CN106650618A - 一种基于随机森林模型的人口数据空间化方法 - Google Patents

一种基于随机森林模型的人口数据空间化方法 Download PDF

Info

Publication number
CN106650618A
CN106650618A CN201611004450.3A CN201611004450A CN106650618A CN 106650618 A CN106650618 A CN 106650618A CN 201611004450 A CN201611004450 A CN 201611004450A CN 106650618 A CN106650618 A CN 106650618A
Authority
CN
China
Prior art keywords
population
variable factors
grid
data
random forest
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201611004450.3A
Other languages
English (en)
Inventor
柳林
谭敏
刘凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201611004450.3A priority Critical patent/CN106650618A/zh
Publication of CN106650618A publication Critical patent/CN106650618A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于随机森林模型的人口数据空间化方法，选取地表覆盖数据、灯光数据等与人口分布相关的变量因子，经过预处理后输入到随机森林模型中，利用随机森林模型确定人口密度与变量因子之间的关系和变量因子重要性，并基于这个关系反演出每个网格的人口密度，最后通过分区密度制图对估算结果进行修正，得到网格化的人口分布结果。该方法能进一步提高人口数据空间化的精度并解释变量因子的重要性。

Description

一种基于随机森林模型的人口数据空间化方法
技术领域
本发明涉及人口数据空间化的理论领域，更具体地，涉及一种基于随机森林模型的人口数据空间化方法；该方法可以应用于科学制定区域发展规划、灾害风险防范与救助、经济建设、环境与生态保护等相关政策中所需的人口信息的精确快捷获取。
技术背景
作为生产力中最重要的因素，人口的集聚不仅会产生集聚效应，在降低人均生活成本的同时还能提高土地集约利用程度，但是如果人口的增长超过某一地区土地的负载能力，就会破坏环境和生态的良性循环，最后损害人类自身。而且随着人口密度的不断增加，城市在面临例如火灾、地震、台风、洪水等传统威胁的同时，也给城市管理带来了新的问题，如交通拥挤、公共设施承载量过大、城市部件大量增加等。这些问题与城市人口的分布都有着密切关系。
当前广泛使用的人口数据通常是以行政区划为单元，通过普查、抽样统计等方式逐级汇总获得的典型人口统计数据，在实际应用中存在以下三方面的不足：第一，时间分辨率低，全国人口普查每10年1次，数据更新周期长，难以准确揭示人口状况的。第二，空间分辨率低，以行政区为单元获得的人口数据在行政单元内是均匀分布的，不能体现人口数据的空间分布特征；第三，不利于多源数据融合和综合空间分析，以行政区为单元的统计数据与自然地理单元存在空间不匹配的问题，限制了人口统计数据在多学科领域的应用。所以非常有必要将人口数据网格化，利于实现人口数据与其它社会统计数据、资源数据、环境数据融合，提高人口、资源、环境综合管理能力。
随着科学技术的不断进步，特别是近年来地球信息科学的突飞猛进，遥感影像信息提取可以提供大量变量因子空间分布和变化的信息，遥感技术和GIS技术结合使用而进行人口数据空间化的方法发展迅速，取得了巨大成就，但还存在着精度较低、模型运行速度较慢、变量因子解释性差的不足。
随机森林模型指的是利用多棵树对样本进行训练并预测的一种分类器，该分类器可以输入大量变量，快速学习后输出高准确度的分类或回归结果，同时评估变量的重要性，不会产生过拟合的问题。随机森林以其上述优点非常适合用于人口数据的空间化，可快速学习变量因子与人口数据之间的关系并给出变量因子的重要性评价。
发明内容
本发明所要解决的技术问题在于，提供一种快速且准确、能够大幅度提高人口数据空间化精度的基于随机森林模型的人口数据空间化方法。
为达到上述目的，本发明提供的基于随机森林模型的人口数据空间化方法，包括以下步骤：
(1)获取行政区的常住人口数、灯光数据以及其它对人口分布具有影响的自然和社会经济因素的原始数据，对数据进行预处理，得到变量因子距离数据、灯光数据、行政区人口密度的对数和二值化栅格转换后的变量因子数据；
(2)统计各个行政区内的每个变量因子的平均值或最常出现的值并匹配到行政区边界；
(3)将步骤(1)预处理后得到的变量因子距离数据、灯光数据和行政区人口密度的对数、二值化变量因子栅格数据、步骤(2)得到的变量因子的平均值或最常出现值作为随机森林模型的输入，来寻找变量因子与人口密度的对数之间的关系并输出变量因子重要性，基于这个关系反演出L×L米网格的人口数，得到人口数据空间化的初步结果；
(4)利用分区密度制图修正人口数据空间化的初步结果，最终实现基于随机森林模型的L米网格的人口数据空间化。
所述的步骤(1)中的预处理进一步包括：
步骤S11，将所有空间数据转换成统一投影坐标系以及参考椭球体。
步骤S12，将行政区的常住人口数除以行政区面积得到行政区的人口密度，并对人口密度取对数；
步骤S13，对灯光数据进行双线性的重采样成L×L米的栅格；
步骤S14，对建成区、河流、水体、道路等其它对人口分布具有影响的自然和社会经济变量因子进行欧氏距离计算。
步骤S15，对其它矢量格式的对人口分布具有影响的自然和社会经济变量因子进行二值化栅格转换。
所述的步骤(1)中步骤S15的二值化栅格转换是将矢量格式的变量因子转换成栅格格式，并和行政区范围进行合并，0表示变量因子为空，1表示变量因子不为空。
上述的一种基于随机森林模型的L米网格的人口分布的估算方法，其特征在于：所述的步骤(2)中的统计各个行政区内的每个变量因子的平均值或最常出现的值具体是指对于变量因子的距离数据及其他连续变量因子进行平均值的统计，对于二值化的变量因子栅格数据进行最常出现值的统计。
上述的一种基于随机森林模型的L米网格的人口分布的估算方法，其特征在于：所述的步骤(4)中的分区密度制图法是按照随机森林得到的每个网格的人口占一个行政区的所有网格的总人口的比例重新分配每个网格的人口数，计算公式如下：
Pi＝Sj×Di/Dj
式中，Pi为每个网格内的人口数，Sj为该网格所在的行政区的人口总数，Di为该网格根据随机森林模型估计得到的人口数，Dj为该网格所在的行政区的所有网格的根据随机森林模型估计得到的人口总数。
与现有技术相比，本发明克服了传统方法对人口数据空间化建模精度低、模型运行速度慢、变量因子解释性差的缺点，利用地表覆盖数据以及灯光数据作为人口分布的变量因子，运用随机森林模型建立人口密度与变量因子之间的关系，并利用生成的随机森林树对每个L×L米栅格的人口密度进行估算，最后通过分区密度制图修正模型结果成功实现L×L米网格的人口分布估算。
附图说明
图1为本发明的一种基于随机森林模型的人口数据空间化方法的流程图；
图2为本发明中的数据预处理的框架图；
图3为本发明实施例中将矢量数据二值化栅格转换的结果；
图4为本发明实施例中变量因子的重要性；
图5为本发明实施例中随机森林模型反演得到的珠三角2010年30m网格的人口数据空间化初步结果图；
图6为本发明实施例中珠三角2010年30m网格人口分布示意图。
具体实施方式
图1出示了一个实例中的基于随机森林模型的人口数据空间化方法的实施方式，包括以下步骤：
(1)获取行政区的常住人口数、灯光数据以及其它对人口分布具有影响的自然和社会经济因素的原始数据，对数据进行预处理，得到变量因子距离数据、灯光数据、行政区人口密度的对数和二值化栅格转换后的变量因子数据；
(2)统计各个行政区内的每个变量因子的平均值或最常出现的值并匹配到行政区边界；
(3)将步骤(1)预处理后得到的变量因子距离数据、灯光数据和行政区人口密度的对数、二值化变量因子栅格数据、步骤(2)得到的变量因子的平均值或最常出现值作为随机森林模型的输入，来寻找变量因子与人口密度的对数之间的关系并输出变量因子重要性，基于这个关系反演出L×L米网格的人口数，得到人口数据空间化的初步结果；
(4)利用分区密度制图修正人口数据空间化的初步结果，最终实现基于随机森林模型的L米网格的人口数据空间化的初步结果。
步骤(1)中的预处理进一步包括：
步骤S11，将所有空间数据转换成统一投影坐标系以及参考椭球体。
