一种城市高时空分辨率人口分布图绘制方法、系统及产品

技术领域

本发明涉及人口分布图绘制领域，特别是涉及一种城市高时空分辨率人口分布图绘制方法、系统及产品。

背景技术

世界范围内的快速城市化不仅导致了不透水表面的增加，而且还伴随着大量人口涌入城市，寻求更多的就业机会和更好的生活福利。因此，人口的涌入给城市规划和环境问题带来了新的挑战，如区域增长不平衡、灾害应对、水资源短缺、严重的交通拥堵和碳引起的空气污染，尤其是在北京这样与国际接轨的大都市。

在过去的几十年里，人们开发了许多方法，如简单的空间插值、基于分区密度(Dasymetric)的线性统计模型和机器学习模型，通过使用多源辅助数据，将人口普查数据从全球范围降尺度到网格单元。事实证明，分区密度制图(Dasymetric Mapping)是一种非常有效的空间降尺度方法，被广泛应用于生成格网人口密度图。其核心思想是根据辅助数据生成权重层，并利用权重层将粗分辨率的变量(如人口)分解到更细的分辨率。广泛使用的辅助数据是基于卫星的遥感产品，如夜间灯光(NTL)图像和土地利用/土地覆盖(LULC)。近年来，新兴的地理空间大数据，如兴趣点(POI)和建筑体积，也被用作辅助数据来分解人口普查数据，这为生成更精确的格网人口密度图提供了新的机会。此外，还有许多质量优良且可免费获得的全球格网人口密度图，如LandScan全球人口数据库(1公里)和WorldPop全球人口产品(100米)，这些地图也是通过Dasymetric方法与多源辅助数据相结合制作而成的。然而，人口是一个时间上的动态变量，其分布的主要转变发生在每天的周期中，导致人口密度迅速变化。因此，这些产品的时间分辨率有限，不能准确反映种群的动态分布。此外，虽然常用的辅助数据可以成功地将人口普查数据分配到空间，但输入数据集的静态性质掩盖了人口分布所指的具体时间。因此，需要更多的动态数据源来反映人类流动造成的短期和特定时间的人口空间再分布。

近年来，移动设备的快速发展和基于位置服务(LBS)大数据的丰富，使研究者能够分析人类流动模式和以更精细的时间分辨率绘制人口空间分布图。目前，百度热力图数据和手机信令数据是动态LBS数据中最受欢迎的，它们拥有精确的时空信息，可以用来研究动态人口分布，提高格网人口密度图的时间分辨率。对于这两类数据，手机信令数据是最有希望的时空人口数据源，因为它在全球范围内具有极高的渗透率。根据相关统计，在发达国家，移动电话用户的数量已经超过了总人口，现在的普及率已经达到121％，而在发展中国家，普及率高达90％，并且还在继续上升。然而，在目前的法律框架下，由于隐私问题和商业模式的缺乏，运营商不愿意公布他们的数据。因此，这种数据集的获取在地理覆盖面上仍然是有限的，所以在大范围内绘制短期人口地图仍然是困难的。百度热力图数据在人口流动模式研究中被广泛使用，因为它可以公开获取，同时也有很高的渗透率，这给绘制大区域范围内的动态人口分布图提供了可能。然而，目前百度热力图数据在城市尺度可以获取的最高空间分辨率是500米，这不足以捕捉城市内微妙的人口密度变化。因此，开发一种针对百度热力图数据的空间降尺度方法来绘制大尺度的高时空分辨率的人口分布图至关重要。

发明内容

本发明的目的是提供一种城市高时空分辨率人口分布图绘制方法、系统及产品，通过整合环境人口数据、夜间灯光数据和建筑体积数据，创新性地提出针对百度热力图数据在工作时间和睡眠时间的空间降尺度框架，并以高时空分辨率绘制某城市的人口分布图。

