R语言地理加权回归与残差可视化实战

本文还有配套的精品资源，点击获取

简介：本资源提供R语言在地理加权回归（GWR）的应用，涵盖模型实现和残差可视化。R语言的 gwr 包和 spatialEco 包支持GWR模型的建立和残差分析，而 ggplot2 和 ggmap 包用于制作美观且信息丰富的残差地图。此外， leaflet 包能够生成带有残差信息的交互式地图，帮助用户探索残差分布。掌握本课程内容，用户可以更好地理解地理统计模型和提升空间数据分析能力。

1. 地理加权回归（GWR）概念与应用

地理加权回归（GWR）基础

地理加权回归（GWR）是一种用于建模空间数据的统计技术，它扩展了传统回归模型，允许模型参数在空间上变化。与标准线性回归方法不同，GWR在每个观测点处考虑局部关系，使得能够捕捉到数据中的空间非平稳性。

GWR与传统回归方法的比较

GWR在处理空间数据时比传统回归方法更具优势。它通过在每个点拟合一个局部回归方程来代替单一全局模型，从而揭示变量间的局部关系和潜在的空间模式。这种方法特别适用于那些随地理位置变化而变化的关系。

GWR在不同领域的应用案例分析

GWR已在多个领域中成功应用，例如城市规划、疾病监测、农业和气候科学等。通过分析不同地点的特定问题，GWR模型能够提供更加详细和准确的预测，进而为制定区域性策略和政策提供数据支持。

graph TD;
    A[地理加权回归基础] --> B[比较GWR与传统回归];
    B --> C[应用案例分析];

此流程图展示了第一章内容的逻辑结构，从基础知识到比较分析再到实际案例应用，逐步深入理解GWR的特点和应用价值。

2. R语言在地理统计分析中的作用

2.1 R语言的地理统计分析功能概述

2.1.1 R语言的优势和特点

R语言作为一款开源的统计计算和图形软件，近年来在地理统计分析领域内获得了广泛的关注和应用。它的优势主要体现在以下几个方面：

• 开源性： 作为一个开源项目，R语言拥有活跃的社区支持和持续更新的包资源，这为地理统计分析提供了丰富的工具。
• 统计能力： R语言集成了大量统计分析的方法和模型，使得进行复杂的统计分析成为可能。
• 图形展示： R语言提供了强大的数据可视化能力，用户可以通过各种包来创建高质量的地图和图表。
• 可扩展性： R语言可以通过安装额外的包来增加新的功能，这使得它非常适合进行专业分析和科研工作。

2.1.2 R语言地理统计包的分类与介绍

R语言中有大量的包支持地理统计分析，它们通常可以分为以下几类：

• 空间数据分析包： 如 sp 、 rgdal 和 rgeos 等，提供了基础的空间数据操作和分析能力。
• 高级空间统计包： 如 gstat 和 spatial 等，为进行克里金插值、空间回归等高级分析提供了便利。
• 地理加权回归（GWR）包： 如 gwr 包，专门用于构建和分析GWR模型。
• GIS集成包： 如 rgeos 和 sf ，这些包使得R可以与专业的GIS软件如ArcGIS和QGIS进行数据交互。

2.2 R语言与地理信息系统的集成

2.2.1 GIS数据的导入与预处理

在进行地理统计分析之前，首先需要导入和预处理GIS数据。R语言提供了多种方式来实现GIS数据的导入：

• 使用 rgdal 包的 readOGR 函数导入矢量数据。
• 使用 raster 包的 raster 函数导入栅格数据。
• 使用 readGDAL 函数从GDAL支持的多种GIS文件格式导入数据。

