Использование геопространственной информации из нескольких источников для уменьшения проблемы насыщения данных о ночном освещении DMSP/OLS

Аннотация: Данные DMSP/OLS о ночном освещении (NTL) показывают пространственное распределение и интенсивность искусственного освещения, отраженного от поверхности Земли в ночное время и стали новым инструментом для исследований в области урбанизации, в том числе для мониторинга расширения городов, оценки социально-экономической жизнеспособности и т.д. и оценки энергопотребления и населения. Однако из-за несовершенной конструкции датчика DMSP/OLS динамический диапазон цифрового числа (DN) NTL ограничен (0, 63), что приводит к значительной проблеме насыщения при описании фактической интенсивности света, особенно в плотных городских районах с высокой интенсивностью света. Эта проблема насыщения маскирует пространственные различия в интенсивности света и ослабляет надежность данных DMSP/OLS NTL. Таким образом, в этом исследовании предлагается новый индикатор десатурации, который сочетает в себе NDBI и POI, индекс ночного освещения с поправкой на плотность зданий и POI (BPANTLI), для регулирования проблемы насыщения DMSP / OLS NTL на основе пространственных характеристик городских структур и интенсивности человеческой деятельности. Предлагаемый метод применим к трем городским агломерациям с наиболее серьезными проблемами светонасыщения в Китае. Модель географического детектора в первую очередь используется для количественной оценки эффективности NDBI и POI в отражении разницы в распределении интенсивности света из области насыщения потенциала NTL (значение NTL DN (53, 63)) и области ненасыщенности NTL (значение NTL DN (0, 52)), чтобы прояснить возможность разработки BPANTLI. Применимость BPANTLI подтверждается тремя аспектами: сравнением десатурационной способности и производительности определения интенсивности света; проверкой согласованности BPANTLI с радиометрическим калибровочным ночным световым продуктом (RCNTL) и данными NPP/VIIRS; и оценка точности BPANTLI при оценке социально-экономические параметры (ВВП, потребление электроэнергии, плотность населения). Результаты показывают, что BPANTLI обладает превосходными возможностями в регулировании проблемы насыщения NTL, достигая хороших характеристик в различении внутригородских структур. Регулируемые результаты показывают значительно улучшенное соответствие с данными RCNTL и NPP/VIIRS, обеспечивая более реалистичную картину распределения интенсивности света. Стоит отметить, что, учитывая преимущества векторных данных NDBI и POI в пространственном решении, BPANTLI, установленные в этом исследовании, могут преодолеть ограничение пространственного разрешения данных ночного освещения DMSP/OLS и добиться динамического преобразования пространственного разрешения. Результаты десатурации с более высоким пространственным разрешением позволяют лучше охарактеризовать распределение интенсивности света. Кроме того, интенсивность света, регулируемая BPANTLI, значительно повышает точность оценки потребления электроэнергии, ВВП и плотности населения, что является ценным ориентиром для оценки социально-экономической активности в городах. Таким образом, БПАНТЛИ, предложенный в данном исследовании, можно рассматривать как разумный метод десатурации с высокой прикладной ценностью.



Ключевые слова: Оборонная метеорологическая спутниковая программа/Оперативная система линейного сканирования (DMSP/OLS); данные о ночном освещении (NTL); проблема насыщения; NDBI; POI


1. Введение



В последние десятилетия быстрое расширение городских агломераций стало широко распространенным пространственным явлением в глобальной урбанизации. Система DMSP/OLS(DMSP/OLS) может обнаруживать видимый свет в ночное время, что может интуитивно отражать структурные детали и пространственное распределение городских районов, коридоры движения и даже интенсивность человеческой деятельности [1–5]. Эти данные ночного освещения (NTL) регистрируют пространственное распределение и интенсивность искусственного освещения от поверхности Земли в ночное время и широко и эффективно используются в исследованиях урбанизации, включая оценку уровня урбанизации [6,7], мониторинг расширения городов [8,9] и оценку энергопотребления [10–12], валового внутреннего продукта [13–15], и население [16,17].

Несмотря на то, что новое поколение данных NPP/VIIRS DNB имеет лучшие показатели пространственного разрешения и соотношения калибров излучения NTL [18–21], набор данных DMSP/OLS NTL стал наиболее широко используемым и незаменимым продуктом NTL благодаря его долгосрочному историческому мониторингу. Однако из-за несовершенной конструкции датчика DMSP/OLS динамический диапазон цифрового числа (DN) NTL ограничен 0–63. Этот низкий динамический диапазон приводит к проблеме насыщения данных NTL при описании фактической интенсивности поверхностного света, особенно в плотных городских районах с высокой интенсивностью света. То есть значение DN увеличивается до определенного предела и больше не продолжает расти с увеличением интенсивности света, что ограничивает диапазон измерения яркости. Это означает, что интенсивность света, выраженная значением DN, намного ниже фактического значения, особенно в городских районах, где интенсивность света относительно высока [22–24]. Такие проблемы насыщения не только приводят к недооценке фактической интенсивности света, но и ограничивают описание внутригородских вариаций интенсивности света. Этот недостаток, несомненно, снижает точность применения данных NTL. Таким образом, эффективное преодоление проблемы насыщения данными DMSP/OLS NTL стало одним из актуальных фокусов исследований.

В настоящее время подход к облегчению проблемы насыщения данных DMSP/OLS NTL можно свести к трем аспектам: метод статистической экстраполяции, метод радиометрической калибровки и метод коррекции на основе индикаторов [25–29]. Первый метод в основном основан на данных временных рядов NTL для перекрестной калибровки или предполагает последовательный пространственный тренд или распределение гистограммы значения DN в насыщенных и ненасыщенных областях. Например, Cao et al. [30] использовали инвариантные целевые области для выполнения взаимной коррекции данных DMSP/OLS NTL. Letu et al. [31] разработали метод кубической регрессии для коррекции проблемы насыщения на основе пространственной картины распределения стабильного света. Несмотря на то, что этот метод теоретически обоснован и обладает высокой точностью, датчик OLS не оснащен бортовой системой калибровки (аппаратура с низким коэффициентом усиления) для метода радиометрического калибра. Поэтому трудно откалибровать данные NTL с использованием метода радиационной калибровки. В настоящее время только Национальный центр геофизических данных (NGDC) выпустил некоторые продукты NTL для радиометрической калибровки с учетом времени (RCNTL). В связи с этим Letu et al. [32] построили линейную регрессию между продуктами радиационной калибровки NTL 1996–1997 гг. и ненасыщенной частью данных NTL 1999 г., таким образом, вычислив интенсивность света в области насыщения данных NTL 1999 г. Однако этот метод предполагает, что фактическое значение DN насыщенных пикселей практически не изменилось в течение 1996–1999 годов. Это предположение может быть применимо в высокоразвитых странах, но его трудно гарантировать для регионов с быстрым прогрессом урбанизации (например, в Китае). Что касается метода коррекции на основе индикаторов, то ранее были разработаны корректирующие индикаторы на основе растительности (HSI, VANUI, EANTLI, LERNCI), основанные на отрицательной корреляции между численностью растительности и деятельностью человека [33–37]. Эти методы показывают, что места с низким растительным покрытием, такие как городские центры, как правило, имеют более сильную социально-экономическую жизнеспособность и, следовательно, имеют большую интенсивность NTL. В частности, вегетационные индексы (NDVI, EVI) используются для разработки корректирующих индикаторов на основе растительности и впоследствии используются для установления взаимосвязи с интенсивностью света, чтобы исправить проблему насыщения. Например, Lu et al. [33] и Zhang et al. [34] оба использовали NDVI для разработки индекса населенных пунктов (HSI) и городского индекса NTL с поправкой на растительность (VANUI) для регулирования проблемы насыщения, и результаты показали, что интенсивность света в насыщенном районе города была хорошо скорректирована.

По сравнению с NDVI повышенный вегетационный индекс (EVI) имеет преимущество, заключающееся в преодолении насыщения NDVI и ослаблении влияния почвенного фона и атмосферы на NDVI. Поэтому Zhuo et al. [35] предложили Улучшенный индекс растительности - Скорректированный индекс освещенности в ночное время (EANTLI) на основе EVI, чтобы смягчить проблему сатурации. Их результаты показывают, что EANTLI способен снижать насыщение NTL и значительно увеличивает пространственную неоднородность в насыщенных областях, эффективно решая проблему насыщения NTL. Чтобы преодолеть недостаточность одного индекса (NDVI, EVI) для построения индикаторов десатурации, Liu et al. [37] вводят температуру поверхности земли (LST) на основе вегетационного индекса для построения индекса города NTL, регулируемого LST и EVI (LERNCI), который обеспечивает хорошие показатели в снижении и регулировании явления насыщения NTL. В дополнение к индикаторам, основанным на растительности, Zheng et al. [38] использовали данные социального зондирования для разработки индекса NTL с поправкой на векторные данные (VDANTLI) для смягчения явления насыщения. Несмотря на то, что этот метод обеспечивает удовлетворительный поправочный эффект, данные социального зондирования обычно спорадически распространяются в городских пригородах, что создает проблему для глобальной коррекции.

