了解叠加分析

叠加分析是在最佳位置选择或适宜性建模中应用的一组方法。 此技术是将通用比例值应用于各种不同的输入以创建集成分析。

适宜性建模为特定现象标识最佳位置或首选位置。 适宜性分析处理的问题类型范围如下:

  • 哪些地点适宜进行新房产开发
  • 哪些地点更适合作为鹿栖息地
  • 经济增长最可能出现在哪里
  • 哪些位置最容易遭受泥石流

叠加分析通常需要分析多个不同因素。 例如,为新房产开发选择地点意味着要评估诸如土地成本、与现有服务的邻近性、坡度和洪水频率之类的情况。 此信息存在于具有不同值范围的不同栅格中:美元、距离、度等。 将土地成本(美元)栅格添加到与公用设施的距离(米)栅格,则无法获得有意义的结果。

此外,在您的分析中各个因素的重要性可能不尽相同。 将选择地点与选择到公用设施管线的距离相比,土地成本可能更为重要。 二者之间重要性的相差程度也因人而异。

即使在单个栅格中,也必须按照优先级对值进行区分。 特定栅格中的某些值可能非常适用于您的目的(例如,坡度为 0 至 5 度),而其他值中有些可能较好,有些可能较差,甚至还有一些不可接受的值。

下面列出了执行叠加分析的常规步骤:

  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。

步骤 1 到 3 是解决几乎所有空间问题的常用步骤,对于叠加分析尤为重要。

1. 定义问题

定义问题是建模过程中最困难的步骤之一。 必须确定总体目标。 叠加建模过程的其余步骤的所有方面都必须致力于此总体目标。

与此目标相关的组件也必须定义。 一些组件可能是互补性的,而另一些组件可能是竞争性的。 但是,必须建立每个组件的明确定义以及它们的交互方式。

不仅确定问题所在很重要,还应该清楚地理解问题,这样才能定义何时解决问题或者何时得到满意的现象。 在问题定义中,应该建立特定测量以确定模型结果的成功。

例如,在确定滑雪场的最佳位置时,其总体目标可能是赚钱。 在模型中确定的所有因素都应该有助于使滑雪区域有利可图。

2. 将问题分解为子模型

大多数叠加问题都很复杂,因此建议您将这些问题分解为子模型,以便清楚地组织思路和更高效地解决叠加问题。

例如,可将用于确定滑雪场最佳位置的适宜性模型分解为一系列的子模型,这些子模型应有助于滑雪场赢利。 第一个子模型可以是 terrain 子模型,用于标识包含各种各样适合于滑雪者和滑雪板玩家的地形位置。

请确保人们可以到达 accessibility 子模型中能够捕获到的滑雪区域。 人们可以从主要城市以及地方道路到达这个子模型中包括的区域。

cost 子模型可以标识构建滑雪场地的最佳可能位置。 此子模型可将较平坦的坡地以及电力和供水公用设施附近的区域标识为适合的区域。

某些属性或图层可存在于多个子模型中。 例如,陡坡在 terrain 子模型中可能是适合的,但在 building 子模型中可能是不适合的。

3. 确定重要图层

需要对影响每个子模型的属性或图层进行标识。 每个因素会捕获并描述子模型正在定义的现象的组件。 每个因素致力于子模型的目标,而每个子模型致力于叠加模型的总体目标。 在叠加模型中应该包括所有有助于定义现象的因素并且仅包括此类因素。

对于某些因素,可能需要创建图层。 例如,更接近主要道路可能更合乎需要。 要标识每个像元与道路的距离,可能要运行欧氏距离以创建距离栅格。

4. 重分类/变换

不同的数字系统无法有效地直接组合。 例如,将坡度添加到土地利用会产生无意义的结果。 四个主要的数字系统如下:

  • 比率 - 比率范围有一个通常为零的参考点,并且该范围内的数字是可比的。 例如,高程值是比率数字,50 米高程等于 100 米高程高度的一半。
  • 间隔 - 间隔范围中的值彼此具有相关性;但没有公用参考点。 例如,pH 值范围是一种间隔类型,该范围中的值比中性值 7 高得越多,该值就越呈现碱性;该范围中的值比中性值 7 低得越多,该值就越呈现酸性。 但是,这些值并不是完全可比的。 例如,pH 值为 2 时的酸性并不是 pH 值为 4 时酸性的两倍。
  • 序数 - 序数范围建立了顺序,例如在赛跑中谁第一个到达终点、谁第二个到达终点以及谁第三个到达终点。 虽然建立了顺序,但不能直接比较指定的顺序值。 例如,赛跑中第一名的速度未必是第二名速度的二倍。
  • 标称 - 在标称范围中指定的值之间没有关系。 例如,土地利用值是标称值,但这些值相互之间无法进行比较。 土地利用值 8 不一定等于土地利用值 4 的二倍。

由于每个输入图层可能包含潜在的不同值范围和不同类型的数字系统,在能够组合多个因素进行分析之前,必须重分类每个因素或者将该因素的值范围变换为公共比率范围。

可以预定公共比率范围,例如 1 至 9 的范围或 1 至 10 的范围,值越高表示越适合;范围也可以是 0 至 1,用于定义属于特定集合的概率。

5. 权重

与其他因素相比,某些因素可能对于总体目标来说更重要。 这种情况下,在组合这些因素之前,可根据它们的重要性为其指定权重。 例如,在为滑雪场选址的 building 子模型中,坡度条件的重要性可能是因与道路的距离导致的建筑成本重要性的二倍。 因此,在合并这两个图层之前,应将道路距离建筑成本的权重乘以二得到坡度条件的权重。

6. 添加/合并

在叠加分析中,需要同时为所有输入因素建立关系以标识满足模型目标要求的所需位置。 例如,为输入图层指定相应的权重后,可将这些图层一起添加到相加型加权叠加模型中。 在此组合方式中,假设因素越适合,其位置将越合乎需求。 因此,在生成的输出栅格中的值越高,其位置将越合乎需求。

可以采用其他组合方式。 例如,在模糊逻辑叠加分析中,这些组合方式探讨某个位置的成员资格对于多个集合的概率。

7. 选择最佳位置

在大多数叠加分析和适宜性模型中,为您所建模的现象确定最佳位置是最终目标。 为确保有效运行,将对此现象有特定大小和空间要求。 这些要求包括运行所需的总面积、此面积应分布的区域数、区域的形状特征以及区域间的最小距离和最大距离。

查找区域工具可用于标识满足定义空间约束的所需区域的最佳组合。

8. 分析

建模过程中的最后一个步骤是分析结果。 潜在的理想位置是否在实际上能满足条件? 不仅要研究通过模型标识的最佳位置,还要调查第二个和第三个最适合的场地,这样做是有益的。

还应该到现场调查所标识的位置。 您需要验证设想的情况是否与实际情况一致。 从创建模型数据时起到现在,事情可能已经发生变化。 例如,景观可能是模型的输入条件之一;景观越好,该位置将越可取。 通过输入高程数据,模型标识具有最佳景观的位置;然而,在调查适合的场地时,发现在该位置的前方盖了一栋楼,恰好阻挡了视线。

接收上述所有步骤的输入后,即可选定位置。