俄罗斯典型城市扩张时空格局与驱动机制——基于遥感决策融合与多元离散回归模型

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

李宇^,¹^,², 孟丹^,¹^,², 叶海鹏¹^,², 张宁³, 郑吉⁴, 李飞¹^,², 董锁成¹^,²

1.中国科学院地理科学与资源研究所,北京 100101

2.中国科学院大学,北京 100049

3.住房和城乡建设部遥感应用中心,北京 100142

4.香港大学,香港 999077

Spatiotemporal pattern and driving forces of typical Russian cities: Based on remote sensing decision fusion and multiple discrete regression model

LI Yu^,¹^,², MENG Dan^,¹^,², YE Haipeng¹^,², ZHANG Ning³, ZHENG Ji⁴, LI Fei¹^,², DONG Suocheng¹^,²

1. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 10010, China

2. University of Chinese Academy of Sciences, Beijing 100049, China

3. Ministry of Housing and Urban-Rural Development Information Center, Beijing 100142, China

4. The University of Hong Kong, Hong Kong 999077, China

通讯作者: 孟丹（1995-）,女,山东济宁人,硕士,主要研究方向城市化资源环境效应、国土空间规划。E-mail: mengd.18s@igsnrr.ac.cn

收稿日期:2021-02-8接受日期:2021-09-14

基金资助:

中国科学技术基础资源调查项目(2017FY101303)
国家社会科学基金“一带一路”战略研究专项项目(17VDL016)
“一带一路”国际科学组织联盟资助项目(ANSO-CR-KP-2020-02)

Received:2021-02-8Accepted:2021-09-14
作者简介 About authors
李宇（1973-）,男,河北保定人,研究员,主要研究方向城市化资源环境效应、国土空间规划、冰雪经济发展研究。E-mail: liy@igsnrr.ac.cn

摘要
本研究以社会经济发展统计数据和多源遥感影像数据为基础,通过决策融合遥感解译方法、多元离散回归模型、质心迁移、扇形分析法等,重点考察了伊尔库茨克(Irkutsk)、新西伯利亚(Novosibirsk)、叶卡捷琳堡(Yekaterinburg)分别在1990年、2000年、2010年、2018年城市不透水面的扩张特征,探讨了不同城市扩张的自然环境变化与社会经济发展耦合作用与驱动机制。首先不同城市的扩张方向、强度、速度、模式上存在显著时空差异,三个城市分别呈现“快速增长-增长-慢速增长”“增长-增长-慢速增长”“慢速增长-增长-慢速增长”发展趋势,其中叶卡捷琳堡扩张强度最高。而城市新增不透水面的扩张类型以蔓延式和跳跃式扩张为主,填充式扩张所占比重较小。其次典型城市扩张主要发展方向不同,伊尔库茨克城市扩张特征由南北发展向转为放射状发展,新西伯利亚由东西向发展向正西方向发展,叶卡捷琳堡城市扩张特征由放射状发展向西南方向发展,其发展方向与其自然、区位以及社会因素有关,其中自然因素和区位因素是俄罗斯三类典型城市扩张的主导因素。最后文章阐述不同类型的俄罗斯城市其发展方向与城市发展潜力,为其同类型城市发展提供科学管理依据。伊尔库茨克借助丰富旅游资源重视城市内旅游产业发展,新西伯利亚由于历史问题,对城市内外部交通网络布局提出更高标准规划,叶卡捷琳堡作为俄罗斯国内较发达城市,可加强和周边城市联系形成具有联动作用的城市群。对中国东北地区同类型城市发展规划有着一定的启示意义,包括加强发展紧凑城市、注重交通设施建设、加强周边城市联动、发展旅游等。
关键词： 俄罗斯;城市扩张特征;驱动分析;多源遥感数据;决策融合;多元离散回归

Abstract

This study is conducted based on social economic development statistics and multi-source remote sensing image data (high-resolution GF satellites and medium-resolution Landsat satellites, nighttime light), and through decision fusion remote sensing interpretation methods, multiple discrete regression models, barycenter trajectory, fan-shaped analysis methods of urban expansion patterns. It focused on the impervious surface area expansion process of Irkutsk, Novosibirsk and Yekaterinburg in 1990, 2000, 2010 and 2018 and explored the coupling effect and driving mechanism of natural environmental changes and socio-economic development of different types of urban expansion. Firstly, there are significant spatiotemporal changes in the expansion of direction, intensity, speed, and mode of different cities. Irkutsk, Novosibirsk and Yekaterinburg show the development trends of “fast growth-growth-slow growth”, “growth-growth-slow growth” and “slow growth-growth-slow growth” respectively, among which Yekaterinburg has the highest intensity. The development mode of urban new impervious surface area is mainly sprawl and jump expansion, and infill expansion accounts for a small proportion; secondly, the main development directions of impervious surface area in typical cities are different, the characteristics of urban expansion in Irkutsk are from radial direction to south-north direction, Novosibirsk develops from west-east direction to west direction, and Yekaterinburg’s urban expansion features from radial direction development to the southwest direction. The urban development direction is related to its natural, geographical and social factors, among which natural and geographical conditions are the leading factors for the expansion of impervious surface area in the three types of typical cities in Russia. Finally, the article describes the development direction and potential of different types of Russian cities as well as provides a scientific basis for cities of the same type. Irkutsk could utilize abundant resources to develop tourism industry. On account of historical problems, Novosibirsk put forward a higher standard plan for the layout of the internal and external transportation networks of the city. As a relatively developed city in Russia, Yekaterinburg can strengthen its connection with surrounding cities and form a city cluster with linkage effect. This has certain enlightening significance to the development planning of similar cities in northeast China, which includes strengthening the development of compact cities, focusing on the construction of transportation facilities, strengthening the linkage of surrounding cities, and developing tourism industry.

Keywords：Russia;urban expansion characteristic;driving force;multi-source remote data;decision fusion;multiple discrete regression

PDF (6742KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
李宇, 孟丹, 叶海鹏, 张宁, 郑吉, 李飞, 董锁成. 俄罗斯典型城市扩张时空格局与驱动机制——基于遥感决策融合与多元离散回归模型[J]. 地理研究, 2021, 40(11): 2967-2985 doi:10.11821/dlyj020210115
LI Yu, MENG Dan, YE Haipeng, ZHANG Ning, ZHENG Ji, LI Fei, DONG Suocheng. Spatiotemporal pattern and driving forces of typical Russian cities: Based on remote sensing decision fusion and multiple discrete regression model[J]. Geographical Research, 2021, 40(11): 2967-2985 doi:10.11821/dlyj020210115

1 引言

当前城市人口占全世界人口超过50%,2050年将会提升到68%左右^[1],预计2030年城市总面积将达到125万km^{2 [2]}。城市化为增加的人口提供就业和定居地点,城市经济在全球经济中占据主导地位,同时城市化是土地覆盖和利用变化的关键驱动力。城市化进程发展集中在中高收入国家,尤其是中国和美国,但对经济欠发展地区欠缺研究^[3]。俄罗斯作为从中央经济体制过渡到市场经济体制较为典型的国家,城市化复杂趋势与国家历史、地理环境、资源等方面有极大的关系。横跨欧亚大陆的俄罗斯,东西发展差异巨大,并且城市化发展经历三个阶段。苏联时代（1920年之后）,城市发展拒绝市场规律,城市发展以产业布局为主,而在苏联解体（叶利钦时代）,部分城市出现“逆城市化”趋势,城市建设基本处于停滞状态;2000年之后（普京时代）城市建设逐步以市场建设为主导,城市的生产和发展由掌握政治、经济等资本的政府和资本家重新分配^[4,5]。上述背景使俄罗斯的城市发展在遵循世界城市发展规律的同时又存在其独特的城市发展特征。如今俄罗斯大城市和超大城市人口集聚,例如莫斯科和圣彼得堡等迅速形成城市圈,其社会职能复杂,而俄罗斯大部分城市是工业化产物,城市职能单一,并且俄罗斯加速城市化一定程度类似拉美国家,人口增长趋势类似发达国家^[6]28。俄罗斯亚洲部分作为一个比较独特体系可以帮助我们充分了解在转型经济下城市化进程和挑战。

叶卡捷琳堡(Yekaterinburg)、新西伯利亚(Novosibirsk)、伊尔库茨克(Irkutsk)与莫斯科、圣彼得堡等西欧大城市比较,其城市人口增加缓慢,但是相比于俄罗斯众多单一职能城市,其城市职能较为完整,城市人口持续增加^[6]41。在俄罗斯,这三个城市具有一定代表性,城市建立初期都承担着政府职能、工业基地、交通枢纽,但是经过苏联解体等系列巨变后,三个城市有不同发展轨迹,叶卡捷琳堡为著名军事工业城市,在经历了苏联时期、苏联解体及俄罗斯资本主义市场时期,叶卡捷琳堡和俄罗斯欧洲城市一样,艰难转型和多边发展;新西伯利亚市作为俄罗斯较为典型的交通城市之一有其代表性,其城市建立之初的目的即修建西伯利亚大铁路,在一带一路的背景下新西伯利亚更是沟通中国和西欧地区不可或缺的重点枢纽城市^[7];贝加尔湖的“大门”伊尔库茨克市,是俄罗斯较为典型的资源型旅游城市,形成以贝加尔湖为中心的旅游系统,伊尔库茨克市是俄罗斯未来旅游业发展的重点示范城市^[8]。

