基于NPP-VIIRS夜光数据的夜间光污染睡眠效应研究——以广州市为例

杨乐怡,陈洁莹,张露梓玉,郑莹莹,余杨帆,付迎春

（华南师范大学地理科学学院，广州510631）

1 引言

城镇夜光不仅是经济繁荣的象征，也是光污染的来源［1］。夜间光污染具有诸多方面的不利影响［2］，对人居健康的危害需受到关注，这对夜间照明的合理规划和人们的健康生活具有重要意义。

夜光遥感数据具有范围广、时间序列长、准确度高等优点，被广泛用于夜间光污染的调查和研究。Bennie 等［3］利用夜光遥感数据检测了欧洲大陆的光污染趋势；Han 等［4］监测了1992—2012年中国光污染的变化趋势，结果表明中国的光污染呈明显增加的趋势；Zheng等［5］监测非洲保护区内的夜间光污染并探索了人类活动对保护区内光污染的作用阈值。关于夜间光污染对动物和人类的影响；Hu 等［6］证实了夜光能够改变海龟的筑巢行为；Pedro 等［7］发现海鸥的飞行路线会被夜光干扰；Kloog［8］等和Bauer 等［9］的研究揭示了夜间灯光强度与以色列、美国佐治亚州的乳腺癌发病率的正相关关系；Koo 等［10］证明了高强度的户外灯光与肥胖以及各种睡眠问题有显著的联系；廖书冰等［11］用夜间灯光数据建立模型模拟了2 种老年慢性病患病率的空间分布。几乎在所有城市，有效治理光污染，还公众以“暗夜”，成为许多市民的共同心愿［12］。

通过问卷调查获取睡眠质量数据的工作量大，效率低，较少用于大范围研究。因此，本文以广州市为研究区，使用NPP-VIIRS 夜光数据作为表征夜间光污染程度的指标，通过建立回归模型，估算像元尺度上的睡眠质量数据，在此基础上，利用聚类分析研究居民睡眠质量的分布特征。研究成果为快速得到精细尺度上的睡眠质量数据提供参考，有助于相关部门针对性地管控光污染。

2 研究区概况与数据来源

2.1 研究区概况

广州市地处广东省中南部、珠江三角洲中北缘，是粤港澳都市圈的核心城市。地理坐标为东经112° 57′—114° 3′，北纬22° 26′—23° 56′；总面积7 434.4 km2，下辖11 个区。2021年第七次人口普查数据显示，截止至2020年11月1日广州市拥有常住人口18 676 605 人。《2017年中国网民失眠地图》［13］显示，广州市以79.37%（曾经有过失眠经历的人占总调查人数百分比）位居失眠城市排行榜第二。在此背景下，网媒联合发起了“广州睡眠调查”［14］，光污染在导致失眠的环境因素中名列第三。广州市光污染对居民睡眠有显著影响。

图1 研究区示意图Fig.1 Sketch map of study area

2.2 数据来源

2.2.1 夜间灯光数据 NPP-VIIRS 夜间灯光数据能够清晰地反映出城市内部的细节信息，本文的NPP-VIIRS 夜光数据来源于NOAA/NGDC 平台（https：/ngdc. noaa. gov/eog/viirs/download_ut_mos.html）。原始数据的坐标系为WGS 84 地理坐标系，对原始数据进行掩膜提取后重新投影为Albers正轴等面积割圆锥投影，并重采样为250 m分辨率。

2.2.2 睡眠质量数据 睡眠质量数据通过问卷调查的方式获取。问卷内容设计参考了匹兹堡睡眠质量表，共收集225 份有效数据，具体包括两部分：一是居民睡眠质量调查，二是居民对周边光污染的感知。根据被调查者的回答计算其睡眠质量指数（Sleep Quality Index，SQI），SQI 的取值范围为0—21，SQI值越高，表示睡眠质量越差。

2.2.3 相关辅助数据 主要为从天地图广州市地理信息公共服务平台上（http：//guangdong.tianditu.gov.cn/guangzhou/）获取的广州市区县行政边界数据。

3 研究方法

3.1 空间相关分析

在衡量地理变量之间的关系时，应使用空间相关分析。对于两个地理变量X和Y，其空间相关系数表示为式（1）：

式中：W为空间权重矩阵，且矩阵需要先进行行标准化，而WX和WY就称为X和Y的空间滞后。ρ的取值介于-1到1之间，正值表示正线性相关，负值表示负线性相关，绝对值越接近1表示线性相关程度越强。

