基于建筑物與POI數(shù)據(jù)的人口空間化研究

李金香 譚明 古力孜帕·木拉提 李波 張金燕

新疆維吾爾自治區(qū)地震局,烏魯木齊 830011

0 引言

新疆地區(qū)地震頻發(fā),給新疆人民造成了巨大的人員傷亡和經(jīng)濟(jì)損失。在地震應(yīng)急救援工作中,以行政區(qū)劃為單元的人口統(tǒng)計(jì)數(shù)據(jù)在使用中存在的空間分辨率低、直觀性差、不支持空間運(yùn)算和分析等不足亟待解決(高義等,2013)。無論是震前預(yù)測(cè)還是震后快速評(píng)估,準(zhǔn)確的人口空間分布信息是人員傷亡評(píng)估的基礎(chǔ)(徐敬海等,2016; 謝江麗等,2019; 周中紅等,2019; 朱鵬宇等,2022),以往地震應(yīng)急工作中以鄉(xiāng)鎮(zhèn)級(jí)行政區(qū)劃的人口平均密度或面積權(quán)重法計(jì)算的人口數(shù)量,與實(shí)際調(diào)查結(jié)果間存在較大誤差。尤其是新疆人口的不均勻分布,使得這種方法獲取的數(shù)據(jù)精度不高。而人口數(shù)據(jù)空間化能夠更為客觀地展示人口分布情況,是解決該問題的有效手段。

近年來,得益于遙感(RS)和地理信息系統(tǒng)(GIS)技術(shù)的迅速發(fā)展,統(tǒng)計(jì)數(shù)據(jù)格網(wǎng)化得到了快速發(fā)展。人口數(shù)據(jù)空間化一直是統(tǒng)計(jì)數(shù)據(jù)空間化的主要研究方向(董南等,2016)。王雪梅等(2004)在回顧了國內(nèi)外人口空間化研究的主要方法后,認(rèn)為國外的研究主要包括從遙感解譯信息反演人口數(shù)據(jù)、從DMSP-OLS夜間燈光數(shù)據(jù)反演人口數(shù)據(jù)和從遙感直接獲取的光譜特征直接反演人口數(shù)據(jù)幾個(gè)方面。而國內(nèi)的研究主要是根據(jù)土地利用數(shù)據(jù)和其他地理因子(如高程、道路、居民區(qū)等)建立回歸模型來反演人口數(shù)據(jù)(柏中強(qiáng)等,2015; 王珂靖等,2016; 崔曉臨等,2020; 杜培培等,2020)。隨著人口數(shù)據(jù)空間化研究的深入,形成了一系列具有代表性的模型和方法,主要有核密度估計(jì)法(孫艷萍等,2018)、面積內(nèi)插法(呂安民等,2002)、土地利用影響模型(江東等,2002; 黃河清等,2009; 唐奇等,2012)以及多源數(shù)據(jù)融合模型(董春等,2002; 王春菊等,2004; 淳錦等,2018; 趙鑫等,2020; 王曉潔等,2020; 王芳等,2021)。已有研究大多基于遙感夜間燈光數(shù)據(jù)、土地利用數(shù)據(jù)等(高倩等,2017; 王明明等,2019; 于婷婷,2021),并采用模型算法進(jìn)行估算,是全局性的建模分析,未能完全地考慮微觀尺度上人口分布的隨機(jī)性,不能反映內(nèi)部差異,缺少對(duì)人口空間分布異質(zhì)性、非平穩(wěn)性的研究,特別是針對(duì)以縣級(jí)區(qū)劃為基本研究單元的理論研究。隨著時(shí)代發(fā)展,目前房屋建筑空間分布數(shù)據(jù)越來越精細(xì),POI(Points of Interest)點(diǎn)數(shù)據(jù)越來越詳實(shí),基于房屋真實(shí)空間分布數(shù)據(jù)進(jìn)行人口統(tǒng)計(jì)數(shù)據(jù)空間化會(huì)大大提升千米格網(wǎng)數(shù)據(jù)的準(zhǔn)確性,為新疆地區(qū)地震應(yīng)急輔助決策提供更加科學(xué)準(zhǔn)確的數(shù)據(jù)支撐。

