Überblick über das Toolset "Muster analysieren"

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 durch.

Vorversion:

Die Erweiterung ArcGIS GeoAnalytics Server wird in ArcGIS Enterprise abgekündigt. Die letzte Version von GeoAnalytics Server ist in ArcGIS Enterprise 11.3 enthalten.

Diese Werkzeuge stehen in ArcGIS Enterprise 11.3 und früheren Versionen zur Verfügung, wenn Sie ein aktives ArcGIS Enterprise-Portal besitzen, das über GeoAnalytics Server verfügt, der für die Einstellung Feature-Analyse – GeoAnalytics Tools konfiguriert ist. Um auf die Werkzeuge zuzugreifen und sie auszuführen, müssen Ihnen Berechtigungen zum Durchführen räumlicher Analysen zugewiesen sein.

Diese Werkzeuge können über das Menüband Analyse oder die Registerkarte Portal im Bereich Geoverarbeitung aufgerufen werden.

Weitere Informationen zu Portal-Werkzeugen

Werkzeug	Beschreibung
Dichte berechnen	Berechnet die Größe pro Flächeneinheit auf Basis von Punkt-Features, die sich innerhalb einer bestimmten Nachbarschaft um die einzelnen Zellen befinden.
Raum-Zeit-Würfel erstellen	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.
Hot-Spots suchen	Dieses Werkzeug identifiziert in einer Reihe von Features mithilfe der Getis-Ord Gi*-Statistik statistisch signifikante Hot-Spots und Cold-Spots.
Punkt-Cluster suchen	Findet Cluster aus Punkt-Features im Umfeldrauschen basierend auf deren räumlicher oder raumzeitlicher Verteilung.
Forest-basierte Klassifizierung und Regression	Erstellt Modelle und generiert Vorhersagen mithilfe einer Adaption des "Random Forest"-Algorithmus, einer von Leo Breiman und Adele Cutler entwickelten Methode für überwachtes maschinelles Lernen. 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.
Generalisierte lineare Regression	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.
Geographisch gewichtete Regression (GWR)	Führt eine geographisch gewichtete Regression (GWR) durch. Dies ist eine lokale Form der linearen Regression zur Modellierung räumlich variierender Beziehungen.