1.综述：
夜间灯光数据在城市研究中发挥着重要作用，而大空间尺度上的城市中心仍远未明确。针对目前利用夜间灯光数据监测城市空间结构的挑战，本文提出了一种基于索米国家极轨合作组织Visible捕获的亮度信息，在大空间尺度上识别大城市中心的新方法。红外成像辐射计套件 (NPP-VIIRS) 传感器。基于地形分析中基于数字高程模型（DEM）数据提取峰值点的方法，将最大邻域和差分算法应用于NPP-VIIRS数据中，提取具有峰值夜间光照强度的像素来识别潜在的城市中心的位置。结果显示，2017年中国2200个城市中有7239个城市中心，平均每个城市有3.3个城市中心。大约 68% 的城市具有明显的多中心结构。本文提出的方法有助于城市中心的识别,可为城市规划和建设提供参考。
2.数据：
2.1.夜间灯光数据
本文使用的夜间光照数据是NPP-VIIRS日/夜波段（DNB）的第一版无云和月度合成图像，包括2012年4月至2017年12月的69个月。环境信息中心 (NCEI)，国家海洋和大气管理局 (NOAA) 的子公司 (?NOAA/NGDC - Earth Observation Group - Defense Meteorological Satellite Progam, Boulder?)。NPP-VIIRS 网格产品包括三种时间分辨率：日、月和年。在产品质量和时间序列连续性方面，月度复合产品应用最为广泛。月度复合产品为2012年4月至今，包括两种类型（杂散光完全消除产品和杂散光校正产品）。2014 年 1 月之前，仅提供前款产品；2014 年 1 月之后，这两种产品都可用。
本研究使用无云和月度复合产品，完全消除了杂散光的影响。数据是通过平均被认为是无云的像素计算出的浮点值，并且它们的量化报告为以纳瓦/厘米2?/sr为单位的辐射度。产品是 15 弧秒（约 475 m）网格，从南纬 65° 到北纬 75°，并将全球数据根据赤道和每 120° 经度间隔粗略切割为 6 个瓦片。在每月合成之前，DNB 捕获的夜间光线已经过部分预处理，以滤除杂光、闪电、月光和云的影响。但是，月度综合数据仍然有背景噪音，例如极光、油气火焰和渔火。
2.2 土地覆盖和水掩膜数据
中分辨率成像光谱仪 (MODIS) 土地覆盖数据 (MCD12Q1) 和水面罩数据 (MOD44W) 来自美国家航空航天局 (NASA) 的陆地过程分布式主动档案中心.?https://lpdaac.usgs.gov)/product_search/query=MODIS&view=cards&sort=title）。
MCD12Q1空间分辨率为500 m，是基于Terra和Aqua卫星携带的MODIS传感器获得的年度数据的土地覆盖数据集。数据集的第六版具有从 2000 年至今的连续数据，包含五种不同的土地覆盖分类系统。国际地圈生物圈计划（IGBP）的土地覆盖分类系统是应用最广泛的系统之一。系统定义了17种土地覆盖类型，本研究以城市地区的土地覆盖作为提取掩码。
MOD44W水面罩数据空间分辨率为250 m，时间跨度为2000-2015年。与MCD12Q1中的水面数据相比，MOD44W第六版对水面提取精度高，能更准确地表示水体的空间分布。水。
2.3人口密度数据
人口密度数据是从 NASA 社会经济数据和应用中心 (SEDAC) 的世界网格人口 (GPW) 收集的。基于2005年至2014年的全球人口和住房普查数据，通过模型计算生成了2000年、2005年、2010年、2015年和2020年的GPW数据集?。本研究使用的人口密度数据为经联合国统计优化的第四版，空间分辨率为30弧秒（约1公里）。
2.4 其它数据
除上述数据外，本研究还使用了以下辅助数据：
高分辨率历史遥感影像来自谷歌地球。国家、省、地三级行政区划数据为中国国家地理信息中心发布的1:40万比例尺矢量数据集（http://www.ngcc.cn/ngcc/html/1/391/392 /16114.html）。数据更新参考国家行政区划信息查询平台中华人民共和国民政部（全国行政区划信息查询平台）。全国各省市年末总人口、地区生产总值、全社会用电量、城镇人口、县级人口统计数据来自《中国城市统计年鉴》（国家统计局）。?、中国城市建设统计年鉴、中国县城建设统计年鉴。年末总人口是当地公安部门统计的年末全市登记总人数。用电量是指当年全市各部门用电量的总量。地区生产总值是当年按市场价格计算的全市所有居民生产活动的总和。
设置
开放获取
文章
基于NPP-VIIRS夜间灯光数据的中国多中心城市识别
经过?
?1,2
1
西南大学地理科学学院, 重庆金佛山喀斯特生态系统野外科学观测研究站, 重庆 400715
2
西南大学西南山地生态农业国家培育基地 重庆 400715
3
西南大学地理科学学院遥感大数据应用重庆工程研究中心 重庆 400715
4
雷丁大学地理与环境科学系，英国雷丁 RG6 6AB
5
深圳市国家高新技术产业创新中心，深圳 518057
*
通讯作者。
遥感?
