مجموعه داده های چندگانه جمعیت جهانی: تفاوت ها و ویژگی های توزیع فضایی

خلاصه

داده‌های مکانی جمعیت‌های منطقه در مطالعه تأثیر فعالیت‌های انسانی بر استفاده از منابع و محیط زیست محیطی ضروری است. از آنجا که تفاوت بین مجموعه داده ها و توزیع فضایی آنها هنوز مشخص نیست، این به یک معما در انتخاب و کاربرد داده ها تبدیل شده است. این مطالعه بر اساس چهار مجموعه داده جمعیتی فضایی اصلی است: پایگاه داده تاریخچه محیط جهانی نسخه 3.2.000 (HYDE)، جمعیت شبکه‌ای جهان نسخه 4 (GPWv4)، لایه سکونت انسانی جهانی (GHSL)، و WorldPop. با توجه به تأثیرات احتمالی عوامل جغرافیایی، این مطالعه تفاوت‌ها را در دقت تخمین جمعیت با محاسبه خطاهای نسبی و ثبات توزیع فضایی جمعیت در مناطق مختلف با مقایسه مجموعه داده‌ها پیکسل به پیکسل تجزیه و تحلیل می‌کند. نتایج موارد زیر را نشان می‌دهد: (1) داده‌های منبع، روش‌های فضایی‌سازی، و ویژگی‌های ناحیه موردی بر دقت مجموعه داده‌ها تأثیر می‌گذارند. از آنجایی که منبع اصلی داده، داده های آماری است و روش فضایی سازی جمعیت را در منطقه اداری حفظ می کند، جمعیت های GPWv4 و GHSL به مقدار داده های آماری نزدیک ترین هستند.

(2) استفاده از سنجش از دور، ارتباطات سیار و سایر داده‌های مکانی، مجموعه داده‌ها را در بریتانیا با اطلاعات غنی دقیق‌تر می‌کند و مقدار مطلق خطاهای نسبی کمتر از 4٪ است. در منطقه خودمختار تبت چین، که به سختی می توان داده ها را به دست آورد، چهار مجموعه داده دارای خطاهای نسبی بزرگتری هستند. با این حال، منطقه ای که در آن چهار مجموعه داده کاملاً سازگار هستند در تبت 84.73٪ است، در حالی که در بریتانیا تنها 66.76٪ است. (3) مناطقی که الگوهای فضایی چهار مجموعه داده کاملاً سازگار است، عمدتاً در مناطقی با تراکم جمعیت کم، یا با شهرنشینی توسعه یافته و توزیع جمعیت متمرکز توزیع شده‌اند. مناطقی که مجموعه داده ها سازگاری ضعیفی دارند، عمدتاً در مناطق با تراکم جمعیت متوسط با سطح شهرنشینی بالا توزیع شده اند. بنابراین، در چنین زمینه‌هایی باید ارزیابی دقیق‌تری در طول فرآیند کاربرد داده‌ها انجام شود و در هنگام استفاده از روش‌های فضایی‌سازی، بر بهبود دقت داده‌ها تأکید بیشتری شود. مناطقی که مجموعه داده ها سازگاری ضعیفی دارند، عمدتاً در مناطق با تراکم جمعیت متوسط با سطح شهرنشینی بالا توزیع شده اند. بنابراین، در چنین زمینه‌هایی باید ارزیابی دقیق‌تری در طول فرآیند کاربرد داده‌ها انجام شود و در هنگام استفاده از روش‌های فضایی‌سازی، بر بهبود دقت داده‌ها تأکید بیشتری شود. مناطقی که مجموعه داده ها سازگاری ضعیفی دارند، عمدتاً در مناطق با تراکم جمعیت متوسط با سطح شهرنشینی بالا توزیع شده اند. بنابراین، در چنین زمینه‌هایی باید ارزیابی دقیق‌تری در طول فرآیند کاربرد داده‌ها انجام شود و در هنگام استفاده از روش‌های فضایی‌سازی، بر بهبود دقت داده‌ها تأکید بیشتری شود.

کلید واژه ها:

مجموعه داده جمعیت فضایی ; توزیع فضایی جمعیت ; تفاوت ؛ ثبات

1. معرفی

رشد جمعیت فشارهای خاصی را بر جامعه، منابع و محیط زیست محیطی وارد کرده و حتی بر عملکرد اکوسیستم تأثیر گذاشته است [ 1 ، 2 ]. نقش حیاتی داده های جمعیت در مطالعه اقتصاد اجتماعی، استفاده از منابع و تغییرات اکوسیستم به طور گسترده ای شناخته شده است [ 3 ]. به طور خاص، داده های تراکم جمعیت را می توان به طور گسترده در کمی کردن شدت فعالیت های انسانی، به تصویر کشیدن الگوهای فضایی کیفیت زیست محیطی، شبیه سازی توزیع فضایی انتشار آلاینده ها، و ارزیابی مشکلات اکولوژیکی ناشی از شهرنشینی به کار برد [4 ، 5 ، 6 ] ، 7]، و همچنین در سایر تحقیقات زیست محیطی. با توسعه فناوری سنجش از دور، داده های جمعیتی مبتنی بر واحدهای اداری به گلوگاهی تبدیل شده است که تجزیه و تحلیل یکپارچه سیستم های اجتماعی و طبیعی را محدود می کند [ 8 ، 9 ]. فضایی‌سازی داده‌های جمعیت بر اساس قوانین توزیع است که داده‌ها را از مقیاس واحد اداری به یک اندازه شبکه مشخص توزیع می‌کند تا توزیع فضایی جمعیت واقعی را تخمین و شبیه‌سازی کند. ایجاد چنین قوانین توزیع اغلب داده های جمعیت شناختی را به عنوان ورودی، و داده های اجتماعی و اقتصادی، تقسیمات اداری، حمل و نقل، زمین و سایر عناصر را به عنوان مرجع می گیرد [ 10 ].

در حال حاضر، مجموعه داده های جمعیت فضایی به اشتراک گذاشته شده در مقیاس جهانی و منطقه ای شامل جمعیت شبکه ای جهان (GPW) [ 11 ]، لایه سکونت انسانی جهانی (GHSL) [ 12 ]، پایگاه داده تاریخچه محیط جهانی (HYDE) [ 13 ، 14] ، 15 ]، WorldPop [ 16 ، 17 ]، جهانی ردپای شهری (GUF)، لایه سکونت با وضوح بالا (HRSL)، و غیره. این داده ها به طور گسترده در ارزیابی بلایا و مدیریت ریسک [ 18 ، 19 ، 20 ، 21 ، 22 ]، مدل سازی تغییر کاربری زمین [ 23 ، 24 ،25 ، 26 ]، خدمات بهداشت عمومی [ 27 ، 28 ، 29 ]، و تغییر محیط زیست محیطی [ 30 ، 31 ، 32 ، 33 ، 34 ] و تجزیه و تحلیل اجتماعی-اقتصادی [ 35 ] به عنوان مراجع مهم برای توسعه مجموعه داده های فضایی جمعیت جدید [ 37 ] ، 38 ]. گلدوییک و همکاران از هاید [ 13 ] برای تخمین تغییر کاربری زمین در دوره های تاریخی استفاده کرد. گلیسون و همکاران از داده های GPWv3 از سال 2000 استفاده کرد [ 22] برای مطالعه پایداری آب های زیرزمینی، دریافت که حدود 1.7 میلیارد نفر در مناطق تحت تأثیر فشار آب زیرزمینی زندگی می کردند و بیش از نیمی از جمعیت آسیب دیده در چین و هند زندگی می کردند. بر اساس شاخص پایداری مالاریا و داده های WorldPop [ 19 ]، Kibret و همکاران. میزان آلودگی پلاسمودیوم فالسیپاروم را در مناطقی از مخازن مربوطه اندازه گیری کرد و دریافت که 723 سد از 1268 سد در مناطق بیمار (حدود 15 میلیون نفر) واقع شده اند. ملکیوری و همکاران از GHSL [ 24 ] برای مطالعه تکامل شهرنشینی جهانی از سال 1990 تا 2015 و وضعیت فعلی استفاده کرد و نقش کلیدی مناطق شهری در توسعه و نحوه توسعه شهری جهانی را روشن کرد.

