Scientia Geographica Sinica  2013 , 33 (6): 718-723 https://doi.org/10.13249/j.cnki.sgs.2013.06.718

Orginal Article

基于多源遥感信息的电力消费量估算与影响因素分析——以浙江省为例

杨续超, 康丽莉, 张斌, 冀春晓

浙江省气象科学研究所,浙江 杭州,310008

Electricity Consumption Estimation Using Multi-sensor Remote Sensing Data: A Case Study of Zhejiang Province

YANG Xu-chao, KANG Li-li, ZHANG Bin, JI Chun-xiao

Zhejiang Institute of Meteorological Sciences, Hangzhou, Zhejiang 310008, China

中图分类号:  TP79

文献标识码:  A

文章编号:  1000-0690(2013)06-0718-06

收稿日期: 2012-06-18

修回日期:  2013-01-12

网络出版日期:  2013-08-20

版权声明:  2013 《地理科学》编辑部 本文是开放获取期刊文献,在以下情况下可以自由使用:学术研究、学术交流、科研教学等,但不允许用于商业目的.

基金资助:  浙江省科技厅公益技术研究社会发展项目(2011C23051)、公益性行业(气象)科研专项(GYHY201106035)和中国气象局气候变化专项(CCSF-201336)资助

作者简介:

作者简介:杨续超(1980-),男,河南信阳人,博士,高级工程师,研究方向为气候变化和气象灾害风险评估。E-mail: yangxuchao@gmail.com

展开

摘要

利用DMSP/OLS遥感夜间灯光数据进行电力消费量等社会经济数据的空间化时,往往受到像元过饱和、像元溢出现象的影响。利用夜间灯光数据和植被指数(NDVI)之间的互补性构建人居指数,与NDVI的融合有效减少了夜灯数据的过饱和现象。在人居指数的计算中使用阈值法有效减少了夜灯数据像元溢出效应的影响,并对其进行了海拔修正。借助修正后的人居指数与电力消费量之间很强的相关关系建立电力消费量空间化模型,获得了2010年浙江省1 km×1 km分辨率下电力消费量的空间分布。模拟结果显示,利用修正后的人居指数对浙江省电力消费量模拟的平均相对误差为26%,表明利用多源遥感数据融合后的人居指数对电力消费量进行空间化的精度较高。

关键词: 电力消费量 ; 空间化 ; DMSP/OLS ; NDVI ; 人居指数

Abstract

The satellite-measured DMSP/OLS nighttime light data was widely used for regional level mapping of socioeconomic activities due to its high temporal resolution, free availability and wide swath. However, the use of DMSP/OLS nighttime light data as covariates for mapping socioeconomic activities faces numbers of problems. One of these is the spatial resolution of the available data. Although the DMSP/OLS sensor has a nominal resolution of 1 km, this has been resampled from the 2.7 km native resolution of the sensor. The second difficulty is caused by “overglow” due to surface reflection and scattering and refraction in the atmosphere which results in the overestimation of lighted areas. The third problem relates to low radiometric resolution of 6 bits (i. e. the digital number value ranges from 0 and 63) which results in data saturation over brightly light built-up areas. Vegetation indexes like NDVI are negatively correlated with the impervious surfaces and can be used for estimation of built-up areas. The incorporation of NDVI can reduce the errors occurring in estimating built-up areas from the DMSP/OLS nighttime light imagery due to data saturation and other factors. In present study, the DMSP/OLS nighttime light data was combined with SPOT NDVI data to develop an index called human settlement index (HSI), which estimated the fraction of built-up area on a per pixel basis. Due to the complementary characteristics between DMSP/OLS data and NDVI, the resultant HSI image conveys more information than both the individual datasets. The model for electricity consumption estimation was developed based on the significant correlation between the HSI and electricity consumption in Zhejiang Province in the article. Preliminary modeling results show general overestimation of electricity consumption, especially in high altitude area in southwest Zhejiang Province. The HSI was further corrected by thresholding method to overcome the overglow effect and elevation effect correction was also conducted. The modified HSI image was then used for mapping the electricity consumption in 2010 in Zhejiang Province at a resolution of 1 km×1 km. The results show that the correction of HSI results in a significant increase in accuracy in mapping the electricity consumption. The mean relative error is 26% when modified HSI was used to estimated the electricity consumption of Zhejiang province, which is much smaller than previous studies. The spatial distribution of electricity consumption is well in line with the economic development level. In addition, more than 75% of the electricity consumption located in area below 50 m in Zhejiang Province. The present research provides an integrated approach for rapid and accurate estimation of electricity consumption in regional scale on a per pixel-basis, which can be very useful for mapping socioeconomic activities from medium coarse resolution data at regional level within limited time and minimal cost.

