EN中文

Journal of Geo-information Science >

2020 , Vol. 22 >Issue 8: 1679 - 1691

DOI: https://doi.org/10.12082/dqxxkx.2020.190397

Correction of DMSP/OLS Stable Night Light Images in China

  • ZHANG Baifa , 1 ,
  • MIAO Changhong , 1, 2, 3, * ,
  • SONG Yaning 4 ,
  • WANG Juanjuan 2
Expand
  • 1. Collaborative Innovation Center on Yellow River Civilization, Henan University, Kaifeng 475000, China
  • 2. Key Research of Yellow River Civilization and Sustainable Development, Henan University, Kaifeng 475000, China
  • 3. The College of Environment and Planning, Henan University, Kaifeng 475000, China
  • 4. School of Economics and Management, Nanchang University, Nanchang 330031, China
*MIAO Changhong, E-mail:

Received date: 2019-07-25

  Request revised date: 2019-11-11

  Online published: 2020-10-25

Supported by

National Natural Science Foundation of China(41430637)

Copyright

Copyright reserved © 2020
Fold

Abstract

With the rapid development of remote sensing technology, the night light image of Defense Meteorological Satellite Program Scanning System (DMSP/OLS) has been more and more applied in the research of humanist economics. Since there are many problems in the original images, such as the saturation of DN value and inter-annual discontinuity, it is necessary to correct those data before using them. "Traditional invariant region method" is a widely-using correction method, but there are still some problems, such as not taking into account the weak changes from the prospect of a long-time scale of the target region and the selection of the reference year in a continuous correction. In this paper, the traditional invariant region method was improved. In order to reduce the impact on correction results, caused by the small changes of the target region in a long time scale, and to improve the saturation of the original images, the stable night light images of DMSP/OLS were saturation corrected with the help of selecting three group data (F12_1999, f14-15_2003 and F16_2006) as reference images. By the comparison between saturation corrected images and reference images, the reasonable reference year, F15_2006 (after the saturation correction), with the minimum error was selected, so as to carry out the continuous correction of the saturation corrected images. To verify the correction precision of images, in this paper, pixel DN value test was carried out at the national level. And linear regression test was carried out in the corresponding TDN value between GDP at the provincial level, electricity consumption at the provincial level, GDP at the prefecture-level and at the county level, at the same time, compared with the other published correction results such as Cao Z Y[25], results shew that the average fit R² between the improved DMSP/OLS stable night light images TDN and the city's GDP was 0.85 while the average fit R² between the results with the traditional invariant region method and with city GDP was only 0.53. As time goes by, the fitting degree of the traditional invariant region method gradually decreased to 0.40 in 2013. However, the fitting degree using the improved correction method did not decrease. In 2013, the R² was 0.88, which indicated that compared with the traditional invariant region method, the correction accuracy was significantly improved and the saturation problem was greatly improved. At the same time, the fitting degree of TDN and GDP on the county scale was about 0.6, indicating that the night light image data set on the county scale also had certain applicability. However, this approach did not completely solve the problem of pixel saturation. How to solve this problem perfectly is the core in the application research of noctilucent data in the future.

Key words： night light images; DMSP/OLS; traditional invariant region method correction; correction; fitting; GDP; electricity consumption; contrast test

Cite this article

ZHANG Baifa , MIAO Changhong , SONG Yaning , WANG Juanjuan . Correction of DMSP/OLS Stable Night Light Images in China[J]. Journal of Geo-information Science, 2020 , 22(8) : 1679 -1691 . DOI: 10.12082/dqxxkx.2020.190397