本研究以新疆“基于遙感影像和經(jīng)驗(yàn)估計(jì)的區(qū)域房屋震害風(fēng)險(xiǎn)初判”項(xiàng)目的示范區(qū)——新疆巴楚縣、庫車市和烏魯木齊縣為研究區(qū),以規(guī)則格網(wǎng)為研究單元,利用建筑物空間分布數(shù)據(jù)、POI數(shù)據(jù)、路網(wǎng)數(shù)據(jù)、人口統(tǒng)計(jì)數(shù)據(jù)等數(shù)據(jù)源,進(jìn)行人口空間化算法模型研究,以期獲得空間精度和寫實(shí)程度能夠滿足地震應(yīng)急應(yīng)用要求且使用方便靈活的格網(wǎng)化空間數(shù)據(jù),提升地震災(zāi)情評(píng)估速度和準(zhǔn)確度。

1 研究區(qū)概況與數(shù)據(jù)處理

1.1 研究區(qū)概況

巴楚縣位于天山南麓,塔里木盆地和塔克拉瑪干沙漠邊緣,轄4鎮(zhèn)8鄉(xiāng),處于巴楚隆起大地構(gòu)造單元(圖1(a))。庫車市位于天山中部南麓,塔里木盆地北緣,轄8鎮(zhèn)6鄉(xiāng)4街道,地勢(shì)北高南低、自西北向東南傾斜,地貌分為北部山地、中部戈壁和南部沖積平原(圖1(b))。烏魯木齊縣南依天山,北與準(zhǔn)噶爾盆地相連,地勢(shì)東南高,西北低,轄3鎮(zhèn)3鄉(xiāng)(圖1(c))。巴楚縣、庫車市與烏魯木齊縣歷史上地震頻發(fā),人口分布卻極不均勻,三縣人口均集中分布在綠洲區(qū)域,中心城區(qū)人口密集,經(jīng)濟(jì)發(fā)展迅速,交通設(shè)施、購物、教育醫(yī)療等服務(wù)機(jī)構(gòu)完善,山地、戈壁及沙漠地區(qū)人煙稀少,各鄉(xiāng)之間人口差異明顯。本文選取三縣為研究區(qū)域,具有一定的研究意義。

圖1 研究區(qū)概況

1.2 數(shù)據(jù)處理與技術(shù)路線

數(shù)據(jù)中的人口統(tǒng)計(jì)數(shù)據(jù)包含鄉(xiāng)鎮(zhèn)人口統(tǒng)計(jì)數(shù)據(jù); 行政區(qū)劃數(shù)據(jù)來自新疆地震應(yīng)急基礎(chǔ)數(shù)據(jù)庫,包含鄉(xiāng)鎮(zhèn)行政區(qū)劃面矢量數(shù)據(jù),存儲(chǔ)格式為shp格式,字段屬性包含行政區(qū)劃代碼、行政區(qū)劃名稱等; 交通路網(wǎng)空間數(shù)據(jù)來自新疆地震應(yīng)急基礎(chǔ)數(shù)據(jù)庫,包括國道、省道、縣道、鄉(xiāng)道、專用道、城市內(nèi)部道路等; 房屋空間分布數(shù)據(jù)通過“基于遙感影像和經(jīng)驗(yàn)估計(jì)的區(qū)域房屋震害風(fēng)險(xiǎn)初判”項(xiàng)目獲取; 電子地圖興趣點(diǎn)來自高德導(dǎo)航數(shù)據(jù),興趣點(diǎn)包括學(xué)校、超市、醫(yī)院等點(diǎn)位數(shù)據(jù)。

數(shù)據(jù)預(yù)處理主要包括:空間數(shù)據(jù)配準(zhǔn),完成各類空間數(shù)據(jù)位置校正; 人口統(tǒng)計(jì)數(shù)據(jù)與鄉(xiāng)鎮(zhèn)街道行政區(qū)劃數(shù)據(jù)完成關(guān)聯(lián); 對(duì)POI數(shù)據(jù)進(jìn)行清洗與剪切,進(jìn)而進(jìn)行分類整理。

