精华内容
下载资源
问答
  • python空间自相关分析
    2020-11-01 20:06:59

    最近在上空间数据统计分析课程,闲暇之余,使用python实现一些,在ArcGIS、R中可以实现的空间统计分析功能,并在此汇总:

    python空间统计分析——环境安装

    python空间统计分析——空间点模式描述

    更多相关内容
  • 介绍Python在地理信息处理方面的应用技巧
  • python空间分析指南

    2019-03-31 22:01:49
    全书共分为10 章,分别介绍了Python与地理空间分析、地理空间数据、地理空间技术、Python的地理空间分析 工具、Python与地理信息系统、Python与遥感、Python与高程数据、Python与地理空间高级建模、 实时数据、综合...
  • Python空间分析

    2019-03-13 23:09:20
    Python空间分析。对GIS项目很有参考意义。如数据处理,路径分析等。
  • Python地理空间分析指南第2版,完整版,是由epub格式转换而来,值得学习!
  • Python地理空间分析指南 第2版 pdf文档
  • python处理数据 分析 基于Python的arcgis空间数据处理与分析
  • 本书内容结构清晰,示例完整,适合希望了解测绘数字化和分析的读者,也适合想使用Python进行空间地理分析、建模和GIS分析的开发人员及研究人员参考阅读。
  • 内容简介:用非常流行的Python语言做地理空间分析;学习高效、易学的地理空间分析指南;书中含有典型且非常实用的开发案例,帮助读者快速掌握相关技能;图文结合,将学习效率大大提高。Python作为一种高级程序设计...
  • 包括绘图Cartopy 及其依赖库pillow pyproj Shapely 大气分析Fiona 和GDAL的whl文件
  • Python地理空间分析指南(第2版)
  • 全书共分为10章,分别介绍了Python与地理空间分析、地理空间数据、地理空间技术、Python的地理空间分析工具、Python与地理信息系统、Python与遥感、Python与高程数据、Python与地理空间高级建模、实时数据、综合应用...
  • 空间数据批处理 python arcgis二次开发
  • 人工智能背景下测绘类专业《Python空间数据分析》课程教学探索.pdf
  • Python空间分析教程

    2018-08-03 18:22:32
    Python空间分析教程(GDAL、ORG、Shapely、PIL、GeoPandas)
  • python随机子空间法.py

    2019-05-16 17:32:32
    随机子空间法的python实现,用于振动信号模态识别
  • 基于python爬虫数据的枣庄市二手房价空间分析.pdf
  • 空间分析介绍python空间分析简介设置临时使用Pysal_workshop conda环境。
  • 基于python爬虫数据的枣庄市二手房价空间分析.docx基于python爬虫数据的枣庄市二手房价空间分析.docx基于python爬虫数据的枣庄市二手房价空间分析.docx基于python爬虫数据的枣庄市二手房价空间分析.docx基于python...
  • 它支持空间分析高级应用程序的开发,例如空间簇、热点和异常点的检测从空间数据构建图形地理嵌入网络的空间回归与统计建模空间计量经济学探索性时空数据分析2PySAL的构成PySAL是一个空间数据科学软件包家族,它被...

    1简介Pysal是一个面向地理空间数据科学的开源跨平台库,重点是用python编写的地理空间矢量数据。它支持空间分析高级应用程序的开发,例如空间簇、热点和异常点的检测从空间数据构建图形地理嵌入网络的空间回归与统计建模空间计量经济学探索性时空数据分析2PySAL的构成PySAL是一个空间数据科学软件包家族,它被分为如下部分explore-用于对空间和时空数据进行探索性分析的模块,包括对点、网络和多边形格的统计测试。还包括空间不等式和分布动力学的方法。viz -可视化空间数据中的模式,以检测集群、异常值和热点。model -用各种线性、广义线性、广义加性和非线性模型对数据中的空间关系进行建模。lib -解决各种各样的计算几何问题:从多边形格、线和点构建图形。空间权重矩阵与图形的构建与交互编辑、 α形状、空间指数和空间拓扑关系的计算、读写稀疏图形数据,以及纯python空间矢量数据阅读器。3model与explore不同,model层侧重于验证性分析。特别地,它的包集中于用各种线性、泛化线性、泛化加性、非线性、多层和局部回归模型来估计数据中的空间关系。mgwr: mgwr在各种广义线性模型框架中提供可伸缩的算法,用于使用单标度和多标度地理加权回归模型进行估计、推断和预测,以及使用模型诊断工具

