Используя ArcGIS, QGIS, Grass и / или GVSIG:
- Какие инструменты и процессы используются для построения эффективных тепловых карт?
- Какие плагины задействованы?
- Каковы основные требования к данным?
- Каковы некоторые недостатки существующих тепловых карт?
- Каковы некоторые из проблем, которые тепловые карты не могут эффективно охватить?
- Как не сделать тепловую карту?
- Есть ли лучшие альтернативы (в том же контексте), чем тепловая карта для представления данных?
Ответы:
Существует как минимум два разных вида тепловых карт:
У каждого метода есть свои преимущества и проблемы, я боюсь, что вдаваться в детали - это далеко не только вопрос и ответ.
Я попытаюсь перечислить некоторые методы и функции для QGIS и GRASS.
Концентрация очков
Если вы отслеживаете движение дикой природы, транспортных средств и т. Д., Может быть полезно оценить регионы с высокой концентрацией сообщений о местоположении.
Инструменты: например, плагин QGIS Heatmap (доступен в версиях> 1.7.x) или GRASS v.neighbors или v.kernel
Распределение значений атрибутов
Здесь мы в основном говорим более или менее о методах интерполяции. Методы включают в себя:
IDW
В зависимости от реализации это может быть глобальным (с использованием всех доступных точек в наборе) или локальным (ограниченным количеством точек или максимальным расстоянием между точками и интерполированным положением).
Инструменты: модуль интерполяции QGIS (глобальный), GRASS v.surf.idw или r.surf.idw (локальный)
Сплайны
Опять же, огромное количество возможных реализаций. B-сплайны популярны.
Инструменты: GRASS v.surf.bspline
кригинг
Статистический метод с различными подтипами.
Инструменты: GRASS v.krige (спасибо om_henners за подсказку) или использование R.
источник
По статистике, вот как вы должны делать тепловую карту:
1) Интегрировать точечные функции. Идея интеграции состоит в том, чтобы взять точки, которые следует считать совпадающими, и объединить их в одно место. Мне нравится использовать анализ ближайшего соседа и использовать соответствующее значение оттуда. (Например, при составлении тепловой карты преступности я использую среднестатистического 1-го ближайшего соседа для базового набора данных участков, против которого геокодируются преступления).
2) Собирать события . Это создает пространственный вес для всех ваших интегрированных точек. Например, если у вас есть 5 событий в одном месте, это станет одной точкой с весом 5. Это важно для следующих двух шагов. Если вам нужно объединить атрибут в пул событий, т. Е. Различные события имеют больший вес, то вы можете использовать пространственное соединение один к одному . Используйте вывод «собирать событие» в качестве цели, а исходные интегрированные события - в качестве функций объединения. Установите правила слияния карт полей, чтобы статистически объединять атрибут интегрированных событий (обычно с суммой, хотя вы можете использовать другую статистику).
3) Определение пика пространственной автокорреляции с помощью I Global Морана . Точно так же, как говорится, запускайте глобальный Моран I с разными интервалами, чтобы определить пиковую полосу пространственной автокорреляции в масштабе, соответствующем анализу, который вы делаете. Возможно, вы захотите снова запустить ближайшего соседа для собранных вами событий, чтобы определить начальный диапазон для ваших испытаний I в Моране. (например, используйте максимальное значение для первого ближайшего соседа)
4) Запустите Getis-Ord Gi * . Используйте фиксированный диапазон расстояний, основанный на анализе I вашего Морана, или используйте фиксированный диапазон расстояний как зону безразличия. Ваш пространственный вес от событий сбора является вашим числовым полем. Это даст вам z-очки для каждой точки события в вашем наборе.
5) Запустите IDW против ваших результатов от Getis-Ord Gi *.
Этот результат значительно отличается от того, что вы получаете с плотностью ядра. Он покажет вам, где высокие значения и низкие значения сгруппированы вместе, а не просто где высокие значения, независимо от кластеризации, как в плотности ядра.
источник
Хотя мне нравятся тепловые карты, я понимаю, что они часто используются неправильно.
Обычно то, что я видел, - это процесс, в котором цвет каждого пикселя основан на результате взвешенной функции обратного расстояния, примененной к совокупности точек. Каждый раз, когда на карте много наложенных маркеров, я думаю, что стоит рассмотреть тепловую карту.
Вот веб-интерфейс API .
GeoChalkboard имеет хороший учебник для него .
Вы можете использовать IDW в ArcGIS.
источник
Для простых тепловых карт и генерации контурных линий я использовал QGis с интеграцией Grass:
NB. Чтобы это работало, наборы данных должны быть в одной проекции!
источник
Я думаю, что на этот вопрос в основном ответили за исключением нескольких моментов о проблемах.
Тепловые карты могут быть отличными, но классический недостаток и проблема заключается в интерпретации. Возьмите разницу между тепловой картой преступных событий и картой (высокой температурой или иным образом) уровня / доли преступности. Хотя тепловая карта событий может быть полезна с точки зрения определения общей плотности событий, она является слепой в качестве оценки риска, но ее часто интерпретируют или неправильно используют таким образом. Рассмотрим одинаковое количество событий в регионе того же размера и формы, но с другим населением, в то время как преступность может быть сконцентрирована в области, что может быть просто потому, что в этом пространстве больше людей. Кроме того, показатели для данных о событиях, например, по преступлениям, могут быть сложными для моделирования, поскольку для создания растра тепловой карты им может потребоваться событие, подобное модели населения, но люди не склонны стоять на месте.
Вторая проблема заключается в том, что тепловая карта ограничена рассмотрением одного пространственного масштаба, и выбор этого пространственного масштаба, то есть размера ядра или скорости распада, может быть сложным и зависит от целей исследования, но должен быть обоснован , Если цель состоит в том, чтобы идентифицировать центр самого сильного кластера и масштаб, в котором он происходит (возможно, чтобы определить источник вспышки заболевания и фактор его распространения), лучшим вариантом может быть рассмотрение нескольких шкал. При соответствующих весах, пропорциональных масштабу / площади, для создания трехмерного растра, где локальные максимумы в трехмерном растре масштабного масштаба указывают местоположение центра кластеров и их соответствующие размеры, а также постоянство между масштабами.
источник