Analyse eines räumlichen Clusters mit mehreren Entfernungen (Ripleys K Function) (Spatial Statistics)

Lizenzstufe:BasicStandardAdvanced

Zusammenfassung

Bestimmt, ob Features oder die mit Features verknüpften Werte eine statistisch signifikante Cluster-Bildung oder Streuung über einen Entfernungsbereich aufweisen.

Weitere Informationen zur Funktionsweise der Analyse eines räumlichen Clusters mit mehreren Entfernungen

Bild

K-Funktion
Messung der räumlichen Cluster-Bildung/Streuung über einen Entfernungsbereich

Verwendung

Syntax

MultiDistanceSpatialClustering_stats (Input_Feature_Class, Output_Table, Number_of_Distance_Bands, {Compute_Confidence_Envelope}, {Display_Results_Graphically}, {Weight_Field}, {Beginning_Distance}, {Distance_Increment}, {Boundary_Correction_Method}, {Study_Area_Method}, {Study_Area_Feature_Class})
ParameterErläuterungDatentyp
Input_Feature_Class

Die Feature-Class, für welche die Analyse durchgeführt wird.

Feature Layer
Output_Table

Die Tabelle, in welche die Ergebnisse der Analyse geschrieben werden.

Table
Number_of_Distance_Bands

Die Häufigkeit, mit der die Nachbarschaftsgröße inkrementiert und das Dataset für die Cluster-Bildung analysiert wird. Der Startpunkt und die Größe der Inkrementierung werden in den Parametern "Anfangsentfernung" und "Entfernungsschrittgröße" angegeben.

Long
Compute_Confidence_Envelope
(optional)

Der Confidence-Envelope wird berechnet, indem Feature-Punkte (oder Feature-Werte) im Untersuchungsgebiet zufällig platziert werden. Die Anzahl der Punkte/Werte, die zufällig platziert werden, entspricht der Anzahl der Punkte in der Feature-Class. Jeder Satz zufälliger Platzierungen wird als "Permutation" bezeichnet, und der Confidence-Envelope wird aus diesen Permutationen erstellt. Mit diesem Parameter können Sie bestimmen, wie viele Permutationen zur Erstellung des Confidence-Envelope verwendet werden sollen.

  • 0_PERMUTATIONS_-_NO_CONFIDENCE_ENVELOPEEs werden keine Confidence-Envelopes erstellt.
  • 9_PERMUTATIONSEs werden neun Sätze von Punkten/Werten zufällig platziert.
  • 99_PERMUTATIONSEs werden 99 Sätze von Punkten/Werten zufällig platziert.
  • 999_PERMUTATIONSEs werden 999 Sätze von Punkten/Werten zufällig platziert.
String
Display_Results_Graphically
(optional)
  • NO_DISPLAYEs wird keine grafische Zusammenfassung erstellt (Standardeinstellung).
  • DISPLAY_ITEs wird eine grafische Zusammenfassung als Diagramm-Layer erstellt.
Boolean
Weight_Field
(optional)

Ein Zahlenfeld mit Gewichtungen, die die Anzahl der Features/Ereignisse an jeder Position darstellen.

Field
Beginning_Distance
(optional)

Die Entfernung, in der die Cluster-Analyse gestartet wird, und die Entfernung, in der die Inkrementierung beginnt. Der für diesen Parameter eingegebene Wert sollte in den Einheiten des Ausgabe-Koordinatensystems vorliegen.

Double
Distance_Increment
(optional)

Die während jeder Iteration zu inkrementierende Entfernung. Die in der Analyse verwendete Entfernung beginnt bei der Anfangsentfernung und nimmt entsprechend des für die Entfernungsschrittgröße angegebenen Wertes zu. Der für diesen Parameter eingegebene Wert sollte in den Einheiten des Ausgabe-Koordinatensystems vorliegen.

Double
Boundary_Correction_Method
(optional)

Methode zur Korrektur von Unterschätzungen bei der Anzahl der Nachbarn für Features am Rand des Untersuchungsgebiets.

