基于多元分区建模指标优化的“一带一路”人口空间化研究

doi:10.6046/gtzyyg.2020193

基于多元分区建模指标优化的“一带一路”人口空间化研究

徐甜雨^,, 赵学胜^,, 陈芳馨, 杨艺

中国矿业大学(北京)地球科学与测绘工程学院,北京 100083

Research on the spatialization of population on the Belt and Road based on optimization of multi-divisional modeling indexes

XU Tianyu^,, ZHAO Xuesheng^,, CHEN Fangxin, YANG Yi

College of Geoscience and Surveying Engineering, China University of Mining & Technology(Beijing), Beijing 100083, China

通讯作者: 赵学胜(1967-),男,博士生导师,主要从事数字地球空间建模研究。Email:zxs@cumtb.edu.cn。

责任编辑: 张仙

收稿日期: 2020-07-3 修回日期: 2020-09-25 网络出版日期: 2021-06-15

基金资助:

国家自然科学基金项目“面向2030议程的SDGs空间型监测方法研究”. 41930650

Received: 2020-07-3 Revised: 2020-09-25 Online: 2021-06-15

作者简介 About authors

徐甜雨(1996-),女,硕士研究生,主要从事高分辨率遥感技术研究。Email: xutianyu03@163.com。

摘要

目前常用的人口分区建模方法中人口分布指标需根据地区特征进行具体优化。针对“一带一路”沿线发展中国家的地理特征,提出了高光平原区、高光丘陵区、弱光平原区和弱光丘陵区4种地理分区模式,并通过调整人口分布指标、融合功能区人口指数等方法对多元分区的建模指标进行优化,最后以塔吉克斯坦为研究区绘制了30 m人口分布图(TJK_POP),并将TJK_POP与各分区采用单一指标的建模结果(基于夜间灯光的建模结果NTL_POP和基于宜居指数的建模结果HSI_POP)进行对比验证。结果显示,TJK_POP的平均相对误差(mean relative error,MRE)为22.57%,4类分区的MRE分别为28.01%,19.33%,17.99%和24.97%,精度均优于NTL_POP和HSI_POP,同时TJK_POP也减少了机场、工厂等商业用地的流动人口对实际人口分布的干扰。文章针对多元分区的人口分布指标优化可为“一带一路”沿线其他类似地区的人口空间化研究提供参考。

关键词： 一带一路 ; 多元分区 ; 指标优化 ; 功能区人口指数 ; 夜间灯光 ; 宜居指数

Abstract

At present, the commonly used partition modeling of population can reflect the spatial differences and dynamic changes of population distribution. Nevertheless, due to the limitations of methods and data, the population distribution indicators in multi-partition also need to be specifically optimized according to regional characteristics to improve the accuracy of population spatialization. Based on the geographical characteristics of the developing countries along the “Belt and Road”, the authors proposed four geographic partition of high-light plain area, high-light hilly area, low-light plain area and low-light hilly area, and optimized the modeling index of multi-divisional partition through the adjustment of population distribution indicators, fusion of functional area population index and some other means. Finally, Tajikistan was used as the study area to draw a 30 m population distribution map (TJK_POP), and TJK_POP was compared with modeling results of using a single index for each district (NTL_POP and HSI_POP) for verification. The results show that the mean relative error (MRE) of TJK_POP is 22.57%, of which the MRE of the four partition are 28.01%, 19.33%, 17.99%, and 24.97%, respectively. The accuracy is better than that of NTL_POP and HSI_POP. At the same time, TJK_POP reduces the interference of the flowing population of commercial land such as airports and factories on the actual population distribution. The optimization of population distribution indicators for multi-divisional partition in this paper also provides a reference for the study of population spatialization in other similar areas along the “Belt and Road”.

Keywords： Belt and Road ; multiple partition ; index optimization ; functional zone population index ; nighttime light ; human settlement index

PDF (5636KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

徐甜雨, 赵学胜, 陈芳馨, 杨艺. 基于多元分区建模指标优化的“一带一路”人口空间化研究. 国土资源遥感[J], 2021, 33(2): 153-161 doi:10.6046/gtzyyg.2020193

XU Tianyu, ZHAO Xuesheng, CHEN Fangxin, YANG Yi. Research on the spatialization of population on the Belt and Road based on optimization of multi-divisional modeling indexes. REMOTE SENSING FOR LAND & RESOURCES[J], 2021, 33(2): 153-161 doi:10.6046/gtzyyg.2020193

0 引言

人口与自然环境、社会发展息息相关,是推动自然地理特征形成和社会发展的重要因素^[1,2]。目前,各国获取人口数据的主要途径是人口普查,但人口普查数据在统计和应用过程中存在以下局限性: ①数据更新慢,大部分国家通常十年或更长时间进行一次人口普查; ②数据较为粗糙,无法在更小尺度(行政单元内)反映人口空间分布特征^[3]; ③人口普查数据与其他环境数据(例如空气污染物,温度等)结合比较困难,阻碍了人类与环境系统之间的跨学科研究^[4]。人口空间化是解决上述问题的有效方法之一,它通过相关的模型或者算法,结合影响人口分布的影响因子对人口普查数据进行空间离散化处理^[5],其结果能够极大程度地解决人口统计数据在计算分析时的界线限制问题,目前在疾病风险评估、人类健康适应性政策和防灾减灾等领域得到了广泛应用^[6,7,8]。

