Disponible con una licencia de Spatial Analyst.
El panel Comparación es el panel principal de la interfaz Comparación de modelos. Desde el panel, puede realizar las siguientes acciones:
- Ponga nombre al Modelo de comparación.
- Identifique los modelos de adecuación para comparar.
- Determine si los modelos deben normalizarse o no.
- Seleccione las estadísticas predefinidas que desea ejecutar.
Debe seleccionar al menos dos modelos.
En el panel Comparación, las estadísticas predefinidas se dividen en cinco grupos funcionales. Elija las estadísticas que desea ejecutar seleccionando la casilla de verificación situada junto a la estadística deseada dentro de un grupo funcional del panel.
Para ejecutar las estadísticas seleccionadas, haga clic en el botón Ejecutar del panel.
Una vez pulsado el botón Ejecutar, aparecerán el panel Explorar estadísticas y el panel Estadísticas de comparación mostrando la primera estadística de la lista. Para ver los resultados de cualquiera de las otras estadísticas que haya ejecutado, haga clic en la estadística en el panel Explorar estadísticas.
Para ejecutar estadísticas predefinidas adicionales, haga clic en la flecha hacia atrás situada en la parte superior izquierda del panel Explorar estadísticas. Si selecciona otra estadística para ejecutarla, el botón Explorar de la parte inferior derecha del panel Comparación se convierte en Ejecutar. Cuando vuelva a pulsar el botón Ejecutar, solo se ejecutarán las estadísticas adicionales que haya identificado y volverá a aparecer el panel Explorar estadísticas.
Si no desea añadir ninguna otra estadística y quiere volver al panel Explorar estadísticas para ver otras estadísticas que haya ejecutado, haga clic en el botón Explorar situado en la parte inferior derecha del panel Comparación.
Estadísticas predefinidas disponibles
Las estadísticas predefinidas son el quid de la interfaz Comparación de modelos. Se agrupan en cinco grupos funcionales:
- Explorar parámetros de entrada se utiliza para ver los parámetros de cada modelo de entrada.
- Comparar similitudes y diferencias le permite identificar en qué aspectos coinciden los modelos y en cuáles difieren.
- Analizar los valores de adecuación no solo le permite determinar en qué aspectos coinciden y difieren los modelos, sino también en qué áreas con valores de adecuación altos y bajos lo hacen.
- Investigar el cambio entre modelos sirve para analizar cómo cambian los valores de adecuación entre los modelos de entrada.
- Examinar dónde se solapan las regiones sirve para ver dónde se solapan las regiones de los modelos de entrada.
Comparar estadísticas predefinidas
Para ayudarle a seleccionar qué estadísticas ejecutar, las siguientes secciones cubren las distintas estadísticas en cada uno de los cinco grupos funcionales. Se identifica el grupo funcional seguido de las estadísticas que lo componen. La mayoría de las estadísticas se desglosan en tres secciones:
- Las secciones de descripción describen el funcionamiento general de la estadística.
- Las secciones Cuándo usar identifican los casos en los que puede ser conveniente aplicar la estadística.
- Las secciones de fórmulas proporcionan las matemáticas subyacentes de la estadística.
Explorar las estadísticas de los parámetros de entrada
El grupo funcional Explorar parámetros de entrada tiene una estadística.
Parámetros en los modelos
A continuación se describe la estadística Parámetros en los modelos y cuándo utilizarla.
Descripción
Esta estadística permite examinar las similitudes y diferencias entre los parámetros de entrada y los mapas resultantes. Puede ver los mapas de adecuación y localización, y comparar los gráficos de transformación de cada uno de los criterios de entrada.
Cuándo usar
Utilice esta estadística para conocer las composiciones de los modelos de entrada. Puede ver los criterios de cada modelo, cómo se transformaron y los mapas finales de adecuación y regiones. Esta estadística ofrece una vista general de los modelos para situar las demás estadísticas en su contexto. Esta estadística permite conocer los modelos de entrada.
Comparar similitudes y diferencias
Hay cuatro estadísticas en el grupo funcional Comparar similitudes y diferencias:
- Diferencia de valores de adecuación
- Similitudes entre modelos
- Similitudes y diferencias
- Clúster de diferencias (Análisis de puntos calientes)
Diferencia de valores de adecuación
A continuación se ofrece una descripción de la estadística Diferencia de valores de adecuación, cuándo utilizarla y su fórmula.
Descripción
Esta estadística identifica dónde son similares y dónde difieren los valores de adecuación entre los dos modelos. Hay dos opciones disponibles.
La opción Porcentaje de cambio calcula el porcentaje de cambio de los valores de adecuación del Modelo 1 al Modelo 2. Si el valor del Modelo 2 disminuye, el cambio porcentual será positivo. Si aumenta, el cambio porcentual será negativo. Los valores positivos mayores y los negativos menores indican la magnitud de la diferencia.
La opción Diferencia porcentual calcula el valor absoluto del cambio porcentual entre los valores de adecuación del Modelo 1 y el Modelo 2. Cuanto menor sea el valor, más similares serán los valores de adecuación entre los dos modelos.
Cuándo usar
Esta es una de las primeras estadísticas que debe aplicar para tener una idea inicial de en qué se parecen los modelos y en qué se diferencian. Esta estadística es aplicable a todas las aplicaciones de comparación de modelos, ya que proporciona los fundamentos a partir de los cuales se definen el resto de estadísticas.
