0 引言
电力消费量(electric power consumption, EPC)是衡量一个地区电力发展情况的重要社会经济参数,它被誉为是经济发展的先行指标[1 ] 。快速准确地估算地区EPC,能够为经济发展和能源供需政策制定与调整提供及时地依据与支撑[2 ] 。
美国新一代Suomi对地观测卫星(National Polar-Orbiting Partnership,NPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite, VIIRS)能够记录城市的低强度夜间灯光,可以作为估算城市EPC等社会经济参数的理想数据源[3 ,4 ,5 ] 。在不同尺度的EPC估算研究中发现,经济发达地区的估算精度高于经济欠发达地区[6 ,7 ,8 ,9 ] 。为减小估算误差,需要考虑到样本地区的发展状况,在估算前对样本城市进行分类。
Xie等[10 ] 在估算国家EPC的研究中,将样本国家按地理位置划分为7个区域,并建立EPC对数估算模型,发现除中东和非洲地区,其他区域的估算模型 R 2 较不分类时的模型 R 2 提高了4%以上; 李通等[11 ] 在进行中国城市的EPC估算时,按照经济分区将样本划分为东部、中部和西部城市,估算结果显示,除西藏拉萨市以外的30个省会城市(含直辖市)的平均相对误差为33.49%。除传统分类方法之外,施建刚等[12 ] 提出波士顿矩阵法,可以同时考虑相对指标与绝对指标,能客观地反映城市周边大环境与城市发展水平; 李熙等[13 ] 基于波士顿矩阵,采用相对城镇人口比例和城镇人口比例增长率将城市划分为4种类型,其EPC估算结果的平均相对误差为34.04%,较不分类时减小18.3百分点; Li等[14 ] 基于分部门就业数据,使用聚类分析将中国城市按功能分为“服务型城市”、“工业型城市”和“技术及教育型城市”,分类后的估算模型 R 2 较不分类时提高6.4%。
在EPC估算时,前人研究中的样本分类方法大多依赖于统计数据。且对分类前后的模型对比没有统一标准。由于数据年份和研究区域的差异,无法进行各方法的横向对比。本研究选择中国大陆区域263个城市作为研究对象,提出不依赖统计数据的基于灯光结构的K-Means城市分类算法,对分类后的样本城市进行EPC估算。并与传统城市分类方法的EPC估算结果进行了对比。
1 数据源概况
本研究中使用的数据如表1 所示,其中,卫星遥感数据为2015年NPP/VIIRS卫星夜间灯光影像。统计数据包含2014年和2015年人口、市辖区GDP、产业结构等社会经济数据。
1.1 NPP-VIIRS夜间灯光遥感数据
NOAA官网提供了2015年的NPP-VIIRS年度夜间灯光影像,该影像去除了月度数据中的背景噪声。在没有夜间灯光的地方,像素值为0。且不存在饱和现象[15 ,16 ] 。但仍有一些异常值点需要校正[17 ] 。参考李雪萍等[18 ] 、Shi等[19 ] 的研究,假设中国大陆地区最大亮度出现在北京、上海和广州3个城市。计算北京、上海、广州地区的最大亮度值 D N max = 264.468 ,如果有 DN > D N max ,将其置为 D N max 。
1.2 统计数据
本研究所使用到的统计数据除常住人口城镇化率外,均来源于《2016年中国城市统计年鉴》,该年鉴中记录了2015年地级市的全社会用电量、年末总人口和地区GDP等统计数据。除全社会用电量数据为市辖区数据外,其他数据均含市辖区和全市数据。
常住人口城镇化率数据来源于各省份和城市统计年鉴,若没有记录,则通过2015年末城镇人口除以年末常住人口获得。
1.3 研究区域
到2015年底,中国内地共包含地级市290个。由于西藏、新疆等地数据缺失严重,本文选取《中国城市统计年鉴》中除西藏、新疆和港澳台以外的其他省份中数据完整的263个地级市进行研究。
2 研究方法
2.1 EPC估算方法
统计每个城市的夜间灯光总量(total nighttime light,NTL)为:
(1) NT L i = ∑ x p ,
式中: x p 为 p 位置的像元值; i 为第 i 个城市。
2.2 城市分类方法
传统的城市分类方法可以按照经济分区将城市划分为东部(82)、中部(76)、西部(81)和东北(24)城市; 也可以按照地理分区将城市划分为东北(27)、华北(26)、华东(77)、华南(34)、华中(38)、西北(31)和西南(30)城市; 另外,按照《中国城市年鉴》的统计,以2015年市区平均人口标准,可以将城市划分为400万及以上人口(13)、[200,400)万人口(12)、[100,200)万人口(112),[50,100)万人口(82)和50万以下人口城市(44)。括号中为研究区域内该类型的城市个数。
波士顿矩阵(图1 )是统计学和经济学中常用的分类方法。李熙等[13 ] 的研究中,采用“城镇人口增长率”和“相对城镇人口比例”分别作为“绝对指标”和“相对指标”,构建波士顿矩阵,将城市分为4类进行讨论。但常住城镇人口比例这一参数并未有全国统一的官方统计数据。且城市的EPC与城市的人口、经济和产业结构等都有一定联系[20 ,21 ] 。因此,我们提出以“市辖区人口”、“市辖区GDP”和“市辖区第三产业GDP”来代替“城镇人口”构建波士顿矩阵。分类后每一类的城市个数如表2 所示。
图1
图1
波士顿矩阵
Fig.1
Boston matrix
机器学习中常用聚类算法有K均值聚类(K-Means)[22 ] 、K中心点聚类(K-Medois)、模糊C均值聚类(FCM)和高斯混合聚类(GMM)几种[23 ] 。K-Means算法是最常用的聚类算法之一,其算法简单、收敛速度快。K-Medois与K-Means的不同之处在于其选用类中位置居于最中心的对象来作为下一次迭代的新聚类中心。FCM算法采用模糊划分,使得每个数据点用[0,1]区间的隶属度来确定其属于各个类的程度。GMM算法采用概率模型对原型进行刻画,在每个维度用均值和标准差来描述簇的形状[24 ] 。
通常使用紧密性(compactness,CP)和分离性(separation,SP)来评价以上几种分类方法。前者描述各点到聚类中心的平均距离,越小说明同一类别紧密度越高,效果越好[25 ] ; 后者描述各聚类中心两两之间的平均距离,越大说明不同类间隔性越高,效果越好[26 ] 。2种指标的计算方法分别为:
(2) C — — = 1 K ∑ i = 1 K C i — — 。
(3) C i — — = 1 Ω i ∑ x m ∈ Ω i x m - w i 。
(4) S — — = 2 K 2 - K ∑ i = 1 K ∑ j = i + 1 K w i - w j 。
式中: C i — — 为第 i 个聚类集合的CP值; Ω i 为第 i 个聚类集合; w i 和 w j 分别为第 i 个和第 j 个聚类中心; x m 为集合 Ω i 中的第 m 个样本; K 为聚类中心个数; C — — 和 S — — 分别为聚类结果的CP和SP值。
采用相对误差、均方根误差来评估估算结果[27 ] 。相对误差指测量的绝对误差与被测量的真值之比,某个样本城市的估算结果相对误差 R 计算公式为:
(5) R = E e - E r E r × 100 % 。
式中: E e 和 E r 分别表示某样本城市EPC的估算值和真实值。
(6) R — — = | ∑ E e - ∑ E r | ∑ E r × 100 % ,
式中: R — — 为该区域内的估算结果平均相对误差; ∑ E e 和 ∑ E r 分别为该区域内所有样本城市的EPC估算值和真实值之和。
均方误差是估算结果与真实值平方差的期望值,均方根误差 RMSE 是均方误差的算术平方根,可以评价数据的变化程度, RMSE 越小,说明模型描述样本数据具有更好的精确度。计算公式为:
(7) RMSE = 1 n ∑ ( E e - E r ) 2 。
3 结果与分析
3.1 聚类算法城市分类
城市夜间灯光的亮度分布也携带一些城镇化信息[28 ,29 ] ,统计研究区域灯光亮度值发现,最小亮度值 D N min = 0.497 且约90%以上的像素满足 DN < 40 。因此计算某样本城市的特征值为:
(8) P i = num ( D N ( e - 3 + 0.1 i , e - 2 + 0.1 i ] ) num ( DN > 0 ) , i =0,1,…,84
式中: P i 为样本城市的第 i 个特征值,每个城市拥有 P 0 ~ P 84 共85个特征值; num ( D N ( e - 3 + 0.1 i , e - 2 + 0.1 i ] ) 表示亮度值 DN 在 ( e - 3 + 0.1 i , e - 2 + 0.1 i ] 范围内的像素个数; num ( DN > 0 ) 表示亮度值大于0的像素个数。每个城市的特征值满足 P 0 + P 1 + … + P 84 = 1 。
设聚类中心个数 K =4时,使用以上4种聚类算法对样本进行了10次聚类,其CP和SP指标变化如表3 和图2 所示。综合考虑2个指标及稳定性,选取K-Means聚类算法对城市进行分类。
图2
图2
10次聚类的CP和SP值
Fig.2
CP and SP values of 10 times clustering
选取K-Means聚类算法进行聚类。随着聚类中心个数 K 的增加,计算其聚类方差,即
(9) σ 2 = ∑ x m - w i 2 n 。
图3
图3
聚类中心方差随个数变化
Fig.3
Variance of clustering center varies with the number
图3 中,聚类方差在K =5时有1个拐点,所以设聚类中心个数 K =5,K-Means聚类后聚类中心特征分布如图4 所示。各类别城市的灯光分布特征分析及代表性城市如表4 所示。
图4
图4
聚类中心特征分布
Fig.4
Distribution features of cluster central
3.2 EPC估算结果
估算结果如图5 所示。在地级市尺度上,263个城市的NTL与EPC相关性较高( R 2 =0.795 9)。建立EPC线性估算模型,即
(10) EP C i = 0.003 NT L i + 31.91 ,
图5
图5
城市NTL与EPC的相关关系
Fig.5
Correlation between the city’s NTL and EPC
基于K-Means算法对城市进行分类后,图6 为每一类型城市NTL与EPC的线性相关关系,可以看出,第五类城市的NTL与EPC相关性最高。 R 2 达到了0.924。其次是第一类城市和第四类城市, R 2 分别达到了0.851 6和0.848 1,均高于不分类时的 R 2 (0.795 9)。第二类城市和第三类城市的NTL与EPC相关性较差。建立分类后的EPC线性估算模型,即
(11) EP C i = 0.0033 NT L i + 10.3818 , 第一类城市 0.0029 NT L i + 20.4796 , 第二类城市 0.0038 NT L i + 24.8971 , 第三类城市 0.0032 NT L i + 30.0345 , 第四类城市 0.0029 NT L i + 55.0431 , 第五类城市 。
图6
图6
5类城市的NTL与EPC的相关性
Fig.6
Correlation between NTL and EPC in five types of cities
3.3 与不分类时的估算结果对比
如表5 所示,K-Means分类之后,第五类城市的估算误差最小,29个城市的平均相对误差( R — — ) 为15.22%; 其后依次是第四类、第三类、第一类和第二类城市。所有城市的 R — — 为32.02%,较不分类时减小25百分点。将不分类时的EPC估算结果也按照K-Means算法的城市分类进行分类,可以看到,除第二类城市外,K-Means分类后估算结果的 R — — 较分类之前都有减小。且2种方法获得的第二类城市估算结果 R — — 相差不大。第一类城市和第三类城市的 R — — 在K-Means分类之后分别减小了23.38百分点和12.7百分点。从模拟结果来看,这2类城市中分布在黄土高原等中西部地区的城市相对误差( R ) 有明显下降。
定义某城市估算结果相对误差 R 满足 R ≤ 25 % 为高精度城市, 25 % < R ≤ 50 % 为中精度城市, R > 50 % 为低精度城市,统计不同精度的城市比例。如表6 所示,K-Means分类之后高精度城市占53.99%,较不分类时增加了13.59百分点。中精度和低精度城市比例分别为26.99%和19.01%,较不分类时也有所减小。
(12) D i = R e - R r ,
式中 R e 和 R r 分别为K-Means分类后和不分类时城市 i 的估算结果相对误差,结果见表7 。
如表7 所示,经K-Means分类后,有57.80%的城市 R 较不分类时有所降低( D < 0 ) ,其中,11.79%的城市 R 呈现大幅降低( D ≤ - 0.25 ) ; 46.01%呈现小幅降低( - 0.25 < D < 0 ) 。同理,有34.98%的城市 R 较不分类时呈现小幅增加( 0 < D ≤ 0.25 ) ; 7.22%的城市 R 呈现大幅增加( D > 0.25 ) 。
D > 0.25 的城市包括舟山市、丽水市、宁德市、景德镇市、鹰潭市、汕尾市、云浮市、百色市、广元市、内江市、雅安市、巴中市、毕节市、昭通市、咸阳市、嘉峪关市、张掖市、长治市和齐齐哈尔市。这19个城市的EPC都在40亿KWh以下,属于EPC较少的城市,在估算时有可能是因为受到EPC较大的城市影响而产生了较大误差。如舟山市,因其特殊的岛屿地形,大部分地区均为高亮度灯光,在分类时与上海等城市一起归为第五类城市,其EPC的估算受到上海等EPC较大的城市影响而产生较大误差。
3.4 与传统分类方法的估算结果对比
如表8 所示,对比本文方法与2.2节中提到的其他分类方法分类后的EPC估算结果。以 R — — 为评价指标,所有方法中,最优分类方法是按照人口规模进行划分。K-Means城市分类算法的这一性能仅次于最优方法。以 RMSE 为评价指标,最优分类方法是按照地理分区进行划分。K-Means城市分类算法的这一性能仅次于最优方法和按照人口规模划分时。以估算精度来看,高精度城市占比最高的是K-Means城市分类算法(53.99%)。而从分类前后 R 变化来看, D > 0 ,即 R 减小的城市比例最高的是波士顿矩阵-市辖区GDP比例划分方法(61.21%),而K-Means城市分类算法的这一比例(57.80%)仅次于2种基于波士顿矩阵的分类方法。
4 结论
本研究提出基于灯光结构的K-Means城市分类算法,将城市划分为5类,从第一类到第五类,高亮度灯光逐渐增加,在一定程度上可以理解为城镇化水平更高。
使用该方法分类后进行EPC估算,估算结果的 R — — 为32.02%,较不分类时减小25百分点。高精度城市比例达53.99%,较不分类时增加13.59百分点。有152个城市的估算 R 较不分类时有所降低。其中31个城市降低了0.25百分点以上。而仅有19个EPC过小的城市估算 R 较不分类时提高0.25百分点以上。
与前人已提出的分类方法相比,从估算结果的 R — — 和 RMSE 性能来看,本文方法与其他方法相比有较大优势。与其他方法中的最优方法性能相差不大。从高精度城市比例来看,本文方法为所有方法中最优方法。从分类前后 R 变化来看,本文方法仅次于2种基于波士顿矩阵的分类方法。
与前人方法相比,本文提出的K-Means城市分类算法优点在于,仅依靠灯光本身特征即可进行分类。而不依赖于统计数据。就能获得与前人方法相似甚至更优的估算结果。
本文方法还需改进的地方在于,仅依靠灯光的亮度分布特征进行分类时忽略了灯光的绝对亮度指标,造成如舟山这样的城市因为其特殊的地理环境而被划分到第五类城市。
参考文献
View Option
[1]
肖宏伟 . 基于卫星灯光数据的我国省域电力消费模拟研究
[J]. 中国能源 , 2017 ,39 (1 ):6 -10,14 .
