EN中文

地球信息科学学报 >

2015 , Vol. 17 >Issue 6: 653 - 660

DOI: https://doi.org/10.3724/SP.J.1047.2015.00653

地球信息科学理论与方法

基于多源信息的人口分布格网化方法研究

  • 柏中强 1, 2 ,
  • 王卷乐 , 1, 3, * ,
  • 姜浩 ,
  • 高孟绪
展开
  • 1. 中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101
  • 2. 中国科学院大学,北京 100049
  • 3. 江苏省地理信息资源开发与利用协同创新中心,南京 210023
*通讯作者：王卷乐(1976-),男,博士,副研究员,研究方向为资源环境信息集成与共享。E-mail:

作者简介：柏中强(1988-),男,博士生,研究方向为格网化区域人口时空模拟。E-mail: baizq@lreis.ac.cn

收稿日期: 2014-07-22

  要求修回日期: 2014-10-17

  网络出版日期: 2015-06-10

基金资助

国家科技基础性工作专项重点项目“格网化资源环境综合科学调查规范”(2011FY110400)

中国科学院信息化专项项目“资源学科领域基础科学数据整合与集成应用”(XXH12504-1-01)

国家科技基础条件平台——地球系统科学数据共享平台(2005DKA32300)

收起

The Gridding Approach to Redistribute Population Based on Multi-source Data

  • BAI Zhongqiang 1, 2 ,
  • WANG Juanle , 1, 3, * ,
  • JIANG Hao
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing, 210023, China

Received date: 2014-07-22

  Request revised date: 2014-10-17

  Online published: 2015-06-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

格网化人口分布数据比行政单元人口密度数据更易直观表达人口的真实分布状况。本文面向人口格网化管理的区域发展需求,以延安市为研究对象,基于增强居民地空间分布及其内部结构信息的理念,利用乡镇界线和乡镇级人口统计数据为输入控制单元,以土地利用数据、居民点信息、DEM、夜晚灯光数据等多源信息为指示因子,采用多元回归建模方法获得了延安市2010年100 m格网人口分布数据。结果表明,本文采用的人口格网化建模方法最终模型选用变量数少,决定系数（R2）达到0.872。最终模型在用于验证的24个乡镇中,有18个乡镇的估计人口数与统计值误差绝对值小于10%。分析认为,该建模策略结果可信,多源的人口分布指示信息在人口格网化方法上明显优于单独的土地利用数据方法。本文获得的100 m格网延安市人口数据格网化结果,显著增强了人口空间分布的细节信息,对于县市一级的人口数据格网化具有借鉴意义。

关键词： 人口分布; 格网化; 多源数据; 居民地信息增强; 延安市

本文引用格式

柏中强 , 王卷乐 , 姜浩 , 高孟绪 . 基于多源信息的人口分布格网化方法研究[J]. 地球信息科学学报, 2015 , 17(6) : 653 -660 . DOI: 10.3724/SP.J.1047.2015.00653

Abstract

Gridded population distribution data are increasingly expanding their uses in a wide range of fields, such as resource utilization, disaster response and relief, environment protection, and economic research. The enhancement of resolution with detailed precision is a perpetual topic in population gridding research. In this paper, a 100m gridded population dataset was established for Yan’an city by developing a method that distributed the population based on the land use data with improved settlement information. Data used here include township boundary data, township-level demographic data, land use data, TM image, town-village settlement point data, and DMSP/OLS nighttime light images. Two approaches were used to improve the detailed information of settlement distribution. First, we identify the rural settlement information from land use data and enhance the information by the village point data obtained from Google Earth. Second, we downscale the DMSP/OLS data by spatial interpolation. The sum of light emission, lit area and unlit area under different land use types in each town were counted to be used as the independent variables, and the statistical population of each town were used as the dependent variable. A stepwise regression method was adopted to simulate their relationship. Finally, the sum of night light emission, the unlit area of build-up area, the unlit area of grassland, and the lit area of farmland were put into constructing the ultimate equation. All variables were significant under the level of 0.01 and the coefficient of multiple correlation is 0.872. We estimated the population at township level for selected towns as a validation. Through using the equation, we found that the mean error between the estimation and the statistical population is lower than 5%. The above analysis suggests that the proposed modeling strategy is highly efficient. As a result, we calculate the weight and distribute the population through the equation in the formation of 100m grid, by taking township as the unit. In summary, the gridding method used in this study can obviously improve the output resolution and the distribution details. Also, the expression of the final equation is relative simple. As a conclusion, this paper has its significance in guiding the population gridding research in the county level areas like Yan’an city.

