常见的地理分析模型
dem的分类体系
dem的分类体系数字高程模型（Digital Elevation Model, DEM）是一种以数字方式表示地球表面高度的地理信息数据模型。
DEM广泛应用于地理信息系统、地形分析、水文模拟、环境评估等领域。
DEM的分类体系是对DEM数据按照一定的标准和规则进行分类和组织的过程，旨在方便使用者对DEM数据进行有效的管理和应用。
DEM的分类体系可以根据不同的目标和需求进行制定，下面将介绍一种常见的DEM分类体系。
一、基于数据来源的分类1. 光学遥感DEM光学遥感DEM是通过遥感影像中的地形特征和地物信息生成的数字高程模型。
常用的光学遥感数据源包括航空影像和卫星影像。
2. 激光雷达DEM激光雷达DEM是通过激光雷达系统获取地表高程数据并进行处理生成的数字高程模型。
激光雷达技术具有高精度、高密度的特点，在地形分析和制图中广泛应用。
3. 雷达干涉DEM雷达干涉DEM是通过合成孔径雷达干涉测量技术获取的地表高程数据。
该技术通过多次雷达测量来捕捉地球表面形变的微小变化，可以用于地壳运动、地震活动等研究。
二、基于数据分辨率的分类1. 分辨率较低DEM分辨率较低DEM指的是像素大小较大的DEM数据，相应的地形细节信息较少。
这种分类适用于大范围的地形分析，如区域地质和地貌研究。
2. 分辨率较高DEM分辨率较高DEM指的是像素大小较小的DEM数据，能够提供更精细的地形细节信息。
这种分类适用于需要高精度高分辨率地形数据的应用，如城市规划、建筑工程等。
三、基于数据处理方法的分类1. 栅格DEM栅格DEM是将连续的地形表面划分为规则网格，并在每个网格块上以离散的方式记录地表高度值。
栅格DEM是一种常用的DEM数据表示格式。
2. 三角网DEM三角网DEM是通过对地表的采样点进行三角剖分来生成地形模型的一种方法。
这种分类方法能够提供更精确的地形信息，但是数据量较大。
四、基于数据精度的分类1. 低精度DEM低精度DEM指的是高程数据的精度相对较低，通常适用于一些对高程要求不高的应用领域，如农业、土地利用等。
常见的地理分析模型
可采用最小二乘法对上式中的待估回归系数β0，β1，?，βm进行估计，求得β值后，模型：聚类分析是根据多种地学要素对地理实体进行划分类别的方法，对不同的要素划分类别往往反映不同目标的等级序列，如土地分等定级、水土流失强度分级等。
常见的地理分析模型
一 空间统计模型：
相关分析模型： GIS地理数据库中存储的各种自然和人文地理要素(现象)的数据并不是孤立的，它们相互影响、相互制约，彼此之间存在着一定的联系。相关分析模型就是用来分析研究各种地理要素数据之间相互关系的一种有效手段。
地理数据库中各种地理要素数据之间的相关关系，通常可以分为参数相关和非参数相关两大类。其中，参数相关又可分为简单(两要素)线性相关，多要素间的相关模型，非参数相关可以分为顺序(等级)相关和二元分类相关。
趋势面分析模型（主要是回归模型）：
一元回归模型：
我们用多项式方程作为一元回归的基本模型：
Y＝a0＋a1x＋a2x＋a3x＋??amx＋ε
式中：Y为因变量，X为自变量，a0,a1,?，am为回归系数，ε为剩余误差 23m
多元线性回归模型
多元线性回归模型表示一种地理现象与另外多种地理现象的依存关系，这时另外多种地理现象共同对一种地理现象产生影响，作为影响其分布与发展的重要因素。 设变量Y与变量X1，X2，?，Xm存在着线性回归关系，它的n个样本观测值为Yj,Xj1,Xj2,?Xjm(j＝1，2，n)，于是多元线性回归的数学模型可以写为：
gis中地理数据模型的概念
gis中地理数据模型的概念
地理数据模型是一种用于描述和组织地理信息的概念框架。
它定义了地理数据的存储方式、维护规则和查询方式，以及地理实体之间的关系和属性。
地理数据模型通常由几何模型和属性模型组成。
1. 几何模型：几何模型定义了地理实体的空间位置和形状。
它包括点、线、面和体等几何要素，并提供一套操作方法，如距离计算、空间关系判断和空间分析。
