CN109978249A - 基于分区建模的人口数据空间化方法、系统及介质 - Google Patents
基于分区建模的人口数据空间化方法、系统及介质 Download PDFInfo
- Publication number
- CN109978249A CN109978249A CN201910210697.8A CN201910210697A CN109978249A CN 109978249 A CN109978249 A CN 109978249A CN 201910210697 A CN201910210697 A CN 201910210697A CN 109978249 A CN109978249 A CN 109978249A
- Authority
- CN
- China
- Prior art keywords
- population
- spatial distribution
- data
- grid
- subregion
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 182
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011160 research Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000012216 screening Methods 0.000 claims abstract description 48
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000010835 comparative analysis Methods 0.000 claims abstract description 11
- 238000013316 zoning Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 29
- 230000001419 dependent effect Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 241001269238 Data Species 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 2
- 238000009435 building construction Methods 0.000 description 7
- 230000010354 integration Effects 0.000 description 5
- 239000004744 fabric Substances 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于分区建模的人口数据空间化方法、系统及介质，所述方法包括：采集研究区的影响人口空间分布的原始数据源并进行预处理；基于地理探测器模型对数据进行格网化处理，得到人口分布影响指标后进行标准化处理，初步筛选出人口分布影响因子；将研究区划分为若干个分区，分别对分区的所述人口分布影响因子进行重新筛选；同时建立逐步回归方程和随机森林模型，将每个分区的人口数据空间化结果进行精度比较分析，选取各分区中最优模拟结果作为每个分区的人口数据空间化最终结果并进行合并，得到人口空间分布模拟示意图。本发明能够基于分区建模对研究区进行分区并构建各分区的人口数据空间化模型，提高人口空间分布模拟的精度和效率。
Description
技术领域
本发明涉及人口数据处理技术领域，具体涉及一种基于分区建模的人口数据空间化方法、系统及介质。
背景技术
人作为社会活动的主体，是引起自然地理环境发生演变的主导因素。人口空间分布是人口学、社会学、统计学的主要研究课题之一，更是人口地理学最主要研究的核心内容。依据联合国经社部发布的《全球人口发展报告—2015修订版》可知，预计到2030年世界总人口将达到85亿，在2050年增加到97亿，下个世纪初将增长到112亿。人口增长、庞大的人口数量引发了对土地资源、能源资源、矿产资源等的过度消耗，同时还造成了严重的环境污染及生态破坏等问题。因此，如何有效、精确地获取人口在空间上的分布数量及其空间分布特征，分析人口在空间上的扩张和迁移，对协调人地关系、自然灾害的预防、灾后救灾、受伤人口及财产损失估算、资源合理利用和环境保护都有巨大的现实意义。
目前传统的人口统计数据不仅存在时空分辨率低的明显缺点，当其与多源数据进行融合或叠加分析时，也往往会出现行政区划边界与自然单元边界不吻合、数据空间精度降低、“可变元”等问题。随着3S技术的发展以及大数据时代的到来，数据种类层出不穷，人口数据空间化的计算方法使得统计人口从行政单元向格网单元的转换，不仅提高了人口分布的空间分辨率，而且更容易与其他社会统计数据、生态环境数据等多源数据进行融合分析。
但是，在对现有技术的研究与实践过程中，本发明的发明人发现，人口数据空间化过程中仍存在影响因子选取不合理和模型实用性较差的缺陷，导致模拟结果精度较低。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于分区建模的人口数据空间化方法、系统及介质，能够提高人口空间分布模拟的精度。
为解决上述问题，本发明的一个实施例提供一种基于分区建模的人口数据空间化方法，包括如下步骤：
采集研究区的常住人口数据以及影响人口空间分布的原始数据源并进行数据预处理；
基于地理探测器模型对预处理后的数据进行格网化处理，在得到对应的人口分布影响指标后对其进行标准化处理，初步筛选出人口分布影响因子；
将所述研究区划分为若干个分区，根据分区之间的自然和社会经济因素差异，在所述初步筛选的基础上，分别对若干个分区的所述人口分布影响因子进行重新筛选；
根据每个分区的人口密度和重新筛选的人口分布影响因子同时建立逐步回归方程和随机森林模型，并反演出每个分区的人口数据空间化结果；
将所述每个分区的人口数据空间化结果与对应的街道尺度进行精度比较分析，选取各分区中最优模拟结果作为每个分区的人口数据空间化最终结果；
将若干个分区的所述人口数据空间化最终结果进行合并，得到所述研究区的人口空间分布模拟示意图。
进一步地，所述影响人口空间分布的原始数据源包括土地利用数据、DEM、POI数据、路网分布、夜间灯光数据、小区房价以及房屋建筑面积。
进一步地，所述数据预处理，具体为：
将收集到的空间数据统一转化成Albers投影，其中，设置中央经线为105°E，起始纬度为0°，标准线为25°N和47°N，参考椭球体为Krasovsky_1940椭球体；
将所述夜间灯光数据和DEM重采样为150米栅格；
