企业官网建设流程全解析

做了这么多年GIS项目，地质灾害风险区划图这个需求我接过不少，但每次看到有人拿着DEM和一堆灾害点数据直接就开始出图，我还是会心里一紧。这东西看着简单，实际上牵扯到坐标系、栅格运算的精度、重分类的边界划定、密度分析的参数选择，一个环节不谨慎，出来的图就是“看起来很专业，实际上根本不能用”。

这篇文章我就把手头的完整流程梳理一遍。我会用ArcGIS把整条链路走通，从DEM和灾害点数据的预处理开始，到地形因子提取、灾害点密度分析、加权叠加，最后到风险区划图的制图输出，一共5个核心步骤。不管你是做自然资源相关项目的从业者，还是高校里正在写相关论文的研究生，只要跟着这套流程走，至少能保证你的成果在技术逻辑上是站得住脚的。

1. 整体设计思路：风险区划图到底在“划”什么

1.1 核心逻辑：历史灾害密度与地形因子的叠加

在做任何操作之前，得先把原理捋清楚。地质灾害风险区划图，本质上回答的是两个问题：哪里已经发生过灾害，以及哪里具备发生灾害的条件。

“哪里发生过灾害”靠的是灾害点数据——通过核密度分析，把离散的点状信息转化为连续的面状分布，表达历史灾害的空间集聚程度。“哪里具备条件”靠的是DEM——通过提取坡度、坡向、高程等地形因子，判断哪些区域处于容易发生崩滑流的地形环境中。把这两类信息按一定权重叠加起来，得到的就是一张反映风险程度高低分区的图件。

这里有一条重要的经验要提前说：市面上很多教程会加入降雨、地层岩性、断裂带距离等更多因子，但对于一个以DEM和灾害点为核心的快速评估场景，地形因子加上灾害密度已经足够支撑初期决策。因子不是越多越好，因子之间的相关性和数据的精度才是决定结果可信度的关键。我见过不少项目把七八个因子硬塞进模型，最后主控因子被稀释，结果反而不如三四个核心因子来得清晰。

1.2 技术流派对比：信息量模型、层次分析法与双指标叠加

在动手之前，还需要了解当前主流的技术方案，这会影响你在ArcGIS里的具体操作路径。

• 信息量模型：基于贝叶斯原理，统计每个因子分级中灾害点的占比与区域面积占比的比值，然后取对数作为信息量值。这个方法对数据要求相对宽松，也是国内地质灾害调查中最常用的方法之一，因为它直接用灾害点去“学习”因子的贡献度。
• 层次分析法：通过专家打分构造判断矩阵，计算每个因子的权重。适合数据不足但专家经验丰富的场景，但主观性比较强，评审时容易被质疑。
• 双指标叠加：先分别计算“易发程度”和“灾害密度”，再做二维交叉分类。这个方法可视化效果好，但分区边界往往比较琐碎。

我这套5步流程，结合了信息量模型的核心思想和实操便利性：地形因子用重分类后的等级分值来表征，灾害点数据用核密度来表征，然后通过加权叠加完成区划。纯信息量模型需要大量统计计算，而ArcGIS里的Reclassify和Weighted Overlay工具在表达“条件组合”时已经足够灵活。如果最后你发现结果分区与已知灾害点分布明显不符，再考虑引入信息量模型修正权重也不迟。

2. 数据准备与坐标系统一

2.1 DEM数据获取与预处理要点

DEM是整个流程的地形基础。常见的免费数据源包括ASTER GDEM（30米分辨率）、SRTM（30米或90米）、ALOS AW3D30（30米），以及部分省份提供的5米或10米高精度DEM。选择依据只有一个：比例尺需求。做县级尺度的风险区划，30米分辨率完全够用；做乡镇级或者具体隐患点的精细评估，就需要想办法拿到更高分辨率的DEM。

拿到DEM之后，第一步要做的不是急着提取坡度，而是检查数据范围。很多从网上下载的DEM是分幅存储的，覆盖范围远大于研究区。这时候需要用到【Spatial Analyst Tools -> Extraction -> Extract by Mask】用研究区边界矢量数据去裁剪DEM。注意，掩膜数据本身必须和DEM坐标系一致，否则会得到一张空图或者位置偏移的图。这是我认为整条流程中最容易出错但最容易被忽视的细节。

2.2 坐标系检查：定义投影和投影变换的区别

凡是搞GIS的人几乎都在这上面翻过车。ArcGIS里有两个看似相近的操作：Define Projection和Project Raster/Project。

Define Projection是“声明”数据当前的坐标系，不改变任何坐标数值。比如你下载的DEM没有投影信息，ArcGIS不知道它是什么坐标系，导致它在地图里位置不对，这时候用Define Projection告诉系统“这是WGS84经纬度”或者“这是CGCS2000 3度带”。

