EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 4: 108 - 117

DOI: https://doi.org/10.6046/zrzyyg.2024087

技术应用

基于不透水面与夜间灯光的城市建成区时空演变分析

  • 牟凤云 , 1 ,
  • 朱诗柔 , 1 ,
  • 左丽君 2
展开
  • 1.重庆交通大学智慧城市学院,重庆 402260
  • 2.中国科学院空天信息创新研究所,北京 100001
朱诗柔(2000-),女,硕士研究生,研究方向为国土资源遥感与智慧城市建设。Email: 。

牟凤云(1979-),女,博士,研究方向为国土资源遥感、智慧城市建设、3S技术集成与应用方面研究。Email: 。

Copy editor: 李瑜

收稿日期: 2024-03-08

  修回日期: 2024-06-25

  网络出版日期: 2026-06-03

基金资助

教育部人文社会科学研究规划基金项目“居民出行视角下智慧交通抗灾韧性及提升策略研究”(24YJAZH107)

重庆市教育委员会科学技术研究计划重点项目“居民出行视角下山地城市公路-轨道交通网络智慧协同抗洪涝灾害韧性优化方法研究”(KJZD-K202300707)

重庆交通大学研究生科研创新项目“城市绿色发展背景下成渝城市群碳储量与生态系统服务价值时空演变分析”(2024S0158)

重庆市研究生导师团队建设项目(JDDSTD2022002)

收起

Spatiotemporal evolution analysis of urban built-up areas based on impervious surface and nighttime light

  • MOU Fengyun , 1 ,
  • ZHU Shirou , 1 ,
  • ZUO Lijun 2
Expand
  • 1. Smart City College, Chongqing Jiaotong University, Chongqing 402260, China
  • 2. Institute of Aerospace Information Innovation, Chinese Academy of Sciences, Beijing 100001, China

Received date: 2024-03-08

  Revised date: 2024-06-25

  Online published: 2026-06-03

Fold

摘要

明晰城市扩张与空间变化特征,是优化城市空间结构、抑制城市用地无序扩张的前提。该研究以成渝地区双城经济圈为研究区,结合多源数据融合方法提取2000—2020年城市建成区; 从城市扩张特征、空间变化和城市间空间强度等方面对整体与县域2个尺度进行城市扩张时空演化分析。研究结果表明: ①将不透水面纳入多源数据融合能够提高建成区提取精度,总体分类精度98%,平均Kappa系数为0.75; ②2000—2020年城市扩张经历了低速-中速、高速-低速的变化过程,扩张类型主要是边缘式,空间紧凑度下降; ③成渝地区双城经济圈城市间空间强度最大为成都市与重庆市,城市空间形态表现为“双中心-两翼”格局,以成都市、重庆市为中心带动周边城市发展的作用凸显。研究结果揭示了成渝地区双城经济圈城市发展规律与空间变化特征,有助于土地利用与国土空间格局合理优化,促进城乡协调发展。

关键词： 不透水面; 多源数据; 建成区; 城市扩张; 时空演变; 成渝地区双城经济圈

本文引用格式

牟凤云 , 朱诗柔 , 左丽君 . 基于不透水面与夜间灯光的城市建成区时空演变分析[J]. 自然资源遥感, 2025 , 37(4) : 108 -117 . DOI: 10.6046/zrzyyg.2024087

Abstract

Understanding the characteristics of urban expansion and corresponding spatial changes serves as a prerequisite for optimizing urban spatial structure and resisting disorderly urban land expansion. This study focuses on the Chengdu-Chongqing economic circle. Using multi-source data fusion, this study extracted information on urban built-up areas from 2000 to 2020. From the aspects of urban expansion characteristics, spatial changes, and intercity spatial interaction intensity, this study analyzed the spatiotemporal evolution during urban expansion at both the regional and county scales. The results indicate that incorporating impervious surface information into multi-source data fusion improved the information extraction accuracy of built-up areas, achieving an overall classification accuracy of 98% and an average Kappa coefficient of 0.75. Urban expansion from 2000 to 2020 transitioned from low to medium-high speed and then to low speed. The dominant expansion type was edge expansion, accompanied by decreased spatial compactness. Within the Chengdu-Chongqing economic circle, the strongest spatial interaction intensity occurred between Chengdu and Chongqing. The urban spatial pattern exhibited a “dual cores with two wings” pattern, highlighting the pivotal role of Chengdu and Chongqing in driving the development of surrounding cities. These findings reveal the urban development patterns and spatial change characteristics within the Chengdu-Chongqing economic circle. They will facilitate the rational optimization of land use and territorial spatial patterns, promoting coordinated urban-rural development.

