生态环境是人类生存依赖的物质基础和必不可少的空间条件^[1]。MA报告^[2]指出, 在评估的24项全球生态系统服务功能中, 有15项(占总数60%以上)正在退化, 生态系统服务功能不断下降, 生态环境逐渐降低。TEEB研究成果^[3]揭示全球生态环境正遭受威胁。Costanza等^[4]研究结果表明近年来土地利用方式的改变造成全球生态环境质量下降。刘爱琳等^[5]研究发现中国近15年来城市和工矿用地扩张对NPP降低具有显著影响。生态环境质量的降低, 将会直接威胁区域乃至全球生态安全^{[2, 6]}。植被净初级生产力(Net primary productivity, NPP)是指绿色植物在单位时间单位面积通过光合作用产生有机物质总量扣除自养呼吸后剩余部分^[7], 是陆地生态系统重要组成之一, 在生态环境研究中运用广泛^{[1, 8]}。NPP作为生态系统服务功能重要指标, 能够有效反应城镇化带来的生态环境问题^{[5, 9]}。目前常见的NPP估算模型主要有气候生产潜力模型(统计模型)、光能利用率模型(参数模型)、生态系统过程模型(机理模型)^[10]。MOD17A3-NPP产品, 参考BIOME-BGC模型与光能利用率模型拟合得到的陆地生态系统NPP^[1], 被国内外学者运用在不同区域植被生长状况、生物量估算、生态环境变化等方面^[11]。

城镇扩张是一个涉及经济、人口、地域空间等诸多方面复杂过程, 城镇开发程度能够有效反应城镇扩张现象^[12]。目前常用城镇开发程度测算方法包括主要指标法和复合指标法, 人口概念的差异性、单一指标的片面性、复合指标的地域性以及统计数据的滞后性等因素使得计算指标在适用性、可比性、及时性等方面存在不足。因此, 构建能够综合反映城镇发展特征, 在快速获取数据同时具有较高可比性的城镇开发程度指标成为目前急需解决的问题。近些年遥感技术的快速发展为解决该问题提供了技术支持。

DMSP/OLS夜间灯光影像是美国军事气象卫星(Defense Meteorological Satellite Program, DMSP)搭载的OLS传感器(Operational Linescan System)获取的数据, 能探测到城市夜间灯光, 是监测人类活动良好的数据源^[13-14]。DMSP/OLS夜间灯光数据已经成功地被国内外学者运用于城市发展研究^[15], 经济发展水平研究^[16-17], 电力能源消费量研究^[14]以及城市化对生态环境影响研究^[18]等领域。目前, 根据植被覆盖变化^[19]、土地利用变化^[20]、潜在NPP变化^{[8, 21]}等指标分析人类活动变化对生态环境影响研究较多, 使用夜间灯光数据量化城镇开发程度表征人类活动研究较少^[18]。以往研究区主要集中在区域^{[8, 20]}、省^[1]、市行政区划^[18], 研究单元很少涉及县域或更小尺度。本文在像元尺度探讨城镇开发程度与NPP关系, 可以精确表征城镇开发程度及NPP动态变化, 准确反映两者时空关联特征, 有效分析城镇开发程度变化对NPP影响, 对制定差异化的区域生态保护政策具有重要意义。

本文基于MODIS17A3数据和DMSP/OLS稳定夜间灯光数据, 构建城镇开发程度指数, 采用一元线性趋势分析法对城镇开发程度进行分区, 分析太湖流域城镇开发程度与NPP相关系数的动态变化规律, 并运用热点分析模型研究土地利用转型对NPP变化影响, 为区域生态可持续发展提供参考依据。

1 研究区与数据来源 1.1 研究区概况

太湖流域位于长江三角洲核心区域(119°11′—121°51′E, 30°28′ —32°15′N), 北抵长江, 东临东海, 南滨钱塘江, 西以天目山, 茅山为界(图 1)。行政区划包括江苏省苏南地区, 浙江的嘉兴、湖州以及杭州市一部分, 上海的大部分区域, 流域面积3.69万km²。流域地势呈西高东低, 地貌主要包括丘林山地及平原两类, 其中丘林山地位于流域西南部, 而平原区主要分布在流域北、东和南部, 占流域面积的80%。地处亚热带季风气候, 年降雨量1010—1400 mm, 全年平均气温15.6℃。根据《中国统计年鉴2011》可知, 太湖流域以占全国0.38%的国土面积、占全国4.8%人口, 并产生全国11.6%的GDP, 生态环境承载压力大^[22]。