[本文引用: 1]
Xiao H W . Simulation study of provincial electricity consumption based on satellite lighting data
[J]. Energy of China , 2017 ,39 (1 ):6 -10,14 .
[本文引用: 1]
[2]
袁家海 , 丁伟 , 胡兆光 , 等 . 电力消费与中国经济发展的协整与波动分析
[J]. 电网技术 , 2006 ,30 (9 ):10 -14 .
URL
[本文引用: 1]
运用协整理论研究了1978~2003年间中国电力消费与经济增长之间的关系,利用在此期间各产业产值与其用电量之间的协整关系检验结果验证了中国电力消费与国内生产总值(gross domestic product,GDP)增长之间存在着长期协整关系,短期内则存在着从电力消费到GDP增长的单向格兰杰因。最后采用H-P滤波技术分离了GDP与电力消费的趋势成分和周期成分,检验结果表明趋势成分之间及周期成分之间均存在着协整关系,这说明了电力经济的协整关系与经济的周期性波动有关。
Yuan J H , Ding W , Hu Z G , et al . Analysis on cointegration and co-movement of electricity consumption and economic growth in China
[J]. Power System Technology , 2006 ,30 (9 ):10 -14 .
URL
[本文引用: 1]
Based on cointegration theory the relation between electric power consumption and economic growth in China druing the period from 1978 to 2003 is researched. First, using the estimation results of cointegration between output values of all industries and the electrical energy used by them during this period, the long-term cointegration between the real GDP(Gross Domestic Product) and electricity consumption in China is verified; in short-term there is unidirectional Granger causality from electricity consimption to GDP growth while the Granger causality from GDP growth to electricity consumption does not exist. Next the realistic evidence of above-mentioned relation is analyzed and the Granger causality results between the output of a certain department and its electricity consumption properly explain the relation estimated above. Finally the H-P filter is applied to decompose the trend components and the periodic components from the series of GDPs and electricity consumptions, the estimation results show that not only the cointegration exists among the trend components, but also among the periodic components of the two series, it indicates that the cointegration between the electricity consumption and economy is related to the cyclical fluctuation of economy.
[3]
李峰 , 米晓楠 , 刘军 , 等 . 基于NPP-VIIRS夜间灯光数据的北京市GDP空间化方法
[J]. 国土资源遥感 , 2016 ,28 (3 ):19 -24 .doi: 10.6046/gtzyyg.2016.03.04 .
[本文引用: 1]
Li F , Mi X N , Liu J , et al . Spatialization of GDP in Beijing using NPP-VIIRS data
[J]. Remote Sensing for Land and Resources , 2016 ,28 (3 ):19 -24 .doi: 10.6046/gtzyyg.2016.03.04 .
[本文引用: 1]
[4]
沈丹 , 周亮 , 王培安 . 基于夜间灯光数据的六盘山连片特困区贫困度识别
[J]. 国土资源遥感 , 2019 ,31 (2 ):157 -163 .doi: 10.6046/gtzyyg.2019.02.22 .
[本文引用: 1]
Shen D , Zhou L , Wang P A . Identification of poverty based on nighttime light remote sensing data:A case study on contiguous special poverty-stricken areas in Liupan Mountains
[J]. Remote Sensing for Land and Resources , 2019 ,31 (2 ):157 -163 .doi: 10.6046/gtzyyg.2019.02.22 .
[本文引用: 1]
[5]
肖东升 , 杨松 . 基于夜间灯光数据的人口空间分布研究综述
[J]. 国土资源遥感 , 2019 ,31 (3 ):10 -19 .doi: 10.6046/gtzyyg.2019.03.02 .
[本文引用: 1]
Xiao D S , Yang S . A review of population spatial distribution based on nighttime light data
[J]. Remote Sensing for Land and Resources , 2019 ,31 (3 ):10 -19 .doi: 10.6046/gtzyyg.2019.03.02 .
[本文引用: 1]
[6]
He C , Ma Q , Li T , et al . Spatiotemporal dynamics of electric power consumption in Chinese mainland from 1995 to 2008 modeled using DMSP/OLS stable nighttime lights data
[J]. Journal of Geographical Sciences , 2014 ,22 (1 ):125 -136 .
[本文引用: 1]
[7]
Su Y , Chen X , Wang C , et al . A new method for extracting built-up urban areas using DMSP-OLS nighttime stable lights:A case study in the Pearl River Delta,southern China
[J]. Mapping Sciences and Remote Sensing , 2015 ,52 (2 ):218 -238 .
[本文引用: 1]
[8]
Cao X , Wang J , Chen J , et al . Spatialization of electricity consumption of China using saturation-corrected DMSP-OLS data
[J]. International Journal of Applied Earth Observations and Geoinformation , 2014 (28 ):193 -200 .
[本文引用: 1]
[9]
Zhao N , Ghosh T , Samson E L , et al . Mapping spatio-temporal changes of Chinese electric power consumption using night-time imagery
[J]. International Journal of Remote Sensing , 2012 ,33 (20 ):6304 -6320 .
