随着全球城市化的持续推进, 当前城市间的发展和竞争不再仅仅局限于单个城市, 而越来越多的呈现出“一超多强”的城市群竞争发展模式。作为城市发展的最高空间组织形式, 城市群通过依托区域内完善的交通、通信等基础设施网络, 有效的将区域内多个城市聚集并形成空间组织紧凑、经济联系密切的城市“集合体”。目前, 城市群已经成为了中国经济高速发展的核心引擎, 其中长三角、珠三角和京津冀组成的三大城市群的GDP占比已经超过了40%^[1]。然而, 随着城市群经济高速发展、城市化持续推进, 地区人类活动强度不断上升(建设用地扩张^[2-5]、热岛效应^[6-8]、大气污染^[9-10]等), 致使自然和生态环境面临极大的压力。在城市化和生态环境相互作用的过程中, 一方面高强度的城市化势必会干扰甚至破坏地区生态环境, 而另一方面生态环境的恶化反过来又会制约城市化和可持续发展。

城市化和生态环境在地区发展过程中的特征和矛盾已经引起了诸多学者的关注。其中, 方创琳等^[11]从理论层面分析了城市群系统内自然要素和人文要素间的交互耦合特征, 并构建了时空耦合动力学模型。魏璐瑶等^[12]基于统计面板数据, 从多个维度构建了耦合协调度模型并对哈长城市群的城市绩效与生态环境进行了耦合分析。梁龙武等^[13]选取京津冀城市群为研究对象, 基于系统指数评估模型和耦合协调度模型对城市化和生态环境系统进行定量评估和协同判定。任亚文等^[14]立足“人-地耦合”视角并基于社会经济统计数据构建指标体系, 定量评估了长江经济带城镇化与生态环境的耦合关系。总体上, 上述城市化和生态环境的耦合协调分析多基于面板统计数据而缺乏详细的空间信息, 在一定程度上不利于研究的进一步细化。

近年来, 传感器、物联网和遥感技术的发展以及计算机处理水平的提高, 为地区城市化和生态环境监测、评估提供了技术支撑。其中, 遥感技术具有覆盖面广、空间和时间尺度多样、光谱信息丰富、观测灵活及数据获取方便等优势, 已成为地理环境监测(土地利用/覆被变化^[15-17]、植被变化^[18-19]、热岛监测^[20-21]等)和城市化分析(GDP^[22-23], 人口^[24-25], 电力^[26]等)的重要手段。考虑到日间光学遥感和夜间灯光遥感在揭示生态环境状况和城市化特征方面的各自优势, 学者们开始尝试整合2种类型的遥感数据开展城市化和生态环境的耦合研究。例如, 李景刚等^[27]利用DMSP/OLS夜间灯光数据和SPOT/VGT数据探索了环渤海城市群城市化对植被初级生产力的季节性变化影响。刘焱序等^[28]基于夜间灯光数据和净初级生产力价值量探索了晋陕蒙能源区城镇化过程与动态强度对生态环境的影响。然而, 上述研究中的生态环境分析多局限于单一的生态指标, 无法反映地区的综合生态状况。

相较于传统的单一遥感指数的生态评价, 由徐涵秋提出的完全基于遥感信息的生态环境指数(RSEI)通过集成多种指标因素, 能够快速的实现区域生态环境综合评估^[29-31]。该指数通过整合绿度、湿度、热度、干度四个生态指标来综合反映区域生态环境, 并通过主成分变换实现多维指标的聚合克服了单一指标的不足。实际上, 廖李红等^[32]也基于DMSP/OLS夜间灯光数据和Landsat系列数据构建了灯光指数和RSEI, 对晋江市的生态环境和城市化进行了小范围耦合分析, 进一步拓展了RSEI的应用场景。

