顾及格网属性分级与空间关联的人口空间化方法

吴京航; 桂志鹏; 申力; 吴华意; 刘洪波; 李锐; 梅宇翱; 彭德华

doi:10.13203/j.whugis20200379

顾及格网属性分级与空间关联的人口空间化方法

doi: 10.13203/j.whugis20200379

吴京航¹,
桂志鹏^1,2, ,,
申力¹,
吴华意^2,3,
刘洪波⁴,
李锐³,
梅宇翱¹,
彭德华³

1 武汉大学遥感信息工程学院, 湖北武汉, 430079;
2 地球空间信息技术协同创新中心, 湖北武汉, 430079;
3 武汉大学测绘遥感信息工程国家重点实验室, 湖北武汉, 430079;
4 重庆市地理信息和遥感应用中心, 重庆市, 401147

基金项目:

国家重点研发计划（2018YFC0809806，2017YFB0503704）；国家自然科学基金（41971349，U20A2091，42090010）。

详细信息

作者简介:
吴京航,硕士,研究方向为人口空间化。wyw1294@whu.edu.cn

Population Spatialization by Considering Pixel-level Attribute Grading and Spatial Association

WU Jinghang¹,
GUI Zhipeng^{1,2
, ,},
SHEN Li¹,
WU Huayi^2,3,
LIU Hongbo⁴,
LI Rui³,
MEI Yu'ao¹,
PENG Dehua³

1 School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China;
2 Collaborative Innovation Center of Geospatial Technology, Wuhan 430079, China;
3 State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China;
4 Chongqing Geomatics and Remote Sensing Center, Chongqing, 401147

Funds:

The National Key Research and Development Program of China (2018YFC0809806, 2017YFB0503704)

摘要: 现有人口空间化方法多基于行政单元构建回归模型并分配格网单元人口，但分析单元的尺度差异引发模型迁移问题。同时，格网特征建模仅考虑格网自身属性，导致格网间空间关联被人为割裂。为此，本文基于随机森林模型提出一种顾及格网属性分级与空间关联的人口空间化方法（Population Spatialization byConsidering Pixel-level Attribute Grading and Spatial Association，PAG-SA）。该方法在格网特征建模中，1）基于自然断点法构造建筑区类别约束的夜间灯光分级特征，并在行政单元尺度统计各等级网格占比作为训练输入，以减小模型跨尺度误差； 2）利用核密度估计刻画邻域兴趣点（Point of Interest，POI）对当前格网人口分布的影响及距离衰减效应； 3）基于叠置分析统计不同类型建筑区轮廓包含的各类POI数量，提升特征建模精细度。论文选取武汉市作为实验区域，在街道尺度与WorldPop、GPW及中国公里网格人口数据集对比验证方法的有效性。结果表明该方法的平均绝对值误差仅为对比数据集的1/6-1/3。此外，本文还探讨了特征构成、格网大小及核密度带宽对精度的影响。
- 人口空间化 /
- 随机森林 /
- 多源数据融合 /
- 跨尺度问题 /
- 核密度估计 /
- 叠置分析
Abstract: Existing population spatialization methods mainly use administrative-unit-level data to train regression model, and transfer it to grid cell-level to achieve population allocation. However, the significant scale difference between the analytical units in training and estimation leads to the issues of cross-scale model transfer. Meanwhile, only the attributes of current cell are considered in cell-level feature modeling, which causes the innate spatial association between cells to be eliminated and cells to be isolated. Therefore, this paper proposes a novel population spatialization based on random forest by considering pixel-level attribute grading and spatial association (PAG-SA). In the cell-level feature modeling, we firstly constructs the night light grading features embedded with building category constraints based on natural breaks, and counts the grid proportion of each grading level at the administrative-unit-level as the training input to reduce the cross scale error; secondly, the influence and distance attenuation of neighborhood point of interests (POIs) upon the current cell is modelled by using kernel density estimation; thirdly, based on overlay analysis, the numbers of POIs in the contours of different building types are counted to improve the precision of feature modeling. To verify the effectiveness of the proposed method, we selected Wuhan city as the experimental area and compared its spatialization accuracy with the datasets of WorldPop, GPW and PopulationGrid_China at street scale. The results show that the mean absolute error of PAG-SA is only 1/6-1/3 of the comparison datasets. In addition, the influence of feature composition, grid size and kernel density bandwidth on the accuracy is also discussed.
- population spatialization /
- random forest /
- multi-source data fusion /
- cross-scale issues /
- kernel density estimation /
- overlay analysis

