CN107239886B - 基于高分卫星遥感数据的gdp密度分析系统 - Google Patents
基于高分卫星遥感数据的gdp密度分析系统 Download PDFInfo
- Publication number
- CN107239886B CN107239886B CN201710369823.5A CN201710369823A CN107239886B CN 107239886 B CN107239886 B CN 107239886B CN 201710369823 A CN201710369823 A CN 201710369823A CN 107239886 B CN107239886 B CN 107239886B
- Authority
- CN
- China
- Prior art keywords
- gdp
- remote sensing
- sensing data
- gdp density
- density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 239000000203 mixture Substances 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims description 29
- 238000002310 reflectometry Methods 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 18
- 240000003186 Stachytarpheta cayennensis Species 0.000 claims description 13
- 235000009233 Stachytarpheta cayennensis Nutrition 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 239000004568 cement Substances 0.000 claims description 9
- 240000007241 Agrostis stolonifera Species 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 23
- 238000011161 development Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 20
- 238000001228 spectrum Methods 0.000 description 14
- 239000002689 soil Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于高分卫星遥感数据的GDP密度分析系统，包括：遥感数据获取模块、地物类型确定模块、GDP系数确定模块、格网划分模块和GDP密度确定模块。相较于现有技术，本申请通过格网划分、以格网为单位分别计算每个格网内的GDP密度，从而能够计算出目标区域内更加具体的GDP密度分布情况，相较于现有技术更加精确。另一方面，本申请基于遥感数据可以准确的确定目标区域内的地物类型组成，进而可以较为准确的确定不同地物类型对应的GDP系数，从而保证最终计算的GDP密度有较高的准确度。综上，本申请可以更加精确、准确的确定目标区域内的GDP密度分布情况，体现出GDP的分布细节，进而为国家和地方的宏观调控、经济策略和发展路线的规划提供数据支撑。
Description
技术领域
本发明涉及GDP密度计算领域，具体涉及一种基于高分卫星遥感数据的GDP密度分析系统。
背景技术
国内生产总值(GDP：Gross Domestic Product)是指一个国家或者地区所有常驻单位在一定时期内生产的所有最终产品和劳务的市场价值。GDP是国民经济核算的核心指标，也是衡量一个国家或地区总体经济状况重要指标。
目前，GDP密度一般是以行政区划为计算单位的，比如某一县市的GDP总额除以该县市的地理面积即作为该县市的GDP密度，精度很差，GDP在该县市内具体一些的分布情况是不可知的，采用上述方法无法获知区域内部GDP的差异，。
综上，目前迫切需要一种精度更高的GDP密度分析系统。
发明内容
针对现有技术中的缺陷，本发明提供一种基于高分卫星遥感数据的GDP密度分析系统，以提高GDP密度计算的精准度，体现出GDP的分布细节，为国家和地方的宏观调控、经济策略和发展路线的规划提供数据支撑。
本发明提供的一种基于高分卫星遥感数据的GDP密度分析系统，包括：遥感数据获取模块、地物类型确定模块、GDP系数确定模块、格网划分模块和GDP密度确定模块；其中，
所述遥感数据获取模块，用于获取目标区域对应的遥感数据；
所述地物类型确定模块，用于根据所述遥感数据确定所述目标区域的地物类型组成；
所述GDP系数确定模块，用于确定所述目标区域内不同地物类型对应的GDP系数，所述GDP系数为单位面积地物类型对应的GDP；
所述格网划分模块，用于将目标区域划分为多个格网；
所述GDP密度确定模块，用于根据各个所述格网的地物类型组成和所述GDP系数，计算各个所述格网的GDP密度，以确定所述目标区域的GDP密度分布情况。