Key words： impervious surface; multi-source data; built-up area; urban expansion; spatiotemporal evolution; Chengdu-Chongqing twin-city economic Circle

0 引言

城市建成区(urban built-up area, UBA)是在行政区划范围内,成片开发建设基础设施等方面的地区[1],它可以反映一个城市的城市化范围与城市化水平。随着城镇化进程不断加快,城市空间快速扩张引发了一系列城市问题,包括人口增加、经济发展、城市内部用地减少和环境污染等[2]。为有效解决这些问题,《美丽四川建设战略规划纲要(2022—2035年)》[3]提到构建功能清晰的空间格局,致力于建设美丽宜居县城,与此同时,《重庆市自然资源保护和利用“十四五”规划(2021—2025年)》[4]强调优化成渝地区双城经济圈国土空间布局,助推城乡融合发展。因此,了解城市扩张的演化过程,分析城市扩张特征与规律对国土空间合理开发与可持续发展具有重要意义。
随着遥感大数据不断丰富,为城市建成区提取奠定了坚实的数据基础。夜间灯光数据以其出色的低光探测能力、丰富的强度变化信息、强大的时空连续性以及容易获取等优点,常被用于建成区提取[5-6]及大尺度、长时间序列的空间扩张动态的研究[7-8]。随着21世纪到来,以夜间灯光与辅助数据集(例如归一化植被指数(normalized difference vegetation index,NDVI),Landsat)的多源数据融合成为城市建成区提取的研究热点,例如,夜间灯光数据与NDVI数据融合提取城市建成区[9]。尽管夜间灯光数据在城市研究中具有重要地位,但由于空间分辨率较低,存在灯光值溢出等缺点。不透水面作为城市化最显著的特征,具有高精度且易获取的优势,如尹旭等[10]利用不透水面提取全国县域建成区。不透水面数据不仅可以弥补夜间灯光数据空间溢出的不足,还可以提高空间分辨率。在城市扩张研究中,不透水面数据的应用不仅能强化建成区提取的准确性,还能充分挖掘城市化水平相对低地区的独特时空演变特征。目前,关于城市扩张研究主要集中在城市扩张的时空演变特征、驱动机制、生态效应等方面,从国家[11]、城市群[12]、流域[13]、市域[14]、县域[10]、城市[7]等尺度展开了研究。虽然城市扩张研究已取得了一些成果,但是已有研究多侧重于沿海或城市化水平较高的地区,对于城市化水平相对落后的西部地区的深入研究较为有限,西部地区城市扩张的动态与影响因素与城市化水平较高区域呈现不同的特点。因此,为全面把握城市扩张的多样性,需要更加关注城市化水平相对较低的地区,挖掘其独特的时空演变特征。
成渝地区双城经济圈建设已上升为国家重要战略,城市化水平相对落后。深入分析该地区城市扩张对促进西部城市群的发展,有序推进城市化进程具有重要意义。结合不透水面的优势,与夜间灯光、NDVI数据相结合,运用多源数据融合方法提取城市建成区,选取整体和县域两种尺度,从时间、空间等角度分析长时序城市扩张特征、演化规律,对城市群长时序城市扩张时空演变过程进行定量分析,揭示2000—2022年不同尺度建成区的时空演化特征,有助于成渝地区双城经济圈城市建设的合理开发与国土空间优化,推动双城经济圈建设,促进成渝可持续发展,加快新时代西部大开发新格局的形成,以期为建设美丽县城、生态宜居、新型城镇化和乡村振兴战略提供科学参考。

1 研究区概况与数据源

1.1 研究区概况

成渝地区双城经济圈位于“一带一路”和长江经济带的交汇区域,在国家发展中具有承东启西、连接南北的战略地位。依据《成渝地区双城经济圈建设规划纲要》划定本文的研究区域,但是规划中重庆市的开州区与云阳县的划定并没有具体的范围,本研究将云阳县和开州区全部区域归为研究区。规划后的研究区包括四川省的成都、绵阳(除平武县、北川县)、达州(除万源市)、雅安(除天全县、宝兴县)、眉山、德阳、南充、宜宾、资阳、遂宁、广安、自贡、泸州、乐山等15个县以及重庆市27个区(县)以及开州区与云阳县。

