arcgis地统计分析（精选8篇）

arcgis地统计分析 第1篇

ArcGIS地统计分析（Geostatistical Analyst）1 介绍

1.1为什么使用ArcGIS Geostatistical Analyst

人为判断总是会遗漏某些重要信息，同时也会无中生有。而ArcGIS Geostatistical Analyst提供客观的数据驱动方法，定量预测数据变化趋势和从空间数据中发掘特征模型。如果数据不够精确或者模型不够准确，这样势必影响输出的地图和从中得到的结论。而ArcGIS Geostatistical Analyst可以提供一个概率框架，来定量计算生成数据面时的不确定性。

元统计分析方法利用属性数据之间的相关来推断不同变量之间的联系，ArcGIS Geostatistical Analyst可以联合各种数据来做更精确的预测。ArcGIS Geostatistical Analyst可以有效地推测一些空间现象的未知部分，因此，对采样计划的设计和优化非常关键。

1.2使用ArcGIS Geostatistical Analyst的各个领域

这个模块的应用对象不计其数，可以使用这个工具包开发任何一种地理数据集（比如坐标和属性），下面列出几个成功应用ArcGIS Geostatistical Analyst的典型领域：

气象学家和统计学家应用ArcGIS Geostatistical Analyst来进行气象数据分析。采矿行业广泛的应用ArcGIS Geostatistical Analyst，涉及从最初的地质特征研究到产量控制的各个阶段。

石油工业成功的应用ArcGIS Geostatistical Analyst，来分析包括地震数据和油井数据集成的空间数据，并且用来研究物理特性和地震属性之间的相关关系。

在环境问题的研究中，ArcGIS Geostatistical Analyst的应用提供了一个分析空气、土壤和地下水污染高效和一致的模型。演示、个例研究和研究教育论文提供了大量的应用ArcGIS Geostatistical Analyst的例子。同时，ArcGIS Geostatistical Analyst也成为评估渔业产量的一个标准方法。

精细农业所应用的土壤特性的图形分析中，ArcGIS Geostatistical Analyst也得到广泛应用。越来越多的农民或者农村顾问使用ArcGIS Geostatistical Analyst来增加作物产量、提高利润、减小对环境的不利影响。

2基本原理

地统计学与经典统计学的共同之处在于：它们都是在大量采样的基础上，通过对样本属性值的频率分布或均值、方差关系及其相应规则的分析，确定其空间分布格局与相关关系。但地统计学区别于经典统计学的最大特点即是：地统计学既考虑到样本值的大小，又重视样本空间位置及样本间的距离，弥补了经典统计学忽略空间方位的缺陷。

地统计分析理论基础包括前提假设、区域化变量、变异分析和空间估值。

2.1 前提假设（1）随机过程

与经典统计学相同的是，地统计学也是在大量样本的基础上，通过分析样本间的规律，探索其分布规律，并进行预测。地统计学认为研究区域中的所有样本值都是随机过程的结果，即所有样本值都不是相互独立的，它们是遵循一定的内在规律的。因此地统计学就是要揭示这种内在规律，并进行预测。

（2）正态分布

在统计学分析中，假设大量样本是服从正态分布的，地统计学也不例外。在获得数据后首先应对数据进行分析，若不符合正态分布的假设，应对数据进行变换，转为符合正态分布的形式，并尽量选取可逆的变换形式。

（3）平稳性

对于统计学而言，重复的观点是其理论基础。统计学认为，从大量重复的观察中可以进行预测和估计，并可以了解估计的变化性和不确定性。对于大部分的空间数据而言，平稳性的假设是合理的。这其中包括两种平稳性：一是均值平稳，即假设均值是不变的并且与位置无关；另一类是与协方差函数有关的二阶平稳和与半变异函数有关的内蕴平稳。二阶平稳是假设具有相同的距离和方向的任意两点的协方差是相同的，协方差只与这两点的值相关而与它们的位置无关。内蕴平稳假设是指具有相同距离和方向的任意两点的方差（即变异函数）是相同的。二阶平稳和内蕴平稳都是为了获得基本重复规律而作的基本假设，通过协方差函数和变异函数可以进行预测和估计预测结果的不确定性。

2.2 区域化变量

当一个变量呈现一定的空间分布时，称之为区域化变量，它反映了区域内的某种特征或现象。区域化变量与一般的随机变量不同之处在于，一般的随机变量取值符合一定的概率分布，而区域化变量根据区域内位置的不同而取不同的值。而当区域化变量在区域内确定位置取值时，表现为一般的随机变量，也就是说，它是与位置有关的随机变量。在实际分析中，常采用抽样的方式获得区域化变量在某个区域内的值，即此时区域化变量表现为空间点函数：

ZxZxu，xv，xw

根据其定义，区域化变量具有两个显著特征：即随机性和结构性。首先，区域化变量是一个随机变量，它具有局部的、随机的、异常的特征；其次，区域化变量具有一定的结构特点，即变量在点x与偏离空间距离为h的点x+h处的值Z(x)和Z(x+h)具有某种程度的相似性，即自相关性，这种自相关性的程度依赖于两点间的距离h及变量特征。除此之外，区域化变量还具有空间局限性（即这种结构性表现为一定范围内）、不同程度的连续性和不同程度的各向异性（即各个方向表现出的自相关性有所区别）等特征。

