空间分析课件-第7讲：地图代数建模.pptVIP

五.地图叠置“地图叠置”是不同图层之间信息融合方法的简洁表述。任何GIS最重要的特点之一是它能够结合空间数据集，创建包括各种信息来源的新地图。该过程一般被称为“地图叠置”，它只不过是被称为“筛选叠图”(sievemapping)的一种古老技术的GIS形式。该技术最先由一位景观规划师(McHarg,1969)正式提出。“开窗”和“缓冲区”这两种基本的低层次GIS操作，都涉及多边形（面/面）叠置。由于点，线，面三种要素都有可能获得交集所以它们的交集的情形有七种。布尔叠置数据获取在叠置分析中包含什么，几乎总是要看有什么样的数据可用。理想情况下，每个输入图层具有相同标准的准确度和精度，并且都投影到同一参考坐标系统。这在实践中很少碰到，而且输入数据通常是扫描和数字化地图。如果不采取足够谨慎的态度，使用这样的数据可能带来灾难性后果，这无论怎么强调都不过分。如果想要得到好的叠置分析结果，那么输入信息在准确度和精度上的一致性就很重要。至少有四个陷阱在等待那些不小心的人：准确度和精度本身通常是地图比例尺的函数。这相当于要求数据源全部是差不多相同的比例尺，并且输入比例尺应该与结果所要求的比例尺一致。例如，把一个源于1：1万的林地区域图叠置到一个1：25万的地质图上，在输出地图中得不到等同于那个1：1万数据的局部精度。然而人们通常看到复杂的叠置结果，似乎忘了这个简单的事实。同一对象的数字化数据可能来自不同数据源，如面对象的边界。这意味着对于同一对象，数据包含了多于一个的数字化近似值，并且可能有差异。在基于矢量的系统中，其结果是“碎屑”多边形的产生。栅格数据不同的重抽样也可能产生类似情况。一种错误观念，即地图上任何事物都是准确定位的。当输入数据本身是数据运算的结果时，甚至需要更谨慎一些，如像数字高程矩阵这样的插值场变量，或者更糟糕的，使用从其中导出的数据，比如坡度图。Inthisexample,twopolygonsareintersectedtoformninenewpolygons.Oneisformedfrombothinputpolygons(1);fourareformedbyPolygonAandnotPolygonB(2-5);fourareformedbyPolygonBandnotPolygonA(6-9)AB123456789多边形叠置它假设这些关系真的是布尔关系。该假设通常不仅在科学上是荒谬的，而且它往往也会丢掉大量的度量信息。如在滑坡示例中，应用一个30°的值表示坡度大于该值认为滑坡是可能的。把29°坡标记为“没有危险”而把31°坡标记为“危险”是可笑的。筛选叠图中逻辑上的二值(是/否)本性会产生突然的空间不连续性，不能充分反映至少某些控制因子的连续性本质。它假设任何已知的间隔量或比率量属性没有显著的测量误差。如果观测变量是间隔量或比率量，那么必定会出现某种程度的误差。一个例子是通过从DEM中估计而导出的坡度角，而DEM反过来又是从高程点或等高线数据中估计得到。它假设精确地知道任何分类属性数据。它假设数据所表示的离散对象边界是确定的并且记录没有误差。布尔叠置中的逻辑问题替代布尔叠置的一般模型除了简单的布尔叠置，还有许多方法可用。很多学者认可两种基本方法：知识驱动和数据驱动。知识驱动方法利用领域专家的知识和经验确定采用哪一个准则。数据驱动方法用任何可用的数据建议应该采用哪一个准则。实践中大多数地图叠置采用这两者的某种组合，但区别不总是那么清晰。指数叠置与加权线性组合证据权重证据权重(weightofevidence)应用基于知识的方法决定要包含的图层，然后应用数据驱动的方法确定合适的权重。其基础是利用可用的数据计算一个证据权重，然后用它估计适宜性F，作为0-1范围之间的一个概率。关键概念是“贝叶斯定理”。ReverendThomasBayes(1702-1761)/bayes1702年出生于英格兰东南部肯特郡(Kent)坦布里奇韦尔斯(TunbridgeWells)市，大约在1740s发现了贝叶斯定理。他的发现在他死后的1763年在PhilosophicalTransactionsoftheRoyalSocietyofLondon(伦敦皇家协会哲学学报)上发表，论文“EssayTowardsSolvingaProblem

intheDoctrineofChances”。P(B|A)/P(B)被称为“证据权重”。如果该比率大于1，它表明B的发生增加了A发生的概率；如果该比率小于1，则减小A发生的概率。