CN111914137A - 一种基于遥感数据和poi数据的gdp空间化方法 - Google Patents
一种基于遥感数据和poi数据的gdp空间化方法 Download PDFInfo
- Publication number
- CN111914137A CN111914137A CN202010796485.5A CN202010796485A CN111914137A CN 111914137 A CN111914137 A CN 111914137A CN 202010796485 A CN202010796485 A CN 202010796485A CN 111914137 A CN111914137 A CN 111914137A
- Authority
- CN
- China
- Prior art keywords
- industry
- poi
- data
- value
- gdp
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 98
- 238000004088 simulation Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000012417 linear regression Methods 0.000 claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 20
- 238000010586 diagram Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 14
- 235000011470 Adenanthera pavonina Nutrition 0.000 claims description 5
- 241000428378 Lopa Species 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 description 29
- 238000011160 research Methods 0.000 description 13
- 238000009776 industrial production Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感数据和POI数据的GDP空间化方法，首先获取设定区域的在设定时间段内的GDP统计数据，并从该GDP统计数据中分离出第一产业产值和第二三产业产值，进行空间化处理得到第一产业空间分布图；根据卫星灯光遥感数据得到灯光亮度影像图，并获取灯光亮度总值SOL；将第二三产业产值与该灯光亮度总值SOL进行线性回归分析，得到其回归模拟方程进行空间化处理得到基于灯光影像的第二、三产业的空间分布图；将第二三产业产值与该POI密度总值POIsum进行线性回归分析，得到其回归模拟方程进行空间化处理得到基于POI密度分布的第二、三产业的空间分布图；最后叠加得到该区域的GDP产值空间分布图。
Description
技术领域
本发明涉及经济统计数据空间化领域，特别涉及一种基于遥感数据和POI 数据的GDP空间化方法。
背景技术
国内生产总值(GDP)是衡量区域发展的重要指标，能够全面反映该区域 经济特征、产业结构、居民生活水平等，传统的GDP是基于行政区划单元统 计而成，仅能反应该地区行政区划单元间的经济发展水平，不能呈现出行政区 划单元内部经济发展的差异性和不均衡性，因此需要将GDP进行区域空间化 展示。GDP的空间化能够对区域内经济发展均衡性、产业空间布局的差异性以 及人们贫富差距大小等方面有较为直观的表达，在地方产业合理规划布局、区 域均衡发展、国家精准扶贫政策制定及措施落地等方面具有积极的作用，在国 家内涵建设、高质量发展方面具有重要的意义。
发明内容
本发明的目的是克服上述现有技术中存在的问题，提供一种基于遥感数据 和POI数据的GDP空间化方法，展现GDP在行政区域内部空间上分布特征及 格局，定量直观呈现出区域内部经济发展差异。
为此，本发明提供一种基于遥感数据和POI数据的GDP空间化方法，具 体的：
(1)获取设定区域的在设定时间段内的GDP统计数据，并从该GDP统 计数据中分离出第一产业产值和第二三产业产值，所述GDP统计数据即国内 生产总值统计数据；
(2)根据该区域内的Landsat影像数据得到土地利用类型分布图，并根据 第一产业的全部产业类型，在该土地利用类型分布图上分别提取出每一个第一 产业的产业类型所对应的图斑，将各个图斑汇总得到该区域内的第一产业土地 利用类型分布图；将第一产业土地利用类型分布图和第一产业产值进行空间化 处理得到第一产业空间分布图；
(3)根据卫星灯光遥感数据得到灯光亮度影像图，并获取灯光亮度总值 SOL；将第二三产业产值与该灯光亮度总值SOL进行线性回归分析，得到其回 归模拟方程，并将其回归模拟方程进行空间化处理得到基于灯光影像的第二、 三产业的空间分布图；
