当前位置: 首页 > news >正文

ArcGIS中几个好用的空间分析工具

ArcGIS是一款经典的GIS应用,其空间分析能力很强,有着丰富的空间分析工具。今天,我们一起来了解几个好用的空间分析工具的功用及操作。

注:演示版本为ArcMap10.4.1

1.方向分布(标准差椭圆)

路径:Spatial Statistics Tools-Measuring Geographic Distribution-Directional Distribution (Standard Deviational Ellipse)

原理:

测量一组点或区域的趋势的一种常用方法便是分别计算 x 和 y 方向上的标准距离。这两个测量值可用于定义一个包含所有要素分布的椭圆的轴线。由于该方法是由平均中心作为起点对 x 坐标和 y 坐标的标准差进行计算,从而定义椭圆的轴,因此该椭圆被称为标准差椭圆。利用该椭圆,您可以查看要素的分布是否是狭长形的,并因此具有特定方向。

正如通过在地图上绘制要素您可以感受到要素的方向性一样,计算标准差椭圆则可使这种趋向变得更为明确。您可以根据要素的位置点或受与要素关联的某个属性值影响的位置点来计算标准差椭圆。后者称为加权标准差椭圆。

方向分布(标准差椭圆)工具会为所有要素(如果为案例分组字段指定了值,则是为所有案例)创建一个新的以平均中心为中心的椭圆面要素类。这些输出椭圆面的属性值包括两个标准距离(长轴和短轴)、椭圆的方向和案例分组字段(如果已指定)。方向表示从顶点开始按顺时针进行测量的长轴的旋转。您还可以指定要表示的标准差数(1、2 或 3)。当要素具有空间正态分布时(即这些要素在中心处最为密集,而在接近外围时会逐渐变得稀疏),一个标准差(默认值)范围可将约占总数 68% 的输入要素的质心包含在内。两个标准差范围会将约占总数 95% 的要素包含在内,而三个标准差范围则会覆盖约占总数 99% 的要素的质心。

下面,我们来看一下参数设置:

参数说明
Input Feature Class需要计算标准差椭圆的要素分布所在的要素类
Output Ellipse Feature Class输出椭圆要素的面要素类
Ellipse Size输出椭圆的大小,默认为1
Weight Field根据各位置的相对重要性对它们进行加权的数值型字段
Case Field对要素进行分组以分别计算方向分布的字段

2.热点分析(Getis-Ord Gi*)

路径:Spatial Analyst Tools-Mapping Clusters-Hot Spot Analysis (Getis-Ord Gi*)

用于识别具有统计显著性的高值(热点)和低值(冷点)的空间聚类

原理:查看邻近要素环境中的每一个要素。高值要素往往容易引起注意,但可能不是具有显著统计学意义的热点。要成为具有显著统计需意义的热点,要素应具有高值,且被其他同样具有高值的要素所包围。某个要素及其相邻要素的局部总和将与所有要素的总和进行比较;当局部总和与所预期的局部总和有很大差异,以致于无法成为随机产生的结果时,会产生一个具有显著统计学意义的 z 得分。

参数比较简单,主要包括输入的要素、统计字段,输出位置等。

对结果的理解:为数据集中的每个要素返回的 Gi* 统计就是 z 得分。对于具有显著统计学意义的正的 z 得分,z 得分越高,高值(热点)的聚类就越紧密。对于统计学上的显著性负 z 得分,z 得分越低,低值(冷点)的聚类就越紧密。

3.GWR地理加权回归

路径:Spatial Statistics Tools-Modeling Spatial Relationships-Geographically Weighted Regression

GWR 为数据集中的各要素构建了一个独立的方程,用于将落在各目标要素的带宽范围内的要素的因变量和解释变量进行合并。带宽的形状和范围取决于用户输入的核类型、带宽方法、距离以及相邻要素数等参数,但也存在一条限制:如果相邻要素的数目超过 1000,则仅将最相邻的 1000 个要素合并到各个局部方程中。

