【研究】基于遥感影像及在线房租数据的城市内部贫困空间测度研究——以广州市内城核心区为例

袁　媛　中山大学地理科学与规划学院，广东省城市化与地理环境空间模拟重点实验室

刘　菁　中山大学地理科学与规划学院，广东省城市化与地理环境空间模拟重点实验室

陈逸敏　华东师范大学地理科学学院，地理信息科学教育部重点实验室

尤智扬　百度国际科技（深圳） 有限公司

原文刊载：袁媛,刘菁,陈逸敏,尤智扬.基于遥感影像及在线房租数据的城市内部贫困空间测度研究——以广州市内城核心区为例[J].人文地理,2018,33(03):60-67.

版权说明：文章首发于“人文地理期刊”公众号，感谢作者授权发布，如有转载等事宜，请联系原作者。

摘要：

　　学界以社会经济指标（人口普查、问卷调查等）为主导测度城市内部贫困空间，取得较好的研究成果；但是普查数据周期长、贫困群体社会经济数据可获得性低，如何制定全覆盖、多方位、易获取的测度指标是该项研究的主要挑战之一。本文尝试使用遥感影像、在线房租等公众可获取的数据，采用FETEX2.0、WEKA等软件，利用三个指标（土地覆盖指数、复杂度、单位房租）建构基于大数据的贫困指数，测度广州市内城核心区718 个居委会的贫困得分。再将测度结果与利用第六次全国人口普查数据测度的贫困空间对比分析，探究两种测度方法的区别和适用性。结果显示：①两者的测度结果具有较强的一致性，尤其对前5%最贫困的居委会具有较高重合度；②本文建构的大数据贫困指数对城中村、传统工业区等典型贫困空间识别效果更好。本研究使用易获取、更新周期短的数据，有利于城市贫困空间分布的实时监测，对引导精准分配扶贫资源、有效实施贫困社区更新规划具有重要意义。

关键词：贫困空间测度；城市贫困；内城核心区；广州市；大数据

引言

１

　　20 世纪90 年代末，市场经济制度逐步完善、社会阶层分化，国企改革深化催生了大量以下岗失业为主体的城市户籍贫困人口；快速城市化促进人口流动，为城市带来充足劳动力，也聚集了大量低收入外来人口，二者数量的激增导致贫困阶层的扩大，城市贫困研究的重要性日益显著。在大数据背景下，如何利用全覆盖、多方位、易获取的指标测度城市贫困空间分布是研究的重点方向之一。

　　从20 世纪80 年代末开始，西方学术界在传统经济指标（例如个人和家庭收入、消费标准等） 度量贫困的基础上，加入多种因素，建构多维/综合贫困测度体系，如联合国开发计划署（UNDP） 从健康、教育和生活水平3 个维度建立的人类贫困指数（human poverty index） [1]和多维贫困指数（multidimensional poverty index） [2]、汤森发展的综合贫困（multiple deprivation） 指数[3]等，逐渐形成了以社会经济指标（人口普查数据、家庭问卷调查等） 为主导的贫困空间测度格局。基于此，有研究使用人口普查数据构建了综合贫困指数，用以研究城市的剥夺水平[4]，测度结果与低收入人口的空间分布、社会经济指标的测度结果具有一致性[5]。除了不断完善经济社会指标体系外，学界基于城市建成环境的贫困空间测度方法进行了一系列新研究。研究验证了物质环境与社会经济状况之间的相关性[6-8]，基于遥感和GIS数据的空间分析结果可有效概括贫困信息[9,10]。有学者以发展中国家的大城市为研究对象，利用高分辨率的遥感影像，提取城市结构、用地类型等要素，构建城市贫困测度模型，尝试使用模型定位贫困空间，监测城市内部非正式聚落的演变[11,12]。而后机器学习算法也被应用到贫困空间识别[13]，但仍处于概念验证研究阶段，实践应用前仍需要进行大量的验证和校准[14]。

