一种用于城市信息提取的改进居民地指数
杨晓楠, 徐韵, 田玉刚
中国地质大学(武汉)信息工程学院,武汉 430074
田玉刚(1977-),男,博士,副教授,主要从事遥感信息处理及应用研究。Email:ygangtian@cug.edu.cn

第一作者简介: 杨晓楠(1991-),女,硕士研究生,主要从事城市遥感方面的研究。Email:yxiaonan@foxmail.com

摘要

区域或者全球尺度上的城市分布信息提取是目前研究的热点与难点。采用DMSP-OLS夜晚灯光数据直接提取城市信息会受到灯光溢出问题的影响,且溢出问题因灯光光斑大小而异,不易定量分析。采用可见光-近红外遥感影像提取城市信息时,多选取植被丰富的地区,避免了裸土对城市信息提取造成的影响,但限制了研究区域的选择。为了解决以上问题,应用DMSP-OLS夜晚灯光数据和可见光-近红外遥感影像,对居民地指数(human settlement index,HSI)进行改进,构建了改进居民地指数(modified human settlement index,MHSI)。采用MHSI对中国和美国的城市进行了提取实验,并利用中国历年城市统计数据和美国NLCD土地覆盖数据集对提取结果进行验证。实验结果表明,MHSI在解决灯光溢出问题的同时,避免了其他地物类型(裸土、水体和植被)对城市信息提取的影响,一次性实现了区域或者全球城市信息的提取,提取精度优于HSI和MODIS土地覆盖数据集。

关键词: 城市信息提取; MHSI; HSI; DMSP-OLS
文献标志码:A 文章编号:1001-070X(2016)04-0127-08 doi: 10.6046/gtzyyg.2016.04.20
A study of urban area extraction with the modified human settlement index
YANG Xiaonan, XU Yun, TIAN Yugang
School of Information Engineering, China University of Geosciences(Wuhan), Wuhan 430074, China
Abstract

Urban areas extraction at regional and global scales remains a challenge. To map urban areas using DMSP-OLS nighttime light data is limited due to the saturation of data values, especially in urban cores. Different nighttime facula sizes lead to different degrees of light overflow, which causes difficulty for quantitative analysis. Vegetation-rich areas are selected to avoid the impact of bare soil when visible-near infrared image is used to map urban. To solve the problems above, this paper proposes modified human settlement index (MHSI) on the basis of human settlement index (HSI), which is composed of DMSP-OLS nighttime light data and visible-near infrared image. The MHSI has been tested in China and USA and testified by using the China city statistical data and USA NLCD land cover data. The results indicate that MHSI can overcome the overflow problem effectively and discriminate urban areas from other feature types such as bare soil, water and vegetable. MHSI can extract the regional or global city areas completely, and the accuracy is better than that of HSI and MODIS land cover data sets.

Keyword: urban areas extraction; MHSI; HSI; DMSP-OLS
0 引言

目前, 世界各地的城市化进程都在以前所未有的速度发展, 城市扩张对区域经济发展和资源环境的可持续发展有着重要的影响, 及时获取城市用地的定量信息, 对合理布局城市空间分布、环境保护及缩小区域差异等具有重大意义。

城市用地面积是评估城市化水平的重要参数之一[1]。早期的城市信息提取研究多采用可见光-近红外遥感影像, 如Landsat TM/ETM+, MODIS(moderate-resolution imaging spectroradiometer)影像等, 通过求取归一化建筑指数(normalized difference building index, NDBI)[2]、归一化差值不透水面指数(normalized difference impervious surface index, NDISI)[3]、生物物理成分指数(biophysical composition index, BCI)[4]、增强的指数型建筑用地指数(enhanced index-based built-up index, EIBI)[5]和归一化植被指数(normalized difference vegetation index, NDVI)[6]等遥感光谱指数来对城市信息进行提取。但是, 仅基于可见光-近红外遥感影像提取城市信息容易受到地物类型的干扰, 通常在裸土和城市的混合区域, 难以有效地区分出城市。目前大多数城市信息提取方法均以植被丰富的地区为研究区域[2, 3, 4, 5, 7, 8, 9], 导致大部分指数仅适用于植被覆盖度高的地区, 限制了研究区的选择。而且采用Landsat等中高分辨率影像的另一个主要问题是难以满足区域或者全球尺度的城市信息提取。

