CN116882625A - 一种岩溶山地乡村聚落用地空间脆弱性识别方法 - Google Patents
一种岩溶山地乡村聚落用地空间脆弱性识别方法 Download PDFInfo
- Publication number
- CN116882625A CN116882625A CN202310854244.5A CN202310854244A CN116882625A CN 116882625 A CN116882625 A CN 116882625A CN 202310854244 A CN202310854244 A CN 202310854244A CN 116882625 A CN116882625 A CN 116882625A
- Authority
- CN
- China
- Prior art keywords
- vulnerability
- index
- data
- space
- spatial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004220 aggregation Methods 0.000 claims abstract description 53
- 230000002776 aggregation Effects 0.000 claims abstract description 50
- 230000003993 interaction Effects 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000035945 sensitivity Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004162 soil erosion Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000012732 spatial analysis Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000013439 planning Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006355 external stress Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于聚落用地规划领域，并公开了一种岩溶山地乡村聚落用地空间脆弱性识别方法，包括：获取岩溶山地乡村聚落的分区数据，对分区数据进行预处理，基于预处理后的分区数据构建VSD模型，基于VSD模型构建空间脆弱性评价指标体系；通过地理探测器模型和全局自相关模型并结合自然断点分级法对空间脆弱性评价指标体系进行分析计算，得到岩溶山地乡村聚落用地的空间脆弱性空间分析识别结果，基于空间脆弱性空间分析识别结果得到岩溶山地乡村聚落的脆弱性空间分布特征及其影响因素的相互作用机理。本发明技术方案为测度岩溶山地乡村聚落用地空间脆弱性的主要影响因素及因子间相互作用提供重要的技术依据。
Description
技术领域
本发明属于聚落用地规划领域，特别是涉及一种岩溶山地乡村聚落用地空间脆弱性识别方法。
背景技术
如何科学、有效地识别岩溶山地乡村聚落用地脆弱性，是优化乡村聚落发展路径与区域格局的关键，更是当前乡村聚落可持续发展中的一个技术难题。
现有识别方法缺乏适用于岩溶山地乡村聚落用地空间脆弱性的适用性。纵观现有脆弱性识别方法，研究领域甚少涉及农村地区，关注乡村聚落用地尺度的更鲜为少见。
现有识别技术难以全面揭示影响乡村聚落用地空间脆弱性发展的动力因子和作用强度。脆弱性作为系统内部天生独有的属性，不仅可以表征系统遭受外部扰动的不利程度，还可以反映系统内部结构特性与交互作用，目前现有技术以系统外部扰动因素或单一要素视角的宏观区域尺度切入，难以定量研究脆弱性关键要素阈值及边界条件，无法针对性地采取“降脆”措施以提高系统韧性水平，降低了分区结果被地方部门采纳的可能性，不具有推广应用价值。
发明内容
