logo

SCIENTIA SINICA Terrae, Volume 49, Issue 7: 1151-1168(2019) https://doi.org/10.1360/N072018-00164

全球城市人居环境不透水面与绿地空间特征制图

More info
  • ReceivedSep 11, 2018
  • AcceptedFeb 27, 2019
  • PublishedApr 25, 2019

Abstract

全球城市不透水面和绿地空间遥感制图对于准确把握全球人居环境质量, 指导城市和区域发展规划, 促使城市向生态、宜居和可持续方向发展具有重要的科学意义和应用价值. 当前研究中针对全球城市下垫面覆盖状况不透水面与绿地空间要素的高精度遥感制图仍显不足. 本研究基于城市等级尺度地表结构和景观分类原理, 融合了GlobeLand30数据等, 建立了MODIS NDVI、夜间灯光数据(DMSP/OLS)和全球各分区30个典型城市Landsat TM获取的不透水面和绿地空间像元组分比例之间回归关系, 发展了全球城市建成区内不透水面和绿地空间组分比例数据集. 基于Google Earth高分辨率影像验证表明, 城市不透水面制图的平均相对误差(MRE)为0.19. 本文评估的全球城市用地面积为76.29×104km2, 主要分布于北半球的欧洲中部地区、亚洲东部地区和北美洲的中东部地区, 其中北美洲、欧洲和亚洲城市用地面积为66.3×104km2, 占全球城市用地总面积的86.91%, 全球前50位国家城市用地占全球城市用地面积总量的59.32%. 全球城市不透水面面积为45.26×104km2, 集中分布于北美洲中南部、亚洲东部、欧洲大部分地区, 以及全球海岸沿线地区. 其中, 北美洲、欧洲、亚洲城市不透水面面积占全球城市不透水面积的84.25%. 研究也发现, 全球不同发达程度国家之间城市不透水面分布和绿地布局呈现高度的空间差异特征, 各大洲建成区内城市不透水面比例由大到小依次为: 非洲>70%>南美洲>大洋洲>亚洲>60%>北美洲>欧洲>50%. 全球各大洲绿地面积集中分布在北美洲东南部、欧洲西南部、亚洲东部和西部. 其中, 北美洲、欧洲和亚洲绿地面积占全球绿地总面积的89.44%. 欧洲和北美洲的发达国家更注重城市景观设计及城市不透水面和绿地的有效镶嵌, 城市建成区内绿地面积比例相对较高, 而部分发展中国家和欠发达国家建成区内绿地面积比例相对较低, 城市宜居环境有待提升.


Funded by

国家自然科学基金项目(41590842)

中国科学院战略性先导科技专项项目(XDA20040400)

国家高技术研究发展计划项目(2013AA122802)


Acknowledgment

感谢陈军教授在参与国家高技术研究发展计划项目(编号: 2013AA122802)中共享GlobeLand30数据; 感谢杨天荣、潘涛和李孝永研究生在数据处理中给予的帮助; 感谢三位匿名审稿人提供宝贵的修改意见.


References

[1] 曹诗颂, 胡德勇, 赵文吉, 陈姗姗, 程庆文. 2017. 不透水地表盖度视角下中美城市群空间结构对比——以“京津冀”与“波士华”为例. 地理学报, 72: 1017–1031. Google Scholar

[2] 陈利顶, 周伟奇, 韩立建, 孙然好. 2016. 京津冀城市群地区生态安全格局构建与保障对策. 生态学报, 36: 7125–7129. Google Scholar

[3] 丁一汇. 2018. 气候变化与城市化效应对中国超大城市极端暴雨的影响. 中国防汛抗旱, 28: 1–2. Google Scholar

[4] 方创琳, 杨俊宴, 匡文慧. 2017. 京津冀协同发展中推进雄安新区“多规合一”的基本策略与建议. 中国科学院院刊, 32: 1192–1198. Google Scholar

[5] 匡文慧, 陈利军, 刘纪远, Xiang W N, 迟文峰, Lu D S, 杨天荣, 潘涛, 刘爱琳. 2016. 亚洲人造地表覆盖遥感精细化分类与分布特征分析. 中国科学: 地球科学, 46: 1162–1179. Google Scholar

[6] 匡文慧, 刘纪远, 张增祥, Lu D S, 香宝. 2013. 21世纪初中国人工建设不透水地表遥感监测与时空分析. 科学通报, 58: 465–478. Google Scholar

[7] 潘竟虎, 李晓雪, 刘春雨. 2009. 兰州市中心城区不透水面覆盖度的遥感估算. 西北师范大学学报(自然科学版), 45: 95–100. Google Scholar

[8] 王雷, 李丛丛, 应清, 程晓, 王晓昳, 李雪艳, 胡娈运, 梁璐, 俞乐, 黄华兵, 宫鹏. 2012. 中国1990~2010年城市扩张卫星遥感制图. 科学通报, 57: 1388–1399. Google Scholar

