一种基于夜光遥感的像元级电力普及率估算方法及装置

技术领域

本发明属于夜光遥感社会经济估算技术领域，具体涉及一种基于夜光遥感的像元级尺度电力普及率估算方法及装置。

背景技术

电力普及率十分重要。目前，许多地区的电力普及状况较差，例如撒哈拉以南非洲，其70％以上的卫生设施没有可靠的电力供应，四分之一的卫生设施根本没有电力供应。及时、准确地获取这些地区的电力普及率，对于有针对性地开展电力援助计划、评估现有电气化项目的成效、推进社会公平等都具有重要意义。

随着卫星遥感技术的不断发展，不同时空分辨率的夜光遥感数据为电力普及率估算提供了可靠的数据源。新一代夜间灯光传感器——索米国家极地轨道伙伴卫星的可见光红外成像辐射仪(National Polar-Orbiting Partnership's Visible Infrared ImagingRadiometer Suite，NPP/VIIRS)，有检测微弱夜间灯光的能力，相比于美国军事气象卫星计划的线性扫描业务系统(Defense Meteorological Satellite Program's OperationalLinescan System，DMSP/OLS)数据有着更高的辐射分辨率，能更准确地估算电力普及率。相比于传统的实地调查方法，基于夜光遥感数据估算电力普及率具有成本低、更新快、一致性好等优点，更符合现阶段电力数据使用者的需求。近年来，随着夜光遥感处理手段的进步和数据源的不断丰富，利用夜间灯光数据估算电力普及率已经成为了一种切实有效的选择。

目前许多学者在电力普及率估算的研究主要包括：Min和Gaba以越南为研究区评估了路灯和通电家庭对夜光遥感影像记录的辐亮度的影响

综合前人研究，目前基于夜光遥感的像元级尺度电力普及率估算方法都不够成熟，对夜光遥感影像长时间序列的处理较为简单，通常将其转换为均值、标准差等维度单一、与电力普及率相关性较低的指标。此外，以往的估算方法仅考虑了待估算位置附近较小范围(如7×7像元邻域内)的夜光数据，这样就忽略了与电力普及率较为相关的附近较大范围影像内蕴含的特征。

相关文献如下：

[1]Min B,Gaba K M.Tracking electrification in Vietnam using nighttimelights[J].Remote Sensing,2014,6(10):9511-9529.

[2]Min B K,O'Keeffe Z,Zhang F.Whose power gets cut？Using high-frequency satellite images to measure power supply irregularity[J].UsingHigh-Frequency Satellite Images to Measure Power Supply Irregularity(June 29,2017).World Bank Policy Research Working Paper,2017(8131).

[3]Tingzon I,Orden A,Sy S,et al.Mapping poverty in the Philippinesusing machine learning,satellite imagery,and crowd-sourced geospatialinformation[C]//AI for Social Good ICML 2019Workshop.2019.

[4]Dhorne M,Nicolas C,Arderne C,et al.Tracking Advances in Access toElectricity Using Satellite-Based Data and Machine Learning to ComplementSurveys[J].2021.

发明内容

根据现有技术的不足，本发明的目的是提供一种基于夜光遥感的像元级电力普及率估算方法与装置，本方法同时结合了长时间序列相关的特征和空间上大范围邻域相关的特征，本发明提出的方法对于电力普及率的估算精度较高。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于夜光遥感的像元级电力普及率估算方法，包括以下步骤：

步骤1、获取研究区域在研究时间内的年平均夜间灯光影像、每日夜间灯光影像、对应年份的人口数据以及人口与健康调查电力普及率数据；

步骤2、对研究区域的年平均夜间灯光影像、每日夜间灯光影像进行预处理，所述预处理包括几何校正和重采样，对于每个人口与健康调查电力普及率数据样本所在的位置，根据对应年份的人口数据提取该位置邻域内的年平均夜间灯光影像和人口分布地图；

步骤3、对步骤2预处理后的每日夜间灯光影像，得到维度等于夜光数据有效天数的辐亮度时间序列信息后，计算其灰度直方图并基于其提取夜光影像的灰度频率信息，后续将基于深度学习模型从上述灰度频率信息中提取深层特征信息；

