融合夜光遥感数据的多维贫困识别及演化分析

张二梅 邓晋 宋学金

摘要：基于遥感手段高效识别贫困地区及掌握其演化机制对于加强扶贫攻坚与乡村振兴统筹衔接等工作具有重要意义。提出了融合夜光遥感数据借助相关系数及层次分析法构建多维贫困指数的方法，以四川省为例，对四川省各县多维贫困指数进行了估算，并对模型进行了精度检验。借助地理信息系统（GIS）空间分析技术与夜光遥感数据时间连续的特点，从时空演化角度对贫困县动态发展状况进行了详细分析。结果表明，2003—2013年四川省多维贫困县比例从46.45%下降到28.42%;变异系数呈下降趋势，证实四川省内部贫困差距缓慢缩小;2003—2013年空间分布演变图中，阿坝藏族羌族自治州、甘孜藏族自治州和凉山彝族自治州的区县大多处于长期多维贫困状态;处于极贫困区与极富裕区多维贫困指数增长幅度不明显，而处于中间地带县区增幅较大;热点分析中表现为热点区与冷点区逐渐呈东西方向抗衡之势。该研究结果可为局部异化贫困形势复杂地区的脱贫政策精准制定提供前瞻依据。

关键词：夜光遥感数据;层次分析法;多维贫困指数;时空演化;热点分析

中图分类号：S127         文献标识码：A

文章编号：0439-8114（2019）14-0126-08

Abstract： It is of great significance to effectively identify the poverty-stricken areas and appreciate the mechanism of their evolution based on remote sensing to strengthen the coordination between poverty alleviation and rural revitalization. In this paper， a method of constructing multidimensional poverty index by integrating nighttime imagery with the correlation coefficient and analytic hierarchy process is proposed. And at the same time， the accuracy of the model is tested. With the spatial analysis technology of geographic information system （GIS） and the characteristics of temporal continuity of nighttime light imagery， this paper makes a detailed analysis of the dynamic development of poverty-stricken counties from the perspective of spatial-temporal evolution. The results demonstrate that from 2003 to 2013， the proportion of the poverty-stricken counties in Sichuan dropped from 46.45% to 28.42%. The variation coefficient illustrates a decreasing trend， which proves that the poverty gap within Sichuan province is slowly narrowing. In the spatial distribution evolution map from 2003 to 2013， most districts and counties in Ganzi， Aba and Liangshan autonomous prefecture are in long-term multidimensional poverty. The increase of multidimensional poverty index is not miraculous in the extreme poverty and extremely affluent counties， but the increase is miraculous in the middle counties. In the hot spot analysis， the hot spot area and the cold spots gradually show an east-west trend. The results of this study can provide a prospective basis for the accurate formulation of poverty alleviation policies in areas with complicated local alienated poverty situation.

Key words： nighttime light imagery; analytic hierarchy process; multidimensional poverty index; space-time evolution; hot spot analysis

消除貧困是社会主义制度的本质要求，据国务院印发的《中国农村扶贫开发纲要（2011—2020）》，中国区域发展不平衡现象以及相对贫困问题显著，国家划定的14个集中连片特困区是新时期精准扶贫战略下扶贫攻坚的主战场[1]。中国虽然30年来减少了6.6亿贫困人口，但仍存在7 000多万贫困人口且致贫因素更加复杂，在即将到来的2020年全面建成小康社会任务艰巨[2]。因此，科学制定扶贫、减贫、脱贫政策达到消除贫困的目的尤为迫切，而前提需要精准量化并识别出贫困地区。传统认定贫困地区大多靠统计出来的经济数据及抽样实地调查，耗时耗力[3]，常规贫困认定是基于农民收入或GDP等单一指标[4]，以贫困线进行贫困划定，难以涵盖贫困的复杂性，影响精准扶贫的效果。

