人口、房屋数据空间化及在2021年拜城MS5.4地震中的应用
2023-09-03赵江涛李金香孙静黄帅堂马建张风帆
赵江涛 李金香 孙静 黄帅堂 马建 张风帆
摘要：地震灾情快速评估依赖于震区准确的人口、房屋等设施的数量和空间分布，是震后地震应急救援、地震烈度评估的核心支撑。以阿克苏地区的居民点、POI数据为基础，采用核密度估算结合道路分布和房屋占地面积的方法，构建了人口密度权重模型，获得了研究区1 km×1 km的人口、房屋格网数据。结果显示，各乡镇实际人口数量与模拟人口数量线性拟合相关系数为0.909，线性拟合相对较好，表明人口空间化结果达到了较高精度。为了更好地验证上述方法和数据，以2021年拜城MS5.4地震为例，叠加对比分析震区人口、房屋格网数据与地震评估区之间的定量关系。按照地震评估区进行了人口、房屋面积的模拟，该数据与实际现场数据之间误差较小，能够满足震后地震灾情快速评估的需求，可为灾害预评估及地震现场灾害快速评估等工作提供可靠依据和支撑，同时空间化的方法也为后续该方向的研究提出了一个新的思路。
关键词：居民点；POI数据；人口空间化；房屋空间化；2021年拜城MS5.4地震
doi：10.16256/j.issn.1001-8956.2023.01.007
地震灾情快速评估是震后地震应急救援的核心技术支撑，是震后“黑箱期”評估灾害规模的有效手段［1-2］。准确的地震影响之下的人口、房屋建筑数量和空间分布是地震灾情快速评估准确度的重要影响因素，也是综合防灾对策研究中重要的依据［1］。准确的人口、房屋空间分布信息对于震前评估区域抗灾能力、预测灾害损失必不可少，对于震后高效的指挥决策和快速应急救援也至关重要。准确的人口、房屋空间分布数据能够更为客观地展示人口和房屋的分布情况，可为新疆地区地震灾情快速评估等工作提供更加科学准确的数据支撑［3］。然而，新疆维吾尔自治区地震局现有地震应急数据库中人口、房屋分布数据是2015年之前的研究成果，随着多年的发展，此数据在地震灾情快速评估等工作中的精确度有所下降，急需进一步更新和细化研究。
传统的人口和房屋数据的获取主要靠现场调查，是一项工作量大、费力耗时的工作。近年来国内外学者对人口和房屋数据空间化方法的研究越来越多，如韩贞辉等以场位论为基础开展了人口数据空间化方法研究，利用实地抽样调查数据，确定不同人口密度条件下人均建筑面积和不同类型房屋建筑的比例关系，实现房屋数据的空间化［4］；谷国梁等以测绘部门建筑物占地面积和房屋层数为基础，开展了天津市的房屋和人口数据空间化方法研究［5］；朱瑾等基于公安部门实有人口和实有房屋数据进行了精细化人口空间化方法研究［6］；周闻云等基于现场抽样调查数据进行了甘肃省人口和房屋数据空间化方法研究［7］；孙艳萍等采用核密度估算法以居民点数据为基础，进行了人口空间化方法研究，并在四川九寨沟7.0级地震中进行应用［8］；Chen等利用腾讯用户位置大数据开展了人口数据空间化的研究［9］；赵真等基于天地图高精度建筑物数据结合现场调查进行了四川宝兴县的人口估算研究［10］等等。这些研究的成果都达到了较高的精度，也积累了人口、房屋空间化的宝贵经验，为本研究提供了借鉴。
综上所述，人口数据空间化的研究方法比较多，主要基于土地利用率、居民点、遥感影像等基础数据进行的人口数据空间化，但缺少从微观尺度上对人口分布的反映。本文中以居民点和电子地图POI（Point of Information，信息点）数据为主，以2021年拜城MS5.4地震所在地阿克苏地区（含阿拉尔市）为研究区，采用核密度估算法，结合道路分布和房屋占地面积等数据，开展人口、房屋空间化方法研究，力求能更直观、准确地反映人口、房屋建筑在一定区域内的空间分布特征，减少与实际之间的差距，进一步提高人口和房屋模拟结果的精准度，为新疆地区地震灾情快速评估等工作提供更加科学准确的数据支撑。