1.2 数据来源及预处理

(1) 土地利用数据  太湖流域2000和2010年2期土地利用数据由中国科学院南京地理与湖泊研究所湖泊-流域科学数据中心提供(http://lake.geodata.cn/)。结合太湖流域土地利用现状, 将土地利用类型分为耕地、林地、水域、建设用地和未利用地五大类。

(2) NPP植被净初级生产力数据  数据来源于美国国家航空航天局网站(https://modis.gsfc.nasa.gov/), 本文使用太湖流域MOD17A3 NPP数据, 空间分辨率1 km, 单位为gC m^-2 a^-1。获得2000—2010年共11年MOD17A3_h28v05区域影像数据, 通过ENVI 5.1对数据进行裁剪、重采样等预处理。MOD17A3产品有效值为0—65500, 超出该数值范围均为无效数值。

(3) DMSP/OLS夜间灯光数据  数据来源于美国国家地理数据中心网站(http://ngdc.noaa.gov/eog/dmsp)。夜间灯光数据包含3种全年平均产品：无云观测频数、平均灯光数据、稳定灯光数据。稳定灯光数据涉及城市、乡镇及其他光源区域, 去除天然气燃烧、火光等偶然噪声, 对全年VRIN通道灰度值平均化处理, 灰度值范围0—63, 灯光亮度值越高的区域灰度值越大^[14]。基于全球F152000-F182010稳定夜间灯光数据, 采用Envi 5.1裁剪出太湖流域夜间灯光数据, 将WGS-84原始地理坐标投影转化为Lambert等积方位投影, 重采样生成1 km×1 km格网栅格。

2 研究方法 2.1 城镇开发程度估算

已有研究表明, DMSP/OLS稳定夜间灯光数据能够有效识别城镇范围和监测城市动态变化^[23-24]。Zhou等^[23]通过夜间灯光数据分析南亚城镇扩张时空格局变化。Ma等^[24]提出夜间灯光数据的明亮梯度算法研究城镇变化特征。由于原始影像数据的不连续性以及饱和现象的存在^[15], 以F16_20051128-20061224_rad_v4影像作为辐射定标依据, 采用不变目标法对太湖流域夜间灯光数据进行饱和校正^[25], 并对影像进行连续性校正^[26]。使得不同影像间具有连续性以及可比性, 并减少像元的饱和效应。

本文借鉴土地利用程度概念^[20], 构建城镇开发程度指数(Urban development level, UDL), 用来表征人类活动。其公式为：

式中：U为研究区域的城镇开发程度综合指数；D_i为第i级夜间灯光像元值(校正前像元值范围为0—63)；P_i为第i等级的夜间灯光像元值面积百分比；ΔU_b-a为城镇开发程度综合变化指数, 如果ΔU_b-a为正数, 则表明该区域b时间城镇开发程度指数大于a时间城镇开发程度指数；否则相反。U_a、U_b为时间a和时间b对应第i等级城镇开发程度面积百分比。

2.2 变化趋势分析

采用一元线性回归分析方法模拟区域2000—2010年每个像元栅格的变化趋势^[18]。其中回归方程y=a+bx中斜率b可以表示自变量的变化趋势。本文设置时间为自变量, 因变量为1 km像元的城镇开发程度指数, 根据最小二乘算法, 计算变化趋势斜率。其公式为：

式中：b为趋势斜率；n为时间点数量；i为时间；S_i为各像元统计量。

2.3 相关系数分析

采用Pearson相关系数法计算太湖流域NPP与UDL在时空尺度上相关系数的变化趋势。相关系数(R_xy)计算公式如下：

式中：n为年份序号；x_ij为NPP在第i年第j个像元的值, 为2000—2010年11年间NPP第j个像元的平均值。同理, y_ij为UDL第i年第j个像元的值, 为2000—2010年11年间UDL第j个像元的平均值。