阿马蒂亚·森[5]首次提出多维贫困理论，并在贫困体系中引入“能力”剥夺，进行多维贫困测度指数构建[6]。随后，联合国开发计划署提出能力贫困指数和人类贫困指数[7]，Alkire等[8]在Sen的理论上进一步发展从3个维度选取具体10个指标构建多维贫困指数（Multidimensional Poverty Index，MPI），开发了Alkire-Foster（AF法）多维贫困测算模型，得到广泛应用[9，10]。相对于单一维度的收入贫困，多维贫困更加全面、科学[11]，并且发展多维贫困度量方法和提高贫困识别精准度也是近年来国际贫困研究中的热点领域[12]。

夜光遥感能够有效表征区域内经济发展水平[13]，其数据量丰富、覆盖范围大、时空连续[14]，可为区域贫困识别及长期动态监测提供新的思路。Noor等[15]利用收入等统计数据和夜光数据分析了非洲37个国家贫困状况;Elvidge等[16]研究多个国家贫困指数与灯光强度有一定相关性并绘制全球贫困分布图;袁涛[17]提出“单位灯光强度”概念构建贫困测度模型对贫困地区空间分布进行研究;潘竟虎等[18]利用夜光数据实现了基于栅格和县域尺度的贫困空间化;黄先梅[3]利用夜光数据估算中国县区贫困分布图并对中国县区综合贫困的空间集聚性进行了分析。考虑到贫困属性的相对持久性，同时又随时间变化性，夜光遥感数据还可对贫困时空演化以及扶贫情况的动态监测进行进一步挖掘分析。

本研究在AF法基础上从社会、经济、健康、自然4个维度选取指标，借助相关系数及层次分析法建立多维贫困指标体系，与区域平均夜光指数耦合，构建多维贫困测度模型。估算2003—2013年四川省各县多维贫困指数，并进行误差检验，再借助GIS空间分析技术实现四川省贫困格局空间化，从贫困识别结果评价与分析、各贫困等级时间演化及空间格局演变特征定量评估四川省各县区动态扶贫效果，为局部异化多贫困且贫困形势复杂地区的脱贫政策精准制定，从而为实现转移致富提供前瞻依据与技术支持。

1  研究区概况与数据源

1.1  研究区概况

四川省位于东经97°21′—108°33′和北纬26°03′—34°19′，为多民族聚集地。四川省有183个县，其中有36个国家级贫困县，52个省级贫困县，截至2014年底，该88个贫困县中贫困人口达到335.07万人[19]，并且在划定的14个集中连片特困区中四川省有15个县在秦巴山区，13个县在乌蒙山区，及明确实施特殊扶持政策的西藏、四省藏区、新疆南疆三地中四川省有32个县在四省藏区。由于对贫困区的划定最小行政单位是县级区域，因此本研究选取集中连片特困区中贫困县较多、发展不均衡、贫富差距较大、贫困态势复杂的四川省各县区作为重点研究区。

1.2  数据来源

夜光数据来源于美国国防气象卫星（DMSP）上搭载的传感器（OLS），该传感器最初为了探测云量等，后来由于它能检测到夜间地球表面薄弱的近红外辐射，即探测到城镇乡野的夜晚灯光、渔船灯光、汽车灯光等[16]，该影像纬度为65°S～75°N，经度为180°E～180°W，影像空间分辨率为1 km，参考坐标系是WGS-84。而每期的非辐射定标的DMSP/OLS夜光数据中包含3种全年平均影像：无云观测频数影像、平均灯光影像和稳定灯光影像，时间跨度从1992—2013年，其中稳定灯光影像去除了月光云、火光及油气燃烧等背景噪声的信息[20]，像元亮度值（Digital number，DN）就代表了城市夜间灯光[21]。本研究所使用數据包括2003—2013年DMSP/OLS稳定灯光夜光数据、2003—2013年《四川省统计年鉴》以及四川省各县区行政区划矢量数据。

1.3  数据预处理

夜光数据传感器自身性能差异以及存在多个卫星对同一年数据进行获取，因此直接获取的夜光数据中存在不连续情况，需要长时间序列间的相互校正，并且校正过后的影像更客观地反映区域间经济发展的差异[20]。同时DMSP/OLS传感器分辨率低导致DN值范围是0～63，在城市中心区域间该影像亮度存在过饱和情况[22]，因此对数据还要进行去饱和处理。校正前，将影像投影为艾尔伯斯等面积投影坐标系，避免网格形变带来的影响。

