国土资源遥感, 2020, 32(2): 226-232 doi: 10.6046/gtzyyg.2020.02.29

技术应用

基于卫星遥感技术的区域经济发展模型构建

古海玲1, 陈超,1, 芦莹1, 褚衍丽2

1.浙江海洋大学海洋科学与技术学院,舟山 316022

2.浙江海洋大学经济与管理学院,舟山 316022

Construction of regional economic development model based on satellite remote sensing technology

GU Hailing1, CHEN Chao,1, LU Ying1, CHU Yanli2

1. College of Marine Science and Technology, Zhejiang Ocean University, Zhoushan 316022, China

2. School of Economics and Management, Zhejiang Ocean University, Zhoushan 316022, China

通讯作者: 陈 超(1982-),男,博士,副教授,主要从事遥感科学理论和技术应用研究。Emial:chenchao@zjou.edu.cn。

责任编辑: 李瑜

收稿日期: 2019-06-6   修回日期: 2019-08-28   网络出版日期: 2020-06-15

基金资助: 浙江省省属高校科研院所基本科研业务费专项.  2019J00003
国家自然科学基金项目“基于空间数据挖掘的高分辨率遥感图像水上桥梁目标识别与损毁评估”.  41701447

Received: 2019-06-6   Revised: 2019-08-28   Online: 2020-06-15

作者简介 About authors

古海玲(1997-),女,本科生,主要从事遥感技术应用研究。Email:guhailing_zj@163.com。 。

摘要

针对区域经济发展调查中传统方法费时费力、数据缺乏客观性的问题,从区域经济发展引起地球表面形态变化的角度出发,借助卫星遥感技术优势,构建模型,以便更加客观、真实地了解区域经济发展形势。首先,基于卫星遥感数据,获取不同时相地球表面形态变化和土地利用信息; 其次,分析各土地利用类型与各区域经济指标之间的相关性,优选敏感因子; 然后,结合社会调查数据,构建区域经济发展模型; 最后,进行精度评价,以验证模型的有效性和适用性。以舟山群岛为例的研究结果表明,建设用地面积是与各经济指标相关性最强的敏感因子,与国内生产总值(gross domestic product,GDP)、第一产业总值(primary industry product,PIP)、第二产业总值(secondary industry product,SIP)和第三产业总值(tertiary industry product,TIP)的相关系数分别为0.959 1,0.939 0,0.954 6和0.957 3; 遥感数据与社会调查数据相结合的区域经济发展模型简单清晰,精度较高,平均决定系数R2为0.979 5。本研究为区域经济发展预测和经济数据纠偏提供了一种新思路,为观测区域经济活动及其影响提供了一种新途径,对于了解区域经济发展,调整和修正统计数据具有实用意义。

关键词： 土地利用与覆被变化 ; 卫星遥感技术 ; 区域经济发展 ; 模型构建 ; 舟山群岛

Abstract

In order to break through the time-consuming and laborious limitations of traditional regional economic development surveys, the authors built some regional economic development models by virtue of the advantages of remote sensing technology. First, based on multi-source and multi-temporal satellite remote sensing data, the authors obtained surface morphological changes and land use information, analyzed the correlation between land use types and regional economic indicators, optimized sensitive factors, then combined the social survey data to build a regional economic development model and finally performed an accuracy evaluation to verify the validity and applicability of the model. Zhoushan Islands were selected as the research area to carry out verification experiments. The experimental results show that the construction land area is the most sensitive factor related to various economic indicators, and the correlation coefficients with GDP, PIP, SIP and TIP are respectively 0.959 1, 0.939 0, 0.954 6 and 0.957 3. The average determination coefficient R2 of the regional economic development model built with the survey data is 0.979 5. The results obtained by the authors provide a new way of thinking for regional economic development prediction and economic data correction and also provide a possibility for humans to observe economic activities and their impact. The model built in this study is simple and clear yet with high precision, and thus is of great significance for understanding regional economic development as well as adjusting and correcting statistical data.