预处理包括数据格式转换、坐标投影转换、数据清洗等步骤，以保证后续分析的准确性和效率。

2.2.2 利用R语言进行地理数据分析和处理

地理数据分析是R语言中的一个重要应用领域。以下是一个简单的代码示例，说明如何读取矢量数据并提取特定的地理统计信息：

# 安装和加载所需的包
install.packages("rgdal")
library(rgdal)

# 导入矢量数据
vector_data <- readOGR(dsn = "path/to/your/data", layer = "your_layer_name")

# 查看数据属性
summary(vector_data@data)

# 提取特定字段的数据
data_field <- vector_data@data$specific_field

# 进行空间统计分析
# 例如，计算字段的平均值
mean_value <- mean(data_field, na.rm = TRUE)

# 输出结果
print(mean_value)

在这个例子中，我们首先导入了矢量数据，然后对其属性进行了概览，并提取了一个字段的值来进行基本的统计分析。

2.3 R语言在空间数据可视化中的应用

2.3.1 地图的绘制与美化

R语言在绘制地图方面同样表现出色。 ggplot2 包的 geom_sf 函数可以用来绘制空间数据，而 maptools 包提供了许多用于地图美化和定制的工具。

下面是一个使用 ggplot2 绘制基本地图的例子，并进行了简单的美化操作：

# 安装和加载所需的包
install.packages("ggplot2")
library(ggplot2)

# 绘制地图
ggplot() +
  geom_sf(data = vector_data) +
  theme_minimal() +
  labs(title = "Simple Map of Vector Data")

在这个代码中，我们使用 geom_sf 函数基于矢量数据绘制了一个基础地图，并通过 theme_minimal 函数添加了现代风格的主题。

2.3.2 空间数据的交互式展示

除了静态的可视化之外，R语言也支持创建交互式地图。 leaflet 包是一个在R中创建交互式Web地图的强大工具。

以下是如何使用 leaflet 包在R中创建一个基础的交互式地图：

# 安装和加载所需的包
install.packages("leaflet")
library(leaflet)

# 创建交互式地图
m <- leaflet(data = vector_data) %>%
  addTiles() %>%
  addPolygons()

# 输出地图
m

在这个例子中，我们首先加载了 leaflet 包，然后创建了一个地图对象，并使用 addTiles 和 addPolygons 函数分别添加了底图和多边形图层。

请注意，以上代码仅作为展示使用，实际应用中需要替换为具体的数据路径和数据名称，并根据分析需求进行相应的调整。

3. 使用 gwr 包建立GWR模型

地理加权回归（GWR）是一种局部回归技术，它允许模型参数根据空间位置的不同而变化，从而能够捕捉到空间非平稳性（spatial non-stationarity）现象。在这一章节中，我们将深入探讨如何利用R语言中的 gwr 包来建立GWR模型，并进行详细的操作指导和参数设定。

3.1 安装和加载 gwr 包

3.1.1 gwr 包的安装步骤

在R语言中， gwr 包提供了强大的工具集用于地理加权回归分析。首先，确保你已经安装了R语言环境。接下来，打开R控制台或RStudio，输入以下命令来安装 gwr 包：

install.packages("gwr")

安装完成后，加载 gwr 包以便使用其功能：

library(gwr)

3.1.2 gwr 包的基本使用方法

安装和加载完成后，我们可以开始使用 gwr 包中的函数来处理数据和运行GWR模型。 gwr 包中的 gwr.sel 函数用于选择最佳带宽，而 gwr 函数则是用于实际的GWR模型估计。基本的使用流程包括数据准备、模型构建、带宽选择、模型运行和结果评估。

3.2 GWR模型的构建与参数设定

3.2.1 数据准备和模型输入

要建立GWR模型，首先需要准备空间数据以及相关的解释变量。通常，这些数据包括位置坐标（通常是经纬度）以及一系列的预测变量。

假设我们有一组数据集 gwr_data ，包含响应变量 response 和多个解释变量 explanatory1 , explanatory2 , ..., explanatoryN ，以及相应的坐标信息 longitude 和 latitude 。

data("gwr_data")  # 加载示例数据集
head(gwr_data)    # 查看数据集的前几行

在构建模型之前，我们需要确定模型的公式。这通常是通过公式语法来完成的，例如：

formula <- response ~ explanatory1 + explanatory2 + ... + explanatoryN

3.2.2 选择最优带宽和核心函数

在GWR中，选择合适的带宽对于模型的性能至关重要。带宽决定了每个局部回归的邻域大小，以及各位置权重函数的影响范围。 gwr.sel 函数可以帮助我们选择最佳的带宽参数。此外，核心函数的选择也会影响模型的权重分配。

示例代码如下：

opt_bwidth <- gwr.sel(formula, data = gwr_data, adapt = TRUE)