Key words： population distribution; multi-source data; spatialization; enhancement of settlement distribution information; Yan'an city

1 引言

人口数据在区域规划与开发、生态环境保护、灾害风险评估与救援、商业决策等领域广泛应用,其数据形态一般分为人口统计数据和空间格网化数据2种。人口统计数据以严谨的统计学理论和方法作为支撑,具有权威、系统、规范的特点[1]。但当其应用于空间分析或需要与不同学科数据进行融合时,存在行政单元和自然单元边界不一致、数据粒度过粗、表达尺度单一、受行政界线变迁影响及“可变元”等问题[2-3]。空间格网人口分布数据将统计数据与空间位置关联起来,能直观、多尺度地表达人口的真实分布,是对统计数据的有效补充。由于人口分布的影响因素和指示因子多样,导致基于不同数据源和方法的人口格网化结果差异,其精度及适用领域差别较大。针对人口数据的格网化难题,许多学者从人口分布指示因子、建模方法和人口数据集生产等角度进行了研究。当前,常用的人口分布指示因子包括土地利用/土地覆被、交通廊道、地形地貌、居民点、遥感像元光谱特征等[4-5];主要的建模方法包括空间插值法、土地利用类型法、多源信息融合法和遥感像元特征的建模方法等[6];可用的全球或中国区域人口数据集有UNEP-GRID、GPW/GRUMP、LandScan、中国公里格网人口数据集等[7-8]。
目前,土地利用/覆盖等直接、显性人口分布指示因子的大尺度人口数据格网化已得到广泛应用,因此,利用更多非显性、多源的数据,来刻画精细格网尺度的人口空间分布正引起学界关注[9-10]。 本研究面向人口格网化管理的区域发展需求,增强居民地分布与内部结构信息的理念,利用乡镇界 线和乡镇级人口统计数据为控制单元,以土地 利用、居民点、DEM、夜晚灯光数据等为指示因 子,选择位于黄土高原地区的延安市为研究对 象,对多源信息的人口数据格网化方法进行了应用分析。

2 研究区背景、数据与方法

2.1 研究区背景

延安市位于黄河中游,地处黄土高原丘陵沟壑区,北连榆林市,南接关中咸阳、铜川、渭南3市,东隔黄河与山西省临汾市、吕梁市相望,西依子午岭与甘肃省庆阳市为邻,地处北纬35°21′~37°31′,东经107°41′~110°31′之间,属高原大陆性季风气候,年均降水量为500 mm左右。该区地貌以高原、丘陵为主,地势西北高东南低,平均海拔1200 m左右。2010年,延安市总人口为227万,辖宝塔区、吴起县、志丹县、安塞县、子长县、延川县、延长县、甘泉县、富县、洛川县、黄陵县、黄龙县、宜川县13个区县,共计163个乡镇,3396个行政村。延安市在黄土高原地区的地理位置及行政区划如图1所示。
长期以来,延安市水土流失严重,植被退化,是生态环境严重脆弱区;同时,该区域土地资源紧缺,地少人多,粮食产量低,经济落后,资源环境承载压力大,人地关系十分紧张[11-12]。鉴于延安市在人口分布、资源禀赋、环境条件上的区域代表性,本文对延安市人口分布进行了深入研究。这既为黄土高原地区的人口数据格网化提供借鉴,又可为延安市的水土保持、资源环境承载力、土地复垦等资源环境管理应用和研究提供较高分辨率的人口空间分布数据。

