空間統(tǒng)計工具箱

1、1.分析模式工具集概述：工具描述平均最近鄰根據(jù)每個要素與其最近鄰要素之間的平均距離計算其最近鄰指數(shù)。高/低聚類使用 Getis-Ord General G 統(tǒng)計可度量高值或低值的聚類程度。增量空間自相關(guān)測量一系列距離的空間自相關(guān)，并選擇性創(chuàng)建這些距離及其相應(yīng) z 得分的折線圖。z 得分反映空間聚類的程度，具有統(tǒng)計顯著性的峰值 z 得分表示促進空間過程聚類最明顯的距離。這些峰值距離通常為具有“距離范圍”或“距離半徑”參數(shù)的工具所使用的合適值?？臻g自相關(guān)根據(jù)要素位置和屬性值使用 Global Moran's I 統(tǒng)計量測量空間自相關(guān)性。多距離空間聚類分析（Ripley's K 函數(shù)

2、）確定要素（或與要素相關(guān)聯(lián)的值）是否顯示某一距離范圍內(nèi)統(tǒng)計意義顯著的聚類或離散。1.1 平均最近鄰 簡介根據(jù)每個要素與其最近鄰要素之間的平均距離計算其最近鄰指數(shù)。平均最近鄰工具可測量每個要素的質(zhì)心與其最近鄰要素的質(zhì)心位置之間的距離，然后計算所有這些最近鄰距離的平均值。如果該平均距離小于假設(shè)隨機分布中的平均距離，則會將所分析的要素分布視為聚類要素。如果該平均距離大于假設(shè)隨機分布中的平均距離，則會將要素視為分散要素。平均最近鄰比率通過觀測的平均距離除以期望的平均距離計算得出（使用基于假設(shè)隨機分布的期望平均距離，該分布使用相同數(shù)量的要素覆蓋相同的總面積）。1.1.2 適用范圍評估競爭或領(lǐng)地：量化并比

3、較固定研究區(qū)域中的多種植物種類或動物種類的空間分布；比較城市中不同類型的企業(yè)的平均最近鄰距離。監(jiān)視隨時間變化的更改：評估固定研究區(qū)域中一種類型的企業(yè)的空間聚類中隨時間變化的更改。將觀測分布與控制分布進行比較：在木材分析中，如果給定全部可收獲木材的分布，則您最好將已收獲面積圖案與可收獲面積圖案進行比較，以確定砍伐面積是否比期望面積更為聚類。1.1.3用法“平均最近鄰”工具將返回五個值：平均觀測距離、預(yù)期平均距離、最近鄰指數(shù)、z 得分和 p 值。您可通過結(jié)果窗口訪問這些值，也可以將這些值作為派生輸出值進行傳遞，以滿足模型或腳本中的潛在使用需要。z 得分和 p 值結(jié)果是統(tǒng)計顯著性的量度，用來判斷是否

4、拒絕零假設(shè)。但是應(yīng)注意，此方法的統(tǒng)計意義受研究區(qū)域大小的強烈影響（請參閱下文）。對于“平均最近鄰”統(tǒng)計，零假設(shè)表明要素是隨機分布的?！白罱徶笖?shù)”的表示方式是“平均觀測距離”與“預(yù)期平均距離”的比率。預(yù)期平均距離是假設(shè)隨機分布中的鄰域間的平均距離。如果指數(shù)小于 1，所表現(xiàn)的模式為聚類；如果指數(shù)大于 1，則所表現(xiàn)的模式趨向于離散或競爭。平均最近鄰方法對“面積”值非常敏感（面積參數(shù)值的細微變化都能導(dǎo)致 z 得分和 p 值結(jié)果產(chǎn)生巨大變化）。因此，平均最近鄰工具最適用于對固定研究區(qū)域中不同的要素進行比較。下圖是關(guān)于相同要素分布如何根據(jù)指定的研究區(qū)域進行分散或聚類的一個典型示例。此工具將用于處理面或線

5、數(shù)據(jù)，但它最適用于事件、事件點或其他定點要素數(shù)據(jù)。對于線要素和面要素，會在計算中使用每個要素真正的幾何質(zhì)心。對于多點、折線 (polyline) 或由多部分組成的面，使用所有要素部分的加權(quán)平均中心來計算質(zhì)心。點要素的加權(quán)項是 1，線要素的加權(quán)項是長度，而面要素的加權(quán)項是面積。1.1.4 語法參數(shù)說明數(shù)據(jù)類型Input_Feature_Class要對平均最近鄰距離進行計算的要素類（通常是點要素類）。Feature LayerDistance_Method指定計算每個要素與鄰近要素之間的距離的方式。· EUCLIDEAN_DISTANCE 兩點間的直線距離（筆直地）· MANH

6、ATTAN_DISTANCE 沿垂直軸度量的兩點間的距離（城市街區(qū)）；計算方法是對兩點的 x 和 y 坐標的差值（絕對值）求和。StringGenerate_Report(可選)· NO_REPORT 不會創(chuàng)建圖形匯總。這是默認設(shè)置。· GENERATE_REPORT 圖形匯總將以 HTML 文件形式創(chuàng)建。BooleanArea(可選)表示研究區(qū)域大小的數(shù)值。默認值是包含所有要素（或所有選定要素）的最小外接矩形的面積。單位應(yīng)與“輸出坐標系”的單位一致。Double1.2 高/低聚類 簡介使用 Getis-Ord General G 統(tǒng)計可度量高值或低值的聚類程度。高/低聚類

7、 (Getis-Ord General G) 工具是一種推論統(tǒng)計，這意味著分析結(jié)果將在零假設(shè)的情況下進行解釋。高/低聚類 (General G) 統(tǒng)計的零假設(shè)規(guī)定不存在要素值的空間聚類。此工具返回的 p 值較小且在統(tǒng)計學(xué)上顯著，則可以拒絕零假設(shè)。如果零假設(shè)被拒絕，則 z 得分的符號將變得十分重要。如果 z 得分值為正數(shù)，則觀測的 General G 指數(shù)會比期望的 General G 指數(shù)要大一些，表明屬性的高值將在研究區(qū)域中聚類。如果 z 得分值為負數(shù)，則觀測的 General G 指數(shù)會比期望的 General G 指數(shù)要小一些，表明屬性的低值將在研究區(qū)域中聚類。當(dāng)存在完全均勻分布的值并且

