夜间灯光数据能够识别城市化的类型吗？ ——全球评估的成功与失败分析

原文作者：Qian Zhang and Karen C. Seto 单位：Yale University

摘要：世界正在迅速城市化，但没有单一的城市化进程模式。而且，世界不同地区的城市地区正在经历无数种转型过程。本文的目的是研究DMSP / OLS夜间照明灯（NTL）的数据如何识别不同类型的城市化过程。虽然DMSP / OLS的数据越来越多地用于研究城市地区，但迄今为止还没有系统评估这些数据如何识别不同类型的城市变化。在这里，我们随机选择分布在全世界的240个样本位置通过DMSP / OLS数据生成城市化类型，并使用Google Earth影像评估NTL结果的有效性。我们的结果表明，在城市化发生的地方，NTL具有很高的准确性（93％）表征这些变化的特征。还有一个相对较高的误差（42％），NTL在发生变化时确定了城市变化。这导致NTL高估了城市化。我们的分析表明，时间序列NTL数据更准确地识别发达国家的城市化，但在发展中国家不太准确，可见在发展中国家使用或解释NTL时需要谨慎。

关键词：DMSP / OLS; 城市增长;城市化; 准确性评估

介绍

包括经济学，社会学和地理学在内的一系列领域的研究人员已经开发出城市化类型学，将城市分为不同的类别，以便了解它们的相似性和差异性^[1-5]。最常见的城市化类型之一是基于人口规模。然而，除了人口转变外，城市化也是一个同时涉及从农村经济向工业和服务业经济转变的过程^[6,7]，土地覆盖从更多自然生态系统转变为建成的环境^[8,9]。因此，仅仅关于人口变化的数据不足以提供有关城市化其他方面的信息。例如，城市地区可能会将其经济基础从农业转变为制造业或服务业。就城市形态和结构而言，城市化可能会导致建筑环境变得更加线性，分散或紧凑。此外，并非所有城市地区都可能快速增长：有些地区稳定或萎缩。因此，在考虑城市化的类型学时应考虑多个维度。

在过去十年中，国防气象卫星计划/作战线扫描系统（DMSP / OLS）收集的夜间照明（NTL）数据用于研究城市化的情况有所增加。NTL数据测量地球表面上的灯光，包括路灯，但该信号还可捕获气体耀斑，照明船和点亮的农田^[10]。已显示NTL数据与城市经济活动^[11-13]，人口^[14-16]和建筑环境^[17-20]相关。因此，这些数据为从多个维度表征城市化提供了独特的机会。此外，从1992年开始的NTL数据的长期历史档案提供了一个宝贵的时间序列，可用于探索城市化的时间动态。

虽然NTL图像已被用于许多城市应用，但尚未系统评估这些数据在何时，何地以及在何种条件下成功或未能正确识别世界各地不同类型的城市化。本文的目的是明确而系统地研究这些问题。我们首先评估NTL数据的时间序列如何识别城市化进程，定义为土地覆盖和建筑环境，经济活动和人口密度同时发生变化的过程。接下来，我们研究NTL数据如何能够描述世界不同地区的城市化类型。 我们量化了世界不同地区不同城市化类型的遗漏和佣金错误。 最后，我们讨论基于研究结果将时间序列NTL数据用于城市化研究的机遇和挑战。

遥感数据群已经在一年内就城市地区提供了丰富的信息^[21-25]。在这些研究中，努力评估NTL数据识别城市范围的准确性表明，DMSP / OLS NTL数据经常高估照明区域。这种高估是多种因素相结合的结果，包括NTL像素大，NTL检测的能力，亚像素光源，大气效应和地理位置误差^{[21,22,25,26]}。然而，只有少数研究利用时间序列NTL数据监测城市化动态^[20,27-29]。虽然方法和范围不同，但这些分析通常表明时间序列NTL数据具有巨大的潜力来描述国家、区域和全球范围内的城市化进程。然而，迄今为止，还没有系统和全球的定量准确性评估时间序列NTL数据如何将不同的城市化类型识别为过程。我们的研究围绕以下研究问题展开：时间序列NTL是否准确地捕捉到地面上正在进行的城市化变革？NTL数据何时何地能够正确表征城市化？NTL数据成功或未能正确描述城市化的根本原因是什么？

