CN115690576A - 基于夜光影像多特征的贫困率估算方法及系统 - Google Patents
基于夜光影像多特征的贫困率估算方法及系统 Download PDFInfo
- Publication number
- CN115690576A CN115690576A CN202211266813.6A CN202211266813A CN115690576A CN 115690576 A CN115690576 A CN 115690576A CN 202211266813 A CN202211266813 A CN 202211266813A CN 115690576 A CN115690576 A CN 115690576A
- Authority
- CN
- China
- Prior art keywords
- data
- night light
- poverty
- angle
- population
- 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 32
- 238000011160 research Methods 0.000 claims abstract description 52
- 238000007637 random forest analysis Methods 0.000 claims abstract description 18
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 17
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 17
- 238000002485 combustion reaction Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims abstract description 3
- 230000036541 health Effects 0.000 claims description 23
- 239000000203 mixture Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 239000003345 natural gas Substances 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004579 marble Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000030507 AIDS Diseases 0.000 description 1
- 239000005441 aurora Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 201000004792 malaria Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于夜光影像多特征的贫困率估算方法及系统。首先获取研究年份及区域对应的夜间灯光多角度月合成数据和多角度年合成数据、DHS调查数据、GADM国家行政边界矢量数据及VNF燃烧点位置数据。利用VNF数据和行政边界数据对多角度夜间灯光数据去除异常大像元值并进行掩膜处理。对处理后的多角度月合成数据计算统计特征；对处理后的多角度年合成数据计算纹理特征。根据每个DHS样本所在的位置，提取邻域单元内的统计特征和纹理特征。将从夜间灯光数据中提取的统计特征和纹理特征输入到随机森林回归模型，随机森林回归模型输出预测平均财富指数。利用预测平均财富指数计算研究区的贫困率。
Description
技术领域
本发明涉及一种基于夜光影像多特征的贫困率估算方法及系统。
背景技术
贫困是当今世界面临的巨大危机，阻碍社会经济繁荣发展，破坏地区发展和稳定。根据世界银行发布的《Poverty and Shared Prosperity 2020》报告，全球仍有6.89亿极端贫困人口生活在1.9美元/日的国际贫困线以下[1]。传统的贫困估算依赖于地方的实地统计和调查数据，这些方式存在时间消耗大、数据更新慢，调查依赖性强等缺点。收集可持续发展目标关键数据的频率较低，导致了贫困评估的延滞性、不确定性，加剧世界减贫工作的困难。
随着传感器和通讯技术的发展，遥感、GIS数据等新型数据源为开展贫困评估提供了崭新的研究视角。采用遥感技术开展贫困评估具有覆盖范围广、受无关影响小以及公开可用等优点，更符合开展快速、大尺度社会经济参数估算的需求。夜光遥感数据与人类社会济活动间存在较高的相关性，在监测GDP、人口流动、电力消耗等方面被广泛应用。
