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