Bereich "Vergleich" in Suitability Modeler—ArcGIS Pro

Mit der Spatial Analyst-Lizenz verfügbar.

Der Bereich Vergleich ist der Hauptbereich der Bedienoberfläche Modellvergleich. In diesem Bereich können Sie die folgenden Aktionen durchführen:

Das Vergleichsmodell benennen.
Die Eignungsmodelle für den Vergleich angeben.
Bestimmen, ob die Modelle normalisiert werden sollen.
Die vordefinierte Statistik auswählen, die ausgeführt werden soll.

Sie müssen mindestens zwei Modelle auswählen.

Im Bereich Vergleich sind die vordefinierten Statistiken in fünf Funktionsgruppen unterteilt. Sie wählen die auszuführenden Statistiken aus, indem Sie das Kontrollkästchen neben der gewünschten Statistik innerhalb einer Funktionsgruppe im Bereich aktivieren.

Um die ausgewählten Statistiken auszuführen, klicken Sie im Bereich auf die Schaltfläche Ausführen.

Sobald Sie auf die Schaltfläche Ausführen geklickt haben, werden die Bereiche Statistiken erkunden und Vergleichsstatistiken angezeigt, wobei die erste Statistik in der Liste angezeigt wird. Wenn Sie die Ergebnisse einer der anderen von Ihnen ausgeführten Statistiken sehen möchten, klicken Sie auf die Statistik im Bereich Statistiken erkunden.

Um weitere vordefinierte Statistiken auszuführen, klicken Sie auf die Pfeilschaltfläche "Zurück" oben links im Bereich Statistiken erkunden. Wenn Sie eine andere Statistik zur Ausführung auswählen, wird die Schaltfläche Erkunden unten rechts im Bereich Vergleich zu Ausführen. Wenn Sie erneut auf die Schaltfläche Ausführen klicken, werden nur die zusätzlichen Statistiken ausgeführt, die Sie ausgewählt haben, und der Bereich Statistiken erkunden wird erneut angezeigt.

Wenn Sie keine weiteren Statistiken hinzufügen möchten und zum Bereich Statistiken erkunden zurückkehren möchten, um andere von Ihnen ausgeführte Statistiken zu sehen, klicken Sie auf die Schaltfläche Erkunden unten rechts im Bereich Vergleich.

Verfügbare vordefinierte Statistiken

Die vordefinierten Statistiken sind das Herzstück der Bedienoberfläche Modellvergleich. Sie sind in fünf Funktionsgruppen unterteilt:

Eingabeparameter erkunden wird verwendet, um die Parameter der einzelnen Eingabemodelle anzuzeigen.
Ähnlichkeiten und Unterschiede vergleichen ermöglicht Ihnen festzustellen, wo die Modelle übereinstimmen und wo sie sich unterscheiden.
Eignungswerte analysieren dient nicht nur dazu festzustellen, wo die Modelle übereinstimmen und wo nicht, sondern auch, wo sie dies in Bereichen mit hohen und niedrigen Eignungswerten tun.
Änderung zwischen Modellen untersuchen dient der Analyse, wie sich die Eignungswerte zwischen den Eingabemodellen ändern.
Regions-Überlappungen prüfen dient dazu, zu sehen, wo die Regionen der Eingabemodelle überlappen.

Vergleichen von vordefinierten Statistiken

Um Ihnen die Auswahl der zu auszuführenden Statistiken zu erleichtern, werden in den folgenden Abschnitten die verschiedenen Statistiken in jeder der fünf Funktionsgruppen beschrieben. Die Funktionsgruppe wird ermittelt, gefolgt von den Statistiken, die in der Gruppe enthalten sind. Die meisten Statistiken sind in drei Abschnitte unterteilt:

In den Abschnitten mit den Beschreibungen wird beschrieben, wie die Statistik im Allgemeinen funktioniert.
In den Abschnitten mit den Angaben zur Verwendung wird angegeben, in welchen Situationen sich die Verwendung der Statistik anbietet.
Die Formelabschnitte enthalten die der Statistik zugrunde liegenden mathematischen Angaben.

Statistiken "Eingabeparameter erkunden"

Die Funktionsgruppe Eingabeparameter erkunden verfügt über eine Statistik.

Parameter in Modellen

Es folgt eine Beschreibung der Statistik Parameter in Modellen und wann sie zu verwenden ist.

Beschreibung

Mit dieser Statistik können Sie die Ähnlichkeiten und Unterschiede zwischen den Eingabeparametern und den resultierenden Karten untersuchen. Sie können die Eignungs- und Suchkarten sehen und die Transformations-Plots für jedes der Eingabekriterien nebeneinander vergleichen.

Verwendung

Verwenden Sie diese Statistik, um sich ein Bild von der Zusammensetzung der Eingabemodelle zu machen. Sie können die Kriterien für jedes Modell, die Art der Transformation der Kriterien und die endgültigen Karten "Eignung und Regionen" sehen. Diese Statistik gibt einen Überblick über die Modelle, um die übrigen Statistiken in einen Kontext zu stellen. Diese Statistik ermöglicht es Ihnen, etwas über die Eingabemodelle zu erfahren.

Ähnlichkeiten und Unterschiede vergleichen

Es gibt vier Statistiken in der Funktionsgruppe Ähnlichkeiten und Unterschiede vergleichen:

Differenz von Eignungswerten
Ähnlich zwischen Modellen
Ähnlichkeit versus Unterschiede
Cluster der Differenzen (Hot-Spot-Analyse)

Differenz von Eignungswerten

Es folgt eine Beschreibung der Statistik Differenz von Eignungswerten, wann sie zu verwenden ist, sowie die Formel für die Statistik.

Beschreibung

Diese Statistik ermittelt, wo die Eignungswerte der beiden Modelle ähnlich sind und wo sie sich unterscheiden. Es sind zwei Optionen verfügbar.

