CN113378724A - 一种多中心城市热点区域快速识别与动态监测方法 - Google Patents

一种多中心城市热点区域快速识别与动态监测方法 Download PDF

Info

Publication number
CN113378724A
CN113378724A CN202110661816.9A CN202110661816A CN113378724A CN 113378724 A CN113378724 A CN 113378724A CN 202110661816 A CN202110661816 A CN 202110661816A CN 113378724 A CN113378724 A CN 113378724A
Authority
CN
China
Prior art keywords
data
viirs
night light
light intensity
hot spot
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.)
Pending
Application number
CN202110661816.9A
Other languages
English (en)
Inventor
邹艳红
黄望
阮玉玲
沈静雅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202110661816.9A priority Critical patent/CN113378724A/zh
Publication of CN113378724A publication Critical patent/CN113378724A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

本发明涉及一种多中心城市热点区域快速识别与动态监测方法，包括以下步骤：S1、将预先获取的研究区月度VIIRS夜间灯光影像数据经数据融合、滤波、拟合处理后得到年度稳定VIIRS夜间灯光数据；S2、基于研究区内各像元点的地理空间位置特征向量和年度稳定VIIRS数据夜间灯光强度属性值，结合支持向量机回归模型，得到夜间灯光强度预测值和城市热点区域；S3、基于城市热点区域，结合重心法分析获取城市热点区域的时空迁移轨迹。该方法空间分辨高、光检测能力强，适用范围广，算法简单且成本较低，能够准确地利用夜间灯光数据识别城市热点区域及其迁移。

