分享
某省人口空间分布格局的多尺度分析 行政管理专业.doc
下载文档

ID:638007

大小:249KB

页数:14页

格式:DOC

时间:2023-04-14

收藏 分享赚钱
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
某省人口空间分布格局的多尺度分析 行政管理专业 人口 空间 分布 格局 尺度 分析 行政管理 专业
贵州省人口空间分布格局的多尺度分析 摘要:本文以贵州省为研究区,在人口地理学的相关理论基础上,本课题研究工作的进行,主要是基于空间自相关以及统计相关这两种分析办法,以省市级以及县级等尺度作为自变量,对人口的空间分布特征进行了深入的探究。研究结果显示:①基于两种尺度,可以有效对各市以及各市内部的人口分布情况进行科学的统计。②基于两种尺度,空间自相关对人口密度的影响力较小,而部分环境—经济因子对其的影响相关性显著。 关键词:贵州省;人口分布;尺度;相关分析 Spatial Distribution of the Population in Guizhou Province at Multi-Scales Abstract:In this paper,Guizhou Province is taken as the research area,and the research work of this subject is mainly based on spatial autocorrelation and statistical correlation.It is based on provincial, municipal and county scales.The independent variables have in-depth exploration of the spatial distribution characteristics of the population.The research results show that:(1)Based on two scales, it is possible to effectively carry out scientific statistics on the population distribution of each city and each city.(2)Based on two scales,spatial autocorrelation has less influence on population density,and some environmental-economic factors have significant influence on its impact. Key words:Guizhou province; population distribution; scale; correlation analysis 目 录 1引言 1 2数据来源与研究方法 2 2.1研究区概况 2 2.2数据来源 2 2.3研究方法 3 2.3.1研究路线 3 2.3.2人口密度 3 2.3.3空间自相关分析 3 2.3.4人口密度与各环境—经济因子相关分析 5 3结果与分析 5 3.1 人口密度的多尺度分析 5 3.2 人口空间分布格局的多尺度分析 6 3.2.1 总体空间分布格局的多尺度分析 6 3.2.2 局部空间分布格局的多尺度分析 7 3.3 人口密度与环境—经济因子相关性多尺度分析 9 4结论与讨论 10 参考文献 11 1引言 人口的空间分布格局是指各区域人口在一定时间地点上的分布情况,是影响社会经济与环境发展的重要指标之一。人口的空间分布格局主要通过全面地研究人口与空间的关系,来探讨人口变动的区域差异。对于人口空间分布来说,尺度对其具有一定程度的影响,多种尺度下的人口分布时各不一样的,自然相应的格局也是互有差异的,多尺度的区域人口空间分布的规律性能为多尺度的人口发展提供科学依据,制定相应的区域发展规划、国土整治、灾害评价、环境保护措施等,对区域提高资源、经济、环境等的综合管理具有重要意义。 了解人口空间分布所研究的问题、热点、性质及研究目的,便于为多个尺度下的区域人口分布格局研究的开展提供全面和宏观的认识。如基于不同粒度的格网下,杜国明、张有全等计算沈阳市的人口密度,分析不同粒度格网下人口分布的变异性[1-2];张树文等采用格网计算方法,将沈阳市第五次人口普查数据空间化,使用地统计学的方法模拟沈阳市人口分布[3];吕晨等通过全国县域的人口密度差值及空间自相关性研究了中国人口的空间分布格局[4];刘峰等为探讨天水市人口空间分布特征,分析其空间自相关性,将GIS与空间统计分析方法相结合[5];柏中强等利用逐步回归分析与相关分析,探究了环境、经济等因素对于多个省区乡镇级尺度人口分布有何影响[6];封志明等为探究环境因子的地区分布规律及环境因子与人口分布的相关性,采用分地区统计分析等方法[7];王静等从三个尺度上,运用地统计及空间统计,分析了山东省人口分布的空间自相关性及其与多个环境、经济因素的相关性[8];朱瑾等在武汉市-武汉城市圈-湖北省三个尺度上,结合地统计方法、空间自相关分析方法、分段回归模型等,对湖北省1990年至2010年人口空间分布进行了动态模拟实验分析[9];叶静等通过比较格网人口与乡镇统计人口在不同粒度下的误差,来分析浙江义乌市人口空间分布的格网尺度效应[10];刘德钦等通过空间自相关分析方法来揭示中国人口分布与其对应的地理空间的联系,并通过计算人口潜力与人口重心,来分析中国人口分布的特点[11];韩惠、葛美玲、杨波等基于GIS的系统上,分别利用第四次、第五次、第六次人口普查分县数据为基础,绘制中国人口密度图,通过对人口分布的调查从而对其空间特征进行深入研究[12-14];Doll等采取GPW V3[15]以及GRUMP[16]这两种全球人口格网数据库作为研究工具,以农村无灯的区域作为其中一个自变量,以农民收入作为因变量,探究两者之间存在的关系。 