实验五地形模型提取
一实验目的（ENVI）
利用ENVI软件从DEM数据中提取地貌特性和地形特征，作为通视域分析和三维地形可视化的基础数据并熟练掌握处理步骤。
二实验环境
安装ENVY软件的计算机一台。
三实验步骤
使用8米的DEM数据和4米的正射影像图，数据情况如下：
DEM.tif：8米空间分辨率的DEM数据
Orthoimagery.tif：4米空间分辨率的航空正射影像数据
Orthoimagery.hdr：头文件
（一）地形模型的提取——工具
ENVI地形模型工具作用在图像格式的DEM文件
1.在Toolbox中，启动/Terrain/Topographic Modeling，选择DEM.tif文件，然后单击OK
2.在Topo Model Parameters对话框中，选择地形核大小Topographic Kernel Size为5(分辨率低，地形核大。）
3.在Select topographic Measures to Compute列表中点击，选择要计算的地形模型
4.如果选择了“Shaded Relief”，需要输入或计算太阳高度角和方位角。单击Compute Sun Elevation and Azimuth，输入日期和时间，ENVI会自动地计算出太阳高度角和方位角。
5.选择输出路径及文件名，单击OK按钮，执行地形模型计算。
6.得到的结果是一个多波段图像文件，每一个地形模型组成一个波段在Select topographic Measures to Compute列表中，既可以选择一个地形模型，也可选择多个模型生成一个文件
7.在使用时可以打开其中任何一个地形模型，并进行分类。以下是地形模型的提取结果
（二）地形模型的提取——结果1.坡度（Slope）
2. 坡向（Aspect）
3. 阴影地貌图像（Shaded Relief）
4. 剖面曲率（Profile Convexity）
5.水平曲率（Plan Convexity）
6. 纵向曲率（Longitudnal Convexity）
7.横向曲率（Cross Sectional Convexity）
8.最小曲率（Minimum Curvature）
9. 最大曲率（Maximum Curvature）
10. 均方根误差（RMS Error）
MAPGIS实验五坡面地形因子的提取
一、实验目的
了解坡面地形因子的定义，掌握用MAPGIS K9软件提取坡面地形因子的方法。
二、实验软件
MAPGIS K9
三、实验方法和步骤
本次实验所用DEM数据
1、坡度
打开MAPGIS K9的【数字地形分析】模块，导入本次实验所需的DEM数据，然后找到【Grid分析】工具下的【地形因子分析】命令，单击弹出如下窗口
设置好参数，单击【确认】即可。
2、坡向
重复上述步骤，在弹出的窗口中的计算方式选中【坡向】设置好参数，单击【确认】即可。
3、粗糙度倾斜百分比沟脊值曲率
重复上述步骤，选中各自需要计算的因子，设置参数，单击【确认】即完成。
四、实验结果
1、坡度
2、坡向
3、粗糙度
4、倾斜百分比
5、沟脊值
6、曲率
实验体会
通过本次实验，进一步熟悉了MAPGIS K9软件的功能应用，了解了提取地形因子的计算方式，熟练掌握了利用MAPGIS K9软件提取坡面地形因子的方法。
Arcgis 实验五基本地形因子提取
一．实验目的
学会ArcGis中基本地形因子提取的方法，得到DEM的分类图像。二．实验仪器与要求
装有ArcGis软件的电脑一台，用已有的DEM数据进行相关地理特征要素的提取。
三．实验内容
（1）在ArcGis中打开DEM文件
（2）在【ArcToolbox】中，执行命令[3D Analyst工具]——[栅格表面]——[坡度]，指定各参数
执行后，得到坡度栅格。坡度栅格中，栅格单元的值在[0 -82] 度间变化
（3）右键点击图层[Slope_TinGrid]，执行[属性命令]，设置图层[符号系统]，重新调整坡度分级。将类别调整为5，点[分类]按钮，用手动分级法，将中断值调整为：8，15，25，35，90。
（4）在【ArcToolbox】中，执行命令[3D Analyst工具]——[栅格表面]————[坡度]。指定各参数。得到剖面曲率栅格：[Slope _Slope]
（5）在【ArcToolbox】中，执行命令[3D Analyst工具]——[栅格表面]——[坡向]，指定各参数：
（6）在【ArcToolbox】中，执行命令[3D Analyst工具]——>[栅格表面]——>[坡度]，指定各参数：
（7）在【ArcToolbox】中，执行命令[3DAnalyst工具]——>[栅格表面]——>[等值线]，指定各参数
执行后生成等高线矢量图层
（8）在【ArcToolbox】工具箱中，执行命令[3D Analyst工具]——>[栅格表面]——> [山体阴影]，指定各参数
执行后生成地表阴影栅格
（9）关闭除[tingrid] 和[Hillsha_ting]以外所有图层的显示，并将[tingrid ] 置于[Hillsha_ting] 之上，右键点击[tingrid] ，在出现的右键菜单中执行[属性]，在[图层属性]对话框中，设置[符号系统]选项页中颜色。
在工具栏空白处右键，打开工具栏[效果]，如下图所示，设置栅格图层[hillsha_tin]的透明度为：[45%]左右，结果如图
在上一步基础上进行，打开[3D Analyst]工具栏，点击[线插值]工具，跟踪一条线段，这条线段可以从DEM:[TINGRID] 中得到高程值。
点击[剖面图 ] 按钮，得到上一步所生成的3D线段的剖面图：
四．实验心得与体会
通过本次实验我们小组在ArcGis中进行了地理特征要素的提取，并得到了分类后的图像。通过互相学习与帮助都得到了很大的提升，并且更加熟悉了ArcGis软件。
Arcgis 实验五基本地形因子的提取
实验目的
了解基本地形因子提取的原理与方法，会进行提取坡度、坡向、未改正的坡度变率、未改正的坡向变率以及山谷线山脊线等操作。
实验数据
网上获取的DEM数据图。
实验步骤
1.ArcGIS分层设色
右键点击添加进ArcGlobe高程源的DEM文件，再点击属性。
在符号系统选项卡中选择“已分类”，类别五到六个为佳
