文章复现-基于夜间光遥感数据的中国各省GDP预测模型（一）

---

---

         今天小羊更新的是最近复现的SCI论文，我将会分三次来进行介绍。本次文章主要讲解DMSP/OLS数据下载以及处理。

一、引言（部分）

        经济的快速发展需要更好的监测和预测方法。国内生产总值（GDP）被广泛视为衡量一个国家或地区可持续经济发展的主要指标之一。它为区域经济发展和制定可持续发展战略提供了新的基础，以预测不同规模的经济发展。GDP数据主要来自国家统计局或其他行政部门的调查。尽管它们具有权威性，但它们有内在的局限性（例如，“注水”和统计数据方法带来的不确定性）。NTL图像提供了从空间直接观察人类活动的独特机会，使得绘制城市区域、估计人口和城市化以及监测灾害和冲突等许多应用成为可能。同时，发现NTL与GDP之间存在很强的相关性，使利用NTL来构建GDP预测模型成为一种可能。现有的GDP预测模型，研究往往集中在省级和市级的角度，很少有研究在国家层面上进行GDP预测。本研究旨在通过对中国所有省份进行GDP预测来填补这一空白。

二、数据下载

• DMSP/OLS数据下载网址：

DMSP Nighttime Lights     

• 全国矢量边界图（不包含十段线）

链接：https://pan.baidu.com/s/1E1TcHUt2-dR_d4w0AtI_WQ

提取码：0946

 三、数据处理

        图 1 所示为未经校正的中国区域的所有亮值像元的 DN 值总和( totalDN value，TDV) 。可以看出:

        ①同一年份的数据可由不同传感器进行获取，且不同传感器获取的亮值像元总数量不一致、总 DN 值不一致;

        ②同一传感器获取的不同年份的像元总数量、总 DN 值存在异常波动;

        ③由于以上两个问题的存在，导致多期夜间灯光影像间数据不连续、不可比;

        ④由于传感器光谱分辨率的限制，使得城市中心区域的像元值集聚饱和，DN 值最大为 63，使得城市中心地带的差异不明显。

        TDV 的计算公式为：

 

式中，DNi 表示 i 像元的 DN 值; Ni 表示 i 像元的数量。

 图1 未校正中国区域的TDV

1、TDN数据统计

        那么以上的数据TDV是怎么统计出来的呢？我们可以用我们的老朋友模型构建器。通过掩【Spatial analyst】-【提取分析】-【按掩膜提取】将中国区域提取出来。然后利用【投影栅格】将其投影为Krassovsky_1940_Albers（更适合中国区域）。由于需要构建属性表来统计DN像元值，那么就需要利用【以表格显示分区统计】工具，但是使用这个工具的前提是，将数据转换为整型。因此需要使用【分析工具】-【数学分析】-【转为整型】来实现。并在表格中添加浮点型TDV字段。

        图2模型构建器统计TDV

        属性表构建完成后，在利用字段计算器键入一下表达式求取TDV，然后在对TDV字段进行统计。依照上述办法来完成1992-2013年的数据统计。

 

2、相互校正与饱和校正

        将 1992—2013 年的 34 期待校正的稳定灯光影像与辐射定标产品数据中的 2006 年 F16 传感器的数据进行相互校正、饱和校正。利用RSR校正模型进行校正，校正参数如下表所示