　　国内的贫困测度研究主要集中在两大类[15]：一是区域贫困差异研究，在国家、省域、市域、县域等层面识别贫困空间和研究分布特征。例如，全国范围内农村多维贫困县的地理识别、贫困区类型划分[16,17]；省内研究对河南省南阳市连片特困区、河北省贫困带等连片贫困区内的贫困县进行测度[18,19]。新数据和新方法不断加入区域贫困测度研究，例如运用GIS 与BP 神经网络模拟自然致贫指数、社会致贫指数和经济消贫指数的空间分布格局，测度区域农村贫困程度[20,21]；利用SPOT 遥感影像和地理信息系统分析方法获取棚户区、农村居民点的分布状况[22]；夜间灯光数据不仅可以模拟城镇化和土地利用变化[23]，还可以作为测度中国区域贫困的有效方法[24]。二是城市内部的贫困空间研究，研究贫困的度量、空间分布与分异、成因与机制等，主要依赖于民政部门的贫困人口统计数据[25]、人口普查数据[26]和大规模家庭调查数据分析[27,28]。城市内部贫困空间测度仍有不足：①识别贫困人群的经济数据可获得性低、全面识别多维贫困的人口普查数据周期长、家庭或个人调查问卷成本高，如何制定全覆盖、多方位、易获取的测度指标是研究挑战之一。②区域贫困测度的新方法，运用到城市内部，仍然需要精细识别与调整。

　　本文尝试以广州市内城核心区为对象，将新数据和新方法引入城市内部贫困空间测度，主要内容包括三个部分：一是利用高精度遥感影像、在线房租数据，从土地覆盖、复杂度和单位房租三个维度构建大数据贫困指数；二是利用人口普查数据构建综合贫困指标体系、计算综合贫困指数，与大数据贫困指数的测度结果进行对比；最后讨论两种方法的相关性、差异性以及适用范围。本研究对于大数据背景下城市内部贫困研究体系的革新与完善具有重要意义，同时也有助于政府有针对性地分配公共资源、制定扶贫政策以及有效实施贫困社区更新规划。

２

研究设计

2.1 研究区域

　　广州市是华南地区的政治、经济、文化中心，也是中国最发达的城市之一。根据区位、分区职能、发展阶段等因素，广州市域可划分为三个圈层。本文以越秀区、荔湾区和海珠区组成的内城核心区为研究区域（图1），其城镇化率达到百分之百，长久以来承载着广州市的行政中心、文化中心、商贸中心等职能。2010 年第六次全国人口普查数据显示越秀区、荔湾区和海珠区共有718 个居民委员会，常住人口314.5 万人，占全市总人口的30.43%。

图1 研究区域范围

　　在广州内城核心区尝试利用大数据进行贫困空间测度，有其可行性和代表性。城市贫困社区类型主要有三大类[28,29]，一是企业配套居住区，国企改革深化带来大量下岗失业群体聚居在企业配套居住区内，以建筑外部老化、社区内部同质化程度大、复杂程度低、房租较低为特征；二是外来人口聚居区，城市化作为外部动力催生了城中村，使之成为以外来低收入和贫困人口聚居的典型空间，城中村建成环境质量较差，楼房建筑基底面积小、楼间距小、房租低廉，作为贫困空间的测度依据；三是老城衰退社区，房地产市场化推动城市中心区房价上涨，而贫困阶层居住流动能力小，固化在住房条件较差的老城破旧社区，它们建成环境质量较差、建筑密度大，大多数早期公房区租金低。广州内城核心区包含三类社区，均可从遥感影像图的建筑斑块形态、周边复杂性以及以房租为代表的经济状况等维度进行识别。

2.2 数据来源

　　本文数据来源主要为公众可获取的大数据，具体包括：①高精度遥感影像：从谷歌地图上截取带坐标系的广州市内城核心区高精度遥感影像，空间分辨率1m，具有红、绿、蓝三个波段，时间截面为2011 年；Landsat8 卫星遥感影像，空间分辨率为30m，具有六个波段，时间为2013 年。②在线房租数据：从国内具有相当影响力的房地产平台——安居客（http://guangzhou.anjuke.com/） 收集的在线房源数据。③夜间灯光数据：使用VIIRS 的白天/夜晚波段（day and night，DNB） 数据，来源：美国国家海洋和大气局官方网站（http://www.ngdc.noaa.gov/eog/viirs/download_monthly.html）。④人口普查数据：广州市内城核心三个行政区的第六次全国人口普查的居委会层面数据，用于对比研究综合贫困指数测度的空间分布模式及差异。