Keywords： land use and cover change ; satellite remote sensing technology ; regional economic development ; model construction ; Zhoushan Islands

PDF (1902KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

古海玲, 陈超, 芦莹, 褚衍丽. 基于卫星遥感技术的区域经济发展模型构建. 国土资源遥感[J], 2020, 32(2): 226-232 doi:10.6046/gtzyyg.2020.02.29

GU Hailing, CHEN Chao, LU Ying, CHU Yanli. Construction of regional economic development model based on satellite remote sensing technology. REMOTE SENSING FOR LAND & RESOURCES[J], 2020, 32(2): 226-232 doi:10.6046/gtzyyg.2020.02.29

0 引言

区域经济发展是指在一定时空范围内的经济变化、人口增长、产业组织和结构升级等经济社会活动的总和[1,2,3]。随着社会发展进程的加快,区域经济发展不平衡、城乡差距增大、城市资源承载力饱和等问题日益突出,引起了科学家和社会学家越来越多的关注和思考[4,5]。评估区域经济发展有利于客观认识资源消耗、环境污染、人口膨胀等社会问题,对于了解区域发展进程、评估区域用地水平、制定更合理的区域发展策略具有重要意义。

通常情况下,评估区域经济发展有2种方法: 基于社会调查的方法和基于夜间灯光遥感数据的方法[6,7,8]。基于社会调查的方法主要利用地区国内生产总值(gross domestic product,GDP)等统计数据来分析区域经济发展形势,该方法虽然比较直观,但存在以下2方面问题: 一方面,统计数据存在数据缺失、空间信息缺乏等缺点; 另一方面,统计数据往往以“实地调查,层层上报”的方式获取,成本较高,且容易受人为主观因素影响,存在很大的不确定性[9,10]。基于夜间灯光遥感数据的方法是在建立灯光辐射值与GDP等经济指标之间相关性的基础上进行的,从时间和空间上弥补了常规统计数据的不足,但夜间灯光遥感数据空间分辨率较低,并且仅仅依靠灯光辐射值也使得分析结果较为单一[3]。因此,如何从更精细尺度上获取能够反映区域经济发展的真实信息,客观地认识和了解区域经济发展情况,已成为研究者广泛关注的问题。

作为社会物质资料的生产和再生产过程,和区域发展有关的各类经济活动会造成地表形态变化,改变土地景观格局[11,12,13]。遥感技术具有观测范围广、时序长、获取成本低的优势,能够客观反映土地利用情况和人类对地表的改造程度,为从宏观尺度上了解区域土地利用与覆被变化情况,评估区域经济发展提供了契机[6, 14-16]。并且光学遥感数据往往具有比夜间灯光遥感数据更高的空间分辨率,能够从更精细尺度上区分不同地物类别[17,18]。因此,针对传统区域经济发展评估中存在的问题,本文拟利用Landsat卫星遥感数据,建立土地利用类型与各经济指标之间的联系,构建遥感数据和社会调查数据相结合的区域经济发展模型。本研究可为了解和掌握区域经济发展、评估社会调查数据的准确性等提供技术支持。

1 研究区概况与数据源

1.1 研究区概况

舟山市位于浙江省东北部,拥有大小岛屿1 390个,岛上地形以丘陵为主,其中高丘占9%,低丘占61%,平原占30%,形成不同土壤类型及农作物格局[19,20]。舟山市作为第一个以群岛建设的地级市,其经济发展形势受到各研究者广泛关注。

1.2 数据源

本文收集了2方面的数据: Landsat卫星遥感数据和经济指标与人口数据。对于Landsat卫星遥感数据,考虑云层遮挡、覆盖范围等因素,从1984—2017年期间,共获取27个年份的数据用于最大似然法监督分类,时间跨度为34 a,成像时间以3—10月份为主。对于经济指标与人口数据,由舟山市统计局公布,包括GDP、第一产业总值(primary industry product,PIP)、第二产业总值(secondary industry product,SIP)、第三产业总值(tertiary industry product,TIP)、户籍人均GDP和常住人口等。由于研究年份的常住人口出现缺失现象,因此,基于已有常住人口,利用四次多项式插值,得到缺失年份的常住人口。研究区数据获取情况具体如表1所示。

表1   研究区数据获取情况

Tab.1  Acquired data in the study area

卫星遥感数据经济与人口统计数据
时间传感器时间经济指标人口
1984年、1987—1988年、1990—1993年、1996—2001年、2003—2011年Landsat5 TM1990年、2000年、2005—2011年、2013—2017年GDP,PIP,SIP,
TIP和人均 GDP值		常住人口
2013—2017年Landsat8 OLI1984年、1987—1988年、1991—1993年、1996—1999年、2001年、2003—2004年插值之后的
常住人口

