Print

出版日期: 2017-03-25
点击次数:
下载次数:
DOI: 10.11834/jrs.20176031
2017 | Volumn21 | Number 2





                              上一篇|





下一篇


综 述
海上丝绸之路超大城市空间扩展遥感监测与分析
expand article info 禹丝思1,2 , 孙中昶2,3 , 郭华东2,3 , 赵相伟1 , 孙林1 , 吴孟凡2,4
1. 山东科技大学 测绘学院,青岛 266590
2. 中国科学院遥感与数字地球研究所 数字地球重点实验室,北京 100094
3. 海南省地球观测重点实验室,三亚 572029
4. 湖南师范大学 资源与环境科学学院,长沙 410006

摘要

以海上丝绸之路沿线的11个超大城市为例,基于长时间序列的Landsat MSS/TM/ETM+/OLI和HJ-1卫星CCD数据,利用基于面向对象的支持向量机SVM(Support Vector Machine)分类方法提取20世纪70年代到2015年的城市不透水层,并结合景观格局指数—最大斑块指数LPI(Largest Patch Index)、斑块密度PD(Patch Density)和欧几里得最邻近距离ENN(Euclidean Nearest Neighbor Distance)分析了超大城市的发展模式。研究结果表明:基于面向对象的SVM分类方法能够高效提取城市不透水层;平均总精度高于87.9%,平均Kappa系数高于0.87;过去40余年,各超大城市的面积扩张了4—13倍,中国和印度的超大城市扩张最快,广州、上海超过12倍;各城市以“中心—边缘”或“沿海—内陆”的方向扩张,表现为“扩散—聚集—再扩散”的扩张模式;总体来看,沿线的城市化进程仍处于上升期。本研究为建设“21世纪海上丝绸之路”提供了科学依据,对当地生态环境保护和新型城镇化建设具有重要意义。

关键词

海上丝绸之路, 超大城市, 面向对象的SVM, 不透水层, 景观格局, 城市化

Monitoring and analyzing the spatial dynamics and patterns of megacities along the Maritime Silk Road
expand article info YU Sisi1,2 , SUN Zhongchang2,3 , GUO Huadong2,3 , ZHAO Xiangwei1 , SUN Lin1 , WU Mengfan2,4
1.Geomatics College, Shandong University of Science and Technology, Qingdao 266590, China
2.Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China
3.Hainan Key Laboratory Earth Observation, Sanya 572029, China
4.Institute of Resource and Environmental Sciences, Hunan Normal University, Changsha 410006, China

Abstract

A megacity is a city with more than 10 million inhabitants. Only two megacities existed in the 1950 s, namely, New York and Tokyo. The number of megacities eventually reached 29 in 2014. Experts predict that more than 40 megacities will exist by 2030, and at least 70% of them will come from the Maritime Silk Road. Uncontrollable urban sprawl in the Maritime Silk Road has resulted in serious environmental pollution and ecological damage, which have significantly impacted people’s daily lives and health. Building the 21st Century Maritime Silk Road is currently a hot topic. Monitoring and analyzing the spatial dynamics and patterns of megacities along the Maritime Silk Road is critical to local resources and environment protection. This study attempts to monitor and analyze the dynamics of urban expansion in the 11 megacities along the Maritime Silk Road in the period of the 1970 s to the year 2015. Five long-time series of Landsat MSS/TM/ETM+/OLI and HJ-1 CCD imagery (acquired in the 1970 s, 1990, 2000, 2010, and 2015) were adopted to extract the impervious surface of megacities along the Maritime Silk Road in this study. The images of the said megacities were geo-referenced with registration errors of less than 0.5 pixels in the data preprocessing. All images were resampled to 30 m spatial resolution under the Universal Transverse Mercator coordinates and WGS84 geodetic datum. The object-oriented Support Vector Machine (SVM) classification method was applied to all images after the data preprocessing. The classes involved in the classification maps were bare soil, impervious surface, vegetation, and water body. Approximately 200 points of each class were randomly selected as the validation points. The Overall Accuracy (OA) and Kappa values were calculated by cross-validation utilizing the Google Earth and Landsat MSS/TM/ETM+/OLI imagery. Three landscape metrics, including the largest patch index, patch density, and mean Euclidean nearest neighbor distance, were also applied to analyze and compare the spatial patterns and urbanization of the megacities along the Maritime Silk Road.Consequently, the average OA and Kappa were above 87.9% and 0.87, respectively. The proposed method could accomplish the spatio-temporal change analysis of urbanization. Moreover, the megacities along the Maritime Silk Road experienced rapid expansion in the period of the 1970 s to the year 2015. These megacities have sprawled at least four times on average with reference to the impervious surfaces of the cities in the 1970 s. In particular, Guangzhou expanded 8 times. These megacities sprawled in a concentric circle or in a “dispersion, aggregation, and re-dispersion” pattern. The urbanization of the megacities along the routes, especially in developing countries such as China and India, exhibits an increasing trend.This study offers a simple method to extract impervious surfaces on a large regional scale utilizing an object-oriented SVM classifier. The spatial expansion patterns of the megacities in developing countries along the Maritime Silk Road were analyzed utilizing applications such as spatial growth analysis and landscape metrics. The consistent monitoring of megacities in this study provides scientific data for policy makers to assess the potential impacts of urbanization in future urban planning, development activities, and population expansion.

