| Etiqueta | Explicación | Tipo de datos |
Entidades de entrada | Las entidades de entrada que contienen el campo que se filtrará espacialmente. | Feature Layer |
Campo de entrada | El campo de entrada que se filtrará espacialmente. | Field |
Entidades de salida | Las entidades de salida que contienen un campo del campo de entrada filtrado espacialmente y campos de los componentes espaciales utilizados para filtrarlo. | Feature Class |
Incorporar todos los campos de las entidades de entrada (Opcional) | Especifica si todos los campos se copiarán de las entidades de entrada a la clase de entidad de salida.
| Boolean |
Archivos de matriz de ponderaciones espaciales de entrada (Opcional) | Una lista de archivos SWM de entrada (.swm) que se utilizarán como candidatas para la SWM que se utilizará para filtrar la autocorrelación espacial del campo de entrada. Se utilizará la SWM que filtre más eficazmente la autocorrelación espacial. Si no se proporcionan archivos, la herramienta probará 28 vecindarios diferentes. | File |
Archivo de matriz de ponderaciones espaciales de salida (Opcional) | El archivo SWM (.swm) de salida de los vecinos y pesos seleccionados por la herramienta. | File |
Campo de Id. único (Opcional) | 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 |
Comparar solo matrices de ponderaciones espaciales de entrada (Opcional) | Especifica si solo se probarán los archivos .swm proporcionados en el parámetro Archivos de matriz de ponderaciones espaciales de entrada o si también se probarán 28 vecindarios adicionales. La herramienta usará la SWM que crea componentes espaciales que predicen con mayor precisión los valores de los campos de entrada. Este parámetro solo se aplica si se proporciona al menos un archivo .swm de entrada.
| Boolean |
Resumen
Crea una versión filtrada espacialmente de un campo de entrada. La variable filtrada no tendrá un clustering espacial estadísticamente significativo, pero mantendrá las propiedades estadísticas fundamentales del campo. La versión filtrada espacialmente del campo puede utilizarse entonces en flujos de trabajo analíticos (como análisis de correlación o regresión) que asumen que los valores en cada ubicación son espacialmente independientes (no están agrupados espacialmente).
La herramienta filtra la autocorrelación espacial dividiendo el campo en un componente no espacial (el campo filtrado) y un conjunto de componentes espaciales (denominados eigenvectores de Moran). Cuando el campo de entrada es un campo de residuales o residuales estandarizados de un modelo de predicción o regresión, incluir los componentes espaciales como variables explicativas en el modelo (además de las variables explicativas originales) reducirá o eliminará la autocorrelación espacial del término residual, que es un supuesto de varios modelos de predicción.
Ilustración
Uso
La clase de entidad de salida contendrá un campo de la variable de entrada filtrada espacialmente junto con campos de los componentes espaciales utilizados para filtrarla. Cuando se ejecuta en un mapa activo, la capa de entidades de salida se dibujará en función del campo de entrada filtrado espacialmente.
Los mensajes de geoprocesamiento incluyen las tablas siguientes que resumen la selección de componentes espaciales utilizados para filtrar espacialmente el campo de entrada:
- Historial de búsqueda de vecindad: para cada una de las matrices de ponderaciones espaciales (SWM) que se probaron, se muestran los detalles de la SWM (como el número de vecinos y el esquema de ponderación), el valor p de la I de Moran para la variable de entrada original, el valor I de Moran y el valor p de la variable de entrada filtrada espacialmente y el número de componentes que fueron necesarios para eliminar la autocorrelación espacial. La SWM que se seleccionó para filtrar el campo de entrada se indica con texto en negrita y un asterisco.
- Historial de búsqueda de componentes espaciales: para la SWM seleccionada, se muestra el valor de Id. de cada componente (por ejemplo, Id. 4 significa que era el cuarto componente espacial), el valor I de Moran del componente y el valor I de Moran y el valor p de la variable de entrada filtrada espacialmente. Las filas se encuentran según el orden de los componentes seleccionados, por lo que el valor p aumentará en cada fila hasta que supere 0,05 (no significativo estadísticamente).
Para seleccionar la SWM que se utilizará para filtrar la autocorrelación espacial del campo de entrada, la herramienta genera una lista de SWM candidatas y comprueba cuál elimina más eficazmente la autocorrelación. Si no se proporcionan SWM en el parámetro Archivos de matriz de ponderaciones espaciales de entrada, se crearán 28 SWM y se incluirán en la lista de candidatas (consulte Comprensión de los autovectores de Moran para ver las descripciones de cada SWM). Si se proporcionan SWM de entrada, puede utilizar el parámetro Comparar solo matrices de ponderaciones espaciales de entrada para especificar si la lista de candidatas solo incluye las SWM proporcionadas o bien incluye las SWM proporcionadas y las 28 SWM creadas por la herramienta. Por ejemplo, para utilizar una única SWM especificada, proporcione la SWM en el parámetro Archivos de matriz de ponderaciones espaciales de entrada y deje marcado el parámetro Comparar solo matrices de ponderaciones espaciales de entrada.
La herramienta selecciona entre las SWM candidatas utilizando el siguiente procedimiento:
- Para cada SWM, se comprueba si el campo de entrada presenta una autocorrelación espacial estadísticamente significativa mediante una prueba de permutación de la I de Moran. Cualquier SWM que no sea estadísticamente significativa se elimina de la lista de candidatos. Si la autocorrelación espacial no es estadísticamente significativa (el valor p es superior a 0,05) para todas las SWM, la herramienta fallará y el campo de entrada no se filtrará espacialmente. Indica que el campo no está correlacionado espacialmente y no es necesario filtrarlo. Los valores p de las pruebas se ajustan mediante una corrección de Šidák para tener en cuenta el número de SWM analizadas.
