CN111986215A - 一种基于高精度建筑物数据的人口计算方法及系统 - Google Patents

一种基于高精度建筑物数据的人口计算方法及系统 Download PDF

Info

Publication number
CN111986215A
CN111986215A CN202010897117.XA CN202010897117A CN111986215A CN 111986215 A CN111986215 A CN 111986215A CN 202010897117 A CN202010897117 A CN 202010897117A CN 111986215 A CN111986215 A CN 111986215A
Authority
CN
China
Prior art keywords
building
residential
rise
buildings
data
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.)
Pending
Application number
CN202010897117.XA
Other languages
English (en)
Inventor
赵真
郭红梅
张莹
鲁长江
廖华
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.)
Institute Of Disaster Reduction And Relief Sichuan Seismological Bureau
Original Assignee
Institute Of Disaster Reduction And Relief Sichuan Seismological Bureau
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 Institute Of Disaster Reduction And Relief Sichuan Seismological Bureau filed Critical Institute Of Disaster Reduction And Relief Sichuan Seismological Bureau
Priority to CN202010897117.XA priority Critical patent/CN111986215A/zh
Publication of CN111986215A publication Critical patent/CN111986215A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于高精度建筑物数据的人口计算方法及系统，本发明的方法：获取目标区域建筑物基础数据；所述目标区域包括n个划分区域，其中，n为大于等于3的正整数；基于建筑物基础数据得到含属性信息的建筑物数据；对含属性的建筑物数据进行预处理，提取居住用途属性的建筑物数据；获得第i个划分区域不同类型居住建筑物的体积数据；基于第i个划分区域不同类型居住建筑物的体积数据，构建人口计算模型，即可计算得到第i个划分区域的人口数量。本发明提高了人口数据的精细化程度和准确度，为人口分布研究提供了更具准确可靠的数据支撑。

Description

一种基于高精度建筑物数据的人口计算方法及系统
技术领域
本发明涉及计算机技术领域，具体涉及一种基于高精度建筑物数据的人口计算方法及系统。
背景技术
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统计型数据，不仅与所属区域的空间特征脱节而无法反映区域内部人口的空间分布特征，影响了人口分布空间表达的写实程度，而且严重阻碍了与其他社会自然数据集成分析或跨学科等综合应用。人口数据空间化是获取人口空间分布的有效手段，是以规则格网为基本单元，利用自然和社会指示因子构建评估指标体系，打破了传统行政区划单元的限制，拓宽了人口统计数据的应用深度和广度。人口数据的空间分布是最直观反映人类活动的指标，获取高精度的人口空间分布状况对正确认识人口分布规律，制订区域人口政策、人口的合理再分布以及实现人口、资源、环境的协调持续发展起着指导作用。现阶段人口空间分布模型的研究主要在于寻求与人口空间分布具有强相关的人口分布指示因子，其中最具代表性的是土地利用、夜间灯光、居民点、道路、海拔、水体等指示因子，通过构建指示因子与人口数据之间的相关关系来模拟人口的空间分布，但该方法获取的人口空间分布数据难以反映精细尺度上的人口分布情况。
发明内容
为了克服现有人口分布研究技术存在精度差、可靠性低的技术问题，本发明提供了一种基于高精度建筑物数据的人口计算方法。
本发明通过下述技术方案实现：
一种基于高精度建筑物数据的人口计算方法及系统，该方法包括以下步骤：
步骤S1，获取目标区域建筑物基础数据；所述目标区域包括n个划分区域，其中，n为大于等于3的正整数；
步骤S2，基于建筑物基础数据得到含属性信息的建筑物数据；
步骤S3，对含属性的建筑物数据进行预处理，提取居住用途属性的建筑物数据；
步骤S4，获得第i个划分区域不同类型居住建筑物的体积数据；其中，1≤i≤n；
步骤S5，基于第i个划分区域不同类型居住建筑物的体积数据，构建人口计算模型，即可计算得到第i个划分区域的人口数量。