(4)获取该区域内的POI数据，并根据POI数据的属性提取出属于第二、 三产业的POI数据集合，得到第二、三产业POI密度分布图，并得到POI密 度总值POIsum；将第二三产业产值与该POI密度总值POIsum进行线性回归分析， 得到其回归模拟方程，并将其回归模拟方程进行空间化处理得到基于POI密度 分布的第二、三产业的空间分布图，所述POI数据即兴趣点数据；
(5)根据设定的权重将基于灯光影像的第二、三产业的空间分布图和基 于POI密度分布的第二、三产业的空间分布图进行叠加得到第二、三产业空间 分布图；再将第二、三产业空间分布图和第一产业空间分布图叠加得到该区域 的GDP产值空间分布图。
进一步，在得到第一产业土地利用类型分布图的时候，可以通过以下的步 骤：
(1)获取该区域内的Landsat影像数据，根据土地利用类型分类标准进行 提取出各个利用类型土地的Landsat影像数据；
(2)分别对提取出的Landsat影像数据进行重采样，得到每一个利用类型 土地的图斑，得到该城市设定高度分辨率的土地利用类型分布图；
(3)将每一个第一产业的产业类型，与土地利用类型相对应；
(4)并根据第一产业的多个产业类型，在该土地利用类型分布图上分别 提取出每一个第一产业的产业类型所对应的图斑，将各个图斑汇总得到该区域 内的第一产业土地利用类型分布图。
更进一步，每一个第一产业的产业类型分别与第一产业产值进行空间化处 理得到一个类型的第一产业空间分布图；将每一个类型的第一产业空间分布图 进行叠加得到第一产业空间分布图。
进一步，所述卫星灯光遥感数据为珞珈一号灯光遥感数据，将珞珈一号灯 光遥感数据依次进行裁剪、重投影以及饱和值处理，得到该区域设定高度分辨 率的灯光亮度影像图；并根据
计算灯光亮度总值SOL；其中，max为该区域内像元数量的总数，m为 亮度值，Nm为该灯光亮度影像图统计亮度值为m的像元数量，Bm为像元自身 的亮度值，其中m为正整数。
更进一步，在得到灯光亮度总值SOL所对应的回归模拟方程的时候：根 据灯光亮度总值SOL建立线性回归等式
GDP23j＝a×SOLj+b
其中，GDP23j代表第j个基本单元的第二、三产业产值，SOLj代表 第j个基本单元范围内夜间灯光亮度总值，a和b代表线性回归方程的系数；所 述基本单元为该区域内在该时间段内的GDP统计数据的基本统计单元。
进一步，在POI数据中根据POI数据的属性信息提取出属于第二、三产业 的POI数据集合，并利用核密度分析法形成第二、三产业POI密度分布图，其 分辨率为设定高度的分辨率；并根据
计算POI密度总值POIsum；其中，max为该区域内像元数量的总数，k为 密度值，Sk为该POI密度分布图统计密度值为k的像元数量，Dk为像元自身 的密度值。
更进一步，在得到POI密度总值POIsum所对应的回归模拟方程的时候：根 据POI密度总值POIsum建立线性回归等式
其中，GDP23j代表第j个基本单元的第二、三产业产值，POIsumj代表第 j个基本单元范围内POI密度总值，λ和
代表线性回归方程的系数；所述 基本单元为该区域内在该时间段内的GDP统计数据的基本统计单元。
进一步，所述设定的权重为0.5。
本发明提供的一种基于遥感数据和POI数据的GDP空间化方法，具有如 下有益效果：本发明通过遥感数据和POI数据对GDP进行了空间化处理，并 利用POI数据精准性进一步增强二三产业局部细节特征，形成了该地区GDP 空间分布图，为地区经济发展诊断评估提供了方法支持，增强了GDP空间化 过程中细节特征；为目前国家发展评估、精准扶贫提供了新思路，也为区域高 质量发展和城市群经济产业规划提供技术手段。
附图说明
图1为本发明提供的一种基于遥感数据和POI数据的GDP空间化方法的 整体流程示意框图；
图2为本实施例的技术路线图；
图3为2017年郑州市范围示意图；
图4为2017年郑州市各研究区GDP总值分布图；
图5为郑州市珞珈一号夜间灯光图；
图6为郑州市三二三产业poi分布图；
图7为郑州市土地利用类型分布图；
图8为郑州市二三产业Poi核密度图；
图9为郑州市第一产业空间化模拟结果分布图；
图10为郑州市第二三产业产值与夜间灯光亮度总值拟合结果分布图；
图11为郑州市二三产业GDP空间化模拟结果分布图；
图12为郑州市GDP空间化结果分布图。
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解 本发明的保护范围并不受具体实施方式的限制。
在本申请文件中，未经明确的部件型号以及结构，均为本领域技术人员所 公知的现有技术，本领域技术人员均可根据实际情况的需要进行设定，在本申 请文件的实施例中不做具体的限定。
具体的，如图1所示，本发明实施例提供了一种基于遥感数据和POI数据 的GDP空间化方法，如下步骤：
(1)获取设定区域的在设定时间段内的GDP统计数据，并从该GDP统 计数据中分离出第一产业产值和第二三产业产值，所述GDP统计数据即国内 生产总值统计数据；
(2)根据该区域内的Landsat影像数据得到土地利用类型分布图，并根据 第一产业的全部产业类型，在该土地利用类型分布图上分别提取出每一个第一 产业的产业类型所对应的图斑，将各个图斑汇总得到该区域内的第一产业土地 利用类型分布图；将第一产业土地利用类型分布图和第一产业产值进行空间化 处理得到第一产业空间分布图；第一产业的产业类型主要指生产食材以及其它 一些生物材料的产业，包括种植业、林业、畜牧业、水产养殖业等直接以自然 物为生产对象的产业；
