1990—2017年间杭州市不透水面比例遥感监测

doi:10.6046/gtzyyg.2020.02.31

1990—2017年间杭州市不透水面比例遥感监测

杨玉婷¹, 陈海兰², 左家旗^,²

1.西南交通大学地球科学与环境工程学院,成都 611756

2.巴中市自然资源和规划局,巴中 636000

Remote sensing monitoring of impervious surface percentage in Hangzhou during 1990—2017

YANG Yuting¹, CHEN Hailan², ZUO Jiaqi^,²

1. Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756, China

2. Bazhong Bureau of Natural Resources and Planning,Bazhong 636000, China

通讯作者: 左家旗(1995-),男,硕士研究生,主要从事城市遥感研究。Email:123354087@qq.com。

责任编辑: 张仙

收稿日期: 2019-05-17 修回日期: 2019-08-15 网络出版日期: 2020-06-15

Received: 2019-05-17 Revised: 2019-08-15 Online: 2020-06-15

作者简介 About authors

杨玉婷(1996-),女,硕士研究生,主要从事城市遥感研究。Email:569099906@qq.com。。

摘要

不透水面比例是区域城镇化程度和生态环境变化的重要指示因子,分析不透水面比例时空格局分布可以揭示城市现在和未来的发展潜力,为城市环境保护和绿色可持续发展提供参考依据。以杭州市市辖区作为研究区,选取一期Sentinel-2B影像提取不透水面比例作为参考数据,基于4期Landsat影像利用随机森林算法反演获取1990—2017年间30 m空间分辨率杭州市不透水面比例数据集,精度验证结果表明,估算结果的平均绝对误差(mean absolute error, MAE)为6.3%~6.7%,均方根误差(root mean square error, RMSE)为13.4%~14.3%,表明反演模型具有较好的精度,能够准确反映不透水面的空间分布。结合不透水面加权中心、标准差椭圆和景观格局指数分析杭州市不透水面时空格局分布。结果表明: 1990—2017年间,杭州市整体的不透水面比例呈增长趋势,2010—2017年间,年均不透水面比例增长最高,主要集中在余杭区和萧山区; 由于杭州市发展的不平衡,在1990—2017年间,不透水面加权中心先后向北偏东—南—北方向移动; 杭州市不透水面发展以西北—东南方向为主,聚集趋势较为稳定; 景观格局变化显示各等级的不透水面景观均呈增长趋势且各等级不透水面景观分布渐趋均衡; 自然地表、中密度和极高密度不透水面景观的团聚程度持续降低,破碎度越来越高,聚集度最高的是自然地表,且在研究时段内聚集度呈下降趋势。

关键词： 不透水面比例 ; 变化监测 ; 时间序列 ; 杭州市 ; 随机森林

Abstract

The impervious surface percentage is an important indicator of regional urbanization and ecological environment changes. The spatial and temporal distribution of impervious surface percentage can reveal the current and future development potential of the city, and provide a reference for urban environmental protection and green sustainable development. In this paper, Hangzhou was selected as the study area, and one Sentinel-2B satellite image was used to extract the impervious surface percentage as reference data. Based on the four-phase Landsat satellite imagery, the authors used the random forest algorithm to invert the 30 m spatial resolution impervious surface percentage datasets from 1990 to 2017 in Hangzhou. The accuracy verification results show that the mean absolute error is from 6.3% to 6.7%, and the root mean square error is from 13.40% to 14.25%, indicating that the inversion model has great accuracy and can accurately reflect the spatial distribution of the impervious surface. Based on the impervious surface weighted mean center, standard deviation ellipse and landscape pattern index, the authors analyzed the spatial and temporal patterns of impervious surface in Hangzhou. The results are as follows: The impervious surface percentage in Hangzhou was increasing from 1990 to 2017, and the annual average growing of impervious surface percentage was the fastest from 2010 to 2017, mainly concentrated in Yuhang and Xiaoshan; Due to the unbalanced development of Hangzhou between 1990 and 2017, the impervious surface weighting mean centre moved to northeast at first, then moved to south, and finally moved to north; The northwest-southeast profile was the main direction of urban growth and the gathering trend was relatively stable in Hangzhou; The change of landscape pattern shows that the impervious landscapes of all types were increasing, and were distributed in a balanced trend; The natural surface, medium density and super high density impervious landscapes became less aggregated and increasingly fragmented; The aggregation of the impervious landscapes of all types was relatively stable, the highest degree of aggregation was the natural surface, and the lowest was the medium density impervious landscape.