DOI:10.1080/01431161.2012.684076
URL
[本文引用: 1]
[10]
Xie Y , Weng Q . World energy consumption pattern as revealed by DMSP-OLS nighttime light imagery
[J]. GIScience and Remote Sensing , 2016 ,53 (2 ):265 -282 .
[本文引用: 1]
[11]
李通 , 何春阳 , 杨洋 , 等 . 1995—2008年中国大陆电力消费量时空动态
[J]. 地理学报 , 2011 ,66 (10 ):1403 -1412 .
[本文引用: 1]
Li T , He C Y , Yang Y , et al . Understanding electricity consumption changes in Chinese mainland from 1995 to 2008 by using DMSP/OLS stable nighttime light time series data
[J]. Acta Geographica Sinica , 2011 ,66 (10 ):1403 -1412 .
[本文引用: 1]
[12]
施建刚 , 裘丽岚 . 城市群内城市分级方法比较研究——以成都平原城市群为例
[J]. 城市问题 , 2009 ,173 (12 ):19 -22,32 .
[本文引用: 1]
Shi J G , Qiu L L . Comparative study on city classification within urban agglomeration
[J]. Urban Problems , 2009 ,173 (12 ):19 -22,32 .
[本文引用: 1]
[13]
李熙 , 薛翔宇 . 基于波士顿矩阵的夜光遥感电力消费估算方法
[J]. 武汉大学学报(信息科学版) , 2018 ,43 (12 ):1994 -2002 .
[本文引用: 2]
Li X , Xue X Y . Estimation method of nighttime light images’ electric power consumption based on the Boston matrix
[J]. Geomatics and Information Science of Wuhan University , 2018 ,43 (12 ):1994 -2002 .
[本文引用: 2]
[14]
Li S , Cheng L , Liu X , et al . City type-oriented modeling electric power consumption in China using NPP-VIIRS nighttime stable light data
[J]. Energy , 2019 (189 ):116040 .
[本文引用: 1]
[15]
Henderson J , Storeygard A , Weil D . Measuring economic growth from outer space
[J]. American Economic Review , 2012 ,102 (2 ):994 -1028 .
DOI:10.1257/aer.102.2.994
URL
[本文引用: 1]
We develop a statistical framework to use satellite data on night lights to augment official income growth measures. For countries with poor national income accounts, the optimal estimate of growth is a composite with roughly equal weights on conventionally measured growth and growth predicted from lights. Our estimates differ from official data by up to three percentage points annually. Using lights, empirical analyses of growth need no longer use countries as the unit of analysis; we can measure growth for sub- and supranational regions. We show, for example, that coastal areas in sub-Saharan Africa are growing slower than the hinterland. (JEL E01, E23, O11, 047, 057)
[16]
李欣欣 , 王利 , 何飞 . 基于NPP/VIIRS夜间灯光数据和土地利用数据的人口分布图绘制——以大连金普新区为例
[J]. 遥感信息 , 2018 ,33 (4 ):35 -41 .
[本文引用: 1]
Li X X , Wang L , He F . Population distribution map drawing based on NPP/VIIRS nighttime light remote sensing images and land use data:A case study in Jinpu new area
[J]. Remote Sensing Information , 2018 ,33 (4 ):35 -41 .
[本文引用: 1]
[17]
Jing X , Shao X , Cao C , et al . Comparison between the Suomi-NPP day-night band and DMSP-OLS for correlating socio-economic variables at the provincial level in China
[J]. Remote Sensing , 2015 ,8 (1 ):17 .
[本文引用: 1]
[18]
李雪萍 , 贡璐 . DMSP/OLS和VIIRS/DNB夜间灯光影像的校正及拟合
[J]. 测绘通报 , 2019 (7 ):138 -146 .
[本文引用: 1]
Li X P , Gong L . Correction and fitting of night light images of DMSP/OLS and VIIRS/DNB
[J]. Bulletin of Surveying and Mapping , 2019 (7 ):138 -146 .
[本文引用: 1]
[19]
Shi K , Chen Y , Yu B , et al . Modeling spatiotemporal CO2 (carbon dioxide) emission dynamics in China from DMSP-OLS nighttime stable light data using panel data analysis
[J]. Applied Energy , 2016 (168 ):523 -533 .
[本文引用: 1]
[20]
Fan Y , Liu L C , Wu G , et al . Analyzing impact factors of CO2 emissions using the STIRPAT model
[J]. Environmental Impact Assessment Review , 2006 ,26 (4 ):377 -395 .
[本文引用: 1]
[21]
Zhou Y , Clarke L , Eom J , et al . Modeling the effect of climate change on U.S. state-level buildings energy demands in an integrated assessment framework
[J]. Applied Energy , 2014 (113 ):1077 -1088 .
[本文引用: 1]
[22]
Hartigan J A , Wong M A . A K-means clustering algorithm
[J]. Journal of Applied Statistics , 2013 ,28 (1 ):100 -108 .
[本文引用: 1]
[23]
Bansal N , Blum A , Chawla S , et al . Correlation clustering
[J]. Machine Learning , 2004 ,56 (1-3 ):89 -113 .
[本文引用: 1]
[24]
Maddah M , Grimson W E L , Warfield S K . Statistical modeling and EM clustering of white matter fiber tracts
[C]// Proceedings of the 2006 IEEE International Symposium on Biomedical Imaging:From Nano to Macro,Arlington,VA,USA , 2006 :6 -9 .
[本文引用: 1]
[25]
Davies D L , Bouldin D W . A cluster separation measure
[J]. IEEE Transactions Pattern Analysis and Machine Intelligence , 1979 ,PAMI-1(2 ):224 -227 .
[本文引用: 1]
[26]
Calinski T , Harabasz J . A dendrite method for cluster analysis
[J]. Communiccrtionsin Statistics , 1974 ,3 (1 ):1 -27 .
[本文引用: 1]
[27]
Li X , Li D , Xu H , et al . Intercalibration between DMSP/OLS and VIIRS night-time light images to evaluate city light dynamics of Syria’s major human settlement during Syrian Civil War
[J]. International Journal of Remote Sensing , 2017 ,38 (21 ):5934 -5951 .
[本文引用: 1]
[28]
Hu Y , Zhao G , Zhang Q L . Spatial distribution of population data based on nighttime light and LUCC data in the Sichuan-Chongqing region
[J]. Journal of Geo-Information Science , 2018 ,20 (1 ):68 -78 .
[本文引用: 1]
[29]
Su Y , Chen X , Li Y , et al . China’s 19-year city-level carbon emissions of energy consumptions,driving forces and regionalized mitigation guidelines
[J]. Renewable and Sustainable Energy Reviews , 2014 (35 ):231 -243 .
[本文引用: 1]
基于卫星灯光数据的我国省域电力消费模拟研究
1
2017
... 电力消费量(electric power consumption, EPC)是衡量一个地区电力发展情况的重要社会经济参数,它被誉为是经济发展的先行指标[1 ] .快速准确地估算地区EPC,能够为经济发展和能源供需政策制定与调整提供及时地依据与支撑[2 ] . ...