Фактически, для индикаторного метода коррекции коррекционный эффект задачи насыщения NTL неразрывно связан с показателями коррекции. Общепризнано, что интенсивность света тесно связана с уровнем урбанизации и социально-экономической активностью. Например, интенсивность света в центральных городских деловых районах с высокой интенсивностью социально-экономической деятельности, несомненно, намного выше, чем в пригородах и сельской местности. Однако установлено, что большинство текущих коррекционных показателей разрабатываются на основе вегетационных индексов (NDVI, EVI). Хотя в большинстве случаев эти вегетационные показатели смягчают проблему насыщения данными NTL, обоснованность предположения об отрицательной корреляции между растительным покровом и деятельностью человека остается весьма проблематичной, особенно для городов, где урбанизация в меньшей степени согласуется с распределением зеленых насаждений. Во-первых, обилие растительности является лишь косвенным отражением уровня урбанизации и не может в полной мере отражать региональную социальную и экономическую жизнеспособность. Например, растительный покров водоемов или голых земель относительно низок, но это не означает, что социально-экономическая активность или уровень урбанизации в этих районах высоки. На самом деле, интенсивность света рек и озер намного менее,чем в городских центрах. Следовательно, это может привести к завышению интенсивности света в водоемах и на голой земле. Более того, значения EVI для водных объектов близки к нулю, что приводит к аномально высоким значениям EANTLI, а это в свою очередь приводит к несоответствию действительности. Во-вторых, с постоянным улучшением качества населенных пунктов растительный покров городских центров постепенно увеличивается. Это означает, что темпы урбанизации могут не соответствовать распределению растительности. Следовательно, мы не можем просто предположить, что там, где растительный покров высок, интенсивность света обязательно низкая. В-третьих, разница в растительном покрове в центральных городских районах не очевидна, особенно для быстро урбанизирующихся городов. Несмотря на то, что в настоящее время доступны мелкомасштабные продукты для покрытия городских зеленых насаждений [39], в большинстве предыдущих усилий использовались только NDVI или EVI, полученные из продуктов MOD13A3. Использование растительного покрова с низкой пространственной неоднородностью для регулирования проблемы насыщенных ионов может не иметь возможности очертить пространственное распределение NTL. Кроме того, для городов с быстрой урбанизацией разница в растительном покрове в центральных городских районах не очевидна. Все эти интерференционные факторы делают невозможным достижение удовлетворительной производительности в регулировании изображений насыщения NTL.

Учитывая вышеуказанные недостатки, данная статья направлена на разработку более надежного и эффективного индикатора десатурации для адекватного решения проблемы насыщения NTL. Учитывая, что NTL в значительной степени согласуется с деятельностью человека, мы попытались предложить новый индикатор насыщения для регулирования проблемы светонасыщения с точки зрения городской застройки и интенсивности социально-экономической деятельности. Во-первых, нормализованный разностный индекс застройки (NDBI) — это индекс дистанционного зондирования, который позволяет быстро и точно извлекать городские застроенные территории и широко используется в урбанистике [40–45]. Кроме того, значение NDBI положительно коррелирует с интенсивностью света, что позволяет избежать ошибок, вызванных низким значением вегетационного индекса в водоемах и голых землях. Во-вторых, это исследование дальше принимает точку интереса (POI), новый тип данных службы на основе местоположения, чтобы охарактеризовать интенсивность социально-экономической деятельности. POI относится к точечным данным, которые фиксируют пространственное местоположение и атрибутивную информацию географических объектов, таких как торговые центры, рестораны, магазины, супермаркеты, школы, больницы, парки и государственные учреждения [46–48]. Пространственная структура распределения и плотность POI могут интуитивно отражать распределение различных городских объектов и характеристики социального поведения. Теоретически регионы с более активной социально-экономической интенсивностью также имеют более высокую плотность POI. Например, плотность POI в городских центрах (CBD) будет намного больше, чем в пригородных или сельских районах. Кроме того, в некоторых крайних случаях, таких как заброшенные города, где интенсивность NTL очень низкая (без участия человека), несмотря на высокую привлекательность городских застроенных территорий, плотность POI может эффективно избежать этой ошибки завышения.

Основываясь на вышеупомянутой идее, в этом исследовании представлен новый индикатор десатурации, который сочетает в себе NDBI и POI, а именно индекс освещенности Nighttime с поправкой на плотность зданий и POI(BPANTLI), для регулирования проблемы насыщения NTL и более надежного и эффективного определения пространственных различий в интенсивности света. Кроме того, для верификации работоспособности BPANTLI мы сравнили его с другими поправочными показателями (HSI, VANUI, EANTLI), данными радиометрической калибровки NTL, NPP/VIIRS, а также определили точность оценки социально-экономических факторов (потребление электроэнергии, ВВП, плотность населения). Три крупные городские агломерации в Китае с наиболее серьезными проблемами светонасыщенности выбраны в качестве тестовых зон для проверки предлагаемого показателя.

2. Материалы и методы

2.1. Область исследования

В этом исследовании в качестве исследуемых районов выбраны три крупные городские агломерации: Пекин-Тяньцзинь-Хэбэй (BTH), дельта реки Янцзы (YZD) и дельта Жемчужной реки (PRD) (рис. 1). Три городские агломерации расположены в Северном Китае (BTH), Восточном Китае (YZD) и Южном Китае (PRD), которые являются важными политическими, экономическими, культурными и научными центрами для Китая. Они расположены между 112 45 0 восточной долготы и 123 25 0 восточной долготы и между 21 31 0 северной широты и 42 40 ⁰северной широты, площадью 218 000 км ², 211 000 км 2 и 42 200 км² соответственно. После реформ и политики открытости эти городские агломерации значительно урбанизировались и стали наиболее развитыми и экономически динамичными регионами Китая. ВВП городских агломераций BTH, YZD и PRD в 2019 году достиг $1,3 трлн, $3,6 трлн и $1,8 трлн соответственно, что составляет 44% от общего ВВП Китая. Между тем, в конце 2020 года постоянное население этих трех столичных регионов достигло 112 миллионов (BTH), 235 миллионов (YZD) и 64 миллионов (PRD) соответственно, что составляет 29,2% населения материкового Китая. Яркая социально-экономическая активность увеличила интенсивность света в этих трех городских агломерациях, что привело к серьезным проблемам насыщения. Таким образом, изучение предложенных BPANTLI в этих трех городских агломерациях обладает определенной репрезентативностью и значимостью.

Учитывая получение данных, города Пекин, Тяньцзинь, Таншань и Ланфан были выбраны для городской агломерации BTH; Города Шанхай, Нанкин, Ханчжоу, Чанчжоу, Нинбо, Уси, Сучжоу, Хучжоу, Шаосин, Цзясин и Наньтун были выбраны для городской агломерации YZD; Города Гуанчжоу, Шэньчжэнь, Фошань, Дунгуань, Чжухай, Хуэйчжоу, Чжуншань, Цзянмэнь и Чжаоцин выбраны для городской агломерации PRD; Всего 24 города. В таблице 1 приводится краткая информация о социально-экономических условиях этих 24 городов.

Рисунок 1. Расположение трех крупных городских агломераций в Китае.

Таблица 1. Обзор административных районов, населения и валового внутреннего продукта (ВВП) выбраных 24 городов префектурного уровня.

Таблица 2. Обзор данных, использованных в этом исследовании.

2.3. Методы

В этом исследовании мы предлагаем новый индикатор десатурации BPANTLI, основанный на социально-экономической деятельности, для более надежного и эффективного регулирования проблемы насыщения NTL. Этот подход можно разделить на три основных этапа (рис. 2). Во-первых, данные из нескольких источников с разным пространственным разрешением объединяются в области длиной 500 м с помощью обработки и нормализации сетки. Во-вторых, модель географического детектора была использована для количественной оценки эффективности NDVI, EVI, NDBI и POI в отражении разницы в распределении интенсивности света с двух уровней: области насыщения потенциала NTL (значение DN NTL (53, 63)) и области ненасыщенности NTL (значение DN NTL (0, 52)), тем самым проверяя осуществимость смягчения задачи насыщения на основе комбинации NDBI и POI. Кроме того, был разработан индикатор десатурации BPANTLI на основе объяснительной силы интерактивных детекторов из модели географического детектора. Наконец, применимость BPANTLI оценивается путем (1) проверки способности к десатурации и эффективности определения интенсивности света; (2) согласованность BPANTLI с данными RCNTL и NPP/VIIRS; (3) соответствующая корреляция между BPANTLI и социально-экономическими параметрами (потребление электроэнергии, ВВП и плотность населения) на уровне префектуры и на уровне пикселей.

Рисунок 2. Интегрированная структура методологии, использованная в этом исследовании.

2.3.1. Нормализация данных и обработка сетки



Во-первых, поскольку все данные имеют разную область значений, это исследование дополнительно нормализует атрибутивные данные внутри каждой единицы сетки (0, 1) для облегчения вычислений и анализа. Кроме того, учитывая различное пространственное разрешение каждого источника данных, для построения сетки с разрешением 500 м был использован инструмент create fishnet в ArcGIS Pro. Затем был использован инструмент зональной статистики для извлечения значений NTL DN, информации NDVI, EVI, NDBI и POI для каждой единицы сетки, чтобы реализовать унификацию данных из нескольких источников. Иными словами, атрибутивная информация (интенсивность освещения, индекс растительности, NDVI, POI) из набора данных из нескольких источников должна быть объединена в единицу сетки с разрешением 500 м. Исходя из этого, эти элементы сетки, содержащие атрибутивную информацию и постоянное пространственное разрешение, закладывают основу для последующего количественного и качественного анализа.