为实现上述目的，本发明提供了如下方案：

第一方面，本发明提供一种城市高时空分辨率人口分布图绘制方法，所述方法包括：

获取数据集；所述数据集包括：地理空间大数据、遥感数据、人口数据、验证数据以及基础地理数据；所述地理空间大数据包括：百度热力图和建筑体积；所述遥感数据包括：珞珈1-01号夜间灯光图像和NPP-VIIRS夜间灯光图像；所述人口数据包括：环境人口数据和人口普查数据；所述验证数据包括：手机信令数据；

将环境人口数据作为工作时间的空间降尺度权重层；

构建空属性渔网；

计算渔网中每个单元所对应的环境人口像素值的总和；

基于所述环境人口像素值的总和计算环境人口数据中每个像素的权重；

基于所述每个像素的权重对工作时间的百度热力图数据的每个像素进行空间降尺度；

利用所述人口普查数据对空间降尺度后的工作时间的百度热力图数据进行修正，得到真实人口值，记为第一栅格层；

对所述珞珈1-01号夜间灯光图像进行归一化处理；

将所述建筑体积数据和归一化后的珞珈1-01号NTL数据的相应像素值相加，得到新栅格层；

将所述新栅格层作为权重层；

按照工作时间的空间降尺度过程对睡眠时间的百度热力图数据进行空间降尺度，得到第二栅格层；

将所述第一栅格层和所述第二栅格层结合，得到城市高时空分辨率人口分布图。

可选的，所述计算渔网中每个单元所对应的环境人口像素值的总和具体采用以下公式：

其中，P

可选的，基于所述环境人口像素值的总和计算环境人口数据中每个像素的权重具体采用以下公式：

其中，P

可选的，基于所述每个像素的权重对工作时间的百度热力图数据的每个像素进行空间降尺度具体采用以下公式：

H

其中，H

可选的，利用所述人口普查数据对空间降尺度后的工作时间的百度热力图数据进行修正，得到真实人口值具体采用以下公式：

其中，H

可选的，对所述珞珈1-01号夜间灯光图像进行归一化处理具体采用以下公式：

其中，RL

可选的，将所述建筑体积数据和归一化后的珞珈1-01号NTL数据的相应像素值相加，得到新栅格层具体采用以下公式：

其中，BV

第二方面，基于本发明中的上述方法，本发明另外提供一种城市高时空分辨率人口分布图绘制系统，所述系统包括：

数据集获取模块，用于获取数据集；所述数据集包括：地理空间大数据、遥感数据、人口数据、验证数据以及基础地理数据；所述地理空间大数据包括：百度热力图和建筑体积；所述遥感数据包括：珞珈1-01号夜间灯光图像和NPP-VIIRS夜间灯光图像；所述人口数据包括：环境人口数据和人口普查数据；所述验证数据包括：手机信令数据；

第一权重层确定模块，用于将环境人口数据作为工作时间的空间降尺度权重层；

渔网构建模块，用于构建空属性渔网；

环境人口像素值的总和计算模块，用于计算渔网中每个单元所对应的环境人口像素值的总和；

权重计算模块，用于基于所述环境人口像素值的总和计算环境人口数据中每个像素的权重；

第一空间降尺度模块，用于基于所述每个像素的权重对工作时间的百度热力图数据的每个像素进行空间降尺度；

真实人口值计算模块，用于利用所述人口普查数据对空间降尺度后的工作时间的百度热力图数据进行修正，得到真实人口值，记为第一栅格层；

归一化模块，用于对所述珞珈1-01号夜间灯光图像进行归一化处理；

新栅格层确定模块，用于将所述建筑体积数据和归一化后的珞珈1-01号NTL数据的相应像素值相加，得到新栅格层；

第二权重层确定模块，用于将所述新栅格层作为权重层；

第二降尺度模块，用于按照工作时间的空间降尺度过程对睡眠时间的百度热力图数据进行空间降尺度，得到第二栅格层；

城市高时空分辨率人口分布图确定模块，用于将所述第一栅格层和所述第二栅格层结合，得到城市高时空分辨率人口分布图。

第三方面，本发明提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的城市高时空分辨率人口分布图绘制方法。