    spglm: spglm实现了一组广义线性回归技术,包括高斯回归、泊松回归和逻辑回归,这些技术允许在计算和估计时进行稀疏矩阵操作,以降低内存开销和减少计算时间。

    spint: spint提供了一系列工具来研究空间交互过程和分析空间交互数据。它包含了一些功能,可以方便地校准和解释一系列重力类型的空间交互模型,包括那些具有生产约束、吸引力约束或两者结合的模型。

    spreg: spreg支持经典和空间计量经济模型的估计。目前,除了各种同质性、正态性、空间随机性和不同类型的空间自相关测试外,它还包含了标准最小二乘(OLS)、两阶段最小二乘(2SLS)和似不相关回归(SUR)的估计方法。

    spvcm: spvcm提供了一个用于估计空间相关方差组件模型的通用框架。这类模型考虑到方差成分的空间依赖性,因此附近的组可能相互影响。

    tobler : tobler provides functionality for for areal interpolation and dasymetric mapping. Its name is an homage to the legendary geographer Waldo Tobler a pioneer of dozens of spatial analytical methods. tobler includes functionality for interpolating data using area-weighted approaches, regression model-based approaches that leverage remotely-sensed raster data as auxiliary information, and hybrid approaches.4vizviz -可视化空间数据中的模式,以检测集群、异常值和热点。

    例如splot: splot提供空间分析的统计可视化。它用于可视化全局和局部空间自相关(通过Moran散点图和聚类图)等。高级API支持创建可公开的可视化5下载安装PySAL是可通过Anaconda(在默认或conda-forge通道),我们建议安装PySAL从conda-forge:

    conda config --add channels conda-forge

    conda install pysal

    PySAL也可以使用pip安装使用:pip install pysal

    PySAL安装完成后,最后的检查是启动Python,导入PySALmodule并运行支持格式的标准检查。在命令行启动Python并输入以下内容import pysalpysal.open.check( )

    将会出现导致所有支持的格式的清单,如下所示:PySAL File I/O understands the following file extensions:Ext: ’.shp’, Modes: [’r’, ’wb’, ’w’, ’rb’]Ext: ’.mtx’, Modes: [’r’, ’w’]Ext: ’.swm’, Modes: [’r’, ’w’]Ext: ’.mat’, Modes: [’r’, ’w’]Ext: ’.shx’, Modes: [’r’, ’wb’, ’w’, ’rb’]Ext: ’.stata_text’, Modes: [’r’, ’w’]Ext: ’.geoda_txt’, Modes: [’r’]Ext: ’.dbf’, Modes: [’r’, ’w’]Ext: ’.dat’, Modes: [’r’, ’w’]Ext: ’.gwt’, Modes: [’r’, ’w’]Ext: ’.gal’, Modes: [’r’, ’w’]Ext: ’.arcgis_text’, Modes: [’r’, ’w’]Ext: ’.kwt’, Modes: [’r’, ’w’]Ext: ’.wk1’, Modes: [’r’, ’w’]Ext: ’.arcgis_dbf’, Modes: [’r’, ’w’]Ext: ’.geobugs_text’, Modes: [’r’, ’w’]Ext: ’.csv’, Modes: [’rU’, ’r’, ’U’, ’Ur’]Ext:’.wkt’, Modes: [’r’]

    如果给出了一个错误消息,比如module not found,那么很可能是Python程序路径需要进行调整,以便操作系统能够找到PySAL模型(参见 详细的安装说明)。

    有关Python pypi模块的技术细节,请参见,例如,https://pypi。python.org/pypi

    有关使用Git的详细信息,请参见http://gitscm.com/documentation

    展开全文
  • 主要介绍了Python实现获取磁盘剩余空间的2种方法,结合具体实例形式分析Python操作计算机硬件的相关实现技巧,需要的朋友可以参考下
  • 核主成分分析(Kernel Principal Component Analysis, KPCA) PCA方法假设从高维空间到低维空间的函数映射是线性的,但是在不少现实任务中,可能需要非线性映射才能找到合适的低维空间来降维。 非线性降维的额一种常用...
  • 文章目录1 空间地理相关性2 技术性定义3 空间相关类型4 Moran’s I(莫兰系数)5 空间自相关的应用6 案例研究: 意大利人口迁移分析7 总结8 实现工具 1 空间地理相关性 地理空间自相关是指一个物体与附近其他物体的...