对所述POI数据和小区房价数据分别进行坐标纠偏、去重及空间匹配处理。
进一步地，所述格网化处理，具体为：
将所述研究区进行150m X 150m格网划分；
对所述土地利用数据与格网图层进行叠置分析处理，统计每个格网中各种土地类型的面积，并计算其对应的土地利用类型指数；
对所述房屋建筑面积与格网图层进行叠置分析处理，统计每个格网的房屋建筑面积，并计算其占格网面积的百分比；
对所述路网分布与格网图层进行相交分析处理，统计每个格网中的道路长度，并计算格网道路密度；
采用GIS空间连接方法对小区房价点状数据与格网图层进行空间连接处理，将字段整合规则设置为平均值，统计每个格网中的房价均值；
对所述POI数据先进行核密度分析，像元大小设置为150；然后利用GIS分区统计制表工具，以格网编码为统计字段，统计每个格网中各种POI数据的密度均值；同时，用同样的统计方式统计每个格网中夜间灯光强度均值及海拔高度均值。
进一步地，所述标准化处理，具体为：
对格网图层属性表中的土地利用指数、海拔高度、路网密度、POI密度、房屋建筑面积百分比、小区房价均值以及夜间灯光强度字段进行标准化处理，使得各项指标的值域范围处于0-1之间，消除量纲不一致的影响；
对标准化处理后的格网中的各个指标值进行面转栅格处理，输出栅格大小为150，对输出的栅格数据采用自然间断点法进行7级划分；
对人口数据与研究区街道级行政区划边界按街道名称进行匹配，计算各个街道的人口密度值，并对其进行均匀空间离散化处理，同时采用自然间断点法进行7级划分。
进一步地，所述初步筛选，具体为：
利用ArcMap10.2中的创建随机点工具，以研究区作为处理范围，随机生成3000个样本点，并利用Extract Multi Values To Points工具分别提取对应样本点的人口密度值和各个人口空间分布影响因子的指标值；
将因变量人口密度值和自变量人口空间分布影响因子输入到GeoDetector2015软件中，计算并获取各影响因子对因变量的解释力q值，将未通过0.05显著性检验的影响因子剔除，完成对人口空间分布影响因子的初步筛选。
进一步地，所述重新筛选，具体为：
在所述初步筛选的基础上，基于地理探测器模型对初步筛选后的数据进行格网化处理，在得到对应的人口分布影响指标后对其进行标准化处理，根据各个分区的自然和社会经济因素差异以及参考初步筛选的结果，分别对各个分区的人口分布影响因子进行重新筛选。
本发明的一个实施例还提供了一种基于分区建模的人口数据空间化系统，包括：
数据预处理模块，用于采集研究区的常住人口数据以及影响人口空间分布的原始数据源并进行数据预处理；
识别因子模块，用于基于地理探测器模型对预处理后的数据进行格网化处理，在得到对应的人口分布影响指标后对其进行标准化处理，初步筛选出人口分布影响因子；
筛选因子模块，用于将所述研究区划分为若干个分区，根据分区之间的自然和社会经济因素差异，在所述初步筛选的基础上，分别对若干个分区的所述人口分布影响因子进行重新筛选；
分区建模模块，用于根据每个分区的人口密度和重新筛选的人口分布影响因子同时建立逐步回归方程和随机森林模型，并反演出每个分区的人口数据空间化结果；
合并输出模块，用于将所述每个分区的人口数据空间化结果与对应的街道尺度进行精度比较分析，选取各分区中最优模拟结果作为每个分区的人口数据空间化最终结果；将若干个分区的所述人口数据空间化最终结果进行合并，得到所述研究区的人口空间分布模拟示意图。
进一步地，所述数据预处理，具体为：
将收集到的空间数据统一转化成Albers投影，其中，设置中央经线为105°E，起始纬度为0°，标准线为25°N和47°N，参考椭球体为Krasovsky_1940椭球体；
将所述夜间灯光数据和DEM重采样为150米栅格；
对所述POI数据和小区房价数据分别进行坐标纠偏、去重及空间匹配处理。
本发明的一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于分区建模的人口数据空间化方法。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的一种基于分区建模的人口数据空间化方法、系统及介质，所述方法包括如下步骤：采集研究区的常住人口数据以及影响人口空间分布的原始数据源并进行数据预处理；基于地理探测器模型对预处理后的数据进行格网化处理，在得到对应的人口分布影响指标后对其进行标准化处理，初步筛选出人口分布影响因子；将所述研究区划分为若干个分区，根据分区之间的自然和社会经济因素差异，在所述初步筛选的基础上，分别对若干个分区的所述人口分布影响因子进行重新筛选；根据每个分区的人口密度和重新筛选的人口分布影响因子同时建立逐步回归方程和随机森林模型，并反演出每个分区的人口数据空间化结果；将所述每个分区的人口数据空间化结果与对应的街道尺度进行精度比较分析，选取各分区中最优模拟结果作为每个分区的人口数据空间化最终结果；将若干个分区的所述人口数据空间化最终结果进行合并，得到所述研究区的人口空间分布模拟示意图。本发明能够基于分区建模思想对研究区进行分区，并据此构建适宜于各分区的人口数据空间化模型，充分整合土地利用、夜间灯光、兴趣点、小区房价等各种来源的数据信息，有效纠正了单一数据来源存在的偏差特性，并增强了模型因子的解释性，并采用地理探测器模型对人口空间分布的影响因素进行精准识别，所得结果更符合区域人口分布的实际特征，有利于提高人口空间分布模拟的精度和效率。
附图说明
图1为本发明第一实施例提供的一种基于分区建模的人口数据空间化方法的流程示意图；
图2为本发明第一实施例提供的另一种基于分区建模的人口数据空间化方法的流程示意图；
图3为本发明实施例提供的研究区土地利用指数分布图；
图4为本发明实施例提供的研究区格网房屋建筑面积分布图；
图5为本发明实施例提供的研究区格网道路密度分布图；
图6为本发明实施例提供的研究区区域划分示意图；
图7为本发明实施例提供的研究区150m格网人口数据空间化结果示意图；
图8为本发明第二实施例提供的一种基于分区建模的人口数据空间化系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
首先介绍本发明可以提供的应用场景，如人口数据空间化。
需要说明的是，在具体实施案例过程中，本发明实施例的案例说明中仅仅将研究区分为两个子区域，主要是为了便于演示，事实上分区的数量应依据具体案例区情况而定。除外，本发明实施方案中的案例说明仅利用了逐步归回分析和随机森林等两种机器学习模型，但并不代表其他基于机器学习的方法不在该范畴中。对于该领域的研究者，在不脱离本发明思路的前提下，做出若干边形和改进，都属于本发明的保护范围。
本发明具体实施例中，选取广州市越秀区、海珠区、荔湾区、天河区、白云区和黄埔区范围内共106个街道作为研究区域作为数据源，利用ArcGIS10.2、python语言、GeoDetector2015等辅助工具，实现研究区人口数据空间化。
