什么是空间分析其方法有哪些

什么是空间分析？其方法有哪些？

空间分析和统计领域从诞生开始（准确说，计量革命开始）到20世纪90年代，50年来的研究成果主要是发展了一组适应于空间分析的核心统计方法，其中多数是描述性和（或者）探索性的。关键这里面很多方法都未必需要强大的统计理论基础来支持，而且还发现了很多经典统计学中对于空间分析上的不满足性。

到1993年的时候，还在爱荷华州立大学教书的Noel Cressie教授就基于空间数据模型提出了空间统计的分类标准

他于2012年，被澳大利亚University of Wollongong 的澳大利亚国立应用统计研究所（NIASRA）特聘为教授，并且出任环境研究中心主任。他写的那本《Statistics for SpatialData》一书，一直是空间统计领域的权威教材

他在书中，把空间数据分析模型确定为以下三个主题：

1、点模式分析——与数据位置的特点视角相关的分析。

2、格网或区域分析——与空间的区域模型相关，尤其是区域在增强平面上的集合。

3、地统计学建模——英语与支撑数据的连续场视角。

后来，到了2002年，ASU(美国亚利桑那州立大学)的地理与规划学院院长，也就是当今顶级的空间分析与统计专家Luc Anselin教授，发展了Cressie的基本分类方法，总结了空间数据建模中，对象和场区分的各自内涵。

下面就是对象和场的区分要点：

以上研究，表明这两种主要的数据模型不仅有非常明显的差异，而且建模方法和意义也不同。另外Anselin教授还强调了场数据在内插与加密方面的重点，以及矢量结构的外推和领域扩展（时空预测模型）。当然，不同分组之间的区别也不总是明显的，在某一领域的应用模型通常可以应用于其他领域。例如：格网可以同时代表数据的一个场、一个网格或者一个聚集的点集。

探索性空间数据分析（SEDA）是对实验样本不做假设的统计分析方法，不做假设就是同经典统计方法有区别的不假设样本的分布类型，让样本数据自己说话，实现对数据的分析。一些基本的方法有箱形图，折线图，离散点分布图等等。说白了就是看图说话。。