第四方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的城市高时空分辨率人口分布图绘制方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明中的上述方案通过整合环境人口数据、夜间灯光数据和建筑体积数据，创新性地提出了针对百度热力图数据在工作时间和睡眠时间的空间降尺度框架，并以高时空分辨率(即每小时，100米)绘制城市的人口分布图，大大提高了工作时间和睡眠时间的空间降尺度框架的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明城市高时空分辨率人口分布图绘制方法流程图；

图2为本发明针对百度热力图数据在工作时间和睡眠时间的空间降尺度框架示意图；

图3为本发明百度热力图人口密度和手机信令人口密度的散点图；

图4为本发明城市高时空分辨率人口分布图绘制系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种城市高时空分辨率人口分布图绘制方法、系统及产品，通过整合环境人口数据、夜间灯光数据和建筑体积数据，创新性地提出针对百度热力图数据在工作时间和睡眠时间的空间降尺度框架，并以高时空分辨率绘制某城市的人口分布图。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提出了一个针对百度热力图数据的空间降尺度框架，以绘制动态人口分布(见图2)。这个空间降尺度框架分为三个部分：首先，对相关数据集进行了预处理，其次，在工作时间和睡眠时间分别生成了权重层，最后，对结果进行验证。具体方案如下：

图1为本发明城市高时空分辨率人口分布图绘制方法流程图，图2为本发明针对百度热力图数据在工作时间和睡眠时间的空间降尺度框架示意图，如图1和图2所示，本发明中的方法包括：

步骤1：获取数据集；所述数据集包括：地理空间大数据、遥感数据、人口数据、验证数据以及基础地理数据；所述地理空间大数据包括：百度热力图和建筑体积；所述遥感数据包括：珞珈1-01号夜间灯光图像和NPP-VIIRS夜间灯光图像；所述人口数据包括：环境人口数据和人口普查数据；所述验证数据包括：手机信令数据。

本发明中使用的数据主要有地理空间大数据、遥感数据、人口数据、验证数据和基础地理数据。表1列出了本发明中使用的8类数据。为了确保空间位置的一致性，本发明中的所有数据都被重新投影到WGS-1984-UTM-Zone-50N坐标系中。

表1本发明中使用的数据集和来源列表

/>

其中，对于百度热力图数据的介绍如下：

2011年，百度公司推出了大数据可视化产品(即百度热力图)。作为一个拥有数亿用户的大数据应用，百度热力图是基于用户访问百度产品(如百度地图、百度搜索等)时的位置信息，计算出不同时间、不同区域的人流热力值，经过密度分析处理后在百度地图上进行可视化显示。因此，百度热力图能够极大地反映出区域内准确的人群热度，被广泛用于人口动态分布的研究。

百度热力图数据来源于百度地图(http://map.baidu.com(2022年8月17日访问))。本发明以北京市为例，利用百度的应用编程接口获得了2022年8月17日(星期三)北京地区共24个时间段(0:00-1:00等)的百度热力图数据，空间分辨率为500米。每个向量点的热力值代表其所属时间段和所属空间范围的百度信号响应总数。首先，在ArcGIS10.6中创建了一个覆盖整个北京的500×500米单元大小的空属

对于手机信令数据的介绍如下：

手机信令数据是基于手机用户和基站之间的交互来确定用户在不同时间的空间位置，只要手机开机就会一直产生手机信令数据。因此，手机信令数据是研究人口流动模式最理想的数据源。

