EN中文

地球信息科学学报 >

2018 , Vol. 20 >Issue 7: 918 - 928

DOI: https://doi.org/10.12082/dqxxkx.2018.170625

地球信息科学理论与方法

引入城市公共设施要素的人口数据空间化方法研究

  • 董南 , 1 ,
  • 杨小唤 , 2, 3, * ,
  • 黄栋 2, 3 ,
  • 韩冬锐 2, 3
展开
  • 1. 建设综合勘察研究设计院有限公司, 北京 100007
  • 2. 中国科学院地理科学与资源研究所 资源环境信息系统国家重点实验室, 北京100101
  • 3. 中国科学院大学,北京 100049;
*通讯作者：杨小唤（1965-）,男,安徽潜山人,博士,研究员,主要从事遥感和GIS应用、资源环境科学空间数据库等研究。 E-mail: yangxh@igsnrr.ac.cn

作者简介：董 南（1984-）,男,河北唐山人,博士,注册测绘师,主要从事人口地理、智慧城市、遥感与GIS应用研究。E-mail:

收稿日期: 2017-12-21

  要求修回日期: 2018-01-22

  网络出版日期: 2018-07-13

基金资助

国家自然科学基金项目(41771460、41271173)

收起

Spatialization Method of Demographic Data Based on Urban Public Facility Elements

  • DONG Nan , 1 ,
  • YANG Xiaohuan , 2, 3, * ,
  • HUANG Dong 2, 3 ,
  • HAN Dongrui 2, 3
Expand
  • 1. Comprehensive Institute of Geotechnical Investigation and Surveying, Company Limited, Beijing 100007, China
  • 2. State Key Lab of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Science, Beijing 100101,China
  • 3. University of Chinese Academy of Sciences, Beijing 100049, China
*Corresponding author: YANG Xiaohuan, E-mail:

Received date: 2017-12-21

  Request revised date: 2018-01-22

  Online published: 2018-07-13

Supported by

National Natural Science Foundation of China, No.41771460, 41271173

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

精细尺度的人口分布是当前人口地理学研究的热点和难点,其在灾害评估、资源配置、智慧城市建设等方面应用广泛。城区是人口分布集中的区域,揭示该区域人口分布差异是精细尺度人口空间化研究的核心内容。本研究基于城市公共设施要素点位数据,对居住建筑斑块进行分类,以社区作为人口数据空间化转换尺度,构建各类别斑块面积与人口数量的多元回归模型,生成了宣州城区居住建筑尺度的人口空间数据,揭示了研究区人口空间分布差异。结果表明：① 该方法生成的人口空间数据精度较高,结果可信。779个居住建筑斑块中,估算人数在合理区内的斑块个数占比为35.4%,相对误差在-20%~20%范围内的斑块个数比例之和为61.2%;城东社区、思佳社区作为精度验证单元,其人数估算的相对误差绝对值低于9%;② 城市公共设施要素数据,尤其是中小学及幼儿园、菜市场及水果店,是建筑物尺度上人口分布的指示性因素,其对多层居住建筑人数的估算精度较高,但对中高层居住建筑人数的估算精度偏低。

关键词： 人口; 空间化; 公共设施要素; 居住建筑; 斑块

本文引用格式

董南 , 杨小唤 , 黄栋 , 韩冬锐 . 引入城市公共设施要素的人口数据空间化方法研究[J]. 地球信息科学学报, 2018 , 20(7) : 918 -928 . DOI: 10.12082/dqxxkx.2018.170625

Abstract

The spatial distribution of population at fine-scale has increasingly become research hotspot and a difficulty issue in the field of population geography. It has practical application value and scientific significance for relevant researches, such as disaster assessment, resource allocation and construction of smart cities. The population is concentrated in the urban area. Revealing the population distribution difference in this area is the core content of spatializing population data at the fine scale. In this paper, the urban area of Xuanzhou District was selected as the research area. The population distribution vector data at residential building scale was established by proposing a spatialization method based on urban public facility elements. The method classified residential building patches. And it treated residential building patches as population distribution locations in geographical space with community boundary and community-level demographic data as the control unit. A multiple regression model of patch area and population was constructed. The spatialization method used in this study can reveal the detailed information about the population distribution in urban area. Results show that: ① The population distribution data, obtained by adopting urban public facility elements, is proved to be high accurate and reliable. The number of patches with estimated population in a reasonable range is 35.4% of 779 residential building patches. And the proportion of patches with relative errors of ±20% in population estimation is 61.2%. Moreover, the Chengdong community and Sijia community served as accuracy verification units, the absolute relative error of population estimation in these communities is less than 9%; ② Urban public facility elements, especially primary and secondary schools and kindergartens, vegetable markets and fruit shops, are important factors for accurate estimation of population within a residential building. Their estimation accuracy of number of people is high ifor multi-storied building, but lower for moderate high-rise building.

Key words： population; spatialization; public facility elements; residential building; patch

1 引言

精细尺度的人口空间分布是当前人口地理学研究的热点和难点[1],该尺度上人口空间数据在灾害评估、资源配置、智慧城市建设等方面应用广 泛[2]。城市区域是人口分布集中的区域,揭示该区域人口分布差异是精细尺度人口空间化研究的重要内容[2,3,4]。现代测绘技术的飞速发展,为获得精细地理空间数据提供支持,丰富了人口空间化数据源。在这种情况下,如何合理利用新型数据进行城区精细尺度人口数据空间化的研究具有一定的指导意义。目前人口数据空间化研究水平很高,人口空间化模型众多,建模因素丰富。常用的人口空间化模型包括多元回归、多因素融合、核密度估计、负指数等模型[5,6,7,8]。建模因素从采用土地利用、地形地貌、河流水系、交通路网、城市规模、居民点位、人口密度、夜间灯光、高精度不透水面等传统数据[9,10,11,12,13,14,15,16],到引入城市公共设施要素数据[17]、LiDAR点数据[18,19],tweets数据[20]、移动基站数据[21]、手机通讯数据[22]等新型数据,建模数据源向多源化、新型化发展。
人口地理学家将人口分布影响因素归纳为自然地理与社会经济二类[23,24]。在城区小尺度区域内,地形地貌、气候、水文等自然地理因素的空间差异很小,不能较好地揭示城区内人口分布差异。相反,城市公共设施要素数据等社会经济类因素是城市区域人口空间分布的指示性因素[25,26]。目前,采用城市公共设施要素数据进行人口数据空间化研究时,相关研究采用多因素融合方法,取得了较好成果。但存在较难确定各城市公共设施要素的权重,缺少各要素间的相关性分析,数据处理复杂等问题。能否借鉴居民地再分类的思想[27,28],对城市公共设施要素的使用方法进行新尝试,值得探讨。
本文以安徽宣州市区作为研究区,引入城市公共设施要素点位数据,对居住建筑斑块进行分类,以社区作为人口数据空间化转换尺度,构建各类别斑块面积与人口数量的多元回归模型,实现居住建筑尺度的人口空间化。本文旨在提出一个基于城市公共设施要素对居住建筑斑块进行分类的人口空间化方法,探讨城市公共设施要素对人口分布的指示作用,为精细尺度人口数据空间化研究提供新视角。

