基于夜间灯光数据的中国城市湖泊周边人为活动强度时空动态特征

《Remote Sensing Applications: Society and Environment》：Characterizing the spatio-temporal dynamics of NTL-derived anthropogenic intensity around urban lakes in China

　　

城市湖泊岸带是城市扩张与湖泊生态系统功能相互作用的敏感界面，理解近岸人为活动强度及其长期演变对于可持续城市规划和湖岸管理至关重要。然而，在国家尺度上，对近岸人为活动强度进行长期且空间可比的评估仍然稀缺。为填补这一空白，研究人员聚焦于中国城市湖泊，利用长时间序列人工夜间灯光数据集（Prolonged Artificial Nighttime-light Dataset）来表征近岸人为活动强度及其演变。具体而言，研究人员从四个维度分析近岸夜间灯光（NTL）动态：强度、方向结构、时间变化和发展轨迹。以2020年为基准年，中国城市湖泊的近岸NTL以中高水平为主（1000–5000：62.61%；中位数：3750.04）。水体类型比较进一步揭示，非水库湖泊的近岸NTL高于人工水库，且增长更快。相反，方向集中度普遍较弱（均值=0.18），仅约5%的湖泊表现出强方向不对称性。1990–2020年间，大多数湖泊的近岸NTL增加（平均变化率=62.29），81.93%的湖泊呈现中等或更高增长率，极高增长集中在特大城市和核心城市群。此外，聚类分析识别出六种轨迹类型，进一步归纳为持续增长、多峰波动和倒U型模式，其中增长导向型轨迹占湖泊总数的84.88%。总体而言，本研究揭示了中国城市湖泊周边近岸人类发展强度的空间格局和多年代际演变，为大规模诊断和差异化湖岸管理提供了坚实基础。

**论文解读：基于夜间灯光数据的中国城市湖泊周边人为活动强度时空动态特征**

**研究背景与问题**

城市湖泊作为城市蓝色基础设施的核心要素，在洪水调节、水质缓冲、栖息地提供和休闲娱乐等方面发挥关键作用。然而，在快速城市化背景下，湖岸带作为土地-水域的敏感界面，承受着开发压力、基础设施扩展和人类活动加剧带来的多重风险，包括营养盐富集、水文改变和河岸生境破碎化。因此，在大尺度上评估城市湖泊岸带的人为活动强度及其长期演变趋势，对于识别高压力区域、比较区域发展差异并制定空间差异化管控策略至关重要。

以往研究多聚焦于湖泊状态或边界变化，缺乏对近岸人为活动强度及其空间结构的系统量化。夜间灯光（NTL）遥感因其覆盖广、时间连续、空间一致等优势，被广泛用于表征人类活动强度和建成区密度，但尚未被充分应用于城市湖泊岸带的人为活动强度评估。此外，湖区开发往往呈现方向性异质性，现有研究对此关注不足。因此，本研究以中国城市湖泊岸带为分析对象，利用长时间序列NTL数据，系统刻画近30年来近岸人为活动强度的积累、变化和空间组织，旨在回答四个核心问题：2020年近岸强度空间格局如何？1990–2020年强度如何变化？方向异质性是否存在及分布特征？多年代际轨迹类型有哪些？

**研究发现与意义**

本研究基于中国238个面积大于1 km2的城市湖泊，利用PANDA-China数据集（1990–2020年）和1 km缓冲区分析，揭示了近岸NTL强度的空间格局、时间变化、方向集中度和演化轨迹。研究发表于《Remote Sensing Applications: Society and Environment》。主要结论包括：2020年近岸NTL以中高水平为主（中位数3750.04），非水库湖泊强度显著高于人工水库；方向集中度普遍较低（均值0.18），仅5%湖泊存在强方向性；1990–2020年大多数湖泊近岸NTL增长（平均变化率62.29），极高增长集中在特大城市和核心城市群；聚类分析识别出六种轨迹，归纳为持续增长、多峰波动和倒U型三类，增长导向型占84.88%。该研究为大规模诊断湖岸开发压力、支持差异化湖岸管理提供了科学依据。

**关键技术与方法（不超过250字）**

本研究采用的关键技术方法包括：（1）利用PANDA-China数据集（1984–2020年，年际1 km分辨率NTL数据）作为人为活动强度代理指标；（2）基于中国城市湖泊数据集（CULD，2020年，10 m分辨率）筛选238个面积>1 km2的城市湖泊，分为水库（72个）和湖泊（166个）两类，来源为Song et al.（2022）；（3）通过多尺度敏感性评估确定1 km环形缓冲区作为湖岸分析单元；（4）应用自适应不规则各向异性（AIA）模型划分湖岸方向扇区，结合圆形方差分析量化方向集中度（R值）和主导方向（D值）；（5）计算1990–2020年平均年变化率（C）表征长期变化；（6）采用K-Means聚类对归一化NTL时间序列进行轨迹分类（最优k=6），并进一步归纳为三种主要发展模式。