2. 属性模型：属性模型描述了地理实体的非空间属性。
它包括属性的名称、数据类型和取值范围等信息，以及属性之间的关系。
属性模型通常使用表格或数据库来存储和管理属性数据。
除了几何模型和属性模型，地理数据模型还可以包括拓扑模型、网络模型和地理关系模型等。
拓扑模型描述了地理实体之间的拓扑关系，如连接和相邻关系。
网络模型描述了地理实体之间的网络连接关系，如道路、管道和电力线路等。
地理关系模型描述了地理实体之间的空间关系，如邻近、包含和交叉等。
常见的地理数据模型有层次模型、对象模型、栅格模型和面向行为模型等。
不同的地理应用场景和需求可以选择适合的数据模型，或者将多个数据模型结合起来使用。
地理加权回归模型案例
地理加权回归模型案例
地理加权回归模型案例
地理加权回归（Geographically Weighted Regression, GWR）是
一种分析基于地理位置的数据变异性的模型。
它允许对原始数据中各
个观测点之间的相互作用进行特定的调整，以反映地理空间变量如距离、方位和邻域的影响，从而更好地理解空间形式的空间变异性。
GWR 模型是一种局部线性回归模型，它用于描述一组数据中每个
观测点附近的空间变异性，以及每个观测点之间的空间变异性。
地理
加权回归假设每个观测点的反应受该观测点处的邻域内变量的影响，
而不受邻域之外的变量的影响。
GWR 包括基于观测的参数估计、预测
和诊断，以及面板数据分析。
例子
地理加权回归通常用于社会科学、环境科学和经济学等领域，以
研究地理空间变量的影响。
下面是一个地理加权回归模型的案例：一
项研究旨在分析美国各州贫困率与州人口数量、平均收入和居民受教
育水平之间的关系。
在实施该研究时，研究人员主要使用地理加权回归模型。
首先，
他们获取了全国各州的人口数量、平均收入和居民受教育水平的数据。
然后，他们将该数据以及研究区域内的贫困率数据输入到 GWR 模型中，以根据州内的空间变异性找出与贫困率有关的变量。
结果，地理加权回归模型显示，每个州的贫困率与人口数量、平
均收入和居民受教育水平存在某种内在关联。
此外，研究人员分析发现，贫困率是从人口数量、平均收入和受教育水平中反映出来的，也
展示了与这些州内变量相关的其他社会和经济因素。
几种土地利用变化模型的介绍
几种土地利用变化模型的介绍1马尔可夫链模型马尔可夫理论是一种用于随机过程系统的预测和优化控制问题的理论，它研究的对象是事物的状态及状态的转移，通过对各种不同状态初始占有率及状态之间转移概率的研究，来确定系统发展的趋势，从而达到对未来系统状态的预测的目的［1］。
马尔可夫链是一种随机时间序列，它在将来取什么值只与它现在的取值有关，而与它过去取什么值无关。
这种性质称为无后效性。
马尔可夫链模型的建立过程：①确定系统状态：研究某一地区的土地利用/覆被变化，首先确定当地的土地利用类型，植被类型，确定其土地利用状态。
②建立状态概率向量：设马尔可夫链在tK 时取状态E1、E2、⋯、En 的概率分别为P1、P2 ⋯Pn而0≤Pi ≤，1则向量［P1、P2 ⋯Pn］称为t K时的状态概率向量。
③建立系统转移概率矩阵：一步转移概率：设系统可能出现N 个状态E1、E2 ⋯En，则系统由T K时刻从Ei 转移到T k+1 时刻Ej 状态的概率就称为从i 到j 的转移概率。
p ij p(E i E j )状态转移概率矩阵：在一定条件下，系统只能在可能出现的状态E1、E2 ⋯En 中转移，系统在所有状态之间转移的可能性用矩阵P 表示，称P为状态转移概率矩阵。
P p ij N N,其中p ij P{E i E j}P11 ?P1n??= [ ? ??]P n1 ?P nnNp ij 1 i 1,2, N j1p ij0 i, j 1,2, N为了运用马尔可夫模型对事件发展过程中的状态出现的概率进行预测，还需要再介绍一个状态概率πj(k) ：表示事件在初始( k=0)状态为已知的条件下，经过k 次状态转移后，在第k 个时刻处于状态E j的概率。