2 研究区概况及数据源

2.1 研究区概况

城市公共设施要素基本上分布在城区,故选择该要素分布相对集中的安徽宣州15个社区,包括西林、塔影、城西、宝城、阳德、思佳、锦城、城东、九同、澄江、济川、昭亭、城南、花园、东河社区,作为开展引入城市公共设施要素的人口数据空间化方法的研究区（图1）。研究区位于安徽省东南部,是宣城市人口分布集中区,2015年常住人口约16.6万人,总面积约14 km2,东西跨度约4.5 km,南北跨度约4.3 km。
Fig. 1 Spatial distribution map of urban public facility elements and geographical location map of the study area

图1 城市公共设施要素空间分布及研究范围

2.2 数据源

本研究的基础数据如表1所示。
Tab. 1 Data base for the study

表1 研究开展所需的基础数据

数据内容 类型 年份 分辨率 数据源
社区常住人口数据 文本 2015 - 宣州区各街道办事处
社区行政界线数据 矢量 2015 - 宣州区民政局
Quick Bird遥感影像 栅格 2015 0.6 m Google Earth下载
城市公共设施要素点位数据 矢量 2015 - 中国科学院资源环境科学数据中心
居住建筑斑块数据 矢量 2015 - 基于Quick Bird遥感影像矢量化获得
楼房层数、套数、建筑面积 文本 - - 宣城房产网
（1）城市公共设施要素点位数据
已获取的城市公共设施要素点位数据包括中小学及幼儿园、菜市场及水果店、超市及便利店、银行及ATM、药店诊所及卫生站、公交车站等点位数据（图1）。
（2）居住建筑斑块数据
居住建筑是供人们生活起居用的建筑物,包括普通住宅、公寓、别墅、宿舍等。居住建筑斑块,是指对遥感影像进行目视解译,通过矢量化方法提取居住建筑物的轮廓多边形[2]。
依据居住建筑在Quick Bird遥感影像上反映的颜色、形状、相关布局、地域分布等,建立居住建筑斑块解译标志,提取其外轮廓多边形,并录入斑块内建筑物层数、建筑面积等居住空间属性。详细的数据提取与描述请参见文献[2]。

3 引入城市公共设施要素的人口数据空间化建模

3.1 建模区划分

建模区划分是指选取特定指标对研究区进行划分,将具有相似特征的社区作为同一建模区。分区域建模是提高人口数据空间化模型精度的有效措施之一[8]。
以社区为最小单元,将常住人口数量相似的社区划分为同一建模区。由图2可以看出,九同、城南、西林、城西、昭亭、澄江、锦城、花园村、阳德、宝城社区的人口数量相似,可划分为第一建模区,济川、东河、塔影社区的人口数量相似,可划分为第二建模区。因城东社区、思佳社区与其他社区的人口数量相差较大,将其作为模型检验单元。
Fig. 2 Resident population histogram for 15 communities in Xuanzhou District in 2015

图2 2015年宣州区15社区的常住人口数量柱状图

3.2 基于城市公共设施要素对居住建筑斑块进行分类

居住建筑斑块分类是指从各居住建筑斑块人口密度不同的角度出发,将斑块进行分类,体现“类间人口密度差异较大、类内人口密度差异较小”的特点。分类建模也是提高人口数据空间化模型精度的有效措施之一[8]。
3.2.1 城市公共设施要素与人口分布关系分析
本文选取与居民生活关系密切的城市公共设施要素：中小学及幼儿园、菜市场及水果店、超市及便利店、银行及ATM、药店诊所及卫生站、公交车站等设施。
城市公共设施要素是人口分布的指示性因 素[17,25,29]。以超市为例,来说明城市公共设施与人口分布相互吸引的关系。超市以经营大众日常消费品的特点决定了其具有追随人口分布的性质。通常情况下,对于居住区,随着居住人口的增多,购物需求大量增长,在市场经济的作用下,居住区附近的超市数量（规模）会增加,反过来吸引人口入住超市周边的居住区,人口数量进一步增大,当达到综合超市的商圈及目标顾客数量要求时,综合超市乃至大型超市开设,以满足人口购物消费需求。鉴于出行的时间经济成本,及超市的辐射半径,不同地方的居住区会伴有不同超市网点的开设,人口分布与超市网点布局构成相互吸引的关系[29]。
3.2.2 主要城市公共设施要素筛选
本文采用城市公共设施要素与研究区已有人口空间数据进行缓冲区分析的方法,筛选主要城市公共设施要素。研究区已有人口空间数据来源于中国科学院资源环境科学数据中心,该数据基于居住空间属性的人口空间化方案而生成[2]。
以50 m为间距,做各城市公共设施要素点的多级缓冲区：0~50 m,50~100 m,100~150 m,150~200 m,等（标准：覆盖95%以上研究区）,分别与人口空间数据进行叠加分析,统计各要素缓冲区内的人口总量及有人区域面积,计算平均人口密度值,用散点图的方式统计分析人口密度与缓冲区距离的关系,计算决定系数,筛选主要设施要素。
图3表明平均人口密度值与中小学及幼儿园、菜市场及水果店、公交车站要素缓冲区距离的决定系数最大,分别为0.82、0.68、0.66,与其他要素的决定系数都很小。由于公交站点要素所指示的平均人口密度值明显分为两个级别：缓冲区距离在50~450 m范围内,平均人口密度范围为5~7.6人/100 m2,变化不大,缓冲区距离在500~750 m范围内,平均人口密度范围为15~23人/100 m2,变化较大,整体来看,虽然决定系数高达0.66,但不能较好指示人口密度的规律性变化。综上,最终选定中小学及幼儿园、菜市场及水果店为主要设施要素。
Fig. 3 Scatter diagram of average population density and buffer area of urban public facility elements

图3 平均人口密度与城市公共设施要素缓冲区距离散点图

3.2.3 居住建筑斑块分类
将中小学及幼儿园、菜市场及水果店要素缓冲区与居住建筑斑块数据进行叠加,可以获得每个居住建筑斑块到两类要素的距离,依据图3（a）、（b）中的线性拟合方程,可以反算出每个居住建筑斑块的人口密度拟合值,确定分类阈值,将第一建模区的居住建筑斑块分成高、中、低人口密度斑块3类;将第二建模区的居住建筑斑块分成高、低人口密度斑块2类,因为第二建模区只有3个社区,为保证该模型能进行显著性检验分析,故将斑块分成2类。
居住建筑斑块分类阈值的选择（图4）：采取迭代思路,选择某初始阈值T,对居住建筑斑块进行分类,分别汇总每个社区各类别斑块的面积,与其常住人口数量进行线性回归分析,回归模型如式（1）、（2）所示,计算决定系数和人口分布系数 a iH 、 a iM 、 a iL ,为保证模型精度及合理性,当决定系数>0.97时,并且满足条件： a iH > a iM > a iL ,则判定所选择的阈值有效,否则将阈值T递增0.1,进行迭代选择阈值。因为 a iH 、 a iM 、 a iL 分别为社区 i 的高、中、低人口密度斑块的人口分布系数,所以必须满足条件： a iH > a iM > a iL 。
Fig. 4 The flow chart for determining classification threshold for residential building patches