8、要查找高值的異常空間峰值時，首選高/低聚類 (Getis-Ord General G) 工具。高值和低值同時聚類時，它們傾向于彼此相互抵消。如果在高值和低值同時聚類時測量空間聚類，則使用空間自相關(guān)工具。高/低聚類 (Getis-Ord General G) 和空間自相關(guān) (Global Moran's I) 工具的零假設(shè)都具有完全空間隨機性 (CSR)；在數(shù)據(jù)集的要素中值是隨機分布的，將在運行時反映隨機空間過程。不過，“高/低聚類 (Getis-Ord General G)”工具的 z 得分的解釋與“空間自相關(guān) (Global Moran's I)”工具的 z 得分的解釋有很大

9、的差別：結(jié)果高/低聚類空間自相關(guān)p 值不具有統(tǒng)計學(xué)上的顯著性。不能拒絕零假設(shè)。要素屬性值的空間分布很有可能是隨機空間過程的結(jié)果。也就是說，所觀測到的值的空間模式很可能是完全空間隨機性的眾多可能結(jié)果之一。p 值具有統(tǒng)計學(xué)上的顯著性，且 z 得分為正值。可以拒絕零假設(shè)。如果基礎(chǔ)空間過程是完全隨機的，則數(shù)據(jù)集中高值的空間分布與預(yù)期的空間分布相比在空間上的聚類程度更高?？梢跃芙^零假設(shè)。如果基礎(chǔ)空間過程是完全隨機的，則數(shù)據(jù)集中高值和/或低值的空間分布在空間上聚類的程度要高于預(yù)期。p 值具有統(tǒng)計學(xué)上的顯著性，且 z 得分為負值?？梢跃芙^零假設(shè)。如果基礎(chǔ)空間過程是完全隨機的，則數(shù)據(jù)集中低值的空間分布與預(yù)期的

10、空間分布相比在空間上的聚類程度更高?？梢跃芙^零假設(shè)。如果基礎(chǔ)空間過程是完全隨機的，則數(shù)據(jù)集中高值和低值的空間分布在空間上離散的程度要高于預(yù)期。離散的空間模式通常反映某種類型的競爭過程：具有高值的要素排斥具有高值的其他要素；類似地，具有低值的要素排斥具有低值的其他要素。1.2.2可能的應(yīng)用在訪問急癥室的次數(shù)中查找出現(xiàn)的異常峰值，可能表明在局部或區(qū)域的健康問題的爆發(fā)。比較在城市中不同種類零售業(yè)的空間模式，利用比較購物的方式來了解哪類行業(yè)充滿競爭性（如汽車經(jīng)銷商）以及哪類行業(yè)拒絕競爭（如健康中心/健身房）。匯總空間現(xiàn)象聚類的程度以檢查不同時期或不同位置的變化。例如，眾所周知的城市及其人口聚類。使用高

11、/低聚類分析時，可以隨時間來比較某個城市的人口聚類的程度（城鎮(zhèn)發(fā)展以及密集度的分析）。1.2.3 用法“高/低聚類”工具可返回四個值：General G 觀測值、General G 期望值、z 得分及 p 值。輸入字段應(yīng)包含多種非負值。如果輸入字段包含負值，將顯示錯誤消息。此外，此統(tǒng)計數(shù)學(xué)方法要求待分析的變量存在一定程度的變化；例如，如果所有輸入都是 1 便無法求解。如果要使用此工具分析事件數(shù)據(jù)的空間模式，應(yīng)考慮聚合事件數(shù)據(jù)。優(yōu)化的熱點分析工具也可以用于分析事件數(shù)據(jù)的空間模式。z 得分越高（或越低），聚類程度就越高。如果 z 得分接近零，則表示研究區(qū)域內(nèi)不存在明顯的聚類。z 得分為正表示高值的

12、聚類。z 得分為負表示低值的聚類。空間關(guān)系的概念化參數(shù)的選擇應(yīng)反映要分析的要素之間的固有關(guān)系。對要素在空間中彼此交互方式構(gòu)建的模型越逼真，結(jié)果就越準確。這些建議在選擇空間關(guān)系的概念化：最佳做法中進行了概述。以下是一些額外提示：建議針對此統(tǒng)計使用二進制權(quán)重方案：固定距離、面鄰接、K 最近鄰或 Delaunay 三角測量。為標準化參數(shù)選擇 NONE。FIXED_DISTANCE_BAND默認的距離范圍或距離閾值將確保每個要素至少擁有一個相鄰要素，這一點十分重要。但通常，此默認值并不是適用于分析的最合適的距離。為分析選擇適合的比例（距離范圍）的其他策略在選擇固定距離范圍值中進行了概括介紹。INVER

13、SE_DISTANCE 或 INVERSE_DISTANCE_SQUARED（不建議使用）如果為距離范圍或閾值距離參數(shù)輸入 0，則所有要素均被視為所有其他要素的相鄰要素；如果將此參數(shù)留空，則將采用默認距離。如果距離權(quán)重小于 1，則對其取倒數(shù)時將變得不穩(wěn)定。因此，對于分隔距離小于 1 單位的要素權(quán)重，權(quán)重值將指定為 1。對于反距離選項（不建議對此工具使用），為避免產(chǎn)生除數(shù)為零的情況，任何重合兩點的權(quán)重值均將指定為 1。這樣便可確保將要素包含在分析之內(nèi)?？臻g關(guān)系的概念化參數(shù)的附加選項（包括空間-時間關(guān)系）在使用生成空間權(quán)重矩陣或者生成網(wǎng)絡(luò)空間權(quán)重工具時可用。要利用這些附加選項，請使用上述任一工具構(gòu)

14、造空間的權(quán)重矩陣文件，然后進行分析；為空間關(guān)系的概念化參數(shù)選擇 GET_SPATIAL_WEIGHTS_FROM_FILE，為權(quán)重矩陣文件參數(shù)指定您所創(chuàng)建的空間權(quán)重文件的路徑。地圖圖層可用于定義輸入要素類。在使用帶有選擇內(nèi)容的圖層時，分析只會包括所選的要素。如果提供的是一個帶 .swm 擴展名的權(quán)重矩陣文件，則此工具需要輸入的是一個使用生成空間權(quán)重矩陣或生成網(wǎng)絡(luò)空間權(quán)重工具創(chuàng)建的空間權(quán)重矩陣文件；否則，此工具需要輸入一個 ASCII 格式的空間權(quán)重矩陣文件。在某些情況下，工具行為將根據(jù)所使用的空間矩陣文件類型的不同而有所區(qū)別：ASCII 格式的空間權(quán)重矩陣文件：權(quán)重“按原樣”使用。所缺失的要素

15、與要素之間的關(guān)系被視為零。如果對權(quán)重進行了行標準化，則選擇集的分析結(jié)果很有可能不正確。如果需要對選擇集運行分析，則通過以下方法將 ASCII 空間權(quán)重文件轉(zhuǎn)換為 SWM 文件：將 ASCII 數(shù)據(jù)讀入表，然后將 CONVERT_TABLE 選項與生成空間權(quán)重矩陣工具結(jié)合使用。SWM 格式的空間權(quán)重矩陣文件：如果對權(quán)重進行了行標準化，則會將其選擇集重新標準化；否則，權(quán)重將“按原樣”使用。使用 ASCII 格式的空間權(quán)重矩陣文件運行您的分析會占用大量內(nèi)存。如果要分析的要素超過 5,000 個，則考慮將 ASCII 格式的空間權(quán)重矩陣文件轉(zhuǎn)換為 SWM 格式的文件。首先，將 ASCII 權(quán)重置入一個

16、帶格式的表中（例如，使用 Excel）。接下來運行生成空間權(quán)重矩陣工具，并使用空間關(guān)系的概念化參數(shù)的 CONVERT_TABLE。輸出將是 SWM 格式的空間權(quán)重矩陣文件。語法參數(shù)說明數(shù)據(jù)類型Input_Feature_Class將計算 General G 統(tǒng)計的要素類。Feature LayerInput_Field要評估的數(shù)值字段。FieldGenerate_Report(可選)· NO_REPORT 不會創(chuàng)建圖形匯總。這是默認設(shè)置。· GENERATE_REPORT 圖形匯總將以 HTML 文件形式創(chuàng)建。BooleanConceptualization_of_Spat

17、ial_Relationships指定要素空間關(guān)系的定義方式。· INVERSE_DISTANCE 與遠處的要素相比，附近的鄰近要素對目標要素的計算的影響要大一些。· INVERSE_DISTANCE_SQUARED 與 INVERSE_DISTANCE類似，但它的坡度更明顯，因此影響下降得更快，并且只有目標要素的最近鄰域會對要素的計算產(chǎn)生重大影響。· FIXED_DISTANCE_BAND 將對鄰近要素環(huán)境中的每個要素進行分析。在指定臨界距離 (Distance_Band_or_Threshold) 內(nèi)的鄰近要素將分配有值為 1 的權(quán)重，并對目標要素的

18、計算產(chǎn)生重大影響。在指定臨界距離外的鄰近要素將分配值為零的權(quán)重，并且不會對目標要素的計算產(chǎn)生任何影響。· ZONE_OF_INDIFFERENCE 在目標要素的指定臨界距離 (Distance_Band_or_Threshold) 內(nèi)的要素將分配有值為 1 的權(quán)重，并且會影響目標要素的計算。一旦超出該臨界距離，權(quán)重（以及鄰近要素對目標要素計算的影響）就會隨距離的增加而減小。· CONTIGUITY_EDGES_ONLY 只有共用邊界或重疊的相鄰面要素會影響目標面要素的計算。· CONTIGUITY_EDGES_CORNERS 共享邊界、結(jié)點或重疊的面要素會影響目標

19、面要素的計算。· GET_SPATIAL_WEIGHTS_FROM_FILE 將由指定空間權(quán)重文件定義空間關(guān)系。指向空間權(quán)重文件的路徑由Weights_Matrix_File 參數(shù)指定。StringDistance_Method指定計算每個要素與鄰近要素之間的距離的方式。· EUCLIDEAN_DISTANCE 兩點間的直線距離（筆直地）· MANHATTAN_DISTANCE 沿垂直軸度量的兩點間的距離（城市街區(qū)）；計算方法是對兩點的 x 和 y 坐標的差值（絕對值）求和。StringStandardization當(dāng)要素的分布由于采樣設(shè)計或施加的聚合方

20、案而可能偏離時，建議使用行標準化。· NONE 不對空間權(quán)重執(zhí)行標準化。· ROW 對空間權(quán)重執(zhí)行標準化；每個權(quán)重都會除以行的和（所有相鄰要素的權(quán)重和）。StringDistance_Band_or_Threshold_Distance(可選)為“反距離”和“固定距離”選項指定中斷距離。將在對目標要素的分析中忽略為該要素指定的中斷之外的要素。但是，對于ZONE_OF_INDIFFERENCE，指定距離之外的要素的影響會隨距離的減小而變?nèi)?，而在距離閾值之內(nèi)的影響則被視為是等同的。輸入的距離值應(yīng)該與輸出坐標系的值匹配。對于空間關(guān)系的反距離概念化，值為 0 表

21、示未應(yīng)用任何閾值距離；當(dāng)將此參數(shù)留空時，將計算并應(yīng)用默認閾值。此默認值為確保每個要素至少具有一個鄰域的歐氏距離。當(dāng)選擇了面鄰接（CONTIGUITY_EDGES_ONLY 或CONTIGUITY_EDGES_CORNERS）或GET_SPATIAL_WEIGHTS_FROM_FILE 的空間概念化時，該參數(shù)無效。DoubleWeights_Matrix_File(可選)包含權(quán)重（其定義要素間的空間關(guān)系以及可能的時態(tài)關(guān)系）的文件的路徑。File1.3 增量空間自相關(guān)1.3.1簡介測量一系列距離的空間自相關(guān)，并選擇性創(chuàng)建這些距離及其相應(yīng) z 得分的折線圖。z 得分反映空間聚類的

22、程度，具有統(tǒng)計顯著性的峰值 z 得分表示促進空間過程聚類最明顯的距離。這些峰值距離通常為具有“距離范圍”或“距離半徑”參數(shù)的工具所使用的合適值。當(dāng)看到地表上的空間聚類時，您將看到正在進行的基礎(chǔ)空間過程。了解基礎(chǔ)過程運行的空間比例有助于選擇適當(dāng)?shù)姆治鼍嚯x。增量空間自相關(guān)工具為一系列增大的距離運行空間自相關(guān) (Global Morans I) 工具，同時測量各距離空間聚類的程度。聚類的程度由返回的 z 得分確定。通常情況下，距離的增大（z 得分也增大）表示聚類增強。但是，對于某些特定距離，z 得分通常為峰值。有時您會看到多個峰值。 1.3.2 用法此工具有助于為具有這些參數(shù)（如熱點分析或點密度）的

23、工具選擇合適的距離閾值或半徑。此增量空間自相關(guān)工具可測量一系列距離增量的空間自相關(guān)，并為每項距離增量報告相關(guān)的 Moran 指數(shù)、預(yù)期指數(shù)、方差、z 得分和 p 值。右鍵單擊消息條目并選擇視圖，在結(jié)果 窗口中訪問這些值。作為派生輸出值，此工具也可傳遞可能會在模型或腳本中使用的第一個峰值 z 得分和最大峰值 z 得分。當(dāng)顯示多個具有統(tǒng)計顯著性的峰值時，聚類在這些距離處均很明顯。選擇與您感興趣的分析比例對應(yīng)的峰值距離；通常為遇到的第一個具有統(tǒng)計顯著性的峰值。輸入字段應(yīng)包含多種值。此統(tǒng)計數(shù)學(xué)方法要求待分析的變量存在一定程度的變化；例如，如果所有輸入都是 1 便無法求解。如果要使用此工具分析事件數(shù)據(jù)的

24、空間模式，應(yīng)考慮聚合事件數(shù)據(jù)。對于線和面要素，距離計算中會使用要素的質(zhì)心。對于多點、折線或由多部件組成的面，將會使用所有要素部件的加權(quán)平均中心來計算質(zhì)心。點要素的加權(quán)項是 1，線要素的加權(quán)項是長度，而面要素的加權(quán)項是面積。地圖圖層可用于定義輸入要素類。在使用帶有選擇內(nèi)容的圖層時，分析只會包括所選的要素。對于面要素，幾乎始終需要為行標準化參數(shù)選擇 ROW。如果每個要素所具有的鄰域數(shù)目由聚合方案或者采樣過程決定，而不是反映您所分析的變量的實際空間分布，則行標準化將減少偏移。如果未給定開始距離，則默認值為最小距離，在該距離處，數(shù)據(jù)集中的每個要素至少具有一個相鄰要素。如果您的數(shù)據(jù)集中存在位置異常值，那

25、么此距離可能不是最合適的開始距離。如果未給定增量距離，則使用平均最近鄰距離或 (Td - B) / I（其中 Td 為最大閾值距離，B 為開始距離，I 為距離段數(shù)量）二者當(dāng)中的較小者。該算法可確保始終根據(jù)指定的距離段數(shù)量來執(zhí)行計算，確保最大距離段不會過大以致一些要素以所有其它要素或幾乎所有其它要素作為其相鄰要素。如果指定的開始距離和/或增量距離所生成的距離段大于最大閾值距離，增量距離將自動減小。為避免該調(diào)整，可以減小指定的增量距離和/或距離段數(shù)量。運行此工具時，可能會發(fā)生內(nèi)存不足的情況。這種情況通常發(fā)生在開始距離和/或增量距離導(dǎo)致要素具有很多相鄰點時。您通常不會希望在具有上千個相鄰要素的要素處

26、創(chuàng)建空間關(guān)系。增量距離使用更小的值并臨時移除位置異常值，以便以更小的開始距離值啟動。即使您用工具計算開始距離與增量距離，大數(shù)據(jù)集的處理時間也可能比較長。您可以通過以下方式提高性能：臨時移除位置異常值。不運行所有要素的分析，而是選擇研究區(qū)的典型部分中的要素，然后只分析這些要素。從數(shù)據(jù)集中隨機選擇要素的樣本，只分析這些樣本要素。距離通?；谳敵鲎鴺讼淡h(huán)境設(shè)置。輸出坐標系環(huán)境的默認設(shè)置為“與輸入相同”。進行分析之前將輸入要素投影到輸出坐標系?？蛇x輸出表將包含各迭代處的距離值、Moran I 指數(shù)值、預(yù)期 Moran I 指數(shù)值、方差、z 得分和 p 值。峰值為 z 得分值升高、然后降低處的值。例如，

27、如果此工具查找到 50、100 和 150 米距離的 z 得分分別為：2.95、3.68 和 3.12，則峰值應(yīng)為 100 米?？蛇x輸出報表文件以 PDF 文件格式創(chuàng)建，通過雙擊文件名可從結(jié)果窗口訪問此文件。此工具將選擇性地創(chuàng)建匯總結(jié)果的 PDF 報表。PDF 文件不會自動顯示在目錄窗口中。如果要在“目錄”中顯示 PDF 文件，可打開 ArcCatalog 應(yīng)用程序，選擇自定義菜單選項，單擊 ArcCatalog 選項，然后選擇文件類型選項卡。單擊新建類型按鈕，并指定 PDF 作為文件擴展名，如下圖所示。1.3.3語法參數(shù)說明數(shù)據(jù)類型Input_Features要對一系列距離進行測量的空間自相

28、關(guān)的要素類。Feature LayerInput_Field用于評估空間自相關(guān)的數(shù)值字段。FieldNumber_of_Distance_Bands針對空間自相關(guān)而遞增鄰域大小和分析數(shù)據(jù)集的次數(shù)。分別在Beginning_Distance 和 Distance_Increment 參數(shù)中指定的增量的起點和大小。LongBeginning_Distance(可選)開始空間自相關(guān)分析的距離和開始增量的距離。為此參數(shù)輸入的值應(yīng)使用“輸出坐標系”環(huán)境設(shè)置的單位。DoubleDistance_Increment(可選)每次迭代后要增加的距離。分析中使用的距離于 B

29、eginning_Distance 處開始，以 Distance_Increment 中指定的數(shù)量增加。為此參數(shù)輸入的值應(yīng)使用“輸出坐標系”環(huán)境設(shè)置的單位。DoubleDistance_Method(可選)指定計算每個要素與鄰近要素之間的距離的方式。· EUCLIDEAN 兩點間的直線距離（筆直地）· MANHATTAN 沿垂直軸度量的兩點間的距離（城市街區(qū)）；計算方法是對兩點的 x 和 y 坐標的差值（絕對值）求和。StringRow_Standardization(可選)· NONE 不對空間權(quán)重執(zhí)行標準化。· ROW

