《表1 插补结果异常值分布Tab.1 Distribution of interpolation anomaly》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《VIIRS/DNB夜间灯光月度产品插补方法对比——以北京为例》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

（nWcm-2sr-1）

本文基于时序数据的插补原理，采用了4种插补方法。这4种插补方法中，三次样条插值和三次Hermite插值立足于多项式的构造，灰色预测模型立足于原始数据的累加序列拟合，三次指数平滑法立足于原始数据的权重累加。由此可见，虽然这4种算法所基于的计算思想不同，但是都不要求原始数据符合统计分布。此外，不像神经网络时间预测法需要人为主观参与训练（张晓瑞等，2013），或是ARIMA模型需要人为识别时序自相关和偏相关的拖尾与截尾状况（赵杰等，2015），这4种算法的计算过程都不需要人为主观干预，因此从该角度讲，这4种插补方法都适合于像元数量庞大、时间序列较短的VIIRS/DNB夜间灯光时序插补，插补结果也都较为理想（表1）。除此之外，这4种算法都是基于原始序列的平均状态开展计算，一定程度上保证插补后的整个灯光时序趋于平稳，避免“vcmsl”校正数据于某个月份出现整体偏小的情况，使之更符合大部分夜间灯光呈缓慢变化的事实。与此同时，这4种算法在插补的过程中都能有效平滑掉火光等极大异常值，令其更有效地应用于社会经济活动研究。