实习指导手册一.docVIP

实习指导书 一 邻近区分析与大都市郊区变化分析 实验目的 学习多边形要素、线要素和点要素的邻近区分析； 学习用RMI指数对大都市郊区的变化进行分析。 数据准备 多边形要素、线要素和点要素数据文件，在ex02-1文件夹里； 芝加哥、洛杉矶的数据文件，在ex02-2文件夹里。 主要内容 对危险物品存储基地的邻近区进行分析； 对铁路两侧的邻近区进行分析； 计算路网密度 对公园的服务范围进行邻近区分析； 计算大都市的RMI指数； 进行大都市郊区的变化分析，并制作专题地图。 实验要求 产生危险品仓库100m、200m、300m的邻近区，并进行显示设置； 产生铁路的20m，40m的邻近区，并进行显示设置； 计算选定区域的路网密度； 用不同距离产生各个公园的服务区范围； 计算大都市的RMI指数； 制作大都市郊区变化的专题地图。 上机操作步骤 邻近区分析 多边形要素的邻近区 激活data frame1，“道路”，仅用于地图显示，不参加分析；“仓库”表示某危险品存储基地； 假设存储基地100m范围内不准有建筑物，也不准堆放易燃易爆物品，周围200m范围内可以有一般建筑物，但仍不能堆放易燃易爆物品，周围300m范围不准建设住宅，以及商业、学校、办公等设施； 在data frame1属性里将Map和Display的单位设置为Meters； 用Analysis Tools/proximity/MultipleRingBuffer工具，生成多个环状邻近区，并存储成文件形式； 打开生成的邻近区文件，添加一个计算面积的字段，然后计算邻近区的面积。 线要素的邻近区 激活data frame2，将Map和Display的单位设置为Meters； 假设根据当地的要求，沿铁路两侧20m，40m范围内，进行环境整治、植树，要求提供专题地图； 用Analysis Tools/proximity/MultipleRingBuffer工具，生成多个环状邻近区，并存储成文件形式，并用Symbology进行设置显示。 利用邻近区计算道路网密度 激活data frame3，将Map和Display的单位设置为Meters； 计算道路的长度，多边形的周长和面积，用属性表里添加字段，然后计算的方式进行计算； 产生离开某个区界多边形的邻近区，选用菜单Selection/set selectable layers，只让“区界”图层为可选，然后选择一个多边形，用Analysis Tools/proximity/Buffer工具，设置-50meter的距离产生一个邻近区文件； 用菜单Selection/clear selected features清空选择集，鼠标右键点击刚才生成的邻近区文件，选择selection/select all，然后选择菜单Selection/selection by location，进行如下设置： I want to：select features from The following layer：勾选道路 That：intersect The feature in this layer：选择生成的邻近区文件 Use selected features：勾选 统计出选中道路的长度； 用identify图标查询出多边形的面积； 计算路网密度。 点要素的邻近区 激活data frame4，将Map和Display的单位设置为Meters； 用Analysis Tools/proximity/Buffer工具，对“公园”产生一个距离为1000meters的邻近区，在设置dissolve type时选择NONE； 再产生一个距离为500meters的邻近区，在设置dissolve type时选择ALL； 按下表对不同的公园产生不同的邻近区， 公园名称 邻近距离 A 750 B 500 D 1000 C 1000 I 750 H 500 G 750 E 750 F 500 对“公园”图层产生一个“distn”字段用来设置邻近距离，然后将表中的距离输入； 用Analysis Tools/proximity/Buffer工具，生成邻近区，注意设置：勾选Field选择distn，dissolve type选择ALL。 大都市郊区变化分析 背景资料 对比1990年至2000年人口调查数据，可以发现近郊区的人口等级普遍出现下降的趋势，而远郊区的人口等级出现较大的增加。在这个练习中，我们将使用芝加哥和洛杉矶的人口等级数据进行练习。 流动分级指数（Rank Mobility Index，RMI）：使用一个城市在两个特定时期的人口等级数据来计算。 其中：M=RMI，