基于GIS空间分析的云南省人口分布时空变化 - 图文

云南师范大学 2014-2015学年 上学期统一考试

《GIS空间分析》期末试卷（非制卷）

专课程任课

班姓学

业 名称 教

师 级 名 号

GIS

GIS空间分析 董铭 2012GIS 曹雨薇 124130302

本科学生设计报告

姓名＿ 曹雨薇＿＿ 学号 124130302 专业 地理信息系统 班级2012级GIS 课程名称 GIS空间分析 指导教师 董 铭

开课学期 2014至2015学年＿上 学期 上课时间 2014 年＿9-12 月

云南师范大学旅游与地理科学学院

1

名称：云南省人口分布的时空变化 小组合作： 是 否 小组成员：无 时间：2014/12/28 1、目的： 1） 对云南省人口分布情况，根据样本点数据选择适用的插值方法（从普通克里金、反距离加权插值中选择） a）数据探索：数据是否为正态分布，数据分布的趋势等； b）空间自相关性探讨：在半变异\\协方差函数中，选择不同的模型，分析其异质性、标准平均值、标准均方根作为依据选择模型； c）生成普通克里金插值预测图 d）生成反距离加权插值图、在此过程中对幂指数进行讨论，确定幂指数的值 e）比较两种插值方法，确定合适的插值方法。 2）对得出的结果图对云南省人口在空间、时间上的分布情况的结果进行分析。 2、数据及使用软件模块： 1）Arcmap下： Editor ArcToolbox ->Data Management Tools ->Projection and Transformations ->Define Projection Joins and Relates Geostatistical Analyst -> Explore Data ->Histogram Geostatistical Analyst -> Explore Data ->Normal QQPlot Geostatistical Analyst -> Explore Data ->Trend Analysis Geostatistical Analyst -> Geostatistical Wizard ArcToolbox ->Spatial Analyst Tools ->Extraction -> Extrct by Mask ArcToolbox ->Spatial Analyst Tools ->Interpolation ->IDW ArcToolbox ->Spatial Analyst Tools ->Map Algebra ->Raster Calculator 2）Microsoft Office->Excel 2

2、数据处理过程： （一） 数据准备及处理： 1.全国人口普查第五次、第六次数据：“云南省人口数据.xls”，所有数据均在Sheet1中。 图1 全国人口普查数据 2.云南省县级shp图，文件名为：”县级_project.shp“ 图2 云南省县级图 3.云南省各县点状图，并设置属性NAME99为县名，文件名”xian.shp” 图3 云南省各县点状图 4.数据完善----把云南省人口普查的数据首先连接（Table of contents xian.shp右键 Joins and Relates Join）到云南省各县点状（xian.shp）中，然后进行相关设置 图4 连接设置 5.数据导出：把与人口数据（云南省人口数据.xls）进行连接好的点状图1

（xian.shp）导出来，以保存连接的字段，导出的图名为：县点.shp。 图5 县点.shp的属性表 （二） 数据探索 1.打开地统计模块，在主菜单栏Customize > Extensions > Geostatistical Analyst 2

图6 打开地统计模块 2.数据分布分析 2.1直方图分析： 2.1.1在属性表里对全国第五次人口普查的云南省各县的人口数量除以各县面积得到各县的平均人口密度，同样的方法得到第六次人口普查数据的各县平均人口密度 图7 各县人口密度 2.1.2 在ArcMap菜单栏右键单击，选择Geostatistical Analyst，打开地统计分析模块，然后在地统计分析模块下选择Explore Data > Histogram 图8 直方图探索 2.1.3 对Histogram对话框进行设置，图层设置为“县点”,属性设置为“5密度” 3

图9 Layer,Attribute设置 2.1.4人口密度分布分析： 由上图可以看出： A） 数据集中在左侧，在右侧中部有明显的离群值 B） 峰度值为37.915，明显高于正态分布值3 C） 人口密度的平均值182.81也大于中位数113.67 D） 偏度系数5.9214大于0，属于高峡峰的正偏态分布，偏度大于0，数据集中于左边，属于正偏度，直方图向右延伸 E） 四分之三减四分之一中位数的值为90左右，极度分散 F） 综上所述，数据不属于正态分布，为使其正态分布，下面将对其进行对数变换 2.1.5 对数据进行正态变换，并分析数据： A）数据趋于正态分布，峰值为7.3319 B）峰度值为7.3319，仍然高于3 C）四分之三中位数减去四分之一中位数等于0.8左右，比起没有变换的有明显改善 D）人口平均值亦与中位数想接近，相差0.4，标准差趋近于0.8 E）与没有变换的相比，经过对数变换的数据更加接近于正态分布，但在左侧和右侧均有断层，偏度大于0，数据在左侧更为集中 图10 左为无变换，右为对数变换 2.1.5 因为数据仍然与正态分布差距较大，所以再尝试下，幂变换，并把幂指数经过试验后设置为-0.11变换后的数据分析如下： 4

A）与之前的峰值7.3319相比，现在为6.7255，较之前更加接近于3, B）偏度为-0.185445，也比之前的0.611312更好； C）四分之三中位数减四分之一中位数相减（3.8902-3.4086）接近于0.5，与0.8相比极值差距更小，分布更均匀 D）标准差也是0.49337比0.83773更接近于0 E）人口密度平均值与中位数相比几乎相等，对数变换相差0.4 F）综上所述，虽然使用幂变换仍然不是正态分布，分析原因是因为云南省人口密度分布极其不均匀，最大值和最小值相差太大，所造成，而对比三种方法（无变换、对数变换、幂变换），使用幂指数为-0.11最为合适，所以本数据采用幂变换，其基本符合正态分布，三种方法的具体数据见图12。 图11 左对数变换右幂变换 Min（最小值） Max（最大值） Mean（平均值） Std.Dev（标准差） Skewness（偏度系数） Kurtosis（峰值） 1-st Quartile（1/4分位数） Median（中位数） 3-rd Quartile（3/4分位数） 无变换 7.9036 2790 182.81 383.53 5.9214 37.915 71.669 113.67 160.32 对数变换前 2.0673 7.9338 4.7018 0.83773 0.61312 7.3319 4.2721 4.7333 5.0722 幂变换后 1.8491 5.2926 3.6485 0.49337 -0.18545 6.7255 3.4086 3.6898 3.8902 表1 变换前后统计值对应表（2000） 2.1.6 用同样的方法经过分析对比后，发现对于2010年（全国人口第六次普查）的云南省人口密度来说，经过幂变换（幂指数为0.11）的样本点更加符合与正态分布，具体数据如下图所示： 5

图12 幂指数变换 Min（最小值） Max（最大值） Mean（平均值） Std.Dev（标准差） Skewness（偏度系数） Kurtosis（峰值） 1-st Quartile（1/4分位数） Median（中位数） 3-rd Quartile（3/4分位数） 无变换 8.6196 2988.6 199.6 422.5 5.8225 36.88 74.465 115.06 177.84 对数变换前 2.154 8.0025 4.7686 0.85119 0.71442 7.0208 4.3103 4.7454 5.1809 幂变换后 1.9179 5.3212 3.6877 0.4948 -0.04184 6.3704 3.4325 3.697 3.9492 表2 变换前后统计值对应表（2010） 2.1.7 2000年与2010年经幂变换后的数据对比分析 2000（幂变换后） Min（最小值） 1.8491 Max（最大值） 5.2926 Mean（平均值） 3.6485 Std.Dev（标准差） 0.49337 Skewness（偏度系数） -0.18545 Kurtosis（峰值） 6.7255 1-st Quartile（1/4分位数） 3.4086 Median（中位数） 3.6898 3-rd Quartile（3/4分位数） 3.8902 表3 2000年与2010年统计值对应表 2010（幂变换后） 1.9179 5.3212 3.6877 0.4948 -0.04184 6.3704 3.4325 3.697 3.9492 由上表可以得出下面两点： A） 最小值、最大值、平均值2010年较2000年都有所提升，说明人口密度在云南省属于上升阶段 B） 峰值、偏度系数都对比正态分布的3与0,2010年比2000年更加符合正态分布，6

所以推断2010年较2000年人口分布极度不均匀的现象有所改善，2010年中平均值与最小值的差距在变小，1/4分位数与3/4分位数的差距也在变小，说明云南省人口分布更加均匀，但改变不大，分布仍然不均匀，只是有所改善。 3.Normal QQPlot，正态QQ图分析：查看样本数据是否符合正态分布，检查离群值 3.1对2000年的人口密度进行正态QQ图分析： 3.1.1当不做变换时，分析结果如图所示：同样设置图层（Layer）为“县点”，属性（Attribute）为“5密度” 可以看出：样本点偏离直线特别多，在左下方和右上方都分别有几个点属于离群点，我们可以得出两点： A） 没有经过变换的样本点数据不属于正态分布 B） 样本点中存在很多离群点，因此，在这里对离群点进行分析，初步推断，是属于云南省中人口密度特别大的点和人口密度特别小的点，在QQ图中选出这些点，这些点会在图层窗口中显示，打开“县点.shp”图层的属性表（见图14），我们可以看到，位于右上方的三个点分别是玉溪、昆明、曲靖，位于左下方的几个点有德钦县、香格里拉县、贡山独龙族自治县、江城哈尼族彝族自治县等，上述的右上角的县都是人们密度特别高的地区，均在2000人/平方公里以上，二左下角几个县的人口密度都在50人/平方公里以下，属于人口特别稀疏县，这样便导致了这些离群值的出现，与推断相符合。 图13 2000年无变换正态QQ图 图14 2000年QQ图离群点属性 7

3.1.2对样本点数据进行变换，按照直方图的结果，对数据进行幂变换，幂指数为-0.11，可以看到，变换后的图样本点基本上是直线分布，数据近似符合正态分布，从样本点的分布来看，存在小值和大值区域和个别离群值 图15 2000年幂变换后正态QQ图 3.2对2010年的人口密度进行正态QQ图分析: 3.2.1用2000年的QQ图分析的方法，当不做变换时，结果如下图所示：可以看出，结果基本是一致的，除了人口密度有小幅度上升以外，离群点的数据，同样是那几个县，跟2000年相比，没有变化，所以此处不再累述 图16 2010年无变换正态QQ图 3.2.2 因为在数据没有变换时，明显可以看出样本点不属于正态分布，且离群点离直线太远，分布极其不均匀，因此按照直方图所得的结论，对2010年人口密度数据进行幂变换，幂指数设定为0.11，结果如图17所示，可以看出，经变换后的数据，基本符合正态分布 8

图17 2010年幂变换正态QQ图 4.趋势分析：空间趋势反映了空间现象在空间区域上变化的主题特征，利用趋势分析工具（Geostatistical Analyst > Explore Data > Trend Analysis）可以将样本点数据转化为以某一属性值（人口密度数据）为高度的3维视图，将样本点数据投影到分别代表东西向和南北向的X轴和Y轴上，依据投影点的拟合线来确定不同方向的趋势，本实验将云南省各县（X,Y，人口密度）为空间坐标，将所有县的（X,Y，人口密度）所有样本点投影到一个东西向（X轴）和南北向（Y轴）的正交平面上，通过投影点做出最佳拟合线，得到三维透视图，并对此图的到以下结论： 4.1对于2000年、2010年的人口密度数据做出的趋势分析，可以看出以下几点： A）2000、2010年的趋势分析中东西方向和南北方向的最佳拟合曲线（绿线、蓝线）并非一条直线，表明云南各县人口密度在特定方向上存在一定空间趋势 B）2000、2010年中都在东西方向上（X轴方向），绿线呈现直线，但朝着X轴方向增高，说明云南各县人口密度东高西低，朝着东部增长 C）2000、2010年中都在南北方向上（Y轴方向）,拟合曲线呈倒U型，说明人口密度的空间分布南北低，中部高。 D）2000、2010年人口密度数据的拟合曲线都是有一定弧度的曲线，因此 图18 趋势分析左2000年，右为2010年 5.方差变异分析：半方差云图是表征空间距离与其属性值之间相关关系的直观表达图。横坐标表示两个行政单元几何中心的距离，纵坐标表示对数人口密度的变异函数值，一般在空间上越接近的点对越具有相似性，距离越远的点对差别越大，点对的整体分布基本符合空间距离愈接近的点对相似性愈强，距离愈远的点对相对性愈弱的特点。 9

图19 2000年半方差云图 图20 2010年半方差云图 从上面两张图我们可以看到，空间上愈接近（半变异图X轴左侧）的点对更具有相似（Y轴下侧）的值；距离愈远（X轴朝右侧方向移动）的方差也更大（朝Y轴上方移动），说明云南省各个县的人口密度存在较强的空间相关性。 （三）函数最优拟合与普通克里金预测图：由以上探索性数据分析可知，全国第五次、第六次人口普查人口密度本身不符合正态分布，但经过幂变换后的新变量基本符合正态分布，两次人口普查的人口密度分布趋势都符合二次函数趋势，且基本符合在空间上愈接近的点对相似性愈强的特点，所以基于普通克里金，分别采用圆模型、球状模型、指数模型、高斯模型、k-bessel和J-bessel模型来进行最优拟合分析。克里金插值法认为任何空间连续性变化的属性是非常不规则的，不能用简单的平滑数学函数进行模拟，但是可以用随机表面给予恰当的描述。当确定空间搜索半径，计算这一空间范围所有样本点的自相关和协方差，在此基础上进一步进行插值预测和标准差分析，从而达到比较客观地进行空间插值的效果 1.打开地统计向导：Geostatistical Analyst > Geostatistical Wizard 2.在数据集Source Dataset选项中选择“县点”，Data Field选择“5密度”，对2000年人口密度进行模型选择，Methods中选择Kriging/CoKriging点击Next 10

图21 数据选择 3.设置数据变换，与剔除趋势选择，如图所示，变换类型选择的是幂变换，然后幂指数是-0.11，趋势剔除是Constant，之所以不为Second即二次函数剔除，是因为经过多次实验发现，二次函数剔除趋势的误差比一次函数剔除趋势的误差更大，推断是由于在做的趋势分析结果中东西方向上是一次函数，是上升直线，而南北方向虽是曲线但曲度很小所交叉影响造成既不适用于一次也不适用于二次，所以此处最终选择趋势剔除方法为Constant 图22 数据设置 4.在Semivariogram/Covariance Modeling中Model#1选项中选择Type，分别选择模型：并得到C0, C的值,如圆模型：块金值为C0，基台值为C+C0，C0/(C+C0)反映了随机部分异质性占空间总异质性变异的比例大小，值越小，表明模型越优；标准均方根预测误差（RMSS）表示标准均方根预测值的误差大小，其值越接近1，表明模型的预测效果越好。用上述六种模型来对人口密度进行拟合，采用C0/(C+C0)和RMSS来进行模型的最优评定 11

图23 圆模型 Mean Standardized Circular(圆模型) 0.1006534 0.3854508 0.2070613666781731 -0.121808075 Spherical（球状0.09895258 0.339379 0.2257482337914143 -0.12466584686 模型） Gaussian（高斯） 0.1404781 0.4086037 0.2558418436014452 -0.08985023143 Exponential（指0.08700262 0.2775325 0.2386673196261584 -0.12890515569 数） J-Bessel 0.1359223 0.21831 0.3812655152972065 -0.09867020754 K-Bessel 0.138193 0.3810881 0.2661236852255936 -0.09389398472 表4 2000年人口密度变异函数模拟结果 C0 C C0/(C0+C) 可以看到，RMSS指标中，高斯模型是最优的，但是它的异质性比例太大，不符合要求，综合考虑这里选择圆模型。同样的方法，用来选择2010年的最优模型，结果如下所示： C0 C C0/(C0+C) RMSS Circular(圆模型) 1.72413 0.8850522 0.660793255449926 1.965237791941 Spherical（球状模1.716015 0.9157289 0.6520448285260583 1.969682339345 型） Gaussian（高斯） 1.850598 0.7977042 0.6987865659742306 1.927894322035 Exponential（指1.614404 1.151526 0.58367493031277 2.01263455503 数） J-Bessel 1.853403 0.7752886 0.7050667335795496 1.92554297032 K-Bessel 1.846034 0.8203064 0.6923474587115734 1.93167950340 表5 2010年人口密度变异函数模拟结果 指数模型相对来说是更好的，所以2010年最优模型选定为指数模型，并且可以看出12

2000年数据与2010年相比，C0/(C0+C)，2000年在0%——25%以内属于空间自相关强烈的区域，在2010年数据中C0/(C0+C)的值在25%——75%范围以内，属于空间自相关中等的区域。 5.预测图生成：在选择了合适的模型后，点击下一步，设置搜索邻域，设置插值范围的类型，选择Standard，样本点数据的外接矩形，是否从变异函数拷贝数据设置为True，其余为默认。点击Next 图24 2000年设置搜索邻域参数 6.交叉验证对话框检验精度：主要看Mean Standardized(标准平均值)是否接近于0，Root-Mean-Square（均方根）是否最小，Average Standard Error（平均标准误差）最接近1，如果符合标准，那么可以点击Finish，此处因为数据原因，平均标准误差偏差较大。 图25 2000年交叉验证 7.出现方法报告，检查是否有误，无误，点击OK 13

图26 2000年方法报告（左）2010年方法报告（右） 8.在核查无误后，点击0K，普通克里金插值表面预测图自动生成，然后选择图层， 选择data > Export to Raster，使得插值结果导出至栅格“2000pre”。 图27 输出栅格设置 图28 2000年普通克里金生成的预测图 14

9.对比趋势分析结果，与趋势分析结果一致： A) 东西方向上，朝着东部递增； B）南北方向上，南北低，中部高，中部人口多 C）与预测结果一致。 10.对2010年数据选择了指数模型后重复步骤5-9，最后结果如图所示： 图29 2010年普通克里格插值预测图 11.对预测图裁剪（ArcToolbox ->Spatial Analyst Tools ->Extraction ->Extract by Mask），得到云南省2000年、2010年人口密度分布预测图，得到2000pre_ext、2010pre_ext，结果如图31所示： 图30 裁剪 15

图31 2000年云南预测图（左），2010年云南预测图（右） 12. 求密度变化：把2010年的人口密度分布预测图减去2000年人口密度分布预测图用栅格计算器（ArcToolbox -> Spatial Analyst Tools ->Map Algebra ->Raster Caltulater），结果如图所示： 图32 密度变化 （三）反距离加权插值图：反距离加权插值法原理是两个物体距离的近，它们的性质就越相似，反之，离得越远则相似性越小，与采样点距离最近的若干个点对未采样点值的贡献最大，其贡献与距离成反比，IDW方法是根据距离衰减规律，对样本点的空间距离加权，当权重等于1时，是线性距离衰减插值，当权重大于1是非线性距离衰减插值，这里会对数据点分别进行2,5幂指数的插值，与真实数据对比，确定权重系数。 1.IDW插值法（Spatial Analyst -> Interpolation -> IDW），对2000年人口密度进行如16

下设置：Z值因子为第五次人口普查密度（5密度），并在环境里设置栅格分析的掩膜为“县级”，即选择云南省边界作为空间分析的掩膜，分别做幂指数为2,5的反距离加权插值法分析 图33 IDW插值法设置 2.插值结果：有下图可以看出：当power等于5相比于power=2时，较远的点对输入的影响更小，其局部影响程度更高，相比于幂指数等于5时，幂指数等于2时对较于的点的影响范围过大，相对于实际的云南省县级人口密度分布图来说，我们可以直接把图34与图35比较， 可以发现，幂指数为2时点对较远距离的范围影响过大，导致插值图与真实值相比有了很大的出入，所以，这里认为，当运用反距离加权插值时，在此实例上幂指数等于5时更加能反映真实情况 图34 IDW插值法2000年人口密度，power=2（左），power=5（右） 图35 云南省人口密度图 17

3.对2010年人口密度数据，进行同上两部同样的处理，同样发现数据也适合于幂指数等于5的情况，这里距离过程不再累述，结果图如图所示： 图36 2010年云南省人口密度IDW插值图（左）云南省人口密度图（右） 4. 求密度变化：把2010年的人口密度分布预测图减去2000年人口密度分布预测图用栅格计算器（ArcToolbox -> Spatial Analyst Tools ->Map Algebra ->Raster Caltulater），结果如图所示： 图37 2010年至2000年人口密度变化 18

4、数据分析 1）、数据描述： 基于云南省2000年、2010年人口普查结果点状数据，云南省县级行政区划图做出了以下结果： 1.基于普通克里金插值的预测图：在普通克里金插值预测图的生成之前，做的工作有： a）数据探索：数据是否为正态分布，数据的趋势等； b）空间自相关性探讨：在半变异\\协方差函数中，选择不同的模型，分析其异质性、标准平均值、标准均方根作为依据选择模型； c）生成克里金插值预测图； 2.生成反距离加权插值法人口密度图，在做这个的过程中，主要工作是尝试不同的幂指数，对不同的幂指数插值的结果与当前分析年份的人口密度图进行对比，选择优胜的插值参数 3.对生成的人口密度预测图进行讨论： a）首先是对2000年普通克里金插值预测图、人口密度IDW插值图以及用云南省每个县的人口密度生成的云南省人口密度图进行对比 图38 2000年预测图（左）、IDW（中）、云南省人口密度图（右） 可以看出： 1） 从三幅图都可以看出：云南省的人口密度呈东部大，西部小，南北部小，中部大，与之前做的趋势分析，结果在总体上是一致的； 把普通克里金插值预测图和人口密度的反距离加权插值图相对比，可以发现，后者的结果更加接近于云南省人口密度图，即更加接近于真实情况，推测其原因，本人认为主要是：普通克里金插值，注重的数据点之间的关系，样本点的自相关性，根据样本点的自相关和协方差来进行插值预测，这样一来，通过之前模型的选择中计算的空间自相关结果来看，结果中所有模型计算结果（C0/(C0+C)）都在25%左右，甚至更高，而且标准评价方根等也跟理想结果相差较远，云南省的人口分布在空间 上因为各方面的影响在全云南省范围内空间上的相关性并不是很大，因此，普通克里金方法得出的结果跟真实结果相差较大，反距离加权插值法原理是两个物体距离的近，它们的性质就越相似，反之，离得越远则相似性越小，与采样点距离最近的若干个点对未采样点值的贡献最大，其贡献与距离成反比它是根据距离衰减规律，对样本点的空间距离加权，从而对人口密度进行插值，这样得出来的结果跟其它数据相关性不大，因此，得出的图反而跟真实比较接近。 19

b）对2000年普通克里金插值预测图、人口密度IDW插值图以及用云南省每个县的人口密度生成的云南省人口密度图进行对比，可以看出，其规律特征与2000年一致。 图39 2010年预测图（左）、IDW（中）、云南省人口密度图（右） 4、对人口密度变化数据进行对比：将普通克里金插值得出的两年的预测图用栅格计算器相减，得到人口密度变化图，同样的方法得到其它两个 图40 人口密度变化，普通克里金（左）、IDW（中）、云南省密度变化图（右） 从图中分析，可以看出以下几点： a）黑色区域属于人口减少的区域，主要是在：临沧市的镇康、耿马、沧源，普洱哈尼族彝族自治县、大理永平县、漾濞，昆明市的嵩明县、东川、禄劝、寻甸回族彝族自治县，可以发现这些县要么是较为偏远的地区，要么是靠近人口密度剧烈增长的地区，这些地区的人口减少可能大多数原因是人口迁移造成的； b）红色、橙色区域属于人口增长迅速区域，主要集中在：大理市、呈贡县、昆明市区、安宁市、玉溪市的通海、玉溪市区、昭通的威海、镇雄、丽江的玉龙县（由于新建县城引起的人口增长），其它地区推测其因，是因为经济的正增长，经济发展带动人口增长； c）云南省人口密度变化的总体趋势是：人口密度增长的区域大于人口密度减少的区域，且人口极速增长的区域重要集中在云南省的中东部，即靠近省会昆明的区域，其它区域属于缓步增长的阶段； d)在玉龙县、宁蒗彝族自治县、思茅地区这几个地区左图与真实出现偏差比较大，原因是：在玉龙县主要是由于县城的新建引起的预测上的不正确，而思茅地区，人口密度预测值于实际值相比，增长过大，主要原因是预测模型没有定性的加入自然、人文环境因素，导致结果与其它地方相比，精确性不够，地区特殊性也应该作为一些因子，所以我认为，在插值的过程中，如果能够增加一些权重因子（如地形因子、经济水平、公共设施因子等）的话，预测结果估计会更加准确。 20 2） 结论及总结： 1.云南省人口时空分布特点： a）根据2000年的云南省人口密度普通克里金插值预测图、人口密度的反距离加权插值图、云南省人口密度图以及2010年的云南省人口密度普通克里金插值预测图、人口密度的反距离加权插值图、云南省人口密度图，两年的人口分布在空间上都表现为东西方向上东高西低，南北方向上，表现为南北人口密度小，中部人口密度大，在整个云南省来看，云南省人口密度最大的地区在昆明周边、昭通镇雄、大理市、红河蒙自这些地区，人口密度最小的地区主要在迪庆自治州、西双版纳、临沧地区这些地方经济发展差，地形复杂，生存环境恶劣，对人口的发展有抑制作用，也造成了这些地区的人口密度负增长。从总体上我们也可以看出云南省的人口分布极不均匀，人口密集在中东部，即靠近昆明的地区； b）根据两年生成的云南省人口密度普通克里金插值预测图、人口密度的反距离加权插值图、云南省人口密度图，两两相减，可以得到云南省的人口密度变化图，从图中可得到以下结论：首先是云南省大部分地区处于人口增长的阶段；其次是发现越是人口密度大的地区，其增长数量也越大，而人口密度小的地区，有的甚至呈现出人口负增长，即人口密度减小的状况；云南省的人口密度增长不均匀，增长快的地区集中在昆明周边、经济发展地区、旅游发展地区，增长在空间上表现出极其不均匀的现象，并与人口分布的现象大致相同。 2.对于插值方法的比较： 在本次综合实验中，首先采用了做人口分析常用的普通克里金插值方法，在实验过程中发现，无论在半变异函数的研究过程中，对比了球模型、圆模型、指数模型等，但误差都偏大，与预期值相差较大，对其总结除了数据原因以外，个人认为是因为云南省的人口的分布并不适用于用普通克里金插值的方法，因为云南省人口分布的特点我们可以从人口密度分布图中看出，人口分布在空间上分布非常不均匀，样本点直接的相关性并不大，究其原因，认为是云南省的人口分布的影响除了经济，我认为主要因素是地形环境因素，云南地形复杂多变，环境气候多样，在空间上的不连续性也造成了云南省人口在空间上分布的不连续，自相关性不大，因此不适宜用普通克里金插值做预测图。 其次是运用反距离加权插值法推求云南省人口分布，我们可以看到，当幂指数等于5时，相比于等于2时准确性更高，在实验过程中我还实验了幂指数等于3时的情况，发现结果仍然没有幂指数等于5时理想，我们知道当幂指数越大的时候，对远处的未知样本点的影响越小，而一般情况下幂指数在0.5至3直接是合适的，云南省的人口密度的反距离加权插值图当幂指数等于5时比较接近于真实情况，可以得出云南省的人口分布的数据样本点自相关性不大，数据点之间的影响较小，进步一步印证云南省的人口密度的插值方法用普通克里金不如反距离加权插值适用。 指导老师评语及得分： 签名： 2015年1月5日

21

本文来源：https://www.bwwdw.com/article/fxyf.html