1 研究区域
阿克苏地区位于天山南麓，是新疆人口、经济最为密集的区域之一，该区域活动构造发育，历史上强震频发，造成了严重的财产损失和人员伤亡，这也使得该区域具有非常高的地震灾害风险。
据中国地震台网统计，阿克苏地区1949年以来共发生MS≥6.0地震12次，尤其是1991年2月25日的柯坪MS6.5地震距离柯坪县城仅12 km，对柯坪县造成了严重的地震灾害［11］。发生在1949年库车7 1/4级地震是该区域有历史记录以来震级最大的地震［12］。2021年3月24日的拜城MS5.4地震是最近的一次破坏性地震，本次地震震中距离拜城县约64 km，地震造成3人死亡、大量房屋不同程度受损及多处房屋毁坏。Sun等使用干涉合成孔径雷达（InSAR）和极化合成孔径雷达（PolSAR）技术对此次地震震后地表位移和建筑物损坏进行了研究，结果显示本次地震造成的房屋破坏最严重的区域发生在地表变形最大的区域［13］，这与地震烈度调查中的极震区基本吻合新疆拜城5.4级地震现场应急工作组. 新疆拜城5.4级地震灾害损失评估报告. 乌鲁木齐：新疆维吾尔自治区地震局，2021.（图1）。
拜城地震是反映天山和塔里木块体剪切变形的典型震例［14］。震区主体位于南天山库车坳陷内，此次地震在地表产生长近5 km的地表破裂带，呈右阶式展布［15］；对发震构造的认识存在两种观点：一种认为是下伏的挤压盐构造破裂所导致［14］，另一种认为是南天山前麓左旋兼逆冲性质的老虎台断层［15］。本次地震宏观震中位于拜城县老虎台乡开普台尔哈纳村至科克亚村一带，极震区烈度为Ⅶ度（7度），主要涉及拜城县老虎台乡、察尔齐镇，长轴走向60°，长半轴长2.5 km，短半轴长1.4 km，面积约11.44 km2；Ⅵ度（6度）区及以上总面积约72.66 km2，等震线长轴走向呈北东东，长轴14 km，短轴7 km，主要涉及拜城县老虎台乡、察尔齐镇、种羊场，温宿县博孜墩柯尔克孜族乡新疆拜城5.4级地震现场应急工作组. 新疆拜城5.4级地震灾害损失评估报告. 乌鲁木齐：新疆维吾尔自治区地震局，2021.。
2 研究方法
2.1 研究思路
本文结合研究区房屋、人口等区域特点和研究目的，利用核密度估算法，在前人已有研究的基础上进一步对人口数据空间化方法进行了改进：（1） 在以居民点建立人口密度权重模型的基础上，加入POI数据点，进一步从微观尺度反映城镇、乡村和其周边区域人口分布的差异性；（2） 以房屋建筑占地面积、道路分布作为人口密度权重模型的补充因子，提高在居民点、POI数据点少或缺失的区域人口分布的精细度；（3） 采用基于行政区单元的人口实际数据对人口模拟数据结果进行验证，确定模型的可靠性和精度。
在人口数据空间化的基础上，利用不同人口密度条件下人均房屋建筑面积和不同房屋结构类型的比例关系，实现房屋数据的空间化［4］（图2）。
2.2 数据源及预处理
2.2.1 数据源
① 居民地点数据源自新疆地震应急基础数据库；② 人口数据源自第七次全国人口普查结果和红黑人口库；③ POI数据、道路数据源自高德地图；④ 行政区划数据源自全国地理信息资源目录服务系统；⑤ 房屋建筑占地面积通过天地图提取获得。
阿克苏地区房屋结构类型齐全，常住人口2 714 422人，占全疆总人口10.5%［16］。居民点1 856个，平均密度为0.076个/km2。POI点使用与生活服务、科教文化等相关的数据点，如住宅区、公交站等，共计7 570个，平均密度为0.6个/km2。道路数据选取与人口分布更紧密的四级公路和其他道路（如乡间小道、小区内道路等）的路网数据，累计长度为24 845 km，平均密度为1.23 km/km2，道路分布符合人口分布特点。以上数据可为本研究提供可靠支撑。
