EN中文

Tropical Geography >

2022 , Vol. 42 >Issue 3: 444 - 456

DOI: https://doi.org/10.13284/j.cnki.rddl.003455

The Multi-Center Spatial Structure in the Guangdong-Hong Kong-Macao Greater Bay Area Urban Agglomeration Based on Luojia1-01 Nighttime Light Data and POI Data

  • Qiuying Zhi , 1 ,
  • Jieying Chen 1 ,
  • Yingchun Fu , 1, 2 ,
  • Biyun Guo 3
Expand
  • 1. School of Geography, South China Normal University, Guangzhou 510631, China
  • 2. Key Laboratory of Natural Resources Monitoring in Tropical and Subtropical Area of South China, Ministry of Natural Resources, Guangzhou 510663, China
  • 3. College of Resource Environment and Tourism, Capital Normal University, Beijing 100048, China

Received date: 2021-09-11

  Revised date: 2022-01-07

  Online published: 2022-03-21

Fold

Highlights

The Guangdong-Hong Kong-Macao Greater Bay Area (referred to as "GBA") is an important strategic deployment for China's current economic development. Clarifying the spatial structure characteristics of the GBA urban agglomeration is conducive to optimizing its spatial structure to develop into a multi-center network spatial structure and promoting coordinated regional development. This study uses the advantage of Luojia1-01 nighttime light data, which can distinguish the difference in urban night light intensity. Through multi-scale segmentation of nighttime light intensity, the potential center range is established. The point of interest (POI) data are used for spatial autocorrelation analysis and geographically weighted regression to identify the multi-center distribution of the GBA urban agglomeration, and to analyze its spatial structure characteristics from multiple perspectives such as functional structure identification, spatial correlation measurement, and main center service range. The following list illustrates what the results show. 1) The GBA has five main centers and 14 sub-centers, including the main centers of Guangfo, Shenguan, Hong Kong, Aozhu, and Zhongshan. The functional structures of the five main centers are mainly mixed functional areas, and 14 sub-centers (such as Huadu, Zengcheng, Conghua, Huicheng, Duanzhou, Xinhui, Shiqi) are distributed around the periphery of the main centers. 2) The correlation strength of the five main centers and nine cities plus two special administrative regions in the urban agglomeration, calculated based on the Luojia1-01 nighttime light data, shows characteristics of "strong in the east and weak in the west" and "strong inside and weak outside." 3) The study considered the distribution of the main centers of the urban agglomeration and their spatial correlation strength characteristics, as well as the three groups served by the main centers (Guangfozhao group, Gang-Shenguanhui group and Ao-Zhuzhongjiang group), combined with the planning requirements of the "Outline Development Plan for the Guangdong-Hong Kong-Macao Greater Bay Area" and "Guangdong Province Land and Space Planning (2020-2035)." The findings suggest that the GBA should build a regional spatial structure of "five centers, one area, three groups and four axes" to achieve pole-driven, axis-supported, and group cooperation and promote its coordinated development into a world-class urban agglomeration.

Cite this article

Qiuying Zhi , Jieying Chen , Yingchun Fu , Biyun Guo . The Multi-Center Spatial Structure in the Guangdong-Hong Kong-Macao Greater Bay Area Urban Agglomeration Based on Luojia1-01 Nighttime Light Data and POI Data[J]. Tropical Geography, 2022 , 42(3) : 444 -456 . DOI: 10.13284/j.cnki.rddl.003455

城市群是指在特定地域范围内不同性质、类型和等级规模的多个城市，依附一定的自然条件，所构成的相对完整的城市“集合体”（顾朝林，2011）。Scott（2002）将城市群空间结构的演化划分为3个阶段：单中心、多中心和网络化阶段，其认为在多中心与网络化阶段，各中心之间的联系及功能上的配合更加紧密。赵渺希（2011）认为网络化模式主导的空间作用将逐渐增强，并有助于塑造均衡、开放的区域空间。因此，研究城市群空间结构及其关联聚集，将有利于城市群的空间结构优化，促进城市群空间结构向多中心网络化阶段发展，促进区域协调发展。
粤港澳大湾区是世界四大湾区之一，是中国开放程度最高、经济活力最强的区域之一，在国家发展大局中具有重要战略地位。近年来，学者对粤港澳大湾区城市群空间结构开展了一系列研究。已有研究采用的数据有3种：一是采用人口、GDP等社会经济统计数据。如彭芳梅（2017）利用统计年鉴数据研究粤港澳大湾区及周边城市经济空间联系与空间结构，表明粤港澳大湾区及周边城市的空间联系分异特征明显，联系水平由环珠江口向周边呈梯度递减，空间结构上表现为显著的“核心－半边缘－边缘”结构；周春山等（2017）利用1995－2015年21年经济数据分析粤港澳大湾区的时空演变特征，表明粤港澳大湾区的经济空间格局由港澳两极中心变化为广州、深圳、香港、澳门多极中心，呈现沿内湾倒“U”型分布趋势。二是采用诸如航班往来、跨城职住动态等流数据。如邱坚坚等（2019）从信息流和交通流出发，对粤港澳大湾区的网络结构特征进行识别与分析，表明湾区内部联系网络呈现以广深为双核心的结构，佛山、东莞、珠海的中心性地位较突出，其中信息流格局具有沿东岸“弧形”轴线分布的特征；吴冠秋等（2021）基于跨城职住时空大数据开展粤港澳大湾区协同认知方法的研究与实践，明确当下大湾区政策层面的空间布局是以香港—深圳、广州—佛山、澳门—珠海为极点带动，以香港、澳门、广州、深圳作为中心城市辐射周边，以广佛肇、港—深莞惠、澳—珠中江形成组团的区域空间结构。三是采用夜间灯光数据，如邓昊键等（2020）基于DMSP/OLS夜间灯光数据探究近20年粤港澳大湾区城市群的演化，表明粤港澳大湾区城市群内部要素的流通主要集中在广州—佛山、广州—深圳、香港—深圳、深圳—东莞之间。总体上，对于粤港澳大湾区城市群的研究多采用传统统计数据，存在更新周期长、空间分辨率低等缺点。并且现有研究对城市群尺度多中心的描述，大部分是基于市级行政单元，以中心城市、次中心城市、一般城市来描述城市群的多中心分布，将城市内部的郊区、乡村纳入，无法揭示行政区划内部人口、经济活动的准确分布，中心的范围有待进一步细化。
与传统统计数据相比，夜间灯光数据具有时空连续、独立客观等优点，可用于提取城市建成区范围和分析城市群的空间聚集现象（李德仁 等，2015）。目前，以夜间灯光数据为数据源，对城市群进行的研究主要是关于空间格局变化（王利伟 等，2016；王成港 等，2019）、社会经济参数估算（苏泳娴 等，2013；李翔，2018）等方面。在城市中心识别方面，主要有3种方法：1）将NTL等高线生成与局部轮廓树方法相结合，以此识别城市中心和城市中心的层级结构（Chen et al., 2017；毛帅永 等，2019）。2）阈值法，基于夜间灯光数据设置不同的阈值对城市中心进行识别（罗庆 等，2019；Li et al., 2020）。3）通过空间自相关分析、核密度分析、叠加分析等GIS空间分析方法识别城市中心（张亮 等，2017；Cai et al., 2017; Lou et al., 2019；）。已有研究多采用DMSP/OLS和VIIRS夜间灯光数据，但DMSP/OLS夜间灯光数据存在“灯光溢出”效应以及城区灯光过饱和等缺点（刘权毅 等，2021），VIIRS夜间灯光数据存在背景噪声（陈颖彪 等，2019），而珞珈一号夜间灯光数据具有更高的分辨率及更清晰的细节特征，能够有效地反映人类空间活动特征，其在人类空间活动领域有更大的应用价值与应用潜力（钟亮 等，2019）。POI数据具有数据属性丰富、更新速度较快、获取成本较低等优点（Lou et al., 2019），在城市建成区提取（许泽宁 等，2016）、城市功能区识别（Li et al., 2016）、城市产业空间格局（浩飞龙 等，2018）等方面得到了一定应用。目前，较少有研究将夜间灯光数据与POI数据相结合用于研究城市群多中心空间结构，而夜间灯光数据和POI数据之间具有很好的耦合关系（于丙辰 等，2018），将二者结合用于城市群空间结构的研究可以更全面地反映城市群多中心空间结构的特征。
因此，本文基于珞珈一号夜间灯光数据，通过对夜光强度进行多尺度分割，提取潜在中心范围，进而结合POI数据识别粤港澳大湾区城市群的多中心分布，并从功能结构识别、空间关联测度、主中心服务范围等多角度分析粤港澳大湾区城市群空间结构特征。以期为湾区的空间规划布局优化以及推进湾区发展提供参考。

