基于夜间灯光数据的人口空间分布研究综述
肖东升1,2， 杨松1
(1.西南石油大学土木工程与建筑学院，成都 610500； 2. 成都理工大学地质灾害防治与地质环境保护国家重点实验室，成都 610059)
摘要： 人口空间分布信息是地理学科、资源学科和社会学科等研究中的基础信息，在城市规划和应急救援等实际应用中具有十分重要的意义。利用自然地理和社会经济等多种辅助数据，可以很好地模拟人口分布情况。夜间灯光数据综合反映着人口分布活动情况，与传统遥感数据相比，具有数据获取方便、数据量小、覆盖范围广和数据更新快等优点。随着美国军事气象卫星计划搭载的线性扫描业务系统(defense meteorolgical satellite program-operational linescan system，DMSP-OLS)、美国国家极地轨道卫星搭载的新一代可见光及近红外辐射仪(national polar orbiting partnership-visible infrared imaging radiometer suite，NPP-VIIRS)及其他平台的发展，连续获取夜间灯光数据成为可能，基于这类数据的人口空间分布研究受到学者的重视，在区域尺度的人口估算和格网尺度的人口分布模拟方面取得了丰富的研究成果。但其中也存在着数据、尺度、模型方法及精度验证等方面的问题。因此，在详细阐述了夜间灯光数据特征及获取平台的基础上，对已有基于夜间灯光数据的人口空间分布研究方法及模型进行了对比总结，分析了研究中存在的各种问题及现有解决方法，并对未来的重点发展方向进行了探讨。
关键词： 夜间灯光； 人口分布； 数据校正； 格网尺度； 精度验证
0 引言
人口空间分布是指某一时间点上人口在地理空间的分布情况，包括人口数量、密度及空间分布特征等[1]。长期以来，人们主要从人口统计数据中获取人口分布信息。人口统计数据通常是以行政区划为单元，通过普查和抽样统计等方式逐级汇总获得[2]。但该方法在实际应用中存在一系列问题： ①调查数据不易获取，部分区域和年份数据不完整； ②行政单元内部人口分布无法体现，且与地理单元数据难以融合等[3-4]。利用辅助数据进行人口空间分布研究可以有效解决这些问题。研究主要包括区域人口估算和人口分布模拟2个方面，前者多用于宏观人口估算和统计分析，后者将人口数据格网化，以模拟格网尺度的人口空间分布。人口数据格网化，或称为人口数据空间化，基本思想是基于人口空间分布模型或采用一定的计算方法，对人口统计数据进行离散化处理，发掘并展现其中隐含的空间信息，以便模拟或再现客观世界的人口地理分布[5]，从而获得人口空间分布特征。
最后，英语阅读时间不充裕。当前，学生用于英语阅读的时间较少，这就导致其无法积累有效的英语阅读经验。例如，对于初中一年级的学生而言，其每天掌握的英语单词量平均为150个，对于初中二年级的学生而言，其每天掌握的英语单词量平均为500个。另外，由于初中生的寒暑假作业较多，学生把大量的时间和精力用于写作业上，在英语阅读方面投入的时间不足。长此以往，学生的英语阅读水平呈现整体下滑趋势。
人口的空间分布与自然地理和社会经济的多种因素相关，例如地形坡度、海拔、土地利用、城市发展、道路交通和河流水系等。反之，这些因子又是人口分布的指示器。基于不同的数据源、精度需求及研究思路，国内外学者提出了多种人口分布模拟方法，主要包括空间插值法、遥感特征反演和多源数据融合等[1,6]。随着遥感技术的发展及遥感影像所具有的数据获取方便、覆盖范围广等优势，影像中土地利用类型、地形地貌和夜间灯光数据等都越来越多地被应用在人口空间分布研究中。
夜光遥感始于20世纪70年代的美国军事气象卫星计划(defense meteorolgical satellite program，DMSP)，最初是用来探测云层对月光的反射以分析云层分布信息，其搭载的线性扫描业务系统(operational linescan system，OLS)传感器能够探测到无云情况下的城市灯光以及车流、渔船等发出的微弱灯光，其后主要用于获取地表夜间灯光以反映人类活动情况[7]。早期影像数据以胶片形式保存，研究成果较少且以描述性分析为主。自1992年起，美国空军联合国家海洋和大气管理局(National Oceanic and Atmospheric Administration，NOAA)开始整理、校正和合成夜间灯光数据，并且在国家地球物理数据中心(National Geographical Data Center，NGDC)建立了数字格式文档[8]，影像数据覆盖年份为1992—2013年，大大促进了夜间灯光数据的研究应用。2011年10月，美国国家极地轨道卫星(national polar orbiting partnership，NPP)卫星成功发射，其上搭载了新一代可见光及近红外辐射仪(visible infrared imaging radiometer suite，VIIRS)，夜间灯光数据得到了进一步发展。由此NGDC地球观测小组将工作重心转移至NPP-VIIRS数据，学者也越来越多地利用NPP-VIIRS数据进行研究[9-11]。
优水优用，优化调用各类水源［8］，实现环境良性循环，形成分质分管道供水系统。可考虑三级引用水的标准，即优质水（能够直接饮用，大肠杆菌等主要水质指标为零）、普通水（能够达到生活饮用水标准）以及洗涤水（可用以满足基本的冲刷、洗菜功能）［3］，分别铺设两条管线，做到优质水和洗涤水分开输送。
1354 超高效液相色谱-串联质谱法同时测定抑郁大鼠脑脊液中 5-羟色胺和 5-羟吲哚乙酸 陈 磊，杜 毅，李盛建，周 瑾，蔡 溱
假设2：基于前景理论的核心思想，设置购电商的参照点处利润为0；人们对损失比对获得更敏感[15]。当预计未来利润大于0时，购电商是风险规避的；而预计未来利润为0时，购电商是风险中性的；当预计未来利润小于0时，购电商则是风险追求的。图2为购电商的价值-利润的关系示意图。
