[发明专利]基于AWA-DRCN的人口空间化方法

说明书

本发明涉及一种基于AWA‑DRCN的人口空间化方法，属于互联网与计算机技术领域。该方法包括：S1：获取人口数据集和驱动因子数据，并对其进行预处理；S2：“去粗”过程：采用AWA模型实现全局性特征学习，完成区县级人口普查数据栅格化；S3：“取精”过程：构建高效亚像素卷积神经网络DRCN模型，将步骤S2栅格化人口数据及驱动因子数据作为特征，处理后的网格人口栅格数据作为标签输入到DRCN模型中进行混合学习实现全局与局部特征，获得在空间分布上的人口空间化结果。本发明采用的AWA+DRCN模型模拟精度高，且空间残差值区间误差最小。

技术领域

本发明属于互联网与计算机技术领域，涉及一种基于AWA-DRCN的人口空间化方法。

背景技术

人口空间化类似于早期的气候数据的降尺度处理过程，它是将研究区域某时点的低空间分辨率的统计人口转换为接近真实人口地域分布的高分辨率人口分布的一种降尺度空间化技术。由于人口空间化数据在一定程度上解决了人口普查数据的空间局限问题而被大量应用于疾病灾害管理、城市规划等方面。归纳起来，当前人口空间化建模技术大致分为全局和局部模型构建两大趋势。

全局模型构建经历了通过计算区域内平均人口来满足低分辨率数据需求，到采用空间插值方法来实现人口统计数据转换到精细空间单元；随着遥感和GIS技术的发展，多源异构数据如ETM影像、高程、坡度、夜晚灯光数据、土地与河流欧式距离以及土地分类等逐渐应用，其中夜晚灯光数据如DMSP-OLP、NPP/VIIRS以及两者的区别被频繁研究；再到分区密度制图开始与树形模型、多元回归模型相结合。随机森林模型因具有较高的灵活性和对变量重要程度的可度量性等优点被广泛用于人口空间化研究。而多元回归模型相比于随机森林则考虑到不同影响因子之间的相关关系问题。鉴于全局模型很难刻画人口空间分布的异质性问题，地理加权回归和超分辨率卷积网络等局部模型被引入人口空间化研究实践中。其中地理加权回归模型因复杂地形影响而降低了模拟精度，Zong Zefang等人基于单图像超分辨率与降尺度技术的共通性，首次将超分辨率卷积神经网络模型(SRCNN)引入上海市全天性的人口空间化研究，获得了更好的结果。Thomas等人尝试通过SRCNN堆叠海拔通过单图像超分辨率生成高分辨率气候变化预测。可是SRCNN模型存在非线性映射步骤过多参数以及滤波器较大导致一定信息损失的问题，尝试通过改进卷积结构还是采用亚像素卷积都能更好地学习局部特征。

单一模型只能单独提取全局或局部特征，无法摆脱复杂地形的影响,因此，目前亟需一种能够高分辨率人口空间化的方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于AWA-DRCN的人口空间化方法，用于弥补单一模型对全局特征学习不足、局部特征泛化等缺陷，使得空间化结果更接近标签数据、更接近人口分布真实情况。

为达到上述目的，本发明提供如下技术方案：

一种基于AWA-ESPCN的人口空间化方法，具体包括以下步骤：

S1：获取人口数据集和驱动因子数据，并对其进行预处理；

S2：“去粗”过程：采用面积加权平均栅格化(Area weighted average，AWA)模型实现全局性特征学习，完成区县级人口普查数据栅格化；

S3：“取精”过程：构建深度递归卷积神经网络DRCN模型，将步骤S2栅格化人口数据及9个驱动因子数据作为特征，处理后的网格人口栅格数据作为标签输入到DRCN模型中进行混合学习实现全局与局部特征，获得在空间分布上的人口空间化结果。

进一步，步骤S1中，所述人口数据集包括人口统计数据和高分辨率栅格人口数据。

进一步，步骤S1中，所述驱动因子数据包括自然因子、社会因子和距离因子。

进一步，所述自然因子包括：高程、坡度和土地利用类型，其中土地利用类型分为水体、河流、耕地和林地；所述社会因子包括：夜间灯光和居民点；所述距离因子包括：土地与河流欧式距离。