POI數(shù)據(jù)是一種代表真實(shí)地理實(shí)體的點(diǎn)狀地理空間大數(shù)據(jù),數(shù)據(jù)量十分龐大,涉及人們生產(chǎn)生活的各個(gè)方面,發(fā)掘其中所蘊(yùn)含的內(nèi)在信息關(guān)系,提取有用的內(nèi)容,是當(dāng)前的研究熱點(diǎn)之一。目前常見的電子地圖均包含POI,且都具有名稱、類別和位置等主要屬性,為了方便查詢,需對(duì)其進(jìn)行分類。POI的分類體系不可能將包羅萬象的所有信息進(jìn)行精準(zhǔn)分類,只能將基礎(chǔ)和普遍的信息進(jìn)行分類,以滿足大眾的基本需求。在此條件下,POI分類代碼體系的編制應(yīng)遵循一定的原則。高德軟件公司與天地圖有限公司、北京四維圖新科技股份有限公司、中國物品編碼中心等多家單位共同參與完成了中華人民共和國國家標(biāo)準(zhǔn) GB/T35648—2017 《地理信息興趣點(diǎn)分類與編碼》的起草。高德軟件POI編碼規(guī)則符合國標(biāo)標(biāo)準(zhǔn),采用線分類法將POI分為大類、中類、小類三個(gè)層次,其中依據(jù)POI使用的普遍性和社會(huì)公眾對(duì)于POI的關(guān)注程度劃分大類,每一大類按照其不同特點(diǎn)和相互之間的內(nèi)在聯(lián)系劃分中類和小類。本文的POI數(shù)據(jù)來自高德導(dǎo)航,數(shù)據(jù)在獲取的同時(shí)配有高德數(shù)據(jù)分類代碼表,根據(jù)分類代碼,對(duì)POI數(shù)據(jù)進(jìn)行分類整理(表1)。最后根據(jù)研究區(qū)域經(jīng)濟(jì)發(fā)展情況進(jìn)行分區(qū)。

表1 部分POI數(shù)據(jù)分類

在對(duì)研究區(qū)進(jìn)行分區(qū)后,計(jì)算各區(qū)域內(nèi)建筑物面積、道路密度、各類型POI數(shù)量等,與人口數(shù)據(jù)進(jìn)行相關(guān)性分析,選擇與人口數(shù)據(jù)存在顯著相關(guān)的因子進(jìn)行多元線性回歸,建立各分區(qū)的人口空間數(shù)據(jù)集。技術(shù)路線如圖2所示。

圖2 技術(shù)路線

2 研究方法

本文以建筑物空間分布數(shù)據(jù)、POI數(shù)據(jù)、路網(wǎng)數(shù)據(jù)、人口統(tǒng)計(jì)數(shù)據(jù)等數(shù)據(jù)源為基礎(chǔ),進(jìn)行人口空間化算法模型研究(圖3)。建筑物是人們生產(chǎn)生活的房屋及其附屬設(shè)施,是最直接反映人口分布的因子(劉煥金,2012)。道路對(duì)人口分布具有指示作用,然而新疆地廣人稀,人口在綠洲區(qū)集中分布,很多鄉(xiāng)鎮(zhèn)面積大、道路長(zhǎng)度長(zhǎng)而人口稀少,因此采用道路長(zhǎng)度進(jìn)行人口分布研究存在偏差,故本文引進(jìn)路網(wǎng)密度與居民區(qū)道路長(zhǎng)度兩個(gè)因子與人口分布進(jìn)行相關(guān)性研究。POI是指具有地理標(biāo)識(shí)的空間特征物,包含名稱、類別、經(jīng)緯度等信息,具有易獲取、現(xiàn)勢(shì)性強(qiáng)、數(shù)據(jù)量豐富、定位精度高、更能反映微觀細(xì)節(jié)信息等特點(diǎn)(Yao et al,2017),其能夠在一定程度上直觀反映人口的空間分布(Bakillah et al,2014)。

圖3 研究框架示意圖

本文將建筑物數(shù)據(jù)(m2)、路網(wǎng)密度(m/km2)、居民區(qū)道路長(zhǎng)度(m)、大廈小區(qū)(個(gè))、政府機(jī)關(guān)(個(gè))、餐飲住宿(個(gè))、購物(個(gè))、交通服務(wù)(個(gè))、教育醫(yī)療(個(gè))、公共服務(wù)(個(gè))、商業(yè)機(jī)構(gòu)(個(gè))、文體休閑(個(gè))、觀光旅游(個(gè))、農(nóng)牧場(chǎng)點(diǎn)數(shù)(個(gè))與人口統(tǒng)計(jì)(人)數(shù)據(jù)進(jìn)行Spearman相關(guān)性分析,利用與人口分布相關(guān)性較高的因子進(jìn)行人口空間化建模。在統(tǒng)計(jì)學(xué)中,Spearman相關(guān)性分析是評(píng)價(jià)2個(gè)統(tǒng)計(jì)變量相關(guān)性的一種指標(biāo),其對(duì)原始變量的分布不做要求,適用范圍較廣。其主要思想是:分別對(duì)2個(gè)變量X、Y做等級(jí)變換(rank transformation),用等級(jí)RX和RY表示; 然后按Pearson相關(guān)性分析的方法計(jì)算RX和RY的相關(guān)性。Spearman相關(guān)性分析公式為

