[发明专利]一种精细尺度人口数据空间化方法

权利要求书

1.一种精细尺度人口数据空间化方法，其特征在于，包括如下步骤：

一)

11)、从系统储存的待处理区土地利用现状图层中调取土地利用数据，按照第二次全国土地调查土地分类标准，把土地利用数据所指代土地分为8类：01耕地、02园地、03林地、04草地、20城镇村及工矿用地、10交通运输用地、11水域及水利设施用地、12其他用地，之后进入步骤12)；

12)、提取出待处理区的行政村边界图层，图层包含的基本属性字段包括行政村名称、行政村区划代码，将行政村边界图层作为空间数据，将行政区划代码作为匹配标识关键字段，将行政村社会统计数据作为属性数据导入到行政村图层属性中，基于“行政区划代码”公共字段完成空间数据与属性数据的匹配，行政村社会统计数据集合包括行政区划代码字段；之后进入步骤13)；

13)、进行编行码匹配，建立地理信息空间数据库，地理信息空间数据库包含空间数据和属性数据，空间数据包括土地利用现状数据、行政村边界数据，属性数据包括行政村的社会统计数据；对土地利用现状图层与行政村边界图层进行叠加分析，提取并统计出各村各种土地类型的面积，用每种土地利用类型的面积除以行政村的面积，再乘以100％，即得到该土地利用类型指数；

采用双侧检验的皮尔逊(pearson)相关系数，分析各个村的土地利用类型指数与人口密度的相关关系，计算公式如下：

其中：r_xy为皮尔逊(pearson)相关系数；

X_i代表土地利用指数的值，i指的是第几种土地类型，土地类型的顺序可自设，代表了土地利用指数值的平均值；

Yi代表的是人口密度的值，i指的是第几个行政村的人口密度值，各行政村的标号顺序可自设，代表人口密度值的平均值；

r_xy即土地利用指数样本的值X_i与人口密度样本的值Yi这两个要素的皮尔逊(pearson)相关系数，r_xy的值在[-1,1]之间：r_xy＞0表示两个要素存在正相关型；r_xy＜0表示两个要素之间存在负相关性；r_xy的绝对值越接近1,则表示两要素之间的关系越密切，越密切代表两者直接的相关性越大；反之,若r_xy绝对值越接近0，则表示两者之间关系越不密切；

在0.01显著性水平下，通过检验的土地利用指数为耕地指数、林地指数、城镇村及工矿用地指数和交通用地指数，说明01耕地、03林地、20城镇村及工矿用地、10交通用地是影响人口分布的主要因素；

二)

分别选取IDW方法、多元回归方法和BP神经网络方法对人口数据进行空间化，并选择精度最高的方法进行最终人口数据空间化；

在进行人口数据空间化操作之前，首先将待计算处理的地域划分为500m×500m的格网，然后以格网作为基本空间单元进行人口数据空间化；

人口数据空间化的方法有三种，分别为IDW方法、多元回归方法和BP神经网络方法：

21)在IDW插值方法中，把未通过0.01显著性水平检验的土地利用类型的人口密度设为0，设置栅格图像的空间分辨率与格网单元大小保持一致；

22)在多元回归方法中，把土地利用类型通过划分到每个格网中，选取人口密度值为因变量，耕地指数、林地指数、城镇村及工矿用地指数、交通用地指数为自变量，根据多元线性回归方程计算出每个格网的人口数目，然后以行政村为单位汇总得到缺失的村人口数；

所述多元线性回归方程公式如下:

y¹＝β₀+β₁X1¹+β₂X2¹+β₃X3¹+β₄X4¹+ε

其中,y¹为因变量，即人口密度值；β₀为回归常数，X1¹、X2¹、X3¹、X4¹为自变量，X1¹为耕地指数、X2¹为林地指数、X3¹为城镇村及工矿用地指数、X4¹为交通用地指数，β₁、β₂、β₃、β₄为4个自变量的回归系数；ε为随机误差；

23)在BP神经网络方法中，采用的BP神经网络具有3层：一个输入层，一个中间隐含层，一个输出层；输入层包含4个输入节点，分别输入耕地指数、林地指数、城镇村及工矿用地指数、交通用地指数；中间隐含层的激励函数采用Sigmoid函数；输出层的输出结点为人口密度；

三)精度验证

随机抽取30个村作为检验样本，跟这30个村的人口实测数据，采用3种不同方法的实验模拟结果进行比较分析，误差的计算方法如下：

其中EP为人口误差百分比，pop_o为步骤二)三种模型方法中每一种方法模拟出的人口数据值，pop_t为村实际调查统计人口数目；

最后选取误差值最小的那种方法得到的数据结果作为最终结果。