本发明第一实施例：
请参阅图1-7。
如图1所示，本实施例提供的一种基于分区建模的人口数据空间化方法，包括如下步骤：
S101、采集研究区的常住人口数据以及影响人口空间分布的原始数据源并进行数据预处理；
具体的，对于步骤S101，收集广州市越秀区、海珠区、荔湾区、天河区、白云区、黄埔区共106个街道的常住人口数据、影响人口空间分布的自然和社会经济因素等原始数据源。如：土地利用数据、DEM、POI数据、路网分布、夜间灯光数据、小区房价、房屋建筑面积等。
S102、基于地理探测器模型对预处理后的数据进行格网化处理，在得到对应的人口分布影响指标后对其进行标准化处理，初步筛选出人口分布影响因子；
具体的，对于步骤S102，将收集到的空间数据统一转化成Albers投影，中央经线为105E，起始纬度为0，标准线为25N和47N，参考椭球体为Krasovsky_1940椭球体。将夜间灯光数据和DEM重采样为150米栅格。将POI数据、小区房价数据进行坐标纠偏、去重、空间匹配等预处理。将上述处理好的格网图层属性表中的土地利用指数、海拔高度、路网密度、POI密度、房屋建筑面积百分比、小区房价均值、夜间灯光强度等字段进行标准化处理，使得各项指标的值域范围处于0-1之间，消除量纲不一致的影响。将标准化处理后的格网中的各个指标值进行面转栅格处理，输出栅格大小为150；然后对输出的栅格数据采用自然间断点法进行7级划分。将人口数据与研究区街道级行政区划边界按街道名称进行匹配，计算各个街道的人口密度值，并对其进行均匀空间离散化处理，同时采用自然间断点法进行7级划分。利用ArcMap10.2中的创建随机点工具(Create Random Points)，以研究区作为处理范围，随机生成3000个样本点，并利用Extract Multi Values To Points工具分别提取对应样本点的人口密度值和各个人口空间分布影响因子的指标值。将因变量人口密度值和自变量人口空间分布影响因子输入到GeoDetector2015软件中，计算并获取各影响因子对因变量的解释力q值(q-statistic)。然后将未通过0.05显著性检验的影响因子剔除，完成对人口空间分布影响因子的初步筛选。
S103、将所述研究区划分为若干个分区，根据分区之间的自然和社会经济因素差异，在所述初步筛选的基础上，分别对若干个分区的所述人口分布影响因子进行重新筛选；
具体的，对于步骤S103，将研究区划分为两个分区，根据两个分区的自然和社会经济因素差异、参考初步筛选的结果，分别对两个分区的人口分布影响因子进行重新筛选。
S104、根据每个分区的人口密度和重新筛选的人口分布影响因子同时建立逐步回归方程和随机森林模型，并反演出每个分区的人口数据空间化结果；
具体的，对于步骤S104，每个分区中，依据各街道的人口密度及选取的人口分布影响因子，同时建立逐步回归方程和随机森林模型，并基于建立好的逐步回归方程和随机森林模型，反演出每个分区的基于逐步回归方程和随机森林模型的150m格网的人口密度值；然后乘以对应的格网面积，获取每个格网的人口数量。
S105、将所述每个分区的人口数据空间化结果与对应的街道尺度进行精度比较分析，选取各分区中最优模拟结果作为每个分区的人口数据空间化最终结果；
S106、将若干个分区的所述人口数据空间化最终结果进行合并，得到所述研究区的人口空间分布模拟示意图。
具体的，对于步骤S105和S106，将每个分区的基于逐步回归方程和随机森林模型所得的人口数据空间化结果基于街道尺度进行精度比较分析，选取分区中最优模拟结果作为每个分区的人口数据空间化最终结果。
在优选的实施例中，所述影响人口空间分布的原始数据源包括土地利用数据、DEM、POI数据、路网分布、夜间灯光数据、小区房价以及房屋建筑面积。
在优选的实施例中，所述数据预处理，具体为：
将收集到的空间数据统一转化成Albers投影，其中，设置中央经线为105°E，起始纬度为0°，标准线为25°N和47°N，参考椭球体为Krasovsky_1940椭球体；
将所述夜间灯光数据和DEM重采样为150米栅格；
对所述POI数据和小区房价数据分别进行坐标纠偏、去重及空间匹配处理。
在优选的实施例中，所述格网化处理，具体为：
将所述研究区进行150m X 150m格网划分；
对所述土地利用数据与格网图层进行叠置分析处理，统计每个格网中各种土地类型的面积，并计算其对应的土地利用类型指数；
对所述房屋建筑面积与格网图层进行叠置分析处理，统计每个格网的房屋建筑面积，并计算其占格网面积的百分比；
对所述路网分布与格网图层进行相交分析处理，统计每个格网中的道路长度，并计算格网道路密度；
采用GIS空间连接方法对小区房价点状数据与格网图层进行空间连接处理，将字段整合规则设置为平均值，统计每个格网中的房价均值；
对所述POI数据先进行核密度分析，像元大小设置为150；然后利用GIS分区统计制表工具，以格网编码为统计字段，统计每个格网中各种POI数据的密度均值；同时，用同样的统计方式统计每个格网中夜间灯光强度均值及海拔高度均值。
在优选的实施例中，所述标准化处理，具体为：
对格网图层属性表中的土地利用指数、海拔高度、路网密度、POI密度、房屋建筑面积百分比、小区房价均值以及夜间灯光强度字段进行标准化处理，使得各项指标的值域范围处于0-1之间，消除量纲不一致的影响；
对标准化处理后的格网中的各个指标值进行面转栅格处理，输出栅格大小为150，对输出的栅格数据采用自然间断点法进行7级划分；
对人口数据与研究区街道级行政区划边界按街道名称进行匹配，计算各个街道的人口密度值，并对其进行均匀空间离散化处理，同时采用自然间断点法进行7级划分。
在优选的实施例中，所述初步筛选，具体为：
利用ArcMap10.2中的创建随机点工具，以研究区作为处理范围，随机生成3000个样本点，并利用Extract Multi Values To Points工具分别提取对应样本点的人口密度值和各个人口空间分布影响因子的指标值；
将因变量人口密度值和自变量人口空间分布影响因子输入到GeoDetector2015软件中，计算并获取各影响因子对因变量的解释力q值，将未通过0.05显著性检验的影响因子剔除，完成对人口空间分布影响因子的初步筛选。
在优选的实施例中，所述重新筛选，具体为：
在所述初步筛选的基础上，基于地理探测器模型对初步筛选后的数据进行格网化处理，在得到对应的人口分布影响指标后对其进行标准化处理，根据各个分区的自然和社会经济因素差异以及参考初步筛选的结果，分别对各个分区的人口分布影响因子进行重新筛选。
如图2所示，本发明实施例还提供了另一种基于分区建模的人口数据空间化方法，具体步骤如下：
