面向地震應急的人口空間化方法研究

賈召亮 鄭川 李袁欣 許瑞杰 吳艷梅 毛振江

摘要：為提高震后受災人口估算精度和災區人口空間分布可視化表達效果，以云南省大理州為研究區，結合FROM-GLC10地表覆蓋數據和NPP/VIIRS夜間燈光數據，基于鄉鎮人口統計數據，展開人口空間化方法研究，制作了大理州50 m×50 m人口格網數據。使用相關系數、相對誤差和平均相對誤差對人口模擬結果進行了檢驗，以漾濞5.1級地震和云龍5.0級地震為例對模擬結果進行了應用分析。結果表明：①結合FROM-GLC10地表覆蓋數據和NPP/VIIRS夜間燈光數據的人口空間化可以有效提取人口空間分布范圍，并區分人口空間分布的差異性;②鄉鎮模擬人口與實際統計人口的相關系數R2為0.955，平均相對誤差為14.306%，82%的鄉鎮相對誤差在±20%以內，人口模擬數據精度較高;③2次地震的災區人口模擬數據與實際統計數據的相對誤差分別為-1.67%和-2.27%，人口空間分布模擬結果可以直觀反映災區人口分布情況，研究成果可為震后輔助決策提供數據支持。

關鍵詞：地表覆蓋;夜間燈光;人口空間化;地震應急

中圖分類號：P315.94文獻標識碼：A文章編號：1000-0666（2020）04-0751-08

0引言

云南是中國大陸遭受地震災害最為嚴重的省份之一，僅20世紀就發生5級以上地震377次，造成3萬余人死亡，近20萬人受傷（皇甫崗等，2000）。人口是地震災害中的主要承災體，也是災害發生后的第一救援對象。在地震發生后的黑箱期內，快速、準確地獲取災區受災人口數量和空間分布信息是合理做出救援決策、減少人員傷亡和經濟損失的關鍵（聶高眾等，2012）。目前，地震應急工作所使用的人口數據主要源于全國人口普查和抽樣調查，這些人口統計數據以嚴謹的統計學理論和方法作為支撐，具有權威、系統、規范等特點（胡云鋒等，2011），但以縣鄉行政區劃為統計單元，直觀性差且更新速度較慢，不能滿足震后災情快速評估對災區人口估算精度和人口空間分布可視化表達等方面的需求。

人口數據空間化基于人口空間分布模型或采用一定的計算方法，對人口統計數據進行離散化處理，發掘并展現其中隱含的空間信息，模擬或再現客觀世界的人口地理分布（柏中強等，2013）。人口數據空間化的研究和實現，為震后災區人口統計和人口空間分布可視化表達提供了解決方案。基于不同的研究需求和數據源，國內外學者提出了多種人口數據空間化的方法，如負指數模型（馮健，周一星，2003;Clark，1951）、核密度模型（呂安民等，2002;閆慶武等，2011）、多元回歸模型（卓莉等，2005;田永中等，2004）及多因素融合模型（廖順寶，孫九林，2003;Yue et al，2003）等。隨著遙感技術的發展，遙感數據以其覆蓋范圍廣、分辨率高以及蘊含信息豐富等優勢被廣泛應用到人口數據的空間化研究中，并服務于地震應急工作。如陳振拓等（2012）將人口統計數據與高分辨率遙感數據相結合，建立了人口空間分布的城鄉人口-面積統一模型，并應用于寧洱地震;韓貞輝等（2013）基于土地利用和DEM（數字高程模型）數據，并結合實地調查，建立了1 km人口和房屋格網數據，以彝良地震為例估算地震直接經濟損失。

夜間燈光數據也與人口分布密切相關，是研究人口空間化較理想的數據源（卓莉等，2005）。新一代NPP/VIIRS（National Polar-orbiting Partnership/Visible Infrared Imaging Radiometer Suite）夜間燈光數據的出現彌補了DMSP/OLS（Defense Meteorological Satellite Program/Operational Line Scan System）夜間燈光數據在空間分辨率和燈光過飽和方面的缺點，可有效提高人口模擬精度（胡云鋒等，2018）。土地利用和地表覆蓋數據中包含了居民地、城鎮用地、道路等與人類活動密切相關的信息，能有效反映人口的空間分布情況，是提取人口空間分布范圍的可靠數據源（田永中等，2004;韓貞輝等，2013）。將土地利用數據與夜間燈光數據相結合，可以在獲取人口分布范圍的同時，區分人口空間分布的差異性，被眾多學者應用于人口空間化研究（胡云鋒等，2018;黃杰等，2015;李爽，趙翠薇，2019）。目前基于土地利用和夜間燈光數據的人口空間化多以百米或千米為研究尺度，以縣級人口統計數據為基礎進行人口空間化模擬，研究成果空間精度較低，在地震應急工作中的適用性驗證也較少。

本文以云南省大理白族自治州（以下簡稱大理州）為研究區，基于FROM-GLC10地表覆蓋數據和NPP/VIIRS夜間燈光數據，考慮了研究區人口分布特點和地震應急工作需求，制作了研究區50 m×50 m人口格網數據，為研究區地震應急工作提供數據支持。

地震研究43卷第4期賈召亮等：面向地震應急的人口空間化方法研究——以云南省大理白族自治州為例1研究區概況

大理州位于云貴高原和橫斷山脈交界地帶（24°41′～26°42′N，98°52′～101°03′E），總面積29 459 km2，最高海拔4 295 m，最低海拔730 m，地勢西北高東南低，地貌復雜多樣，湖盆廣布（圖1）。據《云南統計年鑒2018》（云南省統計局，2018）統計，大理州2017年總人口358.4萬，轄大理市、祥云縣、彌渡縣、賓川縣、永平縣、云龍縣、洱源縣、鶴慶縣、劍川縣、漾濞縣、巍山縣和南澗縣共12個縣110個鄉（鎮）。通過Google遙感影像目視分析，研究區居民地主要分布于山間河谷、湖泊周圍、山間盆地和山地緩坡等區域，其人口空間分布具有云南人口空間分布的典型特征。

大理州橫跨滇中斷塊式抬升區和滇西北—滇西南掀斜式抬升區2個云南一級新構造運動分區，境內分布有維西—喬后斷裂、程海—賓川斷裂、蘭坪—永平斷裂和龍蟠—喬后斷裂等一系列第四紀活動斷裂，構造活動強烈，地震活動頻度高（安曉文等，2018）。據統計，1900年以來大理州共發生5級以上地震30余次。其中，1925年在大理附近發生7級左右地震，造成5 850人死亡，7 950人受傷（李永強，2009）;2017年3月27日大理州漾濞縣發生5.1級地震，造成漾濞、洱源與云龍3個縣共6個鄉鎮不同程度受災。

鑒于大理州地形地貌、人口分布和地震活動特點的區域代表性，選擇大理州作為人口空間化的研究區，可為大理州地震應急工作提供高分辨率人口空間分布數據，也可為云南全省人口空間化研究提供經驗借鑒。