30、對空間權(quán)重執(zhí)行標準化；每個權(quán)重都會除以行的和（所有相鄰要素的權(quán)重和）。BooleanOutput_Table(可選)要創(chuàng)建的表格包含各距離范圍和相關(guān) z 得分結(jié)果。TableOutput_Report_File(可選)要創(chuàng)建的 PDF 文件包含匯總結(jié)果的折線圖。File1.4 多距離空間聚類分析（Ripleys K函數(shù)） 簡介確定要素（或與要素相關(guān)聯(lián)的值）是否顯示某一距離范圍內(nèi)統(tǒng)計意義顯著的聚類或離散?；?Ripley's K 函數(shù)的多距離空間聚類分析工具是另外一種分析事件點數(shù)據(jù)的空間模式的方法。該方法不同于此工具集中其他方法（空間自相關(guān)和熱點分析）的特征是可對一定距離范圍內(nèi)的空間相

31、關(guān)性（要素聚類或要素擴散）進行匯總。在許多要素模式分析研究中，都需要選擇適當(dāng)?shù)姆治霰壤?。例如，該分析通常需要距離范圍或距離閾值。在多個距離和空間比例下研究空間模式時，模式會發(fā)生變化，而這通?？煞从硨\行中的特定空間過程的控制。Ripley's K 函數(shù)可表明要素質(zhì)心的空間聚集或空間擴散在鄰域大小發(fā)生變化時是如何變化的。使用此工具時，需要指定要計算的距離個數(shù)，同時也可選擇指定起始距離和/或距離增量。該工具可利用此信息計算與每個要素關(guān)聯(lián)的相鄰要素的平均數(shù)量；相鄰要素是指小于計算距離的要素。隨著計算距離的增大，各要素所具有的相鄰要素數(shù)通常會越多。如果某個特定計算距離的平均相鄰要素數(shù)高于/大于

32、整個研究區(qū)域內(nèi)要素的平均密度，該距離的分布方式將被視為聚類分布。如果有興趣研究要素的聚類/擴散如何相對于不同距離（不同的分析規(guī)模）進行變化，您可以使用此工具。Measure of spatial clustering/dispersion over a range of distances.用法此工具需要投影數(shù)據(jù)來準確測量距離。工具輸出是一個包含以下字段的表：ExpectedK 和 ObservedK 分別包含 K 預(yù)期值和 K 觀測值。由于應(yīng)用了 L(d) 變換，因此 ExpectedK 值始終與距離值相匹配。DiffK 

33、字段包含 K 觀測值與 K 預(yù)期值的差值。如果指定了置信區(qū)間選項，則附加字段 LwConfEnv 和 HiConfEnv 也將包含在輸出表中。這些字段包含工具的每個迭代（由距離段數(shù)量參數(shù)指定）的置信區(qū)間信息。K 函數(shù)還可以創(chuàng)建圖層匯總結(jié)果。如果特定距離的 K 觀測值大于 K 預(yù)期值，則與該距離（分析尺度）的隨機分布相比，該分布的聚類程度更高。如果 K 觀測值小于 K 預(yù)期值，則與該距離的隨機分布相比，該分布的離散程度更高。如果 K 觀測值大于 HiConfEnv 值，則該距離的空間聚類具有統(tǒng)計顯著性。如果 K 觀測值小于 L

34、wConfEnv 值，則該距離的空間離散具有統(tǒng)計顯著性。有關(guān)解釋的其他信息，請參考多距離空間聚類分析（Ripley's K 函數(shù)）的工作原理。啟用以圖形方式顯示結(jié)果參數(shù)可以創(chuàng)建匯總工具結(jié)果的折線圖。預(yù)期結(jié)果以藍線表示，而觀測結(jié)果則以紅線表示。觀測線在預(yù)期線之上表明數(shù)據(jù)集在該距離內(nèi)表現(xiàn)為聚類。觀測線在預(yù)期線之下表明數(shù)據(jù)集在該距離內(nèi)表現(xiàn)為離散。折線圖以圖層方式創(chuàng)建。這些圖層是臨時圖層，會在關(guān)閉 ArcMap 時被刪除。如果您右鍵單擊該圖層并選擇保存，則該圖表會被寫入到“圖表文件”。如果在保存圖表后保存地圖文檔，則此圖表文件的鏈接會通過 .mxd 保存。有關(guān)圖表文件的詳細信息，請參

35、閱瀏覽和顯示包含圖表的數(shù)據(jù)。對于線和面要素，距離計算中會使用要素的質(zhì)心。對于多點、折線或由多部件組成的面，將會使用所有要素部件的加權(quán)平均中心來計算質(zhì)心。點要素的加權(quán)項是 1，線要素的加權(quán)項是長度，而面要素的加權(quán)項是面積。權(quán)重字段在表示事故點數(shù)或計數(shù)時最為適用。如果未指定權(quán)重字段，則最大 DiffK 值將告訴您促進空間聚類的過程最明顯的距離。下面將介紹如何計算置信區(qū)間：無權(quán)重字段如果未指定權(quán)重字段，則可通過在研究區(qū)域中隨機分布點并計算該分布的 L(d) 來構(gòu)建置信區(qū)間。點的每個隨機分布稱為一個“排列”。例如，如果選擇了 99_PERMUTATIO

36、NS，則在每次迭代時，該工具均會將一組點隨機分布 99 次。將這些點分布 99 次之后，該工具會對每個距離選擇相對 k 觀察值向上和向下偏離最大的 k 值；這些值將成為置信區(qū)間。包含一個權(quán)重字段指定權(quán)重字段時，僅會對權(quán)重值進行隨機重新分配來計算置信區(qū)間。點位置則保持固定。其實，指定“權(quán)重字段”時，位置會保持固定，并且該工具會評估空間中要素值的聚類。但如果未指定“權(quán)重字段”，則工具將分析要素位置的聚類/離散。因為置信區(qū)間通過隨機排列構(gòu)建，所以定義置信區(qū)間的值將隨著不同的隨機排列而改變，甚至當(dāng)參數(shù)相同時也是如此。但是，對于隨機數(shù)生成器地理處理環(huán)境來說，如果設(shè)置一個種子值，重復(fù)分析將產(chǎn)生一致的結(jié)果。