除DMSP-OLS和NPP-VIIRS之外，还有其他获取夜间灯光数据的平台。例如国际空间站拍摄的照片具有很高的空间分辨率，能详细地反映地表夜间灯光的分布情况，但Anderson等[24]和Liu等[25]发现其与人口分布的相关性一般，有待进一步研究。阿根廷2001年在SAC-C(satélite de aplicaciones científicas-C)卫星上搭载的HSTC(high sensitivity technological camera)传感器和2012年SAC-D卫星上搭载的HSC(high sensitivity camera)传感器、以色列EROS-B(earth remote observation system-B)卫星上搭载的全色波段传感器也都具有较高的空间分辨率[12]。我国于2018年6月2日成功发射一颗专业的夜光遥感卫星“珞珈一号”，其搭载了高灵敏度夜光相机，地面空间分辨率达到100 m左右。这些传感器平台将为以后的研究提供更好的数据来源。
1 夜间灯光数据源
1.1 DMSP-OLS及NPP-VIIRS夜间灯光数据
DMSP-OLS和NPP-VIIRS数据是目前应用最为广泛的2种夜间灯光数据，美国NGDC提供了相关数据产品[19]。目前能够下载到1992—2013年间DMSP-OLS的多种数据，其中使用最多的是第四版全球稳定夜间灯光数据，前几版已经不适用于定量分析。
3.1.1 灯光饱和
孩子长期生活在一个教育不一致、关系不和谐的家庭里，身心能健康吗？同样的道理，一个家庭里的孩子身心不健康，那做父母的能不操碎了心吗？这样的家庭会是幸福的家庭吗？
2011年10月28日成功发射的NPP卫星上搭载的VIIRS传感器是高空间分辨率辐射仪(advanced very high resolution radiometer,AVHRR)和中等空间分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)系列以及OLS传感器的拓展改进。DNB(day/night band)波段是用于探测夜间灯光强度的主要波段[21]，能够灵敏地捕捉到地表亮度信息，空间分辨率更高，且进行了在轨辐射定标，不会出现灯光饱和现象。在NPP-VIIRS平台发射后，经历了相关技术及算法改进[22-23]，目前能够获取2012年至今部分日数据、月及年合成数据[19]。月合成数据过滤掉了云、月光和杂散光等的影响，保留了渔船、火灾和极光等短暂性光源，但对于人口分布研究来说，仍需要剔除这些短暂性光源。年合成数据则去除了短暂性光源和背景值。表1为DMSP-OLS与NPP-VIIRS传感器主要参数对比情况[9,21]。
Elvidge等[58]在2004年就对DMSP数据的灯光面积及位置精度进行了探讨； Tuttle等[72]设计了一组便携式灯，通过GPS测量灯光位置与影像中灯光位置进行对比，对影像的地理位置精度进行了评估； Zhao等[73]通过计算参考影像与其他影像DN值的最大相关系数，发现部分影像之间存在像素级别的几何误差，并进行了几何纠正。在NPP-VIIRS数据的早期研究中，由于缺乏地理定位无法进行地形校正，导致山区的地理定位误差可达几km。随后，美国宇航局地理定位小组进行了深入研究并提出了校正方案[22]。
表1 DMSP-OLS和NPP-VIIRS主要参数对比
Tab.1 Comparison of main parameters between DMSP-OLS and NPP-VIIRS
1.2 其他夜间灯光数据
夜间灯光数据综合反映了人类活动情况，在城市建设与分析、社会经济因子估算、生态环境及自然灾害等方面都有大量研究[12]。在人口分布方面，Elvidge等[13-14]和Sutton等[15-16]研究发现DMSP-OLS夜间灯光数据与人口分布之间存在着显著的相关性，随后很多学者进行了大量的验证分析并将夜间灯光数据应用在人口分布模拟上。近年来，随着NPP-VIIRS数据的获取，高义等[4]、Xie等[17]和胡云峰等[18]对DMSP-OLS和NPP-VIIRS数据进行了对比分析，并揭示了NPP-VIIRS数据在人口空间分布研究中的巨大潜力。对于人口统计数据缺失的地区而言，夜间灯光数据为区域人口估算和人口空间分布模拟提供了新途径。随着数据的积累，基于夜间灯光数据的人口变化特征分析也逐渐增多，形成了丰富的研究成果。但其中也存在一些问题。基于此，本文对夜间灯光数据平台发展和人口空间分布模拟方法进行了总结，并且分析了数据、尺度、模型方法和精度验证等方面存在的问题，最后对未来的发展方向和研究重点进行了探讨。
本论文使用Google word2vec来表示关键句子的矩阵。在试验中，我们使用京东评论数据集作为训练和测试数据集，并设计了五组实验进行比较。实验结果表明，训练数据的准确率达到了98.81%，测试数据的准确率达到了86.39%。
2 基于夜间灯光数据的人口空间分布研究方法及模型
2.1 基于夜间灯光像元特征
基于像元特征，学者们构建了许多特征参数，例如灯光面积、灯光体积、灯光强度和光面积百分比等，通过建立模型对人口空间分布进行模拟。基于夜间灯光像元特征的主要方法如表2所示。这些方法没有使用其他辅助数据，模型简单易于实现，但整体精度不高，不利于精细尺度的人口分布研究，且对农村地区表现不足。同时，多数研究忽略了DMSP-OLS数据中存在的灯光饱和及像元溢出等问题，即使NPP-VIIRS数据削弱了灯光饱和及溢出影响，由于模型方法的局限性，模拟精度也不高。
表2 基于夜间灯光像元特征的主要方法
Tab.2 Main methods based on nighttime light pixel feature
2.2 基于夜间灯光和土地利用数据
土地利用数据能够反映人类的主要活动范围，夜间灯光能够显示区域内部差异，将两者结合，能简单有效地模拟人口分布，并削弱灯光溢出影响。Briggs等[35]基于土地利用类型等级的4种策略将各区域各土地利用类型的灯光区面积、非灯光区面积和灯光亮度总和进行回归分析，制作了200 m和1 km空间分辨率的人口密度图； Bagan等[36]建立了普通最小二乘回归模型和地理加权回归模型，该模型考虑了人口分布的空间关系，但也存在多重共线性问题，还需要进一步研究； 李翔等[37]以上海市为例，基于城市详细土地利用数据，提取出商业和居住区的NPP-VIIRS灯光数据进行空间回归建模，减小了城市亮化区和路灯等影响，提高了模拟精度； 胡云峰等[18]分别利用NPP-VIIRS和DMSP-OLS数据，基于不同土地利用类型，与县级人口统计数据进行逐步回归分析，结果表明NPP-VIIRS数据模拟精度更高。
