CN109829029A - 一种顾及居住建筑属性的城市人口空间化方法及系统 - Google Patents

Abstract

本发明涉及一种顾及居住建筑属性的城市人口空间化方法，包括：基于某一城市目标区域的房屋建筑区，识别该区域有居住建筑属性的有效房屋建筑图斑；根据有效房屋建筑的属性特征选取影响因子，并按照预设标准确定有效房屋建筑图斑的因子权重；以有效房屋建筑图斑为载体，基于因子权重，按照预设公式估算出城市目标区域内的模拟人口分布数据；将计算出的模拟人口分布数据与人口普查数据对比，计算相对误差，并按照预设的误差纠正模型对模拟人口分布数据进行平差纠正。该方法建立了顾及城市房屋建筑的居住属性、高度与建筑楼层的转换规则，实现了大范围快速估算人口，以图斑为载体，精细化模拟人口分布，打破了以格网呈现人口的传统。

Description

一种顾及居住建筑属性的城市人口空间化方法及系统

技术领域

本发明涉及人口数据统计领域，特别涉及一种顾及居住建筑属性的城市人口空间化方法及系统。

背景技术

人口数据通常以行政区划为调查单元，普查、抽样逐级汇总而得，不能准确揭示区域内部人口实际分布和空间差异。人口空间化旨在揭示人口在地理空间上的分布信息和数量大小，呈现人口统计数据的地理学空间含义，其研究已经成为人口学、地理学、GIS领域研究的热点。人口数据的空间分布是反映人类活动最直观也是最便捷的指标，获取高精度的人口空间分布信息对于正确认识人口分布规律，分析人口、资源、环境和社会经济发展的相互作用机制，提高人口、资源和环境的综合管理能力有着重大的意义。尤其是对中国这样一个疆土辽阔，人口地域分布极为复杂的国家来说人口空间分布的准确性描述对于研究人口变迁、城市化以及人类活动与环境变化的相互驱动等都具有促进作用。

通常情况，人口统计数据与地理空间数据的连接是通过行政区划代码实现的，但这种简单的连接方式存在明显的不足，例如：(1)在人口经济学、区域经济学等学科相关研究中，往往涉及大量非行政区划的人口统计问题，例如四川盆地、青藏高原、十公里格网等；(2)在行政区域内部，人口只能被看成是均匀分布的，导致统计数据对行政单元内部的人口分布差异描述有限，加之行政单元的变迁导致数据指示不准确，时间可比性差，难以满足实际研究和应用的需求；(3)传统的人口统计数据不仅获取的时间间隔过长，并且难以客观及时地反映城市人口再生产的过程，除此之外，我国的人口统计数据还因为不同行政区的人口统计口径不统一而带来横向纵向数据都不可比的问题，为客观认识中国城市人口的变化带来诸多不便；(4)人口数据以统计型数据的形式展现大大的降低了其潜在的应用价值，抑制了人口数据与经济数据、空间地理数据和遥感数据等多源数据的融合，妨碍了空间分析技术在统计学方面的应用；(5)不便于可视化和空间分析操作，不利于表现和挖掘人口的分布规律及其模拟和预测研究，如遇到灾害应急、重大决策等问题时，统计型人口数据难以满足空间精度上的管理和科研需求。

目前所采用的人口空间模型包括空间插值模型、重力模型、回归模型、多因素融合模型和智能化模型，但均存在一定的缺陷。如空间插值模型只是完成了人口表现形式的转化，没有真实刻画人口空间分布，未考虑其他影响因素；重力模型中的基础数据获取难度大、参数设置主观性较强；在回归模型中，相同土地类型下难以揭示人口分布差异；难以揭示相同土地类型(相同像元亮度)的分布差异，且灯光像元存在饱和及溢出问题；在多因素融合模型中，选取指标多变，增加复杂性和信息冗余，缺少因子间相关性分析，融合权重确定较为主观；在智能化模型中，表征多智能体行为的环境参数、阈值的选取较为主观、模型精度受算法优劣、样本大小、样本类型影响，只适用于小范围估算，推广泛化能力差，设置复杂。