本发明通过对划分区域(划分区域可以按照行政区域进行划分得到的，也可以是根据研究需求进行划分得到的)内的建筑物进行细分类，并分别对不同类型的建筑物进行体积计算，然后基于精细化分类的建筑物体积数据建模得到人口计算模型，从而得到该划分区域内准确的人口数量，为人口分布研究提供了更加准确可靠的人口数据支撑。
可选的，本发明的步骤S1利用网络爬虫技术，从百度地图或天地图中抓取城市建筑物矢量数据，非城市建筑物数据则通过遥感影像解译或者从天地图居民地服务中截取并调用历史影像服务矢量化补充；所述步骤S2为建筑物基础数据增加属性信息，从而得到含属性信息的建筑物数据；所述属性信息包括建筑年代、建筑用途、建筑物层数、商业楼层、是否废弃、是否闲置。本发明也可以采用其他技术获得建筑物矢量数据。
可选的，本发明的步骤S3的预处理包括：
按照建筑物用途提取居住用途属性的建筑物，包括住宅和商住；
剔除废弃或闲置的居住用途属性的建筑物；
擦除城镇综合功能单元中的无人居住区的图斑。
可选的，本发明的步骤S4具体包括以下步骤：
步骤S41，将第i个划分区域中的居住建筑物进行分类，分为低层建筑物、多层建筑物和中高层建筑物；其中，低层建筑物为总楼层为1-3层的建筑物，多层建筑物为总楼层为4-6层的建筑物，中高层建筑物为总楼层为7层及以上的建筑物；
步骤S42，根据步骤S41的建筑物类型，通过下式(1)-(3)分别计算得到低层建筑物、多层建筑物和中高层建筑物的居住体积：
Figure BDA0002658813910000021
Figure BDA0002658813910000022
Figure BDA0002658813910000023
式中，A1i为划分区域i内的低层建筑物的居住体积，a1ij′为划分区域i内低层住宅建筑j′的面积，h1ij′为划分区域i内低层住宅建筑j′的楼层数，j′＝1，2，…p′，p′为划分区域i内低层住宅建筑的总数量，m1ij″为划分区域i内低层商住建筑j″的面积，h1mij″为划分区域i内低层商住建筑j″的楼层数，h1ij″为划分区域i内低层商住建筑j″的商业用途层数，j″＝1，2，…p″，p″为划分区域i内低层商住建筑的总数量；
A2i为划分区域i内的多层建筑物的居住体积，a2ik′为划分区域i内多层住宅建筑k′的面积，h2ik′为划分区域i内多层住宅建筑k′的楼层数，k′＝1，2，…q′，q′为划分区域i内多层住宅建筑的总数量，m2ik″为划分区域i内多层商住建筑k″的面积，h2mik″为划分区域i内多层商住建筑k″的楼层数，h2ik″为划分区域i内多层商住建筑k″的商业用途层数，k″＝1，2，…q″，q″为划分区域i内多层商住建筑的数量；
A3i为划分区域i内的中高层建筑物的居住体积，a3il′为划分区域i内中高层住宅建筑l′的面积，h3il′为划分区域i内中高层住宅建筑l′的楼层数，l′＝1，2，…s′，s′为划分区域i内中高层住宅建筑的总数量，m3il″为划分区域i内中高层商住建筑l″的面积，h3mil″为划分区域i内中高层商住建筑l″的楼层数，h3il″为划分区域i内中高层商住建筑l″的商业用途层数，l″＝1，2，…s″，s″为划分区域i内中高层商住建筑的总数量。
本发明首先考虑到不同自然条件下不同类型的居住建筑，其居住密度会有很大区别，因此将划分区域内的建筑物进行细分类，然后分别对不同建筑类型进行体积计算，且在计算过程中，进一步考虑了不同建筑物用途有所差异，对于住宅类型，则直接计算体积，对于商住类型，即既有居住用途和商业用途，则在计算居住建筑物体积时需要剔除商业用途部分的体积，以得到较为精准的居住建筑物体积，为后续人口计算模型的建立提供准确可靠的数据。
可选的，本发明的步骤S5构建的人口计算模型为：
yi＝β0(ui，vi)+β1(ui，vi)A1i+β2(ui，vi)A2i+β3(ui，vi)A3i+εi i＝1，2，…，n
式中，(ui，vi)为划分区域i的地理坐标，β0(ui，vi)为划分区域i的常数项，β1(ui，vi)为划分区域i低层建筑体积回归系数，β2(ui，vi)为划分区域i多层建筑体积回归系数，β3(ui，vi)为划分区域i中高层建筑体积回归系数，εi为样本点的随机误差，且满足εi～(0，σ2)，cov(εi，εj)＝0(i≠j)的假设。
另一方面，本发明还提出了一种基于高精度建筑物数据的人口计算系统，该系统包括数据获取模块、数据预处理模块、体积计算模块和人口计算模块；
数据获取模块用于获取目标区域建筑物基础数据；所述目标区域包括n个划分区域，其中，n为大于等于3的正整数；
所述数据预处理模块用于基于建筑物基础数据得到含属性信息的建筑物数据并对其进行预处理，提取居住用途属性的建筑物数据；
所述体积计算模块用于获得第i个划分区域不同类型居住建筑物的体积数据；其中，1≤i≤n；
所述人口计算模块基于第i个划分区域不同类型居住建筑物的体积数据，构建人口计算模型，即可计算得到第i个划分区域的人口数量。
可选的，本发明的数据获取模块利用网络爬虫技术，从百度地图或天地图中抓取城市建筑物矢量数据，非城市建筑物数据则通过遥感影像解译或者从天地图居民地服务中截取并调用历史影像服务矢量化补充。
可选的，本发明的预处理模块包括属性单元、分类单元和清洗单元；
所述属性单元为建筑物基础数据增加属性信息，从而得到含属性信息的建筑物数据；所述属性信息包括建筑年代、建筑用途、建筑物层数、商业楼层、是否废弃、是否闲置；
所述分类单元按照建筑物用途提取居住用途属性的建筑物，包括住宅和商住；
所述清洗单元用于剔除废弃或闲置的居住用途属性的建筑物，并擦除城镇综合功能单元中的无人居住区的图斑。
可选的，本发明的体积计算模块包括重分类单元、低层居住体积计算单元、多层居住体积计算单元和中高层居住体积计算单元；