2.3 基于多源数据融合
在实际利用时序影像进行研究的过程中，往往灯光饱和校正、溢出校正、几何纠正和相互校正等都需要进行。当然，不同的方法有不同的精度和适用范围，适合人口空间分布研究的校正方法还需要进一步探索。
表3 基于多源数据融合的主要模型方法
Tab.3 Main model methods of multi-source data fusion
综合上述方法可以看出，基于像元特征的方法模型简单，数据处理方便，但不适合精细尺度研究； 结合土地利用数据的方法，即将不同土地利用类型与灯光强度信息结合起来，削弱灯光溢出影响，在一定程度上提高了模拟精度； 基于多源数据融合的方法，学者利用各种辅助数据对人口分布进行了研究，理论上，利用辅助数据越多，越接近真实人口分布情况，但更多的辅助数据，可能带来数据融合方面的技术问题，导致模拟精度提高受限，另外，数据处理过程较为复杂，模型适用性不强等问题都有待进一步研究。
由于DMSP-OLS传感器缺乏星上校准，传感器随着时间也会发生退化，因此不同年份同一像元的DN值不连续，同一年份不同传感器获取的DN值也不一致。影像DN值的不一致阻碍了利用长时间序列影像进行人口分布变化研究，需要进行相互校正。Elvidge等[64]在DMSP-OLS年度序列影像研究中，以意大利西西里岛作为不变区域、F121999影像作为参考影像，构建二阶回归方程进行相互校正，成为夜间灯光数据相互校正的主要方法。此后，Liu等[65-66]、Zhao等[67]和Wu等[68]参考Elvidge方法，选择相应不变区域和参考影像进行校正。然而，不变区域的选择需要大量的统计分析和先验知识。因此，Li等[69]提出了简单迭代算法，以便自动提取2幅影像中的不变区域； Tuttle等[70]提出可以尝试建立永久活动目标光源以进行影像间的相互校正； Stathakis[71]提出了平行回归方法，这种方法为时间序列中每一个像素建立单独的回归模型，而不是为整个年度数据集建立单一的回归模型，每个像素的DN值都是根据地理适应趋势进行校正的，不需要指定不变区域和参考影像，但缺点是计算量较大，方法还需改进。NPP-VIIRS平台由于建立时间较短，存档数据不多，目前对此问题研究较少。
3 存在问题及解决方法
3.1 数据方面
夜间灯光数据应用广泛，但仍可能存在灯光饱和、灯光溢出、几何偏差以及时序影像不一致等问题。
DMSP-OLS夜间灯光数据产品主要有3种： 夜间灯光频率数据、辐射定标夜间灯光强度数据和非辐射定标夜间灯光强度数据[20]。夜间灯光频率数据是对获取的一段时间内的连续观测数据，计算各像元在此期间内的发光频率，选定阈值，去除噪声，但是该数据并没有记录灯光的强度信息，早期文献多用此类数据； 辐射定标夜间灯光强度数据，是NGDC进行的部分辐射定标实验，对传感器的增益进行了人为控制，虽然很好地解决了灯光影像的饱和问题，但需要关掉星载跟踪扫描放大跟踪算法和放大倍数自动修正功能[14]，所以只有部分时段数据可供下载； 非辐射定标夜间灯光强度数据剔除了云层覆盖和不稳定光源的影响，记录了夜间灯光强度信息，其像元DN值范围为[0，63]，数值越高，表明亮度越大，这是目前应用最广泛的一类数据。
由于OLS传感器技术缺陷，获取到的夜间灯光数据DN值达到上限后，不再随地面灯光强度的增加而增大[46]。故随后对VIIRS传感器进行了技术改进，消除了饱和影响。但饱和问题的出现削弱了夜间灯光与人口分布的相关性，对于广泛使用的DMSP-OLS数据来说，灯光饱和校正是必要的。目前主要有3类校正方法：
1)利用不饱和区灯光特征校正饱和灯光。Letu等[47]在2010年利用建筑面积率与不饱和灯光强度的相关性，建立了三次回归方程对饱和区进行校正，在2012年又利用辐射定标数据与非辐射定标数据非饱和部分的线性回归方程对饱和部分进行校正[48]； He等[49]利用NDVI数据，建立了不饱和灯光样本的DN值与相应NDVI值之间的回归模型。这种方法能一定程度地削弱灯光饱和的影响，但精度不高。
2)利用辐射定标夜间灯光数据去除灯光饱和的影响。Elvidge等[14]在20世纪90年代就进行了辐射定标研究； Ziskin等[50]改进方法制作了2006年的辐射定标数据； Hsu等[51]在上述研究的基础上进行了改进。辐射定标方法理论上较完善，精度较高，但是算法复杂，目前只有部分时段的辐射定标数据可供下载。
3)利用DMSP-OLS数据和辅助数据构建指数模型。主要构建指数如表4所示。
在传统金融系统中，账户名是可以公开的，但账本内容是必须保密的。为储户保密指账户中的记录，不是账户号。区块链的设计反过来了，账户号是匿名的，但账本内容是公开的。区块链匿名性说的是账户名匿名，不是账户中的记录。
表4 主要构建指数及优缺点
Tab.4 Main index models and evaluation
3.1.2 灯光溢出
灯光溢出是指影像获取的灯光范围比实际的范围大。造成这种现象的原因有多种[58-59]： ①影像的空间分辨率较低； ②相邻像素的大量重叠； ③合成过程中地理位置发生了偏差； ④水体等造成的灯光反射及灯光的散射效果等。Bennett等[60]通过DMSP-OLS与NPP-VIIRS数据对比发现，VIIRS传感器数据大大削弱了灯光溢出影响。灯光溢出效应会扩大灯光区范围，影响人口分布模拟精度。阈值法是被广泛采用的一种校正方法，通过对灯光数据设定阈值来缩小照明区域，使其与实际情况更加匹配。由于区域差异，不同地区需要设置不同的阈值，过高或过低的阈值都达不到理想效果。Imhoff等[61]、Sutton等[43]和Henderson等[62]通过实例对阈值法进行了研究。另外，Townsend等[63]提出了灯光溢出消除模型，利用光源强度和灯光溢出部分距光源的距离关系，建立缓冲区，将灯光溢出部分逐步返回到光源区域。结合土地利用数据也可以削弱灯光溢出的影响。
