基于灯光遥感数据国家宏观经济指标估测方法
阅读：908发布：2024-02-27
专利汇可以提供基于灯光遥感数据国家宏观经济指标估测方法专利检索，专利查询，专利分析的服务。并且本 发明 公开基于灯光遥感数据国家宏观经济指标估测方法,其是利用 深度学习 算法 建立目标区域的国家及地区预定年度的DMSP/OLS灯光灰度值图像以及宏观经济指标间的宏观经济指标评估模型后，用测试数据对所述宏观经济指标评估模型进行反复测试，获得预测评估模型；然后所述预测评估模型，通过输入提取的DMSP/OLS灯光强度灰度值图像的灯光特征数据，输出用宏观经济指标表示的宏观经济评估结果的。本发明通过获取的夜光图像后即可实现有效地预测相应的国家地区的宏观经济指标数据。，下面是基于灯光遥感数据国家宏观经济指标估测方法专利的具体信息内容。
1.基于灯光遥感数据国家宏观经济指标估测方法，其特征在于，包括步骤:
获取目标区域的国家及地区边界矢量数据和目标区域的国家及地区预定年度的DMSP/OLS灯光灰度值图像；
根据上述获得的边界矢量数据，提取目标区域的国家及地区预定年度的DMSP/OLS灯光灰度值图像的灯光特征数据；
获取目标区域的国家及地区预定年度的宏观经济指标数据；
利用深度学习算法，构建灯光特征数据与宏观经济指标数据间的数学模型，形成基于灯光遥感数据的宏观经济指标评估模型；
利用测试集中DMSP/OLS灯光灰度值图像的灯光特征数据以及对应的实际宏观经济指标数据，对所述宏观经济指标评估模型反复测试，获得预测评估模型；
提取DMSP/OLS灯光强度灰度值图像的灯光特征数据，输入到所述预测评估模型，由预测评估模型输出用宏观经济指标表示的宏观经济评估结果。
2.如权利要求1所述基于灯光遥感数据国家宏观经济指标估测方法，其特征在于，所述灯光特征数据包括灯光斑块总强度、灯光平均强度、灯光斑块相对平均强度、区域灯光总面积、区域灯光灯光斑块相对面积、区域灯光总量、灯光指数；灯光斑块方差、线性加权灯光指数。
3.如权利要求1所述基于灯光遥感数据国家宏观经济指标估测方法，其特征在于，所述宏观经济指标包括国民生产总值、人口、二氧化碳排放、电力消耗以及城市化率。
4.如权利要求1所述基于灯光遥感数据国家宏观经济指标估测方法，其特征在于，对所述宏观经济指标评估模型反复测试时，使用反向传播算法对社会宏观经济指标评估模型的权值和偏差进行反复调整训练,当输出向量与期望向量的误差平方和小于指定的误差时训练完成。
5.如权利要求1所述基于灯光遥感数据国家宏观经济指标估测方法，其特征在于，所述预测评估模型包括输入层、隐藏层以及输出层：
所述输入层用于输入所述夜光图像特征，所述隐藏层用于通过构建的多层神经网络模型对输入的所述夜光图像特征进行处理，所述输出层用于输出所述宏观经济指标；
所述隐藏层包括多层，每层包括有卷积层、激活函数层、池化层、LSTM层以及全连接层；
所述全连接层连接softmax分类器。
基于灯光遥感数据国家宏观经济指标估测方法
技术领域
[0001] 本发明涉及经济指标估测技术领域，具体涉及基于灯光遥感数据国家宏观经济指标估测方法。
背景技术
[0002] 随着对外开放新战略快速推进，在目标各国的直接投资，已成为我国开展对外经济与技术合作的主要方向。宏观经济数据是我国政府和企业评估目标国投资风险时所需要考量的最主要指标，具有重要的决策参考价值。由于宏观经济数据统计难度大、成本高、周期长，造成官方公布的数据在时效性、可靠性方面难以保障；而且各国政府的统计方法和指标定义有显著差异，不同国家不同年份官方数据的通用性和可比性较差；另外，某些国家由于受战争战乱的影响，出现严重的数据缺失。
[0003] 国内外大量研究已经证实，夜间灯光数据与人类社会宏观经济之间存在高度的相关性，夜间灯光遥感影像和人类活动存在较高的关联性，且具备时空连续、独立客观等优势，能够为某地区国民生产总值、人口、电力消耗、二氧化碳排放、城市化率等社会经济参数的估算提供重要依据。
发明内容
[0004] 本发明的目的是针对现有技术中存在的技术缺陷，而提供基于灯光遥感数据国家宏观经济指标估测方法，通过国家地区的夜间灯光遥感影像进行处理和分析，能估测相应的国家地区的的宏观经济指标，作为官方数据的印证和补充。
[0005] 为实现本发明的目的所采用的技术方案是：
[0006] 基于灯光遥感数据国家宏观经济指标估测方法，包括步骤:
[0007] 获取目标区域的国家及地区边界矢量数据和目标区域的国家及地区预定年度的DMSP/OLS灯光灰度值图像；
[0008] 根据上述获得的边界矢量数据，提取目标区域的国家及地区预定年度的DMSP/OLS灯光灰度值图像的灯光特征数据；
