EN中文

地球信息科学学报 >

2020 , Vol. 22 >Issue 8: 1714 - 1724

DOI: https://doi.org/10.12082/dqxxkx.2020.200128

遥感科学与应用技术

基于2种夜间灯光影像亮度修正指数的城市建成区提取研究

  • 闫庆武 , 1, * ,
  • 厉飞 1 ,
  • 李玲 2
展开
  • 1.中国矿业大学环境与测绘学院,徐州 221116
  • 2.徐州市规划设计院,徐州 221000

闫庆武（1975— ）,男,山东邹城人,副教授,主要从事GIS应用、人口地理学、人口数据空间化研究。E-mail:

收稿日期: 2020-03-20

  要求修回日期: 2020-05-12

  网络出版日期: 2020-10-25

基金资助

武汉大学测绘遥感信息工程国家重点实验室开放基金(18T03)

内蒙古自治区科技计划项目(2060399-273)

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

Research on Built-up Area Extraction via Brightness Correction Indexes based on Two Kinds of Nighttime Light Images

  • YAN Qingwu , 1, * ,
  • LI Fei 1 ,
  • LI Ling 2
Expand
  • 1. School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China
  • 2. Urban Planning and Design Institute of Xuzhou, Xuzhou 221000, China
*YAN Qingwu, E-mail:

Received date: 2020-03-20

  Request revised date: 2020-05-12

  Online published: 2020-10-25

Supported by

Open Fund of State Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University(18T03)

Science and technology project of Inner Mongolia Autonomous Region(2060399-273)

Copyright

Copyright reserved © 2020
Fold

摘要

夜间灯光影像容易受到道路灯光、水面散射等影响而产生背景噪声,这一定程度上影响了利用夜间灯光数据提取建成区的精度。本文基于夜间灯光影像的DN（Digital Number）值与路网密度正相关、与EVI指数（Enhanced Vegetation Index,增强型植被指数）呈负相关的规律,提出了2种可用于建成区提取的夜间灯光亮度修正指数：EVI夜间灯光亮度修正指数EANI (EVI Adjusted Nighttime Light(NTL) Index)和基于道路网密度与EVI指数的夜间灯光亮度修正指数REANI (Road Density & EVI Adjusted NTL Index),并利用珞珈1号卫星（LJ1-01,分辨率约130 m）影像和NPP-VIIRS影像（分辨率约 500 m） 2种不同空间分辨率夜间灯光遥感影像进行验证。以2018年徐州市建成区为研究对象,分区域（主城区、外围区）利用阈值法对2种原始夜间灯光影像、经EANI指数和REANI指数处理后的影像进行建成区提取,得到6种建成区提取的结果。研究表明： ① EANI指数和REANI指数能够有效抑制夜间灯光影像的背景噪声,建成区提取的结果均优于直接利用原始影像的结果,特别是对于城市化水平较低地区的建成区提取效果更佳;② 相较于NPP-VIIRS影像,利用LJ1-01影像提取建成区的效果提高6%左右,说明我国的LJ1-01夜间灯光影像在建成区提取方面有广阔的应用前景。EANI和REANI为建成区提取提供了有效工具,并可应用于城市规划和城市扩张等研究领域。

关键词： 夜间灯光影像; 珞珈01星影像; NPP-VIIRS影像; EANI; REANI; 去噪; 建成区提取; 徐州市

本文引用格式

闫庆武 , 厉飞 , 李玲 . 基于2种夜间灯光影像亮度修正指数的城市建成区提取研究[J]. 地球信息科学学报, 2020 , 22(8) : 1714 -1724 . DOI: 10.12082/dqxxkx.2020.200128

Abstract

Nighttime light data are widely used to monitor human activities from space, such as urban development, population density simulation, energy gas emissions, power consumption, human activities and effects, economic development level, and ecological environment. However, due to road lights and light scattering from water surface, Nighttime Light (NTL) images always contain a lot of background noises. These background noises may greatly limit the application of nighttime light images in built-up area extraction. In our paper, based on high-resolution nighttime light images of Lujia1-01 from China and NPP-VIIRS from the United States in the second half of 2018, the Enhanced Vegetation Index (EVI) Adjusted NTL Index (EANI) and Road Density & EVI Adjusted NTL Index (REANI) were proposed to reduce background noises and applied to built-up area extraction. The EANI and REANI were developed based on the law that the Digital Number (DN) values of the nighttime light images are positively correlated with road density and negatively correlated with the EVI. In this paper, the Xuzhou city of China was selected as the research area. The threshold method was used to extract built-up areas in the main city and the peripheral area from the original LJ1-01 and NPP-VIIRS images, and the images processed by the EANI and the REANI, respectively. The results show that: (1) both EANI and REANI can effectively reduce background noises in nighttime light images. The results extracted from images processed by these two indexes were much better than that from the original NTL images, especially for the low urbanization areas; and (2) LJ1-01 performed better than NPP-VIIRS in built-up area extraction. Due to the higher spatial resolution of LJ1-01 data, the accuracy of extracted built-up areas from LJ1-01 was much higher than that from NPP-VIIRS in low-level urbanization areas, but was about the same with NPP-VIIRS in areas with high urbanization levels. Through error analysis, the relative error of extracted built-up areas from LJ1-01 decreased by about 6%, which indicates that LJ1-01 nighttime light image is promising for future built-up area extraction. Also, both EANI and REANI provide effective tools for the extraction of built-up areas and could be further applied to researches such as urban planning and urban expansion.

