资源预览内容
第1页 / 共39页
第2页 / 共39页
第3页 / 共39页
第4页 / 共39页
第5页 / 共39页
第6页 / 共39页
第7页 / 共39页
第8页 / 共39页
第9页 / 共39页
第10页 / 共39页
亲,该文档总共39页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述
1 .分析模式工具集概述:工具描述上均最近邻根据每个要素与其最近邻要素之间的平均距离计算其最近邻指数。高/低聚类使用Getis-OrdGeneralG统计可度量图值或低值的聚类程度。增量空间自相关测量一系列距离的空间自相关,并选择性创建这些距离及其相应z得分的折线图。z得分反映空间聚类的程度,具有统计显著性的峰值z得分表示促进空间过程聚类最明显的距离。这些峰值距离通常为具有距离范围”或距离半径”参数的工具所使用的合适值。空间自相关根据要素位置和属性值使用GlobalMoransI统计量测量空间自相关性。多距离空间聚类分析(RipleysK函数)确定要素(或与要素相关联的值)是否显示某一距离范围内统计意义显著的聚尖或窗散。1.1 平均最近邻1.1.1 简介根据每个要素与其最近邻要素之间的平均距离计算其最近邻指数。平均最近邻工具可测量每个要素的质心与其最近邻要素的质心位置之间的距离,然后计算所有这些最近邻距离的平均值。如果该平均距离小于假设随机分布中的平均距离,则会将所分析的要素分布视为聚类要素。如果该平均距离大于假设随机分布中的平均距离,则会将要素视为分散要素。平均最近邻比率通过观测的平均距离除以期望的平均距离计算得出(使用基于假设随机分布的期望平均距离,该分布使用相同数量的要素覆盖相同的总面积)。1.1.2 适用范围评估竞争或领地:量化并比较固定研究区域中的多种植物种类或动物种类的空间分布;比较城市中不同类型的企业的平均最近邻距离。监视随时间变化的更改:评估固定研究区域中一种类型的企业的空间聚类中随时间变化的更改。将观测分布与控制分布进行比较:在木材分析中,如果给定全部可收获木材的分布,则您最好将已收获面积图案与可收获面积图案进行比较,以确定砍伐面积是否比期望面积更为聚类。1.1.3 用法“平均最近邻”工具将返回五个值:平均观测距离、预期平均距离、最近邻指数、z得分和p值。您可通过结果窗口访问这些值,也可以将这些值作为派生输出值进行传递,以满足模型或脚本中的潜在使用需要。z得分和p值结果是统计显著性的量度,用来判断是否拒绝零假设。但是应注意,此方法的统计意义受研究区域大小的强烈影响(请参阅下文)。对于“平均最近邻”统计,零假设表明要素是随机分布的。最近邻指数”的表示方式是“平均观测距离”与“预期平均距离”的比率。预期平均距离是假设随机分布中的邻域间的平均距离。如果指数小于1,所表现的模式为聚类;如果指数大于1,则所表现的模式趋向于离散或竞争。平均最近邻方法对“面积”值非常敏感(面积参数值的细微变化都能导致z得分和p值结果产生巨大变化)。因此,平均最近邻工具最适用于对固定研究区域中不同的要素进行比较。下图是关于相同要素分布如何根据指定的研究区域进行分散或聚类的一个典型示例。此工具将用于处理面或线数据,但它最适用于事件、事件点或其他定点要素数据。对于线要素和面要素,会在计算中使用每个要素真正的几何质心。对于多点、折线(polyline)或由多部分组成的面,使用所有要素部分的加权平均中心来计算质心。点要素的加权项是1,线要素的加权项是长度,而面要素的加权项是面积。1.1.4语法参数说明数据类型Input_Feature_Class要对平均最近邻距离进行计算的要素类(通常是点要素类)。FeatureLayerDistance_Method指定计算每个要素与邻近要素之间的距离的方式。?EUCLIDEAN_DISTANCE一两点间的直线距离(笔直地)?MANHATTAN_DISTANCE一沿垂直轴度量的两点间的距离(城市街区);计算方法是对两点的x和y坐标的差值(绝对值)求和。