基于卫星遥感技术的区域经济发展模型构建
针对区域经济发展调查中传统方法费时费力、数据缺乏客观性的问题,从区域经济发展引起地球表面形态变化的角度出发,借助卫星遥感技术优势,构建模型,以便更加客观、真实地了解区域经济发展形势。首先,基于卫星遥感数据,获取不同时相地球表面形态变化和土地利用信息; 其次,分析各土地利用类型与各区域经济指标之间的相关性,优选敏感因子; 然后,结合社会调查数据,构建区域经济发展模型; 最后,进行精度评价,以验证模型的有效性和适用性。以舟山群岛为例的研究结果表明,建设用地面积是与各经济指标相关性最强的敏感因子,与国内生产总值(gross domestic product,GDP)、第一产业总值(primary industry product,PIP)、第二产业总值(secondary industry product,SIP)和第三产业总值(tertiary industry product,TIP)的相关系数分别为0.959 1,0.939 0,0.954 6和0.957 3; 遥感数据与社会调查数据相结合的区域经济发展模型简单清晰,精度较高,平均决定系数R2为0.979 5。本研究为区域经济发展预测和经济数据纠偏提供了一种新思路,为观测区域经济活动及其影响提供了一种新途径,对于了解区域经济发展,调整和修正统计数据具有实用意义。
引用格式
古海玲, 陈超, 芦莹, 褚衍丽. 基于卫星遥感技术的区域经济发展模型构建[J]. 国土资源遥感, 2020, 32(2): 226-232.
Hailing GU, Chao CHEN, Ying LU, Yanli CHU. Construction of regional economic development model based on satellite remote sensing technology. Remote Sensing for Land & Resources, 2020, 32(2): 226-232.
0 引言
区域经济发展是指在一定时空范围内的经济变化、人口增长、产业组织和结构升级等经济社会活动的总和[1,2,3]。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[4,5]。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2种方法: 基于社会调查的方法和基于夜间灯光遥感数据的方法[6,7,8]。基于社会调查的方法主要利用地区国内生产总值(gross domestic product,GDP)等统计数据来分析区域经济发展形势,该方法虽然比较直观,但存在以下2方面问题: 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[9,10]。基于夜间灯光遥感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,但夜间灯光遥感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[3]。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。
作为社会物质资料的生产和再生产过程,和区域发展有关的各类经济活动会造成地表形态变化,改变土地景观格局[11,12,13]。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的改造程度,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[6, 14-16]。并且光学遥感数据往往具有比夜间灯光遥感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[17,18]。因此,针对传统区域经济发展评估中存在的问题,本文拟利用Landsat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,构建遥感数据和社会调查数据相结合的区域经济发展模型。本研究可为了解和掌握区域经济发展、评估社会调查数据的准确性等提供技术支持。
1 研究区概况与数据源
1.1 研究区概况
舟山市位于浙江省东北部,拥有大小岛屿1 390个,岛上地形以丘陵为主,其中高丘占9%,低丘占61%,平原占30%,形成不同土壤类型及农作物格局[19,20]。舟山市作为第一个以群岛建设的地级市,其经济发展形势受到各研究者广泛关注。
1.2 数据源
本文收集了2方面的数据: Landsat卫星遥感数据和经济指标与人口数据。对于Landsat卫星遥感数据,考虑云层遮挡、覆盖范围等因素,从1984—2017年期间,共获取27个年份的数据用于最大似然法监督分类,时间跨度为34 a,成像时间以3—10月份为主。对于经济指标与人口数据,由舟山市统计局公布,包括GDP、第一产业总值(primary industry product,PIP)、第二产业总值(secondary industry product,SIP)、第三产业总值(tertiary industry product,TIP)、户籍人均GDP和常住人口等。由于研究年份的常住人口出现缺失现象,因此,基于已有常住人口,利用四次多项式插值,得到缺失年份的常住人口。研究区数据获取情况具体如表1所示。
表1 研究区数据获取情况
为了获取可靠的模型,并对模型进行验证和精度评价,将获取的研究区数据分为2部分,其中一部分用于模型构建,另一部分用于模型验证。用于模型构建的数据的时间点为18个,分别为1984年、1987年、1990—1991年、1993年、1997—1999年、2001年、2003年、2005—2006年、2008年、2010年、2013—2014年、2016—2017年,用于模型验证的数据的时间点为9个,分别为1988年、1992年、1996年、2000年、2004年、2007年、2009年、2011年和2015年。