在这里， adapt = TRUE 指示我们使用自适应带宽，即不同的观测点可以有不同的带宽。结果 opt_bwidth 包含了最佳带宽。

3.3 GWR模型的评估与诊断

3.3.1 模型的统计检验

一旦我们运行了GWR模型，就需要对结果进行统计检验。这包括检查模型的诊断指标，如AIC（赤池信息量准则）、R²值、残差的分布等。

gwr_results <- gwr(formula, data = gwr_data, bandwidth = opt_bwidth, hatmatrix = TRUE)
summary(gwr_results)

3.3.2 模型结果的解释与应用

最后，需要对GWR模型的输出进行解释和应用。我们可以通过可视化的方式来展示每个局部回归系数的空间变化。

示例代码可以用来获取回归系数的空间分布：

coefficients <- gwr_results$SDF  # 获取局部回归系数的数据框架

接下来，我们可以使用R中的绘图函数来可视化这些系数，比如：

library(sp)
# 假设已经有了一个空间对象spdf，用于绘制地图背景
plot(spdf, axes = TRUE)
plot(coefficients$longitude, coefficients$latitude, pch = 16, 
     col = rev(heat.colors(nrow(coefficients))), add = TRUE)

这样就可以直观地展示出每个局部回归系数的空间变化。通过调整 col 参数，我们可以使用不同的颜色方案来突出显示系数的变化范围。

注意： 本章节的代码段仅为示例，实际操作时需要根据具体数据和研究问题调整模型公式和参数设置。同时，GWR模型的构建和评估是一个复杂的过程，需要结合专业知识和对数据深刻的理解。因此，在实际应用中，建议在专业指导下进行。

4. 使用 spatialEco 包进行数据预处理和结果可视化

4.1 spatialEco 包的数据处理功能

地理加权回归（GWR）模型的构建和应用，在很大程度上依赖于准确和高质量的空间数据。为了准备高质量的数据，R语言的 spatialEco 包提供了一系列强大的功能，用以进行数据预处理和准备。本小节将深入探讨 spatialEco 包在空间数据处理方面的能力，包括数据格式的转换、空间化、清洗和异常值处理。

4.1.1 数据格式转换与空间化

数据格式转换是处理地理空间数据的第一步。不同格式的数据往往适用于不同的处理和分析方法。 spatialEco 包提供了方便的函数来转换各种空间数据格式。例如， readASC() 函数可以用来读取ASCII网格格式文件， writeASC() 函数则可以将空间数据保存为ASCII网格格式。

空间化是一个将非空间数据转换为具有地理坐标的空间数据的过程。 spatialEco 包中的 points() 函数能够将数据框中的经纬度坐标转换为空间对象，例如点（points）、线（lines）和多边形（polygons）。下面是一个简单的示例代码：

# 加载spatialEco包
library(spatialEco)

# 假设有一个数据框，包含经纬度坐标
data <- data.frame(lat = c(34.0522, 40.7128),
                   lon = c(-118.2437, -74.0060),
                   value = c(10, 20))

# 使用points()函数进行空间化
spatial_data <- points(data, xcol = "lon", ycol = "lat")

# 打印空间对象查看结果
print(spatial_data)

4.1.2 数据清洗和异常值处理

数据清洗是确保GWR模型质量的关键步骤之一。 spatialEco 包中包含了多种用于数据清洗的函数。例如， spatialEco::clean() 函数能够用来检测和修正空间对象中的拓扑错误。

异常值的检测和处理是数据预处理的一个重要方面。 spatialEco 包提供的 spatialEco::outlier() 函数能够帮助用户识别和处理异常值。它基于空间自相关性原理来识别那些不符合空间分布规律的数据点。

下面的代码展示了如何使用 outlier() 函数来识别和处理异常值：

# 假设我们有一个空间对象spatial_data，它可能包含一些异常值
# 使用outlier()函数检测异常值
outliers <- outlier(spatial_data)

# 处理检测到的异常值，这里以替换为中位数为例
spatial_data[outliers, 'value'] <- median(spatial_data@data$value)

# 查看处理后的数据
print(spatial_data@data)

在地理空间数据分析中，异常值可能会因为各种原因产生，例如测量误差、自然变异或数据录入错误。通过对异常值进行合理的处理，可以提高模型的准确性和可靠性。

在本章节中，我们介绍了 spatialEco 包在数据预处理方面的功能和应用。通过数据格式转换、空间化、清洗以及异常值处理，我们可以准备出符合GWR模型需求的空间数据。在下一小节中，我们将继续探讨 spatialEco 包在GWR结果处理中的应用，重点在于结果的提取和整理以及空间插值和映射。

