从字段中过滤空间自相关 (空间统计工具)

汇总

创建输入字段的空间过滤版本。过滤后的变量将不具有统计显著的空间聚类，但将保留该字段的核心统计属性。然后，可以在分析工作流程（例如相关性或回归分析）中使用该字段的空间过滤版本，假设每个位置的值在空间上是独立的（而不是空间聚类的）。

该工具通过将字段分割为非空间分量（已过滤字段）和一组空间分量（称为 Moran 特征向量）来过滤空间自相关。当输入字段是预测或回归模型的残差或标准化残差字段时，将空间分量作为解释变量纳入模型中（除了原有的解释变量）将减少或消除残差项的空间自相关性，这是各种预测模型的假设。

了解有关 Moran 特征向量的详细信息

插图

“从字段中过滤空间自相关”工具图示

用法

输出要素类将包含空间过滤的输入变量的字段以及用于过滤它的空间分量的字段。在活动地图中运行时，输出要素图层将根据空间过滤的输入字段绘制。
地理处理消息包含以下表，用于汇总用于对输入字段进行空间过滤的空间分量的选择：
- Neighborhood Search History—对于每个经过测试的空间权重矩阵 (SWM)，都会显示 SWM 的详细信息（例如相邻要素的数量和加权方案）、原始输入变量的 Moran's I p 值、空间过滤输入变量的 Moran's I 值和 p 值以及消除空间自相关所需的分量数量。选择用来过滤输入字段的 SWM 以粗体文本和星号表示。
- Spatial Component Search History—对于选定的 SWM，显示每个分量的 ID 值（例如，ID 4 表示它是第四个空间分量）、该分量的 Moran's I 值以及空间滤波输入变量的 Moran's I 值和 p 值。行按照所选分量的顺序，因此 p 值会在每一行上增加，直到超过 0.05（不具有统计意义）。
为了选择用于从输入字段中过滤空间自相关的 SWM，该工具会生成候选 SWM 列表，并测试哪一个可以最有效地消除自相关。如果在输入空间权重矩阵文件参数中未提供任何 SWM，则将创建 28 个 SWM 并将其包含在候选列表中（有关每个 SWM 的描述，请参见理解 Moran 特征向量）。如果提供了任何输入 SWM，则可以使用仅比较输入空间权重矩阵参数来指定候选列表是否仅包含提供的 SWM，或者是否包含提供的 SWM 和该工具创建的 28 个 SWM。例如，要使用单个指定的 SWM，请在输入空间权重矩阵文件参数中提供 SWM，并保持选中仅比较输入空间权重矩阵参数。
该工具使用以下过程在候选 SWM 中进行选择：
1. 对于每个 SWM，使用 Moran's I 置换检验来测试输入字段的统计显著空间自相关性。将从候选项列表中移除任何不具有统计显著性的 SWM。如果所有 SWM 的空间自相关都不具有统计学显著性（p 值大于 0.05），则该工具将失败，并且不会对输入字段进行空间过滤。这表明该字段在空间上不相关，不需要进行过滤。使用 Šidák 校正来调整测试的 p 值，考虑所测试的 SWM 的数量。
2. 对于每个剩余的候选 SWM，按顺序添加空间分量并将其用作解释变量来预测输入字段。对于每个新的空间分量，对残差项的空间自相关性进行统计显著性检验，当残差的自相关性不再具有统计显著性（p 值大于 0.05）时，每个 SWM 都会停止添加分量。每个新分量都是根据残差项自相关的 p 值的最大增幅来选择的（表示最低的空间自相关性）。
3. 选择需要最少数量的分量来产生不显著自相关的残差的 SWM。如果最少数量的分量存在多个，则选择 p 值最大的分量。
4. 所选分量和残差将作为输出要素类的字段返回。残差是输入字段的空间过滤版本。
该过程被称为 MIR（最小化残差中的自相关）选择方法，在以下参考文献中有完整描述：
- Griffith, Daniel A., and Pedro R. Peres-Neto. 2006. "Spatial modeling in ecology: the flexibility of eigenfunction spatial analyses." Ecology 87, no. 10: 2603-2613. https://doi.org/10.1890/0012-9658(2006)87[2603:SMIETF]2.0.CO;2.

