EN中文

地球信息科学学报 >

2019 , Vol. 21 >Issue 11: 1802 - 1810

DOI: https://doi.org/10.12082/dqxxkx.2019.190041

遥感科学与应用技术

基于珞珈一号夜间灯光数据的广州市建设用地识别

  • 李翔 ,
  • 朱江 , * ,
  • 尹向东 ,
  • 姚江春 ,
  • 黄嘉玲 ,
  • 李密滔
展开
  • 广州市城市规划勘测设计研究院,广州 510060
朱 江（1975-）,女,山东济南人,博士生,教授级高级工程师,主要从事国土空间规划、多规合一、土地政策等方面研究。 E-mail:

李 翔（1991-）,男,河北邯郸人,硕士,主要从事土地利用变化、城市扩张监测方面研究。

收稿日期: 2019-01-24

  要求修回日期: 2019-07-08

  网络出版日期: 2019-12-11

基金资助

广州市城市规划勘测设计研究院年基金项目(No.2018-60)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Mapping Construction Land of Guangzhou based on Luojia No.1 Nightlight Data

  • LI Xiang ,
  • ZHU Jiang , * ,
  • YIN Xiangdong ,
  • YAO Jiangchun ,
  • HUANG Jialing ,
  • LI Mitao
Expand
  • Guangzhou Urban Planning and Design Survey Research Institute, Guangzhou 510060, China
ZHU Jiang, E-mail:

Received date: 2019-01-24

  Request revised date: 2019-07-08

  Online published: 2019-12-11

Supported by

Youth Fund Sustentation Project ofGuangzhou Urban Planning and Design Survey Research Institute(No.2018-60)

Copyright

Copyright reserved © 2016
Fold

摘要

夜间灯光数据和人类活动密切相关,可用于识别城市建设用地。目前主要利用DMSP/OLS和NPP-VIIRS夜间灯光数据进行建设用地识别,由于数据质量原因,这两类数据的识别结果精度较差。珞珈一号夜间灯光数据与比以往夜间灯光数据相比,时间分辨率、空间分辨率和光谱分辨率明显提升,是进行建设用地提取的更理想的数据源。本研究首先对珞珈一号夜间灯光数据进行辐射和影像配准,提高数据质量,然后利用支持向量机(Support Vector Machine, SVM)影像分类方法对广州市2017 年建设用地分区识别,并利用Kappa系数分区、分地类评价识别结果精度。研究发现：① 利用珞珈一号夜间灯光数据识别建设用地的精度明显优于利用DMSP/OLS和NPP-VIIRS夜间灯光数据识别结果的精度;② 广州市中心城区辖区的建设用地识别结果精度较高,识别结果Kappa系数均在0.9以上;外围辖区识别结果精度相对较低,识别结果Kappa系数为0.85左右;③ 城市、建制镇等单个地块面积较大、灯光亮度较高的地类识别结果精度较高,识别结果Kappa系数均在0.9以上;村庄用地、铁路公路用地由于单个地块面积小、布局比较分散、部分路段无照明条件等原因,识别结果Kappa系数相对较低,为0.85左右;采矿、风景及特殊用地夜间基本无人类活动,缺少夜间灯光,难以用夜间灯光数据识别,Kappa系数为0.45左右。本研究证明了利用珞珈一号夜间灯光数据能有效识别建设用地,同时丰富了珞珈一号夜间灯光数据的应用场景。

关键词： 珞珈一号卫星; 夜间灯光数据; 支持向量机; 建设用地识别; 广州市

本文引用格式

李翔 , 朱江 , 尹向东 , 姚江春 , 黄嘉玲 , 李密滔 . 基于珞珈一号夜间灯光数据的广州市建设用地识别[J]. 地球信息科学学报, 2019 , 21(11) : 1802 -1810 . DOI: 10.12082/dqxxkx.2019.190041