图4 确定居住建筑斑块的分类阈值流程图

第一建模区：
P i = a i H × ∑ S iH + a iM × ∑ S iM + a iL × ∑ S iL + b （1）
第二建模区：
P i = a iH × ∑ S iH + a iL × ∑ S iL + b （2）
式中： P i 为社区 i 的常住人口; ∑ S iH 、 ∑ S iM 、 ∑ S iL 分别为社区 i 的高、中、低人口密度斑块的总面积; a iH 、 a iM 、 a iL 分别为社区 i 的高、中、低人口密度斑块的人口分布系数/（人/m2）; b 为模型常数项。
经过多次分析,将第一建模区的居住建筑斑块分成3类,分类阈值分别为6.2和4人/100 m2;将第二建模区的居住建筑斑块分成2类,分类阈值为 6.2人/100 m2（表2）。
Tab. 2 Classification of residential building patches in different modeling areas

表2 第一建模区、第二建模区居住建筑斑块分类情况

建模区
名称		 居住建筑斑块分类 分类后名称
第一建
模区		 A≥6.2人/100 m2 和 B≥6.2人/100 m2 高人口密度斑块
A≥4人/100 m2 和 B≥4人/100 m2并去掉高人口密度斑块 中人口密度斑块
高、中人口密度斑块之外的剩余斑块 低人口密度斑块
第二建
模区		 A≥6.2人/100 m2 和 B≥6.2人/100 m2 高人口密度斑块
高人口密度斑块之外的剩余斑块 低人口密度斑块

注：A为中小学及幼儿园的线性拟合方程计算的人口密度拟合值;B为菜市场及水果店的线性拟合方程计算的人口密度拟合值

3.3 人口数据空间化模型建立

本文以社区作为人口数据空间化转换尺度,汇总每个社区高、中、低人口密度斑块的总面积,与各社区的常住人口数量进行线性回归分析。采用逐步回归方法分别对第一建模区的10个社区、第二建模区的3个社区进行建模,根据“无土地则无人口”的原则[30],即无居住建筑则无人口,建模时常数项 b 应设为0,最终确定第一建模区、第二建模区的人口数据空间化模型：
第一建模区：
P i = 0.18 × ∑ S iH + 0.165 × ∑ S iM + 0.038 × ∑ S iL （3）
第二建模区：
P i = 0.145 × ∑ S iH + 0.039 × ∑ S iL （4）
式中： P i 为社区 i 的常住人口; ∑ S iH 、 ∑ S iM 、 ∑ S iL 分别为社区 i 的高、中、低人口密度斑块的总面积。

3.4 模型显著性检验

在模型建立过程中,人口数量与不同类别（高、中、低人口密度）居住建筑斑块面积之间的关系只是被假设为线性关系,必须对模型进行假设检验,来说明所采用的线性模型具有统计学意义。
表3展示了模型的显著性检验结果,模型显著性水平均小于0.05,表明第一建模区、第二建模区的模型均具有统计学意义,能够用于表达人口数量与不同类别居住建筑斑块面积之间的线性关系。因此,可以用该模型来获取研究区的人口空间数据。
Tab. 3 Significance test of models of different modeling areas

表3 第一建模区、第二建模区模型的显著性检验分析表

模型名称 变差来源 平方和 自由度 均方 F统计量 显著性水平(Sig.)
第一建模区模型 回归 1.140E+09 3 3.801E+08 107.132 0.000
残差 2.483E+07 7 3.548E+06 - -
总离差 1.165E+09 10 - - -
第二建模区模型 回归 5.028E+07 2 2.514E+07 359.586 0.037
残差 6.991E+04 1 6.991E+04 - -
总离差 5.035E+07 3 - - -
图5为根据第一建模区模型、第二建模区模型生成的宣州城区居住建筑尺度的人口空间数据,揭示了研究区人口空间分布差异。
Fig. 5 Population distribution map at the residential building scale for urban area of Xuanzhou District in 2015

图5 2015年宣州城区居住建筑尺度人口空间分布图

4 精度验证及误差分析

4.1 精度验证

本文分别从居住建筑尺度和社区尺度2方面进行模型精度验证。
（1）居住建筑尺度精度验证
利用式（3）、（4）计算每一个居住建筑斑块的估算人数,同该斑块内人数参考真值进行比较,人数参考真值等于每套房屋的平均人数（本文采用2~3人）乘以斑块内房屋套数：人数低估区,以每套房屋2人乘以套数作为参考真值下限;人数高估区,以每套房屋3人乘以套数作为参考真值上限[2]。采用式（5）可对比分析模型估算人数与参考真值的相对误差情况。
E ij = P ' ij ( 2 × T ij ) - 1 , P ' ij < 2 × T ij 低估区 0 , 2 × T ij ≤ P ' ij ≤ 3 × T ij 合理区 P ' ij ( 3 × T ij ) - 1 , P ' ij > 3 × T ij 高估区 （5）
式中： E ij 、 P ' ij 、 T ij 分别为社区 i 斑块 j 的相对误差、模型估算人数和房屋套数。
本文从2050个居住建筑斑块中,随机选取了779个斑块,对比分析模型估算人数相对误差。图6显示,相对误差范围在-20%~20%的斑块个数比例之和为61.2%,其中,居住建筑斑块估算人数在合理区内的斑块个数为276,所占比例35.4%;相对误差较大的斑块个数比例普遍低于5%。表明该人口数据空间化模型精度较高。
Fig. 6 The proportion of the number of patches within the relative error range of the estimated population

图6 估算人数相对误差范围内斑块个数比重

（2）社区尺度精度验证
选取未参与建模的城东社区、思佳社区进行精度验证,鉴于2个社区属于人口数量较大的情况,与第一建模区社区情况相似,所以将2个社区不同类别居住建筑斑块的总面积,代入式（3）,获取2个社区的估算人数,与其实际人数进行对比,相对误差绝对值分别为8.6%、7.6%。表明该人口数据空间化模型精度较高。

4.2 误差分析

排除回归模型中随机误差的影响,人数估算误差主要来源于2个方面：① 居住建筑斑块分类错误引起的误差;② 居住建筑轮廓遥感影像矢量化误差引起的误差。通过对误差分析可知,引入城市公共设施要素的人口数据空间化方法,对中高层居住建筑人数的估算精度偏低。
4.2.1 居住建筑斑块分类错误引起的误差
以图7（a)中低估区居住建筑斑块为例进行说明。共有40个人数低估区斑块,其相对误差平均值为-60.2%,是整个研究区低估误差最大的斑块群,对其进行人数低估的原因分析具有代表性。
Fig. 7 Spatial distribution map of the relative error of the estimated number of people

图7 估算人数相对误差空间分布图

图7(a)中可见的居住建筑斑块共有116个,其信息统计见表4。通过基于城市公共设施要素对居住建筑斑块进行分类（见3.2节）,将位于中小学及幼儿园的600~1000 m缓冲区内的40个低估区斑块,分在低人口密度斑块类别中;将位于150 ~600 m缓冲区内的46个高估区斑块、30个合理区斑块,分在中人口密度斑块类别中。在中人口密度斑块类别中,不但包括30个合理区斑块,而且46个高估区斑块的相对误差平均值为19.2%,远小于60.2%,说明将斑块分在中人口密度斑块类别中,人数估算精度要高。40个低估区斑块被分在低人口密度斑块类别中,导致估算人数偏低。
Tab. 4 Information statistics of residential building patches in sample area

