基于多源数据的城市休闲旅游空间特征及时空演变分析
——以南昌市为例

程朋根, 韩佳宇, 吴 静, 郭苗苗

(1.东华理工大学 测绘工程学院, 南昌 330013; 2.桂林理工大学 广西空间信息与测绘重点实验室, 广西 桂林 541006)

0 引 言

随着城市化的快速持续发展, 城市社会文明和居民生活质量也随之提高, 休闲已成为重要的生活方式和消费方式, 休闲旅游已逐渐成为消费热点[1], 并且休闲旅游产业的发展规模以及发展趋势一直持续增长, 是休闲旅游空间快速扩张的最主要原因之一[2]。因此, 城市急需对休闲旅游空间的分布和集聚特征进行分析并探讨如何协调与城市建设发展的关系, 这对宜居城市的建设、 旅游业的发展和城市的可持续发展起到了至关重要的作用。黄震方等[1]界定了休闲与休闲旅游资源的概念， 并对江苏省常州市的休闲旅游资源进行了分类与评价。马聪玲[3]通过对世界主要城市公园的分析, 从而将城市休闲空间划分为城市公园、沿街绿地、步行街区、滨水区四大类。陈永昶等[4]探讨分析了休闲旅游概念的国内外研究现状, 并参照我国旅游发展的实际情况和特点, 进一步的阐述了休闲旅游的内涵。

近年来, 通过大数据技术对城市地理空间规划已成为热门发展趋势。 大数据挖掘作为全新的数据源和研究思路可以进一步对城市休闲旅游空间进行分析。城市服务设施是最重要的服务提供者之一, 通常使用与特定人类社会活动相关的POI模型在ArcGIS中表示为一组点。兴趣点分布强度和分布格局的研究对城市规划、 商业区位选择和社会建议等空间分析具有重要意义。陈蔚珊等[5]基于面向公众服务的商业机构兴趣点数据, 提出一种商业中心与零售业态集聚区识别的方法, 对城市商业服务中心和不同零售业态集聚区的空间分布特征进行了探讨。康雨豪等[6]基于POI数据和道路网数据, 利用点密度分析方法对武汉市核心城区的功能区进行了识别。杨文杰等[7]基于广州市的科教文化POI数据, 利用最邻近距离法等多种空间分析方法分析了广州市科教文化服务的分布特征。在利用POI数据和夜间灯光数据耦合分析方面, 刘翔宇[8]基于DMSP/OLS影像、 统计数据和POI数据使用了景观格局指数、 重心模型、 引力模型和耦合性分析来分析安徽省的城市空间分布结构； 陈斌等[9]选取了POI数据及NPP/VIIRS遥感数据进行了核密度分析, 然后对POI核密度分析结果及夜光遥感数据进行空间网格化处理, 并通过双因素制图法和栅格叠加分析方法得到了这两种数据的空间耦合关系, 进一步分析了武汉市主城区的城市空间结构特征。

本文选取南昌市中心城区为研究区, 选择POI数据及夜间遥感影像数据为研究数据, 基于ENVI软件和ArcGIS 10.2平台, 运用核密度估计法、 多距离空间聚类分析法、 最近邻指数法和标准差椭圆算法从空间分布热点、 空间尺度、 集聚程度和分布格局以及这两类空间数据的耦合性分析等方面对南昌市休闲旅游空间集聚的特征进行了综合论述， 并通过绘制27年来南昌市城镇空间重心移动轨迹进行时空演变分析。本文技术路线如图1所示。

图1 技术路线图

1 研究区域和数据来源

1.1 研究区域概况

南昌市是江西省省会、 环鄱阳湖城市群核心城市， 地处江西中部偏北， 赣江、 抚河下游， 鄱阳湖西南岸， 位于东经115°27′—116°35′、北纬28°10′—29°11′。截至2018年末, 南昌市辖6区3县, 土地总面积7 194.61 km2, 常住人口554.55万人。全市拥有园林绿地面积17 705.46 hm2, 绿化覆盖面积18 895.24 hm2, 公园绿地面积4 357.66 hm2, 人均公园绿地面积达到11.8 m2。

1.2 实验数据

POI(point of interest, 兴趣点)主要包含了真实地理实体的空间和属性信息, 如名称、 地址和坐标等。兴趣点主要用来描述和查询事物和事件的详细地址, 提高地理定位的准确性和速度。与传统数据相比, POI数据具有较好的时效性和客观性、 空间分辨率很高、 可以直观有效地反映城市建设密度和产业集聚程度。

本文研究区域涵盖南昌市的东湖区、 西湖区、 青山湖区、 青云谱区、 新建区、 红谷滩区、 南昌县、 安义县、 进贤县等9个区县。所使用的数据为网络电子地图南昌市2019年12月份POI数据, 通过筛选去除重复值后共有104 795条数据。每条POI数据都包含名称、 经度、 纬度、 地址、 电话、 分类等属性字段。由于南昌市于2019年12月行政区划调整, 将湾里区并入新建区, 设立了红谷滩区, 因此数据更具有现实参照意义。根据南昌市休闲旅游空间实际分布情况, 将研究对象划分为商业服务、 餐饮服务、 风景名胜、 体育休闲服务、 文化娱乐服务等5大主类。通过百度地图对POI数据(表1)进行爬取, 然后转换坐标系统并导入ArcGIS 10.2进行投影转换， 利用属性筛选器筛选出上述5大类POI数据, 分区统计后得到表2。

表1 南昌市POI数据信息

表2 南昌市休闲旅游空间各区POI数据分类统计

夜间灯光数据目前在城市群空间扩张监测、 区域经济增长、 人口估算、 环境监测等方面的应用越来越广泛[10-12], 是人类活动的表征。虽然很难将休闲旅游空间数据从夜间灯光数据中分离出来, 但是由于南昌市是几乎不存在旅游淡季和早晚差异情况的旅游城市, 其休闲旅游活动与人类活动密不可分, 所以在一定程度上夜间灯光数据可反映南昌市的休闲旅游空间分布特征。本文选取南昌市 1992—2013年22 期 DMSP/OLS 以及 2012—2018年7期 NPP/VIIRS 夜间灯光数据, 由于DMSP和VIIRS之间存在严重的不一致性, 故先去除月光、 渔火以及背景噪声, 并量化2013年DMSP数据和VIIRS数据之间的关系使得二者处理后具有相同的空间分辨率和相似的辐射特性, 最终通过饱和校正及连续性校正生成一致的夜间灯光数据[13]。

1.3 数据预处理

正六边形是边数最多的平面镶嵌图形, 无间隙且不重叠地覆盖平面, 相比于矩形渔网能更好地展示数据间的对比分析结果, 因此综合考虑后对南昌市行政区划创建正六边形格网, 利用ArcGIS Online的Create Hexagon Tessellation工具直接生成7 533个单位面积为1 km2的网格, 即生成南昌市蜂窝格网数据(图2)。用六边形网格数据对2018年南昌市夜间遥感影像进行区域分析, 获取各网格夜间灯光亮度平均值(图3)。

图2 南昌市蜂窝格网

图3 2018年南昌市夜间灯光亮度值蜂窝

2 研究方法

2.1 核密度估计法(KDE)

核密度估计(KDE)是一个高效的空间分析工具, 在空间密度评价过程中扮演着重要的角色, 它是根据点或折线特征计算每个单位的面积, 以使每个点或折线适合光滑的圆锥形表面。在兴趣点空间特征表达的方法上, 核密度估计法(KDE)相比于样方密度法和基于Voronoi图密度法等密度表达方法更具有优势。核密度估算的表达式为[14-15]

(1)

式中:K[]为核函数, 本文采用的是高斯核函数;h为带宽, 也称作搜索半径;n为在带宽范围内的已知点数目;d为数据的维度。

2.2 基于Ripley’s K函数的多距离空间聚类分析

采用基于 Ripley’sK函数的多距离空间聚类分析方法用来分析点数据的空间模式。通过Ripley’sK函数在不同距离的情况下分析点数据的集聚程度。该分析通常需要选择合适的距离范围或距离阈值。本文使用的是Ripley’s原始K函数的一种常见变换, 通常称为L(d)公式[16-18]

(2)

其中:d为距离;n为要素的总数目;A代表要素的总面积;ki, j是权重。如果没有边矫正, 当i与j的距离小于d时, 则权重将等于1; 反之, 权重将等于0。使用给定的边矫正方法时,ki, j的权重略有变化。

2.3 最近邻指数法

最近邻指数(NNI)的表示方式是研究区域内元素的实际最近邻平均距离DN与随机分布模型的理论平均距离DR之比。当NNI=1, 即DN=DR时, 所分析的元素是均匀分布的;当NNI<1, 即DN1, 即DN>DR时, 表明元素点是趋于排斥分布的。

(3)

(4)

NNI=DN/DR。

(5)

其中:n为元素个数;di为元素i与其最近邻点的距离。

2.4 标准差椭圆算法(SDE)

标准差椭圆算法可以很详细地描述点的分布方向以及分布趋势。通过ArcGIS软件分析可得到5个参数： CenterX和CenterY代表了椭圆的中心点, XStdDist和YStdDist分别为椭圆x轴和y轴的长度, Rotation表示的是椭圆的方向角度。椭圆的长半轴表示点的分布方向, 而短半轴表示的是点的分布范围。椭圆的扁率是长短半轴的差值与长半轴的比值, 扁率越大, 点的分布方向越显著; 扁率越小, 点的分布方向则越模糊。方向角θ的计算公式为

(6)

(7)

(8)

3 结果分析

3.1 基于KDE的区域空间集聚热点识别

在核密度估计法中, 输出像元大小(即输出栅格图像像素点的大小)在一定范围内像素点随着像元值的变小而增多, 像素点越多, 则分辨率越高(图4)。搜索半径是一个很重要的参数, 是指定半径范围内所有的采样点都参与栅格单元的密度运算, 采取不同的数值会对结果影响很大。本文经过多次实验, 最后将搜索半径设为3 km, 像元大小设为20, 采用自然间断点法进行分类, 并利用ArcGIS可视化, 得到的结果较为满意。

图4 南昌市休闲旅游空间核密度分析

通过对南昌市休闲旅游空间POI数据进行核密度分析可以看出, 南昌市商业和餐饮服务空间呈“大聚集、 小分散”的特点, 主要分布于西湖街道、 丁公路街道、 绳金塔街道、 南站街道以及京山街道； 另外,在赣江对岸的红谷滩区分布密度也较高, 以世贸路和会展路为中心； 风景名胜空间密度最高的点位于滕王阁街道、 百花洲街道和西湖街道一带。整体来看, 休闲旅游空间呈“一心多点”式布局, “一心”主要为服务设施高度聚集的中心城市, “多点”主要为县级服务中心。密度值最高的分布范围具体为政府大院街道、 公园街道、 百花洲街道、 西湖街道、 滕王阁街道、 广润门街道、 彭家桥街道以及墩子塘街道。中心城市市区中心内服务设施集中程度最高, 市区服务设施布局为单中心模式, 密度由中心城区向外圈层式递减。

3.2 基于Ripley’s K函数的区域空间集聚的空间尺度效应

Ripley’sK函数包含 5个参数: ObservedK(观测K值)、 ExpectedK(预期K值)、 DiffK(差值)、 LwConfEnv(低值置信区间)、 HiConfEnv(高值置信区间)。其中, ObservedK表示实际计算值; ExpectedK表示通过随机假设计算出来的预期值; DiffK表示观测K值与预期K值的差值, 当DiffK为正值时, 表示空间聚集, 为负值时, 表示空间离散, 数值越大, 程度越大; LwConfEnv和HiConfEnv表示设定置信度后预期K值的聚集置信区间。本文将距离递增次数设置为10次。

总体上, 观测K值均大于预期K值, 且均大于高值置信区间, 表明总体上休闲旅游空间分布呈现

表3 南昌市休闲旅游空间多距离空间聚类分析

显著的聚集趋势。其中， 观测K值为38 190.064时, 差值最大, 为23 078.357, 聚集趋势最为显著。

3.3 基于NNI的区域空间集聚特征

运用最近邻指数方法分析了南昌市休闲旅游空间的集聚状况及集聚趋势。通过表4可以看出, 南昌市休闲旅游空间总体的NNI小于1, 且通过了99%置信水平的显著性检验, 呈空间集聚的趋势。不同类型空间的NNI也都小于1, 其中餐饮服务类和商业服务类较低, 说明这两类更倾向于集聚发展, 且集聚规模较大。因为餐饮和商业服务类都具有很强的集聚经济效应, 会受到经济水平、 人口密度、 交通便利等因素的影响。体育休闲和文化娱乐服务类的NNI分别为0.326和0.454, 也同样呈现出集聚的总体趋势。风景名胜服务类的NNI最大, 为0.472, 由于受自然生态条件和城市开放空间的影响, 所以相较而言集聚程度较低。

表4 南昌市城市休闲旅游空间集聚性分析

3.4 基于SDE方法的区域空间分布模式

采用标准偏差椭圆算法分析了南昌市休闲旅游空间的中心趋势、 离散趋势和方向趋势[19-20]。分析结果表明(图5), 南昌市休闲旅游空间椭圆中心位于东湖区政府大院街道附近， 椭圆土地面积894.9 km2, 占南昌市土地面积的12.44%， 椭圆中心的分布明显向西， SDE的长半轴为12.15 km, 短半轴为5.85 km, 方位角为131.17°, 具有明显的方向性。南昌市休闲旅游空间总体分布格局以“中密边疏”为特征, 呈“西北—东南”的分布趋势。具体而言, 城市商业空间的中心性、 扩散范围和空间发展方向均符合休闲旅游空间的总体特征, 并朝着西北—东南方向发展。

图5 南昌市休闲旅游空间标准差椭圆算法分析

城市体育休闲空间和文化娱乐空间的分布中心明显向北。SDE在餐饮服务空间的长短轴扁率最大, 传播范围最大。城市风景名胜空间的SDE具有长短轴扁率最小、 扩展范围最小、 方向性较弱的特点。

4 夜间灯光数据与POI耦合分析

为更准确直观地分析南昌市夜间灯光数据与休闲旅游空间POI数据的耦合关系, 首先采用离差标准化公式对这两类数据进行归一化处理:

(9)

再利用标准差法将这两类数据分为高、 中、 低3个等级, 将夜间灯光亮度值和POI分级进行空间连接, 两两结合得到“高—高”、 “高—中”、 “高—低”、 “中—高”(未出现该组合)、 “中—中”、 “中—低”、 “低—高”(未出现该组合)、 “低—中”、 “低—低”9 种组合方式, 结果如图6。

图6 南昌市夜间遥感与POI空间耦合关系图

从总体空间分布情况看, 这两类空间数据耦合关系的分布具有较高的一致性。“高—高”的耦合关系基本分布在青山湖区、 东湖区、 西湖区、 青云谱区以及部分红谷滩新区, 如南昌市的四大商圈(红谷滩万达、 铜锣湾购物中心、 王府井购物中心、 恒茂梦时代广场)以及滕王阁、 八一广场、 秋水广场等著名旅游景区都聚集于此, 而这两类数据的低值分布区主要集中分布在南昌市的外部边缘地区, 与南昌市的发展现状相吻合。安义县呈“高—低”的耦合关系是由于区位交通便捷, 京九铁路、 昌九高速公路擦境而过, 范围较广而功能单一, 因此出现夜间灯光亮度较强而POI密度较低的状况。

5 时空演化特征分析

本文选取了1992、 1998、 2004、 2010、 2016及2018年的6期夜间遥感影像进行分析处理。由图7可知, 随着时间的推移, 南昌市各城区夜间灯光面积与强度逐年增加, 说明人类活动强度逐渐增大, 城市休闲旅游设施也同样变得更为密集。1992年夜间灯光主要分布在东湖区， 南昌县和进贤县几乎没有任何灯光分布；2004年, 随着红谷滩中心区的建立, 夜间灯光分布有明显的增强；2010年, 在之前的基础上夜间灯光围绕中心向四周发散；到2018年, 南昌市每个区域的灯光分布都较为明显。随着时间的推移, 夜间灯光的分布与总量总是在不断地增加[21]。

图7 南昌市1992、1998、2004、2010、2016和2018年夜间遥感影像

为了更直观地分析南昌市城镇空间和休闲旅游空间的重心变动方向和趋势, 利用GIS绘制27年来南昌市城镇空间重心迁移轨迹。由图8发现, 1992—1998年南昌市重心位置波动较小, 2004年向西北方偏移， 2018年与之前相比, 重心的变化主要体现为纬度方向向西偏移, 经度方向向下移动。这说明南昌市的城镇空间与休闲旅游空间的整体发展表现为先向西北偏移, 再向西南偏移, 空间增长以西南部城市为主。

图8 南昌市城镇空间重心迁移轨迹

6 结 论

基于POI数据和夜间灯光数据对南昌市的休闲旅游空间进行耦合分析研究, 主要结论如下:

(1)南昌市中心城区的休闲旅游空间分布呈明显的“一心多点”式布局, 休闲旅游空间总体及各服务类的集聚中心都位于中心城区内, 在青山湖区呈现出高度聚集的趋势, 说明青山湖区是南昌市休闲旅游最为集中的区域, 而边缘县城的集聚效应较弱。另外， 南昌市休闲旅游空间总体分布格局呈现出明显的“中密边疏”的特征以及“西北—东南”的走势。

(2)通过对POI数据和夜间灯光数据耦合分析, 可以发现南昌市夜间灯光整体是呈从中心城区向四周逐渐降低的趋势, 两者数据之间呈现较高的耦合性, 而呈现出耦合差异的区域也可以反映出车站、 机场、 工业开发区等范围较大却性质相同的建筑。南昌市中心城区的周边呈现出大范围的“低—低”耦合, 是由于郊区乡镇的经济建设较为落后, 因此夜间灯光值和休闲旅游各类服务设施都较低, 符合现实情况。

(3)最后利用1992—2018年的夜间遥感影像绘制了27年来南昌市城镇空间及休闲旅游空间的重心偏移轨迹发现， 随着人类的活动强度与城市建设的增加, 南昌市夜间灯光面积也逐年增加, 重心偏移方向是由西南转移到西北。

研究结果表明, 基于大数据的多方法综合分析能够较好地描述区域的空间分布属性及时空演变特征。以南昌市为例, 客观、 全面地揭示了南昌市休闲旅游空间的集聚特征, 为南昌市的国土空间规划提供了不可或缺的参考信息； 但同时也存在一定的局限性, 本文对区域空间集聚特征的分析更多的是对结果的研究, 还缺少对其驱动因素或影响因素的分析。