 511483)

0 引言

经济社会的快速发展，加快了我国城市化的进程，然而城市化的发展带来了建设用地盲目扩张、耕地面积减少和资源分配不合理等一系列问题，严重影响了城市的可持续发展.因此，研究城市扩张的规律对城市生态文明规划建设和可持续发展具有重要意义[1-2].

目前，常用的城市扩张研究数据有两种，分别为传统的统计数据和中高解析度遥感数据，但上述数据存在着信息的缺失和目视解译耗费人工的问题[3].夜间灯光数据为城市扩张研究提供了全新的视角，其相对于其他遥感数据较易获取，且具有探测城市微弱灯光的独特性能，可以更好地区分城、乡，适用于大尺度城市动态监测[4].对此，国外学者对建成区提取展开大量研究，如Imhoff[5]利用突变检测法对城市建成区进行提取，发现当观测频率阈值达到89%时可以消除微弱灯光以及溢出性灯光，从而得到有效的灯光区域，并将有效灯光区面积转化为城区面积，经验证，利用该方法提取的城区面积与普查资料结果仅相差5%.Sutton[6]利用经验阈值法提取建成区面积，但该方法未考虑多种因素的影响，适应性较低；Henderson[7]结合高分辨率的影像数据和夜间灯光数据得到更精确的城市建成区范围.在国外众多学者研究基础上，国内学者对城市扩张进行了相关研究.路春燕等[8]基于夜间灯光数据，采用空间分析技术对环渤海城市群进行研究，重点分析了该城市群空间扩展变化；朱文龙等[9]运用综合指数比较分析法，对2001—2013年淮海城市群空间扩张进行研究，结果表明淮海城市群以“同心圆”式向外扩张；刘春霞等[10]基于DMSP/OLS夜间灯光数据，采用“影像自校正法”和“动态阈值法”，对成渝经济区城市扩展情况进行了研究，发现成渝经济区以成都市和重庆市为核心向外扩张.

然而，目前较多的研究是利用夜间灯光数据进行城市扩张的研究，对引起扩张因素的情况探讨较少.本文将DMSP/OLS数据和NPP/VIIRS数据结合，以2003—2018年《城市建设统计年鉴》为辅助数据，提取江西省建成区范围数据，对灯光指数、城市扩展相关指数、重心偏移指数以及驱动因素等方面进行分析阐述.以此对江西省城市发展进行分析和研究，为江西省统筹区域发展政策的制定提供参考.

1 研究区及数据概况

1.1 研究区概况

江西省位于长江中下游南岸，与浙江省、福建省、广东省、湖南省、湖北省、安徽省相邻，地理位置优越.自改革开放以来，江西省进入城市化快速发展的阶段，截至2018年底，建成区面积达到1546.31 km2，全省常住人口4647.6万人，生产总值21 984.8亿元.以江西省作为研究区，对其迅速变化的城市空间特征进行动态监测，为江西省城市的合理规划布局提供参考.

1.2 数据来源与预处理

DMSP/OLS(Defense Meteorological satellite Program/Operational Linescan system)来源于美国国家地球物理数据中心(National Geophysical Data Center，NGDC).DMSP/OLS数据包含34期栅格影像数据，参考系是WGS_84坐标系，空间分辨率1 km.该数据在去除了云、火光等背景噪声的影响后，对全年观测次数及灰度值直接平均化处理得到，灰度值范围为0～63，饱和灰度值为63[11].美国大气海洋局发布了极轨卫星(Suomi national polarorbiting partnership，Suomi-NPP)所搭载的可见光近红外成像辐射仪(Visible infrared imaging radiomater suite ，VIIRS)传感器数据，空间分辨率为0.75 km，此数据可在美国国家地理信息中心网站免费下载获得(http://ngdc.noaa.gov).相比与DMSP/OLS数据，NPP/VIIRS数据对夜间灯光的探测具有更高的空间分辨率和灵敏度.

本文研究期间2003年、2008年和2013年灯光数据来自DMSP/OLS数据，2018年灯光数据来自NPP/VIIRS数据.由于两种数据分辨率存在明显差异，且不同卫星获得的DMSP/OLS数据部分存在重叠，因此在研究前需要对两种数据进行预处理.步骤如下：(1)统一数据结构：在Arcgis10.3中将NPP/VIIRS月平均数据计算得到NPP/VIIRS年平均数据，并将DMSP/OLS和NPP/VPP数据投影为适合中国地形的兰伯等面积投影，数据重采样为1 km，使像素类型和深度统一[12-13].(2)以江西省矢量图为掩膜对对应年份数据进行裁剪，并对数据进行校正[14-15]，在经过上述处理的DMSP/OLS数据和NPP/VIIRS数据的可比性和连续性有所提高，可用于后续研究.