2020?,?
12?(19), 3248;?
Remote Sensing | Free Full-Text | Identification of Polycentric Cities in China Based on NPP-VIIRS Nighttime Light Data
收稿日期：2020 年 8 月 15 日?/?修订日期：2020 年 9 月 25 日?/?接受：2020 年 10 月 3 日?/?发布时间：2020 年 10 月 7 日
（本文属于
城市遥感板块）
夜间灯光数据在城市研究中发挥着重要作用，而大空间尺度上的城市中心仍远未明确。针对目前利用夜间灯光数据监测城市空间结构的挑战，本文提出了一种基于索米国家极轨合作组织Visible捕获的亮度信息，在大空间尺度上识别大城市中心的新方法。红外成像辐射计套件 (NPP-VIIRS) 传感器。基于地形分析中基于数字高程模型（DEM）数据提取峰值点的方法，将最大邻域和差分算法应用于NPP-VIIRS数据中，提取具有峰值夜间光照强度的像素来识别潜在的城市中心的位置。结果显示，2017年中国2200个城市中有7239个城市中心，平均每个城市有3.3个城市中心。大约 68% 的城市具有明显的多中心结构。本文提出的方法有助于城市中心的识别,可为城市规划和建设提供参考。
一、介绍
城市是发展到高级阶段的人类聚居区，是现代社会重要的生产性区域[?
1?]。在过去的半个世纪中，城市化已经经历了快速的国际上开发的，特别是在发展中国家[?
2，
3?]。改革开放40年，中国城镇化率从1978年的17.9%提高到2017年的58.5%，年均增长约1%[?
4?]。预计到2030年，中国城市人口将达到10亿[?
5?]。而快速的城市化带来了经济的发展 [?
6?,?
7 ]]，一系列的生态环境问题日益显着的[?
8，
9，
10，
11?]，和“城市病”喜欢环境污染，拥挤，以及交通拥堵已经出现在许多拥挤的城市地区[?
12，
13?]。城市是中国转型期发展最快的地区，城市建设在很大程度上影响着中国的可持续发展 [?
14?,?
15 ]]。因此，“城市病”问题应得到有效解决。经过多年的理论和实证研究，多中心的城市发展模式已经被证明是有效地改善经济发展水平和社会凝聚力，缓解拥挤的人群，以及改善城市环境[?
16，
17，
18，
19?]。因此，对于城市的可持续发展，监测中国城市中心，分析城市中心在不同空间尺度上的动态和空间格局非常重要。
当前大多数关于多中心城市区域识别的研究都是基于具有高精度和代表性的统计或兴趣点 (POI) 数据 [?
20?,?
21?,?
22?]。这些数据质量很高，但很难获得。因此，基于此类数据的研究大多局限于单相或个别大城市。因此，很难对其进行动力学研究或进行大规模研究。近十年来，夜光数据被用于大尺度识别城市的空间结构，越来越多的研究利用夜光数据对城市中心进行监测 [?
23?,?
24?,?
25 ]]。来自国防气象卫星计划的业务线扫描系统 (DMSP-OLS) 的夜间光图像提供全球范围的辐射校正数据，已被用于识别具有多分辨率分割的潜在集群 [?
26]。在使用支持向量机分类器去除潜在簇的晕圈效应后，最终使用高斯体积模型提取出明亮的城市区域。这项研究在华东杭州取得了良好的效果，表明可以有效识别城市中显着明亮的夜间灯光区域。随着更多夜间灯光数据的出现和对城市空间结构的深入研究，精细尺度的城市内部空间特征越来越受到关注。与传统的DMSP-OLS夜间灯光数据相比，索米国家极地轨道合作组织的可见红外成像辐射计套件（NPP-VIIRS）的夜间灯光数据质量有所提高，可以在精细的时空尺度上识别城市的中心结构。
27,
28].
来自社交平台（微博）的月度合成 NPP-VIIRS 数据和 POI 数据（具有共享位置）可以与当地 Moran 指数和地理加权回归方法结合使用，以有效识别城市中心区 [?
29?]。此类研究已在北京、上海和重庆等中国城市成功开展 [?
30?,?
31?,?
32]。但是，这种研究方法需要辅以大量的城市POI数据，需要大量的高质量数据。在这类数据难以收集的中小城市，识别效果可能弱于大城市。考虑到数据质量的限制，一些研究人员将重点放在 NPP-VIIRS 夜间灯光数据上，并开发了识别城市中心的新方法。在一般情况下，这些新的方法可以分为两个主要的组：根据基于亮度特征[城市的夜间光水平和阈值分割方法的空间特性的轮廓数方法
32，
33，
34，
35，
36]。一些研究人员发现，城市夜间光照模型与数字高程模型（DEM）大体相似，通过属性值表示连续区域内的凸起“峰”和低“谷”，城市建设用地可以通过凸起和低地之间的陡峭区域 [?