1 引言

美国国防气象卫星（Defense Meteorological Satellite Program,DMSP）搭载的业务型线扫描传感器（Operational Linescan System,OLS）最初主要是用来气象监测,捕捉夜间云层反射的微弱月光,后来由于其独特的光点放大能力使其能够在夜间探测到地表微弱的近红外辐射[1],可以捕捉到无云状态下的夜间城镇灯光[2]。DMSP/OLS影像具有历史存档数据丰富、空间覆盖范围广等优势[3],被广泛应用于灾难评估[4,5]、社会经济因子估算[6,7,8,9]、贫困地区识别[10,11]、城市群发展与演化[12,13,14,15,16]、环境评价与分析[17,18,19]等方面。但该影像集存在如下问题：① 非辐射定标影像由于OLS传感器的高光敏性特点导致表征灯光强度的DN值存在饱和现象;② 34期影像由5个不同的传感器获得,因此影像间存在传感器差异问题;③ 由于不同传感器在获取影像时受到多种干扰因素[20],同一年份不同传感器获得的影像存在差异;④ 传感器会随着时间的推移而衰退,由此造成同一传感器获得的不同年份影像存在年际不可比的现象。因此,夜间灯光数据的广泛应用与数据精度之间的矛盾使得该影像的校正显得至关重要。
针对这些问题,不同学者提出了不同的校正方法。如Elvidge等[21]率先提出了不变目标区域的方法对全球夜间灯光影像进行校正,其选择意大利西西里岛作为不变目标区域,F12_1999的夜间灯光影像作为参考影像,对其他影像构建二次回归模型进行相互校正。在此基础上,Liu等[22]提出了中国区域的校正方法,以黑龙江省鸡西市为不变目标区域,对中国区域1992—2008年的影像进行校正; 邹进贵等[23]等利用GIS建模对夜间灯光影像中国区域进行校正;张梦琪[24]在不变目标区域方法的基础上进行改进,以F16获得的多年影像为参考影像,进行传感器之间拟合,从而改善夜间灯光影像存在的年际不可比和传感器差异问题。此外,曹子阳等[25]提出利用辐射定标F16_2006的影像作为参考影像,以黑龙江省鹤岗市市辖区为不变目标区域,对33副未辐射定标影像进行幂函数回归,较大程度上改善夜间灯光DN值的饱和问题,但其以市辖区为不变目标区域,忽略了DN值为0的区域,未考虑0值区域的变化。除传统不变目标区域法之外,部分学者尝试利用辅助影像或数据对DMSP/OLS影像进行去饱和校正,如吴健生等[26]在不变目标区域法的基础上,首先对原始影像进行年际校正,再以NDVI数据为辅助数据进行饱和区域的校正,经过检验其饱和区域得以改善;卓莉等[27]利用植被指数EVI作为辅助数据,根据“灯光强度NTL值从城市中心向郊区外逐渐减小,而植被指数EVI则呈现近乎相反的变化趋势”这一事实,对饱和部分进行校正;在此基础之上,郑子豪等[28]通过总结VANUI（基于NDVI所构建）、EANTLI（基于EVI所构建）等去饱和的方法,利用地理探测器对NDVI、EVI和UNL（单元路网长度）进行因子探测,得出UNL效果较好,因此利用该辅助数据对饱和区域进行校正。但由于利用此类辅助影像进行校正的算法较为复杂,目前应用较少,同时对于不变目标区域法的应用仍为主流,因此对不变目标区域法的改进有着重要意义。

2 校正方法与数据来源

2.1 传统不变目标区域法简介及技术路线

现有传统不变目标区域法的基本流程为：① 选取一期影像（多为未辐射定标F16_2006）作为参考影像,同时确定不变目标区域（多为黑龙江鹤岗市）;② 根据参考影像与不变区域计算校正系数,并采用校正系数进行饱和校正;③ 对同一年份不同影像进行多传感器校正,即取两者平均值;④ 进行年际校正,以饱和校正后的1992年为基准,通过赋值使得后一年影像值大于前一年影像值,以此进行连续性校正。
通过研究分析,传统不变区域法存在2个突出问题：① 选取一期影像作为参考影像进行饱和校正,实际上,1992—2013年时间跨度较大,在此期间即使是缓慢、稳定发展的区域,其灯光亮度值的变化也不可忽视,故采用一个基准年份进行饱和校正会大大降低校正结果的精度;② 在进行连续性校正时,选择饱和校正后的1992年作为基准,即假设饱和校正后的1992年为正确影像,但研究中均未给出此做法的依据,其准确性和合理性有待商榷。
针对发现的问题,本文提出改进后的不变目标区域法：① 选取3期影像（辐射定标后的F12_1999、F14-15_2003和F16_2006）作为参考影像。3期辐射定标影像的光谱分辨均为32bit,DN值范围远大于63,不存在饱和问题,因此采用辐射定标影像作为参考影像进行饱和校正,会使得校正之后22期夜间灯光影像数据集中每个像元DN值和DN值范围均得到不同程度的拉伸和扩大,从而较大程度改善原始影像存在的饱和现象。同时,选取3个不同年份的影像作为参考影像,可以对目标区域22年内的微小变化进行较好捕捉,进而减小目标区域在长时间尺度上微小变化对校正结果造成的误差;② 计算校正系数,并根据校正系数进行饱和校正;③ 选取基准年份,将饱和校正后的1999、2003、2006年影像与3期参考影像进行定性、定量对比分析,选择饱和校正后的F15_2006作为基准影像。传统方法使用饱和校正后1992年影像作为基准年份进行连续性校正,其并未对1992年影像进行检验,准确性值得商榷。本文将饱和校正后的1999、2003、2006年影像与3期参考影像定量对比分析,同时考虑其周围年份的变化情况,选择精度最高、误差最小的影像作为基准,不仅对基准年份的选择做出科学的解释,同时也可以缩小传统校正方法所积累的误差;④ 进行多传感器校正和连续性校正。技术路线如图1所示。
图1 影像校正技术路线

