空間リレーションシップのモデリング ツールセットの概要

空間関係のモデリング ツールセットには、データ関係を検索し定量化するためのツールが含まれています。

GIS 解析は、空間パターンの解析に加え、フィーチャ間の関係を確認または定量化する場合に使用できます。 回帰分析、フォレストベース手法、最大エントロピー方法などのさまざまな分析方法を使用して空間加重マトリックスを構築したり、空間関係をモデリングしたりするには、空間関係のモデリング ツールを使用します。

ツール	説明
2 変数空間的関連性 (Lee's L)	Lee's L 統計を使用して 2 つの連続型変数の間の空間的関連性を計算します。
因果推論分析	ランダム化実験を近似し、交絡変数を制御することで、連続要因変数が連続結果変数に及ぼす因果関係を推定します。
コロケーション分析	コロケーション指数統計を使用して、ポイント フィーチャの 2 つのカテゴリー間における空間的な関連性 (コロケーション) の局所的なパターンを計測します。
イベントまでの推定時間	これまでのイベント発生時間に基づいてイベントが発生するまでの時間を予測します。 説明変数を使用して予測を改善でき、ツールはイベントが発生するまでの時間を増減する変数を特定できます。
交差検証による予測を評価	交差検証を使用して予測モデルの性能を評価します。 このツールでは、フォレストベースおよびブースト分類と回帰分析 、一般化線形回帰分析 、Presence-only 予測 ツールで作成されたモデルの検証メトリックが生成されます。 評価タイプ (たとえば K 分割や空間 K 分割)、グループ数、希少イベントのバランス調整を指定でき、強固で偏りのないモデル評価が行われます。
予測に対する変数の影響を評価	空間統計モデル (.ssm) ファイルの予測に対する変数の影響度を評価します。 このツールで部分依存プロット作成すると、入力モデルの予測に対する各説明変数の影響度を確認できるようになります。
予備回帰分析	入力された説明変数候補の考えられるすべての組み合わせを評価し、ユーザーが指定した条件のコンテキスト内で従属変数を最適に説明する OLS モデルを検索します。
フォレストベースおよびブースト分類と回帰分析	Leo Breiman および Adele Cutler が開発したランダム フォレスト アルゴリズム、または Tianqi Chen および Carlos Guestrin が開発した Extreme Gradient Boosting (XGBoost) アルゴリズムの 2 つの教師付き機械学習方法のいずれかを使用して、モデルの作成と予測の生成を行います。 予測は、カテゴリー変数 (分類) と連続変数 (回帰) の両方に対して実行できます。 説明変数は、追加変数として用いる近接値の算出に使用されるトレーニング フィーチャ、ラスター データセット、および距離フィーチャの属性テーブル内のフィールドの形を取ることができます。 トレーニング データに基づいてモデルのパフォーマンスを検証するだけでなく、フィーチャまたは予測ラスターに対して予測を行うこともできます。
一般化線形回帰分析	一般化線形回帰分析 (GLR) を実行して、予測したり、一連の説明変数との関係から従属変数をモデル化したりします。 このツールを使用して、連続 (OLS)、バイナリー (ロジスティック)、およびカウント (ポアソン) のモデルに適合させることができます。
ネットワーク空間加重の生成	ネットワーク データセットを使用して空間加重マトリックス ファイル (.swm) を作成し、基礎となるネットワーク構造における空間リレーションシップを定義します。
空間加重マトリックスの生成	空間加重マトリックス ファイル (.swm) を生成して、データセット内のフィーチャ間の空間リレーションシップを表します。
地理空間加重回帰分析 (GWR)	空間的に変化する関係をモデリングするときに使用される局所形の線形回帰である、地理空間加重回帰分析 (GWR) を実行します。
ローカル 2 変数リレーションシップ	ローカル エントロピーを使用して、2 つの変数の統計的に有意な関係を解析します。 各フィーチャは、関係性のタイプに基づいて、6 つのカテゴリーのいずれかに分類されます。 出力を使用して、変数が関係するエリアを視覚化し、分析範囲全体で関係がどのように変化するかを調べることができます。
マルチスケール地理空間加重回帰分析 (MGWR)	空間的に変化する関係をモデリングするローカル線形回帰である、マルチスケール地理空間加重回帰分析 (MGWR) を行います。
最小二乗法 (OLS)	グローバルな最小二乗法 (OLS) による線形回帰分析は予測したり、独立変数との関係から従属変数をモデル化したりします。
空間統計モデル ファイルを使用して予測	トレーニング済みの空間統計モデル (.ssm ファイル) を使用して連続値またはカテゴリー値を予測します。
予測のためのデータを準備	フォレストベースおよびブースト分類と回帰分析、一般化線形回帰分析、Presence-only 予測 ツール、その他のモデルにおける予測ワークフロー用のデータを強化します。 これには、フィーチャをトレーニング セットとテスト セットに分割すること、ラスターや距離フィーチャから変数を抽出すること、分類の正確度を高めるためにデータをバランス調整すること、偏った空間データの空間間引きを行うことが含まれます。
Presence-only 予測	最大エントロピー アプローチ (MaxEnt) を使用して、指定された既知の存在ロケーションと説明変数の現象の存在をモデル化します。 存在確率を含み、存在が既知で不在が未知である問題にのみ適用できる出力フィーチャをツールは提供します。
ゾーン間の空間的関連性	同じ調査エリアの 2 つの地域間の空間的関連性の度合いを計測します。調査エリアでは、各地域がゾーンと呼ばれるカテゴリー セットから構成されます。 地域間の関連性は、各地域のゾーン間で重なるエリアによって決定されます。 関連性は、1 つの地域の各ゾーンが他の地域のゾーンにほぼ一致する場合に、最も高くなります。 同様に、空間的関連性は、1 つの地域の複数のゾーンが他の地域の多くの異なるゾーンと大きく重なる場合に、最も低くなります。 ツールの主要出力は、カテゴリー変数間の空間的関連性のグローバルな計測です。これは、0 (一致なし) から 1 (ゾーンの完全な空間的整合) までの 1 つの数字です。 必要に応じて、グローバルな関連性を、いずれかの地域の特定のゾーンまたは複数の地域間のゾーンの特定の組み合わせに対して、計算および視覚化できます。
空間的自己回帰	ポイント フィーチャクラスまたはポリゴン フィーチャクラスのグローバル空間回帰モデルを推定します。