(3)根据卫星灯光遥感数据得到灯光亮度影像图(即是卫星在夜晚获取 的各个地区的灯光亮度所组成的灯光亮度影像图)，并获取灯光亮度总值SOL； 将第二三产业产值与该灯光亮度总值SOL进行线性回归分析，得到其回归模 拟方程，并将其回归模拟方程进行空间化处理得到基于灯光影像的第二、三产 业的空间分布图；
(4)获取该区域内的POI数据，并根据POI数据的属性提取出属于第二、 三产业的POI数据集合，得到第二、三产业POI密度分布图，并得到POI密 度总值POIsum；将第二三产业产值与该POI密度总值POIsum进行线性回归分析， 得到其回归模拟方程，并将其回归模拟方程进行空间化处理得到基于POI密度 分布的第二、三产业的空间分布图，所述POI数据即兴趣点数据；POI是“Point of Interest”的缩写，即“兴趣点”。例如电子地图上一般用气泡图标来表示POI， 像电子地图上的景点、政府机构、公司、商场、饭馆等，都是POI数据。
(5)根据设定的权重将基于灯光影像的第二、三产业的空间分布图和基 于POI密度分布的第二、三产业的空间分布图进行叠加得到第二、三产业空间 分布图；再将第二、三产业空间分布图和第一产业空间分布图叠加得到该区域 的GDP产值空间分布图。
在本实施例中，在得到第一产业土地利用类型分布图的时候，通过下述的 步骤：
(1)获取该区域内的Landsat影像数据，根据土地利用类型分类标准进行 提取出各个利用类型土地的Landsat影像数据；
(2)分别对提取出的Landsat影像数据进行重采样，得到每一个利用类型 土地的图斑，得到该城市设定高度分辨率的土地利用类型分布图；
(3)将每一个第一产业的产业类型，与土地利用类型相对应；
(4)并根据第一产业的多个产业类型，在该土地利用类型分布图上分别 提取出每一个第一产业的产业类型所对应的图斑，将各个图斑汇总得到该区域 内的第一产业土地利用类型分布图。
同时，在本实施例中，每一个第一产业的产业类型分别与第一产业产值进 行空间化处理得到一个类型的第一产业空间分布图；将每一个类型的第一产业 空间分布图进行叠加得到第一产业空间分布图。
在本实施例中，所述卫星灯光遥感数据为珞珈一号灯光遥感数据，将珞珈 一号灯光遥感数据依次进行裁剪、重投影以及饱和值处理，得到该区域设定高 度分辨率的灯光亮度影像图；
并根据
计算灯光亮度总值SOL；其中，max为该区域内像元数量的总数，m为 亮度值，Nm为该灯光亮度影像图统计亮度值为m的像元数量，Bm为像元自身 的亮度值，其中m为正整数。
同时，在本实施例中，在得到灯光亮度总值SOL所对应的回归模拟方程 的时候：根据灯光亮度总值SOL建立线性回归等式
GDP23j＝a×SOLj+b
其中，GDP23j代表第j个基本单元的第二、三产业产值，SOLj代表 第j个基本单元范围内夜间灯光亮度总值，a和b代表线性回归方程的系数；所 述基本单元为该区域内在该时间段内的GDP统计数据的基本统计单元。
在本实施例中，在POI数据中根据POI数据的属性信息提取出属于第二、 三产业的POI数据集合，并利用核密度分析法形成第二、三产业POI密度分布 图，其分辨率为设定高度的分辨率；
并根据
计算POI密度总值POIsum；其中，max为该区域内像元数量的总数，k为 密度值，Sk为该POI密度分布图统计密度值为k的像元数量，Dk为像元自身 的密度值。
同时，在本实施例中，在得到POI密度总值POIsum所对应的回归模拟方程 的时候：根据POI密度总值POIsum建立线性回归等式
其中，GDP23j代表第j个基本单元的第二、三产业产值，POIsumj代表第 j个基本单元范围内POI密度总值，λ和
代表线性回归方程的系数；所述 基本单元为该区域内在该时间段内的GDP统计数据的基本统计单元。
在本实施例中，所述设定的权重为0.5。
在研究的时候，我们按照图2所示的技术思路进行，首先，对珞珈一号灯 光遥感数据进行裁剪、重投影等预处理；第二，将郑州市POI数据利用核密度 分析工具提取郑州市二三产业核密度估计图，并与灯光遥感数据进行加权叠加 分析；第三，统计郑州市12个区县的二三产业产值，并将夜间灯光影像灯光 亮度总值与郑州市二、三产业产值进行回归分析；第四，分析二三产业产值模 拟结果，并进行误差校正；第五，利用土地利用数据，对第一产业的产值进行 合理分配，完成第一产业产值的空间化模拟。最后，将第一产业与二、三产业 产值模拟结果进行叠加分析得到郑州市GDP空间化模拟结果，并根据GDP空 间化模拟结果分析郑州市经济特征。
对于上述的技术方案，我们以郑州市为例进行说明，截至2017年末，郑 州市共划分为12个区域，包括金水区、新郑市、管城区、巩义市、新密市、 中原区、荥阳市、登封市、二七区、中牟县、惠济区和上街区。郑州四大经济 开发区分别为郑东新区，经开区，高新区，航空港实验区，它们的GDP产值 在研究中做如下划分，将郑东新区归到金水区，经开区归到管城回族区，高新 区归到中原区，航空港实验区归到新郑市，如图3所示。
