EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 1: 243 - 251

DOI: https://doi.org/10.6046/zrzyyg.2023257

Spatiotemporal analysis of economy in China’s primary cities affected by the COVID-19 pandemic based on remote sensing of night light

  • LI Ruikai , 1 ,
  • ZHAO Zongze , 1 ,
  • TANG Xiaojie 2 ,
  • ZHANG Jiayun 1 ,
  • WANG Guan 1 ,
  • ZHANG Lijuan 1
Expand
  • 1. School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454000, China
  • 2. Zhengzhou Technology and Business University, Zhengzhou 451400, China

Received date: 2023-08-28

  Revised date: 2023-12-05

  Online published: 2026-06-03

Fold

Abstract

The Corona Virus Disease 2019 (COVID-19) pandemic significantly affected China’s economy. This study investigated China’s five cities that witnessed large-scale COVID-19 outbreaks based on NPP-VIIRS night light (NTL) data. A fitting model between the NTL index and GDP statistics was established. This model can reflect the monthly economic variations, yielding the spatial distribution of GPD. Finally, this study analyzed the trend in the spatial variations of the economy in the five cities during the COVID-19 pandemic by analyzing the differences in monthly GDP density. The results indicate that the GDP predicted using the GDP spatialization based on the NTL index exhibited relatively small errors and can reflect the impacts of the COVID-19 pandemic on the urban economy in an intuitive and clear manner. Under the influence of mobility policies, the marginal areas of most of the cities experienced economic recession in the early and late stages of the pandemic, with economic growth observed in the middle stage of the pandemic. In contrast, the central areas of the cities experienced economic recession in the middle stage of the pandemic, were subjected to minor impacts in its early stage, and witnessed a rapid economic recovery in its late stage. Additionally, the economy in the central areas of the cities was more resistant to the impacts of the pandemic than that in their marginal areas.

Key words： night light index; COVID-19; major cities in China; GDP spatialization; spatiotemporal economic changes

Cite this article

LI Ruikai , ZHAO Zongze , TANG Xiaojie , ZHANG Jiayun , WANG Guan , ZHANG Lijuan . Spatiotemporal analysis of economy in China’s primary cities affected by the COVID-19 pandemic based on remote sensing of night light[J]. Remote Sensing for Natural Resources, 2025 , 37(1) : 243 -251 . DOI: 10.6046/zrzyyg.2023257

0 引言

新型冠状病毒肺炎疫情(下文简称“新冠疫情”)对我国经济发展产生了广泛影响[1]。夜间灯光(night time light,NTL)遥感利用传感器获取地表夜间灯光亮度的辐射值,可以反映出区域内的经济活动强度; 国内生产总值(gross domestic product,GDP)能够客观评价社会经济发展程度,但传统GDP只能反映宏观经济情况,不能反映区域的内部差异[2]。通过NTL指数进行GDP空间化在一定程度上可以弥补传统GDP统计方法的不足,近年来被广泛研究[3⇓⇓⇓⇓-8]。刘杨等[9]基于NPP-VIIRS NTL数据和兴趣点(point of interest,POI)数据,对北京市进行了GDP空间化研究; Dai等[10]发现NPP-VIIRS NTL数据相较于DMSP/OLS数据,在省级和市级尺度下的GDP模拟精度更高; 孙久文等[11]基于NPP-VIIRS NTL数据和高德人口迁徙数据对长三角城市群的空间结构进行了研究; 李翔等[12]基于珞珈一号NTL数据,对广东省进行了GDP空间化研究,发现珞珈一号NTL数据在第二、三产业发达地区有更强的适用性。
目前,大部分基于NTL数据的GDP空间化研究采用年度数据进行分析[13],且NTL数据在疫情期间经济研究领域应用较为广泛。江泽霖等[14]基于逐日NTL影像,研究了北京市疫情变化情况; 陶金花等[15]通过遥感手段对疫情期间复工复产情况进行监测; Elvidge等[16]表明灯光变暗主要与人员流动情况有关; Liu等[17]利用NTL遥感分析新冠疫情对环境的影响,得出疫情期间NTL指数降低且大多数省份的空气质量提升的结论; Shao等[18]证明了使用NTL监测工作恢复程度的可能性; 裴韬等[19]对疫情期间NTL指数建模进行了研究。通过以上研究得出,NTL遥感可以较好地反映出疫情对城市经济时空变化的影响。因此,本研究选取年度GDP和年度NTL指数建立拟合模型,将模型代入月度合成NTL数据,经过校正,进行GDP空间化,分析城市内部经济时空变化,研究国内主要城市在疫情影响下的GDP空间分布情况和发展规律。我国在2019年12月最早受到疫情影响,初期疫情主要分布在湖北省,后逐渐扩散到全国范围。2020年4月,第一批全国范围内疫情流行结束。此后,疫情在全国一些重点城市出现聚集性流行,流行时间跨度在1个月至多个月不等。本文主要选取武汉市、南京市、西安市、长春市和上海市5个国内主要城市,利用夜光遥感对曾发生大规模聚集性疫情的这5个城市进行GDP空间化,分析受疫情影响期间经济时空变化情况,以及疫情对城市内部不同区域经济的影响。本文利用GDP密度差值变化趋势分析不同区县受疫情影响程度差异,为疫情期间经济研究提供新的方法。

1 研究区概况及数据源

自疫情流行以来,在多个城市曾发生过大规模聚集性疫情。本文选取的国内主要城市及研究时间段如表1所示。新冠疫情发展的时间线为: 2020年初在我国范围内大规模爆发; 2020年1—2月,全国病例迅速增加,湖北省疫情尤为严重; 2020年2—3月,病例数逐步下降; 2020年4月底,开始进入常态化疫情防控阶段。综上,本文研究时间段选取2019年12月—2022年11月。
表1 研究城市及时间段

Tab.1 Research cities and time periods

城市 疫情严重时间段 疫情发展过程
湖北省武汉市 2020年1—4月 2019年12月8日通报首例病例,2020年1月23日开始管控,3月17日起援鄂医疗队陆续撤离,4月8日解除离汉管控
江苏省南京市 2021年7—8月 2021年7月20日报告首例病例,7月22日起开始管控,8月19日全域转为低风险地区
陕西省西安市 2021年12月—2022年1月 2021年12月9日报告首例病例,12月23日开始管控,2022年1月23日全域转为低风险地区
吉林省长春市 2022年2—4月 2022年3月初发现病例,3月20日新增病例速度达到顶点,进行管控,4月下旬疫情得到逐步控制
上海市 2022年3—5月 2022年3月1日报告首例病例,3月13日起疫情快速扩散,4月1日实施管控,6月1日解除管控
本文选取的NTL数据为NPP-VIIRS NTL数据,如表2所示。相比于DMSP/OLS数据,NPP-VI-IRS的传感器更加灵敏,空间分辨率更高(750 m)。
表2 数据来源

Tab.2 Data sources

数据类型 数据来源
NPP-VIIRS NTL数据 美国国家海洋大气管理局NOAA下属的NCEI国家环境信息中心
行政区划数据 中国科学院资源环境科学与数据中心
年度GDP统计资料 《中国城市统计年鉴》
月度GDP统计资料 各地市《统计年鉴》
在时间跨度方面,NPP-VIIRS NTL数据提供的月度合成数据和年度合成数据符合研究所需。为了对GDP进行空间化,还需要用到行政区划数据和2012—2022年各城市年度GDP统计资料。

2 研究方法

2.1 数据预处理

根据NPP-VIIRS NTL影像和中国地级市行政区划数据提取得到研究选取的5个地级市的NTL影像,如图1所示。对NTL影像进行重投影并将影像重采样至500 m网格。NPP-VIIRS NTL数据虽然排除了受杂散光影响的数据,但由于其传感器可以捕捉微弱灯光,会受到背景噪声的干扰。因此需要设置NTL最大阈值,当NTL辐射值大于最大阈值时,设置其数值等于最大阈值,以剔除辐射值过高的异常像元。同时,将NTL辐射值无值或负值的数据设置为0。
图1-1 研究区域NTL影像

