POI、NPP/VIIRS夜光遥感和微博签到数据的空间耦合关系 ...

晓珂侃世界

摘要：城市空间结构是城市经济与社会构架在空间上的投影与表达，其对城市社会经济及发展方向有重要意义。本文选取2016年NPP/VIIRS夜间灯光数据、POI（兴趣点）数据结合新浪微博用户签到数据对北京市空间分布进行耦合研究。得到北京市夜间灯光分布和POI密度、夜间灯光和微博签到以及POI和微博签到三组空间耦合相同及相异区域，并进一步比较其与城市空间结构的联系。
       研究表明，夜间灯光亮度、POI分布密度、微博签到密度两两耦合的三组数据都呈现出空间高耦合状态，三组数据在北京市的空间布局高度一致；夜间灯光亮度和POI分布密度在经济开发区、车站、机场、景区、城市新建区等大范围同质化区域存在一些耦合相异区；夜间灯光亮度和微博签到密度在有煤炭焚烧、金属冶炼或是夜间行车等情况的区域也有耦合相异的情况，并且其分布和北京市老龄化比重分布有相似性；而POI高于微博签到的地区正是表现出北京城市化高度完善的区域已经出现了基础建设POI供给大于人类生活需求的情况。将三种数据结合分析，可以显著地分析城市空间结构之间的联系。
关键词：NPP/VIIRS；POI；微博签到数据；城市空间结构；耦合关系
0引言


       城市空间是指城市中不同空间发生的不同类别的经济活动，同时这些经济活动可以在城市中形成不同的格局从而生成各异的城市空间结构[1]。对城市进行空间结构的研究一方面可以对城市空间进行合理布局、合理安排从而推动城市的发展；另一方面，对城市空间结构的探究可以更好地调整城市空间密度，避免城市建筑或者功能区密度失调造成资源紧张或浪费。刘金金等进行空间结构和交通运输的耦合研究[2]；郑建锋等[3]对中国单中心及多中心城市内部空间结构特征的研究，分析城市内部空间结构发展态势；杨建涛[4]利用区域空间重组理论对区域中心城市的空间结构进行探究，提出了对区域中心城市、交通网络以及城市功能新区的重组与整合策略。
       夜光遥感数据具有表征城市社会经济活动强度的作用，是进行城市空间结构相关研究中的重要数据源，于丙辰等[5]将夜光遥感与POI数据进行耦合分析，分析空间耦合关系相异区域和城市空间结构的关系,并在此基础上探讨港口在三亚城市结构中的地位; 李翔[6]使用夜间灯光数据和居民收入为基础，采用空间回归模型探究居民收入的时空格局演变。
近年来，随着移动通讯技术的不断发展以及互联网的广泛应用，涌现出很多数据量大、精确度高且更新速度快的新兴数据源[7]。POI数据有着数据属性丰富、获取方式便捷等优点。舒波、陈阳、崔晋使用POI数据对成都市的功能结构特征进行定量分析，发现城市功能分布和地铁轨道站点分布的联系[8];董仁才、姜天祺、李欢欢采用核函数分析模型对北京五环内的POI数据进行分析，得到POI分布和绿化面积的耦合分布[9]。新浪微博平台可以实时定位分享用户的地理位置信息，为城市空间研究提供了新思路。李娜[10]利用微博签到数据分析游客的时空行为；徐战亚等[8]利用微博签到数据，获取不同时间尺度下的时空热点。


1研究区与数据源


       本文选择北京市作为研究区，如图1所示。近年来，北京市的城市结构逐渐向“两轴两带多中心”模式发展，以缓解城市核心区人口压力。但是目前看来，所谓“多中心”大部分仍分布在中心区，并不能真正起到稀释人口密度的作用。对北京市空间结构开展研究仍具有很强的现实意义。
       本文使用的数据包括北京市行政区划图、POI数据、夜光遥感影像数据和微博签到数据。北京市行政区划图，来源于Open Street Map中的Geofabrik[12]。POI数据下载于中国专业IT社区CSDN[13]，更新时间为2018年7月，具有较好的时效性，共获得北京市POI数据245508条。夜光遥感数据来源于国家环境信息中心的2016年年合成NPP/VIIRS产品[14]。新浪微博签到数据通过Python获得，时间跨度是2016年1-12月。




