基于遥感影像的河南省多维贫困空间识别

来源:用户上传      作者:

　　摘 要：针对当前精准扶贫过程中调查数据收集难度大、成本高、统计口径不一致的情况，特地引入夜间灯光数据NPP-VIIRS和landsat8 OLI遥感影像，基于贫困测算指标选取的原则，构建了多维贫困测度指标体系。以湖北省各县（区）为样本，建立了多维贫困指数（MPI）与平均夜间灯光指数（ANLI）、土地利用程度综合指数（L）之间的线性回归模型。利用模型生成了基于县域的河南省多维贫困指数（MPI），从而精准识别贫困。结果表明，河南省MPI空间化识别出了52个多维贫困县（区），其中极贫困县（区）数目为22个，贫困县（区）数目为30个，并与国家划定的53个贫困县进行对比，发现除濮阳县、台前县、内黄县、滑县、范县5个贫困县被识别为弱势县，其余县（区）均为多维贫困县。
　　关键词：NPP-VIIRS夜间灯光遥感影像 landsat8 OLI遥感影像 多维贫困指数 贫困识别
　　贫困是人类长期面临的世界性问题[1]，根据2006年世界银行统计，大约有26亿贫困人口分布在农村地区[2]，面临着生态环境恶劣，公共服务以及基础设施不足等困境[3]。消除贫困仍是全球所面临的最大挑战[4]，能够精准识别贫困地区则是减贫的基本前提。现有用于贫困研究的统计数据，是国家或政府通过随机抽样同时结合入户调查等方式获得的调查数据。然而，数据统计口径的不同以及开展这些调查所需大量的金钱和时间成本无法满足发展中国家贫困研究的需求[5]，鉴于升级传统数据采集技术的困难，很多学者利用新的数据源（例如夜间灯光遥感影像）来识别区域贫困。
　　与传统数据相比，遥感影像是一种覆盖全球的监测数据，能够采集大到国家，小到村落的数据，数据具有时效性、客观性与准确性，可为各种研究目的提供空间数据。夜间灯光遥感图像应用领域包含了贫困问题体现的某些维度，比如城镇化进程对应多维贫困识别中的工业用地、住房情况、公共与卫生设施，区域经济增长对应着人均收入、生产性收入[6]等。由此可见，夜间灯光数据用于研究区域贫困问题是可行的，近几年研究表明，夜间灯光数据可以进行区域（全球、片区、省域、县域）贫困识别[7-11]。较常用的两种夜间灯光图像分别是美国国防气象卫星计划/线性扫描业务系统（DMSP/OLS）上的传感器收集的遥感数据以及国家极地轨道运行环境卫星合作可见光红外成像辐射仪（NPP-VIIRS）的数据，然而DMSP/OLS数据存在饱和现象，弱化了灯光数据与经济数据之间的相关性，而新一代的分辨率为500m的NPP-VIIRS数据却不存在这个问题，与DSMP/OLS灯光数据相比，它拥有更高的空间分辨率与更宽的辐射范围，数据更加精确化。学者认为在识别中国县级贫困过程中，NPP-VIIRS夜间灯光数据要优于DMSP-OLS夜间灯光数据[12]。
　　然而这些研究通常利用夜间灯光数据单个特征，有学者表明土地利用程度与贫富差异[13-14]、区域贫困程度[15]之间存在联系，土地利用程度提高可以降低区域贫困度[16-17]。综合考虑这两个方面特征可能挖掘单一灯光数据分析所不能得到的综合信息。在此背景下，将夜间灯光数据和利用landsat8 OLI遥感影像获得的土地利用数据引入贫困问题进行研究，本文基于贫困测算指标选取的典型性、科学性和数据可获取性等原则，构建了多维贫困空间识别的指标体系，利用夜间灯光遥感数据、土地利用数据与GIS探索性分析技术，构建多维贫困程度的测度模型，开展基于县域尺度的河南省贫困空间识别，为扶贫瞄准贫困对象提供前瞻性依据。
　　一、研究区域概况与数据来源
　　（一）研究区域概况
　　湖北省和河南省都位于中国中部，以该区域为研究对象主要理由是：首先，湖北省所辖各县（区）间经济、社会发展差异明显，地区发展不平衡，具有代表性。其次，湖北省的103个县（区）中，有25个列入了国家级贫困县、4个列入了省级贫困县、8个列入了片区重点贫困县，共37个贫困县，占总数的35.92%;第三，湖北省地貌类型是山地、丘陵、岗地和平原兼备，地势高低相差悬殊，地形上具有典型性。而与湖北省相邻的河南省不仅是人口大省、同时也是全国重要的农业和粮食生产大省，其城市经济发展差异显著，郑州市的经济中心地位十分突出;该省的138个县（区）中有12个列入了国家级贫困县、15个列入了省级贫困县、26个列入了片区重点贫困县，共53个贫困县;河南省地貌以平原居多，地貌地形区别于湖北，研究区域分布示意图如图1所示。