2.3 变异分析

（1）协方差函数 协方差又称半方差，表示两随机变量之间的差异。在概率论中，随机变量X与Y的协方差定义为：

CovX，YEXEXYEY

借鉴上式，地统计学中的协方差函数可表示为：

1NhChZxiZxiZxihZxih Nhi1

其中，Z(x)为区域化随机变量，并满足二阶平稳假设，即随机变量Z(x)的空间分布规律不因位移而改变；h为两样本点空间分隔距离；Zxi为Z(x)在空间点处xi的样本值。

Zxih是Z(x)在处距离偏离h的样本值[i=1,2,…,N(h)]；N(h)是分隔距离为h时的样本点对总数；Zxi和Zxih分别为Zxi和Zxih的样本平均数，即：

1nZxiZxi

ni1

1nZxihZxih

ni1

（2）半变异函数 半变异函数又称半变差函数、半变异矩，是地统计分析的特有函数。区域化变量Z(x)在点x和x+h处的值Z(x)与Z(x+h)差的方差的一半称为区域化变量Z(x)的半变异函数，记为r(h)，2r(h)称为变异函数。

根据定义有：

1rx,hVar[Z(x)Z(xh)]

2112rx,hE[Z(x)Z(xh)]{E[Z(x)]E[Z(xh)]}2 22

区域化变量Z(x)满足二阶平稳假设，因此对于任意的h有：

E[Z(xh)]E[Z(x)]

因此，半变异函数可改写为：

1rx,hE[Z(x)Z(xh)]2

2由上式可知，半变异函数依赖于自变量x和h，当半变异函数r(x,h)仅仅依赖于距离h而与位置x无关时，r(x,h)可改写为r(x)，即：

1rhE[Z(x)Z(xh)]2

2具体表示为：

1N(h)2rh[Z(xi)Z(xih)] 2N(h)i1

各变量的含义同前。也有将r(h)称为变异函数，两者使用上不引起本质上的差别。

（3）变异分析 半变异函数和协方差函数把统计相关系数的大小作为一个距离的函数，是地理学相近相似定理定量量化。

图10.1和图10.2显示，半变异值的变化随着距离的加大而增加，协方差随着距离的加大

而减小。这主要是由于半变异函数和协方差函数都是事物空间相关系数的表现，当两事物彼此距离较小时，它们是相似的，因此协方差值较大，而半变异值较小；反之，协方差值较小，而半变异值较大。此外，协方差函数和半变异函数随着距离的加大基本呈反向变化特征，它们之间的近似关系表达式为：

r(h)sillC(h)

半变异函数曲线图和协方差函数曲线反映了一个采样点与其相邻采样点的空间关系。此外，它们对异常采样点具有很好的探测作用，在ArcGIS地统计分析模块中可以使用两者的任意一个，一般采用半变异函数。在半变异曲线图中有两个非常重要的点：间隔为0时的点和半变异函数趋近平稳时的拐点，由这两个点产生四个相应的参数：块金值（Nugget）、变程（Range）、基台值（Sill）、偏基台值（Partial Sill）它们的含义表示如下：

块金值（Nugget）：理论上，当采样点间的距离为0时，半变异函数值应为0，但由于存在测量误差和空间变异，使得两采样点非常接近时，它们的半变异函数值不为0，即存在块金值。测量误差是仪器内在误差引起的，空间变异是自然现象在一定空间范围内的变化。它们任意一方或两者共同作用产生了块金值。

基台值（Sill）：当采样点间的距离h增大时，半变异函数人r(h)从初始的块金值达到一个相对稳定的常数时，该常数值称为基台值。当半变异函数值超过基台值时，即函数值不随采样点间隔距离而改变时，空间相关性不存在。

偏基台值（Partial Sill）：基台值与块金值的差值变程（Range）：当半变异函数的取值由初始的块金值达到基台值时采样点的间隔距离称为变程。变程表示了在某种观测尺度下，空间相关性的作用范围，其大小受观测尺度的限定。在变程范围内，样点间的距离越小，其相似性，即空间相关性越大。当h>R时，区域化变量Z(x)的空间相关性不存在，即当某点与已知点的距离大于变程时，该点数据不能用于内插或外推。

当限定的样本点间隔过小时，可能出现曲线图上曲线为一近似平行于横坐标的直线，此时半变异函数表现为纯块金效应。这是由于所限定的样本间隔内，点与点的变化很大，即各个样点是随机的，不具备空间相关性，区域内样点的平均值即是最佳估计值。此时只有增大样本间隔，才能反映出样本间的空间相关性。

空间相关性的强弱可由Partial_Sill/Sill来反映，该值越大，空间相关性越强，相应地，Nugget/Sill称为基底效应，表示样本间的变异特征，该值越大，表示样本间的变异更多得是由随机因素引起的。

2.4 空间估值

一个完整的地统计分析过程，或者说空间估值过程，一般为：首先是获取原始数据，检查、分析数据，找寻数据暗含的特点和规律，比如是否为正态分布、有没有趋势效应、各向异性等等；然后选择合适的模型进行表面预测，这其中包括半变异模型的选择和预测模型的选择；最后检验模型是否合理或几种模型进行对比。克里格插值

克里格插值（Kriging）又称空间局部插值法，是以变异函数理论和结构分析为基础，在有限区域内对区域化变量进行无偏最优估计的一种方法，是地统计学的主要内容之一。南非矿产工程师D.R.Krige（1951年）在寻找金矿时首次运用这种方法，法国著名统计学家G.Matheron随后将该方法理论化、系统化，并命名为Kriging，即克里格方法。