∑j n=1πj(k) = 1从初始状态开始，经过k 次状态转移后到达状态E j 这一状态转移过程，可以看作是首先经过( k-1)次状态转移后到达状态E i(i = 1,2 ? ,n)，然后再由E i经过一次状态转移到达状态E j。
地理加权回归模型结果解读
地理加权回归模型结果解读
地理加权回归（GWR）模型是一种用于分析空间数据的空间统计方法，它通过引入地理位置权重来揭示自变量与因变量之间的局部关系。
与传统的全局回归模型相比，GWR模型可以更好地揭示空间异质性和局部关系。
下面是对GWR模型结果的解读：
1. 模型参数：GWR模型结果中，最主要的参数是带宽（Bandwidth）。
带宽用于确定邻近地区的范围，带宽的选择会影响模型的预测精度。
合适的带宽可以使得模型结果更接近真实情况，反映出局部关系。
2. 系数估计：GWR模型结果中，各解释变量的系数会随着地理位置的变化而变化。
系数的大小反映了自变量对因变量的影响程度，正值表示正相关，负值表示负相关。
通过分析系数的变化，可以了解不同地理位置下自变量对因变量的影响。
3. 残差分析：GWR模型的残差是观测值与模型预测值之间的差异。
残差的空间分布可以反映出模型是否能够较好地拟合数据，如果残差在空间上呈现随机分布，说明模型的预测效果较好。
4. 空间异质性：GWR模型可以揭示空间异质性，即地理位置对模型结果的影响。
通过分析模型结果，可以了解不同地理位置下自变量与因变量之间的关系，以及空间异质性的存在。
5. 模型评价：GWR模型的评价指标主要包括决定系数（R²）、赤池信息准则（AIC）等。
这些指标可以用来评价模型的拟合效果和预测能力。
总之，在解读GWR模型结果时，要结合具体问题和数据特点进行分析，避免对模型结果的误解。
同时，在实际应用中，需要根据实际情况选择合适的带宽，以获得更好的模型效果。
地理表达方式有哪些
地理表达方式有哪些
地理表达方式是指通过文字、图表、图像等形式来描述和展示
地理现象、地理知识、地理数据等的方式。
以下是一些常见的地理
表达方式：
1. 文字描述：文字描述是最常见、直观的地理表达方式之一。
通过使用文字来描述地理现象、地理特征、地理位置等，能够清晰
地传达地理信息。
2. 地图制作：地图是地理表达的重要工具，能够直观地展示地
理现象、地理分布、地理关系等。
地图可以是平面地图、立体地图、电子地图等多种形式。
3. 图表分析：地理数据可以通过图表的形式进行分析和展示。
常见的图表类型包括柱状图、折线图、饼图等，能够直观地显示数
据变化和比较地理现象。
4. 图像和照片：通过图像和照片可以直观地展示地理景观、地
理特征、地理现象等。
在地理教学和研究中，利用图像和照片能够
帮助人们更好地理解地理内容。
5. 三维模型：三维模型是近年来发展起来的一种地理表达方式，通过建立地理现象的立体模型，能够更加逼真地展示地理特征和地
理变化。
6. 数据可视化：利用数据可视化技术，将地理数据以图表、地
图等可视化形式展示，使复杂的地理数据更加直观和易于理解。
7. 虚拟现实：虚拟现实技术可以帮助人们沉浸式地体验地理环
境和地理现象，通过虚拟现实设备和软件来模拟真实的地理情境。
以上是一些常见的地理表达方式，每种方式都有其独特的优势
和适用场景。
根据具体需求和目标选择合适的地理表达方式，能够
更好地传达地理信息和增强学习效果。
dem的生成与应用原理
DEM的生成与应用原理1. DEM的概述DEM（Digital Elevation Model，数字高程模型）是由地面数字图像计算出的地理高程数据。
它通过数学模型和计算机算法将地面表面上的高程信息以数字化的形式表示出来。
DEM非常重要，它可以应用在地形分析、流域模拟、地质勘探等领域。
2. DEM的生成方法以下是一些常见的DEM生成方法：2.1 光学遥感技术光学遥感技术利用卫星或航空器上的传感器获取地面的图像数据，然后通过数字影像处理算法提取出地表的高程信息。
2.2 激光雷达遥感技术激光雷达遥感技术是一种利用激光束测量地面高程的技术。