32?,?
36?]。因此，可以将等高线数法等地形分析方法应用于NPP-VIIRS数据等夜间灯光数据，有效检测单个城市的内部中心结构。利用等值线数法，2014年上海共识别出33个城市中心[?
37]]。虽然在少数城市的中心结构识别方面取得了较好的成果，但这些研究仅限于单个或几个小规模的大城市。尚缺乏大空间尺度上多城市间的比较分析。根据 2015 年的年度合成 NPP-VIIRS 数据和之前的研究，Luo 等人。[?
38]通过设置阈值、提取集群、合并相邻中心等方式，识别出中国286个地级以上城市的城市中心。此外，他们测量了2015年中国多中心水平的城市发展程度。本研究采用基于夜间光照数据的百分比阈值方法，提取城市亮度前10%的区域作为城市中心。然而，这种方法可能排除夜间光照强度普遍较低的城市地区，例如大城市的新兴中心和小城市的中心。此外，单一年份的识别结果无法揭示城市中心的长期变化。
总之，我国基于NPP-VIIRS数据的城市中心识别研究尚处于起步阶段。在方法上，以往研究中广泛使用的阈值分割法将城市中亮度最高的前10%的像素点确定为城市中心区域；因此，夜间灯光亮度水平不在此阈值范围内的城市中心被排除在外。在空间尺度上，现有研究集中在个别大城市，而忽略了大量的中小城市。在时间尺度上，现有研究集中在某一特定年份，尚缺乏对城市化的时间序列分析。旨在回答上述三个科学问题，本文提出了一种应用NPP-VIIRS夜间灯光数据在大空间尺度上识别中国城市中心的方法。这种方法满足了确定一个城市是否有中心、中心的具体数量以及中心的空间位置的需要。还估计了本文提出的新方法的准确性和不确定性。
2. 研究区域和数据
2.1.?学习区
本文的研究区域覆盖了中国大陆2200个省、地、县行政级别的城市（因数据缺乏，排除了香港、澳门特别行政区和台湾省）。中国幅员辽阔，中国城市社会经济条件千差万别，导致城市化水平存在区域差异。
根据经济发展和地理条件，将整个中国划分为东北、华东、华中、西部四个区域。具体来说，东北地区包括三个省级行政区（黑龙江、吉林、辽宁）；华东地区包括10个省级行政区（北京、天津、河北、山东、江苏、上海、浙江、福建、广东、海南）；华中地区包括六个省级行政区（山西、河南、安徽、湖北、湖南、江西）；中国西部包括12个省级行政区（陕西、甘肃、宁夏、内蒙古、青海、新疆、四川、重庆、贵州、云南、广西、西藏）（
图1a）。这种分区方法在中国已被广泛采用[
39,
40].
图 1. 中国的?四个经济区 (?
a?) 和七个城市类 (?
b?)。
在城市分类方面，参照2014年国务院发布的城市规模划分标准，中国城市分为三类（大城市、中城市、小城市）和七个二级（特大城市、特大城市、大城市一、大城市二、中城市、小城市一、小城市二）按市区常住人口数量划分。中国7个城市类别的分布
如图1b所示。四个经济区的城市等级分布较为均衡（
表1），说明本研究的经济区划与城市规模匹配较好。
表 1.?经济区域和城市类别。
2.2.?数据
2.2.1.?NPP-VIIRS 日期
本文使用的夜间光照数据是NPP-VIIRS日/夜波段（DNB）的第一版无云和月度合成图像，包括2012年4月至2017年12月的69个月。环境信息中心 (NCEI)，国家海洋和大气管理局 (NOAA) 的子公司 (?
NOAA/NGDC - Earth Observation Group - Defense Meteorological Satellite Progam, Boulder?)。NPP-VIIRS 网格产品包括三种时间分辨率：日、月和年。在产品质量和时间序列连续性方面，月度复合产品应用最为广泛。月度复合产品为2012年4月至今，包括两种类型（杂散光完全消除产品和杂散光校正产品）[
41?]。2014 年 1 月之前，仅提供前款产品；2014 年 1 月之后，这两种产品都可用。
本研究使用无云和月度复合产品，完全消除了杂散光的影响。数据是通过平均被认为是无云的像素计算出的浮点值，并且它们的量化报告为以纳瓦/厘米2?/sr为单位的辐射度[?
42?]。产品是 15 弧秒（约 475 m）网格，从南纬 65° 到北纬 75°（
图 2）)，并将全球数据根据赤道和每 120° 经度间隔粗略切割为 6 个瓦片。在每月合成之前，DNB 捕获的夜间光线已经过部分预处理，以滤除杂光、闪电、月光和云的影响。但是，月度综合数据仍然有背景噪音，例如极光、油气火焰和渔火。
图 2.?2012 年 12 月的全球 NPP-VIIRS 夜间灯光图像。
2.2.2.?土地覆盖和水掩膜数据
中分辨率成像光谱仪 (MODIS) 土地覆盖数据 (MCD12Q1) 和水面罩数据 (MOD44W) 来自美国国家航空航天局 (NASA) 的陆地过程分布式主动档案中心 (?
https://lpdaac.usgs.gov) /product_search/?query=MODIS&view=cards&sort=title）。
MCD12Q1空间分辨率为500 m，是基于Terra和Aqua卫星携带的MODIS传感器获得的年度数据的土地覆盖数据集。数据集的第六版具有从 2000 年至今的连续数据，包含五种不同的土地覆盖分类系统。国际地圈生物圈计划（IGBP）的土地覆盖分类系统是应用最广泛的系统之一[?