选择俄罗斯旅游型、交通枢纽型以及综合型代表城市研究城市扩张特征,对丰富世界城市发展特征有科学意义^[9]。城市不透水面（Impervious Surface Area,ISA）的扩张是城市扩张的物理表现形式^[10,11],研究者们利用遥感技术（RS）、地理信息科学（GIS）对城市不透水面识别与分析进行了大量实证研究。沿海大城市中,中国代表型的特大城市广州和深圳,1975—2015年城市土地大量增长,年增长率分为8.1%和11.0%,城市扩张的时空特征为紧凑型发展^[12];研究人口稠密的东南亚大城市空间扩张特征中,1990—2014年曼谷、胡志明和马尼拉三个城市都经历了快速的城市空间扩张过程,其中曼谷呈现相对分散的城市形态,胡志明市城市形态先分散后融合,而马尼拉受制海洋呈现狭长的城市形态^[13]。欧洲等的发达城市中,希腊、雅典和萨洛尼卡等上世纪从单一、紧凑和超密集的城市空间结构向更不连续和分散的模式转变^[14],俄罗斯****们评估首都莫斯科空间发展特征,研究表明莫斯科城市中心密度超过90%,并且紧密型和郊区化发展并行^[15,16],圣彼得堡城市空间经历了“圈层-扇形-多中心”扩张特征模式,沿交通线路是圣彼得堡空间扩张主要表现形式^[17];俄罗斯发展中城市,北部拥有丰富石油资源的苏尔格特市,1973—2018年城市ISA由31.3 km²扩张至128.3 km²,北部和西北方向为城市的主要扩张方向^[18],位于东欧的萨马拉市,1975—2015年城市扩张从333.50 km²增长为460.87 km^{2 [19]}。相较于亚洲和欧洲等其他国家的城市扩张特征研究,经济发达的莫斯科和圣彼得堡等大城市一直是俄罗斯城市扩张特征研究的热点区域,位于亚洲地区的发展中大城市中缺乏城市扩张模式和空间特征相关研究^[20]。

俄罗斯城市相关研究中,影响城市扩张主要因素为山地、湖泊等地域因素以及人口、经济发展、区位等社会因素^[21,22]。坡度、海拔、距离河流的距离多为自然因素,例如,研究内陆和沿海城市时空格局变化,重点探究了海拔、坡度和河流对城市扩张空间格局的影响,其结果表明沿海大都市的城市化速度比内陆大都市发展快,在发展阶段河流是制约城市扩张的重要地理因素^[23]。自然地理环境对城市扩张的宏观格局影响是显而易见的。例如,中国广州市的城市扩张明显受到地形的影响,西部发展受到珠江和佛山市河道限制,东北为丘陵地区限制发展,而北部和东部为平原有利用城市发展^[24]。社会经济因素中多考虑人口、地区总产值、社会固定投资等^[25]。对于发展中国家,经济因素对城市扩张贡献最大,其中经济结构的转型可以加速城市扩张,人口增长对刺激城市扩张具有重要作用。国内****探究1993—2012年中国30个特大城市扩张决定因素相对重要性,选择经济、人口、社会和自然的33个决定因素,结果表明决定因素相对重要性随着城市而异,但是经济决定因素贡献最大,其次是社会决定因素^[26]。区位因素较多倾向于距主要道路的距离、距离中心商务区的距离、距离学校的距离等^[27,28,29]。区位因素对推动城市建设用地扩张发挥重要作用,埃及城市扩张过程中,区位因素中多考虑距离城市化区域中心、政府中心以及水体的距离、距离主要道路及次要道路的距离等,最后研究结果表明不同发展阶段其城市扩张驱动因素不同,城市发展初始阶段人口为城市扩张主要驱动力,当城市发展速度超过人口增长速度时,距离主要道路的距离及次要道路的距离的相对重要性越来越大^[30]。

在以往研究的基础上,结合俄罗斯三个城市的实际情况并且充分考虑数据可获得性,选择海拔(DEM)、坡度(SLOPE)、坡向(ASPECT)以及距离河流的距离(EDU);社会经济因素选择灯光指数(LIGHT)数据替代;分别选用距离交通设施的距离(JT)、距离公共服务的距离(GG)、距离商业服务的距离(SF)、距离主要公路的距离(ROAD)以及距离铁路的距离(RAILWAY)来表示区位因素。俄罗斯三个典型的旅游型、交通枢纽型以及综合型代表城市,基于高分辨率的GF系列卫星和中分辨率的Landsat系列卫星遥感影像数据,利用决策融合方法对影像进行遥感解译,获得1990年、2000年、2010年、2018年三个典型城市四期高精度不透水面数据;基于城市DEM、灯光数据及社会经济发展POI数据,利用多元离散回归模型探究俄罗斯城市1990—2018年城市扩张方向、扩张强度、扩张速度与扩张模式的时空格局,并分析城市扩张的自然、区位等主要影响因素。

2 研究方法与数据来源

2.1 数据来源

本文主要使用的数据为GF和Landsat系列卫星数据,时相优先选择6—9月份,并保证云量≤10%,其中GF-2卫星数据重采样为2 m,驱动因素分为自然环境因素和社会因素,其他数据信息见表1。

Tab. 1
表1
表1多源遥感数据来源与用途
Tab. 1Sources and uses of multi-source remote sensing data

来源	数据	时间分辨率	空间分辨率	用途	名称	处理方法
中国资源卫星应用中心	GF-1 GF-2	2018年 2018年	2 m 1 m	遥感解译分类		决策融合分类法
美国地质调查局	Landsat5/7/8	1990年、2000年、2010年	15 m、30 m	遥感解译分类		决策融合分类法
美国海洋与大气管理局	DEM	2019年	30 m	提取海拔	DEM	ArcGIS提取地形栅格图
				提取坡向	ASPECT	ArcGIS提取坡向栅格图
				提取坡度	SLOPE	ArcGIS提取坡度栅格图
中国科学院中国遥感卫星地面站	灯光数据	2012年、2019年		提取灯光指数	LIGHT	ArcGIS提取区域灯光指数栅格图
OpenStreetMap（https://download.geofabrik.de/russia.html）	河流	2019年		提取距离河流的距离栅格图	EDU	ArcGIS中欧式距离提取各驱动因素栅格图
	交通服务设施点	2019年		提取距离交通设施的距离栅格图	JT
	公共服务设施点	2019年		提取距离公共服务设施的距离栅格图	GG
	商业服务设施点	2019年		提取距离商业服务的距离栅格图	SF
	城市主干道	2019年		提取距离城市主干道的距离栅格图	ROAD
	铁路	2019年		提取距离铁路的距离栅格图	RAILWAY

新窗口打开|下载CSV

2.2 多尺度决策融合分类法

2.2.1 预处理和分类器选择对原始数据预处理,依次进行配准、校正、图像融合等操作,然后进行样本选择和建立分类体系,基于特征地物直方图分类选取样本,确定ISA,水域,耕地,草地和林地共5类分类。构建分类器是影像分类中最核心的一部分,良好的分类器能够为研究提供较好的分类结果。SVM(支持向量机)、KNN(K最邻近法)、MLP(多层感知机)、NB(朴素贝叶斯法)以及GBDT(梯度提升树法)为常用的5类分类器。SVM是早期机器学习中常用的回归模型,优点是可以包容模型输出与真实输出之间的偏差。KNN和MLP是利用距离度量或者特征学习的分类器,对于大幅宽、多波段以及高分辨率的多光谱数据,KNN和MLP需要依赖大量的样本区训练,时间成本大。NB是一种半监督分类的方法,NB分类方法结构简单,但是该方法具有较强的限定即属性变量之间的条件必须是独立的。GBDT是在Booting算法改进的基础上一种集成学习方法,能够灵活处理各种数据、分类准确率高,具有很强的鲁棒性。因此文章选取GBDT作为主分类器,SVM、MLP、KNN以及NB作为次分类器,对影像数据进行分类。

2.2.2 特征参数及决策融合借助光谱、纹理等特征可以增强遥感解译精度,因此文章充分考虑不同地物反射光谱特性从而提高分类精度。光谱特征中使用了HSV转换、NDVI（归一化植被指数）、NDBI（归一化建筑物指数）、MNDWI（归一化水体指数）,纹理特征中选择GLCM（灰度共生矩阵）对图像上具有相似属性的相元进行空间统计,选择ASM（角二矩阵）、HOM（均匀性）、DIS（相异性）、ENT（熵）特征变量^[31,32]。

GF影像可以提供更准确的地物细节,所得分类结果也更好。因为去除大面积无关区域后,所选ISA的样本占总样本量的比例升高,使分类器对此类地物训练更为成熟,同时也减少其他样本对本类地物的干扰,进而提高分类精度。训练样本以2018年的样本为基准,逐年比对2010年、2000年、1990年三年影像,逐样本检查地块类别是否发生变化,并给予样本属性修改更新,保证四期样本的稳定性和连续性。

