EN中文

地球信息科学学报 >

2019 , Vol. 21 >Issue 3: 455 - 466

DOI: https://doi.org/10.12082/dqxxkx.2019.180483

遥感科学与应用技术

基于夜间灯光和土地利用数据的云南沿边地区GDP空间差异性分析

  • 卢秀 , 1, 2, 3 ,
  • 李佳 , 1, 2, * ,
  • 段平 1, 2 ,
  • 李晨 1, 2 ,
  • 王金亮 1, 2
展开
  • 1. 云南师范大学旅游与地理科学学院, 昆明 650500
  • 2. 云南省高校资源与环境遥感重点实验室, 昆明 650500
  • 3. 南京师范大学 虚拟地理环境教育部重点实验室,南京 210023
*通讯作者：李佳（1984- ）,女,湖北公安人,博士,讲师,主要从事近景摄影测量与遥感研究。E-mail:

作者简介：卢秀（1992- ）,女,江苏淮安人,博士生,主要从事资源环境遥感、夜间灯光遥感研究。E-mail:

收稿日期: 2018-09-24

  要求修回日期: 2019-01-02

  网络出版日期: 2019-03-15

基金资助

国家自然科学基金项目（41561048）

收起

Spatial Difference of GDP in Yunnan Border Area based on Nighttime Light and Land Use Data

  • LU Xiu , 1, 2, 3 ,
  • LI Jia , 1, 2, * ,
  • DUAN Ping 1, 2 ,
  • LI Chen 1, 2 ,
  • WANG Jinliang 1, 2
Expand
  • 1. College of Tourism and Geographical Sciences, Yunnan Normal University, Kunming 650500, China
  • 2. Key Laboratory of Remote Sensing of Resources and Environment of Yunnan Province, Kunming 650500, China
  • 3. Key Laboratory of Virtual Geographic Environ-ment, Nanjing Normal University, Ministry of Education, Nanjing 210023, China
*Corresponding author: LI Jia, E-mail:

Received date: 2018-09-24

  Request revised date: 2019-01-02

  Online published: 2019-03-15

Supported by

National Natural Science Foundation of China, No.41561048.

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

云南沿边地区包括8个地州,共56个县,其中有25个县市与老挝、缅甸和越南直接毗邻,具有重要的地缘位置。本研究利用土地利用数据和夜间灯光数据在实现云南沿边地区GDP空间化的基础上,对GDP的空间分布格局进行深入探讨,这对缩小区域经济差异及促进地区共同发展具有一定的指导意义。采用土地利用数据对国内生产总值（Gross Domestic Product, GDP）数据的第一产业进行空间化拟合,采用DMSP/OLS夜间灯光数据对GDP的第二、三产业进行拟合,将第一产业和第二、三产业空间化拟合的结果相加,实现云南沿边地区1992-2013年的GDP的空间化拟合。在此基础上对云南沿边地区GDP空间分布差异进行分析。结果表明：① 土地利用数据对第一产业建模的效果较好,拟合的多期数据的相对误差均低于1.12%,采用夜间灯光数据,基于“分类回归”方法对第二、三产业拟合相对误差最大仅为6.404%,最终二者之和拟合的GDP拟合精度都较好,相对误差最大仅为4.241%;② 22期GDP数据在空间分布上均呈现正的相关性,且均为显著集聚;③ GDP空间分布局部集聚的高值-高值区域集中在开远、蒙自等县域,低值-低值地区集中在绿春、西蒙等地区;④ 云南沿边地区县域之间的经济差异在1992-1996年逐渐增强,1996年之后,经济差异波动缩小,空间关联效应呈现波动式的增强和减弱;⑤ 云南沿边地区的三维插值结果均呈现出西北至东南一线的“洼地-丘陵-平地-高峰”地势变化格局,沿边地区的东南角地区即红河州的建水、个旧和开远等县市的GDP最高,“丘陵”地势主要集中在腾冲、保山市以及最南部的景洪地区,“洼地-平地”地势主要分布在沿边地区西北角的贡山和福贡等县域、西南角的西蒙和孟连等县及中部区域的绿春和江城县等地区。

关键词： GDP; 空间差异性; 云南沿边地区; DMSP/OLS夜间灯光数据; 土地利用数据

本文引用格式

卢秀 , 李佳 , 段平 , 李晨 , 王金亮 . 基于夜间灯光和土地利用数据的云南沿边地区GDP空间差异性分析[J]. 地球信息科学学报, 2019 , 21(3) : 455 -466 . DOI: 10.12082/dqxxkx.2019.180483

Abstract

Yunnan border area is an important geographic location. It is composed of 56 counties in 8 municipalities. Among which, 25 counties are adjacent to Laos, Myanmar, and Vietnam. Land use and nighttime light data were used in this study to explore the spatial pattern of GDP based on the spatialization of GDP in the Yunnan border area. This study was expected to inform policy on reducing economic gaps between regions and promoting regional common development. The land use data was used to spatially fit the Gross Domestic Product (GDP) from the first industry, and the DMSP/OLS nighttime light data was used to fit GDP from the second and third industries. The fitting results were summed up to realize the spatialization of total GDP in the border area of Yunnan province from 1992 to 2013. Based on this, the spatial difference of GDP in the Yunnan border area was analyzed. The results showed that: (1) The land use data could be well used to model the GDP from the first industry, with goodness of fit (R2) being greater than 0.82 in each year and overall relative error being less than 1.12%. The nighttime light data and the classification regression method were used to fit the GDP from the second and third industries. The maximum relative error of fitting was 6.404%, and the fitting accuracy of the sum of the two industries was satisfactory with the maximum relative error being only 4.241%; (2) The 22-phase GDP data of the Yunnan border area was positively correlated in space, presenting an obvious clusters; (3) The distribution of GDP cluster in the county was characterized by High-High values (HH) and Low-Low values (LL). The distribution of Low-High and High-Low values was scattered with no regularity. The clustered high values of GDP were concentrated in Kaiyuan, Mengzi, and other counties, while the clustered low values of GDP were concentrated in Luchun, Ximeng, and other counties; (4) The economic gap between counties in the Yunnan border area gradually increased from 1992 to 1996 followed by a decrease trend afterward. The spatial correlation effect showed a fluctuation of increase and decrease; (5) Results of three-dimensional interpolation in the Yunnan border area presented a topographical pattern of “depression-hill-flat-peak” from the northwest to the southeast. The counties in the southeast corner of the border area such as Jianshui, Gejiu and Kaiyuan and other counties in the Honghe municipality, had the highest GDP. The “hill” terrain was mainly concentrated in Tengchong, Baoshan city, and the southernmost Jinghong area. The terrain of “depression-flat” was mainly distributed in the counties such as Gongshan and Fugong in the northwest corner of the border area, the counties in the southwest corner of Ximen and Menglian, and in the central area, such as Luchun and Jiangcheng counties.

Key words： GDP; spatial difference; Yunnan border area; DMSP/OLS nighttime light data; land use data