作为中国经济最活跃、开放程度最高的地区, 长三角城市群在国家现代化建设和全方位改革开放中占据战略地位。党的十八大以来, 长三角城市群的一体化发展成效显著, 已经成为中国城市化最典型的区域。高速城市化发展的背后, 地区生态环境状况面临的压力也日愈严峻。保持长三角城市群高速、高质量推进城市化的同时, 注重地区生态环境保护, 实现经济发展与环境协调已经成为城市群建设中亟需解决的关键问题。鉴于此, 本文以长三角城市群为研究区, 利用MODIS数据和夜间灯光数据, 基于Google Earth Engine平台分别建立城市群灯光指数和生态环境指数, 分析并探索过去20年间长三角城市群生态环境、城市化的变化特征及其耦合水平。研究可以为协调城市群环境承载力与社会经济发展的关系、促进长三角城市群可持续发展提供数据支撑和理论建议。

1 研究区和数据来源 1.1 研究区概况

长江三角洲城市群位于长江下游地区, 濒临黄海与东海, 地处江海交汇之地, 沿江沿海港口众多。根据2019年长江三角洲区域一体化发展规划纲要, 规划范围正式定为苏、浙、皖、沪三省一市的全部区域^[33]。当前, 长三角城市群包括了上海市、安徽省16个地级市、江苏省13个地级市和浙江省11个地级市, 共计41个城市(图 1)。因此, 现阶段长三角城市群的面积远远超过了以往任何时期, 达到了35.9万km², 常住人口达到了约2.3亿人, 占全国总人口的16.22%。

1.2 数据来源 1.2.1 MODIS影像数据

构建RSEI涉及4个生态分量, 分别是绿度、湿度、热度和干燥度, 因此本文根据这4个分量从MODIS产品库中选择对应的标准产品作为数据源。USGS下属的NASA Land Processes Distributed Active Archive Center (LPDAAC) Collections在1B级数据的基础上提供了针对不同应用场景的标准数据产品, 包括：Land Surface Reflectance, Land Surface Temp and Emiss, Vegetation Indices, 其中：

绿度分量提取自Vegetation Indices产品中的MOD13A1 V6影像集。该影像以500m的空间分辨率提供每个像素位置的植被指数(Ⅵ)并使用16天内的最优像素进行合成。热度分量提取自Land Surface Temp and Emiss产品中的MOD11A2 V6影像集。MOD11A2 V6影像提供了1km空间分辨率的8天平均陆面温度^[34]。此外, 该产品从2级和3级地表温度产品中删除了受云层污染的像素以提升数据质量。湿度和干燥度分量则来源于Land Surface Reflectance产品中的MOD09A1影像集。MOD09A1 V6影像提供了针对大气条件(如气体, 气溶胶和瑞利散射)校正的Terra MODIS波段1至7的表面光谱反射率估计值, 对于每个像素, 该产品以8天为周期进行像素合成。

1.2.2 夜间灯光数据

得益于近年来传感器技术的快速发展, 使得观测地表动力学变化的窗口越来越丰富。其中, OLS和VIIRS为代表的夜间微弱灯光探测传感器的出现为开展人类活动强度的研究提供了新的关键手段。本文在研究期间内分别选取了2000, 2005, 2010, 2015和2019共计5年进行人类活动对生态环境影响分析。考虑到灯光数据的时间跨度, 2000, 2005和2010年的灯光数据来源于DMSP/OLS的Stable Light (STL), 而2015和2019年的灯光数据则来源于Suomi NPP/VIIRS Cloud Mask (VCM)。STL是1992年至2013年期间由六颗卫星组成的年度无云观测数据的组合。VCM数据集提供了Day/Night Band的月平均值, 并排除了杂散光, 闪电, 月球照明和云层影响。为了降低数据本身存在的误差, 本文对多期月均VCM数据进行了均值合成并将其与STL进行必要的重采样和投影。

2 研究方法 2.1 RSEI的构建

RSEI被定义为绿度分量、湿度、热度分量和干度分量的函数, 即：

(1)

式中, Greeness为绿度指标, 本文采用了MOD13A1中的NDVI指数。Heat是热度分量, 本文使用MOD11A2的Daytime Land Surface Temperature (DLST)进行表征。Wetness和Dryness则分别是湿度分量和干度分量。其中, 湿度分量使用多光谱影像经缨帽变换后的第三分量进行表征^[35-36], 干度分量则利用Hu和Xu构建的Normalized Difference Built-up and Soil Index (NDBSI)来刻画^[37]。基于MODIS数据计算得到4个生态分量后, 使用主成分分析(Principal Components Analysis, PCA)来实现多指标的合成以避免人为主观因素在权重设定过程中的偏差^[29]。由于以上4个分量的量纲不统一, 需要将上述指标进行正规化再进行PCA运算并以第一主成分(PC1)来构建RSEI。此外, 为了利于研究期内的横向比较, 还需再次将PC1值进行标准化处理。