全球夜间灯光数据已成为广泛应用的地理空间数据产品之一，夜光遥感影像的亮度信息记录了夜间来自人类活动区的人造光，已被证明具有良好的估计社会经济参数的能力[2]。相较于DMSP-OLS夜间灯光数据，NPP-VIIRS DNB夜间灯光数据具有更高的空间和辐射分辨率，已被广泛用于开展贫困评估研究[3,4]。由美国宇航局(NASA)整理发布的夜间灯光数据——黑色大理石产品(Black Marble Suit)，已经去除了地形、云层、月光、极光和季节性等因素的影响，显著提高了影像质量。黑色大理石产品提供了每日夜光影像产品(VNP46A1、VNP46A2)、月合成夜光影像产品(VNP46A3)和年合成夜光影像产品(VNP46A4)，空间分辨率15”(约500m)。相较于美国国家海洋和大气管理局/国家地球物理数据中心(NOAA/NGDC)的地球观测小组(Earth Observation Group，EOG)整理发布的NPP-VIIRS夜间灯光数据，黑色大理石产品采用了物理模型对大气、月光、植被等因素进行了校正，是目前全球唯一的夜光定量遥感产品，能够精准地反映社会经济变化信息。此外，该遥感产品不仅提供了全角度(all-angle)的平均产品，还提供了近星下点(near-nadir)和侧视点(off-nadir)的平均产品，极大得丰富了夜光遥感产品的数据容量和信息[5]。由于地面建筑遮挡的问题，单一角度夜间灯光数据不可避免地会出现信息采集的偏差，对于采集视角方向有遮盖的地面光源信息采集存在缺漏。从多角度夜间灯光数据中提取统计指标，可以在一定程度上减少由于建筑物遮挡等观测角度原因导致的信息偏差问题，提供更真实、丰富的地面信息。
贫困的发生是由多方面因素造成的，按不同人群拥有的物质财富衡量经济状况是评估贫困的重要步骤。美国国际开发署人口与健康调查计划(Demographic and HealthSurveys，DHS)提出了一种基于资产和家庭特征计算财富指数的方法。其中，衡量家庭生活水平的综合指标——财富指数(Wealth Index，WI)基于一系列来源于家庭调查问卷的与家庭财富相关的特征，包括电力来源、烹饪燃料、家庭服务和财产类别等。对这些特征进行主成分分析，将得到的第一主成分作为财富指数，最终财富指数按加权累积百分比分布，确定四个断点值(<20％、<40％、<60％和<80％)对应的财富分数值。数值1到5分别代表最贫困(Poorest)、较贫困(Poorer)、中等(Middle)、较富裕(Richer)和最富裕(Richest)的财富级别作为贫困评估的参考指标。DHS将每30户左右的家庭组合为一个家庭组，计算了组内参与调查的每户家庭的平均经纬度作为家庭组的经纬度，并随机添加一定的位置偏移。家庭组是DHS样本在研究中开展的最小单元[6]。
处理复杂的分类/回归问题时，单个模型往往仅在某些方面表现出较好的效果。集成学习通过将多个弱监督模型进行组合得到一个更全面的强监督模型，提高机器学习的精度。随机森林算法是一种由Bagging衍生得到的集成机器学习算法。相较于单棵决策树的缺陷，随机森林通过将多棵决策树组合在一起，能够克服过拟合问题，处理高维度数据，训练速度快，泛化能力较好。本发明的目的为利用从夜间灯光数据中提取的多维特征，对表征贫困状况的财富指数进行估算。基于该目的和数据的特点，本发明选择随机森林回归算法进行建模。
目前已有很多学者利用夜间灯光数据开展贫困评估研究。其中，绝大多数的研究从夜间灯光数据中提取了传统的统计信息，如区域夜间灯光总量、平均夜间灯光强度指标作为社会经济发展状况的反映。但是，单纯使用这些指标的应用效果不尽人意，因此部分研究从数据源入手，引入了白天的遥感影像、POI等GIS地理编码信息等其他类型数据源进行改善，取得了一定的效果。但受限于数据处理资源消耗大、数据公开可得性等原因，在实际应用中会造成很大的局限性。当前的研究对夜间灯光数据的利用较为单一，作为一种较新的遥感数据源，其数据产品也在不断丰富完善。因此，本发明提出一种基于夜光影像多特征的贫困率估算方法，弥补当前研究技术中的不足。
参考文献：
[1]CASTANEDA AGUILAR R A,COJOCARU A,HOWTON E L A,et al.Poverty andShared Prosperity 2020:Reversals of Fortune[J].2020.
[2]LEVIN N,KYBA C C M,ZHANG Q,et al.Remote sensing of night lights:Areview and an outlook for the future[J].Remote Sensing of Environment,2020,237.
[3]ZHAO X,YU B,LIU Y,et al.Estimation of Poverty Using Random ForestRegression with Multi-Source Data:A Case Study in Bangladesh[J].RemoteSensing,2019,11(4).
[4]ELVIDGE C D,SUTTON P C,GHOSH T,et al.A global poverty map derivedfrom satellite data[J].Computers&Geosciences,2009,35(8):1652-60.
[5]WANG Z,SHRESTHA R M,ROMAN M O,et al.NASA’s Black Marble MultiangleNighttime Lights Temporal Composites[J].IEEE Geoscience and Remote SensingLetters,2022,19:1-5.
[6]<GUIDANCE FOR USE OF THE DHS.pdf>[J].
