arcgis實習(xí)之空間統(tǒng)計分析

1、空間統(tǒng)計分析實習(xí)報告Spatial statistics tools分析模式工具集中的工具采用推論式統(tǒng)計,以零假設(shè)為起點,假設(shè)要素與要素相關(guān)的值均表現(xiàn)隨機分布。然后計算P值說明,這種分布屬于隨機分布的概率。在應(yīng)用中,返回Z得分和P值判斷是否可以接受或拒絕零假設(shè),同時在不同的工具中,還表示分布是聚集,或分散是標準差的倍數(shù),在0.5-P的概率下接受隨機分布的接受域Average Nearest Neighbor 最鄰近分析根據(jù)每個要素預(yù)期最近要素的平均距離來計算最鄰近指數(shù),當(dāng)指數(shù)大于1,要素有聚集分布的趨勢,對于趨勢如何,還要依據(jù)zvalue和Pvalue 來判斷,小于1時,趨向分散分布最近鄰指數(shù)

2、的表示方法為:平均觀測距離與預(yù)期平均距離的比率,預(yù)期平均距離是假設(shè)隨機分布中領(lǐng)域間的平均距離這種方法對面積指值非常敏感(期望平均距離計算中需要面積參與運算,如果未指定面積參數(shù),則使用輸入要素周圍最小外接矩形的面積(不一定合坐標軸垂直Spatial Autocorrelation (Morans I 空間自相關(guān)分析更具要素位置的屬性使用Global Morans I 統(tǒng)計量量測空間自相關(guān)性Morans I是計算所評估屬性的均值和方差,然后將每個要素減去均值,得到與均值的偏差,將所有相鄰要素的偏差相稱,得到叉積。統(tǒng)計量的分子便是這些叉積之和。如果相鄰要素的值均大于均值,這叉積為正,如果以要素小于均

3、值而一要素大于均值,則為負如果數(shù)據(jù)集中的值傾向于在空間上集聚(高值聚集在高值附近,低值聚集在低值附近則指數(shù)為正,如果高值排斥高值,傾向于低值,則指數(shù)為負之后,將計算期望指數(shù)值,將之與其比較,在給定的數(shù)據(jù)集中的要素個數(shù)和全部熟知的方差下,將計算Z得分和P值,用來指示次差異是否具有統(tǒng)計學(xué)上的顯著性Multi-Distance Spatial Cluster Analysis K函數(shù)分析確定要素(后與之有關(guān)連的值是否顯示某一距離范圍內(nèi)統(tǒng)計意義顯著的聚類或離散基于Ripley's K 函數(shù)的多距離空間聚類分析工具是另外一種分析事件點數(shù)據(jù)的空間模式的方法。該方法不同于此工具集中其他方法(空間自相

4、關(guān)和熱點分析的特征是可匯總一定距離范圍內(nèi)的空間相關(guān)性(要素聚類或要素擴散Ripley's K 函數(shù)可表明要素質(zhì)心的空間聚類或空間擴散在鄰域大小發(fā)生變化時是如何變化的。如果特定距離的k觀測值大于k預(yù)期值,則與該距離下的隨機分布相比,該分布的聚集程度更高,反之亦可。如果,k觀測值大于HIConfEnv,則該距離的空間聚類具有統(tǒng)計學(xué)上的顯著性,如果k觀測值小于LwConFEnv,則該距離的空間離散具有統(tǒng)計學(xué)上的顯著性對于置信區(qū)間,點的每個隨機分布稱為“排列”將一組點隨機分布多次,將對每個距離選擇相對預(yù)期k值向下和向上最大的k值,作為置信區(qū)間Anselin Local Morans I局部Mo

5、rans I 分析給定一組加權(quán)要素,使用局部Morans I統(tǒng)計量來識別具有統(tǒng)計顯著性的熱點,冷點和空間異常值。Z得分和p值是統(tǒng)計顯著性的指標,用于逐個要素判斷是否拒絕零假設(shè)。他們可指示表面相似性和向異性如果要素Z值是一個較高的正數(shù),則表示周圍的要素擁有相似值,輸出要素Cotype字段會將具有統(tǒng)計顯著性的高值聚類表示為HH,低值聚類表示為LL如果要素的z 得分是一個較低的負值,則表示有一個具有統(tǒng)計顯著性的空間異常值。輸出要素類中的COType字段將指明要素是否是高值要素而四周圍繞的是低值要素(HL,或者要素是否是低值要素而四周圍繞的是高值要素(LH。Getis-Ord General G 高低

6、聚類分析使用Getis-Ord General G 統(tǒng)計可度量高值或低值的聚類程度Z 得分越高或越低,聚類程度就越高,如果 z 得分接近零,則表示不存在明顯的聚類,為正表示高值的聚類。為負表示低值的聚類Hot spot Analysis(Getis-OrdGi* 熱點分析如果給定一組加權(quán)要素,使用Getis-OrdGi* 統(tǒng)計識別具有統(tǒng)計顯著性的熱點和冷點 如果要素的 z 得分高且 p 值小,則表示有一個高值的空間聚類。如果 z 得分低并為負數(shù)且 p 值小,則表示有一個低值的空間聚類。z 得分越高(或越低,聚類程度就越大。如果 z 得分接近于零,則表示不存在明顯的空間聚類。Adabg00 模式

7、分析Average Nearest Neighbor 最鄰近分析 對于點數(shù)據(jù),沒有明顯的邊界,所以默認面積計算(最小外接矩形最鄰近指數(shù)小于1。聚集分布。Z 得分為-10.9,對應(yīng)的P值為0.000000,即這種分布是隨機的情況概率為0.00000 Spatial Autocorrelation (Morans I 空間自相關(guān)分析 指定反距離和固定距離中的距離參數(shù),默認距離為所有要素最臨近距離的最大值 空間關(guān)系模型參數(shù)說明空間要素之間的關(guān)系,越接近現(xiàn)實,結(jié)果越準確聚集分布 Multi-Distance Spatial Cluster Analysis K函數(shù)分析通過Calculate Dista

8、nce Band From Neighbor count 計包含一個近鄰點的最大距離,作為k函數(shù)的起始距離。將最近鄰距離的期望距離作為間隔 在此距離以內(nèi),均為集聚,但大于這距離,分布變?yōu)榉稚⑶?聚集具有統(tǒng)計意義上的聚集,離散并未具有統(tǒng)計意義上的顯著性Anselin Local Morans I局部Morans I 分析Getis-Ord General G 高低聚類分析 保證每個要素都有相鄰要素由index和z得分決定 Hot spot Analysis(Getis-OrdGi* 熱點分析 Adabg00 模式分析Adabg00屬性結(jié)構(gòu) 有兩種屬性將會被用于模式分析中(Lation(拉丁人口密

9、度和Dentity(人口密度、為了得到adsbg的大概人口分布,首先使用密度分割,分層設(shè)色以dentity字段可以看出,adage人口分布呈現(xiàn)聚集態(tài)勢,四周人口稀少,大多數(shù)集中在內(nèi)部以latino字段使用模式分析探索人口分布為了使用Globle Morans I ,首先計算包含最近要素的最大距離 相交人口分布,拉丁人口分布除右下角外,其余和人口分布大致相識選做Morans的距離參數(shù)18850相關(guān)性分析 可以看到,adage 的人口有聚集分布的態(tài)勢使用局部Morans I 判斷熱點,冷點和異常值(聚集類型使用G統(tǒng)計量計算總體聚集程度 藍色和紫色為異常值區(qū)域紅色為高值聚集地區(qū)藍色為低值聚集地區(qū) 可

10、以看到,adage人口呈現(xiàn)聚集分布,且類型為高值聚集接著對latino做相應(yīng)的操作 聚集類型和人口分布相同有異常值 和人口分布的熱點不同分析Z得分和P值與不同空間組合的關(guān)系對于同一圖層,p值和z得分是一一對應(yīng)的,當(dāng)z得分的絕對值變大時,對應(yīng)的p值(接受是隨機分布的假設(shè)也變小全局Morans I 和G 統(tǒng)計量用來指出要素呈現(xiàn)距離分布或離散分布,高值聚集或離散或低值聚集(當(dāng)p 值非常小時,z為正且越大,聚集分布越明顯,反之亦可(G統(tǒng)計量:當(dāng)p值非常小時,z為正且越大,高值聚集明顯,為0,離散分布,為負且越小,低值聚集越明顯局部Morans I(cluster and outlier聚集和異常分析和G統(tǒng)計量(hot spot熱點分析根據(jù)每個要素的z 得分和p值推出要素分布的相似或相異分布局部Morans I(cluster and outlier聚集和異常分析直接添加cotype字段,指出該要素的空間組合情況,如HH,LL,HL,LH,但z得分為正且較大時,說明正自相關(guān),于是,將高值的聚類表示為hh,低值的聚類表示為ll,當(dāng)Z得分為負且較大時,說明負相關(guān)越強,于是將高值附近的低值圍繞極記為hl,反之Lh,這