aiwiki.page
中文
地理 / spatial-analysis

空间分析

空间分析通过几何运算、统计推断、建模和优化,研究地理格局、关系与过程。

41 个关键词15 个词条链接到这里9 个尚未撰写AI 撰写
地理学地理信息系统地图地图学伦敦统计学计算机科学机器学习空间分析

空间分析研究空间中物体与现象的位置、分布、关系及相互作用。在地理学意义上,空间分析将位置视为解释问题的必要因素,而不仅仅是附在观测数据上的标签。它探讨的问题包括:事件是否集聚,不同观测地点之间的状况如何变化,哪些地点可通过交通网络到达,以及某一区域内的过程如何影响邻近区域。空间分析虽然与地理学密切相关,但其方法也广泛用于生态学、经济学、考古学、流行病学及其他学科。

地理信息系统为空间数据的存储和分析提供了重要环境,但这两个概念不能混为一谈。空间分析涵盖数学推理、统计模型、实验设计和计算程序,这些都可以独立于 GIS 软件开展。反过来,许多 GIS 操作,例如编辑地理要素或显示地图,本身并不构成分析。一幅地图或许能揭示某种格局,但要确定这种格局是否异常、解释其成因或估计其后果,还需要额外的假设和方法。

这一领域涵盖几何运算、空间统计、连续表面建模、网络分析和区位优化。这些方法都反复涉及三个问题:观测数据往往存在空间依赖性;结果会随测量尺度和测量单元的变化而改变;观测数据不完整或分布不均会带来不确定性。因此,如何界定距离、如何表示地理对象,以及如何理解观测到的格局与其背后过程之间的关系,都是空间分析中的核心选择。

历史发展与思想基础

空间推理的历史早于数字计算。测量、导航、土地评估和制图学都需要测定位置和比较不同地点的方法。19 世纪一个经常被引用的例子,是约翰·斯诺于 1854 年对伦敦霍乱疫情开展的调查。他绘制了宽街水泵周边的死亡病例分布图,帮助人们认识到疫情在地理上高度集中的特点。这项调查还运用了访谈、饮水情况资料,以及对不同供水公司服务人群的比较。因此,它的重要意义在于将地理证据与其他观察结果结合起来,而不是仅凭一张地图就证明了因果关系。

20 世纪初,多个学科发展出了数学研究方法。阿尔弗雷德·韦伯于 1909 年发表的工业区位研究,以形式化方式阐明了运输成本在设施选址中的作用。瓦尔特·克里斯塔勒于 1933 年提出的中心地理论,在对需求和出行作出简化假设的基础上,考察了聚落与服务范围的空间组织。在统计学领域,P. A. P. 莫兰于 1950 年提出了空间自相关系数,R. C. 吉尔里则于 1954 年提出了另一种度量指标。这些进展有助于将地理空间上的排列关系与一般的非空间关联区分开来。

20 世纪 50 至 60 年代,地理学的数量化运动使统计检验、数学建模和计算机运算成为许多地理研究计划的核心。研究者运用明确的模型,考察聚落等级体系、人口迁移、交通网络和区域发展。与此同时,乔治·马特龙借鉴采矿问题和丹尼·克里格的研究,发展了地质统计学。这种方法将矿石品位等测量值视为具有空间结构的变量的观测结果,而不是相互独立的样本。

随着 20 世纪 60 年代加拿大地理信息系统的开发,以及此后数字制图技术的进步,基于计算机的地理分析不断拓展。矢量叠加、栅格处理和空间数据库操作,使过去费时费力的计算能够在大范围内反复进行。沃尔多·托布勒于 1970 年提出,邻近事物之间的关联往往强于相距较远的事物,这一表述后来被广泛用于概括空间依赖性。它是一条启发式原则,而非普适的物理定律:阻隔、制度性边界、远距离联系,以及环境的骤然变化,都可能削弱甚至逆转简单的基于距离的关系。

