“空间关系建模”工具集概述

建模空间关系工具集包含用于探索和量化数据关系的工具。

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。 使用建模空间关系工具构建空间权重矩阵或使用各种分析技术（包括回归、基于森林的方法和最大熵方法）对空间关系进行建模。

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	使用随机森林算法的改编创建模型并生成预测，这是一种由 Leo Breiman 和 Adele Cutler 开发的监督机器学习方法。 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) 以生成预测，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	生成一个空间权重矩阵 (.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。
多比例地理加权回归 (MGWR)	用于执行多尺度地理加权回归 (MGWR)，这是一种用于对空间变化关系进行建模的线性回归的局部形式。
普通最小二乘法 (OLS)	执行全局普通最小二乘 (OLS) 线性回归以生成预测，或根据因变量与一组解释变量的关系对因变量进行建模。
使用空间统计模型文件预测	使用经过训练的空间统计模型（.ssm 文件）预测连续或分类值。
仅存在预测	使用最大熵方法 (MaxEnt) 对已知存在位置和解释变量的现象的存在进行建模。 该工具提供包含存在概率的输出要素和栅格，可应用于仅存在已知和缺失未知的问题。
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。