Keywords: electricity consumption ; spatialization ; DMSP/OLS ; NDVI ; human settlement index

0

PDF (557KB) 元数据 多维度评价 相关文章 收藏文章

本文引用格式 导出 EndNote Ris Bibtex

杨续超, 康丽莉, 张斌, 冀春晓. 基于多源遥感信息的电力消费量估算与影响因素分析——以浙江省为例[J]. , 2013, 33(6): 718-723 https://doi.org/10.13249/j.cnki.sgs.2013.06.718

YANG Xu-chao, KANG Li-li, ZHANG Bin, JI Chun-xiao. Electricity Consumption Estimation Using Multi-sensor Remote Sensing Data: A Case Study of Zhejiang Province[J]. Scientia Geographica Sinica, 2013, 33(6): 718-723 https://doi.org/10.13249/j.cnki.sgs.2013.06.718

及时、准确地获取电力消费量的时空分布特征对于科学制定电力调配计划、实现电力资源优化配置具有重要的理论和现实意义。目前电力消费量以行政区域为基础统计单元,难以提供行政单元内部的空间分布信息,不能充分揭示电力消费量的空间差异性,妨碍了电力消费数据与其他社会经济要素、自然要素的融合以及综合分析。因此,对统计电力消费量的空间化引起了国内外学者的关注。其中,利用美国军事气象卫星Defense Meteorological Satellite Program (DMSP) 搭载的Operational Linescan System (OLS) 传感器获取的夜间灯光数据进行电力消费量的空间化是一种重要的研究手段。1980年,Welch分析了美国夜间灯光面积与能源消耗量之间的关系,首次证明了DMSP/OLS夜间灯光在国家或区域尺度上监测能源消耗量的可行性[1]。随后,一些学者发现夜间灯光与电力消费量之间有着密切的关系[2-4]。但是由于DMSP/OLS夜灯数据本身的像元过饱和和像元溢出问题,导致其在应用中具有一定的局限性[5-7],需要进行适当的订正。例如,对澳大利亚的电力消费量进行空间化时,Townsend等利用灯源强度与溢出距离之间的关系对像元溢出现象进行了订正[8];Hara等[6]和Letu等[7]在利用夜灯数据模拟电力消费量时也对像元溢出和像元过饱和进行了订正。目前,国内对电力消费量的空间化研究还很少,最近,李通等利用DMSP/OLS稳定夜间灯光时间序列数据,在县级尺度上模拟重建了中国1995~2008年电力消费的空间格局,揭示了中国同期电力消费量的时空动态过程[9],但是其研究中并未对夜灯像元溢出和过饱和进行订正。Zhao等利用夜间灯光以及省级统计数据模拟了中国1995年、2000年和2005年电力消费量的时空变化,其研究中设置夜灯阈值为10以减少像元溢出的影响[10],但是并未对城市中心区域像元过饱和的影响进行订正。

植被指数(NDVI)与不透水面呈负相关关系,也被用来提取建成区[11]。因此,夜间灯光和NDVI在反映人类活动、提取建成区方面可以互补。Lu等将DMSP/OLS夜灯数据和NDVI数据融合后提出了一种新的指数,有效地减少了夜灯数据像元过饱和现象[12]。利用这一指数,匡文慧等研究了京津唐城市群不透水地表变化的时空格局[13],Chowdhury等研究了印度河-恒河平原的城市发展进程[14],目前还没有研究利用该指数进行区域尺度上电力消费量的空间化。浙江省做为资源匮乏的省份,电力供求关系紧张尤为突出。本研究以浙江省为例,对多源遥感数据(包括DMSP/OLS夜间灯光、植被指数、DEM)进行融合,建立电力消费量空间化模型,在GIS技术的支持下,对浙江68个市县的电力消费量统计数据进行空间化,以期为合理配置电力资源提供科学依据。