Description

一种多中心城市热点区域快速识别与动态监测方法
技术领域
本发明涉及智慧城市信息服务技术领域，尤其涉及一种多中心城市热点区域快速识别与动态监测方法。
背景技术
城市化在当今经济社会的发展和进步中发挥着不可替代的作用，动态监测获取城市信息是智慧城市信息服务的前提。同时，随着城市化进程，城市多由单中心演变为多中心城市结构，城市热点区域是人类活动频繁的区域，传统城市热点区域识别大多依赖于统计数据以及研究人员对当地社会情况的主观认知，往往需要研究人员对研究区有较充足的背景了解和先验知识，以优化识别出的城市中心数量，不利于实现识别方法的重复使用。
随着大数据以及数据挖掘算法等出现，一些学者基于大数据(如导航大数据等)挖掘城市热点区域，但是位置大数据获取成本高，处理算法复杂，给长时间监测城市热点区域动态变化带来了难度。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足，本发明提供一种多中心城市热点区域快速识别与动态监测方法，解决了现有技术处理算法复杂、成本高的技术问题。
(二)技术方案
为了达到上述目的，本发明提供了一种多中心城市热点区域快速识别与动态监测方法，具体技术方案包括以下步骤：
S1、将预先获取的研究区月度VIIRS夜间灯光影像数据经数据融合、滤波、拟合处理后得到年度稳定VIIRS夜间灯光数据；
根据年度稳定VIIRS夜间灯光数据获取研究区内各像元点的地理空间位置特征向量和年度稳定VIIRS数据夜间灯光强度属性值；
S2、基于研究区内各像元点的地理空间位置特征向量和年度稳定VIIRS数据夜间灯光强度属性值，结合支持向量机回归模型，得到夜间灯光强度预测值和城市热点区域；
S3、基于城市热点区域，结合重心法分析获取城市热点区域的时空迁移轨迹。
进一步地，步骤S1包括：
S11、将预先获取的研究区月度VIIRS夜间灯光影像数据过滤，得到过滤后的月度VIIRS夜间灯光影像数据；
月度影像数据包括月度vcm数据和月度vcmsl数据；
S12、将月度vcm数据中的零值全部替换为相应月份的月度vcmsl数据，融合得到月度合成VIIRS数据；
S13、将月度合成VIIRS数据经过SG滤波，得到处理后的月度合成VIIRS数据；
根据处理后的月度合成VIIRS数据获取研究区内各像元点的地理空间位置特征向量和处理后的月度合成VIIRS数据夜间灯光强度属性值；
S14、基于灯光强度属性值，采用傅里叶函数定量表征，得到年度稳定VIIRS数据夜间灯光强度属性值。
进一步地，步骤S2包括：
S21、将研究区内各像元点的地理空间位置特征向量和年度稳定VIIRS数据夜间灯光强度属性值作为数据集，将数据集分为训练集和测试集；
S22、将训练集中的各像元点的地理空间位置特征向量和年度稳定VIIRS数据夜间灯光强度属性值输入支持向量机回归模型中，结合网格搜索与交叉验证方法寻找参数，得到训练后的支持向量机回归模型；
S23、将测试集中的各像元点的地理空间位置特征向量输入训练后的支持向量机回归模型，输出夜间灯光强度预测值；
S24、基于夜间灯光强度预测值，通过绘制夜间灯光强度连续表面进而获取城市热点区域。
进一步地，步骤S23中，若输出的夜间灯光强度预测值与对应的年度稳定VIIRS数据夜间灯光强度属性值的差值小于或等于给定阈值，则训练成功；否则，返回步骤S22，继续寻找参数。
进一步地，参数包括惩罚因子和核函数变量。
进一步地，步骤S13中，处理后的月度合成VIIRS数据夜间灯光强度属性值满足以下公式：
Figure BDA0003115369670000031
式中，Pj为处理后的月度合成VIIRS数据夜间灯光强度属性值；Pj+1为原始的月度合成VIIRS数据夜间灯光强度属性值；Ci为滤波系数；N为当前滑动窗口内的数据个数；i为当前滑动窗口的大小；m为半个当前滑动窗口的大小。
