夜间灯光数据dn值_【文献笔记】利用DMSP/OLS夜间光照数据和Kmeans方法识别特大城市城乡边缘...

题目：Using DMSP/OLS nighttime light data and K–means method to identify urban–rural fringe of megacities 

期刊：Habitat International 因子：4.31

主题：城乡边缘、夜间灯光数据、K均值算法、城乡诊断功能、城市化

时间：2020

第一作者：Zhao Feng  【1目的】

城乡边缘区的识别最初是通过定性方法来定义的，即通过经验值来界定城乡边缘区的范围，例如距建成区或中心城市的距离。随着城市基础数据的改善，识别方法已经转变为定性和定量两种方法。例如，非农业人口与农业人口的比例，经济结构，人口密度和住房完工率已被用来划定城乡边缘地区的范围，或建立综合指标。随着RS和GIS技术的发展，一些学者开始使用阈值方法，突变检测，空间聚类和其他定量方法来描绘城乡边缘的边界。

从城乡对比的角度，对其的准确识别对于进一步研究与城市化相关的社会经济和生态环境变化具有重要意义。以往的城乡边缘识别研究存在应用范围狭窄，识别效率低的问题，其结果受主观因素的影响很大。夜间光作为人类活动的重要产物，可以反映城乡景观的梯度变化，并可以用于识别城乡边缘。因此，使用国防气象卫星程序/操作线扫描系统(DMSP / OLS)夜间光数据开发了一种基于K均值的方法。

【2方法】

A.研究区域

在这项研究中，主要使用DMSP / OLS夜间灯光数据来识别城乡边缘。国防气象卫星计划(DMSP)携带的作战线扫描系统(OLS)最初是用于气象监测的，包括探测月光照射的云，后来由于其功能，被用于夜间探测微弱的近红外辐射独特的光电放大功能。DMSP / OLS稳定照明产品包括城市，城镇和其他稳定照明站点发出的光，而火灾和其他瞬态事件光源已从最终数据集中删除；因此，可以在本研究中适当地使用它。由于缺乏比较的时间序列校正和DMSP / OLS稳定光图像中的像素饱和度，它不能直接用于识别城乡边缘。因此，用不变目标方法校正夜间灯光数据。这种方法可以同时进行饱和度校正和相互校准，并减少由年际变化和像素饱和度引起的误差。为了更清楚地表示不同区域的光梯度变化，本研究建立了一条样条线，该样条线从北京市西北部开始，穿过北京市中心(天安门广场)至东南部。北京市。此外，还使用了与北京市行政区域有关的数据(即第六次人口普查数据和道路数据)进行后续分析和验证。收集了2010年的所有数据。

B.基于K均值算法的城乡边缘提取

从市中心到农村腹地，夜间光强度逐渐降低，具有“平滑-波动-平滑”的过渡特征。这种变化可以用光强度和光波动(夜间光的二维特征)来描述。开发了一种组合值方法，通过整合夜间照明的二维特征来识别城乡边缘。然而，作为一个单一值的组合值所传达的信息不如光强度和光波动所传达的信息那样多，后者无法反映城乡过渡的梯度变化。因此，我们在K均值算法中同时使用了夜间光线的强度和波动。

K-means算法需要给定数目的聚类k和包含n个数据对象的数据集作为输入，从而可以全面比较n个对象的属性，并且输出满足同一聚类中对象的最高相似性。尽管K-means算法对初始点的敏感性较低，但由于其清晰的聚类结构和简单的聚类过程，已被广泛用于地理空间格局研究。

基于K-means算法，需要三个步骤来对上述三种类型的城市和农村地区进行聚类。首先，对夜间灯光数据进行校正。其次，从校正后的数据中提取夜间光的二维特征。夜间光强度被量化为DMSP / OLS图像的校正数字(DN)，而从光强度值计算出反映光强度在一定范围内变化的夜间光波动。在这项研究中，选择3×3邻居作为计算光起伏的最小单位。3×3邻居包含一个中心点和在与其相邻的八个方向上的八个点，并且这9个点的DN组成一组长度为9的集合。

第三，利用这两个二维特征，K均值将三个区域类别进行了聚类。

C.基于Mann–Kendall方法的变异检测

为了验证本研究中提出的方法的可靠性，还使用了Mann-Kendall(MK)突变检测方法来识别城乡边缘。然后，对MK突变检测方法和K-means算法的识别结果进行了比较分析。