Fig. 1 Correction technology roadmap

2.2 数据来源及数据预处理

本文采用的夜间稳定灯光影像数据由NGDC网站（https://ngdc.noaa.gov/eog/dmsp）提供,包括未辐射定标的34期稳定夜间灯光影像（1992—2013年,https://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html）以及3期辐射定标夜间灯光影像（分别是F12_1999,F14-15_2003和F16_2006,https://ngdc.noaa.gov/eog/dmsp/download_radcal.html）[29]。中国行政区划数据来源于国家基础地理信息中心的全国1：400万数据库[30],省级GDP、电力消费量、市级GDP和县域GDP数据来源于1993—2014年《中国城市统计年鉴》、《中国统计年鉴》和《中国县域统计年鉴》[31]。
为避免影像与矢量数据参考系、投影不一致对影像校正产生影响,故将全球灯光影像数据与中国行政区划数据的参考系定义为WGS-84坐标系,投影坐标系统一为Asia Lambert Conformal Conic [24]。结合全球灯光影像数据以及中国行政区划矢量数据提取中国区域影像数据,并将其重采样至1 km。
通过对全国各地级市GDP进行描述统计分析,以及结合历年辐射定标和非辐射定标影像中DN值的分布范围情况,筛选出1992—2013年影像DN值变化相对较小且分布范围广的城市作为不变目标区域。通过分析发现,黑龙江省鹤岗市相较于全国其他各地级市而言发展更稳定,主要的社会经济统计数据在22年变化相对较小,证明该市的发展始终处于一个相对稳定的状态,同时该市稳定夜间灯光影像的DN值较大程度涵盖0~63,进一步保证相互校正模型的准确性,最后提取代表年份DN值,并进行线性回归（表1）,结果显示各年份之间线性相关系数均在0.8左右,表明22年鹤岗市的灯光强度变化相对稳定,故选取黑龙江鹤岗市作为不变目标区域。
表1 鹤岗市各年份原始影像DN值线性相关关系

Tab. 1 linear correlation between DN values of original images in Hegang city in each year

影像1 影像2 R²
F12_1992 F14_2003 0.8296
F12_1992 F15_2003 0.8194
F14_2003 F18_2013 0.8067
F15_2003 F18_2013 0.8040
F12_1992 F18_2013 0.7849
由于1992—2013年时间跨度较大,任何一个城市的发展变化均不可忽视,故为进一步提高校正精度,本文选取F12_1999、F14-15_2003和F16_2006共3期辐射定标影像,对非辐射定标影像分3个阶段进行饱和校正。F12_1999与F16_2006的影像数据分别为F12和F16传感器获得,而F14-15_2003的影像数据则由F14和F15 2个传感器共同扫描影像后合并所得,二者在合并时均已校正至F16传感器[32]。故仅需利用NGDC网站关于辐射定标影像数据说明中的乘数（0.96）将F12_1999校正至F16传感器,便可消除3期辐射定标影像间的传感器差异。

2.3 影像数据饱和校正

确定不变目标区域与参考影像后,按照相同规则提取排列34期夜间稳定灯光影像与3期辐射定标影像中鹤岗市各像元的DN值,将34期待校正影像分别与参考影像进行一元二次回归。辐射定标影像F12_1999对原始影像F10_1992-F10_1994和F12_1994-F12_1999共9期影像进行拟合,辐射定标影像F14-15_2003对原始影像F14_1997-F14_2003和F15_2000-F15_2007共15期像进行拟合,辐射定标影像F16_2006对F16_2004-F16_2009和F18_2010-F18_2013共10期影像进行拟合。校正的一元二次函数模型为：
D N c al = a × D N hg 2 + b × D N hg + c
式中： D N cal 为3期辐射定标影像中鹤岗市的像元亮度值; D N hg 为鹤岗市待校正影像像元的亮度值;a、b、c均为拟合过程中所得参数。
利用每一期待校正影像与参考影像校正模型回归所得的参数（表2）对全国区域进行饱和校正：
D N ' = a × D N 2 + b × DN + c
式中： D N ' 为全国区域校正后影像像元的亮度值, DN 为全国区域原始影像像元的亮度值。
表2 每一期影像的相互校正模型参数

Tab. 2 Mutual correction model parameters of each phase of images

参考影像 卫星序号 年份 a b c R2
F12_1999 F10 1992 0.0289 0.4592 0.5964 0.9141
1993 0.0337 0.6344 0.2009 0.9317
1994 0.0297 0.6427 0.3139 0.9462
F12 1994 0.0268 0.5495 0.6740 0.9118
1995 0.0251 0.5003 0.4986 0.9197
1996 0.0282 0.4277 0.6795 0.9169
1997 0.0261 0.6148 0.5313 0.9223
1998 0.0243 0.4029 0.5352 0.9237
1999 0.0233 0.5681 0.4711 0.9295
F14-15_2003 F14 1997 0.0718 1.0731 0.9221 0.8809
1998 0.0698 0.6516 0.6792 0.8673
1999 0.0703 0.9668 0.3548 0.8886
2000 0.0614 0.3592 0.7600 0.8686
2001 0.0539 0.5547 0.6327 0.8660
2002 0.0481 0.5704 0.7558 0.8253
2003 0.0450 0.7220 0.5305 0.8504
F15 2000 0.0604 0.0747 0.9920 0.8028
2001 0.0583 0.2804 0.8407 0.8267
2002 0.0533 0.2138 0.6170 0.8584
2003 0.0521 0.7015 0.8924 0.8551
2004 0.0555 0.2121 0.9536 0.8418
2005 0.054 0.3883 0.8141 0.8012
2006 0.0606 0.1536 0.9569 0.8488
2007 0.0586 0.5257 0.6138 0.8426
F16_2006 F16 2004 0.0313 0.3529 0.3995 0.8252
2005 0.0302 0.7243 0.3269 0.8515
2006 0.0323 0.6195 0.3945 0.8639
2007 0.0320 0.5127 0.3281 0.8626
2008 0.0345 0.3021 0.3709 0.8275
2009 0.0360 -0.0223 0.5689 0.7892
F18 2010 0.0335 -0.2870 0.6554 0.7384
2011 0.0302 0.0554 0.5498 0.7219
2012 0.0367 -0.1889 0.6730 0.7997
2013 0.0335 -0.2636 0.7255 0.7279