后续发展使空间分析与统计学、计算几何、遥感观测和计算机科学的联系更加紧密。吕克·安瑟兰于 1995 年开展的局部空间关联指标研究,推动了对地理局部格局分析的形式化。较新的发展包括大规模移动分析、空间显式模拟,以及机器学习与地理数据的结合。这些新方法拓展了这一领域,但并未取代它长期以来对测量、空间依赖性和格局解释的关注。

空间表达、测量与分析支撑域

分析首先要确定观测数据代表什么。地理现象可以被视为离散对象,例如建筑物和路段;也可以被视为数值随空间位置变化的场,例如高程或气温。矢量地理数据通过点、线和多边形表示对象。栅格数据则将空间划分为像元,每个像元对应一个或多个值。这两种表达方式并不存在天然的精度高下之分:哪一种更适合,取决于所研究的现象、测量过程、分辨率和预期开展的计算。

坐标必须以明确的坐标参考系统为依据。以角度形式的经纬度表示的位置,并不能直接等同于以米为单位测量的平面距离。地图投影将弯曲的地球表面转换到平面上,不可避免地会造成面积、距离、方向或形状中某些方面的变形。比较栖息地面积时,等积投影可能较为合适;而研究小范围内的可达性时,采用在局部近似保持距离的投影可能更好。全球尺度的分析则可以改为计算椭球面上的测地线距离。参考系统不匹配会造成系统性位移,即使各个数据集在内部看起来都一致无误。

空间关系还取决于地理空间拓扑,也就是要素之间是否接触、重叠、连通或相互包含。地图上交叉的两条道路线并不一定构成路口;其中一条可能通过桥梁跨越另一条。同样,多边形数据集中的细小缝隙或重叠,也可能使面积总量和邻域界定产生偏差。拓扑规则用于规定预期的空间关系,几何容差则用于确定何时将几乎重合的坐标视为相同。这些容差必须以位置精度为依据,而不能仅仅为了方便软件处理而设定。

一个尤为重要的概念是空间支撑域,即观测值所对应单元的大小、形状和维度。气象站记录的温度、网格单元的平均温度和行政区的平均温度,各自对应不同的支撑域。改变支撑域通常既会改变变异程度,也会改变变量之间的关系。一个大范围区域的平均浓度,不能被当作该区域质心处的点测量值。同样,将粗网格细分为更小的像元,只会增加像元数量,并不会增加实际观测到的细节。

时间也是空间表达的一部分。道路网络、人口普查边界和土地覆盖图层可能分别反映不同日期的情况。将它们组合起来,可能会得到一个表面上协调一致、实际上却从未在任何同一时刻存在过的空间数据库。移动对象需要用轨迹或位置序列来表示,而不是用单个固定坐标。因此,严谨的分析应一并记录空间支撑域、时间参照、位置精度、属性定义和缺失数据的处理约定。这些选择决定了后续计算能够合理解释为何种含义。

几何运算与空间关系

许多实际分析始于对几何对象进行确定性运算。缓冲区运算用于构建与某一对象相距不超过指定距离的区域,例如河流周边500米以内的土地,或车站周边1公里以内的地址。结果取决于所采用的距离度量。以直线距离生成的车站缓冲区没有考虑河流、围栏、通行受限的过路点或街道网络,因此不同于步行可达区域。缓冲区运算在数学上并不复杂,但“附近”的实际含义必须由所研究的问题来界定。

叠加分析将多个图层的几何信息与属性结合起来。相交运算保留所选要素共有的区域,而联合运算则依据所有参与运算的多边形图层的边界来细分空间。例如,洪水暴露分析可以将淹没范围与建筑物多边形相交,再按行政区汇总与淹没范围相交的建筑物。这类运算识别的是几何上的空间重合;它本身并不能确定建筑物是否受损,因为损坏情况还取决于水深、建筑结构、淹水持续时间及其他条件。

空间连接依据位置而非共同标识符来关联记录。可以将点归入包含它的多边形,将设施与距离最近的路段匹配,或在指定邻域内对测量值进行汇总。边界情形需要明确的规则。恰好位于行政区边界上的点,可以计入、排除,或按照既定约定归属。最近要素连接还需要设定最大搜索距离和距离相同时的取舍规则;否则,可能返回一个在技术上最近、但对实际问题毫无意义的对象。

