基于DMSP-OLS夜间灯光数据的1992年到2008年中国城市扩张动态提取　　外文翻译资料

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

基于DMSP-OLS夜间灯光数据的1992年到2008年中国城市扩张动态提取　　

摘要：及时准确地获得城市扩张的动态信息对于揭示城市扩张和城市生态系统之间的关系、优化土地利用模式和提升中国城市发展效益至关重要。来自国防气象卫星计划 (DMSP-OLS)的长时间序列稳定夜间灯光数据集，提供了一个可以快速揭示城市扩张动态的新的遥感观测手段。然而，由于DMSP-OLS传感器没有星上定标，因此很难直接比较由多颗卫星获取的长时间序列夜间灯光数据。本文为系统地校正多年多卫星稳定的夜间灯光数据及基于此校正数据快速提取1992-2008年中国城市扩张动态研究出一种新的方法。结果表明，该方法有效地降低了稳定夜间灯光数据的年际和卫星间误差，提高了数据的连续性和可比性。本研究提取到从1992年到2008年中国城市扩张动态，平均总精度和Kappa系数分别达82.74%和0.40。

关键字：中国；DMSP-OLS；遥感监测；稳定夜间灯光；城市扩张

1. 介绍

改革开放以来，中国经历了一个快速且大规模的城市扩张过程(Gu 和 Pang, 2009; Lu,等 2007)。中国的建筑面积从1981年的7438平方公里增加到2005年的32520.7平方公里，增加了3.37倍(Fang, 2009)。这种快速的城市扩张导致了资源枯竭和一系生态环境问题及灾难(Imhoff ,等 2004; Milesi ,等 2003)。这些问题已经对中国的现代化发展产生复杂的影响，引起专家和学者的关注(Liu,等 2010 ; Tan,等 2005;Tian, 2003)。及时准确地获取城市扩张的动态信息对于阐明城市化的驱动力，评价其效果及推动中国进行有效的城市化进程至关重要(He,等 2006; Zhou 和 Zhang, 2003)。

目前，主要有两种数据类型被用来获取中国城市扩张的动态信息。一种是基于行政单位的社会经济统计数据。另一种是以陆地卫星专题制图仪（TM）图像为代表的中高分辨率遥感数据。利用社会经济统计数据，Fang (2009),Gu 和 Pang (2009)分析了城市化进程，城市空间格局和中国城市体系。利用中高分辨率遥感数据，Li 和 Yeh (1997), Liu ,等(2003,2005, 2010) 和 Tian (2003) 研究了不同空间尺度下的中国城市扩张过程。然而，由于社会经济统计数据缺乏足够的空间信息。此外，中高分辨率遥感数据由于地理覆盖范围而受到限制，他们需要大量的人力和计算资源来一次性提取整个国家的城市信息(Liu ,等 2003, 2005, 2010)。因此，利用这两种类型的数据，很难在大的地理空间尺度上提取到多年的城市扩张信息。

国防气象卫星计划(DMSP-OLS)提供了一个可以在大的地理空间尺度上提取城市扩张动态的新的遥感观测手段(Elvidge,等 1997; Elvidge,等, 2009)。该传感器可以利用对低强度灯光的探测能力检测城市灯光、气体火焰和夜间火灾。OLS传感器不同于Landsat TM、SPOT HRV和NOAA/AVHRR那些基于太阳辐射反射特性来探测地物的传感器。由于具有合适的时空分辨率，OLS传感器和NOAA/AVHRR相似，适用于大的空间尺度下的城市扩张动态过程的探测(Chen,等 2003)。DMSP-OLS夜间灯光数据已经被证明对于提取全球、大陆和国家尺度的城市扩张信息很有价值(Elvidge ,等 2007; Eva ,等 2004;Imhoff ,等 1997; Schneider,等 2003; Zhang 和 Seto, 2011)。He, 等(2006)利用夜间灯光数据提取了1992、1996和1998年中国大陆城市发展信息。从那时起，夜间灯光数据逐渐成为阐明中国城市扩张进程的首选观测手段。使用夜间灯光数据，Zhuo,等(2006)分析了从1992到1998年中国城市扩张的类型，Du,等(2007)研究了从1992到2003年长江三角洲地区城市扩张过程，Sun,等 (2009)对于1992到2000年黄淮海平原地区城市扩张进程进行了估算，以及Cao,等(2009)于2000年提取了中国东部25个城市的边界信息。

目前，美国国家地球物理数据中心（NGDC）已经发布了广泛使用的夜间灯光数据。2000年以来，NGDC陆续发布了许多版本的数据，极大地促进了他们的应用。2010年1月，NGDC发布了第四版DMSP-OLS夜间灯光时间序列（V4DNLTS）数据集。这个数据集里的文件是由年度无云资料组成，使用了1992-2009年每个国防气象卫星计划（DMSP-OLS)中所有可用的1公里分辨率数据。此数据集包含三种类型的数据：无云覆盖的夜间灯光数据、没有进一步过滤的夜间灯光数据、和稳定的夜间灯光(NSL)数据。在这三种数据中，NSL的数据包括来自城市、城镇和其他具有持续照明的场所的灯光以及诸如火灾等短暂事件产生的光(Baugh,等 2010; Elvidge,等 2009)。因此，NSL数据能够对全球城市扩张的动态进行快速评估，分辨率为1公里(Zhang 和 Seto, 2011)。然而，从1992年到2008年使用了五颗卫星来生产NSL数据，以及OLS传感器上没有星上定标(Baugh,等 2010; Elvidge,等 2009)。此外，每年不同卫星获得的NSL数据没有经过严格的相互校准。由于没有星上定标和相互校准，NSL数据包含大量不稳定的点像素。缺乏连续性和可比性意味着这些数据不能直接用于提取全球和区域城市扩张的动态(Elvidge,等 2009)。

针对NSL数据的不足之处，我们在V4DNLTS数据集中为NSL数据开发了一种系统的校正方法，以提高数据的连续性和可比性。经过此系统校正，我们利用NSL数据从1992年到2008年的辅助数据提取了中国城市扩张的动态。目的是研究出一种新的方法来处理多年多OSL传感器的NSL数据，以研究大规模空间尺度下中国城市扩张的空间模式和过程。

2. 数据

本研究使用V4DNLTS数据集中1992年到2008年的NSL数据。数据来自NGDC网站(http://www.ngdc.noaa.gov/dmsp/downloadV4composites.html,accessed January 20, 2011)以及从5个DMSP卫星：F10、F12、F14、F15和F16获得的数据。利用收集到的最高质量的数据，对每个卫星进行了年度综合。并增加许多限制，用来排除阳光，眩光，月光，云层和来自极光的照明特征，诸如火灾之类的短暂发生的事件也被排除。在年度综合集中，每个像素的数字编号（DN）值是城市，城镇和其他具有持续照明的场所的可见光波段DN值的平均值。其次，对背景噪声进行识别，并将其替换为零值。照明像素的数据灰度值范围为1-63。数据处于30弧秒的网格中，经度为-180°至180°，纬度为-65°至75°。在两颗卫星收集数据的情况下，产生了两种不同的年度综合集(Baugh,等 2010; Elvidge,等 2009)。在获得了1992-2008年的全球NSL数据后，根据中国的行政边界提取了NSL数据。最后，利用兰伯特方位等面积投影对数据进行投影，再采样到1公里的像素大小，便于计算。

另外，1995年，2000年和2005年中国的土地利用/覆盖数据均来自中国科学院资源与环境数据中心，空间分辨率为1 km。这些数据是通过对Landsat TM图像的目视解译产生的(Liu,等 2003, 2005, 2010)。每个1公里像素包含从30米像素导出的每个土地利用/覆盖类型的百分比。这个数据集在我们的研究中被用作辅助数据。

社会经济统计资料来源于“中国统计年鉴2009”和“中国城市统计年鉴2008” (National Bureau of Statistics in China, 2008, 2009)。其中有三种属性可供参考：城市人口、国内生产总值(GDP)和建成面积。

