CN117495425B - 一种基于多维夜光特征的资产财富估算方法及系统 - Google Patents
一种基于多维夜光特征的资产财富估算方法及系统 Download PDFInfo
- Publication number
- CN117495425B CN117495425B CN202311846979.XA CN202311846979A CN117495425B CN 117495425 B CN117495425 B CN 117495425B CN 202311846979 A CN202311846979 A CN 202311846979A CN 117495425 B CN117495425 B CN 117495425B
- Authority
- CN
- China
- Prior art keywords
- point
- data
- noctilucent
- dhs
- luminous
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000011160 research Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007637 random forest analysis Methods 0.000 claims abstract description 8
- 238000011835 investigation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 description 7
- 238000012952 Resampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 208000030507 AIDS Diseases 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 201000004792 malaria Diseases 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多维夜光特征的资产财富估算方法及系统，该估算方法包括：获取研究年份下研究区域的夜间灯光数据和定居点数据，以及财富指数数据和国际财富指数数据；统计研究区域内DHS集群的财富指数，利用国际财富指数数据对财富指数进行可比化处理，得到DHS集群的国际财富指数；将夜间灯光数据和定居点数据进行空间邻域分析，提取定居点的多维夜光特征；构建DHS集群的缓冲区，计算缓冲区内所有定居点的多维夜光特征的平均值，作为DHS集群的多维夜光特征；构建训练样本，利用训练样本对随机森林模型构建的资产财富估算模型进行训练；采用资产财富估算模型进行资产财富估算。本发明的估算精度尤其是对非照明区域的估算精度得到显著提升。
Description
技术领域
本申请属于夜光遥感数据在社会经济参数估算领域的应用，具体涉及一种基于多维夜光特征的资产财富估算方法及系统。
背景技术
传统上，资产财富大多基于家庭资产调查问卷和经济统计数据来衡量，由于缺乏相关的统计数据，限制了贫困人口信息的获取。所以需要寻求其他的资产财富衡量方法。
夜间灯光遥感卫星能接收夜间人类社会活动所产生的夜间灯光影像，而夜间灯光影像与区域经济具有较高的相关性，于是夜间灯光遥感技术在区域资产财富衡量以及贫困识别中得以应用。例如公开号为CN 115690576 A的中国专利申请，其公开了基于夜光影像多特征的贫困率估算方法及系统，该专利申请中基于夜间灯光数据的灯光强度来构建夜光影像特征，以夜光影像特征作为输入数据，以财富指数作为输出数据，来构建随机森林回归模型；再利用该模型估算区域的财富指数。
目前夜间灯光遥感技术在资产财富衡量以及贫困识别的应用中，对于夜间未照明区域，仅利用到了未照明这一属性，未充分挖掘未照明区域内部的信息差异，难以区分地衡量未照明区域的资产财富。对于夜间灯光匮乏的国家，使用夜间灯光遥感技术衡量资产财富则难以获得准确的结果。例如上述专利申请，就存在该不足。未照明区域同样包含可反映资产财富的遥感信息，充分挖掘未照明区域的信息差异，可更准确地衡量夜间灯光匮乏区域的资产财富。
发明内容
本申请的目的是提供一种基于多维夜光特征的资产财富估算方法及系统，该方法和系统可充分挖掘未照明区域的夜光信息差异，从而提高资产财富的估算精度。
第一方面，本申请提供了一种基于多维夜光特征的资产财富估算方法，包括：
获取研究年份下研究区域的夜间灯光数据和定居点数据，以及获取研究区域内的财富指数数据和国际财富指数数据；
根据财富指数数据统计研究区域内DHS集群的财富指数，利用国际财富指数数据，对DHS集群的财富指数进行可比化处理，得到DHS集群的国际财富指数；
将夜间灯光数据和定居点数据进行空间邻域分析，提取定居点的多维夜光特征，包括定居点的夜光值以及定居点与其最近夜光点的距离；
构建DHS集群的缓冲区，并计算缓冲区内所有定居点的多维夜光特征的算术平均值，作为DHS集群的多维夜光特征；
构建训练样本，包括DHS集群的国际财富指数和多维夜光特征，分别作为预测变量和解释变量，利用训练样本对随机森林模型构建的资产财富估算模型进行训练；
采用资产财富估算模型对研究区域定居点进行资产财富估算。
