步骤 4：执行分析
您已确定了具体目标、各种元素及它们之间的交互作用、过程模型以及所需的输入数据集。现在便可以执行分析了。
为新学校寻找最佳建校地点而执行分析时，有两种方法可供选择。您可以创建适宜性地图以查明地图上每个位置的适宜性，也可以查询已创建的数据集以获得值为 true 或 false 的布尔型结果。
创建适宜性地图
创建适宜性地图可使您获悉地图上每个位置的适宜性值。
为分析创建了必要的图层后(在本例中，图层分别为坡度、到休闲娱乐场所的距离、到现有学校的距离和土地利用类型)，如何将这些已创建的图层加以结合从而创建出呈现建校候选区域的单一分级地图?您需要了解如何比较各图层中类的值。其中一种方法是为每个地图图层中的类指定数值，或者重分类。
各地图图层将按照作为新学校校址的适宜程度进行分级。例如，您可以为每个图层中的各个类指定一个 1 到 10范围内的值，其中 10 表示最合适的校址。
这通常被称为适宜性范围。可使用 NoData 将不予考虑的区域屏蔽掉。同一数值范围内出现的所有测量结果在确定最适宜地点时均具有同等重要性。模型最初便是通过这种方法构建的。然后，在测试替代方案时，还可将权重系数应用于各图层以便进一步研究数据及数据之间的关系。
创建适宜性范围
与本例一样，很多范围都是主观设定的。这些范围通常是对于适宜性或优先级的分级度量，按适宜程度从高到低排列。它以可度量的客观存在(例如到原有学校的距离)为基础，但最终还是要主观判断要建立的学校与另外某个学校之间特定距离的适宜程度。
通常存在一些固有范围，它们与某些具体目标相关。成本就是一个很好的示例，但需要对其进行足够细致地定义。在一项建筑物适宜性的研究中，要实现房地产低成本的目标，成本将以“元”进行度量。请确保该范围得到充分定义。因为众所周知的“元”还存在其他变体，例如美元、澳元，或者货币之间的汇率。
虽然通常为了节省时间和金钱或因为未考虑到所有可能性而以线性关系的方式表示范围，但很多范围并不属于线性关系。例如，如果为行程距离指定了一个范围，步行 1 千米、5 千米或 10 千米的适宜性等级则不能被分别划分为10、5 和 1。因为有些人可能认为步行 5 千米的不便程度仅是步行 1 千米的两倍，而其他人则可能会认为是 10 倍。
设计适宜性范围时，应与专家一起找出适宜性最佳和最差的点并且中间点越多越好。专家应该会对正在研究的目标了如指掌。例如，与其就交通状况最差的时间询问市政官员，让乘坐公交车上下班的人根据乘车需要提出意见更为明智。
为接近休闲娱乐场所的区域划分等级
要将学校建在接近休闲娱乐设施的地方，您需要测量到这些休闲娱乐设施的距离。使用 Spatial Analyst 的欧氏距离工具计算出任意地点到最近的休闲娱乐场所的直线(欧氏)距离便可创建这样的地图。得到的结果是一个栅格数据集，其中每个像元均表示到最近的休闲娱乐场所的距离。要对此地图划分等级，请使用重分类工具。由于最好是建在接近休闲娱乐场所的地点，因此将到休闲娱乐场所很远的距离指定为值 1，而将接近休闲娱乐场所的距离指定为值 10，然后对介于两者之间的各个距离线性地划分等级，如下图所示。
为远离现有学校的各个区域划分等级
为避开其他学校的招生区，需要获知建校位置与这些学校的距离。使用欧氏距离工具计算出任意地点到最近的学校的直线距离便可创建这样的地图。得到的结果是一个栅格数据集，其中每个像元均表示到最近的学校的距离。要在此地图中划分等级，请使用重分类工具。由于最好是建在远离现有学校的地点，因此将接近现有学校的距离指定为值 1，而将远离现有学校的距离指定为值 10，然后对介于两者之间的各个距离线性地划分等级，如下图所示。
为相对平坦的区域划分等级
为避开陡坡而找出相对平坦的区域建校，您需要测量土地的坡度。使用坡度工具为每个像元确定出它们到相邻像元值的最大变化率便可创建这样的地图。要在此地图中划分等级，请使用重分类工具。由于最好是建在相对平缓的坡上，因此将陡坡最陡的地点指定为值 1，而将坡度最缓的地点指定为值 10，然后对介于两者之间的各个值线性地划分等级，如下图所示。
按照土地利用类型的适宜性为各区域划分等级
要在表示土地利用类型的地图中划分等级，请使用重分类工具。由于涉及到成本，最好是建在某些土地利用类型上，因此您需要确定如何为各个值划分等级。
为距离值或坡度值划分等级相对简单。您只需确定何种距离(远或近)和坡度(陡峭或平缓)更为适宜，然后为其余的值线性地划分等级，或者指定要考虑的最大距离或坡度。而此处您则需要确定哪种土地利用类型较好。这是一个因研究而异的主观性问题。确定哪类土地更适合建校而哪类土地不适合建校的最简单方法是，先确定最适合的土地类型再确定最不适合的土地类型。然后，再从剩下的土地利用类型中确定最适合的类型和最不适合的类型。持续执行此操作直到将各土地利用类型按优先级顺序排列。土地利用类型中的水域和湿地已从分析中排除，因为无法在水上建校，并且对于在湿地上修建建筑也有一些限制。下图显示了为土地利用类型划分等级的方式。
合并适宜性地图
适宜性建模的最后一步是合并到休闲娱乐场所的距离、到现有学校的距离、坡度和土地利用类型的经过重分类的输出(适宜性地图)。
要强调适宜性建模中某些具体目标的重要性，您可以对数据集进行加权，即将模型中较重要数据集对结果的影响力的百分比(权重)设为比其他数据集高。如果所有数据集的重要性相同，则可以为每个数据集指定相同的权重。
在本例中，在分解问题的过程中您了解到最希望满足的具体目标是将学校建在接近休闲娱乐设施的地方，接下来才是远离现有学校的地方。以下影响力的百分比将被指定给各个适宜性地图。括号中的值是由百分数除以 100 而得来，这样各个值便可以标准化。
到休闲娱乐场所的距离适宜性地图对最终结果具有 50% (0.5) 的影响力，而到现有学校的距离则具有 25% (0.25) 的影响力。坡度和土地利用类型均具有 12.5% (0.125) 的影响力。与指定适宜性范围一样，指定权重也是一个主观的过程，因为这取决于哪些具体目标对于研究来说最重要。
最终的适宜性地图通过合并所有这些地图而生成。可在合并各个适宜性地图的同时指定权重。下方显示了用于选择建校地点的最终适宜性地图。最适宜的地区以深绿色表示。最不适宜的地区以橙色暗影表示。
您可以使用地图代数对数据集进行加权及合并。此外，也可使用加权叠加工具。如果在模型中使用此工具，您便可以返回并轻松地更改权重(影响力百分比)和已设定的任意刻度范围值。如果您在模型中结合了地理处理工具，则只需创建一次模型，然后通过更改参数值便可体验不同的结果。
查询数据
为新学校寻找适宜建校地点的另一种方法(无需创建适宜性地图)是查询数据。创建了所有需要的数据集之后(坡度、到休闲娱乐场所的距离和到现有学校的距离)，便可以对数据进行查询以找到合适的地点。此类查询可以设为找到满足以下条件的所有地点：坡度小于 20 度的农业用地，到休闲娱乐场所的距离小于 1,000 米，并且到现有学校的距离大于 4,000 米。
得到的结果是一幅布尔型 true 或 false 地图，其中包含满足或不满足这些条件的各个位置。绿色的区域表示适宜建校，而不适宜的区域则以褐色表示。
将此结果与上一步中的适宜性地图进行比较。查询数据与创建适宜性地图之间的差别即为：当您查询数据以获得布尔型 true 或 false 地图时，不存在适宜性为中等的区域。某个位置要么满足所有条件，要么被认为不适宜。如果希望分析具有更高的灵活性，您应创建适宜性地图，这样图中的每个地点(像元)便都具有一个适宜性值。根据适宜性分析，可能存在这样一个位置，它被认为是完全适宜，但进一步调查时却发现在该地点建校存在限制。由于尚未如布尔型方法那样将各个位置限定为适宜或不适宜，因此您会发现附近的某个地点虽然不那么完美(例如，可能是一个土地利用类型不很合适的地点)，但仍可以作为建校的良好地点。
步骤 5：验证结果
通过空间分析得出结果后，应验证结果是否准确。如有条件，应通过实地调查来验证候选地点是否符合要求。通常，分析得出的结果尚未涵盖某些重要信息。例如，该地点的上风向可能设有一个散发恶臭气味的养鸡场，或者通过查阅市政厅记录发现之前没有注意到在这块看中的土地上建造存在限制。无论属于哪种情况，您都需要将这样的信息附加到分析中。
步骤 6：实施结果
空间建模的最后一步是实施结果，即在选好的地点着手规划和建造新学校。