基于landsat 影像获取城镇用地变化
BRT模型分析 基于机器学习原理的增强回归树模型(Boosted Regression Tree,BRT)具有同时处理不同数据类型、数量关系的以及数据确实等情况的优势,直观显示在不同阈值区间内各驱动因素对城市扩展的影响程度,打破了传统统计学方法的不足,能够更加直观形象地展示驱动力作用的机制。
一、 研究角度
二、 研究尺度
三、 驱动因素分析指标
四、 驱动因素分析法
南昌市
2000~2017
一、 landsat 2000\2008\2017
扩展速率
blockformula_editor \cfrac{U_a-U_b}{\triangle t}
扩展强度指数
blockformula_editor \cfrac{U_a-U_b}{U_b\cdot \triangle t}
分别表示规划期末、规划期开始的城镇建设用地面积,表示时间间隔。
本文引用刘小平提出的景观扩展指数 LEI
目前被广泛应用于识别城镇用地扩展模式分析,探讨其分布的空间信息。
利用该指数可以很好地识别出城镇用地的扩展模式,分为飞地式、填充式、边缘式
_0}{A_e-A_p}```
<span data-formula="A_e" aria-hidden="true"></span> 为斑块的最小包围盒面积,<span data-formula="A_p" aria-hidden="true"></span> 为新增斑块本身的面积, <span data-formula="A_0" aria-hidden="true"></span> 为最小包围盒里原有景观的面积
#### 3. 重心指数
```blockformula_editor X || Y= \cfrac{\sum_{i=1}^n (Q_i \cdot X_i||Y_i)}{\sum_{i=1}^m Q_i} ```
<span data-formula="X||Y" aria-hidden="true"></span> 表示重心的经纬度, <span data-formula="Q_i" aria-hidden="true"></span> 表示第i 块图斑的面积, <span data-formula="X_i||Y_i" aria-hidden="true"></span> 表示第i块图斑经纬度
#### 4. 增强回归树
### 结果
#### 1. 扩展速率和强度分析
通过两个指数得出
#### 2. 扩展模式分析
用过景观扩展指数得出
#### 3.城市中心坐标迁移分析
通过重心指数得出
#### 4. 扩展各项差异性分析
分16个方向,在每个方向上扩展强度、扩展速率
#### 3. 驱动因素分析
通过BRT分析得出各驱动因素贡献率
本文章使用limfx的vscode插件快速发布