CN110704565B - 一种基于遥感与gis的人口统计数据网格化建模方法 - Google Patents

一种基于遥感与gis的人口统计数据网格化建模方法 Download PDF

Info

Publication number
CN110704565B
CN110704565B CN201910926222.9A CN201910926222A CN110704565B CN 110704565 B CN110704565 B CN 110704565B CN 201910926222 A CN201910926222 A CN 201910926222A CN 110704565 B CN110704565 B CN 110704565B
Authority
CN
China
Prior art keywords
grid
population
administrative
data
remote sensing
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.)
Active
Application number
CN201910926222.9A
Other languages
English (en)
Other versions
CN110704565A (zh
Inventor
黄耀裔
陈文成
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.)
Quanzhou Normal University
Original Assignee
Quanzhou Normal 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 Quanzhou Normal University filed Critical Quanzhou Normal University
Priority to CN201910926222.9A priority Critical patent/CN110704565B/zh
Publication of CN110704565A publication Critical patent/CN110704565A/zh
Application granted granted Critical
Publication of CN110704565B publication Critical patent/CN110704565B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Astronomy & Astrophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于遥感与GIS的人口统计数据网格化建模方法，在对研究区域进行网格划分基础上，根据反映/表征人口空间分布、人类活动强度的夜间灯光、植被指数，以及县级行政单元边界及其人口统计数据，在GIS空间分析支持下，通过SPSS的加权个案及加权最小二乘法回归分析，构建直接面向网格单元的人口统计数据网格化模型，将依附于行政单元的人口统计数据反演到每一个网格中以格网方式展示人口的空间分布。本发明方法具普适性，能有效回避了尺度效应的影响，简化了处理过程，而且数据来源具广泛性和持续性，能够更好的提高人口空间分析精度。