图1研究区概况


2研究方法


       本文方法的技术路线图如图2所示。首先对POI、NPP/VIIRS和新浪微博签到数据数据进行预处理，然后建立北京市行政区划六边形格网，再将以上三组数据分别与建立网格的北京市行政区划叠加，得到每个格网内有不同的夜光遥感亮度值、POI点数量以及微博签到点数的格网图，采用多变量归一化处理法使三种数据处于同一范围，并使用双因素制图法使空间耦合关系得以可视化，从而分析POI、NPP/VIIRS夜光遥感数据和微博签到数据的空间耦合程度，并在此基础上比较空间耦合相同及相异区域与城市空间结构的联系。  



图2 技术流程

2.1数据预处理

       用北京市矢量边界文件对NPP/VIIRS进行剪裁，得到北京市2016年平均夜光遥感栅格地图，如图3所示。原始的POI数据是分类储存的，排除与研究无关的宗教点后使用空间连接将其归为一类，如图4所示。将含有经纬度信息的2016年微博签到点数据，添加Object-ID字段，将其导入至ArcGIS中转化为地理签到点数据，并统一为WGS-84坐标系。然后根据北京市的行政区划范围，叠加上夜间灯光栅格地图，剔除掉范围以外的误差点。最终得到北京市微博签到点分布图，如图5所示。




图3北京市2016年平均夜光遥感图像



  图4 北京市2016年POI分布图






图5 北京市2016年微博签到点分布图


2.2栅格数据格网化

       数据格网化就是将矢量数据通过空间连接赋值于面状渔网数据的方法，创建渔网需要三组基本信息：渔网的空间范围、行数和列数以及旋转的角度。渔网的空间范围即矢量面覆盖范围，渔网的行数可以通过面状区域最下面的数值和最上面的数值之差除以像元高度求得，同理列数可以通过最右值减最左值除以像元宽度获得。
       本文为了能更好的展示数据间的对比分析结果，决定创建与圆形更为接近且空间拓扑关系更为丰富的六边形格网，选择北部森林生态系统研究中心的Patch Analyst进行六边形格网的创建。生成的北京市蜂窝格网如图6所示。将NPP/VIIRS影像进行矢量化，与格网图进行空间链接，进行分级设色，得到夜光亮度蜂窝图，如图7。同样，将POI和微博签到数据和格网叠加后可得POI和微博签到值规则格网图，如图8、图9所示。



图6 北京市蜂窝格网



图7 夜光亮度蜂窝图



图8 POI数量格网图



图 9 2016年北京市微博签到值规则格网图


2.3多变量归一化处理
       使用离差标准化函数如公式（1）所示，进行多变量归一化处理。                                                            
            x_i^*=(x_i-x_min)/(x_max-x_min )         
       将POI和微博签到点密度值向夜光遥感的方向归一化处理。将POI和微博签到点密度范围使用上述公式归一化至[0,75]，并向下取整。将归一化后的POI、微博签到点密度以及夜光灯亮度字段按标准差法分为高中低三级，如表1所示。使用空间连接将POI、夜间灯光亮度分布和微博签到点密度分级字段链接起来，把他们两两结合即可得高-高、中-中、低-低、高-中、高-低、中-高、中-低、低-高、低-中等9种组合方式，组合结果分布如图10、11、12。



