基于夜间灯光遥感影像的城市空间结构识别.ppt

* * 基于夜间灯光遥感影像的城市空间结构识别 研究背景及研究区域 一 二 研究方法 三 研究结果与讨论 四 结论 目录 一、研究背景及研究区域 研究背景：随着城市化进程的加快和城市规模不断扩大，城市空间结构也发生了显著变化。其首要变化就是从单中心结构向多中心结构的转移。 一、研究背景及研究区域 传统的城市中心识别大多依赖于统计数据以及研究人员对当地社会经济情况的主观认知。这类方法存在以下三个问题： 1）统计数据大多为离散的空间数据 2）需要研究人员对研究区有较充足的背景了解和先验知识，以优化识别出的城市中心数量，不利于方法的重复使用 3）传统的城市中心识别方法通常是针对某一特定的空间尺度，难以实现对多个城市中心的空间层级关系进行分析 一、研究背景及研究区域 研究区域： 上海处于“一带一路”和长江经济带的交汇地带，其在全球经济、金融、贸易以及交通等方面扮演着极其重要的角色。由于上海的城市内部结构相对复杂，因此选取其为研究区域具有典型性。 图1 城市空间结构识别研究区 地形要素与城市要素的类比体系 1 局部等值线树算法 2 定量分析城市中心 3 城市中心识别 4 二、研究方法 主要用到的研究方法有： 图2 夜间灯光遥感影像的三维视图 1. 地形要素与城市要素的类比体系（理论基础） 将夜间灯光遥感影像进行三维拉伸显示，能够清楚地看到夜间灯光数据出现了地形学中的“山峰”等地形要素。 在地形学中，山峰（Mount）被认为是海拔高度明显高于周围区域的一个区域。 “城市中心”被认为是相较于周围区域，拥有高聚集度和高密度的就业人口以及人类活动的区域。 地形学中的“坡度”表示了地势起伏的程度。 在城市空间结构中，夜间灯光亮度的“坡度”值越大，意味着人类活动在这个范围内的变化越剧烈。 1. 地形要素与城市要素的类比体系（理论基础） 那么对于城市中心的识别，便可转化为对夜间灯光遥感影像的“山峰”的识别。人类活动在空间上的变化情况就可以通过计算夜间灯光亮度的“坡度”来量化。 图3 局部等值线树算法示意图——(a)等值线图；(b)常规等值线树；(c)简化等值线树 2.局部等值线树算法 利用局部等值线树算法识别城市中心的基本技术流程，共包含三个步骤： ① 寻找“种子”等值线（图3（a）中的S1和S2） ② 生成常规等值线树（图3（b）） ③ 简化等值线树（图3（c））。 定量分析城市中心需要统计三类城市中心的属性信息指标，分别是： 夜间灯光亮度的统计信息 城市形态指标 城市多中心度。 3.定量分析城市中心 利用夜间灯光亮度统计信息能够反映出每个城市中心的社会经济情况，共包含五个指标 3.定量分析城市中心 最小亮度值( ) 最大亮度值( ) 总亮度值( ) 平均亮度值( ) 亮度标准差( ) 注： 是城市中心的像素数， 是第 个像素的夜间灯光强度 城市形态指标可用于量化描述城市中心的形状和几何形态，涉及到的城市形态指标包括 3.定量分析城市中心 拟合最小约束矩形的x轴与长轴之间的夹角 变化范围是 在 到 之间。 以长轴和短轴的长度为长和宽拟合的最小边界矩形所包围的城市中心 城市多中心度（P）是一种测量城市建成区的多中心程度，其取值范围为0到1。当城市多中心度为0时，表示该区域为单中心结构。P的数值越高，说明该区域的多中心程度越高。当P值接近于1时，说明该区域不仅为多中心结构，且每个中心具有相似的城市化水平。 3.定量分析城市中心 我们将所有一级节点均视为城市中心。由于城市主中心必须是在该城市中拥有最高的人口密度和较为多样的城市职能，并且要比其他城市副中心有更大的影响范围（Nelson, 1986）。因此，本研究综合考虑了面积、平均夜间灯光亮度以及灯光亮度标准差选取城市主中心。 4.城市中心识别 三、研究结果与讨论 1. 提取NPP VIIRS夜间灯光等值线 通过夜间灯光遥感影像获取其等值线图，共涉及三个参数——起始等值线值、等值距以及最小城市中心面积。通过以上参数，绘制了夜间灯光亮度等值线图。 图4 夜间灯光亮度等值线图——(a)上海市全图；(b)陆家嘴区域；(c)虹桥交通枢纽 2.上海市城市空间结构及城市中心识别结果 图5是利用局部等值线树算法，在上海市识别出的19株等值线树。其中有15株等