ArcGI基本技巧-科研常用OLS, GWR, GTWR模型实现

ArcGI基本技巧-科研常用OLS, GWR, GTWR模型实现

OLS,GWR,GTWR回归模型均可以揭示解释变量对被解释变量的影响且可以进行预测。Ordinary Least Squares (OLS)是最小二乘法,Geographically Weighted Regression (GWR)是地理加权回归,Geographically and Temporally Weighted Regression (GTWR)是时空地理加权回归。本次推送将介绍这三个模型的公式、在论文中的使用流程以及使用Arcgis实现这三个模型的操作步骤。

回归模型公式

下面公式中的n代表观测样本个数,m代表解释变量个数。

OLS:在这里插入图片描述

GWR:在这里插入图片描述

不同于普通最小二乘回归模型的拟合系数为常数,地理加权回归模型的拟合系数是样本点地理位置的函数。

GTWR:

将地理加权回归模型中的二维空间坐标加入时间维度,改进成三维时空坐标得到时空地理加权回归模型,其数学表达式如下:在这里插入图片描述
注意事项:

1.共线性检验

多重共线性即输入的解释变量间存在高度关联性从而导致近似共线下模型的估计量非有效、显著性检验无意义且预测精度降低。建模过程中自变量存在多重共线性是常见的问题,因此在建模前必须对解释变量进行共线性检验,排除引起共线性的变量。计算自变量的方差膨胀因子(VIF),可剔除VIF大于10的自变量。剔除后的自变量间不共线,下一步建模具有可行性。

2.空间自相关

使用地理加权回归模型(GWR,GTWR)前还需要检验变量间的空间自相关性。对空间自相关性进行研究旨在确定所研究样本点的某一属性值与领域内其它样本点相同属性值在空间上是否关联,通过计算自相关系数并检验其显著性,定量地描述样本的空间关联度及分布特点。已有学者指出在构建变系数模型前检验变量的空间自相关性是必要的。可以通过计算全局Moran’s I指数进而确定输入变量在空间上是否相关及关联程度如何,可用如下公式得出:在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
Z得分用来对Moran’s I指数的显著性进行评估,计算公式如下:在这里插入图片描述

ArcGIS实现OLS、GWR、GTWR实例展示:

下面介绍如何基于Arcgis实现这三种模型,Arcgis工具中有普通最小二乘法(OLS)和地理加权回归(GWR),但是没有GTWR,所以首先介绍一下GTWR插件的安装。

1.GTWR插件安装
黄波教授团队开发了GTWR模型的ArcGIS插件
(软件下载:黄波教授RG主页https://www.researchgate.net/publication/329518786_GTWR_ADDIN_Valid_till_Jan_2021)或者(直接通过链接下载其中一个版本,首先,确保你的电脑上安装有arcgis10.0以上的版本。 http://www.grm.cuhk.edu.hk/~huangbo/GTWR/GTWR_AddIn.rar)
具体安装过程详见https://blog.csdn.net/weixin_39624980/article/details/112268369
在这里插入图片描述

GTWR_AddIn.rar中除了GTWR的安装包外,还有名为“CalgaryData”的数据,本次推送将使用这个数据实现OLS、GWR、GTWR。(ArcGIS 10.8)
在这里插入图片描述

2.OLS的操作

① 导入数据CalgaryData中的HousePrice.shp
② 空间统计工具——>空间关系建模——>普通最小二乘法
在这里插入图片描述
③ 输入要素,此处要注意的是“唯一ID字段”,如果使用的数据中没有唯一ID的字段,需要自己构建一列(1,2,……即可)
在这里插入图片描述
在这里插入图片描述
③OLS结果,可以打开生成的图层“HousePrice_OrdinaryLeastSqua”的属性表,还可以看到出的PDF中的结果。重要的模型结果(AICc和R2在PDF文件中),更详细的结果分析可见

https://desktop.arcgis.com/zh-cn/arcmap/10.3/tools/spatial-statistics-toolbox/interpreting-ols-results.htm
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.GWR的操作

与OSL的过程类似

① 空间统计工具——>空间关系建模——>地理加权回归
在这里插入图片描述
② 输入要素
在这里插入图片描述
③ GWR结果:图层“GeographicallyWeightedRegression”和补充表格“GeographicallyWeightedRegression_supp”
在这里插入图片描述
补充表格中有AICc和R方
在这里插入图片描述

