GIS空间分析 栅格数据分析2 成本距离分析

简介: 掌握成本距离制图函数和成本方向函数的使用。

 目录

一、实验名称

二、实验准备

1.基本概念

2.实验目的

3.实验背景

4.实验数据:

5.实验流程

三、实验步骤:


文章数据免费下载

其他GIS空间分析文章

一、实验名称

       栅格数据分析之成本距离分析

二、实验准备

1.基本概念

       成本距离:可以看成是对欧氏直线距离的改进,将经过某个像元的距离赋以成本因素。

2.实验目的

       掌握成本距离制图函数和成本方向函数的使用。

3.实验背景

       新学校位置选好以后,需要找到一条经济合理的通往新学校的替代路径。

4.实验数据:

1 landuse:土地利用类型数据

2 slope:坡度数据

3 hillshade:山体阴影图层数据

4 suit:适宜度数据

5 destination:目标点图层

5.实验流程

image.gif编辑

三、实验步骤:

       1.导入数据,在文件夹下新建shpfile文件,要素名称newschool,要素类型为面文件,投影坐标系为NAD_1983_StatePlane_Vermont_FIPS_4400_Feet,点击确定即可;

image.gif编辑

image.gif编辑

      2.接下来我们需要在新图层中绘制新学校,在菜单栏右击选择编辑器,点击编辑器>开始编辑,选择newschool图层,选择一块合适的地方,选择创建要素,绘制学校面图层,点击编辑器,保存编辑并停止编辑,这样我们就绘制好了学校的面图层;

image.gif编辑

image.gif编辑

       3.接下来我们要创建成本数据集,成本数据也就是通过栅格所花费的代价,如高程数据,对于坡度较大的栅格,成本就越高,反之越低,我们对坡度数据进行重分类时,成本低的赋予低值,反之亦然;选择重分类工具,输入坡度图层,点击分类按钮,方法选择相等间隔,分为10类,并改变输出路径,确定即可;

image.gif编辑

image.gif编辑

image.gif编辑

       4.接着,我们重分类土地利用数据,打开重分类工具,选择landuse图层,重分类字段为landuse,对不同的土地利用类型根据实际情况赋予不同的值(见下图),删除waterland字段,勾选将缺失值更改为nodata,更改输出路径,点击确认即可,我也可以在其图层属性中将nodata更改为无颜色;

image.gif编辑

image.gif编辑

       5.接下来,我们将两个成本数据进行合并,打开栅格计算器工具,输入表达式’reslope’+’relanduse’,更改输出路径,图层名称为cost(成本),点击确定即可得到合并后的成本数据;

image.gif编辑

image.gif编辑

       6.接下来,我们进行成本分析,打开距离分析>成本距离,要素源数据为我们创建的学校面要素newschool,成本栅格为刚刚的cost数据,更改输出路径,并输出回溯链接栅格数据。

image.gif编辑

image.gif编辑

      7.现在我们就可以进行成本路径的计算了,打开距离分析>成本路径,要素目标数据为起点destination,成本距离栅格数据为distance,成本回溯数据为direction,更改输出路径,点击确认,输出结果,图中显示的路径即为最小成本路径了;

image.gif编辑

image.gif编辑

                其中浅蓝色的线即为最短路径。

image.gif编辑


如果觉得我的文章对您有帮助,三连+关注便是对我创作的最大鼓励!

更多GIS空间分析文章

“本站所有文章均为原创,欢迎转载,请注明文章出处:https://blog.csdn.net/qq_45590504/category_11750215.html百度和各类采集站皆不可信,搜索请谨慎鉴别。技术类文章一般都有时效性,本人习惯不定期对自己的博文进行修正和更新,因此请访问出处以查看本文的最新版本。”


目录
相关文章
|
2天前
|
数据可视化 数据挖掘
R语言生存分析数据分析可视化案例(下)
R语言生存分析数据分析可视化案例
|
2天前
|
数据可视化 数据挖掘
R语言生存分析数据分析可视化案例(上)
R语言生存分析数据分析可视化案例
|
2天前
|
数据可视化 数据挖掘 Linux
如何在Linux部署DataEase数据分析服务并实现无公网IP远程分析内网数据信息
如何在Linux部署DataEase数据分析服务并实现无公网IP远程分析内网数据信息
|
2天前
|
数据采集 数据可视化 数据挖掘
Seaborn在数据分析中的应用:案例分析与实践
【4月更文挑战第17天】本文介绍了Seaborn在数据分析中的应用,它是一个基于Python的可视化库,简化了复杂数据的图表创建。通过一个销售数据分析的案例,展示了数据加载、描述性统计、相关性分析、多变量分析及高级可视化步骤。实践技巧包括数据清洗、图表选择、颜色使用、注释标签和交互性。Seaborn助力高效数据探索和理解,提升分析效率。注意,实际使用需根据数据集和目标调整,并参考最新文档。
|
2天前
|
存储 机器学习/深度学习 数据采集
数据分析师如何处理数据以进行分析?
【4月更文挑战第4天】数据分析师如何处理数据以进行分析?
23 9
|
2天前
|
机器学习/深度学习 数据可视化 算法
python数据分析——在面对各种问题时,因如何做分析的分类汇总
Python数据分析是指使用Python编程语言对数据进行收集、处理、分析和可视化的过程。Python是一种非常流行的编程语言,具有简单易学、代码可读性高、生态系统强大的特点,因此在数据科学领域得到广泛应用。
89 0
|
2天前
|
监控 搜索推荐 数据挖掘
python数据分析——业务指标分析
业务指标分析是企业运营中不可或缺的一环,通过对各项关键指标的深入剖析,我们能够更好地了解企业的运营状况,发现潜在问题,进而制定相应的策略来优化业务流程、提升经营效率。 在业务指标分析中,我们首先要明确分析的目的和范围。是为了评估整体业务健康状况,还是针对某一具体环节进行优化?明确了目的后,我们需要收集相关的数据,这些数据可能来源于不同的业务系统和数据库,因此数据的整合和清洗也是分析过程中的重要步骤。 接下来,我们要选择合适的分析方法。比如,对于销售数据,我们可以采用时间序列分析来观察销售趋势;对于用户行为数据,我们可以使用用户画像和路径分析来洞察用户需求和行为习惯。
108 1
|
2天前
|
机器学习/深度学习 数据采集 算法
Python用逻辑回归、决策树、SVM、XGBoost 算法机器学习预测用户信贷行为数据分析报告
Python用逻辑回归、决策树、SVM、XGBoost 算法机器学习预测用户信贷行为数据分析报告
|
2天前
|
数据采集 数据可视化 数据挖掘
利用Python和Pandas库优化数据分析流程
在当今数据驱动的时代,数据分析已成为企业和个人决策的重要依据。Python作为一种强大且易于上手的编程语言,配合Pandas这一功能丰富的数据处理库,极大地简化了数据分析的流程。本文将探讨如何利用Python和Pandas库进行高效的数据清洗、转换、聚合以及可视化,从而优化数据分析的流程,提高数据分析的效率和准确性。
|
2天前
|
SQL 数据采集 数据挖掘
构建高效的Python数据处理流水线:使用Pandas和NumPy优化数据分析任务
在数据科学和分析领域,Python一直是最受欢迎的编程语言之一。本文将介绍如何通过使用Pandas和NumPy库构建高效的数据处理流水线,从而加速数据分析任务的执行。我们将讨论如何优化数据加载、清洗、转换和分析的过程,以及如何利用这些库中的强大功能来提高代码的性能和可维护性。