EN中文

Journal of Geo-information Science >

2019 , Vol. 21 >Issue 9: 1367 - 1381

DOI: https://doi.org/10.12082/dqxxkx.2019.190067

Spatiotemporal Pattern of Population Distribution in the Qinghai-Tibet Plateau during the National Day Holidays: Based on Geospatial Big Data Mining

  • YI Jiawei , 1, 2, * ,
  • DU Yunyan 1, 2 ,
  • TU Wenna 1, 2
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
*YI Jiawei, E-mail:

Received date: 2019-02-15

  Request revised date: 2019-06-25

  Online published: 2019-09-24

Supported by

the Strategic Priority Research Program of the Chinese Academy of Sciences, No.XDA19040501(XDA19040501)

The Strategic Priority Research Program of the Chinese Academy of Sciences(XDA20040401)

National Key Research and Development Program of China(2017YFB0503605)

National Key Research and Development Program of China(2017YFC1503003)

Copyright

Copyright reserved © 2010. Office of Journal of Geo-information Science All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

Abstract

Human activities play an important role in transforming the eco-environment of the Qinghai-Tibet Plateau (QTP). Extensive studies have been conducted on the human activities in the prehistoric QTP and on population distribution and migration in the recent decades, yet, most of them rely on limited demographic materials of coarse spatial resolutions. It remains understudied regarding the fine-scale spatiotemporal pattern of human distribution in the QTP. In this context, geospatial big data generated from ubiquitous mobile communication technology and internet provide a great opportunity to investigate the dynamic human distribution at very fine scales. This study took the advantage of the geospatial big data, including the mobile phone location requests (LR) and population migration, and employed time series decomposition and anomaly detection approaches to explore the population distribution changes in the QTP during the 2017 National Day holidays. Results show that, at the provincial and prefectural scales, Qinghai, Tibet, and their provincial cities exhibit a featured "tidal change" pattern that the LR first decreased then increased. Such fluctuation in Qinghai were stronger than that in Tibet, and cities in the same province demonstrated significant differences. At the grid scale, the LR in the surrounding areas of Xining and Lhasa displayed a spatially “decentralized pattern” that the LP dropped in the central areas yet increased in the peripheral. Based on the anomaly detection approach, we found the number of anomaly grids and deviation magnitude increased in Xining, Haidong, Haibei, Hainan, and Huangnan of Qinghai since the holiday. More positive anomalies were observed than the negative ones, and the negative anomalies were concentrated in cities of large population densities such as Xining and Lhasa. Further analysis combining the population migration data reveals that the travel behaviors potentially drove people swarming to the nearby scenic spots and that the massive migration between cities was an important reason for the increase of LR in areas surrounding Xining and Lhasa. The decrease of LR in the central areas of cities could be partly attributed to significant population migration, but the different daily routines and location request frequencies during holidays may also be important reasons. Our findings demonstrate the potential of using geospatial big data to improve our understanding of human distribution and migration, which could further support fine management and decision-making for plateau urbanization and ecological protection.

Key words： population distribution; population migration; smartphone location request; population migration data; time series decomposition; Qinghai-Tibet Plateau; Qinghai; Tibet

Cite this article

YI Jiawei , DU Yunyan , TU Wenna . Spatiotemporal Pattern of Population Distribution in the Qinghai-Tibet Plateau during the National Day Holidays: Based on Geospatial Big Data Mining[J]. Journal of Geo-information Science, 2019 , 21(9) : 1367 -1381 . DOI: 10.12082/dqxxkx.2019.190067