Key words： Nighttime Light Images; LJ1-01 Images; NPP-VIIRS Images; EANI; REANI; denoise; built-up area extraction; Xuzhou City

1 引言

夜间灯光强度能够直观地反映人类活动强度,夜间灯光遥感逐步成为遥感科学的一个重要分支,被广泛应用于诸多的自然科学和社会科学领域。实践证明,相对于普通的遥感卫星影像,夜间灯光影像所记录的NTL（Nighttime Light）亮度信息与城市化、环境污染水平、经济发展水平、人口密度分布等正相关,与植被覆盖等环境因子负相关,因此NTL信息在人类活动区域差异及变化检测方面具有比较大的优势,能够更直接反映人类活动区域差异[1],因此被广泛应用于与经济地理、人文地理、环境科学等相关的科研领域,如城市结构、扩展及进程研究[2,3,4,5]、不透水面或城市建成区的提取[6,7,8,9]、环境质量评估或PM2.5估算[10,11,12,13]、社会经济指标如人口、GDP空间化[14,15,16,17]等。
20世纪70年代美国启动了国防气象卫星计划（Defense Meteorological Satellite Program, DMSP）,部分卫星搭载了线性扫描业务系统（Operational Linescan System, OLS）,该传感器具有独特的低光成像能力,可用来捕获夜间地表微弱的灯光辐射[18],第4版稳定的OLS灯光产品可以提供空间分辨率为1 km,1992—2012年的长时间序列年度无云影像,为人类活动的探测提供了独一无二的全球视角[19]。从2013年起,新一代夜间灯光数据NPP-VIIRS（Suomi National Polar-Orbiting Partnership's Visible Infrared Imaging Radiometer Suite）将空间分辨率提高到500 m,影像宽度约3000 km,它的出现有效地弥补了DMSP/OLS夜间灯光数据在空间分辨率、时间分辨率和辐射分辨率等方面的短板,极大地拓展了夜间灯光数据的研究方向和应用领域[1]。2018年6月武汉大学研制的兼有夜光遥感和导航增强的珞珈一号科学实验卫星01星成功发射,并开始提供130 m分辨率、250 km幅宽的灯光影像[20,21],大大提高夜光遥感影像的空间和时间分辨率,具有广阔的应用前景。
由于NPP-VIIRS和LJ1-01夜间灯光影像的时间与空间分辨率高,容易受到道路灯光、水面的影响,而产生背景噪声,一定程度上影响数据在社会经济方面应用的精度。NPP-VIIRS的月度产品没有经过去噪处理,研究其亮度修正方法具有一定的意义。由于LJ1-01夜间灯光影像提供服务时间较短,目前也还没有专门针对其噪声去除方面的研究成果。对于NPP-VIIRS背景噪声的去除,目前主要有2类方法：① 使用不存在背景噪声和不稳定光源夜间灯光影像作为掩膜,提取NPP-VIIRS夜间灯光数据上的有效亮度值,如陈颖彪等[1]、柴子为等[22]提取DMSP-OLS中DN值为非0的像元,生成掩膜,将NPP-VIIRS数据的掩膜外数值归为0,从而实现背景噪声的去除;② 基于先验知识的去噪法[23],在提取最小灯光阈值（大面积水域）后,使用该阈值实现背景噪声的剔除。但是,夜间灯光空间分布的异质性很大,而且对于高分辨率LJ1-01夜间灯光影像,道路、水面等噪声比较明显,上述2种方法的使用具有很大的局限性。因此,有必要寻找一种可能用于不同区域背景下的噪声去除方法,以提高建成区提取的精度。
本文拟基于夜间灯光亮度与人为活动强度如道路网密度呈正相关、与植被覆盖如增强型植被指数呈负相关的先验认识,构建一种可用于区域异质性大、背景噪声多的灯光数据处理方法,即提出2种夜间灯光亮度修正指数用于基于阈值法建成区提取,分析夜间灯光修正前后的建成区提取精度变化。

