基于多源遥感数据的武汉市人口空间分布格局演化

赵利利 ， 孟 芬 ， 马才学

(华中农业大学 公共管理学院，武汉 430070)

基于多源遥感数据的武汉市人口空间分布格局演化

赵利利 ， 孟 芬 ， 马才学

(华中农业大学 公共管理学院，武汉 430070)

基于DMSP/OLS夜间灯光指数和SPOT-VEGETATION逐旬NDVI数据构建人居指数，模拟武汉市2000,2012年人口空间分布。采用空间自相关模型，从时空角度分析2000—2012年武汉市人口的空间分布格局及演变规律。结果表明：① 利用夜间灯光强度估算方法可快速准确模拟武汉市人口空间分布。② 人口空间分布格局有向武汉市中心城区集聚的趋势，具有“中间高周围低”的特征。③ 武汉市人口空间分布表现出较强的空间自相关性，根据局部自相关分析，“高-高”类型区主要分布在武昌、硚口、江汉、江岸等中心区，“低-高”类型区主要出现在江河流域附近；随着时间的推移人口分布的“高-高”类型区扩大，表明武汉市人口在向中心城区聚集的过程中远城区也形成了相应的人口集聚中心。

DMSP/OLS夜间灯光指数；SPOT-VEGETATION逐旬NDVI；人口空间格局；空间自相关；武汉市

0 引言

城市人口空间分布在一定程度上体现了城市经济集聚程度及城镇化发展水平的空间分布[1]。开展城市人口空间分布格局研究，是协调城市人口、经济、社会、环境等问题的基础[2]。传统意义上我国常用的城市人口信息的获取方法有全国人口普查、人口抽查等，此种基于行政区界的人口统计数据难以与其他地理信息边界相匹配，不利于人口数据与其他信息数据关联进行综合分析[3]。且利用该数据进行人口分布分析时，其精度只精确到行政区域，不能反映人口的实际分布。

现有研究表明，城市人口密度空间信息提取方法能解决上述问题，常用的城市人口密度空间模拟的方法有：城市人口密度模型[4]、内插法空间分布模型[5]、地理因子相关性模型[6]等。相较于城市人口密度模型、内插法空间分布模型来说，地理因子相关性分析由于考虑了人口分布的影响因素，改善了模型结果，能更好地模拟城市内部人口的实际分布。在众多地理因子相关分析的方法之中，夜间灯光强度估算方法由于具有在较少数据源的情况下快速反演大区域人口密度的优点而被广泛运用于区域人口空间分布模拟之中[7-8]。

在获取城市人口信息的基础上，国内学者对人口空间分布的研究主要包括人口的空间分布特征及演变、人口与社会经济的空间耦合及人口空间分布的驱动因素等[9]。其中，人口的空间分布特征及其演变是研究其他人口问题的基础，通常采用人口重心模型[10]、人口集疏度模型[11]、空间自相关模型[12]等方法探索区域人口发展在时空上的演变，用于揭示人口的空间分布规律[13]。

2000—2012年，武汉市由我国中部地区重要的中心城市跃居为中部地区中心城市，城市建设和社会经济表现活跃，其中心地位及辐射带动作用促使人口数量和结构也发生了巨大的变化。研究该区域的人口空间分布及演变对于揭示我国中部地区人口空间分布规律、促进社会经济可持续发展具有重要意义。

本研究基于2000,2012年武汉市分区人口统计数据、武汉市土地利用数据、DMSP/OLS夜间灯光指数、SPOT-VEGETATION逐旬NDVI数据，借助ArcGIS 10.0、ENVI 5.0等工具，采用夜间灯光强度估算方法，实现了武汉市人口统计数据的空间化；在此基础上，利用空间自相关分析方法，分析武汉市人口分布时空演变规律。相比传统意义上基于行政区划的人口空间自相关分析，能揭示更多武汉市人口空间分布的细节信息。

