IMS雪冰产品是多源数据的融合产品,提供北半球逐日无云的雪冰覆盖范围,在青藏高原积雪遥感监测和研究中具有广阔的应用前景。利用Landsat-8 OLI积雪覆盖数据对IMS 4 km分辨率雪冰产品在青藏高原积雪监测中的精度进行了评估验证。研究结果表明:①IMS 4 km雪冰产品的平均总精度为76.0%,平均制图和无雪分类精度分别是88.3%和84.9%,利用IMS 4 km雪冰产品监测青藏高原积雪具有较好的精度,可以用于青藏高原大尺度积雪覆盖监测;②平均多测率为45.4%,漏测率11.7%,IMS 4 km雪冰产品高估了实际积雪面积,且积雪面积比例越高,IMS的积雪判识能力越强,同时出现误判几率越高,而漏判几率越低;③IMS 4 km积雪监测精度在青藏高原总体上呈现海拔较高地段积雪的制图精度较高,随着海拔的降低,积雪监测的漏测和多测呈增加趋势;④相比地面观测数据的区域代表性不足问题,基于高分辨率遥感数据的地面积雪分布特征更为详细,得到更为准确可靠的验证结果。
高空间分辨率雪深数据对于区域气候、水文研究具有重要的意义。利用10 km空间分辨率的AMSR2 L1B亮度温度数据,结合500 m空间分辨率的MODIS逐日无云积雪面积比例数据,发展了一种多源数据融合的空间动态降尺度雪深反演算法(SDD)。基于该算法获取了北疆地区500 m空间分辨率的雪深数据(SDDsd),并利用研究区30个气象台站和野外实测的雪深数据对该算法反演雪深的精度进行了评估。结果表明:基于SDD方法获取的雪深数据与实测雪深数据之间的决定系数R2为0.74,均方根误差RMSE为3.47 cm;雪深反演的精度与下垫面类型密切相关,草地精度最高,城镇和建设用地次之,耕地相对较差;雪深反演的精度也会受到地形的影响,精度随坡度的增加而降低。相对于微波遥感雪深数据直接重采样结果,新的算法有效提高了浅雪区雪深反演精度,同时能更精细地描述积雪的空间分布,为理解区域气候变化、水文循环提供了可靠的数据支撑。此外,随着长时间序列全球尺度逐日无云FSC数据的生产,结合现有的长时间序列全球尺度AMSR2数据,该算法有望制备全球的降尺度雪深产品。
利用1980~2019年中国长时间序列的AVHRR逐日无云积雪面积产品和气象站实测雪深资料计算积雪日数、积雪初日、积雪终日、积雪期、雪深等积雪物候参数,研究积雪物候的时空分布变化,同时结合ECMWF-ERA5再分析资料和GIMMS NDVI3g数据集分别提取气象因子(气温、降水)和植被因子(返青期、枯黄期、生长期),探究北疆积雪物候变化对气象因子和植被因子的响应。结果表明:北疆近40 a间的平均积雪日数为81.62 d/a,73%的区域为稳定积雪区,积雪初日在11月、终日在3月,积雪期为每年11月初至次年3月底4月初;空间上呈现不均匀分布,其中阿勒泰山地区、天山地区、大部分塔城盆地和额尔齐斯谷地区为主要积雪区,1980~2019年间北疆积雪覆盖面积比例、积雪日数和积雪期逐年降低,积雪初日基本没变,但积雪终日显著提前;ECMWF-ERA5再分析资料表明1980~2019年北疆积雪期降水量无明显变化,但积雪覆盖面积比例显著降低,说明降雪区雪深可能增加,这与北疆气象站实测雪深逐渐增加结果相吻合;平均气温与积雪期积雪覆盖面积比例、积雪日数、积雪期长度相关性较大,呈现显著负相关,积雪期降水量与积雪物候参数呈现正相关;积雪物候及其气候效应引起北疆自然植被返青期显著提前,植被生长期延长的特征。
泰加林—苔原过渡带对气候变化敏感,确定其位置可以帮助理解北极地区气候变化。针对当前过渡带提取中存在的自动化程度低、提取困难的问题,以芬兰北部泰加林—苔原过渡带为研究区,以高分辨率航空遥感影像和冠层高度模型生成的过渡带参考数据为基准数据,构建基Landsat影像和LiDAR数据的4个随机森林过渡带分类模型。对模型分类结果去除“椒盐”图斑,使用连通区域边界点提取算法提取过渡带边界的位置坐标,实现过渡带边界提取,并检验过渡带边界的位置精度。其中,RF_Spring_Las模型和RF_Summer_Las模型的Kappa系数分别为0.92、0.98,分类总体精度分别为94.66%、94.44%,分类精度远高于RF_Spring模型和RF_Summer模型。基于RF_Spring_Las模型和RF_Summer_Las模型的过渡带边界提取结果具有较高位置精度,过渡带下边界位置误差分别为25.13 m、25.11 m,过渡带上边界位置误差分别为43.11 m、44.80 m,实现春季和夏季两个季节的芬兰北部泰加林—苔原过渡带提取,为后续过渡带位置监测提供基准数据。