Die Option Prozentuale Veränderung berechnet die prozentuale Veränderung der Eignungswerte zwischen Modell 1 und Modell 2. Wenn der Wert von Modell 2 abnimmt, ist die prozentuale Veränderung positiv. Wenn er zunimmt, ist die prozentuale Veränderung negativ. Je größer die positiven und je kleiner die negativen Werte sind, desto größer ist die Differenz.

Bei der Option Prozentuale Differenz wird der absolute Wert der prozentualen Veränderung zwischen den Eignungswerten von Modell 1 und Modell 2 berechnet. Je kleiner der Wert ist, desto ähnlicher sind die Eignungswerte der beiden Modelle.

Verwendung

Dies ist eine der ersten Statistiken, die Sie anwenden sollten, um ein erstes Verständnis dafür zu gewinnen, wo die Modelle ähnlich sind und wo sie sich unterscheiden. Die Statistik ist für alle Anwendungen des Modellvergleichs anwendbar, da sie die Grundlage bildet, auf der die übrigen Statistiken definiert werden.

Formel

Die Formel für diese Statistik lautet wie folgt:

Percent Change:(Model1 - Model2) / Model1 * 100

Percent Difference: Abs(Model1 - Model2) / Mean(Model1, Model2) * 100

Wobei gilt:

Model 1: Name des Modells 1.
Model 2: Name des Modells 2.

Ähnlich zwischen Modellen

Es folgt eine Beschreibung der Statistik "Ähnlich zwischen Modellen", wann sie zu verwenden ist, sowie die Formel für die Statistik.

Beschreibung

Diese Statistik ermittelt, wo die Eignungswerte zwischen den beiden Modellen am ähnlichsten sind.

Wenn Nach Prozentanteil der Zellenangewendet wird, werden die Zellen mit der kleinsten absoluten prozentualen Differenz ausgewählt, bis der prozentuale Gesamtanteil der Zellen unter dem Ähnlichkeitsschwellenwert liegt. Wenn Nach Werten ausgewählt wird, sind die Positionen des Ergebnisses die, bei denen die absolute prozentuale Differenz zwischen den beiden Modellen gleich dem Ähnlichkeitsschwellenwert ist oder darunter liegt.

Es werden die absoluten prozentualen Differenzwerte angezeigt.

Verwendung

Diese Statistik ergänzt die Ausgabe der Statistik "Differenz von Eignungswerten". Verwenden Sie diese Statistik, um die räumliche Verteilung der Positionen zu analysieren, die sich am ähnlichsten sind. Bei den meisten Anwendungen sind Sie daran interessiert, zu sehen, wo die Modelle übereinstimmen. Verwenden Sie die Statistik, wenn Sie wissen, wie viele Zellen Sie benötigen, oder wenn Sie einen bestimmten Schwellenwert haben, der definiert, was Ähnlichkeit ist.

Formel

Die Formel für diese Statistik lautet wie folgt:

Con(PercentDifference <= Similarity_Theshold, PercentDifference)

PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100

Wobei gilt:

Model 1: Name des Modells 1.
Model 2: Name des Modells 2.
Similarity_Threshold: Zellen mit Werten, die unterhalb des Ähnlichkeitsschwellenwertes liegen oder diesem entsprechen, werden in der Statistik ausgewählt. Die ausgewählten Zellen sind Positionen, an denen die Modelle als am ähnlichsten betrachtet werden.
Der Standardwert ist kleiner als oder gleich 10 % der gesamten Zellen im Untersuchungsgebiet mit der kleinsten absoluten prozentualen Differenz.
Da die Option Nach Prozentanteil der Zellen einen Prozentsatz der Gesamtzahl der Zellen darstellt, liegt der Bereich bei Auswahl dieser Option zwischen 1 und 100, und zwar unabhängig davon, ob die Option "Normalisiert" ausgewählt wird. Wenn Nach Werten ausgewählt ist, reicht der Bereich vom Minimal- bis zum Maximalwert der absoluten prozentualen Differenz zwischen den Eignungskarten, unabhängig davon, ob "Normalisiert" ausgewählt ist. Die beiden Bereiche können jedoch unterschiedlich sein.
Die Positionen mit den niedrigsten Werten geben an, wo die Modelle am ähnlichsten sind.

Ähnlichkeit versus Unterschiede

Es folgt eine Beschreibung der Statistik "Ähnlichkeit versus Unterschiede", wann sie zu verwenden ist, sowie die Formel für die Statistik.

Beschreibung

Diese Statistik vergleicht, wo sich die Modelle ähnlich sind und wo sie sich unterscheiden.

Wenn Nach Prozentanteil der Zellen verwendet wird, werden die Zellen mit der kleinsten prozentualen Differenz ausgewählt, bis der prozentuale Gesamtanteil der Zellen gleich dem Ähnlichkeitsschwellenwert ist oder darunter liegt, und die Zellen mit der größten Differenz werden ausgewählt, bis der Prozentsatz aller Zellen insgesamt größer als oder gleich dem Differenzschwellenwert ist. Wenn Nach Werten ausgewählt ist, zeigt die Ausgabe an, wo die absolute prozentuale Differenz gleich dem Ähnlichkeitsschwellenwert ist oder darunter liegt oder die prozentuale Differenz gleich dem Differenzschwellenwert ist oder darüber liegt.

Verwendung

Verwenden Sie diese Statistik, um zu vergleichen, wo sich die Modelle ähnlich sind und wo sie sich unterscheiden. Im Gegensatz zur vorherigen Statistik ("Ähnlich zwischen Modellen") wird bei dieser Statistik auch berücksichtigt, wo sich die Modelle unterscheiden. Auf diese Weise können Sie die räumlichen Beziehungen zwischen den übereinstimmenden und den nicht übereinstimmenden Modellen analysieren. Wenn die endgültigen Regionen für jedes der Modelle angezeigt werden, können Sie prüfen, wo die Modelle ähnlich sind und wo sie sich unterscheiden.

