基于多源信息的高空間分辨率人口分布研究

劉治成 肖東升

摘要：針對已有的人口空間化研究多采用靜態數據、時空分辨率較低、在應急救援等方面實用性不高的問題，提出了一種使用高時空分辨率數據，結合城市圈層結構理論和主成分分析法的建筑物尺度人口估算方法。以成都市為例，利用騰訊位置大數據，通過計算不同城市圈層的定位率，得到了成都市不同時段1 km×1 km的人口分布數據。在此基礎上，以基于建筑物中心點的泰森多邊形為人口分配基本單元，結合宜出行熱力數據和POI數據，分別計算其對人口分布的貢獻值并賦予計算權值，得到了成都市青羊區建筑物尺度人口分布數據。街道尺度統計數據回歸分析的決定系數R2為0.926 4，總體精度較高，模擬人口分布符合實際情況。

關鍵詞：應急救援;主成分分析;人口分布;POI;建筑物

中圖分類號：P315.94?? 文獻標識碼：A?? 文章編號：1000-0666（2021）02-0251-11

0 引言

人口是自然災害最重要的承災體，人口分布數據是應急救援的關鍵支撐數據（郭建興等，2018）。人口分布與城市的經濟發展、基礎設施建設以及生態環境保護等都有著緊密聯系（李國平，陳秀欣，2009）。目前，我國人口統計是以行政區劃逐級統計和匯總的，最低統計到鄉鎮街道一級，10年更新一次，不能滿足災害應急救援等方面的應用要求。探究城市內部更小尺度的人口空間分布是人口空間化研究的重點之一（李澤宇，董春，2019;賈召亮等，2020）。

隨著移動終端及GPS技術的高速發展，移動終端的位置服務進入了研究者的視野。例如王賢文等（2017）利用騰訊位置服務相關數據研究了京津冀地區在短期內的人口流動;潘碧麟等（2019）通過微博簽到數據研究了成渝之間的城際人口流動規律;吳中元等（2019）利用騰訊位置大數據對南京市江寧區秣陵街道進行了小區級別的人口數據預測;Sakaki等（2010）通過提取日本社交軟件用戶在分享信息的同時攜帶的位置信息，研究了地震對Twitter用戶時空行為造成的影響。

在災害應急救援中，災后第一時間的人口空間分布數據可幫助應急救援部門快速部署救援力量，為受災人員的救援贏得寶貴的時間（郭建興等，2018）。騰訊位置大數據可以實時記錄使用騰訊位置服務用戶的位置信息，空間分辨率為1 km，目前騰訊位置服務的使用量已突破日均500億人次，所以該數據在研究人口空間分布方面具有一定的代表性。該數據獲取簡單，可快速獲取災區震前1 km空間分辨率的使用騰訊位置大數據服務的人口空間分布，為救援力量的初步部署提供輔助數據。要更精確地鎖定可能受災人群的具體位置，縮小救援人員的搜救范圍，提高搜救效率，則需要分辨率更高的人口空間分布數據。宜出行熱力數據是騰訊地圖通過模擬計算出的人口密度等級，表達人口密度的相對大小，具有實時更新、實時獲取的特性，且該數據空間分辨率達到了27 m，可為更小尺度的人口空間化研究提供一定的參考。所以本文采用微信宜出行熱力數據，結合POI興趣點數據對小范圍內建筑物尺度的人口空間化進行研究。

1 研究方法

1.1 基本原理

1.1.1 主成分分析

主成分分析（Principal Components Analysis，PCA）是通過將原始、復雜、多維的變量進行線性組合，構造互不相關的綜合變量，來降低變量維度的一種數據降維處理方法。數據經主成分分析后可在降低數據維度的同時保持原始數據的大部分特征，減少數據的冗余程度，更利于進行后續處理（賈俊平，2008）。