本研究与以往研究在四个方面有所不同。首先，虽然以前的主要焦点研究一直是城市土地的范围，我们使用城市化和城市化的多维定义将其视为土地覆盖和建筑环境经济的同时变化过程活动和人口密度。其次，我们使用时间序列NTL数据和多个Google地球图像来识别城市化，而不是评估一年内城市活动的快照。第三，虽然以前的研究只选择了几个选择城市或地铁的案例研究，但我们随机选择了样本点分布在世界所有地区，这使我们能够比较城市化进程世界各地。第四，大多数先前的研究使用Landsat TM / ETM 图像与NTL进行比较。在这里，我们使用来自Google Earth的多时间图像，它结合了不同的高度来自多个提供商的空间分辨率卫星和航空数据，如TruEarthreg;15米和GeoEye对于给定的区域，0.5米的图像。由于其高空间分辨率，Google Earth图像提供关于土地覆盖和土地利用的更详细的信息比Landsat图像^[30]更为详细。这些超高分辨率的图像使我们能够推断土地利用和非经济活动例如独立住宅，商业空间和工业活动往往在谷歌地球图像中可以相互区分，但不属于Landsat场景。

方法

2.1数据和一般程序

本研究中使用的NTL数据集来自NOAA国家地球物理数据中心地球观测组^[31]。从不同的卫星收集的NTL信号有很大的变化^[32]。我们试图通过仅使用1997年至2003年期间的F14卫星的NTL数据来尽量减少这些不一致之处。

我们的分析方法包括多个步骤，其中的关键组成部分包括选择NTL点，标记每个网站，并将其与Google Earth图像进行比较（图1）。首先，我们使用分层随机抽样方案在世界各地选择240个NTL数据点。接下来，六位遥感分析师将NTL简介独立标记为城市化或非城市化，并根据土地利用/覆盖，经济活动以及根据Google Earth影像推断存在/缺乏基础设施来解释这些地点。然后，我们将问卷调查结果整合在每个点的响应超过4/6的一致性中。比较Google Earth标签和NTL数据配置文件，我们评估了NTL数据何时何地能够正确识别城市化。 基于这些评估，我们研究了是否可以用NTL数据识别城市化，以及NTL数据成功或未能识别不同类型城市化的条件。

图1.研究的总体结构和分析程序。

图2.（a）非零像素占全球总像素的百分比; （b）非零像素以10个单位间隔的数字数量占总非零夜间光线（NTL）像素的百分比。 表1中定义了区域缩写。

我们采用的抽样策略基于所有可用的非零NTL像素的全球分布，这在地理上是不均匀的（图2a）。此外，数字数字10个单位间隔（图2b）的非零NTL像素总数在不同地区（表1）之间变化很大。 出于这些原因，我们使用分层随机抽样方案来选择采样点，首先按地区分层，然后按研究期末的NTL数据值的间隔进行分层。我们用了由Seto等开发的世界地区。 ^[33]，广泛基于联合国世界区域。当一个国家在经济上与该地区的其他国家不同时，这些地区与联合国地区不同，在经济上与邻近地区更相似。我们把中国和印度视为个别地区，因为它们的人口，经济和土地面积都很大。

表1. 本研究中使用的区域组成，改编自Seto等。^[33]

