| Подпись | Описание | Тип данных |
Входные объекты | Входные данные, содержащие поля, которые будут использоваться для выбора SWM. | Feature Layer |
Входные поля | Поля ввода, которые будут использоваться для выбора SWM. | Field |
Выходная матрица пространственных весов | Выходной файл .swm соседей и весов, выбранных инструментом. | File |
Поле уникального ID | Уникальное поле идентификатора выходного файла .swm. Поле должно быть целым числом и иметь уникальное значение для каждого входного объекта. | Field |
Краткая информация
Выбирает матрицу пространственных весов (SWM) из набора кандидатов SWM, которая наилучшим образом представляет пространственные закономерности (например, тренды или кластеры) одного или нескольких числовых полей.
Затем выходной файл матрицы пространственных весов можно использовать в инструментах, которые допускают файлы .swm для значений параметров Тип соседства или Концептуализация пространственных отношений, например, в инструментах Бивариантная пространственная связь (Lee's L), Анализ горячих точек (Getis-Ord Gi*) и Анализ кластеров и выбросов (Anselin Local Moran's I).
Инструмент выбирает SWM, создавая пространственные компоненты (называемые собственными векторами Морана) из каждого кандидата SWM и проверяя, насколько эффективно компоненты представляют пространственные шаблоны входных полей.
Иллюстрация
Использование
-
Целью инструмента является предложение типа соседства и схемы взвешивания (иногда называемой концептуализацией пространственных отношений), которые наилучшим образом представляют пространственные закономерности входных полей, путем проверки того, какое пространственное взвешивание создает пространственные компоненты, которые могут наиболее точно предсказать значения входных полей. Обоснование заключается в том, что каждый пространственный компонент имеет пространственную структуру, и компоненты, которые могут наиболее точно предсказать входные поля, — это те компоненты, которые имеют наиболее схожие структуры с входными полями. Однако предлагаемая модель SWM не предназначена для замены индивидуальных или экспертных знаний данных и их процессов. При выборе SWM для анализа необходимо учитывать множество факторов, и этот инструмент использует только способность пространственных компонентов прогнозировать входные поля для определения предлагаемого SWM. В некоторых случаях, например, при использовании инструмента Анализа горячих точек (Getis-Ord Gi*), существуют альтернативные методики выбора SWM, например, использование диапазона расстояний, который максимизирует пространственную автокорреляцию данных (именно так инструмент Оптимизированного анализа горячих точек определяет своих соседей и веса). Рекомендуется попробовать альтернативные методологии для определения соседей и пространственных весов и использовать тот метод, который лучше всего соответствует целям анализа.
Укажите все поля в параметре Входные поля, которые вы будете использовать в любом последующем анализе с использованием выходного файла .swm. Например, для инструмента Анализ горячих точек (Getis-Ord Gi*) требуется только одно поле, а для инструмента Двумерная пространственная ассоциация (Lee's L) — два поля. Вы можете указать выходной файл .swm в параметре Файл матрицы весов после указания параметра Получить пространственные веса из файла для параметра Тип соседства или Концептуализация пространственных отношений последующих инструментов анализа.
С помощью инструмента будут протестированы следующие SWM:
- Пять диапазонов расстояний, каждый с невзвешенными, гауссовыми и биквадратными ядрами (всего 15). Наиболее короткий диапазон расстояний — это расстояние, которое приводит к появлению по крайней мере одного соседа для каждого объекта. Наиболее длинный диапазон расстояний составляет 20 процентов от диагональной протяженности входных объектов. Остальные три диапазона расстояний создаются путем равномерного увеличения между самыми короткими и самыми длинными диапазонами расстояний. Для полигональных объектов при определении расстояний и соседей используются расстояния между центроидами.
- Четыре различных числа соседей (8, 16, 32 и 64), каждый с невзвешенными, гауссовыми и биквадратными ядрами (всего 12). Ширина полосы будет адаптивной и равной расстоянию до (K+1) соседа для K соседей. Если входных объектов меньше K, то будет пропущено большее количество соседей. Например, если входных объектов 50, то будут пропущены три SWM, использующие 64 ближайших соседа. Для полигональных объектов при определении расстояний и соседей используются расстояния между центроидами.
- Для точечных объектов окончательный SWM — это Окрестность триангуляции Делоне. Для полигональных объектов окончательный SWM — это окрестность смежности (ребра и углы).
Дополнительную информацию о каждом определении соседей и весовых коэффициентов см. в разделах Как работает сводная статистика по соседям и Моделирование пространственных отношений.
Сообщения геообработки включают таблицу Истории поиска соседей, в которой отображаются сведения о каждом протестированном SWM (например, количество соседей и схема взвешивания), а также скорректированное значение R-квадрата SWM при использовании для прогнозирования входных полей. Предложенный инструментом SWM будет иметь наибольший скорректированный R-квадрат и будет выделен жирным шрифтом и отмечен звездочкой в таблице.
Инструмент определяет предлагаемый SWM, используя следующую процедуру:
- Для каждого SWM генерируются собственные векторы Морана с наибольшими собственными значениями (с самой сильной автокорреляцией). Число собственных векторов равно 25 процентам от числа признаков, но не более 100.
- Все собственные векторы, имеющие отрицательные значения индекса Морана I (то есть имеющие отрицательную автокорреляцию), отфильтровываются.
- Каждое входное поле прогнозируется индивидуально с использованием собственных векторов в качестве независимых переменных в обычной регрессионной модели наименьших квадратов.
- Общая сумма квадратов и остаточная сумма квадратов для всех полей суммируются, и вычисляется объединенное скорректированное значение R-квадрата.
- Возвращается SWM с наивысшим скорректированным значением R-квадрата.
Эта процедура полностью описана по следующей ссылке:
Bauman, David, Thomas Drouet, Marie-Josée Fortin, Stéphane Dray. 2018. "Оптимизация выбора пространственной весовой матрицы в методах, основанных на собственных векторах". Ecology 99, no. 10: 2159-2166. https://doi.org/10.1002/ecy.2469.
Параметры
arcpy.stats.CompareNeighborhoodConceptualizations(in_features, input_fields, out_swm, id_field)
| Имя | Описание | Тип данных |
in_features | Входные данные, содержащие поля, которые будут использоваться для выбора SWM. | Feature Layer |
input_fields [input_fields,...] | Поля ввода, которые будут использоваться для выбора SWM. | Field |
out_swm | Выходной файл .swm соседей и весов, выбранных инструментом. | File |
id_field | Уникальное поле идентификатора выходного файла .swm. Поле должно быть целым числом и иметь уникальное значение для каждого входного объекта. | Field |
Пример кода
Скрипт окна Python, демонстрирующий использование функции 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"
)В следующем автономном скрипте показано использование функции 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())Параметры среды
Этот инструмент не использует параметры среды геообработки
Информация о лицензиях
- Basic: Да
- Standard: Да
- Advanced: Да
Связанные разделы
- Обзор набора инструментов Утилиты пространственного компонента (Собственные векторы Моргана)
- Основные сведения о собственных векторах Морана
- Создать независимые переменные пространственного компонента
- Разложение пространственной структуры (собственные векторы Морана)
- Фильтр Пространственной автокорреляции из поля
- Поиск инструмента геообработки