Fórmula
La fórmula para esta estadística es la siguiente:
Percent Change:(Model1 - Model2) / Model1 * 100
Percent Difference: Abs(Model1 - Model2) / Mean(Model1, Model2) * 100
Dónde:
- Model 1: Nombre del Modelo 1.
- Model 2: Nombre del Modelo 2.
Similitudes entre modelos
A continuación encontrará una descripción de la estadística Similitudes entre modelos, cuándo utilizarla y su fórmula.
Descripción
Esta estadística identifica dónde son más similares los valores de adecuación entre los dos modelos.
Cuando se aplica Por porcentaje de celdas, se seleccionan las celdas con la menor diferencia porcentual absoluta hasta que el porcentaje del número total de celdas sea inferior o igual al umbral de similitud. Cuando se selecciona Por valor, las ubicaciones resultantes son aquellas donde la diferencia porcentual absoluta entre los dos modelos es menor o igual que el umbral de similitud.
Se muestran los valores de diferencia porcentual absoluta.
Cuándo usar
Esta estadística complementa la salida de la estadística Diferencia de valores de adecuación. Utilice esta estadística para analizar la distribución espacial de las ubicaciones más similares. En la mayoría de las aplicaciones, lo que nos interesa es que los modelos coincidan. Utilice la estadística si conoce los límites del número de celdas que necesita o un umbral específico que defina lo que constituye una similitud.
Fórmula
La fórmula para esta estadística es la siguiente:
Con(PercentDifference <= Similarity_Theshold, PercentDifference)
PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100
Dónde:
- Model 1: Nombre del Modelo 1.
- Model 2: Nombre del Modelo 2.
- Similarity_Threshold: en la estadística se seleccionarán las celdas con valores menores o iguales que el umbral. Las celdas seleccionadas son ubicaciones en las que los modelos se consideran más similares.
El valor predeterminado es menor o igual que el 10 % del total de las celdas en el área de estudio con la menor diferencia porcentual absoluta.
Cuando se selecciona Por porcentaje de celdas, puesto que representa un porcentaje del total de celdas, el rango será de 1 a 100 con independencia de si selecciona o no la opción normalizada. Cuando se selecciona Por valores, el rango será desde los valores mínimo y máximo de la diferencia porcentual absoluta entre los mapas de adecuación, independientemente de si se selecciona Normalizado o no. Sin embargo, los rangos podrían ser diferentes.
Las ubicaciones con los valores más bajos indican dónde los modelos son más similares.
Similitudes y diferencias
A continuación se ofrece una descripción de la estadística Similitud y diferencias, cuándo utilizarla y su fórmula.
Descripción
Esta estadística compara dónde son similares los modelos y dónde difieren.
Cuando se identifica Por porcentaje de celdas, se seleccionan las celdas con la menor diferencia porcentual absoluta hasta que el porcentaje del total de celdas sea menor o igual que el umbral de similitud, y se seleccionan las celdas con la mayor diferencia hasta que el porcentaje del total de celdas sea mayor o igual que el umbral de diferencia. Cuando se selecciona Por valor, la salida identifica dónde la diferencia porcentual absoluta es menor o igual que el umbral de similitud o la diferencia porcentual es mayor o igual que el umbral de diferencia.
Cuándo usar
Utilice esta estadística para ver en qué se parecen y en qué se diferencian los modelos. A diferencia de la estadística anterior (Similitudes entre modelos), con esta estadística también se incluye en qué se diferencian los modelos. Como resultado, puede analizar las relaciones espaciales de dónde coinciden y dónde difieren los modelos. Si se muestran las regiones finales de cada uno de los modelos, podrá examinar sus ubicaciones en relación con los puntos en los que los modelos son similares y en los que difieren.
Fórmula
La fórmula para esta estadística es la siguiente:
Con(PercentDifference <= Similarity_Threshold, 1, Con(PercentDifference > = Difference_Threshold, 2))
PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100
Dónde:
- Model 1: Nombre del Modelo 1
- Model 2: Nombre del Modelo 2
- Similarity_Threshold: en la estadística se seleccionarán las celdas con valores menores o iguales que el umbral. Las celdas seleccionadas son ubicaciones en las que los modelos se consideran más similares.
El valor predeterminado es menor o igual que el 10 % del total de las celdas en el área de estudio con la menor diferencia porcentual absoluta.
Cuando se selecciona Por porcentaje de celdas, puesto que representa un porcentaje del total de celdas, el rango será de 1 a 100 con independencia de si selecciona o no la opción normalizada. Cuando se selecciona Por valores, el rango será desde los valores mínimo y máximo de la diferencia porcentual absoluta entre los mapas de adecuación, independientemente de si se selecciona Normalizado o no. Sin embargo, los rangos podrían ser diferentes.
- Difference_Threshold: en la estadística se seleccionarán las celdas con valores mayores o iguales que el umbral. Las celdas seleccionadas son ubicaciones en las que los modelos se consideran más diferentes.
El valor predeterminado es mayor o igual que el 90 % de las celdas del área de estudio con la diferencia porcentual absoluta más grande, es decir, el 10 % superior de las celdas del área de estudio con la diferencia absoluta más alta.