克里格方法的适用范围为区域化变量存在空间相关性，即如果变异函数和结构分析的结果表明区域化变量存在空间相关性，则可以利用克里格方法进行内插或外推；否则反之。其实质是利用区域化变量的原始数据和变异函数的结构特点，对未知样点进行线性无偏、最优估计。无偏是指偏差的数学期望为0，最优是指估计值与实际值之差的平方和最小。也就是说，克里格方法是根据未知样点有限邻域内的若干已知样本点数据，在考虑了样本点的形状、大小和空间方位，与未知样点的相互空间位置关系，以及变异函数提供的结构信息之后，对未知样点进行的一种线性无偏最优估计。

地统计分析的核心就是通过对采样数据的分析、对采样区地理特征的认识选择合适的空间内插方法创建表面。插值方法按其实现的数学原理可以分为两类：一是确定性插值方法，另一类是地统计插值，也就是克里格插值，如图所示。

确定性插值方法以研究区域内部的相似性（如反距离加权插值法）、或者以平滑度为基础（如径向基函数插值法）由已知样点来创建表面。地统计插值方法（例如克里格法）利用的则是已知样点的统计特性。地统计插值方法不但能够量化已知点之间的空间自相关性，而且能够解释说明采样点在预测区域范围内的空间分布情况。

确定性插值方法有可以分为两种：即全局性插值方法和局部性插值方法，如图10.4所示。全局性插值方法以整个研究区的样点数据集为基础来计算预测值，局部性插值方法则使用一个大研究区域内较小的空间区域内的已知样点来计算预测值。

克里格方法与反距离权插值方法有些类似，两者都通过对已知样本点赋权重来求得未知样点的值，可统一表示为：

Z(x0)iZ(xi)i1n

式中，Z(x0)为未知样点的值，Z(xi)为未知样点周围的已知样本点的值，λi为第i个已知样本点对未知样点的权重，n为已知样本点的个数。

不同的是，在赋权重时，反距离权插值方法只考虑已知样本点与未知样点的距离远近，而克里格方法不仅考虑距离，而且通过变异函数和结构分析，考虑了已知样本点的空间分布及与未知样点的空间方位关系。

空间插值方法根据是否能保证创建的表面经过所有的采样点，又可以分为精确性插值和非精确性插值。精确性插值法预测值在样点处的值与实测值相等，非精确性插值法预测值在样点处的值与实测值一般不会相等。使用非精确性插值法可以避免在输出表面上出现明显的波峰或波谷。反距离权插值和径向基插值属于精确性插值方法，而全局多项式插值、局部多项式插值，以及克里格插值都属于非精确性插值方法。

Zxi Zxi

Zxih Zxih

xi

arcgis地统计分析 第2篇

理解缓冲区分析和叠置分析的基本原理，学习利用arcgis进行缓冲区分析、叠加分析的操作，掌握如何合理利用空间分析中的缓冲区分析和叠置分析解决实际问题。

二、实验准备

1、实验背景： A．市区择房

随着商品房的发展，由于房屋的可选择余地越来越大，而且综合考虑小孩成长的缘故，所以越来越多的购房者对房屋的地段、环境，上学是否便捷，是否靠近名校等方面都提出了要求，所以综合考虑上述的因素，购房者就需要从总体上对商品房的信息进行研究分析，从而选择最适宜的购房地段。要求：所寻求的市区是噪声要小，距离商业中心要近，要和各大名牌高中离的近以便小孩容易上学，离名胜古迹较近环境优雅。综合上述条件，给定一个定量的限定如下：

离主要市区交通要道200米之外，交通要道的车流量大，噪音产生主要源于此；（ST为道路类型中的主要市区交通要道）

距大型商业中心的影响，以商业中心的大小来确定影响区域，具体是以其属性字段YUZHI；

距名牌高中在750米之内，以便小孩上学便捷；

距名胜古迹500米之内。

最后分别将满足上述条件的其中一个条件的取值为1，不满足的取值为0，即如果满足距主要市区交通要道200米之内，取值为1，反之为0；其他亦是如此，最后将其累加得到分级。即满足三个条件的累加得到3，满足2个条件的得到2，最后将全部分成4级。B．学校选址

学校的选址问题需要考虑地理位置、学生娱乐场所配套、与现有学校的距离间隔等因素，从总体上把握这些因素能够确定出适宜性比较好的学校选址区。综合上述条件，给定新学校选址要求：  新学校应位于地势较平坦处；

 新学校的建立应结合现有土地利用类型综合考虑，选择成本不高的区域；  新学校应该与现有娱乐设施相配套，学校距离这些设施愈近愈好；  新学校应避开现有学校，合理分布。

各数据层权重比为：距离娱乐设施占0.5，距离学校占0.25，土地利用类型和地势位置因素各占0.125。最后必须给出适合新建学校的适宜地区图，并对其简要进行分析。

2、实验材料：

软件：ArcGIS Desktop 9.x，实验数据：文件夹ex5中

（1）市区择房数据：城市市区交通网络图“network.shp”、商业中心分布图“Marketplace.shp”、名牌高中分布图“school.shp”、名胜古迹分布图“famous place.shp”、这些文件综合在一起是“city.mxd”