1 引言

青藏高原是全球平均海拔最高的高原,拥有独特的自然和人文环境,是我国重要的生态安全屏障[1,2,3]。近百年来,人类活动加剧已成为青藏高原生态系统功能与结构发生深刻变化的重要原因之一[4]。开展青藏高原人类活动变化的研究,对于保护青藏高原生态安全,守护好世界最后一方净土,具有重要的现实意义[1,5]。
当前,有关青藏高原人类活动的研究主要以史前古人类活动与扩散和近几十年人类活动对生态系统影响的研究为主。青藏高原史前人类活动的研究主要关注人类走上高原的过程及驱动因素,解密人类适应高原缺氧环境的科学问题[6,7]。例如, 陈发虎等[6]通过考古资料的梳理与测年分析,指出史前人类向青藏高原扩散的3个阶段及不同阶段主要驱动因素。而另一方面,很多研究开始关注近几十年日益加剧的人类活动给青藏高原生态系统带来的影响与改变[5,8-9]。如郭兵等[8]构建了融合人类活动因子的评价体系对青藏高原2000-2013年的生态系统脆弱性进行了评估,发现生态系统脆弱性与人口密度的显著相关性。Li等[9]通过人类足迹制图的方法定量评估了1990-2010年人类活动对青藏高原生态服务功能保护的影响强度时空变化。
近年来,随着青藏高原城镇化的不断加快,人口的聚集、增长与流动导致高原人口的空间分布也在发生明显变化。王超等[11]研究指出西藏的人口密度具有极强的空间非均衡性,大致以波绒-岗尼为界,东南聚集西北稀疏,不同区域的人口分布格局的影响因素也各不相同。杨成洲[12]基于人口普查数据对西藏人口流动进行了分析,发现西藏的人口空间流动具有低强度、单向性和近距离等特征,人口流动模式深受地理近邻性、和民族文化因素影响。吴江等[13]利用林芝地区多年的旅游统计资料研究发现1990-2014年旅游接待人数呈现大幅增长的态势,旅游旺季以及重要的节假日都会出现客流高峰,当地的旅游业具有明显的节日效应。在上述这些研究中,反映人类活动的指征数据,如人口统计资料、地区旅游统计数据等,大都具有较粗的时空粒度,难以从精细尺度上探索青藏高原人群分布的时空变化规律。
随着互联网与通讯技术的发展,智能手机定位、社交媒体签到、图片位置等位置大数据提供了新的、可快速感知人类动态变化的数据资源[14,15,16]。这些新兴的数据源为提升人口空间化精度、推动传统城市与人口研究带来了新的契机[17,18,19,20]。潘碧麟等[19]研究发现微博签到数据能够揭示成渝城市群双核多中心的空间结构,微博数据反映的人口流动与社会经济发展水平较一致。张晓瑞等[20]结合百度地图的人口分布热力图分析了合肥市人口空间分布格局,指出位置大数据实时、动态的特点能弥补传统数据的不足。此外,不少学者探索利用这类位置大数据来揭示人的时空分布变化对于生态景观及保护区的影响[21,22]。例如,Boris等[21]通过多个社交网络平台上的图片位置数据对整个欧洲的景观价值进行了定量评估。Walden-Schreiner等[22]利用多年的Flickr图片位置数据来评估和分析了自然保护区内游客的时空变化及其对生态系统的影响。
本研究尝试利用手机定位数据、迁徙数据等位置大数据,选取2017年国庆假期这段人口流动变化较明显的时期,对青藏高原主要城市在此期间所发生的人群分布时空变化开展实证研究。从趋势变化和异常震荡二方面分析了2017年国庆期间青藏高原主要城市的人群分布变化特征,并探讨了假期旅游行为及人口迁徙与时空变化模式之间的依赖关系。通过揭示节庆假期中高原人群分布的时空变化特征,本研究可为高原生态监测、保护区管理和旅游管理等部门在应对节日的高峰客流提供决策支持。

2 研究区概况、数据源及研究方法

2.1 研究区概况

青藏高原位于中国西南,总面积约250万km2,平均海拔超过4000 m,高原地域辽阔,自然环境特殊,生态系统脆弱,人口承载力有限。本文以青海和西藏为研究区,两省总面积约192万km2,是青藏高原上的2个主要省份,2017年总人口分别为337万 和598万,主要集中在西宁和拉萨两市及周边城 市[23,24],人均GDP分别约为3.9万元和4.4万元,城镇化率达到30.89%和50.07%[25],分别处于城镇化初期阶段和中期阶段[26,27,28]。青藏高原每年要接待大量的游客,根据国家旅游局统计,2017年国庆黄金周期间,西藏共接待游客120.9万人次,青海共接待游客236.9万人次[29]。而节假日的旅游行为及其带来的人口流动变化为本研究通过大数据探究青藏高原人群分布变化提供了重要的契机。图1展示了青藏高原手机定位量平均水平的空间分布情况,每个网格的定位量平均水平定义为定位量中值加1后的对数值。青藏高原上的定位请求分布十分稀疏,与其地广人稀的人口分布特征基本一致[30],西宁、拉萨及其周边人口聚集地区的定位量相对较高,从城内到城外快速下降,连通城镇的公路和铁路沿线也有较明显的定位请求,客观反映了人们在这些地方留下的“数字足迹”。
图1 青藏高原2017年定位量平均水平

Fig. 1 Location of the study area and standardized richness of cellphone positioning data in 2017

2.2 数据源

本研究所采用的位置大数据来自腾讯位置大数据网站（https://heat.qq.com/）发布的高时空分辨率的定位请求数据和人口迁徙数据。其中,定位请求数据是根据手机用户使用腾讯地图位置服务时公开的位置信息,在1 km×1 km的网格单元逐小时聚合而得到的定位请求总量,不含用户隐私信息。人口迁徙数据在本研究中主要用于探讨和分析引起人群分布变化的潜在原因,该数据记录了各地级行政单元之间每天用户通过飞机、火车、汽车等交通方式迁入、迁出的总量。原始数据虽然只提供了每个城市前10名的迁入、迁出城市及总量,但通过聚合统计所有城市之间的迁入和迁出数据量可以补充得到每个城市与前十以外的城市之间的迁徙数据[31]。2种数据源采集的时间范围均为2017年9月15日至10月15日,空间范围覆盖青海和西藏一共15个地级行政单元。