发明内容
本发明针对现有技术中，仅利用单一角度观测获得的夜间灯光数据，在采用传统统计指标开展贫困评估时应用效果不佳的问题，提出了一种基于夜光影像多特征的贫困率估算方法及系统。
第一方面，提供一种基于夜光影像多特征的贫困率估算方法，包括：获取研究年份及区域对应的夜间灯光数据产品中的月合成数据与年合成数据、人口与健康调查数据以及LandScan人口数据；从所述夜间灯光数据产品中的月合成数据与年合成数据中，提取出包括全角度、近星下点和侧视点的多角度月合成夜间灯光数据和多角度年合成夜间灯光数据；根据每个所述人口与健康调查数据的样本所在的位置，提取其邻域单元内的多角度月合成夜间灯光数据统计特征：单元夜间灯光总量指数、单元平均夜间灯光强度指数和单元夜间灯光不稳定性指数；根据每个所述人口与健康调查数据的样本所在的位置，提取其邻域单元内的多角度年合成夜间灯光数据纹理特征；构建覆盖研究年份及区域的渔网单元；对于每个所述渔网单元，将所述多角度月合成夜间灯光数据统计特征和的所述多角度年合成夜间灯光数据纹理特征组成的多维贫困特征，输入到随机森林回归模型，所述随机森林回归模型输出预测平均财富指数；求和计算覆盖所述研究年份及区域所有所述渔网单元的LandScan人口数据，将其作为所述研究年份及区域的总人口数量sumPOP，求和计算所述研究年份及区域内所述预测平均财富指数小于设定值的所述渔网单元的人口数据，将其作为所述研究年份及区域的贫困人口数量povertyPOP，研究年份及区域的贫困率即为povertyPOP/sumPOP。
第二方面，提供一种基于夜光影像多特征的贫困率估算系统，包括：数据获取模块，其被配置为获取研究年份及区域对应的夜间灯光数据产品中的月合成数据与年合成数据、人口与健康调查数据以及LandScan人口数据；多角度夜间灯光数据提取模块，其被配置为从所述夜间灯光数据产品中的月合成数据与年合成数据中，提取出包括全角度、近星下点和侧视点的多角度月合成夜间灯光数据和多角度年合成夜间灯光数据；夜间灯光数据统计特征提取模块，其被配置为根据每个所述人口与健康调查数据的样本所在的位置，提取其邻域单元内的多角度月合成夜间灯光数据统计特征：单元夜间灯光总量指数、单元平均夜间灯光强度指数和单元夜间灯光不稳定性指数；夜间灯光数据纹理特征提取模块，其被配置为根据每个所述人口与健康调查数据的样本所在的位置，提取其邻域单元内的多角度年合成夜间灯光数据纹理特征；渔网单元构建模块，其被配置为构建覆盖研究年份及区域的渔网单元；平均财富指数预测模块，其被配置为对于每个所述渔网单元，将所述多角度月合成夜间灯光数据统计特征和的所述多角度年合成夜间灯光数据纹理特征组成的多维贫困特征，输入到随机森林回归模型，所述随机森林回归模型输出预测平均财富指数；以及贫困率计算模块，其被配置为求和计算覆盖所述研究年份及区域所有所述渔网单元的LandScan人口数据，将其作为所述研究年份及区域的总人口数量sumPOP，求和计算所述研究年份及区域内所述预测平均财富指数小于设定值的所述渔网单元的人口数据，将其作为所述研究年份及区域的贫困人口数量povertyPOP，研究年份及区域的贫困率即为povertyPOP/sumPOP。
第三方面，提供一种计算机，包括：处理器；存储器，包括一个或多个计算机程序模块；其中，所述一个或多个计算机程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个计算机程序模块包括用于实现所述的基于夜光影像多特征的贫困率估算方法的指令。
第四方面，提供一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时能够实现所述的基于夜光影像多特征的贫困率估算方法。
本发明有益效果：
1.本发明采用多角度夜间灯光数据，而非传统研究中采用的单一角度夜间灯光数据，提取到了更真实、可信的亮度信息，构建的模型精度有明显地提升。
2.本发明增加了夜间灯光不稳定性指数，相较于传统的夜间灯光总量指数和平均夜间灯光强度指数聚焦的空间信息，增加了时间维度的波动信息，考虑到了由于停电、灾害等短期影响造成贫困的特殊情况，为开展长短期诱因贫困评估的进一步研究提供了一种新的思路。
3.本发明迁移使用日间遥感影像采用的纹理信息提取方法，从夜间灯光数据中提取丰富的纹理统计量构建模型，新模型对贫困的预测精度更高。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1为本发明一实施例提供的基于夜光影像多特征的贫困率估算模型输入数据提取流程示意图。
图2为本发明一实施例提供的随机森林回归模型训练流程示意图。
具体实施方式
图1示出了基于夜光影像多特征的贫困率估算模型输入数据提取流程示意图。图2示出了随机森林回归模型训练流程示意图。下面对图1、图2示出的基于夜光影像多特征的贫困率估算方法进行详细说明。
步骤1，获取研究年份及区域对应的数据，包括：获取黑色大理石(Black Marble)夜间灯光数据产品中的月合成数据(VNP46A3)与年合成数据(VNP46A4)，人口与健康调查(Demographic and Health Surveys,DHS)数据，全球行政区划数据库(Database ofGlobal Administrative Areas，GADM)提供的国家行政边界矢量数据，VIIRS Night fire(VNF)年度全球天然气燃烧点位置数据以及LandScan人口分布数据。
人口与健康调查(DHS)数据由于调查年份不同存在名称的不同，但需要为包含“Household Recode”子项的Demographic and Health Survey(DHS)调查或HIV/AIDSIndicator Survey(AIS)调查或Malaria Indicator Survey(MIS)调查数据集。原始获取到的黑色大理石(Black Marble)夜间灯光数据产品为HDF5格式，需要使用GDAL将其转为GeoTiff格式方便后续使用。
步骤2，从步骤1获取的月合成和年合成夜间灯光多图层数据中，提取出研究需要的全角度(all-angle)、近星下点(near-nadir)和侧视点(off-nadir)文件数据。