表4 示例区内的居住建筑斑块的信息统计

误差类别 斑块个数 斑块个数比重/% 相对误差平均值/% 居住建筑斑块类别 斑块内建筑物层数/层
低估区 40 34.5 -60.2 低人口密度斑块 6
高估区 46 39.6 19.2 中人口密度斑块 6
合理区 30 25.9 0 中人口密度斑块 6
从居住建筑斑块数据可知,116个斑块内的建筑物层数为6层,表明每个斑块的居住人口密度相似,如果基于人口密度值对这116个斑块进行分类,理应分成一类。因此,将其中40个斑块分在低人口密度斑块类别中,产生了分类错误情况。对该情况进行分析,经调研,该116个居住建筑均位于新建住宅小区,并且只有东南角有中小学及幼儿园要素,该小区配套设施尚在完善之中。基于本文的居住建筑斑块分类原理可知,如果在小区西北角有中小学及幼儿园要素,居住建筑斑块分类结果将趋于准确,低估区斑块的估算人数误差将会显著降低。综上,部分区域的城市公共设施要素欠缺,会导致居住建筑斑块分类错误,最终影响人数估算精度。
4.2.2 居住建筑轮廓遥感影像矢量化误差引起的误差
以图7(b)中高估区居住建筑斑块为例进行说明。共有58个人数高估区斑块,其相对误差平均值为51.6%,是整个研究区高估误差最大的斑块群,对其进行人数高估的原因分析具有代表性。
从居住建筑斑块数据库可知这58个斑块的建筑面积,以此作为参考真值,并与Quick Bird遥感影像矢量化提取的这58个居住建筑斑块面积相比,发现矢量化提取的面积较参考真值平均偏大约13%,导致人数高估。
从居住建筑斑块数据可知,58个斑块内的建筑物层数为5~6层,表明每个斑块的居住人口密度相似,如果基于人口密度值对这58个斑块进行分类,理应分成一类。通过基于城市公共设施要素对居住建筑斑块进行分类（见3.2节）,将位于中小学及幼儿园的200 ~650 m缓冲区内的58个高估区斑块,都分在高、中人口密度斑块类别中,由式（3）可知,2个类别的人口密度分别为18、16.5人/100m2斑块,相差很小,基本上可认为是同一类,这与实际情况相符,可以排除斑块分类错误引起的误差。综上,Quick Bird遥感影像矢量化提取的居住建筑斑块面积偏大,会导致人数高估。
4.2.3 模型对中高层居住建筑人数的估算精度偏低
本文选取的779个估算人数验证斑块中,估算人数在合理区内的斑块个数为276,其中92.8%的斑块,其建筑物层数为5~6层,表明模型对5~6层居住建筑人数的估算精度较高。估算人数在低估区内的斑块个数为200,其中62.5%的斑块,其建筑物层数为9~33层,平均层数为12层,相对误差平均值为-34.4%,表明模型对中高层（9~33）居住建筑人数的估算精度较低。
以图7(c)中低估区居住建筑斑块为例进行说明。共有28个人数低估区斑块,其建筑物层数为9~18层,平均层数为14层,相对误差平均值为-36.8%。各项指标与200个低估区斑块相似,因此对其进行中高层居住建筑人数低估的原因分析具有代表性。
这28个低估区斑块位于中小学及幼儿园的 50 ~400 m缓冲区内,通过基于城市公共设施要素对居住建筑斑块进行分类（见3.2节）,将其分在高人口密度斑块类别中。因其层数较高（平均14层）,单位面积上的人口密度理应较大,本研究将其分在高人口密度斑块类别是合理的。同时,将28个斑块的矢量化提取的面积与参考真值相比,发现平均偏差低于10%,矢量化精度较高。综上,居住建筑斑块分类错误、居住建筑矢量化误差不是中高层居住建筑人数低估的主要原因。
分析可知,城市公共设施要素对中高层居住建筑人口分布的指示效果欠佳。通常情况下,居住建筑层数越多,楼间距越大,可以引入居住建筑间距作为中高层居住建筑人口分布的指示性因素。由于基础数据的难获取性,本文只考虑了城市公共设施要素的点位,其实城市公共设施要素的规模,如用教师或学生数量表征的中小学及幼儿园的规模,也是城市区域人口分布的指示性因素。综上,引入城市公共设施要素的人口空间化模型,对中高层居住建筑人数的估算精度偏低。

5 结论

本文以安徽宣州15个社区为研究区,基于城市公共设施要素点位数据,以多级缓冲区为媒介构建其指示人口空间分布的定量关系,对居住建筑斑块进行分类,建立各类别斑块面积与人口数量的多元回归模型,实现居住建筑尺度的人口空间化,揭示了研究区人口分布差异。主要结论如下：
（1） 提出了一种引入城市公共设施要素来实现居住建筑尺度上的人口空间化方法,是对城市公共设施要素使用方法的新尝试。利用城市公共设施要素对居住建筑斑块进行分类,避免了直接构建城市公共设施要素与人口数量之间的关系所需要的复杂分析和多因素融合处理。该方法精度较高,结果可信。779个居住建筑斑块中,估算人数在合理区内的斑块个数占比为35.4%,相对误差在-20%~20%范围内的斑块个数比例之和为61.2%;城东社区、思佳社区人数估算的相对误差绝对值低于9%。
（2） 城市公共设施要素数据,尤其是中小学及幼儿园、菜市场及水果店,是本研究区人口分布的指示性因素,其对多层居住建筑人数的估算精度较高,对中高层居住建筑人数的估算精度偏低。居住建筑斑块分类错误,居住建筑轮廓遥感影像矢量化误差是导致人数估算误差的主要原因。
（3） 由于基础数据的难获取性,只考虑了城市公共设施要素点位对人口分布的影响,这是本研究的不足之处,其实城市公共设施要素的规模,如用教师或学生数量表征的中小学及幼儿园的规模,也是人口空间分布的指示性因素。后续研究,将收集城市公共设施要素的规模数据,以期提高城区居住建筑尺度人口数据空间化精度。

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]
柏中强,王卷乐,杨雅萍,等.基于乡镇尺度的中国25省区人口分布特征及影响因素[J].地理学报,2015,70(8):1229-1242.人口空间分布具有典型的尺度特征，精细尺度的人口分布是当前人口地理学研究的热点和难点。乡镇（街道）是中国人口普查数据公开发布的最小行政单元，乡镇级人口密度计算及其分布特征研究能够更客观、精细地刻画中国人121分布的空间格局和态势，为促进中国人口的合理优化布局提供科学依据和决策支持。本文收集处理了2000年中国25个省（直辖市、自治区）的乡镇（街道）级行政边界数据，基于第五次人口普查乡镇（街道）人口统计数据，计算了乡镇级平均人口密度。采用Lorenz曲线、空间分析及样带分析的方法，分析了研究区乡镇（街道）人口分布的疏密结构、空间集聚性、纬向和经向规律。利用相关分析和逐步回归分析，分省探究了地形起伏度、水网密度、路网密度及社会经济发展水平（利用夜间灯光指数表征）等4个因素对于乡镇级人口分布的影响。研究表明：①乡镇级平均人121密度能够有效区分出县域内部的人口密度高低差异，整体不均衡性高于基于县级平均人IZl密度的研究结果；②乡镇（街道）人口分布总体规律是西北稀疏东南密集，同时，东南密中有疏，西北疏中有密；③乡镇（街道）人口分布的经纬向规律变异较大，既受中国三级阶梯地貌大势的影响，也受局部微地形及区域中心城市的影响，并和海岸线、交通枢纽及大江大河的分布具有一定的空间耦合性。④乡镇级平均人口密度与地形起伏度、水网密度、路网密度及夜间灯光指数等显著相关，省级平均相关系数分别为-0．56、0．28、0．61、O．69。⑤在乡镇尺度上，地形条件及区域发展水平对辽、吉、京、津、沪、冀、豫、陕、晋、鲁、皖、苏、湘、鄂、赣、浙、闽、粤、琼等省份的人口分布具有较强的决定作用。⑥对于藏、青、蒙、滇、黔等5省或自治区17

