基于情境化地理加权神经网络的城市人口密度高精度网格化估算方法研究

针对传统人口估算方法难以捕捉城市内部人口分布异质性的问题，本研究创新性地提出情境化地理加权神经网络(CGWNN)模型，整合人工神经网络与地理加权回归，结合多源数据实现100×100m网格尺度的人口密度估算。该模型(R2=0.85)显著优于忽略空间非线性关联的传统方法，为城市规划、灾害响应等领域提供了更精准的人口分布数据支撑。

　　

随着全球城市化进程加速，预计到2030年城市人口将突破50亿。准确掌握人口空间分布对城市规划、应急管理和公共卫生等领域至关重要。然而传统人口普查数据受限于行政边界划分，难以反映城市内部精细尺度的人口分布差异。现有估算方法面临双重困境：一方面，普通回归模型无法捕捉影响因素与人口密度间的非线性关系；另一方面，地理加权回归(GWR)虽能反映空间异质性，却忽略了相邻网格因不同土地利用类型导致的关联性突变。更棘手的是，城市区域常被简单归类为"不透水面"，这种粗放处理严重制约了人口估算精度。

针对这些挑战，来自中国的研究团队在《Applied Geography》发表创新研究，提出情境化地理加权神经网络(CGWNN)模型。该模型巧妙融合人工神经网络(ANN)的非线性处理能力与地理加权回归的空间分析优势，并引入土地利用类型作为情境变量，成功实现了北京市100×100m网格尺度的高精度人口密度估算。研究团队采用多源数据融合策略，整合人口普查、遥感影像、社会感知和土地利用数据(EULUC-China)，通过Boruta算法筛选关键变量，最终构建的CGWNN模型预测精度(R²=0.85)显著优于WorldPop等主流人口数据集。

关键技术方法包括：1)基于中国城市土地利用分类(EULUC-China)构建情境化权重矩阵；2)整合ANN与GWR的混合建模框架；3)使用北京和上海双城数据进行模型训练与验证；4)采用Boruta算法进行变量重要性筛选。研究特别关注夜间灯光强度(ALAN)等遥感指标与人口密度的非线性空间关联。

【数据集】部分显示，研究采用2020年人口普查数据和乡镇级行政边界作为基准，结合遥感影像提取建筑密度、夜间灯光等特征，辅以POI社会感知数据，构建多维特征体系。

【Characteristics of the selected variables】揭示，距离最近学校、餐厅和汽车服务点的距离是影响人口密度的三大负相关因素。值得注意的是，夜间灯光强度(ALAN)在不同区域与人口密度呈现或正或负的关联，颠覆了"灯光越强人口越密"的常规认知。

【Summary of the key findings】指出，CGWNN模型成功捕捉了不同土地利用类型(如居住区与工业区)间人口分布规律的显著差异。即便地理距离相近，位于不同功能区的网格也展现出截然不同的人口密度特征模式。

结论部分强调，该研究首次在人口估算领域同时考虑了空间非平稳性和土地利用情境效应。模型在上海的验证测试中保持良好性能，证实其可推广性。这项研究不仅为精准人口估算提供了新范式，其方法论框架还可延伸至其他需要处理空间异质性与情境效应的研究领域，如环境暴露评估、疾病风险制图等。研究团队特别指出，未来可将模型扩展至更大区域，并探索整合更多情境变量以进一步提升估算精度。