Cuando se selecciona Por porcentaje de celdas, puesto que representa un porcentaje del total de celdas, el rango será de 1 a 100 con independencia de si selecciona o no la opción normalizada. Cuando se selecciona Por valores, el rango será desde los valores mínimo y máximo de la diferencia porcentual absoluta entre los mapas de adecuación, independientemente de si se selecciona Normalizado o no. Sin embargo, los rangos podrían ser diferentes.
Clúster de diferencias (Análisis de puntos calientes)
A continuación se ofrece una descripción de la estadística Clúster de diferencias (Análisis de puntos calientes), cuándo utilizarla y su fórmula.
Descripción
Esta estadística identifica si las diferencias porcentuales absolutas entre los modelos están agrupadas.
Se determina la diferencia porcentual absoluta entre los mapas de adecuación. Los valores de un número específico de puntos se extraen del ráster de diferencia porcentual absoluta. El análisis de puntos calientes se realiza en esos puntos.
Los patrones de clúster se determinan a partir de las diferencias porcentuales absolutas entre los modelos. Los clústeres resultantes muestran grandes diferencias (puntos calientes) o, cuando las diferencias son pequeñas, identifican áreas que son similares (puntos fríos).
El análisis tiene en cuenta la diferencia porcentual absoluta en cada ubicación, así como los valores de los vecinos identificados.
Los resultados se presentan como una capa rasterizada con la resolución más baja de los mapas de adecuación.
Cuándo usar
Esta estadística se puede utilizar junto con la estadística Similitud y diferencia. La estadística no solo identifica los puntos en los que los modelos son similares y diferentes, sino que incluye no solo la diferencia en una ubicación concreta, sino también las diferencias de las ubicaciones circundantes. Al incluir a los vecinos en los cálculos, se aumenta el alcance del análisis descubriendo patrones más amplios.
Fórmula
La fórmula para esta estadística es la siguiente:
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
Dónde:
- Model 1: Nombre del Modelo 1.
- Model 2: Nombre del Modelo 2.
- Conceptualization_of_Spatial_Relationships: identifica cómo se definirán las relaciones espaciales entre los puntos. El valor predeterminado es Banda de distancia fija.
- Distancia inversa: los puntos vecinos cercanos tendrán una mayor influencia en los cálculos de un punto de destino que los puntos que están lejos.
- Distancia inversa al cuadrado: es igual que la Distancia inversa, excepto que la pendiente es más pronunciada, por lo que la influencia disminuirá más rápidamente y solo los vecinos más cercanos al punto de destino ejercerán una influencia sustancial en los cálculos de ese punto.
- Banda de distancia fija: cada punto se analizará en el contexto de los puntos vecinos. Los puntos vecinos dentro de la distancia crítica especificada (Banda de distancia o Distancia umbral) recibirán una ponderación de 1 y ejercerán influencia en los cálculos del punto de destino. Los puntos vecinos fuera de la distancia crítica recibirán una ponderación de 0 y no tendrán influencia en los cálculos del punto de destino.
- Zona de indiferencia: los puntos dentro de la distancia crítica especificada (Banda de distancia o Distancia umbral) de un punto de destino recibirán una ponderación de 1 e influirán en los cálculos de ese punto. Una vez superada la distancia crítica, las ponderaciones (y la influencia que un punto vecino tiene en los cálculos del punto de destino) disminuirán con la distancia.
- K vecinos más cercanos: los puntos k más cercanos se incluirán en este análisis; k es un parámetro numérico especificado.
- Distance Method: especifica cómo se calcularán las distancias desde cada punto hasta los puntos vecinos. Este valor predeterminado es euclidiano, lo que garantiza que cada punto tenga como mínimo un vecino.
- Euclidiano: se utilizará la distancia en línea recta entre dos puntos.
- Manhattan: se utilizará la distancia entre dos puntos medida a lo largo de los ejes en ángulos rectos (manzana); se calcula al sumar la diferencia (absoluta) entre las coordenadas x e y.
- Distance_Band_or_Threshold_Distance_or_Number_of_Neighbors: el parámetro cambia en función a qué conceptualizaciones de relaciones espaciales se seleccione.
Distance_Band_or_Threshold_Distance: la distancia de valor límite correspondiente a las opciones de distancia inversa y distancia fija. Los puntos que se encuentren fuera del límite especificado para un punto de destino se ignorarán en el análisis de ese punto. Sin embargo, para la Zona de indiferencia, la influencia de los puntos que están fuera de la distancia dada se reducirá con la distancia, mientras que aquellas que están dentro del umbral de distancia se considerarán por igual. El valor de distancia proporcionado debe coincidir con el del sistema de coordenadas de salida.
Conceptualización de distancia inversa de las relaciones espaciales: un valor de 0 indica que no se aplicará ningún umbral de distancia. Cuando este parámetro se deja en blanco, se calcula y aplica un valor de umbral de forma predeterminada.
Number_of_Neighbors: un número entero que especifica el número de vecinos que se incluirá en el análisis. El valor predeterminado es 8.
- Percent Sampling: identifica el número de puntos que se tomarán del ráster de diferencia porcentual absoluta derivada de los mapas de adecuación que se utilizarán en el análisis de puntos calientes.
