简介：
ORNL 的 LandScan 是全球人口分布数据的社区标准。在大约 1 公里（30 英寸 X 30 英寸）的空间分辨率下，它代表了环境人口（平均超过 24 小时）分布。该数据库每年更新一次，并在每个日历年的第三季度发布新版本。最新的 LandScan Global 数据集是 LandScan Global 2019，之前的版本（LandScan Global 2000-2018）继续可用。
LandScan 是在多元 dasymetric 建模框架内使用最佳可用的人口（人口普查）和地理数据、遥感和图像分析技术开发的，以分解行政边界内的人口普查计数。由于没有单一的人口分布模型可以解释空间数据可用性、质量、规模和准确性的差异以及文化定居实践的差异，LandScan Global 人口分布本质上是为匹配而量身定制的本地自适应模型的组合每个国家和地区的数据条件和地理性质。
世界人口数据集链接：
Home | LandScan™https://landscan.ornl.gov/ORNL 的 LandScan 采用结合了地理信息科学、遥感技术和机器学习算法的创新方法，成为全球人口分布的社区标准。在 30 弧秒（约 1 公里）分辨率下，LandScan 是可用的最高分辨率全球人口分布数据，代表“环境人口”（平均超过 24 小时）。LandScan 算法是 R&D 100 奖得主，它使用空间数据、高分辨率图像开发和多变量 dasymetric 建模方法来分解行政边界内的人口普查计数。LandScan 人口数据在空间上是明确的 - 与表格人口普查数据不同。由于没有单一的人口分布模型可以解释空间数据可用性、质量、规模、和准确性以及文化定居实践的差异，LandScan 人口分布模型是为匹配每个国家和地区的数据条件和地理性质而量身定制的。通过对环境人口进行建模，LandScan Global 在白天和黑夜的整个过程中捕获人们的全部潜在活动空间，而不仅仅是住宅位置。
资料说明：
格式和范围：数据目前以 ESRI 网格格式分布。该数据集有 20,880 行和 43,200 列，涵盖北 84 度到南 90 度和西 180 度到东 180 度。
数据值：单元格的值是代表平均或环境人口分布的整数人口计数。环境人口将昼夜运动和集体旅行习惯整合到一个单一的衡量标准中（Dobson 等人，2000 年）。由于自然或人为的紧急情况可能在一天中的任何时间发生，LandScan Global 模型的目标是开发一个总体上的人口分布表面，而不仅仅是人们睡觉的位置。由于这种环境性质，应注意将 LandScan Global 数据与其他人口分布表面进行直接比较。
分辨率和坐标系： 该数据集的空间分辨率为 30 角秒，并以地理坐标系 - 世界大地坐标系 (WGS) 84 基准面输出。30 角秒单元格，或 0.008333333 十进制度数，表示大约 1 km 2赤道附近。由于数据位于球坐标系中，因此像元宽度随着像元纬度余弦的变化而减小。因此，纬度 60 度的像元的宽度是赤道像元的一半（cos60 = 0.5）。细胞的高度没有变化。单元格的值是整数人口计数，而不是人口密度，因为单元格的大小不同。将人口计数归一化以汇总到每个地方行政单位的估计值。出于这个原因，将栅格格式的数据投影到不同的坐标系（包括动态投影）将导致数据的重新采样，并且标准化人口计数的完整性将受到影响。同样在所有空间分析之前，
数据修订：数据库每年更新一次，将新的空间数据和图像分析纳入分布算法。逐个单元比较不同版本的数据集可能会导致误导性结论。LandScan Global 数据集版本之间的一些差异是由于最近开发的城市或郊区扩张造成的。然而，在许多情况下，一个用高分辨率图像识别的村庄可能已经存在多年，但在各种空间数据产品中要么没有被表示出来，要么被识别在不正确的位置。
一般方法论