2017年，郑州市总GDP为8891.83亿元，其中第一产业总产值为257.09 亿元，第二三产业总产值为8634.74亿元。其中各个研究区域的GDP总值见图 2-2：根据郑州市各地区GDP水平，大致可将12个研究区域划分为三类，一 类包括金水区，新郑市，管城区在内的高度发达地区；第二类包括巩义市，新 密市，中原区，荥阳市，登封市，二七区在内的中度发达地区；第三类包括中 牟县，惠济区，上街区在内的落后地区。
尽管郑州市GDP总量较高，但不同区域之间实际经济发展水平差异很大。 根据图4可以看出，金水区、新郑区、管城区，由于分别加入了郑东新区、航 空港实验区、经开区三个区域的GDP产值，同时作为郑州市的中心城区这三 个区域经济总量较大，排名前三，最大的金水区比最小的上街区GDP值高出 近14倍左右。此外，中牟县虽然地域辽阔，经济发展水平相对而言却比较落 后；惠济区虽然靠近主城区，但位于边界处，经济总量较低；上街区由于占地 面积非常小，经济总量也很低。
本实施例中的数据选自武汉大学“珞珈一号”科学实验卫星01星于2018 年6月13日拍摄的郑州市及其周边地区的夜间灯光影像，如图5。珞珈一号灯 光数据不需要再进行影像校正，因为该影像在发布时已通过系统几何纠正，影 像分辨率达到130m，定位精度为300m，可以直接用于相关研究中去。
本实施例中采用是2018年郑州市二三产业POI数据。在对数据进行处理， 删除了除二三产业之外的点后，郑州市的有效POI数据共计347117条，如图 6，分为15大类，主要包括餐饮、购物服务、风景名胜，公司企业和住宿服务 等方面。本文主要通过郑州市poi数据进行核密度估计分析，并与珞珈一号夜 间灯光影像进行叠加分析，以此达到poi作为特征点在灯光遥感表达的过程中 解决灯光遥感影像过饱和而出现不能表达的高值区，最终经二者叠加分析得到 用于二、三产业GDP空间化的栅格数据。
本实施例中使用郑州市范围界线线状数据、省级面状数据、县级面状数据， 并根据郑州市现行行政区划对界线进行调整，最终确定12个以区县级为行政 单位的研究区。同时，土地利用数据为2015年郑州市土地利用数据。它的主 要数据源为LandsatTM/ETM遥感影像，利用人工目视解译的方法，根据土地 利用分类系统标准生产制作而成的。另外，本实施例中的郑州GDP数据来自 中国经济社会大数据研究平台中的2018郑州统计年鉴。选取2018年统计年鉴 中的1-11生产总值作为研究数据。
本实施例在研究过程中使用的郑州市土地利用数据包括5个一级大类下的 15个二级类型。在研究使用过程中，将二级土地利用类型按照一级大类进行 合并后得到5个土地利用类型包括。在ArcGIS平台下，对土地利用数据原始 数据进行预处理，通过重分类，将土地利用数据分为耕地、林地、草地、水域 四大类，如图7所示。
ArcGIS中的核密度分析是一种对区域内POI密度的空间分布特征及变化 进行表示的可视化工具，常用核密度估计来表示点要素的分布密度。本实施例 通过加入POI数据更好的反映郑州市经济活跃地区，运用核密度分析法辨识郑 州市二三产业分布的集中区域。通过改变搜索半径得到不同的核密度分析结 果，选择最优结果识别郑州市的二、三产业聚集中心，其公式为
式中，f(x)为空间点位于x处的核密度估计值；h为搜索半径(即带宽)； K是核函数；n为POI点的数量。x-xi为两个POI点之间的距离。
首先，在ArcGIS中打开郑州市POI数据，对预处理后的POI数据通过按 属性选择删除不属于第二三产业的点。其次，在核密度分析工具中导入二三产 业POI数据进行分析，通过选择不同的带宽反复实验发现，将带宽选择为3000 时得到的核密度分析结果最具有代表性。最终得到郑州市二三产业POI核密度 分析输出结果，如图8所示。
应用ArcGIS10.5软件对灯光影像数据进行包括裁剪、重投影、重采样等 预处理。具体过程如下：首先，选择按掩膜提取工具，提取得到郑州市范围的 夜间灯光影像,所有数据地理坐标系为均为WGS_1984坐标系,投影坐标系为 (WGS_1984_Web_Mercator_Auxiliary_Sphere)投影坐标系统，同时将影像数据 使用最邻近法进行重采样。其次，使用叠加分析工具，将POI核密度分析图层 与灯光遥感影像按照0.5-0.5的权重进行加权叠加，得到叠加后的栅格数据， 通过二者的叠加分析，解决灯光遥感影像数据在二三产业空间化模拟过程中因 像元值饱和而出现的不能表达的高值区，将叠加分析得到的结果用于二三产业 GDP空间化模拟。最后利用ArcGIS中的分区统计工具对夜间灯光数据灯光亮 度总值进行分区统计计算，其路径为Arctoolbox-Spatial Analyst工具-区域分析- 以表格显示分区统计。分别计算郑州12个区域的夜间灯光亮度总值。
之后，我们利用土地利用数据进行GDP第一产业产值的空间化模拟，是 将第一产业中的农业、林业、牧业、渔业的产值合理分配到相对应的土地利用 类型上去，这些土地利用类型包括耕地、林地、草地和水域等。通过对构成第 一产业的各个二级部门的产值的统计值与其对应的土地利用类型像元总数的 比值，来实现对特定研究区第一产业产值的空间化模拟。第一产业产值空间化 模拟公式为
GDP1j＝GL1j+GL2j+GL3j+GL4j