2.2.2 数据预处理
研究选择等积圆锥投影（Asia North Albers Equal Area Conic坐标）作为数据分析和结果输出的投影，所有数据源统一转换成此投影。
1） 基于天地图电子地图房屋轮廓的提取
基于机载或星载遥感影像技术的房屋信息提取，已有许多学者进行了大量研究［17-19］。提取的房屋建筑轮廓精度在逐步提高，但受限于建筑物外形、建筑物分布密度和排列以及影像质量等因素影响，准确度仍然与实际存在不小误差［20］；对于大尺度范围内房屋建筑轮廓的提取，这些方法所需时间长，时效性低。
天地图的数据源自国家测绘地理信息局及中国的各导航数据公司，反应的是“实有”房屋建筑信息，能很好的反映房屋分布的差异性，一定程度上也能反映房屋的占地面积。本文中为快速获取大区域范围房屋建筑占地面积信息，采用基于天地图通过使用FME（Feature Manipulate Engine）软件获取研究区内房屋建筑轮廓，形成房屋建筑矢量化图层，最终实现房屋建筑占地面积信息的获取。所使用的地图分辨率为0.43 m，满足信息提取要求。
2） 基于ArcGIS平台的房屋占地面积计算
在ArcGIS软件平台中，调入研究区房屋建筑矢量化数据，设定坐标系参数，计算房屋建筑占地面积，形成包含房屋建筑占地面积的房屋矢量化图层。
通过上述数据预处理工作，形成居名点、POI点、道路、房屋建筑数据的矢量化图层，为下一步计算工作做好准备（图3）。
3 人口数据空间化
3.1 计算模型
核密度估算是非参數验证方法之一，用于计算给定点集合在其周围区域中的密度。此方法是以特定点要素的位置为中心，计算指定阈值范围内的点密度，密度随距离衰减，至极限距离处为0，在点要素中心位置密度最大［8，21］。通常使用Rosenblatt-Parzen核密度估计
式（1）中，k为核函数；h＞0，为阈值；（x-xi）为估算点x到样本xi处的距离。
基于核密度估算方法进行人口数据空间化，是先假定某计算单元内总人口为D，该单元点要素总数为N个，若某个网格i对应的点要素密度权重为ρi，那么该网格的人口密度Di为［8，21］
Di=D/N×ρi. （2）
基于核密度估計实现人口数据空间化，通常是以居民点数据作为影响人口分布的因素［8，21］，较单一，与实际情况对比，得到的结果与实际人口分布存在不小误差。如何能进一步从微观尺度更好的反映城市、乡镇及其周边区域人口分布的差异性［4］，更有效地反映“实有”人口分布，就需要更多的指示人口分布的随机性因子来辅助模型的创建。随着科技和电子地图行业的不断发展，电子地图中的各种信息得到不断完善，信息精准度得到提高，其中POI数据是通过传统的地理信息采集方法获取的，一个POI数据可以是一个小区、一座房屋建筑、一个公交站等，在一定程度上能反映详细的人口分布情况；其次，房屋占地面积、道路分布也是人口分布的重要指示因子［4，22］，可从微观层面上进一步反映人口分布的细节，是模型建立的可靠数据源。
基于以上分析，本研究对人口密度权重模型进行了改进，
式（3）中，Wi为某个网格i对应人口密度权重，Wpi、WPOIi、Wri、Whi分别为对应网格i居民点、POI点、道路密度和房屋占地面积密度的人口密度归一权重（即各影响因子人口密度权重之和各自为1，如居民点人口密度权重Wp1+Wp2+…+Wpn=1），a1、a2、a3、a4为权重的配比系数。
3.2 权重配比系数