为了以 30 角秒的分辨率生成估计的人口计数，LandScan Global 采用了一种多层的、dasymetric 的空间建模方法。在 dasymetric 映射中，源图层被转换为表面，辅助数据图层被添加到表面，加权方案应用于与辅助数据中识别或派生的密度水平值一致的单元。在 LandScan Global 模型中，基本 dasymetric 模型通过集成和使用多个辅助或指示数据层得到改进。建模过程使用每个国家和主要地理空间输入或辅助数据集的次国家级人口普查计数，包括土地覆盖、道路、坡度、城市地区、村庄位置和高分辨率图像分析；这些都是人口分布的关键指标。根据空间数据和对一个地区的社会经济和文化理解，单元格优先考虑一天中可能出现的人口。在每个国家/地区，人口分布模型计算每个单元格的“可能性”系数，并将系数应用于人口普查计数，用作适当地区的控制总数。然后将该区域的总人口按计算的人口系数按比例分配给每个像元。所得人口计数是环境或平均日/夜人口计数。人口分布模型计算每个单元格的“可能性”系数，并将这些系数应用于人口普查计数，用作适当区域的控制总数。然后将该区域的总人口按计算的人口系数按比例分配给每个像元。所得人口计数是环境或平均日/夜人口计数。人口分布模型计算每个单元格的“可能性”系数，并将这些系数应用于人口普查计数，用作适当区域的控制总数。然后将该区域的总人口按计算的人口系数按比例分配给每个像元。所得人口计数是环境或平均日/夜人口计数。
在大量不同的空间数据中预计会出现位置或属性错误和异常。陆地扫描 全局方法包括手动验证和修改过程，以提高人口分布的空间精度和相对大小。影像分析师识别明显的人口分布错误并创建人口似然系数修改的额外空间数据层，以纠正或减轻输入数据异常。输出单元格将转换为具有单元格修改值的属性字段的点。对城市地区和城市范围进行了许多修改。派生的土地覆盖数据通常不会揭示城市属性，例如建筑物密度或建筑物高度，这些属性可以通过使用高分辨率图像的目视检查轻松推断出来。
常见问题：
输入数据
LandScan Global 于 1998 年首次推出，作为一个改进的分辨率全球人口分布数据库，用于估计处于危险中的人口。最初的 LandScan Global 算法集成了全球一致但相对粗糙的空间数据。每个国家或地区的输入数据在空间模型中被分配了定制的加权因子，以表征不同的聚居模式。在过去的十年中，全球空间数据显着增长，高分辨率卫星图像的数量也大幅增加。这些数据和图像为提高年度数据发布的空间保真度提供了机会。然而，新空间数据的产生往往是碎片化的，LandScan 全局算法必须考虑不同的输入数据分辨率和时间不一致。下面列出了 LandScan Global 建模过程中使用的选定空间数据层。
人口普查信息： LandScan Global 2010 和更早的版本使用了美国人口普查局地理研究处的年度全国人口年中估计数。这些估计中不包括临时救援人员、一些军事前哨、科学考察或游客等间歇性人口。这些年中估计可能无法反映自一国上次进行官方人口普查以来的季节性迁移、国内流离失所者 (IDP) 或难民流动。
行政边界：准确的行政边界属性对于 LandScan Global 模型至关重要，因为人口预测与边界相结合，作为人口总数的空间控制。模型每年都会纳入行政边界变化，改进国际和地方行政边界的空间精度，并协调时间普查信息和行政边界不一致。分布普查数据的行政单位级别在规模和空间精度上因国家而异。在模型参数化过程中考虑了每个国家的行政单位数量和边界的空间保真度。人少的国家，但是非常大的行政区域需要模型参数中的不同权重才能将代表性人口分配到适当的位置。一般来说，较小的行政边界会导致更好的人口分布——如果边界在空间上是准确的。然而，地理参考或空间特征较差的小型行政区域实际上会导致人口分布错误。为了减少这些错误，分析人员将在可能的情况下将较差的次省边界合并到省级，并根据模型确定的人口可能性位置分布整个省人口，而不是将人口分布限制在不正确的位置。与美国人口普查区块或区块组相当的非常小的行政或查点区域会对环境人口建模产生意想不到的后果。由于与人口普查表相关的人口是居住地，因此商业和工业区的相关人口可能为零或非常低。因此，输出将反映仅住宅人口分布而不是环境人口分布。
