analyse von punktdaten
DESCRIPTION
Analyse von Punktdaten. Spatial Interaction Models K-Funktion Gravitationsmodelle. Inhalt. 1Einleitung 2Geschichtlicher Überblick 3Methoden der Punktanalyse 3.1Nearest-Neigbour-Analysis 3.2K-Funktion 4Spatial Interaction Models 4.1Gravitationsmodelle 5Zusammenfassung - PowerPoint PPT PresentationTRANSCRIPT
Analyse von PunktdatenAnalyse von Punktdaten
Spatial Interaction Models Spatial Interaction Models
K-FunktionK-Funktion
GravitationsmodelleGravitationsmodelle
InhaltInhalt
11 EinleitungEinleitung 22 Geschichtlicher ÜberblickGeschichtlicher Überblick 33 Methoden der PunktanalyseMethoden der Punktanalyse 3.13.1 Nearest-Neigbour-AnalysisNearest-Neigbour-Analysis 3.23.2 K-FunktionK-Funktion 44 Spatial Interaction Models Spatial Interaction Models 4.14.1 GravitationsmodelleGravitationsmodelle 55 ZusammenfassungZusammenfassung 66 Literatur Literatur
InhaltInhalt
11 EinleitungEinleitung 22 Geschichtlicher ÜberblickGeschichtlicher Überblick 33 Methoden der PunktanalyseMethoden der Punktanalyse 3.13.1 Nearest-Neigbour-AnalysisNearest-Neigbour-Analysis 3.23.2 K-FunktionK-Funktion 44 Spatial Interaction Models Spatial Interaction Models 4.14.1 GravitationsmodelleGravitationsmodelle 55 ZusammenfassungZusammenfassung 66 Literatur Literatur
11 EinleitungEinleitung Analyse von Punktdaten, umfasst alle Techniken, Analyse von Punktdaten, umfasst alle Techniken,
um räumliche Verteilungen von Punktdaten zu um räumliche Verteilungen von Punktdaten zu untersuchenuntersuchen
Ziel ist, die Prozesse zu verstehen, welche eine Ziel ist, die Prozesse zu verstehen, welche eine bestimmte Verteilung hervorgebracht hatbestimmte Verteilung hervorgebracht hat
Bekannte Techniken sind Nearest-Neighbour- Bekannte Techniken sind Nearest-Neighbour- Analyse, K- Funktion, Gravitationsmodelle Analyse, K- Funktion, Gravitationsmodelle
InhaltInhalt
11 EinleitungEinleitung 22 Geschichtlicher ÜberblickGeschichtlicher Überblick 33 Methoden der PunktanalyseMethoden der Punktanalyse 3.13.1 Nearest-Neigbour-AnalysisNearest-Neigbour-Analysis 3.23.2 K-FunktionK-Funktion 44 Spatial Interaction Models Spatial Interaction Models 4.14.1 GravitationsmodelleGravitationsmodelle 55 ZusammenfassungZusammenfassung 66 Literatur Literatur
22 Geschichtlicher ÜberblickGeschichtlicher Überblick
Ursprünge in Pflanzenökologie in 30-er JahrenUrsprünge in Pflanzenökologie in 30-er Jahren Zwischen 30-er bis 60-er Jahren Ausweitung auf Zwischen 30-er bis 60-er Jahren Ausweitung auf
TierökologieTierökologie Ab 1960 Einzug in Geographie, v. a. Ab 1960 Einzug in Geographie, v. a.
