【技术实现步骤摘要】
本专利技术属于遥感科学与，具体涉及一种基于深度学习的城镇人口统计数据空间化方法及装置。
技术介绍
1、人口数据作为人类活动的直接指标，与各种社会要素密切相关。准确的人口分布图可以支持监测、评估和决策，随着地球观测技术的进步，多源遥感数据的应用促进了空间化人口分布研究的发展，在多源遥感数据和其他地理信息数据的基础上，已经生成了全球多年人口空间化数据产品，这些产品在填补全球数据空白方面取得了显著进展。然而，由于分辨率（例如，worldpop的分辨率为100米）和准确性的限制，这些数据集在支持深入应用以满足当前时代对人口细粒度管理的需求方面仍面临挑战，如智慧城市、乡村建设和准确的公共资源分配。
2、在人口分布数据生产过程中，由于夜光（ntl）数据能够捕捉到从太空夜间观察到的地球表面发射的可见光，因此被广泛用作主要数据源。然而，这些数据的空间分辨率（dmsp-ols为1公里，npp-viirs为500米）一直是实现详细和精确人口分布图的限制因素。
3、卫星sdgsat-1配备了先进的glimmer成像仪（gli），它创新性的采用了彩色波段，凭借40米的空间分辨率，gli彩色图像能够准确探测不同类别的城市和农村灯光，并展示比大多数现有夜光卫星数据更多的空间和光谱细节。因此，sdgsat-1的gli在高分辨率、空间详细的人口分布图方面具有更大的潜力。
4、在人口分布数据生产过程中，通常使用计数映射方法通过人口普查的独立样本建立人口变量和协变量之间的关系。当ntl数据和辅助数据集成到模型构建中时，智能计数映
5、最近，深度学习在各个领域显示出有希望的能力，因为它能够自动从大型数据集中学习复杂的特征。目前，主要采用两种方法来生成训练样本。一种涉及使用来自行政单位的人口统计数据，但训练和目标数据之间的空间尺度差异可能影响准确性，特别是在高分辨率人口分布映射中；另一种方法使用如worldpop之类的人口网格数据。尽管这是深度学习在人口分布研究中使用的主要方法，由于其分辨率较低且数据年份有限，使得它可能并不总是与实际人口分布一致，这可能会降低结果的准确性。当深度学习方法用于人口分布映射时，主要是通过使用像素级数据作为训练样本来建立输入特征和人口数据之间的关系。常用的模型包括一维卷积神经网络（cnn）和多层感知器（mlp）。虽然这些方法是简单有效的，但它们有局限性，因为它们忽视了人口分布数据中的空间信息。然而，人口分布的高度异质性，加上扩大邻域空间会稀释中心像素信息的重要性，可能会导致人口估计的性能下降。
6、因此，为了提高人口分布估计的准确性，有必要改变当前的模型结构和训练方法，需要将能够考虑地理单元信息和空间定位特征的模型整合到人口分布研究中。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种基于深度学习的城镇人口统计数据空间化方法及装置，采用了sdgsat-1 gli图像和深度学习的高分辨率人口映射方法，在开放街道地图数据（osm）和全球建筑区足迹（wsf）数据的多尺度特征约束下，细化了人口分布范围，以减少非居住区对人口分布映射精度的影响，使用基于多元回归和分级筛选的精细样本集生成方法，筛选不同人口密度水平的网格数据；受语义分割中使用的u形网络启发，提出了一个增强高效多尺度注意力模块的精细人口映射网络（pnet），实现了更准确和高分辨率的人口空间分布结果。
2、为实现上述目的，本专利技术采用的技术方案如下：
3、一方面，本专利技术提供一种基于深度学习的城镇人口统计数据空间化方法，所述方法包括如下步骤：
4、步骤1、对获取的夜光数据进行预处理，并根据夜光数据的分辨率对全球建筑区足迹数据和城市建筑高度数据进行重采样；
5、步骤2、在开放街道地图数据和重采样后的全球建筑区足迹数据的多尺度特征约束下，对预处理后的夜光数据和重采样后的城市建筑高度数据进行区域尺度和建筑尺度的空间约束，得到经过空间约束的城市建筑高度数据和夜光目标区域；
6、步骤3、将人口统计数据作为因变量，经过空间约束的城市建筑高度数据和夜光目标区域作为自变量，基于多元回归模型和分级筛选的方法生成空间化精细训练样本；