2 研究方法

已有研究表明,夜间灯光影像DN值的大小与植被指数呈负相关[24,25,26],与道路网密度[27]、POI密度[28]呈正相关,基于此,本文提出了可用于高分辨率夜间灯光影像背景噪声去除的EANI指数和 REANI 指数。

2.1 EANI指数

考虑到城市不透水层、建成区的分布与植被密度呈负相关关系,Zhang等[29]基于NDVI指数提出了修正的城市夜间灯光指数VANUI（Vegetation Adjusted NTL Urban Index）方法,公式如下：
VANUI = ( 1.0 - NDVI ) × NTL
式中：NTL为DMSP/OLS夜间灯光影像的亮度值;NDVI为研究区年均合成的归一化植被指数。VANUI采用年度平均NDVI来降低NTL的饱和度并增加NTL城市间的变异性,得到比较广泛的应用。MODIS EVI是对NDVI的发展和延续,减弱了大气和土壤背景对植被指数的影响,避免了高植被覆盖区域的饱和问题[30,31]。相应地,可以定义基于EVI指数的夜间灯光亮度修正指数EANI：
EANI = ( 1.0 - EVI ˜ ) × NTL
式中： EVI ˜ 为经过min-max标准化的EVI指数,其取值范围为[0, 1]。

2.2 REANI指数

EANI利用单一的植被指数作为修正参数,仅仅考虑了植被这一自然因子的空间分布差异而忽略了人为因素的影响,如一些林荫大道的EVI很高,可能就会降低该区域的NTL值,导致植被覆盖程度与灯光强度之间负相关的绝对稳定性将会对灯光修正产生影响。一般地,道路交通越发达的地方,人口密度越大,灯光亮度就越大,相反亦然。因此可以借助EVI和路网密度2个因素对夜间灯光修正,以达到去除背景噪声的目的。为此,定义基于道路网密度和EVI指数的夜间灯光亮度修正指数REANI指数如下：
REANI = ( 1.0 - EVI ˜ ) × Ro adD × NTL
式中： RoadD 为经过min-max标准化的道路网密度,其取值范围为[0, 1];其他符号含义同上。
EANI指数和REANI指数的计算和建成区提取的主要流程如图1所示。
图1 基于LJ1-01和NPP-VIIRS夜间灯光影像的城市建成区提取技术流程

Fig. 1 Technical flow chart of the urban built-up area extraction based on LJ1-01 and NPP-VIIRS images

具体计算步骤包括：① 统一投影及配准。将所有的影像数据都统一至等角圆柱投影（WGS_1984_UTM_Zone_50N）。② 数据归一化。将道路网密度和EVI指数采用min-max方法标准化,归一化后值域范围为[0, 1]。③ 采用栅格计算器,运用式（2）和（3）分别构建EANI指数和REANI指数。

2.3 模型的相对误差及绝对误差

δ = ∑ i = 1 34 Extrac t i - Rea l i
δ ˜ = ∑ i = 1 34 Extrac t i - Rea l i Total
式中： δ 为绝对误差,其含义为每个单元提取的建成区面积与真实的建成区面积差的绝对值之和, Extrac t i 为i单元采用阈值法提取的建成区面积; Rea l i 为从规划部门获取的i单元的建成区面积; Total 为真实值之和, δ ˜ 为相对误差。

3 实验区概况、数据来源及处理

3.1 实验区概况

选择徐州市区作为研究区域,包括铜山区、泉山区、贾汪区、鼓楼区、云龙区5个行政区,共48个办事处和23个镇,总面积为3037.61 km2,2018年底全市森林覆盖率达32.6%,主要分布在东北及东南的低丘地区,等级以上的道路长度达15 798 km,全市道路网密度1.4 km/km2。根据2017年国务院批复的最新的城市规划[32],中心城区面积为573 km2,包括2个中心（老城中心、新城中心）和6个大片区（九里山片区、、金山桥片区、坝山片区、城东片区、翟山片区、铜山片区）。研究单元采用主城区的8个功能区、23个镇、贾汪城区、三堡办事处和开发区的徐庄社区,共计34个单元,如图2所示。
图2 2018年徐州市区行政单元及基本要素示意

Fig. 2 Schematic map of the administrative units and basic elements of Xuzhou City in 2018