مجموعه داده‌ها داده‌های جمعیت فضایی را با روش‌های مختلف می‌سازند، که طبیعتاً منجر به نتایج متفاوتی در تحقیقات مشابه با سایر مجموعه‌های داده می‌شود. به عنوان مثال، هنگام تخمین اینکه چه میزان از جمعیت از خطر سیل در مکزیک، هائیتی و 18 کشور دیگر رنج می برند، برآوردهای استفاده از WorldPop و LandScan به ترتیب 20.79% و 32.67% بودند که بالاتر از برآوردهای بدست آمده توسط HRSL [17] بود . به منظور انتخاب داده های مناسب، تحقیقات در مورد دقت مقایسه یا اعتبار مجموعه داده ها به تدریج در حوزه های مختلف موردی انجام می شود. نتایج تحقیق بای [ 39] در چین نشان داد که WorldPop بالاترین و GPW کمترین دقت تخمین را داشت، اما دقت تخمین GPW در مناطق دشت و حوضه کمی بیشتر از سایر مناطق بود. نتایج یک مطالعه اعتبار سنجی [ 40 ] بر روی مجموعه داده های GHSL در مناطق شهری و روستایی ایالات متحده نشان داد که داده ها در مناطق با سطح توسعه بالا بسیار دقیق هستند، در حالی که در مناطق روستایی، ممکن است دقت به دلیل پراکندگی پایین باشد. مناطق ساخته شده و کمبود داده های مرجع. Ye [ 37 ]، Yang [ 41 ] و Sliuzas [ 42] به نتایج متفاوتی در مورد دقت مجموعه داده‌ها رسید – شما فکر می‌کردید که مجموعه داده‌های WorldPop تخمین پایین جمعیت شهری و تخمین زیاد جمعیت روستایی را مجاز می‌سازد، و یانگ دریافت که در مناطق با تراکم جمعیت بالا یا بسیار کم خطاهای بیشتری در داده‌های WorldPop وجود دارد. . نتایج تحقیقات Sliuzas نشان داد که GHSL فقط می‌تواند اشکال اصلی شهرها را توصیف کند، اما طبقه‌بندی‌های اشتباه زیادی در سطح پیکسل وجود داشت، بنابراین دقت بالا نبود.

انتخاب و بکارگیری مجموعه داده های جهانی برای انواع داده ها مشکل است و قابلیت اطمینان آن مستلزم تأیید کافی است. با این حال، اعتبارسنجی داده‌های جمعیت فضایی بسیار دشوارتر از اعتبارسنجی مجموعه داده‌های پوشش زمین است، که می‌توان آن را با داده‌های سنجش از دور با وضوح بالا و مجموعه داده‌های بهره‌وری اکوسیستم جهانی تأیید کرد، که می‌تواند با داده‌های بلندمدت جمع‌آوری‌شده از مشاهدات مستقر تأیید شود. . بنابراین تسلط بر ویژگی‌های چیدمان مکانی و زمانی و مزیت‌های هر مجموعه داده برای انتخاب مناسب با استفاده از داده‌ها در فرآیند تحقیق، باعث کاهش بهتر عدم قطعیت تحقیق می‌شود. بنابراین، ما چهار مجموعه داده، HYDE، GPWv4، GHSL و WorldPop را انتخاب کردیم که به طور گسترده مورد استفاده قرار می‌گیرند و وضوح مکانی و زمانی متفاوتی دارند. انجام مطالعه تطبیقی از نظر پایایی جمعیت و تفاوت توزیع مکانی. به منظور انعکاس دشواری جمع‌آوری داده‌های جمعیت‌شناختی و تأثیر توزیع تراکم جمعیت بر داده‌های مکانی، بریتانیا، آرژانتین، سری‌لانکا و منطقه خودمختار تبت چین را به عنوان مناطق موردی انتخاب کردیم. ما تفاوت‌های بین چهار مجموعه داده و دلایل این تفاوت‌ها را از جنبه‌های فرآیند تولید داده، انحراف تخمین تجزیه و تحلیل کردیم.43 ، سازگاری توزیع جمعیت فضایی [ 44 ]، و توزیع سطح تراکم جمعیت در واحد اداری و مقیاس پیکسل، به طوری که مرجعی برای انتخاب مجموعه داده های جمعیتی در تحقیقات محیطی اجتماعی-اقتصادی یا اکولوژیکی [ 41 ، 45 ] ارائه کند.

2. مواد و روشها

2.1. انتخاب ناحیه موردی

به منظور ارزیابی عملکرد مجموعه داده‌های جمعیتی در مناطقی با ویژگی‌های توزیع توپوگرافی و شهری-روستایی مختلف، و برای کشف رابطه بین دقت مجموعه داده‌ها با عوامل جغرافیایی، ما 4 منطقه موردی با ویژگی‌های مختلف را انتخاب کردیم: انگلستان، با تراکم بالای جمعیت 274.7 نفر در کیلومتر ^مربع و نرخ شهرنشینی 83.4٪. آرژانتین، با نسبت بالای جمعیت شهری 91.9 درصد؛ سریلانکا، با زمین مسطح زیر 200 متر؛ و منطقه خودمختار تبت چین، با ارتفاع بالاتر از 4000 متر و جمعیت کم کمتر از 3 نفر در کیلومتر مربع ( جدول 1 ⁾). ویژگی های توزیع جمعیت در بریتانیا به شرح زیر است: تراکم کلی جمعیت بالا است و نرخ شهرنشینی به 83.4 درصد می رسد، الگوی واگرایی بیرونی با مراکز تمرکز جمعیت در لندن بزرگ، منچستر، بیرمنگام، و غیره. شهرستان‌هایی در قلمرو قضایی انگلستان، و گلاسکو و ادینبورگ در حوزه قضایی اسکاتلند. تراکم کل جمعیت آرژانتین 16.3 نفر در کیلومتر مربع ^است، اما بسیاری از جمعیت روستایی به دلیل پیشرفت عقب مانده توسعه اقتصادی به شهرها سرازیر شده اند که منجر به تمرکز جمعیت زیاد و نسبت بالای جمعیت شهری در بوئنوس آیرس، کوردوبا، مندوزا و سایر شهرهای بزرگ در شمال شده است. تراکم جمعیت شهرهای کوچک در جنوب عمدتاً کمتر از 5 نفر در کیلومتر ^مربع است . سریلانکا نسبتاً مسطح است، با ارتفاع کمتر از 200 متر، و بیشتر زمین دشت است. تراکم کلی جمعیت به 345.6 نفر در کیلومتر ^مربع می رسد . مشخصات توزیع جمعیت به شرح زیر است: تراکم جمعیت در غرب بیش از 500 نفر در کیلومتر ^مربع و در شرق بیشتر از 100 نفر در کیلومتر ^{مربع است.}; در تمام جهات کاهش می یابد، با کلمبو و کندی به عنوان مناطقی با بیشترین تمرکز جمعیت. همچنین تراکم توزیع جمعیت در بنادر مانند جافنا در شمال با بیش از 2000 نفر در کیلومتر ^مربع وجود دارد . میانگین ارتفاع منطقه خودمختار تبت چین بیش از 4000 متر [ 45 ] و تراکم کلی جمعیت کمتر از 3 نفر در کیلومتر ^مربع است . جمعیت عمدتاً در لهاسا، ژیگزه و چندین شهرستان کشاورزی پراکنده شده است، در حالی که مناطق مرتفعی مانند علی و شمال ناقو بسیار کم جمعیت هستند.