随着遥感和地理信息技术的快速发展,人口空间化研究进入快速发展阶段,陆续出现面积权重法、多因素融合法和遥感估算法等^[5]。但由于区域差异,不同的方法模型有不同的适用范围。为了提高人口空间化的精度,研究者们尝试以分类分区的方式对研究区进行建模,例如田永中等^[9]划分了农业生态区; Wang等^[10]、王明明等^[11]按城乡分区建模。这些研究通过分区建模有效提高了人口空间化的精度,但在各分区采用了相同的人口分布指标,未考虑人口分布指标在不同地区的空间差异性,仅通过构建不同的数学模型体现各分区的差异。因此,一些研究者尝试在不同的分区采用不同的人口分布指标,例如在城乡分别采取夜间灯光和土地利用数据作为建模指标^[12]。但随着人口急剧增长,人口分布区域逐渐呈现多元化,仅针对城乡分区的建模指标优化已无法满足人口空间化研究的需要。其次,由于数据和尺度的限制,这些指标优化往往忽略了功能区之间人口分布的空间差异性。因此本文从分区指标选择、细化功能区人口差异方面展开对大区域多元分区指标优化的相关研究。

近几十年夜间灯光数据被广泛应用于各项人口产品及研究模型中^[13,14,15],但由于数据限制,基于夜间灯光统一建模容易造成高光地区人口被低估、弱光地区被高估的现象^[16]。其次,随着人口的急剧增长,人地关系愈发紧张,地形地势逐渐成为影响人口分布的重要因素^[17]。本文通过分析“一带一路”沿线国家的地理特征,提出了以夜间灯光和坡度控制的4类地理分区模式,即高光平原区、高光丘陵区、弱光平原区和弱光丘陵区,采用差异化构建人口分布指标、融合功能区人口指数等措施探讨多元分区中人口分布指标优化的可行性。并以塔吉克斯坦为研究区生成空间分辨率为30 m的人口密度图,进而与多分区单一指标建模结果进行对比,以期验证本文多元分区建模指标优化的可行性。

1 研究方法

人口空间化主要包括多元分区、人口分布指标优化、构建动态回归模型以及空间化结果误差分析4个步骤。总体框架如图1所示,其中RE为相对误差(relative error,RE),NTL_POP和HSI_POP分别为基于夜间灯光和宜居指数的模拟结果,TJK_POP为基于本文模型获得的塔吉克斯坦30 m人口分布图。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 建模流程

Fig.1 Modeling process

1.1 多元分区

本文参考卓莉等^[18]的研究通过计算各市灯光面积占居住面积的百分比确定灯光分区的阈值,当超过60%时,将该区域设为高光区,反之则为弱光区。坡度阈值则通过房屋密度随坡度变化的曲线确定,将房屋密度随坡度增大逐渐减小时的节点作为坡度分区的阈值。将上述阈值确定的高光平原区、高光丘陵区、弱光平原区以及弱光丘陵区作为本文研究多元分区指标优化的基础区域。

1.2 人口分布指标优化

1.2.1 功能区人口指数

功能区决定了人口分布的种类及密度,例如机场、火车站主要以流动人口为主,而居住区主要为常住人口。但目前功能区的获取主要依赖于兴趣点(point of interest,POI)数据,受数据限制,研究多局限于国内北京、上海等一线城市^[19,20]。其次,仅依靠数学模型体现各功能区人口空间差异,可能出现多重共线性问题,造成某些功能区人口出现负值的现象^[16]。为细化人口在不同功能区的差异,削弱流动人口带来的影响。本文基于10 m空间分辨率的地表覆盖数据,结合功能区的社会属性,提出了功能区人口指数。

10 m分辨率地表覆盖数据包含耕地、森林、草地、人造地表等10个一级类和坑塘、河渠等21个二级类,其中与人口分布密切相关的人造地表又被细分为房屋建筑区、交通、机场等7个二级类。本文基于人造地表的二级类将各分区划分为居住区、工业区、交通以及其他4类,其中居住区主要以居民建设用地为主,工业区包括各类工厂、采矿、仓储业用地,交通涵盖机场、车站、港口等,其他则包含一些无法确定其社会属性的区域,如独立施工区等。统计各市总人口与上述各类功能区面积,在SPSS软件中构建人口与各功能区的偏相关性分析,将偏相关系数作为各功能区人口指数(λ)。

1.2.2 构建多元分区人口分布指标

1)高光平原区。该区地势平坦,人口分布受地形地势影响较弱,且夜间灯光表现良好,无光区域较少,因此,直接以夜间灯光作为该区域的人口分布指标。

2)高光丘陵区。在高光平原区的基础上融合了坡度因子,提出了改进的坡度夜间灯光指数(slope adjusted nighttime light index,SNTLI)。将该区域的坡度每隔2°进行重分类,统计各等级坡度中居住区的面积占比作为该等级坡度的权重,融合夜间灯光与坡度权重建立SNTLI,即

(1)SNTLI=NTL·W_slope

式中: NTL为夜间灯光;W_slope为坡度权重。

3)弱光平原区。该区夜间灯光值较小,人口分布受能源供应、植被覆盖等因素的影响较大,仅使用夜间灯光估计人口分布是不准确的^[13],因此本文选择宜居指数(human settlement index,HSI)作为人口分布指标,HSI利用16 d MODIS影像增强植被指数(enhanced vegetation index,EVI)产品和NPP/VIIRS图像计算得出,公式为:

(2)

HSI = \frac{(1 - EV I_{\max}) + NT L_{nor}}{(1 - NT L_{nor}) + EV I_{\max} + NT L_{nor} \cdot EV I_{\max}}