江西省行政边界数据获取自国家基础信息中心，江西省2003、2008、2013和2018年建成区数据主要来源于《城市建设统计年鉴》.本文社会经济数据来自《江西省国民经济和社会发展统计公报》.

2 研究方法

2.1 建成区提取

利用预处理后的夜间灯光数据对城市建成区进行提取，以2003—2018年《城市建设统计年鉴》的建成区面积为辅助，确定对应年份的最佳阈值，从而得到江西省对应年份城市建成区影像.具体步骤如下：设立动态阈值，并计算根据阈值提取的城市建成区面积，通过不断调整阈值大小，当某一阈值提取的建成区面积与统计年鉴中建成区面积绝对差值最小时，该阈值则为最佳阈值[16]，其公式为：

(1)

ΔA(DNt)=A(DNt)-A,

(2)

|ΔA(DNt-1)|≥|ΔA(DNt)|≤|ΔA(DNt+1)|，

(3)

式中：DNmax为灯光最大值；DNt为动态阈值；DNi是介于DNt与DNmax之间的某一灯光值；f(DNi)为灯光值为DNi的像元总数；A(DNt)为当像元灰度值等于DNt时提取的城市建成区面积；A为同时期统计数据中建成区面积；ΔA(DNt)为阈值DNt条件下，A(DNt)与A之间的差值.

2.2 灯光指数构建

通过夜间灯光数据构建的灯光指数(CNLI)可以较好地反映区域城市化水平特征变化[17].对此，选用区域相对夜间灯光强度L和城市灯光面积比S来构建夜间灯光指数(CNLI).其公式为：

CNLI=L×S，

(4)

(5)

(6)

式中：DNi为该区域内等级为i的灰度值(1≤i≤63)；Ni为该区域内灰度值的像元个数；N为像元总数；DNm为该区域内最大灰度值；SAreaDN为灯光像元面积；SArea为像元总面积.

2.3 城市扩展指数

城市扩展速度V是指研究时间内建成区面积年均增长率[18]，在初期建成区基础上，反应建成区扩展的趋势，计算公式如下：

(7)

式中：V值越大，表示单位时间内建成区扩张速度越快；An+i和An分别为研究时间段末期建成区面积和初期建成区面积；n表示时间间隔，单位为年.

由于城市扩展速度无法定量化比较城市扩展程度，因此引入城市扩展强度U来反映城市扩展的强弱，计算公式[19]如下：

(8)

式中：U表示扩展强度，U值越高表示单位时间内扩展强度越强；An+i和An分别表示研究时间段末期建成区面积和初期建成区面积；n表示时间间隔，单位为年；R表示土地总面积.

水通道蛋白-1与大鼠急性一氧化碳中毒性脑病的关系 … ………………… 李金兰，刘群会，曹学兵，等 456

2.4 重心特征分析

为了更好地了解建成区扩张方向的变化，本文借助城市重心变化来反应.城市重心并不是指单纯的城市的几何中心，而是根据赋权时所选权重属性对城市重心赋予不同含义.利用ArcGIS10.3以灯光值为权重，计算研究区重心，计算公式[20]如下：

(9)

式中：X,Y表示城市重心的经纬度坐标；PDNi表示第i个像元的灰度值；xi、yi表示第i个像元的坐标.重心的偏移反映了城市空间扩张的方向，为了更好的掌握江西省城市重心偏移规律，本文计算了重心偏移距离dt、平均偏移速度Vt和偏移角度θt.三者计算公式如下：

(10)

(11)

(12)

式中，Xt、Yt和Xt-1、Yt-1别为t,t-1城市区域的重心坐标；T为时间间隔.

2.5 灰色关联分析

灰色系统理论考虑到回归分析中的不足，以灰色关联模型来分析城市扩张与社会因子之间的关系，更能量化的比较各因素之间对城市扩张的影响.建立灰色关联模型，首先确定(Xi(q)={Xi(1),Xi(2),Xi(3)，…，Xi(m)},i=0)为特征序列，以及若干因素序列(Xi(q)={Xi(1),Xi(2),Xi(3)，…，Xi(m)},i=1,2,3，…，n)由于各个因素的意义、量纲不同，需进行无量纲化处理[21]，公式如下：

(13)

式中，q=1,2,3，…，m,Yi(q)是进行无量纲化处理数列.