1 研究区域概况

根据中共中央、国务院印发的《粤港澳大湾区发展规划纲要》相关规定，粤港澳大湾区城市群由广州、深圳、珠海、中山、江门、佛山、东莞、惠州、肇庆9个城市及香港、澳门2个特别行政区组成，核心城市为香港、澳门、广州和深圳。粤港澳大湾区总面积约5.6万km2，2017年末总人口约7 000万人 1，地处于中国的东南沿海区域，是中国开放程度最高、经济活力最强的区域之一，在国家发展全局中具有重要战略地位。

2 数据来源与处理

2.1　数据来源

2.1.1　珞珈一号夜间灯光数据

珞珈一号01星是世界上第一个具有遥感和导航功能的“一星多用”低轨道微纳科学实验卫星，由武汉大学于2015年研发，并于2018-06-02成功发射。珞珈一号01星配备高灵敏度的夜光摄像机，可获得高精度夜间灯光图像，光谱带宽为0.319 μm，夜间动态范围可达14位，空间分辨率为130 m，幅宽为250 km，约15 d完成全球夜光遥感（王美玲 等，2021）。珞珈一号夜间灯光数据的空间分辨率、光谱分辨率比DMSP/OLS、NPP/VIIRS夜间灯光数据有显著的提升（表1）。珞珈一号夜间灯光影像的高空间分辨率可以更加清晰地反映城市的空间结构，高光谱分辨率可以有效处理数据亮度值饱和问题（李德仁 等，2019）。
表1 不同夜间灯光数据参数比较

Table 1 Comparison of different nighttime light data parameters

夜光数据 名称 发射 国家 重访 周期 数据位数/bits 空间分 辨率/m 在轨时间 幅宽/ km
DMSP/OLS 美国 12 h 6 2 700 1992—2013年 3 000
VIIRS-DNB 美国 12 h 14 740 2011年至今 3 000
珞珈一号 中国 3~5 d 15 130 2018年至今 250
通过高分辨率对地观测系统湖北数据与应用网 2获得珞珈一号01星夜光遥感影像全国一张图，并用研究区域的矢量边界裁剪得到研究区的夜间灯光数据作为实验数据。

2.1.2　POI数据

通过高德地图官方网站 3提供的应用程序编程接口（API）进行爬取，采集时间为2019年。对数据进行清洗后，获得粤港澳大湾区的POI数据共计3 816 665条，根据《城市用地分类与规划建设用地标准GB50137-2011》对其进行分类，为6大类：居住类、公共管理与公共服务类、商业类、工业类、道路与交通设施类、绿地与广场类。

2.1.3　辅助数据

Landsat 8遥感数据通过地理空间数据云网站 4下载，因为粤港澳大湾区范围较大，所以选取2017－2019年云量＜2%的多幅影像进行拼接，用于计算增强型植被指数（Enhanced Vegetation Index, EVI）和陆地表面温度（Land Surface Temperature, LST），辅助进行夜间灯光数据的数据增强处理。WorldPop Population Counts人口数据通过WorldPop官方网站 5下载，用于验证主中心识别结果的准确性，分辨率为100 m。从开放地理数据平台Open Street Map（OSM）下载的道路矢量数据用于夜间灯光数据的几何校正。

