[论文解读] The spatial scan statistic: A new method for spatial aggregation of categorical raster maps

John W. Coulston, Nicola Zaccarelli+3 more|arXiv (Cornell University)|Aug 1, 2014

Data-Driven Disease Surveillance参考文献 27被引用 3

一句话总结

本文提出空间扫描统计作为一种新颖的方法，用于分类栅格地图的空间聚合，相较于多数规则或最近邻技术，能更好地保留稀有类别和空间异质性。通过识别具有统计显著性的空间聚类，该方法在传统聚合导致信息丢失的问题较为严重的大型评估中，保持了生态学上的准确性。

ABSTRACT

Multiple-scale and broad-scale assessments often require rescaling the original data to a consistent grain size for analysis. Rescaling categorical raster data by spatial aggregation is common in large area ecological assessments. However, distortion and loss of information are associated with aggregation. Using a majority rule generally results in dominant classes becoming more pronounced and rare classes becoming less pronounced. Using nearest neighbor techniques generally maintains the global proportion of each category in the original map but can lead to disaggregation. In this paper we implement the spatial scan statistic for spatial aggregation of categorical raster maps and describe the behavior of the technique at the local level (aggregation unit) and global level (map). We also contrast the spatial scan statistic technique with the majority rule and nearest neighbor approaches. In general, the scan statistic technique behaved inverse the majority rule approach in that rare classes rather than abundant classes were preserved. We suggest the scan statistic techniques should be used for spatial aggregation of categorical maps when preserving heterogeneity and information from rare classes are important goals of the study or assessment.

研究动机与目标

• 解决生态评估中使用的分类栅格地图空间聚合导致的信息失真与丢失问题。
• 开发一种在统一像元尺寸重采样过程中保留稀有类别和空间异质性的方法。
• 提供一种替代多数规则和最近邻聚合的方法，以减少对主导类别的偏差。
• 评估空间扫描统计与传统聚合技术相比的性能表现。
• 支持更准确、信息更丰富的大型生态监测与分析。

提出的方法

• 将空间扫描统计应用于识别分类栅格数据中具有统计显著性的空间聚类。
• 该方法使用一个扫描窗口在地图上移动，以检测相似类别的局部聚类。
• 对于每个窗口，通过似然比检验评估观察到的类别分布是否与随机性原假设下的期望分布存在显著差异。
• 基于最大似然比选择最可能的聚类，并在所有可能的窗口尺寸和位置上重复该过程。
• 通过将每个像元分配给最可能的聚类来执行聚合，从而保留空间模式和稀有类别。
• 该方法与多数规则（倾向于偏好主导类别）和最近邻（可能导致类别空间离散化）进行对比。

实验结果

研究问题

• RQ1 在空间聚合过程中，空间扫描统计与多数规则和最近邻方法相比，在保留类别比例方面表现如何？
• RQ2 空间扫描统计在多大程度上维持了分类栅格地图中的空间异质性和稀有类别表征？
• RQ3 使用空间扫描统计对地图结构和分类准确性产生的局部与全局影响是什么？
• RQ4 在何种场景下，空间扫描统计比传统聚合技术更适合用于生态评估？
• RQ5 空间扫描统计如何处理分类数据中的边缘效应和不规则空间模式？

主要发现

• 与多数规则相比，空间扫描统计更好地保留了稀有类别，后者往往放大主导类别。
• 与最近邻聚合不同，空间扫描统计维持了空间一致性，并减少了类别的虚假离散化。
• 该方法在局部和全局地图层面上均表现出更优的生态信息保留和空间异质性维持能力。
• 当目标是保留低频类别的信息时，空间扫描统计生成了更准确、更具代表性的地图。
• 该技术在识别和保留复杂或破碎景观中的有意义空间聚类方面尤为有效。
• 研究结论认为，当稀有类别保留为优先目标时，空间扫描统计是传统聚合方法的稳健替代方案。