GIS在学校选址中的应用

1、实验所用数据

⑴土地利用图(landuse):面,区域内不同的土地类型。
⑵高程数据(dem):面,地面的不同高程。
⑶娱乐场所分布图(rec_sites):点,区域内的娱乐场所。
⑷现有学校分布图(school):点,区域内现有的学校位置信息。

2、学校选址要求

⑴应充分考虑土地利用类型,选择成本不高且适宜生活的地方。
⑵新建学校应处于地势平坦处。
⑶新建学校应与现有娱乐设施配套,距离越近越好。
⑷新建学校应与现有的学校保持一定距离,合理分布。

3、实现流程

利用ArcGIS的扩展模块中的空间分析功能,将土地利用数据,高程数据,现有学校分布以及娱乐场所分布数据派生出坡度数据以及到现有学校、娱乐场所的距离数据集,然后将派生出的数据以及土地利用数据进行重分类,将重分类的数据赋予一定的权重,最终通过叠加分析可确定出适宜性比较好的学校选址区。实现的具体流程图如下:
在这里插入图片描述

4、实现步骤

4.1 准备数据

4.1.1 土地利用数据:
在这里插入图片描述

4.1.2 高程数据:
在这里插入图片描述

4.1.3 现有学校及娱乐场所分布数据:
在这里插入图片描述

4.2 派生数据

4.2.1 坡度数据:
在这里插入图片描述

利用“ArcToolbox→Spatial Analyst→表面分析→坡度”来断栅格表面的各像元中的梯度,将高程数据派生为坡度数据。图中颜色越深,坡度越大。
4.2.2 与现有学校的距离图:
在这里插入图片描述

利用“ArcToolbox→Spatial Analyst→距离分析→欧式距离”计算每个像元到最近源的欧式距离,将现有学校分布数据派生为现有学校距离数据集。图中颜色越深,表示离现有学校距离越远。

4.2.3 娱乐场所距离数据:
在这里插入图片描述

利用“ArcToolbox→Spatial Analyst→距离分析→欧式距离”判计算每个像元到最近源的欧式距离,将娱乐场所数据派生为娱乐场所距离数据集,图中颜色越深,表示离娱乐场所距离越远。

4.3 重分类各种数据集

4.3.1 对坡度数据进行重分类
在这里插入图片描述

采用相等间隔分类法把坡度分为10级,由于学校适宜在较平坦处建立,越平坦处适宜度越高,故将最平坦的地方赋值为10,最陡峭的地方赋值为1。
重分类后的坡度数据如下(图中颜色越重代表地势越平坦):
在这里插入图片描述

4.3.2 对现有学校距离数据进行重分类
在这里插入图片描述

采用相等间隔分类法将提取出的现有学校距离分为10级,由于新建学校离现有学校比较远时适宜度高,故将距离现有学校最远的单元赋值为10,距离现有学校最近的单元赋值为1。
重分类后的现有学校距离数据如下(图中颜色越重表示距离现有学校距离越远,适宜性越高):
在这里插入图片描述

4.3.3 对娱乐场所距离数据进行重分类
在这里插入图片描述

采用相等间隔分类法将提取出的娱乐场所距离分为10级,由于新建学校离娱乐场所较近时适宜度较高,故将距离娱乐场所最近的单元赋值为10,距离娱乐场所最远的单元赋值为1。
重分类后的娱乐场所距离数据如下(图中颜色越重表示距离娱乐场所距离越近,适宜性越高):
在这里插入图片描述

4.3.4 对土地利用数据进行重分类
在这里插入图片描述

由于无法在河流以及湿地中建立学校,因此在分类表中删去“Water”和“Wetlands”两类,并将缺失值设为NoData。设置其他旧值与新值对应“Agriculture”为10,“Barren land”为6,“Brush/transitional”为5,“Forest”为4,“Built up”为3,对有利于建立学校的土地利用类型赋予较高的值,不利于建立学校的土地赋予较低的值。
重分类后的土地利用数据如下:
在这里插入图片描述

