适宜性建模器中的“浏览统计数据”窗格
需具备 Spatial Analyst 许可方可使用。
在比较窗格中，您已选择了需要运行的预定义统计量。 浏览统计数据窗格可用于查看这些统计量的结果。
要查看结果，请在浏览统计数据窗格中单击您想查看的统计量。 统计量的参数、辅助图和解释性文本将显示在比较统计数据窗格中，而相关的输出地图将显示在地图中。
可在比较统计数据窗格中调整所选统计量的参数。 统计量的输出将随之更新。
用于比较的预定义统计量
为帮助您分析输出，以下部分将指明五大功能统计组中各项统计量的观察要点。
浏览输入参数
浏览输入参数功能组中包含一项统计量，可用于比较输入模型。
模型中的参数
有关该统计量的描述和使用时机，请参阅模型中的参数。
观察要点：
检查最终适宜性的空间分布并定位地图，以整体把握输出结果。
查看两个模型是否具有相同的输入条件和权重。
通过并排图检查各条件的变换。
比较两个模型之间最终区域的参数，查看是否存在差异。
比较相似性与差异性
比较相似性与差异性功能组包含四项统计量，可用于比较输入模型。
适宜性值差异
有关该统计量的描述、使用时机和基础通用公式，请参阅适宜性值差异。
百分比变化选项观察要点：
确定输出值的范围。 范围越宽，模型间的差异越大。 检查结果图，查看是否存在仅有少数位置差异较大的情况。
在地图中，注意数值最接近零值两侧的区域，因为这些位置是两个模型结果一致的区域。
查看较大正值所在的位置，因为它们指示模型 1 相对于模型 2 具有更高适宜性值的区域。
查看较小负值所在的位置，因为它们指示模型 2 相对于模型 1 具有更高适宜性值的区域。
查看较大正值和较小负值所在的位置，因为它们指示模型间差异最大的区域。
注意模型间存在差异的任何模式。 这些模式可能表明对某个输入条件或条件组合存在偏好，或者一个模型包含了另一个模型所缺失的条件。
百分比差值选项观察要点：
检查较低值所在的位置，因为它们指示两个模型结果一致的区域。
分析较低值（模型间相似之处）和较高值（模型间不同之处）是聚集分布还是分散在整个研究区域。
如果在较高值中观察到某种模式，能否将该模式与特定条件关联起来？
模型之间的相似性
有关该统计量的描述、使用时机和基础通用公式，请参阅模型之间的相似性。
观察要点：
注意有多少个位置满足相似性阈值，这指示了模型之间的相似之处。
确定这些像元在整个研究区域内是成组分布还是碎片化分布。
如果已生成最终区域，则将其显示在该统计量的结果地图上。 检查这些区域是否与该统计量输出的位置相符。 如果相符，说明两个模型的关键区域结果一致。
相似性与差异性
有关该统计量的描述、使用时机和基础通用公式，请参阅相似性与差异性。
观察要点：
观察两个模型之间具有相似性的位置是否聚集。 模型间不同的位置是否聚集？
查看相似的位置是否与不同的位置邻近。
检查模型显示出的相似性与差异性是否存在任何模式，这些模式能否与已变换条件中的模式关联起来。
差异聚类（热点分析）
有关该统计量的描述、使用时机和基础通用公式，请参阅差异聚类（热点分析）。
观察要点：
注意热点（模型间不同之处）和冷点（模型间相似之处）在整个研究区域内是聚集分布还是碎片化分布。
检查热点和冷点是彼此邻近还是相距甚远。
如果运行了“相似性与差异性”统计量，请比较两者的输出。 确定在计算中包含每个位置周围的其他像元（如“热点分析”统计量中所做）是否会改变任何模式。
分析适宜性值
分析适宜性值功能组包含四项统计量，可用于比较输入模型。
具有高适宜性的相似模型
有关该统计量的描述、使用时机和基础通用公式，请参阅高适宜性模型的相似性。
观察要点：
将两个模型的最终区域显示在该统计量的结果地图上。 如果这些区域落在该统计量的输出范围内，则表明两个模型的重要方面具有一致性。
检查输出值是聚集分布还是碎片化分布。 如果输出值呈碎片化分布且已生成最终区域，请运行“区域重叠”统计量以检查区域是否一致。
高适宜性中的百分比变化
有关该统计量的描述、使用时机和基础通用公式，请参阅高适宜性中的百分比变化。
观察要点：
检查正值和负值是否分别聚集。
如果您正在探究权重、变换或条件的变化，能否观察到该变化从一个模型到另一个模型产生的影响？
查看正值所在的位置，因为它们指示模型 1 具有较高适宜性值的区域，而负值则指示变化产生更有利结果的区域。
高适宜性模型的相似性与差异性
有关该统计量的描述、使用时机和基础通用公式，请参阅高适宜性模型的相似性与差异性。
观察要点：
观察模型间存在差异且具有高适宜性的位置。 您可能需要结合使用高适宜性模型的相似性统计量的输出和本统计量的输出来确定这些位置。 这些位置精确指出了两个模型中的分歧区域，突显了它们之间最显著的差异。
确保最终区域落在两个模型之间具有相似且具有高适宜性的位置范围内。
确定两个模型在高适宜性方面的一致与不一致区域之间的空间关系。 如果这些位置彼此邻近，您能否解释原因？
请注意，如果存在差异的位置分散在整个研究区域，则可能是分类条件（如土地利用）正在影响结果。
低适宜性模型的相似性
有关该统计量的描述、使用时机和基础通用公式，请参阅低适宜性模型的相似性。
观察要点：
确保存在大量具有相似性且具有低适宜性的位置。 这表明两个模型的非有利区域结果一致。
增加低适宜性阈值参数，查看新增了哪些位置。 新位置是从现有位置向外扩展的吗？
分析模型间的变化
分析模型间的变化功能组中包含两项统计量，可用于比较输入模型。
适宜性值的空间关联
有关该统计量的描述、使用时机和通用公式，请参阅适宜性值的空间关联。
观察要点：
请注意，高-高和低-低类别表示两个模型结果一致的区域。
请注意，低-高和高-低类别表示两个模型结果不一致的区域。 低-高表示模型 1 相对于模型 2 具有较低的适宜性值。 高-低表示模型 2 中所做的更改降低了适宜性。
检查各类别中的空间模式。 类别是否聚集？ 各类别在空间上如何相互关联？
在场景测试中，直接检查在模型 1 中更改权重、变换或输入条件对模型 2 的影响。
将该统计量与**适宜性值变化（变化检测）**统计量结合使用。
适宜性值变化（变化检测）
有关该统计量的描述、使用时机和通用公式，请参阅适宜性值变化（变化检测）。
观察要点：
对于场景测试，查看在模型 1 中更改权重、变换或输入条件如何直接影响模型 2。
分析您在模型 1 中所做更改的模式。 尝试解释模型 1 中的更改如何体现在模型 2 中。
检查区域重叠的位置
检查区域重叠的位置功能组中包含两项统计量，可用于比较输入模型。
区域重叠
有关该统计量的描述、使用时机和基础通用公式，请参阅区域重叠。
观察要点：
区域的大量重叠表明，即使条件、权重和变换可能不同，两个模型也会得到相似的区域。
如果存在多个区域，检查区域间是否存在任何模式。 检查是否有些区域重叠度很高，而其他区域则不然。 您能否将这些模式与原始条件和变换关联起来？
请注意，如果区域之间没有重叠，则表明模型之间彼此独立。
适宜性等级的区域重叠
有关该统计量的描述、使用时机和基础通用公式，请参阅适宜性等级的区域重叠。
观察要点：
检查区域不重叠的位置。 它们是否位于高适宜性区域？ 如果是，即使区域未精确对齐，最终区域仍然是有利的，因为它们位于高适宜性区域。
识别落在低适宜性区域的重叠位置或不重叠位置。 这些是最需要关注的位置。 在这些位置，模型间差异显著，降低了其适宜性值的均值。
有关更多观察要点，请参阅上文区域重叠统计量描述中的相关内容。