《Sustainability》:Regional Development Assessment at Grid Scale: A Multisource Remote Sensing Approach in Chongqing, China
编辑推荐:
区域发展差距仍然是全球性的持续挑战,然而现有评估方法常在空间细节与时间覆盖之间面临权衡。传统社会经济统计数据提供了相对可靠的信息,但通常受限于粗空间代表性和低更新频率,而基于高分辨率遥感的研究往往聚焦于单个时间点,难以捕捉区域发展的时间演变。遥感观测通过提供广
区域发展差距仍然是全球性的持续挑战,然而现有评估方法常在空间细节与时间覆盖之间面临权衡。传统社会经济统计数据提供了相对可靠的信息,但通常受限于粗空间代表性和低更新频率,而基于高分辨率遥感的研究往往聚焦于单个时间点,难以捕捉区域发展的时间演变。遥感观测通过提供广泛的空间覆盖和重复观测,为区域发展评估提供了宝贵机会。为填补这一空白,本研究提出了一种多源遥感框架,用于表征重庆市四个时间节点(2014年、2016年、2018年和2020年)区域发展的时空动态。研究人员首先利用统计数据中衍生的社会经济指标构建了县级发展强度指数(DII)。随后,研究人员整合了夜间灯光、DEM、NDVI和POI数据,生成了500 m网格的综合空间发展指数(CSDI),该指数在精细空间尺度上捕捉了空间异质性。CSDI与DII表现出强对应关系,其空间有效性通过谷歌地球影像的目视解译得到进一步证实。结果表明,发展水平较高的区域主要集中于重庆市中心城区,而欠发达县则集中在东北部和东南部边缘。尽管在整个研究期间观察到总体上升趋势,但显著的空间差异仍然存在。总体而言,所提出的基于CSDI的框架为网格化区域发展评估提供了一种有效且可复制的方法,对针对性区域规划和差异化政策设计具有启示意义。
**论文解读:基于多源遥感的网格尺度区域发展评估——以中国重庆为例**
**研究背景与问题**
区域发展不平衡是全球性挑战,传统评估方法在空间细节与时间覆盖之间存在权衡。社会经济统计数据虽可靠,但空间分辨率粗、更新频率低;高分辨率遥感研究多聚焦单一时间点,难以捕捉发展动态。遥感数据具有广覆盖、高更新频率的优势,但单一指标(如夜间灯光NTL)不足以全面表征区域发展的多维性。现有研究在多维表征上已有进展,但多局限于静态分析,缺乏对时空演化的系统研究。因此,本研究旨在回答三个核心问题:如何整合多源遥感数据构建综合指数(CSDI)以替代或补充传统统计指标?2014至2020年间重庆市区域发展的时空演化格局如何?CSDI识别的动态是否与统计年鉴衍生的发展强度指数(DII)一致?