滩涂是宝贵的自然资源,其地形的高精度反演具有重要科学价值,而现有技术和方法存在较大的局限性。无人机激光雷达技术可快速获取大范围滩涂高精度、高密度的三维点云数据,是滩涂地形反演的重要技术之一。如何对点云数据中滩涂植被进行高精度滤波是地形反演要解决的技术难点,尤其是当滩涂覆盖有茂密的异质性植被(如不同种类和几何形态)时,对滤波算法的通用性和鲁棒性提出了更高的要求。以上海崇明西滩湿地某一滩涂作为研究区域,选取草丛、灌木和高大乔木3类典型植被覆盖的局部区域,利用基于坡度滤波、渐进数学形态学滤波和布料模拟滤波3种常用的点云滤波算法进行点云数据处理,比较分析了3种方法的适用性。结果表明:布料模拟滤波对于3个典型区域实验结果的总误差分别为1.57%、0.16%和0.23%, Kappa系数分别为96.74%、98.70%和99.30%。相较于其他两种算法,布料模拟滤波精度更高,更适用于多类型植被覆盖滩涂区域。因此,采用布料模拟滤波对整个研究区域进行处理,取得了较好的滤波效果,与真实地面吻合度较高。最后,通过克里金插值得到整个研究区域高精度的地形数据。
为了提高背包激光扫描点云林木胸径提取精度。以3块山区人工林做为研究对象,选取距离地面1.3 m处一定厚度的树干点云为胸径切片,切片厚度分别为0.2 m、0.4 m和0.6 m。对切片点云基于点云强度划分点云区间以获得多种胸径切片,将处理得到的切片点云映射到二维平面,采用最小二乘法对二维点进行胸径提取。结果表明:切片厚度为0.6 m、强度区间为[5,10]的切片点云提取胸径结果最好,3块样地胸径提取结果RMSE分别为0.46 cm、0.83 cm和1.03 cm,MAE分别为0.37 cm、0.66 cm和0.81 cm,相对精度分别为97.03%、94.73%和96.73%。相比于同等条件下完整点云结果,RMSE分别降低了61.34%、25.90%和61.71%,MAE分别降低了68.91%、31.96%和65.97%,相对精度分别提高了6.10%、1.95%和5.8%。并且使用点云数量分别降低了97.63%、97.25%、97.83%,平均用时分别提高了98.5%、97.6%、96.36%。通过使用最佳强度区间内的点云提取胸径,不仅可以减少点云数量节约时间成本,更能够提高胸径提取精度,并为提取其他林木参数提供参考。
机载LiDAR在输电通道变化检测应用中的关键是多时相点云的高效高精度配准,实验将PCA主轴变换与改进ICP算法相结合提出一种多级配准方法。首先基于输电通道杆塔不易形变的特点,采用PCA算法计算对应杆塔点云的3个主轴向量,通过校正主轴方向得到两组杆塔点云的粗略位姿变换关系,然后利用改进搜索和收敛策略的ICP方法实现精配准,最后将变换参数应用于全局完成多期点云的精配准。实验表明,该方法在效率和精度方面都得到较大提升,配准前后的平均点位误差可以减小约94%。
输电通道内地物要素复杂,机载LiDAR获取的电力线、杆塔、植被等地物点云密度差异大、空间分布不规则,实际应用中“所见即所得”的应用需求对点云的高效自动化分类带来挑战。将深度学习中的PointNet++算法用于输电通道机载点云自动分类研究,分析样本加权对不同密度点云数据分类精度的影响,利用两组实验数据验证算法的精度和效率,并与随机森林分类算法进行比较。结果表明:基于样本加权PointNet++的方法在输电通道点云自动化分类方面适用性更强,平均F1值87.14%,且分类精度和效率均优于随机森林方法。