2.3 研究方法

为了挖掘和分析国庆期间,青藏高原城市潜在的人群分布模式,本研究主要采用时间序列分解方法,从网格单元的时间序列中解析趋势变化和剩余值异常,并研究发生趋势变化和剩余异常的网格在空间上的分布与时间变化特征。另外,在分析迁徙数据时,采用净流率指标来反映各地级行政单元人口迁入与迁出的时间变化。
2.3.1 时间序列分解
对于研究范围内的所有网格单元,首先去除整个期间（9月15日至10月15日）定位量中值和绝对中位差（Median Absolute Deviation, MAD）都为0的网格单元。MAD是衡量数值型变量离散程度的一种统计量,其定义如下：
MAD = median | x i - median X |
式中：X代表网格单元的整个定位量时间序列;xi表示第i天的定位量。在异常值存在的情况下,MAD比常用的标准差在衡量数据离散程度上更健壮。
针对筛选后的每个网格单元,采用STL方法[32]对其逐日定位量所构成的时间序列 Y v 进行加性分解,提取趋势项、季节项和剩余分量,加性模型表达如下：
Y v = T v + S v + R v
式中： T v 为趋势项; S v 为季节项; R v 为残余项。
STL方法通过多次内循环和外循环的递归计算来提取时间序列中的趋势项和季节项。内循环计算首先将时间序列分解为周期子序列（cycle-subseries）,即每个季节周期内相同时间位置组成的子序列,如以7 d为周期的逐日数据中,由第一周周一,第二周周一……构成的子序列。接着,采用LOESS平滑周期子序列得到初步的季节项 C v ,然后通过低通滤波平滑得到初步的趋势项 L v ,再用 C v 减去 L v 得到此次循环的季节项 S v ,最后,用 Y v 减去 S v 后在进行一次LOESS平滑得到此次循环的趋势项 T v 。外循环计算主要根据残余项大小给每个值赋予稳健性权重,提高内循环计算对异常的鲁棒性。通过内循环和外循环这样多次的迭代计算,直到趋势项或季节项收敛不变,最终完成时间序列分解。
2.3.2 趋势距平与剩余异常
本研究采用趋势距平值来定量刻画每个网格单元在国庆期间可能发生的趋势性上升与下降的程度。网格的趋势值通过时序分解得到,其距平值定义如下：
D i = T i - median T
式中：Di代表距平值;T代表网格单元时间序列的趋势项;而Ti表示第i天的定位量趋势值。距平值为正表明此时网格的定位量趋势高于其中值水平,距平值为负则表示低于中值水平。
考虑到国庆期间可能存在网格的趋势变化不如剩余值变化明显,本研究进一步采用了泛化极端学生化偏差（Generalized Extreme Studentized Deviate, GESD）[33]统计检验方法对网格时序分解得到的剩余值进行异常判别与提取。为了克服异常值给分析带来的偏差,本研究在计算GESD检验统计量G时,用中值和绝对中位差MAD分别代替样本均值和标准差,其公式如下：
G = max x i - median X MAD
在设定异常数量上限值k参数后,GSED方法将进行k轮测试,每轮测试时,先剔除距离中值最远,即 x i - median X 最大的数据后,重新计算统计量G,并检验G是否大于临界值Gcrit：
G crit = j - 1 t a / 2 j , j - 2 j j - 2 + t a / 2 j , j - 2 2
式中：j为上一轮测试剔除最大偏离样本后的样本总量; t a / 2 j , j - 2 是显著性水平为a/(2j);自由度为j-2的t分布临界值。本研究中参数k为0.25倍样本总量为异常数量上限,参数a取0.05。对于GESD检测出的网格异常时间点,本研究通过时序分解后的剩余值反映该异常的偏离程度,即异常偏离值。
2.3.3 迁徙数据的净流率指标
针对地级单元之间的迁徙数据,本研究采用净流率（Net Flow Ratio, NFR）指标来反映城市间迁徙的主导流向,其定义如下：
NFR = f in - f out f in + f out
式中：fin和fout分别表示某地级单元的迁入和迁出总量。NFR的范围在-1~1之间,NFR大于0且越接近1,表明城市以人口迁入为主,迁入量超过迁出量;相反,NFR小于0且越接近-1,表明城市以人口迁出为主,迁入量小于迁出量。

