Доступно с лицензией Spatial Analyst.
Панель Сравнение - основная панель в интерфейсе Сравнения моделей. Из этой панели вы можете выполнить следующие действия:
- Присвоить имя модели сравнения.
- Идентифицировать модели пригодности для сравнения.
- Определить, должны ли модели нормироваться или нет.
- Выбрать предопределенные статистики для запуска.
Необходимо выбрать как минимум две модели.
В панели Сравнение предварительно предопределенные разделены на пять функциональных групп. Вы выбираете статистики для запуска, отметив нужную статистику в функциональной группе в панели.
Для запуска выбранных статистик щелкните кнопку Запустить на панели.
После нажатия кнопки Запустить откроется панель Изучить статистику и Панель Статистика сравнения появится с отображением первой статистики в списке. Чтобы просмотреть результат всех остальных статистик, которые вы запустили, щелкните статистику в панели Изучить статистику.
Чтобы запустить дополнительно предопределенную статистику, щелкните стрелку назад в верхнем левом углу панели Изучить статистику. Если вы выберете другую статистику для запуска, кнопка Исследовать внизу справа в панели Сравнение переключится на Запустить. Если вы щелкните кнопку Запустить еще раз, только дополнительные статистики, которые вы отметили для запуска, будут рассчитаны и панель Изучить статистику появится.
Если вы не хотите добавлять никакую другую статистику и хотите вернуться на панель Изучить статистику, чтобы увидеть другие статистики, нажмите кнопку Исследовать в правом нижнем углу панели Сравнение.
Доступная предопределенная статистика
Предопределенные статистики составляют основу интерфейса Сравнения моделей. Они сгруппированы в 5 функциональных групп:
- Изучить входные параметры - используется для просмотра параметров каждой входной модели.
- Сравнить сходства и различия - позволяет идентифицировать, где модели согласуются, а где - различаются.
- Анализировать значения пригодности - позволяет не только определить, где модели согласуются, а где - не согласуются, но и совпадения в областях с высокими и низкими значениями пригодности.
- Исследовать изменения между моделями - позволяет анализировать, как значения пригодности меняются между входными моделями.
- Изучить места наложения регионов - позволяет увидеть, где регионы входных моделей перекрываются.
Сравнение предопределенных статистик
В следующих разделах подробно различные статистические показатели этих пяти функциональных групп, и эта информация поможет вам выбрать нужные статистики для выполнения. Описывается функциональная группа, и далее, статистические показатели, входящие в эту группу. Большая часть сведений о статистике разбита на три раздела:
- Раздел Описание - рассказывает основной принцип работы статистического показателя.
- Информация в разделе "Когда использовать" поможет понять, в каких случаях понадобиться применить ту или иную статистику.
- Раздел Формула приводит математические расчеты для этой статистики.
Статистики группы Изучить входные параметры
Функциональная группа Изучить входные параметры содержит одну статистику.
Параметры в моделях
Описание статистики Параметры в моделях и как ее использовать.
Описание
Эта статистика позволяет изучить сходства и различия между входными параметрами и результирующими картами. Вы можете просмотреть карты пригодности и местоположения, а также можете сравнить графики преобразований для каждого из входных критериев на двух смежных вкладках.
Когда использовать
Используйте эту статистику для понимания того, из каких процессов состоят входные модели. Вы можете видеть критерии для каждой модели, как они были преобразованы, а так же итоговые карты пригодности и регионов. Эта статистика обеспечивает обзор моделей и дает контекст для анализа остальной статистики. Эта статистика позволяет изучить входные модели.
Сравнить сходства и различия
В функциональной группе Сравнить сходства и различия представлены четыре статистики.
- Разница в значениях пригодности
- Схожее между моделями
- Сходства и различия
- Кластер различий (анализ горячих точек)
Разница в значениях пригодности
Описание статистики Разница в значениях пригодности, как ее использовать и формула.
Описание
Эта статистика определяет, где значения пригодности в двух моделях похожи, а где различаются. Доступны две опции.
Опция Процентное изменение вычисляет процентное изменение значений пригодности между Моделью 1 и Моделью 2. Если значение Модели 2 уменьшается, процентное изменение будет положительным. Если увеличивается, процентное изменение будет отрицательным. Чем больше положительное и меньше отрицательное значения, тем больше величина разницы.
Процентная разница — вычисляет абсолютное значение процентного изменения между значениями пригодности Модели 1 и Модели 2. Чем меньше значение, тем больше схожи значения пригодности между двумя моделями.
Когда использовать
Это один из первых показателей, который следует применить, чтобы получить первоначальное понимание того, в чем модели схожи, а в чем различаются. Статистика применима для всех вариантов сравнения моделей, поскольку она обеспечивает базу, на основе которой определяются остальные статистики.
Формула
Формула для этой статистики имеет следующий вид:
Percent Change:(Model1 - Model2) / Model1 * 100
Percent Difference: Abs(Model1 - Model2) / Mean(Model1, Model2) * 100
Где:
- Model 1: Имя модели 1.
- Model 2: Имя модели 2.
Схожее между моделями
Описание статистики Схожее между моделями, как ее использовать и формула.
Описание
Эта статистика показывает, где значения пригодности в двух моделях наиболее схожи.
Когда определено По проценту ячеек, ячейки с наименьшей абсолютной процентной разницей выбираются до тех пор, пока общий процент ячеек не станет меньше порога сходства. Когда выбрано По значению, итоговые местоположения находятся там, где абсолютная процентная разница между двумя моделями меньше порога сходства.
Отображаются значения абсолютной процентной разницы.
Когда использовать
Эта статистика дополняет результат статистики Разница в значениях пригодности. Используйте эту статистику, если хотите проанализировать пространственное распределение в местоположениях, которые максимально схожи. В большинстве случаев вас интересует, где модели максимально согласуются. Используйте эту статистику, если вы знаете ограничения на число необходимых ячеек или заданный порог, определяющий, что считается сходством.
Формула
Формула для этой статистики имеет следующий вид:
Con(PercentDifference <= Similarity_Theshold, PercentDifference)
PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100
Где:
- Model 1: Имя модели 1.
- Model 2: Имя модели 2.
- Similarity_Threshold: Ячейки со значениями ниже или равными пороговому значению будут выбраны в статистике. Выбранные ячейки — это местоположения, где модели считаются наиболее схожими.
Значение по умолчанию — меньше или равно 10% от общего числа ячеек в исследуемой области с наименьшей абсолютной процентной разницей.
При выборе По проценту ячеек диапазон значений будет от 1 до 100, поскольку он представляет собой процент от общего числа ячеек, независимо от того, выбрана ли опция нормализации. При выборе По значениям диапазон будет от минимального до максимального значения абсолютной процентной разницы между двумя картами пригодности, независимо от того, выбрана ли опция нормализации Однако эти два диапазона могут отличаться.
Местоположения с наименьшими значениями указывают на наиболее схожие модели.
Сходства и различия
Описание статистики Сходства и различия, как ее использовать и формула.
Описание
Эта статистика сравнивает, где модели похожи, и где различаются.
Когда определено По проценту ячеек, ячейки с наименьшей абсолютной процентной разницей выбираются до тех пор, пока общий процент ячеек не станет меньше или равна порогу сходства, а ячейки с наибольшей разницей выбираются, пока общий процент ячеек не будет больше или равен порогу разницы. Когда выбрано По значению, выходные данные показывают, где абсолютная процентная разница меньше или равна пороговому значению сходства или процентная разница больше или равна порогового значения разницы.
Когда использовать
Используйте эту статистику, чтобы увидеть, где именно модели схожи, а где различаются. В отличие от предыдущих статистик (Схожее между моделями), эта статистика показывает также, где модели различаются. И в результате, вы сможете проанализировать пространственные отношения в местах согласования моделей, и в местах различий. Если визуализированы результирующие регионы для каждой из моделей, вы можете оценить их местоположения с учетом того, где модели схожи, а где различаются.
Формула
Формула для этой статистики имеет следующий вид:
Con(PercentDifference <= Similarity_Threshold, 1, Con(PercentDifference > = Difference_Threshold, 2))
PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100
Где:
- Model 1: Имя модели 1
- Model 2: Имя модели 2
- Similarity_Threshold: Ячейки со значениями ниже или равными пороговому значению будут выбраны в статистике. Выбранные ячейки — это местоположения, где модели считаются наиболее схожими.
Значение по умолчанию — меньше или равно 10% от общего числа ячеек в исследуемой области с наименьшей абсолютной процентной разницей.
При выборе По проценту ячеек диапазон значений будет от 1 до 100, поскольку он представляет собой процент от общего числа ячеек, независимо от того, выбрана ли опция нормализации. При выборе По значениям диапазон будет от минимального до максимального значения абсолютной процентной разницы между двумя картами пригодности, независимо от того, выбрана ли опция нормализации Однако эти два диапазона могут отличаться.
- Difference_Threshold: Ячейки со значениями больше или равными пороговому значению будут выбраны в статистике. Выбранные ячейки — это местоположения, где модели наиболее отличаются.
Значение по умолчанию больше или равно 90% ячеек в исследуемой области с наибольшей абсолютной разницей в процентах — верхние 10% ячеек в исследуемой области с наибольшей абсолютной разницей.
