ArcGIS Pro3.3新功能3：【时间序列互相关】空间时间模式挖掘新工具，可识别正负相关、延迟时间

工具简介

时间序列互相关工具已在 ArcGIS Pro 3.3 中发布！本工具可计算存储在时空立方体中的两个时间序列随时间的变化相关性。时间序列互相关工具可帮助我们识别：1. 两个时间序列是否相关 2. 它们是正相关还是负相关，3. 两个时间序列之间是否存在时间延迟，以及延迟时间有多长。

时间序列互相关工具的主变量和次要变量代表将要比较的两个时间序列。工具会随时间移动次要变量，并通过将移动后的每个时间序列的相应值配对来计算皮尔逊相关性。此移动和计算会重复进行，直到达到指定的最大时间滞后数。例如，如果将最大时间滞后设置为 2，则该工具将移动次要变量一个时间步长并计算相关性。然后，它将移动次要变量两个时间步长并计算相关性。因此，这将为您提供时间滞后 1 时两个时间序列的相关性，以及时间滞后 2 时的相关性。

默认情况下，次级时间序列是双向平移的。如果你假设主变量滞后于次级变量，那么选择只将次级变量向前移动是更合适的。另一方面，如果你假设主变量领先于次级变量，那么你应该选择只将次级变量向后移动。如下图所示，时间滞后的值的符号代表时间滞后的方向。当最高相关值对应的时间滞后值+2时，表示主变量滞后于次级变量2个时间步长，而当最高相关值对应的时间滞后值-2时，表示主变量的变化发生在次级变量之前2个时间步长。

如果您只关心特定时间滞后时两个时间序列之间的相关性强度，则可以将时间序列互相关工具用作探索性工具。但是，相关性可能是由潜在趋势、季节性和自相关的结果造成的。因此，如果目标是估计两个变量之间的最佳时间滞后，时间序列互相关工具还允许我们在计算之前删除所有潜在结构。

此外，时间序列互相关工具还具有合并空间邻居的功能。当包括邻居时，它会计算焦点特征处的主要变量与其每个邻居处的次要变量之间的相关性。在右侧图像中，红色位置是焦点特征，它有九个邻居（包括其自身）。因此，给定时间滞后的焦点位置的互相关将是九个相关值（八个邻居和其自身）的加权平均值。我们还可以选择保存输出成对相关表，该表导出所有时间滞后下每个位置和每个邻居之间的成对相关。通过在计算中包括邻居，您可以改进相关性的估计，甚至检测分散过程。

下面展示时间序列互相关工具可以解决的2个问题。

1. 气温的季节性模式与降水的季节性模式有相关性吗？它们的相关性如何随空间和时间变化？

2. 当 COVID-19 病例激增时，多久之后死亡人数才会激增？

1、示例演示：温度的季节性模式

与降水的季节性模式有何关联？

我们可能在地理课上学过气候带的特点。温度模式和降水模式应该在一定程度上相关，但可能存在时间延迟。例如，在热带气候中，降水往往集中在夏季，而在干燥夏季气候中，降水主要集中在冬季。因此，这带来了一个问题：它们在空间和时间方面如何相关？我们能在地图上直观地看到这些关系吗？本节将向您展示时间序列互相关工具如何帮助我们回答这个问题。

工具的参数配置如下图所示。输入时空立方体是包含我们正在分析的主要 变量和次要 变量的立方体。我选择温度作为主要变量，降水量作为次要变量。最大时间滞后设置为 6，次要变量滞后方向设置为将次要变量向前移动。这意味着代表降水量的时间序列向前移动 1 个月、2 个月、3 个月直至 6 个月，并将计算这六个时间滞后中的每一个的相关值。

该工具的输出是一个组层，向我们展示了最强绝对相关性、最强正相关性、最强负相关性及其相关的时间滞后。

下面设置基于森林和增强分类与回归工具，并启用新参数“包括所有预测概率”  。

我们将研究最强正相关的层，因为我们更关心正相关（图 5）。最强正相关是所有时间滞后中两个变量之间的最大相关值。因此，颜色较浅的位置表示温度和降水在任何时间滞后中彼此之间没有显着相关性。您可能会注意到这些地区主要位于山区西部和南部。原因可能是那里的温度具有强烈的年度季节性模式，而降水则没有。另一方面，深红色的位置表示温度和降水具有很强的相关性，即使它们在时间上不一致。

现在，新的概率输然后，我们可以检查最强正相关滞后层，以查看两个变量在时间上的对齐程度。浅蓝色的位置表示两个变量在时间上的对齐程度更高。例如，大平原和南佛罗里达州的温度和降水量对齐得很好，因为这些地区为米色或浅蓝色。然而，这两个变量在西海岸的对齐程度并不好，因为该地区为深蓝色。

可以通过弹出图表进一步探索西海岸的时间模式。单击地图上的某个要素时，将弹出两个可交互的图表。按钮上的折线图显示了我们正在研究的两个时间序列。顶部的条形图显示了每个时间滞后的相关值。当将鼠标悬停在条形图上的滞后 1 上时，折线图中的降水量将向前移动 1 个月；当将鼠标悬停在滞后 4 上时，降水量将向前移动 4 个月。

我们可以看到这两个时间序列在时滞为 6 时高度相关，这表明温度的季节性模式与降水模式在 6 个月内不匹配。这是有道理的，因为在西海岸，冬季降雨较多，夏季降雨较少。通过此弹出图表，我们可以直观地探索这两个时间序列在特定时滞下如何对齐。

2、示例演示：从新冠肺炎病例激增到

新冠肺炎死亡人数激增之间间隔多长时间？

我们想了解 COVID-19 病例和死亡的延迟效应。这与仅分析温度和降水在空间和时间上的相关性不同。要估计 COVID-19 病例数在一定时间后如何影响或影响 COVID-19 死亡人数，消除潜在趋势、季节性和自相关的影响至关重要。通过这样做，我们可以避免获得虚假相关性，而只专注于了解感染和死亡之间的关系。

通过选中“过滤”和“删除趋势”复选框，可以删除所有底层结构。

下图显示了最强相关性滞后的结果。如地图所示，不同州的时间滞后各不相同。表示时间滞后 1 的位置计数的条形图最高，这意味着 COVID-19 病例的发生和随后的死亡之间通常有一周的延迟。然而，在许多其他州，延迟可能少于或超过一周。

点击亚利桑那州来仔细查看。正相关出现在时间滞后 +2 处，这意味着 COVID-19 病例和死亡之间的时间延迟为 2 周。此外，您可能会注意到，在过滤和消除趋势后，该工具会为我们返回相关性的置信区间（此浅蓝色阴影区域）。

总结

虽然这个工具的概念很简单，但它可以用来回答各种问题。它不仅可以作为评估时间序列之间一致性的探索性工具，而且如果我们删除时间序列中的所有底层结构，它还可以让我们识别延迟效应。此外，如果我们对某个位置的一个变量与其邻域内的另一个变量之间的相关性更感兴趣，该工具提供了合并空间邻居的选项。例如，您可以将每小时的降雨量与径流进行比较，为径流高峰做好准备，这样我们就可以防止洪水灾害。或者将营销活动与销售额进行比较，以估计活动的有效性。

作者：ArcGIS中国培训中心

转载请注明出处：Pro3.3新功能3：【时间序列互相关】空间时间模式挖掘新工具，可识别正负相关、延迟时间

技术交流QQ群：336076300