基于風險普查建筑物隱患數據和夜間燈光數據的云南省盈江縣人口分布精細化研究

鄭川 賈召亮 許瑞杰 李兆隆 壯延

摘要：現有的在地震應急中人口空間化數據因制作方法、數據來源不同，導致人口空間化產品存在較大差異，人口空間分布數據無法滿足震后地震應急期間數據需求。以云南省盈江縣為研究區，基于第七次全國人口普查盈江縣數據、第一次自然災害風險普查數據和夜間燈光遙感影像數據，利用空間疊加法計算人口分布權重，結合面積權重得到盈江縣100m×100m格網的人口空間化結果。經精度評定，研究區所有鄉鎮人口空間化相對誤差絕對值均小于0.6%，與2020年鄉鎮街道人口統計數據的相關系數R2接近1。結果表明，結合鄉鎮尺度人口統計、夜間燈光影像和重點隱患調查等數據所構建的人口空間化模型，所獲100m×100m格網的人口密度數據精度得到了顯著提高。

關鍵詞：自然災害風險普查；燈光遙感影像；人口空間化；精細化；盈江縣

中圖分類號：P315.94文獻標識碼：A文章編號：1000-0666（2023）03-0403-12

doi：10.20015/j.cnki.ISSN1000-0666.2023.0045

0引言

地震發生后，準確掌握震區受災情況對地震應急救災工作和救災物資的優化配置起重要作用。人口空間分布是開展生命損失評估的關鍵數據（袁小祥等，2018），提高人口分布數據精度對于解決地震災害預評估、災害風險研究及應用具有重要意義。人員傷亡、經濟損失、需轉移安置人數等多個地震災害預評估模型中，人口信息數據均為其主要計算參數，人口空間分布數據的準確性直接影響預評估結果。研究人員基于多源數據和不同的研究方法對人口的空間化做了大量的研究，形成了一系列具有代表性的模型和方法。早期的人口空間分布估計以行政區劃統計數據為基礎，通過分析地貌形態、坡度、地形起伏度（曹彥波等，2014）、高分辨率遙感（朱守杰等，2020）、土地利用類型（柏中強等，2015；Gongetal，2020；潘穎等，2020）、居民點信息（孫艷萍等，2018）等基礎地理信息之間的統計關系，以回歸建模方式對人口統計數據進行格網化空間模擬（劉軍等，2016；楊曉榮，陳楠，2019）。隨著大數據挖掘技術的發展，大量研究發現夜間燈光數據（郭山山等，2016；王明明，王卷樂，2019）、POI數據（淳錦等，2018；杜志強等，2021）、手機信令（王曉潔等，2020）等信息數據與人口分布具有較強的相關性，可以通過數值模擬得到人口空間分布。多源數據的精準匹配與有效融合，有效彌補了傳統數據時效性差、空間精細度不夠等不足（劉云霞等，2022），促使人口空間化數據質量不斷提高。但不同的數據源和方法各有優、缺點：如居民點、行政區建筑物、土地利用類型等數據能準確表示人口分布的宏觀空間范圍，卻不能反映其內部的人口密度差異特征，將人口數據與自然生態數據耦合使用，僅能滿足多種空間分析、統計和建模的需求；夜間燈光、POI、手機信令等信息數據能在一定程度上體現人口分布的疏密程度，但像元飽和溢出、數據收集困難、大數據有偏性等問題也影響著人口數據空間化結果的精度；多源數據建立的空間化統計模型面臨各因子之間存在關聯、因子權重判定難的挑戰；地震應急人口空間化研究大多基于行政區劃統計或較大尺度的格網數據，針對人口分布精細尺度的研究較少。鑒于上述各種空間化數據、方法的優劣，集成更加精細數據和空間化方法建立更精確的人口空間化模型，已成為地震應急人口空間分布研究的重要趨勢之一。

大量研究表明，人口空間分布與建筑物分布有最直接的關聯（李慧敏等，2022），夜間燈光數據能反映人類活動，是進行人口空間化建模的理想數據（陳晴，侯西勇，2015）。本文基于第七次全國人口普查盈江縣數據、盈江縣第一次全國自然災害綜合風險普查建（構）筑物地震災害隱患數據和夜間燈光影像數據，利用普查數據時效性和精細度高的優勢，開展基于夜間燈光值、不同類型建筑物數量的面積權重人口精細化方法研究，并以盈江縣為例實現100m×100m格網的人口精細化研究。