2.4 影像间连续性校正

2.4.1 选取基准年份
饱和校正仅能改善影像数据DN值饱和问题,但影像不连续问题仍未能解决。影像数据的不连续是导致灯光数据无法进行年际比较的重要原因,因此需要对饱和校正过的影像继续进行连续性校正。传统不变目标区域法未能充分检验饱和校正的结果,同时对影像连续性校正时基准年份的选取考虑不足,致使各种误差累积导致校正精度较低。为提高影像校正整体精度,本文提出基于对饱和校正结果的验证选取基准年份,进而进行影像间的连续性校正。具体操作如下：① 在34期经饱和校正的影像中提取全国所有地级市的夜间灯光亮度平均值。② 将其中的1999、2003和2006年影像与 3期参考影像F12_1999、F14-15_2003和F16_2006进行对比分析。结果表明：经饱和校正后的1999年和2003年影像与参考影像F12_1999、F14-5_2003误差较大,而经过饱和校正的F15_2006影像与参考影像F16_2006的结果非常相近,两者对比误差结果如表3所示。此外,饱和校正后的F15_2004-F15_2007影像呈现递增趋势,与现实发展情况相符,而饱和校正后的F16_2004-F16_2007影像数据集DN值远低于F15_2006的DN值,与中国经济持续稳定增长这一现实情况不相符。因此本文将F16_2004-F16_2007共计4期影像舍去,选取F15_2006影像作为连续性校正的基准影像,对其余30期经饱和校正的影像以饱和校正后的F15_2006影像为基准影像,即以2006年为基准年份,分为之前和之后2个阶段进行影像连续性校正。
表3 校正后影像2006年与辐射定标2006年城市亮度平均值误差

Tab. 3 Error of urban brightness mean value between corrected images in 2006 and radiometric calibration in 2006

|误差|<5 |误差|<3 |误差|<1 |误差|<0.1 |误差|>5
比例/% 96.68 93.63 67.31 11.91 3.32
2.4.2 多传感器相同年份的校正
由于不同卫星传感器之间自身存在差异,且在获取影像时受到不同的因素干扰,故不同传感器所获得的同一年份的夜间灯光影像存在差异。在影像饱和校正时已一定程度上减弱该差异,但该问题仍然存在。为了充分利用多个传感器获取的相同年份的影像,同时保证夜间灯光影像数据的稳定性和连续性,本文对不同传感器获得的相同年份影像进行校正,公式如下：
D N ( n , i ) = 0 D N ( n , i ) a = 0 且 D N ( n , i ) b = 0 ( D N ( n , i ) a + D N ( n , i ) b ) / 2 其他 ( n = 1994,1997,1998 , ⋯ , 2003 )
式中： D N ( n , i ) 为校正后第n年影像中i像元的DN值, D N ( n , i ) a 和 D N ( n , i ) b 表示校正前2个不同传感器获得的影像中i像元的DN值。
2.4.3 时间序列上的连续性校正
经饱和校正和多传感器相同年份的校正,夜间灯光影像集的饱和问题及连续性问题得到较大改善,但是影像仍然存在个别像元突变情况。根据我国过去20多年城市化发展不断加剧的现实情况与夜间灯光数据的特点,假设前一年影像中存在的像元亮度不会在后一年消失,同时后一年影像像元的DN值不小于前一年对应像元的DN值。基于该假设,对影像继续进行时间序列上的连续性校正。本文选择饱和校正后的F15_2006为基准,对于2006年之前的影像,利用以下模型进行校正：
D N n - 1 = D N n D N n - 1 > D N n D N n - 1 其他 ( n - 1 = 1992,1993 , ⋯ , 2005 )
式中： D N n - 1 为第n-1年影像DN值; D N n 为第n年影像DN值。
对于2006年之后的影像利用以下模型进行校正：
D N n + 1 = D N n D N n > D N n + 1 D N n + 1 其他 ( n + 1 = 2007,2008 , ⋯ , 2013 )
式中： D N n + 1 为第n+1年影像DN值; D N n 为第n年影像DN值。

3 校正结果检验与分析

为验证饱和校正和连续性校正后的1992—2013年影像数据集的精度,本文主要采用定量检验方法,即利用社会经济指标对影像数据集校正结果进行辅助检验,具体分为：基于国家尺度像元DN值、基于省级尺度GDP与电力消费以及基于地级市尺度和县域尺度GDP的校正结果检验。

