- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
ArcGIS与地理加权回归GWR【一】「建议收藏」
公众号原文 ArcGIS与地理加权回归GWR【一】 https://mp.weixin.qq.com/s/fMPYxO3G7ff2192ZQICN-A 开个新坑啊，写一写关于地理加权回归基础的东西 而GWR是在多元线性回归的基础上将数据的地理位置引入到回归系数之中。 2. 根据地理学第一定律，GWR模型计算权重的基本原则为“距离越近，赋予的权重值越高；反之，权重值越低”。然后权重的具体计算（就是上图中的锥形），是通过关于空间距离的单调减函数实现，称之为核函数。
1.8K30编辑于 2022-11-08 - 来自专栏全栈程序员必看
matlab 加权回归估计_matlab代码：地理加权回归（GWR）示例
【实例简介】地理加权回归(GWR)matlab代码，亲测可用，该代码利用matlab实现了地理加权回归的代码，内附实际算例。 【实例截图】 【核心代码】 function result = gwr(y,x,east,north,info); % PURPOSE: compute geographically weighted regression %—————————————————- % USAGE: results = gwr(y,x,east,north,info) % where: y = dependent variable does CV estimation of bandwidth % ————————————————— % RETURNS: a results structure % results.meth = ‘gwr , plt_gwr to print and plot results %————————————————— % References: Brunsdon, Fotheringham, Charlton
1.4K10编辑于 2022-11-08 - 来自专栏全栈程序员必看
spgwr | R语言与地理加权回归（Ⅰ-1）：线性地理加权回归[通俗易懂]
library(spgwr) 在该包中，运行线性地理加权回归的函数是gwr()。 语法结构如下： gwr(formula, data = list(), coords, bandwidth, gweight = gwr.Gauss, adapt = NULL, hatmatrix 语法结构如下： gwr.sel(formula, data = list(), coords, adapt = FALSE, gweight = gwr.Gauss, method bw <- gwr.sel(formula = form, data = NY8, gweight = gwr.Gauss, method = "cv") bw ## [1] 距离加权函数 距离加权函数是一个随距离增加而逐渐衰减的函数，该包提供了4种地理加权函数：gwr.gauss、gwr.Gauss（默认）、gwr.bisquare、gwr.tricube。
1.6K20编辑于 2022-11-10 全市一套公式估不准房价——GWR和随机森林怎么选
GWR 工具参数（官方教程截图） GWR 的变量与参数设置。 GWR 结果地图（官方教程截图） GWR 输出结果的空间分布。颜色越深，预测值越高。 但 GWR 有两个硬伤。 第一个硬伤：每条局部回归线还是直的。 GWR vs MGWR 尺度示意图 GWR 一把尺子量所有变量；MGWR 每个变量有自己的尺子。 10个） GWR 够用了，还能解释 变量多（超过20个） FBCR 变量太多 GWR 会乱 学术论文 GWR 或 MGWR 审稿人要看到系数分布 做产品/APP FBCR 用户不需要解释，只要准 金县这个案例 ，我选了 GWR。
14310编辑于 2026-06-02- 来自专栏renhailab数据分析
初步了解MGWR：多尺度地理加权回归的Python实现
为了理解和建模这种异质性，地理加权回归（GWR）成为了一个强大的工具。但GWR有一个基本假设：所有被建模的过程都在同一空间尺度上运行。 这在现实中并不总是成立，因此，多尺度GWR（MGWR）应运而生，放宽了这一假设。Python中的mgwr库为我们提供了实现这两种方法的工具。 什么是GWR和MGWR？GWR：地理加权回归GWR是一种局部回归技术，它允许参数（如斜率和截距）在空间上变化。 这意味着，对于数据集中的每个位置，GWR都会拟合一个回归模型，该模型基于该位置及其邻近位置的数据。通过这种方式，GWR能够捕捉到空间异质性。 通过结合GWR和MGWR，该库使我们能够更准确地建模和解释空间异质性，从而在多个领域推动科学和研究的发展。常见问题解答MGWR和GWR的主要区别是什么？
4K10编辑于 2024-06-03 - 来自专栏生信技能树
应用空间统计学分析空间表达数据