以北京市为例，本发明从中国移动运营商、中国联通运营商和中国电信运营商获取2022年8月17日北京四个时间段(即0:00-1:00、9:00-10:00、15:00-16:00和21:00-22:00)的手机信令数据，空间分辨率为200米，没有个人隐私问题。然而，由于运营商只提供了5172个地理点的数据，本发明只使用这些数据来验证本发明所提出的空间降尺度框架。每个向量点的信令值代表它所属的时间段和空间范围内的手机信令响应总数。首先，在ArcGIS10.6中创建一个覆盖整个北京的200×200米单元尺寸的空属性渔网。然后，将每个矢量点的信令值分配给相应的渔网。最后，利用带有手机信令值信息的渔网生成了4个空间分辨率为200米的栅格图层，分别对应四个时间段。

对于遥感数据的介绍如下：

国家极轨合作组织可见光红外成像辐射仪套件(NPP-VIIRS)NTL2018年9月月度综合数据的第1版产品来源于地球观测组织(https://eogdata.mines.edu/products/vnl/(2022年7月3日访问))，空间分辨率为500米。珞珈1-01号是2018年6月2日发射的新一代NTL遥感卫星。它是一颗太阳同步卫星，具有15天内覆盖地球的能力。珞珈1-01号配备了灵敏度更高的互补金属氧化物半导体传感器，具有14位量化功能，使其优于NPP-VIIRS[55]。在这项研究中，2018年9月6日的珞珈1-01号NTL数据来源于武汉大学(http://59.175.109.173:8888/(2022年6月17日访问))，空间分辨率为130米。

我们获得的珞珈1-01号NTL数据的定位精度低于其空间分辨率，某些位置的图像偏移达到1611米，这对精细的人口测绘产生了负面影响。因此，通过从NTL数据和谷歌地图中选取的12对几何控制点，利用谷歌地图对珞珈1-01号NTL数据进行了几何校正。几何校正后，又从校正后的NTL数据和谷歌地图中随机抽取了12对控制点进行精度评估。通过评估，发现平均定位误差为16.3米，小于珞珈1-01号NTL数据的空间分辨率。原始NTL数据中的像素值(DN)不能有效地描述灯光的亮度程度；因此，使用公式(1)进行辐射校准。由于珞珈1-01号NTL数据有相当大的背景噪声，这可能会产生误导。NPP-VIIRSNTL数据消除了被云层遮挡、月球光照和其他因素的污染；因此，本发明中使用NPP-VIIRSNTL数据中DN值为0的区域来对珞珈1-01号NTL数据进行掩膜，以消除相关的噪声。最后，使用最近邻法将珞珈1-01号NTL数据重新采样为100米的空间分辨率，以避免在重新采样过程中改变任何像素值。

其中，L是珞珈1-01号图像中一个像素的辐射度(W·m

对于建筑体积数据的介绍如下：

建筑轮廓数据来自百度地图(http://map.baidu.com(2022年2月6日访问))。首先，在ArcGIS10.6中创建了一个覆盖整个北京的100×100米单元尺寸的空属性渔网。然后，在渔网和建筑轮廓数据之间进行相交操作。由于建筑轮廓数据有面积和高度信息，因此可以计算出每个单元的建筑体积。最后，使用带有建筑体积信息的渔网来生成一个空间分辨率为100米的栅格图层。

对于环境人口数据的介绍如下：

环境人口数据中的每个像素值代表工作时间内人口存在概率的相对大小[39,40,42]。环境人口来源于Bao等人的研究。在这项研究中，通过集成学习算法stacking，整合了梯度提升决策树(GBDT)、极端梯度提升(XGBoost)、光梯度提升机(LightGBM)和支持向量回归(SVR)，构建了一个名为GXLS-Stacking的新型人口空间化模型。然后，我们将增强人口空间分布特征的社会经济数据(如兴趣点数据、建筑体积数据和人工不透水面数据等)和自然环境数据与人口普查数据相结合，对模型进行训练，生成2020年北京市100米空间分辨率的高精度格网人口密度图。结果表明，我们的环境人口数据的准确性远远超过了WorldPop人口数据集的准确性。