4.GTWR的操作

① 添加工具GTWR
在这里插入图片描述
在这里插入图片描述② 输入变量,可能会遇到版本过期的问题,可以自己把电脑的时间调到2016年以前,还有其它问题可以参考https://mp.weixin.qq.com/s/SfpZ1a-1UtvS5rnBvKSGFg
在这里插入图片描述
③ GTWR的结果:图层“HousePrice_GTWR_0”和补充表格“HousePrice_GTWR_0——supplement.csv”

打开图层属性表可以看到变量的系数等信息。补充表格中有AICc和R方

在这里插入图片描述
最后三个模型的结果
在这里插入图片描述
在这里插入图片描述
大家请自行操作研究测试。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/13196.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Unity射击游戏开发教程:(18)添加弹药计数+补充弹药

添加简单的弹药计数 我将讨论如何向游戏中添加简单的弹药计数。这将包括在 HUD 中添加弹药计数器,当弹药达到 0 时,文本会将颜色更改为红色以提醒玩家。另外,当弹药数为0时,玩家将无法再射击。让我们深入了解吧! 在播放器脚本中我们需要添加一些变量。我们将创建两个公共整…

详细分析Python中的win32com(附Demo)

目录 前言1. 基本知识2. Excel3. Word 前言 对于自动化RPA比较火热,相应的库也比较多,此文分析win32com这个库,用于操作office 1. 基本知识 Win32com 是一个 Python 模块,是 pywin32 扩展的一部分,允许 Python 代码…

C语言如何删除表中指定位置的结点?

一、问题 如何删除链表中指定位置的结点? 二、解答 删除链表中指定的结点,就像是排好队的⼩朋友⼿牵着⼿,将其中⼀个⼩朋友从队伍中分出来,只需将这个⼩朋友的双⼿从两边松开。 删除结点有两种情况: (1&am…

HTML静态网页成品作业(HTML+CSS)——我的家乡江永网页设计制作(1个页面)

🎉不定期分享源码,关注不丢失哦 文章目录 一、作品介绍二、作品演示三、代码目录四、网站代码HTML部分代码 五、源码获取 一、作品介绍 🏷️本套采用HTMLCSS,未使用Javacsript代码,共有1个页面。 二、作品演示 三、代…

mysql -- WITH RECURSIVE 语法

引言 在 SQL 中,WITH RECURSIVE 是一个用于创建递归查询的语句。它允许你定义一个 Common Table Expression (CTE),该 CTE 可以引用自身的输出。递归 CTE 非常适合于查询具有层次结构或树状结构的数据,例如组织结构、文件系统或任何其他具有…

Pencils Protocol Season 2 收官在即,Season 3 携系列重磅权益来袭

此前Scroll生态LaunchPad &聚合收益平台Pencils Protocol(原Penpad),推出了首个资产即其生态代币PDD的Launch,Season 2活动主要是用户通过质押ETH代币、组件战队等方式,来获得Point奖励,并以该Point为依…

2024 Google I/O大会:全方位解读最新AI技术和产品

引言: 2024年的Google I/O大会如期举行,作为技术圈的年度盛事之一,谷歌展示了其在人工智能领域的最新进展。本次大会尤其引人注目,因为它紧随着OpenAI昨天发布GPT-4o的脚步。让我们详细解析Google此次公布的各项新技术和产品&…

svn如何远程访问?

svn(Subversion)是一种版本控制系统,广泛应用于软件开发领域。它能够追踪文件和目录的变化,记录每个版本的修改内容,并允许多人协同开发。svn的远程访问功能允许开发人员可以在不同的地点访问和管理代码,提…

正点原子[第二期]Linux之ARM(MX6U)裸机篇学习笔记-15.7讲 GPIO中断实验-编写按键中断驱动

前言: 本文是根据哔哩哔哩网站上“正点原子[第二期]Linux之ARM(MX6U)裸机篇”视频的学习笔记,在这里会记录下正点原子 I.MX6ULL 开发板的配套视频教程所作的实验和学习笔记内容。本文大量引用了正点原子教学视频和链接中的内容。…

typescript -元组类型

元组类型 元组表示有限元素构成的有序列表。元组类型是数组类型的子类型。元组是长度固定的数组,元组总每个元素都有具体的类型 元组的定义 [T0, T1, T2,...,Tn] const point: [number,number] [0, 0]只读元组 使用readonly修饰符或者Readonly工具类型 readon…