步骤4、对步骤2预处理后的研究区域的年平均夜间灯光影像，提取空间上大范围区域年平均夜间灯光影像蕴含的与电力普及率相关的多维特征；

步骤5、以步骤2预处理后的年平均夜间灯光影像，步骤3灰度频率信息提取的深层特征信息，步骤4所得的多维特征为输入数据，各个位置的电力普及率为输出值，建立深度学习模型，进行训练；

步骤6、利用步骤5训练好的深度学习模型计算所有像元级的电力普及率，利用像元级的电力普及率计算研究区域整体的电力普及率。

进一步地，步骤2具体包括：

步骤2.1、通过选取分布均匀的控制点来实现人口分布地图、年平均夜间灯光影像、每日夜间灯光影像数据间的地理坐标配准，并统一空间分辨率；

步骤2.2、根据每个人口与健康调查电力普及率数据所在的位置、年份，提取其所在像元附近225×225像元邻域内的年平均夜间灯光影像、该年份所有日期的3×3像元邻域内每日夜间灯光影像和该像元处的人口分布地图；

所述步骤3中，提取灰度频率信息的方法为：

计算一年内每日夜间灯光影像中辐亮度处于各个灰度区间的频率，将辐亮度信息转换为n个维度的各辐亮度区间的频率信息，对于某个像元，根据其当年的每日夜光影像，一年内属于第i个维度的灰度频率T

T

其中，NTL

将T

所述步骤4具体包括：

步骤4.1、通过预训练的VGG-16模型处理估算位置附近225×225像元的年平均夜光数据，这使得发明提出的估算模型充分考虑大范围空间内的夜光数据包含的信息，输出1000维空间相关的特征；

步骤4.2、特征选择，分别计算1000维特征与电力普及率间的相关系数，从这些特征中保留10维与电力普及率相关性最高的特征，将保留的特征用于估算电力普及率；

所述步骤5具体包括：

步骤5.1、通过卷积层I从步骤3提供的灰度频率信息提取出与电力普及率相关的深层特征信息，将卷积层I模板尺寸设为3×3并将输出波段的维数设为5，通过卷积层1和激活层将输出特征维度数降至5；

步骤5.2、将步骤5.1的输出和步骤4提供的多维特征在波段维度进行连接，为每个位置生成15维特征，基于上述15维特征，构建线性回归模型以拟合该像元处的电力普及率，构建该回归模型主要通过卷积层II，卷积层II模板尺寸设为1×1，卷积层II的输出波段维数是1；

步骤5.3、对估算位置附近的平均年均夜光值进行对数化处理，建立一层全连接层，基于区域内的平均年均夜光值对前一层神经网络的估算结果进行修改，最终估算出相应位置处的电力普及率；

步骤5.4、通过五折交叉验证确定模型的超参数，将样本随机均匀分为5部分，每次使用其中4部分进行训练，保留剩下1部分用于验证，确定的超参数如下，批量大小定为10，学习率定为0.003，权重衰减定为1E-9，选择Adam优化器用于优化，选用L1范数损失函数作为的损失函数；

所述步骤6中，使用步骤5确定的超参数，根据五折交叉验证计算估算方法在训练集和验证集上的平均绝对误差，平均绝对误差E

其中，EA

一种基于夜光遥感的像元级电力普及率估算装置，包括：

数据获取模块，用于获取研究区域在研究时间内的年平均夜间灯光影像、每日夜间灯光影像、对应年份的人口数据以及人口与健康调查电力普及率数据；

预处理模块，用于对研究区域的年平均夜间灯光影像、每日夜间灯光影像进行预处理，所述预处理包括几何校正和重采样，对于每个人口与健康调查电力普及率数据样本所在的位置，根据对应年份的人口数据提取该位置邻域内的年平均夜间灯光影像和人口分布地图；

每日夜间灯光影像处理模块，对预处理后的每日夜间灯光影像，得到维度等于夜光数据有效天数的辐亮度时间序列信息后，计算其灰度直方图并基于其提取夜光影像的灰度频率信息，后续将基于深度学习模型从上述灰度频率信息中提取深层特征信息；