Project才是真正的坐标变换。比如DEM是WGS84经纬度（单位度），但你的灾害点是CGCS2000高斯投影（单位米），两者叠加时单位不同、坐标系不同，就必须用Project Raster把DEM转换到CGCS2000投影坐标系下。

一个实操建议：在做栅格分析之前，先把所有矢量数据（灾害点、研究区边界）和DEM都统一到同一个投影坐标系下。我的习惯是统一到CGCS2000 / 3-degree Gauss-Kruger CM 120E（或者根据研究区经度选择对应的中央经线带）。原因是后续计算坡度时的单位必须是米，如果保持经纬度，ArcGIS会用一个经验公式来估算平面距离，在小范围内影响不算太大，但凡是涉及面积、长度统计的地方，误差就会被放大。

提示：统一坐标系之后，务必用【Identify】工具在DEM和矢量图层的同一位置点一下，对比坐标值是否一致。这一步一分钟都花不到，却能避免后面所有分析结果全部偏移的灾难。

2.3 灾害点数据清洗与属性检查

灾害点数据一般来自历史地质灾害调查数据库，常见格式是shapefile点文件，属性字段包括灾害类型（滑坡、崩塌、泥石流）、发生时间、规模等级等。

拿到数据后要做三件事：

• 坐标检查：用ArcGIS显示点的空间位置，和已有影像或地形做比对，排除明显落在河流中心、山体外部的异常点。
• 字段清洗：删除无效值（比如经纬度为0的记录），保留灾害类型字段用于后续的权重调整或分类统计分析。
• 同一位置去重：有些灾害点会在不同年份被重复记录，需要在属性表中做删除重复项处理。如果不处理，核密度分析时这些重复点会被重复计数，导致局部密度虚高，最终影响风险分区的可信度。

3. 地形因子提取与重分类

3.1 坡度、坡向、高程三类因子的提取方法

地形因子在ArcGIS里的提取非常成熟，核心工具都在【Spatial Analyst Tools -> Surface】下。

• 坡度（Slope）：使用【Slope】工具，输入DEM，输出栅格默认单位为度。坡度提取时需要注意Z因子（Z factor）设置。如果DEM是经纬度坐标系，Z factor必须设置为111320（即1度约等于111320米），如果不设置，算出来的坡度会整个偏小。这个坑我在早年间踩过，当时算出来的坡度普遍差了一半还多。
• 坡向（Aspect）：使用【Aspect】工具，输出以正北为0度、顺时针递增的坡向值。坡向本身是环形数据，直接用原始值不适合参与权重叠加，所以通常需要将坡向重分类为平面、北、东北、东、东南、南、西南、西、西北等类别。考虑到地质灾害（尤其是滑坡）多发生在阴坡或半阴坡（水分条件更好、岩体风化更强烈），坡向分级时阴坡的等级分往往更高。
• 高程（Elevation）：直接使用DEM原始值，通过重分类划分为低、中低、中高、高等多个等级。高程分级区间需要结合研究区的实际海拔范围来确定，常见做法是使用自然间断点法（Jenks）或等间距法。

3.2 重分类的等级赋值原则

重分类是整个流程中主观性最强、也最需要结合经验的一步。思路是：把每一种因子按照“不利于稳定”的程度划分为4级或5级，并赋予统一量纲的等级值，比如1、2、3、4、5（5表示最易发）。

以坡度为例子：0-15度为低风险区，赋1；15-25度为较低风险，赋2；25-35度为中等风险，赋3；35-45度为较高风险，赋4；超过45度为高风险，赋5。这个划分不是绝对的，如果研究区整体坡度偏大，比如整个区域都以30度以上的陡坡为主，这时候就要把分级区间整体上调，否则结果会集中在少数几个等级上，失去区分度。

重分类工具路径是【Spatial Analyst Tools -> Reclass -> Reclassify】。重分类完成后建议把每种因子的栅格逐一用【Extract Multi Values to Points】提取到灾害点上，做一个简单的频率统计，看看灾害点是不是真的集中分布在高等级区域。如果统计结果灾害点反而集中于低等级区域，说明你的分级逻辑有问题，需要回到上一步调整区间。

4. 灾害点核密度分析与参数选择

4.1 核密度分析的原理简述

核密度分析（Kernel Density）可以理解为：对每个待计算的栅格单元，考察其邻域范围内的点状要素，距离越近权重越大，最终形成一个连续的光滑密度面。对于地质灾害而言，一个地区灾害点越密集，说明该地区的灾害活动性越强，未来再度发生灾害的概率也相对较高。

在ArcGIS中的操作路径是【Spatial Analyst Tools -> Density -> Kernel Density】，输入灾害点要素，选择密度字段。这里有一个细节：如果灾害点属性中有规模等级字段，可以把Population字段设置为规模等级值，这样大型灾害点的贡献会被放大，结果更符合实际风险含义。如果没有合适的字段，直接使用None即可。