Key words

Maritime Silk Road, megacities, object-oriented support vector machine, impervious surface, landscape metrics, urbanization

1 引 言

超大城市是指人口超过1000万的城市(Aguilar 等,2003)。超大城市是城市发展和聚集的产物,与中小城市、大城市相比,具有更大规模的人口数量和更高的社会、文化、经济水平,其形成与发展对区域生态环境、资源分配以及人们的生活质量都产生更为显著的影响(Esch 等,2012Taubenböck 等,2012)。据联合国统计(UN,2014):1950年,全 球只有纽约和东京两个超大城市;2014年,超大城市的数量达到29个;预计2030年,全球超大城市将超过40个,70%以上将分布在海上丝绸之路沿线。

“21世纪海上丝绸之路”是中国政府2013年提出的战略构想,对沿线国家的经济发展与交流合作具有深远影响。海上丝绸之路沿线的港口城市,尤其是超大城市,集中了各国主要的人口、公共设施和经济社会活动,是中国与欧洲、非洲大陆进行贸易往来的重要枢纽(Xiao 等,2014)。在全球变化背景下,海上丝绸之路沿线国家和地区的快速城市化导致了洪涝灾害、空气污染、水污染和海平面上升等一系列问题,给沿线生态环境和人们的生活、健康带来了广泛的负面影响。因此,分析海上丝绸之路沿线的城市化模式,对该地区的城市生态环境保护具有重要意义。

作为城市地物的重要组成部分,城市不透水层不仅是城市化程度的指示器,更是城市环境的一个重要敏感因子(Dougherty 等,2004van der Linden和Hostert,2009Taherzadeh 等,2012Weng,2012)。不透水层是一种天然的或人造的,水体不能够通过其渗入到土壤中的人为要素,包括城市建筑、屋顶、道路和停车场等诸多要素(江利明 等,2008)。遥感影像由于成本低、获取快、覆盖广、周期短的特点,适合大区域制图,被国内外学者广泛用于不透水层的提取(Ling 等,2011Song 等,2016Zhang和Weng,2016)。目前,通过提取不透水层研究城市空间扩展的工作已经取得了很多成果。Sun等人(2011,2014)先后利用多层感知神经网络模型和支持向量机的方法,从光学影像中提取了北京的不透水层,并分析了土地利用和土地覆盖变化对地表径流的影响。Taubenbock等人(2012)利用面向对象的决策树方法基于Landsat和TerraSAR影像分析了12个超大城市1975年—2010年的扩张足迹。Xu(2013)利用基于规则的算法,分别从SPOT-5、IKONOS和ALOS影像提取了中国福州、泉州和澳大利亚霍巴特的不透水层。Guo等人(2014)协同利用SPOT-5和Radarsat-2影像提取了北京的不透水层。Singh和Garg(2014)利用非线性微分法、灰度形态学法和标记分水岭分割法,实现了不透水层边缘的自动提取。Yang等人(2014)基于WorldView-2影像,根据最佳光谱特征,利用混合像元分解法提取了日本流山市和柏市的不透水层。Nie和Xu(2015)利用线性混合分析模型从ETM+影像上提取了上海的不透水层,并分析了不透水层百分比对地表温度的影响。Wang等人(2015)提出了一种新的归一化差异不透水层指数NDII(Normalized Difference Impervious Index),从TM影像中提取了南京的城市范围。Song等人(2016)利用逐像素后分类法提取了华盛顿大都会区1984年—2010年的不透水层。Zhang和Lin(2015)将SPOT-5和TerraSAR-X影像融合,提取了香港西北部的不透水层。Zhang和Weng(2016)利用Landsat影像提取了1998年—2013年珠江流域的不透水层。现有研究多以小区域、短时间的不透水层提取为主,对城市扩张的分析也多集中在2010年以前,对最近几年城市空间扩展的研究较少(王浩 等,2013)。因此,大尺度、长时间序列的不透水层提取和城市扩张模式分析仍是一项重要任务。

本文基于Landsat MSS/TM/ETM+/OLI影像和中国HJ-1卫星CCD数据,利用面向对象的SVM分类方法,从广域的时空尺度提取20世纪70年代到2015年海上丝绸之路沿线11个超大城市的不透水层,并结合景观格局指数分析了沿线超大城市过去40余年的扩张模式。本研究对国家宏观把握新型城镇化空间格局具有重要意义。

2 研究区与数据源

2.1 研究区概况

海上丝绸之路起点为中国泉州,横跨亚、非、欧三大洲,途经太平洋和印度洋,包括东海和南海两条起航线,东经朝鲜半岛到达韩国、日本,西经东南亚及印度洋地区到达非洲和欧洲(全毅 等,2014)。本文以海上丝绸之路沿线的11个超大城市为研究对象,分别是:中国的上海、广州,菲律宾马尼拉,印度尼西亚雅加达,孟加拉国达卡,印度加尔各答、班加罗尔、孟买,巴基斯坦卡拉奇,埃及开罗和土耳其伊斯坦布尔。土耳其是后期兴起的发达国家,其他国家均为发展中国家。这些超大城市大多为本国的经济、政治中心,地理位置优越,交通便利,是中国与其他国家进行海上贸易的重要枢纽。研究区的地理位置如图1所示。

图 1 研究区地理位置示意图
Fig. 1 The location of study area

2.2 数据及数据预处理

本文用到了海上丝绸之路沿线各国的人口普查数据及遥感数据。遥感数据主要是1970 s、1990年、2000年、2010年和2015年的Landsat MSS/TM/ETM+/OLI影像,验证数据是1999年至今的Google Earth高分辨率影像。由于无法获取开罗2010年附近的无云Landsat TM影像,本研究用中国HJ-1卫星CCD数据代替。遥感数据具体的使用情况如表1所示。

表 1 本文所采用的遥感数据
Table 1 The data sources employed in this study

下载CSV 
超大城市 1975年前后 1990年前后 2000年前后 2010年前后 2015年
上海 MSS, 1979 TM, 1990 TM, 2000 TM, 2009 OLI
广州 MSS, 1979 TM, 1994 TM, 2001 TM, 2009 OLI
马尼拉 MSS, 1979 TM, 1992 ETM+, 2001 TM, 2010 OLI
雅加达 MSS, 1978 TM, 1990 ETM+, 2000; TM, 2000 TM, 2010 OLI
达卡 MSS, 1975 TM, 1991 ETM+, 2000 TM, 2010 OLI
加尔各答 MSS, 1976 TM, 1990 ETM+, 2000 TM, 2010 OLI
班加罗尔 MSS, 1975 TM, 1989 TM, 1999 TM, 2000 OLI
孟买 MSS, 1973 TM, 1991 ETM+, 2000 TM, 2010 OLI
卡拉奇 MSS, 1977 TM, 1988 TM, 2000 TM, 2010 OLI
开罗 MSS, 1972 TM, 1990 TM, 2000 CCD1, 2010 OLI
伊斯坦布尔 MSS, 1975 TM, 1987 ETM+, 2000 TM, 2010 OLI

