Ziyuan111/DurhamTrees

该数据集提供了指定区域内城市树木的全面信息，包括其物理特征、环境效益以及它们在生态系统服务方面的经济价值。数据集包括空间数据（GeoJSON）和表格数据（CSV），涵盖了树木的位置、种类、大小、健康状况、种植日期、直径、高度、健康状况、合同工作、邻里关系、种植计划、种植地点条件、成熟高度等信息。此外，数据集还包括环境和经济数据，如异戊二烯、单萜、挥发性有机化合物的排放和吸收数据，年度污染物去除指标，年度氧气生产量，碳储存指标，总年度美元效益等。

原始信息汇总

数据集概述

数据集描述

Durham Urban Canopy Analysis and Enhancement Initiative (DUCAEI) 数据集是一个自定义数据集类，整合了来自两个不同领域的信息，形成一个统一的数据集。该数据集旨在简化处理来自不同源的数据的过程，并使用户能够无缝访问和分析合并的数据集。

数据来源

数据集利用了Durham Trees & Planting Sites数据集中的以下文件：

• merge.csv
• Trees_&_Planting_Sites.csv
• Trees_%26_Planting_Sites.geojson

数据格式和内容

空间数据（GeoJSON）

• 格式： GeoJSON
• 内容：
  • 类型： FeatureCollection - 包含多个特征对象。
  • 特征： 每个特征对象代表一棵树，包含：
    • 类型： Feature
    • 几何： Point（包含树位置的经纬度）。
    • 属性： 树的详细信息（某些字段可能与CSV结构重叠）。

表格数据（CSV）

• 格式： CSV
• 列：
  • X, Y： 树位置的坐标。
  • OBJECTID： 树的唯一标识符。
  • streetaddress： 树最近的街道地址。
  • city： 树所在的城市。
  • zipcode： 树位置的邮政编码。
  • facilityid： 与树相关的设施标识符（如果有）。
  • present： 树是否当前存在。
  • genus, species, commonname： 树的植物学和通用名称。
  • plantingdate： 树种植的日期。
  • diameterin： 树干直径（英寸）。
  • heightft： 树高（英尺）。
  • condition： 树的健康状况。
  • contractwork： 树是否有过合同工作。
  • neighborhood： 树所在的社区。
  • program： 树种植的项目。
  • plantingw： 种植点的宽度。
  • plantingcond： 种植点的条件。
  • underpwerlins： 树是否在电线下面。
  • matureheight： 树的成熟高度。
  • GlobalID： 树的全局唯一标识符。
  • created_user： 创建记录的用户。
  • created_date： 记录创建的日期。
  • last_edited_user： 最后编辑记录的用户。
  • last_edited_date： 记录最后编辑的日期。

环境与经济数据：

• isoprene, monoterpene, vocs： 各种化合物的排放和吸收数据。
• coremoved_ozperyr, o3removed_ozperyr, etc.： 年度污染物去除指标。
• o2production_lbperyr： 年度氧气生产。
• carbonstorage_lb, carbonstorage_dol： 碳储存指标。
• grosscarseq_lbperyr, grosscarseq_dolperyr： 总碳封存。
• avoidrunoff_ft2peryr, avoidrunoff_dol2peryr： 与避免雨水径流相关的指标。
• totannbenefits_dolperyr： 树的总年度美元效益。
• leafarea_sqft, potevapotran_cuftperyr, etc.： 与水循环相关的指标。
• heating_mbtuperyr, cooling_kwhperyr, etc.： 与树对建筑能源使用影响的能源节约相关指标。

数据集目标

1. 使用Python将Shapefile和CSV数据合并为一个综合的地理空间数据集。
2. 应用Python库揭示树冠数据与城市发展之间的关系。
3. 为Durham的城市树冠扩展提供实际见解和策略。
4. 使用GeoJSON文件生成分析和可视化。

方法论

在Google Colab中的分析过程包括：

• 数据准备和集成： 使用Geopandas、Pandas和PyShp等工具组织和合并空间和表格数据。
• 地理空间分析： 应用Shapely和Rtree进行空间分析，使用SciPy或Statsmodels进行统计相关性分析。
• 可视化和优化： 使用Matplotlib、Seaborn或Plotly生成地图和图表，并利用优化算法建议最佳种植位置。

交付物

1. 一系列Google Colab Python笔记本，概述我们的分析过程。
2. 连接树冠覆盖与城市发展指标的交互式地图和可视化。
3. 包含我们发现和增强城市树冠建议的详尽报告。

限制

• 计算资源： Google Colab的有限计算资源可能对数据集的大小或模型的复杂性构成挑战。
• 数据质量： 数据的准确性和时效性最终影响我们建议的精确度。
• 社会政治考虑： 我们的数据驱动建议的实施必须在当地政策和社区输入的背景下进行审查。

结论

DUCAEI旨在通过基于Python的分析项目，在Durham创造一个更加绿色和宜居的城市景观。通过为数据驱动的决策制定奠定坚实基础，我们希望培育一个繁荣、绿色和可持续的城市环境。