在区域或全球尺度下, 城市信息提取最常用的遥感数据是美国国防气象卫星项目实用行扫描系统DMSP-OLS (defense meteorological satellite program’ s operational line-scan system)获取的夜晚灯光数据。Imhoff等[10]提出采用阈值法从DMSP-OLS夜晚灯光数据中提取城市信息, 但是随后研究发现DMSP-OLS夜晚灯光数据存在灯光溢出问题, 直接采用原始数据进行城市信息提取容易造成过提取, 且溢出问题因灯光光斑大小而异, 不易定量分析[11, 12, 13, 14, 15, 16, 17, 18]

为了解决可见光-近红外遥感影像和DMSP-OLS夜晚灯光数据提取城市信息的缺陷, 一些研究结合了2种数据对城市信息进行提取, 具体方法包括支持向量机[11, 14, 18]和光谱指数的方法。但是支持向量机选择种子区域的过程会受到人为因素的干扰。Lu等[19]提出的居民地指数(human settlement index, HSI)是最具有代表性的光谱指数, 采用该指数以中国东南部为研究区域, 很好地提取了该区域的城市信息, 但是该指数方法不适于植被覆盖度较低的地区。本文针对HSI指数的缺陷, 构建了一种改进居民地指数(modified human settlement index, MHSI), 该指数克服了HSI难以区分城市与裸土、水体的问题[5], 有效地降低了研究区裸土及水体对城市信息提取的影响。

1 MHSI的构建
1.1 HSI分析

针对DSMP-OLS夜晚灯光数据的溢出问题, Lu等[19]依据DMSP-OLS夜晚灯光数据在城市区域亮度值高、非城市区域亮度值低, NDVI在植被区域亮度值高、非植被区域亮度值低的特点, 对2种不同源的数据进行融合, 构建了光谱指数HSI, 具体流程如下:

1)求取1 a中NDVI均值最大月份的影像, 即

NDVImax=max(NDVI1, …, NDVIi, …, NDVI12) , (1)

式中: NDVImax为1 a中NDVI均值最大月份的NDVI均值; NDVIi为第i个月的NDVI均值, i=1, …, 12。DMSP-OLS夜晚灯光数据的DN值范围是0~63, NDVI值的范围是-1~1。

2)为了避免2个数据量纲不同导致的误差, 对DMSP-OLS夜晚灯光数据进行标准化, 即

OLSnor= OLS-OLSminOLSmax-OLSmin, (2)

式中: OLS为某像元DMSP-OLS夜晚灯光数据的DN值; OLSminOLSmax分别为夜晚灯光数据DN值的最小值和最大值; OLSnor为该像元标准化后的夜晚灯光数据DN值。

3)最终构建HSI, 即

HSI= (1-NDVImax)+OLSnor(1-OLSnor)+NDVImax+OLSnorNDVImax。 (3)

以中国长江三角洲及西部地区为例, 利用以上流程获得HSI影像, 并与原始DMSP-OLS夜晚灯光数据进行对比, 结果如图1所示。

图1 2009年原始DMSP与HSI影像Fig.1 Original DMSP and HSI image in 2009

图1中可以发现, 由于采用原始DMSP-OLS夜晚灯光数据提取城市信息受灯光溢出问题的影响会出现过提取现象。在图1(a)中上海、苏州、无锡和常州因灯光溢出的影响, 在原始DMSP-OLS夜晚灯光数据上连成了一体, 实际上各城市间有明显的分界, 过提取问题导致无法提供这些城市用地面积的可靠数据。HSI有效地解决了城市灯光溢出问题, 城市间的界线明显, 但在大型湖泊和内陆干旱裸地地区的亮度值仍偏高。 如图1(b)中标识A所示区域为太湖地区, 由于受到大片湖泊水体NDVI值较低的影响, 该区域HSI亮度值偏高, 不能和城市很好地区分; 图1(d)标识B所在位置为中国西部, 由于大面积裸土区NDVI值整体较低, 其HSI亮度值也偏高, 同样不易与城市区分。