步骤S12，将行政区的常住人口数除以行政区面积得到行政区的人口密度，并对人口密度取对数；
步骤S13，对灯光数据进行双线性的重采样成L×L米的栅格；
步骤S14，对建成区、河流、水体、道路等其它对人口分布具有影响的自然和社会经济变量因子进行欧氏距离计算。
步骤S15，对其它矢量格式的对人口分布具有影响的自然和社会经济变量因子进行二值化栅格转换。
步骤(1)中步骤S15的二值化栅格转换是将矢量格式的变量因子转换成栅格格式，并和行政区范围进行合并，0表示变量因子为空，1表示变量因子不为空。
步骤(2)中的统计各个行政区内的每个变量因子的平均值或最常出现的值具体是指对于变量因子的距离数据及其他连续变量因子进行平均值的统计，对于二值化的变量因子栅格数据进行最常出现值的统计。
步骤(4)中的分区密度制图法是按照随机森林得到的每个网格的人口占一个行政区的所有网格的总人口的比例重新分配每个网格的人口数，计算公式如下：
Pi＝Sj×Di/Dj
式中，Pi为每个网格内的人口数，Sj为该网格所在的行政区的人口总数，Di为该网格根据随机森林模型估计得到的人口数，Dj为该网格所在的行政区的所有网格的根据随机森林模型估计得到的人口总数。
下面结合一个实施例和附图来具体阐述基于随机森林模型的人口数据空间化方法，以进一步了解本案的目的、方案和功能，但并非作为对本案后附权利要求保护范围的限制。图1为本发明的一种基于随机森林模型的30m网格的人口分布的估算方法的流程图，参考图1，该人口数据空间化方法包括：
(1)获取珠三角43个区县级行政区2010年的常住人口数、灯光数据以及其它对人口分布具有影响的自然和社会经济因素的原始数据如道路、河流、水体、高程、坡度、建成区，对数据进行预处理，得到建成区、河流、水体、道路的距离数据、灯光数据、行政区人口密度的对数和二值化栅格转换后的建成区、河流、水体、道路数据；
图2为数据预处理的框架图，参考图2，预处理进一步包括：
步骤S11，将所有空间数据转换成统一的Albers投影，中央经线东经105°，起始纬度为0°，标准线为北纬25°和北纬47°，参考椭球选择Krasovsky_1940椭球体。
步骤S12，将人口数据与珠三角区县级行政区划边界根据区县名称相匹配，保存为ESRI shapefile格式文件，其中的属性表字段包括行政区域名称和相应的人口数。利用ArcGIS属性表的地理计算工具统计各个区县的面积，将珠三角43个区县级行政区2010年的常住人口数除以行政区面积得到行政区的人口密度，并对人口密度取对数；
步骤S13，对灯光数据进行双线性的重采样成30×30m的栅格；
步骤S14，对于河流、水体、道路网和建成区的矢量格式数据，计算出珠三角范围内分别到河流、水体、道路网和建设用地的欧氏距离。
步骤S15，对变量因子数据进行二值化栅格转换。图3为本发明中将矢量数据二值化栅格转换的结果，二值化栅格转换是将矢量格式的变量因子如道路、建成区、水体、河流数据转换成栅格数据格式，栅格大小为30×30m，最后把栅格数据与行政区划边界叠加得到二值化栅格数据，即如果一个栅格的土地利用类型为河流或水体或道路网或建成区，则该栅格的值为1，否则为0。
(2)使用ArcGIS的zonal statistic工具的mean方式统计每个区县内分别到河流、水体、道路网和建成区的平均距离，把这四组平均距离添加到步骤S12中的属性表文件中；对于栅格数据格式的灯光数据、高程数据和坡度数据，使用ArcGIS的zonal statistic工具的mean方式统计得到每个区县内的平均灯光强度、平均高程和平均坡度，并把统计结果合并到步骤S12中的属性表文件中。对于二值化的栅格数据，使用ArcGIS的zonal statistic工具的majority方式统计每个区县内出现次数最多的值，并把统计结果合并到步骤S12中的属性表文件中。
(3)将步骤(1)预处理后得到的变量因子距离数据、灯光数据和行政区人口密度的对数、二值化变量因子栅格数据、步骤(2)得到的属性表文件作为随机森林模型的输入，来寻找变量因子与人口密度的对数之间的关系并输出变量因子重要性，图4为本发明实施例中变量因子的重要性，基于这个关系反演出30×30m网格的人口数。图5为本发明中随机森林模型反演得到的珠三角30m网格的人口数据空间化初步结果图。
(4)利用分区密度制图修正人口数据空间化初步结果，最终实现基于随机森林模型的30m网格的人口数据空间化，如图6所示。分区密度制图法是按照随机森林得到的每个网格的人口占一个行政区的所有网格的总人口的比例重新分配每个网格的人口数，计算公式如下：