3.1 国家尺度像元DN值检验

提取校正后的1992—2013年影像与校正前各影像的全国区域的亮度像元总数量（Total Lit Pixel,TLP）和亮度像元DN总值（Total DN Value,TDN）,将二者进行对比。影像亮度像元DN值总值的计算公式如下：
TDN = ∑ D N i × C i
式中： D N i 为影像中i像元的DN值; C i 为影像中i像元的数量。
由图2可知,校正前由于单个传感器获得的多年影像、不同传感器获得的相同年份影像及不同传感器获得不同年份的影像存在差异等原因,其DN值总和与亮度像元总数量变化趋势波动明显。与校正前TDN和TLP的变化相比,校正后的影像亮元总值和亮元总个数未出现骤增突降等异常现象,且相比较于校正前TDN和TPL随着时间的推移呈现出无序波动这一状况,经过改进方法校正后的每一期影像TDN和TPL呈现出逐渐递增现象,并未出现波动,同时这也与我国经济稳步增长的现实情况相符。显然经过本文的校正,夜间稳定灯光影像的TLP和TDN波动问题得以改善,校正后影像具备较强的连续性和稳定性。
图2 校正前后夜间灯光影像中国区域TLP和TDN变化趋势

Fig. 2 Changes of TLP and TDN in night light images in China before and after correction

3.2 省级尺度GDP和电力消费量检验

在较早的研究中,夜间灯光就被提出与GDP有一定的相关性,随着研究的进一步深入,在国家层面及大区域尺度层面夜间灯光被证实与GDP有着较高的线性相关性[33]。因此为进一步检验影像的校正精度,本文利用省域GDP做检验。选取中国1992—2013年除香港、澳门和台湾以外的31个省份及直辖市的GDP进行辅助验证。同时提取校正前和校正后对应省份及直辖市的TDN,分别与31个省份及直辖市的GDP进行线性回归,其结果如表4所示。
表4 省级尺度上夜间灯光TDN与GDP线性回归拟合度

Tab. 4 Linear regression fitting degree of night light TDN and GDP at provincial scale

年份 校正前 校正后
F10 F12 F14 F15 F16 F18
1992 0.7744 0.7441
1993 0.6613 0.7468
1994 0.6642 0.7406 0.7508
1995 0.7423 0.7691
1996 0.7319 0.7578
1997 0.7457 0.7545 0.7720
1998 0.7549 0.7621 0.7880
1999 0.7811 0.7938 0.7754
2000 0.7470 0.7767 0.7964
2001 0.7692 0.7647 0.8266
2002 0.8205 0.7894 0.8811
2003 0.8440 0.8581 0.8941
2004 0.8470 0.7884 0.8967
2005 0.8188 0.7984 0.9135
2006 0.8395 0.8173 0.9163
2007 0.8461 0.8210 0.9179
2008 0.8180 0.9126
2009 0.7288 0.8944
2010 0.7263 0.8925
2011 0.8021 0.8843
2012 0.7623 0.8660
2013 0.7927 0.8694
由表4可知,只有F10_1992、F12_1999和F14_1999略高于校正后1992年和1999年夜间灯光TDN与GDP线性回归的拟合度。其余年份校正后的拟合度均高于校正前拟合度,表明经过本文的校正,夜间灯光数据所存在的问题得到较大改善,尤其在2002年之后,拟合度均在0.9左右,远高于其对应年份校正前拟合度,进一步证明在校正夜间灯光数据饱和问题方面本文取得较大进步,由此表明改进后的校正方法其校正精度得到提升（图3）。
图3 校正前后2006年夜间灯光影像

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2016）1569号的标准地图制作,底图无修改。

Fig. 3 Night light images before and after calibration in 2006

为对校正结果进行更精确的检验,本文选择与灯光数据直接相关的电力消费量进行验证。由于统计数据的缺失,本文选取2002—2013年全国除香港、澳门、台湾的31个省及直辖市的电力消费量,提取校正前和校正后影像的TDN,分别与电力消费量进行线性回归（表5）。经过校正之后,F15_2003、F15_2004、F16_2004和F15_2005拟合度略大于校正后,其可能是早些年份原始影像的饱和问题仍不显著所造成。从整体来看,原始夜间灯光影像数据的问题得到一定改善。同时校正前2009—2013年拟合度显著下降,表明原始影像饱和问题明显,而校正后2009—2013年影像拟合度较优,且由图3可知校正前影像DN值范围为0~63,而校正后DN值范围扩大至0~251,证明经过校正,原始影像饱和问题得以改善,校正后影像数据集与社会经济指标更加契合。
表5 省级层面夜间灯光影像校正前和校正后TDN与电力消费量线性回归拟合度

Tab. 5 Linear regression fitting degree of TDN and electricity consumption before and after night light image correction at provincial level

年份 校正前 校正后
F10 F12 F14 F15 F16 F18
2002 0.8479 0.8372 0.8554
2003 0.8711 0.8810 0.8732
2004 0.8842 0.9220 0.8778
2005 0.9406 0.8354 0.9048
2006 0.8536 0.8449 0.8791
2007 0.8716 0.8655 0.8979
2008 0.8572 0.8947
2009 0.7550 0.8736
2010 0.7263 0.8759
2011 0.8021 0.8581
2012 0.7623 0.8697
2013 0.7927 0.8789

3.3 地级市尺度GDP检验

为进一步检验校正后影像数据集在地级市尺度层面是否适用,本文选取1994—2013年全国地级市进行验证。由于统计数据的缺失,以及行政区划的变动,本文最终选择211个地级市作为参考地区。提取校正前和校正后影像211个地级市的TDN,分别与对应年份对应地级市GDP进行线性回归,其结果如表6所示。
表6 市级层面夜间灯光影像校正前与校正后TDN与GDP线性回归拟合度