式中，GDP1j代表第j个区域的第一产业产值空间化模拟结果，GLkj(k ＝1,2,3,4)分别代表第j个区域中农、林、牧、渔业的产值。
δij代表第j个区域第i种土地利用类型的平均产值，LKij代表第j个区域第i 种土地利用类型所占的面积，n代表研究区内区县的个数。根据公式3-1和公 式3-2对郑州市第一产业产值进行空间化模拟，模拟结果如图9所示。
接下来，本实施例通过统计郑州市各地区灯光亮度总值与各区域二三产业 GDP产值的相关性，获得各地区灯光亮度总值指数与郑州市各区域GDP的判 定系数R2。
灯光亮度总值指数(简称SOL)表示研究区内灯光像元的数量与不同像元自 身亮度值对应乘积的总和。其计算公式为：
式中：Nm代表亮度值为m的像元数量；Bm代表像元自身的亮度值。
构建一元线性拟合模型对第二、三产业产值统计值与珞珈一号夜间灯光影 像灯光亮度总值(SOL)间的关系进行拟合分析，具体公式为：
GDP23j＝a×DNsj+b
其中，GDP23j代表第j个县的第二、三产业产值，DNsj代表第j个县行 政区域内夜间灯光亮度总值，a和b代表一元线性拟合模型的系数。
通过提取的郑州市各区县级行政单元上的珞珈一号夜间灯光影像灯光亮 度总值，与对应的第二、三产业产值统计值总和进行线性相关拟合分析，郑州 市各区域灯光亮度总值与对应的第二、三产业产值统计值间一元线性拟合结果 如图10所示。
结果表明，各区域二三产业生产总值和珞珈一号夜间灯光影像像元DN总 值的相关系数R2为0.8258，说明二三产业GDP统计值和像元DN总值间存 在密切的相关关系，可以进行GDP空间化模拟。
将与POI数据叠加分析后的夜间灯光影像数据像元值代入回归模型公式， GDP统计数据被分配到遥感数据的每个网格，运用郑州市各区县GDP统计数 据对每个网格的值进行线性校正，从而使模拟结果的误差控制在区县级范围中 [7]，最后制郑州市GDP密度图。按照如下公式对郑州市12个地区第二、三产 业产值进行模拟，具体计算公式为：
式中，GDPij是进行空间化模拟之后的栅格单元值；GDP为该栅格单元 所在的行政单元的GDP统计值；Qij为该栅格单元的夜间灯光亮度值；Q为 该栅格单元所在区域的夜间灯光亮度总值。最终得到郑州市二三产业GDP空 间化模拟。如图11所示。
政府统计部门发布的GDP值是由三大产业产值相互叠加构成的，因此， 综合前文得到的郑州市第一产业产值和第二、三产业产值的空间化模拟最终结 果，即可得出郑州市GDP空间化模拟值，其计算公式为：
GDPj＝GDP1j+GDP23j
式中，GDPj为第j个研究单元的GDP模拟值，GDPj为第j个研究单 元的第一产业产值的空间化模拟值，GDP23j为第j个研究单元的第二、三产 业产值的空间化模拟值。在ArcGIS10.5软件中，根据公式式运行栅格计算即 可获取郑州市GDP空间化结果，如图12所示。
现在我们就可以从郑州市GDP空间化结果对经济进行分析。
总的来说，郑州市经济发展东部比西部更加发达，GDP高值区主要集中城 市核心区，总体分布特征为主城区GDP密度高于周边区域。与GDP统计数据 相符合，金水区、管城区GDP密度在全市领先，同时GDP密度高的区域所占 面积在全市中最大，郑州市GDP高值区主要分布在中心城区，整个主城区大 部分GDP密度在10835万元以上，周边各个市县GDP呈现从中心向外递减的 趋势。除主城区外大部分地区GDP密度较低，在其他县市的城市中心有一些 小面积GDP高值分布的经济区，这些经济区的核心处GDP密度也很高。总体 而言，郑州市内呈现出较大的经济差异，主城区为其经济核心区域，西部地区 各县市经济空间分布特征相似，呈点－轴状分布。
从郑州市内部各个区域来看，郑州市中心城区(金水区，管城区)以及新 郑市经济发展水平高于其他区域，GDP最高值达到121614万元，并且取值在 63967-121614万元之间分布面积最大。这是因为郑州市中心城区开发历史较 早，有相对坚实的经济基础；除此之外，新郑市发展相对比较好，仅次于中心 城区比较发达的几个地区，这是因为新郑市是科技创新城市，自我驱动、内生 性发展动力强劲，并且在GDP统计值中将郑州航空港的产值归于新郑市，位 于郑州东部的航空港以及新郑国际机场都在此区域，对其经济发展有着强有力 的带动作用。航空港号称国际航空物流中心对郑州东部地区经济发展贡献很 大。其次，巩义市、登封市、新密市、荥阳市GDP高值区集中但面积较小， 并由中心向四周递减。虽然每个区域都有各自的发展中心，但整体发展不均衡， 西面与西南的巩义市和登封市经济发展良好，甚至GDP高值区域超过了郑州 市的部分区域，但整体发展落后于中心城区几个比较发达的地区。中牟县，惠 济区灯光分布较为零散，市内经济差异小，经济水平相对落后。中牟县虽处于 东部地区且占地面积广大，但经济发展却相对落后，除与中心城区接壤的地区有一定的发展外，大部分地区发展滞后，GDP高值区分布面积最小。惠济区虽 然靠近主城区，但是GDP产值却比较低。上街区为荥阳市内部一小部分区域， 因面积很小，GDP产值低，灯光区域显示在图中比较微弱，其主要GDP密度 为3706-6976万元。
