巴吞他尼府（泰国）城乡结合部转型与城市空间格局的时空分析

《Sustainability》：Spatio-Temporal Analysis of Peri-Urban Transformation and Spatial Urban Patterns in Pathum Thani, Thailand

　　

研究人员利用一个整合了来自Google Earth Engine (GEE)的城市化和环境指标的时空分析框架，调查了泰国巴吞他尼府的城乡结合部转型动态。分析纳入了2018年至2025年间的归一化建筑指数（NDBI）、归一化植被指数（NDVI）、夜间灯光（NTL）、地表温度（LST）以及大气污染物（CO、NO₂、SO₂和CH₄）。应用了统计分析和K-means聚类方法来识别城市转型模式和环境影响。结果揭示了受曼谷大都市扩张强烈影响的碎片化且不均衡的城乡结合部发展。NDBI和NTL表明持续的建筑扩张和社会经济活动加剧，特别是在交通走廊和郊区增长前沿。环境指标显示研究期间城市热强度增加和空气质量恶化。时间NDVI和NDBI分析进一步揭示了植被损失、建筑扩张和环境恢复的交替循环。总体而言，研究结果强调了城乡结合部转型的复杂性和多维性，并展示了综合时空方法在城市和环境分析中的适用性。

**研究背景与问题**
城市发展受复杂社会、经济、环境与物理过程驱动，产生动态转型。城乡结合部（peri-urban）作为城乡过渡带，面临快速土地利用转换、空间碎片化及基础设施与环境系统压力，尤其在全球南方城市扩张中更为突出。泰国巴吞他尼府（Pathum Thani）紧邻曼谷大都市区，受曼谷扩张影响，经历了大规模住宅、工业及教育设施沿交通干道分布的增长，导致交通拥堵、环境污染和可持续出行受限等问题。现有研究对城乡结合部扩张模式的理解多依赖单一指标或静态分析，难以捕捉其多维、动态特征。因此，有必要整合城市动态与环境压力指标，在时空框架下揭示城乡结合部转型的关键模式与相互关系。

**研究内容与意义**
研究人员基于Google Earth Engine（GEE）提取2018–2025年间归一化建筑指数（NDBI）、归一化植被指数（NDVI）、夜间灯光（NTL）、地表温度（LST）及大气污染物（CO、NO₂、SO₂、CH₄）等多源遥感数据，采用统计分析与K-means聚类方法，结合张量（tensor）分解框架，对巴吞他尼府城乡结合部转型进行时空分析。研究发现城乡结合部发展呈现碎片化、不均衡特征，受曼谷大都市扩张驱动；NDBI与NTL显示建筑持续扩张和社会经济活动加剧，尤其在交通走廊和郊区增长前沿；环境指标表明城市热强度增加、空气质量恶化；NDVI与NDBI时间分析揭示植被损失、建筑扩张与环境恢复的交替循环。研究证实了综合时空方法在城市与环境分析中的适用性，为理解城乡结合部转型的多维性提供了数据驱动视角。该论文发表在《Sustainability》。

**主要关键技术方法**
研究采用基于张量的时空分析框架，将GEE提取的遥感数据组织为三维张量（约1599个1 km × 1 km网格单元 × 2018–2025年时间步 × 7个指标：NDVI、NDBI、NTL、NO₂、CO、SO₂、CH₄）。通过CANDECOMP/PARAFAC（CP）分解（秩R=3）提取空间、时间和指标因子矩阵，随后将空间因子载荷作为输入进行K-means聚类（k=5，经轮廓系数和Davies-Bouldin指数优化）。数据预处理包括z-score标准化、缺失值中位数填补，并通过超参数调优确定NDVI阈值（≥0.50）和NDBI阈值（≥?0.17）以提升分类精度。样本队列来源为泰国巴吞他尼府全域。

**研究结果**
**4.1 The Land-Use Dynamics of Pathum Thani from 1984 to 2020**
通过对比1984–2020年土地分类变化（源自GEE）与地面验证数据，发现农业用地虽占主导，但2000–2010年间城市面积显著扩张，对应曼谷向外扩张的住宅、工业和交通基础设施发展。NDVI与地面植被比例吻合较好，NDBI变异性较大；经阈值优化后，NDVI平衡精度0.762，优于NDBI的0.737，表明植被分类更可靠。