StringGenerate_Report(可选)?NO_REPORT不会创建图形汇总。这是默认设置。?GENERATE_REPORT-图形汇总将以HTML文件形式创建。BooleanArea(可选)表示研究区域大小的数值。默认值是包含所有要素(或所有选定要素)的最小外接矩形的面积。单位应与输出坐标系”的单位T攵。Double1.2高/低聚类1.2.1简介使用Getis-OrdGeneralG统计可度量高值或低值的聚类程度。高/低聚类(Getis-OrdGeneralG)工具是一种推论统计,这意味着分析结果将在零假设的情况下进行解释。高/低聚类(GeneralG)统计的零假设规定不存在要素值的空间聚类。此工具返回的p值较小且在统计学上显著,则可以拒绝零假设。如果零假设被拒绝,则z得分的符号将变得十分重要。如果z得分值为正数,则观测的GeneralG指数会比期望的GeneralG指数要大一些,表明属性的高值将在研究区域中聚类。如果z得分值为负数,则观测的GeneralG指数会比期望的GeneralG指数要小一些,表明属性的低值将在研究区域中聚类。当存在完全均匀分布的值并且要查找高值的异常空间峰值时,首选高/低聚类(Getis-OrdGeneralG)工具。高值和低值同时聚类时,它们倾向于彼此相互抵消。如果在高值和低值同时聚类时测量空间聚类,则使用空间自相关工具。高/低聚类(Getis-OrdGeneralG)和空间自相关(GlobalMoransI)工具的零假设都具有完全空间随机性(CSR);在数据集的要素中值是随机分布的,将在运行时反映随机空间过程。不过,“高/低聚类(Getis-OrdGeneralG)”工具的z得分的解释与“空间自相关(GlobalMoransI)”工具的得分的解释有很大的差别:结果高/低聚类空间自相关p值不具有统计学上的显著性。不能拒绝零假设。要素属性值的空间分布很有可能是随机空间过程的结果。也就是说,所观测到的值的空间模式很可能是完全空间随机性的众多可能结果之一。p值具有统计学上的显著性,且z得分为正值。可以拒绝零假设。如果基础空间过程是完全随机的,则数据集中高值的空间分布与预期的空间分布相比在空间上的聚类程度更局。可以拒绝零假设。如果基础空间过程是完全随机的,则数据集中高值和/或低值的空间分布在空间上聚类的程度要图十预期。p值具有统计学上的显著性,且z得分为负值。可以拒绝零假设。如果基础空间过程是完全随机的,则数据集中低值的空间分布与预期的空间分布相比在空间上的聚类程度更局。可以拒绝零假设。如果基础空间过程是完全随机的,则数据集中高值和低值的空间分布在空间上离散的程度要高于预期。离散的空间模式通常反映某种类型的竞争过程:具有高值的要素排斥具有高值的具他要素;类似地,具有低值的要素排斥具有低值的其他要素。1.2.2可能的应用在访问急症室的次数中查找出现的异常峰值,可能表明在局部或区域的健康问题的爆发。比较在城市中不同种类零售业的空间模式,利用比较购物的方式来了解哪类行业充满竞争性(如汽车经销商)以及哪类行业拒绝竞争(如健康中心/健身房)。汇总空间现象聚类的程度以检查不同时期或不同位置的变化。例如,众所周知的城市及其人口聚类。使用高/低聚类分析时,可以随时间来比较某个城市的人口聚类的程度(城镇发展以及密集度的分析)。1.2.3用法“高低聚类”工具可返回四个值:GeneralG观测值、GeneralG期望值、z得分及p值。输入字段应包含多种非负值。如果输入字段包含负值,将显示错误消息。此外,此统计数学方法要求待分析的变量存在一定程度的变化;例如,如果所有输入都是1便无法求解。如果要使用此工具分析事件数据的空间模式,应考虑聚合事件数据。优化的热点分析工具也可以用于分析事件数据的空间模式。z得分越高(或越低),聚类程度就越高。如果z得分接近零,则表示研究区域内不存在明显的聚类。z得分为正表示高值的聚类。z得分为负表示低值的聚类。空间关系的概念化参数的选择应反映要分析的要素之间的固有关系。对要素在空间中彼此交互方式构建的模型越逼真,结果就越准确。这些建议在选择空间关系的概念化:最佳做法中进行了概述。以下是一些额外提示:建议针对此统计使用二进制权重方案:固定距离、面邻接、K最近邻或Delaunay三角测量。为标准化参数选择NONE。FIXED_DISTANCE_BAND默认的距离范围或距离阈值将确保每个要素至少拥有一个相邻要素,这一点十分重要。但通常,此默认值并不是适用于分析的最合适的距离。为分析选择适合的比例(距离范围)的其他策略在选择固定距离范围值中进行了概括介绍。INVERSE_DISTANCE或INVERSE_DISTANCE_SQUARED(不建议使用)如果为距离范围或阈值距离参数输入0,则所有要素均被视为所有其他要素的相邻要素;如果将此参数留空,则将采用默认距离。如果距离权重小于1,则对其取倒数时将变得不稳定。因此,对于分隔距离小于1单位的要素权重,权重值将指定为1。对于反距离选项(不建议对此工具使用),为避免产生除数为零的情况,任何重合两点的权重值均将指定为1。这样便可确保将要素包含在分析之内。空间关系的概念化参数的附加选项(包括空间-时间关系)在使用生成空间权重矩阵或者生成网络空间权重工具时可用。要利用这些附加选项,请使用上述任一工具构造空间的权重矩阵文件,然后进行分析;为空间关系的概念化参数选择GET_SPATIAL_WEIGHTS_FROM_FILE为权重矩阵文件参数指定您所创建的空间权重文件的路径。地图图层可用于定义输入要素类。在使用带有选择内容的图层时,分析只会包括所选的要素。如果提供的是一个带.swm扩展名的权重矩阵文件,则此工具需要输入的是一个使用生成空间权重矩阵或生成网络空间权重工具创建的空间权重矩阵文件;否则,此工具需要输入一个ASCII格式的空间权重矩阵文件。在某些情况下,工具行为将根据所使用的空间矩阵文件类型的不同而有所区别:ASCII格式的空间权重矩阵文件:权重“按原样”使用。所缺失的要素与要素之间的关系被视为零。如果对权重进行了行标准化,则选择集的分析结果很有可能不正确。如果需要对选择集运行分析,则通过以下方法将ASCII空间权重文件转换为SWM文件:将ASCII数据读入表,然后将CONVERT_TABLE选项与生成空间权重矩阵工具结合使用。SWM格式的空间权重矩阵文件:如果对权重进行了行标准化,则会将其选择集重新标准化;否则,权重将“按原样”使用。使用ASCII格式的空间权重矩阵文件运行您的分析会占用大量内存。如果要分析的要素超过5,000个,则考虑将ASCII格式的空间权重矩B$文件转换为SWM格式的文件。首先,将ASCII权重置入一个带格式的表中(例如,使用Excel)。接下来运行生成空间权重矩阵工具,并使用空间关系的I念化参数的CONVERT_TABL巳输出将是SWM格式的空间权重矩阵文件。1.2.4语法参数说明数据类型Input_Feature_Class将计算GeneralG统计的要素类。FeatureLayerInput_Field要评估的数值字段。FieldGenerate_Report(可选)?NO_REPORT不会创建图形汇总。这是默认设置。?GENERATE_REPORF图形汇总将以HTML文件形式创建。BooleanConceptualization_of_Spatial_Relationships指定要素空间关系的定义方式。?INVERSE_DISTANCE与远处的要素相比,附近的邻近要素对目标要素的计算的影响要大一些。?INVERSE
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号