4.2 搜索半径的选择：默认值不一定合理

核密度分析里最关键的参数是搜索半径（Search Radius），也就是统计邻域的范围。ArcGIS会默认计算一个适合当前数据范围的值，但是这个默认值是基于点分布的平均中心距离推导出来的，未必符合地质灾害的物理含义。

我常用的做法是：根据研究区面积和灾害点数量反推。假设研究区面积为S（平方公里），灾害点数量为N，先计算平均每个灾害点对应的面积S/N，然后反算搜索半径：

搜索半径 = (S / (N × π)) 的平方根 × 一个经验调整系数

系数通常取1.5到2之间。为什么要放大？因为地质灾害不是点对点的独立事件，而是受区域地质条件控制的群体现象，一个灾害点的存在往往意味着周边地带也具有相似的条件，所以搜索半径适当放大后，密度面会更平滑，也更符合地质规律。

如果实测结果密度图过于破碎（很多孤立的红色小斑块），就调大搜索半径；如果密度图模糊成一整片，区分不出高低密度区，就调小搜索半径。这个参数没有一个“放之四海而皆准”的值，需要根据结果反复试。

4.3 输出像元大小与面积归一化

核密度分析还有一个容易被忽略的参数：输出像元大小（Output Cell Size）。它的默认值通常取等于或略大于输入栅格的分辨率。如果DEM是30米，建议把核密度输出像元也设置为30米，这样后续叠加时各栅格分辨率一致，不需要重采样，也不会引入额外的插值误差。

核密度分析完成后，得到的是一个密度值栅格，值的量纲是“每单位面积的点的个数”。因为这个值与点的绝对数量有关，不同研究区之间缺乏可比性。如果只是做单期区划图，直接用原始密度值做重分类并无不可；如果打算做多期对比或者多个区域横向比较，就建议做一个面积归一化：密度值乘以研究区面积再除以点总数，把结果映射到0-1区间。

5. 风险等级加权叠加与制图

5.1 权重赋予与栅格计算器公式

到了这一步，我们已经有了4类基础栅格：坡度重分类栅格、坡向重分类栅格、高程重分类栅格、灾害点核密度重分类栅格。现在的问题是如何把它们合并成一张风险区划图。

加权叠加推荐使用【Spatial Analyst Tools -> Overlay -> Weighted Overlay】，或者直接用【Raster Calculator】写公式。Weighted Overlay的好处是工具内部会统一处理权重和等级表的映射关系，不容易出错。Raster Calculator更灵活，但需要手动保证各栅格量纲一致。

这里给一组常用的经验权重（可根据研究区实际调整）：

• 坡度：0.35
• 灾害点核密度：0.35
• 高程：0.15
• 坡向：0.15

为什么坡度和灾害密度占大头？坡度是地形因子中最直接控制斜坡稳定性的因素，而灾害点密度是历史经验的基础，两者合计占到70%的权重。高程虽然和灾害有相关性，但在大多数区域它的作用是间接的（高程变化往往伴随着坡度、植被、降水的联动变化）。坡向的影响在湿润地区更明显，但在干旱地区权重可以适当降低。

如果使用栅格计算器，公式可以写为：

风险指数 = 坡度重分类 * 0.35 + 核密度重分类 * 0.35 + 高程重分类 * 0.15 + 坡向重分类 * 0.15

前提是各重分类栅格的等级值范围一致（比如都是1到5）。如果用的是Number类型，这个表达式会直接输出一个浮点栅格。

5.2 输出栅格的NoData处理

加权叠加经常会遇到一个问题：某个因子栅格在研究区边缘存在一块NoData区域，导致计算结果在这些区域也为NoData。这是制图输出前必须处理掉的。

处理方法有三种：

• 在【Extract by Mask】阶段，确保所有因子栅格都使用同一个研究区边界裁剪，边界外整体设为NoData，边界内不应该有NoData。
• 对于DEM本身存在的空洞（比如部分卫星数据的云遮挡、水体区域没有高程值），使用【Spatial Analyst Tools -> Hydrology -> Fill】工具或者【Con】条件语句做插值填补。
• 如果NoData区域在边界内部零星分布，可以用【Spatial Analyst Tools -> Neighborhood -> Focal Statistics】计算一个3×3邻域的均值，然后用CASE语句赋值到NoData像元上。

实际操作中我见过最多的情况是：从不同来源下载的DEM和矢量边界坐标系底子就不一致，导致掩膜裁剪后出现了一条宽窄不一的NoData“白边”。这本质上还是没把坐标系统一工作做扎实。建议回到第2章重新检查。

