空间分析原理与应用：第二章 空间点模式分析.pptVIP

G函数与F函数的区别： G函数主要是通过事件之间的接近性描述分布模式，而F函数则主题通过选择的随机点和事件之间的分散程度来描述分布模式，因此F函数曲线和G函数曲线呈相反的关系。在F函数中，若F函数曲线缓慢增加到最大表明是聚集模式，相反则是均匀分布模式。 实例 1949-2002年热带气旋源地空间分布 G函数和F函数曲线 5.3 G函数和F函数的统计推断 5.3.1 CSR过程中的G和F 对于遵循完全随机过程的泊松点过程，在最邻近距离变化范围内的某个距离d内，点的数量均值等于λπd2，在最邻近距离小于等于d时的累计概率分布为： E(G(d))=E(F(d))=1- e-λπd2 当G(d)CSR(G(d))时，聚集分布 当G(d)CSR(G(d))时，均匀分布 当F(d)CSR(F(d))时，均匀分布 当F(d)CSR(F(d))时，聚集分布 完全随机分布点过程的G函数曲线 各种点模式对应的G-F曲线 5.3.2 显著性检验的随机模拟方法 首先在研究区R上利用蒙特卡洛随机模拟的方法产生m次的CSR点模式，并估计理论分布: 为评价观测模式和CSR模式差异的显著性，计算m次随机模拟中分布函数G的上界U(d)和下界L(d): 绘出参考分布图 如果观测模式是和CSR一致的，则累计分布曲线是直线； 如果G(d)函数曲线在U(d)的上方，则可推断观测模式显著聚集； 如果G(d)函数曲线在L(d)的下方，则可推断观测模式显著均匀； 如果G(d)函数曲线在U(d)和L(d)之间，可推断观测模式与CSR模式无显著差别。 6.K函数 6.1 K函数定义 K函数分析法由Ripley在1976年提出，用来分析多尺度下的空间点分布模式。 6.2 K函数分析步骤 设定一个距离增量或者空间步长d，将其作为反映空间尺度变化的单位，如果区域内相隔最远的两个点相距D个单位，用r表示覆盖区域内所有的点所需达到的步长数，r≈D/d。 在开始时将迭代次数g设定为1。 以h为半径在区域内每个点i的周围创建一个圆形缓冲区，h=d*g。第一次迭代中缓冲区半径为d，第二次为2d，以此类推。 对于每个点，计算落在其半径为h的缓冲区内的点的个数，并用n(h)来表示。 将缓冲区的半径增大一个d。 h值每增大一个d，便重复步骤?、?、?,直到g=r或g=D/d。 6.3 边缘效应与校正 si wi 6.4 K函数的点模式判别准则 在均质条件下，如果点过程是相互独立的CSR，则K函数的一个理想的理论估计值为πh2，即 1000个随机点的分布 CSR过程的K(d) 6.5 L函数 K函数在使用上不方便，对估计值和理论值的比较隐含着更多的计算量，其实只需计算它们的差值，其差值函数L(h)为： L函数简化了计算，更容易比较观测值和CSR模式的理论值之间的差异。在L函数图中，正的峰值表示点在这一尺度上的聚集或吸引，负的峰值表示点在这一尺度上的分散或排斥。 6.6显著性检验 采用蒙特卡洛方法检验： 按照CSR过程，在研究区中创建与观测事件模式数量相同的点； 计算L(h)； 重复?和?n次； 对于每一个h，确定最大和最小的模拟L(h)值； 根据最大和最小的L(h)值，画出L(h)的包络线。 实例 计算t统计量： t统计量远大于显著性水平为0.05时的标准正态分布的临界值1.96，所以可以拒绝零假设，即实际观测到的分布模式与随机模式之间确实存在差异。 3 核密度估计法 3.1 概念与方法 核密度估计法（Kernel Density Estimation）认为地理事件可以发生在空间任何位置上，但是在不同的位置上事件发生的概率不一样。点密度高的地方发生概率高，点密度低的地方则相反。因此可以用事件的空间密度分析和表示空间点模式。 设空间模式在点S上的密度或强度是可测度的，设S处的事件密度为λ(s),其估计值为 ，则： 根据概率理论，核密度估计的一般定义为：设X1,...,Xn是从分布密度函数为f的总体中抽取的独立同分布样本，估计f在某点x处的值f(x)，通常有Rosenblatt-Parzen核估计： 事件si 带宽τ 核k（） 研究区域R 空间位置s 核密度估计图示 根据Rosenblatt-Parzen核估计公式，对于研究区R内地理事件s的点密度λ(s)的估计值 ，有 两种核函数 τ=1 3.2 KDE中的带宽τ的影响 自适应KDE: 3.3 边缘效应 缓冲区方法 边缘校正核估计方法 例：钦州市台语地名的核密度分析 4.最邻近距离法 样方分析方法的缺陷 4.1 最邻近距离（Nearest Neighbor Distance） 城市 Akron Cincinnati Cleveland Columbus Dayton 最近城市 Clev