本发明的目的是提供一种岩溶山地乡村聚落用地空间脆弱性识别方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种岩溶山地乡村聚落用地空间脆弱性识别方法，包括：获取岩溶山地乡村聚落的分区数据，对所述分区数据进行预处理，基于预处理后的分区数据构建VSD模型，基于所述VSD模型构建空间脆弱性评价指标体系；通过地理探测器模型和全局自相关模型并结合自然断点分级法对所述空间脆弱性评价指标体系进行分析识别，得到岩溶山地乡村聚落用地的空间脆弱性空间分析识别结果，基于所述空间脆弱性空间分析识别结果得到岩溶山地乡村聚落的脆弱性空间分布特征及其影响因素的相互作用机理。
可选的，所述分区数据包括：项目区的土地利用数据、地形数据、地址灾害监测数据、石漠化数据、土壤侵蚀数据、归一化植被指数、教育和医疗设施点数据、交通路网数据和人口统计数据。
可选的，构建所述空间脆弱性评价指标体系的过程包括：
获取指标维度数据，基于所述指标维度数据和所述VSD模型进行得到所述空间脆弱性评价指标体系。
可选的，所述指标维度数据包括：暴露度数据、敏感性数据和适应性数据；
其中，所述暴露度数据包括：石漠化强度、土壤侵蚀强度、地址灾害指数、农村人口数量和1km范围内耕地面积；
所述敏感性数据包括：年平均降水量、年平均日照时数、坡度、地形起伏度、植被覆盖度和植被净初级生产力；
所述适应性数据包括：教育可达性、医疗可达性、水源点可达性和据最近道路距离。
可选的，所述空间分析识别结果包括：空间脆弱性空间分布特征数据、脆弱性空间自相关特征数据、乡村聚落用地空间脆弱性的主要影响因素和及其影响因素的相互作用机理。
可选的，获取所述空间脆弱性空间分布特征的过程包括：
通过加权数学运算法和极差标准化方法对所述指标维度数据中的指标数据进行集成和标准化处理，得到指标标准化数值；基于AHP和熵权法对所述指标标准化数值进行加权，得到指标权重数据；基于所述指标权重数据获取脆弱性指数数据；
其中，获取所述脆弱性指数数据的计算公式为：
正向指标：
负向指标：
V＝E+S+A
式中，Xi代表第i项指标的标准化数值，max(xi)代表第i项指标中的最大值，min(xi)代表第i项指标中的最小值，Wi代表指标的组合权重，Wi′代表指标的主观权重，Wi″代表指标的客观权重，V代表脆弱性指数数据，E代表暴露度指数数据，S代表敏感性指数数据，A代表适应性指数数据，n为指标数量，Wi代表对应指标的权重值，ei代表暴露度指标的标准化值，si代表敏感性指标的标准化值，ai代表适应性指标的标准化值；
通过自然断点分级法对所述脆弱性指数数据、暴露度指数数据、敏感性指数数据和适应性指数数据分别由低到高进行分类，分类完成后进行分析，得到乡村聚落用地的空间脆弱性空间分布特征数据。
可选的，获取所述脆弱性空间自相关特征数据的过程包括：
通过全局自相关模型获取乡村聚落用地空间脆弱性整体分布的聚集性数据：
式中，Moran's I为Global Moran's I指数，其值在-1到1间，大于0为正相关，小于0为负相关，等于0为不相关；xi、xj分别为空间对象i、j的乡村聚落脆弱性指数，Wij为空间权重，采用邻接标准定义，即当i和j邻接时，Wij＝1，否则Wij＝0；n为空间对象数，Wi代表指标的组合权重，代表乡村聚落脆弱性指数的样本平均值；
通过双变量空间自相关分析法对所述暴露度数据、敏感性数据和所述适应性数据进行分析，得到所述脆弱性空间自相关特征数据；
其中，获取所述脆弱性空间自相关特征数据的计算公式为：
式中，Wij为空间对象权重；是空间对象i的属性y值；/>是空间对象j的属性z值；分别为属性y、z的平均值；/>分别为属性y、z的方差；n为空间对象数目；y为暴露度指数或敏感性指数，z为敏感性指数和适应性指数。
可选的，获取所述乡村聚落用地空间脆弱性的主要影响因素的过程包括：
以脆弱性指数数据为因变量，指标数据为自变量，利用地理探测器模型中因子探测分析所述指标数据对乡村聚落脆弱性的解释程度，得到所述乡村聚落用地空间脆弱性的主要影响因素；
其中，获取所述乡村聚落用地空间脆弱性的主要影响因素的计算公式为：
式中，N为乡村聚落脆弱性，σ为乡村聚落脆弱性方差，将研究区域分为L层，用h＝1,2,…,L表示，则Nh和分别为j层项目区乡村聚落脆弱性和方差，q值为影响因子对乡村聚落脆弱性的解释力，值在0到1之间，q值越接近1则解释力越强，反之则越弱。
可选的，获取影响因素的相互作用机理的过程包括：
利用地理探测器模型中交互探测分析所述脆弱性指数数据中影响因素间的相互作用，得到所述影响因素的相互作用机理，包括任意两影响因素共同作用对岩溶山地乡村聚落脆弱性的解释程度以及两个影响因素的影响是否相互独立的判断数据。