(1)

式中,POPi為第i個(gè)鄉(xiāng)鎮(zhèn)街道的統(tǒng)計(jì)人口數(shù),Aij為第i個(gè)鄉(xiāng)鎮(zhèn)街道第j類指標(biāo)因子的數(shù)值,R(POPi)與R(Aij)分別為對(duì)應(yīng)的元素POPi和Aij在各自列向量中的排名,N為鄉(xiāng)鎮(zhèn)街道總數(shù),ρj為第j類因子的數(shù)值與鄉(xiāng)鎮(zhèn)街道人口數(shù)的Spearman相關(guān)系數(shù)。經(jīng)過計(jì)算,選擇相關(guān)性顯著的因子作為建模因子。

確定建模因子后,采用多元線性回歸分析方法進(jìn)行人口空間化模型構(gòu)建。因經(jīng)濟(jì)發(fā)展不同,不同行政單元內(nèi)單位建筑面積的人口數(shù)各不相同,為提高建模精度,將人口分布特征較為接近的地區(qū)劃分為一類進(jìn)行分區(qū)建模,因模型中的系數(shù)具有物理意義,需保證系數(shù)為非負(fù)數(shù)。

采用多元線性回歸模型進(jìn)行數(shù)據(jù)擬合,以各建模因子作為回歸分析的自變量,以各鄉(xiāng)鎮(zhèn)統(tǒng)計(jì)人口數(shù)據(jù)作為因變量,將回歸置信度設(shè)置為95%,建立回歸方程組公式,即

(2)

式中,Dj為第j類建模因子的回歸系數(shù),bi為方程的截距。在建模時(shí)將常數(shù)項(xiàng)設(shè)置為0,表明人口分布在與其強(qiáng)相關(guān)的因子分布的區(qū)域,且建立的模型回歸系數(shù)應(yīng)滿足變量的顯著性檢驗(yàn)(F、T檢驗(yàn))。

3 實(shí)例驗(yàn)證

3.1 建模區(qū)劃分及相關(guān)性分析

建筑物作為人類生產(chǎn)和生活的載體,在很大程度上影響著人口的分布和遷移,可以說人口的分布都是圍繞著建筑物展開的,尤其是居住建筑。因此,利用地理空間技術(shù),以建筑物為離散的載體研究人口的空間化具有重要意義。本文更換了眾多研究中采用的高程、坡度等影響因素,以人們生活的建筑物為載體,實(shí)現(xiàn)人口數(shù)據(jù)的精細(xì)空間化。受地理位置、經(jīng)濟(jì)發(fā)展等多因素影響,不同地區(qū)單位建筑物占地面積、人口密度各不相同,為提高模型構(gòu)建的精度,對(duì)影響因素差異大的區(qū)域進(jìn)行分區(qū),以凸顯影響因子的差異性。本研究以鄉(xiāng)鎮(zhèn)街道為最小研究單元,依據(jù)建筑物空間分布、興趣點(diǎn)密集程度、道路密度等進(jìn)行分區(qū),將研究區(qū)分為2個(gè)分區(qū)。第一類分區(qū)為靠近中心城區(qū)的街道及城鎮(zhèn),該類分區(qū)興趣點(diǎn)密集,經(jīng)濟(jì)發(fā)達(dá)。第二類分區(qū)以農(nóng)村居民點(diǎn)為主,農(nóng)村居民點(diǎn)、興趣點(diǎn)分散在各個(gè)鄉(xiāng)鎮(zhèn)。

