叠加分析方法

执行叠加分析时可通过多种方法来加权和转换输入准则。 每种方法都会实施适宜性建模中最为常用的常规叠加分析步骤的一些排列。

1. 定义问题。
2. 将问题分解为子模型。
3. 确定重要图层。
4. 在图层内重分类或变换数据。
5. 确定输入图层的权重。
6. 添加或组合图层。
7. 选择最佳位置。
8. 分析。

• 了解有关叠加分析的详细信息

加权和添加转换输入准则的三种主要方法 - 步骤 5 和步骤 6 - 是加权叠加、加权总和和模糊叠加。 每种方法都有不同的基本前提和假设。 应根据要解决的特定问题选择最合适的方法。 以下是对各方法的简单介绍。

加权叠加

在“加权叠加”分析中，将由一系列工具辅助加权叠加工具按照上述常规叠加分析步骤完成操作。 加权叠加工具将按照定义的缩放比例（默认为 1 到 9）缩放输入数据、对输入栅格进行加权，然后将权重值相加。 会将对各个输入准则更加适宜的位置重分类为更大的值，例如 9。 在加权叠加工具中，分配给输入栅格的权重必须为百分之百。 将图层乘以相应的倍数，然后将每个像元生成的值相加。 “加权叠加”分析假设有利因素越多，输出栅格中生成的值越高，因此这些值较高位置将确定为最佳位置。

• 了解有关“加权叠加”工作原理的详细信息

加权总和

“加权总和”叠加分析遵循与上述叠加分析相同的常规步骤。 使用加权总和工具（辅之以其他 Spatial Analyst 工具）可以实现加法叠加分析。 输入图层的值需要在使用加权总和工具之前进行重分类。 与加权叠加工具中使用的权重不同，该工具分配给输入栅格的权重可以为任意值，而且相加总和不必为特定值。 在添加输入栅格时，加权总和工具输出值是将每个输入值乘以权重之后相加得到的直接结果。 与“加权叠加”分析有所不同，这些值不会按照定义的等级重新安排；因此，模型中所输入值的属性分辨率将保持不变。 “加权总和”分析假设有利因素越多，最终输出栅格中生成的值越高，因此这些值较高位置将确定为最佳位置。

• 了解有关“加权总和”工作原理的详细信息

模糊叠加

“模糊叠加”分析以集合论为基础。 集合论是一门将某现象的成员关系量化到具体集合的数学学科。 在“模糊叠加”分析中，集合通常与类对应。 模糊隶属度和模糊叠加工具用于执行此类型的分析。

“模糊叠加”分析基本上遵循上述常规叠加分析步骤，但在重分类值的含义以及通过合并多个条件得到的结果上均有所不同。 前三个步骤相同：定义问题、将问题分解为子模型和确定重要的图层。 与上述“加权叠加”和“加权总和”分析相同，“模糊叠加”分析将数据值重分类或变换到相同等级，但不同的是变换后的值可用于定义从属于指定集合的可能性。例如，坡度值在变换后将表示从属于良好适宜性集合的可能性（从 0 到 1，其中 1 表示一定从属于该集合）。 “加权叠加”和“加权总和”分析中的值表示优先级的比率级别，值越高表示越适合（与“模糊叠加”中的隶属可能性不同）。

由于“模糊叠加”中变换后的值表示隶属可能性，因此输入栅格不需要进行加权。 在常规叠加分析的填加和合并步骤（请参阅上述列表）中，“模糊叠加”不同于“加权叠加”和“加权总和”。 “模糊叠加”分析中的“合并”这一分析步骤将量化每个位置从属于各输入栅格中指定集合的可能性。

• 了解有关将模糊逻辑应用至叠加栅格的更多信息