5. 残差分析的重要性和方法

5.1 残差分析在GWR中的作用

5.1.1 残差分析的意义

残差分析是回归分析中的一个重要步骤，它通过分析模型预测值和实际观测值之间的差异来评估模型的拟合效果。在地理加权回归（GWR）模型中，残差分析尤为重要，因为GWR模型考虑了空间非平稳性，即变量之间的关系随地理位置的不同而改变。残差分析能够揭示GWR模型是否成功捕捉到这种空间变化，并指导模型的进一步优化。

残差分析的主要意义在于： - 确认模型是否具有偏差，即模型是否系统性地高估或低估了观测值。 - 检查数据中的异常值或影响点，这些点可能会对模型的参数估计产生不成比例的影响。 - 评估模型的同方差性假设，即残差的方差是否在数据中保持恒定。

5.1.2 残差的诊断指标

在进行残差分析时，可以使用一些统计指标来帮助诊断模型的性能。这些指标包括但不限于： - 残差的均值（Mean）：理想情况下，残差的均值应接近于零。 - 标准化残差（Standardized Residuals）：通过将残差除以它们的标准差来获得，有助于识别异常值。 - 残差的正态性（Normality）：使用Shapiro-Wilk测试或Q-Q图来检查残差是否服从正态分布。 - 残差的独立性（Independence）：通过Durbin-Watson统计量来检验残差之间是否存在自相关性。 - 残差的同方差性（Homoscedasticity）：使用Breusch-Pagan或White检验来检查残差的方差是否一致。

5.2 常用的残差分析方法

5.2.1 残差的图形化分析

图形化分析是一种直观检验残差的方法，可以快速识别数据中的模式或问题。对于GWR模型，以下图形化分析工具特别有用：

• 残差图（Residual Plot）：将残差与拟合值或解释变量进行绘图，可以帮助我们识别残差的模式。
• Q-Q图（Quantile-Quantile Plot）：用于评估残差的正态性，理想情况下，点应该沿着一条直线排列。
• 空间残差图（Spatial Residual Plot）：通过将残差在地图上表示出来，可以直观地看到残差的空间分布。

5.2.2 残差正态性检验

在残差分析中，我们经常需要检验残差是否服从正态分布。Shapiro-Wilk测试是一种常用的统计检验方法，其原假设是残差来自正态分布。如果检验结果的p值大于显著性水平（例如0.05），则不能拒绝正态分布的假设。

R语言中可以使用 shapiro.test() 函数来进行Shapiro-Wilk检验：

residuals <- gwr.model$residuals  # 假设 gwr.model 是已经拟合的GWR模型对象
shapiro.test(residuals)

如果Shapiro-Wilk检验的结果不支持正态分布假设，可能需要使用非参数方法或对数据进行转换以改善模型的正态性。

5.3 残差分析的实践操作

5.3.1 R语言实现残差分析的步骤

在R中实现残差分析可以分为以下步骤：

1. 拟合GWR模型并提取残差。
2. 进行残差的基本统计描述，例如计算均值和标准差。
3. 绘制残差图，检验残差的模式。
4. 进行残差的正态性检验。
5. 如有必要，进行残差的独立性检验和同方差性检验。

5.3.2 残差异常情况的处理与调整

如果残差分析揭示了异常情况，如存在非正态性、异方差性或残差间存在自相关性，需要采取相应措施：

• 对于非正态性，可以尝试数据转换，如对数转换或Box-Cox转换。
• 对于异方差性，可以使用加权最小二乘法或变换响应变量。
• 对于残差间的自相关性，可以考虑使用地理加权方法，并重新拟合模型。

在处理和调整残差后，应该重新进行残差分析，以验证采取的措施是否有效改善了模型的拟合质量。

通过上述残差分析的过程，可以确保GWR模型的可靠性，进一步提高预测的精度，并为最终的决策支持提供坚实的基础。

6. 利用 ggplot2 和 ggmap 进行残差可视化

6.1 ggplot2 与 ggmap 的简介与安装 6.1.1 ggplot2 和 ggmap 的特点与用途 ggplot2 是一个用于R语言的图形包，它基于“图形语法”的概念来创建图形。这种语法提供了一种强大而灵活的方式来进行数据可视化，可以轻易创建出美观且信息丰富的图表。 ggplot2 的强大之处在于它能够生成各种类型的静态图表，从简单的散点图到复杂的分面图和统计图形，非常适合于数据分析和探索。

ggmap 是一个专门用于地图可视化的 ggplot2 扩展包，它能够结合多种在线地图服务（如Google Maps、Stamen Maps等），为 ggplot2 创建的地图提供地图背景。这意味着用户能够轻易将地理数据映射到真实的地图上，从而创建出直观的地理信息图。 ggmap 的用途不仅限于地理数据可视化，也可以与 ggplot2 相结合，制作出具有地理元素的复合图形。