可以在右侧的“分类”中进行详细设置。
TIN的生成
通过ArcToolbox的“3D分析工具”，“转换”，“由栅格转出”，“栅格转TIN”可以生成TIN。
第七章1、本章主题编号 2、本章内容概述 （1）概述 ●坡面因子的分类及提取方法 ●确定坡面因子提取的算法基础 ●提取坡面因子的常用分析窗口 （2）坡度、坡向 ●坡度的提取 ●坡向的提取
（3）坡形 ●宏观坡形因子 ●地面曲率因子 ●地面变率因子 （4）坡长 （5）坡位 （6）坡面复杂度因子 3、本章内容 3.1 概述 （1）坡面因子的分类及提取方法 ●坡面因子的分类 按照坡面因子所描述的空间区域范围，可以将坡面因子划分为微观坡面因子与宏观坡面因子两种基本类型。常用的微观坡面因子主要有：坡度、坡向、坡长、坡度变率、坡向变率、平面曲率、剖面曲率等。常用的宏观坡面因子主要有：地形粗糙度、地形起伏度、高程变异系数、地表切割深度，以及宏观坡形因子（直线形斜坡、凸形斜坡、凹形斜坡、台阶形斜坡）等。
按照提取坡面因子差分计算的阶数，可以将坡面因子分为一阶坡面因子、二阶坡面因子和高阶坡面因子。一阶坡面地形因子主要有坡度和坡向因子。二阶坡面因子主要有坡度变率、坡向变率、平面曲率、剖面曲率等因子。复合坡面因子有坡长、坡形因子、地形粗糙度、地形起伏度、高程变异系数和地表切割深度等。 按照坡面的形态特征，可将坡面因子进一步划分为：坡面姿态因子，坡形因子，坡位因子，坡长因子以及坡面复杂度因子五大类。 ●提取坡面因子的基本方法 首先将坡面的形态特征或各个坡面因子进行定量化描述，完成求导的数学模型，在此基础上，建立其以DEM为基本信息源进行提取的技术路线，并通过软件实现形成一套易于计算机操作的方法。 （2）确定坡面因子提取的算法基础 ●DEM格网数据的空间矢量表达（如图7.1） 图7.1 DEM格网数据的空间矢量模型
北森建五因素领导力模型推国内首个高管测评 北京2013年4月18日电/美通社/ -- 日前，中国人才管理第一品牌-- 北森，再度推出人才测评行业里程碑式产品：北森高级管理人员测评，成为国内第一个专门针对高管人群的人才测评产品，填补了一直以来高管测评的空白。该产品聚焦企业核心人才竞争力的提升，一经推出便获得了奇瑞控股、泰康人寿、绿城房地产等大批企业的亲睐。 北森CEO纪伟国：高管不能随便测 “基层员工测技能、知识，中层管理人员测管理能力、管理风格等，但这些都不适合拿来测高管，北森研究院研究发现决定高管能力的是其深层次心理特质。”纪伟国如此讲到。 以往，高层管理人员经常使用的评估方法包括：标准化测验、评价中心、360度评估等，但企业往发现评估总是无法达到预期的效果，因为这个层级的人员往往在技能、知识方面并不欠缺，影响他们工作效率和进一步提升的障碍其是在冰山下深层次的心理特质，这些特征能够影响其领导力行为以及决策方式，进而影响其工作成效。 基于对高层评估领域的深入研究，北森研究院探索出一套专门评估高层管理者的心理测验，该测验基于人格理论，以领导力模型为核心，全面深入评估高层管理者的深层次心理特质，并对五大领导力进行了预测。
人才测评发展的未来是针对性评估 “不同的人群、不同的应用方向，必须有针对性强的测评产品，才能保证结果的有效性。我们回顾人才测评的发展历程，最初是单纯的性格测评，而后细分为基层员工测评、管理人员测评，而今又发展出来高管测评。不仅是对象在不断细分，应用方向也在细化，校园招聘、社会招聘、管理人员评估等多种应用方向，可见，人才测评的发展趋势是逐渐细化，针对性更强。” 纪伟国谈到。 现在北森的人才测评产品已经涵盖12大应用方向，为不同业务模块提供专门化的测评产品，并且拥有超过100个岗位模板，适应不同层级不同职位的测评需求。此次高管测评的推出，更是领先于国内其它测评企业，满足了企业更高层次的需求，为企业提升核心竞争力推波助澜。 北森公司成立于2002年，现有员工500人，历经十一年专注于人才测评领域的研究，数度引领人才测评行业的发展，占据中国测评市场70%的市场份额。并于2010年，推出国内第一个人才管理云计算平台iTalent。在这个平台上，招聘、测评等六大产品得以无缝整合。其中招聘管理系统已在行业内独占鳌头，客户包括中粮集团、蒙牛、支付宝、京东等50多个行业3500家国内外大型知名企业。
利用ArcGIS水文分析工具提取河网水系的方法 DEM包含有多种信息，ArcToolBox提供了利用DEM提取河网的方法，但是操作比较烦琐（帮助可参看Hydrologic analysis sample applications），今天结合我自己的使用将心得写出来与大家分享。提取河网首先要有栅格DEM，可以利用等高线数据转换获得。在此基础上，要经过洼地填平、水流方向计算、水流积聚计算和河网矢量转化这几个大步骤。 1．洼地填平 DEM洼地（水流积聚地）有真是洼地和数据精度不够高所造成的洼地。洼地填平的主要作用是避免DEM的精度不够高所产生的（假的）水流积聚地。洼地填平使用ArctoolBox->Spatial Analysis Tools->Hydrology -> Fill工具。 2．水流方向计算 水流方向计算就可以使用上一步所生成的DEM为源数据了（如果使用未经洼地填平处理的数据，可能会造成精度下降）。这里主要使用ArctoolBox->Spatial Analysis Tools->Flow Direction 工具。输入的DEM 采用第一步的Fill1_exam1
3．水流积聚计算 这里主要使用ArctoolBox->Spatial Analysis Tools->Flow Accumulation 工具流向。栅格数据就是第二步所获得的数据（FlowDir_fill1）。可以看到，生成的水流积聚栅格已经可以看到所产生的河网了。现在所需要做的就是把这些河网栅格提取出来。可以把产生的河网的支流的象素值作为阀值来提取河网栅格。 4．提取河网栅格 使用spatial analyst中的栅格计算器，将所有大于河网栅格阀值的象素全部提取出来。至于这个阀值是多少因具体情况而定。通常是要大于积聚计算后得到栅格的最低河流象素值。这里采用的是500这个值。最后生成只有0、1值的栅格数据。其中1表示是河网，0是非河网。 5．生成河网矢量 这里主要使用ArctoolBox->Spatial Analysis Tools->Stream to Feature工具.Input Stream raster 为第四步只有0、1值的河网栅格。流向栅格使用第二步所生成的栅格数据。 6．矢量河网处理 由于Stream to Feature工具.将所有栅格象素均转为矢量线段。所以要进行处理，方法是利用属性查询的方法把所有GRID_CODE为1的全部选择出来。
