Das Toolset "Muster analysieren" enthält Werkzeuge zur Identifizierung, Quantifizierung und Visualisierung räumlicher Muster in Feature-Daten.
Dieses Toolset führt mittels verteilter Verarbeitung Analysen in GeoAnalytics Server aus.
| Werkzeug | Beschreibung |
|---|---|
Berechnet die Größe pro Flächeneinheit auf Basis von Punkt-Features, die sich innerhalb einer bestimmten Nachbarschaft um die einzelnen Zellen befinden. | |
Fasst eine Gruppe von Punkten in einer netCDF-Datenstruktur zusammen, indem sie zu Raum-Zeit-Abschnitten aggregiert werden. In jedem Abschnitt werden die Punkte gezählt, und die angegebenen Attribute aggregiert. Für alle Abschnittspositionen werden der Trend für die Anzahl sowie die Werte der Zusammenfassungsfelder ausgewertet. | |
Dieses Werkzeug identifiziert in einer Reihe von Features mithilfe der Getis-Ord Gi*-Statistik statistisch signifikante Hot-Spots und Cold-Spots. | |
Findet Cluster aus Punkt-Features im Umfeldrauschen basierend auf deren räumlicher oder raumzeitlicher Verteilung. | |
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 als Felder in der Attributtabelle der Trainings-Features vorliegen. Zusätzlich zur Validierung der Modell-Performance auf Grundlage der Trainingsdaten sind Vorhersagen für Features möglich. | |
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. | |
Führt eine geographisch gewichtete Regression (GWR) durch. Dies ist eine lokale Form der linearen Regression zur Modellierung räumlich variierender Beziehungen. |