6.1.2 如何在R环境中安装和加载这两个包

安装这两个包可以使用以下命令：

install.packages("ggplot2")
install.packages("ggmap")

加载这两个包到您的R会话中，可以使用以下命令：

library(ggplot2)
library(ggmap)

6.2 利用 ggplot2 进行高级残差可视化 6.2.1 ggplot2 的绘图语法基础

ggplot2 的绘图语法遵循一个简单的原则：数据+图形属性映射+几何对象。这意味着你首先确定数据集，然后指定数据集中的哪些变量应该映射到哪些图形属性，比如x轴、y轴或颜色。最后，你选择一种几何对象来表示这些数据，比如点、线或条形图。

在进行残差可视化时，你可以使用 ggplot2 的多种功能来定制残差图的外观。这里是一些基本步骤：

# 假设我们有一个名为residuals的数据框，包含两个变量：x和resid
# 绘制散点图来表示残差
ggplot(residuals, aes(x = x, y = resid)) +
  geom_point() + # 添加点几何对象
  labs(title = "Residuals vs. Fitted", x = "Fitted Values", y = "Residuals") # 添加标题和轴标签

6.2.2 实现残差图的定制与美化

ggplot2 提供了许多选项来定制和美化图形，比如改变颜色、形状、主题等。这里是一些美化残差图的例子：

# 使用主题更换为简洁风格
ggplot(residuals, aes(x = x, y = resid)) +
  geom_point(aes(color = factor(sign(resid))), size = 3) +
  scale_color_manual(values = c("blue", "red"), labels = c("Negative", "Positive")) +
  theme_minimal() +
  labs(title = "Residuals vs. Fitted", x = "Fitted Values", y = "Residuals", color = "Residual Sign")

6.3 利用 ggmap 创建地图背景的残差图 6.3.1 地图的获取与背景设置

使用 ggmap 来获取地图背景和创建残差地图，首先需要确定你的数据对应的具体地理位置。以下是获取地图背景并设置为绘图背景的基本步骤：

# 使用get_map()函数获取地图
map <- get_map(location = "place name", zoom = 10, maptype = "terrain")

# 使用ggmap()函数来绘制地图
ggmap(map) +
  geom_point(data = residuals, aes(x = long, y = lat, color = resid)) +
  scale_color_gradient2(low = "blue", mid = "white", high = "red", midpoint = 0) +
  labs(title = "Residuals on Map Background", color = "Residual")

6.3.2 残差数据与地图的融合展示

为了将残差数据与地图融合展示，我们需要知道每个残差点对应的地理位置（经度和纬度）。一旦我们有了这些数据，我们就可以将它们绘制在地图上：

# 假设我们的残差数据框包含经度和纬度信息
# 绘制残差值在地图上的点
ggmap(map) +
  geom_point(data = residuals, aes(x = longitude, y = latitude, color = resid)) +
  scale_color_gradient2(low = "blue", mid = "white", high = "red", midpoint = 0) +
  labs(title = "Residuals on Map Background", color = "Residual")

这样，我们就能将残差值映射到实际的地理位置上，形成一个直观的残差地图，这对于地理数据分析和异常值检测特别有用。

7. leaflet 包创建交互式残差地图

7.1 leaflet 包的介绍与优势

leaflet 包是R语言中的一个强大的交互式Web地图可视化工具，它为用户提供了创建动态地图的便捷途径。该包支持实时缩放、拖动、点击事件、弹窗显示等多种地图交互方式。与传统的静态地图相比， leaflet 能够提供更加丰富的用户体验和更深层次的地理信息探索功能。