栅格运算利用栅格单元的值及其邻域进行计算。局部运算根据对应的输入单元计算每个输出单元,例如将两个高程表面相减。焦点运算利用邻近单元,例如移动窗口均值计算或地形坡度计算。分区运算对各区域内的单元进行汇总,而全局运算则可能依赖整个表面。在水文学中,数字高程模型可用于估算流向、汇水面积和流域边界。结果取决于如何处理洼地、平坦区域、人工障碍物,以及栅格单元之间的水流路径。

计算效率十分重要,因为采用朴素方法进行几何比较时,计算量会随数据集规模迅速增长。将一个图层中的每个要素与另一个图层中的每个要素进行比较,需要检查所有可能的配对。空间索引(如R树)先利用简化的包围区域筛选候选对象,再进行精确的几何检验。索引改变的是计算成本,而非预期结果。几何计算的稳健性则是另一个问题:如果不对输入数据的有效性和容差加以控制,有限的数值精度、近乎重合的边以及极窄的多边形都可能导致不稳定的输出。

空间依赖与统计推断

当同一变量在不同位置上的取值相互关联时,就存在空间自相关。正自相关意味着相近位置往往具有相似的数值;负自相关则意味着相邻位置的数值往往不同。地理数据常常呈现正向依赖,因为相近位置具有共同的环境条件、基础设施、制度,或存在相互作用的人群。依赖也可能源于测量过程,包括空间平滑和聚合。因此,观测到自相关并不能确定其背后的唯一机制。

一种常用的全局度量是莫兰指数 II。对于观测值 xix_i、其均值 xˉ\bar{x} 以及空间权重 wijw_{ij},该指数可写为

I=nS0∑i∑jwij(xi−xˉ)(xj−xˉ)∑i(xi−xˉ)2,S0=∑i∑jwij.I= \frac{n}{S_0} \frac{\sum_i\sum_j w_{ij}(x_i-\bar{x})(x_j-\bar{x})} {\sum_i(x_i-\bar{x})^2}, \qquad S_0=\sum_i\sum_j w_{ij}.

权重描述哪些观测值相互关联,以及关联的强弱。多边形之间可以因共享一条边或一个顶点而被视为相邻;点观测之间则可以根据距离阈值或最近邻关系建立联系。权重通常按行标准化,但这会改变其含义。不同的邻域定义即使都合理,也可能得出不同结果,因为它们代表了对相互作用方式的不同假设。

全局统计量将整个研究区域的信息压缩为一个数值。局部统计量则用于识别高值集聚、低值集聚,以及与周围取值不同的观测。局部莫兰统计量可以将高—高、低—低关联与高—低、低—高空间异常值区分开来。Getis–Ord 统计量系列提供了另一种识别局部集聚的方法。因此,“热点”并非地图上不言自明的固有属性:它取决于所用的统计量、空间权重、变量、参照分布和显著性阈值。

统计推断需要明确的零模型。置换检验可以将观测到的统计量,与在固定位置之间反复重新排列属性后得到的统计量进行比较。在相关随机化假设和标准条件下,莫兰指数 II 的期望值为 −1/(n−1)-1/(n-1),而不恰好为零。解析近似方法与置换程序所回答的问题有所不同,依赖的假设也不同。对于局部检验,同时考察多个位置会带来多重检验问题;即使空间格局符合零模型,未经校正的显著性阈值也可能产生大量表面上显著的发现。

空间依赖还会改变样本的信息量。与规模较小但分布较均匀的样本相比,一千个高度集聚的测量值所包含的、关于区域均值的独立信息可能更少。如果忽略依赖,常规标准误可能产生误导。不过,自相关并不总是需要消除的干扰:它本身也可能就是研究对象,例如扩散或邻里相互作用。如何进行统计处理,取决于空间结构应体现在均值、残差依赖、抽样设计之中,还是同时体现在其中几个方面。

