Spatiotemporal changes of gridded urban population in the Guangdong-Hong Kong-Macao Greater Bay Area based on impervious surface-population correlation
LIN Hui1, 2, , ZHANG Hongsheng1, 2, *, , LIN Yinyi1, WEI Shan1, WU Zhifeng3
1. Institute of Space and Earth Information Science, The Chinese University of Hong Kong, Hong Kong 999077, China2. Shenzhen Research Institute, The Chinese University of Hong Kong, Shenzhen 518057, Guangdong, China3. School of Geographical Sciences, Guangzhou University, Guangzhou 510006, China
Urban population data are the basic data in various social and economy fields, and high-resolution spatialized urban population data are of great importance for the research in such fields. In this article, multi-source remote sensing data were used to extract the urban impervious surface changes in the Guangdong-Hong Kong-Macao (GHM) Greater Bay Area at a spatial resolution of 30 meters from 2007 to 2015. The Dasymetric mapping method was used to spatialize the population at different times to a resolution of 30 meters. We finally estimated the gridded population density distribution of 30 meters resolution, and analyzed the spatiotemporal changes of the urban population in the GHM Greater Bay Area from 2007 to 2015. Validated with Google Earth time series high-resolution images, the accuracy of the derived urban impervious surfaces in GHM is generally above 80%. Using the county-level demographic data, the consistency between the estimated population and the statistical data in the GHM Greater Bay Area was analyzed, and the correlation coefficient (R2) was generally above 0.7. Finally, according to the spatial distribution of urban population and the change of population density, urban expansion and population increase patterns of different cities in the GHM Greater Bay Area were analyzed. The research shows that the urban population of the GHM has special spatiotemporal characteristics: (1) Stable population distribution is observed for Hong Kong and Macao, but other urban areas have experienced expansion of population to different extents and in different directions. The population expansion of Guangzhou, Shenzhen, and Dongguan is most obvious. (2) The spatial distribution of urban population in GHM shows multi-scale and multi-center characteristics. In general, the population of GHM is concentrated in the core area centered at the Pearl River Estuary. The Zhaoqing, Jiangmen, and Huizhou areas are sparsely populated. In the core area, the distribution of urban population shows the characteristics of multi-center distribution on both urban and metropolitan scales. Hong Kong and Guangzhou have multiple urban centers, while Hong Kong, Macao, Shenzhen, and Guangzhou are the centers of the GHM. These four centers can drive the overall development of the GHM Greater Bay Area.
Keywords:Guangdong-Hong Kong-Macao Greater Bay Area
;
impervious surface
;
multi-source remote sensing
;
population spatialized
;
urban population
LINHui, ZHANGHongsheng, LINYinyi, WEIShan, WUZhifeng. Spatiotemporal changes of gridded urban population in the Guangdong-Hong Kong-Macao Greater Bay Area based on impervious surface-population correlation[J]. Progress in Geography, 2018, 37(12): 1644-1652 https://doi.org/10.18306/dlkxjz.2018.12.006
