| Etiqueta | Explicación | Tipo de datos |
Entidades de entrada | Las entidades de entrada que contienen los campos que se utilizarán para seleccionar la SWM. | Feature Layer |
Campos de entrada | Los campos de entrada que se utilizarán para seleccionar la SWM. | Field |
Matriz de ponderaciones espaciales de salida | El archivo .swm de salida de los vecinos y pesos seleccionados por la herramienta. | File |
Campo de Id. único | El campo de Id. único del archivo .swm de salida. El campo debe ser un entero y debe tener un valor único para cada entidad de entrada. | Field |
Archivos de matriz de ponderaciones espaciales de entrada (Opcional) | Los archivos de entrada .swm que se utilizarán como candidatos para la SWM que mejor represente los patrones espaciales (como tendencias o clústeres) de uno o más campos numéricos. Si no se proporcionan archivos, la herramienta probará 28 vecindarios diferentes. | File |
Comparar solo matrices de ponderaciones espaciales de entrada (Opcional) | Especifica si solo se probarán los archivos .swm proporcionados en el parámetro Archivos de matriz de ponderaciones espaciales de entrada o si también se probarán 28 vecindarios adicionales. La herramienta utilizará la SWM que crea componentes espaciales que mejor represente los patrones espaciales (como tendencias o clústeres) de uno o más campos numéricos. Este parámetro solo se aplica si se proporciona al menos un archivo .swm de entrada.
| Boolean |
Resumen
Selecciona la matriz de ponderaciones espaciales (SWM) de un conjunto de SWM candidatas que mejor representa los patrones espaciales (como tendencias o clústeres) de uno o varios campos numéricos.
El archivo de matriz de ponderaciones espaciales de salida puede utilizarse entonces en herramientas que admiten archivos .swm para los valores de los parámetros Tipo de vecindad o Conceptualización de relaciones espaciales, por ejemplo, las herramientas Asociación espacial bivariante (L de Lee), Análisis de puntos calientes (Gi* de Getis-Ord) y Análisis de cluster y de valor atípico (I Anselin local de Moran).
La herramienta selecciona la SWM creando componentes espaciales (llamados eigenvectores de Moran) a partir de cada SWM candidata y comprobando la eficacia con la que los componentes representan los patrones espaciales de los campos de entrada.
Ilustración
Uso
-
El propósito de la herramienta es sugerir un tipo de vecindad y un esquema de ponderación (a veces denominado conceptualización de las relaciones espaciales) que representen mejor los patrones espaciales de los campos de entrada, probando qué ponderación espacial produce componentes espaciales que puedan predecir con mayor precisión los valores de los campos de entrada. El razonamiento consiste en que cada componente espacial tiene un patrón espacial, y los componentes que pueden predecir con mayor precisión los campos de entrada son los que tienen los patrones más similares a los campos de entrada. Sin embargo, esta SWM sugerido no pretende sustituir el conocimiento individual o experto de los datos y sus procesos. Hay que tener en cuenta muchas consideraciones a la hora de elegir una SWM para un análisis, y esta herramienta solo utiliza la capacidad de predicción de los componentes espaciales de los campos de entrada para determinar la SWM sugerida. En algunos casos, como con la herramienta Análisis de puntos calientes (Gi* deGetis-Ord), existen metodologías alternativas para elegir una SWM, como utilizar la banda de distancia que maximice la autocorrelación espacial de los datos (así es como la herramienta Análisis de puntos calientes optimizado determina sus vecinos y pesos). Se recomienda probar metodologías alternativas para las vecindades y las ponderaciones espaciales y utilizar el método que mejor se ajuste a los objetivos del análisis.
Proporcione todos los campos al parámetro Campos de entrada que utilizará en cualquier análisis posterior con el archivo .swm de salida. Por ejemplo, la herramienta Análisis de puntos calientes (Gi* de Getis-Ord) solo requiere un campo, pero la herramienta Asociación espacial bivariante (L de Lee) requiere dos campos. Puede proporcionar el archivo .swm de salida en el parámetro Archivo de matriz de ponderaciones tras especificar la opción Obtener ponderaciones espaciales a partir del archivo para el parámetro Tipo de vecindad o Conceptualización de relaciones espaciales de las herramientas de análisis posteriores.
Los mensajes de geoprocesamiento incluyen la tabla Historial de búsqueda de vecindad que muestra los detalles de cada SWM probada (como el número de vecinos y el esquema de ponderaciones) y el valor R cuadrado ajustado de la SWM cuando se utiliza para predecir los campos de entrada. La SWM sugerida por la herramienta será la que tenga el mayor R cuadrado ajustado y se indicará con texto en negrita y un asterisco en la tabla.
Para seleccionar la SWM, la herramienta genera una lista de SWM candidatas y comprueba cuál crea los componentes espaciales que mejor representan los patrones espaciales de los campos de entrada. Si no se proporcionan SWM en el parámetro Archivos de matriz de ponderaciones espaciales de entrada, se crearán 28 SWM y se incluirán en la lista de candidatas (consulte Comprensión de los autovectores de Moran para ver las descripciones de cada SWM). Si se proporcionan SWM de entrada, puede utilizar el parámetro Comparar solo matrices de ponderaciones espaciales de entrada para elegir si la lista de candidatas solo incluye las SWM proporcionadas o si la lista de candidatas incluye las SWM proporcionadas y las 28 SWM creadas por la herramienta. Por ejemplo, para utilizar una única SWM especificada, proporcione la SWM en el parámetro Archivos de matriz de ponderaciones espaciales de entrada y deje marcado el parámetro Comparar solo matrices de ponderaciones espaciales de entrada.
La herramienta determina la SWM sugerida mediante el siguiente procedimiento:
- Para cada SWM, se generan los eigenvectores de Moran con los mayores eigenvectores (los de mayor autocorrelación). El número de eigenvectores es igual al 25 por ciento del número de entidades, hasta un máximo de 100.
- Se filtran todos los eigenvectores que tengan valores I de Moran negativos (lo que significa que están autocorrelacionados negativamente).
- Cada campo de entrada se predice individualmente utilizando los eigenvectores como variables explicativas en un modelo de regresión por mínimos cuadrados ordinario.
- Se suman la suma total de cuadrados y la suma residual de cuadrados de todos los campos y se calcula un valor R cuadrado ajustado y combinado.
- Se devuelve la SWM con el valor R cuadrado ajustado más alto.
Este procedimiento se describe detalladamente en la siguiente referencia:
Bauman, David, Thomas Drouet, Marie-Josée Fortin y Stéphane Dray. 2018. "Optimizing the choice of a spatial weighting matrix in eigenvector-based methods." Ecology 99, n.º 10: 2159-2166. https://doi.org/10.1002/ecy.2469.
Parámetros
arcpy.stats.CompareNeighborhoodConceptualizations(in_features, input_fields, out_swm, id_field, {in_swm}, {compare_only_inputs})| Nombre | Explicación | Tipo de datos |
in_features | Las entidades de entrada que contienen los campos que se utilizarán para seleccionar la SWM. | Feature Layer |
input_fields [input_fields,...] | Los campos de entrada que se utilizarán para seleccionar la SWM. | Field |
out_swm | El archivo .swm de salida de los vecinos y pesos seleccionados por la herramienta. | File |
id_field | El campo de Id. único del archivo .swm de salida. El campo debe ser un entero y debe tener un valor único para cada entidad de entrada. | Field |
in_swm [in_swm,...] (Opcional) | Los archivos de entrada .swm que se utilizarán como candidatos para la SWM que mejor represente los patrones espaciales (como tendencias o clústeres) de uno o más campos numéricos. Si no se proporcionan archivos, la herramienta probará 28 vecindarios diferentes. | File |
compare_only_inputs (Opcional) | Especifica si solo se probarán los archivos .swm proporcionados en el parámetro in_swm o si también se probarán 28 vecindarios adicionales. La herramienta utilizará la SWM que crea componentes espaciales que mejor represente los patrones espaciales (como tendencias o clústeres) de uno o más campos numéricos. Este parámetro solo se aplica si se proporciona al menos un archivo .swm de entrada.
| Boolean |
Muestra de código
El siguiente script de la ventana de Python muestra cómo utilizar la función CompareNeighborhoodConceptualizations:
# Select the spatial weights matrix (SWM) that best describes the
# spatial patterns of POP_SQMI.
arcpy.env.workspace = r"c:\data\project_data.gdb"
arcpy.stats.CompareNeighborhoodConceptualizations(
in_features="states",
input_fields="POP_SQMI",
out_swm=r"c:\data\states.swm",
id_field="unique_id_field"
)El siguiente script independiente muestra cómo utilizar la función CompareNeighborhoodConceptualizations:
# Select the spatial weights matrix (SWM) that best describes
# the spatial patterns of two analysis field.
import arcpy
# Set the current workspace.
arcpy.env.workspace = r"c:\data\project_data.gdb"
# Run the tool.
arcpy.stats.CompareNeighborhoodConceptualizations(
in_features="myFeatureClass",
input_fields="myAnalysisField1;myAnalysis Field2",
out_swm=r"myOutputSWM.swm",
id_field="myUniqueIDField"
)
# Print the tool messages.
print(arcpy.GetMessages())Entornos
Temas relacionados
- Una descripción general del conjunto de herramientas Utilidades de componentes espaciales (eigenvectores de Moran)
- Comprender los eigenvectores de Moran
- Crear variables explicativas de componentes espaciales
- Descomponer estructura espacial (Eigenvectores Moran)
- Filtrar autocorrelación espacial de campo
- Buscar una herramienta de geoprocesamiento