1.2 数据源及其预处理

本文使用数据包括不透水面数据、夜间灯光数据、NDVI、参考建成区数据以及统计数据(表1)。
表1 数据来源

Tab.1 Data sources

数据名称 格式 分辨率/m 来源
不透水面数据 栅格 30 武汉大学遥感院遥感信息处理研究所黄昕教授团队[15]和宫鹏教授研究团队[16]
夜间灯光数据 栅格 1 000 国防卫星气象计划[17]
NDVI 栅格 1 000 https://search.-earthdata.nasa.gov/search
参考建成区 矢量 - GUB数据集[18]
统计数据 矢量 - 统计年鉴
为保证数据的统一性,实验数据均采用30 m分辨率与WGS_1984_UTM_Zone_48N的投影坐标系。对遥感影像数据均进行了修正、拼接等预处理。

2 研究内容与方法

本文研究主要基于2000—2022年的不透水面、夜间灯光数据、归一化植被指数等遥感数据构建综合密度值,利用Densi-Graph曲线法确定分割阈值,与参考建成区作验证对比; 然后通过城市扩张指数、城市间空间强度从时间、空间、整体、县域等尺度上进行分析城市扩张时空特征。

2.1 建成区提取

2.1.1 核密度估算

核密度估算[19](Kernel density estimation,KDE)对点要素和线要素进行高质量的估算,其不受栅格大小和位置的影响。以研究区域内任一点的一定半径范围作为密度分析范围,距离中心点的距离赋予相应的权重,距离越近权重越高,计算公式为:
Pi= 1 n π R 2 ∑ j = 1 n K j 1 - D i j 2 R 2 2,
式中: Kj为研究对象j的权重; D i j 2为空间点i与研究对象j的距离; R为选定规则区域的带宽(Dij<R);n为带宽R的范围内研究对象j的数量[19]。由于核密度分析带宽的选择对于最后的结果有一定的影响,参考相关论文[19-20],分别设置500 m,1 000 m,1 500 m的带宽,通过比较,最终选择带宽为1 000 m,像元30 m进行研究。

2.1.2 几何平均法

多源数据融合常采用几何平均法,可以有效地消除多源数据中极值的干扰,保留图像的原始基本信息,减少夜间灯光数据溢出情况与背景噪音,提高提取精度的目的[9]。计算公式为:
DH= I S A N I ( 1 - N D V I ) 3,
式中: DH为综合密度值; ISA为不透水面核密度值; NI为夜间灯光值; NDVI为植被指数值。其中所有数值均经过归一化处理。

2.1.3 阈值确定

建成区提取常采用经验阈值法,操作虽简单,但主观性较强。因此,本文选择Densi- Graph曲线法[19]以减少主观性,该方法基于核密度估计值,通过建立综合密度值(DH)与密度值对应曲线围成面积Sd的理论半径(Sd)1/2的增量(Δd)之间的关系,判断分割阈值提取城市建成区。计算公式为:
l i m d ( Δ d 1 / 2 ) d d = 0 l i m d ( Δ d 1 / 2 ) d d > 0 l i m d ( Δ d 1 / 2 ) d d > r
式中: r为容许值; 当超过容许值r时,曲线趋势不可逆,将其作为拐点,此时对应的DH值作为分割阈值。

2.2 城市扩张特征测度

城市扩张测度需要反应城市空间扩张速度,以及城市空间扩张形态与结构。参考已有成果[21-23],选取扩张速度、扩张强度、扩张幅度、扩张类型、紧凑度表征城市扩张空间演变特征,计算公式为:
M= S b - S a S a × Δ t×100,
E= S b - S a U× 1 Δ t×100%,
UEI= S b - S a S a×100%,
LEI= L C P,
CIi= 2 π A i P i,
式中: Sa为研究城市初始阶段建成区面积;Sb为研究城市末期阶段建成区面积;Δt为研究期的时间范围,以年为单位; M为扩张速度; U为初始年份t的区域土地总面积; E为扩张强度; UEI为扩张幅度; LSI为扩张类型; LC为原有建成区和扩张建成区边缘相交长度; P为增加建成区的总周长。CIi为紧凑度; Ai为城市建成区面积; Pi为城市建成区周长。

2.3 潜力模型

潜力模型由引力模型改进而来,可以用于表征城市之间相互作用的可能性强度,其可以作为反映城市间空间相互作用指标[24-25],计算公式为:
Fi= ∑ j = 1 n M i M j D i j f+ M i M i D i i f,i≠j,
式中: Fi为城市i潜力值; D i i 为城市i与最相邻城市之间距离的1/2; D i j 为城市i到城市j之间的距离; Mi为城市i质量; f为距离摩擦系数。