　　由于人口普查数据的最小空间单元在居委会层面，为了方便两种测度方法的对比，本文统一将贫困空间测度的空间单元转化到居委会层面。

2.3 贫困空间测度方法和指数

　　本文的贫困空间测度主要着眼于贫困社区的物质空间形态，利用城市建成环境特征和房租水平对贫困空间进行识别。本文以高分辨遥感影像和安居客在线房租数据为基础，提取土地覆盖指数、复杂度和单位房租三个指标，建构大数据贫困指数（图2）。

图2 模型构建示意图

2.3.1 土地覆盖类型

　　土地覆盖指自然营造物和人工建筑物所覆盖的地表诸要素的综合体，包括地表植被、土壤、湖泊、沼泽湿地以及各类建筑物、建设用地等。由于广州市是经济发展好的一线城市，贫困空间内的建筑材料与其他一般的建筑并无太大差异，无法使用光谱信息对土地覆盖类型进行自动的判别。因此，本文使用谷歌地图的高分辨遥感影像，采用人工判别的方法对土地覆盖类型进行分类，优势在于保证了分类的精确度，避免基于像元的分类工作存在着同物异谱或同谱异物的弊端。

　　首先，采用影像人工判读的方式将土地覆盖划分为建设用地、水体和植被三类。在此基础上，根据预先设定的标准，将建设用地进一步划分为建成环境质量差的建设用地及其他建设用地。在遥感图像中，建成环境质量差的建设用地的建筑基底面积、楼间距及绿地率较小，且有别于其他建设用地，在广州内城区以城中村、老城衰退社区为主。

　　由于外围居委会内存在较多植被、水体等非建设用地，仅仅用各类用地占比可能导致部分贫困现象较严重的居委会无法凸显，从而在一定程度上低估了此类居委会的贫困水平。为消除非建设用地的影响，本文仅利用建设用地及建成环境质量差的建设用地构建土地覆盖指数：

其中pk1为居委会k中建成环境质量差的建设用地面积占比，pk2为居委会k中其他建设用地面积占比，pk1 +pk2即为居会k中所有建设用地面积占比。

2.3.2 城市结构及纹理特征信息

　　城市结构和纹理特征是一种抽象概念，反映城市形态及布局特点，例如是有序还是无序、是均质还是异质等空间形态模式。利用ENVI5.1 的插件FETEX2.0 进行特征值的提取。FETEX2.0 是一个面向对象提取结构和纹理特征值的交互式软件包，通过目标遥感影像及同一坐标系下的矢量网格数据，可以以单个网格为单元输出各单元内部的结构及纹理特征值。

　　结构变量可以提供矢量网格内元素的排列信息，例如是随机还是规则。FETEX2.0 通过计算半变异函数的方法获得结构变量数据，半变异函数可以对图像中各元素的亮度进行参数化处理，并分析不同像素之间的空间关联度等级。结构特征由半方差图中一系列特征点运算推导而得，特征点包括第一个极大值、第一个极小值、第二个极大值等。纹理变量描述图像中灰度信息的空间分布，可以提供图像对比度、均匀度、平滑度等信息。FETEX2.0 利用像素灰度的直方图和灰度共生矩阵（GLCM） 计算提取图像的纹理特征值。灰色共生矩阵反映的是两种特定灰度值的像素在方向和距离上的统计关系，从中可以衍生出纹理特征变量，如均匀度、熵、对比度、协方差、方差等。

　　将2013 年广州市Landsat 8 遥感影像及完成坐标系对接的内城核心居委会层面矢量图共同输入FETEX 2.0 软件，选择进行主成分分析后的第一主成分波段进行分析，该波段囊括了全部波段94.64%的信息，最终从结果图层的属性表格中选取出RVF、FDO 等一系列纹理和结构特征变量（表1），以反映居委会单元内部的纹理和结构特征。为了在尽可能保留原信息的基础上减少指标，采用主成分分析对指标进行降维处理，并利用因子载荷及各主成分的贡献率计算最终得分。进行主成分分析后共提取四个主成分，累计解释全部指标85.31%的信息。最终得分在一定程度上可以反映居委会单元内部地物的多样性程度，因此本文命名为复杂度。

