Außer zum Analysieren räumlicher Muster kann die GIS-Analyse auch verwendet werden, um Beziehungen zwischen Features zu untersuchen oder zu quantifizieren. Mit den Werkzeugen im Toolset "Modellierung von räumlichen Beziehungen" können räumliche Gewichtungsmatrizen erstellt oder räumliche Beziehungen mit Regressionsanalysen modelliert werden.
Mit den Werkzeugen Räumliche Gewichtungsmatrix erstellen und Räumliche Gewichtung des Netzwerks generieren werden Dateien mit räumlicher Gewichtungsmatrix erstellt, mit denen die Beziehungen der Features in einem Dataset untereinander gemessen werden. Eine räumliche Gewichtungsmatrix ist eine Repräsentation der räumlichen Struktur von Daten: der räumlichen Beziehungen zwischen den Features im Dataset.
In einer echten räumlichen Statistik werden Informationen zu Raum und räumlichen Beziehungen in die zugehörige Mathematik integriert. Die folgenden Werkzeuge in der Toolbox "Spatial Statistics" unterstützen eine Datei mit räumlicher Gewichtungsmatrix: Räumliche Autokorrelation (Morans I), Cluster- und Ausreißeranalyse (Anselin Local Morans I), Hot-Spot-Analyse (Getis-Ord Gi*) und Kolokalitätsanalyse.
Die Regressionswerkzeuge in der Toolbox "Spatial Statistics" modellieren Beziehungen zwischen Datenvariablen, die mit geographischen Features verknüpft sind, sodass Sie Vorhersagen für unbekannte Werte treffen können. Außerdem erleichtern sie Ihnen das Verständnis der Schlüsselfaktoren, die eine zu modellierende Variable beeinflussen. Mithilfe der Werkzeuge Generalisierte lineare Regression (GLR) und Geographisch gewichtete Regression können Sie Beziehungen überprüfen und die Stärke dieser Beziehungen messen. Mit der Regressionsanalyse können Sie eine große Anzahl von Modellen des Typs Kleinste Quadrate (Ordinary Least Squares, OLS) schnell untersuchen, Variablenbeziehungen zusammenfassen und bestimmen, ob eine Kombination von potenziellen erklärenden Variablen alle Anforderungen der OLS-Methode erfüllt. Mit dem Werkzeug Lokale bivariate Beziehungen können Sie untersuchen und ermitteln, ob zwischen zwei Variablen in der Karte Beziehungen bestehen.
Das Werkzeug Kolokalitätsanalyse misst den Grad der räumlichen Zuordnung zwischen zwei Punktmustern, und das Werkzeug Räumliche Zuordnung zwischen Zonen misst die Zuordnung von Kategoriezonen. Das Werkzeug Forest-basierte Klassifizierung und Regression erstellt Modelle und generiert Vorhersagen mit unüberwachten Lernmethoden für Kategoriedaten und kontinuierliche Daten. Darüber hinaus kann es Variablen verwenden, die aus Raster- oder Entfernungs-Features stammen.
| Werkzeug | Beschreibung |
|---|---|
Misst mithilfe der Statistik des Kolokationsquotienten lokale Muster der räumlichen Zuordnung oder der Kolokalität zwischen zwei Kategorien von Punkt-Features. | |
Wertet alle möglichen Kombinationen von potenziellen erklärenden Variablen aus. Hierbei wird nach OLS-Modellen gesucht, die die abhängige Variable im Kontext von benutzerdefinierten Kriterien am besten erläutern. | |
Erstellt Modelle und generiert Vorhersagen mithilfe einer Adaption des "Random Forest"-Algorithmus, einer Methode für überwachtes maschinelles Lernen von Leo Breiman. Vorhersagen können sowohl für Kategorievariablen (Klassifizierung) als auch für kontinuierliche Variablen (Regression) getroffen werden. Erklärende Variablen können Felder in der Attributtabelle der Trainings-Features, Raster-Datasets und Entfernungs-Features sein, die verwendet werden, um Nachbarschaftswerte als zusätzliche Werte zu berechnen. Abgesehen von der Validierung der Modell-Performance auf Grundlage der Trainingsdaten können Vorhersagen für Features oder ein Vorhersage-Raster getroffen werden. | |
Führt eine generalisierte lineare Regression (GLR) aus, um Vorhersagen zu generieren oder eine abhängige Variable in Hinsicht auf ihre Beziehung zu einem Satz erklärender Variablen zu modellieren. Dieses Werkzeug kann für kontinuierliche (OLS) und binäre (logistische) Modelle sowie für Anzahlmodelle (Poisson) verwendet werden. | |
Erstellt eine Datei mit räumlicher Gewichtungsmatrix (.swm) unter Verwendung eines Netzwerk-Datasets, wobei die räumlichen Beziehungen in Bezug auf die zugrunde liegende Netzwerkstruktur definiert werden. | |
Hiermit wird eine Datei (.swm) mit einer räumlichen Gewichtungsmatrix erstellt, die die räumlichen Beziehungen zwischen Features in einem Dataset wiedergibt. | |
Führt eine geographisch gewichtete Regression (GWR) aus, eine lokale Form linearer Regression zur Modellierung räumlich variierender Beziehungen. | |
Analysiert zwei Variablen für statistisch signifikante Beziehungen mithilfe lokaler Entropie. Jedes Feature wird basierend auf dem Beziehungstyp in eine von sechs Kategorien klassifiziert. Die Ausgabe kann dazu verwendet werden, Bereiche zu visualisieren, deren Variablen miteinander in Beziehung stehen, und Veränderungen in ihren Beziehungen über das gesamte Untersuchungsgebiet zu erkunden. | |
Führt eine globale lineare OLS-Regression aus, um Vorhersagen zu generieren oder eine abhängige Variable in Hinsicht auf ihre Beziehungen zu einem Satz erklärender Variablen zu modellieren. | |
Misst den Grad der räumlichen Zuordnung zwischen zwei Regionalisierungen desselben Untersuchungsgebiets, in dem jede Regionalisierung aus einer Reihe von Kategorien besteht, die als Zonen bezeichnet werden. Die Zuordnung zwischen den Regionalisierungen wird durch die Bereichsüberlappung zwischen den Zonen jeder Regionalisierung bestimmt. Die Zuordnung ist am höchsten, wenn jede Zone einer Regionalisierung einer Zone der anderen Regionalisierung weitgehend entspricht. Entsprechend ist die räumliche Zuordnung am geringsten, wenn die Zonen einer Regionalisierung zu einem großen Teil viele unterschiedliche Zonen in der anderen Regionalisierung überlappen. Die primäre Ausgabe des Werkzeugs enthält einen globalen Messwert der räumlichen Zuordnung der kategorischen Variablen: Eine einzelne Zahl im Bereich von 0 (keine Entsprechung) bis 1 (perfekte räumliche Ausrichtung der Zonen). Optional kann diese globale Zuordnung für bestimmte Zonen beider Regionalisierungen oder für bestimmte Kombinationen von Zonen der Regionalisierungen berechnet und visualisiert werden. |