在一些具体实施方式中，获取研究年份下研究区域的夜间灯光数据和定居点数据，包括：
先获取研究年份下覆盖研究区域的夜间灯光数据和定居点数据；再利用研究区域的行政区域矢量数据对夜间灯光数据和定居点数据进行裁剪，获得研究区域的夜间灯光数据和定居点数据。
在一些具体实施方式中，对DHS集群的财富指数进行可比化处理，为：
利用公式获得研究区域的地区i中DHS集群的国际财富指数，并对/>进行归一化处理；其中，字母n代表DHS集群n；字母i代表研究区域的地区i；/>代表地区i中DHS集群n的财富指数；/>代表地区i中所有DHS集群的财富指数平均值；/>代表研究区域中地区i的国际财富指数。
在一些具体实施方式中，将夜间灯光数据和定居点数据进行空间邻域分析，提取定居点的多维夜光特征，包括：
构建覆盖研究区域的矢量格网；
将定居点数据中像素值大于0的像素提取到与像素位置对应的矢量网格中心，生成定居点矢量数据；
将夜间灯光数据中夜光值大于0的像素提取到位置对应的矢量网格中心，生成夜光点矢量数据；
根据定居点矢量数据和夜光点矢量数据以及定居点矢量数据与夜光点矢量数据间的位置关系，获取定居点的夜光值以及定居点与其最近夜光点的距离。
在一些具体实施方式中，多维夜光特征还包括：定居点分别与其最近平均值夜光点、最近中位值夜光点的距离，以及定居点的最近夜光点、最近平均值夜光点、最近中位值夜光点的夜光值；其中：
上述平均值夜光点指：夜间灯光数据中夜光值不小于平均值的夜光点；
上述中位值夜光点指：夜间灯光数据中夜光值不小于中位数的夜光点；
上述平均值和上述中位数的计算为：
根据研究区域的夜间灯光数据，对夜光区域的夜光值进行统计获得。
在一些具体实施方式中，当多维夜光特征还包括：定居点分别与其最近平均值夜光点、最近中位值夜光点的距离，以及定居点的最近夜光点、最近平均值夜光点、最近中位值夜光点的夜光值；
将夜间灯光数据和定居点数据进行空间邻域分析，提取定居点的多维夜光特征，包括：
构建覆盖研究区域的矢量格网；
将定居点数据中像素值大于0的像素提取到与像素位置对应的矢量网格中心，生成定居点矢量数据；
将夜间灯光数据中夜光值大于0的像素提取到位置对应的矢量网格中心，生成夜光点矢量数据；
将夜间灯光数据中夜光值不小于平均值的像素提取到与像素位置对应的矢量网格中心，生成平均值夜光点矢量数据；
将夜间灯光数据中夜光值不小于中位数的像素提取到与像素位置对应的矢量网格中心，生成中位数夜光点矢量数据。
根据定居点矢量数据、夜光点矢量数据、平均值夜光点矢量数据和中位数夜光点矢量数据以及定居点矢量数据与平均值夜光点矢量数据、中位数夜光点矢量数据间的位置关系，获取定居点与其最近平均值夜光点、最近中位值夜光点的距离，以及定居点的最近夜光点、最近平均值夜光点、最近中位值夜光点的夜光值。
在一些具体实施方式中，构建DHS集群的缓冲区，包括：
从DHS数据统计研究区域内DHS集群位置，并生成DHS集群矢量点，以DHS集群矢量点为圆心构建缓冲区。
第二方面，本申请提供了一种基于多维夜光特征的资产财富估算系统，包括：
数据获取模块，用来获取研究年份下研究区域的夜间灯光数据和定居点数据，以及获取研究区域内的财富指数数据和国际财富指数数据；
DHS集群的国际财富指数获得模块，用来根据财富指数数据统计研究区域内DHS集群的财富指数，利用国际财富指数数据，对DHS集群的财富指数进行可比化处理，得到DHS集群的国际财富指数；
定居点的多维夜光特征提取模块，用来将夜间灯光数据和定居点数据进行空间邻域分析，提取定居点的多维夜光特征，包括定居点的夜光值以及定居点与其最近夜光点的距离；
DHS集群的多维夜光特征提取模块，用来构建DHS集群的缓冲区，并计算缓冲区内所有定居点的多维夜光特征的算术平均值，作为DHS集群的多维夜光特征；
模型训练模块，用来构建训练样本，包括DHS集群的国际财富指数和多维夜光特征，分别作为预测变量和解释变量，利用训练样本对随机森林模型构建的资产财富估算模型进行训练；
资产财富估算模块，用来采用资产财富估算模型对研究区域定居点进行资产财富估算。
第三方面，本申请还提供了一种计算机，其包括：
处理器；
存储器，存储有一个或多个计算机程序模块，并配置为被上述处理器执行时，实现上述基于多维夜光特征的资产财富估算方法。
第四方面，本申请还提供了一种计算机可读存储介质，该存储介质上存储一个或多个计算机程序模块，上述一个或多个计算机程序模块被计算机执行时实现上述基于多维夜光特征的资产财富估算方法。
与现有技术相比，本申请具有如下优点和有益效果：
1.本申请充分挖掘未照明区域的夜光信息差异，提取未照明区域与夜光区域的距离和最近夜光区域亮度作为多维夜光特征，来构建资产财富估算模型，所构建模型的估算精度尤其是非照明区域的估算精度得到显著提升。
2.引入高准确率的定居点数据，为获得未照明区域的夜光信息差异提供了数据支撑。
3.对DHS数据中的财富指数进行可比化处理，生成DHS集群的国际财富指数数据，使资产财富在不同时间和不同国家均具有可比性。
附图说明
图1为本申请方法的流程示意图。
具体实施方式
下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参照图1，所示为本申请资产财富估算方法的流程图，下面将结合图1，来提供本申请方法的一种具体实施过程，步骤如下：
