Análisis cluster espacial de distancia múltiple (Función K de Ripley) (Estadística espacial)

Resumen

Determina si las entidades, o los valores asociados a las entidades, exhiben un clustering o una dispersión estadísticamente significativos en un rango de distancias.

Más información sobre cómo funciona Análisis cluster espacial de distancia múltiple

Ilustración

K Function Graphic
Measure of spatial clustering/dispersion over a range of distances.

Uso

Sintaxis

MultiDistanceSpatialClustering_stats (Input_Feature_Class, Output_Table, Number_of_Distance_Bands, {Compute_Confidence_Envelope}, {Display_Results_Graphically}, {Weight_Field}, {Beginning_Distance}, {Distance_Increment}, {Boundary_Correction_Method}, {Study_Area_Method}, {Study_Area_Feature_Class})
ParámetroExplicaciónTipo de datos
Input_Feature_Class

La clase de entidad sobre la que se realizará el análisis.

Feature Layer
Output_Table

La tabla en la que se escribirán los resultados del análisis.

Table
Number_of_Distance_Bands

El número de veces que se incrementará el tamaño de la vecindad y se analizará el dataset para el clustering. El punto de inicio y el tamaño del incremento se especifican en los parámetros Distancia de inicio e Incremento de distancia, respectivamente.

Long
Compute_Confidence_Envelope
(Opcional)

El sobre de confianza se calcula colocando puntos de entidades (o valores de entidades) de forma aleatoria en el área de estudio. El número de puntos/valores que se colocan de forma aleatoria equivale al número de puntos en la clase de entidad. Cada conjunto de ubicaciones aleatorias se denomina "permutación" y el sobre de confianza se crea a partir de estas permutaciones. Este parámetro le permite seleccionar la cantidad de permutaciones que desea utilizar para crear el sobre de confianza.

  • 0_PERMUTATIONS_-_NO_CONFIDENCE_ENVELOPENo se crean los sobres de confianza.
  • 9_PERMUTATIONSSe colocan nueve conjuntos de puntos/valores de forma aleatoria.
  • 99_PERMUTATIONS99 conjuntos de puntos/valores están ubicados al azar.
  • 999_PERMUTATIONS999 conjuntos de puntos/valores están ubicados al azar.
String
Display_Results_Graphically
(Opcional)
  • NO_DISPLAYNo se crea un resumen gráfico (predeterminado).
  • DISPLAY_ITSe creará un resumen gráfico como una capa de gráficos.
Boolean
Weight_Field
(Opcional)

Un campo numérico con pesos que representan el número de entidades/eventos en cada ubicación.

Field
Beginning_Distance
(Opcional)

La distancia a la que se inicia el análisis de cluster y la distancia desde la que se incrementa. El valor introducido para este parámetro debe estar en las unidades del sistema de coordenadas de salida.

Double
Distance_Increment
(Opcional)

La distancia que se va a incrementar durante cada iteración. La distancia que se utiliza en el análisis comienza en la Distancia de inicio y se incrementa según la cantidad especificada en Incremento de distancia. El valor introducido para este parámetro debe estar en las unidades del sistema de coordenadas de salida.

Double
Boundary_Correction_Method
(Opcional)

El método que se utilizará para corregir las infravaloraciones en el número de vecinos para las entidades cercanas a los bordes del área de estudio.

  • NONENo se aplica una corrección de bordes. No obstante, si la clase de entidad de entrada ya tiene puntos que caen fuera de los límites del área de estudio, estos se utilizarán en los conteos de vecinos para conocer la cantidad de entidades cercanas a los límites.
  • SIMULATE_OUTER_BOUNDARY_VALUESEste método simula puntos fuera del área de estudio de modo que no se infravalore el número de vecinos cercanos a los bordes. Los puntos simulados son los "reflejos" de los puntos cercanos a los bordes que están dentro del límite del área de estudio.
  • REDUCE_ANALYSIS_AREAEste método encoge el área de estudio de tal modo que algunos puntos quedan fuera del límite del área de estudio. Los puntos que quedan fuera del área de estudio se utilizan para calcular las cantidades de vecinos, pero no se utilizan en el análisis de cluster en sí.
  • RIPLEY'S_EDGE_CORRECTION_FORMULAPara todos los puntos (j) en la vecindad del punto i, este método comprueba si el borde del área de estudio está más cerca de i o si j está más cerca de i. Si j está más cerca, se le otorga un peso adicional. Este método de corrección de bordes sólo es apropiado para áreas de estudio de forma cuadrada o rectangular.
String
Study_Area_Method
(Opcional)

