Accurate description of spatial data is crucial for successful spatial analysis. This thesis aims to generalize modeling of spatial association to address challenges in descriptive, explanatory, and predictive tasks in spatial analysis. It focuses on detecting overlapping community structures, explaining nonlinear geographical variable interactions, and enhancing spatial prediction in sparse and biased samples. By bridging research gaps, it facilitates better decision-making processes.
Übersetzte Kurzfassung:
Eine präzise Beschreibung räumlicher Daten ist entscheidend für erfolgreiche räumliche Analyse. Diese Arbeit verallgemeinert die Modellierung räumlicher Assoziation, um deskriptive, erklärende und prädiktive Herausforderungen anzugehen. Sie fokussiert sich auf die Erkennung überlappender Gemeinschaftsstrukturen, erklärt nichtlineare geographische Variableninteraktionen und verbessert räumliche Vorhersagen bei spärlichen und voreingenommenen Stichproben.