校正采用相对稳定目标不变区域法，校正模型选取曹子阳等[20]研究中的参数，相互校正公式如式（1）所示：

将研究区矢量数据坐标系转换与夜光数据一样，再进行掩膜裁剪提取，将2013年预处理后的夜光数据进行展示（图1），及得到校正后2003—2013年四川省逐年夜光数据DN值总和（图2），并进行多维贫困指标统计。

2  基于夜光遥感数据的多维贫困模型构建

2.1  基于层次分析法及相关系数多维贫困指标体系构建

层次分析法（Analytical hierarchy process，AHP）是在评价系统中对非定量事物作定量分析且判断主观事物更为客观的一种有效方法[24]。多维贫困指数构建时，需评估各指标所占权重，而层次分析法广泛应用于多层次、多变量、结构复杂系统的权重确定。有研究表明，区域平均夜光指数与多维贫困进行耦合相关性更强[18]，从夜光遥感数据中提取区域平均夜光指数（Average nighttime light index，ANLI）计算式如式（4）所示：

ANLI=∑DNi/n   （4）

式中，DNi是区域内每个栅格单元像元亮度值，n是该区域内栅格数目。

借鉴AF法[8]及所得统计数据从社会、经济、健康、自然四个维度选取指标，减少具体指标选择的主观因素，指标与ANLI进行相关性分析，相关系数绝对值达到0.38的作为指标。AHP方法需构造判断矩阵，该过程在两两指标重要性比较时主观因素较强，因此以指标的相关系数作为衡量标准，两两指标的相关系数比值得到判断矩阵（判断矩阵需经过一致性检验），从而更加客观地确定权重。人均可支配收入指标与ANLI相关性较大系数为0.802，但2003—2013年中部分数据不全，教育方面选取在校学生占总人口比例作为指标，但与ANLI相关系数仅0.037（说明四川省ANLI表征地区经济方面与教育相关性不大，从另一个层面反映四川省教育普适性），因此在构建多维贫困指标体系时未予考虑。

2.2  ANLI与多维贫困指数耦合回归模型构建

权重确定之后消除不同指标量纲影响，建立多维贫困指数（MPI），如式（5）所示：

MPI=（∑×j总）×pi   （5）

式中，即i指标下j地区数值占所有地区数值和的比值，pi即为i指标权重，i为从1到10某个指标，j总为总的县区数目。

由于2010年的数据最全，能够选择更多指标与ANLI相关分析，因此以2010年作为基准。为进一步确定MPI与ANLI内在关系，将四川省各县区MPI与ANLI指数进行回归模型构建，由于2013年前前锋区、恩阳区分别属于广安区和巴州区，而行政区划数据最新版本包含前锋区和恩阳区即提取出来ANLI包含两区，因此模型构建时剔除这两个区，并将两区ANLI归到广安区和巴州区。采用指数、线性、对数、二次及三次多项式等多种方式进行回归拟合，经对比发现，三次多项式回归拟合是最优拟合模型。因此，采用三次多项式多维贫困回归模型构建并进行贫困识别。ANLI与MPI回归曲线如图3所示，同时对回归模型进行评价，通过0.001显著性检验，F统计量是286.135，一次、二次、三次及常量系数的t检验分别是13.616、-7.984、6.946、14.612，判定系数R2达到0.829，并进行Alpha可靠性统计，达0.113。

2.3  模型精度检验

通过2010年数据建立的多维贫困回归模型进行空间格局和时间演变维度上的区域MPI估算。基于从夜光数据提取的ANLI，估算2003—2013年四川省各县区MPI，引入平均相对误差概念进行模型精度验证，如式（6）、式（7）所示：

RE=（MPIt-MPIu）/MPIu  （6）

ARE=∑|REi|/n  （7）

式中，MPIt指用模型估算出来的某县区MPI值，MPIu指用统计数据算出来的某县区MPI值，RE指相对误差，而ARE是平均相对误差，n是县区数目。

由图4可以看出，2010年的MPI精度最高，ARE为18.21%，精度最低是2003年，ARE是25.71%，且从整体误差来看，与基准年距离越远误差增大，但总体平均误差为22.63%。