2數據選取及處理

2.1數據源

本文研究采用的數據主要包括人口統計數據、行政區劃邊界數據、地表覆蓋數據和夜間燈光數據。

（1）人口統計數據：大理州鄉鎮人口統計數

據來源于《云南省行政區劃簡冊2018》云南省民政廳，云南省行政區劃與地名學會.2018.云南省行政區劃簡冊2018.，統計人口為常住人口，數據時效為2017年。

（2）行政區劃邊界數據：本文使用的研究區行政區劃邊界矢量數據包含州、縣和鄉3級，數據來源于云南省地震局地震應急基礎數據庫，數據時效為2017年。

（3）地表覆蓋數據：2017年全球10 m分辨率FROM-GLC10地表覆蓋數據由清華大學宮鵬教授研究團隊開發并面向全球公開，數據總體精度為72.76%數據下載地址為http：//data.ess.tsinghua.edu.cn.（Gong et al，2019）。該數據包含了耕地、森林、草地、灌木、濕地、水域、苔原、不透水面、裸地和冰雪10種地表覆蓋類型;其中，不透水面是指如屋頂、瀝青、水泥道路等具有不透水性的地表面，與透水性的植被和土壤地表面相對（Arnold，Gibbons，1996），其空間范圍是常住人口的主要活動空間。

（4）夜間燈光數據：2017年12個月的NPP/VIIRS月度合成夜間燈光數據下載自美國國家海洋和大氣管理局的環境信息中心網站數據下載地址為https：//www.ngdc.noaa.gov/eog/viirs/download_dnd_composites.html.，所提供的月度合成產品分辨率為500 m，數據剔除了云層影響，但保留了漁船、火災和極光等短暫性光源，同時存在大量背景噪聲。

2.2數據預處理

本文將研究區矢量和柵格數據統一轉換為WGS1984地理坐標和Albers等積圓錐投影。

通過對地表覆蓋數據進行裁剪獲取研究區地表覆蓋數據，為減小不透水面中道路對人口分布的影響，并盡量保留小面積的居民地數據，將裁剪后的地表覆蓋數據重采樣為50 m×50 m。

通過對月度夜間燈光數據進行裁剪，獲取研究區2017年12個月的月度夜間燈光數據，采用平均值法對其求平均值來消除偶然誤差，結果作為研究區2017年年度燈光數據。本文結合前人研究方法（李峰等，2016），采用閾值法消除夜間燈光數據的背景噪聲和異常值。假設湖泊水面的夜間燈光值為零，在研究區水域分布區域隨機選擇若干個點的燈光值并求平均值作為最小閾值，選擇大理市城區的最高夜間燈光值為最大閾值，將燈光值小于最小閾值的區域賦值為零，大于最大閾值的區域賦值為最大閾值。為方便統計，將處理后的年度燈光數據重采樣為50 m×50 m。

3人口空間化方法

3.1建模依據

人口的空間分布具有一定的規律性，如人口主要分布在城鎮和農村居民點，而在水域、沼澤、林地等區域幾乎無人居住，借助土地利用或地表覆蓋數據可以提取出人口分布的空間范圍。隨著城鎮化的發展，城市內部人口分布的空間差異性越來越大，特別是高層住宅樓和辦公樓的建設，使小面積的土地上可以聚集大量的人口。夜間穩定燈光主要為家庭照明燈光和路燈燈光等，燈光亮度與人的活動密切相關，夜間燈光亮度值的大小可以直觀反映人口密度的大小。

通過與Google遙感影像對比，大理州高層住宅主要分布在縣級行政中心等經濟發展較好的少數鄉（鎮），其他鄉（鎮）則以獨戶獨院式低層住宅為主。本文將存在高層住宅的鄉劃分為城鎮地區，將其他鄉劃分為鄉村地區，分別建立數學模型。由圖2a，b可看出，城鎮地區鄉鎮統計人口與燈光總亮度值的相關系數R2為0.929 8，與不透水面面積的相關系數R2為0.801 2，表明城鎮地區人口數量與夜間燈光值和不透水面面積存在明顯的線性相關性。由圖2c可看出，鄉村地區鄉鎮統計人口與不透水面面積的相關系數R2為0.760 1，表明鄉村地區人口數量與不透水面面積存在線性相關性，相關系數較低的原因主要是各鄉鎮之間不透水面上的人口密度差異較大。

為優化鄉村地區人口模擬效果，本文采用自然斷點法將劃分為鄉村地區的鄉鎮按照不透水面上的人口密度（式1）大小劃分為5個分區，對各分區分別建立了數學模型。ρi=PiSFi（1）式中：ρi為第i個鄉鎮不透水面上的人口密度;Pi為第i個鄉鎮的統計人口;SFi為第i個鄉鎮不透水面總面積。