1研究區概況和數據源

1.1研究區概況

盈江縣國土面積為4316.97km2，占德宏州面積的38.6%，轄8鎮7鄉，97個行政村、11個社區，常駐人口292508人；地處云南省西部、德宏州西北部，東北面與騰沖市接壤，南面與隴川縣接壤，西面與緬甸聯邦共和國為鄰。盈江縣地震多發，全區受地震災害影響較大，自1992年以來，區內共發生8次5.0級以上破壞性地震，全縣境內所有鄉鎮均遭受過Ⅵ度及以上地震烈度破壞。

1.2數據來源

本研究選取的數據源（表1）包括：①第一次全國自然災害綜合風險普查建（構）筑物地震災害隱患數據以及在盈江縣共收集到85036條單體房屋信息數據；②行政區劃數據來源于云南省地圖院；③行政區劃人口經濟數據來源于《云南行政區劃簡冊》①（云南省民政廳，云南省地圖院）；④夜間燈光影像數據來源于美國國家海洋和大氣管理局（NOAA）②；⑤中國人口空間分布公里網格數據來源于資源

1.3數據預處理

本文所需的數據由于來源、數據格式、范圍和投影坐標等不一致，因此需要在人口空間化計算之前進行預處理，主要包括統一坐標系、重采樣統一空間分辨率、數據范圍裁剪以及數據格式轉換等。具體操作如下：

（1）統一坐標系：將盈江縣1∶25萬行政區劃鄉鎮界限數據以及2020年夜間燈光數據轉換至Krasovsky_1940_Albers投影坐標系和CGCS2000地理坐標系。

（2）建筑物重點隱患數據格式轉換：獲取的盈江縣建筑物重點隱患數據包括定位點的經緯度、工程名、工程類型、所屬行政區劃、建筑規模、建筑年代、抗震設防類別、場地類型、現存災害、住建數據類型等屬性信息，格式為xls。將其導入ArcGis軟件，根據經緯度信息生成85036個Shapefile點數據，并對點數據進行投影轉換至Krasovsky_1940_Albers投影。

（3）100m尺度重采樣：將2020年盈江縣夜間燈光數據柵格投影至CGCS2000坐標系，通過柵格計算器得到年度平均燈光值，然后重采樣至100m格網（圖1）。

（4）掩模裁剪：根據盈江縣鄉鎮界限數據對重采樣夜間燈光數據、WorldPop數據集人口格網數據和中國人口空間分布公里網格數據集進行掩模裁剪，文件格式為TIFF。

2研究方法

對比盈江縣第一次全國自然災害綜合風險普查建（構）筑物地震災害隱患房屋單體數據與天地圖遙感影像空間位置分布（圖2），可以看出兩者對應較好，盈江縣區內高層住宅主要分布在縣級行政中心和經濟發展較好的平原鎮，其他鄉鎮則以獨戶獨院式低層住宅為主。對盈江縣15個鄉鎮建筑物數量、面積與統計人口之間進行相關性分析，得出鄉鎮統計人口與重點隱患建筑物數量的相關系數R2為0.9774（圖3a），與建筑物面積的相關系數R2為0.8938（圖3b），表明人口分布與建筑物數量、面積存在明顯的線性相關性。夜間燈光與人類活動密切相關，云南城鎮地區鄉鎮統計人口與燈光亮度值的相關系數較高（賈召亮等，2020），夜間燈光亮度值可以直觀反映人口密度的大小。本文將存在高層住宅的鄉鎮劃分為城鎮地區，將其他鄉劃分為鄉村地區，對城鎮地區和鄉村地區分別建立數學模型。

2.1模型建立

本文基于第七次人口普查鄉鎮尺度人口統計數據、第一次全國自然災害風險普查重點隱患調查建筑物單體數據和夜間燈光遙感數據開展盈江縣100m×100m格網的人口空間化。建模流程如圖4所示，包括對重點隱患調查單體建筑物、夜間燈光遙感數據預處理操作，結合空間疊加分析、核密度分析原理，判斷單體建筑數據所在位置，累計得到各鄉鎮不同建筑類型的分布比例，統計不同類型建筑的夜間燈光亮度值，即統計人口分配權重P，從而將2020年鄉鎮統計人口按照分配權重P分配到不同建筑類型上?；贏rcGIS生成100m×100m尺度的漁網，統計每個格網不同工程類別建筑的面積，并根據面積權重法計算其人口模擬值，進行初步人口空間化。

