Kolokalitätsanalyse (Spatial Statistics Tools)

Zusammenfassung

Misst mithilfe der Statistik des Kolokationsquotienten lokale Muster der räumlichen Zuordnung oder der Lagegleichheit zwischen zwei Kategorien von Punkt-Features.

Weitere Informationen zur Funktionsweise des Werkzeugs Kolokalitätsanalyse

Abbildung

Verwendung

• Dieses Werkzeug akzeptiert nur Punkt-Features. Die zu analysierenden Kategorien können in einem Dataset oder zwei separaten Datasets enthalten sein. Sie können auch zwei separate Datasets verwenden, die als Kategorien angesehen werden. Angenommen, Sie verfügen über ein Punkt-Dataset mit vielen Typen von Restaurants, die als Kategorie RESTAURANTS angesehen werden, und ein weiteres Punkt-Dataset, das viele Typen von Straftaten enthält, die nur als Kategorie CRIMES angesehen werden.

• Das Werkzeug bestimmt für jedes Feature der Interessenskategorie, ob die Features der Nachbarkategorie in größerem oder geringerem Umfang als die gesamte räumliche Verteilung der Kategorien in der Nachbarschaft des Features vorhanden sind. Wenn z. B. für jedes Feature der Kategorie A der Quotient für lokale Kolokalität (LCLQ) den Wert 1 hat, entspricht die Wahrscheinlichkeit, dass Kategorie B benachbart ist, der von Ihnen erwarteten Wahrscheinlichkeit. Bei einem höheren LCLQ-Wert als 1 ist die Wahrscheinlichkeit höher (als die Zufallswahrscheinlichkeit), dass B benachbart ist. Bei einem niedrigeren LCLQ-Wert als 1 ist die Wahrscheinlichkeit geringer (als bei einer Zufallsverteilung), dass das Feature von Kategorie A einen Punkt der Kategorie B als Nachbar hat.

  Hinweis:

  Die Kolokalitätsbeziehung dieser Analyse ist nicht symmetrisch. Die Werte des Kolokalitätsquotienten beim Vergleichen von Kategorie A mit Kategorie B unterscheiden sich von den Werten des Kolokalitätsquotienten beim Vergleichen von Kategorie B mit Kategorie A.

  Wenn die Nachbarschaft Kategorie C enthält, ergeben sich andere Kolokalitätsquotienten als wenn nur Kategorie A und B vorhanden sind. Je nach Fragestellung sollten Sie möglicherweise eine Teilmenge der Daten erstellen, die nur Kategorie A und B enthält. Beim Erstellen einer Teilmenge gehen jedoch die Informationen über die anderen vorhandenen Kategorien verloren. In Fällen, in denen Sie genau wissen, dass sich das Vorhandensein einer Kategorie nicht auf das Vorkommen einer anderen Kategorie auswirkt, sollten Sie eine Teilmenge der Daten auswählen und erstellen.

• Sie können mit den Parametern Entfernungsband und K-Nächste-Nachbarn eine räumliche Beziehung oder mit dem Parameter Nachbarschaftstyp eine Datei mit räumlicher Gewichtungsmatrix definieren.

• Sie können die Daten mit Raum-Zeit-Fenstern analysieren, indem Sie die Parameter Interessen-Zeitfeld, Nachbarkategorien-Zeitfeld und Typ der zeitlichen Beziehung festlegen. Mithilfe von Raum-Zeit-Fenstern können Sie steuern, welche Features in die zu analysierende Nachbarschaft aufgenommen werden. Features, die räumlich und zeitlich nahe beieinander liegen, werden zusammen analysiert, da alle Feature-Beziehungen im Hinblick auf die Position und den Zeitstempel des Ziel-Features ausgewertet werden. Sie können auch festlegen, ob das Werkzeug Features vor oder nach dem Ziel-Feature sucht, oder eine Zeitspanne erstellen, in der das Werkzeug Features vor und nach dem zu analysierenden Ziel-Feature sucht.

• Der Parameter Anzahl der Permutationen dient zum Berechnen von p-Werten. Bei der Auswahl der Anzahl von Permutationen muss zwischen Genauigkeit und erhöhter Verarbeitungszeit abgewogen werden. Der Standardwert beträgt 99 Permutationen. Es wird jedoch empfohlen, für die endgültigen Analyseergebnisse die Anzahl der Permutationen zu erhöhen.