3.2 睡眠质量空间回归模型

绝大多数空间数据都具有空间自相关性，打破了经典回归分析中观测值相互独立的基本假设。因此，本文使用考虑了空间效应的空间回归模型，从而可以更加精确地对睡眠质量进行估算。空间回归模型的一般形式如式（2）所示。

式中：Y为睡眠质量指数；X为研究单元内的灯光指数；ρ为X的空间自回归系数；W1和W2分别是睡眠质量、残差的空间权重矩阵；β为灯光指数的空间回归系数；μ为残差项；λ为残差项的空间回归系数；ε为随机误差。

根据ρ、β和λ的取值情况，可构建出不同类型的空间回归模型：①当λ=0，ρ=0 时，为普通线性回归模型（Ordinary Linear Regression Model，OLRM）；②当λ=0，ρ≠0，β≠0 时，为空间滞后模型；③当ρ=0，β≠0，λ≠0 时，为空间误差模型。本文通过对比，选择精度更高的空间回归模型。

4 结果分析

4.1 睡眠质量空间回归模型构建

4.1.1 夜间灯光指数与睡眠质量指数相关性分析 目前，夜光遥感在城市研究中大多使用总灯光强度指数（total nighttime light，TNL）和平均灯光强度指数（average nighttime light，ANL），以表示研究区的灯光特性。一般认为灯光越强的区域夜间光污染越严重。具体计算方法如下所示：

式中：DNi为区域内像元值；n为区域内像元数。

衡量睡眠质量指数与夜间灯光指数的关系前，先采用全局莫兰指数（Moran’s I），检验变量的空间自相关性。结果如表1所示，各指数都具有不同程度的空间自相关。其中，SQI在95%的显著性水平下，呈现较强的离散分布，TNL 和ANL 在90%的显著性水平下，呈微弱的聚集分布。

表1 空间自相关检验结果Tab.1 Test of spatial autocorrelation

通过相关性分析，对比睡眠质量与两种夜间灯光指数的相关性，选择最佳的夜间灯光指数。结果如表2所示，睡眠质量与TNL具有良好的相关性（r＞0.6）。因此，本文选取总灯光强度指数（TNL）与睡眠质量（SQI）进行回归。

表2 灯光指数与睡眠质量的相关性分析Tab.2 Correlation analysis between light index and sleep quality

4.1.2 空间回归模型精度比较 睡眠质量与总灯光强度指数具有良好的相关性。因此，本文采用总灯光强度（TNL）作为自变量，睡眠质量（SQI）作为因变量，进行空间回归模型的比较，选择最优的空间回归模型。

SLM、SEM模型的回归结果见表3，LM-Lag统计量在10%的显著性水平下拒绝了原假设，因此，从统计意义上应选择空间滞后模型。但空间滞后模型的拟合优度较低（R2＜0.6）。并且总灯光强度与睡眠质量的关系在全局范围是非线性的（图2），因此采用局部函数模拟二者关系，以较好地减少空间异质性带来的影响。

表3 SLM、SEM模型的回归结果Tab.3 Regression results of SLM and SEM

由图2发现，研究区内不同区域的空间相关性不同。因此，将研究区划分为中心城区（越秀、荔湾、海珠、天河）和非中心城区（从化、南沙、黄埔、花都、白云、番禺和增城）两组，分别进行一元线性回归，结果如表4所示。

图2 TNL与SQI的散点图Fig.2 Scatter plot between TNL and SQI

由表4可知，广州市中心城区和非中心城区的睡眠质量与总灯光强度的拟合效果较好（R2均大于0.8），中心城区的R2值较非中心城区更大，说明中心城区内自变量TNL 对因变量SQI 的解释能力更高，即中心城区的模型拟合效果优于非中心城区。将一元线性回归模型与空间滞后模型进行优度比较，结果如表3。

表4 总灯光强度与睡眠质量的一元线性拟合方程Tab.4 One-dimensional linear fitting equation between TNL and SQI

从表3可看出，一元线性回归模型与空间滞后模型均通过10%的置信水平检验，前者的R2较后者更大，且AIC、SC 值也更小，表明一元线性回归模型的拟合结果更好。综合比较后，选择分区一元线性回归模型对广州市居民睡眠质量进行估算。

4.1.3 睡眠质量空间回归结果精度检验 为了检验回归模型的拟合效果，以11 个市辖区为单元，将表4模型得到的睡眠质量估算值与调查值进行比较，计算两者的均方根误差和平均相对误差，结果如表5，再将两者进行线性拟合，结果如图3所示。