3.2 数据来源及处理

本文采用的高精度夜间灯光影像分别来自于美国海洋大气管理局（NOAA）的极轨业务环境卫星NPP-VIIRS[33]和武汉大学“珞珈一号”科学实验卫星01星[34]。LJ1-01和NPP-VIIRS数据主要参数如表1所示。其中,NPP-VIIRS数据采自于2018年7—12月的月均数据,采用DNB（day /night band）全色波段（SVDNB）数据,该数据可以提供夜间灯光辐射值的信息。NPP的月平均数据为每月无云时段观测数据的平均值,没有滤筛极光、火光、船只和其他的背景灯光,为了缓解一些软件包在原始单元中使用非常小的数字时遇到的问题而对研究结果产生影响[35],只是将原始DNB（day /night band）辐射值乘以109。截止目前,覆盖研究区的LJ1-01数据主要有2018年7月15日、7月31日、9月6日、9月27日和11月23日共5个时间段,由于11月23日的云量大,本研究采用另外4个时段的影像作为数据源。分别采用平均值合成算法处理上述NPP-VIIRS和LJ1-01数据,并用研究区进行掩膜提取,结果如图3（a）—3（b）所示。
图3 研究区预处理后的夜间灯光数据、EVI数据和道路网密度数据

Fig. 3 Pre-processed data of NTL, EVI, and Road Density in the study area

表1 LJ1-01和NPP-VIIRS主要参数

Tab. 1 Introduction to Specifications of LJ1-01 and NPP-VIIRS data

参数 LJ1-01 NPP-VIIRS
空间分辨率/m 130 500
幅宽/km 250 3000
光谱范围/μm 0.46~0.98 0.5~0.9
辐射分辨率/bits 14 14
可获取时间段 2018年6月至今 2012年至今
增强型植被指数（Enhanced Vegetation Index,EVI）数据源自全球MYD13A3数据提供每月1 km分辨率的3级正弦曲线投影网格产品[36],空间分辨率1000 m×1000 m。共下载了2018年7—12月的共6个月的逐月产品,采用平均值合成算法得到EVI,将EVI≤0的像元（主要为水体及水体边缘的混合像元）用0代替,用min-max进行标准化,并用研究区作掩膜进行提取,结果如图3（c）所示。
y i = x i - min 1 ≤ j ≤ n { x j } max 1 ≤ j ≤ n { x j } - min 1 ≤ j ≤ n { x j }
式中： x 1 , x 2 , ⋯ , x n 为变换前的数列,新数列 y 1 , y 2 , ⋯ , y n ∈ [0, 1]且无量纲。乡镇的建成区面积统计数据来自《徐州统计年鉴》[37]和徐州市规划局。道路网数据来自高德地图（https://lbs.amap.com/） （图2）,选取高速公路、国道、省道、城市干道与其他道路,利用ArcGIS核密度函数,采用1 km搜索半径得到研究区的路网密度,栅格采用与LJ1-01大小一致网格,并采用式（6）将数据标准化至[0, 1],结果如图3（d）所示。

4 结果及分析

采用四分位法对经过背景噪声滤波后的灯光影像分10类,制作专题地图（图4）。并采用阈值法,针对2种夜间灯光数据的原始影像、EANI指数处理后的影像和REANI指数处理后的影像共6种情况,采用阈值法分研究区、主城区、外围区3种情形分别提取建成区。
图4 经过EANI和REANI修正前后的徐州市区LJ1-01和NPP-VIIRS夜间灯光影像对比

Fig. 4 Comparison of LJ1-01 and NPP-VIIRS nighttime light images of Xuzhou City before and after correction by EANI and REANI

4.1 2种夜间灯光影像的对比

LJ1-01影像中高值主要集中在主城区和贾汪区,能较好地反映城区的轮廓。但是不能反映城区内部的结构特征,内部结构模糊不清,而且影像中存在大量的噪声斑点分布在研究区中（图4（a））。经过EANI和REANI指数修正后的LJ1-01影像中噪声斑点显著减少,增强了主城区的内部结构特征,街道信息清晰可见（图4（c）、图4（e））。相较于LJ1-01影像,NPP-VIIRS影像的空间分辨率较低,因此从图4（b）中可看出NPP-VIIRS影像在高度城市化地区有比较明显的灯光溢出现象,致使在城镇的边界模糊（尤其是城市滨水景观地带）、部分农村地区亮度值较大、城市内部的湖泊或山体的灯光亮度也较高,大量连片的背景噪声待去除。经过EANI和REANI指数修正后的NPP-VIIRS影像中溢出效应明显减弱,背景噪声被有效去除。城区的边界更加清晰,部分农村地区的异常高值也被修正。相比之下,经REANI指数修正后的2种夜间灯光影像噪声去除更明显,灯光修正效果更好（图4（e）-图4（f））。选取云龙湖风景区和国道104张集段处理前后的影像作细节对比展示,如图5所示。由于灯光溢出效应,LJ1-01和NPP-VIIRS影像中的云龙湖部分被周围灯光高值影响,影像无法反映云龙湖的轮廓。经过2种指数修正后,其轮廓特征能够较好地从影像中反映。在国道104张集段周围,LJ1-01和NPP-VIIRS影像均存在大量背景噪声。从图5（b）可看出,2种指数有效地修正背景噪声,并且较好地保留了道路灯光信息。可见经过2种指数的背景噪声滤波后, 2种影像的灯光溢出现象均有明显好转,并且能够很好地反映城市结构特征。
图5 经过EANI和REANI修正前后的LJ1-01和NPP-VIIRS夜间灯光影像细节对比