El número de puntos se especifica como un porcentaje del número de celdas en los mapas de adecuación. Por lo general, los mapas de adecuación presentan una alta autocorrelación espacial. El uso de puntos equidistantes que suman el 11 % del número de celdas en el área de estudio (valor predeterminado) suele dar como resultado la mejor representación remuestreada de los mapas de adecuación.
El valor porcentual determina el tamaño de celda de remuestreo aumentando proporcionalmente el tamaño de celda. Este remuestreo reduce el número de celdas ráster que se convertirán en puntos para el análisis de puntos calientes. El valor predeterminado del 11 % corresponde a un tamaño de celda aproximadamente tres veces mayor que la resolución más inexacta de los mapas de adecuación. Un porcentaje menor resulta en menos puntos más espaciados, mientras que un porcentaje más grande genera más puntos con detalles espaciales más precisos.
El número máximo de puntos que se utilizará en el análisis es de un millón.
Analizar los valores de adecuación
Hay cuatro estadísticas en el grupo funcional Analizar valores de adecuación:
- Modelos similares con alta adecuación
- Cambio porcentual de alta adecuación
- Modelos similares y diferentes con gran adecuación
- Modelos similares con baja adecuación
Modelos similares con alta adecuación
A continuación se ofrece una descripción de la estadística Modelos similares con alta adecuación, cuándo utilizarla y su fórmula.
Descripción
Esta estadística identifica ubicaciones similares entre los dos modelos y con una alta adecuación.
Cuando se utiliza el método Por porcentaje de celdas, se seleccionan las celdas con la diferencia porcentual absoluta más pequeña hasta que el porcentaje total sea igual o inferior al umbral de similitud. Estas celdas seleccionadas también deben tener un valor medio de adecuación superior al valor más bajo entre las celdas finales elegidas para cumplir con el porcentaje especificado para el umbral de alta adecuación.
Cuando se selecciona Por valor, el mapa resultante muestra los valores medios de adecuación en los que la diferencia porcentual absoluta entre los dos modelos es inferior o igual al umbral de similitud y el valor medio de adecuación es superior o igual al umbral de alta adecuación.
Cuándo usar
Los valores de adecuación más altos suelen ser los más importantes en un modelo de adecuación. Esta estadística no solo le muestra dónde son similares los modelos, sino que también identifica dónde son similares y tienen una alta adecuación. Utilice esta estadística para delimitar su área de interés en el análisis comparativo. Si las regiones finales se sitúan en estas ubicaciones, puede estar seguro de que los dos modelos producen resultados similares.
Fórmula
La fórmula para esta estadística es la siguiente:
Con((PercentDifference <= Similarity_Threshold) & (MeanSuitability >= High_Suitability_Threshold), MeanSuitability)
PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100
MeanSuitability = Mean(Model1, Model2)
Dónde:
- Model 1: Nombre del Modelo 1.
- Model 2: Nombre del Modelo 2.
- Similarity_Threshold: en la estadística se seleccionarán las celdas con valores menores o iguales que el umbral. Las celdas seleccionadas son ubicaciones en las que los modelos se consideran más similares.
El valor predeterminado es menor o igual que el 10 % del total de las celdas en el área de estudio con la menor diferencia porcentual absoluta.
Cuando se selecciona Por porcentaje de celdas, puesto que representa un porcentaje del total de celdas, el rango será de 1 a 100 con independencia de si selecciona o no la opción normalizada. Cuando se selecciona Por valores, el rango será desde los valores mínimo y máximo de la diferencia porcentual absoluta entre los mapas de adecuación, independientemente de si se selecciona Normalizado o no. Sin embargo, los rangos podrían ser diferentes.
- High_Suitability_Threshold: el valor de adecuación por encima del cual se considera que las ubicaciones tienen una alta adecuación o el porcentaje de celdas del área de estudio con la adecuación más alta.
El valor predeterminado incluye las celdas que son mayores o iguales que el 90 % de las celdas del área de estudio con los valores de adecuación más altos, es decir, el 10 % superior de las celdas del área de estudio con la media de adecuación más alta.
Cuando se selecciona Por porcentaje de celdas, puesto que representa un porcentaje de las celdas, el rango será de 1 a 100 con independencia de si selecciona o no la opción normalizada. Cuando se selecciona Por valores, si los modelos están normalizados, el rango será desde el mínimo y el máximo de los valores medios entre los dos mapas de adecuación, aproximadamente de 1 a 100, el rango de los valores de adecuación normalizados. Si los modelos no están normalizados, el rango será el rango de los valores promedio entre los dos modelos de adecuación de entrada.
Cambio porcentual de alta adecuación
A continuación se ofrece una descripción de la estadística Cambio porcentual de alta adecuación, cuándo utilizarla y su fórmula.
Descripción
Esta estadística identifica qué modelo contribuye más y en qué medida en las ubicaciones con alta adecuación.
Cuando se identifica Por porcentaje de celdas, se seleccionan las celdas con los valores medios de adecuación más altos hasta que el porcentaje total de celdas sea mayor o igual que umbral de adecuación alto. Se muestra el cambio porcentual para estas celdas. Cuando se selecciona Por valores, el mapa resultante muestra el porcentaje de cambio en las zonas en las que los valores medios entre los dos mapas de adecuación son superiores o iguales al umbral de adecuación alto.