2.1.1面積權重法

傳統面積權重法常被用于社會經濟數據空間化研究中，是一種基于變量值保持一致的方法。它的基本原理是：假設源區A范圍內人口為均勻分布，目標區a的人口密度等于源區A的人口密度，計算目標區a的人口Pa公式為：

式中：Pa代表目標a的預測人口值；Sa代表目標區a的面積；PA代表A區域人口統計值；SA代表A區域面積。

2.1.2加權分析法

與實際相比，以不同類型建筑數量作為影響人口分布的因素，得到的僅是一種近似結果，不能表達出城鎮人口分布的細節信息，需要尋求一種能夠從微觀尺度反映城鎮及其周邊區域人口分布隨機性的數據來輔助建模（韓貞輝等，2013）。夜間燈光遙感影像是人類活動的重要指示因子，在城鎮區，夜間燈光亮度值與鄉鎮統計人口數間

相關系數較高，房屋數量和夜間燈光數據加權結合可以從微觀層面上反映人口分布的細節?；谝陨戏治?，可通過加權分析確立人口密度影響權重為：

式中：P為人口密度分配權重；P1、P2分別為基于建筑物數量和燈光亮度值的人口密度權重；a1、a2是權重的配比系數。

基于房屋數量的人口密度權重空間分布規律性明顯，反映了在城市區域人口分布的宏觀特征，而基于夜間燈光的人口密度權重則反映了微觀尺度下人口分布的隨機特征，兩者的作用比重還有待深入研究。本文暫且認為在城鎮地區兩者的作用是等量的，即權重分配比例系數：a1=a2=0.5。

2.1.3核密度估計法

核密度估計法是空間分析中運用廣泛的非參數估計方法，用于計算要素在其周圍領域中的密度（李東平等，2017）。該方法以特定要素點的位置為中心，將該點的屬性分布在指定閾值范圍內，在中心位置處密度最大，并隨距離衰減。對區域內每個要素點依照同樣的方法進行計算，并對相同位置處的密度進行疊加，可得到要素在整個區域的分布密度。設核函數為k，其帶寬為h，則x點處的密度估計為：

式中：k（）為核密度方程；h為閾值；x-xi為估計點x到樣本xi處的距離。100m×100m格網內，人口并不是完全均勻分布的，我們將網格中心看作一個點，該點的值為網格內的人口數，通過計算點值密度來表示人口密度分布。

2.2人口空間化技術實現

2.2.1權重系數確立

本文將不同類型建筑在不同鄉鎮中的統計數量和城鎮區不同類型建筑的夜間燈光亮度統計值歸一化后，得到各建筑類別的人口權重系數。具體流程為：①將建筑類別由.xls格式轉換為空間矢量數據，讀取建筑單體定位數據并進行投影轉換。②判斷單體建筑所屬行政區劃。③遍歷80532個建筑單體定位點，判斷點位于第i個鄉鎮街道單元內并累計次數。④累計定位次數總值得到各類建筑物數據統計表（表2），按照標準化方法將各個鄉鎮的各類建筑指標值進行歸一化處理，將第i個鄉鎮街道作為單位1，歸一化后計算第i個鄉鎮街道單元第j類建筑類型的統計人口分配權重Pij（表3）。

2.2.2初步人口空間化

（1）鄉村地區

天地圖遙感影像與重點隱患調查建筑物數據得出：鄉村地區建筑主要為獨棟庭院式建筑。因此根據面積權重法的基本原理，假設第i個鄉鎮第j類用途建筑上的人口為均勻分布，第i個鄉鎮第j類用途建筑的平均人口密度即為第k個格網單元內第j類建筑類型的人口密度，根據式（1）、（2）計算第k個格網單元的初步人口預測值為：

式中：Pij代表第i個鄉鎮第j類用途建筑的統計人口分配權重；POPi代表第i個鄉鎮街道的統計人口值；Sij代表第i個鄉鎮街道第j類用途建筑的面積；Skj代表第k個格網第j類用途建筑的面積；m代表建筑用途類型的總數。

（2）城鎮地區

在云南地區，隨著城鎮化的發展，城市內部人口分布的空間差異性越來越大，特別是高層住宅樓、商業中心和辦公樓等，小面積的土地上聚集大量的人口。因此，在城鎮化較高區域引入夜間燈光亮度統計值作為人口密度分配權重，避免傳統的面積權重法在人口計算時帶來的局部誤差。第七次全國人口普查盈江縣數據顯示城鎮人口主要分布在縣城所在鄉鎮，將城鄉人口比例帶入城鎮人口空間化模型，由式（1）、（2）、（4）計算縣級行政中心所在鄉鎮第k個格網單元的初步人口預測值POPk：