2.2. منبع اطلاعات

داده‌های اصلی مورد استفاده در این مقاله شامل چهار مجموعه داده‌های جمعیت فضایی از سال 2015، داده‌های تقسیم اداری و داده‌های جمعیتی است. چهار مجموعه داده جمعیت فضایی عبارتند از: (1) popd پایگاه داده تاریخچه محیط زیست جهانی (HYDE)، نسخه 3.2.000 [ 13 ، 14 ، 15 ]، تولید شده توسط آژانس ارزیابی زیست محیطی هلند PBL. (2) تراکم جمعیت شبکه بندی شده جمعیت جهان، نسخه 4 (GPWv4) [ 11 ]، تولید شده توسط مرکز بین المللی شبکه اطلاعات علوم زمین (CIESIN)، دانشگاه کلمبیا. (3) GHS-POP لایه سکونت انسانی جهانی (GHSL) [ 12 ]، تولید شده توسط کمیسیون اروپا. و (4) تعداد جمعیت جهان پاپ [ 16] با استفاده از روش های بدون محدودیت از بالا به پایین تکمیل شده توسط سازمان ها و مؤسسات متعدد. داده های تقسیمات اداری از مناطق اداری جهانی (GADM) نسخه 3.6 تولید شده توسط مرکز علوم فضایی در دانشگاه کالیفرنیا و بخش های اداری گرفته شده است (به دلیل کمبود داده های WorldPop در بخش جنوب شرقی منطقه خودمختار تبت، داده‌های شهرستان لونگزی، شهرستان کوونا و شهر لینژی مستثنی هستند.) منطقه خودمختار تبت ارائه شده توسط مرکز داده علمی فلات تبت چینگهای ( https://www.tpedatabase.cn )). تعریف تراکم جمعیت بر اساس داده های HYDE و GPWv4 تعداد افراد در هر کیلومتر مربع است و بر اساس GHSL و WorldPop تعداد افراد در هر شبکه است. به منظور کاهش تأثیر پردازش داده ها بر آمار فضایی مجموعه داده ها و تسهیل مقایسه، این مقاله واحد اندازه گیری چهار مجموعه داده را به عنوان جمعیت در کیلومتر مربع بدون تغییر وضوح آنها یکسان می کند. آمار جمعیت از وب سایت بانک جهانی و سالنامه آماری منطقه خودمختار تبت چین از سال 2015 تهیه شده است.

تقریباً 20 سال بین توسعه اولین مجموعه داده GPWv4 و آخرین ورودی داده WorldPop وجود دارد. منابع داده تغییری را از داده‌های جمعیتی واحد به ادغام نقشه رقومی ارتفاع (DEM)، داده‌های پوشش زمین و شبکه حمل‌ونقل، سپس به داده‌های سنجش از دور، ارتباطات سیار و سایر منابع داده جدید تجربه کردند (جدول 2 ) . مجموعه داده GPWv4، با وضوح فضایی 1 کیلومتر، بر اساس سرشماری رسمی 2010 و داده های تخمینی جمعیت، تکمیل شده توسط مرزهای اداری و چشم انداز جمعیت جهانی سازمان ملل متحد، ویرایش 2015 است. منبع داده های HYDE 3.2 چشم انداز جمعیت جهان و تخمین های تاریخی سازمان ملل متحد از متون است [ 46 ، 47 ،48 ]، تکمیل شده با داده های آمار جمعیت زیرملی Populstat و سایر منابع. هاید یک سری زمانی جمعیتی پیوسته با تفکیک مکانی 10 کیلومتر برای هر استان یا ایالت هر کشور [ 11] ساخت.]. با استفاده از داده‌های ماهواره‌ای سنجش از دور و اطلاعات جغرافیایی داوطلبانه، GHSL مناطق ساخته‌شده‌ای را ایجاد می‌کند و GPWv4 تولید شده توسط CIESIN را تجزیه می‌کند تا نقشه‌های توزیع جمعیت با وضوح فضایی بالاتر (250 متر) و بیان فضایی دقیق‌تر تولید کند. داده‌های ورودی زیادی برای WorldPop وجود دارد، از جمله ارتفاع، شیب، پوشش زمین، زیرساخت، داده‌های ماهواره‌ای و داده‌های ارتباطی تلفن همراه، علاوه بر سرشماری ملی سال ۲۰۱۰ و داده‌های برآورد رسمی جمعیت. در حال حاضر، داده های سری زمانی سال به سال با وضوح مکانی 100 متر از سال 2000 تا 2020 توسعه یافته است.

از نظر روش تولید، GPWv4 بر اساس روش وزن دهی مساحت، تنها مجموعه داده از 4 است که با مدل سازی فضایی نشده است. حالت تولید ساده است و صحت کل جمعیت در واحد اداری را تضمین می کند. با این حال، نقطه ضعف این است که بر اساس این فرض است که انسان ها به طور مساوی در فضا توزیع شده اند. مجموعه داده HYDE3.2 یک لایه وزن ترکیبی بر اساس مناسب بودن خاک، دسترسی به جاده، فاصله از بدنه آب، نور شب و سایر شاخص‌ها برای فضایی کردن داده‌های جمعیت ایجاد می‌کند. این مدل در سطح جهانی قابل اجرا است، اما عدم قطعیت های اضافی در منطقه را در نظر نمی گیرد. GHSL از داده های ماهواره ای سنجش از دور و اطلاعات جغرافیایی داوطلبانه برای تولید مناطق ساخته شده با وضوح فضایی 38 متر استفاده می کند. و با توجه به نسبت مساحت ساخته شده در هر شبکه، GPW را دوباره بر اساس روش رگرسیون خطی تجزیه می کند. روش مدل سازی ساده است، با توجه به اینکه جمعیت عمدتاً در مناطق ساخته شده توزیع شده است، اما مرزهای اداری را نادیده می گیرد. با توسعه و استفاده از یادگیری ماشینی و سایر الگوریتم‌ها، WorldPop از یک مدل جنگل تصادفی برای تعیین کمیت رابطه بین عوامل مدل مانند پوشش زمین، داده‌های ماهواره‌ای، ارتباطات تلفن همراه و سرشماری خرد استفاده می‌کند تا یک لایه وزن ایجاد کند و سرشماری را مجدداً تخصیص دهد. داده ها. در بین چهار مجموعه داده، منبع اطلاعات جغرافیایی WorldPop کافی‌تر است و مدل جنگل تصادفی آن نسبت به طبقه‌بندی و رتبه‌بندی اهمیت متغیر برتری دارد. روش مدل سازی ساده است، با توجه به اینکه جمعیت عمدتاً در مناطق ساخته شده توزیع شده است، اما مرزهای اداری را نادیده می گیرد. با توسعه و استفاده از یادگیری ماشینی و سایر الگوریتم‌ها، WorldPop از یک مدل جنگل تصادفی برای تعیین کمیت رابطه بین عوامل مدل مانند پوشش زمین، داده‌های ماهواره‌ای، ارتباطات تلفن همراه و سرشماری خرد استفاده می‌کند تا یک لایه وزن ایجاد کند و سرشماری را مجدداً تخصیص دهد. داده ها. در بین چهار مجموعه داده، منبع اطلاعات جغرافیایی WorldPop کافی‌تر است و مدل جنگل تصادفی آن نسبت به طبقه‌بندی و رتبه‌بندی اهمیت متغیر برتری دارد. روش مدل سازی ساده است، با توجه به اینکه جمعیت عمدتاً در مناطق ساخته شده توزیع شده است، اما مرزهای اداری را نادیده می گیرد. با توسعه و استفاده از یادگیری ماشینی و سایر الگوریتم‌ها، WorldPop از یک مدل جنگل تصادفی برای تعیین کمیت رابطه بین عوامل مدل مانند پوشش زمین، داده‌های ماهواره‌ای، ارتباطات تلفن همراه و سرشماری خرد استفاده می‌کند تا یک لایه وزن ایجاد کند و سرشماری را مجدداً تخصیص دهد. داده ها. در بین چهار مجموعه داده، منبع اطلاعات جغرافیایی WorldPop کافی‌تر است و مدل جنگل تصادفی آن نسبت به طبقه‌بندی و رتبه‌بندی اهمیت متغیر برتری دارد. WorldPop از یک مدل جنگل تصادفی برای تعیین کمیت رابطه بین عوامل مدل مانند پوشش زمین، داده های ماهواره ای، ارتباطات تلفن همراه و سرشماری خرد استفاده می کند تا یک لایه وزنی ایجاد کند و داده های سرشماری را مجدداً تخصیص دهد. در بین چهار مجموعه داده، منبع اطلاعات جغرافیایی WorldPop کافی‌تر است و مدل جنگل تصادفی آن نسبت به طبقه‌بندی و رتبه‌بندی اهمیت متغیر برتری دارد. WorldPop از یک مدل جنگل تصادفی برای تعیین کمیت رابطه بین عوامل مدل مانند پوشش زمین، داده های ماهواره ای، ارتباطات تلفن همراه و سرشماری خرد استفاده می کند تا یک لایه وزنی ایجاد کند و داده های سرشماری را مجدداً تخصیص دهد. در بین چهار مجموعه داده، منبع اطلاعات جغرافیایی WorldPop کافی‌تر است و مدل جنگل تصادفی آن نسبت به طبقه‌بندی و رتبه‌بندی اهمیت متغیر برتری دارد.49 ]، که جهت توسعه روش فضایی سازی را در آینده ارائه می دهد.

