矢量数据分析.pptVIP

* * * * * * * * * * 输出数据为保留以其中一个输入多边形为控制边界之内的所有多边形。将Identity feature的属性追加到input features与input features相交部分的属性中。A∪B∩A 输出数据为保留原来两个输入多边形的共同部分。A ∩B，例如统计某条道路上的便利店 依次用输入图层（或者目标图层）中的要素作为参数，分别检索查找其满足给定空间约束条件（如相交、包含等）的另一个图层（连接图层）中，并将其属性信息追加到输入图层中。 复制了要素3，有冗余 两图层合并后，去掉其公共区域，新生成的图层属性也是综合二者的属性而产生。 A ∪B-A∩B 对两个多边形数据进行Union，产生新的多边形数据，每一个新的多边形都包含了它所属的两个多边形的属性。 A ∪B 例如：连锁超市的服务范围 将两个图层合并，然后将重叠区域擦掉，再与修正图层合并。用update feature替换与之相交部分或全部，且update feature不与input feature相交的部分也保留，即update全部写入输出结果中。 （A∪B-A∩B）∪B 定义 要素之间欧氏距离的量测。 点与点间、点与其对应的最近点或线之间的直线距离的量测 基本操作 Near Point distance Near 操作对象 Input Feature：点 Near Feature：点、线 输出结果 Input图层每个点到Near图层的最近点/线的距离 应用 最近医院等寻址 Point Distance 操作对象 二个图层：点 输出结果 Input图层每个点到Near图层所有点之间的距离 应用 消防站选址：要求到居民点距离最短 模式分析：描述和分析空间要素分布模式的定量方法。 整体水平：随机、离散、聚集 局部水平：是否含有高值或低值的局部聚集 对空间数据的统计分析，似乎现代计量地理学中一个快速发展的方向和领域。 其核心是认识与地理位置相关的数据间的空间依赖、空间关联或空间自相关，通过空间位置，建立数据间的统计关系 地球表面上的事物或现象之间存在着某种联系，并以相似或差异的方式表现出来。 Tobler(1970)”地理学第一定律”描述了这样的性质：所有的事物或现象在空间商都是有里阿尼的，但相距近的事物或现象之间的联系一般较相距远的事物或现象间的联系要紧密。 在空间统计学上，相似事物或现象在空间上集聚集中的性质为空间自相关（Spatial autocorrelation ）。空间上的相关性或关联性（Spatiall association）是自然界存在秩序与格局的原因之一。(Goodchild 1986) 在地理学中，每一个空间位置上的事物（现象）都具有区别于其他位置上事物（现象）的特点，这种差异性被称为空间异质性（Spatial heterogeneity） 与地理学第一定律所描述的空间依赖性相对应，Goodchild2003将空间异质性总结为“地理学第二定律” 使用图层中各个点与其最邻近点的距离，判断该点是呈随机的、规则的还是聚集的分布模式。 这个方法最初是植物生态学（plant ecologist）定义的一个间距指数（spacing index），用于比较观测到的一个区域的植物聚落图式与随机分布的异同。Clark和Evans（1954）提出最近邻分析概念。 如果将某一均质区域划分成一组大小相同的正六边形，那么由每个六边形中心处的点构成的点模式就是最规则的模式（即三角网模式）。在此模式中，各点之间的距离将等于1.075，其中，A为区域面积，n为点数。 king（1969）将这种方法引入城镇聚落的空间分布分析。此后，NNA逐渐发展成为一种人文地理特别是城市地理学的空间分析方法。理论上，假定所有的点完全随机分布，则其平均距离为其密度倒数值的一半。用这个结果与借助图像观测到的实际的点分布格局相比较，可以得到一个比值，这个比值通常叫做最近邻指数（nearest neighbor index），或叫R尺度 现实中，很少有地理对象有井然有序的分布方式。 引入R统计量（亦R比率），是点分布中最近邻点平均距离的观测值与期望值之比，也可以称为最近邻点统计量。??????????????? 分子是最近邻点平均距离的观测值，即各点最近值的均值。 分母是由理论模式决定的最近邻点平均距离的期望值。 R1，表明观测模式比随机模式分散。 R1，表明观测模式呈聚集趋势。 通过考察R统计量，可以得出各点相互关系的结论，但仍然无法确定，相对于随机模式来说，上述分布模式的分散模式的分散程度有多大，是分散得多，还是稍显分散。 空间自相关分析考虑点的位置及其属性的变化，按照空间赋值状况量测各个变量值之间的相关关系。 Moran’s I 统计量是一种应