Keywords： impervious surface ; change detection ; time series ; Hangzhou ; random forest

PDF (9064KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

杨玉婷, 陈海兰, 左家旗. 1990—2017年间杭州市不透水面比例遥感监测. 国土资源遥感[J], 2020, 32(2): 241-250 doi:10.6046/gtzyyg.2020.02.31

YANG Yuting, CHEN Hailan, ZUO Jiaqi. Remote sensing monitoring of impervious surface percentage in Hangzhou during 1990—2017. REMOTE SENSING FOR LAND & RESOURCES[J], 2020, 32(2): 241-250 doi:10.6046/gtzyyg.2020.02.31

0 引言

随着国家或地区社会生产力的发展、科学技术的进步以及产业结构的调整,城市化是必经阶段。城市化使自然、半自然的景观逐渐被不透水面景观所代替,这一过程造成城市地表渗水性大大减弱、水文过程被阻隔,水环境特征、热环境特征、生态服务体系均发生改变^[1]。不透水面通常指能够隔离地表水渗透至土壤的表面,主要包括自然不透水面(如裸岩)和人工不透水面,人工不透水面通常指如屋顶、沥青或水泥道路以及停车场等具有不透水性的地表面^[2,3,4]。不透水面比例是指单位面积地表中不透水面所占的百分比^[5]。对不透水面比例的时空格局分析,有利于深入理解城市化发展内在机制,定量衡量城市化对城市生态系统带来的影响,为优化城市发展格局、实现城市可持续发展提供建议。

早期不透水面遥感研究以分类制图为主,如张晓萍等^[6]利用最大似然监督分类得到舟山群岛1990—2011年间不透水面分布图。由于粗分辨率影像存在混合像元,此类不透水面制图将像元“硬”分类为非不透水面和不透水面,必定会造成不透水面的低估和高估。为了更加定量地刻画不透水面在像元中的实际分布,不透水面的研究已逐渐从不透水面分类制图转变成亚像元不透水面比例反演。Wu等^[7]提出基于4种固定端元(高反射率地物、低反射率地物、植被、土壤)的线性光谱混合分解模型获取美国哥伦布市的不透水面丰度图; 丛浩等^[8]考虑固定端元难以适用于所有像元,提出了一种端元可变的混合像元分解方法,动态选取每个像元最优的端元组合进行分解,使精度进一步提高。但线性光谱解混前需进行纯净端元的提取和优选,会耗费大量的时间和人工成本,学者们遂基于新兴的机器学习算法,通过构建不透水面比例与遥感影像各波段的光谱反射率或各类衍生指数的线性或非线性模型,来估算不透水面比例。李晓宁等^[9]基于分类与回归树(classification and regression trees, CART)集成学习方法反演得到平原河网区不透水面比例。

杭州市作为浙江省的政治、经济、文化、教育、交通和金融中心,近年来城市化进程不断加快,造成城市空间格局急剧变化,不透水面增长迅速,因而成为国内外学者关注的热点城市^[10,11,12]。本文以杭州市作为研究区,通过对10 m空间分辨率的Sentinel-2B影像进行面向对象分类,提取不透水面并聚合至30 m空间分辨率,再通过统计计算得到与Landsat影像分辨率对应的不透水面比例参考数据。随后利用不透水面比例参考数据和Landsat影像提取得到的相关特征变量基于随机森林算法构建反演模型。最后,利用所建模型反演得到杭州市1990—2017年30 m空间分辨率的不透水面比例数据集,并在此基础上利用不透水面加权中心、标准差椭圆和景观格局分析方法对杭州市不透水面比例进行时空格局分析,揭示杭州市发展格局和潜力,为杭州市环境保护和绿色可持续发展提供参考依据。

1 研究区概况和数据源

1.1 研究区概况

本文研究区为杭州市辖区(图1)。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 2017年研究区Landsat 8 B5(R),B4(G),B3(B)合成影像

Fig.1 Image of study area combined with Landsat 8 B5(R),B4(G),B3(B) in 2017

杭州市位于浙江省北部、钱塘江下游、京杭大运河南端,中心地理坐标为E120°12',N30°16'。该市属亚热带季风气候,四季分明,雨量充沛。夏季气候炎热湿润,冬季寒冷干燥,春秋两季气候宜人^[13]。杭州市总体地势格局为西南高、东北低,自西南向东北倾斜,呈阶梯下降。杭州市为浙江省省会、副省级市、杭州都市圈核心城市,长江三角洲中心城市之一,2001年市区总人口为379.49万,全市生产总值为4.30亿元,截止到2017年末,市区总人口增加至615.23万,全市生产总值增长为34.53亿元^[14],可见杭州市发展迅速。城市快速发展必然会导致不透水面的增加,由于城市发展主要集中在市辖区范围内,因此本文选择包含8个市辖区的杭州中心城区作为研究区。

1.2 数据源及其预处理

本文选用30 m 空间分辨率的Landsat 5/8影像和10 m 空间分辨率的Sentinel-2B影像为主要数据源。Sentinel-2B影像是目前能免费获取的最高空间分辨率影像,本文选其作为不透水面比例参考数据提取的数据源,所得参考数据将用于不透水面比例反演模型训练及精度验证。Sentinel-2B卫星2015年发射至今,仅有数年可用数据,难以实现长时序监测,无法全面反映城市发展规律,所以本文仅用sentinel-2B影像辅助建模,用时间序列数据充足的Landsat影像作为反演基本影像。本文所用影像数据来自于美国地质调查局,具体参数如表1所示。以几何位置精确的Sentinel-2B影像为参考影像,基于ENVI软件对所有Landsat影像进行几何纠正,保证校正精度在1像元内。为了将大气影响降至最低,分别采用LEDAPS(Landsat ecosystem disturbance adaptive processing system)和LASRC(Landsat8 surface reflectance code)算法对Landsat5 TM和Landsat8 OLI卫星影像进行大气校正。

表1 研究所用的影像

Tab.1 The images used in the research

数据类型	采集时间	采用波段	轨道号
	1990-10-08;
Landsat5 TM	2000-09-17;	B1~B5	P119/R039
	2010-10-31
Landsat8 OLI	2017-11-03	B2~B6	P119/R039
Sentinel-2B	2017-10-31	B2~B4,B8	R089

新窗口打开| 下载CSV

2 研究方法

2.1 不透水面比例反演模型

2.1.1 不透水面比例反演

不透水面比例反演参考数据为构建不透水面比例反演模型提供训练样本,并用于精度验证。精确提取不透水面比例反演参考数据是构建精准反演模型的前提,其提取结果越准确,所得反演结果越接近实际不透水面分布。本文在eCognition环境下,先对Sentinel-2B影像进行面向对象多尺度分割,试验选取最优分割尺度,保证各类地物分割开来。随后根据研究区地物状况,建立了不透水面、裸土、植被、水体4种地物类别,针对每种地物选取具有光谱代表性的地物样本用于分类模型的构建和精度验证。本文将所选样本集划分为70%的模型训练样本集和30%的独立验证样本集,基于训练样本集构建随机森林算法^[15]分类模型用于地物分类,基于独立验证样本集构建混淆矩阵对分类结果进行精度评价。在得到精度可靠的分类结果后,进一步将分类结果划分为不透水面和透水面2类,将不透水面赋值为1,透水面赋值为0,最后聚合至30 m空间分辨率并统计得到不透水面比例参考数据。

随后基于随机森林算法构建杭州市不透水面比例反演模型。为加强研究区地物的识别,本文除采用Landsat影像的5个光谱波段(蓝、绿、红、近红外、中红外波段)外,还分别构建了建筑面积指数(built-up area index, BAI)^[16]、改进归一化差值水体指数(modified normalized difference water index, MNDWI)^[17]、归一化差值植被指数(normalized difference vegetation index, NDVI)^[18]、归一化建筑指数(normalized difference built-up index, NDBI)^[19]、土壤调节植被指数(soil adjusted vegetation index, SAVI)^[20]和新建筑指数(index-based built-up index, IBI)^[21]这6个不透水面的敏感光谱指数(表2),在此基础上,进行主成分变换并选取第1和第2主成分来减弱地物波谱反射相关性。综上,本文选取上述13个变量作为输入变量构建不透水面比例反演模型。因在1990—2015年间没有可用的Sentinel-2B高空间分辨率影像,无法提取建模所需不透水面比例参考数据,本文在提取2017年不透水面比例参考数据后,先对1990—2017年Landsat影像目视解译,对比选取1990—2017年间不透水面未变的区域,再选取区域内的中间像元作为反演建模样本(图2),认为中间像元不透水面比例在1990—2017年间不变,以保证所有年份均具备建模必需的参考数据。在选择样本时还需保证样本集的不透水面比例在0%~100%之间均匀分布,以使模型训练充分。同上,基于70%的样本数据和随机森林算法反演得到1990—2017年杭州市30m空间分辨率不透水面比例数据集,剩余30%的样本数据用于精度验证。

表2 光谱指数

Tab.2 The spectral index

光谱指数	指数作用	表达式^①
BAI	用于检测人工建筑面	BAI= $\frac{BLUE - NIR}{BLUE + NIR}$
MNDWI	用于增强水体和其他地物的区别	MNDWI= $\frac{GREEN - MIR}{GREEN + MIR}$
NDVI	用于增强植被和其他地物的区别	NDVI= $\frac{NIR - RED}{NIR + RED}$
NDBI	对于城镇用地信息有较好的检测效果	NDBI= $\frac{MIR - NIR}{MIR + NIR}$
SAVI	考虑了土壤亮度背景,能够增强不透水面和植被的区分,对于城市内植被的提取具有良好的效果。	SAVI= $\frac{1.5 (NIR - RED)}{NIR + RED + 0.5}$
IBI	增强了不透水面特征并且有效抑制了背景噪声	IBI= $\frac{(NDBI - \frac{SAVI + MNDWI}{2})}{(NDBI + \frac{SAVI + MNDWI}{2})}$

①: 表中BLUE为蓝波段,GREEN为绿波段,RED为红波段,NIR为近红外波段,MIR为中红外波段。

新窗口打开| 下载CSV

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 1990—2017年不透水面比例不变像元选取

Fig.2 Selection the pixels with constant impervious surface percentage from 1990 to 2017

2.1.2 精度验证

本文采用混淆矩阵对不透水面比例反演参考数据的分类精度进行验证,计算分类的总体精度p_all和Kappa系数,公式分别为:

(1)p_all=

\overset{r}{\sum_{i = 1}}

x_ii/N ,

(2)Kappa=

\frac{N \overset{r}{\sum_{i = 1}} x_{ii} - \overset{r}{\sum_{i = 1}} (x_{i +} x_{+ i})}{N^{2} - \overset{r}{\sum_{i = 1}} (x_{i +} x_{+ i})}

式中: r为类别总数; x_ii为第i类地物被正确分类的数目; x_i₊和x₊_i分别是验证集中第i地物的像元总数和实际分类结果中第i地物的像元总数; N是用于精度评估的总像元数量。