7、步骤4、构建深度学习模型，利用空间化精细训练样本对深度学习模型进行训练，得到训练好的权重模型，使用经过空间约束的城市建筑高度数据和夜光目标区域作为训练好的权重模型输入，进行人口分布映射，得到精细的人口空间化结果。
8、进一步的，所述步骤1包括：
9、将获取的夜光数据转换为每个波段的辐射亮度，基于每个rgb通道的亮度计算得到夜光数据图像的平均亮度；
10、采用双线性重采样方法对全球建筑区足迹数据和城市建筑高度数据进行下采样，使得多源数据分辨率一致。
11、进一步的，所述步骤3包括：
12、建立多元回归模型，将所述平均亮度和建筑高度作为自变量，人口统计数据作为因变量，推导出平均亮度和建筑高度的回归权重，获得研究区域内各个网格的人口权重因子；
13、对研究区域内各个网格的人口权重因子进行赋值，得到研究区域内的人口网格化数据；
14、将研究区域根据人口密度分为不同等级，针对每个人口密度等级，基于人口网格化数据计算相对误差，得到每个人口密度等级下对应的相对误差最小的研究区域，并将每个人口密度等级下对应的相对误差最小的研究区域作为空间化精细训练样本。
15、进一步的，所述步骤4中深度学习模型的构建包括：所述深度学习模型包括pnet模型，所述pnet模型包括编码器、解码器和连接器，其中，
16、所述编码器包括结构相同的第一浅层特征生成模块与第二浅层特征生成模块，分别用于生成第一浅层特征、第二浅层特征；
17、所述第二浅层特征与连接器进行第二跳跃连接后输入所述解码器；
18、所述解码器相对于编码器对称设计，包括第一深层特征生成模块和第一输出模块，其中，第一深层特征生成模块的ema模块用于接收第二跳跃连接后的输入以生成第一深层特征；所述第一浅层特征与第一深层特征经连接器进行第一跳跃连接后输入第一输出模块的ema模块，以生成精细的人口空间化结果。
19、另一方面，本专利技术提供一种基于深度学习的城镇人口统计数据空间化装置，所述装置包括：
20、夜光数据预处理单元，用于对获取的夜光数据进行预处理，并根据夜光数据的分辨率对全球建筑区足迹数据和城市建筑高度数据进行重采样；
21、空间约束单元，用于在开放街道地图数据和重采样后的全球建筑区足迹数据的多尺度特征约束下，对预处理后的夜光数据和重采样后的城市建筑高度数据进行区域尺度和建筑尺度的空间约束，得到经过空间约束的城市建筑高度数据和夜光目标区域；
22、精细训练样本生成本文档来自技高网...
【技术保护点】
1.一种基于深度学习的城镇人口统计数据空间化方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的城镇人口统计数据空间化方法，其特征在于，所述步骤1包括：
3.根据权利要求1所述的一种基于深度学习的城镇人口统计数据空间化方法，其特征在于，所述步骤3包括：
4.根据权利要求1所述的一种基于深度学习的城镇人口统计数据空间化方法，其特征在于，所述步骤4中深度学习模型的构建包括：所述深度学习模型包括PNet模型，所述PNet模型包括编码器、解码器和连接器，其中，
5.一种基于深度学习的城镇人口统计数据空间化装置，其特征在于，所述装置包括：
6.一种电子设备，其特征在于，包括：
7.一种计算机可读存储介质，其特征在于，其上存储有可执行指令，该指令被处理器执行时能够使处理器实现权利要求1-4任一项所述的一种基于深度学习的城镇人口统计数据空间化方法。
【技术特征摘要】
1.一种基于深度学习的城镇人口统计数据空间化方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的城镇人口统计数据空间化方法，其特征在于，所述步骤1包括：
3.根据权利要求1所述的一种基于深度学习的城镇人口统计数据空间化方法，其特征在于，所述步骤3包括：
4.根据权利要求1所述的一种基于深度学习的城镇人口统计数据空间化方法，其特征在于，所述步骤4中深度学习...
【专利技术属性】
技术研发人员：吴樊，段浩轩，许璐，张红，
申请(专利权)人：海南空天信息研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。