設某數據集X存在n個樣本，每個樣本有m個變量，則該數據集的矩陣如下：

Xm×n=

x11x12…x1n

x21x22…x21

xm1xm2…xmn（1）

由于在實際問題中，矩陣的維度過大可能會導致后續處理復雜，耗時過久，通常需要對數據進行主成分分析以降低數據維度，其具體步驟為：為了消除由于數據量綱不同引起的誤差，對原始矩陣進行標準化處理，得到矩陣X*m×n;計算矩陣X*m×n的協方差矩陣;將X*m×n的協方差矩陣計算化為相關系數矩陣，公式為：

ρij=cov（xi，xj）σii σjj（2）

計算出特征值λ1，λ2，…，λm，λi≥0，i=1，2，…，m），并從小到大排列，得到相對應的正交單位化特征向量θ1，θ2，…，θm;計算得到各個主成分的貢獻率，公式為：

Pi=λi∑mi=1λi （i=1，2，…，m）（3）

則其累計貢獻率為：

Pi（sum）=∑mi=1Pi （i=1，2，…，m）（4）

主成分提取原則通常按累計貢獻率達到約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，計算每個主成分的得分，公式為：

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

式中：i為主成分提取個數。

1.1.2 泰森多邊形

泰森多邊形最初是由荷蘭氣象學家Thiessen提出的用離散氣象站點數據計算平均降雨量的一種插值分析方法，由其基點周圍的鄰點的垂直平分線組成，具有多邊形內任意一點距多邊形控制點的距離小于到其他多邊形控制點距離的特點（閆慶武等，2011a）。

1.2 技術路線

本文首先通過騰訊位置大數據結合城市圈層結構理論得到了成都市全域1 km人口空間分布數據，再結合宜出行熱力數據和建筑物分布數據將人口分配至建筑物中，最終得到了青羊區建筑物尺度人口分布數據，具體技術路線如圖1所示。

2 研究區概況與數據

2.1 研究區概況

成都市位于四川盆地西部、青藏高原東緣，東北與德陽市相接、東南與資陽市相鄰、南與眉山市相連、西南與雅安市接壤、西北與阿壩藏族羌族自治州鄰接，地理位置處于（30°05′～31°26′N，102°54′～104°53′E）。成都市包括錦江區、青羊區、成華區、武侯區、金牛區、雙流區、龍泉驛區、新都區、郫都區、溫江區、青白江區11個市轄區和都江堰市、彭州市、崇州市、邛崍市、簡陽市5個縣級市以及新津縣、金堂縣、大邑縣、蒲江縣4個縣。

據成都市發布的2018年統計年鑒數據，截至2018年年底成都市常住人口數為1 633萬，其中城鎮常住人口數1 194萬，常住人口城鎮化率達到了73.12%;截至2018年年底成都市戶籍人口數為1 478.1萬，其中城鎮戶籍人口數為901.6萬，戶籍人口城鎮化率達到了61%，在西部地區城市中達到了相當高的水平（成都市統計局，2019）。

成都市毗鄰龍門山地震帶，地震等自然災害多發，2008年汶川地震造成成都市死亡4 156人，受傷17 802人。成都市作為西部地區人口最多的市級行政單位，對掌握高時空分辨率人口空間分布情況有現實需求，所以本文將成都市作為研究區。

2.2 數據來源及預處理

為了數據的統一，本文所獲取的具有位置信息的坐標系數據均采用WGS 1984坐標系，數據單位均為國際單位制標準單位。本文數據來源如下：

（1）2018年成都市人口統計數據來源于成都市及各個區（縣）的2018年統計年鑒。2018年成都市行政區劃圖來源于GADM網站https：//gadm.org/index.html.。

（2）2019年3月11—15日騰訊位置大數據及宜出行熱力數據來自騰訊位置大數據官網https：//heat.qq.com/.及微信宜出行官網http：//c.easygo.qq.com.，騰訊位置大數據包括經度、緯度、定位人數及定位時間;宜出行數據包括經度、緯度、熱力值和采集時間，采集數據格式為Excel表格。將表格數據加載到ArcGIS 10.2中轉換得到矢量點數據。3月11—15日均為工作日，在研究成都市人口分布的普遍規律時較具代表性。

（3）成都市建筑物數據和POI數據在百度地圖開放平臺http：//lbsyun.baidu.com/.申請開發秘鑰獲取，數據格式為Excel表格，在ArcGIS 10.2中轉換為矢量點數據并進行數據清洗，篩選出需要的數據。