1.2 MHSI构建

造成HSI在裸土和湖泊区域亮度值偏高的主要原因都是因为NDVI值较低。为了降低裸土和湖泊区域NDVI值较低对城市信息提取造成的影响, 构建的MHSI扩大了DMSP-OLS夜晚灯光数据在HSI中所占的权重。但若权重设置过大, 会导致溢出问题加重, 若权重设置过小, 会导致裸土和湖泊区域的城市信息无法有效提取。本文通过大量的实验, 认为 DMSP-OLS 夜晚灯光数据的权重设为 2 最优。分析扩大权重后HSI的数值范围, 发现城市周边溢出地区的亮度值多为小于1的值, 而城市区域的亮度值多大于1, 通过求取扩大权重后HSI的幂函数(本文函数幂k≥ 2)得到MHSI。MHSI的构建流程如图2所示。

图2 MHSI构建流程Fig.2 Flow chart of MHSI construction

构建的MHSI表达式为

MHSI= (1-NDVImax)+2OLSnor(1-OLSnor)+NDVImax+OLSnorNDVImaxk(k≥ 2) 。 (4)

2 数据获取与预处理
2.1 研究区及其数据源

实验数据包括DMSP-OLS夜晚灯光数据和NDVI数据。DMSP-OLS夜晚灯光数据选取产品中的稳定灯光数据, 空间分辨率为1 km, 数据DN值范围为0~63, 已经过气体耀斑、火灾等去除处理; NDVI数据来源于MODIS NDVI产品MOD13A3, 该数据提供全球每月1 km空间分辨率的3级正弦曲线投影网格产品, 中国区域共19景, 美国区域共15景。

验证数据主要包括4类: Landsat数据、中国各省城市面积统计数据、MODIS土地覆盖分类数据(简称: MODIS数据)和美国土地覆盖数据(national land cover database, NLCD)。Landsat数据主要是作为目视解释验证的参考数据, 用于判别中国区域城市信息提取效果。中国各省城市统计数据来源于《中国统计年鉴》[20], 用于验证MHSI分析时间序列城市化规律的可行性。MODIS数据是根据1 a的Terra和Aqua观测数据获得, 空间分辨率为500 m。选用全球植被分类图层(international geosphere-biosphere program, IGBP)作为MHSI的对比数据之一。NLCD数据集是美国地质调查局(united states geological survey, USGS)结合Landsat数据和GPS数据绘制的空间分辨率为30 m的土地覆盖分类数据, 作为定量验证的参考数据。

本文以中国和美国作为研究区域。中国和美国的国土面积都大于900万km2, 东西南北跨越距离大, 不同地区地貌差异明显, 2个国家西部地区植被覆盖度都较低, 东部地区植被覆盖度较高, 具有较好的代表性。根据城市分布和城市植被覆盖情况, 选取了美国11个城市作为精度验证区域, 其地理位置、面积和植被覆盖情况如图3表1所示。

图3 验证城市分布Fig.3 Distribution map of verify cities

表1 验证城市概况 Tab.1 Information of verify cities
2.2 数据预处理

时间序列的DMSP-OLS夜晚灯光数据来自于不同的卫星, 为减小不同传感器造成的数据差异, 以F12 卫星1999年数据为基准对其他数据进行相对辐射校正[14, 17, 19, 21, 22, 23, 24], 公式为

y=c0+c1x+c2x2 , (5)