2.2标签和解释

尽管以前的研究将NTL数据与城市土地覆盖率联系起来^[27]，但在本研究中，我们

不仅考虑了普遍的土地覆盖类型，而且还考虑了基础设施和主导地区在1像素（1公里times;1公里）和5公里times;5公里的窗口内进行经济活动。我们用多时间谷歌地球图像作为参考来评估城市相关活动的转变。对于每个NTL采样点，我们在Google地球图片中找到了相应的地理位置，每位分析师都为三者中的每一个标记了Google地球像素类别：土地覆盖（1 =城市，2 =农村，3 =森林和草地，4 =农业，5 =水，或6 =其他）;基础设施（1 =存在或0 =不存在）;和经济活动（1 =商业，2 =工业，3 =住宅，4 =农业，或5 =其他）。每个点的最终解释和标签结果是当所有分析师的一致性超过4/6（gt; 67％）时达到。否则，所有的分析师讨论了争议点，直到他们达成一致的协议或标准。然后我们将Google Earth解释与NTL标签进行了比较。我们使用时间分配NTL标签系列NTL数据配置文件，其中数据配置文件与光谱特征相似，其中x轴为曲线是年份，y轴是NTL数据的数字编号。与之比较后Google Earth图像中，NTL像素被标记为“成功”，即当时的数据配置文件NTL系列数据正确匹配土地覆盖/用途，经济活动和基础设施要素由遥感分析人员确定，或在数据资料不符合的情况下Google Earth图像解读“失败”（图1）。“成功”像素进一步分为两类：“真正的”，其中时间序列NTL剖面正确识别城市化时，三个组成部分中的任何一个（土地，经济和人口）被推断为城市;和“真实负面”，其中时间序列NTL配置文件正确地将像素标识为未被城市化。对于这些“真正的”像素，我们通过对NTL时间序列剖面的可视化解释来开发城市化类型。“失败”是指NTL配置文件与遥感分析师分配的标签不匹配的地方。我们进一步将失败分为两类：“误报”，分析师根据NTL概况推断城市化，但不从Google地球图像中推断出城市化，以及分析师推断来自Google Earth图像的城市化，而不是来自NTL配置文件。对于“误报”，我们还将由过度发光导致的故障与由于其他原因导致的故障区分开来。在最后的学习年度（2003年），Google Earth图像不可用于某些点。对于这些要点，我们在标注点时使用了2003年以后的Google Earth图像作为参考。这种时间不匹配在标注“假阴性”时会引入不确定性。例如，如果城市化发生在2003年和用于评估的Google Earth图像年份之间，则“假阴性”可能不是真实的错误。

表2.定量指标用于评估时间序列夜间照明（NTL）数据识别城市化和城市化缺失的能力。

2.3数量指标

根据地区和准确度指标计算的“成功”和“失败”的数量相应计算。在遥感领域，生产者和用户的精度以及Kappa系数通常用于测量分类图像的准确性评估^[34]。在医学统计学领域，敏感性和特异性分析被用于评估临床测试，而正面和负面的预测值被用来考虑测试的价值的临床医师^[35,36]。这些测试检查错误的性质，以及在哪些情况下某些错误比其他错误更可能。临床指标解释测试如何正确识别某些类型的“成功”和“失败”。我们采用医疗统计的这些措施，并将其应用于我们的遥感测量的准确性，以区分错误类型和准确性，我们用NTL配置文件获得。利用这些临床指标测量，我们可以解释NTL数据如何正确识别城市化和城市化的缺失（表2），并在空间上显示可能的遗漏和佣金类型。参数“1-灵敏度”是提交遗漏错误的概率，类型II错误或错误否定。参数“1-特异性”是提交错误的概率，类型I错误或误报。

结果与讨论

3.1整体准确度

我们采用分层随机抽样方案来选择分层，首先按区域划分，其次按研究期末的NTL数据值区间划分，涵盖了每个世界区域的大多数城市化类型。此外，六个遥感专家对地面真实图像和NTL剖面的解释高度一致（表3）。在所有采样点中，六位分析师只有14分不同意（占所有采样点的6％）。

表3. 解读和标签结果的一致性。

根据世界各地的样本点，用于识别城市化类型的时间序列NTL数据的总体准确率为78.3％。大多数失败都是误报;这些占错误总数的80.8％。我们样本的整体敏感度为0.93，有

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 19 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[279360]，资料为PDF文档或Word文档，PDF文档可免费转换为Word