传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算。然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018)。随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017)。已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017)。回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配。在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016)。在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算。这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等。理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口。然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算。技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017)。然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难。因此,许多学者采用城市不透水面信息进行大范围的人口估算。城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015)。城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012)。然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难。因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案。
本文首先采用2007-2015年间的多源遥感影像,包括多光谱Landsat卫星数据和双极化合成孔径雷达(SAR)Sentinel-1数据,协同提取粤港澳大湾区(Guangdong-Hong Kong-Macau Greater Bay, GHM Greater Bay)空间分辨率为30 m的城市不透水面,然后通过城市不透水面信息,应用Dasymetric映射方法对粤港澳大湾区的城市人口分布进行空间化到30 m分辨率的网格中,最后分析大湾区城市人口在2007-2015年间的时间和空间变化,以期为粤港澳大湾区的规划决策提供有益借鉴。
2 研究区域与数据
粤港澳大湾区位于中国南方,包括广州、深圳、佛山、东莞、惠州、肇庆、珠海、江门、中山、香港和澳门共11个城市(图1)。该地区受亚热带湿润气候影响,属于多云多雨地区,全年大部分时间云层影响严重(Zhang et al, 2014; Zhang, Xu et al, 2018),因此对其进行长时间序列的区域性城市化监测需要采用多源遥感卫星。据广东省统计局、香港政府统计处和澳门统计普查局,大湾区面积约56000 km2,2016年粤港澳大湾区内常住人口约6774万人;生产总值(GDP)约13879亿美元,占全国GDP的12%,与韩国GDP相当,人均GDP近20500美元(香港立法会, 2018)。然而,大湾区内的各个城市发展也不一致,从经济发展水平角度,可分为3大类城市:①香港、广州和深圳;②佛山和东莞;③其余6个城市。湾区内各城市在3大产业发展、交通基础设置发展和产业布局等各方面的发展都不相同(香港立法会, 2018)。因此,对粤港澳大湾区各个城市的城市化发展历程、人口空间分布及时间变化的研究,对大湾区的系统性和战略性发展具有重要的意义。
本文采用基于混淆矩阵的分类精度评估方法评估粤港澳大湾区不透水面提取的精度(Zhang et al, 2014)。在所有的研究区中,根据采集的样本点计算分类结果的混淆矩阵,从而计算不透水面提取的总体精度。对于空间网格化人口的估算结果,本文采用县级人口统计数据进行验证。即在估算过程中,本文采用市级人口统计数据进行模型校正和人口估算;在验证中,采用县级人口计算人口的误差和决定系数。
本文的研究精度主要源于2个方面:一方面是不透水面的提取精度,另一方面是人口估算的精度。对于不透水面提取精度而言,已有的研究大多使用光谱解混的方法(Lu et al, 2006),或者增加辅助数据进行不透水面比率的回归(Azar et al, 2010),而本文针对大湾区亚热带多云多雨的气候条件,选择光学数据和雷达数据,具有更强的地区适应性。对于人口估算的精度,已有研究主要利用回归对人口进行估算,对空间相关性考虑不足,而Dasymetric映射方法则考虑了空间关系,根据不透水面的比例进行人口分配。值得说明的是,不透水面包括了建筑和交通设施,利用不透水面进行人口估计的研究大都存在交通设施的影响,建筑的数据更能体现人口的实际分布。同时,选择合适大小的人口估算格网则更能体现实际的应用需求,例如,在1 km的格网内多少人居住才比较合适,不同地方的人口格网内是否存在过载荷的现象等。在城市规划方面,精细化人口分布有利于规划新的基础设施,在环境方面,有利于研究人口暴露与周围环境,特别是城市绿地的关系。
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
人口数据空间化研究综述
1
2013
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
基于夜间灯光与LUC数据的川渝地区人口空间化研究
1
2018
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
基于GIS 的青藏高原人口统计数据空间化
1
2003
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
基于随机森林模型的珠江三角洲30 m格网人口空间化
4
2017
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... ; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... )、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... ),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
基于随机森林模型的珠江三角洲30 m格网人口空间化
4
2017
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... ; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... )、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... ),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
山东省人口空间分布格局的多尺度分析
1
2012
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
山东省人口空间分布格局的多尺度分析
1
2012
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
粤港澳大湾区概况[EB/OL]
2
2018
... 粤港澳大湾区位于中国南方,包括广州、深圳、佛山、东莞、惠州、肇庆、珠海、江门、中山、香港和澳门共11个城市(图1).该地区受亚热带湿润气候影响,属于多云多雨地区,全年大部分时间云层影响严重(Zhang et al, 2014; Zhang, Xu et al, 2018),因此对其进行长时间序列的区域性城市化监测需要采用多源遥感卫星.据广东省统计局、香港政府统计处和澳门统计普查局,大湾区面积约56000 km2,2016年粤港澳大湾区内常住人口约6774万人;生产总值(GDP)约13879亿美元,占全国GDP的12%,与韩国GDP相当,人均GDP近20500美元(香港立法会, 2018).然而,大湾区内的各个城市发展也不一致,从经济发展水平角度,可分为3大类城市:①香港、广州和深圳;②佛山和东莞;③其余6个城市.湾区内各城市在3大产业发展、交通基础设置发展和产业布局等各方面的发展都不相同(香港立法会, 2018).因此,对粤港澳大湾区各个城市的城市化发展历程、人口空间分布及时间变化的研究,对大湾区的系统性和战略性发展具有重要的意义. ...