3.1.3 相互校正
值得注意的是，由于区域差异，不同的方法模型有不同的适用范围，要提高人口分布模拟精度，进行分类分区分城乡建模是必要的。Sutton等[43]和Zhang等[44]在研究区域内按照经济水平进行分类； Cheng等[30]在探讨灯光强度与人口密度的相关性时，将县域按照东西部差异、人口规模和城市化水平3种方法进行分区研究； Zeng等[45]利用夜间灯光图像聚类和最短路径进行了分区研究。
基夫赛特炉熔炼的热渣通过溜槽直接流入烟化炉，吹入粉煤，含煤空气射流进入渣液中强烈搅动渣液［3］，粉煤燃烧产生大量的热和CO，使炉内保持较高的温度和一定的还原气氛，熔渣中的铅、锌氧化物还原成铅锌蒸汽，随烟气一道进入炉子上部空间，被专门补入的三次空气再次氧化成PbO和ZnO，并被捕集于收尘设备中，以粗氧化锌产物回收［4］。产生的烟气经余热锅炉回收余热后，进烟气净化系统处理，脱除烟尘和烟气中F、Cl、SO2等杂质，净化系统的烟尘料浆送往锌冶炼系统。
3.1.4 几何偏差
主控冗余设计当中，总线管理器在运行之前，必须要保障主设备检索其他总线管理器时，可以确保总线设备状态，并且当线管理器恢复到了未配置状态时，此时的条件为总线管理器在成为主设备的过程当中，实现了达到四次的索引修改次数，但仍未成功成为主设备。一个巡回在结束之后，设备会进入下一个状态，该状态为“寻找下一个”，如果被接受，则进入“备用主设备”的状态，如果没有被接受，将产生错误报告。
自然地理和社会经济因素都会影响人口分布，融合多种辅助数据有利于提高人口分布模拟精度。该方法可分为2类： ①将各种辅助数据及夜间灯光数据作为人口分布的影响因子进行建模，不同的区域可采用不同的数据及方法； ②利用夜间灯光数据进行常规方法建模，并利用辅助数据提高模拟精度。黄益修[38]利用NPP-VIIRS数据进行人口空间模拟，并基于出租车全球定位系统(global positioning system,GPS)轨迹数据对模拟结果进行了校正。基于多源数据融合的方法虽然能够提高人口分布模拟精度，但也存在数据处理复杂、权重赋值主观性强以及模型适应性差等缺点。主要模型方法如表3所示。
3.2 尺度方面
尺度方面一般分为区域尺度和格网尺度2种。区域尺度多用在人口估算中，对区域内部情况则不做过多分析。格网尺度则更加精细和便于数据融合，多用在国家或省市范围内。鉴于夜间灯光影像空间分辨率及实际需求，1 km×1 km格网尺度应用比较广泛[32,36]。当然，也有很多学者融合多种数据，对影像进行重采样，生成了更精细格网尺度的人口分布图[41,47,74]。值得注意的是，简单重采样形成的精细格网尺度，其精度不一定高。同时，现有格网尺度的适宜性研究还很少[75]，部分研究也只是生成多种格网尺度进行对比分析。目前，还缺乏系统性的方法对格网尺度进行适宜性选择和评价。
3.3 模型方法
虽然夜间灯光数据与人口分布间存在着显著关系，但也存在不确定性[35]。Bustos等[76]发现，人口的减少不一定会导致灯光面积的减少； Doll等[77]发现伦敦最亮的位置和最高的人口密度之间存在不匹配现象； Levin等[78]利用NPP-VIIRS数据对全球人口稠密地区夜间灯光进行了定量研究，并分析了造成灯光亮度差异的各种因素及季节性影响。因此，要想更加精确地模拟人口分布情况，需要详细分析夜间灯光与人口的对应关系及人口变化与灯光变化的特征规律，并结合各种辅助数据对人口分布的表征能力进行深入探讨。另外，经济结构、城市配置、建筑环境、交通设施和照明政策等都值得关注，以此探索新方法、新模型来提高利用夜间灯光数据模拟人口分布的精度。
3.4 精度验证
精度验证一直是人口分布研究中的困难之处。一般而言，学者多采用以下几种方法进行验证分析： ①与已有研究成果对比； ②与不同等级的人口统计数据进行对比验证； ③实地抽样调查，多见于精细尺度研究中。然而目前系统性好、可靠性高、适用性强的精度验证方法还没有建立起来。随着技术发展，未来可以尝试综合其他方式获取人口数据，比如基于移动定位数据等来获取人口分布情况。研究易于获取并且精度较高的验证方法也很重要。
4 总结与展望
本文对基于夜间灯光数据的人口空间分布研究情况进行了综述。较详细地阐述了常用的DMSP-OLS和NPP-VIIRS传感器平台以及夜间灯光数据特征。总的来说，DMSP-OLS数据有连续历史数据存档，应用相当广泛。而NPP-VIIRS数据精度较高，在人口空间分布中的研究会越来越多。对于夜间灯光数据的人口空间分布研究方法，由于不同的精度要求、研究区域和数据来源等，研究成果非常丰富。有直接利用遥感特征进行反演的，也有结合土地利用数据以及融合多源数据进行人口空间分布模拟的。其中也存在着许多问题： 如夜间灯光数据的饱和、连续性问题； 模型方法的适用性问题； 模拟尺度问题； 结果的验证分析问题等。
未来研究应着重考虑以下几个方面：
1)当前尺度适宜性及精度验证问题研究较少，部分人口分布模拟中，虽然格网尺度经过重采样变得更精细，但是精度并未提高。因此，探索不同条件下的格网尺度，形成系统的适宜尺度选择及评价方法是未来的研究重点之一。另外，精度验证一直是个难题，通常的统计分析及对比方法效果并不理想，实地调查的方法实施起来又较为困难。所以，在精度验证方面，融合多种数据源，研究易于推广的理想验证方法是今后努力的方向。
2)高精度夜间灯光数据和其他辅助数据的获取，包括社会感知数据或移动定位数据等，可以提高人口分布模拟精度。随着传感器技术和通讯技术的发展，对人类活动数据的收集有了多种途径。在利用传统自然地理和社会经济数据的基础上，应该更多地考虑各种传感器网络及大数据的应用，有效提高人口分布模拟精度。
3)在局部区域人口分布模拟中，需更加注重实效性和流动性，利用最新的泛在传感器网络获取的多源数据，结合人口的活动规律快速建立模型，实现局部区域动态人口分布的模拟，为防灾减灾等提供及时的人口分布信息。
