多源遥感数据和随机森林模型驱动的人口空间化研究——以南京为例

传统人口数据调查依赖人工统计,时间周期长,空间分辨率较低.因此,充分挖掘多源遥感数据提供的互补信息,研究机器学习模型驱动的人口精细空间化研究具有重要意义.采用特征递归消除法对不同特征组合进行分析,筛选出兴趣点数据、土地利用数据面积占比、欧氏距离处理后土地利用数据、夜间灯光DN值和道路网密度值组合特征,借助随机森林模型进行人口空间化.结果表明,提出的人口空间化模型在街道尺度上的平均绝对误差为5338,均方根误差为10362,高于GPW、中国公里格网人口数据集精度,而与WorldPop和GHSL数据集精度相当,验证了多源遥感数据和机器学习模型驱动人口空间化研究的可行性.