每个分类器获得不同的分类结果,决策融合过程中对分类结果进行可靠性评估,分类器除了给出分类结果同时会输出一个概率估计,相同分类器下,该概率值可以作为分类结果可靠性的参考,但是不同分类器之间,该概率值不具有可比性。因此文章为采取更可靠的评估,使用测试样本中不同分类器输出概率,估计在不同区间的错分率,即错分率最小的即为该像元的分类结果。当主分类器对一个像元分类结果的错分可能性小于1%时,便认为该分类结果是可信的。

2.2.3 精度评价遥感影像分类精度评价统计方法——Kappa系数^[33],分类结果与随机分类的错误差值的占比,公式为：

（1）

K = \frac{P ∙ \sum_{k = 1}^{n} P_{KK} - \sum_{k = 1}^{n} (P_{+ i} ∙ P_{i +})}{P^{2} - \sum_{k = 1}^{n} (P_{+ i} ∙ P_{i +})}

式中：K为Kappa系数值;P为总像元数量;

P_{KK} 表示

坐标为（K,K）的像元总和;

P_{+ i}

和

P_{i +} 表示 i

行和

i

列的像元数量总和。

2.3 城市扩张特征定量评价

2.3.1 城市扩张方向质心迁移法^[34,35]是地理学中描述地理空间对象空间转变的指标,质心反映空间要素的异质性和高密度部分,其动态迁移反映了地理对象的空间分布的整体迁移轨迹。其质心坐标公式如下：

（2）

\bar{X} = \frac{\sum_{i = 1} x_{i}}{n}

（3）

\bar{Y} = \frac{\sum_{i = 1} y_{i}}{n}

式中：

\bar{X}

和

\bar{Y}

表示ISA斑块质心坐标;

x_{i}

和

y_{i}

表示ISA斑块

i

的坐标;

n

表示斑块的数量。

等扇形分析法和缓冲区分析用于研究城市ISA空间扩张的方位及距离差异^[36]。扇形区域需全覆盖1990—2018年建设用地,因此伊尔库茨克、新西伯利亚以及叶卡捷琳堡选取扇形半径分别为50 km、60 km、30 km。以研究区中心分别做2 km、2 km、1 km的连续缓冲区,确定城市ISA强度距离差异^[10]。

2.3.2 城市扩张指数表2显示,扩张强度表示一定时期内城市ISA变化的强弱、快慢和总体趋势,通常用某一时期内研究区城市ISA的面积增长率来表示^[37]。城市扩张特征分析中常使用的指标为扩张速度,其指标用来反映城市扩张变化程度。城市扩张的三种模式判断,S=0时,ISA是跳跃式扩张,0<S≤0.5时,ISA是蔓延式扩张,0.5<S≤1时,ISA是填充式扩张。

Tab. 2
表2
表2城市扩张研究指标
Tab. 2The indicators of urban expansion

指标	计算	说明
扩张强度指标^[38]	$UEI = \frac{(U_{b} - U_{a})}{ST}$ （4）	$U_{a}$ 和 $U_{b}$ ：表示在 $b$ 年与 $a$ 年的城市ISA面积（km²） S：表示研究区土地总面积（km²） T：表示研究时段（a）
扩张速度指标^[39]	$V = \frac{(U_{b} - U_{a})}{T}$ （5）	$L_{c}$ ：表示新增ISA斑块与现有斑块的公共边长（km）
扩张模型指标^[40]	$S = L_{c} / p$ （6）	$P$ ：表示新增ISA的总边长（km）

新窗口打开|下载CSV

2.4 基于Logistic回归分析模型的城市扩张驱动分析

Logistic回归分析模型应用广泛,包括数据挖掘、经济因素等离散研究领域,并逐步应用到自然资源、灾害、生态系统等方面^[41,42],以及土地利用/覆被变化驱动因素分析中^[43,44]。Logistic模型有利于实现地物类型在一段时间周期内发生变化驱动机制的定量分析,并且可以准确筛选出对事件发生有显著影响的因素,同时剔除掉不显著的因素^[45]。主要包括四类指标：回归系数、Wald统计量、显著性水平和标准差。

某事件发生的的结果用

Y

表示,自变量用

X_{n}

表示,在本研究中,

Y

表示城市ISA是否发生变化,利用二分法赋值如下：

（7）

Y \{\begin{array}{l} 1, 城市 ISA 发生变化 \\ 0, 城市 ISA 未发生变化 \end{array}

式中：

P

表示城市ISA发生变化的概率,回归模型如下：

（8）

In [P / (1 - P) = α + β_{1} x_{1} + β_{2} x_{2} + \dots + β_{n} x_{n}]

式中 : x_{1}

x_{2}

,…,

x_{n}

表示对结果

Y

的

n

个影响因素;

α

表示常数项;

β_{1}

β_{2}

,…,

β_{n}

表示Logistic回归的偏回归系数。

发生事件的概率：

（9）

P = \frac{[\exp (α + β_{1} x_{1} + β_{2} x_{2} + ? + β_{n} x_{n})]}{[1 + \exp (α + β_{1} x_{1} + β_{2} x_{2} + ? + β_{n} x_{n})]}

发生比率：

（10）

odd (P) = \exp (α + β_{1} x_{1} + β_{2} x_{2} ? + β_{n} x_{n})

Logistic回归模型要避免数据的空间自相关性。利用ArcGIS完成样本点的生成,在每个城市随机抽样,选择分布在整个研究区5000个样本数据建立矢量图层。然后进行驱动因子空间赋值,提取自变量和因变量值,建立多元离散回归模型。以1990—2018年伊尔库茨克、新西伯利亚以及叶卡捷琳堡城市的ISA变化作为因变量,城市ISA发生变化和未发生变化分别赋值1和0。海拔、坡度、坡向、距离河流的距离作为自然因素自变量,城市灯光活动强度作为社会经济因素自变量,距离交通设施的距离、距离城市主干道距离、距离铁路距离、距离公共服务的距离和商业服务的距离作为区位因素自变量。提取空间属性信息后通过SPSS,采用逐步Logistic回归模型对伊尔库茨克、新西伯利亚以及叶卡捷琳堡的城市ISA变化进行相关驱动因子分析^[46]。

2.5 研究区域

叶卡捷琳堡(60°35′E, 56°52′N),位于乌拉尔山脉东部,其矿产资源丰富。新西伯利亚市(82°55′E, 55°20′N),坐落于鄂毕河上游,水力资源丰富。伊尔库茨克市(104°18′E, 52°17′N),位于贝加尔湖南端,安加拉河与伊尔库特河交汇处。

三类城市代表俄罗斯典型综合城市、交通枢纽城市以及新兴旅游城市,分别研究俄罗斯三类代表城市1990—2018年城市扩张规模及空间扩张形态,探究不同城市类型的空间扩展驱动因素,为案例城市和类似城市的未来城市空间发展提供科学依据。

3 结果分析

3.1 城市扩张与土地利用变化

耕地、ISA、草地、水域以及林地（表3）为城市土地利用的结果,三座城市四期5种地物的总体精度分别为：88.53%、88.50%、89.17%和88.83%,Kappa系数均在0.85以上,解译精度高。伊尔库茨克、新西伯利亚以及叶卡捷琳堡分别以半径50 km、60 km、30 km为半径,做2 km、2 km、1 km缓冲区,ISA和解译结果如图1。

Tab. 3
表3
表3分类结果情况
Tab. 3The result of classification （%）

类型	1990年		2000年		2010年		2018年
类型	生产者精度	用户精度	生产者精度	用户精度	生产者精度	用户精度	生产者精度	用户精度
耕地	83.020	84.270	83.670	91.110	89.570	88.160	84.750	86.120
不透水面	86.330	81.110	84.640	80.100	87.230	80.530	86.330	81.130
草地	83.330	84.270	80.770	87.500	83.330	84.550	85.180	84.270
水域	92.590	96.270	90.010	94.530	94.440	90.350	93.820	97.240
林地	90.250	88.540	87.030	85.150	91.570	92.100	90.680	90.230
总体精度	88.530		88.500		89.170		88.830
Kappa系数	0.850		0.850		0.860		0.860