3 结果与分析

3.1 城市尺度人群分布时间变化

在城市尺度上,本研究将城市内部的有效定位请求聚合到省级和地级行政单元,分析了定位请求总量在国庆假期前后这一个月时间内的逐日变化,如图2所示,定位请求总量均经过归一化计算,归一化计算为实际值减去中值再除以绝对中位差。从结果上看,首先,青海、西藏两省的定位请求总量从10月1日开始逐渐下降,低于该月平均水平,到10月4日降至最低,随后逐步反升,假日最后一天10月8日到达峰值,超出平均水平。在这期间,青海省的定位请求总量的波动起伏相比西藏更加剧烈。其次,将定位请求量聚合到15个地级单元时,本研究发现城市之间的定位量变化在国庆期间存在较明显的差异。其中,西宁和拉萨的定位量变化曲线与青海和西藏两省总量的变化曲线基本一致,可见2个人口高度聚集的省会城市基本表征了整个省的定位量变化,在国庆假期都表现出先下降后爬升的变化特点。但是其他地级单元则表现出与省级总量和和省会城市不一样的定位请求量变化。例如,青海省西宁以外的地级行政单元在10月1日后定位量反而先上升后下降。从城市间定位量标准差指标上看,国庆期间这15个地级单元的差异性上升并略高于平时水平,并且在10月2日到达峰值,进一步显示了这些城市在节日期间定位请求量变化的差异。这些结果表明,定位请求量能够反映高原城市在国庆假期出现异于平常的节日变化,在西宁和拉萨呈现先降后升的定位量变化特征,而在其他地级市呈现不一样的变化,挖掘这些变化特征与城市分异的潜在原因需要更精细尺度的时空剖析。
图2 青海、西藏及其各地级城市定位量归一化值的变化

Fig. 2 Trends of standardized richness of the positioning data in Qinghai, Tibet, and their subordinate prefectures

3.2 网格尺度人群分布时空变化

3.2.1 趋势距平的时空变化
为了揭示微观尺度上的时空变化,本研究首先在0.01°的网格单元上,重点分析了西宁市和拉萨市周边每个网格在9月29日至10月10日国庆前后这段时间内的趋势距平值变化。从结果上看（图3、 图4）,两市在其行政区划范围内的网格趋势距平值具有相似的时空变化特征：国庆假期开始（10月1日）前后,城市中心附近网格的趋势距平由正转负,趋势值逐渐低于平均水平,而城市中心外围的乡镇、村落、道路等人口密度相对较低地区的网格其趋势距平则普遍由负变正,逐渐高出平均趋势值,直到国庆假期结束（10月8日）前后,城市中心及其周边区域的网格才逐渐恢复到平时的趋势水平。略有不同的是,西宁市在这种微观网格上的时空变化相比拉萨市更加明显和剧烈,国庆期间的趋势上升特征在空间上已延伸至环青海湖、海北门源等西宁市外周边地区。人们的定位请求行为在时空上呈现的这种中心跌、周边涨的“离心化”变化过程,一定程度上反映了国庆期间存在人群由城市中心向周边辐射聚集的潜在流动。
图3 西宁市及周边2017年国庆期间定位量趋势距平值变化情况

注：图中折线图为城市中心0.1度范围内的平均趋势距平值变化,横坐标为距离城市中心点的网格距离/km,纵坐标为趋势距平值。

Fig. 3 Trend change (Di) of location requests in Xining and surrounding areas during the 2017 National Day festival

图4 拉萨市2017年国庆期间定位量趋势距平值变化情况

注：图中折线图为城市中心0.1度范围内的平均趋势距平值变化,横坐标为距离城市中心点的网格距离/km,纵坐标为趋势距平值。

Fig. 4 Trend change (Di) of location requests in Lhasa and surrounding areas during the 2017 National Day festival

3.2.2 点异常的时空变化
在微观尺度上,对于假日期间总体趋势变化不明显但剩余值呈现异常波动的网格,本研究通过GESD异常检测方法进行了定位请求量点异常提取,探究其随时间和空间的变化特征。首先,从图5的统计结果上看,点异常的数量随预期值的升高而快速锐减,大部分点异常集中分布在1~10之间的预期值范围内,定位请求水平较低。预期值低于100的点异常以正异常为主,即实际值超出预期水平,而预期值高于100的点异常以负异常为主,即实际值低于预期水平。
图5 青海西藏2017年国庆假期定位请求量点异常统计结果

Fig. 5 Statistics of the point anomalies in location requests of the Qinghai-Tibet Plateau during the 2017 National Day festival

从空间上看（图6、图7）,检测出的点异常主要集中在青海省东部西宁、海东等人口稠密地区,黄南、海南及其他城市少有分布。西藏自治区检测出的点异常较为稀疏,主要分布在拉萨、日喀则等人口相对密集的城市地区,其余地级行政单元内分布稀疏。从逐日检测出的异常数量和总的偏离程度上看,国庆假期除了青海的西宁、海东、海北、海南、黄南存在较明显的起伏变化外,青海其余地级市单元未见明显的节庆变化。其中,从异常数量来看,西宁、海东和海南的异常数量较多,且3个城市不相上下,但西宁总的偏离程度较海东、海南更明显。西藏自治区内地级单元均无明显的节庆变化,与平时相比差异不大,各地市异常数量差异也不大,但拉萨总的偏移量为最大。从图6和图7中展示的10月2日各地级单元政府所在地附近的点异常分布情况可进一步看到,该天大部分的点异常以正异常为主,预期值在1到10之间,这表示当天定位请求量在大范围内相比平常更高。而为数不多的负异常主要分布在西宁市内和拉萨市内,预期值在100~1000之间,这表示这些异常点所在位置上的定位请求相比平常处于偏少水平,这与西宁、拉萨两市国庆期间趋势距平的空间变化特征基本一致,城市中心地区的定位请求骤减,而周边地区普遍微涨。
图6 青海省及其地级行政单元国庆假期定位请求数据点异常检测及分析结果