可选的，所述地物类型确定模块，包括：
雷达数据地物类型确定单元，用于基于不同地物类型对雷达信号的反射和散射特性，根据所述遥感数据获取模块获取的雷达遥感数据确定所述目标区域的地物类型组成。
可选的，所述地物类型确定模块，包括：
多光谱数据地物类型确定单元，用于基于不同地物类型对不同波段光谱反射率的差异，根据所述遥感数据获取模块获取的多光谱遥感数据确定所述目标区域的地物类型组成。
可选的，所述GDP系数确定模块，包括：
回归计算单元，用于根据已经明确地物类型组成和GDP数值的区域的样本数据，采用回归算法计算各地物类型对应的GDP系数。
可选的，所述GDP密度确定模块，包括：
GDP密度确定单元，用于根据以下数学算法计算各个所述格网的GDP密度：
其中，
表示第i个格网对应的GDP密度，j为不同的地物类型编号，aj表示第j种地物类型对应的GDP系数，Xj为第j种地物类型的面积在所述格网中的占比，n表示该格网中地物类型的数量。
可选的，所述基于高分卫星遥感数据的GDP密度分析系统，还包括：
第一GDP密度优化模块，用于基于夜间灯光强度与GDP密度的对应关系，根据夜间灯光遥感数据对所述GDP密度确定单元计算的各个所述格网的GDP密度进行优化，以优化所述目标区域的GDP密度分布情况。
可选的，所述第一GDP密度优化模块，包括：
第一GDP密度优化单元，用于根据以下数学算法对各个所述格网的GDP密度进行优化：
其中，GDPi表示优化后获得的第i个格网对应的GDP密度，
表示所述第一GDP密度确定单元计算获得的第i个格网对应的GDP密度；Li表示第i个格网对应的灯光强度，
表示所述目标区域的平均灯光强度；GDPL表示单位灯光强度代表的GDP密度；p为优化调节参数。
可选的，所述基于高分卫星遥感数据的GDP密度分析系统，还包括：
第二GDP密度优化模块，用于基于城市热岛强度与GDP密度的对应关系，根据红外遥感数据对所述GDP密度确定单元计算的各个所述格网的GDP密度进行优化，以优化所述目标区域的GDP密度分布情况。
可选的，所述第二GDP密度优化模块，包括：
第二GDP密度优化单元，用于根据以下数学算法对各个所述格网的GDP密度进行优化：
其中，GDPi表示优化后获得的第i个格网对应的GDP密度，
表示所述第一GDP密度确定单元计算获得的第i个格网对应的GDP密度；Ii表示第i个格网对应的热岛强度，
表示所述目标区域的平均热岛强度；GDPI表示单位热岛强度代表的GDP密度。
可选的，所述基于高分卫星遥感数据的GDP密度分析系统，还包括：
GDP密度分布图生成模块，用于根据GDP密度与不同颜色的映射关系，将各所述格网对应的位置填充与该网格GDP密度相应的颜色，以绘制所述目标区域的GDP密度分布图。
由上述技术方案可知，本发明提供的一种基于高分卫星遥感数据的GDP密度分析系统，包括：遥感数据获取模块、地物类型确定模块、GDP系数确定模块、格网划分模块和GDP密度确定模块。相较于现有技术，本申请提供的所述基于高分卫星遥感数据的GDP密度分析系统，通过将目标区域划分为多个格网，然后以格网为单位分别计算每个格网内的GDP密度，从而能够计算出目标区域内更加具体的GDP密度分布情况，相较于现有技术更加精确。另一方面，本申请基于遥感数据可以较为准确的确定目标区域内的地物类型组成，基于上述地物类型组成，可以较为准确的确定不同地物类型对应的GDP系数，从而保证最终计算的GDP密度具有较高的准确度。综上，基于本申请可以更加精确、准确的确定目标区域内的GDP密度分布情况，体现出GDP的分布细节，进而为国家和地方的宏观调控、经济策略和发展路线的规划提供数据支撑。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1示出了本发明第一实施例所提供的一种基于高分卫星遥感数据的GDP密度分析系统的示意图；
图2示出了一种遥感数据获取模块的示意图；
图3示出了各地物类型对不同波段光谱的反射率的示意图；
图4示出了本发明实施例提供的某一区域的GDP密度分布情况效果图；
图5示出了本发明实施例提供的某一区域经夜间灯光强度优化的GDP密度分布情况效果图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
本发明提供一种基于高分卫星遥感数据的GDP密度分析系统。下面结合附图对本发明的实施例进行说明。
图1示出了本发明第一实施例所提供的一种基于高分卫星遥感数据的GDP密度分析系统的示意图。如图1所示，本发明第一实施例提供的一种基于高分卫星遥感数据的GDP密度分析系统包括：
遥感数据获取模块1、地物类型确定模块2、GDP系数确定模块3、格网划分模块4和GDP密度确定模块5；其中，
所述遥感数据获取模块1，用于获取目标区域对应的遥感数据；
所述地物类型确定模块2，用于根据所述遥感数据确定所述目标区域的地物类型组成；
所述GDP系数确定模块3，用于确定所述目标区域内不同地物类型对应的GDP系数，所述GDP系数为单位面积地物类型对应的GDP；
所述格网划分模块4，用于将目标区域划分为多个格网；
所述GDP密度确定模块5，用于根据各个所述格网的地物类型组成和所述GDP系数，计算各个所述格网的GDP密度，以确定所述目标区域的GDP密度分布情况。