37、為計算置信區(qū)間參數(shù)選擇的排列數(shù)可以不受限制地轉(zhuǎn)換為置信度：9 表示 90%，99 表示 99%，999 表示 99.9%。如果未指定研究區(qū)域，此工具會使用最小外接矩形作為研究區(qū)域面。與范圍不同，最小外接矩形不一定必須與 x 軸和 y 軸對齊。K 函數(shù)統(tǒng)計對研究區(qū)域的大小非常敏感。根據(jù)點所在研究區(qū)域大小的不同，相同的點排列可以表現(xiàn)為聚類或離散。因此，認真考慮研究區(qū)域的邊界非常有必要。下圖是關(guān)于相同要素分布如何根據(jù)指定的研究區(qū)域進行分散或聚類的一個典型示例。如果研究區(qū)域方法參數(shù)選擇了 USER_PROVIDED_STUDY_AREA_FEATURE_CLASS，則研究區(qū)域要素類為必填項。

38、如果指定了研究區(qū)域要素類，則應(yīng)只具有一個單部分要素（研究區(qū)域面）。如果未指定開始距離或距離增量，則將基于輸入要素類的范圍計算默認值。K 函數(shù)對位于研究區(qū)域邊界附近的要素具有統(tǒng)計缺漏偏差。邊界校正方法參數(shù)提供了解決這一偏差的方法。NONE不應(yīng)用任何特定的邊界校正。但是，落在用戶指定的研究區(qū)域外的輸入要素類中的點在相鄰點計數(shù)中使用。如果您已從超大研究區(qū)域中收集數(shù)據(jù)但僅需分析數(shù)據(jù)集合邊界內(nèi)更小的區(qū)域，則此方法很適用。SIMULATE_OUTER_BOUNDARY_VALUES此方法在研究區(qū)域邊界外創(chuàng)建邊界內(nèi)所發(fā)現(xiàn)點的鏡像點，以便校正邊附近的低估現(xiàn)象。將鏡像與研究區(qū)域的邊的最大距離范圍相等的距離內(nèi)的點

39、。使用已鏡像的點會使邊點的相鄰點估計更加精確。下圖說明哪些點用于計算以及哪些點僅用于邊校正。REDUCE_ANALYSIS_AREA此邊校正技術(shù)將分析區(qū)域的大小收縮一定的距離，此距離與將在分析中使用的最大距離范圍相等。收縮研究區(qū)域后，僅在為仍處于研究區(qū)域內(nèi)的點評估相鄰點數(shù)目時，才會考慮新研究區(qū)域外發(fā)現(xiàn)的點。K 函數(shù)計算期間，不會以任何其他方式使用這些點。下圖說明哪些點用于計算以及哪些點僅用于邊校正。RIPLEY'S_EDGE_CORRECTION_FORMULA此方法檢查每個點與研究區(qū)域的邊的距離以及這個點到其各相鄰點的距離。如果有的相鄰點與所涉及點的距離比與研究區(qū)域的邊的距離更遠，則

40、所有這類相鄰點都將被指定額外權(quán)重。此邊校正方法僅適用于形狀為正方形或矩形的研究區(qū)域，或者當(dāng)為研究區(qū)域方法參數(shù)選擇 MINIMUM_ENCLOSING_RECTANGLE 時才適用。如果未應(yīng)用邊界校正，則統(tǒng)計缺漏偏差會隨分析距離的增加而增加。如果啟用以圖形方式顯示結(jié)果參數(shù)，您將注意到 ObservedK 線會在距離較大時下降。從數(shù)學(xué)上說，“多距離空間聚類分析”工具使用 Ripley's k 函數(shù)的常用變換，其中帶有隨機點集的預(yù)期結(jié)果與輸入距離相等。變換 L(d) 顯示如下。其中 A 表示區(qū)域，N 表示點數(shù)，d 表示距離而 k(i, j) 表示權(quán)重，當(dāng) i 和 j 之間

41、的距離小于或等于 d 時，權(quán)重為（如果無邊界校正）1，當(dāng) i 和 j 之間的距離大于 d 時，權(quán)重為 0。應(yīng)用邊校正后，k(i, j) 的權(quán)重略有變化。地圖圖層可用于定義輸入要素類。在使用帶有選擇內(nèi)容的圖層時，分析只會包括所選的要素。語法參數(shù)說明數(shù)據(jù)類型Input_Feature_Class要對其執(zhí)行分析的要素類。Feature LayerOutput_Table將要寫入分析結(jié)果的表。TableNumber_of_Distance_Bands針對聚類而遞增鄰域大小和分析數(shù)據(jù)集的次數(shù)。分別在Beginning_Distance 和 Distance_Increment

42、0;參數(shù)中指定的增量的起點和大小。LongCompute_Confidence_Envelope(可選)置信區(qū)間通過將要素點（或要素值）隨機放在研究區(qū)域中計算。隨機放置的點/值的數(shù)量與要素類中的點的數(shù)量相同。每組隨機放置都稱為“排列”，置信區(qū)間就通過這些排列創(chuàng)建。此參數(shù)用于選擇要使用多少排列來創(chuàng)建置信區(qū)間。· 0_PERMUTATIONS_-_NO_CONFIDENCE_ENVELOPE 不創(chuàng)建置信區(qū)間。· 9_PERMUTATIONS 隨機放置了 9 組點/值。· 99_PERMUTATIONS 隨機放置了 99 組點/值。· 999_PERMUTAT

43、IONS 隨機放置了 999 組點/值。StringDisplay_Results_Graphically(可選)指定工具是否將創(chuàng)建圖層匯總結(jié)果。· NO_DISPLAY 不會創(chuàng)建圖形匯總（默認值）。· DISPLAY_IT 圖形匯總將以圖層形式創(chuàng)建。BooleanWeight_Field(可選)數(shù)字字段，包含代表每個位置的要素/事件數(shù)量的權(quán)重。FieldBeginning_Distance(可選)開始聚類分析的距離及開始增量的距離。為此參數(shù)輸入的值應(yīng)使用“輸出坐標系”的單位。DoubleDistance_Increment(可選)每次迭代過程中要遞增的距離。分析中使用的距

44、離于Beginning_Distance 處開始，以 Distance_Increment 中指定的數(shù)量增加。為此參數(shù)輸入的值應(yīng)使用“輸出坐標系”環(huán)境設(shè)置的單位。DoubleBoundary_Correction_Method(可選)對于研究區(qū)域的邊附近要素的相鄰點數(shù)低估情況進行校正所采用的方法。· NONE 不應(yīng)用邊校正。但是，如果輸入要素類已有點落在研究區(qū)域邊界之外，則這些點將用于邊界附近要素的鄰域計數(shù)。· SIMULATE_OUTER_BOUNDARY_VALUES 此方法模擬研究區(qū)域外的點，以便邊附近的相鄰點數(shù)不被低估。所模擬點是研究區(qū)