新窗口打开|下载CSV

图1

新窗口打开|下载原图ZIP|生成PPT
图1不透水面解译结果

Fig. 1The interpreted results of ISA

伊尔库茨克、新西伯利亚以及叶卡捷琳堡1990—2018年ISA呈现稳速增长趋势（图1）。伊尔库茨克ISA从1990年的241.37 km²上升到2018年的410.94 km²,平均增长率为41.26%。1990—2000年、2000—2010年、2010—2018年三个时期的ISA扩张呈现“快速增长-增长-慢速增长”发展趋势。新西伯利亚ISA由1990年341.84 km²上升到2018年464.60 km²,其平均增长率为35.91%。1990—2000年、2000—2010年、2010—2018年ISA的平均增长率分别为11.64%、14.29%、6.52%。前两个时期,新西伯利亚ISA保持10%以上的增长速度,最后一个时期ISA扩张程度有所下降,三个时期的ISA扩张呈现“增长-增长-慢速增长”发展趋势。叶卡捷琳堡ISA由1990年的219.78 km²增长至2018年的268.85 km²,平均增长率为22.33%。1990—2000年、2000—2010年、2010—2018年,叶卡捷琳堡ISA面积的平均增长率分别为2.80%、13.34%、4.99%,三个时期的ISA扩张呈现“慢速增长-增长-慢速增长”发展趋势。对比俄罗斯三个主要城市的ISA面积增长情况,伊尔库茨克、新西伯利亚城市ISA增长率较快,而叶卡捷琳堡城市ISA增长较为缓慢,在2000年、2010年、2018年三个时间节点,伊尔库茨克与新西伯利亚城市ISA总面积差距逐渐缩小,与叶卡捷琳堡差距逐渐增大。

3.2 空间变化特征分析

城市的ISA强度与城市中心距离的关系表明,伊尔库茨克和新西伯利亚的ISA强度随着距离的增加呈先增加后减小的趋势,叶卡捷琳堡的ISA强度随着距离的增加而持续减小。伊尔库茨克、新西伯利亚、叶卡捷琳堡不同的城市类型ISA强度的格局差异明显。如图2所示,伊尔库茨克、新西伯利亚、叶卡捷琳堡ISA强度分别在5~10 km、10~15 km、0~5 km取得最大值,最大值分别为60%、50%、100%,在8~26 km、12~26 km、0~18 km ISA强度急剧下降,强度值在5%以下。三个城市中,叶卡捷琳堡城市ISA强度最高,伊尔库茨克次之,新西伯利亚的强度最低,伊尔库茨克和新西伯利亚的ISA强度最大值分别在距离城市中心的8 km和12 km取得。

图2

新窗口打开|下载原图ZIP|生成PPT
图2ISA强度与城市中心距离关系的比较

Fig. 2Relationships of ISA intensity and distance to city center

城市ISA质心空间变化显著（图3）。总体来看,三个城市ISA质心空间偏移方向不同。1990—2018年,伊尔库茨克、新西伯利亚、叶卡捷琳堡质心总体偏移方向依次为向北方向、向西方向、西南方向,质心偏移方向反映城市的整体异质性和高密度分布情况。对比城市ISA的扩张特征（图4）,总体而言伊尔库茨克ISA扩张面积、扩张速度、扩张强度最剧烈,新西伯利亚次之,叶卡捷琳堡变化最小。

图3

新窗口打开|下载原图ZIP|生成PPT
图3城市质心迁移

Fig. 3The center of mass migration of the city

图4

新窗口打开|下载原图ZIP|生成PPT
图4城市扩张特征分布

Fig. 4The characteristic of urban expansion

1990—2018年,伊尔库茨克城市扩张特征从南北向发展转变为放射状发展,城市形态趋向复杂,边界曲折（表4,见第2977页）。1990—2000年,西北、正南、正北空间扩张显著,扩张面积依次为151.36km²、134.30 km²、127.80 km²,扩张速度为1.36 km²/a、2.38 km²/a、1.22 km²/a,扩张强度为1.54%、1.37%、1.30%。2000—2010年,正北、西南、正南空间扩张显著,扩张面积依次为125.62 km²、69.36 km²、46.84 km²,扩张速度为1.77 km²/a、0.75 km²/a、0.82 km²/a,扩张强度为1.28%、0.71%、0.48%。2010—2018年城市扩张特征呈放射状,最大的扩张方向为正北,扩张面积、扩张速度、扩张强度依次为77.13 km²、1.08 km²/a、0.98%。

Tab. 4
表4
表4伊尔库茨克扩张特征指数
Tab. 4The indicators of urban expansion in Irkutsk

	1990—2000年			2000—2010年			2010—2018年
	面积 (km²)	速度 (km²/a)	扩张强度 (%)	面积 (km²)	速度 (km²/a)	扩张强度 (%)	面积 (km²)	速度 (km²/a)	扩张强度 (%)
北	127.800	1.220	1.300	125.620	1.770	1.280	77.130	1.080	0.980
东北	52.840	0.680	0.540	32.130	0.350	0.330	28.020	0.260	0.360
东	73.440	0.700	0.750	42.800	0.370	0.440	47.170	0.500	0.600
东南	108.670	1.020	1.110	37.810	0.260	0.390	69.660	0.530	0.890
南	134.300	2.380	1.370	46.840	0.820	0.480	37.770	0.810	0.480
西南	71.330	0.820	0.730	69.360	0.750	0.710	68.880	0.680	0.880
西	23.590	0.210	0.240	12.400	0.110	0.130	31.120	0.500	0.400
西北	151.360	1.360	1.110	43.210	0.480	0.390	28.280	0.240	0.890

新窗口打开|下载CSV

1990—2018年新西伯利亚城市扩张特征从东西向发展转变为向西发展,并且城市增长面积增加值逐渐缩小（表5）。1990—2000年,东部和西部的扩张面积为6.73 km²、13.91 km²,扩张速度为0.67 km²/a、1.39 km²/a,扩张强度为0.06%、0.12%,西部是东部扩张的两倍。2000—2010年,扩张整体偏向西部地区,其中西北和西南城市扩张整体特征大于正西方向。2010—2018年,正西方向的扩张面积、扩张速度、扩张强度依次为9.04 km²、1.13 km²/a、0.10%,与上年同方向相比,扩张速度和扩张强度有不同程度上升。西北和西南方向的扩张面积(6.23 km²和3.81 km²)、扩张速度(1.78 km²/a和0.48 km²/a)、扩张强度(0.07%和0.04%)与上年同方向相比,扩张程度分别下降了1.76倍和3.25倍。

Tab. 5
表5
表5新西伯利亚扩张特征指数
Tab. 5The indicators of urban expansion in Novosibirsk

	1990—2000年			2000—2010年			2010—2018年
	面积 (km²)	速度 (km²/a)	扩张强度 (%)	面积 (km²)	速度 (km²/a)	扩张强度 (%)	面积 (km²)	速度 (km²/a)	扩张强度 (%)
北	3.130	0.310	0.030	0.030	0.160	0.010	3.870	0.480	0.040
东北	2.590	0.260	0.020	0.050	0.010	0.000			0.000
东	6.740	0.670	0.060	0.510	0.050	0.004	1.040	0.130	0.010
东南	6.270	0.630	0.050	1.370	0.140	0.012	1.840	0.230	0.020
南	2.480	0.250	0.020	8.140	0.810	0.070	2.610	0.330	0.030
西南	4.660	0.470	0.040	16.180	1.620	0.140	3.810	0.480	0.040
西	13.910	1.390	0.120	9.520	0.950	0.080	9.040	1.130	0.100
西北			0.000	17.190	1.720	0.150	6.230	1.780	0.070

新窗口打开|下载CSV

1990—2018年叶卡捷琳堡城市扩张特征从放射状发展向西南方向发展,西南部是扩张的热点区域（表6）。1990—2000年,叶卡捷琳堡城市扩张方向较均衡,正北、正南、正西、正东都有一定程度扩张。2000—2010年,西部和南部地区城市扩张程度明显高于北部和东部,其中正西和西南方向扩张程度较大,扩张面积依次为7.94 km²、6.44 km²,扩张速度依次为0.79 km²/a、0.64 km²/a,扩张强度依次为0.13%、0.11%。2010—2018年,城市扩张程度减小,其中城市向西南扩张特征显著,西南方向的扩张面积、扩张速度、扩张强度依次为4.63 km²、0.59 km²/a、0.10%。

Tab. 6
表6
表6叶卡捷琳堡扩张特征指数
Tab. 6The indicators of urban expansion in Yekaterinburg

	1990—2000年			2000—2010年			2010—2018年
	面积 (km²)	速度 (km²/a)	扩张强度 (%)	面积 (km²)	速度 (km²/a)	扩张强度 (%)	面积 (km²)	速度 (km²/a)	扩张强度 (%)
北	1.640	0.160	0.030	2.660	0.270	0.050	0.250	0.030	0.005
东北	0.580	0.060	0.010	0.400	0.040	0.007	0.620	0.080	0.010
东	1.290	0.130	0.020	1.890	0.190	0.030	1.440	0.180	0.030
东南	0.120	0.010	0.002	5.230	0.520	0.090	0.800	0.100	0.020
南	0.630	0.060	0.010	4.430	0.440	0.080	1.150	0.140	0.020
西南	0.480	0.050	0.010	6.440	0.640	0.110	4.630	0.580	0.100
西	1.170	0.120	0.020	7.940	0.790	0.130	2.230	0.280	0.050
西北	0.240	0.020	0.004	1.150	0.120	0.020	0.000	0.000	0.000