式中: c0, c1c2为校正参数, Elvidge等[23]已经给出不同年份校正参数的具体值; xy分别为某年份相对辐射校正前后DMSP-OLS夜晚灯光数据的DN值。

MOD13A3数据采用MRT(MODIS reprojection tool)对中国和美国区域的影像进行拼接, 并导出NDVI图层, 为了能与DMSP-OLS影像配准, 投影坐标设置为GCS-WGS84。

3 结果与验证
3.1 城市信息提取

分别求取了中国和美国研究区域的MHSI。通常MHSI结果中城市区域亮度值大于1, 非城市区域亮度值小于1。但由于2个国家经纬度跨度较大, 本文设置2个国家的提取阈值均为1.2。提取结果如图4所示。

图4 中国与美国研究区MHSI提取结果Fig.4 MHSI extraction results of study areas in China and USA

图4显示, HSI在图4(a)标识A和图4(c)标识C的方框区域内整体亮度值偏高, 主要是由于美国西南部和中国西北部地貌以戈壁、荒漠为主, 植被覆盖度及NDVI值很低, 导致HSI亮度值偏高, 与城市区分难度大; 而MHSI在图4(b)标识A和图4(d)标识C的方框区域内, 裸土区域亮度值低, 城市区域亮度值高, 二者差异明显, 易于区分。HSI在图4(a)标识B和图4(e)标识D的方框区域内整体亮度值偏高, 主要由于该区域分别是美国的五大湖和中国的青海湖地区, 城市与湖泊无法区分; 但在MHSI图4(b)标识B和图4(f)标识D方框区域内的湖泊和城市得到了很好的区分。这表明MHSI相对于HSI可以更好地区分城市与裸土、湖泊等其他地物。

为了验证提取城市信息的准确性, 本文还对MHSI影像上的城市轮廓进行了目视解译, 并将中国和美国的提取结果分别与Landsat数据和NLCD数据叠加对比, 局部地区对比结果如图5所示。

图5 MHSI局部地区提取结果对比Fig.5 Comparison partial extraction results of MHSI with Landsat and NLCD image

图5中可以发现, 在水体丰富的中国长江三角洲地区MHSI结果与同年30 m空间分辨率的Landsat 5 TM影像叠加图上, 城市边界提取完好, 基本没有受到灯光溢出和大型湖泊的影响; 在以戈壁滩为主且植被覆盖度极低的美国菲尼克斯MHSI结果与同年30 m空间分辨率的NLCD不透水层数据的叠加图上, 城市信息提取效果良好, 受裸土影响很小。研究结果表明, MHSI在裸土和湖泊地区提取城市信息的效果优于HSI。

3.2 验证

从规律性和精度2个角度对MHSI进行定量验证。选取中国城市地区来验证其规律性, 即采用相关系数法分析时间序列城市面积统计数据和MHSI的相关性, 验证MHSI在空间和时间上分析城市扩张规律的可行性。选取2011年美国NLCD土地覆盖分类数据集作为参考, 通过总准确度、Kappa系数、FP'FN'4个参数定量评价MHSI城市信息提取效果。

3.2.1 规律性验证

依据《中国统计年鉴》[20]对2000— 2010年间中国各省(市、自治区)城市面积和MHSI提取的对应城市像元数目进行相关性分析。时间序列的城市像元数目呈现单调递增的状态, 不服从正态分布, 选取Spearman非参数检验衡量MHSI提取的城市像元数目和统计数据之间的相关关系。各省(市、自治区)时间序列相关系数结果如图6所示。

图6 MHSI与统计数据城市面积相关分析Fig.6 Correlation analysis of city area between MHSI and statistical data

图6可知, 相关系数最低的是西藏, 其他省(市、自治区)都在0.6以上, 相关系数大于0.8(显著相关)的省(市、自治区)有24个, 占全部省(市、自治区)的80%。结果表明, 采用MHSI可以有效提取城市区域, 对分析城市化规律具有较高的可行性, 可以反映出城市扩张规律。