Formel

Die Formel für diese Statistik lautet wie folgt:

Con(PercentDifference <= Similarity_Threshold, 1, Con(PercentDifference > = Difference_Threshold, 2))

PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100

Wobei gilt:

Model 1: Name des Modells 1.
Model 2: Name des Modells 2.
Similarity_Threshold: Zellen mit Werten, die unterhalb des Ähnlichkeitsschwellenwertes liegen oder diesem entsprechen, werden in der Statistik ausgewählt. Die ausgewählten Zellen sind Positionen, an denen die Modelle als am ähnlichsten betrachtet werden.
Der Standardwert ist kleiner als oder gleich 10 % der gesamten Zellen im Untersuchungsgebiet mit der kleinsten absoluten prozentualen Differenz.
Da die Option Nach Prozentanteil der Zellen einen Prozentsatz der Gesamtzahl der Zellen darstellt, liegt der Bereich bei Auswahl dieser Option zwischen 1 und 100, und zwar unabhängig davon, ob die Option "Normalisiert" ausgewählt wird. Wenn Nach Werten ausgewählt ist, reicht der Bereich vom Minimal- bis zum Maximalwert der absoluten prozentualen Differenz zwischen den Eignungskarten, unabhängig davon, ob "Normalisiert" ausgewählt ist. Die beiden Bereiche können jedoch unterschiedlich sein.
Difference_Threshold: Zellen mit Werten, die oberhalb des Ähnlichkeitsschwellenwertes liegen oder diesem entsprechen, werden in der Statistik ausgewählt. Die ausgewählten Zellen sind Positionen, an denen die Modelle als am unterschiedlichsten betrachtet werden.
Der Standardwert ist größer als oder gleich 90 % der Zellen im Untersuchungsgebiet mit der größten absoluten prozentualen Differenz. Er stellt also die obersten 10 % der Zellen im Untersuchungsgebiet mit der größten absoluten Differenz dar.
Da die Option Nach Prozentanteil der Zellen einen Prozentsatz der Gesamtzahl der Zellen darstellt, liegt der Bereich bei Auswahl dieser Option zwischen 1 und 100, und zwar unabhängig davon, ob die Option "Normalisiert" ausgewählt wird. Wenn Nach Werten ausgewählt ist, reicht der Bereich vom Minimal- bis zum Maximalwert der absoluten prozentualen Differenz zwischen den Eignungskarten, unabhängig davon, ob "Normalisiert" ausgewählt ist. Die beiden Bereiche können jedoch unterschiedlich sein.

Cluster der Differenzen (Hot-Spot-Analyse)

Es folgt eine Beschreibung der Statistik "Cluster der Differenzen (Hot-Spot-Analyse)", wann sie zu verwenden ist, sowie die Formel für die Statistik.

Beschreibung

Diese Statistik ermittelt, ob die absoluten prozentualen Differenzen zwischen den Modellen geclustert sind.

Es wird die absolute prozentuale Differenz zwischen den Eignungskarten ermittelt. Die Werte für eine bestimmte Anzahl von Punkten werden aus dem Raster für die absolute prozentuale Differenz extrahiert. Die Hot-Spot-Analyse wird an diesen Punkten durchgeführt.

Die Cluster-Muster werden durch die absoluten prozentualen Differenzen zwischen den Modellen bestimmt. Die Ergebnis-Cluster zeigen große Differenzen (Hot-Spot) oder, wo die Differenzen gering sind, erkennen sie ähnliche Bereiche (Cold-Spot).

Die Analyse berücksichtigt die absolute prozentuale Differenz an jeder Position sowie die Werte der ermittelten Nachbarn.

Die Auflösung der als Ergebnis dargestellten gerasterten Layer entspricht der gröbsten Auflösung der Eignungskarten.

Verwendung

Diese Statistik kann in Verbindung mit der Statistik "Ähnlichkeit versus Unterschied" verwendet werden. Die Statistik zeigt nicht nur, wo sich die Modelle ähneln und wo sie sich unterscheiden. Sie berücksichtigt darüber hinaus nicht nur die Unterschiede an einer bestimmten Position, sondern auch die Unterschiede der umliegenden Positionen. Durch die Einbeziehung von Nachbarn in die Berechnungen wird der Umfang der Analyse vergrößert und es werden umfangreichere Muster aufgedeckt.

Formel

Die Formel für diese Statistik lautet wie folgt:

HotSpotAnalysis(PercentDifference, Conceptualization_of_Spatial_Relationships, Distance_Method, Distance_Band_or_Threshold_Distance_or_Number_of_Neighbors)

PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100

Wobei gilt:

Model 1: Name des Modells 1.
Model 2: Name des Modells 2.
Conceptualization_of_Spatial_Relationships: Ermittelt, wie räumliche Beziehungen zwischen den Punkten definiert werden. Die Standardeinstellung ist Festes Entfernungsband.
- Inverse Entfernung: Nahe gelegene benachbarte Punkte haben einen größeren Einfluss auf die Berechnungen für einen Zielpunkt als Punkte, die weiter weg liegen.
- Inverse Entfernung im Quadrat: Entspricht Inverse Entfernung, aber aufgrund einer stärkeren Neigung fällt der Einfluss schneller ab. Nur die Nachbarn in direkter Nähe eines Zielpunktes haben dann merklichen Einfluss auf die Berechnungen für diesen Punkt.
- Festes Entfernungsband: Jeder Punkt wird im Kontext benachbarter Punkte analysiert. Benachbarte Punkte innerhalb der angegebenen kritischen Entfernung (Entfernungsband oder Schwellenwertentfernung) erhalten eine Gewichtung von 1 und beeinflussen die Berechnungen für den Zielpunkt. Benachbarte Punkte außerhalb der kritischen Entfernung erhalten eine Gewichtung von 0 und haben keinen Einfluss auf die Berechnungen eines Zielpunktes.
- Indifferenzzone: Punkte innerhalb der angegebenen kritischen Entfernung (Entfernungsband oder Schwellenwertabstand) eines Zielpunktes erhalten eine Gewichtung von 1 und beeinflussen die Berechnungen für diesen Punkt. Sobald die kritische Entfernung überschritten wird, nimmt die Gewichtung (und somit der Einfluss eines benachbarten Punktes auf die Berechnung von Zielpunkten) mit der Entfernung ab.
- Nächste Nachbarn (K): Die nächstgelegenen k Punkte werden in die Analyse einbezogen; K ist dabei ein festgelegter numerischer Parameter.
Distance Method: Gibt an, wie Entfernungen von den einzelnen Punkten zu benachbarten Punkten berechnet werden. Der Standardwert lautet Euklidisch, wodurch sichergestellt wird, dass jeder Punkt mindestens einen Nachbarn hat.
- Euklidisch: Es wird die geradlinige Entfernung zwischen zwei Punkten (die als Luftlinie gemessene Entfernung) verwendet.
- Manhattan: Es wird die Entfernung zwischen zwei Punkten entlang von rechtwinkligen Achsen (Gebäudeblock) verwendet. Für die Berechnung werden die (absoluten) Differenzen zwischen den X- und Y-Koordinaten berechnet.
:Distance_Band_or_Threshold_Distance_or_Number_of_Neighbors: Der Parameter ändert sich je nachdem, welche Konzeptualisierung räumlicher Beziehungen ausgewählt wird.
Distance_Band_or_Threshold_Distance: Der Entfernungsgrenzwert für Optionen mit inverser Entfernung und Optionen mit fester Entfernung. Punkte außerhalb des angegebenen Grenzwerts für einen Zielpunkt werden in der Analyse für diesen Punkt ignoriert. Mit der Indifferenzzone wird jedoch der Einfluss von Punkten außerhalb der angegebenen Entfernung in Abhängigkeit der Entfernung reduziert, während die Features innerhalb des Entfernungsschwellenwerts gleichmäßig berücksichtigt werden. Der angegebene Entfernungswert sollte dem Ausgabekoordinatensystem entsprechen.
Konzeptualisierungen von räumlichen Beziehungen mit inverser Entfernung : Der Wert 0 gibt an, dass keine Schwellenwertentfernung angewendet wird. Wenn dieser Parameter leer gelassen wird, wird ein Standardschwellenwert berechnet und angewendet.
Number_of_Neighbors: Eine ganze Zahl, mit der die Anzahl der Nachbarn angegeben wird, die in die Analyse einbezogen werden. Die Standardeinstellung ist 8.
Percent Sampling: Ermittelt die Anzahl der dem Raster für absolute prozentuale Differenz entnommenen Punkte, abgeleitet aus den in der Hot-Spot-Analyse zu verwendenden Eignungskarten.
Die Anzahl der Punkte wird als Prozentsatz der Anzahl der Zellen in den Eignungskarten angegeben. Eignungskarten weisen im Allgemeinen eine hohe räumliche Autokorrelation auf. Die Verwendung von Punkten mit gleichem Abstand, die insgesamt 11 % der Anzahl der Zellen im Untersuchungsgebiet ausmachen (Standardeinstellung), führt häufig zur besten Resampling-Repräsentation der Eignungskarten.
Der Prozentwert bestimmt die Zellengröße für das Resampling durch proportionales Erhöhen der Zellengröße. Dieses Resampling reduziert die Anzahl der Raster-Zellen, die für die Hot-Spot-Analyse in Punkte umgewandelt werden. Der Standardwert von 11 % entspricht einer Zellengröße, die etwa dreimal so groß ist wie die gröbere Auflösung der Eignungskarten. Ein kleinerer Prozentsatz führt zu weniger, weit auseinanderliegenden Punkten, während ein größerer Prozentsatz mehr Punkte mit feineren räumlichen Details ergibt.
Die maximale Anzahl an Punkten, die für die Analyse verwendet wird, beträgt eine Million.

Eignungswerte analysieren

Es gibt vier Statistiken in der Funktionsgruppe Eignungswerte analysieren:

Modelle mit ähnlich hoher Eignung
Prozentuale Veränderung in hoher Eignung
Ähnliche und unterschiedliche Modelle mit hoher Eignung
Ähnliche Modelle mit geringer Eignung

Modelle mit ähnlich hoher Eignung

Es folgt eine Beschreibung der Statistik "Modelle mit ähnlich hoher Eignung", wann sie zu verwenden ist, sowie die Formel für die Statistik.

Beschreibung

Diese Statistik ermittelt Positionen, die zwischen den beiden Modellen ähnlich sind und eine hohe Eignung aufweisen.

Wenn Nach Prozentanteil der Zellen erkannt wird, werden die Zellen mit der kleinsten absoluten prozentualen Differenz ausgewählt, bis der prozentuale Gesamtanteil der Zellen unter dem Ähnlichkeitsschwellenwert liegt. Diese ausgewählten Zellen müssen außerdem einen mittleren Eignungswert aufweisen, der über dem niedrigsten Wert der endgültig ausgewählten Zellen liegt, um den festgelegten Prozentsatz für den hohen Eignungsschwellenwert zu erreichen.

Wenn Nach Werten ausgewählt ist, zeigt die Ergebniskarte die Mittelwerte der Eignungswerte, bei denen die absolute prozentuale Differenz zwischen den beiden Modellen gleich dem Ähnlichkeitsschwellenwert ist oder darunter liegt und der Mittelwert der Eignungswerte gleich dem hohen Eignungsschwellenwert ist oder diesen übersteigt.