新窗口打开|下载CSV

伊尔库茨克1990—2018年其主导扩张类型分别为“蔓延式-跳跃式”“蔓延式”“蔓延式-跳跃式”（图5,见第2979页）。1990—2018年三个阶段内,新西伯利亚主导城市ISA扩张类型为蔓延式,蔓延式扩张类型占总扩张类型为65.96%、72.66%以及81.12%。叶卡捷琳堡1990—2018年三个阶段内主导扩张类型分别为“跳跃式”“跳跃式-蔓延式”“跳跃式”。三个城市新增ISA分别以不同的扩张类型为主导,主要扩张类型为蔓延式和跳跃式。欧洲环境署将城市蔓延作为大型城市低密度的一种扩张形式,并且表现形式为向周围农业地区扩张的物理模式,因此伊尔库茨克、新西伯利亚、叶卡捷琳堡三个城市应该根据城市自身的发展特征,鼓励密集和紧凑型城市发展。

图5

新窗口打开|下载原图ZIP|生成PPT
图5扩张类型占比情况

Fig. 5The situation of expansion types

3.3 城市扩张主要影响因素及驱动力分析

如表7（见第2980页）,各自变量显著水平低于0.005,回归模型拟合效果通过ROC值检验,ROC为0.837（置信区间为0.809~0.865）能较好解释1990—2018年伊尔库茨克ISA扩展的驱动因素。Wald统计量结果,1990—2018年伊尔库茨克城市扩张影响最大的驱动因子为城市灯光指数（LIGHT）、距交通设施的距离（JT）,Wald统计结果分别为246.91和245.05,灯光指数（LIGHT）和距交通设施的距离（JT）与城市扩张ISA的逻辑回归关系呈正相关,正北方向为伊尔库茨克市的重点扩张方向,逻辑回归结果显示主要驱动因素为距离公共服务的距离（GG）,Wald统计量为60.42。伊尔库茨克规划文件中指出^[47],城市建设用地分布沿铁路沿线,其主要交通子午线为图伦高速公路-布拉茨克-乌斯季库特,南北方向为城市扩张主要方向;伊尔库茨克具有极大的旅游潜力,发挥生态旅游、教育旅游、冬季休闲旅游等,伊尔库茨克市是通往贝加尔湖的大门。灯光指数（LIGHT）、距离交通设施的距离（JT）、距离公共服务的距离（GG）为伊尔库茨克市进一步城市扩张的关键驱动因素。

Tab. 7
表7
表7伊尔库茨克逻辑回归结果
Tab. 7The result of Logistic in Irkustk

伊尔库茨克					北向
驱动因子	回归系数	Wald	显著性	标准差	驱动因子	回归系数	Wald	显著性	标准差
海拔	0.004	23.623	0.000	1.004	海拔	0.0354	53.126	0.000	1.036
灯光指数	0.426	246.912	0.000	1.531	距河流距离	-0.000	5.615	0.018	1.000
距交通服务距离	0.000	245.045	0.000	1.000	灯光指数	0.353	37.252	0.000	1.423
距公共服务距离	0.000	40.977	0.000	1.000	距公共服务距离	-0.000	60.423	0.000	1.000
距商业服务距离	-0.000	32.291	0.000	1.000	距商业服务距离	0.000	18.770	0.000	1.000
距公路距离	0.000	31.179	0.000	1.000	距铁路距离	0	8.390	0.004	1.000
距铁路距离	-0.000	31.405	0.000	0.100
ROC	0.837（0.809~0.865）				ROC	0.837（0.809~0.865）

新窗口打开|下载CSV

新西伯利亚驱动因素分析中（表8,见第2980页）,回归模型拟合效果通过ROC值检验,ROC结果为0.769（置信区间为0.755~0.783）,模型能够有效解释1990—2018年新西伯利亚ISA扩展。除自然环境海拔因素外,影响新西伯利亚城市ISA扩张的主要驱动因子为距商业服务的距离（SF）以及距城市主干道的距离（ROAD）,Wald统计量为89.68和219.96,与城市扩张ISA呈现正相关关系。新西伯利亚西部地区,主要驱动因子为距交通服务的距离（JT）和距城市主干道的距离（ROAD）,Wald统计量为42.12和40.60,随着距交通服务设施及城市主干道距离的增大,城市扩张的概率增大。苏联时期,管理者认为城市土地不是城市发展的资源,而是为了扩大生产从而分配给企业,因此造成后果是城市公共区域规模明显落后于城市发展规划标准的要求,同样情况也发生在道路网络,后果为城市内部网络与外部高速公路的连通性不足。本研究结果中城市扩张的驱动因素同距离商业服务的距离及距离城市主干道距离密切相关,其深层原因与新西伯利亚城市发展中,城市内部公共服务和生产功能空间的分布不平衡性及城市内部道路网络分配不合理性特征一致。城市规划中指出,城市以西伯利亚大铁路形成纬线轴,以鄂毕河形成经线轴（市内交通及支流与其平行）,而新西伯利亚现有的城市特征进一步印证城市大方向沿纬度轴向,而城市内部发展的不平衡制约着其南北经向发展^[48]。

Tab. 8
表8
表8新西伯利亚逻辑回归结果
Tab. 8The result of Logistic in Novosibirsk

新西伯利亚					西向
驱动因子	回归系数	Wald	显著性	标准差	驱动因子	回归系数	Wald	显著性	标准差
坡向	-0.003	52.415	0.000	0.997	坡向	-0.003	4.627	0.032	0.997
海拔	0.014	141.190	0.000	1.014	距河流距离	-0.002	41.532	0.000	0.998
灯光指数	0.123	40.167	0.000	1.130	灯光指数	0.344	23.354	0.000	1.411
距公共服务距离	-0.000	68.970	0.000	1.000	距交通服务距离	0.003	42.119	0.000	1.003
距商业服务距离	0.000	89.680	0.000	1.000	距商业服务距离	0.001	17.266	0.000	1.001
距公路距离	0.000	219.963	0.000	1.000	距公路距离	0.002	40.595	0.000	1.002
距铁路距离	0.000	25.461	0.000	1.000
坡度	-0.573	31.057	0.000	0.564
ROC	0.769（0.755~0.783）				ROC	0.944（0.927~0.961）

新窗口打开|下载CSV

叶卡捷琳堡回归分析中回归模型拟合效果通过ROC值检验（表9）,ROC结果为0.770（置信区间为0.752~0.788）,模型回归结果能够有效解释1990—2018年叶卡捷琳堡ISA扩张。叶卡捷琳堡城市扩张的主要驱动因素为海拔（DEM）和城市灯光指数（LIGHT）,Wald统计量为357.81和210.68,并随着城市灯光指数值的增加城市ISA扩张概率增加。叶卡捷琳堡城市扩张的主要方向为西南,海拔（DEM）为西南方向城市扩张的主要驱动因素,随着海拔高度的增加其ISA扩张的概率随之增加。2016年叶卡捷琳堡城市化率超过80%以上,自然环境为高度城市化城市进一步城市扩张的最大制约因素,目前叶卡捷琳堡现有的城市规划中提出要节约和保护现有的土地资源,开发新潜力激活城市内部隐藏储备资源,发展紧凑型城市,因此本研究结果中叶卡捷琳堡城市扩张重要的驱动因素为海拔等自然环境要素,与其高度城市化的发展阶段密切相关;再者叶卡捷琳堡城市规划中指出和周围城市结合协同发展形成具有联动作用的城市群,包括列夫达、第一乌拉尔斯克、杰格佳尔斯克、上佩什马、别廖佐夫斯基、阿拉米尔等城市,其中位于叶卡捷琳堡西部的城市列夫达、第一乌拉尔斯克城市发展潜力巨大。在规划中强调通过将有限的资源投入城市基础设施项目,刺激城市的经济和劳动力市场一体化,因此研究中城市灯光指数（LIGHT）对叶卡捷琳堡未来城市发展驱动作用显著^[49]。

Tab. 9
表9
表9叶卡捷琳堡逻辑回归结果
Tab. 9The result of Logistic in Yekaterinburg

叶卡捷琳堡					西南向
驱动因子	回归系数	Wald	显著性	标准差	驱动因子	回归系数	Wald	显著性	标准差
海拔	0.037	357.806	0.000	1.037	海拔	0.046	124.500	0.000	1.047
距河流距离	-0.001	79.977	0.000	1.000	灯光指数	0.596	54.000	0.000	1.814
灯光指数	0.240	210.679	0.000	1.272	坡度	-1.629	31.165	0.000	0.196
坡度	-1.376	91.055	0.000	0.253
ROC	0.770（0.752~0.788）				ROC	0.833（0.806~0.861）

新窗口打开|下载CSV

4 结论与讨论

文章采用GF和Landsat系列卫星,选择全年较优并且云量少的数据,GF-1和GF-2卫星数据分辨率分别达到2 m和1 m,Landsat卫星数据分辨率分别达到15 m和30 m的精度。结合决策融合的方法对遥感影像进行分类,利用不同分类器之间的互补作用,解译出最优的分类结果。最后利用混淆矩阵方法得出解译结果精度情况,验证分类结果准确。伊尔库茨克、新西伯利亚以及叶卡捷琳堡分别为旅游型、交通枢纽型以及综合型城市,借助城市扩张指数充分研究城市扩张特征的定量变化。其中新西伯利亚ISA面积基数最大,伊尔库茨克ISA增长幅度最大,而叶卡捷琳堡ISA最小。利用城市质心迁移、等扇形分析法,首次计算得到俄罗斯不同类型城市扩张方向发展情况,伊尔库茨克主要增长方向为正北方向、新西伯利亚主要增长方向为正西方向、叶卡捷琳堡主要增长方向为西南方向。对于不同俄罗斯城市可利用质心迁移和扇形分析相结合方法,定量得到不同城市主要扩张方向,为城市今后发展提供科学依据。最后针对俄罗斯城市发展特点,结合Logistic驱动因素分析法,得知不同类型的俄罗斯城市其发展方向与城市发展潜力相关。

