使用SPSS(27版本)以及ArcGIS软件做的一些计量地理学实验步骤记录与简略分析。主要有如下一些实验:地理数据的统计处理、相关分析、主成分分析、多元线性回归分析、聚类分析、时间序列数据分析、因子分析、地统计分析、趋势面分析、马尔可夫分析。
目录
实验一 地理数据的统计处理
实验二 相关分析
实验三 主成分分析
实验四 多元线性回归分析
实验五 聚类分析
实验六 时间序列数据分析
实验七 因子分析
实验八 地统计分析
实验九 趋势面分析
实验十 马尔可夫分析
一、实验目的:了解地理数据分布的基本特征,掌握地理数据分布特征的主要表征值。
二、实验内容:运用SPSS应用软件中的相关的模块,实验表1中的数据,进行地理数据的统计处理,重点掌握标准差、最大值、最小值、方差、算术平均数、众数、中位数、算数和以及偏态、峰度的计算,绘制统计柱状图等。
表1 某地区1992-2004年的农业总产值(亿元)
年份 | 1992 | 1993 | 1994 | 1995 | 1996 | 1997 | 1998 | 1999 | 2000 | 2001 | 2002 | 2003 | 2004 |
农业产值 | 108 | 109 | 115 | 121 | 127 | 135 | 133 | 141 | 151 | 153 | 167 | 170 | 176 |
三、实验步骤与结果分析:
1、定义变量。打开SPSS数据编辑器,切换到变量视图,进行定义变量。
图1-1切换变量视图
图1-2定义变量名称与类型
2、数据录入。再切换到数据视图进行数据的录入。
图1-3数据的录入
3、进行统计分析。打开“分析”→“描述性分析”→“频率”,
图1-4统计频率操作
图1-5设置要统计的类型
图1-6统计变量的设置
4、查看统计的结果。点击“确定”后,会自动生成Statistics 查看器窗口,在此可以查看统计的结果。
图1-7统计数据结果表
图1-8频率表
图1-9频率分布直方图
5、绘制数据的条形图,可以直观看出逐年份的农业产值增长情况,点击“图形”→“图表构建器”,可进行构建图表的选择与相关设置。
图1-10打开图表构建器
图1-11各年份农业产值柱状图
一、实验目的:掌握相关分析、回归分析的定义、内涵,重点掌握一般相关系数的计算公式、利用所给数据能够建立一元线性与非线性回归方程,并能够进行检验。
二、实验内容:运用SPSS应用软件中的Correlate模块,利用表2中的数据,针对水土流失面积与土壤氮含量进行相关分析,进行两两要素间的相关分析,并能够进行检验;运用SPSS应用软件中的Regression模块建立一元线性和非线性方程,并进行检验,利用所给数据进行预测。
表2 某区域水土流失面积与土壤氮含量数据
序号 | 水土流失面积 | 土壤含氮量 | 序号 | 水土流失面积 | 土壤含氮量 |
1 | 0.8 | 6.6 | 7 | 5.6 | 2.4 |
2 | 1.4 | 5.2 | 8 | 6.5 | 2.3 |
3 | 2.0 | 4.8 | 9 | 7.1 | 2.1 |
4 | 2.7 | 3.9 | 10 | 7.7 | 2.3 |
5 | 3.3 | 3.7 | 11 | 8.3 | 1.7 |
6 | 4.1 | 3.2 | 12 | 9.2 | 1.5 |
三、实验步骤与结果分析:
1、定义变量与数据录入。打开SPSS数据编辑器,在变量视图定义变量,在数据视图录入数据。
图2-1定义变量
图2-2录入数据
2、散点图与线性趋势判定。作散点图,进行线性趋势判定。在SPSS 中打开图形构建器,制作散点图。
图2-3图形构建器
图2-4散点图
3、计算简单相关系数。点击“分析”→“相关”→“双变量”,展开双变量相关性分析对话框。
图2-5打开相关分析对话框操作
图2-6双变量相关性对话框
图2-7相关分析结果
4、计算偏相关系数。点击“分析”→“相关”→“偏相关”,展开偏相关性分析对话框。
图2-8打开偏相关分析对话框操作
图2-9偏相关性对话框
图2-10偏相关分析结果
5、建立一元线性模型。由上述散点图和相关分析结果,可知数据具有趋势性,可对其进行一元线性回归拟合。选择“分析”→“回归”→“线性”,打开“线性回归”对话框。
图2-11打开线性回归分析操作
图2-12线性回归对话框
图2-13线性回归分析结果报告
6、结果解读与检验分析。
图2-14回归系数
图2-15模型摘要
图2-16方差分析结果
图2-17残差统计
图2-18回归的标准残差频率分布直方图
图2-19残差的累计概率图
一、实验目的:掌握主成分分析的定义、内涵,重点掌握一般主成分分成的计算步骤、利用所给数据能够建立主成分分析思路与结果,并能够进行检验。
二、实验内容:运用SPSS应用软件中的相关的模块,利用表3中的数据,针对中国主要城市影响经济发展的主要指标进行主成分分析。
表3 中国主要城市影响经济发展的主要指标
