Die Toolbox "Spatial Statistics" enthält Statistikwerkzeuge zur Analyse von räumlichen Verteilungen, Mustern, Prozessen und Beziehungen. Es gibt zwar Ähnlichkeiten zwischen räumlichen und nicht räumlichen (herkömmlichen) Statistiken im Hinblick auf Begrifflichkeiten und Zielsetzungen, räumliche Statistiken wurden jedoch zur ausschließlichen Verwendung mit geographischen Daten entwickelt. Im Gegensatz zu herkömmlichen nicht räumlichen Statistikmethoden wird hier der Raum (Nähe, Fläche, Konnektivität und/oder andere räumliche Beziehungen) direkt in die Mathematik integriert.
Mit den Werkzeugen in der Toolbox "Spatial Statistics" können Sie die entscheidenden Eigenschaften einer räumlichen Verteilung zusammenfassen (zum Beispiel zur Bestimmung des arithmetischen Mittelpunktes oder des allgemeinen Richtungstrends), statistisch signifikante räumliche Cluster (Hot-Spots/Cold-Spots) und räumliche Ausreißer identifizieren, allgemeine Muster der Cluster-Bildung oder Verteilung bewerten, Features basierend auf Attributähnlichkeiten gruppieren, einen passenden Analysemaßstab identifizieren und räumliche Beziehungen erkunden. Für in Python geschriebene Werkzeuge steht darüber hinaus der Quellcode zur Verfügung, sodass Sie diese und andere Analysewerkzeuge ändern, erweitern oder mit anderen gemeinsam nutzen und daraus lernen können.
Hinweis:
Denken Sie beim Verwenden von Shapefiles daran, dass diese keine NULL-Werte speichern können. Werkzeuge oder andere Verfahren zur Erstellung von Shapefiles aus Nicht-Shapefile-Eingaben speichern oder interpretieren NULL-Werte möglicherweise als Wert 0. In manchen Fällen werden NULL-Werte in Shapefiles als sehr große negative Werte gespeichert. Dies kann zu unerwarteten Ergebnissen führen. Weitere Informationen finden Sie unter Überlegungen zur Geoverarbeitung für die Shapefile-Ausgabe.
| Toolset | Beschreibung |
|---|---|
| Mit diesen Werkzeugen können Sie auswerten, ob Features oder die damit verknüpften Werte ein gruppiertes, verteiltes oder zufälliges räumliches Muster bilden. | |
Diese Werkzeuge bewerten die Empfindlichkeit einer Analyse gegenüber verschiedenen Arten von Unsicherheiten, indem sie die ursprünglichen Analyseergebnisse mit den Ergebnissen aus simulierten Daten vergleichen. | |
| Mit diesen Werkzeugen können Sie statistisch signifikante Hot-Spots, Cold-Spots und räumliche Ausreißer identifizieren. Es gibt außerdem Werkzeuge zum Identifizieren oder Gruppieren von Features mit ähnlichen Eigenschaften. | |
| Mit diesen Werkzeugen können Sie Fragen beantworten wie: Wo ist der Mittelpunkt? Wie sind Shape und Ausrichtung beschaffen? Wie weit verteilt sind die Features? | |
| Diese Werkzeuge dienen zur Modellierung von Datenbeziehungen mit Regressionsanalysen und zur Erstellung räumlicher Gewichtungsmatrizen. | |
Dienstprogramme für räumliche Komponenten (Moran-Eigenvektoren) | Diese Werkzeuge erstellen und analysieren räumliche Komponenten (Moran-Eigenvektoren), wie z. B. die Erstellung von erklärenden Variablen für Komponenten, das Herausfiltern von Autokorrelation aus einem Feld oder die Empfehlung von Nachbarschaften für die räumliche Analyse. |
| Mit diesen Werkzeugen können Sie eine Vielzahl verschiedener Funktionen ausführen: Berechnung von Flächen, Bewertung von Mindestabständen, Exportieren von Variablen und Geometrie, Konvertieren von räumlichen Gewichtungsdateien und Erfassen von lagegleichen Punkten. |
Zusätzliche Quellen
Auf der Seite Spatial Statistics Resources finden Sie verschiedene Ressourcen, die Ihnen bei der Verwendung der Werkzeuge in den Toolboxes "Spatial Statistics" und "Space Time Pattern Mining" helfen, darunter:
- Praxisorientierte Lernprogramme
- Workshop-Videos und Präsentationen
- Schulungen und Webseminare
- Links zu Büchern, Artikeln und technischen Dokumentationen
- Beispielskripte und Case Studys