全角度(all-angle)、近星下点(near-nadir)和侧视点(off-nadir)文件数据分别指其中的去除积雪影响的数据，具体为：AllAngle_Composite_Snow_Free、NearNadir_Composite_Snow_Free和OffNadir_Composite_Snow_Free文件数据。
步骤3，对夜间灯光数据和DHS调查数据进行预处理：
步骤3.1，基于VNF天然气燃烧点位置数据构建设定大小窗口的掩膜图层去除夜间灯光数据中的异常高值。窗口大小可以是10*10的，但不限定于此。采用ArcGIS中的栅格计算器对所有栅格值按0.1比例进行缩放得到真实辐亮度信息。使用行政边界矢量数据进行裁剪获得研究区的夜间灯光数据。0.1栅格值缩放比例是根据黑色大理石夜间灯光数据产品使用手册(Black Marble User Guide Version 1.2)中VNP46A3/A4 NTL compositeproducts的“Scale Factor”列确定的。
步骤3.2，对研究区的DHS调查统计数据集，计算每个DHS样本对应的平均财富指数(Wealth Index)，作为贫困状况的评价指标。DHS样本是人口与健康调查定义的家庭组(DHSCLUST)，家庭组研究中开展的最小单元。DHS样本的平均财富指数由隶属于家庭组内所有家庭的财富指数计算得到。平均财富指数分为五级，数值1到5分别代表最贫困(Poorest)、较贫困(Poorer)、中等(Middle)较富裕(Richer)和最富裕(Richest)的财富级别。
步骤4：根据每个DHS样本所在的位置，提取其设定大小(可以是10*10)邻域单元内的不同角度的月合成夜间灯光数据(VNP46A3)统计指标：单元夜间灯光总量指数(GridTotal Light Index，GTLI)、单元平均夜间灯光强度指数(Grid Average Light Index，GALI)和单元夜间灯光不稳定性指数(Grid Instability Light Index，GILI)，其中Angle表示不同角度的月合成夜间灯光数据，具体可分为全角度(all-angle)、近星下点(near-nadir)和侧视点(off-nadir)三个类别。其计算公式依次如下：
式中，DNi为邻域单元内像元i的辐亮度值；n为邻域单元内像元的数目；m为研究时间范围内的月数。
单元夜间灯光不稳定性指数用于描述一年当中，邻域单元内各个月份夜光强度较全年平均夜光强度的偏离程度。如果不稳定性指数越高，说明一年中受停电、灾害等潜在影响导致电力供应短缺的问题越突出，其所在的生活条件越苛刻，越容易发生贫困问题。
步骤5，引入日间遥感影像常采用的二阶概率统计滤波——灰度共生矩阵方法提取夜间灯光数据中定量描述纹理特征的统计信息。对年合成夜间灯光数据(VNP46A4)计算灰度共生矩阵纹理图像，从中提取二阶矩(Angular Second Moment)、对比度(Contrast)、相关性(Correlation)、熵(Entropy)和同质性(Homogeneity)5种纹理信息的特征统计量。
①二阶矩
反映了图像灰度分布均匀程度和纹理粗细程度。其是灰度共生矩阵各元素的平方和，又称为能量。如果灰度处处相同，则能量值为1，即能量值大表明当前纹理是一种规则变化较为稳定的纹理。
②对比度
反映了图像的清晰度。纹理的沟纹深，对比度越大，效果越清晰。
③相关性
式中u1，u2，σ1，σ2分别定义为：
用于衡量灰度共生矩阵元素在行或列方向上的相似度。例如水平方向纹理，在0°方向上的相关性大于其他方向上的相关性。
④熵
反映图像中纹理的复杂程度或非均匀度。若纹理复杂，熵具有较大值；反之，若图像中灰度均匀，共生矩阵元素大小差异大，熵较小。
⑤同质性
度量图像纹理分布的均匀程度。同质性小，则纹理在局部分布不均匀，局部变化大，纹理平滑性差。
上式中：i,j＝0,1,…,L-1；L为图像的灰度级数；
为从图像(i,j)灰度i的像素出发，统计与距离δ、灰度为j的像素同时出现的概率经归一化处理后的结果。
步骤6，根据每个DHS样本所在的位置，提取其设定大小(可以是10*10)邻域单元内步骤5中生成的5类统计量的平均值反映夜间灯光数据纹理信息。以上5种统计量从不同方面反映图像的纹理特征，同时各自间存在一定的相关性，因此采用主成分分析的方法进行特征降维，根据累计方差贡献率确定主成分个数，降维后的主成分特征包含样本的大部分信息。降维后的前2个主成分特征包含原样本中99.94％的信息，因此选用前2个主成分特征作为新的纹理信息统计量。
步骤7，按特定比例对原始DHS样本划分训练集和测试集，用于模型的构建和模型精度的测试。
步骤7.1，训练集部分：以步骤4得到的月合成夜间灯光数据(VNP46A3)统计指标，和步骤6得到的经主成分分析降维后的年合成夜间灯光数据(VNP46A4)纹理信息统计量作为输入数据；以步骤3计算得到的每个DHS样本相应的平均财富指数(Wealth Index)为输出数据，构建随机森林回归模型。
步骤7.2，测试集部分：以步骤4得到的月合成夜间灯光数据(VNP46A3)统计指标，和步骤6得到的经主成分分析降维后的年合成夜间灯光数据(VNP46A4)纹理信息统计量作为输入数据。用步骤7.1中训练好的模型估算测试样本的估算财富指数，并与步骤3的真实财富指数进行对比，评估模型的精度。
步骤8，构建覆盖整个研究区范围的设定大小的渔网单元，对每个渔网单元提取夜光影像统计和纹理特征数据以及LandScan人口数据。对于每个渔网单元，利用训练好的模型将夜光影像多特征数据作为模型输入特征，得到输出的预测平均财富指数。可以将平均财富指数小于3的渔网单元认为是贫困的，但不限定于此。求和计算覆盖整个研究区范围所有渔网单元的LandScan人口数据作为研究区的总人口数量sumPOP；求和计算研究区内预测平均财富指数小于3的渔网单元的人口数据作为研究区的贫困人口数量povertyPOP。研究区的贫困率即为povertyPOP/sumPOP。
在一些实施例中，还提供一种基于夜光影像多特征的贫困率估算系统，包括：数据获取模块、多角度夜间灯光数据提取模块、夜间灯光数据统计特征提取模块、夜间灯光数据纹理特征提取模块、渔网单元构建模块、平均财富指数预测模块和贫困率计算模块。