城 市 | 总人口 (万人) | 非农业 人口比(%) | 农 业总产值(万元) | 工 业 总产值(万元) | 客 运总 量(万人) | 货 运总 量(万吨) | 地方财政预算内收入(万元) | 城乡居民年底储蓄余额 (万元) | 在岗职工人数(万人) | 在岗职工工资总额(万元) |
北 京 | 1249.9 | 0.5978 | 1843427 | 19999706 | 20323 | 45562 | 2790863 | 26806646 | 410.8 | 5773301 |
天 津 | 910.17 | 0.5809 | 1501136 | 22645502 | 3259 | 26317 | 1128073 | 11301931 | 202.68 | 2254343 |
石 家 庄 | 875.4 | 0.2332 | 2918680 | 6885768 | 2929 | 1911 | 352348 | 7095875 | 95.6 | 758877 |
太 原 | 299.92 | 0.6563 | 236038 | 2737750 | 1937 | 11895 | 203277 | 3943100 | 88.65 | 654023 |
呼和浩特 | 207.78 | 0.4412 | 365343 | 816452 | 2351 | 2623 | 105783 | 1396588 | 42.11 | 309337 |
沈 阳 | 677.08 | 0.6299 | 1295418 | 5826733 | 7782 | 15412 | 567919 | 9016998 | 135.45 | 1152811 |
大 连 | 545.31 | 0.4946 | 1879739 | 8426385 | 10780 | 19187 | 709227 | 7556796 | 94.15 | 965922 |
长 春 | 691.23 | 0.4068 | 1853210 | 5966343 | 4810 | 9532 | 357096 | 4803744 | 102.63 | 884447 |
哈 尔 滨 | 927.09 | 0.4627 | 2663855 | 4186123 | 6720 | 7520 | 481443 | 6450020 | 172.79 | 1309151 |
上 海 | 1313.12 | 0.7384 | 2069019 | 54529098 | 6406 | 44485 | 4318500 | 25971200 | 336.84 | 5605445 |
南 京 | 537.44 | 0.5341 | 989199 | 13072737 | 14269 | 11193 | 664299 | 5680472 | 113.81 | 1357861 |
杭 州 | 616.05 | 0.3556 | 1414737 | 12000796 | 17883 | 11684 | 449593 | 7425967 | 96.9 | 1180947 |
宁 波 | 538.41 | 0.2547 | 1428235 | 10622866 | 22215 | 10298 | 501723 | 5246350 | 62.15 | 824034 |
合 肥 | 429.95 | 0.3184 | 628764 | 2514125 | 4893 | 1517 | 233628 | 1622931 | 47.27 | 369577 |
福 州 | 583.13 | 0.2733 | 2152288 | 6555351 | 8851 | 7190 | 467524 | 5030220 | 69.59 | 680607 |
厦 门 | 128.99 | 0.4865 | 333374 | 5751124 | 3728 | 2570 | 418758 | 2108331 | 46.93 | 657484 |
南 昌 | 424.2 | 0.3988 | 688289 | 2305881 | 3674 | 3189 | 167714 | 2640460 | 62.08 | 479555 |
济 南 | 557.63 | 0.4085 | 1486302 | 6285882 | 5915 | 11775 | 460690 | 4126970 | 83.31 | 756696 |
青 岛 | 702.97 | 0.3693 | 2382320 | 11492036 | 13408 | 17038 | 658435 | 4978045 | 103.52 | 961704 |
郑 州 | 615.36 | 0.3424 | 677425 | 5287601 | 10433 | 6768 | 387252 | 5135338 | 84.66 | 696848 |
武 汉 | 740.2 | 0.5869 | 1211291 | 7506085 | 9793 | 15442 | 604658 | 5748055 | 149.2 | 1314766 |