表1夜间遥感灯光值和微博签到点密度分级



图10 北京市夜光遥感与POI空间耦合关系图



图11 北京市夜光遥感和微博签到数据耦合关系图



图12北京市POI和微博签到数据耦合关系图


3 空间耦合分析


3.1 总体分布趋势与耦合关系分析
       由图7可以看出,北京市夜光强度的分布总体上是呈中心向外部环形逐渐降低的趋势。灯光最高值区域是位于市中心的北京老城东城区和西城区，此外教育资源优厚的海淀区和商业服务业发达的朝阳区灯光表现也很好，而郊区灯光表现较弱。夜间灯光强度也随北京市  环路由内向外递减，除了六个中心城区外，在城郊各个区的某些位置也有高亮度区域的出现。比如顺义区东南部和大兴区北部的高亮范围基本与北京首都国际机场和北京南苑机场两大机场的位置相吻合；而通州区在东五环和东六环之间的夜间灯光高亮范围正好是北京市政府和中国人民大学东校区的位置；在密云区、房山区、昌平区等郊区也都存在点状或片状的夜光遥感高值区域。
和夜间灯光亮度分布类似，POI密度分布也是呈中心向外部环形逐渐降低，高密度区依然是以六个中心城区为主。但是也有不同之处，比如夜光遥感亮度相比POI密度来说在城市中心区的外侧也有较好的表现，这体现了夜光遥感数据的溢出效应，即探测仪所反映出的人类活动灯光范围通常比实际范围大[15]。除此之外，将夜间灯光亮度及POI密度分布图与2016年北京市各区GDP排名相对比也可以看出，灯光亮度及POI密度较高的海淀区、朝阳区、西城区、东城区等四个核心城区在GDP排名中位列前四。
       微博签到点密度分布的高值也是分布在六个市区，同时各郊区的市中心或是经济集中区也有点状高值区域存在。但是微博签到点数据因其独特性而具有和前两种数据的不同之处。例如夜间灯光亮度的最高值都位于北京市核心东西城区，这和GDP排名和城市发展结果都是相契合的，而微博签到点密度分布的最高值却在海淀区，东西城区是次高值，这是因为微博这种社交平台使用者大多是年轻人，因而高校众多，人口数量中青年占比较大的海淀区容易出现高值。而经济发达却老龄化现象严重的东西城区则显示出次高值分布。
       采用符号计数统计将夜间灯光亮度和POI、夜光遥感和微博签到、POI和微博签到数据密度呈高耦合的区域进行提取计算，发现高耦合的区域比例分别92.26%、 92.86%和93.23%，按依次降低的顺序从中心城区向外扩散。非完全耦合区域围绕核心城区呈放射空心环状分布。总体来说，三种数据两两耦合关系的分布在空间结构上具有高度一致性。


3.2 夜间灯光亮度和POI分布密度的空间耦合分析
3.2.1 夜间灯光亮度高于POI密度值的区域分析
       除了大部分高耦合区域，有一些区域呈现不完全耦合的状态，这些反常区域虽然面积较少。但是对城市结构的研究更有意义。为了更好地显示夜间灯光亮度和POI密度分布空间耦合相异的区域且分析两种数据之间的差异，本文将夜间灯光亮度高于POI密度值的区域做单独显示，以便分析研究，如图13所示。



图13夜间灯光亮度高于POI密度值区域显示


       由分布图可以看出，夜间灯光亮度和POI密度呈中-低、高-中耦合关系基本分布在核心城区的外围，这表明夜间灯光探测仪所反映出的人类活动灯光范围通常比实际范围大也就是夜光遥感图像的溢出效应，所以此部分区域主要为中心城区向郊区发展的过渡区。除此之外，在顺义区的北京首都国际机场附近也出现POI与夜间灯光亮度呈高-低分布的区域，这是因为机场附近基础建设完善，灯光表现较好，但是面积较广，居住人口数量较少，所以相对于生活区POI点密度不高，同样的通州区通州西站附近的高-低耦合、密云区的北京密云穆家峪机场的中-低耦合等区域也可以作此解释；大兴区东部的片状高-低耦合区是因为此处附近的北京大兴区经济开发区以及北京南苑机场，这些区域属于大范围同质性功能区，范围较广而功能单一，因此点状的POI数据不能对此处区域的人类活动做出准确的表达，导致夜光灯表现较好而POI密度偏低的情况出现。
       从丰台区到门头沟区和石景山区交界处沿永定河是石门营公园、冯村公园、滨河中心公园、葡山公园、黑山公园、晨曦公园、滨河公园、京门铁路遗址公园等大大小小的公园聚集区，如图14。这些景区性质的区域都有同功能大面积且人口分布稀疏的特点，故而灯光建设较完善而POI密度较低，且门头沟区作为北京市唯一的纯山区，山地面积达98.5%，如卫星图像15所示，大片广袤的山地表示门头沟区具有灯光亮度强于POI分布的特征。昌平区素有北京后花园之称，主要支柱产业是农业、旅游和高教，也符合基建完善而人口不密集的特征，故而也会呈现出如此耦合关系。
       夜光遥感影像可以清晰的表述人类活动而产生的灯光强度，但是对一些区域的具体功能特征却无法区分，比如同样的灯光高强度区可能是繁华的城市中心也有可能是机场或是工地。POI作为一种点状数据对较小范围内的经济人口情况的表达比较到位，但是在一些大范围的同功能区域，如经济开发区、车站、机场、城市新建区等，点状数据的不均匀表达会使这些区域出现不合理表征。故而采用夜间灯光亮度和POI分布密度的耦合关系来共同表述城市的空间结构，有助于显著描述大范围同质性区域的空间特征。