2.4 热点分析

Getis-Ord G_i^*指数用于识别不同的空间位置上的高值簇和低值簇, 即热点区与冷点区的空间分布^[27]。引入Getis-Ord G_i^*指数, 定量研究太湖流域NPP变化的空间格局分布特征。使用ArcGIS 10.1中空间分析工具热点分析(Getis-Ord G_i^*), 得到结果P值和Z得分。P值表示概率, Z得分是标准差的倍数。0.01, 0.05和0.1是典型概率, Z得分对应的典型置信区间90%, 95%和99%的值分别在＜-1.65或＞1.65, ＜-1.96或＞1.96和＜-2.58或＞2.58。如果Z得分为正, 且显著, 表明位置i周围的NPP值相对较高(高于均值), 属NPP高值空间集聚(热点区)；反之, 如果Z得分为负, 且显著, 则表明位置i周围的NPP值相对较低(低于均值), 属NPP低值空间集聚(冷点区)。

3 结果与分析 3.1 NPP时空变化特征

从图 2可知, 2000—2010年太湖流域年均NPP总体呈现波动下降趋势, 11年平均值为422.65 gC m^-2 a^-1。2001年年均NPP最大值为452.54 gC m^-2 a^-1, 而2005年年均NPP值最小为388.79 gC m^-2 a^-1。多年平均NPP主要集中在400—600 gC m^-2 a^-1之间, 占流域总面积的31.26%—48.37%, 该等级2000年占流域总面积比例最高。其次是年均NPP＜200 gC m^-2 a^-1等级, 该等级占流域总面积变化趋势较小, 稳定在27.75%—27.95%之间。年均NPP在200—400 gC m^-2 a^-1等级占流域总面积最小, 变化范围为1.47%—6.54%。

2000—2010年太湖流域年均NPP空间分布如图 3所示。流域西南部植被净初级生产力保持高值状态, 生态环境较好。高值区主要分布在天目山脉以南, 涉及临安市、安吉县、湖州市、德清县和杭州交界处, 长兴县与宜兴市交界处。该区域属于森林禁伐区, 人类活动较少, 植物资源丰富。流域东北部的常熟市、太仓市以及流域东南部杭嘉湖平原涉及的平湖市和嘉兴市地形平坦、土壤肥沃、气候条件优越, 耕地生产力高, 同样具有较高的植被净初级生产力。太湖流域西北部句容、金坛、溧阳受地形起伏以及粮食生产本底限制, 植被净初级生产力不高。城市建设用地周围植被净初级生产力保持低值状态。

3.2 城镇开发程度分析

相关研究表明夜间灯光数据与国内生产总值GDP、建成区面积、非农人口、非农人口比例具有较好的相关性。统计太湖流域各市县2000—2010年GDP总值(百亿元)、建成区面积(km²)、非农人口数(万人)、年末总人口(万人), 对比城镇开发程度总值UDLsum与GDP总值、建成区面积、非农人口和非农人口比例数据情况。如图 4所示, 流域GDP总值、建成区面积、非农人口和非农人口比例逐年增加, 城镇开发程度指数的总值也呈现增加趋势。2000—2010年城镇开发程度总值UDL_sum与GDP、建成区面积、非农人口和非农人口比例四组关系的R都高于0.9, R²都高于0.83, 且F值较大, F检验的显著性概率Sig值小于0.01, 4组数据均通过显著性检验, 相关性较好。基于夜间灯光数据构建的城镇开发程度指数能够综合反映经济水平、城镇边界扩张、非农人口比例等城镇发展特征, 有效表征城镇扩张现象。

2000—2010年太湖流域城镇开发程度空间分布如图 5所示。2000年太湖流域开发程度高值区主要分布在上海市、苏州市、无锡市、常州市等地市中心, 而宜兴市、溧阳市、海宁市等地城镇开发程度指数偏低, 但这些地区已经初具规模, 并在空间形成集聚效应。2000年流域城镇开发程度低值区广泛分布, 人类对流域开发处于较低水平。2010年太湖流域城镇开发程度高值区分布在流域东部、北部以及东南部, 而流域西南部和西部的城镇, 比如安吉县和长兴县, 城镇开发程度相对较低。2000—2010年, 太湖流域城镇开发程度主要围绕2000年各地市中心城区往四周扩散增加, 流域北部、东部以及东南部平坦的地形、便捷的交通, 人类活动剧烈, 城镇开发程度快速增加。流域西南部以及西部地区受地形等自然因素影响, 城镇开发程度增加缓慢。

3.3 NPP与城镇开发程度格局

一元线性回归分析可在一定程度上消除异常天气对夜间灯光的影响, 能够有效分析城镇开发程度时间变化规律。选取0值与趋势变化平均值为阈值, 由于UDL变化趋势均值为正值, 故将UDL变化趋势小于0值归为降低区, 0—UDL_mean归为缓慢增加区, UDL_mean—2UDL_mean归为增加区, 大于2UDL_mean归为快速增加区。