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
Spatial refinement of census population distribution using remotely sensed estimates of impervious surfaces in Haiti
2
2010
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... 本文的研究精度主要源于2个方面:一方面是不透水面的提取精度,另一方面是人口估算的精度.对于不透水面提取精度而言,已有的研究大多使用光谱解混的方法(Lu et al, 2006),或者增加辅助数据进行不透水面比率的回归(Azar et al, 2010),而本文针对大湾区亚热带多云多雨的气候条件,选择光学数据和雷达数据,具有更强的地区适应性.对于人口估算的精度,已有研究主要利用回归对人口进行估算,对空间相关性考虑不足,而Dasymetric映射方法则考虑了空间关系,根据不透水面的比例进行人口分配.值得说明的是,不透水面包括了建筑和交通设施,利用不透水面进行人口估计的研究大都存在交通设施的影响,建筑的数据更能体现人口的实际分布.同时,选择合适大小的人口估算格网则更能体现实际的应用需求,例如,在1 km的格网内多少人居住才比较合适,不同地方的人口格网内是否存在过载荷的现象等.在城市规划方面,精细化人口分布有利于规划新的基础设施,在环境方面,有利于研究人口暴露与周围环境,特别是城市绿地的关系. ...
BCI: A biophysical composition index for remote sensing of urban environments
1
2012
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
Residential population estimation using a remote sensing derived impervious surface approach
5
2006
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... ).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... ),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... ).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... 本文的研究精度主要源于2个方面:一方面是不透水面的提取精度,另一方面是人口估算的精度.对于不透水面提取精度而言,已有的研究大多使用光谱解混的方法(Lu et al, 2006),或者增加辅助数据进行不透水面比率的回归(Azar et al, 2010),而本文针对大湾区亚热带多云多雨的气候条件,选择光学数据和雷达数据,具有更强的地区适应性.对于人口估算的精度,已有研究主要利用回归对人口进行估算,对空间相关性考虑不足,而Dasymetric映射方法则考虑了空间关系,根据不透水面的比例进行人口分配.值得说明的是,不透水面包括了建筑和交通设施,利用不透水面进行人口估计的研究大都存在交通设施的影响,建筑的数据更能体现人口的实际分布.同时,选择合适大小的人口估算格网则更能体现实际的应用需求,例如,在1 km的格网内多少人居住才比较合适,不同地方的人口格网内是否存在过载荷的现象等.在城市规划方面,精细化人口分布有利于规划新的基础设施,在环境方面,有利于研究人口暴露与周围环境,特别是城市绿地的关系. ...
Modeling the spatial distribution of urban population during the daytime and at night based on land use: A case study in Beijing, China
1
2015
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
Agency and reflexivity in boomtown transitions: Young people deciding on a school and work direction
Exploring a V-I-S (Vegetation-Impervious Surface-Soil) model for urban ecosystem analysis through remote-sensing: Comparative anatomy for cities
1
1995
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
Urban population estimation based on residential buildings volume using IKONOS-2 images and lidar data
2
2016
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... ).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
Estimating impervious surface distribution by spectral mixture analysis
1
2003
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
Analysis of impervious surface and its impact on urban heat environment using the Normalized Difference Impervious Surface Index (NDISI)
1
2010
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
Feature extraction for high-resolution imagery based on human visual perception
1
2013
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
A new scheme for urban impervious surface classification from SAR images
3
2018
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... ; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... 粤港澳大湾区位于中国南方,包括广州、深圳、佛山、东莞、惠州、肇庆、珠海、江门、中山、香港和澳门共11个城市(图1).该地区受亚热带湿润气候影响,属于多云多雨地区,全年大部分时间云层影响严重(Zhang et al, 2014; Zhang, Xu et al, 2018),因此对其进行长时间序列的区域性城市化监测需要采用多源遥感卫星.据广东省统计局、香港政府统计处和澳门统计普查局,大湾区面积约56000 km2,2016年粤港澳大湾区内常住人口约6774万人;生产总值(GDP)约13879亿美元,占全国GDP的12%,与韩国GDP相当,人均GDP近20500美元(香港立法会, 2018).然而,大湾区内的各个城市发展也不一致,从经济发展水平角度,可分为3大类城市:①香港、广州和深圳;②佛山和东莞;③其余6个城市.湾区内各城市在3大产业发展、交通基础设置发展和产业布局等各方面的发展都不相同(香港立法会, 2018).因此,对粤港澳大湾区各个城市的城市化发展历程、人口空间分布及时间变化的研究,对大湾区的系统性和战略性发展具有重要的意义. ...
