一种基于夜间灯光影像的能源碳排放量遥感估算方法

摘要

本发明提供了一种基于夜间灯光影像的能源碳排放量遥感估算方法，其包括以下步骤：步骤1、基于夜间灯光影像提取城市建设用地；步骤2、基于夜间灯光影像模拟能源碳排放量；其中，步骤1包括：步骤11、识别建设用地和非建设用地的过渡带；步骤12、提取过渡带以外的建设用地；步骤13、提取过渡带内包含的建设用地；步骤14、得到全部的建设用地；步骤2包括：步骤21、提取待测地区全部建设用地范围内的夜间灯光数据总值；步骤22、划分多个主导产业类型；步骤23、构建不同主导产业类型的能源碳排放量反演模型。本发明通过建立能源碳排放量模型，根据夜间灯光影像以及不同主导产业类型即可对任意地区的能源碳排放量进行预测。

说明书

技术领域

本发明涉及反演技术，具体涉及一种基于夜间灯光影像的能源碳排放量遥 感估算方法。

背景技术

探索经济发展与能源消费等人类活动造成的碳排放成为目前国内外学术界 研究的热点问题。据统计，2000年以来中国CO₂排放量年均增速达10％左右， 2008年碳排放量达83.25亿吨，超过美国成为世界第一碳排放大国。巨大的排 放量和较高的增速，使中国面临着巨大的减排压力。由于中国各区域经济社会 发展和能源消费结构存在很大差异，因此，科学准确地测算和分析不同区域碳 排放的时空变化，揭示其机理问题，是未来明确减排目标、科学制定减排计划 的根本前提。

中国大陆关于能源消费碳排放的相关研究起步较晚，但伴随着国际对中国 碳减排的关注以及国内各区域节能减排、低碳城市的快速推进，近年国内外许 多不同学科领域的学者(如地理学、环境科学、生态学、经济学、管理学等) 也开始广泛开展了关于中国的能源消费碳排放相关研究，并取得了一定的研究 成果。主要包含以下几个方面。(1)基于全国能源消费统计数据，测算了国家 尺度的能源消费碳排放量、碳排放强度和人均碳排放量的变化趋势、空间格局 以及不同产业的碳排放差异。(2)结合中国人口、GDP、产业数据、能源消费 数据等，分析了影响中国能源消费碳排放量的主要因素。(3)利用对数平均迪 氏分解模型(LogarithmicMeanDivisiaIndex,LMDI)，分解了影响中国能源消费 碳排放的主导因素，揭示碳排放影响因素在不同区域的贡献率。(4)基于中国 碳排放格局、趋势及主要影响因素分析结果，开展了初步的减排策略研究。另 外，部分学者也对省级、区域尺度和部分发达城市的碳排放进行了类似的研究。

然而，大部分研究主要依据国家统计局及下属部门发布的统计数据，由于 统计数据大多是以国家或省级为单位，市级及更小尺度的没有相对完整的能耗 统计数据，很多地区缺失严重，导致从全国层面或社会经济较发达省份研究碳 排放的成果较多，这给全面了解中国市级及以下尺度碳排放情况带来很大限制。 另外，鉴于国家级、省级、市县级统计数据的统计口径、计算方法和统计误差 等各不相同，三个层面统计数据之间存在较严重的不一致性，也给制定准确、 系统、差异化的碳减排计划带来较大困难。更重要的是，中国大陆能源统计数 据的不准确性，导致无法直接使用国外能源碳排放量的计算方法来估算中国省 市级的能源碳排放量。因此，急需引入新的空间信息获取手段，开展地区性的 能源碳排放量监测和政策研究。

“能源碳排放量”顾名思义，主要是指人类“能源消耗”所产生的碳排放。而“能 源消耗”来源于人类活动，人类活动的主要发生场地则是“建设用地”，因此，能 源碳排放量与建设用地息息相关。