所述重分类单元用于将第i个划分区域中的居住建筑物进行分类，分为低层建筑物、多层建筑物和中高层建筑物；其中，低层建筑物为总楼层为1-3层的建筑物，多层建筑物为总楼层为4-6层的建筑物，中高层建筑物为总楼层为7层及以上的建筑物；
所述低层居住体积计算单元通过下式计算低层建筑物的居住体积：
Figure BDA0002658813910000041
式中，A1i为划分区域i内的低层建筑物的居住体积，a1ij′为划分区域i内低层住宅建筑j′的面积，h1ij′为划分区域i内低层住宅建筑j′的楼层数，j′＝1，2，…p′，p′为划分区域i内低层住宅建筑的总数量，m1ij″为划分区域i内低层商住建筑j″的面积，h1mij″为划分区域i内低层商住建筑j″的楼层数，h1ij″为划分区域i内低层商住建筑j″的商业用途层数，j″＝1，2，…p″，p″为划分区域i内低层商住建筑的总数量；
所述多层居住体积计算单元通过下式计算多层建筑物的居住体积：
Figure BDA0002658813910000042
式中，A2i为划分区域i内的多层建筑物的居住体积，a2ik′为划分区域i内多层住宅建筑k′的面积，h2ik′为划分区域i内多层住宅建筑k′的楼层数，k′＝1，2，…q′，q′为划分区域i内多层住宅建筑的总数量，m2ik″为划分区域i内多层商住建筑k″的面积，h2mik″为划分区域i内多层商住建筑k″的楼层数，h2ik″为划分区域i内多层商住建筑k″的商业用途层数，k″＝1，2，…q″，q″为划分区域i内多层商住建筑的数量；
所述中高层居住体积计算单元通过下式计算中高层建筑物的居住体积：
Figure BDA0002658813910000043
式中，A3i为划分区域i内的中高层建筑物的居住体积，a3il′为划分区域i内中高层住宅建筑l′的面积，h3il′为划分区域i内中高层住宅建筑l′的楼层数，l′＝1，2，…s′，s′为划分区域i内中高层住宅建筑的总数量，m3il″为划分区域i内中高层商住建筑l″的面积，h3mil″为划分区域i内中高层商住建筑l″的楼层数，h3il″为划分区域i内中高层商住建筑l″的商业用途层数，l″＝1，2，…s″，s″为划分区域i内中高层商住建筑的总数量。
可选的，本发明的人口计算模块通过下式计算第i个划分区域的人口数量yi：
yi＝β0(ui，vi)+β1(ui，vi)A1i+β2(ui，vi)A2i+β3(ui，vi)A3i+εi i＝1，2，…，n
式中，(ui，vi)为划分区域i的地理坐标，β0(ui，vi)为划分区域i的常数项，β1(ui，vi)为划分区域i低层建筑体积回归系数，β2(ui，vi)为划分区域i多层建筑体积回归系数，β3(ui，vi)为划分区域i中高层建筑体积回归系数，εi为样本点的随机误差，且满足εi～(0，σ2)，cov(εi，εj)＝0(i≠j)的假设。
本发明具有如下的优点和有益效果：
本发明通过构建建筑物用途与人口数量之间的相关关系，包括建筑物类型和人口密度的关系，以及建筑物用途和人口密度的关系，通过细分建筑物类型并分别计算不同类型建筑物的体积从而模拟建筑物尺度上的人口空间分布，提高了人口数据的精细化程度和准确度，为人口分布研究提供了更具准确可靠的数据支撑。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的方法流程示意图。
图2为本发明的系统原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
相较于现有的人口分布研究技术，本实施例提出了一种基于高精度建筑物数据的人口计算方法，本实施例考虑了建筑物类型、用途与人口密度的关系，根据建筑物类型、用途进行对划分区域内的建筑物进行细分类，并分别计算不同类型的建筑物的体积，再基于建筑物体积构建人口计算模型，从而得到该区域内的人口数量分布情况，为人口分布研究提供更加准确可靠的数据支撑。
如图1所示，本实施例的方法包括以下步骤：
1、获取目标区域建筑物基础数据；所述目标区域包括n个划分区域，其中，n为大于等于3的正整数。
本实施例的划分区域可以根据行政区域划分确定，也可以根据研究需要进行划分确定。
本实施例可以利用但不限于网络爬虫技术，从百度地图或天地图中抓取城市建筑物矢量数据，非城市建筑物数据则通过遥感影像解译或者从天地图居民地服务中截取并调用历史影像服务矢量化补充。
2、基于建筑物基础数据得到含属性信息的建筑物数据。
本实施例将建筑物基础矢量数据导入研发的建筑物数据采集系统中，通过外业实地调研的方式获取建筑物的建筑年代、建筑用途、建筑物层数、商业楼层、是否废弃、是否闲置等属性信息，从而得到含属性信息的建筑物数据。
3、对含属性的建筑物数据进行预处理，提取居住用途属性的建筑物数据。
本实施例根据建筑物用途区分研究区内居住建筑物和非居住用地，提取居住用途属性的建筑物，包括住宅和商住。同时，剔除废弃或闲置的居住建筑物，擦除城镇综合功能单元中的无人居住区的图斑，如厂带房、涵盖偏房等。
4、获得第i个划分区域不同类型居住建筑物的体积数据；其中，1≤i≤n。
本实施例考虑到不同自然条件下不同类型的居住建筑，其居住密度会有很大差别，如同一社区街道或乡镇的中高层建筑物(7层及以上)、多层建筑物(4-6层)及低层建筑物(1-3层)、不同乡镇的低层建筑物、不同乡镇的多层建筑物和不同乡镇的高层建筑物。针对居住建筑物体积计算时，不同建筑物用途有所差异，对于住宅类型，则直接计算体积，对于商住类型，即既有居住用途和商业用途，在计算居住建筑物体积时需要剔除商业用途部分的体积，再根据居住建筑物类型，分别计算低层建筑物居住体积如公式(1)所示，多层建筑物居住体积如公式(2)所示，中高层建筑物居住体积如公式(3)所示。
