CN103440414B

CN103440414B - 基于地理辅助数据提高夜间灯光观测精度的方法

Info

Publication number: CN103440414B
Application number: CN201310371422.5A
Authority: CN
Inventors: 卢鹤立; 刘桂芳; 秦耀辰
Original assignee: Henan University
Current assignee: Henan University
Priority date: 2013-08-22
Filing date: 2013-08-22
Publication date: 2016-04-20
Anticipated expiration: 2033-08-22
Also published as: CN103440414A

Abstract

本发明涉及基于地理辅助数据提高夜间灯光观测精度的方法，首先通过地理辅助数据，包括人体舒适度指数、地形起伏度指数和地被指数等来构造居民活动指数，然后利用夜间灯光的非饱和线性区和居民活动指数的相关性建立回归模型，最后通过回归模型来反演夜间灯光的饱和区和无灯光区；本发明通过把非饱和线性区建立的模型用到饱和区和无数据区得到处理过的灯光数据，降低了夜间灯光数据的饱和现象并得到无灯光区的夜间灯光数据，从而提高了夜间灯光观测人类活动的精度。

Description

基于地理辅助数据提高夜间灯光观测精度的方法

技术领域

本发明涉及一种基于地理辅助数据提高夜间灯光观测精度的方法。

背景技术

美国DMSP卫星上搭载OLS传感器始于1976年9月发射的DMSPBlock5D-1SatelliteF-1,目前使用中的DMSP卫星系统(F-12,F-13,F-14)均搭载了OLS传感器。该传感器有两个通道:1)可见光、近红外通道(VNIR,0.4-1.0μm,光谱分辨率为6bit)；2)热红外通道(TIR,10-13μm,光谱分辨率为8bit),其获取图像的幅宽为3000km,全分辨率数据(FullResolution)的空间分辨率为0.56km。卫星以一天14轨的速度飞行,每一个OLS传感器每天都能获取覆盖全球的黑夜和白天的图像。整个卫星系统一天能提供全球黎明、白天、黄昏和夜晚4个时段的观测数据。设计这种传感器最初的目的是观测夜间月光照射下的云,因而具有较高的增益,这种高增益性能使OLS传感器不仅能监测云还能探测城镇灯光、火光、渔船灯光等发出的电磁波。1992年,美国空军和NOAA为DMSP-OLS数据在国家地理数据中心(NGDC：NationalGeophysicalDataCenter)建立了数字格式的文档。随后开发了相应的程序来识别和定位DMSP-OLS图像数据。此数据主要是基于低光数据(月光微弱条件下获取的数据)的稳定灯光数据产品(StableLightData),记录了一定时段内无云观测情况下灯光被探测到的频率。

DMSP-OLS稳定夜间灯光数据存在两个明显的缺陷，一是由于传感器的过饱和现象，难以有效反映灯光强烈的大城市内部格局特征；二是由于传感器灵敏度的限制，DMSP-OLS无法检测低于传感器阈值的灯光发出的电磁波；有研究显示，在DMSP-OLS稳定夜间灯光数据为零的区域依然有大量的人类活动。为克服这两个缺陷，本方法主要基于地理辅助数据对夜间灯光数据进行处理，以提高夜间灯光观测人类活动的精度。

发明内容

本发明的目的是提供一种基于地理辅助数据提高夜间灯光观测精度的方法，以解决夜间灯光数据难以有效反应灯光强烈的大城市内部格局特征、无法检测低于传感器阈值的灯光发出的电磁波的问题。

为实现上述目的，本发明的基于地理辅助数据提高夜间灯光观测精度的方法的步骤如下：

（1）根据区域内人体舒适度指数SI、地形起伏度指数F和地被指数LCI三个指标来构建居民活动指数HAI，

HAI={α·[1-(SI-SI_min)/(SI_max-SI_min)]+β·[1-(F-F_min)/(F_max-F_min)]}×LCI×100，α，β为（0,1）范围内的设定值；

（2）设定灯光亮度阈值，并依据该阈值将区域内夜间灯光数据按照灯光亮度由强到弱划分为灯光饱和区、非饱和线性区和无灯光区；

（3）以非饱和线性区的夜间灯光数据为因变量，以居民活动指数为自变量，进行拟合，建立回归模型；

（4）在饱和区与无数据区应用步骤（3）所建回归模型，以居民活动指数为自变量，通过模型反演得到饱和区和无数据区的夜间灯光数据，进而提高夜间灯光观测精度。

所述步骤（1）中人体舒适度指数SI=0.68×|T_m-24.0|+0.07×|H_μ-70|+0.5×|V-2.0|，T_m为平均气温（℃），H_μ为平均相对湿度（%），V为平均风速（m/s）。

