Ein festes Entfernungsband können Sie sich als bewegliches Analysefenster vorstellen, das vorübergehend bei jedem Feature angehalten wird und dieses Feature innerhalb des Kontextes seiner Nachbarn betrachtet. Die folgenden Richtlinien und Empfehlungen helfen Ihnen, ein geeignetes Entfernungsband für die Analyse zu finden:
- Wählen Sie eine Entfernung basierend darauf aus, was Sie über die geographische Ausdehnung der räumlichen Prozesse wissen, die die Cluster-Bildung für die Phänomene fördert, die Sie betrachten. Häufig fehlen Ihnen diese Angaben; sollten Sie aber über die entsprechenden Informationen verfügen, wählen Sie einen geeigneten Entfernungswert aus. Nehmen wir beispielsweise an, Sie wissen, dass die durchschnittliche Fahrt zur Arbeit 15 Kilometer beträgt. Für die Analyse der Pendlerdaten ist es also eine gute Strategie, den Wert 15 Kilometer für das Entfernungsband zu verwenden.
- Verwenden Sie ein ausreichend großes Entfernungsband, um sicherzustellen, dass alle Features mindestens einen Nachbarn haben. Andernfalls sind die Ergebnisse nicht gültig.
- Wenn die Eingabedaten verzerrt sind (also keine Glockenkurve ergeben, wenn die Werte als Histogramm dargestellt werden), müssen Sie sicherstellen, dass das Entfernungsband weder zu klein (die meisten Features haben nur einen oder zwei Nachbarn) noch zu groß (einige Features umfassen alle anderen Features als Nachbarn) ist, da die Z-Werte dann weniger zuverlässig sind.
- Die Z-Werte sind zuverlässig (auch bei verzerrten Daten), solange das Entfernungsband groß genug ist, dass jedes Feature mehrere Nachbarn (ungefähr acht) hat. Selbst wenn keines der Features alle anderen Features als Nachbarn hat, kann es zu Performanceproblemen und möglicherweise sogar zu Speicherbeschränkungen kommen: Dies ist der Fall, wenn Sie ein Entfernungsband erstellen, bei dem die Features Tausende von Nachbarn haben.
- Sicherzustellen, dass alle Features mindestens einen Nachbarn haben, stellt nicht immer die ideale Vorgehensweise dar, denn es kann dazu führen, dass einige Features viele Tausend Nachbarn haben. Dieser Fall kann eintreten, wenn einige Features räumliche Ausreißer enthalten. Um dieses Problem zu lösen, bestimmen Sie ein geeignetes Entfernungsband für alle Punkte außer den räumlichen Ausreißern. Erstellen Sie dann mit dieser Entfernung und dem Werkzeug Räumliche Gewichtungsmatrix erstellen eine Datei mit einer räumlichen Gewichtungsmatrix. Wenn Sie das Werkzeug Räumliche Gewichtungsmatrix erstellen ausführen, geben Sie jedoch für den Parameter Anzahl der Nachbarn einen Wert für die Mindestanzahl von Nachbarn an. Nehmen Sie beispielsweise an, dass Sie den Zugang zu gesunden Lebensmitteln in Los Angeles County anhand von Zählbezirksdaten auswerten. Sie wissen, dass über 90 Prozent der Bevölkerung innerhalb von knapp 5 Kilometern Entfernung zu Einkaufsmöglichkeiten wohnen. Wenn Sie die Zählbezirke analysieren, stellen Sie möglicherweise fest, dass die Entfernungen zwischen Bezirken (zwischen den jeweiligen Bezirksschwerpunkten) im Stadtzentrum durchschnittlich etwa 1.000 Meter betragen, zwischen Bezirken in Außengebieten jedoch mehr als 18.000 Meter. Um sicherzustellen, dass jedes Feature mindestens einen Nachbarn hat, muss das Entfernungsband mehr als 18.000 Meter betragen. Dieser Analysemaßstab (diese Entfernung) ist jedoch für Ihre Fragen nicht geeignet. Die Lösung besteht darin, mit dem Werkzeug Räumliche Gewichtungsmatrix erstellen eine Datei mit einer räumlichen Gewichtungsmatrix für die Census Tract-Feature-Class zu erstellen. Geben Sie einen Wert für das Entfernungsband oder einen Entfernungsschwellenwert an, der für alle außer den räumlichen Ausreißern sinnvoll ist, z. B. 4800 Meter (etwa drei Meilen), und legen Sie für den Parameter Anzahl der Nachbarn eine Mindestzahl von Nachbarn fest (z. B "2"). Damit wird die Nachbarschaft mit der festen Entfernung von 4.800 Metern auf alle Features angewendet, ausgenommen auf diejenigen, die nicht mindestens zwei Nachbarn mit dieser Entfernung haben. Für diese Ausreißer-Features (und nur für diese) wird der Abstand gerade genug vergrößert, um sicherzustellen, dass jedes Feature mindestens zwei Nachbarn hat.
- Verwenden Sie ein Entfernungsband, das die maximale räumliche Autokorrelation widerspiegelt. Immer dann, wenn Sie eine räumliche Cluster-Bildung in der Landschaft sehen, sehen Sie einen Beweis für die zugrunde liegenden räumlichen Prozesse, die arbeiten. Das Entfernungsband mit der maximalen Cluster-Bildung, wie vom Werkzeug Inkrementelle räumliche Autokorrelation gemessen, entspricht der Entfernung, bei der diese räumlichen Prozesse am aktivsten bzw. ausgeprägtesten sind. Führen Sie das Werkzeug Inkrementelle räumliche Autokorrelation aus, und achten Sie darauf, wo der resultierende Z-Wert einen Höhepunkt erreicht. Verwenden Sie die mit dem Höhepunktwert verknüpfte Entfernung für die Analyse.
Hinweis:
Geben Sie die Entfernungswerte in den gleichen Einheiten ein, die über den Raumbezug des Layers oder die Geoverarbeitungsumgebung Ausgabekoordinatensystem festgelegt wurden.
- Jeder Höhepunkt stellt eine Entfernung dar, bei der die Prozesse, die eine räumliche Cluster-Bildung fördern, stark ausgeprägt sind. Häufig gibt es mehrere Höhepunkte. Die mit größeren Entfernungen verknüpften Höhepunkte spiegeln im Allgemeinen generelle Trends wider (beispielsweise einen allgemeinen Ost-West-Trend, bei dem der Westen ein großer Hot-Spot und der Osten ein großer Cold-Spot ist). Meist interessieren Sie sich wohl hauptsächlich für die Höhepunkte, die mit kleineren Entfernungen verknüpft sind, oft den ersten Höhepunkt.
- Ein unauffälliger Höhepunkt bedeutet häufig, dass es viele unterschiedliche räumliche Prozesse gibt, die bei einer Vielzahl von räumlichen Maßstäben arbeiten. Ziehen Sie ggf. weitere Kriterien heran, um die feste Entfernung für die Analyse zu ermitteln (z. B. die effektivste Distanz für die Korrektur).
- Wenn der Z-Wert niemals einen Höhepunkt erreicht (also immer nur steigt) und zusammengefasste Daten (z. B. Landkreise) verwendet werden, bedeutet dies in der Regel, dass das Aggregationsschema zu grob ist. Die räumlichen Prozesse laufen bei einem Maßstab ab, der kleiner als der Maßstab der zusammengefassten Einheiten ist. Wenn Sie zu einem kleineren Analysemaßstab wechseln (zum Beispiel von Landkreisen zu Bezirken), können Sie möglicherweise einen Höhepunkt finden. Wenn Sie mit Punktdaten arbeiten und der Z-Wert nie einen Höhepunkt erreicht, bedeutet dies, dass viele unterschiedliche räumliche Prozesse in verschiedenen räumlichen Maßstäben zum Tragen kommen und Sie wahrscheinlich mit unterschiedlichen Kriterien zum Bestimmen der festen Entfernung für die Analyse arbeiten müssen. Wenn Sie das Werkzeug Inkrementelle räumliche Autokorrelation ausführen, stellen Sie außerdem sicher, dass der Wert Anfangsentfernung nicht zu groß ist.
- Wenn Sie keine Anfangsentfernung angeben, wird vom Werkzeug Inkrementelle räumliche Autokorrelation eine Entfernung verwendet, bei der alle Features auf jeden Fall mindestens einen Nachbarn haben. Wenn die Daten räumliche Ausreißer enthalten, kann diese Entfernung für die Analyse jedoch zu groß sein. Dies kann den Grund dafür darstellen, dass in der Ausgabeberichtsdatei kein deutlicher Höhepunkt zu sehen ist. Die Lösung besteht darin, das Werkzeug Inkrementelle räumliche Autokorrelation für eine Auswahl auszuführen, aus der alle räumlichen Ausreißer vorübergehend ausgeschlossen wurden. Wenn nach Ausschluss der Ausreißer ein Höhepunkt gefunden wird, verwenden Sie die oben skizzierte Strategie, wobei Sie die Entfernung dieses Höhepunktes auf alle Features (einschließlich der räumlichen Ausreißer) anwenden. Dabei muss jedes Feature mindestens einen oder zwei Nachbarn haben. Wenn Sie sich nicht sicher sind, ob die Features räumliche Ausreißer enthalten, versuchen Sie Folgendes:
- Bei Polygondaten rendern Sie Polygonflächen mithilfe eines Rendering-Schemas mit Standardabweichung. Polygone mit Flächen, deren Größe drei Standardabweichungen übersteigt, sind als räumliche Ausreißer zu betrachten. Mit dem Werkzeug Feld berechnen können Sie ein Feld mit Polygonflächen erstellen, wenn noch keines vorhanden ist.
- Verwenden Sie bei Punktdaten das Werkzeug Nah, um die Entfernung zum nächsten Nachbar für jedes Feature zu berechnen. Dazu legen Sie die Eingabe-Features und die Near-Features des Werkzeugs Nah auf das Punkt-Dataset fest. Sobald Ihnen ein Feld mit Entfernungen zum nächsten Nachbarn vorliegt, rendern Sie diese Werte mithilfe eines Rendering-Schemas mit Standardabweichung. Hier sind Entfernungen, deren Größe drei Standardabweichungen übersteigt, als räumliche Ausreißer zu betrachten.
Bestimmen Sie eine Entfernung, bei der die Prozesse, die eine räumliche Cluster-Bildung fördern, am ausgeprägtesten sind. - Versuchen Sie, sich nicht auf die Idee zu versteifen, dass es nur ein richtiges Entfernungsband gibt. Die Realität sieht nie so einfach aus. Es ist sehr wahrscheinlich, dass es mehrere oder interagierende räumliche Prozesse gibt, die die beobachtete Cluster-Bildung fördern. Versteifen Sie sich nicht darauf, dass Sie ein Entfernungsband benötigen, sondern rufen Sie sich die Musteranalysewerkzeuge als effektive Methoden für das Erkunden räumlicher Beziehungen bei mehreren räumlichen Maßstäben ins Gedächtnis. Bedenken Sie, dass Sie bei einer Änderung des Analysemaßstabs (Änderung des Wertes für das Entfernungsbands) eine andere Frage stellen könnten. Angenommen, Sie sehen sich Einkommensdaten an. Mit kleinen Entfernungsbändern können Sie Einkommensmuster der Nachbarschaft untersuchen, mit mittleren Maßstabsentfernungen können Einkommensmuster von Gemeinden oder der Stadt widergespiegelt werden, und mit den größten Entfernungsbändern könnten Sie umfangreiche regionale Einkommensmuster hervorheben.