2.3. روش تجزیه و تحلیل سازگاری توزیع فضایی

تجزیه و تحلیل ثبات توزیع فضایی، ثبات توزیع فضایی جمعیت را در 4 مجموعه داده با مقایسه پیکسل به پیکسل اندازه‌گیری کرد. فرآیند تجزیه و تحلیل سازگاری به شرح زیر است: (1) واحدهای 4 مجموعه داده به افراد در هر کیلومتر مربع تبدیل و متحد می ^شوند . (2) با توجه به ویژگی های مختلف تراکم جمعیت در هر منطقه مورد ( جدول 1 )، تراکم جمعیت بر اساس روش نقطه شکست طبیعی [ 50 ، 51 ] به 9 سطح طبقه بندی می شود ( جدول 3).). (3) محاسبه شطرنجی بر روی 4 مجموعه داده پس از طبقه‌بندی مجدد انجام می‌شود تا داده‌های شبکه منعکس کننده سازگاری داده‌ها به دست آید. داده های شبکه شامل مواردی است که در آن 4 مجموعه داده سازگار، 3 مجموعه داده سازگار، 2 مجموعه داده سازگار، و هر مجموعه داده با سایرین ناسازگار است، به ترتیب به عنوان کاملاً سازگار، بسیار سازگار، کم سازگار و کاملاً ناسازگار تعریف شده است [50 ] . (4) مجموعه داده ها به صورت زوجی مقایسه می شوند و برای تعیین سازگاری و نسبت سازگاری آنها تجزیه و تحلیل می شوند. (5) تجزیه و تحلیل آماری توسط ابزارهای آماری منطقه ای در Arcgis انجام می شود که به توزیع سطوح تراکم جمعیت در 2 نوع منطقه ثابت اشاره دارد ( شکل 1 ).

3. نتایج

3.1. دقت برآورد جمعیت

با در نظر گرفتن داده های بانک جهانی و سالنامه آماری سال 2015 به عنوان مرجع برای کل جمعیت، این مقاله دقت جمعیت برآورد شده توسط چهار مجموعه داده مکانی را مقایسه می کند ( جدول 4) ..). کل جمعیت های GPWv4 و GHSL نزدیک ترین به داده های آماری هستند و مقدار مطلق خطای نسبی در 3٪ است. دلیل این امر ممکن است این باشد که GPWv4 بر اساس داده‌های سرشماری سال 2010 است و جمعیت را در هر واحد اداری تخصیص می‌دهد تا جمعیت در هر واحد را بدون تغییر نگه دارد، در حالی که GHSL یک تخصیص فضایی تصفیه‌شده بر اساس GPWv4 است. خطای نسبی WorldPop منفی است و قدر مطلق خطای نسبی بزرگترین در آرژانتین، سریلانکا و تبت است که ممکن است با مقدار کمی داده های منطقه ای در هر منطقه توضیح داده شود. اگرچه منابع داده های WorldPop و GPWv4 بر اساس داده های سرشماری سال 2010 است، شکاف زیادی بین آنها در کل جمعیت وجود دارد. خطای نسبی WorldPop در آرژانتین، سریلانکا و منطقه خودمختار تبت چین به 20% می رسد. که نشان می دهد تفاوت در تراکم جمعیت و الگوهای توزیع شبیه سازی شده با روش های مختلف فضایی سازی، مقدار کل را نابرابر می کند. HYDE نشان می دهد که دقت در مناطق مختلف متفاوت است. در بریتانیا، خطای نسبی تنها 3.71-٪ است و مقدار مطلق در آرژانتین و سریلانکا کمتر از 10٪ است، در حالی که خطای نسبی در منطقه خودمختار تبت -15.03٪ است.

استفاده از سنجش از دور، ارتباطات تلفن همراه و سایر داده‌های مکانی، داده‌ها را در مناطقی با اطلاعات فراوان دقیق‌تر می‌کند. در انگلستان، قدر مطلق خطای نسبی چهار مجموعه داده کمتر از 4 درصد و خطای GPWv4 و GHSL کمتر از 1 درصد است. در آرژانتین، سریلانکا و منطقه خودمختار تبت چین، نتایج GPWv4 و GHSL مشابه است. خطای نسبی GHSL در آرژانتین، سریلانکا و منطقه خودمختار تبت چین به ترتیب 0.66٪، -2.41٪ و -1.15٪ است. با این حال، انحراف مطلق بین HYDE و WorldPop بین 5٪ و 25٪ است.

در مقایسه با سه منطقه دیگر، خطای نسبی منطقه خودمختار تبت در چین به طور کلی بزرگتر است، به ویژه با استفاده از HYDE از داده های تاریخی ادبیات و WorldPop با استفاده از داده های اطلاعات جغرافیایی چند منبعی مانند داده های ارتباطی. دقت تخمین منطقه خودمختار تبت با انحراف حدود 20 درصد به مراتب کمتر از سایر مناطق است. ممکن است دو دلیل برای این وجود داشته باشد: از نظر مناطق پرجمعیت کم جمعیت در ارتفاعات، مقیاس آمار جمعیت به اندازه کافی دقیق نیست [ 8 ]، و/یا به دست آوردن داده های کمکی جدید مانند نظرسنجی خانوار و تلفن همراه دشوار است. داده های ارتباطی، که خطای مجموعه داده جمعیت فضایی را بزرگتر می کند.

3.2. تحلیل سازگاری توزیع فضایی جمعیت

برخلاف دقت جمعیت، به دلیل کمبود داده‌های اطلاعات جغرافیایی، ویژگی‌های توزیع فضایی چهار مجموعه داده اساساً یکسان است و مجموعه داده‌ها در منطقه خودمختار تبت چین سازگارترین هستند (شکل 2 ) . بنابراین، نسبت مناطق کاملاً / بسیار سازگار به 97.01٪ می رسد. در بریتانیا، نسبت مناطق کاملاً/بسیار سازگار کمترین میزان را دارد و تنها 66.75 درصد است ( جدول 5 ). نسبت مناطق کاملاً/بسیار سازگار در آرژانتین کمی بیشتر از سریلانکا است، به ترتیب 82.06% و 81.80% ( جدول 5)..)، اگرچه نرخ شهرنشینی سریلانکا کمتر است (نسبت جمعیت شهری در سال 2015 18.3٪ بود)، و نرخ شهرنشینی آرژانتین بالا است (91.5٪ در سال 2015). با این حال، تمایز جمعیت سریلانکا پیچیده‌تر است و تراکم کلی جمعیت در مقایسه با آرژانتین بالاتر است، که نشان می‌دهد الگوی توزیع فضایی مجموعه‌های داده در مناطق با تراکم جمعیت بالا و تنوع پیچیده کاملاً متفاوت است.

مقایسه زوجی و تجزیه و تحلیل داده‌ها نشان می‌دهد که بیشترین سازگاری بین WorldPop و سایر داده‌ها وجود دارد که ممکن است به منابع داده فراوان و داده‌های کمکی و قوانین توزیع مجدد معقول مربوط باشد. در بریتانیا و آرژانتین، سازگاری بین WorldPop و GHSL بالاترین میزان است و 5-15٪ بیشتر از WorldPop و GPWv4 است. در سریلانکا و منطقه خودمختار تبت چین، سازگاری بین WorldPop و GPWv4 بالاترین میزان است، و سازگاری بین WorldPop و GHSL 4-30٪ کمتر از بین WorldPop و GPWv4 است. این نشان می‌دهد که نمایش ویژگی‌های توزیع جمعیت بسته به روش‌های فضایی‌سازی در مناطق مختلف موردی متفاوت است، و GHSL که با مناطق ساخته‌شده استخراج‌شده از سنجش از دور ادغام می‌شود.جدول 6. ).

