تحلیل اکتشافی داده های فضایی

تحلیل اکتشافی داده های فضایی (ESDA) ، بسط تحلیل داده های اکتشافی بر داده های فضایی است. اهداف ESDA بیشتر توصیفی است تا اثباتی و به دنبال کشف و شناسایی الگوهای فضایی است. براساس کشف الگوها ممکن است فرضیه های مختلف شکل گیرد و فرمول بندی شود.

این اهداف ، علاوه بر اهداف عمومی تحلیل اکتشافی داده است که شامل شناسایی الگوهای غیرمعمول یا مورد علاقه در داده هاست و براساس این اهداف، می توان ویژگی های تصادفی در داده ها را تشخیص داد.

تکنیک های ESDA ، شامل تحلیل های بصری و تحلیل های مقاوم است. تکنیک های مقاوم، آنهایی هستند که نتایجشان چندان از مقادیر گمراه کننده یا تعداد کم غیرمعمول تاثیر نمی پذیرد. تکنیک های بصری ، شامل ابزارهای گرافیکی و ترسیمی مانند نمودار، شکل و در ESDA شامل نقشه می شوند.

ESDAشامل EDA به همراه داده های فضایی است که داده های فضایی اطلاعات توصیفی و هویت های مکانی را در خود دارد. این الگوها در یک سطح - بدون توجه به جایی که روی نقشه دارند - بررسی می شوند. کیفیت نهایی تکنیک ESDA ، معمولاً نزدیک به داده های اولیه یا تبدیل سادۀ داده های اولیه است.

نمایش ترسیمی و بصری ، نقش مهمی در تحلیل اکتشافی داده های فضایی بازی می کند. دسترسی به نقشه ها، به تحلیل گر امکان می دهد تا به این سؤال پاسخ دهد که موارد مورد مطالعه، روی کدام بخش از نقشه قرار گرفته اند و مقادیر توصیفی این بخش از نقشه، در خلاصه های داده در کجا قرار می گیرند.

ابزارهای بصری، معمولاً برای تخلیل، ساده ترند و امکان استفاده از آنها برای طیف وسیعی از محققان وجود دارد تا در فرآیند کشف دیدگاه های موجود در داده مشارکت داشته باشند.

وایز و دیگران، چارچوبی مفهومی را برای نمایش علمی در ESDA ارائه کرده اند. این چارچوب شامل مدل نظری برای ESDA  و مدل مفهومی برای ارزیابی بصری است. مدل نظری برای ESDA ، روی مدل نظری برای EDA به صورت زیر ترسیم می شود:

داده = هموار + خام

عناصر خام و هموار مدل، به مجموعه ای از مقادیر توصیفی در پایگاه داده اشاره دارند. در این مورد، ویژگی هموار غیرفضایی شامل روند مرکز توزیع (اندازه گیری با میانه) و پراکنش (اندازه گیری شده با مجموعه ای از چارک ها) می شود؛ در عین حال که ارائۀ عمومی داده با کمک باکس پلات اخذ می شود.

ویژگی های غیرفضایی خام، مواردی است که در آنها فاصلۀ خاص از عنصر هموار میانه مدنظر باشد. داده های پرت، حالتی است که سطح بالای خام بودن به کمک فاصله از چارک بالایی یا پایینی به دست می آید.

با اضافه شدن مرجع مکانی به هر مورد، خام و هموار بودن در ارتباط با جایی که موارد روی نقشه یافت می شوند، تعریف می شود. همواری ویژگی های فضایی، شامل روند فضایی و خودهمبستگی فضایی است که خصوصیت فضایی عمومی یا کل نقشه هستند.

منظور این مدل مفهومی، تعیین آن چیزی است که تحلیلگر ممکن است در مجموعۀ داده به دنبال آن باشد. وایز و دیگران، مدل مفهومی کلوند را برای ارزیابی ابزارهای بصری به کار می برند. به عقیدۀ کلوند، در اینجا دو کار اصلی، مربوط به خواندن نمودارهای آماری می شود که خود مستلزم انجام سه کار دیگر است.