43?]。系统定义了17种土地覆盖类型，本研究以城市地区的土地覆盖作为提取掩码。
MOD44W水面罩数据空间分辨率为250 m，时间跨度为2000-2015年。与MCD12Q1中的水面数据相比，MOD44W第六版对水面提取精度高，能更准确地表示水体的空间分布。水。
2.2.3.?人口密度数据
人口密度数据是从 NASA [?
44?]社会经济数据和应用中心 (SEDAC) 的世界网格人口 (GPW) 收集的。基于2005年至2014年的全球人口和住房普查数据，通过模型计算生成了2000年、2005年、2010年、2015年和2020年的GPW数据集[?
45?]。本研究使用的人口密度数据为经联合国统计优化的第四版，空间分辨率为30弧秒（约1公里）。
2.2.4.?其他辅助数据
除上述数据外，本研究还使用了以下辅助数据：
高分辨率历史遥感影像来自谷歌地球。国家、省、地三级行政区划数据为中国国家地理信息中心发布的1:40万比例尺矢量数据集（
http://www.ngcc.cn/ngcc/html/1/391/392 /16114.html）。数据更新参考国家行政区划信息查询平台中华人民共和国民政部（
全国行政区划信息查询平台）。全国各省市年末总人口、地区生产总值、全社会用电量、城镇人口、县级人口统计数据来自《中国城市统计年鉴》（国家统计局）。
46?]、中国城市建设统计年鉴[?
47?]、中国县城建设统计年鉴[?
48?]。年末总人口是当地公安部门统计的年末全市登记总人数。用电量是指当年全市各部门用电量的总量。地区生产总值是当年按市场价格计算的全市所有居民生产活动的总和。
3. 方法
3.1.?数据预处理
为保证数据的可比性，将所有具有空间信息属性的数据重新投影到WGS84地理坐标系和Albers圆锥投影坐标系中，重新采样到空间分辨率为500 m。NPP-VIIRS 夜间灯光数据因其空间尺度大、时间分辨率多等特点而被广泛应用于诸多领域。但是，作为初级数据产品，数据的某些像素点仍然存在一定的噪声，并且在年尺度上存在时间序列不连续的问题，这在一定程度上限制了其应用。为了提高 NPP-VIIRS 数据的质量，通过数据预处理、去除背景噪声和年际连续性校正三个步骤对其进行校正 。
3.1.1.?NPP-OVER 数据的预处理
数据预处理主要包括图像合成、重投影、重采样和裁剪。首先，计算了一年中所有月份的平均 NPP-VIIRS 数据。然后，为保证最小的区域畸变，将数据投影到WGS84地理坐标系和Albers圆锥投影坐标系中，重新采样到空间分辨率为500 m。最后，以中国行政边界的矢量数据为掩码，对处理后的 NPP-VIIRS 数据进行整形。为避免行政边界与海岸带最新海岸线不匹配，从海岸区域边界向外延伸 5 公里缓冲区，以生成新的矢量边界作为裁剪掩码。
3.1.2.?去除背景噪音
NPP-VIIRS 数据的背景噪声主要是由背景像素的负值、最小值和最大值引起的。合成过程中产生的负值不符合光亮度的量纲原则。由于 VIIRS 传感器具有很强的光电传感能力，通常可以捕捉到人类活动发出的非常有限的、强度很小的强光 。此外，石油天然气、火山爆发、极光、火点等亮度极高的光源，都会导致部分像素值远远超过人类聚集区夜间灯光的亮度。背景噪声会限制城市夜间灯光研究的可靠性和准确性，因此必须从每年合成的图像数据中去除背景噪声。
由于本研究主要针对城市，因此需要根据城市地区夜间灯光特性去除 NPP-VIIRS 数据的背景噪声。首先，夜间光像素的值应该从零增加到正值 。值小于零的像素或被大面积水覆盖的像素都被指定为零值。此外，作为一种夜间灯光数据，DMSP-OLS可以作为辅助数据去除NPP-VIIRS数据的最大背景噪声。由于DMSP-OLS数据的阈值范围有限（0-63）和高值溢出，其像素覆盖范围远大于实际城市人类活动范围。此外，来自 DMSP-OLS 数据的石油、天然气和野火像素的最大噪声已被去除。