进一步地，步骤S14中，年度稳定VIIRS数据夜间灯光强度值满足以下公式：
Figure BDA0003115369670000032
式中，Pit为一年中t时刻像元i的VIIRS数据夜间灯光强度属性值；Pstable为年度稳定VIIRS数据夜间灯光强度属性值；T为一年的12个月，T＝12；t为每个月，t依次取值1,2，…，12。
进一步地，步骤S11中，将预先获取的研究区的月度影像数据经过NOAA发布的2015年的年度“vcm-orm-ntl”夜间灯光影像作为标准影像过滤短暂的瞬时光源和背景噪声，得到过滤后的月度影像数据。
进一步地，地理空间位置特征向量包括经度和纬度。
(三)有益效果
本发明提供的多中心城市热点区域快速识别与动态监测方法，空间分辨高、光检测能力强，适用范围广，算法简单且成本较低，能够准确地利用夜间灯光数据识别城市热点区域及其迁移。
附图说明
图1为本发明提供的多中心城市热点区域快速识别与动态监测方法的流程图；
图2为本发明提供的多中心城市热点区域快速识别与动态监测方法的技术流程图；
图3为本发明提供的SG滤波的原理示意图；
图4为本发明中使用傅里叶函数进行像元尺度夜间灯光强度季节差异拟合测试的结果图；
图5为本发明中基于SVR的模拟预测过程示意图；
图6为本发明实施例1中2013年武汉市夜间灯光数据年内季节差异傅里叶函数拟合示意图；
图7为本发明实施例1中2013、2015和2018年度的年度合成稳定VIIRS夜间灯光影像；
图8为本发明实施例1中2013、2015、2018年支持向量机回归模型的最优参数示意图；
图9为本发明实施例1中武汉市2013年城市热点区域的识别结果示意图；
图10为本发明实施例1中武汉市2015年城市热点区域的识别结果示意图；
图11为本发明实施例1中武汉市2018年城市热点区域的识别结果示意图；
图12为本发明实施例1中武汉市2018年基于POI核密度分析生成的POI核密度图；
图13为本发明实施例1中武汉市热点重心的迁移轨迹；
图14为本发明实施例1中武汉市城市建成区情况示意图；
图15为本发明实施例1中武汉市八个方向的扩展强度示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
夜间灯光数据搭载的传感器具有探测城市夜间微弱灯光信号的能力，微光辐射信号被认为与人类活动有关，夜间灯光数据可以及时揭示区域夜间灯光亮度的变化，直观地反映城市区域发展的空间异质性，为研究城市动态变化提供了一种崭新的视角。
城市夜间灯光热点区域被描述为包含城市内部多个明亮像元的区域，该区域内的灯光强度明显高于周围区域，能够表征人类活动较强的城市热点区域。
相比于统计年鉴数据和传统的遥感数据，夜间灯光数据易获取、数据量小等优势使得研究人员能够快速及时地获取城市用地信息，在全球、国家和地区尺度上的城市用地扩展研究已经取得了很多研究成果。
目前，使用较为广泛的夜间灯光数据主要有以下两种：一种是1992年发布的DMSP(Defense Meteorological Satellite Program)/OLS(Operational Linescan System)夜间灯光数据，但是OLS传感器在设计时存在缺陷，导致DMSP/OLS数据不连续，不同传感器获得的相同年份的DMSP/OLS数据不可比，数据存在饱和、溢出、未辐射定标等问题，该数据在2013年后停止发布。另一种是2011年新一代夜光卫星Suomi NPP(Suomi National Polar-orbiting Partnership)上的VIIRS(Visible Infrared Imaging Radiometer Suite)传感器，提供连续观测的NPP/VIIRS夜间灯光产品，在空间分辨率、低光检测能力、时间分辨率等方面均有所提升。
