我在ArcGIS中有两个点数据集，这两个数据集都是在WGS84纬度/经度坐标中给出的，并且点分布在整个世界上。我想找到数据集A中与数据集B中每个点最近的点，并以公里为单位获取它们之间的距离。
这似乎是对Near工具的完美使用，但这使我得到了输入点坐标系中的结果：即十进制度。我知道我可以重新投影数据，但是我（从这个问题）收集到（很难（如果不是不可能的话））很难找到一个可以给出全世界准确距离的投影。
该问题的答案建议使用Haversine公式直接使用纬度-经度坐标来计算距离。有没有办法做到这一点，并使用ArcGIS获得以km为单位的结果？如果没有，什么是解决此问题的最佳方法？
Answers:
尽管这不是ArcGIS解决方案，但是可以通过从Arc导出点并使用包中的spDists 函数在R中解决您的问题sp。如果设置，该函数将查找参考点与点矩阵之间的距离（以公里为单位）longlat=T。
这是一个快速而肮脏的示例：
library(sp)
## Sim up two sets of 100 points, we'll call them set a and set b:
a <- SpatialPoints(coords = data.frame(x = rnorm(100, -87.5), y = rnorm(100, 30)), proj4string=CRS("+proj=longlat +datum=WGS84"))
b <- SpatialPoints(coords = data.frame(x = rnorm(100, -88.5), y = rnorm(100, 30.5)), proj4string=CRS("+proj=longlat +datum=WGS84"))
## Find the distance from each point in a to each point in b, store
## the results in a matrix.
results <- spDists(a, b, longlat=T)它不是ArcGIS解决方案，但是在空间数据库中使用Round Earth数据模型可以解决问题。在支持此功能的数据库中计算地球距离将非常容易。我可以建议您阅读两个：
http://postgis.net/workshops/postgis-intro/geography.html
http://blog.safe.com/2012/08/round-earth-data-in-oracle-postgis-and-sql-server/
您需要适用于纬度/经度的距离计算。Vincenty是我要使用的那个（精度为0.5mm）。我以前玩过它，并且使用起来并不难。
代码有点长，但是可以用。给定WGS中的两个点，它将返回以米为单位的距离。
您可以将其用作ArcGIS中的Python脚本，也可以将其包装在另一个简单地迭代两个Point Shapefile并为您构建距离矩阵的脚本周围。或者，通过找到2-3个最接近的要素（以避免地球曲率的复杂性）来馈送GENERATE_NEAR_TABLE的结果可能更容易。
import math
ellipsoids = {
#name major(m) minor(m) flattening factor
'WGS-84': (6378137, 6356752.3142451793, 298.25722356300003),
'GRS-80': (6378137, 6356752.3141403561, 298.25722210100002),
'GRS-67': (6378160, 6356774.5160907144, 298.24716742700002),
}
def distanceVincenty(lat1, long1, lat2, long2, ellipsoid='WGS-84'):
"""Computes the Vicenty distance (in meters) between two points
on the earth. Coordinates need to be in decimal degrees.
"""
# Check if we got numbers
# Removed to save space
# Check if we know about the ellipsoid
# Removed to save space
major, minor, ffactor = ellipsoids[ellipsoid]
# Convert degrees to radians
x1 = math.radians(lat1)
y1 = math.radians(long1)
x2 = math.radians(lat2)
y2 = math.radians(long2)
# Define our flattening f
f = 1 / ffactor
# Find delta X
deltaX = y2 - y1
# Calculate U1 and U2
U1 = math.atan((1 - f) * math.tan(x1))
U2 = math.atan((1 - f) * math.tan(x2))
# Calculate the sin and cos of U1 and U2
sinU1 = math.sin(U1)
cosU1 = math.cos(U1)
sinU2 = math.sin(U2)
cosU2 = math.cos(U2)
# Set initial value of L
L = deltaX
# Set Lambda equal to L
lmbda = L
# Iteration limit - when to stop if no convergence
iterLimit = 100
while abs(lmbda) > 10e-12 and iterLimit >= 0:
# Calculate sine and cosine of lmbda
sin_lmbda = math.sin(lmbda)
cos_lmbda = math.cos(lmbda)
# Calculate the sine of sigma
sin_sigma = math.sqrt(
(cosU2 * sin_lmbda) ** 2 +
(cosU1 * sinU2 -
sinU1 * cosU2 * cos_lmbda) ** 2
)
if sin_sigma == 0.0:
# Concident points - distance is 0
return 0.0
# Calculate the cosine of sigma
cos_sigma = (
sinU1 * sinU2 +
cosU1 * cosU2 * cos_lmbda
)
# Calculate sigma
sigma = math.atan2(sin_sigma, cos_sigma)
# Calculate the sine of alpha
sin_alpha = (cosU1 * cosU2 * math.sin(lmbda)) / (sin_sigma)
# Calculate the square cosine of alpha
cos_alpha_sq = 1 - sin_alpha ** 2
# Calculate the cosine of 2 sigma
cos_2sigma = cos_sigma - ((2 * sinU1 * sinU2) / cos_alpha_sq)
# Identify C
C = (f / 16.0) * cos_alpha_sq * (4.0 + f * (4.0 - 3 * cos_alpha_sq))
# Recalculate lmbda now
lmbda = L + ((1.0 - C) * f * sin_alpha * (sigma + C * sin_sigma * (cos_2sigma + C * cos_sigma * (-1.0 + 2 * cos_2sigma ** 2))))
# If lambda is greater than pi, there is no solution
if (abs(lmbda) > math.pi):
raise ValueError("No solution can be found.")
iterLimit -= 1
if iterLimit == 0 and lmbda > 10e-12:
raise ValueError("Solution could not converge.")
# Since we converged, now we can calculate distance
# Calculate u squared
u_sq = cos_alpha_sq * ((major ** 2 - minor ** 2) / (minor ** 2))
# Calculate A
A = 1 + (u_sq / 16384.0) * (4096.0 + u_sq * (-768.0 + u_sq * (320.0 - 175.0 * u_sq)))
# Calculate B
B = (u_sq / 1024.0) * (256.0 + u_sq * (-128.0 + u_sq * (74.0 - 47.0 * u_sq)))
# Calculate delta sigma
deltaSigma = B * sin_sigma * (cos_2sigma + 0.25 * B * (cos_sigma * (-1.0 + 2.0 * cos_2sigma ** 2) - 1.0/6.0 * B * cos_2sigma * (-3.0 + 4.0 * sin_sigma ** 2) * (-3.0 + 4.0 * cos_2sigma ** 2)))
# Calculate s, the distance
s = minor * A * (sigma - deltaSigma)
# Return the distance
return s我使用“点距离”工具对小型数据集进行了类似的体验。这样做无法自动在数据集A中找到最接近的点，但至少会获得具有有用的km或m结果的表格输出。在下一步中，您可以从表格中选择到数据集B每个点的最短距离。
但是这种方法将取决于数据集中的点数。它可能不适用于大型数据集。
如果您需要高精度和健壮的测地线测量，请使用GeographicLib，它是用几种编程语言（包括C ++，Java，MATLAB，Python等）原生编写的。
有关文学参考，请参见CFF Karney（2013）“大地测量学算法”。请注意，这些算法比Vincenty的算法更健壮和准确，例如在对映体附近。
要计算两点之间的距离（以米为单位），请s12从反大地测量解中获取距离属性。例如，使用适用于Python 的geolib库软件包
from geographiclib.geodesic import Geodesic
g = Geodesic.WGS84.Inverse(-41.32, 174.81, 40.96, -5.50)
print(g) # shows:
{'a12': 179.6197069334283,
'azi1': 161.06766998615873,
'azi2': 18.825195123248484,
'lat1': -41.32,
'lat2': 40.96,
'lon1': 174.81,
'lon2': -5.5,
's12': 19959679.26735382}或设置便捷功能，该功能也可以将米转换为公里：
dist_km = lambda a, b: Geodesic.WGS84.Inverse(a[0], a[1], b[0], b[1])['s12'] / 1000.0
a = (-41.32, 174.81)
b = (40.96, -5.50)
print(dist_km(a, b)) # 19959.6792674 km现在要查找列表A和之间的最接近点B，每个点都有100个点：
from random import uniform
from itertools import product
A = [(uniform(-90, 90), uniform(-180, 180)) for x in range(100)]
B = [(uniform(-90, 90), uniform(-180, 180)) for x in range(100)]
a_min = b_min = min_dist = None
for a, b in product(A, B):
d = dist_km(a, b)
if min_dist is None or d < min_dist:
min_dist = d
a_min = a
b_min = b
print('%.3f km between %s and %s' % (min_dist, a_min, b_min))（84.57916462672875，158.67545706102192）和（84.70326937581333，156.9784597422855）之间22.481公里