Inhaltsangabe:Einleitung: In vielen wissenschaftlichen Disziplinen werden Daten mit einem geographischen Kontext erhoben und analysiert, so z. B. in der Geologie, der Geographie, der Epidemiologie, der Astronomie oder auch den Sozialwissenschaften. Dies gilt heutzutage zwar mehr denn je, aber das Bemühen um die Auswertung solcher Daten reicht bereits Jahrhunderte zurück. Erste Anzeichen von Statistiken für räumliche Daten scheinen in Form von Datenkarten aufgekommen zu sein. Halley zeichnete z. B. schon im Jahre 1686 in eine Karte mit den Umrissen der Kontinente die Richtungen von Passat- und Monsunwinden in den Tropen ein und versuchte, ihnen eine physikalische Ursache beizumessen. Auf dieselbe Art und Weise fand der britische Arzt Dr. Snow 1854 heraus, daß eine Cholera-Epidemie in London hauptsächlich auf einen mit Abwassern verunreinigten Brunnen zurückzuführen war. Diese beiden Beispiele deuten schon an, wie interessant sich eine Beschäftigung mit räumlichen Daten gestalten kann. Was ist nun das entscheidende Differenzierungsmerkmal für einen räumlichen Datensatz? Es ist die Tatsache, daß die Beobachtungen eine räumliche Referenz haben, d.h. deren Erhebungsorte sind als Punkte, Linien oder Gebietseinheiten erklärt. Die räumliche Lage der Beobachtungen führt zu zwei Arten von Effekten, der räumlichen Abhängigkeit (= Autokorrelation) und der räumlichen Heterogenität (= Nicht-Stationarität). Ersterer hat mit der Erfahrungstatsache zu tun, daß geographische Daten im Normalfall umso stärker in Beziehung zueinander stehen, je kürzer der Abstand ihrer Meßorte ist (z.B. bei Messungen von Niederschlagsmengen), und letzterer bezieht sich auf die regionalen Unterschiede, die von der Einmaligkeit jedes einzelnen Datenpunktes herrühren Besonders die Autokorrelation kann ernstzunehmende Auswirkungen auf die Erkenntnisse jeder räumlich-statistischen Untersuchung haben. Aus diesem Grund sollten bei der Betrachtung räumlich referenzierter Daten alle räumlichen Informationen in die Untersuchung mit eingehen, um eventuellen Fehlschlüssen vorzubeugen. Abhängigkeiten und Heterogenitäten in realen Datensätzen führen oftmals dazu, daß die Aussagen statistischer Standardmethoden ihre Gültigkeit verlieren. Da die Analyse durch die räumlichen Effekte erheblich verkompliziert wird und diese Schwierigkeiten mit klassischen Ansätzen nur schwer oder unbefriedigend in den Griff zu bekommen sind, bedarf es anderer Strategien. Explorative Techniken haben den nicht zu [...]