2.2 灯光数据的校准及指数构建 2.2.1 灯光数据的校准

就像先前学者指出的那样, DMSP/OLS的灯光数据在整个时间跨度内由6颗不同卫星获取, 这就导致灯光数据会因为传感器差异和传感器自身性能衰退产生两个显著的“异常”：1)同一传感器在连续的时间序列上呈现波动异常；2)同一年份, 来自不同卫星传感器的影像出现漂移^[38]。上述这两种异常极大的限制了DMSP/OLS灯光数据在时间序列分析上的应用精度, 并引起了诸多学者的关注。为了修复DMSP/OLS灯光数据的异常, 本文使用了一种基于像素本身波动特征伪不变目标校准模型(PBPIF)^[38]以获取研究区的2000, 2005和2010年的校准灯光数据。

由于2015和2019年的灯光数据来源于VIIRS VCM数据集, 因此同前三年灯光数据在时间维度上存在着不一致性和不可比性, 无法直接应用于本文的研究。为了实现VCM数据和STL数据的对齐, 本文使用了Li等^[39]提出的校准模型, 将研究区的VCM数据合成为与STL相一致的模拟灯光数据, 并在此基础上利用低通高斯滤波进行噪声消除, 实现灯光数据的匹配^[40]。

2.2.2 灯光指数的构建

基于校准、对齐后的夜间灯光影像, 本文构建了综合夜间灯光指数(CNLI)来反映地区城市化水平和地表人类活动强度。该指数在陈晋等^[41]人的研究中被充分证实与中国的城市化复合指标之间存在显著的相关性, 能够在较大区域上实现多年的城市化信息提取。CNLI被定义为某一地区灯光面积占比(LAP)和平均灯光强度(MLI)的乘积, 其公式为：

(2)

(3)

(4)

式中, Area_light代表灯光区域的面积, Area则为区域的总面积；DN_i是灯光像元的灰度值, C_i是灯光值为DN_i的像元数量。

2.3 耦合协调距离模型

为了定量评估长三角城市群内部城市化水平与生态环境的耦合协调性, 本文在借鉴已有耦合度模型^[42-44]的基础上提出了一种二维平面的耦合模型。图 2描绘的是已有的双系统耦合模型函数, 该函数中Z值被用于定量刻画变量间耦合度。为了降低模型函数的维度, 本文基于函数在“X-Y”平面的映射构建了耦合协调距离模型。该模型以城市CNLI为横坐标, RSEI为纵坐标, 绘制“城市化—环境”坐标点。与传统耦合模型类比可以发现, 当城市的城市化水平和生态环境协调耦合程度越高, 则“城市化—环境”坐标点将越接近“1:1”对角线。因此, 城市的“城市化—环境”坐标点与坐标系对角线的距离越小, 则耦合程度越高。图 2中, 城市B较城市A而言, d_B1 < d_A1故城市B的城市化与生态环境的耦合性更高。此外, 当城市C与城市B与对角线距离相同时, 本文还引入了城市坐标点与极限点(1, 1)的距离来进一步区分。故而, 耦合协调性距离d被定义为“城市化—环境”坐标点与对角线和极限点的距离之和, 公式为：

(5)

式中, x_i, y_i分别为“城市化—环境”坐标点的横、纵坐标, 即归一化后的CNLI指数和RSEI指数；d_i为城市i的耦合协调距离, d_i越小, 则该城市i的城市化水平与生态环境状况的耦合协调度越高。