分布式websocket实时通讯的session共享问题

目录 1.需求 2.前置条件和要求 3.方案分析 3.1.方案1:session共享存储到redis数据库 3.2.方案2:采用mongo生命周期的AbstractMongoEventListener 3.3.方案3:引入redis等MQ组件,发送广播消息 3.4.方案4:采用chan…

AI4Science

AI4Science 文章目录 AI4ScienceMicroSoft AI4Science其它 微软研究院刘铁岩:AI for Science,追求人类智能最光辉的一面|MEET2023 (17min) https://www.bilibili.com/video/BV1bs4y1W7rW/AI Forum 2023 | AI4Science: …

html使用<el-table-column />时不能正常渲染出页面

一、bug开始了 <el-table-column prop"date" label"Date" width"180"/>当使用上述代码进行html渲染时&#xff0c;发现没有正常渲染出想象中的视图&#xff0c;乱七八糟地。 二、bug解决 在IDE中报了如下警告&#xff1a; Empty tag do…

EasyCVR智慧校园建设中的关键技术:视频汇聚智能管理系统应用

一、引言 随着信息技术的迅猛发展&#xff0c;智慧校园作为教育信息化建设的重要组成部分&#xff0c;对于提升校园安全、教学效率和管理水平具有重要意义。本文旨在介绍智慧校园视频管理系统的架构设计&#xff0c;为构建高效、智能的校园视频监控系统提供参考。 二、系统整…

机器学习之sklearn基础教程(第三篇:模型选择和评估)

机器学习之sklearn基础教程&#xff08;第三篇&#xff1a;模型选择和评估&#xff09; 1. 模型选择 在机器学习任务中&#xff0c;选择合适的模型是非常重要的。不同的模型适用于不同的问题类型和数据特征。 在模型选择过程中&#xff0c;有几个常用的方法和原则&#xff1a;…

Vitis HLS 学习笔记--资源绑定-使用URAM(1)

目录 1. 简介 2. 代码分析 2.1 存储器代码 2.2 Implementation报告 2.3 存储器类型指定 2.4 存储器初始化 3. 总结 1. 简介 在博文《Vitis HLS 学习笔记--资源绑定-使用URAM-CSDN博客》中&#xff0c;介绍了如何在Vitis HLS环境下设计一个简易的存储器模型。 通过以下…

gin自定义验证器+中文翻译

gin自定义验证器中文翻译 1、说明2、global.go3、validator.go4、eg&#xff1a;main.go5、调用接口测试 1、说明 gin官网自定义验证器给的例子相对比较简单&#xff0c;主要是语法级别&#xff0c;便于入门学习&#xff0c;并且没有给出翻译相关的处理&#xff0c;因此在这里记…

红黑树底层封装map、set C++

目录 一、框架思考 三个问题 问题1的解决 问题2的解决&#xff1a; 问题3的解决&#xff1a; 二、泛型编程 1、仿函数的泛型编程 2、迭代器的泛型编程 3、typename&#xff1a; 4、/--重载 三、原码 红黑树 map set 一、框架思考 map和set都是使用红黑树底层&…

超级好用的C++实用库之MD5信息摘要算法

&#x1f4a1; 需要该C实用库源码的大佬们&#xff0c;可搜索微信公众号“希望睿智”。添加关注后&#xff0c;输入消息“超级好用的C实用库”&#xff0c;即可获得源码的下载链接。 概述 MD5信息摘要算法是一种广泛使用的密码散列函数&#xff0c;由Ronald L. Rivest在1991年设…

【DevOps】Linux 与虚拟局域网 (VLAN) 详解

目录 一、什么是VLAN&#xff1f; 二、VLAN的工作原理 三、Linux中的VLAN支持 四、内核模块 五、用户空间工具 六、创建VLAN 七、配置VLAN 八、管理VLAN 九、VLAN的应用 1、 网络隔离 2、网络管理 3、网络扩展 十、VLAN的优点和限制 十一、结论 虚拟局域网&#…