[9] 吴良镛. 2018. 规划建设健康城市是提高城市宜居性的关键. 科学通报, 63: 985–985. Google Scholar

[10] 禹丝思, 孙中昶, 郭华东, 赵相伟, 孙林, 吴孟凡. 2017. 海上丝绸之路超大城市空间扩展遥感监测与分析. 遥感学报, 21: 169–181. Google Scholar

[11] 岳文泽, 徐建华, 徐丽华. 2006. 基于遥感影像的城市土地利用生态环境效应研究——以城市热环境和植被指数为例. 生态学报, 26: 1450–1460. Google Scholar

[12] 张杰, 周寅康, 李仁强, 周兆军, 张利权, 师庆东, 潘晓玲. 2009. 土地利用/覆盖变化空间直观模拟精度检验与不确定性分析——以北京都市区为例. 中国科学D辑: 地球科学, 39: 1560–1569. Google Scholar

[13] Bierwagen B G, Theobald D M, Pyke C R, Choate A, Groth P, Thomas J V, Morefield P. National housing and impervious surface scenarios for integrated climate impact assessments. Proc Natl Acad Sci USA, 2010, 107: 20887-20892 CrossRef PubMed ADS Google Scholar

[14] Chaudhuri A S, Singh P, Rai S C. Assessment of impervious surface growth in urban environment through remote sensing estimates. Environ Earth Sci, 2017, 76: 541 CrossRef Google Scholar

[15] Chen J, Chen J, Liao A P, Cao X, Chen L J, Chen X H, He C Y, Han G, Peng S, Lu M, Zhang W W, Tong X H, Mills J. Global land cover mapping at 30 m resolution: A POK-based operational approach. ISPRS-J Photogramm Remote Sens, 2015, 103: 7-27 CrossRef ADS Google Scholar

[16] Chi W F, Shi W J, Kuang W H. Spatio-temporal characteristics of intra-urban land cover in the cities of China and USA from 1978 to 2010. J Geogr Sci, 2015, 25: 3-18 CrossRef Google Scholar

[17] Creutzig F, Agoston P, Minx J C, Canadell J G, Andrew R M, Quéré C L, Peters G P, Sharifi A, Yamagata Y, Dhakal S. Urban infrastructure choices structure climate solutions. Nat Clim Change, 2016, 6: 1054-1056 CrossRef ADS Google Scholar

[18] Elvidge C D, Keith D M, Tuttle B T, Baugh K E. Spectral identification of lighting type and character. Sensors, 2010, 10: 3961-3988 CrossRef PubMed Google Scholar

[19] Elvidge C D, Tuttle B T, Sutton P C, Baugh K E, Howard A T, Milesi C, Bhaduri B, Nemani R. Global distribution and density of constructed impervious surfaces. Sensors, 2007, 7: 1962-1979 CrossRef PubMed Google Scholar

[20] Georgescu M, Morefield P E, Bierwagen B G, Weaver C P. Urban adaptation can roll back warming of emerging megapolitan regions. Proc Natl Acad Sci USA, 2014, 111: 2909-2914 CrossRef PubMed ADS Google Scholar

[21] Georgescu M, Moustaoui M, Mahalov A, Dudhia J. Summer-time climate impacts of projected megapolitan expansion in Arizona. Nat Clim Change, 2013, 3: 37-41 CrossRef ADS Google Scholar

[22] Grimm N B, Faeth S H, Golubiewski N E, Redman C L, Wu J, Bai X, Briggs J M. Global change and the ecology of cities. Science, 2008, 319: 756-760 CrossRef PubMed ADS Google Scholar

[23] Homer C H, Fry J A, Barnes C A. 2012. The national land cover database. USGS Fact Sheet, 3020: 1–4. Google Scholar

[24] Jones B, O’Neill B C, McDaniel L, McGinnis S, Mearns L O, Tebaldi C. Future population exposure to US heat extremes. Nat Clim Change, 2015, 5: 652-655 CrossRef ADS Google Scholar

[25] Kuang W H, Chi W F, Lu D S, Dou Y Y. A comparative analysis of megacity expansions in China and the U.S.: Patterns, rates and driving forces. Landscape Urban Plan, 2014, 132: 121-135 CrossRef Google Scholar

[26] Kuang W H, Liu J Y, Dong J W, Chi W F, Zhang C. The rapid and massive urban and industrial land expansions in China between 1990 and 2010: A CLUD-based analysis of their trajectories, patterns, and drivers. Landscape Urban Plan, 2016, 145: 21-33 CrossRef Google Scholar

[27] Kuang W H, Liu J Y, Zhang Z X, Lu D S, Xiang B. Spatiotemporal dynamics of impervious surface areas across China during the early 21st century. Chin Sci Bull, 2013, 58: 1691-1701 CrossRef ADS Google Scholar