表1 城市结构及纹理变量特征指标

　　复杂度得分高的居委会中，包含建筑、道路、绿色开敞空间、多体量多类型的公共建筑等，属于建成环境较好的非贫困社区。复杂度低的居委会多是密度高、基地单元小、间距近的建筑群体，缺乏绿色开敞空间、多样化建筑等，是较为典型的贫困社区特征。

2.3.3 单位房租

　　房租水平可以综合反映住房条件、公共设施配置（教育、医疗、休闲等） 和交通条件等建成环境质量，也能够反映居住主体的经济状况。

　　本文使用从安居客收集的单位面积房租数据（即租金除以房屋面积），计算各居委会内所有小区单位房租的平均值，将以小区为单位的记录集合到居委会，集合后发现有38.4%的居委会缺失房租数据。参考前人的研究成果[30]，基于开源机器学习平台WEKA，采用堆栈集成方法，以SVR作为元分类器集成SVR、GPR、k-NN三个分类器，构建预测模型，估计数据缺失区域的单位面积房租。为了更准确地预测缺失值，在预测过程中加入平均灯光亮度值、归一化差值植被指数（NDVI） 及设施的平均核密度，其中平均灯光亮度值本文使用2015 年1 月至12 月的VIIRS 夜间灯光数据计算获得。

2.3.4 大数据贫困指数（BDPI）

　　综合三个指标（土地覆盖指数、复杂度、单位房租）构建基于城市建成环境特征的贫困空间测度指数——大数据贫困指数（BDPI，Big data poverty index）。复杂度及单位房租两个指标都与居委会贫困程度成负相关，需要预先进行反向处理。本文借用因子分析方法进行大数据贫困指数的构建，因子分析是通过社会经济指标测度贫困状况的主要方法之一，方法的缺点在于结果只能解释一部分的原始信息，而一些相关信息在分析过程中被忽略。为保证三个指标的全部信息都能获取，选三个主成分，以各成分的方差贡献率为权重，贡献率之和为100%。计算大数据贫困指数。

Rik是地理单元i在指标k上的得分；αk是指标k对应的方差贡献率。BDPI 得分越高，则贫困程度越高。

2.4 综合贫困指数构建

　　综合贫困指数反映贫困群体在物质和社会权利上被剥夺的现象。本文参考西方多重剥夺研究，在英国早期的研究中，主要有5 个领域：收入、就业、健康和残疾、教育技能和培训、服务的可达性，如英格兰1991 年地方状况指标（index of local conditions，ILC） 和1998 年地方综合贫困指标（index of local deprivation，ILD） 等。其后加入了一些新的领域，如住房和服务障碍、犯罪、居住环境，如2004年及2007 年的复合剥夺指数（index of multiple deprivation，IMD） [29]。结合数据的可获取性，从第六次全国人口普查的居委会层面数据中选取收入、就业、教育、住房和年龄五个域共14 个指标，构建综合贫困指数的指标体系（表2）。利用因子分析方法对指标作降维处理，筛选出特征值大于0.9 的五个主因子，累计解释方差达74.5%，最后借鉴综合贫困指数（GDI，general deprivation index） 公式[4]，计算广州内城核心区各居委会的综合贫困指数得分，得分越高表示该居委会贫困程度越高。

其中，Rik是地理单元i在最大主因子（表2 中的因子一） k的得分，Rj 是第二、三等其他几个主因子的得分（表2 中的因子二—五），p是主要因子的个数（本文共五个）。

表2 综合贫困测度指标及主因子特征值、解释贡献、荷载矩阵一览表

测度结果与对比分析

３

3.1 大数据贫困指数测度结果

　　对土地覆盖指数、复杂度、单位房租三个指标进行可视化处理，可以发现不同指标的空间分布有所差异。

　　土地覆盖指数得分较高的区域聚集在越秀及海珠区交界处，中度得分的区域则主要连片分布在核心内城区的西南部，其中荔湾区大部分居委会都属于中度得分的区域（图3-a）。根据土地覆盖的分类标准，本文将城中村、部分违法加建严重的老旧街区以及老工业区划分为建筑形态差的斑块，由于上述空间并非在各个居委会都有分布，因此有相当一部分居委会这一项得分为0。由此可知基于土地覆盖分类的方法可以识别城市内部建成环境最差的居委会，但难以对其余居委会的贫困状况进行分级识别，因此需要结合城市结构及纹理特征信息共同完成贫困空间的测度。