式中: EVI_max为2015年的12张16 d MODIS EVI复合图像的最大图像; NTL_nor为NPP/VIIRS图像的规范化DN值。

4)弱光丘陵区。考虑到地形地势的影响,在弱光平原区的基础上融合了坡度因子,参考Sun等^[13]提出的坡度修正的人类宜居指数(slope adjusted human settlement index,SAHSI)作为该区域指示人口分布的指标,公式为:

(3)SAHSI=HSI(1-Slope_nor)

式中Slope_nor为坡度除以90°进行归一化处理后的值,单位为(°)。

1.3 构建动态回归模型

每个分区内部由于社会背景、生活方式的不同,人口分布仍存在差异,为保证模型应用的精确度,在各分区内根据人口与分布指标的实际分布关系进行动态分区,适当调整各分区的建模系数。具体过程如下:

1)结合上文提出的各分区人口分布指标、功能区人口指数与人口普查数据构建各分区人口回归模型,得到人口初步模拟结果,公式为:

(4)

{pop}_{i} = a_{i} \overset{4}{\sum_{j = 1}} inde x_{ij} \cdot λ_{j}

式中: pop_i为第i分区的人口; a_i为第i分区模型权重; index_ij为第i分区内第j类功能区的人口分布指标数值; λ_j为第j类功能区的人口指数。

2)统计各分区内各市人口普查数据与初步人口模拟结果的RE,公式为:

(5)RE=(POP_m-POP_s)/POP_s×100%

式中: POP_m为模拟人口; POP_s为人口普查数据。

3)对于RE=0或分区内城市数量低于样本总数10%(本研究设定市域数量小于6个)的区域,保留原来的回归模型,其余区域则根据RE<0和RE>0划分为两个子区域,进行二次建模,并将二次建模结果作为最终各分区的人口回归模型。

1.4 空间化结果误差分析

分别采用相对误差绝对值|RE|和平均相对误差(mean relative error,MRE)评估人口密度估计的准确性。MRE计算公式为:

(6)

MRE = \overset{n}{\sum_{i = 1}} \frac{|RE|}{n}

式中n为参与建模的城市个数。

此外,为了体现本文人口分布指标优化的可行性,分别从整体和局部两个方面对比分析了本文模拟结果与基于夜间灯光和HSI指数单一指标模拟结果的差异。

2 研究区及数据源

2.1 研究区概况

塔吉克斯坦是位于中亚东南部的内陆国家,全国共包括3个州、1个区、一个直辖市,共59个地级市,总人口约900万,国土面积为14.31万km²,西部和北部分别与乌兹别克斯坦、吉尔吉斯斯坦接壤,东邻中国新疆,南接阿富汗(图2)。塔吉克斯坦境内山地和高原占90%,有“高山国”之称。近些年随人口的急剧增长,山地丘陵逐渐成为居住地的选

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 塔吉克斯坦共和国行政区划示意图

Fig.2 Administrative divisions of the Republic of Tajikistan

择。另外,塔吉克斯坦作为中国“陆上丝绸之路”的重要通道,是中国与欧洲和撒哈拉地区经济联系的桥头堡,具有重要战略地位。

2.2 数据源及数据预处理

研究所涉数据源如表1所示。为保证面积变形最小,将所有数据源统一为Albers等面积圆锥投影(中央经线设置为E71°,两条纬线分别设置为N37.41°和N40.35°),栅格数据重采样至30 m空间分辨率,并使用塔吉克斯坦行政边界矢量数据将所有栅格数据裁剪至研究区范围。

表1 数据源列表

Tab.1 List of data sources

数据	数据来源	数据年份	分辨率/ 比例尺
人口统计数据	《2016年塔吉克斯坦统计年鉴》	2015年	—
行政区划	GADM(https://www.gadm.org/)	2015年	1∶10万
地表覆盖数据	国家地理信息局(http://www.ngcc.cn/ngcc/)	2015年	10 m
夜间灯光数据	NGDC(http://ngdc.noaa.gov)	2015年	500 m
坡度数据	地理空间数据云(http://www.gscloud.cn/)	2015年	30 m
EVI数据	美国地质勘查局(http://glovis.usgs.gov/)	2015年	250 m

新窗口打开| 下载CSV

3 人口数据空间化结果分析

3.1 人口数据空间化

根据阈值法将塔吉克斯坦划分4类地理分区,计算各功能区人口指数(表2),建立各分区人口与人口分布指标之间的回归模型,得到初步人口模拟结果。根据公式(5)计算4类分区的RE,对满足动态分区条件的分区进行二次建模,经统计高光平原区和高光丘陵区由于建模数量较少,因此保留初步回归模型,分别为A1,A2区域,弱光平原区和弱光丘陵区中RE>0和RE<0的区域分别组成A3—A6子区域,进行二次建模。将具有最高方程拟合度(R²)的拟合曲线作为最终的人口密度模型(表3)。

表2 功能区人口指数

Tab.2 Functional zone population index

功能区	居住区	工业区	交通	其他
人口	0.785	0.157	0.253	0.135

新窗口打开| 下载CSV

表3 建模结果

Tab.3 Modeling results

分区		行政单元数/ 个	建模结果	R²
高光平原区	A1	9	pop_{lp_A}₁=1.376 $\overset{4}{\sum_{j = 1}}$ NTL_j·λ_j	0.736
高光丘陵区	A2	7	pop_{lh_A}₂=19.482 $\overset{4}{\sum_{j = 1}}$ SNTLI_j·λ_j	0.772
弱光平原区	A3	14	pop_{np_A}₃=9.191 $\overset{4}{\sum_{j = 1}}$ HSI_j·λ_j	0.911
弱光平原区	A4	9	pop_{np_A}₄=6.016 $\overset{4}{\sum_{j = 1}}$ HSI_j·λ_j	0.878
弱光丘陵区	A5	6	pop_{nh_A}₅=6.853 $\overset{4}{\sum_{j = 1}}$ SAHSI_j·λ_j	0.956
弱光丘陵区	A6	14	pop_{nh_A}₆=15.768 $\overset{4}{\sum_{j = 1}}$ SAHSI_j·λ_j	0.960