城鎮(zhèn)建筑物存在較多的多層建筑,且各街道經(jīng)濟(jì)發(fā)展水平不同,多層建筑物的數(shù)量和樓層數(shù)差異也較大。假設(shè)人口數(shù)量總是對(duì)應(yīng)一定的建筑面積(劉正廉等,2021),以各縣鄉(xiāng)鎮(zhèn)人均建筑物占地面積為基準(zhǔn),對(duì)城鎮(zhèn)區(qū)域建筑物進(jìn)行平均樓層數(shù)設(shè)定,設(shè)城鎮(zhèn)街道建筑物占地面積為A1i,平均樓層數(shù)設(shè)定系數(shù)為βi,則城鎮(zhèn)區(qū)域建筑物面積為βiA1i,該方法可以使得城鎮(zhèn)人均建筑面積更接近該縣人均建筑面積,滿足人口數(shù)量總是對(duì)應(yīng)一定的建筑面積的假設(shè)。進(jìn)而進(jìn)行基于建筑物空間分布的人口空間化研究。

對(duì)第一類分區(qū)和第二類分區(qū)的樣本數(shù)據(jù)進(jìn)行定量分析,統(tǒng)計(jì)各鄉(xiāng)鎮(zhèn)街道中各類型興趣點(diǎn)的數(shù)量。分別計(jì)算第一類、第二類分區(qū)各鄉(xiāng)鎮(zhèn)建筑物數(shù)據(jù)、路網(wǎng)密度、居民區(qū)道路長(zhǎng)度、大廈小區(qū)、政府機(jī)關(guān)、餐飲住宿、購物、交通服務(wù)、教育醫(yī)療、公共服務(wù)、商業(yè)機(jī)構(gòu)、文體休閑、觀光旅游、農(nóng)牧場(chǎng)點(diǎn)的數(shù)量,并與人口統(tǒng)計(jì)數(shù)據(jù)進(jìn)行Spearman相關(guān)性分析。相關(guān)性分析結(jié)果(表2)顯示,第一類分區(qū)中建筑物建筑面積、路網(wǎng)密度、購物、公共服務(wù)與人口存在顯著正相關(guān),相關(guān)性系數(shù)分別為0.967、0.599、0.621、0.657; 第二類分區(qū)中建筑物建筑面積、居民區(qū)道路長(zhǎng)度、政府機(jī)關(guān)與人口存在顯著正相關(guān),相關(guān)性系數(shù)分別為0.931、0.746、0.778。將存在顯著相關(guān)的因子作為各分區(qū)建模因子,對(duì)2個(gè)分區(qū)進(jìn)行模型構(gòu)建。

3.2 基于建模因子的多元線性回歸分析

根據(jù)各分區(qū)建模因子與人口的相關(guān)性,采用多元線性回歸分析方法建立不同分區(qū)回歸模型。以各分區(qū)建模因子數(shù)值為自變量,各鄉(xiāng)鎮(zhèn)街道人口數(shù)值為因變量,利用公式(2)重新構(gòu)建多元線性回歸模型。多元線性回歸要求因子間相互獨(dú)立,經(jīng)計(jì)算第一分區(qū)中購物與公共服務(wù)間的Spearman相關(guān)系數(shù)結(jié)果為0.993,存在顯著正相關(guān),購物與公共服務(wù)不是相互獨(dú)立的因子,均參與回歸會(huì)使模型產(chǎn)生多重共線性,故兩者間選擇一個(gè)因子進(jìn)行回歸分析,通常選擇相關(guān)性高的因子。本研究中購物、公共服務(wù)與人口的相關(guān)程度相當(dāng),相關(guān)系數(shù)差僅為0.036,對(duì)比兩類POI點(diǎn)的數(shù)據(jù)量及分布范圍,購物POI數(shù)量遠(yuǎn)多于公共服務(wù),且分布更廣,能夠更好地指示人口分布,故最終選擇購物因子進(jìn)行回歸分析。因此,選擇購物、建筑物建筑面積、路網(wǎng)密度三個(gè)因子進(jìn)行第一分區(qū)的回歸分析,選擇建筑物建筑面積、居民區(qū)道路長(zhǎng)度、政府機(jī)關(guān)三個(gè)因子進(jìn)行第二分區(qū)的回歸分析,得到的回歸方程為

第一分區(qū):POPi=0.013βiA1i+0.462A2i+7.183A7i,R2=0.985

(3)

第二分區(qū):POPi=0.013A1i+0.007A3i+32.055A5i,R2=0.984

(4)

