2021-11-30-亚开行-利用地理空间信息编译粒度人口数据（英）_31页_1mb

报告摘要

总结：使用地理空间信息编译细粒度人口数据

核心内容

本研究探讨了如何利用地理空间信息编译细粒度人口数据，并评估了不同方法在预测和估计人口密度方面的适用性。研究重点在于通过集成方法（如随机森林和贝叶斯模型平均）来提高人口数据的准确性、及时性和空间分辨率，以支持更精细的公共政策制定、灾害响应和基础设施规划。

主要观点

人口数据的重要性
- 准确和及时的人口数据对于政府决策、资源分配、基础设施规划和可持续发展目标的监测至关重要。
- 在疫情等特殊情况下，人口数据的及时更新尤为重要，因为传统的面对面调查方式可能受限。
数据来源
- 使用来自菲律宾统计局和泰国国家统计局的官方人口数据。
- 数据与地理信息系统（GIS）划定的行政边界（如市镇、村、乡镇）匹配。
- 采用多种地理空间数据作为辅助变量，包括土地覆盖类型、数字高程模型、夜间灯光、气候数据等。
数据处理
- 将所有数据转换为统一的栅格格式，以便进行建模和分析。
- 对于向量数据，进行栅格化处理；对于栅格数据，调整投影、分辨率和原点以确保一致性。
- 在缺乏目标年份数据的情况下，使用最近可用的年份数据进行替代。
方法论
- 随机森林（Random Forest）
  - 一种集成方法，通过构建多个回归树进行预测。
  - 每个树使用随机子集的特征和训练数据，以减少过拟合和提高泛化能力。
  - 使用自然对数作为响应变量，以提高预测精度。
  - 随机森林的预测结果为所有树预测值的平均。
  - 通过袋外误差（out-of-bag error）调整参数 $m$（每棵树使用的特征数量），以优化模型性能。
- 贝叶斯模型平均（Bayesian Model Averaging, BMA）
  - 一种基于贝叶斯推理的集成方法，用于模型选择和变量权重分配。
  - 与随机森林不同，BMA 使用简单线性回归模型，直接估计每个变量对因变量的影响。
  - 考虑所有可能的变量组合，内部评估其解释力并赋予不同权重。
  - 结果为加权平均，更重视解释力较强的模型。
研究结果
- 使用随机森林方法对菲律宾和泰国的人口密度进行网格化（100米×100米）估计。
- 对泰国三个省（乌东他尼、乌泰他尼、Samut Songkhram）的人口密度进行预测，并评估模型的预测能力。
- 随机森林在预测中表现良好，能够有效利用地理空间数据，提高人口密度估计的精度。
- BMA 方法也被用于预测，通过加权平均的方式考虑模型不确定性。

关键信息

数据来源：包括政府发布的统计数据、GlobCover 土地覆盖数据、HydroSHEDS 数字高程数据、MODIS 净初级生产力、WorldClim 气候数据、夜间灯光数据（来自 VIIRS）以及 OpenStreetMap 和 Protected Planet 提供的地理特征数据。
地理空间分辨率：研究采用 100 米×100 米的网格单元进行人口密度估计，使得数据更加细化和实用。
研究区域：菲律宾和泰国，特别关注泰国的三个省份。
预测变量：包括土地覆盖类型、高程、坡度、净初级生产力、温度、降水、夜间灯光、基础设施（如学校、村庄）等。
模型评估：通过计算均方根误差（RMSE）和平均绝对误差（MAE）来评估模型预测性能。
研究意义：细粒度人口数据在支持政策制定、灾害响应和基础设施规划方面具有重要价值，特别是在传统数据收集方式受限的情况下，地理空间数据提供了重要的补充。