标注	说明	数据类型
输入要素	包含将进行空间过滤的字段的输入要素。	Feature Layer
输入字段	将进行空间过滤的输入字段。	Field
输出要素	输出要素包含空间过滤的输入字段的字段以及用于过滤它的空间分量的字段。	Feature Class
从输入要素追加所有字段（可选）	指定是否将所有字段从输入要素复制到输出要素类。选中—输入要素的所有字段都将复制到输出要素类。这是默认设置。未选中—仅将输入字段复制到输出要素类。	Boolean
输入空间权重矩阵文件（可选）	将用作候选 SWM 的输入 SWM 文件列表 (`.swm`)，该 SWM 将用于从输入字段中过滤空间自相关。将使用最有效地过滤空间自相关的 SWM。如果未提供任何文件，该工具将测试 28 个不同的邻域。	File
输出空间权重矩阵文件（可选）	该工具选择的相邻要素和权重的输出 SWM 文件 (`.swm`)。	File
唯一 ID 字段（可选）	输出 `.swm` 文件的唯一 ID 字段。该字段必须是整数，并且每个输入要素必须具有唯一值。	Field
仅比较输入空间权重矩阵（可选）	指定是仅测试输入空间权重矩阵文件参数中提供的 `.swm` 文件，还是同时测试另外 28 个邻域。该工具将使用创建空间分量的 SWM，这些空间分量可以最准确地预测输入字段的值。此参数仅在提供了至少一个输入 `.swm` 文件时适用。选中—将仅测试输入空间权重矩阵文件参数中提供的输入 `.swm` 文件。这是默认设置。未选中—将测试输入空间权重矩阵文件参数中提供的输入 `.swm` 文件以及另外 28 个邻域。	Boolean

arcpy.stats.FilterSpatialAutocorrelationFromField(in_features, input_field, out_features, {append_all_fields}, {in_swm}, {out_swm}, {id_field}, {compare_only_inputs})

名称	说明	数据类型
in_features	包含将进行空间过滤的字段的输入要素。	Feature Layer
input_field	将进行空间过滤的输入字段。	Field
out_features	输出要素包含空间过滤的输入字段的字段以及用于过滤它的空间分量的字段。	Feature Class
append_all_fields （可选）	指定是否将所有字段从输入要素复制到输出要素类。 `ALL`—输入要素的所有字段都将复制到输出要素类。这是默认设置。 `NO_FIELDS`—仅将输入字段复制到输出要素类。	Boolean
in_swm [in_swm,...] （可选）	将用作候选 SWM 的输入 SWM 文件列表 (`.swm`)，该 SWM 将用于从输入字段中过滤空间自相关。将使用最有效地过滤空间自相关的 SWM。如果未提供任何文件，该工具将测试 28 个不同的邻域。	File
out_swm （可选）	该工具选择的相邻要素和权重的输出 SWM 文件 (`.swm`)。	File
id_field （可选）	输出 `.swm` 文件的唯一 ID 字段。该字段必须是整数，并且每个输入要素必须具有唯一值。	Field
compare_only_inputs （可选）	指定是仅测试 `in_swm` 参数中提供的 `.swm` 文件，还是同时测试另外 28 个邻域。该工具将使用创建空间分量的 SWM，这些空间分量可以最准确地预测输入字段的值。此参数仅在提供了至少一个输入 `.swm` 文件时适用。 `COMPARE_INPUTS`—将仅测试 `in_swm` 参数中提供的输入 `.swm` 文件。这是默认设置。 `COMPARE_ALL`—将测试 `in_swm` 参数中提供的输入 `.swm` 文件以及另外 28 个邻域。	Boolean

代码示例

FilterSpatialAutocorrelationFromField 示例 1（Python 窗口）

以下 Python 窗口脚本演示了如何使用 FilterSpatialAutocorrelationFromField 函数。

# Filter spatial autocorrelation from a field.
arcpy.env.workspace = r"c:\data\project_data.gdb"
arcpy.stats.FilterSpatialAutocorrelationFromField(
    in_features="myFeatureClass",
    input_field="myAnalysisField",
    out_features=r"myOutputFeatureClass",
    append_all_fields="ALL",
    in_swm=None,
    out_swm=None,
    id_field=None
)

FilterSpatialAutocorrelationFromField 示例 2（独立脚本）

以下独立脚本演示了如何使用 FilterSpatialAutocorrelationFromField 函数。

# Run Generalized Linear Regression, then filter spatial autocorrelation from residuals.

import arcpy

# Set the current workspace
arcpy.env.workspace = r"c:\data\project_data.gdb"

# Run the regression tool.
arcpy.stats.GeneralizedLinearRegression(
    in_features=r"myFeatureClass",
    dependent_variable="myDependentField",
    model_type="CONTINUOUS",
    output_features=r"myOutputFeatureClass",
    explanatory_variables="myExplanatoryField1;myExplanatoryField2",
    distance_features=None,
    prediction_locations=None,
    explanatory_variables_to_match=None,
    explanatory_distance_matching=None,
    output_predicted_features=None,
    output_trained_model=None
)

arcpy.stats.FilterSpatialAutocorrelationFromField(
    in_features="myOutputFeatureClass",
    input_field="RESIDUAL",
    out_features=r"myFilteredOutputFeatureClass",
    append_all_fields="ALL",
    in_swm=None,
    out_swm=None,
    id_field=None
)

# Print the messages.
print(arcpy.GetMessages())

环境

地理变换, 输出坐标系, 并行处理因子, 随机数生成器

许可信息

基本: 是
标准: 是
高级: 是

从字段中过滤空间自相关 (空间统计工具)

汇总

插图

用法

参数

环境

许可信息

相关主题