【摘要】：由于空间尺度对空间自相关分析非常重要［5］，因此实验设置如下：首先，使用欧氏距离来计算每个风险单元与其相邻的风险单元间的距离；此外，为了保证分析尺度的一致性，指定“固定距离模式”用以概念化风险特征之间的空间关系。基于以上设置，我们进行了如下测试实验配置。
由于空间尺度对空间自相关分析非常重要［5］，因此实验设置如下：首先，使用欧氏距离（即两点的直线距离）来计算每个风险单元与其相邻的风险单元间的距离；此外，为了保证分析尺度的一致性，指定“固定距离模式”（fixed distance bands mode）用以概念化风险特征之间的空间关系。“固定距离模式”可以想象为一个“移动窗口”（moving window），它瞬时停留在每个风险单元的顶部，并基于邻域的风险单元来审视其风险状况，这种模式对于点格式数据是非常有效的［5］。在此状况下，处于指定临界距离内的邻域风险单元被赋予权重值1，并将对目标风险单元的（指标值）计算产生影响；处于指定临界距离之外的邻域风险单元将被赋予权重值0，它们不会对目标风险单元的（指标值）计算产生任何影响，在分析目标风险单元时它们将被忽略。
基于以上设置，我们进行了如下测试实验配置。首先，使用默认距离值（87 m）作为临界距离值，用于GMI指标的计算并验证其有效性，此默认距离能够确保每个风险单元至少有一个邻域。然而，如4.2.3节所述，此默认距离值（87 m）通常不是最适于分析的距离值，这是因为返回的z-score数值所决定的聚集强度总是随着距离的增加而变化的。于是，我们设置了20次独立的全局空间自相关分析实验，每次分析实验运行时设置的临界距离值都在上一次运行的基础上增加500 m，各次运行得到的z-score被用于绘制折线图以对比确定出最适合的临界距离值。最后，我们将获得的最适合的临界距离值作为LMI算法的距离阈值参数，用于随后的局部风险聚类和异常值分析，详见5.3.4节。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