式中：Pijl代表第i個鄉鎮第j類用途建筑的燈光亮度統計人口分配權重；Fkj代表第k個格網第j類用途建筑的燈光亮度值；Fijl代表第i個鄉鎮第j類用途建筑的燈光亮度統計值。

3結果與分析

根據鄉村、城鎮地區人口空間化模型計算得到盈江縣100m×100m格網人口空間化結果（圖5）。由表2～3可以看出，人口主要分布在住宅、商業中心、社會服務保障設施和其他用途建筑中。傳統面積權重法的目標區為整個區域建筑，實際上不同地區、不同類型建筑的人口分布具有差異。本文引入第一次自然災害風險普查重點隱患數據和夜間燈光遙感數據，利用這兩種數據表征人口空間分布優勢，結合普通面積權重法的基本原理，將目標區縮小到鄉鎮街道內部不同用途建筑上，這在一定程度上克服了傳統方法目標區范圍較大造成鄉鎮街道人口空間化結果不準確的缺陷，得到2020年盈江縣100m×100m人口格網數據。由圖5可見，人口密度高的地區主要集中于各級行政區劃中心，盈江縣區域內最大格網值為592人/萬m2，為盈江縣平原鎮江岸明珠小區1期及周邊1個酒店人口之和，大部分地區是人口密度為0的無人區域，這一結果基本反映了盈江縣人口分布的基本狀況。

3.1內檢精度比

相對誤差計算公式為：

相對誤差=擬合人口-普查人口[]普查人口×100%（6）

結合式（6）以及相關性檢驗對人口空間化結果進行定量精度驗證。計算得到相對誤差范圍為：［-0.56％，0.51％］，誤差絕對值平均值為0.13％，圖6相關性分析結果表明，盈江縣15個鄉鎮的空間化人口數據統計值和鄉鎮人口數據相關系數R2接近１，檢驗結果表明本研究的人口數據空間化結果達到了較高的精度。

3.2與全國、全球人口格網數據比較

將本文人口空間分布研究成果（以下簡稱POP2020）與中國人口空間分布公里網格數據集（以下簡稱ChinaPOP）和全球人口網格數據集（以下簡稱WorldPOP）進行比較可以看出：

（1）研究方法。ChinaPOP數據是在計算各縣級行政單元單位權重人口占比的基礎上，應用柵格空間計算，把單位權重上的人口數與總權重相結合，進行人口的空間化；WorldPOP數據采用的是機器學習方法，通過隨機森林的動態分布模型，導入豐富的基礎變量數據后計算得出，流程簡單，但該方法計算較為龐雜；本文的POP2020方法選用的人口、建筑物數據精度高，計算模型影響因子較少，便于人口空間化。

（2）數據成果。將3組人口格網數據按鄉鎮行政區劃進行統計，可以看出3組格網人口數據總量均接近于普查統計人口，POP2020數據最接近普查統計人口值（圖6），ChinaPOP與WorldPOP的部分鄉鎮人口數量與實際統計結果存在數量級差距（表4）。

（3）人口空間分布。由圖7可以看出，3組人口空間分布圖能在一定程度上宏觀地反映區域人口的疏密，但ChinaPOP人口空間分布與研究區人口的實際分布嚴重不符；POP2020與WorldPOP人口空間分布情況大體一致，但由于POP2020選用了災害風險普查建筑物單體數據，人口數據的空間分辨率明顯較高。

3.3實際震例中的應用

在完成人口空間化的基礎上，以2021年6月12日云南省盈江縣MS5.0地震為例，對災害調查行政區劃統計人口云南省地震局.2021.2021年6月12日云南盈江5.0級地震災害直接經濟損失評估報告.、云南快速評估系統格網人口http：//47.99.180.16：8081/page/index.html.、盈江縣POP2020格網人口進行對比分析。此次地震造成云南省德宏州盈江縣3個鄉鎮不同程度受災，無人員傷亡，直接經濟總損失約3720萬元。地震災區（Ⅵ度區域）涉及盈江縣勐弄鄉、卡場鎮和蘇典傈僳族鄉的9個行政村（社區）。實地災害調查過程中，按照實際受災行政村進行統計的受災人口為22639人，5549戶；利用云南快速評估系統公里格網計算受災人口為18000人；本文的100m×100m格網統計受災人口為19657人，受災建筑5326棟。從震區人口分布圖看（圖8），Ⅵ度區雖然涉及3個鄉（鎮）9個行政村（社區），但勐弄鄉、卡場鎮并非所有行政村人口都在Ⅵ度區內，蘇典傈僳族鄉僅有少量人口落入Ⅵ度區內，說明基于行政區劃統計的數據容易放大災區受災人口，現有格網數據由于數據源和方法的局限性，數據的空間分辨率暫不能滿足地震應急精細化需求；宏觀震中半徑2km范圍均為無人居住區，這可能是本次地震無人員傷亡的因素之一。本文的人口空間化數據統計估算的受災人口（圖8）避免了行政區劃分割造成的數據分配錯誤，能夠較為合理地反映行政區劃內部的人口空間分布，從而保證災情快速評估結果的可靠性。