 式中，DN 表示校正前的亮度值; a、b、c 为回归系数; DNcorrect表示校正后的 DN 值。

	年份	a	b	c	R2		年份	a	b	c	R2
F10	1992	0.036	0.337	2.581	0.85	F14	2001	0.032	0.56	0.487	0.869
	1993	0.045	0.334	2.15	0.85		2002	0.023	0.631	0.356	0.888
	1994	0.039	0.518	1.252	0.85		2003	0.02	1.173	-0.215	0.855
F12	1994	0.039	0.599	0.277	0.854	F15	2004	0.024	1.146	-0.153	0.901
	1995	0.034	0.513	0.485	0.851		2005	0.026	0.872	0.123	0.855
	1996	0.037	0.479	0.511	0.862		2006	0.015	1.076	-0.081	0.894
	1997	0.03	0.56	0.413	0.877		2007	0.018	0.977	0.086	0.892
	1998	0.027	0.511	0.481	0.876		2004	0.022	0.809	0.231	0.866
	1999	0.029	0.502	0.454	0.866		2005	0.022	0.919	0.096	0.887
F14	1997	0.035	0.893	0.165	0.863	F16	2006	0.019	0.92	0.1	0.924
	1998	0.036	0.731	0.229	0.865		2007	0.019	0.701	0.31	0.888
	1999	0.028	0.901	0.124	0.863		2008	0.012	0.625	0.381	0.868
	2000	0.024	0.606	0.346	0.873		2009	0.018	0.512	0.482	0.872
	2001	0.021	0.78	0.188	0.862	F18	2010	0.021	0.146	1.525	0.851
	2002	0.017	1.018	-0.113	0.876		2011	0.02	0.51	0.901	0.851
	2003	0.017	1.096	-0.101	0.89		2012	0.017	0.483	0.508	0.852
	2000	0.028	0.578	0.485	0.878		2013	0.016	0.271	2.68	0.85

        利用【spatial analyst 工具】-【地图代数】-【栅格计算器】，进行计算，如图以2006年为例进行计算。

 

3、年内融合

        不同传感器获取的同一年份的数据不一致，为了充分利用各独立传感器获取的数据，同时为了能够解决传感器获取数据的不连续问题，研究按照下式，对相互校正及饱和校正后的部分影像进行年内融合。需要进行年内融合的年份包括: 1994、1997—2007 年。年内融合包括: ①两幅影像对应的某像元的 DN 值，均为 0，则该像元的 DN 值为 0; ②否则，取二者的平均值作为该像元的 DN 值。

 

     式中，n = 1994，1997，1998，…，2007; DNa ( n，i) 、DNb ( n，i) 分别表示相互校正、饱和校正后 n 年的两个不同传感器获取的 i 像元的 DN 值; DN( n，i) 表示影像年内融合校正后 n 年的 i 像元的 DN 值。仍旧利用【spatial analyst 工具】-【地图代数】-【栅格计算器】，进行计算，如图以2006年为例进行计算，校正公式：

Con(("xhjz_f10_1994"!=0) & ("xhjz_f12_1994"!= 0),("xhjz_f10_1994" + "xhjz_f12_1994") / 2,0)

4、年际间校正

        经过年内融合之后，仍然存在不同年份之间的影像不可比的现象，因此对其进行年际间校正。校正依据是: 后一年的像元 DN 值应该不小于前一年同一位置的像元 DN 值。如式( 4) 所示，年际间校正包括: ①后一年的某像元 DN 值为 0，则前一年的同 一位置的像元 DN 值也为 0; ②前一年的某像元的DN 值大于后一年同位置的像元 DN 值，则将前一年的 DN 值赋值给后一年该位置的像元 DN 值; ③否则，后一年的像元DN值为本身的DN值。

        式 中，n = 1992，1993，1994，…，2013; DN( n－1，i) 、DN( n，i) 、DN( n+1，i) 分别表示影像的像元 i 在 n－1、n、 n+1年的 DN 值。如图2006年的校正公式：

Con("rh1997" == 0,0,Con(("rh1997" > 0) & ("rh1997" > "rh1997"),"rh1997","rh1998"))；

        让我们以2006年为例，看一看，每步校正后的变化吧。

        最后再依照上述的统计步骤，对校正后的数据进行统计，可以看到现在1992-2013年夜光遥感数据呈呈现出相当平滑的上升模式。

 四、参考文献

【1】卢秀，李佳，段平，等．中国区域 DMSP /OLS 夜间灯光影像的校正［J］．测绘通报，2019( 7) : 127-131．DOI: 10．13474 /j．cnki．11-2246．20190234．

【2】DMSP夜光遥感数据的预处理 - 知乎