GeoDa - GeoDa
GeoDa это бесплатный программный пакет, который анализ пространственных данных, геовизуализация, пространственная автокорреляция и пространственное моделирование.
OpenGeoDa это кроссплатформенная версия Legacy GeoDa с открытым исходным кодом. Хотя Legacy GeoDa работает только в Windows XP, OpenGeoDa работает на разных версиях Windows (включая XP, Vista, 7, 8 и 10 ), Mac OS, и Linux. Первоначально пакет был разработан Лабораторией пространственного анализа Иллинойсский университет в Урбана-Шампейн под руководством Люк Анселин. С 2016 года развитие продолжается в Центре науки о пространственных данных. (CSDS) на Чикагский университет. [1]
GeoDa обладает мощными возможностями для выполнения пространственного анализа, многомерного исследовательского анализа данных, а также глобального и локального пространственная автокорреляция. Он также выполняет основные линейная регрессия. Что касается пространственных моделей, как модель пространственного лага и модель пространственной ошибки, оба оцениваются максимальная вероятность, включены.
OpenGeoDa выпускается под GNU GPL версия 3.0.[2]
История
GeoDa заменила то, что ранее называлось DynESDA, модуль, работавший под старым ArcView 3.x для выполнения исследовательского пространственного анализа данных (или ESDA). Текущие версии GeoDa больше не зависят от наличия ArcView или других пакетов ГИС в системе.
Функциональность
Проекты в GeoDa в основном состоят из шейп-файл который определяет данные решетки, и таблица атрибутов в формате .dbf. Таблицу атрибутов можно редактировать внутри GeoDa.
Пакет специализируется на исследовательском анализе данных и геовизуализации, где он использует методы динамического связывания и чистка. Это означает, что когда у пользователя есть несколько представлений или окон в проекте, выбор объекта в одном из них будет выделять тот же объект во всех других окнах.
GeoDa также может производить гистограммы, коробчатые участки, Диаграммы разброса проводить простой исследовательский анализ данных. Однако наиболее важным является возможность отображать и связывать эти статистические устройства с пространственным распределением явления, изучаемого пользователями.
Динамическое связывание и кисть в GeoDa
Динамический связывание и чистка являются мощными устройствами, поскольку они позволяют пользователям интерактивно обнаруживать или подтверждать предполагаемые закономерности пространственного расположения данных или иным образом отвергать их существование. Это позволяет пользователям извлекать информацию из данных в пространственном расположении, что в противном случае может потребовать очень тяжелых компьютерных программ для обработки чисел и получения полезных статистических результатов. Последнее также может стоить пользователям довольно много с точки зрения экспертных знаний и возможностей программного обеспечения.
Диаграмма рассеяния Морана Анселина
- Смотрите также Индикаторы пространственной ассоциации
Очень интересное устройство, доступное в GeoDa для исследования глобальных закономерностей автокорреляции в пространстве, - это устройство Анселина. Моран диаграмма рассеяния. Этот график изображает стандартизированная переменная в Икс-ось по сравнению с пространственным отставанием этой стандартизованной переменной. Пространственное отставание - это не что иное, как сводка эффектов соседних пространственных единиц. Эта сводка получается с помощью пространственной матрицы весов, которая может принимать различные формы, но очень часто используется смежность матрица. Матрица смежности - это массив, значение которого равно единице в позиции (i, j) всякий раз, когда пространственная единица j примыкает к единице i. Для удобства эта матрица стандартизирована таким образом, что сумма строк равна единице, путем деления каждого значения на сумму строк исходной матрицы.
По сути, диаграмма рассеяния Морана Анселина представляет отношение переменной в местоположении i к значениям этой переменной в соседних местоположениях. По построению наклон линии на диаграмме рассеяния эквивалентен коэффициенту I. Последняя является хорошо известной статистикой, которая учитывает глобальную пространственную автокорреляцию. Если этот наклон положительный, это означает, что существует положительная пространственная автокорреляция: высокие значения переменной в местоположении я имеют тенденцию группироваться с высокими значениями одной и той же переменной в местах, которые являются соседями я, наоборот. Если наклон диаграммы рассеяния отрицательный, это означает, что у нас есть своего рода узор в виде шахматной доски или своего рода пространственная конкуренция, в которой высокие значения переменной в местоположении я имеют тенденцию быть рядом с более низкими значениями в соседних местах.
На диаграмме рассеяния Морана Анселина наклон кривой вычисляется и отображается в верхней части графика. В этом случае это значение положительное, что означает, что в районах с высоким уровнем преступности, как правило, есть соседи с высоким уровнем преступности, и наоборот.
Глобальный и локальный анализ в GeoDa
На глобальном уровне можно говорить о кластеризация, то есть общая тенденция кластеризации карты; на местном уровне мы можем говорить о кластеры то есть мы можем точно определить местонахождение кластеров. Последний можно оценить с помощью Локальные индикаторы пространственной ассоциации - LISA. ЛИЗА Анализ позволяет нам определить, где находятся области с высокими значениями переменной, которые окружены высокими значениями в соседних областях, то есть так называемые кластеры с высокими и высокими значениями. Одновременно из этого анализа также идентифицируются кластеры с низким и низким уровнем.
Другой тип явлений, который важно проанализировать в этом контексте, - это наличие выбросов, которые представляют высокие значения переменной в данном месте, окруженные низкими значениями в соседних местах. Эта функция доступна в GeoDa с помощью диаграммы рассеяния Морана Анселина. Обратите внимание, однако, что тот факт, что значение является высоким по сравнению со значениями в соседних местах, не обязательно означает, что оно является выбросом, поскольку нам необходимо оценить статистическую значимость этого отношения. Другими словами, мы можем найти области, где кажется, что существует кластеризация, или где могут казаться кластеры, но при проведении статистических процедур они оказываются статистически не значимыми кластерами или выбросами. Процедуры, используемые для оценки статистической значимости, состоят из моделирования методом Монте-Карло различного расположения данных и построения эмпирического распределения смоделированной статистики. После этого полученное значение сравнивается с распределением смоделированных значений, и если значение превышает 95-часовой процентиль, говорят, что найденное соотношение является значимым при 5%.
Рекомендации
- ^ "О". Центр науки о пространственных данных Чикагского университета. В архиве из оригинала 7 июля 2016 г.. Получено 23 сентября 2020.
- ^ «Релиз GeoDa». Центр GeoDa, Чикагский университет. Получено 23 сентября 2020.
дальнейшее чтение
- Анселин, Люк (2005). «Изучение пространственных данных с помощью GeoDaTM: рабочая тетрадь». Лаборатория пространственного анализа. (Рабочая тетрадь разработана для устаревшей версии GeoDa (0.9.5i))
- Анселин, Люк, Ибну Сябри и Юнгин Хо (2006). GeoDa: Введение в анализ пространственных данных. Географический анализ 38, 5-22
- Анселин, Люк, Рей, Серджио Дж. (2014). Современная пространственная эконометрика на практике: руководство по GeoDa, GeoDaSpace и PySAL. GeoDa Press LLC, Чикаго, Иллинойс