Pi＝Sj×Di/Dj
式中，Pi为每个网格内的人口数，Sj为该网格所在的行政区的人口总数，Di为该网格根据随机森林模型估计得到的人口数，Dj为该网格所在的行政区的所有网格的根据随机森林模型估计得到的人口总数。
在本发明提供的这种基于随机森林模型的人口数据空间化方法中，采用的随机森林模型可以同时输入大量与人口分布相关的变量，通过快速的机器学习后输出回归结果并且不会产生过拟合的问题，估算精度显著提高，同时可以评估影响人口分布的变量因子的重要性，在一定程度上解决了遥感技术和GIS技术结合使用而进行人口数据空间化的方法中精度较低、模型运行速度较慢、变量因子解释性差的问题。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详尽，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种基于随机森林模型的人口数据空间化方法，其特征在于，所述方法的基本步骤为：
(1)获取行政区的常住人口数、灯光数据以及其它对人口分布具有影响的自然和社会经济因素的原始数据，对数据进行预处理，得到变量因子距离数据、灯光数据、行政区人口密度的对数和二值化栅格转换后的变量因子数据；
(2)统计各个行政区内的每个变量因子的平均值或最常出现的值并匹配到行政区边界；
(3)将步骤(1)预处理后得到的变量因子距离数据、灯光数据和行政区人口密度的对数、二值化变量因子栅格数据、步骤(2)得到的变量因子的平均值或最常出现值作为随机森林模型的输入，来寻找变量因子与人口密度的对数之间的关系并输出变量因子重要性，基于这个关系反演出L×L米网格的人口数，得到人口数据空间化的初步结果；
(4)利用分区密度制图修正人口数据空间化的初步结果，最终实现基于随机森林模型的L米网格的人口数据空间化。
2.根据权利要求1中所述的基于随机森林模型的人口数据空间化方法，其特征在于，所述的步骤(1)中的预处理包括：
步骤S11，将所有空间数据转换成统一投影坐标系以及参考椭球体；
步骤S12，将行政区的常住人口数除以行政区面积得到行政区的人口密度，并对人口密度取对数；
步骤S13，对灯光数据进行双线性的重采样成L×L米的栅格；
步骤S14，对其它对人口分布具有影响的自然和社会经济变量因子进行欧氏距离计算。
步骤S15，对其它矢量格式的对人口分布具有影响的自然和社会经济变量因子进行二值化栅格转换。
3.根据权利要求1中所述的基于随机森林模型的人口数据空间化方法，其特征在于，所述的步骤(1)中步骤S15的二值化栅格转换是将矢量格式的变量因子转换成栅格格式，并和行政区范围进行合并，0表示变量因子为空，1表示变量因子不为空。
4.根据权利要求1中所述的基于随机森林模型的人口数据空间化方法，其特征在于，所述的步骤(2)中的统计各个行政区内的每个变量因子的平均值或最常出现的值具体是指对于变量因子的距离数据及其他连续变量因子进行平均值的统计，对于二值化的变量因子栅格数据进行最常出现值的统计。
5.根据权利要求1中所述的基于随机森林模型的人口数据空间化方法，其特征在于，所述的步骤(4)中的分区密度制图法是按照随机森林得到的每个网格的人口占一个行政区的所有网格的总人口的比例重新分配每个网格的人口数，计算公式如下：
Pi＝Sj×Di/Dj
式中，Pi为每个网格内的人口数，Sj为该网格所在的行政区的人口总数，Di为该网格根据随机森林模型估计得到的人口数，Dj为该网格所在的行政区的所有网格的根据随机森林模型估计得到的人口总数。
CN201611004450.3A 2016-11-15 2016-11-15 一种基于随机森林模型的人口数据空间化方法 Withdrawn CN106650618A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611004450.3A CN106650618A (zh) 2016-11-15 2016-11-15 一种基于随机森林模型的人口数据空间化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611004450.3A CN106650618A (zh) 2016-11-15 2016-11-15 一种基于随机森林模型的人口数据空间化方法