1 研究区域与数据来源

1.1 研究区域

武汉市位于中国腹地中心，湖北省东部，介于东经113°41′～115°05′、北纬29°58′～31°22′，地处长江与汉江交汇处，是全国特大城市和重要的交通枢纽，也是湖北省省会，华中地区和长江中下游的经济、科技、教育和文化中心。武汉市现辖13个区，面积8 494.41 km2。截至2012年底，武汉市年末总人口821.708 8万人，基于行政区界的人口统计密度及空间位置见图1。其中江岸、江汉、硚口、汉阳、武昌为人口分布高密度区，江夏、蔡甸、汉南、黄陂、新洲为人口分布低密度区。

1.2 数据来源

1.2.1 武汉市行政区划数据。该数据通过ArcGIS 10.0空间数字化得到，用于裁剪研究区域的其他数据。

1.2.2 武汉市土地利用数据。2000年土地利用数据来源于中国科学院资源与环境数据中心，2012年的数据则借助于ENVI 5.0对该年的Landsat7 TM影像进行监督分类得到。土地利用类型分为建设用地、耕地、林地、草地、裸地、水体六大地类，其作用在于进行人口统计数据空间化时剔除不适宜人居住的水体部分。为保持数据的空间一致性，将土地利用数据重采样为1 km×1 km。

图1 研究区人口密度图

1.2.3 DMSP/OLS夜间灯光指数。数据由美国国家地球物理数据中心(NGDC)提供，其空间分辨率为1 km。DMSP卫星以每天14轨的速度绕地球飞行，经过赤道的时间有2个，分别为10:50和22：50。使用前需对其进行投影转换，转换后的投影系统为Albers等面积投影。

1.2.4 SPOT-VEGETATION逐旬NDVI数据。数据来源于比利时佛莱芒技术研究所，对逐旬NDVI数据进行处理，使之转换为与夜间灯光指数数据一样的投影系统与空间分辨率。在获取逐旬NDVI数据的基础上，利用VGTExtract软件对其进行处理，提取年最大NDVI值。

1.2.5 2000，2012年武汉市分区人口统计数据。分区人口统计数据来源于2001，2013年的《武汉市统计年鉴》，根据各辖区面积计算分区人口密度，并结合武汉市行政区界数据将其空间化，用于对夜间灯光强度估算方法得到的人口数据进行校正，使反演出的人口空间分布结果达到分区零误差。

2 研究方法

2.1 总体思路

在借助夜间灯光强度估算方法空间化人口统计数据的基础上，运用空间自相关模型，探索武汉市2000，2012年人口空间分布及演变规律。首先，由DMSP/OLS夜间灯光指数、土地利用数据和SPOT-VEGETATION逐旬NDVI数据构建人居指数；其次，基于武汉市分区行政区划图计算分区平均统计人口和分区平均人居指数，并对其进行Pearson相关分析及回归分析，构建分区人居指数和分区人口密度间的回归方程；再次，利用此回归方程，基于第一步中所构建的人居指数分布图，反推出武汉市人口密度分布数据，并用分区人口统计数据对其进行校正，构建分区人口零误差的人口密度空间分布图；最后，对基于上述步骤所求出的2000，2012年的武汉市分区人口零误差空间分布图进行空间自相关分析，通过求取全局Moran’sI，Moran散点图及LISA集聚图，分析武汉市人口空间分布及动态演变规律。

2.2 适宜居住区的界定及人居指数的构建

以求得的年最大NDVI值为基础，使值落在[0.1,0.9]的区间，剔除NDVI值小于0.1和大于0.9的区域，此类区域多为裸岩、水体或植被郁闭度过高的森林而不适宜人类居住[7]。利用武汉市土地利用数据制作水体掩膜，与年NDVI值进行叠加，剔除占武汉市土地总面积25%的水体部分，剩余部分为适宜居住区，用于作为人口统计数据空间化的载体。

综合遥感夜间灯光指数与年NDVI最大值构建人居指数(HSI)提取人口空间分布的方法参照于现有研究[14]。相对于单纯的基于夜间灯光指数空间化人口统计数据的方法，构建人居指数能防止夜间灯光指数的过饱和现象而导致反演结果的偏差，计算方法如下[14-15]：

(1)