Abstract

Nightlight data is closely related to human activities, which can be used for mapping construction land. For now, DMSP/OLS (Defense Meteorological Satellite Program, Operational Linescan System) and NPP-VIIRS (National Polar-orbiting Partnership, Visible Infrared Imaging Radiometer Suite) are the most widely-used data for construction land mapping. However, because of low data quality, the mapping results of these two kinds of data are not good enough. Luojia No.1 nightlight has an obvious quality improvement than existing nightlight data. Using Luojia No.1 nightlight data, we can map construction land more precisely. In this research, we first conducted georeferencing and radiometric correction to Luojia No.1 nightlight data to improve data quality further, then used the Support Vector Machine (SVM) classification method to map the construction land of Guangzhou in 2017 at the district level, and we used Kappa coefficient to check the mapping results. Results show that: (1) Better mapping results can be obtained by using Luojia No.1 nightlight data than the DMSP/OLS and NPP-VIIRS nightlight data. (2) Central districts like Haizhu and Tianhe's Kappa coefficients of mapping results are over 0.9. However, remote districts like Conghua and Nansha had relatively low Kappa coefficients of about 0.85. (3) Construction land like city, town, and airport had high Kappa coefficients usually over 0.9, because the nightlight emitted by these lands is easily to capture. In comparison, rural construction land’s single massif was small, and some sections of road and railway lacked lighting condition; thus, these lands are a little harder to recognize in the nightlight data. Correspondingly, their Kappa coefficients were about 0.85. Besides, land of the mining industry and scenic tourism seldom emit light at night, it is hard to identify these lands in Luojia No.1 nightlight data. Therefore, the Kappa coefficients of these lands are pretty low, about 0.45. Our findings suggest that Luojia No.1 nightlight data's great potential in mapping construction land.

Key words： Luojia No.1 satellite; Nightlight data; Support vector machine; Construction land mapping; Guangzhou

1 引言

遥感技术从20世纪60年代开始,经历飞速发展,技术不断完善,数据产品不断丰富。高时效、多尺度的遥感数据产品已广泛应用于建设用地提取[1,2,3]。以Landsat遥感影像为代表的中分遥感影像数据应用最为广泛[4],但Landsat卫星传感器成像易受云量影响,同时,由于“同物异谱”和“同谱异物”的现象存在,可能导致沙地、裸地被错分为建设用地[5]。
夜间灯光数据与人类活动密切相关,与建设用地空间分布耦合度高,是提取建设用地的有效数据源[6]。目前DMSP/OLS和NPP-VIIRS是学界关注度最高的两种夜间灯光数据[7],已被广泛应用于建设用地识别。已有研究主要利用“经验阈值法”[8]、“地形起伏法”[9]和“周长突变法”[10]识别建设用地,然而DMSP/OLS和NPP-VIIRS夜间灯光数据的空间分辨率较低,因此基于这两种数据识别建设用地一般在省级或城市群尺度上进行,且识别结果精度不高[11]。此外,经验阈值法具有较高的主观性,缺乏普适性;地形起伏法在山地等地形起伏明显的区域较为适用,在平原地区难以适用[12];周长突变法易使建设用地识别结果破碎化,且识别结果的面积明显偏小。
珞珈一号夜间灯光数据在空间分辨率和光谱分辨率上远优于DMSP/OLS和NPP-VIIRS夜间灯光数据,是更为理想的识别建设用地的夜间灯光数据源。支持向量机影像分类方法已被广泛应用于建设用地提取、植被分类、水体识别等领域。该方法基于面向对象思想,构建特征序列,充分挖掘识别要素特征[12],比“经验阈值法”和“突变检测法”等方法更适合用于夜间灯光数据上的建设用地识别。
本研究首先对珞珈一号夜间灯光数据进行影像配准和辐射校正,提高数据质量,然后基于支持向量机影像分类方法分区对广州市建设用地识别,最后利用Kappa系数进行识别结果精度验证,并对不同辖区和不同类型建设用地识别结果的精度差异进行分析。本研究较高的识别精度说明利用珞珈一号夜间灯光数据能有效识别城市建设用地,也证明了珞珈一号夜间灯光数据在研究人类社会经济活动中的应用潜力。

2 研究区概况与数据源

2.1 研究区概况

广州市地处广东省中南部,珠江三角洲北部,濒临南海,是中国国家中心城市、国际综合交通枢纽、粤港澳大湾区中心城市以及海上丝绸之路的重要节点城市。广州市包含11个辖区,其中中心城区辖区包括越秀区、天河区、荔湾区和海珠区,外围辖区包括从化区、花都区、白云区、增城区、黄埔区、番禺区和南沙区,如图1所示。2017年广州市建设用地规模达到1882 km2,根据《广州市土地利用总体规划（2006-2020 年）（2017 年修订版）》①（①广州市国土和规划委员会2017 年发布。）,2020 年广州市建设用地总规模为1949 km2,有限的增量空间使广州市建设用地管理与规划面临压力。
图1 研究区示意