本文中以建成区面积为特征序列X0,8个社会经济因素为因素序列分别为人口密度(X1)、全省生产总值(X2)、财政收入(X3)、城镇居民人均可支配收入(X4)、第三产业增加值(X5)、工业增加值(X6)、社会消费品零售总额(X7)和全社会固定资产投资(X8),特征序列与因素序列联系数为：

(14)

式中：i=1，2，…，n,q=1，2，3，…，m；|Y0(q)-Y(q)i|为特征序列与因素序列的绝对差值；miniminq|Y0(q)-Yi(q)|和maximaxq|Y0(q)-Yi(q)|为绝对差值的最大值和最小值；p为分辨率系数，一般在0.1～0.5之间选取，为增强关联区分度，本文取0.1[16].

(15)

根据关联度大小进行排序，选取排序靠前的3个关联度对应的因素序列，对其进行分析，以此作为城市扩张的主要因素.

3 结果与分析

3.1 建成区提取与分析

以统计数据中建成区面积为辅助数据，根据式(1)—(3)得到的最佳阈值(见表1)，阈值随时间增加整体变化幅度较小，为外延型扩张.城市建成区截至2018年扩张了2.62倍，统计值与提取值较为接近，说明建成区提取结果较为准确，可以此作为后续研究基础.

表1 城市建成区提取结果

3.2 灯光指数分析

根据式(4)—(6)计算的11个地级市灯光指数(见图1).如图1所示，在2003年时，南昌市灯光指数最高为0.121，其次是新余市、萍乡市为0.086和0.067.而九江市、上饶市、宜春市、抚州市、吉安市和赣州市灯光值均不超过0.050.整体看来，2003年江西省城市化水平偏低.在2008年，灯光值不超过0.050的城市减少至3个，分别为抚州市、吉安市和赣州市.随着建成区面积不断地扩大，11个地级市的灯光指数也发生明显变化.江西省东部、西部、东北部和西北部的抚州市、萍乡市、上饶市、景德镇市、鹰潭市、九江市和宜春市CNLI值分别从2003年0.023、0.067、0.034、0.052、0.057、0.035和0.042缓慢增长到2013年的0.047、0.108、0.071、0.09、0.107、0.076和0.076.江西省中部、中北部、中西部和南部的吉安市、南昌市、新余市和赣州市CNLI值从2003年0.022、0.121、0.086和0.025增长至2013年的0.043、0.186、0.132和0.048.2013年—2018年阶段灯光指数增长尤为明显，2018年九江市、景德镇市、上饶市、南昌市、宜春市、鹰潭市、抚州市、新余市、吉安市、萍乡市和赣州市CNLI值达到0.139、0.141、0.125、0.252、0.144、0.170、0.105、0.182、0.116、0.161和0.116.相比2013年分别增长了83.3%、58.1%、76.2%、35.3%、89%、58.1%、122.7%、38.6%、168.7%、49.3%和144.5%.其中，吉安市城市化增长最快，这是因为前期吉安市城市化水平较低，后期发展空间较大，因此，在2018年吉安市城市化取得飞速发展.全省整体上城市化水平发展迅速，但内部发展不平衡，核心城市发展高于其他城市.

图1 2003—2018年江西省地级市CNLI值

3.3 城市扩张及重心变化分析

为详细分析全省建成区整体在各个方位的扩张情况，以江西省重心为圆心，按8个方向建立等分扇形.本文将8方向扇形区域与各时期建成区扩展进行叠加，用不同的颜色显示，可以清楚地看到各个城市不同时期城市扩张的方向和大致规模.扇形区域正北(NN)方向包括南昌市和九江市主城区.在2003—2018年间，南昌市和九江市分别向北和向南方向扩张，这与江西省提出的“昌九一体化”发展战略实施目标相契合；东北(NE)方向的扇形区域主要包括景德镇市、上饶市和鹰潭市主城区，正西(WW)方向的扇形区域主要包括新余市、宜春市和萍乡市，以上城市均属于江西省“龙头昂起，两翼齐飞”区域发展战略的“两翼”.“两翼齐飞”就是扩大开放合作，促进原沪昆铁路两翼发展.可以看出在扇形区域中，2008—2013年和2013—2018年建成区面积有了显著的扩张；以南昌、九江和赣州三个中心城市为核心向外辐射扩张，带动周边城市发展.根据式(7)—(8)计算得到的城市扩展指数(见表2).结合表2可以发现，2003—2018年建成区扩展强度持续增加，扩展速度在2013年后开始递减.这是因为2013年城市化相比2003年有很大提高，在此期间开发力度持续增强，造成土地资源不断减少，促使2013年以后的开发建设往紧凑节约型发展.