Fig. 6 Detection and analysis of the point anomalies in location requests of Qinghai and subordinate prefectures during the National Day festival

图7 西藏自治区及其地级行政单元内国庆假期定位请求数据点异常检测及分析结果

Fig. 7 Detection and analysis of the point anomalies in location requests of Tibet and subordinate prefectures during the National Day festival

3.3 人群分布模式的对比与探讨

3.3.1 城市中心与周边景区的差异
假期出行旅游是城市人口短期流动变化的重要驱动因素,因而也是探究青藏高原人群分布变化的重点对象。本研究选取了拉萨和西宁市附近的一些著名景点,以及从市区通往这些景点的道路,对比分析了国庆期间上述位置与城市中心地区定位请求的趋势值变化。从结果上看（图8）,尽管拉萨市区整体的定位请求量趋势性先下跌后上升,但位于拉萨市区内的布达拉宫和大昭寺两个著名景点,以及市区外的纳木错著名景点和通往该景点的必经道路,它们的定位量趋势值在国庆假日期间表现为先升后降的相反变化特征,而同样在市区外的甘丹寺景点则几无变化,但通往甘丹寺的道路（P2）显示了微弱的涨跌起伏。另外,西宁市周边的知名旅游景点如塔尔寺、茶卡盐湖、互助土族故土园、二郎剑等以及通过这些景点主要必经道路,在国庆期间均呈现出先涨后落的起伏变化,与西宁市中心城区的起伏变化正好相反。由此可见,国庆假期人们向青海西藏这些热门景点移动聚集的旅游行为是导致这些地方及通往道路上定位量出现变化的重要原因。
图8 热门景点及主要通往道路2017年国庆假期定位量趋势变化

注：S1到S10为所选的10个旅游景点位置,P1到P5为通往上述景点的主要旅游路线。

Fig. 8 Trends of the location requests in the major scenic hotspots and roads during the 2017 National Day festival. The ten selected scenic hotspots are marked by dots, S1 to S10, and the major tourist roads to these scenic spots are marked by lines, P1 to P5

3.3.2 国庆假期的人口迁徙对比
结合腾讯迁徙大数据,本研究进一步探讨国庆期间青藏高原潮汐变化背后的人口迁徙特征。根据腾讯迁徙数据的分析结果（图9）,西宁市在国庆前后均有大量的外省净流入,并且在10月2日到达峰值;在青海省内的流动中,西宁市到海东、海南、海西的流动量较大,并且假期前半程（10月4日左右）以西宁流向海东、海南和海西为主,而后半程以回流至西宁为主。对比9月30日和10月2日各地级单元的流入流出情况,可以发现西宁市、海南州和海西州都有较明显的净流入,而青海省很多热门景点也位于这三个地级单元内。与西宁不同,拉萨市在10月1日前以外省净流出为主,10月3日净流入值达到峰值;在省内,拉萨市与日喀则、那曲、林芝、山南地区的流动相对较大,并且在国庆前后以拉萨净流出为主。对比9月30日和10月2日的流入流出情况,可以看到从拉萨流出到外省的总量锐减,而从外省流入到拉萨、日喀则、林芝等地均有所增加。对比定位请求数据所反映的变化,国庆期间,西宁和拉萨在省内的人口迁徙从净流出到净流入的转换,可能是导致城市周边地区定位请求趋势先升后降的重要原因。
图9 西宁和拉萨2017年国庆期间净流率变化及国庆前后各地级单元人口迁徙

Fig. 9 Changes in the net flow ratios of Xining versus Lhasa, and contrast of the changes among subordinate prefectures before and after the National Day holidays

3.3.3 与其它旅游城市的对比
为了探究西宁、拉萨在国庆假期呈现的变化与其他热门旅游城市的差异,本研究分析了9月29日、10月1日和10月3日的净流率与定位量距平归一化值2个定量指标的变化,并与全国前十热门的旅游目的地（据携程旅游统计）进行了横向对比,定位量距平归一化值计算为实际值除以中值后再减1。根据分析结果（图10）,进入国庆假期后,北京、上海、杭州、昆明、厦门和贵阳的定位量距平值均为负值且逐日下降,而净流率在此期间一直为负或下行至负值（如厦门）,表明这些城市有大量人口净流出的同时,定位请求量逐日下跌且低于平日水平;相反,三亚、桂林和张家界的距平值则为正值,净流率也处于正值区间,显示这些城市在大量人口净流入的同时,定位请求量上升且高出平日水平。由此可见,人口流动带来的人口数量变化是引起定位请求量发生相应增减变化的一个重要原因。
图10 国庆前后西宁、拉萨及全国热门旅游目的地的净流率与定位量距平归一化值对比分析

Fig. 10 Cross-analysis of net flow ratio and trend anomaly in Xining, Lhasa and other national tourism hotspots, before versus after the National Day holidays

然而,通过对比可以看到,西宁和拉萨两市表现出不同的变化过程。西宁市的净流率在进入假期后逐渐下降,但仍为正值,而定位量距平值却由正变负;拉萨市的净流率在进入假期后由不到-0.2上升至0.2以上,而定位量距平值同样由正变负。可见,净流率的变化虽然能解释很多热门旅游城市在国庆期间的定位请求量变化,但不能完全解释西宁和拉萨两座高原城市定位量下降的变化,定位请求数据中无法解析的请求频次变化、用户覆盖率等都是导致这些变化的其它潜在原因。

4 结论与展望

为了从精细尺度上探究青藏高原人群分布在节庆假期的时空动态变化,本研究利用网格化的逐日手机定位请求数据,通过时间序列分解与异常探测方法,从趋势变化和异常震荡二方面分析了2017年国庆期间青藏高原主要城市的人群分布时空变化特征,并结合人口迁徙数据探讨了假期旅游行为和人口流动与时空变化之间的关联关系。国庆假期青藏高原人群分布的主要时空变化模式归纳如下：
（1）按行政单元统计分析趋势变化,发现国庆期间青海和西藏及两省省会在时间变化上呈现先降后升的“潮汐”变化特征。青海的波动起伏比西藏更强烈,省内其他地级单元差异明显,存在定位量先升后降的相反潮汐变化。
（2）在精细网格尺度上分析趋势变化,发现西宁和拉萨两市国庆期间的定位请求量在空间上呈现中心跌、周边涨的“离心化”变化特征,定位请求的趋势距平在城市中心由正转负,在周边乡镇、村落、道路等地区由负转正。
（3）通过点异常检测分析,发现青海省内的西宁、海东、海北、海南、黄南等地级单元在进入假期后有明显的异常数量和偏离总量上升,并且数量上以正异常居多,散布在城市周边地区,而负异常集中分布在西宁、拉萨等人口聚集的城市中心,同样呈现中心骤减、周边普涨的空间变化特征。
针对上述高原人群在国庆假期呈现的时空变化特征,本研究进一步结合迁徙大数据深入挖掘并探讨了导致该变化的潜在原因：
（1）热门景点旅游人群聚集是导致景区定位请求量上升的重要因素。在对热门景点及通往道路的定位请求量进行了详细分析后,发现景点和道路呈现先升后降的潮汐变化特征,表明了假期人们的旅游行为是导致景区及通往道路出现潮汐变化的重要原因。
（2）结合迁徙数据分析后,发现西宁和拉萨的国庆期间的流入流出变化也是导致城市周边地区定位请求趋势出现先升后降变化特征的潜在原因。
（3）与其他热门旅游目的地城市对比后发现,尽管西宁和拉萨与北京、上海等热门旅游城市一样在大量游客涌入的国庆假期出现定位量下降的变化,但两座高原城市的潮汐变化不能完全通过净流率指标来解释。假期定位请求频次的变化、用户覆盖率等都是导致这种变化的潜在原因,而现有的手机定位数据局限于记录一定空间范围一段时间内的聚合总量,难以有效解析出上述变化。所以,在后续的研究中,将进一步结合微博文本、图片、签到等更多有价值的位置大数据,共同揭示青藏高原人群分布的精细动态变化,加深对高原人口的分布格局与流动变化的认识,为青藏高原的城镇化过程与生态保护提供决策支持。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
陈发虎, 安成邦, 董广辉 , 等. 丝绸之路与泛第三极地区人类活动、环境变化和丝路文明兴衰[J]. 中国科学院院刊, 2017,32(9):967-975.

[ Chen F H, An C B, Dong G H , et al. Human activities, environmental changes, and rise and decline of silk road civilization in pan-third pole region[J]. Bulletin of Chinese Academy of Sciences, 2017,32(9):967-975. ]

[2]
刘荣高, 刘洋, 徐新良 , 等. 近30年青藏高原南缘地理环境状况及变迁研究[J]. 中国科学院院刊, 2017,32(9):1003-1013.

[ Liu R G, Liu Y, Xu X L , et al. Change of geographical environment in southern margin of Tibetan Plateau since 1980s[J]. Bulletin of Chinese Academy of Sciences, 2017,32(9):1003-1013. ]

[3]
姚檀栋, 陈发虎, 崔鹏 , 等. 从青藏高原到第三极和泛第三极[J]. 中国科学院院刊, 2017,32(9):924-931.