2.2　数据预处理

2.2.1　Landsat 8遥感数据预处理

对Landsat 8多光谱遥感数据进行辐射定标，大气校正，影像拼接，影像裁剪操作，计算EVI植被指数和陆地表面温度，用于后续的夜间灯光数据的数据增强处理。

2.2.2　夜间灯光数据增强处理

对珞珈一号影像的预处理包括几何校正、去噪声和数据增强，处理方法如下：1）利用路网数据作为参考标准，对影像进行几何校正；2）以研究区内河流、湖泊等面积较大的水域中采样点的平均DN值作为最小灯光阈值，以研究区内多个国际机场当中的最大DN值作为最大灯光阈值，对影像进行去噪声预处理；3）采用LERNCI指数对珞珈一号影像进行数据增强处理，计算公式为（Liu et al., 2017）：
L E R N C I = N O R M ( L S T L S T A V G + E V I A V G E V I ) × N T L
式中：LST、EVI、NTL分别代表要校正的相应像元值， L S T A V G和 E V I A V G分别代表研究区所有像元对应的LST和EVI均值，对计算结果进行归一化处理。为避免出现无穷大的异常值，将EVI≤0的像元（主要是水体）通过掩膜去除。

3 研究方法

分别将珞珈一号夜间灯光数据、Landsat 8遥感数据得到的EVI数据和陆地表面温度数据以及高德地图获取的POI数据进行结合，利用空间自相关分析和地理加权回归分析识别粤港澳大湾区城市群的多中心分布，并从主中心功能结构识别、空间关联测度、主中心服务范围多角度分析粤港澳大湾区城市群空间结构特征，技术路线如图1所示。
图1 粤港澳大湾区多中心空间结构识别与分析技术路线

Fig.1 Technical route of multi-center spatial structure identification and analysis in Guangdong-Hong Kong-Macao Greater Bay Area

3.1　基于珞珈一号数据的潜在中心区识别

城市之间的人员和商业活动分布不受行政边界的限制，要确定人类活动的空间特征，需要建立新的空间观测单元。因此，参考Cai（2017）和Lou（2019）的方法，通过夜光强度提取城市群中心潜在区域识别范围，利用多尺度模型进行空间单元的划分，该模型通过合并相邻像素或较小的分割对象，在确保最大平均段内异质性和最大段间同质性的前提下，实现基于区域合并技术的图像分割。该模型包含尺度因子、形状因子和紧凑度因子3个主要因子，其参数采用基于对象的图像分析商业软件eCognition确定。利用珞珈一号夜间灯光数据通过多尺度模型划分得到分割单元，基于分割单元进行后续POI密度计算和湾区主副中心识别。

3.2　主中心检测

区域的主中心以人口密集、活动密度高的聚类地块为特征。因此，基于分割单元计算POI密度，利用每个单元的POI密度计算局部莫兰指数，将高－高聚集区定义为主中心。局部莫兰指数定义为（Anselin, 1995）：
I i = x i - x ¯ S i 2 ∑ j = 1 , j ≠ i n w i j ( x j - x ¯ )
式中： I i代表点 i的局部莫兰指数的统计值； w i j是空间权重矩阵； x i是点 i的属性值； x ¯是所有属性值的平均值，而方差 S i 2是：
S i 2 = ∑ j = 1 , j ≠ i n ( x j - x ¯ ) 2 n - 1 - x ¯ 2

3.3　副中心检测

计算每个分割单元几何中心与主中心之间的距离，使用该距离与POI密度的平方根计算地理加权回归（GWR）。计算公式（Lou et al., 2019）：
y i = β 0 μ i , v i + ∑ j = 1 k β j μ i , v i x i j + ε i
式中： y i是分割单元 i的POI密度的平方根； μ i , v i是第 i单元的空间地理坐标； β j μ i , v i是分割单元 i的第 j个回归参数； x i j是每个单元到主中心点的距离。 ε i是残余误差。定义标准残差＞1.96的单元为候选副中心，将邻近主中心的副中心移除，其余的被识别为副中心。

3.4　主中心内部功能区识别

参考姜佳怡等（2020）的研究，将主中心划分为1 km×1 km的网格单元，通过指标频数密度和类型比例计算每个网格单元内每类POI数据占该单元内6类POI数据总数的比值。计算公式为：
F i = n i N i
C i = F i ∑ i = 1 6 F i
式中： F i为 i类POI数据的频数密度； i代表6个类别的POI数据； n i为该类POI数据在每个网格单元内的数量； N i为第 i种POI数据总数； C i为第 i类POI数据占所有类型POI数据频数密度的比例。当单元内某一种类型的POI频数密度的比例≥50%时，定义该单元为该类型的单一功能区，当单元内任一类型POI频数密度的比例均没有达到50%时，定义该单元为混合功能区。

3.5　城市群主中心与城市的空间关联测度

引力模型是基于距离衰减原理和牛顿万有引力公式构造的，是一种应用十分广泛的空间关联模型，其一般形式为（王成港 等，2019）：
F i j = K Q i Q j d i j r
式中： F i j为主中心 i与城市 j之间的关联强度大小；K为引力常数，取值为1； Q i、 Q j分别为主中心 i与城市 j的质量； d i j为主中心 i与城市 j间的距离； r为距离摩擦系数，取值为2。采用主中心 i内的夜间灯光总量表示主中心质量 Q i；采用城市 j内的夜间灯光总量表示城市质量 Q j；选取时间距离表示主中心与城市的距离，使用百度地图获取主中心 i的几何中心点到城市 j的人民政府之间驾车所需的最短时间。

3.6　主中心服务范围分析

泰森多边形最早由荷兰气象学家Thiessen提出，现被广泛应用于公共设施服务区划分、空间插值计算等方面。泰森多边形的特点是：每个泰森多边形内仅含有一个离散点数据；泰森多边形内的点到相应离散点的距离最近；位于泰森多边形边上的点到其两边的离散点的距离相等（罗洁斯 等，2018）。把主中心看做离散分布点，利用泰森多边形将研究区划分成一组多边形区域，以此作为各个主中心的服务范围，每个区域内的任意位置到该区域的主中心距离最近。主中心分布比较集中的区域，泰森多边形面积较小；而主中心分布比较稀疏的区域，泰森多边形的面积较大，所以主中心所承担的服务范围和压力也较大。