4)融合多源数据探究人口构成的分布情况，包括不同年龄阶段、不同民族和不同职业属性等，挖掘人口分布中蕴含着的丰富信息，实现模糊人口分布到精细人口分布研究的转变，更好为社会发展服务。
参考文献
[1] 董南,杨小唤,蔡红艳.人口数据空间化研究进展[J].地球信息科学报,2016,18(10):1295-1304.
Dong N,Yang X H,Cai H Y.Research progress and perspective on the spatialization of population data[J].Journal of Geo-Information Science,2016，18(10):1295-1304.
[2] 谭敏,刘凯,柳林,等.基于随机森林模型的珠江三角洲30 m格网人口空间化[J].地理科学进展,2017,36(10):1304-1312.
Tan M,Liu K,Liu L,et al.Spatialization of population in the Pearl River Delta in 30 m grids using random forest model[J].Progress in Geography,2017，36(10):1304-1312.
[3] 杜国明.人口数据空间化方法与实践[M].北京:中国农业出版社,2008.
Du G M.Methods and Practice of Population Data Spatialization[M].Benjing:China Agriculture Press,2008.
[4] 高义,王辉,王培涛,等.基于人口普查与多源夜间灯光数据的海岸带人口空间化分析[J].资源科学,2013,35(12):2517-2523.
Gao Y,Wang H,Wang P T,et al.Population spatial processing for Chinese coastal zones based on census and multiple night light data[J].Resources Science,2013,35(12):2517-2523.
[5] Robert H.Spatial Data Analysis:Theory and Practice[M].Cambridge:Cambridge University Press,2003.
[6] 柏中强,王卷乐,杨飞.人口数据空间化研究综述[J].地理科学进展,2013,32(11):1692-1702.
Bai Z Q,Wang J L,Yang F.Research progress in spatialization of population data[J].Progress in Geography,2013,32(11):1692-1702.
[7] Croft A.Nighttime images of the earth from space[J].Scientific American,1978,239(1):86-98.
[8] Elvidge C D,Baugh K E,Kihn E A,et al.Mapping of city lights using DMSP operational line-scan system data[J].Photogrammetric Engineering and Remote Sensing,1997,63:727-734.
[9] Elvidge C D,Baugh K E,Zhizhin M,et al.Why VIIRS data are superior to DMSP for mapping nighttime lights[C]//Proceedings of the Asia-Pacific Advanced Network,2013,35:62-69.
[10]Li X,Xu H,Chen X,et al.Potential of NPP-VIIRS nighttime light imagery for modeling the regional economy of China[J].Remote Sensing,2013,5(6):3057-3081.
[11]Ma T,Zhou C H,Pei T,et al.Responses of Suomi-NPP VIIRS-derived nighttime lights to socioeconomic activity in China’s cities[J].Remote Sensing Letters,2014,5(2):165-174.
[12]李德仁,李熙.论夜光遥感数据挖掘[J].测绘学报,2015,44(6):591-601.
Li D R,Li X.An overview on data mining of nighttime light remote sensing[J].Acta Geodaetica et Cartographica Sinica,2015,44(6):591-601.
[13]Elvidge C D,Baugh K E,Kihn E A,et al.Relation between satellite observed visible-near infrared emissions, population,economic activity and electric power consumption[J].International Journal of Remote Sensing,1997,18(6):1373-1379.
[14]Elvidge C D,Baugh K E,Dietz J B,et al.Radiance calibration of DMSP-OLS low-light imaging data of human settlements[J].Remote Sensing of Environment,1999,68(1):77-88.