长 沙 | 582.47 | 0.3107 | 1146367 | 3098179 | 8706 | 5718 | 323660 | 3461244 | 69.57 | 596986 |
广 州 | 685 | 0.6214 | 1600738 | 23348139 | 22007 | 23854 | 1761499 | 20401811 | 182.81 | 3047594 |
深 圳 | 119.85 | 0.7931 | 299662 | 20368295 | 8754 | 4274 | 1847908 | 9519900 | 91.26 | 1890338 |
南 宁 | 285.87 | 0.4064 | 720486 | 1149691 | 5130 | 3293 | 149700 | 2190918 | 45.09 | 371809 |
海 口 | 54.38 | 0.8354 | 44815 | 717461 | 5345 | 2356 | 115174 | 1626800 | 19.01 | 198138 |
重 庆 | 3072.34 | 0.2067 | 4168780 | 8585525 | 52441 | 25124 | 898912 | 9090969 | 223.73 | 1606804 |
成 都 | 1003.56 | 0.335 | 1935590 | 5894289 | 40140 | 19632 | 561189 | 7479684 | 132.89 | 1200671 |
贵 阳 | 321.5 | 0.4557 | 362061 | 2247934 | 15703 | 4143 | 197908 | 1787748 | 55.28 | 419681 |
昆 明 | 473.39 | 0.3865 | 793356 | 3605729 | 5604 | 12042 | 524216 | 4127900 | 88.11 | 842321 |
西 安 | 674.5 | 0.4094 | 739905 | 3665942 | 10311 | 9766 | 408896 | 5863980 | 114.01 | 885169 |
兰 州 | 287.59 | 0.5445 | 259444 | 2940884 | 1832 | 4749 | 169540 | 2641568 | 65.83 | 550890 |
西 宁 | 133.95 | 0.5227 | 65848 | 711310 | 1746 | 1469 | 49134 | 855051 | 27.21 | 219251 |
银 川 | 95.38 | 0.5709 | 171603 | 661226 | 2106 | 1193 | 74758 | 814103 | 23.72 | 178621 |
乌鲁木齐 | 158.92 | 0.8244 | 78513 | 1847241 | 2668 | 9041 | 254870 | 2365508 | 55.27 | 517622 |
三、实验步骤与结果分析:
1、数据导入。在SPSS数据编辑器中选择“打开文件”图标,从excel中将数据导入进SPSS中。
图3-1读取Excel文件
图3-2导入数据
2、主成分(因子)分析相关设置。选择“分析”→“降维”→“因子”,打开因子分析对话框,然后依次进行选项设置。
图3-3打开因子分析操作
图3-4因子分析对话框
图3-5设置“描述”选项
图3-6设置“提取”选项
图3-7设置“因子得分”选项
图3-8设置“选项”选项
图3-9设置“旋转”选项
3、主成分分析结果解读。在分析结果中首先给出的是描述统计,即每个变量的平均值、标准偏差以及样品数量。
图3-10描述统计
图3-11相关性矩阵
图3-12 KMO和巴特利特检验
图3-13公因子方差
图3-14总方差解释
综上三个原则,可决定主成分的数目为2,即取第1、2主成分。
图3-15特征根数值衰减折线图(碎石图)
图3-16成分矩阵
图3-17主成分荷载图(组件图)
图3-18成分得分系数矩阵
图3-19成分得分协方差矩阵
4、主成分分析。如图3-20所示,可以看出在岗职工人数、在岗职工工资总额以及城乡居民年底储蓄余额在第一主成分上载荷较大,亦即与第一主成分的相关系数较高;非农业人口比在第二主成分上的载荷绝对值较大,即负相关程度较高。因此可将主成分命名如下:
第一主成分:居民薪资-储蓄主成分。
第二主成分:第一产业(农业)人口比主成分。
利用主成分载荷矩阵可以对中国主要城市的发展情况进行初步分析。不仅如此,还可以根据主成分得分开展综合评价。事实上,将图3-20中的主成分得分即非标准化的因子得分加和,就可得到各个主要城市的综合得分。根据综合得分排序,就可以看出不同城市的影响经济发展的主要指标。