数据处理前需要将各影像配准到0.5个像素的精度,重采样到30 m分辨率,并统一到通用横轴墨卡托UTM(Universal Transverse Mercator)投影和WGS-1984坐标系。根据Taubenbock等(2012),本研究使用无云影像以减少数据预处理过程中产生的误差,无需进行大气校正。其中,2000年雅加达的Landsat TM/ETM+影像存在严重的厚云干扰,本研究选择同一月份的TM和ETM+影像进行了云去除和影像拼接处理。

根据Ridd(1995)提出的植被—不透水层—土壤模型V-I-S(Vegetation-Impervious Surface-Soil),本研究将城市地物定义为植被、不透水层、裸土和水体4类。为突出各地物特征,本研究计算了遥感图像的归一化差异植被指数NDVI(Townshend和Justice,1986)、土壤调整植被指数SAVI(Soil-adjusted Vegetation Index)(Baret and Guyot, 1991)和修正后的归一化差异水体指数MNDWI(Modified Nomalized Difference Water Index)(Xu,2005),与可见光、近红外和短波红外波段共同参与超大城市不透水层信息的提取。

3 方 法

本研究的目标是提取海上丝绸之路沿线11个超大城市的不透水层信息并分析过去40余年的扩张模式,具体的技术流程如图2所示。首先对获取的卫星影像进行数据预处理;然后通过设置各项参数进行影像分割,均匀选择裸土、不透水层、植被和水体样本并进行基于面向对象的SVM分类;利用Google Earth高分辨率影像和Landsat中分辨率影像对分类结果进行精度评价,如果精度过低,需重新分类,直至达到满意的分类效果;最后,提取不透水层信息并计算景观格局指数,分析超大城市的城市化发展模式。

图 2 超大城市空间动态变化遥感监测技术流程
Fig. 2 Processing flowchart of satellite data for urbanization analysis

3.1 多尺度影像分割

本文的多尺度分割在ECongnition软件中进行,采用分形网络演化算法FNEA(Fractal Net Evolution Approach),Bouman和Liu(1991)Manjunath和Chellappa(1991)Bongiovanni等(1993)的文章对其工作原理进行了详细的介绍。本研究参照Baatz和Schäpe(1999,2000)、Benz等人(2004)Fernández等人(2013,2014)的理论自定义分割尺度、图层权重和均质性标准等参数,把遥感影像分解成具有相同光谱特征的多个像素的集合,即影像对象(Li和Feng,2016)。影像对象具有颜色、形状、大小、纹理等特性,是参与分类的基本单元。

分割尺度决定生成的影像对象所允许的最大异质度,分割尺度越大,生成的影像对象的尺寸越大、数量越少。选择尺度参数的时候应该尽量保证每个影像对象只包含一种地物,力求分割出的影像对象大小合适,既不破碎、也不笼统(Liu和Xia,2010)。通过多次试验,确定Landsat MSS/TM/ETM+影像和HJ-1卫星CCD影像的尺度参数范围为5—15,Landsat OLI影像的尺度参数范围为35—55。

图层权重代表参与分割的各波段所占的权重,通常,对包含重要信息的波段赋予较大的权重,对无关紧要的波段赋予较小的权重。为充分利用各波段信息、均衡各波段在分割过程中发挥的作用,本研究将各波段的权重均设为1。

均质性标准主要包括形状因子和平滑度因子(Esch 等,2010)。形状因子表示分割时形状标准所占的权重,一般情况下,形状因子的值越大,影像的光谱特征在分割过程中产生的影响越小。通常给光谱特征赋予较大的权重,而给形状因子赋予较小的权重,以分离不同的地物类型。平滑度决定影像样本边缘的平滑程度,影像样本边缘越平滑,其整体的紧密程度往往越低。通过多次试验,形状因子和光滑度因子的范围分别为0.1—0.4和0.5—0.8。

3.2 SVM分类

SVM的概念最早由Cherkassky(1997)提出,是建立在统计学理论和结构风险最小化SRM(Structural Risk Minimization)原则上的一种非参数机器学习方法,在遥感图像分类中应用广泛。SVM的原理已经在多篇文章中得到详细叙述(Brown 等,2000Foody和Mathur,2004),其基本思想是将数据投影到高维的特征空间,在高维空间构建最优超平面,并利用最优超平面将把不同类别的数据分开。

本研究基于Chang和Lin(2011)开发的LIBSVM开源软件包,利用VC++编程设计了“面向对象和基于像素的一体化遥感影像分类系统” OPICS(Object and Pixel Based Integration Remote Sensing Imagery Classification System)。该系统使用高斯径向基函数RBF(Radial Basis Function)核构建SVM分类器,其关键步骤是对核宽度γ和惩罚参数C的设置(Devos 等,2009Liu 等,2015,Liu 等,2016)。根据Sun等人(2011),当C取100、γ取波段数目的倒数时,利用Landsat遥感影像进行分类的精度最高。本研究用于分类的波段有可见光、近红外、短波红外波段和NDVI、MNDWI、SAVI。由于传感器不同,MSS影像和HJ-1卫星CCD影像参与分类的波段数目是6,Landsat TM/ETM+/OLI影像参与分类的波段数目是9。因此,其核宽度分别设为1/6和1/9,惩罚参数设为100。

根据V-I-S模型(Ridd,1995),本研究将海上丝绸之路沿线超大城市的遥感影像分为裸土、不透水层、植被和水体4类。根据均匀、随机的原则,各类分别选择600个影像对象作为样本。若水体面积较小,选择200个即可。SVM将所选样本随机分为两部分,2/3作为训练样本,1/3作为验证样本,根据这些有限的样本在模型复杂性和学习能力之间寻求最佳折衷,以保证分类精度(张锦水 等,2006)。