AnthropogeographieAnthropogeographie Ab 80-er Jahre komplexere Techniken auf Gebiet Ab 80-er Jahre komplexere Techniken auf Gebiet
der Statistikder Statistik Seit 90-er Jahren gewann Analysemethode durch Seit 90-er Jahren gewann Analysemethode durch
fortschreitende Computertechnik (auch GPS) fortschreitende Computertechnik (auch GPS) weiterhin an Bedeutungweiterhin an Bedeutung
InhaltInhalt 11 EinleitungEinleitung 22 Geschichtlicher ÜberblickGeschichtlicher Überblick 33 Methoden der Methoden der
PunktanalysePunktanalyse 3.13.1 Nearest-Neigbour-AnalysisNearest-Neigbour-Analysis 3.23.2 K-FunktionK-Funktion 44 Spatial Interaction Models Spatial Interaction Models 4.14.1 GravitationsmodelleGravitationsmodelle 55 ZusammenfassungZusammenfassung 66 Literatur Literatur
33 Methoden der PunktanalyseMethoden der Punktanalyse Hauptinteresse der Punktanalyse gilt der Hauptinteresse der Punktanalyse gilt der
Verteilung von Punkten im Untersuchungsgebiet Verteilung von Punkten im Untersuchungsgebiet und die Ursachen dieser Verteilung und die Ursachen dieser Verteilung
Neben der Quadratmethode und Kernel-Neben der Quadratmethode und Kernel-Schätzung, gibt es die Nearest-Neighbour-Analyse Schätzung, gibt es die Nearest-Neighbour-Analyse und K-Funktionund K-Funktion
Verhalten räumlicher Punktmuster durch Effekte Verhalten räumlicher Punktmuster durch Effekte erster und zweiter Ordnung beschriebenerster und zweiter Ordnung beschrieben
Effekte 1.Ordnung:Effekte 1.Ordnung: beziehen sich auf beziehen sich auf Dichte Dichte bzw. Intensität (λ)bzw. Intensität (λ) des des Punktmusters, als Punktmusters, als Anzahl (Events) pro Anzahl (Events) pro Flächeneinheit Flächeneinheit
definiertdefiniert
Effekte 2. Ordnung:Effekte 2. Ordnung: beziehen sich auf die beziehen sich auf die Beziehungen zwischen den EreignissenBeziehungen zwischen den Ereignissen, , genauer genauer auf die auf die Distanzen zwischen Distanzen zwischen Ereignissen Ereignissen
Das räumliche PunktmusterDas räumliche Punktmuster Setzt sich zusammen aus:Setzt sich zusammen aus:
• Punkten selbstPunkten selbst {s 1, ... s n} , welche Ereignisse {s 1, ... s n} , welche Ereignisse definierendefinieren
• UntersuchungsgebietUntersuchungsgebiet { {}, wo die Ereignisse }, wo die Ereignisse stattfinden, bzw. Punkte lokalisiert sindstattfinden, bzw. Punkte lokalisiert sind
• Anzahl (N) der EreignisseAnzahl (N) der Ereignisse
• Untersuchungsgebiet kann ein-, zwei- oder Untersuchungsgebiet kann ein-, zwei- oder dreidimensional seindreidimensional sein
Strikte räumliche ZufallsverteilungStrikte räumliche Zufallsverteilung
Vergleich eines theoretisch (= strikte räumliche Vergleich eines theoretisch (= strikte räumliche Zufallsverteilung) definierten Punktmusters mit Zufallsverteilung) definierten Punktmusters mit dem realen Punktmustersdem realen Punktmusters
Zufallsverteilung muss folgende Bedingungen Zufallsverteilung muss folgende Bedingungen erfüllen:erfüllen:
Alle Standorte im Untersuchungsgebiet müssen Alle Standorte im Untersuchungsgebiet müssen gleiche Chance besitzen, mit Punkt besetzt zu gleiche Chance besitzen, mit Punkt besetzt zu werden (uniformity)werden (uniformity)
Besetzung eines Standortes mit einem Punkt Besetzung eines Standortes mit einem Punkt beeinflusst auf keinen Fall die Besetzung eines beeinflusst auf keinen Fall die Besetzung eines anderen Standortes (independence)anderen Standortes (independence)
InhaltInhalt
11 EinleitungEinleitung 22 Geschichtlicher ÜberblickGeschichtlicher Überblick 33 Methoden der PunktanalyseMethoden der Punktanalyse 3.13.1 Nearest-Neigbour-AnalysisNearest-Neigbour-Analysis 3.23.2 K-FunktionK-Funktion 44 Spatial Interaction Models Spatial Interaction Models 4.14.1 GravitationsmodelleGravitationsmodelle 55 ZusammenfassungZusammenfassung 66 Literatur Literatur