激光雷达器发射激光束，然后接收反射回来的激光束，通过计算激光束的飞行时间来推算地面的高程。
2.3 雷达遥感技术雷达遥感技术通过发射微波信号，接收回波，并通过信号处理来得到地面的高程信息。
2.4 GPS测量技术GPS测量技术利用全球定位系统（GPS）接收卫星信号并计算接收机位置，通过多个接收机之间的位置差异来推算地面高程。
3. DEM的应用DEM在地理信息系统（GIS）和地形分析中有广泛的应用。
以下是DEM的一些主要应用：3.1 地形分析DEM可以用来进行地形分析，包括地形剖面、坡度分析、坡向分析等。
这些分析可以帮助我们了解地面的地形特征，例如山脉、河流、凹陷区等。
3.2 流域模拟DEM可以用于模拟流域的水文过程，例如降雨径流模拟、洪水模拟等。
通过将DEM与气象数据和水文模型结合，可以分析流域的水文特征，预测洪水的产生和演变。
3.3 地质勘探DEM可以用于地质勘探，帮助判断地形特征与地质结构的关系。
通过分析DEM数据，可以找到可能的矿产资源区域、断层区域等。
3.4 地图制作DEM在地图制作中也起到了重要的作用。
由于DEM提供了地面高程信息，可以用来生成等高线图、三维地形模型等。
3.5 地貌研究DEM可以帮助地貌学家研究各种地貌现象，例如：山地地貌、河流地貌、冰川地貌等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
常见的地理分析模型一空间统计模型：相关分析模型： GIS地理数据库中存储的各种自然和人文地理要素(现象)的数据并不是孤立的，它们相互影响、相互制约，彼此之间存在着一定的联系。
相关分析模型就是用来分析研究各种地理要素数据之间相互关系的一种有效手段。
地理数据库中各种地理要素数据之间的相关关系，通常可以分为参数相关和非参数相关两大类。
其中，参数相关又可分为简单(两要素)线性相关，多要素间的相关模型，非参数相关可以分为顺序(等级)相关和二元分类相关。
趋势面分析模型（主要是回归模型）：一元回归模型：我们用多项式方程作为一元回归的基本模型：Y＝a0＋a1x＋a2x2＋a3x3＋……a m x m＋ε式中：Y为因变量，X为自变量，a0,a1,…，a m为回归系数，ε为剩余误差多元线性回归模型多元线性回归模型表示一种地理现象与另外多种地理现象的依存关系，这时另外多种地理现象共同对一种地理现象产生影响，作为影响其分布与发展的重要因素。
设变量Y与变量X1，X2，…，X m存在着线性回归关系，它的n个样本观测值为Y j,X j1,X j2,…X jm(j＝1，2，n)，于是多元线性回归的数学模型可以写为：可采用最小二乘法对上式中的待估回归系数β0，β1，…，βm进行估计，求得β值后，即可利用多元线性回归模型进行预测了。
聚类模型：聚类分析是根据多种地学要素对地理实体进行划分类别的方法，对不同的要素划分类别往往反映不同目标的等级序列，如土地分等定级、水土流失强度分级等。
聚类分析的步骤一般是根据实体间的相似程度，逐步合并若干类别，其相似程度由距离或相似系数定义。
进行类别合并的准则是使得类间差异最大，而类内差异最小。
最短距离聚类模型最短距离聚类模型中，定义两类之间的距离用两类间最近样本的距离来表示。
用d ij 表示样本和样本之间的距离，用G1，G2，…表示类，类G p和类G q的距离用D pq表示，则有：具体步骤如下：1、规定样本间的距离，计算样本两两距离的对称表，记作D0，由于每一个样本自成一类，显然D pq＝d pq。
2、选择D(0)中的最小元素，设为D pq，则G p与G0合并成一个新类，记为Gγ＝｛G p，G q｝。
3、计算新类与其它类的距离将D(0)中的p、q行和p、q列删去，加上第γ行、γ列，得到的矩阵记作D(1)。
4、对D(1)重复D(0)的两步得D(2)，如此继续下去，直到所有元素成为一类为止。
如果某一步D(k)中的最小元素不止一个，则对应这些最小元素的类可以同时合并。