model.selection.gwr model.sel <- model.selection.gwr(Devar,InDevar,data =Sptm,kernel = "gaussian" ,adaptive model.view.gwr model.view.gwr(Devar,InDevar,model.list =model.l ) 以上执行了地理加权回归的模型选择（也可以叫做变量选择）过程，就是哪些变量是值得纳入模型中的 Sptm@coords <- Sptm@coords[,1:2] # 前面的建立SpatialPointsDataFrame 需要调整 bw.gwr <- bw.gwr(Hpca ~ Ttr <- gwr.basic(Hpca ~ Ttr+Ptgds+Fabp7+Enpp2+Cdhr1+Sst+Kl+S100a5 , data = Sptm,bw = bw.gwr,kernel = " spplot(gwr.res1$SDF,key.space="right") 借助地理加权回归，我们可以感受到基因的表达是有空间异质性的。
1.6K20发布于 2021-10-22 - 来自专栏数据 学术 商业 新闻
利用python实现地理加权回归(GWR)与网约车订单数据挖掘
GWR估计的模型系数在空间上是变化的，拿上面的例子来说，GWR估计的系数在东百可能是负的，而在别的地区就是正的，明显更加科学，这也正是GWR的强大之处。 先调包，从pysal里导入GWR相关函数： from pysal.model.mgwr.gwr import GWR from pysal.model.mgwr.sel_bw import Sel_BW 开始建模： gwr_selector = Sel_BW(g_coords, g_y, g_X,fixed=True,kernel='gaussian') gwr_bw = gwr_selector.search (criterion='AICc') gwr_results = GWR(g_coords, g_y, g_X,gwr_bw,fixed=True,kernel='gaussian').fit() 解释一下上面的几个参数 ，根本没什么提升；并且参数的分布，我们计算的GWR和论文中的GWR结果完全不同，这是为什么？
5.7K62发布于 2021-02-22 西藏和海南，同一个因素效果完全相反
**然后分别用三种方法跑： 模型 R² OLS（普通最小二乘） 0.61 GWR（地理加权回归） 0.87 MGWR（多尺度地理加权回归） 0.94 三种模型 R² 对比：OLS 0.61、GWR 0.87 地铁站的影响被企业密度的大范围信号淹没了——这就是为什么 MGWR 比 GWR 更适合这种场景：不同变量的影响范围差了好几倍，用同一把尺子量不准。 3. 于是研究团队加了土地利用、海拔、降水、人口密度、POI、交通可达性等多源数据，再跑一次 GWR。R² 飙到 0.882。 模型 R² 仅夜间灯光 GWR 0.66 多源数据 GWR 0.88 全局 OLS 0.80 一个有意思的空间格局浮现出来：GDP 高值集中在成都平原及相邻走廊，低值主导川西高原。 ArcGIS Pro 教程笔记：全市一套公式估不准房价——GWR和随机森林怎么选[5]——跟着教程走一遍 GWR、MGWR、FBCR 的实操。
13610编辑于 2026-06-08- 来自专栏全栈程序员必看
gis地理加权回归步骤_地理加权回归权重
在GWR中，每一个要素的方程都是由邻近的要素计算得到的。 GWR实现原理 从公式中可以总结出，虽然GLR方法与GWR方法有些不同，也就是系数不同，但是其因变量与解释变量是不变的，所以通常在做GWR之前，我们可以先使用GLR或者是探索性回归工具找到解释变量，并分析 GLR模型的精度，再使用GWR工具提高模型的精度。 通过这个值我们会发现与GLR工具相比，GWR工具的拟合程度更高。再比较AIC，两者相差大于3，说明GWR模型更好一些。 同时确保残差的随机性（运行空间自相关工具） GLR的结果中如果一定指标建议使用GWR工具，我们可以继续运行GWR工具，根据结果比较GLR与GWR模型的精确程度。同时确保残差的随机性。
4K40编辑于 2022-11-08 - 来自专栏全栈程序员必看
arcgis多因子加权叠加分析_arcgis栅格数据矢量化
白话空间统计二十四：地理加权回归（七）ArcGIS的GWR工具扩展参数说明 近期无论是开发者大会，还是个人工作，相当的忙，所以停了一段时间……不过地理加权回归写到第七章，自我感觉也差不多了，无论是基础理论还是来历 至于工具的位置和参数说明，请大家看以前的文章： 白话空间统计二十四：地理加权回归（六）ArcGIS的GWR工具参数说明一 当然，前面还缺了一部分，就是GWR的扩展参数部分，作为一只有始有终的虾，准备先把这遗留下来的部分说一说 数据还是一样，山东省分区县的各类数据： 把五个维度的数据，都做成专题图，进行对比，然后进行GWR，把这五个维度的系数进行栅格化，如下： 从左边矢量的专题图进行对比，其实是很难对数据的差异性进行直观的感受的 这种情况，使用GWR的区域预测就有意义了。 到此，GWR工具所有的参数设置就讲完了，后面可能还有几个小章节，讲讲结果和应用。 待续未完 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
3.3K20编辑于 2022-11-08 - 来自专栏全栈程序员必看