图3-20成分矩阵要素归类图
一、实验目的:掌握多元线性回归分析的定义、内涵,重点掌握多元线性回归分析的计算步骤、利用所给数据能够建立多元线性回归分析思路与结果,并能够进行检验。
二、实验内容:运用SPSS应用软件中的相关的模块,利用表4中的数据,分析降水量和蒸发量对径流深的影响。
表4 河流径流深度及年降水量与蒸发量表
河流序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
年降水量 | 1150 | 1170 | 1154 | 1232 | 910 | 1676 | 1449 | 1850 | 1690 | 2000 | 1590 |
年蒸发量 | 496 | 604 | 610 | 707 | 546 | 740 | 718 | 752.6 | 722 | 518 | 816 |
径流深度 | 753 | 565 | 543.2 | 524.6 | 363.5 | 936 | 731 | 1097.1 | 967.5 | 1481 | 804 |
三、实验步骤与结果分析:
1、数据导入。打开SPSS数据编辑器,在变量视图定义变量,在数据视图录入数据。
图4-1录入数据
2、回归操作。选择“分析”→“回归”→“线性”,打开“线性回归”对话框。在对话框中,采用输入(Enter)法,该方法纳入全部选中的变量。
图4-2打开线性回归分析操作
图4-3“线性回归”对话框
3、回归结果分析。点击“确定”即得到多元线性回归分析结果,首先给出的变量取舍表,给出的采用的变量、剔除的变量和回归方法,此表中没有剔除变量。
图4-4变量取舍表
图4-5模型摘要表
图4-6方差分析表
图4-7各种系数表
图4-8多重共线性诊断表
图4-8残差统计表
图4-9回归标准残差的直方图
图4-10累计概率分布图
图4-11散点图一
图4-12散点图二
一、实验目的:掌握聚类分析的定义、内涵,重点掌握聚类分析的计算步骤、利用所给数据能够建立聚类分析思路与结果,并能够进行检验。
二、实验内容:运用SPSS应用软件中的相关的模块,利用表5中的数据,对 21个农业区的各项指标数据进行聚类分析。
表5 20个农业区的各项指标数据
样本序号 | 人口密度 | 人均耕地面积 | 森林覆盖率 | 农民人均纯收入 | 人均粮食产量 | 经济作物占农作物播面比例 | 耕地占土地面积比率 | 果园与林地面积之比 | 灌溉田占耕地面积之比 |
1 | 363.912 | 0.352 | 16.1 | 192.11 | 295.34 | 26.724 | 18.492 | 2.231 | 26.262 |
2 | 141.503 | 1.684 | 24.3 | 1752.35 | 452.26 | 32.314 | 14.464 | 1.455 | 27.066 |
3 | 100.695 | 1.067 | 65.6 | 1181.54 | 270.12 | 18.266 | 0.162 | 7.474 | 12.489 |
4 | 143.739 | 1.336 | 33.21 | 1436.12 | 354.26 | 17.486 | 11.805 | 1.892 | 17.534 |
5 | 131.412 | 1.623 | 16.61 | 1405.09 | 586.59 | 40.683 | 14.401 | 0.303 | 22.932 |
6 | 68.337 | 2.032 | 76.2 | 1540.29 | 216.39 | 8.128 | 4.065 | 0.011 | 4.861 |
7 | 95.416 | 0.801 | 71.11 | 926.35 | 291.52 | 8.135 | 4.063 | 0.012 | 4.862 |
8 | 62.901 | 1.652 | 73.31 | 1501.24 | 225.25 | 18.352 | 2.645 | 0.034 | 3.201 |
9 | 86.624 | 0.841 | 68.9 | 897.36 | 196.37 | 16.861 | 5.176 | 0.055 | 6.167 |
10 | 91.394 | 0.812 | 66.5 | 911.24 | 226.51 | 18.279 | 5.643 | 0.076 | 4.477 |
11 | 76.912 | 0.858 | 50.3 | 103.52 | 217.09 | 19.793 | 4.881 | 0.001 | 6.165 |
12 | 51.274 | 1.041 | 64.61 | 968.33 | 181.38 | 4.005 | 4.066 | 0.015 | 5.402 |
13 | 68.831 | 0.836 | 62.8 | 957.14 | 194.04 | 9.11 | 4.484 | 0.002 | 5.79 |