新窗口打开| 下载CSV

由于模型误差的影响,每个行政单元的初始人口模拟值和实际人口统计值不一致,因此建立各分区的修正公式,对网格的初始模拟结果进行调整,最后将调整后的网格人口数转换成30 m栅格数据。修正公式为:

(7)

{pop}_{ij} = \frac{P_{i}^{sta}}{P_{i}^{0}} po p_{ij}^{0}

式中: pop_ij为第i个行政单元内第j个网格的模拟人口数量; po ${p_{ij}}^{0}$ 为第i个行政单元内第j个网格的初始人口数量; ${P_{i}}^{0}$ 为第i个行政单元初始模拟人口统计值; ${P_{i}}^{sta}$ 为第i个行政单元人口统计值。

3.2 人口数据空间化结果分析

塔吉克斯坦人口分布具有明显的空间差异性,TJK_POP(图3)显示,塔吉克斯坦人口分布整体呈现西多东少的分布格局,西部有锡尔河、阿姆河、瓦赫什河等河流穿境而过,水资源丰富,并且地势相对平坦,分布有瓦赫什谷地、费尔干纳盆地等,人口密度较大,其中高人口密度主要分布于杜尚别、苦盏、库尔干秋别、库洛布等资源丰富、经济发达的城市。而中部和东部则主要以山地丘陵为主,海拔较高,河流较少,人口分布相对稀疏,例如塔吉克斯坦东部的戈尔诺—巴达赫尚州面积占全国的44.6%,而人口仅占2.4%;

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 塔吉克斯坦30 m人口分布图(TJK_POP)

Fig.3 Tajikistan 30 m population distribution map(TJK_POP)

其次,4类分区人口模拟结果(图4)显示,高光区人口(图4(a)和(b))与弱光区(图4(c)和(d))人口分布具有明显的密度差异。高光区人口分布以高密度人口为主,并且人口呈块状分布,人口密度高低与距市中心的距离在分布趋势上呈现近似正比关系,市中心人口聚集度最高,向外围逐渐减少。而弱光区人口密度较低,大部分区域人口密度低于5人/栅格,人口沿河流呈零星分布,总体为较为杂乱的分布格局。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 分区人口分布图

Fig.4 Regional population distribution map

3.3 对比分析

为体现本文多元分区指标优化的可行性,本文以|RE|和MRE为依据,分别从整体和局部对比了TJK_POP与NTL_POP、HSI_POP的精度,并以高光平原区为例分析了功能区人口指数的可行性。

整体上TJK_POP相较于NTL_POP和HSI_POP精度有明显改进。经统计TJK_POP的MRE为22.57%,相较于NTL_POP和HSI_POP,精度分别提高了16.98%和10.39%。其次,根据TJK_POP |RE|分布图(图5)可知,TJK_POP中|RE|<10%的城市数量占25.4%,主要分布于中西部,72.89%的城市|RE|在[-30%,30%]以内,|RE|>50%的城市数量仅占11.9%,主要分布于戈尔诺—巴达赫尚州,造成该州误差较大的原因主要是该区域人口分布零散,居民区面积较小,造成很多区域人口被忽略。由此可见本文针对多元分区的指标优化在塔吉克斯坦具有可行性。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 TJK_POP |RE|分布图

Fig.5 Absolute value of relative error distribution

TJK_POP在4类分区的精度相较NTL_POP和HSI_POP均有不同程度的提升。4类分区|RE|对比图(图6)显示: ①在高光平原区和弱光平原区,TJK_POP分别与NTL_POP和HSI_POP呈相似的误差分布趋势,但经统计在上述区域分别有88.9%和73.9%的城市,TJK_POP的精度高于另外两类模拟结果,而误差偏高的区域主要是由于缺少详细的行政区划数据造成基于市级样本统一构建的功能区人口指数忽略了各市之间的差异,因此造成某些城市人口被误估; ②高光丘陵区TJK_POP的MRE经统计为19.33%,其中各城市的|RE|均低于NTL_POP和HSI_POP,精度有明显提升,由此可见,随着地形地势对人口分布影响力的增加,融合夜间灯光与坡度的人口分布指标更适合高光丘陵区域的人口空间化研究。③在弱光丘陵区,TJK_POP与NTL_POP和HSI_POP三者的MRE经统计分别为24.97%,54.13%和35.51%,TJK_POP与HSI_POP的精度要远优于NTL_POP,由此可见HSI指数更适合该类型区域的人口空间化,并且TJK_POP相较于HSI_POP大部分区域误差集中分布于[10%,30%]之间,精度更高。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 4类分区│RE│对比

Fig.6 The comparison chart of the absolute value of relative errors of the four types of partitions

功能区人口指数反映了人口的实际分布情况,减少了流动人口导致的人口误估问题。选择高光平原区北部区域作为验证区,根据验证区的功能区人口指数优化对比图(图7)可以发现,TJK_POP和NTL_POP整体呈相似的人口分布趋势,人口均主要分布于居住区,但TJK_POP展现了更符合实际情况的人口分布信息,例如TJK_POP的居住区人口密度更高,车站、工业区人口较为稀疏。造成这种分布的主要原因是通过融合功能区人口指数,TJK_POP减少了机场、车站、工业区等功能区的经济活动、人口流动对人口分布的影响,降低了这些区域的人口权重,从而使人口更多地集中分布于人口统计的居住区。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 功能区指数优化对比图