3.3. سازگاری مجموعه داده ها در سطوح مختلف تراکم جمعیت

به منظور کشف رابطه فضایی بین تراکم جمعیت و سازگاری، ما یک تحلیل آماری از توزیع سطوح تراکم جمعیت در مناطق سازگار یا ناسازگار انجام دادیم. با قضاوت از توزیع سطوح تراکم جمعیت در مناطق کاملاً/خیلی سازگار ( شکل 3)، در چهار منطقه موردی، هر مجموعه داده تحت تسلط توزیع جمعیت کم تراکم سطح 1-3، با نسبت مساحتی بیش از 45 درصد است که نشان می دهد سازگاری داده ها در میان مناطق با تراکم بسیار کم جمعیت عالی است. به خصوص در تبت و آرژانتین، نسبت مناطقی که تراکم جمعیت در آن‌ها سطح 1 و 2 است به 77 درصد و در بریتانیا 51 درصد است. در سریلانکا، جایی که تراکم جمعیت زیاد است و توزیع فضایی نسبتاً یکنواخت است، همیشه مناطق بسیار سازگار برای هر سطح تراکم جمعیت وجود دارد. در بریتانیا، با سطح بالای شهرنشینی، 40 تا 82 درصد از مناطق با تراکم بالا (سطح 7 تا 9) بسیار سازگار هستند (WorldPop، 81.72٪؛ GHSL، 66.94٪؛ GPWv4، 58.90٪؛ HYDE، 40.47٪. ٪. از آنجایی که HYDE حاوی داده های تاریخی برای سری های زمانی طولانی است، وضوح فضایی آن بسیار کمتر از سایرین است. بنابراین، در مناطق پرجمعیت و بسیار ناهمگن، دقت فضایی به دلیل تأثیر پیکسل‌های مختلط و دقت داده‌های اصلی کاهش می‌یابد که در بریتانیا و سریلانکا منعکس شده است.شکل 3. ). مناطق کم سازگار/کاملاً ناسازگار عمدتاً در مناطق با جمعیت متوسط با سطح شهرنشینی بالا توزیع شده اند. در میان مناطق جمعیتی با تراکم متوسط در بریتانیا و آرژانتین، در 62 تا 93 درصد از مناطق، چهار مجموعه داده کاملاً ناسازگار هستند، یا تنها دو مورد با هم سازگار هستند ( شکل 4 ، جدول 7 ).

4. بحث

مشاهده می‌شود که الگوهای فضایی مجموعه داده‌های جمعیت فضایی تولید شده با روش‌ها و منابع داده‌های مختلف در تبت، جایی که داده‌ها کمیاب و جمعیت کم است، بسیار مشابه هستند. در انتخاب داده های چنین مناطقی، دقت برآورد جمعیت و مقیاس زمانی مورد نیاز برای تحقیق ملاحظات اصلی است. برای مناطقی که سطح شهرنشینی بالایی دارند، نه تنها باید تفکیک مکانی و زمانی و کمیت دقیق را در نظر بگیریم، بلکه باید به عدم قطعیت داده ها در مناطق با تراکم جمعیت متوسط نیز توجه بیشتری داشته باشیم. بر اساس نتایج، جدولی برای نشان دادن کاربرد مجموعه داده ها در مناطق مختلف تراکم جمعیت خلاصه شده است ( جدول 8.). این مطالعه نه تنها به عنوان پایه ای برای انتخاب داده های جمعیت، بلکه همچنین توسعه آینده فضایی سازی جمعیت عمل می کند. در مناطقی که داده ها کم است، بهبود دقت مجموعه داده های جمعیتی فضایی بیشتر به پالایش مداوم داده های جمعیتی [ 52 ، 53 ، 54 ، 55 ، 56 ] و منابع داده فراوان [ 57 ] بستگی دارد. مشکل در به دست آوردن داده ها در مناطق با ارتفاع بالا و با کیفیت داده ضعیف ممکن است دلیل خطای نسبی بزرگ در منطقه خودمختار تبت چین باشد [ 58]]. سنجش از راه دور، ارتباطات سیار و سایر کلان داده ها نقش مهمی در بهبود دقت داده های جمعیت مکانی در مناطقی با داده های ناقص خواهند داشت. برای مناطق با تراکم جمعیت متوسط، با توسعه روش های فضایی سازی، از درون یابی ساده تا الگوریتم های ماشینی مبتنی بر مدل های هوشمند مانند شبکه های عصبی، درختان تصمیم گیری، الگوریتم های ژنتیک و جنگل تصادفی [9 ، 48 ، 59 ، 60 ]]، تقویت تحقیقات تجربی و تأیید چنین مناطقی باعث بهبود قابلیت اطمینان و سازگاری بین مجموعه‌های داده می‌شود. تأیید صحت مجموعه داده های جمعیت مکانی یک مشکل بزرگ در تحقیق است. با توجه به مقایسه جمعیت مجموعه داده‌های مکانی و داده‌های سرشماری در این پژوهش، نه تنها در چیدمان فضایی تفاوت‌هایی وجود دارد، بلکه حدود 20 درصد انحراف در جمعیت وجود دارد. بنابراین، در مناطقی با ویژگی‌های جغرافیایی متفاوت و با واحدهای آماری دقیق‌تر، حتی در مقیاس شبکه‌ای، توسعه مناطق آزمایشی استاندارد و ارائه داده‌های راستی‌آزمایی برای کمیت و چیدمان مکانی و زمانی دقیق فضایی، جهت توسعه فضایی‌سازی جمعیت ضروری است. داده های طراحی شده توسط برنامه های مختلف بعلاوه، جمعیت شهری/روستایی دو مفهوم جغرافیای جمعیتی مربوط به مناطق شهری و روستایی هستند. وقتی صحبت از جمعیت شهری در بیشتر کشورها می شود، جمعیت شهرهای کوچک به طور کلی شامل می شود، در حالی که در چین، معمولاً به جمعیت شهرها اشاره می شود.61 ]. اگرچه مقیاس جمعیت برای شهرهای چین معادل شهرهای کوچک کشورهای دیگر است، تفاوت در تعریف جمعیت شهری/روستایی ممکن است تأثیر کمی داشته باشد.

5. نتیجه گیری ها

به منظور درک تفاوت‌ها در تعداد و توزیع فضایی مجموعه داده‌های اصلی جمعیت فضایی در جهان، چهار مجموعه داده با وضوح‌های زمانی مکانی متفاوت (HYDE، GPWv4، GHSL و WorldPop)، که بر اساس منابع داده‌های متعدد و روش‌های فضایی‌سازی توسعه یافته‌اند، انتخاب شدند. و سریلانکا، بریتانیا، آرژانتین و منطقه خودمختار تبت چین به عنوان مناطق مورد در نظر گرفته شدند. این مقاله از جنبه‌های خطای نسبی جمعیت، ثبات توزیع فضایی جمعیت و ویژگی‌های توزیع تراکم جمعیت در مناطق سازگار و ناسازگار تحقیق کرده است. علاوه بر این، این مقاله علل تفاوت ها را با ترکیب فرآیند تولید داده و دشواری اکتساب داده ها تجزیه و تحلیل کرد. سطح شهرنشینی و ویژگی های توزیع جمعیت برای مناطق مورد مورد. نتایج موارد زیر را نشان می دهد:

(1) تفاوت در داده های منبع و روش های فضایی سازی بین مجموعه داده ها بر دقت آنها تأثیر می گذارد. توسعه فناوری سنجش از دور و یادگیری عمیق پیشرفت روش‌های جمع‌آوری داده و فضایی‌سازی را ارتقا می‌دهد. بنابراین، دقت هر مجموعه داده در مطالعه بسیار متفاوت است. از آنجا که GPWv4 بر اساس داده‌های سرشماری سال 2010 برای تخصیص براساس این اصل است که جمعیت در هر واحد اداری بدون تغییر است، و GHSL بر اساس GPWv4 برای فضای‌سازی ثانویه است، مقدار مطلق آنها برای خطای نسبی کل جمعیت کوچک‌ترین است. که در حدود 3 درصد است. اگرچه WorldPop از همان منبع داده GPWv4 استفاده می کند، خطای نسبی اولی در آرژانتین، سریلانکا و منطقه خودمختار تبت چین به 20% می رسد، به دلیل روش های مختلف فضاسازی. هاید،

