NPP-VIIRS年度夜間燈光數據合成方法

李啟華,譚榮建

(1.昆明理工大學 國土資源工程學院,昆明 650000;2.昆明理工大學 國土資源工程學院,昆明 650000)

0 引言

夜間燈光遙感圖像有效地描述了人造光在地球表面的分布,能夠反映人類夜間活動,已成為城市社會和經濟夜間活動強度的重要指標,并已廣泛地應用于城市化研究[1]。與傳統的統計核算數據相比,夜間燈光數據具有其獨特的優勢。傳統數據常常以行政單元作為統計單位,缺乏有效和準確的空間位置信息,而夜間燈光數據能夠不受行政邊界的限制,在柵格尺度上對人類經濟活動進行研究,并且還具有易獲取、能夠分析城市內部活動等優勢。

最常用的兩種燈光數據是DMSP-OLS(the defense meteorological satellite program’s operational linescan system)和NPP-VIIRS(national polar-orbiting partnership’s visible infrared imaging radiometer suite)。DMSP-OLS穩定夜間燈光數據產品包括由6個傳感器獲取的1992—2013年共34期年度影像[2],由于缺乏機載校準系統和傳感器的退化,不同年份的或同一年份不同傳感器之間的數據不具有可比性,并且其探測能力的不足造成城市中心像元燈光過飽和。而新一代夜間燈光數據NPP-VIIRS具有更高的分辨率,沒有燈光像元飽和、溢出現象,其數據質量相比DMSP-OLS有很大改善。NPP-VIIRS夜間燈光數據分為月度數據和標準年度數據,其中月度數據包括2012年4月起每月一期,標準年度數據包含2015年和2016年兩期數據,年度數據已校正過濾火光、氣體燃燒、極光和背景噪聲的影響。

由于NPP-VIIRS年度夜間燈光數據的缺乏和月度數據未校正一定程度上限制了該數據的應用[3],因此一些學者提出了相應的解決辦法:Shi等[4]提出利用DMSP-OLS夜間燈光數據剔除NPP-VIIRS月度數據中噪聲的方法,由于DMSP-OLS數據存在燈光飽和效應且自2013年以后沒有再更新數據,難以建立2013年之后的校正模型;周翼等[5]采用不變目標區域法結合2016年標準年度數據對年度均值圖像逐年校正,但并不存在絕對不變的區域,這會造成一定的誤差;胡為安等[6]利用兩期標準年度數據合成二值圖像來對年度均值影像進行校正,但這會忽略新增或消失的有效燈光;鐘亮等[7]利用中值濾波和低閾值去噪相結合的方法過濾年度均值影像中的異常值和背景噪聲,取得了很好的效果。此前大部分對NPP-VIIRS數據的校正基本都是基于年度均值影像進行的,而相同年份各個月度的影像間又存在較大差別,直接對年度均值影像進行校正處理會使得誤差累積。針對上述情況,本文嘗試結合建設用地數據對夜間燈光影像進行逐月校正,以期合成可靠性較高的年度NPP-VIIRS夜間燈光影像。采用建設用地數據參與影像校正的原因主要有兩點。一是相關性。由于夜間燈光主要分布在人類活動的有燈光區域,而建設用地主要涵蓋了這些區域,二者在空間上具有相關性。二是時效性。每年的統計年鑒都會公布上一年的建設用地數據,而夜間燈光影像上的燈光范圍也是不斷更新的,采用建設用地數據對影像進行校正能夠避免因傳統掩膜法校正導致對影像燈光區域的誤判。對影像逐月校正能夠避免影像本身的月度間差異帶來的影響,相比傳統直接基于年度均值影像的校正,先對影像逐月校正再合成年度影像的方法可以減少誤差的累積。經濟參數擬合能力是檢驗夜間燈光數據質量的標準。最后,本文結合統計數據對校正后的夜間燈光數據進行檢驗。

1 研究區域與數據

NPP-VIIRS夜間燈光數據由于受到雜散光源的影響,中國夏季中高緯度地區的燈光值會出現失真現象[8],數據表現為像元值全為零。因此本文選擇位于低緯度地區的云南省為研究范圍。

NPP-VIIRS夜間燈光數據由美國國家海洋和大氣管理局提供。NPP-VIIRS月平均數據只是將原始DNB(day/night band)輻射值乘以109,并沒有過濾極光、火光、氣體燃燒等雜散光,導致數據存在大量背景噪聲,所以利用月度數據合成年度數據時最主要的就是盡可能地去除這些背景噪聲,提取出有效燈光。

云南省行政區劃數據來源于國家基礎信息中心的數據庫,云南省社會經濟指標數據和建設用地數據來源于云南省統計局發布的《云南省統計年鑒》。

2 年度夜間燈光數據合成

2.1 數據預處理

NPP-VIIRS原始影像采用的是GCS_WGS_1984地理坐標系,為使投影變形最小,把數據轉換為Albers等面積投影,并將像元大小重采樣至0.5 km×0.5 km,最后利用云南省行政區劃矢量數據裁剪出云南省區域的夜間燈光影像。圖1為通過預處理得到的2015年12月云南省夜間燈光影像。