美国军事气象卫星DefenseMeteorologicalSatelliteProgram(DMSP)产生的 DMSP/OLS夜间灯光影像，能够有效地探测到发生在城镇建设用地上的夜间灯 光，甚至小规模居民地、车流等产生的低强度夜间灯光，是监测建设用地、能 源消耗强度的良好数据源，具有较大的应用潜力。

国内外少数学者已经将DMSP/OLS夜间灯光数据应用于能源碳排放量估算 研究，然而，目前的反演模型仍存在较大的缺点。我国城市发展水平差异大、 产业结构类型差异大，不同产业类型的城市，其能源碳排放量与DMSP/OLS夜 间灯光数值的量化关系也有显著差异，但是目前模型算法尚没有针对不同主导 产业类型城市构建的能源碳排放量DMSP/OLS反演模型。

发明内容

针对以上不足，本发明的目的在于提供一种基于夜间灯光影像的能源碳排 放量遥感估算方法，其通过建立能源碳排放量遥感反演模型，根据DMSP/OLS 夜间灯光影像以及不同主导产业类型即可对任意地区的能源碳排放量进行模 拟。

为了实现上述目的，本发明通过下列技术方案来实现：

一种基于夜间灯光影像的能源碳排放量遥感估算方法，其包括以下步骤：

步骤1、基于DMSP/OLS夜间灯光影像提取城市建设用地；

步骤2、基于DMSP/OLS夜间灯光影像模拟能源碳的排放量；

其中，步骤1包括：

步骤11、利用ArcGIS软件对DMSP/OLS夜间灯光影像做3×3单元格最大 值邻域分析和3×3单元格最小值邻域分析，并将获取的3×3单元格最大值邻域 的斑块面积与3×3单元格最小值邻域的斑块面积相减得到差值DN1，以差值 DN1>8为阈值，识别建设用地和非建设用地的过渡带；

步骤12、根据过渡带外建设用地的DMSP/OLS夜间灯光数值大于邻近非建 设用地的DMSP/OLS夜间灯光数值，提取过渡带以外的其他建设用地；

步骤13、利用ArcGIS软件对DMSP/OLS夜间灯光影像做5×5单元格最小 值邻域分析和3×3单元格最小值邻域分析，并将获取的5×5单元格最小值邻域 的斑块面积与3×3单元格最小值邻域的斑块面积相减得到差值DN2，以差值 DN2<-7为阈值，提取过渡带内包含的建设用地；

步骤14、叠加过渡带以外的其他建设用地和过地带内包含的建设用地，得 到全部的建设用地；

步骤2包括：

步骤21、提取待测地区全部建设用地范围内的夜间灯光数据；

步骤22、划分多个主导产业类型，并根据待测地区主导产业类型，将待测 地区进行分类；

步骤23、不同主导产业类型选取代表城市若干个，利用线性或非线性拟合 的方法，模拟不同主导产业类型代表城市的夜间灯光总值SDN(获取方式与步 骤21中待测地区夜间灯光数据相同)与基于统计数据计量的能源CO₂排放量C 的拟合量化关系，构建不同主导产业类型的能源碳排放量反演模型；

步骤24、根据步骤21获取的待测地区全部建设用地范围内的夜间灯光数据 以及步骤23中构建的符合该待测地区主导产业类型的能源碳排放量反演模型估 算出该待测地区的能源CO₂排放量C的模拟量。

所述步骤21中提取待测地区全部建设用地范围内的夜间灯光数据的方法 是：根据步骤14提取待测地区的建设用地范围，并以该范围对该待测地区的 DMSP/OLS夜间灯光影像进行切割，统计该待测地区的建设用地范围内的夜间灯 光总值。

所述步骤22中以轻工业和重工业的比重A的大小，将主导产业类型划分为轻 工业类型、略重工业类型、轻度重工业类型、中度重工业类型、重度重工业类 型以及极度重工业类型，其中轻工业类型的比重A大于1，略重工业类型的比重 A＝(0.5,1]、轻度重工业类型的比重A＝(0.4,0.5]、中度重工业类型的比重A＝ (0.3,0.4]、重度重工业类型的比重A＝[0.2,0.3]以及极度重工业类型的比重A小于 0.2。

所述步骤23的实现方法为：

对每个主导产业类型均选取若干个代表城市(例如50个)作为特定地区， 所述特定地区具有已知夜间灯光总值SDN和能源CO₂排放量C统计值，将每个主 导产业类型对应的特定地区的已知夜间灯光总值SDN以及能源CO₂排放量C统计 值放入MATLAB软件中通过线性或非线性拟合的方式进行拟合，构建每个主导 产业类型的特定地区的能源碳排放量反演模型。

所述步骤23中的能源碳排放量反演模型分别为：

轻工业类型：C＝0.0353×SDN+503.96；

略重工业类型：C＝0.0317×SDN+2338.5；

轻度重工业类型：C＝6620.21×ln(SDN)+67180；

中度重工业类型：C＝-3×10^-8×SDN²+0.0572×SDN-373.89；

重度重工业类型：C＝-1×10^-8×SDN²+0.0672×SDN-640.53；

极度重工业类型：C＝-2×10^-8×SDN²+0.0421×SDN+1446。

所述步骤2还包括以下步骤：

步骤25、获取部分地区的能源CO₂排放量的实际统计量，将该实际统计量与 所述部分地区对应主导产业类型的能源碳排放量反演模型估算的能源CO₂排放 量的模拟量进行比对，以验证所述能源碳排放量反演模型的可靠性。

与现有技术相比，本发明的有益效果在于：

1、DMSP/OLS邻域分析方法提取斑块面积精度和形状相似精度高，是一种 经济、省时、有效的建设用地遥感提取方法，可以为区域尺度下城镇建设用地 扩展的监测或者利用夜间灯光数据开展其他相关研究提供新的途径；

2、通过建立能源碳排放量模型，根据DMSP/OLS夜间灯光影像以及不同主 导产业类型即可对任意地区的能源碳排放量进行估算，不仅具有独特的时空连 续性，而且弥补了传统统计数据不全、统计口径不一的缺点，是一种可靠的新 型碳排放监测手段。

附图说明

图1是本发明基于夜间灯光影像的能源碳排放量遥感估算方法的流程图；

图2是邻域分析法获取的建设用地象元数与TM影像提取的建设用地象元数 关系图；

图3是邻域分析法获取的景观形状指数与TM影像提取的景观形状指数关系 图；

图4是邻域分析法获取的聚集度指数与TM影像提取的聚集度指数关系图；

图5是邻域分析法获取的边缘面积比与TM影像提取的边缘面积比关系图；

图6是邻域分析法获取的连接度指数与TM影像提取的连接度指数关系图；

图7是模拟的能源CO₂排放量与统计数据的能源CO₂排放量之间的关系图；

图8是轻工业类型的能源碳排放量反演模型的拟合曲线；

图9是略重工业类型的能源碳排放量反演模型的拟合曲线；

图10是轻度重工业类型的能源碳排放量反演模型的拟合曲线；

图11是中度重工业类型的能源碳排放量反演模型的拟合曲线；

图12是重度重工业类型的能源碳排放量反演模型的拟合曲线；

图13是极度重工业类型的能源碳排放量反演模型的拟合曲线。

具体实施方式

下面结合附图和具体实施方式对本发明的内容做进一步详细说明。

本发明提供一种基于DMSP/OLS夜间灯光影像的能源碳排放量遥感估算方 法，其通过建立能源碳排放量遥感反演模型，即可根据夜间灯光数据总值获取 每个地区的能源碳排放量(即能源CO₂排放量)的模拟量。

本发明提出两个假设：(1)建设用地范围内的夜间灯光数据总值(SDN)， 与该地区能源碳排放量(C)具有一定的相关性，摸清地区能源碳排放量(C) 和夜间灯光数据总值(SDN)之间的量化关系，这是本发明主要解决的技术性 问题之一。(2)能源消耗和一个城市的产业类型息息相关，不同产业类型为主 导的城市，能源碳排放量(C)与夜间灯光数据总值(SDN)之间量化关系也不 同，因此，根据产业类型划分城市，构建以不同产业类型为主导的能源碳排放 量遥感估算方法，这又是本发明主要解决的一个技术问题。