数据获取模块被配置为获取研究年份及区域对应的夜间灯光数据产品中的月合成数据与年合成数据、人口与健康调查数据以及LandScan人口数据。
多角度夜间灯光数据提取模块被配置为从所述夜间灯光数据产品中的月合成数据与年合成数据中，提取出包括全角度、近星下点和侧视点的多角度月合成夜间灯光数据和多角度年合成夜间灯光数据。
夜间灯光数据统计特征提取模块被配置为根据每个所述人口与健康调查数据的样本所在的位置，提取其邻域单元内的多角度月合成夜间灯光数据统计特征：单元夜间灯光总量指数、单元平均夜间灯光强度指数和单元夜间灯光不稳定性指数。
夜间灯光数据纹理特征提取模块被配置为根据每个所述人口与健康调查数据的样本所在的位置，提取其邻域单元内的多角度年合成夜间灯光数据纹理特征。
渔网单元构建模块被配置为构建覆盖研究年份及区域的渔网单元。
平均财富指数预测模块被配置为对于每个所述渔网单元，将所述多角度月合成夜间灯光数据统计特征和的所述多角度年合成夜间灯光数据纹理特征组成的多维贫困特征，输入到随机森林回归模型，所述随机森林回归模型输出预测平均财富指数。
贫困率计算模块被配置为求和计算覆盖所述研究年份及区域所有所述渔网单元的LandScan人口数据，将其作为所述研究年份及区域的总人口数量sumPOP，求和计算所述研究年份及区域内所述预测平均财富指数小于设定值的所述渔网单元的人口数据，将其作为所述研究年份及区域的贫困人口数量povertyPOP，研究年份及区域的贫困率即为povertyPOP/sumPOP。
所述的基于夜光影像多特征的贫困率估算系统各个模块更加详细的实现方法参考上述的基于夜光影像多特征的贫困率估算方法。
在一些实施例中，还提供一种计算机。该计算机包括处理器和存储器。存储器用于存储非暂时性计算机可读指令(例如一个或多个计算机程序模块)。处理器用于运行非暂时性计算机可读指令，非暂时性计算机可读指令被处理器运行时可以执行上文所述的基于夜光影像多特征的贫困率估算方法中的一个或多个步骤。存储器和处理器可以通过总线系统和/或其它形式的连接机构互连。
例如，处理器可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或程序执行能力的其它形式的处理单元。例如，中央处理单元(CPU)可以为X86或ARM架构等。处理器可以为通用处理器或专用处理器，可以控制计算机中的其它组件以执行期望的功能。
例如，存储器可以包括一个或多个计算机程序产品的任意组合，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、紧凑型光盘只读储存器(CD-ROM)、USB存储器、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序模块，处理器可以运行一个或多个计算机程序模块，以实现计算机的各种功能。
在一些实施例中，还提供一种计算机可读存储介质，该计算机可读存储介质用于存储非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时可以实现上述的基于夜光影像多特征的贫困率估算方法中的一个或多个步骤。也就是本申请实施例提供的基于夜光影像多特征的贫困率估算方法以软件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。关于存储介质的相关说明可以参考上文计算机中的存储器的相应描述，此处不再赘述。
Claims (10)
1.一种基于夜光影像多特征的贫困率估算方法，其特征在于，包括：
获取研究年份及区域对应的夜间灯光数据产品中的月合成数据与年合成数据、人口与健康调查数据以及LandScan人口数据；
从所述夜间灯光数据产品中的月合成数据与年合成数据中，提取出包括全角度、近星下点和侧视点的多角度月合成夜间灯光数据和多角度年合成夜间灯光数据；
根据每个所述人口与健康调查数据的样本所在的位置，提取其邻域单元内的多角度月合成夜间灯光数据统计特征：单元夜间灯光总量指数、单元平均夜间灯光强度指数和单元夜间灯光不稳定性指数；
根据每个所述人口与健康调查数据的样本所在的位置，提取其邻域单元内的多角度年合成夜间灯光数据纹理特征；
构建覆盖研究年份及区域的渔网单元；
对于每个所述渔网单元，将所述多角度月合成夜间灯光数据统计特征和的所述多角度年合成夜间灯光数据纹理特征组成的多维贫困特征，输入到随机森林回归模型，所述随机森林回归模型输出预测平均财富指数；
求和计算覆盖所述研究年份及区域所有所述渔网单元的LandScan人口数据，将其作为所述研究年份及区域的总人口数量sumPOP，求和计算所述研究年份及区域内所述预测平均财富指数小于设定值的所述渔网单元的人口数据，将其作为所述研究年份及区域的贫困人口数量povertyPOP，研究年份及区域的贫困率即为povertyPOP/sumPOP。
2.根据权利要求1所述的基于夜光影像多特征的贫困率估算方法，其特征在于，基于全球天然气燃烧点位置数据构建掩膜图层去除所述多角度月合成夜间灯光数据和所述多角度年合成夜间灯光数据中的异常高值。
3.根据权利要求1所述的基于夜光影像多特征的贫困率估算方法，其特征在于，所述多角度年合成夜间灯光数据纹理特征包括：二阶矩、对比度、相关性、熵和同质性5种纹理信息。
4.根据权利要求1所述的基于夜光影像多特征的贫困率估算方法，其特征在于，采用主成分分析的方法对所述多角度年合成夜间灯光数据纹理特征进行特征降维。
5.一种基于夜光影像多特征的贫困率估算系统，其特征在于，包括：
数据获取模块，其被配置为获取研究年份及区域对应的夜间灯光数据产品中的月合成数据与年合成数据、人口与健康调查数据以及LandScan人口数据；
多角度夜间灯光数据提取模块，其被配置为从所述夜间灯光数据产品中的月合成数据与年合成数据中，提取出包括全角度、近星下点和侧视点的多角度月合成夜间灯光数据和多角度年合成夜间灯光数据；
夜间灯光数据统计特征提取模块，其被配置为根据每个所述人口与健康调查数据的样本所在的位置，提取其邻域单元内的多角度月合成夜间灯光数据统计特征：单元夜间灯光总量指数、单元平均夜间灯光强度指数和单元夜间灯光不稳定性指数；
