Vista general del conjunto de herramientas Modelado de relaciones espaciales

El conjunto de herramientas Modelado de relaciones espaciales contiene herramientas para explorar y cuantificar las relaciones de los datos.

Además de analizar patrones espaciales, el análisis SIG se puede utilizar para examinar o cuantificar las relaciones entre entidades. Utilice las herramientas de Modelado de relaciones espaciales para construir matrices de ponderaciones espaciales o modelar relaciones espaciales mediante varias técnicas de análisis, incluidas la regresión, enfoques basados en bosque y métodos de entropía máxima.

Herramienta	Descripción
Análisis de inferencia causal	Estima el efecto causal de una variable de exposición continua sobre una variable de resultado continua aproximándose a un experimento aleatorio y controlando las variables de confusión.
Análisis de colocación	Mide patrones locales de asociación espacial, o colocación, entre dos categorías de entidades de puntos con la estadística de cociente de colocación.
Regresión exploratoria	Evalúa todas las combinaciones posibles de variables explicativas candidatas de entrada, buscando los modelos de OLS que mejor expliquen la variable dependiente en el contexto de los criterios especificados por el usuario.
Clasificación y regresión basadas en bosques y aumentadas	Crea modelos y genera predicciones utilizando uno de los dos métodos de aprendizaje automático supervisado: una adaptación del algoritmo de bosque aleatorio desarrollado por Leo Breiman y Adele Cutler o el algoritmo Extreme Gradient Boosting (XGBoost) desarrollado por Tianqi Chen y Carlos Guestrin. Es posible realizar predicciones para ambas variables de categorías (clasificación) y variables continuas (regresión). Las variables explicativas pueden adoptar la forma de campos en la tabla de atributos de las entidades de entrenamiento, los datasets ráster y las entidades de distancia utilizadas para calcular valores de proximidad para su uso como variables adicionales. Además de la validación del rendimiento del modelo basándose en datos de entrenamiento, es posible realizar predicciones en las entidades o en un ráster de predicción.
Regresión lineal generalizada (GLR)	Realiza una regresión lineal generalizada (GLR) para generar predicciones o para modelar una variable dependiente en términos de su relación con un conjunto de variables explicativas. Esta herramienta se puede usar para ajustarse a modelos continuos (OLS), binarios (logísticos) y de recuento (Poisson).
Generar ponderaciones espaciales de red	Construye un archivo de matriz de ponderaciones espaciales (.swm) mediante un dataset de red, que define las relaciones espaciales en términos de la estructura de red subyacente.
Generar matriz de ponderaciones espaciales	Genera un archivo de matriz de ponderaciones espaciales (.swm) para representar las relaciones espaciales entre entidades en un dataset.
Regresión ponderada geográficamente (GWR)	Realiza una Regresión ponderada geográficamente (GWR), una forma local de regresión lineal que se utiliza para modelar las relaciones que varían espacialmente.
Relaciones bivariantes locales	Analiza las relaciones estadísticamente significativas de dos variables con entropía local. Cada entidad se clasifica en una de seis categorías en función del tipo de relación. La salida se puede utilizar para visualizar áreas con variables relacionadas y para explorar los cambios de su relación en el área de estudio.
Regresión ponderada geográficamente multiescala (MGWR)	Realiza una Regresión ponderada geográficamente multiescala (MGWR), que es una forma local de regresión lineal que modela las relaciones que varían espacialmente.
Mínimos cuadrados ordinarios (OLS)	Realiza una regresión lineal global de Mínimos cuadrados ordinarios (OLS) para generar una predicción o modelar una variable dependiente en términos de sus relaciones con un conjunto de variables explicativas.
Predecir con archivo de modelo de estadística espacial	Predice valores continuos o de categorías con un modelo de estadísticas espaciales entrenado (archivo .ssm).
Predicción de solo presencia	Modela la presencia de un fenómeno dadas las localizaciones de presencia conocidas y las variables explicativas utilizando un enfoque de máxima entropía (MaxEnt). La herramienta proporciona características de salida y rastreos que incluyen la probabilidad de presencia y pueden aplicarse a problemas en los que solo se conoce la presencia y no se conoce la ausencia.
Asociación espacial entre zonas	Mide el grado de asociación espacial entre dos regionalizaciones de la misma área de estudio, donde cada regionalización se compone de un conjunto de categorías, denominadas zonas. La asociación entre las regionalizaciones está determinada por la superposición del área entre las zonas de cada regionalización. La asociación es más alta cuando cada zona de una regionalización se correlaciona con una zona de la otra regionalización. Del mismo modo, la asociación espacial es más baja cuando las zonas de una regionalización tienen una gran superposición con muchas zonas diferentes de la otra regionalización. La salida principal de la herramienta es una medida global de asociación espacial entre las variables de categorías: un número único que va de 0 (sin correlación) a 1 (perfecta alineación espacial de zonas). Opcionalmente, esta asociación global se puede calcular y visualizar para zonas específicas de cualquier regionalización o para combinaciones específicas de zonas entre regionalizaciones.