基于DMSP/OLS灯光数据的不同行政尺度的人口估算

摘要

人口一直是学术界和决策部门关注的重点问题和热点问题，快速准确的获取人口基础信息、了解人口的发展现状和发展趋势，可为国计民生政策的制定和完善，发挥重要的决定参考作用，对区域经济社会发展生产带来重大且深远的影响。所以建立一种更为科学、合理、动态的人口估算模型具有重要的应用价值。 随着遥感技术的快速发展，遥感数据源已成为人口估算的重要辅助手段。DMSP/OLS夜间灯光影像具备反映人类社会活动的独特能力，广泛用于人类活动分析及相关社会经济指标的估算。本文在省级、市级、区县三个不同尺度下基于DMSP/OLS夜间灯光数据建立相应的人口估算线性回归模型和BP神经网络人口时序估算模型，并针对线性模型中人口被高估和低估现象，提出高估/低估线性回归改进模型。 模型验证结果发现BP神经网络人口时序估算模型在三个尺度下的估算结果都比较理想。在省级和市级尺度上人口估算精度都较高且精度波动较小。其中，省级尺度相对误差在2%-3%，市级尺度相对误差在1.5%-3%。县级尺度上相对误差在2%-11%。虽然 2012 年人口估算的相对误差出现较大的波动，但其估算效果仍在理想范围内。改进后的高估/低估线性回归模型仅在省级尺度下估算精度相对稳定，平均相对中误差均在20%左右，在四川省市级尺度上其估算结果很不理想，但已有学者利用相同的模型在湖北省市级尺度下进行人口估算并取得较好的结果，说明在市级尺度下，区位、经济发达程度等对人口分布的影响相较于省级尺度更显著，空间异质性表现更突出。 综上所述，在省级、市级、区县三个尺度下，基于DMSP/OLS夜间灯光数据建立的人口估算线性回归模型和BP神经网络人口时序估算模型估算结果可以看出，尺度越小，其空间异质性越突出，对人口估算结果影响越大。但BP神经网络相较于传统的统计学模型，其动态学习能力能较强地识别和拟合不同尺度下的人口波动数据，因此，BP神经网络人口时序估算模型更适用于多尺度的人口估算。

目录

第一个书签之前