7.1.1 leaflet 包的使用场景

在地理加权回归（GWR）模型中，数据分析人员经常需要展示和交流残差的空间分布信息。传统的静态地图难以满足详细展示的需求，而 leaflet 包正是解决这一问题的理想选择。例如，在模型诊断阶段， leaflet 可以用来创建一个交互式的地图来展示残差数据，帮助分析人员更直观地理解数据，并进行异常值的识别和解释。

7.1.2 安装 leaflet 包与创建基本地图

在开始创建地图之前，需要确保 leaflet 包已经被安装在R环境中。如果尚未安装，可以通过以下命令进行安装：

install.packages("leaflet")

一旦安装完成，接下来可以加载 leaflet 包，并创建一个基本的地图对象：

library(leaflet)
m <- leaflet() %>%
  addTiles() %>%  # 添加默认的瓦片地图
  setView(lng = -81.38, lat = 28.54, zoom = 13) # 设置初始视图位置和缩放级别

上面的代码将会创建一个初始显示在佛罗里达州奥兰多市的地图。 addTiles 函数添加了默认的瓦片图层，用户可以根据需要更换其他瓦片提供商提供的地图样式。

7.2 在 leaflet 中添加空间数据与残差信息

7.2.1 数据转换与图层添加

为了在 leaflet 地图上展示残差数据，首先需要将GWR模型的输出结果转换为一个适合在地图上展示的格式。这通常意味着将数据转换为包含地理坐标和残差值的数据框（data frame）。

# 假设我们有一个包含经度、纬度和残差值的数据框df
df <- data.frame(
  longitude = c(-81.38, -81.39, -81.40),
  latitude = c(28.54, 28.55, 28.56),
  residual = c(1.2, -0.5, 0.8)
)

# 将数据框转换为SpatialPointsDataFrame对象
library(sp)
coordinates(df) <- c("longitude", "latitude")

接下来，可以使用 addCircles 函数将残差数据添加到地图上。每个点的大小、颜色和弹窗可以根据残差值的大小进行调整。

m %>% addCircles(
  lng = ~longitude, lat = ~latitude, 
  radius = ~abs(residual) * 1000, # 假设残差值与半径成正比
  color = ~ifelse(residual > 0, 'red', 'blue'), # 根据残差的正负改变颜色
  label = ~paste("Residual:", residual)
)

7.2.2 标记、弹窗及图例的交互式设置

为了提供更好的用户体验，可以为地图上的标记添加弹窗，显示更多的信息。此外，通过图例可以对地图上的标记进行分类，使用户更易于理解信息。

# 添加图例
m %>% addLegend(
  pal = colorFactor(c('red', 'blue'), domain = df$residual),
  values = df$residual,
  title = "Residuals",
  position = "bottomright"
)

7.3 交互式地图的定制与优化

7.3.1 自定义地图控件与事件处理

leaflet 包支持自定义控件，例如测量工具、比例尺、图层控件等。此外，可以编写JavaScript函数来处理点击标记等事件，从而实现更复杂的交互式功能。

# 添加缩放控件
m <- m %>% addScaleBar()

# 添加自定义事件处理函数
m <- m %>% onMetric("click", function(e) {
  # 在此处添加点击事件处理逻辑
  cat(sprintf("You clicked on (%0.2f, %0.2f)\n", e lng, e$lat))
})

7.3.2 地图的响应式设计与用户体验优化

为了使地图在不同设备上均有良好的显示效果，可以利用 leaflet 的响应式设计功能。可以为特定屏幕尺寸设置特定的显示规则，例如当屏幕较小的时候隐藏某些图层或控件。

# 添加响应式设置
m %>% addMiniMap(
  toggleDisplay = TRUE,
  position = 'bottomleft'
)

在本章中，我们已经详细介绍了如何使用 leaflet 包创建交互式残差地图。通过上述步骤，我们可以实现一个基本的交互式地图，并通过定制和优化让它成为分析残差分布和识别模型问题的强大工具。

本文还有配套的精品资源，点击获取

简介：本资源提供R语言在地理加权回归（GWR）的应用，涵盖模型实现和残差可视化。R语言的 gwr 包和 spatialEco 包支持GWR模型的建立和残差分析，而 ggplot2 和 ggmap 包用于制作美观且信息丰富的残差地图。此外， leaflet 包能够生成带有残差信息的交互式地图，帮助用户探索残差分布。掌握本课程内容，用户可以更好地理解地理统计模型和提升空间数据分析能力。

本文还有配套的精品资源，点击获取