![](https://img-blog.csdnimg.cn/51999efdd0a345bf8e7b78b93d9956ee.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
GIS空间分析
文章平均质量分 95
GIS空间分析
rgb2gray
人工智能领域优质创作者,CSDN博客专家
展开
-
Applied Spatial Statistics(七):Python 中的空间回归
本笔记本演示了如何使用 pysal 的spreg库拟合空间滞后模型和空间误差模型。原创 2024-06-23 16:25:50 · 688 阅读 · 0 评论 -
Applied Spatial Statistics(六)线性回归 II(模型选择)
我们可以看到,对 mpg 进行对数变换后,残差图看起来更好,并且残差比之前的模型更服从正态分布。由于非线性很强,我们可能会想到对变量进行变换。让我们尝试记录因变量 mpg。mpg ~ 截距 + 重量 + model_year。这里我尝试了逐步进行。检查 VIF,全部 < 10。我们可以看到事情正在变得更好。检查残差图:发现很强的非线性。一些基本的探索性可视化。让我们直接获取数字列。原创 2024-05-19 15:36:07 · 967 阅读 · 1 评论 -
Applied Spatial Statistics(五)线性回归 I
b0 = 10#b1 = 4线性回归结果总结yR-squared:0.944OLS0.9441.678e+040.0019:25:57-1394.31000AIC:2793.998BIC:2802.1nonrobustcoefstd errtP>|t|[0.0250.975]const9.93720.031321.2280.0009.8769.998x14.02510.031129.5410.0003.9644.0861.6471.9240.4391.6710.098。原创 2024-05-12 00:24:04 · 825 阅读 · 0 评论 -
Applied Spatial Statistics(四)点模式分析-KDE 分析和距离函数
--- 1853年伦敦霍乱爆发在此示例中,我将演示如何使用 John Snow 博士的经典霍乱地图在 Python 中执行 KDE 分析和距离函数。原始数据从这里获得:seabornpointpatscontextily。原创 2024-05-09 17:25:33 · 688 阅读 · 0 评论 -
Applied Spatial Statistics(三)点模式分析 - 最近邻分析
点模式分析是一种用于识别数据集中的异常或异常模式的统计方法。在点模式分析中,最常用的一种分析方法是最近邻分析(Nearest Neighbor Analysis)。这种方法主要关注数据点之间的距离,通过比较数据点与其最近邻点的距离来识别异常值或异常模式。原创 2024-05-09 15:57:20 · 928 阅读 · 0 评论 -
Applied Spatial Statistics(二)统计推断:排列测试
本笔记本演示了如何执行假设检验和 p 值计算的排列检验。让我们抽取一个非常小的样本,只有 10 个点。 mpg cylinders displacement horsepower weight acceleration model_year origin name 165 20.0 8原创 2024-04-18 19:18:05 · 546 阅读 · 0 评论 -
Applied Spatial Statistics(一)统计推断
本笔记本演示了如何使用引导方法构建统计数据的置信区间。我们还将检查 CI 的覆盖概率。1.构建Bootstrap CI我们有 95% 的信心认为人群中 HP 和 ACC 的真实相关性在 -0.855 到 -0.606 之间。在这种情况下,CI 不覆盖 0,这意味着总体相关系数不为零。因此,我们从样本中观察到的负趋势不仅仅是因为抽样变化,而是因为总体中真正的相关性是负的。我们有 95% 的信心认为人群中 HP 和 ACC 的真实相关性在 -0.855 到 -0.606 之间。原创 2024-03-31 22:04:14 · 1078 阅读 · 0 评论 -