对于基础地理数据和人口普查数据的介绍如下：

以北京市为例，北京的行政区划图来自天地图(https://www.tianditu.gov.cn/(2022年8月6日访问))。人口普查数据来自北京市政府，2020年北京的常住人口总数为21,893,095。人口普查数据被用来修正百度热力图数据和手机信令数据。

步骤2-步骤7为对工作时间空间尺度框架的介绍：

由于不同职业的睡眠时间和工作时间是不一致的，将常规工作日的睡眠时间和工作时间分别设定为0:00-7:00和7:00-24:00。采用了一种高效的分区密度(Dasymetric)法，将百度热力图数据(500米)空间降尺度为100米的空间分辨率。分区密度制图(Dasymetric)是一种辅助数据驱动的方法，已被广泛用于空间降尺度。Dasymetric方法引入了辅助变量的密度信息，将标准化的数据重新分配为更精细的尺度分布。关键步骤是定义权重层，通常由标准化数据和辅助变量之间的现有或假定关系决定。由于环境人口数据中的每个像素值代表了工作时间内人口存在概率的相对大小。因此，本发明中将环境人口数据作为工作时间的空间降尺度权重层，并假定百度热力图数据(500米)在更细尺度(100米)的空间分布与环境人口数据(100米)的空间分布相同。

步骤2：将环境人口数据作为工作时间的空间降尺度权重层。

步骤3：构建空属性渔网。

本实施例中以北京为例，在ArcGIS10.6中创建了一个覆盖整个北京的500×500米单元尺寸的空属性渔网。

步骤4：计算渔网中每个单元所对应的环境人口像素值的总和。

计算公式如下：

其中，P

步骤5：基于所述环境人口像素值的总和计算环境人口数据中每个像素的权重。

计算公式如下：

其中，P

步骤6：基于所述每个像素的权重对工作时间的百度热力图数据的每个像素进行空间降尺度。

计算公式如下：

H

其中，H

步骤7：利用所述人口普查数据对空间降尺度后的工作时间的百度热力图数据进行修正，得到真实人口值，记为第一栅格层。

由于百度热力图数据属于抽样数据，提取的热度值不是实际的人口数量，而只是人口密度的相对大小。假设北京的总人口在一天内是恒定的，而且每天的人口流入和流出是平衡的。因此，利用人口普查数据对空间降尺度后的百度热力图数据进行修正，使每个像素值代表真实的人口，计算公式如下：

其中，H

以下步骤为睡眠时间空间降尺度框架的介绍：

在睡眠时间的空间降尺度框架与工作时间的空间降尺度框架几乎相同，唯一的区别是对权重层的定义。假设：(1)在睡眠时间，较大的建筑体积可以容纳更多的人；(2)在建筑体积数据缺失的地区，NTL强度反映了整个居住区的居住分布(即NTL越亮，睡眠时间的人口就越多)。因此，将建筑体积和NTL作为睡眠时间空间降尺度框架的权重层。

由于城市和农村地区的建筑体积数据都有不同程度的缺失，而NTL数据可以很好地反映睡眠时间的人口分布，我们使用NTL数据来弥补这些缺失的数据。然而，开花效应是NTL所固有的，表明城市内一小块土地上的NTL会使周围地区变亮。因此，本发明中选择对NTL数据进行归一化处理，保持像素值之间的相对大小不变，并将其数值分配给建筑体积数据中相应的像素，这样既补充了缺失的建筑体积信息，又不会因为像素值过大而影响原有建筑体量信息。在本发明中，我们首先对珞珈1-01号NTL数据进行归一化处理。然后，我们将建筑体积数据和珞珈1-01号NTL数据的相应像素值相加，得到一个新的栅格层。最后，将新的栅格层作为权重层，按照工作时间的空间降尺度过程对睡眠时间的百度热力图数据进行空间降尺度。具体步骤如下：