2 研究方法
本研究基于长时间序列卫星遥感数据,从相关性强弱的角度选择与经济指标关系最为密切的敏感因子,结合社会调查数据,构建区域经济发展模型,分析区域经济发展形势。本研究技术路线如图1所示。首先,对收集到的长时间序列卫星遥感数据进行辐射定标、大气校正、图像拼接与裁剪等预处理操作; 其次,考虑目标地物在光谱、形状和纹理等方面的区分性,选取训练样本,采用最大似然法将研究区分为建设用地(包括城乡建筑、港口码头、道路等)、植被(包括林地、农田)、水体(包括河流湖泊、养殖水田)、裸地(包括滩涂、沙地)等4类,并统计各土地利用类型的面积; 再次,采用相关性分析,明确区域GDP,PIP,SIP,TIP和户籍人均GDP与各类地物面积之间的联系,选取与各经济指标相关性最强的地物类别作为敏感因子; 然后,基于遥感分类数据,综合考虑常住人口对区域经济发展的影响,利用回归统计分析构建区域经济发展模型; 最后,利用百分偏差、均方根误差和相关系数等指标对模型进行精度评价。
图1 本文技术路线
3 结果与分析
3.1 分类结果
选择训练样本,利用监督分类中的最大似然分类器,将研究区分为建设用地、植被、水体和裸地等4类,并统计各类别面积。具体结果如表2和图2所示(考虑到篇幅,结果图仅列出部分年份)。
表2 各土地利用类型面积
图2 分类结果
从图2可以看出,1984—2017年间,舟山市植被覆盖面积小幅减小,但整体保持在较高水平,水体面积分阶段变化明显,陆域面积不断增加。城市建设用地面积从50.84 km2增加到220.05 km2,约扩张了4.33倍。植被方面,1984—2009年间,平均面积为986.66 km2,占平均陆域总面积的76.31%; 2010—2017年间,平均面积减小为929.34 km2,占平均陆域总面积的68.86%。水体方面,1984—1992年间,由于沿海养殖区域增加,水体面积整体呈现增长趋势,平均面积为56.90 km2; 1993—2003年间,由于城镇化与沿岸港口建设,平均面积减小为46.12 km2; 2004—2017年间,由于水产养殖业的成熟与生态环境改善,平均面积增加至64.53 km2。此外,裸地面积从255.55 km2减少为115.67 km2。
3.2 敏感因子选取
为了去除数据之间的冗余,首先对各经济指标和土地利用类型数据进行对数、指数变换,以便更为准确地发现数据之间的联系。在对数运算方面,由于ln与lg所得的相关系数是一致的,因此,本文只讨论lg形式; 在对数据进行以e为底的指数运算时,为了避免结果值过大,对原始数据进行归一化处理。
表3 土地利用类型面积与各经济指标间的相关系数表
从表3可以看出,建设用地面积对数变换值对各经济指标最为敏感,与GDP,PIP,SIP和TIP的相关系数分别为0.959 1,0.939 0,0.954 6和0.957 3。此外,常住人口和人均GDP与建设用地面积也具有较强的相关性。因此,本文选择建设用地面积和常住人口作为敏感因子,构建遥感数据和社会调查数据相结合的区域经济发展模型。
3.3 区域经济发展模型构建
综合考虑单因子(建设用地面积)和双因子(常住人口数量和建设用地面积)构建区域经济发展模型,结果如表4所示。其中,因变量y代表各经济指标的对数变换值(lg),自变量x代表建设用地面积和常住人口数量的对数变换值(lg)。从表4可以看出,考虑常住人口影响的双因子模型要明显优于单因子模型,各经济指标拟合函数的平均决定系数R2从0.907 3提高到0.979 5。
表4 模型构建结果
3.4 精度评价
为了验证模型的有效性和适用性,计算实测数据与模型计算数据之间的百分偏差、均方根误差、相关系数。
表5 模型精度评价结果
从表5精度评价结果可以看出,双因子模型的平均百分偏差要小于单因子模型,并且单因子模型预测值要大于实际值,而双因子模型预测值则小于实际值; 双因子模型平均RMSE为40.99,优于单因子; 各模型预测值与真实经济指标的相关系数RyY保持在0.90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0.959 4。
4 结论与展望
本研究主要是为区域经济发展监测与评估提供一种准确、客观、节资、省时的新方法。从区域经济发展对地球表面形态的改造出发,结合土地利用/覆盖变化信息与统计数据,构建了遥感数据和社会调查数据相结合的区域经济发展模型。得到如下结论:
1)在各土地利用类型中,区域经济发展对建设用地面积的敏感性最强,建设用地面积与GDP, PIP, SIP和TIP之间的相关系数分别为0.959 1,0.939 0,0.954 6和0.957 3。
2)综合考虑建设用地面积和常住人口数量的双因子模型要优于仅仅考虑建设用地面积的单因子模型,模型平均决定系数R2由0.907 3提高至0.979 5。
3)与实测数据相比,结合建设用地面积与常住人口构建的区域经济发展模型的百分偏差和均方根误差更小,相关性更强。GDP, PIP, SIP和TIP的模型预测结果与真实结果的百分偏差分别为-8.50%,-3.06%,-11.59%和-6.00%,均方根误差分别为78.11,9.87,46.67和29.33,相关系数分别为0.967 0,0.989 0,0.908 3和0.973 5。
本研究利用中等空间分辨率卫星遥感数据进行了土地利用分类,未来将尝试利用高空间分辨率遥感数据、兴趣点数据等获取更为精细的地物类别,深入挖掘各地物类别与各经济指标之间的关系。同时,进一步收集统计数据,减小建模过程中统计数据缺失带来的影响。