Spatial Data Analysis and Mining

课程简介

• 介绍：GIS分析和空间数据分析，空间分析的目的，为何使用统计学来识别模式？理解空间数据，数据属性，实体-属性空间数据类型的示意图表示，空间数据分析的阶段，空间数据类型的定义与分类，通过GIS表示的空间数据类型，数据质量，比例尺问题。 • 空间统计：重心，中位重心，均值重心，权重，加权均值重心，标准距离和加权标准距离度量，计算及其解释。 • 空间分布：标准偏差椭圆及其解释，测量线状特征的方向和方向性，测量方向或方向性的变化。空间随机性。 • 描述性和推断性统计的基本原理：随机变量的分布：直方图，概率密度函数和正态分布，t分布，卡方分布和F分布，假设检验。 • 空间分析：点模式分析：点密度方法，点交互方法。方块分析。Kolmogorov-Smirnov（K-S）检验。最近邻分析。完全空间随机性下的点分布。K函数。未来位置的模式：未来值的模式，寻找具有类别区域的模式，具有连续值特征的模式，联合计数统计，检验联合计数统计结果的显著性。 • 测量附近特征的相似性：权重矩阵，自相关，Geary’s C和Moran’s I度量及其统计显著性，G统计量和G统计量的显著性。LISA。 • 分析空间过程：空间自相关，检验空间数据集的均值，空间自相关和双变量关联的检验，皮尔逊相关系数，使用皮尔逊秩相关系数。 • 多元回归和局部加权空间回归：关键变量识别，影响回归结果的因素，回归分析与空间数据，区域差异，局部趋势，残差分析。 • 空间数据挖掘和知识发现概览：空间特征规则，空间分类规则，空间聚类规则，空间关联规则，空间依赖规则，空间序列规则。空间数据挖掘与探索性空间数据分析。 • 空间数据仓库，空间数据挖掘的在线可视化。

学习目标

理解空间数据分析和空间数据挖掘的目的，并批判性地评估和分析空间数据，以构建空间统计模型并验证其可靠性。

先修要求

GIS的概念和原理

教学模式

学习方法为混合问题类型。首先介绍概念，然后进行教程问题作业和小组项目。