文章信息：Filipe Batista e Silva, Sérgio Freire, Marcello Schiavina, Konštantín Rosina, Mario Alberto Marín-Herrera, Lukasz Ziemba, Massimo Craglia, Eric Koomen, & Carlo Lavalle. (2020). Uncovering temporal changes in Europe’s population density patterns using a data fusion approach. Nature Communications: 11(1), 4631. https://doi.org/10.1038/s41467-020-18344-5
阅读笔记：王舜奕
阅读时间：2020年9月26日
Abstract: The knowledge of the spatial and temporal distribution of human population is vital for the study of cities, disaster risk management or planning of infrastructure. However, information on the distribution of population is often based on place-of-residence statistics from official sources, thusignoring the changing population densities resulting from human mobility. Existing assessments of spatio-temporal population are limited in their detail and geographical coverage, and the promising mobile-phone records are hindered by issues concerning availability and consistency. Here, we present a multi-layered dasymetric approach thatcombines official statistics with geospatial data from emerging sources to produce and validate a European Union-wide dataset of population grids taking into account intraday and monthly population variations at 1 km2resolution.The results reproduce and systematically quantify known insights concerning the spatio-temporal population density structure of large European cities,whose daytime population we estimate to be, on average, 1.9 times higher than night time in city centers.
摘要：人口的时空分布认知对于研究城市、灾害风险管理或基础设施规划都是至关重要的。然而，关于人口分布的资料往往以官方来源的居住地点统计数字为依据，从而忽略了人口流动所造成的人口密度的变化。现有的对时空人口的评估在细节和地理范围上都很有限，而有前景的移动电话记录也受到有关可用性和一致性的问题的阻碍。在此，我们提出了一种多层dasymetric方法，该方法将官方统计数据与新兴来源的地理空间数据结合在一起，生成并验证了一个全欧盟范围的人口网格数据集，其中考虑了1平方公里分辨率下当天和每月的人口变化。研究结果重现并系统地量化了有关欧洲大城市时空人口密度结构的已知数据，我们估计这些城市的白天人口平均比市中心夜间人口高出1.9倍。
选题视角：
1）对区域人口时空分布的认知不完整，目前人口分布的绘制方法依然存在诸多局限性。
2）大型地理空间数据源的出现和增加，为评估时空人口动态创造了新的机会。
3）由于人口的流动性，考虑不同人群和不同时段的空间聚集特征
方法：
开发了一种多层dasymetricmapping方法，该方法根据新地理空间数据源衍生的协变量的选择，分别为不同人口群体的空间分布建模。该方法分为四个相互关联的阶段，如下所示:
(1)估计人口群体的月存量和区域存量;
(2)绘制与人口群体位置相关的LU特征图;
(3)各区域内人口分解到其最可能的位置;
(4)对选定国家的独立数据集进行交叉比较的质量评估。
图 方法论工作流程
研究的突破点：
来自移动网络运营商、传感器或社交媒体等来源的数据提供了高时空分辨率的人类活动地理测量数据，但存在一些限制，如数据访问受限和数据不一致。在本研究中，我们发展了一种方法，以一致的方式建立大区域的时空人口模型，并且不受后一局限性的限制。所采用的方法可称为多层dasymetric制图，它将有关人口群体(即居民、工人、学生和游客)的官方统计数据与传统的地理空间数据(如制图机构)以及新兴的数据来源(如自发地理信息)结合起来。由此产生的人口网格记录了每平方公里的每日和每月的人口变化，使得这个数据集在大陆范围内独一无二。由于该方法模拟的是单个人口群体而不是总人口，因此它在主题上也比仅用移动电话记录所能达到的内容丰富。
图 米兰地区人口密度鸟瞰图。人口密度基于夜间（a）和白天（b）所有月份的平均值。这些表示法覆盖了大约150公里（东西）乘100公里（南北）的带状区域，每个垂直条对应一个1×1公里的网格单元。杆的高度是估计人口的线性函数。夜间最高酒吧（a）记录了23.3万人，白天最高酒吧（b）记录了42.9万人。c所代表区域的地理位置和范围。该数字可以使用公开存放的多时相人口网格75进行复制。行政边界版权归EuroGeographics所有。
图 选定地点人口密度的时空差异。葡萄牙南部（a，b）、意大利北部（c，d）和法兰西岛（e，f）在白天和夜间（所有月份的平均值）（a，c，e）以及8月和1月（夜间）（b，d，f）1平方公里网格水平上的人口绝对差异。这些圆圈代表距离里斯本、米兰和巴黎市中心20公里的半径。该图可以使用公开存放的多时相人口网格75进行复制。行政边界版权归EuroGeographics所有。
图 欧盟最大城市的同心人口密度分布图。2011年欧洲34个人口超过100万的城市的日间（a）和夜间（b）的平均人口密度，以及日间和夜间人口的平均比率（c）。根据Lemoy和Caruso59的规定，重新调整了人口密度和距市中心的距离，使不同人口规模的城市之间的同心人口密度分布具有可比性。a和b中的灰点表示单个城市的人口密度测量值。c中的灰线界定了平均值的95%置信区间。在a和b中，对所有34个城市的人口密度进行了指数曲线拟合，得出R2为0.844和0.754，n=1360（34个城市×40个同心环测量），p值<0.0001，分别适用于白天和夜间。源数据以源数据电子表格文件的形式提供。
原文链接：https://www.nature.com/articles/s41467-020-18344-5