本发明的技术效果为：
本发明提供的岩溶山地乡村聚落用地空间脆弱性识别方法通过获取岩溶山地乡村聚落的分区数据，对所述分区数据进行预处理，基于预处理后的分区数据构建VSD模型，基于所述VSD模型构建空间脆弱性评价指标体系；通过地理探测器模型和全局自相关模型并结合自然断点分级法对所述空间脆弱性评价指标体系进行分析计算，得到岩溶山地乡村聚落用地的空间脆弱性空间分析识别结果，基于所述空间脆弱性空间分析识别结果得到岩溶山地乡村聚落的脆弱性空间分布特征及其影响因素的相互作用机理；
本发明提供的空间脆弱性识别方法针对性强，填补了岩溶山地乡村聚落用地空间脆弱性识别的技术空白问题和单一尺度性的问题，为测度岩溶山地乡村聚落用地空间脆弱性的主要影响因素及因子间相互作用提供重要的技术依据。
本发明提供的空间脆弱性识别方法简单有效，使用的VSD模型、全局空间自相关模型、地理探测器模型和GIS空间分析技术均为简单通用的方法，所不同的是本发明从人地耦合视角出发兼顾岩溶山地生态系统的极端复杂性，围绕暴露度、敏感性和适应性三个维度特征，将几种方法有机耦合使用，科学有效地实现岩溶山地乡村聚落用地空间脆弱性识别。
本发明提供的空间脆弱性识别方法适用性强，与现有乡村聚落用地空间脆弱性识别技术相比，本发明也适用于岩溶山地不同行政单元(省、市、县、镇)多个层级乡村聚落脆弱性识别，解决了当前乡村聚落脆弱性的应用局限性和单一尺度性技术问题，具有普适性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的流程图；
图2为本发明实施例中的乡村聚落用地空间脆弱性空间分布图；
图3为本发明实施例中的乡村聚落用地空间脆弱性及各维度空间关系图；
图4为本发明实施例中的影响因子交互作用结果图。
具体实施方式
现详细说明本发明的多种示例性实施方式，该详细说明不应认为是对本发明的限制，而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。
在不背离本发明的范围或精神的情况下，可对本发明说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见的。本申请说明书和实施例仅是示例性的。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一
如图1-图4所示，本实施例中提供了一种岩溶山地乡村聚落用地空间脆弱性识别方法，包括：获取岩溶山地乡村聚落的分区数据，对所述分区数据进行预处理，基于预处理后的分区数据构建VSD模型，基于所述VSD模型构建空间脆弱性评价指标体系；通过地理探测器模型和全局自相关模型并结合自然断点分级法对所述空间脆弱性评价指标体系进行分析识别，得到岩溶山地乡村聚落用地的空间脆弱性空间分析识别结果，基于所述空间脆弱性空间分析识别结果得到岩溶山地乡村聚落的脆弱性空间分布特征及其影响因素的相互作用机理。
基于所述空间脆弱性空间分析识别结果运用GIS空间分析功能和地理探测器模型，揭示喀斯特山区农村居民点脆弱性空间分布特征及其影响因素的相互作用机理。本实施例所述技术方案有效解决了岩溶山地乡村聚落用地脆弱性识别方法的技术空白问题和单一尺度性的问题，同时为测度岩溶山地乡村聚落用地空间脆弱性的主要影响因素及因子间相互作用提供重要的技术依据。
本实施例提供了一种岩溶山地乡村聚落用地空间脆弱性识别方法。从人地耦合视角出发，基于岩溶山地生态系统的极端复杂性，耦合VSD模型、全局空间自相关模型、和地理探测器模型，综合测度岩溶山区乡村聚落用地空间脆弱性空间相关特征及其相互作用的形成机制。从暴露度、敏感性、适应性3个维度构建涵盖自然环境特征、社会发展水平等因素的乡村聚落用地空间脆弱性基本组织框架与评价指标体系；通过全局自相关模型对岩溶山地乡村聚落用地空间脆弱性的空间整体分布情况进一步分析，判断其在空间上是否具有聚集性以及识别多变量间的相关空间分布特征；运用地理探测器模型测度各维度下影响岩溶山地乡村聚落用地空间脆弱性地域分异的因子贡献率和因子间交互作用。该发明填补了岩溶山地乡村聚落用地空间脆弱性识别的技术空白问题，为测度岩溶山地乡村聚落用地空间脆弱性的主要影响因素及因子间相互作用提供重要的技术依据。
本实施例提供了一种岩溶山地乡村聚落用地空间脆弱性识别方法，通过耦合VSD模型、全局空间自相关模型、地理探测器模型和GIS空间分析技术对岩溶山地乡村聚落用地空间脆弱性进行识别，包括以下步骤：
步骤一：分区数据预处理与分析：获取项目区土地利用数据、地形数据、地址灾害监测数据、石漠化数据、土壤侵蚀数据、归一化植被指数、教育和医疗设施点数据、交通路网数据和人口统计数据；提取土地利用数据中的乡村聚落地块图斑作为基本单元，将乡村聚落规模和乡村人口规模等基础数据关联到项目区相关行政单元属性。
步骤二：脆弱性空间分布特征识别：
(1)基于VSD模型从暴露度、敏感性、适应性3个维度涵盖自然环境特征、社会发展水平等15个因素指标构建乡村聚落用地空间脆弱性基本组织框架与评价指标体系。
暴露度反映系统受外界压力或胁迫的不利程度。本发明将暴露度指标分解为自然压力和人为干扰两个要素，自然压力主要是岩溶山区乡村聚落受到的典型自然灾害影响，选取石漠化强度、土壤侵蚀强度、地址灾害指数三个指标来解释；人为干扰主要是其受到人类社会及其活动的影响，选取农村人口数量、1km范围内耕地面积两个指标来解释。
敏感性由暴露的类型和系统特征决定，是系统易受到压力或胁迫的响应程度。本发明从乡村聚落村民角度出发兼顾其生产、生活、生态功能，将敏感性剖析为气候条件、地形条件和生态状况三个要素，分别用年平均降水量和年平均日照时数、坡度和地形起伏度、植被覆盖度和植被净初级生产力来解释。
适应性反映系统能够处理、适应外界胁迫和干扰造成后果的能力。本发明将适应性指标分解为社会支撑和自我调节两个要素，通过判断岩溶山区乡村聚落的社会保护干预和自然状态是否足以降低负面影响进行指标的选取，分别用教育可达性和医疗可达性、水源点可达性和据最近道路距离来解释。
采用加权数学运算进行脆弱性综合指数的集成，为了消除评价指标间的复杂多样性和量纲差异以进行综合运算，需要对正负评价指标采用极差标准化方法进行标准化处理，计算公式为：
正向指标：
负向指标：
评价指标权重的确定则是基于AHP和熵权法计算组合权重，计算公式为：
岩溶山地乡村聚落用地空间脆弱性指数识别模型如下：
V＝E+S+A
Xi代表第i项指标的标准化数值，max(xi)代表第i项指标中的最大值，min(xi)代表第i项指标中的最小值，Wi代表指标的组合权重，Wi′代表指标的主观权重，Wi″代表指标的客观权重，V代表脆弱性指数数据，E代表暴露度指数数据，S代表敏感性指数数据，A代表适应性指数数据，n为指标数量，Wi代表对应指标的权重值，ei代表暴露度指标的标准化值，si代表敏感性指标的标准化值，ai代表适应性指标的标准化值；。
(2)采取自然断点分级法将脆弱性、暴露度、敏感性和适应性指数由低到高分为低、较低、中等、较高、高共5个等级。具体效果见图2。项目区脆弱性主要集中在较低、低和中等脆弱三个等级，高和较高脆弱性区域是高海拔的山区，喀斯特地貌分布广泛，自然条件较恶劣是导致高脆弱性主要诱因；其余高和较高脆弱性大体在中部至北部随着地势缓和呈轴带状分布；中部地区则以中等和较低脆弱性为主，也存在较高脆弱性零星分布，人为开发建设影响是导致该区域脆弱的主要原因之一。项目区大部分乡村聚落用地空间的适应能力处于偏高水平，中部地区具有较低暴露、高敏感的系统环境；东北部地区具有较高暴露、较低敏感的系统环境；西部地区乡村聚落处于较高暴露、高敏感的系统环境，脆弱性水平相较于其他地区较高。
步骤三：脆弱性空间自相关特征识别：采用全局自相关模型并通过计算Moran's I指数和绘制散点图判断项目区乡村聚落用地空间脆弱性整体分布是否有聚集性，探讨暴露度、敏感性和适应性之间的空间相关性。具体效果见图3。
(1)全局自相关
采用全局自相关模型对项目区乡村聚落用地空间脆弱性空间整体分布情况进一步分析，判断其在空间上是否具有聚集性。常用的检验统计量为Global Moran's I指数。
Moran's I为Global Moran's I指数，其值在-1到1间，大于0为正相关，小于0为负相关，等于0为不相关；xi、xj分别为空间对象i、j的乡村聚落脆弱性指数，Wij为空间权重，采用邻接标准定义，即当i和j邻接时，Wij＝1，否则Wij＝0；n为空间对象数；代表指标的组合权重，代表乡村聚落脆弱性指数的样本平均值；
(2)双变量空间自相关
为刻画多变量间的相关空间分布特征，运用Anselin引入的双变量空间自相关分析，探讨暴露度、敏感性和适应性之间的空间相关性。