针对城市热点区域动态变化，有研究者采用高斯体模型算法模拟夜间灯光强度在空间上的分布情况，并基于全球辐射校正DMSP/OLS夜间灯光数据研究了城市热点区域的识别与动态变化，但这种方法要求夜间灯光强度在空间上的分布满足高斯曲面，不适应于在空间分辨率、低光检测能力等方面均优于DMSP/OLS数据的VIIRS夜间灯光数据，需要采用更普适的方法来精确进行多中心城市的城市热点区域的识别。
基于上述，本发明提供一种多中心城市热点区域快速识别与动态监测方法。如图1～图2所示，该方法包括以下步骤：
S1、将预先获取的研究区月度VIIRS夜间灯光影像数据经数据融合、滤波、拟合处理后得到年度稳定VIIRS夜间灯光数据；
根据年度稳定VIIRS夜间灯光数据获取研究区内各像元点的地理空间位置特征向量和年度稳定VIIRS数据夜间灯光强度属性值。
地理空间位置特征向量包括经度和纬度。
S2、基于研究区内各像元点的地理空间位置特征向量和年度稳定VIIRS数据夜间灯光强度属性值，结合支持向量机回归模型，得到夜间灯光强度预测值和城市热点区域。
S3、基于城市热点区域，结合重心法分析获取城市热点区域的时空迁移轨迹。
进一步地，步骤S1包括：
S11、过滤：将预先获取的研究区月度VIIRS夜间灯光影像数据经过NOAA发布的2015年的年度“vcm-orm-ntl”夜间灯光影像作为标准影像过滤短暂的瞬时光源和背景噪声，得到过滤后的月度VIIRS夜间灯光影像数据。
其中，月度影像数据包括月度vcm数据和月度vcmsl数据。
S12、融合：将月度vcm数据中的零值全部替换为相应月份的月度vcmsl数据，融合得到月度合成VIIRS数据。
S13、滤波：将月度合成VIIRS数据经过SG滤波，得到处理后的月度合成VIIRS数据，根据处理后的月度合成VIIRS数据获取研究区内各像元点的地理空间位置特征向量和处理后的月度合成VIIRS数据夜间灯光强度属性值。
具体地，针对月度合成VIIRS数据的灯光亮度出现异常高值或低值(噪声点)，表现为数据出现伪峰现象，采用SG滤波法(Savitzky Golay Filter)进行月度合成VIIRS数据的时间序列分析。如图3所示，SG滤波对夜间灯光遥感时间序列进行重构，可以消除高频噪声对数据信号的干扰。其算法原理是针对已设定大小的移动窗口内的夜间灯光强度，通过多项式进行最小二乘拟合，计算该窗口内中心点的值。处理后的月度合成VIIRS数据夜间灯光强度属性值满足以下公式：
Figure BDA0003115369670000071
式中，Pj为处理后的月度合成VIIRS数据夜间灯光强度属性值；Pj+1为原始的月度合成VIIRS数据夜间灯光强度属性值；Ci为滤波系数；N为当前滑动窗口内的数据个数；i为当前滑动窗口的大小；m为半个当前滑动窗口的大小，m越大，结果越平滑；多项式的阶数越小，结果越平滑，一般取2～4。
S14、拟合：基于灯光强度属性值，采用傅里叶函数定量表征，得到年度稳定VIIRS数据夜间灯光强度属性值。
具体地，针对夜间灯光强度在年内存在明显的季节差异，采用傅里叶函数定量表征年内夜间灯光数据的变化趋势，年度稳定VIIRS数据夜间灯光强度属性值，满足以下公式：
Figure BDA0003115369670000081
式中，Pit为一年中t时刻像元i的VIIRS数据夜间灯光强度属性值；Pstable为年度稳定VIIRS数据夜间灯光强度属性值；T为一年的12个月，T＝12；t为每个月，t依次取值1,2，…，12。
如图4所示，傅里叶函数能够有效表征年内夜间灯光强度的季节差异现象。
进一步地，步骤S2中将夜间灯光数据视为反映人类活动聚集程度的连续场，类似于地形数据(例如数字高程模型)，将城市热点区域识别转化为在夜间灯光数据中寻找“山峰”的过程，以表征人类活动的变化情况，实现对城市空间结构的探究。采用支持向量机回归(SVR)的方法进行灯光强度的曲面模拟，有效识别多中心的城市热点区域。包括以下步骤：
S21、将研究区内各像元点的地理空间位置特征向量和年度稳定VIIRS数据夜间灯光强度属性值作为数据集，将数据集分为训练集和测试集。