3.13.1 Nearest-Neighbour-AnalyseNearest-Neighbour-Analyse
Verteilung weicht von strikten räumlichen Verteilung weicht von strikten räumlichen Zufallsverteilung abZufallsverteilung ab
Punkte konzentrieren sich, sind zufällig oder Punkte konzentrieren sich, sind zufällig oder gleichverteiltgleichverteilt
Untersuchung Effekte 2.Ordnung Untersuchung Effekte 2.Ordnung Methode basiert auf der Nearest-Neighbour- Methode basiert auf der Nearest-Neighbour-
DistanceDistance
BerechnungsablaufBerechnungsablauf
Ermittlung der Entfernung jedes Punktes zu Ermittlung der Entfernung jedes Punktes zu seinem nächstgelegenen Nachbarpunkt dseinem nächstgelegenen Nachbarpunkt d ii
Mittelwertbildung der Entfernung anhand Mittelwertbildung der Entfernung anhand beobachteter Größen dbeobachteter Größen dbb
Mittelwertbildung bei einer hypothetischen Mittelwertbildung bei einer hypothetischen zufälligen Verteilung der Punkte dzufälligen Verteilung der Punkte dee, dann beide , dann beide Größen in Beziehung setzen und das Größen in Beziehung setzen und das Konzentrationsmaß R bestimmen: R = dKonzentrationsmaß R bestimmen: R = dbb/ d/ dee
R = 1, zufällige Verteilung der PunkteR = 1, zufällige Verteilung der Punkte
R < 1, aggregierte Verteilung der PunkteR < 1, aggregierte Verteilung der Punkte
R > 1, Gleichverteilung der PunkteR > 1, Gleichverteilung der Punkte
Abb.1: Verteilung Vulkankrater in Westuganda (Quelle: Bailey & Gatrell 1995: 82)
Abb.2: Verteilungsfunktion der Vulkankrater in Westuganda (Quelle: Bailey & Gatrell 1995: 91)
Abb.3: Verteilung ausgewählter Siedlungen in USA (Quelle: Bahrenberg & Giese 1975: 88)
Steiler Anstieg im ersten Teil des Graphen deutet Steiler Anstieg im ersten Teil des Graphen deutet auf kurze Distanzen zwischen den Ereignissen auf kurze Distanzen zwischen den Ereignissen hin, d.h. Punkte liegen aggregiert vorhin, d.h. Punkte liegen aggregiert vor
Allgemein: niedrige Werte auf der X-Achse deuten Allgemein: niedrige Werte auf der X-Achse deuten auf Aggregationen hin; höhere Werte der auf Aggregationen hin; höhere Werte der Häufigkeit deuten auf Gleichverteilung hinHäufigkeit deuten auf Gleichverteilung hin
Probleme der Nearest-Neighbour-Probleme der Nearest-Neighbour-Methode Methode
Berechnet nur kürzeste Distanzen, d.h. nur Berechnet nur kürzeste Distanzen, d.h. nur kleinste Skala kleinste Skala
Informationen größerer Skalen werden ignoriert, Informationen größerer Skalen werden ignoriert, d.h. Datenverlustd.h. Datenverlust
InhaltInhalt
11 EinleitungEinleitung 22 Geschichtlicher ÜberblickGeschichtlicher Überblick 33 Methoden der PunktanalyseMethoden der Punktanalyse 3.13.1 Nearest-Neigbour-AnalysisNearest-Neigbour-Analysis 3.23.2 K-FunktionK-Funktion 44 Spatial Interaction Models Spatial Interaction Models 4.14.1 GravitationsmodelleGravitationsmodelle 55 ZusammenfassungZusammenfassung 66 Literatur Literatur
3.2 3.2 K-FunktionK-Funktion
Auch Reduced Second Moment Measure Auch Reduced Second Moment Measure bezeichnetbezeichnet
Berechnet eine räumliche Abhängigkeit über Berechnet eine räumliche Abhängigkeit über einen größeren Skalenbereicheinen größeren Skalenbereich
Misst alle Distanzen zwischen Punktpaaren, nicht Misst alle Distanzen zwischen Punktpaaren, nicht nur die kürzestenur die kürzeste
Aufgabe ist herauszufinden, ob gleichmäßige, Aufgabe ist herauszufinden, ob gleichmäßige, zufällige oder geklumpte Punktverteilung vorliegtzufällige oder geklumpte Punktverteilung vorliegt
Weicht ebenfalls von strikten räumlichen Weicht ebenfalls von strikten räumlichen Zufallsverteilung abZufallsverteilung ab