Fig.1-1 NTL images of the study areas

图1-2 研究区域NTL影像

Fig.1-2 NTL images of the study areas

2.2 提取灯光指数并构建拟合模型

通过对比其他研究,发现总灯光亮度(total night light,TNL)和平均灯光亮度(mean night light,MNL)与GDP的拟合精度普遍较高。本研究主要选取TNL和MNL指数进行城市GDP空间化研究,TNL和MNL指数计算公式为:
T N L = ∑ i = 0 M D N i n i，
M N L = 1 N × ∑ i = 0 M D N i n i，
式中: D N i为区域中灰度值为i的像素; M为区域中最大灰度值; n i为区域中灰度值为i的数量; N为区域中像素总数。
迄今为止,单一的线性模型难以满足对经济数据的预测,为了更好地拟合GDP数据与NTL指数之间的关系,许多研究构建了各种数学模型来模拟分析经济发展变化的趋势。其中,回归模型能够准确反映出各因素间相关程度和拟合程度,故本研究选用回归模型对GDP数据进行拟合分析。利用决定系数R2评价GDP和NTL指数的拟合程度,选取拟合程度最好的回归模型作为最终的GDP空间化模型; 利用年度GDP空间化模型,对月度GDP进行反演,模拟月度经济变化情况。

2.3 GDP空间化方法

将GDP模拟值细化到每一个像素中,进行GDP空间化,生成GDP密度图。根据GDP空间化模型,生成研究区域城市的GDP预测值,利用GDP预测值和GDP统计值之间的相对误差(relative error,RE)评价GDP空间化的精度。RE值的绝对值越低,说明GDP预测值的精度越高,空间化模型的效果越好,即:
R E = ( G D P p - G D P t ) / G D P t × 100 %，
式中: GDPp为GDP预测值; GDPt为GDP统计值。
由于上述拟合模型结果是基于城市层面上建立的,当使用该模型将模拟的GDP细化为每个像素时,如果直接使用公式进行分配,产生的误差比较大,因此需对GDP预测值进行像素级校正,计算公式为:
G D P T i = G D P i G D P t G D P p，
式中: GDPTi为像素i的最终GDP模拟值; GDPi为回归模型得到的像素i的预测GDP模拟值。
根据生成的GDP密度图,利用公式得出月度间GDP差值分布,公式为:
G D P D = G D P n - G D P n - 1，
式中: GDPD为月度间GDP差值; G D P n为第n月模拟GDP结果; G D P n - 1为第n-1月模拟GDP结果。 G D P D为正值时,说明第n月经济相较于前一月增长; GDPD为负值时,说明第n月经济相较于前一月下降。

3 结果与分析

3.1 GDP空间化

选取2012—2021年NPP-VIIRS NTL年度合成数据,对灯光数据进行预处理,得到研究区域的MNL指数,并与GDP统计数据建立模型,GDP空间化模型如表3所示。
表3 研究区域GDP空间化模型

Tab.3 The spatial model of GDP in the study area

城市 GDP空间化模型 R2
湖北省武汉市 y = 262.09x - 102.98 0.952 8
江苏省南京市 y = 210.19x - 248.23 0.925 1
陕西省西安市 y = 250.80x - 278.10 0.912 7
吉林省长春市 y = 133.70x + 255.07 0.936 6
上海市 y = 511.55x - 4 178.10 0.906 7
为了对GDP预测值的精度进行评价,选取绝对相对误差(absolute relative error,ARE),即相对误差的绝对值,参考Zhao等[20]的研究方法,将研究区域城市GDP预测值的ARE划分为3个等级: ARE小于15%为高精度; ARE为[15,30]%为中精度; ARE大于30%为低精度。由表4可知,研究区域的5个城市2012—2021年共计10 a间进行GDP空间化得到的GDP模拟值中,低精度数据共1个,占比2%; 中精度数据共2个,占比4%; 高精度数据共47个,占比94%。且中精度数据和低精度数据集中在2013年,研究所选取的时间段的GDP预测值均为高精度数据。结果表明,利用GDP空间化对研究区域城市GDP进行预测的精度很高,具有良好的可靠性。根据GDP空间化结果,生成GDP密度图,如图2所示。
表4 研究区域GDP预测值的相对误差

Tab.4 Relative error of GDP forecast values in the study area (%)