基于卫星灯光数据的我国省域电力消费模拟研究
1
2017
... 电力消费量(electric power consumption, EPC)是衡量一个地区电力发展情况的重要社会经济参数,它被誉为是经济发展的先行指标[1 ] .快速准确地估算地区EPC,能够为经济发展和能源供需政策制定与调整提供及时地依据与支撑[2 ] . ...
电力消费与中国经济发展的协整与波动分析
1
2006
... 电力消费量(electric power consumption, EPC)是衡量一个地区电力发展情况的重要社会经济参数,它被誉为是经济发展的先行指标[1 ] .快速准确地估算地区EPC,能够为经济发展和能源供需政策制定与调整提供及时地依据与支撑[2 ] . ...
电力消费与中国经济发展的协整与波动分析
1
2006
... 电力消费量(electric power consumption, EPC)是衡量一个地区电力发展情况的重要社会经济参数,它被誉为是经济发展的先行指标[1 ] .快速准确地估算地区EPC,能够为经济发展和能源供需政策制定与调整提供及时地依据与支撑[2 ] . ...
基于NPP-VIIRS夜间灯光数据的北京市GDP空间化方法
1
2016
... 美国新一代Suomi对地观测卫星(National Polar-Orbiting Partnership,NPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite, VIIRS)能够记录城市的低强度夜间灯光,可以作为估算城市EPC等社会经济参数的理想数据源[3 ,4 ,5 ] .在不同尺度的EPC估算研究中发现,经济发达地区的估算精度高于经济欠发达地区[6 ,7 ,8 ,9 ] .为减小估算误差,需要考虑到样本地区的发展状况,在估算前对样本城市进行分类. ...
基于NPP-VIIRS夜间灯光数据的北京市GDP空间化方法
1
2016
... 美国新一代Suomi对地观测卫星(National Polar-Orbiting Partnership,NPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite, VIIRS)能够记录城市的低强度夜间灯光,可以作为估算城市EPC等社会经济参数的理想数据源[3 ,4 ,5 ] .在不同尺度的EPC估算研究中发现,经济发达地区的估算精度高于经济欠发达地区[6 ,7 ,8 ,9 ] .为减小估算误差,需要考虑到样本地区的发展状况,在估算前对样本城市进行分类. ...
基于夜间灯光数据的六盘山连片特困区贫困度识别
1
2019
... 美国新一代Suomi对地观测卫星(National Polar-Orbiting Partnership,NPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite, VIIRS)能够记录城市的低强度夜间灯光,可以作为估算城市EPC等社会经济参数的理想数据源[3 ,4 ,5 ] .在不同尺度的EPC估算研究中发现,经济发达地区的估算精度高于经济欠发达地区[6 ,7 ,8 ,9 ] .为减小估算误差,需要考虑到样本地区的发展状况,在估算前对样本城市进行分类. ...
基于夜间灯光数据的六盘山连片特困区贫困度识别
1
2019
... 美国新一代Suomi对地观测卫星(National Polar-Orbiting Partnership,NPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite, VIIRS)能够记录城市的低强度夜间灯光,可以作为估算城市EPC等社会经济参数的理想数据源[3 ,4 ,5 ] .在不同尺度的EPC估算研究中发现,经济发达地区的估算精度高于经济欠发达地区[6 ,7 ,8 ,9 ] .为减小估算误差,需要考虑到样本地区的发展状况,在估算前对样本城市进行分类. ...
基于夜间灯光数据的人口空间分布研究综述
1
2019
... 美国新一代Suomi对地观测卫星(National Polar-Orbiting Partnership,NPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite, VIIRS)能够记录城市的低强度夜间灯光,可以作为估算城市EPC等社会经济参数的理想数据源[3 ,4 ,5 ] .在不同尺度的EPC估算研究中发现,经济发达地区的估算精度高于经济欠发达地区[6 ,7 ,8 ,9 ] .为减小估算误差,需要考虑到样本地区的发展状况,在估算前对样本城市进行分类. ...
基于夜间灯光数据的人口空间分布研究综述
1
2019
... 美国新一代Suomi对地观测卫星(National Polar-Orbiting Partnership,NPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite, VIIRS)能够记录城市的低强度夜间灯光,可以作为估算城市EPC等社会经济参数的理想数据源[3 ,4 ,5 ] .在不同尺度的EPC估算研究中发现,经济发达地区的估算精度高于经济欠发达地区[6 ,7 ,8 ,9 ] .为减小估算误差,需要考虑到样本地区的发展状况,在估算前对样本城市进行分类. ...
Spatiotemporal dynamics of electric power consumption in Chinese mainland from 1995 to 2008 modeled using DMSP/OLS stable nighttime lights data
1
2014
... 美国新一代Suomi对地观测卫星(National Polar-Orbiting Partnership,NPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite, VIIRS)能够记录城市的低强度夜间灯光,可以作为估算城市EPC等社会经济参数的理想数据源[3 ,4 ,5 ] .在不同尺度的EPC估算研究中发现,经济发达地区的估算精度高于经济欠发达地区[6 ,7 ,8 ,9 ] .为减小估算误差,需要考虑到样本地区的发展状况,在估算前对样本城市进行分类. ...
A new method for extracting built-up urban areas using DMSP-OLS nighttime stable lights:A case study in the Pearl River Delta,southern China
1
2015
... 美国新一代Suomi对地观测卫星(National Polar-Orbiting Partnership,NPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite, VIIRS)能够记录城市的低强度夜间灯光,可以作为估算城市EPC等社会经济参数的理想数据源[3 ,4 ,5 ] .在不同尺度的EPC估算研究中发现,经济发达地区的估算精度高于经济欠发达地区[6 ,7 ,8 ,9 ] .为减小估算误差,需要考虑到样本地区的发展状况,在估算前对样本城市进行分类. ...
Spatialization of electricity consumption of China using saturation-corrected DMSP-OLS data
1
2014
... 美国新一代Suomi对地观测卫星(National Polar-Orbiting Partnership,NPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite, VIIRS)能够记录城市的低强度夜间灯光,可以作为估算城市EPC等社会经济参数的理想数据源[3 ,4 ,5 ] .在不同尺度的EPC估算研究中发现,经济发达地区的估算精度高于经济欠发达地区[6 ,7 ,8 ,9 ] .为减小估算误差,需要考虑到样本地区的发展状况,在估算前对样本城市进行分类. ...
Mapping spatio-temporal changes of Chinese electric power consumption using night-time imagery
1
2012
... 美国新一代Suomi对地观测卫星(National Polar-Orbiting Partnership,NPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite, VIIRS)能够记录城市的低强度夜间灯光,可以作为估算城市EPC等社会经济参数的理想数据源[3 ,4 ,5 ] .在不同尺度的EPC估算研究中发现,经济发达地区的估算精度高于经济欠发达地区[6 ,7 ,8 ,9 ] .为减小估算误差,需要考虑到样本地区的发展状况,在估算前对样本城市进行分类. ...