2.2 空间化策略与方法

人口空间分布与其所在区域的土地利用/土地覆被关系密切。一般来说,城镇及建设用地是人们生活的主要场地,人口分布稠密;耕地、草地为生产性用地,人口分布相对稀疏;其他土地利用类型人口稀少或无人类活动。即使在同一种土地利用/覆被类型内部,由于用途及区位的不同,人口密度也存在较大变异性。为使人口格网化结果更加精细,需引入能区分土地利用数据内部异质性的其他因子,以增强土地利用数据的居民地分布及其内部结构信息。本文主要依靠2种手段来增强居民地分布和内部结构信息：（1）利用Google Earth提供的农村居民点信息标注土地利用数据,增强农村居民地分布信息;（2）引入夜晚灯光数据,增强居民地（特别是城镇居民地）的内部结构信息。
具体建模步骤：（1）获取延安市2010年的TM影像,利用人机交互变化检测及监督分类的方法,将延安市2006年土地利用数据更新到2010年;（2）获取Google Earth（以下简称GE）标注的延安市居民点信息,抽样检验其精度,设置一定的阈值去掉部分不可信点,并确定农村居民地规模,对土地利用数据中的农村居民地信息进行增强;（3）获取改进后的稳态夜间灯光辐射数据（http://www.ngdc.noaa.gov/dmsp/download.html）,对其进行重采样、消除噪声及降尺度处理等,用于后续建模;（4）按乡镇统计各种土地利用类型内的有灯光区、无灯光区面积及灯光辐射值总量和乡镇级的人口统计数据进行逐步回归分析,建立格网化模型。具体数据处理及建模流程如图2所示。所有的数据集成及处理在ArcGIS中完成,统计建模在SPSS中实现。
Fig. 2 Spatialization modeling strategy

图2 格网化建模流程图

2.3 建模数据处理

本文建模数据包括土地利用数据、TM影像、夜间灯光数据、Google Earth标注的村级居民点信息、DEM、乡镇界线及乡镇级人口统计数据等。由于数据来源多样,表现方式和分辨率均有很大差别,需对各数据集进行处理和集成。本文采用的投影均为Albers-equal-area投影,栅格数据分辨率为100 m。各数据集来源及详细处理过程如下：
（1）土地利用数据。研究区2006年的土地利用栅格数据来源于地球系统科学数据共享网黄土高原数据共享运行服务中心（http://loess.geodata.cn/Portal/index.jsp）。其分为耕地、林地、草地、建筑用地、水域及沙地6大类。该数据表征时间和建模时间不一致,分2步对其更新：① 将延安地区的2010年6景TM影像（空间分辨率为30 m）与2006年延安市土地利用数据叠置,结合NDVI和Google Earth影像信息,得到土地利用发生明显变化区域;② 裁剪出该区域的影像,按照延安市2006年土地利用分类系统,采用监督分类算法对其进行分类,利用ArcGIS中栅格运算功能将分类结果更新到2006年土地利用数据中,获得延安市2010年土地利用数据。利用野外实地考察及GE共获得地面验证点192个,对更新后2010年延安市土地利用数据进行精度评价。结果表明：总体制图精度为87.21%,建筑用地的精度为94.56%。采用最近邻法,将土地利用数据重采样到100 m。
（2）灯光数据。灯光数据源于美国国防气象卫星计划（Defense Meteorological Satellite Program, DMSP）线性扫描业务系统（Operational Line Scan system, OLS）提供的遥感影像数据集。利用该数据开展不同尺度的人口与社会经济研究是近年的研究热点,典型研究如Lo[13],卓莉等[14]。近年来,已有学者将灯光数据引入土地利用的人口数据空间化研究中,如Briggs等[15]、Zeng等[16]、梁友嘉等[17]。本文选择F-18传感器的2010年夜间非辐射定标平均稳态数据（stable_lights.avg_vis data）。该数据清除了云层影响,剔除了短暂性的光源污染像元,很好地反映了城市、城镇,以及永久性光源所在地,数据DN值介于1-63。关于数据预处理方法详见Small等[18]的工作。
灯光数据处理过程如下：（1）将灯光数据转换为Albers-equal-area投影,为消除噪声点及闪烁等影响,剔除灰度值小于等于6的点;（2）将灯光数据转换为点图层,随机抽取90%的样本点进行插值,10%的样本用于交叉检验,根据前人的研究经验,选择反距离加权插值法（Inverse Distance Weighting,IDW）和普通克里金插值法（Ordinary Kriging,OK）,将稳态灯光数据降尺度为100 m分辨率的栅格数据,并和原始数据进行了相关分析。2种插值方法的对比如表1所示,总样本数为49 853个。由表1可知,2种插值方法均取得了较好的效果,但IDW插值会出现“牛眼”现象,本文最终选择OK法的插值结果,处理结果如图3所示。
Tab. 1 Comparison of the two interpolation methods

