排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
2.
现有人口空间化方法多基于行政单元构建回归模型并分配格网单元人口,但分析单元的尺度差异引发模型迁移问题。同时,格网特征建模仅考虑格网自身属性,导致格网间空间关联被人为割裂。为此,基于随机森林模型提出一种顾及格网属性分级与空间关联的人口空间化方法。该方法在格网特征建模中:（1）基于自然断点法构造建筑区类别约束的夜间灯光分级特征,并在行政单元尺度统计各等级网格占比作为训练输入,以减小模型跨尺度误差;（2）利用核密度估计刻画邻域兴趣点（point of interest, POI）对当前格网人口分布的影响及距离衰减效应;（3）基于叠置分析统计不同类型建筑区轮廓包含的各类POI数量,提升特征建模精细度。选取武汉市作为实验区域,在街道尺度与WorldPop、GPW及中国公里网格人口数据集进行对比验证方法的有效性。结果表明,该方法的平均绝对值误差仅为对比数据集的1/6~1/3。此外,还探讨了特征构成、格网大小及核密度带宽对精度的影响。 相似文献
3.
作为二阶点模式分析方法,Ripley's K函数（简称K函数）以距离为自变量探测不同尺度下点事件的分布模式及演变规律,在生态学、经济学、地理学等诸多领域得到广泛应用。然而,随着点规模的增加,估计与模拟阶段点对距离遍历计算时间开销激增,严重制约了K函数的应用,算法流程优化与并行加速成为应对海量点数据下K函数性能瓶颈及可计算性问题的关键技术手段。针对默认数据分区未考虑点事件空间邻近性导致跨节点通讯成本高昂且K函数距离阈值较大时索引优化失效的现象,本文提出一种基于空间填充曲线的K函数优化加速方法。该方法采用Hilbert曲线构建空间分区,在顾及数据空间邻近性的前提下减少分区间数据倾斜和通讯开销;在分区基础上,利用Geohash编码改进各分区内本地空间索引策略加速点对距离计算。本文以湖北省工商企业注册数据为例,通过对比实验分析了默认分区无索引、KDB分区组合R树索引、本文Hilbert分区组合Geohash索引算法在不同数据规模、距离阈值、集群规模下的计算耗时。结果表明,300 000点数据规模下本文方法的时间开销约为默认分区无索引方法的1/4,9台节点下加速比超过3.6倍。因此,该方法能有效提升分布式环境下K函数计算性能并具有良好的可伸缩性,可为其他点模式分析方法的优化提供参考。 相似文献
1