　　复杂度得分分布在荔湾、越秀和海珠三区的中心地带相连形成一个低值集聚中心，居委会单元内部肌理同质化现象较为严重，表明多为贫困社区集中地。横穿三区的珠江沿岸居委会、三区的外部边缘均为中、高值得分地区（图3-b）。单位房租的分布以越秀区为核心向外逐渐降低，其中越秀区东部及珠江沿岸区域由于交通区位、景观和教育设施优良，租金水平较高（图3-c）。最后，各居委会的大数据贫困指数（BDPI） 测度结果显示，广州市内城核心区贫困较为严重的居委会主要分布在越秀、荔湾和海珠三个行政区的交界处，并呈现出随距离向外递增而指数衰减、在外围区域又有所上升的现象。整个内城核心区被珠江沿岸的低得分带分割，形成南北两个片区（图3-d）。

图3 测度结果空间分布

3.2 与综合贫困指数测度结果对比分析

　　基于人口普查数据的综合贫困指数（GDI） 结果显示（图4），广州市内城核心的贫困空间集中分布在越秀、海珠、荔湾三区交界处的核心地区，向外扩展贫困程度逐步降低，在越秀区东部与海珠区沿江地区形成大片低值区域，部分远离核心的区域得分有少量上升。

图4 广州市内城核心区综合贫困得分

　　与综合贫困指数测度结果对比，大数据贫困指数测度结果有以下几个特征：

　　（1） 与综合贫困指数测度结果具有较强的一致性（图5）。对两种测度方法的得分排名进行Wilcoxon 符号秩检验，Z 检验统计量为-0.651，对应的概率P-值为0.515，大于显著性水平α，可以认为两种测度方法下的排名分布没有显著差异，即识别的贫困空间具有较强的一致性。这里使用排名而不是得分本身，原因是两种测度方法的原理和计算方法差异较大，使用贫困程度的总体排名进行分析更符合相对贫困的概念。

图5 两种测度方法一致性与差异性空间分布

　　（2） 对贫困现象最严重的居委会具有较高重合度。表3展示了不同层级的贫困空间内，居委会数及人口数占各行政区相应总数的比例。两种测度方法对识别前5%最贫困的居委会，具有较高的重合度，其中荔湾区重合度最高（居委会数：GDI 7.73%，BDPI 8.25%；人口数：GDI 5.59%，BDPI 6.70%）。

　　表3 各区不同层级贫困空间居委会和人口占比

　　（3） 对不同类型的贫困社区有不同的适应性。为选取出排名差异显著的居委会，使用BDPI 排名减去GDI 排名获得排名差值，当排名差值为正值时，大数据贫困指数测度的贫困程度较高，反之，综合贫困指数测度的贫困程度较高，排名差的绝对值越大则差异越显著。排名差异处在前10%的居委会中，综合贫困指数测度的贫困程度较高的居委会共40 个，占居委会总数的5.57%，主要位于越秀区及三区交界处。大数据贫困指数测度的贫困程度较高的居委会共32 个，占4.46%，主要分布于核心区外围，在海珠区有较大片分布。

　　对比不同行政区各贫困层级的居委会数占比，荔湾、越秀区以大数据贫困指数测度的贫困居委会数量大多少于以综合贫困指数测度的贫困居委会数量，这两个区域发展时间较久，属于传统核心区。例如广州市越秀区沙面岛的翠洲居委会，两种测度方法排名相差633 位，由于受到历史文物保护条例的限制，其建筑外表及街道空间保护完好，大数据贫困指数较低，但其内部生活空间破旧，缺乏卫生间、自来水管等基本生活设施，从综合贫困指数来看应当属于贫困空间的范畴；荔湾区的广船居委会主要为传统国企职工宿舍区，排名相差433 位，居委会内部的建筑年代较久且近期未进行过整体修缮，从建成环境而言较为贫困，但由于交通区位、配套设施等因素的影响，吸引了经济条件较好的群体入住，综合贫困指数较低。