DOI

[ Bai Z Q, Wang J L, Yang Y P, et al.Characterizing spatial patterns of population distribution at township level across the 25 provinces in China[J]. Acta Geographica Sinica, 2015,70(8):1229-1242. ]

[2]
董南,杨小唤,蔡红艳.基于居住空间属性的人口数据空间化方法研究[J].地理科学进展,2016,35(11):1317-1328.精细尺度的人口分布是当前人口地理学研究的热点和难点,在灾害评估、资源配置、智慧城市建设等方面应用广泛。居住建筑物尺度作为精细尺度的重要内容,其人口数据空间化日益引起学术界的关注。本文以居住建筑斑块面积、斑块内建筑面积比重、建筑物层数、公摊率等居住空间属性为人口分布数量的指示因子,以居住建筑的轮廓斑块为人口分布位置的指示因子,利用街道界线和街道常住人口数据为控制单元,建立线性模型,获得了2015年宣城市宣州区6个街道的居住建筑物尺度的人口分布矢量数据,刻画了城市市区人口空间分布的细节信息。结果表明：（1）以居住空间属性作为人口空间分布的指示因子,获取的人口空间数据精度高,结果可信。29个社区（村）估算人数的相对误差绝对值的平均值低于7%,其中25个社区（村）的相对误差绝对值低于10%。在1102个居住建筑斑块中,估算人数在合理区内的斑块个数占比高于74%,轻微低估区（-10%,0）和轻微高估区（0,10%）的斑块总数占比高于9%;（2）由斑块面积和建筑物层数共同表征的建筑物体积,是建筑物尺度上影响人口空间分布的关键因素;斑块内建筑面积比重属性能进一步提高模型精度;公摊率属性具有＂降高升低＂作用,但将估算人数调节到合理区的＂能力＂较弱。

DOI

[ Dong N, Yang X H, Cai H Y.A method for demographic data spatialization based on residential space attributes[J]. Progress in Geography, 2016,35(11):1317-1328. ]

[3]
卓莉,黄信锐,陶海燕,等.基于多智能体模型与建筑物信息的高空间分辨率人口分布模拟[J].地理研究,2014,33(3):520-531.

[ Zhou L, Huang X R, Tao H Y, et al.High spatial resolution population distribution simulation based on building information and multi-agent[J]. Geographical Research, 2014,33(3):520-531. ]

[4]
Jia P, Gaughan A E.Dasymetric modeling: A hybrid approach using land cover and tax parcel data for mapping population in Alachua County, Florida[J]. Applied Geography, 2016,66:100-108.61An approach to integrating land cover with parcel data for population modeling.61Producing the enhanced HGPS, named E-HGPS (~30 m) in Alachua, Florida.61Exploring underlying factors correlated with the error of population estimation.61Consideration of the E-HGPS for use in practical applications (e.g. health access)

DOI

[5]
符海月,李满春,赵军,等.人口数据格网化模型研究进展综述[J].人文地理,2006,21(3):115-119.人口数据格网化是目前人口空间分布研究的热点。本文对国内外人口数据格网化模型研究进行总结,重点剖析几种主要的人口数据格网化模型。研究表明:人口数据格网化模型从单纯的、静态的格网化方法,逐步向自然、经济社会因素综合影响下的空间模型过渡,朝着动态模型方向发展;随着格网化数据应用领域的不断拓展,以不同级别格网为基本统计单元的人口数据生产将是人口数据获取的一个重要发展趋势。

DOI

[ Fu H Y, Li M C, Zhao J, et al.Summary of grid transformation models of population data[J]. Human Geography, 2006,21(3):115-119. ]

[6]
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,2010,5(4):10-16.人口统计数据空间化是人口信息与其他资源环境、社会经济等信息进行空间集成的基础.本研究对国内外人口统计数据空间化研究进行总结,归纳了水热条件、地形地貌、土地利用、交通廊道、夜间灯光等不同建模参考因素对人口空间分布的影响,并分析比较了10个主要的人口统计数据空间化模型,进而对当前人口统计数据空间化研究中存在的问题做了总结,并讨论未来的研究方向.综述认为人口统计数据空间化的研究将向数据获取多源化、建模因素综合化、模拟格网精细化、模型应用实用化等方向发展;目前需要改进的问题包括:1)统一的人口数据统计标准;2)人口结构特性相关的空间化,特别是流动人口的空间分布特征识别;3)城市街区尺度的空间化方法研究;4)多源数据与人口动态信息综合中的时相匹配;5)统一的空间化指标量化方法;6)模型参数优化与精度验证方法完善.

DOI

[ Lin L J, Lin G F, Yan X X, et al.Spatialization models of census data: A review[J]. Journal of Subtropical Resources and Environment, 2010,5(4):10-16. ]

[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.人口数据空间化研究旨在发掘和展现人口统计数据中隐含的空间信息，并以地理格网或其他区域划分的形式再现客观世界的人口分布，具有重要的科学意义。人口空间分布数据有助于从不同地理尺度和地理维度对人口统计数据形成有益补充，其应用广泛，相关研究方兴未艾。主要从以下3 个方面对人口数据空间化研究进行综述：① 主要空间化方法的原理及其适用性；② 空间化中用到的建模参考因素，并结合具体应用案例分析其作用机理；③ 典型人口空间化数据集。在此基础上，分析了现阶段人口数据空间化所运用的输入数据的质量和详细程度、尺度效应及时空分辨率、长时间序列数据集和精度检验等方面存在的问题；并探讨了人口数据空间化未来的研究方向。

DOI

[ Bai Z Q, Wang J L, Yang F.Research progress in spatialization of population data[J]. Progress in Geography, 2013,32(11):1692-1702. ]

[8]
董南,杨小唤,蔡红艳.人口数据空间化研究进展[J].地球信息科学学报,2016,18(10):1295-1304.人口数据空间化旨在揭示人口在地理空间上的分布位置及数量信息,展现人口统计数据的地理学含义,其研究已经成为人口学、地理学、GIS领域的研究热点。人口空间数据库在各级政府部门的规划和决策、灾害评估、资源配置等方面,具有重要的应用价值和科学意义。经过近30年的发展,人口数据空间化研究水平逐渐成熟,模型丰富多样,已获得众多成果。为把握人口空间化研究的研究现状,本文首先依据研究目的、建模思想及模型原理的异同,从3个方面对人口空间化研究进行梳理：（1）格网大小（尺度）的确定;（2）3种常用建模思想及6类主要模型的对比分析;（3）提高人口空间化精度的措施及其应用背景、优点。在此基础上,依据现阶段人口数据空间化的研究内容,从格网尺度适宜性研究、高时空分辨率人口空间分布模拟、引入新型数据源及多思想多模型综合应用等方面探讨了人口数据空间化的研究方向。

