基于多源数据的福建省人口数据空间化研究

针对人口统计数据无法精细直观反映人口真实的空间分布状况的问题,该文以福建省为例,对其2015年的人口数据进行空间化。以多源数据为基础数据,在县级尺度上采用了空间回归模型构建福建省2015年福建省500 m人口空间分布数据,在乡镇尺度上对其空间化结果进行精度验证并与WorldPop、中国公里网格人口分布数据集比较。结果表明:NPP/VIIRS夜间灯光、路网、DEM、土地利用数据与人口具有较强的相关性,有足够能力模拟人口的空间分布;对于2015年福建省人口数据空间化,空间误差模型比空间滞后模型的回归拟合效果更好;人口数据空间化结果精度比较高,在空间上能精细展现2015年福建省的人口分布状况;人口高值区主要集中在县城所在地,人口呈现出主城区高、四周低的空间分布格局。     

基于“实有人口、实有房屋”数据的精细化人口空间化处理方法及应用研究

人口数据空间化是对人口统计数据的空间化处理,旨在揭示人口数据在空间上的分布信息,对精确刻画人口空间分布、合理制定人口规划等具有重要科学意义.传统的人口空间化往往是基于行政单元的人口统计数据进行公里格网的人口分布估算,最终得到的数据精度往往满足不了实际应用需求.基于此,在武汉市公安部门"实有人口、实有房屋"(以下简称"两实人口")调查和地理国情普查数据基础上,结合GIS空间分析技术,提出了一种精细化人口数据空间化的方法,并以武汉市中心主城为例,验证了方法的有效性和可行性.结果表明:运用此方法得到的武汉市中心主城50m×50m分辨率的人口数据空间化和栅格化成果,总体误差分别为0.10%和0.11%,较好地达成了人口数据空间化的精细化目标,为城市人口研究提供了良好的技术支持.     

基于GIS的区域人口统计数据空间化——以重庆都市区为例 (三峡地区资源环境生态研究)

人口分布空间化是解决统计数据与自然要素数据融合分析的有效途径。本文基于2009年重庆市的人口统计数据,以居民点为指示因子,使用GIS空间分析与统计学分析方法分析居民点分布与影响因子之间的相关性,相关性分别为-0.608、-0.902、0.94、0.994、0.952、0.995、0.957。利用居民点缓冲区的概念,用因子分析法得到海拔高度、土地利用、道路交通及河流水系4个因子对人口分布的影响权重,分别为0.726 75、0.000 6、0.026 7及0.248 0,然后通过数据融合实现研究区人口统计数据的空间化。结果表明,通过数据融合产生的人口密度与各区县实际平均人口密度的相关系数大于0.85。最终生成的栅格人口密度数据在一定程度上反映了研究区内部人口分布的空间化。     

基于GIS的区域人口统计数据空间化——以重庆都市区为例

人口分布空间化是解决统计数据与自然要素数据融合分析的有效途径.本文基于2009年重庆市的人口统计数据,以居民点为指示因子,使用GIS空间分析与统计学分析方法分析居民点分布与影响因子之间的相关性,相关性分别为-0.608、-0.902、0.94、0.994、0.952、0.995、0.957.利用居民点缓冲区的概念,用因子分析法得到海拔高度、土地利用、道路交通及河流水系4个因子对人口分布的影响权重,分别为0.726 75、0.000 6、0.026 7及0.248 0,然后通过数据融合实现研究区人口统计数据的空间化.结果表明,通过数据融合产生的人口密度与各区县实际平均人口密度的相关系数大于0.85.最终生成的栅格人口密度数据在一定程度上反映了研究区内部人口分布的空间化.     