3 研究结果

3.1 成渝地区双城经济圈建成区提取

3.1.1 成渝地区双城经济圈建成区提取

根据成渝地区双城经济圈内综合密度值指数,采用Densi-Graph曲线判断分割阈值(DH=20)。考虑到建成区时连片开发建设区,剔除距离大于1 km的独立斑块,并融合图斑面积大于0.2 km2的独立图斑,最终提取结果如图1所示。为验证本文所用到的不透水面的优点,利用夜间灯光数据与NDVI 2种数据采用相同的方法提取城市建成区,并与前述提取结果进行对比(图2)。通过观察发现,夜间灯光与NDVI这2种数据结合,提取城市建成区包含了周边非建成区。融合了不透水面数据提取的城市建成区基本贴合,能较为准确地反映成渝地区双城经济圈的整体形态,查全率、查准率和F1指数分别为0.98,0.97和0.90,说明基于不透水面、夜间灯光和NDVI的多源数据融合提取的城市建成区具有更高的提取精度。
图1 成渝地区双城经济圈建成区2000—2022年空间扩张演变

Fig.1 Spatial expansion evolution of the built-up area of Shuangcheng Economic Circle in Chengdu-Chongqing region from 2000 to 2022

图2 建成区提取结果与基于夜间灯光和NDVI数据提取建成区对比图

Fig.2 Built-up area extraction results are extracted from the built-up area comparison map based on night light and NDVI data

3.1.2 建成区提取结果对比分析与精度验证

为进一步验证本文提取结果的准确性,在研究区内共建立33 000个随机点,构建混淆矩阵,得到总体分类精度为98%,Kappa系数在0.71~0.78之间,平均Kappa系数为0.75。有研究表明总体分类精度达到90%以上,Kappa系数大于0.7[26],提取结果可以用于后续实验分析。
对于距离中心城市较远的县域建成区对比验证显示,本文提取结果的准确度较高。选取成渝地区双城经济圈东北、西南地区的县域建成区验证提取的准确度(图3),与GUB建成区数据集相比,本研究对县域建成区提取准确度较高,能够更为准确地识别到县域建成区的位置; 而GUB数据集对于这些面积相对较小,距离较远的县域存在遗漏现象,比如未能识别到西北地区(重庆市开州区(图3(a)))、西南地区(宜宾市中区、垬县(图3(b)))等建成区,这部分的提取精度低于本研究提取结果。
图3 建成区对比图

Fig.3 Comparison of built-up areas

3.2 城市扩张空间格局变化

从城市群尺度来看,2000—2022年,成渝地区双城经济区持续扩张(图1(a)),建成区面积逐渐增加,从3 296.11 km2增加到28 790.64 km2; 以2016年为分界点,扩张模式由面状扩张向沿主要道路同多中心集群扩张转变。2016年以前主要以面状扩张为主要趋势; 2016年以后,多中心集群模式逐渐凸显,沿主要交通道路扩张,成都市向“双流-乐山”方向扩张明显,重庆向西北方向扩张[23]; 在2020—2022年,呈现以成都、重庆、川南城市群为主的中心,而南充为主的南遂广城镇群不够显著,说明成渝“两翼”建设开始凸显。从县域尺度来看(图1(b)),在2000—2022年面积变化最为显著的为双流区、仁寿县、简阳市、江津区、永川区、泸县、大足区、巴南区,面积变化最小的是江北区、大渡口、成华区、青羊区。从空间分布来看,面积变化最大的主要集中于成都市周边,重庆市周边地区; 面积变化最小在成渝地区双城经济圈的西南与东北地区,呈现“西北、东南高速,东北、西南低速”的特点[12]。

3.3 城市扩张特征分析

3.3.1 扩张指数分析

2000—2022年成渝地区双城经济圈扩张指数见图4,从城市群尺度出发,成渝地区双城经济圈整体扩张速度、扩张强度、扩张幅度均为正,呈现“减小-增加-减小-增加-减小”波动形式。2000—2022年,扩张速度、扩张强度和幅度分别从8.273 km2/a,0.145%和33.091%变化到2.48 km2/a,0.276%和9.92%。2次快速发展主要原因得益于2000—2012年工业化发展与2016年关于成渝地区双城经济圈相关政策的颁布,该地区迎来了快速发展的新阶段,城镇化建设进入了新的快速发展阶段,扩张速度、扩张强度与扩张幅度均得到大幅度的增加。
图4 2000—2022年成渝地区双城经济圈扩张指数

Fig.4 Expansion index of Shuangcheng economic circle in Chengdu-Chongqing area from 2000 to 2022