步骤(1)：收集广州市越秀区、海珠区、荔湾区、天河区、白云区、黄埔区共106个街道的常住人口数据、影响人口空间分布的自然和社会经济因素等原始数据源。如：土地利用数据、DEM、POI数据、路网分布、夜间灯光数据、小区房价、房屋建筑面积等。
步骤(2)：将收集到的空间数据统一转化成Albers投影，中央经线为105E，起始纬度为0，标准线为25N和47N，参考椭球体为Krasovsky_1940椭球体。
步骤(3)：将夜间灯光数据和DEM重采样为150米栅格。
步骤(4)：将POI数据、小区房价数据进行坐标纠偏、去重、空间匹配等预处理。
步骤(5)：将研究区进行150m X 150m格网划分。
步骤(6)：如图3所示，将土地利用数据与格网图层进行叠置分析，统计每个格网中各种土地类型的面积，并计算其对应的土地利用类型指数。如：耕地指数、林地指数、水域指数、城镇用地指数、农村用地指数等。同理，如图4所示，将房屋建筑面积与格网图层进行叠置分析，统计每个格网的房屋建筑面积，并计算其占格网面积的百分比。
步骤(7)：如图5所示，将路网分布与格网图层进行相交分析，统计每个格网中的道路长度，并计算格网道路密度。
步骤(8)：利用GIS空间连接手段，将小区房价点状数据与格网图层进行空间连接，字段整合规则设置为平均值，统计每个格网中的房价均值。
步骤(9)：将收集到的POI数据先进行核密度分析，像元大小设置为150；然后利用GIS分区统计制表工具，以格网编码为统计字段，统计每个格网中各种POI数据的密度均值；同理，用同样的方式统计每个格网中夜间灯光强度均值及海拔高度均值。
步骤(10)：将上述处理好的格网图层属性表中的土地利用指数、海拔高度、路网密度、POI密度、房屋建筑面积百分比、小区房价均值、夜间灯光强度等字段进行标准化处理，使得各项指标的值域范围处于0-1之间，消除量纲不一致的影响。
步骤(11)：将步骤(10)中标准化处理后的格网中的各个指标值进行面转栅格处理，输出栅格大小为150；然后对输出的栅格数据采用自然间断点法进行7级划分。
步骤(12)：将人口数据与研究区街道级行政区划边界按街道名称进行匹配，计算各个街道的人口密度值，并对其进行均匀空间离散化处理，同时采用自然间断点法进行7级划分。
步骤(13)：利用ArcMap10.2中的创建随机点工具(Create Random Points)，以研究区作为处理范围，随机生成3000个样本点，并利用Extract Multi Values To Points工具分别提取对应样本点的人口密度值和各个人口空间分布影响因子的指标值。
步骤(14)：经步骤(11)、(12)、(13)处理后，将因变量人口密度值和自变量人口空间分布影响因子输入到GeoDetector2015软件中，计算并获取各影响因子对因变量的解释力q值(q-statistic)。然后将未通过0.05显著性检验的影响因子剔除，完成对人口空间分布影响因子的初步筛选。
步骤(15)：如图6所示，将研究区划分为两个分区。
步骤(16)：根据两个分区的自然和社会经济因素差异、参考步骤(14)的结果，分别对两个分区的人口分布影响因子进行重新筛选。
步骤(17)：分别将两个分区的矢量图层与土地利用数据进行叠置分析。基于街道尺度，统计每个街道所对应的各种土地利用面积，然后计算其相应的土地利用类型指数。如：耕地指数、林地指数、水域指数、城镇用地指数、农村用地指数等。同理，将房屋建筑面积分别与两个分区矢量图层进行叠置分析，统计每个街道的房屋建筑面积，并计算其占街道面积的百分比。
步骤(18)：将路网分布分别与两个分区矢量图层进行相交分析，统计每个街道的道路长度，并计算每个街道的道路密度。
步骤(19)：利用GIS空间连接手段，将小区房价点状数据分别与两个分区矢量图层进行空间连接，字段整合规则设置为平均值，统计每个街道的房价均值。
步骤(20)：将收集到的POI数据先进行核密度分析，像元大小设置为150；然后利用GIS分区统计制表工具，以街道编码为统计字段，统计每个街道各种POI数据的密度均值；同理，用同样的方式统计每个街道夜间灯光强度均值及海拔高度均值。
步骤(21)：将步骤(16)、(17)、(18)、(19)得到的基于街道的尺度的各项指标值，按分区进行标准化处理。
步骤(22)：将两个分区分别进行150m X 150m格网划分。
步骤(23)：将两个分区的人口空间分布影响因子分别进行格网化处理。土地利用数据、房屋建筑数据处理过程与步骤(6)一致；路网分布数据处理方式与步骤(7)一致；小区房价数据处理方式与步骤(8)一致；POI数据、夜间灯光数据、DEM数据处理方式与步骤(9)一致。
步骤(24)：分别将两个分区的人口分布影响指标进行标准化处理。
步骤(25)：每个分区中，依据各街道的人口密度及选取的人口分布影响因子，同时建立逐步回归方程和随机森林模型，并基于建立好的逐步回归方程和随机森林模型，反演出每个分区的基于逐步回归方程和随机森林模型的150m格网的人口密度值；然后乘以对应的格网面积，获取每个格网的人口数量。
步骤(26)：将每个分区的基于逐步回归方程和随机森林模型所得的人口数据空间化结果基于街道尺度进行精度比较分析，选取分区中最优模拟结果作为每个分区的人口数据空间化最终结果。
步骤(27)：如图7所示，将两个分区的最优人口数据空间化结果进行合并，最终得到整个研究区的人口空间分布模拟示意图。
本发明实施例提供的一种基于分区建模的人口数据空间化方法、系统及介质，所述方法包括如下步骤：采集研究区的常住人口数据以及影响人口空间分布的原始数据源并进行数据预处理；基于地理探测器模型对预处理后的数据进行格网化处理，在得到对应的人口分布影响指标后对其进行标准化处理，初步筛选出人口分布影响因子；将所述研究区划分为若干个分区，根据分区之间的自然和社会经济因素差异，在所述初步筛选的基础上，分别对若干个分区的所述人口分布影响因子进行重新筛选；根据每个分区的人口密度和重新筛选的人口分布影响因子同时建立逐步回归方程和随机森林模型，并反演出每个分区的人口数据空间化结果；将所述每个分区的人口数据空间化结果与对应的街道尺度进行精度比较分析，选取各分区中最优模拟结果作为每个分区的人口数据空间化最终结果；将若干个分区的所述人口数据空间化最终结果进行合并，得到所述研究区的人口空间分布模拟示意图。本发明能够基于分区建模思想对研究区进行分区，并据此构建适宜于各分区的人口数据空间化模型，充分整合土地利用、夜间灯光、兴趣点、小区房价等各种来源的数据信息，有效纠正了单一数据来源存在的偏差特性，并增强了模型因子的解释性，并采用地理探测器模型对人口空间分布的影响因素进行精准识别，所得结果更符合区域人口分布的实际特征，有利于提高人口空间分布模拟的精度和效率。
本发明第二实施例：
请参阅图3-8。
如图8所示，本实施例还提供了一种基于分区建模的人口数据空间化系统，包括：
