Predicción de Parámetros Socioeconómicos Multi-escala a partir de Datos Satelitales de Luces Nocturnas a Largo Plazo Utilizando Regresión de Árboles de Decisión: Un Estudio de Caso de Chongqing, China
Autores: Xu, Tingting; Zong, Yunting; Su, Heng; Tian, Aohua; Gao, Jay; Wang, Yurui; Su, Ruiqi
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Predicción de Parámetros Socioeconómicos Multi-escala a partir de Datos Satelitales de Luces Nocturnas a Largo Plazo Utilizando Regresión de Árboles de Decisión: Un Estudio de Caso de Chongqing, China
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Programa de satélites meteorológicos de defensa
Sistema operativo de escaneo en línea
Satélite de asociación polar de Suomi
Conjunto de radiómetros de imágenes en infrarrojo visible
Datos de luz nocturna
Factores socioeconómicos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El Programa de Satélites Meteorológicos de Defensa (DMSP/OLS) y el Conjunto de Radiómetros de Imágenes Infrarrojas Visibles del Satélite Suomi de Asociación Polar en Órbita (NPP/VIIRS) proporcionan datos de luz nocturna (NTL) que son un proxy adecuado para reflejar las actividades humanas y económicas. En este documento, primero proponemos un nuevo marco de procesamiento de datos para modificar la variación del sensor y ajustar los datos calibrados de DMSP/OLS y NPP/VIIRS en una única serie temporal de datos de luces nocturnas a largo plazo, con una precisión superior a 0.950. Tanto la supersaturación como el rango de valores digitales han sido optimizados a través de un proceso basado en aprendizaje automático. Los datos de NTL calibrados se regresaron contra seis factores socioeconómicos a múltiples escalas utilizando análisis de regresión de árbol de decisión (DTR). Para una ciudad en rápido desarrollo en China, Chongqing, el DTR proporciona un modelo de regresión confiable superior a 0.8 (R2), además de explicar la variación de la importancia de los factores. Con el análisis a múltiples escalas, emparejamos los índices de NTL de la serie temporal a largo plazo con la escala de estudio apropiada, descubriendo que la ciudad y la región subciudadana se estudian mejor utilizando la media y la desviación estándar de NTL, mientras que la suma de NTL y la desviación estándar podrían aplicarse mejor a la escala de distritos suburbanos. El número de factores significativos y su valor de importancia también varían con la escala de análisis. Más factores significativos están relacionados con NTL a una escala más pequeña. Con tal información, podemos entender cómo se desarrolla la ciudad a diferentes niveles a través de los cambios en NTL y cuáles son los factores más significativos en estos procesos de desarrollo a una escala particular. El desarrollo de toda una ciudad podría explicarse de manera integral y se puede producir información valiosa para que los planificadores urbanos elaboren planes de desarrollo más precisos en el futuro.
Descripción
El Programa de Satélites Meteorológicos de Defensa (DMSP/OLS) y el Conjunto de Radiómetros de Imágenes Infrarrojas Visibles del Satélite Suomi de Asociación Polar en Órbita (NPP/VIIRS) proporcionan datos de luz nocturna (NTL) que son un proxy adecuado para reflejar las actividades humanas y económicas. En este documento, primero proponemos un nuevo marco de procesamiento de datos para modificar la variación del sensor y ajustar los datos calibrados de DMSP/OLS y NPP/VIIRS en una única serie temporal de datos de luces nocturnas a largo plazo, con una precisión superior a 0.950. Tanto la supersaturación como el rango de valores digitales han sido optimizados a través de un proceso basado en aprendizaje automático. Los datos de NTL calibrados se regresaron contra seis factores socioeconómicos a múltiples escalas utilizando análisis de regresión de árbol de decisión (DTR). Para una ciudad en rápido desarrollo en China, Chongqing, el DTR proporciona un modelo de regresión confiable superior a 0.8 (R2), además de explicar la variación de la importancia de los factores. Con el análisis a múltiples escalas, emparejamos los índices de NTL de la serie temporal a largo plazo con la escala de estudio apropiada, descubriendo que la ciudad y la región subciudadana se estudian mejor utilizando la media y la desviación estándar de NTL, mientras que la suma de NTL y la desviación estándar podrían aplicarse mejor a la escala de distritos suburbanos. El número de factores significativos y su valor de importancia también varían con la escala de análisis. Más factores significativos están relacionados con NTL a una escala más pequeña. Con tal información, podemos entender cómo se desarrolla la ciudad a diferentes niveles a través de los cambios en NTL y cuáles son los factores más significativos en estos procesos de desarrollo a una escala particular. El desarrollo de toda una ciudad podría explicarse de manera integral y se puede producir información valiosa para que los planificadores urbanos elaboren planes de desarrollo más precisos en el futuro.