发明内容

基于上述目的，本申请提出了一种顾及居住建筑属性的城市人口空间化方法，该方法建立了城市房屋建筑的居住属性、高度与建筑楼层的转换规则，实现了大范围快速估算人口，以图斑为载体，精细化模拟人口分布，打破了以格网呈现人口的传统，包括：

步骤1，基于某一城市目标区域的房屋建筑，识别出该区域房屋建筑中的有效房屋建筑图斑；

步骤2，根据所述有效房屋建筑的属性特征选取影响因子，并按照预设标准来确定所述有效房屋建筑图斑的因子权重；

步骤3，以所述有效房屋建筑图斑为载体，基于所述因子权重，按照预设公式估算出所述城市目标区域内的模拟人口分布数据；

步骤4，将计算出的模拟人口分布数据与人口普查数据进行对比，计算相对误差，并按照预设的误差纠正模型对所述模拟人口分布数据进行平差纠正。

在一些实施例中，步骤1具体包括：

删除所述房屋建筑中的废弃房屋建筑区的图斑；

擦除城镇综合功能单元中的无人居住区的图斑；

将与所述房屋建筑区重叠的图斑的剩余部分识别为所述有效房屋建筑图斑。

在一些实施例中，步骤2具体包括：

选取所述有效房屋建筑的居住类型、层数、高度、密度和面积属性特征作为影响因子，并按照预设标准对不同类型的有效房屋建筑图斑赋予不同的因子权重。

在一些实施例中，步骤3具体包括：

根据步骤2中所确定的因子权重，将人口按照预设公式分配到所述城市目标区域的有效房屋建筑的图斑上，进而估算出所述城市目标区域内的模拟人口分布数据，所述预设公式为：

其中，Pop_图斑为所述有效房屋建筑的图斑上的模拟人口数据，α_{居住建筑因子归一化系数}为由所述影响因子定权方式确定的居住建筑因子归一化系数，Pop_区、县为所述城市目标区域内的常住人口，S_图斑为图斑面积，S_{建筑类型图斑}为所述城市目标区域内某种类型房屋建筑图斑面积的总和。

在一些实施例中，步骤4具体包括：

将计算得出的所述城市目标区域内的模拟人口分布数据与人口普查数据按照预设公式计算出相对误差，所述预设公式为：

其中，R为相对误差，Pop为某一子区域的实际人口分布数据，Pop为该子区域的模拟人口分布数据；

按照误差纠正模型调整所述相对误差，对计算得出的模拟人口分布数据进行平差纠正。

在一些实施例中，所述误差纠正模型包括对人口分配明显不合理的图斑进行调整，具体为：

依据某一图斑的周围城镇综合功能单元的名称属性，大致确定其空间位置，并根据所述图斑的边界形状与卫星影像对比，确定所述图斑的属性，若其属性为非人类居住图斑，则该图斑上不分配人口。

本申请还提供了一种顾及居住建筑属性的城市人口空间化系统，包括：识别模块，用于根据某一城市目标区域的房屋建筑，识别出该区域房屋建筑中的有效房屋建筑图斑；

定权模块，用于根据所述有效房屋建筑的属性特征选取影响因子，并按照预设标准来确定所述有效房屋建筑图斑的因子权重；

人口估算模块，用于以所述有效房屋建筑图斑为载体，基于所述定权模块所确定的因子权重，按照预设公式估算出所述城市目标区域内的模拟人口分布数据；

误差纠正模块，用于将计算出的模拟人口分布数据与人口普查数据进行对比，计算相对误差，并按照预设的误差纠正模型对所述模拟人口分布数据进行平差纠正。

在一些实施例中，所述定权模块具体用于，选取所述有效房屋建筑的居住类型、层数、高度、密度和面积属性特征作为影响因子，并按照预设标准对不同类型的有效房屋建筑图斑赋予不同的因子权重。

