1.顾及城镇格局特征的人口分布时空演变与认知，其特征是包括如下步骤：
(1)多源、多尺度遥感影像的尺度转换：结合地面成像/非成像光谱数据和野外实地调研数据，分析城镇空间信息在不同空间尺度遥感数据上的光谱特性和空间尺度效应，分析城镇空间特征在不同空间尺度上的表达特征，确立城镇信息提取的最合适空间尺度，构建多源遥感数据的尺度转换模型；
(2)基于多源遥感影像的城镇信息提取：结合当前国际土地利用/覆被数据与分类体系，充分利用现有土地利用/覆被数据，构建多源遥感信息几何、时态、纹理和空间关系特征提取及优化组合方法，挖掘和提取不同土地利用/覆被类型的先验特征知识，分析影像分割层全局标准差、信息熵、分离度与分割尺度关系，研究基于面向对象的中国典型城镇信息的智能提取与解释；
(3)多尺度城镇格局-结构-功能的时空关系分析：定量分析不同尺度下城镇景观格局的空间特点与时空联系；结合景观格局指数和城镇扩张指数，利用空间状态转移模型和景观综合动态模型来分析城镇景观的动态度、均衡度、空间转移、开发强度和未来趋势，利用多维尺度分析方法揭示多层级、多尺度城镇景观格局-结构-功能特征及其演变；
(4)人口分布与城镇特征的时空关联和耦合分析：结合典型城镇建设现状与规划布局，揭示多层级、多尺度城镇空间格局-结构-功能的时空差异与发展演变特征，利用空间分析方法和模型来分析人口分布与城镇空间格局-结构-功能的时空关联与耦合特征，揭示人口分布与城镇空间格局-结构-功能的空间载体匹配关系，剖析不同城镇特征时空演变情景下人口分布与城镇结构-功能的时空响应特征；
(5)构建顾及城镇格局特征的人口分布模拟预测系统：以城镇空间格局-结构-功能时空演变为切入点，分析不同监测要素对人口分布演变的驱动能力与驱动过程，构建顾及城镇特征格局的人口分布时空演化模型，并结合野外调查资料与验证数据，依据其他不同自然环境与社会经济要素对人口分布的驱动作用，优化模型结构，实现不同情景下人口分布的科学模拟与精准预测；
(6)不同情景下人口分布的时空监测与认知：从省、市、县和乡镇多级空间尺度对人口分布密度进行空间刻画；提取人口分布密度分级分界线、突变线和缓冲区，揭示不同时期“胡焕庸线”的时空特征及其演变趋势；以城市群、生态经济区和农牧交错带等特征区域，揭示人口分布时空特征和演化规律，为人口政策的调整与优化、新型城镇化建设提供科学依据。
2.根据权利要求1所述的顾及城镇格局特征的人口分布时空演变与认知，其特征是所述步骤(1)多源、多尺度遥感影像的尺度转换，包括以下具体步骤：
1)首先，以高空间分辨率遥感数据为基准，构建基准遥感数据和待配准遥感数据间的空间数据矩阵，建立波谱角矢量模型，选择影像配准样本点集，并以此点集为种子点，遍历整个矢量矩阵数据，计算波谱矢量夹角，获取基准遥感影像和待配准影像间的同名点，通过设置矢量夹角阈值和空间位置残差，筛选出基准遥感数据和待配准遥感数据间的基准点集合参考点集，进而利用双线性内插方法对待配准遥感数据进行空间配准；
2)其次，利用支持向量机对所获取的多源遥感影像进行预分割，初步提取城镇空间信息斑块，获取表征城镇信息的最大面积斑块、最小面积斑块和中位数面积斑块，计算斑块数量与斑块面积的概率分布状况，根据概率分布和斑块信息粗糙度分析基于遥感影像的城镇信息提取结果的差异，分析不同尺度下城镇信息的空间异质性和空间尺度效应，并最终确定城镇信息提取的最合适空间尺度；
3)最后，根据所城镇信息提取的最合适空间尺度，开展多源遥感数据尺度上推与下推研究，构建多尺度遥感数据的空间尺度分形转换模型，以实现多源遥感数据的空间尺度转换。
