4、GeoTrellis-核密度估值

geotrellis官方大概意思是说核密度是一种将点要素的集合(矢量数据)转换为栅格数据的一种方法,具体核密度估值的资料可以从百度上查询,我数学也一般大概知道是什么意思但也不是熟悉。

从网上找的一段解释,文章来源于:
http://support.supermap.com.cn/DataWarehouse/WebDocHelp/iDesktop/Features/Analyst/Raster/KernelDensityAnalysis.htm

核密度分析用于计算点、线要素测量值在指定邻域范围内的单位密度。简单来说,它能直观的反映出离散测量值在连续区域内的分布情况。其结果是中间值大周边值小的光滑曲面,栅格值即为单位密度,在邻域边界处降为0。
核密度分析可用于计算人口密度、建筑密度、获取犯罪情况报告、旅游区人口密度监测、连锁店经营情况分析等等。例如:
某街区分布了多栋高层公寓及住宅,已知每栋的入住人数,想要了解街区内各处的人口分布情况,即可使用此功能,相当于将每栋楼的人口数量以核函数的变化趋势分布到指定的圆形邻域内,重叠区域进行加和,最后得到街区内各处的人口密度。而人口密度结果可用于店铺选址决策、犯罪率估算等。
某地区有多家店面的连锁零售店,假定顾客会根据路程的远近来选择光顾哪家店面,假定任何一个顾客总是会选择最近的那家店面。根据顾客到店面的距离字段,得出各个店面顾客分布情况的栅格面。
某地区准备修建道路(或者公用设施管线),可根据道路(或管线)对野生动物栖息地的影响字段,计算道路(管线)对野生动物栖息地造成影响。


在这里插入图片描述

核密度估值示例代码:

package com.scrdny
import geotrellis.raster._
import geotrellis.raster.mapalgebra.focal.Kernel
import geotrellis.vector.{Extent, Feature, Point, PointFeature}
import scala.util.Random
object demo3 {
  def main(args:Array[String]): Unit = {
    val extent = Extent(-109, 37, -102, 41);

    def randomPointFeature(extent: Extent): PointFeature[Double] = {
      def randInRange (low: Double, high: Double): Double = {
        val x = Random.nextDouble
        low * (1-x) + high * x
      }
      Feature(Point(randInRange(extent.xmin, extent.xmax),
        randInRange(extent.ymin, extent.ymax)),
        Random.nextInt % 16 + 16)
    }
    val pts = (for (i <- 1 to 1000) yield randomPointFeature(extent)).toList;
    println(pts);
    val kernelWidth: Int = 9;
    val kern: Kernel = Kernel.gaussian(kernelWidth, 1.5, 25);
    val kde: Tile = pts.kernelDensity(kern, RasterExtent(extent, 700, 400));
    val colorMap = ColorMap(
      (0 to kde.findMinMax._2 by 4).toArray,
      ColorRamps.HeatmapBlueToYellowToRedSpectrum
    )
    kde.renderPng(colorMap).write("/Users/mocker/Downloads/test.tif")
  }

1、先randomPointFeature在范围生成随机的点。for循环中的yield主要作用记住每次迭代数据的值,保存在集合中,循环结束后将返回该集合。

在这里插入图片描述

2、使用核密度函数处理数据,并生成一个700 * 400分辨率的栅格地图,

在这里插入图片描述

3、输出地图,输出的格式可以选择为png图片,或者tif栅格。

在这里插入图片描述

4、查看生成的栅格地图,放大之后查看可以发现每一块都是九个像素点,也是通过val kernelWidth: Int = 9;设置的。

在这里插入图片描述

在这里插入图片描述
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,784评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,745评论 2 378
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,702评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,229评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,245评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,376评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,798评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,471评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,655评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,485评论 2 318
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,535评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,235评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,793评论 3 304
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,863评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,096评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,654评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,233评论 2 341