式中,A1i為第i個(gè)鄉(xiāng)鎮(zhèn)建筑物占地面積,A2i為第i個(gè)鄉(xiāng)鎮(zhèn)路網(wǎng)密度,A3i為第i個(gè)鄉(xiāng)鎮(zhèn)居民區(qū)道路長(zhǎng)度,A5i為第i個(gè)鄉(xiāng)鎮(zhèn)政府機(jī)關(guān)數(shù)量,A7i為第i個(gè)鄉(xiāng)鎮(zhèn)購物點(diǎn)的數(shù)量,βi為第一、第二分區(qū)中第i個(gè)城鎮(zhèn)街道的建筑物建筑面積擬合系數(shù),其中第二分區(qū)中設(shè)定βi為1。

在95%置信度下,第一分區(qū)和第二分區(qū)模型具有統(tǒng)計(jì)顯著性,且建立的模型回歸系數(shù)均滿足變量的顯著性檢驗(yàn)(F、T檢驗(yàn))。

4 人口空間化及精度評(píng)價(jià)

4.1 人口空間化

人口空間化是將統(tǒng)計(jì)數(shù)據(jù)分布到其對(duì)應(yīng)地理空間上的一個(gè)過程。根據(jù)分區(qū)結(jié)果,利用柵格計(jì)算方式,將統(tǒng)計(jì)人口數(shù)據(jù)轉(zhuǎn)換為更能反映人口空間分布的柵格數(shù)據(jù),完成人口數(shù)據(jù)空間化。

柵格大小選擇1km規(guī)則格網(wǎng),首先利用Arcgis軟件中的Creat Fishnet工具創(chuàng)建研究區(qū)域內(nèi)規(guī)則格網(wǎng)的矢量數(shù)據(jù),用規(guī)則格網(wǎng)裁剪研究區(qū)建筑物數(shù)據(jù)、路網(wǎng)數(shù)據(jù),統(tǒng)計(jì)每個(gè)格網(wǎng)內(nèi)的建筑物占地面積、路網(wǎng)長(zhǎng)度、各分類POI點(diǎn)數(shù)量等。根據(jù)分區(qū)方式,將格網(wǎng)數(shù)據(jù)分為第一分區(qū)格網(wǎng)和第二分區(qū)格網(wǎng),分別計(jì)算格網(wǎng)內(nèi)建筑物面積及路網(wǎng)密度,基于式(3)、式(4),計(jì)算各分區(qū)內(nèi)每個(gè)格網(wǎng)的人口數(shù)。對(duì)分區(qū)人口的初始柵格數(shù)據(jù)進(jìn)行拼接,得到整個(gè)研究區(qū)的人口柵格數(shù)據(jù)。

4.2 精度評(píng)價(jià)

將每個(gè)格網(wǎng)的模擬人口數(shù)匯總到鄉(xiāng)鎮(zhèn)街道行政單元上,采用各鄉(xiāng)鎮(zhèn)街道的空間回歸結(jié)果與人口統(tǒng)計(jì)數(shù)據(jù)之間的相對(duì)誤差進(jìn)行精度評(píng)價(jià),計(jì)算公式為

(5)

式中,μi為第i個(gè)鄉(xiāng)鎮(zhèn)街道模擬人口的相對(duì)誤差,POP′i為模擬人口數(shù)據(jù)。計(jì)算每個(gè)鄉(xiāng)鎮(zhèn)街道模擬人口的相對(duì)誤差,結(jié)果如表3和圖4所示。

表3 模擬人口相對(duì)誤差

圖4 模擬人口相對(duì)誤差對(duì)比

通過計(jì)算,比較各鄉(xiāng)鎮(zhèn)街道的人口模擬值與實(shí)際值的偏差情況。由表3和圖4可知,經(jīng)回歸分析得到的36個(gè)行政單元人口相對(duì)誤差值中,相對(duì)誤差大于20%的鄉(xiāng)鎮(zhèn)為0,大于10%的有2個(gè)鄉(xiāng)鎮(zhèn),其中最大誤差為12.02%;90%以上的鄉(xiāng)鎮(zhèn)其模擬人口相對(duì)誤差范圍在10%以內(nèi)。對(duì)人口模擬值和實(shí)際值結(jié)果進(jìn)行擬合,得到兩者之間的線性擬合率為0.993,因此本文的模型具有較高的模擬精度。