从县域尺度出发(图5),从相同时间段与不同时间段上城市扩张特征存在一定的差异。
图5 2000—2022年不同城市扩张指数

Fig.5 Different urban expansion indices from 2000 to 2022

在相同时间阶段上。2000—2022年中扩张速度最显著的是芦山县,扩张速度最慢的是都江堰市、金牛区、靖江县、温江区、武侯区、峨边彝族自治县、沙湾区、叙永县、安州区、渝中区、渡口区,扩张强度最为显著的是龙马潭区、青白江区、新津区,扩张幅度最为显著的是汉源县、芦山县,扩张幅度最小的是都江堰市、金牛区、靖江县、温江区、武侯区、峨边彝族自治县、沙湾区、渝中区。
根据相关文献[22],将扩张速度、扩张强度和扩张幅度按照一定等级划分(图6)。在2000—2022年间多数城市扩张速度(图6(a))均处于高速发展,涪城区、游仙区、自井流区等多次城市处于快速发展,其中绵竹市、江油市、什邡市、成华区、金牛区、锦江区、青羊区、武侯区处于中速发展; 江北区处于低速发展,主要是由于江北区区域小,用地建设已经趋于饱和,因此发展速度最慢。2000—2022年城市扩张强度(图6(b))高值区主要分布于成都与重庆地带,多数城市的扩张强度不高,其中武侯区处于高速扩张型; 双流区、郫都区、沙坪坝区、江北区、新都区、龙马谭区等城市处于快速发展类型; 江阳区、渝北区、北碚区、船山区、龙泉驿区、青白江区等城市属于中速发展; 东坡区、崇州区、大足区、永川区等城市属于低速扩张类型。2000—2022年城市扩张幅度高值区主要集中于中部、南部边缘以及成都以南地区。其中马边彝族自治县的幅度变化最大,说明该城市的发展空间大。值得注意的是扩张强度高的区域,扩张幅度处于较低范围,说明成渝双城经济圈扩张存在一定的差异。
图6 2000—2022年不同城市扩张指数空间分布

Fig.6 Spatial distribution of different urban expansion indices from 2000 to 2022

3.3.2 扩张类型与紧凑度分析

从城市群尺度来看(图7(a)),成渝地区双城经济圈2000—2022年的整体上扩张类型以边缘式为主[12],整体紧凑度呈现“减小-增加-减少”的趋势,说明城市空间上呈现“分散-紧凑-分散”的变化趋势[12],其中2012年最为分散,主要原因是工业发展到达稳定阶段,城市各自发展,从而导致比较分散; 而2016年紧凑度增加主要原因得益于成渝地区双城经济圈相关政策的实施,促进城市间协同发展。从县域尺度来看,平均紧凑度比较高的城市集中于西南地区与东北地区,相反西北与东南地区紧凑度不高。县域尺度的城市扩张模型表现为以边缘式为主(图7(b)),填充式为辅。其中德阳市、什邡市、梓潼市等23个城市的平均扩张类型为填充式,主要分布在西南以及北部地区。
图7 2000—2022年县域城市扩张趋势分析

Fig.7 Analysis of the trend of county urban expansion from 2000 to 2022

3.3.3 城市空间相互作用强度

本研究在已有学者研究成果基础上[24-25],根据区域差异、客观性、针对性和数据可获取性等原则,以地级市作为研究对象,时间跨度2008—2020年,选择人均生产总值、人口数量、人均道路面积、人均绿地面积、医疗水平、科技投入、教育投入、客运量以及前文提取城市建成区面积等9个指标构建城市质量评估体系,测算各城市间发生相互作用所产生的综合影响力(图8)。
图8 2008—2020年城市综合影响力

Fig.8 2008—2020 combined urban impact

从图8可知,2008—2020年城市综合影响力最大为成都市,主要由于2016年成渝地区双城经济圈提出之后,成都市与重庆市作为最主要的都市圈主体,发展空间较大; 其处于交通枢纽最核心位置,通达性较高,与其他城市之间建立了较强的空间联系,对于周边城市的作用力不断加强。眉山市、乐山市、内江市等相对综合影响力较高城市,发展比较均衡。由于山体、江河阻隔或路程较远等原因,个别城市更加倾向于独立发展本地,因此影响力较小。在多中心城市的群体当中,城市间空间相互作用强度能够反映城市之间关系的密切程度,如图9所示,从城市间相互作用力来看,2008—2020年,成都市、重庆市成渝城市群其他城市之间的相互作用最大,说明成都市与重庆市作为中心城市发挥着较强的作用。眉山市、内江市、自贡市、遂宁市、泸州的空间作用强度略高于雅安市、南充市、达州市等城市,说明这些地方作为次要交通枢纽城市起到了较强的作用,提高中心城市作用力的辐射范围、使其更广、扩散更快。对最外围的雅安市、南充市、绵阳市等城市强度比较弱,说明应该加强对这些城市的联系,均衡布局,利用功能互补作用增强空间联系。
图9 城市间空间相互作用