2.3.2. Модель географического детектора

Модель географического детектора - это новая модель пространственного статистического анализа, которая может эффективно диагностировать пространственную неоднородность элементов ландшафта [49-51]. Принцип этой модели основан на стратифицированной пространственной неоднородности, которая может либо исследовать пространственную неоднородность отдельной переменной, либо обнаруживать взаимодействие двух факторов с зависимой переменной. Этот метод не имеет линейной гипотезы, которая эффективно преодолевает ограниченность традиционных статистических методов, которые широко используются для объяснения степени пространственных различий в географических явлениях [39,52,53].

В соответствии с характеристиками данных NTL в этом исследовании измеряется пространственная корреляция NDVI, EVI, NDBI и POI с распределением NTL по двум уровням области насыщения светового потенциала и области ненасыщенности света. Учитывая, что RCNTL обеспечивает идеальную корреляцию с данными о ночном освещении из DMSP-OLS, это исследование вводит RCNTL в модель географического детектора в качестве основы для проверки эффективности данных NDVI, EVI, NDBI и POI в отражении различий в пространственном распределении NTL в насыщенных и ненасыщенных регионах. Факторный детектор модели географического детектора использует значение q для измерения степени объяснения NDVI, EVI, NDBI и POI разности пространственного распределения NTL. Значение q находится в диапазоне от 0 до 1, более высокое значение q указывает на то, что NDVI, EVI, NDBI или POI могут лучше отражать распределение NTL. Когда значение q равно 0, это означает, что нет никакой связи между NDVI, EVI, NDBI или POI и NTL. Кроме того, чтобы судить о том, может ли комбинация различных индексов (NDVI, EVI, NDBI, POI) более полно отражать картину распределения NTL, в этом исследовании дополнительно используется интерактивный детектор для количественной оценки эффекта взаимодействия двух отдельных индексов на распределение NTL. Интерактивный детектор вычисляет и сравнивает значение q каждого отдельного фактора и значение q суперпозиции двух факторов, а затем оценивает, существует ли взаимодействие между двумя факторами и силой, направлением, линейностью или нелинейностью взаимодействия.

2.3.3. Разработка BPANTLI

Известно, что интенсивность света неразрывно связана с деятельностью человека, причем как NDBI, так и POI демонстрируют положительные тенденции в отношении интенсивности человеческой деятельности. Поэтому в этом исследовании мы объединяем NDBI и POI для разработки BPANTLI на основе результатов интерактивных детекторов модели географического детектора. Процесс построения индикатора десатурации BPANTLI показан на рисунке 3.

Рисунок 3. Процесс регулирования проблемы насыщения через BPANTLI.

а) Подведение итогов значений NDBI и плотности POI; (B) Умножение стоимости GBP на исходные данные NTL.

Учитывая высокую долю непроницаемых поверхностей и интенсивность социально-экономической деятельности в городах, как значение NDVI, так и плотность POI выше в городских центрах. Однако в сельских районах значения плотности NDVI и POI, как правило, относительно низкие. Между тем интенсивность LIG HT в городских районах, как правило, более высокая, чем в пригородных районах. Это указывает на то, что интенсивность света хорошо согласуется со значением NDBI и плотностью POI, и все они уменьшаются от центра города до пригорода. Примечательно, что значения плотности NDBI и POI нормализованы, что означает, что максимальное значение этих двух параметров равно 1. Поэтому мы дополнительно суммируем значение NDBI и плотность POI (используя GBP для представления), чтобы увеличить разницу в интенсивности человеческой деятельности (рис. 3A). Это означает, что чем ближе к центру города, тем больше значение NDBI и POI и, соответственно, больше значение GBP с максимальным значением 2 (значения NDBI и POI равны 1). И наоборот, чем дальше от центра города, тем меньше значение NDBI и POI, и, следовательно, тем меньше значение GBP с минимальным значением 0 (значения NDBI и POI равны 0). Это говорит о том, что более высокие значения GBP более вероятны (часто больше 1) в районах с потенциальным насыщением NTL, таких как деловые районы. Напротив, в районах, где данные NTL, как правило, не имеют проблем с насыщением (например, пригороды), значение GBP, вероятно, будет меньше (часто меньше 1). Исходя из этой вариационной характеристики, мы рассматриваем значение GBP как поправочный коэффициент и умножаем его на исходные данные NTL (рис. 3B). Другими словами, региональная интенсивность света может быть увеличена или уменьшена в зависимости от значения GBP. BPANTLI, рассчитанный на основе NDBI и POI, еще больше увеличивает разницу между городскими центрами и пригородами, тем самым расширяя пространственные различия в интенсивности NTL между областью насыщения и областью ненасыщения.

Стоит отметить, что это исследование регулирует проблему насыщения на основе значения NDVI и плотности POI в единицах сетки, что означает, что пространственное разрешение BPANTLI определяется размером единиц сетки. Например, пространственное разрешение ажурной сети установлено на 500 м в этом исследовании (рис. 3). В результате пространственное разрешение регулируемой интенсивности света (BPANTLI) улучшается с 1 км до 500 м, что пробивает внутреннее пространственное разрешение данных DMSP/OLS NTL (рис. 4). BPANTLI с более высоким пространственным разрешением может иметь лучшие результаты в городских исследованиях (оценка уровня урбанизации, оценка энергопотребления). Более того, множественное разрешение

Рисунок 4. BPANTLI в трех крупных городских агломерациях (регион Пекин-Тяньцзинь-Таншань,

Дельта реки Янцзы и дельта Жемчужной реки) в Китае.

2.3.4. Валидация BPANTLI

(1) Сравнение между HSI, VANUI, EANTLI и BPANTLI

В этом исследовании также были рассчитаны показатели десатурации HSI, VANUI и EANTLI для сравнения эффекта десатурации и дифференциации интенсивности света в области насыщения NTL с BPANTLI. Среди них вычисляются HSI, VANUI и EANTLI

в соответствии с методом, предложенным Lu et al. [33], Zhang et al. [34] и Zhuo et al. [35],

Данные NDVI и EVI, используемые для расчета HSI, VANUI и EANTLI, взяты из продукта MODIS MOD13A3. Для проведения согласованных сравнений все результаты вычислений нормализуются до диапазона (0, 1). Чтобы оценить способность BPANTLI регулировать проблему насыщенности, в этом исследовании дополнительно выбираются типичные области NTL, насыщенности в городских агломерациях BTH, YZD и PRD, чтобы сравнить способность каждого индикатора регулировать проблему насыщенности NTL и различимость интенсивности света (рис. 5).

Рисунок 5. Нормализованные данные NTL и три показателя десатурации (HSI, VANUI, EANTLI) в трех городских агломерациях.

(2) Сходство с данными RCNTL и NPP/VIIRS

Учитывая точность и отсутствие проблемы насыщенности пикселей данных RCNTL и NPP/VIIRS, в данном исследовании эти данные были выбраны в качестве критерия сравнительной версии. Во-первых, выбраны три разреза через области насыщения городских агломераций BTH, YZD и PRD для сравнения различий между NTL, BPANTLI и RCNTL. Во-вторых, регрессионный анализ проводился на данных HSI, VANUI, EANTLI, BPANTLI и RCNTL, NPP/VIIRS на разрезах. Затем коэффициенты корреляции были рассчитаны и сравнены для подтверждения соответствия между BPANTLI и RCNTL, а также данными NPP/VIIRS, чтобы проверить десатурирующую способность BPANTLI.

(3) Способность оценивать потребление электроэнергии, ВВП и плотность населения

В последние годы, поскольку интенсивность света может отражать пространственное распределение человеческой деятельности, многие ученые проводили исследования по оценке социально-экономических показателей, таких как плотность населения, ВВП и потребление энергии, с использованием данных NTL [25,32,54–56]. Таким образом, в данной работе потребление электроэнергии, ВВП и плотность населения на уровне префектур были выбраны для регрессионного анализа с NTL, VANUI, EANTLI, BPANTLI и NPP/VIIRS соответственно, чтобы оценить соответствующую корреляцию между ними. Кроме того, это исследование дополнительно генерирует 500 случайных точек выборки в области потенциального насыщения и области ненасыщенности NTL в городах разного уровня (Пекин, Шанхай, Гуанчжоу, Шэньчжэнь, Фошань) для изучения адекватности соответствия между BPANTLI и плотностью населения на уровне пикселей. С учетом пространственного разрешения данных NTL минимальное расстояние между двумя точками отбора проб устанавливается равным 1 км.

3. Результаты

3.1. Эффективность NDVI, EVI, NDBI и POI в отражении дистрибуции NTL

В этом исследовании GDM используется для количественной оценки интерпретации RCNTL, NDVI, EVI, NDBI и POI пространственного распределения NTL. Как показано в таблице 3, неудивительно, что RCNTL обладает самой высокой объяснительной силой. Кроме того, в глобальном масштабе (значения DN (0, 63)) NDVI, EVI, NDBI и POI имеют определенную пространственную корреляцию с распределениями NTL. Значения q были упорядочены следующим образом: NDBI (0,662) > EVI (0,593) > NDVI (0,531) > POI (0,473). Этот результат указывает на то, что NDBI имеет наилучшие показатели в отражении распределения NTL, за которым следуют вегетационные индексы и POI. Из значений q EVI и NDVI видно, что объяснительная мощность EVI на 11,6% выше, чем у NDVI. По сравнению с NDVI, EVI имеет то преимущество, что преодолевает легкое насыщение и ослабляет почвенный фон и атмосферные эффекты, и, таким образом, использование EVI для корректировки данных NTL может быть более эффективным, чем NDVI. Результаты GDM еще раз подтверждают преимущества EVI. В области потенциального насыщения (значение DN (53, 63)) можно обнаружить, что NDBI и POI более эффективны в отражении интенсивности света, особенно POI, которая h почти удвоила объяснительную силу ненасыщенной области. Для области ненасыщенности (значение DN (0, 52)) как NDBI, так и EVI могут эффективно отображать распределение NTL, в то время как POI имеет относительно низкую объяснительную силу. Это может быть связано с высокой плотностью POI в пригородных районах, что говорит о том, что использование только плотности POI для регулирования проблемы насыщения NTL может привести к относительно большому отклонению в ненасыщенных районах.