3.3.1 UDL指数变化趋势

2000—2010年太湖流域城镇开发程度指数(UDL)变化斜率为正值, 流域城镇开发程度总体呈现增加趋势(图 6)。UDL快速增加区域主要分布在流域北部中心城区外围, 中心城区快速扩张, 侵占周围耕地和水域, 城镇开发程度较高。UDL增加区域主要分布在流域各市县中心城区, 流域北部UDL快速增加区带动周边发展, 城镇开发程度增加区域扩大。上海市和杭州市具有良好的社会经济基础以及丰富的劳动力资源, 导致该区域城镇开发程度增加。流域东南部平湖市、嘉兴市、桐乡市等地, 受上海与杭州两地辐射带动发展, 城镇开发程度逐年增加。宜兴市东南部龙背山森林公园以及安吉县与德清县交界莫干山脉等地城镇开发程度降低。

3.3.2 NPP与UDL时间变化趋势

在ArcGIS 10.1软件中使用Spatial Analyst tools工具里面Band Collection bands功能统计11年不同分区内NPP与UDL的相关系数。从图 7可以看出, 城镇开发程度增加区UDL与NPP保持较高的负相关关系, 相关系数最大值为-0.570, 最小值为-0.697, 标准差为0.035, 波动幅度较小且离散程度小, 表现出一定的递增趋势；快速增加区UDL与NPP保持负相关, 相关系数最大值为-0.166, 最小值为-0.354, 标准差为0.054, 相关系数波动较大且离散程度较高, 呈现出增加趋势；降低区UDL与NPP同样保持负相关, 相关系数最大值为-0.036, 最小值为-0.202, UDL与NPP相关系数先增加后减少, 波动幅度和离散程度远高于其他3个区域, 缓慢增加区URL与NPP在y=0水平轴上下波动, 标准差与离散度均最小, 波动较小。城镇开发程度缓慢增加区对NPP影响较小, 而增加区与快速增加区对NPP变化影响较大。

3.3.3 NPP与UDL空间变化趋势

本文通过计算2000—2010年太湖流域NPP与UDL的相关系数分析空间差异性。以1 km²的像元数据为基本单元, 将11年NPP栅格数据与UDL栅格数据导入matlab中, 计算两者空间上的相关系数, 如图 8所示。其中太湖流域11年间UDL指数降低区域仅占流域总面积的0.54%, 故可只考虑UDL指数为正值情况。经统计, NPP与UDL在空间上呈现负相关占流域总面积的46.57%, 流域各地处于社会经济快速发展阶段, 城镇开发程度增加, NPP年均值减少成为流域主要趋势。从遥感影像上无法有效判断城镇开发程度的增强是流域植被净初级生产力减少的主要因素, 因为流域植被净初级生产力与城镇开发程度同步增加也占流域总面积的29.47%。NPP与UDL指数在空间上表现不相关也占流域总面积23.96%。

按照城镇开发程度分区统计, 涉及较小面积的城镇降低区相关系数均值为-0.07, 占流域总面积51.29%的城镇缓慢增加区相关系数均值为-0.04。城镇降低区与城镇缓慢增加区的NPP与UDL相关系数较小, 表明该区域内城镇开发建设对NPP变化影响不大。占流域总面积36.55%和11.62%的城镇增加区与城镇快速增加区相关系数均值分别为为-0.1和-0.21, 该区域NPP受城镇开发程度影响较大。在太湖流域城镇开发过程中, 通过有序引导城镇缓慢扩张, 实现区域空间城镇化、人口城镇化与经济城镇化协调发展, 可以有效降低城镇扩张对生态环境影响。