新窗口打开| 下载CSV


为了获取可靠的模型,并对模型进行验证和精度评价,将获取的研究区数据分为2部分,其中一部分用于模型构建,另一部分用于模型验证。用于模型构建的数据的时间点为18个,分别为1984年、1987年、1990—1991年、1993年、1997—1999年、2001年、2003年、2005—2006年、2008年、2010年、2013—2014年、2016—2017年,用于模型验证的数据的时间点为9个,分别为1988年、1992年、1996年、2000年、2004年、2007年、2009年、2011年和2015年。

2 研究方法

本研究基于长时间序列卫星遥感数据,从相关性强弱的角度选择与经济指标关系最为密切的敏感因子,结合社会调查数据,构建区域经济发展模型,分析区域经济发展形势。本研究技术路线如图1所示。首先,对收集到的长时间序列卫星遥感数据进行辐射定标、大气校正、图像拼接与裁剪等预处理操作; 其次,考虑目标地物在光谱、形状和纹理等方面的区分性,选取训练样本,采用最大似然法将研究区分为建设用地(包括城乡建筑、港口码头、道路等)、植被(包括林地、农田)、水体(包括河流湖泊、养殖水田)、裸地(包括滩涂、沙地)等4类,并统计各土地利用类型的面积; 再次,采用相关性分析,明确区域GDP,PIP,SIP,TIP和户籍人均GDP与各类地物面积之间的联系,选取与各经济指标相关性最强的地物类别作为敏感因子; 然后,基于遥感分类数据,综合考虑常住人口对区域经济发展的影响,利用回归统计分析构建区域经济发展模型; 最后,利用百分偏差、均方根误差和相关系数等指标对模型进行精度评价。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   本文技术路线

Fig.1   Flow chart of this study


3 结果与分析

3.1 分类结果

选择训练样本,利用监督分类中的最大似然分类器,将研究区分为建设用地、植被、水体和裸地等4类,并统计各类别面积。具体结果如表2和图2所示(考虑到篇幅,结果图仅列出部分年份)。

表2   各土地利用类型面积

Tab.2  Area of land use types(km2)

土地利用类型1984年1987年1988年1990年1991年1992年1993年1996年1997年1998年1999年2000年2001年2003年
建设用地50.8439.1762.5556.2356.0353.8647.7686.1378.55107.1973.07107.83111.08126.06
植被972.51950.54994.48990.62967.19974.731 043.44956.23955.411 020.901 039.48998.411 025.00988.57
水体28.4460.1850.4571.4249.4581.4345.9642.4034.8957.7440.6748.4351.5647.31
裸地255.55247.57188.59157.36221.10170.19131.12211.54188.53114.5283.03126.23130.59118.22
陆域总面积1 307.341 297.451 296.071 275.631 293.761 280.211 268.281 296.311 257.381 300.361 236.241 280.901 318.241 280.16
土地利用类型2004年2005年2006年2007年2008年2009年2010年2011年2013年2014年2015年2016年2017年
建设用地127.52143.04141.21154.85142.43147.58154.40150.21201.14213.16205.53180.30220.05
植被996.38976.87976.07998.16900.541007.73908.48912.12939.04903.26925.66949.38967.42
水体62.2263.4969.5646.6060.8054.7960.3660.0355.0174.1773.0789.8868.96
裸地80.2379.97135.45149.37199.72154.99192.88226.04167.12117.34140.49175.90115.67
陆域总面积1 266.351 263.371 322.281 348.971 303.491 365.081 316.111 348.411 362.311 307.931 344.761 395.461 372.09

新窗口打开| 下载CSV


图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   分类结果

Fig.2   Results of classification


从图2可以看出,1984—2017年间,舟山市植被覆盖面积小幅减小,但整体保持在较高水平,水体面积分阶段变化明显,陆域面积不断增加。城市建设用地面积从50.84 km2增加到220.05 km2,约扩张了4.33倍。植被方面,1984—2009年间,平均面积为986.66 km2,占平均陆域总面积的76.31%; 2010—2017年间,平均面积减小为929.34 km2,占平均陆域总面积的68.86%。水体方面,1984—1992年间,由于沿海养殖区域增加,水体面积整体呈现增长趋势,平均面积为56.90 km2; 1993—2003年间,由于城镇化与沿岸港口建设,平均面积减小为46.12 km2; 2004—2017年间,由于水产养殖业的成熟与生态环境改善,平均面积增加至64.53 km2。此外,裸地面积从255.55 km2减少为115.67 km2。

