Spatial-Temporal Expansion Pattern and Driving Mechanism of Built-up Area in Chang-Zhu-Tan Urban Agglomeration
-
摘要:
作为新型城镇化的主体,城市群的发展极大地影响着中国城市空间格局的演变。以中国中部崛起重要引擎之一的长株潭城市群为例,从建成区扩展空间分异与交互为视角,基于多时相不透水面数据提取建成区范围,利用分形维数、空间扩展强度、Moran’s I系数与空间关联指数等多维测度长株潭城市群建成区的组织结构、扩展进程及空间格局,并采用主成分分析、地理加权回归定量揭示扩展驱动机制。结果表明,2003-2018年,长株潭城市群的空间结构具有显著的轴线特征,建成区集中分布在湘江生态轴及铁路、高速、国道等五纵五横综合交通干线上。长沙、株洲、湘潭建成区面积与扩展速度总体趋于上升,但长沙的空间主导地位持续加强。城市群空间增长的聚集态势减弱,建成区扩展及分布格局的总体空间差异减小；其中部存在扩展极核,圈层式辐射带动外围“冷点区”的扩展格局演化。长株潭城市群扩展驱动机制呈现空间异质性,整体主要受社会经济对外联系、行政力及区位与通达性的影响。
Abstract:ObjectivesAs the main form of urbanization, the urban agglomeration can greatly affect the urban spatial pattern in China.
MethodsBased on the impervious area data of Chang-Zhu-Tan urban agglomeration (CZT-UA), the spatial organization structure, dynamic development pattern and spatially heterogeneous driving mechanism of the expansion of built-up areas in CZT-UA are quantitatively revealed with a collection of measurement methods, e.g., fractal dimension, expansion intensity index, Moran's I, Getis-Ord Gi*, principal component analysis and geographically weighted regression.
ResultsFrom 2003 to 2018, the spatial structure of CZT-UA shows obvious axial distribution, which generally follows Xiang-jiang River and the transportation network consisting of five vertical and five horizontal trunk lines. The built-up area and expansion speed of Changsha, Zhuzhou and Xiangtan show an upward trend. Compared with Changsha, Zhuzhou and Xiangtan expanded more slowly and the gap is gradually widened. The overall spatial differences in expansion and distribution of the built-up area in CZT-UA are gradually narrowed. The hotspot regions of urban expansion form a kernel in central CZT-UA, which provides driving force to the peripheral areas.
ConclusionsThe geographically weighted regression model demonstrates that the flow of residents and economy between cities, clear policy guidance from government, convenient transportation network as well as the radiation effect of the central city can jointly attribute to the expansion of built-up areas. However, the importance and effects of each factor varied in different regions of CZT-UA.
-
长航时高精度自主导航是发展水下自主航行器亟待解决的技术难题。惯性导航系统(inertial navigation system，INS)作为水下航行器的核心导航设备之一，因其存在随时间变化产生的累积误差，无法满足水下航行器长航时自主导航的高精度要求。地磁导航技术可以为水下航行器提供高隐蔽性的外部校正信息，修正由INS产生的累积误差[1-3]。地磁辅助惯性导航系统涉及到背景磁场构建、地磁导航匹配算法和地磁适配性分析等多项关键技术。适配性是指地磁图对匹配的适应性，即地磁场特征在相关匹配中能够表征地理位置的能力。通过对地磁图适配性的分析，挑选地磁特征显著、信息量丰富、适应性强的区域作为地磁适配区，能够有效提高地磁导航精度[4-7]。