(2) استفاده از داده های مکانی باعث می شود مجموعه داده ها در بریتانیا با اطلاعات فراوان دقیق تر شوند، جایی که مقدار مطلق خطای نسبی چهار مجموعه داده کمتر از 4٪ است. در سایر موارد، قدر مطلق خطای نسبی GPWv4 و GHSL کمتر از 3٪ است و HYDE و WorldPop بین 5٪ تا 25٪ است. تحت تأثیر عدم دقت داده های آماری و دشواری در دستیابی به داده های کمکی جدید، خطای نسبی مجموعه داده ها در منطقه خودمختار تبت چین نسبتاً بزرگ است، به ویژه با استفاده از HYDE از داده های ادبیات تاریخی و WorldPop با استفاده از داده های اطلاعات جغرافیایی چند منبعی. با توجه به توانایی توصیف توزیع فضایی، سازگاری زوجی بین WorldPop و سه مجموعه داده دیگر به دلیل ادغام چندین منبع داده، بالاترین میزان است. و GHSL، که اطلاعات توزیع منطقه ساخته شده استخراج شده از سنجش از دور را مخلوط می کند، از نظر سازگاری فضایی در مناطق با سطح شهرنشینی بالا مزایای بیشتری دارد. فضایی کردن توزیع جمعیت در مناطق با تنوع پیچیده، که با کاهش ثبات در توزیع فضایی مشخص می شود، دشوار است. ثبات توزیع فضایی جمعیت برای چهار مجموعه داده در منطقه خودمختار تبت چین بالاترین میزان است، جایی که نسبت کل چهار و سه مجموعه داده تا 97.01 درصد سازگار است. از سوی دیگر، در بریتانیا، که در آن توزیع فضایی جمعیت پیچیده است، تنها 66.75 درصد از مناطق به طور کامل یا بسیار سازگار هستند. از نظر سازگاری فضایی در مناطقی با سطح شهرنشینی بالا مزایای بیشتری دارد. فضایی کردن توزیع جمعیت در مناطق با تنوع پیچیده، که با کاهش ثبات در توزیع فضایی مشخص می شود، دشوار است. ثبات توزیع فضایی جمعیت برای چهار مجموعه داده در منطقه خودمختار تبت چین بالاترین میزان است، جایی که نسبت کل چهار و سه مجموعه داده تا 97.01 درصد سازگار است. از سوی دیگر، در بریتانیا، که در آن توزیع فضایی جمعیت پیچیده است، تنها 66.75 درصد از مناطق به طور کامل یا بسیار سازگار هستند. از نظر سازگاری فضایی در مناطقی با سطح شهرنشینی بالا مزایای بیشتری دارد. فضایی کردن توزیع جمعیت در مناطق با تنوع پیچیده، که با کاهش ثبات در توزیع فضایی مشخص می شود، دشوار است. ثبات توزیع فضایی جمعیت برای چهار مجموعه داده در منطقه خودمختار تبت چین بالاترین میزان است، جایی که نسبت کل چهار و سه مجموعه داده تا 97.01 درصد سازگار است. از سوی دیگر، در بریتانیا، که در آن توزیع فضایی جمعیت پیچیده است، تنها 66.75 درصد از مناطق به طور کامل یا بسیار سازگار هستند. ثبات توزیع فضایی جمعیت برای چهار مجموعه داده در منطقه خودمختار تبت چین بالاترین میزان است، جایی که نسبت کل چهار و سه مجموعه داده تا 97.01 درصد سازگار است. از سوی دیگر، در بریتانیا، که در آن توزیع فضایی جمعیت پیچیده است، تنها 66.75 درصد از مناطق به طور کامل یا بسیار سازگار هستند. ثبات توزیع فضایی جمعیت برای چهار مجموعه داده در منطقه خودمختار تبت چین بالاترین میزان است، جایی که نسبت کل چهار و سه مجموعه داده تا 97.01 درصد سازگار است. از سوی دیگر، در بریتانیا، که در آن توزیع فضایی جمعیت پیچیده است، تنها 66.75 درصد از مناطق به طور کامل یا بسیار سازگار هستند.

(3) مناطقی که چهار مجموعه داده کاملاً/بسیار سازگار هستند، عمدتاً در مناطق کم تراکم جمعیت توزیع شده‌اند. در تبت، آرژانتین و بریتانیا، نسبت سطح 1 و 2 در مناطق کاملاً/خیلی سازگار به ترتیب به 89، 76 درصد و 92 درصد می رسد، که نشان می دهد سازگاری داده ها در مناطق کم تراکم عالی است. علاوه بر این، در مناطق بسیار شهری و پرجمعیت، توزیع فضایی هر مجموعه داده نیز بسیار سازگار است، و 62 درصد از مناطق جمعیتی با تراکم بالا در بریتانیا مناطق کاملاً/بسیار سازگار هستند. مناطق کم سازگار/کاملاً ناسازگار عمدتاً در نواحی با تراکم متوسط با نرخ شهرنشینی بالا توزیع شده‌اند و 62 تا 93 درصد از مناطق جمعیتی با تراکم متوسط در بریتانیا و آرژانتین مناطق کم سازگار/کاملاً ناسازگار هستند.