World energy consumption pattern as revealed by DMSP-OLS nighttime light imagery
1
2016
... Xie等[10 ] 在估算国家EPC的研究中,将样本国家按地理位置划分为7个区域,并建立EPC对数估算模型,发现除中东和非洲地区,其他区域的估算模型 R 2 较不分类时的模型 R 2 提高了4%以上; 李通等[11 ] 在进行中国城市的EPC估算时,按照经济分区将样本划分为东部、中部和西部城市,估算结果显示,除西藏拉萨市以外的30个省会城市(含直辖市)的平均相对误差为33.49%.除传统分类方法之外,施建刚等[12 ] 提出波士顿矩阵法,可以同时考虑相对指标与绝对指标,能客观地反映城市周边大环境与城市发展水平; 李熙等[13 ] 基于波士顿矩阵,采用相对城镇人口比例和城镇人口比例增长率将城市划分为4种类型,其EPC估算结果的平均相对误差为34.04%,较不分类时减小18.3百分点; Li等[14 ] 基于分部门就业数据,使用聚类分析将中国城市按功能分为“服务型城市”、“工业型城市”和“技术及教育型城市”,分类后的估算模型 R 2 较不分类时提高6.4%. ...
1995—2008年中国大陆电力消费量时空动态
1
2011
... Xie等[10 ] 在估算国家EPC的研究中,将样本国家按地理位置划分为7个区域,并建立EPC对数估算模型,发现除中东和非洲地区,其他区域的估算模型 R 2 较不分类时的模型 R 2 提高了4%以上; 李通等[11 ] 在进行中国城市的EPC估算时,按照经济分区将样本划分为东部、中部和西部城市,估算结果显示,除西藏拉萨市以外的30个省会城市(含直辖市)的平均相对误差为33.49%.除传统分类方法之外,施建刚等[12 ] 提出波士顿矩阵法,可以同时考虑相对指标与绝对指标,能客观地反映城市周边大环境与城市发展水平; 李熙等[13 ] 基于波士顿矩阵,采用相对城镇人口比例和城镇人口比例增长率将城市划分为4种类型,其EPC估算结果的平均相对误差为34.04%,较不分类时减小18.3百分点; Li等[14 ] 基于分部门就业数据,使用聚类分析将中国城市按功能分为“服务型城市”、“工业型城市”和“技术及教育型城市”,分类后的估算模型 R 2 较不分类时提高6.4%. ...
1995—2008年中国大陆电力消费量时空动态
1
2011
... Xie等[10 ] 在估算国家EPC的研究中,将样本国家按地理位置划分为7个区域,并建立EPC对数估算模型,发现除中东和非洲地区,其他区域的估算模型 R 2 较不分类时的模型 R 2 提高了4%以上; 李通等[11 ] 在进行中国城市的EPC估算时,按照经济分区将样本划分为东部、中部和西部城市,估算结果显示,除西藏拉萨市以外的30个省会城市(含直辖市)的平均相对误差为33.49%.除传统分类方法之外,施建刚等[12 ] 提出波士顿矩阵法,可以同时考虑相对指标与绝对指标,能客观地反映城市周边大环境与城市发展水平; 李熙等[13 ] 基于波士顿矩阵,采用相对城镇人口比例和城镇人口比例增长率将城市划分为4种类型,其EPC估算结果的平均相对误差为34.04%,较不分类时减小18.3百分点; Li等[14 ] 基于分部门就业数据,使用聚类分析将中国城市按功能分为“服务型城市”、“工业型城市”和“技术及教育型城市”,分类后的估算模型 R 2 较不分类时提高6.4%. ...
城市群内城市分级方法比较研究——以成都平原城市群为例
1
2009
... Xie等[10 ] 在估算国家EPC的研究中,将样本国家按地理位置划分为7个区域,并建立EPC对数估算模型,发现除中东和非洲地区,其他区域的估算模型 R 2 较不分类时的模型 R 2 提高了4%以上; 李通等[11 ] 在进行中国城市的EPC估算时,按照经济分区将样本划分为东部、中部和西部城市,估算结果显示,除西藏拉萨市以外的30个省会城市(含直辖市)的平均相对误差为33.49%.除传统分类方法之外,施建刚等[12 ] 提出波士顿矩阵法,可以同时考虑相对指标与绝对指标,能客观地反映城市周边大环境与城市发展水平; 李熙等[13 ] 基于波士顿矩阵,采用相对城镇人口比例和城镇人口比例增长率将城市划分为4种类型,其EPC估算结果的平均相对误差为34.04%,较不分类时减小18.3百分点; Li等[14 ] 基于分部门就业数据,使用聚类分析将中国城市按功能分为“服务型城市”、“工业型城市”和“技术及教育型城市”,分类后的估算模型 R 2 较不分类时提高6.4%. ...
城市群内城市分级方法比较研究——以成都平原城市群为例
1
2009
... Xie等[10 ] 在估算国家EPC的研究中,将样本国家按地理位置划分为7个区域,并建立EPC对数估算模型,发现除中东和非洲地区,其他区域的估算模型 R 2 较不分类时的模型 R 2 提高了4%以上; 李通等[11 ] 在进行中国城市的EPC估算时,按照经济分区将样本划分为东部、中部和西部城市,估算结果显示,除西藏拉萨市以外的30个省会城市(含直辖市)的平均相对误差为33.49%.除传统分类方法之外,施建刚等[12 ] 提出波士顿矩阵法,可以同时考虑相对指标与绝对指标,能客观地反映城市周边大环境与城市发展水平; 李熙等[13 ] 基于波士顿矩阵,采用相对城镇人口比例和城镇人口比例增长率将城市划分为4种类型,其EPC估算结果的平均相对误差为34.04%,较不分类时减小18.3百分点; Li等[14 ] 基于分部门就业数据,使用聚类分析将中国城市按功能分为“服务型城市”、“工业型城市”和“技术及教育型城市”,分类后的估算模型 R 2 较不分类时提高6.4%. ...
基于波士顿矩阵的夜光遥感电力消费估算方法
2
2018
... Xie等[10 ] 在估算国家EPC的研究中,将样本国家按地理位置划分为7个区域,并建立EPC对数估算模型,发现除中东和非洲地区,其他区域的估算模型 R 2 较不分类时的模型 R 2 提高了4%以上; 李通等[11 ] 在进行中国城市的EPC估算时,按照经济分区将样本划分为东部、中部和西部城市,估算结果显示,除西藏拉萨市以外的30个省会城市(含直辖市)的平均相对误差为33.49%.除传统分类方法之外,施建刚等[12 ] 提出波士顿矩阵法,可以同时考虑相对指标与绝对指标,能客观地反映城市周边大环境与城市发展水平; 李熙等[13 ] 基于波士顿矩阵,采用相对城镇人口比例和城镇人口比例增长率将城市划分为4种类型,其EPC估算结果的平均相对误差为34.04%,较不分类时减小18.3百分点; Li等[14 ] 基于分部门就业数据,使用聚类分析将中国城市按功能分为“服务型城市”、“工业型城市”和“技术及教育型城市”,分类后的估算模型 R 2 较不分类时提高6.4%. ...