面向自然灾害风险分析的房屋价值空间化研究:以北京市为例

房屋价值空间化研究是自然灾害风险评估中暴露性评估重要组成部分,但基于行政单元的房屋统计数据无法与致灾因子的影响范围在空间上精确匹配.为弥补现有统计数据的上述缺陷,本文以北京市为例,提出一种便捷、可靠的房屋价值空间化模拟方法.首先,以GIS平台为支撑,以人类居住层数据(GHS-BUILD)为房屋的空间分布范围;然后用2010年LandScan人口密度的空间分布表征房屋建筑面积的空间差异性;最后将2015年北京市各区县房屋建筑面积统计数据展布至38m分辨率的空间栅格单元上,利用2km×2km的样区调查数据对模拟结果进行精度检验.结果表明:人口集中的城镇区模拟的平均相对误差为-12%,乡村地区模拟的平均相对误差为-63%,较均匀分布法有所改进.根据重置成本计算各功能区房屋价值,与地震危险性分布图的叠加分析表明,本方法可以有效解决地震灾害暴露性分析中统计数据空间不匹配的问题,对于提高灾害风险评估精度及灾后快速损失评估具有重要意义.同时,我国其他城市也具备本方法所需所有数据,可以应用此方法进行自然灾害房屋价值暴露性分析.     

广东省地形起伏特征与人口和经济的关系研究

为了探讨地形条件对广东省人口分布和经济发展的影响，运用均值变点分析法进行最佳计算单元的计算分析，提取广东省地形起伏度；利用土地利用/覆被数据进行人口和经济空间化建模，生成人口和经济密度图；在系统分析地形起伏度、人口密度、经济密度空间分布规律的基础上，借助于统计分析方法定量揭示广东省地形起伏度与人口、经济的空间关系。结果表明：(1)广东省地形起伏度总体呈北高南低、东高西低的空间格局，其空间分布与海拔、坡度2个地形因子呈较强正相关，地形起伏度区域面积占比呈现较强的地形梯度效应。(2)采用自然间断点法划分人口稀疏区与密集区，进行土地利用/覆被数据的人口空间化建模，其模拟精度更高。(3)与其他地形因子相比，地形起伏度对人口、经济的影响更强，与人口密度、经济密度均呈显著的负相关关系，且对经济密度的影响更大。(4)人口和经济均呈现向地形起伏度低值区集聚的现象，经济发展的空间集聚效应更强。     

基于DMSP/OLS夜间灯光数据的贵州省人口分布及影响因子分析

贵州省的人口分布和经济发展是中国极不均衡的地区之一,人口空间化为了解精细人口分布特征提供有力的技术支持,并为区域发展提供指导.基于1993、2003年和2013年贵州省夜间灯光数据及常住人口统计数据建模反演得到人口分布格网图,先以常住人口统计数据为真实数据,对人口空间化结果进行精度检验,再以2013年贵州省人口分布图分别与土地利用、海拔、坡度等因子进行叠加分析,进一步探究人口分布的特征.结果表明:①20年间,人口集中于以贵阳市为中心形成集中区域,并且此区域逐年增大.②各县级区划人口集中分布在城镇,人口密度增大,集中面积增大.③贵州省46.05%的人口分布在草地区域,其次是林地和耕地,城镇用地面积较少,且人口密度大,分布集中.④按海拔梯度可将贵州省划分为三大阶梯,东部低海拔地区和西部高海拔地区的人口分布较少,中部中高海拔地区面积最大,人口总数最多.⑤贵州省大部分人口集中分布于坡度15°的区域,随坡度的增加,人口分布减少.     

基于多源数据的河南省GDP空间化

随着社会经济的快速发展,以县区为单位统计的GDP数据不能客观反映县级内部地区的经济差异,对GDP 统计数据进行空间化是解决该问题的手段之一.本文以河南省为例,在GIS平台下采用分产业建模方式,结合土地利用 数据、人口数据、DMSP/OLS数据、GDP统计数据,利用相关分析和回归分析的方法,实现GDP的空间化.结果表明,第 一产业与土地利用类型有密切的线性关系;第二、三产业之和与人口数据、DMSP/OLS数据都有很好的相关性,将人口 数据与DMSP/OLS数据相结合构建的综合因子与GDP2,3之间的相关性更好,相关系数为0.949,R2 为0.901.利用综合 因子与第二、三产业GDP数据回归建模,可以提高第二、三产业空间化的精度.验证结果显示乡镇尺度模拟值与统计值 之间的平均相对误差为10.34%,本研究的模型具有较高的精度.空间化后的GDP的密度图能够反映地区内部的经济情 况,对研究该地区的经济空间差异有一定的价值.      