除了對模型时间维度上进行估算的精确度进行了验证，还选取了集中连片区中县较多及2010年数据较全的重庆市做了空间上的精度评估，经检验ARE为20.54%。由于运用DMSP-OLS数据进行贫困精度验证的研究较少，因此加上对其他经济参数估算的研究进行间接精度比较。黄先梅[3]利用DMSP-OLS数据估算河南省MPI的ARE达21.89%，李峰等[25]基于DMSP-OLS数据对朝阳区GDP估算ARE达24.76%，李翔[26]基于DMSP-OLS和NPP-VIIRS数据估算2005—2015年居民收入普遍ARE大于30%，而Li等[27]利用未校正的NPP-VIIRS数据（分辨率更高）ARE达40.40%。因此，本研究多维贫困估算模型的平均相对误差在可接受范围内，适用性较强，具有进一步研究的意义。

3  结果与分析

3.1  四川省各县区多维贫困识别

由于政策制定、实施，常以行政单元进行精准扶贫、精准帮扶的实际需求，因此以县为尺度单位进行多维贫困识别，以2010年为例，采用几何间隔法对四川省各县区MPI进行颜色分级，并借助已有文献将四川省各县区分为7个等级，分别是极贫困区、贫困区、弱势区、一般区、优势区、富裕区和极富裕区[18]，绘制了2010年MPI指数空间分布图，如图5所示。其中识别出的极贫困区有28个，贫困区有32个。并从MPI指数分布图中可以看出富裕区与极富裕区呈聚集分布，并且多在四川省区域内的中心位置，诸如成都、德阳、绵阳等经济发达地区;而极贫困区与贫困区占地辽阔也是呈聚集性连片分布，少许分散，且多分布在四川省外围边际区，如阿坝藏族羌族自治州、甘孜藏族自治州和凉山彝族自治州，识别出的极贫困区与贫困区占四川省总县区32%，且大都属于国家划定贫困县，少许是多维贫困识别。因此，将极贫困区与贫困区两个级别的县区定义为多维贫困县区，共60个多维贫困县。

3.2  识别结果评价与分析

同时对识别结果进行定性评价分析，与国家划定的集中连片特困区中贫困县（四川省总共有60个）相比，四川省分属于秦巴山区、乌蒙山区、四省藏区中的贫困县被识别为极贫困区的分别有1、3、24个，被识别为贫困区等级中分别有5、9、6个。除此，识别为贫困区等级中还有2个县是国家划定的国家级重点扶持贫困县，还有11个县区划定为集中连片特困区中的贫困县但未被识别为多维贫困县（图5）。其中，秦巴山区最多未被识别，7个县被识别为弱势区，2个县被识别为一般区，乌蒙山区和四省藏区中分别有1、2个未被识别，沐川、泸定、九寨沟属于弱势区，可见秦巴山区的集中连片贫困县扶贫效果相对较好，向弱势及更高等级转变，而四省藏区中的贫困县应加强重视。同时，有9个县区被识别为多维贫困但并未划入国家重点扶贫县，而这些县区多位于四川省边界地区或与贫困县接壤，应该引起政府警惕。被划定为贫困县多出于分地区、老少边区等主观原因导致政策倾斜，而多维贫困识别更加客观看待贫困。但贫困是相对且持久性的，还需具有长期性战略眼光，深入探究四川省各县区内部贫困时空演化机制。

3.3  四川省各县区多维贫困时间演化特征

对估算的2003—2013年四川省各县区MPI进行总体时间演化评估，统计2003—2013年各等级包含县区占总县区比率，从微观角度解构四川省贫困情况的演变趋势，如表2所示。并为深入探究四川省内部贫困差异，消除MPI标准差量纲的影响，引入变异系数进行分析，如式（8）所示：