Los valores positivos indican que el Modelo 1 es el que más contribuye y los negativos, que el Modelo 2 es el que más contribuye. Cuanto mayor sea el valor positivo o menor el valor negativo, mayor será la magnitud de la contribución.
Cuándo usar
Esta estadística puede acentuar la estadística Modelos similares con alta adecuación. Esta estadística no solo muestra dónde se encuentran las ubicaciones similares con alta adecuación, sino que también identifica qué modelo contribuye más y en qué medida. Esta estadística puede ser útil al cambiar una ponderación o una transformación, ya que puede comprender mejor cómo afectará espacialmente el cambio a los resultados.
Fórmula
La fórmula para esta estadística es la siguiente:
Con((MeanSuitability >= High_Suitability_Threshold), (Model1 - Model2) / MeanSuitability * 100)
MeanSuitability = Mean(Model1, Model2)
Dónde:
- Model 1: Nombre del Modelo 1.
- Model 2: Nombre del Modelo 2.
- High_Suitability_Threshold: el valor de adecuación por encima del cual se considera que las ubicaciones tienen una alta adecuación o el porcentaje de celdas del área de estudio con la adecuación más alta.
El valor predeterminado incluye las celdas que son mayores o iguales que el 90 % de las celdas del área de estudio con los valores de adecuación más altos, es decir, el 10 % superior de las celdas del área de estudio con la media de adecuación más alta.
Cuando se selecciona Por porcentaje de celdas, puesto que representa un porcentaje de las celdas, el rango será de 1 a 100 con independencia de si selecciona o no la opción normalizada. Cuando se selecciona Por valores, si los modelos están normalizados, el rango será desde el mínimo y el máximo de los valores medios entre los dos mapas de adecuación, aproximadamente de 1 a 100, el rango de los valores de adecuación normalizados. Si los modelos no están normalizados, el rango será el rango de los valores promedio entre los dos modelos de adecuación de entrada.
Nota:
La fórmula Porcentaje de cambio es ligeramente diferente a la opción de Porcentaje de cambio en la estadística Diferencia en los valores de adecuación.
Modelos similares y diferentes con gran adecuación
A continuación se ofrece una descripción de la estadística Modelos similares y diferentes con gran adecuación, cuándo utilizarla y su fórmula.
Descripción
Esta estadística identifica las ubicaciones que son similares y las que son diferentes entre los dos modelos y con una alta adecuación.
Cuando se identifica Por valores porcentuales, se seleccionan las celdas con los valores medios de adecuación más altos hasta que se alcanza el umbral de adecuación alto y tienen la menor diferencia porcentual absoluta hasta que el porcentaje del total de celdas es menor o igual que el umbral de similitud o las celdas con la mayor diferencia porcentual absoluta hasta que el porcentaje del total de celdas es mayor o igual que el umbral de diferencia.
Cuando se identifica Por valor, se seleccionan las celdas en las que la diferencia porcentual absoluta es inferior o igual al umbral de similitud, o la diferencia porcentual absoluta es superior o igual al umbral de diferencia, y la adecuación media entre los dos modelos es superior o igual al umbral de adecuación alto.
Cuándo usar
Esta estadística es similar a la de Similitud y diferencia, pero acota las zonas que también tienen una alta adecuación. Con esta estadística puede ver en qué se parecen y en qué se diferencian los modelos. Podrían ser preocupantes las ubicaciones de alta adecuación con una gran diferencia, ya que estas zonas muestran dónde discrepan mucho los modelos, y puede ser problemático si las regiones finales caen en ellas.
Fórmula
La fórmula para esta estadística es la siguiente:
Con((PercentDifference <= Similarity_Threshold) & (MeanSuitability >= High_Suitability_Threshold), 1, Con((PercentDifference >= Difference_Threshold) & (MeanSuitability >= High_Suitability_Threshold), 2))
PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100
MeanSuitability = Mean(Model1, Model2)
Dónde:
- Model 1: Nombre del Modelo 1.
- Model 2: Nombre del Modelo 2.
- Similarity_Threshold: en la estadística se seleccionarán las celdas con valores menores o iguales que el umbral. Las celdas seleccionadas son ubicaciones en las que los modelos se consideran más similares.
El valor predeterminado es menor o igual que el 10 % del total de las celdas en el área de estudio con la menor diferencia porcentual absoluta.
Cuando se selecciona Por porcentaje de celdas, puesto que representa un porcentaje del total de celdas, el rango será de 1 a 100 con independencia de si selecciona o no la opción normalizada. Cuando se selecciona Por valores, el rango será desde los valores mínimo y máximo de la diferencia porcentual absoluta entre los mapas de adecuación, independientemente de si se selecciona Normalizado o no. Sin embargo, los rangos podrían ser diferentes.
- Difference_Threshold: en la estadística se seleccionarán las celdas con valores mayores o iguales que el umbral. Las celdas seleccionadas son ubicaciones en las que los modelos se consideran más diferentes.
El valor predeterminado es mayor o igual que el 90 % de las celdas del área de estudio con la diferencia porcentual absoluta más grande, es decir, el 10 % superior de las celdas del área de estudio con la diferencia absoluta más alta.