（2）学校选址数据：土地利用图Landuse、地面高程图dem、娱乐场所分布图rec_sites、现有学校分布图school

三、实验内容及步骤 A、市区择房

启动ArcMap，打开ex51city.mxd文件，将所有数据加进来； 第1步：主干道噪音缓冲区的建立

第2步 商业中心影响范围建立

第3步 名牌高中的影响范围建立

第4步 名胜古迹的影响范围建立

第5步 进行叠置分析将满足上述四个要求的区域求出

第6步 分级

为了便于购房者的选择有更大的余地，更直观地，综合上述四个因子，对整个地区进行分等定级，分级标准是：满足其中四个条件为第一等级；满足其中三个条件为第二等级；满足其中两个条件为第三等级满足其中一个条件为第四等级；完全不满足条件的为第五等级。

B、学校选址

ArcGIS中实现学校选址分析，首先利用现有学校数据集、现有娱乐场所数据集和高程数据派生出坡度数据以及到现有学校、娱乐场所距离数据集。然后重分类数据集到相同的等级范围，再按照上述数据集在学校选址中的影响率赋权重值，最后合并这些数据即可创建显示新学校适宜位置分布的地图。

重分类数据集

a.重分类坡度数据：采用等间距分级分为10级，得到坡度适宜性数据“reclassslope”，在平坦的地方适宜性好，赋以较大值，陡峭的地区赋比较小的值。

arcgis地统计分析 第3篇

地质统计学是上个世纪60年代法国人Matheron在前人的基础上总结并提出的, 它又称为克里格方法 (Kriging) 。地质统计学中的克里格插值方法, 由于其具有插值和估计的双重特点, 在许多领域中都得到了广泛应用, 已成为空间统计学上的一个重要分支, 同时也成为许多专业、商业软件的重要组成部分。

近几十年来, 地理信息系统 (Geographic Information Sys tem, 简称GIS) 技术发展很快, 作为其重要的组成部分——空间信息分析, 也已经发展出一些重要的理论模型方法。空间分析的应用领域含盖面极广, 包含空间分析、空间数据分析、空间统计、地质统计学等。在目前众多的GIS软件中, 虽有许多都涉足了空间分析领域, 但其中有关地质统计学方面的内容却非常少。Arc GIS8及以上版本软件中, 将地质统计学单独作为一个分析扩展模块 (即Geostatistical Analyst, 简称GA) 纳入到了整个Arc GIS软件的框架体系结构中。

在GIS软件中, 嵌入地质统计学分析模块是Arc GIS软件的一大特色, 笔者在本文中将结合该软件, 介绍GA模块中各种Kriging插值方法及其适用范围, 并对样本区域选用最适合的克里格方法进行内插, 来模拟预测表面并计算填挖土方量。

1 地质统计学基础

1.1 地质统计学概念

地质统计学 (简称地统计学) 是以区域化变量理论为基础, 以变异函数为主要工具, 研究那些在空间分布上既有随机性又有结构性, 或空间相关和依赖性的自然现象的科学。

它是数学地质领域中一门发展迅速且有着广泛应用前景的新兴学科。经过广大数学地质工作者、地质统计学工作者、矿山地质和采矿设计专家及其他地质统计学应用者和爱好者的不断努力, 现在已经形成了一套独立的理论体系, 成为数学地质中比较活跃的一个分支。

1.2 克里格插值基础

克里格插值 (Kriging) 又称空间局部插值法, 是以变异函数理论和结构分析为基础, 在有限区域内对区域化变量进行无偏最优估计的一种方法, 是地统计学的主要内容之一。南非矿产工程师D.R.Krige (1951) 在寻找金矿时首次运用这种方法, 法国著名统计学家G.Matheron随后将该方法理论化、系统化, 命名为Kriging, 即克里格方法。

克里格法是根据待插值点与临近实测高程点的空间位置, 对待插值点的高程值进行线性无偏最优估计, 通过生成一个关于高程的克里格插值图来表达研究区域的原始地形。总的公式是:

式中:Z (x0) 表示未知样点的值;Z (xi) 表示未知样点周围的已知样本点的值;N为已知样本点的个数;λi为第i个样本点的权重。它的确定是通过半方差图分析获取的, 根据统计学上无偏和最优的要求, 利用拉格朗日极小化原理, 可推导出权重值和半方差之间的公式。

1.3 克里格插值的分类

在GA模块中, 有8类克里格方法其简单描述和适用范围如表1所示。

在不同的研究区域和研究尺度下, 用户可使用不同的克里格方法来进行数据的处理和分析。

2 ArcGIS地统计分析

近年来, 随着GIS学科的发展, GIS与地质统计学的联系越来越紧密, 此时Arc GIS地统计分析模块 (GA) 的出现为地统计学和GIS架起了一座桥梁。Arc GIS地统计分析模块主要由3个功能模块组成:探索性空间数据分析、地统计分析向导以及生成数据子集。利用这些基本功能模块, 可以方便地完成多种地统计分析, 创建完善的专题地图 (表面预测) 。

2.1 探索性空间数据分析

在获得样本点数据后, 首先需要对数据进行分析, 检验数据的分布, 分析数据的趋势性等。探索性空间数据分析 (Explore Spatial Data Analyst, ESDA) 模块提供了一系列的工具来检查数据, 以便对与其数据相关的问题做出更加合理、科学的决策。

对研究区内的127个样本高程点进行分析及拟合表面, 包括数据的分布检验和样本数据趋势分析。

2.1.1 高程点数据分布检验

在地统计分析中, 克里格方法是建立在平稳假设的基础上, 这种假设在一定程度上要求所有数据值具有相同的变异性。另外, 一些克里格插值 (如普通克里格法、简单克里格法和泛克里格法等) 都假设数据服从正态分布。如果数据不服从正态分布, 需要进行一定的数据变换使其服从正态分布。因此, 在用地统计分析创建表面之前, 了解数据的分布状况十分重要。在Arc GIS GA模块中, 主要提供了两种方法检验数据的分布:直方图法和正态QQPlot图法。