    1 空间地理相关性

    地理空间自相关是指一个物体与附近其他物体的相似程度。通俗地说,它度量的是相近物体与其他相近物体的相似程度。

    地理信息系统的第一规则: 一切事物都与其他事物相关联。但是相近事物比较远事物更相关 (Waldo r. Tobler,1970)。

    为了理解这个定律,例如:

    • 假设从一个网站随机挑选了一套房子,价格是60万美元。那么,如果它旁边的房子也挂牌出售,如何预测它的价格。65万美元和280万美元,会选择哪一个?

    • 如果选择了65万美元,那么我们已经潜意识地知道什么是空间自相关了。它是一些共同特征(例如房价)中两个相近物体之间的相关性。

    空间自相关的一个潜在应用是,它有助于分析生态和疾病的集群和扩散。诸如“这种疾病是一个孤立的案例吗”或“降雨模式在不同地区是聚集的还是相同的”这样的问题可以通过空间自相关分析得到很好的理解和回答。

    2 技术性定义

    从技术上讲,空间自相关性是指在空间尺度上观测彼此相近的变量之间的关联性的度量。这个变量可能是:

    • 在连续表面上的任何一点(例如一个地区的土地使用类型,或年降水量);
    • 在特定区域内的一组固定地点(例如一组零售店铺);
    • 细分地区的一组区域(如人口普查数据中有两辆或两辆以上汽车的家庭数量或比例)。

    自相关违反了统计学的核心原则,即观察值是相互独立的。根据经典统计学中的独立性假设,群体之间的观察值和群体内部的观察值应该是独立的。

    因此,空间自相关显然违背了上述假设。

    空间相关概念是时间相关的一种延伸。唯一的区别是时间相关性衡量一个变量随时间的变化,而空间相关性衡量两个变量的变化,即观测值(如收入、降雨量等)和位置的关系。

    3 空间相关类型

    地理空间相关性最常见的形式是斑块梯度

    一个变量的空间相关性可以是外生的(由另一个空间自相关的变量引起, 如降雨),也可以是内生的(由某个过程引起,如疾病的传播)。

    4 Moran’s I(莫兰系数)

    空间自相关性通过Moran’s I系数进行度量,它是一个相关系数,用来度量数据集的整体空间相关性。Moran’s I系数可以分为正相关、负相关和无空间自相关:
    在这里插入图片描述

    (1)空间正相关
    一张地图上,当相似值聚集在一起时,空间相关性为正相关的。当Moran’s I系数接近+1时,出现正自相关。下面的图像显示了一个地区的土地覆盖情况,这是一个正相关的例子,因为类似的群集集中在一起。
    在这里插入图片描述
    (2)空间负相关
    在一张地图上,当不同的值聚集在一起时,空间相关性为负相关的。当 Moran’s I系数接近-1时,出现负的空间自相关性。棋盘是负自相关的一个很好的例子,因为不同的值相邻。
    在这里插入图片描述
    (3)空间不相关
    Moran’s I系数为0时,代表不具有空间自相关性。

    5 空间自相关的应用

    空间自相关的重要性在于,它有助于确定空间特征影响空间物体的重要性,以及物体与空间特性之间是否存在明确的关系。

    以下是空间自相关的一些有趣的工业用例:

    (1)衡量不平等性
    空间自相关有助于找出衡量收入、人口或种族不平等和多样性的方法。可以利用Moran’s I系数分析收入、人口等参数在特定区域内是集中分布还是均匀分布。
    [https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6068954/]

    (2)环境
    空间自相关有助于发现城市土壤中稀土元素的聚集点。
    [Spatial Autocorrelation: Neighbors Affecting Neighbors]

    (3)兴趣点
    自相关是用来映射不同的参数作为兴趣点距离变量的函数。
    例如,离市中心多远时,房价开始下降。

    (4)生态学
    空间自相关广泛应用于与海洋和珊瑚礁生态系统有关的重要应用程序。
    如场地适宜性分析,以确定贝类养殖场或海水养殖的规划面积。

    (5)人口统计学
    空间自相关用于绘制和分析选举期间的选民投票率。
    例如,空间自相关用于绘制法国总统选举和法国地区选举期间的缺席率。
    [https://www.researchgate.net/publication/320988214_Spatial_Autocorrelation_in_Voting_Turnout]