其中，所述地物类型是根据地面覆盖物的不同划分的类别，可以根据实际需求灵活划分，例如，可以根据地面覆盖物对不同波段光线的反射情况的差异，将地面覆盖物划分为蓝顶建筑物、红顶建筑物、水泥顶建筑物、裸地、湖泊、河流、农田和林地等；不同地物类型对GDP的贡献是不同的，例如，建筑物区域产生的GDP远远高于湖泊、河流产生的GDP，因此，划分地物类型，并根据地物类型细化GDP密度，可以更加精准的刻画GDP密度的分布情况。
随着遥感技术及高分辨率数据采集技术的发展，遥感数据的分辨率越来越高，数据类型越来越丰富，因此，采用高分辨率遥感数据对地面的地物类型进行区分已成为可能且辨识的准确性越来越高，基于此，也可以将所述格网划分得越小，以实现本发明实施例计算较为精确、准确的GDP密度的目的。
由于不同的遥感卫星采用的遥感方式不同，采集的遥感数据可能也不同，例如我国发射的高分3号卫星及加拿大发射的Radarsat-2卫星是采用合成孔径雷达采集遥感数据，其数据形式为雷达数据，而高分5号卫星和Landsat系列卫星采用的是全谱段成像仪等仪器采集遥感数据，其数据形式为多光谱数据，以上雷达遥感数据和多光谱遥感数据都可以用于对目标区域进行地物类型的确定，本发明实施例中，所述遥感数据获取模块1可以根据配置的所述地物类型确定模块2的工作原理选择相应的遥感数据。
其中，利用高质量的多光谱数据可以更加精确的确定目标区域的地物类型组成，但由于云雨雾雪等天气会影响多光谱数据的准确性，因此，在本申请提供的一个实施例中，采用根据天气情况选择采用不同的遥感数据的方式，晴空地区采用多光谱遥感数据，多云多雨地区则采用雷达遥感数据，从而从数据源开始最大限度的保证后续计算的准确性，具体实施方式为请参考图2，其示出了一种遥感数据获取模块1的示意图，所述遥感数据获取模块1包括：天气判断单元11、雷达数据获取单元12和多光谱数据获取单元13；
所述天气判断单元11用于根据目标区域的天气状况选择触发雷达数据获取单元12获取雷达遥感数据或触发多光谱数据获取单元13获取多光谱遥感数据；具体的，可以在晴朗的天气条件下触发多光谱数据获取单元13获取多光谱遥感数据，在云雨雾雪等天气条件下触发雷达数据获取单元12获取雷达遥感数据；
所述雷达数据获取单元12用于在所述天气判断单元11的触发下获取所述目标区域的雷达遥感数据；
所述多光谱数据获取单元13用于在所述天气判断单元11的触发下获取所述目标区域的多光谱遥感数据。
其中，所述天气判断单元11对天气状况的判断依据，可以根据天气统计结果预先设置各地区与常见天气状况对应关系的数据库，所述天气判断单元11根据需要实时从所述数据库中调取；也可以是调取目标区域指定日期的天气记录，根据记录确定目标区域指定日期的天气状况；其均为本申请的变更实施方式，均在本申请的保护范围之内。
根据遥感数据的不同，所述地物类型确定模块2也采用不同的方式进行数据的提取，例如，对雷达遥感数据，由于建筑物的布局、材质、结构以及周围环境的差异，在SAR图像(即雷达遥感数据)上呈现不同的纹理特征，如城市中建筑物分布整齐，楼房之间间距较大，大多为平顶整齐的高层楼房，使用材料大多具有良好反射率，在图像上表现为强亮度区域，而建筑物之间的道路，粗糙植被如草坪等，由于表面散射，表现为暗区域，因此，城市居民地在图像上表现为明暗相间的纹理，相似性较小；农村居民地分布相对散乱，没有明显规律，且道路等区域在图像上不明显，因此呈现不规则亮斑状，相似性较大。
因此，在本申请提供的一个实施例中，所述地物类型确定模块2，包括：雷达数据地物类型确定单元，用于基于不同地物类型对雷达信号的反射和散射特性，根据所述遥感数据获取模块1获取的雷达遥感数据确定所述目标区域的地物类型组成。
具体的，所述雷达数据地物类型确定单元可以采用以下方法从目标区域中提取出各地物类型对应的区域：对某一待提取的地物类型，可以基于变差函数理论，在分析中高分辨率SAR图像中该待提取地物类型纹理特征的基础上，采用基于迭代P参数法的阈值确定方法，为满足阈值范围的像元点赋以权值，以加大该待提取地物类型与其他地物类型的变差函数差，从而提取出该待提取地物类型对应的区域。采用上述方法，不仅可以保证较高的检测率，还可以显著降低虚警率，上述从雷达遥感数据中提取地物类型区域的技术为现有技术，本实施例不再赘述。现有技术中还公开有多种针对具体地物类型如湖泊、林地、农田等的提取方法，其均可应用于本发明实施例以达到确定目标区域中地物类型组成的目的，本领域技术人员可以将其应用于本发明实施例整体方案中，起均应在本申请的保护范围之内。
而对于多光谱遥感数据，现有技术虽然公开了部分提取水面、建筑物的方法，但发明人在应用中发现其提取精度、准确性并不理想，因此，本申请提出了更为准确、精确度更高的方式，在本申请提供的一个实施例中，所述地物类型确定模块2，包括：
多光谱数据地物类型确定单元，用于基于不同地物类型对不同波段光谱反射率的差异，根据所述遥感数据获取模块1获取的多光谱遥感数据确定所述目标区域的地物类型组成。
具体的，在本申请提供的一个实施例中，所述多光谱数据地物类型确定单元，包括：
地物分类子单元，用于将地物类型划分为蓝顶建筑物、红顶建筑物、水泥顶建筑物、裸地、湖泊、河流、农田和林地；
地物确定调度子单元，用于根据所述地物分类子单元对地物类型的划分结果，对各地物类型，分别调用以下提取指数构建子单元、指数值计算子单元和二值化处理子单元从所述目标区域中提取出该地物类型对应的区域，从而确定所述目标区域的地物类型组成；
