適合性モデラーの統計の探索ウィンドウ
Spatial Analyst ライセンスで利用可能。
比較 ウィンドウでは、実行する定義済みの統計を選択しました。 統計の探索 ウィンドウを使用すると、定義済みの統計からの結果を表示できます。
結果を表示するには、統計の探索 ウィンドウで、表示する統計をクリックします。 統計のパラメーター、サポート プロット、説明テキストが 比較統計ウィンドウ に表示され、関連付けられた出力マップがマップ内に表示されます。
選択した統計のパラメーターは、比較統計ウィンドウ で変更できます。 統計の出力が更新されます。
比較のための定義済みの統計
次のセクションでは、出力の解析に役立つように、5 つの機能統計グループごとに、それぞれの統計における確認事項について説明します。
入力パラメーターの調査
入力パラメーターの調査 機能グループには 1 つの統計があり、入力モデルの比較に使用できます。
モデルのパラメーター
統計の説明と使用する状況については、モデルのパラメーターをご参照ください。
確認事項:
最終的な適合性と場所検索マップの空間分布を調べて、出力の概要を理解します。
モデル同士が同じ入力条件と加重を持つかどうかを確認します。
横に並んだプロットによって各条件の変換を確認します。
モデル間で結果の領域のパラメーターを比較して、異なるかどうかを確認します。
類似性の比較と相違
類似性の比較と相違 機能グループには 4 つの統計があり、入力モデルの比較に使用できます。
適合性の値の差異
統計の説明、使用する状況、および統計の基になる一般的な公式については、「適合性の値の差異」をご参照ください。
変化率 オプションの確認事項:
出力値の範囲を決定します。 範囲が広くなるほど、モデル間の差異が大きくなります。 結果のプロットを調べて、大きな差異がある場所がごくわずかであるかどうかを確認します。
マップ内で、値が正負どちらでもゼロに最も近い場所はモデルが一致する場所であるため注意します。
正の値が大きい場所を確認します。その場所は、Model 1 が Model 2 と比べて適合性の値が大きいことを示しています。
負の値が小さい場所を確認します。その場所は、Model 2 が Model 1 と比べて適合性の値が大きいことを示しています。
正の値が大きい場所と負の値が小さい場所を確認します。その場所は、モデルが最も異なる場所を示しています。
モデル同士が異なるパターンに注意します。 これらのパターンは、入力条件のいずれかまたはその組み合わせの偏りや、一方のモデルには他方のモデルに存在する条件が欠落していることを示している可能性があります。
パーセント差 オプションの確認事項:
値が小さい場所を確認します。それは、モデルが一致する場所です。
小さい数値 (モデルが一致する場所) と大きい数値 (モデルが異なる場所) がクラスタリングしているか、または分析範囲全体に広がっているかを解析します。
大きな値にパターンが見られる場合、そのパターンを特定の条件に関連付けることはできますか？
モデル間の類似性
統計の説明、使用する状況、および統計の基になる一般的な公式については、「モデル間の類似性」をご参照ください。
確認事項:
モデルが類似している場所を示す、類似性閾値を満たす場所の数に注意します。
分析範囲全体でセルがグループ化されているか断片化されているかを判定します。
最終的な領域が作成された場合は、統計から生成されたマップ上に表示します。 統計から出力された場所に領域が対応しているかどうかを調べます。 その場合、モデルは重要な場所で一致しています。
類似性と相違
統計の説明、使用する状況、および統計の基になる一般的な公式については、「類似性と相違」をご参照ください。
確認事項:
モデル間で類似している場所がクラスタリングしているかどうかを調べます。 異なる場所はクラスタリングしていますか？
類似している場所が異なる場所に近いかどうかを調べます。
モデルが類似性および相違を示すパターンがあり、変換された条件のパターンにリンクできるかどうかを確認します。
差異のクラスター (ホット スポット分析)
統計の説明、使用する状況、および統計の基になる一般的な公式については、「差異のクラスター (ホット スポット分析)」をご参照ください。
確認事項:
ホット スポット (モデルが異なる場所) とコールド スポット (モデルが類似している場所) が分析範囲全体でクラスタリングしているか、断片化されているかに注意します。
ホット スポットとコールド スポットが近いか離れているかを確認します。
「類似性と相違」統計を実行した場合は、2 つの出力を比較します。 各場所周辺の他のセルを計算に含める (ホット スポット統計の場合と同じ) と、パターンが変化するかどうかを判定します。
適合性の値の解析
適合性の値の解析 機能グループには 4 つの統計があり、入力モデルの比較に使用できます。
適合性が高いモデルの類似性
統計の説明、使用する状況、統計の基になる一般的な公式については、適合性が高いモデルの類似性をご参照ください。
確認事項:
統計から生成されたマップ上に、各モデルの最終的な領域を表示します。 領域がこの統計の出力の範囲内にある場合、モデルの重要な側面は一致しています。