Description

一种基于遥感与GIS的人口统计数据网格化建模方法
技术领域
本发明涉及一种基于遥感与GIS的人口统计数据网格化建模方法。
背景技术
人口是人-地关系的核心，人口的空间分布是制定区域发展规划、改善自然环境与应对灾害等的前提。人口数据是分布在地球表面上与其他地物一样具有空间位置信息的一类数据类型，人口的增长对社会、经济、生态和环境均有重要影响。由于人口是动态变化且更新周期长，每十年普查一次，难以满足实际需要。
现行统计制度下的人口数据是依附于行政区的，而行政区形状不规则、边界不稳定、同级规模悬殊、与研究单元(如地貌单元、生态分区、洪水淹没区乃至影像像元等)不一致等问题，把人口在行政区内的分布看作是均匀的，未体现人口空间分布特征，难以反映行政区内人口详细分布状况，使人口数据结合自然资源生态环境的综合分析难以进行，不利于多源异构数据的融合及数据模型的应用，因此必须进行网格化(空间化)。
发明内容
本发明的目的在于提供一种基于遥感与GIS的人口统计数据网格化建模方法。
本发明采用的技术方案是：
一种基于遥感与GIS的人口统计数据网格化建模方法，其包括以下步骤：
步骤1，根据目标要求确定人口网格化的区域；
步骤2，获取区域内与人口统计数据时间匹配的行政区划数据、夜间灯光遥感数据、植被指数遥感数据；
步骤3，将区域离散划分为1000m*1000m的网格，网格单元编号记为i，i＝1,2,3,…，m，表示区域共划分m个网格。
步骤4，重采样夜间灯光遥感数据和植被指数遥感数据，并与网格尺度大小和空间位置保持一致；
步骤5，将重采样后的夜间灯光遥感数据和植被指数遥感数据的像元值转为点数据，并赋予网格作为网格的属性值；
步骤6，利用植被指数对灯光数据的DN值进行过饱和与溢出效应修正；
步骤7，按行政区统计灯光修正后的网格平均强度，即统计计算j行政区的网格的x(i,j) 的平均值，而且是x(i,j)≠0的网格平均值，计算模型如下：
Figure GDA0003866729690000011
其中，n(j)表示j行政区中x(i,j)≠0的网格个数，x(j)为j行政区所有x(i,j)≠0网格的平均灯光强度。
步骤8，按行政区统计网格的平均人口密度，即统计计算与修正后灯光值对应的x(i,j)≠0 的网格的平均人口密度，网格平均人口密度计算公式如下：
Figure GDA0003866729690000021
其中，y(i,j)为j行政区i网格的人口数即以网格为单位的人口密度；p(j)＝∑y(i,j)为 j的总人口，n(j)为j中x(i,j)≠0的网格个数；y(j)为j行政区中x(i,j)≠0网格的平均常住人口数也即平均的网格人口密度，x(i,j)≠0是根据植被指数识别的网格中有常住人口居住的网格。
步骤9，面向网格单元构建以x(j)为自变量、
Figure GDA0003866729690000022
为因变量的一元回归模型，利用SPSS 软件，采用加权个案的加权最小二乘估计法建模，得网格平均的人口密度预测模型如下：
Figure GDA0003866729690000023
其中，x(j)为j行政区所有x(i,j)≠0网格的平均灯光强度；a为自变量x(j)的回归系数，可直观视为网格的x(i,j)的属性变换系数；
Figure GDA0003866729690000024
为y(j)的模型值/回归值，是根据x(j) 预测/估计的j行政区的网格平均人口密度。
步骤10，构建j行政区i网格的网格人口密度y(i,j)的预测模型，其预测模型为：
Figure GDA0003866729690000025
式中
Figure GDA0003866729690000026
为j行政区中的i网格的人口密度y(i,j)的初估值。
步骤11，根据“零误差”的原则对网格人口密度初估值进行优化调整。
进一步地，步骤2中收集区域镶嵌的行政区的人口统计数据及其区域边界数据，行政区为县级或乡镇级行政区划单元，同时收集人口统计数据p(j),其中j＝1,2,3,…,n；j表示第j 行政区并定义为行政区域的ID码，n表示共有n个行政区划单元，p(j)为第j行政区的人口总数。
进一步地，步骤3中网格尺度与夜间灯光遥感数据、植被指数遥感数据的空间分辨率尺度一致。