基于夜间灯光数据和多地理因子数据的人口空间化方法——以辽宁省为例

人口空间分布数据是开展灾害风险管理的基础数据,而科学、准确的人口空间化方法是实现人口空间分配的重要途径.鉴于城镇与乡村居住地在灯光数据和自然条件影响程度上的差异,本文提出一种综合利用夜间灯光数据和多地理因子数据的人口空间化方法,并以辽宁省2010年人口数据空间化为例进行方法验证.研究表明:1)夜间灯光数据在灯光值较高的城镇地区与人口密度关系显著,而地理因子加权的方法则更适用于受自然条件约束多的乡村区域;2)辽宁省人口密度在0~65 572人·km~(-2)之间,在空间上,中部平原地区人口密度较高,而两侧山地地区人口密度相对较低,与实际情况相符;3)辽宁省抽样乡镇人口平均误差为15.3%,精度验证结果表明,本文提出的人口空间化方法能够在乡镇尺度上具有较高的精度.     

基于多源数据的北京地区PM2.5暴露风险评估

基于2014-2016年的北京地区PM_2.5监测数据, 用空间插值法获得北京地区的PM_2.5空间分布, 并基于DMSP/OLS夜间灯光数据, 模拟得到北京地区的人口密度空间分布。在此基础上, 从PM_2.5浓度空间分布、PM_2.5污染的人口暴露特征、PM_2.5污染人口暴露强度以及人口加权PM_2.5浓度4个方面评估北京地区PM_2.5污染暴露风险。结果显示: 1)PM_2.5浓度呈现南高北低的空间分布特征, 人口暴露风险空间分布与人口密度空间分布呈现高度的一致性, 即人口密度高的区域,PM_2.5污染人口暴露风险也相对较高; 2) 2014, 2015, 2016年北京地区GB3095-2012二级年均浓度标准35 μg/m³的超标人口比例均为100%, 24小时平均浓度标准75 μg/m³的超标人口比例呈逐年显著下降趋势; 3) 2014-2016年北京市人口加权PM_2.5年均浓度值与PM_2.5年均值均存在差异, 差异度与城市暴露人口和污染情况密切相关; 4) 由于PM_2.5污染物浓度空间分布特征与人口密度空间分布特征不同, 北京市PM_2.5污染对总体人群的实际影响和健康危害与其平均浓度水平并不相同, 因此考虑人口密度空间分布特征的暴露风险评估比只考虑PM_2.5污染物浓度的暴露风险评估更准确。     

基于夜间灯光影像的能源消费与PM2.5时空关系研究

利用能源消费统计数据与夜间灯光影像对陕西省能源消费进行空间化处理,结合PM_2.5遥感数据,基于双变量空间相关性分析等方法,研究了陕西省能源消费与PM_2.5的时空关系,并利用随机森林回归模型探讨了影响ρ(PM_2.5)变化的能源消费因素．结果表明:1）2001—2013年陕西省ρ(PM_2.5)先增大后减小,最高值达到28.5 μg·m?3,省内PM_2.5分布的空间异质性较强,其中关中地区的ρ(PM_2.5)最高;2）陕西省能源消费量逐年上升,在空间上的分布与ρ(PM_2.5)类似,关中地区的能源消费量最多;3）陕西省能源消费量与ρ(PM_2.5)的Moran’s I达到了0.289,表明二者之间有着明显的空间正相关性,即高能源消费的区域有着高质量浓度的PM_2.5分布;4）人口密度、路网密度与能源消费总量是陕西省ρ(PM_2.5)变化的重要驱动因素．      