4 基于珞珈一号夜光数据的多中心空间结构识别与评估

4.1　城市群多中心空间结构识别

通过对预处理后的珞珈一号夜间灯光数据进行不同参数的多尺度分割实验，最终选择尺度因子为9、形状因子为0.1和紧凑度为0.5进行多尺度分割，使用ArcGIS中的消除工具对＜1 km2的单元进行融合处理，总共获得2970个分割单元。图2-a显示每个分割单元内的POI密度，通过珞珈一号夜间灯光数据划分空间单元可以观察到POI密度变化的清晰边界，为后续主副中心的精确识别提供依据。POI密度较高的部分主要集中在广州市和佛山市交界地区、香港维多利亚港沿岸以及深圳市的中部和西部，而POI密度较低部分主要分布在粤港澳大湾区的外围地区，尤其是东北部、西南部和西北部。
图2 粤港澳大湾区主中心与副中心分布（a. 基于珞珈一号数据划分的空间单元内POI密度；b. 粤港澳大湾区主副中心识别结果）

Fig.2 The distribution of main centers and sub-centers in the Guangdong-Hong Kong-Macao Greater Bay Area (a. POI density in space units based on Luojia1-01 data; b. Identification result of the main and sub-centers in the Guangdong-Hong Kong-Macao Greater Bay Area)

在采用局部空间自相关识别主中心时，权重矩阵采用逆距离法确定，将聚类类型为“高－高”的单元识别为主中心。图2-b显示，共检测出5个粤港澳大湾区城市群的主中心，分别位于广州市和佛山市交界地区、深圳市的中部、西部和东莞市中部连片区域、香港维多利亚港沿岸、珠海市香洲区和澳门特别行政区交界地区、中山市西北部（分别称为广佛主中心、深莞主中心、香港主中心、澳珠主中心、中山主中心）。
在副中心识别过程中，地理加权回归分析后有51个单元的标准残差＞1.96，将相邻单元合并成副中心区域，获得23个候选副中心。将与主中心相邻或相交的9个副中心去除后，最终获得14个副中心。图2-b显示，副中心围绕主中心周围分布，多数出现在惠州市、肇庆市、江门市等二三线城市。整体上，粤港澳大湾区城市群多中心空间结构呈现“主聚副散”“东多西少”的不平衡特征。

4.2　城市群多中心识别评估

4.2.1　与规划方案中心比较

《广东省国土空间规划（2020－2035年）》提出：促进香港－深圳、广州－佛山、澳门－珠海强强联合，支撑形成组团式、多中心、网络化的空间格局。该规划将珠三角九市和香港特别行政区、澳门特别行政区分为两个等级的城市，一级城市为广州、深圳、香港、澳门；二级城市为佛山、东莞、中山、珠海、惠州、江门、肇庆。将该规划中的一级城市作为主中心，二级城市作为副中心，与本文进行比较（图3）。
图3 规划中心与本文中心对比

Fig.3 Comparison between the planning centers and the centers of this study

图3显示，本文对于粤港澳大湾区主中心的识别结果与该规划的主中心相符合。该规划的广州、深圳、香港、澳门四个主中心均位于本文所识别的主中心范围内，并且本文对于主中心的识别范围更加具体。本文对于粤港澳大湾区副中心的识别结果与该规划的副中心相比，识别数量更多，范围更加具体。本文识别出该规划中的肇庆、惠州、江门3个副中心，而该规划的佛山、珠海、东莞副中心在本文中被识别为主中心区域，规划的中山副中心与本文识别的中山副中心位置存在偏差。

4.2.2　基于人口数据的中心评估

人口数据为100 m分辨率的WorldPop Population Counts数据，对该数据进行热点分析。结果显示人口主要聚集在研究区的中部，热点区域和冷点区域被不显著的区域分开，冷点区域主要分布于研究区的外围地区（图4-a）。
图4 基于人口数据的主中心识别评估（a. 人口数据热点分析结果；b. 人口热点区域与主中心范围重叠情况）

Fig.4 Identification and evaluation of main centers based on population data (a. Hotspot analysis result of population data; b. The overlap of population hotspots and main centers)

选择99%置信度的热点区域作为参考中心，将其和本文提取的主中心叠合（图4-b）（因人口数据未覆盖到香港地区，所以该分析不包括香港主中心），利用ENVI软件提供的混淆矩阵方法对本文的主中心识别结果进行精度评价，根据软件输出的混淆矩阵报表计算得到总体精度为89.39%，说明本文对粤港澳大湾区主中心识别结果具有较高的可信度。

5 粤港澳大湾区城市群多中心空间结构特征分析

5.1　基于珞珈一号和POI数据的主中心空间分布及功能结构分析

5.1.1　主中心空间分布分析

本文识别的5个主中心均位于经济较发达地区，但规模存在差距。广佛主中心连续分布于广州市和佛山市的中心城区，整体上位于整个湾区的几何中心，地理优势突出，通往各个城市的线路畅通，交通网络较完善，经济规模大。深莞主中心连片化特征明显，覆盖深圳市和东莞市大部分区域，经济发展动能强大，与广佛主中心形成东西辐射呼应的局势，有利于大湾区城市群的稳定发展。香港主中心处于湾区边缘，经济基础好，人口密集，对外开放程度高。澳珠主中心也位于湾区边缘，经济结构相对单一，发展资源有限。中山主中心位于中山西北部地区，经济总量较小。
湾区5个主中心集中分布于内湾地区，该区域经济发达、人口密度高、交通优势明显、地区引力和要素集聚能力强，各主中心分布相对独立。因此，连接5个主中心形成湾区的区域发展带，一方面加强主中心之间联系，另一方面，作为整个湾区的辐射器和动力源，发挥其对湾区外围地区的辐射带动作用，促进粤港澳大湾区区域经济协调发展。

5.1.2　主中心功能结构分析

将5个主中心划分为1 km×1 km的网格单元，分析粤港澳大湾区城市群5个主中心的功能结构。结果显示（图5），5个主中心均以混合功能区为主且分布连贯性较好，单一功能区总体数量少且分散分布于主中心边缘，各主中心单一功能区的类型与数量存在差异。其中，广佛主中心的绿地类单一功能区占比最大，主要分布于白云山、海珠湿地公园等大型公园绿地；居住类、商业类等单一功能区离散分布于广佛主中心外围地区。深莞主中心单一功能区类型丰富，深圳市电子科技发达，对高新技术产业具有吸引力，其西北部有明显的工业类功能区聚集，从长远来看，丰富该地区的功能，提高运转效率，更有利于工业区的发展。香港主中心的单一功能区以绿地类为主，离散分布于外围区域。澳珠主中心的西部有少量的工业类单一功能区聚集。中山主中心的混合功能区在数量上占明显优势，单一功能区以工业类为主。
图5 粤港澳大湾区主中心功能结构