浅析电力系统模型参数辨识 （贵哥提供） 一、现状分析 随着我国电力事业的迅猛发展, 超高压输电线路和大容量机组的相继投入, 对电力系统稳定计算、以及其安全性、经济性和电能质量提出了更高的要求。现代控制理论、计算机技术、现代应用数学等新理论、新方法在电力系统的应用，正在促使电力工业这一传统产业迅速走向高科技化。 我国大区域电网的互联使网络结构更复杂，对电力系统安全稳定分析提出了更高的要求，在线、实时、精确的辨识电力系统模型参数变得更加紧迫。由于电力系统模型的基础性、重要性，国外早在上世纪三十年代就开始了这方面的分析研究，[1,2]国内外的电力工作者在模型参数辨识方面做了大量的研究工作。[3]随后IEEE相继公布了有关四大参数的数学模型。1990年全国电网会议上的调查确定了模型参数的地位，促进了模型参数辨识的进一步发展，并提出了研究发电机、励磁、调速系统、负荷等元件的动态特性和理论模型，以及元件在极端运行环境下的动态特性和参数辨识的要求。但传统的测量手段，限制了在线实时辨识方法的实现。 同步相量测量技术的出现和WAMS系统的研究与应用，使实现在线实时的电力系统模型参数辨识成为可能。同步相量是以标准时间信号GPS作为同步的基准，通过对采样数据计算而得的相量。相量测量装置是进行同步相量测量和输出以及动态记录的装置。PMU的核心特征包括基于标准时钟信号的同步相量测量、失去标准时钟信号的授时能力、PMU与主站之间能够实时通信并遵循有关通信协议。 自1988年Virginia Tech研制出首个PMU装置以来，[4]PMU技术取得了长足发展，并在国内外得到了广泛应用。截至2006年底，在我国范围内，已有300多台P MU装置投入运行，并且可预计，在不久的将来PMU装置会遍布电力系统的各个主要电厂和变电站。这为基于PMU的各种应用提供了良好的条件。 二、系统辨识的概念 系统模型是实际系统本质的简化描述。[5]模型可分为物理模型和数学模型两大类。物理模型是根据相似原理构成的一种物理模拟，通过模型试验来研究系统的
第七章 1、本章主题编号 2、本章内容概述 （1）概述 ● 坡面因子的分类及提取方法 ● 确定坡面因子提取的算法基础 ● 提取坡面因子的常用分析窗口 （2）坡度、坡向 ● 坡度的提取 ● 坡向的提取 （3）坡形 ● 宏观坡形因子 ● 地面曲率因子 ● 地面变率因子 （4）坡长 （5）坡位 （6）坡面复杂度因子 3、本章内容 3.1 概述 （1）坡面因子的分类及提取方法 ● 坡面因子的分类 按照坡面因子所描述的空间区域范围，可以将坡面因子划分为微观坡面因子与宏观坡面因子两种基本类型。常用的微观坡面因子主要有：坡度、坡向、坡长、坡度变率、坡向变率、平面曲率、剖面曲率等。常用的宏观坡面因子主要有：地形粗糙度、地形起伏度、高程变异系数、地表切割深度，以及宏观坡形因子（直线形斜坡、凸形斜坡、凹形斜坡、台阶形斜坡）等。 按照提取坡面因子差分计算的阶数，可以将坡面因子分为一阶坡面因子、二
阶坡面因子和高阶坡面因子。一阶坡面地形因子主要有坡度和坡向因子。二阶坡面因子主要有坡度变率、坡向变率、平面曲率、剖面曲率等因子。复合坡面因子有坡长、坡形因子、地形粗糙度、地形起伏度、高程变异系数和地表切割深度等。 按照坡面的形态特征，可将坡面因子进一步划分为：坡面姿态因子，坡形因子，坡位因子，坡长因子以及坡面复杂度因子五大类。 ● 提取坡面因子的基本方法 首先将坡面的形态特征或各个坡面因子进行定量化描述，完成求导的数学模型，在此基础上，建立其以DEM为基本信息源进行提取的技术路线，并通过软件实现形成一套易于计算机操作的方法。 （2）确定坡面因子提取的算法基础 ● DEM格网数据的空间矢量表达（如图7.1） 图7.1 DEM格网数据的空间矢量模型 ● 基于空间矢量模型的差分计算 算法主要有数值分析方法、局部曲面拟合算法、空间矢量法、快速傅立叶变换等。其中数值分析方法包含有简单差分算法、二阶差分、三阶差分（带权或不带权）和Frame差分；局部曲面拟合又有线性回归平面、二次曲面和不完全四次曲面（据刘学军，2002）。 （3）提取坡面因子的常用分析窗口 ● 窗口分析（领域分析）的基本原理是：对栅格数据系统中的一个、多个栅格点或全部数据，开辟一个有固定分析半径的分析窗口，并在该窗口内进行诸如极值、均值、标准差等一系列统计计算，或进行差分及与其它层面信息的复合分析等，实现栅格数据有效的水平方向扩展分析。 ● 在坡面信息提取中，按照分析窗口的形状，可以将分析窗口划分为以下几类： 矩形窗口：以目标栅格为中心，分别向周围八个方向扩展一层或多层栅格。 圆形窗口：以目标栅格为中心，向周围作一等距离搜索区，构成一圆形分析窗口。
论文题目ArcGIS环境下基于DEM的水文特征提取研究姓名 所在学院 专业班级 学号109042010006 指导老师 二○一三年一月四日