基于遥感影像的中尺度人口统计数据空间化——以京津冀地区为例

基于 DMSP/OLS 夜间灯光数据、土地利用数据及其他与人口分布相关的社会经济与生态环境因子, 在中尺度区域上研究人口统计数据的空间化及应用。以京津冀地区为研究区, 首先获取2010 年京津冀地区人口普查数据; 然后基于各个相关因子(公路、铁路、河流、坡度、土地利用和夜间灯光)计算概率系数; 最后综合各种输入变量和概率系数运用地理信息系统技术把人口普查数据分配到各个像元上。用城市人口普查数据对分配结果进行检验, 检验结果为: 京津冀地区2010 年人口统计数据的空间化结果在城市尺度上的校验准确率可以达到74%以上。此检验结果表明该人口统计数据空间化的方法可以很好地应用于中尺度区域人口统计数据的空间化。     

基于手机信令数据的特大城市人口时空分布及其社会经济属性估测——以北京市为例

提出应用手机信令数据, 基于空间模式单元(Spatial Pattern Unit)进行人口动态分布估测和人口属性识别的方法, 并以北京为例开展实例研究。以手机信令数据为主, 结合大样本问卷调查数据和腾讯热力图数据, 对人口布局进行分时段估测, 分析人口分布的时空间动态特征; 采用大样本问卷调查数据, 以人口社会经济属性和通勤出行特征等关键指标, 对调查的种子空间单元进行模式分类和识别, 运用机器学习的方法进行全域地域空间的人口属性估测识别, 最后对估测结果进行对比和验证。所提方法和研究结果可以为监测人口布局动态、针对人口属性布局商业服务和合理规划城市设施等提供决策支撑。     

黑龙江北部边境样带土地利用时空变化特征及其驱动因素

选取黑龙江省北部边境24个县市为样带,基于1995、2015年2期土地利用/覆被数据,利用空间分析、多元线性回归和地理探测器等方法,从时空耦合角度对样带的土地利用变化的时空特征进行分析,并以林地-耕地转换为例,探索土地利用变化的驱动因素．结果表明:1)1995—2015年,样带以耕地面积增长、林地和未利用地面积减少为土地利用/土地覆被变化的主要特征．研究区中的大兴安岭区、小兴安岭区、三江平原区耕地面积的增加速度逐渐加快,相应林地和未利用地面积减少的速度逐渐加快．林地-耕地类型的转移是研究区土地利用变化的主要类型,空间上集中分布在三江平原和小兴安岭北部的农林交错区;2)相对于自然资源因素,社会经济因素对农林交错区的林地-耕地转移的影响更大,主要受人口增长、产量增收和经济效益提高的影响;3)根据不同区域林耕转换的主导因素与驱动机制差异,将林地-耕地转移的典型县市划分为人口主导型、产量主导型和经济效益主导型3种地域类型．      

基于遥感技术北方城市热岛效应变化定量识别

以城市人口迅速增长和城市用地迅速扩张为显著特征,随着城市化进程快速推进,城市热岛效应也愈 加显著。为快速提取城市地表温度信息,以探究城市热岛效应的时空分布,基于中等分辨率常规易得的 2000-2018时段内Landsat 影像热红外波段的辐射信息,定位于热岛效应显著的北方典型城市长春市,采用单 窗算法,分别对不同年份的影像进行地表温度计算,并生成长春市地表温度专题图。以此为基础,结合相应 时段内的地面观测温度数据识别长春市热岛效应时空变化,探究典型区内热岛效应强度变化规律和影响因 素。结果表明,研究时段内长春市热岛效应的时序变化特征表现为夜晚较白天强,秋冬较春夏强; 空间变化 表现出明显的空间差异性,但整体上为温度高值区增加; 土地类型的热岛效应强弱关系: 建筑用地＞ 绿地＞ 林地＞ 水体。     