При выборе По проценту ячеек диапазон значений будет от 1 до 100, поскольку он представляет собой процент от общего числа ячеек, независимо от того, выбрана ли опция нормализации. При выборе По значениям диапазон будет от минимального до максимального значения абсолютной процентной разницы между двумя картами пригодности, независимо от того, выбрана ли опция нормализации Однако эти два диапазона могут отличаться.
Кластер различий (анализ горячих точек)
Описание статистики Кластер различий (анализ горячих точек), как ее использовать и формула.
Описание
Эта статистика определяет, кластеризованы ли различия абсолютной процентной разницы между моделями.
Определяется абсолютная процентная разница между картами пригодности. Значения для указанного числа точек извлекаются из растра абсолютной процентной разницы. Анализ горячих точек выполняется для этих точек.
Закономерности кластеров определяются из абсолютной процентной разницы между моделями. Итоговые кластеры показывают большую разницу (горячие точки) или места, где различия малы, определяя области, являющиеся похожими (холодные точки).
Анализ учитывает абсолютную процентную разницу в каждом местоположении, а также значения для идентифицированных соседей.
Результаты представляются в виде растеризованного слоя с более грубым разрешением, чем у карт пригодности.
Когда использовать
Эта статистика может использоваться вместе со статистикой Сходства и различия. Статистика позволяет выявить не только наличие областей, в которых модели схожи или различаются; в статистику включены также различия как в конкретной области, так и в окружающих областях. Включение окрестности в статистику позволяет выявить более общие тенденции и расширяет охват анализа.
Формула
Формула для этой статистики имеет следующий вид:
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
Где:
- Model 1: Имя модели 1.
- Model 2: Имя модели 2.
- Conceptualization_of_Spatial_Relationships: определяет, как будут заданы пространственные отношения между точками. По умолчанию - Полоса фиксированных расстояний.
- Обратное расстояние: ближайшие соседние точки будут оказывать большее влияние на вычисления для целевой точки, чем точки, находящиеся далеко.
- Обратное расстояние в квадрате: то же самое, что и Обратное расстояние, за исключением того, что функция изменяется значительно резче, поэтому влияние будет снижаться быстрее, и только ближайшие соседи целевой точки будут существенно влиять на вычисления для этой точки.
- Полоса фиксированных расстояний: каждая точка будет анализироваться в контексте соседних точек. Соседние точки внутри указанного критического расстояния (Диапазон расстояний или Пороговое расстояние) получат вес 1 и будут оказывать влияние на вычисления для целевой точки. Соседние точки за пределами критического расстояния получат вес 0 и не будут влиять на вычисления для целевой точки.
- Зона индифферентности: точки в пределах указанного критического расстояния (Диапазон расстояний или Пороговое расстояние) от целевой точки получат вес 1 и будут влиять на вычисления для этой точки. Как только критическое расстояние будет превышено, веса (и влияние соседней точки на вычисления целевой точки) начнут уменьшаться с увеличением расстояния.
- K ближайших соседей: в анализ будут включены k ближайших точек; k — заданный числовой параметр.
- Distance Method: указывает, как будут рассчитываться расстояния от каждой точки до соседних точек. Значение по умолчанию — Евклидово, что гарантирует наличие у каждой точки хотя бы одного соседа.
- Евклидово: будет использоваться расстояние между двумя точками по прямой (как летит птица).
- Манхэттен будет использоваться расстояние между двумя точками, измеренное вдоль осей под прямым углом (городской квартал), рассчитанное путем суммирования (абсолютной) разницы между координатами x и y.
- Distance_Band_or_Threshold_Distance_or_Number_of_Neighbors: параметр изменяется, в зависимости от выбранного определения пространственных отношений.
Для Distance_Band_or_Threshold_Distance: пороговое значение расстояния для опций обратного и фиксированного расстояния. Точки, находящиеся за пределами указанного порога для целевой точки, будут игнорироваться при анализе этой точки. Однако, для Зоны индифферентности влияние объектов, расположенных за пределами данного расстояния, сокращается с расстоянием, в то время как влияние тех объектов, которые располагаются в пределах порогового расстояния, распределяется равномерно. Введенное значение расстояния должно совпадать с расстоянием по выходной системе координат.
Определение пространственных отношений Обратные расстояния: значение 0 означает, что пороговое расстояние не применяется. Если данный параметр остается пустым, пороговое значение по умолчанию рассчитывается и применяется при анализе.
Для Number_of_Neighbors: целое число, указывающее количество соседей, которые будут включены в анализ. По умолчанию 8.
- Percent Sampling: определяет количество точек, которые будут взяты из растра абсолютной процентной разницы, полученного из карт пригодности, для использования в анализе горячих точек.
Количество точек указывается в процентах от общего числа ячеек на картах пригодности. Как правило, карты пригодности демонстрируют высокую пространственную автокорреляцию. Использование равномерно распределенных точек, составляющих 11% от общего числа ячеек в исследуемой области (по умолчанию), часто приводит к наилучшему пересчитанному представлению карт пригодности.
Процентное значение определяет размер ячейки пересчета, пропорционально увеличивая ее размер. Этот пересчет уменьшает количество растровых ячеек, которые будут преобразованы в точки для анализа горячих точек. Значение по умолчанию 11% соответствует размеру ячейки примерно в три раза больше, чем более грубое разрешение карт пригодности. Меньшее процентное значение приводит к меньшему количеству точек, расположенных более широко, в то время как большее процентное значение приводит к большему количеству точек с более высокой пространственной детализацией.
Максимальное число точек, которое может быть использовано в анализе - 1 миллион.
Анализировать значения пригодности
В функциональной группе Анализировать значения пригодности представлены четыре статистики.
- Модели, аналогичные модели высокой пригодности
- Процент изменения в высокой пригодности
- Модели, аналогичные и отличающиеся от модели высокой пригодности
- Модели, аналогичные модели низкой пригодности
Модели, аналогичные модели высокой пригодности
Описание статистики Модели, аналогичные модели высокой пригодности, как ее использовать и формула.
Описание
Эта статистика определяет местоположения, где имеется сходство между двумя моделями и высокая пригодность.
При использовании метода По проценту ячеек, ячейки с наименьшей абсолютной процентной разницей выбираются до тех пор, пока общий процент ячеек не станет меньше или равен порогу сходства. Эти выбранные ячейки также должны иметь среднее значение пригодности выше, чем самое низкое значение среди итоговых ячеек, выбранных, чтобы соответствовать указанным процентам для порогового значения высокой пригодности.
При выборе По значению итоговая карта показывает значения средней пригодности, где абсолютная процентная разница между двумя моделями ниже или равна порогу сходства, а значение средней пригодности равно или превышает порог высокой пригодности.
Когда использовать
Значения высокой пригодности, как правило, наиболее важны в модели пригодности. Эта статистика не только идентифицирует области, где модели схожи, но и сходство с высокой пригодностью. Используйте эту статистику для сужения области интересов в анализе сравнения. Если результирующие регионы попадают в эти местоположения, вы можете быть уверены, что обе модели дадут схожие результаты.
Формула
Формула для этой статистики имеет следующий вид:
Con((PercentDifference <= Similarity_Threshold) & (MeanSuitability >= High_Suitability_Threshold), MeanSuitability)
PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100
MeanSuitability = Mean(Model1, Model2)
Где:
- Model 1: Имя модели 1.
- Model 2: Имя модели 2.
- Similarity_Threshold: Ячейки со значениями ниже или равными пороговому значению будут выбраны в статистике. Выбранные ячейки — это местоположения, где модели считаются наиболее схожими.
Значение по умолчанию — меньше или равно 10% от общего числа ячеек в исследуемой области с наименьшей абсолютной процентной разницей.
При выборе По проценту ячеек диапазон значений будет от 1 до 100, поскольку он представляет собой процент от общего числа ячеек, независимо от того, выбрана ли опция нормализации. При выборе По значениям диапазон будет от минимального до максимального значения абсолютной процентной разницы между двумя картами пригодности, независимо от того, выбрана ли опция нормализации Однако эти два диапазона могут отличаться.
- High_Suitability_Threshold: значение пригодности, выше которого считается, что местоположения имеют высокую пригодность, или процентное число ячеек в изучаемой области с самой высокой пригодностью.
По умолчанию включаются ячейки, которые превышают или равны 90% ячеек в исследуемой области с наивысшими значениями пригодности — верхние 10% ячеек в исследуемой области с наивысшим средним значением пригодности.
При выборе По проценту ячеек диапазон значений будет от 1 до 100, поскольку он представляет собой процент ячеек, независимо от того, выбрана ли опция нормализации. При выборе По значениям, если модели нормализованы, диапазон будет от минимального до максимального средних значений между двумя картами пригодности, приблизительно от 1 до 100, что соответствует диапазону нормализованных значений пригодности. Если модели не нормализованы, диапазон будет равен диапазону средних значений между двумя входными моделями пригодности.
Процент изменения в высокой пригодности
Описание статистики Процент изменения в высокой пригодности, как ее использовать и формула.
Описание
Эта статистика определяет, какая модель вносит наибольший вклад и насколько в местоположениях с высокой пригодностью.
Если указано По проценту ячеек, выбираются ячейки с наивысшими средними значениями пригодности до тех пор, пока процент всех ячеек не станет меньше порога высокой пригодности. Процентное изменение отображается для этих ячеек. При выборе По значению итоговая карта показывает процентное изменение в областях, где средние значения для двух моделей пригодности больше или равны пороговому значению пригодности.