数字高程模型10GIS姜婷109042010006 ArcGIS环境下基于DEM的水文特征提取研究 ——以闽江流域建溪水系为例 姜婷 （福建师范大学地理科学学院，福建省福州市350108） 摘要：选择闽江流域建溪水系为研究对象,以数字高程模型DEM(Digit Elevation Models)为基础,利用ArcGIS软件的水文分析工具从DEM数据中提取研究区域的流域水文特征的详细过程。主要包括:DEM的生成和预处理、水流方向的确定、水流累积量提取、河网的提取和子流域的划分。结果表明，利用该方法提取的河网与利用手工方法提取的河网基本一致，从而证明该方法具有较高的精度。 关键词：数字高程模型；水文特征；ArcGIS；提取；建溪水系 21世纪以来水资源危机日益突出，水文模型已经成为目前国内外水文学研究的热门课题。随着“3S”技术的发展，为水文科学注入了新的血液。目前水文模拟技术趋向于将水文模型同GIS 与RS集成，以便充分利用GIS在数据管理、空间分析及可视性方面的功能。数字高程模型DEM (Digital ElevationModel)是用一组有序数值阵列形式表示地面点的平面坐标(x,y)和高程z的一种实体地面模型。它包含了大量的地理信息,是构成GIS的基础数据，其用途十分广泛,利用DEM可以提取流域的许多重要水文特征参数，如坡度、坡向、水沙运移方向、汇流网络、流域界线等。目前,利用DEM进行流域分析的工具很多,ArcGIS的水文分析模块(Hydro logymodel)是美国环境系统研究所公司(ESRI)为ArcGIS推出的一个水文分析模块,主要用于地形和河流网系的提取和分析,实现地形模型可视化,其强大的流域特征分析功能可以满足各种流域DEM处理的需要。 1流域概况 建溪是闽江上游三大溪中最大的溪流，是一个树枝状水系。水系源头在武夷山脉和仙霞岭余脉，南平以上流域面积16396平方公里，占闽江流域的27%。河系贯通崇安、建阳、浦城、松溪、政和、建瓯、南平七个县市。河流总长635.6公里，流域内有大小溪流120多条。流域内气候温和湿润，处于高雨区，年平均降雨量1800～2200毫米。建溪的年均流量每秒521立方米，年径流量164亿立方米，约占闽江总流量的1/3。流域内山区海拔差异明显,因而该水系具有河流比降大、源短流急、易发洪水等特点。本文基于该流域的数字高程提取流域水文信息为不同尺度的水文模型提供参数,并可满足各种水文模拟的应用需求。 2基于DEM的流域水文信息提取 流域水文信息是进行水文模拟的必要信息，提取流域信息也是构建现代化水文模型、进行水文模拟以及其他相关研究的前提。作为研究水文模型和水文状态变量空间分布的基础数据,DEM 的一个重要用途就是提取地貌指数。本文采用ArcGIS中的水文分析模块进行流域水文信息的提取。流域水文特征提取的主要过程包括：DEM 的生成和预处理、水流方向的确定、汇流累积量的计算、河网的提取和子流域的划分。 2.1DEM数据的来源和预处理 本文的栅格DEM数据采用国际科学数据服务平台（https://www.doczj.com/doc/c02896868.html,/index.jsp）提供的SRTM90米空间分辨率基础高程的数据。根据闽江流域建溪水系的经纬度坐标,确定出该数据的列号为60行号为7。 首先利用ArcGIS软件切出建溪流域所在区域的DEM，其中包括崇安、建阳、浦城、松溪、政和、建瓯、南平七个县市，从而生成本实验所需的DEM数据，见图1。
计算步骤步骤目标 建模或计算条件控制条件及处理1.符合原结构传力模式2.符合原结构边界条件3.符合采用程序的假定条件1.振型组合数→有效质量参与系数＞0.9吗？→否，则增加2.最大地震力作用方向角→θ0-θm ＞150？→是，输入θ0＝θm ，附加方向角θ0＝03.结构自振周期，输入值与计算值相差＞10%？→是，按计算值改输入值4.查看三维振型图，确定裙房参与计算范围→修正计算简图5.短肢剪力墙承担的抗倾覆力矩＜40%？→是，改为一般剪力墙结构；短肢剪力墙承担的抗倾 覆力矩＞50%？→是，规范不许，修改设计 6.框剪结构框架承担的抗倾覆力矩＞50%？→是，框架抗震等级按框架结构确定；若为多层结构，可定义为框架结构，抗震墙可作为次要抗侧力构件，其抗震等级可降低一级。 1.周期比控制：T 扭/T 1≤0.9（0.85）？→否，修改结构布置，强化外围削弱中间 2.层位移比控制：最大/平均≤1.2？→否，按双向地震重算 3.侧向刚度比控制：要求见规范；不满足时程序自动定义为薄弱层 4.层受剪承载力控制：Q i /Q i+1<[0.65(0.75)]？→否，修改结构布置；0.65（0.75）≤Q i /Q i+1<0.8？→否，强制指定为薄弱层（注：括号中数据为B级高层），（《高规》4.4.3条） 5.整体稳定控制：刚重比≥[10(框架)，1.4(其它)] 6.最小地震剪力控制：剪重比≥0.2αmax？→否，增加振型数或增大地震剪力系数 7.层位移角控制：弹性Δu ei /h i ≤[1/550(框架)，1/800(框剪)，1/1000(其它)]；弹塑性Δ u pi /h i ≤[1/50(框架)，1/100(框剪)，1/120(其它)]1.构件构造最小断面控制和截面抗剪承载力验算 2.构件斜截面承载力验算(剪压比控制) 3.构件正截面承载力验算 4.构件最大配筋率控制 5.纯弯和偏心构件受压区高度限制 6.竖向构件轴压比控制 7.剪力墙的局部稳定控制 8.梁柱节点核心区抗剪承载力验算 1.钢筋最大最小直径限制 2.钢筋最大最小间距要求 3.最小配筋配箍要求 4.重要部位的加强和明显不合理部分局部调整2.计算一（一次或多次）整体参数 的正确确 定 1.地震方向角θ0＝0；2.单向地震+平扭耦联；3.不考虑偶然偏心；4.不强制全楼刚性楼板；5.按总刚分析；6.短肢墙多时定义为短肢剪力墙结构；1.按计算一、二确定的模型和参数；2.取消全楼强制刚性板；3.按总刚分析；4.对特殊构件人工指定。构件优化设计(构件超筋超限控制)4.计算三（一次或多次）5.绘制施工图结构构造抗震构造措施几何及荷 载模型 1.建模整体建模判定整体结构的合理性（平面和竖向规则性控制） 1.地震方向角θ0＝0,θ m ； 2.单(双)向地震+平扭耦 联； 3.(不)考虑偶然偏心； 4.强制全楼刚性楼板； 5.按侧刚分析； 6.按计算一的结果确定结 构类型和抗震等级3.计算二（一次或多次）