**4.2 Spatio-Temporal Urbanization Dynamics**
基于NDBI和NTL的时空分析显示，2018–2025年间NDBI从?0.201增至?0.197（年均增长0.323%），NTL从5.856 nW/sr/cm²升至11.527 nW/sr/cm²（年均增长13.832%），表明建筑持续扩张与人类经济活动加速。空间上，高值集中于曼谷大都市区连接的交通走廊和新兴郊区，反映城乡结合部转型受大都市溢出驱动。

**4.3 Environmental Impacts Associated with Urbanization**
**4.3.1 Atmospheric Pollution Dynamics**
大气污染物（CO、NO₂、SO₂、CH₄）源自Sentinel-5P卫星反演。CH₄从2019年1882.479 ppb升至2025年1941.114 ppb；CO和NO₂年均增长0.716%和1.004%；SO₂年均下降1.924%。空间上，高浓度污染物集中于城市化和交通走廊区域，表明交通排放和燃烧活动的影响。

**4.3.2 Land Surface Temperature (LST) Change**
LST从34.3 °C升至34.8 °C（年均增长0.181%），建成区温度更高，暗示城市热岛效应加剧。

**4.3.3 Spatio-Temporal Transition Patterns of Urbanization and Vegetation Dynamics**
NDVI-NDBI转换分析显示，2018–2025年间存在植被损失与建筑扩张（如2018–2020、2022–2023、2024–2025）与植被恢复及建筑强度减弱（如2020–2022、2023–2024）的交替周期，反映城乡结合部转型的非线性动态。

**4.4 Spatio-Temporal Urban Transformation Clusters and Peri-Urban Dynamics**
通过K-means聚类（k=5）结合张量分解，识别出沿城乡梯度的五个空间类别：Cluster 1（农业与绿色核心，516网格，NDVI≈0.57，NDBI≈?0.23，LST≈32.9 °C，NTL≈2.2）主导非城市景观；Cluster 2（郊区过渡带，呈高年际变异，植被与建筑交替）散布于中部和东北部；Cluster 3（密集城市核心，93网格，NDVI≈0.32，NDBI≈?0.04，LST≈39 °C，NTL≈28）环境压力最大；Cluster 4（植被城乡结合部边缘，425网格，稳定低变化）集中于西部和北部；Cluster 5（强化城市前沿，207网格，NDVI下降，NDBI上升，NTL增长）形成南部连续带。环境指标（CH₄、CO、NO₂、SO₂、LST、NTL）随城市化程度增加而升高，证实城乡结合部转型伴随系统性环境压力升级。

**讨论总结**
讨论部分强调，张量分解框架整合了多源遥感与大气污染数据，保留了时空与指标间依赖，优于传统单指标时间序列分析。研究揭示了巴吞他尼府城乡结合部转型的非线性、空间不均匀性，指出城市扩张不仅表现为物理形态变化，还涉及经济活动和人类活动强化。五个聚类代表了城乡结合部转型的不同阶段（从农业/绿色核心到密集城市核心），与独立地面验证数据一致。环境压力沿城乡梯度递增，但相关关系而非因果关系。研究局限性包括：依赖遥感数据（未与地面观测独立验证）、未考虑社会政治与制度驱动因素（如治理、土地投机）、聚焦单一区域可能限制可迁移性。未来应整合定量与定性方法、检验因果机制及空间溢出效应，并纳入PM_2.5等额外环境指标。

**结论翻译**
研究人员提出了一个整合多源遥感指标、大气污染数据与基于张量的时空分析框架，用于考察巴吞他尼府城乡结合部转型。研究结果揭示，城乡结合部转型是一个异质且动态的过程，其特征为碎片化城市扩张、持续农业景观以及非线性土地覆盖转换。多维时空分析结合K-means聚类，将这些动态沿城乡梯度划分为五个不同的空间类别（农业/绿色类、植被边缘、郊区过渡类、强化城市类和密集城市核心）。该分类与独立地面验证土地覆盖数据一致。环境指标通常随城市化水平升高而增加，表明不同的城乡结合部类型与不同的环境条件相关联。总体而言，研究结果揭示，整合多源数据与多维分析技术为表征城乡结合部转型的复杂时空动态提供了一种有效方法。由于研究结果揭示的是关联而非因果关系，未来研究应纳入因果推断、空间溢出分析以及包括PM_2.5和温室气体排放的额外环境指标，以支持针对不同城乡结合部类型的规划策略，并促进可持续城乡结合部管理。