การสร้างแผนที่ความร้อนที่มีประสิทธิภาพ?

ใช้ ArcGIS, QGIS, Grass และ / หรือ GVSIG:

• มีเครื่องมือและกระบวนการใดบ้างที่เกี่ยวข้องกับการสร้างแผนที่ความร้อนที่มีประสิทธิภาพ
• ปลั๊กอินเกี่ยวข้องอะไรบ้าง?
• ข้อกำหนดด้านข้อมูลที่สำคัญคืออะไร
• มีข้อบกพร่องอะไรบ้างในแผนที่ความร้อนที่มีอยู่?
• มีประเด็นอะไรบ้างที่แผนที่ความร้อนไม่สามารถครอบคลุมได้อย่างมีประสิทธิภาพ
• จะไม่ทำแผนที่ความร้อนได้อย่างไร?
• มีทางเลือกที่ดีกว่า (ในบริบทเดียวกัน) กว่าแผนที่ความร้อนสำหรับการแสดงข้อมูลหรือไม่?

คำถามนี้ถูกแปลงเป็น Community Wiki และ wiki ที่ถูกล็อกเนื่องจากเป็นตัวอย่างของคำถามที่ค้นหารายการคำตอบและดูเหมือนจะเป็นที่นิยมมากพอที่จะป้องกันไม่ให้ปิด ควรได้รับการพิจารณาว่าเป็นกรณีพิเศษและไม่ควรถูกมองว่าเป็นประเภทของคำถามที่ได้รับการสนับสนุนในเรื่องนี้หรือไซต์สแต็ก Exchange ใด ๆ แต่ถ้าคุณต้องการมีส่วนร่วมกับเนื้อหามากขึ้น .

มีแผนที่ความร้อนอย่างน้อยสองชนิด:

1. แผ่นความร้อนเป็นตัวแทนของความเข้มข้นของจุดและ
2. Heatmaps แสดงการกระจายตัวของค่าคุณสมบัติ

ทุกวิธีมีข้อดีและปัญหาฉันกลัวว่าจะมีรายละเอียดมากกว่าคำถามและคำตอบนี้

ฉันจะพยายามแสดงวิธีการและฟังก์ชั่นสำหรับ QGIS และ GRASS

ความเข้มข้นของคะแนน

หากคุณกำลังติดตามการเคลื่อนไหวของสัตว์ป่ายานพาหนะ ฯลฯ อาจเป็นประโยชน์ในการประเมินภูมิภาคที่มีข้อความระบุสถานที่ตั้งที่มีความเข้มข้นสูง

เครื่องมือ: เช่นปลั๊กอิน QGIS Heatmap (มีให้ในรุ่น> 1.7.x) หรือ GRASS v.neighborหรือv.kernel

การแจกแจงของค่าแอตทริบิวต์

ที่นี่เราพูดถึงวิธีการแก้ไขโดยทั่วไปไม่มากก็น้อย วิธีการรวมถึง:

1. IDW

   ขึ้นอยู่กับการใช้งานซึ่งอาจเป็นทั่วโลก (ใช้คะแนนที่มีอยู่ทั้งหมดในชุด) หรือท้องถิ่น (ถูก จำกัด โดยจำนวนคะแนนหรือระยะห่างสูงสุดระหว่างจุดและตำแหน่งที่ถูกแก้ไข)

   เครื่องมือ: ปลั๊กอินการแก้ไข QGIS (ทั่วโลก), GRASS v.surf.idwหรือr.surf.idw (ท้องถิ่น)

2. เส้นโค้ง

   การใช้งานที่เป็นไปได้จำนวนมากอีกครั้ง B-Splines เป็นที่นิยม

   เครื่องมือ: GRASS v.surf.bspline

3. kriging

   วิธีการทางสถิติที่มีประเภทย่อยต่างๆ

   เครื่องมือ: GRASS v.krige (ขอบคุณ om_henners สำหรับคำแนะนำ) หรือใช้ R

สถิตินี่คือวิธีที่คุณควรทำแผนที่ความร้อน:

1) คุณสมบัติการรวมจุด แนวคิดของการบูรณาการคือการรับประเด็นที่ควรพิจารณาว่าเป็นเรื่องบังเอิญและรวมเข้าด้วยกันเป็นที่เดียว ฉันชอบใช้การวิเคราะห์เพื่อนบ้านที่ใกล้ที่สุดและใช้ค่าที่เหมาะสมจากที่นั่น (ตัวอย่างเช่นเมื่อทำแผนที่อาชญากรรมความร้อนฉันใช้เพื่อนบ้านที่ใกล้ที่สุดอันดับที่ 1 โดยเฉลี่ยสำหรับชุดข้อมูลพัสดุภัณฑ์พื้นฐานซึ่งอาชญากรรมถูกระบุพิกัดทางภูมิศาสตร์)