本文利用30%的独立验证样本集和相应的模型预测值对不透水面比例反演模型进行验证,计算平均误差(mean bias error , MBE)、平均绝对误差(mean absolute error , MAE)和均方根误差(root mean square error, RMSE),公式分别为,

(3)MBE=

\overset{n}{\sum_{i = 1}} \frac{M_{i} - R_{i}}{n}

(4)MAE=

\overset{n}{\sum_{i = 1}} \frac{| M_{i} - R_{i} |}{n}

(5)RMSE=

\sqrt[]{\frac{\overset{n}{\sum_{i = 1}} (M_{i} - R_{i})^{2}}{n}}

式中: M_i和R_i分别为像元i的模型预测值和不透水面比例参考值; n为验证集的像元总数。

2.2 不透水面加权中心

本文用历年城市重心迁移来表示城市扩张方向。这里所指重心即城市的不透水面加权中心,计算公式为:

(6)

\{\begin{array}{l} \overset{̅}{x} = \overset{m}{\sum_{i = 1}} IS P_{i} x_{i} / \overset{m}{\sum_{i = 1}} IS P_{i} \\ \overset{̅}{y} = \overset{m}{\sum_{i = 1}} IS P_{i} y_{i} / \overset{m}{\sum_{i = 1}} IS P_{i} \end{array}

式中: $\overset{̅}{x}$ 和 $\overset{̅}{y}$ 分别为不透水面加权中心的经纬度; x_i和y_i分别为不透水面比例数据上第i个像元的经度和纬度; ISP_i为第i个像元的不透水面比例; m为不透水面比例数据的总像元数。计算出1990年、2000年、2010年、2017年的杭州市不透水面加权中心,其时空动态特征揭示了杭州市不透水面整体演化轨迹。

2.3 标准差椭圆

本文采用加权标准差椭圆(standard deviation ellipse,SDE)^[22]衡量城市扩张的方向和时空发展趋势。加权SDE的椭圆中心即不透水面加权中心,加权SDE的方位角计算公式为:

(7)tanθ=

\frac{\overset{m}{\sum_{i = 1}} IS P_{i}^{2} {\tilde{x}}_{i}^{2} - \overset{m}{\sum_{i = 1}} IS P_{i}^{2} {\tilde{y}}_{i}^{2}) + \sqrt[]{(\overset{m}{\sum_{i = 1}} IS P_{i}^{2} {\tilde{x}}_{i}^{2} - \overset{m}{\sum_{i = 1}} IS P_{i}^{2} {\tilde{y}}_{i}^{2})^{2} - 4 (\overset{m}{\sum_{i = 1}} IS P_{i}^{2} {\tilde{x}}_{i} {\tilde{y}}_{i})^{2}}}{2 \overset{m}{\sum_{i = 1}} IS P_{i}^{2} {\tilde{x}}_{i} {\tilde{y}}_{i}}

(8)

\{\begin{array}{l} {\tilde{x}}_{i} = x_{i} - \overset{̅}{x} \\ {\tilde{y}}_{i} = y_{i} - \overset{̅}{y} \end{array}

式中: θ为方位角,即从北方向顺时针到椭圆长轴的角度; ${\tilde{x}}_{i}$ 和 ${\tilde{y}}_{i}$ 为第i个像元的中心与不透水面加权中心的在x和y方向上的偏差。椭圆的长轴和短轴为在x和y方向的标准差σ_x和σ_y,即

(9)σ_x=

[\overset{m}{\sum_{i = 1}} (IS P_{i} {\tilde{x}}_{i} \cos θ - IS P_{i} {\tilde{y}}_{i} {\sin θ)}^{2}]

\overset{m}{\sum_{i = 1}}

P_{i}^{2}

(10)σ_y=

[\overset{m}{\sum_{i = 1}} (IS P_{i} {\tilde{x}}_{i} \sin θ - IS P_{i} {\tilde{y}}_{i} {\cos θ)}^{2}]