式中：NDVImax为SPOT-VEGETATION逐旬NDVI的年最大值；OLSnor为经过标准化处理的夜间灯光指数，其值为0～1。

2.3 建立人居指数与人口统计数据回归模型

以武汉市分区行政区划数据为基准，分区计算各区总人居指数，除以各区宜居面积构建分区平均人居指数HSI，其中每个HSI分别对应1个人口统计密度数据。将武汉市13个区的数据作为样本，测算其Pearson相关关系，并建立回归模型。经过多种模型的选择比较，发现对数相关关系对于模拟HSI与对应的人口统计密度数据最为有效，本研究最终选择了回归最优的对数模型进行模拟[16]，其表达式为：

(2)

式中：p表示分区人口统计密度；HSI′表示分区平均人居指数，由武汉市各区人居指数的总和除以该区对应的宜居面积确定；a和b为回归模型的参数。

2.4 人口统计数据的空间化及误差校正

基于武汉市人居指数空间分布数据，反向推导公式(2)中的回归模型，估算武汉市人口密度分布数据，其中人口密度数据精确至栅格(1 km×1km)。利用分区人口统计数据作线性调整纠正各栅格的值，生成分区人口零误差的人口密度空间分布图，公式如下：

(3)

(4)

式中：p为根据HSI预测得到的人口密度；p′是使用统计数据按区修正后的人口密度；pstat为分区统计总人口；pall为分区预测总人口。

2.5 人口统计数据空间动态分析

借鉴已有研究中人口空间分布格局及演变特征的研究方法及指标体系，选取空间自相关分析方法进行分析。空间自相关分析分为全局空间自相关分析和局部空间自相关分析。

全局空间自相关用于研究整个区域之间的空间关联模式，I的取值区间为[-1,1]，I>0，表示空间正相关，即人口密度较高的区域在空间上区域显著集聚；I<0表示空间负相关，即该区域与周边区域的人口密度具有空间差异；I=0表示空间不相关，即人口密度在空间上随机分布。全局Moran’sI指数：

(5)

局部空间自相关用于揭示空间参考单元属性值之间的相似性或相关性[17-18]，局部Moran’sI指数：

(6)

式中:n为参与分析的空间栅格总数；wij为空间权重矩阵，本研究选取基于距离的空间权重矩阵；yi,yj代表i和j单元的人口密度值；y*代表所有单元的人口密度平均值；s2为yj的离散方差值。

3 结果与分析

3.1 基于人居指数的武汉市人口空间分布模拟

2000,2012年分区平均人居指数与分区人口统计密度之间的Pearson相关系数分别为0.970，0.949，在0.01水平(双侧)上显著相关，二者之间具有较强的相关性。进一步对2000，2012年武汉市分区平均人居指数与分区人口统计密度之间的关系进行回归分析建模，得到拟合结果如下：

2000年ln(HSI′)=-0.657+0.620ln(p)。

(7)

2012年ln(HSI′)=1.028+1.498ln(p)。

(8)

基于武汉市人居指数空间分布(图2)及人居指数与人口统计密度回归方程(7)和(8)，利用ArcGIS 10.0中栅格计算器反向计算武汉市人口密度，并利用分区人口统计数据进行修正，得到武汉市人口空间分布(图3)。

研究栅格尺度越小越能真实模拟区域人口分布特征。由图3看出武汉市人口空间分异显著，总体表现为“中部高、四周低”的分布格局。人口高密度地区主要集中于社会经济高速发展的武汉市中心城区，人口分布低密度地区主要集中于黄陂、新洲、蔡甸、江夏等远城区。综合对比2000，2012年武汉市人口密度空间分布图，显示2012年武汉市人口分布高密度地区多于2000年，表明随着社会经济的发展，武汉市人口有由周围向中心聚集的趋势，导致人口高密度地区沿中心向周围扩张。

图2 武汉市人居指数空间分布图

图3 武汉市人口密度空间分布图

3.2 2000—2012年武汉市人口空间分布演变分析

3.2.1 人口分布的全局自相关分析。空间自相关是衡量研究对象之间空间相关性的重要研究方法[9]。基于2000，2012年人口空间分布图计算得到的Moran’sI值分别为0.676 1，0.731 2，且Morans’sI在蒙特卡罗模拟检验下p值等于0.001，在99.9%的置信度下显著相关。Moran’sI值为正且接近1，说明研究对象之间具有较大的空间自相关性[18]。武汉市人口存在着显著的空间自相关性，其空间分布上存在着相似值之间的空间集聚，即人口密度较高的地区与人口密度较高的地区相邻，反之亦同。从时间角度分析，2012年的全局Moran’sI估计值相对于2000年增大，说明人口的空间集聚趋势不断增强。参照人口密度空间分布(图3)可以看出，在此时间段内武汉市人口有向中心城区集聚并逐步外延的趋势，导致这种变化的原因是由于武汉市城镇化进程促进人口自由流动并向经济发展水平高的地区聚集，人口空间分布与社会经济发展水平及基础设施的配套等具有显著的时空同步性。