45、域邊界內(nèi)邊附近的點“鏡像”。· REDUCE_ANALYSIS_AREA 此方法收縮研究區(qū)域，以便某些點可在研究區(qū)域邊界外被發(fā)現(xiàn)。在研究區(qū)域外發(fā)現(xiàn)的點用于計算相鄰點數(shù)目，但不可用于聚類分析自身。· RIPLEY_EDGE_CORRECTION_FORMULA 對于點 i 的鄰域中的所有點 (j)，此方法通過檢查來了解是否研究區(qū)域的邊離 i 更近，或者是否 j 離 i 更近。如果 j 更近，則將額外權(quán)重提供給點 j。此邊校正方法僅適用于形狀為方形或矩形的研究區(qū)域。StringStudy_Area_Method(可選)指定要用于研究區(qū)域的區(qū)域。K 函數(shù)對研究區(qū)域大小的變化很敏感

46、，因此認真選擇此值很重要。· MINIMUM_ENCLOSING_RECTANGLE 指示將使用封閉所有點的最小矩形。· USER_PROVIDED_STUDY_AREA_FEATURE_CLASS 指示定義研究區(qū)域的要素類將在“研究區(qū)域要素類”參數(shù)中提供。StringStudy_Area_Feature_Class(可選)描繪應(yīng)在其中分析輸入要素類的區(qū)域的要素類。僅在Study_Area_Method = "USER_PROVIDED_STUDY_AREA_FEATURE_CLASS" 時指定。Featur1.5空間自相關(guān)（global mo

47、rans I）1.5.1 簡介根據(jù)要素位置和屬性值使用 Global Moran's I 統(tǒng)計量測量空間自相關(guān)性?？臻g自相關(guān) (Global Moran's I) 工具同時根據(jù)要素位置和要素值來度量空間自相關(guān)。在給定一組要素及相關(guān)屬性的情況下，該工具評估所表達的模式是聚類模式、離散模式還是隨機模式。該工具通過計算 Moran's I 指數(shù)值、z 得分和 p 值來對該指數(shù)的顯著性進行評估。p 值是根據(jù)已知分布的曲線得出的面積近似值（受檢驗統(tǒng)計量限制）?？臻g自相關(guān) (Global Moran's I) 工具是一種推論統(tǒng)計，這意味著分析結(jié)果始終在零假設(shè)的情況

48、下進行解釋。對于 Global Moran's I 統(tǒng)計量，零假設(shè)聲明，所分析的屬性在研究區(qū)域內(nèi)的要素之間是隨機分布的；換句話說，用于促進觀察值模式的空間過程是隨機的。假設(shè)您可以為所分析的屬性選擇值，然后使這些值隨意落到要素上，從而讓每個值落在可能的位置。此過程（選擇并隨意放置值）便是隨機空間過程的示例。如果此工具返回的 p 值具有統(tǒng)計學(xué)上的顯著性，則可拒絕零假設(shè)。下表對結(jié)果的解釋進行了匯總：p 值不具有統(tǒng)計學(xué)上的顯著性。不能拒絕零假設(shè)。要素值的空間分布很有可能是隨機空間過程的結(jié)果。觀測到的要素值空間模式可能只是完全空間隨機性 (CSR) 的眾多可能結(jié)果之一。p 值具有統(tǒng)計學(xué)

49、上的顯著性，且 z 得分為正值?？梢跃芙^零假設(shè)。如果基礎(chǔ)空間過程是隨機的，則數(shù)據(jù)集中高值和/或低值的空間分布在空間上聚類的程度要高于預(yù)期。p 值具有統(tǒng)計學(xué)上的顯著性，且 z 得分為負值。可以拒絕零假設(shè)。如果基礎(chǔ)空間過程是隨機的，則數(shù)據(jù)集中高值和低值的空間分布在空間上離散的程度要高于預(yù)期。離散空間模式通常會反映某種類型的競爭過程 - 具有高值的要素排斥具有高值的其他要素；類似地，具有低值的要素排斥具有低值的其他要素。1.5.2 用法空間自相關(guān)工具將返回五個值：Moran's I 指數(shù)、預(yù)期指數(shù)、方差、z 得分及 p 值。您可通過結(jié)果窗口訪問這些值，也可以將這些值作為派生輸出值進行傳遞，以

50、滿足模型或腳本中的潛在使用需要。在給定一組要素及相關(guān)屬性的情況下，該工具評估所表達的模式是聚類模式、離散模式還是隨機模式。使用 z 得分或 p 值指示統(tǒng)計顯著性時，如果 Moran's I 指數(shù)值為正則指示聚類趨勢，如果 Moran's I 指數(shù)值為負則指示離散趨勢。z 得分和 p 值是統(tǒng)計顯著性的量度，用來判斷是否拒絕零假設(shè)。對于此工具，零假設(shè)表示與要素相關(guān)的值隨機分布。輸入字段應(yīng)包含多種值。此統(tǒng)計數(shù)學(xué)方法要求待分析的變量存在一定程度的變化；例如，如果所有輸入都是 1 便無法求解。如果要使用此工具分析事件數(shù)據(jù)的空間模式，應(yīng)考慮聚合事件數(shù)據(jù)。優(yōu)化的熱點分析還可以用來分析事件數(shù)據(jù)

51、的空間模式?？臻g關(guān)系的概念化參數(shù)的選擇應(yīng)反映要分析的要素之間的固有關(guān)系。對要素在空間中彼此交互方式構(gòu)建的模型越逼真，結(jié)果就越準確。這些建議在選擇空間關(guān)系的概念化：最佳做法中進行了概述。以下是一些額外提示：FIXED_DISTANCE_BAND默認的距離范圍或距離閾值將確保每個要素至少擁有一個相鄰要素，這一點十分重要。但通常，此默認值并不是適用于分析的最合適的距離。為分析選擇適合的比例（距離范圍）的其他策略在選擇固定距離范圍值中進行了概括介紹。INVERSE_DISTANCE 或者INVERSE_DISTANCE_SQUARED如果為距離范圍或閾值距離參數(shù)輸入 0，則所有要素均被視為所有其他要素