其中,张树文、吕晨、柏中强、刘德钦所代表的研究中用洛伦兹曲线来测定人口分布的不均衡性,通过洛伦兹曲线的弯曲程度来分析人口分布的不均衡程度;吕晨等的研究中用基尼系数来测定人口密度的差距;王静等的研究中用Pearson相关系数来测定人口密度与各种环境—经济因子的统计相关性,可以直接计算出人口密度与影响因素的相关度;刘峰、柏中强、王静、刘德钦、朱瑾、吕晨所代表的研究中用Moran's I指数来测定其空间自相关度。因此,本文把贵州省作为研究区,来分析不同尺度下人口的空间自相关分布特点及其与受影响因素的影响程度,不仅有助于基于不同尺度的地区发展规划的有效形成,还可以为人口区域的发展奠定良好基础,更重要的是可以更好地保障土地管理工作,同时间接地保护生态环境。 2数据来源与研究方法 2.1研究区概况 贵州省,坐落在我国版图的西南方向,贵阳是其省会城市。贵州省在地理上与数省、市地区接邻;境内地势西高东低,地形结构复杂,高原山地地貌居多,平原较少,土壤肥沃的耕地所占比重较低。贵州省平均海拔在1100米左右,自然资源丰富多样,尤以生物、矿产、能源、旅游资源等最具有鲜明的地方特色。贵州地区所处的气候是亚热带湿润季风,据统计,年温度均值处于15℃附近徘徊,气候适宜,不少民族聚集在这里。截至2018年末,全省总人口3580万,总面积约17.62万平方千米,对于贵州省各个行政区划单位来说,据统计,地级市级别的拥有9个,县级则拥有88个。 2.2数据来源 本课题中出现的数据名称、数据格式及其来源如表2.1所示。自然环境、经济发展是影响人口分布的两大类根本因素。土地、平均海拔是自然环境的基础,GDP是衡量经济发展的重要指标,所以贵州省人口空间分布的环境—经济影响因子选取土地利用数据、平均海拔、GDP。 表2.1 数据名称、格式及其来源 名称 格式 来源 贵州省2015年市、县级人口及GDP统计 excel 贵州省统计年鉴2015年 贵州省DEM数据 grid 中国科学院资源环境科学数据中心 贵州省2015年土地利用数据 excel 地方人民政府官网 注1:鉴于土地利用数据的可获得性,本文统一采用的数据均为2015年 其中土地利用数据为百分比数据,即是在研究区域范围内,某块土地利用类型对于土地总面积所拥有的比重,其中土地类型划分较为明确,本次研究工作具体到城镇用地、农村居民点用地以及耕地、水田、旱地等等。 2.3研究方法 2.3.1研究路线 本文的技术路线如下: (1)所谓人口密度,即为单位土地面积在现实中具有的人口数目,通常以人/km²为单位。以市级和县级两种尺度进行处理,通过计算相应的地区所承载人口数目与实际土地面积的商,即为人口密度; (2)空间自相关指数能确定某一属性是否在空间上相关,其相关程度如何。通过全局 Moran's I指数和局部 Moran's I指数,来比较市级、县级两个尺度人口分布空间自相关性,进一步分析贵州省人口的空间分布格局; (3)选用Pearson相关系数来计算贵州省各市、县区人口密度与各环境—经济因子的相关程度,并形成对比,从而对两种尺度下的这两个变量之间的关系的进行探究。 2.3.2人口密度 人口密度指标可以采取单位面积(本课题中使用的是每平方千米)所承载的居民数目来表达: (2.1) 其中P为区域的人口总数,S为区域的土地面积,D表示区域的人口密度。 2.3.3空间自相关分析 空间自相关分析,从某种程度来说,这种方法归属于空间统计,它可以通过对地表属性的测算,从而来探究研究目标之中存在的空间关联度。同一研究区域上,分析尺度不同,则空间自相关系数可随尺度变化而变化,能定量描述两地理事物在空间上的依赖关系,Moran's I指数又可以划分成全局Moran's I指数以及局部Moran's I指数。 (1)全局 Moran's I指数 对于全局 Moran's I指数来说,其更多的是针对一个特定的属性值,并以此来探究其对整体空间的依赖状况,可以对研究区域及相邻区域存在的空间关联模型进行检验,公式如下[17]: (2.2) 其中,n 代表的是研究区域含有的地区数量,是属性y的均值,、依次对应的是点i以及点j空间对象的属性值。则代表的是空间对象在第i以及第j两点之间的链接关系,而代表的是空间权重矩阵元素,通常意义下的表示形式是: (2.3) Moran’s I指数的计算结果-1到1之间,可采用随机分布检验或正态性分布检验。若该值与1更加靠拢,则说明聚集的属性是相似的;而若是值与-1更加靠拢,则说明聚集的属性是相异的;而若是值与0更加靠拢的话,则说明这些属性的分布时随机性的,没有存有空间关联性。 (2)局部Moran's I指数 局部Moran's I指数,亦被称作是LISA,针对于空间的每一个分布对象,把全局Moran's I指数布置至局部空间区域,从而能以空间对象及相邻对象为研究目标,更准确地去探究它们在属性值上的相似性,公式如下[17]: (2.4) 其中,代表的是属性y的均值,S²代表的是的离散方差,代表的是空间权重矩阵,对比发现,在定义上和全局空间Moran's I指数里的基本一样。 Moran's I散点图经常用来研究局部空间不稳定性或称为异质性。Moran's I 散点图与其它表达形式相比,具有较明显的优势,它不仅可以更有效区别区域单元和相邻单元两者中间存在的空间关联关系,同时还可以用散点图的四个象限来用Geoda软件以可视化的形式表示出来。以象限的不同做区分发现,之间存在的空间关联是:第一象限—高值与高值相邻;第二象限—低值与高值相邻;第三象限—低值与低值相邻;第四象限—高值与低值相邻。 2.3.4人口密度与环境—经济因子相关分析

此文档下载收益归作者所有

下载文档
你可能关注的文档
收起
展开