S22、将训练集中的各像元点的地理空间位置特征向量和年度稳定VIIRS数据夜间灯光强度属性值输入支持向量机回归模型中，结合网格搜索与交叉验证方法寻找参数，得到训练后的支持向量机回归模型。
S23、将测试集中的各像元点的地理空间位置特征向量输入训练后的支持向量机回归模型，输出夜间灯光强度预测值。
若输出的夜间灯光强度预测值与对应的年度稳定VIIRS数据夜间灯光强度属性值的差值小于或等于给定阈值，则训练成功；否则，返回步骤S22，继续寻找参数。
S24、基于夜间灯光强度预测值，通过绘制夜间灯光强度连续表面进而获取城市热点区域。
进一步地，SVR基本思想是将输入数据映射到高维特征空间解决广义线性回归问题。针对夜间灯光强度模拟问题，给定训练数据
Figure BDA0003115369670000091
Figure BDA0003115369670000092
Figure BDA0003115369670000093
为地理空间位置特征向量，P为年度稳定VIIRS数据夜间灯光强度属性值，利用支持向量机回归模型求得一个拟合函数
Figure BDA0003115369670000094
拟合函数
Figure BDA0003115369670000095
满足以下公式：
Figure BDA0003115369670000096
式中，ai和ai *为对应的样本支持向量；
Figure BDA0003115369670000097
为变换核；
Figure BDA0003115369670000098
为给定点集中第i个空间数据点所代表的地理空间位置特征向量，
Figure BDA0003115369670000099
为函数f的自变量，根据求得的拟合函数
Figure BDA00031153696700000910
给定一个输入特征
Figure BDA00031153696700000911
得到相应的模型预测值。
其中，采用RBF核函数作为支持向量机回归模型的变换核，支持向量机回归模型包括两个重要的参数：惩罚因子C和核函数变量γ，利用训练集结合网格搜索与交叉验证方法寻找最优参数，获得训练后(即优化后)的SVR模型，SVR算法允许预测值与属性值之间存在ε的误差，根据预测值与属性值判定精度，获得灯光强度面模拟预测结果。
如图5所示，为基于SVR的模拟预测过程示意图。通过将预测模拟后的夜间灯光强度可视化，得到基于SVR算法识别的城市热点区域，结果利用POI数据通过核密度分析生成POI核密度图进行验证。
进一步地，步骤S3中，基于城市热点区域，结合重心法分析获取城市热点区域的时空迁移轨迹。城市热点区域重心的变化情况揭示了夜间灯光强度随城市化水平的变化，从而反映了人类活动的空间异质性。
城市热点区域的重心满足以下公式：
Figure BDA00031153696700000912
Figure BDA00031153696700000913
式中，Xt，Yt分别为t时刻的城市热点区域重心的经度和纬度；Xi，Yi为第i个像元的经度和纬度，Cti为第i个像元在t时刻的SVR输出的夜间灯光强度预测值。
根据不同时刻的城市热点区域的重心，通过公式(6)、(7)得到重心移动距离L和重心转移角度α。其中，重心移动距离反映了不同时期城市热点区域迁移的强度大小，重心转移角度反映了城市热点区域迁移的主要方向迁移趋势。
重心移动距离L和重心转移角度α满足以下公式：
Figure BDA0003115369670000101
Figure BDA0003115369670000102
式中，Lt+1为t～t+1时期城市热点区域的重心移动距离，αt+1为t～t+1时期城市热点区域的重心转移角度。
实施例1
