使用高分辨率遥感图像帮助小城市人口估算外文翻译资料

英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

使用高分辨率遥感图像帮助小城市人口估算

Shiqian Wang1 , Wei Li2 , Jonathan Li3

加拿大安大略省滑铁卢大学地理与环境管理系

摘要 - 本文介绍了远程高分辨率的方法感知图像和GIS数据有助于人口估计小城市通过滑铁卢市的案例研究。该这项研究的基础在于生活的关系空间和人口。这种关系最近有效研究和使用遥感（RS）技术人口估计在RS研究中备受关注[1]。然而，由于不同的景观，这些方法变化很大和住宅类型。在本文中，选择一个典型的小城市作为一个案例研究，以检查拟议人口的可靠性估算方法。首先，两种不同的分类方法比较生成住宅区和住宅数：基于规则的特征提取和基于样本的特征萃取。此外，地理信息系统（GIS）技术用于提高分类准确性。然后，比较两种人口估计模型：住宅数量模型和住宅区模型。最后，结果和讨论被包含在内。

关键词 - 城市遥感，人口估计，建筑物提取，高分辨率遥感图像

一，导言

人口估计对理解至关重要发展和环境问题，并帮助规划和决策过程[2]。 但是，人口普查数据是仅适用于人口普查年份。 一些回归模型是开发用于估算无人口普查年份的人口，但它们可能无法在导致快速增长的领域发挥作用由于某些原因[3]。 此外，人口普查可能会耗费大量人力努力和金钱。 因此，一些发展中国家可能缺乏经常进行此类人口普查的经济能力[4]。

使用RS进行人口建模始于20世纪50年代，当人们开始使用航拍照片来计算住宅时估计小面积人口的数字[5]。 优势这种方法很灵活。 但是，它忽略了房子的大小差异，可能需要花费很多人力才能处理大事区域。 此外，排屋和公寓不能很好地计算通过地区照片。

具有从Light获得的精确高度信息检测和测距（激光雷达）数据，一些研究使用建筑物人口模型的数据量令人鼓舞结果。 Silvaacute;n-Caacute;rdenas和Wang比较了七种不同的使用不同输入和输入的人口估计模型他们的结果显示了激光雷达得出的建筑体积数据可以在模型中使用以获得更好的估计结果[6]。

但是，激光雷达数据的可用性仍然存在问题大多数国家。 因此，该项目旨在迅速产生使用高分辨率遥感的准确人口数据图片。

II。 建筑提取

滑铁卢市是一个典型的北美小城市它位于加拿大安大略省南部。 它被选为由于结构化的住宅分布，研究区域。

吴和穆雷比较了三个人的表现使用Landsat数据进行人口估计的指标：不透水区域，光谱辐射和土地利用和不透水面法得到了最好的结果[7]。 然而，Landsat图像的分辨率不是很高，导致混合像素问题和分类方案本身可能会给模型带来错误。

因此，在这项研究中，一个0.6米分辨率的QuickBird图像是用于建筑物提取; GIS分区图用于排除分类图像中的道路和停车场; 一个0.3米分辨率航空照片用于准确度评估。

A.预处理

首先，我们抵制全色波段和光谱使用正则样条和张力（RST）方法的带。在所有图像的注册过程之后，GramSchmidt方法用于锐化图像。

B.基于规则的特征提取

以下规则用于提取建筑物覆盖区：NDVI lt;0.3，面积gt; 90，矩形拟合gt; 0.44，伸长率lt;4.00和180 lt;光谱平均值（带4）lt;480。这些统治是用来排除植被，图像上的小噪音，道路和水体。

图1显示了整体的住宅提取结果研究区域后手动排除水，商业区和分类图像中的道路。 我们发现的时候将分段参数和规则集应用于整个研究区域，分类结果差异很大不同的地方由于不同的土地覆盖类型和房屋类型。 必须在不同地区调整参数产生更好的结果。

我们还发现，当应用相同的规则集时不同的地区，结果可能会有很大差异。 例如，从大多数情况来看，湖滨地区的方法效果更好土地是住宅用地，停车场和停车场较少商业区。

C.准确性评估

从图2中可以看出，分类结果如下通过与0.3米分辨率天线的视觉比较评估照片。 每个区域随机选择100分来创建混淆矩阵。选择三个区进行评估在这个过程中。

从表I可以看出，准确性使用GIS数据排除后，分类可达92.5％来自分类图像的道路。 由于规则的准确性基于方法的方法远远高于基于样本的方法，基于规则的方法的结果用于进一步分析。

Lu，Weng和Li试图利用GIS数据来帮助改善他们的不透水面模型和实现的人口估计精度超过99％[8]。 在基于对象的分类中高分辨率图像，许多道路被分开植被被错误分类为建筑屋顶。 自大多数城市拥有准确的道路GIS数据，数据可以高效用于从提取的建筑区域移除道路。但是，在此应用程序中必须小心使用GIS数据因为在“农业”地区可能有住房被排除在外。