年平均夜间灯光影像处理模块，用于对预处理后的研究区域的年平均夜间灯光影像，提取空间上大范围区域年平均夜间灯光影像蕴含的与电力普及率相关的多维特征；

深度学习模块，用于以预处理后的年平均夜间灯光影像、灰度频率信息的深层特征信息、多维特征为输入数据，各个位置的电力普及率为输出值，建立深度学习模型，进行训练；

像元级的电力普及率获取模块，用于利用训练好的深度学习模型计算所有像元级的电力普及率，利用像元级的电力普及率计算研究区域整体的电力普及率。

一种基于夜光遥感的像元级电力普及率估算设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行任一项所述的基于夜光遥感的像元级电力普及率估算方法的步骤。

一种计算机存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现任一项所述的基于夜光遥感的像元级电力普及率估算方法的步骤。

与现有技术相比，本发明具有以下优点和有益效果：

1.本发明提供的一种基于夜光遥感的像元级尺度电力普及率估算方法与装置，分别从长时间序列、估算位置附近较大空间范围的夜光遥感影像中提取出与电力普及率相关的多维特征，将其用于电力普及率的估算，同时考虑了每日夜间灯光影像时间序列蕴含的波动信息、空间上大范围区域的年平均夜间灯光对待估算位置处电力普及率的反映，这能够使得像元级尺度的电力普及率估算结果更加合理和准确。

2.本发明提供的一种基于夜光遥感的像元级尺度电力普及率估算方法与装置，使用深度学习模型代替具体的函数模型，避免了因函数模型选择的不恰当而造成的估算偏差，并且本发明方法数据处理和计算更加简单。

3.本发明提供的一种基于夜光遥感的像元级尺度电力普及率估算方法与装置，同时使用了年平均夜光影像和每日夜光影像时间序列用于电力普及率的估算，完全基于夜光数据建模，摒弃了以往学者使用的与电力普及率相关性较低的OSM路网等多源数据，建立的方法能有效提取出与电力普及率相关的时空特征，充分发挥了夜光遥感数据在电力普及率估算方面的潜力。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分。本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的基于夜光遥感的像元级尺度电力普及率估算方法的流程图。

图2为本发明的基于夜光遥感的像元级尺度电力普及率估算方法训练过程示意图；

图3(a)为本发明实施例中的五折交叉验证中，第1折误差随周期的变化情况；

图3(b)为本发明实施例中的五折交叉验证中，第2折误差随周期的变化情况；

图3(c)为本发明实施例中的五折交叉验证中，第3折误差随周期的变化情况；

图3(d)为本发明实施例中的五折交叉验证中，第4折误差随周期的变化情况；

图3(e)为本发明实施例中的五折交叉验证中，第5折误差随周期的变化情况。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本申请实施例通过提供一种基于夜光遥感的像元级尺度电力普及率估算方法，解决了现有技术中夜光遥感的像元级尺度电力普及率估算方法都不够成熟，对夜光遥感影像长时间序列的处理较为简单，没有充分利用与电力普及率较为相关的空间上较大范围的年均夜光影像和长时间序列每日夜光影像内蕴含特征的问题。

本申请实施例中的技术方案为解决上述的问题，如图1和图2所示，提供一种基于夜光遥感的像元级尺度电力普及率估算方法，包括以下步骤：

步骤1、获取研究区域在研究时间内的年平均夜间灯光影像、每日夜间灯光影像、对应年份的人口数据以及人口与健康调查电力普及率数据；

步骤2、对研究区域的年平均夜间灯光影像、每日夜间灯光影像进行预处理，所述预处理包括几何校正和重采样，对于每个人口与健康调查电力普及率数据样本所在的位置，根据对应年份的人口数据提取该位置邻域内的年平均夜间灯光影像和人口分布地图；

步骤3、对步骤2预处理后的每日夜间灯光影像，得到维度等于夜光数据有效天数的辐亮度时间序列信息后，计算其灰度直方图并基于其提取夜光影像的灰度频率信息，后续将基于深度学习模型从上述灰度频率信息中提取深层特征信息；

