基于GDP/TND建模的贵州省县级GDP估算及时空格局分析

夜间灯光强度是区域经济发展程度的直接反征,为社会经济参数的估算提供了新的思路和方法。本文将贵州省88个县级行政区作为研究区域,以GDP为其重要的社会经济参数,通过三种建模方法研究NPP-VIIRS灯光影像数据与GDP数据之间的空间关系,利用最优模型对2017年的GDP数据进行估算分析,并在此基础上,探究了贵州省2012~2017年经济发展的时空特征,分析了造成贵州省极核式空间发展格局的原因。研究结果表明:(1)GDP与灯光指标TND的pearson相关系数最高,相关性较好,优于MND和SND两项灯光指标;(2)按GDP/TND大小分级建模的GDP估算精度最高,按GDP大小分级建模的估算精度次之,未分级建模的估算精度最弱;(3)采用GDP/TND分级建模时,统计GDP与灯光指标TND的R~2均高于0.9,平均相对误差为8.29%;(4)贵州省2012~2017年经济发展速度整体呈现西高东低的趋势,花溪区GDP增长最快,与统计年鉴分析结果吻合度高。

利用遥感数据估算四川省PM2.5的4种模型对比

基于2015年四川省PM2.5地面监测数据、MODIS 3 km气溶胶光学厚度(AOD)数据和地面气象站点数据,采用简单线性回归模型、多元线性回归模型、BP神经网络模型、线性混合模型预测近地面PM2.5浓度,并利用地面监测站点数据评估模型的拟合结果。同时利用GIS分析技术,得到四川省2015年空间连续的PM2.5年均、季均浓度分布。结果表明:(1) 利用线性混合模型反演的PM2.5浓度精度最高、效果最好,其可以解释四川省PM2.5浓度75.77%的变异。(2) 线性混合模型预测的PM2.5浓度与地面实测PM2.5浓度在时空变化趋势上基本一致,即东高西低,其中成都平原经济区、川南经济区的PM2.5浓度最大,其次为川东北经济区,最低的为攀西经济区和川西北经济区。PM2.5浓度大小关系为:冬季 】春季 】秋季 】夏季。

基于iLME+Geoi-RF模型的四川省PM_(2.5)浓度估算

高分辨率PM_(2.5)空间分布数据对动态监测和控制PM_(2.5)污染具有重要意义.选取Himawari-8气溶胶光学厚度(AOD)、ERA5气象再分析资料、DEM、土地利用数据、夜光遥感数据、增强型植被指数和人口数据等作为估算变量,使用改进的重采样法进行数据匹配,并提出改进的线性混合模型(iLME)结合地理智能随机森林(Geoi-RF)构建组合模型估算PM_(2.5)浓度.结果表明:①在选取的估算变量中,气溶胶光学厚度、气压、温度、相对湿度和边界层高度是影响2016年四川省PM_(2.5)浓度的重要因素,其相关系数分别为0.65、0.58、0.55、0.54和0.35.②iLME+Geoi-RF模型精度相较其他模型有较大提升,模型拟合R2、RMSR和MAE分别为0.98、3.25μg·m^(-3)和1.98μg·m^(-3),交叉验证R2、RMSR和MAE分别为0.89、7.95μg·m^(-3)和4.81μg·m^(-3).该模型可获取更高精度的四川省PM_(2.5)时空分布特征,为区域空气质量评估、人体暴露风险评价和环境污染治理提供更加合理地科学参考.③2016年四川省PM_(2.5)浓度存在显著的季节性差异,各季节PM_(2.5)浓度大小关系为:冬季>秋季>春季>夏季.2016年四川省月均PM_(2.5)浓度总体上呈先降后升的"Ⅴ"型趋势,最小值在6月,最大值在12月,8月和11月有微小起伏.在空间分布上四川省PM_(2.5)浓度总体上呈东高西低和局部污染程度较高的特点,高值区主要分布在城市快速发展和人口密集的东部地区,低值区主要分布在经济发展落后和人口稀疏的西部地区.④虽然不同模型估算出的PM_(2.5)浓度整体分布基本一致,但iLME+Geoi-RF模型能更准确有效地估算本研究区污染的空间分布.