Таблица 3. Приведены результаты детектора факторов и взаимодействия с детектором.

Кроме того, детектор взаимодействия используется для дальнейшего измерения влияния взаимодействия NDVI, EVI, NDBI и POI на пространственное распределение NTL. Установлено, что взаимодействие NDVI, EVI, NDBI и POI усиливает объяснительную силу пространственного распределения данных NTL. В частности, самым большим значением q в глобальном масштабе является NDBI взаимодействуя с POI (0,797), что составило 20,3% (NDBI) и 68,4% (POI) по сравнению с их индивидуальным эффектом. В частности, в потенциальном насыщенном регионе объяснительная сила достигает 0,842. Это иллюстрирует важность комбинации NDBI и POI, которая может эффективно отражать различия в пространственном распределении NTL в ненасыщенных и потенциально насыщенных областях. Таким образом, вполне целесообразно комбинировать NDBI и POI для построения BPANTLI в качестве индикатора десатурации для регулирования проблемы насыщения NTL и определения пространственных различий в интенсивности света.

3.2. Десатурационная способность BPANTLI

Для сравнения интенсивности света с помощью BPANTLI в этом исследовании был выбран показатель десатурации VANUI в городской агломерации BTH, индикатор десатурации HSI в городской агломерации YZD и индикатор десатурации EANTLI в городской агломерации PRD и проведено сравнение их корректирующих эффектов с BPANTLI. Из рисунков 6–8 ясно видно, что по сравнению с исходным значением DN NTL индикаторы десатурации VANUI, EANTLI и BPANTLI могут уменьшать эффекты насыщения и усиливать разницу в интенсивности света в области потенциального насыщения. На исходных изображениях NTL наблюдается явный эффект насыщения в городских агломерациях BTH, YZD и PRD. Определить внутреннее распределение света практически невозможно. В родах l результаты, скорректированные с учетом HSI, немного лучше, чем у NTL, но не могут идентифицировать типичные районы в городах. Результаты калибровки VANUI и EANTLI могут лучше показать разницу в интенсивности света в насыщенной области, но существует небольшая дискриминация, и трудно различить типичные области. BPANTLI, с другой стороны, может более эффективно уменьшить проблему насыщения и точно очертить различия в освещении интенсивность в режимах насыщения. Общая дискриминация намного больше, и типичные участки в областях насыщения легче идентифицировать.

Рисунок 6. Сравнение NTL, BPANTLI и VANUI в Пекине. а) Летний дворец, b) Олимпийский парк, c) Запретный город, d) парк "Храм Неба", e) Пекинский экономический центр, f) Столичный международный аэропорт.

Рисунок 7. Сравнение NTL, BPANTLI и HSI в Шанхае. а) Сюйцзяхуэй Коммершиал, (b) КБР Луцзяцзуй, (c) Новый городской парк Цзянвань, (d) Лесной парк Гун-цин, (д) Сенлан Спортс, (f) Международный аэропорт Пудун.

В городской агломерации BTH (рис. 6) были выбраны шесть типичных участков, расположенных в Пекине, а именно: Летний дворец (a), Олимпийский парк (b), Запретный город (c), парк Храма Неба (d), Экономический центр Бэцзин (e) и Столичный международный аэропорт (f). На исходных изображениях NTL нельзя идентифицировать ни один из 6 типичных участков. Что касается VANUI, то Олимпийский парк (b), Храм Неба (d) и Столичный международный аэропорт (f) также можно приблизительно узнать в VANUI, в то время как другие места невозможно различить из-за недостаточного контраста. Однако в BPANTLI вышеуказанные шесть участков четко идентифицированы. Разница между интенсивностью освещения и окружающим пространством четко видна на BPANTLI. Например, Запретный город (c) закрыт ночью (при слабой освещенности), но благодаря своему расположению в центре Бэйцзина ночью он окружен яркими огнями.

В городской агломерации YZD (рис. 7) были выбраны шесть типичных районов, расположенных в Шанхае, а именно: коммерческая зона Сюйцзяхуэй (a), центральный деловой район Луцзяцзуй (b), новый городской парк Цзянвань (c), парк Gongqing For est (d), спортивный парк Сенлань (e) и международный аэропорт Пудун (f). Как и на рисунке 6, ни один из шести типичных участков не может быть идентифицирован на карте NTL. В HSI только коммерческая зона Сюйцзяхуэй (а), центральный деловой район Луцзяцзуй (б) и международный аэропорт Пудун (f) могли быть идентифицированы. В районах с большим количеством информации о растительности, таких как леса и парки, HSI трудно выделить разницу между этими районами и интенсивностью окружающего освещения. Это может быть связано с ошибкой, вызванной легким насыщением NDVI. Напротив, BPANTLI может лучше идентифицировать различные типичные районы внутри регионов насыщения, где река Хуанпу, центральный деловой район Луцзяцзуй и коммерческие районы Нанкин-роуд четко различимы, а детали рек не затемнены. Этот результат иллюстрирует, что BPANTLI может точно описывать различия в интенсивности NTL в областях насыщения.

Рисунок 8. Сравнение NTL, BPANTLI и EANTLI в PRD. а) Финансовый хайл Фошань - Цифра b) исторический городской район Гуанчжоу Ливань, c) остров реки Чэньсянша, d) технологическая зона Байюнь, e) центральный деловой район Чжуцзян Новый город, (f ) Водный путь Жемчужной реки.

3.3. Сходство данных BPANTLI и RCNTL и NPP/VIIRS

В городской агломерации PRD в рамках этого исследования были выбраны финансовая зона высоких технологий Фошань (a), исторический городской район Гуанчжоу Ливань (b), остров на реке Чэньсянша (c), живописный район горы Байюнь (d), центральный деловой район Нового города Чжуцзян (e) и водный путь Жемчужной реки (f). Подобно городским агломерациям BTH и YZD, выбранные типичные районы не могут быть идентифицированы в данных NTL, в то время как оба EANTLI распознают участки водных объектов (c, f), что в основном связано с тем фактом, что EANTLI устанавливается на основе EVI, который реагирует на степень покрытия растительностью. Значения EVI как для водных объектов, так и для районов застройки относительно низкие, что приводит к высокому EANTLI и невозможности провести различие между водоемами и городскими центрами. Таким образом, интенсивность NTL одинакова между водоемами и населенными пунктами.

Кроме того, что касается района (a, e) финансовой зоны высоких технологий Фошань и центрального делового района Нового города Чжуцзян, с лучшим пониманием устойчивого городского развития, охват в городском КБР постепенно увеличивается, что приводит к низким значениям EANTLI и недооценке интенсивности NTL CBD. Напротив, BPANTLI лучше идентифицирует эти выбранные типичные области. Создание BPANTLI на основе NDBI и POI может более точно отразить разницу в интенсивности света в городских КБР, а также в пригородах.

3.3. Сходство данных BPANTLI и RCNTL и NPP/VIIRS

Как показано на рисунке 9, для визуального сравнения различий между NTL, EANTLI, BPANTLI и RCNTL каждого пикселя выбираются три поперечные линии, проходящие через области потенциального насыщения городских агломераций BTH, YZD и PRD. Видно, что кривая NTL имеет значение DN, равное почти единице, поскольку она проходит через центр города. Этот результат иллюстрирует, что нескорректированные данные NTL имеют значительную проблему насыщения в центре города, который не характеризует детали интенсивности света внутри насыщенной зоны. Тем не менее, RCNTL с радиационной коррекцией не страдает от этой проблемы. Сравнивая флуктуационные тренды между кривыми EANTLI, BPANTLI и RCNTL, можно увидеть, что кривые BPANTLI и RCNTL колеблются наиболее одинаково в обоих потенциальное насыщенных и ненасыщенных областях.

Рисунок 9. Разрезы NTL, RCNTL, EANTLI и BPANTLI в городских агломерациях BTH, YZD и PRD.

Чтобы дополнительно количественно оценить эффект десатурации BPANTLI, в этом исследовании был проведен регрессионный анализ показателей десатурации (HSI, VANUI, EANTLI, BPANTLI) с использованием данных RCNTL и NPP/VIIRS, чтобы изучить сходство между ними (рисунок 10). Можно обнаружить, что степень соответствия между данными BPANTLI и RCNTL и данными NPP/VIIRS лучше, чем по другим показателям десатурации (EANTLI>VANUI>HSI) в городских агломерациях BTH, YZD, PRD, будь то в насыщенных или ненасыщенных районах, с коэффициентом детерминации R2, превышающим 0,80. Это указывает на то, что интенсивность света, скорректированная по BPANTLI, имеет более выраженную корреляцию соответствия с данными NPP/VIIRS, что еще раз подтверждает целесообразность использования BPANTLI. Кроме того, коэффициент детерминации R2 EANTLI в разной степени выше, чем у VANUI, что еще раз подтверждает превосходство EANTLI над VANUI в решении проблем насыщения NTL. Степень соответствия данных HSI и NPP/VIIRS была самой низкой, что еще раз подтверждает результаты в разделе 3.2.