1 数据与方法

1.1 数据及预处理

① DMSP/OLS遥感夜间灯光数据:来源于美国国家地球物理数据中心提供的2010年稳定夜间灯光产品,空间分辨率约为1 km,将其投影由Geographic(LAt/LON)转换为Albers等面积投影,再对其进行标准化处理;② 2010年SPOT-VEGETATION逐旬NDVI数据:来自于比利时佛莱芒技术研究所(Flemish Institute for Technological Research, VITO),空间分辨率为1 km,将其投影转换为Albers等面积投影;③ DEM数据:源于美国地质调查局EROS数据中心的GTOP30数据集,经投影转换及重采样,生成1 km分辨率的栅格数据;④电力消耗量统计数据:来自于2011年《浙江省统计年鉴》[15]中各县市的电力消费量统计数据,将电力消费量除以各县市面积获得平均电力消费量;⑤ 浙江省1:5万地理信息基础数据;⑥ 2008年浙江省土地利用类型数据,来源于中国科学院资源环境科学数据中心,空间分辨率为1 km,对其进行投影转换。

1.2 构建人居指数

首先根据2010年10 d最大合成的SPOT NDVI数据计算年最大NDVI值,NDVI值小于0.1的区域基本属于裸岩及水体,NDVI大于0.9的区域基本属于郁闭度较高的森林,这些区域很少有人类居住[16],其用电量消耗可以忽略不计,因此对年最大NDVI值小于0.1以及大于0.9的区域进行了剔除。此外,浙江省水域众多,利用浙江省1∶5万的地理信息基础数据制作水体掩膜,与年最大NDVI叠加后进一步剔除水体。

参考Lu等[12]的研究,构建人居指数(HSI):

HSI=1-NDVImax)+OLSnor1-OLSnor)+NDVImax+OLSnor×NDVImax

(1)

式中, NDVImax为SPOT NDVI在2010年的最大值,OLSnor为2010年标准化的夜间灯光指数(0~1)。

1.3 对人居指数的海拔订正

利用ArcGIS软件中的分区统计工具获得浙江省68个市县的人居指数累计值。图1给出了68个市县统计电力消费量与人居指数累计值之间的关系,采用二次多项式拟合以后显示回归方程的决定系数R2=0.92,说明电力消费量与人居指数之间有很强的相关性。利用这一关系对68个市县的电力消费量进行了初步模拟,对模拟结果的误差分析显示,68个县市中有59个模拟结果偏大,偏大最为显著的市县分布于浙江西南部海拔较高的地区(如景宁、龙泉、庆元、泰顺等),这些区域的经济发展水平也相对较低。由此可见,海拔高度对电力消费量有着比较显著的影响。图2给出了浙江省68个市县平均海拔高度与平均电力消费量的关系,采用指数函数回归分析之后显示回归方程的决定系数R2=0.78,表明海拔高度与电力消费量之间具有较强的负相关性,可以做为电力消费量模拟的影响因子之一。加入海拔修正因子后的人居指数计算公式如下:

HSInew=1-NDVImax+OLSnor1-OLSnor)+NDVImax+OLSnor×NDVImax×e-0.006DEM2

图1   电力消费量与人居指数之间的关系

Fig. 1   Regression analysis between electricity consumption and human settlement index

图2   平均海拔与平均电力消费量之间的关系

Fig. 2   Regression analysis between mean electricity consumption and mean altitude

1.4 模拟误差分析

误差检验计算公式如下:

MRE=(i=0n(RE)i)/n(3)

其中: RE=(Em-Ea)/Ea×100%(4)

式中,MRE为平均相对误差,RE为相对误差,Em为市县模拟电力消费量,Ea为市县统计电力消费量,n为浙江省市县个数。

2 结果分析

2.1 利用海拔修正后的人居指数模拟电力消费量

对浙江省68个市县电力消费量统计数据的分析表明,居民生活用电占总用电量的比例较低,工业用电和商业用电所占比例较高。其中55个市县的居民生活用电量所占比例小于20%,所占比例平均为15.28%,;居民用电比例超过20%的主要为西南部山区(如景宁、泰顺等)和海岛县(如象山、洞头);因此,相比夜间灯光反映出的城市轮廓外部形态,电力消费量的空间分布更为集中。利用未经海拔修正的人居指数进行初步模拟的结果也显示,68个市县的平均相对误差绝对值为209.23%,其中86.76%的市县电力消费量模拟值偏高,这些都表明DMSP/OLS夜间灯光的像元溢出问题对电力消费量的模拟有着重要的影响,需要设定适当的阈值来减少这一影响引起的模拟误差。

