CN114595428A - 一种基于夜光遥感的多源数据人口空间化方法 - Google Patents

一种基于夜光遥感的多源数据人口空间化方法 Download PDF

Info

Publication number
CN114595428A
CN114595428A CN202210241082.3A CN202210241082A CN114595428A CN 114595428 A CN114595428 A CN 114595428A CN 202210241082 A CN202210241082 A CN 202210241082A CN 114595428 A CN114595428 A CN 114595428A
Authority
CN
China
Prior art keywords
population
data
spatialization
formula
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.)
Pending
Application number
CN202210241082.3A
Other languages
English (en)
Inventor
刘美君
范强
史月
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.)
Liaoning Technical University
Original Assignee
Liaoning Technical 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 Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN202210241082.3A priority Critical patent/CN114595428A/zh
Publication of CN114595428A publication Critical patent/CN114595428A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于夜光遥感的多源数据人口空间化方法。高精度的人口空间分布数据是开展小尺度人口活动变化规律探究的关键数据。夜光遥感影像对于反映人类社会活动具有独特的能力，因而被广泛的应用于社会经济领域的空间数据挖掘。针对传统人口统计周期长、单一数据源精度较低等问题，本发明从多源数据共同表达人口空间化角度出发，融合土地利用、DEM、POI、夜光影像等数据，依据人口密度对乡镇(街道)分割成的区域进行分组，并在此基础上构建人口空间化模型，提升人口空间化精度。该研究可为未来人口空间合理布局与人口疏解政策完善提供定量化的科学依据。