DOI

[ Dong N, Yang X H, Cai H Y.Research progress and perspective on the spatialization of population data[J]. Journal of Geo-Information Science, 2016,18(10):1295-1304. ]

[9]
田永中,陈述彭,岳天祥,等.基于土地利用的中国人口密度模拟[J].地理学报,2004,59(2):283-292.P×V/ V + P×V/ V. Linear weighted model is used to calculate rural population indices. It firstly picks out the indicators for the model which are correlated positively and remarkably with the population of counties in each of the 12 ecological regions, then stepwise regression is introduced to calculate the indices; and finally the weighted coefficients of various indices are determined in combination with the productivity of land and the relations between habitation and variant land. For the urban population indices, a power exponential model based on the scale of town and the distance from the center of town, rooted in distance decay function, is built as V = A×lnA×exp(-1.9874ri-0.6). The outcome of the simulation shows that 94.58% of the population inhabit in the southeast of Hu Huanyong population line, and its density is 21 times as that of the northwest. In the east, population is centralized in four regions and one zone. They are Huang-Huai-Hai plain, Sichuan basin, plains of the middle and lower Yangtze River, Northeast China plain and the zone of 100 km from coast. Moreover, a "points-axis" pattern of population distribution is discovered on the southeast coast. Because this paper has fully recognized the relation between land use and the population distribution, the outcome of the simulation proves to be highly credible. Compared with other models, this method is more efficient.

DOI

[ Tian Y Z, Chen S P, Yue T X, et al.Simulation of Chinese population density based on land use[J]. Acta Geographica Sinica, 2004,59(2):283-292. ]

[10]
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.人口密度网格化比人口密度行政单元化更接近人口的实际分布,而且是实现人口数据与其他社会经济统计数据、资源数据、环境数据复合,提高人口、资源、环境综合管理能力的重要途径之一。选用专门针对亚洲地区开发的DMSP/OLS非辐射定标夜间灯光平均强度遥感数据模拟了中国的人口密度:基于灯光强度信息模拟了灯光区内部的人口密度,基于人口—距离衰减规律和电场叠加理论模拟了灯光区外部的人口密度,是应用DMSP/OLS夜间灯光数据模拟人口密度研究的拓展和深入,研究结果与其他研究基本一致,但所需数据量较少,更适合于大尺度人口密度的快速估算,为决策提供参考依据。结果表明,DMSP/OLS夜间灯光强度数据具有实现人口以及其

DOI

[ Zhuo L, Chen J, Shi P J, et al.Modeling population density of China in 1998 based on DMSP/OLS nighttime light image[J]. Acta Geographica Sinica, 2005,60(2):266-276. ]

[11]
闫庆武,卞正富,张萍,等.基于居民点密度的人口密度空间化[J].地理与地理信息科学,2011,27(5):95-98.提出了一种基于居民点密度的人口密度空间化方法.以江苏省人口数 据空间化为例,在采用核密度估计法得到江苏省镇(乡、街道)居民点密度后,运用基于居民点密度的人口密度空间化计算公式获得江苏省1 000 m×1 000 m的人口密度格网图,结果表明:江苏省人口分布的热点地区正是在建的三大都市圈(苏锡常都市圈、南京都市圈和徐州都市圈),其中苏锡常都市圈的人口分布呈 现各向异性,而南京和徐州都市圈的人口分布则表现为各向同性；人口密度不仅取决于居民点密度,还与平均每个居民点的人口数密切相关,居民点密度大的区域的 人口密度不一定大,居民点密度小的区域的人口密度也不一定小.

[ Yan Q W, Bian Z F, Zhang P, et al.Census spatialization based on settlements density[J]. Geography and Geo-information Science, 2011,27(5):95-98. ]

[12]
Mennis J.Generating surface models of population using dasymetric mapping[J]. The Professional Geographer, 2003,55(1):31-42.Aggregated demographic datasets are associated with analytical and cartographic problems due to the arbitrary nature of areal unit partitioning. This article describes a methodology for generating a surface-based representation of population that mitigates these problems. This methodology uses dasymetric mapping and incorporates areal weighting and empirical sampling techniques to assess the relationship between categorical ancillary data and population distribution. As a demonstration, a 100-meter-resolution population surface is generated from U.S. Census block group data for the southeast Pennsylvania region. Remote-sensing-derived urban land-cover data serve as ancillary data in the dasymetric mapping.

DOI

[13]
廖顺宝,孙九林.基于GIS的青藏高原人口统计数据空间化[J].地理学报,2003,58(1):25-33.根据2000年第5次全国人口普查数据分析,西藏、青海2省区各市县平均人口密度与海拔高度、土地利用、主要道路有较强的相关关系,河流水系对居民点分布的影响较为明显,而居民点是人口分布的重要指示因子.以GIS软件为工具,通过较为客观的方式赋予各影响因子人口分布影响权重,运用多源数据融合技术进行了人口统计数据的空间化.结果显示,通过数据融合产生的人口密度与各市县实际人口密度的相关系数大于0.80,与试验区各乡镇的实际人口密度的相关系数大于 0.75.最终生成的栅格人口密度数据既与各市县统计型人口数据保持一致,又反映了各市县内部人口分布的空间变化.

DOI

[ Liao S B, Sun J L.GIS based spatialization of population census data in Qinghai-Tibet Plateau[J]. Acta Geographica Sinica, 2003,58(1):25-33. ]

[14]
Yue T X, Wang Y A, Chen S P, et al.Numerical simulation of population distribution in China[J]. Population and Environment, 2003,25(2):141-163.A model for simulating population distribution (MSPD) of China is developed based on the grid generation method and the Control of MapObjects of geographical information system. Elevation, net primary productivity, land use and land cover, city sizes and their spatial distribution, and spatial distribution of transport infrastructures are taken into full account in the MSPD. The result from the MSPD shows that in 2000, 90.8% of the total population of China distributed on the southeastern side of the Heihe-Tengchong line. The ratio of population on the northwestern side to total population of China has been increasing since 1935. The yearly growth rate was 0.8% from 1935 to 1990 and 6.1% from 1990 to 2000. One important advantage of the MSPD is that when scenarios of land cover, spatial distributions of transport infrastructures and cities are available, scenarios of spatial population distribution can be developed on the basis of total population forecast.

DOI

[15]
Su M, Lin M, Hsieh H, et al.Multi-layer multi-class dasymetric mapping to estimate population distribution[J]. Science of the Total Environment, 2010,408(20):4807-4816.The spatial patterns of population distribution are very important information for most regional planning and management decisions. But the socioeconomic data are usually published in areal aggregated format due to privacy concerns. Although choropleth maps are used extensively to display spatial distributions of these areal aggregated data, patterns may be distorted due to assumptions of homogeneous distributions and the modifiable areal unit problem. Most human activity, including population distribution, is spatially heterogeneous due to variations in topography and regional development. A multi-layer multi-class dasymetric (MLMCD) framework was proposed in this study to better redistribute the regionally aggregated population statistics into smaller areal units and reveal more realistic spatial population distribution pattern. The Taipei metropolitan area in Taiwan was used as a case study area to demonstrate the disaggregation ability of the proposed framework and the improvements to the traditional binary or multi-class dasymetric method. Assorted data, including remote sensing images, land use zoning, topography, transportation and accessibility to facilities were introduced in different layers to improve the redistribution of aggregated regional population data. The concept of multi-layer multi-class dasymetric modeling is both useful and flexible. Different levels of accuracy in this population redistribution process can be achieved depending on data and budget availabilities and the needs for different data usage purposes.