[15]Sutton P.Modeling population density with nighttime satellite imagery and GIS[J].Computers,Environment,and Urban Systems,1997,21(3-4):227-244.
[16]Sutton P,Roberts D,Elvidge C D.A comparison of nighttime satellite imagery and population density for the continental United States[J].Photogrammetric Engineering and Remote Sensing,1997,63:1303-1313.
[17]Xie Y H,Weng Q H,Weng A.A comparative study of NPP-VIIRS and DMSP-OLS nighttime light imagery for derivation of urban demographic metrics[C]//Third International Workshop on Earth Observation and Remote Sensing Applications.Changsha:IEEE,2014:335-339.
[18]胡云锋,赵冠华,张千力.基于夜间灯光与LUC数据的川渝地区人口空间化研究[J].地球信息科学学报,2018,20(1):68-78.
Hu Y F,Zhao G H,Zhang Q L.Spatial distribution of population data based on nighttime light and LUC data in the Sichuan-Chongqing Region[J].Journal of Geo-Information Science,2018,20(1):68-78.
[19]NOAA.Website of Earth Observation Group[EB/OL].[2018-08-03].https://www.ngdc.noaa.gov/eog/index.html.
[20]阴英超.基于DMSP/OLS灯光数据的新疆天山北坡经济带城市化研究[D].乌鲁木齐:新疆大学,2010.
Yin Y C.Research on Northern Economic Zone of the Tianshan Mountains Urbanization in Xinjiang Based on DMSP/OLS Light Date[D].Urumchi:Xinjiang University,2010.
[21]Miller S D,Straka W,Mills S P,et al.Illuminating the capabilities of the Suomi national polar-orbiting partnership (NPP) visible infrared imaging radiometer suite (VIIRS) day/night band[J].Remote Sensing,2013,5(12):6717-6766.
[22]Cao C Y,Blonski S,Wang W H,et al.Overview of Suomi NPP VIIRS performance in the last 2.5 years[C]//SPIE Earth Observing Missions and Sensors:Development,Implementation, and Characterization III.International Society for Optics and Photonics,2014.
[23]Elvidge C D,Baugh K,Zhizhin M,et al.VIIRS night-time lights[J].International Journal of Remote Sensing,2017,38(21):5860-5879.
[24]Anderson S J,Tuttle B T,Powell R L,et al.Characterizing relationships between population density and nighttime imagery for Denver,Colorado:Issues of scale and representation[J].International Journal of Remote Sensing,2010,31(21):5733-5746.
[25]Liu Q,Sutton P C,Elvidge C D.Relationships between nighttime imagery and population density for Hong Kong[C]//Proceedings of the Asia-Pacific Advanced Network,2011,31:79-90.
[26]Lo C P.Modeling the population of China using DMSP operational linescan system nighttime data[J].Photogrammetric Engineering and Remote Sensing,2001,67(9):1037-1047.
[27]Pozzi F,Small C,Yetman G.Modeling the distribution of human population with nighttime satellite imagery and gridded population of the world[J].Earth Observation Magazine,2003,12(4):24-30.
[28]Pranab K R C,Sandeep M,Vinay K D.Estimation of urban population in Indo-Gangetic Plains using night-time OLS data[J].International Journal of Remote Sensing,2012,33(8):2498-2515.
[29]Amaral S,Monteiro A M V,Camara G,et al.DMSP/OLS night-time light imagery for urban population estimates in the Brazilian Amazon[J].International Journal of Remote Sensing,2006,27(5):855-870.
[30]Cheng L,Zhou Y,Wang L,et al.An estimate of the city population in China using DMSP night-time satellite imagery[C]//2007 IEEE International Geoscience and Remote Sensing Symposium.Barcelona:IEEE,2007:691-694.
[31]Zhuo L,Ichinose T,Zheng J,et al.Modelling the population density of China at the pixel level based on DMSP/OLS non-radiance-calibrated night-time light images[J].International Journal of Remote Sensing,2009,30(4):1003-1018.
[32]Yu S S,Zhang Z X,Liu F.Monitoring population evolution in China using time-series DMSP/OLS nightlight imagery[J].Remote Sensing,2018,10(2):1-21.
[33]Tripathi B R,Tiwari V,Pandey V,et al.Estimation of urban population dynamics using DMSP-OLS night-time lights time series sensors data[J].IEEE Sensors Journal,2017,17(4):1013-1020.
[34]Kumar P,Sajjad H,Alare R S,et al.Analysis of urban population dynamics-based on residential buildings volume in six provinces of Pakistan using operational linescan system sensors[J].IEEE Sensors Journal,2017,17(6):1656-1662.
[35]Briggs D J,Gulliver J,Fecht D,et al.Dasymetric modelling of small-area population distribution using land cover and light emissions data[J].Remote Sensing of Environment,2007,108(4):451-466.
[36]Bagan H,Yamagata Y.Analysis of urban growth and estimating population density using satellite images of nighttime lights and land-use and population data[J].GIScience and Remote Sensing,2015,52(6):765-780.
[37]李翔,陈振杰,吴洁璇,等.基于夜间灯光数据和空间回归模型的城市常住人口格网化方法研究[J].地球信息科学学报,2017,19(10):1298-1305.
Li X,Chen Z J,Wu J X,et al.Gridding methods of city permanent popultion based on night light data and spatial regression models[J].Journal of Geo-Information Science,2017,19(10):1298-1305.
[38]黄益修.基于夜间灯光遥感影像和社会感知数据的人口空间化研究[D].上海:华东师范大学,2016.
Huang Y X.Spatialization of Population Using Nighttime Light Remote Sensing Images and Social Sensing Data[D].Shanghai:East China Normal University,2016.
