遥感数据与社会调查结合的区域经济发展估算方法及系统

摘要

本发明公开了一种遥感数据与社会调查结合的区域经济发展估算方法及系统，该系统包括：数据读取模块、图像预处理模块、分类模块、敏感因子选取模块、模型构建模块和精度评价模块。该方法包括：S1、选择研究区域，获取卫星遥感图像及对应年份的社会调查数据；S2、对获取的卫星遥感图像进行操作，获取覆盖整个研究区域的卫星遥感图像；S3、对研究区域的土地利用类型进行分类；S4、选择敏感因子；S5、构建区域经济发展估算模型；S6、对区域经济发展估算模型进行精度评价。本发明为区域经济发展预测和经济数据纠偏提供了一种新思路，并为人类提供了一种观测经济活动及其影响的新途径，具有流程简单、易于操作、客观性强等优点。

说明书

技术领域

本发明涉及一种遥感数据与社会调查相结合的领域，特别是卫星遥感数据与社会调查相结合的区域经济发展估算方法及系统。

背景技术

区域经济发展是指在一定时空范围内的经济增长、人口增长、产业组织和结构升级等经济活动。随着社会发展进程的加快，区域经济发展不平衡、城乡差距增大、城市资源承载力饱和等问题日益突出，引起了科学家和社会学家越来越多的关注和思考。评估区域经济发展有利于客观认识资源消耗、环境污染、人口膨胀等社会问题，对于了解区域发展进程、评估区域用地水平、制定更合理的区域发展策略具有重要意义。

通常情况下，评估区域经济发展有两种方法：基于社会调查的方法和基于遥感夜间灯光数据的方法。基于社会调查的方法主要利用国内生产总值(GDP)等统计数据来分析区域经济发展形势，虽然比较直观，但存在以下两个问题。一方面，统计数据存在数据缺失、空间信息缺乏等缺点，另一方面，统计数据往往以“实地调查，层层上报”的方式获取，成本较高，且容易受人为主观因素影响，存在很大的不确定性。基于遥感夜间灯光数据的方法是在建立灯光辐射值与GDP等经济指标之间相关性的基础上进行的，从时间和空间上弥补了常规统计数据的不足，但遥感夜间灯光数据空间分辨率较低，并且仅仅依靠灯光辐射值也使得分析结果较为单一。因此，如何从更精细尺度上获取能够反映区域经济发展的真实信息，客观地认识和了解区域经济发展情况，已成为研究者广泛关注的问题。

遥感技术具有观测范围广、时序长、获取成本低的优势，能够客观反映土地利用情况和人类对地表改造程度，为从宏观尺度上了解区域土地利用与覆被变化情况，评估区域经济发展提供了契机。并且光学遥感数据具有比夜间灯光数据更高的空间分辨率，能够从更精细尺度上区分不同地物类别。因此，针对传统区域经济发展评估中存在的问题，本发明拟利用卫星遥感数据，建立土地利用类型与各经济指标之间的联系，构建遥感技术和社会调查相结合的区域经济发展模型。

发明内容

本发明的目的是为区域经济发展预测和经济数据纠偏提供了一种新思路，并为人类提供了一种观测经济活动及其影响的新途径，对于了解区域经济发展，调整和修正统计数据具有重要意义。

为实现上述目的，本发明提供了如下方案：

遥感数据与社会调查结合的区域经济发展估算方法，包括以下步骤：

S1、选择研究区域，搜集所述研究区域长时间序列卫星遥感图像及对应年份的社会调查数据；

S2、对所述获取的卫星遥感图像进行辐射定标、大气校正、图像拼接和裁剪操作，获取覆盖整个所述研究区域的卫星遥感图像；

S3、根据地物在所述卫星遥感图像上的表现特征，选择训练样本，采用最大训练法进行监督分类，将所述研究区域分为建设用地、植被、水体、裸地四类，并获取各土地利用类型的面积；

S4、计算土地利用类型与各经济指标之间的相关系数，选择与所述各经济指标相关系数最大的土地利用类型作为该经济指标的敏感因子；

S5、根据所述选择的敏感因子，构建区域经济发展估算模型，利用最小二乘法拟合模型系数；

S6、选择百分偏差绝对值、均方根误差、相关系数对所述区域经济发展估算模型进行精度评价。

优选地，步骤S1中所述社会调查数据为：国内生产总值GDP、第一产业值PPI、第二产业值PSI、第三产业值PTI、户籍人均GDP。

优选地，所述步骤S3中遥感图像上的表现特征包括:光谱特征、几何特征、纹理特征、空间关系特征。

优选地，将步骤S4中所述各社会调查数据进行单位转换，使各项数据处于同一个量级。

优选地，所述步骤S4中计算土地利用类型与各经济指标之间的相关系数的步骤为：

S4.1、对各土地利用类型面积、各社会调查数据进行对数和指数运算；

S4.2、分别利用原始数据、对数运算后数据、指数运算后数据，计算各土地利用类型面积与各社会调查数据之间的相关系数；

S4.3、将所述相关系数按照从大到小的顺序排序，选择与各社会调查数据相关系数最大的土地利用类型作为经济指标敏感因子。

优选地，所述步骤S5中构建区域经济发展估算模型的步骤为：以国内生产总值GDP、第一产业值PPI、第二产业值PSI、第三产业值PTI、户籍人均GDP社会调查数据为因变量，以基于卫星遥感数据得到的土地利用分类结果和常住人口为自变量，采用一次多项式的形式构建区域经济发展估算模型。