Fig. 5 Detail comparison of LJ1-01 and NPP-VIIRS nighttime light images before and after correction by EANI and REANI

4.2 基于阈值法的建成区提取及误差分析

根据徐州市规划局提供的相关数据,2018年徐州市主城区的八大片区的建成区面积约为31 619 hm2。根据徐州市统计年鉴数据,2018年市区的外围区的建成区面积为12 696 hm2,整个研究区的建成区面积为44 315 hm2。分别以研究区域（主城区+外围区）、主城区和外围区为研究对象,以其建成区总面积为约束条件,提取建成区。2种夜间灯光影像及经过EANI、REANI修正后的影像提取的阈值和提取结果如表2所示。
表2 阈值法分区域提取建成区结果

Tab. 2 Results of Built-up Areas Extraction by Threshold Value Methods

区域 参数 LJ1-01 NPP-VIIRS
原始影像 EANI REANI 原始影像 EANI REANI
研究区 阈值 8100 3900 2200 6.5 2.85 1.56
提取的栅格数/个 24 663 24 640 24 644 2489 2491 2488
提取面积/hm2 44 757.20 44 715.80 44 725.19 44 089.88 47 648.23 47 618.50
主城区 阈值 11 400 5950 3950 9 4.1 2.7
提取的栅格数/个 17 355 17 355 17 320 1775 1784 1778
提取面积/hm2 31 503.36 31 503.13 31 439.77 31 461.57 34 154.06 34 039.53
外围区 阈值 5780 2570 1315 4.73 2.07 1.03
提取的栅格数/个 6963 6954 6970 713 716 716
提取面积/hm2 12 619.05 12 602.21 12 634.82 12 610.09 13 649.56 13 684.48
将主城区和外围区2次提取的结果合并在一起,得到基于LJ1-01和NPP-VIIRS数据的原始影像、EANI修正和REANI修正3种情形6种提取结果。对每种结果均按34个研究单元进行统计建成区面积。采用式（4）和式（5）分别计算建成区提取的绝对误差和相对误差,统计结果如表3所示。
表3 阈值法分区提取建成区误差统计

Tab. 3 Error Analysis of Built-up Areas Extraction by Threshold Value Methods

区域 LJ1-01 NPP-VIIRS
原始影像 EANI REANI 原始影像 EANI REANI
绝对误差/hm2 主城区+外围区 16 514 16 739 15 171 19 257 19 263 17 802
主城区 6959 7441 6911 7032 7476 6929
外围区 9555 9298 8260 12 225 11 787 10 873
相对误差/% 主城区+外围区 37.27 37.77 34.23 43.45 43.47 40.17
主城区 22.01 23.53 21.86 22.24 23.64 21.91
外围区 75.26 73.24 65.06 96.29 92.84 85.64
结果表明：① 整体上看,LJ1-01数据提取的结果比NPP-VIIRS效果要好一些,相对误差能够减少6%左右,其在主城区稍有提高,但是对于外围区（城市化水平不高的区域）提高的幅度则较大一些。 ② 经过2种指数处理后的结果比原始影像效果均有所提高。其中,EANI指数处理后的结果在外围区有所提高;REANI指数处理后的结果在整个研究区均有提高,在外围区的效果提升尤其显著,相对误差减少了10%左右。由于EVI值在裸土像元接近0,但该类像元在主城区NTL的DN值较高,因此造成EANI在主城区的修正效果不理想,提取的结果误差略有增加。但是,EANI在反映城市边界信息、内部结构方面表现出色,依旧可以应用于建成区提取。综上,提出的2种指数对于高精度夜间灯光数据的背景噪声的抑制有良好效果,在利用夜间灯光数据进行建成区提取等方面具有一定的应用前景。

5 结论与讨论

5.1 结论

本文基于夜间灯光影像的DN值与路网密度呈正相关、与EVI指数呈负相关的规律,提出了两种针对不同分辨率夜光遥感影像去除背景噪声的方法：EANI指数和REANI指数;并采用这2个指数对LJ1-01和NPP-VIIRS 2种不同空间辨率的夜间灯光影像进行亮度修正;采用阈值法按研究区、主城区和外围区3种情形实现了徐州市区的建成区,得到了6种提取结果并与真实值进行对比,主要结论如下：
（1）EANI指数是采用EVI指数来修正的夜间灯光亮度的指数;REANI指数是在EANI指数的基础之上引入了路网密度变量,从植被覆盖和路网密度两方面修正夜间灯光亮度的指数。结果表明：EANI指数和REANI指数均能够有效地去除夜间灯光影像中由水面、路灯等产生的背景噪声。并且,采用2种指数修正后的LJ1-01和NPP-VIIRS影像较好地提高了阈值法提取建成区的效果。在外围区,EANI指数处理后的结果较处理前相对误差减少约3%,REANI指数处理后的结果较处理前相对误差减少约10%。
（2）对比处理前后的2种夜间灯光影像,LJ1-01均优于NPP-VIIRS,显示了该数据在未来的相关学科研究中具有更为广阔的应用空间。由于LJ1-01影像分辨率较高,对于城市化水平低的地区的建成区提取精度大大高于NPP-VIIRS,相对误差减少约20%,但是在城市化水平高的地区优势不明显。