表1 插值方法对比

最小值 最大值 平均值 标准差 偏度 峰度 相关性
原始数据 0 63.0 4.470 0.153 3.116 10.241
IDW 0 62.5 4.451 0.146 3.085 10.072 0.981
OK 0 62.3 4.449 0.144 3.053 9.862 0.974
（3）居民点分布数据。本文选择GE上的村级居民点信息来增强农村居民点信息。从上帝之眼网站（http://www.godeyes.cn/）下载了延安市2008年GE标注的居民点（包括大量行政村、乡镇,城区）信息,村级居民点共计3984个。为验证其精度,从中随机抽取10%（398个）,并Google Earth上在线验证这些点是否落在居民地内（严格地落在建筑物之上或被建筑物包围）,其精度评价结果如表3所示,平均精度达到了86.36%。由于在小区域内居民地信息的分布和坡度的相关性最强[19],通过多次实验,设置居民中的行政村坡度阈值为21.5°,共提取了3396个村级居民点,结果与统计年鉴上延安市2010年居民点数目相同。参考梁霓等[20]对我国农村居民点规模的研究成果,将研究区的农村居民点规模定为0.04 km2,即4个像元,按此标准生成缓冲区并进行栅格化,更新到土地利用数据中。处理后的土地利用数据及灯光数据如图3所示。
Tab. 2 Validation of village points from GE

表2 GE行政村点验证

县名 抽样点数 非居民点数 平均精度 县名 抽样点数 非居民点数 平均精度
黄陵县 21 2 0.9048 宝塔区 66 5 0.9242
黄龙县 23 5 0.7826 延川县 28 3 0.8929
洛川县 36 1 0.9730 志丹县 25 5 0.8000
富 县 30 4 0.8824 安塞县 20 3 0.8500
宜川县 22 4 0.8182 吴旗县 23 3 0.8697
甘泉县 12 2 0.8333 子长县 51 7 0.8627
延长县 30 6 0.8333
Fig. 3 Maps showing the land use and night light radiation distribution in Yan'an city in 2010

图3 延安市2010年土地利用与夜间稳态灯光辐射

（4）乡镇界线及人口统计数据。行政界线及人口统计数据越详细,格网化结果的分辨率和精度越高。本文所使用的乡镇界线数据来源于地球系统科学数据共享网,时间为2000年。将此乡镇界线和延安市政府网站提供的2010年各县行政区划图进行配准,检验其匹配程度,并依据2000-2010延安市乡镇级行政区划变迁更新数据,将其表征时间调整为2010年,共计163个乡镇。与乡镇界线匹配的人口统计数据来源于延安市2010年统计年鉴。