在一些实施例中，所述识别模块具体用于，

删除所述城市目标区域房屋建筑中的废弃房屋建筑区的图斑；

擦除城镇综合功能单元中的无人居住区的图斑；

将与该区域的房屋建筑重叠的图斑的剩余部分识别为所述有效房屋建筑图斑。

在一些实施例中，所述误差纠正模块具体用于，对人口分配明显不合理的图斑进行调整，包括：

依据某一图斑的周围城镇综合功能单元的名称属性，大致确定其空间位置，并根据所述图斑的边界形状与卫星影像对比，确定所述图斑的属性，若其属性为非人类居住图斑，则该图斑上不分配人口。

本申请提供的一种顾及居住建筑属性的城市人口空间化方法，该方法基于房屋建筑的居住建筑属性、建筑楼层高度、建筑密度、建筑面积等多因子进行大尺度人口快速估算。该方法对人口数据空间化模型流程进行分解，形成了系统的人口空间分配模拟流程：将统计数据与行政区划边界空间属性挂接；通过人口数量核实，对变更地区进行预处理；通过点标识面确定居住建筑；然后选取影响人口空间分布的居住建筑因子；并依据房屋建筑采集属性标准确定居住建筑因子权重；最终经过建筑多因子模型配置人口、卫星影像比对和误差分析进而实现数据集的输出。该模型方法突破了不同来源的数据口径、时间不一致的困境，建立房屋建筑楼层转换规则，首次提出通过居住建筑图斑呈现人口空间分布的概念，并选取居住建筑类型、层数等因子建立人口回归模型，从而实现大范围人口快速估算。

本申请提供的一种顾及居住建筑属性的城市人口空间化系统，通过识别模块对大规模地表覆盖矢量图斑的筛选，识别出有效的房屋建筑图斑，明显提高了人口分布数据的估算精度；通过定权模块对不同类型的有效房屋建筑图斑赋予不同的权重因子，这也是决定人口空间化分配精度的关键步骤；通过人口估算模块计算出一个区域内的以图斑为载体的模拟人口分布数据，使得人口空间化更加精细；通过误差纠正模块将模拟人口分布数据与人口普查数据相对比，通过误差纠正模型进行平差纠正，进一步提高了人口数据估算的精度。该系统建立了城市房屋建筑的居住属性、高度与建筑楼层的转换规则，实现了大范围快速估算人口，并以有效房屋建筑图斑为载体，精细化模拟人口分布，打破了以网格呈现人口的传统。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请实施例1的顾及居住建筑属性的城市人口空间化方法的结构框图；

图2是本申请实施例3的顾及居住建筑属性的城市人口空间化系统的结构框图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

实施例1

如图1所示，本实施例公开的一种顾及居住建筑属性的城市人口空间化方法，包括步骤1，基于某一城市目标区域的房屋建筑，识别出该区域房屋建筑中的有效房屋建筑图斑；步骤2，根据所述有效房屋建筑的属性特征选取影响因子，并按照预设标准来确定所述有效房屋建筑图斑的因子权重；步骤3，以所述有效房屋建筑图斑为载体，基于步骤2所确定的因子权重，按照预设公式估算出所述城市目标区域内的模拟人口分布数据；步骤4，将计算出的模拟人口分布数据与人口普查数据进行对比，计算相对误差，并按照预设的误差纠正模型对所述模拟人口分布数据进行平差纠正。

本实施例公开的顾及居住建筑属性的城市人口空间化方法，通过对大规模地表覆盖矢量图斑的筛选，识别出有效的房屋建筑图斑，明显提高了人口分布数据的估算精度。该方法对不同类型的房屋建筑图斑赋予不同的权重因子，是决定人口空间化分配精度的关键所在。该方法将模拟人口分布数据与人口普查数据相对比，通过误差纠正模型进行平差纠正，进一步提高了人口数据估算的精度。该方法建立了城市房屋建筑的居住属性、高度与建筑楼层的转换规则，实现了大范围快速估算人口，并以有效房屋建筑图斑为载体，精细化模拟人口分布，打破了以网格呈现人口的传统。