14 | 77.301 | 0.623 | 60.1 | 824.37 | 188.09 | 19.409 | 5.721 | 5.055 | 8.413 |
15 | 76.948 | 1.022 | 68 | 1255.42 | 211.55 | 11.102 | 3.133 | 0.01 | 3.425 |
16 | 99.265 | 0.654 | 60.7 | 1251.03 | 220.91 | 4.383 | 4.615 | 0.011 | 5.593 |
17 | 118.505 | 0.661 | 63.3 | 1246.47 | 242.16 | 10.706 | 6.053 | 0.154 | 8.701 |
18 | 141.473 | 0.737 | 54.21 | 814.21 | 193.46 | 11.419 | 6.442 | 0.012 | 12.945 |
19 | 137.761 | 0.598 | 55.9 | 1124.05 | 228.44 | 9.521 | 7.881 | 0.069 | 12.654 |
20 | 117.612 | 1.245 | 54.5 | 805.67 | 175.23 | 18.106 | 5.789 | 0.048 | 8.461 |
21 | 122.781 | 0.731 | 49.1 | 1313.11 | 236.29 | 26.724 | 7.162 | 0.092 | 10.078 |
三、实验步骤与结果分析:
1、数据导入。在SPSS数据编辑器中选择“打开文件”图标,从excel中将数据导入进SPSS中。
图5-1读取Excel文件
图5-2导入数据
2、打开“聚类分析”对话框。选择“分析”→“分类”→“系统聚类”,打开系统聚类分析对话框。
图5-3打开系统聚类操作
图5-4“系统聚类分析”对话框
3、聚类分析选项设置。在源变量框中选中需要进行分析的变量,点击右边的箭头符号,将需要的变量调入变量栏内,在“聚类”选项中有Q 型(个案)和R 型(变量)两种类型,我们现在是对样品进行聚类,所以选择“个案”。选中显示图表。
图5-5设置“方法”选项
4、聚类结果解读。在输出结果中,首先给出的是个案处理摘要。从摘要中可以看出:有效个案的数目和百分比,缺失个案的数目和百分比,全部个案的数目和百分比。由于没有数据缺失,故全部21个农业区个案参与聚类,有效个案为100%。
图5-6个案处理摘要
图5-7近似值矩阵
图5-8聚类进度表
图5-9聚类结果冰柱图
图5-10聚类分析的树形图
一、实验目的:掌握时间序列数据分析的定义、内涵,重点掌握时间序列数据分析的计算步骤、利用所给数据能够建立时间序列数据分析思路与结果,并能够进行检验。
二、实验内容:运用SPSS应用软件中的相关的模块,利用表6中的数据,采用ARIMA模型进行预测分析。
表6 时间序列数据分析数据
年份 | T(时间变量)=年份-1970 | y (人口,单位:人) |
2001 | 31 | 34510 |
2002 | 32 | 34510 |
2003 | 33 | 34511 |
2004 | 34 | 34512 |
2005 | 35 | 34513 |
2006 | 36 | 34514 |
2007 | 37 | 34514 |
2008 | 38 | 34515 |
2009 | 39 | 34516 |
2010 | 40 | 34516 |
三、实验步骤与结果分析:
1、数据导入。在SPSS数据编辑器中选择“打开文件”图标,从excel中将数据导入进SPSS中。
图6-1读取Excel文件
图6-2导入数据
2、时间序列分析预操作。先选择“数据”→“定义日期和时间”,进行时间变量的定义(数据中预先定义好可直接使用);选择“分析”→“时间序列预测”→“序列图”,获取序列图进行图像化观察;选择“分析”→“时间序列预测”→“自相关”,进行平稳性分析。
图6-3定义日期
图6-4获取序列图对话框
图6-5时间序列图
图6-6“自相关性”对话框(平稳性分析)
图6-7自相关图
图6-8偏自相关图
3、设置时间序列建模器。选中“分析”→“时间序列预测”→“创建传统模型”,打开“时间序列建模器”对话框。进行时间序列分析的相关的选项设置。
图6-9打开“时间序列建模器”操作
图6-10时间序列建模器设置
图6-11设置ARIMA的条件
4、时间序列分析结果解读。在时间序列建模器输出的分析结果中,首先给出的是模型描述,然后给出了模型摘要以及预测结果图表,另外,在数据视图里,还给出了具体的预测值。
图6-12模型描述
图6-13模型拟合度表
图6-14残差ACF摘要表
图6-15残差PACF摘要表
图6-16模型统计表
图6-17 ARIMA模型参数表
图6-18预测表
图6-19预测残差 ACF/PACF 图表
图6-20序列图表
