空间分析--空间点数据分析.pptVIP

第五讲 空间点数据分析 引言 点数据概述 点数据分析 1. 引言 点模式分析由植物学家和生态学家在1930s应用。但是，随后许多不同领域也开始应用点模式分析，如考古学、流行病学、天文学和犯罪学。 一般来说，点模式分析可以用来描述任何类型的事件数据（incident data）。因为每一事件都可以抽象化为空间上的一个位置点。 Data 城市发展的空间演变模式 星罗棋布的村庄 2. 点数据概述 怎样描述点模式? 一阶效应(First-Order Effects) 事件间的绝对位置具有决定作用，单位面积的事件数量在空间上有比较清楚的变化。 如，空间上平均值/密度的变化。 二阶效应(Second-Order Effects) 事件间的相对位置和距离具有决定作用。 如，空间相互作用。 3. 点数据分析 3.1 基于密度的方法 ① 样方分析(Quadrat analysis) ② 样方分析的统计检验 ③ 核密度估计 (Kernel Density Estimation) 样方分析步骤 a). 研究区域中打上网格，建议方格大小为： QuadratSize = 2A /n A：研究区域面积，n：点的个数。 b). 确定每个网格中点的个数。 c). 计算均值(Mean)、方差(Var)和方差均值比:VMR=Var/Mean 样方分析的缺点 结果依赖于样方的大小和方向。 样方分析：K-S检验 D检验 如何比较精确地检验零假设？ H0：没有空间模式 假设在一区域内通过随机放点来模拟零假设，并计算其方差-均值比（VMR）。更进一步地，假如重复模拟1000次，得到模拟结果的直方图，当H0为真时，1000次VMR的均值将接近于1。直方图中VMR的尾部值（VMR的抽样分布），当零假设为真时相对稀少。 如果观测模式的VMR大于VMRH，则拒绝零假设，相对于随机模式而言观测值更趋于均匀分布；如果观测模式的VMR小于VMRL，也拒绝零假设，相对于随机模式而言观测值更趋于聚集分布。 如果观测到VMR的极值（大于VMRH或小于VMRL），则拒绝没有空间模式的零假设。在这种情况下，1）零假设实际上是真的，而我们拒绝了它，犯了第I类错误（弃真）；2）零假设不是真的，我们做了一个正确的决定。为了确定临界值点（VMRH、VMRL ），首先必须确定所容许犯第I类错误的概率。 如果α=0.05，那么1000次模拟当中50个较大的值用于获取临界值（50/1000=0.05）。如果把1000次模拟的VMR值从小到大依次排序，第25个值将作为VMRL ，当H0为真时1000次中有25次低于VMRL ；相似地，第975个值将作为VMRH，当H0为真时1000次中有25次高于VMRH 。这样，当采用该临界值时，1000次当中有50次，或5%的几率犯第I类错误。 样方分析：假设检验示例 判断下图是否空间随机（共100个点，分布于10×10的样方内） ？ 方法：随机模拟，均值=1 重复模拟1000次，建立VMR的抽样分布，得到的结果从小到大排序。第25个最小值VMRL =0.747，第975个值VMRH =1.313。 由于VMRL 0.77 VMRH ，接受原假设，即随机情况下VMR=0.77不是特别不正常。 上述方法即所谓的蒙特卡罗模拟（Monte Carlo Simulation）。 优点：易于理解和实现 缺点：不同的人得到的模拟结果不同，e.g. 10个人可能得到 10个不同的临界值。 蒙特卡罗模拟方法的基本思想 蒙特卡罗模拟方法的基本思想 蒙特卡罗模拟方法的基本思想 当H0为真时，有一个简单的方法可以避免采用前述的模拟方法。临界值可用x2 =(m-1)VMR具有m-1个自由度的x2 分布表确定。 当自由度（df）比较大时， x2 =(m-1)VMR趋于正态分布。特别地，当H0为真、df 30的情况下， (m-1)VMR具有均值为m-1、方差为2(m-1）的正态分布。这意味着 Kernel Windows 带宽选择是核密度估计中一个具有挑战性的问题，可以采用不同的带宽对同一问题进行分析，探测模式的异质性。 Analysis 3.2 基于距离的方法：测度二阶效应 ①最近邻距离方法 3.2 基于距离的方法 ①最近邻距离方法：G函数(Event-Event) 3.2 基于邻距离的方法 ①最近邻距离方法：G函数(Event-Event) 3.2 基于距离的方法：测度二阶效应 ①最近邻距离方法：F函数(Point-Event) 3.2 最近邻距离方法 ②最近邻距离统计量的统计检验 Clark Evans（1954）发展了一个最近邻分析用于分析植物种类的空间分布。采用最近邻距离的平