5.3 风险等级划分与专题图制图

得到风险指数连续栅格后，下一步是把连续值划分为低风险、中风险、高风险、极高风险等几个等级。划分方法推荐使用【Spatial Analyst Tools -> Reclass -> Reclassify】里的自然间断点法（Jenks）。自然间断点法的优势是让每个等级内部的差异尽量小、等级之间的差异尽量大，划分结果更符合数据本身的分布结构。

如果没有特殊要求，通常划分为4级：

• 低风险区
• 中风险区
• 高风险区
• 极高风险区

等级个数取决于出图比例尺和用途。如果是县级挂图，4级足够；如果是乡镇级排查，可以考虑扩展到5级，增加一个“较低风险区”。

制图阶段有几个点值得单独说：

• 色彩方案：风险等级建议使用渐变序列，从绿色渐变为黄色再到红色，这是国内地质灾害风险图的约定俗成配色，不要在颜色上搞创新，评审时的第一印象很重要。
• 图例：图例中必须注明数据来源、分辨率、坐标系、投影方式、制图时间等信息。
• 灾害点叠加：把原始灾害点按灾害类型用不同符号叠加上去，可以直观验证分区结果与历史灾害分布是否吻合。如果大量灾害点落在低风险区，说明权重配置或分级逻辑需要调整。
• 出图分辨率：如果用于印刷，建议输出分辨率不低于300dpi；如果用于网页发布，栅格化输出时注意选择合适的像元大小，避免出现过于明显的锯齿。

6. 常见问题与排查技巧实录

6.1 常见问题速查表

6.2 排查思路与经验补充

在实战中，最浪费时间的问题往往不是技术难点，而是数据源本身的底子问题。我有一次做某地级市的风险区划图，DEM是网上下载的拼接数据，下载时没仔细看元数据，结果其中两块DEM的坐标系分别是WGS84和CGCS2000，拼接后算出来的坡向在高程落差明显的区域出现了一条明显的“缝合线”。排查了将近半天才发现问题不在参数设置，而在源头数据。

从那之后我养成了几个习惯，分享给大家：

• 动手前先建一个“数据体检”清单：坐标系、分辨率、范围、NoData情况、字段完整性，每一项都检查一遍，全部通过再进入正式分析流程。
• 每一步中间结果都要存成独立文件：不要在一个流程里反复用临时图层，ArcGIS的临时数据有时候不会立即释放，容易导致后续步骤读到旧数据。
• 最终成果出图前，做一次“抽屉验证”：把灾害点按时间分为两批（比如前80%和后20%），用前一批的历史灾害点做密度分析，生成风险区划图，再统计后一批灾害点落在高风险区的比例。如果比例偏低，说明模型泛化能力不足，需要回到权重配置调整。

6.3 权重调整的定量分析方法

如果需要对权重做定量调整，而不是拍脑袋决定，推荐用【GeoDetector】（地理探测器）或者简单的Spearman相关性检验来辅助。在ArcGIS中用【Extract Multi Values to Points】提取各因子值到灾害点，再提取同等数量的非灾害点（研究区内随机生成），两套样本放在一起，在统计软件里做相关性分析。相关性高说明该因子对灾害分布的贡献大，权重应当提高。

这个方法虽然会增加不少工作量，但在写论文或者做正式的风险调查项目时，它能极大提升成果的科学性。哪怕评审专家提出“为什么坡度占0.35”，你也可以依据相关性分析结果给出一个定量的回答，而不是笼统地说“经验值”。如果你的时间允许，我非常建议在这个环节多投入一点精力。

7. 最后分享一点个人体会

做了这么多年的风险区划图，我最大的感受是：ArcGIS的操作确实是人人都能学会的，但它不是一个“按钮就能出结果”的软件。每一个工具的参数背后，都对应着对地质规律的理解和对数据质量的把控。

在这套5步流程中，最关键也最考验功力的是重分类的等级划分和权重的配置。同样是坡度因子，在黄土高原和在高山峡谷地区，分级的区间可能完全不同；同样是核密度搜索半径，在一个灾害点几百个的密集区和另一个灾害点只有几十个的稀疏区，参数的取值逻辑也不一样。千万不要拿着别人的参数直接套用，GIS不是复印机，你研究区的数据特征才是唯一的决策依据。

我的另一个心得是：不管技术多熟练，都要把过程记录下来。ArcGIS的Model Builder可以把整套流程模型化，下次换一个研究区，只需要替换输入数据就能一键跑完。即使你刚开始接触这套工具，也建议在每一步操作后都截图记录参数，等到出问题回溯时，这些记录会帮你节省大量的排查时间。

希望这篇文章能帮你少走一些弯路。等你用完这套流程做出你的第一张地质灾害风险区划图，再回头来看这些参数和选择，你会有比我写这篇文章时更深一层的体会。