一、实验目的:掌握因子分析的定义、内涵,重点掌握因子分析的计算步骤、利用所给数据能够建立因子分析思路与结果,并能够进行检验。
二、实验内容:运用SPSS应用软件中的相关的模块,利用表7中的数据,为25名健康人的7项生化检验结果,7项系列化检验指标依次为X1至X7,对该资料进行因子分析。
表7 25名健康人的7项生化检验结果
X1 | X2 | X3 | X4 | X5 | X6 | X7 |
3.76 | 3.66 | 0.54 | 5.28 | 9.77 | 13.74 | 4.78 |
8.59 | 4.99 | 1.34 | 10.02 | 7.5 | 10.16 | 2.13 |
6.22 | 6.14 | 4.52 | 9.84 | 2.17 | 2.73 | 1.09 |
7.57 | 7.28 | 7.07 | 12.66 | 1.79 | 2.10 | 0.82 |
9.03 | 7.08 | 2.59 | 11.76 | 4.54 | 6.22 | 1.28 |
5.51 | 3.98 | 1.3 | 6.92 | 5.33 | 7.3 | 2.4 |
3.27 | 0.62 | 0.44 | 3.36 | 7.63 | 8.84 | 8.39 |
8.74 | 7 | 3.31 | 11.68 | 3.53 | 4.76 | 1.12 |
9.64 | 9.49 | 1.03 | 13.57 | 13.13 | 18.52 | 2.35 |
9.73 | 1.33 | 1 | 9.87 | 9.87 | 11.06 | 3.7 |
8.59 | 2.98 | 1.17 | 9.17 | 7.85 | 9.91 | 2.62 |
7.12 | 5.49 | 3.68 | 9.72 | 2.64 | 3.43 | 1.19 |
4.69 | 3.01 | 2.17 | 5.98 | 2.76 | 3.55 | 2.01 |
5.51 | 1.34 | 1.27 | 5.81 | 4.57 | 5.38 | 3.43 |
1.66 | 1.61 | 1.57 | 2.8 | 1.78 | 2.09 | 3.72 |
5.90 | 5.76 | 1.55 | 8.84 | 5.4 | 7.50 | 1.97 |
9.84 | 9.27 | 1.51 | 13.6 | 9.02 | 12.67 | 1.75 |
8.39 | 4.92 | 2.54 | 10.05 | 3.96 | 5.24 | 1.43 |
4.94 | 4.38 | 1.03 | 6.68 | 6.49 | 9.06 | 2.81 |
7.23 | 2.3 | 1.77 | 7.79 | 4.39 | 5.37 | 2.27 |
9.46 | 7.31 | 1.04 | 12 | 11.58 | 16.18 | 2.42 |
9.55 | 5.35 | 4.25 | 11.74 | 2.77 | 3.51 | 1.05 |
4.94 | 4.52 | 4.5 | 8.07 | 1.79 | 2.1 | 1.29 |
8.21 | 3.08 | 2.42 | 9.1 | 3.75 | 4.66 | 1.72 |
9.41 | 6.44 | 5.11 | 12.5 | 2.45 | 3.1 | 0.91 |
三、实验步骤与结果分析:
1、数据导入。在SPSS数据编辑器中选择“打开文件”图标,从excel中将数据导入进SPSS中。
图7-1读取Excel文件
图7-2导入数据
2、因子分析相关设置。选择“分析”→“降维”→“因子”,打开因子分析对话框,然后依次进行选项设置。
图7-3因子分析对话框
图7-4设置“旋转”选项卡
3、因子分析结果解读。在输出结果中,前面的基础内容与主成分分析的是类似的,在成分矩阵后就有所不同。
图7-5公因子方差表
图7-6总方差解释表
图7-7碎石图
图7-8成分矩阵表(主因解载荷矩阵)
图7-9旋转成分矩阵(正交旋转后的主因解载荷矩阵)
图7-10成分转换矩阵
图7-11旋转后的空间中的组件图
一、实验目的:掌握地统计分析的定义、内涵,重点掌握地统计分析的计算步骤、利用所给数据能够建立地统计分析思路与结果,并能够进行检验。
二、实验内容:运用ArcGIS应用软件中的相关的模块,利用所给的相关的数据,用半变异函数进行分析。
图8-0站点NO2浓度数据(部分)
三、实验步骤与结果分析:
1、数据可视化。将所给的原始数据加载到ArcGIS中显示出来。
图8-1数据点的空间分布状态(标注值为NO2浓度)
2、利用【Geostatistical Analyst】模块进行地统计分析。利用【探索数据】中的相关功能操作对数据进行初步判断。
图8-2地统计分析模块
图8-3直方图
图8-4正态QQ图
图8-5趋势分析
图8-6半变异云图
3、利用【地统计向导】进行插值分析。选择常用的普通克里金插值方法,因为在趋势分析图上可以看出数据在两个方向上都具有趋势,所以阶数选择“二次”.