鉴于此，本发明的总体思路是：(1)以轻工业和重工业作为产业主导类型 的主要表征参数，将城市按照不同轻工业/重工业的比例划分类型；(2)基于 DMSP/OLS夜间灯光影像识别城市建设用地范围；(3)根据城市建设用地边界 提取每个城市建设用地范围内的DMSP/OLS夜间灯光总值(SDN)；(4)利用部 分城市的能源统计数据，采用IPCC公布的《2006温室气体排放清单》计算方 法，来计算能源CO₂排放量(即为能源CO₂排放量的C统计量，认为是已知数 据)；(5)构建不同主导产业类型城市的能源碳排放量(C)统计值与其对应的 夜间灯光数据总值(SDN)散点图，在MATLAB软件中利用线性或非线性等拟 合方法，模拟不同主导产业类型城市能源碳排放量(C)统计值与夜间灯光数据 总值(SDN)之间的量化关系。

具体地，请参照图1所示，本发明主要阐述基于DMSP/OLS夜间灯光影像 准确提取城市建设用地的方法；以及基于DMSP/OLS夜间灯光影像建立能源碳 排放量遥感反演模型，准确模拟能源碳排放量。同时，并基于1992-2010年 DMSP/OLS夜间灯光影像，结合30个省或直辖市以及66个地级市的统计数据， 将该发明模型应用于我国大陆1992-2010年的地级市能源碳排放量模拟和验证。

一、基于DMSP/OLS夜间灯光影像准确提取城市建设用地的方法。

DMSP/OLS夜间灯光影像存在着明显的“亮源”和“暗源”，分别是建设用地和 非建设用地区域，亮源与暗源之间存在一个明显的突变区域，即建设用地与非 建设用地的过渡带。本方法是基于NeighborhoodStatistics原理，利用ArcGIS平 台软件提供的NeighborhoodStatistics表面分析工具，借鉴地形起伏度分析方法， 通过多个栅格的复合运算，构建一套基于DMSP/OLS夜间灯光邻近象元特征差 异的邻域分析方法，克服目前阈值方法的不足。

1)首先进行过渡带识别。利用ArcGIS软件对DMSP/OLS夜间灯光影像做 3×3单元格最大值邻域分析和3×3单元格最小值邻域分析，并将获取的3×3单 元格最大值邻域的斑块面积与3×3单元格最小值邻域的斑块面积相减得到差值 DN1，以差值DN1>8为阈值，识别建设用地和非建设用地的过渡带。

2)然后提取过渡带以外的建设用地。过渡带以外建设用地的DMSP/OLS 夜间灯光数值一般大于邻近非建设用地夜间灯光数值，根据这一特征提取分界 带以外建设用地。

3)接着提取过渡带内包含的建设用地。利用ArcGIS软件对DMSP/OLS夜 间灯光影像做5×5单元格最小值邻域分析和3×3单元格最小值邻域分析，并将 获取的5×5单元格最小值邻域的斑块面积与3×3单元格最小值邻域的斑块面积 相减得到差值DN2，以差值DN2<-7为阈值，提取过渡带内包含的建设用地。

4)最后叠加过渡带外的建设用地和过渡带内的建设用地提取结果，得到整 个城市的建设用地。

二、基于DMSP/OLS夜间灯光影像准确模拟不同主导产业地级市能源碳排 放量的算法。

不同主导产业的区域，其能源CO₂排放特征(平均CO₂排放强度、平均能 源利用效率、平均能源结构)均有所不同，一个地区的重工业和轻工业比重可 以作为反应其主导产业的一个重要指标。因此，本发明以轻工业和重工业的比 重作为划分不同主导产业城市的主要依据，构建不同主导产业地级市能源碳排 放量的算法。

1)首先提取各省市建设用地范围内的夜间灯光数据。基于第一部分的步骤 4)最终提取的建设用地范围，切割DMSP/OLS夜间灯光影像，获取各省市的建 设用地范围内的DMSP/OLS夜间灯光数据，并统计建设用地范围内的夜间灯光 总值(SDN)。

2)然后划分不同主导产业类型城市。考虑到中国大部分省市以重工业为主 导，本研究利用各省市轻工业和重工业比重，分别划分以轻工业为主导城市(轻 工业：重工业>1)、略重工业主导城市(1>轻工业：重工业>0.5)、轻度重工业 主导城市(0.5>轻工业：重工业>0.4)、中度重工业主导城市(0.4>轻工业：重 工业>0.3)、重度重工业主导城市(0.3>轻工业：重工业>0.2)；极度重工业主导 城市(0.2>轻工业：重工业)等6种不同主导产业的城市类型。

3)最后构建不同主导产业类型城市的能源碳排放量反演算法。利用线性、 非线性拟合方法，模拟不同主导产业类型省市的夜间灯光总值(SDN)与相应 的能源CO₂排放量(C)的统计量的拟合量化关系，构建基于DMSP/OLS夜间 灯光影像的能源碳排放量反演模型，请分别参照图8-13所示。

基于上述方法，本发明构建了基于不同轻工业：重工业比重城市类型划分 的能源碳排放量DMSP/OLS遥感估算方法，如下公式：

三、基于DMSP/OLS夜间灯光影像准确提取城市建设用地精度验证

由于LandsatTM影像的空间分辨率相对较高(30×30m²)，学者普遍认为基 于TM影像提取的建设用地图斑是可靠的验证数据源，因此本发明以1996、2000 年、2005年、2009年广州、东莞、佛山、惠州、江门、深圳、中山、珠海等8 个城市和2009年北京等30多个城市的LandsatTM/ETM+影像作为验证数据源， 以建设用地象元数、景观形状指数、聚集度指数、边缘面积比和连接度指数作 为验证指标，对提取结果分别进行时间尺度和空间尺度的验证，分别如图2-6 所示。结果表明：该邻域分析方法的提取图斑面积与TM提取结果相近，均方 根误差为193.56个象元数，平均相对精度为87.21％，平均kappa系数(一致性 系数)为0.731，而且形状相似度高，景观形状指数、聚集度指数、边缘面积比 和连接度指数相关系数(R²)分别达到0.46、0.38、0.82和0.96。可见，DMSP/OLS 邻域分析方法提取斑块面积精度和形状相似精度高，是一种经济、省时、有效 的建设用地遥感提取方法，可以为区域尺度下城镇建设用地扩展的监测或者利 用夜间灯光数据开展其他相关研究提供新的途径。

四、基于DMSP/OLS夜间灯光影像准确模拟不同主导产业地级市能源碳排 放量的算法精度验证。

为确保能源CO₂排放量模拟值的可靠性，将其与基于统计数据计算的30个 省及直辖市以及66个地级市的CO₂排放量进行比照，请参照图7所示。结果发 现，模拟的能源碳排放量与统计数据计算值最大相差26998.25万t，最小相差6 万t，均方根误差(RMSE)为853.66万t，相对误差(RE)为6.65％。可见， 利用DMSP/OLS夜间灯光影像能有效估算我国市级CO2碳排放量，不仅具有独 特的时空连续性，而且弥补了传统统计数据不全、统计口径不一的缺点，是一 种可靠的新型碳排放监测手段。

本发明提出了一种以不同主导产业比重为划分的能源碳排放量遥感模拟技 术，较之前相关研究(Su等，2015)，本发明提出的方法其模拟精度更高。R²是代表一个模型拟合结果和精度的衡量标准，本模型拟合结果显示，6个不同产 业类型比重的城市其能源碳排放量(C)和夜间灯光总值(SDN)拟合关系的 R²分别为0.9013、0.9572、0.8832、0.9087、0.9207和0.9128，较之前的相关研 究(Su等，2015，R²＝0.80)有了很大改进。

上述实例只是为了说明本发明的技术构思及特点，其目的是在于让本领域 内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明 的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵 盖在本发明的保护范围内。