BerechnungsablaufBerechnungsablauf
Basiert auf Distanzen aller Punktpaaren und zählt Basiert auf Distanzen aller Punktpaaren und zählt die Anzahl von Punktpaaren innerhalb einer die Anzahl von Punktpaaren innerhalb einer bestimmten Distanzbestimmten Distanz
Danach erfolgt die Untersuchung, wie die Punkte Danach erfolgt die Untersuchung, wie die Punkte verteilt sindverteilt sind
Definition: Definition: λK(h) = E(#(Ereignisse innerhalb der Distanz h
eines willkürlichen gewählten Ereignisses)
#= Anzahl von#= Anzahl von λ = Intensität oder Mittelwert der Ereignisse λ = Intensität oder Mittelwert der Ereignisse E = ErwartungsoperatorE = Erwartungsoperator
K-Funktion ist die erwartete Anzahl von Punkten innerhalb eines Radius r um den zufällig gewählten Punkt i; dividiert durch die Intensität λ der Punkte
AnwendungAnwendung
Gleiche Anwendungsbereiche wie Nearest –Gleiche Anwendungsbereiche wie Nearest –Neighbour-DistanzNeighbour-Distanz
V. a. in Pflanzenökologie, Tierökologie aber auch V. a. in Pflanzenökologie, Tierökologie aber auch Anthropogeographie Anthropogeographie
K (h) bei zufällig räumlichen K (h) bei zufällig räumlichen ProzessProzess
d.h.: Punkte im Untersuchungsgebiet d.h.: Punkte im Untersuchungsgebiet beeinflussen sich nichtbeeinflussen sich nicht
Erwartete Anzahl an Ereignissen innerhalb einer Erwartete Anzahl an Ereignissen innerhalb einer gegebenen Distanz h istgegebenen Distanz h ist: λλhh22
D.h.: D.h.: K(h) = K(h) = λhh22, dann homogener Prozess , dann homogener Prozess ohne räumliche ohne räumliche
Abhängigkeit Abhängigkeit K(h) < K(h) < hh22, dann gleichmäßige Verteilung, dann gleichmäßige Verteilung
K(h) > K(h) > hh22, dann aggregierte Werte, dann aggregierte Werte
Abb.4: Verteilung jugendlicher Straftäter in Cardiff (Quelle: Bailey & Gatrell 1995:95)
Abb.5: Verteilung jugendlicher Straftäter in Cardiff (Quelle: Bailey & Gatrell 1995:95, verändert)
Abb.6: L-Funktion der Verteilung jugendlicher Straftäter in Cardiff (Quelle: Bailey & Gatrell 1995: 95, verändert)
Vor- und Nachteile der K-Funktion Vor- und Nachteile der K-Funktion
Vorteile:Vorteile:
präsentiert Informationen über weite präsentiert Informationen über weite SkalenbereicheSkalenbereiche
bezieht genaue Lage der Punkte in die bezieht genaue Lage der Punkte in die Betrachtung einBetrachtung ein
Betrachtet alle EreignisdistanzenBetrachtet alle Ereignisdistanzen K(h) kann für verschiedene räumliche K(h) kann für verschiedene räumliche
Punktmodelle verwendet werdenPunktmodelle verwendet werden
Nachteile:Nachteile:
Untersuchungsgebiet muss regelmäßige Form Untersuchungsgebiet muss regelmäßige Form aufweisenaufweisen
Punktmuster müssen homogen sein, d.h. Punktmuster müssen homogen sein, d.h. Intensität der Punktmuster muss annähernd Intensität der Punktmuster muss annähernd konstant in der Untersuchungsregion sein konstant in der Untersuchungsregion sein
Lösungen: gleichförmigen sub-areas anlegen, um Lösungen: gleichförmigen sub-areas anlegen, um Homogenität vorzuweisen Homogenität vorzuweisen
InhaltInhalt
11 EinleitungEinleitung 22 Geschichtlicher ÜberblickGeschichtlicher Überblick 33 Methoden der PunktanalyseMethoden der Punktanalyse 3.13.1 Nearest-Neigbour-AnalysisNearest-Neigbour-Analysis 3.23.2 K-FunktionK-Funktion 44 Spatial Interaction ModelsSpatial Interaction Models 4.14.1 GravitationsmodelleGravitationsmodelle 55 ZusammenfassungZusammenfassung 66 Literatur Literatur
44 Spatial Interaction ModelsSpatial Interaction Models
Räumliche Interaktionen sind die Bewegung von Räumliche Interaktionen sind die Bewegung von Mensche, Waren, Kapital und InformationenMensche, Waren, Kapital und Informationen