• Durch Angabe eines Pfades für den Parameter Ausgabetabelle für globale Beziehungen kann ein Quotient für die globale Kolokalität berechnet werden. Diese Tabelle enthält Kolokalitätsquotienten, sodass Sie die Maße der räumlichen Zuordnung zwischen allen Kategorien im Dataset analysieren können. Dies ermöglicht Ihnen das Erkunden weiterer Beziehungen in den Daten, wenn Sie global weitere Kategorien mit starker Lagegleichheit finden. Wenn Sie weitere Kategorien mit starker Lagegleichheit finden, können Sie die Analyse erweitern. Hierzu können Sie die lokale Beschaffenheit dieser Beziehung erkunden, indem Sie das Werkzeug erneut mit diesen relevanten Kategorien ausführen. Oder Sie können das Werkzeug erneut ausführen, indem Sie diese Kategorien aus der Analyse entfernen, wenn Sie vermuten, dass die Kategorien mit starker Lagegleichheit die Ergebnisse unnötig verzerren.

• Die Ausgabe dieses Werkzeugs ist eine Karte, auf der die Symbolisierung der Relevanten Eingabe-Features angibt, ob sie wesentlich lagegleich mit den Benachbarten Eingabe-Features oder von diesen abgeschieden sind. Das Werkzeug fügt den Ausgabe-Features Felder hinzu, einschließlich des berechneten Quotienten für die lokale Kolokalität, des p-Wertes, des für die Symbolisierung verwendeten LCLQ-Abschnitts und des LCQL-Typs. Es kann eine optionale Ausgabetabelle für globale Beziehungen angegeben werden, in der die Quotienten für die globale Kolokalität zwischen allen Kategorien im Parameter Interessensfeld und allen Kategorien im Parameter Feld, das die Nachbarkategorie enthält aufgeführt sind.

• Dieses Werkzeug unterstützt eine Parallelverarbeitung und nutzt standardmäßig 50 Prozent der verfügbaren Prozessoren. Die Anzahl der Prozessoren kann mit der Umgebung Faktor für parallele Verarbeitung erhöht oder verringert werden.