出力値がクラスタリングしているか、断片化されているかを調べます。 断片化されていて、最終的な領域が作成された場合は、「領域のオーバーラップ」統計を実行して、領域が一致するかどうかを調べます。
高適合性の変化率
統計の説明、使用する状況、および統計の基になる一般的な公式については、「高適合性の変化率」をご参照ください。
確認事項:
正の値と負の値が別々にクラスタリングしているかどうかを調べます。
加重、変換、条件の変更を探索している場合、モデル間で変更の影響を確認できますか？
正の値がある場所を確認します。正の値は Model 1 の適合性の値が高いことを示し、負の値は変更によって好ましい結果が生成されることを示しています。
適合性が高いモデルの類似性と相違
統計の説明、使用する状況、および統計の基になる一般的な公式については、「適合性が高いモデルの類似性と相違」をご参照ください。
確認事項:
適合性の高いモデル間で、異なる場所を調べます。 これらの場所を特定するには、この統計の出力と組み合わせて、適合性が高いモデルの類似性 統計の出力を使用する必要がある場合があります。 これらの場所は、モデル間で一致しないエリアを正確に示し、モデル間で最も重大な不一致をハイライト表示します。
最終的な領域が、モデルが類似していて適合性が高い場所に含まれることを確認します。
適合性が高く、モデルが一致する場所と一致しない場所の間の空間リレーションシップを判定します。 両者の場所が近い場合、その理由を説明できますか？
異なる場所が分析範囲全体に広がっている場合は、土地利用などのカテゴリー条件が結果に影響している可能性があるので注意してください。
適合性が低いモデルの類似性
統計の説明、使用する状況、および統計の基になる一般的な公式については、「適合性が低いモデルの類似性」をご参照ください。
確認事項:
多くの場所が類似していて、適合性が低いことを確認します。 これは、モデルが好ましくないエリアで一致することを示しています。
低適合性閾値 パラメーターを増やして、追加の場所がどこに追加されるかを確認します。 新しい場所は既存の場所から拡大していますか？
モデル間の変更の調査
モデル間の変更の調査 機能グループには 2 つの統計があり、入力モデルの比較に使用できます。
適合性の値間の空間的関連性
統計の説明、使用する状況、および統計の基になる一般的な公式については、「適合性の値間の空間的関連性」をご参照ください。
確認事項:
高 - 高 および 低 - 低 のカテゴリーは、モデルが一致する場所であることに注意してください。
低 - 高 または 高 - 低 は、モデルが一致しない場所であることに注意してください。 低 - 高 は、Model 1 の適合性の値が Model 2 に比べて低いことを示します。 高 - 低 は、Model 2 で行われた変更によって適合性が低下したことを示します。
カテゴリー内の空間パターンを調べます。 カテゴリーはクラスタリングしていますか？ カテゴリーは相互に空間的にどのように関連していますか？
シナリオ テストで、Model 1 の加重、変換、入力条件を変更したときの Model 2 への影響を直接調べます。
この統計は、適合性の値の変化 (変化の検出) 統計と組み合わせて使用します。
適合性の値の変化 (変化の検出)
統計の説明、使用する状況、および統計の基になる一般的な公式については、「適合性の値の変化 (変化の検出)」をご参照ください。
確認事項:
シナリオ テストで、Model 1 の加重、変換、入力条件を変更すると、Model 2 に直接どのように影響するかを確認します。
Model 1 で行った変更のパターンを解析します。 Model 1 の変更が Model 2 でどのように実現されるかを説明してみます。
領域がオーバーラップする場所の確認
領域がオーバーラップする場所の確認 機能グループには 2 つの統計があり、入力モデルの比較に使用できます。
領域のオーバーラップ
統計の説明、使用する状況、および統計の基になる一般的な公式については、「領域のオーバーラップ」をご参照ください。
確認事項:
領域のオーバーラップが多いということは、条件、加重、変換が異なっても、モデルが類似している領域を生成することを示しています。
複数の領域がある場合は、領域間にパターンがあるかどうかを調べます。 大きくオーバーラップする領域とオーバーラップしない領域があるか調べます。 これらのパターンのいずれかを元の条件と変換に関連付けることができますか？
領域にオーバーラップがない場合、モデルは互いに独立していることに注意してください。
適合性レベルでの領域のオーバーラップ
統計の説明、使用する状況、統計の基になる一般的な公式については、適合性レベルでの領域のオーバーラップをご参照ください。
確認事項:
領域がオーバーラップしていない場所を確認します。 それらは適合性の高いエリアにありますか？ その場合、領域が正確に一致していなくても、生成される領域は適合性が高いため、好ましいものとなります。
適合性が低く、オーバーラップしている場所またはオーバーラップしない場所を識別します。 これらは最も注意すべき場所です。 これらの場所では、モデル同士が大きく異なるため、適合性の平均値が低下しています。
さらに知見を得るには、上記の 領域のオーバーラップ 統計の説明にある確認事項をご参照ください。