Description

一种基于夜光遥感的多源数据人口空间化方法
技术领域
本发明属于遥感图像处理领域，尤其涉及一种基于夜光遥感的多源数据人口空间化方法。
背景技术
人口问题是影响当今世界可持续发展的重大问题之一。人口的增长加大了全球资源和环境的承载压力，资源、环境、人口之间的矛盾随之也变得十分突出。掌握人口信息，研究人口空间分布及其变化可以为区域可持续发展研究、规划等工作提供科学支撑。人口调查是当前各国实现人口信息统计和分析的主要渠道，具体方式包括抽样调查和全体普查两种形式。虽然人口调查和统计有严谨的统计学理论和方法作为支撑，具有权威、系统、规范等优势，但仍存在时间分辨率低、更新周期长、精度低、不利于可视化和空间分析操作等问题，难以满足人口分布规律研究。实时、可靠的人口空间分布信息对于研究和解释人类对社会、经济和环境的影响有重要作用。
人口空间分布信息可以由人口数据空间化或人口密度格网化技术获取得到。近年来，人口空间化研究发展较快，其中夜间灯光作为综合指示因子来进行社会经济数据空间化模拟得到越来越多的应用。早期研究大多使用美国国防气象卫星(DefenseMeteorological Satellite Program,DMSP)搭载的业务线扫描系统传感器(OperationalLine Scan System,OLS)获取的夜间灯光数据，由于该数据空间分辨率较低(约为1km)，因此在大、中尺度(国家、省、州)上的相关研究较为适用，小尺度的估算适用性较低。2011年10月，美国新一代极轨运行环境卫星系统预备项目卫星(National Polar-orbit-ingOperational Environmental Satellite System Pre-paratory Project,NPP)发射成功，NPP携带的可见光红外线成像辐射仪(Visible Infrared Imaging Radi-ometer Suite,VIIRS)可得到接收22个波段的影像数据，其中白天/夜间波段(Day/Night Band,DNB)能够识别微弱灯光源。相较于DMSP/OLS夜间灯光数据，VIIRS传感器采用星上定标，可以得到更高精度的数据，新型夜间灯光数据空间分辨率的提高(500m)也为小尺度级别的数据空间化研究提供了技术支持。目前有关NPP/VIIRS夜间灯光的研究主要集中在模拟GDP、电力消耗估算、油气平台识别等经济领域，而在人口空间化方面应用的较少。高义等对比分析了2种夜间灯光数据在我国沿海地区人口空间化结果，研究表明，NPP/VIIRS夜间灯光数据反演人口的精度要高于DMSP/OLS夜间灯光数据，但是得到的结果精度并不是很高。因此，如何有效地借助NPP/VIIRS夜间灯光数据得到更高精度的人口空间化结果还需进一步研究。
综上所述，本发明在NPP/VIIRS夜间灯光数据与人口统计数据相关性的基础上，引入土地利用数据、数字高程(DEM)数据、兴趣点(POI)数据，以沈阳地区为研究区，与乡镇级常住人口统计数据进行多元线性回归建模，之后对研究区域进行分区及建立适合尺度的格网，并对人口空间化结果进行精度评价，期望建立更有效的人口空间化数据。
发明内容
针对上述技术问题，本发明的目的在于克服已有技术的不足之处，提出一种基于夜光遥感的多源数据人口空间化方法，包括原始数据获取、研究区域分组、最佳建模因子筛选、人口空间化、人口空间格网化、精度分析。
为实现上述功能，本发明提供了一种基于夜光遥感的多源数据人口空间化方法，包括以下步骤：
S1：原始数据获取：土地利用数据下载，NPP/VIIRS数据下载，DEM数据下载，POI数据下载，数据预处理；
S2：研究区域分组：根据土地利用类别及人口密度对研究区域进行分区分组；
S3：最佳建模因子筛选：采用数学统计规律分析人口与各辅助数据的相关程度，选择最优数据组作为后续建模因子；
S4：人口空间化：根据步骤S3获取的各相关因子，通过多元线性回归，分别求得S2中分组前后各因子的建模系数，构建人口空间化模型；
S5：人口分布格网化：将空间化得到的结果汇总到乡镇单元与统计人口对比，并分析合适的网格尺度，将人口重新分配至格网尺度；
S6：精度分析：对模拟得到的人口数进行精度评价和误差分析。
进一步的，步骤S1原始数据下载主要包括以下步骤：
(1)土地利用数据下载、NPP/VIIRS数据下载、DEM数据下载、POI数据下载；
(2)对NPP/VIIRS影像、土地利用数据、DEM、POI数据进行数据合成、分类等预处理。
进一步的，步骤S2研究区域分组主要包括以下步骤：
通过ArcGIS软件，以土地利用类别及人口密度为依据，将研究区域分组，以便提高人口空间化模型的准确性。
进一步的，步骤S3最佳建模因子筛选主要包括以下步骤：
(1)采用斯皮尔曼(Spearman)相关系数针对各个自变量与因变量的关系进行探索，计算出人口与辅助因子之间的线性关系；
(2)选择相关系数在0.01水平(双侧)显著相关的因子作为后续建模因子。
进一步的，步骤S4人口空间化主要包括以下步骤：
(1)确定建模因子系数；
(2)人口空间化建模，模型公式为：
Figure BDA0003541753300000031
式中Yi和Xi为第i(i＝1,2,3,...,n)个样本点处的因变量和自变量；β0为模型常数项；βk为第k个回归变量的系数；p为回归变量的个数；μi为第i个样本处的误差项。
进一步的，步骤S5人口空间格网化主要包括以下步骤：
(1)利用步骤S4中的结果，将人口分布至格网，公式为：
Figure BDA0003541753300000032
式中Pij为第i个乡镇(街道)内第j个格网的人口数；β0为模型常数项；Ni为第i个乡镇(街道)内网格个数；βk为第k个回归变量的系数；p为回归变量的个数；Xijk为第i量个乡镇(街道)内第j个网格的第k个自变量；
(2)对格网尺度的人口进行修正，公式为：
Figure BDA0003541753300000033
式中Pij′为最终网格人口；Pij为步骤S5(1)中的网格人口数；
Figure BDA0003541753300000034
为第i个乡镇(街道)的统计人口；Pi为第i个乡镇(街道)内格网个数。