土地覆盖：准确的土地覆盖数据是人口分布模型的一个组成部分。该模型使用的土地覆盖数据代表了各种分辨率的不同空间数据源的集合。来自美国国家地理空间情报局 (NGA) 的数据、USGS、NASA 和 NOAA 等联邦土地覆盖数据生产者以及其他联邦机构、选定的国际来源以及通过 ORNL 图像分析产生的土地覆盖数据都被纳入最终土地覆盖数据库。世界上大部分土地覆被都使用 30 米或更高分辨率的图像进行了处理。ORNL 使用新的图像处理算法和高性能计算机处理非常高分辨率的图像（约 1 米），以描绘和更新已开发区域。这些修改被纳入全球土地覆盖数据库。
其他空间数据：海拔和坡度也是人口分布潜力的重要指标。虽然有时人类会经常出现在地球上最高的海拔高度，但在这些海拔高度之上，持续居住是不切实际的。同样，非常陡峭的斜坡抑制了定居点、农业和工业发展——这些地区最有可能是周围人口分布的区域。建模算法中使用的各种矢量数据层包括道路、人口稠密地区（城市边界）和人口稠密点（城镇和村庄）。每个数据层都作为可能的人口位置的指标。分析人员必须协调由于每个数据层的数据规模、准确性和货币而导致的空间不一致，以符合当地的聚居特征。
海岸线：由于其复杂的空间模式，海岸线需要非常高的分辨率才能准确地表示海岸特征。由于许多沿海地区是动态景观，海岸线会发生变化，沿海岛屿可能会增长、转移位置或完全消失。流行的海岸线数据库可能与当前的土地特征相交，从而可能会丢失人口稠密的地区。出于这个原因，LandScan Global 模型将所有沿海边界向海延伸了几公里，以确保所有海岸和小岛特征都封装在一个行政单元边界内。代替矢量海岸线，土地覆盖数据和高分辨率图像用于捕获沿岸的人口稠密区域。
图像：LandScan Global 人口分布建模过程的每个阶段都采用高分辨率图像。起初，高分辨率图像用于识别定居模式和建筑特征。影像用于评估模型中使用的不同空间数据层的准确性和精度，以及调整模型算法中每一层的权重因子。初步模型输出叠加在高分辨率图像上，以验证相对人口分布和数量级。当接收到新的空间数据时，对似然系数文件中的可变权重进行迭代修改，并重新计算分布算法。此外，高分辨率图像用于创建或修改现有空间数据层，特别是更新或完善与城市边界划定相关的土地覆盖数据。为了加快处理大量图像档案，正在开发一种基于从高分辨率图像中提取的纹理和边缘信息的自动城市边界描绘算法。
已经出版的相关文献：
Thakur, G., Sims, K., Mao, H., Piburn, J., Sparks, K., Urban, M., et al. (2018). Utilizing Geo-located Sensors and Social Media for Studying Population Dynamics and Land Classification . In Human Dynamics Research in Smart and Connected Communities (pp. Pages 13-40). Springer, Cham. http://doi.org/https://doi.org/10.1007/978-3-319-73247-3
Dobson, J., Bright, E., Coleman, P., & Bhaduri, B. (2003). LandScan: a global population database for estimating populations at risk. In Remotely Sensed Cities (V., pp. 267-281). London: Taylor & Francis.
