Überblick über das Toolset "Modellierung von räumlichen Beziehungen"

Das Toolset "Modellierung von räumlichen Beziehungen" enthält Werkzeuge zum Untersuchen und Quantifizieren von Datenbeziehungen.

Außer zum Analysieren räumlicher Muster kann die GIS-Analyse auch verwendet werden, um Beziehungen zwischen Features zu untersuchen oder zu quantifizieren. Verwenden Sie die Werkzeuge im Toolset "Modellierung von räumlichen Beziehungen", um räumliche Gewichtungsmatrizen zu konstruieren oder räumliche Beziehungen zu modellieren. Dazu können Sie verschiedene Analysetechniken nutzen, einschließlich Regression, Forest-basierte Ansätze und Methoden zur maximalen Entropie.

Werkzeug	Beschreibung
Bivariate räumliche Zuordnung (Lee's L)	Berechnet die räumliche Zuordnung zwischen zwei kontinuierlichen Variablen unter Verwendung der Lee's L-Statistik.
Analyse der kausalen Inferenz	Schätzt den kausalen Effekt einer kontinuierlichen Expositionsvariable auf eine kontinuierliche Ergebnisvariable durch Approximation an ein randomisiertes Experiment und die Berücksichtigung konfundierender Variablen.
Kolokalitätsanalyse	Misst mithilfe der Statistik des Kolokationsquotienten lokale Muster der räumlichen Zuordnung oder der Kolokalität zwischen zwei Kategorien von Punkt-Features.
Regressionsanalyse	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.
Forest-basierte und geboostete Klassifizierung und Regression	Erstellt Modelle und generiert Vorhersagen, wobei eine von zwei Methoden für überwachtes maschinelles Lernen zum Einsatz kommt: eine Adaption des "Random Forest"-Algorithmus, der von Leo Breiman und Adele Cutler entwickelt wurde, oder der XGBoost-Algorithmus (Extreme Gradient Boosting) von Tianqi Chen und Carlos Guestrin. 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.
Generalisierte lineare Regression (GLR)	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.
Räumliche Gewichtung des Netzwerks generieren	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.
Räumliche Gewichtungsmatrix erstellen	Hiermit wird eine Datei (.swm) mit einer räumlichen Gewichtungsmatrix generiert, die die räumlichen Beziehungen zwischen Features in einem Dataset wiedergibt.
Geographisch gewichtete Regression (GWR)	Führt eine geographisch gewichtete Regression (GWR) aus, eine lokale Form linearer Regression zur Modellierung räumlich variierender Beziehungen.
Lokale bivariate 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.
Geographisch gewichtete Regression (Multiscale) (MGWR)	Führt eine geographisch gewichtete Regression vom Typ "Multiscale" (MGWR) durch. Dabei handelt es sich um eine lokale Form der linearen Regression zur Modellierung räumlich variierender Beziehungen.
Kleinste Quadrate (Ordinary Least Squares, OLS)	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.
Mit Modelldatei für räumliche Statistiken vorhersagen	Sagt kontinuierliche oder kategorische Werte mithilfe einer trainierten Modelldatei für räumliche Statistiken (.ssm-Datei) vorher.
Auf Vorhandensein beschränkte Vorhersage	Modelliert anhand der maximalen Entropie (MaxEnt) das Vorhandensein eines Phänomens, wenn Positionen des Vorhandenseins und erklärende Variablen gegeben sind. Das Werkzeug stellt Ausgabe-Features und -Raster bereit, die die Wahrscheinlichkeit für das Vorhandensein enthalten, und kann auf Probleme angewendet werden, bei denen nur das Vorhandensein bekannt ist und das Fehlen nicht bekannt ist.
Räumliche Zuordnung zwischen Zonen	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.