Exploring the optimal integration levels between SAR and optical data for better urban land cover mapping in the Pearl River Delta
0
2018
Improving the impervious surface estimation with combined use of optical and SAR remote sensing images
4
2014
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...
... 粤港澳大湾区位于中国南方,包括广州、深圳、佛山、东莞、惠州、肇庆、珠海、江门、中山、香港和澳门共11个城市(图1).该地区受亚热带湿润气候影响,属于多云多雨地区,全年大部分时间云层影响严重(Zhang et al, 2014; Zhang, Xu et al, 2018),因此对其进行长时间序列的区域性城市化监测需要采用多源遥感卫星.据广东省统计局、香港政府统计处和澳门统计普查局,大湾区面积约56000 km2,2016年粤港澳大湾区内常住人口约6774万人;生产总值(GDP)约13879亿美元,占全国GDP的12%,与韩国GDP相当,人均GDP近20500美元(香港立法会, 2018).然而,大湾区内的各个城市发展也不一致,从经济发展水平角度,可分为3大类城市:①香港、广州和深圳;②佛山和东莞;③其余6个城市.湾区内各城市在3大产业发展、交通基础设置发展和产业布局等各方面的发展都不相同(香港立法会, 2018).因此,对粤港澳大湾区各个城市的城市化发展历程、人口空间分布及时间变化的研究,对大湾区的系统性和战略性发展具有重要的意义. ...
... 本文采用随机森林(RF)对覆盖粤港澳大湾区的Landsat 5/7/8和Sentinel-1卫星影像数据进行特征级融合并提取城市不透水面(图2).提取不透水面的技术流程包括:首先,分别对Landsat和Sentinel-1进行预处理,并对Landsat卫星数据计算归一化植被指数(NDVI)、归一化城市指数(NDBI)和归一化水体指数(NDWI);对Sentinel-1数据则计算其VV和VH极化方式的后向散射系数.光学数据的归一化指数和极化SAR数据的后向散射系数,均采用GEE云平台提供的功能进行自动计算.其次,分2种情况对以上光学和SAR数据进行土地覆盖分类:2007-2014年,采用Landsat数据及其有关归一化指数进行分类;2014-2015年,采用Landsat和Sentinel-1数据进行融合分类.本阶段将2006-2017年间研究区的土地覆盖类型分为植被、不透水面、裸土、水体共4类.分类方法采用随机森林算法,随机森林算法需要对2个主要参数进行设置:每个数节点的分割采用的随机特征的数量(m)和决策森林中决策树的数量(T).本文主要参考本团队已有的随机森林参数设置方法(Zhang et al, 2014).再次,对2006-2017年时间序列的土地覆盖分类结果进行时间滤波,假定城市化不可逆,即已经城市化为不透水面的区域不会变回非不透水面,并按照这一规则对时间序列的分类结果进行后处理.最后,将非不透水面的类别合并,最终形成30 m分辨率的不透水面和非不透水面的2类结果. ...
