✅ 博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 具体问题可以私信或扫描文章底部二维码。
(1) 本研究针对世界文化遗产面临的复杂风险，特别选取了柬埔寨吴哥世界文化遗产为研究对象，基于遥感技术与地理信息系统（GIS），开展了风险识别、分析和评估的综合研究。首先，本文提出了一个面向世界文化遗产"突出的普遍价值"的风险综合研究框架。通过分析1979年至2018年间全球407项世界遗产的2218份风险报告，全面评估了文化遗产在不同区域或国家的风险管理和保护现状，识别出对文化遗产影响较大的主要风险因素。利用遥感技术对吴哥遗产地进行了系统的风险识别与监测，并结合GIS开展了详细的风险分析，构建了适用于文化遗产的风险评估模型。该模型实现了对自然灾害、人类活动以及环境风险的综合评估，能够有效甄别遗产地面临的多重危害风险，并对其变化程度进行定量分析，进而为文化遗产的保护和风险管理提供科学依据。
(2) 本文构建了吴哥遗产洪水风险模型，揭示了洪水对遗产地的影响模式及其程度。研究利用长时间序列雷达（SAR）数据，提取了2007年至2013年间的历史洪水淹没区域，选取了淹没频次、绝对高程、高程标准差及河网密度四个关键指标对吴哥的洪水风险进行评估。基于这些指标，通过多参数方法结合GIS空间分析和决策支持功能，构建了吴哥洪水风险模型（FHI）。该模型的构建和应用生成了吴哥遗产地的洪水风险性区划图，明确了不同保护区的洪水风险级别，并对不同尺度保护区的影响程度进行了详细评估。这一研究结果不仅为吴哥遗产地的洪水风险管理提供了量化评估方法，同时也为未来洪水灾害应对措施的制定提供了有力支撑。
(3) 本文还建立了城市扩张风险评估和预测模型，以分析城市扩张对吴哥遗址的影响模式和影响程度。通过整合多源数据，分析了2004年至2017年间暹粒市的土地利用和建成区范围变化，详细探讨了暹粒市城市扩张的过程和模式以及土地利用的时空变化特征。从遗址点、核心区和缓冲区三个尺度，量化评估了城市扩张对吴哥遗产的影响程度，并构建了元胞自动机-马尔可夫模型（CA-Markov），对2020年、2025年和2030年暹粒市城市扩张进行了模拟和预测。模拟结果显示，城市扩张可能会对遗址点及周边保护区产生严重影响，实际建成区与模拟建成区的Kappa系数验证结果表明模型的精度较高。研究发现，吴哥遗产地保护区划政策尚未得到严格执行，城市扩张的无序发展依然是威胁遗产地保护的重要因素，需要采取有效的管理措施来遏制城市规模的无序扩张。
(4) 在生态环境方面，本文评估和揭示了吴哥遗产地赋存环境的生态敏感性。通过对吴哥所在地暹粒省的关键生态资源进行识别，本文选择了植被、坡度、土地利用类型及洪灾风险等四个关键生态敏感因子，进行单因子生态敏感性制图，并通过地理信息系统中的最大值叠加分析法，针对吴哥遗址点、核心区、缓冲区和整个保护区的赋存环境，进行了生态环境敏感性分区。结果表明，暹粒省的中部大部分地区属于中低敏感性区域，占总面积的31.7%，但其周边的敏感性程度较高，非敏感区有进一步扩大的趋势。这一结果表明，吴哥遗产地的生态环境状况不容乐观，特别是在城市扩张和洪灾等风险的共同作用下，遗产地赋存环境的保护需要进一步加强。
(5) 通过上述研究，本文主要贡献体现在以下几个方面：首先，针对吴哥世界遗产长期面临的洪灾危害，创新性地构建了吴哥洪水风险模型，实现了洪水风险对遗产地的定量评估；其次，量化分析了吴哥遗产地周边城市扩张的模式和过程，并基于元胞自动机-马尔可夫模型，预测了未来城市扩张的范围及其对遗址的影响；最后，对吴哥遗产地的赋存环境进行了生态敏感性分区，评估了不同尺度下的生态敏感性，这为吴哥遗产的可持续发展提供了重要的决策参考。综合来看，本研究通过遥感和GIS相结合的方法，提出并建立了基于空间信息技术的世界文化遗产风险综合研究框架，为吴哥世界遗产的保护提供了重要的理论支持与技术积累。
import geopandas as gpd
import rasterio
import numpy as np
import matplotlib.pyplot as plt
from rasterio.plot import show
from shapely.geometry import Point, Polygon
# 读取洪水风险评估的栅格数据
flood_risk_raster = 'angkor_flood_risk.tif'
with rasterio.open(flood_risk_raster) as src:
flood_risk_data = src.read(1)
profile = src.profile
# 设置洪水风险的阈值，提取高风险区域
flood_threshold = 0.7
high_risk_mask = np.where(flood_risk_data > flood_threshold, 1, 0)
# 计算高风险区域面积
high_risk_area = np.sum(high_risk_mask)
total_area = flood_risk_data.size
high_risk_percentage = (high_risk_area / total_area) * 100
print(f"高洪水风险区域占比: {high_risk_percentage:.2f}%")
# 显示洪水风险栅格图与高风险掩膜
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 7))
ax1.set_title('Flood Risk Raster')
show(flood_risk_data, ax=ax1, cmap='Blues')
ax2.set_title('High Flood Risk Mask')
show(high_risk_mask, ax=ax2, cmap='Reds')
plt.show()
# 保存高风险区域掩膜为新的栅格文件
output_path = 'high_flood_risk_mask.tif'
with rasterio.open(output_path, 'w', **profile) as dst:
dst.write(high_risk_mask.astype(rasterio.uint8), 1)
# 利用GeoPandas创建一个简单的吴哥遗址点矢量数据
angkor_sites = {'geometry': [Point(103.866667, 13.4125), Point(103.871111, 13.421389)]}
angkor_gdf = gpd.GeoDataFrame(angkor_sites, crs="EPSG:4326")
# 将遗址点与洪水风险区域叠加，判断遗址点是否位于高风险区域内
angkor_gdf['high_risk'] = [flood_risk_data[int(pt.y), int(pt.x)] > flood_threshold for pt in angkor_gdf.geometry]
print(angkor_gdf)