3.2城鎮建模

為區分城鎮地區內部人口分布的空間差異性，以地表覆蓋數據中的不透水面作為常住人口活動的空間范圍，以夜間燈光數據值的大小區分人口分布的空間差異性，建立鄉鎮統計人口與不透水面上燈光亮度值的回歸模型：Pi=a×FDNi+b（2）式中：Pi為第i個鄉鎮的統計人口;FDNi為第i個鄉鎮不透水面上的燈光總亮度值;a為回歸系數;b為常數。

3.3鄉村建模

在鄉村地區，居民住宅以獨戶獨院式為主，假設人口在不透水面范圍內呈均勻分布，建立鄉鎮統計人口與不透水面面積的回歸模型：Pi=a×SFi+b（3）式中：Pi為第i個鄉鎮的統計人口;SFi為第i個鄉鎮不透水面總面積;a為回歸系數;b為常數。

4人口空間化結果及精度評價

4.1精度評價方法

為檢驗模擬人口數據的精度，本文選取皮爾遜相關系數（R）、相對誤差（Relative Error，RE）和平均相對誤差（Mean Relative Error，MRE）對模擬結果進行精度評價：R=∑ni=1（Pi-P）（Psi-Ps）∑ni=1（Pi-P）2∑ni=1（Psi-Ps）2（4）REi=Psi-PiPi ×100%（5）MRE=1n∑ni=1Psi-PiPi×100%（6）式中：Pi為第i個鄉鎮的統計人口數;Psi為第i個鄉鎮的模擬人口數;P為統計人口平均值;Ps為模擬人口平均值;n為鄉鎮個數。4.2人口空間化結果

本文使用Arcgis10.2軟件建立了大理州50 m×50 m的格網數據，為每個網格賦值地表覆蓋類型、所屬鄉鎮和燈光亮度值，統計了各鄉鎮不透水面上的燈光總亮度值和不透水面面積。基于上述模型使用SPSS軟件對各分區的鄉鎮進行回歸分析，得到各分區模型參數（表1），得到的6個模型的相關系數R2均在0.8以上，表明各模型的可靠度較高。

使用表1中的模型參數為每個網格賦值人口數據并統計了各鄉鎮模擬人口數，使用相關系數、相對誤差、平均相對誤差對模擬人口精度進行檢驗。

本文模擬得到的大理州人口為360.66萬人，與實際統計人口358.4萬人較為接近，鄉鎮模擬人口與實際統計人口的相關系數R2為0.955（圖3），平均相對誤差為14.306%，82%的鄉鎮相對誤差在±20%以內，表明所得到的人口模擬數據精度較高。

4.3人口空間分布圖

為使各鄉鎮模擬人口數與實際統計人口數保持一致，建立了修正公式（7）對各個網格的模擬人口數進行修正，使用修正后的格網數據制作了大理州人口空間分布圖（圖4）：Prij=PsijPsi×Pi（7）式中：Prij為第i個鄉鎮第j個網格最終人口數;Pi為第i個鄉鎮的統計人口數;Psij為第i個鄉鎮第j個網格的初始模擬人口數;Psi為第i個鄉鎮的初始模擬人口數。

對比圖4a和圖1可以看出，模擬的大理州人口主要分布在山間河谷、洱海周圍、山間盆地等區域，城鎮地區人口分布集中，鄉村地區人口分布分散，城區人口密度由市中心向郊區遞減，與大理州實際人口空間分布情況較一致。大理市內人口高密度區主要分布在西洱河兩側，河流和公圖4大理州（a）、大理市（b）和洱源縣（c）人口空間分布模擬圖