步骤4、对步骤2预处理后的研究区域的年平均夜间灯光影像，提取空间上大范围区域年平均夜间灯光影像蕴含的与电力普及率相关的多维特征；

步骤5、以步骤2预处理后的年平均夜间灯光影像，步骤3得到的灰度频率信息提取的深层特征信息，步骤4所得的多维特征为输入数据，各个位置的电力普及率为输出值，建立深度学习模型，进行训练；

步骤6、利用步骤5训练好的深度学习模型计算所有位置处像元级尺度的电力普及率，结合像元级的电力普及率和人口分布数据获取研究区域整体的电力普及率。

本发明提供的一种基于夜光遥感的像元级尺度电力普及率估算方法，分别从研究区域在研究时间内的每日夜间灯光影像，提取维度等于夜光数据有效天数的辐亮度时间序列信息，计算其灰度直方图并基于其计算当年份夜光影像的灰度频率信息，得到夜光影像时间序列的波动信息；并根据人口与健康调查数据确定估算位置，从这些估算位置附近的较大空间范围的夜光遥感影像中提取出与电力普及率相关的多维特征，将其用于电力普及率的估算，这些特征能反映空间上大范围区域的年平均夜间灯光对电力普及率的影响，这能够使得像元级尺度的电力普及率估算结果更加合理和准确。

本发明提供的一种基于夜光遥感的像元级尺度电力普及率估算方法，建立深度学习模型代替具体的函数模型，避免了因函数模型选择的不恰当而造成的计算结果有偏差，并且本发明方法数据处理和计算更加简单。

本发明提供的一种基于夜光遥感的像元级尺度电力普及率估算方法，同时使用了年平均夜光影像和每日夜光影像时间序列用于电力普及率的估算，完全基于夜光数据建模，建立的方法能有效提取出与电力普及率相关的时空特征，充分发挥了夜光遥感数据在电力普及率估算方面的潜力。

所述步骤1中，年平均夜间灯光影像为Annual VNL V2/average-masked，每日夜间灯光影像为VNP46A2。

步骤2具体包括：

步骤2.1、通过选取分布均匀的控制点来实现人口分布地图、年平均夜间灯光影像、每日夜间灯光影像数据间的地理坐标配准，并统一空间分辨率。

步骤2.2、根据每个人口与健康调查电力普及率数据(Demographic and HealthSurveys，DHS)所在的位置、年份，提取其所在像元附近225×225像元邻域内的年平均夜间灯光影像、该年份所有日期的3×3像元邻域内每日夜间灯光影像和该像元处的人口分布地图。

在步骤2.1中，统一空间分辨率为500m。

所述步骤3中得到的频率信息有助于提升现有电力普及率估算方法的精度。在引入频率信息后，现有估算方法能压缩时间序列的相关信息并减少估算模型的复杂度。

所述步骤3中，计算一年内每日夜间灯光影像的辐亮度处于各个灰度区间的频率，用这些频率代替本来不规则的夜光数据时间序列，这样既能避免处理时间序列时的补值问题，又能忽略不同区域夜光数据的一年总有效天数不同带来的影响。这一过程中，最重要的一步就是划定直方图的区间。

所述步骤3中，提取灰度频率信息的深层特征信息的方法为：

计算一年内每日夜间灯光影像中辐亮度处于各个灰度区间的频率，将辐亮度信息转换为n个维度的各辐亮度区间的频率信息，对于某个像元，根据其当年的每日夜光影像，一年内属于第i个维度的灰度频率T

T

其中，NTL

将T

将DHS样本所在像元的3×3像元邻域内的频率信息T进行平均得到T‘，计算其与该样本的电力普及率间的相关系数，通过直方图降维提取的部分特征与电力普及率间的相关系数。

T‘与该样本的电力普及率间X的相关系数的计算公式为：

在步骤4中，对步骤2所得到的Annual VNL V2/average-masked年平均夜间灯光影像，提取大范围区域夜光影像蕴含电力普及率相关的多维特征。这些大范围区域夜光影像的多维特征有助于电力普及率的估算，引入这些特征能在步骤3获取频率信息的基础上进一步丰富模型提取的特征，这有助于提升现有电力普及率估算方法的精度。