为了解决多指标对单一决策的综合影响，目前已有诸多研究提出了分析方法，文献[8]提出了多属性决策评价地磁适配性的方法，该方法综合考虑地磁标准差、地磁粗糙度、地磁相关系数、地磁信息熵4个特征参数得到综合评价值，与匹配概率有较高的一致性；文献[9]提出了分形维数的评价方法，该方法从原理上分析了分形维数与适配性的关系，发现分形维数在适配性分析上具有很好的性能；文献[10]提出了基于粗糙集理论的地磁特征参数的选取方法，该方法能为适配区评价选取重要特征参数；文献[11]针对人为提取的特征不能客观描述深层次结构性特征的问题，提出了基于深度卷积神经网络的适配性分析方法，可以有效避免地磁特征人工提取的主观性；通过对地磁共生矩阵反演出的角二阶矩、对比度等统计参数的分析，文献[12]提出了基于地磁共生矩阵的地磁适配区选择算法，从多方向反映地磁变化特征以及地磁邻近区域的相关性；文献[13]提出了层次分析方法，定义了地磁场特征参数可信度，分析了特征参数的隐含信息，发现可信度比单一特征参数适配性评价效果更好。从定量角度可以将上述方法归纳为基于决策选优的适配性分析方法，排序和选优的思想是此类方法最显著的特征。通过排序来明确各候选匹配区适配性能的优劣，选优即选取适配性能好的区域作为适配区，然而这类方法存在人为设置阈值和判定准则难提取两个缺点。因此，为了使提取的准则更为客观，本文将模糊决策理论应用到地磁图适配性分析中。
模糊决策理论是运用模糊数学方法处理多目标决策问题，在分析过程中，这些多目标变量属于模糊因素[14]。本文基于地磁图适配性分析中存在多指标性和模糊性的特点，提出了基于模糊决策理论的地磁图适配性分析方法，对特征参数的模糊度指标进行加权分析，构建综合评价值来评定候选区适配性。针对地磁异常的无迹卡尔曼滤波(unscented Kalman filtering，UKF)算法，选取中国南海部分海域的全球地磁异常格网数据(earth magnetic anomaly grid 2，EMAG2)作为地磁异常基准图进行仿真实验，验证了定量分析结果的可靠性和该方法的可行性。
1 地磁图特征参数定义
本文将地磁场数据以格网的形式存储于计算机中，用离散点的形式表示地磁场在空间中的变化规律。设某地磁场区域的经纬度跨度为M×N网格(M为纬度跨度，N为经度跨度)，f(i, j)为网格点坐标(i, j)处的地磁异常值。描述地磁图适配性的特征参数多达十几种，根据地磁图特征参数与匹配概率的关联程度，本文选取地磁标准差、粗糙度、相关系数、坡度标准差和地磁信息熵作为评价候选匹配区适配性能的度量。上述5个地磁图特征参数的定义及其计算方法如下[15]。
1) 地磁标准差σ
地磁标准差反映了该区域地磁场离散程度和地磁场总体起伏情况。地磁标准差数值越大，表示该候选匹配区的地磁特征越明显，越适合做地磁匹配。其定义如下：
$$\sigma = \sqrt {\frac{1}{{MN - 1}}\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^N {{\left( {f\left( {i, j} \right) - \bar f} \right)}^2}} $$ (1) 式中，$\bar f = \frac{1}{{MN}}\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^N f\left({i, j} \right)$，表示候选匹配区内地磁场的均值。
2) 地磁粗糙度r
地磁粗糙度反映了候选匹配区地磁场的平均光滑程度和地磁场局部起伏状态。地磁粗糙度越大，表示该候选匹配区的地磁信息量越丰富，越有利于进行地磁匹配。其定义如下：
$$r = \frac{{{r_x} + {r_y}}}{2} $$ (2) $${r_x} = \sqrt {\frac{1}{{M\left( {N - 1} \right)}}\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^{N - 1} {{[f\left( {i, j} \right) - f\left( {i, j + 1} \right)]}^2}} $$ (3) $${r_y} = \sqrt {\frac{1}{{\left( {M - 1} \right)N}}\mathop \sum \limits_{i = 1}^{M - 1} \mathop \sum \limits_{j = 1}^N {{[f\left( {i, j} \right) - f\left( {i + 1, j} \right)]}^2}} $$ (4) 式中，rx表示该区域x方向粗糙度；ry表示该区域y方向粗糙度。
3) 相关系数ρ
地磁相关系数反映了地磁数据之间的独立性。地磁相关系数越小，表明该区域地磁信息越丰富，越有利于地磁匹配定位。定义如下：
$$\rho = \frac{{{\rho _x} + {\rho _y}}}{2} $$ (5) $${\rho _x} = \frac{1}{{M\left( {N - 1} \right){\sigma ^2}}}\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^{N - 1} \left[ {f\left( {i, j} \right) - \bar f} \right] \cdot \left[ {f\left( {i, j + 1} \right) - \bar f} \right] $$ (6) $${\rho _y} = \frac{1}{{\left( {M - 1} \right)N{\sigma ^2}}}\mathop \sum \limits_{i = 1}^{M - 1} \mathop \sum \limits_{j = 1}^N \left[ {f\left( {i, j} \right) - \bar f} \right] \cdot \left[ {f\left( {i + 1, j} \right) - \bar f} \right] $$ (7) 式中，ρx表示该区域x方向的相关系数；ρy表示该区域y方向的相关系数。
4) 坡度标准差S
地磁坡度S(i, j)为地磁场曲面上一点处的法线方向和垂直方向的夹角，可由地磁场在纬度方向、经度方向的变化率Sx(i, j)、Sy(i, j)确定，其定义如下：