1 引言

国内生产总值（Gross Domestic Product,GDP）是衡量区域经济发展水平,反映区域规划和城市发展状况的重要指标之一[1]。长期以来,经济地理学主要基于省、市、县等行政区划单元对GDP等的统计数据进行采集、存储和分析[2]。如董晓菲等[3]以东北地区的哈大交通经济带13个地级市作为研究单元,以人均GDP作为衡量经济差异的指标,对经济带内的多年间的经济发展数据进行总体差异分析,并进一步对差异来源按照行政单元进行分解,分析影响差异的内外原因。刘保强等[4]运用ESDA-GIS方法,分析县域单元人均GDP数据的空间演化格局及其驱动因素。但是,以行政区划为主要单元研究GDP数据存在一定的问题,Zhao等[5]指出,使用行政区划单元的统计数据,数据在区划单元内均一化,难以反映单元内部更加精细的经济差异性,也无法与自然生态环境等栅格影像数据进行叠加等空间分析[6]。因此本研究以空间化的GDP数据作为衡量区域经济发展差异及空间分布格局特征的指标。
GDP数据是由第一产业、第二产业、第三产业构成,第一产业中农业、林业、牧业和渔业直接依赖于自然界部门,与土地利用数据中耕地、林地、草地和水域4个一级地类之间存在显著相关性[7],而DMSP/OLS夜间灯光数据具有很强的光电放大能力,可以直观地反映人类活动,可以较好地反映第二、三产业,例如Sutton等[8]首次利用DMSP/OLS夜间灯光数据实现全球1 km2格网的GDP估算。近几年,学者为获得更高精度的GDP空间化结果,从夜间灯光影像本身存在的饱和问题、构建拟合指数等方面进行探索。张怡哲等[9]利用夜间灯光数据和植被指数构建人居指数拟合非农业GDP模型,基于土地利用数据拟合农业GDP数据,实现中国海岸带地区的GDP空间化,结果表明该种方法不仅降低夜间灯光影像像元饱和问题,并且提高了非农业GDP的估算精度。郑子豪等[10]引入单元路网长度,构建单元路网长度指数的去饱和算法,该指数能够修正原始灯光数据过饱和问题,凸显城市中心区的灯光强度细节,校正后的夜间灯光数据对GDP、耗电量的拟合优度提高。这些拟合GDP的方法集中在对夜间灯光影像自身存在的问题的纠正,缺乏从模型构建角度来提高GDP空间化拟合精度的研究。
综上所述,本研究首先采用土地利用数据对第一产业进行空间化建模,基于DMSP/OLS夜间灯光数据采用“分类回归”方法对第二、三产业进行空间化建模,然后将第一产业空间化拟合结果与第二、三产业空间化拟合结果进行叠加,最后实现云南沿边地区1992-2013年长时间序列的GDP空间化拟合,并在此基础上探讨和分析云南沿边地区的GDP空间分布格局和内部经济差异。

2 研究区概况及数据来源

2.1 研究区概况

选择云南沿边地区作为研究区,云南沿边地区包括红河州、德宏州、怒江州、西双版纳州、保山市、普洱市、文山市、临沧市8个地州,共56个县市（图1）,图1（b）是2010年夜间灯光分布影像。随着云南沿边地区不断地开发开放以及兴边富民工程的实施,特色农业、旅游业等产业加快发展,经济实力随之增强。相关政策的实施以及关于加快沿边地区开发开放文件的出台给云南沿边地区经济发展提供了新的契机,但同时也面临着基础设施相对落后、产业结构不合理、经济聚集度较低等诸多挑战和困难,且各县市之间的经济发展水平存在较大差异[4]。
Fig. 1 Study area and nighttime light distribution of 2010

图1 研究区范围及2010年夜间灯光分布

2.2 数据来源及预处理

（1） DMSP/OLS夜间灯光数据。采用DMSP/OLS夜间灯光数据的时间范围为1992-2013年,共34期影像。数据集下载网址为：https://www.ngdc.noaa.gov/eog/dmsp/downloadV4composites.html,该数据集存在同一年有多个传感器获取的灯光影像、不同传感器获取的不同灯光影像间缺乏连续性和可比性、传感器通道的光谱分辨率使影像像元DN值限制在0~63范围导致的城市中心区域存在像元DN值饱和现象[11,12]等问题。因此结合Elvidge等[12]、Wu等[13,14]、Liu等[15]方法对夜间灯光数据进行饱和、相互校正、年内融合、年际间校正、投影变换为Albers投影、分辨率统一重采样为1000 m等预处理。
（2） 土地利用数据。土地利用数据采用中国科学院环境科学数据中心提供的1990-2010年每隔5年一期的中国土地利用现状遥感监测数据,该遥感监测数据的分辨率为1000 m[16,17]。由于存在一些年份的GDP数据无对应的土地利用数据,因此利用已有年份的土地利用数据代替缺乏的相近年份的土地利用数据对第一产业进行拟合,选择依据是由每年第一产业数据和土地利用数据的最优拟合优度确定。土地利用数据用于第一产业拟合的数据设置如下：1990年的土地利用数据用于1992-1993年的第一产业拟合;1995年的土地利用数据用于1994-1997年的第一产业拟合;2000年的土地利用数据用于1998-2003年的第一产业拟合;2005年的土地利用数据用于2004-2008年的第一产业拟合;剩下年份的第一产业拟合基于2010年土地利用数据。
（3） GDP统计数据。GDP统计数据源于1992-2013年《云南省统计年鉴》国内生产总值统计数据[18]。

3 研究方法

3.1 GDP空间化拟合方法

3.1.1 第一产业空间化
由于GDP中的第一产业与土地利用数据之间存在显著相关性[7]。将第一产业中的农业、林业、牧业、渔业产值分别与土地利用数据中耕地、林地、草地和水域对应建模,建模方法如下：
GD P 1 ij = ∑ k = 1 4 G k ij （1）
式中：GDP1ij表示第i行政区第j个栅格的第一产业;k=1,2,3,4分别对应第一产业中农业、林业、牧业、渔业产值的序号;Gkij分别表示这4种产值,计算公式如式（2）。
G k ij = ∑ i = 1 n ( g iL · A i j ) （2）
式中：n表示研究区样本数;giL为第i行政区第L种土地利用类型单位面积产值;Aij为第i行政区第j个栅格中第L种土地利用类型所占的面积。
3.1.2 第二、三产业空间化
DMSP/OLS夜间灯光数据和GDP第二、三产业之间存在一定的相关性,可利用夜间灯光数据的不同灯光亮度值拟合GDP的第二、三产业,并揭示区域内部的GDP空间分布差异[19]。研究采用灯光亮度总值（Sum of Light, SOL）指数,该指数是指研究区内不同灯光亮度值与对应像元数量乘积的总和,计算方法如下：
SOL = ∑ m = 1 max N m · B m （3）
式中：Nm代表亮度值为m的像元数量;Bm代表像元自身的亮度值。利用SOL指数对第二、三产业进行拟合,同时遵循“无夜间灯光数据无GDP”的原则,建立模型如下：
GD P 23 = a · SOL （4）
式中：GDP23表示第二、三产业的拟合值;a是拟合系数。
为减小以上全局建模存在的问题,对第二、三产业采用“分类回归”建模方法进行拟合,即对初始拟合模型的结果引入相对误差δ,表达式如下：
δ = GD P 23 - GD P S GD P S × 100 % （5）
式中：GDPS为研究区第二、三产业统计值。“分类回归”建模具体流程如图2所示。
Fig. 2 Flow chart of GDP23 classification regression fitting model

图2 GDP23分类回归拟合流程

3.1.3 GDP拟合模型及线性纠正
将3.1.1节和3.1.2节拟合得到的第一产业拟合结果与第二、三产业拟合结果进行叠加,得到总体GDP拟合模型。尽管第二、三产业采用“分类回归”的建模方法,但仍存在部分县域在最终建模过程中由于方程拟合数量较少,将其归入最后一次拟合方程,使得这部分县域拟合值和真实值仍相差较大,因此需要使用县级的GDP统计数据对拟合的GDP数据进行线性纠正,使其误差控制在县域范围内。纠正模型如下：
GD P C = GD P E · ( GD P * / GD P all ) （6）
式中：GDPC和GDPE分别表示为线性纠正后的GDP和拟合估算的每个栅格格网的GDP数据;GDP*和GDPall分别为对应县域的GDP统计数据和GDP拟合估算数据。

