生态适宜性评价报告?GIS权重如何计算?

作者： GIS研习社更新时间：2025-12-14 01:00:56 分类：GIS基础理论

别再拍脑袋定权重！生态评价报告里GIS权重到底怎么算才科学？

上周一个研究生私信我：‘老师，我的生态适宜性评价做完，导师说权重分配太随意，像在掷骰子…’ 这不是个例。90%的初学者甚至从业者，在做多因子叠加分析时，权重都是凭经验或‘感觉’拍出来的——结果就是报告被专家打回重做，项目延期。

我是Dr. Gis，在国土空间规划院那会儿，亲手带团队做过长三角某市300平方公里的生态评估，踩过无数坑。今天我就手把手教你，如何用GIS把‘权重’这个玄学，变成可量化、可解释、可辩护的科学流程。

为什么权重不能随便填？一个真实翻车案例

2018年我们团队接了个湿地公园选址项目，初期用AHP法给‘坡度’‘水源距离’‘植被覆盖’三个因子分别赋权0.4、0.3、0.3。结果模型跑出来最优区竟在陡坡上！复盘发现：我们高估了坡度影响，低估了人类活动干扰。后来引入熵权法重新计算，权重调整为0.25、0.35、0.4，结果立刻合理了。

权重不是装饰品，是模型的灵魂开关。错配权重 = 输入垃圾，输出垃圾（Garbage In, Garbage Out）。

三大主流方法拆解：从入门到进阶

别被学术名词吓住，我用买奶茶帮你理解：

AHP层次分析法 —— 像请5个朋友帮你选奶茶：甜度、价格、排队时间哪个重要？让他们两两PK打分，最后算平均偏好。优点是直观，缺点是主观性强，适合数据少时应急。
熵权法 —— 像看奶茶店销量大数据：如果所有店甜度都差不多（信息量低），那甜度权重就该降低；如果价格差异巨大（信息量高），价格权重就该提高。完全由数据驱动，客观但可能忽略专家经验。
主成分分析PCA —— 像把奶茶的10个评价维度（甜、冰、料、杯型…）压缩成2个“综合风味指数”，自动分配权重。适合因子间有强相关性的场景。

实战教学：QGIS+Python 三步搞定熵权法

以‘城市绿地生态适宜性’为例，假设你已有标准化后的栅格图层：坡度.tif、距水系.tif、NDVI.tif、距道路.tif。

# 第一步：读取栅格并转为DataFrame（需安装rasterio和geopandas）
import rasterio
import pandas as pd

files = ['slope.tif', 'water_dist.tif', 'ndvi.tif', 'road_dist.tif']
data_list = []
for f in files:
    with rasterio.open(f) as src:
        arr = src.read(1).flatten()
        data_list.append(arr)

df = pd.DataFrame(data_list).T
df.columns = ['slope', 'water_dist', 'ndvi', 'road_dist']

# 第二步：计算熵权（核心公式）
def entropy_weight(df):
    # 标准化
    df_norm = (df - df.min()) / (df.max() - df.min())
    # 计算比重
    p = df_norm / df_norm.sum()
    # 计算熵值
    e = - (p * np.log(p + 1e-5)).sum() / np.log(len(df))
    # 计算权重
    weights = (1 - e) / (1 - e).sum()
    return weights

weights = entropy_weight(df)
print(weights)  # 输出如：slope:0.18, water_dist:0.32, ndvi:0.35, road_dist:0.15

拿到权重后，在QGIS中用Raster Calculator直接套公式："slope@1"*0.18 + "water_dist@1"*0.32 + "ndvi@1"*0.35 + "road_dist@1"*0.15，结果立现。