优选地，所述区域经济发展估算模型为:Y＝a×X

优选地，利用最小二乘法拟合所述模型系数,具体公式如下:

其中a、b、c表示待拟合模型的系数；

遥感数据与社会调查结合的区域经济发展估算系统,包括:

卫星遥感数据与社会调查数据读取模块:用于输入图像格式的卫星遥感数据和文本格式的社会调查数据；

图像预处理模块:用于对卫星遥感数据进行辐射定标、大气校正、图像拼接和裁剪操作；

卫星遥感数据分类模块:根据不同地物在遥感图像上表现出的光谱特征、几何特征、纹理特征和空间关系特征，选择训练样本，利用最大似然法执行监督分类，将研究区域划分为建设用地、植被、水体、裸地四个类别，并统计各土地利用类型的面积；

敏感因子选取模块:计算所述各土地利用类型面积与各经济指标之间的相关系数，选择与各经济相关系数最大的土地利用类型作为该经济指标的敏感因子；

区域经济发展估算模块:根据选择的敏感因子，采用一次多项式构建区域经济发展估算模型；

精度评价模块:用于统计模型计算数据和实测数据之间的百分偏差绝对值。

本发明与现有技术相比，具有如下优点：

(1)本发明针对卫星遥感数据的特点，构建了卫星遥感数据和社会调查相结合的区域经济发展估算模型，从区域经济发展和地球表面形态改变的关联关系入手，综合利用卫星遥感数据提供的地球表面形态变化信息，结合常住人口数据，有效避免了“统计数据空间性差”的问题，也较好地抑制了现有区域经济发展评价数据“易受调查人员主观因素影响”等现象，操作简单，自动化程度较高，保证了区域经济发展估算的客观性、可靠性和准确性。因此，相比于传统的区域经济发展估算方法，应用前景更加广阔。

(2)本发明建立各土地利用类型与各经济指标之间的相关关系，并用于区域经济发展模型构建，有效地利用了卫星遥感数据“客观性强、成本低、覆盖范围广、成像迅速”的特点，效率较高，实现简单。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明系统模块示意图；

图2为本发明技术流程图；

图3为本发明实施例输入的一副研究区域卫星遥感数据示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明的卫星遥感数据和社会调查数据读取模块，输入图像格式的卫星遥感数据和文本格式的社会调查数据；图像预处理模块，对卫星遥感数据进行辐射定标、大气校正、图像拼接和裁剪等操作；卫星遥感数据分类模块，根据不同地物在遥感图像上表现出的光谱特征、几何特征、纹理特征和空间关系特征，选择训练样本，利用最大似然法执行监督分类，将研究区划分为建设用地、植被、水体、裸地等类别，并统计各土地利用类型的面积；敏感因子选取模块，计算各土地利用类型面积与各经济指标之间的相关系数，并将相关系数按照从大到小的顺序进行排序，选择与各经济指标相关系数最大的土地利用类型作为该经济指标的敏感因子；区域经济发展估算模型构建模块，以各经济指标为因变量，以被选作敏感因子的土地利用类型和常住人口数据为自变量，采用一次多项式的形式构建区域经济发展估算模型，利用最小二乘法拟合模型系数；精度评价模块，统计模型计算数据和实测数据之间的百分偏差绝对值、均方根误差、相关系数等指标，对构建的区域经济发展估算模型进行精度评价。

本发明的卫星遥感数据与社会调查相结合的区域经济发展估算方法及系统的技术流程如图2所示，本实施例以浙江省舟山市为例，研究区示意图和卫星遥感数据如图3所示，综合利用卫星遥感数据与社会调查相结合的区域经济发展估算方法对本发明进行说明，包括以下步骤：

S1、获取研究区卫星遥感数据和社会调查数据，并对卫星遥感数据进行预处理。

数据时间跨度为1984至2017年，共27年，其中1884、1987、1990、1991、1993、1997、1998、1999、2001、2003、2005、2006、2008、2010、2013、2014、2016、2017共18年的数据用于模型构建，1988、1992、1996、2000、2004、2007、2009、2011、2015共9年的数据用于精度评价。