3.3 分类后处理

分类后处理是对基于面向对象的SVM分类结果进行合理性调整的工作,包括手动修改和逻辑分析两部分。由于Landsat遥感卫星影像和HJ-1星CCD影像均为较粗糙的中分辨率影像,尤其是80 m分辨率的MSS影像只有绿光波段、红光波段和两个近红外波段,分类结果往往含有少量不可控的错误。因此,本实验需要对分类结果进行后处理。其中,手动修改在ArcGIS软件中进行,逻辑分析在ENVI中进行。

过去几十年,各国都在经历城市扩张,不透水层作为城市发展的重要指标,其变化趋势在理论上符合由少到多的过程。可以假设:若某处在前一年为不透水层,则该处在后一年依然为不透水层。因此,当某区域的影像对象前后年份不一致时,应该目视解译Google Earth影像加以验证并处理。校正依据如下:(1)当前一年的影像对象为不透水层时,该年相同位置的影像对象也应该是不透水层;(2)当后一年的影像对象为其他地物时,该年相同位置的影像对象也应该是其他地物。综上可得分类后处理的公式,如式(1)所示:

$\begin{aligned}& Objec{t_{\left( {i,n} \right)}}\\& = \left\{ {\begin{array}{*{20}{l}}{Objec{t_{{\rm{imper}}}}, Objec{t_{{\rm{imper}}\left( {i,n\_last} \right)}} = Objec{t_{{\rm{imper}}}}}\\{Objec{t_{\left( {i,n} \right)}}, Objec{t_{{\rm{imper}}\left( {i,n\_next} \right)}} = Objec{t_{{\rm{imper}}}}}\\{Objec{t_{{\rm{others}}}}, Objec{t_{{\rm{imper}}\left( {i,n\_next} \right)}} \ne Objec{t_{{\rm{imper}}}}}\end{array}} \right.\end{aligned}$ (7)

式中,Object(i,n)表示第n年第i个影像对象;n为常数,分别表示1970 s、1990年、2000年、2010年和2015年;n_last表示第n年的前一个时期;n_next表示第n年的后一个时期;Objectimper表示不透水层影像对象;Objectothers表示其他影像对象。需要注意的是:手动修改工作以1970 s—2015年的分类结果为主;逻辑分析在手动修改之后进行,主要以1970 s—2010年的分类结果为主。分类后处理一定要结合参考影像进行目视解译,以免发生错误的处理。

3.4 城市景观格局分析

城市景观是一个城市里面的建筑、道路、草地、树、水体和裸土等不同土地覆盖类型的综合反映(Lu 等,2014)。本文利用Fragstats软件计算海上丝绸之路沿线超大城市的最大斑块指数LPI(Largest Patch Index)、斑块密度PD(Patch Density)和欧几里得最邻近距离ENN(Euclidean Nearest Neighbor Distance),并利用这3个景观格局指数分析11个超大城市的城市化模式。其中,LPI表征最大斑块对整个景观的影响程度,在本研究中用于表示不透水层在城市中的主导地位。0<LPI≤100。LPI的值越大,说明不透水层斑块越大,即城市聚集区的范围越大。PD表征城市扩张的程度和空间模式,代表不透水层的破碎程度。PD>0。PD的值越大,不透水层斑块的数量越多。ENN表征不透水层斑块的团聚程度。ENN>0。ENN的值越大,不透水层斑块之间的最邻近距离越小,即城市与城市之间的联系越密切。3个指数的计算公式如下:

${\rm {LPI}} = \frac{{\max _{j = 1}^n\left( {{a_{ij}}} \right)}}{A} \times {100} $ (8)
${\rm {PD}} = \frac{{{n_i}}}{A} \times {10000} \times {100} $ (9)
${\rm {ENN}} = {h_{ij}}$ (10)

式中,aij 表示第ij个斑块的面积,单位为m2A代表斑块的面积和,单位为m2ni 是第i类景观的斑块数量;hij 表示第ij个斑块与离它最近的同类景观斑块间的距离,单位为m。

4 结果与分析

4.1 精度验证

采用总体精度OA(Overall Accuracy)和总体Kappa系数OK(Overall Kappa)作为分类结果的评价指标。每景影像执行评价时,随机选取800个验证点,其中,裸土、不透水层、植被和水体各200个,通过逐点确定验证点参考类别的方式执行评价。2000年—2015年所用的参考数据主要为Google Earth高分辨率影像,由于该数据在1999年以前无法获取,故1970 s—1990年的分类结果通过目视解译Landsat MSS/TM影像的方式验证。评价结果如表2所示。

表 2 超大城市分类结果精度评价
Table 2 Classification accuracies of megacities

下载CSV 
超大城市 1975年 1990年 2000年 2010年 2015年
OA/% Kappa OA/% Kappa OA/% Kappa OA/% Kappa OA/% Kappa
上海 88.9 0.86 90.8 0.88 91.8 0.89 92.6 0.90 87.9 0.89
广州 88.4 0.89 90.0 0.86 93.3 0.91 87.3 0.83 80.7 0.83
马尼拉 86.5 0.88 93.4 0.91 91.0 0.88 89.2 0.91 88.0 0.89
雅加达 82.9 0.85 89.2 0.90 89.4 0.91 86.4 0.88 84.1 0.85
达卡 86.1 0.81 82.3 0.76 81.7 0.76 85.5 0.81 87.7 0.89
加尔各答 89.9 0.91 91.3 0.92 90.4 0.92 84.8 0.86 89.5 0.91
班加罗尔 87.4 0.88 83.4 0.85 88.0 0.83 86.7 0.81 88.2 0.89
孟买 88.9 0.87 93.5 0.91 93.1 0.92 95.8 0.94 93.7 0.80
卡拉奇 90.0 0.91 87.2 0.83 89.1 0.86 89.0 0.85 90.4 0.91
开罗 90.2 0.89 94.2 0.92 91.6 0.89 95.9 0.95 93.1 0.94
伊斯坦布尔 87.3 0.85 92.5 0.89 89.8 0.86 92.6 0.90 88.2 0.90
平均精度 87.9 0.87 89.8 0.88 89.9 0.88 89.6 0.88 88.3 0.88

本研究提取了1970 s—2015年海上丝绸之路沿线11个超大城市的不透水层,共获得55个分类结果,其中22幅图的OA达到90.0%以上,20幅图的OK达到0.90以上。55幅结果图中,OA的值为80.7%—95.9%,OK的值为0.76—0.95。各年平均OA和OK分别高于87.9%和0.87。1970 s—2015年的分类结果经过了手动修改,但由于MSS影像波段数量少,波段信息不够丰富,1970 s的分类精度较低。1990年—2010年的分类结果既进行了手动修改,又进行了逻辑分析,因而具有更高的分类精度。验证结果说明:利用基于面向对象的SVM分类方法,可以实现海上丝绸之路沿线超大城市不透水层的提取。同时,分类后处理可以有效提高超大城市的分类精度。

4.2 城市扩张格局与分析

本文利用基于面向对象的SVM分类方法,提取了海上丝绸之路沿线11个超大城市在1970 s—2015年的不透水层。用100表示1970 s的不透水层面积,其余各年面积扩张的百分比用式(5)计算:

${N_i} = \frac{{{A_i}}}{{{A_{1970{\rm s}}}}} \times 100$ (11)

式中,i表示第i年,分别取1990年,2000年,2010年和2015年;A1970s代表1970 s不透水层的面积,Ai 代表第i年不透水层的面积。以几个典型城市为例,图3图11展示了超大城市不透水层的动态变化,图12展示了超大城市在各年的面积扩张百分比。

图 3 中国上海
Fig. 3 Shanghai, China
图 4 珠江三角洲(含广州和深圳)
Fig. 4 Pearl River Delta (include Guangzhou and Shenzhen)
图 5 印度班加罗尔
Fig. 5 Bangalore, India
图 6 印度孟买
Fig. 6 Mumbai, India
图 7 菲律宾马尼拉
Fig. 7 Manila, Philippines
图 8 孟加拉国达卡
Fig. 8 Darka, Bangladesh
图 9 土耳其伊斯坦布尔
Fig. 9 Istanbul, Turkey
图 10 埃及开罗
Fig. 10 Cairo, Egypt
图 11 巴基斯坦卡拉奇
Fig. 11 Karachi, Pakistan
图 12 超大城市面积扩张百分比
Fig. 12 Relative spatial growth of megacities in percent

图3图11可以发现,海上丝绸之路沿线的超大城市在1970 s—2015年经历了不同程度的城市扩张。广州在1970 s不透水层范围极小,仅集中在几个零散的区域,1990年开始大面积扩张。1970 s上海、达卡、开罗的主城区主要沿河分布,后期向河两侧不断扩张。孟买、卡拉奇主要由南部沿海向北部内陆扩张。马尼拉和伊斯坦布尔两面临海,城市却主要集中在地势较为平坦的马尼拉湾和马尔马拉海附近,说明地形影响城市的发展。广州、上海、班加罗尔、孟买和卡拉奇等城市出现了大量卫星城。总体上,超大城市的主城区主要沿海或河分布,呈现出由沿海向内陆延伸、由中心向边缘扩张的趋势。卫星城呈散点分布,与主城区同步扩张,表现出由内向外的同心圆扩张模式。

图12可以看出,1990年广州和马尼拉扩张最快,班加罗尔和孟买也超过2倍。2000年,广州和马尼拉的面积扩张达了5倍左右,班加罗尔、孟买和达卡接近4倍。2000年—2010年,超大城市扩张最剧烈,上海和达卡超过8倍,成为2010年扩张最快的两个城市,广州接近8倍,班加罗尔和马尼拉接近7倍。2015年,多数超大城市的不透水层已经扩张为最初的4—8倍,中国广州和上海甚至超过12倍,达卡和班加罗尔接近12倍。

各国相比,中国和印度的超大城市扩张最明显。上海、广州作为中国经济推动城市发展的典型代表,在1970 s不透水层面积极小,1990年明显增大。说明改革开放孕育了中国沿海超大城市的雏形,促进了滨海城市的发展。印度作为人口第二多的国家,其3个超大城市—孟买、加尔各答和班加罗尔的不透水层一直保持着较快的扩张速度,反映了印度稳定提高的城市化进程。同时,达卡和班加罗尔也在进行着较快的城市扩张,速度仅次于中国的上海和广州。马尼拉、卡拉奇和加尔各答城市扩张的速度相对均匀。雅加达、开罗和卡拉奇扩张较慢,但都达到4倍以上。其中,雅加达在2000年以后扩张较快,开罗和卡拉奇在2010年—2015年间扩张较快。伊斯坦布尔在1975年—2000年期间一直保持着相对稳定的扩张速度,2000年之后扩张速度有所降低。整体看来:海上丝绸之路沿线发展中国家超大城市的城市化进程正处于上升期。

4.3 城市景观空间格局分析

图13图15是各超大城市不透水层在1970 s—2015年的景观格局指数。图13为超大城市不透水层最大斑块指数;图14为超大城市不透水层斑块密度;图15为超大城市不透水层的欧几里得最邻近距离。广州景观格局指数的计算范围为其行政边界,其余城市景观格局指数的计算范围为图3图11所展示的范围。

图 13 1970 s—2015年各超大城市最大斑块指数
Fig. 13 LPI of megacities in 1970 s—2015
图 14 1970 s—2015年各超大城市斑块密度
Fig. 14 PD of megacities in 1970 s—2015
图 15 1970 s—2015年各超大城市欧几里得最邻近距离
Fig. 15 ENN of megacities in 1970 s—2015

