基于多源信息的高空间分辨率人口分布研究.docxVIP

?

?

基于多源信息的高空间分辨率人口分布研究

?

?

刘治成肖东升

摘要：针对已有的人口空间化研究多采用静态数据、时空分辨率较低、在应急救援等方面实用性不高的问题，提出了一种使用高时空分辨率数据，结合城市圈层结构理论和主成分分析法的建筑物尺度人口估算方法。以成都市为例，利用腾讯位置大数据，通过计算不同城市圈层的定位率，得到了成都市不同时段1km×1km的人口分布数据。在此基础上，以基于建筑物中心点的泰森多边形为人口分配基本单元，结合宜出行热力数据和POI数据，分别计算其对人口分布的贡献值并赋予计算权值，得到了成都市青羊区建筑物尺度人口分布数据。街道尺度统计数据回归分析的决定系数R2为0.9264，总体精度较高，模拟人口分布符合实际情况。

关键词：应急救援;主成分分析;人口分布;POI;建筑物

：P315.94??：A??：1000-0666（2021）02-0251-11

0引言

人口是自然灾害最重要的承灾体，人口分布数据是应急救援的关键支撑数据（郭建兴等，2018）。人口分布与城市的经济发展、基础设施建设以及生态环境保护等都有着紧密联系（李国平，陈秀欣，2009）。目前，我国人口统计是以行政区划逐级统计和汇总的，最低统计到乡镇街道一级，10年更新一次，不能满足灾害应急救援等方面的应用要求。探究城市内部更小尺度的人口空间分布是人口空间化研究的重点之一（李泽宇，董春，2019;贾召亮等，2020）。

随着移动终端及GPS技术的高速发展，移动终端的位置服务进入了研究者的视野。例如王贤文等（2017）利用腾讯位置服务相关数据研究了京津冀地区在短期内的人口流动;潘碧麟等（2019）通过微博签到数据研究了成渝之间的城际人口流动规律;吴中元等（2019）利用腾讯位置大数据对南京市江宁区秣陵街道进行了小区级别的人口数据预测;Sakaki等（2010）通过提取日本社交软件用户在分享信息的同时携带的位置信息，研究了地震对Twitter用户时空行为造成的影响。

在灾害应急救援中，灾后第一时间的人口空间分布数据可帮助应急救援部门快速部署救援力量，为受灾人员的救援赢得宝贵的时间（郭建兴等，2018）。腾讯位置大数据可以实时记录使用腾讯位置服务用户的位置信息，空间分辨率为1km，目前腾讯位置服务的使用量已突破日均500亿人次，所以该数据在研究人口空间分布方面具有一定的代表性。该数据获取简单，可快速获取灾区震前1km空间分辨率的使用腾讯位置大数据服务的人口空间分布，为救援力量的初步部署提供辅助数据。要更精确地锁定可能受灾人群的具体位置，缩小救援人员的搜救范围，提高搜救效率，则需要分辨率更高的人口空间分布数据。宜出行热力数据是腾讯地图通过模拟计算出的人口密度等级，表达人口密度的相对大小，具有实时更新、实时获取的特性，且该数据空间分辨率达到了27m，可为更小尺度的人口空间化研究提供一定的参考。所以本文采用微信宜出行热力数据，结合POI兴趣点数据对小范围内建筑物尺度的人口空间化进行研究。

1研究方法

1.1基本原理

1.1.1主成分分析

主成分分析（PrincipalComponentsAnalysis，PCA）是通过将原始、复杂、多维的变量进行线性组合，构造互不相关的综合变量，来降低变量维度的一种数据降维处理方法。数据经主成分分析后可在降低数据维度的同时保持原始数据的大部分特征，减少数据的冗余程度，更利于进行后续处理（贾俊平，2008）。

设某数据集X存在n个样本，每个样本有m个变量，则该数据集的矩阵如下：

Xm×n=

x11x12…x1n

x21x22…x21

xm1xm2…xmn（1）

由于在实际问题中，矩阵的维度过大可能会导致后续处理复杂，耗时过久，通常需要对数据进行主成分分析以降低数据维度，其具体步骤为：为了消除由于数据量纲不同引起的误差，对原始矩阵进行标准化处理，得到矩阵X*m×n;计算矩阵X*m×n的协方差矩阵;将X*m×n的协方差矩阵计算化为相关系数矩阵，公式为：

ρij=cov（xi，xj）σiiσjj（2）

计算出特征值λ1，λ2，…，λm，λi≥0，i=1，2，…，m），并从小到大排列，得到相对应的正交单位化特征向量θ1，θ2，…，θm;计算得到各个主成分的贡献率，公式为：

Pi=λi∑mi=1λi（i=1，2，…，m）（3）

则其累计贡献率为：

Pi（sum）=∑mi=1Pi（i=1，2，…，m）（4）

主成分提取原则通常按累计贡献率达到约80%以上，或主成分特征值大于1提取主成分。得到提取的主成分后，计算每个主成分的得分，公式为：

ωri=θ1X*r1+θ2X*r2，…，+θmX*rm（r=1，2，…，n）（5）

式中：i为主成分提取个数。

1.1.2泰森多边形

泰森多边形最初是由荷兰气