Especifica la región que se utilizará para el área de estudio. La Función K es sensible a los cambios en el tamaño del área de estudio, por lo que es importante seleccionar este valor cuidadosamente.

  • MINIMUM_ENCLOSING_RECTANGLEIndica que se utilizará el rectángulo más pequeño posible que encuadre todos los puntos.
  • USER_PROVIDED_STUDY_AREA_FEATURE_CLASSIndica que la clase de entidad que define el área de estudio se proporcionará en el parámetro Clase de entidad de área de estudio.
String
Study_Area_Feature_Class
(Opcional)

La clase de entidad que delinea el área sobre la cual se debe analizar la clase de entidad de entrada. Se debe especificar sólo si la Clase de entidad de área de estudio proporcionada por el usuario para el parámetro Método de área de estudio está seleccionada.

Feature Layer

Ejemplo de código

Ejemplo de Multi-DistanceSpatialClusterAnalysis (ventana de Python)

La siguiente secuencia de comandos de la ventana de Python muestra cómo utilizar la herramienta Multi-DistanceSpatialClusterAnalysis.

import arcpy arcpy.env.workspace = r"C:\data" arcpy.MultiDistanceSpatialClustering_stats("911Calls.shp","kFunResult.dbf", 11,"0_PERMUTATIONS_-_NO_CONFIDENCE_ENVELOPE","NO_REPORT", "#", 1000, 200,"REDUCE_ANALYSIS_AREA","MINIMUM_ENCLOSING_RECTANGLE", "#")
Ejemplo de Multi-DistanceSpatialClusterAnalysis (secuencia de comandos de Python independiente)

La siguiente secuencia de comandos de Python independiente muestra cómo utilizar la herramienta Multi-DistanceSpatialClusterAnalysis.

# Use Ripley's K-Function to analyze the spatial distribution of 911 # calls in Portland Oregon   # Import system modules import arcpy  # Set the geoprocessor object property to overwrite existing outputs arcpy.gp.overwriteOutput = True  # Local variables... workspace = r"C:\Data"  try:     # Set the current workspace (to avoid having to specify the full path to the feature classes each time)     arcpy.env.workspace = workspace      # Set Distance Band Parameters: Analyze clustering of 911 calls from     # 1000 to 3000 feet by 200 foot increments     numDistances = 11     startDistance = 1000.0     increment = 200.0      # Process: Run K-Function...     kFun = arcpy.MultiDistanceSpatialClustering_stats("911Calls.shp",                         "kFunResult.dbf", numDistances,                         "0_PERMUTATIONS_-_NO_CONFIDENCE_ENVELOPE",                          "NO_REPORT", "#", startDistance, increment,                         "REDUCE_ANALYSIS_AREA",                         "MINIMUM_ENCLOSING_RECTANGLE", "#")  except:     # If an error occurred when running the tool, print out the error message.     print arcpy.GetMessages()

Entornos

Sistema de coordenadas de salida

La geometría de la entidad se proyecta al Sistema de coordenadas de salida antes del análisis, por lo tanto los valores introducidos para los parámetros Banda de distancia o Distancia de umbral deben coincidir con los que se especificaron en el Sistema de coordenadas de salida. Todos los cálculos matemáticos se basan en la referencia espacial del sistema de coordenadas de salida.

Temas relacionados

Información de licencia

ArcView: Sí
ArcEditor: Sí
ArcInfo: Sí

7/11/2012