S100：获取研究年份下覆盖研究区域的夜间灯光数据和定居点数据，以及研究区域内的财富指数数据，DHS集群位置数据，国际财富指数数据以及行政区域矢量数据。
具体的，夜间灯光数据采用V2.1版本年度NPP-VIIRS夜间灯光数据，具体为average_masked文件。该夜间灯光数据由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)生产。V2.1版本年度NPP-VIIRS夜间灯光数据过滤掉了月光和多云的像素，并使用异常值去除方法去除了生物质燃烧像素，夜间灯光影像的空间分辨率为15弧秒（约500m）。
具体的，定居点数据（World Settlement Footprint，WSF）采用德国航空航天中心DLR（Deutsches Zentrum für Luft-und Raumfahrt）提供的定居点数据。定居点数据提供了人类住区分布的详细位置信息，其是根据Landsat-8多光谱影像和欧洲航天局哥白尼计划的Sentinel-1影像生成的高准确率产品，平均准确率可达86.37%。
具体的，财富指数数据（Wealth Index，WI）来自人口与健康调查计划（Demographic and Health Surveys，DHS）数据。财富指数基于易于观测和收集的家庭资产计算得到，利用主成分分析法将财富指数分为5级，数值1到5依次代表最贫困，较贫困，中等，较富裕和最富裕。财富指数WI是针对特定时间下特定国家或地区家庭的相对经济水平的区域性调查指标，只能在特定的时间和特定的国家或地区中使用，不能跨时间和区域进行对比，因此财富指数WI需进一步处理成具可比性的财富指数。
具体的，DHS集群位置数据来自人口与健康调查计划（Demographic and HealthSurveys，DHS）数据。DHS集群的经纬度坐标为集群内调查家庭的平均经纬度坐标。为了保护调查家庭的位置隐私，DHS集群坐标被随机偏移，城市地区一般最大偏移2km，农村地区一般最大偏移5km，1%的农村地区最大偏移可到10km。
人口与健康调查计划数据由于调查年份不同存在不同名称，但需要为包含“Household Recode”子项的DHS调查或HIV/AIDS Indicator Survey（AIS）调查或MalariaIndicator Survey（MIS）调查数据。
具体的，国际财富指数数据（International Wealth Index，IWI）来自全球数据实验室（Global Data Lab），用来代表区域的平均资产财富。国际财富指数IWI是基于低收入和中等收入国家的家庭调查所得数据，可应用于所有低收入和中等收入国家，在不同时间和不同国家均具可比性。国际财富指数IWI是基于家庭资产所构建的可比资产财富指标。
具体的，行政区域矢量数据来自全球行政区划数据库（Database of GlobalAdministrative Areas，GADM）。
S200：对夜间灯光数据和定居点数据进行重采样，由于夜间灯光数据和定居点数据不以行政区域为边界，故再使用研究区域的行政区域矢量数据对重采样后的夜间灯光数据和定居点数据进行裁剪，获得研究区域的夜间灯光数据和定居点数据。
具体的，采用ArcGIS软件进行重采样，将夜间灯光数据和定居点数据重采样到500米的空间分辨率。
S300：根据财富指数数据统计研究区域内DHS集群的财富指数，利用国际财富指数数据，对DHS集群的财富指数进行可比化处理，得到DHS集群的国际财富指数。
DHS集群是人口与健康调查计划定义的家庭集群（DHSCLUST），其由30户左右的调查家庭组成。DHS集群的财富指数即隶属于DHS集群的所有调查家庭的财富指数的平均值。
具体涉及的计算公式如下：
（1）
（2）
式（1）-（2）中：
字母n代表DHS集群n；
字母i代表研究区域中的地区i；
代表地区i中DHS集群n的财富指数；
代表地区i中所有DHS集群的财富指数平均值；
代表地区i的国际财富指数；
代表地区i中DHS集群n的国际财富指数；
代表归一化后的/>；
和/>分别代表地区i的最小和最大的DHS集群国际财富指数。
S400：构建覆盖研究区域的矢量格网，根据夜间灯光数据和定居点数据在矢量格网中的位置分别构建夜光点矢量数据，定居点矢量数据，平均值夜光点矢量数据和中位数夜光点矢量数据。所构建矢量格网中网格大小与夜间灯光数据，定居点数据中像素大小一致。
具体的，将夜间灯光数据中夜光值大于0的像素提取到与像素位置对应的矢量网格中心，生成夜光点矢量数据；将定居点数据中像素值大于0的像素提取到与像素位置对应的矢量网格中心，生成定居点矢量数据。
具体的，先根据研究区域的夜间灯光数据，利用ArcGIS软件分别计算夜光区域夜光值的平均值和中位数；将夜间灯光数据中夜光值不小于平均值的像素提取到与像素位置对应的矢量网格中心，生成平均值夜光点矢量数据；将夜间灯光数据中夜光值不小于中位数的像素提取到与像素位置对应的矢量网格中心，生成中位数夜光点矢量数据。
S500：构建定居点的多维夜光特征，包括定居点的最近夜光点、最近平均值夜光点、最近中位值夜光点的夜光值，定居点的夜光值，以及定居点分别与最近夜光点、最近平均值夜光点、最近中位值夜光点的距离。
具体的，利用最近邻分析法获取定居点的最近夜光点，最近平均值夜光点和最近中位值，以及分别计算定居点与最近夜光点、最近平均值夜光点、最近中位值夜光点的距离。
