[發(fā)明專利]基于AWA-DRCN的人口空間化方法

在審

• 申請?zhí)枺?/td>: 202011460055.2
• 申請日: 2020-12-11
• 公開（公告）號: CN112488413A
• 公開（公告）日: 2021-03-12
• 發(fā)明（設計）人: 劉明皓;游鵬;文汝杰
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

本發(fā)明涉及一種基于AWA?DRCN的人口空間化方法，屬于互聯(lián)網與計算機技術領域。該方法包括：S1：獲取人口數據集和驅動因子數據，并對其進行預處理；S2：“去粗”過程：采用AWA模型實現全局性特征學習，完成區(qū)縣級人口普查數據柵格化；S3：“取精”過程：構建高效亞像素卷積神經網絡DRCN模型，將步驟S2柵格化人口數據及驅動因子數據作為特征，處理后的網格人口柵格數據作為標簽輸入到DRCN模型中進行混合學習實現全局與局部特征，獲得在空間分布上的人口空間化結果。本發(fā)明采用的AWA+DRCN模型模擬精度高，且空間殘差值區(qū)間誤差最小。

技術領域

本發(fā)明屬于互聯(lián)網與計算機技術領域，涉及一種基于AWA-DRCN的人口空間化方法。

背景技術

人口空間化類似于早期的氣候數據的降尺度處理過程，它是將研究區(qū)域某時點的低空間分辨率的統(tǒng)計人口轉換為接近真實人口地域分布的高分辨率人口分布的一種降尺度空間化技術。由于人口空間化數據在一定程度上解決了人口普查數據的空間局限問題而被大量應用于疾病災害管理、城市規(guī)劃等方面。歸納起來，當前人口空間化建模技術大致分為全局和局部模型構建兩大趨勢。

全局模型構建經歷了通過計算區(qū)域內平均人口來滿足低分辨率數據需求，到采用空間插值方法來實現人口統(tǒng)計數據轉換到精細空間單元；隨著遙感和GIS技術的發(fā)展，多源異構數據如ETM影像、高程、坡度、夜晚燈光數據、土地與河流歐式距離以及土地分類等逐漸應用，其中夜晚燈光數據如DMSP-OLP、NPP/VIIRS以及兩者的區(qū)別被頻繁研究；再到分區(qū)密度制圖開始與樹形模型、多元回歸模型相結合。隨機森林模型因具有較高的靈活性和對變量重要程度的可度量性等優(yōu)點被廣泛用于人口空間化研究。而多元回歸模型相比于隨機森林則考慮到不同影響因子之間的相關關系問題。鑒于全局模型很難刻畫人口空間分布的異質性問題，地理加權回歸和超分辨率卷積網絡等局部模型被引入人口空間化研究實踐中。其中地理加權回歸模型因復雜地形影響而降低了模擬精度，Zong Zefang等人基于單圖像超分辨率與降尺度技術的共通性，首次將超分辨率卷積神經網絡模型(SRCNN)引入上海市全天性的人口空間化研究，獲得了更好的結果。Thomas等人嘗試通過SRCNN堆疊海拔通過單圖像超分辨率生成高分辨率氣候變化預測。可是SRCNN模型存在非線性映射步驟過多參數以及濾波器較大導致一定信息損失的問題，嘗試通過改進卷積結構還是采用亞像素卷積都能更好地學習局部特征。

單一模型只能單獨提取全局或局部特征，無法擺脫復雜地形的影響,因此，目前亟需一種能夠高分辨率人口空間化的方法。

發(fā)明內容

有鑒于此，本發(fā)明的目的在于提供一種基于AWA-DRCN的人口空間化方法，用于彌補單一模型對全局特征學習不足、局部特征泛化等缺陷，使得空間化結果更接近標簽數據、更接近人口分布真實情況。

為達到上述目的，本發(fā)明提供如下技術方案：

一種基于AWA-ESPCN的人口空間化方法，具體包括以下步驟：

S1：獲取人口數據集和驅動因子數據，并對其進行預處理；

S2：“去粗”過程：采用面積加權平均柵格化(Area weighted average，AWA)模型實現全局性特征學習，完成區(qū)縣級人口普查數據柵格化；

S3：“取精”過程：構建深度遞歸卷積神經網絡DRCN模型，將步驟S2柵格化人口數據及9個驅動因子數據作為特征，處理后的網格人口柵格數據作為標簽輸入到DRCN模型中進行混合學習實現全局與局部特征，獲得在空間分布上的人口空間化結果。

進一步，步驟S1中，所述人口數據集包括人口統(tǒng)計數據和高分辨率柵格人口數據。

進一步，步驟S1中，所述驅動因子數據包括自然因子、社會因子和距離因子。

進一步，所述自然因子包括：高程、坡度和土地利用類型，其中土地利用類型分為水體、河流、耕地和林地；所述社會因子包括：夜間燈光和居民點；所述距離因子包括：土地與河流歐式距離。