Parameter

• Dialog
• Python

Beschriftung	Erläuterung	Datentyp
Eingabetyp	Gibt an, ob die Relevanten Eingabe-Features aus demselben Dataset mit den angegebenen Kategorien, aus anderen Datasets mit angegebenen Kategorien oder aus anderen Datasets stammen, die als eigene Kategorie behandelt werden (z. B. ein Dataset, in dem alle Punkte Geparden darstellen, und ein weiteres Dataset, in dem alle Punkte Gazellen darstellen). Einzelnes Dataset—Die zu analysierenden Kategorien sind in einem Feld in einem einzelnen Dataset vorhanden. Zwei Datasets—Die zu analysierenden Kategorien sind in Feldern verschiedener Datasets vorhanden. Datasets ohne Kategorien—Es werden zwei separate Datasets analysiert, die zwei Kategorien darstellen.	String
Relevante Eingabe-Features	Die Feature-Class, die Punkte mit repräsentativen Kategorien enthält.	Feature Layer
Ausgabe-Features	Die Ausgabe-Feature-Class, die alle Relevanten Eingabe-Features mit Feldern enthält, die den resultierenden Quotienten für die lokale Kolokalität, den Symbolisierungsabschnitt und p-Werte aufweisen.	Feature Class
Interessensfeld (Optional)	Das Feld, das die zu analysierende(n) Kategorie(n) enthält.	Field
Interessen-Zeitfeld (Optional)	Ein Datumsfeld mit einem optionalen Zeitstempel für jedes Feature, um Punkte mithilfe eines Raum-Zeit-Fensters zu analysieren. Features, die in Raum und Zeit einen geringen Abstand zueinander aufweisen, gelten als Nachbarn und werden gemeinsam analysiert.	Field
Interessenskategorie (Optional)	Die Basiskategorie für die Analyse. Das Werkzeug bestimmt für jeden Interessenskategorie-Wert den Grad des Interesses der Basiskategorie an der Nachbarkategorie oder ihrer Kolokalität mit der Nachbarkategorie.	String
Benachbarte Eingabe-Features (Optional)	Die Eingabe-Feature-Class, in der sich die Punkte mit den zu vergleichenden Kategorien befinden.	Feature Layer
Feld, das die Nachbarkategorie enthält (Optional)	Das Feld aus dem Parameter Benachbarte Eingabe-Features, das die zu vergleichende Kategorie enthält.	Field
Zeitfeld der benachbarten Features (Optional)	Ein Datumsfeld mit einem Zeitstempel für jedes Feature, um die Punkte mithilfe eines Raum-Zeit-Fensters zu analysieren. Features, die in Raum und Zeit einen geringen Abstand zueinander aufweisen, gelten als Nachbarn und werden gemeinsam analysiert.	Field
Nachbarkategorie (Optional)	Die Nachbarkategorie für die Analyse. Das Werkzeug bestimmt den Grad des Interesses der Interessenskategorie an der Nachbarkategorie oder ihrer Abgrenzung von der Nachbarkategorie.	String
Nachbarschaftstyp	Gibt an, wie die räumlichen Beziehungen zwischen Features definiert werden. Entfernungsband—Jedes Feature wird im Kontext benachbarter Features analysiert. Benachbarte Features innerhalb der durch den Parameter Entfernungsband angegebenen kritischen Entfernung erhalten die Gewichtung 1 und beeinflussen die Berechnungen für das Ziel-Feature. Benachbarte Features außerhalb der kritischen Entfernung erhalten eine Gewichtung von 0 und haben keinen Einfluss auf die Berechnungen eines Ziel-Features. Nächste Nachbarn (K)—Die nächstgelegenen k-Features werden in die Analyse als Nachbarn einbezogen. Die Anzahl der Nachbarn wird durch den Parameter Anzahl der Nachbarn angegeben. Dies ist die Standardeinstellung. Räumliche Gewichtungen aus Datei abrufen—Wenn Einzelnes Dataset als Eingabetyp verwendet wird, werden die räumlichen Beziehungen durch eine angegebene Datei mit räumlicher Gewichtungsmatrix definiert. Der Pfad zur Datei mit räumlichen Gewichtungen wird durch den Parameter Gewichtungsmatrix-Datei angegeben.	String
Anzahl der Nachbarn (Optional)	Die Anzahl der Nachbarn um jedes Feature, die zum Testen auf lokale Beziehungen zwischen Kategorien verwendet werden. Wenn kein Wert angegeben ist, wird der Standardwert 8 verwendet. Der angegebene Wert muss groß genug sein, um Beziehungen zwischen Features erkennen zu können, aber noch klein genug, um auch lokale Muster ausmachen zu können.	Long
Entfernungsband (Optional)	Die Nachbarschaftsgröße ist eine konstante oder feste Entfernung für jedes Feature. Alle Features innerhalb dieser Entfernung werden zum Testen auf lokale Beziehungen zwischen Kategorien verwendet. Wenn kein Wert angegeben wird, wird die durchschnittliche Entfernung der einzelnen Features zu mindestens 8 Nachbarn verwendet.	Linear Unit
Gewichtungsmatrix-Datei (Optional)	Der Pfad zu einer Datei mit Gewichtungen, die räumliche und potenziell zeitliche Beziehungen unter Features definieren.	File