进一步地，步骤6中对灯光数据进行最大值归一化变换处理ntl(i,j)＝NTL(i,j)/NTL(max)，变换后0≤ntl(i,j)≤1；然后根据植被指数对灯光数据修正如下：
Figure GDA0003866729690000031
式中，i为网格单元、j为行政区的ID码(j＝1,2,…,n，表示区域中共有n个行政区)， ntl(i,j)为j行政区、i网格单元的夜间灯光标准化DN值，则x(i,j)为经植被指数修正后的 j行政区、i网格的灯光强度，且当EVI(i,j)<0.01或EVI(i,j)＝1时，x(i,j)＝0包含了对灯光溢出效应的修正。
进一步地，步骤9中加权个案是以“非零”网格数n(j)为权重，既考虑了行政区规模大小不同的影响，而且此时的x(j)、y(j)各自不是“单一的值”，而是作为一类网格(即j行政区n(j)个x(i，j)≠0网格)的代表值，所以以n(j)为权的加权个案的加权最小二乘估计法建模，是直接面向网格的，回避了尺度变换，在一定程度克服可变面元问题。
进一步地，一般情况下，网格的人口数也即以网格为单位的人口密度y(i,j)是未知的，因此
Figure GDA0003866729690000032
的估计误差/精度是难以评价的，但是y(i,j)的累加和p(j)＝∑y( i,j)为j区总人口的数据是已知的，因此可以将误差控制在行政区内；可作为削弱可变面元效应影响的一种手段/方法。对网格人口密度初估值进行调整、优化，步骤11具体包括以下步骤：
步骤11-1，确定调整系数，
Figure GDA0003866729690000033
其中，p(j)为已知的j行政区的总人口，
Figure GDA0003866729690000034
为网格人口的初估值，γ(j)为j行政区的人口网格化的调节系数，γ(j)作为行政区的属性通过叠置传递给相关的网格。
步骤11-2，对网格的初估值进行调整优化获得该研究区域的人口空间分布图，计算公式如下：
Figure GDA0003866729690000035
其中，p(i,j)为调整优化后i网格的人口密度。
本发明采用以上技术方案，在对研究区域进行1000m*1000m(根据数据精度，可划分不同尺度的网格单元)网格划分基础上，根据反映/表征人口空间分布、人类活动强度的夜间灯光、植被指数，以及县级(也可以是市级或乡镇级等)行政区边界及其人口统计数据，在GIS空间分析支持下，通过SPSS的加权个案及加权最小二乘法回归分析，构建直接面向网格单元的人口统计数据网格化模型，将依附于行政区的人口统计数据反演到每一个网格中，以格网方式展示人口的空间分布。本发明所设计的基于遥感与GIS技术的人口统计数据网格化方法，具普适性，能有效回避了尺度效应的影响，简化了处理过程，而且数据来源具广泛性和持续性，能够更好的提高人口空间分析精度。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为本发明一种基于遥感与GIS的人口统计数据网格化建模方法的流程示意图；
图2为福建省县级行政区划图；
图3为本发明中夜间灯光数据图；
图4为本发明中植被指数图；
图5为本发明中划分的网格单元分布图；
图6为本发明得出的研究区即福建省人口密度分布图。
具体实施方式
下面结合附图对本发明做进一步的详细解释说明：
如图1所示，本发明设计了一种基于遥感与GIS的人口统计数据网格化建模方法，在具体实例中，我们以福建省行政区划为例，包括如下具体步骤：
步骤(1)：如图2所示，选取福建省作为研究区，收集福建省县级行政区划数据及其人口统计数据，得到福建省各个县域的人口统计数据p(j)，j＝1,2,3,…,n＝84，其中，n＝84为福建省县域的总数；
步骤(2)：获取与人口统计数据匹配的福建省夜间灯光数据遥感数据，如图3所示；同时获取与人口统计数据匹配福建省植被指数遥感数据，如图4所示。
步骤(3)：对福建省省域进行1000m*1000m网格尺度的离散化，如图5所示。
步骤(4)：根据福建省1000m*1000m尺度网格，重采样灯光数据、植被指数遥感数据，使其像元尺度也为1000m*1000m。
步骤(5)：将重采样的灯光数据、植被指数等遥感数据的像元值(DN值)转为点数据，并通过GIS叠置分析赋予网格，作为前述福建省的1000m*1000m网格的属性值。