3.根据权利要求2所述的顾及城镇格局特征的人口分布时空演变与认知，其特征是所述步骤(1)多源、多尺度遥感影像的尺度转换采用改进的差分盒算法，具体为利用基于遥感影像的城镇信息预分割结果中最小面积斑块的像素数量为起始参考窗口S0，m×n个像素，为尺度下推基准，对M×N个像素的整景遥感影像I进行分割，整景遥感影像的灰度总数为G，s为每个参考窗口S0在z轴方向的灰度值，则影像分割比例r可表示为：
r＝G/S＝(M·N)/(m·n)
每个S0网格中均会有大小为m×n×s的盒子柱，并对各盒子按递减或递增顺序进行如下编号1、2、…，n，则在S0尺度下的第(i,j)网格中像素的灰度最大值和最小值可分别记为gmax、gmin，故第(i,j)网格内的盒子总数计算得出：
nr(i,j)＝(gmax-gmin)/s+1
因此，对应整景遥感影像中所有网格的盒子总数为：
Ar＝∑nr(i,j)
同样，利用基于遥感影像预分割结果中最大面积斑块的像素数量为最大参考窗口St，如m×n个像素，为尺度上推基准，按照上述过程计算出连续尺度下所对应的盒子总数，进而通过求logd(Tr)与logd(1/r)线性拟合对分形维数D进行估计，即：
D＝alogd(Ar)/logd(1/r)+b
上式中，a为直线拟合系数，b为截距，d为遥感影像维度；
依据上述过程，通过计算标准差、方差等统计参数来控制拟合效果，计算不同尺度遥感影像的分形维特征，实现遥感影像的多维尺度转换。
4.根据权利要求1所述的顾及城镇格局特征的人口分布时空演变与认知，其特征是所述步骤(2)基于多源遥感影像的城镇信息提取，包括以下步骤：
1)在获取全球不同尺度下多源城镇信息产品的基础上，构建城镇土地利用/覆被空间数据集，通过空间叠加来获取城镇扩展的演变特征，提取历史时期城镇空间扩展信息，继而叠加到经过尺度转的多源遥感数据上，获取城镇空间土地利用/覆被所对应的光谱信息、纹理信息、语义信息和空间结构与组合信息等，从而获取基于遥感影像的城镇空间分布的特征信息，构建城镇信息专家知识库，以辅助决策城镇信息的提取与验证。
2)其次，基于面向对象技术开展城镇信息提取，构建长时间序列城镇信息数据集；结合遥感影像的分形维特征，对支持向量机模型计算过程中特征信息的分割、合并和优化组合进行了改进，利用最小二乘法分别对光谱异质度、纹理异质度和分形维特征进行探测，利用数理统计的方法来控制和剔除超出阈值的特征斑块信息，且以专家知识库中城镇信息作为先验知识和样本数据，来实现多源遥感影像的初步分割，以提高模型的运算速度和计算效率；在进一步的迭代运算中，通过构建多层次特征知识与特征知识对象树，优化模型中光谱异质度和纹理异质度的参数组合，完成遥感影像的自动智能分割；
3)同时，开展城镇空间信息的自动识别，以地面光谱采集数据、全球定位导航数据和专家知识数据集，构建模糊识别方法和模糊权重因子，实现对城镇信息进行多层次识别与管理。
5.根据权利要求4所述的顾及城镇格局特征的人口分布时空演变与认知，其特征是还可以根据实时获取的遥感影像特征自动、快速地获取城镇空间分布信息，构建中国城镇信息长时间序列数据集，其中，遥感影像异质度的计算方法如下：
f＝wvaluehvalue+wshapehshape
式中，wvalue和wshape分别为光谱异质度和纹理异质度的权重因子，且二者之和等于1。
光谱异质度hvalue可表示为：
纹理异质度hshape可表示为：