DOI PMID

[16]
Krunić N, Bajat B, Kilibarda M.Dasymetric mapping of population distribution in Serbia based on soil sealing degrees layer[J]. Surface Models for Geosciences, 2015:137-149.

[17]
康停军,张新长,赵元,等.基于GIS和多智能体的城市人口分布模拟[J].中山大学学报·自然科学版,2012,51(3):135-142.传统的城市人口空间分布方法仅能在数量上达到较高的模拟精度,但 是不能对城市人口分布表现的居住分异特性进行描述.针对常用的城市人口空间分布模拟方法的不足,构建了基于多智能体的城市人口分布模拟模型,模型由影响要 素、智能体、决策规则等组成.居住用地划分为均匀的居住元胞,初始状态下,每个居住元胞分布相同数量的智能体(家庭为单位),智能体在各自居住压力作用下 做出是否迁居的决策,如果迁居则选择合适的居住元胞,通过智能体的不断决策、协商、迁居模拟城市人口分布的变化.实验结果表明,相对于传统的重力模型,本 文模型所模拟的结果不仅具有较高的精度,而且模拟的城市居住分异现象与现实居住格局相符合,为城市人口分布模拟提供了新的思路.

[ Kang T J, Zhang X C, Zhao Y, et al.Simulation for urban population distribution based on GIS and multi-agent[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2012,51(3):135-142. ]

[18]
Dong P L, Ramesh S, Nepalia A.Evaluation of small-area population estimation using LiDAR, Landsat TM and parcel data[J]. International Journal of Remote Sensing, 2010,31(21):5571-5586.This paper presents methods and results of small-area population estimation using a combined Light Detection And Ranging (LiDAR), Landsat Thematic Mapper (TM) and parcel dataset for a study area in Denton, Texas, USA. A normalized digital surface model (nDSM) was created from a digital surface model (DSM) and a digital elevation model (DEM) built from LiDAR point data. Residential and commercial parcels were selected from parcel data and used as a mask to remove non-residential and non-commercial pixels from the nDSM. Classification results of residential areas from Landsat TM images acquired on two dates were used to further refine the nDSM. Using continuous and random census blocks as samples, building count, building area and building volume were calculated from the nDSM through mathematical morphological operations, zonal statistics, data conversion and spatial joining in a geographic information system (GIS). Combined with census 2000 data, a total of 10 ordinary least squares (OLS) regression models and geographically weighted regression (GWR) models were built and applied to the census blocks in the study area. Finally, accuracy assessments were carried out. The results show that the sign and magnitude of the relative estimation errors at the census-block level lead to underestimation of the total population in the study area. Possible reasons for the relatively low accuracies and problems for further investigation are also discussed.

DOI

[19]
Silván-Cárdenas J L, Wang L, Rogerson P, et al. Assessing fine-spatial-resolution remote sensing for small-area population estimation[J]. International Journal of Remote Sensing, 2010,31(21):5605-5634.Small-area population estimation is an important task that has received considerable attention from the remote-sensing community in the past four decades. The wealth of related studies reveals that the notion of living space had been considered a key linkage between population and remote-sensing measurements. Unfortunately, a formal definition for this important variable has proved difficult, due, in part, to the relatively coarse spatial resolution of the remote-sensing data used for population estimation. The advent of airborne Light Detection And Ranging (LiDAR) sensors for measuring elevation at fine spatial resolutions has provided new opportunities for considering the three-dimensional nature of living space in urban environments and for improving small-area population estimations. In this study, we assess the potential of fine-spatial-resolution LiDAR measurements (1 m) coupled with automated techniques for building extraction and land-use classification. The study seeks to provide an answer to the question: what level of information extracted from fine-spatial-resolution LiDAR and aerial photographs can be realistically translated into improved small-area population estimation? This question is addressed through a comparative study of up to seven linear models with building count, building area and/or building volume as explanatory variables at one of two land-use levels: single-family dwelling, multi-family dwelling and other types, versus residential and other types. Results show that, while building volume fits more naturally the population figures, it also represents the most challenging variable to measure by automated means. Because of this, a simple model expressed in terms of residential-building counts results in more reliable population estimates.

DOI

[20]
Patel N N, Stevens F R, Huang Z, et al.Improving large area population mapping using geotweet densities[J]. Transactions in GIS, 2016,20(3):1-15.Abstract Navigation is a task performed in both large and small scale environments. Landmarks within an environment are of great benefit to these navigational tasks, but in large rural environments such landmarks may be sparse. It has been shown that landmarks need not be purely visual and that a change in context for a feature can make it become a landmark against its surroundings (such as being provided with significant meaning). Such meaning could be added through personal experience or by informing the observer via some form of communication. To investigate the effects of providing such contextual information on navigational performance, experiments were conducted in a large rural virtual environment where the delivery method of the information was varied between onscreen and PDA display. Users were instructed to perform a route tracing navigation task. In some instances users were presented with textual information about specific locations within the environment which appeared when they were in the vicinity of the location. Both quantitative and qualitative data were collected and analyzed, with results indicating that although the actual performance in the task was not significantly improved, users felt that their performance was better and the task easier when they were presented with the contextual information.

DOI

[21]
毛夏,徐蓉蓉,李新硕,等.深圳市人口分布的细网格动态特征[J].地理学报,2010,65(4):443-453.深圳是中国人口密度最高的城市,为应急处置自然灾害等突发事件,需要实时获取高分辨率的人口动态分布信息。本文利用＂基于移动基站的人口分布动态监测系统＂提供的时间分辨率1 h,空间分辨率1 km的人口密度信息,分析了深圳市人口细网格动态特征。深圳城市移动用户总人口是1082.59万人,平均人口密度5545人/km2,最高16.5万人/km2,超过5.0万人/km2高密度人口主要分布在商业中心、海关口岸、火车站和居民集中居住区。最高人口密度的数值与选择的网格尺度有关,1000 km2网格和1 km2网格之间可以相差18倍。在深圳50%的人口聚集在10%的空间范围内,60%的人口分布在海拔高度50～100 m的土地上;网格上的建筑密度、道路密度与人口密度线性相关,建筑密度增加1%,对应人口增加约1000人,道路密度增加0.01%,人口增加约2000人。城市总人口在一定时期内是相对固定,变化幅度在4%以内,逐日之间变幅在1%左右。深圳是个典型的移民城市,春节期间由于大量人口返乡或外出旅游,总人口净减少48%。本文选择9个典型网格分析人口日变化规律：海关口岸属于早高峰型,大量的出境、出行、出游人员在早晨8时前后集中;城镇集市区属于午高峰型;商业中心区属于晚高峰型,高峰前后每小时的净流入 （出） 人员可达2万人;居民区属于午低谷型,周末与周日相比各时段人口均偏多;政府行政办公和公共服务区,周末比周日人口明显减少,春节期间减幅75%;工厂区因错峰用电,夜间4时形成人口高峰;郊野公园春节期间人数不减反增;偏僻乡镇人口日变化振幅很小;农业区在上午9时形成人口低谷,与日出而作的传统习惯相对应。