Stewart, R., Piburn, J., Weber, E., Urban, M., Morton, A., Thakur, G., & Bhaduri, B. (2015). Can Social Media Play a Role in the Development of Building Occupancy Curves?. In Proc. 13th Int. Conf. GeoComp. UT Dallas: Cham, Springer International Publishing. (Original work published 1/2015AD)
Sparks, K., Thakur, G., Urban, M., & Stewart, R. (2017). Temporal Signatures of Shops’ and Restaurants’ Opening and Closing Times at Global, Country, and City Scales. In GeoComputation 2017. Retrieved from http://www.geocomputation.org/2017/papers/51.pdf (Original work published 09/2017AD)
Stewart, R., Urban, M., Anderson, D., Duchsherer, S., Axley, E., & Piburn, J. (2017). Towards a Virtual Reality Elicitation of Building Occupancy. In GeoComputation 2017. Retrieved from http://www.geocomputation.org/2017/papers/52.pdf (Original work published 09/2017AD)
Patlolla, D., Bright, E., Weaver, J., & Cheriyadat, A. (2012). Accelerating satellite image based large-scale settlement detection with GPU. In ACM SIGSPATIAL International Workshop on Analytics for Big Geospatial Data. Redondo Beach, California: ACM New York, NY, USA. http://doi.org/10.1145/2447481.2447487 (Original work published 11/2012AD)
Thakur, G., Sparks, K., Stewart, R., Urban, M., & Bhaduri, B. (2016). The Efficacy of Applying Open and Crowd Source Data in Urban Dynamics Research. In Conference on Data Analysis. (Original work published 03/2016AD)
Thakur, G., Sparks, K., Stewart, R., Urban, M., & Bhaduri, B. (2016). Curating Transient Population in Urban Dynamics System. In GIScience. Retrieved from http://arxiv.org/abs/1606.08488
Thakur, G., Sparks, K., Stewart, R., Urban, M., & Bhaduri, B. (2016). Landuse Classification and Occupancy Estimation from Fine Grained Social Media Analysis. In GIScience 2016. Montreal, Canada. (Original work published 10/2016AD)
Vijayaraj, V., Cheriyadat, A., Sallee, P., Vatsavai, R., Bright, E., & Bhaduri, B. (2008). Overhead Image Statistics. AIPR '08 Proceedings of the 2008 37th IEEE Applied Imagery Pattern Recognition Workshop. IEEE Computer Society Washington, DC, USA. http://doi.org/10.1109/AIPR.2008.4906471 (Original work published 10/2008AD)
Vijayaraj, V., Bright, E., & Bhaduri, B. (2007). High resolution urban feature extraction for global population mapping using high performance computing. Proceedings of 2007 IEEE International Geosciences and Remote Sensing Symposium. Barcelona, Spain: IEEE. http://doi.org/10.1109/IGARSS.2007.4422784
Thakur, G., Kuruganti, T., Killough, S., Bobrek, M., Nutaro, J., Liu, C., & Lu, W. (2016). Real-time urban population monitoring using pervasive sensor network. GIS '16: Proceedings of the 24th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. ACM. (Original work published 10/2016AD)
Mao, H., Thakur, G., & Bhaduri, B. (2016). Exploiting mobile phone data for multi-category land use classification in Africa. UrbanGIS '16 Proceedings of the 2nd ACM SIGSPATIAL Workshop on Smart Cities and Urban Analytics. Burlingame, California: ACM New York, NY, USA. http://doi.org/10.1145/3007540.3007549 (Original work published 10/2016AD)
Sparks, K., Li, R., Thakur, G., Stewart, R., & Urban, M. (2016). Facility detection and popularity assessment from text classification of social media and crowdsourced data . GIR '16 Proceedings of the 10th Workshop on Geographic Information Retrieval. Burlingame, California: ACM New York, NY, USA. http://doi.org/10.1145/3003464.3003466 (Original work published 10/2016AD)
Thakur, G., Bhaduri, B., Piburn, J., Sims, K., Stewart, R., & Urban, M. (2015). PlanetSense: a real-time streaming and spatio-temporal analytics platform for gathering geo-spatial intelligence from open source data. SIGSPATIAL '15 Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems. Seattle, Washington: ACM New York, NY, USA. Retrieved from https://dl.acm.org/citation.cfm?id=2820882 (Original work published 11/2015AD)
Yuan, J. (2016). Automatic Building Extraction in Aerial Scenes Using Convolutional Networks. Retrieved from http://arxiv.org/abs/1602.06564
Graesser, J., Cheriyadat, A., Vatsavai, R., Chandola, V., Long, J., & Bright, E. (2012). Image Based Characterization of Formal and Informal Neighborhoods in an Urban Landscape. Ieee Journal Of Selected Topics In Applied Earth Observations And Remote Sensing, 5(4), 1164-1176.