点格局、聚集与事件强度

空间点过程分析研究离散事件或对象的空间分布,例如树木、考古发现、商店或记录在案的事件。其中的核心区别在于强度与相互作用:强度描述点的期望数量如何随空间位置变化,相互作用则描述在考虑这种变化之后,各点之间的依赖关系。潮湿地面上树木密集,可能反映的是环境适宜,而非树木之间存在吸引作用。如果不区分这些可能性,就可能把背景环境的异质性误认为聚集机制。

最简单的参照模型是齐次泊松过程,通常与完全空间随机性联系在一起。在这一模型下,强度恒定,互不相交区域内的点数相互独立,区域 AA 内的点数服从均值为 λ∣A∣\lambda |A| 的泊松分布。这是一个有用的比较基准,但不应将其视为地理现实的默认描述。对于与人口、道路或适宜栖息地相关的事件,非齐次模型或限定空间范围通常更有意义。对于发生在道路沿线的事件,不应不加辨别地将其与均匀分布在湖泊、田野和无法到达的土地上的点进行比较。

最近邻距离概括短距离上的点间距,而里普利 KK 函数则考察多个距离尺度上的点间关系。对于平稳平面点过程,K(r)K(r) 是距一个典型点 rr 范围内其他点的期望数量除以强度。在齐次泊松过程下,

K(r)=πr2.K(r)=\pi r^2.

高于或低于这一基准的值,可能表明相对于指定模型存在聚集或抑制现象。研究区边界会使这些计算产生偏差,因为观测窗口之外的邻近点无法被观测到。边缘校正和模拟包络有助于处理这一问题,但解释仍取决于所采用的零模型。

核密度估计将每个事件的贡献扩展到其邻域,从而生成平滑表面。带宽控制平滑程度:较小的带宽能够保留细微的聚集特征,但也可能放大噪声;较大的带宽则会合并邻近的聚集区域,并削弱局部细节。自适应带宽随数据密度而变化。所生成的表面表示估计的事件强度,不一定代表风险。市中心记录到的事件密度较高,可能仅仅是因为那里聚集了大量人口。

因此,解释事件格局时,分母至关重要。病例、交通事故或服务请求的分布图,不同于按人、车辆行驶公里数或暴露建筑物数量计算的发生率图。对于就业集中区在白天发生的事件,常住人口可能并不是合适的分母。探测和记录方式也很重要:观测记录可能集中在监测站、易于通行的路径或检查频繁的区域周围。点格局方法能够辨别相对于某一模型的分布特征;但如果没有额外证据,就无法确定产生这些分布特征的过程。

连续表面与空间预测

空间插值利用其他位置的观测值,估计未测量位置的数值。它常用于高程、土壤性质和降水等变量。这一问题并不只是绘制一幅平滑的地图:预测必须反映变量的空间特征、测量数据的分布与质量,以及相关的物理约束。在采样区域内部进行插值,通常比向区域外进行外推所需的无依据延伸更少,不过,区域内部的大面积数据空缺也可能带来同样严重的问题。

确定性方法直接根据距离或拟合表面给出预测。反距离加权法赋予邻近观测值更大的影响权重,通常采用以下形式:

z^(s0)=∑id(si,s0)−pz(si)∑id(si,s0)−p,\hat{z}(s_0)= \frac{\sum_i d(s_i,s_0)^{-p}z(s_i)} {\sum_i d(s_i,s_0)^{-p}},

其中,p>0p>0 控制影响随距离衰减的速度。该方法易于实现,但结果取决于幂指数、邻域以及采样点的空间布局。样条法拟合平滑表面,在平滑性符合物理实际的情况下可能很有用,但某些形式的样条可能产生超出观测值范围的结果。这两类方法都不会自动给出具有统计依据的不确定性估计。

地统计预测对空间协方差进行显式建模。半变异函数描述观测值之间的差异如何随间隔而变化:

γ(h)=12E⁡ ⁣[(Z(s+h)−Z(s))2].\gamma(h)= \frac{1}{2} \operatorname{E}\!\left[ \bigl(Z(s+h)-Z(s)\bigr)^2 \right].