具体的，当定居点同时也是夜光点，则定居点与最近夜光点的距离为0；当定居点同时也是平均值夜光点，则定居点与最近平均值夜光点的距离为0；当定居点同时也是中位值夜光点，则定居点与最近中位值夜光点的距离为0。
S600：构建DHS集群的缓冲区，并计算缓冲区内所有定居点的多维夜光特征的算术平均值，作为DHS集群的多维夜光特征。
当DHS集群的缓冲区内无定居点，则删除该DHS集群。
DHS集群的缓冲区采用如下方法构建：
从DHS数据统计研究区域内DHS集群位置，并生成DHS集群矢量点，以DHS集群矢量点为圆心构建缓冲区。
DHS集群的位置为隶属于DHS集群的所有调查家庭的经纬度坐标的平均值，DHS集群矢量点则以该经纬度坐标平均值为坐标。考虑到城市区域和农村区域的DHS集群坐标的偏移距离不同，对城市区域和农村区域设置不同的缓冲半径。具体的，在城市区域，缓冲半径取2km-5km；在农村区域，缓冲半径取5km-10km。城市区域和农村区域可从DHS数据的hv025项获取。
S700：构建训练样本，包括DHS集群的国际财富指数和多维夜光特征，分别作为预测变量和解释变量，利用训练样本对随机森林模型构建的资产财富估算模型进行训练。
S800：采用资产财富估算模型对研究区域定居点进行资产财富估算。
输入定居点的多维夜光特征，则输出定居点的国际财富指数估算值。
下面将提供一实施例。
本实施例中研究区域包括55个国家和地区，具体步骤如下：
（1）获取2015年覆盖研究区域的年度NPP-VIIRS夜间灯光数据和定居点数据，以及研究区域的DHS的财富指数数据和位置数据，Global Data Lab的国际财富指数数据和GADM的行政区域矢量数据。
（2）采用ArcGIS软件将夜间灯光数据和定居点数据重采样到500米空间分辨率，再使用研究区域的行政区域矢量数据对重采样后的夜间灯光数据和定居点数据进行裁剪，得到研究区域的夜间灯光数据和定居点数据。
（3）统计研究区域55个国家和地区内DHS集群的财富指数，利用研究区域55个国家和地区的国际财富指数数据与DHS集群的财富指数的对比，对DHS集群的财富指数进行可比化处理，得到DHS集群的国际财富指数。
（4）构建研究区域的矢量格网，矢量格网尺寸，根据夜间灯光数据和定居点数据在矢量格网中分别构建夜光点矢量数据，定居点矢量数据，平均值夜光点矢量数据和中位数夜光点矢量数据。
（5）利用最近邻分析法提取定居点数据的多维夜光特征。
（6）从研究区域55个国家和地区的DHS位置数据统计DHS集群位置，生成DHS集群矢量点，以DHS集群矢量点为圆心构建缓冲区，并计算DHS集群的缓冲区内所有定居点的多维夜光特征的平均值，作为DHS集群的多维夜光特征。本实施例中，在城市区域，缓冲区的缓冲半径取2km；在农村区域，缓冲区的缓冲半径取5km。
（7）构建训练样本，包括DHS集群的国际财富指数和多维夜光特征，分别作为预测变量和解释变量，利用训练样本对随机森林模型构建的资产财富估算模型进行训练。
（8）将定居点的多维夜光特征输入资产财富估算模型，则可输出定居点的国际财富指数估算值。
本实施例中，将原始DHS集群样本划分为训练样本集和测试样本集，训练样本集用来对资产财富估算模型进行训练，测试样本集用来测试资产财富估算模型的估算精度。
对测试样本集中各DHS集群样本，采用步骤（4）的方法获取DHS集群的国际财富指数，作为DHS集群的真实国际财富指数；采用步骤（5）-（7）的方法获取DHS集群的多维夜光特征。将DHS集群的多维夜光特征输入资产财富估算模型，则输出DHS集群的国际财富指数估算值/>。
本实施例选择平均绝对误差MAE和均方根误差RMSE作为精度评估指标，计算公式如下：
（3）
（4）
式（3）-（4）中：
字母j代表DHS集群j，字母m代表DHS集群的样本数量；
代表DHS集群j的真实国际财富指数；
代表DHS集群j的国际财富指数估算值。
本实施例中选择了不同的夜光特征来训练模型，并采用上述评估指标对各模型分别进行精度评定，结果见表1。
参见表1，模型A仅使用定居点的夜光值作为夜光特征，再以该夜光特征作为解释变量构建模型。模型B仅使用定居点到其最近夜光点的距离作为夜光特征，再以该夜光特征作为解释变量构建模型。模型C使用了多维夜光特征，包括定居点到其最近夜光点的距离以及其最近夜光点的夜光值，再以该多维夜光特征作为解释变量构建模型。模型D则使用包括前述7种夜光特征的多维夜光特征作为解释变量，来构建模型。
表1 不同夜光特征训练所得模型的精度数据
从表1可看出，夜光特征仅采用定居点的夜光值，不利于提高未照明区域的估算精度；而采用定居点与其最近夜光点的距离，有助于提高未照明区域的估算精度；而同时使用定居点与其最近夜光点的距离以及其最近夜光点的夜光值，可进一步提高未照明区域的估算精度，对夜光区域的估算精度也有显著提高。
若夜光特征仅使用定居点的夜光值，则未照明区域定居点的资产财富估算值均相同。夜光特征采用了定居点到其最近夜光点的距离，可为未照明区域提供差异性的夜光特征，故模型B和C对未照明区域的估算精度优于模型A。不同夜光值对周边资产财富的影响程度不同，多维夜光特征还包括定居点到其最近平均值夜光点和最近中位数夜光点的距离，以及还包括最近平均值夜光点和最近中位数夜光点的夜光值，充分考虑了夜光值对周边资产财富的辐射影响，又进一步提高了估算精度，尤其是对未照明区域的估算精度。