[28] Lee C, Kim K, Lee H. GIS based optimal impervious surface map generation using various spatial data for urban nonpoint source management. J Environ Manage, 2018, 206: 587-601 CrossRef PubMed Google Scholar

[29] Li L W, Lu D S, Kuang W H. Examining urban impervious surface distribution and its dynamic change in Hangzhou metropolis. Remote Sens, 2016, 8: 265 CrossRef ADS Google Scholar

[30] Liu X P, Hu G H, Chen Y M, Li X, Xu X C, Li S Y, Pei F S, Wang S J. High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine Platform. Remote Sens Environ, 2018, 209: 227-239 CrossRef ADS Google Scholar

[31] Liu Z F, He C Y, Zhou Y Y, Wu J G. How much of the world’s land has been urbanized, really? A hierarchical framework for avoiding confusion. Landscape Ecol, 2014, 29: 763-771 CrossRef Google Scholar

[32] Lu D S, Hetrick S, Moran E. Impervious surface mapping with Quickbird imagery. Int J Remote Sens, 2011, 32: 2519-2533 CrossRef PubMed Google Scholar

[33] Lu D S, Tian H Q, Zhou G M. Regional mapping of human settlements in southeastern China with multisensor remotely sensed data. Remote Sens Environ, 2008, 112: 3668-3679 CrossRef ADS Google Scholar

[34] Lu D S, Weng Q H. Use of impervious surface in urban land-use classification. Remote Sens Environ, 2006, 102: 146-160 CrossRef ADS Google Scholar

[35] Ridd M K. Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: Comparative anatomy for cities. Int J Remote Sens, 1995, 16: 2165-2185 CrossRef Google Scholar

[36] Sanchez Rodriguez R, Ürge-Vorsatz D, Barau A S. Sustainable development goals and climate change adaptation in cities. Nat Clim Change, 2018, 8: 181-183 CrossRef ADS Google Scholar

[37] Schneider A, Friedl M A, Potere D. A new map of global urban extent from MODIS satellite data. Environ Res Lett, 2009, 4: 044003-44011 CrossRef ADS Google Scholar

[38] Schneider A, Friedl M A, Potere D. Mapping global urban areas using MODIS 500-m data: New methods and datasets based on ‘urban ecoregions’. Remote Sens Environ, 2010, 114: 1733-1746 CrossRef ADS Google Scholar

[39] Tigges J, Lakes T, Hostert P. Urban vegetation classification: Benefits of multitemporal RapidEye satellite data. Remote Sens Environ, 2013, 136: 66-75 CrossRef ADS Google Scholar

[40] Ürge-Vorsatz D, Rosenzweig C, Dawson R J, Rodriguez R S, Bai X M, Barau A S, Seto K C, Dhakal S. Locking in positive climate responses in cities. Nat Clim Change, 2018, 8: 174-177 CrossRef ADS Google Scholar

[41] Wickham J D, Stehman S V, Gass L, Dewitz J, Fry J A, Wade T G. Accuracy assessment of NLCD 2006 land cover and impervious surface. Remote Sens Environ, 2013, 130: 294-304 CrossRef ADS Google Scholar

[42] William S, Cynthia R, Shobhakar D, Debra R, Aliyu S B, Seth S, Ürge-Vorsatz D. City transformations in a 1.5°C warmer world. Nat Clim Change, 2018, 8: 177-181 CrossRef Google Scholar

[43] Wu C S, Murray A T. Estimating impervious surface distribution by spectral mixture analysis. Remote Sens Environ, 2003, 84: 493-505 CrossRef Google Scholar

[44] Yang L M, Huang C G, Homer C G, Wylie B K, Coan M J. An approach for mapping large-area impervious surfaces: Synergistic use of Landsat-7 ETM+ and high spatial resolution imagery. Canadian J Remote Sens, 2003, 29: 230-240 CrossRef Google Scholar

[45] Zhang L, Weng Q H. Annual dynamics of impervious surface in the Pearl River Delta, China, from 1988 to 2013, using time series Landsat imagery. ISPRS-J Photogramm Remote Sens, 2016, 113: 86-96 CrossRef Google Scholar

[46] Zhuo L, Shi Q L, Tao H Y, Zheng J, Li Q P. An improved temporal mixture analysis unmixing method for estimating impervious surface area based on MODIS and DMSP-OLS data. ISPRS-J Photogramm Remote Sens, 2018, 142: 64-77 CrossRef Google Scholar

