“分析模式”工具集概述

识别地理模式对于理解地理现象非常重要。

尽管您可以通过对要素制图来了解它们的总体模式及其关联值,但通过计算统计数据能够将模式量化。 这样更便于比较不同分布方式或不同时段的模式。 通常会先使用“分析模式”工具集中的工具进行初始分析,然后再进行更深入的分析。 例如,可以使用增量空间自相关工具来确定在哪个距离处促进空间聚类的过程最明显,这可能有助于您选择一个适当的距离(分析尺度)来深入研究热点(热点分析)。

“分析模式”工具集中的工具都采用推论式统计,它们以零假设为起点,假设要素或与要素相关的值都表现为空间随机模式。 然后它们再计算出一个 p 值用来表示零假设的正确概率(观测到的模式只不过是完整空间随机性的许多可能版本之一)。 您在制定特定决策时可能需要高置信度的数据,这时,计算概率就可能很重要。 例如,如果您的决策涉及公众安全或法律,则可能需要用统计证据来证明您的决策的合理性。

“分析模式”工具可提供对宏观空间模式进行量化的统计数据。 这些工具可以解答“数据集中的要素或与数据集中要素关联的值是否发生空间聚类?”和“聚类程度是否会随时间变化?”之类的问题。 下表列出了可用的工具,并对每个工具进行了简要描述。

工具描述

平均最近邻

根据从每个要素到其最近相邻要素的平均距离计算最近邻指数。

高/低聚类

使用 Getis-Ord General G 统计可度量高值或低值的聚类程度。

增量空间自相关

测量一系列距离的空间自相关,并选择性创建这些距离及其相应 z 得分的折线图。 z 得分反映空间聚类的程度,具有统计显著性的峰值 z 得分表示促进空间过程聚类最明显的距离。 这些峰值距离值通常适用于具有距离范围或距离半径参数的工具。

多距离空间聚类分析(Ripley's K 函数)

确定要素(或与要素相关联的值)是否显示某一距离范围内具有统计显著性的聚类或离散。

空间自相关

使用 Global Moran's I 统计数据,基于要素位置和属性值测量空间自相关。