Fig.4Spatial distribution of population in Dali prefecture（a），Dali city（b）and Eryuan county（c）園內沒有人口分布（圖4b）;洱源縣城區人口密度大，周圍村莊人口密度小（圖4c）。模擬結果可以有效區分人口空間分布的差異性。

5成果應用分析

以2017年3月27日漾濞5.1級地震和2016年5月18日云龍5.0級地震為例，將2次地震的烈度圖與本文研究產出的大理州50 m×50 m人口分布格網數據疊加（圖5），統計了漾濞地震和云龍地震Ⅵ度烈度區的模擬人口數據（表2）。

由表2可以看出，大理州50 m×50 m人口格網數據統計的漾濞5.1級地震、云龍5.0級地震災區人口與災害損失評估統計結果的相對誤差分別為-1.67%和-2.27%，數據精度可以滿足地震應急工作需要。

通過圖5可以看出，漾濞5.1級地震災區人口主要分布在震中以東的山間河谷地區，沿NW向呈線狀分布，其他區域人口零星分布;云龍5.0級地震災區人口主要分布在震中以西的山間河谷地區，沿NS向呈線狀分布，其他區域人口零星分布。人口空間分布模擬結果可以直觀反映出地震災區的人口空間分布狀況，可作為地震應急工作中的輔助方法。

6結論

人口空間化可以有效提高地震災區受災人口估算精度、優化災區人口空間分布可視化表達效果。本文以大理州為研究區，結合地表覆蓋數據和夜間燈光數據，以鄉鎮統計人口為基礎進行了人口空間化方法研究，得出的主要結論如下：

（1）使用本文研究方法得到的漾濞5.1級地震和云龍5.0級地震災區人口估算數據與實際人口統計數據較接近，人口空間分布模擬結果可以直觀反映地震災區人口空間分布情況，研究成果可以滿足地震應急工作需要。

（2）在基于地表覆蓋數據和夜間燈光數據的人口空間化中，人口空間分布范圍的提取精度取決于地表覆蓋數據的精度。本文采用了10 m分辨率的FROM-GLC10地表覆蓋數據，該數據空間分辨率高，地表覆蓋類型中的不透水面包含了大量居民地信息，是高精度人口空間化研究的良好數據源。

（3）在人口空間化研究中引入NPP/VIIRS夜間燈光數據可以有效區分人口分布的空間差異性，但該數據在人口數量少、居住地分散、經濟發展水平較低的山區農村等地對人口的區分能力不足。本文僅在經濟發展水平較高的城鎮地區使用該數據對人口分布的空間差異性進行區分，在一定程度上避免了NPP/VIIRS夜間燈光數據的不足。

（4）本文采用的數據時效均為2017年，研究成果僅在短時間內適用，在后續研究中應考慮城市擴張和人口自然增長等因素的影響，可以有效延長數據服務年限。

參考文獻：

安曉文，常祖峰，陳宇軍，等.2018.云南第四紀活動斷裂[M].北京：地震出版社.

柏中強，王卷樂，楊飛.2013.人口數據空間化研究綜述[J].地理科學進展，32（11）：1692-1702.

陳振拓，李志強，丁文秀，等.2012.面向防震減災的人口數據空間化研究——以2007年寧洱地震災區為例[J].震災防御技術，7（3）：273-284.

馮健，周一星.2003.近20年來北京都市區人口增長與分布[J].地理學報，58（6）：903-916.

韓貞輝，李志強，陳振拓，等.2013.人口、房屋數據空間化及其在震災快速評估中的應用——以彝良地震為例[J].地震地質，35（4）：894-906.

胡云鋒，王倩倩，劉越，等.2011.國家尺度社會經濟數據格網化原理和方法[J].地球信息科學學報，13（5）：573-578.

胡云鋒，趙冠華，張千力.2018.基于夜間燈光與LUC數據的川渝地區人口空間化研究[J].地球信息科學學報，20（1）：68-78.