Рисунок 10. Степень соответствия HSI (a–c), VANUI (d–f), EANTLI (g–i), BPANTLI (j–o) с RCNTL и NPP/VIIRS.

3.4. Оценка потребления электроэнергии, ВВП и плотности населения Чтобы проверить оценочную точность каждого показателя снижения насыщенности по региональному потреблению электроэнергии (EC), ВВП и плотности населения (PD), на рисунке 11 показаны результаты регрессии показателей снижения насыщенности (VANUI, EANTLI, BPANTLI) и данных NPP/VIIRS в трех городских агломерациях. Мы обнаружили, что данные NPP/VIIRS имеют самую высокую корреляцию со всеми социально-экономическими показателями, особенно с плотностью населения, со скорректированным R2 равным 0,89. По сравнению с исходными данными NTL корреляции каждого показателя десатурации (VANUI, EANTLI, BPANTLI) с потреблением электроэнергии, ВВП и PD значительно возросли. Этот вывод указывает на то, что ненасыщенные данные NTL позволяют получить более точные оценки регионального потребления электроэнергии, ВВП и плотности населения. Что еще более важно, степень соответствия BPANTLI потреблению электроэнергии, ВВП и плотности населения значительно выше, чем другие показатели, и не сильно отличается от данных NPP/VIIRS. В частности, скорректированный R2 для BPANTLI и EC достигает 0,81, что на 15,0% и 11,3% выше, чем R2 для EANTLI и VANUI, соответственно. Коэффициент регрессии между BPANTLI и ВВП составляет 0,76, за ним следуют EANTLI (0,74) и VANUI (0,73). Что касается плотности населения, то R2 BPANTLI составляет 0,86, что имеет значительное преимущество перед EANTLI, VANUI и NTL. Кроме того, по сравнению с данными NPP/VIIRS, степень соответствия между BPANTLI и EC, ВВП и PD всего на 3,3%, 8,8% и 3,1% ниже, чем по данным NPP/VIIRS. Другими словами, между ними существует определенная соответствующая корреляция. Этот результат говорит о том, что регулируемая BPANTLI интенсивность света обеспечивает более высокую точность оценки потребления электроэнергии, ВВП и плотности населения.

Рисунок 11. Регрессионный анализ NTL (a–c), VANUI (d–f), EANTLI (g–i), BPANTLI (j–l) и NPP/VIIRS (м–о) с ЕС, ВВП и ПД на уровне префектуры.

Кроме того, учитывая высокую корреляцию плотности населения, в этом исследовании было отобрано 500 точек выборки в пяти городах: Пекине, Шанхае, Гуанчжоу, Шэньчжэне и Фошане для проверки точности индекса BPANTLI для оценки плотности населения на уровне пикселей. Как показано на рисунке 12, на пиксельном уровне коэффициенты соответствия BPANTLI плотности населения в Пекине, Шанхае, Гуанчжоу и Шэньчжэне составляют 0,80, 0,78, 0,83, 0,75 и 0,69 соответственно, что значительно выше, чем у EANTLI и VANTLI. Аналогичным образом, данные NPP/VIIRS также имеют наивысшую степень соответствия плотности населения на пиксельном уровне в этих пяти городах. Таким образом, можно видеть, что не только на уровне города интенсивность света с поправкой на BPANTLI также имеет лучшую точность для оценки плотности населения на уровне пикселей.

Рисунок 12. Регрессионный анализ BPANTLI и плотности населения на пиксельном уровне в Пекине, Шанхае, Гуанчжоу, Шэньчжэнь и Фошань.

4. Обсуждение

4.1.Оценка эффекта насыщения каждого индикатора

Эффект обесцвечивания данных NTL неразрывно связан с построением индикатора обесцвечивания. Предыдущие исследования использовали NDVI или EVI для построения индикаторов десатурации (HSI, VANUI, EANTLI) в предположении, что интенсивность освещения обратно пропорциональна покрытию растительностью [34,35,57,58]. Однако мы заметили, что эта отрицательная корреляция не очень стабильна, особенно в быстро урбанизирующихся районах. Во-первых, быстрая урбанизация привела к резкому снижению плотности городской растительности. Непрерывное вторжение городских зеленых насаждений приводит к фрагментации растительного ландшафта и подавляет пространственную неоднородность. Регулирование насыщенных данных NTL может привести к невозможности изобразить различия в пространственном распределении интенсивности света (рис. 6–8). Во-вторых, с внедрением таких концепций, как устойчивое развитие городов и пригодные для жизни города, численность растительности в CBD постепенно увеличивается. Поэтому, использование метода десатурации на основе растительности, несомненно, недооценивает интенсивность света CBD в ночное время (рис. 7). В-третьих, в некоторых районах трудно использовать растительный покров для характеристики интенсивности света. Например, растительный покров водоемов или голых земель относительно невелик (низкий NDVI или EVI), но это не означает, что интенсивность света высока (рис. 8). Исходя из этого предположения, относительно низкие значения NDVI и EVI неправильно увеличивают интенсивность света в этих областях. Более того, эта ошибка еще более выражена, когда эти районы расположены на городской окраине. Стоит отметить, что растительный покров в некоторых пустынных городах не демонстрирует тенденции к низкому уровню в городских центрах и высокому в пригородных районах. Эти пустынные города постоянно увеличивают свой растительный покров, чтобы адаптироваться к требованиям к жизни. Таким образом, предположение о том, что интенсивность NTL обратно пропорциональна численности растительности, может быть неприменимо к этим городам.

Хорошо известно, что интенсивность света тесно связана с экономической жизнеспособностью и активностью человека [59,60]. То есть интенсивность света является скорее социально-экономическим показателем, отражающим человеческую деятельность. Однако вегетационный индекс является лишь побочным отражением социально-экономической интенсивности, которая предполагает, что городское развитие будет посягать на растительный покров. На самом деле, место со скудной растительностью часто не подразумевает сильной социально-экономической жизнеспособности в этом районе. Это также объясняет недостатки использования только индикаторов десатурации растительности для регулирования NTL. Исходя из этого, в данном исследовании предлагается новый индикатор десатурации, основанный на городской пространственной структуре и интенсивности социально-экономической деятельности. С развитием города различные городские объекты, связанные с повседневной жизнью, становятся более плотными, наряду с большой долей городских застроек. В то же время интенсивность света также увеличивается. Эта положительная взаимосвязь является теоретической основой для метода коррекции BPANTLI, разработанного в данном исследовании. Результаты GDM (таблица 3) еще раз подтвердили эту гипотезу о том, что комбинация NDBI и POI обладает самой высокой объяснительной силой для пространственного распределения интенсивности света, будь то в насыщенных или ненасыщенных областях. Таким образом, вполне целесообразно комбинировать NDBI и POI для построения BPANTLI в качестве индикатора десатурации для регулирования проблемы насыщения NTL и определения интенсивности света. Сравнивая результаты десатурации с HSI, VANUI и EANTLI, BPANTLI может более эффективно уменьшить проблему насыщения и выразить пространственные различия в интенсивности света. Мы можем легко отличить город от внутренних структур, таких как центральные деловые районы, зеленые зоны, аэропорты и речные каналы. Кроме того, BPANTLI демонстрирует более заметное сходство с данными, откалиброванными по радиации, с гораздо более высоким коэффициентом определения R², чем у других индикаторов. Этот результат иллюстрирует точность десатурации BPANTLI, которая отображает более реалистичную картину распределения интенсивности света. Кроме того, интенсивность света, регулируемая BPANTLI, значительно повышает точность оценки городской социально-экономической активности, что обеспечивает более качественные справочные данные для оценок потребления электроэнергии, ВВП и плотности населения. В целом, результаты валидации по трем вышеуказанным аспектам в полной мере демонстрируют эффективность BPANTLI в регулировании проблемы cатурации NTL. Таким образом, BPANTLI, предложенные в данном исследовании, можно считать разумным показателем десатурации NTL.

С развитием платформы облачных вычислений дистанционного зондирования (Google Earth Engine) огромное пространство для хранения и расширенные вычислительные возможности сделали возможными крупномасштабные исследования десатурации. В этом контексте данное исследование дополнительно применяет предложенный метод BPANTLI к типичной области насыщения NTL в Азии, Европе и Северной Америке (рис. 13).

Рисунок 13. Сравнение DMSP/OLS NTL и BPANTLI в Токио, Осаке, Нагое, Вашингтоне, Лос-Анджелесе, Лондоне и Париже.