人力资源管理五因素分析模型 2007-9-23来源：中国人力资源开发网作者：陈谏 在当今企业管理学界研究得最多的领域就是人力资源管理，其实中国从来不缺乏对人管理的先进思想和智慧，古往今来，在历史的长河中涌现了不计其数育才、求才、用才的经典故事，只不过这些故事的经典之处，并非在商业；目前竞争激烈的商业环境中，产品和营销策略被普遍认为是是企业的主要价值，近几年我们通过对人力资源管理的深入研究发现，不容易为竞争者模仿、复制的"人才"和"企业文化"，才是独一无二的价值所在。企业的成功，取决于一个具竞争力的优势上，即企业员工的表现。换言之，优秀的专业人才是带领企业创造绩效与价值的关键。企业如何找到适合企业文化、又有能力协助企业成长的人才，是我们人力资源管理工作者最核心的工作之一。人力资源部门必须通盘了解企业未来几年的目标及营运方向，协助企业配合策略规划，订定出切合时宜的人力资源管理模式。 要寻找人力资源管理模式，我们必须先研究人力资源管理的对象，其实，人力资源管理的对象不仅仅是"人"，还包括"岗位"、"团队"、"职务簇"、和"关联".对于人的研究，我们大体上会注重于人的素质、人的能力、人的知识、人的业绩、人的价值、人的报酬、人的成本、人的投资等方面，这些信息都是依附在"人"这个活动的载体上，不管是"自然人理论"还是"科学人理论"，或者是"职业人理论"，都离不开对这些要素的分析与研究。 岗位的定义是大家最熟悉的，让我们忽视的是构成岗位的要素：岗位的目标、岗位的资源、岗位的重要性、岗位的胜任力模型、岗位的发展属性等。 职务簇是具备同样属性要素、但存在量差的岗位集合，同一个职务簇中不同的岗位，存在等级、重要性、目标等的差异。处于相同职务簇的群体，我们会用同样的管理方式去管理，如培训、考核、资源调配、薪酬设计等等。 团队是相对分散的人的集合，有非常多的组合规则，这些规则来源于"人"和"岗位"的属性，
特质学派及五因素模型的局限与运动心理学人格研究 摘要:讨论了特质学派及最新产物五因素模型在理论导向、结构框架、特质定义、因素分析、预测能力、控制策略6个方面的局限性。分析了以往运动心理学人格研究在预测运动成绩时遇到的困难,可能是由于采用过于宽泛的人格特质预测过于宽泛的行为结果所致。在此基础上,提出了今后运动心理学人格研究提高移植量表的预测效度和发展运动领域的人格测验的可能途径。 关键词:运动心理学;特质;人格;因素分析;模型;预测 精神分析学派、特质学派、生物学学派、人本主义学派、行为主义学派以及认知学派构成了人格心理学的主要学派。这六大学派对于我们理解人格的本质作出了重要贡献,且至今仍以不同的形式活跃在人格心理学的理论和实践中。特质学派的主要倾向是对个人差异作出量化评定,是运动心理学领域心理选材与心理评定的重要理论基础。特质学派在人格心 理学的发展中创造了丰功伟绩,但本文仅从局限性的角度对该学派及其最新产物五因素模型进行分析,以期有助于运动心理学家在人格特质的研究中明确方向,最终更好地描述、预测、解释和控制运动活动参与者的行为。 1 特质学派及五因素模型的局限性 1.1 什么是五因索模型长期以来,人格心理学家一直在努力寻求普适性的特质分类,但对于应当用哪些人格维度来解剖和描述人格,多年来一直众说纷纭,莫衷一是。有的提议采 用多至16个维度、有的提议采用少至2或3个维度(Vemon,1964)。经过漫长的探索,最近,人格心理学家似乎逐渐达成了某种程度的共识,认为人格维度的数量可能是5个。1949年至1981年的人格维度研究表明(John,1990),以下五大特质因素是这些研究的共同归宿:神经质(Neuroticism,N),外向性(Extroversion,E),开放性(Openness to Experience,O),随和性(Agreeableness,A),意识性(Conscientiousness,C)。五因素模型的效度证据主要来自以下6个方面的研究成果:第一,跨文化的一致性;第二,自我评定与他人评定之间的一致性;第三,与动机、情绪及交往技能量度的一致性;第四,人格障碍诊断的功能;第五,遗传影响;第六,跨时间测量的稳定性。大五因素的发现与确认,被认为是“人格心理学发展的转折点”(McCrae &John,1992,p.177)。目前,许多人格心理学家倾向于采用科斯塔与麦克雷编制的[NEO人格问卷修订本] (NEO - PI - R; Costa &McCrae,1992)来测量这五大特质因素。该量具包括240个条目,每一条目有完全同意到完全不同意5级选项。除了可以计算5个特质因素分数以外,还可计算每个因素包括的6个亚因素分数(表1)。 表1 五因素模型的主因素和亚因素 主因素亚因素 神经质(N) 焦虑,气愤的敌意,抑郁,自我意识,冲动性,易感性 外向件(E) 合群性,自信性,活动性,热情性,兴奋寻求,积极情绪 开放性(O) 幻想性,审美性,感受性,行动性,思想,价值 随和性(A) 直率,利他,遵从,谦虚,温和,信任 意识性(C) 能力,秩序,责任,成就,努力,自我约束 2 特质学派及五因素模型的局限性尽管许多五因素模 型研究所得结果颇为一致,人格心理学家对该模型也给予了前所未有的认同,但也不乏批评之声(Block,1995)。更重要的是,五因素模型并末解决特质学派本身所固有的一些问题。下面我们将分6个方面讨论这些问题。 1.2.1 缺乏理论导向,不能解释原因心理学家对特质学派最重要也是最致命的批评是,该学派少有理论建树,且没有回答“为什么”的问题。比如,假如我们看到张三与人交按时表现得友
ArcGIS Hydrology水文分析功能介绍(1)-基本原理 1.基本原理 DEM是数字高程模型的英文简称(Digital Elevation Mode)，是流域地形、地物识别的重要原始资料。自20世纪60年代以来,在利用数字高程模型DEM提取流域水文特征,模拟地表水文过程方面,国内外都开展了大量的研究。 1.1基于DEM进行流域分析的原理 从DEM提取流域特征，一个良好的流域结构模式是确定算法的前提和关键。1967年ShreveL¨描述的流域结构模式一直被后来的水文学者所引用．并设计了一些成熟的算法。 Shreve使用一个具有一个根的树状图来描述流域结构(如图 1 流域结构模式图所示)。在这个结构中，主要包括两个部分，一部分是结点集，一部分是界线集。沟谷结合点和沟谷源点共同组成一个沟谷结点集。所有的沟谷段组成沟谷段集，形成一个沟谷网络；所有的分水线段组成分水线段集，形成一个分水线网络；沟谷段集和分水线段集共同组成界线集。 沟谷网络中的每一段沟谷都有一个汇流区域，这些区域由流域分水线集来控制。外部沟谷段有一个外部汇流区．而内部沟谷段有两个内部汇水区，分布在内部沟谷段的两侧。整个流域被分割成一个个子流域．每个子流域好象是树状图上的一片“叶子”。 Shreve的树状图流域结构模型是简单明确的．虽然沟谷网络的结点模型和线模型与在栅格DEM中用于表示沟谷结点和沟谷线的栅格点和栅格链之间存在着拓扑不一致性。但它给出了沟谷网络、分水线网络和子汇流区的定义，明确表达了它们之间的相关关系，成为设计流域特征提取技术的基础。