3.2 GDP空间分布格局

基于云南沿边地区1992-2013年22期空间化拟合的GDP栅格密度数据,以县域为基本研究单位,运用空间自相关、空间变差函数等空间统计分析方法对云南沿边地区GDP经济数据空间分布格局、区域经济差异等方面进行分析。
3.2.1 空间自相关
空间自相关分析指的是对不同单元的属性值在空间分布上的相关关系、依赖关系的分析,包括：全局自相关分析和局部自相关分析[20]。全局自相关分析主要探讨属性值在整个研究区域空间上的相关模式及分布特征[14],通常用莫兰指数（Moran's I）进行测量,计算表达式如下：
I = N ∑ i = 1 N ∑ j = 1 N w i , j z i z j S ∑ i = 1 N z i 2 （7）
其中： z i = x i - x ̅ （8）
S = ∑ i = 1 N ∑ j = 1 N w i , j （9）
式中：xi是变量在相邻配对空间单元的取值（本研究指每个县域GDP值）;$\bar{x}$是各县域属性值的平均值（本研究指GDP的平均值）;N是县域数量;wi, j代表空间单元i和j样本点的空间权重。I值的范围为 [-1,1],I值接近或者等于0,表示属性值在空间分布格局上不具有相关性,即随机分布;I值大于0,表示属性值在空间分布上具有正的相关性,相似属性的空间单元集聚;I值小于0,反之。同时Z值表示对Moran’s I的结果进行统计检验, Z 大于2.58,显著水平在1%以下,代表属性值在空间分布格局上非常显著集聚; Z 大于1.96,显著水平在5%以下,代表属性值在空间分布格局上显著集聚[21]。
整体空间分布会同时存在正的相关性和负的相关性,这种共存现象会掩盖局部区域的空间变异性,因此通常还需要分析局部可能的属性空间变异性,即局部自相关分析,该分析用来揭示区域内部的相邻区域单元属性值在空间分布的相关性与差异性,通常用局部空间自相关指标（Local Indicators of Spatial Association,LISA）进行度量[14],计算表达式如式（10）所示：
I i = x i - x ̅ s i 2 ∑ j = 1 , j ≠ i N w i , j x j - x ̅ （10）
其中：
s i 2 = ∑ j = 1 , j ≠ i N x j - x ̅ 2 N - 1 （11）
式中：Ii表示i和j单元的属性值空间差异性指标;xi（xj）表示县域i和j的属性值;$\bar{x}$是各县域属性平均值;wi, j代表空间单元i和j的影响程度。局部自相关分析的结果有4种表现形式,高值-高值（High-High,HH）表示高属性值的周围也是高属性值的区域;低值-低值（Low-Low,LL）表示低属性值的周围也是低属性值的区域。低值-高值（Low-High,LH）表示低值区域周围被高值区域包围;高值-低值（High-Low,HL）与之相反[22]。
3.2.2 空间变差函数
空间变差函数用来描述某一属性值在空间分布的随机性和结构性特征,计算公式如式（12）所示[23]：
γ ( h ) = 1 2 N ( h ) ∑ i = 1 N ( h ) Z ( x i ) - Z ( x i + h ) 2 （12）
式中：Z（xi）表示在空间xi位置的属性值;Z（xi+h）表示在空间xi+h位置的属性值;N（h）表示分割距离为h的样本。以γ（h）为纵坐标,以h为横坐标,选择相关的拟合模型可拟合出空间变差函数曲线图。
图3中a代表变程值,是函数达到基台值时的间距,变程a增加,表示研究区GDP空间关联效应增强,C是结构方差,C0代表块金值,C0+C是基台值,表示函数变量随着间距增加到一定尺度后出现的平稳值,C0+C的值越大,表示县域经济差异增强;C0/（C0+C）表示块金系数,用于反映变量的空间自相关程度,C0/（C0+C）值小于0.25,表示县域经济之间存在很强的空间相关性。常见的空间变差函数拟合模型主要包括如下几种：高斯模型、球状模型、指数模型、线性模型、幂函数模型等。
Fig. 3 Spatial variation curve

图3 空间变差函数曲线

4 结果及分析

4.1 GDP空间化拟合结果与精度评价

4.1.1 GDP空间化拟合实验结果
将拟合的云南沿边地区的GDP空间化拟合结果经过逐像元线性纠正后,生成如图4所示的云南沿边地区的GDP空间化栅格密度图,考虑1992-2013年22期的GDP空间化图较多,为和国家五年计划时间节点协调,本研究仅列出1995、2000、2005和2010年4期空间化栅格密度图,如图4所示。
Fig. 4 Spatial results of GDP in Yunnan border area from 1995 to 2010

图4 1995-2010年云南沿边地区GDP空间化结果

通过土地利用数据和夜间灯光数据拟合的GDP空间化数据,不受行政区划单元的限制,可以较为精细的显示区域内部的GDP分布状况和差异。并且空间化的结果可以直观体现出从城市中心到乡村的GDP值逐渐降低的趋势。云南沿边地区单个像元的GDP值逐年增大,GDP像元高值数量不断增多,GDP低值像元范围逐渐变少。1995年的GDP高值像元集中分布在东部区域的红河州州中心以及西部地区的零星分散区域,随着经济的逐渐发展,到2005年GDP值较大的像元区域逐渐增多,在保山市、德宏州、西双版纳州等地州市及周围的郊区等区域均分布GDP的高值像元,2010年,大部分区域均分布高值像元,低值像元区域较少。低值像元区域常年集中在沿边地区的中部的临沧、思茅周边区域及西北部的怒江州等周边区域。
4.1.2 GDP空间化拟合精度验证
第一产业和第二、三产业模型的拟合优度（R2）、残差（表示各期GDP统计值与GDP空间化拟合值之差）、相对误差（式（5））、GDP的残差和相对误差如表1所示。
Tab. 1 Evaluation results of GDP spatial fitting accuracy

表1 云南沿边地区1992-2013年的GDP空间化拟合精度评价结果

年份 第一产业 第二、三产业 GDP
模型R2 残差/亿元 相对误差/% 模型R2 残差/亿元 相对误差/% 残差/亿元 相对误差/%
1992 0.854 -0.536 0.784 0.953 -1.463 1.872 -1.999 1.365
1993 0.872 -0.845 1.116 0.948 -5.090 5.155 -5.934 3.403
1994 0.834 -0.422 0.432 0.945 -5.662 4.305 -6.084 2.654
1995 0.827 -0.148 0.120 0.920 -3.235 1.983 -3.384 1.180
1996 0.823 -0.210 0.144 0.922 -9.200 4.786 -9.410 2.786
1997 0.842 0.490 -0.308 0.913 -9.840 4.451 -9.349 2.459
1998 0.867 -0.230 0.140 0.950 -15.989 6.382 -16.219 3.912
1999 0.870 -0.930 0.553 0.957 11.576 -4.252 10.646 -2.418
2000 0.873 -0.822 0.476 0.963 11.307 -3.737 10.485 -2.205
2001 0.877 -0.824 0.469 0.904 22.212 -6.349 21.389 -4.070
2002 0.875 -0.899 0.492 0.886 25.604 -6.404 24.704 -4.241
2003 0.868 -1.173 0.592 0.978 5.669 -1.266 4.497 -0.696
2004 0.883 -0.329 0.147 0.931 28.009 -5.087 27.680 -3.575
2005 0.883 -1.411 0.529 0.915 11.260 -1.688 9.849 -1.055
2006 0.882 -2.610 0.882 0.946 3.208 -0.398 0.598 -0.054
2007 0.882 -2.904 0.835 0.939 -7.293 0.750 -10.197 0.772
2008 0.884 -0.376 0.094 0.933 -27.034 2.364 -27.411 1.774
2009 0.886 -0.565 0.126 0.950 -33.884 2.594 -34.448 1.964
2010 0.882 -2.141 0.432 0.947 -30.572 1.963 -32.714 1.593
2011 0.888 -0.924 0.153 0.934 11.459 -0.600 10.535 -0.419
2012 0.897 4.461 -0.601 0.915 17.417 -0.765 21.878 -0.725
2013 0.902 6.340 -0.745 0.903 48.677 -1.858 55.017 -1.585
第一产业空间化建模的R2均大于0.82,第二、三产业分类回归建模后的R2均大于0.88,说明拟合效果好,结果可靠。云南沿边地区第一产业空间化拟合的残差和相对误差均较小,残差最大为6.340亿元,相对误差均低于1.12%。第二、三产业分类回归后建模的残差最大为48.677亿元,相对误差最大仅为6.404%,最终GDP空间化拟合精度都较高,GDP拟合相对误差最大仅为4.241%,说明云南沿边地区GDP数据经过分类回归建模的空间化拟合方法较好,拟合精度较高,误差较低,可用于后期GDP空间差异性分析。

4.2 GDP空间格局分析结果

4.2.1 GDP空间全局自相关结果
对云南沿边地区22期的GDP数据进行空间全局自相关的计算,结果如表2所示。
Tab. 2 Spatial autocorrelation analysis results of Yunnan border area