该研究通过地统计分析工具生成127个样本点的直方图和正态QQPlot图, 分别如图1、图2所示。从图1及其各种统计指标值可以看出, 该样本点近乎于正态分布。在图2中, 该例选取的127个样本点基本沿直线分布, 也说明样本点接近于服从正态分布。在本研究区的样本点近乎于正态分布, 而且区域化变量高程值Z的期望值是未知的, 经过分析, 在后期预测表面时, 采用普通克里格插值是最为合适的。

2.1.2 样点数据趋势分析

趋势分析工具提供用户研究区平面上的采样点转化为以感兴趣的属性值为高度的三维视图, 然后用户从不同视角分析采样数据集的全局趋势。趋势分析图中的每一根竖棒代表了一个数据点的值 (高度) 和位置。这些点被投影到一个东西向的和一个南北向的正交平面上。通过投影点可以做出一条最佳拟合线, 并用它来模拟特定方向上存在的趋势。

此研究中的趋势分析图中南北方向不存在趋势, 而东西方向上有明显的东高西低的趋势出现, 因此需要用一次曲面拟合, 即在后续剔除趋势的操作中选择First。可见, 使用趋势分析来分析样本点数据的走向, 可以使后续的表面拟合更加客观, 拟合的结果具有更大的可信程度。

2.2 使用普通克里格法创建表面

普通克里格法是根据待插值点与临近实测高程点的空间位置, 对待插值点的高程值进行线性无偏最优估计, 通过生成一个关于高程的克里格插值图来表达研究区域的原始地形。

在Arc GIS GA模块中的统计分析向导中, 使用普通克里格方法内插表面可按以下步骤进行操作:

(1) 数据的输入及内插方法的选择;

(2) 完成具体克里格方法以及结果类型图的选取、数据转换方法的选择、以及趋势剔除时所用多项式阶数的选择等。

如此, 便可以很方便地生成一幅基于普通克里格插值法的预测图。

3 土方量的计算

土方工程量是原始地表与设计地表之间的体积值之差。因此在完成对原始地表的模拟后, 还需要利用设计数据建立同一区域的设计地面模型。在计算设计地表时, 要根据具体情况和施工要求使建立的设计地表遵循一定的施工原则, 例如填挖平衡原则、挖方大于填方等。我们已经借助Arc GIS软件地统计克里格插值法对原始地表进行模拟, 然后进一步将其转化成栅格, 就是把所要平整的场地按一定的格网间距dx、dy (一般dx=dy) 进行格网化的过程, 则每一个格网值就是一个高程值。

对任意格网的土方量计算, 其分量可以表示为△Ζ (i, j) =Ζ (i, j) t-Z (i, j) d。其中, Z (i, j) t表示地表DEM的格网高程, 在该研究中地表DEM由地统计克里格插值方法获得;Z (i, j) d表示设计DEM的格网点高程。对任一格网 (i, j) 而言, 若△Z (i, j) >0, 则该格网为挖方;若△Z (i, j) <0, 则该格网为填方。假设格网面积为S, 则该格网处的土方量为V (i, j) =△Z (i, j) ×S。分别对V (i, j) >0和V (i, j) <0的数据进行累加, 即可求得该区域的填挖方量。

在Arc GIS空间分析 (Spatial Analyst) 模块中, 可采用表面分析中的Cut/Fill工具进行挖填方的计算, 把所生成的栅格图属性表输出, 并分别对其中的正负数值进行累加, 即可得到该样本区域的挖填方量。

4 结束语

Kriging方法有很多类型, 每种类型都有各自的优缺点及适用范围, 我们在具体使用时, 应该在ESDA中对数据特性分析的基础上, 来选择使用最适合的方法。用地统计克里格插值法计算土方量只需提供平整场地的高程值, 通过高程点样本数据分布检验、样点数据趋势分析, 进而用克里格插值生成DEM预测表面, 即可根据模拟生成的栅格图进行土方的计算, 大大减少了工作量, 提高了工作效率。

参考文献

[1]秦涛, 付宗堂.ArcGIS中几种空间内插方法的比较[J].物探化探计算技术, 2007 (1) .

[2]王劲峰, 李连发, 葛咏, 等.地理信息空间分析的理论体系探讨[J].地理学报, 2000 (1) .

[3]侯景儒, 尹镇南, 李维明, 等.实用地质统计学[M].北京:地质出版社, 1998.

[4]俞志新, 李艳, 黄明祥.地统计克里格插值法在工程土方计算中的应用[J].浙江水利科技, 2003 (4) .

[5]孙洪泉.地质统计学及其应用[M].北京:中国矿业大学出版社, 1990.

[6]汤国安, 杨昕.ArcGIS地理信息系统空间分析实验教程[M].北京:科学出版社, 2006.