Fig.5 The functional structure of the main centers of the Guangdong-Hong Kong-Macao Greater Bay Area

单一功能区的过度集中会明显增加时间成本、降低地区活力、影响城市发展（黄毅，2008）。混合功能用地有利于缓解城市无序蔓延、交通拥挤、土地集约水平低、利用效率低下等问题，紧凑与多样成为城市发展的重要方向，混合功能用地是城市紧凑与多样发展的重要体现（浩飞龙，2017；窦旺胜 等，2020）。总体上，粤港澳大湾区城市群5个主中心均以混合功能区为主，因此，其整体功能结构有利于城市群的发展。

5.2　5个主中心与9个湾区城市的空间关联测度分析

利用引力模型对5个城市群主中心与9个湾区城市+2个特别行政区之间的空间关联强度进行分析。由于城市关联强度数值差异较大，采用对数分级的方法，将空间关联强度以1011、1010、109、108为界，由强到弱划分为一到五级联系。结果显示，空间分布上，大湾区各城市与主中心间的关联强度呈现显著的“东强西弱”的特征，并形成“内强外弱”的圈层结构（图6-a）。
图6 粤港澳大湾区各城市与主中心空间关联分析（a. 空间关联强度；b. 区域发展轴）

Fig.6 Analysis of the spatial correlation between cities and main centers in the Guangdong-Hong Kong-Macao Greater Bay Area (a. Spatial correlation strength; b. Regional development axe)

对城市与主中心间的空间关联强度等级和数量进行整理（表2），结果表明，各个城市与主中心间的空间关联强度存在不均匀特征，且具有一定梯度层级。1）广州、深圳、香港、佛山、东莞和中山与主中心的联系较强，关系强度以一、二、三级为主。其中，香港、广州、深圳均与主中心形成一级联系，香港是国际金融和国际贸易中心，广州是九大国家中心城市之一，深圳是中国高新技术产业和科技创新中心，这三大城市是粤港澳大湾区发展的重要引擎，应增强对周边区域发展的辐射带动作用。佛山是先进制造业的基地，与广州联系紧密，未来应通过完善交通网络带动肇庆的经济发展。东莞与深圳合作紧密，应继续发挥毗邻深圳的区位优势，实现人才、科技创新等要素的互联互通。中山位于经济欠发达的珠江西岸，以装备制造、电子信息等产业为特色，未来应加强与广州、深圳等中心城市的合作，促进产业升级。2）惠州、珠海、江门、肇庆、澳门处于湾区外围区域，受时间距离的限制，与主中心之间的空间关联测度较弱，关联强度以三、四、五级为主。其中，澳门与各个主中心的关联强度最弱，均为四、五级联系，一方面是由于澳门区域面积小，导致夜光总量较小，另一方面是由于澳门与各个主中心的距离较远，联系受限。因此，未来应强化与中心城市的互动合作，充分发挥自身优势，形成特色产业，提升与主中心的互联互通。整体上，主中心与城市间联系等级分布情况基本与该城市发展水平相匹配，并且联系强度随距离衰减作用较明显。
表2 粤港澳大湾区各城市与主中心空间关联等级数量统计

Table 2 Level and quantity statistics of spatial correlation between cities and the main centers in the Guangdong-Hong Kong-Macao Greater Bay Area

城市 一级联系 二级联系 三级联系 四级联系 五级联系
总计 3 11 25 14 2
广州市 1 1 3
深圳市 1 2 1 1
香港特别行政区 1 1 2 1
佛山市 2 3
东莞市 2 3
中山市 2 3
惠州市 1 2 2
珠海市 3 2
江门市 3 2
肇庆市 2 2 1
澳门特别行政区 4 1
根据粤港澳大湾区城市与主中心关联测度强度的空间特征，大湾区将形成三个圈层结构。第一圈层为5个主中心所覆盖地区，这些地区经济最发达、活跃，集聚要素和人口，作为增长极辐射周边地区。第二圈层为与主中心联系较强的城市所在地区，包括广州、佛山、东莞、深圳、香港、澳门、珠海、中山，这些地区具有临近主中心的优势，将成为大湾区的重要经济腹地。第三圈层为大湾区的外围地区，包括江门、惠州、肇庆，这些地区由于距离主中心较远，受主中心辐射作用有限，应完善区域内的交通网络，依托主要铁路、公路构建区域经济发展轴带，增强各个主中心与边缘城市的区域联系。因此，以主中心与各城市的空间关联强度为依据，依托主要铁路、公路构建4条区域经济发展轴带（图6-b），以连通粤港澳大湾区东西两岸、南北两部地区，促进粤港澳大湾区区域经济协调发展：1）通过沿海高速铁路连通湛江、江门、珠海、深圳、汕头等城市，形成沿海发展轴；2）通过广州至汕头高铁和西江通道连通云浮、肇庆、佛山、广州、惠州等城市，形成东西发展轴；3）通过京港澳高速公路连通珠海、中山、广州、清远、韶关等城市，形成北部发展轴；4）通过赣州至深圳铁路连通深圳、惠州、赣州等城市，形成东北发展轴。