Interaktionsmodelle sind Modelle zur Abbildung Interaktionsmodelle sind Modelle zur Abbildung von Austauschbeziehungen von Standortenvon Austauschbeziehungen von Standorten
Darstellung der Interaktionen mittels Karte und Darstellung der Interaktionen mittels Karte und Pfeilen oder InteraktionsmatrixPfeilen oder Interaktionsmatrix
Abb.6: Interaktionsmatrix (Quelle: Giffinger o. A. 12)
InhaltInhalt
11 EinleitungEinleitung 22 Geschichtlicher ÜberblickGeschichtlicher Überblick 33 Methoden der PunktanalyseMethoden der Punktanalyse 3.13.1 Nearest-Neigbour-AnalysisNearest-Neigbour-Analysis 3.23.2 K-FunktionK-Funktion 44 Spatial Interaction Models Spatial Interaction Models 4.14.1 GravitationsmodelleGravitationsmodelle 55 ZusammenfassungZusammenfassung 66 Literatur Literatur
InhaltInhalt
11 EinleitungEinleitung 22 Geschichtlicher ÜberblickGeschichtlicher Überblick 33 Methoden der PunktanalyseMethoden der Punktanalyse 3.13.1 Nearest-Neigbour-AnalysisNearest-Neigbour-Analysis 3.23.2 K-FunktionK-Funktion 44 Spatial Interaction Models Spatial Interaction Models 4.14.1 GravitationsmodelleGravitationsmodelle 55 ZusammenfassungZusammenfassung 66 Literatur Literatur
4.14.1 GravitationsmodellGravitationsmodell
Basiert auf dem Newton´schen Basiert auf dem Newton´schen Gravitationsmodell:Gravitationsmodell:
Transformation der Formel auf viele Bereiche, v. Transformation der Formel auf viele Bereiche, v. a. Wirtschafta. Wirtschaft
Bsp.: Stadtgeographie oder Bsp.: Stadtgeographie oder Verkehrsströme (=Interaktionen)Verkehrsströme (=Interaktionen)
Nur Parameter in der Fromel ändern sich: Nur Parameter in der Fromel ändern sich:
Tij = Tij = Pi * Pj Pi * Pj
dijdij
Für Übertragung in reale Welt muss Formel Für Übertragung in reale Welt muss Formel modifiziert werdenmodifiziert werden
• Distanzfaktor Distanzfaktor (Bereitschaft der Akteure zur (Bereitschaft der Akteure zur Überwindung der Distanz)Überwindung der Distanz)
• Einführung der Exponenten λ und Einführung der Exponenten λ und (Bevölkerungsdichte nicht immer relevant)(Bevölkerungsdichte nicht immer relevant)
Auch Interaktionen zwischen mehrerer Orte Auch Interaktionen zwischen mehrerer Orte möglichmöglich
Dann : Dann : Tij = f (Vi, Wj, Sij) Tij = f (Vi, Wj, Sij)
ViVi ist ein Maß zur Charakterisierung der Quelle i derist ein Maß zur Charakterisierung der Quelle i der InteraktionenInteraktionen
Wj Wj ist ein Maß zur Charakterisierung des Ziels j der ist ein Maß zur Charakterisierung des Ziels j der InteraktionenInteraktionen
SijSij ist ein Maß der räumlichen Separation von i nach j ist ein Maß der räumlichen Separation von i nach j (Routendistanz, Reisezeit, Transportkosten) (Routendistanz, Reisezeit, Transportkosten)
Anwendungen des Anwendungen des GravitationsmodellsGravitationsmodells
MigrationsforschungMigrationsforschung MarktanalysenMarktanalysen VerkehrsgeographieVerkehrsgeographie
VerkehrsgeographieVerkehrsgeographie
Faktoren sind hierbei: Größe der geographischen Entfernungen zwischen Quelle Größe der geographischen Entfernungen zwischen Quelle
und Zielund Ziel Relative Anziehungskraft potentieller ZielorteRelative Anziehungskraft potentieller Zielorte Häufigkeit der individuellen betreffenden Häufigkeit der individuellen betreffenden
RaumüberwindungRaumüberwindung VerkehrsmittelVerkehrsmittel Preise bzw. Kosten der RaumüberwindungPreise bzw. Kosten der Raumüberwindung
Verkehr nimmt zu wenn Attraktivität des Ortes zunimmt Verkehr nimmt zu wenn Attraktivität des Ortes zunimmt und Widerstand dorthin zu fahren abnimmtund Widerstand dorthin zu fahren abnimmt
InhaltInhalt