Figure BDA0002658813910000061
Figure BDA0002658813910000062
Figure BDA0002658813910000063
式中，A1i为划分区域i内的低层建筑物的居住体积，a1ij′为划分区域i内低层住宅建筑j′的面积，h1ij′为划分区域i内低层住宅建筑j′的楼层数，j′＝1，2，…p′，p′为划分区域i内低层住宅建筑的总数量，m1ij″为划分区域i内低层商住建筑j″的面积，h1mij″为划分区域i内低层商住建筑j″的楼层数，h1ij″为划分区域i内低层商住建筑j″的商业用途层数，j″＝1，2，…p″，p″为划分区域i内低层商住建筑的总数量；
A2i为划分区域i内的多层建筑物的居住体积，a2ik′为划分区域i内多层住宅建筑k′的面积，h2ik′为划分区域i内多层住宅建筑k′的楼层数，k′＝1，2，…q′，q′为划分区域i内多层住宅建筑的总数量，m2ik″为划分区域i内多层商住建筑k″的面积，h2mik″为划分区域i内多层商住建筑k″的楼层数，h2ik″为划分区域i内多层商住建筑k″的商业用途层数，k″＝1，2，…q″，q″为划分区域i内多层商住建筑的数量；
A3i为划分区域i内的中高层建筑物的居住体积，a3il′为划分区域i内中高层住宅建筑l′的面积，h3il′为划分区域i内中高层住宅建筑l′的楼层数，l′＝1，2，…s′，s′为划分区域i内中高层住宅建筑的总数量，m3il″为划分区域i内中高层商住建筑l″的面积，h3mil″为划分区域i内中高层商住建筑l″的楼层数，h3il″为划分区域i内中高层商住建筑l″的商业用途层数，l″＝1，2，…s″，s″为划分区域i内中高层商住建筑的总数量。
5、基于第i个划分区域不同类型居住建筑物的体积数据，构建人口计算模型，即可计算得到第i个划分区域的人口数量。
在静态人口分布中，人口主要分布在居住建筑中，考虑到不同乡镇高层建筑物、多层建筑物和低层建筑物人口居住密度有所差异，选择地理加权回归模型进行建模。以处理后的建筑物图斑为载体，根据统计的各划分区域(例如，行政区划单元)内中高层建筑、多层建筑及低层建筑体积为因变量和目标区域各行政单元统计人口为自变量，构建人口估算模型如下：
yi＝β0(ui，vi)+β1(ui，vi)A1i+β2(ui，vi)A2i+β3(ui，vi)A3i+εi i＝1，2，…，n (4)
式中，yi为划分区域i的人口数量，(ui，vi)为划分区域i的地理坐标，β0(ui，vi)为划分区域i的常数项，β1(ui，vi)为划分区域i低层建筑体积回归系数，β2(ui，vi)为划分区域i多层建筑体积回归系数，β3(ui，vi)为划分区域i中高层建筑体积回归系数，εi为样本点的随机误差，且满足εi～(0，σ2)，cov(εi，εj)＝0(i≠j)的假设。
在地理加权回归模型中每个位置的采样点受周围采样点的影响是有差异的，随着距离的增加影响程度降低，存在明显的距离衰减效应。通常采用距离加权最小二乘法进行建筑体积回归系数估计，如下式(5)：
Figure BDA0002658813910000071
其中：
Figure BDA0002658813910000081
Figure BDA0002658813910000082
Figure BDA0002658813910000083
式中，n为样本点数目，W(ui，vi)是n×n的加权矩阵，对角线上的每一个元素都是观测值所在位置j与回归点i的位置之间距离的函数，其作用是权衡不同空间位置j(j＝1，2，…，n)的观测值对于回归点i参数估计的影响程度。
本实施例中，根据“无土地无人口”的基本原则，即无居住建筑用地则无人口，将β0(ui，vi)设置为0。
实施例2
本实施例提出了一种基于高精度建筑物数据的人口计算系统。如图2所示，本实施例的系统包括数据获取模块、数据预处理模块、体积计算模块和人口计算模块。
本实施例的数据获取模块利用网络爬虫技术，从百度地图或天地图中抓取城市建筑物矢量数据，非城市建筑物数据则通过遥感影像解译或者从天地图居民地服务中截取并调用历史影像服务矢量化补充，进而获取目标区域建筑物基础数据；所述目标区域包括n个划分区域，其中，n为大于等于3的正整数；
本实施例的数据预处理模块用于基于建筑物基础数据得到含属性信息的建筑物数据并对其进行预处理，提取居住用途属性的建筑物数据。
具体的，本实施例的数据预处理模块包括属性单元、分类单元和清洗单元。
属性单元为建筑物基础数据增加属性信息，从而得到含属性信息的建筑物数据；所述属性信息包括建筑年代、建筑用途、建筑物层数、商业楼层、是否废弃、是否闲置。
分类单元按照建筑物用途提取居住用途属性的建筑物，包括住宅和商住。
清洗单元用于剔除废弃或闲置的居住用途属性的建筑物，并擦除城镇综合功能单元中的无人居住区的图斑。
本实施例的体积计算模块用于获得第i个划分区域不同类型居住建筑物的体积数据；其中，1≤i≤n。
具体的，本实施例的体积计算模块包括重分类单元、低层居住体积计算单元、多层居住体积计算单元和中高层居住体积计算单元。
重分类单元用于将第i个划分区域中的居住建筑物进行分类，分为低层建筑物、多层建筑物和中高层建筑物；其中，低层建筑物为总楼层为1-3层的建筑物，多层建筑物为总楼层为4-6层的建筑物，中高层建筑物为总楼层为7层及以上的建筑物；
低层居住体积计算单元通过下式计算低层建筑物的居住体积：
Figure BDA0002658813910000091
