基于不同空间矩阵的空间自相关模型的土地利用驱动力的研究

发布时间：2018-03-21 21:14

  本文选题：空间权重矩阵　切入点：Moran　出处：《山东科技大学》2017年硕士论文　论文类型：学位论文

【摘要】：土地利用/土地利用覆被变化(Land Use and Land Cover Change, LUCC)是全球环境变化的主要原因和重要组成部分,也为人类行为的决策提供着重要的科学决策。在现有的土地利用覆被变化规律的研究中,常规的模型分析方法都是建立在数据自身是呈现正态分布的,是独立的。而空间数据不可能在空间上是独立的,数据之间一定存在一定的空间相关性,所以,空间自相关性分析已经成为人们关注的重点,产生了许多空间自相关的度量参数。在这些参数中,出现最早、应用最广的参数是Moran's Ⅰ (莫兰指数)指数。为更加清楚的解释覆被地类之间的空间关系,各个空间现象之间的邻接关系就需要在研究之前进行定义,空间权重矩阵就是邻接关系的主要表达方式。而当前现有的研究中,大多数研究都是基于同一种空间权重矩阵进行分析的,不同空间权重对空间相关性和空间聚集性的影响还缺少的非常必要的研究。本文中选取山东省为研究区域,将中国科学院资源环境科学数据中心提供的中国土地利用现状图进行提取和分类,利用距离阈值权重、Rook权重和Queen权重这三种空间权重矩阵对山东省土地利用程度和六种不同覆被地类的分布格局的相关性进行研究分析,计算了 6大地类的Moran's Ⅰ指数,并基于不同权重矩阵建立各个地类的空间回归模型。得出以下结论:1.无论哪种矩阵都非常明显的存在空间相关性和聚集性的存在,表明相同的覆被地类具有同质趋向性。并且,空间距离矩阵比空间邻接矩阵更能度量空间分布。2.经典回归模型的残差具有空间自相关性,表明采用自相关模型的必要性。在自相关模型研究中,空间滞后模型具有更好的拟合度和代表性。3.通过模型研究发现不同地类的驱动因子不同,林地的主要驱动因子是淤泥质土壤、DEM、降水和人口密度。耕地的主要驱动因子是年均气温、人口密度、黏土、Silt和X_Y,水域的主要驱动因子是年均降水量、人口密度和黏土;草地的主要驱动因子是年均降水量、DEM、黏土和淤泥;建筑用地的主要驱动因子是大于10度积温、年均气温、DEM、GDP、黏土和淤泥,未利用地的主要驱动因子是10度积温、年均气温、GDP、人口密度、黏土和沙土。
[Abstract]:Land Use and Land Cover change (Lucc) is a major cause and an important component of global environmental change. It also provides an important scientific decision for human behavior decision. In the existing research on the law of land use and cover change, the conventional model analysis method is based on the normal distribution of the data itself. And spatial data can't be independent in space, there must be some spatial correlation between the data, so, spatial autocorrelation analysis has become the focus of attention. Among these parameters, the earliest and most widely used parameter is the Moran's 鈪，

本文编号：1645568