4.3 基于規(guī)則格網(wǎng)的可視化表達(dá)

人口空間化將統(tǒng)計(jì)數(shù)據(jù)分布到規(guī)則的地理空間格網(wǎng)上,避免了原始統(tǒng)計(jì)單元面積大小不一造成的尺度混雜問題。通過小尺度規(guī)則格網(wǎng)的可視化表達(dá),可以展示研究區(qū)更加精確的人口空間分布情況,結(jié)果如圖5所示。

圖5 研究區(qū)1km格網(wǎng)人口分布

本研究成果能較好地反映人口的空間分布特征,對(duì)于人口分布細(xì)節(jié)特征的刻畫較為理想。由圖5可知,受地形地貌、交通便利度、經(jīng)濟(jì)等因素的影響,研究區(qū)人口空間分布具有明顯的差異性,表現(xiàn)為人口密度由城鎮(zhèn)向鄉(xiāng)村逐漸遞減,城市中心人口密集,沿路網(wǎng)向外輻射,城鎮(zhèn)區(qū)域點(diǎn)狀聚集,偏遠(yuǎn)鄉(xiāng)村人口較少,沙漠、戈壁、山地等區(qū)域人煙稀少,人口密度差異巨大。基于建筑物與POI數(shù)據(jù)的千米格網(wǎng)人口分布符合實(shí)際情況,可為災(zāi)情研判提供可靠的基礎(chǔ)數(shù)據(jù)。

5 結(jié)論

本文基于建筑物空間數(shù)據(jù)、路網(wǎng)數(shù)據(jù)、POI數(shù)據(jù)及人口統(tǒng)計(jì)數(shù)據(jù),開展人口空間化方法研究,基于Spearman相關(guān)分析選取相關(guān)性顯著的模型構(gòu)建因子,采用多元線性回歸分析方法構(gòu)建研究區(qū)人口空間化模型,實(shí)現(xiàn)了人口統(tǒng)計(jì)數(shù)據(jù)基于規(guī)則格網(wǎng)的更為精確的可視化表達(dá)。結(jié)果表明:

(1)受區(qū)域經(jīng)濟(jì)發(fā)展影響,不同區(qū)域模型構(gòu)建的影響因子存在差異,通過對(duì)影響因子差異性大的區(qū)域進(jìn)行分區(qū)建模,有助于提高模型構(gòu)建的精度。

(2)Spearman相關(guān)分析方法可以快速提取模型構(gòu)建的影響因子,并保證影響因子與因變量之間的相關(guān)性具有顯著性; 第一類分區(qū)中提取的模型構(gòu)建影響因子為建筑物建筑面積、路網(wǎng)密度、購物,其Spearman相關(guān)性系數(shù)分別為0.967、0.599、0.621,第二類分區(qū)中提取的模型構(gòu)建影響因子為建筑物建筑面積、居民區(qū)道路長(zhǎng)度、政府機(jī)關(guān),其Spearman相關(guān)性系數(shù)為0.931、0.746、0.778,建模因子均與人口存在顯著正相關(guān)。

(3)多元線性回歸分析方法可以對(duì)多個(gè)影響因子進(jìn)行回歸建模,將統(tǒng)計(jì)人口分布在建模因子分布的地區(qū),建立的模型具有顯著性,精度較高,計(jì)算的各鄉(xiāng)鎮(zhèn)街道的人口模擬值與實(shí)際值的偏差較小。

(4)通過小尺度規(guī)則格網(wǎng)的可視化表達(dá)可以展示研究區(qū)更加精確的人口空間分布情況。研究區(qū)人口分布具有明顯的空間差異,由城鎮(zhèn)向鄉(xiāng)村區(qū)域遞減的趨勢(shì)明顯,中心城區(qū)、周邊城鎮(zhèn)、偏遠(yuǎn)鄉(xiāng)鎮(zhèn)之間的人口密度差異巨大。

總的來看,基于建筑物與POI數(shù)據(jù)的人口空間化方法適用性強(qiáng),精度較高,人口空間化成果能較好地反映實(shí)際人口的空間分布特征,且細(xì)節(jié)刻畫較為準(zhǔn)確,可以為地震應(yīng)急救援提供決策依據(jù),有利于在救災(zāi)初期幫助決策者對(duì)災(zāi)情做出正確判斷和評(píng)估,提高地震應(yīng)急救援的時(shí)效性。