- Para cada SWM candidata restante, los componentes espaciales se agregan secuencialmente y se utilizan como variables explicativas para predecir el campo de entrada. Para cada nuevo componente espacial, se comprueba la autocorrelación espacial del término residual para determinar su significación estadística, y cada SWM deja de agregar componentes cuando la autocorrelación de los residuales deja de ser estadísticamente significativa (el valor p es superior a 0,05). Cada nuevo componente se selecciona en función del mayor aumento del valor p de la autocorrelación del término residual (que indica la menor autocorrelación espacial).
- Se selecciona la SWM que requiera el menor número de componentes para producir residuales que no estén significativamente autocorrelacionados. Si hay empates en el menor número de componentes, se selecciona el que tenga el mayor valor p.
- Los componentes y residuales seleccionados se devuelven como campos de la clase de entidad de salida. Los residuales son la versión filtrada espacialmente del campo de entrada.
Este procedimiento se denomina método de selección MIR (Minimizar la autocorrelación en los residuales) y se describe detalladamente en la siguiente referencia:
Griffith, Daniel A. y Pedro R. Peres-Neto. 2006. "Spatial modeling in ecology: the flexibility of eigenfunction spatial analyses." Ecology 87, núm. 10: 2603-2613. https://doi.org/10.1890/0012-9658(2006)87[2603:SMIETF]2.0.CO;2.
Parámetros
arcpy.stats.FilterSpatialAutocorrelationFromField(in_features, input_field, out_features, {append_all_fields}, {in_swm}, {out_swm}, {id_field}, {compare_only_inputs})| Nombre | Explicación | Tipo de datos |
in_features | Las entidades de entrada que contienen el campo que se filtrará espacialmente. | Feature Layer |
input_field | El campo de entrada que se filtrará espacialmente. | Field |
out_features | Las entidades de salida que contienen un campo del campo de entrada filtrado espacialmente y campos de los componentes espaciales utilizados para filtrarlo. | Feature Class |
append_all_fields (Opcional) | Especifica si todos los campos se copiarán de las entidades de entrada a la clase de entidad de salida.
| Boolean |
in_swm [in_swm,...] (Opcional) | Una lista de archivos SWM de entrada (.swm) que se utilizarán como candidatas para la SWM que se utilizará para filtrar la autocorrelación espacial del campo de entrada. Se utilizará la SWM que filtre más eficazmente la autocorrelación espacial. Si no se proporcionan archivos, la herramienta probará 28 vecindarios diferentes. | File |
out_swm (Opcional) | El archivo SWM (.swm) de salida de los vecinos y pesos seleccionados por la herramienta. | File |
id_field (Opcional) | 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 |
compare_only_inputs (Opcional) | Especifica si solo se probarán los archivos .swm proporcionados en el parámetro in_swm o si también se probarán 28 vecindarios adicionales. La herramienta usará la SWM que crea componentes espaciales que predicen con mayor precisión los valores de los campos de entrada. Este parámetro solo se aplica si se proporciona al menos un archivo .swm de entrada.
| Boolean |
Muestra de código
El siguiente script de la ventana de Python muestra cómo utilizar la función FilterSpatialAutocorrelationFromField.
# Filter spatial autocorrelation from a field.
arcpy.env.workspace = r"c:\data\project_data.gdb"
arcpy.stats.FilterSpatialAutocorrelationFromField(
in_features="myFeatureClass",
input_field="myAnalysisField",
out_features=r"myOutputFeatureClass",
append_all_fields="ALL",
in_swm=None,
out_swm=None,
id_field=None
)El siguiente script independiente muestra cómo utilizar la función FilterSpatialAutocorrelationFromField.
# Run Generalized Linear Regression, then filter spatial autocorrelation from residuals.
import arcpy
# Set the current workspace
arcpy.env.workspace = r"c:\data\project_data.gdb"
# Run the regression tool.
arcpy.stats.GeneralizedLinearRegression(
in_features=r"myFeatureClass",
dependent_variable="myDependentField",
model_type="CONTINUOUS",
output_features=r"myOutputFeatureClass",
explanatory_variables="myExplanatoryField1;myExplanatoryField2",
distance_features=None,
prediction_locations=None,
explanatory_variables_to_match=None,
explanatory_distance_matching=None,
output_predicted_features=None,
output_trained_model=None
)
arcpy.stats.FilterSpatialAutocorrelationFromField(
in_features="myOutputFeatureClass",
input_field="RESIDUAL",
out_features=r"myFilteredOutputFeatureClass",
append_all_fields="ALL",
in_swm=None,
out_swm=None,
id_field=None
)
# Print the messages.
print(arcpy.GetMessages())Entornos
Información de licenciamiento
- Basic: Sí
- Standard: Sí
- Advanced: Sí
Temas relacionados
- Una descripción general del conjunto de herramientas Utilidades de componentes espaciales (eigenvectores de Moran)
- Comprender los eigenvectores de Moran
- Comparar conceptualizaciones de vecindades
- Crear variables explicativas de componentes espaciales
- Descomponer estructura espacial (Eigenvectores Moran)
- Buscar una herramienta de geoprocesamiento