Fig. 1 Schematic map of the study area

2.2 数据源与预处理

2.2.1 数据源
本研究涉及的数据包括矢量数据和影像数据,数据参数如表1所示。
表1 数据来源及主要参数

Tab. 1 Data sources and main parameters

类型 名称 数据来源 数据时间
矢量数据 广州市土地利用现状数据 广州市规划与自然资源局会 2017年12月
广州市区级行政区划
影像数据 DMSP/OLS夜间灯光数据 美国国家航空航天局 2013年
NPP-VIIRS夜间灯光数据 2018年5月
珞珈一号夜间灯光数据 湖北省高分辨率对地观测系统数据与应用网 2018年9月
（1）矢量数据：包括广州市土地利用现状数据与行政区划数据。土地利用现状数据是珞珈一号夜间灯光数据配准和建设用地特征区选取的基础,也是识别结果精度评价的标准。本研究识别的建设用地类型包括：城市用地、建制镇用地、村庄用地、采矿用地、风景及特殊用地、港口码头用地、公路铁路用地和机场用地。由于水库水面以及管道用地夜间几乎不发出光亮,利用夜间灯光数据无法识别[13],因此这几类建设用地不在本研究范围之内。行政区划数据用于裁剪影像数据。
（2）影像数据：包括DMSP/OLS夜间灯光数据[14]、NPP-VIIRS夜间灯光数据[10]和珞珈一号夜间灯光数据[15],用于建设用地识别。
DMSP/OLS和NPP-VIIRS夜间灯光数据由美国国家海洋和大气管理局和美国国家航空航天局发布,是目前应用最广泛的2种灯光数据。珞珈一号卫星是全球首颗专业夜光遥感卫星,由武汉大学和长春长光卫星技术有限公司联合研制,于2018 年6月2日发射升空。珞珈一号卫星整星重22kg,采用像方远心光学系统、杂光抑制、高信噪比高动态成像、帆板自主锁紧展开等手段,实现了高灵敏、大范围的夜光成像技术[15]。和DMSP/OLS、NPP-VIIRS夜间灯光数据相比,珞珈一号夜间灯光数据在时间分辨率、空间分辨率、光谱分辨率上有了极大提高,三者的数据参数比较如表2、图2所示。时间分辨率的提升可以获得更加密集的时间序列,便于在更小时间尺度上研究城市变化;空间分辨率的提升能更清晰展现城市空间结构;光谱分辨率的提升能够有效避免亮度饱和的缺点[16]。
表2 DMSP/OLS、NPP-VIIRS、珞珈一号3种灯光数据主要参数对比

Tab. 2 Comparison of main parameters of the DMSP/OLS, NPP-VIIRS, and Luojia No.1 nightlight data

数据名称 时间分辨率 空间分辨率/m 光谱分辨率/bit
DMSP/OLS 年际 1000 6
NPP-VIIRS 月际 750 10
珞珈一号 15 d 130 15
图2 广州市3种夜间灯光数据影像

Fig. 2 Three kinds of nightlight data across Guangzhou

2.2.2 数据预处理
数据预处理首先对3种夜间灯光数据进行裁剪、投影等操作。由于珞珈一号夜间灯光数据获取和传输过程中存在辐射失真现象,使影像DN值偏高,导致亮区范围偏大;同时存在影像畸变问题,导致影像亮区和实际地物分布不一致,因此进行建设用地识别前,需要进行辐射校正和影像配准操作。
（1）辐射校正：根据湖北省高分辨率对地观测系统数据与应用网,珞珈一号夜间灯光数据产品的辐射亮度计算公式如下：
L = D N 3 2 10 10
式中：L为校正后辐射亮度值;DN为原始影像灰度值。
经过辐射校正,数据辐射失真误差得到有效纠正,建设用地格局更加清晰,一些水域和非建设用地上的噪声光亮被消除,避免这些噪声亮区被错分成建设用地,如图3中黑色虚线椭圆区域所示。
图3 珞珈一号夜间灯光数据辐射校正前后对比

Fig. 3 Comparison of theLuojia No.1 nightlight data:before and after radiometric correction