圖1 2015年12月云南省NPP-VIIRS影像

2.2 確定閾值及有效燈光提取

傳統的影像提取采用掩膜法提取法:將2015年和2016年標準年度數據進行鑲嵌,并將得到的影像有燈光的像元賦值1,沒有燈光的像元賦值為0,這樣就生成一個二值圖像,以此作為掩膜對影像進行提取,對應值為1的像元保留其亮度值,而為0的剔除其亮度值,從而提取出有效燈光值。該方法雖然簡單、直觀,但也存在弊端,利用二值圖像作為掩膜提取燈光影像,提取出的像元是固定的,而社會在不斷進步、發展,有效燈光區域也在隨時間發生著變化。該方法可能對臨近兩年影像提取有效,但隨著時間推移,會忽略新增或消失的有效燈光,其有效燈光的提取能力會急劇降低,并不適用于長時間序列的影像提取。

現有的夜間燈光影像處理都是基于年度均值燈光影像(初始的月度影像數據求平均值)來進行的,但同一年度不同月份之間燈光數據的差距顯著。如圖2所示,2016年夜間燈光影像中非零像元數1月份為257 025個,而5月份為1 526 843個。在TDN值(總DN值)方面,2018年4月為966 209,而12月為771 279。圖3統計了2015年至2020年各月影像的最大DN值,其中2015年8月最大DN值為1 242.94,4月最大DN值為207.3?？傊?無論在影像DN值方面還是影像非零像元數方面月度間差距過大,這種差異在各年影像中均有體現,這會導致直接基于年度均值影像進行影像提取過程中的誤差累積。

圖3 各月燈光數據最大DN值統計圖

NPP-VIIRS夜間燈光數據由于受到大氣、云層、極光、閃電等雜散光源的影響,影像存在大量背景噪聲[9-13],噪聲呈現值小范圍大的特點。背景噪聲廣泛地分布于影像各點上,當其分布在建設用地范圍內時,與有效燈光疊加在了一起,而當其分布在非建設用地區域內時,因為非建設用地包括農用地和未利用地,這些區域基本沒有燈光,所以可以認定分布在非建設用地區域內的都為背景噪聲,這些區域的燈光會影響燈光影像數據的應用,屬于無效燈光,需給予剔除。綜上,建設用地面積的占比可近似當作有效燈光的像元數量占比。

因此,本文提出以建設用地數據為輔助數據,采用閾值法逐月對燈光影像進行提取。首先結合建設用地數據分別求出各月閾值,即有效燈光的最小值,然后對閾值以上的燈光認定其為有效燈光并保留其亮度值,而閾值以下的燈光認為其為背景噪聲并進行剔除。由于2012—2014年的建設用地數據沒有更新,這3年使用的數據仍是2008年的。所以選擇對2015—2020年共72個月的數據進行處理。如式(1)所示,求取各月有效燈光像元數,并根據有效像元數統計出各月閾值(表1)。

表1 各月度閾值

(1)

式中:Sn表示各年云南省建設用地面積;S=394 100 km2為云南省全省面積;Tn為有效燈光像元數;T=1 532 714為總像元數。

得出閾值后,按式(2)分別對各月夜間燈光影像進行去噪。

(2)

式中:DN表示月度夜間燈光數據中的實際DN值;DNi表示各月閾值。

2.3 極高值的消除

火光等短暫光源或地表反射率過高會使得夜間燈光數據出現少部分極高值,不符合實際情況[14-16]。傳統的處理方法是假定隨著發展,越接近當前的夜間燈光數據其燈光亮度越大,并結合統計數據選取出發展最好的一個區域,取其最大燈光值,最后依照其他燈光值不大于選取的最大燈光值為原則進行剔除。但從2015年和2016年的標準年度影像來看(2015云南省最大燈光值為212.305,2016年云南省最大燈光值為181.408),其燈光值并不是越接近當前燈光亮度越高,所以本文采用中值法來去除高輻射值,即求取12個月最大中位數作為其最大閾值,這就能避免產生因為年份不同而引起的偏差,還不會受個別月份最大燈光值較小的影響,計算如式(3)所示。

(3)

式中:DN表示月度夜間燈光數據中的實際DN值;DNmax表示最大閾值。

2.4 年度夜間燈光數據合成

由于選擇的研究區位于低緯度地區,夜間燈光數據不會出現夏季失真的情況,12個月份的數據都正?？捎?經過逐月對數據進行處理,原始月度數據中的背景噪聲和異常高值都已經被去除。利用式(4)對處理得到的12個月數據求取均值最終得到所需的年度均值影像。

(4)