郑州市的地形特点为西南高、东北低。西部地区多为山区，中低山脉分布 面积大；东部地区多为冲积平原，地形比较平坦。结合郑州市地形特点和GDP 空间化模拟结果进行分析可发现，地形因素在一定程度上制约着郑州市各县市 经济的发展。除此之外，交通网越密集的地方经济发展水平越高，GDP密度高 值区越集中。通过分析郑州市12个区域内部的经济分布特征，可归纳以下经 济空间规律：
(1)平原地区(东北部主城区与新郑市)经济发展与西部山区存在差异， 包括金水区，管城区在内的东部平原城市的GDP密度高于该市西部区域。
(2)区域内部中心区的经济发展水平高于边缘地区。所有城市中均表现 出区域内部核心区域GDP水平高于周边地区。
(3)GDP密度分布与交通密切相关。大部分地区，交通网越发达的地区 GDP密度越高，城市内部多数经济较落后区域，经济区呈条带状分布，这些经 济带也与交通带相重合(如中牟县、巩义市、新密市等)。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限 于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (8)
1.一种基于遥感数据和POI数据的GDP空间化方法，其特征在于：
获取设定区域的在设定时间段内的GDP统计数据，并从该GDP统计数据中分离出第一产业产值和第二三产业产值，所述GDP统计数据即国内生产总值统计数据；
根据该区域内的Landsat影像数据得到土地利用类型分布图，并根据第一产业的全部产业类型，在该土地利用类型分布图上分别提取出每一个第一产业的产业类型所对应的图斑，将各个图斑汇总得到该区域内的第一产业土地利用类型分布图；将第一产业土地利用类型分布图和第一产业产值进行空间化处理得到第一产业空间分布图；
根据卫星灯光遥感数据得到灯光亮度影像图，并获取灯光亮度总值SOL；将第二三产业产值与该灯光亮度总值SOL进行线性回归分析，得到其回归模拟方程，并将其回归模拟方程进行空间化处理得到基于灯光影像的第二、三产业的空间分布图；
获取该区域内的POI数据，并根据POI数据的属性提取出属于第二、三产业的POI数据集合，得到第二、三产业POI密度分布图，并得到POI密度总值POIsum；将第二三产业产值与该POI密度总值POIsum进行线性回归分析，得到其回归模拟方程，并将其回归模拟方程进行空间化处理得到基于POI密度分布的第二、三产业的空间分布图，所述POI数据即兴趣点数据；
根据设定的权重将基于灯光影像的第二、三产业的空间分布图和基于POI密度分布的第二、三产业的空间分布图进行叠加得到第二、三产业空间分布图；再将第二、三产业空间分布图和第一产业空间分布图叠加得到该区域的GDP产值空间分布图。
2.如权利要求1所述的一种基于遥感数据和POI数据的GDP空间化方法，其特征在于，在得到第一产业土地利用类型分布图的时候：
获取该区域内的Landsat影像数据，根据土地利用类型分类标准进行提取出各个利用类型土地的Landsat影像数据；
分别对提取出的Landsat影像数据进行重采样，得到每一个利用类型土地的图斑，得到该城市设定高度分辨率的土地利用类型分布图；
将每一个第一产业的产业类型，与土地利用类型相对应；
并根据第一产业的多个产业类型，在该土地利用类型分布图上分别提取出每一个第一产业的产业类型所对应的图斑，将各个图斑汇总得到该区域内的第一产业土地利用类型分布图。
3.如权利要求2所述的一种基于遥感数据和POI数据的GDP空间化方法，其特征在于，
每一个第一产业的产业类型分别与第一产业产值进行空间化处理得到一个类型的第一产业空间分布图；
将每一个类型的第一产业空间分布图进行叠加得到第一产业空间分布图。
4.如权利要求1所述的一种基于遥感数据和POI数据的GDP空间化方法，其特征在于，所述卫星灯光遥感数据为珞珈一号灯光遥感数据，将珞珈一号灯光遥感数据依次进行裁剪、重投影以及饱和值处理，得到该区域设定高度分辨率的灯光亮度影像图；
并根据
计算灯光亮度总值SOL；
其中，max为该区域内像元数量的总数，m为亮度值，Nm为该灯光亮度影像图统计亮度值为m的像元数量，Bm为像元自身的亮度值，其中m为正整数。
5.如权利要求4所述的一种基于遥感数据和POI数据的GDP空间化方法，其特征在于，在得到灯光亮度总值SOL所对应的回归模拟方程的时候：
根据灯光亮度总值SOL建立线性回归等式
GDP23j＝a×SOLj+b
其中，GDP23j代表第j个基本单元的第二、三产业产值，SOLj代表第j个基本单元范围内夜间灯光亮度总值，a和b代表线性回归方程的系数；
所述基本单元为该区域内在该时间段内的GDP统计数据的基本统计单元。
6.如权利要求1所述的一种基于遥感数据和POI数据的GDP空间化方法，其特征在于，在POI数据中根据POI数据的属性信息提取出属于第二、三产业的POI数据集合，并利用核密度分析法形成第二、三产业POI密度分布图，其中第二、三产业POI密度分布图的分辨率为设定高度的分辨率；
并根据
计算POI密度总值POIsum；
其中，max为该区域内像元数量的总数，k为密度值，Sk为该POI密度分布图统计密度值为k的像元数量，Dk为像元自身的密度值。