Fig.7 Comparison chart of functional area index optimization

4 结论和讨论

分区建模已成为人口空间化研究的必要过程,本文以高光平原区、高光丘陵区、弱光平原区以及弱光丘陵区4类分区为基础,通过构建功能区人口指数、选择适宜指标、结合样本动态建模等措施对多元分区指标优化进行了系统的研究,并以“一带一路”沿线国家—塔吉克斯坦为研究区模拟了2015年30 m人口分布图。通过与人口普查数据、NTL_POP和HSI_POP进行对比,发现本文针对这4类分区的指标优化具有显著的效果,基本可以满足大区域人口空间化研究的需要。同时针对一带一路沿线部分国家特征提出的多元分区以及指标优化方法也对一带一路人口空间化研究具有重要的现实意义。

1)基于夜间灯光和坡度提出的4类地理分区涵盖了影响人口分布的经济和自然因素,对“一带一路”沿线大部分国家都具有参考意义,相应的针对不同分区提出的人口分布指标也为类似国家人口空间化研究提供了一类普适性指标,加强了中国对“一带一路”沿线国家人口的了解,对促进共同发展、实现共同繁荣的合作共赢之路具有重要的现实意义^[21]。

2)“一带一路”连接国家众多,各国人口空间分布不但在宏观区域差异巨大,城市内部差异也比较明显,功能区人口指数的应用体现了城市内部的人口分布差异,减少了通勤、出行的流动人口对实际居住人口分布的影响。

但由于数据限制,本研究尚有如下不足,需要在后续研究中完善:

1)由于缺少塔吉克斯坦精细的行政矢量数据,本文是基于市级行政区划展开研究,因此造成部分区域误差超过50%。在今后的研究中,可以考虑以更加精细的行政数据为基础,提高人口空间化的精度。

2)由于城市数量的限制,本文基于样本动态分区仅是基于RE的正负进行了二次分区,因此造成研究区中部分区域拟合效果较差,误差较大的现象,在后续研究中,可以尝试更为细致的动态分区。

3)本文主要集中于研究人口数量与自然经济要素的关系,没有反映年龄、性别及人口流动等人口结构空间特性,因此,在后续研究中可以基于本文将人口空间化研究扩展为性别、年龄空间化专题。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

赵立新, 吴迪.

生态压力人口研究——兼析中国人口与环境关系的地区差异

[J]. 人口刊, 2015, 37(6):25-36.

[本文引用: 1]

Zhao

L X

, Wu

A study on the ecological pressure of population:Concurrent analysis on the regional differences of the relationship between population and environment in China

[J]. Population Journal, 2015, 37(6):25-36.

[本文引用: 1]

[2]

王培安

人口新形势与人口研究

[J]. 人口研究, 2016, 40(5):3-5.

[本文引用: 1]

Wang

P A

New population situation and population research

[J]. Population Research, 2016, 40(5):3-5.

[本文引用: 1]

[3]

Morton

T A

, Yuan

Analysis of population dynamics using satellite remote sensing and US census data

[J]. Geocarto International, 2009, 24(2):143-163.

DOI:10.1080/10106040802460715 URL [本文引用: 1]

[4]

Zandbergen

P A

, Ignizio

D A

Comparison of dasymetric mapping techniques for small-area population estimates

[J]. Cartography and Geographic Information Science, 2010, 37(3):199-214.

DOI:10.1559/152304010792194985 URL [本文引用: 1]

[5]

董南, 杨小唤, 蔡红艳.

人口数据空间化研究进展

[J]. 地球信息科学学报, 2016, 18(10):1295-1304.

DOI:10.3724/SP.J.1047.2016.01295 [本文引用: 2]

人口数据空间化旨在揭示人口在地理空间上的分布位置及数量信息,展现人口统计数据的地理学含义,其研究已经成为人口学、地理学、GIS领域的研究热点。人口空间数据库在各级政府部门的规划和决策、灾害评估、资源配置等方面,具有重要的应用价值和科学意义。经过近30年的发展,人口数据空间化研究水平逐渐成熟,模型丰富多样,已获得众多成果。为把握人口空间化研究的研究现状,本文首先依据研究目的、建模思想及模型原理的异同,从3个方面对人口空间化研究进行梳理：（1）格网大小（尺度）的确定;（2）3种常用建模思想及6类主要模型的对比分析;（3）提高人口空间化精度的措施及其应用背景、优点。在此基础上,依据现阶段人口数据空间化的研究内容,从格网尺度适宜性研究、高时空分辨率人口空间分布模拟、引入新型数据源及多思想多模型综合应用等方面探讨了人口数据空间化的研究方向。

Dong

, Yang

X H

, Cai

H Y

Research progress and perspective on the spatialization of population data

[J]. Journal of Geo-Information Sciences, 2016, 18(10):1295-1304.

[本文引用: 2]

[6]

柏中强, 王卷乐, 杨飞.

人口数据空间化研究综述

[J]. 地理科学进展, 2013, 32(11):1692-1702.