（4）成都市遙感影像來自于Google地圖，數據為2018—2019年的衛星影像拼接圖，分辨率為2 m。

3 大范圍人口數據空間化

人口數據空間化的基本思路是將人口統計數據與其他一些影響人口分布的數據，如土地利用類型、建筑物空間分布等結合起來，建立多元回歸等模型，將人口統計數據分配在行政區劃、格網或其他尺度上（黃益修，2016）。目前已建立的人口空間化模型主要有核密度估計模型（閆慶武等，2011b;梁亞婷，2015）和多因素融合模型（裴惠娟等，2016;曹偉超等，2012）等。

3.1 研究方法

本文選取騰訊位置大數據作為變量，假設在1小時內，在該區域使用騰訊位置大數據服務的人不重復且分布較為均勻，則可通過某一區域的定位數量推算出該區域的定位率，通過定位率可以算出各計算單元的人數，得到成都市的人口分布。

由于城市人口密度隨距城市中心的距離呈衰減趨勢（Clark，1951），按照城市圈層結構理論和各行政區人口、經濟等原因，可將成都市分成3個圈層（陳藝，2019），第一圈為金牛區、成華區、錦江區、武侯區和青羊區;第二圈為雙流區、龍泉驛區、青白江區、新都區、郫都區以及溫江區;第三圈為簡陽市、金堂縣、彭州市、都江堰市、崇州市、大邑縣、邛崍市、浦江縣和新津縣。

考慮到后期驗證需使用人口統計數據，所以選取每晚21—24時進行計算，因為在成都市春季的該時間段，人們大都處在居所（肖東升等，2016），人口分布情況與常住人口統計數據較為吻合，另外3個季節人員流動情況與春季類似，則分圈層計算每個圈層定位率的公式為：

lp（i）=tiRPi（6）

式中：lp為定位率;i為圈層數;t為平均每小時定位次數;RP為常住人口數。由各圈層的定位率計算各圈層中1 km分辨率格網中的人數，計算公式為：

SPj=tjlp（i）=tjRPiTj（7）

式中：SPj為格網j中的模擬人數;tj為格網j定位次數。

3.2 實驗過程及結果分析

2019年3月11—15日成都市騰訊位置大數據平均每小時定位量時序如圖2所示。從圖中可以看出，在0—5時定位量呈下降趨勢，大部分人都陸續進入睡眠狀態，但依舊有100萬左右的定位次數，原因可能為在夜晚手機未關機，軟件自動請求定位服務以及尚有一部分人沒有進入睡眠時間;5—13時定位量呈增加趨勢，人們陸續起床，準備或進入上班、上學狀態，定位量在13時達到峰值，原因可能為午飯后手機使用量增多;13—15時定位量急劇下降，多數人進入到午休或準備上班;15—17時定位量基本處于平穩，多數人回到上班或上學狀態;18時定位量增加，多數人在歸家途中，手機的使用率增加。19—22時定位量平穩，多數人在家中;22—24時定位量呈減少趨勢，

人們逐漸進入睡眠狀態。由上可知，定位量的變化基本和當地居民的生活規律相符。

利用式（6）對上述定位量式進行計算，可得到各圈層定位率：第一圈層的定位率為22%，第二圈層定位率為21%，第三圈層定位率為8%。說明在經濟越發達、人口越密集的地區，騰訊位置大數據服務的使用率也越高，定位率也越高，符合實際情況。再通過式（2）計算出每個格網的人口值，結果如圖3所示。

從圖3可以看出成都市人口分布總體較為集中，其中人口密度最大的區域為成都市幾個中心城區，從中心城區向外，人口密度呈逐漸下降的趨勢，在各個行政區的中心城區人口呈明顯的聚集現象，在非城區地帶，也存在一些人口密度稍大的區域，對比成都市衛星影像來看，主要為鄉鎮的人口聚居區域，符合實際情況。