3.2.2 人口分布的局部自相关分析。全局Moran’sI估计值只能显示区域与其他地区空间差异的平均程度，忽略了区域人口分布局部空间特征及相关关系。Moran散点图和LISA集聚图可用于分析人口分布的局部空间特征。由Moran散点图(图4)和LISA集聚图(图5)结果可以看出武汉市人口密度分布主要集中在“高-高”、“低-高”2个象限。人口分布呈现出“高-高”正相关的区域主要分布在武昌、硚口、江汉、江岸等武汉市中心区。此外由于长江汉江穿武汉市而过，该特殊的地理构成将武汉市分为江南、江北两部分，也将武汉市“高-高”人口集聚区分开，形成一条沿江河流向而成的人口空间分布呈“低-高”关联的异质带。综合对比2000,2012年人口密度Moran散点图和LISA集聚图结果，发现2012年人口分布呈“高-高”正相关的区域大于2000年，同时在黄陂区和新洲区分别出现两处人口分布“高-高”集聚区，表明随着社会经济的发展，武汉市人口在向中心城区聚集的过程中远城区也形成了相应的人口集聚中心。

图4 武汉市人口密度Moran散点图

图5 武汉市人口密度LISA集聚图

4 结论与讨论

4.1 结论

1)作为中部地区社会经济发展最为活跃的中心城市，2010年武汉市城市化率已达到73.64%，远高于全国平均水平[19]。在武汉市城镇化高速发展的关键时期，其城市空间的变化、社会经济的发展、生态环境问题的显现将促使人口空间格局发生变化。

2)利用DMSP/OLS夜灯指数数据和SPOT-VEGETATION逐旬NDVI相结合构建的分区平均人居指数(HSI)与武汉市分区人口统计密度之间具有较强的对数相关关系，利用该回归方程，基于武汉市人居指数分布图能模拟武汉市人口空间分布格局。

3)武汉市人口分布具有“中间高周围低”的空间分布格局，总体表现为以武汉市中心城区为核心的人口集聚态势，与武汉市社会经济发展水平相匹配。

4)武汉市人口空间分布表现出较强的空间自相关性，人口的空间集聚趋势不断增强，根据局部自相关分析，“高-高”类型区主要分布在武昌、硚口、江汉、江岸等武汉市中心区，“低-高”类型区主要出现在江河流域附近；且随着时间的推移武汉市人口分布的“高-高”类型区扩大，表明武汉市人口在向中心城区聚集的过程中，远城区也形成了相应的人口集聚中心。

4.2 讨论

对以夜间灯光强度估算方法得出的人口空间分布数据进行空间自相关分析，相对于使用基于行政区界的人口统计数据进行的分析，能揭示出更多的人口空间分布的细节信息；相对于基于街道人口调查数据来说，能节省更多的人力物力，且便于进行人口空间分布的时间尺度分析。其不足之处在于，夜间灯光指数数据，对栅格内的人口平均化分布，分辨率仍不够高，可在以后的研究中融入栅格内人口估计方式进行精细化研究。

[1] 刘睿文,封志明,杨艳昭,等.基于人口集聚度的中国人口集疏格[J].地理科学进展,2010,29(10)：1171-1177.

[2] 苏飞,张平宇.辽中南城市群人口分布的时空演变特征[J].地理科学进展,2010，29(1)：96-102.

[3] 凡宸,秦建桥,高洋,等.基于GIS数据的县域人口密度空间降尺度模拟——以广东省惠东县为例[J].中国人口·资源与环境,2014,24(3)：226-230.

[4] 吴文钰,高向东.中国城市人口密度分布模型研究进展及展望[J].地理科学进展,2010,29(8):968-974.