卫星遥感数据来自Landsat系列卫星，社会调查数据由舟山市统计局公布，包括经济指标(国内生产总值GDP、第一产业值PPI、第二产业值PSI、第三产业值PTI、户籍人均GDP)与常住人口数据。2005年以前，舟山市没有常住人口的年度调查数据，只有在间隔十年的人口普查年份才有记录。

获取的数据信息具体如表1所示。

表1

S2、对获取的卫星遥感数据进行定标等预处理操作

本实施例获得舟山市地区的卫星遥感数据，对卫星遥感数据进行辐射定标、大气校正、图像拼接和裁剪，其中辐射定标将数字量化值转换为具有物理含义的辐亮度，大气校正用以去除大气吸收和散射的影响，获取能反应地物真实反射信息的反射率数据，图像拼接和裁剪用以获取覆盖整个研究区的卫星遥感数据。

S3、对预处理后的卫星遥感数据进行土地利用分类。

根据地物在卫星遥感数据上的表现特征(光谱特征、几何特征、纹理特征、空间关系特征)，选择训练样本，利用最大似然法对预处理后卫星遥感数据执行监督分类，将研究区地表覆盖分为建设用地(包括城乡建筑、港口码头、道路等)、植被(包括林地、农田)、水体(河流湖泊、养殖水田)、裸地(包括滩涂、沙地、)4类；统计各地表类型像元数，结合卫星遥感数据空间分辨率，计算各土地利用类型面积。

在本实施例中，各土地利用类型面积由如下公式计算：

area

其中，area

各经济指标数据和各土地利用类型面积如表2和表3所示。

表2

表3

S4、通过相关分析提取经济指标敏感因子。

计算各经济指标与各土地利用类型面积的相关系数，并将相关系数按照从大到小的顺序排序，选择与各经济指标相关系数最大的土地利用类型作为该经济指标的敏感因子。

在本实施例中，为了去除数据之间的冗余，更为清晰地发现数据之间的联系，对各经济指标和各土地利用类型面积进行指数、对数运算。具体由如下公式计算。

其中，X、X'和X”分别表示原始数据、指数运算后数据和对数运算后数据，X

分别利用原始数据、对数运算后数据、指数运算后数据，计算各土地利用类型面积和各经济指标之间的相关系数；

具体由如下公式计算：

其中，ρ为某一土地利用类型面积X和某一经济指标Y之间的相关系数；

数据对数或指数变换前后，各经济指标与各土地利用类型面积之间的相关系数矩阵如表4所示。

表4

通过相关系数矩阵可以看出，对于各经济指标，相关性最强的均为建设用地面积，相关系数分别为0.959、0.939、0.955、0.957，因此选择建设用地面积作为各经济指标的敏感因子。同时，户籍人均GDP与建设用地也有较强的相关性，因此，选择常住人口作为各经济指标的第二个敏感因子。

S5、构建卫星遥感数据和社会调查数据相结合的区域经济发展模型。

根据选取的相关性最高的敏感因子，以对数变换后的经济指标为因变量，以对数变换后的建设面积和对数变换后的常住人口为自变量，采用一次多项式的形式构建区域经济发展估算模型。具体公式为：

Y＝a×X

其中，Y表示某一经济指标，单位为亿元，X

利用最小二乘法拟合模型系数。

具体公式如下：

其中，a、b、c表示待拟合模型的系数；

将构建的双因子模型(以对数变换后的经济指标为因变量，以对数变换后的建设面积和对数变换之后的常住人口数据为自变量)和单因子模型(以对数变换后的经济指标为因变量，以对数变换后的建设面积为自变量)进行比较。

模型构建结果如表5所示。

表5

从表5可以看出，加入常住人口的双因子模型的决定系数要明显高于单因子模型的决定系数，这说明本发明构建的卫星遥感数据和社会调查相结合的区域经济发展估算模型具有较强的稳定性。

S6、利用实测数据对模型进行精度评价。

将对应年份的建设用地面积和常住人口数据输入模型，得到预测之后的各经济指标。计算模型预测得到的各经济指标与对应年份的实测经济指标之间的百分偏差绝对值、均方根误差、相关系数。

在本实施例中，百分偏差绝对值可以反映预测值距实际值的偏离度，百分偏差绝对值越小，说明偏离度越小，均方根误差可以反映预测数据离真实数据的波动情况，均方根误差越小，说明波动情况越小，相关系数可以反应两组数据之间的相关程度，相关性系数越大，相关性越高，则说明两组数据越接近。具体由如下公式计算得到。

其中，D、RMSE、R

精度评价结果如表6所示。通过精度评价结果可以看出：双因子模型的平均百分偏差绝对值要小于单因子模型；双因子模型平均RMSE为41.00，优于单因子；各模型的预测值与真实经济指标的相关系数保持在0.900以上，说明了敏感因子选取的正确性，并且考虑常住人口数量之后，模型预测更符合真实情况，各经济指标的平均相关系数增加至0.960，高于单因子模型的平均相关系数0.936。

表6

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。