Publications (1)

Publication Number Publication Date
CN106650618A true CN106650618A (zh) 2017-05-10

Family

ID=58805984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611004450.3A Withdrawn CN106650618A (zh) 2016-11-15 2016-11-15 一种基于随机森林模型的人口数据空间化方法

Country Status (1)

Country Link
CN (1) CN106650618A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194187A (zh) * 2017-06-06 2017-09-22 国家基础地理信息中心 顾及空间组成与构型的地表覆盖样本量计算方法
CN107239756A (zh) * 2017-05-23 2017-10-10 国家地理空间信息中心 基于高分卫星遥感数据结合地物类型的人口密度分析系统
CN108062408A (zh) * 2017-12-28 2018-05-22 闻丞 一种数据处理方法及装置
CN108664629A (zh) * 2018-05-14 2018-10-16 中国科学院遥感与数字地球研究所 一种夜间灯光数据校正和非普查年份人口空间格网化方法
CN108804394A (zh) * 2018-05-23 2018-11-13 河海大学 一种城市夜光总量-城镇人口回归模型的构建方法
CN109543242A (zh) * 2018-10-30 2019-03-29 中国运载火箭技术研究院 一种运载火箭末级地面损害分析方法
CN109978249A (zh) * 2019-03-19 2019-07-05 广州大学 基于分区建模的人口数据空间化方法、系统及介质
CN110399571A (zh) * 2019-07-29 2019-11-01 智慧足迹数据科技有限公司 一种确定实际到访人口数量的方法、装置、设备和介质
CN110728433A (zh) * 2019-09-19 2020-01-24 重庆市交通规划研究院 一种基于手机信令的地块居住人口测算方法
CN111582386A (zh) * 2020-05-11 2020-08-25 四川师范大学 一种基于随机森林的地质灾害多灾种综合风险评价方法
CN112085250A (zh) * 2020-07-30 2020-12-15 中国科学院城市环境研究所 一种人口空间分布模拟方法、终端设备及存储介质
CN112381332A (zh) * 2020-12-02 2021-02-19 中国科学院空天信息创新研究院 一种基于聚落对象的人口空间分布预测方法
CN112487126A (zh) * 2020-12-11 2021-03-12 重庆邮电大学 基于随机森林-点到面克里金回归的多源数据人口空间化方法
CN112488413A (zh) * 2020-12-11 2021-03-12 重庆邮电大学 基于awa-drcn的人口空间化方法
WO2021103321A1 (zh) * 2019-11-29 2021-06-03 青岛理工大学 一种历史名城老城区人口变化监测可视化系统
CN114492987A (zh) * 2022-01-24 2022-05-13 浙江大学 一种资产存量空间化方法、系统及存储介质
CN115238584A (zh) * 2022-07-29 2022-10-25 湖南大学 一种基于多源大数据的人口分布识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593210A (zh) * 2008-12-30 2009-12-02 中国科学院地理科学与资源研究所 一种提高空间分辨率和更新速度的人口统计方法及系统
CN103218517A (zh) * 2013-03-22 2013-07-24 南京信息工程大学 基于gis的区域网格化人口密度空间化计算方法
CN105389589A (zh) * 2015-11-06 2016-03-09 北京航空航天大学 一种基于随机森林回归的胸腔x光片肋骨检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593210A (zh) * 2008-12-30 2009-12-02 中国科学院地理科学与资源研究所 一种提高空间分辨率和更新速度的人口统计方法及系统
CN103218517A (zh) * 2013-03-22 2013-07-24 南京信息工程大学 基于gis的区域网格化人口密度空间化计算方法
CN105389589A (zh) * 2015-11-06 2016-03-09 北京航空航天大学 一种基于随机森林回归的胸腔x光片肋骨检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FORREST R .STEVENS ET AL.: "Disaggregating Census Data for Population Mapping Using Random Forests with Remotely-Sensed and Ancillary Data", 《PLOS ONE》 *
马钰琪 等: "基于夜间灯光数据和多地理因子数据的人口空间化方法", 《北京师范大学学报（自然科学版）》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239756A (zh) * 2017-05-23 2017-10-10 国家地理空间信息中心 基于高分卫星遥感数据结合地物类型的人口密度分析系统
CN107194187A (zh) * 2017-06-06 2017-09-22 国家基础地理信息中心 顾及空间组成与构型的地表覆盖样本量计算方法
CN107194187B (zh) * 2017-06-06 2019-08-06 国家基础地理信息中心 顾及空间组成与构型的地表覆盖样本量计算方法
CN108062408A (zh) * 2017-12-28 2018-05-22 闻丞 一种数据处理方法及装置
CN108664629A (zh) * 2018-05-14 2018-10-16 中国科学院遥感与数字地球研究所 一种夜间灯光数据校正和非普查年份人口空间格网化方法
CN108804394A (zh) * 2018-05-23 2018-11-13 河海大学 一种城市夜光总量-城镇人口回归模型的构建方法
CN109543242A (zh) * 2018-10-30 2019-03-29 中国运载火箭技术研究院 一种运载火箭末级地面损害分析方法
CN109543242B (zh) * 2018-10-30 2023-07-14 中国运载火箭技术研究院 一种运载火箭末级地面损害分析方法
CN109978249A (zh) * 2019-03-19 2019-07-05 广州大学 基于分区建模的人口数据空间化方法、系统及介质
CN110399571B (zh) * 2019-07-29 2020-06-09 智慧足迹数据科技有限公司 一种确定实际到访人口数量的方法、装置、设备和介质
CN110399571A (zh) * 2019-07-29 2019-11-01 智慧足迹数据科技有限公司 一种确定实际到访人口数量的方法、装置、设备和介质
CN110728433A (zh) * 2019-09-19 2020-01-24 重庆市交通规划研究院 一种基于手机信令的地块居住人口测算方法
CN110728433B (zh) * 2019-09-19 2023-05-26 重庆市交通规划研究院 一种基于手机信令的地块居住人口测算方法
WO2021103321A1 (zh) * 2019-11-29 2021-06-03 青岛理工大学 一种历史名城老城区人口变化监测可视化系统
CN111582386A (zh) * 2020-05-11 2020-08-25 四川师范大学 一种基于随机森林的地质灾害多灾种综合风险评价方法
CN112085250A (zh) * 2020-07-30 2020-12-15 中国科学院城市环境研究所 一种人口空间分布模拟方法、终端设备及存储介质
CN112381332A (zh) * 2020-12-02 2021-02-19 中国科学院空天信息创新研究院 一种基于聚落对象的人口空间分布预测方法
CN112487126A (zh) * 2020-12-11 2021-03-12 重庆邮电大学 基于随机森林-点到面克里金回归的多源数据人口空间化方法
CN112488413A (zh) * 2020-12-11 2021-03-12 重庆邮电大学 基于awa-drcn的人口空间化方法
CN114492987A (zh) * 2022-01-24 2022-05-13 浙江大学 一种资产存量空间化方法、系统及存储介质
CN115238584A (zh) * 2022-07-29 2022-10-25 湖南大学 一种基于多源大数据的人口分布识别方法