MK突变检测方法被称为非参数测试方法，其优点是不需要样品遵循一定的分布并且不受少数异常值的影响。这些使它更适合于类型和顺序变量。原理是为序列X(包含n个样本)构建一个秩序列，如等式2所示。

识别城乡边缘区时，变异检测方法的实质是实现变异点位置的空间可视化。通过连接突变点，可以分别描绘出城乡边缘的内部和外部边界，从而可以确定城乡边缘的空间范围，具有很强的针对性和可操作性。这项研究有四个关键步骤：首先，以北京市中心(天安门广场)为起点，并以1°的间隔沿360个剖面线提取夜间照明FI。其次，使用MK突变检测方法沿着每个剖面线提取突变点。第三，根据角度顺序，将内部和外部边界突变点依次连接起来，其中排除了由外围和内部散布的孤立突变点。最后，对结果进行了平滑处理，以获取城乡边缘的最终边界。

【3结果】

1)夜间光强度和光波动的空间格局

从市中心到周边地区，可以看出北京市夜间光强度呈下降趋势。在北京市中部地区，有一系列高价值区域，最大DN为103.676，主要位于五环以内，涵盖了主要功能区的核心功能区和城市功能扩展区。北京市在市中心以外，在五环和六环之间以及六环附近的外围区域，夜间光照强度逐渐降低。在六环路以外的广大地区，光强迅速下降，最低区的光强下降到零，主要分布在由山地和林地组成的生态保护区。

如图2(b)所示，夜间的灯光波动呈现出从市中心向外的“低-高-低”分布。在城市和农村地区，夜间光的波动相对较小，并且两者之间的波动较大，最大FI值为76.753。同时，具有较高FI值的区域形成一个封闭的环，它们主要覆盖新的城市开发区和生态保护区的一小部分。

样本线显示了从西北到东南的明显的城乡过渡(图2(C))。为了更清楚地反映夜间光强度和波动的变化，沿采样线的每个采样点的DN和FI值均从其原始值增加了5。ID为1–50(即远离市中心)的采样点城市化程度较低，城市基础设施不完善，夜间光线低而稳定，这与典型的农村地区特征相符。靠近市中心的ID为50-86和134-164的样本点处于城市化发展阶段。在这些地区，城市和农村的土地利用类型混合在一起，呈随机镶嵌的形式，导致城市基础设施分布不均，夜间的灯光在波动，这都是城乡边缘地区的特征。ID为87–133的采样点位于城市中心，高度城市化，拥有完善的城市基础设施，显示出高强度且稳定的夜间照明，这与典型的城市区域特征一致。以上夜间光的变化可能表明不同城市化过程/区域中城市基础设施建设的差异。因此，夜间照明灯能够准确地描述城乡地区的区域结构，并且可以用作城乡诊断的特征，以突出城乡边缘的过渡，多样化和独立特征。城乡边缘地区夜间光的二维特征与其他地区的差异明显。

2)用K均值算法识别城乡边缘

夜间光强度和光波动的最大值，最小值，平均值和标准偏差中存在明显的环结构：

【4讨论】

1)夜间光强度和光波动结合的性能 与 单 独使用时相 比， 多维的组合通常可以提供更多信息 。 在这项 研 究中， 使用了来自夜间照明数据的两个夜间照明强度和光波动指标，但它 们 反映了夜间照明的不同特征。 分析了三种不同区域类型 的DN和FI 的概 率密度分布， 以评估夜间 光强度和光起伏组合的性能。

图5演示了在三种区域类型中同时使用夜间光强度和光波动。可以发现，结合夜间光强度和光波动可以有效地识别三种区域类型交界处的像素类型，也就是说，可以通过夜间光的二维特征将三种类型的区域分开。

2)与突变检测相比，K-均值的方法学优势

突变检测在一定程度上具有客观性和准确性，因此已成为城乡边缘识别的一种常用方法。然而，边界是通过在视觉上依次在两侧连接突变点来获得的，这不可避免地需要手动调整，这可能会导致一些错误。

突变点的分布呈现出明显的层次结构。突变点的内层是环形的，围绕北京市中心地区，主要分布在夜间光强度高的区域。突变点的外层分布在北京市的西部和北部，具有半圆形结构，夜间光强度低。同时，在北京市中心聚集了一些异常点，这些异常点分散在北京市南部边缘，这干扰了外部边缘边界的手动连接。

注：个人阅读笔记，原文可从谷歌学术搜索。水平有限，有错误之处请批评指正。