　　而海珠区则相反，其城市化起步较晚，尤其是海珠区的外围部分，有大量城中村及工业区遗留的大片老旧住宅区，在工厂逐步转移到成本更低的地区之后，逐渐置换成为外来务工的聚居集中地。其中位于海珠区的下渡居委会，排名相差416 位，北部为高档住宅区，综合贫困指数测度显示总体贫困程度较低，而南部实则为城中村，南北物质空间差异巨大，难以将其作为一个整体纳入或排除在贫困空间范畴（表3，图5）。

　　对广州内城核心区而言，综合贫困指数适用于区位及设施等条件好但建成时间久的传统核心区，大数据贫困指数对具有典型贫困空间特征的相对外围的区域有更好的识别效果。

４

结论与讨论

　　本文尝试对广州市内城核心区的城市建成环境特征进行定量分析，通过构建大数据贫困指数（BDPI） 测度城市内部贫困空间，并与基于人口普查数据的综合贫困指数（GDI） 测度的空间分布进行对比。结果显示，广州市内城核心贫困程度高的居委会主要分布在越秀、荔湾和海珠三个行政区的交界处，并呈现出随距离向外递增而指数衰减、在外围区域又有所上升的现象。BDPI 与GDI两种测度方法下的排名分布没有显著差异，测度结果具有较大一致性。尤其对贫困现象最严重的居委会具有较高重合度，在两种测度方法中，荔湾区均有近10%的社区处于前5%贫困的层级。由于大数据贫困指数的指标包括土地覆盖指数、复杂度和单位房租，对于城中村、老城衰退社区、工业区遗留的大片老旧住宅区等贫困空间识别效果更好，海珠区通过BDPI 测度的贫困居委会数量显著多于GDI也较好地验证了这点。

　　本文建立的城市内部贫困空间测度方法主要有三个优势：一是以遥感数据和在线房租数据作为主要数据来源，具有易获取、更新周期短的特征。二是尝试使用自动提取软件提取特征值，使用机器学习方法构建模型填补缺失数据，节省了分析的人力成本并提高了数据的准确度。新数据和新技术应用有可能对城市内部贫困空间分布进行实时监测，对于指导城市制定精准减贫政策具有重要的现实意义。三是可以为部分缺乏社会经济统计数据的发展中国家和地区提供城市贫困空间测度的新途径。

　　但是，本文使用的测度方法仍存在不足。首先，对于一些实际经济社会环境与物质环境不匹配的居委会，尽管加入了单位房租指标，测度方法仍然存在低估或者高估实际贫困状况的可能。其次，为了便于与综合贫困指数测度的结果进行对比，本文以居委会为基本空间单元进行大数据贫困指数的计算，在一定程度上存在居委会整体贫困而部分个体居民并不贫困的“生态谬误”。未来基于大数据的研究，需要寻找更精细尺度的空间单元边界，精准测度城市内部贫困空间特征。

　　本文提出的城市内部贫困空间测度方法可以为贫困社区更新规划提供更有指向性和时效性的决策辅助：①对于建筑质量较差、布局缺乏规划或是需要加以改造的简陋居住区，如大部分城中村、年久失修的破败城区、缺乏规划调控的工业区等，需要对社区内部的建筑进行整体评估及更新工作，实施社区建筑质量提升政策，对建筑条件不佳的社区依据客观情况进行修复或部分重建工作；②基于结构和纹理特征测度结果，对低复杂度类型的社区，政府需要着力提升社区多样性及经济活力，如兴建公园绿地、游乐设施、图书馆等公共设施，布局多类型的产业以提高社区内的经济活力等。

参考文献：

[1] UNDP. Human development report 1998[EB/OL].(2018-03-09)[20-18-03-09]. http://hdr. undp. org / en / content / human-development-report-1998.

[2] UNDP. Human development report 2011[EB/OL].(2018-03-09)[20-18-03-09]. http://hdr. undp. org / en / content / human-development-report-2011.

[3] Townsend P. Deprivation[J]. Journal of Social Policy, 1987, 16(1):125-146.

[4] Langlois A, Kitchen P. Identifying and measuring dimensions of urban deprivation in Montreal: An analysis of the 1996 census data[J].Urban Studies, 2001,38(1):119-139.