空间回归与地理加权_时空地理加权回归对样本量要求
实际上，除了辅助表以外，GWR还会生成一份全要素的表。对回归的每一个样本都给出相应的信息，今天就来看看这些信息代表了什么内容。 从上面的可视化结果可以看出，采用GWR分析的出来的结果，R2的值相当的高。而且出现的明显的聚集趋势。 Predicted 对因变量的预测值：这些值是由 GWR 计算所得的估计（或拟合）y 值。 GWR的特点就在这里，不同于OLS，GWR会给出每个位置每个自变量的系数。 Residual 残差，就是观测值与预测值的差。 Residual 标准化残差：这个值也是ArcGIS进行GWR分析之后，给出的默认可视化结果。标准化残差的平均值为零，标准差为 1。 到此为止，GWR所有的结果解读就介绍完成了。下一节开始，介绍GWR的扩展分析。 待续未完。 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
1.6K20编辑于 2022-11-09 - 来自专栏全栈程序员必看
地理加权回归简易总结
空间权重矩阵用是空间关系概念化计算出来的：空间关系观念一共有七个： 无论是临近方法，还是触点方法，都会导致局部回归的结果，也就是计算的区间不一样，会导致样本数量的变化，而全部加进来运算，又变成全局回归了，所以在GWR GWR中最常用的权函数 就是选择一个连续单调的递减函数来表示权重w和距离d之间关系，以此来克服反距离的缺点。 ResidualSquares：指模型中的残差平方和（残差为观测所得 y 值与 GWR 模型所返回的 y 值估计值之间的差值）。此测量值越小，GWR 模型越拟合观测数据。 将 GWR AICc 值与 OLS AICc 值进行比较是评估从全局模型 (OLS) 移动到局部回归模型 (GWR) 的优势的一种方法。 R2：R 平方是拟合度的一种度量。 在 GWR 中，自由度的有效值是带宽的函数，因此与像 OLS 之类的全局模型相比，校正程度可能非常明显。因此，AICc 是对模型进行比较的首选方式。 ---- 参考文献： 1.
3.9K20编辑于 2022-11-10 - 来自专栏单细胞天地
应用空间统计学分析空间表达数据
model.selection.gwr model.sel <- model.selection.gwr(Devar,InDevar,data =Sptm,kernel = "gaussian" ,adaptive model.view.gwr model.view.gwr(Devar,InDevar,model.list =model.l ) 以上执行了地理加权回归的模型选择（也可以叫做变量选择）过程，就是哪些变量是值得纳入模型中的 Sptm@coords <- Sptm@coords[,1:2] # 前面的建立SpatialPointsDataFrame 需要调整 bw.gwr <- bw.gwr(Hpca ~ Ttr <- gwr.basic(Hpca ~ Ttr+Ptgds+Fabp7+Enpp2+Cdhr1+Sst+Kl+S100a5 , data = Sptm,bw = bw.gwr,kernel = " spplot(gwr.res1$SDF,key.space="right") ? 借助地理加权回归，我们可以感受到基因的表达是有空间异质性的。
1.9K20发布于 2021-01-12 - 来自专栏全栈程序员必看
地理加权分析_地理加权回归中的拟合度
虽然在软件里面，默认只显示这样一张图，但是整个GWR分析完成之后，会生成大量的数据，今天我们就来看看ArcGIS的GWR工具的结果生成的哪些结果代表了什么东西。 ResidualSquares 指模型中的残差平方和（残差为观测所得 y 值与 GWR 模型所返回的 y 值估计值之间的差值）。此测量值越小，GWR 模型越拟合观测数据。 在很多论文里面，将GWR的AICc值与OLS的AICc值进行比较，然后根据AICc的值，得出局部回归模型(GWR)比全局模型（OLS）具有更大的优势。（而不是单纯的通过比较拟合度或者性能）。 在 GWR中，自由度的有效值是带宽的函数，因此与像OLS之类的全局模型相比，校正程度可能非常明显。因此，AICc是对模型进行比较的首选方式。 然后后面就是你的因变量和自变量了……这个不用解释。
2.2K20编辑于 2022-11-08 空间回归与机器学习的真实应用场景（2025-2026）
公共卫生 2.1 中国结核病发病率预测（2025 年论文） MGWR 模型解释了 94.2% 的结核病发病率变化 对比：OLS R² = 0.61 → GWR R² = 0.87 → MGWR R² = 0.94 发现：地形起伏度在西藏影响大（系数 0.65），在海南几乎没影响（-0.16） 链接：Springer - Multiscale GWR Modeling of TB Incidence in 来源：MDPI Land (2026) 3.2 首尔城市更新中的场所认同（2026 年论文） 用 GWR 分析城市更新如何影响居民对场所的认同感 开发了 Place Identity Intensity GWR 分析揭示了更新项目如何差异化地影响场所认同。来源：Springer (2026) 4. 经济估算 6.1 四川县级 GDP 空间化（2026 年论文） 夜间灯光 + POI + 土地利用 + 海拔 + 降水 + 人口密度 GWR R² = 0.882，比 OLS 的 0.801 高 发现：