11 EinleitungEinleitung 22 Geschichtlicher ÜberblickGeschichtlicher Überblick 33 Methoden der PunktanalyseMethoden der Punktanalyse 3.13.1 Nearest-Neigbour-AnalysisNearest-Neigbour-Analysis 3.23.2 K-FunktionK-Funktion 44 Spatial Interaction Models Spatial Interaction Models 4.14.1 GravitationsmodelleGravitationsmodelle 55 ZusammenfassungZusammenfassung 66 Literatur Literatur
55 ZusammenfassungZusammenfassung
Transformation der Modelle in viele Transformation der Modelle in viele Forschungsbereiche Forschungsbereiche
Leichte Verarbeitung der Daten mittels Leichte Verarbeitung der Daten mittels geeigneten Programmen (MapInfo)geeigneten Programmen (MapInfo)
Einige Bedingungen (Homogenität der Daten bzw. Einige Bedingungen (Homogenität der Daten bzw. des Untersuchungsgebietes) können die des Untersuchungsgebietes) können die Anwendung verkomplizierenAnwendung verkomplizieren
44 LiteraturLiteratur Bailey, T.C. & A.C. GatrellBailey, T.C. & A.C. Gatrell (1995): Interactive Spatial Data Analysis. Essex. (1995): Interactive Spatial Data Analysis. Essex. Bailey, T.C. & A.C. GatrellBailey, T.C. & A.C. Gatrell (2003): Methods for Spatial Point Patterns. Essex. (2003): Methods for Spatial Point Patterns. Essex. Bahrenberg, G. & E. Giese Bahrenberg, G. & E. Giese (19759: Statistische Methiden und ihre Anwendung in der (19759: Statistische Methiden und ihre Anwendung in der
Geographie. Stuttgart.Geographie. Stuttgart. Giffinger, RGiffinger, R. (o. A.): Räumliche Modelle. Wien. In: . (o. A.): Räumliche Modelle. Wien. In: http://srf.tuwien.ac.at/lva/mra/R%C3%84UMOD1.pdfhttp://srf.tuwien.ac.at/lva/mra/R%C3%84UMOD1.pdf Jansenberger, E. & T. ScherngellJansenberger, E. & T. Scherngell (o. A.): Räumliche Interaktionsmodelle. Wien In: (o. A.): Räumliche Interaktionsmodelle. Wien In: http://wigeoweb.wu wien.ac.at/infopoint/wigeo/ws04/downloads04w/318,1,Räumliche http://wigeoweb.wu wien.ac.at/infopoint/wigeo/ws04/downloads04w/318,1,Räumliche
Interaktionsmodelle Interaktionsmodelle Leitner, M.Leitner, M. (2001): Point Pattern Analysis. Grundlagen und Anwendungsbereiche im (2001): Point Pattern Analysis. Grundlagen und Anwendungsbereiche im Geomarketing. In: http:// Geomarketing. In: http:// www.uni-klagenfurt.dewww.uni-klagenfurt.de// geogr. geogr. (Internetquelle 1).(Internetquelle 1). Lo, C. P. & A. K.W. YeungLo, C. P. & A. K.W. Yeung (2002): Concepts and Techniques of Geographic Information (2002): Concepts and Techniques of Geographic Information Systems. New Jersey. Systems. New Jersey. Marcon, E. & F. PuechMarcon, E. & F. Puech (2003): Generalizing Ripley's K-Function To Inhomogeneous (2003): Generalizing Ripley's K-Function To Inhomogeneous
Populations. In: http:// e.marcon. free.fr/download/ GeneralizingRipleysKFunction Populations. In: http:// e.marcon. free.fr/download/ GeneralizingRipleysKFunction ToInhomogeneousPopulations.pdfToInhomogeneousPopulations.pdf
Söndgerath, DSöndgerath, D. (o. A.):Analyse räumlicher Daten. . (o. A.):Analyse räumlicher Daten. Braunschweig. In: Braunschweig. In: http://http://www.tu-www.tu- bs.de/Medien-DB/documents/AFS-dasoe_Gesamt.pdf (Internetquelle 2)bs.de/Medien-DB/documents/AFS-dasoe_Gesamt.pdf (Internetquelle 2) Yamada,I. & J.-C.ThillYamada,I. & J.-C.Thill (2002): An Empirical Comparison of Planar and Network K- (2002): An Empirical Comparison of Planar and Network K- function Analysis. Buffelo. New York. In: function Analysis. Buffelo. New York. In:
http://www.geog.buffalo.edu/~jcthill/Kfunction.pdfhttp://www.geog.buffalo.edu/~jcthill/Kfunction.pdf http://www.geo.sbg.ac.at/staff/lorup/lv/geostats2000/Nearest_Neighbor_Statistik.htm http://www.geo.sbg.ac.at/staff/lorup/lv/geostats2000/Nearest_Neighbor_Statistik.htm (Internetquelle 1)(Internetquelle 1)