空间数据分析与R语言实践

章节摘录

版权页：   插图：   关于支撑作用的一个示例是选举系统中投票区边界不严格按比例变化所产生的影响。虽然最根本的投票行为无法改变，但根据选民居住地的结构或聚集不同来记录结果，往往能得到不同的选举结果（CRAN的BARD包中的自动重新区划和重划选区的启发性探索所揭示的一个偏好就是使用R来研究这一问题的一个示例）。当执行上述行为的目的是为了某些候选人或政党利益的时候，这就是所谓的徇私舞弊。该集合是任意的多边形，因为它们没有充分反映出这样的一个政治实体。这就是从选民居住地位置到某些聚集地支撑度变化的一个例子。支撑度的变化在空间数据分析中是一个意义重大的问题，它由Schabenberger and Gotway（2005，pp.284.285）提出。Gotway and Yong（2002）还提出了一个更加完善的处理方法，他们展示了分析中，统计学方法如何用来将支撑度变化所关联的误差带入到深一层的研究。同样的道理，特定学科领域的研究者在他们的项目之初就应该考虑项目涉及的统计人员，从而尽可能地检测出项目中潜在的不确定性因素的来源。尝试从分析和报告阶段收集到的数据中推断出这些不确定因素时，他们就会在项目中寻找办法尽力控制错误的传播（Guttorp，2003，Wikle，2003）。这里由一个示例来说明，海洋生物学家在不同的地点和时间收集数据，并且他们希望在不引入系统误差的情况下这些来自不同地点和时间的数据能够很好地结合。 随着测量行业被计算机取代以及测量数据传至给非测量人员，越来越多的人忽视了对空间数据不精确性的理解。其中的一些不精确性来自于测量误差，要缩小这些误差必须靠测量人员平时的训练和他们的职场经验。但是一个坐标用数字表示看起来会非常准确和理想。测量和制图表示法仅仅是对可用数据的一个概括。没有收集任何数据时，实际值往往靠猜测，这会带来严重的错误，正如海图制作用户日常工作中发现的那样。此外，支撑度改变的目的是为了更好的实现可视化，因为同样的数据用等高线表示或用等高距影像图表示使得这些数据看起来不像其绘制的图形那么臃肿，如图5.1所示。事实上，Ross Ihaka将来自纸质地图上的数据进行数字化，如同许多其他的数字高程数据，纸质地图本身也是可用数据的一种表示，而不是一个确切的地形再现，甚至SRTM数据也只能在整理之后才能实际地使用。2.7节使用的3角秒数据是使用一个特定的重取样和整理算法从繁杂的1角秒数据中得到的。不同的算法会产生略微不同的数字高程模型。

内容概要

作者：拜凡德（Roger S. Bivand） 裴贝斯玛（Edzer J. Pebesma） 格梅尔-卢比奥（Virgilio Gómez-Rubio） 译者：徐爱萍 舒红