表5 睡眠质量估算残差Tab.5 Estimated sleep quality residual in counties

由表5结果可以看出，中心城区总灯光强度与睡眠质量的拟合精度高于非中心城区的拟合结果；由图3可以看出，调查的睡眠质量指数与估算的睡眠质量指数线性拟合较好，R2均大于0.8，说明根据研究单元总夜间灯光强度与睡眠质量指数建立的模型比较理想，总体保持较好的精度，可用来估算广州市居民睡眠质量的空间分布。

图3 分市辖区的回归结果检验Fig.3 Test of regression results in municipal district level

4.2 睡眠质量空间分布特征

像元尺度下的睡眠质量空间分布能够更详细展现居民睡眠质量的分布特点，将该模型应用到像元尺度时，公式中的截距需做相应的变化。本文参考了前人［15～16］的做法，将表5 模型的常数项转化为各个研究单元中像元的平均值，构建了像元尺度下的睡眠质量模型（表6）。

表6 像元尺度下的睡眠质量拟合方程Tab.6 Fitting equation of sleep quality on pixel scale

另外，考虑到回归模型误差的影响，参考武娜等［17］的研究，引入像元尺度下睡眠质量模拟的修正系数mij，对各格网单元的回归结果进行调整，使模拟出的睡眠质量更接近实际情况，修正系数的计算方法如下式所示：

式中：mij为像元i所在的区域j的模拟值修正系数；SQIj为该区域经表5 公式计算得出的睡眠质量模拟值；SQI′j为该区域睡眠质量的实际调查值；SQIij为像元i经表8 公式计算得出的睡眠质量模拟值；SQI′ij为修正后像元i的睡眠质量值。

由此得到了修正后广州市内250 m×250 m 格网单元的睡眠质量情况，如图4（a）所示。

由图4（a）可以看出，广州市中心城区居民的睡眠质量普遍较低，非中心城区中除局部经济中心外，居民的睡眠质量普遍较高。

为进一步分析居民睡眠质量的空间分布特征，对广州市居民睡眠质量进行聚类与异常值分析，结果如图4（b）。高聚集区多分布在中心城区及其周围地区，包括越秀、海珠、天河区，以及番禺、黄埔的部分地区，这些地区居民睡眠质量较差，应成为夜间光污染的重点治理区域。低聚集区主要分布在南沙区和增城的大部分地区，这些地区光污染程度较低，居民睡眠质量较好。低高聚集区主要分布在花都区和白云区，这些地区居民的睡眠质量较好，但其周边地区居民的睡眠质量较差，该区域应重视光污染现状及发展趋势，提前做好管控，维持良好的夜间光环境。

图4 广州居民睡眠质量可视化Fig.4 Spatial distribution of sleep quality in Guangzhou

5 结论

本文基于广州市范围的NPP-VIIRS 夜光数据和各区县的睡眠质量数据，分区建立了夜间灯光总强度指数与居民睡眠质量的空间回归模型，模型估算精度较高，可反映居民睡眠质量的空间化。具体结论如下：

（1）总灯光强度指数与居民睡眠质量的相关性较强，且回归拟合精度比较理想，能较精确地反映出广州市居民睡眠质量的空间分布特征。

（2）广州市中心城区居民的睡眠质量普遍较低，非中心城区居民的睡眠质量普遍较高。中心城区夜间经济活跃，人口密度大，夜间光污染程度高，该区域居民夜晚睡眠受光污染影响较大，相关部门应重视其夜间光污染的问题。而非中心城区主要为农林用地或未开发地区，人类夜间活动强度较弱，人口密度小，该区域居民夜晚睡眠受光污染影响较小，仅经济中心和周边的零星区域为低睡眠质量聚集区，但也应关注其光污染的防控，以保持良好的夜晚光环境。

6 展望

目前，国家和一些地方出台了有关道路、夜景等类型照明管理的标准，但大多只是简单的原则性规定，操作性不强。借由国际天文学家提出的暗夜保护概念，我国一些城市（如成都、杭州）提出了在城市划定暗夜保护区的计划。城市的暗夜保护主要针对城市建设用地，依据不同功能用地在夜间的人群活动、生产、生活状况，识别城市照明建设的重点和亮点［18］，是有效推动光污染治理的新方式。下一步将研究城市暗夜保护区的规划问题，探究如何划分光污染控制区， 以有效地解决大城市光污染问题。