2) การเก็บรวบรวมเหตุการณ์ สิ่งนี้จะสร้างน้ำหนักเชิงพื้นที่สำหรับจุดรวมของคุณทั้งหมด เช่นหากคุณมี 5 กิจกรรมในสถานที่เดียวมันจะกลายเป็นจุดเดียวที่มีน้ำหนัก 5 ซึ่งเป็นสิ่งสำคัญสำหรับสองขั้นตอนต่อไป หากคุณจำเป็นต้องรวมแอตทริบิวต์ในเหตุการณ์ที่เกิดขึ้น pooled คือเหตุการณ์ที่แตกต่างกันมีน้ำหนักที่สูงขึ้นแล้วคุณสามารถใช้แบบหนึ่งต่อหนึ่งเชิงพื้นที่เข้าร่วม ใช้เอาต์พุต 'รวบรวมเหตุการณ์' เป็นเป้าหมายและเหตุการณ์แบบรวมดั้งเดิมของคุณเป็นคุณสมบัติเข้าร่วม ตั้งค่ากฎการผสานการแมปฟิลด์รวมแอตทริบิวต์ในเหตุการณ์ที่รวมเข้าด้วยกัน (โดยปกติคือ SUM แม้ว่าคุณจะสามารถใช้สถิติอื่น ๆ ได้)

3) กำหนดอัตอวกาศยอดใช้ทั่วโลกโมแรนฉัน เช่นเดียวกับที่กล่าวไว้ให้รันโมแรนระดับโลกของฉันตามช่วงเวลาที่แตกต่างกันเพื่อกำหนดช่วงความถี่สูงสุดของความสัมพันธ์เชิงพื้นที่ในระดับที่เหมาะสมกับการวิเคราะห์ที่คุณกำลังทำ คุณอาจต้องการเรียกใช้เพื่อนบ้านที่ใกล้ที่สุดอีกครั้งในกิจกรรมที่รวบรวมไว้ของคุณเพื่อกำหนดช่วงเริ่มต้นสำหรับการทดสอบ I moran ของคุณ (เช่นใช้ค่าสูงสุดสำหรับเพื่อนบ้านที่ใกล้ที่สุดคนแรก)

4) เรียกGetis-Ord Gi * ใช้แถบระยะทางคงที่ตามการวิเคราะห์ I ของ moran ของคุณหรือใช้ย่านระยะทางคงที่เป็นโซนของความเฉยเมย น้ำหนักเชิงพื้นที่ของคุณจากการรวบรวมเหตุการณ์คือฟิลด์การนับตัวเลขของคุณ สิ่งนี้จะให้คะแนน z สำหรับแต่ละเหตุการณ์ในชุดของคุณ

5) เรียกใช้IDWกับผลลัพธ์ของคุณจาก Getis-Ord Gi *

ผลลัพธ์นี้แตกต่างอย่างมากจากสิ่งที่คุณได้รับจากความหนาแน่นของเคอร์เนล มันจะแสดงให้คุณเห็นว่าค่าสูงและค่าต่ำถูกรวมเข้าด้วยกันมากกว่าที่ค่าสูงโดยไม่คำนึงถึงการทำคลัสเตอร์เช่นในความหนาแน่นของเคอร์เนล

ในขณะที่ฉันชอบแผนที่ความร้อนฉันรู้ว่าพวกเขามักใช้ผิด

โดยทั่วไปสิ่งที่ฉันเห็นเป็นกระบวนการที่สีของแต่ละพิกเซลจะขึ้นอยู่กับผลลัพธ์ของฟังก์ชั่นถ่วงน้ำหนักระยะทางผกผันที่ใช้กับคอลเลกชันของจุด เมื่อใดก็ตามที่แผนที่มีเครื่องหมายจุดที่ทับซ้อนกันจำนวนมากฉันคิดว่ามันคุ้มค่าที่จะพิจารณาแผนที่ความร้อน

นี่คือเว็บตาม API

GeoChalkboard มีดีกวดวิชาสำหรับมัน

คุณสามารถใช้IDWใน ArcGIS

สำหรับแผนที่ความร้อนที่เรียบง่ายและการสร้างบรรทัด countour ฉันได้ใช้ QGis กับการรวมกันของ Grass:

1. โหลดข้อมูลจุด
2. โหลดรูปร่างที่ จำกัด - เช่นขอบเขตของเขต
3. สร้างชุด map Grass
4. เปิดกล่องเครื่องมือ Grass และคลิกที่รายการโมดูลเพื่อค้นหาแต่ละเครื่องมือ
5. โหลดโมดูลv.in.ogr.qgisและโหลดทั้งข้อมูลจุดและรูปร่างขอบเขตแต่ละครั้งที่จำคลิกดูผลลัพธ์สำหรับแต่ละรายการ - ตั้งชื่อที่มีประโยชน์เช่นpointdataและmaskshape
6. แปลงmaskshapeเป็นแรสเตอร์เพื่อใช้เป็นหน้ากากที่มีv.to.rastและเพิ่มใน mapset - เรียกมันว่าmaskraster - ซึ่งอาจใช้เวลานานสำหรับรูปหลายเหลี่ยมที่ซับซ้อน
7. โหลดโมดูลr.maskเพื่อบังคับให้การดำเนินการถัดไปถูก จำกัด ไว้ที่ขอบเขตบัฟเฟอร์
8. เรียกv.surf.rstการผลิตตารางหยันจากpointdata - เลือกคอลัมน์ที่เหมาะสมเป็นเขตข้อมูลแอตทริบิวต์สำหรับการทำการแก้ไขและเรียกว่าสิ่งที่ต้องการrastersurface นี่เป็นบิตที่ต้องใช้เวลาและสร้างแรสเตอร์ที่สามารถใช้เป็นแผนที่ความร้อนหรืออาจเป็นเงา 3 มิติ
9. ปิดกล่องเครื่องมือ Grass
10. ใช้ปลั๊กอิน GDAL Raster Contours เพื่อเลือก GRASS raster เป็นอินพุต ปล่อยให้ค่าเริ่มต้นอยู่ที่ 10 และเลือกไดเรกทอรีผลลัพธ์ที่จะบันทึกรูปร่างของแฟ้มรูปทรง ทำเครื่องหมาย“ ชื่อแอตทริบิวต์” แล้วพิมพ์ชื่อ

หมายเหตุ: เพื่อให้ใช้งานได้ชุดข้อมูลควรอยู่ในการฉายภาพเดียวกัน!

ฉันคิดว่าคำถามนี้ได้รับคำตอบส่วนใหญ่ยกเว้นประเด็นสองสามข้อเกี่ยวกับปัญหา

แผนที่ความร้อนอาจยอดเยี่ยม แต่มีข้อบกพร่องและปัญหาอยู่กับการตีความ นำความแตกต่างระหว่างแผนที่ความร้อนของเหตุการณ์อาชญากรรมเปรียบเทียบกับแผนที่ (ความร้อนหรืออื่น ๆ ) ของอัตราอาชญากรรม / สัดส่วน แม้ว่าแผนผังความร้อนของเหตุการณ์อาจมีประโยชน์ในแง่ของการระบุความหนาแน่นของเหตุการณ์โดยรวม แต่ก็มีการประเมินความเสี่ยง แต่ก็มักถูกตีความหรือใช้ในทางที่ผิด พิจารณาเหตุการณ์จำนวนเดียวกันในภูมิภาคที่มีขนาดและรูปร่างเท่ากัน แต่มีประชากรแตกต่างกันในขณะที่อาชญากรรมอาจเข้มข้นในพื้นที่ซึ่งอาจเป็นเพราะมีผู้คนจำนวนมากในพื้นที่นั้น นอกจากนี้อัตราสำหรับข้อมูลเหตุการณ์เช่นสำหรับอาชญากรรมอาจเป็นเรื่องยากในการสร้างแบบจำลองเนื่องจากการสร้างแผนที่ความร้อนพวกเขาอาจต้องการกิจกรรมเช่นรูปแบบของประชากร แต่ผู้คนมักจะไม่หยุดนิ่ง

ประเด็นที่สองคือแผนที่ความร้อนถูก จำกัด ให้พิจารณาขนาดพื้นที่เดียวและการเลือกขนาดพื้นที่นี้เช่นขนาดเคอร์เนลหรืออัตราการสลายตัวอาจมีความซับซ้อนและขึ้นอยู่กับเป้าหมายของการศึกษา แต่ต้องเป็นธรรม . ถ้าประเด็นคือการระบุจุดศูนย์กลางของกระจุกดาวที่แข็งแกร่งที่สุดและสเกลที่เกิดขึ้น (อาจระบุแหล่งที่มาของการแพร่ระบาดของโรคและปัจจัยในการแพร่กระจายของมัน) ตัวเลือกที่ดีกว่าอาจพิจารณาหลายสเกล ด้วยการให้น้ำหนักที่เหมาะสมตามสัดส่วนกับขนาด / พื้นที่เพื่อสร้างแรสเตอร์ 3 มิติโดยที่ค่าสูงสุดในท้องถิ่นในแรสเตอร์สเกลอวกาศ 3 มิติระบุตำแหน่งของศูนย์กลางของกลุ่มและขนาดที่เกี่ยวข้องและการคงอยู่ระหว่างเครื่องชั่ง