2.4 Google Earth Engine云平台

Google Earth Engine(GEE)是一个基于云的行星级地理空间分析平台, 它使Google的巨大计算能力能够应对各种高影响的社会、环境问题^[45]。GEE在云端托管了数Petabytes (PB)级别的空间数据, 包括了Landsat系列、MODIS系列、Sentinel系列等, 每天都有超过6000多个场景从正在执行的卫星任务中扩充。得益于GEE强大算力和云端数据存储的特征, 近年来, 基于GEE平台的大尺度环境监测研究正在不断开展^[46-48]。由于本研究涉及41个城市近20年的生态环境和城市化特征提取分析, 使用传统本地方案在数据获取和预处理上将耗费大量的时间和精力。考虑到GEE平台在算力和即时性等方面的独特优势, 本文将数据筛选与指数计算部署到GEE平台(完整代码链接：https://code.earthengine.google.com/2701350df44d755c7b431201ba93b6c4)。

3 结果分析 3.1 长三角城市群的RSEI及变化

根据2.1中RSEI的计算公式, 本文以5年为间隔, 对2000年至2019年长三角城市群的RSEI进行了定量反演。以2019年为例, 研究区城市群整体和内部核心城市的主成分分析指标结果(表 1)表明：1)城市群整体和核心城市的PC1的特征值贡献率均达到了60%, 能够集中指标的大部分特征；2)与城市尺度相比, 城市群尺度的PC1特征值贡献率并未出现明显的下降, 表明RSEI指数能够适用于中等尺度的分析。

表 2则列出了研究区整体和分省(直辖市)的RSEI均值, 可以看出：1)过去近20年间, 长三角城市群的RSEI呈现出较为稳定的增长趋势, RSEI由2000年的0.54上升至2019年的0.64, 涨幅约为18.5%；2)省级单元下的RSEI均值变化存在一定的差异性, 其中江苏省的RSEI在研究期间内呈较为稳定的上升趋势(涨幅为23%), 安徽省在2010年前的涨幅较为明显, 2010年后则维持在相对稳定的水平(20.8%), 浙江省和上海市的RSEI均值则呈现“先降后升”的波动特征, 涨幅低于研究区整体平均水平, 分别为12.7%和5.2%。

图 3是长三角城市群不同年份的RSEI反演结果, 可以看出, 长三角城市群的RSEI在分布上呈现出明显的空间异质性。2000年, 低RSEI均值的城市共有4个, 均位于安徽省境内, 包括：淮北、阜阳、宿州和亳州；较低RSEI均值的城市单元共有10个, 主要位于安徽省中北部(5个)和江苏省的西北部(5个)；高RSEI均值城市共有17个, 主要分布在安徽省长江以南、江苏省苏锡常地区和浙江省。2005年, 低RSEI均值城市数量有所增加, 达到了11个, 分别包括安徽省中北部地区的8个, 江苏省2个和上海市。此外, 江苏省北部城市的生态环境呈现明显的好转态势, 共有7个高RSEI均值城市。2010年, 低RSEI城市共有10个, 尽管较2005年略有减少但环境压力依旧不容乐观；上海市、合肥市和南京市的RSEI均下滑至低等级, 生态环境压力不断向地区中心城市渗透。2015年, 低RSEI城市为9个, 分布在安徽省北部、苏沪、浙江省的中东部；高RSEI城市数量也锐减至6个, 分别位于安徽省南部和江苏省中北部。需要关注的是, 长三角城市群内部形成了一个“Z”字型的生态压力走廊, 该走廊西起安徽省西北部并向东连接了合肥市、南京市、苏州市和上海市, 转而向西连接嘉兴市和杭州市并最终向东延伸至台州市。2019年, 低RSEI城市进一步减少并与2000年持平, 较低RSEI城市10个, 主要分布在安徽省中部、江苏省南部和上海市。高RSEI城市共有14个, 主要包括浙江省大部、安徽省南部和江苏省中部。

此外, 图 3显示了2000年至2019年间RSEI的变化情况。可以看出, 在过去近20年间RSEI下降的像元占少数且多位于皖北地区和苏南地区, 而RSEI上升的像元占据了绝大多数, 涨幅超过0.2的像元多集中在皖中和苏北地区。在城市水平上, RSEI低增幅城市共6个, 分别是安徽省的阜阳市, 江苏省的苏州、无锡和苏州市, 浙江省的嘉兴市和上海市。RSEI高增幅城市共有10个, 包括安徽省的宣城市、马鞍山市、滁州市、淮南市和淮北市, 江苏省的扬州市、盐城市、淮安市、宿迁市和连云港市。