Tab. 6 Linear regression fitting degree of TDN and GDP before and after municipal level night light image correction

年份 校正前 校正后
F10 F12 F14 F15 F16 F18
1992 — —
1993 — —
1994 0.6389 0.6838 0.7612
1995 0.6732 0.7639
1996 0.6589 0.6442
1997 0.6767 0.7142 0.7875
1998 0.6906 0.7191 0.8012
1999 0.7069 0.7491 0.8118
2000 0.7174 0.7269 0.8308
2001 0.7306 0.7249 0.8470
2002 0.7975 0.7533 0.8780
2003 0.8063 0.8272 0.8877
2004 0.8177 0.7471 0.8850
2005 0.7931 0.7706 0.9125
2006 0.7913 0.7570 0.9112
2007 0.7761 0.7366 0.9045
2008 0.7430 0.9045
2009 0.6667 0.9015
2010 0.6548 0.8994
2011 0.7101 0.8895
2012 0.6790 0.8804
2013 0.6829 0.8798
从表6可知,校正前影像TDN与GDP拟合度较低,整体低于省级层面TDN与GDP回归的拟合度,表明原始影像在市级尺度上误差相对较大,适用性更低,经过校正之后,其拟合度大大提升,与校正后省级层面拟合度相近,且与曹子阳[25]校正结果相比,本文校正后市级GDP与TDN拟合度更优,由此证明校正后影像数据精度要优于传统不变目标区域法校正精度。

3.4 县域尺度GDP检验

经检验校正后的夜间灯光影像数据在国家、省级和地级市的精度均得到一定程度的改善,其中,省级尺度和地级市尺度上与GDP的拟合度要远高于校正前,证明在大、中尺度上夜间灯光数据具有较强的适用性。为进一步验证校正后夜间灯光影像的精度,本文在县域尺度上也进行相关检验。以2010年县域行政区域为标准,分别提取1995、2000、2005和2010年4个典型年份校正前后的夜间灯光影像作为研究对象与其相对应的县域GDP进行拟合回归。由于早期年份数据的难获取性与行政区化的变动,1995年有效数据共为1363个,其余年份均为1968个。
由表7可知,无论是校正前还是校正后拟合度都低于省级和地级尺度的拟合度,证明夜间灯光影像在小尺度适用性上弱于大中型尺度,其主要原因可能是所提供的原始影像精度不够。校正前TDN与GDP拟合度较低,维持在0.5左右,甚至出现2010年0.0125极低值的现象,对比校正前,校正后拟合度均高于校正前并大于0.6,表明在县域尺度上校正后的影像具有一定的适用性。
表7 县域层面夜间灯光影像校正前与校正后TDN与GDP线性回归拟合度

Tab. 7 Linear regression fitting degree of TDN and GDP before and after night light image correction at county level

年份 校正前 校正后
F12 F14 F15 F16 F18
1995 0.5259 0.6260
2000 0.5205 0.4955 0.6125
2005 0.5042 0.4944 0.6208
2010 0.0125 0.6116

3.5 校正前后方法的对比检验

改进后的校正方法与传统不变目标区域法在校正流程上有两大区别：参考影像的选取和基准年份的确定。传统方法多选取未辐射定标F16_2006作为参考影像,其不仅不能较好地解决原始影像饱和问题,而且未考虑目标区域22年的微弱变化。本文选取3期辐射定标影像作为参考影像针对性的解决了这2个问题;同时传统方法选择1992年影像选取基准年份,并未给出检验。改进后的方法通过多期影像与参考影像的定性、定量对比,科学的选择精度最高、误差最小的年份作为基准年份。
从效果上看,经改进方法校正后DMSP/OLS稳定夜间灯光影像TDN与市级GDP的拟合度（R²）平均值为0.85,远大于传统方法（以曹子阳方法[25]为例）校正后TDN与市级GDP拟合度（R²）平均值的0.53,且随着时间推移,传统不变目标区域法校正后拟合度逐渐降低至2013年的0.40,而利用改进后方法进行校正的拟合度未出现递减现象,2013年其R²仍为0.88,表明相比于传统方法,本文提出的校正方法更为科学、准确。