[1]	Wu Shuosheng, Qiu Xiaoming, Wang Le. Population Estimation Methods in GIS and Remote Sensing:A Review[J]. GIScience and Remote Sensing, 2005, 42(1):80-96.
[2]	Flowerdew R, Green M. Developments in Areal Interpolation Methods and GIS[J]. The Annals of Regional Science, 1992, 26(1):67-78.
[3]	Goodchild M F, Anselin L, Deichmann U. A Framework for the Areal Interpolation of Socioeconomic Data[J]. Environment and Planning A, 1993, 25(3):383-397.
[4]	Mennis J. Generating Surface Models of Population Using Dasymetric Mapping[J]. The Professional Geographer, 2003, 55(1):31-42.
[5]	Su M D, Lin R C, Hsieh R I, et al. Multi-layer Multi-class Dasymetric Mapping to Estimate Population Distribution[J]. Science of the Total Environment, 2010, 408(20):4807-4816.
[6]	Zeng Chuiqing, Zhou Yi, Wang Shixin, et al. Population Spatialization in China Based on Night-Time Imagery and Land Use Data[J]. International Journal of Remote Sensing, 2011, 32(24):9599-9620.
[7]	Yang Xuchao, Ye Tingting, Zhao Naizhuo, et al. Population Mapping with Multisensor Remote Sensing Images and Point-Of-Interest Data[J]. Remote Sensing, 2019, 11(5):574.
[8]	Ye Tingting, Zhao Naizhuo, Yang Xuchao, et al. Improved Population Mapping for China Using Remotely Sensed and Points-Of-Interest Data Within a Random Forests Model[J]. Science of the Total Environment, 2019, 658:936-946.
[9]	Sinha P, Gaughan A E, Stevens F R, et al. Assessing the Spatial Sensitivity of a Random Forest Model:Application in Gridded Population Modeling[J]. Computers, Environment and Urban Systems, 2019, 75:132-145.
[10]	Robinson C, Hohman F, Dilkina B. A Deep Learning Approach for Population Estimation From Satellite Imagery[C]. Proceedings of the 1st ACM SIGSPATIAL Workshop on Geospatial Humanities, Los Angeles, 2017.
[11]	Chen Jie, Pei Tao, Shaw Shih-Lung, et al. Fine-Grained Prediction of Urban Population Using Mobile Phone Location Data[J]. International Journal of Geographical Information Science, 2018, 32(1):1-17.
[12]	Zhao Song, Liu Yanxu, Zhang Rui, et al. China's Population Spatialization Based on Three Machine Learning Models[J]. Journal of Cleaner Production, 2020, 256:120644.
[13]	Leyk S, Gaughan A E. The Spatial Allocation of Population:A Review of Large-Scale Gridded Population Data Products and Their Fitness for Use[J]. Earth System Science Data, 2019, 11(3):1385-1409.
[14]	Yu Bailang, Lian Ting, Huang Yixiu, et al. Integration of Nighttime Light Remote Sensing Images and Taxi GPS Tracking Data for Population Surface Enhancement[J]. International Journal of Geographical Information Science, 2019, 33(4):687-706.
[15]	Langford M. Obtaining Population Estimates in Non-census Reporting Zones:An Evaluation of the 3-class Dasymetric Method[J]. Computers Environment and Urban Systems, 2006, 30(2):161-180.
[16]	Chainey S P. Examining the Influence of Cell Size and Bandwidth Size on Kernel Density Estimation Crime Hotspot Maps for Predicting Spatial Patterns of Crime[J]. Bulletin of the Geographical Society of Liege, 2013, 60(1):7-19.
[17]	Lin Yupin, Chu Hone-Jay, Wu Chenfa, et al. Hotspot Analysis of Spatial Environmental Pollutants Using Kernel Density Estimation and Geostatistical Techniques[J]. International Journal of Environmental Research and Public Health, 2011, 8(1):75-88.
[18]	Du Guoming, Zhang Shuwen, Zhang Youquan. Analyzing Spatial Auto-Correlation of Population Distribution:A case of Shenyang city[J]. Geographical Research, 2007, 26(2):383-390.
[19]	Yuan Kunxiaojia, Cheng Xiaoqiang, Gui Zhipeng, et al. A Quad-Tree-Based Fast and Adaptive Kernel Density Estimation Algorithm for Heat-Map Generation[J]. International Journal of Geographical Information Science, 2019, 33(12):2455-2476.