表1给出了经过海拔订正和设定不同夜灯阈值后的模拟平均相对误差绝对值。使用仅经过海拔修正后的人居指数的模拟平均相对误差为156.42%,相比未经任何修正的人居指数进行的模拟误差减少了超过50%。随着夜灯阈值的不断提高,模拟误差不断减少,但是当夜灯指数阈值提高到12时平均相对误差绝对值最小(26.01%),继续提高阈值会导致模拟误差再次增加。因此,选择12为阈值以减少夜灯数据像元溢出问题对电力消费量模拟的影响。

表1   不同夜灯指数阈值下的电力消费量模拟的平均相对误差绝对值

Table 1   Mean relative error in modeling electricity consumption under different DMSP/OLS threshold values

夜灯指数阈值02468101214
平均相对误差
绝对值(%)
156.4261.1355.9433.2627.7826.2526.0126.71

新窗口打开

图3给出浙江省68个市县电力消费量与经过海拔和夜灯阈值修正后的人居指数之间的关系,采用二次多项式拟合以后显示回归方程的决定系数R2=0.95。利用这一关系建立电力消费量模拟模型,在1 km×1 km栅格上模拟了浙江省2010年电力消费量的空间格局(图4)。经济较为发达的浙北平原地区和东南沿海的温州和台州消耗的电量较多,其中年电力消耗量最大的像元达到6 050 ×104kWh。

图3   修正后的人居指数与电力消费量之间的关系

Fig.3   Regression analysis between electricity consumption and modified human settlement index

图4   2010年浙江省电力消费量空间分布

Fig.4   The density of electricity consumption over Zhejiang Province in 2010

利用修正后的人居指数对浙江省68个市县电力消费量的模拟平均相对误差绝对值为26%,有32个市县的模拟相对误差绝对值小于20%。其中,对杭州和宁波2个特大城市的模拟误差仅为2.54%和4.24%,表明利用人居指数对电力消费量的模拟在大城市的模拟精度更高。模拟误差较大的主要是舟山、岱山等海岛市县和泰顺、文成等海拔较高的市县。

2.2 浙江省用电消费量空间格局及影响因素分析

浙江地形复杂,山地和丘陵占70.4%,平原和盆地占23.2%,河流和湖泊占6.4%,耕地面积仅208.17×104hm2,故有“七山一水两分田”之说[17]。地形是影响人口分布的重要因素之一,同样对电力消耗量的空间分布有着重要影响。受自然条件和经济发展水平的影响,浙江省电力消费量的地域差异较大。浙北杭嘉湖平原、宁波、东部沿海的台州和温州以及中部金华、义乌海拔较低的区域的电力消耗量较大,模拟结果的统计分析表明,海拔50 m以下地区的电力消费量占全省用电总量的75.92%。表明研究区电力消费量分布受海拔高度的影响明显。同时,这些地区也是人口众多、经济较为发达的区域。从统计数据来看,杭州和宁波市区的GDP分别占浙江全省GDP的17.55%和11.34%,两市的电力消费量则分别占全省总用电量的14.97%和9.68%。地级市中的温州、台州以及县级市中的慈溪、义乌、诸暨、温岭、余姚也是经济发达、用电量集中的区域。从人口分布来看,杭州、宁波、台州和温州的总人口都超过了百万,因此城乡居民生活用电量也相当可观,这4个城市的居民生活用电量超过全省居民用电总量的1/3。从以上分析来看,电力消费量有随GDP和人口集中分布的特点,人居指数模拟出的电力消费量很好的表现出这些空间格局。随着经济持续发展、城市化进程的加速以及人民生活水平的不断提高,这些区域的用电量将继续快速增加,需要在电力资源配置上给予重视。