Fig.9 Spatial interaction between cities

4 结论与讨论

4.1 结论

1)本研究提出基于不透水面、夜间灯光与NDVI的多源数据融合提取建成区方法,与基于夜间灯光和NDVI建成区提取方法得到的建成区结果相比,本文提取结果更为贴合城市建成区边缘,证明本研究所融合的不透水面数据能够弥补夜间灯光数据灯光值饱和问题,可以解决分辨率不高的问题。
2)城市扩张空间格局分布。城市群尺度上,扩张形态为“双中心-两翼” 格局分布,即以成都、重庆、川南小城市群为主,其余城市以中心发展的分布格局。县域尺度上,面积变化最大城市主要集中于成都市周边,重庆市周边地区; 面积变化最小城市在研究区西南与东北地区。
3)扩张特征分析。2000—2022年间扩张速度、扩张强度、扩张幅度呈现“减小-增加-减小-增加-减小”波动形式; 城市空间上呈现“分散-紧凑-分散”的变化趋势,城市以边缘上为主、填充式为辅的扩张类型。成渝地区双城经济圈重心在资阳市“徘徊”,经历“西北-西南-东南-东北-东南-东南”的变化过程; 城市间空间作用强度成都市与重庆市最强,体现双中心协同发展。

4.2 讨论

1)城市化进程伴随着土地空间、经济、文化等结构的转变,不仅是人类活动与经济发展的重要场所,也承载着生态保护的自然空间责任。2000—2022年“西部大开发”与“成渝地区双城经济圈”等目标的提出,导致城市扩张经历了两次变化。在围绕重庆主城与成都平原培养现代化都市圈,带动中心城市周边市、县加快发展相关措施下,2000—2022年研究区,成都与重庆所在的西北-东南方向扩张最快,紧凑度减小[27],城市扩张呈现“东西快,中部慢”的特点。因此,在加强两中心城市发展的同时,需要加强区域中心城市与周边地区的协同,以经济、交通、政策等社会因素的带动下,优化中心城市内部结构,提高城市用地效率,在交通结构发展的基础上促进成渝地区双城经济圈协同发展格局,分类推进大中小城市与县城的发展。
2)从不同尺度视角出发,发现整体与县域尺度存在一定的差异。因此,在总体规划的条件下,应当因地制宜地开展县域城市的空间优化; 深入探究城市内部的空间演化特征,揭示了城市建设用地无序扩张原因与扩张趋势。建设用地扩张较快容易产生土地利用集约的问题。因此,在推进新型城镇化建设的同时,有必要加强对建设用地的动态监测,合理开发国土资源,切实提高土地的高效利用,以促进城市化与生态保护的有机融合。
3)城市建成区提取时忽略了尺度效应问题,导致远离中心城市的建成区提取被遗漏,本研究提出将不透水面数据纳入多源数据融合提取城市建成区,能够有效提高被遗漏的偏远地区城市建成区,得到较为接近真实数量城市建成区。虽然本文将不透水面纳入多源数据,可以弥补夜间灯光过饱和问题的不足,提取结果能够在距离中心城市较远的县城具有较好的准确度,但边界不够平滑,后续研究可以通过形态学方法平滑城市建成区边界。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张扬, 郑凤娇, 刘艳芳, 等. 基于POI与不透水表面指数的城市建成区提取[J]. 地理科学, 2022, 42(3):506-514.

DOI

Zhang Y, Zheng F J, Liu Y F, et al. Extracting urban built-up area based on impervious surface area and POI data[J]. Scientia Geographica Sinica, 2022, 42(3):506-514.

DOI

[2]
Li G, Fang C, Li Y, et al. Global impacts of future urban expansion on terrestrial vertebrate diversity[J]. Nature Communications, 2022, 13(1):1628.

DOI PMID

[3]
省委、省政府印发《美丽四川建设战略规划纲要(2022—2035年)》- 四川省人民政府网站[EB/OL].[2024-01-01]. https://www.sc.gov.cn/10462/10464/10797/2022/8/29/493ddce2b-17f47fb9a2dd951abe0cb96.shtml.

The Provincial Party Committee and the provincial government issued the Outline of the Strategic Plan for the Construction of Beautiful Sichuan (2022-2035) - Sichuan Provincial People’s Government Website [EB/OL].[2024-01-01]. https://www.sc.gov.cn/10462/10464/10797/2022/8/29/493ddce2b-17f47fb9a2dd951abe0cb96.shtml.

[4]
重庆市人民政府关于印发《重庆市自然资源保护和利用“十四五”规划(2021—2025年)》的通知_重庆市人民政府网[EB/OL].[2024-01-01]. https://www.cq.gov.cn/zwgk/zfxxgkml/szfwj/xzgfxwj/szf/202201/t20220124_10360585.html.