Typ der zeitlichen Beziehung (Optional)	Gibt an, wie zeitliche Beziehungen zwischen Features definiert werden. Vor—Das Zeitfenster für jeden der Werte von Relevante Eingabe-Features liegt in der Vergangenheit. Benachbarte Features müssen über einen Datums-/Zeitstempel verfügen, der vor dem Datums-/Zeitstempel des relevanten Features liegt, das in die Analyse aufgenommen werden soll. Dies ist die Standardeinstellung. Nach—Das Zeitfenster für jeden der Werte von Relevante Eingabe-Features liegt in der Zukunft. Benachbarte Features müssen über einen Datums-/Zeitstempel verfügen, der nach dem Datums-/Zeitstempel des relevanten Features liegt, das in die Analyse aufgenommen werden soll. Spanne—Das Zeitfenster für jeden der Werte von Relevante Eingabe-Features liegt in der Vergangenheit und Zukunft. In die Analyse werden benachbarte Features aufgenommen, deren Datums-/Zeitstempel im Wert von Zeitschrittintervall vor oder nach dem Datums-/Zeitstempel des relevanten Features liegt. Wenn der Parameter Zeitschrittintervall z. B. auf 1 Woche festgelegt ist, umfasst das Fenster 1 Woche vor und 1 Woche nach dem Ziel-Feature.	String
Zeitschrittintervall (Optional)	Eine ganze Zahl und Maßeinheit, die die Anzahl an Zeiteinheiten darstellen, die das Zeitfenster bilden.	Time Unit
Anzahl der Permutationen (Optional)	Die Anzahl der Permutationen, die zur Erstellung einer Referenzverteilung verwendet wird. Bei der Auswahl der Anzahl von Permutationen muss zwischen Genauigkeit und erhöhter Verarbeitungszeit abgewogen werden. Legen Sie Ihre Präferenz für Geschwindigkeit im Vergleich zu Genauigkeit fest. Robuste und präzise Ergebnisse erfordern mehr Zeit zur Berechnung. 99—In der Analyse werden 99 Permutationen verwendet. Bei 99 Permutationen ist der kleinstmögliche Pseudo-p-Wert 0,02. Alle anderen Pseudo-p-Werte sind Vielfache dieses Wertes. Dies ist die Standardeinstellung. 199—In der Analyse werden 199 Permutationen verwendet. Bei 199 Permutationen ist der kleinstmögliche Pseudo-p-Wert 0,01 und alle anderen Pseudo-p-Werte sind gerade Vielfache dieses Wertes. 499—In der Analyse werden 499 Permutationen verwendet. Bei 499 Permutationen ist der kleinstmögliche Pseudo-p-Wert 0,004 und alle anderen Pseudo-p-Werte sind gerade Vielfache dieses Wertes. 999—In der Analyse werden 999 Permutationen verwendet. Bei 999 Permutationen ist der kleinstmögliche Pseudo-p-Wert 0,002 und alle anderen Pseudo-p-Werte sind gerade Vielfache dieses Wertes. 9999—In der Analyse werden 9.999 Permutationen verwendet. Bei 9999 Permutationen ist der kleinstmögliche Pseudo-p-Wert 0,0002 und alle anderen Pseudo-p-Werte sind gerade Vielfache dieses Wertes.	Long
Lokales Gewichtungsschema (Optional)	Gibt den Kernel-Typ an, mit dem die räumliche Gewichtung bereitgestellt wird. Der Kernel definiert, in welchem Zusammenhang die einzelnen Features mit anderen Features in ihrer Nachbarschaft stehen. Biquadrat—Features werden anhand der Entfernung zum am weitesten entfernten Nachbarn oder anhand der Entfernung zum Rand des Entfernungsbandes gewichtet. Jedes Feature außerhalb der angegebenen Nachbarschaft erhält die Gewichtung 0. Gauß—Features werden anhand der Entfernung zum am weitesten entfernten Nachbarn oder anhand der Entfernung zum Rand des Entfernungsbandes gewichtet. Die Gewichtung nimmt jedoch schneller ab als bei Verwendung der Option Biquadrat. Einem Feature außerhalb der angegebenen Nachbarschaft wird die Gewichtung 0 zugewiesen. Dies ist die Standardeinstellung. Keine—Es wird kein Gewichtungsschema angewendet. Alle Features innerhalb der Nachbarschaft werden mit 1 gewichtet und haben den gleichen Einfluss. Alle Features außerhalb der Nachbarschaft erhalten die Gewichtung 0.	String
Ausgabetabelle für globale Beziehungen (Optional)	Eine Tabelle, in der die Quotienten für die globale Kolokalität zwischen allen Kategorien im Parameter Interessensfeld und allen Kategorien im Parameter Feld, das die Nachbarkategorie enthält aufgeführt sind. Anhand dieser Tabelle können Sie die lokalen Kategorien bestimmen, die analysiert werden sollen. Wenn Datasets ohne Kategorien als Parameterwert für Eingabetyp verwendet wird, werden Quotienten für die globale Kolokalität für alle Datasets und zwischen allen Datasets berechnet.	Table

Umgebungen

Zufallszahlengenerator, Ausgabe-Koordinatensystem, Faktor für parallele Verarbeitung

Lizenzierungsinformationen

• Basic: Ja
• Standard: Ja
• Advanced: Ja

Verwandte Themen

• Überblick über das Toolset "Modellierung von räumlichen Beziehungen"
• Suchen eines Geoverarbeitungswerkzeugs
• Funktionsweise der Kolokalitätsanalyse
• Lokale bivariate Beziehungen