[5] Apparicio P, Cloutier M S, Shearmur R. The case of Montréal's missing food deserts: Evaluation of accessibility to food supermarkets[J]. International Journal of Health Geographics, 2007,6(1):4.

[6] Taubenbock H, WurmM, Setiadi N, et al. Integrating remote sensing and social science[C / OL]. (2009-06-26) [2018-03-09]. Joint Urban Remote Sensing Event, Shanghai, 2009: 1-7. doi:10.1109 / URS.-2009.5137506.http://ieeexplore.ieee.org/stamp/stamp.jsptp=&arnumber=5137506&isnumber=5137466.

[7] Anderson W G. Concrete and poverty, vegetation and wealth? A counterexample from remote sensing of socioeconomic indicators on the U.S.-Mexico border[J]. Professional Geographer, 2015,66(2):166-179.

[8] Jain S. Remote sensing application for property tax evaluation[J]. International Journal of Applied Earth Observation & Geoinformation,2008,10(1):109-121.

[9] Imran M, Stein A, Zurita-Milla R. Investigating rural poverty and marginality in Burkina Faso using remote sensing-based products[J]. International Journal of Applied Earth Observation&Geoinformation,2014,26(1):322-334.

[10]Hall G B, Malcolm N W, Piwowar J M.Integration of remote sensing and GIS to detect pockets of urban poverty: The case of Rosario,Argentina[J]. Transactions in GIS, 2001,5(3):235-253.

[11]Niebergall S, Loew A, Mauser W. Object-oriented analysis of very high-resolution quickbird data for mega city research in Delhi / India[C / OL]. (2007-06-18) [2018-03-09]. doi: 10.1109 /URS.2007.371836.http://ieeexplore.ieee.org/stamp/stamp.jsptp=&arnumber=4234435&isnumber=4234359.

[12]Duque J C, Patino J E, Ruiz L A, et al. Measuring intra-urban poverty using land cover and texture metrics derived from remote sensing data[J]. Landscape & Urban Planning, 2015,135:11-21.

[13]Jean N, Burke M, Xie M, et al. Combining satellite imagery and machine learning to predict poverty[J]. Science, 2016, 353(6301):790-794.

[14]Blumenstock J E. Fighting poverty with data[J]. Science, 2016,353(6301):753-754.

[15]袁媛,古叶恒,陈志灏. 中国城市贫困的空间差异特征[J]. 地理科学进展,2016,35(2):195-203. [Yuan Yuan, Gu Yeheng, Chen Zhihao.Spatial differentiation of urban poverty of Chinese cities[J]. Progress in Geography, 2016,35(2):195-203.]

[16]刘艳华,徐勇. 中国农村多维贫困地理识别及类型划分[J]. 地理学报, 2015, 70(6): 993 - 1007. [Liu Yanhua, Xu Yong. Geographical identification and classification of multi-dimensional poverty in rural China[J]. Acta Geographica Sinica, 2015,70(6):993-1007.]

[17]陈烨烽,王艳慧,王小林. 中国贫困村测度与空间分布特征分析[J].地理研究,2016,35(12):2298-2308. [Chen Yefeng, Wang Yanhui,Wang Xiaolin. Measurement and spatial analysis of poverty-stricken villages in China[J]. Geographical Research, 2016,35(12):2298-2308.]

[18]王艳慧,钱乐毅,段福洲. 县级多维贫困度量及其空间分布格局研究——以连片特困区扶贫重点县为例[J]. 地理科学,2013,33(12):1489-1497. [Wang Yanhui, Qian Leyi, Duan Fuzhou.Multidimensional poverty measurement and spatial distribution pattern at the country scale: A case study on key country from national contiguous special poverty-stricken areas[J]. Scientia Geographica Sinica,2013,33(12):1489-1497.]

[19]袁媛,王仰麟,马晶,等. 河北省县域贫困度多维评估[J]. 地理科学进展,2014,33(1):124-133. [Yuan Yuan, Wang Yanglin, Ma Jing, etal. Multidimensional evaluation of county poverty degree in Hebei province[J]. Progress in Geography, 2014,33(1):124-133.]