... 波士顿矩阵(图1 )是统计学和经济学中常用的分类方法.李熙等[13 ] 的研究中,采用“城镇人口增长率”和“相对城镇人口比例”分别作为“绝对指标”和“相对指标”,构建波士顿矩阵,将城市分为4类进行讨论.但常住城镇人口比例这一参数并未有全国统一的官方统计数据.且城市的EPC与城市的人口、经济和产业结构等都有一定联系[20 ,21 ] .因此,我们提出以“市辖区人口”、“市辖区GDP”和“市辖区第三产业GDP”来代替“城镇人口”构建波士顿矩阵.分类后每一类的城市个数如表2 所示. ...
基于波士顿矩阵的夜光遥感电力消费估算方法
2
2018
... Xie等[10 ] 在估算国家EPC的研究中,将样本国家按地理位置划分为7个区域,并建立EPC对数估算模型,发现除中东和非洲地区,其他区域的估算模型 R 2 较不分类时的模型 R 2 提高了4%以上; 李通等[11 ] 在进行中国城市的EPC估算时,按照经济分区将样本划分为东部、中部和西部城市,估算结果显示,除西藏拉萨市以外的30个省会城市(含直辖市)的平均相对误差为33.49%.除传统分类方法之外,施建刚等[12 ] 提出波士顿矩阵法,可以同时考虑相对指标与绝对指标,能客观地反映城市周边大环境与城市发展水平; 李熙等[13 ] 基于波士顿矩阵,采用相对城镇人口比例和城镇人口比例增长率将城市划分为4种类型,其EPC估算结果的平均相对误差为34.04%,较不分类时减小18.3百分点; Li等[14 ] 基于分部门就业数据,使用聚类分析将中国城市按功能分为“服务型城市”、“工业型城市”和“技术及教育型城市”,分类后的估算模型 R 2 较不分类时提高6.4%. ...
... 波士顿矩阵(图1 )是统计学和经济学中常用的分类方法.李熙等[13 ] 的研究中,采用“城镇人口增长率”和“相对城镇人口比例”分别作为“绝对指标”和“相对指标”,构建波士顿矩阵,将城市分为4类进行讨论.但常住城镇人口比例这一参数并未有全国统一的官方统计数据.且城市的EPC与城市的人口、经济和产业结构等都有一定联系[20 ,21 ] .因此,我们提出以“市辖区人口”、“市辖区GDP”和“市辖区第三产业GDP”来代替“城镇人口”构建波士顿矩阵.分类后每一类的城市个数如表2 所示. ...
City type-oriented modeling electric power consumption in China using NPP-VIIRS nighttime stable light data
1
2019
... Xie等[10 ] 在估算国家EPC的研究中,将样本国家按地理位置划分为7个区域,并建立EPC对数估算模型,发现除中东和非洲地区,其他区域的估算模型 R 2 较不分类时的模型 R 2 提高了4%以上; 李通等[11 ] 在进行中国城市的EPC估算时,按照经济分区将样本划分为东部、中部和西部城市,估算结果显示,除西藏拉萨市以外的30个省会城市(含直辖市)的平均相对误差为33.49%.除传统分类方法之外,施建刚等[12 ] 提出波士顿矩阵法,可以同时考虑相对指标与绝对指标,能客观地反映城市周边大环境与城市发展水平; 李熙等[13 ] 基于波士顿矩阵,采用相对城镇人口比例和城镇人口比例增长率将城市划分为4种类型,其EPC估算结果的平均相对误差为34.04%,较不分类时减小18.3百分点; Li等[14 ] 基于分部门就业数据,使用聚类分析将中国城市按功能分为“服务型城市”、“工业型城市”和“技术及教育型城市”,分类后的估算模型 R 2 较不分类时提高6.4%. ...
Measuring economic growth from outer space
1
2012
... NOAA官网提供了2015年的NPP-VIIRS年度夜间灯光影像,该影像去除了月度数据中的背景噪声.在没有夜间灯光的地方,像素值为0.且不存在饱和现象[15 ,16 ] .但仍有一些异常值点需要校正[17 ] .参考李雪萍等[18 ] 、Shi等[19 ] 的研究,假设中国大陆地区最大亮度出现在北京、上海和广州3个城市.计算北京、上海、广州地区的最大亮度值 D N max = 264.468 ,如果有 DN > D N max ,将其置为 D N max . ...
基于NPP/VIIRS夜间灯光数据和土地利用数据的人口分布图绘制——以大连金普新区为例
1
2018
... NOAA官网提供了2015年的NPP-VIIRS年度夜间灯光影像,该影像去除了月度数据中的背景噪声.在没有夜间灯光的地方,像素值为0.且不存在饱和现象[15 ,16 ] .但仍有一些异常值点需要校正[17 ] .参考李雪萍等[18 ] 、Shi等[19 ] 的研究,假设中国大陆地区最大亮度出现在北京、上海和广州3个城市.计算北京、上海、广州地区的最大亮度值 D N max = 264.468 ,如果有 DN > D N max ,将其置为 D N max . ...
基于NPP/VIIRS夜间灯光数据和土地利用数据的人口分布图绘制——以大连金普新区为例
1
2018
... NOAA官网提供了2015年的NPP-VIIRS年度夜间灯光影像,该影像去除了月度数据中的背景噪声.在没有夜间灯光的地方,像素值为0.且不存在饱和现象[15 ,16 ] .但仍有一些异常值点需要校正[17 ] .参考李雪萍等[18 ] 、Shi等[19 ] 的研究,假设中国大陆地区最大亮度出现在北京、上海和广州3个城市.计算北京、上海、广州地区的最大亮度值 D N max = 264.468 ,如果有 DN > D N max ,将其置为 D N max . ...
Comparison between the Suomi-NPP day-night band and DMSP-OLS for correlating socio-economic variables at the provincial level in China
1
2015
... NOAA官网提供了2015年的NPP-VIIRS年度夜间灯光影像,该影像去除了月度数据中的背景噪声.在没有夜间灯光的地方,像素值为0.且不存在饱和现象[15 ,16 ] .但仍有一些异常值点需要校正[17 ] .参考李雪萍等[18 ] 、Shi等[19 ] 的研究,假设中国大陆地区最大亮度出现在北京、上海和广州3个城市.计算北京、上海、广州地区的最大亮度值 D N max = 264.468 ,如果有 DN > D N max ,将其置为 D N max . ...
DMSP/OLS和VIIRS/DNB夜间灯光影像的校正及拟合
1
2019
... NOAA官网提供了2015年的NPP-VIIRS年度夜间灯光影像,该影像去除了月度数据中的背景噪声.在没有夜间灯光的地方,像素值为0.且不存在饱和现象[15 ,16 ] .但仍有一些异常值点需要校正[17 ] .参考李雪萍等[18 ] 、Shi等[19 ] 的研究,假设中国大陆地区最大亮度出现在北京、上海和广州3个城市.计算北京、上海、广州地区的最大亮度值 D N max = 264.468 ,如果有 DN > D N max ,将其置为 D N max . ...