4.4 利用栅格计算器给各数据集赋权重

在这里插入图片描述

重分类后,各个数据集都统一到相同的等级体系,且每个数据集中被认为比较适宜性的属性都被赋以较高的值,故利用栅格计算器将对学校选址影响较大的数据集赋以较高的权重,最后合并各数据集从而确定适宜的位置。各数据集的权重为:与娱乐场所的距离占0.5,与现有学校的距离占0.25,土地利用类型和坡度因素各占0.125。
加权叠加后的结果如下:
在这里插入图片描述

上图中颜色越重,代表适宜性越高,越适合建立新的学校,白色地区表示此位置不能建立学校。
通过“Con工具”可以将适宜度大于7.5的地区提取出来,同时通过“Analysis Tools->筛选”工具选出面积大于2500000的区域,从而得到了最佳选址位置。具体步骤如下:

4.5 选择合适的选址范围

4.5.1 利用con函数提取最佳位置
在这里插入图片描述

利用栅格计算器中的con函数提取出适宜度大于7.5的地区。提取结果如下:
在这里插入图片描述

4.5.2 利用众数滤波提炼最佳区域
在这里插入图片描述

利用“ArcToolbox→Spatial Analyst→栅格综合→众数滤波”,EIGHT指定了在滤波器核中使用的相邻像元的数为8。MAJORITY 用作替换阈值表示八个连接像元中的五个必须具有相同值才能保留当前像元的值。
众数滤波结果如下:
在这里插入图片描述

4.5.3 栅格转面
利用“ArcToolbox→转换工具→由栅格转出→栅格转面” 将栅格转换为地理数据库中的要素类,以便可以使用生成的面积字段。
在这里插入图片描述

转换结果如下:
在这里插入图片描述

4.5.4 面积筛选
在这里插入图片描述

由于要建立新的大学校园,故选址的面积不宜过小。因此利用“Analysis Tools→提取分析→筛选”将面积大于2500000的区域筛选出来。筛选结果如下:

在这里插入图片描述

5、选址结果

在这里插入图片描述

如上图所示,蓝色区域为适宜于建立学校的区域。

6、总结

学校选址的适宜性分析影响因素是多方面的,本文中仅考虑了土地利用类型、坡度数据、现有学校分布数据以及娱乐场所分布数据对新建学校选址的影响,在整个分析过程中,我们利用GIS强大的空间分析能力将各种选址因素定量化,通过直观的栅格图像显示,减少了主观因素对选址结果的影响,从而为选址决策提供了科学依据。

  • 9
    点赞
  • 90
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
SQLAlchemy 是一个 SQL 工具包和对象关系映射(ORM)库,用于 Python 编程语言。它提供了一个高级的 SQL 工具和对象关系映射工具,允许开发者以 Python 类和对象的形式操作数据库,而无需编写大量的 SQL 语句。SQLAlchemy 建立在 DBAPI 之上,支持多种数据库后端,如 SQLite, MySQL, PostgreSQL 等。 SQLAlchemy 的核心功能: 对象关系映射(ORM): SQLAlchemy 允许开发者使用 Python 类来表示数据库表,使用类的实例表示表的行。 开发者可以定义类之间的关系(如一对多、多对多),SQLAlchemy 会自动处理这些关系在数据库的映射。 通过 ORM,开发者可以像操作 Python 对象一样操作数据库,这大大简化了数据库操作的复杂性。 表达式语言: SQLAlchemy 提供了一个丰富的 SQL 表达式语言,允许开发者以 Python 表达式的方式编写复杂的 SQL 查询。 表达式语言提供了对 SQL 语句的灵活控制,同时保持了代码的可读性和可维护性。 数据库引擎和连接池: SQLAlchemy 支持多种数据库后端,并且为每种后端提供了对应的数据库引擎。 它还提供了连接池管理功能,以优化数据库连接的创建、使用和释放。 会话管理: SQLAlchemy 使用会话(Session)来管理对象的持久化状态。 会话提供了一个工作单元(unit of work)和身份映射(identity map)的概念,使得对象的状态管理和查询更加高效。 事件系统: SQLAlchemy 提供了一个事件系统,允许开发者在 ORM 的各个生命周期阶段插入自定义的钩子函数。 这使得开发者可以在对象加载、修改、删除等操作时执行额外的逻辑。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值