$$\begin{array}{*{20}{c}} {{S_x}\left( {i, j} \right) = [f\left( {i + 1, j + 1} \right) + f\left( {i, j + 1} \right) + }\\ {f\left( {i - 1, j + 1} \right) - f\left( {i + 1, j - 1} \right) - }\\ {f\left( {i, j - 1} \right) - f\left( {i - 1, j - 1} \right)]/6} \end{array} $$ (8) $$\begin{array}{*{20}{c}} {{S_y}\left( {i, j} \right) = [f\left( {i + 1, j + 1} \right) + f\left( {i + 1, j} \right) + }\\ {f\left( {i + 1, j - 1} \right) - f\left( {i - 1, j + 1} \right) - }\\ {f\left( {i - 1, j} \right) - f\left( {i - 1, j - 1} \right)]/6} \end{array} $$ (9) $$S\left( {i, j} \right) = \sqrt {\left[ {{S_x}\left( {i, j} \right){]^2} + } \right[{S_y}\left( {i, j} \right){]^2}} $$ (10) 地磁坡度S(i, j)是针对候选匹配区中每一个格网点而言的，为了能够反映整个候选匹配区的地磁坡度情况，引入坡度标准差Sσ，其定义如下：
$${S_\sigma } = \sqrt {\frac{1}{{\left( {M - 2} \right)\left( {N - 2} \right) - 1}}\mathop \sum \limits_{i = 2}^{M - 1} \mathop \sum \limits_{j = 2}^{N - 1} {{(S\left( {i, j} \right) - \bar S)}^2}} $$ (11) $$\bar S = \frac{1}{{\left( {M - 2} \right)\left( {N - 2} \right)}}\mathop \sum \limits_{i = 2}^{M - 1} \mathop \sum \limits_{j = 2}^{N - 1} S\left( {i, j} \right) $$ (12) 5) 地磁信息熵H
地磁信息熵越小，代表地磁场特征越独特，该区域越有利于进行地磁匹配定位。其定义如下：
$$H = - \mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^N p\left( {i, j} \right) \cdot {\rm{lo}}{{\rm{g}}_2}\;p\left( {i, j} \right) $$ (13) $$p\left( {i, j} \right) = \frac{{f\left( {i, j} \right)}}{{\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^N f\left( {i, j} \right)}} $$ (14) 当对数的底数取2时，熵的单位为bit。
2 基于模糊决策理论的地磁图适配性分析
为了综合考虑地磁标准差、粗糙度、相关系数、坡度标准差及地磁信息熵等5个特征参数对适配性分析的影响，首先构建指标矩阵，然后构建隶属度矩阵对这5种不同类属的特征参数进行模糊控制，最后引入权重向量进一步提高综合评价矩阵的合理性[16-17]。
1) 构建指标矩阵X
设有m块待选区域，有n个评价指标来描述，则有m×n阶指标矩阵，其定义如下：
$$\mathit{\boldsymbol{X}} = \left[ {\begin{array}{*{20}{c}} {{x_{11}}}&{{x_{12}}}& \cdots &{{x_{1n}}}\\ {{x_{21}}}&{{x_{22}}}& \cdots &{{x_{2n}}}\\ \vdots & \vdots &{}& \vdots \\ {{x_{m1}}}&{{x_{m2}}}& \cdots &{{x_{mn}}} \end{array}} \right] = {({x_{ij}})_{m \times n}} $$ (15) 式中，xij表示第i个待分析对象的第j个评价因素的指标特征量，$i = 1, 2 \cdots m, j = 1, 2 \cdots n$。
2) 指标归一化
隶属度rij'的计算如下：
$$r_{i j}^{\prime}=\left\{\begin{array}{l} x_{i j} / x_{\mathrm{max}}, \text { 越大越优型 } \\ x_{\min } / x_{i j}, \text { 越小越优型 } \end{array}\right. $$ (16) 式中，xmax表示xij的最大值；xmin表示xij的最小值。
地磁标准差、地磁粗糙度、地磁坡度属于越大越优型，相关系数及地磁信息熵则属于越小越优型。由于各属性的量纲和取值范围相差较大，需要将不同属性的量纲进行标准化处理，使标准化转换后的评价值rij均值为0，方差为1。计算如下：
$$r_{i j}=\frac{r_{i j}^{\prime}-m_{j}}{\sigma_{j}} $$ (17) $$m_{j}=\frac{1}{m} \sum\limits_{i=1}^{m} r_{i j}^{\prime} $$ (18) $$\sigma_{j}=\sqrt{\frac{1}{m-1} \sum\limits_{i=1}^{m}\left(r_{i j}^{\prime}-m_{j}\right)^{2}} $$ (19) 式中，mj为第j个属性的均值；σj表示第j个属性值的标准差。
3) 多目标模糊关联矩阵的构造
根据式(14)构建指标隶属度矩阵Rm×n，其定义如下：