CVi=Si/Mi  （8）

式中，i表示年份，CVi表示某年变异系数，Si表示某年MPI标准差，Mi表示某年MPI平均值。

从统计数据纵向对比可看，极贫困区数量呈连年且近乎线性下降趋势;贫困区呈波动但总体下降趋势，2009—2011年间下降幅度最大;弱势区呈波动上升趋势，2005—2008出现短暂小幅度下降，2008年后继续上升;一般区2003—2008年增长最快，至2009年保持不变随后小幅下降又上升，呈螺旋式上升趋势;优势区呈连续上升趋势，且2009年后大幅上升;富裕区呈缓慢上升增长趋势;而极富裕区常年保持不变，且占比极少。同时，由于将极贫困区与贫困区识别为多维贫困县， 2003—2013年间多维贫困县比例从46.45%下降到28.42%，贫困发生率降低了18.03个百分点。截至2013年，由开始的极贫困区与贫困区比例最大转变为弱势区、一般区、优势区比例最大，体现了四川省内部贫困在时间演变维度上的趋势。除此之外，变异系数在2006—2009年小幅上升但总体呈下降趋势，说明四川省内部差距在逐渐减小，而2013年习主席提出“精准扶贫”概念，四川省内部发展不平衡差距缩小可能会更加显著。

3.4  四川省多维贫困县空间格局演变特征

除从时间维度上对四川省总体贫困情况进行评估，并对四川省多维贫困县的空间格局演变趋势作出分析。利用GIS技术强大空间分析能力，将四川省各县区分为多维贫困县与其他县区，从而生成2003—2013年四川省多维贫困县空间分布（部分年份如图6所示）。

2003年，四川省大多县区处于多维贫困，呈聚集性靠拢收缩包围从内地成都向外延伸呈环形分布经济较好地区; 2013年，多维贫困县大大减少，同时经空间格局演变发现，在有关扶贫、脱贫政策下，由四川省经济发达地区如成都、德阳、眉山等市向外逐渐脱贫，四川省东部区域显现脱贫状况良好，并且无返贫情况，然而四川省西部外围县区却处于长期贫困，阿坝藏族羌族自治州、甘孜藏族自治州和凉山彝族自治州等多维贫困县最多，并且集中连片大面积分布，这也从另一方面证实国家针对14个集中连片特困区制定精准扶贫战略的科学性，同时在乐山、雅安、巴中、泸州等市仍残存多维贫困县，贫困集聚性现象仍突出。

除此，利用式（9）計算四川省各县区MPI增幅情况，并根据几何间隔分为5个等级，分别是不明显、低幅增长、中幅增长、中高幅增长和高幅增长[26]。

Δn=（ni2013-ni2003）/ni2003   （9）

式中，Δn是某个县区的增幅值，ni2013是某个县区2013年MPI值，ni2003是某个县区2003年MPI值从四川省各县区增幅情况来看（图7），西部边际片区增幅不明显;低幅增长的县区较分散，除平武、越西、甘洛等贫困县外，还有武侯、温江、锦江等经济发达地区也增长较慢;中幅增长中除经济状况良好地区，也存在如盐源、雷波、黑水等贫困县;中高幅增长东部内地较为集中;而高幅增长多是处于一般等级即贫困不突出县区，同时还有仪陇、昭化等国家重点扶持县，分布较分散。总体来看，处于极贫困区与极富裕区增长幅度都不太大，而处于中间或贫困情况稍良好县区增幅较大，增幅不明显地区有明显集聚性。

因此，为具体研究四川省各县区MPI指数空间相互关系及其空间分布集聚性，利用Getis-Ord Gi*指数能够统计四川省各县贫困的热点分布情况以及贫困现象是否存在集聚效应，如式（10）所示：

Gi*=∑jwijxj/∑jxj   （10）

式中，wij是要素i、j之间空间权重，xj是要素j属性值即j县区的MPI值。

用几何间隔对指数分级进行热点分析，分为热点区、次热点区、次冷点区、冷点区。热点区表示Gi*指数高即MPI值极高的县区在空间上集聚;次热点区表示Gi*指数较高即MPI值较高的县区空间上集聚;次冷点区表示Gi*较低并与次热点区Gi*指数有一定差距即MPI值较低的县区空间上集聚;冷点区表示Gi*指数低即MPI值极低的县区空间上集聚现象，并制作2003年与2013年热点分析空间分布图进行对比（图8）。