从各土地利用类型上的电力消费量来看,耕地上的用电量占模拟总用电量的比重约为50%,其原因可能在于用电量大的工厂企业多分布在郊区,1 km分辨率的土地利用类型数据并不能有效的区分出工业用地和耕地,而夜灯像元值高于12的区域中,约有50%的土地利用类型为耕地,所占比例在各土地利用类型中最高,导致电力消耗量也最高;浙江省林地面积所占比重很高,夜灯像元值高于12区域中各类林地占28.95%,林地用电量所占比重为17.18%;城镇建成区用地占夜灯值高于12区域的7.66%,用电量比重则为19.11%;农村居民点和其他建设用地占夜灯值高于12区域面积的5.33%,用电量所占比重为6.93%。从以上分析来看,1 km的用电量模拟结果和1 km的土地利用数据分辨率依然较粗,尤其是夜灯数据不能有效区分出工业用电和居民生活用电,土地利用数据也不能准确的反映出用电量大、独立于城镇用地之外的工业、厂矿用地,从而导致用电量空间定位的精确度不高。在以上几种土地利用类型中,只有城镇建成区用地反映出电力消费量集中的特点。

3 结论与讨论

DMSP/OLS夜间灯光卫星数据是目前实现电力消费量、人口等社会经济数据空间化的重要数据源之一。但是,由于夜灯数据本身的像元溢出和像元过饱和问题,导致其在实际应用中存在一定的局限性,需要对其进行适当的处理和订正。NDVI与DMSP/OLS夜灯数据有很强的互补性,将两者进行适当融合后构建的人居指数,可以有效的减缓夜灯数据的过饱和现象[12,14]。本文在前人研究基础上对人居指数进行了发展,根据浙江省的自然环境特征,进一步融合了DEM数据对其进行海拔修正,并选取适当的夜灯阈值有效减少了灯光溢出的影响。基于修正后的人居指数对1 km×1 km栅格尺度上浙江省电力消费量的空间化模拟具有较高的精度,全省68个市县电力消费量模拟平均相对误差绝对值为26%。相比Silvana等[3]和李通等[9]仅利用DMSP/OLS夜间灯光数据对巴西亚马逊和中国县级尺度上电力消费量的模拟,本研究将多源遥感数据进行适当融合,在1 km×1 km栅格上对电力消费量的模拟精度有明显提高。

DMSP/OLS夜间灯光卫星数据在监测人类活动方面具有独特的优越性,它能反映综合信息,涵盖了城市、居民地、道路等与电力消费量、人口等社会经济要素空间分布密切相关的信息,因此使用夜灯数据时不需要再单独考虑这些因素,所需数据量较少,易于实现。将夜间灯光和NDVI这两种互补的遥感数据融合后进行电力消费量的空间化模拟更加快速、有效,显著提高了模拟的精度。值得注意的是,以往利用夜灯数据进行电力消费量、人口等社会经济要素的空间化时并没有考虑海拔高度对模拟结果的影响,本文的分析结果表明,进行社会经济要素空间化时,进一步融合DEM数据,对夜灯数据及其人居指数进行适当的海拔修正是非常必要的。该方法还有一个重要优点在于所使用的DMSP/OLS遥感夜灯数据和NDVI数据都在不断更新,且都是免费公开获取的,因此可以实现电力消费量空间化的动态更新,并及时、准确地获取电力消费量变化的时空特征,这对于合理配置电力资源具有重要的理论和现实意义。此外,相对于以往研究[6-8]中对夜灯像元过饱和的订正方法,夜灯数据与NDVI的融合有明确的物理机制,更易于实现,且效果更好,模拟精度更高。

本研究还存在以下几个方面的不足:① 设置适当的夜灯阈值虽然可以显著的减小夜灯像元溢出对模拟结果的影响,但是各市县的经济发展水平不同,设置单一的阈值也会造成部分地区人居指数像元的丢失,导致一些市县的电力消费量模拟结果偏小,因此,如何对阈值以下灯光区的人居指数进行适当的修正是下一步的研究重点;② DMSP/OLS夜间灯光并不能有效区分出城市建设用地和工矿用地,因此基于夜灯对电力消费量的空间化并不能很好的区分出工业用电和居民用电,未来结合更为精细的土地利用类型数据可能会进一步提高模拟精度;③ 对模拟结果误差检验更科学的方法应该包括1 km×1 km范围内电力消费量实地调查数据,但受到时间和经费的限制,本研究仅采用传统的误差分析方法来进行检验,希望在以后的研究中能够将实地抽样调查数据应用于电力消费量模拟的误差分析。

致 谢:中国科学院地理科学与资源研究所刘林山博士和江西师范大学丁明军博士在数据处理中提供了帮助,特此致谢!