DOI

[ Mao X, Xu R R, Li X S, et al.Fine grid dynamic features of population distribution in Shenzhen[J]. Acta Geographica Sinica, 2010,65(4):443-453. ]

[22]
Kang C G, Liu Y, Ma X J, et al.Towards estimating urban population distributions from mobile call data[J]. Journal of Urban Technology, 2012,19(4):3-21.Today, large-volume mobile phone call datasets are widely applied to investigate the spatio-temporal characteristics of human urban activity. This paper discusses several fundamental issues in estimating population distributions based on mobile call data. By adopting an individual-based call activity dataset that consists of nearly two million mobile subscribers who made over one hundred million communications over seven consecutive days, we explore the relationships among the Erlang values, the number of calls, and the number of active mobile subscribers. Then, the LandScan population density dataset is introduced to evaluate the process of estimating the population. The empirical findings indicate that: (1) Temporal variation exists in the relation between the Erlang values and the number of calls; (2) The number of calls is linearly proportional to the number of active mobile subscribers; (3) The proportion between the mobile subscribers and the actual total population varies in different areas, thus failing to represent the underlying population. Hence, the call activity reflects ctivity intensity rather than population distribution. The Erlang is a defective indicator of population distribution, whereas the number of calls serves as a better measure. This research provides an explicit clarification with respect to using call activity data for estimating population distribution.

DOI

[23]
胡焕庸. 论中国人口之分布[M].北京:科学出版社,1983.

[ Hu H Y.Distribution of China's population[M]. Beijing: Science Press,1983. ]

[24]
张善余. 中国人口地理[M].上海:华东师范大学出版社,1997.

[ Zhang S Y.Population geography of China[M]. Shanghai: East China Normal University Press,1997. ]

[25]
何莲娜. 基于城市布局要素的人口数据空间化研究[J].测绘科学,2011,36(1):38-41.人口信息只有通过基础地理空间信息这座桥梁实现空间分布化以后，才能与其他社会经济信息融合贯通，更准确地反演客观现实的过去、模拟现在和预测未来。本文通过建立包括建筑条件、交通条件、公共服务设施条件、就业条件、环境条件、限制条件等内容的城市空间布局要素因子库，并对各因子与人均住宅建筑面积的相关性进行分析，以其归一化相关系数作为定量分析的权重系数，最终实现北京市现状人口以居住用地为单元的空间分布，是研究人口空间单元分布规律和实现现状人口空间化分布的一种尝试。

[ He L N.A discussion of population spatial distribution based on urban layout parameter[J]. Science of Surveying and Mapping, 2011,36(1):38-41. ]

[26]
康停军,张新长,赵元,等.基于多智能体的城市人口分布模型[J].地理科学,2012,32(7):790-797.人口是城市发展中最为活跃的因素,快速增长的人口给城市安全、经济和生态环境带来了深远的影响,获取不同尺度的高精度人口空间分布信息对于城市安全管理、提高资源环境的综合管理能力具有非常重要的意义。针对常用的城市人口空间分布模拟方法存在的不足,构建了基于多智能体的城市人口分布模型,模型由影响要素、智能体、决策规则等组成。在两个不同尺度区域进行了模型应用实验,并以重力模型进行了对比分析。实验结果表明,与重力模型相比,此模型所模拟的结果具有更高的精度,且接近于实际的人口空间分布,为城市人口分布模拟提供了新的思路。

[ Kang T J, Zhang X C, Zhao Y, et al.Agent-based urban population distribution model[J]. Scientia Geographica Sinica, 2012,32(7):790-797. ]

[27]
王珂靖,蔡红艳,杨小唤,等.基于城镇居民用地再分类的人口数据空间化方法研究——以长江中游4省为例[J].遥感技术与应用,2015,30(5):987-995.基于土地利用数据的人口统计数据空间化方法,在处理过程中会出现同一土地利用类型下人口难以细分的情况,从而影响人口空间数据精度。引入夜间灯光信息并提出了一种基于夜间灯光强度对城镇居民地再分类的人口空间化方法,以改善人口空间数据精度。基于DMSP/OLS夜间灯光及土地利用数据,以长江中游4省为研究区进行方法试验。研究结果显示:利用夜间灯光数据对城镇居民地再分类后,各分区模型的调整R<sup>2</sup>都提高到了0.8以上,人口空间数据总体平均相对误差较重分类前降低了12.32%。说明该方法在提高传统人口数据空间化模型精度的基础上能够细化城镇居民地人口空间分布。

DOI

[ Wang K J, Cai H Y, Yang X H, et al.Spatialization method for census data based on reclassifying residential land use in urban areas-A case study in the middle reaches of the Yangtze River Watershed[J]. Remote Sensing Technology and Application, 2015,30(5):987-995. ]

[28]
杨小唤,刘业森,江东,等.一种改进人口数据空间化的方法:农村居住地重分类[J].地理科学进展,2006,25(3):62-69.lt;p>人口( 统计) 数据空间化是解决统计数据与自然要素数据融合分析的有效途径。本文在论 述已有人口空间化方法的基础上， 认为遥感影像得到的居民地数据是表达人口分布的最好指标。 为了使居民地数据更好地应用于人口空间化的研究， 论文在分析各种与人口居住密度相关指标 的基础上， 确定了用农村居民地面积所占百分比对农村居民地进行重新分级， 然后应用于人口空 间化的计算。结果检验表明， 人口空间分布数据的误差从分级前的17.4%降到分级后的12%， 尤 其是误差高于30%的乡镇个数从8 个减少到1 个， 该方法有效地提高了人口空间数据的精度。</p>

DOI

[ Yang X H, Liu Y S, Jiang D, et al.An enhanced method for spatial distributing census data: Reclassifying of Rural Residential[J]. Progress in Geography, 2006,25(3):62-69. ]

[29]
董彦景. 西安城市大型超市与人口空间分布关联分析[D].西安:西北大学,2012.

[ Dong Y J.The relevance of the spatial distribution of the large-scale supermarket and population in Xi'an[D]. Xi'an: Northwest University, 2012. ]

[30]
杨小唤,江东,王乃斌,等.人口数据空间化的处理方法[J].地理学报,2002,57(增刊):70-75.在人口空间分布区划的基础上，利用基于LANDSATTM信息获取的1：10万比例尺的土地利用／覆盖数据，建立与统计人口数据的多元相关关系模型，计算各种土地利用类型中的居住人口系数，在GIS支持下计算出全国lkm格网人口空间分布数据，然后结合DEM数据、居民点分布数据对空间化处理结果进行修正，并在各大区内随机抽样若干县采集乡镇行政边界和统计人口数据对模犁计算结果进行了验证。

DOI

[ Yang X H, Jiang D, Wang N B, et al.Method of pixelizing population data[J]. Acta Geographica Sinica, 2002,57(sup):71-75. ]

Options
文章导航

/

〈 〉