（1）俄罗斯城市化水平为73.7%,但是俄罗斯城市有其独特特点,多中小城市和城镇,大城市较少^[50]。旅游型城市伊尔库茨克市、交通型城市新西伯利亚市以及综合型城市叶卡捷琳堡市ISA在三个时期内,分别呈现“快速增长-增长-慢速增长”“增长-增长-慢速增长”“慢速增长-增长-慢速增长”发展趋势。叶卡捷琳堡的ISA强度最高,伊尔库茨克次之,新西伯利亚最低,其中伊尔库茨克和新西伯利亚分别在距离城市中心8 km和12 km取得ISA最大值。伊尔库茨克、新西伯利亚、叶卡捷琳堡质心迁移方向分别为北部方向、西部方向和西南方向,其中伊尔库茨城市扩张特征由南北发展向放射状发展,正北为最大扩张方向,新西伯利亚由东西向发展向正西方向发展,叶卡捷琳堡城市扩张特征由放射状发展向西南方向发展。伊尔库茨克、新西伯利亚以及叶卡捷琳堡主导扩张类型分别为“蔓延式-跳跃式”“蔓延式”以及“蔓延式-跳跃式”。

（2）伊尔库茨克作为俄罗斯典型旅游城市扩张更依赖于城市灯光强度和距交通服务设施的距离,而新西伯利亚作为交通类城市,城市ISA扩张更加依赖于自然因素、距商业服务的距离以及城市内部交通情况,叶卡捷琳堡为典型综合城市其城市ISA发展更偏重自然和社会因素。同一城市不同方向上其发展的驱动因素不同,伊尔库茨克市正北方向的主要驱动因素为海拔和距离公共服务的距离;新西伯利亚市正西方向的主导因素为距离河流的距离、距离交通的距离以及距离城市主干道的距离;叶卡捷琳堡市西南方向的主要驱动因素为海拔。城市扩张方向受地形和社会两类因素影响,东南亚城市马尼拉东西两侧被大海环绕,有限的土地资源使得其城市的发展向南北两侧延伸,导致城市形态狭长城市用地沿海岸线扩展^[13];中国辽宁省不同城市其扩张方式不同,中心城市扩张沿交通线扩展,沿海城市扩张方向沿海岸线扩展,而西部城市主要沿河流和交通线并行的方式^[51];本研究中伊尔库茨克市城市内建筑主要分布在安加拉河和伊尔特河东西两侧,新西伯利亚城市以鄂毕河形成经轴线,并且城市规划中强调交通基础设施建设,加强城市内外联系,因此伊尔库茨克、新西伯利亚、叶卡捷琳堡三个城市ISA扩张方向和驱动因素都和城市交通基础设施发展、社会经济有很强的相关性。三个城市自然和社会特征的不同,因此城市扩张存在一定差异,伊尔库茨克为贝加尔湖大门,借助丰富旅游资源重视城市内旅游产业发展,新西伯利亚由于历史问题,对城市内外部交通网络布局提出更高标准规划,叶卡捷琳堡作为俄罗斯较国内较发达城市,加强和周边城市联系形成具有联动作用的城市群。

（3）近年来中国和俄罗斯两国联系加强,为加强中国东北地区和俄罗斯东西伯利亚地区的合作,中俄双方制定《中华人民共和国东北地区与俄罗斯联邦远东及东西伯利亚地区合作规划纲要（2009—2018）》。俄罗斯城市发展与中国东北地区城市发展比较相似,通过对俄罗斯城市发展的研究可以对中国东北地区调整城市发展提供一定借鉴意义。黑龙江工业城市哈尔滨、大庆、齐齐哈尔2000—2015年城市建设用地扩张近一倍,城市发展形态分别为“北跃西拓、东优西扩”“T”“上”的城市格局^[52],东北地区不同城市规模城市用地扩张特征为“特大城市>中等城市>小城市>大城市”,城市发展不均衡^[53],哈尔滨城市扩张率高于人口增长率,人地关系不协调^[54],丹东等边境城市建设用地扩张为粗犷式,导致城市呈破碎化发展^[55]。总结来说,俄罗斯城市和中国东北地区城市发展具有一定相似性,即城市紧凑度下降,粗放利用严重,交通线路对城市扩张方向具有一定导向作用。因此,伊尔库茨克、新西伯利亚、叶卡捷琳堡城市发展规划对中国东北地区城市发展借鉴意义：一是促进工业城市转型,节约和保护现有土地利用资源,开发潜力资源发展紧凑型城市;二是重视城市内外交通基础设施建设,加强城市内外联系;三是对于东北地区的特大城市,加强和周边城市联系形成具有联动作用的城市群;四是借助边境城市底蕴特色资源,发展旅游特色城市。

虽然文章阐述俄罗斯不同城市类型的扩张方向,但是国内外对于俄罗斯城市扩张研究较少,并且由于数据等的可操作性,仅考虑伊尔库茨克、新西伯利亚以及叶卡捷琳堡三个城市ISA的实际扩张情况,针对俄罗斯其他类型城市的未来发展情况,需要获取更多典型俄罗斯城市具体数据,结合本研究方法,才能进一步探究提供可靠依据,同时为中俄合作奠定基础。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

Department of Economic and Social Affairs (DESA). World urbanization prospects: The 2018 revision
https://population.un.org/wup/Publications/Files/WUP2018-Report.pdf, 2021-1-1.

URL [本文引用: 1]

[2]

Angel

, Parent

, Civco D

, et al. The dimensions of global urban expansion: Estimates and projections for all countries, 2000-2050
Progress in Planning, 2011, 75(2): 53-107. DOI: 10.1016/j.progress.2011.04.001.

URL [本文引用: 1]

[3]

Reba

, Seto K

. A systematic review and assessment of algorithms to detect, characterize, and monitor urban land change
Remote Sensing of Environment, 2020, 242:111739. DOI: 10.1016/j.rse.2020.111739.

URL [本文引用: 1]

[4]

李晓玲, 修春亮, Шендрик Александр Владимирович, 等. 圣彼得堡土地利用格局现状特征及形成机制
地理科学, 2017, 37(9): 1382-1391.

DOI:10.13249/j.cnki.sgs.2017.09.011 [本文引用: 1]

以圣彼得堡市为例,依据1948、1987和2016年土地利用数据计算居住、工业和商业用地的区位熵值并分析其变化,基于统计小区、圈层式及扇形分布3个视角,运用GIS分析计划与市场经济影响下的城市用地空间分布特征。研究结果表明,居住、工业和商业用地的空间分布规律不同：① 3类用地在城市整体空间分布中均表现出一定的分散特征,其中,居住用地空间分布表现最为分散,工业用地呈现出分区域性布局特征,相比而言商业用地空间聚集程度最高;② 商业用地在核心圈层处于主导地位,工业用地在老城区圈层为主导地位,居住用地在近郊区圈层为主导地位,远郊区圈层仍处于初步发展阶段,城市景观发展尚未成熟;③ 对比圈层式和象限式结构各类用地区位熵值分布结果,提出圣彼得堡市3类用地空间分布扇形结构特征明显,说明沿主要交通线路是现代城市用地空间扩展主要方式,其中工业用地在城市空间分布中占据更为有利的交通区位优势,居住用地次之,商业用地在城市中心区域中分布不足。圣彼得堡城市用地空间分布形成主要机制总结为以下5个方面：前苏联时期城市用地空间结构主要框架的保持;行政区划调整为城市用地结构改善提供了路径;市场经济下住房体制改革推进了城市居住郊区化;土地市场对土地功能置换进程作用较弱;产业转型缓慢导致老城区仍主要为生产中心。

[Li

Xiaoling

, Xiu

Chunliang

, Alexander

Shendrik

, et al. Characteristics and mechanism of land use pattern of St. Petersburg
Scientia Geographica Sinica, 2017, 37(9): 1382-1391.]. DOI: 10.13249/j.cnki.sgs.2017.09.011.

[本文引用: 1]

[5]

Fan P

, Chen J

, Ouyang Z

, et al. Urbanization and sustainability under transitional economies: Asynthesis for Asian Russia
Environmental Research Letters, 2018, 13:095007. DOI: 10.1088/1748-9326/aadbf8.

URL [本文引用: 1]

[6]

于小琴. 俄罗斯城市化问题研究. 哈尔滨: 黑龙江大学出版社, 2015: 28, 41.

[本文引用: 2]

[Yu

Xiaoqin

. Research on Urbanization in Russia. Harbin: Heilongjiang University Press, 2015: 28, 41.]

