2023, Vol. 48引用本文 |
| 基于土地利用分类的夜间灯光和GDP分量相关性研究 |  [PDF全文] |
2. 湖北省测绘工程院，湖北 武汉，430074;
3. 广东工业大学管理学院，广州 广东，510520
2. Hubei Institute of Surveying and Mapping, Wuhan 430074, China;
3. School of Management, Guangdong University of Technology, Guangzhou 510520, China
国内生产总值(gross domestic product，GDP)是目前公认的衡量国家经济状态的最佳指标[1]。传统的GDP主要通过统计方法核算，主要有支出法、收入法、生产法等，这些统计方法主要基于统计报表资料核算，核算结果依赖于报表数据的真实性，在统计和核算过程中存在内生性误差。
基于夜间灯光数据的社会经济指数研究已经取得了相关成果，通过美国军事气象卫星计划/线性扫描系统(Defense Meteorological Satellite Program/ Operational Linescan System，DMSP/OLS)夜光遥感数据证明了夜间灯光与国家层面的经济活动的相关性。之后越来越多学者研究夜光遥感数据与区域经济之间的关系。有学者基于夜光遥感数据对GDP的空间化处理方法进行研究，研究在不同的空间尺度上，夜间光照图像与GDP的相关性，并根据导出的关系绘制了5 km分辨率的经济活动图[2]，利用时序夜光遥感数据进行GDP建模和估算，获得了较高的整体精度，同时建立了不同国家和区域的GDP贫困指标[3-6]。
考虑到影响经济的因素的多样性和各个国家地区的社会特有属性，有学者引入了人口、发展程度、农业和非农业等因子来修正夜间灯光数据对GDP的估算模型，有效提高了模型精度[7]。随着夜光遥感卫星的更替，从DMSP/OLS数据发展到VIIRS-NPP数据和“珞珈一号”夜光遥感卫星数据，更多学者提出应根据区域的社会属性分区域建立夜间灯光数据对GDP的估算模型，在经济发展区域、省域、贫困区域等不同的区域建立相应的估算模型，并进行了实证[8-13]。
越来越多的实证研究表明了夜间灯光数据和区域经济之间的密切关系。然而，不同土地利用范围内的夜间灯光和GDP的相关性，夜间灯光在何种程度、哪些角度上可以更有效地反演GDP的真实情况并不清晰。本文关注中国在省域、地级市域层面上的经济情况，基于Landsat、VIIRS-NPP等遥感数据，引入土地利用因子，讨论夜间灯光数据和GDP的相关性，同时研究夜间灯光在不同GDP分量上的贡献。
1 研究区域及数据本文获取了时间连续性较好的2012—2020年的统计数据。根据统计数据的完整性和土地利用数据的覆盖情况，本文研究范围为全国除港澳台地区以外的31个省(自治区、直辖市)。
1.1 GDP统计数据经济统计数据来自国家统计局网站《中国统计年鉴》，本文提取了各省域2012—2020年的地区生产总值、三次产业值(第一产业、第二产业、第三产业)、分行业值(工业、建筑业、批发和零售业、交通运输仓储和邮政业、住宿和餐饮业、金融业、房地产业)等经济数据。其中，2019年的分行业经济数据统计不完全，因此，只提取2019年的生产总值、第一产业值、第二产业值、第三产业值4类经济数据进行处理和分析。
1.2 遥感土地利用数据遥感土地利用分类数据来源于中国科学院资源环境科学与数据中心(https//www.resdc.cn/)公开的2015年中国土地利用现状遥感监测数据和2018年中国土地利用遥感监测数据。2015年的数据是在2010年数据的基础上更新的，基于Landsat 8遥感影像，通过人工目视解译生成。2018年中国土地利用数据是在2015年土地利用遥感监测数据的基础上，基于Landsat 8遥感影像，通过人工目视解译生成的。土地利用类型包括6个一级类型及25个二级类型，具体信息见表 1。
| 表 1 土地利用分类 Tab.1 Land Use Classification |
 |
1.3 夜间灯光数据
国内外夜间灯光研究中的主要数据源包括DMSP/OLS影像、由Soumi-NPP卫星获取的夜间灯光遥感数据，以及由国产遥感卫星“珞珈一号”获取的夜间灯光数据。DMSP/OLS数据具有较长的时间序列，但空间分辨率较低；VIIRS-NPP数据在质量上有了明显提高，消除了日光、月光、杂散光等污染，并且具有更高的空间分辨率(约740 m)“；珞珈一号”数据具有目前最高的空间分辨率，星下点分辨率在130 m左右，并且提供自2018年起经过了辐射校准的夜间灯光数据集。本文的研究时间为2012— 2019年，土地分类数据源空间分辨率为1 km，综合考虑时间序列、空间分辨率及数据质量的适应性，本文选择VIIRS-NPP数据作为数据源提取区域夜间灯光。