式中，Wij为空间对象权重；是空间对象i的属性y值；/>是空间对象j的属性z值；分别为属性y、z的平均值；/>分别为属性y、z的方差；n为空间对象数目；y为暴露度指数或敏感性指数，z为敏感性指数和适应性指数；
项目区乡村聚落用地空间脆弱性Moran's I指数为0.324，P值为0.001，通过0.01水平的显著性检验，Z值为82.942，表明项目区乡村聚落脆弱性存在显著的空间正相关关系，表现出空间集聚特征，即高脆弱性地区其周围区域的脆弱性也高，具有连片特征，反之亦然。项目区乡村聚落处于高暴露、高敏感地区在一定程度上适应能力较低，导致系统的脆弱性较高，这些区域需要建立预防和应对保护的长效机制来增强乡村人地系统稳定性。
步骤四：脆弱性影响因素作用识别：以乡村聚落用地空间脆弱性为因变量，15项指标为自变量，利用地理探测器模型中因子探测和交互探测部分剖析项目区乡村聚落用地空间脆弱性的主要影响因素及因子间相互作用的解释力。
(1)因子探测
因子探测式是用定量化的方法分析各个影响因子对乡村聚落脆弱性的解释程度，用q值度量，公式如下：
式中，N为乡村聚落脆弱性；σ为乡村聚落脆弱性方差；将研究区域分为L层；用h＝1,2,…,L表示，则Nh和分别为j层项目区乡村聚落脆弱性和方差；q值为影响因子对乡村聚落脆弱性的解释力，值在0到1之间，q值越接近1则解释力越强，反之则越弱。
由表1可知，各指标要素对岩溶山地乡村聚落用地空间脆弱性的解释力呈一致性与差异性。一致性表现为多数因子解释力在0.1以内，因子解释力大于0.3的只有两个，说明各因子在脆弱性发展过程中都具有一定作用；差异性表现为各影响因子的解释力不同，q值统计量最大的为0.5189，最小的为0.0003，说明各因子在脆弱性发展中所起的作用不同。其中，表1为因子间的相互作用；
表1
石漠化是诱发乡村聚落用地空间脆弱性的先导因素和土壤侵蚀成为两大主导因素，诱发了乡村聚落脆弱性，坡度、平均降雨量和平均日照时数是影响脆弱性空间分异的重要因子；降水和日照等气候因素主要是通过对农业生产活动和对居民生活的影响来间接决定乡村聚落敏感性的高低；意味着暴露度是导致岩溶山区乡村聚落用地空间脆弱性的基础性因素，在自然和人为扰动中，加上自身敏感性和适应能力欠缺而导致系统脆弱性。
(2)交互探测
交互探测旨在识别因子间的相互作用，即某两个影响因子X1和X2共同作用是对岩溶山地乡村聚落脆弱性的解释程度是增强还是减弱，或者这两个影响因子的影响是相互独立的。具体见表2，其中，表2为影响因子的共同作用对乡村聚落脆弱性的解释力；
表2
运用“交互探测器”模块识别各因子间的共同作用对乡村聚落脆弱性的解释力，结果如图4所示，因子间交互作用表现为双因子增强(40％)和非线性增强(60％)两种类型，均大于单因子解释力，这说明岩溶山地乡村聚落用地空间脆弱性产生的内在原因是其敏感性，外在原因是其适应性，两者在一定范围内存在乘数效应；同时各影响因素交互后因子间解释力存在明显增强，证明岩溶山地乡村聚落用地空间脆弱性的产生是自然、人为、社会等要素相互作用的结果。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种岩溶山地乡村聚落用地空间脆弱性识别方法，其特征在于，包括：
获取岩溶山地乡村聚落的分区数据，对所述分区数据进行预处理，基于预处理后的分区数据构建VSD模型，基于所述VSD模型构建空间脆弱性评价指标体系；通过地理探测器模型和全局自相关模型并结合自然断点分级法对所述空间脆弱性评价指标体系进行分析识别，得到岩溶山地乡村聚落用地的空间脆弱性空间分析识别结果，基于所述空间脆弱性空间分析识别结果得到岩溶山地乡村聚落的脆弱性空间分布特征及其影响因素的相互作用机理。
2.根据权利要求1所述的一种岩溶山地乡村聚落用地空间脆弱性识别方法，其特征在于，
所述分区数据包括：项目区的土地利用数据、地形数据、地址灾害监测数据、石漠化数据、土壤侵蚀数据、归一化植被指数、教育和医疗设施点数据、交通路网数据和人口统计数据。
3.根据权利要求1所述的一种岩溶山地乡村聚落用地空间脆弱性识别方法，其特征在于，
构建所述空间脆弱性评价指标体系的过程包括：
获取指标维度数据，基于所述指标维度数据和所述VSD模型进行得到所述空间脆弱性评价指标体系。
4.根据权利要求3所述的一种岩溶山地乡村聚落用地空间脆弱性识别方法，其特征在于，
所述指标维度数据包括：暴露度数据、敏感性数据和适应性数据；
其中，所述暴露度数据包括：石漠化强度、土壤侵蚀强度、地址灾害指数、农村人口数量和1km范围内耕地面积；
所述敏感性数据包括：年平均降水量、年平均日照时数、坡度、地形起伏度、植被覆盖度和植被净初级生产力；
所述适应性数据包括：教育可达性、医疗可达性、水源点可达性和据最近道路距离。
5.根据权利要求1所述的一种岩溶山地乡村聚落用地空间脆弱性识别方法，其特征在于，
所述空间分析识别结果包括：空间脆弱性空间分布特征数据、脆弱性空间自相关特征数据、乡村聚落用地空间脆弱性的主要影响因素和及其影响因素的相互作用机理。
6.根据权利要求5所述的一种岩溶山地乡村聚落用地空间脆弱性识别方法，其特征在于，
获取所述空间脆弱性空间分布特征的过程包括：
通过加权数学运算法和极差标准化方法对所述指标维度数据中的指标数据进行集成和标准化处理，得到指标标准化数值；基于AHP和熵权法对所述指标标准化数值进行加权，得到指标权重数据；基于所述指标权重数据获取脆弱性指数数据；
其中，获取所述脆弱性指数数据的计算公式为：
正向指标：
负向指标：
V＝E+S+A
式中，Xi代表第i项指标的标准化数值，max(xi)代表第i项指标中的最大值，min(xi)代表第i项指标中的最小值，Wi代表指标的组合权重，Wi′代表指标的主观权重，Wi″代表指标的客观权重，V代表脆弱性指数数据，E代表暴露度指数数据，S代表敏感性指数数据，A代表适应性指数数据，n为指标数量，Wi代表对应指标的权重值，ei代表暴露度指标的标准化值，si代表敏感性指标的标准化值，ai代表适应性指标的标准化值；
通过自然断点分级法对所述脆弱性指数数据、暴露度指数数据、敏感性指数数据和适应性指数数据分别由低到高进行分类，分类完成后进行分析，得到乡村聚落用地的空间脆弱性空间分布特征数据。
7.根据权利要求5所述的一种岩溶山地乡村聚落用地空间脆弱性识别方法，其特征在于，
获取所述脆弱性空间自相关特征数据的过程包括：
通过全局自相关模型获取乡村聚落用地空间脆弱性整体分布的聚集性数据：
式中，Moran's I为Global Moran's I指数，其值在-1到1间，大于0为正相关，小于0为负相关，等于0为不相关；xi、xj分别为空间对象i、j的乡村聚落脆弱性指数，Wij为空间权重，采用邻接标准定义，即当i和j邻接时，Wij＝1，否则Wij＝0；n为空间对象数，Wi代表指标的组合权重，代表乡村聚落脆弱性指数的样本平均值；
通过双变量空间自相关分析法对所述暴露度数据、敏感性数据和所述适应性数据进行分析，得到所述脆弱性空间自相关特征数据；
其中，获取所述脆弱性空间自相关特征数据的计算公式为：
式中，Wij为空间对象权重；是空间对象i的属性y值；/>是空间对象j的属性z值；分别为属性y、z的平均值；/>分别为属性y、z的方差；n为空间对象数目；y为暴露度指数或敏感性指数，z为敏感性指数和适应性指数。
8.根据权利要求5所述的一种岩溶山地乡村聚落用地空间脆弱性识别方法，其特征在于，
获取所述乡村聚落用地空间脆弱性的主要影响因素的过程包括：
以脆弱性指数数据为因变量，指标数据为自变量，利用地理探测器模型中因子探测分析所述指标数据对乡村聚落脆弱性的解释程度，得到所述乡村聚落用地空间脆弱性的主要影响因素；
其中，获取所述乡村聚落用地空间脆弱性的主要影响因素的计算公式为：
式中，N为乡村聚落脆弱性，σ为乡村聚落脆弱性方差，将研究区域分为L层，用h＝1,2,…,L表示，则Nh和分别为j层项目区乡村聚落脆弱性和方差，q值为影响因子对乡村聚落脆弱性的解释力，值在0到1之间，q值越接近1则解释力越强，反之则越弱。
9.根据权利要求8所述的一种岩溶山地乡村聚落用地空间脆弱性识别方法，其特征在于，
获取影响因素的相互作用机理的过程包括：
利用地理探测器模型中交互探测分析所述脆弱性指数数据中影响因素间的相互作用，得到所述影响因素的相互作用机理，包括任意两影响因素共同作用对岩溶山地乡村聚落脆弱性的解释程度以及两个影响因素的影响是否相互独立的判断数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310854244.5A CN116882625A (zh) | 2023-07-12 | 2023-07-12 | 一种岩溶山地乡村聚落用地空间脆弱性识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310854244.5A CN116882625A (zh) | 2023-07-12 | 2023-07-12 | 一种岩溶山地乡村聚落用地空间脆弱性识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116882625A true CN116882625A (zh) | 2023-10-13 |
