-
日期: 2025-07-16 | 来源: 知识分子 | 有0人参与评论 | 专栏: 北京 | 字体: 小 中 大
课题组同时建议，政府部门可以利用LBS数据建立一个动态的城市住房监测平台，追踪人口流动和居住模式的变化，以提前发现空置趋势，预测潜在的住房问题，从而做出更敏捷、更科学的决策。
如何锁定空置房？
在高楼林立、人口稠密的高层住区，传统的调查方法面临巨大挑战——研究者无法像观察独栋住宅那样，通过建筑外观或院落状态来判断其内部成百上千个单元的居住情况。
现有研究在数据覆盖范围、空间分辨率和方法普适性上存在局限，导致在居住区尺度的HVR估算上存在显着的研究空白。
国际上很多国家都开展了空置住房普查工作，但中国并无官方的空置住房普查数据。此外，如美国人口普查局（ACS）的数据虽然权威性高，但存在空间粒度粗（通常为城市或行政区级别）、时间频率低（数年一次）的缺陷。
针对实地调查与问卷的方式，虽然通过抽样问卷或夜间亮灯观察等办法可获取精细的一手数据，但人力及时间成本高昂，难以大规模推广，且观测结果易受短期行为和主观判断影响。
另一类传统数据方法是使用水电消耗数据，通过分析家庭水电用量判断入住状态，准确度较高。但此类数据涉及用户隐私，数据可得性极差，限制了其在学术研究中的广泛应用。
目前，新兴大数据测量的方法正在被使用，包括：夜光遥感数据 (Nighttime Light Data)、高分辨率影像与街景 (High-Res Imagery & Street View)和LBS与手机信令数据 (LBS & Mobile Signaling Data)。
夜光遥感数据利用DMSP/OLS, NPP/VIIRS, 珞珈一号等卫星捕捉城市夜间灯光强度反演人类活动，实现了大范围观测。但其空间分辨率（130m-1000m）对于居住区级研究仍显粗糙，且易受街道照明等非住宅光源的噪声干扰。最新的吉林一号数据虽分辨率高达0.92米，但获取成本高，难以普适。
高分辨率影像与街景通过深度学习识别房屋的空置/废弃特征，在独栋房屋应用效果较好，但无法穿透高层建筑的“黑箱”，不适用于集合住宅为主的城市。
LBS与手机信令数据基于用户定位和通信记录识别常住人口，理论上精度高。但其在HVR研究中的应用尚处起步阶段，数据获取门槛高，且缺乏公认的验证标准来评估其估算结果的准确性。
因此，现有研究缺少一种能够兼顾宏观尺度覆盖性、微观尺度精确性和方法有效性验证的HVR估算范式，尤其是在高层住宅密集的城市环境中。
既往研究中使用的核心数据源展示
为估算实际家庭数量，课题组采用了五种数据集、两种技术路径。第一种路径利用百度LBS和手机信令的人口数据，通过除以区域平均家庭户规模来推算户数；第二种路径则利用三套夜间灯光遥感数据（吉林一号夜光遥感数据、珞珈一号夜光遥感数据、NPP/VIIRS夜光遥感数据），以382个城市中心居住区的灯光亮度为基准，标定出单个家庭的“标准亮度值”，再以此为单位换算出各居住区的实际居住户数。
研究采用统一公式“HVR = 1? 家庭数量/住房容量”，为每个居住区分别计算出基于五种不同数据源的HVR结果，以便后续进行交叉对比与验证。
“Wi-Fi探针”验证准确度
面对五种数据源得出的不同结果，研究团队引入了一种实地验证方法来建立“地面真值”（Ground Truth）基准，以解决何种数据源最接近真实情况这一关键问题。- 新闻来源于其它媒体，内容不代表本站立场！
-
原文链接
原文链接:
目前还没有人发表评论, 大家都在期待您的高见