\overset{m}{\sum_{i = 1}}

P_{i}^{2}

长轴、短轴和方位角代表了城市不透水面的扩散和方向趋势。长轴与短轴比值反映了不透水表面的聚集或分散程度。比值大于1表示不透水面的方向性明显; 等于1表示城市不透水面没有方向特性。本文基于时间序列不透水面比例数据集计算出时间序列的标准差椭圆,分析不透水面的空间分布是否拉长和在特定空间方向上的聚集或分散变化。

2.4 景观格局分析

本文选择景观格局指数^[23,24]来定量分析不透水面空间格局的变化特征。选取景观水平的蔓延度指数(contagion index,CONTAG)和香农多样性指数(Shannon’s diversity index,SHDI)分析地表不透水面景观的蔓延度和异质性,较高的CONTAG值表示景观中存在连通度高的优势拼块类型; SHDI=0表明整个景观仅由一个拼块组成,SHDI增大,说明拼块类型增加或各拼块类型在景观中呈均衡化趋势分布。选择斑块密度(patch density,PD)和景观形状指数(landscape shape index,LSI)来描述不同密度等级的不透水面的空间破碎和形状复杂度。PD和LSI值越高,景观就越分散和复杂。选择斑块聚集度指数(aggregation index,AI)来描述不同密度等级的不透水面的聚集程度。AI值越高,景观聚集程度越高。

本文将杭州市不透水面比例ISP分成了5个不同的密度等级: 自然地表(ISP≤0.1),低密度不透水面(0.1<ISP≤0.4),中等密度不透水面(0.4<ISP≤0.6),高密度不透水面(0.6<ISP≤0.9),极高密度不透水面(ISP>0.9)。在此基础上计算出选取的景观格局指数,分别从景观格局的斑块形态特征、斑块空间构型特征和景观整体特征3个层次进行对杭州市不透水面比例结果进行空间度量。

3 结果分析

3.1 精度验证

3.1.1 不透水面参考数据精度

基于原始样本集中随机抽取的30%样本建立混淆矩阵(表3)进行分类精度验证,结果表明分类总体精度为91.20%,Kappa系数为0.834。随后对Sentinel-2B影像目视解译并结合高空间分辨率的Google Earth影像进一步检验不透水面比例结果,结果表明Sentinel-2B影像提取的不透水面比例反演参考数据与实际的不透水面比例分布基本一致(图3),提取精度能够满足不透水面比例反演模型的建立和验证需要。

表3 2017年sentinel-2B影像分类结果

Tab.3 The classification of sentinel-2B image in 2017

类型	不透水面	其他	总和
不透水面	420	39	459
其他	37	435	472
总和	457	474	931
总体精度=91.84%		Kappa=0.837

新窗口打开| 下载CSV

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 2017年Sentinel-2B影像提取的不透水面比例参考数据

Fig.3 ISP reference data extracted from Sentinel-2B image in 2017

3.1.2 不透水面比例反演精度

基于验证样本计算所得MBE范围为-0.8%~0.7%, MAE为6.3%~6.7%, RMSE为13.4%~14.3%(表4)。从验证结果看各年份误差处于相近范围,由于年间光谱差异,误差值有小幅波动。参考其他研究^[25],整体误差都在可以接受的范围内。

表4 各年份反演误差

Tab.4 Errors of different years(%)

误差	1990年	2000年	2010年	2017年
MBE	-0.8	0.7	0.2	-0.7
MAE	6.7	6.6	6.4	6.3
RMSE	14.3	14.0	13.9	13.4