实施例2

本实施例公开的一种顾及居住建筑属性的城市人口空间化方法包括：

步骤1，基于某一城市目标区域的房屋建筑，识别出该区域房屋建筑中的有效房屋建筑图斑。

具体地，本方法是基于该城市目标区域房屋建筑而展开研究的。所述房屋建筑包括房屋建筑区和独立房屋建筑。其中，所述房屋建筑区指城镇和乡村集中居住区域内，被连片房屋建筑覆盖的地表区域。所述独立房屋建筑包括城镇地区规模较大的单体建筑和分布于分散的居民点、规模较小的散落房屋建筑。

所述有效房屋建筑图斑的确定需要对该区域房屋建筑的图斑进行预处理，预处理包括以下步骤：

通过空间求差的方法来删除该区域房屋建筑中的废弃房屋建筑区；

基于点面求交识别技术来擦除城镇综合功能单元中的工矿企业、单位院落、休闲娱乐、等夜晚非人居住场所与该区域房屋建筑相重叠的图斑；

将与该区域房屋建筑相重叠的图斑的剩余部分视为有人居住的房屋建筑，即识别为所述有效房屋建筑图斑。

该方法通过对大规模地表覆盖矢量图斑的筛选，识别出有效的房屋建筑图斑，直接将非人类居住的图斑删除，避免了将人口分布到这些非人类居住区域，明显提高了人口分布数据的估算精度。

步骤2，根据所述有效房屋建筑的属性特征选取影响因子，并按照预设标准来确定所述有效房屋建筑图斑的因子权重。

具体地，该方法依据所述有效房屋建筑的居住类型、层数、高度、密度和面积等属性特征来选取影响因子。具体设定方法如表1所示。

表1居住建筑影响因子选取与设定方法

具体地，房屋建筑(区)共分为多层及以上房屋建筑区、低矮房屋建筑区、废弃房屋建筑区、多层及以上独立房屋建筑、低矮独立房屋建筑5个一级类，细分为高密度、低密度、多层、中高层、高层、超高层等10个二级类。建筑密度大于等于50％的建筑为主的区域为高密度，建筑密度小于50％的建筑为主的区域为低密度。根据采集标准，采用表2中的定权方式。

表2居住建筑因子定权方式

该方法通过步骤2的综合多因子的定权机制，针对该城市目标区域有效房屋建筑的5个二级类和10个三级类，根据前期研究形成的相关系数，依次赋值为不同的权重。不同类型的图斑具有不同的因子权重，这是决定人口空间化分配精度的关键所在，是以有效建筑图斑为载体，对人口分布进行精细化计算的重要步骤。

步骤3，以所述有效房屋建筑图斑为载体，基于步骤2所确定的因子权重，按照预设公式估算出所述城市目标区域内的模拟人口分布数据。

具体地，提取待分配单元区矢量边界，将人口统计数据项与矢量边界挂接。根据步骤2中所确定的有效房屋建筑的居住类型、层数、密度和面积等因子权重将人口分配到该区域内有效房屋建筑的图斑上，通过计算每一个图斑上所分配的人口数据可以得到该区域内以图斑为载体的人口精细化分布数据，也即是该区域的模拟人口分布数据。

其中，所述预设公式如下：

其中，Pop_图斑为所述有效房屋建筑的图斑上的模拟人口数据，α_{居住建筑因子归一化系数}为由表2居住建筑因子定权方式确定的居住建筑因子归一化系数，Pop_区、县为所述城市目标区域内的常住人口，S_图斑为图斑面积，S_{建筑类型图斑}为所述城市目标区域内某种类型房屋建筑图斑面积的总和。