$${\mathit{\boldsymbol{R}}_{m \times n}} = \left[ {\begin{array}{*{20}{c}} {{r_{11}}}&{{r_{12}}}& \cdots &{{r_{1n}}}\\ {{r_{21}}}&{{r_{22}}}& \cdots &{{r_{2n}}}\\ \vdots & \vdots &{}& \vdots \\ {{r_{m1}}}&{{r_{m2}}}& \cdots &{{r_{mn}}} \end{array}} \right] $$ (20) 式中，$i = 1, 2 \cdots m; j = 1, 2 \cdots n$。
4) 权重向量的确定
由于各指标对适配性的影响程度各不相同，为实现综合评价结果的合理性，必须对各指标进行加权处理，定义权向量w为：
$$\mathit{\boldsymbol{w}} = \left( {{w_1}, {w_2} \cdots {w_m}} \right) = \left( {\frac{{{s_1}}}{{\mathop \sum \limits_{i = 1}^m {s_i}}}, \frac{{{s_2}}}{{\mathop \sum \limits_{i = 1}^m {s_i}}} \cdots \frac{{{s_m}}}{{\mathop \sum \limits_{i = 1}^m {s_i}}}} \right){\rm{}} $$ (21) $${s_i} = {\rm{exp}}\left[ {\mu \mathop \sum \limits_{j = 1}^n \mathop \sum \limits_{k = 1}^n \left| {{r_{ij}} - {r_{ik}}} \right|/\left( {1 - \mu } \right) - 1} \right]{\rm{}} $$ (22) 式中，μ代表平衡系数(0 < μ < 1)。
5) 综合评判矩阵
将式(21)所得权重矩阵与式(20)所得隶属度矩阵组合构成综合评判矩阵V，其定义如下：
$$\mathit{\boldsymbol{V}} = \mathit{\boldsymbol{wR}} = \left( {{w_1}, {w_2} \cdots {w_m}} \right)\left[ {\begin{array}{*{20}{c}} {{r_{11}}}&{{r_{12}}}& \cdots &{{r_{1n}}}\\ {{r_{21}}}&{{r_{22}}}& \cdots &{{r_{2n}}}\\ \vdots & \vdots &{}& \vdots \\ {{r_{m1}}}&{{r_{m2}}}& \cdots &{r_{mn}^{}} \end{array}} \right] $$ (23) 3 数据计算及结果评定
本文选取分辨率为2″的全球地磁异常格网数据EMAG2，将范围为108°E~113°E、10°N~15°N的中国南海部分海域地磁异常格网数据作为实验的地磁异常基准图，如图 1所示，该地区的地磁图特征样式繁多，很难直观对各区域的适配性优劣作出直接判断。
将图 1所示区域等间隔划分为16个候选匹配区域，以便进行计算及结果分析，候选匹配区域1~16的地磁图特征参数统计量见表 1，表 1同时给出了相应地磁图特征参数的数值大小排序结果。
表 1 单一地磁图特征参数值及其排序Table 1. Rank Results of Single Geomagnetic Map Feature Parameter区域编号 标准差σ 粗糙度r 相关系数 坡度标准差S 信息熵H 数值/nT 排序 数值 排序 数值 排序 数值 排序 数值/bit 排序 1 4.144 9 9 0.933 9 12 0.992 1 5 1.342 2 10 10.112 7 5 2 3.520 3 11 1.530 7 3 0.977 2 14 1.856 7 6 10.014 2 13 3 4.374 3 8 1.771 3 2 0.994 7 3 2.304 1 2 9.823 9 16 4 3.708 0 10 1.131 8 8 0.991 6 6 1.432 7 8 10.113 7 4 5 4.409 5 7 0.960 3 10 0.987 8 8 1.094 6 13 10.180 2 1 6 2.698 5 14 0.866 9 13 0.987 3 9 1.274 9 11 10.024 0 12 7 6.987 7 2 1.049 4 9 0.996 0 1 1.481 2 7 10.000 0 14 8 4.459 7 5 0.845 5 14 0.994 4 4 0.969 7 14 10.150 5 2 9 2.649 9 15 2.067 4 1 0.960 9 15 2.829 0 1 10.041 4 10 10 2.865 5 12 1.286 5 5 0.984 2 11 1.861 3 4 10.059 7 8 11 2.753 5 13 0.392 0 16 0.985 5 10 0.602 6 16 10.092 6 6 12 4.416 4 6 1.247 4 6 0.978 6 13 1.857 8 5 10.031 4 11 13 2.552 3 16 0.935 5 11 0.958 7 16 1.242 5 12 9.943 1 15 14 7.359 4 1 1.339 9 4 0.995 2 2 1.908 8 3 10.062 0 7 15 4.815 8 4 0.742 0 15 0.990 8 7 0.896 8 15 10.041 8 9 16 5.330 5 3 1.158 5 7 0.983 6 12 1.414 7 9 10.117 2 3 由式(15)~(23)求解可得各适配区的综合评定结果，根据计算值大小对各区域适配性优劣进行排序，结果如表 2所示。