（2）影像配准：将2017年广州市土地利用现状数据作为参考标准,选择其中的道路交叉点、建筑物拐点作为特征点,利用仿射变换将影像上的地物校正到实际空间位置上。配准过程选择4个特征点,并保证特征点均匀分布在影像幅面的东南西北4个方向。
从图4中可以看出,影像配准前,珞珈一号夜间灯光数据上这2个地物的位置相对于土地利用现状数据中的真实位置偏南。配准之后,珞珈一号夜间灯光数据的亮区基本与建设用地范围一致。
图4 珞珈一号夜间灯光数据影像配准前后对比

注：A为块状地物,B为道路。

Fig. 4 Comparison of the Luojia No.1 nightlight data

3 研究方法

3.1 支持向量机方法

支持向量机是一种基于统计学原理的分类方法,该方法能够根据有限的信息在训练样本和特征学习之间寻求最优解[17,18],在遥感影像分类中有十分广泛的应用。SVM的基本思想是根据样本训练区构建待识别要素的特征集（如形状指数、纹理特征）,然后用一个最优曲面,将输入影像的像素单元矩阵划分为符合特征集和不符合特征集两类,使得两类像素的分类间隔最大[19,20]。SVM分类方法的核心问题就是求解最优曲面,最优曲面求解过程可以转化为下列函数的最大值[11]：
min 1 2 | | w | | 2 + C ∑ i = 1 n ( ξ i + ξ i * )
f ( x i ) - y i ≤ ξ i * + ε , i = 1 , … , n f ( x i ) - y i ≤ ξ i * + ε , i = 1 , … , n ξ i , ξ i * > 0
式中：w为拟合的线性函数斜率;C为惩罚因子,用于约束输入样本个数; ξ i , ξ i * 为松弛变量; ε 为精度控制因子。
利用拉格朗日乘数法将原有最优曲面求解过程变换为求解对偶问题,化简后公式如下：
f ( x ) = ∑ i = 1 n ( a i - a i * ) K + b
式中： a i 和 a i * 为样本的输入像元向量;K为核函数,一般为径向基函数;b为拟合的线性函数的截距。

3.2 识别结果精度评价方法

Kappa系数用于2个量一致性的检验,同时也是评价遥感影像分类精度最常用的指标之一[21],Kappa系数的计算方式如式（5）和式（6）所示。
Kappa = P 0 - P C 1 - P C
P 0 = s n P C = a 1 × b 1 + a 0 × b 0 n × n
式中：P0为观测一致率,即两组数据中类型一致部分的百分比;s为识别结果和标准数据吻合的栅格单元个数;n为栅格单元总数;PC为期望一致率;a1和b1分别为标准数据和识别结果中状态为建设用地的栅格单元个数,a0和b0分别为标准数据和识别结果中状态为非建设用地的栅格单元个数。

4 结果及分析

4.1 珞珈一号夜间灯光数据建设用地识别结果分析

表3为广州市各辖区建设用地识别结果Kappa系数,图5为广州市和若干辖区的建设用地识别结果。从全市尺度来看,基于珞珈一号夜间灯光数据的建设用地识别结果和土地利用现状数据中的建设用地基本吻合,Kappa系数达到0.9132,精度较高。分区来看,海珠（Kappa=0.9213）、天河（Kappa=0.9173）等几个发展水平较高的区识别结果的 Kappa系数一般较高,达到0.9以上,从化（Kappa=0.8551）、南沙（Kappa=0.8424）等外围区Kappa系数一般较低,为0.85左右。主要原因是中心城区承载了广州市大部分的社会经济活动,建设用地地块成规模,空间聚集程度较高,建设用地灯光亮度较高,在灯光数据中的建设用地特征明显,较易识别,而外围区如从化、增城等有较多的村庄、风景名胜和特殊用地,这些用地一般单个地块规模较小、布局分散、灯光亮度低,难以通过夜间灯光数据识别。
表3 广州市各区建设用地识别结果Kappa系数

Tab. 3 Comparison of the Kappa coefficients based onthe DMSP/OLS, NPP-VIIRS, and Luojia No.1 nightlight data

行政区划 越秀 天河 海珠 荔湾 黄埔 番禺 白云 花都 从化 增城 南沙
Kappa系数 0.9602 0.9173 0.9213 0.8918 0.9116 0.9051 0.8814 0.9003 0.8551 0.8613 0.8424
图5 广州市级和区级建设用地识别结果Kappa系数