　　（二）数据来源
　　1.夜间灯光数据。2013年的NPP-VIIRS夜间灯光数据是从National Oceanic and Atmospheric Administration（NOAA）上下载获得。从国家基础地理信息中心获取湖北省、河南省县级行政边界矢量数据，利用GIS空间分析技术，进行掩膜处理，最终提取湖北省、河南省县级行政区域的夜间灯光数据。
　　2.土地利用数据。landsat8 OLI遥感影像下载于美国地质勘探局官网（USGS），该图像共有11个波段，其中多光谱8个波段，其空间分辨率30m，一个空间分辨率为15m全色波段，此外还有热红外数据。基于湖北省及河南省的Landsat8 OLI遥感图像，利用ENVI5.3、ArcGIS等软件对影像数据进行处理，采用监督分类中的最大似然法对研究区域的遙感图像进行地物识别，将土地分为耕地、草地、建设用地、林地、水域和未利用地，得到湖北省和河南省土地利用数据。
　　3.其他数据。从全国第二次土地调查数据库中提取湖北省、河南省行政区划图;年平均气温、年平均降雨量数据从中国气象网中获取;平均高程、平均坡度、地形起伏度由ArcGIS计算所得;少数民族人口比例数据来源于湖北省第六次人口普查资料;其他数据来源于湖北省2014统计年鉴、县市级统计年鉴以及县级国民经济与社会统计公报。
　　二、研究方法
　　（一）多维贫困指数（Multidimensional Poverty Index）MPI 贫困县测量的指标体系主要关注县域的可持续发展能力，赵跃龙等认为贫困与地理环境之间存在关系[18]，曲玮等肯定了地理对贫困状况具有重要影响作用[19];李双成、曾永明等发现了贫困与自然环境、社会、经济之间的关系[20-21]。总结学者的观点可以发现：全面的区域贫困测量可以从自然环境、社会、经济三个大方面进行。自然环境方面涉及地形条件、区位优势以及气候环境等;社会方面涉及人口特征、基础设施、文化教育、卫生医疗和社会保障等;经济方面主要涉及区域的经济发展情况等。因此，本文基于贫困测算指标选取的典型性、科学性、政策相关性、动态性和数据可获取性等原则，建立了如表1所示的县级多维贫困空间识别的指标体系，该体系主要是体现县域的发展情况。 　　 （二）指标权重的确定
　　本文确定指标权重方法采用的是博弈论思想[22-23]，其基本思想是在由层次分析法（AHP）和熵值法（EVM）所得到的不同权重之间寻找一致或妥协，极小化可能权重值跟各基本权重值之间偏差，得到一组最优化的权重值，即在不同权重之间寻找最能实际刻画各指标重要程度的值，具体计算公式[24]如下：
　　（三）区域灯光指数
　　本文构建了区域平均夜间灯光指数（ANLI，Average Nighttime Light Index），它反映了该地区的灯光特征，其计算公式为：
　　三、研究内容
　　（一）MPI与夜间灯光指数、土地利用程度之间的关系
　　利用公式（1）计算得到湖北省103个县（区）的MPI值，将MPI值排序发现位列最后37位的县（区）中除广水市和随县外，其余35个县（区）都是贫困县，识别误差率为5.41%，这也从一个侧面反映出本文构建的MPI指数的合理性。统计各县（区）ANLI指数、土地利用程度综合指数并聚类分级图2（a）、2（b），由图2可知，ANLI值、土地利用程度综合指数较高的县区都集中分布在湖北省一小时经济圈内，这与经济发展水平的分布相似;ANLI、土地利用程度综合指数较低的县区都集中分布在湖北省西北部秦巴山、西南部武陵山、东南部幕阜山、东北部的大别山，这四个区域由于中心城市对其带动作用不足、交通制约发展等，经济增长缓慢。
　　为进一步获得湖北省各县（区）MPI与灯光指数、土地利用程度之间的关系，将各县（区）的MPI与平均夜间灯光指数（模型1），各县（区）的MPI与平均夜间灯光指数（ANLI）、土地利用程度综合指数L（模型2）进行回归，得到表3回归分析结果。结果显示，回归模型及系数都通过了1%的显著性检验，而MPI与ANLI、L的拟合效果更好。由此可知，在回归模型中引入土地利用综合指数效果更佳。
　　（二）河南省贫困识别