3.2.2 精度验证

选取2011年30 m空间分辨率的美国NLCD数据集作为参考, MHSI, HSI和MODIS数据分别作为待验证影像。对参考影像和待验证影像进行重叠匹配, 匹配类型如表2

表2 匹配类型 Tab.2 Matching Type

分别选取总准确度、Kappa系数、FP'FN'4个参数作为精度评价参数。总准确度是用来评价DMSP-OLS夜晚灯光数据总体匹配精度的参数[25]。Kappa系数是一种综合了生产者精度和用户精度的综合评判指标, 为遥感精度评价最常见参数, 在此不做赘述。FN'FP'分别是反映错误类型的评价参数。FN'表示待验证影像提取的城市区域小于参考影像的城市区域, 错误类型为“ 提取过少” 。FP'表示待验证影像提取的城市区域大于参考影像的城市区域, 错误类型为“ 提取过多” 。其中, 总准确度、FP'FN'3个参数可以识别出影像中哪种错误类型影响了整体精度。具体评价参数公式及其定义见表3

表3 评价参数 Tab.3 Evaluation parameters

总准确度和Kappa系数的计算结果如表4。匹配失败、FN'FP'结果见表5

表4 总准确度与Kappa系数 Tab.4 Overall accuracy and Kappa coefficient
表5 待验证影像2种匹配失败像元数及所占百分比 Tab.5 Number and percentage of failure match

在总准确度方面, MHSI所有提取结果均优于HSI, 但是略差于MODIS数据。这表明, MHSI提取城市信息的精度要优于HSI, 尤其是在植被覆盖度较低的地区; MODIS数据最优的原因在于非城市重叠区域“ TN” 数目较多, 提升了整体精度。在Kappa系数方面, MHSI的Kappa均值最高, MODIS数据大型城市的Kappa均值低于MHSI, 小型城市高于MHSI, 而总体均值低于MHSI, 原因在于MODIS数据提取的城市远小于参考影像; 除了达拉斯外, 其他城市MHSI结果的Kappa均值皆高于HSI, 尤其是植被覆盖度相对较低的地区。在匹配失败统计结果方面, MHSI匹配失败像元数均值都小于HSI。MHSI和HSI的FP'均远高于FN', 说明这2种指数的错误类型主要是“ 提取过多” , 但是MHSI均值较低, 降低了“ 提取过多” 错误发生的概率, 尤其是植被覆盖度低的城市, MHSI的FP'显著低于HSI, 说明MHSI在植被覆盖度低的地区可以有效地抑制裸土对城市信息提取造成的影响。MODIS数据的错误类型主要是“ 提取过少” , 因此表5中显示FN'的均值要远高于MHSI和HSI。

总准确度、Kappa系数、FN'FP'4种参数的定量分析说明了MHSI提取城市信息的能力。提取结果表明, MHSI有效地弥补了MODIS数据大城市“ 提取过少” 的问题, 同时解决了HSI在植被覆盖度低的区域城市过提取或无法提取的问题。MHSI与HSI相比, 植被覆盖度较低地区的提取精度得到了明显的提高, 植被丰富地区的精度也得到了少量提升。精度验证表明MHSI在提取城市信息过程中具有较高的准确性, 可以应用于城市化分析, 具有较高的可行性。有效提高了城市信息提取的正确率, 减少了匹配失败的像元数。

4 结论与讨论

1)针对HSI不足, 本文构建了MHSI, 并以中国和美国为例进行实验和验证。实验表明MHSI不仅解决了原始DMSP-OLS夜晚灯光数据的灯光溢出问题, 同时有效克服了HSI不能较好区分裸土、水体与城市的缺陷, 大幅提高了城市信息提取的准确率。