3.2 敏感因子选取

为了去除数据之间的冗余,首先对各经济指标和土地利用类型数据进行对数、指数变换,以便更为准确地发现数据之间的联系。在对数运算方面,由于ln与lg所得的相关系数是一致的,因此,本文只讨论lg形式; 在对数据进行以e为底的指数运算时,为了避免结果值过大,对原始数据进行归一化处理,具体公式为

x'=1+ x-xminxmax-xmin,

式中: x'为归一化之后数据; x为原始数据; xmax和xmin分别为原始数据最大值和最小值。然后,在原始数据及变换数据的基础上,开展相关性分析,选择相关系数最大的地物类别作为经济敏感因子。相关性分析结果如表3所示。表3中Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ分别为植被面积、水体面积、建设用地面积、裸地面积和陆域总面积;Ⅰ',Ⅱ',Ⅲ',Ⅳ',Ⅴ'分别为归一化处理后植被面积、水体面积、建设用地面积、裸地面积和陆域总面积。

表3   土地利用类型面积与各经济指标间的相关系数表

Tab.3  Correlation matrix between area of land use types and economic indicators

指标ⅠⅡⅢⅣⅤlg(Ⅰ)lg(Ⅱ)lg(Ⅲ)lg(Ⅳ)lg(Ⅴ)e(Ⅰ')e(Ⅱ')e(Ⅲ')e(Ⅳ')e(Ⅴ')
GDP-0.545 50.645 80.919 4-0.172 80.782 2-0.546 30.607 20.842 2-0.113 20.777 4-0.529 90.662 40.943 9-0.222 10.808 0
PIP-0.443 30.621 40.917 2-0.263 10.762 5-0.443 50.581 90.850 0-0.202 50.756 0-0.432 60.643 40.939 8-0.310 60.801 7
SIP-0.614 00.647 80.926 8-0.144 50.757 6-0.616 10.617 00.860 8-0.084 30.754 0-0.589 30.655 40.940 9-0.197 30.773 6
TIP-0.526 10.647 40.897 8-0.155 10.7943-0.526 10.603 10.809 0-0.098 00.789 2-0.515 60.668 50.931 0-0.201 60.822 9
人均 GDP-0.547 00.646 10.919 5-0.171 70.782 3-0.547 80.607 60.842 4-0.112 10.777 5-0.531 40.662 40.943 9-0.221 00.807 9
常住人口-0.463 90.616 00.962 8-0.40570.622 8-0.468 00.615 40.956 2-0.329 60.618 3-0.430 30.605 00.942 9-0.469 60.647 5
e(GDP')-0.453 50.70550.881 5-0.267 40.725 1-0.45450.691 40.807 4-0.196 20.719 0-0.437 80.704 70.907 0-0.326 30.762 2
e(PIP')-0.404 40.616 20.870 1-0.224 90.781 9-0.403 20.568 20.787 0-0.168 40.774 9-0.403 00.645 40.905 1-0.267 50.824 9
e(SIP')-0.574 60.643 20.901 9-0.129 90.779 7-0.575 80.605 40.822 2-0.071 20.775 4-0.555 90.657 60.927 5-0.179 80.801 5
e(TIP')-0.463 00.630 50.856 7-0.151 70.799 3-0.461 80.580 60.758 7-0.097 50.793 4-0.460 90.657 70.899 2-0.193 60.834 1
e(人均GDP')-0.492 70.635 00.880 8-0.159 10.7952-0.492 30.589 60.791 1-0.102 40.789 7-0.485 30.658 10.916 4-0.204 10.826 9
e(常住人口')-0.502 70.630 90.967 1-0.32890.691 9-0.505 70.617 00.934 9-0.257 10.687 3-0.474 60.629 40.962 7-0.388 60.716 2
lg(GDP)-0.459 30.59010.947 9-0.431 70.563 1-0.46400.599 90.959 1-0.361 50.558 8-0.422 00.571 20.914 8-0.491 80.585 9
lg(PIP)-0.372 50.565 50.925 4-0.486 10.543 5-0.376 90.575 00.939 0-0.413 20.537 6-0.337 50.551 80.896 9-0.547 20.579 5
lg(SIP)-0.492 30.594 10.942 4-0.405 90.554 6-0.497 00.606 30.954 6-0.337 70.551 1-0.454 20.571 50.906 4-0.465 50.572 0
lg(TIP)-0.50240.620 10.959 9-0.387 50.602 7-0.506 30.622 90.957 3-0.321 00.598 7-0.468 80.604 10.933 8-0.445 30.623 3
lg(人均GDP)-0.464 20.591 00.949 4-0.426 80.566 8-0.468 70.600 10.959 7-0.357 20.562 6-0.427 20.572 40.916 7-0.486 50.589 2
lg(常住人口)-0.450 70.610 90.958 3-0.425 40.603 2-0.455 00.613 70.958 1-0.348 20.598 7-0.415 90.597 50.934 8-0.490 30.628 2