7.如权利要求6所述的一种基于遥感数据和POI数据的GDP空间化方法，其特征在于，在得到POI密度总值POIsum所对应的回归模拟方程的时候：
根据POI密度总值POIsum建立线性回归等式
其中，GDP23j代表第j个基本单元的第二、三产业产值，POIsumj代表第j个基本单元范围内POI密度总值，λ和
代表线性回归方程的系数；
所述基本单元为该区域内在该时间段内的GDP统计数据的基本统计单元。
8.如权利要求1所述的一种基于遥感数据和POI数据的GDP空间化方法，其特征在于，所述设定的权重为0.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010796485.5A CN111914137B (zh) | 2020-08-10 | 2020-08-10 | 一种基于遥感数据和poi数据的gdp空间化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010796485.5A CN111914137B (zh) | 2020-08-10 | 2020-08-10 | 一种基于遥感数据和poi数据的gdp空间化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111914137A true CN111914137A (zh) | 2020-11-10 |
| CN111914137B CN111914137B (zh) | 2023-11-21 |
Family
ID=73283560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010796485.5A Active CN111914137B (zh) | 2020-08-10 | 2020-08-10 | 一种基于遥感数据和poi数据的gdp空间化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111914137B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112527867A (zh) * | 2020-12-18 | 2021-03-19 | 重庆师范大学 | 一种非农就业岗位供给能力识别方法，存储装置，及服务器 |
| CN115757604A (zh) * | 2022-11-25 | 2023-03-07 | 河南理工大学 | 一种基于夜光影像数据的gdp时空演变分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875583A (zh) * | 2018-05-23 | 2018-11-23 | 河海大学 | 一种基于城市建筑分类的tnl-gdp回归模型构建方法 |
| CN109754134A (zh) * | 2017-11-02 | 2019-05-14 | 中国科学院城市环境研究所 | 一种基于遥感夜间灯光数据和能源消耗统计数据的城市能耗量空间化方法 |
| CN110110025A (zh) * | 2019-04-30 | 2019-08-09 | 武汉大学 | 基于特征向量空间滤值的区域人口密度模拟方法 |
-
2020
- 2020-08-10 CN CN202010796485.5A patent/CN111914137B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109754134A (zh) * | 2017-11-02 | 2019-05-14 | 中国科学院城市环境研究所 | 一种基于遥感夜间灯光数据和能源消耗统计数据的城市能耗量空间化方法 |
| CN108875583A (zh) * | 2018-05-23 | 2018-11-23 | 河海大学 | 一种基于城市建筑分类的tnl-gdp回归模型构建方法 |
| CN110110025A (zh) * | 2019-04-30 | 2019-08-09 | 武汉大学 | 基于特征向量空间滤值的区域人口密度模拟方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112527867A (zh) * | 2020-12-18 | 2021-03-19 | 重庆师范大学 | 一种非农就业岗位供给能力识别方法，存储装置，及服务器 |
| CN112527867B (zh) * | 2020-12-18 | 2023-10-13 | 重庆师范大学 | 一种非农就业岗位供给能力识别方法，存储装置，及服务器 |
| CN115757604A (zh) * | 2022-11-25 | 2023-03-07 | 河南理工大学 | 一种基于夜光影像数据的gdp时空演变分析方法 |