表 2 各候选匹配区综合评定值及其排序Table 2. Rank Results of Candidate Matching Regions区域编号 综合评定值 排序 1 2.033 5 10 2 2.774 0 6 3 3.431 6 2 4 2.165 1 8 5 1.680 1 13 6 1.927 8 11 7 2.291 1 7 8 1.499 8 14 9 4.170 7 1 10 2.775 5 4 11 0.954 0 16 12 2.775 1 5 13 1.869 3 12 14 2.872 6 3 15 1.394 1 15 16 2.144 4 9 由表 1可知，若分别以地磁粗糙度、地磁坡度作为评价依据，9号区域适配性最好；若以地磁信息熵作为评价依据，3号区域适配性最优。由此可知，利用单一特征参数作为评价依据所得结果并不一致。因此，单一地磁图特征参数作为候选匹配区适配性评价依据进行分析存在不合理性，而基于模糊决策理论能够综合主要特征参数进行加权分析，构建出综合评价值来评定候选匹配区的适配性。
为了验证基于模糊决策理论的地磁图适配性评估方法所得综合评定结果的正确性和可靠性，本文采用基于地磁异常的UKF滤波算法，选取16个候选匹配区当中的9号(排序1)、4号(排序8)和11号(排序16)3块区域进行仿真实验。在航迹仿真实验中，设置了航迹1和航迹2两条航迹进行验证分析。水下自主航行器(autonomous underwater vehicle，AUV)的运动状态如下：先进行匀加速运动，再匀速运动，然后转弯，最后变成匀速状态。惯导航迹仿真参数设置如表 3所示，区域9、4、11的仿真航迹结果分别如图 2、图 3、图 4所示。
表 3 仿真参数设置Table 3. Simulation Parameter Setting参数 参数值 惯性导航初始经度误差/n mile 2 惯性导航初始纬度误差/n mile 2 陀螺零偏/((°)·h-1) 0.01 加表零偏/(m·s-2) 1×10-5 AUV匀速运动速度/(n mile·h-1) 9.7 AUV偏航角/(°) 50 AUV航行时间/h 10.29 惯性导航初始状态方差/(°)2 0.001 地磁图噪声方差/(nT)2 10 地磁测量噪声方差/(nT)2 10 综合两条航迹，对9号、4号以及11号候选匹配区分别沿经度和纬度方向对基于UKF滤波方法的绝对匹配误差进行统计，结果如表 4所示。
表 4 绝对匹配误差统计值Table 4. Statistics of Absolute Matching Errors方向 编号 最大值/n mile 最小值/n mile 平均值/n mile 均方误差/n mile 纬向 9 1.869 6 0.003 1 0.935 7 0.332 0 4 4.493 2 0.003 2 2.332 3 2.186 0 11 18.897 5 0.028 6 10.584 4 6.002 7 经向 9 1.375 1 0.009 8 0.892 8 0.384 7 4 4.895 4 0.010 2 2.707 0 2.133 4 11 12.907 7 0.106 5 8.146 9 5.899 1 由图 2~4可知，9号区域较4号区域的匹配航迹更接近真实轨迹，11号区域则在匹配过程中出现误匹配现象。由表 4仿真实验结果可得，综合评价值更高的区域，纬向和经向绝对匹配误差也越小。实验结果表明，综合评价值高的区域其适配性能更好，可以选取相应区域作为适配区。
4 结语
本文提出了基于模糊决策理论的地磁图适配性分析方法，对图 1中的各个候选匹配区的适配性进行定量分析，得出综合评价值作为评价依据，并且进行航迹仿真实验验证了该方法的可靠性。实验结果表明，基于模糊决策的地磁图适配性分析结果与仿真实验结果具有较好的一致性，且综合评价值越高，匹配效果越好。且该方法解决了仅依据单一评价指标进行分析的不全面问题，得出综合评价值作为地磁图适配性优劣评判的定量分析依据，对航迹规划问题也具有一定指导意义。
http://ch.whu.edu.cn/cn/article/doi/10.13203/j.whugis20210634
-
![]()
图 3 2003年、2008年、2013年及2018年长株潭城市群建成区分布
Figure 3. Spatial Distribution of Built-up Areas in CZT-UA in 2003, 2008, 2013 and 2018
![]()
图 4 长株潭城市群区县级人流量
Figure 4. Origin Destination Data of People Flow Between Districts and Counties in CZT-UA
![]()
图 5 长株潭城市群区县间经济联系
Figure 5. Economic Interaction Between Districts and Counties in CZT-UA
![]()
图 6 2003年、2008年、2013年及2018年长株潭城市群建成区分布关联分形维数
Figure 6. Spatial Correlation Dimension of the Distribution of Built-up Areas in CZT-UA in 2003, 2008, 2013 and 2018
![]()
图 7 长株潭城市群轴线分布示意图
Figure 7. Axis Patterns of the Distribution of Built-up Areas in CZT-UA
![]()
图 8 2003—2018年长株潭城市群建成区时空扩展进程
Figure 8. Spatial-Temporal Expansion of Built-up Areas in CZT-UA from 2003 to 2018
![]()
图 9 2003年、2008年、2013年及2018年长株潭城市群建成区面积空间自相关分析
Figure 9. Moran’s I Index of Built-up Areas in CZT-UA in 2003, 2008, 2013 and 2018
![]()
图 10 2003-2018年各阶段长株潭城市群建成区扩展面积空间自相关分析
Figure 10. Moran’s I Index of Urban Sprawl Area in CZT-UA from 2003 to 2018
![]()
图 11 2003-2018年长株潭城市群建成区扩展热点区演化