[39]郭山山,龚俊,尹晶飞.基于DMSP/OLS的人口分布网格精细化研究[J].地震研究,2016,39(2):321-326.
Guo S S,Gong J,Yin J F.Study on grid refinement for population distribution based on DMSP/OLS[J].Journal of Seismological Research,2016,39(2):321-326.
[40]吴健生,许多,谢舞丹,等.基于遥感影像的中尺度人口统计数据空间化——以京津冀地区为例[J].北京大学学报(自然科学版),2015,51(4):707-717.
Wu J S,Xu D,Xie W D,et al.Spatialization of demographic data at medium scale based on remote sensing images:Regarding Beijing-Tianjin-Hebei as an example[J].Acta Scientiarum Naturalium Universitatis Pekinensis,2015,51(4):707-717.
[41]Yang X C,Yue W Z,Gao D W.Spatial improvement of human population distribution based on multi-sensor remote-sensing data:An input for exposure assessment[J].International Journal of Remote Sensing,2013,34(15):5569-5583.
[42]Sun W C,Zhang X,Wang N,et al.Estimating population density using DMSP-OLS night-time imagery and land cover data[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2017,10(6):2674-2684.
[43]Sutton P C,Roberts D,Elvidge C D,et al.Census from Heaven:An estimate of the global population using nighttime satellite imagery[J].International Journal of Remote Sensing,2001,22(16):3061-3076.
[44]Zhang X Y,Zhang Z J,Chang Y G,et al.An estimation model of population in China using time series DMSP night-time satellite imagery from 2002—2010[C]//International Conference on Intelligent Earth Observing and Applications.International Society for Optics and Photonics,2015:167-172.
[45]Zeng C,Zhou Y,Wang S,et al.Population spatialization in China based on night-time imagery and land use data[J].International Journal of Remote Sensing,2011,32(24):9599-9620.
[46]Zhuo L,Zheng J,Zhang X F,et al.An improved method of night-time light saturation reduction based on EVI[J].International Journal of Remote Sensing,2015,36(16):4114-4130.
[47]Letu H,Hara M,Yagi H,et al.Estimating energy consumption from night-time DMPS/OLS imagery after correcting for saturation effects[J].International Journal of Remote Sensing,2010,31(16):4443-4458.
[48]Letu H,Hara M,Tana G,et al.A saturated light correction method for DMSP/OLS nighttime satellite imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(2):389-396.
[49]He C,Ma Q,Liu Z,et al.Modeling the spatiotemporal dynamics of electric power consumption in mainland China using saturation-corrected DMSP/OLS nighttime stable light data[J].International Journal of Digital Earth,2014,7(12):993-1014.
[50]Ziskin D,Baugh K,Hsu F C.Methods used for the 2006 radiance lights[C]//Proceedings of the Asia Pacific Advanced Network,2010,30:131-142.
[51]Hsu F C,Baugh K E,Ghosh T,et al.DMSP-OLS radiance calibrated nighttime lights time series with intercalibration[J].Remote Sensing,2015,7(2):1855-1876.
[52]Zhang Q,Schaaf C,Seto K C.The vegetation adjusted NTL urban index:A new approach to reduce saturation and increase variation in nighttime luminosity[J].Remote Sensing of Environment,2013,129:32-41.
[53]Lu D S,Tian H Q,Zhou G M,et al.Regional mapping of human settlements in southeastern China with multisensor remotely sensed data[J].Remote Sensing of Environment,2008,112(9):3668-3679.
[54]Hao R,Yu D,Sun Y,et al.Integrating multiple source data to enhance variation and weaken the blooming effect of DMSP-OLS light[J].Remote Sensing,2015,7(2):1422-1440.
[55]Zhang X,Li P.A temperature and vegetation adjusted NTL urban index for urban area mapping and analysis[J].ISPRS Journal of Photogrammetry and Remote Sensing,2018,135:93-111.
[56]Song G B,Yu M Q,Liu S L,et al.A dynamic model for population mapping:A methodology integrating a Monte Carlo simulation with vegetation-adjusted night-time light images[J].International Journal of Remote Sensing,2015,36(15):4054-4068.
[57]倪愿,周小成,江威.结合Landsat数据的DMSP/OLS夜间灯光影像去饱和方法研究[J].遥感技术与应用,2017,32(4):721-727.
Ni Y,Zhou X C,Jiang W.A reducing saturation method for DMSP/OLS nighttime light image combining Landsat data[J].Remote Sensing Technology and Application,2017,32(4):721-727.
[58]Elvidge C D,Safran J,Nelson I L,et al.Area and position accuracy of DMSP nighttime lights data[J].Remote Sensing and GIS Accuracy Assessment,2004:281-292.
[59]Small C,Pozzi F,Elvidge C D.Spatial analysis of global urban extent from DMSP-OLS night lights[J].Remote Sensing of Environment,2005,96(3-4):277-291.
[60]Bennett M M,Smith L C.Advances in using multitemporal night-time lights satellite imagery to detect,estimate, and monitor socioeconomic dynamics[J].Remote Sensing of Environment,2017,192:176-197.
[61]Imhoff M L,Lawrence W T,Stutzer D C,et al.A technique for using composite DMSP/OLS “City Lights” satellite data to accurately map urban areas[J].Remote Sensing of Environment,1997,61(3):361-370.
[62]Henderson M,Yeh E T,Gong P,et al.Validation of urban boundaries derived from global night-time satellite imagery[J].International Journal of Remote Sensing,2003,24(3):595-609.
[63]Townsend A,Bruce D.The use of night-time lights satellite imagery as a measure of Australia’s regional electricity consumption and population distribution[J].International Journal of Remote Sensing,2010,31(16):4459-4480.
[64]Elvidge C D,Ziskin D,Baugh K E,et al.A fifteen year record of global natural gas flaring derived from satellite data[J].Energies,2009,2(3):595-622.
