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）

Python+GIS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：

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：

1. 遥感影像解译（Landsat/Sentinel）
2. 公开土地利用数据集（如GlobeLand30）
3. 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_col='land_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 * 100

4. 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_start=11) folium.Choropleth( geo_data=boundary, data=lui_results, columns=['id', 'lui'], key_on='feature.properties.id', fill_color='YlOrRd', legend_name='土地利用强度指数' ).add_to(m) return m

4.2 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(marker='o') 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：

1. 参考研究区域已有文献
2. 考虑当地土地利用特点
3. 进行敏感性测试

示例测试方案：

5.2 数据精度影响

数据分辨率会显著影响计算结果：

5.3 结果验证方法

验证LUI结果合理性的几种方法：

1. 与GDP、人口密度等社会经济数据进行相关性分析
2. 实地考察高/低值区域验证
3. 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, on='region_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：

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LUI：

import 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 + (x+1)*cell_size, ymin + y*cell_size), (xmin + (x+1)*cell_size, ymin + (y+1)*cell_size), (xmin + x*cell_size, ymin + (y+1)*cell_size) ]) if boundary.intersects(polygon): grid.append(polygon) return gpd.GeoDataFrame(geometry=grid, crs=boundary.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, threshold=0.1): """检测LUI显著变化区域""" change = lui_t2 - lui_t1 significant = np.abs(change) > threshold return change, significant

7.3 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。