Figure 11. Hot Spots of Urban Growth Patterns in the CZT-UA from 2003 to 2018
表 1 2003-2018年长株潭城市群建成区空间扩展强度指数
Table 1 Spatial Expansion Intensity Index of Built-up Areas in CZT-UA from 2003 to 2018
地区 2003-2008年 2008-2013年 2013-2018年 长株潭城市群 0.18 0.32 0.34 长沙市 0.32 0.49 0.45 株洲市 0.05 0.14 0.19 湘潭市 0.13 0.30 0.42 
下载: 导出CSV
表 2 长株潭城市群建成区面积驱动因素指标体系
Table 2 Driving Factors of the Expansion of CZT-UA’s Built-up Area
含义 指标 人口 年末常住人口 城市化水平 人口密度 经济 国内生产总值（gross domestic product,GDP） 人均GDP 行政力 地方财政收入 一般公共预算支出 市场力 固定资产投资 社会消费品零售总额 人均可支配收入 自然 平均DEM 平均坡度 到河流的平均距离 交通通达性 到铁路的距离 到国道的距离 到县道的距离 到高速公路的距离 到主要道路(国道/省道/县道)的距离 道路密度 城市群内部交互作用 到长沙市的距离 基于主要路网到长沙市的距离 对外人流交互强度 经济联系总引力
下载: 导出CSV
表 3 主成分变量及其因子构成
Table 3 Principal Components and the Dominant Driving Factors
主成分 因子体系 主导因素 F1 经济联系总引力、对外人流交互强度、人口密度、道路密度、人均GDP 社会经济对外联系 F2 平均DEM、基于主要路网到长沙市的距离、平均坡度、到长沙市的距离、到县道的距离、到主要道路(国道/省道/县道)的距离 区位与通达性 F3 地方财政收入、一般公共预算支出、年末常住人口、GDP 行政力
下载: 导出CSV
表 4 地理加权回归系数统计
Table 4 Coefficient Statistics of GWR
因子 最小值 最大值 平均值 标准差 F1 0.059 0.613 0.185 0.131 F2 -0.873 -0.081 -0.602 0.207 F3 0.456 0.884 0.777 0.103
下载: 导出CSV
-
[1] 鲁仕维, 方志祥, 萧世伦, 等. 城市群体移动模式研究中空间尺度影响的定量分析[J]. 武汉大学学报（信息科学版）, 2016, 41（9）： 1199-1204. Lu Shiwei, Fang Zhixiang, Xiao Shilun, et al. Quantitative Analysis of the Effects of Spatial Scales on Intra-Urban Human Mobility[J]. Geomatics and Information Science of Wuhan University, 2016, 41（9）： 1199-1204.
[2] 方创琳. 改革开放40年来中国城镇化与城市群取得的重要进展与展望[J]. 经济地理, 2018, 38（9）： 1-9.. Fang Chuanglin. Important Progress and Prospects of China’s Urbanization and Urban Agglomeration in the Past 40 Years of Reform and Opening-up[J]. Economic Geography, 2018, 38（9）： 1-9.
[3] 黄经南, 惠雨, 杨石琳, 等. 基于县（市、区）的京津冀城市群生态与经济协调发展研究[J]. 测绘地理信息, 2024, 49（2）： 100-107. Huang Jingnan, Hui Yu, Yang Shilin, et al. Coordinated Development of Ecology and Economy of Beijing-Tianjin-Hebei Urban Agglomeration Based on Counties/County-level Cities/Districts[J]. Journal of Geomatics, 2024, 49（2）： 100-107.
[4] 王雨枫, 王娟. 浙江城市群人口与用地规模的时空分异结构演变研究[J]. 武汉大学学报（信息科学版）, 2022, 47（2）： 280-286. Wang Yufeng, Wang Juan. Spatiotemporal Differentiation Structure Evolution of Population and Land in Zhejiang Urban Agglomeration[J]. Geomatics and Information Science of Wuhan University, 2022, 47（2）： 280-286.
[5] 顾朝林. 城市群研究进展与展望[J]. 地理研究, 2011, 30（5）： 771-784. Gu Chaolin. Study on Urban Agglomeration： Progress and Prospects[J]. Geographical Research, 2011, 30（5）： 771-784.
[6] Fang C L, Yu D L. Urban Agglomeration： An Evolving Concept of an Emerging Phenomenon[J]. Landscape and Urban Planning, 2017, 162： 126-136.
[7] Howard E. Tomorrow[M]. Cambridge, UK： Cambridge University Press, 2010.