[20]曾永明,张果. 基于GIS 和BP神经网络的区域农村贫困空间模拟分析——一种区域贫困程度测度新方法[J]. 地理与地理信息科学,2011,27(2):70-75. [Zeng Yongming, Zhang Guo, Spatial simulating in regional rural poverty based on GIS and BP neural network:A new appraisement method on regional rural poverty[J]. Geography and Geo- Information Science, 2011,27(2):70-75.]

[21]许月卿,李双成,蔡运龙. 基于GIS 和人工神经网络的区域贫困化空间模拟分析——以贵州省猫跳河流域为例[J]. 地理科学进展,2006, 25(3): 79 - 85. [Xu Yueqing, Li Shuangcheng, Cai Yunlong.Spatial simulation using for regional poverty GIS and artificial neural network: A case study of Maotiaohe watershed, Guizhou province[J]. Progress in Geography, 2006,25(3):79-85.]

[22]顾朝林,克斯特洛德·C. 北京社会极化与空间分异研究[J]. 地理学报,1997,52(5):385-393. [Gu Chaolin, Kesteloot C. Social polarisation and segregation phenomenon in Beijing[J]. Acta Geographica Sinica, 1997,52(5):385-393.]

[23]何春阳,史培军,李景刚,等. 基于DMSP/OLS夜间灯光数据和统计数据的中国大陆20 世纪90 年代城市化空间过程重建研究[J]. 科学通报,2006,51(7):856-861. [He Chunyang, Shi Peijun, Li Jinggang,et al. Study on the reconstruction of urbanization space in mainland China in the 1990s by using DMSP/OLS data and statistical data[J]. Chinese Science Bulletin, 2006,51(7):856-861.]

[24]王琪,袁涛,郑新奇. 基于夜间灯光数据的中国省域GDP总量分析[J]. 城市发展研究,2013,20(7):44-48. [Wang Qi, Yuan Tao, Zheng Xinqi. GDP gross analysis at province - level in China based on night-time lightsatellite imagery[J]. Urban Studies, 2013,20(7):44-48.]

[25]陈果,顾朝林,吴缚龙. 南京城市贫困空间调查与分析[J]. 地理科学,2004,24(5):542-548. [Chen Guo, Gu Chaolin, Wu Fulong. Spatial analysis of urban poverty in Nanjing[J]. Scientia Geographica Sinica, 2004,24(5):542-548.]

[26]袁媛,吴缚龙,许学强. 转型期中国城市贫困和剥夺的空间模式[J].地理学报,2009,64(6):753-763. [Yuan Yuan, Wu Fulong, Xu Xueqiang.The spatial pattern of poverty and deprivation in transitional Chinese city: Analysis of area-based indicators and individual data [J]. Acta Geographica Sinica, 2009,64(6):753-763.]

[27]何深静,刘玉亭,吴缚龙. 南京市不同社会群体的贫困集聚度、贫困特征及其决定因素[J]. 地理研究,2010,29(4):703-715. [He Shenjing, Liu Yuting, Wu Fulong. Poverty profiles and poverty determinants of different social groups in Nanjing[J].Geographical Research,2010,29(4):703-715.]

[28]袁媛,李珊. 大城市低收入邻里社会贫困的测度差异与成因[J]. 地理学报, 2012, 67(10): 59 - 67. [Yuan Yuan, Li Shan. The measurement,spatial differentiation and driving forces of social deprivation in low-income neighborhoods in Chinese large cities[J]. Acta Geographica Sinica, 2012,67(10):59-67.]

[29]Yuan Yuan, Wu Fulong. The development of the index of multiple deprivations from small-area population census in the city of Guangzhou, PRC[J]. Habitat International,2014,41(1):142-149.

[30]Chen Yimin, Liu Xiaoping, Li Xia, et al. Mapping the fine-scale spatial pattern of housing rent in the metropolitan area by using online rental listings and ensemble learning[J]. Applied Geography,2016,75:200-212.

向下滑动查看参考文献

◆ ◆ ◆ ◆

文章只代表作者观点，文责自负，与本公众号立场无关

◆ ◆ ◆ ◆

欢迎公众投稿，投稿邮箱[e-mail]，请注明微信投稿字样

回复“0”可获得文章列表

　点击下列标题即可查看相关文章

……