  • NONEEs wird keine Kantenkorrektur vorgenommen. Wenn die Eingabe-Feature-Class jedoch bereits Punkte aufweist, die außerhalb der Grenzen des Untersuchungsgebiets liegen, werden diese in Nachbarmengen für Features in der Nähe von Grenzen verwendet.
  • SIMULATE_OUTER_BOUNDARY_VALUESDiese Methode simuliert Punkte außerhalb des Untersuchungsgebiets, damit die Anzahl der Nachbarn in der Nähe von Kanten nicht unterschätzt wird. Die simulierten Punkte sind die "Spiegel" von Punkten in der Nähe von Kanten innerhalb des Untersuchungsgebiets.
  • REDUCE_ANALYSIS_AREADiese Methode verkleinert das Untersuchungsgebiet so, dass einige Punkte außerhalb des Untersuchungsgebiets liegen. Punkte, die außerhalb des Untersuchungsgebiets liegen, werden zur Berechnung von Nachbarmengen, nicht jedoch für die eigentliche Cluster-Analyse verwendet.
  • RIPLEY'S_EDGE_CORRECTION_FORMULAFür alle Punkte (j) in der Nachbarschaft des Punktes i überprüft diese Methode, ob der Rand des Untersuchungsgebiets oder j sich näher an i befindet. Wenn j sich näher an i befindet, erhält der Punkt j eine zusätzliche Gewichtung. Diese Kantenkorrekturmethode ist nur für quadratische und rechteckige Untersuchungsgebiete geeignet.
String
Study_Area_Method
(optional)

Gibt die Region an, die für das Untersuchungsgebiet verwendet werden soll. Die K-Funktion ist gegen Änderungen in Untersuchungsgebietsgröße empfindlich. Daher ist es wichtig, diesen Wert sorgsam festzulegen.

  • MINIMUM_ENCLOSING_RECTANGLEGibt an, dass das kleinste mögliche Rechteck, das alle Punkte umschließt, verwendet wird.
  • USER_PROVIDED_STUDY_AREA_FEATURE_CLASSGibt an, dass eine Feature-Class, die das Untersuchungsgebiet definiert, im Parameter "Study Area Feature Class" bereitgestellt wird.
String
Study_Area_Feature_Class
(optional)

Feature-Class, die die Fläche abgrenzt, für welche die Eingabe-Feature-Class analysiert werden soll. Wird nur angegeben, wenn "User-provided Study Area Feature Class" als Parameter für die Untersuchungsgebietsmethode ausgewählt wird.

Feature Layer

Codebeispiel

Multi-DistanceSpatialClusterAnalysis – Beispiel (Python-Fenster)

Das folgende Skript im Python-Fenster veranschaulicht, wie das Werkzeug "Multi-DistanceSpatialClusterAnalysis" verwendet wird.

import arcpy
arcpy.env.workspace = r"C:\data"
arcpy.MultiDistanceSpatialClustering_stats("911Calls.shp","kFunResult.dbf", 11,
                                           "0_PERMUTATIONS_-_NO_CONFIDENCE_ENVELOPE",
                                           "NO_REPORT", "#", 1000, 200,"REDUCE_ANALYSIS_AREA",
                                           "MINIMUM_ENCLOSING_RECTANGLE", "#")
Multi-DistanceSpatialClusterAnalysis – Beispiel (eigenständiges Python-Skript)

Das folgende eigenständige Python-Skript veranschaulicht, wie das Werkzeug "Multi-DistanceSpatialClusterAnalysis" verwendet wird.

# Use Ripley's K-Function to analyze the spatial distribution of 911
# calls in Portland Oregon 

# Import system modules
import arcpy

# Set the geoprocessor object property to overwrite existing outputs
arcpy.gp.overwriteOutput = True

# Local variables...
workspace = r"C:\Data"

try:
    # Set the current workspace (to avoid having to specify the full path to the feature classes each time)
    arcpy.env.workspace = workspace

    # Set Distance Band Parameters: Analyze clustering of 911 calls from
    # 1000 to 3000 feet by 200 foot increments
    numDistances = 11
    startDistance = 1000.0
    increment = 200.0

    # Process: Run K-Function...
    kFun = arcpy.MultiDistanceSpatialClustering_stats("911Calls.shp",
                        "kFunResult.dbf", numDistances,
                        "0_PERMUTATIONS_-_NO_CONFIDENCE_ENVELOPE", 
                        "NO_REPORT", "#", startDistance, increment,
                        "REDUCE_ANALYSIS_AREA",
                        "MINIMUM_ENCLOSING_RECTANGLE", "#")

except:
    # If an error occurred when running the tool, print out the error message.
    print arcpy.GetMessages()

Umgebung

Ausgabe-Koordinatensystem

Feature-Geometrie wird vor der Analyse in das Ausgabe-Koordinatensystem projiziert, sodass die Werte für die Parameter Anfangsentfernung und Entfernungsschrittgröße zu jenen passen, die im Ausgabe-Koordinatensystem angegeben werden. Alle mathematischen Berechnungen basieren auf dem Raumbezug des Ausgabe-Koordinatensystems.

Verwandte Themen

Lizenzierungsinformationen

ArcGIS for Desktop Basic: Ja
ArcGIS for Desktop Standard: Ja
ArcGIS for Desktop Advanced: Ja
6/5/2014