新窗口打开| 下载CSV


从表3可以看出,建设用地面积对数变换值对各经济指标最为敏感,与GDP,PIP,SIP和TIP的相关系数分别为0.959 1,0.939 0,0.954 6和0.957 3。此外,常住人口和人均GDP与建设用地面积也具有较强的相关性。因此,本文选择建设用地面积和常住人口作为敏感因子,构建遥感数据和社会调查数据相结合的区域经济发展模型。

3.3 区域经济发展模型构建

综合考虑单因子(建设用地面积)和双因子(常住人口数量和建设用地面积)构建区域经济发展模型,结果如表4所示。其中,因变量y代表各经济指标的对数变换值(lg),自变量x代表建设用地面积和常住人口数量的对数变换值(lg)。从表4可以看出,考虑常住人口影响的双因子模型要明显优于单因子模型,各经济指标拟合函数的平均决定系数R2从0.907 3提高到0.979 5。

表4   模型构建结果

Tab.4  Constructed models

单因子双因子
xy线性模型R2平均R2xy线性模型R2平均R2
lg(建设用
地面积)		lg(GDP)y=2.595 0 x-3.034 10.919 80.907 3lg(常住人口) x1
lg(建设用地面积) x2		lg(GDP)y=18.236 29 x1+0.247 334 x2-35.130 70.988 40.979 5
lg(PIP)y=1.735 2 x-2.006 40.881 7lg(PIP)y=13.946 08 x1-0.060 12 x2-26.552 10.967 7
lg(SIP)y=2.683 6 x-3.673 80.911 2lg(SIP)y=18.150 05 x1+0.347 049 x2-35.618 70.974 1
lg(TIP)y=2.867 3 x-3.979 40.916 5lg(TIP)y=20.561 14 x1+0.220 352 x2-40.1680.987 7

新窗口打开| 下载CSV


3.4 精度评价

为了验证模型的有效性和适用性,计算实测数据与模型计算数据之间的百分偏差、均方根误差、相关系数。计算公式分别为:

D= ∑i=1n(YI-yi)/yin,
RMSE= ∑i=1n(Yi-yi)2n,
RyY= ∑i=1n(yi-y̅)(Yi-Y̅)∑i=1n(yi-y̅)2∑i=1n(Yi-Y̅)2,

式中: D,RMSE和RyY分别为百分偏差、均方根误差和相关系数; Y为根据模型获取的经济预测值; y为经济指标的实际值; i为数据获取的年份; n为参与运算的数据量总数; y̅为实际经济指标平均值; Y̅为模型预测的经济指标平均值。模型精度评价结果如表5所示。

表5   模型精度评价结果

Tab.5  Accuracy evaluation of constructed models

经济
指标		单因子双因子
D/%RMSERyYD/%RMSERyY
GDP8.44107.660.946 5-8.5078.110.967 0
PIP6.799.440.952 5-3.069.870.989 0
SIP6.50123.750.901 3-11.5946.670.908 3
TIP16.5664.930.945 3-6.0029.330.973 5
平均值9.5776.440.936 4-7.2940.990.959 4

新窗口打开| 下载CSV


从表5精度评价结果可以看出,双因子模型的平均百分偏差要小于单因子模型,并且单因子模型预测值要大于实际值,而双因子模型预测值则小于实际值; 双因子模型平均RMSE为40.99,优于单因子; 各模型预测值与真实经济指标的相关系数RyY保持在0.90以上,说明了敏感因子选取的正确性,并且考虑常住人口数量之后,模型预测更符合真实情况,各经济指标的平均相关系数增加至0.959 4。