原理:通过使回归方程适合数据集中的每个要素,GWR 可为您要尝试了解/预测的变量或过程提供局部模型。GWR 构建这些独立方程的方法是:将落在每个目标要素的带宽范围内的要素的因变量和解释变量进行合并。带宽的形状大小取决于用户输入的核类型、带宽方法、距离以及相邻点的数目参数。

相关文章:

  • 人工智能入门学习教程分享
  • AI驱动安全
  • 计算机体系结构重点学习
  • LabVIEW输送机动态特性参数监测系统
  • 安鸾学院靶场——安全基础
  • Vivado时序报告之Datasheet详解
  • Mocha Pro 2024 v11.0.1 Mac版摄像机反求跟踪插件更新:优化AE/PR/OFX/达芬奇工作流程
  • 设置ingress的会话保持
  • Integrated Surface Dataset 全球气象站点小时数据获取方式
  • vue2+echarts:echarts在dialog弹框中不显示的解决方案
  • 使用Docker-Java监听Docker容器的信息
  • C++面向对象:多态性
  • C数据结构:排序
  • Mock数据
  • 第2章 Rust初体验5/8:match表达式和模式匹配:更富表达力:猜骰子冷热游戏
  • [ 一起学React系列 -- 8 ] React中的文件上传
  • 「译」Node.js Streams 基础
  • 【刷算法】从上往下打印二叉树
  • Angular4 模板式表单用法以及验证
  • bearychat的java client
  • Docker 笔记(2):Dockerfile
  • ES6系列(二)变量的解构赋值
  • Java程序员幽默爆笑锦集
  • PHP的Ev教程三(Periodic watcher)
  • Ruby 2.x 源代码分析:扩展 概述
  • socket.io+express实现聊天室的思考(三)
  • Spring Security中异常上抛机制及对于转型处理的一些感悟
  • 动态魔术使用DBMS_SQL
  • 如何设计一个比特币钱包服务
  • 使用putty远程连接linux
  • 推荐一款sublime text 3 支持JSX和es201x 代码格式化的插件
  • 微信端页面使用-webkit-box和绝对定位时,元素上移的问题
  • 小程序上传图片到七牛云(支持多张上传,预览,删除)
  • # 数据结构
  • ###C语言程序设计-----C语言学习(6)#
  • #我与Java虚拟机的故事#连载03:面试过的百度,滴滴,快手都问了这些问题
  • (BAT向)Java岗常问高频面试汇总:MyBatis 微服务 Spring 分布式 MySQL等(1)
  • (Matalb时序预测)PSO-BP粒子群算法优化BP神经网络的多维时序回归预测
  • (pytorch进阶之路)CLIP模型 实现图像多模态检索任务
  • (vue)el-checkbox 实现展示区分 label 和 value(展示值与选中获取值需不同)
  • (二)什么是Vite——Vite 和 Webpack 区别(冷启动)
  • (非本人原创)史记·柴静列传(r4笔记第65天)
  • (强烈推荐)移动端音视频从零到上手(下)
  • (亲测有效)推荐2024最新的免费漫画软件app,无广告,聚合全网资源!
  • (已解决)什么是vue导航守卫
  • (转)Linq学习笔记
  • .a文件和.so文件
  • .NET Framework 和 .NET Core 在默认情况下垃圾回收(GC)机制的不同(局部变量部分)
  • .net web项目 调用webService
  • .NET编程C#线程之旅:十种开启线程的方式以及各自使用场景和优缺点
  • .Net语言中的StringBuilder:入门到精通
  • .Net中间语言BeforeFieldInit
  • .vollhavhelp-V-XXXXXXXX勒索病毒的最新威胁:如何恢复您的数据?
  • .vue文件怎么使用_vue调试工具vue-devtools的安装
  • @Transactional类内部访问失效原因详解