式中，σ1c、σ2c和σmc分别为合并前相邻对象像元灰度的标准差和合并后新对象像元灰度标准差；n1和n2分别为相邻对象像元数量；wc为遥感数据c波段的权重；wcmpct和wsmooth分别为影像对象的紧致度和光滑度，二者之和为1；l1、l2和lm分别为对象合并前后的实际边界；b1、b2和bm分别为合并前后对象的最小外包矩形边界。
6.根据权利要求1所述的顾及城镇格局特征的人口分布时空演变与认知，其特征是所述步骤(3)多尺度城镇格局-结构-功能的时空关系分析，包括以下步骤：
1)首先，根据城镇实地调研资料和数据，利用分形分维方法计算不同尺度下景观类型的空间结构与组合特征、纹理特征和光谱特征，计算城镇景观类型在不同分维尺度下的空间异质性；结合多源遥感数据，利用空间聚类如距离聚类和相似度聚类和分形计算结果分析不同尺度下城镇空间格局的尺度效应，建立起不同尺度下城镇景观格局的空间关系；
2)同时，根据景观类型的空间聚类特征和空间异质性，采用分区研究视角和分层研究视角出发，以构建不同尺度下城镇景观特征信息，进而利用变异函数、协方差函数和信息熵等方法来分析连续尺度序列变化下景观破碎度指数的空间变异特征，分析城镇景观格局的复杂性和多样性；
3)其次，从斑块、类型和景观三个尺度出发，结合景观聚类分区特征，构建多尺度景观格局指数如密度指数、形状指数、蔓延度指数和多样性指数，分析不同空间区域、不同空间尺度下城镇景观格局的多样性、复杂性、连通性和聚散性等时空特征，结合空间状态转移矩阵和综合动态度模型来揭示城镇景观格局的时空演变过程及其发展趋势；考虑到景观格局的空间相关性，引入空间重力-引力模型和空间相关性分析，分析不同城镇景观格局的空间分布特征及其时空关联，继而利用空隙度指数、Kruskcal算法和Ripley’s L函数等多维尺度分析方法来揭示多尺度城镇景观格局特征；
所述空间重力-引力模型可表示为：
上式中，Iij表示景观类型/斑块i与景观类型/斑块j间的物流联系引力；k为引力系数；
Mi和Mj分别为景观类型/斑块i和景观类型/斑块j的景观格局指数；dij为景观类型(或斑块)i和景观类型/斑块j之间的距离，取值为重心距离或中心距离；r为距离衰减系数；
空隙度指数Λ(r)可表示为：
Λ(r)＝{∑S2(n(S,r)/(M-r+1)2))}/{[∑S(n(S,r)/(M-r+1)2)]2}
式中，r为不同的观测尺度；S为景观组分在特定观测尺度M下出现的频率，M取值为ri，i＝0，…，n；n(S,r)为景观组分所占据S个网格的观测尺度数量；
Ripley’s L函数L(d)可表示为：
式中，A为研究区面积；n为点的个数；d为距离尺度；dij为点i与点j间的距离(其中，dij≤d)；i和j取值范围为(1,n)；
4)最后，结合国家统计年鉴和行政界线数据，构建城镇空间边界信息及其社会经济数据矢量数据集，从城镇体系结构发育、城镇功能扩散与更替和产业空间集聚角度出发，分析多层级、多尺度城镇空间格局-结构-功能的时空差异与演变特征，剖析不同空间区域的城镇体系、功能及其内部结构的空间布局及其时空演变特征。
7.根据权利要求1所述的顾及城镇格局特征的人口分布时空演变与认知，其特征是所述步骤(4)人口分布与城镇特征的时空关联和耦合分析，具体包括以下步骤：
1)利用ArcSDE数据库引擎对人口普查与统计数据和基础地理数据进行空间链接与拓扑关联，检验数据的逻辑一致性、完整性与正确性，构建人口数据、属性数据和空间数据的一体化数据库，实现人口数据与基础地理数据的统一存储和集中管理；
