Многовариантный пространственный кластерный анализ (Ripley's K Function) (Пространственная статистика)

Уровень лицензии:BasicStandardAdvanced

Резюме

Определяет, проявляют ли пространственные объекты, или ассоциированные с ними значения, статистически значимую кластеризацию или дисперсию по диапазону расстояний.

Более подробно о том, как работает пространственный кластерный анализ на основе множественных расстояний

Рисунок

График K-функции
Измерение пространственной кластеризации/дисперсии для диапазона расстояний.

Использование

Синтаксис

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})
ПараметрОбъяснениеТип данных
Input_Feature_Class

Класс объектов, по которому будет выполняться анализ.

Feature Layer
Output_Table

Таблица, в которую будут записаны результаты анализа

Table
Number_of_Distance_Bands

Количество раз, чтобы увеличить размер соседства и проанализировать набор данных для выявления кластеризации. Начальная точка и размер приращения указываются в качестве параметров Начальное расстояние и Приращение расстояние.

Long
Compute_Confidence_Envelope
(дополнительно)

Доверительные границы рассчитываются путем случайного перераспределения точечных объектов (или их значений) по области изучения. Количество точек/значений, перераспределенных случайным образом, соответствует количеству точек, содержащихся в классе объектов. Каждая очередь случайных перераспределений называется "перестановка"; доверительные границы создаются на основе этих перестановок. Этот параметр позволяет вам выбрать, сколько перестановок следует использовать для расчета доверительных границ.

  • 0_PERMUTATIONS_-_NO_CONFIDENCE_ENVELOPE —Доверительные границы не созданы.
  • 9_PERMUTATIONS —9 наборов точек/значений размещаются случайным образом.
  • 99_PERMUTATIONS —99 наборов точек/значений размещаются случайным образом.
  • 999_PERMUTATIONS —999 наборов точек/значений размещаются случайным образом.
String
Display_Results_Graphically
(дополнительно)
  • NO_DISPLAY —Результаты не будут представлены в графической форме (по умолчанию).
  • DISPLAY_IT —Графические результаты будут представлены в виде графического слоя.
Boolean
Weight_Field
(дополнительно)

Числовое поле веса, отражающее количество объектов/событий в каждом местоположении.

Field
Beginning_Distance
(дополнительно)

Расстояние, на котором необходимо начать кластерный анализ и расстояние, от которого необходимо начать приращение. Введенное значение параметра должно быть в таких же единицах, что и Выходная система координат.

Double
Distance_Increment
(дополнительно)

Расстояние, на которое необходимо увеличивать при каждой последующей итерации. Расстояние, используемое в этом анализе, начинается от Начального расстояния и увеличивается на количество, указанное в Приращение расстояния. Введенное значение параметра должно быть в таких же единицах, что и Выходная система координат.

Double
Boundary_Correction_Method
(дополнительно)

Данный метод используется для корректировки недооценок количества соседей для объектов, расположенных рядом с границами области изучения.

  • Нет (NONE) —Не применена корректировка приграничных точек. Однако, если Входной класс объектов уже содержит точки, располагающиеся за пределами области изучения, они будут использоваться в соседних вычислениях для объектов рядом с границами.
  • SIMULATE_OUTER_BOUNDARY_VALUES —Этот метод расставляет точки за пределами области изучения так, что количество соседей рядом с границами достаточное для проведения корректных расчетов. Расставленные точки являются отображением точек, расположенных рядом с границами внутри области изучения.
  • REDUCE_ANALYSIS_AREA —Этот метод сужает область изучения таким образом, что некоторые точки могут оказаться за пределами области исследования. Точки, найденные за пределами области исследования, используются для соседних вычислений, но не используются при проведении кластерного анализа.
  • RIPLEY'S_EDGE_CORRECTION_FORMULA —Для всех точек (j), расположенных по соседству от точки i, данный метод проверяет, располагается ли точка i ближе к границе области интереса или к точке j. Если j ближе, дополнительные веса присваиваются точке j. Этот метод корректировки подходит только для областей изучения, имеющих форму квадрата или прямоугольника.
String
Study_Area_Method
(дополнительно)

Указывает регион, который необходимо использовать для области изучения. К-функция чувствительна к изменениям в размере области изучения, в связи с чем необходим тщательный выбор значения.

  • MINIMUM_ENCLOSING_RECTANGLE —Указывает, что будет использован наименьший из возможных прямоугольников, содержащих внутри все точки.
  • USER_PROVIDED_STUDY_AREA_FEATURE_CLASS —Указывает, что класс объектов, определяющий область изучения, будет представлен в качестве параметра Класс объектов для области изучения (Study Area Feature Class).
String
Study_Area_Feature_Class
(дополнительно)

Класс объектов, который очерчивает область, по которой следует анализировать входной класс объектов. Должен быть указан, если для параметра Метод определения области изучения (Study Area Method) задано значение Определенный пользователем класс объектов изучаемой территории (User-provided Study Area Feature Class).

Feature Layer

Пример кода

Пространственный кластерный анализ на основе множественных расстояний. Пример (окно Python)

Следующий скрипт, представленный в окне Python, демонстрирует, как использовать инструмент Multi-DistanceSpatialClusterAnalysis.

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", "#")
Пространственный кластерный анализ на основе множественных расстояний. Пример (автономный скрипт Python)

Следующий автономный скрипт Python демонстрирует, как использовать инструмент Multi-DistanceSpatialClusterAnalysis.

# 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()

Параметры среды

Выходная система координат (Output Coordinate System)

Геометрия объектов проецируется в соответствии с Выходной системой координат (Output Coordinate System) до выполнения анализа, поэтому значения, введенные для параметров Начального расстояния(Beginning Distance) и Приращения расстояния (Distance Increment) должны совпадать с указанными в Выходной системе координат (Output Coordinate System). Во всех математических вычислениях учитывается пространственная привязка Выходной системы координат (Output Coordinate System).

Связанные темы

Обзор группы инструментов Анализа структурных закономерностей
Моделирование пространственных отношений
Что такое z-оценка? Что такое p-значение?
Использование окна Результаты (Results)
Среднее Ближайшее соседство
Пространственная автокорреляция (Global Moran's I)
Как работает пространственный кластерный анализ на основе множественных расстояний (К-функция Рипли)

Информация о лицензировании

ArcGIS for Desktop Basic: Да
ArcGIS for Desktop Standard: Да
ArcGIS for Desktop Advanced: Да
Информация об авторском праве © Esri, 1995-2013. Все права защищены.
9/11/2013