DOI:10.11820/dlkxjz.2013.11.012 [本文引用: 1]

人口数据空间化研究旨在发掘和展现人口统计数据中隐含的空间信息,并以地理格网或其他区域划分的形式再现客观世界的人口分布,具有重要的科学意义。人口空间分布数据有助于从不同地理尺度和地理维度对人口统计数据形成有益补充,其应用广泛,相关研究方兴未艾。主要从以下3 个方面对人口数据空间化研究进行综述：① 主要空间化方法的原理及其适用性；② 空间化中用到的建模参考因素,并结合具体应用案例分析其作用机理；③ 典型人口空间化数据集。在此基础上,分析了现阶段人口数据空间化所运用的输入数据的质量和详细程度、尺度效应及时空分辨率、长时间序列数据集和精度检验等方面存在的问题；并探讨了人口数据空间化未来的研究方向。

Bai

Z Q

, Wang

J L

, Yang

Research progress in spatialization of population data

[J]. Progress in Geography, 2013, 32(11):1692-1702.

[本文引用: 1]

[7]

Dong

, Yang

, Cai

, et al.

Research on grid size suitability of gridded population distribution in urban area:A case study in urban area of Xuanzhou District,China

[J]. PloSone, 2017, 12(1):e0170830.

DOI:10.1371/journal.pone.0170830 URL [本文引用: 1]

[8]

IIimi

, Ahmed

, Anderson

E C

, et al.

New rural access index:Main determinants and correlation to poverty

[M]. World Bank Policy Research Working Paper.Washington:World Bank Group, 2016: 7876.

[本文引用: 1]

[9]

田永中, 陈述彭, 岳天祥, 等.

基于土地利用的中国人口密度模拟

[J]. 地理学报, 2004(2):283-292.

[本文引用: 1]

Tian

Y Z

, Chen

S P

, Yue

T X

, et al.

Simulation of Chinese population density based on land use

[J]. Acta Geographica Sinica, 2004(2):283-292.

[本文引用: 1]

[10]

Wang

, Wang

, Zhou

, et al.

Mapping population density in China between 1990 and 2010 using remote sensing

[J]. Remote Sensing of Environment, 2018, 210:269-281.

DOI:10.1016/j.rse.2018.03.007 URL [本文引用: 1]

[11]

王明明, 王卷乐.

基于夜间灯光与土地利用数据的山东省乡镇级人口数据空间化

[J]. 地球信息科学学报, 2019, 21(5):699-709.

DOI:10.12082/dqxxkx.2019.180497 [本文引用: 1]

格网化人口数据能够刻画实际人口空间分布状况,是实现人口数据更好地与自然、社会、经济等要素融合分析的有效途径。本文面向精细尺度格网人口数据的需求,以中国东部人口稠密的山东省为例,基于乡镇级人口统计数据,研究了结合夜间灯光和土地利用数据的空间化方法。其中以EVI修正DMSP/OLS夜间灯光数据来增加城镇用地内部人口分布的差异性,以城乡二级分区方法避免夜间灯光数据在农村低辐射亮度区模拟人口的缺点,提高了建模精度。利用其余地区的人口统计值检验建模精度,结果有78%的行政单元的相对误差绝对值小于20%。最终在2000年首次公布的乡镇级人口统计数据的基础上,生成了山东省100 m格网人口分布数据SDpop2000。通过与精度较高的全球WorldPop人口数据产品对比可见,SDpop2000和WorldPop在10 km网格尺度上的相关性系数高达0.93;SDpop2000在鲁中部、泰安西南部、济宁南部、临沂南部、枣庄北部和鲁北沿海等地的人口分布明显比WorldPop更准确;且SDpop2000较好地刻画了山东省在鲁西、鲁北平原区的人口较鲁中南山地丘陵区、鲁北沿海和山东半岛丘陵区的人口更为稠密的人口分布趋势。本文构建的基于DMSP/OLS与土地利用的乡镇级人口数据空间化方法明显提高了空间化精度,适用于乡镇尺度的人口精细模拟。

Wang

M M

, Wang

J L

Spatialization of township-level population based on nighttime light and land use data in Shandong Province

[J]. Journal of Geo-Information Science, 2019, 21(5):699-709.

[本文引用: 1]

[12]

鲁楠, 张委伟, 陈利军, 等.

顾及城乡差异的大区域人口密度估算——以山东省为例

[J]. 测绘学报, 2015, 44(12):1384-1391.

[本文引用: 1]

, Zhang

W W

, Chen

L J

, et al.

Estimation of large regional urban and rural population density based on the differences of population distribution between urban and rural:Taking Shandong Province as example

[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(12):1384-1391.

[本文引用: 1]

[13]

Sun

, Zhang

, Wang

, et al.

Estimating population density using DMSP-OLS night-time imagery and land cover data

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(6):2674-2684.

DOI:10.1109/JSTARS.4609443 URL [本文引用: 3]

[14]

Gaughan

A E

, Stevens

F R

, Huang

, et al.

Spatiotemporal patterns of population in mainland China,1990 to 2010

[J]. Scientific Data, 2016, 3:160005.

DOI:10.1038/sdata.2016.5 PMID:26881418 [本文引用: 1]

According to UN forecasts, global population will increase to over 8 billion by 2025, with much of this anticipated population growth expected in urban areas. In China, the scale of urbanization has, and continues to be, unprecedented in terms of magnitude and rate of change. Since the late 1970s, the percentage of Chinese living in urban areas increased from similar to 18% to over 50%. To quantify these patterns spatially we use time-invariant or temporally-explicit data, including census data for 1990, 2000, and 2010 in an ensemble prediction model. Resulting multi-temporal, gridded population datasets are unique in terms of granularity and extent, providing fine-scale (similar to 100 m) patterns of population distribution for mainland China. For consistency purposes, the Tibet Autonomous Region, Taiwan, and the islands in the South China Sea were excluded. The statistical model and considerations for temporally comparable maps are described, along with the resulting datasets. Final, mainland China population maps for 1990, 2000, and 2010 are freely available as products from the WorldPop Project website and the WorldPop Dataverse Repository.