杆塔位置是机载激光雷达电力巡检应用中进行输电线路点云分段、杆塔提取、变化检测的基础。为了提高其自动定位的精度和效率,提出了一种适用于复杂地形的高压输电线路杆塔自动定位方法。首先在分析了输电线路点云相对高度、垂直和水平分布特征基础上,采用格网预处理剔除低位点格网、聚类分析确定候选类簇,然后利用格网垂直连续分布系数、高程分布系数和凸包系数等识别杆塔点所在格网,并以邻近格网中心作为杆塔水平位置。实验结果表明:相比前人的方法,算法的杆塔定位精度提高了11.7%,查准率和召回率分别提高了50%和20%,尤其是在地形起伏大且不连续的情况下具有较好的普适性。
遥感高程数据是获取缺资料地区DEM(Digital elevation models)数据的重要手段。然而,由于高寒山区实地高程测量稀少,难以对多源遥感DEM数据进行统一验证。ICESat-2等新的遥感高程数据在高寒山区也缺乏相应的精度评估。针对此问题,以青藏高原东北缘的冰沟流域作为研究区,采用机载航空遥感获取的大范围LiDAR(Light Detection And Ranging)DEM数据对新产品ICESat-2 ATL06(Ice, Cloud, and Land Elevation Satellite-2, Land Ice Height)、ALOS DEM(12.5 m分辨率)以及新版本SRTM V3(SRTM Arc-Second Global 1 V003)、ASTER GDEM V3(ASTER Global DEM)进行验证,并分析地形因子与均方根误差RMSE的关系。研究结果表明:ICESat-2 ATL06数据在高寒山区的RMSE为0.747 m。由于其较高的精度,可用于验证缺资料地区的其他遥感高程数据。其他遥感高程数据的精度都相对较低,ALOS 12.5 m数据的RMSE为5.284 m;ASTER GDEM V3版本的RMSE为9.903 m。实验所采用的4种遥感高程数据与机载LiDAR DEM均具有较高的相关性,相关系数在0.998与1.000之间。实验还揭示了坡度是影响遥感DEM精度的主要因素。除ICESat-2 ATL06外,其他高程数据的RMSE均随坡度的增大先减小再增大,且都存在一个最佳坡度值。鉴于地形复杂多样的冰沟流域具有青藏高原高寒山区的典型特征,多源遥感DEM数据在该区域的验证结论具有较好的代表性,可为相似地区DEM数据的使用和评估提供重要的知识补充。
土壤中重金属由于其毒性而成为最有害的环境污染物之一,利用遥感进行土壤重金属检测和分布制图是目前最为高效的手段。采用哨兵二号(Sentinel-2)多光谱影像与实测样品光谱数据,对山西省铜矿峪铜矿尾矿库及其周边农田土壤的铜(Cu)含量进行估算,利用68个土壤样品的反射光谱,优选出适合土壤铜含量预测的波段,结合分段偏最小二乘法(Piecewise Partial Least Squares Regression,P-PLSR),对土壤铜含量进行估算,将模型用于Sentinel-2影像获得了Cu含量的空间分布。通过P-PLSR对实测样品光谱建模反演Cu含量的决定系数(R2)为0.89,预测偏差比(RPD)为2.82;利用Sentinel-2多光谱影像获得了该区域Cu元素含量空间分布,其Cu含量的估算精度R2为0.74,RPD为1.73,Cu含量高值区空间分布与尾矿库关系密切。Sentinel-2多光谱数据具有高空间分辨率(10、20和60 m)、高时间分辨率和幅宽大(290 km)等优势,通过敏感波段选择并建立反演模型,可实现大范围土壤环境制图。
生态保护重要性评价是“双评价”的重要组成部分,是合理规划国土空间的重要依据。提出一种将遥感数据作为主要驱动数据,采用生态服务模型与生态敏感性指数相结合的生态保护重要性评价方法,定量评价了2018年青岛市陆域的生态保护等级。依据“双评价”标准,综合考虑区域内重要生态服务功能区、生态脆弱区和生态保护因子,划定青岛市生态保护重要性,并根据生态保护红线对评价结果进行验证和分析。结果表明:基于遥感与生态服务模型的生态保护重要性评价方法能够较好地评价区域生态保护重要性,青岛市生态保护重点区面积为1 125.57 km2,约占全市陆域面积的10.34 %,主要分布在青岛市东部的崂山片区、西南部的胶南山区以及北部的大泽山片区等生态系统服务功能较为丰富且生态敏感性较高的部分地区。研究提出的生态保护重要性评价方法为“双评价”工作的开展提供了良好的技术支撑,评价结果对于科学合理地编制城市发展规划和建设生态文明城市具有重要的参考价值。