年份 湖北省
武汉市		 江苏省
南京市		 陕西省
西安市		 吉林省
长春市		 上海市
2012年 1.66 11.71 0.73 -10.27 -7.17
2013年 14.99 17.37 30.67 6.35 15.77
2014年 -5.20 3.60 6.03 2.58 -6.90
2015年 0.99 -7.02 -8.05 6.03 7.74
2016年 -4.77 -11.48 -7.63 -0.73 -7.04
2017年 -0.79 -3.52 -4.00 4.61 9.16
2018年 -5.12 -4.52 -3.27 -2.09 2.17
2019年 -5.31 -3.63 -3.33 1.15 -1.40
2020年 7.11 2.86 -6.20 -4.76 -1.61
2021年 0.88 2.68 5.45 -1.72 -6.88
图2 研究区域GDP密度图

Fig.2 GDP density map in the study area

为了对GDP空间化的精度进行验证,利用2012—2021年各市统计年鉴中分区县生产总值与GDP空间化值进行对比。由于上海市、长春市统计年鉴中缺失大量区县数据,且各市在2012—2021年间存在区县合并、拆分等情况导致统计数据与空间化数据区划范围不一致,故选取武汉市、南京市、西安市中各4个行政区划范围稳定的区县进行精度验证,验证结果如表5所示。根据表5中数据可知,各区县GDP统计值与GDP空间化值之间R2均在0.8以上,且一半以上数据R2超过0.9,说明GDP空间化精度较高,可以较好地反映出经济空间变化情况。
表5 GDP空间化精度验证

Tab.5 Accuracy verification of GDP spatialization

区县名 R2 区县名 R2
西安市长安区 0.951 9 西安市灞桥区 0.873 0
西安市雁塔区 0.912 4 西安市未央区 0.935 6
南京市玄武区 0.899 0 南京市江宁区 0.903 3
南京市溧水区 0.948 8 南京市栖霞区 0.880 0
武汉市东西湖区 0.947 8 武汉市洪山区 0.908 1
武汉市江岸区 0.845 0 武汉市武昌区 0.847 6

3.2 国内主要城市疫情期间经济变化分析

武汉市经济空间变化情况如图3所示,2019年12月—2020年1月,武汉市西部经济受疫情影响较小,其他区域整体下降; 2020年1—2月,城市中心区GDP密度增加,西部区域经济出现下降; 2020年2—3月,随着援鄂医疗队陆续撤离武汉,GDP密度再次显著降低; 2020年3—4月,大规模疫情流行结束,经济开始恢复增长。武汉市各区县GDP变化趋势如图4所示。武昌区、青山区、江岸区、汉阳区等中心城区受疫情影响经济波动较大,东西湖区、蔡甸区等城市边缘区受疫情影响经济波动幅度较小。中心城区经济恢复速度快于城市边缘区。结合武汉疫情实际情况,武昌区、江岸区等地初期受疫情影响较为严重,GDP密度下降较多。由于援鄂医疗队支援武汉,2020年2月武汉市GDP密度呈现明显增长趋势,尤其是城市中心区GDP密度明显增加。2020年3月,随着援鄂医疗队大规模撤离,除江汉区外,经济全部出现衰退趋势。2020年4月,各区县经济恢复增长,中心区恢复速度快于城市边缘区域。
图3 武汉市经济空间变化情况

Fig.3 Changes of economic space in Wuhan

图4 武汉市各区县GDP变化趋势

Fig.4 GDP trend of Wuhan districts and counties

南京市经济空间变化情况如图5所示,2021年6—7月,南京市经济出现明显衰减趋势,其中城市中心区(鼓楼区、江宁区等)经济受疫情影响较小,城市边缘区域(高淳区等)经济受疫情影响较大; 2021年7—8月,城市中心区经济在疫情中后期受影响出现衰减,城市边缘区域经济开始恢复增长。南京市各区县GDP变化趋势如图6所示。疫情初期,除中心区中的鼓楼区、秦淮区外,其他区域均出现经济衰减。中心区内江宁区(疫情传播点南京禄口机场所在区)和建邺区出现经济衰减; 边缘区高淳区、浦口区经济衰减最为严重。随着疫情发展,鼓楼区、秦淮区受疫情影响经济出现衰减,城市边缘区(六合区、溧水区等)经济恢复增长。
图5 南京市经济空间变化情况