[5] 刘建军,李春来.基于遥感和GIS的巢湖流域人口信息提取[J].科学通报,2002,47(23)：1835-1837.

[6] 肖荣波,丁琛.城市规划中人口空间分布模拟方法研究[J].中国人口·资源与环境,2011,21(6)：13-18.

[7] 卓莉,陈晋,史培军,等.基于夜间灯管数据的中国人口密度模拟[J].地理学报,2005,60(2)：266-276.

[8] 高义,王辉,王培涛,等.基于人口普查与多源夜间灯管数据的海岸带人口空间化分析[J].资源科学,2013,35(12)：2517-2523.

[9] 高超,金凤君,傅娟,等.1996—2011年南非人口空间分布格局与演变特征[J].地理科学进展,2013,32(7):1167-1176.

[10] 李文训,孙希华.基于GIS的山东省人口重心迁移研究[J].山东师范大学学报：自然科学版,2007,22(3)：83-86.

[11] 张慧.1990—2010年西北地区县域人口数量与空间集疏变化时空分析[J].干旱区资源与环境,2013,27(7)：33-39.

[12] 杜国明,张树文,张有全.城市人口分布的空间自相关分析——以沈阳市为例[J].地理研究,2007,26(2)：383-390.

[13] 王书国,段学军,姚士谋.长江三角洲地区人口空间演变特征及动力机制[J].长江流域资源与环境,2007,16(4)：405-409.

[14] 杨续超,高大伟,丁明军,等.基于多源遥感数据及DEM的人口统计数据空间化——以浙江省为例[J].长江流域资源与环境,2013,22(6)：729-734.

[15] Lu D,Tian H,Zhou C,etal.RegionalMappingofHumanSettlementsinSoutheasternChinawithMultisensoryRemotelySensedData[J].RemoteSensingofEnvironment,2008,112(9):3668-3679.

[16] 韩向娣,周艺,王世新,等.夜间灯光遥感数据的GDP空间化处理方法[J].地球信息科学学报,2012,14(1)：128-136.

[17] 王培震,石培基,魏伟,等.基于空间自相关特征的人口密度格网尺度效应与空间化研究——以石羊河流域为例[J].地球科学进展,2012,27(12):1363-1372．

[18] 宋雪茜,刘颖.四川省各市州公共服务供给空间的自相关分析[J].地域研究与开发，2015,34(4):23-29.

[19] 华宇.武汉市人口空间结构研究[D].武汉：华中师范大学,2014.

The Analysis on Spatial Distribution and Evolution of the Population in Wuhan City Based on Multi-source Remote Sensing Data

Zhao Lili , Meng Fen , Ma Caixue

(CollegeofPublicManagement,HuazhongAgriculturalUniversity,Wuhan430070,China)

Based on DMSP/OLS night light index and SPOT-VEGETATION dekad NDVI data, human settlements index (HSI) was calculated to simulate the population spatial distribution of Wuhan City in 2000 and 2012. Then the spatial autocorrelation model was employed to discover the distribution and evolution of population from the perspectives of spatial and temporal. The results showed that: (1) Using the night light intensity estimation method can simulate Wuhan population spatial distribution fast and accurately; (2) There was a trend that rural population agglomerate to the central urban area with the feature of “high middle and low around”; (3) The spatial distribution of Wuhan population demonstrated a high spatial autocorrelation characteristic. According to local autocorrelation analysis, areas with “high-high” feature were mainly distributed in Wuchang, Qiaokou, Jianghan, and Jiangan Districts. Besides that, this type of area expanded as time passed. At the same time, in the suburbs of Wuhan City, there were also some new population agglomeration centers.

DMSP/OLS night light index; SPOT-VEGETATION NDVI; population spatial distribution pattern; spatial autocorrelation analysis; Wuhan City

2015-09-16；

2015-12-31

赵利利(1989-)，女，河北邯郸市人，硕士研究生，主要从事土地资源管理研究，(E-mail)13419566679@163.com。

马才学(1961-)，男，湖北天门市人，教授，博士，主要从事土地资源管理研究，(E-mail)macaixue@mail.hzau.edu.cn。

K901.3

A

1003-2363(2016)03-0165-05