5.3　主中心服务范围分析

利用泰森多边形对各个主中心的服务范围进行划分，结果显示，各主中心服务范围存在差异，按主中心服务范围面积从大到小排序依次为：广佛主中心服务范围（23 767.77 km2）、深莞主中心服务范围（18 002.93 km2）、中山主中心服务范围（9 468.64 km2）、澳珠主中心服务范围（3 111.58 km2）和香港主中心服务范围（809.04 km2）。广佛主中心主要依托广州、佛山两个中心城市，辐射带动肇庆市的发展；深莞主中心依托深圳、东莞两大城市，促进邻近城市惠州的经济发展；中山主中心对中山、江门两个城市的发展产生影响；澳珠主中心和香港主中心的服务范围主要位于其所在的澳门、珠海和香港地区。
结合5.2主中心与各城市空间关联测度分析可知，珠江东岸的香港、深圳、东莞相互之间关联强度高；广州、佛山之间联系密切；而珠江西岸的澳门、珠海、中山和江门4个城市与各主中心联系强度较弱，可利用城市之间的毗邻优势，整合区域要素、组团发展。因此，粤港澳大湾区可形成三大组团：广佛肇组团、港—深莞惠组团和澳—珠中江组团（图7）。在“广佛肇组团”中，应发挥广州和佛山两大城市的辐射带动作用，推动肇庆市的经济发展；在“港—深莞惠组团”中，应加快深莞惠一体化发展，同时加强与香港的密切合作，惠州应借助香港、深圳两大城市的力量加快自身发展；在“澳—珠中江组团”中，应充分发挥珠中江三市资源丰富、腹地广阔的优势，加强与澳门经济合作，主动承接澳门现代服务业的扩张与城市功能的辐射。各组团内部城市之间应加强合作，促进区域内科技、人才、金融等要素的流通，发挥主中心的辐射带动作用，促进区域经济协同发展。
图7 主中心服务范围分析

Fig.7 Analysis of service scope of main centers

5.4　粤港澳大湾区空间结构综合分析

基于粤港澳大湾区主副中心识别结果、空间关联测度分析、服务范围分析，结合《粤港澳大湾区发展规划纲要》和《广东省国土空间规划（2020－2035年）》等相关文件对粤港澳大湾区空间结构的规划布局，提出粤港澳大湾区应构建“五心一带三组团四轴”的区域空间结构（图8）。
图8 粤港澳大湾区区域空间结构

Fig.8 Regional spatial structure of the Guangdong-Hong Kong-Macao Greater Bay Area

“五心”是指识别的5个主中心：广佛主中心、深莞主中心、香港主中心、澳珠主中心、中山主中心，这与《粤港澳大湾区发展规划纲要》中提出的将香港、澳门、广州、深圳作为四大中心城市有所差异，本文提出的主中心不受行政边界的约束，考虑了城市之间的协作关系与大都市圈的融合发展，在城市群的尺度对主中心进行识别，识别结果更具参考意义。“一带”是指区域发展带，位于本文识别的5个主中心所在的环状区域，是粤港澳大湾区经济最发达的区域，也是整个大湾区发展的核心引擎，未来应增强对周边区域发展的辐射带动作用。“三组团”分别为广佛肇组团、港－深莞惠组团和澳－珠中江组团。“四轴”分别为沿海发展轴、东西发展轴、北部发展轴和东北发展轴。总体而言，通过极点带动、轴带支撑、组团合作，加强粤港澳大湾区东西两岸、南北两部地区交流协作，促进湾区区域协调发展，成为世界一流城市群。

6 结论与讨论

结合珞珈一号夜间灯光数据和POI数据的优势，构建兼顾城市群主副两级中心识别和空间结构的分析框架。得出以下结论：
1）基于珞珈一号夜间灯光数据和POI数据识别的湾区主副中心与规划方案中心、人口分布热点区域均具有较好的一致性。规划方案的广州、深圳、香港、澳门四个主中心均位于本文所识别的主中心范围内，副中心的识别结果与规划的副中心相比，识别数量更多，范围更加具体。利用人口数据对主中心识别结果进行评估，总体精度达到89.39%，说明这两种数据在城市群多中心识别方面有较好的适用性。
2）本文识别出粤港澳大湾区具有5个主中心和14个副中心，多中心空间分布呈现“主聚副散”“东多西少”的不平衡特征，5个主中心功能结构上均以混合功能区为主，各类型功能区数量和空间分布存在差异，副中心多数出现在惠州市、肇庆市、江门市等二三线城市，表现出区域经济发展不平衡的特征。
3）本文识别的5个湾区城市群主中心区域与9个城市+2个特别行政区间的关联强度呈现“东强西弱”“内强外弱”的特征，广州、深圳、香港与各个主中心的总体联系强度最高，受时间距离的限制，惠州、珠海、江门、肇庆、澳门与主中心联系不紧密。各主中心服务范围大小存在差异，广佛主中心的服务范围最大，香港主中心的服务范围最小，应根据各自的区位优势在城市之间形成组团，并完善区域内的交通网络，增强各个主中心与边缘城市的区域联系。
4）结合《粤港澳大湾区发展规划纲要》《广东省国土空间规划（2020—2035年）》规划文件，提出粤港澳大湾区应构建“五心一带三组团四轴”的区域空间结构，建议通过极点带动、轴带支撑、组团合作，加强粤港澳大湾区东西两岸、南北两部地区交流协作，促进湾区区域经济协调发展。
与现有基于统计数据的研究相比，本文克服了行政单元的局限性，利用珞珈一号夜间灯光数据进行面向对象的多尺度分割产生新的空间单元，结合POI数据对人类活动的表征，在更精细尺度上识别城市群主副中心，并且从主中心功能结构、空间关联测度、主中心服务范围多角度分析粤港澳大湾区城市群空间结构特征。但本文也存在一些不足：1）城市关联强度受多种因素的影响，仅以珞珈一号夜间灯光数据分析城市空间关联测度具有一定的局限性，未来应加入交通流、人流等数据进一步完善；2）主中心服务范围分析仅利用泰森多边形划分的方法，未考虑到河流、山川等自然要素的分割以及依靠交通路网所能服务的实际范围，未来应结合交通路网数据进一步分析。

1 资料来源：粤港澳大湾区门户网. http://www.cnbayarea.org.cn/.

2 http://www.hbeos.org.cn/

3 https://www.amap.com/

4 https://www.gscloud.cn/

5 https://www.worldpop.org/

植秋滢：提出研究构想，数据分析、论文撰写；

陈洁莹：数据分析与制图，论文撰写；

付迎春：提出研究构想、修改论文；

郭碧云：提供数据与研究建议，修改论文。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Anselin L. 1995. Local Indicators of Spatial Association-LISA. Geogr. Anal, 27: 93-115.

Cai Jixuan, Huang Bo and Song Yimeng. 2017. Using Multi-Source Geospatial Big Data to Identify the Structure of Polycentric Cities. Remote Sensing of Environment, 202: 210-221.