　　1.县域多维贫困总体分布特征。本文进一步统计了河南省各个县（区）的平均夜间灯光指数和土地利用程度指数，将样本数据建立起来的回归模型用于估算河南省各区县的MPI，探寻其空间分布特征。采用局部空间自相关LISA指数来凸显多维贫困在具体空间位置区域的异同，得到河南省多维贫困县（区）的全局Moran’s I值为0.358，结果通过了1%的显著性检验，表明河南省县（区）MPI在空间上具有较高的集聚效应，MPI值较高的县（区），其周围县（区）的MPI值同样比较高;MPI值较低的县（区），其周围县（区）的MPI值同样较低。采用自然断裂分级法将河南省各县（区）的MPI值进行分级，将其划分为极贫困區、贫困区、弱势区、一般区、优势区、富裕区和极富裕区（图3），极贫困区集中连片分布在豫西、豫东南地区，贫困区主要分布在极贫困外围。富裕区和极富裕区则点状分布在豫中、豫北地区。极贫困区和贫困区分别包含有22个和30个县（区），数目合计占河南省县（区）总数目的37.68%。将这两个级别的县（区）识别为河南省多维贫困县（区）（图3），共计52个。
　　2.识别结果。河南省扶贫开发工作重点县共有53个贫困县，统计这53个贫困县中有20个属于极贫困区，28个属于贫困区，另有5个贫困县（区）未被本文识别为多维贫困县，其中，有5个属于弱势区，没有县（区）被划为一般区、优势区、富裕区或极富裕区。5个识别为弱势区的县（区）是濮阳县、台前县、内黄县、滑县、范县，这五个县（区）的平均夜间灯光指数均高于河南省的平均夜间灯光值9.067，且土地利用程度综合指数除台前县外，也高于河南省平均土地利用程度指数251.6。值得注意的是，本文识别的多维贫困县中，有西峡县、陕县、林州市和灵宝市，这四个县（区）平均夜间灯光指数均低于河南省的平均夜间灯光值9.067，且土地利用程度综合指数也低于河南省平均土地利用程度指数251.6。综上所述，借助MPI识别贫困的结果与国家划定的贫困县进行对比，除濮阳县、台前县、内黄县、滑县、范县5个贫困县为弱势县，其余县（区）均被识别为贫困县。
　　四、结论与讨论
　　（一）结论
　　本文采用NPP-VIIRS夜间灯光数据和landsat8星载OLI遥感影像，选取湖北省作为样本区，通过构建多维贫困指数、夜间灯光指数和土地利用程度综合指数的回归模型，开展了基于县域尺度的河南省贫困空间识别，实现了多维贫困的空间化。结果表明，①以湖北省为样本区，构建多维贫困指数（MPI）对湖北省县域贫困进行识别的误差率为5.41%。②由回归分析结果对比可知，平均夜间灯光指数（ANLI）、土地利用程度综合指数（L）与MPI模型的拟合效果优于仅区域灯光指数（ANLI）与MPI构成的模型。③河南省县域估计的MPI值中，极贫困县（区）有22个，贫困县（区）有30个，与国家划定的53个贫困县进行对比，有5个贫困县（濮阳县、台前县、内黄县、滑县、范县）被本文识别为弱势县，而未被识别为多维贫困县;另外，本文识别的多维贫困县中，多了西峡县、陕县、林州市和灵宝市。
　　（二）讨论
　　在利用夜间灯光影像、土地利用程度综合指数测度多维贫困县方法和理论方面，存在以下问题需要更进一步的研究：①多维贫困指标体系的构建和权重的确定对识别结果的影响较大，本文构建体系所选取的21个指标难免具有片面性、不完整性。②土地利用程度综合指数是利用ENVI5.3软件监督分类中的最大似然法对湖北省、河南省的landsat8 OLI遥感影像进行地物识别后计算而得，而最大似然法对研究区遥感影像进行地物识别的总体精度为96.79%。③由于对landsat8 OLI遥感影像处理工作量较大，本文只对河南省县域贫困状况进行了识别，下一步将研究中国县域的贫困状况。此外，贫困是个相对的概念，在研究中应纳入多期遥感影像对县域贫困状况进行动态监测。
　　参考文献：
　　[1]Steele J E，Sunds？Y P R ，Pezzulo C ，et al. Mapping poverty using mobile phone and satellite data[J]. Journal of The Royal Society Interface，2017 （127）. 　　[2]Cao M ，Xu D ，Xie F ，et al. The influence factors analysis of households' poverty vulnerability in southwest ethnic areas of China based on the hierarchical linear model： A case study of Liangshan Yi autonomous prefecture[J]. Applied Geography，2016 （8229）：144-152.