4討論

2021年，我國公布第七次全國人口普查數據和第一次全國自然災害綜合風險普查統計調查數據，對該年份開展人口分布的精細化研究可以為鄉鎮級人口數據空間化提供基準。第一次全國自然災害綜合風險普查是我國首次開展的全國性綜合自然災害風險摸底，是一項重大國情國力調查，也是進一步做好防災減災救災工作的重要基礎，為本文的研究提供了單體建（構）筑物的詳細信息數據?；陲L險普查重點隱患調查數據的人口分布精細化研究在未來的地震應急中大有可為，不僅可提高震時人口空間分布估計精度，而且利用其包含的豐富屬性信息，可為地震災害風險的精細化評估提供較為可靠的人口、建筑物數據基礎。

本文利用空間分析準確判斷建筑物單體的位置，累計格網建筑物數量和夜間燈光亮度值，得到統計人口在鄉鎮街道內部不同類型建筑上的實際分配權重?；趥鹘y面積權重法的基本原理，將目標區從整體建筑縮小到鄉鎮（街道）內部不同用途建筑上，結合夜間燈光數據探究多源數據與人口空間分布的關系，有效解決了鄉鎮街道模擬人口和統計人口差異較大的問題。將本文人口空間分布研究成果與中國人口空間分布公里網格數據集和全球人口網格數據集進行綜合比較可以看出：本文研究選用的人口、建筑物數據精度較高，計算模型影響因子較少，便于人口空間化；模擬的盈江縣所有鄉鎮人口值接近行政區劃統計人口值；用構建的盈江縣人口空間化模型得到的人口數據空間分辨率明顯提高，更加符合研究區人口的實際分布。

數據應用方面，結合鄉鎮尺度人口普查統計數據、災害風險普查重點隱患建筑數據和夜間燈光遙感數據等多源數據制作的高精度人口空間化數據具有很大的應用潛力。本文方法不僅能夠為云南地區地震應急人口傷亡、經濟損失、救援力量派遣等快速評估模型提供高精度基礎人口數據支持，有效提高地震災害預評估結果的準確性，提高地震災害精確救援，而且可為全省地震應急提供人口空間化產品，服務于地震應急輔助決策，為地震災害風險評估提供數據支持。

本文方法也存在一定的局限性。在利用人口、房屋普查數據優勢的同時，不可忽略少部分單體建筑物調查數據的有偏性。具體表現在2個方面：①全國災害風險普查重點隱患數據仍需要對少部分數據的準確性進行核查；②人口、建筑普查數據更新周期過長，人口普查數據10年一次，而建筑物普查為第一次。本文通過空間分析證明建筑物單體數據、夜間燈光數據與鄉鎮（街道）統計人口數據具有較強的相關性，顯示出自然災害風險普查數據的優勢，但是沒有對學校和醫院等人口高度集中區域進行定量深入探討，這一部分工作在后續研究中將繼續深入。

5結論

本文基于2021年我國公布的第七次全國人口普查數據和全國自然災害風險普查建筑物隱患調查建筑物單體數據，針對地震應急人口空間化數據對技術方法的需求，進行精細化人口空間分布研究，得到以下結論：

（1）本文的方法融合了人口普查數據尺度小、災害風險普查重點隱患數據精度高、夜間燈光數據反映人口微觀特征好等特點，構建盈江縣100m×100m格網人口空間化模型，能夠充分利用人口普查數據優勢，客觀反映該地區人口真實的空間分布。

（2）在傳統面積權重法的基礎上，結合各類建筑物數量、夜間燈光亮度比重對統計人口空間化進行權重分配，避免了不同鄉鎮同類建筑之間人口分布的差異對空間化結果精度的影響，顯著提高了空間化初步模擬人口分布的精度，并能刻畫出區域內部人口的精細分布特征。

（3）本文的人口空間分布精細化研究選用的數據精度更高，計算方法較為簡單實用；與2020年盈江縣人口普查數據相關系數R2接近100%，鄉鎮尺度統計人口的相對誤差均小于0.6%；本文的人口格網數據空間分辨率明顯高于中國人口空間分布公里網格和全球人口網格數據集。

參考文獻：

柏中強，王卷樂，姜浩，等.2015.基于多源信息的人口分布格網化方法研究［J］.地球信息科學學報，17（6）：653-660.