BikeDNA(九) 特征匹配
特征匹配采用参考数据并尝试识别 OSM 数据集中的相应特征。 特征匹配是比较单个特征而不是研究区域网格单元水平上的特征特征的必要前提。方法将两个道路数据集中的特征与其数字化特征的方式以及边缘之间潜在的一对多关系进行匹配(例如,一个数据集仅映射道路中心线,而另一个数据集映射每辆自行车的几何形状) 车道)并不是一项简单的任务。这里使用的方法将所有网络边缘转换为统一长度的较小段,然后再寻找参考和 OSM 数据之间的潜在匹配。 匹配是根据对象之间的缓冲距离、角度和无向 Hausdorff 距离完成的,并且基于 Ko原创 2024-01-13 11:47:03 · 1084 阅读 · 0 评论 -
BikeDNA(八)外在分析:OSM 与参考数据的比较2
本节仔细研究两个数据集的网络组件特征。断开连接的组件不共享任何元素(节点/边)。换句话说,不存在可以从一个断开连接的组件通向另一组件的网络路径。如上所述,大多数现实世界的自行车基础设施网络确实由许多断开连接的组件组成(然而,当两个断开的组件彼此非常接近时,这可能是边缘缺失或另一个数字化错误的迹象。为了比较 OSM 和参考数据中断开组件的数量和模式,将内在分析的所有组件结果并置,并生成两个新图,分别显示 OSM 和参考数据的组件间隙以及组件连接性的差异。原创 2024-01-13 11:32:34 · 872 阅读 · 0 评论 -
BikeDNA(七)外在分析:OSM 与参考数据的比较1
该笔记本将提供的参考自行车基础设施数据集与同一区域的 OSM 数据进行所谓的外部质量评估进行比较。为了运行这部分分析,必须有一个参考数据集可用于比较。该分析基于将参考数据集与 OSM 进行比较,并突出显示它们的不同之处,包括自行车基础设施在两个数据集中映射的“程度”以及基础设施“如何”映射,从而查明差异 在网络结构中。例如,网络密度的差异是通过计算参考密度减去 OSM 密度来计算的。因此,正差值(大于0)表示参考值高出多少;负差值(低于 0)表示参考值低了多少。原创 2024-01-13 11:32:07 · 1143 阅读 · 0 评论 -
BikeDNA(六)参考数据的内在分析2
断开连接的组件不共享任何元素(节点/边)。换句话说,不存在可以从一个断开连接的组件通向另一组件的网络路径。如上所述,大多数现实世界的自行车基础设施网络确实由许多断开连接的组件组成(然而,当两个断开的组件彼此非常接近时,这可能是边缘缺失或另一个数字化错误的迹象。首先,在“return_components”的帮助下,获得网络所有(断开连接的)组件的列表。打印组件总数,并以不同颜色绘制所有组件以进行视觉分析。接下来,绘制组件大小分布(组件按其包含的网络长度排序),然后绘制最大连接组件的图。原创 2024-01-12 23:57:13 · 861 阅读 · 0 评论 -
BikeDNA(五)参考数据的内在分析1
该笔记本分析用户提供的给定区域的参考自行车基础设施数据集的质量。质量评估是“内在的”,即仅基于一个输入数据集,并且不使用数据集外部的信息。对于将参考数据集与相应 OSM 数据进行比较的外在质量评估,请参阅笔记本 3a 和 3b。该分析评估给定区域参考数据的“目的适应性”(分析的结果可能与自行车规划和研究相关 - 特别是对于包括自行车基础设施网络分析的项目,在这种情况下,几何拓扑尤为重要。由于评估不使用外部参考数据集作为基本事实,因此无法对数据质量做出普遍的声明。原创 2024-01-12 23:56:59 · 1018 阅读 · 0 评论 -
BikeDNA(四)初始化参考数据
先决条件和条件 输入/输出config.yml必须提前设置。此笔记本的输出文件保存到子文件夹中,并在笔记本 2b、3a 和 3b 中使用。当根据参考数据创建网络时,每条边都会分配一个唯一的边 ID。要将边缘 ID 与原始数据中的 ID 相关联,请使用具有网络边缘的数据帧ref_edges和原创 2024-01-12 23:24:20 · 834 阅读 · 0 评论 -
BikeDNA(三) OSM数据的内在分析2