提取指数构建子单元，用于根据待提取的地物类型与其他地物类型对不同波段光谱反射率的差异构建能够将该待提取的地物类型与其他地物进行区分的地物提取指数；
指数值计算子单元，用于计算所述遥感数据中各像元对应的所述地物提取指数的指数值；
二值化处理子单元，用于将各像元的所述地物提取指数的指数值进行二值化处理，并根据二值化结果对所述遥感数据进行分割，提取出该待提取的地物类型对应的区域。
在上述实施例中，所述地物分类子单元根据不同类型的地物对不同波段光谱的反射率的差异以及居民地包含的地物类型，更为细致、准确的将地物类型划分为蓝顶建筑物(主要为企业的厂棚)、红顶建筑物(主要为红顶房屋，部分为企业厂棚)、水泥顶建筑物(主要为城镇居民区、道路等)、裸地、湖泊(人工湖、水库等)、河流、农田(作物覆盖的)和林地，由于不同地物类型对应的GDP系数不同，这样细致的划分有助于提高最终计算的GDP密度的准确性。
所述提取指数构建子单元通过比较各地物类型对不同波段光谱的反射率，进而根据待提取的地物类型与其他地物类型对不同波段光谱反射率的差异构建能够将待提取的地物类型与其他地物进行区分的地物提取指数，请参考图3，其示出了各地物类型对不同波段光谱的反射率的示意图，图中，波段2表示蓝光波段，波段3表示绿光波段，波段4表示红光波段，波段5表示近红外波段，由图可知，蓝顶建筑物在蓝光波段的反射率明显高于绿光波段的反射率，而其他地物类型则基本持平或者是绿光波段的反射率高于蓝光波段的反射率，这样，若计算蓝光波段的反射率减去绿光波段的反射率，蓝顶建筑物对应的数值为较大的正数，而其他地物类型对应的数值则为负数或接近于零的正数，据此可以将蓝顶建筑物提取出来；采用同样的理论，红顶建筑物和水泥顶建筑物(包括裸土)在红光波段的反射率明显高于绿光波段的反射率，而其他地物类型则均是绿光波段的反射率高于红光波段的反射率，这样，若计算红光波段的反射率减去绿光波段的反射率，红顶建筑物和水泥顶建筑物(包括裸土)对应的数值为较大的正数，而其他地物类型对应的数值则为负数，据此可以将红顶建筑物和水泥顶建筑物(包括裸土)提取出来。其中，可以在提取出蓝顶建筑物后，再基于蓝光波段的反射率和绿光波段的反射率提取出裸土，这样扣除裸土即可提取出更为精确的红顶建筑物和水泥顶建筑物。采用相同的理论，湖泊和河流在近红外波段的反射率低于在红光波段的反射率，而其他地物类型对应的在近红外波段的反射率均高于在红光波段的反射率，这样，若计算红光波段的反射率减去近红外波段的反射率，湖泊和河流对应的数值为正数，而其他地物类型对应的数值则为负数，据此可以将湖泊和河流提取出来(湖泊和河流产生的GDP近似，因此可统一视为水域而不必进一步进行区分)。
由于裸土实际面积较少可以忽略，为了简化计算，本发明实施例采用包含裸土的地物提取方法进行示例性说明，本领域技术人员可以在上述说明的基础上变更实施，进一步提取出裸土后扣除，以提取出更为准确的地物类型对应的区域，其也在本申请的保护范围之内。
以含裸土的地物提取为例，所述提取指数构建子单元通过上述计算，即可根据各地物类型对不同波段光谱反射率的差异构建能够将待提取的地物与其他地物进行区分的地物提取指数，例如，若待提取的地物类型为蓝顶建筑物，则所述提取指数构建子单元，可以根据蓝顶建筑物对应的第一反射率差与其他地物类型对应的第一反射率差的差异，构建以下针对蓝顶建筑物的地物提取指数，其中，所述第一反射率差是指对蓝光波段光谱的反射率与对绿光波段光谱的反射率的差：
式中，NDBIB2-B3表示针对蓝顶建筑物的地物提取指数，OLI2表示对蓝光波段光谱的反射率，OLI3表示对绿光波段光谱的反射率。
又如，若待提取的地物类型为红顶建筑物和水泥顶建筑物(不便于区分，可以一并提取)，则所述提取指数构建子单元，可以根据红顶建筑物和水泥顶建筑物对应的第二反射率差与其他地物类型对应的第二反射率差的差异，构建以下针对红顶建筑物和水泥顶建筑物的地物提取指数，其中，所述第二反射率差是指对红光波段光谱的反射率与对绿光波段光谱的反射率的差：
式中，NDBIB4-B3表示针对红顶建筑物和水泥顶建筑物的地物提取指数，OLI4表示对红光波段光谱的反射率，OLI3表示对绿光波段光谱的反射率。
采用上述两个具体的地物提取指数，可以进一步放大待提取地物与其他地物类型对应的该指数的差异，从而有助于在后续处理中精准的将待提取地物提取出来，在具体实施时，还可以对上述公式减去一个调整参数，以将较大的正数与较小的正数调整为正数与负数，以减少在后续二值化处理过程中产生的噪声或误差。
相应的，所述二值化处理子单元在将各像元的所述地物提取指数的指数值进行二值化处理，并根据二值化结果对所述遥感数据进行分割后，即可根据对所述针对蓝顶建筑物的地物提取指数的指数值的二值化处理结果提取出蓝顶建筑物，根据对所述针对红顶建筑物和水泥顶建筑物的地物提取指数的指数值的二值化处理结果提取出红顶建筑物和水泥顶建筑物，采用类似的方法可以进一步提取出湖泊和河流、农田和林地等地物类型，从而确定目标区域内的地物类型组成。
其中，所述GDP系数是指指定地物类型单位面积上的GDP数值，可以通过统计现有较为精确的数据确定，为了保证所述GDP系数计算的精确性，在本发明提供的一个实施例中，所述GDP系数确定模块3，包括：