陈颖彪，郑子豪，吴志峰，千庆兰. 2019. 夜间灯光遥感数据应用综述和展望. 地理科学进展，38（2）：205-223. [Chen Yingbiao, Zheng Zihao, Wu Zhifeng and Qian Qinglan. 2019. Review and Prospect of Application of Nighttime Light Remote Sensing Data. Progress in Geography, 38(2): 205-223. ]

Chen Zuoqi, Yu Bailang, Song Wei, Liu Hongxing, Wu Qiusheng, Shi Kaifang and Wu Jianping. 2017. A New Approach for Detecting Urban Centers and Their Spatial Structure with Nighttime Light Remote Sensing. IEEE Transactions on Geoscience and Remote Sensing, 55(11): 6305-6319.

邓昊键，李恒凯，熊永柱，郑春燕，李迎双. 2020. 近20年粤港澳大湾区城市群时空演化格局分析. 世界地理研究，29（6）：1181-1189. [Deng Haojian, Li Hengkai, Xiong Yongzhu, Zheng Chunyan and Li Yingshuang. 2020. Temporal-Spatial Evolution of Urban Agglomeration in Guangdong-Hong Kong-Macao Greater Bay Area in Recent 20 Years. World Regional Studies, 29(6): 1181-1189. ]

窦旺胜，王成新，薛明月，王召汉. 2020. 基于POI数据的城市用地功能识别与评价研究——以济南市内五区为例. 世界地理研究，29（4）：804-813. [Dou Wangsheng, Wang Chengxin, Xue Mingyue and Wang Zhaohan. 2020. Identification and Evaluation of Urban Functional Land Based on POI Data: A Case Study of Five Districts in Jinan. World Regional Studies, 29(4): 804-813. ]

顾朝林. 2011. 城市群研究进展与展望. 地理研究，30（5）：771-784. [Gu Chaolin. 2011. Study on Urban Agglomeration: Progress and Prospect. Geographical Research, 30(5): 771-784. ]

浩飞龙. 2017. 多中心视角下的长春市城市功能空间结构研究. 长春：东北师范大学. [Hao Feilong. 2017. Spatial Structure of Urban Functions of Changchun in the Perspective of Polycentricity. Changchun: Northeast Normal University. ]

浩飞龙，王士君，冯章献，于婷婷，马丽. 2018. 基于POI数据的长春市商业空间格局及行业分布. 地理研究，37（2）：366-378. [Hao Feilong, Wang Shijun, Feng Zhangxian, Yu Tingting and Ma Li. 2018. Spatial Pattern and Its Industrial Distribution of Commercial Space in Changchun Based on POI Data. Geographical Research, 37(2): 366-378. ]

黄毅. 2008. 城市混合功能建设研究. 上海：同济大学. [Huang Yi. 2008. A Study of Urban Mixed-Use Development in Theory and Practice. Shanghai: Tongji University. ]

姜佳怡，戴菲，章俊华. 2020. 基于POI数据的城市功能结构对比研究——以北京、上海为例. 现代城市研究，（7）：42-50. [Jiang Jiayi, Dai Fei and Zhang Junhua. 2020. Comparative Study of Urban Functional Structure Based on POI Data: A Case Study of Beijing and Shanghai. Modern Urban Research, (7): 42-50. ]

李德仁，李熙. 2015. 论夜光遥感数据挖掘. 测绘学报，44（6）：591-601. [Li Deren and Li Xi. 2015. An Overview on Data Mining of Nighttime Light Remote Sensing. Acta Geodaetica et Cartographica Sinica, 44(6): 591-601. ]

李德仁，张过，沈欣，钟兴，蒋永华，汪韬阳，涂建光，李治江. 2019. 珞珈一号01星夜光遥感设计与处理. 遥感学报，23（6）：1011-1022. [Li Deren, Zhang Guo, Shen Xin, Zhong Xing, Jiang Yonghua, Wang Taoyang, Tu Jianguang and Li Zhijiang. 2019. Design and Processing Night Light Remote Sensing of LJ-1 01 Satellite. Journal of Remote Sensing, 23(6): 1011-1022. ]

Li Jiufeng, Wang Fangfang, Fu Yingchun, Guo Biyun, Zhao Yaolong and Yu Huafei. 2020. A Novel SUHI Referenced Estimation Method in Multi-Centers Urban Agglomeration with DMSP/OLS Nighttime Light Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 1416-1425.

Li Miaoyi, Shen Zhenjiang and Hao Xinhua. 2016. Revealing the Relationship between Spatio-Temporal Distribution of Population and Urban Function with Social Media Data. GeoJournal, 81(6): 919-935.

李翔. 2018. 基于夜光遥感数据的中国2005-2015年居民收入时空变化与驱动力研究. 南京：南京大学. [Li Xiang. 2018. Study on Spatiotemporal Change and Driving Force of Resident Income of China from 2005 to 2015 Based on Night Light Remote Sensing Data. Nanjing: Nanjing University. ]

刘权毅，詹庆明，李建松，杨晨，刘稳. 2021. 珞珈一号夜间灯光影像在建设用地提取中的应用：以武汉市为例. 武汉大学学报（信息科学版），46（1）：30-39. [Liu Quanyi, Zhan Qingming, Li Jiansong, Yang Chen and Liu Wen. 2021. Extracting Built-up Areas Using Luojia 1-01 Nighttime Light Imageries in Wuhan, China. Geomatics and Information Science of Wuhan University, 46(1): 30-39. ]

Liu Yangxiaoyue, Yang Yaping, Jing Wenlong, Yao Ling, Yue Xiafang and Zhao Xiaodan. 2017. A New Urban Index for Expressing Inner-City Patterns Based on MODIS LST and EVI Regulated DMSP/OLS NTL. Remote Sensing, 9(8): 777.

Lou Ge, Chen Qiuxiao, He Kang, Zhou Yue and Shi Zhou. 2019. Using Nighttime Light Data and POI Big Data to Detect the Urban Centers of Hangzhou. Remote Sensing, 11(15): 1821.