2)MHSI可以用于空间和时间尺度上的城市分析。空间上, 该指数可以在不了解土地覆盖类型的情况下, 直接对城市进行提取, 不受植被、裸土和水体等地物的干扰, 为城市分析提供了一种普适性较高的指数。时间上, MHSI采用DMSP-OLS夜晚灯光数据和MODIS NDVI数据, DMSP-OLS夜晚灯光数据时间分辨率为6 h, MODIS时间分辨率为12 h, 2类数据的高时间分辨率为MHSI实时分析城市动态提供了可能。

3)城市化扩张对区域经济发展和资源环境的可持续发展有着重要的影响, 对城市信息的提取不仅可以及时掌握城市化动态, 还可以合理布局城市化空间发展形态。但是由于灯光数据空间分辨率的限制, 该指数目前仅适用于低— 中空间分辨率下的城市信息提取, 无法获取城市内部结构, 这个问题有待于后续研究。

综上所述, MHSI适用于宏观尺度的城市化进程及其时空特性的分析, 在满足快速提取城市信息的同时提高了城市信息提取的准确性, 使城市轮廓形状更加明晰, 适用于从众多地物类型中直接对城市区域进行提取, 是一种普适性较高的指数。

The authors have declared that no competing interests exist.

参考文献
[1] 卓莉, 李强, 史培军, . 基于夜间灯光数据的中国城市用地扩展类型[J]. 地理学报, 2006, 61(2): 169-178.
Zhuo L, Li Q, Shi P J, et al. Identification and characteristics analysis of urban land expansion types in China in the 1990s using DMSP/OLS data[J]. Acta Geographica Sinica, 2006, 61(2): 169-178. [本文引用:1]
[2] 吴宏安, 蒋建军, 周杰, . 西安城市扩张及其驱动力分析[J]. 地理学报, 2005, 60(1): 143-150.
Wu H A, Jiang J J, Zhou J, et al. Dynamics of urban expansion in Xi’an City using Land sat TM/ETM+ data[J]. Acta Geographica Sinica, 2006, 60(1): 169-178. [本文引用:2]
[3] 徐涵秋. 一种快速提取不透水面的新型遥感指数[J]. 武汉大学学报: 信息科学版, 2008, 33(11): 1150-1153.
Xu H Q. A new remote sensing index for fastly extracting impervious surface information[J]. Geomatics and Information Science of Wuhan University, 2008, 33(11): 1150-1153. [本文引用:2]
[4] Deng C B, Wu C S. BCI: A biophysical composition index for remote sensing of urban environments[J]. Remote Sensing of Environment, 2012, 127: 247-259. [本文引用:2]
[5] 吴志杰, 赵书河. 基于TM图像的“增强的指数型建筑用地指数”研究[J]. 国土资源遥感, 2012, 24(2): 50-55.
Wu Z J, Zhao S H. A study of enhanced index-based built-up index based on Land sat TM imagery[J]. Remote Sensing for Land and Resources, 2012, 24(2): 50-55. [本文引用:3]
[6] Rouse J W Jr, Haas R H, Schell J A, et al. Monitoring vegetation systems in the great plains with ERTS[C]//Third Earth Resources Technology Satellite-1 Symposium-Volume I: Technical Presentations. Washington, DC: NASA Special Publication, 1974: 309. [本文引用:1]
[7] Qi J, Chehbouni A, Huete A R, et al. A Modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994, 48(2): 119-126. [本文引用:1]
[8] As-Syakur A R, Adnyana I W S, Arthana I W, et al. Enhanced built-up and bareness index(EBBI) for Mapping built-up and bare land in an urban area[J]. Remote Sensing, 2012, 4(10): 2957-2970. [本文引用:1]
[9] 徐涵秋. 一种基于指数的新型遥感建筑用地指数及其生态环境意义[J]. 遥感技术与应用, 2007, 22(3): 301-308.
Xu H Q. A new index-based built-up index(IBI) and its eco-environmental significance[J]. Remote Sensing Technology and Application, 2007, 22(3): 301-308. [本文引用:1]
[10] Imhoff M L, Lawrence W T, Stutzer D C, et al. A technique for using composite DMSP/OLS “city lights” satellite data to map urban area[J]. Remote Sensing of Environment, 1997, 61(3): 361-370. [本文引用:1]
[11] Cao X, Chen J, Imura H, et al. A SVM-based method to extract urban areas from DMSP-OLS and SPOT VGT data[J]. Remote Sensing of Environment, 2009, 113(10): 2205-2209. [本文引用:2]
