白话空间统计系列断了好久了……虽然写了很多其他的文章,但是有同学问,还是系列性的文章效果比较好,当然这些文章大部分都能分开来读,没有啥前后联系,但是系列文章最大的特点就是能够形成知识体系,无论是对于写的,还是对于读的,都有很大的好处。

好了,继续写密度分析。密度分析是我写的白话空间统计里面最长的单篇了,正剧写到这里是第四篇,番外写了两篇,但是预计起码还有好几篇才能写完,有时候想,干脆就直接叫做白话密度分析好了……可以开一个大系列。

好了,闲话少说,进入正题。(关于密度分析其他的内容,请查阅以前的文章)。

前面说了很多基本原理,但是可能大家看完之后就一个感觉:懂的说懂的,看不懂的仍然看不懂……好吧,今天虾神照样用画图的方法来说说核密度的基本原理。

首先我们来看看不进行属性加权的核密度分析(仅仅使用空间信息进行核密度分析)。

针对一下两个参数(cell size和bandwidth),我们通过下面的图来对比一下:

数据:美国的城市(区)位置信息。

当搜索半径为2度(1度约108公里左右)的时候,生成的结果如下:明显的看出美国城区密度中心主要有下面几个:东部的纽约城市圈、中部的芝加哥城市圈、西部的旧金山城市圈和洛杉矶城市圈。

当我们的搜索半径扩大到5度(500多公里)的时候,东部的纽约城市圈和芝加哥城市圈还能勉强分开,但是加州的旧金山城市圈和洛杉矶城市圈就已经连成一体了。

当我们把搜索半径扩大到10度(1000多公里)的时候,美国整体就变成了两个热区:东部和西部。

结论:当我们的搜索半径越大的时候,所能表现出来的结论越粗略和抽象,越能表现出整体性的趋势。而搜索半径越小的时候,细节程度越高,越能显示出局部性的趋势。

如何有效的选择搜索半径,就需要看你研究的空间尺度了,这是一个仁者见仁智者见智的过程。

以为上面主要讲的是无属性加权的,下一节继续讲属性加权的密度分析。

待续未完。

白话空间统计二十一:密度分析(四)相关推荐

  1. 白话空间统计二十一:密度分析(五)带宽与核表面曲率的关系

    白话空间统计二十一:密度分析(五) 上次讲密度分析的时候,有同学问道带宽的问题,实际上我翻 了一下以前写的文章,在密度分析一.二里面,都对这个有过描述,详细的可以回去翻一下(很老的文章了--可能要翻到 ...

  2. 白话空间统计二十一:密度分析(一)

    白话空间统计二十一:密度分析(一) 密度分析这个概念其实很早就想写了,也有无数同学都问过我,虾神你能不能讲讲那些漂亮的热度图是怎么做的啊?比如下面这种: 如果说,这是互联网地图里面,最让人喜闻乐见的一 ...

  3. 白话空间统计二十一:密度分析(七) Python实现

    R语言的核密度渲染弄完了,今天来看看Python的核密度.本来没准备些Python,但是今天在玩seaborn包的时候,发现了强大的kdeplot这样一样工具,让虾神我惊为天人,不写感觉都对不起这个方 ...

  4. 白话空间统计二十四:地理加权回归(八)结果解读(一)

    地理加权回归分析完成之后,与OLS不同的是会默认生成一张可视化图,像下面这张一样的: 这种图里面数值和颜色,主要是系数的标准误差.主要用来衡量每个系数估计值的可靠性.标准误差与实际系数值相比较小时,这 ...

  5. 白话空间统计二十三:回归分析(四)

    白话空间统计二十三:回归分析(四) 今天把回归最后几个概念介绍一下,后面就不再说了--开始写回归的时候,我发现我掉入了一个巨大的坑里面.就说回归分析这种东东,汗牛充栋啊,在任何大学里面,妥妥一个学期的 ...

  6. 白话空间统计二十七:统计学七支柱之空间统计版本(二)聚合(2)

    还记得a long long time ago 的青葱岁月--作为学渣的虾神最怕的就是各种(不擅长)的考试,虾神读书时候有个习惯,就拿到试卷之后,第一时间会把试卷翻到最后一页,去看最后一道大题.然后以 ...

  7. 白话空间统计二十九:空间插值(二)

    前文再续,书接上一回--上回书说到,空间插值可以对数据进行估算,这一张我们来具体说说空间插值的一些概念. 首先,来说说插值的输入与输出问题. 首先输入的肯定是用来进行插值的观测点数据,一般来说都是点要 ...

  8. 白话空间统计二十三:回归分析番外-ArcGIS中的OLS(一)

    在讲GWR的ArcGIS应用之前,首先讲讲ArcGIS里面的OLS(Ordinary least squares:普通最小二乘法)工具的应用和解读,毕竟GWR是从回归分析里面演化出来的,OLS又是回顾 ...

  9. 白话空间统计二十四:地理加权回归(九)结果解读(二)

    实际上,除了辅助表以外,GWR还会生成一份全要素的表.对回归的每一个样本都给出相应的信息,今天就来看看这些信息代表了什么内容. 生成的新的要素类字段信息如下: 实际上,Coeffcient(系数)和S ...

最新文章

  1. Python 字典的 使用
  2. 设计模式 之美 -- 单例模式
  3. Windows 下端口被占用
  4. Oracle字符集问题总结
  5. Android 之视频监控
  6. 关于如何在Python中使用静态、类或抽象方法的权威指南
  7. la环球乐园里的机器人_北京环球度假区发布小黄人乐园主题视频,抢鲜感受未来的欢乐体验...
  8. 导入数据_导入外部数据的三个技巧
  9. 深入解读Linux内存管理系列(3)——MMU初始化和页表的建立
  10. 小写金额转换为大写金额
  11. Java冒泡排序实现
  12. 基于IMS的VoLTE业务
  13. 数字孪生是什么,数字孪生能干什么?一文读懂
  14. 个人收款码跟聚合码的区别
  15. MFC使用CButtonST类实现按钮图片功能
  16. wps单文件版_微软Office手机版来了!完全免费+三合一!你还会用WPS吗?1分钟带你了解两者的不同!...
  17. 多线程与高并发 笔记,非面向初学者 二:java引用,高并发多线程容器,线程池
  18. 无线流媒体网关配置参数
  19. Animations的用法
  20. 新闻源是什么意思?怎么样才能做好新闻源软文推广?

热门文章

  1. 手机通信专有名词中英文对照O-Z
  2. Android 引入OpenCL详细步骤
  3. 符号常量与常变量的区别
  4. 感应雷电浪涌的防线,SPD浪涌保护器
  5. 机器人“湘军”在路上
  6. 突破传统设计灵感,虚拟展厅设计方案
  7. 伯克希尔股价七年来最差 巴菲特又栽在科技股上
  8. MongoDB删除数据后释放磁盘空间
  9. dokcer 数据卷、本地路径挂载的问题
  10. 终身受用的十大经典管理理论