[7]陈勇.利用ArcGIS地统计分析进行土地平整土方量计算的研究[J].安徽农业科学, 2007 (1) .

arcgis地统计分析 第4篇

关键词：ArcGIS 地理国情普查 检查验收 质量评定 分析

1、引言

地理国情普查成果检查验收与质量评定工作是一项具有开创性的工作，工作量大、工期紧迫、任务繁重、工艺复杂，上下工序衔接频繁，人工检查工作量巨大。现有的各类质检软件只能完成数据结构、拓扑、属性合理性等规则性较强的程序化检查，而对于数据正确性、表达合理性等主观判断的内容，必须通过人工检查方法进行。传统人工检查与质量评定工作量大、效率较低，且容易造成评价标准不一。

如何结合现有技术规范创新检查验收方式、方法，提高检查验收工作效率保证最终成果质量具有重要意义。ArcGIS友好可视化的界面，提供了一个开发的平台进行符号库的定制，便于检查人员直观的进行图面检查工作；ArcGIS强大的数据库功能可以给每一个样本的众多详细信息进行记录，还有借助于Excel的数据分析功能，从不同角度显示数据来进行比较和分析，并可以生成图表，便于质量管理；ArcGIS提供了一个可以编辑的“创建要素”的功能，可以根据项目需求定制规范模板，标记检查错误，提高检查效率。

2、利用ArcGIS进行地理国情普查成果检查验收与质量评定

2.1利用ArcGIS定制符号库

ArcGIS的图层属性中的“符号系统”，可进行标准符号的定制工作，国情普查数据成果中，包含了37个图层，各要素字段繁多，需要合理选择字段，进行符号对照定制。地理国情信息分类码（即CC码）为极重要的一个字段，也是国情普查综合统计的重要依据，而GB码是基础测绘成果要素的重要字段，且与CC码有较为严密的对照关系，该字段为国情普查数据与基础测绘数据对接的重要依据，综上分析，采用2种方式进行符号定制：

（1）地表覆盖分类数据：LCA层数据结构较简单，使用CC字段“唯一值”的方式。根据CC码定制LCA层符号，图形填充为空，边线为红色，方便检查人员套合DOM进行检查。

（2）地理国情要素数据：符号系统的定制考虑采用CC、GB字段 “唯一值，多个字段”的方式。根据《GDPJ 51-2013地理国情普查常见问题解答（一）》中附录A：地理国情要素数据与基础地理信息数据代码对照表和《GBT 13923-2006 基础地理信息要素分类与代码》，定制了CC字段与GB字段对应的符号系统。

建立一套完整的成果符号库系统，质检人员可以根据各类符号的显示及标注内容，更直观的进行图面内容的检查。此外，“多字段”符号化显示方式将错误的对照关系直观的反映到图面上，质检人员可以通过各类符号的显示轻松判断数据的正确性。

2.2利用ArcGIS数据库功能存储检查结果

利用ArcGIS的数据库功能存储检查结果，需要根据质量评定指标合理定制数据库结构及字段，以实现检查结果的库文件存储，为后续与Excel进行数据传递做数据准备。统一检查结果数据库目录结构，统一规定数据格式（ArcGIS Personal GEODATABASE），存储检查记录结果集，有利于质检人员对检查记录数据进行管理，有利于作业人员对错误记录进行位置定位。主要作用如下：

（1）检查记录便于管理，可实现无纸化记录；

（2）实现软件检查结果人工排查记录及人工检查记录的汇总；

（3）为自动化评定、成果质量分析做数据准备；

（4）可进行错误定位，方便作业人员修改问题，同时也方便质检人员复查。

2.3利用ArcGIS定制错漏模板

数据库结构及字段确定以后，即可利用ArcGIS“创建要素”的功能，定制错漏模板。根据各类成果的质量评定指标制定相应的检查错漏类型库，以模板化的形式描述各类常见错误，并依据质量评定指标将错误类型的质量元素、质量子元素设定在模板中，质检人员只需选择错漏类型库中相应的错误模板类型进行图面标注，而不再需要进行错误描述及质量元素、质量子元素的归类。在提高检查效率的同时检查记录错漏描述也更规范一致。

在检查图层处于编辑状态下，启动“创建要素”窗口，检查错漏类型库处于激活状态，直接选择相应的错误类型，标注在图内，问题描述会记录在检查结果数据库中。模板列举了各类检查错误，并依据质量评定指标将错误类型的质量元素、质量子元素设定在模板中。

3、结束语：

ArcGIS平台具有较强的稳定性和可移植性，可实现数据合理对接，在地理国情普查成果检查验收与质量评定工作中有较大优势。本文借助于ArcGIS符号化显示功能，结合地理国情普查数据的自身特点，合理定制了基于CC与GB对照的符号，提供一个可视化的电子图面检查平台；ArcGIS具有强大而灵活的地理数据库，采用数据库形式存储检查结果，便于数据存档，还可以利用ArcGIS强大的数据交换平台，通过二次开发传递数据给Excel，最终实现检查记录与质量评定工作；采用ArcGis平台进行错误标记，有效的利用了上述两项成果，在一个可视化的平台下，质检人员可以根据各类符号的显示及标注内容，更直观的进行图面内容的检查，错误标记及描述将以标准的数据结构存储在定制的数据库中，错误标记还可通过切片工具导入外业调绘平板，方便质检员无遗漏的进行外业核查。综上所述，利用ArcGIS进行地理国情普查成果检查验收与质量评定工作是可行的，可完成各类地理国情普查成果交互式检查，能够在很大程度上实现检查工作的内外业一体化，减少成果质量评价过程中繁琐的计算工作，显著的提高检验效率。实现了检查验收工作的无纸化、数字化和空间化。

参考文献

[1]王宏偉.ISO9000质量管理体系在地理国情普查工作中的应用[J].测绘与空间地理信息，2014（06）.

[2]耿爱君，郜秀敏，孙一丹.内外业一体化在地理国情普查中的必要性分析[J].测绘标准化，2015（01）.