Fig.5 Changes of economic space in Nanjing

图6 南京市各区县GDP变化趋势

Fig.6 GDP Trend of Nanjing districts and counties

西安市经济空间变化情况如图7所示,西安市2021年11—12月,经济出现明显衰减趋势,其中城市中心区(长安区、雁塔区等)经济受疫情影响较小,城市边缘区域(蓝田县、临潼区等)经济受疫情影响较大; 2021年12月—2022年1月,中心区受影响经济出现衰减,城市东部和西北部边缘区域开始恢复增长; 2022年1—2月,疫情后期城市大部分区域经济恢复增长,中心区增长速度最快,西南部和东部边缘区域出现经济衰退。西安市各区县GDP变化趋势如图8所示。疫情初期,中心区内新城区、碑林区、鄠邑区经济保持增长,中心区内受疫情影响严重的雁塔区、长安区出现经济衰减。边缘区蓝田县、周至县经济衰减最为严重。随着疫情发展,由于管控措施,中心区人口回流周至县,周至县经济出现增长。除周至县外其他区域受疫情影响经济出现衰减,中心区衰退速度最快。疫情后期,所有区县经济恢复增长。
图7 西安市经济空间变化情况

Fig.7 Changes of economic space in Xi’an

图8 西安市各区县GDP变化趋势

Fig.8 GDP trend of Xi’an districts and counties

长春市经济空间变化情况如图9所示,长春市2022年1—2月,城市中心区(朝阳区、二道区等)经济初期受疫情影响较小,中心区附近受疫情影响经济衰减显著; 2022年2—3月,经济整体出现衰减,中心区附近经济开始恢复增长; 2022年3—4月,除城市西南部边缘区域外,经济开始恢复增长趋势,中心区恢复速度最快。长春市各区县GDP变化趋势如图10所示。在疫情初期,城市边缘区(公主岭市、农安县)经济受影响小,经济保持增长,其他区域经济出现衰退。城市中心区(二道区、南关区等)经济衰退幅度最大。随着疫情发展,2022年3月中旬新增病例速度达到顶点,进行静态管理,各区县均出现经济衰退。疫情后期,2022年4月下旬疫情逐步得到控制,各区县经济衰减速度减缓,逐步恢复经济增长。
图9 长春市经济空间变化情况

Fig.9 Changes of economic space in Changchun

图10 长春市各区县GDP变化趋势

Fig.10 GDP trend of Changchun districts and counties

上海市经济变化情况如图11所示,上海市2022年2—3月,城市边缘区域经济出现衰减,中心区(虹口区、杨浦区等)受影响较小; 2022年3—4月,整体经济衰减,边缘区域经济衰减减慢,中心区衰减速度快于边缘区; 2022年4—5月,整体经济恢复增长,中心区增长速度快于边缘区域。上海市各区县GDP变化趋势如图12所示。在疫情初期,各区县经济仍保持增长,城市边缘区(嘉定区、崇明区)增速快于城市中心区。随着疫情发展,2022年4月1日起实施全域静态管理,各区县经济出现衰退,城市中心区(黄浦区、虹口区、静安区等)受影响大于城市边缘区。疫情后期,除崇明区外,城市中心区经济恢复增长较快。
图11 上海市经济变化情况

Fig.11 Changes of economic space in Shanghai

图12 上海市各区县GDP变化趋势

Fig.12 GDP trend of Shanghai districts and counties

通过对国内主要城市的分析,发现国内主要城市的中心区域在疫情初期受到的影响较小,城市边缘区域受到影响较大(长春市由于中心区域存在经济开发区,经济开发区在初期受影响较大,其他边缘区域受影响较小); 在疫情中期,城市普遍采取控制人员流动政策后,城市中心区受影响较大,边缘区域相较于初期略有增长; 在疫情后期,城市中心区迅速恢复增长,边缘区域普遍增速较慢甚至出现负增长。

4 结论

本研究以5个新冠疫情期间发生过大规模聚集性疫情的国内主要城市为例,利用GDP统计数据和NTL数据进行GDP空间化。通过校正后的GDP空间化数据,可以分析出我国各地级市的经济发展情况和城市间经济发展的差异。通过多时相性分析,分析出我国城市经济发展的时空演化,继而研究新冠疫情对我国经济的影响。主要结论如下:
1)NTL指数与GDP统计值之间相关性较高,拟合效果较好。研究表明: 在线性模型中,MNL和GDP拟合程度较好,可以很好地进行GDP空间化。经线性校正得到的GDP预测值结果可靠,ARE较小,可以用于GDP空间变化分析。通过年度模型反演月度NTL指数得到的GDP密度图具有较好的时效性,可以更加直观地反映出城市经济的变化趋势,用以分析城市经济变化的驱动因素,可以作为城市经济变化分析的数据基础。
2)通过选取受疫情影响严重的城市及时间段,分析新冠疫情对国内主要城市经济空间变化的影响,得出结论: 在疫情影响初期,城市中心区域受疫情影响程度较小,城市边缘区域受疫情影响较大; 在疫情影响中期,由于采取控制人员流动和实施静默管理的措施,城市中心区域经济开始受到影响,初期受影响较大的区域开始逐步恢复经济; 在疫情影响后期,人员流动得到恢复,城市中心区域经济增长较快,经济迅速恢复,城市边缘区域经济恢复较慢。说明城市中心区域经济抵御影响的能力强于边缘区域,且疫情后中心区域经济恢复速度明显强于边缘区域。
3)GDP空间化模拟值变化趋势与管控政策高度相关,在实施静态管理措施后,GDP空间化模拟值会迅速出现衰减,在疫情得到控制后,GDP空间化模拟值会迅速恢复。疫情严重的区县相较于其他区县经济衰退更加明显。
4)本研究展示了夜光遥感可以有效监测公共卫生突发事件所采取的疫情防控措施对城市经济活动造成的影响,可为今后遇到公共卫生突发事件时政府决策提供参考和数据支撑。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张清敏. 新冠肺炎疫情与全球卫生外交[J]. 当代世界, 2020(4):35-41.

Zhang Q M. Global health diplomacy in COVID-19 epidemic[J]. Contemporary World, 2020(4):35-41.

[2]
Yue W, Gao J, Yang X. Estimation of gross domestic product using multi-sensor remote sensing data:A case study in Zhejiang Pro-vince,East China[J]. Remote Sensing, 2014, 6(8):7260-7275.

[3]
李德仁, 李熙. 论夜光遥感数据挖掘[J]. 测绘学报, 2015, 44(6):591-601.

DOI

Li D R, Li X. An overview on data mining of nighttime light remote sensing[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(6):591-601.

DOI

[4]
郭永德, 高金环, 马洪兵. Suomi-NPP夜间灯光数据与GDP的空间关系分析[J]. 清华大学学报(自然科学版), 2016, 56(10):1122-1130.

Guo Y D, Gao J H, Ma H B. Spatial correlation analysis of Suomi-NPP nighttime light data and GDP data[J]. Journal of Tsinghua University(Science and Technology), 2016, 56(10):1122-1130.

[5]
顾鹏程, 王世新, 周艺, 等. 基于时间序列DMSP/OLS夜间灯光数据的GDP预测模型[J]. 中国科学院大学学报, 2019, 36(2):188-195.

DOI

Gu P C, Wang S X, Zhou Y, et al. Estimation of GDP based on long time series of DMSP/OLS nighttime light images[J]. Journal of University of Chinese Academy of Sciences, 2019, 36(2):188-195.

DOI

[6]
陈颖彪, 郑子豪, 吴志峰, 等. 夜间灯光遥感数据应用综述和展望[J]. 地理科学进展, 2019, 38(2):205-223.

DOI

Chen Y B, Zheng Z H, Wu Z F, et al. Review and prospect of application of nighttime light remote sensing data[J]. Progress in Geo-graphy, 2019, 38(2):205-223.

[7]
余柏蒗, 王丛笑, 宫文康, 等. 夜间灯光遥感与城市问题研究: 数据、方法、应用和展望[J]. 遥感学报, 2021, 25(1):342-364.

Yu B L, Wang C X, Gong W K, et al. Nighttime light remote sen-sing and urban studies: Data,methods,applications,and prospects[J]. National Remote Sensing Bulletin, 2021, 25(1):342-364.

