GIS空间分析 栅格数据分析3 可达性分析

简介: 掌握栅格数据的可达性分析方法

 目录

一、实验名称

二、实验准备

1.实验原理

2.实验背景

3.实验目的:

4.数据准备

三、实验步骤


文章数据免费下载

一、实验名称

       栅格数据空间分析之可达性分析

二、实验准备

1.实验原理

       可达性用于测度区域内一点到最近旅游景点所花费的时间表征区内游客到景点的便利程度,有助于厘清旅游景点和交通网络之间的关系,计算公式如下:

式中:i、j 为示范区内的景点;Tij 为点i 在交通网络中通行最短的路线到达景点j 的通行时间;Mj 为景点j的权重,若只研究交通通达性则数值为1;Ai 为示范区内点i 的可达性。

       本研究基于交通路网测算示范区的可达性,测算方法是用1 km×1 km栅格网将原矢量底图栅格化,根据国家规定的不同路网的通行速度,并参考前人研究成果,高速铁路、普通铁路、高速、国道、省道、县道的速度分别设为250、100、100、80、60、40 km/h,计算路网通行时间,并赋予栅格相应的时间成本值,在此基础上对路网成本栅格图像采用最短成本加权距离,算出示范区内各点到景点的可达性。为了从整体上反映旅游景点可达性在行政单元区域层面的空间结构状态,更为直接地刻画区域内游客日常出游的便利程度,通过计算示范区县级单元内栅格景点可达性的均值来反映整个县级单元的景点可达性。

image.gif编辑

        式中:Rj为第j 个县级单元的整体景点可达性;Ai为县级单元第i 个网格的景点可达性;nj为落在第j 个县级单元范围内网格的总数。

       不同类别景点可达性分布频率和累计频率统计表计算。

1 各时间段可达性分布频率 = 各时间段可达性面积/总面积

2 累计频率 =各时间段可达性分布频率的和

3 县域单元的整体可达性等级分布分别统计不同时间段的可达性的景点的个数

2.实验背景

       现有一城市道路数据road.shp,和一所医院的位置数据hospital.shp。道路数据中记录了每一段路的长度(m),车辆行驶的平均时速(m/min)和所需的时间(min)。假设在没有道路的区域,人平均走路的速度是80m/min(field.shp)。求出在30分钟内可到达该医院的可达性范围。

3.实验目的:

       掌握栅格数据的可达性分析方法

4.数据准备

1 road.shp:道路线要素数据

2 hospital.shp:医院点要素数据

3 field.shp:非道路面要素数据

三、实验步骤

       1.新建ArcMap空白文档,导入以上数据,然后我们将road.shp、field.shp数据转为栅格数据,打开ArcToolBox工具箱,选择转换工具>转为栅格>折线转栅格,输入要素为road.shp,值字段选择speed,更改输出路径,点击确定即可输出。

image.gif编辑

image.gif编辑

image.gif编辑

       2.接下来将面转为栅格,打开面转栅格工具,输入数据为field.shp,值字段为speed,更改输出路径,确定即可输出;

image.gif编辑

image.gif编辑

       3.接下来,我们创建耗时栅格,打开栅格计算器,输入 1.0/’road.shp’,更改输出路径,点击确定即可,同理处理field.shp;

image.gif编辑

image.gif编辑

image.gif编辑

       4.接着,我们需要将两个耗时栅格结合为一个,打开镶嵌至新栅格,输入要素为之前的两个耗时栅格,设置输出位置与数据名称,波段数为1,镶嵌运算符为minmum,点击确定即可;

image.gif编辑

image.gif编辑

        5.我们进行成本距离分析,打开成本距离工具,输入要素源数据为hospital.shp,成本距离为耗时栅格cost,更改输出路径与数据名称,点击确定输出,打开distance属性,更改分类类型为手动,分类数为2,分类阈值为10,适当调整颜色,点击确定,我们即可得到最终结果;

image.gif编辑

image.gif编辑

image.gif编辑

image.gif编辑


如果觉得我的文章对您有帮助,三连+关注便是对我创作的最大鼓励!