[15]

郭晓莹, 唐雨竹.

基于DMSP/OLS夜间灯光数据的东三省城市人口估算及精度分析

[J]. 国土与自然资源研究, 2019(4):44-46.

[本文引用: 1]

Guo

X Y

, Tang

Y Z

Urban population estimation and accuracy analysis of Three Northeastern Provinces based on DMSP/OLS night light data

[J]. Territory & Natural Resources Study, 2019(4):44-46.

[本文引用: 1]

[16]

肖东升, 杨松.

基于夜间灯光数据的人口空间分布研究综述

[J]. 国土资源遥感, 2019, 31(3):10-19.doi: 10.6046/gtzyyg.2019.03.02.

[本文引用: 2]

Xiao

D S

, Yang

A review of population spatial distribution based on nighttime light data

[J]. Remote Sensing for Land and Resources, 2019, 31(3):10-19.doi: 10.6046/gtzyyg.2019.03.02.

[本文引用: 2]

[17]

Karunarathne

, Lee

Estimating hilly areas population using a dasymetric mapping approach:A case of Sri Lanka’s highest mountain range

[J]. ISPRS International Journal of Geo-Information, 2019, 8(4):166.

DOI:10.3390/ijgi8040166 URL [本文引用: 1]

[18]

卓莉, 陈晋, 史培军, 等.

基于夜间灯光数据的中国人口密度模拟

[J]. 地理学报, 2005(2):266-276.

[本文引用: 1]

Zhuo

, Chen

, Shi

P J

, et al.Modelling population density of China in 1998

based on DMSP/OLS nighttime light image

[J]. Acta Geographica Sinica, 2005(2):266-276.

[本文引用: 1]

[19]

Song

, Tong

, Wang

, et al.

Monitoring finer-scale population density in urban functional zones:A remote sensing data fusion approach

[J]. Landscape and Urban Planning, 2019, 190:103580.

DOI:10.1016/j.landurbplan.2019.05.011 URL [本文引用: 1]

[20]

赵鑫, 宋英强, 刘轶伦, 等.

基于卫星遥感和POI数据的人口空间化研究——以广州市为例

[J]. 热带地理, 2020, 40(1):101-109.

[本文引用: 1]

Zhao

, Song

Y Q

, Liu

Y L

, et al.

Population spatialization based on satellite remote sensing and POI data:Regarding Guangzhou as an example

[J]. Tropical Geography, 2020, 40(1):101-109.

[本文引用: 1]

[21]

刘卫东

“一带一路”战略的科学内涵与科学问题

[J]. 地理科学进展, 2015, 34(5):538-544.

DOI:10.11820/dlkxjz.2015.05.001 [本文引用: 1]

“一带一路”指“丝绸之路经济带”和“21世纪海上丝绸之路”,是中国为推动经济全球化深入发展而提出的国际区域经济合作新模式。其核心目标是促进经济要素有序自由流动、资源高效配置和市场深度融合,推动开展更大范围、更高水平、更深层次的区域合作,共同打造开放、包容、均衡、普惠的区域经济合作架构。“一带一路”框架包含了与以往经济全球化完全不同的理念,即“和平合作、开放包容、互学互鉴、互利共赢”,这正是丝绸之路文化内涵的体现。本文分析了“一带一路”战略与经济全球化及世界格局变化的关系;剖析了其空间内涵,认为“一带一路”具有多重空间内涵和跨尺度特征,是统筹中国全面对外开放的国家战略。最后,提出了推进“一带一路”建设为地理学提出的几个重要议题,包括地缘政治、国别地理、对外直接外资理论、交通运输优化组织等。

Liu

W D

Scientific understanding of the Belt and Road Initiative of China and related research themes

[J]. Progress in Geography, 2015, 34(5):538-544.

[本文引用: 1]

生态压力人口研究——兼析中国人口与环境关系的地区差异

2015

... 人口与自然环境、社会发展息息相关,是推动自然地理特征形成和社会发展的重要因素^[1,2].目前,各国获取人口数据的主要途径是人口普查,但人口普查数据在统计和应用过程中存在以下局限性: ①数据更新慢,大部分国家通常十年或更长时间进行一次人口普查; ②数据较为粗糙,无法在更小尺度(行政单元内)反映人口空间分布特征^[3]; ③人口普查数据与其他环境数据(例如空气污染物,温度等)结合比较困难,阻碍了人类与环境系统之间的跨学科研究^[4].人口空间化是解决上述问题的有效方法之一,它通过相关的模型或者算法,结合影响人口分布的影响因子对人口普查数据进行空间离散化处理^[5],其结果能够极大程度地解决人口统计数据在计算分析时的界线限制问题,目前在疾病风险评估、人类健康适应性政策和防灾减灾等领域得到了广泛应用^[6,7,8]. ...

生态压力人口研究——兼析中国人口与环境关系的地区差异

2015

人口新形势与人口研究

2016

人口新形势与人口研究

2016

Analysis of population dynamics using satellite remote sensing and US census data

2009

Comparison of dasymetric mapping techniques for small-area population estimates

2010

人口数据空间化研究进展

2016

... 随着遥感和地理信息技术的快速发展,人口空间化研究进入快速发展阶段,陆续出现面积权重法、多因素融合法和遥感估算法等^[5].但由于区域差异,不同的方法模型有不同的适用范围.为了提高人口空间化的精度,研究者们尝试以分类分区的方式对研究区进行建模,例如田永中等^[9]划分了农业生态区; Wang等^[10]、王明明等^[11]按城乡分区建模.这些研究通过分区建模有效提高了人口空间化的精度,但在各分区采用了相同的人口分布指标,未考虑人口分布指标在不同地区的空间差异性,仅通过构建不同的数学模型体现各分区的差异.因此,一些研究者尝试在不同的分区采用不同的人口分布指标,例如在城乡分别采取夜间灯光和土地利用数据作为建模指标^[12].但随着人口急剧增长,人口分布区域逐渐呈现多元化,仅针对城乡分区的建模指标优化已无法满足人口空间化研究的需要.其次,由于数据和尺度的限制,这些指标优化往往忽略了功能区之间人口分布的空间差异性.因此本文从分区指标选择、细化功能区人口差异方面展开对大区域多元分区指标优化的相关研究. ...