书籍目录

《空间数据分析与R语言实践》

第一部分 R的空间数据处理

第1章 空间数据介绍    1

1.1 空间数据分析    1

1.2 为什么要用R    2

1.2.1 概述    2

1.2.2 为什么使用R进行空间数据分析    3

1.3 R和GIS    5

1.3.1 什么是GIS    5

1.3.2 面向服务的架构    5

1.3.3 进一步了解GIS    5

1.4 空间数据的类型    6

1.5 存储和显示    10

1.6 空间数据分析应用    11

1.7 R空间资源    13

1.7.1 在线资源    13

1.7.2 本书的结构    14

第2章 R的空间数据类    17

2.1 概述    17

2.2 R中的类和方法    18

2.3 Spatial对象    22

2.4 SpatialPoints类    24

2.4.1 方法    25

2.4.2 空间点数据的数据框    27

2.5 SpatialLines类    31

2.6 SpatialPolygons类    35

2.6.1 SpatialPolygons DataFrame对象    37

2.6.2 孔和环方向    39

2.7 SpatialGrid和SpatialPixel对象    40

第3章 空间数据可视化    47

3.1 传统绘图系统    47

3.1.1 绘制点、线、多边形和网格    47

3.1.2 坐标轴和布局元素    50

3.1.3 坐标轴标签和参考网格中的度    53

3.1.4 绘图尺寸、绘图区域、地图比例以及多图绘制    54

3.1.5 绘图属性和地图图例    56

3.2 使用spplot的Trellis/Lattice绘制    57

3.2.1 一个直观的Trellis示例    58

3.2.2 绘制点、线、面和网格    59

3.2.3 对图添加参考物和布局元素    61

3.2.4 安排面板布局    63

3.3 绘图交互    63

3.3.1 基本图形的交互    63

3.3.2 spplot和lattice的绘图交互    65

3.4 彩色调色板和类区间    66

3.4.1 彩色调色板    66

3.4.2 类区间    66

第4章 空间数据导入/导出    70

4.1 坐标参考系    71

4.1.1 使用EPSG清单    72

4.1.2 PROJ.4 CRS规范    72

4.1.3 投影和坐标转换    73

4.1.4 度、分和秒    75

4.2 矢量文件格式    76

4.2.1 使用rgdal包中的OGR驱动程序    77

4.2.2 其他的导入/导出函数    81

4.3 栅格文件格式    81

4.3.1 使用rgdal包中的GDAL驱动    81

4.3.2 编写一个Google Earth影像覆盖    84

4.4 GRASS    86

百老街霍乱数据    91

4.5 其他的导入/导出接口    94

4.5.1 分析和可视化应用    94

4.5.2 TerraLib和aRT    95

4.5.3 其他GIS和Web地图系统    96

4.6 安装rgdal包    97

第5章 空间数据处理高级方法    99

5.1 支撑    99

5.2 叠置    102

5.3 空间取样    104

5.4 拓扑检查    106

5.4.1 多边形合并    108

5.4.2 孔状态检查    109

5.5 组合空间数据    110

5.5.1 组合位置数据    110

5.5.2 组合属性数据    110

5.6 辅助函数    112

第6章 定制空间数据类和方法    117

6.1 使用类和方法编程    117

6.1.1 S3型类和方法    118

6.1.2 S4型类和方法    119

6.2 程序包trip中的动物足迹数据    120

6.2.1 通用函数和构造函数    121

6.2.2 trip对象的方法    122

6.3 多点数据：空间多重点    123

6.4 六边形网格    125

6.5 时-空网格    128

6.6 蒙特卡洛模拟的空间分析    132

6.7 大型网格的处理    134

第二部分 空间数据分析

第7章 空间点模式分析    136

7.1 概述    136

7.2 空间点模式分析包    137

7.3 点模式的初步分析    140

7.3.1 完全空间随机模式    140

7.3.2 G函数：最近邻事件距离    141

7.3.3 F函数：一个点到其最邻近事件的距离    143

7.4 空间点过程的统计分析    144

7.4.1 同质泊松过程    145

7.4.2 非同质泊松过程    145

7.4.3 强度的估计    145

7.4.4 非同质泊松过程的似然    149

7.4.5 二阶特性    151

7.4.6 非同质的K函数    152

7.5 在空间流行病中的一些应用    153

7.5.1 病例控制研究    153

7.5.2 二元回归估计    158

7.5.3 使用广义加模型的二元回归    159

7.5.4 点源污染    161

7.5.5 空间聚集的评估    163

7.5.6 混杂变量和协变量的解释    165

7.6 点模式分析更进一步的方法    168

第8章 插值与地统计    170

