使用常用测量等级对多个栅格数据进行叠加，并根据各栅格数据的重要性进行加权。
注释
所有输入栅格数据必须为整型。 浮点型栅格数据要先转换为整型栅格数据，然后才能使用。
根据评估等级为输入栅格中的各个值类分配一个新值。 这些新值是原始输入栅格值的重分类。 对于要从分析中排除的区域，将使用受限值。
根据各个输入栅格数据的重要性或者影响力百分比对其进行加权。 权重是相对百分比，并且影响力百分比权重的总和必须等于 100。 影响力仅通过整数值进行指定。 十进制值将向下舍入为最近的整数。
通过更改评估等级或影响力百分比可以改变加权叠加分析的结果。
参数
| 参数 | 描述 |
|---|---|
加权叠加表 | 加权叠加表由四个部分构成：
|
比例 | 重映射旧值时所采用的新值的范围。 |
像元大小类型 | 选择输出栅格中使用的像元大小。 如果所有输入像元大小均相同，则所有选项都会产生相同的结果。
|
范围类型 | 选择输出栅格中应使用的范围。
|
了解有关加权叠加的详细信息
“加权叠加”函数应用最常用的叠加分析方法之一来解决多准则问题，如地点选择和适宜性建模。 在加权叠加分析中，将执行所有的常规叠加分析步骤。 与所有叠加分析相同，在加权叠加分析中，必须定义问题、将模型分解为子模型并确定输入图层。
由于各输入指标图层使用的是范围各异的不同编号系统，因此，要在分析中使用它们，必须对每一指标图层的每个像元进行重分类以使它们的优先等级相同，如 1 到 10，其中 10 为最佳。 依据公共等级指定的优先级来表示某一指标在某一事物中所占的优先度。 优先值的等级具有相对性。 即，优先值为 10 的优先度是优先值为 5 的两倍。
同一图层内的优先值通过相互参照而得到，同时不同图层内这些优先值的含义也应该相同。 例如，如果为一个条件的位置指定优先值 5，则其对事物的影响与第二个条件中的 5 相同。
一个简单的房屋适宜性模型可能包含三个输入指标：坡度、坡向和到公路的距离。 坡度在 1 到 10 级范围内进行重分类，越平坦则成本越低；因此，最佳位置将被指定较高的值。 随着坡度变得陡峭，指定的值随之递减，最陡峭的坡度将指定级别 1。 类似地，在 1 到 10 级范围内对坡向进行重分类。在这种情况下，越朝南的坡向越佳，会相应指定较高的值。 对到公路的距离这一指标应用相同的重分类过程。 位置距离公路越近则越佳，因其更易获得电力资源且所需车道较短，因此建设成本较为低廉。 在重分类后的坡度图层中，就建设成本而言，适宜性值指定为 5 的位置是指定为 10 的坡度的两倍。 而在重分类坡度图层中，适宜性指定为 5 的位置与重分类距道路距离图层中适宜性指定为 5 的位置成本相当。
在加权叠加分析中，每个条件的重要性可能并不相同。 您可以为重要条件赋予比其他条件大的权重。 例如，在房屋适宜性模型示例中，如果出于长期保护的目的，则同坡度和到公路的距离这两个指标相关的短期成本相比，您可能认为较好的坡向更为重要。 因此，您可以使坡向值的权重两倍于坡度和到公路的距离条件的权重。
将输入指标乘以权重，然后进行相加。 例如，在房屋适宜性模型中，将坡向乘以 2 并将三个指标相加，或以另一种方法表示，即（2 * 坡向） + 坡度 + 到公路的距离。
叠加分析过程的最后一步是对模型进行验证以确保模型所示的地点真实存在。 对模型进行验证后，即可选择一个地点并建造房屋。
使用受限和 NoData 作为等级值
如果将级别值设置为 Restricted，则为加权叠加输出结果中的像元分配的值将为评估级别的最小值减去 1。 如果加权叠加的所有输入均不包含 NoData 像元，则您可以使用 NoData 作为级别值来排除某些值。 然而，如果所有输入中包含 NoData 像元，则最可靠且较为重要的做法是改为使用“受限”。 在加权叠加的结果中，可能会有一个或多个输入（输入中包含的 NoData 数与结果中包含的 NoData 数相同）和有意排除的受限区域包含 NoData 像元。 请勿混淆 NoData 值和“Restricted”值。 它们各自具有特定的用途。 某些 NoData 区域（不知道该区域的值）实际上可能却是适宜的区域。 如果使用 NoData 而不是 Restricted 来排除某些像元值，并且在一个或多个输入中存在 NoData，您将无法确定 NoData 像元是表示此区域在使用中受限还是此位置没有可用的输入数据。
在创建成本面时，要谨慎使用 Restricted 作为等级值。 因为使用 Restricted 会将像元值指定为评估等级的最小值减去 1，因此受限区域看似指定为成本最低，但实际上这些区域已从分析中排除。 对于要从分析中排除的区域，应为其指定较高成本或将等级值设置为 NoData。