2)其次，以典型城镇现状与发展规划数据为数据源，提取城镇功能分区及其人口数据，进而从人口分布与城镇空间格局-结构-功能时空耦合的交互胁迫效应、交互耦合机理与规律和交互胁迫病理风险三个角度出发，利用耦合度指数、协调度指数和空间探索性分析方法，分析人口分布与城镇特征的空间转移、空间聚类、空间可达性和空间累积阻力等耦合特征，揭示人口分布与城镇空间格局-结构-功能的时空耦合和时空关联；其中，耦合度指数可表示为：
式中，f(x)为人口分布指标，g(y)为城镇空间格局-结构-功能指标；C为耦合度；T为人口分布与城镇结构-功能的综合发展指数；D为协调度；α和β为待定系数；
3)同时，人口分布指标通过人口分布密度、人口男女比例等来构建；城镇空间格局-结构-功能指标则通过建设规模与密度、发展速度、绿地面积、交通里长、消费能力和创业就业等来构建，即可通过统计年鉴和土地利用/覆被等数据中提取；另外，在获取各项指标后，因数据量纲存在差异，对各个指标数据进行归一化处理和权重熵值计算，以建立与人口分布指标间的空间相关关系；
4)最后，以人口分布与城镇格局-结构-功能的协调度为根节点，以耦合度和综合发展指数为子节点，并根据人口分布与城镇格局-结构-功能的相关指标的时间和空间特征为叶节点或低一级节点，制定多维空间关联规则，构建多维空间树状结构，进而通过调整节点间的前后关联关系或影响程度来调整该结构，模拟、预测人口分布与城镇格局-结构-功能间的耦合度和协调度，分析不同情景下人口分布与城镇空间格局-结构-功能的时空响应特征。
8.根据权利要求1所述的顾及城镇格局特征的人口分布时空演变与认知，其特征是所述步骤(5)构建顾及城镇格局特征的人口分布模拟预测系统，具体包括以下步骤：
1)在步骤(4)中所提取的影响人口分布的社会经济要素指标和树状耦合度分析的基础上，结合地形地貌、气象要素自然要素指标，分析中国长时间序列人口空间分布的发展过程和形成原因，分别以人口空间分布和城镇格局空间特征为第一结果变量和第一主驱动因变量，利用VENSIM系统动力学模型构建人口分布与城镇空间格局-结构-功能的系统动力学过程，将影响人口分布的要素指标树状结构在VENSIM PLE图形工具中通过因果连线表达出来，建立各个要素指标间的流率流位因果图，构建模型运行的行为方程，同时对模型中方程及其单位进行错误检查，设置工作台变量，模拟运行之后，对模型结构进行分析，如原因树分析、结果输出分析和反馈回路分析等，初步修正模型结构和参数；
2)其次，因不同的驱动要素和驱动过程对人口分布产生的影响效果在时间和空间上有着明显的差异，尤其是驱动要素对人口分布的驱动时间周期相差很大，如气象因子、地形，故结合分层分区时空耦合与推演方法，分析人口分布驱动指标的时间和空间滞后效应，继而根据相关自然地理与社会经济因素的作用程度及它们间的空间关联特征来建立相应的协因变量或协因变量子系统，同时根据模型反馈结果，优化上述系统动力学过程及其动力学参数，提高顾及城镇特征格局的人口分布系统动力学系统的性能与精度，并最终完成各因变量胁迫能力的空间网格化表达；
3)最后，根据系统动力学模拟过程运行结果，以城镇空间格局特征为出发点，引入空间曲面模型和时空状态转移模型，根据各因变量的胁迫程度，构建估计城镇特征格局的人口分布模拟与预测系统，同时，利用广义交叉验证指标、期望真实平方误差和最大似然估计参数验证方法保证所构建系统的保真度和光滑性，实现中国人口分布的科学模拟和精准预测；