Cuando se selecciona Por porcentaje de celdas, puesto que representa un porcentaje del total de celdas, el rango será de 1 a 100 con independencia de si selecciona o no la opción normalizada. Cuando se selecciona Por valores, el rango será desde los valores mínimo y máximo de la diferencia porcentual absoluta entre los mapas de adecuación, independientemente de si se selecciona Normalizado o no. Sin embargo, los rangos podrían ser diferentes.
- High_Suitability_Threshold: el valor de adecuación por encima del cual se considera que las ubicaciones tienen una alta adecuación o el porcentaje de celdas del área de estudio con la adecuación más alta.
El valor predeterminado incluye las celdas que son mayores o iguales que el 90 % de las celdas del área de estudio con los valores de adecuación más altos, es decir, el 10 % superior de las celdas del área de estudio con la media de adecuación más alta.
Cuando se selecciona Por porcentaje de celdas, puesto que representa un porcentaje de las celdas, el rango será de 1 a 100 con independencia de si selecciona o no la opción normalizada. Cuando se selecciona Por valores, si los modelos están normalizados, el rango será desde el mínimo y el máximo de los valores medios entre los dos mapas de adecuación, aproximadamente de 1 a 100, el rango de los valores de adecuación normalizados. Si los modelos no están normalizados, el rango será el rango de los valores promedio entre los dos modelos de adecuación de entrada.
Modelos similares con baja adecuación
A continuación se ofrece una descripción de la estadística Modelos similares con baja adecuación, cuándo utilizarla y su fórmula.
Descripción
Esta estadística identifica ubicaciones similares entre los dos modelos y con baja adecuación.
Cuando se identifica Por porcentaje de celdas, se seleccionan las celdas con la diferencia porcentual más pequeña hasta que el porcentaje del total de celdas sea inferior o igual al umbral de similitud y tengan los valores medios de adecuación más bajos hasta que se alcanza el umbral de baja adecuación. Cuando se selecciona Por valor, el mapa resultante muestra los valores medios de adecuación en los que la diferencia porcentual absoluta entre los dos modelos es inferior o igual al umbral de similitud y el valor medio de adecuación es inferior o igual al umbral de baja adecuación.
Cuándo usar
Esta estadística muestra si los modelos coinciden en la localización de las zonas de baja adecuación. Utilice esta estadística para confirmar que no solo los valores de adecuación altos coinciden entre los modelos, sino que también lo hacen los valores de adecuación bajos.
Fórmula
La fórmula para esta estadística es la siguiente:
Con((PercentDifference <= Similarity_Threshold) & (MeanSuitability <= Low_Suitability_Threshold), MeanSuitability)
Dónde:
- Model 1: Nombre del Modelo 1.
- Model 2: Nombre del Modelo 2.
- Similarity_Threshold: en la estadística se seleccionarán las celdas con valores menores o iguales que el umbral. Las celdas seleccionadas son ubicaciones en las que los modelos se consideran más similares.
El valor predeterminado es menor o igual que el 10 % del total de las celdas en el área de estudio con la menor diferencia porcentual absoluta.
Cuando se selecciona Por porcentaje de celdas, puesto que representa un porcentaje del total de celdas, el rango será de 1 a 100 con independencia de si selecciona o no la opción normalizada. Cuando se selecciona Por valores, el rango será desde los valores mínimo y máximo de la diferencia porcentual absoluta entre los mapas de adecuación, independientemente de si se selecciona Normalizado o no. Sin embargo, los rangos podrían ser diferentes.
- Low_Suitability_Threshold: el valor de adecuación por debajo del cual se considera que las ubicaciones tienen una adecuación baja o el porcentaje de celdas del área de estudio con la adecuación más baja.
Cuando se selecciona Por porcentaje de celdas, puesto que representa un porcentaje de las celdas, el rango será de 1 a 100 con independencia de si selecciona o no la opción normalizada. Cuando se selecciona Por valores, si los modelos están normalizados, el rango será desde el mínimo y el máximo de los valores medios entre los dos mapas de adecuación, aproximadamente de 1 a 100, el rango de los valores de adecuación normalizados. Si los modelos no están normalizados, el rango será el rango de los valores promedio entre los dos modelos de adecuación de entrada.
Investigar el cambio entre modelos
Hay dos estadísticas en el grupo funcional Investigar el cambio entre modelos:
- Asociación espacial entre valores de adecuación
- Modificación de los valores de aptitud (detección de cambios)
Asociación espacial entre valores de adecuación
A continuación se ofrece una descripción de la estadística Asociación espacial entre valores de adecuación, cuándo utilizarla y su fórmula.
Descripción
Esta estadística determina las similitudes entre los valores de adecuación para un área y dentro de un vecindario definido.
Los valores de un número específico de puntos se extraen de los dos mapas de adecuación. Se realiza un análisis de Asociación espacial bivariante en dichos puntos. Los resultados se presentan como una capa rasterizada a la resolución como el mapa de adecuación de resolución más gruesa
La asociación espacial entre los dos mapas de adecuación utiliza la estadística L de Lee. El resultado se divide en cinco categorías de asociación espacial:
- La categoría alta-alta significa que la celda es significativa al menos en un 90 %, la media ponderada del vecindario de ambos modelos se considera de alta adecuación.
- La categoría baja-baja significa que la celda es significativa al menos en un 90 %, la media ponderada del vecindario de ambos modelos se considera de baja adecuación.
