第七章 空间数的统计分析方法.pptVIP

* 监测站的位置分布如下图所示。尽管可以测得各个监测站的臭氧浓度级别，但加利福尼亚州其他（未监控）位置的臭氧值也同样令人关注。不过，出于成本和可行性方面的原因，监测站不可能遍布全州各个位置。 * * 对数变换实际上是 Box-Cox 变换中 λ = 0 时的特例 如果这些大值位于研究区域中，对数变换有助于使方差更加恒定和归一化数据。就术语而言，在用克里金法实现对数变换时，预测方法称为对数正态克里金法，而在 λ 等于所有其他值时，关联的克里金方法称为高斯变换克里金法 * 分组分析 假设您拥有来自所在州周围农场的沙门氏菌样本，以及包括类型/类别、位置和日期/时间在内的属性。为了更好地了解细菌如何传播和扩散，您可以使用分组分析工具将样本划分为各个“爆发”。您可能决定使用空间-时间约束，因为同一次爆发的样本会在空间和时间上会非常接近，而且也会与相同类型/类别的细菌关联。确定分组之后，可以使用其他空间模式分析工具，比如标准差椭圆、平均中心或 近邻来分析每一次爆发。 如果您收集了有关动物观察方面的数据，以便更好地了解它们的领地，分组分析工具可能很有帮助。例如，了解鲑鱼在不同生命阶段的聚集地点和时间，可以帮助您规划保护区，以帮助确保成功繁育。 作为一名农学家，您可能想将研究领域内的不同土壤进行分类。对通过一系列样本发现的土壤特征使用分组分析可以帮助识别出明显的、空间上相邻的土壤类型的聚类。 按购买方式、人口统计特征和/或旅行方式对客户进行分组，可以帮助您为公司产品制订有效的营销策略。 城市规则师常常需要将各个城市划分成不同的邻域，以便有效地定位公共设施、促进地方能动性和提高社区参与度。对城市街区的物理和人口统计特征使用分组分析，可以帮助规划师确定具有相似物理和人口统计特征并且在空间上相邻的城市区域。 每当对聚合的数据进行分析时，生态谬误都是一个众所周知的统计推断问题。通常，用于分析的聚合方案对我们想要分析的内容没有任何关系。例如，人口普查数据是根据人口分布而聚合，而人口分布情况可能不是用来进行火灾分析的最佳选择。针对与目前分析问题准确相关的一组属性，将可能的最小聚合单位划分成同质区域，是降低聚合偏差和避免生态谬误的一种有效方法。 地统计分析方法被广泛应用于许多领域，成为空间统计学的一个重要分支，很长时间以来都没有很好的与gis分析模型结合，成为gis软件的一个遗憾，arcgis地统计模块架起了一座桥梁，使得复杂的地统计方法可以在软件中得以实现 通过测定预测表面的统计误差，能够对预测表面的模型质量进行量化。 * 某些地区中存在的一些感兴趣的现象（某一污染物对土壤、水或者空气的污染情况；要开采地区黄金或者其他金属的含量；等等）。彻底的考察费用昂贵且耗费时间，所以通常由在不同的位置采样来对现象进行描述。然后，使用地统计对未采样的位置进行预测（以及生成对预测的不确定性的相关度量值）。 * 以下示例中使用了多个探索性空间数据分析工具来研究喀尔巴阡山中监测站处获取的臭氧测量值的属性。 * 使用 Geostatistical Analyst 可生成各种类型的地图图层，包括预测图、分位图、概率图、预测标准误差图。 下图显示了切尔诺贝利核电站发生泄露事故后，使用 Geostatistical Analyst 生成白俄罗斯放射铯土壤污染级别的预测图。 * 可将输入数据拆分成两个子集。可用数据的第一个子集可用于开发预测的模型。然后使用“验证”工具，比较预测值和其余位置的已知值。 下面示出了使用“验证”向导对模型进行评估，开发此模型是为了 * 协同克里金法（Geostatistical Analyst 中包括的一种高级表面建模方法）可用于通过考虑二级变量改进主变量的表面预测（假定主变量和二级变量空间相关）。 在以下示例中，使用了探索性空间数据分析工具来探索加利福尼亚州臭氧（主变量）和二氧化氮（二级变量）之间的空间相关性。因为变量是在空间上相关的，在绘制臭氧地图时，协同克里金法可使用二氧化氮数据改进预测。 * 大多数经典统计学分析要求样本相互独立，而空间数据间并非完全独立，而是存在依赖性。 * 地统计分析理论基础包括前提假设、区域化变量、变异分析和空间估值。 1. 前提假设 （1） 随机过程 与经典统计学相同的是，地统计学也是在大量样本的基础上，通过分析样本间的规律，探索其分布规律，并进行预测。地统计学认为研究区域中的所有样本值都是随机过程的结果，即所有样本值都不是相互独立的，它们是遵循一定的内在规律的。因此地统计学就是要揭示这种内在规律，并进行预测。 （2） 正态分布 在统计学分析中，假设大量样本是服从正态分布的，地统计学也不例外。在获得数据后首先应对数据进行分析，若不符合正态分布的假设，应对数据进行变换，转为符合正态