5.2 讨论

本文选择的研究区范围较大,城市化水平差异明显,具有较好的代表性。2种指数在研究区均取得较好的效果,表明其具有良好的适用性,因此可被用于其它地区。LJ1-01影像提供服务的时间较短,其应用研究的成果不多,本文仅仅对比了2种夜间影像在提取建成区方面的差异,对于其他社会经济指标的反演没有涉及。文中所提出的2种灯光亮度修正指数仅考虑了植被覆盖与道路网密度方面的影响,在以后的研究工作中有必要引入更多影响因素,如反映人类活动强度的数据如POI、人口热力图等LBS（Location Based Services）数据或地表温度数据,以提高反演精度。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陈颖彪, 郑子豪, 吴志峰, 等. 夜间灯光遥感数据应用综述和展望[J]. 地理科学进展, 2019,38(2):205-223.

[ Chen Y B, Zheng Z H, Wu Z F, et al. Review and prospect of application of nighttime light remote sensing data[J]. Progress in Geography, 2019,38(2):205-223. ]

[2]
高宁, 盖迎春, 宋晓谕. 基于夜间灯光数据的西安市城市扩张及驱动因素研究[J]. 遥感技术与应用, 2019,34(1):207-215.

[ Gao N, Ge Y C, Song X Y. Study of urban expansion and driving factors in Xi'an City based on nighttime light data[J]. Remote Sensing Technology and Application, 2019,34(1):207-215. ]

[3]
Zheng Q M, Zeng Y, Deng J S, et al. "Ghost cities" identification using multi-source remote sensing datasets: A case study in Yangtze River Delta[J]. Applied Geography, 2017,80:112-121.

[4]
张志刚, 张安明, 郭欢欢. 基于DMSP/OLS夜间灯光数据的城乡结合部空间识别研究—以重庆市主城区为例[J]. 地理与地理信息科学, 2016,32(6):37-42.

[ Zhang Z G, Zhang A M, Guo H H. Spatial recognition of the urban-rural fringe based on DMSP/OLS nighttime light data: A case study of the main urban areas of Chongqing[J]. Geography and Geo-information Science, 2016,32(6):37-42. ]

[5]
李德仁, 余涵若, 李熙. 基于夜光遥感影像的“一带一路”沿线国家城市发展时空格局分析[J]. 武汉大学学报·信息科学版, 2017,42(6):711-720.

[ Li D R, Yu H R, Li X. The spatial-temporal pattern analysis of city development in countries along the Belt and Road Initiative based on nighttime light data[J]. Geomatics and Information Science of Wuhan University, 2017,42(6):711-720. ]

[6]
王磊, 陈锐志, 李德仁, 等. 珞珈一号低轨卫星导航增强系统信号质量评估[J]. 武汉大学学报·信息科学版, 2018,43(12):2191-2196.

[ Wang L, Chen R Z, Li D R. et al. Quality assessment of the LEO Navigation Augmentation signals from Luojia-1A satellite[J]. Geomatics and Information Science of Wuhan University, 2018,43(12):2191-2196. ]

[7]
王若曦, 李建, 李熙, 等. DMSP夜间灯光数据与Landsat 数据结合的建成区提取研究——以江西省为例[J]. 华中师范大学学报(自然科学版), 2018,52(1):130-136,146.

[ Wang R X, Li J, Li X, et al. Extraction of built-up areas using combination of Landsat and DMSP data: A case study of Jiangxi Province[J]. Journal of Central China Normal University, 2018,52(1):130-136,146. ]

[8]
邹进贵, 陈艳华, 丁鸽, 等. 利用DMSP/OLS灯光影像提取城镇建成区的聚类阈值法[J]. 武汉大学学报·信息科学版, 2016,41(2):196-201.

[ Zou J G, Chen Y H, Ding G, et al. A clustered threshold method for extracting urban built-up area using the DMSP/OLS nighttime images[J]. Geomatics and Information Science of Wuhan University, 2016,41(2):196-201. ]

[9]
Wei G, Lu D S, Wu Y L, et al. Mapping impervious surface distribution with integration of SNNP VIIRS-DNB and MODIS NDVI data[J]. Remote Sensing, 2015,7(9):12459-12477.