居民点、POI点、道路分布和房屋建筑占地面积等在人口模拟中对人口的分布都起着重要影响作用，各因子对人口分布的影响作用比重前人暂未对此做过量化研究，在已有人口空间化研究中，暂且认为各因子的影响作用是等量的［4，22］。但各因子对人口分布的影响存在差异性，对人口分布的影响作用比重各不相同。本研究在考虑了阿克苏地区不同市县各因子的总量、分布等情况，暂且依据格网所在行政单元内各因子占比平均值确定，最终确定a1=0.29、a2=0.18、a3=0.26、a4=0.27。各因子对人口分布的影响作用比重量化有待进一步深入研究。
3.3 人口密度图生成
人口数据空间化：先假设任意公里格网的人口密度权重值为Wi，格网所在计算单元总人口数为D，该计算单元内公里格网总数为n个，那么该网格内的人口密度Di为［8］
式（4）中，Ws为行政单元人口密度权重之和。最后生成1 km×1 km人口分布密度图（图4）。
3.4 精度验证
阿克苏地区部分人口密集地处于乡镇（街道）分界附近，如库车市城区中心热斯坦街道、新城街道、东城街道等，各街道平均面积不足2 km2，人口1 km×1 km网格跨行政区，为了尽可能减少人口统计时的误差，检验人口数据空间化结果的精度，对部分县市分界附近人口密集的乡镇（街道）相邻区域进行合并，按一个单元进行统计。最终采用阿克苏地区70个乡镇（单元）实际人口数据对模拟的人口数据结果进行验证［23］。通过格网人口统计值与各县市实际人口数据进行误差计算和回归分析，对结果精确度进行验证。误差计算方法
式（5）中，Sp为格网人口统计数据值，Ap为各县市乡镇实际人口数据值。
通过误差计算，结果显示误差范围为［-32.24%，29.55%］，误差为负值表示人口模拟结果偏低，正值表示模拟结果偏高。最小误差为-0.01%，接近实际值。误差平均值为-1.83%，误差绝对值平均值为14.27%，
相对误差在（-10）%～10%之间的占比为40%。相关回归分析结果显示（图5），各乡镇实际人口数量与模拟人口数量之间的相关系数为0.909，线性拟合相对较好。检验结果表明本研究的人口数据模拟结果达到了较高的精度。
虽然人口模拟结果达到了较高的精度，但还存在一定误差，产生误差的原因：（1） POI点信息不完善引起的误差。POI点主要集中于城市、乡镇中心，尤其发展较好的地区POI点密度相对高，而发展程度低的乡镇（农村）地区现实中该点存在小区或房屋建筑等，但电子地图中POI点少或没有，导致模拟结果偏低。如库车市哈尼喀塔木乡实际人口39 009人，模拟人口26 987人，误差达-30.82%。（2） 道路修建程度和电子地图中道路信息的完善度也是产生误差的原因。尤其是靠近中心城区的乡镇（街道），道路修建程度高，在电子地图中的信息完善，相比其他地区，这些地区人口模拟结果偏高。如库车市伊西哈拉镇，居民居住密集区紧邻库车市城区，道路密度高，模拟人口比实际人口高29.55%。（3） 房屋建筑占地面积相近，但实际房屋建筑高度不同引起的误差。这一情况体现在城市发展较高地区，如中心城区和乡镇政府驻地，实际人口密度较高的地区，人口模拟值则会偏低。（4） 权重配比系数的影响。各因子对人口分布的影响存在差异性，对人口分布的影响作用比重各不相同。不同的配比系数会产生不同的模拟结果。对权重配比系数的量化有待进一步深入研究。
4 房屋数据空间化
4.1 房屋数据空间化的建立
在已有研究的基础上［24-26］，结合阿克苏地区实际情况和以往地震灾害评估及地震灾害预评估的实际需求，本研究将房屋结构类型分为框架结构、砖混结构、砖木结构及安居房屋4种结构类型。确定不同结构类型房屋建筑的比例关系是房屋数据空间化过程中的难点［4，22］。本研究利用新疆维吾尔自治区地震局地震应急数据库房屋结构类型数据、历年房屋调研数据和2020年全国人口普查结果中城市、镇、乡村人均住房建筑面积［16］，获得不同人口密度条件下人均房屋建筑面积和不同结构类型房屋建筑的比例关系（表1），最终在人口数据空间化的基础上实现房屋数据的空间化。
4.2 房屋数据空间化的实现