新窗口打开| 下载CSV

3.2 不透水面比例空间分布及其变化分析

1990—2017年杭州市不透水面比例快速增长(图4),1990—2000年不透水面空间形态发展为单核模式,从上城区和下城区为中心向外扩张; 2000—2017年不透水面空间形态发展变为双核模式,萧山区成了其中一个新的聚集中心,不透水面比例大幅增加(表5)。1990—2017年杭州市不透水面比例持续增长,其中1990—2000年的增长总面积最少、年均增长面积最小,增长区域集中在上城、下城、拱墅和江干区,滨江区、余杭区和萧山区在1996年后才相继设立,这一阶段发展较为缓慢; 2000—2010年的增长总面积最大、年均增长面积第二,增长总面积约为977.23 km²,这一时期上城、下城、拱墅区这3个区域的不透水面聚集度增加,同时城市开始向外扩张,表现为江干区、滨江区和萧山区的不透水面比例迅速增长; 2010—2017年的增长总面积第二,但年均增长面积最高为103.702 km²,这一时期杭州市不透水面的增长主要集中在外围城区,余杭区和萧山区增长明显,余杭区不透水面比例增长主要发生在西面,东面因受地形的影响发展受限。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 1990—2017年杭州市不透水面比例反演结果

Fig.4 The impervious surface percentage in Hangzhou from 1990 to 2017

表5 不同时期不透水面比例增长情况

Tab.5 Growth of impervious surface percentage in different periods(km²)

时期	增长总面积	年均增长面积
1990—2000年	607.72	60.772
2000—2010年	977.23	97.723
2010—2017年	725.91	103.702

新窗口打开| 下载CSV

3.3 不透水面加权中心和椭圆标准差分析

为了揭示城市重心变化,本文利用4期不透水面比例数据,对杭州市的不透水面加权中心进行了估算(图5)。在27 a间,不透水面加权中心位置范围在E120.231°~120.254°, N30.260°~30.267°之间。不透水面加权中心变化显示,随着时间的推移,城市发展的不平衡会使城市重心发生偏移。1990—2000年间,不透水面加权中心变化最为明显,向北偏东移动了2 259.664 m,此间城东的采荷区块及景芳区块、城北的大关区块以及城西的翠苑区块逐步成为城市周边重要的居住组团,上城区、下城区、拱墅区和江干区的发展快于滨江区的发展,使得不透水面加权中心向北偏东移动; 2000—2010年间,不透水面加权中心运动距离减少了1 516 m,偏移方向变为南偏西,杭州市政府在这一时期提出跨江发展规划,由于克服了钱塘江的限制,杭州城市建成区开始了在钱塘江南岸的扩张,萧山区和余杭区的并入、组团式发展结构的提出,杭州城市建成区开始经历跨越式地扩张,其中萧山区发展快于余杭区,导致不透水面加权中心向南移动; 2010—2017年间,不透水面加权中心运动距离持续减少,只有335.053 m,向北偏东运动到E120.247°,N30.267°,这一时期余杭区和萧山区持续发展中,速度上余杭区快于萧山区,导致不透水面加权中心又向北偏移。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 不同时期的不透水面加权中心

Fig.5 Impervious surface weighted mean centres in different years

本文计算得到4个年份的标准差椭圆用于分析不透水面的空间分布规律。1990—2017年间,杭州市的不透水面发展具有明显方向性,如表6和图6所示,其标准差椭圆的方位角先由1990年的100.451°下降到2000年的94.155°,2000年之后方位角开始上升,到2017年上升至97.937°,表明1990—2000年间杭州市发展长轴先由西北—东南向东—西方向移动,2000年之后发展长轴恢复西北—东南发展方向。整体来看西北—东南剖面是杭州市发展长轴的主要方向。1990—2017年间,标准偏差椭圆逐渐变大,标准偏差椭圆的长短轴持续增长,长轴从24 164.634 m增长到26 449.593 m,短轴从17 135.538 m增长到18 757.402 m,表明不透水面在长短轴方向有逐渐离散的趋势。1990—2017年长轴与短轴的比率变化不大,从1990到2010年长轴与短轴的比率缓慢增长到1.448,到2017年时减少至与1990年相同的比率1.410,表明1990—2010年间,不透水面发展的聚集趋势慢慢增加,方向性增强; 2010—2017年间,不透水面聚集趋势也较强,但相较与2010年,聚集趋势稍稍下降,方向性减弱。