LPI表示不透水层最大斑块对整个景观的影响程度。通常来说,如果不透水层的LPI值高于其他各类地物的LPI值,则代表该城市中不透水层占主导地位。1970 s—2015年各超大城市的LPI都呈上升趋势,说明不透水层斑块面积在增加,不透水层的主导地位呈上升趋势。马尼拉和开罗的LPI最高,超出25%。马尼拉、达卡、雅加达和伊斯坦布尔的LPI在2000年—2010年增长明显,城市化进程较快。上海、广州、开罗、卡拉奇、马尼拉、达卡和雅加达在2010年—2015年LPI增长迅速,说明城市化速度加快。孟买的LPI整体稳定增长,但在2010年—2015年增长较慢,说明不透水层斑块扩张的速度在近5年有所减缓。

PD是对景观破碎程度的描述,PD增大说明新增了许多不透水层斑块,PD减少代表距离较近的不透水层斑块发生了聚集。1970 s—2015年,中国和印度的超大城市PD增长最明显。孟买和伊斯坦布尔的PD值相对较小,不透水层斑块密度上升的速度相对缓慢。广州和卡拉奇在2010年后PD值下降,开罗、马尼拉、达卡和雅加达在过去40余年PD值不断波动,反映出不透水层斑块先增多后聚集的过程。

ENN指不透水层斑块之间的最邻近距离,代表斑块的团聚程度。不透水层斑块的面积扩张往往导致ENN减小,距离较近的不透水层斑块聚集到一起则导致ENN增大。除广州和马尼拉外,其他城市均存在ENN先增大后减小的现象,但ENN整体上随时间降低,反映了沿线超大城市不透水层斑块由分散到聚集的城市扩张模式。

因此,海上丝绸之路沿线发展中国家的超大城市在过去40余年一直保持着较快的城市化速度,城市发展各具特色,但整体上符合“扩散–聚集–再扩散”的城市化模式。

5 讨 论

目前,国内外通过提取不透水层分析城市扩张的研究主要存在4个特点:(1)不透水层提取方法呈现多样化,例如非线性微分法、灰度学法、混合像元分解法、决策树分类法、植被指数及建筑物指数法等,提取的精度越来越高,处理的难度越来越大;(2)研究多集中在小区域、单时相不透水层提取方面;(3)大尺度、长时间序列不透水层提取的研究多使用多源数据,例如TerraSAR、QuickBird、SPOT 5、IKONOS等,数据成本高、获取困难。目前,对大尺度、长时间序列城市扩张的分析主要协同利用SAR影像和光学影像实现。然而,不同的数据源处理机理不同,得到的结果及精度也存在差异;(4)通过遥感手段进行大尺度、长时间序列城市扩张分析的研究主要集中于2010年以前。

本研究提取了1970 s—2015年海上丝绸之路超大城市5个时相的不透水层,具有如下4个特点:(1)时间跨度大,研究范围广。以10年为时间间隔,提取了过去40余年的不透水层,时间更新到2015年,首次实现了在一条横跨亚非欧三洲、毗邻太平洋和印度洋、覆盖全球20多个国家和地区的海上丝绸之路上的超大城市不透水层提取;(2)数据集以Landsat卫星遥感影像为主,数据源统一,获得的结果可以进行相互对比与分析。同时,所有数据可以免费获取,成本低。(3)本研究将多尺度影像分割与SVM分类相结合,统一使用集成的OPICS软件,操作简单,处理效率高。(4)利用景观格局指数对沿线11个超大城市的分类结果进行分析,在广域的空间尺度总结了沿线发展中国家超大城市的城市化模式。

同时,本文还存在两个问题:(1)由于1999年之前的Google Earth高分辨率影像无法获得,利用Landsat MSS/TM影像目视解译进行验证,精度受目视判断的影响。(2)热带、亚热带地区云雾影响严重,无云数据获取困难,且研究区以发展中国家为主,缺乏与发达国家城市化进程的比较。

在下一步的研究中,将加入Worldview-2、SAR等高分辨率数据提高不透水层提取的效果,并进行全球超大城市不透水层动态变化与分析的研究,为全球生态、资源、经济的协调发展提供有力的帮助。

6 结 论

本研究利用基于面向对象的SVM分类方法、中分辨率Landsat MSS/TM/ETM+/OLI影像和中国HJ-1 CCD数据提取了海上丝绸之路沿线11个超大城市最近40余年的不透水层,平均OA和OK分别达到87.9%和0.87以上,说明该方法可以进行大区域、长时间序列的不透水层提取。通过对各城市空间扩展的分析,发现中国和印度的超大城市扩张最快,伊斯坦布尔扩张最慢。此外,各城市的主城区主要由沿海向内陆或由市中心向城市边缘扩张,卫星城呈同心圆模式扩张。利用景观格局指数分析沿线的11个超大城市,发现超大城市的城市化进程正在不断加快,呈现“扩散–聚集–再扩散”的扩张模式。该研究为沿线城市的生态环境保护和新型城镇化规划提供了科学的理论依据,对“21世纪海上丝绸之路”的发展具有重要的现实意义。

参考文献(References)