Положительные значения указывают на то, что наибольший вклад вносит Модель 1, а отрицательные значения – Модель 2. Большие положительные или меньшие отрицательные значения указывают на величину вклада.
Когда использовать
Эта статистика конкретизирует статистику Модели, аналогичные модели высокой пригодности. Эта статистика не только показывает, где находятся схожие местоположения с высокой пригодностью, но и определяет, какая модель вносит наибольший вклад и в какой степени. Эта статистика полезна при изменении веса или метода преобразования, поскольку позволяет оценить, как изменение пространственно повлияет на результаты.
Формула
Формула для этой статистики имеет следующий вид:
Con((MeanSuitability >= High_Suitability_Threshold), (Model1 - Model2) / MeanSuitability * 100)
MeanSuitability = Mean(Model1, Model2)
Где:
- Model 1: Имя модели 1.
- Model 2: Имя модели 2.
- High_Suitability_Threshold: значение пригодности, выше которого считается, что местоположения имеют высокую пригодность, или процентное число ячеек в изучаемой области с самой высокой пригодностью.
По умолчанию включаются ячейки, которые превышают или равны 90% ячеек в исследуемой области с наивысшими значениями пригодности — верхние 10% ячеек в исследуемой области с наивысшим средним значением пригодности.
При выборе По проценту ячеек диапазон значений будет от 1 до 100, поскольку он представляет собой процент ячеек, независимо от того, выбрана ли опция нормализации. При выборе По значениям, если модели нормализованы, диапазон будет от минимального до максимального средних значений между двумя картами пригодности, приблизительно от 1 до 100, что соответствует диапазону нормализованных значений пригодности. Если модели не нормализованы, диапазон будет равен диапазону средних значений между двумя входными моделями пригодности.
Примечание:
Формула процентного изменения немного отличается от опции процентного изменения в статистике Разницы в значениях пригодности.
Модели, аналогичные и отличающиеся от модели высокой пригодности
Описание статистики Модели, аналогичные и отличающиеся от модели высокой пригодности, как ее использовать и формула.
Описание
Эта статистика идентифицирует схожие и различающиеся местоположения с высокой степенью пригодности для двух моделей.
При определении По проценту ячеек выбираются ячейки с наивысшими средними значениями пригодности до тех пор, пока не будет достигнут порог высокой пригодности, и они будут иметь наименьшую абсолютную процентную разницу до тех пор, пока общий процент ячеек не станет меньше или равен порогу сходства, или с ячейками с наибольшей абсолютной разницей в процентах до тех пор, пока общий процент ячеек не станет больше или равен порогу разницы.
Когда определено По значениям, выбираются ячейки, в которых абсолютная процентная разница ниже или равна пороговому значению сходства, или абсолютная процентная разница выше или равна пороговому значению различия, а средняя пригодность между двумя моделями больше или равна высокому пороговому значению пригодности.
Когда использовать
Эта статистика похожа на статистику Сходства и различия, но она сужает области, которые также имеют высокую пригодность. С помощью этой статистики вы можете увидеть, где модели схожи, а где различаются. Озабоченность могут вызывать местоположения с высокой пригодностью и большой разницей, поскольку эти области показывают, где модели сильно расходятся, и может возникнуть проблема, если конечные регионы попадут именно в них.
Формула
Формула для этой статистики имеет следующий вид:
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)
Где:
- Model 1: Имя модели 1.
- Model 2: Имя модели 2.
- Similarity_Threshold: Ячейки со значениями ниже или равными пороговому значению будут выбраны в статистике. Выбранные ячейки — это местоположения, где модели считаются наиболее схожими.
Значение по умолчанию — меньше или равно 10% от общего числа ячеек в исследуемой области с наименьшей абсолютной процентной разницей.
При выборе По проценту ячеек диапазон значений будет от 1 до 100, поскольку он представляет собой процент от общего числа ячеек, независимо от того, выбрана ли опция нормализации. При выборе По значениям диапазон будет от минимального до максимального значения абсолютной процентной разницы между двумя картами пригодности, независимо от того, выбрана ли опция нормализации Однако эти два диапазона могут отличаться.
- Difference_Threshold: Ячейки со значениями больше или равными пороговому значению будут выбраны в статистике. Выбранные ячейки — это местоположения, где модели наиболее отличаются.
Значение по умолчанию больше или равно 90% ячеек в исследуемой области с наибольшей абсолютной разницей в процентах — верхние 10% ячеек в исследуемой области с наибольшей абсолютной разницей.
При выборе По проценту ячеек диапазон значений будет от 1 до 100, поскольку он представляет собой процент от общего числа ячеек, независимо от того, выбрана ли опция нормализации. При выборе По значениям диапазон будет от минимального до максимального значения абсолютной процентной разницы между двумя картами пригодности, независимо от того, выбрана ли опция нормализации Однако эти два диапазона могут отличаться.