4.2. Преодоление пространственного разрешения данных NTL


Стало широко признанным, что данные об освещенности непосредственно отражают деятельность человека. Были проведены значительные исследования с использованием данных DMSP/OLS NTL для оценки социальных и экономических параметров городов (ВВП, население, потребление энергии), а также для мониторинга процессов урбанизации и экологической среды [61-65]. Однако из-за, как правило, низкого пространственного разрешения данных DMSP/OLS NTL точность их применения значительно ограничена. С развитием технологии ночного наблюдения пространственное разрешение данных NPP/VIIRS и Luojia 1 о освещенности было увеличено до 500 м и 130 м соответственно. Хотя пространственное разрешение данных NPP/VIIRS и Luojia 1 light в настоящее время значительно улучшено, эти наборы данных стали доступны только в последние годы. Это означает, что эти наборы данных NTL с высоким пространственным разрешением не могут быть использованы для исследований длительных временных рядов. Напротив, учитывая долгосрочный исторический мониторинг данных DMSP/OLS NTL, существует уникальная возможность проводить долгосрочный анализ временных рядов. Поэтому большое практическое значение имеет преодоление первоначального пространственного разрешения данных DMSP/OLS для получения более точных исторических данных. Принимая во внимание преимущества NDBI и POI векторных данных в пространственном разрешении, мы можем добиться динамического преобразования пространственного разрешения BPANTLI, установив блоки сетки разных размеров в соответствии с потребностями исследования, таким образом преодолевая ограничения пространственного разрешения данных DMSP/OLS NTL (рис. 14). Например, в этом исследовании пространственное разрешение данных NTL, регулируемых BPANTLI, составляет 500 м (рис. 4). Мы даже можем установить размер сетки равным 250 м для более высокого пространственного разрешения интенсивности света. Напротив, поскольку пространственное разрешение NDVI и EVI продуктов MOD13A3 составляет 1 км (аналогичное разрешение при интенсивности света), присущее им пространственное разрешение трудно улучшить. Данные об освещенности, регулируемые BPANTLI, с более высоким пространственным разрешением позволяют лучше охарактеризовать различия в пространственном распределении интенсивности света, что, как ожидается, приведет к более точным и значимым регулируемым результатам.

Рисунок 14. Многоуровневое пространственное разрешение BPANTLI.

Однако важно отметить, что этот метод не может улучшить пространственное разрешение до относительно высокого уровня (50 м, 100 м). Теоретически, мы можем увеличить пространственное разрешение BPANTLI до 30 м (на основе разрешения NDBI), но пространственное разрешение исходных данных DMSP/OLS NTL по-прежнему составляет 1 км. Простое построение элементов сетки с более высоким разрешением (например, 30 м) для увеличения пространственного разрешения BPANTLI при сохранении того же разрешения исходных данных NTL (все еще 1 км) неизбежно создаст большую неопределенность (чрезмерную пространственную неоднородность). Как показано в таблице 4, мы обнаружили, что корреляция между BPANTLI и NPP/VIIRS начала снижаться при пространственном разрешении 100 метров. Таким образом, этот результат говорит о том, что метод, предложенный в данном исследовании, может лишь в определенной степени улучшить пространственное разрешение ночного освещения.

Таблица 4. Степень соответствия между данными BPANTLI и NPP/VIIRS по различным пространственным решениям в Гуанчжоу.

4.3. Ограничения

Хотя BPANTLI, предложенный в этом исследовании, имеет много преимуществ, все же есть некоторые недостатки, которые следует учитывать в будущей работе. Во-первых, в этом исследовании мы рассматривали только плотность POI внутри каждой единицы сетки и не выделяли различия в излучении света выбранных типов POI (коммерческие, развлекательные, ресторанные и жилые). Следовательно, следует дополнительно рассмотреть излучение света различными POI, чтобы более детально определить фактическую интенсивность света. Во-вторых, что касается принципа BPANTLI, то в этом исследовании BPANTLI разрабатывается только на основе результатов интерактивных детекторов модели географического детектора. Следовательно, анализ чувствительности предлагаемого метода нуждается в дальнейшем дополнении в ходе следующих исследований. В-третьих, BPANTLI устанавливается на основе NDBI и POI, поэтому сложность получения NDBI и POI напрямую повлияет на применение этого метода десатурации. По сравнению с показателями растительности NDVI и EVI, которые могут быть получены непосредственно из продуктов MODIS MOD13A3, при разработке BPANTLI сначала необходимо рассчитать плотность NDBI и POI, что, несомненно, увеличивает сложность применения показателя десатурации BPANTLI. С бурным ростом пространственно-временных географических данных время, необходимое для обновления данных дистанционного зондирования из нескольких источников и POI, сократилось, что обеспечивает базу данных для построения моделей десатурации BPANTLI. Кроме того, с развитием облачной вычислительной платформы дистанционного зондирования (Google Earth Engine), огромное пространство для хранения и расширенные возможности облачных вычислений сделали возможными крупномасштабные исследования десатурации. Наконец, для проверки эффективности BPANTLI и снижения проблемы насыщения NTL выбраны только один год и три крупные городские агломерации. Поэтому необходимо дальнейшее построение долгосрочных рядов и межрегиональных данных BPANTLI для дальнейшей проверки их универсальности и достоверности.

5. Выводы

В данном исследовании предлагается новый индикатор десатурации BPANTLI, объединяющий NDBI и POI, для регулирования проблемы насыщения DMSP/OLS NTL на основе пространственных характеристик городских структур и деятельности человека. Модель географического детектора впервые принята для количественной оценки объяснительной способности NDVI, EVI, NDBI и POI по распределению интенсивности света, чтобы прояснить возможность разработки индикатора десатурации BPANTLI. Эффективность и применимость BPANTLI подтверждены в трех основных городских агломерациях с наиболее серьезными проблемами светонасыщения в Китае путем изображения пространственных различий интенсивности света в областях насыщения NTL; сходства между данными BPANTLI и RCNTL, NPP/VIIRS; и точности оценки городских социально-экономических параметров (потребление электроэнергии, ВВП, плотность населения). Результаты показывают, что по сравнению с индикаторами десатурации HSI, VANUI и EANTLI BPANTLI может надежно и эффективно регулировать проблему насыщения NTL и очерчивать пространственные различия интенсивности NTL. В области потенциального насыщения трех городских агломераций обычно выбранные районы, которые неразличимы в исходных NTL и HSI или трудно различимы в VANUI и EANTLI, могут быть четко различимы в данных NTL, регулируемых BPANTLI. Во-вторых, BPANTLI показывает более заметное сходство с данными RCNTL и NPP/VIRRS, с гораздо более высоким коэффициентом детерминации R2, чем другие показатели. В-третьих, интенсивность света, регулируемая BPANTLI, значительно повышает точность оценки социально-экономической активности в городах, что обеспечивает более качественные справочные данные для оценки потребления электроэнергии, ВВП и плотности населения. В целом, результаты этих трех аспектов подтверждают, что BPANTLI, предложенный в этом исследовании, может более эффективно смягчить проблему насыщения и очертить более реалистичную картину распределения интенсивности света. Благодаря построению BPANTLI существующие данные DMSP/OLS NTL могут быть денасыщены и отрегулированы для получения откалиброванного по времени набора данных NTL, который может компенсировать недостатки данных NTL радиационной калибровки (RCNTL). В то же время динамическое преобразование пространственного разрешения данных о ночном освещении также может быть реализовано в соответствии с результатами исследований, чтобы более точно охарактеризовать разницу в пространственном распределении интенсивности света и предоставить точный набор данных для исследований, требующих данных NTL.

Вклад авторов: концептуализация, Q.Z. и Z.Z.; методология, Q.Z. и Z.Z.; software, Q.Z.; валидация, Q.Z., Z.Z. и Z.C.; формальный анализ, Q.Z. и Z.Z.; расследование, Q.Z.; ресурсы, Z.W.; курирование данных, Q.Z.; написание — подготовка оригинального проекта, Q.Z.; написание — рецензирование и редактирование, Q.Z. и Z.Z.; визуализация, Р.Л.; надзор, З.В. и З.К.; управление проектом, З.В.; привлечение финансирования, З.В. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование: Это исследование финансировалось командой «Ключевой специальный проект для представленных талантов» Южно-морской научно-инженерной лаборатории Гуандун (Гуанчжоу) (No GML2019ZD0301); Ключевой проект Совместного фонда NSFC-Гуандун (U1901219); и Национальный фонд естественных наук Китая (41801250).

Заявление о доступности данных: Данные дистанционного зондирования и код, использованные в этом исследовании, находятся в открытом доступе на веб-сайте.

Благодарности: Авторы благодарны за комментарии и предложения, предоставленные рецензентами и редакторами.

Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.

Ссылки

1. Ма, Т.; Чжоу, К.; Пей, Т.; Хейни, С.; Фан, Д. Количественная оценка динамики урбанизации с использованием временных рядов данных о ночном освещении DMSP/OLS: сравнительное тематическое исследование городов Китая. Дистанционное зондирование. 2012, 124, 99–107. [Перекрестная ссылка]

2. Гао, Б.; Хуан, К.; Он, К.; Ма, К. Динамика уровней урбанизации в Китае с 1992 по 2012 год: перспектива данных DMSP/OLS о ночном освещении. 2015, 7, 1721–1735. [Перекрестная ссылка]

3. Чжао, М.; Ченг, В.; Чжоу, К.; Ли, М.; Хуан, К.; Ван, Н. Оценка пространственно-временных характеристик динамики урбанизации в Юго-Восточной Азии с использованием временных рядов данных DMSP/OLS nighttime light. 2018, 10, 47. [Перекрестная ссылка]

4. Сюй, З.; Он, X.; Чен, Л.; Ху, С.; Тан, В.; Ли, Дж. Как меняется уровень урбанизации в экономическом поясе реки Янцзы, Китай? Многомасштабная оценка с использованием данных DMSP/OLS о ночном освещении. В серии конференций IOP: Наука о Земле и окружающей среде; IOP Publishing: Бристоль, Великобритания, 2021; Том 675, стр. 012112.