该方法以有效房屋建筑的图斑为载体，首次提出通过居住建筑图斑呈现人口空间分布的概念，通过计算每一图斑的模拟人口数据，得到该区域的精细化模拟人口分布数据，打破了以格网呈现人口的传统。

步骤4，将计算出的模拟人口分布数据与人口普查数据进行对比，计算相对误差，并按照预设的误差纠正模型对所述模拟人口分布数据进行平差纠正。

具体地，在人口数据与行政区划边界进行属性挂接时，可能会出现街道名称变化，街道拆分、合并的情况。在预处理时，参考《行政区划中华人民共和国行政区划简册》进行处理，对于名称发生变化的街道建立对应关系，对于街道合并、拆分的情况分别采用对应区域加合人口、拆分区域人口平均划分的方式。但以上方法势必会降低模拟人口的准确性。

此外，对人口分配明显不合理的图斑，依据周围城镇综合功能单元的名称属性，大致确定其空间位置，并根据图斑边界形状与卫星影像对比，确定图斑属性，若其属性为非住人图斑，则不分配人口，重新计算图斑人口，并以区为单元分配人口，以街道为统计单元，汇总单元内房屋建筑物区分配的人口，与第六次人口普查街道人口对比，计算相对误差，公式如下：

其中，R为相对误差，Pop为某一子区域的实际人口分布数据，Pop’为该子区域的模拟人口分布数据。在应用例中，若所述城市目标区域为地级市的一个区，那所述子区域可以是该区的街道办事处。

本实施例公开了一种顾及房屋建筑的建筑属性、建筑楼层高度、建筑密度、建筑面积等多因子进行大尺度人口快速估算的方法。本方法对人口数据空间化模型流程进行分解，形成了系统的人口空间分配模拟流程：将统计数据与行政区划边界空间属性挂接；通过人口数量核实，对变更地区进行预处理；通过点标识面确定居住建筑；然后选取影响人口空间分布的居住建筑因子；并依据房屋建筑采集属性标准确定居住建筑因子权重；最终经过建筑多因子模型配置人口、卫星影像比对和误差分析进而实现数据集的输出。该模型方法突破了不同来源的数据口径、时间不一致的困境，建立房屋建筑楼层转换规则，首次提出通过居住建筑图斑呈现人口空间分布的概念，并选取居住建筑类型、层数等因子建立人口回归模型，从而实现大范围人口快速估算。

实施例3

如图2所示，本实施例公开了一种顾及居住建筑属性的城市人口空间化系统，包括识别模块，用于根据某一城市目标区域的房屋建筑，识别出该区域房屋建筑中的有效房屋建筑图斑；定权模块，用于根据所述有效房屋建筑的属性特征选取影响因子，并按照预设标准来确定所述有效房屋建筑图斑的因子权重；人口估算模块，用于以所述有效房屋建筑图斑为载体，基于所述定权模块所确定的因子权重，按照预设公式估算出所述城市目标区域内的模拟人口分布数据；误差纠正模块，用于将计算出的模拟人口分布数据与人口普查数据进行对比，计算相对误差，并按照预设的误差纠正模型对所述模拟人口分布数据进行平差纠正。

具体地，所述识别模块是基于该城市目标区域房屋建筑而展开研究的。所述房屋建筑包括房屋建筑区和独立房屋建筑。其中，所述房屋建筑区指城镇和乡村集中居住区域内，被连片房屋建筑覆盖的地表区域。所述独立房屋建筑包括城镇地区规模较大的单体建筑和分布于分散的居民点、规模较小的散落房屋建筑。

