目標：空間自相關的觀念與計算 全域分析的方法 Point data without attributes Quantrat Analysis 樣方分析 Nearest Neighbor Methods 鄰近分析 Ripley's K-function: K(d) and L(d)

大綱： 認識GISTools這個library的功能 Mapping spatial objects & data attributes (主題地圖) 1. calculate population density 兩種資料形式： 1. Spatial____dataframe 2. data.frame 設置圖形的函數：par()中的參數介紹 mar=c(btm,left,top,right) 圖形邊界設定

Review: Moran's I 利用統計指標的概念量測是否有空間自相關的存在，並利用假設檢定是否顯著 利用自己與鄰居的共變異數，去了解空間自相關的情況 Moran Correlogram X軸：定義的空間範圍 Y軸：空間自相關的程度(moran's I) Simple Linear Regression Model

熱區分析的空間統計方法 For polygon data: Local moran's I index Local Gi* Local Moran's I 顯著性檢定

Issues of Point Pattern Description WHAT 點的中心性和分布趨勢是什麼 WHY 為什麼要繪製--->描述點的分布特性 HOW 如何測量和繪製

分析點之間的散布是隨機、分散抑或是群聚的 Detection of Point Pattern Random: 點出現在任何地方的機率都相同，不受時間或空間影響 Uniform(Dispersion): 點平均分散 Clustered: 很多點聚集在一起

outline: Kernel density estimation (KDE) Dual KDE KDE 計算過程： 在研究區建立均勻網格 設定搜尋半徑(bandwidth, h) 選擇核密度函數(Kernel function)

outline: F(d) function Ripley's K function F(d) function 概念： 隨機點到觀察值距離小於d的個數/觀察點數 也是百分比的概念 如果觀察點本身是clustered，

Outline: Analyizing global patterns Nearest Neighbor Analysis(NNA) R-scale 顯著性檢定 跟理論分布比較 蒙地卡羅顯著性檢定

Step 1. Fishnet: GridTopology() Step 2. Spatial intersection: gIntersection() Step 3. Field calculation: xtabs() Step 4. Data join: left_join() Step 5. Spatial mapping: choropleth()

Spatial intersection Buffering & Merging spatial features Data join Point-in-polygon and area calculations Distance analysis 1. Spatial Intersection Step 1. 利用屬性查詢取得指定資料(Area of Interest) # index index <- us_states$STATE_NAME == "Texas" | us_states$STATE_NAME == "New Mexico" |

What would you like to show? Comparison 比較 Bar chart; Box plot Distribution 分布 Histogram; Boxplot Composition 組成 Pie chart; Stacked bar chart Relationship 關係 Scatter plot(bubble chart); Heat map 直方圖 Histogram 資料分布狀況 散布圖 Scatter plot 兩種變數的關係 泡泡圖 Bubble plot 三種變數的關係