3 人口分布格网化

3.1 空间化过程

随机将163个乡镇分为2组：第1组共139个,用于格网化模型构建,称组1;第2组共24个,用于对格网化模型的精度检验,称组2。
在SPSS中,以组1各乡镇人口统计数据为因变量,各乡镇内不同土地利用类型下的有灯光区面积、无灯光区面积及灯光辐射总量为自变量,进行逐步回归分析,获取模型自变量及系数,最终完成像元尺度的人口数据格网化建模。依此思路,按不同土地利用类型制作掩膜并提取其所属的灯光值,然后按乡镇进行统计。
提取的模型自变量包括：Un为稳态灯光数值为0的像元数,代表某种土地利用类型下无灯光区面积;Ln为有灯光的像元数,代表某种土地利用类型下有灯光区面积;Le为某乡镇某种土地利用类型的灯光总辐射亮度值,以DN值表示。模型构建采用逐步回归法,各土地利用类型作为自变量时的引入顺序为：城镇及建设用地、耕地、草地、林地、水域和沙地。如果自变量相关系数为正并且在0.05的置信水平下显著,则保留该自变量;回归模型的常量设为零,即假设无数据区无人口分布,各项回归系数必须为正,虽然可能会降低模型预测效果,但保证了整个研究区人口预测值的非负性。最终模型可表达为：
P k = ∑ j = 1 6 ( l × L n + u × U n + e × L e ) kj （1）
式中, P k 为来源于统计年鉴的第k个乡镇的人口; L n 、 U n 和 L e 分别为第k个乡镇第j类土地利用类型的有灯光像元数、无灯光像元数和总灯光辐射强度;l、u和e为回归系数。利用上述结果构建像元尺度的各乡镇人口权重分布模型,即：
W ijk = ( l × L n + u × U n + e × L e ) ij ∑ j = 1 6 ( l × L n + u × U n + e × L e ) jk （2）
式中,Wijk为第k个乡镇里第j种土地利用类型第i个像元的人口分配权重,即为按照式（1）计算的第i个像元的模拟人口（式（2）中分子）占第k个乡镇总模拟人口（式（2）中分母）的比重。
计算各乡镇内每个像元人口数量（式（3））：
P ijk = P k ( l × L n + u × U n + e × L e ) ij ∑ j = 1 6 ( l × L n + u × U n + e × L e ) ijk （3）
式中, P ijk 为第k个乡镇第j种土地利用类型上第i个像元的人口数,等于统计年鉴上的各乡镇人口数乘以像元内人口分布权重。

3.2 格网化结果

城镇及建设用地的灯光辐射总量、无灯光区面积、草地有灯光区面积、农田无灯光区面积4个变量通过了显著性和正数检验,参与了模型构建（表3）。结果和实际情况较吻合,最终各乡镇总人口的回归方程如式（4）所示。
P k = 3.089 × L e ( 建筑用地 ) + 45.998 × U n （建筑用地） + 0.502 × U n （草地） + 1.841 × L n ( 农田 ) （4）
Tab. 3 The regression coefficients of the model

表3 模型各回归系数

土地利用类型 系数 标准系数 Sig.
城镇及建设用地 e 3.089 0.766 0.000
u 45.998 11.061 0.000
草地 u 0.502 0.200 0.000
农田 l 1.841 0.174 0.000
R2 0.872
由于灯光数据直接反映了人类活动范围及居住地信息,灯光强度和人口密度及经济发达程度呈强烈的正相关关系,引入灯光数据,实际上是对土地利用空间结构,进行了更详细的划分,最终构建的模型自变量数较少,形式简单,所有回归系数都通过了显著性检验（p=0.01）,复相关系数R2为0.872,标准估计误差为8308（原始乡镇人口统计数据的标准差为18 169）,模型的拟合效率较高。最终的人口分布如图4所示。左上角和右下角的插图分别为放大的宝塔区和洛川县城人口分布。从图4可看出,格网化结果以较精细的尺度刻画了延安市2010年人口分布状况,各县的人口密度高值区均出现在县城所在地,居民地及建设用地聚集了绝大部分人口。各格网单元中,人口密度最高值为861,位于宝塔区中心城区。最低值为0,为除去建筑物用地,草地和农田的其他所有用地类型。
将图4和延安市的土地利用图、高程图、坡度图叠加分析可发现：84.5%的人口聚集在城镇及建筑用地之上,草地和农田约集中了15.5%的人口,并且极其分散,导致很多像元值为0.5或1;位于河谷阶地的县城和乡镇级聚落为人口聚集中心,引入的农村居民点为农村人口聚集中心,各县内部的农村居民点人口规模相当,而不同县之间的农村居民点人口规模存在差异。人口密度中心轴线为各县城所在地连接起来的“十”字形,北边宝塔、安塞、延长、延川、子长等县人口分布较为均匀,遍布全境,而宜川、黄龙、黄陵、富县等地由于有大面积的森林存在,导致大面积地区无人口分布。总体来说,延安市人口分布主要受地形和城镇分布影响,且前者的影响更大。
Fig. 4 The spatial distribution of population in Yan'an city in 100 m×100 m grid cell in 2010