所述有效房屋建筑图斑的确定需要对该区域房屋建筑的图斑进行预处理，预处理包括以下步骤：

通过空间求差的方法来删除该区域房屋建筑中的废弃房屋建筑区；

基于点面求交识别技术来擦除城镇综合功能单元中的工矿企业、单位院落、休闲娱乐、等夜晚非人居住场所与该区域房屋建筑相重叠的图斑；

将与该区域房屋建筑相重叠的图斑的剩余部分视为有人居住的房屋建筑，即识别为所述有效房屋建筑图斑。

具体地，所述定权模块具体用于，选取所述有效房屋建筑的居住类型、层数、高度、密度和面积属性特征作为影响因子，并按照预设标准对不同类型的有效房屋建筑图斑赋予不同的因子权重。

房屋建筑(区)共分为多层及以上房屋建筑区、低矮房屋建筑区、废弃房屋建筑区、多层及以上独立房屋建筑、低矮独立房屋建筑5个一级类，细分为高密度、低密度、多层、中高层、高层、超高层等10个二级类。建筑密度大于等于50％的建筑为主的区域为高密度，建筑密度小于50％的建筑为主的区域为低密度。具体的设定方法如表1和表2所示，这里不再赘述。

具体地，所述人口估算模块具体用于，根据所述定权模块所确定的因子权重，将人口按照预设公式分配到所述城市目标区域的有效房屋建筑的图斑上，进而估算出所述城市目标区域内的模拟人口分布数据，所述预设公式为：

其中，Pop_图斑为所述有效房屋建筑的图斑上的模拟人口数据，α_{居住建筑因子归一化系数}为由所述影响因子定权方式确定的居住建筑因子归一化系数，Pop_区、县为所述城市目标区域内的常住人口，S_图斑为图斑面积，S_{建筑类型图斑}为所述城市目标区域内某种类型房屋建筑图斑面积的总和。

具体地，所述误差纠正模块具体用于对人口分配明显不合理的图斑进行调整，包括依据某一图斑的周围城镇综合功能单元的名称属性，大致确定其空间位置，并根据所述图斑的边界形状与卫星影像对比，确定所述图斑的属性，若其属性为非人类居住图斑，则该图斑上不分配人口。

在应用例中，人口数据与行政区划边界进行属性挂接时，可能会出现街道名称变化，街道拆分、合并的情况。在预处理时，参考《行政区划中华人民共和国行政区划简册》进行处理，对于名称发生变化的街道建立对应关系，对于街道合并、拆分的情况分别采用对应区域加合人口、拆分区域人口平均划分的方式。但以上方法势必会降低模拟人口的准确性。

此外，对人口分配明显不合理的图斑，依据周围城镇综合功能单元的名称属性，大致确定其空间位置，并根据图斑边界形状与卫星影像对比，确定图斑属性，若其属性为非住人图斑，则不分配人口，重新计算图斑人口，并以区为单元分配人口，以街道为统计单元，汇总单元内房屋建筑物区分配的人口，与第六次人口普查街道人口对比，计算相对误差，公式如下：

其中，R为相对误差，Pop为某一子区域的实际人口分布数据，Pop’为该子区域的模拟人口分布数据。在应用例中，若所述城市目标区域为地级市的一个区，那所述子区域可以是该区的街道办事处。

本实施例公开的顾及居住建筑属性的城市人口空间化系统，通过识别模块对大规模地表覆盖矢量图斑的筛选，识别出有效的房屋建筑图斑，明显提高了人口分布数据的估算精度；通过定权模块对不同类型的有效房屋建筑图斑赋予不同的权重因子，这也是决定人口空间化分配精度的关键步骤；通过人口估算模块计算出一个区域内的以图斑为载体的模拟人口分布数据，使得人口空间化更加精细；通过误差纠正模块将模拟人口分布数据与人口普查数据相对比，通过误差纠正模型进行平差纠正，进一步提高了人口数据估算的精度。该系统建立了城市房屋建筑的居住属性、高度与建筑楼层的转换规则，实现了大范围快速估算人口，并以有效房屋建筑图斑为载体，精细化模拟人口分布，打破了以网格呈现人口的传统。