Verwendung

Die höheren Eignungswerte sind im Allgemeinen die wichtigsten in einem Eignungsmodell. Diese Statistik zeigt Ihnen nicht nur, wo die Modelle ähnlich sind, sondern auch, wo sie ähnlich sind und eine hohe Eignung aufweisen. Verwenden Sie diese Statistik, um Ihren Interessenbereich bei der Vergleichsanalyse einzugrenzen. Wenn die endgültigen Regionen diesen Positionen zugeordnet sind, können Sie davon ausgehen, dass beide Modelle zu ähnlichen Ergebnissen führen.

Formel

Die Formel für diese Statistik lautet wie folgt:

Con((PercentDifference <= Similarity_Threshold) & (MeanSuitability >= High_Suitability_Threshold), MeanSuitability)

PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100

MeanSuitability = Mean(Model1, Model2)

Wobei gilt:

Model 1: Name des Modells 1.
Model 2: Name des Modells 2.
Similarity_Threshold: Zellen mit Werten, die unterhalb des Ähnlichkeitsschwellenwertes liegen oder diesem entsprechen, werden in der Statistik ausgewählt. Die ausgewählten Zellen sind Positionen, an denen die Modelle als am ähnlichsten betrachtet werden.
Der Standardwert ist kleiner als oder gleich 10 % der gesamten Zellen im Untersuchungsgebiet mit der kleinsten absoluten prozentualen Differenz.
Da die Option Nach Prozentanteil der Zellen einen Prozentsatz der Gesamtzahl der Zellen darstellt, liegt der Bereich bei Auswahl dieser Option zwischen 1 und 100, und zwar unabhängig davon, ob die Option "Normalisiert" ausgewählt wird. Wenn Nach Werten ausgewählt ist, reicht der Bereich vom Minimal- bis zum Maximalwert der absoluten prozentualen Differenz zwischen den Eignungskarten, unabhängig davon, ob "Normalisiert" ausgewählt ist. Die beiden Bereiche können jedoch unterschiedlich sein.
High_Suitability_ThresholdDer Eignungswert, oberhalb dessen Positionen als besonders geeignet betrachtet werden, oder die prozentuale Anzahl der Zellen im Untersuchungsgebiet mit der höchsten Eignung.
Der Standardwert schließt Zellen mit ein, die größer als oder gleich 90 % der Zellen im Untersuchungsgebiet mit den höchsten Eignungswerten sind, also die obersten 10 % der Zellen im Untersuchungsgebiet mit der höchsten mittleren Eignung.
Da die Option Nach Prozentanteil der Zellen einen Prozentsatz der Zellen darstellt, liegt der Bereich bei Auswahl dieser Option zwischen 1 und 100, und zwar unabhängig davon, ob die Option "Normalisiert" ausgewählt wird. Wenn Nach Werten ausgewählt ist und die Modelle normalisiert sind, reicht der Bereich vom Minimum und Maximum der Mittelwerte zwischen den beiden Eignungskarten, ungefähr von 1 bis 100, dem Bereich der normalisierten Eignungswerte. Bei nicht normalisierten Modellen entspricht der Bereich dem Bereich der Mittelwerte der beiden Eingabe-Eignungs-Modelle.

Prozentuale Veränderung in hoher Eignung

Es folgt eine Beschreibung der Statistik Prozentuale Veränderung in hoher Eignung, wann sie zu verwenden ist, sowie die Formel für die Statistik.

Beschreibung

Diese Statistik ermittelt, welches Modell an Positionen mit hoher Eignung den größten Beitrag leistet und welchen Umfang dieser hat.

Wenn Nach Prozentanteil der Zellen verwendet wird, werden die Zellen mit den höchsten mittleren Eignungswerten ausgewählt, bis der Prozentsatz der Gesamtanzahl der Zellen gleich dem Eignungsschwellenwert ist oder darüber liegt. Für diese Zellen wird die prozentuale Veränderung angezeigt. Wenn Nach Werten ausgewählt wird, zeigt die resultierende Karte die prozentuale Veränderung in Gebieten, in denen die Mittelwerte zwischen den beiden Eignungskarten höher als Schwellenwert für hohe Eignung sind oder darüber liegen.

Positive Werte weisen darauf hin, dass Modell 1 am meisten beiträgt, bei negativen Werten trägt Modell 2 am meisten bei. Je größer der positive Wert oder je kleiner der negative Wert, desto größer ist die Magnitude des Beitrags.

Verwendung

Diese Statistik kann die Statistik Modelle mit ähnlich hoher Eignung hervorheben. Diese Statistik zeigt nicht nur, wo sich die Positionen mit hoher Eignung ähneln, sondern auch, welches Modell den größten Beitrag leistet und welchen Umfang dieser hat. Diese Statistik kann nützlich sein, wenn Sie eine Gewichtung oder eine Transformation ändern, da Sie besser verstehen können, wie sich die Änderung räumlich auf die Ergebnisse auswirken wird.

Formel

Die Formel für diese Statistik lautet wie folgt:

Con((MeanSuitability >= High_Suitability_Threshold), (Model1 - Model2) / MeanSuitability * 100)

MeanSuitability = Mean(Model1, Model2)

Wobei gilt:

Model 1: Name des Modells 1.
Model 2: Name des Modells 2.
High_Suitability_ThresholdDer Eignungswert, oberhalb dessen Positionen als besonders geeignet betrachtet werden, oder die prozentuale Anzahl der Zellen im Untersuchungsgebiet mit der höchsten Eignung.
Der Standardwert schließt Zellen mit ein, die größer als oder gleich 90 % der Zellen im Untersuchungsgebiet mit den höchsten Eignungswerten sind, also die obersten 10 % der Zellen im Untersuchungsgebiet mit der höchsten mittleren Eignung.
Da die Option Nach Prozentanteil der Zellen einen Prozentsatz der Zellen darstellt, liegt der Bereich bei Auswahl dieser Option zwischen 1 und 100, und zwar unabhängig davon, ob die Option "Normalisiert" ausgewählt wird. Wenn Nach Werten ausgewählt ist und die Modelle normalisiert sind, reicht der Bereich vom Minimum und Maximum der Mittelwerte zwischen den beiden Eignungskarten, ungefähr von 1 bis 100, dem Bereich der normalisierten Eignungswerte. Bei nicht normalisierten Modellen entspricht der Bereich dem Bereich der Mittelwerte der beiden Eingabe-Eignungs-Modelle.