根據實驗結果統計成都市各個區（縣）柵格人口總值與常住人口數，見表1。從表中可以得出在區（縣）級人口數據驗證下，本文的人口分布計算結果與實際結果的平均絕對誤差為90 392人，平均相對誤差為12.69%，準確度較高。總體來說，計算結果中人口密度較大的區（縣）誤差小于人口密度較小的區（縣），其中絕對誤差最大的為郫都區，因為該區中包含很多工廠，本文計算郫都區人口時包含了工廠的工人，而工人的平均年齡較低，智能手機使用率高，導致人口估算值偏高。人口估算值與各區（縣）常住人口統計數據回歸分析如圖4所示。

由圖4可看出，通過計算不同圈層的定位率得出的各區（縣）人口數與常住人口數偏差較小，其中線性回歸擬合直線的斜率為0.998 3，R2為0.919 9，說明該模型的計算結果總體精度較高。

據上述原理可得各時間段成都市人口分布情況，如圖5所示。

4 小范圍建筑物尺度人口空間化

在災害發生后，1 km空間分辨率的人口數據可幫助救援力量快速到達待救援區域，但是在進行更細致搜救時，則需要參考更高空間分辨率的人口分布數據。發生在城市的災害中，建筑物的結構損壞、倒塌，是造成人員傷亡的主要因素（李媛媛等，2015），所以建筑物尺度的人口空間分布對應急救援具有一定的現實意義。在已有的研究中（胡楊等，2020;董春等，2019;趙真等，2019），建筑物尺度的人口分布多是基于建筑物功能分類，將人口分配至居住建筑上。但是在實際情況中，建筑物功能往往不是單一的，人口并非只分布在居住建筑，所以在進行人口分配時，首先要判斷建筑物內是否有人口分布。

青羊區位于成都市中心地帶，面積67.78 km2，常住人口約85萬，是成都人口密度最大的區（縣）之一，城鎮化程度高，轄區內建筑類型豐富（成都市統計局，2019），非常適合進行建筑物尺度的人口空間化實驗。

4.1 研究方法

熱力數據表示周圍人口密度的相對大小，假設人口只分布在存在熱力值的范圍，則可以用熱力值區分建筑物是否需分配人口。由于建筑物損壞會影響該建筑物周圍人的安全，所以將建筑物內的人口和其周圍的人口均分配至該建筑物。本文采用以建筑物中心點為基準點建立泰森多邊形，使用泰森多邊形內的人口計入多邊形內的建筑的方法將人口全部歸算至建筑物中。由于在實際計算中可能會出現少數泰森多邊形內并沒有包含熱力數據點的情況，會造成少數存在人口的建筑沒有被分配到人口的問題。為了減少這類問題的影響，本文引入POI（Point of Interest）數據進行改善，相關研究表明，POI興趣點數據與人口分布數據存在顯著的相關性（邱歌，2019）。由于POI數據種類較多，為了減少變量之間的互相影響，需對POI數據進行主成分分析，降低數據維度。根據主成分的貢獻率可得到綜合主成分得分，即POI貢獻值：

SPOIj=P1∑ni=1λiPCA1+P2∑ni=1λiPCA2+…+Pn∑ni=1λiPCAn（8）

式（3）可簡化為：

SPOIj=∑ni=1（pi×PCAij）∑ni=1pi（9）

式中：SPOIj為第j個泰森多邊形的POI貢獻值;pi為第i個主成分的貢獻率;PCAij為第j個泰森多邊形的第i個主成分的計算值;n為提取的主成分個數。

通過對計算出的興趣點貢獻值與熱力值進行聯合計算，則可根據POI密度進行分區，計算出每個泰森多邊形內的人口：

POPl=（a×SPOIl/SPOIk+b×TVl/TVk）×SPl（10）

式中：a、b為兩計算因子的權值，滿足a+b=1;POP為泰森多邊形內計算人口值;TV為宜出行熱力值;SP為前文基于騰訊位置大數據模擬的人口數據;l為泰森多邊形序號;k為POI密度分區編號。由于POI多分布于街道兩側，為了減少POI對街道兩側人口過高估計，故在確定a、b取值時，令a