表2 云南沿边地区空间全局自相关分析结果

年份 Moran's I值 Z值 P值
1992 0.1583 2.6365 0.0084
1993 0.1623 2.6784 0.0074
1994 0.1404 2.3618 0.0182
1995 0.1466 2.4527 0.0142
1996 0.1580 2.6122 0.0090
1997 0.1592 2.6310 0.0085
1998 0.1519 2.5200 0.0117
1999 0.1617 2.6754 0.0075
2000 0.1594 2.6452 0.0082
2001 0.1531 2.6903 0.0071
2002 0.1395 2.6226 0.0087
2003 0.1490 2.7461 0.0060
2004 0.1713 2.9983 0.0027
2005 0.1889 3.1890 0.0014
2006 0.1839 3.0619 0.0022
2007 0.1932 3.1743 0.0015
2008 0.2213 3.5947 0.0003
2009 0.2272 3.6522 0.0002
2010 0.2308 3.6996 0.0002
2011 0.2232 3.5772 0.0003
2012 0.2107 3.3908 0.0007
2013 0.2041 3.2864 0.0010
将22年的Moran's I值、Z值和P值随时间变化的趋势图绘制如图5所示。
Fig. 5 Temporal trends of Moran's I, Z, and P value from 1992 to 2013

图5 1992-2013年Moran's I值、Z值和P值随时间变化的趋势

1992-2013年的Moran'I值均大于0,代表整体云南沿边地区GDP在空间分布上呈现正的相关性。22年的Z值均大于1.96,表明1992-2013年的GDP在空间分布上显著集聚。随着时间的变化,这种相关性和集聚性呈波动变化,1994-1997年、2002-2005年、2005-2010年这些时间段的Z值呈现上升的趋势,GDP值在整体格局表现的空间集聚相关性增强,各县市之间经济发展联系较为紧密,一些经济发展好的县市能够在一定程度上带动其他县市的发展。相反2010-2013年GDP值在整体格局表现的空间集聚相关性减弱,并且后期有继续减弱的趋势,县市之间的经济发展逐渐联系不紧密。
4.2.2 GDP空间局部自相关结果
空间局部自相关的结果以LISA集聚图结果表现,由于22年的LISA结果图较多,图6中仅列出1995、2000、2005和2010年的LISA集聚图,图6中的HH、HL、LH和LL分别表示高值-高值集聚、高值-低值集聚、低值-高值集聚和低值-低值集聚。并统计出每一年GDP空间局部自相关的HH、HL、LH和LL四种类型的所有县市数量,如表3所示。
Fig. 6 LISA cluster map of GDP in Yunnan border area

图6 云南沿边地区GDP的LISA集聚图

Tab. 3 Statistics of local autocorrelation for counties′ GDP in the Yunnan border area from 1992 to 2013

表3 1992-2013年云南沿边地区GDP局部自相关县域数量统计

年份/类型 HH LL LH HL
数量 占比/% 数量 占比/% 数量 占比/% 数量 占比/%
1992 4 7.14 2 3.57 0 0.00 1 1.79
1993 5 8.93 2 3.57 1 1.79 1 1.79
1994 4 7.14 4 7.14 0 0.00 1 1.79
1995 4 7.14 4 7.14 0 0.00 1 1.79
1996 4 7.14 4 7.14 0 0.00 1 1.79
1997 4 7.14 5 8.93 0 0.00 1 1.79
1998 4 7.14 6 10.71 1 1.79 1 1.79
1999 4 7.14 5 8.93 1 1.79 1 1.79
2000 4 7.14 5 8.93 1 1.79 1 1.79
2001 2 3.57 6 10.71 1 1.79 0 0.00
2002 2 3.57 6 10.71 1 1.79 0 0.00
2003 2 3.57 6 10.71 1 1.79 0 0.00
2004 3 5.36 6 10.71 1 1.79 0 0.00
2005 3 5.36 7 12.50 2 3.57 0 0.00
2006 2 3.57 7 12.50 2 3.57 0 0.00
2007 3 5.36 7 12.50 2 3.57 0 0.00
2008 3 5.36 7 12.50 2 3.57 0 0.00
2009 4 7.14 7 12.50 2 3.57 0 0.00
2010 4 7.14 7 12.50 2 3.57 0 0.00
2011 5 8.93 7 12.50 1 1.79 0 0.00
2012 4 7.14 5 8.93 2 3.57 0 0.00
2013 4 7.14 5 8.93 1 1.79 0 0.00
1995-2010年的LISA集聚图的变化不大,4种集聚类型所在的县域基本没有发生变化。开远和蒙自县在4期LISA集聚图中均变现为HH类型,1995和2010年HH所属类型的县域增加了个旧和建水县,2000年HH类型包括泸西和建水县,这些县市GDP水平较高,经济基础较好,空间分布集聚性较强,与周围的县市经济发展联系紧密,对周边地区的辐射、带动作用强。LL类型的区域主要集中在绿春、西盟等县,在1995年的基础上,2000年LL类型增加了沧源、墨江和澜沧县,2005年增加了耿马、沧源、墨江、江城和澜沧县,2010年增加了耿马、沧源和墨江县。这些县域经济发展较弱,空间上集中分布,自身GDP水平低,经济发展落后,与周围县域经济联系不紧密。丘北县2000-2010年均是LH类型,泸西县2005年与2010年也呈现LH类型,说明丘北县、泸西县的经济发展与周围县市联系较为紧密,但是其本身的GDP水平和发展速度低于周围县市。1995年与2000年的HL类型均是耿马县,说明这些年的耿马县自身GDP水平较好,而周围县市的经济发展相对弱于耿马县。2000年之后,耿马县分布格局表现为不显著。表3中统计,每年GDP县域集聚类型分布主要是以HH和LL类型为主,LH和HL分布较少且分散,不具有规律性。
4.2.3 基于空间变差函数的经济差异分析
以1992-2013年云南沿边地区22期的GDP数据作为研究数据选择拟合度最高的模型进行拟合,研究采用的模型包括：高斯、球状和指数模型,其中拟合度达到最高时的采样步长为30.455 km,因此各期采样步长统一定义为30.455 km。分别计算每一年的变差函数。得到的变差函数的拟合参数如表4所示,为进一步分析云南沿边地区县域经济发展的差异性,采用克里金（Kriging）插值对云南沿边地区的GDP进行差异分析,并对插值结果进行三维显示,如图7所示（仅列出1995、2000、2005和2010年4期数据）。
Tab. 4 Fitting parameters of GDP spatial variation function in Yunnan border areas from 1992 to 2013

表4 1992-2013年云南沿边地区GDP空间变差函数拟合参数

年份 变程a 块金值C0 基台值C0+C 变差系数C0/(C0+C) 拟合模型 R2
1992 104 442.664 0.001 0.463 0.002 16 高斯 0.797
1993 110 158.431 0.024 0.508 0.047 24 高斯 0.828
1994 146 500.000 0.001 0.553 0.001 81 球状 0.855
1995 155 000.000 0.001 0.592 0.001 69 球状 0.856
1996 152 500.000 0.001 0.626 0.001 60 球状 0.850
1997 159 300.000 0.001 0.616 0.001 62 球状 0.867
1998 153 700.000 0.001 0.610 0.001 64 球状 0.857
1999 154 300.000 0.001 0.597 0.001 68 球状 0.857
2000 155 600.000 0.001 0.584 0.001 71 球状 0.866
2001 118 299.000 0.028 0.596 0.046 98 高斯 0.853
2002 112 756.508 0.021 0.610 0.034 43 高斯 0.831
2003 110 158.431 0.011 0.591 0.018 61 高斯 0.834
2004 100 805.357 0.004 0.560 0.007 14 高斯 0.804
2005 134 700.000 0.002 0.553 0.003 62 球状 0.771
2006 164 400.000 0.001 0.567 0.001 76 指数 0.745
2007 154 200.000 0.001 0.568 0.001 76 指数 0.711
2008 153 600.000 0.001 0.576 0.001 74 指数 0.705
2009 140 700.000 0.062 0.556 0.111 51 球状 0.716
2010 146 700.000 0.001 0.565 0.001 77 指数 0.693
2011 145 800.000 0.001 0.569 0.001 76 指数 0.681
2012 147 900.000 0.007 0.556 0.012 59 指数 0.667
2013 151 200.000 0.001 0.540 0.001 85 指数 0.687
Fig. 7 Three-dimensional Kriging interpolation map of GDP in Yunnan border area in 1995, 2000, 2005 and 2010