图4 延安市2010年100 m格网人口空间分布

3.3 模型精度验证

首先,利用本文构建的模型,对随机抽取的组2内24个乡镇人口数进行估算,并和其统计结果进行对比;其次,将杨小唤等[3]基于土地利用构建的2000年中国公里格网人口数据集更新到2010年（2000年结果乘以2000-2010年的延安市人口增长率）,统计这24个乡镇的估计人口,并和本文的研究结果进行对比。图5展示分别展示了24个乡镇的统计年鉴人口数（统计值）,本文估计结果（估计值）和中国公里格网人口数据集的估计结果（参考值）,估计值有5个乡镇的人口数和统计值的误差超过10%,19个乡镇的误差在10%之内;参考值有13个乡镇的误差大于10%,表明文中建立的模型精度较高,效果优于单独的土地利用数据的估算结果,能较好地描述预测要素和实际人口分布之间的关系。
Fig. 5 A comparison of the estimated, the statistical and the reference population of selected towns

图5 估计人口与统计数据及参考值对比图

4 总结与讨论

本文以延安市2010年人口空间分布格局为研究目标,基于增强居民地分布与内部结构信息的理念,利用GE村级居民点信息增强土地利用的农村居民地信息,以灯光信息对土地利用数据进行了细致区分,并参照土地利用数据与人口分布的关系密切程度逐步引入变量,进行多元回归分析,建立人口分布格网化模型。研究表明,模型拟合度较好,格网化结果在较细尺度下能反映研究区2010年的人口分布状况。
本文综合利用了土地利用、夜晚灯光、GE居民点信息、TM影像、DEM、乡镇界线及乡镇级人口统计数据等多源信息,夜晚灯光、GE居民地信息等无法直接与人口分布建立数学模型,但这些非显性数据增强了人口分布的细节和结构信息,改善了输出结果。构建的模型中,由标准化系数的大小排序可看出,建设用地的非灯光区贡献最大,其次为建设用地内的灯光总量,表明建设用地和人口分布关系最为密切,是显著影响土地利用的人口数据格网化模拟的环境变量,而夜间灯光因子的加入,有效区分了建设用地内部的人口密度高低差异,直接表征了建筑用地内部的人类居住及活动的空间结构。草地和农田参与了最终模型的构建,但其绝对因子较小,这和本研究所选用的土地利用数据分类系统较粗有一定的关系,也受到了延安市的工农牧业生产布局的影响。此外,利用乡镇界线及乡镇级统计数据,对提高分辨率和精度也很有益处,值得类似的研究借鉴。
本研究在不确定性分析及后续研究思路改进等方面也有一些考虑：（1）灯光数据的可区分度与不确定性问题,文中采用的稳态灯光数据DN值范围为0-63,考虑灯光闪烁及溢出效应,该范围的区分度并不能很好地满足人口数据格网化的需求,可考虑对重新处理原始灯光数据,拉伸其DN值范围;另外,地面交通线、商业活动、自然光等因素增加了灯光数据的不确定性,在今后的研究中,可考虑加入交通廊道等因子加以区分[21];（2）本文将居民点信息转化为土地利用中的城镇及建筑物用地信息,直接提高了农村地区的格网化细节程度,但对于居民点规模,以及土地利用数据的更新方式等,本文处理方法较为粗略,今后需作进一步研究;（3）本文对于DEM信息的应用仅限于坡度因子作为限制农村居民点分布的阈值,相关研究表明,黄土高原地区人口分布与地形地貌因素密切相关[22],今后可引入地形起伏度、海拔高差等综合地形因子于人口分布模型中;（4）本文最终模拟结果分辨率为100 m。100 m格网的分辨率十分有利于数据升尺度应用,能满足于多种尺度需求的应用。在后续研究中,需以100 m格网数据为基础,进行尺度聚合及最适宜尺度选择等深入研究。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
胡云锋,王倩倩,刘越,等.国家尺度社会经济数据格网化原理和方法[J].地球信息科学学报,2011,13(5):573-578.

