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
|
1月前
|
数据挖掘 UED
ChatGPT数据分析——探索性分析
ChatGPT数据分析——探索性分析
|
1月前
|
数据可视化 数据挖掘 数据处理
ChatGPT数据分析应用——热力图分析
ChatGPT数据分析应用——热力图分析
|
1月前
|
数据挖掘
ChatGPT在常用的数据分析方法中的应用(分组分析)
ChatGPT在常用的数据分析方法中的应用(分组分析)
|
1月前
|
机器学习/深度学习 数据采集 数据可视化
如何理解数据分析及数据的预处理,分析建模,可视化
如何理解数据分析及数据的预处理,分析建模,可视化
51 0
|
1月前
|
数据挖掘
ChatGPT在常用的数据分析方法中的应用(对比分析)
ChatGPT在常用的数据分析方法中的应用(对比分析)
|
2月前
|
机器学习/深度学习 人工智能 数据挖掘
数据分析师是在多个行业中专门从事数据搜集、整理和分析的专业人员
数据分析师是在多个行业中专门从事数据搜集、整理和分析的专业人员
39 3
|
3月前
|
前端开发 Java JSON
Struts 2携手AngularJS与React:探索企业级后端与现代前端框架的完美融合之道
【8月更文挑战第31天】随着Web应用复杂性的提升,前端技术日新月异。AngularJS和React作为主流前端框架,凭借强大的数据绑定和组件化能力,显著提升了开发动态及交互式Web应用的效率。同时,Struts 2 以其出色的性能和丰富的功能,成为众多Java开发者构建企业级应用的首选后端框架。本文探讨了如何将 Struts 2 与 AngularJS 和 React 整合,以充分发挥前后端各自优势,构建更强大、灵活的 Web 应用。
58 0
|
3月前
|
数据采集 数据可视化 数据挖掘
数据分析大神养成记:Python+Pandas+Matplotlib助你飞跃!
在数字化时代,数据分析至关重要,而Python凭借其强大的数据处理能力和丰富的库支持,已成为该领域的首选工具。Python作为基石,提供简洁语法和全面功能,适用于从数据预处理到高级分析的各种任务。Pandas库则像是神兵利器,其DataFrame结构让表格型数据的处理变得简单高效,支持数据的增删改查及复杂变换。配合Matplotlib这一数据可视化的魔法棒,能以直观图表展现数据分析结果。掌握这三大神器,你也能成为数据分析领域的高手!
82 2
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
基于爬虫和机器学习的招聘数据分析与可视化系统,python django框架,前端bootstrap,机器学习有八种带有可视化大屏和后台
本文介绍了一个基于Python Django框架和Bootstrap前端技术,集成了机器学习算法和数据可视化的招聘数据分析与可视化系统,该系统通过爬虫技术获取职位信息,并使用多种机器学习模型进行薪资预测、职位匹配和趋势分析,提供了一个直观的可视化大屏和后台管理系统,以优化招聘策略并提升决策质量。
185 4
|
3月前
|
机器学习/深度学习 算法 数据挖掘
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
本文介绍了2023年第二届钉钉杯大学生大数据挑战赛初赛A题的Python代码分析,涉及智能手机用户监测数据分析中的聚类分析和APP使用情况的分类与回归问题。
87 0
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
下一篇
无影云桌面