回归计算单元，用于根据已经明确地物类型组成和GDP数值的区域的样本数据，采用回归算法计算各地物类型对应的GDP系数。
例如，所述回归计算单元可以获取多个与目标区域相似的区域的样本数据，每个样本数据包括样本区域中明确的地物类型组成情况(包括各地物类型的实际面积)和GDP数值，基于上述样本数据，可以以各地物类型的GDP系数为自变量，以GDP数值为因变量，建立回归模型，然后将样本数据输入所述回归模型，经过数据拟合确定各地物类型对应的GDP系数。采用上述回归算法可以获得更为准确的各地物类型对应的GDP系数，从而有助于最终计算获得更为精准的GDP密度。
所述格网划分模块4，用于将目标区域划分为多个格网，所述格网的划分可以根据实际需求以及所述遥感数据分辨率的高低灵活设置，比如可以将目标区域划分为多个十米格网、百米格网或千米格网等等，其均在本申请的保护范围之内，格网划分越精细，最终确定的GDP密度的分布情况更加精准。
根据所述目标区域的地物类型组成情况和GDP系数，所述GDP密度确定模块5即可计算确定各格网(格网是将目标区域划分而得的，目标区域的地物类型组成情况确定了，相应的各格网的地物类型组成情况也就确定了)的GDP密度，具体计算方法可以根据实际需求灵活设置，在本申请提供的一个实施例中，所述GDP密度确定模块5，包括：
GDP密度确定单元，用于根据以下数学算法计算各个所述格网的GDP密度：
其中，
表示第i个格网对应的GDP密度，j为不同的地物类型编号，aj表示第j种地物类型对应的GDP系数，Xj为第j种地物类型的面积在所述格网中的占比，n表示该格网中地物类型的数量。
由于格网是将目标区域划分而得的，各所述格网的GDP密度确定了，那么目标区域的GDP密度分布情况(即人口空间分布)也就确定了。
基于以上实施例说明，本发明第一实施例通过将目标区域划分为多个格网，然后以格网为单位分别计算每个格网内的GDP密度，从而能够计算出目标区域内更加具体的GDP密度分布情况，相较于现有技术更加精确。另一方面，本申请基于遥感数据可以较为准确的确定目标区域内的地物类型组成，基于上述地物类型组成，可以较为准确的确定不同地物类型对应的GDP系数，从而保证最终计算的GDP密度具有较高的准确度。综上，基于本申请可以更加精确、准确的确定目标区域内的GDP密度分布情况，体现出GDP的分布细节，进而为国家和地方的宏观调控、经济策略和发展路线的规划提供数据支撑。
为了更加直观的展现所述GDP密度分布情况，在本申请提供的一个实施例中，所述基于高分卫星遥感数据的GDP密度分析系统，还包括：
GDP密度分布图生成模块，用于根据GDP密度与不同颜色的映射关系，将各所述格网对应的位置填充与该网格GDP密度相应的颜色，以绘制所述目标区域的GDP密度分布图。
作为上述实施例的变更实施方式，可以采用灰度图代替彩色图表征目标区域的GDP密度分布图，如图4所示，其为本发明实施例提供的某一区域的GDP密度分布情况效果图，图中，颜色越深表示GDP密度越大，由图可见，相较于现有简单粗暴的采用行政区划计算和表征GDP密度分布情况的方式，采用本发明实施例提供的方式，可以更加精准的确定目标区域的GDP密度分布情况。
考虑到，地物类型是反映GDP密度的重要因素，但仅用地物类型来分析GDP密度的分布情况时，难以区分相同地物类型之间的GDP密度差异。而研究表明，夜间灯光数据与GDP密度存在高度相关。因此，在本申请提供的一个实施例中，所述基于高分卫星遥感数据的GDP密度分析系统，还包括：
第一GDP密度优化模块，用于基于夜间灯光强度与GDP密度的对应关系，根据夜间灯光遥感数据对所述GDP密度确定单元计算的各个所述格网的GDP密度进行优化，以优化所述目标区域的GDP密度分布情况。
其中，所述夜间灯光强度可以从所述目标区域对应的夜间灯光遥感数据获得，而夜间灯光遥感数据可以通过具有凝视全色相机或凝视多光谱相机的遥感卫星采集获得，例如我国发射的高分4号卫星即可在夜间采集夜间灯光遥感数据，根据采集的目标区域的夜间灯光遥感数据和对目标区域的格网划分，即可确定每个格网对应的夜间灯光强度以及目标区域的平均灯光强度，据此可以对所述GDP密度确定单元计算的各个所述格网的GDP密度进行优化。
具体的，在本申请提供的一个实施例中，所述第一GDP密度优化模块，包括：
第一GDP密度优化单元，用于根据以下数学算法对各个所述格网的GDP密度进行优化：
其中，GDPi表示优化后获得的第i个格网对应的GDP密度，
表示所述第一GDP密度确定单元计算获得的第i个格网对应的GDP密度；Li表示第i个格网对应的灯光强度，
表示所述目标区域的平均灯光强度；GDPL表示单位灯光强度代表的GDP密度；p为优化调节参数。
本领域技术人员可以基于上述实施例说明对具体数学算法进行多种合理变更，具体不再赘述，其均应在本申请的保护范围之内。
通过采用夜间灯光数据对所述格网的GDP密度进行优化，可以将借助夜间灯光数据将相同地物类型之间的GDP密度差异表征出来，从而使计算的GDP密度更加准确。
容易理解的是，对于对所述GDP密度确定单元计算的各个所述格网的GDP密度进行优化的情形，所述GDP密度分布图生成模块可以利用优化后的各个所述格网的GDP密度绘制所述目标区域的GDP密度分布图。请参考图5，本发明实施例提供的某一区域经夜间灯光强度优化的GDP密度分布情况效果图，图中，颜色越深对应的GDP密度越高，由图可见，经过夜间灯光强度优化后，获得的GDP密度分布图更加的精确、准确。