在ArcGIS软件平台中，按照不同人口密度分为不同等级，利用确定的房屋比例关系和人均房屋建筑面积确定不同人口密度条件下公里格网内的不同结构类型房屋面积，实现房屋数据空间化（图6）。
从图6中可以看出，框架结构房屋主要分布于城市中心地带，密度较大，自城市中心向外逐渐减少，乡镇政府驻地零星分布，乡村地区无框架结构房屋分布，这与实际相符；砖混、砖木结构房屋分布普遍，尤以砖木结构房屋居多，二者在城乡结合部密度较高；安居房屋覆盖面广，且随人口密度的增加安居房屋密度随之增加，在部分人员密集乡村地区也存在高密度区，这得益于自治区政府自2004年以来在全疆范围安居工程的实施。
5 基于格网数据的拜城地震震后灾害损失评估应用
在人口和房屋数据空间化的基础上，以2021年3月24日新疆阿克苏地区拜城县MS5.4地震为例，以地震灾区（Ⅵ度及以上区域）作为评估区，利用ArcGIS将人口、房屋格网数据与评估区进行叠加，对评估区房屋总面积和人口数量进行对比分析。因评估区位于农村地带，房屋建筑均为一层，其实际总面积采用识别的房屋建筑面积与模拟统计值对比，评估区实际人口为各乡镇上报人口。
结果显示，评估区模拟统计人口总数为4 357人，实际人口为4 885人，误差为-10.81%；按照不同行政区统计结果显示（表2），误差范围为［72.86%，-64.43%］。引起人口误差的原因可能有以下3个方面：（1） 评估区位于农村，区内无POI点，这使得评估区内各格网中POI点密度权重为0，最终结果导致模拟人口总数比实际人口小。（2） 部分居民居住点道路数据缺失，如开普太尔哈纳村四组2处较密集的居民居住点没有道路数据，道路密度权重为0，导致人口模拟结果比实际小很多；而亚木古鲁克村四组居民居住点则分布于省道S307两侧，道路密度权重相对就会大，人口模拟结果偏大；这可能是引起部分行政单元误差较大的主要原因。（3） 房屋分布的差异性。在农村部分地区房屋分布零散，相对于居民居住点密集的地区，在计算时房屋的密度权重就会偏小，最终体现在人口模拟结果上；在统计时对于以大范围为基准，模拟统计值较实际值误差可能不显著，但随着统计单元的变小，如以村为单元，误差就会明显增大。
评估区房屋建筑识别面积为204 090 km2，模拟统计房屋面积为181 669 km2，误差为-10.99%（表2）。引起房屋建筑面积误差的原因有2个方面：（1） 房屋数据模拟是在人口模拟的基础上得到的，因此人口模拟结果的误差传导至房屋模拟的结果上。（2） 房屋数据模拟所使用的人均房屋建筑面积是某个区域调查结果的平均值，而实际是各地区人均房屋建筑面积是不同的。
通过上述对比分析，人口模拟值随统计单元的变小与实际人口之间的误差随之变大，但对于大区域而言，如地震现场灾害评估时以烈度区为统计单元，模拟结果与实际误差小。因此，利用电子地图数据模拟的人口、房屋数据空间化结果，能够满足灾害预评估、地震现场灾害快速評估等实际应用要求。
6 结论
以居民点数据、POI数据、道路分布和房屋占地面积为研究对象，以阿克苏地区为研究区域，开展人口、房屋数据空间化的研究工作。
（1） 获得公里格网人口、房屋数据空间化结果，并采用70个乡镇（单元）实际人口数量对模拟人口数量结果进行了验证。结果显示，相对误差在（-10）%～10%间的占比为40%。回归分析结果表明，各乡镇实际人口数量与模拟人口数量之间的线性相关系数为0.909，线性拟合相对较好，人口数据空间化结果能够合理反映行政区内人口分布情况，达到了较高的精度。
（2） 在人口数据空间化的基础上，利用不同人口密度条件下人均房屋建筑面积和不同结构类型房屋的比例关系，实现房屋数据的空间化。同时，以拜城MS5.4地震为例，对地震评估区房屋建筑面积和人口进行对比分析。结果表明，随统计单元变小误差随之变大，然而对地震现场以烈度区为统计单位，该结果与实际结果相差不大，能够满足地震现场评估的实际应用需求。
（3） 高精度的人口数量、房屋建筑数量和空间分布等，是地震灾害快速评估准确度和信息质量的直接影响因素。本研究基于电子地图数据的人口、房屋的数据模拟结果，确保了人口、房屋的信息质量，一定程度减小了与实际之间的差距，达到了较高的精度，未来可为阿克苏地区灾害预评估及地震现场灾害快速评估等工作提供可靠依据和支撑，能有效辅助相关工作的快速开展。并且，本研究基于电子地图数据的人口、房屋数据空间化方法也可应用于其他行政区域的人口、房屋数据公里格网空间化的实现，提高信息准确度。以上这些研究成果对城市防灾对策研究、灾害损失预评估和地震现场灾害快速评估有着十分重要的意义。
尽管本研究模拟的人口格网数据线性拟合相对较好，但准确度与实际情况仍存在一定差距，还需进一步研究与优化。
致谢：在论文撰写期间，得到雷庆的软件技术支持，在此表示衷心的感谢。
参考文献：
［1］安基文，徐敬海，聂高众，等. 高精度承灾体数据支撑的地震灾情快速评估［J］. 地震地质，2015，37（4）：1 225-1 241.
［2］ 徐敬海，安基文，聂高众. 基于千米格网的地震应急灾情预评估数据开发［J］. 地震地质，2016，38（3）：760-772.
［3］ 马犇，何琳，张洁，等. 基于公里格网数据的震害快速评估本地化研究［J］. 电脑编程技巧与维护，2016，（11）：55-57.
［4］ 韩贞辉，李志强，陈振拓，等. 人口、房屋数据空间化及其在震灾快速评估中的应用——以彝良地震为例［J］. 地震地质，2013，35（4）：894-906.
［5］ 谷国梁，王晓蕾，李雅静，等. 天津市面向震害快速评估的房屋和人口空间化研究［J］. 地震，2016，36（2）：149-158.
［6］ 朱瑾，李建松，蒋子龙，等. 基于“实有人口、实有房屋”数据的精细化人口空间化处理方法及应用研究［J］. 东北师大学报（自然科学版），2018，50（3）：133-140.
［7］ 周闻云，丁文秀. 基于抽样数据的甘肃人口、房屋数据空间化［J］. 软件导刊，2018，17（5）：176-178.
［8］ 孙艳萍，陈文凯，张苏平，等. 基于居民点密度的人口空间化及在四川九寨沟7.0级地震中的应用［J］. 地震工程学报，2018（s1）：174-179.
［9］ Chen M.，Xian Y.，Huang Y.，et al. Fine-scale population spatialization data of China in 2018 based on real location-based big data［J］. Sci Data. 2022，9（1）：624.
［10］赵真，郭红梅，张莹，等. 基于天地图高精度建筑物的四川宝兴县人口估算［J］. 地震研究，2019，42（2）：204-209.
［11］尹光华，沈军，陈忠民，等. 1991年2月25日柯坪6.5级地震烈度及震害［J］. 内陆地震，1991，（2）：169-174.
［12］徐杰，周本刚，杨晓平，等. 1949年新疆库车714级地震的地震构造条件［J］. 地震地质，2003（3）：450-459.
［13］Sun X.，Chen X.，Yang L.，et al. Using InSAR and PolSAR to Assess Ground Displacement and Building Damage after a Seismic Event： Case Study of the 2021 Baicheng Earthquake［J］. Remote Sensing，2022，14，3 009.
［14］Yao Y.，Wen S.，Yang L.，et al. A Shallow and Left-Lateral Rupture Event of the 2021 MW5.3 Baicheng Earthquake：Implications for the Diffuse Deformation of Southern Tianshan［J］. Earth and Space Science，2022，9，e2021EA001995.
［15］龚固斌，冉慧敏，黄帅堂，等. 2021年3月24日新疆拜城MS5.4地震震源机制解及发震构造探讨［J］. 内陆地震，2022，36（2）：112-120.
［16］国务院第七次全国人口普查领导小组办公室. 中国人口普查年鉴-2020［M］. 北京：中國统计出版社，2022，218-221.
［17］张桂芳，单新建，尹京苑，等. 单幅高空间分辨率卫星图像提取建筑物三维信息的方法研究［J］. 地震地质，2007，29（1）：180-187.
［18］范熙伟，聂高众，邓砚，等. 基于摄影测量技术的房屋提取方法——以中国西部地区乡村为例［J］. 地震地质，2017，39（4）：805-818.
［19］李金香，温和平，赵朔，等. 基于倾斜摄影测量技术的建筑物三维模型构建［J］. 内陆地震，2018，32（4）：319-327.
［20］齐文华，杨凡，刘耀辉，等. 基于网络数据的居住用房属性信息分析方法及其示范［J］. 华北地震科学，2020，38（4）：1-7.
［21］闫庆武，卞正富，张萍，等. 基于居民点密度的人口密度空间化［J］. 地理与地理信息科学，2011，27（5）：95-98.
［22］刘军，孙甲宁，宋立军，等. 一个非均匀密度分布的人口房屋格网数据模型［J］. 地震工程学报，2016，38（S2）：296-301.
［23］国家统计局农村社会经济调查司. 中国县域统计年鉴-2021（乡镇卷）［M］. 北京：中国统计出版社，2022.
［24］温和平，唐丽华，刘军，等. 新疆农村民居抽样调查与抗震能力初步分析［J］. 内陆地震，2016，30（4）：293-305.
［25］温和平，唐丽华，李帅，等. 新疆城镇建筑特征与震害风险初步分析［J］. 内陆地震，2021，35（1）：14-21.
［26］常想徳，孙静，谭明. 新疆农牧区民居房屋结构类型与震害特征分析［J］. 内陆地震，2021，35（1）：75-86.
SPATIALIZATION OF POPULATION AND HOUSING DATA
AND ITS APPLICATION IN BAICHENG MS5.4
EARTHQUAKE IN 2021
ZHAO Jiang-tao1， LI Jin-xiang1， SUN Jing1， HUANG Shuai-tang1， MA Jian1， ZHANG Feng-fang2
（1.Earthquake Agency of XinJiang Uygur Autonomous Region， Unimqi 830011， XinJiang， China；
2.Emergency Management Bureau of Yili Kazak Autonomous Prefecture，Yining 835099， XinJiang， China）
Abstract： The rapid assessment of earthquake disaster depends on the accurate number and spatial distribution of population， houses and other facilities in the earthquake area， which is the core support of post-earthquake emergency rescue and earthquake intensity assessment. Based on the residential area and POI data in Aksu region， the population density weight model is constructed by using the method of nuclear density estimation combined with the road distribution and the floor area of houses， and is obtained 1 km×1km of population and housing grid data of the study area. The results show that the linear fitting correlation coefficient between the actual population and the simulated population in each township is 0.909， which is relatively good， indicating that the population spatial results have reached a high accuracy. In order to better verify the above methods and data， take the Baicheng MS5.4 earthquake in 2021 as an example， and analyze the quantitative relationship between the earthquake area population， housing grid data and the seismic assessment area. The simulation of population and housing area has been carried out according to the earthquake assessment area. The error between the data and the actual field data is small， which can meet the needs of rapid post-earthquake disaster assessment， and provide reliable basis and support for disaster pre-assessment and rapid post-earthquake disaster assessment. At the same time， the spatial method also provides a new idea for the follow-up research in this direction.
Key words： Settlements density；POI Data；Population spatialization；House spatialization；Baicheng MS5.4 earthquake in 2021