步骤4具体包括：

步骤4.1、通过迁移学习将在相近任务上训练好的预训练模型作为电力普及率估算模型的一部分，以提取待估算位置附近较大范围的夜光遥感影像中与电力普及率相关的特征。

步骤4.2、特征选择，分别计算4.1输出的1000维特征与电力普及率间的相关系数，从这些特征中保留10维与电力普及率相关性最高的特征用于估算电力普及率。

在步骤4.1中，选用在ImageNet图像分类数据集上预训练的VGG-16模型，将估算位置附近225×225像元的年平均夜光数据作为输入，充分考虑大范围空间内的夜光数据包含的信息，这能提取到小范围邻域以外的电力普及率相关信息，最终输出1000维空间相关的特征。

计算本步骤输出的10维特征Z与该样本的电力普及率X间的相关系数。

以步骤2所得到的Annual VNL V2/average-masked年平均夜间灯光影像、步骤3所得相应DHS样本附近小邻域内各辐亮度区间的频率信息、步骤4所得的10维度空间相关的特征为输入数据，将相应位置的电力普及率作为输出值，训练用于电力普及率估算的深度学习模型。

步骤3、步骤4提取的特征都与电力普及率有着较高的相关性，为了充分利用这些特征估算电力普及率，需要使用一定的模型对这些特征进行结合。深度学习模型是能有效结合多维特征用于回归目标信息(本发明中回归目标是电力普及率)的一种模型，可以通过训练确定合适的模型参数，因此本发明使用深度学习模型结合步骤3、步骤4提取多维特征。

步骤5中具体包括：

步骤5.1、通过卷积层I从步骤3提供的深层特征信息提取出与电力普及率相关的特征，将卷积层I模板大小设为3×3，通过输出波段维数设为5，通过卷积层1和激活层将输出特征维度的宽度降至5；

步骤5.2、将步骤5.1的输出和步骤4提供的多维特征在波段维度进行连接，为每个位置生成15维特征，结合上述15维特征构建线性回归模型以拟合该像元处的电力普及率，构建该回归模型主要通过卷积层II，卷积层II模板尺寸为1×1，卷积层II的输出波段维数是1；

步骤5.3、将估算位置附近的平均年均夜光值进行对数化处理，建立一层全连接层，基于区域内的平均年均夜光值对前一层神经网络的估算结果进行修改，最终估算出相应位置处的电力普及率；

本步骤的输入特征包括对数化处理的平均年均夜光值以及步骤5.2输出的特征，处理的结构是全连接层和激活层，输出的结果是该像元处的电力普及率。

步骤5.4、如图3(a)-图3(e)所示，通过五折交叉验证确定模型的超参数，将样本随机均匀分为5份，每次使用其中4份进行训练，保留剩下1份用于验证，在本发明的一个实施例中，确定的超参数如下：批量大小定为10，学习率定为0.003，权重衰减定为1E-9，此外，选择Adam优化器用于优化，选用L1范数损失函数作为的损失函数。

在步骤6中，利用步骤5训练好的深度学习模型估算所有位置处的像元级电力普及率。使用步骤5确定的超参数，根据五折交叉验证计算估算方法在训练集和验证集上的平均绝对误差，然后在包含6267个有效样本的完整训练集上训练模型。

平均绝对误差E

其中，EA

具体实施时，本发明提供的一种基于夜光遥感的像元级电力普及率估算方法可采用软件技术实现自动运行。本发明提供的一个实施例以南部非洲为研究区，检测其在2013年至2018年间的电力普及率变化情况。收集了2013-2018年覆盖南部非洲地区的年平均夜间灯光影像和2013-2018年覆盖南部非洲地区的每日夜间灯光影像，同时收集了2013-2018年的人口分布地图数据和DHS电力普及率数据。