2002-2018年北京市通州区城市热岛(冷岛)效应时空分异规律及其影响因素

北京市通州区于2015年正式成为首都市副中心。截止至2018年,已有大量的人口、工业、商业迁入通州区,使得人为活动大大增加。人为活动以及下垫面的变化会影响通州区地表温度的时空分布。为了给通州区今后的发展进行指导,本文通过MODIS数据和气象数据,得到北京市通州区城市热岛（冷岛）效应的时空分异规律,分析了地表温度和归一化植被指数（NDVI）及气象要素之间的关系。结果表明：北京市通州区1951~2018年的四季气温呈显著上升趋势;城市热岛（冷岛）与环境要素关系密切,归一化植被指数与地表温度呈显著负相关,这表明通州区的植被分布对热场具有调节作用;城市热岛比例指数与平均气温、平均相对湿度呈负相关（相关系数分别为0.012和0.119）;城市冷岛比例指数与平均气温、最大风速呈正相关（相关系数分别为0.186和0.089）。说明随着通州区平均气温的升高,通州区热岛现象减弱,城市冷岛现象增强。通州区最大风速的增加对城市冷岛现象有增强作用。通州区平均相对湿度的增加对城市热岛现象有削弱作用。可见该研究结果可以为北京市通州区城市规划和生态城市建设提供依据。     

生命周期视角下城市碳足迹核算及实现碳中和的路径建议

基于生命周期视角构建了城市碳足迹核算框架及方法学模型,系统地核算及追溯了碳排放在开放的城市“自然-经济-社会复合生态系统”中的足迹,主要涵盖城市地域边界内的直接生产碳排放以及跨境间接碳排放（主要包括城市所需的关键支撑物质、排放的主要废弃物,以及跨境交通分别在上游、下游产生的间接碳排放）,并选取深圳市作为案例进行分析．结果表明,2015年深圳市碳足迹总量为6566.19万t CO_2e,具体为:1）城市内主要产业部门及居民消费的能源活动及非能源活动引起的直接碳排放量（Scope 1）为3282.38万t CO_2e,占深圳市碳足迹总量的49.99%,其中工业能源部门占比最大,为36.95%;2）城市外调电力消费引起的间接碳排放（Scope 2）占城市碳足迹总量的18.89%;3）跨境运输、关键支撑物质的上游产业链以及废弃物在下游处理过程中隐含的间接碳排放（Scope 3）占城市碳足迹总量的31.12%,其中5.37%来自跨境交通,22.26%来自主要物质上游供应链,3.49%来自下游废弃物处理．由此可知,2015年深圳市在城市上下游跨边界的间接碳排放量与城市内部的直接排放量相当,不容忽视．研究结果可为厘清城市自身碳排放现状及应对碳中和战略提供政策建议及管理启示．      

基于多源数据的上海市高温热浪风险评估

整合遥感数据、社会经济、自然生态数据等多源数据,从危险性(H)、暴露性(E)、脆弱性(V)和适应能力(A)4个维度构建上海市高温风险(HR)评估指标体系及高温风险指数(HRI)计算模型,揭示HR等级分布特征和空间异质性规律,识别风险空间地域及其致灾类型．结果表明:1）上海市的4个维度指数均具有显著的空间集聚特征,H指数从西南到东北逐渐降低后又升高,E、V和A这3种指数都呈现“中心—外围”特征;2）上海市HR以较低和中等水平为主,呈现从西南到东北逐渐降低后又升高的特征,且同样具有显著的空间集聚性,热点区在上海市的东北部和西南部,冷点区则大范围集中在城区东部,HRI平均最高值（1.80）在中心城区的长宁区,最低值（0.55）在浦东新区;3）不同致灾类型的面积占比由大到小依次为双维度主导型（45.89%）、单维度主导型（29.32%）、三重维度主导型（13.97%）、综合主导型（8.66%）,按照不同致灾类型的面积占比排序,面积最大的是H-A型（16.10%）,最小的是V型（0.13%）．研究结果为高温风险灾害预报预警机制及防灾减灾措施和方案提供借鉴和启示．