数据预处理模块100，用于采集研究区的常住人口数据以及影响人口空间分布的原始数据源并进行数据预处理；
识别因子模块200，用于基于地理探测器模型对预处理后的数据进行格网化处理，在得到对应的人口分布影响指标后对其进行标准化处理，初步筛选出人口分布影响因子；
筛选因子模块300，用于将所述研究区划分为若干个分区，根据分区之间的自然和社会经济因素差异，在所述初步筛选的基础上，分别对若干个分区的所述人口分布影响因子进行重新筛选；
分区建模模块400，用于根据每个分区的人口密度和重新筛选的人口分布影响因子同时建立逐步回归方程和随机森林模型，并反演出每个分区的人口数据空间化结果；
合并输出模块500，用于将所述每个分区的人口数据空间化结果与对应的街道尺度进行精度比较分析，选取各分区中最优模拟结果作为每个分区的人口数据空间化最终结果；将若干个分区的所述人口数据空间化最终结果进行合并，得到所述研究区的人口空间分布模拟示意图。
在优选的实施例中，所述影响人口空间分布的原始数据源包括土地利用数据、DEM、POI数据、路网分布、夜间灯光数据、小区房价以及房屋建筑面积。
在优选的实施例中，所述数据预处理，具体为：
将收集到的空间数据统一转化成Albers投影，其中，设置中央经线为105°E，起始纬度为0°，标准线为25°N和47°N，参考椭球体为Krasovsky_1940椭球体；
将所述夜间灯光数据和DEM重采样为150米栅格；
对所述POI数据和小区房价数据分别进行坐标纠偏、去重及空间匹配处理。
在优选的实施例中，所述格网化处理，具体为：
将所述研究区进行150m X 150m格网划分；
对所述土地利用数据与格网图层进行叠置分析处理，统计每个格网中各种土地类型的面积，并计算其对应的土地利用类型指数；
对所述房屋建筑面积与格网图层进行叠置分析处理，统计每个格网的房屋建筑面积，并计算其占格网面积的百分比；
对所述路网分布与格网图层进行相交分析处理，统计每个格网中的道路长度，并计算格网道路密度；
采用GIS空间连接方法对小区房价点状数据与格网图层进行空间连接处理，将字段整合规则设置为平均值，统计每个格网中的房价均值；
对所述POI数据先进行核密度分析，像元大小设置为150；然后利用GIS分区统计制表工具，以格网编码为统计字段，统计每个格网中各种POI数据的密度均值；同时，用同样的统计方式统计每个格网中夜间灯光强度均值及海拔高度均值。
在优选的实施例中，所述标准化处理，具体为：
对格网图层属性表中的土地利用指数、海拔高度、路网密度、POI密度、房屋建筑面积百分比、小区房价均值以及夜间灯光强度字段进行标准化处理，使得各项指标的值域范围处于0-1之间，消除量纲不一致的影响；
对标准化处理后的格网中的各个指标值进行面转栅格处理，输出栅格大小为150，对输出的栅格数据采用自然间断点法进行7级划分；
对人口数据与研究区街道级行政区划边界按街道名称进行匹配，计算各个街道的人口密度值，并对其进行均匀空间离散化处理，同时采用自然间断点法进行7级划分。
在优选的实施例中，所述初步筛选，具体为：
利用ArcMap10.2中的创建随机点工具，以研究区作为处理范围，随机生成3000个样本点，并利用Extract Multi Values To Points工具分别提取对应样本点的人口密度值和各个人口空间分布影响因子的指标值；
将因变量人口密度值和自变量人口空间分布影响因子输入到GeoDetector2015软件中，计算并获取各影响因子对因变量的解释力q值，将未通过0.05显著性检验的影响因子剔除，完成对人口空间分布影响因子的初步筛选。
在优选的实施例中，所述重新筛选，具体为：
在所述初步筛选的基础上，基于地理探测器模型对初步筛选后的数据进行格网化处理，在得到对应的人口分布影响指标后对其进行标准化处理，根据各个分区的自然和社会经济因素差异以及参考初步筛选的结果，分别对各个分区的人口分布影响因子进行重新筛选。
本实施例提供的城市热岛主控因素的分析装置，包括：数据预处理模块，用于采集研究区的常住人口数据以及影响人口空间分布的原始数据源并进行数据预处理；识别因子模块，用于基于地理探测器模型对预处理后的数据进行格网化处理，在得到对应的人口分布影响指标后对其进行标准化处理，初步筛选出人口分布影响因子；筛选因子模块，用于将所述研究区划分为若干个分区，根据分区之间的自然和社会经济因素差异，在所述初步筛选的基础上，分别对若干个分区的所述人口分布影响因子进行重新筛选；分区建模模块，用于根据每个分区的人口密度和重新筛选的人口分布影响因子同时建立逐步回归方程和随机森林模型，并反演出每个分区的人口数据空间化结果；合并输出模块，用于将所述每个分区的人口数据空间化结果与对应的街道尺度进行精度比较分析，选取各分区中最优模拟结果作为每个分区的人口数据空间化最终结果；将若干个分区的所述人口数据空间化最终结果进行合并，得到所述研究区的人口空间分布模拟示意图。本发明能够基于分区建模思想对研究区进行分区，并据此构建适宜于各分区的人口数据空间化模型，充分整合土地利用、夜间灯光、兴趣点和小区房价等各种来源的数据信息，有效纠正了单一数据来源存在的偏差特性，并增强了模型因子的解释性，并采用地理探测器模型对人口空间分布的影响因素进行精准识别，所得结果更符合区域人口分布的实际特征，有利于提高人口空间分布模拟的精度和效率。
本发明的一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于分区建模的人口数据空间化方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
Claims (10)
1.一种基于分区建模的人口数据空间化方法，其特征在于，包括如下步骤：
采集研究区的常住人口数据以及影响人口空间分布的原始数据源并进行数据预处理；
基于地理探测器模型对预处理后的数据进行格网化处理，在得到对应的人口分布影响指标后对其进行标准化处理，初步筛选出人口分布影响因子；
将所述研究区划分为若干个分区，根据分区之间的自然和社会经济因素差异，在所述初步筛选的基础上，分别对若干个分区的所述人口分布影响因子进行重新筛选；
根据每个分区的人口密度和重新筛选的人口分布影响因子同时建立逐步回归方程和随机森林模型，并反演出每个分区的人口数据空间化结果；
将所述每个分区的人口数据空间化结果与对应的街道尺度进行精度比较分析，选取各分区中最优模拟结果作为每个分区的人口数据空间化最终结果；
将若干个分区的所述人口数据空间化最终结果进行合并，得到所述研究区的人口空间分布模拟示意图。
2.根据权利要求1所述的基于分区建模的人口数据空间化方法，其特征在于，所述影响人口空间分布的原始数据源包括土地利用数据、DEM、POI数据、路网分布、夜间灯光数据、小区房价以及房屋建筑面积。
3.根据权利要求1所述的基于分区建模的人口数据空间化方法，其特征在于，所述数据预处理，具体为：
