Muster mit punkten

Eine analyse des durchschnittlichen nächsten Nachbarn (ANN) misst den durchschnittlichen Abstand von jedem Punkt im Untersuchungsgebiet zum nächstgelegenen Punkt. Im folgenden Beispiel beträgt der durchschnittliche nächste Nachbar für alle Punkte 1,52 Einheiten. Sie können auch Informationen zu Mustern und Updates finden, indem Sie die Optimierung der Teileentwurfsanwendung, Patterns lesen. Quadratanalyse: In der Quadratanalyse teilen Sie Ihr Untersuchungsgebiet in Unterabschnitte gleicher Größe auf, zählen die Punkthäufigkeit in jedem Unterabschnitt und berechnen dann die Punkthäufigkeit in jedem Unterabschnitt. Ein Beispiel für diese Methode finden Sie in Abbildung 4. FarbigePunkt-Muster-Hintergrund – geometrische Vektorgrafik aus roten Kreisen Tarnmuster Hintergrund nahtlosvektor Illustration klassischen Kleidung Stil Eine sehr grundlegende Form der Punktmusteranalyse umfasst zusammenfassende Statistiken wie die mittlere Mitte, Standardabstand und Standardabweichung Ellipse. Frequenz und Dichte: Frequenz ist die einfachste Möglichkeit, ein räumliches Muster zu bewerten und zählt einfach die Anzahl der Punkte in Ihrem Untersuchungsgebiet. Um Dichte zu erhalten, teilen Sie diese Summe nach Fläche oder Zeit in einheiten, die Sie für am besten geeignet halten: Krankenhäuser pro Quadratmeile, Gewaltverbrechen pro Monat usw. Frequenz und Dichte sollten fast immer zu Beginn der Analyse bestimmt werden. Nächster Nachbar: In dieser Analyse wird der Abstand jedes Punktes zum nächsten Nachbarn gemessen und die durchschnittliche Entfernung des nächsten Nachbarn für alle Punkte wird ermittelt Abbildung 6. Abbildung 11.18: L-Funktion (eine einfache Transformation der K-Funktion). Dieses Diagramm erleichtert den Vergleich von K mit Kexpected bei niedrigeren Entfernungswerten. Es scheint, dass Walmart-Standorte unter CSR/IRP bis zu einer Entfernung von 12 km stärker gruppiert sind als erwartet, aber in Entfernungen von mehr als 12 km verteilter sind.

Im vorherigen Abschnitt haben wir gelernt, dass wir eine Kovariate wie die Höhe verwenden können, um die Unterregionen (Quadrate) zu definieren, innerhalb derer die Dichten berechnet wurden. Im Wesentlichen wurde eine Form der Normalisierung auf die Dichteberechnungen angewendet, bei denen angenommen wurde, dass jede Teilregion einen eindeutigen zugrunde liegenden Prozess darstellt (wenn dies der Fall wäre, wären die Dichtewerte in jeder Teilregion gleich geblieben). Die Idee, die Daten auf eine zugrunde liegende Kovariate zu normalisieren, kann auf die Kerneldichteanalyse erweitert werden. Anstatt den Untersuchungsbereich in diskrete Subregionen aufzuteilen (wie bei der Quadratanalyse), normalisieren wir hier die berechnete Dichte (von unserem beobachteten Punktmuster) auf ein Maß der Dichte, das von der zugrunde liegenden Kovariate erwartet wird. Diese normalisierte Dichte, die wir als “(“rho”) bezeichnen, kann auf eine von drei verschiedenen Arten geschätzt werden – nach Verhältnis, Neugewicht ungewichtige und transformierende Methoden.