4.2 實驗過程

以宜出行數據點為中心建立30 m緩沖區，取與宜出行緩沖區面有交集的建筑物作為研究時段有人員分布的建筑物，研究區局部建筑物分類如圖6所示。

因為在進行人口統計時多是對居住建筑進行統計，所以為了實驗的準確性，避免部分建筑物如公廁、崗亭、變壓器室等干擾實驗結果，通過將建筑物數據與衛星影像疊加分析，發現城市中少數小于100 m2的建筑多為公廁、崗亭、變壓器室等非居住建筑及數據源采集誤差，所以將研究區內有人建筑物的面積閾值設置為100 m2，則按有人建筑物中心建立的泰森多邊形，如圖7所示。

如圖7所示，本文將基于有人建筑物中心點建立的泰森多邊形作為人口分配基礎單元，統計多邊形內的宜出行熱力值和POI總數，作為人口分配的依據。根據百度地圖對POI數據的分類，在百度地圖開放平臺獲取了2019年成都市青羊區的11類與人類活動相關的興趣點數據，對街道尺度上各類興趣點與人口進行相關性分析，結果見表2。

表2中酒店和金融與人口的相關性較低，故將其排除。為了減少變量之間的相關影響以及自變量個數，對9類POI數據進行主成分分析，降低數據維度。首先對數據進行檢驗，結果見表3。表中KMO（Kaise-Meyer-Olkin，檢驗統計量）數值為0.648，Bartlett檢驗對應P值小于0.001，數據適合進行主成分分析，各變量的方差解釋率見表4。

按照特征根大于1的原則提取得到兩個主成分，其中主成分1的方差解釋率為70.57%，主成分2的方差解釋率為13.14%，累計方差解釋率達到84.09%，保留了大部分變量信息。提取的兩個主成分得分矩陣見表5。

從表5中可以得到各主成分的得分表達式，主成分1=0.136×運動健身+0.135×醫療+0.145×休閑娛樂+0.156×生活服務+0.141×美食-0.017×旅游景點+0.153×培訓機構+0.132×交通設施+0.123×房地產;主成分2=-0.236×運動健身+0.022×醫療-0.069×休閑娛樂-0.032×生活服務-0.143×美食+0.740×旅游景點+0.095×培訓機構+0.305×交通設施+0.179×房地產。結合公式（9）可得到每個泰森多邊形的興趣點貢獻值為：

SPOIj=0.843×PCA1+0.157×PCA2（11）

在進行POI密度分區時，計算出文家街道、黃田壩街道、蘇坡街道、金沙街道、東坡街道、草堂街道、光華街道為低密度區，平均POI密度為549個/km2;汪家拐街道、府南街道、新華西路街道、西御河街道、草市街街道、少城街道、太升路街道為高密度區，平均POI密度為1 460個/km2。經實驗，式（10）中的權值，當a=0.25，b=0.75時，結果較好，則每個泰森多邊形內的人口計算公式為：

Pl=（0.25×SPOIl/SPOIk+0.75×TVl/Tk）×SPl（12）

4.3 實驗結果及分析

按式（12）計算得到每個泰森多邊形的人口數，并將其分配至對應的建筑物中，其結果（局部）如圖8所示。

圖8所示區域截自府南街道和光華街道，可以看到在21—24時，人口主要分布在居住建筑內，但是也有少部分人口分布在非居住建筑內，右下角區域人口稀少，該區域為金林半島小區以及杜甫草堂景區。金林半島小區為多為別墅和3層左右的小洋房，人口密度較低，實驗結果符合實際情況。

由于本文將所有種類的建筑參與人口分配，且將建筑物周圍的人口都歸算至建筑物內，單獨驗證某建筑物內的人口數與實驗所得人口數較為困難，且不準確，所以筆者在街道尺度上對實驗結果進行驗證，青羊區街道模擬人口數與常住人口統計數見表6。

從表6可以看出實驗模擬人口數與常住人口統計數基本一致，平均絕對誤差為0.845 3萬人，平均相對誤差為15.53%，實驗結果準確度較高。其中絕對誤差最大的街道為文家街道，實驗模擬人數較人口統計數少1.617 2萬人，絕對誤差最小的街道為蘇坡街道，誤差僅為0.043 9萬人。雖然實驗結果總體令人滿意，但是部分街道出現了較大誤差，分析原因可能為：