图7 云南沿边地区1995、2000、2005和2010年的GDP三维Kriging插值结果

C0+C的值在1992-1996年期间逐渐增加,云南沿边地区的各县域之间的经济差异增强;1996年之后,C0+C值呈现波动式下降,县域之间的经济差异逐渐缩小。各期C0/（C0+C）均小于0.25,表明22年沿边地区的县域经济之间相关性强,联系紧密。除2009年,空间相关性的性质稍有减弱之外,其余年份的空间相关性都很强。由随机成分引起的空间异质性性质较弱。1992-1997年、2004-2006年及2009-2013年,变程呈现波动式增加,沿边地区整体县域GDP空间关联效应增强;1997-2004年及2006-2009年,变程减小,GDP空间关联效应减弱。
图7中GDP Kriging三维插值图的形态起伏不平,表明云南沿边地区不同县域的GDP经济水平在空间分布上存在较大差异。22年的云南沿边地区GDP插值结果存在一定的共性,均表现出东南向的GDP较高、西北向的GDP较低的分布格局,整体上形成从西北至东南一线的“洼地-丘陵-平地-高峰”地势变化格局,整体经济发展不平衡。从局部分析,东南角均是多年GDP分布最高峰位置,常年处于插值图的顶峰。结果表明,沿边地区的东南角的GDP经济发展最好,高于沿边地区的其他区域。由经纬度计算可得,这些“高峰”位置集中在红河州的建水、个旧和开远等县、市,以建水、个旧和开远等县市为经济发展核心在一定程度上带动周围县、市的发展。GDP的插值图的次高峰“丘陵”区域常年集中分布在25 °N,99 °E周围,即腾冲、保山市,以及最南部地区（西双版纳州的景洪）,这些地区的经济发展也较好,仅次于红河州的建水、个旧等城市。一些经济欠发达的地区,即插值结果的“洼地-平地”区域主要集中分布在沿边地区的西北角、西南角以及沿边地区的中部区域,即怒江州的边境县贡山、福贡等县域,思茅市的边境县西盟和孟连县以及红河州的边境县绿春县等。

5 结论和讨论

本研究基于DMSP/OLS夜间灯光数据和土地利用数据,对云南沿边地区1992-2013年22年的GDP进行空间化拟合,在验证拟合精度较高的基础上对云南沿边地区GDP空间分布格局、区域经济差异进行探讨,具体的结论如下：
（1） 本研究从模型构建的角度对GDP进行空间化拟合,对GDP中第二、三产业采用“分类回归”的方法进行拟合,精度评价的结果表明该方法可以有效提高GDP空间化拟合精度。
（2） 云南沿边地区的GDP空间全局自相关结果表明,整体云南沿边地区GDP呈现正的相关性,且在空间分布上显著集聚。在不同时期,这种相关性和集聚性呈波动变化。多期的集聚图的HH区域集中在开远、蒙自等县,这些县市与周围的县市经济发展联系紧密;LL类型的区域主要集中在绿春、西盟县市,这些县域经济发展较弱,自身的GDP水平较低,与周围县市经济联系不紧密。各期县域的GDP集聚类型分布主要以HH和LL类型为主,LH和HL分布较少且分散,不具有规律性。云南沿边地区GDP三维插值结果具有一定的共性,均表现为东南向较高,西北向较低的起伏形态,形成从西北至东南一线的“洼地-丘陵-平地-高峰”变化地势格局。GDP分布最高的位置常年位于东南角红河州的建水、个旧和开远等县市;次高峰“丘陵”位置主要分布在腾冲、保山市及景洪县等县市;“洼地-平地”区域集中在西北角、西南角和中部区域的贡山、福贡、西盟和绿春等县域。云南沿边地区不同县域的经济发展存在一定的差异,云南省应当加大相关政策的实施,产业结构合理化,缩小不同地区之间的经济差异,促进沿边地区经济共同发展。
此外,本研究采用的DMSP/OLS夜间灯光数据仅更新至2013年,未来可结合另一NPP/VIIRS夜间灯光数据对GDP等的统计数据进行空间化拟合及更长时间序列的空间格局、区域差异等分析。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
潘思东. 基于夜光遥感和小区POI的住宅发展与经济增长的空间耦合研究[J].地球信息科学学报,2017,19(5):646-652.针对城市住宅业发展与其经济增长之间的单向或双向因果关系问题,有关学者利用宏观统计分析的方法得到了不同的结论。本文通过构建二者的时空数据集,在城市内部微观层面上剖析了二者的耦合联系及其空间差异性,以期在细尺度上解释二者之间的关系。本文选取郑州市作为研究区,提出了一种基于夜光遥感数据的GDP空间化估算方法,进而生成GDP时空数据集;基于住宅小区POI点数据对城市住宅进行空间密度估计,得到住宅小区的时空分布数据集;最后对GDP和住宅建设密度进行了空间互相关分析,探究住宅发展与经济增长像元尺度上的共变趋势。结果表明：与前人的宏观研究论断不同,耦合分析结果显示住宅业发展与经济增长之间的关系在城市内部具有空间差异性,两者既存在相互影响的区域,也存在无相关的区域;耦合协调关系极显著的区域约占两成,且主要位于市属区和县域中心区;耦合不显著和不相关的区域超过七成,大部分位于市属县域。

[ Pan S D.Spatial coupling between housing development and economic growth based on night light remote sensing and residential POI[J]. Journal of Geo-information Science, 2017,19(5):646-652. ]

[2]
杨小唤,江东,王乃斌,等.人口数据空间化的处理方法[J].地理学报,2002,57(增刊):70-75.在人口空间分布区划的基础上，利用基于LANDSATTM信息获取的1：10万比例尺的土地利用／覆盖数据，建立与统计人口数据的多元相关关系模型，计算各种土地利用类型中的居住人口系数，在GIS支持下计算出全国lkm格网人口空间分布数据，然后结合DEM数据、居民点分布数据对空间化处理结果进行修正，并在各大区内随机抽样若干县采集乡镇行政边界和统计人口数据对模犁计算结果进行了验证。

DOI

[ Yang X H, Jiang D, Wang N B, et al.Method of pixelizing population data[J]. Acta Geographica Sinica, 2002,57(supp.):70-75. ]

[3]
董晓菲,王荣成.东北地区哈大交通经济带经济发展空间差异研究[J].地域研究与开发,2010,29(2):22-28.以东北地区哈大交通经济带13个地级市为基本研究单元,以人均地区生产总值为测度经济差异的指标,利用变异系数和泰尔指数对经济带内1987-2006年间的经济发展数据进行总体差异分析,并对差异来源按照行政区划进一步分解,分析影响差异的内、外原因.截取3个具代表性的时间横截面,探究哈大交通经济带空间结构演化特征.结果表明:(1)1987-2006年哈大交通经济带经济地位不断提升,总体差异收缩.(2)1987-1992年经济带差异扩大,主要由黑龙江省内部差异造成;1993-2000年经济带变动微小;2000年以来,哈大交通经济带差异呈现收缩态势.(3)哈大交通经济带空间结构演化特征与地区经济差异时序吻合,未来将呈现带内经济一体化趋势.

DOI

[ Dong X F, Wang R C.Analysis on economic disparities of Harbin-Dalian traffic economic belt in northeast China[J]. Areal Research and Development, 2010,29(2):22-28. ]

[4]
刘保强,熊理然,蒋梅英,等.云南沿边地区县域经济的空间格局演化分析[J].地域研究与开发,2017,36(3):29-35.基于云南沿边地区56个县域单元1993,2002,2009,2015年人均GDP数据,运用ESDA-GIS方法分析沿边地区县域经济的空间演化格局,并探讨其驱动因素.结果表明:云南沿边地区县域经济发展和区域经济增长存在正的空间自相关,但相关性相对较弱.1993年以来,县域经济整体格局变动不大,经济热点区域始终处于弥勒、建水、蒙自等县市,冷点区域则始终处于广南、麻栗坡、绿春等县域;而经济增长格局则表现出明显的空间演化和跃迁特征.整体上看,云南沿边县域经济的空间差异较大,由随机成分造成空间异质性也逐渐增强,且东-西方向上县域经济差异有进一步扩大趋势.资源禀赋、地理区位以及区域发展政策是县域经济空间格局演化的主要驱动力.