4 结论与展望

本研究主要是为区域经济发展监测与评估提供一种准确、客观、节资、省时的新方法。从区域经济发展对地球表面形态的改造出发,结合土地利用/覆盖变化信息与统计数据,构建了遥感数据和社会调查数据相结合的区域经济发展模型。得到如下结论:

1)在各土地利用类型中,区域经济发展对建设用地面积的敏感性最强,建设用地面积与GDP, PIP, SIP和TIP之间的相关系数分别为0.959 1,0.939 0,0.954 6和0.957 3。

2)综合考虑建设用地面积和常住人口数量的双因子模型要优于仅仅考虑建设用地面积的单因子模型,模型平均决定系数R2由0.907 3提高至0.979 5。

3)与实测数据相比,结合建设用地面积与常住人口构建的区域经济发展模型的百分偏差和均方根误差更小,相关性更强。GDP, PIP, SIP和TIP的模型预测结果与真实结果的百分偏差分别为-8.50%,-3.06%,-11.59%和-6.00%,均方根误差分别为78.11,9.87,46.67和29.33,相关系数分别为0.967 0,0.989 0,0.908 3和0.973 5。

本研究利用中等空间分辨率卫星遥感数据进行了土地利用分类,未来将尝试利用高空间分辨率遥感数据、兴趣点数据等获取更为精细的地物类别,深入挖掘各地物类别与各经济指标之间的关系。同时,进一步收集统计数据,减小建模过程中统计数据缺失带来的影响。

参考文献

Grekousis G, Mountrakis G, Kavouras M.

Linking MODIS-derived forest and cropland land cover 2011 estimations to socioeconomic and environmental indicators for the European Union’s 28 countries

[J]. GIS Science & Remote Sensing, 2016,53(1):122-146.

[本文引用: 1]

Vilar L, Camia A, San M A J,et al.

Modeling temporal changes in human-caused wildfires in Mediterranean Europe based on Land Use-Land Cover interfaces

[J]. Forest Ecology and Management, 2016,378:68-78.

[本文引用: 1]

潘思东.

基于夜间灯光遥感和小区POI的住宅发展与经济增长的空间耦合研究

[J]. 地球信息科学学报, 2017,19(5):646-652.

[本文引用: 2]

Pan S D.

Spatial coupling between housing development and economic growth based on night light remote sensing and residential POI

[J]. Journal of Geo-information Science, 2017,19(5):646-652.

[本文引用: 2]

赵展, 夏旺, 闫利.

基于多源数据的土地利用变化检测

[J]. 国土资源遥感, 2018,30(4):148-155.doi: 10.6046/gtzyyg.2018.04.22.

[本文引用: 1]

Zhao Z, Xia W, Yan L.

Land use change detection based on multi-source data

[J]. Remote Sensing for Land and Resources, 2018,30(4):148-155.doi: 10.6046/gtzyyg.2018.04.22.

[本文引用: 1]

Handavu F, Chirwa P W C, Syampungani S,

Socio-economic factors influencing land-use and land-cover changes in the miombo woodlands of the Copperbelt Province in Zambia

[J]. Forest Policy and Economics, 2019,100:75-94.

[本文引用: 1]

Chen Q, Hou X, Zhang X, et al.

Improved GDP spatialization approach by combining land-use data and night-time light data:A case study in China’s continental coastal area

[J]. International Journal of Remote Sensing, 2016,37(19):4610-4622.

[本文引用: 2]

韩向娣, 周艺, 王世新, 等.

基于夜间灯光和土地利用数据的GDP空间化

[J]. 遥感技术与应用, 2012,27(3):396-405.

[本文引用: 1]

Hang X D, Zhou Y, Wang S X, et al.

GDP spatialization in China based on DMSP/OLS data and land use data

[J]. Remote Sensing Technology and Application, 2012,27(3):396-405.

[本文引用: 1]

李翔, 朱江, 尹向东.

基于夜间灯光数据的中国经济发展时空格局特征

[J]. 地球信息科学学报, 2019,21(3):417-426.

[本文引用: 1]

Li X, Zhu J, Yin X D.

Spatio-temporal pattern of Chinese economy development based on nightlight data

[J]. Journal of Geo-information Science, 2019,21(3):417-426.

[本文引用: 1]

Li G, Li F,

Urban sprawl in China:Differences and socioeconomic drivers

[J]. Science of the Total Environment, 2019,673:367-377.

[本文引用: 1]

Shapla T, Park J, Hongo C, et al.