The authors have declared that no competing interests exist.


参考文献

[1] Welch R.

Monitoring urban population and energy utilization patterns from satellite data

[J].Remote Sensing of Environment,1980,9(1):1-9.

[本文引用: 1]     

[2] Elvidge C D,Baugh K E,Kihn E A,et al.

Relation between satellite observed visible-near infrared emissions, population, economic activity and electric power consumption

[J].International Journal of Remote Sensing,1997,18(6):1373-1379.

[本文引用: 1]     

[3] Amaral S,Camara G,Monteiro A,et al.

Estimating population and energy consumption in Brazilian Amazonia using DMSP night-time satellite data

[J].Computers, Environment and Urban Systems,2005,29(2):179-195.

[本文引用: 1]     

[4] Chand T,Badarinath K,Elvidge C,et al.

Spatial characterization of electrical power consumption patterns over India using temporal DMSP-OLS night-time satellite data

[J].International Journal of Remote Sensing,2009,30(3):647-661.

[本文引用: 1]     

[5] Doll C.

CIESIN Thematic Guide to Night-time Light Remote Sensing and its Applications

[R].Palisades, NY: Center for International Earth Science Information Network (CIESIN),2008.

[本文引用: 1]     

[6] Hara M,Okada S,Yagi H,et al.

Progress for stable artificial lights distribution extraction accuracy and estimation of electric power consumption by means of DMSP/OLS nighttime Imagery

[J].International Journal of Remote Sensing and Earth Sciences,2004,1:31-42.

[本文引用: 2]     

[7] Letu H,Hara M,Yagi H,et al.

Estimating energy consumption from night-time DMPS/OLS imagery after correcting for saturation effects

[J].International Journal of Remote Sensing, 2010,31(16):4443-4458.

[本文引用: 2]     

[8] Townsend A,Bruce D.

The use of night-time lights satellite imagery as a measure of Australia's regional electricity consumption and population distribution

[J].International Journal of Remote Sensing,2010,31(16):4459-4480.

[本文引用: 2]     

[9] 李通,何春阳,杨洋,.

1995~2008 年中国大陆电力消费量时空动态

[J].地理学报,2011,66(10):1403-1412

[本文引用: 2]     

[10] Zhao N,Ghosh T,Samson E L.

Mapping spatio-temporal changes of Chinese electric power consumption using night-time imagery

[J].International Journal of Remote Sensing,2012,33(20):6304-6320.

[本文引用: 1]     

[11] Bauer M E,Heinert N J,Doyle J K,et al.

Impervious surface mapping and change monitoring using Landsat remote sensing

[C].ASPRS Annual Conference Proceedings,Denver,Colorado,May 23-28,2004.

[本文引用: 1]     

[12] Lu D,Tian H,Zhou G,et al.

Regional mapping of human settlements in southeastern China with multisensor remotely sensed data

[J].Remote Sensing of Environment,2008,112(9):3668-3679.

[本文引用: 3]     

[13] 匡文慧,刘纪远,陆灯盛.

京津唐城市群不透水地表增长格局以及水环境效应

[J].地理学报,2011,66(11):1486-1496

[本文引用: 1]     

[14] Roy Chowdhury P,Maithani S.

Monitoring growth of built-up areas in indo-gangetic plain using multi-sensor remote sensing data

[J].Journal of the Indian Society of Remote Sensing,2010,38(2):291-300.

[本文引用: 2]     

[15] 浙江省统计局. 浙江省统计年鉴[M].北京:中国统计出版社,2012.

[本文引用: 1]     

[16] 卓莉,陈晋,史培军,.

基于夜间灯光数据的中国人口密度模拟

[J].地理学报,2005,60(2):266-276.

[本文引用: 1]     

[17]

浙江概况

[OL]. 浙江省人民政府网[2012-05-26]. .

URL      [本文引用: 1]     

/