（1）本文計算的為21—24時的建筑物內人口平均分布情況，與驗證的常住人口統計數據可能會產生一定的差異。

（2）不同的街道，建筑物的類型各有差異，如部分街道主要為居住建筑，因為本文的研究時間段大部分人都已回到家中，所以該街道的人口誤差就相對較小;部分街道分布著大量商業建筑或工廠等，在夜晚商業建筑和工廠等對人口存在一定的吸引力，導致相應街道的誤差相對較大。

通過統計實驗得到的各街道建筑物人口數之和與各街道常住人口統計數進行線性回歸分析如圖9所示。從圖中可以看出，模擬結果與人口統計數的回歸線斜率為1.024 9，R2為0.926 4，實驗結果總體可靠性較高，能準確反映大部分建筑物在研究時段真實的人口分布情況。

5 結論

本文利用多日的騰訊位置大數據，參考城市圈層結構理論，計算出成都市各區（縣）手機的定位率，通過定位率得到了不同時段成都市1 km空間分辨率的人口分布數據，經過精度驗證，其決定系數R2為0.919 9，總體精度較高。基于已得到的1 km空間分辨率成都市人口分布數據，利用宜出行熱力數據和POI數據與人口的相關性，分別計算其對人口的貢獻率，實現了青羊區建筑物尺度的人口空間化，并得到了青羊區21—24時的建筑物尺度的人口空間分布數據，在街道尺度的人口統計數據驗證下，其決定系數R2為0.926 4，總體結果可信度高。基于本文研究，得出以下結論：

（1）本文研究數據獲取簡單，時效性高，1 km空間分辨率下的人口分布估算方法簡單準確，可提高地震應急救援的效率。

（2）使用泰森多邊形作為人口分布的基本單元，可更準確地將建筑物周邊的人口分配至建筑物內。

（3）通過熱力數據范圍而非建筑物類型區分建筑物是否分配人口，可得到更符合研究時段實際人口分布情況。

雖然本文提出的人口空間化模型有較好的效果，但是也存在以下不足：

（1）在進行大范圍人口分布估算時，僅從定位數量因素考慮了定位率的問題，人口老齡化率、青少年率及城鎮化率等可能影響定位率的因素暫未加入計算。

（2）在建筑物尺度沒有到達實時人口分布的情況下的計算。

今后的研究中我們會參考更多影響因素進行分析，以達到高時空分辨率的建筑物尺度人口分布計算，為應急救援、城市建設等做出貢獻。

參考文獻：

曹偉超，陶和平，譚理，等.2012.基于多源空間數據的山區人口分布模擬[J].國土資源遙感，24（2）：61-67.

陳藝.2009.成都城市經濟圈的區域特征及其帶動效應[J].城市發展研究，16（5）：13-17.

成都市統計局.2019.成都年鑒（2019）[M].成都：成都年鑒社.

董春，尹詩畫，張玉.2019.多智能體的城市精細尺度人口估算模型[J].測繪科學，44（8）：113-119.

郭建興，姬建中，和朝霞，等.2018.面向地震應急的山區人口百米格網分布——以麟游縣為例[J].地震地磁觀測與研究，39（6）：150-157.

胡楊，張小詠，肖迪.2020.基于手機大數據的城市建筑物人口時空估算[J].系統仿真學報，32（10）：1814-1883.

黃益修.2016.基于夜間燈光遙感影像和社會感知數據的人口空間化研究[D].上海：華東師范大學.

賈俊平.2008.統計學（第三版）[M].北京：中國人民大學出版社.

賈召亮，鄭川，李袁欣，等.2020.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[J].地震研究，43（4）：751-758.

李國平，陳秀欣.2009.京津冀都市圈人口增長特征及其解釋[J].地理研究，28（1）：191-202.

李媛媛，陳建國，張小樂，等.2015.基于建筑結構破壞的地震傷亡評估方法及應用[J].清華大學學報（自然科學版），55（7）：803-807，814.