Dobson, J., Bright, E., Coleman, P., Durfee, R., & Worley, B. (2000). A Global Population database for Estimating Populations at Risk. Photogrammetric Engineering & Remote Sensing, 66(7). (Original work published 07/2000AD)
Yuan, J., Wang, D. L., & Cheriyadat, A. (2015). Factorization-Based Texture Segmentation. Ieee Transactions On Image Processing, 24(11). http://doi.org/10.1109/TIP.2015.2446948 (Original work published 11/2015AD)
McKee, J., Rose, A., Bright, E., Huynh, T., & Bhaduri, B. (2015). Locally adaptive, spatially explicit projection of US population for 2030 and 2050. Proceedings Of The National Academy Of Sciences, 112(5), 1344-1349. http://doi.org/https://doi.org/10.1073/pnas.1405713112 (Original work published 02/2015AD)
Potere, D., Feierabend, N., Bright, E., & Strahler, A. (2008). Walmart from Space: A New Source for Land Cover Change Validation. Photogrammetric Engineering & Remote Sensing, 74. (Original work published 07/2008AD)
Bhaduri, B., Bright, E., Coleman, P., & Urban, M. (2007). LandScan USA: a high-resolution geospatial and temporal modeling approach for population distribution and dynamics. Geojournal, 69(1-2), 103-117. http://doi.org/ 10.1007/s10708-007-9105-9 (Original work published 09/2007AD)
Cheriyadat, A., Bright, E., Potere, D., & Bhaduri, B. (2007). Mapping of settlements in high-resolution satellite imagery using high performance computing. Geojournal, 69, 119-129. http://doi.org/10.1007/s10708-007-9101-0 (Original work published 08/2007AD)
Patterson, L., Urban, M., Myers, A., Bhaduri, B., Bright, E., & Coleman, P. (2007). Assessing spatial and attribute errors in large national datasets for population distribution models: a case study of Philadelphia county schools. Geojournal, 69(1-2), 93-102. http://doi.org/https://doi.org/10.1007/s10708-007-9099-3 (Original work published 09/2017AD)
Cai, Q., Rushton, G., Bhaduri, B., Bright, E., & Coleman, P. (2006). Estimating Small-Area Populations by Age and Sex Using Spatial Interpolation and Statistical Inference Methods. Transactions In Gis, 10(4), 577-598. (Original work published 2006)
Tobin, K., Bhaduri, B., Cheriyadat, A., Karnowski, T., Palathingal, P., Potok, T., & Price, J. (2006). Automated Feature Generation in Large-Scale Geospatial Libraries for Content-Based Indexing. Photogrammetric Engineering & Remote Sensing, 72. (Original work published 05/2006AD)
Bhaduri, B., Bright, E., Coleman, P., & Dobson, J. (2002). LandScan: Locating People is What Matters. Geoinformatics, 5, 34-37. (Original work published 2002)
Dobson, J., Bright, E., Coleman, P., Durfee, R., & Worley, B. (2000). A Global Population database for Estimating Populations at Risk. Photogrammetric Engineering & Remote Sensing, 66. (Original work published 07/2000AD)
Mao, H., Ahn, Y. -Y., Bhaduri, B., & Thakur, G. (2017). Improving land use inference by factorizing mobile phone call activity matrix. Journal Of Land Use Science, 12(2-3), 138-153. http://doi.org/10.1080/1747423X.2017.1303546 (Original work published 04/2017AD)
Sims, K., Weber, E., Bhaduri, B., Thakur, G., & Resseguie, D. (2017). Application of Social Media Data to High-Resolution Mapping of a Special Event Population. Advances In Geocomputation, Springer, 67-74. (Original work published 2017)
Liu, X., & Wang, M. (2016). How polycentric is urban China and why? A case study of 318 cities . Landscape And Urban Planning, 151, 10-20. http://doi.org/10.1016/j.landurbplan.2016.03.007
Liu, X., Derudder, B., & Wang, M. (2017). Polycentric urban development in China: A multi-scale analysis. Environment And Planning B: Urban Analytics And City Science . http://doi.org/10.1177/2399808317690155 (Original work published 02/2017AD)
note：
你在进行下载前必须得进行注册