منابع

Wu، WH; Niu, SW یک مطالعه تطبیقی در مورد تأثیر رشد جمعیت و افزایش مصرف بر منابع-محیط زیست چین. چانه. جی پوپول. علمی 2009 ، 2 ، 66-73، 112. [ Google Scholar ]
Du، WP; Yan، HM; یانگ، YZ; لیو، اف. روش‌های ارزیابی و روندهای تحقیق برای ظرفیت حمل اکولوژیکی. جی ریسور. Ecol. 2018 ، 9 ، 115-124. [ Google Scholar ]
کلارک، جی. Rhind، DW; بکت، سی. ویلکس، آ. سادلر، جی. Short, J. داده های جمعیت و تغییرات جهانی محیطی ; ISSC: پاریس، فرانسه، 1992. [ Google Scholar ]
وی، جی بی؛ Xiao، DN; Xie، FJ ارزیابی و اصول تنظیم برای اثرات فعالیت های انسانی بر اکولوژی و محیط زیست. Prog. Geogr. 2006 ، 2 ، 36-45. [ Google Scholar ]
چن، WX; لی، جی اف. زنگ، جی. ران، دی. یانگ، ب. ناهمگونی فضایی و مکانیسم تشکیل اثر زیست محیطی تغییر کاربری زمین در چین. Geogr. Res. 2019 ، 38 ، 2173-2187. [ Google Scholar ]
ویلسون، اس جی. استین هویزن، اف. Pacyna، JM; Pacyna، EG نقشه‌برداری از توزیع فضایی موجودی‌های انتشار جوی جیوه انسانی اتمس. محیط زیست 2006 ، 40 ، 4621-4632. [ Google Scholar ] [ CrossRef ]
Li, B. The Research on Urban Heat Island Effect of the Transboundary Area in the Tumen River from 2003-2016. پایان نامه کارشناسی ارشد، دانشگاه Yanbian، Yanbian، چین، 2019. [ Google Scholar ]
فو، HY; لی، ام سی; ژائو، جی. لیو، YX خلاصه مدل‌های تبدیل شبکه داده‌های جمعیت. هوم Geogr. 2006 ، 21 ، 115-119. [ Google Scholar ]
جین، جی. لی، سی ام؛ یین، جی. Lin, ZJ بررسی مدل توزیع فضایی داده‌های جمعیت. Acta Geod. Et Cartogr. گناه 2003 ، 3 ، 278-282. [ Google Scholar ]
بای، ZQ; وانگ، جی ال. یانگ، اف. پیشرفت تحقیق در فضایی سازی داده های جمعیت. Prog. Geogr. 2013 ، 32 ، 1692-1702. [ Google Scholar ]
مرکز شبکه بین المللی اطلاعات علوم زمین-CIESIN-دانشگاه کلمبیا. Gridded Population of the World، نسخه 4 (GPWv4): تراکم جمعیت، ویرایش 11[DB/OL] ; مرکز داده‌ها و برنامه‌های اجتماعی-اقتصادی ناسا (SEDAC): Palisades، نیویورک، ایالات متحده آمریکا، 2018. [ Google Scholar ]
شیاوینا، م. فریره، اس. MacManus، K. GHS Population Grid، مشتق شده از GPW4، Multitemporal (1975، 1990، 2000، 2015) [DB/OL] ; کمیسیون اروپا، مرکز تحقیقات مشترک، کاتالوگ داده JRC: Ispra، ایتالیا، 2015. [ Google Scholar ]
گلدوییک، KK; بوسن، آ. Drecht، GV; مارتین، دی وی پایگاه‌داده‌ای صریح فضایی HYDE 3.1 از تغییرات جهانی کاربری زمین ناشی از انسان در 12000 سال گذشته. گلوب. Ecol. Biogeogr. 2010 ، 20 ، 73-86. [ Google Scholar ] [ CrossRef ]
گلدوییک، KK; بوسن، آ. Janssen, P. مدل‌سازی پویا بلندمدت جمعیت جهانی و منطقه ساخته‌شده به روشی صریح فضایی: HYDE 3.1. هولوسن 2010 ، 20 ، 565-573. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گلدوییک، KK; بوسن، آ. دولمن، جی. Stehfest، E. برآورد استفاده از زمین برای هولوسن-HYDE 3.2. سیستم زمین علمی داده 2017 ، 9 ، 927-953. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
WorldPop ( www.worldpop.org – مدرسه جغرافیا و علوم محیطی، دانشگاه ساوتهمپتون؛ گروه جغرافیا و علوم زمین، دانشگاه لوئیزویل؛ دپارتمان جغرافیایی، دانشگاه نامور). مرکز شبکه بین المللی اطلاعات علوم زمین (CIESIN)، دانشگاه کلمبیا. WorldPop[DB/OL] ; دانشگاه ساوتهمپتون: ساوتهمپتون، بریتانیا، 2018. [ Google Scholar ]
اسمیت، ا. بیتس، PD; وینگ، او. کریستوفر، اس. کوین، ن. نیل، جی. برآوردهای جدید از قرار گرفتن در معرض سیل در کشورهای در حال توسعه با استفاده از داده های جمعیتی با وضوح بالا. نات اشتراک. 2019 ، 10 ، 1814. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
پسری، م. ارلیش، دی. فلورچیک، ای جی؛ Freire, S. لایه سکونت جهانی انسان از تصاویر Landsat. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2016 (IGARSS)، پکن، چین، 10 ژوئیه 2016؛ صص 7276-7279. [ Google Scholar ]
کبرت، اس. لاوتز، جی. مک کارتنی، ام. ویلسون، جی جی. Nhamo، L. مالاریا تاثیر سدهای بزرگ در جنوب صحرای آفریقا: نقشه ها، برآوردها و پیش بینی ها. مالار. J. 2015 , 14 , 339. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
موسسه منابع جهانی گزارش منابع جهانی 2010-2011: تصمیم گیری در یک اقلیم در حال تغییر. پایداری 2011 ، 4 ، 305. [ Google Scholar ]
اسمیت، کی. ما هفت میلیارد هستیم. نات صعود چانگ. 2011 ، 1 ، 331-335. [ Google Scholar ] [ CrossRef ]
گلیسون، تی. وادا، ی. Bierkens، MFP; ون بیک، LPH تعادل آب سفره‌های زیرزمینی جهانی توسط ردپای آب زیرزمینی آشکار شد. طبیعت 2012 ، 488 ، 197-200. [ Google Scholar ] [ CrossRef ]
Balk، DL; نگیم، اس وی؛ جونز، BR; لیو، زی. بالا و بیرون: رویکردی چند وجهی برای توصیف شهرنشینی در سایگون بزرگ، 2000-2009. Landsc. طرح شهری. 2019 ، 187 ، 199-209. [ Google Scholar ] [ CrossRef ]
ملچیوری، م. فلورچیک، ای جی؛ فریره، اس. شیاوینا، م. پسری، م. کمپر، تی. پرده برداری از 25 سال شهرنشینی سیاره ای با سنجش از دور: دیدگاه هایی از لایه سکونت انسانی جهانی. Remote Sens. 2018 , 10 , 768. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Goldewijk، KK سه قرن رشد جمعیت جهانی: پایگاه داده جمعیت (تراکم) مرجع فضایی برای 1700-2000. مردمی محیط زیست 2005 ، 26 ، 343-367. [ Google Scholar ] [ CrossRef ]
Seto، KC; گنرالپ، بی. Hutyra، LR پیش‌بینی‌های جهانی گسترش شهری تا سال 2030 و تأثیرات مستقیم بر تنوع زیستی و استخرهای کربن. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2012 ، 109 ، 16083-16088. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تامسون، DR; لینارد، سی. ونهویسه، اس. استیل، جی. شیمونی، م. سیری، جی. Caiaffa، WT; روزنبرگ، ام. ولف، ای. گریپا، تی. و همکاران گسترش داده‌ها برای تصمیم‌گیری بهداشت شهری: فهرستی از مجموعه داده‌های تعیین‌کننده سلامت سطح محله جدید و بالقوه در LMIC. J. Urban Health-Bull. آکادمی نیویورک پزشکی 2019 ، 96 ، 514-536. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
اوما، PO; ماینا، جی. تورانیرا، پ.ن. Macharia، P. دسترسی به مراقبت های بیمارستانی اضطراری ارائه شده توسط بخش دولتی در جنوب صحرای آفریقا در سال 2015: فهرستی از کدهای جغرافیایی و تجزیه و تحلیل فضایی. Lancet Glob. Health 2018 , 6 , e342–e350. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سوریچتا، ا. پرنده، تی جی; Ruktanonchai، NW; Erbach-Schoenberg، EZ; پزولو، سی. تجدور، ن. والدوک، آی سی; Sadler، JD; گارسیا، ای جی؛ سدا، ال. و همکاران نقشه‌برداری ارتباط داخلی از طریق مهاجرت انسان در کشورهای بومی مالاریا علمی داده 2016 ، 3 ، 160066. [ Google Scholar ] [ CrossRef ] [ PubMed ]
گلدوییک، KK; Ramankutty، N. تغییر پوشش زمین در طول سه قرن گذشته به دلیل فعالیت های انسانی: در دسترس بودن مجموعه داده های جهانی جدید. ژئوژورنال 2004 ، 61 ، 335-344. [ Google Scholar ] [ CrossRef ]
الیس، EC; گلدوییک، KK; سیبرت، اس. لایتمن، د. تبدیل انسان‌زایی زیست‌ها، 1700 تا 2000. گلوب. Ecol. Biogeogr. 2010 ، 19 ، 589-606. [ Google Scholar ] [ CrossRef ]