- La categoría baja-alta significa que la celda es significativa al menos en un 90 %, la media ponderada del vecindario del primer modelo se considera de baja adecuación y el segundo modelo se considera de alta adecuación.
- La categoría alta-baja significa que la celda es significativa al menos en un 90 %, la media ponderada del vecindario del primer modelo se considera de alta adecuación y el segundo modelo se considera de baja adecuación.
- No significativa quiere decir que la correlación espacial entre los dos modelos no es significativa.
Cuándo usar
Esta estadística complementa las estadísticas que examinan en qué se parecen y en qué se diferencian los modelos. La estadística proporciona información adicional al cuantificar si los valores altos corresponden a valores altos entre los modelos y los valores bajos corresponden a valores bajos. Cuando los valores altos y bajos se alinean, hay poca preocupación. Las ubicaciones en las que los valores difieren, alto-bajo o bajo-alto, son las ubicaciones que requerirán un análisis adicional.
Fórmula
La fórmula para esta estadística es la siguiente:
BivariateSpatialAssociation(Model1, Model2, Neighborhood_Type, Distance_Band_or_Number_of_Neighbors)
Dónde:
- Model 1: Nombre del Modelo 1.
- Model 2: Nombre del Modelo 2.
- Neighborhood_Type: especifica cómo se determinarán los vecinos de cada punto. El punto siempre se incluye en el vecindario y todas las ponderaciones del vecindario se normalizan para que sumen 1.
- Banda de distancia fija: los puntos que se encuentren dentro de una distancia crítica especificada de cada punto se incluirán como vecinos. Esta es la opción predeterminada.
- K vecinos más cercanos: los puntos k más cercanos se incluirán como vecinos.
- Distance_Band_or_Number_of_Neighbors: el parámetro cambia en función de qué tipo de vecindario se selecciona.
Distance_Band: identifica la banda de distancia que se utilizará para determinar vecinos alrededor del punto focal. Si no se proporciona ningún valor, la distancia será la más corta, de manera que cada punto tenga al menos otro vecino en su vecindario.
Number_of_Neighbors: identifica el número de vecinos alrededor de cada punto que se incluirá como vecinos. El valor no incluye el punto. Especificar 6 vecinos, por ejemplo, limitará los grupos a las entidades que comparten al menos uno de los seis vecinos más cercanos a otras entidades del grupo. El valor predeterminado es 8. El valor debe ser al menos 2.
- Percent Sampling of Suitability Map: identifica el número de puntos que se tomarán del ráster de diferencia porcentual absoluta derivada de los mapas de adecuación que se utilizarán en el análisis.
El número de puntos se especifica como un porcentaje del número de celdas en los mapas de adecuación. Por lo general, los mapas de adecuación presentan una alta autocorrelación espacial. El uso de puntos equidistantes que suman el 11 % del número de celdas en el área de estudio (valor predeterminado) suele dar como resultado la mejor representación remuestreada de los mapas de adecuación.
El valor porcentual determina el tamaño de celda de remuestreo aumentando proporcionalmente el tamaño de celda. Este remuestreo reduce el número de celdas ráster que se convertirán en puntos para el análisis. El valor predeterminado del 11 % corresponde a un tamaño de celda aproximadamente tres veces mayor que la resolución más inexacta de los mapas de adecuación. Un porcentaje menor resulta en menos puntos más espaciados, mientras que un porcentaje más grande genera más puntos con detalles espaciales más precisos.
El número máximo de puntos que se utilizará en el análisis es de un millón.
Modificación de los valores de aptitud (detección de cambios)
A continuación se ofrece una descripción de la estadística Modificación de los valores de aptitud (detección de cambios), cuándo utilizarla y su fórmula.
Descripción
Esta estadística identifica cómo cambian los valores de adecuación del Modelo 1 al Modelo 2.
Calcula la diferencia en las categorías de adecuación entre los dos mapas de adecuación. Para crear las clases de las categorías, los valores de adecuación de los mapas se dividen en un número determinado de clases mediante el método del intervalo igual. A partir de las clases de adecuación resultantes, la estadística identifica para cada ubicación si la clase de adecuación cambia del Modelo 1 al Modelo 2 y, si la clase cambia, a qué clase ha cambiado.
El método de intervalo equivalente se utiliza para crear las clases con el fin de mantener la relación relativa entre los valores de adecuación.
Cuándo usar
Utilice esta estadística para cuantificar cómo cambian los valores de adecuación de un modelo a otro. Esta estadística es ideal para probar escenarios hipotéticos. En estos escenarios, está explorando los efectos de cambiar las ponderaciones entre submodelos o criterios, las transformaciones de los criterios, o variar los criterios de entrada. Con la estadística, puede examinar cómo cada cambio afecta al resultado.
Fórmula
La fórmula para esta estadística es la siguiente:
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")
Dónde:
- Model 1: Nombre del Modelo 1.
- Model 2: Nombre del Modelo 2.
- Number_of_Classes: el número de clases para reclasificar (agrupar) los valores de adecuación para crear las categorías de adecuación. Las dos opciones son 3 y 5. El valor predeterminado es 3.