城市热岛强度也可以反映人类的社会经济活动，研究证实，城市热岛强度与GDP具有较好的相关性，因此，还可以采用城市热岛强度优化所述GDP密度确定模块计算确定的GDP密度，以更加精确的确定GDP密度的分布情况。在本申请提供的一个实施例中，还可以采用城市热岛强度对各格网的所述GDP密度进行优化，所述基于高分卫星遥感数据的GDP密度分析系统，还包括：
第二GDP密度优化模块，用于基于城市热岛强度与GDP密度的对应关系，根据红外遥感数据对所述GDP密度确定单元计算的各个所述格网的GDP密度进行优化，以优化所述目标区域的GDP密度分布情况。
其中，所述城市热岛强度根据所述目标区域对应的红外遥感数据计算确定，而红外遥感数据可以通过具有全谱段成像仪的遥感卫星采集获得，例如我国发射的高分5号卫星携带有全谱段成像仪，可获得地表20m可见近红外和40m中长红外遥感数据，根据采集的红外遥感数据，即可通过陆地表面温度反演技术推算出所述红外遥感数据中各个像元对应的地面温度，而城市热岛强度定义为城市中心区温度与郊区的温度差值，用来表征由于城市结构所造成的城市区域温度高于郊区温度的程度，因此根据所述地面温度即可计算出所述红外遥感数据中各个像元对应的城市热岛强度，从而确定每个格网对应的城市热岛强度(可以是格网内所有像元的城市热岛强度取平均值)以及目标区域的平均城市热岛强度，据此可以对所述GDP密度确定单元计算的各个所述格网的GDP密度进行优化。
具体的，在本申请提供的一个实施例中，所述第二GDP密度优化模块，包括：
第二GDP密度优化单元，用于根据以下数学算法对各个所述格网的GDP密度进行优化：
其中，GDPi表示优化后获得的第i个格网对应的GDP密度，
表示所述第一GDP密度确定单元计算获得的第i个格网对应的GDP密度；Ii表示第i个格网对应的热岛强度，
表示所述目标区域的平均热岛强度；GDPI表示单位热岛强度代表的GDP密度。
其中，基于红外遥感数据采用陆地表面温度反演技术推算地面温度为现有成熟的技术，此处不再赘述，将其应用于本发明实施例中构成的整体实施方案，均在本申请的保护范围之内。
容易理解的是，对于对所述GDP密度确定单元计算的各个所述格网的GDP密度进行优化的情形，所述GDP密度分布图生成模块可以利用优化后的各个所述格网的GDP密度绘制所述目标区域的GDP密度分布图。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
需要说明的是，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例所提供的基于高分卫星遥感数据的GDP密度分析系统可以是计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (6)
1.一种基于高分卫星遥感数据的GDP密度分析系统，其特征在于，包括：遥感数据获取模块、地物类型确定模块、GDP系数确定模块、格网划分模块和GDP密度确定模块；其中，
所述遥感数据获取模块，用于获取目标区域对应的遥感数据；
所述地物类型确定模块，用于根据所述遥感数据确定所述目标区域的地物类型组成；
所述GDP系数确定模块，用于确定所述目标区域内不同地物类型对应的GDP系数，所述GDP系数为单位面积地物类型对应的GDP；
所述格网划分模块，用于将目标区域划分为多个格网；
所述GDP密度确定模块，用于根据各个所述格网的地物类型组成和所述GDP系数，计算各个所述格网的GDP密度，以确定所述目标区域的GDP密度分布情况；
所述遥感数据获取模块包括：天气判断单元、雷达数据获取单元和多光谱数据获取单元；
所述天气判断单元用于根据目标区域的天气状况选择触发雷达数据获取单元获取雷达遥感数据或触发多光谱数据获取单元获取多光谱遥感数据；具体的，在晴朗的天气条件下触发多光谱数据获取单元获取多光谱遥感数据，在云雨雾雪天气条件下触发雷达数据获取单元获取雷达遥感数据；
所述雷达数据获取单元用于在所述天气判断单元的触发下获取所述目标区域的雷达遥感数据；
所述多光谱数据获取单元用于在所述天气判断单元的触发下获取所述目标区域的多光谱遥感数据；
所述地物类型确定模块，包括：
雷达数据地物类型确定单元，用于基于不同地物类型对雷达信号的反射和散射特性，根据所述遥感数据获取模块获取的雷达遥感数据确定所述目标区域的地物类型组成；
所述遥感数据获取模块可以根据配置的所述地物类型确定模块的工作原理选择相应的遥感数据；
所述地物类型确定模块，包括：
多光谱数据地物类型确定单元，所述多光谱数据地物类型确定单元，包括：
地物分类子单元，用于将地物类型划分为蓝顶建筑物、红顶建筑物、水泥顶建筑物、裸地、湖泊、河流、农田和林地；
地物确定调度子单元，用于根据所述地物分类子单元对地物类型的划分结果，对各地物类型，分别调用以下提取指数构建子单元、指数值计算子单元和二值化处理子单元从所述目标区域中提取出该地物类型对应的区域，从而确定所述目标区域的地物类型组成；
提取指数构建子单元，用于根据待提取的地物类型与其他地物类型对不同波段光谱反射率的差异构建能够将该待提取的地物类型与其他地物进行区分的地物提取指数；
指数值计算子单元，用于计算所述遥感数据中各像元对应的所述地物提取指数的指数值；