　　[3]Hjorth P . Knowledge development and management for urban poverty alleviation[J]. Habitat International，2003 （3）：381-392.
　　[4]Alkire S ，Santos M E. Acute Multidimensional Poverty： A New Index for Developing Countries[J]. Social Science Electronic Publishing，2011 （HDRP-2010-11）.
　　[5]Li，Cai，Liu，Liu，Su. A comparison of machine learning approaches for identifying high-poverty counties： robust features of DMSP/OLS night-time light imagery[J]. International Journal of Remote Sensing，2019（15）：5716-5736.
　　[6]LEVIN Noam，DUKE Yishai. High spatial resolution night-time light images for demographic and socio-economic studies[J]. Remote Sensing of Environment，2012（3）：1-10.
　　[7]Noor A M ，Alegana V A，Gething P W，et al. Using remotely sensed night-time light as a proxy for poverty in Afric. [J]. Population Health Metrics，2008（1）：5-5.
　　[8]Wang W ，Cheng H，Zhang L. Poverty assessment using DMSP/OLS night-time light satellite imagery at a provincial scale in China[J].Advances in Space Research，2012（8）：1253-1264.
　　[9]Yu B ，Shi K，Hu Y，et al. Poverty Evaluation Using NPP-VIIRS Nighttime Light Composite Data at the County Level in China[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2015（3）：1-13.
　　[10]王成力.周伟.袁涛.夜间灯光数据下的中國贫困县发展状况[J].遥感信息，2018（06）.
　　[11]潘竟虎.胡艳兴.基于夜间灯光数据的中国多维贫困空间识别[J].经济地理，2016（11）.
　　[12]沈丹.周亮.王培安.基于夜间灯光数据的六盘山连片特困区贫困空间分异特征分析[J].遥感信息，2018（04）.
　　[13]孙丕苓.许月卿.王数.环京津贫困带土地利用变化的地形梯度效应分析[J].农业工程学报，2014（14）.
　　[14]刘鹏.董廷旭.阿坝州土地利用程度动态变化及区域差异分析[J].安徽农业科学，2015（14）.
　　[15]谢盛瀚.韦燕飞.韩振锋等.田阳县贫困村空间分异及其对土地利用程度的响应[J].湖南农业科学，2017（09）.
　　[16]王卫.贫困山区县级土地利用结构调整模型研究[J].自然资源，1993（06）.
　　[17]冉逸箫.张凤荣.张佰林等.贫困山区农村衰落的特征及诊断——以重庆市酉阳县为例[J].资源科学，2017（06）.
　　[18]赵跃龙.刘燕华.中国脆弱生态环境分布及其与贫困的关系[J].地球科学进展，1996（03）.
　　[19]曲玮.涂勤.牛叔文等.自然地理环境的贫困效应检验——自然地理条件对农村贫困影响的实证分析[J].中国农村经济.2012（02）.
　　[20]李双成.许月卿.傅小锋.基于GIS和ANN的中国区域贫困化空间模拟分析[J].资源科学.2005（04）.
　　[21]曾永明.张果.基于GIS和BP神经网络的区域农村贫困空间模拟分析——一种区域贫困程度测度新方法[J].地理与地理信息科学.2011（02）.
　　[22]徐菲菲.杨达源.黄震方等.基于层次熵分析法的湿地生态旅游评价研究——以江苏盐城丹顶鹤湿地自然保护区为例[J].经济地理.2005（05）.
　　[23]王富喜.毛爱华.李赫龙等.基于熵值法的山东省城镇化质量测度及空间差异分析[J].地理科学.2013（11）.
　　[24]王艳慧.钱乐毅.陈烨烽等.生态贫困视角下的贫困县多维贫困综合度量[J].应用生态学报.2017（08）.
　　[25]庄大方.刘纪远.中国土地利用程度的区域分异模型研究[J].自然资源学报.1997（02）.
　　
　　〔王丹丹（通讯作者），中国地质大学（武汉）。付雪娇，湖北大学〕

转载注明来源:https://www.xzbu.com/2/view-15218259.htm