随着目前低空经济加快融入城市运行，无人机物流、城市巡检、应急响应等应用正从示范走向推广场景。低空飞行活动在城市上空展开，其运行组织却离不开对地面人群分布的考虑。其中，街道交通网络作为城市人口活动最密集、最开放的公共空间，直接反映不同时段人群出行、停留及暴露状态。现有城市人口数据多停留在行政区等宏观尺度，难以刻画城市微观内部的人口差异，也难以支撑城市低空运行对微观人口信息的需求。针对这一问题，团队提出了一种支撑城市低空智能运行的微观人口精细建模框架，实现了城市街道级人口分布的高分辨率识别建模，为低空场景下的人口感知、运行组织及精细管理提供了新的理论与方法基础。

具体而言，该框架整合了多源城市空间数据、可解释机器学习、CMIF（构建乘法交互特征）和间接监督优化方案。研究团队利用差分进化算法（DE）生成的基于时间的代理人口作为中间监督器，融合多源特征，构建了一个物理和功能耦合的建模系统。该方法能够生成分辨率为10米的精细街道级人口特征，涵盖黎明、清晨、午后和夜晚四个时段。与现有人口产品相比，该方法显著增强了人口对街道级细节和街道结构响应，其R²值稳定在0.70至0.76之间，表明其具有相对稳健的预测精度和泛化能力。机制分析表明，街道级人口分布是由物理结构约束、功能供给差异、特征交互作用和昼夜节律等多种因素共同作用的结果。该框架核心贡献是为通勤优化、密度监测以及城市微单元层面的风险感知无人机运行等潜在应用提供了方法论基础，从而支持精细化的决策，实现可持续的城市治理。由此获得的街道尺度人口动态的精细化表面图，可为未来的低空治理规划提供有益的参考。从这一视角构建低空经济发展框架，可以将精细化的街道尺度人口信息作为飞行安全、低碳转型、韧性城市规划和可持续出行的重要输入。本研究展示了如何将城市人口建模的概念化思想转化为可落地的应用工具，以支持新兴低空经济的规划和监管实践。

图1 基于可解释机器学习的分析与方法框架

图2 城市街道微观人口分布结果与潜在低空应用

论文原文：Zhensen Wei, Huping Ye, Hongbo He, Kin Huat Low, Lina Hao, Zongru Li, Shu Chen, Xiaohan Liao, Interpretable machine learning for street-level population modeling in the built environment: Implications for urban low-altitude operations, Building and Environment, 2026, 114763, ISSN 0360-1323, https://doi.org/10.1016/j.buildenv.2026.114763. （供稿单位：中国科学院地理科学与资源研究所）