实施例4

本实施例以北京市东城区为例，对顾及居住建筑属性特征的人口数据估算方法进行详细的解释。

北京市东城区共辖17个街道，是北京文物古迹最为集中的区域。著名景点有以故宫、天坛、雍和宫、国子监、地坛为代表的文化古迹，以王府井、南锣鼓巷为代表的商业文化街。从房屋建筑区分布来看，东城区内以高密度多层及以上房屋建筑区、低密度多层及以上房屋建筑区为主，多层及以上独立房屋建筑均匀地分布在各个街道。将北京市东城区各个乡镇人口分配到各个类型的房屋建筑区图斑上，能够清楚的反映出人口的真实空间分布。

为对比模型的分配效果，首先对地理国情监测的房屋建筑区数据不做任何处理，依据表2中权重进行人口分配，如表3所示，从分配结果来看，误差较大，某些图斑所分配的人口不合理，天安门、故宫等被分配人口，平均误差为38.99％。依据常识，景点等休闲娱乐场所夜间无人居住。

表3东城区人口数误差表

按照本发明公开的方法，首先通过识别模块对北京市东城区的地理国情监测矢量图斑中识别出东城区的有效房屋建筑图斑，在删除了废弃房屋建筑区、综合功能单元中工矿企业、单位院落、休闲娱乐、景区等夜晚非人居住场所与房屋建筑后，通过本发明公开的定权模块进行权重分配人口，并经由人口估算模块得到每一个街道的模拟人口分布，如表4所示。从表4中可以看出，有6条街道的精度相比表3明显提高，但平均误差为41.19％，总体准确率依旧不高。

表4进一步调整后的东城区人口数误差表

按照本发明公开的方法，可以通过误差纠正模块对得到的模拟人口分布数据进行误差纠正。很明显，从表4的分配结果来看，仍然存在人口分配不合理的图斑，根据其空间位置图斑形状，将图斑与卫星影像对比，存在将人口分配到写字楼、星级酒店、百货大楼、艺术博物馆、教学楼等场所现象，该类图斑通常院落被连片采集，属性没有被标注，占地面积过大，楼层高，而依据权重分配得到的人口高于合理值，是造成误差高的主要原因。

因此，基于误差纠正模型，依据某一图斑的周围城镇综合功能单元的名称属性，大致确定其空间位置，并根据所述图斑的边界形状与卫星影像对比，确定所述图斑的属性，若其属性为非人类居住图斑，则该图斑上不分配人口。在与卫星影像对比之后，确定建筑物用途属性及名称，对于北京市东城区的写字楼、百货商厦、政府机关等图斑不予分配人口。再次计算东城区的模拟人口分布数据，如表5所示。很明显，误差小于30％的街道占82.35％，平均误差为23.89％，准确率明显上升，由此可见，该建模方法具有可行性和推广性。

表5.与卫星影像对比后的人口数误差表

本实施例将顾及居住建筑属性特征的人口估算方法用于北京东城区的人口估算，并以图斑为载体，将东城区的人口分布精细化划分，突破了不同来源的数据口径、时间不一致的困境。该方法对人口数据空间化模型流程进行分解，形成了系统的人口空间分配模拟流程：将统计数据与行政区划边界空间属性挂接，并选取居住建筑类型、层数等因子建立人口回归模型，从而实现大范围人口快速估算。

以上描述仅为本申请的较佳实施例及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种顾及居住建筑属性的城市人口空间化方法，其特征在于，包括：