1.2 常用算法 流向判定建立在3×3 的DEM 栅格网的基础上，其方法有单流向法和多流向法之分，但单流向法因其确定简单、应用方便而应用广泛。 1.2.1 单流向法 单流向法假定一个栅格中的水流只从一个方向流出栅格，然后根据栅格高程判断水流方向。目前应用的单流向法是D8法。此外，还有Rho8 方法、DEMON 法、Lea 法和D∞ 法等。最常用的是D8 法：假设单个栅格中的水流只能流入与之相邻的8 个栅格中。它用最陡坡度法来确定水流的方向，即在3×3 的DEM 栅格上，计算中心栅格与各相邻栅格间的距离权落差（即栅格中心点落差除以栅格中心点之间的距离），取距离权落差最大的栅格为中心栅格的流出栅格。 所谓最陡坡度法的原理是假设地表不透水，降雨均匀．那么流域单元上的水流总是流向最低的地方“窗口滑动指以计算单元为中心，组合其相邻的若干个单元形成一个窗口”，以“窗口”为计算基本元素，推及整个DEM，求取最终结果。目前应用最广泛的是基于流向分析和汇流分析的流域特征提取技术。Jenson and Domingue (1988)设计了应用该技术的典型算法，该算法包括3个过程：流向分析，汇流分析和流域特征提取。 1) 流向分析：以数值表示每个单元的流向。数字变化范围是1～255。其中1：东；2：东南；4南；8：西南；16：西；32：西北；64：北；128：东北。除上述数值之外的其它值代表流向不确定，这是由DEM中洼地”和“平地”现象所造成的。所谓“洼地”即某个单元的高程值小于任何其所有相邻单元的高程。这种现象是由于当河谷的宽度小于单元的宽度时，由于单元的高程值是其所覆盖地区的平均高程，较低的河谷高度拉低了该单元的高程。这种现象往往出现在流域的上游。“平地指相邻的8个单元具有相同的高程，与测量精度、DEM单元尺寸或该地区地形有关。这两种现象在DEM 中相当普遍，Jenson and Domingue 在流向分析之前，将DEM进行填充；将“洼地”变成“平地”，再通过一套复杂的迭代算法确定“平地”流向。流向分析过程如图所示。 2) 汇流分析：汇流分析的主要目的是确定流路。在流向栅格图的基础上生成汇流栅格图．汇流栅格上每个单元的值代表上游汇流区内流入该单元的栅格点的总数，既汇入该单元的流入路径数(NIP)，NIP较大者，可视为河谷，NlP等于0，则是较高的地方，可能为流域的分水岭。
基于ArcGIS10地形数据提取与分析 舒城县林业局汪自胜 摘要：本文以森林资源调查工作实践为例，详细总结了如何利 用ArcGIS10软件对纸质地形图，通过扫描、矢量化生成高程栅格数据；利用高程栅格数据进行等高线加密、高程统计、坡向和坡度分析；以及利用坡向、坡度等地形因子实现自动区划图斑的方法和过程。 关键词：森林资源调查 ArcGIS 地形分析 地形因子是划分森林资源调查图斑的重要因子，在条件有限的 情况下，我们经常是利用纸质地形图，通过人工判定，来确定工作 图斑的海拔、坡向和坡度。准确度受判定人员的业务水平影响较大。利用ArcGIS10的矢量化工具和地形数据分析工具，可以实现对图斑 地形因子的自动判读，甚至可以自动区划图斑。 一、地形图矢量化 要想利用计算机来进行地形分析，首先应对纸质地形图进行扫 描矢量化，将其转化成计算机可以识别的数据格式(见图1)。 图1 地形图灰度栅格图像 地形图矢量化前，需要将纸质图扫描成灰度栅格图像，并对栅 格图像进行二值化处理。 1、在ArcMap中对栅格图像进行符号化处理。分类方法：手动；类别数：2；调整中断值，直到满意为止，记录下中断值； 2、重分类。利用ArcToolbox工具箱中的“空间分析-重分类” 工具，根据记录的中断值，对图像进行重分类，生成二值图（见图2）。
图2 重分类工具设置和二值图 3、矢量化。加载用来保存矢量化成果的点、线要素类文件，在 编辑状态下，运用ArcScan工具开始矢量化。 （1）根据矢量化点、线的栅格宽度，在矢量化设置中设置理想 的最大线宽等参数。可以在完成设置后，运用“显示预览”功能来 查看参数设置是否合理(见图3)。 图3 矢量化设置和效果预览 （2）运用“在区域内部生成要素”工具选择要矢量化的区域， 在弹出的模板对话框中，对点、线要素的模板采用默认设置，完成 自动矢量化。 （3）运用编辑工具清理掉错误短线和噪点，对断开的地方等进 行修补。 （4）将等高线、道路和水系地物进行分层，分别保存到等高线、道路、水系要素类中。
由Eugene F. Fama和Kenneth R. French撰写Journal of Financial Economics2015年第4期论文“A five-factor asset pricing model”对原有的Fama-French（1993）三因素模型进行了改进，在原有的市场、公司市值（即SML，small minus large）以及账面市值比（即HML，high minus low）三因子的基础上，加入了盈利能力（profitability）因子（即RMW，robust minus weak）和投资模式（investment patterns）因子（即CMA，conservative minus aggressive），从而能够更好地解释股票横截面收益率的差异。然而，有些小企业的股票收益率，和投资水平高、盈利能力低的公司相似。作者指出，五因素模型的主要不足就在于无法解释这类小企业的股票平均收益率为何如此之低。此外，引入RMW和CMA因子后，1963至2013年的美国股市数据表明，HML因子是“多余”的。 Fama和French于1993年提出的三因素模型在金融圈几乎无人不知，该模型很好地捕捉到了股票收益率与其市值和账面市值比之间的关系。三因素模型也一直是众多学者检验和挑战的对象。Novy-Marx (2013)发现，总盈利-资产比率（gross profits-to-assets）对股票横截面平均收益率，具有接近于HML 因子的解释能力。Aharoni, Grundy和Zeng (2013)指出，公司投资水平和股票平均收益率显著相关（亦可参见Haugen和Baker,1996、Titman, Wei和Xie, 2004、Fama和French,2006、2008等）。