所述步骤（1）中地形起伏度指数式中，E及分别代表空间任意一点的高程值和该点所在区域内的平均高程值；S及分别代表空间任意一点地坡度值和该点所在区域内的平均坡度值；ΔΑ代表空间内任意一点的坡向与其相邻8个点差值之和的平均值除以180°，即其中A为空间任意一点的坡向值，A_i表示与A相邻8个点中的第i个坡向值。

所述步骤（1）中地被指数LCI=1-NDVI_max，NDVI_max为该区域归一化植被指数的最大值。

所述步骤（2）中先对区域内夜间灯光数据进行标准化处理，处理公式为OLS'=(OLS-OLS_min)/(OLS_max-OLS_min)，其中OLS为夜间灯光数据，OLS'为处理后的夜间灯光数据，OLS_min和OLS_max分别为OLS的最小值和最大值，设定的阈值在（0,1）区间范围内。

所述步骤（3）中是以非饱和线性区的标准化夜间灯光数据为因变量。

所述步骤（2）中阈值的设定值是由试验得到的。

本发明的基于地理辅助数据提高夜间灯光观测精度的方法，首先通过地理辅助数据，包括人体舒适度指数、地形起伏度指数和地被指数等来构造居民活动指数，然后利用夜间灯光的非饱和线性区和居民活动指数的相关性建立回归模型，最后通过回归模型来反演夜间灯光的饱和区和无灯光区；本发明通过把非饱和线性区建立的模型用到饱和区和无数据区得到处理过的灯光数据，降低了夜间灯光数据的饱和现象并得到无灯光区的夜间灯光数据，从而提高了夜间灯光观测人类活动的精度。

附图说明

图1是本发明实施例的流程图；

图2是本发明实施例的计算得到居民活动指数示意图；

图3是本发明实施例的原始灯光数据显示图；

图4是本发明实施例的经过处理得到非饱和线性区显示图；

图5是本发明实施例的建立回归模型示意图；

图6是本发明实施例的处理前后夜间灯光数据对比显示图。

具体实施方式

如图1所示，基于地理辅助数据提高夜间灯光观测精度的方法步骤如下：

HAI={α·[1-(SI-SI_min)/(SI_max-SI_min)]+β·[1-(F-F_min)/(F_max-F_min)]}×LCI×100，其中，α，β为（0,1）范围内的设定值，该处α=0.53,β=0.47，SI_min和SI_max分别为SI的最小值和最大值，F_min和F_max分别为F的最小值和最大值；

（2）先对区域内夜间灯光数据进行标准化处理，处理公式为OLS'=(OLS-OLS_min)/(OLS_max-OLS_min)，其中OLS为夜间灯光数据，OLS'为处理后的夜间灯光数据，OLS_min和OLS_max分别为OLS的最小值和最大值；设定阈值，并依据该阈值将区域内夜间灯光数据按照灯光亮度由强到弱划分为灯光饱和区、非饱和线性区和无灯光区；阈值的设定值是由多次试验得到的；

（3）以非饱和线性区的夜间灯光数据为因变量，以居民活动指数为自变量，建立回归模型；由于居民活动指数和夜间灯光数据均可以构造为对应的带有坐标的地理空间数据，如（x，y，HAI）和（x，y，OLS），x，y分别表示区域坐标（或者栅格号），通过x，y的对应关系，可以将（x，y，HAI）和（x，y，OLS）进行配对，在OLS-HAI坐标系中进行定位，获得拟合曲线，得到回归模型。

下面以北京地区为例来详细说明基于地理辅助数据提高夜间灯光观测精度的方法的具体实现。

1构造居民活动指数

1.1计算人体舒适度

人体舒适度指数由以下公式得到：

SI=0.68×|T_m-24.0|+0.07×|H_μ-70|+0.5×|V-2.0|，

式中：T_m为平均气温（℃），H_μ为平均相对湿度（%），V为平均风速（m/s），平均气温、平均相对湿度与平均风速从中国气象局提供的1970年到2010年间的北京气象站点数据得到。

1.2计算地形起伏度指数

地形起伏度指数由以下公式得到：

式中：E及分别代表空间任意一点的高程值和该点所在区域内的平均高程值；S及分别代表空间任意一点地坡度值和该点所在区域内的平均坡度值；ΔΑ代表空间内任意一点的坡向与其相邻8个点差值之和的平均值除以180°，即其中A为空间任意一点的坡向值，A_i表示与A相邻8个点中的第i个坡向值。高程值、坡度值和坡向从美国地质调查局（USGS）提供的数字高程模型（DEM）得到。

1.3计算地被指数

LCI=1-NDVImax

式中：LCI为地被指数；NDVImax为该归一化植被指数的最大值。NDVI从NASA（美国航天局）提供的全球MODIS植被指数产品（MOD13A2）得到，年份为从1995-2000。

1.4计算居民活动指数

如图2所示，居民活动指数HAI：HAI={0.53×[1-(SI-SI_min)/(SI_max-SI_min)]+0.47×[1-(F-F_min)/(F_max-F_min)]}×LCI×100，其中，SI_min和SI_max分别为SI的最小值和最大值，F_min和F_max分别为F的最小值和最大值。

