怎么用百度云做网站空间阿森纳英超积分

数据概述

论文-J2021-High-resolution mapping of mainland China’s urban floor area

📌 数据集基本信息

属性	内容
时间	2017年（建筑物数据），2018年（夜间灯光）
空间分辨率	130 米（最终楼面面积图）
空间覆盖	中国大陆范围（不含港澳台）
数据格式	栅格（Raster）数据，单位为 m²
研究方法	随机森林回归（Random Forest）建模
主要数据源	LUOJIA 1-01夜间灯光影像、人口数据、单体建筑数据（71城市）
总体精度	R² = 0.68，RMSE = 7277.46 m²/公顷

🧾 数据来源与处理流程

1、🌃 夜间灯光影像（LUOJIA 1-01）
新一代高分辨率夜间灯光卫星，分辨率为 130m
数据时间：2018年6月至12月
来源：http://www.hbeos.org.cn
利用 VANUI 指数（利用 NDVI 校正灯光饱和）提升建筑识别效果

2、🏢 单体建筑数据（Single Building Dataset）
来源：百度地图服务（www.map.baidu.com）
包含71个城市的单体建筑矢量图层及其楼层数
通过建筑投影面积 × 楼层数计算楼面面积
采用 130m 鱼网栅格聚合至栅格图（避免重复计算）

3、👥 人口分布数据（Population Map）
分辨率：100m（重采样至130m）
来源：Ye et al., 2019，基于POI、DMSP/OLS、NDVI、DEM、道路、普查数据等

4、🗺️ 城市边界掩膜（Urban Area Mask）
来源：Liu et al., 2018，基于 Landsat 和 GEE 生成的30m城市土地利用图
用于限定城市范围，减少误识别

🧠 建模方法与流程

步骤	描述
数据集划分	50 个城市用于训练，21 个城市用于验证精度
模型方法	使用 随机森林回归模型（RF）
自变量	LUOJIA 1-01 灯光值 + 人口密度
因变量	71城市的楼面面积（楼层 × 建筑面积）聚合所得栅格值
精度评估	使用 R² 和 RMSE 评估 CFA（计算楼面面积）与 PFA（预测楼面面积）一致性

🧾 衍生指标：容积率（Floor Area Ratio, FAR）

FAR = 楼面面积 / 土地面积（建筑密度的量化指标）

• FAR < 1：低密度建筑区（50.98%）
• FAR 1–2：多层建筑区（44.06%）
• FAR 2–3：高层混合区（4.54%）
• FAR > 3：高密度高层建筑区（0.42%，大多分布于一线城市）

数据下载

⚠️ 局限性与注意事项

限制	说明
🧮 低值高估、高值低估	模型在低楼面密度区倾向高估，高密度区略有低估
🏙️ 城市尺度不适用	更适合大尺度（全国/区域）研究，不推荐用于单城市精细建模
📅 数据时效性	楼面面积为 2017年状态，不代表最新城市形态

参考