本节探讨数据的几何和拓扑特征。例如,这些是网络密度、断开的组件和悬空(一级)节点。它还包括探索是否存在彼此非常接近但不共享边缘的节点(边缘下冲的潜在迹象),或者是否存在相交边缘而在相交处没有节点,这可能表明存在数字化错误,该错误将导致数字化错误。扭曲网络上的路由。由于大多数自行车网络的分散性,许多指标(例如缺失链接或网络间隙)可以简单地反映基础设施的真实范围(这对于道路网络来说是不同的,例如,断开的组件更容易被解释为数据质量问题。因此,分析仅将非常小的网络间隙视为潜在的数据质量问题。原创 2024-01-01 21:03:29 · 1039 阅读 · 0 评论 -
BikeDNA(二) OSM数据的内在分析1
该笔记本分析给定区域的 OSM 自行车基础设施数据的质量。 质量评估是“内在的”,即仅基于一个输入数据集,而不使用外部信息。 对于将 OSM 数据与用户提供的参考数据集进行比较的外在质量评估,请参阅笔记本 3a 和 3b。该分析评估给定区域 OSM 数据的“目的适应性”(Barron et al., 2014)。 分析的结果可能与自行车规划和研究相关 - 特别是对于包括自行车基础设施网络分析的项目,在这种情况下,几何拓扑尤为重要。由于评估不使用外部参考数据集作为基本事实,因此无法对数据质量做出普遍的声明。原创 2024-01-01 21:03:07 · 557 阅读 · 0 评论 -
BikeDNA(一)初始化OSM数据
这是BikeDNA的存储库,一个以可重复方式评估OpenStreetMap(OSM)和其他自行车基础设施数据集质量的工具。它为规划者、研究人员、数据维护人员、骑行倡导者以及与自行车网络相关的其他人提供了在特定区域详细且知情地了解数据质量的工具。来源:https://github.com/anerv/BikeDNAconfig.yml必须提前设置。此笔记本的输出文件保存到子文件夹中,并在笔记本 1b、3a 和 3b 中使用。原创 2023-12-20 18:27:36 · 947 阅读 · 0 评论 -
Spatial Data Analysis(六):空间优化问题
pulp是一个用于优化问题的Python库。它包含了多种优化算法和工具,可以用于线性规划、混合整数线性规划、非线性规划等问题。Pulp提供了一个简单的方式来定义优化问题,包括变量、约束和目标函数,并且可以使用多种求解器进行求解。Pulp也提供了可视化工具来展示优化问题的结果。Pulp是一个开源项目,可以在GitHub上获取它的源代码。原创 2023-12-07 14:29:14 · 1025 阅读 · 0 评论 -
Spatial Data Analysis(五):使用 `census` 包获取人口普查数据
本教程将帮助您学习如何使用 python 直接获取人口普查数据,以避免从人口普查网站下载的麻烦。安装“census”和“us”包。 “us”包提供了一些对 FIPS 代码的便捷查找。Import the packages首先,从此处获取人口普查 API 密钥。 这将要求您输入您的隶属关系和电子邮件。 然后您需要通过电子邮件激活您的 API 密钥。 然后您将得到一个长密钥字符串来替换我这里的字符串:然后我们可以使用一个函数来自动下载人口普查数据并将其制作成格式良好的 Dataframe。以下是获取变量原创 2023-12-06 18:02:42 · 943 阅读 · 0 评论 -
Spatial Data Analysis(四):空间自相关示例
在空间分析中,全局 Moran’s I 和 p 值通常一起使用,以确认空间数据集是否呈现出显著的空间自相关性。如果 Moran’s I 的值接近1且 p 值小于0.05,则可以得出结论,空间数据集呈现出显著的空间自相关性,即空间聚集现象。反之,如果 p 值大于0.05,则可以得出结论,空间数据集中观测点的价值没有表现出统计学上显著的空间自相关性。如果点之间的距离越远,它们之间的空间滞后就越大。全局 Moran’s I 是一个用于空间自相关性检测的指标,它可以用于检测空间数据集中的空间聚集现象。原创 2023-12-06 17:07:08 · 3251 阅读 · 0 评论 -
Spatial Data Analysis(三):点模式分析
--- 1853年伦敦霍乱爆发在此示例中,我将演示如何使用 John Snow 博士的经典霍乱地图在 Python 中执行 KDE 分析和距离函数。原始数据从这里获得:rasterioseabornpointpats。原创 2023-12-06 00:13:23 · 1150 阅读 · 0 评论 -