本实施例1依据上述具体实施方式中的方法，选取华中区域最大的城市武汉，利用支持向量机回归(SVM Regression，SVR)模型识别武汉市夜间灯光城市热点区域，并通过核密度分析生成的POI核密度图验证武汉城市热点区域识别的有效性，以此监测2013～2018年城市热点区域的迁移情况。
具体包括：
A1、从NOAA/NGDC下载如表1所示的2013～2018年的72张月度NPP/VIIRS夜间灯光数据，包括两种版本的月度影像数据，即“vcm”月度数据(该版本影像不包括受杂光影响的像元)和“vcmsl”月度数据(该版本中受杂光影响的像元已经得到校正)。
由于月度影响数据中包含其他非城市光源的噪声点，利用NOAA发布的2015年的年度“vcm-orm-ntl”夜间灯光影像作为标准影像过滤短暂的瞬时光源和背景噪声。
将“vcm”数据中的零值全部替换为相应月份的“vcmsl”中的数据，以获得综合两种数据的更为可靠的月度合成VIIRS数据。
采用Savitzky-Golay(SG)滤波去除月度合成VIIRS数据中的异常观测数据。
将滤波后的数据重新进行Asia_North_Albers_Equal_Area_Conic投影，得到处理后的月度合成VIIRS数据。
表1 2013-2018年可用的两个版本的月度VIIRS图像
Figure BDA0003115369670000111
如图6所示，通过对2013年的12张月度武汉市夜间灯光数据进行年内季节差异傅里叶函数拟合测试，发现在像元尺度的夜间灯光强度季节差异明显。通过matlab软件编程实现武汉市的2013-2018年度的72张影像的傅里叶函数变换，得到如图7所示的2013、2015和2018年度的年度合成稳定VIIRS夜间灯光影像。
A2、基于matlab编译libsvm软件包，选取RBF核函数，使用网格搜索结合交叉验证方法对关键性参数C和γ进行寻优，以此进行夜间灯光强度回归模拟，进而识别2013-2018年的武汉市城市热点区域。
根据参数寻优方法，如图8所示，得到2013、2015、2018年支持向量机回归模型的最优参数。经过参数优化，支持向量机回归模型对城市热点模拟具有良好的泛化能力，所有SVR模型在2013年、2015年、2018年的回归系数R2均在0.8左右，认为基于该方法的夜间灯光强度模拟值具有较高的可信度，同时通过可视化，能够有效表征夜间灯光强度在空间上的分布特征，从而识别城市热点区域。
图9～图12为武汉市2013-2018年城市热点区域的识别结果。如图9所示，2013年城市热点区域主要集中在青山区、武昌区和江岸区。如图10所示，2015年城市热点区域主要向武汉市西南方向扩展。如图11所示，2018年城区热点分布较为均衡，与如图12所示的2018年基于POI核密度分析生成的POI核密度图上的热点区域分布较为一致。
A3、为定量监测城市热点区域在2013～2018年的变化情况，利用重心法分别计算2013年、2015年和2018年的城市热点区域重心，并利用重心移动距离和重心转移角度两个指标得到如表2所示的2013～2015年和2015～2018年两个不同时期城市热点区域的重心迁移情况。
表2城市热点区域重心转移情况
Figure BDA0003115369670000121
如图13所示，为武汉市热点重心的迁移轨迹。为验证城市热点区域重心迁移轨迹的准确性，将武汉市热点重心的迁移轨迹与武汉市城市建成区情况(如图14所示)进行对比，可以看到两者存在较为明显的一致性。依据本发明提供的方法分别计算了2013～2015年、2015～2018年两个时段8个方向的城市扩展强度(UEII)(N：北；NE：东北；E:东；SE:东南；S:南；SW:西南；W:西；NW:西北)。如图15所示，为武汉市八个方向的扩展强度。可以看出，在2013～2018年的时间段内，武汉市的城市热点区域重心一直往西南方向(SW)移动。
以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (9)