二值化处理子单元，用于将各像元的所述地物提取指数的指数值进行二值化处理，并根据二值化结果对所述遥感数据进行分割，提取出该待提取的地物类型对应的区域。
2.根据权利要求1所述的基于高分卫星遥感数据的GDP密度分析系统，其特征在于，所述GDP系数确定模块，包括：
回归计算单元，用于根据已经明确地物类型组成和GDP数值的区域的样本数据，采用回归算法计算各地物类型对应的GDP系数。
3.根据权利要求1所述的基于高分卫星遥感数据的GDP密度分析系统，其特征在于，所述GDP密度确定模块，包括：
GDP密度确定单元，用于根据以下数学算法计算各个所述格网的GDP密度：
其中，
表示第i个格网对应的GDP密度，j为不同的地物类型编号，aj表示第j种地物类型对应的GDP系数，Xj为第j种地物类型的面积在所述格网中的占比，n表示该格网中地物类型的数量。
4.根据权利要求3所述的基于高分卫星遥感数据的GDP密度分析系统，其特征在于，还包括：
第一GDP密度优化模块，用于基于夜间灯光强度与GDP密度的对应关系，根据夜间灯光遥感数据对所述GDP密度确定单元计算的各个所述格网的GDP密度进行优化，以优化所述目标区域的GDP密度分布情况。
5.根据权利要求4所述的基于高分卫星遥感数据的GDP密度分析系统，其特征在于，还包括：
第二GDP密度优化模块，用于基于城市热岛强度与GDP密度的对应关系，根据红外遥感数据对所述GDP密度确定单元计算的各个所述格网的GDP密度进行优化，以优化所述目标区域的GDP密度分布情况。
6.根据权利要求1-5任一项所述的基于高分卫星遥感数据的GDP密度分析系统，其特征在于，还包括：
GDP密度分布图生成模块，用于根据GDP密度与不同颜色的映射关系，将各所述格网对应的位置填充与网格GDP密度相应的颜色，以绘制所述目标区域的GDP密度分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710369823.5A CN107239886B (zh) | 2017-05-23 | 2017-05-23 | 基于高分卫星遥感数据的gdp密度分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710369823.5A CN107239886B (zh) | 2017-05-23 | 2017-05-23 | 基于高分卫星遥感数据的gdp密度分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107239886A CN107239886A (zh) | 2017-10-10 |
| CN107239886B true CN107239886B (zh) | 2021-01-15 |
Family
ID=59985928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710369823.5A Expired - Fee Related CN107239886B (zh) | 2017-05-23 | 2017-05-23 | 基于高分卫星遥感数据的gdp密度分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107239886B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543592A (zh) * | 2018-11-19 | 2019-03-29 | 北京英视睿达科技有限公司 | 基于遥感地物确定大气污染热点网格的方法及装置 |
| CN110390276B (zh) * | 2019-07-04 | 2021-06-22 | 中科卫星应用德清研究院 | 基于遥感大数据的大棚房识别方法及系统 |
| CN112183218A (zh) * | 2020-09-03 | 2021-01-05 | 深圳前海微众银行股份有限公司 | 一种监测工业生产指数的方法及装置 |
-
2017
- 2017-05-23 CN CN201710369823.5A patent/CN107239886B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
| Title |
|---|
| 刘红辉、江东、杨小唤、罗春.基于遥感的全国GDP1km格网的空间化表达.《地球信息科学》.2005,第7卷(第2期),第120-123页. * |
| 基于NPP-VIIRS夜间灯光数据的北京市GDP空间化方法;李峰等;《国土资源遥感》;20160627;第28卷(第3期);第19-24页 * |
| 基于遥感的全国GDP1km格网的空间化表达;刘红辉、江东、杨小唤、罗春;《地球信息科学》;20050630;第7卷(第2期);第120-123页 * |
| 激光雷达和高光谱数据融合的城市土地利用分类方法研究;满其霞;《中国博士学位论文全文数据库》;20151015(第10期);第76页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107239886A (zh) | 2017-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109101894B (zh) | 一种地表类型数据支持的遥感图像云阴影检测方法 | |
| CN107239756A (zh) | 基于高分卫星遥感数据结合地物类型的人口密度分析系统 | |
| Lyu et al. | A new method for grassland degradation monitoring by vegetation species composition using hyperspectral remote sensing | |
| CN107229913A (zh) | 基于高分卫星遥感数据结合建筑高度的人口密度分析系统 | |
| Zhang et al. | Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery | |
| CN106501186B (zh) | 一种土壤含水量产品降尺度方法 | |
| CN106778629B (zh) | 大棚识别方法及装置 | |
| Juszak et al. | Drivers of shortwave radiation fluxes in Arctic tundra across scales | |
| Han et al. | Extraction of multilayer vegetation coverage using airborne LiDAR discrete points with intensity information in urban areas: A case study in Nanjing City, China | |
| CN107239886B (zh) | 基于高分卫星遥感数据的gdp密度分析系统 | |
| CN110363246A (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
| Clark et al. | Landscape analysis using multi-scale segmentation and object-oriented classification | |
| CN115294183A (zh) | 一种基于多源遥感数据的碟型子湖水体时序提取方法 | |
| CN107121681B (zh) | 基于高分卫星遥感数据的居民地提取系统 | |
| Na et al. | Assessing breeding habitat suitability for the endangered red-crowned crane (Grus japonensis) based on multi-source remote sensing data | |
| CN107194857A (zh) | 基于高分卫星遥感数据的可利用土地资源分析系统 | |
| Kussul et al. | Complex method for land degradation estimation | |
| Jafarzadeh et al. | Increasing the spatial accuracy of the land use map using fusion of optical and radar images of Sentinel and Google Earth Engine | |
| Ferreira et al. | Estimating aboveground biomass of tropical urban forests with UAV-borne hyperspectral and LiDAR data | |
| Vogt et al. | Integrating information on river networks, catchments and major forest types: Towards the characterisation and analysis of European landscapes | |
| Lam-Dao | Rice crop monitoring using new generation synthetic aperture radar (SAR) imagery | |
| Männistö | Mapping and Classification of Urban Green Spaces With Object-Based Image Analysis and Lidar Data Fusion | |
| KR102724708B1 (ko) | 도시 옥외공간 토지피복 분류방법 | |
| Oymatov et al. | Improving the methods of Agricultural mapping using remote sensing data | |
| Förster et al. | Remote sensing-based monitoring of potential climate-induced impacts on habitats |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210115 |