模糊分類工具基於屬於指定集合的概率對輸入數據進行重分類或轉換至介於 0 到 1 的範圍內。0 分配給確定不屬於指定集合的位置，1 分配給確定屬於指定集合那些值，0 到 1 之間整個範圍的概率分配給某些等級的可能成員（值越大，概率越大）。
工具/原料
ArcGIS
模糊分類
方法/步驟
可以使用 ArcGIS Spatial Analyst 擴展模塊中任意數量的可用函數和運算符對輸入值進行轉換，將這些值重分類為 0 到 1範圍內的概率範圍。但是，模糊分類工具允許根據一系列適用於模糊化處理的特定函數對連續的輸入數據進行轉換。例如，模糊線性分類函數將輸入值線性地轉換到 0 到 1 的範圍內，其中為最小輸入值分配 0，為最大輸入值分配 1。所有中間值都將基於線性比例獲取到某些分類值，其中為較大的輸入值分配較大的概率或接近 1 的概率。
在腳本語言中，這些函數都被實現為對應的 Python 類。
由於這些分類函數特定於連續的輸入數據，在需要將分類數據用作“模糊疊加”分析的輸入時，則需要使用任意數量的 Spatial Analyst 工具將該數據轉換為 0 到 1 概率的分類範圍。最適用於此過程的兩個工具是重分類和分割。重分類工具允許將分類數據轉換到 0 到 10 的範圍（無法使用此工具將數據直接重分類到 0 到 1 的範圍）內，然後將轉換所得的數據除以 10以獲取 0 到 1 之間的範圍。
各分類函數在公式和應用方面都有所不同。使用哪個函數具體取決於哪個函數能夠根據正在模擬的現象最好地捕獲到數據的變換。可以通過一系列輸入參數進一步優化各個分類函數的特徵。
以下是各種模糊分類函數及其最適用對象的列表。
模糊分類類型
以下對七個模糊分類函數進行了逐一說明。
模糊高斯
模糊高斯函數將原始值轉換為正態分佈。正態分佈的中點為集合定義了理想定義，為該中點分配值 1，而分類過程中的其他輸入值隨著在正方向和負方向上距該中點的距離的遞增而逐漸減小。分類過程中輸入值隨著距中點的距離的遞增而逐漸減小，直至到達輸入值與理想定義相距甚遠且確實超出集合範圍的點為止，為此類輸入值分配值 0。
更改展開參數會更改過渡區的寬度和特徵。
高斯函數在特定值的附近進行分類時十分有用。例如，在房屋適宜性模型中，為便於採光，朝南（180 度）可能是最理想的構建方位；小於或大於 180 度的方位都不大理想或更可能位於理想適宜性集合之外。
模糊較大值
當較大的輸入值更可能是集合的成員時，將使用模糊較大值變換函數。定義的中點用於確定交叉點（分配的分類為 0.5），大於中點的值成為集合成員的概率較高，小於中點的值成為集合成員的概率較低。展開參數用於定義過渡區的形狀和特徵。
在房屋適應性模型中，模糊較大值函數可用於對垃圾填埋場圖層中的距離值進行轉換。與垃圾填埋場之間的距離越大，就越可能成為良好適宜性集合中的成員。
模糊線性
模糊線性變換函數將在用戶指定的最小值和最大值之間應用線性函數。低於最小值的所有值夠將分配為 0（確定不是成員），高於最大值的所有值都將分配為 1（確定是成員）。下圖中的藍線表示正坡度線性變換，其中最小值為 30，最大值為 80。低於30 的所有值都分配為 0，高於 80 的所有值都分配為 1。
如果最小值大於最大值，則建立負線性關係（負坡度）。下圖中的紅線表示負坡度線性變換。低於 30 的任何值都將分配為1，高於 80 的任何值都將分配為 0。
線的坡度呈現遞增或遞減的部分用於定義過渡區（下圖中為 30 到 80 之間的區域）。
房屋適宜性示例中的模糊線性變換函數可用於表示與娛樂區條件之間的距離（負線性變換）。位於娛樂區 500 米範圍之內的任何位置可能確定位於良好的適宜集合內；在 500 到 10,000 米之間，屬於適宜集合的概率呈線性遞減；10,000 米以外的任何位置因距娛樂區的距離過遠而無法成為適宜集合的一部分，並將被分配值 0。
模糊 MS 較大值
模糊 MS 較大值變換函數與模糊較大值函數相似，只不過該函數是基於指定的平均值和標準差來定義的。通常，這兩個函數之間的差別在於：如果極大值更可能成為集合的成員，則採用模糊 MS 較大值函數可能更加適合。
結果可能與模糊較大值函數相似，具體取決於定義的平均值和標準差。
模糊 MS 較小值
模糊 MS 較小值變換函數與模糊較小值函數相似，只不過該函數是基於指定的平均值和標準差來定義的。通常，這兩個函數之間的差別在於：如果極小值更可能成為集合的成員，則採用模糊 MS 較小值函數可能更加適合。
結果可能與模糊較小值函數類似，具體取決於平均值和標準差的乘法器的定義方式。
模糊鄰近值
如果在特定值附近進行分類，則最適合採用模糊鄰近值變換函數。該函數由定義集合中心的中點定義，該中點可確定明確的成員並因此分配為值 1。隨著值從中點開始在正方向和負方向上移動，分類將遞減至 0（不定義分類）。展開參數用於定義過渡區的寬度和特徵。
模糊鄰近值和模糊高斯可能比較相似，具體取決於指定的參數。與模糊高斯函數相比，模糊鄰近值函數通常以更快的速率遞減，展開幅度也更窄；因此，當緊鄰中點的值更可能成為集合的成員時，將使用此函數。
模糊較小值
當較小的輸入值更可能成為集合的成員時，將使用模糊較小值變換函數。定義的中點用於確定交叉點（分配的分類為 0.5），大於中點的值成為集合成員的概率較低，小於中點的值成為集合成員的概率較高。展開參數用於定義過渡區的形狀和特徵。
房屋適宜性示例中的模糊較小值變換函數可用於表示與供電條件之間的距離。隨著與電力線之間的距離不斷增大，獲取供電的費用將逐漸升高，因此，這些區域成為良好適宜集合成員的概率將逐漸減小。考慮到會因距離增大而需要使用變壓器，因此未將供電條件的接入點作為線性變換進行建模。