Hinweis:

Die Formel Prozentuale Veränderung unterscheidet sich geringfügig von der Option Prozentuale Veränderung in der Statistik "Differenz von Eignungswerten".

Änderung zwischen Modellen untersuchen

Es gibt zwei Statistiken in der Funktionsgruppe Änderung zwischen Modellen untersuchen:

Räumliche Zuordnung zwischen Eignungswerten
Änderung der Eignungswerte (Änderungserkennung)

Räumliche Zuordnung zwischen Eignungswerten

Es folgt eine Beschreibung der Statistik Räumliche Zuordnung zwischen Eignungswerten, wann sie zu verwenden ist, sowie die Formel für die Statistik.

Beschreibung

Diese Statistik ermittelt die Ähnlichkeiten zwischen den Eignungswerten für ein Gebiet und den Eignungswerten innerhalb einer definierten Nachbarschaft

Die Werte für eine bestimmte Anzahl von Punkten werden aus den beiden Eignungskarten extrahiert. Eine Analyse der bivariaten räumlichen Zuordnung wird an diesen Punkten durchgeführt. Die Auflösung der als Ergebnis dargestellten gerasterten Layer entspricht der gröbsten Auflösung der Eignungskarte.

Die räumliche Zuordnung zwischen den beiden Eignungskarten greift auf die Lee's L-Statistik zurück. Die Ausgabe ist in fünf Kategorien von räumlichen Zuordnungen unterteilt:

Die Kategorie "Hoch-Hoch" bedeutet, dass die Zelle zu mindestens 90 % als signifikant eingestuft wird. Der gewichtete Durchschnitt der Nachbarschaft beider Modelle wird als Bereich mit hoher Eignung betrachtet.•
Die Kategorie "Niedrig-Niedrig" bedeutet, dass die Zelle zu mindestens 90 % als signifikant eingestuft wird. Der gewichtete Durchschnitt der Nachbarschaft beider Modelle wird als Bereich mit niedriger Eignung betrachtet.
Die Kategorie "Niedrig-Hoch" bedeutet, dass die Zelle zu mindestens 90 % als signifikant eingestuft wird. Der gewichtete Durchschnitt der Nachbarschaft des ersten Modells wird als Bereich mit niedriger Eignung betrachtet, das zweite Modell dagegen als Bereich mit hoher Eignung.•
Die Kategorie "Hoch-Niedrig" bedeutet, dass die Zelle zu mindestens 90 % als signifikant eingestuft wird. Der gewichtete Durchschnitt der Nachbarschaft des ersten Modells wird als Bereich mit hoher Eignung betrachtet, das zweite Modell dagegen als Bereich mit niedriger Eignung.
"Nicht signifikant" bedeutet, dass die räumliche Korrelation zwischen den beiden Modellen nicht signifikant ist.

Verwendung

Diese Statistik ergänzt die Statistiken, die untersuchen, wo sich die Modelle ähneln und wo sie sich unterscheiden. Die Statistik liefert zusätzliche Einblicke, indem sie quantifiziert, ob die hohen Werte den hohen Werten zwischen den Modellen und die niedrigen Werte den niedrigen Werten zwischen den Modellen entsprechen. Wenn die hohen und niedrigen Werte übereinstimmen, bestehen kaum Bedenken. Positionen, an denen die Werte voneinander abweichen, also "Hoch-Niedrig" oder "Niedrig-Hoch", sind die Positionen, die eine zusätzliche Analyse erfordern.

Formel

Die Formel für diese Statistik lautet wie folgt:

BivariateSpatialAssociation(Model1, Model2, Neighborhood_Type, Distance_Band_or_Number_of_Neighbors)

Wobei gilt:

Model 1: Name des Modells 1.
Model 2: Name des Modells 2.
Neighborhood_Type: Gibt an, wie die Nachbarn der einzelnen Punkte bestimmt werden. Der Punkt wird immer in die Nachbarschaft aufgenommen, und alle Gewichtungen der Nachbarschaft werden normalisiert, damit sie in der Summe 1 ergeben.
- Festes Entfernungsband: Punkte innerhalb einer festgelegten kritischen Entfernung zu jedem Punkt werden als Nachbarn einbezogen. Dies ist die Standardeinstellung.
- Nächste Nachbarn (K): Die nächstgelegenen K Punkte werden als Nachbarn einbezogen.
Distance_Band_or_Number_of_Neighbors: Der Parameter ändert sich abhängig von dem gewählten Nachbarschaftstyp.
Distance_Band: Ermittelt den Entfernungsbereich, der zur Bestimmung der Nachbarn um den fokalen Punkt verwendet wird. Wenn kein Wert angegeben wird, wird als Entfernung die kürzeste Entfernung verwendet, sodass jeder Punkt mindestens einen weiteren Nachbarn in seiner Nachbarschaft hat.
Number_of_Neighbors: Ermittelt die Anzahl der Nachbarn um jeden Punkt, die als Nachbarn einbezogen werden. Der Wert enthält den Punkt selbst nicht. Wenn als Wert beispielsweise 6 angegeben wird, werden der Punkt und seine sechs nächsten Nachbarn (insgesamt sieben Punkte) verwendet. Die Standardeinstellung ist 8. Der Wert muss mindestens 2 sein.
Percent Sampling of Suitability Map: Ermittelt die Anzahl der dem Raster für absolute prozentuale Differenz entnommenen Punkte, abgeleitet aus den in der Analyse zu verwendenden Eignungskarten.
Die Anzahl der Punkte wird als Prozentsatz der Anzahl der Zellen in den Eignungskarten angegeben. Eignungskarten weisen im Allgemeinen eine hohe räumliche Autokorrelation auf. Die Verwendung von Punkten mit gleichem Abstand, die insgesamt 11 % der Anzahl der Zellen im Untersuchungsgebiet ausmachen (Standardeinstellung), führt häufig zur besten Resampling-Repräsentation der Eignungskarten.
Der Prozentwert bestimmt die Zellengröße für das Resampling durch proportionales Erhöhen der Zellengröße. Dieses Resampling reduziert die Anzahl der Raster-Zellen, die für die Analyse in Punkte umgewandelt werden. Der Standardwert von 11 % entspricht einer Zellengröße, die etwa dreimal so groß ist wie die gröbere Auflösung der Eignungskarten. Ein kleinerer Prozentsatz führt zu weniger, weit auseinanderliegenden Punkten, während ein größerer Prozentsatz mehr Punkte mit feineren räumlichen Details ergibt.
Die maximale Anzahl an Punkten, die für die Analyse verwendet wird, beträgt eine Million.

Änderung der Eignungswerte (Änderungserkennung)

Es folgt eine Beschreibung der Statistik "Änderung der Eignungswerte (Änderungserkennung)", wann sie zu verwenden ist, sowie die Formel für die Statistik.

Beschreibung

Diese Statistik ermittelt, wie sich die Eignungswerte von Modell 1 zu Modell 2 ändern.

Sie berechnet die Differenz der Eignungskategorien zwischen den beiden Eignungskarten. Um die Klassen für die Kategorien zu erstellen, werden die Eignungswerte in den Karten mit der Methode der gleichen Intervalle in eine bestimmte Anzahl von Klassen geteilt. Anhand der sich ergebenden Eignungsklassen ermittelt die Statistik für jede Position, ob sich die Eignungsklasse von Modell 1 zu Modell 2 ändert und, falls ja, in welche Klasse sie sich ändert.

Die Methode der gleichen Intervalle wird zur Erstellung der Klassen verwendet, um die relative Beziehung der Eignungswerte beizubehalten.

Verwendung

Verwenden Sie diese Statistik, um zu quantifizieren, wie sich die Eignungswerte von einem Modell zum anderen ändern. Diese Statistik ist ideal, um Was-wäre-wenn-Szenarien zu testen. In diesen Szenarien untersuchen Sie die Auswirkungen einer Änderung der Gewichtung zwischen untergeordneten Modellen oder Kriterien, der Transformationen von Kriterien oder variieren die Eingabekriterien. Mit dieser Statistik können Sie untersuchen, wie sich jede Änderung auf die Ausgabe auswirkt.

Formel

Die Formel für diese Statistik lautet wie folgt:

Combine([Reclass_model1, Reclass_model2])

Reclass_model1 = Slice( Model1, Number_of_Classes, slice_type="EQUAL_INTERVAL")

Reclass_model2 = Slice( Model2, Number_of_Classes, slice_type="EQUAL_INTERVAL")

Wobei gilt:

Model 1: Name des Modells 1.
Model 2: Name des Modells 2.
Number_of_Classes: Gibt Sie die Anzahl der Klassen an, in die die Eignungswerte reklassifiziert (gruppiert) werden sollen, um die Eignungskategorien zu erstellen. Die beiden Optionen sind 3 und 5. Der Standardwert ist 3.

Regions-Überlappungen prüfen

Es gibt zwei Statistiken in der Funktionsgruppe Regions-Überlappungen prüfen:

Regions-Überlappung
Regions-Überlappung in Eignungsebenen

Regions-Überlappung

Es folgt eine Beschreibung der Statistik Regions-Überlappung, wann sie zu verwenden ist, sowie die Formel für die Statistik.

Beschreibung

Diese Statistik ermittelt, wo die resultierenden Regionen überlappen und wo nicht.

Es gibt drei mögliche Bedingungen zum Definieren der Überlappung von Regionen zwischen den zwei Modellen:

Die Position befindet sich in einer Region, nur in Modell 1.
Die Position befindet sich in einer Region, nur in Modell 2.
Die Position befindet sich in einer Region, in Modell 1 und Modell 2.

Positionen in Regionen in Modell 1 und Modell 2 ermitteln, wo die Modelle übereinstimmen. In der Regel bedeutet ein höherer Grad an Überlappung eine größere Übereinstimmung zwischen den Modellen.

Verwendung

Diese Statistik zeigt, wo sich die endgültigen Regionen ähnlich sind und wo sie sich unterscheiden. Verwenden Sie diese Statistik immer dann, wenn endgültige Regionen ermittelt werden, um zu sehen, welche Positionen von beiden Modellen ausgewählt werden. Wenn es nur wenige Überlappungen zwischen den Regionen gibt, verändern die Änderungen der Modellparameter zwischen den Modellen das Ergebnis signifikant, was darauf hindeutet, dass die Modelle nicht austauschbar sind.

Formel

Die Formel für diese Statistik lautet wie folgt:

Konditionale Anweisungen, die die drei Szenarien im obigen Beschreibungsabschnitt ermitteln.

Wobei gilt:

Model 1: Name des Modells 1.
Model 2: Name des Modells 2.

Regions-Überlappung in Eignungsebenen

Es folgt eine Beschreibung der Statistik "Regions-Überlappung in Eignungsebenen", wann sie zu verwenden ist, sowie die Formel für die Statistik.