[8] 于洪俊, 宁越敏. 城市地理概论[M]. 合肥： 安徽科学技术出版社, 1983. Yu Hongjun, Ning Yuemin. Introduction to Urban Geography[M]. Hefei： Anhui Science & Technology Publishing House, 1983.
[9] 姚士谋, 陈爽, 陈振光. 关于城市群基本概念的新认识[J]. 现代城市研究, 1998, 13（6）： 15-17. Yao Shimou, Chen Shuang, Chen Zhenguang. New Recognition on City Group Basic Concept[J]. Urban Research, 1998, 13（6）： 15-17.
[10] 薛东前, 王传胜. 城市群演化的空间过程及土地利用优化配置[J]. 地理科学进展, 2002, 21（2）： 95-102. Xue Dongqian, Wang Chuansheng. A Study on the Spatial Process for the Evolution of Urban Agglomerations and Optimal Land Use[J]. Progress in Geography, 2002, 21（2）： 95-102.
[11] 孟祥林. 京津冀城市圈发展布局： 差异化城市扩展进程的问题与对策探索[J]. 城市发展研究, 2009, 16（3）： 6-15. Meng Xianglin. Distribution of Jing-Jin-Ji Urban Circle Development： Problems and Strategies Exploration for Differential Urban Expansion Procession[J]. Urban Studies, 2009, 16（3）： 6-15.
[12] 车前进, 段学军, 郭垚, 等. 长江三角洲地区城镇空间扩展特征及机制[J]. 地理学报, 2011, 66（4）： 446-456. Che Qianjin, Duan Xuejun, Guo Yao, et al. Urban Spatial Expansion Process, Pattern and Mechanism in Yangtze River Delta[J]. Acta Geographica Sinica, 2011, 66（4）： 446-456.
[13] 关兴良, 方创琳, 周敏, 等. 武汉城市群城镇用地空间扩展时空特征分析[J]. 自然资源学报, 2012, 27（9）： 1447-1459. Guan Xingliang, Fang Chuanglin, Zhou Min, et al. Spatial and Temporal Characteristics of Spatial Expansion of Urban Land in Wuhan Urban Agglomeration[J]. Journal of Natural Resources, 2012, 27（9）： 1447-1459.
[14] 吴金稳, 王海军, 张彬. 珠三角城市群城镇用地扩展时空格局及其驱动因素分析[J]. 现代城市研究, 2020（1）： 60-66. Wu Jinwen, Wang Haijun, Zhang Bin. Spatio-temporal Patterns and Driving Forces of Urban Land Expansion in the Pearl River Delta Agglomeration.[J] Modern Urban Research, 2020（1）： 60-66.
[15] 郑伯红, 王志远, 汪华. 基于DMSP/OLS数据的长株潭城市群建成区演变特征研究[J]. 国土资源遥感, 2020, 32（4）： 172-181. Zheng Bohong, Wang Zhiyuan, Wang Hua. A Study of the Evolution Characteristics of Built-up Areas in Chang-Zhu-Tan Urban Agglomeration Based on DMSP/OLS Data[J]. Remote Sensing for Land & Resources, 2020, 32（4）： 172-181.
[16] 王利伟, 冯长春. 转型期京津冀城市群空间扩展格局及其动力机制： 基于夜间灯光数据方法[J]. 地理学报, 2016, 71（12）： 2155-2169. Wang Liwei, Feng Changchun. Spatial Expansion Pattern and Its Driving Dynamics of Beijing-Tianjin-Hebei Metropolitan Region： Based on Nighttime Light Data[J]. Acta Geographica Sinica, 2016, 71（12）： 2155-2169.
[17] 王海军, 张彬, 刘耀林, 等. 基于重心-GTWR模型的京津冀城市群城镇扩展格局与驱动力多维解析[J]. 地理学报, 2018, 73（6）： 1076-1092. Wang Haijun, Zhang Bin, Liu Yaolin, et al. Multi-dimensional Analysis of Urban Expansion Patterns and Their Driving Forces Based on the Center of Gravity-GTWR Model： A Case Study of the Beijing-Tianjin-Hebei Urban Agglomeration[J]. Acta Geographica Sinica, 2018, 73（6）： 1076-1092.
[18] Li J H, Fang W, Wang T, et al. Correlations Between Socioeconomic Drivers and Indicators of Urban Expansion： Evidence from the Heavily Urbanised Shanghai Metropolitan Area, China[J]. Sustainability, 2017, 9（7）： 1199.
[19] 欧阳晓, 朱翔, 贺清云. 城市群城市用地扩张时空特征及驱动机制研究： 以长株潭城市群为例[J]. 长江流域资源与环境, 2020, 29（6）： 1298-1309. Ouyang Xiao, Zhu Xiang, He Qingyun. Study of Spatio-Temporal Pattern and Driving Mechanism of Urban Land Expansion in Urban Agglomeration： A Case Study of the Changsha-Zhuzhou-Xiangtan Urban Agglomeration[J]. Resources and Environment in the Yangtze Basin, 2020, 29（6）： 1298-1309.