[1]	王树良, 李英, 耿晶. 高维数据非参数密度估计的低维流形代表点法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160115
[2]	王培, 江南, 王玉晶, 张亚军, 刘小春. 利用视距进行多源空间数据尺度集成 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20180401
[3]	郭宇达, 朱欣焰, 呙维, 佘冰. 基于Spark计算框架的路网核密度估计并行算法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20180473
[4]	解明礼, 赵建军, 巨能攀, 何朝阳, 王俊. 多源数据滑坡时空演化规律研究——以黄泥坝子滑坡为例 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20190060
[5]	涂伟, 曹劲舟, 高琦丽, 曹瑞, 方志祥, 乐阳, 李清泉. 融合多源时空大数据感知城市动态 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200535
[6]	李秋萍, 刘逸诗, 巩诗瑶, 周素红, 卓莉, 陶海燕, 栾学晨. 基于居民出行活动特征的个体经济水平推断方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20170426
[7]	刘坚, 李树林, 陈涛. 基于优化随机森林模型的滑坡易发性评价 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160515
[8]	王腾, 王艳东, 赵晓明, 付小康, 蒋波涛. 顾及道路网约束的商业设施空间点模式分析 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160558
[9]	王娇, 周成虎, 程维明. 全月球撞击坑的空间分布模式 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140893
[10]	杨喜平, 方志祥, 赵志远, 萧世伦, 尹凌. 顾及手机基站分布的核密度估计城市人群时空停留分布 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150646
[11]	孙文, 吴晓平, 王庆宾, 刘晓刚, 朱志大. 基于方差分量估计的正则化配置法及其在多源重力数据融合中的应用 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140159
[12]	顾海燕, 闫利, 李海涛, 贾莹. 基于随机森林的地理要素面向对象自动解译方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140102
[13]	黄谟涛, 欧阳永忠, 刘敏, 翟国君, 邓凯亮. 融合海域多源重力数据的正则化点质量方法 . 武汉大学学报 ● 信息科学版,
[14]	孙杰, 赖祖龙. 利用随机森林的城区机载LiDAR数据特征选择与分类 . 武汉大学学报 ● 信息科学版,
[15]	周新刚, 乐阳, 叶嘉安, 王海军, 仲腾. 动态数据空间分析的不确定性问题——以城市中心识别为例 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140074
[16]	董林, 舒红, 牛宵. 利用叠置分析和面积计算实现空间关联规则挖掘 . 武汉大学学报 ● 信息科学版,
[17]	赵东保, 盛业华, 张卡. 利用几何矩和叠置分析进行多尺度面要素自动匹配 . 武汉大学学报 ● 信息科学版,
[18]	薛丰昌, 卞正富. 基于泛布尔函数的空间叠置分析 . 武汉大学学报 ● 信息科学版,
[19]	吕安民, 李成名, 林宗坚, 金逸民. 人口统计数据的空间分布化研究 . 武汉大学学报 ● 信息科学版,
[20]	毛丽君, 李明诗. GEE环境下联合Sentinel主被动遥感数据的国家公园土地覆盖分类 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200633

点击查看大图

计量

文章访问数: 304
HTML全文浏览量: 47
PDF下载量: 25
被引次数: 0

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

顾及格网属性分级与空间关联的人口空间化方法

doi: 10.13203/j.whugis20200379

作者简介:
吴京航,硕士,研究方向为人口空间化。wyw1294@whu.edu.cn

Population Spatialization by Considering Pixel-level Attribute Grading and Spatial Association

计量

顾及格网属性分级与空间关联的人口空间化方法

doi: 10.13203/j.whugis20200379

1 武汉大学遥感信息工程学院, 湖北武汉, 430079;

2 地球空间信息技术协同创新中心, 湖北武汉, 430079;

3 武汉大学测绘遥感信息工程国家重点实验室, 湖北武汉, 430079;

4 重庆市地理信息和遥感应用中心, 重庆市, 401147

作者简介:
吴京航,硕士,研究方向为人口空间化。wyw1294@whu.edu.cn

English Abstract

Population Spatialization by Considering Pixel-level Attribute Grading and Spatial Association

全文HTML

目录

留言板

顾及格网属性分级与空间关联的人口空间化方法

doi: 10.13203/j.whugis20200379

作者简介: 吴京航,硕士,研究方向为人口空间化。wyw1294@whu.edu.cn

Population Spatialization by Considering Pixel-level Attribute Grading and Spatial Association

计量

出版历程

顾及格网属性分级与空间关联的人口空间化方法

doi: 10.13203/j.whugis20200379

1 武汉大学遥感信息工程学院, 湖北 武汉, 430079; 2 地球空间信息技术协同创新中心, 湖北 武汉, 430079; 3 武汉大学测绘遥感信息工程国家重点实验室, 湖北 武汉, 430079; 4 重庆市地理信息和遥感应用中心, 重庆市, 401147

作者简介: 吴京航,硕士,研究方向为人口空间化。wyw1294@whu.edu.cn

English Abstract

Population Spatialization by Considering Pixel-level Attribute Grading and Spatial Association

全文HTML

目录

作者简介:
吴京航,硕士,研究方向为人口空间化。wyw1294@whu.edu.cn

1 武汉大学遥感信息工程学院, 湖北武汉, 430079;

2 地球空间信息技术协同创新中心, 湖北武汉, 430079;

3 武汉大学测绘遥感信息工程国家重点实验室, 湖北武汉, 430079;

4 重庆市地理信息和遥感应用中心, 重庆市, 401147

作者简介:
吴京航,硕士,研究方向为人口空间化。wyw1294@whu.edu.cn