Überblick über das Toolset "Analysen von Mustern"

Das Identifizieren geographischer Muster ist wichtig für das Verständnis geographischer Phänomene.

Sie können zwar einen Eindruck der allgemeinen Muster von Features und der zugehörigen Werte erhalten, indem Sie sie zuordnen, aber durch das Berechnen einer Statistik können Sie die Muster quantifizieren. Dies erleichtert den Vergleich von Mustern für verschiedene Verteilungen oder Zeitperioden. Die Werkzeuge im Toolset "Analysen von Mustern" bilden oft den Ausgangspunkt für tiefergehende Analysen. Mit dem Werkzeug Inkrementelle räumliche Autokorrelation können Sie z. B. Entfernungen ermitteln, bei denen Prozesse, die räumliche Cluster befördern, besonders betont werden. Dieses Ergebnis können Sie dann bei der Auswahl einer angemessenen Entfernung (Analysemaßstab) für die Untersuchung von Hot-Spots (Hot-Spot-Analyse) einsetzen.

Die Werkzeuge im Toolset "Analysen von Mustern" liefern schlussfolgernde Statistiken; sie gehen von der Nullhypothese aus, dass die Features oder die mit den Features verknüpften Werte eine zufällige räumliche Verteilung wiedergeben. Dann berechnen sie einen p-Wert, der die Wahrscheinlichkeit für die Richtigkeit der Nullhypothese wiedergibt (dass das beobachtete Muster nur eine der vielen möglichen Versionen der zufälligen räumlichen Verteilung ist). Das Berechnen einer Wahrscheinlichkeit kann wichtig sein, wenn Sie für eine bestimmte Entscheidung ein hohes Maß an Zuverlässigkeit benötigen. Wenn mit Ihrer Entscheidung rechtliche Aspekte oder Aspekte der öffentlichen Sicherheit in Zusammenhang stehen, müssen Sie Ihre Entscheidung möglicherweise durch statistische Zahlen belegen.

Die Werkzeuge unter "Analysen von Mustern" liefern statistische Zahlen zum Quantifizieren breiter räumlicher Muster. Mit diesen Werkzeugen können Sie Fragen beantworten wie "Bilden die Features im Dataset oder die mit den Features im Dataset verknüpften Werte ein räumliches Cluster?" und "Wird das Cluster im Laufe der Zeit dichter oder weniger dicht?" In der folgenden Tabelle werden die verfügbaren Werkzeuge aufgeführt und kurz beschrieben.

WerkzeugBeschreibung

Mittlerer nächster Nachbar

Berechnet einen Index für den nächsten Nachbarn basierend auf der durchschnittlichen Entfernung jedes Features zum nächstgelegenen Nachbar-Feature.

Clustering von hohen/niedrigen Werten (Getis-Ord General G)

Misst den Grad der Cluster-Bildung von hohen oder niedrigen Werten mit der Getis-Ord General G-Statistik.

Inkrementelle räumliche Autokorrelation

Dient zum Messen der räumlichen Autokorrelation für eine Reihe von Entfernungen und zum optionalen Erstellen eines Liniendiagramms dieser Entfernungen und der entsprechenden Z-Werte. Z-Werte geben die Intensität der räumlichen Cluster-Bildung wieder, und statistisch signifikante Z-Wertspitzen geben die Entfernungen an, bei denen solche räumlichen Prozesse, die eine Cluster-Bildung fördern, am stärksten ausgeprägt sind. Diese Spitzenentfernungen sind häufig geeignete Werte für die Verwendung mit Werkzeugen, die einen Entfernungsband- oder Entfernungsradiusparameter erfordern.

Analyse eines räumlichen Clusters mit mehreren Entfernungen (Ripleys K Function)

Bestimmt, ob Features oder die mit Features verknüpften Werte eine statistisch signifikante Cluster-Bildung oder Streuung über einen Entfernungsbereich aufweisen.

Räumliche Autokorrelation

Misst die räumliche Autokorrelation basierend auf Feature-Standorten und Attributwerten unter Verwendung von Morans I-Statistikwerten.