mcda-suitability-analysis

多准则决策分析与适宜性分析

目的：生成适宜性地图，明确说明权重、尺度和假设，确保一致并经过压力测试。没有敏感性分析的适宜性地图，只是附有图例的主观看法。

工作流

1. 结构：目标 → 准则（因子）→ 约束。约束是二元掩膜（法律排除区、水体、坡度 > 阈值），在最后通过乘法应用；因子是连续值并进行加权。两者必须分开——将约束编码为高权重因子是典型错误，会导致禁入区域得出“可接受”的分值。
2. 准则图层：每个因子都应是位于同一公共网格上的栅格（相同的 CRS、范围、像元大小和对齐方式）。分类图层使用最近邻重采样，连续图层使用双线性重采样；记录每种处理方式。
3. 标准化到通用适宜性尺度（0-1 或 0-255）：
   • 对“越高越好／越差”这类单调关系，使用线性最小-最大标准化。
   • 当适宜性会趋于饱和时，使用模糊隶属度（带控制点的 S 形或线性函数）——根据领域知识说明控制点的依据。
   • 分类图层：使用明确的重分类表，并向用户展示。 检查方向：确认每个图层的高原始值代表高适宜性还是低适宜性（坡度：低 = 好；距道路距离：通常低 = 好）。方向错误会悄无声息地保留到最终地图中。
4. 权重（使用下文的 AHP，或提供理由的直接赋权／排序法）。
5. 聚合：默认使用加权线性组合（WLC）；当决策者的风险偏好（类似 AND 或 OR）很重要时，使用 OWA。
6. 应用约束掩膜乘法；对结果进行分类（等间距或分位数——说明选择哪种方法及原因）；进行敏感性分析；如有已知的优良／不良地点，则据此验证。

强制一致性检验的 AHP

使用 Saaty 1-9 标度进行两两比较；通过主特征向量计算权重；一致性比率（CR）必须 < 0.10，否则应退回矩阵进行修订。运行 scripts/ahp_weights.py，根据互反比较矩阵计算权重和 CR（脚本会验证互反性并报告 λ_max）。

实践建议：使用口头基准（“稍微更重要” = 3）逐对征求比较结果；涉及多位专家时，在计算权重之前先用几何平均法汇总判断；在交付成果中报告完整矩阵、权重、λ_max 和 CR。如果 CR ≥ 0.10，应找出最不一致的三元组，并请专家重新审议——不要悄悄调整数值。

聚合

suit = np.zeros_like(factors[0], dtype="float32")
for w_i, f in zip(weights, factors):   # factors already standardized 0-1
    suit += w_i * f
suit *= constraint_mask                 # binary 0/1, applied last

OWA 变体：对每个像元的因子值排序，再应用顺序权重——从完全 AND（最小值）到完全 OR（最大值）的连续范围；当利益相关者的风险容忍度不同时使用，并展示 2-3 种情景。

敏感性分析——必做

如果稍微改变权重就会导致结果反转，那就称不上可靠结果：

• 逐项分析：将每个权重扰动 ±20%（重新归一化），重新计算，并报告适宜性类别发生变化的面积百分比，以及稳定性地图（在所有扰动下类别始终不变的像元）。
• 情景分析：根据不同利益相关者的优先级，设置 2-3 组替代权重；并排展示。
• 如果有蒙特卡洛分析预算：围绕 AHP 权重向量从狄利克雷分布中抽样；逐像元计算“高度适宜”的概率，远比单张地图更有价值。

交付标准

适宜性地图（分类图和连续值图）、约束掩膜地图、含 CR 的权重表、每项准则的标准化函数（含方向）、敏感性／稳定性摘要，以及说明局限性的段落（数据时效性、分辨率、遗漏的准则）。制图工作转交给 cartography-geoviz；网络可达性准则来自 network-accessibility-analysis。

易错项检查清单

• 准则方向反转（最容易被忽视的问题——务必仔细检查基于距离的因子）。
• 混用不同分辨率，却未说明重采样规则。
• 忽略或未报告 CR。
• 将约束混入权重 → 禁止区域被评为中等适宜性。
• 使用分位数分类后，却将结果解读为绝对适宜性。
• 未进行敏感性分析；将单一地图当作真相呈现。

执行约定

• 工作流： 明确决策和利益相关方；区分约束与因子；标准化准则；征询并验证权重；进行汇总；测试敏感性；传达不确定性。
• 决策规则： 对准则排序透明的表面采用 MCDA；对受路径约束的可达性采用网络分析；当离散选址或容量决策占主导时采用优化方法。
• 验证规程： 检查准则方向与对齐情况、AHP 一致性、约束执行情况、权重与阈值扰动，以及稳定区域与脆弱区域。
• 失效模式： 如果准则对同一构念重复计数、权重缺乏来源依据、约束被纳入补偿机制，或排序在合理扰动下崩溃，则拒绝该模型。
• 交付物： 连续和分类适宜性地图、约束、准则转换、权重与一致性比率、敏感性结果，以及局限性。
• 来源时效性： 应用方法或实现 API 前，请查阅权威来源注册表，并记录核查日期。