    6 案例研究: 意大利人口迁移分析

    意大利人口迁移分析
    [Analyzing Migration Phenomena with Spatial Autocorrelation Techniques]

    自相关对迁移分析有很大影响。本案研究意大利境内外国人口移徙情况的分析。
    在不同规模的族群动态演变中,移民是一个关键因素,对经济、文化和环境都有影响。利用空间自相关性,可以识别代表移民集中度的空间聚类。

    • 从技术上讲,Moran’s I系数在这里表示的是外国和本地居民人口比率的加权方差和整体方差之间的差异。
    • 用外行术语来说,它表达了一个 给定地点的外来人口/总人口邻近空间单元的外来人口/总人口 之间的相关性。

    利用相关性指数LISA (空间关联的本地指标) ,将这些场景分为三类:
    (1)现象值高,且与周围环境相似程度高的地点(高-高)被定义为热点
    (2)现象值低,且与周围环境相似程度低的地点(低-低)被定义为冷点;
    (3)现象值高(低),但与周围环境相似程度低(高)的地点(高/低-低/高),被定义为空间异常点
    在这里插入图片描述
    人口迁移受到限制的地区可分为以下三组:
    (1)第一个集群在地理上集中在东北部地区,呈正相关(类型: 高-高)。这些群体拥有属性:收入机会 / 福利的增加,因此吸引了寻找工作的外国人;
    (2)第二个集群位于中心区域,呈正相关(类型: 高-高)。这些地区也表现出类似的福利增加的特点;
    (3)第三个集群位于意大利南部的城镇(类型: 低-低)。这些地区通常拥有属性:收入低,就业机会少。
    在这里插入图片描述

    7 总结

    空间自相关不仅可以将相似对象与其他相似对象进行聚类,而且可以反映相关程度或相似程度。
    它有助于发现隐藏的模式和关系,在生态学和人口统计学方面有很多应用。

    8 实现工具

    (1)数据量较少时,可以使用QGIS地理分析软件。
    (2)Python编程进行大规模数据运算,地理分析中通常运用的分析包,包括:geopandas、OSMnx、pySal、geopy等。这些包可以帮助进行地理数据处理和运算,几分钟就可以得到结果。

    LISA相关性指数:http://www.dpi.inpe.br/cursos/ser301/referencias/bivand/node9.html

    原文链接:https://towardsdatascience.com/spatial-autocorrelation-close-objects-affecting-other-close-objects-90f3218e0ac8

    本文主要参考于:空间自相关 | 空间位置与相近位置的指标测度(沈浩老师)

    相关笔记:

    1. Python相关实用技巧01:安装Python库超实用方法,轻松告别失败!
    2. Python相关实用技巧02:Python2和Python3的区别
    3. Python相关实用技巧03:14个对数据科学最有用的Python库
    4. Python相关实用技巧04:网络爬虫之Scrapy框架及案例分析
    5. Python相关实用技巧05:yield关键字的使用
    6. Scrapy爬虫小技巧01:轻松获取cookies
    7. Scrapy爬虫小技巧02:HTTP status code is not handled or not allowed的解决方法
    8. 数据分析学习总结笔记01:情感分析
    9. 数据分析学习总结笔记02:聚类分析及其R语言实现
    10. 数据分析学习总结笔记03:数据降维经典方法
    11. 数据分析学习总结笔记04:异常值处理
    12. 数据分析学习总结笔记05:缺失值分析及处理
    13. 数据分析学习总结笔记06:T检验的原理和步骤
    14. 数据分析学习总结笔记07:方差分析
    15. 数据分析学习总结笔记07:回归分析概述
    16. 数据分析学习总结笔记08:数据分类典型方法及其R语言实现
    17. 数据分析学习总结笔记09:文本分析
    18. 数据分析学习总结笔记10:网络分析
    展开全文
  • 基于Python实现地理空间数据批处理技术探讨及实现——以“多规合一”总体规划数据空间叠加分析为例.pdf
  • 基于Python的ArcGIS空间数据处理——以太行山沿线传统村落数据库建设为例.pdf

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 165,709
精华内容 66,283
热门标签
关键字:

python空间自相关分析