3.4 土地利用转型对NPP的影响

土地利用转型是反映城镇开发程度的重要因素, 在ArcGIS 10.1中使用热点分析工具(Getis-Ord Gi^*)识别2000—2010年NPP变化趋势的高值(热点)以及低值(冷点)在空间上的显著集聚, 分析土地利用转型对NPP变化的影响。图 9显示NPP变化趋势的冷热点空间分布信息。当P＜0.01时, NPP变化热点区域主要分布在流域西南部、西部以及上海南部, 冷点区域主要集中在流域东南部、上海的东部以及流域北部主城区外围。2000—2010年热点区未发生土地转型的耕地和林地面积为355 km²和357 km², NPP分别增加32.85×10⁶gC和47.09×10⁶gC。热点区土地利用类型转型主要发生在耕地转林地, 2000年41 km²耕地在2010年转变为林地, NPP相应增加4.39×10⁶gC(见表 1和表 2)。11年间冷点未发生土地利用转型的建设用地面积为591 km², NPP减少63.94×10⁶gC, 建设用地开发强度的增加致使该区域NPP快速降低。冷点区土地利用转型主要发生在耕地转建设用地、林地转转建设用地以及水域转建设用地之间。2000年677 km²的耕地在2010年转变为建设用地, NPP减少76.08×10⁶gC。同时32 km²的林地以及47 km²的水域转为建设用地, NPP分布相应减少3.26×10⁶gC和4.75×10⁶gC。随着太湖流域城镇开发程度增加, 2010年NPP总值变化冷点区涉及的建设用地总共减少148.03×10⁶gC, 占流域NPP总值变化冷点区的44.87%。太湖流域建设用地面积的快速扩张以及由此所导致的城镇开发程度的增加, 是流域NPP降低的主要原因。

4 结论与讨论 4.1 结论

本文采用DMSP/OLS稳定夜间灯光数据构建城镇开发强度指数, 运用多指标验证其表征城镇扩张的合理性, 分析太湖流域城镇开发程度与植被净初级生产力时空格局演变特征, 并探讨土地利用转型对NPP变化的影响。结论如下：

(1) 2000—2010年, 太湖流域年均NPP变化范围是388.79—452.54 gC m^-2 a^-1, NPP变化呈现波动下降趋势。年均NPP主要集中在400—600 gC m^-2 a^-1, 占流域总面积31.26%—48.37%。NPP高值区分布在流域西南部及东南部, 低值区广泛分布。

(2) 2000—2010年, 太湖流域北部、东部以及东南部的城镇开发程度快速增加, 西南部以及西部地区增加缓慢。城镇开发程度缓慢增加区对NPP影响较小, 而增加区与快速增加区对NPP变化影响较大。

(3) 2000—2010年, NPP变化热点区土地利用类型转型主要发生在耕地转林地, 冷点区主要发生在耕地转建设用地、林地转转建设用地以及水域转建设用地之间。太湖流域建设用地面积的快速扩张以及由此导致的城镇开发程度的增加, 是流域NPP降低的主要原因。

4.2 讨论

(1) 本文基于MODIS-NPP产品数据计算的2000—2010年太湖流域NPP平均值为422.65 gC m^-2 a^-1, 与王琳等^[28]结果(506.6 gC m^-2 a^-1)接近, 高于戴靓等^[29]结果(168.8 gC m^-2a^-1)。研究区范围、时间序列长度、数据源、估算模型差异等都是影响测算NPP差异的主要原因^[10]。依托一元线性回归分析, 计算11年流域城镇开发程度(UDL)总体变化趋势, 可在一定程度上消除异常天气对夜间灯光的影响, 能够有效分析城镇开发程度时间变化规律。

(2) 城镇开发程度的增加导致NPP减少成为流域主要趋势, 部分区域出现NPP增加而城镇开发程度降低的格局。近些年宜兴市东南部龙背山森林公园的建设以及上海、苏州等地“四类”公益林和“四旁”林的生产与保护工程实施, 改善了区域生态环境。但是大多数城镇开发程度增加区域主要位于建设用地周围, 具有较低的NPP。2010年NPP总值变化冷点区涉及的建设用地总共减少148.03×10⁶gC, 占流域NPP总值变化冷点区的44.87%。因此, 太湖流域城镇扩张是流域NPP降低的关键因素, 与徐昔保等人研究结果一致^[30]。因此要从区域实际情况出发, 改善人们对建设用地在生态环境中价值认知, 完善城市绿地系统规划, 提高城市生态环境价值, 构建良好的生态安全格局^[31]。

(3) 太湖流域应当走适度扩张的绿色城镇化道路。由于太湖流域城镇开发程度缓慢增加区对NPP影响较小, 而增加区与快速增加区对NPP变化影响较大。因此, 应当适当控制流域城镇化速度, 适当放缓城镇扩张水平, 可有效降低城镇扩张对生态系统的影响程度, 促进城镇扩张与生态保护协调的绿色城镇化发展。