这是 2024 年和鲸社区与 GISphere 联合举办的 PythonxGIS Workshop 系列活动的第三期，旨在利用场景案例 + 作业练习，让你学得会、用得上，更好地应对领域内科研与应用挑战。
第 2 期：2022 年飓风伊恩期间人员疏散和流动性分析
· 学习背景 & 目标 ·
地理学中的归因分析旨在揭示特定地理现象背后的驱动因素。通过分析空间数据及其属性，归因分析识别影响因素如自然条件、社会经济因素或人类活动的相对贡献。归因分析不仅有助于理解地理现象的成因，还能够为政策制定、环境管理和资源分配等提供科学依据。
碳中和是指通过减少温室气体排放和增加碳汇来抵消 CO2 等温室气体的排放，最终实现净排放为零的目标。为了应对全球气候变化，许多国家和地区已经提出了在未来数十年内实现碳中和的目标。而其中实现碳中和目标的核心即为厘清 CO2 这一主要温室气体的影响因素。
基于此背景，本次 Workshop 围绕基于地理归因框架，探讨城市 CO2 排放及其不确定性的影响因素，以福建省泉州市晋江市为案例，通过分析其社会、经济、和环境因素。教学内容的核心是运用相关系数分析、地理探测器模型和地理加权回归模型组成的地理归因框架，深入探讨地理归因方法的应用，了解基本的空间归因分析过程，揭示影响 CO2 排放与其不确定性的主要驱动因素。
最后，你可以通过三份作业，动手检验自己的学习成果。
<研究框架>
· 主办方 ·
· 特邀导师 ·
· 学习大纲 ·
4. 案例分析——基于地理归因框架的城市二氧化碳及其不确定性的归因分析
- 地理归因分析结论与展望
5. 作业
我们提供了另外一种空间不确定性评估的评估结果（U3）以及分部门（居民，工业，交通）的 CO2 排放结果，请根据本课程示例的代码对分部门的 CO2 排放与不确定性 U3 结果进行影响因素的分析并进行可视化？此外可以参照教案中提供的链接对结果使用桑基图进行可视化。
当前的示例仅涉及到地理归因分析，但并未对制图精度做进一步的改进。请思考如何利用归因分析结果改进制图精度？
<教案截图.1>
<教案截图.2>
· 11月1日 11:00 前：完成作业，提交作业 · 11 月上旬：准时参加主题讲解交流会（会议具体信息待更新）
扫描下方二维码添加客服微信号
回复 地理 即可接收邀请进群
