共查询到19条相似文献,搜索用时 78 毫秒
1.
针对湖南省国家级传统村落空间格局的研究较少.为保护和发展传统村落,该文以湖南省658个中国传统村落为研究对象,综合运用最邻近指数、变异系数、地理集中指数、不平衡指数、网格维数、核密度估计和全局莫兰指数等空间分析和计量地理学方法,对湖南省传统村落的空间格局及其影响因素进行研究.结果表明:湖南省传统村落呈集聚型分布,空间分布不均衡,空间差异较大,主要集中在湘西、怀化、郴州、永州、邵阳等5个市州;传统村落分形特征明显,且分形特征较为复杂,在自组织演化过程中呈现出多中心集聚特征;传统村落的高密度集聚区主要分布于3个片区:武陵山区、雪峰山区和湘南山区;传统村落空间分布全局莫兰指数为0.575,存在显著的空间正相关性;湖南省传统村落空间格局主要受到地形地貌、河流水系、气候条件等自然因素的影响,同时与社会经济、交通条件和中心城市等人文因素密切相关. 相似文献
2.
为助推抚州市传统村落集中连片保护利用示范工作的开展,该文运用ArcGIS空间分析工具和统计分析方法,研究了抚州市96个中国传统村落的空间分布格局及历史演变过程,探讨了影响抚州市传统村落时空分布的影响因素.研究结果表明:抚州市传统村落呈凝聚型分布,主要集中在金溪县,空间分布极不均衡,总体呈现"小范围聚集""大范围散乱"的空间分布格局;抚州市传统村落主要形成于宋代,随着朝代更替,传统村落数量不断增加并以金溪县为中心聚集,总体表现为"西南-东北"聚集的空间分布方向特征.自然因素和社会经济因素共同影响着抚州市传统村落的时空分布,自然因素影响着传统村落建村的选址,社会经济因素影响着传统村落的保护和开发. 相似文献
3.
金赛计会凤孙美茹高更和 《测绘与空间地理信息》2023,(8):59-62
充分利用POI(Point of Interest)、OSM(Open Stree Map)、人口密度1 km分辨率数据、土地利用10 m分辨率数据等地理空间大数据,以信阳市自然村落为研究对象,应用核密度分析、Moran′s I、Getis-OrdGi*等方法对信阳市自然村落空间分布进行数据分析,结果表明:信阳市自然村落在各个县域的数量分布上不均衡,呈现出“东高西低”的分布特征,且信阳市自然村落空间分布呈集聚状态。信阳市自然村落空间分布在一定区域范围内与水源、道路、人口、乡镇有较强的相关性,而与坡度未呈现明显相关性。 相似文献
4.
针对传统村落地名文化景观的空间分布问题,该文以湖南省5批共658个中国传统村落为例,借助ArcGIS10.2平台,综合应用核密度估计、局部空间自相关、最邻近点指数等方法,描述了传统村落地名文化景观的空间特征,并分析了影响因素。结果显示,湖南传统村落地名文化景观的空间分布呈不均衡状态,热点地区在省域西部与南部。自然景观类地名多于人文景观类地名,以水文类地名、地形地貌类地名居多,地形地貌类地名凝聚在地势高峻的山区,水文类地名大多数分布于沅江和湘江流域;人文景观类地名同区域经济社会环境、历史文化环境关系紧密,其中,姓氏命名类地名反映了人口的分布与迁移,建筑园林类和美好寓意类地名是当地民俗、建筑、信仰等文化特征的反映。 相似文献
5.
针对多路径误差的空间分布特征,该文提出采用克里金插值法构建多路径误差的空间插值模型。通过采用ArcGIS中克里金插值工具构建的多路径误差的空间插值模型,较好地展现出多路径误差与测站位置、反射源距离等因素的空间分布特征。实验结果表明:对比泛克里金插值法、普通克里金插值法、简单克里金插值法3种方法构建的多路径误差插值模型,普通克里金插值法的效果最好。研究成果直观反映出在林区、多层建筑物等环境下多路径误差影响较大,还预测出未采样区域的多路径误差影响范围,该研究成果可应用于GPS观测站选址、GPS测量技术设计等领域。该文从空间分布特征的角度提出了一种新的研究多路径误差特性的思路,实现了对指定测区内的多路径误差的空间分布特征的探究。 相似文献
6.
7.
城市房价空间分布及其影响因素分析 总被引:1,自引:0,他引:1
针对城市房价的空间分布规律及其影响因素的研究,该文提出了以南昌市青山湖区房价为研究对象,基于相关理论,搜集整理了2015年07月到10月南昌市青山湖区155个楼盘的均价,利用市场比较法把房价修正到2015年10月份节点上,估算出了155个楼盘点的价格,以GIS技术为研究平台,运用普通克里格插值方法,得到了青山湖区房价的等值线图,根据等值线图得到其空间分布情况,从可达性视角出发,采用结构方程模型构建了青山湖区房价影响因素分析框架,运用SPSS分析出各自变量和因变量之间的关系,即定量分析出了各影响因素对房价格产生的影响程度。 相似文献
8.
文物保护单位是重要的文化遗产资源,研究其时空分布特征及成因有助于了解其历史演化过程,对其采取针对性的保护与开发措施。文章利用ArcGIS软件,通过最邻近指数、核密度估算、缓冲区分析等方法,对不同历史时期成都市文保单位的时空分布特征及影响因素进行分析。结果表明:(1)成都市文保单位历时长,集中分布于明至清和民国至今时期,各时期的主体文物类型经历了“古遗址—石窟寺及石刻—古建筑—近现代重要史迹及代表性建筑”的变化历程。(2)成都市文保单位的空间聚集度高,除史前至先秦时期为均匀分布外,秦至隋、唐至宋元、明至清、民国至今4个时期均为聚集分布,聚集核心区多位于当今成都市中心城区一圈层。(3)成都市文保单位的时间分布特征受经济发展、人口迁移影响,空间分布特征与地形、河流和城址位置密切相关,所有因素中城址位置最为关键。 相似文献
9.
为了研究徐州村落地名中蕴含的丰富社会历史文化,该文利用数理统计和GIS核密度技术分析自然地理、人文地理类地名空间分布特征及成因,探讨地理环境对聚落选址的影响,同时展现了徐州人民丰富多彩的生产活动.研究发现:徐州地区自然景观类地名,主要包括山文、水文地名,大都依山而生,沿水分布,与境内复杂的地形和河网分布状况基本一致;人文景观类地名主要划分为姓氏、经济活动、建筑工程、军事、愿望几类,其空间分布特征与当地的氏族聚落、人口迁移、生产生活、社会变迁情况基本符合.通过地名中的文化景观,揭示了 自然地理环境的变迁和人类认识大自然的过程,有利于挖掘徐州村落地名中所蕴含的民族、历史和社会文化. 相似文献
10.
根据南京市1998年的出让地价资料,在Access中建立地价样点数据库,并同MapInfo间建立链接,在Map Info中得出住宅地价和商业地价等值线图,分析南京市区地价变化同主要区位因子的关系,在统计学软件SPSS中得出相关模型,并对结果进行解释。 相似文献
11.
PM2.5导致大气能见度下降,造成雾霾天气.本文基于2016年四川省89个空气质量监测站的PM2.5数据,对2016年四川省PM2.5浓度时空分布特征进行研究分析.结果表明,2016年四川省PM2.5浓度空间分布呈现出西北部PM2.5浓度较低、空气质量较好,东南部PM2.5浓度较高、空气质量较差的趋势;时间分布呈现夏季PM2.5浓度较低、空气质量较好,冬季PM2.5浓度较高、空气质量较差的趋势,从而得出四川省PM2.5浓度时间和空间分布规律及分布图. 相似文献
12.
基于2010年《山东统计年鉴》和全国第六次人口普查数据,本文以县域为研究单元,通过空间自相关分析人口的空间分布模式,运用因子分析和Pearson相关分析探究人口空间分布模式的影响因素。研究结果表明:山东省人口分布呈现"东北-西南"的空间分布模式,人口空间分布整体上呈现显著的空间集聚,主要集中在青岛市的中心城区;经济增长因素和地形条件是山东省人口空间分布模式形成的主要推动力。 相似文献
13.
区域经济发展水平具有尺度特征,从县域尺度分析陕西省经济发展水平有助于得出更精细的结果,并为地方政府部门规划与合理制定政策提供理论支持。本文采用2009—2015年陕西省经济发展各项数据,结合高程、坡度、道路、铁路等数据信息,利用GIS空间分析和空间计量经济学的方法,研究了陕西经济发展水平空间差异、时空格局演化,以及影响因素。研究表明:1)陕西省县域经济发展水平空间差异明显,空间集聚特征显著,陕北和关中地区,尤其是神木县与西安市辖区,一直处在陕西省县域经济发展水平前列,而陕南地区经济发展水平则相对较低; 2)影响陕西经济发展水平的主要因素为地方财政收入、法人单位从业占比、人口城市化率; 3)各影响因素间存在交互效应,它们的交互项对经济发展水平的影响体现为因素间互相增强或非线性加强。 相似文献
14.
面对日益严峻的气候变化形势,开展区域社会脆弱性的研究有利于更好地应对极端气候事件及相关灾害。为研究长江中下游地区社会脆弱性的空间分布及其社会经济文化驱动因素,参考So VI模型的指标体系选取36个指标对我国长江中下游的65个研究单元进行评价,采用因子分析法得到社会脆弱性的7个主要影响因子,据此得到最终的社会脆弱性指数及其分布。结果表明:长江中下游各地社会脆弱性差异明显,总体上呈现西高东低的态势。 相似文献
15.
利用数理统计和地理信息空间分析方法,从定量和定性两方面探讨四川省221个A级旅游景区的空间分布结构,分析其空间分布规律。结果表明:四川省A级旅游景区的空间分布类型属于集聚型,且区域间差异较大,空间分布均匀度较低,不均衡性显著;四川省A级旅游景区规模等级结构表现为中间大两头小的纺锤形结构,中端的市场供给占据上风;四川省A级旅游景区空间分布受地理区位、交通条件、景区地域组合状况和经济发展水平等多种因素综合影响。 相似文献
16.
17.
18.
19.
针对四川省的城镇化进程与城市空间格局,采用了分形理论法,对四川省城镇体系的等级规模结构和空间结构进行了研究。得出了四川省城镇体系总体特征,可对四川省今后的区域规划提供借鉴参考作用。 相似文献