17210编辑于 2026-06-08- 来自专栏renhailab数据分析
python读取和写入GDB文件
\data\gwr_results.gdb' gdb = pd.read_file(gdb_path, driver='FileGDB', layer='*')使用GeoPandas读取单个图层使用 /data/gwr_results.gdb'all_layers_data = read_all_layers_from_gdb(gdb_path)# 打印所有图层的名称以验证结果print("读取的图层名称
1.6K00编辑于 2024-05-30 - 来自专栏全栈程序员必看
地理加权回归模型_arcgis栅格数据归一化0到1
实际上要说起来，GWR有专门的软件，叫做GWR，但是这个软件暂时我还没有用过，所以等我先学习一下，把他放到最后才说了，先用比较熟悉的，比如ArcGIS、比如R语言，这些来讲讲（还有一个我非常熟悉的软件是 的空间统计工具箱，主要针对的是矢量数据，所以这里的输入一定是矢量图层，可以是点线面，但是不能是多点（但是可以是多部分要素，因为对面状空间要素处理的时候，通常采用的是质心来进行计算，多部分面状要素不会影响GWR 在GWR中，如果使用哑元作为某个变量的值，会导致分析中出现严重的多重共线性。 6、核带宽 此参数用于设定GWR的带宽，通过以前的文章，我们知道带宽的选择非常关键，而且GWR专门用两种方式来选择更好的带宽，但是也留出了自定义的模式，所以这个参数有三个选项： CV 具体的参数就先说到这里，GWR后面还有一系列的扩展参数，下一节我们再继续说。 待续未完。 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
2K20编辑于 2022-11-10 - 来自专栏全栈程序员必看
空间回归与地理加权_地理加权显著性
但是近来收到不少同学的邮件，很多都是掉在了当年虾神挖出的大坑里面，比如写了方法，没有列出公式，又比如写了公式木有推导过程（……作为高数战五渣的虾神，推导这种事，他认识我，我不认识他……） 所以这次写GWR 有七类空间关系概念，如下所示： 从前文分析可以知道，无论是临近方法，还是触点方法，都会导致局部回归的结果，也就是计算的区间不一样，会导致样本数量的变化，而全部加进来运算，又变成全局回归了，所以在GWR 这也有一个问题，就是当我们的回归点，也是样本点的时候，就出现对回归点的观测值权值无穷大的情况……若要在每次计算的时候，把从样本数据中把这种情况剔除掉，又会出现精度降低等等一系列问题，所以反距离方法就不能直接在GWR 下面介绍一种在GWR中最常用的反距离改进方法函数。就是选择一个连续单调的递减函数来表示权重w和距离d之间关系，以此来克服反距离的缺点。 这两种函数，在GWR的实际计算中，是用的最多的两类方法。 下一节预告：带宽的选择，是空间权重计算的一个重要参数，下一节将简单论述带宽选择的两种方法，说完这个概念之后，就正式进入软件操作介绍部分。
2K20编辑于 2022-11-08 - 来自专栏全栈程序员必看
空间回归与地理加权_地理加权回归处理点数据
本章有数学公式……对数学过敏者慎入…… 前文再续，书接上一回……上一次说到，在改进全局回归的基础上，GWR终于横空出世了，从此空间分析领域终于有了自己专用的回归算法。 在对全局回归问题的改进中，局部回归可以说是最简单的方法，GWR继续应用了局部回归的思想，但是在局部窗口的模式下，遵循了所谓的“地理学第一定律”，在回归的时候，使用了空间关系作为权重加入到运算中，下面通过一个示例来讲讲 GWR的基本思想。 由于采用不同的空间加权函数会得到不同的带宽，那么为了取得最优的带宽，Fotheringham等在2002的论文中提出了这样一个准则：当GWR模型的AIC最小的时候，就是最佳带宽。
2.2K10编辑于 2022-11-08 - 来自专栏HyperAI超神经
优于五大先进模型，浙江大学杜震洪团队提出 GNNWLR 模型：提升成矿预测准确性
GNNWLR 模型构建 在该研究中，研究人员还针对目前最为常见的地理加权回归 (GWR)、支持向量机 (SVM)、随机森林 (RF)、地理加权逻辑回归 (GWLR)、地理加权支持向量回归 (GWSVR) 同时，GWRF 和 GWSVR 也明显优于 RF 和 SVM，这可能是因为它们都结合了地理加权回归 (GWR)，可以更准确地描述空间变量之间的局部关系。 例如，GNNWLR 在「区域1」的得分高达 0.985，而 GWSVR、GWRF、GWLR、SVM、RF 和 GWR 模型的相应得分仅为 0.288、0438、0.471、0.133、0.383 和 0.290 GNNWLR、GWLR 和 GWR 模型考虑了成矿因素的空间邻近性和异质性，可以防止传统机器学习模型中常见的突变的发生。
1.8K10编辑于 2024-04-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号