Comparar conceptualizaciones de vecindades (Estadística espacial)—ArcGIS Pro

Resumen

Selecciona la matriz de ponderaciones espaciales (SWM) de un conjunto de SWM candidatas que mejor representa los patrones espaciales (como tendencias o clústeres) de uno o varios campos numéricos.

El archivo de matriz de ponderaciones espaciales de salida puede utilizarse entonces en herramientas que admiten archivos .swm para los valores de los parámetros Tipo de vecindad o Conceptualización de relaciones espaciales, por ejemplo, las herramientas Asociación espacial bivariante (L de Lee), Análisis de puntos calientes (Gi* de Getis-Ord) y Análisis de cluster y de valor atípico (I Anselin local de Moran).

La herramienta selecciona la SWM creando componentes espaciales (llamados eigenvectores de Moran) a partir de cada SWM candidata y comprobando la eficacia con la que los componentes representan los patrones espaciales de los campos de entrada.

Más información sobre los eigenvectores de Moran

Ilustración

Uso

El propósito de la herramienta es sugerir un tipo de vecindad y un esquema de ponderación (a veces denominado conceptualización de las relaciones espaciales) que representen mejor los patrones espaciales de los campos de entrada, probando qué ponderación espacial produce componentes espaciales que puedan predecir con mayor precisión los valores de los campos de entrada. El razonamiento consiste en que cada componente espacial tiene un patrón espacial, y los componentes que pueden predecir con mayor precisión los campos de entrada son los que tienen los patrones más similares a los campos de entrada. Sin embargo, esta SWM sugerido no pretende sustituir el conocimiento individual o experto de los datos y sus procesos. Hay que tener en cuenta muchas consideraciones a la hora de elegir una SWM para un análisis, y esta herramienta solo utiliza la capacidad de predicción de los componentes espaciales de los campos de entrada para determinar la SWM sugerida. En algunos casos, como con la herramienta Análisis de puntos calientes (Gi* deGetis-Ord), existen metodologías alternativas para elegir una SWM, como utilizar la banda de distancia que maximice la autocorrelación espacial de los datos (así es como la herramienta Análisis de puntos calientes optimizado determina sus vecinos y pesos). Se recomienda probar metodologías alternativas para las vecindades y las ponderaciones espaciales y utilizar el método que mejor se ajuste a los objetivos del análisis.
Proporcione todos los campos al parámetro Campos de entrada que utilizará en cualquier análisis posterior con el archivo .swm de salida. Por ejemplo, la herramienta Análisis de puntos calientes (Gi* de Getis-Ord) solo requiere un campo, pero la herramienta Asociación espacial bivariante (L de Lee) requiere dos campos. Puede proporcionar el archivo .swm de salida en el parámetro Archivo de matriz de ponderaciones tras especificar la opción Obtener ponderaciones espaciales a partir del archivo para el parámetro Tipo de vecindad o Conceptualización de relaciones espaciales de las herramientas de análisis posteriores.
La herramienta pondrá a prueba las siguientes SWM:
- Cinco bandas de distancia, cada una con kernel no ponderados, gaussianos y bicuadrados (15 en total). La banda de distancia más corta es la distancia que da como resultado al menos un vecino para cada entidad. La banda de distancia más larga es el 20 por ciento de la extensión diagonal de las entidades de entrada. Las otras tres bandas de distancia se crean incrementando uniformemente entre las bandas de distancia más corta y más larga. En el caso de las entidades poligonales, se utiliza la distancia entre centroides para determinar las distancias y los vecinos.
- Cuatro números diferentes de vecinos (8, 16, 32 y 64), cada uno con kernel no ponderados, gaussianos y bicuadrados (12 en total). Los anchos de banda serán adaptativos e iguales a la distancia al (K+1)^º vecino, para K vecinos. Si hay menos de K entidades de entrada, se omitirá un número mayor de vecinos. Por ejemplo, si hay 50 entidades de entrada, se omitirán las tres SWM que utilicen 64 vecinos más cercanos. En el caso de las entidades poligonales, se utiliza la distancia entre centroides para determinar las distancias y los vecinos.
- Para las entidades de punto, la SWM final es un vecindad de triangulación de Delaunay. Para las entidades poligonales, la SWM final es una vecindad de contigüidad (bordes y esquinas).
Consulte Cómo funciona Estadísticas de resumen de vecindad y Modelado de relaciones espaciales para obtener más información sobre cada vecindad y la ponderación de kernel.
Los mensajes de geoprocesamiento incluyen la tabla Historial de búsqueda de vecindad que muestra los detalles de cada SWM probada (como el número de vecinos y el esquema de ponderaciones) y el valor R cuadrado ajustado de la SWM cuando se utiliza para predecir los campos de entrada. La SWM sugerida por la herramienta será la que tenga el mayor R cuadrado ajustado y aparecerá en negrita e incluirá un asterisco en la tabla.
La herramienta determina la SWM sugerida mediante el siguiente procedimiento:
1. Para cada SWM, se generan los eigenvectores de Moran con los mayores eigenvectores (los de mayor autocorrelación). El número de eigenvectores es igual al 25 por ciento del número de entidades, hasta un máximo de 100.
2. Se filtran todos los eigenvectores que tengan valores I de Moran negativos (lo que significa que están autocorrelacionados negativamente).
3. Cada campo de entrada se predice individualmente utilizando los eigenvectores como variables explicativas en un modelo de regresión por mínimos cuadrados ordinario.
4. Se suman la suma total de cuadrados y la suma residual de cuadrados de todos los campos y se calcula un valor R cuadrado ajustado y combinado.
5. Se devuelve la SWM con el valor R cuadrado ajustado más alto.
Este procedimiento se describe detalladamente en la siguiente referencia:
- Bauman, David, Thomas Drouet, Marie-Josée Fortin y Stéphane Dray. 2018. "Optimizing the choice of a spatial weighting matrix in eigenvector-based methods." Ecology 99, no. 10: 2159-2166. https://doi.org/10.1002/ecy.2469.