人口数据空间化研究进展

2016

人口数据空间化研究综述

2013

人口数据空间化研究综述

2013

Research on grid size suitability of gridded population distribution in urban area:A case study in urban area of Xuanzhou District,China

2017

New rural access index:Main determinants and correlation to poverty

2016

基于土地利用的中国人口密度模拟

2004

基于土地利用的中国人口密度模拟

2004

Mapping population density in China between 1990 and 2010 using remote sensing

2018

基于夜间灯光与土地利用数据的山东省乡镇级人口数据空间化

2019

基于夜间灯光与土地利用数据的山东省乡镇级人口数据空间化

2019

顾及城乡差异的大区域人口密度估算——以山东省为例

2015

顾及城乡差异的大区域人口密度估算——以山东省为例

2015

Estimating population density using DMSP-OLS night-time imagery and land cover data

2017

... 近几十年夜间灯光数据被广泛应用于各项人口产品及研究模型中^[13,14,15],但由于数据限制,基于夜间灯光统一建模容易造成高光地区人口被低估、弱光地区被高估的现象^[16].其次,随着人口的急剧增长,人地关系愈发紧张,地形地势逐渐成为影响人口分布的重要因素^[17].本文通过分析“一带一路”沿线国家的地理特征,提出了以夜间灯光和坡度控制的4类地理分区模式,即高光平原区、高光丘陵区、弱光平原区和弱光丘陵区,采用差异化构建人口分布指标、融合功能区人口指数等措施探讨多元分区中人口分布指标优化的可行性.并以塔吉克斯坦为研究区生成空间分辨率为30 m的人口密度图,进而与多分区单一指标建模结果进行对比,以期验证本文多元分区建模指标优化的可行性. ...

... 3)弱光平原区.该区夜间灯光值较小,人口分布受能源供应、植被覆盖等因素的影响较大,仅使用夜间灯光估计人口分布是不准确的^[13],因此本文选择宜居指数(human settlement index,HSI)作为人口分布指标,HSI利用16 d MODIS影像增强植被指数(enhanced vegetation index,EVI)产品和NPP/VIIRS图像计算得出,公式为: ...

... 4)弱光丘陵区.考虑到地形地势的影响,在弱光平原区的基础上融合了坡度因子,参考Sun等^[13]提出的坡度修正的人类宜居指数(slope adjusted human settlement index,SAHSI)作为该区域指示人口分布的指标,公式为: ...

Spatiotemporal patterns of population in mainland China,1990 to 2010

2016

基于DMSP/OLS夜间灯光数据的东三省城市人口估算及精度分析

2019

基于DMSP/OLS夜间灯光数据的东三省城市人口估算及精度分析

2019

基于夜间灯光数据的人口空间分布研究综述

2019

... 功能区决定了人口分布的种类及密度,例如机场、火车站主要以流动人口为主,而居住区主要为常住人口.但目前功能区的获取主要依赖于兴趣点(point of interest,POI)数据,受数据限制,研究多局限于国内北京、上海等一线城市^[19,20].其次,仅依靠数学模型体现各功能区人口空间差异,可能出现多重共线性问题,造成某些功能区人口出现负值的现象^[16].为细化人口在不同功能区的差异,削弱流动人口带来的影响.本文基于10 m空间分辨率的地表覆盖数据,结合功能区的社会属性,提出了功能区人口指数. ...

基于夜间灯光数据的人口空间分布研究综述

2019

Estimating hilly areas population using a dasymetric mapping approach:A case of Sri Lanka’s highest mountain range

2019

基于夜间灯光数据的中国人口密度模拟

2005

... 本文参考卓莉等^[18]的研究通过计算各市灯光面积占居住面积的百分比确定灯光分区的阈值,当超过60%时,将该区域设为高光区,反之则为弱光区.坡度阈值则通过房屋密度随坡度变化的曲线确定,将房屋密度随坡度增大逐渐减小时的节点作为坡度分区的阈值.将上述阈值确定的高光平原区、高光丘陵区、弱光平原区以及弱光丘陵区作为本文研究多元分区指标优化的基础区域. ...

基于夜间灯光数据的中国人口密度模拟

2005

Monitoring finer-scale population density in urban functional zones:A remote sensing data fusion approach

2019

基于卫星遥感和POI数据的人口空间化研究——以广州市为例

2020

基于卫星遥感和POI数据的人口空间化研究——以广州市为例

2020

“一带一路”战略的科学内涵与科学问题

2015

... 1)基于夜间灯光和坡度提出的4类地理分区涵盖了影响人口分布的经济和自然因素,对“一带一路”沿线大部分国家都具有参考意义,相应的针对不同分区提出的人口分布指标也为类似国家人口空间化研究提供了一类普适性指标,加强了中国对“一带一路”沿线国家人口的了解,对促进共同发展、实现共同繁荣的合作共赢之路具有重要的现实意义^[21]. ...

“一带一路”战略的科学内涵与科学问题

2015

〈

〉