هوولینگ، اس. ون در ورف، GR; گلدوییک، KK; Röckmann, T. انتشار اولیه CH ₄ انسانی و تغییرات CH ₄ و ¹³ CH ₄ در طول هزاره گذشته. گلوب. بیوژئوشیمی. Cycles 2008 , 22 , GB10021. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گاستون، کی جی. بلکبرن، TM; Goldewijk، تبدیل زیستگاه KK و از دست دادن تنوع زیستی جهانی پرندگان. Proc. R. Soc. B-Biol. علمی 2003 ، 270 ، 1293-1300. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
میزلز، اف. استریندبرگ، اس. بلیک، اس. ویتمیر، جی. کاهش ویرانگر فیل های جنگلی در آفریقای مرکزی. PLoS ONE 2013 ، 8 ، e59469. [ Google Scholar ] [ CrossRef ]
مک فرسون، پی. خوندی، م. نلیواسا، م. Choko، AT; فیری، وی کی. وب، EL; داد، پی جی؛ کوهن، تی. هریس، آر. کوربت، EL نابرابری در دسترسی به تشخیص و مراقبت در بلانتایر، مالاوی، شناسایی شده از طریق افزایش نظارت بر سل و تجزیه و تحلیل فضایی. BMC Med. 2019 ، 17 ، 21. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Sun، ZC; خو، آر. Du، WJ; وانگ، ال. نقشه برداری از زمین شهری با وضوح بالا Lu، DS در چین از تصاویر Sentinel 1A/2 بر اساس موتور Google Earth. Remote Sens. 2019 , 11 , 752. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بله، TT; ژائو، NZ; یانگ، XC; اویانگ، ZT; لیو، XP؛ چن، کیو. هو، KJ; یو، WZ; Qi، JG; Li، ZS; و همکاران بهبود نقشه‌برداری جمعیت برای چین با استفاده از داده‌های سنجش از راه دور و نقاط مورد علاقه در یک مدل جنگل‌های تصادفی. علمی کل محیط. 2019 ، 658 ، 936–946. [ Google Scholar ] [ CrossRef ]
تان، م. ارتباط دادن.؛ لیو، ال. زو، YH; وانگ، DS فضایی سازی جمعیت در دلتای رودخانه مروارید در شبکه های 30 متری با استفاده از مدل جنگل تصادفی. Prog. Geogr. 2017 ، 36 ، 1304-1312. [ Google Scholar ]
بای، ZQ; وانگ، جی ال. وانگ، MM; گائو، MX؛ Sun، JL ارزیابی دقت مجموعه داده‌های توزیع جمعیت شبکه‌ای چند منبعی در چین. Sustainability 2018 , 10 , 1363. [ Google Scholar ] [ CrossRef ][ Green Version ]
لیک، اس. Uhl، JH; بالک، دی. جونز، ب. ارزیابی دقت لایه‌های زمین ساخته‌شده چند زمانی در مسیرهای روستایی-شهری در ایالات متحده. سنسور از راه دور محیط. 2018 ، 204 ، 898-917. [ Google Scholar ] [ CrossRef ]
یانگ، XH; وانگ، NB; جیانگ، دی. Xiong، LY; لیو، HH منطقه‌بندی توزیع جمعیت بر اساس تحلیل فضایی. Acta Geogr. گناه 2002 ، 57 ، 76-81. [ Google Scholar ]
اسلیوزاس، آر. کوفر، م. کمپر، تی. ارزیابی کیفیت محصولات لایه سکونت انسانی جهانی برای کامپالا، اوگاندا. در مجموعه مقالات رویداد مشترک سنجش از دور شهری 2017، دبی، امارات متحده عربی، 6 تا 8 مارس 2017. [ Google Scholar ]
وانگ، XM; لی، ایکس. Ma, MG پیکسل‌سازی آمار جمعیت حوضه رودخانه داخلی در مناطق خشک – مطالعه موردی رودخانه هیهه. J. Arid Land Resource. محیط زیست 2007 ، 6 ، 39-47. [ Google Scholar ]
لای، سی ایکس; Yan، HM; Du، WP; Hu، YF تغییرات و علل توزیع علفزار در قزاقستان از داده های پوشش زمین جهانی. J. Geo-Inf. علمی 2019 ، 21 ، 372-383. [ Google Scholar ]
وانگ، XM; لی، ایکس. Ma، MG پیشبرد و تحلیل موردی در توزیع فضایی جمعیت بر اساس سنجش از دور و GIS. فناوری سنسور از راه دور. Appl. 2004 ، 19 ، 320-327. [ Google Scholar ]
وانگ، سی. کان، آ.ک. Zeng، YL; لی، جی کیو؛ وانگ، ام. Ci, R. الگوی توزیع جمعیت و عوامل مؤثر در تبت بر اساس مدل جنگل تصادفی. Acta Geogr. گناه 2019 ، 74 ، 664-680. [ Google Scholar ]
مک اودی، سی. جونز، R. اطلس تاریخ جمعیت جهان. پزشکی تاریخچه 1979 ، 23 ، 242. [ Google Scholar ]
ژائو، ZW A Concise History of World Population (ویرایش چهارم) [بررسی کتاب]. جی پوپول. Res. 2007 ، 2 ، 253-254. [ Google Scholar ] [ CrossRef ]
لی، XL; Xiu، CL; شندریک، AB; وانگ، Q. مقایسه الگوی فضایی تراکم جمعیت کلانشهرهای بزرگ ساحلی چین و روسیه: مطالعه موردی سنت پترزبورگ و دالیان. اقتصاد Geogr. 2018 ، 38 ، 78-86. [ Google Scholar ]
وانگ، دبلیو. Yan، HM; یانگ، YZ; Du، WP ارزیابی ظرفیت حمل منابع زمین شهرستان های تبت بر اساس تقاضای تغذیه رژیم غذایی. جی. نات. منبع. 2019 ، 34 ، 921-933. [ Google Scholar ]
Ge، ML؛ Feng، ZM توزیع جمعیت چین بر اساس GIS: طبقه بندی تراکم جمعیت و منحنی مراکز گرانش جمعیت. Acta Geogr. گناه 2009 ، 64 ، 202-210. [ Google Scholar ]
برودبری، اس. اقتصاد جهانی: چشم انداز هزاره. اتوبوس. تاریخچه 2002 ، 44 ، 158-160. [ Google Scholar ]
Wardrop، NA; Jochem، WC; پرنده، تی جی; چمبرلین، منابع انسانی؛ کلارک، دی. کر، دی. بنگتسسون، ال. جوران، اس. سیمن، وی. Tatem، AJ برآوردهای جمعیتی تفکیک مکانی در غیاب داده‌های سرشماری ملی نفوس و مسکن. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2018 ، 115 ، 3529–3537. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
وانگ، کی جی. Cai، HY; یانگ، XH; Zhang، Y. روش فضایی سازی برای داده های سرشماری بر اساس طبقه بندی مجدد کاربری زمین مسکونی در مناطق شهری – مطالعه موردی در بخش میانی حوضه رودخانه یانگ تسه. فناوری سنسور از راه دور. Appl. 2015 ، 30 ، 987-995. [ Google Scholar ]
دونگ، ن. یانگ، XH; Cai، HY روشی برای فضاسازی داده های جمعیتی بر اساس ویژگی های فضای مسکونی. Prog. Geogr. 2016 ، 35 ، 1317-1328. [ Google Scholar ]
بله، جی. یانگ، XH; جیانگ، دی. تجزیه و تحلیل اثر مقیاس شبکه بر فضایی سازی داده های آماری جمعیت سطح شهر. J. Geo-Inf. علمی 2010 ، 12 ، 40-47. [ Google Scholar ] [ CrossRef ]
گائو، ZH مطالعه در مورد توزیع فضایی داده های آماری در ارزیابی بوم شناسی و محیط زیست منطقه ای – مطالعه موردی استان شاندونگ. پایان نامه کارشناسی ارشد، دانشگاه عادی شاندونگ، جینان، چین، 2012. [ Google Scholar ]
لیک، اس. Gaughan، AE; آدامو، اس بی؛ شربینین، م. بالک، دی. فریره، اس. رز، ا. استیونز، FR; بلانکسپور، بی. فرای، سی. و همکاران تخصیص فضایی جمعیت: مروری بر محصولات داده جمعیت شبکه بندی شده در مقیاس بزرگ و تناسب آنها برای استفاده. سیستم زمین علمی داده 2019 ، 11 ، 1385-1409. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مدل سازی فضایی سازی چند مقیاسی وانگ، کی جی برای داده های جمعیتی آماری. پایان نامه کارشناسی ارشد، دانشگاه عادی شرق چین، شانگهای، چین، 2015. [ Google Scholar ]
کیو، جی. نقشه برداری جمعیت با وضوح بالا با استفاده از مدل جنگل تصادفی: مطالعه موردی در ژنگژو. پایان نامه کارشناسی ارشد، دانشکده تحصیلات تکمیلی دانشگاه عادی مغولستان داخلی، هوهات، چین، 2019. [ Google Scholar ]
Shi، YL تقسیم شهری و روستایی و آمار جمعیت شهری: مطالعه تطبیقی بین چین و کشورهای خارجی. مشکل شهری 1993 ، 1 ، 22-26. [ Google Scholar ]

شکل 1. فرآیند تجزیه و تحلیل سازگاری.

شکل 2. سازگاری توزیع فضایی چهار مجموعه داده در هر منطقه موردی (کاملاً سازگار: چهار مجموعه داده سازگار هستند؛ بسیار سازگار: سه مجموعه داده سازگار هستند؛ سازگاری پایین: دو مجموعه داده سازگار هستند؛ کاملاً ناسازگار: هر مجموعه داده با سایرین ناسازگار است).