进一步的，步骤S6精度分析主要包括以下步骤：
(1)相关系数分析，公式如下：
Figure BDA0003541753300000041
(2)均方根误差分析，公式如下：
Figure BDA0003541753300000042
(3)平均绝对误差分析，公式如下：
Figure BDA0003541753300000043
(4)平均相对误差分析，公式如下：
Figure BDA0003541753300000044
Figure BDA0003541753300000045
式中：Pi代表i行政单元内统计人口数；PEi代表i行政单元内人口的估计数；n代表行政单元的个数；
Figure BDA0003541753300000046
代表统计人口数平均值；
Figure BDA0003541753300000047
表示人口的估计数平均值。
有益效果：基于夜光遥感的多源数据人口空间化方法与现有技术相比，具有如下优势：
(1)相较于传统的人口普查法收集到的人口统计数据，具有空间信息的人口分布数据更能反映行政单元的人口空间分布差异，能够为城市管理及规划提供可靠的参考；
(2)在多数据源方面，可以有效避免单一数据源、单一尺度的传统人口空间化造成研究结果误差较大的问题，更好的将人口真实空间分布信息展现出来。
附图说明
本发明的内容的描述与下面附图相结合将变得明显和容易理解，其中：
图1为一种基于夜光遥感的多源数据人口空间化方法的流程图；
图2为本发明具体实施方式中预处理后的沈阳市NPP/VIIRS夜间灯光影像图；
图3为本发明具体实施方式中分组分区所依据的统计数据人口密度图；
图4为本发明具体实施方式中分区后得到的分组图；
图5为本发明具体实施方式中分区前后人口空间化结果图。
具体实施方式
按图1所示步骤，对本发明一种基于夜光遥感的多源数据人口空间化方法进行详细说明。
步骤1：原始数据获取。包括以下具体步骤：
(1)土地利用数据下载、NPP/VIIRS数据下载、DEM数据下载、POI数据下载；
(2)对NPP/VIIRS影像进行年数据合成、背景噪声消除、异常值处理(如图2所示)，并计算各乡镇(街道)的平均灯光亮度值以及总灯光亮度值；
(3)对DEM影像进行相关处理得到各乡镇(街道)归一化的平均DEM、坡度、坡向和地形起伏度数据；
(4)对土地利用数据进行重分类，并计算各乡镇(街道)的每种地类面积占比；
(5)对POI数据进行分区统计，统计每类POI落入各乡镇(街道)的总数量。
步骤2：研究区域分组。包括以下具体步骤：
为提高模型精度，在ArcGIS软件中，以人口密度为依据(如图3所示)，将研究区域分为两组(如图4所示)，一组为城市中心人口密集地区，另一组为人口较分散的城郊地区，以便后续分别建立人口空间化模型。
步骤3：最佳建模因子筛选。包括以下具体步骤：
(1)将数学统计规律应用到人口空间化的定量可视化展示的过程中，探究人口空间分布规律的影响因子，采用斯皮尔曼(Spearman)相关系数针对各个自变量与因变量的关系进行探索，公式如下：
Figure BDA0003541753300000061
式中，r为Spearman相关系数；x，y是给定样本X和Y各自的样本平均值xi，yi分别为两个样本的变量值；n为样本个数。r绝对值越大，表示因变量与自变量的相关性越高；
(2)对分乡镇样本人口数量与分乡镇每类POI数量做Spearman相关分析，选择出POI与人口数量在0.01水平(双侧)显著相关的种类，并将这些相关POI合并，统计每个乡镇的POI总和，同时计算POI密度；
(3)对分乡镇样本人口与分乡镇的土地利用类型面积占比、归一化的平均DEM、坡度、坡向和地形起伏度数据、和POI密度进行Spearman相关分析，得到各因子与人口的相关系数。
步骤4：人口空间化。包括以下具体步骤：
(1)确定建模因子系数，选取步骤3中在0.01水平(双侧)显著相关的因子作为建模因子，在SPSS软件中将人口作为因变量，其余因子作为自变量进行多元线性回归，得到各自变量的回归系数；
(2)人口空间化建模(模型结果如图5所示)，模型公式为：
Figure BDA0003541753300000062
式中Yi和Xi为第i(i＝1,2,3,...,n)个样本点处的因变量和自变量；β0为模型常数项；βk为第k个回归变量的系数；p为回归变量的个数；μi为第i个样本处的误差项。
步骤5：人口空间格网化。包括以下具体步骤：
(1)地理对象是尺度依存的，合适的格网能够表现出特有的时间、空间乃至时空尺度的特征，根据研究区面积大小以及人口密度分布，分别设置2km×2km、1km×1km、0.5km×0.5km三种尺度的格网；
(2)利用步骤S4中的结果，分别将分区前后的人口数据分布至不同尺度的格网，开展网格尺度上的人口估算，公式为：
Figure BDA0003541753300000071
式中Pij为第i个乡镇(街道)内第j个格网的人口数；β0为模型常数项；Ni为第i个乡镇(街道)内网格个数；βk为第k个回归变量的系数；p为回归变量的个数；Xijk为第i量个乡镇(街道)内第j个网格的第k个自变量；
(3)多元线性回归分析是在每一类土地利用和POI对每个乡镇(街道)人口分布的影响都相同的前提下进行，然而事实上同一类土地利用或POI对不同乡镇(街道)人口分布的影响也可能存在差异，为确保乡镇(街道)人口估算值与统计值保持一致，需要对格网尺度的人口进行修正，使得空间化的结果与现实相符。公式为：
Figure BDA0003541753300000072
式中Pij′为最终网格人口；Pij为步骤S5(1)中的网格人口数；
Figure BDA0003541753300000073
为第i个乡镇(街道)的统计人口；Pi为第i个乡镇(街道)内格网个数；
(4)将校正后的系数迁移至不同尺度的网格中得到不同网格的人口模型，把先前通过格网统计好的结果带入人口模型中得到每个网格的人口数量，最终实现沈阳市建成区不同格网尺度下的人口数据空间化。
步骤6：精度分析。包括以下具体步骤：
分别对分区前后的乡镇尺度、格网尺度的人口空间化结果进行精度分析，选取相关系数(R)、均方根误差(RootMean Square Error,RMSE)、平均绝对误差(MeanAbsoluteError,MAE)、平均相对误差(MeanRelative Error,MRE)来进行评价；