注意，上述仅为本申请的较佳实施例及所运用的技术原理。本领域技术人员会理解，本申请不限于上述特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请的构思的情况下，还可以包括更多其他等效实施例，均属于本申请的保护范畴。
Claims (8)
1.一种基于多维夜光特征的资产财富估算方法，其特征是，包括：
获取研究年份下研究区域的夜间灯光数据和定居点数据，以及获取研究区域内的财富指数数据和国际财富指数数据；
根据财富指数数据统计研究区域内DHS集群的财富指数，利用国际财富指数数据，对DHS集群的财富指数进行可比化处理，得到DHS集群的国际财富指数；
将夜间灯光数据和定居点数据进行空间邻域分析，提取定居点的多维夜光特征，包括定居点的夜光值以及定居点与其最近夜光点的距离；
构建DHS集群的缓冲区，并计算缓冲区内所有定居点的多维夜光特征的平均值，作为DHS集群的多维夜光特征；
构建训练样本，包括DHS集群的国际财富指数和多维夜光特征，分别作为预测变量和解释变量，利用训练样本对随机森林模型构建的资产财富估算模型进行训练；
采用资产财富估算模型对研究区域定居点进行资产财富估算；
所述多维夜光特征还包括：定居点分别与其最近平均值夜光点、最近中位值夜光点的距离，以及定居点的最近夜光点、最近平均值夜光点、最近中位值夜光点的夜光值；
所述平均值夜光点指：夜间灯光数据中夜光值不小于平均值的夜光点；
所述中位值夜光点指：夜间灯光数据中夜光值不小于中位数的夜光点；
所述平均值和所述中位数的计算为：
根据研究区域的夜间灯光数据，对夜光区域的夜光值进行统计获得；
所述将夜间灯光数据和定居点数据进行空间邻域分析，提取定居点的多维夜光特征，包括：
构建覆盖研究区域的矢量格网；
将定居点数据中像素值大于0的像素提取到与像素位置对应的矢量网格中心，生成定居点矢量数据；
将夜间灯光数据中夜光值大于0的像素提取到位置对应的矢量网格中心，生成夜光点矢量数据；
根据定居点矢量数据和夜光点矢量数据以及定居点矢量数据与夜光点矢量数据间的位置关系，获取定居点的夜光值以及定居点与其最近夜光点的距离。
2.如权利要求1所述的基于多维夜光特征的资产财富估算方法，其特征是：
所述获取研究年份下研究区域的夜间灯光数据和定居点数据，包括：
先获取研究年份下覆盖研究区域的夜间灯光数据和定居点数据；再利用研究区域的行政区域矢量数据对夜间灯光数据和定居点数据进行裁剪，获得研究区域的夜间灯光数据和定居点数据。
3.如权利要求1所述的基于多维夜光特征的资产财富估算方法，其特征是：
所述对DHS集群的财富指数进行可比化处理，为：
利用公式获得研究区域的地区i中DHS集群的国际财富指数，并对/>进行归一化处理；其中，字母n代表DHS集群n；字母i代表研究区域的地区i；/>代表地区i中DHS集群n的财富指数；/>代表地区i中所有DHS集群的财富指数平均值；/>代表研究区域中地区i的国际财富指数。
4.如权利要求1所述的基于多维夜光特征的资产财富估算方法，其特征是：
多维夜光特征还包括：定居点分别与其最近平均值夜光点、最近中位值夜光点的距离，以及定居点的最近夜光点、最近平均值夜光点、最近中位值夜光点的夜光值；
所述将夜间灯光数据和定居点数据进行空间邻域分析，提取定居点的多维夜光特征，包括：
构建覆盖研究区域的矢量格网；
将定居点数据中像素值大于0的像素提取到与像素位置对应的矢量网格中心，生成定居点矢量数据；
将夜间灯光数据中夜光值大于0的像素提取到位置对应的矢量网格中心，生成夜光点矢量数据；
将夜间灯光数据中夜光值不小于平均值的像素提取到与像素位置对应的矢量网格中心，生成平均值夜光点矢量数据；
将夜间灯光数据中夜光值不小于中位数的像素提取到与像素位置对应的矢量网格中心，生成中位数夜光点矢量数据；
根据定居点矢量数据、夜光点矢量数据、平均值夜光点矢量数据和中位数夜光点矢量数据以及定居点矢量数据与平均值夜光点矢量数据、中位数夜光点矢量数据间的位置关系，获取定居点与其最近平均值夜光点、最近中位值夜光点的距离，以及定居点的最近夜光点、最近平均值夜光点、最近中位值夜光点的夜光值。
5.如权利要求1所述的基于多维夜光特征的资产财富估算方法，其特征是：
所述构建DHS集群的缓冲区，包括：
从DHS数据统计研究区域内DHS集群位置，并生成DHS集群矢量点，以DHS集群矢量点为圆心构建缓冲区。
6.一种基于多维夜光特征的资产财富估算系统，其特征是，包括：
数据获取模块，用来获取研究年份下研究区域的夜间灯光数据和定居点数据，以及获取研究区域内的财富指数数据和国际财富指数数据；
DHS集群的国际财富指数获得模块，用来根据财富指数数据统计研究区域内DHS集群的财富指数，利用国际财富指数数据，对DHS集群的财富指数进行可比化处理，得到DHS集群的国际财富指数；
定居点的多维夜光特征提取模块，用来将夜间灯光数据和定居点数据进行空间邻域分析，提取定居点的多维夜光特征，包括定居点的夜光值以及定居点与其最近夜光点的距离；
所述多维夜光特征还包括：定居点分别与其最近平均值夜光点、最近中位值夜光点的距离，以及定居点的最近夜光点、最近平均值夜光点、最近中位值夜光点的夜光值；
所述平均值夜光点指：夜间灯光数据中夜光值不小于平均值的夜光点；
所述中位值夜光点指：夜间灯光数据中夜光值不小于中位数的夜光点；
所述平均值和所述中位数的计算为：
根据研究区域的夜间灯光数据，对夜光区域的夜光值进行统计获得；