式中:DNj表示某一年的燈光亮度值均值;DNi表示某月的燈光亮度值。

3 結果與驗證分析

3.1 閾值去噪結果

結合建設用地數據按比例統計出每月夜間燈光數據閾值,對影像重分類,剔除了閾值以下的燈光。圖4和圖5分別是2015年閾值去噪前后的云南省夜間燈光影像部分燈光亮度值的數量關系。圖4中亮度值在(0.03,0.24)的數量遠大于其他亮度值數量,同時影像中還存在少量亮度值為負值的像元,這些就是影像中需要剔除的背景噪聲和負值。圖5中不同大小亮度值的分布更為均勻,且最小燈光亮度為0,說明經過低閾值去噪處理過后的影像各個點上的背景噪聲得到了很好的剔除,同時其影像上存在的個別負值也得到了消除。

圖4 閾值去噪前云南省夜間燈光影像部分燈光亮度值的數量關系

圖5 閾值去噪后云南省夜間燈光影像部分燈光亮度值的數量關系

3.2 極高值剔除結果

雖然經過閾值提取后的影像背景噪聲得到了很好的剔除,但通過對比同一年12個月份的影像發現有一半以上月份的影像中存在少數的燈光異常值,這些燈光值表現為DN過高,遠遠超出其實際情況,需給予剔除。表2為利用中值法剔除影像異常值前后的燈光最大值對比表。

表2 影像異常值剔除前后最大DN值對比表

3.3 年度均值圖像合成結果

通過閾值降噪、中值法剔除極高值后,得到校正后的月度夜間燈光數據,最后利用校正后的月度數據合成年度均值影像。圖6、圖7為2020年云南省未校正的夜間燈光影像和校正合成后的夜間燈光影像。從圖中可以看出,未校正的影像中整個研究區的像元都有燈光值,這是因為影像存在大量背景噪聲,而校正后的影像中大部分像元燈光亮度值為0,有燈光值的區域主要在城區及其周邊地區,這與實際相符,同時也說明影像中的背景噪聲得到了很好的剔除。

圖6 2020年云南省未校正影像

圖7 2020年云南省校正合成影像

為進一步對比校正前后的影像變化,本文從像元層面對校正前后的夜間燈光影像作對比分析。表3列舉出校正前后云南省夜間燈光影像的最小DN值、最大DN值、總DN值、非零像元數和非零像元數占總像元數的比例。通過表3對校正前后夜間燈光影像對比發現,校正后的夜間燈光影像的像元情況更符合實際。

表3 校正前后年度均值影像對比表

3.4 精度分析

經濟參數擬合能力是評價夜間燈光影像校正效果的重要指標,除了GDP外,夜間燈光數據還與用電量數據高度相關。為了更進一步驗證燈光數據的校正效果,利用GDP統計數據和用電量數據對校正后夜間燈光影像的TDN數據通過SPSS軟件做回歸分析,定量地說明其校正合成效果,同時為了說明本文校正方法的可靠性,將擬合結果與傳統的掩膜法校正方法通過相關系數進行比較,其模型相關性系數如表4所示。從表中可以看出,無論是對GDP還是對用電量,本文提出的閾值法校正結果的相關系數都要優于傳統的掩膜法,說明本文的夜間燈光數據校正方法對燈光數據的校正效果更好。

表4 回歸模型系數對比表

比較3種回歸模型,其中線性回歸模型精度最高,圖8為掩膜法和閾值法校正的燈光數據與GDP和用電量數據的線性回歸圖。云南省2019年和2020年GDP分別為23 223.75億元、24 521.90億元,其閾值法線性模型計算值為23 143.67億元、24 368.71億元,相對誤差分別為0.34%、0.62%,掩膜法線性模型計算結果為23 120.05億元、244 311.92億元,相對誤差為0.45%、0.86%。而2019年、2020年云南省用電量為3 251.88億千瓦小時、3 451.17億千瓦小時,其閾值法線性模型計算值為3 112.61億千瓦小時、3 246.86億千瓦小時,相對誤差分別為4.28%、5.92%,掩膜法線性模型計算結果為3 407.70億千瓦小時、3 565.51億千瓦小時,相對誤差為4.79%、3.31%。綜上,與傳統掩膜法校正的年度燈光數據相比,本文的閾值法逐月對燈光數據校正合成的年度數據經濟參量、用電量估算能力明顯提高,數據更可靠,可用性增強。

圖8 掩膜法、閾值法校正結果與GDP、用電量數據的線性回歸圖

4 結束語

本文以云南省為例,結合建設用地數據求出各月夜間燈光亮度閾值,逐月對2015—2020年的月度夜間燈光數據提取有效燈光,然后在利用中值法去除異常值,得到合成年度均值影像,并將原始數據與合成數據結合GDP進行了精度對比分析。結果表明,合成年度數據有較高的可用性,其合成方法避免了誤差累積,更加科學地提取出了有效燈光。同時,合成的年度數據較傳統掩膜法校正得到的燈光數據精度更高。通過本文的研究在一方面彌補了NPP-VIIRS夜間燈光數據年度數據的不足,可為之后長時間序列的夜間燈光數據研究提供一定的數據支持。另一方面,本文的校正方法避免了誤差的累積,相比傳統的掩膜法提高了夜間燈光數據的精度。