[3]任宏权，秦先锋，辛安仙，秦广田.利用ArcGIS、Excel进行地理国情普查生产过程管理.测绘技术装备，2014（04）.

[4]杨靓，陈新湖，李培，周旭.地理国情普查一体化生产组织模式探讨[J].遥感信息，2014（4）.

arcgis地统计分析 第5篇

载入的shp文件CHNPRO31.shp

右键点击选open Attribute Table

打开的属性数据：

点选opention

点击Add field

如果选择做是长整数

如果选包含小数

字段选text 准备编辑数据，在excel上按地名编码procode等排好再复制

作以上这个动作之前须启动编辑器Editor（四个黑点的笔）:

点start Editing之后开始粘贴数据

粘贴数据后退出编辑：

再右击shp文件输出数据：

输出文件重新起名后点击ok

用以下OpenGeoda画图：

以下作分位数图：4分位-9分位 用以下Geoda095i软件做空间权重矩阵和空间统计分析(参看geoda中文版手册)

输出文件要起文件名字：

选4个邻居（这个随便，也有选8个），还有距离远近门槛值，具体参见geoda使用说明

选择的权重文件的ID变量，这里是PROCODE,还可考虑什么ID？

点create，Done，空间权重被制作

点regress后作空间回归，加载空间权重，才可作空间滞后和空间误差模型

因变量GDP，自变量出口、投资、消费 补充：ArcMap裁减地图数据： 在启动编辑器，启动编辑才可裁减！

arcgis地统计分析 第6篇

地理网络分析是项重要的GIS空间分析功能.利用WebGIS技术为公共用户提供包括地理网络分析在内的分析工具是共享操作研究的一个重要应用研究方向.讨论了基于ArcGIS Server二次开发上的地理网络分析系统的设计方案.将调用的分析模型API函数集成为系统功能的实施关键技术.把道路追踪、资源分配等事务在Internet环境下应用与模拟,系统显示出功能齐备、良好的人机交互性能、稳定的.空间运算过程等优点.能够满足地理网络分析的事务性和商业化的需求.

作 者：乔纪纲 张亦汉 QIAO Ji-gang ZHANG Yi-ban 作者单位：乔纪纲,QIAO Ji-gang(广东商学院,资源与环境学院,广东,广州,501320)

张亦汉,ZHANG Yi-ban(中山大学,地理科学与规划学院,广东,广州,510275)

arcgis地统计分析 第7篇

实习目的

（1）巩固多因子分析的主要流程，熟练掌握多种空间分析方法的综合 运用。

（2）进一步培养学生分析问题、解决问题的综合能力；（3）掌握 SRTM DEM 数据的获取方法。

实习准备

（1）软件准备： ARCGIS10、ENVI4.7（2）方法准备：多因子分析原理及方法（可参考相关书籍）

实习数据

 TM 影像：用于派生归一化植被指数（NDVI） 土地利用类型

 DEM 数据：用于派生坡度数据，根据研究区范围从网上获取（http://srtm.csi.cgiar.org/SELECTION/inputCoord.asp）

 降雨量数据：（大家在研究区均匀选择 30 个离散点进行模拟）

实习主要步骤及要求

假设影响土壤侵蚀的因子有:坡度、植被覆盖率（可用 NDVI 代替）、土地利用类型、降雨量；根据多因子分析的原理和方法，在数据预处理 的基础上，运用叠加分析方法完成土壤侵蚀危险性评价，并根据相关标 准进行危险性分级。主要步骤：

① 确定评价模型：本次评价用加权平均模型，表达式为：② 数据预处理：派生所需要的数据，重分类数据到统一的等级；

③ 确定各因子权重：假定坡度 0.3、降雨量 0.3、植被覆盖（NDVI）0.25；土地利用类型 0.15。

④ 叠加分析：通过叠加分析完成土壤侵蚀危险性评价； ⑤ 制作危险性等级图。

详细操作步骤

1)多波段合成：实习数据给的2张TM影像均为3张单波段影像，需要进行多波段合成处理

2)去除锯齿

多波段合成后的2张影像均可以看到明显的锯齿，所以要先去除锯齿 1)使用特征提取工具去除锯齿：在这里我使用特征提取工具

2)输出去除锯齿后的影像

3)拼接影像

将2张影像拼接成一幅完整的影像，注意影像的位置，位于下方的的影像上方 1)拼接影像

2)分别对2张影像设置参数，：

3)输出拼接后的完整影像：

4)拼接及假彩色合成后的影像如下：

4)提取NDVI

5)根据TM影像的坐标在网上下载DEM数据 6)DEM数据合成

1)在ArcMap中添加DEM数据

2)DEM数据的合成：网上下载的数据为4幅数据，在此需要进行dem数据的合成，打开Arc Toolbox，< Arc Toolbox >－－－－，设置参数如下图：

7)环境设置：将研究区设置为landuse，主选项卡< Geoprocessing >－

8)将DEM数据的地图投影坐标系转换和TM影像一致

1)将TM影像输出为TIFF格式，并添加至ArcMap地图窗口中

2)进行投影转换，打开Arc Toolbox，< Arc Toolbox >－－－

，设置参数如下：

导入地图窗口如下：

9)新建降雨量数据

1)ArcCatalog中新建点.shp文件，命名为rainfall，添加至地图窗口中

2)均匀添加30个点

3)打开属性表，添加降雨量值字段rainfall，类型设置为长整型

4)输入降雨量值（注意打开编辑），设置值如下：

10)对降雨量离散点数据空间差值：采用kriging差值法，打开Arc Toolbox, < Arc Toolbox >－－－，结果如下：

11)提取坡度：由研究区的DEM数据提取坡度，打开Arc Toolbox,添加工具，< Arc Toolbox >－－－双击工具，设置参数如下：

导入地图窗口如下：

12)对坡度重分类

重分类为6级，坡度最大危险性最高，赋值为6，依次坡度最小危险性最小赋值为1，打开Arc Toolbox, < Arc Toolbox >－－－< Reclassify>添加工具，双击工具，根据以上要求设置参数如下：