城市不透水面是城市化程度的重要指示器,也是城市环境的重要敏感因子。联合国提出的城市可持续发展SDG11.3.1指标——城市土地使用率与人口增长率之比(LCRPGR)需要有效监测土地城镇化与人口城镇化关系。针对其监测与评估中高分辨率和高精度城市用地产品缺失,以及低纬度地区城市可持续发展研究较少的问题。基于Google Earth Engine平台,提出一种多时相升降轨SAR与光学影像等多源数据融合的不透水面提取方法,提取了2015年和2018年10 m分辨率印度不透水面。根据人口格网界定城市范围,将范围内不透水面面积与城市人口进行耦合,用于指标计算。研究结果表明:①精度验证结果显示,两期产品总体精度(OA)高于91%,Kappa系数高于0.82,R2值分别为0.85和0.86,并与其他产品细节对比,证明了方法的有效性;②印度总体不透水面面积由2015年的47 499.35 km2增加到2018年的49 944.69 km2,城市平均LCRPGR为0.76,表明其城市人口城镇化大于土地城镇化,城市可持续发展面临挑战。结合空间分析,印度城市可持续发展水平存在南北差异、东西差异以及沿海与内陆的差异。
针对林区建筑物遥感监测技术需求,为构建GF-2数据在林区建筑物识别中的应用方法,选取蜀南竹海风景名胜区为研究区,根据所选区域建筑物的GF-2影像特征,研究形成了像素级和对象级相结合的林区建筑物识别方法。首先利用基于递归特征消除法的随机森林算法对预处理后的GF-2影像进行特征筛选;然后通过对比支持向量机和随机森林分类器识别的建筑物结果,选用支持向量机分类器所得研究区建筑物作为像素级识别结果;融合像素级建筑物识别结果和多尺度分割得到的影像对象,识别出该研究区建筑物目标。结果表明:利用支持向量机分类器进行像素级建筑物识别,其结果的正确率、完整率和质量均高于随机森林分类器;提出的像素级和对象级相结合的建筑物识别方法既保留了简单易行的优势,也避免了椒盐现象,在正确率、完整率和质量上均比像素级方法和对象级方法有所提高,在质量上分别比像素级方法和对象级方法提高了0.20和0.13,该方法可为主管单位有效监管林区内违规建筑物提供技术支撑。
以围填海活动为代表的沿海快速城市化过程,是引起地面沉降的重要影响因素之一。研究聚焦沿海围填海活动热点区域广州市南沙区,使用2015年6月~2018年4月共34景Sentinel-1数据,应用SBAS-InSAR技术,揭示了南沙区在研究时段内地面沉降的时空变化格局及演变特征。结果表明:①南沙区整体呈现持续沉降的趋势,沉降速率分化严重,平均沉降速率达到3.2 mm/a,圈层分析法显示中心圈层平均沉降速率为2.6 mm/a,最外层平均沉降速率为26.8 mm/a;②该区地面沉降在空间上呈现出异质性,主要分布在东部和南部,其中南部万顷沙、龙穴岛地面沉降最为严重,最大年沉降速率达到72.2 mm/a,在2015年6月~9月还出现地面沉降回弹现象,可能是台风天气带来季节性强降水变化影响。③基于不同极化方式的Sentinel-1数据进行交叉验证,VV极化、VH极化监测结果平均值分别为2.09 mm和1.01 mm,均方根误差分别为1.12 mm和2.65 mm。结果表明:SBAS-InSAR技术在提取围填海区域的地面沉降信息方面是有效可靠的,能更好地为监测沿海地区的地面沉降情况提供科学依据。