  • 图 1

    全球城市建成区空间分布图

  • 图 2

    全球城市不透水面与绿地空间制图技术流程

  • 图 3

    初步计算的人居建筑密度与Landsat TM城市不透水面组分回归关系图

  • 图 4

    全球不透水面和绿地空间组分制图上海城市典型样例图

  • 图 5

    全球城市不透水面和绿地空间精度验证样本分布

  • 图 6

    全球典型城市不透水面遥感提取精度验证

  • 图 7

    全球城市用地分布各大洲城市内部各组分面积以及比例和全球前10位国家城市用地面积

  • 图 8

    全球城市不透水面空间分布特征以及典型城市案例

  • 图 9

    全球城市绿地空间分布

  • 图 10

    各国家城市人居环境内部不透水面比例和绿地空间比例分布

  • 图 11

    全球典型城市不透水面和绿地空间分布图

  • 表 1   详细数据信息列表

    数据类型

    数据源名称

    分辨率、数据类型

    数据来源

    主要

    分类

    数据

    GlobeLand30

    30m分辨率栅格数据

    www.globeland30.org

    MODIS NDVI

    16天250m合成栅格数据

    http://modis.gsfc.nasa.gov/

    DMSP/OLS

    1km分辨率栅格数据

    http://ngdc.noaa.gov

    欧空局全球土地覆盖数据

    300m分辨率栅格数据

    http://maps.elie.ucl.ac.be

    Landsat TM

    30m分辨率纠正图像

    http://glovis.usgs.gov/

    辅助

    数据

    全球行政边界

    矢量界限

    http://www.gadm.org

    1:100万全球基础地理数据

    矢量界限

    国家测绘地理信息局

    验证

    数据

    Google Earth

    高分辨率纠正影像

    http://google-earth.en.softonic.com/

    中国土地利用/覆盖现状

    30m分辨率栅格数据

    中国科学院地理科学与资源研究所

    USGS NLCD数据集

    30m分辨率栅格数据

    http://www.mrlc.gov/nlcd2011.php

  • 表 2   全球国家城市用地面积前位统计

    大洲名称

    国别

    城市面积(km²)

    排名

    大洲名称

    国别

    城市面积(km²)

    排名

    北美洲

    美国

    157785.83

    1

    亚洲

    巴基斯坦

    5869.18

    26

    亚洲

    中国

    57924.97

    2

    非洲

    尼日利亚

    5224.97

    27

    北美洲

    加拿大

    56474.84

    3

    亚洲

    乌兹别克斯坦

    5130.83

    28

    欧洲

    俄罗斯联邦

    51757.06

    4

    亚洲

    马来西亚

    5002.55

    29

    南美洲

    巴西

    31052.65

    5

    非洲

    南非

    4948.97

    30

    北美洲

    墨西哥

    25219.29

    6

    南美洲

    秘鲁

    4507.24

    31

    亚洲

    印度

    22045.93

    7

    南美洲

    智利

    4334.79

    32

    亚洲

    日本

    21496.52

    8

    亚洲

    伊朗

    3626.25

    33

    欧洲

    德国

    16865.73

    9

    欧洲

    挪威

    3420.19

    34

    欧洲

    意大利

    15673.63

    10

    欧洲

    希腊

    3167.96

    35

    欧洲

    瑞典

    13805.28

    11

    亚洲

    土库曼斯坦

    3104.68

    36

    欧洲

    法国

    13610.25

    12

    欧洲

    保加利亚

    3082.44

    37

    欧洲

    西班牙

    12819.09

    13

    欧洲

    荷兰

    3058.71

    38

    欧洲

    乌克兰

    11031.47

    14

    南美洲

    委内瑞拉

    3048.4

    39

    南美洲

    阿根廷

    10627.75

    15

    欧洲

    捷克

    2930.97

    40

    亚洲

    印度尼西亚

    10409.42

    16

    非洲

    突尼斯

    2782.62

    41

    亚洲

    哈萨克斯坦

    10154.68

    17

    南美洲

    哥伦比亚

    2755.04

    42

    欧洲

    英国

    9613.97

    18

    非洲

    阿尔及利亚

    2675.27

    43

    欧洲

    波兰

    8690.16

    19

    欧洲

    匈牙利

    2373.56

    44

    亚洲

    韩国

    8186.97

    20

    亚洲

    土耳其

    2216.00

    45

    欧洲

    塞尔维亚

    7765.79

    21

    欧洲

    比利时

    2151.66

    46

    欧洲

    罗马尼亚

    7122.07

    22

    南美洲

    玻利维亚

    2103.22

    47

    欧洲

    白俄罗斯

    6348.81

    23

    亚洲

    越南

    2059.77

    48

    亚洲

    泰国

    6218.06

    24

    北美洲

    古巴

    1956.71

    49

    欧洲

    芬兰

    6104.99

    25

    亚洲

    吉尔吉斯斯坦

    1885.24

    50

Copyright 2019 Science China Press Co., Ltd. 《中国科学》杂志社有限责任公司 版权所有

京ICP备18024590号-1