别再只盯着GDP了！用Python+GIS手把手教你计算城市土地利用强度指数（附代码与数据）

PythonGIS实战城市土地利用强度指数计算全流程指南城市规划师和地理信息分析师们常常需要量化评估人类活动对土地资源的干扰程度。传统GDP指标无法全面反映这种影响而土地利用强度指数LUI则提供了更科学的评估工具。本文将带您从零开始用Python和GIS工具构建完整的LUI计算流程。1. 理解土地利用强度指数土地利用强度指数Land Use Intensity Index, LUI是衡量特定区域内人类活动对土地干扰程度的量化指标。它综合考虑了不同土地类型的自然属性和人类利用方式通过加权计算得出综合评分。核心公式LUI Σ(Ci × (Ai/A)) × 100其中Ci第i类土地类型的强度赋值Ai第i类土地类型的面积A区域总面积不同研究对Ci的赋值标准各异常见的有土地类型研究[1]赋值研究[2]赋值研究[4]赋值建设用地7510耕地5-647林地32-水域13-未利用地610提示赋值选择应基于研究区域特征长三角地区水域开发强度较高赋值可能高于内陆地区2. 数据准备与预处理计算LUI需要两类核心数据土地利用分类数据和赋值标准。以下是获取和处理这些数据的具体方法。2.1 获取土地利用数据推荐数据源遥感影像解译Landsat/Sentinel公开土地利用数据集如GlobeLand30地方规划部门提供的分类数据使用Python处理遥感数据import rasterio import geopandas as gpd # 读取土地利用分类栅格数据 with rasterio.open(land_use.tif) as src: land_use src.read(1) profile src.profile # 读取研究区域边界 boundary gpd.read_file(study_area.shp)2.2 数据清洗与标准化常见问题及解决方案问题1不同数据源分类体系不一致解决方案建立映射关系表统一分类问题2数据分辨率不一致解决方案使用GDAL进行重采样# 分类体系转换示例 classification_map { 1: 建设用地, 2: 耕地, 3: 林地, # ... } land_use_mapped np.vectorize(classification_map.get)(land_use)3. 核心计算流程实现本节将分步实现LUI计算的核心逻辑并提供完整的Python代码示例。3.1 计算各类土地面积比例import numpy as np import pandas as pd def calculate_area_proportions(land_use_array, classes): 计算各类土地面积占比 total_pixels land_use_array.size proportions {} for cls in classes: mask (land_use_array cls) proportions[cls] np.sum(mask) / total_pixels return pd.Series(proportions)3.2 配置强度赋值标准建议将赋值标准存储在CSV或JSON中便于修改land_type,value 建设用地,7 耕地,5 林地,3 水域,1 未利用地,6读取赋值配置weights pd.read_csv(weights.csv, index_colland_type)[value].to_dict()3.3 综合计算LUI指数def calculate_lui(proportions, weights): 计算土地利用强度指数 lui 0 for land_type, prop in proportions.items(): if land_type in weights: lui weights[land_type] * prop return lui * 1004. 结果可视化与分析计算结果需要直观展示才能发挥价值以下是几种有效的可视化方法。4.1 空间分布可视化使用Folium创建交互式地图import folium def plot_lui_spatial(lui_results, boundary): 绘制LUI空间分布图 m folium.Map(location[boundary.centroid.y, boundary.centroid.x], zoom_start11) folium.Choropleth( geo_databoundary, datalui_results, columns[id, lui], key_onfeature.properties.id, fill_colorYlOrRd, legend_name土地利用强度指数 ).add_to(m) return m4.2 时间序列分析对于多期数据可以分析LUI变化趋势import matplotlib.pyplot as plt def plot_lui_trend(lui_series): 绘制LUI时间变化曲线 plt.figure(figsize(10, 6)) lui_series.plot(markero) plt.title(土地利用强度指数变化趋势) plt.ylabel(LUI指数) plt.grid(True) plt.show()4.3 敏感性分析评估赋值标准对结果的影响def sensitivity_analysis(base_weights, variations): 赋值标准敏感性分析 results [] for name, weights in variations.items(): lui calculate_lui(proportions, weights) results.append({方案: name, LUI: lui}) return pd.DataFrame(results)5. 实际应用中的关键问题在真实项目中应用LUI指数时有几个常见挑战需要特别注意。5.1 赋值标准的选择不同研究采用的赋值标准可能差异很大建议参考研究区域已有文献考虑当地土地利用特点进行敏感性测试示例测试方案方案建设用地耕地林地水域未利用地保守53110适中75316激进1072305.2 数据精度影响数据分辨率会显著影响计算结果分辨率优点缺点高(1m)精度高数据量大处理慢中(30m)平衡性好可能丢失细节低(250m)处理快精度不足5.3 结果验证方法验证LUI结果合理性的几种方法与GDP、人口密度等社会经济数据进行相关性分析实地考察高/低值区域验证对比历史变化趋势与已知发展情况# 相关性分析示例 def check_correlation(lui_results, socio_data): merged pd.merge(lui_results, socio_data, onregion_id) return merged[[lui, gdp, population]].corr()6. 完整案例长三角某城市LUI分析让我们通过一个实际案例演示完整的工作流程。6.1 数据准备获取2020年GlobeLand30数据包含10类土地利用类型。研究区域为某地级市全域。# 加载数据 land_use gpd.read_file(city_landuse_2020.shp) boundary gpd.read_file(city_boundary.shp) # 统一坐标系 land_use land_use.to_crs(boundary.crs)6.2 计算实施采用适中赋值方案weights { 建设用地: 7, 工业用地: 8, 耕地: 5, 园地: 4, 林地: 3, 草地: 2, 水域: 3, 湿地: 2, 未利用地: 6 } # 按行政区计算 results [] for district in boundary[name].unique(): district_area boundary[boundary[name] district] land_use_district gpd.clip(land_use, district_area) # 计算面积比例 area_by_type land_use_district.groupby(type)[geometry].area.sum() total_area area_by_type.sum() proportions area_by_type / total_area # 计算LUI lui calculate_lui(proportions, weights) results.append({district: district, lui: lui})6.3 结果解读最终计算结果展示行政区LUI指数排名A区68.21B区54.73C区62.12D区42.35E区48.64分析发现A区作为主城区LUI最高D区以农业为主开发强度最低C区虽非中心区但工业园区集中导致LUI较高7. 扩展应用与进阶技巧掌握了基础计算后可以进一步扩展分析方法。7.1 网格化精细分析将研究区域划分为规则网格计算每个网格的LUIimport geopandas as gpd from shapely.geometry import Polygon def create_grid(boundary, cell_size): 创建分析网格 xmin, ymin, xmax, ymax boundary.total_bounds rows int(np.ceil((ymax-ymin) / cell_size)) cols int(np.ceil((xmax-xmin) / cell_size)) grid [] for x in range(cols): for y in range(rows): polygon Polygon([ (xmin x*cell_size, ymin y*cell_size), (xmin (x1)*cell_size, ymin y*cell_size), (xmin (x1)*cell_size, ymin (y1)*cell_size), (xmin x*cell_size, ymin (y1)*cell_size) ]) if boundary.intersects(polygon): grid.append(polygon) return gpd.GeoDataFrame(geometrygrid, crsboundary.crs)7.2 动态变化监测对比多期数据计算LUI变化def detect_lui_change(lui_t1, lui_t2, threshold0.1): 检测LUI显著变化区域 change lui_t2 - lui_t1 significant np.abs(change) threshold return change, significant7.3 与其他指标集成分析将LUI与生态环境指标结合def analyze_eco_impact(lui, ndvi, temperature): 分析LUI与生态指标关系 df pd.DataFrame({ LUI: lui, NDVI: ndvi, Temperature: temperature }) return df.corr(), df.describe()在实际项目中我们发现网格大小对结果有显著影响。1km网格能较好平衡计算效率和空间细节特别适合城市内部差异分析。而县域尺度分析可能更适合使用5km网格。