為了減小利用夜間燈光影像估算城市電力消費(fèi)量時(shí)的誤差,需要考慮樣本地區(qū)的發(fā)展?fàn)顩r,在估算之前對(duì)樣本進(jìn)行分類。選取2015年中國(guó)大陸263個(gè)地級(jí)市的NPP-VIIRS夜間燈光數(shù)據(jù)對(duì)城市電力消費(fèi)量進(jìn)行估算。提出了基于燈光結(jié)構(gòu)而非傳統(tǒng)統(tǒng)計(jì)數(shù)據(jù)的K-Means城市分類算法。利用該方法將樣本分為5類并估算電力消費(fèi)量,與其他分類方法的估算結(jié)果相比可知:該方法估算值的平均相對(duì)誤差和均方根誤差分別為32.02%和57.04,較不分類時(shí)分別減小25和3.39百分點(diǎn);估算中的高精度城市比例為53.99%,較不分類時(shí)增加了13.59百分點(diǎn),且為所有方法中的最高比例;相較不分類時(shí)的估算結(jié)果,有152個(gè)城市的估算誤差有所降低。該方法性能與其他分類方法的最優(yōu)性能相似。 

【文章來(lái)源】：國(guó)土資源遙感. 2020,32(04)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

波士頓矩陣

設(shè)聚類中心個(gè)數(shù)K=4時(shí)，使用以上4種聚類算法對(duì)樣本進(jìn)行了10次聚類，其CP和SP指標(biāo)變化如表3和圖2所示。綜合考慮2個(gè)指標(biāo)及穩(wěn)定性，選取K-Means聚類算法對(duì)城市進(jìn)行分類。3.1.2 聚類中心個(gè)數(shù)

圖3中，聚類方差在K=5時(shí)有1個(gè)拐點(diǎn)，所以設(shè)聚類中心個(gè)數(shù)K=5,K-Means聚類后聚類中心特征分布如圖4所示。各類別城市的燈光分布特征分析及代表性城市如表4所示。3.2 EPC估算結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]DMSP/OLS和VIIRS/DNB夜間燈光影像的校正及擬合[J]. 李雪萍,貢璐.  測(cè)繪通報(bào). 2019(07)
[2]基于夜間燈光數(shù)據(jù)的六盤山連片特困區(qū)貧困度識(shí)別[J]. 沈丹,周亮,王培安.  國(guó)土資源遙感. 2019(02)
[3]基于夜間燈光數(shù)據(jù)的人口空間分布研究綜述[J]. 肖東升,楊松.  國(guó)土資源遙感. 2019(03)
[4]基于波士頓矩陣的夜光遙感電力消費(fèi)估算方法[J]. 李熙,薛翔宇.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2018(12)
[5]基于NPP/VIIRS夜間燈光數(shù)據(jù)和土地利用數(shù)據(jù)的人口分布圖繪制——以大連金普新區(qū)為例[J]. 李欣欣,王利,何飛.  遙感信息. 2018(04)
[6]基于夜間燈光與LUC數(shù)據(jù)的川渝地區(qū)人口空間化研究[J]. 胡云鋒,趙冠華,張千力.  地球信息科學(xué)學(xué)報(bào). 2018(01)
[7]基于衛(wèi)星燈光數(shù)據(jù)的我國(guó)省域電力消費(fèi)模擬研究[J]. 馬忠玉,肖宏偉.  中國(guó)能源. 2017(01)
[8]基于NPP-VIIRS夜間燈光數(shù)據(jù)的北京市GDP空間化方法[J]. 李峰,米曉楠,劉軍,劉小陽(yáng).  國(guó)土資源遙感. 2016(03)
[9]1995-2008年中國(guó)大陸電力消費(fèi)量時(shí)空動(dòng)態(tài)[J]. 李通,何春陽(yáng),楊洋,劉志鋒.  地理學(xué)報(bào). 2011(10)
[10]城市群內(nèi)城市分級(jí)方法比較研究——以成都平原城市群為例[J]. 施建剛,裘麗嵐.  城市問(wèn)題. 2009(12)



本文編號(hào)：3412519