[8]
韩向娣, 周艺, 王世新, 等. 夜间灯光遥感数据的 GDP 空间化处理方法[J]. 地球信息科学学报, 2012, 14(1):128-136.

DOI

Han X D, Zhou Y, Wang S X, et al. GDP spatialization in China based on nighttime imagery[J]. Journal of Geo-information Science, 2012, 14(1):128-136.

[9]
刘杨, 李宏伟, 杨斌程, 等. 基于遥感数据和POI数据的GDP空间化研究——以北京市为例[J]. 地域研究与开发, 2021, 40(2):27-32,39.

Liu Y, Li H W, Yang B C, et al. Spatialization of GDP based on remote sensing data and POI data:A case study of Beijing City[J]. Areal Research and Development, 2021, 40(2):27-32,39.

[10]
Dai Z, Hu Y, Zhao G. The suitability of different nighttime light data for GDP estimation at different spatial scales and regional levels[J]. Sustainability, 2017, 9(2):305.

[11]
孙久文, 周孝伦. 多维视角下的长三角城市群空间结构及其影响因素——基于NPP-VIIRS夜间灯光数据和高德人口迁徙数据[J]. 经济地理, 2023, 43(5):78-88.

DOI

Sun J W, Zhou X L. Spatial structure and influencing factors of the Yangtze River Delta urban agglomeration from a multidimensional perspective:Based on NPP-VIIRS nighttime lighting data and Gaode’s population migration data[J]. Economic Geography, 2023, 43(5):78-88.

[12]
李翔, 朱江, 尹向东, 等. 利用珞珈一号夜间灯光数据的广东省GDP空间化[J]. 遥感信息, 2021, 36(2):40-45.

Li X, Zhu J, Yin X D, et al. Spatializing GDP of Guangdong Pro-vince based on Luojia No.1 night light data[J]. Remote Sensing Information, 2021, 36(2):40-45.

[13]
Zhao Z, Tang X, Wang C, et al. Analysis of the spatial and temporal evolution of the GDP in Henan Province based on nighttime light data[J]. Remote Sensing, 2023, 15(3):716.

[14]
江泽霖, 邓健, 栾海军, 等. 基于逐日夜间灯光遥感的新冠肺炎疫情变化信息快速提取——以北京市为例[J]. 测绘通报, 2022 (7):43-48.

DOI

Jiang Z L, Deng J, Luan H J, et al. Rapid extraction of COVID-19 information based on nighttime light remote sensing:A case study of Beijing[J]. Bulletin of Surveying and Mapping, 2022(7):43-48.

[15]
陶金花, 范萌, 顾坚斌, 等. 新冠病毒疫情期间复工复产卫星遥感监测[J]. 遥感学报, 2020, 24(7):824-836.

Tao J H, Fan M, Gu J B, et al. Satellite observations of the return-to-work over China during the period of COVID-19[J]. Journal of Remote Sensing, 2020, 24(7):824-836.

[16]
Elvidge C D, Ghosh T, Hsu F C, et al. The dimming of lights in China during the COVID-19 pandemic[J]. Remote Sensing, 2020, 12(17):2851.

[17]
Liu Q, Sha D, Liu W, et al. Spatiotemporal patterns of COVID-19 impact on human activities and environment in mainland China using nighttime light and air quality data[J]. Remote Sensing, 2020, 12(10):1576.

[18]
Shao Z, Tang Y, Huang X, et al. Monitoring work resumption of Wuhan in the COVID-19 epidemic using daily nighttime light[J]. Photogrammetric Engineering and Remote Sensing, 2021, 87(3):195-204.

[19]
裴韬, 王席, 宋辞, 等. COVID-19疫情时空分析与建模研究进展[J]. 地球信息科学学报, 2021, 23(2):188-210.

DOI

Pei T, Wang X, Song C, et al. Review on spatiotemporal analysis and modeling of COVID-19 pandemic[J]. Journal of Geo-information Science, 2021, 23(2):188-210.

[20]
Zhao M, Cheng W, Zhou C, et al. GDP spatialization and economic differences in South China based on NPP-VIIRS nighttime light imagery[J]. Remote Sensing, 2017, 9(7):673.

Options
Outlines

/

〈 〉