Spatial Data Analysis(二):网络分析
可以指定自定义过滤器,并且可以在此处找到关键字:https://wiki.openstreetmap.org/wiki/Map_features。要绘制图形,您需要定义节点的位置,或者您可以使用一些预定义的布局,例如此处的“shell_layout”(同心圆)。在这里,我们将使用一个名为“osmnx”的包,它可以获取开放街道地图数据并将它们放入干净的网络格式。您可以获取世界上任何城市/地点的数据。绘制网络,可以修改颜色、节点大小、图大小等。浅黄色区域是具有较高程度中心性的地点/节点。原创 2023-12-04 15:59:36 · 675 阅读 · 1 评论 -
Spatial Data Analysis(一):线性回归
来源:https://github.com/Ziqi-Li/GEO4162C/tree/main在此示例中,我们将介绍如何在 python 中拟合线性回归模型。我们将使用的数据集是 2020 年县级选举投票数据以及来自 ACS 的社会经济数据。使用公共键合并两个 DataFrame。制作一张关于人们如何投票的地图。非常熟悉的蓝红色景观。原创 2023-12-04 15:53:29 · 1028 阅读 · 0 评论 -
地理加权回归GWR(Geographically Weighted Regression)
本笔记本演示了如何使用 Oshan 等人中包含的示例代码使用 MGWR Python 包执行地理加权回归GWR(Geographically Weighted Regression)是一种空间数据分析方法,用于处理空间异质性(spatial heterogeneity)问题。与传统的全局回归方法不同,GWR考虑了空间上相邻观测点之间的关联性,允许回归系数在空间上发生变化。这意味着,GWR可以捕捉到在空间上不同地区(或位置)的变量之间关系的差异。原创 2023-10-30 23:22:55 · 1611 阅读 · 0 评论 -
ESDA in PySal (6):评估空间异方差的局部模式:LOSH
在下面的笔记本中,我们回顾了提出的局部空间异方差 (LOSH) 统计量 (Hi) -y)。LOSH 旨在作为分析空间过程平均水平的本地统计数据的补充。LOSH 侧重于分析空间过程的方差。正如 Ord 和 Getis 所概述的,考虑 10 x 10 的属性值网格。在这个网格中,有一个中心高租金区域(由单元格为 1 标识)和周围的低值区域(由单元格为 0 标识)。原创 2023-10-17 15:36:43 · 213 阅读 · 0 评论 -
ESDA in PySal (5):空间数据的探索性分析:空间自相关
在本笔记本中,我们介绍_探索性空间数据分析_的方法旨在通过正式的单变量和空间聚类的多变量统计检验。原创 2023-10-17 15:19:43 · 1180 阅读 · 1 评论 -
ESDA in PySal (4):shape-measures:形状测量
esda.shape模块提供文献中使用的统计数据来测量多边形的结构和规则性。这些测量值从非常简单(例如长宽差)到非常复杂(例如归一化转动惯量)不等。无论如何,我们将逐步计算密西西比州各县的一些度量值。为什么是密西西比州?因为密西西比州西侧的县与密西西比河相连,河道蜿蜒曲折。一般来说,我们会认为该州左侧的县比右侧面积更大的县更“不规则”。第一个非常简单的测量是形状的长度和宽度之间的差异。该测量是伸长率的测量。您可以看到下面的效果,其中相对正方形的县被涂成深蓝色,而拉长的矩形县则被涂成浅黄色。原创 2023-10-17 14:45:24 · 130 阅读 · 0 评论 -
ESDA in PySal (3):Geosilhouettes:集群拟合的地理测量
是观测值与给定聚类的拟合优度的非参数度量。在聚类具有“地理”解释的情况下,例如当它们代表地理区域时,轮廓统计可以结合“空间思维”,以便提供更有用的聚类拟合度量。。这两项新措施共同提供了测量地理数据科学中聚类问题中聚类拟合优度的新方法。下面,我们将深入探讨这些是如何在“esda”包中实现的。首先,让我们设置一些数据。我们将考虑单个单变量数据集,即 1989 年美国南部腹地各县的基尼指数。最后,出于绘图目的,让我们获取底图。原创 2023-09-17 22:09:42 · 207 阅读 · 0 评论 -