4 结论与讨论

DMSP/OLS原始稳定夜间灯光影像数据集应用广泛,因此其校正显得至关重要。通过分析研究,传统不变目标区域法的校正过程中存在一些问题。基于此,本文对传统不变目标区域法进行改进,并利用社会经济数据对校正结果进行检验,同时与原有方法的校正结果比对分析,最终证明改进后校正方法更为科学、准确,其主要创新如下：
（1）相较于传统方法,本文使用3期辐射定标影像F12_1999、F14-15_2003和F16_2006作为参考影像,不仅解决原始影像存在的饱和问题,同时也削弱了不变目标区域微弱变化对校正结果的影响。原始夜间灯光影像DN值范围也由0~63扩大至0~251。
（2）在进行影像连续性校正之前,将经过饱和校正后的影像与辐射定标影像进行定量对比,同时考虑其周围年份影像的变化情况,选择精度最高、误差最小的影像作为基准年份影像,即F15_2006。不仅对基准年份的选取做出了科学解释,同时也可以减小传统不变目标区域法所积累的误差。
（3）为充分验证校正后夜间灯光影像数据集的精度及适用范围,本文从国家、省、市、县4个尺度进行检验,同时与传统不变目标区域法进行对比。结果表明：经改进后方法校正的夜间灯光影像数据集在国家、省、市多个层面均有较强的适用性。尤其是通过选取1995、2000、2005和2010 4个典型年份的县域GDP进行微观尺度检验,定量地揭示夜间灯光在尺度更小的县域层面也具有一定的适用性。最后与传统方法进行对比检验,市级TDN与GDP的平均拟合度为0.85远大于传统方法校正后的0.53,表明改进后的不变目标区域法更为科学、准确。
本文通过对传统不变目标区域法的改进,解决了长时间序列上DMSP/OLS夜间灯光影像数据中存在的饱和及连续性问题。但由于不变目标区域法的核心为“等比例扩大”,利用改进后的方法校正仍存在问题：同一年份不同地区的饱和值并未做出区分,未能更加真实的反映每个区域的灯光亮度。本文认为此类问题是不变目标区域法自身存在的问题,因此,加以辅助影像进行校正是未来研究的重点。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Elvidge C D, Baugh K E, Kihn E A, et al. Mapping city lights with nighttime data from the DMSP operational linescan system[J]. Photogrammetric Engineering and Remote Sensing, 1997,68(6):727-734.

[2]
CROFT T A. Night images of the earth from space[J]. Scientific American, 1978,239(1):86-101.

[3]
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. ]

[4]
李德仁, 李熙. 夜光遥感技术在人道主义灾难评估中的应用[J]. 自然杂志, 2018,40(3):169-176.

[ Li D R, Li X. Use of night-time light remote sensing in humanitarian disaster evaluation[J]. Chinese Journal of Nature, 2018,40(3):169-176. ]

[5]
范俊甫, 何惠馨, 胡桃英, 等. 一种叙利亚战争城市破坏程度的评估方法[J]. 测绘科学, 2018,43(9):129-134.

[ Fan J F, He H X, Hu T Y, et al. An assement method of urban destruction degree in Syria War[J]. Science of Surveying and Mapping, 2018,40(9):129-134. ]

[6]
曹丽琴, 李平湘, 张良培. 基于DMSP/OLS夜间灯光数据的城市人口估算——以湖北省各县市为例[J]. 遥感信息, 2009(1):83-87.

[ Cao L Q, Li P X, Zhang L P. Urban population estimation based on the DMSP/OLS night-time satellite data: A case of Hubei province[J]. Remote Sensing Information, 2009(1):83-87. ]

[7]
陈乐, 李郇, 姚尧, 等. 人口集聚对中国城市经济增长的影响分析[J]. 地理学报, 2018,73(6):1107-1120.

[ Chen L, Li X, Yao Y, et al. Effects of population agglomeration on urban economic growth in China[J]. Acta Geographica Sinica, 2018,73(6):1107-1120. ]

[8]
Elvidge C D, Sutton P C, Ghosh T, et al. A global poverty map derived from satellite data[J]. Computers & Geosciences, 2009,35(8):1652-1660.

[9]
王明明, 王卷乐. 基于夜间灯光与土地利用数据的山东省乡镇级人口数据空间化[J]. 地球信息科学学报, 2019,21(5):699-709.

[ Wang M M, Wang J L. Spatialization of township-level population based on nighttime light and land use data in Shandong province[J]. Journal of Geo-information Science, 2019,21(5):699-709. ]

[10]
潘竟虎, 赵宏宇, 董磊磊. 基于DMSP-OLS数据和可持续生计的中国农村多维贫困空间识别[J]. 生态学报, 2018,38(17):1-13.

[ Pan J H, Zhao H Y, Dong L L. Spatial identification of multi-dimensional poverty in rural China by using nighttime light and sustainable livelihoods[J]. Acta Ecologica Sinica, 2018,38(17):1-13. ]

[11]
沈丹, 周亮, 王培安. 基于夜间灯光数据的六盘山连片特困区贫困空间分异特征分析[J]. 遥感信息, 2018,33(4):42-48.

[ Shen D, Zhou L, Wang P A. Poverty identification of contiguous poor zone based on nighttime light data: a case study on Liupan Mountain[J]. Remote Sensing Information, 2018,33(4):42-48. ]

[12]
林中立, 徐涵秋, 黄绍霖. 基于DMSP/OLS夜间灯光影像的中国东部沿海地区城市扩展动态监测[J]. 地球信息科学学报, 2019,21(7):1074-1085.

[ Lin Z L, Xu H Q, Huang S L. Monitoring of the urban expansion dynamics in China's east coast using DMSP/OLS nighttime light imagery[J]. Journal of Geo-information Science, 2019,21(7):1074-1085. ]

[13]
陈昕, 彭建, 刘焱序, 等. 基于DMSP/OLS夜间灯光数据的京津冀地区城市空间扩展与空间关联测度[J]. 地理研究, 2018,37(5):898-909.