- High_Suitability_Threshold: значение пригодности, выше которого считается, что местоположения имеют высокую пригодность, или процентное число ячеек в изучаемой области с самой высокой пригодностью.
По умолчанию включаются ячейки, которые превышают или равны 90% ячеек в исследуемой области с наивысшими значениями пригодности — верхние 10% ячеек в исследуемой области с наивысшим средним значением пригодности.
При выборе По проценту ячеек диапазон значений будет от 1 до 100, поскольку он представляет собой процент ячеек, независимо от того, выбрана ли опция нормализации. При выборе По значениям, если модели нормализованы, диапазон будет от минимального до максимального средних значений между двумя картами пригодности, приблизительно от 1 до 100, что соответствует диапазону нормализованных значений пригодности. Если модели не нормализованы, диапазон будет равен диапазону средних значений между двумя входными моделями пригодности.
Модели, аналогичные модели низкой пригодности
Описание статистики Модели, аналогичные модели низкой пригодности, как ее использовать и формула.
Описание
Эта статистика определяет местоположения, где имеется сходство между двумя моделями и низкая пригодность.
При идентификации По проценту ячеек, выбираются ячейки с наименьшей процентной разницей до тех пор, пока общий процент ячеек не станет меньше или равен порогу сходства, и имеющими наименьшие средние значения пригодности, пока не будет достигнут порог низкой пригодности. При выборе По значению итоговая карта показывает значения средней пригодности, где абсолютная процентная разница между двумя моделями ниже или равна порогу сходства, а значение средней пригодности меньше или равно порогу низкой пригодности.
Когда использовать
Эта статистика показывает, согласны ли модели с тем, где находится низкая пригодность. Используйте эту статистику, чтобы подтвердить соответствие между моделями не только высоких, но и низких значений пригодности.
Формула
Формула для этой статистики имеет следующий вид:
Con((PercentDifference <= Similarity_Threshold) & (MeanSuitability <= Low_Suitability_Threshold), MeanSuitability)
Где:
- Model 1: Имя модели 1.
- Model 2: Имя модели 2.
- Similarity_Threshold: Ячейки со значениями ниже или равными пороговому значению будут выбраны в статистике. Выбранные ячейки — это местоположения, где модели считаются наиболее схожими.
Значение по умолчанию — меньше или равно 10% от общего числа ячеек в исследуемой области с наименьшей абсолютной процентной разницей.
При выборе По проценту ячеек диапазон значений будет от 1 до 100, поскольку он представляет собой процент от общего числа ячеек, независимо от того, выбрана ли опция нормализации. При выборе По значениям диапазон будет от минимального до максимального значения абсолютной процентной разницы между двумя картами пригодности, независимо от того, выбрана ли опция нормализации Однако эти два диапазона могут отличаться.
- Low_Suitability_Threshold: значение пригодности, ниже которого считается, что местоположения имеют низкую пригодность, или процентное число ячеек в изучаемой области с самой низкой пригодностью.
При выборе По проценту ячеек диапазон значений будет от 1 до 100, поскольку он представляет собой процент ячеек, независимо от того, выбрана ли опция нормализации. При выборе По значениям, если модели нормализованы, диапазон будет от минимального до максимального средних значений между двумя картами пригодности, приблизительно от 1 до 100, что соответствует диапазону нормализованных значений пригодности. Если модели не нормализованы, диапазон будет равен диапазону средних значений между двумя входными моделями пригодности.
Исследовать изменения между моделями
В функциональной группе Исследовать изменения между моделями представлены две статистики:
- Пространственная связь между значениями пригодности
- Изменение в значениях пригодности (Выявление изменений)
Пространственная связь между значениями пригодности
Описание статистики Пространственная связь между значениями пригодности, как ее использовать и формула.
Описание
Эта статистика определяет сходство между значениями пригодности для области и в пределах определенной окрестности.
Значения для указанного числа точек извлекаются из двух карт пригодности. Для этих точек выполняется анализ бивариантной пространственной связи. Результаты представляются в виде растеризованного слоя с тем же разрешением, что и у карт пригодности самого грубого разрешения.
Пространственная связь между двумя картами пригодности использует статистику Lee’s L. Выходные данные делятся на пять категорий пространственных связей:
- Категория высокий-высокий означает, что ячейка имеет не менее 90% значимости, средневзвешенное значение окрестности в обеих моделях считается высокой пригодностью.
- Категория низкий-низкий означает, что ячейка имеет не менее 90% значимости, средневзвешенное значение окрестности в обеих моделях считается низкой пригодностью.
- Категория низкий-высокий означает, что ячейка имеет не менее 90% значимости, средневзвешенное значение окрестности в первой модели считается низкой пригодностью, а во второй модели – высокой пригодностью.