[ Liu B Q, Xiong L R, Jiang M Y, et al.Spatial pattern evolution analysis of economy at county level in Yunnan’s border areas[J]. Areal Research and Development, 2017,36(3):29-35. ]

[5]
Zhao M, Cheng W, Zhou C, et al.GDP spatialization and economic differences in south China based on NPP-VIIRS nighttime light imagery[J]. Remote Sensing, 2017,9(7):673-692.Accurate data on gross domestic product (GDP) at pixel level are needed to understand the dynamics of regional economies. GDP spatialization is the basis of quantitative analysis on economic diversities of different administrative divisions and areas with different natural or humanistic attributes. Data from the Visible Infrared Imaging Radiometer Suite (VIIRS), carried by the Suomi National Polar-orbiting Partnership (NPP) satellite, are capable of estimating GDP, but few studies have been conducted for mapping GDP at pixel level and further pattern analysis of economic differences in different regions using the VIIRS data. This paper produced a pixel-level (500 m 500 m) GDP map for South China in 2014 and quantitatively analyzed economic differences among diverse geomorphological types. Based on a regression analysis, the total nighttime light (TNL) of corrected VIIRS data were found to exhibit R2 values of 0.8935 and 0.9243 for prefecture GDP and county GDP, respectively. This demonstrated that TNL showed a more significant capability in reflecting economic status (R2 > 0.88) than other nighttime light indices (R2 < 0.52), and showed quadratic polynomial relationships with GDP rather than simple linear correlations at both prefecture and county levels. The corrected NPP-VIIRS data showed a better fit than the original data, and the estimation at the county level was better than at the prefecture level. The pixel-level GDP map indicated that: (a) economic development in coastal areas was higher than that in inland areas; (b) low altitude plains were the most developed areas, followed by low altitude platforms and low altitude hills; and (c) economic development in middle altitude areas, and low altitude hills and mountains remained to be strengthened.

DOI

[6]
吴吉东,王旭,王菜林,等.社会经济数据空间化现状与发展趋势[J].地球信息科学学报,2018,20(9):1252-1262.行政单元的社会经济统计数据与地理单元的要素数据之间存在空间不匹配的问题,很难满足自然与人文交叉学科研究的需要。本文首先对社会经济数据空间化指标和方法进行了总结,发现空间化研究主要集中在人口与国内生产总值指标,对资本存量、房屋等其他社会经济指标的空间化研究相对较少;根据空间化的思路和方法差异,可将空间化方法归纳为面积权重法、统计模型法和多源数据融合法三类。最后通过对比分析不同空间化方法的原理和优缺点可知:社会经济研究指标多样化、空间化精度要求的多元化和大数据应用的广泛化是社会经济数据空间化的发展趋势。同时,大数据等新的辅助数据源的出现为空间化精度的提高带来了契机,在社会管理精细化要求不断提高的背景下,社会经济数据空间化也越来越成为研究热点。

[ Wu J D, Wang X, Wang C L, et al.The status and development trend of disaggregation of socio-economic data[J]. Journal of Geo-information Science, 2018,20(9):1252-1262. ]

[7]
刘红辉,江东,杨小唤,等.基于遥感的全国GDP 1km格网的空间化表达[J].地球信息科学学报,2005,7(2):120-123.针对资源环境研究领域对空间型社会经济数据的需求,在我国经济社会的区域差异的综合分析基础上,对现有的统计型行政单元主要社会经济发展指标国内生产总值(GDP)进行空间化模拟,建立了统一空间坐标参数、统一数据格式、统一的数据和元数据标准的全国1km格网水平社会经济空间数据库。利用1995年遥感数据建立的1:100000比例尺土地利用格局分布图,综合分析人类活动形成的土地利用状态与GDP大小的空间互动规律,建立影响经济发展的关键因素评估模型,通过一、二、三产业GDP与土地利用类型的空间关联性,分区建立1995年县级GDP和土地利用格局的空间关联度模型库,实现在1km格网的社会经济数据的空间定量模拟。

DOI

[ Liu H H, Jiang D, Yang X H, et al.Spatialization approach to 1 km grid GDP supported by remote sensing[J]. Journal of Geo-information Science, 2005,7(2):120-123. ]

[8]
Sutton P C, Costanza R.Global estimates of market and non-market values derived from nighttime satellite imagery, land cover, and ecosystem service valuation[J]. Ecological Economics, 2002,41(3):509-527.We estimated global marketed and non-marketed economic value from two classified satellite images with global coverage at 1 km 2 resolution. GDP (a measure of marketed economic output) is correlated with the amount of light energy (LE) emitted by that nation as measured by nighttime satellite images. LE emitted is more spatially explicit than whole country GDP, may (for some nations or regions) be a more accurate indicator of economic activity than GDP itself, can be directly observed, and can be easily updated on an annual basis. As far as we know, this is the first global map of estimated economic activity produced at this high spatial resolution (1 km 2). Ecosystem services product (ESP) is an important type of non-marketed value. ESP at 1 km 2 resolution was estimated using the IGBP land-cover dataset and unit ecosystem service values estimated by Costanza et al. [Valuing Ecosystem Services with Efficiency, Fairness and Sustainability as Goals. Nature's Services, Island Press, Washington DC, pp. 49 70]. The sum of these two (GDP+ESP)=SEP is a measure of the subtotal ecological conomic product (marketed plus a significant portion of the non-marketed). The ratio: (ESP/SEP) 100=%ESP is a measure of proportion of the SEP from ecosystem services. Both SEP and %ESP were calculated and mapped for each 1 km 2 pixel on the earth's surface, and aggregated by country. Results show the detailed spatial patterns of GDP, ESP, and SEP (also available at: http://www.du.edu/ sutton/esiindexisee/EcolEconESI.htm). Globally, while GDP is concentrated in the northern industrialized countries, ESP is concentrated in tropical regions and in wetlands and other coastal systems. %ESP ranges from 1% for Belgium and Luxembourg to 3% for the Netherlands, 18% for India, 22% for the United States, 49% for Costa Rica, 57% for Chile, 73% for Brazil, and 92% for Russia. While GDP per capita has the usual northern industrialized countries at the top of the list, SEP per capita shows a quite different picture, with a mixture of countries with either high GDP/capita, high ESP/capita, or a combination near the top of the list. Finally, we compare our results with two other indices: (1) The 2001 Environmental Sustainability Index (ESI) derived as an initiative of the Global Leaders of Tomorrow Environment Task Force, World Economic Forum, and (2) Ecological Footprints of Nations: How much Nature do they use? How much Nature do they have? developed by Mathis Wackernagel and others. While both of these indices purport to measure sustainability, the ESI is actually mainly a measure of economic activity (and is correlated with GDP), while the Eco-Footprint index is a measure of environmental impact. The related eco-deficit (national ecological capacity minus national footprint) correlates well with %ESP.

DOI

[9]
张怡哲,杨续超,胡可嘉,等.基于多源遥感信息和土地利用数据的中国海岸带GDP空间化模拟[J].长江流域资源与环境,2018,27(2):235-242.

[ Zhang Y Z, Yang X C, Hu K J, et al.GDP spatialization in the coastal area of China based on multi-sensor remote sensing data and land use data[J]. Resources and Environment in the Yangtze Basin, 2018,27(2):235-242. ]

