摘要：
空间分析允许解决复杂的面向位置问题，从地理角度探索和理解数据、确定关系、检测和量化模式、评估趋势以及做出预测... 空间分析允许解决复杂的面向位置问题，从地理角度探索和理解数据、确定关系、检测和量化模式、评估趋势以及做出预测和决策。空间分析超越了制图，进而可以研究地点的特征以及它们之间的关系，空间分析为决策者提供了新的视角。
利用空间分析，可以组合来自多个来源的信息，并通过应用一组空间运算符获得新信息。此空间分析工具集合可回答复杂的空间问题。统计分析可以确定看到的模式是否重要。同时还可以分析各个图层以计算某个地点对特定活动的适宜性，并且使用图像分析来检测随时间变化的情况。这些工具能够解决超出简单视觉分析范围的重要问题和决策。
利用 ArcGIS Pro 中的分析和地理处理功能来回答许多空间问题并执行空间分析，ArcGIS Pro 中的空间分析从 2D 扩展到 3D 并随时间扩展。典型的空间分析工作流程包括以下内容：
数据工程
通过数据工程，可以探索、可视化、清理和准备数据。数据工程过程是许多空间分析和制图工作流的常见第一步。数据工程视图和功能区可以帮助更好地理解数据并为 GIS 工作流做好准备。了解有关数据工程的更多信息，请参阅（）。
图表可视化
使用图表可视化数据可以揭示数据模式、趋势、关系和结构，否则可能难以在表格中将其视为原始数字。解释分析结果并用图表传达调查结果。
散点图显示两个变量之间的关系。了解有关图表的更多信息，请参阅（）。
空间分析
使用 ArcGIS Pro 中的空间分析功能，可以对地理数据执行以下类型的操作：
了解有关地理处理的详细信息，请参阅（），了解有关栅格函数的详细信息，请参阅()。
分析扩展
ArcGIS Pro 包括以下分析扩展模块，可帮助回答专门的空间问题：
机器学习和人工智能
机器学习是指一组数据驱动的算法和技术，可自动对数据进行预测、分类和聚类。深度学习是机器学习技术的一个重要子集，它使用人工神经网络从数据中学习。从图像分类到空间模式检测再到多元预测，机器学习和深度学习可以在广泛的应用领域解决空间问题中发挥重要作用。
除了传统的机器学习技术之外，ArcGIS Pro 还包括一部分本质上是空间的机器学习技术。这些将地理直接纳入其计算的空间方法可以带来更好的理解。空间分量通常采用形状、密度、连续性、空间分布或接近度的度量形式。传统的和固有的空间机器学习都可以在解决空间问题中发挥重要作用，并且 ArcGIS Pro 以多种方式支持它们的使用。
机器学习可能是计算密集型的，并且通常涉及大量复杂的数据。数据存储以及并行和分布式计算的进步使得解决与机器学习和 GIS 相关的问题成为可能。
以下功能和工具利用了机器学习和深度学习：
大数据分析
ArcGIS Pro 包含可将大量空间数据转换为可管理信息的工具。在单台机器上使用并行处理或使用多节点服务器进行分布式处理，可以分析以前太大或太复杂的大量数据并从中获得洞察力。可以使用以下功能和工具箱来分析大数据：
建模和脚本
通过创建模型或脚本，节省重复性任务的时间、最大限度地减少错误并有效地迭代分析，并将模型或脚本变成自定义工具。使用 Python 编写工作流脚本或使用 ModelBuilder 构建工作流模型。
ModelBuilder 模型运行多个地理处理工具，使用一个工具的输出显示另一个工具的输入，还可以使用包管理器添加第三方库以扩展 ArcGIS Pro。
了解有关 ModelBuilder 的更多信息，请参阅（）。