[本文引用: 2]

[7]

莫尔恰诺娃. 新西伯利亚市的投资潜力及其国际合作的可能
西伯利亚研究, 2005, (6): 5-6.

[本文引用: 1]

[Molchanova. The investment potential of Novosibirsk and the possibility of international cooperation
Siberian Studies, 2005, (6): 5-6.]. DOI: 10.3969/j.issn.1008-0961.2005.06.002.

[本文引用: 1]

[8]

Nikonorov S

, Solovieva S

, Khovavko I

. Tourism development in the Baikal natural area (analysis and economic assessment)
E3S Web Conf. 2020, 208:08004. DOI: 10.1051/e3sconf/202020808004.

URL [本文引用: 1]

[9]

Sahana

, Hong

, Sajjad

. Analyzing urban spatial patterns and trend of urban growth using urban sprawl matrix: A study on Kolkata urban agglomeration, India
Science of the Total Environment, 2018b, 628-629:1557-1566. DOI: 10.1016/j.scitotenv.2018.02.170.

[本文引用: 1]

[10]

Kuang W

, Chi W

, Lu D

, et al. A comparative analysis of megacity expansions in China and the U.S.: Patterns, rates and driving forces
Landscape and Urban Planning, 2014, 132:121-135. DOI: 10.1016/j.landurbplan.2014.08.015.

URL [本文引用: 2]

[11]

Slonecker E

, Jennings D

, Garofalo

. Remote sensing of impervious surfaces: A review
Remote Sensing Reviews, 2001, 20(3): 227-255. DOI: 10.1080/02757250109532436.

URL [本文引用: 1]

[12]

Meng L

, Sun

, Zhao S

. Comparing the spatial and temporal dynamics of urban expansion in Guangzhou and Shenzhen from 1975 to 2015: A case study of pioneer cities in China′s rapid urbanization
Land Use Policy, 2020, 97:104753. DOI: 10.1016/j.landusepol.2020.104753.

URL [本文引用: 1]

[13]

Moschetto F

, Ribeiro R

, De Freitas

D M

. Urban expansion, regeneration and socioenvironmental vulnerability in a mangrove ecosystem at the southeast coastal of São Paulo, Brazil
Ocean and Coastal Management, 2021, 200:105418. DOI: 10.1016/j.ocecoaman.2020.105418.

URL [本文引用: 2]

[14]

Gianluca

, Sirio

, Gianni

, et al. Land mismatches, urban growth and spatial planning: A contribution to metropolitan sustainability
Environmental Impact Assessment Review, 2020, 84:106439. DOI: 10.1016/j.eiar.2020.106439.

URL [本文引用: 1]

[15]

Choudhary

, Boori M

, Kupriyanov

. Mapping and evaluating urban density patterns in Moscow, Russia
Computer Optics, 2017, 41(4): 528-534. DOI: 10.18287/2412-6179-2017-41-4-528-534.

URL [本文引用: 1]

[16]

Churkina

, Zaverskiy

. Challenges of strong concentration in urbanization: The case of Moscow in Russia
Procedia Engineering, 2017, 198:398-410. DOI: 10.1016/j.proeng.2017.07.095.

URL [本文引用: 1]

[17]

Li X

, He H

, Xiu C

, et al. Twenty years of post-soviet union urban land use change of St. Petersburg
Applied Spatial Analysis and Policy, 2020, 13:1019-1033. DOI: 10.1007/s12061-020-09340-9.

URL [本文引用: 1]

[18]

OURNG

, VAGUET

, DERKACHEVA

. Spatio-temporal urban growth pattern in the arctic: A case study in Surgut, Russia
Moscow: 2019 Joint Urban Remote Sensing Event (JURSE), 2019: 1-4. DOI: 10.1109/JURSE.2019.8809013.

[本文引用: 1]

[19]

Boori1 M

, Choudhary

, Kupriyanov

, et al. Four decades urban growth and land use change in Samara Russia through remote sensing and GIS techniques. Seventh International Conference on Graphic and Image Processing (ICGIP 2015)
Singapore: Proc. SPIE9817, 2015: 1-7. DOI: 10.1117/12.2227992.

[本文引用: 1]

[20]

梁影, 迟宇超. 俄罗斯当代城市化的特点及其对区域发展的影响
长江丛刊, 2019, 10(29): 89-90.

[本文引用: 1]

[Liang

Ying

, Chi

Yuchao

. The characteristics of contemporary urbanization in Russia and its influence on regional development
Yangtze River Series, 2019, 10(29): 89-90.]. DOI: CNKI:SUN:CJCK.0.2019-29-053.

[本文引用: 1]

[21]

Chen

, Chen Z

, Xu G

, et al. Built-up land efficiency in urban China: Insights from the general land use plan (2006-2020)
Habitat International, 2016, 51:31-38. DOI: 10.1016/j.habitatint.2015.10.014.

URL [本文引用: 1]

[22]

Chen J

, Chang K

, Karacsonyi

, et al. Comparing urban land expansion and its driving factors in Shenzhen and Dongguan, China
Habitat International, 2014, 43:61-71. DOI: 10.1016/j.habitatint.2014.01.004.

URL [本文引用: 1]

[23]

Lu D

, Li L

, Li G

, et al. Examining spatial patterns of urban distribution and impacts of physical conditions on urbanization in coastal and inland metropoles
Remote Sensing, 2018, 10(7): 1101. DOI: 10.3390/rs10071101.

URL [本文引用: 1]

[24]

Ma Y

, Xu R

. Remote sensing monitoring and driving force analysis of urban expansion in Guangzhou city, China
Habitat International, 2010, 34(2): 228-235. DOI: 10.1016/j.habitatint.2009.09.007.

URL [本文引用: 1]

[25]

Zhong

, Lin A

, He L

, et al. Spatiotemporal dynamics and driving forces of urban land-use expansion: A case study of the Yangtze River Economic Belt, China
Remote Sensing, 2020, 12(2) :287. DOI: 10.3390/rs12020287.

URL [本文引用: 1]

[26]

You H

, Yang X

. Urban expansion in 30 megacities of China: Categorizing the driving force profiles to inform the urbanization policy
Land Use Policy, 2017, 68:531-551. DOI: 10.1016/j.landusepol.2017.06.020.

URL [本文引用: 1]

[27]

Siddiqui

, Siddiqui

, Maithani

, et. al. Urban growth dynamics of an Indian metropolitan using CA Markov and Logistic Regression
The Egyptian Journal of Remote Sensing and Space Science, 2018, 21(3): 229-236. DOI: 10.1016/j.ejrs.2017.11.006.

URL [本文引用: 1]

[28]

许月娜, 田媛, 孙丕苓. 基于Logistic回归模型的张家口市土地利用变化驱动力及建设用地增加空间模拟研究
北京大学学报: 自然科学版, 2015, 51(5): 955-964.

[本文引用: 1]

[Xu

Yuena

, Tian

Yuan

, Sun

Piling

. Study on driving forces and spatial simulation of land use change in Zhangjiakou city based on Logistic regression model
Acta Scientiarum Naturalium Universitatis Pekinensis, 2015, 51(5): 955-964.]. DOI: 10.13209/j.0479-8023.2015.109.

[本文引用: 1]

[29]

王海军, 刘艺明, 张彬, 等. 基于Logistic-GTWR模型的武汉城市圈城镇用地扩展驱动力分析
农业工程学报, 2018, 34(19):248-257+310.

[本文引用: 1]

[Wang

Haijun

, Liu

Yiming

, Zhang

Bin

, et al. Analysis of driving forces of urban land expansion in Wuhan metropolitan area based on Logistic-GTWR model
Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(19): 248-257+310.]. DOI: CNKI:SUN:NYGU.0.2018-19-032.

[本文引用: 1]

[30]

Mahmoud

, Divigalpitiya

. Spatiotemporal variation analysis of urban land expansion in the establishment of new communities in Upper Egypt: A case study of New Asyut city
The Egyptian Journal of Remote Sensing and Space Science, 2018, 22(1): 59-66. DOI: 10.1016/j.ejrs.2018.03.006.

URL [本文引用: 1]

[31]

陈冠东. 基于多元遥感影像融合的城市不透水层提取方法研究
北京: 北京工业大学硕士学位论文, 2018: 11-34.

[本文引用: 1]

[Chen

Guandong

. Impervious surface estimation based on fusion of multi-source remote sensing images
Beijing: Master Dissertation of Beijing University of Technology, 2018: 11-34.]

[本文引用: 1]

[32]

孙嘉悦. 基于集成学习的高分辨率遥感影像地表水体信息提取
吉林: 吉林大学硕士学位论文, 2020: 2-5.

[本文引用: 1]

[Sun

Jiayue

. Surface water information extraction from high resolution remotely sensed image based on integrated learning
Jilin: Master Dissertation of Jilin University, 2020: 2-5.]

[本文引用: 1]

[33]

, Xia

, Zhang

, et al. Multiple classifier system for remote sensing image classification: A review
Sensors (Basel), 2012, 12(4): 4764-4792. DOI: 10.3390/s120404764.

