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
|
2月前
|
数据采集 存储 数据挖掘
【优秀python数据分析案例】基于Python书旗网小说网站数据采集与分析的设计与实现
本文介绍了一个基于Python的书旗网小说网站数据采集与分析系统,通过自动化爬虫收集小说数据,利用Pandas进行数据处理,并通过Matplotlib和Seaborn等库进行数据可视化,旨在揭示用户喜好和市场趋势,为图书出版行业提供决策支持。
169 6
【优秀python数据分析案例】基于Python书旗网小说网站数据采集与分析的设计与实现
|
2月前
|
存储 编解码 数据可视化
Visium HD空间数据分析、可视化以及整合 (2)
Visium HD空间数据分析、可视化以及整合 (2)
48 3
Visium HD空间数据分析、可视化以及整合 (2)
|
1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
28 3
|
2月前
|
数据可视化 数据挖掘 定位技术
基于geopandas的空间数据分析—geoplot篇(上)
基于geopandas的空间数据分析—geoplot篇(上)
|
2月前
|
存储 编解码 数据可视化
Visium HD空间数据分析、可视化以及整合 (1)
【8月更文挑战第1天】Visium HD空间数据分析、可视化以及整合 (1)
86 4
Visium HD空间数据分析、可视化以及整合 (1)
|
2月前
|
数据可视化 算法 数据挖掘
基于geopandas的空间数据分析-深入浅出分层设色
基于geopandas的空间数据分析-深入浅出分层设色
|
2月前
|
数据可视化 数据挖掘 Python
"揭秘Visium HD黑科技:空间数据分析大揭秘,可视化与整合的艺术之旅!"
【8月更文挑战第20天】近年来,空间转录组技术,特别是Visium HD技术,因其高分辨率与高通量特性,在单细胞生物学领域受到广泛关注。本文通过Python演示了Visium HD数据的全流程分析:从数据准备(读取表达矩阵和空间坐标)、空间数据分析(计算基因表达统计量)、数据可视化(绘制基因表达热图和空间点分布图),到多样本数据整合,为读者提供了实用的分析指南,助力深入探索空间转录组学的奥秘。
67 4
|
2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。
41 0
|
2月前
|
SQL 数据采集 算法
【电商数据分析利器】SQL实战项目大揭秘:手把手教你构建用户行为分析系统,从数据建模到精准营销的全方位指南!
【8月更文挑战第31天】随着电商行业的快速发展,用户行为分析的重要性日益凸显。本实战项目将指导你使用 SQL 构建电商平台用户行为分析系统,涵盖数据建模、采集、处理与分析等环节。文章详细介绍了数据库设计、测试数据插入及多种行为分析方法,如购买频次统计、商品销售排名、用户活跃时间段分析和留存率计算,帮助电商企业深入了解用户行为并优化业务策略。通过这些步骤,你将掌握利用 SQL 进行大数据分析的关键技术。
67 0
|
2月前
|
数据采集 机器学习/深度学习 数据挖掘
【数学建模-某肿瘤疾病诊疗的经济学分析】数据分析
本文提供了针对一个肿瘤疾病诊疗经济学分析的数学建模案例,其中包括了数据清洗、特征工程、模型分析等步骤,并提供了相关的代码和最终报告的下载链接。
36 0

热门文章

最新文章