Fig. 5 Kappa coefficients of construction land mappingin Guangzhou at the city and district scales

为了分析不同地类识别结果精度差异,利用不同类型现状建设用地矢量数据将裁剪识别结果,然后计算Kappa系数,如表4所示。由表4可知,城市用地、建制镇用地、港口码头用地和机场用地的Kappa系数均在0.90以上,主要是因为这些地类的地块面积较大,空间分布聚集,夜间灯光亮度较高,建设用地特征明显,容易识别。村庄用地由于单个地块小,灯光亮度较低,空间布局较分散,而且村庄用地包含一些废弃工矿用地,这部分建设用地夜间几乎不发出亮光,难以识别,因此识别结果Kappa系数较低,为0.8515。公路和铁路部分路段缺少灯光照明,识别结果的Kappa系数为0.85左右。独立工矿和风景及特殊用地虽然在分类上属于建设用地,但是这些区域夜间的人类活动较少,夜晚灯光亮度很低,在夜间灯光数据上难以识别,Kappa系数很低,约为0.45左右。
表4 珞珈一号夜间灯光数据各类建设用地识别结果Kappa系数

Tab. 4 Kappa coefficients of different kinds of construction lands' mapping results of Luojia No.1 nightlight data

地类名称 城市 建制镇 村庄 采矿 风景及特殊用地 港口码头 公路 铁路 机场
Kappa 系数 0.9265 0.9054 0.8515 0.4556 0.4413 0.9651 0.8546 0.8574 0.9877
进一步分析发现,每个区的建设用地识别结果存在不同程度的识别结果范围大于建设用地的实际范围的现象,首先是因为珞珈一号夜间灯光数据空间分辨率为130 m×130 m,在区级尺度观察会出现明显识别结果边缘超出现状建设用地边界的现象,第二个原因是珞珈一号夜间灯光数据也存在一定程度的亮度溢出问题,导致识别结果范围大于现状建设用地。

4.2 DMSP/OLS和NPP-VIIRS夜间灯光数据建设 用地识别结果分析

本研究使用同样的方法基于DMSP/OLS和NPP-VIIRS夜间灯光数据进行建设用地识别作为对照实验。首先分区进行识别,然后拼合识别结果并计算Kappa系数,如图6所示。从图6可以看出,NPP-VIIRS夜间灯光数据和DMSP/OLS夜间灯光数据对城市、建制镇和机场等地块单元较大、聚集度较高的建设用地的识别效果较好,但是对村庄和道路用地识别效果较差,如表5所示。同时,DMSP/OLS和NPP-VIIRS夜间灯光数据的识别结果有很严重的溢出效应,识别结果的范围远大于实际建设用地范围。DMSP/OLS夜间灯光数据的识别结果Kappa系数为0.6459,NPP-VIIRS夜间灯光数据的识别结果Kappa系数为0.7259,尽管NPP-VIIRS夜间灯光数据识别结果的Kappa系数比DMSP/OLS夜间灯光数据的高,但二者都低于珞珈一号夜间灯光数据识别结果的Kappa系数。
图6 DMSP/OLS和NPP-VIIRS夜间灯光数据识别结果对比

Fig. 6 Comparison of the construction land mapping results based onthe DMSP/OLS and NPP-VIIRS nightlight data

表5 DMSP/OLS和NPP-VIIRS数据各类建设用地识别结果精度

Tab. 5 Kappa coefficients of all different kinds of construction lands' recognition mapping results of DMSP/OLS and NPP-VIIRS nightlight data

地类名称 城市 建制镇 村庄 采矿 风景及特殊用地 港口码头 公路 铁路 机场
Kappa系数（DMSP/OLS） 0.6745 0.6526 0.3314 0.1112 0.0081 0.7314 0.3346 0.3178 0.8112
Kappa系数（NPP-VIIRS） 0.7643 0.7344 0.3486 0.1365 0.0123 0.7855 0.4015 0.3677 0.8426