(1)相关系数分析，公式如下：
Figure BDA0003541753300000074
(2)均方根误差分析，公式如下：
Figure BDA0003541753300000081
(3)平均绝对误差分析，公式如下：
Figure BDA0003541753300000082
(4)平均相对误差分析，公式如下：
Figure BDA0003541753300000083
Figure BDA0003541753300000084
式中：Pi代表i行政单元内统计人口数；PEi代表i行政单元内人口的估计数；n代表行政单元的个数；
Figure BDA0003541753300000085
代表统计人口数平均值；
Figure BDA0003541753300000086
表示人口的估计数平均值。
本发明一种基于夜光遥感的多源数据人口空间化方法，针对以往人口空间化数据源单一、尺度单一、精度较低的问题，提出采用多种数据共同参与、将人口数据反演至适合尺度格网上的人口空间化建模的方法，实现人口空间化精度的提高。
以上所述仅为本发明的最佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于夜光遥感的多源数据人口空间化方法，其特征在于，包括如下步骤：
S1：原始数据获取：土地利用数据下载，NPP/VIIRS数据下载，DEM数据下载，POI数据下载，数据预处理；
S2：研究区域分组：根据土地利用类别及人口密度对研究区域进行分区分组；
S3：最佳建模因子筛选：采用数学统计规律分析人口与各辅助数据的相关程度，选择最优数据组作为后续建模因子；
S4：人口空间化：根据步骤S3获取的各相关因子，通过多元线性回归，分别求得S2中分组前后各因子的建模系数，构建人口空间化模型；
S5：人口分布格网化：将空间化得到的结果汇总到乡镇单元与统计人口对比，并分析合适的网格尺度，将人口重新分配至格网尺度；
S6：精度分析：对模拟得到的人口数进行精度评价和误差分析。
2.根据权利要求1所述的一种基于夜光遥感的多源数据人口空间化方法，其特征在于，所述步骤S1包括以下步骤：
(1)土地利用数据下载、NPP/VIIRS数据下载、DEM数据下载、POI数据下载；
(2)对NPP/VIIRS影像、土地利用数据、DEM、POI数据进行数据合成、分类等预处理。
3.根据权利要求1所述的一种基于夜光遥感的多源数据人口空间化方法，其特征在于，所述S2包括以下步骤：
通过ArcGIS软件，以土地利用类别及人口密度为依据，将研究区域分组，以便提高人口空间化模型的准确性。
4.根据权利要求1所述的一种基于夜光遥感的多源数据人口空间化方法，其特征在于，所述S3包括以下步骤：
(1)采用斯皮尔曼(Spearman)相关系数针对各个自变量与因变量的关系进行探索，计算出人口与辅助因子之间的线性关系；
(2)选择相关系数在0.01水平显著相关的因子作为后续建模因子。
5.根据权利要求1所述的一种基于夜光遥感的多源数据人口空间化方法，其特征在于，所述S4包括以下步骤：
(1)确定建模因子系数；
(2)人口空间化建模，模型公式为：
Figure FDA0003541753290000021
式中Yi和Xi为第i(i＝1,2,3,...,n)个样本点处的因变量和自变量；β0为模型常数项；βk为第k个回归变量的系数；p为回归变量的个数；μi为第i个样本处的误差项。
6.根据权利要求1所述的一种基于夜光遥感的多源数据人口空间化方法，其特征在于，所述S5包括以下步骤：
(1)利用步骤S4中的结果，将人口分布至格网，公式为：
Figure FDA0003541753290000022
式中Pij为第i个乡镇(街道)内第j个格网的人口数；β0为模型常数项；Ni为第i个乡镇(街道)内网格个数；βk为第k个回归变量的系数；p为回归变量的个数；Xijk为第i量个乡镇(街道)内第j个网格的第k个自变量；
(2)对格网尺度的人口进行修正，公式为：
Figure FDA0003541753290000023
式中P′ij为最终网格人口；Pij为步骤S5(1)中的网格人口数；
Figure FDA0003541753290000024
为第i个乡镇(街道)的统计人口；Pi为第i个乡镇(街道)内格网个数。
7.根据权利要求1所述的一种基于夜光遥感的多源数据人口空间化方法，其特征在于，所述S6包括以下步骤：
(1)相关系数分析，公式如下：
Figure FDA0003541753290000025
(2)均方根误差分析，公式如下：
Figure FDA0003541753290000031
(3)平均绝对误差分析，公式如下：
Figure FDA0003541753290000032
(4)平均相对误差分析，公式如下：
Figure FDA0003541753290000033
Figure FDA0003541753290000034
式中：Pi代表i行政单元内统计人口数；PEi代表i行政单元内人口的估计数；n代表行政单元的个数；
Figure FDA0003541753290000035
代表统计人口数平均值；
Figure FDA0003541753290000036
表示人口的估计数平均值。
CN202210241082.3A 2022-03-11 2022-03-11 一种基于夜光遥感的多源数据人口空间化方法 Pending CN114595428A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210241082.3A CN114595428A (zh) 2022-03-11 2022-03-11 一种基于夜光遥感的多源数据人口空间化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210241082.3A CN114595428A (zh) 2022-03-11 2022-03-11 一种基于夜光遥感的多源数据人口空间化方法

