论文部分内容阅读
国内生产总值（gross domestic product,GDP）是衡量一个国家或地区经济发展的基本指标之一[1],而DMSP-OLS和NPP-VIIRS夜间灯光数据与经济发展密切相关,被广泛应用于社会经济参数的估算。DMSP-OLS数据的时间覆盖范围涵盖了1992年至2013年,而NPP-VIIRS数据则从2012年开始提供。因此,本文提出一种简单的数据同化方法,将DMSP和NPP夜间灯光数据整合得到长时间序列的夜间灯光数据集,有助于研究长时间序列社会经济发展模式。首先,本文采用基于不变目标区域法对1992-2013年DMSP夜间灯光数据进行相互校正、饱和校正和影像间的连续性校正,并分别提取出同期中国大陆和31个省级行政区夜间灯光强度信息,在此基础上与统计GDP数据建立线性、指数、二次项、乘幂回归模型。通过比较估计GDP与统计GDP误差,选出各自最优拟合模型。结果表明:DMSP夜间灯光影像经过校正解决了长时间序列影像之间不稳定、不连续的问题;校正后的DMSP夜间灯光数据集夜间灯光总量（Total Nighttime Light,TNL）在国家和省级尺度与GDP存在强相关。中国大陆GDP预测指数模型最佳,R2达到0.97,平均相对误差仅为11.32%;31个省级行政区按时间序列构建GDP拟合模型优于每年各省级行政区模型。其中,四个直辖市和经济总量前六的行政区指数模型最优,其余省份二次项模型最优,R2均达到0.95以上,GDP估计相对误差10%左右。其次,本文对2012-2017年NPP夜间灯光数据进行预处理,去除背景噪声、高亮异常值以及负值,构建2012-2013年的中国省级DMSP夜间灯光数据的TNL和NPP夜间灯光数据的TNL关系模型。结果发现乘幂模型最优,R2为0.9417,利用乘幂模型将两种夜间灯光数据集整合起来,形成1992-2017年长时间序列夜间灯光数据集,此数据集夜间灯光总量TNL在国家级和省级尺度上均具有连续性。此外,2012年和2013年NPP夜间灯光数据模拟DMSP的TNL平均相对误差分别为15.63%和16.51%,精度相对较高,验证了此数据同化方法的可行性。然后,本文采用线性、二次多项式、乘幂和指数模型分别对1992-2017年中国大陆TNL与GDP建模。结果表明,1992-2017年中国大陆GDP最佳拟合模型是乘幂模型,R2为0.9795,平均相对误差MARE为12.23%,而二次项、线性、指数模型相关系数虽高,但MARE较大,已经无法准确估计中国大陆GDP。考虑到单一模型越来越不能反映TNL与GDP关系,因此,本文采用简单的组合模型（乘幂和二次项组合模型,两种二次项组合模型,两种乘幂组合模型,二次项乘幂组合模型）研究1992-2017年中国大陆TNL与GDP数据关系。结果表明,乘幂二次项组合模型最优,R2为0.9938,MARE为6%,精度较高,优于单一乘幂模型拟合。最后,本文利用四种单一模型和乘幂二次项组合模型研究1992-2017年各个省级行政区长时间序列TNL与GDP关系模型,结果各省市最佳单一模型均是乘幂模型,R2在0.95左右,MARE在15.91%左右。而除了天津,西藏,广西,四川和重庆外,其余省市乘幂二次项组合模型比起单一模型,相关系数更高,GDP估计值与统计GDP相对误差更小,能够更好反映各个省市长时间序序列TNL于GDP关系。此外,在省级尺度上,NPP夜间灯光影像模拟GDP精度（R2在0.8以上）优于DMSP夜间灯光影像模拟GDP精度（R2在0.75左右）。