| 夜间灯光数据、归一化植被指数(normalized difference vegetation index,NDVI)和人口统计数据 | 按灯光斑块面积比例对县域分级,城镇地区采用灯光强度与人口密度的回归方法,乡村地区采用人口密度距离衰减模型和电场叠加理论,人口稀少地区采用平均分配方法[31] | 灯光强度与人口密度的三次回归模型,人口密度距离衰减模型 | 在城乡地区分别采用不同的模型建模,是对中国区域人口格网化的早期探索; 缺点是计算较为复杂,没有进行模型结果验证分析 |
| 夜间灯光数据、数字高程模型(digital elevation model,DEM)、人口统计数据、路网密度和土地覆被数据 | 利用基础数据提取灯光强度、坡度、路网密度和高程等13个因子作为影响因子,基于随机森林模型建立人口密度与影响因子的关系[2] | 随机森林模型 | 考虑因子较全面,能避免过度拟合,对异常值和噪声有很好的容忍度,能够度量影响因子的重要性; 缺点是在人口密度较低和较高的地区模拟精度欠佳 |
| 夜间灯光数据、人口统计数据和建筑物数据 | 基于灯光数据和建筑物数据,通过空间分析方法求得格网单元权重,进行人口密度空间化[39] | 多因子加权平均模型 | 考虑了建筑物分布,计算方便; 但是模型相对粗糙,尺度精细,但精度一般 |
| 夜间灯光数据、人口统计数据、DEM、土地利用数据和河流路网数据 | 考虑夜间灯光、坡度、河流路网和土地利用等因子的影响,采用专家打分和层次分析法对因子赋权重[40] | 多因子加权平均模型 | 考虑因子更为全面; 但是计算复杂,权重打分主观性强,城市间精度差异大 |
| 夜间灯光数据、NDVI、增强植被指数(enhanced vegetation index,EVI)、DEM和人口统计数据 | 在城市地区利用灯光数据与人口的显著相关性进行回归建模; 在乡村地区,提出新方法进行建模[41,42] | 多元回归模型 | 在城乡地区分别采用不同方法建模,削弱灯光饱和及溢出影响,模型适用性较强 |