Publications (1)

Publication Number Publication Date
CN114595428A true CN114595428A (zh) 2022-06-07

Family

ID=81817753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210241082.3A Pending CN114595428A (zh) 2022-03-11 2022-03-11 一种基于夜光遥感的多源数据人口空间化方法

Country Status (1)

Country Link
CN (1) CN114595428A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115544199A (zh) * 2022-11-28 2022-12-30 中国测绘科学研究院 面向载体精细提取的国外人口空间集成方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115544199A (zh) * 2022-11-28 2022-12-30 中国测绘科学研究院 面向载体精细提取的国外人口空间集成方法和系统
CN115544199B (zh) * 2022-11-28 2023-03-31 中国测绘科学研究院 面向载体精细提取的国外人口空间集成方法和系统

Similar Documents

Publication Publication Date Title
Zhang et al. Ecosystem services supply and demand response to urbanization: A case study of the Pearl River Delta, China
Ye et al. Improved population mapping for China using remotely sensed and points-of-interest data within a random forests model
Wang et al. Global gridded GDP data set consistent with the shared socioeconomic pathways
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
Tian et al. The spatio-temporal dynamic pattern of rural residential land in China in the 1990s using Landsat TM images and GIS
Ivanovic et al. Perspectives of sustainable development in countries of Southeastern Europe
Wu et al. A surface network based method for studying urban hierarchies by night time light remote sensing data
CN109711751A (zh) 一种基于时空数据融合分析的资源环境承载力评估方法
Xu et al. Population mapping in China with Tencent social user and remote sensing data
CN115879630A (zh) 基于土地利用的碳排放即时表征与预测的方法及装置
Cao et al. Monitoring changes in the impervious surfaces of urban functional zones using multisource remote sensing data: A case study of Tianjin, China
CN111626103A (zh) 一种基于夜晚灯光遥感影像的城市化梯度度量方法
Gao et al. Improving the accuracy of extant gridded population maps using multisource map fusion
Zhang et al. A geomorphological regionalization using the upscaled dem: The Beijing-Tianjin-Hebei Area, China case study
He et al. Spatial stratified heterogeneity and driving mechanism of urban development level in China under different urban growth patterns with optimal parameter-based geographic detector model mining
CN114595428A (zh) 一种基于夜光遥感的多源数据人口空间化方法
Sun et al. Population spatial distribution based on Luojia 1–01 nighttime light image: A case study of Beijing
Li et al. Evaluation and analysis of the impact of coastal urban impervious surfaces on ecological environments
CN116663779B (zh) 耕地土壤多深度肥力点面转换方法及装置
CN111382165B (zh) 一种移动国土管理系统
Wei et al. Research on Comfort Evaluation Model of Urban Residents’ Public Space Lighting Integrating Public Perception and Nighttime Light Remote Sensing Data
Long et al. Mapping parcel-level urban areas for a large geographical area
CN111199092A (zh) 太阳辐射遥感估算方法、系统及数据处理装置
CN115758856A (zh) 一种景观格局及气候变化对流域未来水质影响的研究方法
Woo et al. Integrated dataset of the Korean Genome and Epidemiology Study cohort with estimated air pollution data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication