中国地质大学（武汉）地理与信息工程学院
“科研成果快报”
1. 标题
· Estimation of GDP Using Deep Learning with NPP-VIIRS Imagery and Land Cover Data at the County-Level in CONUS
· 基于NPP-VIIRS夜光数据和地表覆盖类型数据的县级尺度GDP估算方法
2. 成果信息
· Sun, Jie & DI, Liping & Sun, Ziheng & Wang, Jieyong & Wu, Yingdan. (2020). Estimation of GDP Using Deep Learning with NPP-VIIRS Imagery and Land Cover Data at the county-level in CONUS. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. PP. 1-1. 10.1109/JSTARS.2020.2983331.
3. 成果团队成员
· 孙杰， 中国地质大学（武汉）；狄黎平，孙子恒 乔治梅森大学；王介勇 中国科学院地理科学与资源研究所；吴颖丹 湖北工业大学
· 孙杰，包括：博士、中国地质大学（武汉）地理与信息工程学院、讲师、研究方向（地质遥感、农业遥感）、联系方式（jiesun@cug.edu.cn）等
4. 成果介绍
· 描述成果核心内容，300-1000字，格式自定义
· 可采用长摘要的形式，也可采用分节的形式（引言、方法、实验、讨论、结论等）
· 强调成果的特色和创新性、科学价值和应用价值
· 加入必要的图表，加强直观印象，方便阅读
国内生产总值（GDP）作为经济增长分析中最重要的变量，代表了一个国家(或地区)所有常住单位在一定时期内生产活动的最终成果，在评价一个国家或地区的经济表现方面发挥着重要作用。然而，GDP数据往往被错误的衡量，特别是在发展中国家，经济活动比例不高，区域内的经济一体化程度较低，基础设施比较薄弱，这些因素使得相关部门难以统计准确的社会经济数据、贫困程度以及产业活动占比等等，从而难以帮助相关政府有针对性的提供产业援助和制定政策。
相较于传统统计数据的收集需要消耗大量劳动力和时间，遥感数据更容易获取，成本更低，并且本身具有多尺度、多种时空分辨率等特点。其中夜间灯光遥感数据，在GDP估算研究中使用的最广泛。自20世纪90年代末以来，遥感夜光卫星图像已被证明与城市化、经济活动和人口在内的多种社会经济参数具有相关性。在缺乏可靠统计数据的国家区域和次级国家区域下，对于探测、估计和监测社会经济动态尤其有价值。但夜间灯光数据也具有局限性，很难全面准确地表达GDP的空间异质性分布。一方面是由于夜间灯光数据在农业地区的表现能力较差，不能反映无灯光区域（大部分为在农业用地）的 GDP 贡献；另一方面在某些强照明的研究区域，例如火力发电等地区，使用夜间灯光数据可能会高估该区域的GDP总量，而在以煤炭和铁矿石行业为主的地区，GDP的总量则会被低估。此外，由于土地利用动态和城市扩张与经济潜在驱动力存在联系，除了灯光数据，中等分辨率卫星数据、地面覆盖数据等也可以被用来进行GDP估算。已有很多研究证明了多时相的陆地卫星影像与社会经济数据建模的合理性；综合利用多种遥感数据，多源数据优势互补，是GDP估算的新方向。
目前深度学习在遥感数据的分类、参数反演领域具有很大优势。有学者以5个发展中国家为对象，基于卷积神经网络，使用夜间灯光数据来预测区域内的贫困指数，发现该模型解释了高达75%的研究区域内经济结果的变化，深度学习已被证明能够在经济参数估算中发挥作用，但是目前利用深度学习进行时序GDP建模的研究还较少。在本文中，以美国本土为例，我们提出了一个支持多源遥感数据的深度学习模型来估算县域GDP。输入数据包括2012-2015年的NPP-VIIRS夜光数据和MODIS MCD12Q1地表覆盖类型数据;采用历史区域GDP数据作为标记。基于Google Earth Engine (GEE)，将所有这些训练数据合并并转换为基于直方图的张量进行深度学习。研究结果表明，1.与传统对数线性回归模型相比，本文方法具有更高的精度，2012-2015年估算结果R2值为0.81、0.83、0.83和0.83，RMSE为 0.31, 0.29, 0.30 和 0.29。与传统方法结果的空间分布对比发现，本文方法在夜光数据异常区域的精度高于传统方法，一个可能的原因是经济参数估算中常用的是线性模型，但是在一些复杂的情况下，它的估计性能不能让人满意。此外,夜光数据也许是一个有效的城市经济预测因子，但它不能很好地解释某些县的经济参数，例如，某些县的主要经济活动是农业或牲畜。与之相比，本文方法能较好地克服上述问题，地表覆盖数据是夜光数据的有效补充。其次，根据提出方法对不同张量进行统计分析发现误差较高的县，通常具有较亮的夜光和较少的耕地。
研究区范围
夜光年均值（2015）
地表覆盖类别（2015）
深度学习模型框架
不同模型预测精度
不同模型空间误差分布
不同误差等级下夜光、地表覆盖数据分布特征