表6 不同时期SDE参数

Tab.6 SDE parameters of impervious surface maps from 1990 to 2017

年份	长轴/m	短轴/m	方位角/(°)	长短轴比
1990年	24 164.634	17 135.538	100.451	1.410
2000年	25 338.331	17 502.960	94.155	1.448
2010年	26 426.510	18 208.927	96.039	1.451
2017年	26 449.593	18 757.402	97.937	1.410

新窗口打开| 下载CSV

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 不同时期的SDE

Fig.6 SDEs of impervious surface in different years

3.4 不透水面比例景观格局分析

图7为杭州市不透水面景观格局指数。由图7可知,1990—2017年间,杭州市不透水面景观的SHDI逐渐增加,不透水面CONTAG指数逐渐降低,说明各等级的不透水面景观整体仍呈增长态势但逐渐趋于均衡化。组分空间构型分析表明,自然地表和极高不透水面景观在1990年时团聚程度最高,破碎化程度较低,随着时间的增长, PD开始增加,破碎化程度加剧。低密度不透水面景观在1990—2000年间不断增长,之后则开始逐渐下降,说明后期低密度不透水面景观较之前团聚程度提高。中等密度不透水面景观的PD一直增加,到2017年时成为密度等级中最为破碎的景观。高密度不透水面景观的PD保持稳定,小幅度增加,破碎化程度较为稳定。极高密度、高密度和中等密度不透水面景观的LSI一直持续增长,表明这3种密度不透水面景观的形状变得越来越复杂,自然地表和低不透水面景观的LSI经历了先增长再减少,说明这2种密度不透水面景观的形状先变得复杂再变得简单。从斑块连接情况来看,自然地表AI较高且在研究时间区段内聚集度降低,高密度不透水面景观聚集度缓慢增长,低密度和极高密度不透水面景观聚集度持续增长,表明低密度和极高密度不透水面景观连接性在逐渐增强,中等密度不透水面景观的聚集度在小范围内浮动,相较于其他密度不透水面等级景观连接性较弱。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 1990—2017年间杭州市不透水面景观格局变化

Fig.7 The landscape pattern changes of impervious surface in Hangzhou from 1990 to 2017

4 结论

本文运用随机森林机器学习算法反演得到杭州市不透水面比例数据集,并利用不透水面加权中心、标准差椭圆和景观格局法分析方法进行了杭州市不透水面比例时空格局分析,得到结论如下:

1)1990—2017年杭州市整体不透水面比例呈增长趋势,其中1990—2000年的增长总面积和年均不透水面比例增长面积最少; 2000—2010年的增长总面积最多,年均不透水面比例增长面积第二; 2010—2017年的增长总面积第二,但年均不透水面比例增长面积最多。

2)1990—2017年间,杭州市不透水面加权中心先向北偏东移动,随后向南移动,最后向北移动。由于1996年和2004年杭州市两次行政区划的调整,杭州市发展重心随之转变; 杭州市不透水面比例SDE的变化显示1990—2000年杭州市发展长轴先由西北—东南向东—西方向移动,2000年之后发展长轴恢复西北—东南发展方向。整体来看杭州市不透水面发展主要方向是西北—东南剖面,聚集趋势较为稳定。

3)1990—2017年间,各等级的不透水面景观呈增长态势且逐渐趋于均衡化分布。斑块密度分析表明,自然地表、中密度和极高密度不透水面景观的团聚程度持续变小,破碎度越来越高; 景观形状指数分析表明,极高密度、高密度和中等密度这3种密度不透水面景观的形状变得越来越复杂; 斑块聚集度分析表明,自然地表空间聚集度最高,且在研究时段内呈下降趋势。

本文仅从不透水面比例的时空变化分析了杭州市的发展变化规律,未来需加强城市扩张变化驱动力和不透水面变化引起的城市环境研究。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Alberti

The effects of urban patterns on ecosystem function

[J]. International regional science review, 2005,28(2):168-192.