[ Yao T D, Chen F H, Cui P , et al. From Tibetan Plateau to third pole and pan-third pole[J]. Bulletin of Chinese Academy of Sciences, 2017,32(9):924-931. ]

[4]
张宪洲, 杨永平, 朴世龙 , 等. 青藏高原生态变化[J]. 科学通报, 2015,60(32):3048-3056.

[ Zhang X Z, Yang Y P, Piao S L , et al. Ecological change on the Tibetan Plateau[J]. Chinese Science Bulletin, 2015,60(32):3048-3056. ]

[5]
樊杰, 徐勇, 王传胜 , 等. 西藏近半个世纪以来人类活动的生态环境效应[J]. 科学通报, 2015,60(32):3057-3066.

[ Fan J, Xu Y, Wang C S , et al. The effects of human activities on the ecological environment of Tibet over the past half century[J]. Chinese Science Bulletin, 2015,60(32):3057-3066. ]

[6]
陈发虎, 刘峰文, 张东菊 , 等. 史前时代人类向青藏高原扩散的过程与动力[J]. 自然杂志, 2016,38(4):235-240.

DOI

[ Chen F H, Liu F W, Zhang D J , et al. The process and driving force for peopling the Tibetan Plateau during prehistoric periods[J]. Chinese Journal of Nature, 2016,38(4):235-240. ]

[7]
侯光良 . 青藏高原的史前人类活动[J]. 盐湖研究, 2016,24(2):68-74.

[ Hou G L . The prehistoric human activities on the Qinghai-Tibet Plateau[J]. Journal of Salt Lake Research, 2016,24(2):68-74. ]

[8]
郭兵, 孔维华, 姜琳 , 等. 青藏高原高寒生态区生态系统脆弱性时空变化及驱动机制分析[J]. 生态科学, 2018,37(3):96-106.

[ Guo B, Kong W H, Jiang L , et al. Analysis of spatial and temporal changes and its driving mechanism of ecological vulnerability of alpine ecosystem in Qinghai Tibet Plateau[J]. Ecological Science, 2018,37(3):96-106. ]

[9]
Li S C, Zhang Y L, Wang Z F , et al. Mapping human influence intensity in the Tibetan Plateau for conservation of ecological service functions[J]. Ecosystem Services, 2018,30:276-286.

[10]
Sanderson E W, Jaiteh M, Levy M A , et al. The human footprint and the last of the wild[J]. BioScience, 2002,52(10):891-904.

[11]
王超 阚瑷珂, 曾业隆 , 等. 基于随机森林模型的西藏人口分布格局及影响因素[J]. 地理学报, 2019,74(4):664-680.

[ Wang C, Kan Y K, Zeng Y L , et al. Population distribution pattern and influencing factors in Tibet based on random forest model[J]. Acta Geographica Sinica, 2019,74(4):664-680. ]

[12]
杨成洲 . 高原民族地区人口流动特征与模式研究—基于西藏自治区的考察[J]. 干旱区资源与环境, 2019,33(7):43-48.

[ Yang C Z . Research on characteristics and models of population flow in Tibet[J]. Journal of Arid Land Resources and Environment, 2019,33(7):43-48. ]

[13]
吴江, 张秀香, 叶玲翠 , 等. 不同时间尺度周期的旅游客流量波动特征研究——以西藏林芝市为例[J]. 地理研究, 2016,35(12):2347-2362.

[ Wu J, Zhang X X, Ye L C , et al. A time scale study on the tourist flow in Nyingchi, Tibet[J]. Geographical Research, 2016,35(12):2347-2362. ]

[14]
陆锋, 刘康, 陈洁 . 大数据时代的人类移动性研究[J]. 地球信息科学学报, 2014,16(5):665-672.

[ Lu F, Liu K, Chen J . Research on human mobility in big data era[J]. Journal of Geo-Information Science, 2014,16(5):665-672. ]

[15]
牛方曲, 刘卫东 . 基于互联网大数据的区域多层次空间结构分析研究[J]. 地球信息科学学报, 2016,18(6):719-726.

[ Niu F Q, Liu W D . Identifying the hierarchical regional spatial structure using internet big data[J]. Journal of Geo-information Science, 2016,18(6):719-726. ]

[16]
赵梓渝, 魏冶, 庞瑞秋 , 等. 中国春运人口省际流动的时空与结构特征[J]. 2017,36(8):952-964.

[ Zhao Z Y, Wei Y, Pang R Q , et al. Spatiotemporal and structural characteristics of interprovincial population flow during the 2015 Spring Festival travel rush[J]. Progress in Geography, 2017,36(8):952-964. ]

[17]
吴吉东, 王旭, 王菜林 , 等. 社会经济数据空间化现状与发展趋势[J]. 地球信息科学学报, 2018,20(9):1252-1262.