2 研究方法 2.1 数据处理数据处理流程见图 1。遥感土地利用分类数据为1 km格网的栅格数据。为保证数据源空间分辨率的一致性，先将获取的1 km格网栅格数据重采样；再根据分类编码将土地利用分类数据提取为城镇用地(51)、农村居民地(52)、其他建设用地(53)及其他用地(其余土地利用分类)4类；最后采用二值法对分类提取的栅格数据进行矢量化，从而提取分类边界的矢量数据。
 |
| 图 1 数据处理流程 Fig.1 Flow Chart of Data Process |
目前，VIIRS-NPP数据提供了2012年至今的日数据和月度合成数据。为避开冬季雨雪覆盖和避免季节性误差，本文选取每年4月至9月的月度合成数据作为数据源进行数据处理。理论上，夜间灯光数据不存在负值，因此要对每年4月至9月的月度合成数据进行负值消除，即存在负值的像元取0。
消除负值后，将月度数据进行均值合成，即对每期月度数据的像元DNi值取平均值，并将其作为年度像元灯光亮度值DNy。对合成后的年度数据进行背景去噪，消除极高值。根据研究成果的经验值，参照2012—2019年中国区域最大灯光亮度值[14]对大于最大亮度值的像元进行邻近像元平均值替换。对获得的年度合成数据进行投影变换和采样。为保持数据源分辨率的一致性，采样空间分辨率为500 m。
2.2 回归分析利用省界矢量数据对上述处理后的数据进行裁切，提取各省城镇用地、农村居民地、其他建设用地的矢量边界，对不同用地范围2012—2019年的合成夜间灯光数据进行灯光总量统计。
为客观地评价夜间灯光数据在模拟经济分量上的精度和可靠性，本文利用线性回归模型进行研究：
| $ Y_j=a+b X_{1_i}+c X_{2_i}+d X_{3_i}+e X_{4_i} $ | (1) |
式中，Yj为样本的GDP分量(第一产业、第二产业、第三产业、工业、建筑业、批发和零售业、交通运输仓储和邮政业、住宿和餐饮业、金融业、房地产业等)；
对研究区域按照上述方法进行数据处理，利用统计分析软件StataSE进行回归分析，结果见表 2。
| 表 2 回归分析统计结果 Tab.2 Statistics of Regression Analysis |
 |
通过回归分析建立多元回归方程，进行统计检验(t检验在0.05水平上显著)，R2表示相关性，R2值越大，相关性越强，p为显著相关系数，值小于0.05说明具有显著相关性。城镇用地、农村居民地、其他建设用地、其他用地的土地利用分类范围的样本灯光总量与区域第一产业GDP分量的R2为0.279 5，相关性差；其与第二产业、第三产业的R2均超过0.75，为强正相关，同时样本在城镇用地范围内的灯光总量p值小于显著水平0.05，具有显著相关性。
对分行业GDP统计数据进行多元回归分析，城镇用地、农村居民地、其他建设用地、其他用地的土地利用分类范围的样本灯光总量和工业、批发和零售业、金融业、房地产业GDP分量的R2均超过0.7，各类用地灯光总量在批发和零售业、金融业经济指数中p值最大为0.019，表现为显著相关性。同时，在农村居民地、其他建设用地范围的样本灯光总量与工业GDP的回归分析中，p值大于显著水平0.05，没有相关性。
3.2 结果分析利用夜间灯光数据可以很好地反演区域生产总值，通过多源遥感数据获得土地利用分类，结合夜间灯光数据研究产业和行业GDP分量的相关性，可以看出夜间灯光数据主要反映了第二产业、第三产业的GDP，而与第一产业的GDP无显著相关性，并且夜间灯光数据主要在是城镇用地范围反映区域经济，农村居民地范围的灯光数据与GDP不具备相关性。
城镇用地范围的夜间灯光数据显著反映了工业、建筑业、批发和零售业、住宿和餐饮业的分行业GDP，且与工业、批发和零售业、金融业、房地产业的GDP表现出强相关性。
4 结束语本文基于夜间灯光遥感数据和高分辨率光学遥感数据提取不同社会属性用地区域的夜间灯光指数。利用不同社会属性用地区域的社会经济统计数据和夜间灯光数据进行分析，讨论通过夜间灯光数据反演经济数据及其分量的可能性。通过分析可以看出，夜间灯光数据与区域第二产业、第三产业经济情况具有显著相关性，特别是在城镇用地范围内，可以细分到与人类社会经济活动相关的行业经济情况。
本文在经济数据的细分尺度上进行了探索，能为更小区域的细分领域研究提供思路，通过相关性讨论，为制定具有区域特色的地方政策和特定条件下的经济发展情况反馈提供依据。本文因数据来源的条件限制，未在时间尺度上进行讨论，后续研究将从这方面展开。
| [1] |
Elvidge C, Baugh K, Kihn E, et al. Mapping City Lights with Nighttime Data from the DMSP Operational Linescan System[J]. Photogrammetric Engineering and Remote Sensing, 1997, 63: 727-734. |
