Создание независимых переменных пространственного компонента (Пространственная статистика)—ArcGIS AllSource

Краткая информация

Создает набор полей пространственных компонентов, которые наилучшим образом описывают пространственные закономерности одного или нескольких числовых полей и служат полезными объясняющими переменными в модели прогноза или регрессии.

Входные поля должны представлять собой независимые и зависимые переменные, которые будут использоваться в модели прогноза. Полученные поля пространственных компонентов (называемые собственными векторами Морана) можно использовать в качестве независимых переменных (в дополнение к исходным независимым переменным), что часто улучшает результат работы модели прогноза за счет учета пространственных закономерностей других переменных.

Более подробно о собственных векторах Морана

Иллюстрация

Использование

Инструмент создает пространственные компоненты, которые могут наиболее точно предсказать значения входных полей. Каждый компонент представляет собой пространственную модель, и выбранными компонентами будут те, модели которых наиболее близки к моделям входных полей. Например, если поле имеет широкий тренд с запада на восток, но также содержит небольшие кластеры низких и высоких значений, модель можно представить путем объединения двух компонентов: один представляет тренд с запада на восток, а другой представляет кластеры. Благодаря включению независимых переменных, которые напоминают пространственные закономерности независимых и зависимых переменных, пространственные эффекты учитываются в инструментах прогноза и регрессии, таких как Обобщенная линейная регрессия и Усиленные классификация и регрессия на основе леса. При учете пространственных эффектов эти не пространственные модели прогноза обычно дают более точные прогнозы, а пространственные смещения (например, пространственные закономерности в смещениях) часто сокращаются. Это важно для того, чтобы модель не давала систематических заниженных или завышенных прогнозов в отношении определенных областей. Кроме того, коэффициенты независимых переменных легче интерпретировать, поскольку они оценивают прямую связь между независимой переменной и зависимой переменной, отфильтровывая шум, вносимый пространственными эффектами.
Этот инструмент предназначен для создания независимых переменных, которые могут использоваться в моделях прогноза; однако инструмент Фильтровать пространственную автокорреляцию из поля также может быть использован для этой цели путем удаления пространственной автокорреляции из поля смещения или стандартизированного смещения модели прогнозирования. Пространственные компоненты, которые эффективно фильтруют автокорреляцию смещения, часто являются полезными независимыми переменными и могут обеспечить эквивалентное улучшение результатов работы модели для этого инструмента, используя меньшее количество компонентов в качестве независимых переменных. Рекомендуется попробовать оба инструмента и сравнить результаты включения пространственных компонентов каждого из них в исходную модель прогноза (например, путем сравнения скорректированных значений R-квадрата или AIC).
Пространственные компоненты будут возвращены в виде полей в выходном классе объектов, и при запуске инструмента на активной карте выходной слой объектов будет отрисован на основе первого пространственного компонента. Входные поля также будут включены в выходной класс объектов, чтобы исходные независимые переменные и независимые переменные пространственного компонента могли использоваться для прогнозирования зависимой переменной в инструментах прогноза без необходимости объединения входных и выходных классов объектов.
Сообщения геообработки включают в себя следующие таблицы, которые обобщают выбор пространственных компонентов, используемых для пространственной фильтрации входного поля:
- История поиска соседей — для каждой из протестированных пространственных матриц весов (SWM) отображаются сведения о SWM (например, количество соседей и схема взвешивания), p-значение и скорректированное значение R-квадрата при использовании всех компонентов, скорректированное значение R-квадрата при использовании только выбранных компонентов и количество выбранных компонентов. SWM с наивысшим скорректированным значением R-квадрата с использованием выбранных компонентов будет использован для создания компонентов и будет обозначен жирным текстом и звездочкой.
- История поиска пространственных компонентов — для выбранного SWM отображаются значение идентификатора каждого компонента (например, идентификатор 4 означает, что это был четвертый пространственный компонент), значение индекса Морана I и p-значение компонента, а также скорректированное значение R-квадрата компонента (включая все ранее выбранные компоненты). Строки упорядочены по компонентам, которые по отдельности предсказали входные поля наиболее эффективно (наибольшее значение R-квадрата).
Чтобы выбрать SWM, которая будет использована для создания пространственных компонентов, инструмент создает список кандидатов SWM и тестирует, какой из них создает пространственные компоненты, наиболее точно предсказывающие значения входных полей. Если ни один файл SWM не указан в параметре Входные файлы матриц пространственных весов, 28 SWM будут созданы и включены в список кандидатов (для описания каждой SWM см. Основные сведения о собственных векторах Морана). Если какие-либо входные SWM предоставлены, вы можете использовать параметр Сравнивать только входные матрицы пространственных весов, чтобы указать, будет ли список кандидатов включать только данные SWM, либо их, а также 28 SWM, созданных инструментом. Например, чтобы использовать единственную предоставленную SWM, укажите ее в параметре Входные файлы матриц пространственных весов, а параметр Сравнивать только входные матрицы пространственных весов оставьте отмеченным.
Инструмент выбирает среди кандидатов SWM следующим образом:
1. Для каждого из 28 кандидатов SWM проверяется на статистическую значимость путем прогнозирования входных полей с использованием всех пространственных компонентов в качестве независимых переменных. Тест значимости использует объединенный R-квадрат из всех входных полей и применяет поправку Шидака к p-значению для учета количества протестированных SWM. Любая SWM, которая не является статистически значимой, будет удалена из списка кандидатов.
2. Для каждого из оставшихся кандидатов SWM пространственные компоненты последовательно добавляются в качестве независимых переменных до тех пор, пока либо следующий компонент не станет статистически значимым сам по себе (p-значение больше 0,05), либо выровненное значение R-квадрат компонента (и всех ранее выбранных компонентов) не превысит выровненное значение R-квадрата при использовании всех компонентов SWM. Каждый новый компонент выбирается путем нахождения компонента с наибольшей статистической значимостью (наименьшее значение p) при использовании для прогнозирования входных полей.
3. SWM с наибольшим выровненным значением R-квадрат выбирается в качестве окончательной SWM, а связанный набор выбранных пространственных компонентов возвращается в качестве полей в выходном классе объектов.
Эта процедура называется методом выбора FWD (вперед) и полностью описана по следующей ссылке:
- Blanchet, F. Guillaume, Pierre Legendre, and Daniel Borcard. 2008. "Forward selection of explanatory variables." Ecology 89, no. 9: 2623-2632. https://doi.org/10.1890/07-0986.1.
.

Параметры

Подпись	Описание	Тип данных
Входные объекты	Входные объекты, содержащие поля независимых и зависимых переменных, которые будут использоваться в модели прогноза.	Feature Layer
Входные поля	Входные поля независимых и зависимых переменных, которые будут использоваться в модели прогноза.	Field
Выходные объекты	Выходные объекты, которые будут содержать поля пространственных компонентов, могут использоваться в качестве дополнительных независимых переменных в модели прогноза.	Feature Class
Присоединить все поля из входных объектов (Дополнительный)	Указывает, будут ли все поля скопированы из входных пространственных объектов в выходной класс пространственных объектов. Отмечено – все поля из входных пространственных объектов будут скопированы в выходной класс пространственных объектов. Это значение по умолчанию Не отмечено - В выходной класс объектов будут скопированы только входные поля.	Boolean
Входные файлы матриц пространственных весов (Дополнительный)	Список файлов SWM (.swm), которые будут использованы в качестве кандидатов для SWM, создающей независимые переменные пространственного компонента. Если файлов не предоставлено, инструмент протестирует 28 разных окрестностей.	File
Выходной файл матрицы пространственных весов (Дополнительный)	Выходной SWM-файл (.swm) соседей и весов, выбранных инструментом. Этот параметр не применяется, если вы предоставляете входной файл .swm.	File
Поле уникального ID (Дополнительный)	Поле уникального идентификатора выходного файла .swm. Поле должно быть целым числом и иметь уникальное значение для каждого входного объекта.	Field
Сравнивать только входные матрицы пространственных весов (Дополнительный)	Указывает, будут ли только файлы .swm, предоставленные в параметре Входные файлы матриц пространственных весов, протестированы или помимо них 28 дополнительных окрестностей. Инструмент использует SWM, которая создает пространственные компоненты, наиболее точно предсказывающие значения входных полей. Этот параметр применяется, только если хотя бы одна входная SWM предоставлена. Отмечено - только входные SWM, предоставленные в параметре Входные файлы матриц пространственных весов, будут протестированы. Это значение по умолчанию Не отмечено - протестированы будут SWM, предоставленные в параметре Входные файлы матриц пространственных весов, а также 28 дополнительных окрестностей.	Boolean

arcpy.stats.CreateSpatialComponentExplanatoryVariables(in_features, input_fields, out_features, {append_all_fields}, {in_swm}, {out_swm}, {id_field}, {compare_only_inputs})

Имя	Описание	Тип данных
in_features	Входные объекты, содержащие поля независимых и зависимых переменных, которые будут использоваться в модели прогноза.	Feature Layer
input_fields [input_fields,...]	Входные поля независимых и зависимых переменных, которые будут использоваться в модели прогноза.	Field
out_features	Выходные объекты, которые будут содержать поля пространственных компонентов, могут использоваться в качестве дополнительных независимых переменных в модели прогноза.	Feature Class
append_all_fields (Дополнительный)	Указывает, будут ли все поля скопированы из входных пространственных объектов в выходной класс пространственных объектов. ALL—Все поля из входных пространственных объектов будут скопированы в выходной класс пространственных объектов. Это значение по умолчанию NO_FIELDS—В выходной класс объектов будут скопированы только входные поля.	Boolean
in_swm [in_swm,...] (Дополнительный)	Список файлов SWM (.swm), которые будут использованы в качестве кандидатов для SWM, создающей независимые переменные пространственного компонента. Если файлов не предоставлено, инструмент протестирует 28 разных окрестностей.	File
out_swm (Дополнительный)	Выходной SWM-файл (.swm) соседей и весов, выбранных инструментом. Этот параметр не применяется, если вы предоставляете входной файл .swm.	File
id_field (Дополнительный)	Поле уникального идентификатора выходного файла .swm. Поле должно быть целым числом и иметь уникальное значение для каждого входного объекта.	Field
compare_only_inputs (Дополнительный)	Указывает, будут ли только файлы .swm, предоставленные в параметре in_swm, протестированы или помимо них 28 дополнительных окрестностей. Инструмент использует SWM, которая создает пространственные компоненты, наиболее точно предсказывающие значения входных полей. Этот параметр применяется, только если хотя бы одна входная SWM предоставлена. COMPARE_INPUTS—Только файлы .swm, предоставленные в параметре in_swm, будут протестированы. Это значение по умолчанию COMPARE_ALL—Протестированы будут файлы .swm, предоставленные в параметре in_swm, а также 28 дополнительных окрестностей.	Boolean

Пример кода

CreateSpatialComponentExplanatoryVariables, пример 1 (окно Python)

Скрипт окна Python, демонстрирующий использование функции CreateSpatialComponentExplanatoryVariables.

# Create fields that describe the spatial patterns of POPULATION.

arcpy.env.workspace = r"c:\data\project_data.gdb"

arcpy.stats.CreateSpatialComponentExplanatoryVariables(
    in_features="states",
    input_fields="POPULATION",
    out_features=r"myOutputFeatureClass",
    append_all_fields="ALL",
    in_swm=None,
    out_swm=None,
    id_field=None
)

CreateSpatialComponentExplanatoryVariables, пример 2 (автономный скрипт)

В следующем автономном скрипте показано использование функции CreateSpatialComponentExplanatoryVariables.

# Create fields that describe the spatial patterns of two analysis fields.

import arcpy

# Set the current workspace.
arcpy.env.workspace = r"c:\data\project_data.gdb"

# Run the tool.
arcpy.stats.CreateSpatialComponentExplanatoryVariables(
    in_features="myFeatureClass",
    input_fields="myAnalysisField1;myAnalysis Field2",
    out_features=r"myOutputFeatureClass",
    append_all_fields="ALL",
    in_swm=None,
    out_swm=None,
    id_field=None
)

# Print the messages. 
print(arcpy.GetMessages())

Параметры среды

Географические преобразования, Выходная система координат, Коэффициент параллельной обработки, Генератор случайных чисел

Связанные разделы

Отзыв по этому разделу?