3. 方法

如上所述，V4DNLTS数据集中的NSL数据由于缺乏连续性和可比性，因此不能直接用于提取中国城市扩张的动态。我们初步的数据分析揭示了四个主要问题。（1）不同卫星的DN值在同一年之间出现了差异。例如，在1999年，卫星F12的所有照明像素点的平均DN值为9.82，而卫星F14的值为7.27。在2008年，卫星F15的所有照明像素点的平均DN值为16.64，而卫星F16的值仅为10.69（图1a）。（2）在同一卫星的不同年份，DN值出现异常波动。例如，卫星F12的所有照明像素点的平均DN值从1994年的10.51下降到1995年的8.62，而卫星F15的所有照明像素点的平均DN值从2007年的8.37增加到2008年的16.64（图1a）。（3）同年，两颗卫星之间的像素点数量有所不同。例如，在1999年，卫星F14的照明像素总数为1,300,140，而卫星F12的为1,147,952(减少13.26%)。在2008年，卫星F15的照明像素总数为931,404，而卫星F16的为1,706,611（多83.23%）（图1b）。（4）来自同一颗卫星的照明像素的数量在不同的年份之间异常减少。例如，卫星F12的照明像素总数从1998年的1,275,175减少到1999年的1,147,952，减少了9.98%。卫星F15的照明像素总数从2007年的1,687,270减少到2008年的931,404，减少了44.67%（图1b）。这一现象并没有反映出中国实际的城市发展过程，从1992年到2008年，城市的发展呈现出持续的增长态势(National Bureau of Statistics in China, 2009)。导致上述问题的主要原因是NSL数据的DN值是DMSP-OLS每年收集的归档数据的平均DN值，没有任何星上定标(Baughet,等 2010; Elvidge,等 2009)。因此，NSL数据的DN值不能直接用于表示光的绝对亮度，而只能表示光的相对亮度。NSL数据的DN值受传感器之间的差异，卫星间交叉时间的差异及传感器退化的影响(Baughet,等2010; Elvidge,等 2009; Zhang 和 Seto, 2011)。这些因素导致了同一年两颗卫星之间的DN值的差异和不同年份的同一颗卫星的DN值出现异常波动。此外，来自城市周边地区和道路的不稳定的光也导致两颗卫星在同一年之间的照明像素点数量出现差异，并且在多年间，同一颗卫星上的照明像素数量也出现了异常减少(Zhuo,等 2006)

图1：1992年至2008年中国NSL数据的平均DN值和照明像素总数

为了提高NSL数据的连续性和可比性，我们开发了一种系统地校正数据的新方法。然后，基于修正后的NSL数据和辅助数据，我们开发了一种方法，能够快速提取1992年到2008年中国城市扩张的动态。该方法主要包括四个主要步骤:相互校准、相同年际合成、年际间系列校正和城市信息提取（图2）。

图2：流程图

3.1 相互校准

相互校准的目的是在1992-2008年间提高NSL数据在中国的可比性。Elvidge等人对全球NSL数据进行了相互校准(2009)。全球NSL数据集内DN值的差异在相互校准后得到有效的降低，但由于中国各地区的城市发展极不相称，NSL数据需要不同的相互校准。因此，我们根据Elvidge等人（2009）开发的方法和中国城市发展的实际情况，对中国的NSL数据进行了相互校准。首先，我们根据1992-2008年中国主要城市的GDP和建成区数据，分析了社会经济特征。基于此分析，我们选择黑龙江省（东北）鸡西市作为校准区域，因为该地区社会经济发展相对稳定（国家统计局，2008），该地区不同年份DN值高度一致（图3）。其次，我们选择2007年卫星F16的NSL数据作为参考数据集，因为它的累积DN值最高。第三，我们利用公式（1）为每个使用的卫星开发了一个二阶回归模型以及通过比较来自2007年卫星F16的其他图像和参考数据得到的鸡西市DN值得出的经验导出系数（表1）。 最后，我们使用回归模型对中国1992-2008年的NSL数据进行了校正。

其中DN为原始DN值，为相互校准后的DN值，a、b、c为系数。

图3：1992年至2008年黑龙江省鸡西市DN值的相关性

表1：NSL数据的二阶回归模型的系数

3.2 相同年际合成

年度内部组成的目标是充分利用同年两颗卫星上的信息，并消除所有年内不稳定的照明像素。我们从1994年和1997年到2008年的V4DNLTS数据集中获得了两个NSL年度合成数据集。为了充分利用NSL数据，我们使用两种NSL图像的平均DN值对NSL数据进行了年度合成。首先，我们检查了所有照明像素，以确定像素是否为年内不稳定的照明像素。如果只被一颗卫星探测到，那么该照明像素就被定义为一个年内不稳定的照明像素。其次，在年度合成数据集中，年内不稳定照明像素的DN值被替换为零值，并且每个年内稳定照明像素的DN值由同一年的两个NSL图像的平均DN值代替。于是每年就产生了一种内部组成：

其中和分别是来自第n年的两个NSL数据的第i个照明像素的DN值，是第n年的年度内复合材料的第i个照明像素的DN值。

3.3 年际间系列校正

年际系列校正的目的是为了消除多年期数据集的不一致性，并校正持续照明像素的DN值，以确保使用NSL数据获得的城市扩张动态反映中国城市扩张的实际过程。使用1公里的分辨率，我们假设城市面积在中国将不断增长，随着时间的推移照明像素会变得更加明亮。我们还假设在早期的NSL图像中检测到的城市斑块不会在随后的一年消失(He,

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24420]，资料为PDF文档或Word文档，PDF文档可免费转换为Word