Family
ID=88254422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310854244.5A Pending CN116882625A (zh) | 2023-07-12 | 2023-07-12 | 一种岩溶山地乡村聚落用地空间脆弱性识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116882625A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408566A (zh) * | 2023-11-09 | 2024-01-16 | 广东工业大学 | 一种基于熵权法的地区发展评价方法、系统及装置 |
| CN117522652A (zh) * | 2023-12-11 | 2024-02-06 | 云南大学 | 人居环境脆弱性评价方法、系统、智能终端及存储介质 |
| CN117522652B (zh) * | 2023-12-11 | 2024-05-31 | 云南大学 | 人居环境脆弱性评价方法、系统、智能终端及存储介质 |
-
2023
- 2023-07-12 CN CN202310854244.5A patent/CN116882625A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408566A (zh) * | 2023-11-09 | 2024-01-16 | 广东工业大学 | 一种基于熵权法的地区发展评价方法、系统及装置 |
| CN117522652A (zh) * | 2023-12-11 | 2024-02-06 | 云南大学 | 人居环境脆弱性评价方法、系统、智能终端及存储介质 |
| CN117522652B (zh) * | 2023-12-11 | 2024-05-31 | 云南大学 | 人居环境脆弱性评价方法、系统、智能终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | Identifying and evaluating poverty using multisource remote sensing and point of interest (POI) data: A case study of Chongqing, China | |
| Zhu et al. | Flood disaster risk assessment based on random forest algorithm | |
| Wang et al. | A non-stationary standardized streamflow index for hydrological drought using climate and human-induced indices as covariates | |
| CN113642849B (zh) | 考虑空间分布特征的地质灾害危险性综合评价方法及装置 | |
| Berhan et al. | Using satellite images for drought monitoring: a knowledge discovery approach | |
| CN105740642B (zh) | 基于多源遥感数据的modis卫星火点准确性判别方法 | |
| Brocca et al. | Application of a model-based rainfall-runoff database as efficient tool for flood risk management | |
| Nejadrekabi et al. | Spatial statistics techniques for SPEI and NDVI drought indices: a case study of Khuzestan Province | |