[10]
郭忻怡, 闫庆武, 谭晓悦, 等. 基于DMSP/OLS与NDVI的江苏省碳排放空间分布模拟[J]. 世界地理研究, 2016,25(4):102-110.

[ Guo X Y, Yan Q W, Tan X Y, et al. Spatial distribution of carbon emissions based on DMSP/OLS nighttime light data and NDVI in Jiangsu Province[J]. World Regional Studies, 2016,25(4):102-110. ]

[11]
Li, R, Liu, X, Li, X. Estimation of the PM2.5 pollution levels in Beijing based on nighttime light data from the Defense Meteorological Satellite Program-Operational Linescan System[J]. Atmosphere, 2015,6:607-622.

[12]
赵笑然, 石汉青, 杨平吕, 等. NPP卫星VIIRS微光资料反演夜间PM2.5质量浓度[J]. 遥感学报, 2017,21(2):291-299.

[ Zhao X R, Shi H Q, Yang P L, et al. Inversion algorithm of PM2.5 air quality based on nighttime light data from NPP/VIIRS[J]. Journal of Remote Sensing, 2017,21(2):291-299. ]

[13]
郭恒亮, 杨硕, 赫晓慧, 等. 基于夜间灯光数据的郑州市大气污染暴露强度研究[J]. 河南理工大学学报(自然科学版), 2019,38(3):81-88.

[ Guo H L, Yang S, He X H, et al. Study on the exposure intensity of air pollution in Zhengzhou City based on nighttime lighting[J]. Journal of Henan Polytechnic University, 2019,38(3):81-88. ]

[14]
黄杰, 闫庆武, 刘永伟. 基于DMSP/OLS与土地利用的江苏省人口数据空间化研究[J]. 长江流域资源与环境, 2015,24(5):735-741.

[ Huang J, Yan Q W, Liu Y W. Modeling the population density of Jiangsu Province based on DMSP/OLS satellite imagery and land use data[J]. Resources and Environment in the Yangtze Basin, 2015,24(5):735-741. ]

[15]
Zhao N Z, Hsu F, Cao G F, et al. Improving accuracy of economic estimations with VIIRS DNB image products[J]. International Journal of Remote Sensing, 2017,38(21):5899-5918.

[16]
卢秀, 李佳, 段平, 等. 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.

[ Lu X, Li J, Duan P, et al. Spatial difference of GDP in Yunnan border area based on nighttime light and land use data[J]. Journal of Geo-information Science, 2019,21(3):455-466. ]

[17]
顾鹏程, 王世新, 周艺, 等. 基于时间序列DMSP/OLS夜间灯光数据的GDP预测模型[J]. 中国科学院大学学报, 2019,36(2):188-195.

[ Gu P C, Wang S X, Zhou Y. et al. Estimation of GDP based on long time series of DMSP/OLS nighttime light images[J]. Journal of University of Chinese Academy of Sciences, 2019,36(2):188-195. ]

[18]
李德仁, 李熙. 论夜光遥感数据挖掘[J]. 测绘学报, 2015,44(6):591-601.

[ Li D R, Li X. An overview on data mining of nighttime light remote sensing[J]. Acta Geodaetica et Cartographica Sinica, 2015,44(6):591-601. ]

[19]
卓莉, 张晓帆, 郑璟, 等. 基于EVI指数的DMSP/OLS夜间灯光数据去饱和方法[J]. 地理学报, 2015,70(8):1339-1350.

[ Zhuo L, Zhang X F, Zheng J, et al. An EVI-based method to reduce saturation of DMSP/OLS nighttime light data[J]. Acta Geographica Sinica, 2015,70(8):266-276. ]

[20]
郭晗. 珞珈一号科学试验卫星[J]. 卫星应用, 2018,79(7):70.

[ Guo H. Luojia-1scientific experiment satellite[J]. Satellite Application, 2018,79(7):70. ]

[21]
Zhang G, Wang J, Jiang Y, et al. On-orbit geometric calibration and validation of Luojia 1-01 night-light satellite[J]. Remote Sensing, 2019,11(3), 264.

[22]
柴子为, 王帅磊, 乔纪纲. 基于夜间灯光数据的珠三角地区镇级GDP估算[J]. 热带地理, 2015,35(3):379-385.

[ Chai Z W, Wang S L, Qiao J G. Township GDP estimation of the Pearl River Delta based on the NPP/VIIRS night-time satellite data[J]. Tropical Geography, 2015,35(3):379-385. ]

[23]
唐梁博, 崔海山. 基于NPP-VIIRS 夜间灯光数据和Landsat-8 数据的城镇建筑用地提取方法改进:以广州市为例[J]. 测绘与空间地理信息, 2017,40(9):69-73.