图14门头沟区永定河沿岸公园聚集区



图15门头沟区卫星图


3.2.2 夜间灯光亮度低于POI密度值的区域分析
       将夜间灯光亮度低于POI密度值的区域做单独显示，以便分析研究，如图16所示。从图中可以看出夜间灯光亮度低于POI密度值表现的区域分布较少，基本围绕城市中心呈点状分布。东、西城区、海淀区等老城区的中-高耦合是因为基础设施完备，但是老龄化人口较高，夜间活动相对少；房山区、昌平区、怀柔区、密云区、顺义区等近郊或者远郊区的点状零散耦合差异区与郊区城镇中心分布相似，因为郊区或者市区外的乡镇中心城镇化建设相对落后，夜光遥感强度值表现较低，不能很好地表征城镇中心的特点，但是POI 数据可以通过对郊区等区域的工业、服务业信息的记录，可以表征城镇中心的空间特点。除昌平区有部分点状分布的低-中、低-高耦合关系之外，其余区域基本是呈中-高耦合，这说明昌平区的郊区城镇化水平较低。




  图 16 夜间灯光亮度低于POI密度值区域显示


       POI密度较高而夜间灯光亮度较低的地方表明该区域属于城市基础建设较落后但是因工商业、服务业繁荣而人口较密集处。因此，夜间灯光在城市化建设相对不够完备的城郊、乡镇地区表现较黯淡，但这并不能说明城郊、乡镇区域的人类活动不频繁，故而其不能很好地表示城郊、乡镇的空间结构特征。而POI数据的点状分布可以通过其工业、商业、教育等分类很好的表述城郊、乡镇的空间结构特征。除此之外，POI密度与夜间灯光亮度的差距也可以表现这些区域城市基础建设的差异。将夜光遥感和POI数据有效结合，有助于显著描述城郊、乡镇的空间分布特征。

3.3 夜间灯光亮度和微博签到点分布密度的空间耦合分析
3.3.1 夜间灯光亮度高于微博签到点分布密度值的区域分析
       如图17，将夜间灯光亮度高于微博签到密度值的区域做单独显示，以便分析两种数据耦合相异的区域和数据间的差异。如图所示，高-中耦合区主要是围绕核心城区呈环状分布，这部分和 POI密度和夜间灯光亮度部分耦合相异的原因一致，由于夜间灯光探测仪所反映出的人类活动灯光范围比实际范围大而导致的夜光遥感数据溢出现象。
       中-低耦合区域主要分布在围绕中心城区的近郊区域，比如房山区、大兴区、通州区和顺义区，这部分的耦合偏差区域与该区域附近的几条南北交通大动脉吻合度较高。夜间车灯导致该区域范围夜间灯光亮度较高，但是并没有同样密度级别的人类活动，导致微博签到密度略低于夜间灯光亮度的效果。将夜间灯光亮度高于微博签到密度值耦合关系图与北京市一级道路网叠加显示，如图18、19。 可以看出，房山区东南部的带状中-低耦合区域与京港澳高速、京石高速进京的轨迹较为接近，且和107国道由部分耦合；怀柔区、密云区和顺义区三区交界处的条状欠耦合区域附近正是大广高速、101-111国道交错的地区。
       高-低耦合区域分布较少，大多属于零星的点状分布。海淀区北部的片状高-低耦合区域和海淀区的西北旺镇以及苏家坨镇吻合度很高，这两个镇附近有大量的服装加工厂、金属加工厂、机械厂、发电厂、垃圾焚烧厂等，轻工业加工厂会产生较明亮的夜间灯光，而金属加工、发电、垃圾焚烧等产业会产生高亮火光，使这附近区域的夜间灯光亮度较高；然而，这些区域生产生活的工人显然不会产生大量的微博签到信息，因此出现了高-低耦合的现象。