1.一种多中心城市热点区域快速识别与动态监测方法，其特征在于，包括以下步骤：
S1、将预先获取的研究区月度VIIRS夜间灯光影像数据经数据融合、滤波、拟合处理后得到年度稳定VIIRS夜间灯光数据；
根据年度稳定VIIRS夜间灯光数据获取研究区内各像元点的地理空间位置特征向量和年度稳定VIIRS数据夜间灯光强度属性值；
S2、基于研究区内各像元点的地理空间位置特征向量和年度稳定VIIRS数据夜间灯光强度属性值，结合支持向量机回归模型，得到夜间灯光强度预测值和城市热点区域；
S3、基于城市热点区域，结合重心法分析获取城市热点区域的时空迁移轨迹。
2.根据权利要求1所述的多中心城市热点区域快速识别与动态监测方法，其特征在于，所述步骤S1包括：
S11、将预先获取的研究区月度VIIRS夜间灯光影像数据过滤，得到过滤后的月度VIIRS夜间灯光影像数据；
月度VIIRS夜间灯光影像数据包括月度vcm数据和月度vcmsl数据；
S12、将月度vcm数据中的零值全部替换为相应月份的月度vcmsl数据，融合得到月度合成VIIRS数据；
S13、将月度合成VIIRS数据经过SG滤波，得到处理后的月度合成VIIRS数据；
根据处理后的月度合成VIIRS数据获取研究区内各像元点的地理空间位置特征向量和处理后的月度合成VIIRS数据夜间灯光强度属性值；
S14、基于灯光强度属性值，采用傅里叶函数定量表征，得到年度稳定VIIRS数据夜间灯光强度属性值。
3.根据权利要求2所述的多中心城市热点区域快速识别与动态监测方法，其特征在于，所述步骤S2包括：
S21、将研究区内各像元点的地理空间位置特征向量和年度稳定VIIRS数据夜间灯光强度属性值作为数据集，将数据集分为训练集和测试集；
S22、将训练集中的各像元点的地理空间位置特征向量和年度稳定VIIRS数据夜间灯光强度属性值输入支持向量机回归模型中，结合网格搜索与交叉验证方法寻找参数，得到训练后的支持向量机回归模型；
S23、将测试集中的各像元点的地理空间位置特征向量输入训练后的支持向量机回归模型，输出夜间灯光强度预测值；
S24、基于夜间灯光强度预测值，通过绘制夜间灯光强度连续表面进而获取城市热点区域。
4.根据权利要求3所述的多中心城市热点区域快速识别与动态监测方法，其特征在于，所述步骤S23中，若输出的夜间灯光强度预测值与对应的年度稳定VIIRS数据夜间灯光强度属性值的差值小于或等于给定阈值，则训练成功；否则，返回步骤S22，继续寻找参数。
5.根据权利要求1所述的多中心城市热点区域快速识别与动态监测方法，其特征在于，所述参数包括惩罚因子和核函数变量。
6.根据权利要求5所述的多中心城市热点区域快速识别与动态监测方法，其特征在于，所述步骤S13中，处理后的月度合成VIIRS数据夜间灯光强度属性值满足以下公式：
Figure FDA0003115369660000021
式中，Pj为处理后的月度合成VIIRS数据夜间灯光强度属性值；Pj+1为原始的月度合成VIIRS数据夜间灯光强度属性值；Ci为滤波系数；N为当前滑动窗口内的数据个数；i为当前滑动窗口的大小；m为半个当前滑动窗口的大小。
7.根据权利要求6所述的多中心城市热点区域快速识别与动态监测方法，其特征在于，所述步骤S14中，年度稳定VIIRS数据夜间灯光强度值满足以下公式：
Figure FDA0003115369660000031
式中，Pit为一年中t时刻像元i的VIIRS数据夜间灯光强度属性值；Pstable为年度稳定VIIRS数据夜间灯光强度属性值；T为一年的12个月，T＝12；t为每个月，t依次取值1,2，…，12。
8.根据权利要求7所述的多中心城市热点区域快速识别与动态监测方法，其特征在于，所述步骤S11中，将预先获取的研究区的月度影像数据经过NOAA发布的2015年的年度“vcm-orm-ntl”夜间灯光影像作为标准影像过滤短暂的瞬时光源和背景噪声，得到过滤后的月度影像数据。
9.根据权利要求8所述的多中心城市热点区域快速识别与动态监测方法，其特征在于，所述地理空间位置特征向量包括经度和纬度。
CN202110661816.9A 2021-06-15 2021-06-15 一种多中心城市热点区域快速识别与动态监测方法 Pending CN113378724A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110661816.9A CN113378724A (zh) 2021-06-15 2021-06-15 一种多中心城市热点区域快速识别与动态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110661816.9A CN113378724A (zh) 2021-06-15 2021-06-15 一种多中心城市热点区域快速识别与动态监测方法