5. Сюй,.; Линь, М.; Цзинь,. Пространственно-временная динамика урбанизации в Китае с использованием данных DMSP / OLS о ночном освещении с 1992 по 2013 год. Подбородок. Геогр. наук. 2021, 31, 70–80. [Перекрестная ссылка]

6. Ху, Ю.Н.; Пэн, Дж.; Лю, Ю.; Ду, Ю.; Ли, Х.; Ву, Д. Картографирование модели развития городской агломерации Пекин-Тяньцзинь-Хэбэйс использованием данных DMSP/OLS о ночном освещении. Дистанционное зондирование 2017, 9, 760. [Перекрестная ссылка]

7. Сюй, Т.; Ма, Т.; Чжоу, К.; Чжоу, Ю. Характеристика пространственно-временной динамики урбанизации в Китае с использованием временных рядов данных ночного освещения DMSP/OLS. 2014, 6, 7708–7731. [Перекрестная ссылка]

8. Чжан, К.; Сето, К.С. Картографирование динамики урбанизации в региональном и глобальном масштабах с использованием разновременных данных о ночном освещении DMSP/OLS. Дистанционное зондирование. 2011, 115, 2320–2329. [Перекрестная ссылка]

9. Лю, Ю.; Ван, Ю.; Пэн, Дж.; Ду, Ю.; Лю, С.; Ли, С.; Чжан, Д. Корреляции между урбанизацией и деградацией растительности в мегаполисах мира с использованием данных о ночном освещении DMSP/OLS. Дистанционное зондирование 2015, 7, 2067–2088. [Перекрестная ссылка]

10. Се, Ю.; Венг, К. Структура мирового потребления энергии, выявленная на ночных световых изображениях DMSP-OLS. Гиши. Удаленный Sens. 2016, 53, 265–282. [Перекрестная ссылка]

11. Лв, К.; Лю, Х.; Ван, Дж.; Лю, Х.; Шан, Ю. Многомасштабный анализ пространственно-временной динамики выбросов CO2 в потреблении энергии в Китае: использование интеграции наборов данных DMSP-OLS и NPP-VIIRS о ночном освещении. Общая окружающая среда. 2020, 703, 134394. [Перекрестная ссылка]

12. Юэ, Ю.; Тянь, Л.; Юэ, К.; Ван, З. Пространственно-временные изменения в потреблении энергии и влияющие на них факторы в Китае на основе интеграции наборов данных о ночном освещении DMSP-OLS и NPP-VIIRS. Дистанционное зондирование 2020, 12, 1151. [Перекрестная ссылка]

13. Ши, К.; Ю, Б.; Хуан, Ю.; Ху, Ю.; Инь, Б.; Чэнь, З.; Чен, Л.; Ву, Д. Оценка способности данных ночного освещения NPP-VIIRS оценивать валовой внутренний продукт и потребление электроэнергии Китаем в нескольких масштабах: сравнение с данными DMSP-OLS. 2014, 6, 1705–1724. [Перекрестная ссылка]

14. Ву, Дж.; Ван, З.; Ли, В.; Пэн, Д. Изучение факторов, влияющих на взаимосвязь между потреблением света и ВВП на основе ночных спутниковых снимков DMSP/OLS. Дистанционное зондирование. 2013, 134, 111–11 9. [Перекрестная ссылка]

15. Фу, Х.; Шао, З.; Фу,.; Чэн, К. Динамический анализ между городской ночной экономикой и урбанизацией с использованием данных DMSP/OLS о ночном освещении в Китае с 1992 по 2012 год. Дистанционный Сенс. 2017, 9, 416. [Перекрестная ссылка]

16. Трипати, Б.Р.; Тивари, В.; Пандей, В.; Элвидж, К.Д.; Рават, Дж.С.; Шарма, М..; Праваси, Р.; Кумар. Оценка динамики городского населения с использованием данных датчиков временных рядов ночного освещения DMSP-OLS.IEEE Sens. J. 2016, 17, 1013–1020. [Перекрестная ссылка]

17. Кумар,.; Саджад, Х.; Джоши,.К.; Элвидж, К.Д.; Рехман, С.; Чаудхари, Б.С.; Трипати, Б.Р.; Сингх, Дж.; Пипал, Г. Моделирование интенсивности света в Пекине, Китай, с использованием данных серии ночного освещения DMSP-OLS для оценки плотности населения. Физ. Земля 2019, 109, 31–39. [Перекрестная ссылка]

18. Ши, К.; Хуан, К.; Ю, Б.; Инь, Б.; Хуан, Ю.; Ву, Д. Оценка композитных данных ночного освещения NPP-VIIRS для извлечения застроенных городских районов. Дистанционное зондирование. 2014, 5, 358–366. [Перекрестная ссылка]

19. Ю, Б.; Ши, К.; Ху, Ю.; Хуан, К.; Чен, З.; Ву, Д. Оценка бедности с использованием композитных данных ночного освещения NPP-VIIRS на уровне уездов в Китае. IEEE J. Sel. Top. Appl. Earth Observ. 2015, 8, 1217–1229. [CrossRef]

20. Саху, С.; Гупта,.К.; Шривастав, С.К. Сравнительный анализ данных ночного освещения VIIRS-DNB и DMSP-OLS для оценки потребления электроэнергии в штате Уттар-Прадеш, Индия. 2020, 41, 2565–2580. [Перекрестная ссылка]

21. Чжэн, Ю.; Он, Ю.; Чжоу, К.; Ван, Х. Количественная оценка расширения городов с использованием ночного света NPP-VIIRS и спектральных данных Landsat. Поддерживать. Города соц. 2022, 76, 103338. [Перекрестная ссылка]

22. Пок, С.; Мацусита, Б.; Фукусима, Т. Легко реализуемый метод оценки площади непроницаемой поверхности в больших масштабах по временным рядам MODIS и улучшенным данным о ночном освещении DMSP-OLS. ISPRS J. Photogramm. 2017, 133, 10, 4–115. [Перекрестная ссылка]

23. Цао, X.; Ху, Ю.; Чжу, С.; Ши, Ф.; Чжо, Л.; Чен, Дж. Простая самонастраивающаяся модель для коррекции эффектов цветения в изображениях ночного освещения DMSP-OLS. Remote Sens. Environ. 2019, 224, 401–411. [Перекрестная ссылка]

24. Шэнь, З.; Чжу, С.; Цао, X.; Чен, Д. Измерение эффекта цветения данных ночного освещения DMSP-OLS на основе данных NPP-VIIRS. ГИС 2019, 25, 153–165. [Перекрестная ссылка]

25. Элвидж, К.Д.; Бо, К.Е.; Дитц, Дж.Б.; Блэнд, Т.; Саттон,.К.; Kroehl, H.W. Калибровка яркости данных DMSP-OLS при слабом освещении населенных пунктов. Дистанционное зондирование. 1999, 68, 77–8 8. [Перекрестная ссылка]

26. Го, В.; Лу, Д.; Куанг, В. Повышение производительности картирования дробных непроницаемых поверхностей за счет комбинации данных DMSP-OLS и MODIS NDVI. 2017, 9, 375. [Перекрестная ссылка]

27. Сюй, Ф.К.; Бо, К.Е.; Гош, Т.; Жижин, М.; Элвидж, К.Д. Откалиброванные временные ряды ночных огней с калибровкой яркости DMSP-OLS с взаимной калибровкой. 2015, 7, 1855–1876. [Перекрестная ссылка]

28. Ху, Ю.; Чен, Дж.; Цао, X.; Чэнь, X.; Цуй, X.; Ган, Л. Коррекция эффекта насыщения в продуктах стабильного ночного освещения DMSP/OLS на основе данных, откалиброванных по яркости. IEEE Trans. Geosci. Remote Sens. 2021, 60, 5602011. [Перекрестная ссылка]

29. Хуан, С.; Ши, К.; Цуй, Ю.; Ли, Ю. Метод коррекции насыщенного света для данных о стабильном освещении в ночное время DMSP-OLS по данным дистанционного и социального зондирования. IEEE J. Sel. Top. Appl. Earth Observ. 2021, 14, 1885–1894. [Перекрестная ссылка]

30. Цао, З.; Ву, З.; Куанг, Ю.К.; Хуан Н. Коррекция изображений ночного освещения DMSP/OLS и ее применение в Китае. J. Geo-Inf. наук. 2015, 17, 1092–1102.

31. Лету, Х.; Хара, М.; Яги, Х.; Наоки, К.; Тана, Г.; Нисио, Ф.; Шухей, О. Оценка энергопотребления по ночным изображениям DMPS/OLS после коррекции эффектов насыщения. Int. J. Remote Sens. 2010, 31, 4443–445 8. [Перекрестная ссылка]

32. Лету, Х.; Хара, М.; Тана, Г.; Нишио, Ф. Метод коррекции насыщенного света для ночных спутниковых снимков DMSP/OLS. IEEE Trans. Geosci. 2011, 50, 389–396. [Перекрестная ссылка]

33. Лу, Д.; Тянь, Х.; Чжоу, Г.; Гэ, Х. Региональное картографирование населенных пунктов на юго-востоке Китая с использованием мультисенсорных данных дистанционного зондирования. Дистанционное зондирование. 2008, 112, 3668–3679. [Перекрестная ссылка]

34. Чжан, К.; Шааф, К.; Сето, К.К. Городской индекс NTL с поправкой на растительность: новый подход к снижению насыщенности и увеличению колебаний яркости в ночное время. Дистанционное зондирование. 2013, 129, 32–41. [Перекрестная ссылка]

35. Чжо, Л.; Чжан, С.; Чжэн, Дж.; Тао, Х.; Го, Ю. Метод на основе EVI, позволяющий уменьшить насыщенность данных ночного освещения DMSP/OLS. Acta Geogr. Грех. 2015, 70, 1339–1350.