- Категория высокий-низкий означает, что ячейка имеет не менее 90 % значимости, средневзвешенное значение окрестности в первой модели считается высокой пригодностью, а во второй модели – низкой пригодностью.
- Отсутствие значимости означает, что пространственная корреляция между двумя моделями незначительна.
Когда использовать
Эта статистика дополняет статистику, которая изучает, где модели схожи и где отличаются. Статистика дает дополнительную информацию, количественно определяя, соответствуют ли высокие значения высоким значениям между моделями, а низкие значения - низким значениям. Когда высокие и низкие значения совпадают, это не вызывает особого беспокойства. Местоположения, в которых значения различаются, высокие-низкие или низкие-высокие, требуют дополнительного анализа.
Формула
Формула для этой статистики имеет следующий вид:
BivariateSpatialAssociation(Model1, Model2, Neighborhood_Type, Distance_Band_or_Number_of_Neighbors)
Где:
- Model 1: Имя модели 1.
- Model 2: Имя модели 2.
- Neighborhood_Type: Задает, как будут определяться соседи каждой точки. Точка всегда включается в окрестность, и все веса окрестности нормализуются так, чтобы сумма равнялась 1.
- Полоса фиксированных расстояний: точки, находящиеся на заданном критическом расстоянии от каждой точки, будут включены как соседи. Используется по умолчанию.
- K ближайших соседей: ближайшие k точек будут включены как соседи.
- Distance_Band_or_Number_of_Neighbors: параметр изменяется, в зависимости от выбранной концептуализации пространственных отношений.
Distance_Band: указывает диапазон расстояний, который будет использоваться для определения соседей вокруг фокусной точки. Если значение не указано, будет использоваться кратчайшее расстояние, при котором каждая точка имеет хотя бы одного соседа в своем окружении.
Number_of_Neighbors: определяет количество соседей вокруг каждой точки, которые будут включены в качестве соседей. Значение не включает саму точку. Например, если указать 6, будут использоваться точка и шесть ее ближайших соседей (всего семь точек). По умолчанию 8. Значение должно быть не менее 2.
- Percent Sampling of Suitability Map: определяет количество точек, которые будут взяты из растра абсолютной процентной разницы, полученного из карт пригодности, для использования в анализе.
Количество точек указывается в процентах от общего числа ячеек на картах пригодности. Как правило, карты пригодности демонстрируют высокую пространственную автокорреляцию. Использование равномерно распределенных точек, составляющих 11% от общего числа ячеек в исследуемой области (по умолчанию), часто приводит к наилучшему пересчитанному представлению карт пригодности.
Процентное значение определяет размер ячейки пересчета, пропорционально увеличивая ее размер. Этот пересчет уменьшает количество растровых ячеек, которые будут преобразованы в точки для анализа. Значение по умолчанию 11% соответствует размеру ячейки примерно в три раза больше, чем более грубое разрешение карт пригодности. Меньшее процентное значение приводит к меньшему количеству точек, расположенных более широко, в то время как большее процентное значение приводит к большему количеству точек с более высокой пространственной детализацией.
Максимальное число точек, которое может быть использовано в анализе - 1 миллион.
Изменение в значениях пригодности (Выявление изменений)
Описание статистики Изменение в значениях пригодности (Выявление изменений), как ее использовать и формула.
Описание
Статистика определяет, как значения пригодности изменяются от Модели 1 к Модели 2.
Она вычисляет разницу в категориях пригодности между двумя картами пригодности. Для создания классов категорий, значения пригодности на картах разделяются на заданное число классов с использованием метода равных интервалов. На основе полученных классов пригодности статистика определяет для каждого местоположения, изменился ли класс пригодности с модели 1 на модель 2, и если класс изменился, то на какой.
Для создания классов используется метод равных интервалов, чтобы поддерживать относительные связи между значениями пригодности.
Когда использовать
Используйте эту статистику для количественной оценки того, как значения пригодности меняются от одной модели к другой. Эта статистика идеально подходит для тестирования сценариев «что если». В этих сценариях вы изучаете последствия изменения весовых коэффициентов между подмоделями или критериями, преобразования критериев или изменения входных критериев. С помощью статистики вы можете изучить, как каждое изменение влияет на результат.
Формула
Формула для этой статистики имеет следующий вид:
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")
Где:
- Model 1: Имя модели 1.
- Model 2: Имя модели 2.
- Number_of_Classes: число классов для переклассификации (группировки) значений пригодности, чтобы создать категории пригодности. Есть две опции — 3 и 5. Значение по умолчанию равно 3.