总体上, 长三角城市群在过去近20年间RSEI均值稳定上升, 生态环境呈现出好转的态势, 但地区差异依旧显著。其中, 生态环境压力明显减小的地区主要分布在安徽省中部和江苏省北部, 而安徽省北部、江苏南部(苏锡常)和上海市的生态压力依旧不容乐观。

3.2 长三角城市群的城市化

根据2.2.2中构建的灯光指数模型, 本文统计了长三角城市群整体及省级单元(直辖市)过去近20年间的MLI、LAP和CNLI指数, 如图 4所示。MLI指数的变化反映出：1)长三角城市群总体的灯光强度呈现稳定的上升趋势；2)上海市的平均灯光强度较其它三省上升更为显著, 浙江省和江苏省的灯光强度及变化趋势较为接近, 安徽省虽然呈现上升趋势, 但增幅低于研究区的平均水平。LAP着重刻画了地区灯光范围的变化, 上海市由于较高的城市化水平, 在整个研究期间内的灯光区范围接近饱和增幅较小。与上海市不同, 尽管安徽省在灯光强度的变化上不够显著, 但其灯光范围的扩张则十分突出, 灯光区占比从2000年的10%上升至2019年的超过60%。综合MLI和LAP的CNLI指数能够更为全面和综合的反映出地区城市化水平的特征, 结果表明：1)上海市的CNLI的上升幅度最大, 达到了0.4；2)江苏省和浙江省次之, 其中江苏省在研究期间内的CNLI由0.1上升至0.47, 浙江省则上升了约4倍, 达到了4.3；3)尽管安徽省的CNLI值低于长三角城市群的总体水平, 但其在近20年间增长了约9.3倍, 从2000年的0.02上升至2019年的0.23。

图 5分别描绘了2000—2019年间长三角城市群灯光影像和CNLI指数的空间分布及变化情况。年际灯光影像能够直观的反映出地区的灯光强度变化及分布, 并从侧面揭示地区城市化的发展状况。结果表明, 过去近20年间, 长三角城市群的灯光像元不断从长三角城市群的中心城市上海向内陆城市扩展。灯光像元无论在像元总数还是像元亮度上都有了实质性的上升。灯光像元的变化分布则反映出研究期间内城市化水平较高的城市(上海、南京、合肥、苏州等)的中心城区灯光强度变化较低, 而中心城区周边的县区则存在较为强烈的灯光强度变化。造成这一现象的原因有两个方面：1)中心城区由于城市化起步早, 城市化在研究期初始阶段就已经保持了较高的水平, 因此相较于周边县区灯光强度变化较弱；2)由于灯光数据本身的原因, 其在灯光强度过于强烈的地区存在饱和现象, 而本文在灯光数据预处理中, 为了保持两种灯光数据的一致性和可比性, 选择了将VCM数据模拟为STL年度合成数据, 从而保留了像元饱和的特征。

此外, 图 5中的长三角城市群CNLI指数的变化则从城市尺度揭示了长三角城市群内部的城市化水平差异。2000年, 城市群内部除上海和无锡市CNLI指数高于0.2外, 其它城市均小于0.2, 处于低水平阶段。2005年, 上海市和苏州市的CNLI指数上升至较高水平, 南京、镇江、常州、嘉兴和宁波等城市的CNLI指数则上升至较低水平。2010年, 上海市的CNLI指数首次超过了0.6(高水平), 并逐步形成了以上海为中心, 无锡、苏州和嘉兴为依托的高强度城市化区域。2015年的较高强度城市化城市在2010年的基础上进一步向“内陆”延伸, 苏州的CNLI指数也进一步上升并与上海市共同组成了高CNLI城市。2019年, 长三角城市群形成了“层次分明”、“由东向西”逐步推进的城市化格局, 其中高强度城市化城市集中在上海市及其周边的无锡、苏州和嘉兴；较高强度城市化城市则围绕在高强度城市化区域周边, 包括江苏省6个和浙江省4个；较低强度城市化城市则主要分布在城市群的北部和南部, 包括苏北地区5个、安徽省11个和浙江省4个；低强度城市化城市则分布在城市群西部, 其中安徽省主要包括六安、安庆、池州、黄山和宣城, 浙江省则包括衢州和丽水。另一方面, 研究期间CNLI变化强度的空间分布格局则与CNLI等级分布呈现出相反的特征。其中, CNLI上升幅度最大的城市位于城市群内陆的安徽省, 包括：阜阳、六安、亳州、宿州、滁州、池州和宣城。这些城市尽管其CNLI指数较沿海城市低, 但其在研究期间内的CNLI增幅却显著高于经济体量较大的发达城市。而以上海、苏州、无锡、南京、杭州等为代表的城市化水平较高的城市, 尽管CNLI绝对增量远大于城市群欠发达城市, 但增幅比则远落后于上述城市。