Agricultural land cover change in Gazipur,Bangladesh, in relation to local economy studied using Landsat images

[J]. Advances in Remote Sensing, 2015,4(3):214.

[本文引用: 1]

Yu W, Zang S, Wu C, et al.

Analyzing and modeling land use land cover change(LUCC) in the Daqing City, China

[J]. Applied Geography, 2011,31(2):600-608

[本文引用: 1]

李少英, 刘小平, 黎夏, 等.

土地利用变化模拟模型及应用研究进展

[J]. 遥感学报, 2017,21(3):329-340.

[本文引用: 1]

Li S Y, Liu X P, Li X, et al.

Simulation model of land use dynamics and application:Progress and prospects

[J]. Journal of Remote Sensing, 2017,21(3):329-340.

[本文引用: 1]

张登荣, 许思莹, 谢斌, 等.

近40年椒江-台州湾滩涂围垦土地利用变化的遥感调查

[J]. 国土资源遥感, 2016,28(1):101-106.doi: 10.6046/gtzyyg.2016.01.15.

[本文引用: 1]

Zhang D R, Xu S Y, Xie B, et al.

Land use change of reclaimed mud flats in Jiaojiang-Taizhou Estuary in the past 40 years based on remote sensing technology

[J]. Remote Sensing for Land and Resources, 2016,28(1):101-106.doi: 10.6046/gtzyyg.2016.01.15.

[本文引用: 1]

Yin J, Yin Z, Zhong H, et al.

Monitoring urban expansion and land use/land cover changes of Shanghai metropolitan area during the transitional economy(1979—2009) in China

[J]. Environmental Monitoring and Assessment, 2011,177(1-4):609-621.

[本文引用: 1]

陈超, 傅姣琪, 随欣欣, 等.

面向灾后水体遥感信息提取的知识决策树构建及应用

[J]. 遥感学报, 2018,22(5):792-801.

Chen C, Fu J Q, Sui X X, et al.

Construction and application of knowledge decision tree after a disaster for water body information extraction from remote sensing images

[J]. Journal of Remote Sensing, 2018,22(5):792-801.

陈玲, 贾佳, 王海庆.

高分遥感在自然资源调查中的应用综述

[J]. 国土资源遥感, 2019,31(1):1-7.doi: 10.6046/gtzyyg.2009.01.01.

[本文引用: 1]

Chen L, Jia J, Wang H Q.

An overview of applying high resolution remote sensing to land and resources survey

[J]. Remote Sensing for Land and Resources, 2019,31(1):1-7.doi: 10.6046/gtzyyg.2009.01.01.

[本文引用: 1]

施利锋, 张增祥, 刘芳, 等.

1973年—2013年经济特区城市空间扩展遥感监测

[J]. 遥感学报, 2015,19(6):1030-1039.

[本文引用: 1]

Shi L F, Zhang Z X, Liu F, et al.

Spatial expansion remote sensing monitoring of special economic zones from 1973 to 2013

[J]. Journal of Remote Sensing, 2015,19(6):1030-1039.

[本文引用: 1]

曾刚, 尚勇敏, 司月芳.

中国区域经济发展模式的趋同演化-以中国16中典型模式为例

[J]. 地理研究, 2015,34(11):2005-2020.

[本文引用: 1]

Zeng G, Shang Y M, Si Y F.

The convergent evolution of China’s regional economic development models

[J]. Geographical Research, 2015,34(11):2005-2020.

[本文引用: 1]

鲁旭, 陈超.

基于遥感数据的舟山市土地利用时空格局研究

[J]. 浙江科技学院学报, 2018,30(5):404-411.

[本文引用: 1]

Lu X, Chen C.

Research on spatial-temporal pattern of land use in Zhoushan city by using remote sensing images

[J]. Journal of Zhejiang University of Science and Technology, 2018,30(5):404-411.

[本文引用: 1]

张晓萍, 吕颖, 张华国, 等.

1990—2011年舟山群岛不透水面动态遥感分析

[J]. 国土资源遥感, 2018,30(2):178-185.doi: 10.6046/gtzyyg.2018.02.01.

[本文引用: 1]

Zhang X P, Lyu Y, Zhang H G, et al.

Remote sensing analysis of impervious surface change in Zhoushan Islands during 1990—2011

[J]. Remote Sensing for Land and Resources, 2018,30(2):178-185.doi: 10.6046/gtzyyg.2018.02.01.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发