Publications (1)

Publication Number Publication Date
CN113378724A true CN113378724A (zh) 2021-09-10

Family

ID=77574345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110661816.9A Pending CN113378724A (zh) 2021-06-15 2021-06-15 一种多中心城市热点区域快速识别与动态监测方法

Country Status (1)

Country Link
CN (1) CN113378724A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115690576A (zh) * 2022-10-17 2023-02-03 武汉大学 基于夜光影像多特征的贫困率估算方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506857A (zh) * 2017-08-14 2017-12-22 北京工商大学 基于模糊支持向量机的城市湖库蓝藻水华多变量预测方法
CN108399399A (zh) * 2018-03-23 2018-08-14 武汉大学 一种基于夜光遥感影像的城市范围提取方法
CN110765885A (zh) * 2019-09-29 2020-02-07 武汉大学 一种基于异源夜光遥感影像的城市扩张检测方法及装置
CN111311103A (zh) * 2020-02-26 2020-06-19 河海大学 一种基于夜光遥感数据的城市发展重心轨迹的获取方法
CN112488820A (zh) * 2020-11-19 2021-03-12 建信金融科技有限责任公司 基于夜光遥感数据的模型训练方法、违约预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506857A (zh) * 2017-08-14 2017-12-22 北京工商大学 基于模糊支持向量机的城市湖库蓝藻水华多变量预测方法
CN108399399A (zh) * 2018-03-23 2018-08-14 武汉大学 一种基于夜光遥感影像的城市范围提取方法
CN110765885A (zh) * 2019-09-29 2020-02-07 武汉大学 一种基于异源夜光遥感影像的城市扩张检测方法及装置
CN111311103A (zh) * 2020-02-26 2020-06-19 河海大学 一种基于夜光遥感数据的城市发展重心轨迹的获取方法
CN112488820A (zh) * 2020-11-19 2021-03-12 建信金融科技有限责任公司 基于夜光遥感数据的模型训练方法、违约预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YANHUA XIE ET AL.: "《Temporal variations of artificial nighttime lights and their implications for urbanization in the conterminous United States, 2013–2017》", 《REMOTE SENSING OF ENVIRONMENT》 *
ZUOQI CHEN ET AL.: "《A New Approach for Detecting Urban Centers and》", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
占文凤 等: "《支持向量机的北京城市热岛模拟:热岛强度空间格局曲面模拟及其应用》", 《测绘学报》 *
杨浩 等: "《基于支持向量机的京津冀城市群热环境时空形态模拟》", 《地球信息科学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115690576A (zh) * 2022-10-17 2023-02-03 武汉大学 基于夜光影像多特征的贫困率估算方法及系统
CN115690576B (zh) * 2022-10-17 2024-05-31 武汉大学 基于夜光影像多特征的贫困率估算方法及系统

Similar Documents

Publication Publication Date Title
Zhao et al. Building a series of consistent night-time light data (1992–2018) in Southeast Asia by integrating DMSP-OLS and NPP-VIIRS
Mahmoud et al. Assessment of global precipitation measurement satellite products over Saudi Arabia
Zhang et al. Estimating aboveground biomass in subtropical forests of China by integrating multisource remote sensing and ground data
Baker et al. Evapotranspiration in the Amazon: spatial patterns, seasonality, and recent trends in observations, reanalysis, and climate models
Fu et al. Estimating landscape net ecosystem exchange at high spatial–temporal resolution based on Landsat data, an improved upscaling model framework, and eddy covariance flux measurements
Zheng et al. Nighttime light remote sensing for urban applications: Progress, challenges, and prospects
Shang et al. DNN-MET: A deep neural networks method to integrate satellite-derived evapotranspiration products, eddy covariance observations and ancillary information
Xie et al. Development of a topographic-corrected temperature and greenness model (TG) for improving GPP estimation over mountainous areas
Peng et al. Scaling up spring phenology derived from remote sensing images
Zheng et al. The desaturation method of DMSP/OLS nighttime light data based on vector data: Taking the rapidly urbanized China as an example
Zheng et al. Monitoring the trajectory of urban nighttime light hotspots using a Gaussian volume model
CN110110025A (zh) 基于特征向量空间滤值的区域人口密度模拟方法
CN114819737B (zh) 公路路域植被的碳储量估算方法、系统及存储介质
Moeller Remote Sensing for the monitoring of urban growth patterns
CN113378724A (zh) 一种多中心城市热点区域快速识别与动态监测方法
Tian et al. Impacts of satellite revisit frequency on spring phenology monitoring of deciduous broad-leaved forests based on vegetation index time series
CN110765885B (zh) 一种基于异源夜光遥感影像的城市扩张检测方法及装置
Huang et al. A saturated light correction method for DMSP-OLS nighttime stable light data by remote and social sensing data
Hu et al. Upscaling GOME-2 SIF from clear-sky instantaneous observations to all-sky sums leading to an improved SIF–GPP correlation
Zhao et al. Evaluating the potential of H8/AHI geostationary observations for monitoring vegetation phenology over different ecosystem types in northern China
Shi et al. Nighttime light remote sensing in characterizing urban spatial structure
CN107576399B (zh) 面向modis林火探测的亮温预测方法和系统
Liu et al. Fractional coverage rather than green chromatic coordinate is a robust indicator to track grassland phenology using smartphone photography
Abdullahi et al. Night sky brightness assessment in Nigeria using environmetric and GIS technique
Zhang et al. How the CMIP6 climate models project the historical terrestrial GPP in China

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