表2 2003—2018年城市扩张指数

根据式(9)—(12)计算得到的2003年—2018年的城市重心在江西省中北部的宜春市，重心的偏移具有一定反复性，整体在南北方向跨越，说明东西方向发展相对平衡.江西省政府提出“昌九一体化”的发展战略，加速了西北部地区城市化发展，使得2008—2013年城市重心逐渐向西北部迁移.为统筹省内区域协调发展，缩小南北地方差距，落实中部崛起，加快赣南等原中央苏区的振兴，2013—2018年城市重心向东南偏移.15年间江西省城市重心偏移参数(见表3)，截至2018年偏移速度是2003年的7.4倍.

表3 2003—2018年重心偏移特征参数

3.4 城市扩张驱动分析

本文利用2003—2018年夜间灯光影像，采用阈值二分法对2003—2018年建成区面积进行提取.利用江西省统计公报数据，根据式(13)—(15)计算得到了不同因素与城市建成区间的关联度大小分别为人口密度(X1)0.831、城镇居民可支配收入(X4)0.676、第三产业增加值(X5)0.563、社会消费品零售总额(X7)0.544、全省生产总值(X2)0.543、工业增加值(X6)0.471、财政收入(X3)0.455和全社会固定资产投资(X8)0.421.按关联度大小，排序靠前的三个社会经济因子分别是江西省人口密度(X1)0.831、城镇居民可支配收入(X4)0.676和第三产业增加值(X5)0.563.江西省人口密度的增加是城市扩张的主要因素之一，人口密度的增加，扩大了对房地产行业的需求，使得城市建成区面积增加.随着江西省城镇居民可支配收入的增加，居民的购买力和消费需求得以提升，加速了城市化发展.改革开放以来江西省第三产业的迅速发展，吸引了大量投资引入，截至2018年江西省增至9个国家级高新区，高新区的设立带动了周边基础设施的建设、房地产和服务业联动发展，扩大了用地需求，由此加速了城市扩张.

4 结论与建议

4.1 结论

本文基于DMSP/OLS和NPP/VIIRS数据，参考统计数据对江西省城市建成区进行提取，结合夜间灯光指数、城市扩展速度、强度和城市重心偏移特征，对2003—2018年江西省城市化特征进行分析，并利用灰色关联模型计算了建成区与社会经济因子之间的关联度，得到如下结论：

(1)江西省15年间建成区面积显著增加，扩张强度持续增强，但建成区空间分布较为分散，各城区之间联系薄弱，未能明显地连接成片.区域核心城市与其余城市发展状况两极分化现象明显，其中，以南昌、九江和赣州为核心城市，向周边辐射扩张，对其余城市发展具有一定拉动作用.

(2)江西省城市化水平持续提高，核心城市的城市化发展速度较快，其余城市发展速度也逐渐增强，这里主要体现在吉安市和抚州市.全省城市化南北差异较大，北部城市化水平高于南部，随着苏区振兴发展战略的提出，赣南地区得到迅速发展，城市化差异呈缩小趋势.

(3)江西省城市重心始终位于中北部的宜春市，但方向有所改变，最终由西北向东南偏移.城市扩张逐渐由单核扩张变为多核扩张模式.根据关联度大小排序，人口密度是促进江西省城市扩张的主要因素，可在未来对该因素进行进一步研究.

4.2 建议

通过对江西省城市建成区扩张及驱动因素分析结果表明，江西省近15年建成区扩展迅速，城市化差异逐渐缩小，人口密度对城市扩张有较大的促进作用，采用夜间灯光数据对城市扩张研究效果较好.对此，提出以下建议：

(1)虽然城市建成区面积逐年增加，但应加强城市之间的联系，提高城市空间的紧凑性.另外，城市建设的驱动因素有自然资源、人口和经济等多种因素，因此在城市建设的过程中应充分考虑这些因素的影响，避免无序扩张，应对土地合理的规划与利用，实现生态环境与城市建设的协调可持续发展.

(2)为进一步缩小江西省区域内部城市化差异，应加强江西省内部城市化研究，推进跨区域合作交流，充分发挥中心城市的辐射带动作用，实现中心城市与周边城市协调发展.针对区域内部城市化研究可采用多源遥感数据以及县域统计数对其进行精细化研究，以便更好地掌握区域内部城市化进程，为江西省相关部门对区域城市化发展规划提供参考.

(3)夜间灯光数据不仅用于城市扩张研究，还可有效应用于各种社会经济因子的估算研究，对此，充分利用夜间灯光数据，深度挖掘该数据的应用潜能，服务大尺度城市发展动态监测，为城市发展监测提供低成本、有效的数据支撑.