Coğrafi Ağırlıklı Temel Bileşen Analizi (GWPCA)
Geographically Weighted Principal Component Analysis (GWPCA) · Ayrıca şöyle bilinir: Local PCA, Spatially Adaptive PCA, Geographically Weighted Factor Analysis, Yerel Coğrafi Ağırlıklı PCA
Coğrafi Ağırlıklı Temel Bileşen Analizi (GWPCA), Harris, Brunsdon ve Charlton tarafından 2011 yılında tanıtılan yerel bir boyut azaltma yöntemidir. Klasik Temel Bileşen Analizi'ni (PCA), her konumda ayrı bir ağırlıklı PCA uygulayarak genişletir ve özyapıların — temel bileşenler ve yükleri — tek bir küresel çözümle sınırlı kalmak yerine coğrafi uzayda sürekli olarak değişmesine izin verir. GWPCA, değişkenler arasındaki çok değişkenli ilişkilerin konuma göre farklılaştığından şüphelenen çevre bilimi, halk sağlığı ve bölgesel ekonomi araştırmacıları için uygundur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Coğrafi olarak referanslanmış çok değişkenli verilere sahip olduğunuzda ve kovaryasyonun baskın desenlerinin çalışma alanı boyunca farklılaştığından şüphelendiğinizde GWPCA'yı kullanın — örneğin, kentsel bölgelerdeki kirlilik sürücüleri kırsal bölgelerdekilerden farklıysa. Yöntem, verilerin uzayda sürekli olarak dağıldığını ve anlamlı bir uzamsal çekirdeğin tanımlanabileceğini varsayar. Uzamsal olmayan tablo verileri, çok küçük örnekler (herhangi bir konumdaki değişkenlerden daha az gözlem) veya uzamsal durağanlığın onaylandığı durumlar için uygun değildir. Amaç yapı keşfinden ziyade tahmin ise, Coğrafi Ağırlıklı Regresyon daha uygun olabilir.
Güçlü yönler & sınırlılıklar
- Küresel PCA'nın gizlediği çok değişkenli yapıda uzamsal durağan olmama durumunu ortaya çıkarır
- Her değişken ve bileşen için yerel yüklerin ve özdeğerlerin yorumlanabilir haritalarını üretir
- Önceden tanımlanmış bir uzamsal model veya parametrik dağılım varsayımları gerektirmez
- Çapraz doğrulama veya AIC aracılığıyla bant genişliği seçimi, ilkeli, veri odaklı bir ayarlama prosedürü sağlar
- Hesaplama açısından pahalıdır: her kalibrasyon konumunda tam bir öz ayrıştırma gerçekleştirilir
- Yerel bileşen işareti belirsizliği, hizalama adımları olmadan özvektörlerin uzamsal karşılaştırmasını önemsiz hale getirir
- Bant genişliği seçimi, çekirdek fonksiyonu ve mesafe metriği seçimine duyarlı olabilir
- Yerel özyapıların güçlü bir şekilde değiştiği durumlarda yorumlama zordur, çünkü tek bir özet yük matrisi yoktur
SSS
GWPCA için bant genişliğini nasıl seçerim?
Standart yaklaşım, aday bant genişlikleri ızgarası üzerinde bir çapraz doğrulama (CV) puanını veya Düzeltilmiş Akaike Bilgi Kriteri'ni (AICc) minimize etmektir. Adaptif çekirdekler için bant genişliği, sabit bir mesafe yerine komşu sayısı olarak ifade edilir, bu da düzensiz uzamsal örnekleme yoğunluğuna sahip veri kümelerinde yardımcı olur. R'deki GWmodel paketi hem sabit hem de adaptif bant genişliği seçimini otomatikleştirir.
Özvektör işaretleri değişebildiğinde yerel temel bileşenleri konumlara göre nasıl karşılaştırırım?
Yerel özvektörler yalnızca bir işaret değişikliğine kadar tanımlanır, bu nedenle ham bir yük haritası sahte işaret ters çevirmeleri gösterebilir. Önerilen uygulama, haritalama yapmadan önce bir işaret hizalama kuralı uygulamaktır — örneğin, her yerel özvektörün en büyük büyüklükteki yükünü pozitif olarak sınırlamak —. GWmodel'deki bazı uygulamalar bunu varsayılan olarak içerir, ancak her zaman doğrulanmalıdır.
GWPCA, Öklid olmayan veya ağ mesafeleriyle kullanılabilir mi?
Prensipte evet. Uzamsal çekirdek yalnızca simetrik bir mesafe matrisi gerektirir, bu nedenle yol ağı mesafesi veya küre üzerindeki büyük daire mesafesi Öklid mesafesinin yerini alabilir. Ancak, standart bant genişliği seçimi rutinleri Öklid uzayını varsayar, bu nedenle Öklid olmayan metrikler kullanıldığında özel uygulamalar gerekebilir. Büyük veri kümeleri için önceden hesaplanmış mesafe matrisleriyle hesaplama maliyeti de önemli ölçüde artar.
Kaynaklar
- Harris, P., Brunsdon, C., & Charlton, M. (2011). Geographically weighted principal components analysis. International Journal of Geographical Information Science, 25(10), 1717–1736. DOI: 10.1080/13658816.2011.554838 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Geographically Weighted Principal Component Analysis (GWPCA). ScholarGate. https://scholargate.app/tr/spatial-analysis/geographically-weighted-pca
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Coğrafi Ağırlıklı Rastgele OrmanMekânsal analiz↔ karşılaştır
- Coğrafi Ağırlıklı Regresyon (GWR)Mekânsal analiz↔ karşılaştır