[10]
郑子豪,陈颖彪,吴志峰,等.单元路网长度的DMSP/OLS夜间灯光数据去饱和方法[J].遥感学报,2018,22(1):161-173.近年来DMSP／OLS夜间灯光数据被广泛应用到人类活动强度及城市化进程的研究中，但由于OLS传感器的限制导致，在夜间灯光强度过高的城市中心区，NTL数据存在较为明显的饱和现象。这种饱和现象直接掩盖了城市中心区内部的灯光差异、细节，限制了DMSP／OLS数据在城市中心区的应用。目前缓解灯光数据饱和的方法主要分为：辐射定标法和非辐射定标法。其中辐射定标法虽精度较高，但定标算法复杂，干扰因素多，目前只有部分定标产品；非辐射定标法利用辅助数据（包括自然因素指标、社会经济指标）构建函数模型，对饱和区稳定灯光数据进行去饱和处理，具有较好修正效果。本文在总结VANUI（基于NDVI所构建）、EANTLI（基于EVI所构建）等去饱和指数的基础上，利用地理探测器对NDVI、EVI和UNL（单元路网长度）进行因子探测，量化对稳定灯光数据的解释力，提出了UNLI指数。为了验证UNLI、EANTLI及NTL数据之间的差异，通过“饱和区灯光强度细节刻画程度”、“UNLI、EANTLI与辐射定标数据RCNTL相关性分析”、“耗电量及GDP等经济指标回归拟合优度”3个方面进行比对分析，可以看出：（1）UNLI、EANTLI在修正过饱和灯光数据上均有较好的效果，但UNLI对饱和区灯光强度差异的刻画更加准确；（2）UNLI较之VANUI、EANTLI，可以突破空间分辨率的限制，增加灯光强度细节差异；（3）在灯光强度最高的饱和区，UNLI在与RCNTL的相关性最高，但随着灯光强度的减弱，UNLI、EANTLI与RCNTL的线性回归判断系数R^2逐渐接近，UNLI与RCNTL相关性优势正逐渐丧失；（4）在对耗电量、GDP的拟合分析中，引入UNLI指数的“EANTLI＆UNLI”的分段式修正模型，充分发挥EVI、UNL各自的优势，具有最优的拟合效果（RAdj^2=0．873）。实验结果表明，本文引入的修正夜间灯光饱和方法，能够17

DOI

[ Zheng Z H, Chen Y B, Wu Z F, et al.Method to reduce saturation of DMSP/OLS nighttime light data based on UNL[J]. Journal of Remote Sensing, 2018,22(1):161-173. ]

[11]
吴健生,李双,张曦文.中国DMSP-OLS长时间序列夜间灯光遥感数据饱和校正研究[J].遥感学报,2018,22(4):621-632.利用夜间灯光数据进行长时期社会经济问题研究时,需要对数据饱和校正,从而得到可信可靠的研究结果.针对不变区域法在长时间序列夜间灯光数据饱和校正时假设不变区域数据不随时间变化以及未区分数据饱和部分和未饱和部分的不足,本文提出首先对数据年际校正,再以NDVI数据为辅助进行饱和校正的方法.年际校正时准确定义了基准区域和基准年份,饱和校正过程中分别对不同城市聚类分区构建校正模型.研究发现,夜间灯光数据包括未饱和部分和饱和部分,饱和阈值为30;两部分数据亮度值与相应无饱和数据亮度值的函数关系不同,未饱和部分符合线性模型,饱和部分符合指数模型;区分不同城市聚类分区进行饱和校正十分必要,尤其是大范围区域数据饱和校正;以NDVI足迹数据为辅助,运用指数模型对饱和部分数据校正后,数据值域增大,空间异质性增强,与区域GDP拟合程度改善,很好地消除了由于卫星传感器设置特性产生的饱和效应,得到更好反映人类社会经济活动强度和空间分布特征的长时间序列饱和校正夜间灯光数据.文中得到的年际校正和饱和校正模型可以不做参数调整而直接运用,校正方法适用性较强.

DOI

[ Wu J S, Li S, Zhang X W.Research on saturation correction for long-time series of DMSP-OLS nighttime light dataset in China[J]. Journal of Remote Sensing, 2018,22(4):621-632. ]

[12]
Elvidge C D, Ziskin D, Baugh K E, et al.A fifteen year record of global natural gas flaring derived from satellite data[J]. Energies, 2009,2(3):595-622.

DOI

[13]
Wu J S, He S B, Peng J, et al.Intercalibration of DMSP-OLS night-time light data by the invariant region method[J]. International Jjournal of Remote Sensing, 2013,34(20):7356-7368.DMSP-OLS (Defense Meteorological Satellite Program Operational Linescan System) night-time light data can accurately reflect the scope and intensity of human activities. However, the raw data cannot be used directly for temporal analyses due to the lack of inflight calibration. There are three problems that should be addressed in intercalibration. First, because of differences between sensors, the data are not identical even when obtained in the same year. Second, different acquisition times may lead to random or systematic fluctuations in the data obtained by satellites in different orbits. Third, a pixel saturation phenomenon also exists in the urban centres of the image. Therefore, an invariant region method was used in this article, and the relative radiometric calibration and saturation correction achieved the desired results. In the meantime, intercalibration models for each satellite year of DMSP-OLS night-time light data were produced. Finally, intercalibration accuracy was evaluated, and the intercalibration results were tested with the corresponding gross domestic product (GDP) data.

DOI

[14]
吴健生,牛妍,彭建,等.基于DMSP/OLS夜间灯光数据的1995-2009年中国地级市能源消费动态[J].地理研究,2014,33(4):625-634.能源是国民经济发展的重要支撑,便捷准确地获取能源消费时空动态信息,对于合理制定能源政策具有重要意义.基于DMSP/OLS夜间灯光数据和能源统计数据之间的定量关联,在地级市尺度上模拟了中国1995-2009年能源消费的空间格局,并采用空间自相关分析探讨其时空动态特征.研究表明:基于DMSP/OLS夜间灯光数据模拟中国各地市能源消费具有一定的可行性,该数据能够比较可靠地反映能源消费的时空动态;1995-2009年中国大多数地市的能源消费量较低,中低强度能源消费区土地面积占全国72.66％,高能源消费强度区集中分布在中国东部地区;中国能源消费量存在显著的空间集聚性(历年Moran'sI指数都大于0.4),全国地级市能源消费“高—高”聚集和“低—低”聚集现象明显.

DOI

[ Wu J S, Niu Y, Peng J, et al.Research on energy consumption dynamic among prefecture-level cities in China based on DMSP/OLS nighttime light[J]. Geographical Research, 2014,33(4):625-634. ]

[15]
Liu Z F, He C Y, Zhang Q F, et al.Extracting the dynamics of urban expansion in China using DMSP-OLS nighttime light data from 1992 to 2008[J]. Landscape and Urban Planning, 2012,106(1):62-72.Timely and accurate information about the dynamics of urban expansion is vital to reveal the relationships between urban expansion and the ecosystem, to optimize land use patterns, and to promote the effective development of cities in China. Nighttime stable light data from the Defense Meteorological Satellite Program's Operational Line-scan System (DMSP-OLS) Nighttime Lights Time Series dataset provide a new source of information that can quickly reveal the dynamics of urban expansion. However, the DMSP-OLS sensor has no on-board calibration, which makes it difficult to directly compare time series data from multiple satellites. This study developed a new method for systematically correcting multi-year multi-satellite nighttime stable lights data and rapidly extracting the dynamics of urban expansion based on this corrected data for China from 1992 to 2008. The results revealed that the proposed method effectively reduced abnormal discrepancy within the nighttime stable light data and improved continuity and comparability. The dynamics of urban expansion in China from 1992 to 2008 were extracted with an average overall accuracy of 82.74% and an average Kappa of 0.40.

DOI

[16]
Liu J Y, Liu M L, Tian H Q, et al.Spatial and temporal patterns of China's cropland during 1990-2000: An analysis based on Landsat TM data[J]. Remote Sensing of Environment, 2005,98(4):442-456.

DOI

[17]
刘纪远,匡文慧,张增祥,等. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局[J].地理学报,2014,69(1):3-14.土地利用/土地覆被变化(LUCC)是人类活动与自然环境相互作用最直接的表现形式,本文采用相同空间分辨率的卫星遥感信息源和相同的技术方法,对中国1980年代末到2010年土地利用变化数据进行定期更新。在此基础上,提出并发展土地利用动态区划的方法,研究土地利用变化的空间格局与时空特征。我们发现:1990-2010年的20年间,中国土地利用变化表现出明显的时空差异。"南减北增,总量基本持衡,新增耕地的重心逐步由东北向西北移动"是耕地变化的基本特征;"扩展提速,东部为重心,向中西部蔓延"是城乡建设用地变化的基本特征;"林地前减后增,荒漠前增后减,草地持续减少"是非人工土地利用类型变化的主要特征。20世纪末与21世纪初两个10年相比,中国土地利用变化空间格局出现了一些新特征,原有的13个土地利用变化区划单元演变为15个单元,且部分区划单元边界发生变化。主要变化格局特征为黄淮海地区、东南部沿海地区、长江中游地区和四川盆地城镇工矿用地呈现明显的加速扩张态势;北方地区耕地开垦重心由东北地区和内蒙古东部转向西北绿洲农业区;东北地区旱作耕地持续转变为水田;内蒙古农牧交错带南部、黄土高原和西南山地退耕还林还草效果初显。近20年间,尽管气候变化对北方地区的耕地变化有一定的影响,但政策调控和经济驱动仍然是导致我国土地利用变化及其时空差异的主要原因。2000年后的第一个10年,土地利用格局变化的人为驱动因素已由单向国土开发为主,转变为开发与保护并重。在空间格局变化的分析方法方面,应用"动态区划法"开展世纪之交两个10年中国LUCC空间格局变化的分析,有效揭示了20年来中国LUCC"格局的变化过程",即动态区划边界的推移、区划单元内部特征的变化与单元的消长等;以及"变化过程的格局",即土地利用变化过程与特征的分阶段区域差异,清晰刻画了LUCC动态区划中区划单元的消长,单元边界的变动,以及前后10年的变化强度特征,揭示了土地利用"格局"与"过程"之间的交替转化规律,以及不同类型和区域的变化原因,证明了该分析方法的有效性。