图8-7地统计向导
图8-8选择克里金插值类型
图8-9设置方法属性
图8-10半变异函数建模
图8-11搜索邻域
图8-12交叉验证
图8-13克里金插值结果预测图
图8-14预测标准误差图
一、实验目的:掌握趋势面分析的定义、内涵,重点掌握趋势面分析的计算步骤、利用所给数据能够建立趋势面分析思路与结果,并能够进行检验。
二、实验内容:运用SPSS和ArcGIS应用软件中的相关的模块与工具,利用表中的数据,进行趋势面分析。
表8 空间单元人口密度数据
空间单元序号 | 人口密度(人/km) | 公里网坐标x(单位:米) | 公里网坐标y(单位:米) |
1 | 2695 | 5260.54 | 2385.21 |
2 | 4445 | 3707.82 | 2340.77 |
3 | 1739 | 1843.69 | 2342.78 |
4 | 4043 | 5032.75 | 2265.98 |
5 | 3342 | 5709.87 | 1978.19 |
6 | 1960 | 4625.16 | 2296.62 |
7 | 2282 | 2656.67 | 2254.06 |
8 | 2064 | 4319.76 | 2291.54 |
9 | 3034 | 3415.9 | 2248.6 |
10 | 3272 | 4092.21 | 2161.05 |
11 | 2383 | 4838.59 | 2259.9 |
12 | 3176 | 5263.07 | 1934.01 |
13 | 2685 | 1578.79 | 2193.84 |
14 | 4002 | 2797.76 | 2166.17 |
15 | 4516 | 1971.07 | 2123.61 |
16 | 2941 | 4578.13 | 1897.78 |
17 | 2532 | 3631.43 | 2140.09 |
18 | 2681 | 4285.84 | 2128.63 |
19 | 1254 | 2445.62 | 2096.58 |
20 | 3055 | 3176.42 | 2146.64 |
21 | 3062 | 4663.75 | 2151.41 |
22 | 2637 | 4023.81 | 1868.53 |
23 | 3952 | 2225.93 | 2040.77 |
24 | 2771 | 4886.63 | 1863.7 |
25 | 2096 | 2951.19 | 2066.23 |
26 | 3224 | 3407.66 | 1797.43 |
27 | 3819 | 1639.67 | 1909.3 |
28 | 2448 | 2078.15 | 1914.68 |
29 | 2594 | 2739.6 | 1961.79 |
30 | 2303 | 1783.46 | 1910.66 |
31 | 9628 | 3018.15 | 1869.9 |
32 | 1742 | 2425.15 | 1828.76 |
33 | 2492 | 1992.52 | 1814.27 |
34 | 2897 | 2566.68 | 1819.99 |
35 | 2544 | 3009.65 | 1548.92 |
36 | 3099 | 2802.02 | 1770.38 |
37 | 3562 | 2132.38 | 1657.93 |
38 | 2689 | 2720.85 | 1685.62 |
39 | 4321 | 5773.06 | 1335.66 |
40 | 3325 | 1823.64 | 1647.76 |
41 | 2103 | 2618.31 | 1646.93 |
42 | 2308 | 2573.41 | 1390.76 |
43 | 2387 | 1636.73 | 1411.35 |
44 | 4129 | 2252.13 | 1463.33 |
45 | 3123 | 2040.32 | 1462.2 |
46 | 4907 | 4018.33 | 1023.25 |
47 | 4215 | 4657 | 1128.29 |
48 | 2535 | 1842.43 | 1428.36 |
49 | 2569 | 2157.29 | 1234.85 |
50 | 281 | 3212.67 | 431.96 |
三、实验步骤与结果分析:
1、数据转矢量,利用ArcGIS进行初步分析。打开ArcGIS软件,通过添加XY坐标的方法,将数据以矢量点的形式添加到图层中显示;利用【Geostatistical Analyst】模块中的【探索数据】分析其趋势。
图9-1添加XY数据
图9-2数据点的空间分布状况
图9-3趋势分析
2、进行趋势面插值分析。利用ArcCatalog工具箱中的【趋势面分析】工具创建趋势面图层,进一步进行分析与检验。
图9-4趋势面法插值分析
图9-5趋势面插值结果图(矢量点标注的数值为人口密度值)
图9-6按照趋势值拉伸后的趋势面
图9-7输出的RMS文件
z = -6071.44977957822+ 1.74062638044462x+ 7.5013654597822y -6.42720200866973e-05x²-0.000583229496829952xy -0.00170290244515184y²
3、利用SPSS进行趋势面回归分析。先算出x²,y²,xy作为变量,进行多元线性回归分析,计算二阶回归方程,同时进行误差诊断与评估。
图9-8导入处理数据
图9-9线性回归参数设置
图9-10模型摘要
图9-11 ANOVA残差统计图
图9-12系数表
图9-13共线性诊断表
图9-14残差统计表
图9-15回归残差直方图
图9-16回归标准化残差的正态P-P图
一、实验目的:掌握马尔可夫分析的定义、内涵,重点掌握马尔可夫分析的计算步骤、利用所给数据能够建立马尔可夫分析思路与结果,并能够进行检验。
二、实验内容:运用Excel应用软件中的相关的功能操作,利用表中的某地区农业收成变化状态转移情况数据,请据此对2030年的农业收成状况进行预测。
表9 某地区农业收成变化状态转移情况表
年份 | 1965 | 1966 | 1967 | 1968 | 1969 | 1970 | 1971 | 1972 | 1973 | 1974 |
序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
状态 | E1 | E1 | E2 | E3 | E2 | E1 | E3 | E2 | E1 | E2 |
年份 | 1975 | 1976 | 1977 | 1978 | 1979 | 1980 | 1981 | 1982 | 1983 | 1984 |
序号 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
状态 | E3 | E1 | E2 | E3 | E1 | E2 | E1 | E3 | E3 | E1 |
年份 | 1985 | 1986 | 1987 | 1988 | 1989 | 1990 | 1991 | 1992 | 1993 | 1994 |
序号 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
状态 | E3 | E3 | E2 | E1 | E1 | E3 | E2 | E2 | E1 | E2 |
年份 | 1995 | 1996 | 1997 | 1998 | 1999 | 2000 | 2001 | 2002 | 2003 | 2004 |
序号 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 |
状态 | E1 | E3 | E2 | E1 | E1 | E2 | E2 | E3 | E1 | E2 |
三、实验步骤与结果分析:
1、数据预处理。将所给的原始数据进行处理,统计三种状态的变化情况的数量,并计算出状态转移概率矩阵,并将其录入到Excel表格中。
图10-1状态转移概率矩阵
2、转移概率矩阵的自乘运算。通过选定单元格,利用“MMULT()”函数逐步进行矩阵的自乘运算,直到出现稳定分布为止。
逐步自乘计算的公式为:
图10-2第一步自乘运算结果
图10-3第二步自乘运算结果
图10-4第八步自乘运算结果
图10-5最后的稳定分布(精度为保留四位小数)
3、状态概率行向量的计算(马尔可夫预测法)。由原始数据可知,最新一年(2004年)的收成状态为E2,因此设置2004年的农业收成状态为[0,1,0],将此矩阵与2004年的状态转移概率矩阵相乘,得到下一年份的状态概率,依此计算,可得到2030年的状态概率。
图10-6计算状态概率行向量操作(部分)
图10-7农业收成状态2030年概率预测值
下一篇:交换机基本原理与配置