[2]
Openshaw S.The modifiable areal unit problem (concepts and techniques in modern geography)[M]. Norwich: Geobooks, 1983:38.

[3]
江东,杨小唤,王乃斌,等.基于RS,GIS的人口空间分布研究[J].地球科学进展,2002,17(5):734-738.

[4]
林丽洁,林广发,颜小霞,等.人口统计数据空间化模型综述[J].亚热带资源与环境学报[J].2010,5(4):10-16.

[5]
王雪梅,李鑫,马明国.基于遥感和GIS的人口数据空间化研究进展及案例分析[J].遥感技术与应用,2004,19(5):320-327.

[6]
杜国明. 人口数据空间化方法与实践[M].北京:中国农业出版社,2008.

[7]
柏中强,王卷乐,杨飞.人口数据空间化研究综述[J].地理科学进展,2013,32(11):1692-1702.

[8]
Dobson J E, Bright E A, Coleman P R, et al.Landscan: A global population database for estimating population at risk[J]. Photogrammetric Engineering & Remote Sensing, 2000,66(7):849-857.

[9]
Wu S,Qiu X, Wang L.Using semi-variance image texture statistics to model population densities[J]. Cartography and Geographic Information Science, 2008,33:127-140.

[10]
Azar D, Engstrom R, Graesser J, et al.Generation of fine-scale population layers using multi-resolution satellite imagery and geospatial data[J]. Remote Sensing of Environment, 2013,130:219-232.

[11]
刘朋飞. 黄土高原地区环境变迁与地质灾害研究——以延安地区滑坡为例[D].西安:长安大学,2010:6-9.

[12]
周自翔,任志远.基于GIS的不同地貌类型区人口压力等级研究——以延安市为例[J].干旱区研究,2005,22(2): 274-278.

[13]
Lo C P.Modeling the population of China using DMSP operational linescan system nighttime data[J]. Photogrammetric Engineering & Remote Sensing, 2001,67(9):1037-1047.

[14]
卓莉,陈晋,史培军,等.基于夜间灯光数据的中国人口密度模拟[J].地理学报,2005,60(2):266-276.

[15]
Briggs D, Gulliver J, Fecht D, et al.Dasymetric modelling of small-area population distribution using land cover and light emissions data[J]. Remote sensing of Environment, 2007,108(4):451-466.

[16]
Zeng C Q, Zhou Y, Wang S X, et al.Population spatialization in China based on night-time imagery and land use data[J]. International Journal of Remote Sensing, 2011,32(24):9599-9620.

[17]
梁友嘉,徐中民.基于LUCC和夜间灯光辐射数据的张掖市甘州区人口空间分布建模[J].冰川冻土,2012,34(4):999-1006.

[18]
Small C, Pozzi F, Elvidge C D.Spatial analysis of global urban extent from DMSP-OLS night lights[J]. Remote Sensing of Environment, 2005,96(3):277-291.

[19]
封志明,唐焰,杨艳昭,等.中国地形起伏度及其与人口分布的相关性[J].地理学报,2007,62(10):1073-1082.

[20]
梁霓. 农村居民点规模及布局研究[D].北京:中国地质大学,2008:43-46.

[21]
杨眉,王世新,周艺,等.DMSP/OLS夜间灯光数据应用研究综述[J].遥感技术与应用,2011,26(1):45-52.

[22]
周自翔,李晶,任志远.基于GIS的关中-天水经济区地形起伏度与人口分布研究[J].地理科学,2012,32(8):951-957.

Options
文章导航

/

〈 〉