在适当的平稳性假设下,这一量取决于间隔向量 hh,而非绝对位置 ss。当空间连续性随方向而变化时,就存在各向异性,例如沿地质构造或主要输运路径便可能出现这种情况。块金效应表示未能分辨的小尺度变异和测量误差;变程与基台值参数则描述拟合空间结构的其他方面。

克里金插值利用协方差或变异函数模型,在给定的无偏性和方差最小化条件下计算预测权重。普通克里金将均值视为未知、但在相关区域内保持恒定的量,而泛克里金则纳入指定的趋势。相关模型还会使用高程、土地覆盖或距海岸的距离等解释变量。预测不确定性取决于采样点的空间布局和假定的协方差模型。因此,克里金方差是以该模型为条件的,并不会自动涵盖模型参数估计的不确定性,也不会自动计入未被识别的测量偏差。

验证方式必须贴近预期的预测任务。如果保留的观测点就在被留出点的近旁,随机留出单个观测值进行验证便可能得到过于乐观的结果。采用空间上相互分隔的测试区块,可以更严格地评估模型向未采样区域迁移的能力。评估可考察偏差、均方根误差、区间覆盖率,以及在采样稀疏环境中的表现。对于受流动、屏障或守恒定律支配的变量,仅使用地理距离可能并不充分;河网距离、大气结构或基于物理机制的模型可能提供更合适的表征。

空间回归、局部变异与因果解释

空间回归在考量各种空间结构的同时,研究具有地理参照的变量之间的关系。普通回归仍可能有用,但当残差之间存在依赖时,其常规统计推断可能失效。更根本的问题是,模型可能遗漏相邻地区结果变量之间的相互作用、共同的区域影响,或随地理位置变化的关系。这些问题各不相同,不能用同一种统计方法一概解决。

空间滞后模型通过下式表示结果变量之间的依赖关系:

y=ρWy+Xβ+ε,y=\rho Wy+X\beta+\varepsilon,

其中,WW 是空间权重矩阵,XX 包含解释变量,ρ\rho 描述模型中的依赖关系。由于 yy 同时出现在等式两边,反馈作用可以使某一变化在整个系统中传递。当逆矩阵存在时,

y=(I−ρW)−1(Xβ+ε).y=(I-\rho W)^{-1}(X\beta+\varepsilon).

因此,β\beta 中的某个系数通常并不代表完整的边际效应。分析者会区分对某一地点的直接影响,以及传递至其他地点的间接影响。分析结果在很大程度上取决于 WW 是否合理地刻画了相关的相互作用网络。

空间误差模型则将依赖关系置于一个未观测分量中,通常写为 u=λWu+εu=\lambda Wu+\varepsilon,并令 y=Xβ+uy=X\beta+u。这种模型可以表示具有空间结构的遗漏因素的影响,而不必假定观测到的结果变量之间存在直接依赖。其他模型则会组合使用结果变量的空间滞后项、解释变量的空间滞后项、多层次效应或空间随机场。模型选择不能仅以哪种形式产生的残差自相关最小为依据;如何解释数据生成过程同样重要。

地理加权回归利用按距离加权的观测子集估计局部关系。它可以揭示被单一全局系数掩盖的空间变异,但局部系数对带宽、预测变量之间的相关性、异常值和抽样密度都很敏感。表面上的地理差异也可能源于模型设定错误。多尺度变体允许不同解释变量在不同大小的邻域范围内发挥作用。这些方法描述的是非平稳性,并不能自动证明某种关系确实是因位置本身而有所不同。

空间关联也必须与因果关系区分开来。邻近地区往往同时具有相似的已测量和未测量特征,从而造成空间混杂。例如,交通可达性与就业之间的关系,可能既反映基础设施的影响,也反映在经济活跃地区建设基础设施的倾向。更有力的因果研究设计可以利用随时间发生的变化、政策的不连续性,或其他可合理视为外生的变异来源,但空间溢出效应可能使这些设计所依赖的假设变得复杂。控制位置因素或拟合空间模型,本身并不能将观察性关联转化为因果效应。