5 结论与讨论

5.1 结论

本研究利用珞珈一号夜间灯光数据和SVM分类方法对广州市建设用地进行识别,取得了较高的识别精度,弥补了以往利用DMSP/OLS和NPP-VIIRS夜间灯光数据进行建设用地识别精度较低的缺点,证明了利用珞珈一号夜间灯光数据能有效识别建设用地。主要结论如下：
（1）从市级尺度来看,利用珞珈一号夜间灯光数据进行建设用地识别的Kappa系数达到0.9132,精度远高于利用DMSP/OLS和NPP-VIIRS夜间灯光数据的识别结果。从区级尺度来看,越秀、天河和白云等区发展水平较高,建设用地成规模,夜间灯光亮度较高,容易识别,因此识别结果Kappa系数基本在0.9以上。增城、南沙等区土地开发强度较低,以林业、农业用地为主,建设用地斑块聚集性较低,难以识别,识别结果的Kappa系数相对较低。
（2）从地类角度分析发现,城市、建制镇、港口码头和机场等用地的识别精度较高,Kappa系数普遍在0.9以上。这些类型的建设用地灯光亮度较高,建设用地的特征明显,较易识别。村庄用地的单个地块较小,空间布局较分散,灯光亮度聚集性不足,识别结果的Kappa系数相对较低,为0.8515。铁路和公路用地部分线路没有照明条件,识别结果的Kappa系数为0.85左右。采矿和风景名胜及特殊用地夜间很少有人类活动,缺少灯光照明,利用夜间灯光数据难以识别,因此识别结果精度较低,Kappa系数为0.45左右。

5.2 讨论

本研究利用珞珈一号夜间灯光数据进行建设用地识别,取得了较高的精度,但仍然存在问题,比如本研究影像配准依靠人工目视选择控制点,可能影响配准结果,进而影响建设用地识别结果精度;其次本研究没有很好地解决灯光溢出造成识别结果范围过大的问题。后续可以考虑引入植被指数数据、优化分类模型等方法提高识别结果精度。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李翔, 陈振杰, 吴洁璇 , 等. 基于夜间灯光数据和空间回归模型的城市常住人口格网化方法研究[J]. 地球信息科学学报, 2017,19(10):1298-1305.

DOI

[ Li X, Chen Z J, Wu J X , et al. Gridding methods of city permanent population based on night light data and spatial regression models[J]. Journal of Geo-information Science, 2017,19(10):1298-1305. ]

[2]
汪文祥 . Landsat影像时间序列支持下的土地利用变化检测方法研究[D]. 南京:南京大学, 2018.

[ Wang W X . Study on the detection method of land use change based on Landsat image time series[D]. Nanjing: Nanjing University, 2018. ]

[3]
杨任飞, 罗红霞, 周盛 , 等. 夜间灯光数据驱动的成渝城市群空间形成过程重建及分析[J]. 地球信息科学学报, 2017,19(5):653-661.

DOI

[ Yang R F, Luo H X, Zhou S , et al. Restoring and analyzing the space forming process of Chengdu-Chongqing urban agglomeration by using DMSP/OLS night-time light data[J]. Journal of Geo-information Science, 2017,19(5):653-661. ]

[4]
Flemming J, Zeaul H, Guna N P , et al. Urban agglomeration impact analysis using remote sensing and GIS techniques in Malegaon city, India[J]. International Journal of Sustainable Built Environment, 2015,4(1):136-144.

DOI

[5]
Ma L, Li M C, Ma X X , et al. A review of supervised object-based land-cover image classification[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2017(130):277-293.

DOI PMID

[6]
邓刘洋, 沈占锋, 柯映明 . 城市建成区遥感影像边界提取与扩张分析[J]. 地球信息科学学报, 2018,20(7):996-1003.

DOI

[ Deng L Y, Shen Z F, Ke Y M . Built-up area extraction and urban expansion analysis based on remote sensing images[J]. Journal of Geo-information Science, 2018,20(7):996-1003. ]

[7]
Jia T, Chen K, Wang J Y . Characterizing the growth patterns of 45 major metropolitans in mainland China using DMSP/OLS data[J]. Remote Sensing, 2017,9(6):571-587.

DOI

[8]
Milesi C, Elvidge C D, Nemani R R , et al. Assessing the impact of urban land development on net primary productivity in the southeastern United States[J]. Remote Sensing of Environment, 2003,86(3):401-410.

DOI

[9]
王少剑, 苏泳娴, 赵亚博 . 中国城市能源消费碳排放的区域差异、空间溢出效应及影响因素[J]. 地理学报, 2018,73(3):414-428.