所述将夜间灯光数据和定居点数据进行空间邻域分析，提取定居点的多维夜光特征，包括：
构建覆盖研究区域的矢量格网；
将定居点数据中像素值大于0的像素提取到与像素位置对应的矢量网格中心，生成定居点矢量数据；
将夜间灯光数据中夜光值大于0的像素提取到位置对应的矢量网格中心，生成夜光点矢量数据；
根据定居点矢量数据和夜光点矢量数据以及定居点矢量数据与夜光点矢量数据间的位置关系，获取定居点的夜光值以及定居点与其最近夜光点的距离；
DHS集群的多维夜光特征提取模块，用来构建DHS集群的缓冲区，并计算缓冲区内所有定居点的多维夜光特征的平均值，作为DHS集群的多维夜光特征；
模型训练模块，用来构建训练样本，包括DHS集群的国际财富指数和多维夜光特征，分别作为预测变量和解释变量，利用训练样本对随机森林模型构建的资产财富估算模型进行训练；
资产财富估算模块，用来采用资产财富估算模型对研究区域定居点进行资产财富估算。
7.一种计算机，其特征是，包括：
处理器；
存储器，存储有一个或多个计算机程序模块，并配置为被所述处理器执行时，实现如权利要求1-5中任一项所述的方法。
8.一种计算机可读存储介质，其特征是：
所述存储介质上存储一个或多个计算机程序模块，所述一个或多个计算机程序模块被计算机执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311846979.XA CN117495425B (zh) | 2023-12-29 | 2023-12-29 | 一种基于多维夜光特征的资产财富估算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311846979.XA CN117495425B (zh) | 2023-12-29 | 2023-12-29 | 一种基于多维夜光特征的资产财富估算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117495425A CN117495425A (zh) | 2024-02-02 |
| CN117495425B true CN117495425B (zh) | 2024-04-12 |
Family
ID=89678556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311846979.XA Active CN117495425B (zh) | 2023-12-29 | 2023-12-29 | 一种基于多维夜光特征的资产财富估算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117495425B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
| CN113610873A (zh) * | 2021-10-09 | 2021-11-05 | 中国科学院地理科学与资源研究所 | 夜光遥感影像数据处理方法及装置 |
| WO2022169874A1 (en) * | 2021-02-03 | 2022-08-11 | Atlas Ai P.B.C. | Computer system with economic development decision support platform and method of use thereof |
| 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 |
| 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 |
| CN115713691A (zh) * | 2022-11-21 | 2023-02-24 | 武汉大学 | 一种基于夜光遥感的像元级电力普及率估算方法及装置 |
| CN116307754A (zh) * | 2023-01-10 | 2023-06-23 | 河海大学 | 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 |
| CN116797045A (zh) * | 2023-06-21 | 2023-09-22 | 福州市规划设计研究院集团有限公司 | 夜间灯光融合多源数据的城镇化格局分析方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102547079B (zh) * | 2010-12-29 | 2014-05-07 | 株式会社理光 | 夜景光源检测设备及夜景光源检测方法 |
| US20150356576A1 (en) * | 2011-05-27 | 2015-12-10 | Ashutosh Malaviya | Computerized systems, processes, and user interfaces for targeted marketing associated with a population of real-estate assets |
-
2023
- 2023-12-29 CN CN202311846979.XA patent/CN117495425B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