URL [本文引用: 1]

[34]

乔治, 黄宁钰, 徐新良, 等. 2003-2017年北京市地表热力景观时空分异特征及演变规律
地理学报, 2019, 71(3): 475-49.

[本文引用: 1]

[Qiao

Zhi

, Huang

Ningyu

, Xu

Xinliang

, et al. Spatio-temporal pattern and evolution of the urban thermal landscape in metropolitan Beijing between 2003 and 2017
Acta Geographic Sinica, 2019, 71(3): 475-49.] DOI: 10.11821/dlxb201903006.

[本文引用: 1]

[35]

Qiao

, Tian G

, Zhang L

, et al. Influences of urban expansion on urban heat island in Beijing during 1989-2010
Advances in Meteorology, 2014, 187169. DOI: 10.1155/2014/187169.

[本文引用: 1]

[36]

Terfa B

, Chen N

, Liu D

, et al. Urban expansion in ethiopia from 1987 to 2017: Characteristics, spatial patterns, and driving forces
Sustainability, 2019, 11(10): 2973. DOI: 10.3390/su11102973.

URL [本文引用: 1]

[37]

Gibril M B

, Kalantar

, Al-Ruzouq

, et al. Mapping heterogeneous urban landscapes from the fusion of digital surface model and unmanned aerial vehicle-based images using adaptive multiscale image segmentation and classification
Remote Sensing, 2020, 12(7): 1081. DOI: 10.3390/rs12071081.

URL [本文引用: 1]

[38]

刘盛和, 吴传钧, 沈洪泉. 基于GIS 的北京城市土地利用扩展模式
地理学报, 2000, 55(4): 407-416.

DOI:10.11821/xb200004003 [本文引用: 1]

采用GIS空间分析技术,对1982～1997年期间北京城市土地利用扩展的时空过程进行空间聚类和历史形态分析。证实工业用地的高速外向扩展是北京城市土地利用规模“超常膨胀”的主要原因。

[Liu

Shenghe

, Wu

Chuanjun

, Shen

Hongquan

. A GIS based model of urban land use growth in Beijing
Acta Geographic Sinica, 2000, 55(4): 407-416.]. DOI: CNKI:SUN:DLXB.0.2000-04-002.

[本文引用: 1]

[39]

葛媛媛, 韩磊, 赵永华, 等. 1984-2016年西安市城市扩张时空度量分析
生态学杂志, 2019, 38(5): 1491-1499.

[本文引用: 1]

[Ge

Yuanyuan

, Han

Lei

, Zhao

Yonghua

, et al. Spatiotemporal analysis of urban expansion in Xi'an from 1984 to 2016
Chinese Journal of Ecology, 2019, 38(5): 1491-1499.]. DOI: 10.13292/j.1000-4890.201905.036.

[本文引用: 1]

[40]

李嘉译, 匡鸿海, 谭超, 等. 长江经济带城市扩张的时空特征与生态响应
长江流域资源与环境, 2018, 27(10): 2153-2161.

[本文引用: 1]

[Li

Jiayi

, Kuang

Honghai

, Tan

Chao

, et al. Spatio-temporal characteristics and ecological response of urban expansion in the Yangtze River Econ
Resources and Environment in the Yangtze Basin, 2018, 27(10): 2153-2161.]. DOI: CNKI:SUN:CJLY.0.2018-10-001.

[本文引用: 1]

[41]

冀青青, 乔伟峰, 卢诚, 等. 1980 年以来南京市建设用地扩张阶段性特征
长江流域资源与环境, 27(9): 1928-1936.

[本文引用: 1]

[Ji

Qingqing

, Qiao

Weifeng

, Lu

Cheng

, et al. Stage characteristics of construction land expansion in Nanjing since 1980
Resources and Environment in the Yangtza Basin, 2018, 27(9): 1928-1936.]. DOI: CNKI:SUN:CJLY.0.2018-09-004.

[本文引用: 1]

[42]

Pereira J M

, Itami R

. GIS-based habitat modeling using logistic multiple regression: A study of the Mt. Graham red squirrel
Photogrammetric Engineering and Remote Sensing, 1991, 57:1475-1486.

[本文引用: 1]

[43]

Cao

, Zhang X

, Fu

, et al. Urban spatial growth modeling using logistic regression and cellular automata: A case study of Hangzhou
Ecological Indicators, 2020, 113:106200. DOI: 10.1016/j.ecolind.2020.106200.

URL [本文引用: 1]

[44]

Zhang C

, Yang

. Modeling the spatial variations in anthropogenic factors of soil heavy metal accumulation by geographically weighted logistic regression
Science of the Total Environment, 2020, 717:137096. DOI: 10.1016/j.scitotenv.2020.137096.

URL [本文引用: 1]

[45]

谢花林, 李波. 基于Logistic回归模型的农牧交错区土地利用变化驱动分析: 以内蒙古翁牛特旗为例
地理研究, 2008, 27(2): 294-304.

[本文引用: 1]

[Xie

Hualin

, Li

. Driving forces analysis of land-use pattern changes based on Logistic regression model in the farming-pastoral zone
Geographic Research, 2008, 27(2): 294-304.]. DOI: CNKI:SUN:DLYJ.0.2008-02-006.

[本文引用: 1]

[46]

刘瑞, 朱道林, 朱战强, 等. 基于Logistic回归模型的德州市城市建设用地扩张驱动分析
资源科学, 2009, 31(11): 1919-1626.

[本文引用: 1]

[Liu

Rui

, Zhu

Daolin

, Zhu

Zhanqiang

, et al. Analysis of the driving forces of urban sprawl in Dezhou city based on a Logistic regression model
Resources Science, 2009, 31(11): 1919-1926.]. DOI: CNKI:SUN:ZRZY.0.2009-11-015.

[本文引用: 1]

[47]

Правительство Иркутской области. Схема территориального планирования Иркутской области, 2019. https://irkobl.ru/region/economy/gradostroy/, 2021-8-11.

URL [本文引用: 1]

[48]

Новосибирское региональное правительство. Новосибирский региональный план территориального планирования, 2007. http://dsa.novo-sibirsk.ru/ru/site/1313.html, 2021-8-11.

URL [本文引用: 1]

[49]

ЕКАТЕРИНБУРГА, КОНЦЕПЦИЯ. Екатеринбурга пространственного развития города стратегия,Екатеринбург: TATLIN, 2017. http://www.ekburg.ru/, 2021-9-26.

URL [本文引用: 1]

[50]

冯春萍. 俄罗斯城市发展及其在区域经济中的作用
世界地理研究, 2014, 23(2): 59-68.

[本文引用: 1]

[Feng

Chunping

. Urban development of Russia an its role in regional economy
World Reginal Studies, 2014, 23(2): 59-68.]. DOI: CNKI:SUN:SJDJ.0.2014-02-007.

[本文引用: 1]

[51]

Li Z

, Luan W

, Zhang Z

, et al. Relationship between urban construction land expansion and population/economic growth in Liaoning province, China
Land Use Policy, 2020, 99:105022. DOI: 10.1016/j.landusepol.2020.105022.

URL [本文引用: 1]

[52]

郭春鹏, 赵映慧, 谌慧倩, 等. 黑龙江工业城市建设用地时空扩张遥感监测
国土资源遥感, 2018, 30(3): 204-212.

[本文引用: 1]

[Guo

Chunpeng

, Zhao

Yinghui

, Chen

Huiqian

, et al. Remote sensing monitoring for temporal and spatial expansion of construction land of industrial cities in Heilongjiang
Remote Sensing for Land and Resources, 2018, 30(3): 204-212.]. DOI: 10.6046/gtzyyg.2018.03.28.

[本文引用: 1]

[53]

李会, 王利, 任启龙, 等. 东北地区城市用地扩张特征及驱动因子分析
地理空间信息, 2016, 14(4): 84-96+12.

[本文引用: 1]

[Li

Hui

, Wang

, Ren

Qilong

, et al. Urban land expansion characteristics and driving factors in Northeast China
Geospatial Information, 2016, 14(4): 84-96+12.]. DOI: 10.3969/j.issn.1672-4623.2016.04.027.

[本文引用: 1]

[54]

王迪, 王博, 张雷. 哈尔滨市区建设用地扩张时空特征对比分析
测绘与空间地理信息, 2021, 44(S1): 143-146.

[本文引用: 1]

[Wang

, Wang

, Zhang

Lei

. Comparative analysis on the spatio-temporal characteristics of construction land expansion in Harbin urban district
Geomatics & Spatial. Information Technology, 2021, 44(S1): 143-146.]. DOI: CNKI:SUN:DBCH.0.2021-S1-042.

[本文引用: 1]

[55]

周润芳, 周亮. 中国典型边境城市空间扩张特征分析
测绘科学, 2019, 44(9): 55-60.

[本文引用: 1]

[Zhou

Runfang

, Zhou

Liang

. Analysis of spatial expansion characteristics of typical Chinese border cities
Science of Surveying and Mapping, 2019, 44(9): 55-60.]. DOI: 10.16251/j.cnki.1009-2307.2019.09.009.

[本文引用: 1]