模糊聚类模型设有m个变量，每个变量有n个样本，其数据矩阵为：X＝(X ij)n×m对n个样本进行模糊聚类的步骤如下：1、统计指标的数据标准化可采用标准差标准化公式，也可采用极差标准化公式。
若采用前者，则计算结果尚需压缩到［0，1］区间；若采用后者，则计算结果已压缩到［0，1］区间。
2、标定计算出衡量样本(被分类对象)间相似性程度的统计量γij，建立论域U＝｛u1，u2，…，u n｝上的相关关系，μR＝(u i,u j)表示u i与u j按分类特性的相似性程度，可用相似矩阵R表示。
γij可以计算得出，也可采取专家评分的方式给出。
3、将模糊关系矩阵改造成模糊等价关系矩阵→R*采用求传递背包的方法：即4、聚类模糊等价关系矩阵R*的元素表示被分类对象彼此之间的相似程度，把R*的元素从大到小排列作为规定的λ水平值(0≤λ≤1)，使利用求得的模糊等价关系的λ水平截集进行分类，分类由粗到细。
选R*元素的最小值为λ值，则分为一类；选第二个最小值为λ值分为两类；选第K个最小值为λ值就分为K类；……。
若λ＝1，则各个样本自成一类。
模糊多元统计分析模型设研究对象为Y，与Y有关的m个自变量为X j＝(X1j，X2j，…，X mj)，j＝1，2，…，n，n为样本数。
其线性模型为：Y j＝b0X0＋b1X1j＋…＋b m X mj＋e j， X0恒取1写成矩阵形式为：Y＝XB＋E对上式求B的最小二乘估计，得：将代入上述线性模型的矩阵形式，得Y的估计值Y＝X 。
于是构成多维隶属函数：线性型：Logiatic型：式中的a,c，在使μy ∈［0，1］的前提下经验地确定。
给定阈限水平λi。
如果分三类，则给定λ1，λ2：第一类满足：｛Y／μy≥λ1｝第二类满足：｛Y／λ1＞μy≥λ2｝第三类满足：｛Y／μy＜λ2｝从而实现对自变量的分类。
具体算法如下：1、选定自变量和因变量，获取原始数据；2、对原始数据进行标准化处理(采用极差标准化公式或标准差标准化公式)：3、求解线性模型系数的最小二乘估计，得线性回归方程；4、构造多元隶属函数；5、分类，即给定阈限水平λi，得到所需分类。
二地理统计分析模型：它是以区域化变量为基础，借助变异函数，研究既具有随机性又具有结构性，或空间相关性和依赖性的自然现象的一门科学。
凡是与空间数据的结构性和随机性，或空间相关性和依赖性，或空间格局与变异有关的研究，并对这些数据进行最优无偏内插估计，或模拟这些数据的离散性、波动性时，皆可应用地统计学的理论与方法。
应用如：降水量，高程点，人口数量等方面；如下图IDW分析模型：IDW插值法是基于相近相似的原理：即两个物体离得近，他们的性质就越相似，反之，离得越远相似性越小。
他以插值点和样本点间的距离为权重进行加权平均，离插值点越近的样本点赋予的权重值就越大。
Kringing模型克里金法则是以自相关性为基础；利用原始数据和半方差函数的结构性，对区域化变量的位置采样点进行无偏估计的插值方法。
……………………（其他略）三空间分析模型：空间分析模型分为以下几种类型：空间分布分析模型用于研究地理对象的空间分布特征。
主要包括：空间分布参数的描述，如分布密度和均值、分布中心、离散度等；空间分布检验，以确定分布类型；空间聚类分析，反映分布的多中心特征并确定这些中心；趋势面分析，反映现象的空间分布趋势；空间聚合与分解，反映空间对比与趋势。
空间关系分析模型用于研究基于地理对象的位置和属性特征的空间物体之间的关系。
包括距离、方向、连通和拓扑等四种空间关系。
其中，拓扑关系是研究得较多的关系；距离是内容最丰富的一种关系；连通用于描述基于视线的空间物体之间的通视性；方向反映物体的方位。
空间相关分析模型用于研究物体位置和属性集成下的关系，尤其是物体群(类)之间的关系。
在这方面，目前研究得最多的是空间统计学范畴的问题。
统计上的空间相关、覆盖分析就是考虑物体类之间相关关系的分析。
预测、评价与决策模型用于研究地理对象的动态发展，根据过去和现在推断未来，根据已知推测未知，运用科学知识和手段来估计地理对象的未来发展趋势，并作出判断与评价，形成决策方案，用以指导行动，以获得尽可能好的实践效果。