[ Tang L B, Cui H S. Improvement of urban construction land extraction method based on NPP/VIIRS nighttime light data and Landsat-8 data: A case study of Guangzhou City[J]. Geomatics & Spatial Information Technology, 2017,40(9):69-73. ]

[24]
Weng Q, Lu D, Liang B. Urban surface biophysical descriptors and land Surface temperature variations[J]. Photogrammetric Engineering & Remote Sensing, 2006,72(11):1275-1286.

[25]
Jiang S, Li J, Duan P, et al. An image layer difference index method to extract light area from NPP/VIIRS nighttime light monthly data[J]. International Journal of Remote Sensing, 2019,40(11-12):4839-4855.

[26]
Pozzi F, Small C. Analysis of urban land cover and population density in the United States[J]. Photogrammetric Engineering & Remote Sensing, 2005,71(6):719-726.

[27]
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.

[ 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. ]

[28]
郑洪晗, 桂志鹏, 栗法, 等. 夜间灯光数据和兴趣点数据结合的建成区提取方法[J]. 地理与地理信息科学, 2019,35(2):25-32.

[ Zheng H H, Gui Z P, Li F, et al. Urban built-up area extraction method based on nighttime light images and point of interest data[J]. Geography and Geo-information Science, 2019,35(2):25-32. ]

[29]
Zhang Q, Schaaf C, Seto K. The vegetation adjusted NTL urban index: A new approach to reduce saturation and increase variation in nighttime luminosity[J]. Remote Sensing of Environment, 2013,129:32-41.

[30]
李文梅, 覃志豪, 李文娟, 等. MODIS NDVI与MODIS EVI的比较分析[J]. 遥感信息, 2016(6):73-78.

[ Li W M, Qin Z H, Li W J, et al. Comparison and analysis of MODIS NDVI and MODIS EVI[J]. Remote Sensing Information, 2016(6):73-78. ]

[31]
李晓香, 张文, 孟令奎. 河南地区VIIRS NDVI与EVI特性对比与分析[J]. 地理空间信息, 2019,17(1):16-19,10.

[ Li X X, Zhang W, Meng L K. Study on the relationship between VIIRS NDVI and VIIRS EVI in Henan[J]. Geospatial Information, 2019,17(1):16-19,10. ]

[32]
徐州市人民政府. 徐州市城市总体规划(2007-2020)(2017年修订)[EB/OL]. http://www.xz.gov.cn/zgxz/zwgk/20101117/008004005_197967e6-c1bb-461c-8ac4-a20- 6056eadf0.html, 2019-07-12.

[ Xuzhou Municipal People's Government. Xuzhou City master plan (2007-2020) (revised in 2017)[EB/OL]. http://www.xz.gov.cn/zgxz/zwgk/20101117/008004005_197967e6-c1bb-461c-8ac4-a20- 6056eadf0.html, 2019-07-12.]

[33]
National Oceanic and Atmospheric Administration (NOAA) National Centers for Environmental Information (NCEI)Earth Observations Group (EOG). Version 1 VIIRS day/night band nighttime lights [DB/OL]. https://ngdc.noaa.gov/eog/viirs/download_dnb_composites.html, 2019-07-12.

[34]
高分辨率对地观测系统湖北数据与应用中心. 珞珈一号01星夜间灯光产品[DB/OL]. http://59.175.109.173:8888/index.html, 2019-07-12.

[ Hubei Data and Application Center of High Resolution Earth Observation System. Luojia 1-01 nighttime light products [EB/OL]. http://59.175.109.173:8888/index.html, 2019-07-12.]

[35]
钟亮, 刘小生, 杨鹏. SNPP-VIIRS夜间灯光影像去噪方法研究[J]. 测绘通报, 2019(3):21-26.

[ Zhong L, Liu X S, Yang P. Method for SNPP-VIIRS nighttime lights images denoising[J]. Bulletin of Surveying and Mapping, 2019(3):21-26. ]

[36]
National Aeronautics and Space Administration (NASA)Level-1 and Atmosphere Archive & Distribution System ( LAADS ) Distributed Active Archive Center ( DAAC ). MYD13A1-MODIS/Aqua vegetation indices monthly L3global 250 m SIN grid[DB/OL]. https://ladsweb.modaps.eosdis.nasa.gov/api/missions-and-measurements/product/MOD13Q1 2019-07-12.

[37]
徐州市统计局. 徐州统计年鉴2019[M]. 北京: 中国统计出版社, 2019.

[ Xuzhou Statistics Bureau. Xuzhou statistical yearbook 2019[M]. Beijing: China Statistics Press, 2019. ]

Options
文章导航

/

〈 〉