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
|
4天前
|
数据可视化 数据挖掘
R语言生存分析数据分析可视化案例(下)
R语言生存分析数据分析可视化案例
|
2天前
|
数据采集 人工智能 数据挖掘
「一行分析」利用12000条招聘数据分析Python学习方向和就业方向
「一行分析」利用12000条招聘数据分析Python学习方向和就业方向
|
4天前
|
数据可视化 数据挖掘
R语言生存分析数据分析可视化案例(上)
R语言生存分析数据分析可视化案例
|
4天前
|
数据可视化 数据挖掘 Linux
如何在Linux部署DataEase数据分析服务并实现无公网IP远程分析内网数据信息
如何在Linux部署DataEase数据分析服务并实现无公网IP远程分析内网数据信息
|
4天前
|
数据采集 数据可视化 数据挖掘
Seaborn在数据分析中的应用:案例分析与实践
【4月更文挑战第17天】本文介绍了Seaborn在数据分析中的应用,它是一个基于Python的可视化库,简化了复杂数据的图表创建。通过一个销售数据分析的案例,展示了数据加载、描述性统计、相关性分析、多变量分析及高级可视化步骤。实践技巧包括数据清洗、图表选择、颜色使用、注释标签和交互性。Seaborn助力高效数据探索和理解,提升分析效率。注意,实际使用需根据数据集和目标调整,并参考最新文档。
|
4天前
|
存储 机器学习/深度学习 数据采集
数据分析师如何处理数据以进行分析?
【4月更文挑战第4天】数据分析师如何处理数据以进行分析?
23 9
|
4天前
|
机器学习/深度学习 数据可视化 算法
python数据分析——在面对各种问题时,因如何做分析的分类汇总
Python数据分析是指使用Python编程语言对数据进行收集、处理、分析和可视化的过程。Python是一种非常流行的编程语言,具有简单易学、代码可读性高、生态系统强大的特点,因此在数据科学领域得到广泛应用。
89 0
|
2天前
|
机器学习/深度学习 数据挖掘 Python
Python数据分析 | 泰坦尼克逻辑回归(下)
Python数据分析 | 泰坦尼克逻辑回归
7 1
|
2天前
|
机器学习/深度学习 数据挖掘 BI
Python数据分析 | 泰坦尼克逻辑回归(上)
Python数据分析 | 泰坦尼克逻辑回归
15 0
|
2天前
|
数据采集 数据挖掘 Python
Python数据分析 | 线性回归
Python数据分析 | 线性回归
10 1