夜间灯光数据纹理特征提取模块，其被配置为根据每个所述人口与健康调查数据的样本所在的位置，提取其邻域单元内的多角度年合成夜间灯光数据纹理特征；
渔网单元构建模块，其被配置为构建覆盖研究年份及区域的渔网单元；
平均财富指数预测模块，其被配置为对于每个所述渔网单元，将所述多角度月合成夜间灯光数据统计特征和的所述多角度年合成夜间灯光数据纹理特征组成的多维贫困特征，输入到随机森林回归模型，所述随机森林回归模型输出预测平均财富指数；以及
贫困率计算模块，其被配置为求和计算覆盖所述研究年份及区域所有所述渔网单元的LandScan人口数据，将其作为所述研究年份及区域的总人口数量sumPOP，求和计算所述研究年份及区域内所述预测平均财富指数小于设定值的所述渔网单元的人口数据，将其作为所述研究年份及区域的贫困人口数量povertyPOP，研究年份及区域的贫困率即为povertyPOP/sumPOP。
6.根据权利要求5所述的基于夜光影像多特征的贫困率估算系统，其特征在于，基于全球天然气燃烧点位置数据构建掩膜图层去除所述多角度月合成夜间灯光数据和所述多角度年合成夜间灯光数据中的异常高值。
7.根据权利要求5所述的基于夜光影像多特征的贫困率估算系统，其特征在于，所述多角度年合成夜间灯光数据纹理特征包括：二阶矩、对比度、相关性、熵和同质性5种纹理信息。
8.根据权利要求5所述的基于夜光影像多特征的贫困率估算系统，其特征在于，采用主成分分析的方法对所述多角度年合成夜间灯光数据纹理特征进行特征降维。
9.一种计算机，其特征在于，包括：
处理器；
存储器，包括一个或多个计算机程序模块；
其中，所述一个或多个计算机程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个计算机程序模块包括用于实现权利要求1-4任一项所述的基于夜光影像多特征的贫困率估算方法的指令。
10.一种计算机可读存储介质，用于存储非暂时性计算机可读指令，其特征在于，当所述非暂时性计算机可读指令由计算机执行时能够实现权利要求1-4任一项所述的基于夜光影像多特征的贫困率估算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211266813.6A CN115690576B (zh) | 2022-10-17 | 2022-10-17 | 基于夜光影像多特征的贫困率估算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211266813.6A CN115690576B (zh) | 2022-10-17 | 2022-10-17 | 基于夜光影像多特征的贫困率估算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115690576A true CN115690576A (zh) | 2023-02-03 |
| CN115690576B CN115690576B (zh) | 2024-05-31 |
Family
ID=85066874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211266813.6A Active CN115690576B (zh) | 2022-10-17 | 2022-10-17 | 基于夜光影像多特征的贫困率估算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115690576B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495425A (zh) * | 2023-12-29 | 2024-02-02 | 武汉大学 | 一种基于多维夜光特征的资产财富估算方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503838A (zh) * | 2016-10-14 | 2017-03-15 | 华中师范大学 | 基于夜光遥感的城市圈空间经济互相关预测方法及系统 |
| CN107133693A (zh) * | 2017-04-26 | 2017-09-05 | 华中师范大学 | 我国省市预期寿命时序加密估算及其与夜光时空耦合方法 |
| CN109460445A (zh) * | 2018-11-14 | 2019-03-12 | 许昌学院 | 基于夜光遥感数据的城镇空间特征指数构建及城镇体系评价方法 |
| CN109523125A (zh) * | 2018-10-15 | 2019-03-26 | 广州地理研究所 | 一种基于dmsp/ols夜间灯光数据的贫困测度方法 |
| CN109886103A (zh) * | 2019-01-14 | 2019-06-14 | 中山大学 | 城市贫困分布测度方法 |
| CN113033948A (zh) * | 2021-02-02 | 2021-06-25 | 中国科学院空天信息创新研究院 | 一种基于夜间灯光遥感数据的社会经济发展状况监测方法 |
| CN113378724A (zh) * | 2021-06-15 | 2021-09-10 | 中南大学 | 一种多中心城市热点区域快速识别与动态监测方法 |
| CN113569386A (zh) * | 2021-07-01 | 2021-10-29 | 武汉大学 | 卫星遥感夜光辐亮度的观测角度归一化方法 |
| CN115049834A (zh) * | 2022-08-15 | 2022-09-13 | 南通电博士自动化设备有限公司 | 基于夜间灯光数据与高分辨率影像的城市建成区提取方法 |
-
2022
- 2022-10-17 CN CN202211266813.6A patent/CN115690576B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503838A (zh) * | 2016-10-14 | 2017-03-15 | 华中师范大学 | 基于夜光遥感的城市圈空间经济互相关预测方法及系统 |
| CN107133693A (zh) * | 2017-04-26 | 2017-09-05 | 华中师范大学 | 我国省市预期寿命时序加密估算及其与夜光时空耦合方法 |
| CN109523125A (zh) * | 2018-10-15 | 2019-03-26 | 广州地理研究所 | 一种基于dmsp/ols夜间灯光数据的贫困测度方法 |
| CN109460445A (zh) * | 2018-11-14 | 2019-03-12 | 许昌学院 | 基于夜光遥感数据的城镇空间特征指数构建及城镇体系评价方法 |
| CN109886103A (zh) * | 2019-01-14 | 2019-06-14 | 中山大学 | 城市贫困分布测度方法 |
| CN113033948A (zh) * | 2021-02-02 | 2021-06-25 | 中国科学院空天信息创新研究院 | 一种基于夜间灯光遥感数据的社会经济发展状况监测方法 |
| CN113378724A (zh) * | 2021-06-15 | 2021-09-10 | 中南大学 | 一种多中心城市热点区域快速识别与动态监测方法 |
| CN113569386A (zh) * | 2021-07-01 | 2021-10-29 | 武汉大学 | 卫星遥感夜光辐亮度的观测角度归一化方法 |
| CN115049834A (zh) * | 2022-08-15 | 2022-09-13 | 南通电博士自动化设备有限公司 | 基于夜间灯光数据与高分辨率影像的城市建成区提取方法 |
Non-Patent Citations (6)
| Title |
|---|
| LI G等: "A comparison of machine learning approaches for identifying high-poverty counties: Robust features of DMSP/OLS night-time light imagery", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》, vol. 40, no. 15, 21 February 2019 (2019-02-21), pages 5716 - 5736 * |
| SHAO Z等: "Multi-scale estimation of poverty rate using night-time light imagery", 《INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION》, vol. 121, 1 July 2023 (2023-07-01), pages 1 - 10 * |
| Z. WANG等: "NASA’s Black Marble Multiangle Nighttime Lights Temporal Composites", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 19, 20 May 2022 (2022-05-20), pages 1 - 5, XP011910230, DOI: 10.1109/LGRS.2022.3176616 * |
| ZHAO X等: "Estimation of poverty using random forest regression with multi-source data: A case study in Bangladesh", 《REMOTE SENSING》, vol. 11, no. 4, 13 February 2019 (2019-02-13), pages 1 - 18 * |
| 李熙等: "夜间灯光遥感视角下的中国对中亚地区援助效果评估", 《武汉大学学报(信息科学版)》, 23 August 2022 (2022-08-23), pages 1 - 11 * |
| 沈丹等: "基于夜间灯光数据的六盘山连片特困区贫困度识别", 《国土资源遥感》, vol. 31, no. 2, 30 June 2019 (2019-06-30), pages 157 - 163 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495425A (zh) * | 2023-12-29 | 2024-02-02 | 武汉大学 | 一种基于多维夜光特征的资产财富估算方法及系统 |
| CN117495425B (zh) * | 2023-12-29 | 2024-04-12 | 武汉大学 | 一种基于多维夜光特征的资产财富估算方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115690576B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Orr et al. | Global patterns and drivers of bee distribution | |
| Chen et al. | Analysis of regional economic development based on land use and land cover change information derived from Landsat imagery | |
| Atzberger et al. | A time series for monitoring vegetation activity and phenology at 10-daily time steps covering large parts of South America | |
| CN109782373B (zh) | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 | |
| Surabuddin Mondal et al. | Modeling of spatio-temporal dynamics of land use and land cover in a part of Brahmaputra River basin using Geoinformatic techniques | |
| Zhang et al. | Reveal the severe spatial and temporal patterns of abandoned cropland in China over the past 30 years | |
| Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
| Ghasemi et al. | Assessment of different topographic correction methods in ALOS AVNIR-2 data over a forest area | |
| Geng et al. | Migratory locust habitat analysis with PB-AHP model using Time-Series satellite images | |
| Gonsamo et al. | Evaluation of the GLC2000 and NALC2005 land cover products for LAI retrieval over Canada | |
| Abdulwahab et al. | Choice of climate data affects the performance and interpretation of species distribution models. | |
| CN115690576B (zh) | 基于夜光影像多特征的贫困率估算方法及系统 | |
| Desjardins et al. | A space–time parallel framework for fine-scale visualization of pollen levels across the Eastern United States | |
| Liu et al. | The establishment of an eco-environmental evaluation model for southwest China and eastern South Africa based on the DPSIR framework | |
| Chua et al. | A two-step approach to blending GSMaP satellite rainfall estimates with gauge observations over Australia | |
| Mani et al. | Enhanced streamflow simulations using nudging based optimization coupled with data-driven and hydrological models | |
| Shao et al. | Multi-scale estimation of poverty rate using night-time light imagery | |
| Tomaszewska et al. | How much variation in land surface phenology can climate oscillation modes explain at the scale of mountain pastures in Kyrgyzstan? | |
| Guo et al. | Predicting fish species richness and assemblages with climatic, geographic and morphometric factors: A broad-scale study in Chinese lakes | |
| Bai et al. | Can neural networks forecast open field burning of crop residue in regions with anthropogenic management and control? A case study in Northeastern China | |
| Yu et al. | Improving grassland classification accuracy using optimal spectral-phenological-topographic features in combination with machine learning algorithm | |
| Zhang et al. | Statistical post-processing of precipitation forecasts using circulation classifications and spatiotemporal deep neural networks | |
| Yu et al. | Spatiotemporal dynamic impacts of Lake Victoria water volume variations on sustainable economic development | |
| Li et al. | Gridded datasets for Japan: total, male, and female populations from 2001–2020 | |
| Goodman | Filling in the Gaps: Applications of Deep Learning, Satellite Imagery, and High Performance Computing for the Estimation and Distribution of Geospatial Data |
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 |