DMSP/OLS和VIIRS/DNB夜间灯光影像的校正及拟合
1
2019
... NOAA官网提供了2015年的NPP-VIIRS年度夜间灯光影像,该影像去除了月度数据中的背景噪声.在没有夜间灯光的地方,像素值为0.且不存在饱和现象[15 ,16 ] .但仍有一些异常值点需要校正[17 ] .参考李雪萍等[18 ] 、Shi等[19 ] 的研究,假设中国大陆地区最大亮度出现在北京、上海和广州3个城市.计算北京、上海、广州地区的最大亮度值 D N max = 264.468 ,如果有 DN > D N max ,将其置为 D N max . ...
Modeling spatiotemporal CO2 (carbon dioxide) emission dynamics in China from DMSP-OLS nighttime stable light data using panel data analysis
1
2016
... NOAA官网提供了2015年的NPP-VIIRS年度夜间灯光影像,该影像去除了月度数据中的背景噪声.在没有夜间灯光的地方,像素值为0.且不存在饱和现象[15 ,16 ] .但仍有一些异常值点需要校正[17 ] .参考李雪萍等[18 ] 、Shi等[19 ] 的研究,假设中国大陆地区最大亮度出现在北京、上海和广州3个城市.计算北京、上海、广州地区的最大亮度值 D N max = 264.468 ,如果有 DN > D N max ,将其置为 D N max . ...
Analyzing impact factors of CO2 emissions using the STIRPAT model
1
2006
... 波士顿矩阵(图1 )是统计学和经济学中常用的分类方法.李熙等[13 ] 的研究中,采用“城镇人口增长率”和“相对城镇人口比例”分别作为“绝对指标”和“相对指标”,构建波士顿矩阵,将城市分为4类进行讨论.但常住城镇人口比例这一参数并未有全国统一的官方统计数据.且城市的EPC与城市的人口、经济和产业结构等都有一定联系[20 ,21 ] .因此,我们提出以“市辖区人口”、“市辖区GDP”和“市辖区第三产业GDP”来代替“城镇人口”构建波士顿矩阵.分类后每一类的城市个数如表2 所示. ...
Modeling the effect of climate change on U.S. state-level buildings energy demands in an integrated assessment framework
1
2014
... 波士顿矩阵(图1 )是统计学和经济学中常用的分类方法.李熙等[13 ] 的研究中,采用“城镇人口增长率”和“相对城镇人口比例”分别作为“绝对指标”和“相对指标”,构建波士顿矩阵,将城市分为4类进行讨论.但常住城镇人口比例这一参数并未有全国统一的官方统计数据.且城市的EPC与城市的人口、经济和产业结构等都有一定联系[20 ,21 ] .因此,我们提出以“市辖区人口”、“市辖区GDP”和“市辖区第三产业GDP”来代替“城镇人口”构建波士顿矩阵.分类后每一类的城市个数如表2 所示. ...
A K-means clustering algorithm
1
2013
... 机器学习中常用聚类算法有K均值聚类(K-Means)[22 ] 、K中心点聚类(K-Medois)、模糊C均值聚类(FCM)和高斯混合聚类(GMM)几种[23 ] .K-Means算法是最常用的聚类算法之一,其算法简单、收敛速度快.K-Medois与K-Means的不同之处在于其选用类中位置居于最中心的对象来作为下一次迭代的新聚类中心.FCM算法采用模糊划分,使得每个数据点用[0,1]区间的隶属度来确定其属于各个类的程度.GMM算法采用概率模型对原型进行刻画,在每个维度用均值和标准差来描述簇的形状[24 ] . ...
Correlation clustering
1
2004
... 机器学习中常用聚类算法有K均值聚类(K-Means)[22 ] 、K中心点聚类(K-Medois)、模糊C均值聚类(FCM)和高斯混合聚类(GMM)几种[23 ] .K-Means算法是最常用的聚类算法之一,其算法简单、收敛速度快.K-Medois与K-Means的不同之处在于其选用类中位置居于最中心的对象来作为下一次迭代的新聚类中心.FCM算法采用模糊划分,使得每个数据点用[0,1]区间的隶属度来确定其属于各个类的程度.GMM算法采用概率模型对原型进行刻画,在每个维度用均值和标准差来描述簇的形状[24 ] . ...
Statistical modeling and EM clustering of white matter fiber tracts
1
2006
... 机器学习中常用聚类算法有K均值聚类(K-Means)[22 ] 、K中心点聚类(K-Medois)、模糊C均值聚类(FCM)和高斯混合聚类(GMM)几种[23 ] .K-Means算法是最常用的聚类算法之一,其算法简单、收敛速度快.K-Medois与K-Means的不同之处在于其选用类中位置居于最中心的对象来作为下一次迭代的新聚类中心.FCM算法采用模糊划分,使得每个数据点用[0,1]区间的隶属度来确定其属于各个类的程度.GMM算法采用概率模型对原型进行刻画,在每个维度用均值和标准差来描述簇的形状[24 ] . ...
A cluster separation measure
1
1979
... 通常使用紧密性(compactness,CP)和分离性(separation,SP)来评价以上几种分类方法.前者描述各点到聚类中心的平均距离,越小说明同一类别紧密度越高,效果越好[25 ] ; 后者描述各聚类中心两两之间的平均距离,越大说明不同类间隔性越高,效果越好[26 ] .2种指标的计算方法分别为: ...
A dendrite method for cluster analysis
1
1974
... 通常使用紧密性(compactness,CP)和分离性(separation,SP)来评价以上几种分类方法.前者描述各点到聚类中心的平均距离,越小说明同一类别紧密度越高,效果越好[25 ] ; 后者描述各聚类中心两两之间的平均距离,越大说明不同类间隔性越高,效果越好[26 ] .2种指标的计算方法分别为: ...
Intercalibration between DMSP/OLS and VIIRS night-time light images to evaluate city light dynamics of Syria’s major human settlement during Syrian Civil War
1
2017
... 采用相对误差、均方根误差来评估估算结果[27 ] .相对误差指测量的绝对误差与被测量的真值之比,某个样本城市的估算结果相对误差 R 计算公式为: ...
Spatial distribution of population data based on nighttime light and LUCC data in the Sichuan-Chongqing region
1
2018
... 城市夜间灯光的亮度分布也携带一些城镇化信息[28 ,29 ] ,统计研究区域灯光亮度值发现,最小亮度值 D N min = 0.497 且约90%以上的像素满足 DN < 40 . 因此计算某样本城市的特征值为: ...
China’s 19-year city-level carbon emissions of energy consumptions,driving forces and regionalized mitigation guidelines
1
2014
... 城市夜间灯光的亮度分布也携带一些城镇化信息[28 ,29 ] ,统计研究区域灯光亮度值发现,最小亮度值 D N min = 0.497 且约90%以上的像素满足 DN < 40 . 因此计算某样本城市的特征值为: ...