3.3 城市群城市化与生态环境的耦合协调分析

本文基于构建的耦合协调距离模型对研究期间内长三角城市群的城市进行了城市化与生态环境指标的耦合协调分析, 如图 6所示。由于归一化后城市单元的RSEI和CNLI的值域均处于0—1之间, 因此本文以(0.5, 0.5)为原点来划分“城市化—环境”坐标点至四个不同的象限, 其中：第一象限城市(CNLI>0.5; RSEI>0.5)的生态环境状况和城市化水平均处于较高水平, 属于良好耦合协调类型；第二象限城市(CNLI < 0.5; RSEI>0.5)的生态环境水平相对领先于城市化水平, 属于城市化滞后于生态环境类型；第三象限城市(CNLI < 0.5; RSEI < 0.5)的城市化和生态环境状况较为接近但水平偏低, 属于初级协调类型；第四象限城市(CNLI>0.5; RSEI < 0.5)的城市化发展领先于生态环境状况, 属于生态环境滞后于城市化类型。

根据图 6中“城市化—环境”坐标点的象限分布变化可以看出, 2000年的“城市化-环境”坐标点大多集中分布在第二象限, 这表明此时城市群内部的城市CNLI多低于0.5而RSEI高于0.5, 处于城市化滞后于生态环境发展阶段。随着城市化的持续推进以及区域协调发展政策的落实, 长三角城市群一体化和城市化水平不断上升。2005年、2010年和2015年的“城市化-环境”坐标点中位于第四象限的城市单元数量有明显的上升, 反映出上述城市在加速推进城市化水平的同时(CNLI>0.5), 忽视了生态环境的保护(RSEI < 0.5), 造成生态环境状况滞后于城市化发展的现状。十八大以来, 生态文明建设和可持续发展的观念的不断深入人心, 特别是2016年《长江三角洲城市群发展规划》的颁布为长三角城市群的生态保护、生态建设提供了政策支撑。从2019年的“城市化-环境”散点图可以发现, 经过几年的良性发展, 第四象限城市随着RSEI指数的上升而转入第一象限, 城市化发展和生态环境状况处于良好耦合协调阶段。总体上, 研究期间内不同象限城市的数量变化反映出长三角城市群在近20年持续推进城市化的过程中, 城市生态环境曾一度滞后于城市化发展, 但近年来随着生态环保意识加强和政策的实施, 生态环境呈现一定的好转态势, 城市化和生态环境的耦合协调性不断增强。

此外, 图 6还列出了2019年部分城市的耦合协调距离。在地区中心城市中, 南京市的耦合协调距离最小, 上海市次之, 且二者均位于第一象限的对角线右侧, 这表明南京和上海的城市化和生态环境处于良好耦合协调类型, 但生态环境水平的压力依然值得关注。杭州市的耦合协调距离在四个中心城市中最大且位于第二象限, 这表明杭州市的生态环境质量保持较高水平, 但在保护环境的前提下应持续推进城市化进程。合肥市的耦合协调距离为0.84且处于第三象限, 这意味着合肥市处于初级协调阶段, 城市化和生态环境都处于较低的水平, 在接下来的发展过程中需要坚持环境保护与城市发展并重的策略。除了中心城市外, 图中还列出了耦合协调距离最短的前四个城市, 分别是：舟山市、宁波市、镇江市和嘉兴市。这些城市在不断推进城市化的过程中, 生态环境状况维持在较为良好的水平, 是典型的良好耦合协调型城市。