13)对土地利用类型重分类

重分类为6级，危险性最大的土地利用类型赋值为6，依次危险性最小的土地利用类型赋值为1，打开Arc Toolbox, < Arc Toolbox >－－－< Reclassify>添加工具，双击工具，根据以上要求设置参数如下：

14)对降雨量重分类

重分类为6级，降雨量最大危险性最高，赋值为6，依次降雨量最小危险性最小赋值为1，打开Arc Toolbox, < Arc Toolbox >－－－< Reclassify>添加工具，双击工具，根据以上要求设置参数如下：

15)栅格叠加 权重设置如下：“slope_r” * 0.3 + “rainfall_r” * 0.3 + “NDVItiff.tif” * 0.25 + “landuse_r” * 0.15

16)分类渲染

分为6类，设置颜色和文字说明，如下：

17)专题图制作：添加图名、图例、比例尺、指北针、制图信息、文字说明，输出为JPG格式成果图（JPG）

专题图分析：

基于ArcGIS的坡度分析 第8篇

1 基本资料搜集和基本工作流程

基础资料搜集:基础资料搜集包括研究区轮廓图、地形图等。

基本工作流程:通过扫描地形图首先得到光栅图像,再进行矢量化得到矢量化的等高线数据;然后利用ArcGIS的空间分析功能生成坡度,再导出属性数据,在Excel下进行处理得到平均坡度。

2 计算坡度组成和平均坡度

2.1 传统方法

选择几个典型坡向线(或地形剖面),分别量测该线上的每段坡度和坡长,并求出各段坡长占全部坡长的权重fi(即坡度分布面积占全流域面积的比例数),再用下式计算出典型坡面的平均坡度。同理,测算出所有典型坡面的平均坡度,然后依据每一典型坡面所占流域总面积的份额(由面积大小决定),再与其求得的各个平均坡度相乘累加求出研究区的总平均坡度[2],研究区平均坡度的计算公式为:undefined。式中,undefined为研究区平均坡度;si为量测的坡度值;fi为该坡度分布面积占总研究区的比例数,即权重;n为划分坡度的个数。

由此可以看出,传统方法存在着以下几个弊端:①分析结果精确度低。典型坡向线的确定存在着很大的人为主观因素,即操作结果随操作人员素质、经验的不同而异,操作结果具有随机性和多样性,从而导致操作结果的精确度较低。②工作效率低。细化测量单元面积、提高测量精度虽然可减小操作结果的误差,但同时也带来大量的计算工作,这项工作如果用人工的方法来完成,所要消耗的工作时间非常多[3]。

2.2 利用ArcGIS分析功能计算平均坡度

利用ArcGIS软件的Spatial Analyst(空间分析模块)功能模块,先由矢量等高线数据生成DEM栅格表,再由Slope函数提取出坡度,对坡度进行重分类,然后对该数据层的属性数据进行统计和分析。

操作流程如下:①加载等高线数据。②加载Spatial Analyst(空间分析模块)功能模块,运行 Spatial Analyst/Interpolate to Raster/Spline命令,生成DEM栅格表。③图形裁减。利用ArcToolbox/Spatial Analyst Tools/Extraction/Extract by Mask工具,对栅格图像进行裁剪,依据研究区轮廓图将研究区的DEM图裁剪出来,结果见图1。④提取坡度。运行 Spatial Analyst/Surface Analysis(面分析)/Slope(坡度分析),生成研究区的坡度图,栅格图形中每一个点的像素单元值(Pixel Value)即为改点的坡度值,结果见图2。⑤坡度重分类。运行 Spatial Analyst/Reclassify(重分类)工具,将坡度按表1进行分类,结果见图3。⑥坡度分类统计。将重分类后生成的栅格图形属性表导出为.dbf文件,通过Excel软件进行汇总和统计,计算出研究区坡度组成以及平均坡度,见表1。

由此可见,与传统方法相比,利用ArcGIS的空间分析功能分析研究区的坡度组成情况和平均坡度的优点为:①分析结果误差较小。分析结果可满足用户对精度、尺度的要求,减少了分析结果的随机性、多样性所产生的误差,减少了人为主观因素的影响。②工作效率较高。计算和分析的整个过程都由计算机来处理,效率高、速度快、结论精确、可用性强,减少了人为因素对数据分析造成的误差影响。

3 结语

利用ArcGIS软件对数据处理和空间分析功能可算出研究区的最高、最低海拔和平均海拔等各项属性数据。该技术具有数据存储、查询、图形计算、统计分析、属性和图形数据输出、模型应用等功能。ArcGIS图形空间叠加和分析功能为水土保持工作提供一种新技术、新方法。

参考文献

[1]王勇,鄢铁平,刘岩松.GIS在水土保持规划设计中的应用[J].中国水土保持,2005,(10)∶35-36.

[2]李智广.水土流失测验与调查[M].北京:中国水利水电出版社,2005∶148.