“空间关系建模”工具集概览

除了分析空间模式之外，GIS 分析还可用于挖掘或量化要素间关系。“空间关系建模”工具可构建空间权重矩阵或利用回归分析建立空间关系模型。

生成空间权重矩阵和生成网络空间权重工具可构建空间权重矩阵文件，用于度量数据集中的要素在空间中相互关联的方式。空间权重矩阵是数据空间结构的一种表现形式：存在于数据集中各要素间的空间关系。

真正的空间统计会将空间和空间关系信息整合到数学分析中。“空间统计”工具箱中可接受空间权重矩阵文件的工具包括空间自相关 (Global Moran's I)、聚类和异常值分析 (Anselin Local Moran's I)、热点分析 (Getis-Ord Gi*) 和协同区位分析。

“空间统计”工具箱中的回归工具可以对地理要素所关联的数据变量之间的关系进行建模，从而使您可以对未知值进行预测并更好地理解可对要建模的变量产生影响的关键因素。广义线性回归和地理加权回归工具可用于对空间关系进行验证并衡量空间关系的稳固性。探索性回归可用于快速检查大量的普通最小二乘法 (OLS) 模型、汇总变量关系以及确定任一候选解释变量的组合是否满足 OLS 方法的所有要求。局部二元关系工具可用于探索和确定地图中的两个变量之间是否存在关系。

协同区位分析工具可测量两个点模式之间的空间关联程度，而区域之间的空间关联工具可测量分类区域的对应关系。基于森林的分类与回归工具可使用非监督的学习方法针对分类数据或连续数据创建模型并生成预测，并且还可以使用来自栅格或距离要素的变量。

工具	描述
协同区位分析	使用协同区位商统计测量两类点要素之间的空间关联或区位协同的局部模式。
探索性回归	对输入的候选解释变量的所有可能组合进行评估，以便根据用户所指定的指标来查找能够最好地对因变量做出解释的 OLS 模型。
基于森林的分类与回归	使用 Leo Breiman 随机森林算法（一种监督式机器学习方法）的改编版本创建模型并生成预测。可以针对分类变量（分类）和连续变量（回归）执行预测。解释变量可以采取用于计算邻域分析值的训练要素、栅格数据集和距离要素的属性表中字段的形式，以用作附加变量。除了基于训练数据对模型性能进行验证之外，还可以对要素或预测栅格进行预测。
广义线性回归 (GLR)	执行广义线性回归 (GLR) 可生成预测，或对因变量与一组解释变量的关系进行建模。此工具可用于拟合连续 (OLS)、二进制（逻辑）和计数（泊松）模型。
生成网络空间权重	使用网络数据集构建一个空间权重矩阵文件 (.swm)，从而在基础网络结构方面定义空间关系。
生成空间权重矩阵	构建一个空间权重矩阵 (.swm) 文件，以表示数据集中各要素间的空间关系。
地理加权回归 (GWR)	执行“地理加权回归 (GWR)”，这是一种用于建模空间变化关系的线性回归的局部形式。
局部二元关系	使用局部熵分析两个变量以获得统计学显著关系。 根据关系的类型，每个要素被划分为六个类别之一。 输出可用于可视化变量相关的区域，并探索它们在整个研究区域内的关系如何变化。
普通最小二乘法 (OLS)	执行全局“普通最小二乘法 (OLS)”线性回归可生成预测，也可为一个因变量针对它与一组解释变量关系建模。
区域之间的空间关联	测量同一研究区的两个区域化之间的空间关联程度，其中每个区域化由一组称为区域的类别组成。区域化之间的关联取决于每个区域化的区域之间的区域重叠。当一个区域化的每个区域与另一个区域化的区域紧密对应时，关联程度最高。同样，如果一个区域化的区域与另一个区域化的许多不同区域存在较大程度的重叠，则空间关联性最低。该工具的主要输出是分类变量之间的空间关联的全局度量：范围介于 0（无对应）到 1（区域在空间上完全对齐）的单个数字。（可选）可以为任一区域化的特定区域或区域化之间的特定区域组合计算和可视化此全局关联。