III。人口估计

A.模型的构建

在人口估计部分测试了两个模型：居住区模型和住宅计数模型。

住宅区模型的公式：భ஺ݎ=ܲ௛ ℎ஺మ௛

其中P是人口估计; r是入住率率; h是每人的平均平方米，Aଵ是该区域租来的住宅和Aଶ是自有住宅的区域。

住宅计数模型的公式：P =rhUଵ hUଶ

Uଵ是租来的住宅的数量，Uଶ是拥有住房的数量。 h是每人的人数住宅。其他测试模型将住宅分开公寓和房屋改进模型不包括在内本文。

城市内人口密度的变化不是在大多数模型中考虑过不过，吴，邱和王建议密度变化模型从中心到外部城市的一部分可用于改善基于RS的人口楷模：

d（r）= K * e-lambda;r

其中d（r）是距离距离r的人口密度市中心（r = 0）; K是一个等于中心的常数密度d（0）; lambda;描述密度下降的速率[9]。但是，研究区域有几个中心和密度改变模型可能在这些地方不起作用。

B.住宅区模型的参数估计由于图像是在2008年推出的，因此人口普查免费年，必须首先估算实际人口。

如表二所示，估计的平均家庭规模2008年是2.6。 据推测，人口年增长率费率没有太大变化，2008年的估计人口是根据2011年公布的人口增长率而定1.3％。

如表III所示，估计入住率根据Kitchener（该市的租赁市场调查数据）基什内尔是滑铁卢的邻近城市加拿大抵押和住房公司（CMHC），10月2009年。

表IV显示了住房的百分比不同结构类型的租金和建筑物数量。但是，家庭的公寓数量不可能因为普通家庭直接用于这个模型一间公寓的电话号码不详。

表V显示了派生的总占用居住面积，平均家庭规模和h的计算结果区。

占用面积是使用总面积的结果划分空置的租赁区域。它可以在表IV中找到甚至Lakeshore North区的居住区也更大然而，比哥伦比亚地区的人口，下降到5885.这可能是由于差异造成的他们的平均家庭规模。

平均家庭规模与h之间的关系可以理解为平均家庭规模更大，人们可能住在更大的房子里。但是，进一步需要进行测试来证明这种关系。要解决这个问题问题，平均家庭规模也作为变量添加在模型中。该问题的另一个解决方案是使用数据来自与城市相似的家庭规模的地区平均。

基于线性回归模型，人口可以通过以下等式估算：

P = 0.022a -710.18b 2690.02

P是人口; a是居住区; b是平均值房子大小。

自从导出城市总占用居住面积滑铁卢的面积为4255399平方米。该方法由评估将等式4应用于整个区域和估计的然后计算城市人口为94462.33。该与此相比，该估计的准确率为96.7％通过人口普查数据得出的估计。

C.住宅计数模型的参数估计

首先，城市的衍生建筑足迹是通过设定门槛将房屋和公寓分开值。 由于加拿大的平均房屋面积约为18002003年的平方英尺，门槛设定为300平方米[11]。

表VI显示了导出的总占用住宅数。平均家庭规模不包括在此表格中。但是，似乎地区的平均水平相似家庭规模可以更好地代表城市的人口模型。

其次，使用线性回归方法推导出最终模型。 在估计的模型中，房屋的变量是0.220; 公寓的变量是16.127，常数是3415.909。 但是，R2 该模型仅为0.887。

P = 0.220a 16.127b 3415.909

P是人口; a是门数; b是公寓数。

从等式5可以看出，当应用时整个城市的住宅数量来源于派生人口模型，人口估计为82364.44和该模型的准确度仅为84.3％。

虽然住宅之间有一定的关系数和人口，模型不能很好地代表它由于模型中的错误。 错误主要来自于分类和模型本身

首先，派生的建筑物足迹有其错误：它包含许多错误分类的停车场; 一些小噪音可算作房屋; 有很多相邻的房子归类为一个房子。

第二，居住的平均家庭数量公寓可能会有很大差异，公寓的大小可能会有所不同许多。 此外，公寓和住宅的平均家庭规模可以是不同的。 但是，这些数据没有提供人口普查，这使得很难估计这些参数。

V。讨论

分类结果显示高分辨率图像可用于提取建筑物的足迹。 另外，GIS数据在排除无住宅区方面有其局限性。

从回归模型可以看出选择模型输入对于参数估计很重要处理。 样品应选择不同的尺寸获得更好的结果。 但是，分辨率高图像可能很耗时。 为了更好地估计人口模型，应包括更多的样本回归模型。

为了更好地评估模型，高分辨率图像从另一年开始需要用于准确性评估处理。

总之，该项目的结果表明RS可以某些人口估计过程中的有用工具的情况。 但是，该方法需要某些输入和可能不适用于大城市。 使用居住区时在有很多高层建筑的地区居住计数模型公寓，结果可能会受到影响。

住宅区模型显示出更好的准确性与本研究中的住宅计数模型进行比较，即与以往的研究不同。 这主要是由于分类结果，其中住宅数量较低比预期。 结果表明，当相邻的住宅被错误分类为一个对象，分类错误影响居住计数模型而不是居住区模型。由于提出的方法不能分开房屋和公寓很好，我们计划使用光探测和测距（激光雷达）数据获取人类生存空间的体积数据进行细化未来研究中的估计结果。

尽管该研究显示了可接受的结果，但仍有一些有待解决的问题，如决定RS图像的最佳尺度，减少植物的影响覆盖RS图像和激光雷达数据，找到合适的模型，校正衍生数据，如住宅数，住宅体积和居住区[12]。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[17986]，资料为PDF文档或Word文档，PDF文档可免费转换为Word