步骤(6)：利用植被指数对灯光数据的DN值进行过饱和与溢出效应修正：首先对灯光数据进行最大值归一化变换处理ntl(i,j)＝NTL(i,j)/NTL(max)，变换后使得0≤ntl(i,j)≤1；然后据植被指数对灯光数据修正如下：
Figure GDA0003866729690000041
式中，i、j分别为网格单元、福建省县级区域的ID码，ntl(i,j)为福建省j县域、i网格单元的夜间灯光标准化DN值，则x(i,j)为经植被指数修正后的j县域、i网格的灯光强度(是网格化模型的自变量)，其中当EVI(i,j)<0.01或EVI(i,j)＝1时，因此x(i,j)＝0包涵了对灯光溢出效应的修正。
步骤(7)：分县域统计灯光修正后的网格平均强度即以网格为单位的平均强度，也即j县域扣除x(i,j)＝0网格后(即仅指有常住人口)的x(i,j)≠0网格的x(i,j)的平均值：
Figure GDA0003866729690000051
式中n(j)表示福建省j县域x(i,j)≠0的网格个数，x(j)为j县域所有x(i,j)≠0网格的平均灯光强度。
步骤(8)：分县域统计网格的平均人口密度(以网格为单位的人口密度)，即统计与修正后灯光值x(i,j)≠0对应的网格的平均人口密度，其中x(i,j)≠0是根据植被指数识别的网格中有常住人口居住的网格，计算公式如下：
Figure GDA0003866729690000052
式中：y(i,j)为福建省j县域i网格的人口数(以网格为单位的人口密度)，p(j)＝∑y(i,j) 为j县域的总人口，n(j)为j县域x(i,j)≠0的网格个数，y(j)为j县域x(i,j)≠0的网格的平均人口数也即平均的网格人口密度。
步骤(9)：直接面向网格单元，构建以x(j)为自变量、
Figure GDA0003866729690000053
为因变量的一元回归模型，利用SPSS软件，采用加权个案的加权最小二乘估计法建模，得网格平均的人口密度预测模型如下：
Figure GDA0003866729690000054
步骤(10)：福建省j县域i网格的网格人口密度y(i,j)的预测模型为：
Figure GDA0003866729690000055
式中
Figure GDA0003866729690000056
为j县域中i网格的人口密度y(i,j)的初估值。
步骤(11)：根据“零误差”的原则、要求，对网格人口密度初估值进行优化调整：一般情况下，网格的人口数也即以网格为单位的人口密度y(i,j)是未知的，因此
Figure GDA0003866729690000058
的估计误差/ 精度是难以评价的，但是y(i,j)的累加和p(j)＝∑y( i,j)为j区总人口的数据是已知的，因此可以将误差控制在行政区内；可作为削弱可变面元效应影响的一种手段/方法。对网格人口密度初估值进行调整、优化。首先确定调整系数：
Figure GDA0003866729690000057
式中p(j)为已知的j行政区的总人口，
Figure GDA0003866729690000061
为网格人口的初估值，则γ(j)为j行政区的人口网格化的调节系数，作为行政区的属性，通过叠置传递给相关的网格。然后对网格的初估值进行调整、优化：
Figure GDA0003866729690000062
式中p(i,j)即为调整、优化后i网格的人口密度。最终获得该研究区域的人口空间分布图，如附图6所示。
本发明采用以上技术方案，在对研究区域进行1000m*1000m(根据数据精度，可划分不同尺度的网格单元)网格划分基础上，根据反映/表征人口空间分布、人类活动强度的夜间灯光、植被指数，以及县级(也可以是市级或乡镇级等)行政区边界及其人口统计数据，在GIS空间分析支持下，通过SPSS的加权个案及加权最小二乘法回归分析，构建直接面向网格单元的人口统计数据网格化模型，将依附于行政区的人口统计数据反演到每一个网格中，以格网方式展示人口的空间分布。本发明所设计的基于遥感与GIS技术的人口统计数据网格化方法，具普适性，能有效回避了尺度效应的影响，简化了处理过程，而且数据来源具广泛性和持续性，能够更好的提高人口空间分析精度。