ESDA in PySal (2) localjoincounts
PySAL有5种全局自相关检验:Gamma值、Join Count、Moran’s I、Geary’s C、和Getis and Ord’s G在下面的笔记本中,我们回顾了提出的不同类型的本地连接计数(LJC)。LJC 关注采用二进制值(例如 0 或 1)的空间现象,例如美国大选的获胜与失败,。这套探索性统计数据对于想要关注 Anselin 和 Li 所说的“协同定位”不同类型的分析师来说特别有用。即是否存在特定的 0 或 1 值。下面提供了每个统计数据的用例及其在 PySAL 中的实现。原创 2023-08-29 16:57:26 · 319 阅读 · 0 评论 -
ESDA in PySal (1) 利用 A-DBSCAN 聚类点并探索边界模糊性
在本例中,我们将以柏林的 AirBnb 房源样本为例,说明如何使用 A-DBSCAN (原创 2023-08-29 16:41:02 · 806 阅读 · 0 评论 -
Geocomputation (7)地理数据I/O
本章介绍地理数据的读写。地理数据导入对于地理计算至关重要:没有数据,现实世界的应用程序就不可能实现。数据输出也至关重要,使其他人能够使用您工作中产生的有价值的新数据集或改进的数据集。总的来说,这些导入/输出过程可以称为数据I/O。地理数据 I/O 通常在项目开始和结束时只需几行代码即可完成。它作为一个简单的一步过程经常被忽视。原创 2023-07-07 01:22:04 · 706 阅读 · 0 评论 -
Geocomputation (6)重新投影地理数据
sec-coordinate-reference-systems 引入了坐标参考系统(CRS),重点关注两种主要类型:地理(“经度/纬度”,单位为经度和纬度)和投影(通常以米为单位) 基准)坐标系。本章以这些知识为基础并进行了更深入的探讨。它演示了如何设置地理数据并将其从一种 CRS 转换为另一种 CRS,此外,还强调了您应该注意的由于忽略 CRS 而可能出现的特定问题,特别是当您的数据使用经度/纬度坐标存储时。在许多项目中,无需担心不同的 CRS,更不用说在不同的 CRS 之间进行转换。原创 2023-06-29 15:57:13 · 424 阅读 · 0 评论 -
Geocomputation (4)几何图形操作
到目前为止,本书已经解释了地理数据集的结构(第 2 章),以及如何根据其非地理属性(第 3 章)和空间关系(第 4 章)来操作它们。本章重点介绍如何操作地理对象的地理元素,例如简化和转换矢量几何、裁剪栅格数据集以及将矢量对象转换为栅格以及将栅格转换为矢量。阅读完它并尝试最后的练习后,您应该理解并控制 sf 对象中的几何列以及栅格中表示的像素相对于其他地理对象的范围和地理位置。@sec-geo-vec 涵盖了使用“一元”和“二元”运算转换矢量几何形状。原创 2023-06-23 17:06:01 · 329 阅读 · 0 评论 -
Geocomputation (3)空间数据操作
空间子集化是获取空间对象并返回仅包含与另一个对象在空间中相关的特征的新对象的过程。类似于属性子集(在 @sec-vector-attribute-subsetting 中介绍),可以使用方括号(“[”)运算符使用语法“x[y]”创建“GeoDataFrame”的子集,其中“x”是 一个“GeoDataFrame”,将从中返回行/特征的子集,“y”是“子集对象”。原创 2023-06-23 00:37:52 · 531 阅读 · 0 评论 -
Geocomputation (2)属性数据操作
例如,我们希望将“continent”和“region_un”列合并到名为“con_reg”的新列中,使用“:”作为分隔符。例如,伦敦的 Elephant & Castle / New Kent Road 停靠点的坐标为经度“-0.098”和纬度“51.495”,在@中描述的简单特征表示中可以表示为“POINT (-0.098 51.495)” sec-空间类。中介“idx_small”(代表小国家的索引的缩写)是一个布尔值“Series”,可用于按表面积划分世界上七个最小国家的子集。原创 2023-06-21 01:10:13 · 1807 阅读 · 0 评论 -