图 17 夜间灯光亮度高于微博签到密度值区域显示



图 18北京市道路网和夜间灯光亮度、微博签到密度结合显示



图 19 北京市道路网和夜间灯光亮度、微博签到密度结合显示


3.3.2 夜间灯光亮度低于微博签到点分布密度值的区域分析
       同样地将夜间灯光亮度低于微博签到点分布密度的区域做单独显示，如图20。从图中可以看出，几乎全部的低-高耦合区域、中-高耦合区域和大部分的低-中耦合区域都集中在海淀区、朝阳区五环以内的位置。海淀区在北京市以聚集各大高校和创新企业闻名遐迩，教授、博士、硕士、大学生数量相当可观，比如被称为中国硅谷的中关村基本囊括了中国一半以上的创新互联网企业；而朝阳区的商业和服务业非常繁荣，北京最新鲜的事物一般从这里出现。这两个区有一个共同的特点，年轻且高知人口密集。根据第六次人口普查数据[16]显示，海淀区大专以上人口占据总人口的47.1%，将近一半，在各个区中超过东西城区排名第一。反观东西城区，根据北京市西城人民政府提供的西城区2016年国民经济和社会发展统计公报[17]显示，2016年西城区60岁及以上的老人有39.2万人，占常住人口总数的比例达26.8%；北京市东城区统计局给出的2017北京东城统计年鉴[18]显示，2016年东城区60岁及以上人口有26.2万人，占常住人口总数的26.8%，65岁以上人口有13.9万人，占常住人口15.8%。按照国际通用标准，一个国家或地区60岁或65岁以上的老人占人口比重达10%或7%，即进入老龄化社会，如表2所示。东西城的数据显示，基本上每5个人中就有一个60岁以上的老人，老龄化情况显而易见。而微博的用户群是以年轻人为主，根据2016年新浪微博用户发展报告[19]，微博月活跃用户中30岁以下用户超过八成，是微博的主力人群，使用微博问答的答题博主以精英男性为主，答题者主要来自医生、摄影师等高端职业人群。此外，根据李杨等人的北京市人口老龄化的时空变化特征[20]一文的研究结果，北京市各城区老龄化率最高的为东西城区且老龄人口比重呈现出圈层结构特征；海淀、朝阳、石景山、丰台、顺义等近郊区与全市相比老龄化程度较低；到房山、大兴、通州、平谷、密云、怀柔、延庆、昌平、门头沟等远郊区老龄人口比重又有所回升。根据北京市2016年老年人口信息和老龄事业发展状况报告[21]提供的数据制作北京市老龄化比重分布图，如图21所示，其老龄化比重较低也就是年龄结构较年轻化的区域与微博签到点密度高于夜间灯光亮度的区域有一定的吻合性。



表2 北京市分区户籍老年人口数量情况



图20 夜间灯光亮度低于微博签到点密度区域显示



图21 2016年北京市老龄化比重分布图


       夜间灯光亮度和微博签到密度分布均属于固定范围与时间段内的动态数据，在某些地区有煤炭焚烧、金属冶炼或是夜间行车等情况会导致夜间灯光亮度表现很好，但这并不能说明该地区的经济情况，也不能充分反映人类活动。新浪微博用户签到数据能够反映用户在城市中的空间分布情况，但是微博的用户群有一定的年龄段偏好，在年龄结构明显的地区也会出现分布偏差，不能够精准的表现人类活动情况。因此，将微博签到数据和夜间灯光亮度数据相结合，有助于精细化描述城市活动的强度及范围。


3.4 POI分布密度和微博签到点分布密度的空间耦合分析


       采用符号计数统计将POI分布密度和微博签到密度呈高耦合的区域进行提取计算，结果高耦合的区域比例达93.23%。
      将POI和微博签到分布密度的高、中、低评价字段做分级展示，并且剔除掉完全耦合的高-高、中-中、低-低耦合部分后如图25显示。首先POI大于微博签到数的部分仅存在高-中耦合，分布范围集中在海淀、西城区、东城区等核心城区。这说明在这些区域城市基础设施建设具有前瞻性，基础设施非常完善。因此出现POI密度高于微博用户签到密度的现象。
     POI小于微博签到部分的数据分布与夜光值小于微博签到分布极其相似，如图26所示，可以认为两者有相同的耦合相异理由。