相应年份DMSP-OLS数据的非零像素可作为掩码提取NPP-VIIRS数据，滤除NPP-VIIRS数据中非人类活动引起的大部分最小值和最大背景噪声。此外，城市的最大夜间光照阈值由不同级别确定，先是国家级，然后是省级。在全国范围内，以当年地区生产总值前五名城市中中心城区夜间光照强度最高值作为当年中国城市夜间光照强度的最大约束阈值。其次，最大约束阈值由省根据全国范围的约束阈值确定。以省级行政区区域生产总值前五名的地级市中心城区夜间光照强度最高值作为该省夜间光照强度的最大约束阈值。先是国家层面，然后是省级层面。在全国范围内，以当年地区生产总值前五名城市中中心城区夜间光照强度最高值作为当年中国城市夜间光照强度的最大约束阈值。其次，最大约束阈值由省根据全国范围的约束阈值确定。以省级行政区区域生产总值前五名的地级市中心城区夜间光照强度最高值作为该省夜间光照强度的最大约束阈值。先是国家层面，然后是省级层面。在全国范围内，以当年地区生产总值前五名城市中中心城区夜间光照强度最高值作为当年中国城市夜间光照强度的最大约束阈值。其次，最大约束阈值由省根据全国范围的约束阈值确定。以省级行政区区域生产总值前五名的地级市中心城区夜间光照强度最高值作为该省夜间光照强度的最大约束阈值。以当年地区生产总值前五名城市中中心城区夜间光照强度最高值作为当年中国城市夜间光照强度的最大约束阈值。其次，最大约束阈值由省根据全国范围的约束阈值确定。以省级行政区区域生产总值前五名的地级市中心城区夜间光照强度最高值作为该省夜间光照强度的最大约束阈值。以当年地区生产总值前五名城市中中心城区夜间光照强度最高值作为当年中国城市夜间光照强度的最大约束阈值。其次，最大约束阈值由省根据全国范围的约束阈值确定。以省级行政区区域生产总值前五名的地级市中心城区夜间光照强度最高值作为该省夜间光照强度的最大约束阈值。
为了检查背景噪声去除的效果，本研究对夜间灯光数据的一些典型应用进行了对比验证。为检验去噪效果，本文将《中国统计年鉴》中各城市的年末总人口、全社会用电量和地区生产总值三个社会经济指标与NPP-VIIRS进行拟合。去噪前后的数据。在夜间光照数据与社会经济参数拟合的研究中，夜间光照总值，即一个行政区划单元内所有夜间光照像素的累计值，具有良好的表征能力。因此，本文以31个省级行政区和244个地级行政区为样本，分析了2012年夜间照明总值与上述三个社会经济指标的相关性。
3.1.3.?年际连续性修正
总的来说，每月的 NPP-VIIRS 数据显示出规律的时间序列变化，而一些剧烈的变化可能会导致夜间光强的一些变化，例如战争。为了评估叙利亚战争破坏对每月 NPP-VIIRS 数据的影响，Li 等人。?对比夜间光比指数，发现NPP-VIIRS月度数据的时间变化相对稳定，两个月之间的最大差异小于10%。但考虑到各国在经济发展和空间范围方面的差异，本研究对中国每年的NPP-VIIRS数据进行了修正。
参考 2012-2017 年经济平稳发展和前人对 DMSP-OLS 数据年际修正的研究??,?本研究认为，中国城市夜间光照强度在此期间逐渐增强。因此，理论上，NPP-VIIRS数据应具有以下特点：在同一像素位置，次年夜间光照强度不应小于上年；次年大于零的夜间光照像素数应大于上年；从空间分布上看，次年应比上年呈现扩大趋势；上一年的夜间灯光像素在下一年不应消失。在上述假设下，本研究对2012-2017年NPP-VIIRS数据进行年际连续性修正。（可以参照博文：
夜间灯光数据预处理_m0_49757817的博客-CSDN博客_夜间灯光数据预处理步骤）
3.2.?城市中心检测
由于城市中心地区人类活动明显，夜间灯光与夜间人类活动之间存在相关性。由于夜间灯光图像中像素值高的区域与城市中心的空间分布具有较高的一致性，因此城市区域夜间灯光图像中像素值高的区域更可能是城市中心。总的来说，本研究中的城市中心识别包括三个步骤：基于地形分析方法的峰值像素提取、邻域算法的合适窗口大小的确定以及城市中心的提取（图3）。
?