8.1 概述    170

8.2 探索性数据分析    171

8.3 非地统计学插值方法    172

8.3.1 反距离加权插值    172

8.3.2 线性回归    173

8.4 空间相关性估计：变异函数    174

8.4.1 探索性变异函数分析    175

8.4.2 截距、间隔宽度、方向依赖性    178

8.4.3 变异函数模型    179

8.4.4 各向异性    183

8.4.5 多变量变异函数模型    184

8.4.6 残差变异函数模型    186

8.5 空间预测    187

8.5.1 泛克里金、普通克里金和简单克里金法    188

8.5.2 多变量预测：协同克里金法    189

8.5.3 同位协同克里金法    190

8.5.4 协同克里金法对比    191

8.5.5 局部邻域的克里金法    191

8.5.6 块克里金法    192

8.5.7 区域划分    193

8.5.8 趋势函数和它们的系数    194

8.5.9 应变量的非线性变换    195

8.5.10 奇异矩阵错误    197

8.6 模型诊断    198

8.6.1 交叉验证残差    199

8.6.2 交叉验证的z-score    201

8.6.3 多变量交叉验证    201

8.6.4 交叉验证的局限性    202

8.7 地统计模拟    203

8.7.1 序贯模拟    203

8.7.2 非线性空间聚集和块均值    205

8.7.3 多变量和指示模拟    206

8.8 基于模型的地统计和贝叶斯方法    207

8.9 监测网络优化    207

8.10 其他用于插值和地统计的R语言包    209

8.10.1 非地统计插值    209

8.10.2 spatial包    209

8.10.3 RandomFields包    209

8.10.4 geoR包和geoRglm包    211

8.10.5 fields包    211

第9章 面数据和空间自相关    212

9.1 概述    212

9.2 空间邻域    214

9.2.1 邻居对象    215

9.2.2 创建近邻域    217

9.2.3 创建基于图的近邻    219

9.2.4 基于距离的近邻    220

9.2.5 高阶近邻    223

9.2.6 网格近邻    224

9.3 空 间 权 重    225

9.3.1 空间权重模式    225

9.3.2 一般空间权重    227

9.3.3 空间近邻与权重的导入、导出和转化    229

9.3.4 使用权重模拟空间自相关    230

9.3.5 操作空间权重    231

9.4 空间自相关检验    232

9.4.1 全局检验    234

9.4.2 局部检验    240

第10章 面数据建模    246

10.1 概述    246

10.2 空间统计方法    246

10.2.1 同步自回归(SAR)模型    249

10.2.2 条件自回归(CAR)模型    253

10.2.3 拟合空间回归模型    255

10.3 混合效应模型    257

10.4 空间计量经济学方法    259

10.5 其他方法    265

10.5.1 GAM、GEE、GLMM    265

10.5.2 Moran特征    269

10.5.3 地理加权回归    272

第11章 疾病制图    276

11.1 简介    277

11.2 统计模型    278

11.2.1 Poisson-Gamma模型    280

11.2.2 Log-Normal模型    282

11.2.3 Marshall全局EB估计器    283

11.3 空间结构统计模型    285

11.4 贝叶斯层次模型    286

11.4.1 再探Poisson-Gamma模型    287

11.4.2 空间模型    291

11.5 疾病聚集探测    298

11.5.1 相对风险的同质性检验    299

11.5.2 空间自相关的Moran’s I检验    301

11.5.3 一般聚集的Tango’s检验    301

11.5.4 聚集位置探测    302

11.5.5 地理分析机    303

11.5.6 Kulldorfft统计    304

11.5.7 局部聚集的Stone的测试    305

11.6 疾病制图的其他主题    306

结语    307

参考文献    311

编辑推荐

《空间数据分析与R语言实践》适合作为“空间信息处理”和“空间信息可视化”课程的教材，通过大量的实例展示了空间分析方法的应用领域及其价值，较全面地展示了R在空间统计与分析中的成果与前景。《空间数据分析与R语言实践》配套网站包括了书中的所有实例、所涉及的包和数据集，对读者学习和研究将有很大帮助。

作者简介

《空间数据分析与R语言实践》较全面地介绍了R应用于空间数据分析的原理和方法。在介绍R中空间数据类、方法、空间对象、空间点类、空间线类、空间面类及空间网格的基础上，首先介绍了空间数据的可视化、空间数据的导入导出、空间数据的处理及定制多点数据、六角形网格、时空网格及大型网格数据类的方法；然后介绍了空间点模式分析、插值与地统计分析、面数据和空间自相关分析和面数据建模；最后介绍了空间数据分析在疾病数据制图及分析中的应用。

---

 空间数据分析与R语言实践下载 更多精彩书评

---