52、的相鄰要素；如果將此參數(shù)留空，則將采用默認距離。如果距離權(quán)重小于 1，則對其取倒數(shù)時將變得不穩(wěn)定。因此，對于分隔距離小于 1 單位的要素權(quán)重，權(quán)重值將指定為 1。對于反距離選項（INVERSE_DISTANCE、INVERSE_DISTANCE_SQUARED 或 ZONE_OF_INDIFFERENCE），為避免產(chǎn)生除數(shù)為零的情況，任何重合兩點的權(quán)重值均將指定為 1。這樣便可確保將要素包含在分析之內(nèi)?？臻g關(guān)系的概念化參數(shù)的附加選項（包括空間-時間關(guān)系）在使用生成空間權(quán)重矩陣或者生成網(wǎng)絡(luò)空間權(quán)重工具時可用。要利用這些附加選項，請使用上述任一工具構(gòu)造空間的權(quán)重矩陣文件，然后進行分析；為空間關(guān)系的

53、概念化參數(shù)選擇 GET_SPATIAL_WEIGHTS_FROM_FILE，為權(quán)重矩陣文件參數(shù)指定您所創(chuàng)建的空間權(quán)重文件的路徑。地圖圖層可用于定義輸入要素類。在使用帶有選擇內(nèi)容的圖層時，分析只會包括所選的要素。如果提供的是一個帶 .swm 擴展名的權(quán)重矩陣文件，則此工具需要輸入的是一個使用生成空間權(quán)重矩陣或生成網(wǎng)絡(luò)空間權(quán)重工具創(chuàng)建的空間權(quán)重矩陣文件；否則，此工具需要輸入一個 ASCII 格式的空間權(quán)重矩陣文件。在某些情況下，工具行為將根據(jù)所使用的空間矩陣文件類型的不同而有所區(qū)別：ASCII 格式的空間權(quán)重矩陣文件：權(quán)重“按原樣”使用。所缺失的要素與要素之間的關(guān)系被視為零。如果對權(quán)重進行了行標準

54、化，則選擇集的分析結(jié)果很可能不正確。如果需要對選擇集運行分析，則通過以下方法將 ASCII 空間權(quán)重文件轉(zhuǎn)換為 SWM 文件：將 ASCII 數(shù)據(jù)讀入表，然后將 CONVERT_TABLE 選項與生成空間權(quán)重矩陣工具結(jié)合使用。SWM 格式的空間權(quán)重矩陣文件：如果對權(quán)重進行了行標準化，則會將其選擇集重新標準化；否則，權(quán)重將“按原樣”使用。1.5.4 語法參數(shù)說明數(shù)據(jù)類型Input_Feature_Class要計算空間自相關(guān)的要素類。Feature LayerInput_Field用于評估空間自相關(guān)的數(shù)值字段。FieldGenerate_Report(可選)· NO_REPORT 不會創(chuàng)

55、建圖形匯總。這是默認設(shè)置。· GENERATE_REPORT 圖形匯總將以 HTML 文件形式創(chuàng)建。BooleanConceptualization_of_Spatial_Relationships指定要素空間關(guān)系的定義方式。· INVERSE_DISTANCE 與遠處的要素相比，附近的鄰近要素對目標要素的計算的影響要大一些。· INVERSE_DISTANCE_SQUARED 與 INVERSE_DISTANCE類似，但它的坡度更明顯，因此影響下降得更快，并且只有目標要素的最近鄰域會對要素的計算產(chǎn)生重大影響。· FIXED_DISTANCE_

56、BAND 將對鄰近要素環(huán)境中的每個要素進行分析。在指定臨界距離 (Distance_Band_or_Threshold) 內(nèi)的鄰近要素將分配值為 1 的權(quán)重，并對目標要素的計算產(chǎn)生重大影響。在指定臨界距離外的鄰近要素將分配值為零的權(quán)重，并且不會對目標要素的計算產(chǎn)生任何影響。· ZONE_OF_INDIFFERENCE 在目標要素的指定臨界距離 (Distance_Band_or_Threshold) 內(nèi)的要素將分配值為 1 的權(quán)重，并且會影響目標要素的計算。一旦超出該臨界距離，權(quán)重（以及鄰近要素對目標要素計算的影響）就會隨距離的增加而減小。· CONTIGUITY_EDGE

57、S_ONLY 只有共用邊界或重疊的相鄰面要素會影響目標面要素的計算。· CONTIGUITY_EDGES_CORNERS 共享邊界、結(jié)點或重疊的面要素會影響目標面要素的計算。· GET_SPATIAL_WEIGHTS_FROM_FILE 將由指定空間權(quán)重文件定義空間關(guān)系。指向空間權(quán)重文件的路徑由Weights_Matrix_File 參數(shù)指定。StringDistance_Method指定計算每個要素與鄰近要素之間的距離的方式。· EUCLIDEAN_DISTANCE 兩點間的直線距離（筆直地）· MANHATTAN_DISTANCE 沿垂直軸

58、度量的兩點間的距離（城市街區(qū)）；計算方法是對兩點的 x 和 y 坐標的差值（絕對值）求和。StringStandardization當(dāng)要素的分布由于采樣設(shè)計或施加的聚合方案而可能偏離時，建議使用行標準化。· NONE 不對空間權(quán)重執(zhí)行標準化。· ROW 對空間權(quán)重執(zhí)行標準化；每個權(quán)重都會除以行的和（所有相鄰要素的權(quán)重和）。StringDistance_Band_or_Threshold_Distance(可選)為“反距離”和“固定距離”選項指定中斷距離。將在對目標要素的分析中忽略為該要素指定的中斷之外的要素。但是，對于ZONE_OF_INDIFFERENCE，指定距離之外的

59、要素的影響會隨距離的減小而變?nèi)?，而在距離閾值之內(nèi)的影響則被視為是等同的。輸入的距離值應(yīng)該與輸出坐標系的值匹配。對于空間關(guān)系的反距離概念化，值為 0 表示未應(yīng)用任何閾值距離；當(dāng)將此參數(shù)留空時，將計算并應(yīng)用默認閾值。此默認值為確保每個要素至少具有一個鄰域的歐氏距離。當(dāng)選擇了面鄰接（CONTIGUITY_EDGES_ONLY 或CONTIGUITY_EDGES_CORNERS）或GET_SPATIAL_WEIGHTS_FROM_FILE 的空間概念化時，該參數(shù)無效。DoubleWeights_Matrix_File(可選)包含權(quán)重（其定義要素間的空間關(guān)系以及可能的時態(tài)關(guān)系）的文件的路徑。Fil2 “聚類分