**研究结果**

**3.1 2020年中国城市湖泊NTL分布特征**

通过2020年NTL数据量化近岸NTL（NTL_UL），结果显示湖泊间差异显著，中位数为3750.04，90.34%的湖泊呈中高水平（≥1000）。空间上，NTL_UL明显集中于东部沿海（105–123°E, 28–40°N），东北和华南地区中位数最高（均>5100），西南地区最低（中位数1362.32）。城市群尺度上，珠三角、长三角和长江中游城市群中位数较高（约4200–5200），非城市群地区极化明显。城市等级方面，特大城市中位数最高（4799.30），但大型城市和II型大城市中位数反而高于大型城市，呈现非线性关系。

**3.2 城市湖泊NTL方向集中度与主导方向**

基于圆形方差分析，方向集中度（R）整体较低（均值0.18，中位数0.15），66%的湖泊为极弱或弱集中度（R<0.2），仅5%的湖泊（11个）呈强或极强集中度（R>0.44），如威海潮汐湖（R=0.69）、沈阳卧龙湖（R=0.66）。高R湖泊主要分布在非城市群地区或西南、东北区域。主导方向（D）在东北、西南、西北象限分布均匀（各约26–27%），东南象限较少（19.75%），但与集中度等级无显著关联（χ2=6.79, p=0.87）。

**3.3 1990–2020年城市湖泊NTL强度变化**

近30年NTL_UL显著增加，平均变化率（C）为62.29，中位数58.86。81.93%的湖泊呈中等或更高增长率，其中高变化率（C≥50）占比最大（34.03%）。负增长湖泊仅占6.30%，集中在东部沿海特大城市和大城市（如深圳水库-5.49、北京十三陵水库-4.92）。随着增长率等级升高，湖泊向特大城市和核心城市群集聚，极高增长（C≥100）中特大城市占比58.93%，主要分布在长三角和长江中游城市群。水体类型对比显示，湖泊的NTL_UL中位数（1990年1254.68，2020年4028.51）和30年变化率（中位数73.67）均显著高于水库（1990年904.01，2020年2530.93，变化率39.55），但方向集中度无显著差异。

**3.4 城市湖泊NTL变化时空聚类分析**

K-Means聚类识别出六种典型动态轨迹，进一步归纳为持续增长、多峰波动和倒U型三类。增长导向型轨迹（聚类0、1、2、4）占84.88%。其中，聚类1（n=68, 28.57%）和聚类2（n=59, 24.79%）分别以2000–2015年和2000–2005年为主要增长期；聚类0（n=32, 13.45%）在2005年左右达到峰值后进入平台期；聚类4（n=43, 18.07%）呈延迟增长，快速期在2010–2015年。非增长轨迹包括多峰波动模式（聚类3, n=9, 3.78%）和倒U型模式（聚类5, n=27, 11.34%），其中聚类3集中在特大城市（占55.56%），聚类5主要分布在II型和III型城市（合计74.07%），集中于华东和华北。

**讨论与结论**

讨论部分指出，湖岸NTL模式嵌入于更广泛的城市化背景，但揭示了局部差异，如城市等级非线性、区域内部强异质性及相似背景下局部高/低强度案例。方向集中度低意味着人为压力可能分布于多个湖岸扇区，需全岸线监测，而高R湖泊可识别优先监控扇区。水库与湖泊的差异反映其空间和功能语境不同（水库多位于城市边缘或保护区，受约束更大）。轨迹异质性源于区域发展战略、土地财政和生态管理政策的时空错配，如深圳的早期饱和与基本生态控制线实施相关，非线性格局与河长制等治理周期一致。局限性包括：PANDA-China仍存在饱和与扩散效应、1 km分辨率难以捕捉细尺度异质性、湖泊边界随时间变化假设、NTL为间接指标无法直接验证生态后果、水体类型分类存在不确定性、NTL信号无法区分具体驱动力。

研究结论翻译：本研究整合CULD湖泊边界与1990–2020年PANDA-China夜间灯光数据集，量化了中国城市湖泊岸带基于NTL的人为活动强度长期时空动态。基于238个城市湖泊，分析了近岸强度水平、时间变化、方向集中度和演化轨迹。结果表明，至2020年，城市湖泊岸带人为活动强度已普遍较高，但空间和时间格局存在显著差异。1990–2020年间，大多数湖泊近岸NTL增加，表明人类活动广泛增强。同时，区域差异、方向结构和轨迹类型表明湖岸强度并非沿单一路径演变。多数湖泊方向集中度弱，少数湖泊存在强扇区集中，提示特定岸线方向上的局部压力。本研究的主要贡献是提供了以湖泊为中心审视城市内部人为活动强度的视角，为理解城市空间结构提供了湖岸带视角的参考，支持差异化湖岸监测、规划与管理。