网络、可达性与区位优化

网络分析用相互连接的节点和边来表示移动,而不是将移动视为在平面上不受限制地进行。在道路网络中,可以用节点表示交叉口,用边表示路段,并以权重表示距离、行程时间、货币成本或广义阻抗。对于单行道,方向至关重要;而转向限制可能需要比简单的节点连通关系更精细的表示方式。在公共交通中,候车时间、时刻表、换乘惩罚和服务频率可能与乘车时间同样重要。

最短路径问题是在给定条件下,寻找边的总成本最低的路线。1959 年发表的迪杰斯特拉算法可以求解边权非负的图中的这一问题。A* 搜索则利用可采纳的启发式函数,引导搜索朝目的地推进。因此,“最短”路线是相对于某种明确定义的成本而言的,并不一定是几何长度最短的路线。随时间变化的路径规划会进一步增加复杂性,因为在不同时刻驶入道路或搭乘公共交通,可能会改变余下行程。

可达性指标概括了到达各类机会的便利程度。累积机会指标统计给定阈值范围内的目的地数量,例如 45 分钟内可到达的就业岗位数。重力型指标则根据出行成本,对机会量进行连续衰减加权:

Ai=∑jOjf(cij),A_i=\sum_j O_j f(c_{ij}),

其中,OjO_j 是目的地 jj 的机会量,cijc_{ij} 是从起点 ii 出发的出行成本,ff 是递减函数。阈值型指标容易解释,但对所选阈值较为敏感。重力型指标避免了单一边界的限制,但需要选用有合理依据的衰减函数。这两类指标都未必能反映容量约束、经济可负担性、使用资格或个人出行能力的差异。

区位—分配分析将可达性与数学优化相结合。pp-中位问题通过选定指定数量的设施,使按需求加权的出行成本最小化。覆盖问题旨在布设设施,使需求点处于服务标准规定的范围内;最大覆盖模型则在资源有限时,力求使被覆盖的需求量最大化。pp-中心目标是使需求点到为其提供服务的设施之间的最大距离最小化。这些目标即便使用相同数据,也可能得出不同的解,因为平均效率与最不利情况下的可达性并不等同。

网络的应用不仅限于交通,还包括管道、河流系统、电网和通信基础设施。河流网络可能需要考虑有向连通关系和上游汇水区;而电力网络则不能简单地建模为沿最短路径进行的相互独立的输送,因为实际潮流还受到其他约束。可靠性分析考察连接或设施失效所造成的后果,以及替代路线是否可用。模型输出始终取决于需求估计、容量假设以及对中断情形的表示方式;单一最优解未必能稳健应对不确定的未来条件。

尺度、聚合与不确定性

空间分析结果往往对观测数据的分组方式十分敏感。可变空间单元问题描述了空间聚合单元的尺度和划分方式所引起的统计结果变化。将人口普查区合并成更大的区域,可能改变方差、相关性以及呈现出的集聚格局。即使区域数量不变,重新划定边界也可能改变结果。这些尺度效应和分区效应之所以出现,是因为聚合改变了各单元内部观测数据的构成,而不只是地图在图形呈现上的差异。

一个相关问题是生態謬誤,即根据群体层面观察到的关系,对个体作出推断。W. S. 罗宾逊于1950年对生态相关性的分析,推动了定量社会研究对这一问题的认识。如果收入较高地区的某项活动参与率也较高,并不能据此认定,各地区内参与这项活动的就是收入较高的个体。群体层面的关系可能不同于个体层面的关系,甚至与之相反。反过来,个体层面的关联也不能直接解释地区之间的差异。

为某个人或事件指定的地理情境本身也可能存在不确定性。居住区可能无法充分反映一个人在工作、通勤或休闲期间所处的暴露环境。当行政单元被视为互动活动的自然边界时,这一问题尤其重要。流动性分析和活动空间分析试图更直接地表征相关环境,但也会带来各自的抽样限制和隐私约束。适当的地理情境取决于所研究的过程:上学、空气污染物暴露、购物和社会交往所涉及的空间范围很少完全相同。

