第七章空间数据的统计分析本详解.pptVIP

* 面状数据 空间模式分析方法 第六十三页，共八十八页。 面状数据是地理学研究中的一类重要数据，很多地理现象都通过规则的或不规则的多边形表示，这类地理现象的显著特点是空间过程与边界明确的面积单元有关。 面状数据通过各个面积单元变量的数值描述地理现象的分布特征。例如气候类型区、土壤类型区、土地利用类型区、行政区、人口普查区等。 面状数据的空间模式研究的是面积单元的空间关系作用下的变量值的空间模式。面积单元之间的邻接与否、距离远近等对于变量的空间分布具有重要影响。 面状数据空间模式分析方法 * 第六十四页，共八十八页。 NNI的一般计算过程： * 基于距离的方法 第三十一页，共八十八页。 NNI的一般计算过程： * 基于距离的方法 第三十二页，共八十八页。 * 基于距离的方法 第三十三页，共八十八页。 * 在现实世界中，观测模式的分布呈现出各种各样的状态，在理论上还存在极端聚集和极端均匀的情况。 极端聚集的状态：所有事件发生在研究区域的某一个位置上，R=0; 极端均匀的分布模式：均匀区域上邻近的3个点构成等边三角形，即空间被正六边形划分，点位于正六边形的中心。R=2.149。在现实世界中，地理现象或事件的分布方式完全凝聚于一点或被组织为正六边形的情况十分罕见。 第三十四页，共八十八页。 显著性检验 * 第三十五页，共八十八页。 * 显著性检验 第三十六页，共八十八页。 实例研究 * 第三十七页，共八十八页。 NNI中通过简单的概念揭示了分布模式的特征，但是只用一个距离的平均值概括所有邻近距离是有问题的。在点的空间分布中，简单的平均最近邻距离概念忽略了最邻近距离的分布信息在揭示模式特征中的作用。 如果最近邻距离是均匀分布的，那么均值是唯一的稳健估计。图中给出了用实例数据计算得到的最邻近距离的频率分布直方图，显然这是一种偏态分布，更多点的最邻近距离小于均值99.48km。此外，NNI中，模式的显著性信息被忽略了。 G函数与F函数 * 第三十八页，共八十八页。 G函数和 F函数就是用最近邻距离的分布特征揭示空间点模式的方法。这两个函数是关于最邻近距离分布的函数。 G函数 * G函数与F函数 第三十九页，共八十八页。 G函数 * 第四十页，共八十八页。 示例 如图所示的研究区域中分布有10个事件（点），计算其G函数 G函数 * 第四十一页，共八十八页。 首先，计算最邻近距离，并按照升序对这些距离排序。 G函数 * 第四十二页，共八十八页。 G函数 * 第四十三页，共八十八页。 根据G(d)曲线的形状分析空间点模式： 如果点事件的空间分布趋向聚集，具有较小的最邻近距离的点的数量就多，那么G函数会在较短的距离内快速上升； 如果点模式中事件趋向均匀分布，具有较大的最邻近距离的点的数量多，那么G函数值得增加就比较缓慢。 如果G(d)在短距离内迅速增长，表明点空间分布属于聚集模式； 如果G(d)先缓慢增长后迅速增长，表明点空间分布属于均匀模式。 G函数 * 第四十四页，共八十八页。 图4.16是聚集、随机、均匀三类点模式的G函数曲线的形状。在实际应用中还需要进行显著性检验。 * 第四十五页，共八十八页。 F函数 * 第四十六页，共八十八页。 F函数 * 第四十七页，共八十八页。 F函数 * 第四十八页，共八十八页。 实例分析 F函数 * 第四十九页，共八十八页。 F函数 * 第五十页，共八十八页。 K函数和L函数 为了在更加宽泛的尺度上研究地理事件空间依赖性与尺度的关系， Ripley提出了基于二阶性质的K函数方法， 随后，Bessage又将K函数变换为L函数。 K函数和L函数是描述在各向同性或均质条件下点过程空间结构的良好指标。 * 第五十一页，共八十八页。 K函数 * 1. 定义与K函数估计 第五十二页，共八十八页。 K函数 * 1）定义 （4.36） 第五十三页，共八十八页。 K函数 * （4.36） 第五十四页，共八十八页。 K函数 * 第五十五页，共八十八页。 K函数 * 第五十六页，共八十八页。 K函数 * 3）K函数的边缘效应与校正 第五十七页，共八十八页。 K函数 * 2. K函数的点模式判别准则 第五十八页，共八十八页。 实例研究 K函数 * 第五十九页，共八十八页。 K函数 * 第六十页，共八十八页。 L函数 * 第六十一页，共八十八页。 * L函数：实例 第六十二页，共八十八页。 第七章空间数据的统计分析本ppt课件 第一页，共八十八页。 * 空间点模式分析方法 面状数据空间模式分析方法 第二页，共八十八页。 * 空间点模式分析方法 第三页，共八十八页。 * 空间点模式分析方法 在地图上，居民点、商店、旅游景点、流行病、犯罪现场、交通事故发生地等都表现为点的特征，有些是具体的地理实体对象，有些则是曾经发发生的事件的地点。