4 结论与讨论 4.1 结论

本文基于Google Earth Engine云平台, 通过整合日间光学遥感和夜间灯光遥感等多源卫星数据对长三角城市群近20年的生态环境状况和城市化进程特征进行了对比分析, 并构建了耦合协调距离模型对城市群内部的城市进行了“城市化-生态环境”耦合协调分析。结果表明：1)长三角城市群在过去近20年间RSEI均值稳定上升, 生态环境呈现出好转的态势, 但地区间的差异依旧显著；2)CNLI指数能够较为准确的刻画城市群的城市化水平, 研究期间内上海市的CNLI的上升幅度最大, 江苏省和浙江省次之, 尽管安徽省的CNLI均值低于总体水平, 但其增幅比则显著高于其它地区；3)经过近20年的城市化发展, 长三角城市群形成了“层次分明”、“由东向西”逐步推进的城市化格局, 其中高强度城市化城市集中在上海市及其周边的无锡、苏州和嘉兴, 低强度城市化城市则分布在城市群西部；4)基于CNLI和RSEI指数构建的耦合协调距离模型能够有效的识别出城市群内部城市化水平和生态环境状况的耦合协调程度, 并根据象限特征将城市划分为良好协调类型、初级协调类型、城市化滞后型和生态环境滞后型城市。

4.2 讨论

长三角城市群作为人口聚集区和人类活动最强烈的地区, 生态环境的变化将对地区的稳定和发展产生不可估量的影响。因此, 全面客观的实现城市群生态环境与城市化的监测及耦合协调分析对城市可持续发展和绿色城市建设有着重要意义。考虑到中国城乡差异的长期存在, 城市的资源集中效应仍将不断吸引人口、产业及各类资源在此集聚, 空间扩张依旧是长三角城市群未来发展的主要趋势之一, 城市化对生态环境的胁迫作用在短期内将不会消失。

本文通过整合多源遥感数据并借助GEE云平台能够快速、高效地实现区域生态环境及城市化的对比分析, 可以为中尺度的发展规划、生态环境监测和环保措施制定提供数据支持。相较于以往的研究, 本方案具有以下几点优势和潜力：1)适用于中等尺度的研究应用。自RSEI提出以来, 基于RSEI指数的应用分析正在不断丰富。但这些基于RSEI的生态状况评估的数据源多集中在以Landsat系列为代表的较高分辨率的卫星影像, 导致研究区被限制在城市尺度。本文在研究中使用的MODIS数据源具有较短的重访周期和中尺度单景覆盖范围(10°×10°), 能够保证在中等尺度研究区内指标反演的一致性和稳定性。2)完全基于遥感数据源。已有的关于城市化和生态环境状况耦合分析研究多采用社会经济统计数据作为耦合程度评估的数据来源之一。一方面, 收集完整的时间序列、多尺度社会经济统计数据本身存在一定的难度；另一方面, 地区间的统计口径差异也会干扰分析结果的准确性。遥感数据在更新周期和空间分辨率方面的独特优势能够更好的满足生态环境监测的时效性要求。3)监测分析的可迁移潜力。本文将RSEI和CNLI的计算部署在GEE平台, 能够直接调用GEE云平台上的海量遥感数据进行运算分析, 极大地降低了对本地计算资源的占用。同时, 基于云平台的特性使其能够快速的迁移到其它地区(更改研究区的边界), 较传统的本地计算具有更高的应用潜力。

虽然本文在计算RSEI和CNLI的过程中已经对卫星影像数据进行了预处理和校正, 但现有的校正模型只能缓解一定程度的数据缺陷, 研究的结果依旧不可避免的会受到数据源本身质量的影响。此外, 本文构建的耦合协调距离模型尽管能够较为直观的刻画城市在城市化推进过程中与生态环境的耦合变化, 但对其背后的机理及驱动力缺乏更深层次的探讨, 所提出的方法能否有效地反映现实问题也需结合非遥感数据开展进一步检验。随着数据源的丰富, 城市发展过程中城市扩张与生态环境间相互作用及机制将是下一步研究的重点。