2区分非饱和线性区

先对区域内夜间灯光数据进行标准化处理，处理公式为OLS'=(OLS-OLS_min)/(OLS_max-OLS_min)，其中OLS为夜间灯光数据，OLS'为处理后的夜间灯光数据，OLS_min和OLS_max分别为OLS的最小值和最大值；设定区分灯光饱和区和非饱和线性区的阈值OLS_threshold=0.85，并依据该阈值将区域内夜间灯光数据按照灯光亮度由强到弱划分为灯光饱和区、非饱和线性区和无灯光区。图3是原始灯光数据显示图；图4是经过处理得到灯光饱和区、非饱和线性区和无灯光区显示图。3建立回归模型

以非饱和线性区的夜间灯光标准化数据为因变量用X表示，以居民活动指数为自变量用Y表示，居民活动指数用X表示，夜间灯光数据用Y表示。将X与Y进行配对，如下表1所示，以8个点为例，建立回归模型y=-0.0102x²+1.7772x-27.598，只要有非饱和线性区的灯光数据和居民活动指数就可以建立回归模块，该回归模型并不唯一，只要能够最大限度的拟合各点的即可，关于回归模型的建立为常规技术，不在此赘述。图5中R²=0.7928表示代表着模型回归方程的拟合程度，0.7928接近于1表示拟合程度较好。

表1部分居民活动指数和对应的夜间灯光对照表

序号	区域横坐标	区域纵坐标	居民活动指数	夜间灯光数据
					1	142	31	20.4	5
2	135	46	23.9	7
					3	186	71	27.0	9

4	74	73	25.6	11
					5	188	74	34.8	23
6	64	91	53.9	35
					7	138	97	37.3	37
8	139	108	52.2	41

4模型反演得到新数据

在饱和区与无数据区应用步骤（3）所建回归模型，以居民活动指数为自变量，通过模型反演得到饱和区和无数据区的夜间灯光数据，如图6所示，左边为原始灯光数据，右边为处理过的灯光数据，明显看出最大亮度得到提升，并得到无灯光区的数据。

最后所应说明的是：以上实施例仅用以说明而非限定本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解；依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims

1.基于地理辅助数据提高夜间灯光观测精度的方法，其特征在于，该方法的步骤如下：

(1)根据区域内人体舒适度指数SI、地形起伏度指数F和地被指数LCI三个指标来构建居民活动指数HAI，

HAI＝{α·[1-(SI-SI_min)/(SI_max-SI_min)]+β·[1-(F-F_min)/(F_max-F_min)]}×LCI×100，α，β为(0，1)范围内的设定值；

(2)设定灯光亮度阈值，并依据该阈值将区域内夜间灯光数据按照灯光亮度由强到弱划分为灯光饱和区、非饱和线性区和无灯光区；

(3)以非饱和线性区的夜间灯光数据为因变量，以居民活动指数为自变量，进行拟合，建立回归模型；

(4)在饱和区与无数据区应用步骤(3)所建回归模型，以居民活动指数为自变量，通过模型反演得到饱和区和无数据区的夜间灯光数据，进而提高夜间灯光观测精度；

所述步骤(1)中人体舒适度指数SI＝0.68×|T_m-24.0|+0.07×|H_μ-70|+0.5×|V-2.0|，T_m为平均气温(℃)，H_μ为平均相对湿度(％)，V为平均风速(m/s)；

所述步骤(1)中地形起伏度指数式中，E及分别代表空间任意一点的高程值和该点所在区域内的平均高程值；S及分别代表空间任意一点地坡度值和该点所在区域内的平均坡度值；ΔΑ代表空间内任意一点的坡向与其相邻8个点差值之和的平均值除以180°，即其中A为空间任意一点的坡向值，A_i表示与A相邻8个点中的第i个坡向值；

所述步骤(1)中地被指数LCI＝1-NDVI_max，NDVI_max为该区域归一化植被指数的最大值。

2.根据权利要求1所述的基于地理辅助数据提高夜间灯光观测精度的方法，其特征在于：所述步骤(2)中先对区域内夜间灯光数据进行标准化处理，处理公式为OLS'＝(OLS-OLS_min)/(OLS_max-OLS_min)，其中OLS为夜间灯光数据，OLS'为处理后的夜间灯光数据，OLS_min和OLS_max分别为OLS的最小值和最大值，设定的阈值在(0,1)区间范围内。

3.根据权利要求2所述的基于地理辅助数据提高夜间灯光观测精度的方法，其特征在于：所述步骤(3)中是以非饱和线性区的标准化夜间灯光数据为因变量。

4.根据权利要求1-3中任一项所述的基于地理辅助数据提高夜间灯光观测精度的方法，其特征在于：所述步骤(2)中阈值的设定值是由试验得到的。