[ Wu D J, Wang X, Wang C L , et al. The status and development trend of disaggregation of socio-economic data[J]. Journal of Geo-information Science, 2018,20(9):1252-1262. ]

[18]
Ma T . Quantitative responses of satellite-derived nighttime lighting signals to anthropogenic land-use and land-cover changes across china[J]. Remote Sensing, 2018,10(9):1447.

[19]
潘碧麟, 王江浩, 葛咏 , 等. 基于微博签到数据的成渝城市群空间结构及其城际人口流动研究[J]. 地球信息科学学报, 2019,21(1):68-76.

[ Pan B L, Wang J H, Ge Y , et al. Spatial structure and population flow analysis in Chengdu-Chongqing urban agglomeration based on Weibo check-in big data[J]. Journal of Geo-information Science, 2019,21(1):68-76. ]

[20]
张晓瑞, 华茜, 程志刚 . 基于空间句法和LBS大数据的合肥市人口分布空间格局研究[J]. 地理科学, 2018,38(11):1809-1816.

[ Zhang X R, Hua Q, Cheng Z G . Space pattern of urban population distribution based on space syntax and LBS big data[J]. Scientia Geographica Sinica, 2018,38(11):1809-1816. ]

[21]
Boris T, Derek B, Meentemeyer R K , et al. Continental-scale quantification of landscape values using social media data[J]. Proceedings of the National Academy of Sciences, 2016,113(46):12974-12979.

[22]
Walden-Schreiner C, Leung Y F, Tateosian L . Digital footprints: Incorporating crowdsourced geographic information for protected area management[J]. Applied Geography, 2018,90:44-54.

[23]
段玉珊, 王娜 . 西藏人口城镇化进程及发展趋势预测[J]. 西藏研究, 2015(4):67-74.

[ Duan Y S, Wang N . Analysis on the process and trends of urbanization in Tibet[J]. Tibetan Studies, 2015(4):67-74. ]

[24]
张宇, 曹卫东, 梁双波 , 等. 西部欠发达区人口城镇化与产业城镇化演化进程对比研究——以青海省为例[J]. 经济地理, 2017,37(2):61-67.

[ Zhang Y, Cao W D, Liang S B , et al. A comparative study on the evolution process of urbanization and industrialization in the underdeveloped areas of western China: A case study of Qinghai province[J]. Economic Geography, 2017,37(2):61-67. ]

[25]
国家统计局. 中国统计年鉴2018[M]. 北京: 中国统计出版社, 2018.

[ National bureau of statistics. China statistical yearbook 2018[M]. Beijing: China Statistics Press, 2018. ]

[26]
丁生喜, 王晓鹏, 秦真凤 , 等. 基于人口-经济-生态协调发展的青海省新型城镇化研究[J]. 生态经济, 2015,31(3):74-77.

[ Ding S X, Wang X P, Qin Z F , et al. Research on the new type urbanization of Qinghai based on the coordinated development of population, ecology and economy[J]. Ecological Economy, 2015,31(3):74-77. ]

[27]
史晨怡, 周春山, 余波 . 援藏与西藏自治区城镇化的耦合协调分析[J]. 世界地理研究, 2018,27(3):42-54.

[ Shi C Y, Zhou C S, Yu B . The coupling and coordinating analysis between Aiding Tibet and urbanization in Tibet Autonomous Region[J]. World Regional Studies, 2018,27(3):42-54. ]

[28]
王胡林 . 改革开放40年西藏城镇化发展的回顾与展望[J]. 西藏研究, 2018,( 5):123-132.

[ Wang H L . Review and outlook of Tibet's urbanization development in the 40 years of reform and opening-up[J]. Tibetan Studies, 2018,( 5):123-132. ]

[29]
魏巍 . 西藏国庆节期间接待国内外游客120万余人次[N/OL]. 中国新闻网, 2017- 10- 09.

[ Wei W . Receiving more than 1.2 million domestic and foreign tourists during the National Day of Tibet[N/OL]. China's News, 2017- 10- 09.

[30]
赵彤彤, 宋邦国, 陈远生 , 等. 西藏一江两河地区人口分布与地形要素关系分析[J]. 地球信息科学学报, 2017,19(2):225-237.

[ Zhao T T, Song B G, Chen Y S , et al. Analysis of population distribution and its spatial relationship with terrain elements in the Yarlung Zangbo River, Nyangqu River and Lhasa River region, Tibet[J]. Journal of Geo-Information Science, 2017,19(2):225-237. ]

[31]
Xu J, Li A Y, Li D , et al. Difference of urban development in China from the perspective of passenger transport around Spring Festival[J]. Applied Geography, 2017,87:85-96.

[32]
Cleveland R B, Cleveland W S, McRae J E , et al. STL: A seasonal-trend decomposition[J]. Journal of Official Statistics, 1990,6(1):3-73.

[33]
Rosner B . Percentage points for a generalized ESD many-outlier procedure[J]. Technometrics, 1983,25(2):165-172.

Options
Outlines

/

〈 〉