常用举例：缓冲区分析模型：缓冲区分析是GIS的基本空间操作功能之一。
例如，某地区有危险品仓库，要分析一旦仓库爆炸所涉及的范围，这就需要进行点缓冲区分析；如果要分析因道路拓宽而需拆除的建筑物和需搬迁的居民，则需进行线缓冲区分析；而在对野生动物栖息地的评价中，动物的活动区域往往是在距它们生存所需的水源或栖息地一定距离的范围内，为此可用面缓冲区进行分析，等等。
在建立缓冲区时，缓冲区的宽度并不一定是相同的，可以根据要素的不同属性特征，规定不同的缓冲区宽度，以形成可变宽度的缓冲区。
例如，沿河流绘出的环境敏感区的宽度应根据河流的类型而定。
这样就可根据河流属性表，确定不同类型的河流所对应的缓冲区宽度，以产生所需的缓冲区缓冲区包括：矢量数据的缓冲区，栅格数据的缓冲区模型；叠置分析模型：叠置分析是地理信息系统最常用的提取空间隐含信息的手段之一，它将有关主题层组成的数据层面，进行叠加产生一个新数据层面的操作，其结果综合了原来两层或多层要素所具有的属性。
根据GIS数据结构的不同，分为下列两类叠置分析方法。
1.基于矢量数据的叠置分析叠置分析是将同一地区的两组或两组以上的要素进行叠置，产生新的特征的分析方法。
叠置的直观概念就是将两幅或多幅地图重迭在一起，产生新多边形和新多边形范围内的属性。
(矢量数据的叠置分析图示)(一)、矢量数据叠置的内容1、点与多边形的叠置点与多边形的叠置是确定一幅图(或数据层)上的点落在另一幅图(或数据层)的哪个多边形中，这样就可给相应的点增加新的属性内容。
2、线与多边形的叠置线与多边形的叠置是把一幅图(或一个数据层)中的多边形的特征加到另一幅图(或另一个数据层)的线上。
3、多边形与多边形的叠置多边形与多边形的叠置是指不同图幅或不同图层多边形要素之间的叠置，通常分为合成叠置和统计叠置。
(参见多边形与多边形叠置算法)(二)、多边形叠置的位置误差进行多边形叠置的往往是不同类型的地图，甚至是不同比例尺的地图，因此，同一条边界的数据往往不同，这时在叠置时就会产生一系列无意义的多边形。
而且边界位置越精确，越容易产生无意义多边形(无意义多边形图示)。
2、基于栅格数据的叠置分析(一)、单层栅格数据的分析1、布尔逻辑运算栅格数据可以按其属性数据的布尔逻辑运算来检索，即这是一个逻辑选择的过程。
布尔逻辑为AND、OR、XOR、NOT。
布尔逻辑运算可以组合更多的属性作为检索条件，例如加上面积和形状等条件，以进行更复杂的逻辑选择运算。
(布尔运算示意图)2、重分类重分类是将属性数据的类别合并或转换成新类。
即对原来数据中的多种属性类型，按照一定的原则进行重新分类，以利于分析。
在多数情况下，重分类都是将复杂的类型合并成简单的类型。
(重分类例图)3、滤波运算对栅格数据的滤波运算是指通过一移动的窗口(如3×3的象元)，对整个栅格数据进行过滤处理，使窗口最中央的象元的新值定义为窗口中象元值的加权平均值。
栅格数据的滤波运算可以将破碎的地物合并和光滑化，以显示总的状态和趋势，也可以通过边缘增强和提取，获取区域的边界。
4、特征参数计算对栅格数据可计算区域的周长、面积、重心等，以及线的长度、点的坐标等。
在栅数数据上量算面积有其独特的方便之处，只要对栅格进行计数，再乘以栅格的单位面积即可。
(特征参数计算例图)5、相似运算相似运算是指按某种相似性度量来搜索与给定物体相似的其它物体的运算。
(二)、多层栅格数据的叠置分析叠置分析是指将不同图幅或不同数据层的栅格数据叠置在一起，在叠置地图的相应位置上产生新的属性的分析方法。
新属性值的计算可由下式表示：U＝f(A,B,C,……)其中，A，B，C等表示第一、二、三等各层上的确定的属性值，f函数取决于叠置的要求。
多幅图叠置后的新属性可由原属性值的简单的加、减、乘、除、乘方等计算出，也可以取原属性值的平均值、最大值、最小值、或原属性值之间逻辑运算的结果等，甚至可以由更复杂的方法计算出，如新属性的值不仅与对应的原属性值相关，而且与原属性值所在的区域的长度、面积、形状等特性相关。