3.2.1 基于地形分析的峰值像素提取
本研究采用最大邻域算法和差分算法提取有限空间范围内夜间光照强度最大的峰值像素。图4反映了提取峰值像素的主要过程：从图4a到图4c的像素值中减去图4b的像素值，然后根据图4c提取图4d?。下面描述详细的计算过程。
图4?中国北京峰值像素提取过程示例：(?a?)为校正后的NPP-VIIRS图像，(?b?)为最大邻域算法的结果图像，(?c?)为差分邻域的结果图像算法，(?d?) 是(?c?) 和城市边界提取的峰值像素。
邻域是指由空间上与目标像素相邻的若干像素组成的区域，以目标像素为中心，其空间范围由窗口大小决定。栅格操作中的邻域窗口通常具有矩形、圆形、环形或扇形（图 5）。为了保持整洁并避免切割网格，选择了 49 个大小为 3 × 3、5 × 5、7 × 7、...、25 × 25、...、99 × 99 的方形窗口作为可能适合的窗口。最大邻域算法。
邻域算法迭代夜光图像中的所有像素，根据有限的窗口大小计算指定邻域范围的栅格属性，并不断移动窗口，直到计算出整个栅格图像。最大邻域算法将邻域内夜光像素的最大值赋给邻域内的所有夜光像素。在 3 × 3 窗口中，最大邻居算法将中心像素的大小与八个相邻像素的值进行比较。如果中心像素具有最大值，则将该值分配给八个相邻像素；如果八个相邻像素中的一个像素具有最大值，则将该值分配给七个相邻像素。这种区分和分配逐个像素地执行，直到在夜间光图像中遍历所有像素。由于邻域窗口之间的操作是重叠的，经过某种操作的像素也可能包含在其他待处理像素的邻域中。由于这样的特点，邻域算法对光栅图像中的所有像素进行判断，保证了输出结果的准确性。因此，为了遍历夜间光照图像像素并输出峰值像素位于邻域中心的结果图像，本研究选择以下最大邻域算法：某个操作后的像素也可以包含在其他待处理像素的邻居中。由于这样的特点，邻域算法对光栅图像中的所有像素进行判断，保证了输出结果的准确性。因此，为了遍历夜间光照图像像素并输出峰值像素位于邻域中心的结果图像，本研究选择以下最大邻域算法：某个操作后的像素也可以包含在其他待处理像素的邻居中。由于这样的特点，邻域算法对光栅图像中的所有像素进行判断，保证了输出结果的准确性。因此，为了遍历夜间光照图像像素并输出峰值像素位于邻域中心的结果图像，本研究选择以下最大邻域算法。
3.2.2.?确定邻域算法的合适窗口大小
邻域算法的窗口大小限制了参与计算的数据的空间范围[?57]]，这将直接影响峰值像素的提取结果。如果邻域算法的窗口大小不一致，小城市会使用小窗口，而大城市会使用大窗口。那么，提取的峰值像素数量可能相同，但它所代表的邻域空间的大小可能不同。最后，它会影响城市中心数量和范围的准确性。一个城市的人口规模和建成区面积越大，它可以容纳的大小限制窗口就越多，相应地，它产生的峰值像素也就越多。最大邻域算法提取的峰值像素可以作为城市中心的潜在识别区域。统一的窗口尺寸保证了夜间光照强度的统一比较空间。不同城市化阶段的城市可以获得能够反映自身城市区域特征的峰值像素，从而保证提取结果的可比性。因此，需要为最大邻域算法确定最合适的窗口大小使得提取的城市夜间光峰像素合理，城市中心的数量和属性特征具有可比性。基于上述原因，本文采用统一的窗口大小来提取中国所有城市的峰值像素。窗口大小与对应窗口大小提取的峰值像素的平均夜间光亮度可以拟合出显着的对数函数曲线（图6），本研究分析了曲线上由陡变慢的变化点对应的窗口大小。
平均变化点法是一种处理非线性关系数据的统计方法，对于具有唯一变化点的测试最有效。在新疆、青藏高原，以及其他具有较大空间范围和表面起伏显着差异的区域，该方法通常用于确定适合地形分析的窗口大小。由于夜间光照图像具有与 DEM 相似的“地形”特征，本研究采用平均变化点法确定城市夜间光照强度峰值像素的合适窗口大小。本研究时间序列的结束时间为2017年，根据2017年的数据，最新的城市化动态可以在本研究中反映出来。因此，本研究根据2017年不同窗口大小下的计算结果，确定了最适合的城市化动态。窗口大小提取中国城市的峰值像素并将窗口大小应用于时间序列中的其他年份。?