曹彥波，李永強，李敏，等.2014.基于多源數據的云南人口空間分布模擬研究［J］.中國地震，30（1）：118-131.

陳晴，侯西勇.2015.集成土地利用數據和夜間燈光數據優化人口空間化模型［J］.地球信息科學學報，17（1）：1370-1377.

淳錦，張新長，黃健鋒，等.2018.基于POI數據的人口分布格網化方法研究［J］.地理與地理信息科學，34（4）：83-89.

杜志強，黃冬寧，丁火平，等.2021.融合POI數據的建成區人口數據空間化方法——以武漢市為例［J］.地理信息世界，28（1）：21-25.

郭山山，龔俊，尹晶飛.2016.基于DMSP/OLS的人口分布網格精細化研究［J］.地震研究，39（2），321-326.

韓貞輝，李志強，陳振拓.2013.人口、房屋數據空間化及其在震災快速評估中的應用——以彝良地震為例［J］.地震地質，35（4）：894-906.

賈召亮，鄭川，李袁欣，等.2020.面向地震應急的人口空間化方法研究——以云南省大理白族自治州為例［J］.地震研究，43（4）：751-758.

李東平，黃樂，陳海鵬，等.2017.基于手機位置數據的四川九寨溝7.0級地震人流分析［J］.中國地震，33（4）：602-612.

李慧敏，羅大偉，竇世卿.2022.利用騰訊位置大數據進行多尺度人口空間化估算［J］.測繪通報，（6）：93-97.

劉軍，孫甲寧，宋立軍，等.2016.一個非均勻密度分布的人口房屋格網數據模型［J］.地震工程學報，38（2）：296-301.

劉云霞，田甜，顧嘉鈺，等.2022.基于大數據的城市人口社會經濟特征精細時空尺度估計——數據、方法與應用［J］.人口與經濟，250（1）：42-57.

潘穎，黃萬里，葉士琳，等.2020.基于土地利用類型數據的統計人口空間化模型研究：以福建省為例［J］.云南大學學報（自然科學版），42（4）：701-711.

孫艷萍，陳文凱，張蘇平，等.2018.基于居民點密度的人口空間化及在四川九寨溝7.0級地震中的應用［J］.地震工程學報，40（S1）：174-179.

王明明，王卷樂.2019.基于夜間燈光與土地利用數據的山東省鄉鎮級人口數據空間化［J］.地球信息科學學報，21（5）：699-709.

王曉潔，王卷樂，薛潤生.2020.基于普查和手機定位數據的鄉鎮尺度人口空間化方法研究［J］.地球信息科學學報，22（5）：1095-1105.

徐新良.2020.中國人口空間分布公里網格數據集（2019版）.［DB/OL］（2020-02-36）［2022-05-20］.http：//www.resdc.cn/DOI），2017.DOI：10.12078/2017121101.

楊曉榮，陳楠.2019.基于多源數據的福建省人口數據空間化研究［J］.貴州大學學報（自然科學版），36（2）：79-85.

袁小祥，王曉青，竇愛霞，等.2018.面向地震風險評估的人口空間格網化技術研究［J］.地震，38（4）：151-158.

云南省民政廳，云省省地圖院.2020.云南行政區劃簡冊［M］.長沙：湖南底圖出版社.

朱守杰，杜世宏，李軍，等.2020.融合多源空間數據的城鎮人口分布估算［J］.地球信息科學學報，22（8）：1607-1616.

BondarenkoM，KerrD，SorichettaA，etal.2020.Census/projection-disaggregatedgriddedpopulationdatasetsfor189countriesin2020usingBuilt-SettlementGrowthModel（BSGM）outputs［J］.WorldPop，UniversityofSouthampton，UK.doi：10.5258/SOTON/WP00684.

GongP，ChenB，LiXC，etal.2020.MappingessentialurbanlandusecategoriesinChina（EULUC-China）：Preliminaryresultsfor2018［J］.ScienceBulletin，65（3）：182-187.