步骤1，基于某一城市目标区域的房屋建筑，识别出该区域房屋建筑中的有效房屋建筑图斑；

步骤2，根据所述有效房屋建筑的属性特征选取影响因子，并按照预设标准来确定所述有效房屋建筑图斑的因子权重；

步骤3，以所述有效房屋建筑图斑为载体，基于所述因子权重，按照预设公式估算出所述城市目标区域内的模拟人口分布数据；

步骤4，将计算出的模拟人口分布数据与人口普查数据进行对比，计算相对误差，并按照预设的误差纠正模型对所述模拟人口分布数据进行平差纠正。

2.根据权利要求1所述的方法，其特征在于，步骤1具体包括：

删除所述房屋建筑中的废弃房屋建筑区的图斑；

擦除城镇综合功能单元中的无人居住区的图斑；

将与所述房屋建筑重叠的图斑的剩余部分识别为所述有效房屋建筑图斑。

3.根据权利要求2所述的方法，其特征在于，步骤2具体包括：

选取所述有效房屋建筑的居住类型、层数、高度、密度和面积属性特征作为影响因子，并按照预设标准对不同类型的有效房屋建筑图斑赋予不同的因子权重。

4.根据权利要求3所述的方法，其特征在于，步骤3具体包括：

根据步骤2中所确定的因子权重，将人口按照预设公式分配到所述城市目标区域的有效房屋建筑的图斑上，进而估算出所述城市目标区域内的模拟人口分布数据，所述预设公式为：

其中，Pop_图斑为所述有效房屋建筑的图斑上的模拟人口数据，α_{居住建筑因子归一化系数}为由所述影响因子定权方式确定的居住建筑因子归一化系数，Pop_区、县为所述城市目标区域内的常住人口，S_图斑为图斑面积，S_{建筑类型图斑}为所述城市目标区域内某种类型房屋建筑图斑面积的总和。

5.根据权利要求4所述的方法，其特征在于，步骤4具体包括：

将计算得出的所述城市目标区域内的模拟人口分布数据与人口普查数据按照预设公式计算出相对误差，所述预设公式为：

其中，R为相对误差，Pop为某一子区域的实际人口分布数据，Po′为该子区域的模拟人口分布数据；

按照误差纠正模型调整所述相对误差，对计算得出的模拟人口分布数据进行平差纠正。

6.根据权利要求5所述的方法，其特征在于，所述误差纠正模型包括对人口分配明显不合理的图斑进行调整，具体为：

依据某一图斑的周围城镇综合功能单元的名称属性，大致确定其空间位置，并根据所述图斑的边界形状与卫星影像对比，确定所述图斑的属性，若其属性为非人类居住图斑，则该图斑上不分配人口。

7.一种顾及居住建筑属性的城市人口空间化系统，其特征在于，包括：

识别模块，用于根据某一城市目标区域的房屋建筑，识别出该区域房屋建筑中的有效房屋建筑图斑；

定权模块，用于根据所述有效房屋建筑的属性特征选取影响因子，并按照预设标准来确定所述有效房屋建筑图斑的因子权重；

人口估算模块，用于以所述有效房屋建筑图斑为载体，基于所述定权模块所确定的因子权重，按照预设公式估算出所述城市目标区域内的模拟人口分布数据；

误差纠正模块，用于将计算出的模拟人口分布数据与人口普查数据进行对比，计算相对误差，并按照预设的误差纠正模型对所述模拟人口分布数据进行平差纠正。

8.根据权利要求7所述的系统，其特征在于，所述定权模块具体用于，选取所述有效房屋建筑的居住类型、层数、高度、密度和面积属性特征作为影响因子，并按照预设标准对不同类型的有效房屋建筑图斑赋予不同的因子权重。

9.根据权利要求8所述的系统，其特征在于，所述识别模块具体用于，删除所述城市目标区域房屋建筑中的废弃房屋建筑区的图斑；擦除城镇综合功能单元中的无人居住区的图斑；将与该区域房屋建筑重叠的图斑的剩余部分识别为所述有效房屋建筑图斑。

10.根据权利要求9所述的系统，其特征在于，所述误差纠正模块具体用于，对人口分配明显不合理的图斑进行调整，包括：

依据某一图斑的周围城镇综合功能单元的名称属性，大致确定其空间位置，并根据所述图斑的边界形状与卫星影像对比，确定所述图斑的属性，若其属性为非人类居住图斑，则该图斑上不分配人口。