Examinar dónde se solapan las regiones
Hay dos estadísticas en el grupo funcional Examinar dónde se solapan las regiones:
- Solapamiento de regiones
- Solapamiento de regiones en niveles de adecuación
Solapamiento de regiones
A continuación encontrará una descripción de la estadística Solapamiento de regiones, cuándo utilizarla y su fórmula.
Descripción
Esta estadística determina las áreas de solapamiento y no solapamiento entre las regiones resultantes.
Hay tres condiciones posibles que definen el solapamiento de las regiones entre los dos modelos:
- La ubicación está en una región y solo aparece en el Modelo 1.
- La ubicación está en una región y solo aparece en el Modelo 2.
- La ubicación está en una región y en el Modelo 1 y el Modelo 2.
Las ubicaciones en las regiones del Modelo 1 y del Modelo 2 identifican los puntos en los que los modelos coinciden. Por lo general, un mayor grado de solapamiento significa un mayor nivel de concordancia entre los modelos.
Cuándo usar
Esta estadística muestra en qué coinciden y en qué difieren las regiones finales. Utilice esta estadística cada vez que se identifiquen las regiones finales para ver qué ubicaciones seleccionan ambos modelos. Si hay poco solapamiento entre las regiones, los cambios en los parámetros del modelo entre los modelos alteran significativamente el resultado, lo que indica que los modelos no son intercambiables.
Fórmula
La fórmula para esta estadística es la siguiente:
Declaraciones condicionales que identifican los tres escenarios de la sección de descripción anterior.
Dónde:
- Model 1: Nombre del Modelo 1.
- Model 2: Nombre del Modelo 2.
Solapamiento de regiones en niveles de adecuación
A continuación se ofrece una descripción de la estadística Solapamiento de regiones en niveles de adecuación, cuándo utilizarla y su fórmula.
Descripción
Esta estadística identifica dónde se solapan las regiones resultantes y dónde no, así como el nivel de adecuación en el que se encuentra cada ubicación que pertenece a una región.
Hay nueve condiciones posibles que definen el solapamiento de las regiones entre dos modelos:
- La ubicación está en una región, solo en el Modelo 1, y es de alta adecuación.
- La ubicación está en una región, solo en el Modelo 1, y es de media adecuación.
- La ubicación está en una región, solo en el Modelo 1, y es de baja adecuación.
- La ubicación está en una región, solo en el Modelo 2, y es de alta adecuación.
- La ubicación está en una región, solo en el Modelo 2, y es de media adecuación.
- La ubicación está en una región, solo en el Modelo 2, y es de baja adecuación.
- La ubicación está en una región, en el Modelo 1 y en el Modelo 2, y es de alta adecuación.
- La ubicación está en una región, en el Modelo 1 y en el Modelo 2, y es de media adecuación.
- La ubicación está en una región, en el Modelo 1 y en el Modelo 2, y es de baja adecuación.
Si una ubicación está solo en el Modelo 1 o en el Modelo 2, o en los Modelos 1 y 2, y es de alta adecuación, por lo general hay poca preocupación por la ubicación, ya que sigue estando en alta adecuación.
Las ubicaciones en el Modelo 1 o el Modelo 2 solamente, o en el Modelo 1 y el Modelo 2, y que se sitúan en una adecuación media o baja deben investigarse más a fondo.
Cuándo usar
Esta estadística proporciona información adicional sobre la estadística Solapamiento de regiones. Utilice esta estadística si no hay mucho solapamiento. Esta estadística no solo identifica dónde se solapan las regiones finales entre los modelos y dónde no, sino que también identifica los valores de adecuación en las ubicaciones. Las regiones que no se solapan, pero que presentan una alta adecuación en los modelos pueden no ser motivo de preocupación.
Fórmula
La fórmula para esta estadística es la siguiente:
Declaraciones condicionales que identifican los nueve escenarios de la sección de descripción anterior mediante los parámetros High_Suitability_Threshold y Medium_Suitability_Thresholds.
Dónde:
- Model 1: Nombre del Modelo 1.
- Model 2: Nombre del Modelo 2.
- High_Suitability_Threshold: identifica las celdas que se consideran como que tienen valores de adecuación altos.
Las celdas con valores de adecuación superiores o iguales que el umbral indican que se considera que las ubicaciones tienen una alta adecuación o el porcentaje de celdas del área de estudio con la adecuación más alta.
De forma predeterminada se seleccionan las celdas que tienen valores medios de adecuación iguales o superiores al 90 % de las celdas del área de estudio, es decir, el 10 % superior de las celdas del área de estudio con la media de adecuación más alta.
- Medium_Suitability Threshold: identifica las celdas que se consideran como que tienen valores de adecuación medios.
Las celdas con valores de adecuación superiores o iguales al umbral de adecuación media y por debajo del umbral de adecuación alta indican ubicaciones consideradas de adecuación media. O bien, al porcentaje de celdas que tienen los siguientes valores de adecuación más altos después de seleccionar las celdas de alta adecuación se asigna adecuación media. A las celdas con valores de adecuación inferiores al umbral de adecuación media se les asigna una adecuación baja.
El valor predeterminado es 80 %, lo que selecciona las celdas que tienen valores medios de adecuación iguales o superiores al 80 % pero inferiores al 90 % (el valor predeterminado del Umbral de adecuación alta), que en conjunto representan el 10 % del área de estudio.