Notice of Chongqing Municipal People’s Government on Issuing the 14th Five-Year Plan for the Protection and Utilization of Natural Resources of Chongqing (2021-2025).[2024-01-01]. https://www.cq.gov.cn/zwgk/zfxxgkml/szfwj/xzgfxwj/szf/202201/t20220124_10360585.html.

[5]
陈星星. 基于夜间灯光数据的武汉市城镇用地扩张识别与空间分布特征研究[J]. 西南师范大学学报(自然科学版), 2019, 44(1):70-78.

Chen X X. Urban land expansion identification and spatial distribution characteristics of Wuhan city using DMSP/OLS nighttime light data[J]. Journal of Southwest China Normal University (Natural Science Edition), 2019, 44(1):70-78.

[6]
王敏, 李景保, 梁莉莉, 等. 基于夜间灯光数据的长沙市城市建成区提取结果对比分析[J]. 湖南师范大学自然科学学报, 2021, 44(4):45-52.

Wang M, Li J B, Liang L L, et al. Comprehensive analysis of the urban build-up area extraction based on night light data in Changsha[J]. Journal of Natural Science of Hunan Normal University, 2021, 44(4):45-52.

[7]
Xu P, Jin P, Cheng Q. Monitoring regional urban dynamics using DMSP/OLS nighttime light data in Zhejiang Province[J]. Mathematical Problems in Engineering, 2020, 2020:9652808.

[8]
刘清云, 范俊甫, 陈政, 等. 夜间灯光遥感数据一致性校正下成渝城市群扩张分析[J]. 测绘科学, 2022, 47(6):99-108.

Liu Q Y, Fan J F, Chen Z, et al. Expansion analysis of Chengdu-Chongqing urban agglomeration under nighttime light remote sensing data consistency correction[J]. Science of Surveying and Mapping, 2022, 47(6):99-108.

[9]
唐霞, 汤军, 李外宾, 等. 珞珈一号融合多源数据的建成区提取[J]. 遥感信息, 2023, 38(1):78-87.

Tang X, Tang J, Li W B, et al. Extraction of built-up area based on Luojia 1-01 combined with multi source data[J]. Remote Sensing Information, 2023, 38(1):78-87.

[10]
尹旭, 魏慧, 李裕瑞. 基于不透水面的中国县城建成区识别与时空演变研究[J]. 地理研究, 2023, 42(6):1492-1505.

DOI

Yin X, Wei H, Li Y R. Identification and spatio-temporal variation of county towns’built-up area of China based on impervious surface dataset[J]. Geographical Research, 2023, 42(6):1492-1505.

[11]
李广东, 戚伟. 中国建设用地扩张对景观格局演化的影响[J]. 地理学报, 2019, 74(12):2572-2591.

DOI

Li G D, Qi W. Impacts of construction land expansion on landscape pattern evolution in China[J]. Acta Geographica Sinica, 2019, 74(12):2572-2591.

DOI

[12]
张亚萍, 张平, 孙丹峰, 等. 成渝城市群城市建设用地扩张格局及规模体系分析[J]. 测绘通报, 2020(7):103-107.

DOI

Zhang Y P, Zhang P, Sun D F, et al. Analysis of urban construction land expansion pattern and scale system in Chengdu-Chongqing urban agglomeration[J]. Bulletin of Surveying and Mapping, 2020(7):103-107.

DOI

[13]
王亚楠, 苏明明, 王玉萍. 黄河流域城市扩张时空特征与区域差异——基于资源型城市与非资源型城市的对比[J]. 中国农业资源与区划, 2024, 45(6):223-233.

Wang Y N, Su M M, Wang Y P. Spatial and temporal characteristics and regional differences of urban expansion in the Yellow River Basin:Based on compartive analysis of resource-based and non-resource-based cities[J]. Agricultural resources and Regionalization in China, 2024, 45(6):223-233.

[14]
林钦贤, 林以恒, 真诗泳, 等. 建设用地扩张规律及其与道路网络的空间自相关分析——以福州市为例[J]. 科学技术与工程, 2023, 23(7):3001-3010.

Lin Q X, Lin Y H, Zhen S Y, et al. Expansion law of construction land and its spatial autocorrelation analysis with road network:Taking Fuzhou as an example[J]. Science Technology and Engineering, 2023, 23(7):3001-3010.

[15]
Huang X, Li J, Yang J, et al. 30 m global impervious surface area dynamics and urban expansion pattern observed by Landsat satellites:From 1972 to 2019[J]. Science China Earth Sciences, 2021, 64(11):1922-1933.