DOI

[ Wang S J, Su Y X, Zhao Y B . Regional inequality, spatial spillover effects and influencing factors of China's city-level energy-related carbon emissions[J]. Acta Geographica Sinica, 2018,73(3):414-428. ]

[10]
舒松, 余柏蒗, 吴健平 等. 基于夜间灯光数据的城市建成区提取方法评价与应用[J]. 遥感技术与应用, 2011,26(2):169-176.

[ Shu S, Yu B L, Wu J P , et al. Methods for deriving urban built-up area using night-light data: Assessment and application[J]. Remote Sensing Technology and Application, 2011,26(2):169-176. ]

[11]
王晓慧 . 基于DMSP/OLS夜间灯光数据的中国近30年城镇扩展研究[D]. 南京:南京大学, 2013.

[ Wang X H , Urban expansion in China over the past 30 years detected using DMSP/OLS nighttime light data[D]. Nanjing: Nanjing University, 2013. ]

[12]
杨浩, 孟娜, 王婧 , 等. 基于支持向量机的京津冀城市群热环境时空形态模拟[J]. 地球信息科学学报, 2019,21(2):190-200.

DOI

[ Yang H, Meng N, Wang J , et al. Spatial-temporal morphology simulation of Beijing-Tianjin-Hebei urban agglomeration thermal environment based on support vector machine[J]. Journal of Geo-information Science, 2019,21(2):190-200. ]

[13]
Yu B, Tang M, Wu Q , et al. Urban built-up area extraction from log-transformed NPP-VIIRS nighttime light composite data[J]. IEEE Geoscience and Remote Sensing Letters, 2018,15(8):1-5.

DOI

[14]
Xie Y, Weng Q . Updating urban extents with nighttime light imagery by using an object-based thresholding method[J]. Remote Sensing of Environment, 2016,187:1-13.

DOI

[15]
曹子阳, 吴志峰, 匡耀求 , 等. DMSP/OLS夜间灯光影像中国区域的校正及应用[J]. 地球信息科学学报, 2015,17(9):1092-1102.

DOI

[ Cao Z Y, Wu Z F, Kuang Y Q , et al. Correction of DMSP/OLS night-time light images and its application in China[J]. Journal of Geo-information Science, 2015,17(9):1092-1102. ]

[16]
郭晗 . 珞珈一号科学试验卫星[J].卫星应用, 2018(7):70.

[ Guo H . Luojia No.1 scientific experiment satellite[J]. Application of Satellites, 2018(7):70. ]

[17]
Chen Z Q . A new approach for detecting urban centers and their spatial structure with nighttime light remote sensing[J]. IEEE Transactions on Geoscience & Remote Sensing, 2017,99:1-15.

DOI PMID

[18]
单治彬, 孔金玲, 张永庭 , 等. 面向对象的特色农作物种植遥感调查方法研究[J]. 地球信息科学学报, 2018,20(10):1509-1519.

DOI

[ Shan Z B, Kong J L, Zhang Y T , et al. Remote sensing investigation method of object-oriented crops with special characteristics[J]. Journal of Geo-information Science, 2018,20(10):1509-1519. ]

[19]
谢福鼎, 姚娆 . 基于GANBPSO-SVM的高光谱影像特征选择方法[J]. 地理科学, 2018,38(6):972-978.

DOI

[ Xie F D, Yao R . A feature selection strategy for hyper-spectral images classification based on GANBPSO-SVM[J]. Scientia Geographica Sinica, 2018,38(6):972-978. ]

[20]
Cao X, Chen J, Imura H , et al. A SVM-based method to extract urban areas from DMSP-OLS and SPOT VGT data[J]. Remote Sensing of Environment, 2009,113(10):2205-2209.

DOI

[21]
丁世飞, 齐丙娟, 谭红艳 . 支持向量机理论与算法研究综述[J]. 电子科技大学学报, 2011,40(1):2-10.

[ Ding S F, Qi B J, Tan H Y . An overview on theory and algorithm of support vector machine[J]. Journal of University of Electronic Science and Technology of China, 2011,40(1):2-10. ]

[22]
杨清可, 段学军, 金志丰 等. 南通市建设用地扩张情景模拟与景观生态效应[J]. 地理科学, 2017,37(4):528-536.

DOI

[ Yang Q K, Duan X J, Jin Z F , et al. Spatial scenario simulation and landscape ecological effect based on construction land expansion of Nantong city[J]. Scientia Geographica Sinica, 2017,37(4):528-536. ]

Options
文章导航

/

〈 〉