皇甫崗，石紹先，蘇有錦.2000.20世紀云南地震活動研究[J].地震研究，23（1）：1-9.

黃杰，閆慶武，劉永偉.2015.基于DMSP/OLS與土地利用的江蘇省人口數據空間化研究[J].長江流域資源與環境，24（5）：735-741.

李峰，衛愛霞，米曉楠，等.2016.基于NPP-VIIRS夜間燈光數據的河北省GDP空間化方法[J].信陽師范學院學報（自然科學版），29（1）：152-156.

李爽，趙翠薇.2019.基于土地利用和DMSP/OLS夜間燈光數據的河南省人口空間化研究[J].湖南師范大學自然科學學報，42（2）：9-15.

李永強.2009.云南人員震亡研究[D].合肥：中國科學技術大學.

廖順寶，孫九林.2003.基于GIS的青藏高原人口統計數據空間化[J].地理學報，58（1）：25-33.

呂安民，李成名，林宗堅，等.2002.人口統計數據的空間分布化研究[J].武漢大學學報（信息科學版），27（3）：301-305.

聶高眾，安基文，鄧硯.2012.地震應急災情服務進展[J].地震地質，34（4）：782-791.

田永中，陳述彭，岳天祥，等.2004.基于土地利用的中國人口密度模擬[J].地理學報，59（2）：283-292.

閆慶武，卞正富，張萍，等.2011.基于居民點密度的人口密度空間化[J].地理與地理信息科學，27（5）：95-98.

卓莉，陳晉，史培軍，等.2005.基于夜間燈光數據的中國人口密度模擬[J].地理學報，60（2）：266-276.

云南省統計局.2018.云南統計年鑒2018[M].北京：中國統計出版社.

Arnold C L，Gibbons C J.1996.Impervious surface coverage; The emergence of a key environmental indicator[J].Journal of the American Planning Association，62（2）：243-258.

Clark C.1951.Urban population densities[J].Joumal of the Royal Statistical Society Series A（Genera1），114（4）：490-496.

Gong P，Liu H，Zhang M N，et al.2019.Stable classification with limited sample; transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017[J].Science Bulletin，64（6）：370-373.

Yue T X，Wang Y A，Chen S P，et al.2003.Numerical simulation of population distribution in China[J].Population and Environment，25（2）：141-163.

Study on Spatialization of Demographic Data for Earthquake Emergency：

A Case Study in Dali Bai Autonomous Prefecture of Yunnan Province

JIA Zhaoliang1，ZHENG Chuan1，LI Yuanxin2，XU Ruijie1，WU Yanmei1，MAO Zhenjiang1

（1.Yunnan Earthquake Agency，Kunming 650224，Yunnan，China）

（2.Yunnan Normal University，Kunming 650500，Yunnan，China）

Abstract

In order to improve the accuracy of population estimation and the visual effects of population spatial distribution in earthquake disaster region，the method of population spatialization of Dali prefecture is studied based on the FROM-GLC10 land cover data and the NPP/VIIRS night-time light data and the demographic data of towns.And the grid data of population of 50 m×50 m in Dali prefecture is made.The correlation coefficient，relative error and average relative error are used to test the simulated results.And the application analysis of the simulated results are made by Yangbi MS5.1 earthquake and Yunlong MS5.0 earthquake.The results show that the spatial distribution of population can be effectively extracted and the differences of spatial distribution of population can be distinguished by the land cover data and night-time light data.The correlation coefficient R2 between simulated population and actual population is 0.955，and the average relative error between simulated population and actual population is 14.306%，and the relative error of 82% villages is within±20%.It shows that the data of simulated population has high precision.The relative errors between the data of simulated population and the data of actual population of the two earthquakes are -1.67% and -2.27%，respectively，and the simulation results of population spatial distribution can directly reflect the population distribution of the disaster area.The research results can provide data support for earthquake emergency.

Keywords： land cover;night-time light;spatialization of population;earthquake emergency