Beschreibung

Diese Statistik ermittelt, wo die resultierenden Regionen überlappen und wo nicht sowie die Eignungsebene für jede Position die zu einer Region gehört.

Es gibt neun mögliche Bedingungen zum Definieren der Überlappung von Regionen zwischen zwei Modellen:

Die Position befindet sich in einer Region, nur in Modell 1 und im hohen Eignungsbereich.
Die Position befindet sich in einer Region, nur in Modell 1 und im mittleren Eignungsbereich.
Die Position befindet sich in einer Region, nur in Modell 1 und im niedrigen Eignungsbereich.
Die Position befindet sich in einer Region, nur in Modell 2 und im hohen Eignungsbereich.
Die Position befindet sich in einer Region, nur in Modell 2 und im mittleren Eignungsbereich.
Die Position befindet sich in einer Region, nur in Modell 2 und im niedrigen Eignungsbereich.
Die Position befindet sich in einer Region, in Modell 1 und Modell 2 und im hohen Eignungsbereich.
Die Position befindet sich in einer Region, in Modell 1 und Modell 2 und im mittleren Eignungsbereich.
Die Position befindet sich in einer Region, in Modell 1 und Modell 2 und im niedrigen Eignungsbereich.

Wenn sich eine Position nur in Modell 1, nur in Modell 2 oder in Modell 1 und 2 befindet und im hohen Eignungsbereich liegt, ist dies normalerweise kein Grund zur Besorgnis, da die Position dennoch eine hohe Eignung aufweist.

Wenn sich Positionen nur in Modell 1, nur in Modell 2 oder in Modell 1 und 2 befinden und im mittleren oder niedrigen Eignungsbereich liegen, sollte dies weiter untersucht werden.

Verwendung

Diese Statistik bietet einen zusätzlichen Einblick in die Statistik "Regions-Überlappung" Verwenden Sie diese Statistik, wenn es nicht viele Überlappungen gibt. Diese Statistik zeigt nicht nur, wo die endgültigen Regionen zwischen den Modellen überlappen und wo nicht, sondern auch die Eignungswerte an den Positionen. Für Regionen, die nicht überlappen, aber in den Modellen eine hohe Eignung aufweisen, bestehen möglicherweise keine Bedenken.

Formel

Die Formel für diese Statistik lautet wie folgt:

Konditionale Anweisungen, die die neun Szenarien aus dem Beschreibungsabschnitt oben anhand der Parameter High_Suitability_Threshold und Medium_Suitability_Thresholds ermitteln

Wobei gilt:

Model 1: Name des Modells 1.
Model 2: Name des Modells 2.
High_Suitability_Threshold: Ermittelt Zellen, die als Zellen mit hohen Eignungswerten gelten.
Zellen mit Eignungswerten über oder gleich dem Schwellenwert geben die Positionen an, die als besonders geeignet betrachtet werden, oder die prozentuale Anzahl der Zellen im Untersuchungsgebiet mit der höchsten Eignung.
Für den Standardwert werden Zellen ausgewählt, die mittlere Eignungswerte aufweisen, die gleich oder größer als 90 % der Zellen im Untersuchungsgebiet sind, also die obersten 10 % der Zellen im Untersuchungsgebiet mit der höchsten mittleren Eignung.
Medium_Suitability Threshold: Ermittelt Zellen, die als Zellen mit mittleren Eignungswerten gelten.
Zellen mit Eignungswerten über oder gleich dem mittleren Eignungsschwellenwert und unter dem hohen Eignungsschwellenwert geben die Positionen an, die als von mittlerer Eignung gelten. Oder es wird dem Prozentsatz der Zellen, die nach Auswahl der Zellen mit hoher Eignung die nächsthöchsten Eignungswerte aufweisen, eine mittlere Eignung zugewiesen werden. Zellen mit Eignungswerten, die unter dem mittleren Eignungsschwellenwert liegen, wird eine niedrige Eignung zugewiesen.
Der Standardwert ist 80 %. Hierbei werden Zellen ausgewählt, die mittlere Eignungswerte aufweisen, die gleich oder größer als 80 %, jedoch kleiner als 90 % (der Standard für Hoher Eignungsschwellenwert) sind und somit insgesamt 10 % des Untersuchungsgebiets ausmachen.

Verfügbare vordefinierte Statistiken

Vergleichen von vordefinierten Statistiken

Statistiken "Eingabeparameter erkunden"

Parameter in Modellen

Beschreibung

Verwendung

Ähnlichkeiten und Unterschiede vergleichen

Differenz von Eignungswerten

Beschreibung

Verwendung

Formel

Ähnlich zwischen Modellen

Beschreibung

Verwendung

Formel

Ähnlichkeit versus Unterschiede

Beschreibung

Verwendung

Formel

Cluster der Differenzen (Hot-Spot-Analyse)

Beschreibung

Verwendung

Formel

Eignungswerte analysieren

Modelle mit ähnlich hoher Eignung

Beschreibung

Verwendung

Formel

Prozentuale Veränderung in hoher Eignung

Beschreibung

Verwendung

Formel

Hinweis:

Ähnliche und unterschiedliche Modelle mit hoher Eignung

Beschreibung

Verwendung

Formel

Ähnliche Modelle mit geringer Eignung

Beschreibung

Verwendung

Formel

Änderung zwischen Modellen untersuchen

Räumliche Zuordnung zwischen Eignungswerten

Beschreibung

Verwendung

Formel

Änderung der Eignungswerte (Änderungserkennung)

Beschreibung

Verwendung

Formel

Regions-Überlappungen prüfen

Regions-Überlappung

Beschreibung

Verwendung

Formel

Regions-Überlappung in Eignungsebenen

Beschreibung

Verwendung

Formel

Verwandte Themen

In diesem Thema