步骤8：对所述珞珈1-01号夜间灯光图像进行归一化处理。

具体公式为：

其中，RL

步骤9：将所述建筑体积数据和归一化后的珞珈1-01号NTL数据的相应像素值相加，得到新栅格层。

具体公式为：

其中，BV

步骤10：将所述新栅格层作为权重层。

步骤11：按照工作时间的空间降尺度过程对睡眠时间的百度热力图数据进行空间降尺度，得到第二栅格层。

步骤12：将所述第一栅格层和所述第二栅格层结合，得到城市高时空分辨率人口分布图。

本发明将工作时间空间降尺度框架生成的17个时间段空间分辨率为100米的栅格层和睡眠时间空间降尺度框架生成的7个时间段空间分辨率为100米的栅格层相结合，得到一天之内24个时间段空间分辨率为100米的栅格层，即高时空分辨率人口分布图。

下面对本发明所提的上述方法进行验证：

准确度评估是验证空间降尺度框架准确性的重要步骤，也是判断结果好坏的评价标准。本发明采用了广泛使用的三个精度评估指标，即决定系数(R

其中，yi是真值，

对生成的高时空分辨率的人口分布图进行严格的精度评估，可以说明本发明提出的空间降尺度框架的可靠性。首先，在ArcGIS 10.6中创建了一个覆盖整个北京的200×200米单元尺寸的空属性渔网。然后，用200米的渔网对四个时间段(即0：00-1：00、9：00-10：00、15：00-16：00、21：00-22：00)的人口分布图进行区域求和统计，与经过人口普查数据修正的5172个手机信令数据进行对比，最后得到精度验证结果。图3显示了四个时间段的百度热力图人口密度的精度评估结果，分别对应于睡眠时间的空间降尺度框架生成的一张人口分布图和工作时间的空间降尺度框架生成的三张人口分布图。总的来说，四个时间段的散点都分布在1：1线附近，这说明本发明在四个时间段的人口分布图都有很好的准确性，也反映了本发明提出的针对百度热力图在工作时间和睡眠时间空间降尺度框架的可靠性。

基于本发明中的上述方法，本发明另外提供一种城市高时空分辨率人口分布图绘制系统，如图4所示，所述系统包括：

数据集获取模块201，用于获取数据集；所述数据集包括：地理空间大数据、遥感数据、人口数据、验证数据以及基础地理数据；所述地理空间大数据包括：百度热力图和建筑体积；所述遥感数据包括：珞珈1-01号夜间灯光图像和NPP-VIIRS夜间灯光图像；所述人口数据包括：环境人口数据和人口普查数据；所述验证数据包括：手机信令数据；

第一权重层确定模块202，用于将环境人口数据作为工作时间的空间降尺度权重层；

渔网构建模块203，用于构建空属性渔网；

环境人口像素值的总和计算模块204，用于计算渔网中每个单元所对应的环境人口像素值的总和；

权重计算模块205，用于基于所述环境人口像素值的总和计算环境人口数据中每个像素的权重；

第一空间降尺度模块206，用于基于所述每个像素的权重对工作时间的百度热力图数据的每个像素进行空间降尺度；

真实人口值计算模块207，用于利用所述人口普查数据对空间降尺度后的工作时间的百度热力图数据进行修正，得到真实人口值，记为第一栅格层；

归一化模块208，用于对所述珞珈1-01号夜间灯光图像进行归一化处理；

新栅格层确定模块209，用于将所述建筑体积数据和归一化后的珞珈1-01号NTL数据的相应像素值相加，得到新栅格层；

第二权重层确定模块210，用于将所述新栅格层作为权重层；

第二降尺度模块211，用于按照工作时间的空间降尺度过程对睡眠时间的百度热力图数据进行空间降尺度，得到第二栅格层；

城市高时空分辨率人口分布图确定模块212，用于将所述第一栅格层和所述第二栅格层结合，得到城市高时空分辨率人口分布图。

另外，本发明还提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的城市高时空分辨率人口分布图绘制方法。

本发明还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的城市高时空分辨率人口分布图绘制方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。