识别川藏铁路沿线的地热异常区有助于工程的建设和后期的管理维护。以川藏铁路昌都—林芝段为研究区,基于Landsat 8热红外影像数据,反演地表温度并进行星地同步实验,得到校正后的地温值。围绕地热异常的成因与分布规律,选取地层组合熵、断层缓冲距、断层线密度、地表温度、水系缓冲距、地震动峰值加速度6个影响因子作为地热异常区评价指标并检验因子独立性。构建信息量模型进行定量预测,最终将识别结果划分为5个子区域。研究表明:高异常区和中异常区分别占研究区总面积的9.14%和28.57%,地热高温点的空间分布与地热异常区评价结果基本一致。研究结果可为川藏铁路的设计与施工提供参考依据。
海陆分界线的变化对滩涂面积和湿地系统变化具有指示作用并且影响航运活动,因而需提取海陆分界线。视海陆分界线为陆地(包括淤泥质潮滩)和海水(包括河道)的瞬时分界线。首先,构建近红外—绿—蓝波段的假彩色图像,进行色彩、对比度增强和双边滤波处理;其次,构建海陆分界线提取指数(Sea-land Boundary Extraction Index,SBEI),并利用自动阈值分析方法,将影像分为海洋和大陆,同时合并陆地碎斑。针对河道伸入陆地的问题,对于宽度为W的河口,采用步长为W+1的膨胀腐蚀的方法消除;最后用Canny算子提取海陆分界线。为验证算法的有效性,选取1m分辨率的高分二号卫星影像,对3种海岸类型进行实验,结果表明此方法的提取精度约为5个像元,相较NDWI和CV模型的提取精度至少提高10个像元。
植被覆盖状况是决定大城市地区生态环境质量的重要因素之一,但在快速城市化进程下城市内部及周边地区植被覆盖的动态变化状况尚不清晰,需结合遥感数据进行分析。以北京市为研究区,基于Landsat影像获取植被覆盖度的空间分布,计算移动窗口内植被覆盖度的均值和标准差,将其分别作为表征局部植被覆盖水平和植被覆盖度异质性的指标,采用Mann-Kendall检验识别均值和标准差具有显著变化趋势的窗口,并使用Sen’s Slope估算变化梯度,进而分析北京植被覆盖度变化趋势。结果表明在1984~2014年间:①植被覆盖水平呈显著上升趋势的区域主要分布在市中心与西部和北部山区,而在市中心外“东北、东、东南、南、西南”方向的近郊分布有大量植被覆盖水平显著下降的区域;②植被覆盖度异质性呈显著上升趋势的区域主要分布在平原区,呈显著下降趋势的区域主要集中在北部山区。
为了改善传统岩性分类方法中对光谱局部细节特征分析不足的问题,在光谱角分类模型的基础上,有效地融合地物的光谱特征参量,提出了一种新型的光谱角和光谱特征参量(Spectral Angle Mapper-Spectral Characteristic Parameters,SAM-SCP)组合的分类方法。该方法既体现了光谱的形状特征,又能够充分利用光谱的细节特征,解决由于岩性光谱曲线形状相似而识别效果差的问题,提高了分类精度。应用SAM-SCP分别对模拟热红外高光谱数据与真实热红外高光谱数据进行实验,并在SCP的设定过程中,调整主要谷、次要谷所占的权重以获得最佳的分类效果,最终的结果证明:SAM-SCP能对热红外高光谱影像进行有效的岩性分类,分类结果优于传统分类方法。
卫星遥感反演的气溶胶光学深度(AOD)产品已被广泛应用于近地面PM2.5浓度的估算。已有研究表明通过构建AOD和PM2.5之间的高级统计模型—线性混合效应模型(LME)可以有效获取近地面PM2.5浓度的空间分布,但由于引入了大量的气象和土地利用等因子,使得模型对变量的解译能力有所降低。为此,基于MODIS AOD(空间分辨率:3 km),以我国东部长江三角洲—福建—广东(YRD-FJ-GD)为研究区,构建了两种非参数机器学习模型,即支持向量机(SVM)和随机森林(RF)模型,来估算2018年YRD-FJ-GD地区的近地面PM2.5浓度,并将其与线性混合效应模型(LME)的估算结果进行对比。研究发现,3种模型估算的PM2.5浓度与地面实测值之间的R2均高于0.6,其中,RF模型的估算精度最优,模型拟合的R2高达0.91,比SVM模型(R2=0.79)和LME模型(R2=0.64)的估算结果分别提高了13%和30%;且RMSE(~9.07 μg/m3)也远低于LME(~19.09 μg/m3)和SVM模型(~17.29 μg/m3)。此外,由随机森林(RF)模型估算的2018年YRD-FJ-GD地区的PM2.5空间分布显示,长江三角洲(YRD)地区的年均PM2.5浓度最高(>46 μg/m3),其次为广东省(GD),福建地区(FJ)的年均PM2.5浓度最低(<37 μg/m3);4个季节的平均PM2.5浓度则呈现冬季(46.32 μg/m3)>春季(38.80 μg/m3)>秋季(36.15 μg/m3)>夏季(30.16 μg/m3)的分布格局。研究结果表明:与高级统计模型(LME)和机器学习(SVM)相比,随机森林(RF)模型能更好地应用于YRD-FJ-GD地区的PM2.5浓度估算。
