【文献阅读】基于BRT模型的南昌市城市扩展时空特征及驱动因素研究

回到主页

一、摘要

1. 数据

基于landsat 影像获取城镇用地变化

2. 方法

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。

3. 分析角度

  1. 扩展强度指数
  2. 景观扩展指数
  3. 重心指数

4. 结论

  1. 城市扩展面积
  2. 分增长阶段，分析每一个阶段的增长速度、增长强度等特征
  3. 城市发展重心
  4. 城市发展方向
  5. BRT分析结果

二、正文

相关研究

一、 研究角度

  1. 城市扩展的形态特征
  2. 城市扩展的模拟和预测
  3. 城市扩展模式及驱动力

二、 研究尺度

  1. 大中尺度的城市群
  2. 单一城市研究以一线城市为主，缺乏对二三线城市关注

三、 驱动因素分析指标

  1. 统计年鉴GDP等社会经济因素为朱
  2. 缺少自然环境及区位条件对城市扩张因素的影响

四、 驱动因素分析法

  1. 常规统计学分析为主
  2. 只能在全局上描述各项驱动因素对城镇扩展的影响程度， 忽略了去当因素在不同取值区间影响作用的差异

研究区

南昌市

研究时段

2000~2017

研究数据处理

一、 landsat 2000\2008\2017

  1. 预处理
  2. 图像解译
  3. 通过分类误差及Kappa系数检验
    二、 人口、GDP——统计年鉴
    三、 省土地利用年度变更调查数据库 四、 坡度、高程——DEM

研究方法

1. 扩展速率和扩展强度指数

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。

2. 景观扩展指数

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