... 本文采用基于混淆矩阵的分类精度评估方法评估粤港澳大湾区不透水面提取的精度(Zhang et al, 2014).在所有的研究区中,根据采集的样本点计算分类结果的混淆矩阵,从而计算不透水面提取的总体精度.对于空间网格化人口的估算结果,本文采用县级人口统计数据进行验证.即在估算过程中,本文采用市级人口统计数据进行模型校正和人口估算;在验证中,采用县级人口计算人口的误差和决定系数. ...
Estimating the population distribution in a county area in China based on impervious surfaces
1
2015
... 传统的人口估算方式是抽样调查,即根据户籍登记情况进行人口估算.然而,传统的人口估算只能根据行政边界进行人口估算,最终获得的人口数据空间分辨率较低,无法反映人口的空间分布特征,亦不利于采用空间分析技术对人口变化进行全面和深入地分析(柏中强等, 2013; 胡云峰等, 2018).随着卫星遥感技术和空间分析技术的广泛应用,为提高人口数据的空间分辨率并使其支持空间分析,许多学者采用不同数据源和不同方法开展了人口空间化的研究(廖顺宝等, 2003; 王静等, 2012; Qi等, 2015; 谭敏等, 2017).已有的人口空间化的方法主要包括线性回归、非线性回归、基于机器学习的回归以及基于人口空间分布的映射模型,如Dasymetric映射方法(Lu et al, 2006; 谭敏等, 2017).回归模型主要是基于各种不同数据或特征和人口之间的统计关系,而映射模型则是根据人口分布的物理变量(如居住区面积、密度、楼高等)进行空间上的人口分配.在数据源方面,以往的研究使用了Landsat资源卫星数据(Lu et al, 2006)、夜间灯光数据(谭敏等, 2017)、IKONOS高分辨率数据和LiDAR激光雷达数据(Tomás et al, 2016).在以往的研究中,卫星数据可以被直接用于人口估算,也可以利用从卫星数据提取的信息,再进行人口估算.这些信息包括:建筑物分布、城市不透水面、建筑物高度、区域与城市中心距离等.理论上,建筑物的高度及其分布,可用于估算高楼的层数和居民住户的数量,从而估算居民人口.然而,这样的研究对数据的空间分辨率要求极高,一般更适用于县市级尺度的人口估算.技术上,为了提高人口估算的空间分辨率,主要通过采用高空间分辨率的卫星数据(Tomás et al, 2016),采用亚像元的卫星数据分析技术(Lu et al, 2006),或者通过插值技术提高空间分辨率(谭敏等, 2017).然后,对于大尺度的人口估算,例如城市群、区域或国家,获取高分辨率的建筑物信息仍然比较困难.因此,许多学者采用城市不透水面信息进行大范围的人口估算.城市不透水面信息直接映应了城市区域的空间分布,可在一定程度上反映城市人口的空间分布,因此已被学者们用于大范围的人口估算(Lu et al, 2006; Azar et al, 2010; Zhu et al, 2015).城市不透水面提取技术在过去近20年来已经取得了显著发展,并已发展和应用了大量的方法(张鸿生等, 2018),包括基于V-I-S模型的亚像元分解方法(Ridd, 1995; Wu et al, 2003)、基于机器学习的逐像元分类方法(Zhang et al, 2013; Zhang et al, 2014; Zhang, Lin et al, 2018; Zhang, Xu et al, 2018)和基于不透水面指数的方法(Xu, 2010; Deng et al, 2012).然而,城市不透水面的精确提取仍然面临多种挑战,包括(张鸿生等, 2018):①中低分辨率的影像用于不透水面提取需要处理大量的混合像元,由于数据和方法的限制使得结果常常出现过高或过低的估算;②高分辨率的影像存在大量的阴影区域,特别是在城市中心或商业中心区域,大量高楼产生的阴影区域严重降低不透水面提取的精度;③热带亚热带区域受到多云多雨的影响,使得光学遥感数据受到极大的限制,特别是当研究大面积的区域时,获取全区域覆盖的高质量的具有一定时间分辨率(例如:每年或每月)的无云影像则相当困难.因此,采用多源遥感影像融合协同提取城市不透水面是解决大范围城市群、高时间分辨率和高精度不透水面提取的有效方案. ...