Claims (4)

1.一种基于遥感与GIS的人口统计数据网格化建模方法，其特征在于：其包括以下步骤：
步骤1，根据目标要求确定人口网格化的区域；
步骤2，获取区域内与人口统计数据时间匹配的行政区划数据、夜间灯光遥感数据、植被指数遥感数据；
步骤3，将区域离散划分为1000m*1000m的网格，网格单元编号记为i，i＝1,2,3,…,m，表示区域共划分m个网格；
步骤4，重采样夜间灯光遥感数据和植被指数遥感数据，并与网格尺度大小和空间位置保持一致；
步骤5，将重采样后的夜间灯光遥感数据和植被指数遥感数据的像元值转为点数据，并赋予网格作为网格的属性值；
步骤6，利用植被指数对灯光数据的DN值进行过饱和与溢出效应修正：对灯光数据进行最大值归一化变换处理ntl(i,j)＝NTL(i,j)/(NTL(max)-NTL(min))，变换后0≤ntl(i,j)≤1；然后根据植被指数对灯光数据修正如下：
Figure FDA0003866729680000011
式中，i为网格单元的ID码，j为行政区的ID码,j＝1,2,…,n，表示区域中共有n个行政区，ntl(i,j)为j行政区、i网格单元的夜间灯光标准化DN值，则x(i,j)为经植被指数修正后的j行政区、i网格的灯光强度，且当EVI(i,j)<0.01或EVI(i,j)＝1时，x(i,j)＝0包含了对灯光溢出效应的修正；
步骤7，按行政区统计灯光修正后的网格平均强度，即统计计算j行政区的网格的x(i,j)的平均值，而且是x(i,j)≠0的网格平均值，计算模型如下：
Figure FDA0003866729680000012
其中，n(j)表示j行政区中x(i,j)≠0的网格个数，x(j)为j行政区所有x(i,j)≠0网格的平均灯光强度；
步骤8，按行政区统计网格的平均人口密度，即统计计算与修正后灯光值对应的x(i,j)≠0的网格的平均人口密度，网格平均人口密度计算公式如下：
Figure FDA0003866729680000013
其中，y(i,j)为j行政区i网格的人口数即以网格为单位的人口密度；p(j)＝∑y(i,j)为j行政区的总人口，n(j)为j行政区中x(i,j)≠0的网格个数；y(j)为j行政区中x(i,j)≠0网格的平均常住人口数也即网格的平均人口密度，x(i,j)≠0是根据植被指数识别的网格中有常住人口居住的网格；
步骤9，面向网格单元构建以x(j)为自变量、
Figure FDA0003866729680000021
为因变量的一元回归模型，利用SPSS软件，采用加权个案的加权最小二乘估计法建模，得网格平均的人口密度预测模型如下：
Figure FDA0003866729680000022
其中，x(j)为j行政区所有x(i,j)≠0网格的平均灯光强度；a为自变量x(j)的回归系数，可直观视为网格的x(i,j)的属性变换系数；
Figure FDA0003866729680000023
为y(j)的回归值，是根据x(j)估计的j行政区的网格平均的人口密度；
步骤10，在步骤9构建的预测模型的基础上利用x(i,j)替换x(j)来构建j行政区i网格的网格人口密度y(i,j)的
Figure FDA0003866729680000024
预测模型：
Figure FDA0003866729680000025
式中
Figure FDA0003866729680000026
为根据j行政区中的i网格的人口密度y(i,j)的初估值；
步骤11，根据“零误差”的原则对网格人口密度初估值进行优化调整获得研究区域的人口空间分布图；步骤11的具体包括以下步骤：
步骤11-1，确定调整系数，
Figure FDA0003866729680000027
其中，p(j)为已知的j行政区的总人口，
Figure FDA0003866729680000028
为网格人口的初估值，γ(j)为j行政区的人口网格化的调节系数，γ(j)作为行政区的属性通过叠置传递给相关的网格；
步骤11-2，对网格的初估值进行调整优化获得研究区域的人口空间分布图，计算公式如下：
Figure FDA0003866729680000029
其中，p(i,j)为调整优化后i网格的人口密度。
2.根据权利要求1所述的一种基于遥感与GIS的人口统计数据网格化建模方法，其特征在于：步骤2中收集区域镶嵌的行政区的人口统计数据及其区域边界数据，行政区为县级或乡镇级行政区划单元，同时收集人口统计数据p(j),其中j＝1,2,3,…,n，j表示第j行政区并定义为行政区域的ID码，n表示区域共有n个行政区，p(j)为第j行政区的人口总数。
3.根据权利要求1所述的一种基于遥感与GIS的人口统计数据网格化建模方法，其特征在于：步骤3中网格尺度与夜间灯光遥感数据、植被指数遥感数据的空间分辨率尺度一致。
4.根据权利要求1所述的一种基于遥感与GIS的人口统计数据网格化建模方法，其特征在于：步骤9中加权个案是以“非零”网格数n(j)为权重，x(j)、y(j)作为一类网格的代表值。
CN201910926222.9A 2019-09-27 2019-09-27 一种基于遥感与gis的人口统计数据网格化建模方法 Active CN110704565B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910926222.9A CN110704565B (zh) 2019-09-27 2019-09-27 一种基于遥感与gis的人口统计数据网格化建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910926222.9A CN110704565B (zh) 2019-09-27 2019-09-27 一种基于遥感与gis的人口统计数据网格化建模方法