Similar Documents

Publication Publication Date Title
CN106650618A (zh) 一种基于随机森林模型的人口数据空间化方法
Li et al. Multi-scale analysis of rural housing land transition under China's rapid urbanization: The case of Bohai Rim
Lv et al. Evaluation of urban sprawl and urban landscape pattern in a rapidly developing region
CN105205466B (zh) 一种基于夜间灯光影像的能源碳排放量遥感估算方法
CN102521835B (zh) 一种基于空间三维模板的点云数据树高提取方法
Bilskie et al. Topographic accuracy assessment of bare earth lidar-derived unstructured meshes
Zhang et al. A global dataset of daily near-surface air temperature at 1-km resolution (2003–2020)
CN110134907B (zh) 一种降雨缺失数据填补方法、系统及电子设备
CN115115262B (zh) 一种洪水风险灾害评估的方法
Zheng et al. The desaturation method of DMSP/OLS nighttime light data based on vector data: Taking the rapidly urbanized China as an example
CN112926468B (zh) 一种潮滩高程自动提取方法
CN112700358A (zh) 一种海洋生态桩监测的海洋空间资源智能监管系统
He et al. Using tencent user location data to modify night-time light data for delineating urban agglomeration boundaries
Cooper Open data flood mapping of Chao Phraya River basin and Bangkok metropolitan region
Wang et al. A framework for fine classification of urban wetlands based on random forest and knowledge rules: taking the wetland cities of Haikou and Yinchuan as examples
CN116401327A (zh) 无资料地区中小流域设计暴雨洪水计算辅助系统
Ma et al. A multisource remotely sensed data oriented method for “ghost city” phenomenon identification
CN115457402A (zh) 一种基于深度学习改进的高分遥感影像四乱提取方法
Pan et al. Measurement of urbanization process and the paddy soil loss in Yixing city, China between 1949 and 2000
An et al. Spatial and temporal evolution of carbon stocks in Dongting Lake wetlands based on remote sensing data
Zhao et al. Quantifying morphology evolutions of urban heat islands and assessing their heat exposure in a metropolis
Du et al. How Does the 2D/3D Urban Morphology Affect the Urban Heat Island across Urban Functional Zones? A Case Study of Beijing, China
Sun et al. Impact of nighttime light data saturation correction on the application of carbon emissions spatialization: A comparative study of the correction effect and application effect based on five methods in China
Sono et al. Spatiotemporal evolution of West Africa’s urban landscape characteristics applying harmonized DMSP-OLS and NPP-VIIRS nighttime light (NTL) data
Zhai et al. Using spatial heterogeneity to strengthen the neighbourhood effects of urban growth simulation models

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20170510

WW01 Invention patent application withdrawn after publication