[0009] 获取目标区域的国家及地区预定年度的宏观经济指标数据；
[0011] 利用测试集中DMSP/OLS灯光灰度值图像的灯光特征数据以及对应的实际宏观经济指标数据，对所述宏观经济指标评估模型反复测试，获得预测评估模型；
[0012] 提取DMSP/OLS灯光强度灰度值图像的灯光特征数据，输入到所述预测评估模型，由预测评估模型输出用宏观经济指标表示的宏观经济评估结果。
[0013] 所述灯光特征数据包括灯光斑块总强度、灯光平均强度、灯光斑块相对平均强度、区域灯光总面积、区域灯光灯光斑块相对面积、区域灯光总量、灯光指数；灯光斑块方差、线性加权灯光指数。
[0014] 所述宏观经济指标包括国民生产总值、人口、二氧化碳排放、电力消耗以及城市化率。
[0017] 所述输入层用于输入所述夜光图像特征，所述隐藏层用于通过构建的多层神经网络模型对输入的所述夜光图像特征进行处理，所述输出层用于输出所述宏观经济指标；
[0018] 所述隐藏层包括多层，每层包括有卷积层、激活函数层、池化层、LSTM层以及全连接层；所述全连接层连接softmax分类器。
[0019] 本发明是以DMSP/OLS灯光强度灰度值图像作为基础数据，综合运用图像处理和模式识别技术，提取夜光图像基本特征，利用深度学习算法构建夜光图像特征与宏观经指标之间的数学模型，将此模型应用于目标国家及地区宏观经济指标的评估预测，通过获取的夜光图像后即可实现有效地预测相应的国家地区的的宏观经济指标。附图说明
[0020] 图1是本发明基于灯光遥感数据国家宏观经济指标估测方法的流程示意图；
[0021] 图2是本发明对宏观经济指标评估模型的训练的流程图；
[0022] 图3是本发明的评估预测模型的神经网络的示意图。
具体实施方式
[0023] 以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0024] 参见图1所示，基于灯光遥感数据国家宏观经济指标估测方法，包括步骤：
[0025] 获取目标区域的国家及地区边界矢量数据和目标区域的国家及地区预定年度的DMSP/OLS灯光灰度值图像；
[0026] 根据上述获得的边界矢量数据，提取目标区域的国家及地区预定年度的DMSP/OLS灯光灰度值图像的灯光特征数据；
[0027] 获取目标区域的国家及地区预定年度的宏观经济指标数据；
[0028] 利用深度学习算法，构建灯光特征数据与宏观经济指标数据间的数学模型，形成基于灯光遥感数据的宏观经济指标评估模型；
[0029] 利用测试集中DMSP/OLS灯光灰度值图像的灯光特征数据以及对应的实际宏观经济指标数据，对所述宏观经济指标评估模型反复测试，获得预测评估模型；
[0030] 提取DMSP/OLS灯光强度灰度值图像的灯光特征数据，输入到所述预测评估模型，由预测评估模型输出用宏观经济指标表示的宏观经济评估结果。
[0031] 具体的，所述DMSP/OLS灯光灰度值图像为非福射定标夜间平均灯光强度图像数据，DMSP/OLS非福射定标夜间平均灯光强度数据及目标区域的国家或地区的边界分别进行等角圆锥投影，将其转换为直角坐标，然后用目标区域的边界分别对DMSP/OLS灯光强度图像数据进行裁剪，从而得到预定年度的目标区域的国家或地区的DMSP/OLS非辐射定标夜间灯光强度图像数据。
[0032] 为了实现更为精确的估计，我们需要对预测评估模型的输入指标进行设计，即提取灯光图像的什么特征作为预测评估模型的输入向量。
[0033] 具体的，本发明中，所述灯光特征数据包括灯光斑块总强度TI、灯光平均强度I、灯光斑块相对平均强度I′、区域灯光总面积S、区域灯光灯光斑块相对面积S′、区域灯光总量TOLI、灯光指数CNLI；灯光斑块方差σ、线性加权灯光指数L。
[0034] 为此需要通过灯光图像区别出城市区域灯光像元，然后再利用灯光像元来获取上述的灯光特征数据。
[0035] 根据经验判断，设定一个阈值P，当一个像元光强度大于该阈值时，可认为是城市区域灯光像元。以下具体说明各个夜光图像特征的计算公式或方法：
[0036] (1)灯光斑块总强度TI
[0037]
[0038] 式中：DNi-像元灰度值；
[0039] DNM-可能出现的最大灰度值；
[0040] ni-灰度为DNi的像元数目；
[0041] P-根据经验设定的灯光阈值；
[0042] (2)灯光斑块平均强度I
[0043]
[0044] 式中：DNi-像元灰度值；
[0045] DNM-可能出现的最大灰度值，
[0046] N-区域内满足条件DNM≥DNi≥P的所有像元总数；
[0047] ni-灰度为DNi的像元数目，
[0048] (3)灯光斑块相对平均强度I′
[0049]
[0050] 式中：DNi-像元灰度值；
[0051] DNM-可能出现的最大灰度值，
[0052] N-区域内满足条件DNM≥DNi≥P的所有像元总数；
[0053] ni-灰度为DNi的像元数目，
[0054] (4)区域灯光总面积S
[0055] S＝Area(DNM≥DNi≥P)，
[0056] 式中：Area-区域面积(用像元总数表示)，
[0057] DNM-可能出现的最大灰度值，
[0058] P-阈值，
[0059] (5)区域灯光相对面积S＇
[0060]
[0061] 式中：Area-区域面积(用像元总数表示)，
[0062] DNM-可能出现的最大灰度值，
[0063] P-阈值，
[0064] (6)区域灯光总量TOLI
[0065]
[0066] 式中：TIi-区域内各灯光板块的强度，
[0067] n-区域内所有灯光板块的总数；
[0068] (7)灯光指数CNLI
[0069] CNLI＝S＇×I＇，
[0070] (8)灯光斑块方差σ
[0071]
[0072] (9)线性加权灯光指数L
[0073] L＝I＇×p1+S＇×p2，
[0074] 式中：p1和p2-相加为1的给定权重。
[0075] 如图2所示，对于该宏观经济指标评估模型的神经网络训练过程的包括以下步骤：
[0076] (1)网络权值偏置初始化：
[0077] 给定各连接权值及偏置分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定算精度值和最大学习次数M，
[0078] (2)隐藏层计算：
[0079] 随机选取第k个输入样本及对应期望输出分别记为如下：
[0080] xo(k)＝(x1(k)，x2(k)，x3(k)，...，xn(k))，
[0081] 以及do(k)＝(d1(k)，d2(k)，d3(k)，...，dq(k))，
[0082] 并计算隐藏层各神经元的输入和输出。
[0083] (3)输出层计算：
[0084] 计算输出层各神经元的输出并利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δo(k)。
[0085] (4)误差计算：
[0086] 利用隐含层到输出层的连接权值、输出层的δo(k)和隐藏层的输出计算误差函数对隐藏层各神经元的偏导数δh(k)。
[0087] (5)更新权值：
[0088] 利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值ωho(k)。
[0089] (6)更新阈值：
[0090] 利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正输出层阈值to(k)。
[0091] (7)计算全局误差：
[0092] 计算全局误差，公式为 并判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第(3)步，进入下一轮学习。
[0093] 训练结束之后，通过比较测试样本数据的实际输出值与期望目标输出值的偏差来判断网络模型的准确性。
[0094] 其中，本发明中，训练形成的所述的预测评估模型，包括以下部分，见图3所示。
[0095] 一、输入层
[0096] 输入层包含9个输入变量，分别为X1(灯光斑块总强度TI)、X2(灯光平均强度I)、X3(灯光斑块相对平均强度I′)、X4(区域灯光总面积S)、X5(区域灯光灯光斑块相对面积S′)、X6(区域灯光总量TOLI)、X7(灯光指数CNLI)、X8灯光斑块方差σ、X9线性加权灯光指数L。
[0097] 二、隐藏层
[0098] 如2所示，该神经网络模型可为n层，其中每一层可由如下几种形式的神经网络层组成。
[0099] (1)卷积层：
[0100] 卷积层是将输入预指定的模板滤波器进行卷积，从而得到对于输入矩阵的全面性表征。具体公式如下：
[0101]
[0102] i，j，k，l——表征输入矩阵元素及滤波器位置的变量；其中，g(i，j)为卷积后对应输出的一个点的值，f(i，j)为输入数据中对应元素，h(i，j)为卷积模板滤波器对应位置的元素。
[0103] (2)激活函数层
[0104] 在卷积层中，每一层输出都是上层输入的线性函数。因此，为了实现非线性变换，引入非线性函数作为激活函数层的基础，通常的激活函数为RELU函数，sigmoid函数或者双曲函数。
[0105] a)RELU函数：
[0106] RELU函数是激活函数的一种，通过RELU函数，可以完成数据转换，得到的数据结构大小不变，只需要一个阈值就可得到激活值，而不用去算一大堆复杂的运算，其公式如下：
[0107] f(x)＝max(0，x)
[0108] b)Sigmoid函数：
[0109] Sigmoid函数将一个实数输入映射到[0，1]范围内，故其在表征概率分布式时具有很好的性能，然而其参数收敛速度很慢，也会影响训练的效率，其公式如下：
[0110]
[0111] c)双曲函数：
[0112] 双曲函数将一个实数输入映射到[-1，1]范围内。当输入为0时，tanh函数输出为0，符合激活函数的基本要求。然而tanh函数也可能存在梯度饱和问题。
[0113] (3)池化层：
[0114] 池化层的主要作用时对数据进行压缩，一方面使数据的维数变小，简化神经网络计算复杂度；一方面进行特征压缩，提取主要特征。
[0115] (4)LSTM层：
[0116] LSTM是对于RNN(循环神经网络)的升级变体，可使先前的信息与当前的任务得以联系，并使计算机可处理输入和输出是不同长度序列的问题。
[0117] 对于t时刻的输入xt，可通过以下公式基于ht-1和xt连续地计算以下变量：
[0118] ft＝σ(Wxfxt+Whfht-1+bf)
[0119] it＝σ(Wxixt+Whiht-1+bi)
[0120] gt＝tanh(Wxgxt+Whght-1+bg)
[0121] ct＝ft⊙ct-1+it⊙gt
[0122] ot＝σ(Wofxt+Whoht-1+bo)
[0123] ht＝ot⊙tanh(ct)，
[0124] Wxf，Whf，Wxg，Whg，Wof，Who-门的权值矩阵，
[0125] bf，bi，bg-隐藏状态
[0126] 其中，σ是元素级别的逻辑sigmoid函数，tanh是反三角函数，⊙是元素对应项乘法。门的权值矩阵和隐藏状态用Wij和bk来表示，ft，it和ot分别是遗忘门，输入门和输出门的输出。ct是细胞元状态值，ht是隐藏状态值，gt是计算新的ct的候选值。
[0127] (5)全连接层：
[0128] 全连接层其作用为连接所有的特征，将输出值送给分类器。通过全连接层以后，特征被送给分类器，选择softmax分类器，Softmax分类器是其对多个类的归纳。与支持将输出f(xi，W)作为每个类别的(未校准且可能难以解释的)分数的SVM不同，Softmax分类器能够给出稍微更直观的输出(归一化类别概率)将很快地将这种归一化概率描述一个对于某类事件的解释。在Softmax分类器中，函数映射f(xi；W)＝Wxi保持不变，但是本发明将这些分数解释为每类的非归一化对数概率，并使用具有以下形式的损失函数来的交叉熵：
[0129]
[0130] fyi-某一类分数f的第yi个元素向量
[0131] fj表示某一类分数f的第j个元素向量。如前所述，数据集的全部损失是Li在所有训练样例上的均值以及正则化项R(W)。函数 被称为softmax函数：它将一个任意实值分数的向量(在z中)压缩成一个介于0和1之间的向量值并满足总和为一。
[0132] 三、输出层
[0133] 深度学习网络的输出层神经元数量对应于宏观经济评估结果，本发明用5个输出变量来输出宏观经济的评估结果。
[0134] 5个变量y0、y1、y2、y3、y4与宏观经济指标的对应关系如下表所示：
[0135]
[0136] 本发明有效克服了官方数据不同国家不同年份数据通用性和可比性较差、获取成本高、数据公布滞后、数据缺失的缺陷，客观反映一个国家和地区的宏观经济发展水平。
[0137] 以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 识别图像叠加文字区域的神经网络模型构建方法与系统 | 2020-10-06 | 1 |
| 一种基于卷积神经网络的稳态视觉诱发电位信号分类方法 | 2021-01-30 | 1 |
| 电子棋牌决策模型训练方法及装置、策略生成方法及装置 | 2022-01-08 | 1 |
| 一种基于改进卷积神经网络的焊缝缺陷识别方法 | 2022-09-21 | 1 |
| 基于多尺度注意力卷积神经网络的驾驶员行为识别方法 | 2021-05-21 | 0 |
| 一种风机集群故障预测方法及系统 | 2020-05-12 | 1 |
| 一种联合绘画方法、装置、终端设备及可读存储介质 | 2021-03-31 | 2 |
| 神经网络分类 | 2020-09-03 | 1 |
| 一种实现神经网络模型的装置及方法 | 2023-06-24 | 0 |
| 用於類神經網路計算的旋轉資料 | 2023-11-04 | 0 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