Publications (2)

Publication Number Publication Date
CN110704565A CN110704565A (zh) 2020-01-17
CN110704565B true CN110704565B (zh) 2022-12-20

Family

ID=69198250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910926222.9A Active CN110704565B (zh) 2019-09-27 2019-09-27 一种基于遥感与gis的人口统计数据网格化建模方法

Country Status (1)

Country Link
CN (1) CN110704565B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115844B (zh) * 2020-09-15 2022-10-18 中国科学院城市环境研究所 基于多源遥感影像和路网数据的城市人口数据分析方法
CN111932036B (zh) * 2020-09-23 2021-01-08 中国科学院地理科学与资源研究所 基于位置大数据的精细时空尺度动态人口预测方法及系统
CN112463846B (zh) * 2020-10-23 2021-08-03 西南林业大学 基于夜视灯光数据的人为活动影响力场的表达方法
CN112069235B (zh) * 2020-11-16 2021-02-12 脉策(上海)智能科技有限公司 用于呈现目标区域人口数据的方法、设备和存储介质
CN112486963B (zh) * 2020-11-26 2023-05-26 北京师范大学 一种多源数据网格化清洗方法及系统
CN112818747A (zh) * 2020-12-31 2021-05-18 上海应用技术大学 一种基于空间大数据的城市特色街区人口密度估算方法和系统方法
CN112966899B (zh) * 2021-02-03 2021-10-29 北京大学 一种影响人口密度的城市公共服务设施建设决策方法
CN114138926B (zh) * 2022-01-27 2022-05-10 中国测绘科学研究院 一种人口分布格网大小确定方法及系统
CN115270904B (zh) * 2022-04-13 2023-04-18 广州市城市规划勘测设计研究院 一种义务教育阶段适龄常住人口空间化方法和系统
CN116415110B (zh) * 2023-06-05 2023-08-15 武汉大学 基于多源遥感密度数据进行碳排放量分区网格化的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9082014B2 (en) * 2013-03-14 2015-07-14 The Nielsen Company (Us), Llc Methods and apparatus to estimate demography based on aerial images
CN104809572A (zh) * 2015-04-27 2015-07-29 中国科学院城市环境研究所 一种基于夜晚灯光数据反演人口密度的方法
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

Also Published As

Publication number Publication date
CN110704565A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN110704565B (zh) 一种基于遥感与gis的人口统计数据网格化建模方法
Chen et al. Relationship between urban spatial form and seasonal land surface temperature under different grid scales
Hashimoto et al. Scenario analysis of land-use and ecosystem services of social-ecological landscapes: implications of alternative development pathways under declining population in the Noto Peninsula, Japan
Yu et al. Investigating impacts of urban morphology on spatio-temporal variations of solar radiation with airborne LIDAR data and a solar flux model: a case study of downtown Houston
Brown et al. Spatial simulation for translating from land use to land cover
Liu et al. Modeling the response of ecological service value to land use change through deep learning simulation in Lanzhou, China
Xu et al. Temporal and spatial variations of urban climate and derivation of an urban climate map for Xi'an, China
CN104239706A (zh) 一种地面观测气温时空数据集的制备方法
CN108334579B (zh) 基于时空业务的地名身份号码编码装置
Unger et al. Development, data processing and preliminary results of an urban human comfort monitoring and information system
CN113887974A (zh) 一种基于多源时空数据集成的城市资源环境承载力综合评价方法
Li et al. Temporal-spatial changes in ecosystem services and implications for the conservation of alpine rangelands on the Qinghai-Tibetan Plateau
CN104408526A (zh) 一种水文区污染物监测的方法
Han et al. Quantifying trade‐offs of land multifunctionality evaluated by set pair analysis in ecologically vulnerable areas of northwestern China
An et al. Spatial and temporal evolution of carbon stocks in Dongting Lake wetlands based on remote sensing data
Wray et al. Modelling urban spatial change: a review of international and South African modelling initiatives
Ratti et al. SunScapes: extending the ‘solar envelopes’ concept through ‘iso-solar surfaces’
CN118154358A (zh) 一种智能水利资源管理系统
Liu et al. A comparative study of the influences of park physical factors on summer outdoor thermal environment, a pilot study of Mianyang, China
Shah et al. Analysis of Land Use Change and Population Growth Using Goe-Spatial Techniques in Lahore-Pakistan
Wang et al. Measuring solar radiation and spatio-temporal distribution in different street network direction through solar trajectories and street view images
CN112488413A (zh) 基于awa-drcn的人口空间化方法
Li et al. Multi-Scenario Simulation of Ecosystems Based on Adaptive Restoration to Promote Human–Nature Harmony: A Case Study of Loess Hills Micro-Watershed
CN114564517B (zh) 一种结合气候数据与社会感知数据的康养气候评价方法
CN113158579B (zh) 一种夜间灯光数据的校正方法

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