| CN115757604B (zh) * | 2022-11-25 | 2023-08-25 | 河南理工大学 | 一种基于夜光影像数据的gdp时空演变分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111914137B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | The impact of urban growth patterns on urban vitality in newly built-up areas based on an association rules analysis using geographical ‘big data’ | |
| Henderson et al. | Measuring economic growth from outer space | |
| CN107133900B (zh) | 城市土地混合利用特征格网计算方法及装置 | |
| Stanislawski | Feature pruning by upstream drainage area to support automated generalization of the United States National Hydrography Dataset | |
| CN111523804B (zh) | 一种基于实景三维的应急避难场所效能评估方法 | |
| Cheng et al. | Remote sensing and social sensing data fusion for fine-resolution population mapping with a multimodel neural network | |
| CN111914137A (zh) | 一种基于遥感数据和poi数据的gdp空间化方法 | |
| Sun et al. | Geospatial analysis of urban expansion using remote sensing methods and data: A case study of Yangtze River Delta, China | |
| Brown | Spatial statistics and GIS applied to internal migration in Rwanda, Central Africa | |
| Liu et al. | Constructing ecological security patterns based on ecosystem services trade-offs and ecological sensitivity: A case study of Shenzhen metropolitan area, China | |
| CN111210151A (zh) | 基于供需匹配的生态系统社会文化服务评价方法 | |
| CN114187532A (zh) | 一种遥感影像时空样本生成与智能迭代分类方法及系统 | |
| CN115796629A (zh) | 传统村落活力量化评价方法及系统、电子设备、存储介质 | |
| Chao et al. | Multi-scale spatial patterns of Gelugpa monasteries of Tibetan Buddhism in Tibetan inhabited regions, China | |
| Dawod et al. | GIS-based public services analysis based on municipal election areas: A methodological approach for the city of Makkah, Saudi Arabia | |
| CN106844642A (zh) | 一种基于gis计算路网网格中人口密度的方法 | |
| CN112925870A (zh) | 一种人口空间化方法及系统 | |
| CN110991562B (zh) | 一种基于物种构成特征的动物类群地理区划方法 | |
| Crols et al. | Downdating high-resolution population density maps using sealed surface cover time series | |
| CN116307754A (zh) | 基于卫星观测和地理信息数据的夜间经济水平估算方法及系统 | |
| CN114020859A (zh) | 一种基于gis的国土空间规划方法及系统 | |
| CN114595428A (zh) | 一种基于夜光遥感的多源数据人口空间化方法 | |
| CN113191553A (zh) | 基于建筑物尺度的人口空间分布估算方法及系统 | |
| CN109543876A (zh) | 一种城市问题的可视化分析方法 | |
| ADDOUN | Mapping of spatial evolution in central northern Algerian Sahara: rural dynamics and the remodelling of space |
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 |