Geocomputation (1)Python中的地理数据
正如我们将在本章后面的示例代码中看到的那样,和GeoSeries生态系统提供了一种在 Python 中处理矢量图层的综合方法,许多包都基于它构建。然而,栅格数据的情况并非如此:有几个部分重叠的包用于处理栅格数据,每个包都有自己的优点和缺点。numpydict另一个值得一提的与栅格相关的包是。它是用于处理带标签数组的通用包,因此有利于处理“复杂”栅格格式(例如 NetCDF),使用其自己的本机类表示栅格,即和本章将简要介绍基本的地理数据模型:矢量和栅格。原创 2023-06-20 09:00:00 · 414 阅读 · 0 评论 -
基于距离的平面点模式统计方法(pysal.pointpats doc)
在这个例子中,我们将生成一个点模式作为“观察到的”点模式。通过将观察到的点模式的距离函数与来自 CSR 过程的点模式的距离函数进行比较,我们能够推断观察到的点模式的潜在空间过程是否为给定置信度的 CSR。,因为它测量从“空白空间”中的随机点到点模式中“填充”点的距离。这些随机点的数量决定了我们对观察到的点模式的测量的“细粒度”程度。同样,我们可以看到包络通常高于观察到的函数,这意味着我们的点模式是分散的。点过程的最近邻距离分布函数(包括最近的“事件到事件”和“点到事件”距离分布函数)是几种累积分布函数——原创 2023-06-15 16:36:12 · 746 阅读 · 0 评论 -
Geospatial Data Science (10): Individual mobility
一个分析移动数据scikit-mobility 提供了两个用户友好的数据结构,它们扩展了pandasDataFrame。原创 2023-04-05 22:50:31 · 390 阅读 · 0 评论 -
Geospatial Data Science (9): Spatial networks
它具有将点捕捉到网络并分析受限于网络的点模式的工具,这对于提出诸如“街道网络上的酒吧/药店*如何聚集?如果不是东北部的那两家药房紧挨着,它们的观察曲线将位于近距离模拟包络线的最低端,表明它们在近距离上相当分散。Ripley 的 K 函数采用点模式并考虑最近邻居的所有成对距离,以确定在划定的距离范围内是否存在聚类:https://en.wikipedia.org/wiki/Spatial_descriptive_statistics#Ripley’s_K_and_L_functions。原创 2023-03-23 22:39:02 · 425 阅读 · 0 评论 -
Geospatial Data Science (8): OpenStreetMap and OSMnx
使用自定义过滤器来微调您的网络。OSMnx 使用预设来查询允许步行、骑自行车、驾车等的街道。您可以通过传递来覆盖它,以在图表中指定您想要的特定 OSM 方式。place = {11 primary要下载整个国家/地区的道路网络,您通常需要将查询限制为仅限高速公路之类的内容,以适应您计算机的 RAM。对于大型查询,例如整个比利时,OSMnx 会将您的查询细分为多个服务器请求以下载所有数据,然后组合图。原创 2023-03-22 21:36:52 · 677 阅读 · 0 评论 -
Geospatial Data Science(7): Point pattern analysis
点是空间实体,可以用两种根本不同的方式来理解。一方面,点可以看作是空间中的固定对象,也就是说它们的位置是给定的(外生在这种情况下,点的分析与其他类型的空间数据(如多边形和线)的分析非常相似。另一方面,点可以看作是事件的发生,理论上可以在任何地方发生,但只在特定位置出现。这是我们将在笔记本的其余部分采用的方法。当点被视为可能发生在多个位置但只发生在其中几个位置的事件时,此类事件的集合称为点模式。在这种情况下,点的位置是分析兴趣的关键方面之一。原创 2023-03-10 20:50:19 · 1061 阅读 · 0 评论