第1章 引言
1.1 空间数据
1.2 空间数据特性
1.2.1 空间自相关
1.2.2 可变面元问题
1.2.3 空间异质性
1.2.4 边界效应
1.3 空间统计四要素
1.3.1 距离
1.3.2 邻接
1.3.3 邻域
1.3.4 空间相互作用
1.4 空间统计学的发展历史
1.5 空间统计学与经典统计学
第2章 数据及数据预处理
2.1 数据类型
2.1.1 定性数据与定量数据
2.1.2 连续型数据与离散型数据
2.1.3 个体数据与聚合数据
2.1.4 一手数据与二手数据
2.1.5 结构化数据与非结构化数据
2.1.6 显式空间数据与隐式空间数据
2.2 属性类型
2.3 数据来源
2.3.1 自主采集
2.3.2 爬虫爬取
2.3.3 公开数据
2.4 数据质量
2.5 数据预处理
2.5.1 数据清洗
2.5.2 数据集成
2.5.3 数据归约
2.5.4 数据转换
第3章 数据可视化
3.1 属性数据可视化
3.1.1 饼状图
3.1.2 柱状图
3.1.3 条形图
3.1.4 折线图
3.1.5 直方图
3.1.6 箱线图
3.1.7 小提琴图
3.1.8 散点图
3.1.9 平行坐标图
3.1.10 雷达图
3.1.11 词云图
3.2 空间数据的地图可视化
3.2.1 等值区域图
3.2.2 等值区域图-直方图
3.2.3 等值区域图箱线图
3.2.4 热力图
3.2.5 动画地图
第4章 描述性统计
4.1 集中趋势指标
4.1.1 众数
4.1.2 中位数
4.1.3 平均值
4.1.4 平均中心
4.1.5 加权平均中心
4.2 离散趋势指标
4.2.1 极差和百分位数
4.2.2 方差和标准差
4.2.3 变异系数
4.2.4 标准距离与标准差圆
4.2.5 标准差椭圆
4.3 分布形态特征
4.3.1 概率
4.3.2 随机变量和概率分布
4.3.3 离散随机变量及分布
4.3.4 连续随机变量及分布
第5章 推断统计基础
5.1 总体、样本和抽样
5.2 抽样方法
5.3 抽样分布
5.3.1 样本平均值的抽样分布
5.3.2 中央极限定理
5.4 参数估计
5.4.1 点估计
5.4.2 区间估计
5.5 假设检验
5.6 蒙特卡罗模拟
第6章 点模式分析
6.1 概述
6.2 完全空间随机过程
6.3 样方分析
6.3.1 方差均值比
6.3.2 卡方拟合优度检验
6.3.3 K-S检验
6.3.4 蒙特卡罗检验
6.4 最近邻分析
6.4.1 概述
6.4.2 最近邻分析原理
6.4.3 最近邻指数显著性检验
6.5 F函数、G函数和Ripley's K函数
6.6 核密度分析
6.7 层次聚类分析
6.8 K均值聚类分析
第7章 空间自相关
7.1 概述
7.2 空间自相关的理解
7.3 空间权重矩阵
7.3.1 邻域的定义
7.3.2 空间权重矩阵行标准化
7.4 全局空间自相关分析
7.4.1 连接数统计量
7.4.2 Moran's I指数
7.4.3 Geary's C指数
7.4.4 广义G统计量
7.5 局部空间自相关统计量
7.5.1 Moran's I散点图
7.5.2 局部Moran's I
7.5.3 局部G统计量
第8章 空间回归分析
8.1 概述
8.2 普通线性回归
8.3 空间回归分析流程
8.4 空间滞后回归模型
8.5 空间误差回归模型
8.6 空间滤波回归模型
8.7 地理加权回归模型
8.8 回归模型评估与诊断框架
8.8.1 回归模型解释力测度体系
8.8.2 回归模型可靠性验证
8.8.3 模型诊断四维框架
第9章 空间插值
9.1 概述
9.2 均值估计法
9.3 最近邻插值法
9.4 反距离加权法
第10章 地统计
10.1 概述
10.2 趋势面分析
10.3 经验半变异函数
10.4 理论半变异函数
10.5 克里金插值与结果合成
10.6 克里金插值体系演化及应用
第11章 贝叶斯时空模型
11.1 条件概率与贝叶斯公式
11.2 贝叶斯空间回归
11.3 贝叶斯层次模型
11.4 基于INLA的贝叶斯推断
11.4.1 波士顿房价数据集
11.4.2 确定空间权重矩阵
11.4.3 贝叶斯层次模型
11.4.4 建模结果可视化
第12章 空间统计与分析方法前沿
12.1 元胞自动机
12.2 智能体
12.3 人工神经网络
12.4 深度神经网络
12.4.1 全链接神经网络和循环神经网络
12.4.2 长短时记忆神经网络
12.4.3 卷积神经网络
12.4.4 图卷积神经网络
参考文献
附录 主要软件工具简介