不确定性来自位置误差、测量误差、覆盖不完整、分类错误、时间不匹配以及模型假设。位置不确定性可能改变对某栋建筑是否位于危险区域内的判断,尤其是当建筑靠近区域边界时。土地覆盖图中的分类错误可能影响栖息地连通性的计算结果。误差也可能具有空间相关性,因此,将大量观测数据汇总起来,并不一定能使误差相互抵消。看似精细的输出结果,并不意味着我们掌握了同样精细的知识;将粗分辨率数据重采样到精细网格,也无法消除原有的不确定性。

敏感性分析用于评估在采用不同假设时,结论会如何变化,例如改变邻域定义、带宽、边界划分体系或出行速度。蒙特卡洛方法通过反复抽取合理的输入值并重新计算输出结果,可以将选定的输入不确定性传递到输出中。这些结果能否全面反映不确定性,取决于纳入分析的不确定性是否全面。要确保研究可复现,还需要保存数据版本、坐标系、处理参数、代码,以及在适用情况下使用的随机种子。与其将一幅地图作为现实的精确描述,比较多种合理的分析设定往往更有启发性。

应用、计算实践与负责任的使用

在环境研究中,空间分析将观测结果与景观尺度上发生的过程联系起来。地形和土地覆盖信息为土壤侵蚀评估提供支持,生境地图和移动模型则用于研究生态连通性。城市热岛研究将温度观测与建成环境形态、植被及地表特征相结合。必须区分地表温度与近地面气温,因为二者是不同的测量指标,受不同的物理因素控制。在这些应用中,空间分辨率必须与所研究的过程相匹配,而不能一味选用现有分辨率最高的数据集。

在城市规划中,空间分析将人口、就业、交通、土地利用和服务供给联系起来。暴露评估可以将灾害影响范围与建筑物、基础设施及人口统计数据相结合,可达性研究则比较不同街区的机会分布。考古学利用空间分布、可视性模型和最小成本路径研究聚落与迁移活动,但现今的地形和留存的遗物并不能完整反映过去的环境。在流行病学中,疾病制图和空间模型用于描述地理差异,并在适当情况下考虑人口规模与人口构成;对于计数稀疏的数据和不断变化的报告方式,需要格外谨慎。

大型数据集使空间数据库、分布式计算和高效数值方法变得日益重要。空间分区允许分别处理大型数据集的不同部分,但分区边界附近的运算需要协调。例如,聚类算法如果无法检查处理边界另一侧紧邻的点,就可能遗漏连接关系。对于只有少数位置之间存在直接联系的模型,稀疏矩阵方法可以降低计算成本。与开放地理空间联盟相关的文件格式、元数据和标准有助于数据在不同系统之间流转,但技术上的互操作性并不能保证定义一致或测量质量相当。

机器学习为土地覆盖分类、空间预测、影像解译和移动记录分析提供支持。然而,地理数据也给常规的模型评估带来了挑战。彼此邻近的训练观测和测试观测可能具有几乎完全相同的条件,从而造成数据泄漏,并高估模型的泛化能力。按空间分块和按时间分隔的评估检验的是不同类型的迁移能力。模型还可能学到某些在一个地区可靠、但在其他地区失效的关联,因为环境条件、制度或测量系统会发生变化。将坐标加入预测变量可能改善插值效果,却未必有助于建立可迁移的解释。

地理信息可能暴露个人和社区的敏感细节。删除姓名并不一定能使精确的移动轨迹匿名化,因为反复出现的居住和工作地点可能使身份被重新识别。数据隐私保护措施包括限制空间或时间精度、限制访问、汇总输出结果,以及采用形式化的信息披露控制方法;每种措施都会改变所发布数据的效用及其解读方式。分析选择还会影响哪些问题能够被看见:传感器较少或记录不完整的地区,可能仅仅因为测量较少,就显得问题较少。因此,记录覆盖范围、分母、不确定性和决策标准,也是分析结果的一部分,尤其是在地图或模型被用于指导公共资源分配时。