[16]
Gong P, Li X, Wang J, et al. Annual maps of global artificial impervious area (GAIA) between 1985 and 2018[J]. Remote Sensing of Environment, 2020, 236:111510.

[17]
Li X, Zhou Y, Zhao M, et al. A harmonized global nighttime light dataset 1992-2018[J]. Scientific Data, 2020, 7(1):168.

DOI PMID

[18]
Li X, Gong P, Zhou Y, et al. Mapping global urban boundaries from the global artificial impervious area (GAIA) data[J]. Environmental Research Letters, 2020, 15(9):094044.

[19]
许泽宁, 高晓路. 基于电子地图兴趣点的城市建成区边界识别方法[J]. 地理学报, 2016, 71(6):928-939.

DOI

Xu Z N, Gao X L. A novel method for identifying the boundary of urban built-up areas with POI data[J]. Acta Geographica Sinica, 2016, 71(6):928-939.

DOI

[20]
郑洪晗, 桂志鹏, 栗法, 等. 夜间灯光数据和兴趣点数据结合的建成区提取方法[J]. 地理与地理信息科学, 2019, 35(2):25-32.

Zheng H H, Gui Z P, Li F, et al. Urban built-up area extraction method based on nighttime light images and point of interest data[J]. Geography and Geo-Information Science, 2019, 35(2):25-32.

[21]
马歆, 和舒敏, 黄婷婷, 等. 城市用地扩张的时空格局特征及驱动因素分析——以中原城市群为例[J]. 生态经济, 2020, 36(3):105-111,167.

Ma X, He S M, Huang T T, et al. Analysis of spatial-temporal pattern characteristics and driving factors of urban land expansion:Taking central plains city cluster as an example[J]. Ecological Economy, 2020, 36(3):105-111,167.

[22]
张娜, 张会霞, 李艾琴. 基于夜间灯光影像的太原市城市扩张特征及驱动力分析[J]. 测绘通报, 2022(11):79-83,105.

DOI

Zhang N, Zhang H X, Li A Q. Analysis of urban expansion characteristics and driving force analysis of Taiyuan City based on night light images[J]. Bulletin of Surveying and Mapping, 2022(11):79-83,105.

DOI

[23]
胡苗苗, 闫庆武, 李建辉. 基于DMSP/OLS和NPP/VIIRS夜光影像的中原城市群城市扩张的时空演变及驱动力分析[J]. 自然资源遥感, 2024(1):189-199.doi:10.6046/zrzyyg.2022410.

Hu M M, Yan Q W, Li J H. Analyzing the spatio-temporal evolution of urban expansion in the central plains urban agglomeration and its driving force based on DMSP/OLS and NPP/VIIRS nighttime light images[J]. Remote Sensing for Natural Resources, 2024(1):189-199.doi:10.6046/zrzyyg.2022410.

[24]
俞艳, 童艳, 胡珊珊, 等. 武汉城市圈城市空间相互作用时空演变分析[J]. 长江流域资源与环境, 2017, 26(11):1784-1794.

Yu Y, Tong Y, Hu S S, et al. Spatial-temporal evolution of spatial interaction among cities of Wuhan metropolitan area[J]. Resources and Environment in the Yangtze Basin, 2017, 26(11):1784-1794.

[25]
赵东卉, 刘勇, 刘秀华. 基于引力模型的多中心城市地价空间结构分析——以重庆市为例[J]. 西南大学学报(自然科学版), 2017, 39(7):130-135.

Zhao D H, Liu Y, Liu X H. A gravity model-based analysis of the spatial structure of land price in polycentric cities:A case study of Chongqing[J]. Journal of Southwest University (Natural Science Edition), 2017, 39(7):130-135.

[26]
李春, 王金柱, 刘勇, 等. 成渝地区双城经济圈的城市扩张时空演变特征[J]. 现代城市研究, 2023(11):34-41,50.

Li C, Wang J Z, Liu Y, et al. Spatial-temporal evolution characteristics of urban expansion in Chengdu-Chongqing twin-city economic circle[J]. Modern Urban Research, 2023(11):34-41,50.

[27]
刘小波, 王海力, 刘颖, 等. 成渝城市群中心城市空间扩展特征及驱动机制[J]. 重庆师范大学学报(自然科学版), 2024, 41(3):121-132.

Liu X B, Wang H L, Liu Y, et al. Characteristics and driving mechanism of central city spatial expansion pattern of Chengdu-Chongqing urban agglomeration[J]. Journal of Chongqing Normal University (Natural Science Edition), 2024, 41(3):121-132.

Options
文章导航

/

〈 〉