Изучить места наложения регионов
В функциональной группе Изучить места наложения регионов представлены две статистики:
- Наложение регионов
- Наложение регионов с уровнями пригодности
Наложение регионов
Описание статистики Наложение регионов, как ее использовать и формула.
Описание
Эта статистика определяет области с наложением и без него между итоговыми регионами.
Существует три возможных условия, определяющих наложение регионов двух моделей:
- Местоположение находится в регионе и присутствует только в Модели 1.
- Местоположение находится в регионе и присутствует только в Модели 2.
- Местоположение находится в регионе и присутствует в Модели 1 и в Модели 2.
Местоположения в регионах в Модели 1 и в Модели 2 определяют, где модели согласуются. Обычно, более высокая степень наложения означает более высокий уровень согласованности между моделями.
Когда использовать
Эта статистика показывает, в чем конечные регионы совпадают, а в чем расходятся. Используйте эту статистику в любое время, когда будут определены окончательные регионы, чтобы увидеть, какие местоположения выбраны обеими моделями. Если области практически не совпадают, то изменения параметров моделей между ними существенно изменяют выходные данные, указывая на то, что модели не являются взаимозаменяемыми.
Формула
Формула для этой статистики имеет следующий вид:
Условные выражения, идентифицирующие три сценария, упомянутые в разделах выше.
Где:
- Model 1: Имя модели 1.
- Model 2: Имя модели 2.
Наложение регионов с уровнями пригодности
Описание статистики Наложение регионов с уровнями пригодности, как ее использовать и формула.
Описание
Эта статистика определяет, где полученные регионы накладываются, а где нет, и уровень пригодности для каждого местоположения принадлежит региону.
Существует девять возможных условий, определяющих наложение регионов двух моделей:
- Местоположение находится в регионе, только в Модели 1, и имеет высокую пригодность.
- Местоположение находится в регионе, только в Модели 1, и имеет среднюю пригодность.
- Местоположение находится в регионе, только в Модели 1, и имеет низкую пригодность.
- Местоположение находится в регионе, только в Модели 2, и имеет высокую пригодность.
- Местоположение находится в регионе, только в Модели 2, и имеет среднюю пригодность.
- Местоположение находится в регионе, только в Модели 2, и имеет низкую пригодность.
- Местоположение находится в регионе, в Модели 1 и в Модели 2, и имеет высокую пригодность.
- Местоположение находится в регионе, в Модели 1 и в Модели 2, и имеет среднюю пригодность.
- Местоположение находится в регионе, в Модели 1 и в Модели 2, и имеет низкую пригодность.
Если местоположение находится только в Модели 1 или Модели 2, или в Модели 1 и в Модели 2, и имеет высокую пригодность, как правило, это не вызывает особого беспокойства относительно местоположения, поскольку оно по-прежнему имеет высокую пригодность.
Местоположения только в Модели 1 или Модели 2, или в Модели 1 и в Модели 2, имеющие среднюю или низкую пригодность, должны быть исследованы подробнее.
Когда использовать
Эта статистика дает дополнительное представление о статистике Наложение регионов. Используйте эту статистику, если наложение невелико. Эта статистика не только определяет, где перекрываются итоговые области между моделями, а где нет, но и определяет значения пригодности в соответствующих местоположениях. Области, которые не пересекаются, но имеют высокую пригодность в моделях, могут не вызывать беспокойства.
Формула
Формула для этой статистики имеет следующий вид:
Условные выражения, идентифицирующие девять сценариев, упомянутых в разделах выше, используют параметры High_Suitability_Threshold и Medium_Suitability_Thresholds.
Где:
- Model 1: Имя модели 1.
- Model 2: Имя модели 2.
- High_Suitability_Threshold: определяет ячейки, которые считаются ячейками с высокими значениями пригодности.
Ячейки со значениями пригодности выше или равными пороговому значению указывают местоположения, которые считаются имеющими высокую пригодность, или процент ячеек в исследуемой области с наивысшей пригодностью.
По умолчанию выбираются ячейки со средними значениями пригодности, равными или превышающими 90% ячеек в исследуемой области — верхние 10% ячеек в исследуемой области с наивысшей средней пригодностью.
- Medium_Suitability Threshold: определяет ячейки, которые считаются ячейками со средними значениями пригодности.
Ячейки со значениями пригодности выше или равными среднему порогу пригодности и ниже высокого порога пригодности обозначают местоположения со средней пригодностью. Или процент ячеек, имеющих следующие по величине значения пригодности после выбранных ячеек с высокой пригодностью, которым присваивается средняя пригодность. Ячейки со значениями пригодности ниже порога средней пригодности получают низкую пригодность.
Значение по умолчанию — 80%, что позволяет выбрать ячейки со средним значением пригодности, равным или превышающим 80%, но менее 90% (высокий порог пригодности по умолчанию), что в сумме составляет 10% исследуемой области.