机器学习+城市规划第十一期：地理加权回归（GWR）空间可视化实战：三张地图一目了然！
📍 引言
GWR（地理加权回归）是空间建模领域常用的一种方法，它考虑了变量与地理位置之间的关系，帮助我们揭示不同位置上变量作用强弱的空间差异。但相比模型本身，GWR 的可视化更具“说服力”与“直观性”。
在城市规划、地理信息科学、空间经济等领域中，我们不仅要“建模”，还要“看清空间差异”。
本次课程对于实战 GWR 空间可视化，重点解读以下三张图：
- ✅ 局部回归系数图（GWR Coefficients）
- 🟥 残差空间分布图（Residuals）
- 📊 局部决定系数图（Local R²）
🧠 可视化的意义是什么？
GWR 模型在每个地理位置拟合一套独立的回归系数，因此输出的结果具有空间属性，我们可以把模型结果直接映射到地图中！
这类空间可视化可以解答如下问题：
| 关键问题 | 可视化图 |
|---|---|
| 哪些地方某变量影响强？ | 局部系数图 |
| 哪些地方模型预测不准？ | 残差图 |
| 模型在不同区域拟合效果如何？ | 局部 R² 图 |
🌐 地理加权回归输出的空间文件
GWR 模型输出的 .geojson 文件是一个空间矢量数据集，每一行代表一个观测点（含坐标），附带字段如：
GWR_coef_X: 解释变量 X 的局部回归系数GWR_resid: 模型在该点的残差local_R2: 局部决定系数（解释率）
你可以把它看成带“地理坐标”的 Excel 表格，非常适合用 geopandas + matplotlib 进行绘图。
🧪 可视化代码详解
以下是完整的 Python 可视化代码，对于之前我们的两次模型实战，基于gwr_tools工具包生成了一个geojson文件，下面对这个文件进行可视化。
# ===== 1. 导入依赖 =====
import geopandas as gpd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文
plt.rcParams['axes.unicode_minus'] = False # 负号正常
# ===== 2. 读取 GWR 输出的 GeoJSON =====
gdf = gpd.read_file("gwr_result.geojson")
# ===== 3. 通用绘图函数 =====
def plot_map(gdf, column, title, filename, cmap="coolwarm"):
fig, ax = plt.subplots(figsize=(10, 8))
gdf.plot(column=column,
cmap=cmap,
legend=True,
scheme="quantiles",
markersize=35,
ax=ax,
edgecolor='k')
ax.set_title(title, fontsize=14)
ax.axis("off")
plt.tight_layout()
plt.savefig(filename, dpi=300)
plt.show()
print(f"图像保存为 {filename}")
📈 三张核心图解读
1️⃣ 局部回归系数图（GWR_coef_X）
plot_map(gdf,
column="GWR_coef_X",
title="GWR 局部回归系数空间分布",
filename="gwr_coef_map.png")
🧠 含义解释：
- 每个点的颜色表示：解释变量
X在该位置的回归系数值 - 正值（红色）：
X对Y有正向影响，数值越大，影响越强 - 负值（蓝色）：
X对Y有抑制作用
📍 用途：
- 辅助城市局部因子分析（如：收入对骑行率影响在哪些地区更强？）
2️⃣ 残差图（GWR_resid）
plot_map(gdf,
column="GWR_resid",
title="GWR 残差空间分布",
filename="gwr_resid_map.png",
cmap="bwr")
🧠 含义解释：
- 红色：模型预测高估，残差为正
- 蓝色：模型预测低估，残差为负
- 越接近 0，说明拟合效果越好
📍 用途：
- 判断模型是否在某些区域系统性失效
- 找出“模型盲区”或异常区域
3️⃣ 局部决定系数图（local_R2）
if "local_R2" in gdf.columns:
plot_map(gdf,
column="local_R2",
title="GWR 局部R方空间分布",
filename="gwr_r2_map.png",
cmap="YlGnBu")
🧠 含义解释：
- 表示在该位置模型解释了多少方差
- 数值区间：0~1，越接近 1 拟合效果越好
📍 用途：
- 评估 GWR 在不同区域的拟合能力
- 如果某地 R² 明显偏低，说明变量在该区作用不明显，应考虑添加新解释变量
✅ 总结与建议
| 可视化图 | 作用 | 推荐色带 |
|---|---|---|
| GWR_coef | 看变量空间影响 | coolwarm |
| GWR_resid | 看预测误差方向 | bwr |
| local_R2 | 看模型拟合能力 | YlGnBu |
💬 结语
空间分析的核心不只是建模，而是通过可视化让空间变得可感知、可沟通、可决策。
在城市规划、空间回归、空间经济等领域，不妨用 GWR + 可视化，一图胜千言！
@原创声明：本教程由课题组内部教学使用，利用CSDN平台记录，不进行任何商业盈利。