| 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 |
| WO2022169874A1 (en) * | 2021-02-03 | 2022-08-11 | Atlas Ai P.B.C. | Computer system with economic development decision support platform and method of use thereof |
| CN113610873A (zh) * | 2021-10-09 | 2021-11-05 | 中国科学院地理科学与资源研究所 | 夜光遥感影像数据处理方法及装置 |
| 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 |
| 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 |
| CN115713691A (zh) * | 2022-11-21 | 2023-02-24 | 武汉大学 | 一种基于夜光遥感的像元级电力普及率估算方法及装置 |
| CN116307754A (zh) * | 2023-01-10 | 2023-06-23 | 河海大学 | 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 |
| CN116797045A (zh) * | 2023-06-21 | 2023-09-22 | 福州市规划设计研究院集团有限公司 | 夜间灯光融合多源数据的城镇化格局分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| China’s poverty assessment and analysis under the framework of the UN SDGs based on multisource remote sensing data;mengjie wang，等;《Geo-spatial Information Science》;20220930;第1-21页 * |
| 融合多源空间数据的城镇人口分布估算;朱守杰，等;《地球信息科学学报》;20200831;第第22卷卷(第第8期期);第1607-1616页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117495425A (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yin et al. | How to assess the accuracy of the individual tree-based forest inventory derived from remotely sensed data: A review | |
| Guan et al. | Integration of orthoimagery and lidar data for object-based urban thematic mapping using random forests | |
| Koch et al. | Revealing areas of high nature conservation importance in a seasonally dry tropical forest in Brazil: Combination of modelled plant diversity hot spots and threat patterns | |
| Duong et al. | Single and two epoch analysis of ICESat full waveform data over forested areas | |
| DeWitt et al. | Creating high-resolution bare-earth digital elevation models (DEMs) from stereo imagery in an area of densely vegetated deciduous forest using combinations of procedures designed for lidar point cloud filtering | |
| Gelabert et al. | Forest structural diversity characterization in Mediterranean landscapes affected by fires using Airborne Laser Scanning data | |
| Yancho et al. | Fine-scale spatial and spectral clustering of UAV-acquired digital aerial photogrammetric (DAP) point clouds for individual tree crown detection and segmentation | |