图8a所示冷点区呈带状南北方向西侧分布;热点区呈环形状内地东侧分布;次冷点区分散于冷点区与热点区，占比较大;次热点区零散几个且紧靠热点区东侧外围。图8b与图8a对比所示，热点区仍集中于四川省内地发达地区呈环形分布，并且有缓慢向东北方向扩展趋势;冷点区占比逐渐增大，增长趋势明显，且向西北方向扩展，而随时间演变如小金县、荥经县、天全县则仍零散分布于热点与冷点区之间;次热点区占比极少，且从东北方向转移到西南方向，集聚性不明显;次冷点区仍分布较散，四川省各方向都有一定比例，但同时也是各县区之间集聚分布。从该冷点、热点空间格局演化图以及上述分析中可知，虽整体多维贫困县在逐渐减少但冷点区与次冷点区的MPI差异逐渐减小，表现在冷点区逐渐蔓延到次冷点区，增势较迅猛，而热点区却缓慢向外扩展，热点区与冷点区逐渐呈东西方向抗衡之势。这一现象显现了东西地区之间空间上贫困分化，虽然整体多维贫困县以及县区之间总体内部差距缩小，但西部边际与东部环带区域之间难以调和的差距却日渐显露，在扶贫形势向好的情况下，除了大力扶贫贫困县，同时要对东西地区发展出现的异化现象引起重视，避免空间上贫困分化日趋严重。

从上述空间演变结果来看，无论是多维贫困县的变化、增幅情况还是热点分析，值得最需关注的就是占地辽阔但资源缺乏、生存条件恶劣的阿坝藏族羌族自治州、甘孜藏族自治州和凉山彝族自治州（阿坝相对脱贫状况较好部分县区位于热点区），它们在发展中处于优势剥夺、长期贫困状态，同时还需关注极富裕区数量极少常年无时空变化动静但资源集中经济发达，该结果对政策相关制定如何达到东部内地向西部边际贫富转移提供前瞻依据与技术支持。

4  结论

1）基于AHP及相关系数选取多维贫困指标，并从夜光数据中提取ANLI，与多维贫困指数构建回归模型，决定系数达到0.829，估算2003—2013年MPI，时间维度上总体的平均相对误差达22.63%，达到较高精度。

2）运用几何间隔法将各县区MPI进行分级，并将极贫困区与贫困区定义为多维贫困县，以2010年为基准，识别出60个多维贫困县。将识别结果与四川省在14个集中连片贫困区中的贫困县相比，识别出48个县区，四省藏区中相对识别较多，同时还有9个县区未被划定贫困县被识别为多维贫困县。

3）将2003—2013年各等级包含县区作出统计，多维贫困县比例从46.45%下降到28.42%，贫困发生率降低了18.03个百分点;变异系数总体呈下降趋势，四川省内部贫困差距、发展不平衡在缓慢缩小。

4）从多维贫困县2003—2013年空间分布演化图中得到阿坝藏族羌族自治州、甘孜藏族自治州和凉山彝族自治州的大多县区处于长期贫困状态;从四川省各县区MPI增幅情况来看，处于极贫困与极富裕县区增长幅度不太明显，而处于中间或贫困情况稍良好县区增幅较大;而在热点分析中，从时空演变来看，逐渐热点区与冷点区呈东西方向抗衡之势。针对时空演变特征，在精准扶贫政策制定方面可考虑东部内地向西部边际贫富转移。

参考文献：

[1] 国务院扶贫办.中国农村扶贫开发纲要（2011—2020年）[R].北京：中华人民共和国国务院公报，2011.

[2] 叶  霄，曾  静，李  钰，等.四川省贫困地区精准扶贫存在的问题及对策建议[J].农村经济与科技，2019，30（1）：151-153.