罗洁斯，万昆. 2018. 普通中小学空间预警系统研究——武汉市普通中小学布局规划的实施探索. 现代城市研究，（5）：18-23. [Luo Jiesi and Wan Kun. 2018. Study on Space Alert System for Nine-Year Compulsory Education School. Modern Urban Research, (5): 18-23. ]

罗庆，李小建. 2019. 基于VIIRS夜间灯光的中国城市中心的分异特征及其影响因素. 地理研究，38（1）：155-166. [Luo Qing and Li Xiaojian. 2019. The Spatial Differentiation and Influencing Factors of Urban Centers in China Based on VIIRS Night Light. Geographical Research, 38(1): 155-166. ]

毛帅永，焦利民，许刚，李泽慧. 2019. 基于多源数据的武汉市多中心空间结构识别. 地理科学进展，38（11）：1675-1683. [Mao Shuaiyong, Jiao Limin, Xu Gang and Li Zehui. 2019. Identification of the Polycentric Spatial Structure in Wuhan City Based on Multisource Data. Progress in Geography, 38(11): 1675-1683. ]

彭芳梅. 2017. 粤港澳大湾区及周边城市经济空间联系与空间结构——基于改进引力模型与社会网络分析的实证分析. 经济地理，37（12）：57-64. [Peng Fangmei. 2017. Economic Spatial Connection and Spatial Structure of Guangdong-Hong Kong-Macao Greater Bay and the Surrounding Area Cities—An Empirical Analysis Based on Improved Gravity Model and Social Network Analysis. Economic Geography, 37(12): 57-64. ]

邱坚坚，刘毅华，陈浩然，高枫. 2019. 流空间视角下的粤港澳大湾区空间网络格局——基于信息流与交通流的对比分析. 经济地理，39（6）：7-15. [Qiu Jianjian, Liu Yihua, Chen Haoran and Gao Feng. 2019. Urban Network Structure of Guangdong-Hong Kong-Macao Greater Bay Area with the View of Space of Flows: A Comparison between Information Flow and Transportation Flow. Economic Geography, 39(6): 7-15. ]

Scott A J. 2002. Global City-Regions. Trends, Theory, Policy. Progress in Human Geography, 26(5): 712-713.

苏泳娴，陈修治，叶玉瑶，吴旗韬，张虹鸥，黄宁生，匡耀求. 2013. 基于夜间灯光数据的中国能源消费碳排放特征及机理. 地理学报，68（11）：1513-1526. [Su Yongxian, Chen Xiuzhi, Ye Yuyao, Wu Qitao, Zhang Hong'ou, Huang Ningsheng and Kuang Yaoqiu. 2013. The Characteristics and Mechanisms of Carbon Emissions from Energy Consumption in China Using DMSP/OLS Night Light Imageries. Acta Geographica Sinica, 68(11): 1513-1526. ]

王成港，宁晓刚，王浩，刘效江. 2019. 利用夜间灯光数据的城市群格局变化分析. 测绘科学，44（6）：176-186. [Wang Chenggang, Ning Xiaogang, Wang Hao and Liu Xiaojiang. 2019. Spatial Pattern Change of China Urban Agglomerations Using Nighttime Light Data. Science of Surveying and Mapping, 44(6): 176-186. ]

王利伟，冯长春. 2016. 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. 地理学报，71（12）：2155-2169. [Wang Liwei and Feng Changchun. 2016. Spatial Expansion Pattern and Its Driving Dynamics of Beijing-Tianjin-Hebei Metropolitan Region: Based on Nighttime Light Data. Acta Geographica Sinica, 71(12): 2155-2169. ]

王美玲，张和生. 2021. 基于珞珈一号夜间灯光数据的人口空间化研究. 地理空间信息，19（9）：53-56，7. [Wang Meiling and Zhang Hesheng. 2021. Research on Population Spatialization Based on Luojia-1 Nighttime Light Data. Geospatial Information, 19(9): 53-56, 7 ]

吴冠秋，党安荣，田颖，阚长城. 2021. 基于时空大数据的粤港澳大湾区城镇群结构研究. 遥感学报，25（2）：665-676. [Wu Guanqiu, Dang Anrong, Tian Ying and Kan Changcheng. 2021. Study on the Urban Agglomerations Structure of the Guangdong-Hong Kong-Macao Greater Bay Area Based on Spatiotemporal Big Data. National Remote Sensing Bulletin, 25(2): 665-676. ]

许泽宁，高晓路. 2016. 基于电子地图兴趣点的城市建成区边界识别方法. 地理学报，71（6）：928-939. [Xu Zening and Gao Xiaolu. 2016. A Novel Method for Identifying the Boundary of Urban Built-up Areas with POI Data. Acta Geographica Sinica, 71(6): 928-939. ]

于丙辰，刘玉轩，陈刚. 2018. 基于夜光遥感与POI数据空间耦合关系的南海港口城市空间结构研究. 地球信息科学学报，20（6）：854-861. [Yu Bingchen, Liu Yuxuan and Chen Gang. 2018. Urban Spatial Structure of Port City in South China Sea Based on Spatial Coupling between Nighttime Light Data and POI. Journal of Geo-Information Science, 20(6): 854-861. ]

张亮，岳文泽，刘勇. 2017. 多中心城市空间结构的多维识别研究——以杭州为例. 经济地理，37（6）：67-75. [Zhang Liang, Yue Wenze and Liu Yong. 2017. Multidimensional Analysis of the Polycentric Urban Spatial Structure—A Case of Hangzhou. Economic Geography, 37(6): 67-75. ]

赵渺希. 2011. 长三角区域的网络交互作用与空间结构演化. 地理研究，30（2）：311-323. [Zhao Miaoxi. 2011. Evolution of Network and Spatial Structure in Yangtze River Delta. Geographical Research, 30(2): 311-323. ]

钟亮，刘小生. 2019. 珞珈一号新型夜间灯光数据应用潜力分析. 测绘通报，（7）：132-137. [Zhong Liang and Liu Xiaosheng. 2019. Application Potential Analysis of LJ1-01 New Nighttime Light Data. Bulletin of Surveying and Mapping, (7): 132-137. ]

周春山，罗利佳，史晨怡，王珏晗. 2017. 粤港澳大湾区经济发展时空演变特征及其影响因素. 热带地理，37（6）：802-813. [Zhou Chunshan, Luo Lijia, Shi Chenyi and Wang Juehan. 2017. Spatio-Temporal Evolutionary Characteristics of the Economic Development in the Guangdong-Hong Kong-Macao Greater Bay Area and Its Influencing Factors. Tropical Geography, 37(6): 802-813. ]

Options
Outlines

/

〈 〉