  • Aguilar A G, Ward P M and SmithSr C B. 2003. Globalization, regional development, and mega-city expansion in Latin America: analyzing Mexico City’s peri-urban hinterland. Cities, 20 (1): 3–21. [DOI: 10.1016/S0264-2751(02)00092-6]
  • Baatz M and Schäpe A. 1999. Object-oriented and multi-scale image analysis in semantic networks // Proceedings of the 2nd International Symposium: Operationalization of Remote Sensing. Enschede: ITC
  • Baatz M and Schäpe A. 2000. Multiresolution segmentation: an optimization approach for high quality multi-scale image segmentation // Beiträge zum Angewandte Geographische Informationsverarbeitung XII AGIT Symposium. Salzburg, Germany: Herbert Wichmann Verlag: 12–23
  • Baret F and Guyot G. 1991. Potentials and limits of vegetation indices for LAI and APAR assessment. Remote Sensing of Environment, 35 (2/3): 161–173. [DOI: 10.1016/0034-4257(91)90009-U]
  • Benz U C, Hofmann P, Willhauck G, Lingenfelder I and Heynen M. 2004. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing, 58 (3/4): 239–258. [DOI: 10.1016/j.isprsjprs.2003.10.002]
  • Bongiovanni G, Cinque L, Levialdi S and Rosenfeld A. 1993. Image segmentation by a multiresolution approach. Pattern Recognition, 26 (12): 1845–1854. [DOI: 10.1016/0031-3203(93)90181-U]
  • Bouman C and Liu B. 1991. Multiple resolution segmentation of textured images. IEEE Transactions on Pattern Analysis and Mechine Intelligence, 13 (2): 99–113. [DOI: 10.1109/34.67641]
  • Brown M, Lewis H G and Gunn S R. 2000. Linear spectral mixture models and support vector machines for remote sensing. IEEE Transactions on Geoscience and Remote Sensing, 38 (5): 2346–2360. [DOI: 10.1109/36.868891]
  • Chang C C and Lin C J. 2011. LIBSVM: a library for support vector machines. ACM Transactions on Intelligent Systems and Technology, 2(3): Article No. 27
  • Cherkassky V. 1997. The nature of statistical learning theory. IEEE Transactions on Neural Networks, 8 (6): 1564 [DOI: 10.1109/TNN.1997.641482]
  • Devos O, Ruckebusch C, Durand A, Duponchel L and Huvenne J P. 2009. Support vector machines (SVM) in near infrared (NIR) spectroscopy: focus on parameters optimization and model interpretation. Chemometrics and Intelligent Laboratory Systems, 96 (1): 27–33. [DOI: 10.1016/j.chemolab.2008.11.005]
  • Dougherty M, Dymond R L, Goetz S J, Jantz C A and Goulet N. 2004. Evaluation of impervious surface estimates in a rapidly urbanizing watershed. Photogrammetric Engineering and Remote Sensing, 70 (11): 1275–1284. [DOI: 10.14358/PERS.70.11.1275]
  • Esch T, Thiel M, Schenk A, Roth A, Muller A and Dech S. 2010. Delineation of urban footprints from TerraSAR-X data by analyzing speckle characteristics and intensity information. IEEE Transactions on Geoscience and Remote Sensing, 48 (2): 905–916. [DOI: 10.1109/TGRS.2009.2037144]
  • Esch T, Taubenbock H, Felbier A, Heldens W, Wiesner M and Dech S. 2012. Monitoring of global urbanization-time series analyses for mega cities based on optical and SAR data // Proceedings of the 2012 2nd International Workshop on Earth Observation and Remote Sensing Applications (EORSA). Shanghai, China: IEEE: 21–25
  • FernándezI J, AguilarF A and AguilarM F. 2014. Influence of data source and training size on impervious surface areas classification using VHR satellite and aerial imagery through an object-based approach. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (12): 4681–4691. [DOI: 10.1109/JSTARS.2014.2327159]
  • FernándezL I, AguilarF J, ÁlvarezM F and AguilarM Á. 2013. Non-parametric object-based approaches to carry out ISA classification from archival aerial orthoimages. IEEE Journal of Selected Topics in Applied Earth Observations nad Remote Sensing, 6 (4): 2058–2071. [DOI: 10.1109/JSTARS.2013.2240265]
  • Foody G M and Mathur A. 2004. A relative evaluation of multiclass image classification by support vector machines. IEEE Transactions on Geoscience and Remote Sensing, 42 (6): 1335–1343. [DOI: 10.1109/TGRS.2004.827257]
  • Guo H D, Yang H N, Sun Z C, Li X W and Wang C Z. 2014. Synergistic use of optical and PolSAR imagery for urban impervious surface estimation. Photogrammetric Engineering and Remote Sensing, 80 (1): 91–102. [DOI: 10.14358/PERS.80.1.91]
  • Jiang L M, Liao M S, Lin H, Yang L M and Wang C C. 2008. Estimating urban impervious surface percentage with ERS-1/2 InSAR data. Journal of Remote Sensing, 12 (1): 176–185. [DOI: 10.11834/jrs.20080123] ( 江利明, 廖明生, 林珲, 杨利民, 汪长城. 2008. 利用雷达干涉数据进行城市不透水层百分比估算. 遥感学报, 12 (1): 176–185. [DOI: 10.11834/jrs.20080123] )
  • Li Y F and Feng X C. 2016. A multiscale image segmentation method. Pattern Recognition, 52 : 332–345. [DOI: 10.1016/j.patcog.2015.10.004]
  • Ling F, Li W B, Du Y and Li X D. 2011. Land cover change mapping at the subpixel scale with different spatial-resolution remotely sensed imagery. IEEE Geoscience and Remote Sensing Letters, 8 (1): 182–186. [DOI: 10.1109/LGRS.2010.2055034]
  • Liu C X, Huang H B, Gong P, Wang X Y, Wang J, Li W Y, Li C C and Li Z. 2015. Joint use of ICESat/GLAS and Landsat data in land cover classification: a case study in Henan Province, China. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (2): 511–522. [DOI: 10.1109/JSTARS.2014.2327032]
  • Liu D S and Xia F. 2010. Assessing object-based classification: advantages and limitations. Remote Sensing Letters, 1 (4): 187–194. [DOI: 10.1080/01431161003743173]