由此可见，三因素模型对预期收益率的描述并不全面，因为三个因子并不能解释由公司盈利能力与投资模式所造成的股票收益率差异。 基于上述理论及实证研究，Fama和French在原有的三因素模型中，加入了代表盈利能力的RMW因子和代表投资模式的CMA因子。与之前因子的构建方式类似，RMW是营业利润率（operating profitability）高的多元化投资组合的收益率，减去营业利润率低的多元化组合的收益率。CMA则是投资水平低（“保守”）的多元化投资组合的收益率，减去投资水平高（“积极”）的多元化组合的收益率。其中，营业利润率的衡量标准，是上一财年的总收入，扣除主营业务成本、利息支出和销售、一般及行政费用，再除以上一财年末账面权益总额。而对投资的衡量，则是用上一财年相对于之前财年的总资产增加额，除以之前财年末的总资产金额。 为了清楚地观察各个因子与收益率的关系，本文使用1963年7月至2013年12月的美国股市数据，采用类似Fama和French (1993)的方法对样本数据进行分析。作者分别根据市值-账面市值比、市值-营业利润率和市值-投资水平，对股票进行了3次5×5均分，每次得到25个投资组合。作者发现，总体而言，存在价值、盈利能力以及投资效应：即在控制其他变量的情况下，股票的账面市值比越高，营业利润率越高，投资水平越低，其平均回报率越高，这些现象在市值较小的股票中尤为明显。 在构造SML、HML、RMW和CMA这4个因子时，作者提出了三种投资组合划分的方法。第一种：分别根据市值-账面市值比、市值-营业利润率和市值-投资水平，对股票进行3次2×3划分，每次得到6个投资组合。以市值-账面市值比划分为例，作者将市值以纽交所均值为分水岭，划分为大、小2类；对账面市值比，则以纽交所的第30和第70百分位数为分水岭，划分为高、中、低3类。第二种：分别根据市值-账面市值比、市值-营业利润率和市值-投资水平，以纽交所均值为分水岭，对股票进行3次2×2划分，每次得到4个投资组合。第三种：根据市值-账面市值比-盈营业利润率-投资水平，对股票进行1次2×2×2×2的划分，得到16个投资组合。作者认为，第二种方法在构建因子时，使用了全部股票，而第一种方法却没有使用第30至第70百分位数的股票，因此第二种方法构建的因子更为多元化；而第三种方法，则能更有效地从平均收益率中，分离出市值、账面市值比、营业利润率和投资水平的风险溢价。 作者进行回归分析，并按照Gibbons，Ross和Shanken(1989)的方法进行检验。GRS统计量表明，五因素模型并不能完全描述股票的期望收益率，但是五因素模型依然可以解释71%至94%的不同组合收益率在横截面水平上的差异。五因素模型的GRS统计量值小于三因素模型，回归的截距项（代表异常收益）
斜坡单元 地质灾害危险性区划中常用的单元类型有网格单元、地域单元、均一条件单元、子流域单元、斜坡单元等。其中: 网格单元形状较规则，便于实现快速剖分，离散后得到的矩阵形式的数据有利于进一步运算，但是不能完全反映地势起伏，与地质环境条件联系不够紧密; 均一条件单元没有考虑不同区域的地质环境条件差异; 子流域单元适用于泥石流灾害危险性区划，对滑坡、崩塌等则不适用。斜坡单元是滑坡、崩塌等地质灾害发育的基本单元，并且在各类控制或影响因素中，河流和沟谷的发育阶段对滑坡、崩塌的形成具有明显的控制作用，因此采用基于幼年期沟谷划分的斜坡单元作为评价单元，可以与地质环境条件紧密联系，综合体现各类控制或影响因素的作用，使评价结果更贴近于实际。因此，在满足DEM 精度要求的前提下，斜坡单元划分较适用于地质灾害危险性区划【1】。 斜坡单元划分原理 斜坡单元划分的实质是基于DEM 的地表水文分析，包括正反地形无洼地DEM 的生成、水流方向的提取、汇流累积量的计算、河网的生成、集水流域的生成等关键步骤，其基本原理是利用正反地形分别提取山谷线和山脊线( 分别对应于汇水线和分水线)，把生成的集水流域与反向集水流域融合，再经后期处理人工修改不合理的单元，最终得到的由汇水线与分水线所组成的区域即为斜坡单元。斜坡单元划分流程见图【1】。
ArcGIS划分斜坡单元操作步骤 1、生成无洼地DEM ——原理：DEM 是一种比较光滑的地形表面模型，由于DEM 误差以及一些真实地形的存在，使DEM表面存在一些凹陷的区域，在进行水流方向计算时往往会导致不合理的甚至错误的水流方向，因此计算前应先对原始DEM数据进行洼地填充，得到无洼地的DEM。基本过程是: 首先，利用水流方向数据计算出DEM 数据中的洼地区域和洼地深度;其次，依据洼地深度并参考真实地形，确定填充阈值对洼地进行填充; 再次，一次洼地填充完毕后又会产生新的洼地，因此需要重复上述过程，反复填充【1】。 ——操作：填洼
心理科学进展 ２００４，１２（４）：５７８~ ５８３ Advances in Psychological Science “大五”人格模型及其在工业与组织心理学中的应用 钟建安段锦云 （浙江大学心理与行为科学系，杭州 310028） 摘要“大五”是涵盖人格的5个因素的简称，它包括：神经质、外向性、开放性、宜人性和责任感。在介绍了该模型的基础上，文章重点介绍了它在工业与组织心理学中的应用，即“大五”可以有效的预测工作绩效、工作动机、领导行为、创造性行为和工作满意感等。. 关键词“大五”模型，工作绩效，工作动机，领导行为，创造性行为，工作满意感。 分类号B849:C93 人格因素的“大五”分类模型（Big Five或FFM，Five-Factor Model）是近年来研究的热点，它属于特质说。在此之前，卡特尔和艾森克也做出了各自的特质分类，并编制了应用广泛的16PF和EPQ问卷。对5个因素的发现，很多学者都做出了各自的贡献。最早的研究可以追溯到1949年，Fiske做出了理论雏形。在此基础上，以Costa和McCrae为代表的很多学者都提出了他们各自的“大五”模型[1]，运用的方法都是把自然语言中描述人格的形容词进行因素分析，进而得出五因素。“大五”的出现，给人格及整个心理学研究注入了活力。同时，这一理论在社会心理、工业与组织心理及心理学的其他方面的应用迅速普及开来。１ “大五”概述 １．１ “大五”模型的内容 所谓“大五”，就是涵盖人格的5个因素，这5个因素分别是：（1）神经质（Neuroticism），正的一极又称为情绪稳定性（简称N+）。（2）外向性（Extraversion）。（3）开放性(Openness to experience)：兴趣广泛的、好奇的、富于创造性的（正的一极，简称O+），保守的、循规蹈矩的、专深的（负的一极，简称O-），这一因素包括智力和文化两个方面。（4）宜人性(Agreeableness)。（5）责任感(Conscientiousness)。每一因素都包含正负两极。取每一因素的第一个字母N、E、O、A、C连在一起组成“OCEAN”即“海洋”的意思，这似乎和该分类系统广泛的代表性及含义相一致。1985年，Costa和McCrae[2,3]编制了测量“大五”的人格问卷，NEO-PI。后来，他俩又编制了新的修订版，NEO-PI-R和NEO-FFI。比较典型的测量“大五”的量表还有HPI[4]和BFI[5]等。 １．２ 对“大五”的评价 伴随“大五”的提出，由于它系统简洁的优点而得到了许多研究者一致的认同。这些认 收稿日期：2003－10－08 通讯作者：钟建安，E-mail: jiananzhong@https://www.doczj.com/doc/c02896868.html,，电话：（0571）88273337 578
基于五因素模型的A股市场交易策略 [提要] 本文以Fama-French五因素模型为研究基础，结合基本面分析和技术分析，挖掘具有价值投资的一类公司作为投资组合。研究发现：选出的投资组合的收益超过大盘指数和大多数主动管理型基金的收益，这说明基于五因素模型的选股策略是一种有效的选股策略。 关键词：资产定价；Fama-French五因素模型；交易策略 基金项目：2016年度嘉兴学院大学生科研训练计划（SRT）重点项目（项目编号：851716013） 中图分类号：F83 文献标识码：A 收录日期：2017年4月5日 一、文献综述 在股票市场，广大投资者都在思考如何发掘有较高回报的公司，以及使用怎样的投资方式、交易策略来获取更高收益。而资产定价模型历来就对于投资决策具有重要意义。从20世纪60年代开始，Sharpe（1964）、Lintner（1965）和Black （1972）提出了著名的资本资产定价模型（CAPM）；Ross （1976）提出了套利定价理论（APT），即假设在竞争性和无摩擦的市场上，股票收益率与未知数量的未知因素相关；
Fama和French（1992、1993、1996）提出三因素模型发现市场风险、总市值、账面市值比因素可较好地解释股票收益率的变化；Fama和French（2013）提出五因素模型，因发现三因素模型无法解释盈利能力和投资模式对股价的影响，于是结合前人研究成果，在三因素模型的基础上引入盈利能力和投资模式因素，并通?^美国50余年的市场数据进行检验。在国内，曾佳辉（2014）运用Fama-French三因子模型及其优化模型，发现小规模上市公司的整体回报较高，而大规模公司承担的系统性风险相对较高，并且发现基于三因子模型所设计的交易策略是一种收益稳定、风险不高的优质交易策略。张利平（2014）在对25个因子进行实证后，选择了盈利收益率、账面市值比、现金收益率、ROA变动、PEG、换手率变动这六个因子构建了多因子选股模型，得到了较为理想的收益率。但国内学者对Fama-French五因素模型在我国实际交易策略上的直接研究较少。因此，本文将结合Fama-French五因素模型对中国A股市场上的股票进行选股，同时结合基本面分析和技术分析，从中挖掘出具有投资价值的公司，设计出科学有效的交易策略。 二、数据来源与样本选择 本文以深圳和上海股票交易所的所有A股股票为研究 样本，以Fama-French五因素模型为研究基础，其中规模因素用股票的流通市值衡量；账面市值比因素用市净率的倒数
利用ArcGIS水文分析工具提取河网的操作ArcGIS 水文分析工具提取河网 DEM包含有多种信息，ArcToolBox提供了利用DEM提取河网的方法，但是操作比较烦琐（帮助可参看Hydrologic analysis sample applications），今天结合我自己的使用将心得写出来与大家分享。提取河网首先要有栅格DEM，可以利用等高线数据转换获得。在此基础上，要经过洼地填平、水流方向计算、水流积聚计算和河网矢量转化这几个不步骤。 1．洼地填平 DEM洼地（水流积聚地）有真是洼地和数据精度不够高所造成的洼地。洼地填平的主要作用是避免DEM 的精度不够高所产生的（假的）水流积聚地。洼地填平使用ArctoolBox->Spatial Analysis Tools->Hydrol ogy->Fill工具。 2．水流方向计算 水流方向计算就可以使用上一步所生成的DEM为源数据了（如果使用未经洼地填平处理的数据，可能会造成精度下降）。这里主要使用ArctoolBox->Spatial Analysis Tools->Flow Direction 工具。输入的DE M采用第一步的Fill1_exam1 3．水流积聚计算 这里主要使用ArctoolBox->Spatial Analysis Tools->Flow Accumulation工具流向。栅格数据就是第二步所获得的数据（FlowDir_fill1）。可以看到，生成的水流积聚栅格已经可以看到所产生的河网了。现在所需要做的就是把这些河网栅格提取出来。可以把产生的河网的支流的象素值作为阀值来提取河网栅格。
4．提取河网栅格 使用spatial analyst中的栅格计算器，将所有大于河网栅格阀值的象素全部提取出来。至于这个阀值是多少因具体情况而定。通常是要大于积聚计算后得到栅格的最低河流象素值。这里采用的是500这个值。最 后生成只有0、1值的栅格数据。其中1表示是河网，0是非河网。 5．生成河网矢量 这里主要使用ArctoolBox->Spatial Analysis Tools->Stream to Feature工具.Input Stream raster 为第 四步只有0、1值的河网栅格。流向栅格使用第二步所生成的栅格数据。