这里的SVF并不是生物学或医学的（Stromal Vascular Fraction），而是指GIS中的(Sky View Factor,SVF)，即为（城市）天空开阔度。

城市天空开阔度(Sky View Factor,SVF)是重要的城市形态学参数，那今天博主就跟大家讲一下如何用ArcMap来计算天空开阔度。

1、加载数据

需要加载的数据包括buildings（带有高度信息的建筑数据），area（范围数据），用ArcMap进行添加。如图：

　　　

 

buildings数据显示 

 

area数据显示

2、裁剪

（1）将buildings及area进行备份，存为buildings2、area2，打开编辑器，【开始编辑】，选中所有建筑，【合并】。

（2）用 【编辑器】中的【裁剪】工具进行裁剪。

 

裁剪参数设置

 

裁剪结果图

 

3、合并

设置环境，用ArcToolbox中的【合并】工具，对裁剪后的图层与建筑图层（buildings）进行合并。

 

环境设置参数

 

合并参数设置

 4、面转栅格

 

面转栅格参数设置

 

面转栅格结果图

5、栅格转点

 

栅格转点参数设置

栅格转点，并对多余部分进行删除。

 

栅格转点结果图

6、建立缓冲区（推荐使用方法二）

 

 方法一：

 

 

缓冲区参数设置

 

 

缓冲区结果局部图

 

属性表

此时我们可以看到属性表中只有40个要素，原因是grid_code（即为中心点高程数据）相同的为同一要素，需要将多部件转为单部件

（1）【编辑器】【开始编辑】选中所有要素（center_buffer中）。

（2）【高级编辑】【拆分多部件要素】。

（3）【添加字段】，“CID”，作为圆的唯一标识

方法二：

 

 

缓冲区分析参数设置

 

属性表

此时pointid作为标识字段，grid_code仍为2中心点高程

 

让让你们康康全图吧，但愿没有密集综合征

 

7、相交

 

 

相交参数设置

 

相交结果（部分）

 

 

 8、计算SVF

接下来的操作均为表格操作，要熟练使用栅格计算器，若忘记SVF公式，可看文章开头。

（1）【添加字段】，“SinA”

 

高差h=([Height]- [grid_code])，

半径r=10m

（2）【字段计算器】，输入公式：“ ([Height]- [grid_code]) / Sqr ( ([Height]- [grid_code]) *([Height]- [grid_code]) +100 )”

 

字段计算器参数设置

（3）筛选SinA值为负数，归零

一些小伙伴也能要问了，为何会出现负值？原因是相交就很难避免一些高的建筑与低的建筑在同一个圆中，而他的圆心又恰好在高的建筑上，自然就出现的SinA值为负的情况，而SVF为天空开阔度，要计算的自然是高于中心点的角，SinA应为非负，为减小影响，要进行归零处理。（还有一种方法是直接删除，而且此方法更合理，但本例中会出现些许问题）

（当然，如果你只计算地面的天空开阔度就不会有这种烦恼了）

 

 

 

 （4）清除所选要素

（5）汇总

计算sinA平均值

 

 

 

 

 （6）计算SVF

center图层，【添加字段】

 

 

 

 

 

 右键，【连接】，【连接数据】

 

连接数据参数设置

 

 

 【字段计算器】，输入公式“1- [averageSinA.Ave_SinA]”，移除所有连接。

 

字段计算器参数设置

 

 

 

9、点转栅格

 

点转栅格参数设置

　　

 

 

 天空开阔度（SVF）结果图

 

 颜色越红，表示天空开阔度越差；颜色越蓝表示天空开阔度越好。

 

 

 

附页：

如果针对地面通风等进行研究，可将5m高度以上建筑，svf设为1，作为成本栅格

具体操作如下：

（1）按属性选择

 

按属性选择参数设置

（2）按位置选择

 

按位置选择参数设置

 

 

按位置选择结果图

 

（3）切换选择

【打开属性表】【切换选择】

 

切换选择结果图

 

（4）点转栅格

 

点转栅格参数设置

 　　

 　　

 

 SVF结果图

 

 

 知识点补充：

SVM

支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane） 。
SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器  。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一 [4]  。
SVM被提出于1964年，在二十世纪90年代后得到快速发展并衍生出一系列改进和扩展算法，在人像识别、文本分类等模式识别（pattern recognition）问题中有得到应用。

 

今日份歌曲推荐：

龙卷风—周杰伦