  • Liu K, Su H B, Li X K, Wang W M, Yang L J and Liang H. 2016. Quantifying spatial-temporal pattern of urban heat island in Beijing: an improved assessment using land surface temperature (LST) time series observations from Landsat, MODIS, and Chinese new satellite GaoFen-1. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9 (5): 2028–2042. [DOI: 10.1109/JSTARS.2015.2513598]
  • Lu D S, Li G Y, Kuang W H and Moran E. 2014. Methods to extract impervious surface areas from satellite images. International Journal of Digital Earth, 7 (2): 93–112. [DOI: 10.1080/17538947.2013.866173]
  • Manjunath B S and Chellappa R. 1991. Unsupervised texture segmentation using Markov random field models. IEEE Transactions on Pattern Analysis and Mechine Intelligence, 13 (5): 478–482. [DOI: 10.1109/34.134046]
  • Nie Q and Xu J H. 2015. Understanding the effects of the impervious surfaces pattern on land surface temperature in an urban area. Frontiers of Earth Science, 9 (2): 276–285. [DOI: 10.1007/s11707-014-0459-2]
  • Quan Y, Wang J and Liu W T. 2014. Strategic conception and construction strategy of the 21st century Maritime silk road . Intertrade (8): 4–15. ( 全毅, 王洁, 刘婉婷. 2014. 21世纪海上丝绸之路的战略构想与建设方略. 国际贸易 (8): 4–15. )
  • RiddM K. 1995. Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities. International Journal of Remote Sensing, 16 (12): 2165–2185. [DOI: 10.1080/01431169508954549]
  • Singh P P and Garg R D. 2014. A two-stage framework for road extraction from high-resolution satellite images by using prominent features of impervious surfaces. Internaltional Journal of Remote Sensing, 35 (24): 8074–8107. [DOI: 10.1080/01431161.2014.978956]
  • Song X P, Sexton J O, Huang C Q, Channan S and Townshend J R. 2016. Characterizing the magnitude, timing and duration of urban growth from time series of Landsat-based estimates of impervious cover. Remote Sensing of Environment, 175 : 1–13. [DOI: 10.1016/j.rse.2015.12.027]
  • Sun Z C, Guo H D, Li X W, Liu L L and Du X P. 2011. Estimating urban impervious surfaces from Landsat-5 TM imagery using multilayer perceptron neural network and support vector machine. Journal of Applied Remote Sensing, 5 (1): 053501 [DOI: 10.1117/1.3539767]
  • Sun Z C, Li X W, Fu W X, Li Y K and Tang D S. 2014. Long-term effects of land use/land cover change on surface runoff in urban areas of Beijing, China. Journal of Applied Remote Sensing, 8 (1): 084596 [DOI: 10.1117/1.JRS.8.084596]
  • Taherzadeh E, Shafri H Z M, Mansor S and Ashurov R. 2012. A comparison of hyperspectral data and worldview-2 images to detect impervious surface // Proceedings of the 2012 4th Workshop on Hyperspectral Image and Signal Processing. Shanghai, China: IEEE: 1–4
  • TaubenböckH . 2012. Monitoring urbanization in mega cities from space. Remote Sensing of Environment, 117 : 162–176. [DOI: 10.1016/j.rse.2011.09.015]
  • Townshend J R G and Justice C O. 1986. Analysis of the dynamics of African vegetation using the normalized difference vegetation index. International Journal of Remote Sensing, 7 (11): 1435–1445. [DOI: 10.1080/01431168608948946]
  • Van der Linden S and Hostert P. 2009. The influence of urban structures on impervious surface maps from airborne hyperspectral data. Remote Sensing of Environment, 113 (11): 2298–2305. [DOI: 10.1016/j.rse.2009.06.004]
  • Wang H, Lu S L, Wu B F and Li X S. 2013. Advances in remote sensing of impervious surfaces extraction and its applications. Advances in Earth Science, 28 (3): 327–336. ( 王浩, 卢善龙, 吴炳芳, 李晓松. 2013. 不透水面遥感提取及应用研究进展. 地球科学进展, 28 (3): 327–336. )
  • Wang Z Q, Gang C C, Li X L, Chen Y Z and Li J L. 2015. Application of a normalized difference impervious index NDII to extract urban impervious surface features based on Landsat TM images. International Journal of Remote Sensing, 36 (4): 1055–1069. [DOI: 10.1080/01431161.2015.1007250]
  • WengQ H. 2012. Remote sensing of impervious surfaces in the urban areas: requirements, methods, and trends. Remote Sensing of Environment, 117 : 34–49. [DOI: 10.1016/j.rse.2011.02.030]
  • Xiao P F, Wang X H, Feng X Z, Zhang X L and Yang Y K. 2014. Detecting China’s urban expansion over the past three decades using nighttime light data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (10): 4095–4106. [DOI: 10.1109/JSTARS.2014.2302855]
  • XuH Q. 2005. A study on information extraction of water body with the Modified Normalized Difference Water Index (MNDWI). Journal of Remote Sensing, 9 (5): 589–595. ( 徐涵秋. 2005. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究. 遥感学报, 9 (5): 589–595. )
  • XuH Q. 2013. Rule-based impervious surface mapping using high spatial resolution imagery. International Journal of Remote Sensing, 34 (1): 27–44. [DOI: 10.1080/01431161.2012.703343]
  • Yang J, He Y H and Oguchi T. 2014. An endmember optimization approach for linear spectral unmixing of fine-scale urban imagery. International Journal of Applied Earth Observation and Geoinformation, 27 : 137–146. [DOI: 10.1016/j.jag.2013.09.013]
  • Zhang H S and Lin H. 2015. Feature selection for urban impervious surfaces estimation using optical and SAR images // Proceedings of the 2015 Joint Urban Remote Sensing Event (JURSE). Lausanne: IEEE: 1–4
  • Zhang J S, He C Y, Pan Y Z and Li J. 2006. The high spatial resolution RS image classification based on SVM method with the multi-source data. Journal of Remote Sensing, 10 (1): 49–57. ( 张锦水, 何春阳, 潘耀忠, 李京. 2006. 基于SVM的多源信息复合的高空间分辨率遥感数据分类研究. 遥感学报, 10 (1): 49–57. )
  • Zhang L and Weng Q H. 2016. Annual dynamics of impervious surface in the Pearl River Delta, China, from 1988 to 2013, using time series Landsat imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 113 : 86–96. [DOI: 10.1016/j.Isprsjprs.2016.01.003]