Python地理空間數據分析

目錄
前言 1
第1 章 地理空間分析入門 . 11
1.1 數據普及12
1.2 提出數據問題 .15
1.3 空間數據科學的概念框架 18
1.3.1 地圖投影 .20
1.3.2 矢量數據：用對象表示地點 .24
1.3.3 柵格數據：了解空間關系 25
1.4 數據集的選擇和評估 27
1.5 總結 .28
第2 章 空間分析的基本設施 .31
2.1 探索QGIS 中的空間數據 .32
2.1.1 安裝配置QGIS 32
2.1.2 將底圖添加到QGIS 33
2.1.3 探索數據資源 36
2.2 可視化紐約市的環(huán)境投訴 37
2.2.1 上傳數據到QGIS 37
2.2.2 設置項目CRS 41
2.2.3 使用查詢構建器過濾數據 42
2.3 人口數據可視化 43
2.3.1 QGIS Python 控制臺 .45
2.3.2 加載柵格層 48
2.3.3 紅線區(qū)：反映不平等.49
2.4 小結 .53
第3 章 QGIS：探索用于空間分析的PyQGIS 和
原生算法 .55
3.1 探索QGIS 工作區(qū)：舊金山的綠化和不平等現(xiàn)象 56
3.1.1 Python 插件 57
3.1.2 訪問數據 .60
3.1.3 使用圖層面板 62
3.1.4 處理研究問題 65
3.2 WFS：識別馬薩諸塞州的環(huán)境威脅 66
3.2.1 訪問數據 .66
3.2.2 探索屬性 .69
3.2.3 使用迭代器 71
3.2.4 圖層樣式 .74
3.3 在Python 控制臺中使用處理算法 74
3.3.1 使用算法 .75
3.3.2 按表達式提取 77
3.3.3 緩沖區(qū) 78
3.3.4 按位置提取 79
3.4 總結 .81
第4 章 云上的地理空間分析：Google Earth Engine
以及其他工具 .83
4.1 配置Google Earth Engine .85
4.2 使用GEE 控制臺和geemap 86
4.2.1 創(chuàng)建Conda 環(huán)境 .88
4.2.2 打開Jupyter Notebook .89
4.2.3 安裝geemap 和其他包 .89
4.3 geemap 概覽 92
4.3.1 圖層和工具 93
4.3.2 底圖 95
4.4 探索Landsat 9 影像集 96
4.5 使用光譜帶 97
4.6 國土覆蓋數據庫底圖 101
4.6.1 訪問數據 102
4.6.2 建立自定義圖例 104
4.7 Leafmap：Google Earth Engine 的代用品 .106
4.8 總結 109
第5 章 OpenStreetMap：使用OSMnx 訪問
地理空間數據 111
5.1 OpenStreetMap 的概念模型 112
5.1.1 標簽 . 112
5.1.2 多重圖 114
5.2 安裝OSMnx . 115
5.3 選擇一個地點 116
5.4 了解變量和參數 .120
5.5 計算出行時間 122
5.6 OSMnx 中的基本統(tǒng)計度量指標 .125
5.6.1 迂回性 126
5.6.2 路網分析：法國巴黎的迂回性 127
5.6.3 中間向心性 .129
5.6.4 網絡類型 131
5.7 定制地區(qū)地圖 133
5.7.1 通過地點生成幾何圖像 .133
5.7.2 通過地址生成幾何圖像 .134
5.8 在QGIS 中使用QuickOSM .141
5.9 總結 141
第6 章 ArcGIS 的Python API 143
6.1 安裝配置.143
6.1.1 ArcGIS Python API 中的可用模塊 143
6.1.2 安裝ArcGIS Pro144
6.1.3 環(huán)境設置 145
6.1.4 安裝依賴 146
6.2 連接到ArcGIS Python API 147
6.2.1 以匿名用戶身份連接到ArcGIS Online .147
6.2.2 使用證書連接到ArcGIS 用戶賬戶 .147
6.3 探索圖像層：城市熱島圖 .148
6.4 柵格函數.153
6.5 探索圖像屬性 158
6.5.1 圖像提升 163
6.5.2 比較位置的不同時間點數據 164
6.5.3 過濾圖層 166
6.6 總結 172
第7 章 GeoPandas 和空間統(tǒng)計 173
7.1 安裝GeoPandas 173
7.2 使用GeoJSON 文件 .174
7.3 創(chuàng)建GeoDataFrame 176
7.4 使用美國人口普查數據：洛杉磯（LA）人口密度地圖 182
7.4.1 通過人口普查API 和FTP 訪問區(qū)域和人口數據 .183
7.4.2 在瀏覽器中通過人口普查API 訪問數據 .187
7.4.3 使用數據配置文件 190
7.4.4 創(chuàng)建地圖 191
7.5 總結 195
第8 章 數據清洗 . 197
8.1 檢查缺失數據 197
8.1.1 上傳到Colab 198
8.1.2 空值和非空值 .201
8.1.3 數據類型 202
8.1.4 元數據 202
8.1.5 匯總統(tǒng)計 204
8.1.6 替換缺失值 .209
8.2 使用Missingno 可視化數據 .209
8.3 映射模式.213
8.3.1 緯度和經度 .213
8.3.2 shapefile 214
8.4 總結 217
第9 章 探索地理空間數據抽象庫（GDAL） 219
9.1 安裝配置GDAL .220
9.1.1 安裝Spider 220
9.1.2 安裝GDAL .221
9.2 在命令行中使用GDAL 221
9.3 使用GDAL 編輯數據 223
9.3.1 Warp 函數 .225
9.3.2 獲取輸入光柵波段 225
9.4 在Python 中使用GDAL 庫 227
9.4.1 初識Spyder .227
9.4.2 在Spyder 中瀏覽數據 229
9.4.3 在GDAL 中轉換文件 230
9.4.4 在GDAL 中使用Binmask 232
9.4.5 完整腳本 235
9.5 探索開源光柵文件 .236
9.5.1 USGS EarthExplorer 236
9.5.2 Copernicus Open Access Hub .240
9.5.3 Google Earch Engine 240
9.6 總結 242
第10 章 使用Python 測量氣候數據 245
10.1 案例1：使用降水數據驗證氣候預測 246
10.1.1 目標 246
10.1.2 下載數據 246
10.1.3 使用Xarray 247
10.1.4 合并2015 年和2021 年的數據集 249
10.1.5 生成圖像 252
10.1.6 其他探索 256
10.2 案例2：使用WTSS Series 分析亞馬遜雨林中的森林砍伐和碳排放 257
10.2.1 安裝設置 257
10.2.2 創(chuàng)建地圖 260
10.2.3 分析 262
10.2.4 調優(yōu) 262
10.3 案例3：使用Forest at Risk 對瓜德羅普島的森林砍伐建模和預測 268
10.3.1 安裝配置 269
10.3.2 數據圖像化272
10.3.3 數據抽樣 273
10.3.4 圖像關聯(lián) 276
10.3.5 使用iCAR 模型對森林被砍伐的概率建模 278
10.3.6 馬爾科夫鏈蒙特卡洛方法（MCMC）距離矩陣 279
10.3.7 使用predict_raster_binomial_iCAR 對森林被砍伐的概率建模 .281
10.3.8 碳排放 .284
10.3.9 分析 285
10.4 總結 285
附錄 推薦閱讀 . 287
參考資料 291