3.2.3.?提取城市中心
在合适的窗口大小下，利用最大邻域算法对城市夜光图像进行夜光峰值像素点计算。由于峰值像素标识了在一定空间范围内人类活动显着活跃的位置，城市区域内的峰值像素标识了城市中心的潜在位置。因此，本文将提取的峰值像素叠加在城市建成区的土地覆盖上，得到城区的峰值像素。对峰值像素年际变化中的一些离群值进行时间序列校正，最终确定城市中的城市中心点。具体而言，采取了以下措施：
步骤1：过滤城市区域的峰值像素。由于峰值像素的提取是基于中国所有地区的夜间灯光图像，因此会识别出一些不在城市地区的高强度夜间灯光像素。MCD12Q1 土地覆盖数据的建成区被用作掩码以提取城市地区的峰值像素。但由于算法和空间分辨率的差异，MCD12Q1的建成区与中国城市实际建成区存在一定差异，尤其是在建筑面积有限的小城市。为保证结果的准确性，本研究提取了空间包含且与相应年份城市土地覆盖数据相近的峰值像素。我们的实验发现，在城市边界内或城市边界外3公里缓冲区内提取的峰值像素基本位于城市建成区。因此，本研究将按照城市建成区筛选出来的峰值像素作为城市中心。
步骤 2：校正城市中心数据。采用最大邻域算法通过移动计算窗口计算所有像素的值，最终确定空间范围内夜光强度最高的位置。当另一个高强度的夜光源出现在市中心附近时，夜光峰的原始位置被剥夺了。当邻域算法逐渐向周围像素移动时，峰值像素位置也随之移动。当算法超出城市行政区划边界时，无法监测到城市的峰值像素，也无法监测到城市的中心。尤其是周边城市亮度高而本中心亮度低的城市，
一般来说，单中心城市可以发展为多中心城市，只有两个中心的多中心城市也可以发展为单中心城市。但是，对于一个已经形成中心结构的城市来说，现实中几乎没有中心完全消失的情况。单中心城市将保持现有的中心数量或发展为多中心结构。在多中心城市的发展中，可能会出现多个中心之间的交替增长，表现为中心数量的增加或减少。本研究认为，只有一个或两个中心的城市中心不会完全消失——即一旦监测到一个城市的一个中心或两个中心，在随后的几年里也不会消失。因此，对于一个只有一两个中心的城市，如果检测到其中心点在次年完全消失，则需要对城市中心的异常进行时间序列校正。基于城市中心数量的动态变化（表2），本文对明年一两个中心完全消失的城市进行了2012-2017年的时间序列修正。对于有两个或两个以上中心的多中心城市，其中心数量没有减少到零，中心数量和位置的轻微波动被认为是正常的演化特征，因此这些城市不需要进行时间序列校正。
4. 结果
4.1.?NPP-VIIRS数据预处理结果
经过图像合成、重投影、重采样和裁剪，2012-2017年中国NPP-VIIRS夜间灯光图像
如图7所示。
图 7.?中国 2012 年至 2017 年的原始 NPP-VIIRS 夜间灯光图像。
省级与31个单位，并用244个单位的地电平，本研究中计算出的相关系数（的平方
- [R?2的总夜间光强度和三个社会经济指标（年终总人口之间），区域生产总值， 2012年全社会用电量）（
图8）。在省级层面，未去噪数据计算的夜间总光照强度
R?2与年末全社会总人口、地区生产总值和用电量的
R?2分别为0.1452、0.3296和0.3558。
[R?2去噪后的夜间总光照强度与年末全社会总人口、地区生产总值、用电量的分别为0.1478、0.355和0.3655。很明显，使用去噪数据计算的三组
R?2值大于使用未去噪数据计算的
R?2值。具体而言，三套
R?2 分别增长了1.79%、7.86%和2.73%。与省级相关性分析结果相比，地级级相关性结果明显改善。在地级，三套
R?2去噪数据计算的值也大于未去噪数据计算的值，
R?2 分别增加了1.26%、1.07%和1.45%。在省地两级，与原始数据相比，去噪后的NPP-VIIRS夜间灯光数据与三个社会经济指标的相关性更好，能够更好地刻画人类活动和社会经济参数，显示了去除背景噪声的有效性。
图 8.?NPP-VIIRS 夜间灯光图像与去除背景噪声前后三个社会经济参数的相关性比较。
为检验年际修正结果，本研究分别计算了不同社会经济发展水平城市的夜间总光照强度，并随机抽取重庆（直辖市）、太原（省会城市）、运城（地级市）进行检测。 )（
图 9）。无论是采用多区域尺度的像素累积值还是单像素的累积值，年际变化的连续性都表现出良好的效果。
图 9.?年际修正结果。
4.2.?城市中心的识别
4.2.1.?峰值像素提取结果
如图10所示，基于NPP-VIIRS数据，最大邻域算法选择了49个窗口大小。获取中国城市不同窗口大小下的峰值像素，统计峰值像素数和夜间光照强度属性。结合城市夜间光峰像素的数量和亮度特征。
图 10.?窗口大小与夜间光峰值像素数量和强度之间的关系。
从夜间光峰值像素的数量特征来看，总体而言，随着窗口尺寸的增大，中国城市峰值像素的数量随幂函数呈递减趋势。这种下降趋势可以粗略地分为小窗口大小的突然下降和大窗口大小的缓慢下降。当窗口大小增加到覆盖整个城市时，峰值像素数减少，直到只剩下代表整个城市最大亮度值的峰值像素。具体来说，小窗口的扩展导致峰值像素数显着减少，而大窗口的扩展仅导致峰值像素数略有减少。当邻域算法的窗口尺寸较小时（即?邻域空间范围较小），夜间光像素间横向对比较少，城市内形成大量邻域空间。当生成大量峰值像素时，这些峰值像素仅代表由较小窗口覆盖的较小邻域空间。当邻域算法的窗口大小增加（即邻域空间范围增加）时，夜间光像素之间的水平比较次数增加。当有限城市内的邻域空间减少时，将亮度值小的峰值像素值替换为亮度值高的峰值像素值，峰值像素数相应减少。并且在城市中形成了大量的邻里空间。当生成大量峰值像素时，这些峰值像素仅代表由较小窗口覆盖的较小邻域空间。当邻域算法的窗口大小增加（即邻域空间范围增加）时，夜间光像素之间的水平比较次数增加。当有限城市内的邻域空间减少时，将亮度值小的峰值像素值替换为亮度值高的峰值像素值，峰值像素数相应减少。并且在城市中形成了大量的邻里空间。当生成大量峰值像素时，这些峰值像素仅代表由较小窗口覆盖的较小邻域空间。当邻域算法的窗口大小增加（即邻域空间范围增加）时，夜间光像素之间的水平比较次数增加。当有限城市内的邻域空间减少时，将亮度值小的峰值像素值替换为亮度值高的峰值像素值，峰值像素数相应减少。当邻域算法的窗口大小增加（即邻域空间范围增加）时，夜间光像素之间的水平比较次数增加。当有限城市内的邻域空间减少时，将亮度值小的峰值像素值替换为亮度值高的峰值像素值，峰值像素数相应减少。当邻域算法的窗口大小增加（即邻域空间范围增加）时，夜间光像素之间的水平比较次数增加。当有限城市内的邻域空间减少时，将亮度值小的峰值像素值替换为亮度值高的峰值像素值，峰值像素数相应减少。
针对夜间光峰值像素的亮度特性，当窗口尺寸增大时，城市峰值像素的亮度随幂函数呈增大趋势。这种增加趋势可以粗略地分为小窗口大小的突然增加和大窗口大小的缓慢增加。当窗口大小增加到覆盖整个城市时，峰值像素的亮度增加，直到只剩下代表整个城市最大亮度值的峰值像素。具体来说，小窗口的扩展导致峰值像素的亮度显着增加，而大窗口的扩展仅导致峰值像素的亮度略有增加。当邻域算法的窗口尺寸较小时（即邻域空间范围较小），夜间灯光像素横向对比较少，城市内形成大量邻里空间。结果，提取了大量亮度值相对较低的峰值像素。当邻域算法的窗口大小增加时（即邻域空间增大），在较大的邻域空间范围内，夜间光像素之间的水平比较会更多。将亮度值小的峰值像素值替换为亮度值高的峰值像素值。最后，提取的峰值像素的亮度值增加。提取了大量亮度值相对较低的峰值像素。当邻域算法的窗口大小增加时（即邻域空间增大），在较大的邻域空间范围内，夜间光像素之间的水平比较会更多。将亮度值小的峰值像素值替换为亮度值高的峰值像素值。最后，提取的峰值像素的亮度值增加。提取了大量亮度值相对较低的峰值像素。当邻域算法的窗口大小增加时（即邻域空间增大），在较大的邻域空间范围内，夜间光像素之间的水平比较会更多。将亮度值小的峰值像素值替换为亮度值高的峰值像素值。最后，提取的峰值像素的亮度值增加。将亮度值小的峰值像素值替换为亮度值高的峰值像素值。最后，提取的峰值像素的亮度值增加。将亮度值小的峰值像素值替换为亮度值高的峰值像素值。最后，提取的峰值像素的亮度值增加。
结论
基于NPP-VIIRS 2012-2017年年度数据，本文提出了一种新的中国城市中心点识别方法。当前结果与以往城市中心识别结果和高精度遥感图像的比较证实了当前研究的有效性。得出具体结论如下：
本研究提取的城市中心由一定空间范围内人类活动水平显着高于其他地区的位置确定。本文基于 NPP-VIIRS 夜间灯光数据，提取了某个邻域内具有亮度值的峰值像素。具体来说，该方法包括以下步骤：NPP-VIIRS数据的修正、最大邻域算法、平均变化点法确定合适的窗口、差分计算、城区提取、时间序列修正。
为增强城市在大空间尺度上的可比性，本研究将城市按经济发展水平（四个区域）和城市等级（三大类（大城市、中等城市和小城市）和七个等级）进行了划分。除特大城市和特大城市外，四大经济区的其他五类城市分布相对均衡，经济水平与城市发展具有很强的匹配性。
截至2017年，中国城市平均拥有约3.3个中心，约68%的城市发展为多中心结构。从2012年到2017年，多中心城市的数量逐渐增加。但多中心城市空间分布不均，集中在东部沿海和华北地区。
本研究的提取结果表明，2012年中国非中心、单中心和多中心城市的比例分别为9%、26%和65%。2014年，中国非中心城市比例为8.6%。我们提取了 1473 个多中心城市，约占研究的 2200 个城市的 67%。通过与前人的研究成果和高分辨率实时遥感影像的对比，验证了本文提取的城市中心。我们的研究结果与实际城市中心一致，可以在较大的空间尺度上有效反映城市中心区的数量、位置和发展水平。由于采用了新方法，本研究中华北和东北地区的城市中心数量相对高于以往研究。
?
?
?