| Mansouri Daneshvar et al. | Assessment of drought hazard impact on wheat cultivation using standardized precipitation index in Iran | |
| Abuzar et al. | Drought risk assessment in the Khushab region of Pakistan using satellite remote sensing and geospatial methods | |
| CN116882625A (zh) | 一种岩溶山地乡村聚落用地空间脆弱性识别方法 | |
| Fathian et al. | Temporal trends in precipitation using spatial techniques in GIS over Urmia Lake Basin, Iran | |
| Jalayer et al. | Assessment of spatiotemporal characteristic of droughts using in situ and remote sensing-based drought indices | |
| Myint et al. | Examining lacunarity approaches in comparison with fractal and spatial autocorrelation techniques for urban mapping | |
| Song et al. | Spatial non-stationary characteristics between grass yield and its influencing factors in the Ningxia temperate grasslands based on a mixed geographically weighted regression model | |
| Jarvis et al. | Applying econometric techniques to hydrological problems in a large basin: Quantifying the rainfall–discharge relationship in the Burdekin, Queensland, Australia | |
| CN113902259A (zh) | 湿雪崩灾害风险评估方法及装置 | |
| CN115239156B (zh) | 一种城镇化指标对水系结构的影响警示方法和装置 | |
| CN115203643A (zh) | 融合水文与生态要素的水源涵养功能定量诊断方法及系统 | |
| CN113340898B (zh) | 一种叶面积指数时空变化特征研究方法 | |
| CN114997730A (zh) | 一种基于多维特征的城乡规划设计区域数据智能监测分析评价系统 | |
| Zhu et al. | A Long-Term Analysis of Spatiotemporal Change and Driving Factors on Poyang Lake during 1987-2019. | |
| Massoudi et al. | Spatial analysis of drought severity, duration and frequency using different drought indices (Case study: Fars Province, Iran) | |
| Sun et al. | Comparison and evaluation of remote sensing indices for agricultural drought monitoring over Kazakhstan | |
| CN113112147A (zh) | 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |