基于GIS空间分析的云南省人口分布时空变化

1、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）专业GIS课程名称GIS空间分析任课教师董铭班级2012GIS姓名曹雨薇学号124130302 YUNNANNDRMALUNIVERSITY本科学生设计报告学号124130302班级2012级GIS姓名曹雨薇专业地理信息系统课程名称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名称：云南省人口分布的时空变化时间：2014/12/28小组合作：是否小组成员：无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、

2、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、在此过程中对幕指数进行讨论，确定幕指数的值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：Arcmap下：EditorArcToolbox-DataManagementTools-ProjectionandTransformations-DefineProjection

3、JoinsandRelatesGeostatisticalAnalyst-ExploreData-HistogramGeostatisticalAnalyst-ExploreData-NormalQQPlotGeostatisticalAnalyst-ExploreData-TrendAnalysisGeostatisticalAnalyst-GeostatisticalWizardArcToolbox-SpatialAnalystTools-Extraction-ExtrctbyMaskArcToolbox-SpatialAnalystTools-Interpolation-IDWArcTo

4、olbox-SpatialAnalystTools-MapAlgebra-RasterCalculatorMicrosoftOffice-Excel2、中数据处理过程：（一）数据准备及处理：Sheetl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1234567891011121314152.云南省99省市区市县县县县彝县县彝自回自南明川明贡宁民良林治明劝族甸族宁靖頤云昆东昆呈晋富宜石自嵩禄苗县寻彝县安曲箋ENAM223978246220330514287095429355396404481721457068数据图治，文件名为:”县级罚咖讣“器爲图1全国4236008

5、9578129427556427598421806852677391400463966774620129164322122719173272586310843283784145554419400图2云南省县级图何#一亠r%1；永德辰J滨匸县Sr.县温县:谋n,丘TSr永樹晝宁殴马辜换値W出1:推祐摆4治县密:舍泽O,，东川国=r3#ilfAbout初冋口口d日ta图3云南省各县点状图islayer?世h日tdoyou艸日nttojointo1,_ChoosethefielclinthisiBvefthatthejoinwillbebasedon:NAME992.Choosethetableto

6、jointothislayer,orloadthetablefromdisk:3.Choosethefieldinthetabletobasethejoinon:NAME99F进行连接好的点状图5.数据导JoinletsyouappendadditionaldatatothislayersattributetablesoyoucanTforexampl亡symbolize出亡layersfeaturesusingthisdata.4.数据完善把云南省人口普查的数据首先连接(Tableofcontentsxian.shp右键JoinsandRelatesJoin)至U云南省各县点状(xian.s

7、hp)中，然后进行相关设置3.云南省各县点状图，并设置属性NAME99为县名，文件名”xian.shp”JoinOptionsQKeepallrecurdsAllrea)rdsinthetargettableareshownintheresultingtable.Unmatrhedecord吕willcontainnullvaluesfarallfieldsbeingappendedintothetargettablefromthejointable.rJoinD日ta图4连接设置Keeponlymatchingrecords把与人口数据/云南査人口数据二Sheetl$/Showtheattr

8、ibutetablesoflayersinthislistValidateJoinCancel.弟/厂,kc储第晟買菠囲能旨治區*)0苣t0日 (xian.shp)导出来，以保存连接的字段，导出的图名为：县点.shp。捉ianmingTable*冒“崔7%毬冈要XFIDShapeIdMAME99第五按0Point00035S6589-1Point0香格亘拉县14-74161729BB2Point0雏酉谍肚自諧县1460171606053Point0贡止独龙挨怒垛自誇3474石378944Point0粽贡县33127986165Point0芝坪日挨誉采雄自諧19977212992*6Point0

9、泸朮县1719741848357Point0送冲县5939256447658Point0理止市84SSS5935fil39Point0E宁县333241343956M10H国昌(0outof123Selected)xianmmg*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CustomizeExtensionsGeostatisticalAnalystzExtensons3D/VialystSelecttheextensionsyouwanttouse.:“ArcSu日n_口回口；“回GeostatistiuRAnalyst|NetworkAnalystPublishe

10、rSchematicsSpatialAnalystTrackingAnalystDescription:图6打开地统计模块数据分布分析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GeostatisticalAnalyst，打开地统计分析模块，然后在地统计分析模块下选择ExploreDataHistogramGeostatisticalAnalystXGeostatisticalAnalystT動Geostatist

11、icalAnalystHelpTutorialExplor已DataGeostatisticalWizard.SubsetFeatures.iIHistogramNormalQQPlotVoronoiMapTrendAnalysisSemivariogram/CovariHistogramCreatehistogramofdatavalues.它PressFlformorehelp.GeneralQQPlotCrosscovarianceCloud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密度图9Layer,Attribute设置2.1.4人

12、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3C）人口密度的平均值182.81也大于中位数113.67D）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7.3319B）峰度值为7.3319，仍然高于3C）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

13、改D）人口平均值亦与中位数想接近，相差0.4，标准差趋近于0.8E）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2.1.5因为数据仍然与正态分布差距较大，所以再尝试下，幕变换，并把幕指数经过试验后设置为-0.11变换后的数据分析如下：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

14、接近于0E）人口密度平均值与中位数相比几乎相等，对数变换相差0.4F）综上所述，虽然使用幕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、幕变换），使用幕指数为-0.11最为合适，所以本数据采用幕变换，其基本符合正态分布，三种方法的具体数据见图12。无变换对数变换前幕变换后Min（最小值）7.90362.06731.8491Max（最大值）27907.93385.2926Mean（平均值）182.814.70183.6485Std.Dev（标准差）383.530.837730.49337Skewness（偏度系

15、数）5.92140.61312-0.18545Kurtosis（峰值）37.9157.33196.72551-stQuartile（1/4分位数）71.6694.27213.4086Median（中位数）113.674.73333.68983-rdQuartile（3/4分位数）160.325.07223.8902站段t試*瀝图11左对数变换右幕变换表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，经过幕变换（幕指数为0.11）的样本点更加符合与正态分布,具体数据如下图所示：图12幕指数变换无变换对数变换前幕

16、变换后Min（最小值）8.61962.1541.9179Max（最大值）2988.68.00255.3212Mean（平均值）199.64.76863.6877Std.Dev（标准差）422.50.851190.4948Skewness（偏度系数）5.82250.71442-0.04184Kurtosis（峰值）36.887.02086.37041-stQuartile（1/4分位数）74.4654.31033.4325Median（中位数）115.064.74543.6973-rdQuartile（3/4分位数）177.845.18093.9492表2变换前后统计值对应表（2010）2.1.

17、72000年与2010年经幕变换后的数据对比分析2000（幕变换后）2010（幕变换后）Min（最小值）1.84911.9179Max（最大值）5.29265.3212Mean（平均值）3.64853.6877Std.Dev（标准差）0.493370.4948Skewness（偏度系数）-0.18545-0.04184Kurtosis（峰值）6.72556.37041-stQuartile（1/4分位数）3.40863.4325Median（中位数）3.68983.6973-rdQuartile（3/4分位数）3.89023.9492表32000年与2010年统计值对应表由上表可以得出下面两点

18、：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， 县点 3.NormalQQPlot,值所以推断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。正态QQ图分析：查看样本数据是否符合正态分布，检查离群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

19、）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

20、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。NormalQQPIotTip:ClickordragoverpointstoselectAddtoLayout7T台仃sformationTransformation:NoneDataSource图132000年无变换正态QQ图GeostatisticalAnalystX|年QQ图禺群点属县点Area5密度6密度NAME997243992769.378.29459.192311379871317.8212.954115.2012香恪里疽昙4396240330.817.

21、90368.61962168890786.062665.55332965.6689昆明市963014623.12152.6205239】.9793玉溪市3464370449.752&935435.0713辽城哙尼雯茅喪1959161693.942790.01422988.5512曲靖市41-1110冒(7outof123Selected)TableXx3.1.2对样本点数据进行变换，按照直方图的结果，对数据进行幕变换，幕指数为-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3.2对2321用结果基本是一致的，除了人

22、口密度有小幅度上升以外，离群点的数据,县，跟2000年相比，没有变化，所以此处不再累述可以看出,今是那几个|GeostatisticalAnalystX|GeostatisticalAnalyst*Table口x县点x旦占图162010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幕变换，幕指数设定为0.11，结果如图17所示，可以看出，经变换后的数据,基本符合正态分布图172010年幕变换正态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

23、势分析工具（GeostatisticalAnalystExploreDataTrendAnalysis）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

24、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

25、，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。图192000年半方差云图图202010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，但经过幕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

26、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打开地统计向导：GeostatisticalAnalystGeostatisticalWizard在数据集SourceDataset选项中选择“县点”，DataField选择“5密度”，

27、对2000年人口密度进行模型选择，Methods中选择Kriging/CoKriging点击Next图21数据选择3设置数据变换，与剔除趋势选择，如图所示，变换类型选择的是幕变换，然后幕指数是-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/CovarianceMo

28、deling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二GnwnlgrwrFWfkOflS4Sfltllr：dMU-C.WiMiSUrnrl*1Jw乂申HMM:Arty:GW图23圆模型C0Cg+C）MeanStandardizedCircular（圆

29、模型）0.10065340.38545080.2070613666781731-0.121808075Spherical（球状模型）0.098952580.3393790.2257482337914143-0.12466584686Gaussian（咼斯）0.14047810.40860370.2558418436014452-0.08985023143Exponential（扌旨数）0.087002620.27753250.2386673196261584-0.12890515569J-Bessel0.13592230.218310.3812655152972065-0.0986702075

30、4K-Bessel0.1381930.38108810.2661236852255936-0.09389398472表42000年人口密度变异函数模拟结果可以看到，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：C0CC0/（C0+C）RMSSCircular（圆模型）1.724130.88505220.6607932554499261.965237791941Spherical（球状模型）1.7160150.91572890.65204482852605831.969682339345Gau

31、ssian（咼斯）1.8505980.79770420.69878656597423061.927894322035Exponential（扌旨数）1.6144041.1515260.583674930312772.01263455503J-Bessel1.8534030.77528860.70506673357954961.92554297032K-Bessel1.8460340.82030640.69234745871157341.93167950340表52010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2000年数据与2010

32、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242000年设置搜索邻域参数6.交叉验证对话框检验精度：主要看MeanStandardized（标准平均值）是否接近于0,Root-Mean-Square（均方根）是否最小，AverageStandardError（平均标准误差）最接近1

33、,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252000年交叉验证7.出现方法报告，检查是否有误，无误，点击OKRmrairirs*1dNLi2CL3o-tnDT.niPKnniiExporttoRaster，使得插值结果nput：dmB期已5l-lOntnsett:LocationTypeDataHeldRecords匚巩U甬肌GElmtAD曰木作址理好FeatureClass5由度123TypeOutputtype曰*IrendtypqBTransformatlonParameter曰Truiidrorl1o-ociTypeNeIiqhborstoI

34、ncludeIn亡ludeatleastSectortypeAngleMajorsemlaxlsMinorsemiaxis曰VariogramNumberoFlaoisLaosizeNuggnMeasurementerror盟201徒年方法报告（右）RangeAnisotropyPartialsillK.rigiriyOrdinaryPrediction1ConstBox匚OKX0.11I-口匚hIPalynaminiInter口olaitjciriPredlctlon0StandardStandard52Fourand45degree0102&422.1&43斗些5E6712B422.19-

35、434056675emivarlograrn12&5701.&45S25130561.514403533007525100No巨*口oriesnlLizal125422,1943495O&7NO19137述值表面预测图自动生成，然后选择图层,“2000pre”。OKCancel图27输出栅格设置吕吕图282000年普通克里金生成的预测图-47.aS13&443-57.10530214-31.1476&43&-91.144315CB-1D5l1361O73-12：.910115-i52.吕iSUSl-191.53134-24a19S455-322.930102S图30裁

36、剪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:19.5755270247.3S1S544467.10530E15L.147554373L.1443151105.1361674124.9101151152.5154425191.531349246.1959457图292010年普通克里格插值预测图11.对预测图裁剪（ArcToolbox-SpatialAnalystTools-Extraction-ExtractbyMask），得到云南省

37、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312000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-SpatialAnalystTools-MapAlgebra-RasterCaltulater）,结果如图所示：20.2883185730.9475438430.9475438566.1822052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

38、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幕指数的插值，与真实数据对比，确定权重系数。1.IDW插值法（SpatialAnalyst-Interpolation-IDW），对2000年人口密度进行如下设置：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，分别做幕指数为2,5的反距离加权插值法分析图33IDW插值法设置2.插值结果：有下图可

39、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，相比于幕指数等于5时，幕指数等于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，幕指数为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，在此实例上幕指数等于5时更加能反映真实情况7.9I479O1545LU7I9210672.650486514.22405196115.N076I75137.3R6IR2M169.7540311223.7004447331.593272-5

40、1.071R210572.65O4S65SpatialAnalystTools-MapAlgebra-RasterCaltulater）,结果如图所示：娈化值5.XXXXXXJO1-114UO密度变化2010-3B.22223004一011.00000001-30.00000001-7B.2720256300.1157227图372010年至2000年人口密度变化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

41、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幕指数，对不同的幕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汁=吕=Idw_20005VALUE5443(1892-7：L.Sli4S632ii:1616632695.1850176IH54il71-l

42、：!K.S57a61-I6O.64HOHO7-2IS.19SH665；15.IS*Wi6&-291.5682067i5)l.5tfi20fiS-2.?S9.SB779117.005372-138.825726372395*57_Ji,.M4；I08l-29,7239S4W117.0053719160.MtWKOtiUttIff*iit-oimaIXLTill!SSb.Si-IAlIMI4HIM图382000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

43、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

44、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。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。20l0pre_eilIdw_2000529.7239545751.5443080273.：1H6632695.I&WI761117.095372-l：18.825?2tW16O.64H()8I)J215.I

45、舛僦629.72：t54fW51.5M3O89173.3946632595.IH50I76IIT.EVW71H138.8257263IfiO.t4608(lfi215.291.就I2Q67图392010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变化值密度变化图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