¿Implementando Autocorrelación espacial usando QGIS o PostgreSQL o cualquier otra aplicación gratuita?

Aprender haciendo es mi forma preferida. Y cuando se trata de estadísticas espaciales, R se está convirtiendo en una herramienta muy poderosa. Entonces, si esta es una opción, navegue a través de algunos materiales del curso, descargue los datos y pruébelo usted mismo.

Pocos puntos de partida que cubren la autocorrelación espacial (SA) (y, en términos generales, manejan cosas espaciales en R):

1. El Centro de Estudios en Demografía y Ecología (CSDE) en la Universidad de Washington proporciona materiales del taller Spatial R .

2. Instituto de Ciencias Sociales Cuantitativas en la Universidad de Harvard tiene materiales del < fuerte> Taller de estadísticas espaciales aplicadas en R que cubre SA.

3. Departamento de Geografía de la Universidad de Colorado ofrece materiales en SA como parte de su curso Introducción a los métodos cuantitativos .

Una vez que se haya familiarizado con R, puede combinarlo con PostgreSQL utilizando PL / R - R Lenguaje de procedimiento para PostgreSQL , pero no puedo hacer comentarios al respecto ya que no estoy bien informado sobre el tema.

Python podría ser otra alternativa. PySAL es una biblioteca bien desarrollada y bien documentada que le permitirá implementar toda la funcionalidad de GeoDa, incluyendo SA (y muy probablemente, incluso más). Python y Postgres suelen ser buenos amigos, por lo que invertir un tiempo lo más probable es que puedas casarte con esos dos también.

No tengo idea de cómo realizar su idea de QGIS / PostgreSQL, pero el siguiente software puede calcular medidas para la autocorrelación

• GeoDa enlace
• Pasaje 2 enlace
• SAM (Análisis espacial en macroecología) enlace
• PASADO enlace
• SAGA GIS enlace

GeoDa solo puede manejar vector, Passage2 y SAGA solo ráster, PASADO solo XYZ.txt y SAM (creo) ambos.

Art Lembo tiene un ejemplo simple de I for PostGIS de un pseudo-Moran :

SELECT corr(a.pctwhite, b.pctwhite)
FROM cleveland AS a, cleveland AS b
WHERE st_touches(a.geometry, b.geometry)
AND a."OID" <> b."OID"

La clave aquí es que, como él lo expresa. . .

  

[El I de Moran] no es realmente nada más que el coeficiente de correlación de Pearsons en un contexto espacial

. . . lo que significa que una prueba de contigüidad básica puede producir una matriz y una evaluación creíbles. He probado esto con mis propios datos y descubrí que produce resultados realmente similares a otras implementaciones I de Moran.

Le pido disculpas por la doble respuesta aquí, pero desde la publicación de mi primera sugerencia encontré un conjunto de herramientas más completo para hacer todo tipo de análisis como este (incluyendo el I de Moran global y local):

Crankshaft , un módulo de Python / PostGIS de Carto.

Lo he estado usando para análisis de producción similares a su caso de uso desde hace unos meses y funciona perfectamente. Parece que CDB_AreasOfInterestGlobal() es la función que querrías usar.