3. 经济活动与遥感关联
在构建卫星图像经济活动因子之前，必须先回答一个基础问题：GDP、夜间灯光、土地利用、工业活动、农业产出这些统计口径的经济指标，究竟通过什么物理机制映射到卫星可观测的辐射信号上？如果跳过这一层映射关系，直接拿遥感波段与GDP做回归，得到的往往只是统计巧合，而非可解释、可迁移的经济因子。本节围绕“指标—代理变量—遥感观测量”三层结构，梳理主要经济指标与卫星图像之间的对应关系。
一、核心原理：经济活动如何“写入”遥感信号
遥感卫星并不直接测量GDP，它测量的是地物反射或发射的电磁辐射。经济活动改变地表覆盖、能量消耗与物质流动，这些改变再被传感器记录。因此映射链条可以概括为：
- 经济行为：生产、消费、运输、居住、耕作。
- 地表与能量响应：建筑扩张、灯光点亮、植被变化、热排放、水体扰动。
- 遥感观测量：可见光反射率、近红外指数、夜间辐亮度、热红外亮温、SAR后向散射。
- 代理变量：建成区面积、灯光总量、NDVI、地表温度、不透水面比例。
关键认识是：不同经济指标对应不同的代理变量，而不同代理变量又依赖不同的传感器与波段。GDP是综合指标，通常需要多源代理融合；夜间灯光更贴近“能源消耗与人口聚集”；土地利用贴近“空间结构与资产存量”；工业活动贴近“热排放与不透水面”；农业产出贴近“植被长势与物候”。
二、主要经济指标的遥感映射清单
下表给出常见经济指标与遥感代理变量、推荐数据源及注意事项的对应关系，可作为因子设计阶段的对照清单。
| 经济指标 | 核心代理变量 | 推荐遥感观测量 | 典型数据源 | 主要风险 |
|---|---|---|---|---|
| GDP / 经济总量 | 灯光总量、建成区面积、不透水面 | 夜间辐亮度、NDBI、SAR后向散射 | NPP-VIIRS、Landsat、Sentinel-1 | 饱和效应、农业区低估 |
| 夜间灯光 | 灯光像元频次与强度 | 月均辐亮度、灯光面积 | NPP-VIIRS、Luojia-1 | 光晕溢出、季节波动 |
| 土地利用 | 地类比例、建成区扩张 | 多光谱分类、时序NDVI | Landsat、Sentinel-2 | 分类误差累积 |
| 工业活动 | 热异常、不透水面、夜光稳定高值 | 热红外亮温、NDBI、辐亮度 | Landsat TIRS、MODIS、VIIRS | 云污染、热岛混淆 |
| 农业产出 | 植被长势、物候、灌溉面积 | NDVI、EVI、SAR湿度 | MODIS、Sentinel-2、Sentinel-1 | 云雨影响、复种混淆 |
三、方法流程：从指标到因子的构建路径
把上述映射落地为可计算因子，通常遵循以下流程：
- 指标拆解：将GDP拆为第一、二、三产业或按夜间经济、工业、农业分项，明确每项的经济机制。
- 代理选择：为每项选择1～3个代理变量，优先选择物理机制清晰、跨区域稳定的变量。
- 遥感预处理：辐射定标、大气校正、云掩膜、时序合成，确保观测量可比。
- 空间聚合：按行政单元或格网聚合，注意面积加权与边界匹配。
- 因子计算：生成灯光总量、建成区比例、NDVI均值、热异常频次等因子。
- 验证与筛选：用统计指标做相关、回归或交叉验证，剔除共线与不稳定因子。
# 示例：按行政区聚合夜间灯光总量
import geopandas as gpd
import rasterio
from rasterstats import zonal_stats
adm = gpd.read_file("county.shp")
stats = zonal_stats(
adm, "viirs_2023.tif",
stats=["sum", "mean", "max"],
nodata=-9999
)
adm["light_sum"] = [s["sum"] for s in stats]
adm["light_mean"] = [s["mean"] for s in stats]
print(adm[["name", "light_sum", "light_mean"]].head())
该流程的关键不是算法复杂度，而是每一步都保留经济解释。例如灯光总量对应“能源消耗与人口活动强度”，建成区比例对应“资产存量与土地开发程度”，NDVI对应“农业生产力”。
四、案例与场景：三类典型映射
场景一：城市GDP与夜间灯光。在城市化程度高的区域，灯光总量与GDP相关性较强，因为照明、商业、交通活动直接产生夜间辐射。但在农业主导区，灯光稀疏，GDP可能被严重低估，此时需引入耕地NDVI与灌溉面积作为补充因子。
场景二：工业活动与热红外。钢铁、水泥、化工等行业的窑炉与冷却塔产生显著热排放，Landsat TIRS或MODIS亮温可捕捉热异常。结合不透水面比例与稳定夜光高值，可构建“工业活跃度”因子。但需注意城市热岛与工业热源的混淆，应通过时序稳定性与空间形态区分。
场景三：农业产出与植被指数。NDVI峰值与积分可反映作物长势与产量潜力，SAR则弥补多云地区的观测缺口。将NDVI时序积分与统计产量回归，可得到县级农业产出代理因子。复种区域需用物候曲线分离不同茬口。