DOI

[ Liu J Y, Kuang W H, Zhang Z X, et al.Spatiotemporal characteristics, patterns and causes of land use changes in China since the late 1980s[J]. Acta Geographica Sinica, 2014,69(1):3-14. ]

[18]
云南省统计局.云南统计年鉴[M].北京:中国统计出版社,1993-2014.

[ Statistical Bureau of Yunnan Province. Yunnan statistical Yearbook[M]. Beijing: China Statistics Press, 1993-2014. ]

[19]
韩向娣,周艺,王世新,等.基于夜间灯光和土地利用数据的GDP空间化[J].遥感技术与应用,2012,27(3):396-405.lt;p>GDP是社会经济发展、区域规划和资源环境保护的重要指标之一。然而,传统以各级行政单元为主的GDP统计资料无法显示区域内部GDP的差异,尝试通过GDP空间化来解决这个问题,以满足资源环境研究领域对空间型社会经济数据的需求。在分析总结国内外社会经济数据空间化技术方法的基础上,第一产业基于土地利用数据建模\,第二产业和第三产业基于DMSP/OLS与土地利用数据结合生成的土地灯光参数建模。为提高模型质量,全国按照省级行政边界分区,将因变量GDP分产业分区建模,第一产业绝大部分区域的模型精度在0.7~0.95之间,第二产业和第三产业绝大部分区域的模型精度在0.8~0.98之间。通过与其他GDP空间化技术和结果的比较分析,本研究中的GDP空间化方法无论是模型精度还是GDP密度分布结果都具有一定的优势。生成的GDP密度图能较完整地反映全国GDP分布细节以及宏观分布特征,可为将来经济策略和发展路线的绘制提供一定依据。</p>

[ Han X D, Zhou Y, Wang S X, et al.GDP spatialization in China based on DMSP/OLS data and land use data[J]. Remote Sensing Technology and Application, 2012,27(3):396-405. ]

[20]
关伟,朱海飞.基于ESDA的辽宁省县际经济差异时空分析[J].地理研究,2011,30(11):2008-2016.Modern theories on regional development hold that moderate differences in regional economic development facilitate the efficient allocation of resources and the shift of industries between regions, but the oversized differences will weaken the existing division of labor and economic cooperation, or even do harm to the regional economic and social stability. Taking the counties (including counties, county-level cities and municipal districts) of Liaoning as the study object and the GDP per capita as the measuring indicator, this paper analyzes the spatial-temporal pattern of economic differences in Liaoning Province from 2000 to 2009 by way of EDSA. The findings are that, the inter-county economy is highly auto-related, and the inter-county economic differences are enlarged first and dwindled afterward. In terms of local differences, the counties of "H-H" type are currently found mainly in Shenyang and Dalian, with a trend of extending to other coastal areas; the counties of "L-L" type are mainly in west Liaoning, including Fuxin, Chaoyang, and Huludao. The spatial distribution of counties with economic hotspots seems to be random and indefinite, with Shenyang and Dalian dominating them. Based on further analysis of the driving mechanism of the inter-county economic differences from the perspectives of historical development, locational conditions, policy implications and adjacency effect, the paper points out that, Shenyang and Dalian have firmly been established as the core of Liaoning coastal economic zone, and Shenyang economic zone since "Liaoning coastal economic zone" and "new industrialization and comprehensive reform pilot area of Shenyang economic zone" have been developed into "national strategies", but their radiation function and leading role are still limited.

DOI

[ Guan W, Zhu H F.Spatio-temporal analysis of inter-county economic differences in Liaoning Province based on ESDA[J]. Geographical Research, 2011,30(11):2008-2016. ]

[21]
陈浩,邓祥征.中国区域经济发展的地区差异GIS分析[J].地球信息科学学报,2011,13(5):586-593.本文主要针对我国改革开放以来地区间经济发展的差距究竟是扩大(发散)还是缩小(收敛)的问题开展了研究。首先,对全国各省(市)1980-2008年的人均名义GDP数据进行了空间自相关分析,探讨了全国区域经济发展的地区差异变化,揭示了1984年以后中国各地区之间的经济发展的正空间自相关关系,即全国区域经济发展差异在整体上是收敛的。本文进一步引入传统经济研究方法的&sigma;-收敛模型进一步论证全国区域经济发展差异的整体收敛性。&sigma;-收敛模型的研究结果表明,中国区域经济发展在20世纪80年代期间是收敛的,90年代则呈现一定的发散特征,从90年代末到2008年恢复收敛态势,且在整体趋势上是收敛的。该研究尝试了将空间分析方法引入经济发展收敛性与发散性研究的途径,并实证了其可靠性。

DOI

[ Chen H, Deng X Z.Analysis of regional difference of economic development in China based on spatial autocorrelation and δ-convergence models[J]. Journal of Geo-information Science, 2011,13(5):586-593. ]

[22]
王培安,罗卫华,白永平.基于空间自相关和时空扫描统计量的聚集比较分析[J].人文地理,2012,27(2):119-127.聚集是区域经济研究中的重点问题之一,而聚集定位问题又是深入分析聚集需要解决的首要问题。由于聚集具有高度的尺度敏感性,采用空间自相关方法分析时,尺度选择容易受研究者主观判断的影响,而且空间自相关方法也未考虑聚集的时间特征。与之相比,Kulldorff等学者提出的扫描统计量方法表现出了明显的优势。研究探索性地选用浙江省各市、县工业从业人口的聚集问题,从尺度选择、尺度转换和时空融合三个方面,比较了空间自相关和时空扫描统计量方法在探测聚集问题上的差异性,进而证实了时空扫描统计量方法不仅有效解决了人为选择尺度的偏倚问题,实现了尺度推绎、转换的自动化,而且更加有利地融合了立体、动态、多尺度的时空分析优势。

[ Wang P A, Luo W H, Bai Y P.Comparative analysis of aggregation detection based on spatial autocorrelation and spatial-temporal scan statistics[J]. Human Geography, 2012,27(2):119-127. ]

[23]
方叶林,黄震方,涂玮,等.基于地统计分析的安徽县域经济空间差异研究[J].经济地理,2013,33(2):33-38.以安徽省各县域人均GDP为研究指标,综合运用空间自相关、克里格空间插值、空间变异函数等方法,结合ArcGIS9.3及GeoDA软件对安徽省县域经济的空间差异进行研究。结果表明:县域经济自2002年开始出现微弱的空间集聚态势,人均GDP自西向东有逐渐增加,从北向南有先增加后减少的趋势。局部空间自相关分析发现,HH区主要位于皖江城市带中个别县域,LL区主要位于西北地区,LH区与HL区大部分交错分布在中部地区。皖江城市带地区为县域经济发展的核心,西北地区逐渐沦为县域经济发展的"洼地"。冷点地区主要分布在皖西北地区,热点地区分布在皖中及中部偏东地区。空间变异分析发现安徽省县域经济的发展受区域中心地区影响力度逐渐增大。总体上县域经济发展差异增大,区域资源禀赋与交通区位、发展政策、中心城市发展状况是引起空间差异的主要原因。

[ Fang Y L, Huang Z F, Tu W, et al.Research of spatial differences of county economy in Anhui based on geostatistical analysis[J]. Economic Geography, 2013,33(2):33-38. ]

Options
文章导航

/

〈 〉