实验二、学校选址
一、实验目的
通过练习，帮助学生熟悉ArcGIS 栅格数据的欧氏距离制图、数据重分类等空间分析功能，能够解决类似选址等实际问题。
二、数据
（1）土地利用数据（landuse ）；
（2）地面高程数据（elevation ）；
（3）娱乐场所分布数据（rec_sites）；
（4）现有学校分布数据（schools ）。
三、任务
（1）新学校选址需注意以下几点：
①地势平坦；
②结合土地利用数据，选址成本较低的区域；
③距离娱乐场所越近越好；
④距离现有学校较远。
（2）各数据层权重比为：距离娱乐设施占0.5，距现有学校距离占0.25，土地利用类型和地形因素各占0.125.
（3）结合坡度计算、欧式距离制图、重分类和栅格计算器等功能，给出分析结果图。
四、操作步骤
1、设置分析环境
单击菜单栏【Geoprocessing 】→【Environment 】，在弹出的【Environment Setting】对话框中设置工作空间和范围。
2、利用ArcToolbox →surface →Slope 工具，对elevation 数据进行坡度的提取，生成坡度数据集。
3、利用ArcToolbox →Distance →Euclidean Distance工具，从res_sites数据中提取娱乐场所距离数据，按照对话框参数进行设置，生成欧氏距离数据集。
4、利用ArcToolbox →Distance →Euclidean Distance工具，从现有学校位置数据schools 中提取得到学校欧氏距离数据集。
5、重分类数据集
（1）重分类坡度数据集。将学校的位置设置在平坦的地区比较有利，因此，采用等间距分级把坡度分为10级。平坦的地方适宜性好，赋予较大的值，陡峭的地区赋予较小的值，从而得到重分类坡度数据集。
（2）重分类娱乐场所欧氏距离数据集。考虑新学校距离娱乐场所比较近时较好，采用等间距分为10类，距离娱乐场所最近的赋值为10，距离最远的赋值为1。得到重分类娱乐场所欧氏距离数据集。
（3）重分类现有学校欧氏距离数据集。考虑新学校距离现有学校越远越好，采用等间距分为10类，距离学校最远的赋值为10，最近的赋值为1。得到重分类学校欧氏距离数据集。
（4）重分类土地利用数据集。在考察土地利用数据时，可以发现不同的土地类型对学校的选址也产生一定的影响。如水体、湿地分布区不适合建造学校，于是在重分类时删除这两项。
6、适宜区域分析
重分类后，各个数据集都统一到相同的等级体系内。现在根据四种因素的不同权重，合并数据集以找出最适宜的位置。
利用ArcToolbox →Map Algebra→Raster Calculator工具，对重分类后的4个数据集进行合并运算，计算公式为：
Suit （适宜性）=重分类娱乐场所距离*0.5+重分类学校距离*0.25+重分类坡度*0.125+重分类土地利用
*0.125
得到结果后进行重分类，分为10类，将大于9的区域提取出来，确定其为最佳位置，等级为10的区域为最佳学校修建地址。
实验二、学校选址
一、实验目的
通过练习，帮助学生熟悉ArcGIS 栅格数据的欧氏距离制图、数据重分类等空间分析功能，能够解决类似选址等实际问题。
二、数据
（1）土地利用数据（landuse ）；
（2）地面高程数据（elevation ）；
（3）娱乐场所分布数据（rec_sites）；
（4）现有学校分布数据（schools ）。
三、任务
（1）新学校选址需注意以下几点：
①地势平坦；
②结合土地利用数据，选址成本较低的区域；
③距离娱乐场所越近越好；
④距离现有学校较远。
（2）各数据层权重比为：距离娱乐设施占0.5，距现有学校距离占0.25，土地利用类型和地形因素各占0.125.
（3）结合坡度计算、欧式距离制图、重分类和栅格计算器等功能，给出分析结果图。
四、操作步骤
1、设置分析环境
单击菜单栏【Geoprocessing 】→【Environment 】，在弹出的【Environment Setting】对话框中设置工作空间和范围。
2、利用ArcToolbox →surface →Slope 工具，对elevation 数据进行坡度的提取，生成坡度数据集。
3、利用ArcToolbox →Distance →Euclidean Distance工具，从res_sites数据中提取娱乐场所距离数据，按照对话框参数进行设置，生成欧氏距离数据集。
4、利用ArcToolbox →Distance →Euclidean Distance工具，从现有学校位置数据schools 中提取得到学校欧氏距离数据集。
5、重分类数据集
（1）重分类坡度数据集。将学校的位置设置在平坦的地区比较有利，因此，采用等间距分级把坡度分为10级。平坦的地方适宜性好，赋予较大的值，陡峭的地区赋予较小的值，从而得到重分类坡度数据集。
（2）重分类娱乐场所欧氏距离数据集。考虑新学校距离娱乐场所比较近时较好，采用等间距分为10类，距离娱乐场所最近的赋值为10，距离最远的赋值为1。得到重分类娱乐场所欧氏距离数据集。
（3）重分类现有学校欧氏距离数据集。考虑新学校距离现有学校越远越好，采用等间距分为10类，距离学校最远的赋值为10，最近的赋值为1。得到重分类学校欧氏距离数据集。
（4）重分类土地利用数据集。在考察土地利用数据时，可以发现不同的土地类型对学校的选址也产生一定的影响。如水体、湿地分布区不适合建造学校，于是在重分类时删除这两项。
6、适宜区域分析
重分类后，各个数据集都统一到相同的等级体系内。现在根据四种因素的不同权重，合并数据集以找出最适宜的位置。
利用ArcToolbox →Map Algebra→Raster Calculator工具，对重分类后的4个数据集进行合并运算，计算公式为：
Suit （适宜性）=重分类娱乐场所距离*0.5+重分类学校距离*0.25+重分类坡度*0.125+重分类土地利用
*0.125
得到结果后进行重分类，分为10类，将大于9的区域提取出来，确定其为最佳位置，等级为10的区域为最佳学校修建地址。