李澤宇，董春.2019.引入興趣點的地理加權人口空間分布模型研究——以天津市為例[J].遙感信息，34（2）：113-117.

梁亞婷.2015.基于遙感和GIS的城市人口時空分布研究：以上海市靜安區為例[D].上海：上海師范大學.

潘碧麟，王江浩，葛詠，等.2019.基于微博簽到數據的成渝城市群空間結構及其城際人口流動研究[J].地球信息科學學報，21（1）：68-76.

裴惠娟，周中紅，孫艷萍，等.2016.甘肅省人口空間分布特征分析[J].西北師范大學學報（自然科學版），52（5）：95-100.

邱歌.2019.基于隨機森林模型的高精度人口數據空間化——以鄭州市區為例[D].內蒙古：內蒙古師范大學.

王賢文，王虹茵，李清純.2017.基于地理位置大數據的京津冀城市群短期人口流動研究[J].大連理工大學學報（社會科學版），38（2）：105-113.

吳中元，許捍衛，胡鐘敏.2019.基于騰訊位置大數據的精細尺度人口空間化：以南京市江寧區秣陵街道為例[J].地理與地理信息科學，35（6）：61-65.

肖東升，常鳴，蘇勇，等.2016.基于時空菱形的人員在室率評估方法[J].世界地震工程，32（1）：43-49.

閆慶武，卞正富，王紅.2011a.利用泰森多邊形和格網平滑的人口密度空間化研究——以徐州市為例[J].武漢大學學報（信息科學版），36（8）：987-990，1010-1011.

閆慶武，卞正富，張萍，等.2011b.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.

趙真，郭紅梅，張瑩，等.2019.基于天地圖高精度建筑物的四川寶興縣人口估算[J].地震研究，42（2）：204-209.

Clark C.1951.Urban population densities[J].Journal of Royal Statistical Society，114（4）：490-496.

Sakaki T，Okazaki M，Matsuo Y.2010.Earthquake shakes twitter users：real-time event detection by social sensors[C]//Proceedings of the 19th International Conference on World Wide Web.New York;ACM：851-860.

Research on Population Distribution with High Spatial Resolution Basedon Multi-source Information

LIU Zhicheng1，XIAO Dongsheng1，2

（1.School of Civil Engineering and Surveying and Mapping，Southwest Petroleum University，Chengdu 610500，Sichuan，China）

（2.Disaster Prevention and Emergency Research Center for Surveying，Mapping and Remote Sensing，Southwest Petroleum University，Chengdu 610500，Sichuan，China）

Abstract

The current spatialized data of population are normally static and of low resolution in time and space，and not so practical for emergency and rescue.To solve this problem，according to the theory of urban circle structure and principal component analysis，we proposed a method of estimating population on building-scale using high resolution data in time and space.Taking Chengdu City as an example，we calculated the location rate of different urban circles using the Tencent Location Big Data，and obtained the population distribution in the grid of 1 km×1 km of Chengdu in different periods of a day.Further，we used the Tyson Polygon based on the center of the building as the basic unit of population distribution，and calculated and weighted the contribution of the data from Tencent Easygo and the POI data from Baidu Map to the population distribution.In this way we obtained the distribution of population on building-scale in Qingyang District of Chengdu.R2，the coefficient of determination for the regression analysis of the street-scale statistics，is 0.926 4.Our results are more accurate and conform to the actual distribution of population in this area.

Keywords：emergency and rescue;principal component analysis;population distribution;POI;buildings

收稿日期：2020-11-03.

基金項目：國家自然基金（51774250）、四川省軟科學研究計劃項目（2019JDR0112）、工程結構安全評估與防災技術四川省青年科技創新研究團隊（2019JDTD0017）和西南石油大學測繪遙感地信青年科技創新團隊（2019CXTD07）聯合資助.

第一作者簡介：劉治成（1996-），碩士研究生，主要研究方向為地理信息工程.E-mail：2371944224@qq.com.

通訊作者簡介：肖東升（1974-），教授，主要研究方向為測繪科學與技術，城市防災減災應急和油氣遙感.E-mail：xiaodsxds@163.com.