将收集到的空间数据统一转化成Albers投影，其中，设置中央经线为105°E，起始纬度为0°，标准线为25°N和47°N，参考椭球体为Krasovsky_1940椭球体；
将所述夜间灯光数据和DEM重采样为150米栅格；
对所述POI数据和小区房价数据分别进行坐标纠偏、去重及空间匹配处理。
4.根据权利要求1所述的基于分区建模的人口数据空间化方法，其特征在于，所述格网化处理，具体为：
将所述研究区进行150mX150m格网划分；
对所述土地利用数据与格网图层进行叠置分析处理，统计每个格网中各种土地类型的面积，并计算其对应的土地利用类型指数；
对所述房屋建筑面积与格网图层进行叠置分析处理，统计每个格网的房屋建筑面积，并计算其占格网面积的百分比；
对所述路网分布与格网图层进行相交分析处理，统计每个格网中的道路长度，并计算格网道路密度；
采用GIS空间连接方法对小区房价点状数据与格网图层进行空间连接处理，将字段整合规则设置为平均值，统计每个格网中的房价均值；
对所述POI数据先进行核密度分析，像元大小设置为150；然后利用GIS分区统计制表工具，以格网编码为统计字段，统计每个格网中各种POI数据的密度均值；同时，用同样的统计方式统计每个格网中夜间灯光强度均值及海拔高度均值。
5.根据权利要求1所述的基于分区建模的人口数据空间化方法，其特征在于，所述标准化处理，具体为：
对格网图层属性表中的土地利用指数、海拔高度、路网密度、POI密度、房屋建筑面积百分比、小区房价均值以及夜间灯光强度字段进行标准化处理，使得各项指标的值域范围处于0-1之间，消除量纲不一致的影响；
对标准化处理后的格网中的各个指标值进行面转栅格处理，输出栅格大小为150，对输出的栅格数据采用自然间断点法进行7级划分；
对人口数据与研究区街道级行政区划边界按街道名称进行匹配，计算各个街道的人口密度值，并对其进行均匀空间离散化处理，同时采用自然间断点法进行7级划分。
6.根据权利要求1所述的基于分区建模的人口数据空间化方法，其特征在于，所述初步筛选，具体为：
利用ArcMap10.2中的创建随机点工具，以研究区作为处理范围，随机生成3000个样本点，并利用Extract Multi Values To Points工具分别提取对应样本点的人口密度值和各个人口空间分布影响因子的指标值；
将因变量人口密度值和自变量人口空间分布影响因子输入到GeoDetector2015软件中，计算并获取各影响因子对因变量的解释力q值，将未通过0.05显著性检验的影响因子剔除，完成对人口空间分布影响因子的初步筛选。
7.根据权利要求1所述的基于分区建模的人口数据空间化方法，其特征在于，所述重新筛选，具体为：
在所述初步筛选的基础上，基于地理探测器模型对初步筛选后的数据进行格网化处理，在得到对应的人口分布影响指标后对其进行标准化处理，根据各个分区的自然和社会经济因素差异以及参考初步筛选的结果，分别对各个分区的人口分布影响因子进行重新筛选。
8.一种基于分区建模的人口数据空间化系统，其特征在于，包括：
数据预处理模块，用于采集研究区的常住人口数据以及影响人口空间分布的原始数据源并进行数据预处理；
识别因子模块，用于基于地理探测器模型对预处理后的数据进行格网化处理，在得到对应的人口分布影响指标后对其进行标准化处理，初步筛选出人口分布影响因子；
筛选因子模块，用于将所述研究区划分为若干个分区，根据分区之间的自然和社会经济因素差异，在所述初步筛选的基础上，分别对若干个分区的所述人口分布影响因子进行重新筛选；
分区建模模块，用于根据每个分区的人口密度和重新筛选的人口分布影响因子同时建立逐步回归方程和随机森林模型，并反演出每个分区的人口数据空间化结果；
合并输出模块，用于将所述每个分区的人口数据空间化结果与对应的街道尺度进行精度比较分析，选取各分区中最优模拟结果作为每个分区的人口数据空间化最终结果；将若干个分区的所述人口数据空间化最终结果进行合并，得到所述研究区的人口空间分布模拟示意图。
9.根据权利要求8所述的基于分区建模的人口数据空间化系统，其特征在于，所述数据预处理，具体为：
将收集到的空间数据统一转化成Albers投影，其中，设置中央经线为105°E，起始纬度为0°，标准线为25°N和47°N，参考椭球体为Krasovsky_1940椭球体；
将所述夜间灯光数据和DEM重采样为150米栅格；
对所述POI数据和小区房价数据分别进行坐标纠偏、去重及空间匹配处理。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7任一项所述的基于分区建模的人口数据空间化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910210697.8A CN109978249B (zh) | 2019-03-19 | 2019-03-19 | 基于分区建模的人口数据空间化方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910210697.8A CN109978249B (zh) | 2019-03-19 | 2019-03-19 | 基于分区建模的人口数据空间化方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109978249A true CN109978249A (zh) | 2019-07-05 |
| CN109978249B CN109978249B (zh) | 2023-04-04 |
Family
ID=67079609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910210697.8A Active CN109978249B (zh) | 2019-03-19 | 2019-03-19 | 基于分区建模的人口数据空间化方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109978249B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472771A (zh) * | 2019-07-09 | 2019-11-19 | 浙江墨煌信息科技有限公司 | 区域人口走向预测方法及其系统 |
| CN110689055A (zh) * | 2019-09-10 | 2020-01-14 | 武汉大学 | 一种顾及格网单元属性分级的跨尺度统计指标空间化方法 |
| CN111008730A (zh) * | 2019-11-07 | 2020-04-14 | 长安大学 | 基于城市空间结构的人群聚集度预测模型构建方法及装置 |