**研究内容与意义**
研究人员以重庆市为研究区,构建了县级发展强度指数(DII)和500 m网格综合空间发展指数(CSDI),分析了2014至2020年四个时间节点的区域发展时空演化。CSDI与DII高度相关(R2>0.85),并通过谷歌地球影像验证了空间有效性。结果表明,高发展区集中于中心城区,低发展区分布于东北部和东南部山区,发展差距持续存在。该框架为网格化区域发展评估提供了有效且可复制的方法,支撑了针对性区域规划和差异化政策设计。论文发表在《Sustainability》。
**主要关键技术方法**
研究人员采用了以下关键技术方法:
1. **熵权法**:基于统计年鉴数据(涵盖经济、教育、医疗、环境等11个指标)构建DII,通过信息熵客观确定指标权重。
2. **几何平均法**:整合夜间灯光(NTL)、数字高程模型(DEM)、归一化植被指数(NDVI)和兴趣点(POI)数据,构建CSDI。其中,HSI(人类聚居指数)由NTL和NDVI计算;POI密度通过核密度估计(KDE)生成;POI成本距离基于土地利用和路网数据计算。
3. **相关性验证**:通过DII与CSDI的回归分析(R2)及谷歌地球影像目视解译验证CSDI可靠性。
样本队列来源:重庆市38个区县(2014、2016、2018、2020年统计年鉴数据及遥感数据)。
**研究结果**
**4.1 DII在不同县区的可靠性评估**
通过比较DII排名与GDP排名,发现两者总体一致,但DII更全面地反映了教育、医疗、生态等维度,克服了GDP单一指标的局限性。例如,大渡口区行政面积小致GDP较低,但DII较高。
**4.2 DII的时空演化(2014–2020年)**
熵权法显示,人均金融存款余额权重最大(0.47848),坡度>15°区域比例权重最小(0.12161)。DII空间分布呈显著中心-边缘梯度:高值区集中在渝中、渝北、江北等中心城区,低值区分布在酉阳、巫山、巫溪等偏远山区。尽管整体DII均值从0.048升至0.060,但低发展区增长缓慢,区域差距扩大。
**4.3 CSDI的可靠性评估**
CSDI与DII的回归R2在四个年份分别为0.8876、0.8587、0.8791、0.8894,表明强相关性。谷歌地球影像对比显示,高CSDI区对应平坦地形、密集建筑和便捷交通,低CSDI区则相反。进一步回归分析表明,POI密度对CSDI的解释力最强(R2=0.9402),NTL次之(R2=0.8874),NDVI为负相关,DEM和POI成本距离相关性弱。
**4.4 CSDI的时空演化(2014–2020年)**
CSDI最大值从2014年0.853微降至2016年0.781,后回升至0.793,空间分布稳定。高CSDI区在“一小时经济圈”(OHES)持续扩张,向周边县区扩散;低CSDI区在东北部(NC)和东南部(SC)缩减有限,整体核心-边缘结构加剧。
**讨论与结论**
**讨论部分总结**:
- 政策启示:多源地理数据整合为动态监测发展差距提供了有效手段;应实施差异化区域发展战略,增强OHES的溢出效应,同时关注NC和SC的长期发展约束(如产业转型、地形限制),通过交通改善、生态补偿和内生动力培育缩小差距。
- 局限性:DII指标体系有限,CSDI变量覆盖不足,时间范围仅覆盖2014–2020年,多源遥感数据存在不确定性(如传感器校准、大气干扰),但CSDI与DII的高一致性(R2>0.85)表明核心结论稳健。
**结论部分翻译**:
本研究聚焦重庆市,构建了综合多维评估框架,实现了区域发展水平的精细识别及时空演化特征分析。从统计数据和多源遥感数据中建立了两个互补指数——DII和CSDI,分别在县级和500 m空间分辨率尺度上表征和比较区域发展状况。结果表明,DII能有效代表区域发展总体水平,虽与GDP总体趋势一致,但更好捕捉了教育、医疗、社会保障和生态环境等多维因素导致的局部差异,克服了单一经济指标的局限。整合NTL、NDVI、DEM和POI数据的CSDI具有增强的空间表征能力,且与DII多年保持强相关(R2持续高于0.85),证实了其用于区域发展评估的可靠性和适用性。关于时空演化特征,研究期间重庆市整体发展水平稳步上升,但显著空间差异依然存在。中心城区持续呈现高值集聚,并逐步向周边扩展;而NC、SC等山区长期保持较低发展水平,增长有限,区域差距未见实质性收敛。这些发现表明,地形条件、产业基础和要素集聚能力仍是影响区域发展不平衡的重要因素。总体而言,基于DII和CSDI的双指数框架提供了一种跨尺度、多维度表征区域发展的可行方法,改进了传统统计评估与空间遥感分析之间的整合。研究结果不仅为重庆市及类似山区城市的发展政策制定提供了定量支持,也为动态发展监测和差异化治理提供了参考框架。最后,促进区域协调发展既需要强化中心城市的带动作用,也需要加大对边缘山区基础设施改善、产业转型和公共服务供给的支持,以逐步缩小区域发展差距,实现更均衡、可持续的发展格局。