式中，A1i为划分区域i内的低层建筑物的居住体积，a1ij′为划分区域i内低层住宅建筑j′的面积，h1ij′为划分区域i内低层住宅建筑j′的楼层数，j′＝1，2，…p′，p′为划分区域i内低层住宅建筑的总数量，m1ij″为划分区域i内低层商住建筑j″的面积，h1mij″为划分区域i内低层商住建筑j″的楼层数，h1ij″为划分区域i内低层商住建筑j″的商业用途层数，j″＝1，2，…p″，p″为划分区域i内低层商住建筑的总数量；
多层居住体积计算单元通过下式计算多层建筑物的居住体积：
Figure BDA0002658813910000092
式中，A2i为划分区域i内的多层建筑物的居住体积，a2ik′为划分区域i内多层住宅建筑k′的面积，h2ik′为划分区域i内多层住宅建筑k′的楼层数，k′＝1，2，…q′，q′为划分区域i内多层住宅建筑的总数量，m2ik″为划分区域i内多层商住建筑k″的面积，h2mik″为划分区域i内多层商住建筑k″的楼层数，h2ik″为划分区域i内多层商住建筑k″的商业用途层数，k″＝1，2，…q″，q″为划分区域i内多层商住建筑的数量；
中高层居住体积计算单元通过下式计算中高层建筑物的居住体积：
Figure BDA0002658813910000093
式中，A3i为划分区域i内的中高层建筑物的居住体积，a3il′为划分区域i内中高层住宅建筑l′的面积，h3il′为划分区域i内中高层住宅建筑l′的楼层数，l′＝1，2，…s′，s′为划分区域i内中高层住宅建筑的总数量，m3il″为划分区域i内中高层商住建筑l″的面积，h3mil″为划分区域i内中高层商住建筑l″的楼层数，h3il″为划分区域i内中高层商住建筑l″的商业用途层数，l″＝1，2，…s″，s″为划分区域i内中高层商住建筑的总数量。
本实施例的人口计算模块基于第i个划分区域不同类型居住建筑物的体积数据，构建人口计算模型，即可计算得到第i个划分区域的人口数量。
本实施例的的人口计算模块通过下式计算第i个划分区域的人口数量yi：
yi＝β0(ui，vi)+β1(ui，vi)A1i+β2(ui，vi)A2i+β3(ui，vi)A3i+εi i＝1，2，…，n
式中，(ui，vi)为划分区域i的地理坐标，β0(ui，vi)为划分区域i的常数项，β1(ui，vi)为划分区域i低层建筑体积回归系数，β2(ui，vi)为划分区域i多层建筑体积回归系数，β3(ui，vi)为划分区域i中高层建筑体积回归系数，εi为样本点的随机误差，且满足εi～(0，σ2)，cov(εi，εj)＝0(i≠j)的假设。
本实施例的建筑体积回归系数通过上述实施例1的公式(5)获得。
实施例3
本实施例对上述实施例获得的人口计算模型计算验证，具体过程如下：
1、误差分析。将计算得出的目标区域的估算人口与统计人口，利用公式(6)和(7)计算人口相对误差和平均相对误差：
Figure BDA0002658813910000101
Figure BDA0002658813910000102
式中，E为人口相对误差，MRE为平均相对误差，pe为人口统计值，ps为根据模型计算得到的人口估计值，i表示第i个区域，n表示区域数量。
2、目标区域模拟人口生成。根据单体建筑物的体积和相应的居住建筑物的人口空间系数，带入公式(4)，估算出目标区域内模拟人口分布。
宝兴县境内有3镇、5乡和1民族乡，截至2016年底，全县共有21 508户58 732人，人口密度为19人/km2，其中非农业人口16 781人，农业人口41 951人，汉族人口占81.83％，少数民族人口占18.17％。从建筑物类型分布来看，全县境内主要以低层建为主，其次是多层建筑，穆坪镇和灵关镇有少许中层高建筑物。
由上述实施例得到的人口计算模型得到的宝兴县每一个乡镇的模拟人口，如下表所示。
Figure BDA0002658813910000103
Figure BDA0002658813910000111
3、模型的精度检验。利用抽样调查的方式进行检验，从目标区域居住建筑物斑块中随机抽取若干栋建筑物，实地调查单体建筑物的人口，并与估算人口进行对比分析。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于高精度建筑物数据的人口计算方法，其特征在于，该方法包括以下步骤：
步骤S1，获取目标区域建筑物基础数据；所述目标区域包括n个划分区域，其中，n为大于等于3的正整数；
步骤S2，基于建筑物基础数据得到含属性信息的建筑物数据；
步骤S3，对含属性的建筑物数据进行预处理，提取居住用途属性的建筑物数据；
步骤S4，获得第i个划分区域不同类型居住建筑物的体积数据；其中，1≤i≤n；
步骤S5，基于第i个划分区域不同类型居住建筑物的体积数据，构建人口计算模型，即可计算得到第i个划分区域的人口数量。
2.根据权利要求1所述的一种基于高精度建筑物数据的人口计算方法，其特征在于，所述步骤S1利用网络爬虫技术，从百度地图或天地图中抓取城市建筑物矢量数据，非城市建筑物数据则通过遥感影像解译或者从天地图居民地服务中截取并调用历史影像服务矢量化补充；所述步骤S2为建筑物基础数据增加属性信息，从而得到含属性信息的建筑物数据；所述属性信息包括建筑年代、建筑用途、建筑物层数、商业楼层、是否废弃、是否闲置。
3.根据权利要求1所述的一种基于高精度建筑物数据的人口计算方法，其特征在于，所述步骤S3的预处理包括：
按照建筑物用途提取居住用途属性的建筑物，包括住宅和商住；
剔除废弃或闲置的居住用途属性的建筑物；
擦除城镇综合功能单元中的无人居住区的图斑。
4.根据权利要求1所述的一种基于高精度建筑物数据的人口计算方法，其特征在于，所述步骤S4具体包括以下步骤：
步骤S41，将第i个划分区域中的居住建筑物进行分类，分为低层建筑物、多层建筑物和中高层建筑物；其中，低层建筑物为总楼层为1-3层的建筑物，多层建筑物为总楼层为4-6层的建筑物，中高层建筑物为总楼层为7层及以上的建筑物；
步骤S42，根据步骤S41的建筑物类型，通过下式(1)-(3)分别计算得到低层建筑物、多层建筑物和中高层建筑物的居住体积：
Figure FDA0002658813900000011
Figure FDA0002658813900000012
Figure FDA0002658813900000013
式中，A1i为划分区域i内的低层建筑物的居住体积，a1ij′为划分区域i内低层住宅建筑j′的面积，h1ij′为划分区域i内低层住宅建筑j′的楼层数，j′＝1，2，…p′，p′为划分区域i内低层住宅建筑的总数量，m1ij″为划分区域i内低层商住建筑j″的面积，h1mij″为划分区域i内低层商住建筑j″的楼层数，h1ij″为划分区域i内低层商住建筑j″的商业用途层数，j″＝1，2，…p″，p″为划分区域i内低层商住建筑的总数量；
A2i为划分区域i内的多层建筑物的居住体积，a2ik′为划分区域i内多层住宅建筑k′的面积，h2ik′为划分区域i内多层住宅建筑k′的楼层数，k′＝1，2，…q′，q′为划分区域i内多层住宅建筑的总数量，m2ik″为划分区域i内多层商住建筑k″的面积，h2mik″为划分区域i内多层商住建筑k″的楼层数，h2ik″为划分区域i内多层商住建筑k″的商业用途层数，k″＝1，2，…q″，q″为划分区域i内多层商住建筑的数量；
A3i为划分区域i内的中高层建筑物的居住体积，a3il′为划分区域i内中高层住宅建筑l′的面积，h3il′为划分区域i内中高层住宅建筑l′的楼层数，l′＝1，2，…s′，s′为划分区域i内中高层住宅建筑的总数量，m3il″为划分区域i内中高层商住建筑l″的面积，h3mil″为划分区域i内中高层商住建筑l″的楼层数，h3il″为划分区域i内中高层商住建筑l″的商业用途层数，l″＝1，2，…s″，s″为划分区域i内中高层商住建筑的总数量。
5.根据权利要求4所述的一种基于高精度建筑物数据的人口计算方法，其特征在于，所述步骤S5构建的人口计算模型为：
yi＝β0(ui，vi)+β1(ui，vi)A1i+β2(ui，vi)A2i+β3(ui，vi)A3i+εi i＝1，2，…，n
式中，(ui，vi)为划分区域i的地理坐标，β0(ui，vi)为划分区域i的常数项，β1(ui，vi)为划分区域i低层建筑体积回归系数，β2(ui，vi)为划分区域i多层建筑体积回归系数，β3(ui，vi)为划分区域i中高层建筑体积回归系数，εi为样本点的随机误差，且满足εi～(0，σ2)，cov(εi，εj)＝0(i≠j)的假设。
6.一种基于高精度建筑物数据的人口计算系统，其特征在于，该系统包括数据获取模块、数据预处理模块、体积计算模块和人口计算模块；
数据获取模块用于获取目标区域建筑物基础数据；所述目标区域包括n个划分区域，其中，n为大于等于3的正整数；
所述数据预处理模块用于基于建筑物基础数据得到含属性信息的建筑物数据并对其进行预处理，提取居住用途属性的建筑物数据；
所述体积计算模块用于获得第i个划分区域不同类型居住建筑物的体积数据；其中，1≤i≤n；
所述人口计算模块基于第i个划分区域不同类型居住建筑物的体积数据，构建人口计算模型，即可计算得到第i个划分区域的人口数量。
7.根据权利要求6所述的一种基于高精度建筑物数据的人口计算系统，其特征在于，所述数据获取模块利用网络爬虫技术，从百度地图或天地图中抓取城市建筑物矢量数据，非城市建筑数据则通过遥感影像解译或者从天地图居民地服务中截取并调用历史影像服务矢量化补充。
8.根据权利要求6所述的一种基于高精度建筑物数据的人口计算系统，其特征在于，所述预处理模块包括属性单元、分类单元和清洗单元；
所述属性单元为建筑物基础数据增加属性信息，从而得到含属性信息的建筑物数据；所述属性信息包括建筑年代、建筑用途、建筑物层数、商业楼层、是否废弃、是否闲置；
所述分类单元按照建筑物用途提取居住用途属性的建筑物，包括住宅和商住；
所述清洗单元用于剔除废弃或闲置的居住用途属性的建筑物，并擦除城镇综合功能单元中的无人居住区的图斑。
9.根据权利要求6所述的一种基于高精度建筑物数据的人口计算系统，其特征在于，所述体积计算模块包括重分类单元、低层居住体积计算单元、多层居住体积计算单元和中高层居住体积计算单元；
所述重分类单元用于将第i个划分区域中的居住建筑物进行分类，分为低层建筑物、多层建筑物和中高层建筑物；其中，低层建筑物为总楼层为1-3层的建筑物，多层建筑物为总楼层为4-6层的建筑物，中高层建筑物为总楼层为7层及以上的建筑物；
所述低层居住体积计算单元通过下式计算低层建筑物的居住体积：
Figure FDA0002658813900000031
式中，A1i为划分区域i内的低层建筑物的居住体积，a1ij′为划分区域i内低层住宅建筑j′的面积，h1ij′为划分区域i内低层住宅建筑j′的楼层数，j′＝1，2，…p′，p′为划分区域i内低层住宅建筑的总数量，m1ij″为划分区域i内低层商住建筑j″的面积，h1mij″为划分区域i内低层商住建筑j″的楼层数，h1ij″为划分区域i内低层商住建筑j″的商业用途层数，j″＝1，2，…p″，p″为划分区域i内低层商住建筑的总数量；
所述多层居住体积计算单元通过下式计算多层建筑物的居住体积：
Figure FDA0002658813900000032
式中，A2i为划分区域i内的多层建筑物的居住体积，a2ik′为划分区域i内多层住宅建筑k′的面积，h2ik′为划分区域i内多层住宅建筑k′的楼层数，k′＝1，2，…q′，q′为划分区域i内多层住宅建筑的总数量，m2ik″为划分区域i内多层商住建筑k″的面积，h2mik″为划分区域i内多层商住建筑k″的楼层数，h2ik″为划分区域i内多层商住建筑k″的商业用途层数，k″＝1，2，…q″，q″为划分区域i内多层商住建筑的数量；
所述中高层居住体积计算单元通过下式计算中高层建筑物的居住体积：
Figure FDA0002658813900000041
式中，A3i为划分区域i内的中高层建筑物的居住体积，a3il′为划分区域i内中高层住宅建筑l′的面积，h3il′为划分区域i内中高层住宅建筑l′的楼层数，l′＝1，2，…s′，s′为划分区域i内中高层住宅建筑的总数量，m3il″为划分区域i内中高层商住建筑l″的面积，h3mil″为划分区域i内中高层商住建筑l″的楼层数，h3il″为划分区域i内中高层商住建筑l″的商业用途层数，l″＝1，2，…s″，s″为划分区域i内中高层商住建筑的总数量。
10.根据权利要求9所述的一种基于高精度建筑物数据的人口计算系统，其特征在于，所述人口计算模块通过下式计算第i个划分区域的人口数量yi：
yi＝β0(ui，vi)+β1(ui，vi)A1i+β2(ui，vi)A2i+β3(ui，vi)A3i+εi i＝1，2，…，n
式中，(ui，vi)为划分区域i的地理坐标，β0(ui，vi)为划分区域i的常数项，β1(ui，vi)为划分区域i低层建筑体积回归系数，β2(ui，vi)为划分区域i多层建筑体积回归系数，β3(ui，vi)为划分区域i中高层建筑体积回归系数，εi为样本点的随机误差，且满足εi～(0，σ2)，cov(εi，εj)＝0(i≠j)的假设。
CN202010897117.XA 2020-08-31 2020-08-31 一种基于高精度建筑物数据的人口计算方法及系统 Pending CN111986215A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010897117.XA CN111986215A (zh) 2020-08-31 2020-08-31 一种基于高精度建筑物数据的人口计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010897117.XA CN111986215A (zh) 2020-08-31 2020-08-31 一种基于高精度建筑物数据的人口计算方法及系统

Publications (1)

Publication Number Publication Date
CN111986215A true CN111986215A (zh) 2020-11-24

Family

ID=73439775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010897117.XA Pending CN111986215A (zh) 2020-08-31 2020-08-31 一种基于高精度建筑物数据的人口计算方法及系统

Country Status (1)

Country Link
CN (1) CN111986215A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113434538A (zh) * 2021-06-24 2021-09-24 北京市地震局 一种基于人口位置数据的地震强度评估方法及系统
CN113487467A (zh) * 2021-07-12 2021-10-08 北京地拓科技发展有限公司 一种基于卫星遥感的居住社区人口数量检测方法和装置
CN118097444A (zh) * 2024-04-29 2024-05-28 深圳拓安信物联股份有限公司 一种楼群用户数量统计方法、装置及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760454A (zh) * 2016-02-04 2016-07-13 东南大学 一种城市人口分布密度实时动态测量方法
CN109740292A (zh) * 2019-01-30 2019-05-10 中国测绘科学研究院 一种基于多智能体的城市人口空间分布估算方法及装置
CN109829029A (zh) * 2019-01-30 2019-05-31 中国测绘科学研究院 一种顾及居住建筑属性的城市人口空间化方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760454A (zh) * 2016-02-04 2016-07-13 东南大学 一种城市人口分布密度实时动态测量方法
CN109740292A (zh) * 2019-01-30 2019-05-10 中国测绘科学研究院 一种基于多智能体的城市人口空间分布估算方法及装置
CN109829029A (zh) * 2019-01-30 2019-05-31 中国测绘科学研究院 一种顾及居住建筑属性的城市人口空间化方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵真，郭红梅，张莹，申源: "基于天地图高精度建筑物的四川宝兴县人口估算", 《地震研究》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113434538A (zh) * 2021-06-24 2021-09-24 北京市地震局 一种基于人口位置数据的地震强度评估方法及系统