具体实施时可以预先进行数据采集。

其中，年平均夜间灯光影像为Annual VNL V2/average-masked，2013-2018年覆盖南部非洲地区的年平均夜间灯光影像数据来源：https://eogdata.mines.edu/products/vnl/，每日夜间灯光影像为VNP46A2，2013-2018年覆盖南部非洲地区的每日夜间灯光影像数据来源于https://ladsweb.modaps.eosdis.nasa.gov/。

根据以往使用亮度阈值法估算电力普及率的经验，南部非洲多数区域的辐亮度较低，很多难以确定是否有电力供应的区域也多属于此类。因此，本步骤在构建直方图时，着重关注了辐亮度不足2nW/cm/sr的区域。此外，即使是在南部非洲的城市中心，户外照明也难以产生超过70nW/cm/sr的辐亮度，因此，步骤4将亮度超过73.2nW/cm/sr的区间合并。

步骤4的灰度区间分为3个，分别是0-2nW/cm/sr、2.4-5.2nW/cm/sr以及9.2-73.2nW/cm/sr，三个灰度区间中，0-2nW/cm/sr间为0.1nW/cm/sr，将2.4-5.2nW/cm/sr的间隔定为0.4nW/cm/sr，将9.2-73.2nW/cm/sr的间隔定为4nW/cm/sr。

根据上述区间，对于某个像元，根据其当年的每日夜光影像，计算一年内属于第i个区间的灰度频率T

T

其中NTL

将T

将DHS样本所在像元的3×3像元邻域内的频率信息T进行平均，计算其与该样本的电力普及率间的相关系数，如表3.1。

表3.1通过直方图降维提取的部分特征与电力普及率间的相关系数

步骤4输出的10维特征与该样本的电力普及率间的相关系数，如表4.1。

表4.1步骤4.2提取的部分特征与电力普及率间的相关系数

建立的电力普及率估算方法在训练集上平均绝对误差低至0.130，在验证集上平均绝对误差仅为0.145。

本发明还提供一种基于夜光遥感的像元级电力普及率估算装置，包括：

数据获取模块，用于获取研究区域在研究时间内的年平均夜间灯光影像、每日夜间灯光影像、对应年份的人口数据以及人口与健康调查电力普及率数据；

预处理模块，用于对研究区域的年平均夜间灯光影像、每日夜间灯光影像进行预处理，所述预处理包括几何校正和重采样，对于每个人口与健康调查电力普及率数据样本所在的位置，根据对应年份的人口数据提取该位置邻域内的年平均夜间灯光影像和人口分布地图；

每日夜间灯光影像处理模块，对预处理后的每日夜间灯光影像，得到维度等于夜光数据有效天数的辐亮度时间序列信息后，计算其灰度直方图并基于其提取夜光影像的灰度频率信息，后续将基于深度学习模型从上述灰度频率信息中提取深层特征信息；

年平均夜间灯光影像处理模块，用于对预处理后的研究区域的年平均夜间灯光影像，提取空间上大范围区域年平均夜间灯光影像蕴含的与电力普及率相关的多维特征；

深度学习模块，用于以预处理后的年平均夜间灯光影像、灰度频率信息的深层特征信息、多维特征为输入数据，各个位置的电力普及率为输出值，建立深度学习模型，进行训练；

像元级的电力普及率获取模块，用于利用训练好的深度学习模型计算所有像元级的电力普及率，利用像元级的电力普及率计算研究区域整体的电力普及率。

本发明还提供一种基于夜光遥感的像元级电力普及率估算设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行上述任一项所述基于夜光遥感的像元级电力普及率估算方法的步骤。

本发明实施例中的存储器用于存储各种类型的数据以支持基于夜光遥感的像元级电力普及率估算设备的操作。

本发明实施例揭示的基于夜光遥感的像元级电力普及率估算方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，基于夜光遥感的像元级电力普及率估算方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成本发明实施例提供的基于夜光遥感的像元级电力普及率估算方法的步骤。

在示例性实施例中，基于夜光遥感的像元级电力普及率估算设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，ComplexProgrammable Logic Device)、FPGA、通用处理器、控制器、微控制器(MCU，MicroController Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。

可以理解，存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，Sync Link Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

本发明还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一项所述基于夜光遥感的像元级电力普及率估算方法的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。