空间数据模型与空间数据库.ppt

B）Equation Of Moran’s I 公式： Where N is the number of cases（N为样本数） Xi is the variable value at a particular location（变量X在i位置的值） Xj is the variable value at another location（变量X在j位置的值） is the mean of the variable（ 是变量X的平均值） Wij表示空间权重 C）Testing the Significance Empirical distribution can be compared to the theoretical distribution by dividing by an estimate of the theoretical standard deviation 其中 E(I)表示I的期望值 S E(I)表示E(I)的理论标准差 Interpretation of significance testing of Moran’s I Positive Spatial Autocorrelation（正的空间自相关） I E(I), or z 0 spatial clustering of high and/or low values no distinction between high or low Negative Spatial Autocorrelation（负的空间自相关） I E(I) or z 0 checkerboard pattern, “competition” No Spatial Autocorrelation（无空间自相关存在） I ＝ E(I) or z ＝ 0 随机分布 Observed (left) and randomized (right)distribution for Columbus Crime 局部Moran’s指数 Local Moran Statistic Inference local dependence or heterogeneity（局地依赖性或异质性）? Visualization LISA map and Moran Significance Map Where: Test for Local Moran‘I expected value: LISA map and Moran Significance Map 三、空间统计模型 点过程 格 地统计学 1、点过程和点格局 点过程是用于电模式中点的空间分布的一种模型； 点模型可以是随机的也可以是非随机的，判断点随机性的分析通常使用基于距离的点格局分析方法； 如果点的分布是随机，则该点格局由随机过程产生，否则由非随机过程产生，这时的点格局可以是聚集的也可以是均匀的 2、格（相邻面域单元） 格指的是规则的或者不规则的空间位置的可数集合 定义在人口普查区上的人口数据是格的典型例子 针对格的空间分析函数： 应用于格的空间依赖性 空间自回归 马尔可夫随机场 3、地统计学 处理空间连续性的分析，空间连续是空间数据固有的特征 第2节、空间数据挖掘的基本内容 分类（Classification） 聚类（clustering） 关联规则（Association rule） 一、分类：位置预测和专题分类 分类的目标是基于一个关系的其他属性值来估计该关系中的某个属性的值，类似与监督分类。 例如： 关系：（滑坡、坡度、坡面曲率、降雨强度……） 在已知坡度、坡面曲率、降雨强度等属性特征的情况下，进行滑坡的位置预测 如根据其他属性（植被、水）预测鸟巢的位置 卫星图像的监督分类 专题分类的问题在于其很强的空间连续性 1、分类方法 最大似然分类：使用贝叶斯定理 决策树分类：将属性空间划分为区域，然后给每个区域一个标号 神经网络：通过非线性边界的区域来概化决策树分类器 回归分析 2、线性回归?空间线性回归（SAR模型） Y＝ρWY＋Xβ＋ε 提高了预测精度，核心问题是W加入后的求解问题（稀疏矩阵） 3、基于贝叶斯分类器的马可夫随机场 马可夫随机场（MRF）表示一个变量只依赖于其邻域，而独立于其余所有变量，在时间序列方面应用颇多。 贝叶斯分类器根据训练样地建立判别方程，对未训练样区按照贝叶斯规则进行分类； 贝叶斯规则使用特征向量X和邻域类标号向量Li预测li Li＝L\l（si）表示位置si邻域内类标号的集合，但不包括Si处的类标号 二、关联规则：确定属性之间的相互关系 某个关系中属性之间的关系 比如：越靠近海岸的地方房屋价格越高 邻域性和同位性 关联 空间相关分析是根据不同分层的图元之间的空间对应关系，确定