| [2] |
Doll C N H, Muller J P, Morley J G. Mapping Regional Economic Activity from Night-Time Light Satellite Imagery[J]. Ecological Economics, 2006, 57(1): 75-92. DOI:10.1016/j.ecolecon.2005.03.007 |
| [3] |
Zhang Qingling, Seto K C. Mapping Urbanization Dynamics at Regional and Global Scales Using Multi-temporal DMSP/OLS Nighttime Light Data[J]. Remote Sensing of Environment, 2011, 115(9): 2320-2329. DOI:10.1016/j.rse.2011.04.032 |
| [4] |
Wu J S, Wang Z, Li W F, et al. Exploring Factors Affecting the Relationship Between Light Consumption and GDP Based on DMSP/OLS Nighttime Satellite Imagery[J]. Remote Sensing of Environment, 2013, 134: 111-119. DOI:10.1016/j.rse.2013.03.001 |
| [5] |
Faisal K, Shaker A. The Use of Remote Sensing Technique to Predict Gross Domestic Product (GDP): An Analysis of Built-up Index and GDP in Nine Major Cities in Canada[J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2014, XL-7: 85-92. DOI:10.5194/isprsarchives-XL-7-85-2014 |
| [6] |
Elvidge C D, Keith D M, Tuttle B T, et al. Spectral Identification of Lighting Type and Character[J]. Sensors(Basel, Switzerland), 2010, 10(4): 3961-3988. DOI:10.3390/s100403961 |
| [7] |
Li D R, Zhao X, Li X. Remote Sensing of Human Beings—A Perspective from Nighttime Light[J]. Geo-Spatial Information Science, 2016, 19(1): 69-79. DOI:10.1080/10095020.2016.1159389 |
| [8] |
Zhao N Z, Cao G F, Zhang W, et al. Tweets or Nighttime Lights: Comparison for Preeminence in Estimating Socioeconomic Factors[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 146: 1-10. DOI:10.1016/j.isprsjprs.2018.08.018 |
| [9] |
范强, 吕建东, 李淼. 利用夜光数据的东北三省国内生产总值预测[J]. 遥感信息, 2019, 34(4): 3-10. |
| [10] |
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. |
| [11] |
何洋, 程辉, 唐亮. 基于DMSP/OLS数据的我国省级经济发展水平研究[J]. 地理空间信息, 2014, 12(2): 79-82. |
| [12] |
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. |
| [13] |
李飞, 张树文, 杨久春, 等. 社会经济数据空间化研究进展[J]. 地理与地理信息科学, 2014, 30(4): 102-107. |
| [14] |
胡为安. 基于合成NPP-VⅡRS年度数据的中国贫困地区发展状况研究[D]. 赣州: 江西理工大学, 2020
|