| CN111798383A (zh) * | 2020-06-09 | 2020-10-20 | 武汉大学 | 一种高分辨率夜间灯光影像的增强方法 |
| 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 |
| CN112132490A (zh) * | 2020-11-23 | 2020-12-25 | 中电科新型智慧城市研究院有限公司 | 城市传染病高风险社区识别方法、装置、电子设备及介质 |
| CN112395383A (zh) * | 2020-11-30 | 2021-02-23 | 湘潭大学 | 基于多源信息融合的人口数据空间化方法、装置和设备 |
| CN112529245A (zh) * | 2020-10-30 | 2021-03-19 | 广州大学 | 一种耦合多源大数据的街道生活垃圾收运量预测方法 |
| CN112925784A (zh) * | 2021-03-29 | 2021-06-08 | 广州市规划和自然资源自动化中心(广州市基础地理信息中心) | 一种实有人口数据多尺度空间化方法 |
| CN113191553A (zh) * | 2021-05-06 | 2021-07-30 | 深圳市数字城市工程研究中心 | 基于建筑物尺度的人口空间分布估算方法及系统 |
| CN113486133A (zh) * | 2021-07-14 | 2021-10-08 | 智慧足迹数据科技有限公司 | 人口分布信息生成方法、装置、服务器及存储介质 |
| CN113554356A (zh) * | 2021-09-18 | 2021-10-26 | 中国地质大学（武汉） | 基于多模型融合的人口分布估计方法、装置及存储介质 |
| CN113902580A (zh) * | 2021-10-18 | 2022-01-07 | 四川农业大学 | 一种基于随机森林模型的历史耕地分布重建方法 |
| CN114331790A (zh) * | 2022-03-09 | 2022-04-12 | 中国测绘科学研究院 | 一种人口数据边缘不完整格网处理方法及系统 |
| 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 |
| CN117649030A (zh) * | 2024-01-29 | 2024-03-05 | 中国测绘科学研究院 | 一种格网人口分布数据空间精度分区优化方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650618A (zh) * | 2016-11-15 | 2017-05-10 | 中山大学 | 一种基于随机森林模型的人口数据空间化方法 |
| CN108304536A (zh) * | 2018-01-29 | 2018-07-20 | 中国科学院地理科学与资源研究所 | 一种耦合地缘环境要素的地缘环境模拟与预测平台 |
| CN108537265A (zh) * | 2018-03-30 | 2018-09-14 | 中南大学 | 基于夜间灯光遥感数据的城镇人口时空分布估计方法 |
-
2019
- 2019-03-19 CN CN201910210697.8A patent/CN109978249B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650618A (zh) * | 2016-11-15 | 2017-05-10 | 中山大学 | 一种基于随机森林模型的人口数据空间化方法 |
| CN108304536A (zh) * | 2018-01-29 | 2018-07-20 | 中国科学院地理科学与资源研究所 | 一种耦合地缘环境要素的地缘环境模拟与预测平台 |
| CN108537265A (zh) * | 2018-03-30 | 2018-09-14 | 中南大学 | 基于夜间灯光遥感数据的城镇人口时空分布估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王旭等: "基于夜间灯光和人口密度数据的京津冀GDP空间化对比", 《地球信息科学学报》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472771A (zh) * | 2019-07-09 | 2019-11-19 | 浙江墨煌信息科技有限公司 | 区域人口走向预测方法及其系统 |
| CN110689055A (zh) * | 2019-09-10 | 2020-01-14 | 武汉大学 | 一种顾及格网单元属性分级的跨尺度统计指标空间化方法 |
| CN110689055B (zh) * | 2019-09-10 | 2022-07-19 | 武汉大学 | 一种顾及格网单元属性分级的跨尺度统计指标空间化方法 |
| CN111008730A (zh) * | 2019-11-07 | 2020-04-14 | 长安大学 | 基于城市空间结构的人群聚集度预测模型构建方法及装置 |
| CN111008730B (zh) * | 2019-11-07 | 2023-08-11 | 长安大学 | 基于城市空间结构的人群聚集度预测模型构建方法及装置 |
| CN111798383A (zh) * | 2020-06-09 | 2020-10-20 | 武汉大学 | 一种高分辨率夜间灯光影像的增强方法 |
| CN111798383B (zh) * | 2020-06-09 | 2022-06-14 | 武汉大学 | 一种高分辨率夜间灯光影像的增强方法 |
| 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 |
| CN112085250B (zh) * | 2020-07-30 | 2024-02-13 | 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 |
| CN112529245A (zh) * | 2020-10-30 | 2021-03-19 | 广州大学 | 一种耦合多源大数据的街道生活垃圾收运量预测方法 |
| CN112132490B (zh) * | 2020-11-23 | 2021-04-23 | 中电科新型智慧城市研究院有限公司 | 城市传染病高风险社区识别方法、装置、电子设备及介质 |
| CN112132490A (zh) * | 2020-11-23 | 2020-12-25 | 中电科新型智慧城市研究院有限公司 | 城市传染病高风险社区识别方法、装置、电子设备及介质 |