更多GIS空间分析文章

“本站所有文章均为原创,欢迎转载,请注明文章出处:https://blog.csdn.net/qq_45590504/category_11750215.html百度和各类采集站皆不可信,搜索请谨慎鉴别。技术类文章一般都有时效性,本人习惯不定期对自己的博文进行修正和更新,因此请访问出处以查看本文的最新版本。”


目录
相关文章
|
1月前
|
数据挖掘 UED
ChatGPT数据分析——探索性分析
ChatGPT数据分析——探索性分析
|
1月前
|
数据可视化 数据挖掘 数据处理
ChatGPT数据分析应用——热力图分析
ChatGPT数据分析应用——热力图分析
|
1月前
|
数据挖掘
ChatGPT在常用的数据分析方法中的应用(分组分析)
ChatGPT在常用的数据分析方法中的应用(分组分析)
|
1月前
|
机器学习/深度学习 数据采集 数据可视化
如何理解数据分析及数据的预处理,分析建模,可视化
如何理解数据分析及数据的预处理,分析建模,可视化
51 0
|
1月前
|
数据挖掘
ChatGPT在常用的数据分析方法中的应用(对比分析)
ChatGPT在常用的数据分析方法中的应用(对比分析)
|
2月前
|
机器学习/深度学习 人工智能 数据挖掘
数据分析师是在多个行业中专门从事数据搜集、整理和分析的专业人员
数据分析师是在多个行业中专门从事数据搜集、整理和分析的专业人员
39 3
|
3月前
|
前端开发 Java JSON
Struts 2携手AngularJS与React:探索企业级后端与现代前端框架的完美融合之道
【8月更文挑战第31天】随着Web应用复杂性的提升,前端技术日新月异。AngularJS和React作为主流前端框架,凭借强大的数据绑定和组件化能力,显著提升了开发动态及交互式Web应用的效率。同时,Struts 2 以其出色的性能和丰富的功能,成为众多Java开发者构建企业级应用的首选后端框架。本文探讨了如何将 Struts 2 与 AngularJS 和 React 整合,以充分发挥前后端各自优势,构建更强大、灵活的 Web 应用。
58 0
|
3月前
|
数据采集 数据可视化 数据挖掘
数据分析大神养成记:Python+Pandas+Matplotlib助你飞跃!
在数字化时代,数据分析至关重要,而Python凭借其强大的数据处理能力和丰富的库支持,已成为该领域的首选工具。Python作为基石,提供简洁语法和全面功能,适用于从数据预处理到高级分析的各种任务。Pandas库则像是神兵利器,其DataFrame结构让表格型数据的处理变得简单高效,支持数据的增删改查及复杂变换。配合Matplotlib这一数据可视化的魔法棒,能以直观图表展现数据分析结果。掌握这三大神器,你也能成为数据分析领域的高手!
82 2
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
基于爬虫和机器学习的招聘数据分析与可视化系统,python django框架,前端bootstrap,机器学习有八种带有可视化大屏和后台
本文介绍了一个基于Python Django框架和Bootstrap前端技术,集成了机器学习算法和数据可视化的招聘数据分析与可视化系统,该系统通过爬虫技术获取职位信息,并使用多种机器学习模型进行薪资预测、职位匹配和趋势分析,提供了一个直观的可视化大屏和后台管理系统,以优化招聘策略并提升决策质量。
185 4
|
3月前
|
机器学习/深度学习 算法 数据挖掘
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
本文介绍了2023年第二届钉钉杯大学生大数据挑战赛初赛A题的Python代码分析,涉及智能手机用户监测数据分析中的聚类分析和APP使用情况的分类与回归问题。
87 0
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
下一篇
无影云桌面