[3] 黄先梅.基于夜间灯光数据的中国贫困识别及其时空演变研究[D].河南开封：河南大学，2018.

[4] 黄  晶，薛东前，马蓓蓓.西安市微区域收入及贫困空间格局研究[J].人文地理，2015，30（2）：31-36.

[5] 阿马蒂亚·森.贫困与饥荒——论权利与剥夺[M].北京：商务印书馆，2001.19-26.

[6] 沈扬扬，SABINA A，詹  鹏.中国多维贫困的测度与分解[J].南开经济研究，2018（5）：3-18.

[7] SEN A. Capabilities，lists and public reason：Continuing the conversation[J].Feminist economics，2014（3）：77-80.

[8] ALKIRE S，FOSTER J. Counting and multidimensional poverty measurement[J].Journal of public economics，2012，95（7）：476-487.

[9] 杨  龙，徐伍达，张伟宾.西藏作为特殊集中连片贫困区域的多维贫困测量——基于“一江两河”地区农户家计调查[J].西藏研究，2014（1）：69-77.

[10] 郭宁宁，钱  力.集中连片特困地区多维贫困测度及时空变迁[J].宁波工程学院学报，2018，30（4）：64-70.

[11] 马明义，李  桦.秦巴山区农户多维贫困测度及精准扶贫对策研究[J].干旱区资源与环境，2019，33（1）：30-37.

[12] 刘艳华，徐  勇.中国农村多维贫困地理识别及类型划分[J].地理学报，2015，70（6）：993-1007.

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

[14] 于丙辰，刘玉轩，陈  刚.基于夜光遥感与POI数据空间耦合关系的南海港口城市空间结构研究[J].地球信息科学学报，2018， 20（6）：854-861.

[15] NOOR A M，ALEGANA V A，GETHING P W，et al. Using remotely sensed night-time light as a proxy for poverty in Africa[J]. Population health metrics，2008，6（1）：1-13.

[16] ELVIDGE C D，SUTTON P C，GHSH T，et al. A global poverty map derived from satellite data[J].Computes & geosciences，2009，35（8）：1652-1660.

[17] 袁  涛.DMSP/OLS数据支持的贫困地区测度方法研究[D].北京：中国地质大学（北京），2013.

[18] 潘竟虎，胡艳兴.基于夜间灯光数据的中国多维贫困空间识别[J].经济地理，2016，36（11）：124-131.

[19] 邱玲玲，曾维忠.精准扶贫视角下县域农村收入差距问题研究

——基于四川省88个贫困县的分析[J].中国农业资源与区划，2017，38（8）：151-157.

[20] 曹子阳，吴志峰，匡耀求，等.DMSP/OLS夜间灯光影像中国区域的校正及应用[J].地球信息科学学报，2015，17（9）：1092-1102.

[21] LIU Z F，HE CY，ZHANG Q F，et al. Extracting the dynamics of urban expansion in China using DMSP-OLS nighttime light data from 1992 to 2008[J].Landscape and urban planning，2012，106（1）：62-72.

[22] 卓  莉，張晓帆，郑  璟，等.基于EVI指数的DMSP/OLS夜间灯光数据去饱和方法[J].地理学报，2015，70（8）：1339-1350.

[23] WU J，HE S，PENG J，et al. Intercalibration of DMSP-OLS night-time light data by the invariant region method[J].International Journal of Remote Sensing，2013，34（20）：7356-7368.

[24] 萨  蒂 T L.层次分析法：在资源分配、管理和冲突分析中的应用[M].北京：煤炭工业出版社，1988.

[25] 李  峰，米晓楠，王粉鸽，等.基于DMSP-OLS和Landsat8数据的省域GDP空间化方法——以北京市为例[J].重庆师范大学学报（自然科学版），2016，33（1）：138-142.

[26] 李  翔.基于夜光遥感数据的中国2005—2015年居民收入时空变化与驱动力研究[D].南京：南京大学，2018.

[27] LI X，XU H M，CHEN X L，et al. Potential of NPPVIIRS nighttime light imagery for modeling the regional economy of China[J].Remote Sensing，2013，5（6）：3057-3081.