其中，人口分布的空间曲面模型采用薄板样条模型来实现人口数据的空间化表达，即：
式中，f(xi,yi,zi)为最大限度接近观测值的估计函数；(xi,yi,zi)为坐标和人口密度，构成欧式三维空间；U为径向基函数；di为坐标点(x,y,z)和(xi,yi,zi)间的欧式距离；a＝[a1,a2,a3,a4]，b＝[b1,b2,…,bn]T，且aj和bi两参数可通过下式求解，即：
式中，E是n×n矩阵，Eij＝U(dij)；T为4×n矩阵；
时空动态转移模型采用马尔科夫状态转移矩阵，即：
式中，St、St+1分别为t、t+1时刻人口分布的状态，Pi,j为状态转移概率矩阵，且∑Pi,j＝1；
另外，系统精度评价指标主要采用平均相对误差和均方根误差来分析，即：
式中，PT为人口分布密度的真实值，可根据实地调查获取；PP为人口分布密度的模拟预测值。
9.根据权利要求1所述的顾及城镇格局特征的人口分布时空演变与认知，其特征是所述步骤(6)不同情景下人口分布的时空监测与认知，包括以下步骤：
1)依托空间信息技术，分别取人口密度P为25、50、100、200、400、500、800、1000和2000人/km2，利用密度分级分割方法提取中国人口密度的分界线、突变线和缓冲区，在不同时空尺度上定量分析“胡焕庸线”沿线点成城镇区域或城镇群的人口空间分布格局，实现“胡焕庸线”的空间刻画与时空认知；
2)其次，从省、市、县和乡镇多级空间尺度出发，利用空间分析方法和地理流分析方法，提取人口空间分布特征指数，如重心转移指数、莫兰指数、均衡指数、人口空间梯度、人口结构指数和人口生态优化指数，揭示中国人口时空分布的聚集-疏散特征及其空间效应；
3)根据人口空间分布的分异特征，结合步骤(4)中的多维空间树状结构，完善人口分布的影响因素或指标、气候因子、植被覆盖、土地利用/覆被、社会经济发展状况，改变和优化不同驱动要素的多维空间关联规则，设置人口分布模拟预测的不同情景或条件，分析中国人口分布的空间异质性特征、时空转移过程及其发展规律。
4)同时，根据不同驱动要素的多维空间关联规则，分析不同驱动要素的空间配置对国家宏观尺度和区域尺度上人口分布时空变化的影响程度，提出相应的应对措施，同时结合中国未来城镇空间格局-结构-功能的时空发展趋势，有针对性地提出中国人口空间再分布的调控政策和发展建议。
10.根据权利要求9所述的顾及城镇格局特征的人口分布时空演变与认知，其特征是揭示中国人口分布时空变化过程中，所涉及到主要的数据模型和方法如下：
1)人口分布重心及其转移计算表示为：
式中，x、y为研究单元人口中心的坐标；n为研究单元数量；xi、yj和Pi分别为第i统计单元中心的坐标和人口数量或人口密度；
2)人口分布的空间自相关性分析则利用全局莫兰指数和局部莫兰指数来描述，分别表示为：
式中，n为研究单元数量，wij为空间权重，Pi和Pj分别为研究单元i和j的人口密度， 为人口密度平均值；
3)人口分布梯度变化表示为：
式中，(xi,yi)和(xj,yj)为研究单元数量Pi和Pj分别为研究单元i和j的人口密度；fx和fy分别为人口密度在x和y方向的变化率，可通过三阶反距离平方权方法计算得出；
4)人口分布均衡性指数表示为：
式中：U、C和G分别为不均衡指数、集中指数和基尼系数；n为研究区数量；xi为第i区人口与研究区总人口的比值；yi为第i区面积与研究区土地总面积的比值；Pi和Pj分别为第i和j研究单元的人口密度； 为人口密度平均值；f(Pi)和f(Pj)分别为第i和j研究单元的占全部区域面积的比重。