CN113434538B (zh) * 2021-06-24 2024-03-08 北京市地震局 一种基于人口位置数据的地震强度评估方法及系统
CN113487467A (zh) * 2021-07-12 2021-10-08 北京地拓科技发展有限公司 一种基于卫星遥感的居住社区人口数量检测方法和装置
CN118097444A (zh) * 2024-04-29 2024-05-28 深圳拓安信物联股份有限公司 一种楼群用户数量统计方法、装置及设备

Similar Documents

Publication Publication Date Title
Tingzon et al. Mapping poverty in the Philippines using machine learning, satellite imagery, and crowd-sourced geospatial information
CN111986215A (zh) 一种基于高精度建筑物数据的人口计算方法及系统
Sander et al. Heights and locations of artificial structures in viewshed calculation: How close is close enough?
CN100533486C (zh) 一种数字城市全自动生成的方法
Wu et al. Modified data-driven framework for housing market segmentation
CN110956412B (zh) 基于实景模型的洪灾动态评估方法、装置、介质和设备
CN105307121B (zh) 一种信息处理方法及装置
CN110428126B (zh) 一种基于多源开放数据的城市人口空间化处理方法及系统
Foltête et al. Coupling crowd-sourced imagery and visibility modelling to identify landscape preferences at the panorama level
CN106101224A (zh) 识别用户所在地理位置的类别的方法及装置
Qi et al. Urban observation: Integration of remote sensing and social media data
CN113393149B (zh) 城市民宿选址优化方法、系统、计算机设备及存储介质
CN112954623B (zh) 一种基于手机信令大数据的居民入住率估算方法
CN110213710A (zh) 一种基于随机森林的高性能室内定位方法、室内定位系统
CN106056577B (zh) 基于mds-srm混合级联的sar图像变化检测方法
Biljecki et al. Raise the roof: Towards generating LOD2 models without aerial surveys using machine learning
CN109691162A (zh) 一种网络站址规划方法及装置
Ghiassi et al. An enhanced sampling-based approach to urban energy modelling
Kraff et al. How dynamic are slums? EO-based assessment of Kibera’s morphologic transformation
Roy et al. Inferring the number of floors for residential buildings
Chirima et al. Comparison of kernel density and local convex hull methods for assessing distribution ranges of large mammalian herbivores
Sottini et al. Rural environment and landscape quality: an evaluation model integrating social media analysis and geostatistics techniques
Tian et al. Suburban sprawl measurement and landscape analysis of cropland and ecological land: A case study of Jiangsu Province, China
KARIMIPOUR et al. Introduction to a quantitative method for assessment of visual impacts of Tehran Towers
Liu et al. Sandwich mapping of rodent density in Jilin Province, China

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201124