Parámetros

Etiqueta	Explicación	Tipo de datos
Entidades de entrada	Las entidades de entrada que contienen los campos que se utilizarán para seleccionar la SWM.	Feature Layer
Campos de entrada	Los campos de entrada que se utilizarán para seleccionar la SWM.	Field
Matriz de ponderaciones espaciales de salida	El archivo .swm de salida de los vecinos y pesos seleccionados por la herramienta.	File
Campo de Id. único	El campo de Id. único del archivo .swm de salida. El campo debe ser un entero y debe tener un valor único para cada entidad de entrada.	Field

arcpy.stats.CompareNeighborhoodConceptualizations(in_features, input_fields, out_swm, id_field)

Nombre	Explicación	Tipo de datos
in_features	Las entidades de entrada que contienen los campos que se utilizarán para seleccionar la SWM.	Feature Layer
input_fields [input_fields,...]	Los campos de entrada que se utilizarán para seleccionar la SWM.	Field
out_swm	El archivo .swm de salida de los vecinos y pesos seleccionados por la herramienta.	File
id_field	El campo de Id. único del archivo .swm de salida. El campo debe ser un entero y debe tener un valor único para cada entidad de entrada.	Field

Muestra de código

Ejemplo 1 de CompareNeighborhoodConceptualizations (ventana de Python)

El siguiente script de la ventana de Python muestra cómo utilizar la función CompareNeighborhoodConceptualizations:

# Select the spatial weights matrix (SWM) that best describes the 
# spatial patterns of POP_SQMI.

arcpy.env.workspace = r"c:\data\project_data.gdb"

arcpy.stats.CompareNeighborhoodConceptualizations(
    in_features="states",
    input_fields="POP_SQMI",
    out_swm=r"c:\data\states.swm",
    id_field="unique_id_field"
)

Ejemplo 2 de CompareNeighborhoodConceptualizations example (script independiente)

El siguiente script independiente muestra cómo utilizar la función CompareNeighborhoodConceptualizations:

# Select the spatial weights matrix (SWM) that best describes 
# the spatial patterns of two analysis field. 

import arcpy

# Set the current workspace.
arcpy.env.workspace = r"c:\data\project_data.gdb"

# Run the tool.
arcpy.stats.CompareNeighborhoodConceptualizations(
    in_features="myFeatureClass",
    input_fields="myAnalysisField1;myAnalysis Field2",
    out_swm=r"myOutputSWM.swm",
    id_field="myUniqueIDField"
)

# Print the tool messages.
print(arcpy.GetMessages())

Entornos

Esta herramienta no utiliza ningún entorno de geoprocesamiento.

Información de licenciamiento

Basic: Sí
Standard: Sí
Advanced: Sí

Temas relacionados

¿Algún comentario sobre este tema?