Modele analyse spatiale

admin

Les modèles d`interaction spatiale sont agrégés et de haut en bas: ils spécifient une relation de gouvernance globale pour le flux entre les emplacements. Cette caractéristique est également partagée par des modèles urbains tels que ceux basés sur la programmation mathématique, les flux entre les secteurs économiques, ou la théorie des offres de loyer. Une autre perspective de modélisation est de représenter le système au niveau le plus élevé possible de désagrégation et d`étudier l`émergence ascendante des modèles complexes et des relations à partir du comportement et des interactions au niveau individuel. [citation nécessaire] Les méthodes de régression spatiale capturent la dépendance spatiale dans l`analyse de régression, évitant les problèmes statistiques tels que les paramètres instables et les tests de signification non fiables, ainsi que la fourniture d`informations sur les relations spatiales entre les variables Impliqués. Selon la technique spécifique, la dépendance spatiale peut entrer le modèle de régression en tant que relations entre les variables indépendantes et la dépendante, entre les variables dépendantes et un décalage spatial de lui-même, ou dans les termes d`erreur. La régression pondérée géographiquement (GWR) est une version locale de la régression spatiale qui génère des paramètres ventilés par les unités spatiales d`analyse. [20] Cela permet d`évaluer l`hétérogénéité spatiale dans les relations estimées entre les variables indépendantes et dépendantes. L`utilisation de la modélisation hiérarchique bayésienne [21] en conjonction avec les méthodes de Markov chain Monte Carlo (MCMC) ont récemment montré qu`elles étaient efficaces pour modéliser des relations complexes à l`aide de modèles logit de poisson-gamma-CAR, poisson-lognormal-SAR ou Surexdispersés. Les processus stochastiques spatiaux, tels que les processus gaussiens, sont également de plus en plus déployés dans l`analyse de régression spatiale. Des versions basées sur des modèles de GWR, connues sous le nom de modèles de coefficients spatialement variables, ont été appliquées pour conduire à l`inférence Bayésienne.

[21] le processus stochastique spatial peut devenir des modèles de processus Gaussien efficaces et évolutifs, tels que les processus prédictifs gaussiens [22] et les processus gaussiens voisins les plus proches (NNGP). [23] l`échantillonnage spatial consiste à déterminer un nombre limité d`emplacements dans l`espace géographique pour mesurer fidèlement les phénomènes qui sont sujets à la dépendance et à l`hétérogénéité. [citation nécessaire] La dépendance suggère qu`étant donné qu`un emplacement peut prédire la valeur d`un autre emplacement, nous n`avons pas besoin d`observations dans les deux endroits. Mais l`hétérogénéité suggère que cette relation peut changer dans l`espace, et par conséquent nous ne pouvons pas faire confiance à un degré observé de dépendance au-delà d`une région qui peut être petite. Les schémas d`échantillonnage spatial de base sont aléatoires, groupés et systématiques. Ces schémas de base peuvent être appliqués à plusieurs niveaux dans une hiérarchie spatiale désignée (par exemple, zone urbaine, ville, voisinage). Il est également possible d`exploiter des données auxiliaires, par exemple en utilisant des valeurs de propriété comme guide dans un schéma d`échantillonnage spatial pour mesurer le niveau de scolarité et le revenu. Les modèles spatiaux tels que les statistiques d`autocorrélation, la régression et l`interpolation (voir ci-dessous) peuvent également dicter la conception des échantillons. [citation nécessaire] La manipulation des informations se produit en plusieurs étapes, chacune représentant une étape dans une procédure d`analyse complexe. La modélisation spatiale est orientée objet avec la couverture et préoccupé par la façon dont le monde physique fonctionne ou regarde.