利用海南省文昌市清澜港红树林保护区的无人机高光谱影像,采用递归特征消除的随机森林算法(Recursive Feature Elimination-Random Forest,RFE-RF)优选植被光谱特征和纹理特征,通过机器学习中的随机森林(Random Forest,RF)和支持向量机(Support Vector Machine,SVM)算法对研究区内的红树林树种进行精细分类,并对比分析和评价分类模型参数设置对总体精度的影响。结果表明:RF分类方法的总体精度为92.70%、 Kappa系数为0.91,与传统的SVM 分类方法相比,RF算法均提高了5类树种的生产者精度和使用者精度,能够有效地对红树林树种进行精细分类,可为种植资源规划和生态环境保护等方面提供技术支持。
高时空分辨率数据对实现植被生产力动态监测和生态环境评估具有重要意义。以雄安新区为研究区,基于改进的ESTARFM融合模型构建高时空分辨率NDVI数据集,结合改进的CASA模型,模拟和分析了2000~2018年区域植被NPP的时空变化特征,并探讨气温与降水对NPP的影响。结果表明:①改进的ESTARFM融合模型预测结果性能较好;②研究区NPP的分布在空间上与土地覆被密切相关;③NPP在2000~2018年的变化趋势并不显著,但有明显的阶段性波动特征,主要是受到城镇化发展与农业技术水平提高等作用的影响;④由于区域气候的变化引起植被水分胁迫,降水对植被NPP的影响较气温更为显著。该研究能为雄安新区及其他区域的可持续发展评估提供一定的科学依据和借鉴意义。
高层建筑区是我国城镇化进程的重要标志,具有重要的社会经济功能和独特的几何形态。应用全卷积网络和Sentinel-2多光谱数据,提取北京六环内高层建筑区,并结合环线、乡镇边界和轨道交通数据,对高层建筑区的空间分布和交通可达性进行分析。结果表明:实验提出的全卷积网络方法能够实现北京高层建筑区快速精确提取,总体精度90%以上;六环内高层建筑区总面积约为192 km2,其中,二环到四环之间分布最为密集且相对均匀,密度明显高于其他环带,二环内以及四环到五环之间相较次之,五环到六环之间密度最小;六环内街道乡镇的高层建筑区分布呈现明显片状聚集特点,密度最大的区域在崇文门外、东花市和建国门外等街道,其次是金融街街道、中关村街道和望京开发街道等区域,而靠近六环的街道乡镇和故宫附近街道的高层建筑区密度较小。轨道交通可达性与高层建筑区的空间分布存在明显相关性,交通可达性越差的区域,高层建筑区越少,地铁站点1 km范围内面积约为92.62 km2,而6 km外的面积只有2.04 km2。研究结果为北京城市建设和生态景观保护提供一个新的指标参考。
以东莞市主城区为研究区,利用夜光遥感数据、POI数据与手机定位强度数据,采用核密度分析、数据格网化与双因素组合制图方法,获得3种数据空间耦合相同或相异区域,并比较其与城市空间结构的关系。研究表明,3种数据的空间分布趋势总体一致,部分区域出现空间耦合相异:①受交通、功能区与夜光遥感数据的“溢出”效应等因素影响,城市道路、商业区以及公共服务业集中区域,夜光遥感与POI耦合相异;在物流工业园、学校以及公园区域,夜光遥感与手机定位强度数据耦合相异。②职住地空间分布的差异,造成POI数据与手机定位强度数据空间耦合相异。公共服务与商务区的基础设施完善,POI密度高于手机定位强度数据密度;居住区人口集中分布,但基础设施建设相对薄弱,POI密度低于手机定位强度数据密度。