[65]Liu Z F,He C Y,Yang Y.Mapping urban areas by performing systematic correction for DMSP/OLS nighttime lights time series in China from 1992 to 2008[C]//2011 IEEE International Geoscience and Remote Sensing Symposium.Vancouver:IEEE,2011:1858-1861.
[66]Liu Z F,He C Y,Zhang Q F,et al.Extracting the dynamics of urban expansion in China using DMSP-OLS nighttime light data from 1992 to 2008[J].Landscape and Urban Planning,2012,106(1):62-72.
[67]Zhao N Z,Ghosh T,Samson E L.Mapping spatio-temporal changes of Chinese electric power consumption using night-time imagery[J].International Journal of Remote Sensing,2012,33(20):6304-6320.
[68]Wu J S,He S B,Peng J,et al.Intercalibration of DMSP-OLS night-time light data by the invariant region method[J].International Journal of Remote Sensing,2013,34(20):7356-7368.
[69]Li X,Chen X L,Zhao Y S,et al.Automatic intercalibration of night-time light imagery using robust regression[J].Remote Sensing Letters,2013,4(1):45-54.
[70]Tuttle B T,Anderson S,Elvidge C D,et al.Aladdi’s magic lamp:Active target calibration of the DMSP OLS[J].Remote Sensing，2014,6(12):12708-12722.
[71]Stathakis D.Intercalibration of DMSP/OLS by parallel regressions[J].IEEE Geoscience and Remote Sensing Letters,2016,13(10):1420-1424.
[72]Tuttle B T,Anderson S J,Sutton P C,et al.It used to be dark here:Geolocation calibration of the defense meteorological satellite program operational linescan system[J].Photogrammetric Engineering and Remote Sensing,2013,79(3):287-297.
[73]Zhao N Z,Zhou Y Y,Samson E L.Correcting incompatible DN values and geometric errors in nighttime lights time-series images[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(4):2039-2049.
[74]Bai Z Q,Wang J L.Generation of high resolution population distribution map in 2000 and 2010:A case study in the Loess Plateau,China[C]//2015 23rd International Conference on Geoinformatics.Wuhan:IEEE,2016:1-6.
[75]董南,杨小唤,蔡红艳,等.人口密度格网尺度适宜性评价方法研究——以宣州区乡村区域为例[J].地理学报,2017,72(12):2310-2324.
Dong N,Yang X H,Cai H Y,et al.Suitability evaluation of gridded population distribution:A case study in rural area of Xuanzhou District,China[J].Acta Geographica Sinica,2017,72(12):2310-2324.
[76]Bustos M F A,Hall O,Andersson M.Nighttime lights and population changes in Europe 1992—2012[J].Ambio,2015,44(7):653-665.
[77]Doll C N H,Muller J P.An evaluation of global urban growth via comparison of DCW and DMSP-OLS satellite data[C]// 1999 IEEE International Geoscience and Remote Sensing Symposium.Hamburg:IEEE,1999:1134-1136.
[78]Levin N,Zhang Q.A global analysis of factors controlling VIIRS nighttime light levels from densely populated areas[J].Remote Sensing of Environment,2017,190:366-382.
A review of population spatial distribution based on nighttime light data
XIAO Dongsheng1,2, YANG Song1
(1.School of Civil Engineering and Architecture ,Southwest Petroleum University ,Chengdu 610500,China ; 2. State Key Laboratory of Geohazard Prevention and Geoenvironment Protection ，Chengdu University of Technology ,Chengdu 610059,China )
Abstract : Population spatial distribution information is the basic information in the study of geography, resources, sociology and other disciplines, and hence is of great significance in practical applications such as urban planning and emergency rescue. The population distribution can be well simulated by using the auxiliary data of physical geography and social economy data. Nighttime light data reflect the distribution of population comprehensively. Compared with traditional remote sensing data, it has the advantages of convenient data acquisition, small data volume, wide coverage and fast data update. With the development of DMSP-OLS, NPP-VIIRS and other platforms, the study of population spatial distribution based on continuous archiving nighttime light data has attracted the attention of scholars, and a rich research result has been formed at regional-scale population estimates and grid-scale simulations of population distribution. Nevertheless, there are also problems in data correction, data fusion, scale selection and precision verification. Therefore, with the expectation of providing references for other researchers, this paper elaborates the nighttime light data characteristics and access platforms, summarizes the methods and models of population spatial distribution based on night lighting data, and analyzes the problems and solutions in the research. Finally, the important development directions in the future are discussed.
Keywords : nighttime light data; population distribution; data correction; grid scale; accuracy verification
中图法分类号： TP 79
doi: 10.6046/gtzyyg.2019.03.02
引用格式： 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.(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.)
文献标志码： A
文章编号： 1001-070X(2019)03-0010-10
收稿日期： 2018-08-03；修订日期： 2018-11-01
基金项目： 国家自然科学基金项目“基于人类动力学的面向震后救援的人员在地理建筑空间的分布规律研究”(编号： 51774250)和成都理工大学地质灾害防治与地质环境保护国家重点实验室开放基金项目“5·12汶川地震前后的震中地区建筑空间人员分布规律研究及反演”(编号： SKLGP2016K017)共同资助。
第一作者： 肖东升(1974-)，男，博士，教授，主要从事空间信息技术与防灾减灾方面的研究。Email： xiaodsxds@163.com。
通信作者： 杨松(1992-)，男，硕士研究生，主要从事地理空间信息与人员分布方面的研究。Email： yangsurvey@126.com。
(责任编辑： 陈 理)
标签：夜间灯光论文; 人口分布论文; 数据校正论文; 格网尺度论文; 精度验证论文; 西南石油大学土木工程与建筑学院论文; 成都理工大学地质灾害防治与地质环境保护国家重点实验室论文;