图25 POI大于微博签到数区域显示



图26 POI小于微博签到区域

4 结论与展望
       本文通过对2016年北京市的夜间灯光遥感数据和POI数据以及夜间灯光遥感数据和新浪微博用户签到数据的空紧耦合关系进行研究，分析探讨以上两组数据耦合差异区域出现的原因并解释其余城市空间结构的关系，并进一步对北京市空间分布进行研究。得到以下主要结论：（1）夜间灯光亮度和POI分布密度，夜间灯光亮度和微博签到密度，POI分布密度和微博签到密度三组数据都呈现出空间高耦合状态，在北京市的空间布局高度一致，耦合关系相同的区域比例分别达92.26%、92.86%和93.23%。在地图上的分布也均呈现出环状由中心六城区向郊区方向扩散的走势。说明在进行城市空间结构分布的研究时，这三种数据有很好的配合度和适用性。
（2）夜光遥感数据和POI分布密度空间耦合差异的区域可以对城市部分区域的空间结构做详细化探究，例如一些经济开发区、车站、机场、城市新建区等大范围同质性区域。同时POI密度和夜间灯光亮度两种数据对人类活动的表达也各有其优缺点，夜光遥感影像可以清晰的表述人类活动而产生的灯光强度，但是对一些区域的具体功能特征却无法区分，比如同样的灯光高强度区可能是繁华的城市中心也有可能是机场或是工地。POI作为一种点状数据对较小范围内的经济人口情况的表达比较到位，但是在一些大范围的同功能区域，点状数据的不均匀表达会使这些区域出现不合理表征。
（3）夜间灯光亮度和微博签到密度分布这组数据耦合程度更高，差异方面除了夜间灯光溢出效应外，其余差异地区属于城市特殊区域所带来的数据分布特殊性以及数据本身的适用范畴。例如在一些煤炭焚烧、金属冶炼或是夜间行车等活动发生的区域会出现夜间灯光异常高亮的情况；微博签到行为发生的目标人群年龄结构也会使其分布密度出现区域性偏差，在人口偏年轻化的海淀区和朝阳区易出现高值，而在老龄化较严重的东西城区也有反常存在，且其老龄化比重较低也就是年龄结构较年轻化的区域与微博签到点密度高于夜间灯光亮度的区域有一定的吻合性。
（4）POI和微博签到数分布密度的耦合关系中，POI大于微博签到数的部分仅存在高-中耦合，分布范围集中在海淀、西城区、东城区等核心城区，这说明在北京市城市化高度完善的区域已经出现了基础建设POI供给大于人类生活需求的情况。POI小于微博签到的部分与夜光亮度小于微博签到的区域具有分布一致性，故而具有同样的相异原因。
对城市空间结构的研究应该是囊括经济、工业、教育、生活、医疗、娱乐等全方位多领域的综合分析，这也是本文局限性所在，本文仅针对人类活动所带来的经济状态进行了研究，时间段只有2016年一年，在时效性和时序性上也有所不足，空间耦合的分析也是以定性分析为主。今后应针对此命题，对POI数据、夜间灯光遥感数据和新浪微博用户签到数据进行长时间序列的定量分析研究，对北京市5-10年内的城市发展变化进行分析，进一步探究这三种数据对城市空间结构的表征效果。

海一滴

文章来源是哪里

皇城中人

我自己写的，发到遥感信息

塰鵼飛陽

请问VIIRS-VNP46A2数据下载后，需要做几何校正和大气校正吗？我看到好多文章都直接裁剪后就用了。

土豹

年数据是不需要的，月数据需要去除异常值，日数据就需要从几何校正一步一步处理了

中俄友谊源远流长

奥奥，好的，谢谢。[赞]

崔旭潮

你好，可以将你的微博签到数据集分享给我吗

施月强

您好，看您这个数据归一化到0-75，如果归一化到0-1有什么影响和区别吗？

鲁人

您好，我想问一下您的微博签到数据是通过微博api获取的吗 还是模拟登录爬取的啊？[思考]

行不更名坐不改姓

这个用的好像是16年的微博数据，那时候api还能用，现在早就没了