[20] 黄绘青, 王伟, 刘莉. 长株潭城市群耕地资源数量时空演变及驱动机制分析[J]. 测绘地理信息, 2023, 48（4）： 90-95. Huang Huiqing, Wang Wei, Liu Li. Spatial-Temporal Evolution of Cultivated Land Resources and Analysis of Driving Mechanism in Changsha-Zhuzhou-Xiangtan Urban Agglomeration[J]. Journal of Geomatics, 2023, 48（4）： 90-95.
[21] 宋艳华, 焦利民, 刘稼丰, 等. 城市扩张程度的影响因素分析： 以武汉市为例[J]. 武汉大学学报（信息科学版）, 2021, 46（3）： 417-426. Song Yanhua, Jiao Limin, Liu Jiafeng, et al. Analysis of the Factors Affecting the Degree of Urban Expansion： Taking Wuhan City as an Example[J]. Geomatics and Information Science of Wuhan University, 2021, 46（3）： 417-426.
[22] Gong P, Li X C, Wang J, et al. Annual Maps of Global Artificial Impervious Area （GAIA） Between 1985 and 2018[J]. Remote Sensing of Environment, 2020, 236： 111510.
[23] 中华人民共和国建设部.GB/T50280-98,城市规划基本术语标准[S].北京：中华人民共和国建设部,1998 Ministry of Construction of the People's Republic of China. GB/T50280-98, Standard for Basic Terminology of Urban Planning.[S] Beijing： Ministry of Construction of the People's Republic of China,1998
[24] 吴学伟, 徐亚明, 龚文峰. 城市热岛空间格局及其变化的图形信息特征分析[J]. 武汉大学学报（信息科学版）, 2017, 42（12）： 1711-1718. Wu Xuewei, Xu Yaming, Gong Wenfeng. Graphical Information Characteristics of Urban Heat Island Spatial Pattern and Its Change[J]. Geomatics and Information Science of Wuhan University, 2017, 42（12）： 1711-1718.
[25] 李鹏, 王永吉, 邢武杰, 等. 基于TM影像的城市不透水面提取应用研究： 以广州市为例[J]. 黑龙江工程学院学报, 2016, 30（1）： 19-23. Li Peng, Wang Yongji, Xing Wujie, et al. Application of Urban Impervious Surface Extraction Based on TM Image—Taking Guangzhou City as an Example[J]. Journal of Heilongjiang Institute of Technology, 2016, 30（1）： 19-23.
[26] 孟飞, 殷成龙, 孟祥金, 等. 通过不透水面聚集密度法提取城市建成区[J]. 遥感信息, 2020, 35（4）： 8-15. Meng Fei, Yin Chenglong, Meng Xiangjin, et al. Urban Built-up Area Extraction by Aggregation Density Method of Impervious Surface[J]. Remote Sensing Information, 2020, 35（4）： 8-15.
[27] 何建华, 施璇, 龚健, 等. 顾及空间交互作用的城市群联动空间增长模拟： 以武汉都市区为例[J]. 武汉大学学报（信息科学版）, 2016, 41（4）： 462-467. HE, Jianhua, SHI Xuan, Gong Jian, et al. Modeling the Spatial Expansion of Urban Agglomeration Considering Their Spatial Interaction： A Case Study of Wuhan Metropolitan Area[J]. Geomatics and Information Science of Wuhan University, 2016, 41（4）： 462-467.
[28] 刘耀林, 方飞国, 王一恒. 基于手机数据的城市内部就业人口流动特征及形成机制分析： 以武汉市为例[J]. 武汉大学学报（信息科学版）, 2018, 43（12）： 2212-2224. Liu Yaolin, Fang Feiguo, Wang Yiheng. Characteristics and Formation Mechanism of Intra-urban Employment Flows Based on Mobile Phone Data—Taking Wuhan City as an Example[J]. Geomatics and Information Science of Wuhan University, 2018, 43（12）： 2212-2224.
[29] 刘继生, 陈彦光. 城镇体系空间结构的分形维数及其测算方法[J]. 地理研究, 1999, 18（2）82-89 Liu Jisheng, Chen Yanguang. Fractal Dimensions of Spatial Structure of an Urban System and the Methods of Their Determination[J]. Geographical Research, 1999, 18（2）82-89
[30] 王洋, 方创琳, 王振波. 中国县域城镇化水平的综合评价及类型区划分[J]. 地理研究, 2012, 31（7）： 1305-1316. Wang Yang, Fang Chuanglin, Wang Zhenbo. The Study on Comprehensive Evaluation and Urbanization Division at County Level in China[J]. Geographical Research, 2012, 31（7）： 1305-1316.
计量
- 文章访问数: 1199
- HTML全文浏览量: 119
- PDF下载量: 120
