基于地理加权神经网络模型的城市高分辨率人口密度制图研究

本研究针对城市人口密度估算中非线性关系和空间异质性难题，创新性地提出结合地理加权回归(GWR)与人工神经网络(ANN)的CGWNN模型，通过整合多源数据与地块级土地利用背景信息，在100×100m网格尺度实现R2达0.85的高精度人口估算，为城市规划与灾害应对提供新工具。

　　

随着全球城市化进程加速，到2030年城市人口预计突破50亿，但传统人口普查数据受行政边界限制，难以揭示城市内部人口分布的精细差异。这种"数据鸿沟"严重制约着精准医疗资源配置、应急灾害响应等关键领域。现有基于遥感影像的估算方法往往将城市简单归类为不透水面，忽视了居住区、商业区等不同功能地块间的密度分布规律差异。更棘手的是，学校距离、夜间灯光强度(ALAN)等影响因素与人口密度的关系既存在空间异质性，又呈现复杂非线性特征——这正是地理加权回归(GWR)和传统机器学习方法各自难以单独解决的痛点。

针对这一科学难题，中国研究人员在《Applied Geography》发表的最新研究给出了创新解决方案。研究团队开发出情境化地理加权神经网络(CGWNN)模型，首次在人口估算领域同时整合了三种关键维度：地理加权回归的空间自相关特性、人工神经网络的非线性建模能力，以及地块级土地利用类型的背景信息。该模型以北京为试验区，融合人口普查、遥感影像、POI兴趣点等12类多源数据，在100米网格尺度上实现了R²=0.85的预测精度，显著优于WorldPop等主流产品。

技术方法上，研究首先通过Boruta算法筛选关键变量，保留学校距离、餐饮设施距离等7个核心特征；接着构建双权重体系——地理距离权重保证空间连续性，基于EULUC-China地块数据的类别权重则捕捉跨地块的关联突变；最后通过ANN隐层节点实现非线性转换。验证阶段采用五折交叉验证，并与GWR、ANN等6种基线模型对比。

研究结果揭示多项重要发现：

1. 变量重要性：最近学校距离、餐饮设施距离和汽车服务点距离构成影响人口密度的"黄金三角"，均呈负相关关系。
2. 夜间灯光悖论：ALAN强度在不同区域呈现截然相反的关联方向，颠覆了"灯光越强人口越密"的传统认知。
3. 地块效应：相同地理距离下，居住与工业地块的密度影响因素差异可达37%，证实情境化建模的必要性。
4. 模型迁移性：在上海的验证试验中，CGWNN保持0.79的R²，显示良好泛化能力。

这项研究突破传统人口估算方法的三大局限：首次实现非线性关联与空间情境的协同建模，创新性地将名义型土地利用数据转化为权重矩阵，建立可解释的机器学习框架。其产出的高精度人口网格数据，不仅能提升城市热岛效应评估、疫情传播模拟等科学研究的精度，更可为"15分钟生活圈"规划、应急避难场所选址等民生工程提供决策支持。研究团队指出，该方法可扩展至PM_2.5浓度估算、医疗资源需求预测等领域，为空间大数据分析开辟新范式。