[12] Zhou Y Y, Smith S J, Elvidge C D, et al. A cluster-based method to map urban area from DMSP/OLS nightlights[J]. Remote Sensing of Environment, 2014, 147: 173-185. [本文引用:1]
[13] Small C, Pozzi F, Elvidge C D. Spatial analysis of global urban extent from DMSP-OLS night lights[J]. Remote Sensing of Environment, 2005, 96(3/4): 277-291. [本文引用:1]
[14] Pand ey B, Joshi P K, Seto K C. Monitoring urbanization dynamics in India using DMSP/OLS night time lights and SPOT-VGT data[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 23: 49-61. [本文引用:3]
[15] Liu Q P, Yang Y C, Tian H Z, et al. Assessment of human impacts on vegetation in built-up areas in China based on AVHRR, MODIS and DMSP_OLS nighttime light data, 1992—2010[J]. Chinese Geographical Science, 2014, 24(2): 231-244. [本文引用:1]
[16] Zhang Q L, Seto K C. Mapping urbanization dynamics at regional and global scales using multi-temporal DMSP/OLS nighttime light data[J]. Remote Sensing of Environment, 2011, 115(9): 2320-2329. [本文引用:1]
[17] Kasimu A, Tateishi R. Global urban mapping using population density, MODIS and DMSP data with the reference of Land sat images[C]//Proceedings ofthe International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Beijing: China Institute of Surveying and Mapping, 2008, 37: 1523-1528. [本文引用:2]
[18] Yi K P, Tani H, Li Q, et al. Mapping and evaluating the urbanization process in northeast China using DMSP/OLS nighttime light data[J]. Sensors, 2014, 14(2): 3207-3226. [本文引用:2]
[19] Lu D S, Tian H Q, Zhou G M, et al. Regional mapping of human settlements in southeastern China with multisensor remotely sensed data[J]. Remote Sensing of Environment, 2008, 112(9): 3668-3679. [本文引用:3]
[20] 中华人民共和国国家统计局. 中国统计年鉴[M]. 北京: 中国统计出版社, 2014.
National Bureau of Statistics People’s Republic of China. Statistical yearbook of China[M]. Beijing: China Statistics Press, 2014. [本文引用:2]
[21] Elvidge C D, Ziskin D, Baugh K E, et al. A fifteen year record of global natural gas flaring derived from satellite data[J]. Energies, 2009, 2(3): 595-622. [本文引用:1]
[22] Elvidge C D, Sutton P C, Baugh K, et al. National Trends in Satellite Observed Lighting: 1992—2009[R]. [s. l. ]: American Geophysical Union, 2011. [本文引用:1]
[23] Elvidge C D, Hsu F C, Baugh K E, et al. National Trends in Satellite-observed Lighting: 1992—2012[M]//Weng Q H. Global Urban Monitoring and Assessment Through Earth Observation. Boca Raton: CRC Press, 2014: 97-118. [本文引用:2]
[24] Li X, Xu H M, Chen X L, et al. Potential of NPP-VIIRS nighttime light imagery for modeling the regional economy of China[J]. Remote Sensing, 2013, 5(6): 3057-3081. [本文引用:1]
[25] Zhang Q, Seto K C. Can night-time light data identify typologies of urbanization? A global assessment of successes and failures[J]. Remote Sensing, 2013, 5(7): 3476-3494. [本文引用:1]