[ Chen X, Peng J, Liu Y X, et al. Measuring spatial expansion and correlations of cities in Beijing-Tianjin-Hebei urban agglomeration using DMSP/OLS nighttime light data[J]. Geographical Research, 2018,37(5):898-909. ]

[14]
陈晋, 卓莉, 史培军, 等. 基于DMSP/OLS数据的中国城市化过程研究—反映区域城市化水平的灯光指数的构建[J]. 遥感学报, 2003,7(3):168-175.

[ Chen J, Zhuo L, Shi P J, et al. The study on urbanization process in China based on DMSP/OLS data: Development of a light index for urbanization level estimation[J]. Journal of Remote Sensing, 2003,7(3):168-175. ]

[15]
高亚红, 顾羊羊, 乔旭宁, 等. 基于夜间灯光数据的南京城镇用地提取[J]. 测绘科学, 2017,42(6):93-98.

[ Gao Y H, Gu Y Y, Qiao X N, et al. Study on extracting urban area in Nanjing based on DMSP/OLS nighttime light data[J]. Science of Surveying and Mapping, 2017,42(6):93-98. ]

[16]
赵晓伟, 孟治国, 郑兴明, 等. 夜间灯光数据的东三省城市群发展特征研究[J]. 测绘科学, 2019(4):1-13.

[ Zhao X W, Meng Z G, Zheng X M, et al. Research on landscape spatial pattern estimation of cities in Northeast China using nighttime luminosity data[J]. Science of Surveying and Mapping, 2019(4):1-13. ]

[17]
杨雪, 张文忠. 基于栅格的区域人居自然和人文环境质量综合评价—以京津冀地区为例[J]. 地理学报, 2016,71(12):2141-2154.

[ Yang X, Zhang W Z. Combining natural and human elements to evaluate regional human settlements quality based on raster data: a case study in Beijing-Tianjin-Hebei region[J]. Acta Geographica Sinica, 2016,71(12):2141-2154. ]

[18]
刘焱序, 吴文恒, 温晓金, 等. 晋陕蒙能源区城镇化过程及其对生态环境的影响[J]. 地理研究, 2013,32(11):2009-2020.

[ Liu Y X, Wu W H, Wen X J, et al. Urban process and its eco-environmental impact in Shanxi-Shaanxi-Inner Mongolia energy area[J]. Geographical Research, 2013,32(11):2009-2020. ]

[19]
徐翀崎, 李锋, 韩宝龙, 等. 动态适应性生态经济区划模型及其应用[J]. 生态学报, 2017,37(5):1740-1748.

[ Xu C Q, Li F, Han B L, et al. Adaptive eco-economic regionalization model and its application[J]. Acta Ecologica Sinica, 2017,37(5):1740-1748. ]

[20]
张鹏强, 余旭初, 刘智, 等. 多时相遥感图像相对辐射校正[J]. 遥感学报, 2006,10(3):339-344.

[ Zhang P Q, Yu X C, Liu Z, et al. A study on relative radiometric correction of multitemporal remote sensing images[J]. Journal of Remote Sensing, 2006,10(3):339-344. ]

[21]
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.

[22]
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.

[23]
邹进贵, 陈艳华, 田径, 等. 基于ArcGIS的DMSP/OLS夜间灯光影像校正模型的构建[J]. 测绘地理信息, 2014,39(4):33-37.

[ Zou J G, Chen Y H, Tian J, et al. Construction of the calibration model for DMSP/OLS nighttime light images based on ArcGIS[J]. Journal of Geomatics, 2014,39(4):33-37. ]

[24]
张梦琪, 何宗宜, 樊勇. DMSP/OLS稳定夜间灯光影像的校正方法[J]. 测绘通报, 2017(12):58-62.

[ Zhang M Q, He Z Y, Fan Y. Calibration for DMSP/OLS stable nighttime light images[J]. Bulletin of Surveying and Mapping, 2017(12):58-62. ]

[25]
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.

[ 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. ]

[26]
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.

[ 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. ]

[27]
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):1339-1350. ]

[28]
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. ]

[29]
National Geophysical Data Center[DB/OL]. https://ngdc.noaa.gov/eog/dmsp.

[30]
国家基础地理信息中心. 全国地理信息资源目录服务系统[DB/OL]. http://www.webmap.cn/commres.do?method=data Download.

[ National Geomatics Center of China. National Catalogue Service for Geographic Information[DB/OL]. http://www.webmap.cn/commres.do?method=data Download.]

[31]
中国经济社会大数据平台. 统计年鉴[EB/OL]. http://data.cnki.net/Yearbook/Navi?type=type&code=A.

[ Economic and Social Big Data Research Platform of China. Statistical Yearbook[EB/OL]. http://data.cnki.net/Yearbook/Navi?type=type&code=A.]

[32]
Feng-Chi, Hsu. Global radiance calibrated nighttime lights product readme[EB/OL]. tps://ngdc.noaa.gov/ eog/dmsp /radcal_readme.txt.2016.11.5.

[33]
Forbes D J. Multi-scale analysis of the relationship between economic statistics and DMSP- OLS night light images[J]. Giscience & Remote Sensing, 2013,50(5):483-499.

Options
Outlines

/

〈 〉