| Deo et al. | Optimizing variable radius plot size and LiDAR resolution to model standing volume in conifer forests | |
| Fan et al. | Understanding spatial-temporal urban expansion pattern (1990–2009) using impervious surface data and landscape indexes: a case study in Guangzhou (China) | |
| Tesfamichael et al. | Investigating the impact of discrete-return lidar point density on estimations of mean and dominant plot-level tree height in Eucalyptus grandis plantations | |
| Tassinari et al. | Wide-area spatial analysis: A first methodological contribution for the study of changes in the rural built environment | |
| Berra | Individual tree crown detection and delineation across a woodland using leaf-on and leaf-off imagery from a UAV consumer-grade camera | |
| Hao et al. | Methodology for optimizing quadrat size in sparse vegetation surveys: A desert case study from the Tarim Basin | |
| Yang et al. | Using multitemporal Landsat imagery to monitor and model the influences of landscape pattern on urban expansion in a metropolitan region | |
| CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
| Gallego et al. | Area estimation from a sample of satellite images: the impact of stratification on the clustering efficiency | |
| CN117495425B (zh) | 一种基于多维夜光特征的资产财富估算方法及系统 | |
| Sweeney et al. | An edge-oriented approach to thematic map error assessment | |
| Qu et al. | Mapping large area tea plantations using progressive random forest and Google Earth Engine | |
| Cheng et al. | Technical framework of feature extraction based on pixel-level SAR image time series | |
| CN112052720B (zh) | 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型 | |
| Apostol et al. | Data collection methods for forest inventory: a comparison between an integrated conventional equipment and terrestrial laser scanning | |
| Sang et al. | Farmland distribution dataset of the Yarlung Zangbo–Lhasa–Nyangqu River region of the Tibetan Plateau | |
| Hatami | Carbon estimation of individual trees using high laser density data of airborne lidar: A case study in Bois Noir, France | |
| Liang et al. | ForestSemantic: a dataset for semantic learning of forest from close-range sensing |
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 |