36. Мэн, X.; Хан, Дж.; Хуан, К. Доказанный городской индекс ночного освещения с поправкой на растительность и его применение для количественной оценки пространственно-временной динамики выбросов углерода в Китае. Дистанционное зондирование 2017, 9, 829. [Перекрестная ссылка]

37. Лю, Ю.; Янг, Ю.; Цзин, В.; Яо, Л.; Юэ, С.; Чжао, С. Новый городской индекс для выражения внутригородских моделей на основе MODIS LST И EVI, регулируемых DMSP/OLS NTL. Дистанционное зондирование 2017, 9, 777. [Перекрестная ссылка]

38. Чжэн, З.; Чэнь, Ю.; Ву, З.; Е, X.; Го, Г.; Цянь, К. Метод десатурации данных о ночном освещении DMSP/OLS на основе векторных данных: на примере быстро урбанизированного Китая. J. Geograph. Inf. Sci. 2019, 33, 431–453. [Перекрестная ссылка]

39. Он, Д.; Ши, К.; Лю, С.; Чжун, Ю.; Чжан, Л. Создание 2-метрового мелкомасштабного продукта городского древесного покрова в 34 мегаполисах Китая на основе глубокой контекстно-зависимой субпиксельной картографической сети. Int. J. Appl. Earth Obs. 2022, 106, 102667. [Перекрестная ссылка]

40. Жа, Ю.; Гао, Дж.; Ни, С. Использование нормализованного разностного индекса застройки при автоматическом картографировании городских районов по снимкам ТМ. Int. J. 2003, 24, 583–594. [Перекрестная ссылка]

41. Варшней, А.; Раджеш, Э. Сравнительное исследование построенных индексных подходов для автоматизированного извлечения населенных пунктов из данных дистанционного зондирования Земли. J. Indian Soc. Remote Sens. 2014, 42, 659–663. [Перекрестная ссылка]

42. Гуха, С.; Говил, Х.; Дей, А.; Гилл, Н. Аналитическое исследование температуры поверхности земли с NDVI и NDBI с использованием данных Landsat 8 OLI и TIRS во Флоренции и Неаполе, Италия. Eur. J. Remote Sens. 2018, 51, 667–678. [Перекрестная ссылка]

43. Ли, К.; Чэнь, Ю. Автоматический пороговый метод городского кластера на основе генетического алгоритма путем объединения VIIRS DNB, NDVI и NDBI для мониторинга урбанизации. 2018, 10, 277. [Перекрестная ссылка]

44. Джамей, Ю.; Раджагопалан,.; Сан, К.С. Пространственная структура поверхностного городского острова тепла и его связь с растительностью и населенными пунктами в Мельбурне, Австралия. Общая окружающая среда. 2019, 659, 1335–1351. [Перекрестная ссылка]

45. Гуха, С.; Говил, Х.; Гилл, Н.; Дей, А. Долгосрочный сезонный анализ взаимосвязи между LST и NDBI с использованием данных Landsat. Quat. Int. 2021, 575, 249–258. [Перекрестная ссылка]

46. Бакилла, М.; Лян, С.; Мобашери, А.; Джокар Арсанджани, Дж.; Ципф, А. Картографирование населения с точным разрешением с использованием точек интереса OpenStreetMap. J. Geogr. Inf. Sci. 2014, 28, 1940–1963. [Перекрестная ссылка]

47. Маккензи, Г.; Янович, К.; Гао, С.; Гонг, Л. Как, где, когда? О региональной изменчивости и разрешении геосоциальных временных сигнатур для точек интереса. Вычислять. Окружать. Урбан Сист. 2015, 54, 336–346. [Перекрестная ссылка]

48. Новак, Т.; Петерс, Р.; Ципф, А. Графовое сопоставление точек интереса из совместных наборов геоданных. ISPRS Int. J. Geoinf. 2018, 7, 117. [Перекрестная ссылка]

49. Ван, Дж.Ф.; Ли, С.Х.; Кристакос, Г.; Ляо, Ю.Л.; Чжан, Т.; Гу, С.; Чжэн, X.Y. Оценка риска для здоровья на основе географических детекторов и ее применение в исследовании дефектов нервной трубки в регионе Хэшунь,Чина. J. Geogr. Inf. Sci. 2010, 24, 107–127. [Перекрестная ссылка]

50. Чжан, Л.; Лю, В.; Хоу, К.; Лин, Дж.; Сонг, К.; Чжоу, К.; Хуан, Б.; Тонг, X.; Ван, Дж.; Рейн, В.; и др. Воздействие загрязнения воздуха связано с повышенным риском желтухи новорожденных. Nat. Commun. 2019, 10, 3741. [Перекрестная ссылка]

51. Сонг, Ю.; Ван, Дж.; Ге, Ю.; Сюй, К. Модель географического детектора, основанная на оптимальных параметрах, улучшает географическую характеристику объясняющих переменных для анализа пространственной неоднородности: случаи с различными типами пространственных данных. Гиши. Дистанционное зондирование 2020, 57, 593–610. [Перекрестная ссылка]

52. Ло, В.; Ясевич, Й.; С. Тепинский, Т.; Ван, Дж.; Сюй, К.; Канг, X. Пространственная связь между плотностью рассечения и факторами окружающей среды на всей территории Соединенных Штатов. Geophys. Res. Lett. 2016, 43, 692–700. [CrossRef]

53. Ван, Дж.Ф.; Чжан, Т.Л.; Фу, Б.Дж. Мера пространственной стратифицированной неоднородности. Ecol. Indic. 2016, 67, 250–256. [Перекрестная ссылка]

54. Он, Д.; Чжун, Ю.; Чжан Л. Картографирование географической эволюции пространственно-временных субпикселей.IEEE Trans. Geosci. Пульт 2018, 57, 2198–2220. [Перекрестная ссылка]

55. Гибсон, Дж.; Бо-Гибсон, Г. Ночное освещение и экономическая активность на уровне округов в Соединенных Штатах: с 2001 по 2019 год. Remote Sens. 2021, 13, 2741. [Перекрестная ссылка]

56. Блюм, Р.; МакКорд, Г.К. Чему мы можем научиться у ночного освещения для небольших географических регионов? погрешности измерений и гетерогенные упругости. 2022, 14, 1190. [Перекрестная ссылка]

57. Хуан, К.; Ян, Х.; Гао, Б.; Янг, Ю.; Чжао, Ю. Применение изображений ночного света DMSP / OLS: метаанализ и систематический обзор литературы. Remote Sens. 2014, 6, 6844–6866. [Перекрестная ссылка]

58. Ма, Дж.; Го, Дж.; Ахмад, С.; Ли, З.; Хонг, Д. Построение нового метода взаимной калибровки для ночного освещения DMSP-OLS и NPP-VIIRS. 2020, 12, 937. [Перекрестная ссылка]

59. Ли, С.; Чжань, К.; Тао, Дж.; Ли, Л. Долгосрочный мониторинг воздействия стихийных бедствий на деятельность человека с использованием данных ночного освещения DMSP/OLS: тематическое исследование землетрясения в Вэньчуане в 2008 году, Китай. Удаленный Sens. 2018, 10, 588. [Перекрестная ссылка]

60. Ся, К.; Йе А.Г., О.; Чжан, А. Анализ пространственных отношений между интенсивностью городского землепользования и жизнеспособностью городов на уровне уличных кварталов: тематическое исследование пяти китайских мегаполисов. Ландск. Градостроительный план. 2020, 193, 103669. [Перекрестная ссылка]

61. Чжо, Л.; Ичиносэ, Т.; Чжэн, Дж.; Чен, Дж.; Ши,.Дж.; Ли, X. Моделирование плотности населения Китая на уровне пикселей на основе изображений ночного освещения DMS P/OLS без калибровки излучения. 2009, 30, 1003–1018. [Перекрестная ссылка]

62. Цао, X.; Ван, Дж.; Чен, Дж.; Ши, Ф. Пространственное распределение потребления электроэнергии в Китае с использованием данных DMSP-OLS с поправкой на насыщение. Int. J. Appl. Earth Obs. 2014, 28, 193–200. [Перекрестная ссылка]

63. Пан, Дж.Х.; Ли, Дж.Ф. Оценка и пространственно-временная динамика потребления электроэнергии в Китае на основе изображений DMSP/OLS. Геогр. Рез. 2016, 35, 627–638.

64. Он, К.; Ма, К.; Ли, Т.; Янг, Ю.; Лю, З. Пространственно-временная динамика потребления электроэнергии в материковом Китае с 1995 по 2008 гг., смоделированная с использованием данных о стабильном ночном освещении DMSP/OLS. J. Geogr. Sci. 2012, 22, 125–136. [Перекрестная ссылка]

65. Ван, К.; Юань, Т.; Чжэн, X.Q. Валовой анализ ВВП на уровне провинций в Китае на основе снимков ночных световых спутников. Городской Дев. Стад. 2013, 20, 44–48.