| CN112395383B (zh) * | 2020-11-30 | 2024-03-22 | 湘潭大学 | 基于多源信息融合的人口数据空间化方法、装置和设备 |
| CN112395383A (zh) * | 2020-11-30 | 2021-02-23 | 湘潭大学 | 基于多源信息融合的人口数据空间化方法、装置和设备 |
| CN112925784A (zh) * | 2021-03-29 | 2021-06-08 | 广州市规划和自然资源自动化中心(广州市基础地理信息中心) | 一种实有人口数据多尺度空间化方法 |
| CN112925784B (zh) * | 2021-03-29 | 2023-10-10 | 广州市规划和自然资源自动化中心(广州市基础地理信息中心) | 一种实有人口数据多尺度空间化方法 |
| CN113191553A (zh) * | 2021-05-06 | 2021-07-30 | 深圳市数字城市工程研究中心 | 基于建筑物尺度的人口空间分布估算方法及系统 |
| CN113486133A (zh) * | 2021-07-14 | 2021-10-08 | 智慧足迹数据科技有限公司 | 人口分布信息生成方法、装置、服务器及存储介质 |
| CN113554356A (zh) * | 2021-09-18 | 2021-10-26 | 中国地质大学（武汉） | 基于多模型融合的人口分布估计方法、装置及存储介质 |
| CN113554356B (zh) * | 2021-09-18 | 2023-06-20 | 中国地质大学（武汉） | 基于多模型融合的人口分布估计方法、装置及存储介质 |
| CN113902580B (zh) * | 2021-10-18 | 2023-04-07 | 四川农业大学 | 一种基于随机森林模型的历史耕地分布重建方法 |
| CN113902580A (zh) * | 2021-10-18 | 2022-01-07 | 四川农业大学 | 一种基于随机森林模型的历史耕地分布重建方法 |
| CN114331790A (zh) * | 2022-03-09 | 2022-04-12 | 中国测绘科学研究院 | 一种人口数据边缘不完整格网处理方法及系统 |
| 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 |
| CN117649030A (zh) * | 2024-01-29 | 2024-03-05 | 中国测绘科学研究院 | 一种格网人口分布数据空间精度分区优化方法及系统 |
| CN117649030B (zh) * | 2024-01-29 | 2024-03-29 | 中国测绘科学研究院 | 一种格网人口分布数据空间精度分区优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109978249B (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978249A (zh) | 基于分区建模的人口数据空间化方法、系统及介质 | |
| Cai et al. | Local climate zone study for sustainable megacities development by using improved WUDAPT methodology–a case study in Guangzhou | |
| US20220309201A1 (en) | Artificial-intelligence-assisted method for providing urban design form and layout with improved wind environment | |
| CN109102193A (zh) | 地理设计生态红线划定与管理系统及数据库、评价模型 | |
| CN110298553A (zh) | 一种基于gis的国土空间规划方法、系统和设备 | |
| CN106547853A (zh) | 基于一张图的林业大数据建设方法 | |
| CN110956412B (zh) | 基于实景模型的洪灾动态评估方法、装置、介质和设备 | |
| CN103336894B (zh) | 一种城市容积率自动分区方法 | |
| CN104574512A (zh) | 一种顾及地形语义信息的多尺度dem构建方法 | |
| CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
| CN111523804B (zh) | 一种基于实景三维的应急避难场所效能评估方法 | |
| CN101364311A (zh) | 大规模城市仿真中快速自动建立模型的方法 | |
| CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
| CN111401726A (zh) | 一种建筑设计方法、装置、系统及存储介质 | |
| CN107480826A (zh) | 基于gis的输电线路覆冰预警三维系统的应用 | |
| CN101256677B (zh) | 一种自动监测仿真及其并行化处理的方法 | |
| CN116343103B (zh) | 一种基于三维gis场景与视频融合的自然资源监管方法 | |
| CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
| CN115271373A (zh) | 城市群弹性开发边界划定方法及系统 | |
| CN110826454A (zh) | 一种遥感影像变化检测方法及装置 | |
| CN116994156B (zh) | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 | |
| WO2018196214A1 (zh) | 一种地理影响民居建筑形态的统计系统及统计方法 | |
| CN109284343B (zh) | 面向巨灾保险的房屋地图构建方法及平台 | |
| KR101063827B1 (ko) | 한국토지정보시스템 연속지적도와 수치지형도의 기하학적 지도 변환을 위한 반자동화된 공액점 쌍 추출방법 | |
| Kawabe et al. | Extraction of story-collapsed buildings by the 2016 Kumamoto earthquake using deep learning |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |