Идентификация кластеров в векторных точечных данных с использованием QGIS?

У меня есть векторный набор данных сельских широкополосных точек данных (как быстро и т. Д.), И я хотел бы изучить, существуют ли кластеры точек с похожими характеристиками, и построить окружающие их многоугольники.

Например, у меня может быть 45 000 точек в одном наборе данных PostGIS, распределенном по ландшафту. Я хочу идентифицировать кластеры, которые лежат в пределах x км друг от друга и где скорость ниже y кбит / с, и производить выпуклые корпуса для каждого подходящего кластера.

Есть ли простой способ сделать это в QGIS, например?

Я соединил биты из нескольких предложений и добавил немного своего собственного и нашел решение, которое хорошо работает для меня - и все изнутри QGis!

Сначала я запустил PostGis SELECT, чтобы найти точки, которые имеют правильные общие атрибуты и находятся в пределах x км друг от друга:

ВЫБЕРИТЕ DISTINCT s1.postcode, s1.the_geom, s1.gid ОТ broadband_data AS s1 ПРИСОЕДИНЯЙТЕСЬ к broadband_data AS s2 ON ST_DWithin (s1.the_geom, s2.the_geom, 1000) ГДЕ s1.postcode! = S2.postcode AND s1.fastest_broadband <= 2000

(Практически прямо из очень хорошей книги Мэннинга « PostGis in Action» , только добавление самостоятельного соединения)

Затем я загрузил плагин ManageR от Carson Farmer и импортировал слой. Отсюда я последовал за предложенный процесс кластеризации РАМ здесь , и экспортировать результат в файл формы, на которой Выпуклые шелуха были рассчитаны в секундах , используя fTools (Carson делает обойти!).

Хотя это не решение QGIS, я лично выбрал бы некоторый предварительный анализ с использованием SaTScan . Это быстро, хорошо документировано и широко применяется, поэтому у вас не должно возникнуть проблем с запуском. 45k очков может потребовать некоторого объема ОЗУ.

Я не уверен, что он может читать напрямую из Postgres, но легко импортирует из dbf и текстовых файлов.

Результаты анализа могут быть легко прочитаны обратно в Postgres или QGIS. Вы можете решить искать круговые скопления или эллипсы (может быть полезно использовать, если в ваших данных есть определенный тип поселений, например, длинные города / деревни в долинах и т. Д.). Затем вы можете создавать полигоны или эллипсы или отображать только те места, которые являются членами кластеров.

Для быстрого просмотра результатов в Google Планета Земля вы также можете использовать инструмент преобразования SaTScan в Google Планета Земля NAACCR .

Важно отметить, что если вы решите запустить симуляции Монте-Карло (думаю, минимум 99), вы также сможете рассказать кое-что о статистической значимости ваших кластеров. Интерпретация и обоснование этих кластеров будет еще одной проблемой, поскольку она обсуждалась в пространственных науках, по крайней мере, в течение последних двух десятилетий (я думаю;).

Вы можете попытаться запустить чисто пространственный анализ в поисках кластеров с высокими, низкими или высокими значениями. Если у вас есть некоторые временные атрибуты в ваших данных * ежедневно, еженедельные агрегации), то я думаю, что было бы действительно интересно запустить некоторые модели пространства-времени.

SciPy имеет пакет кластеризации (для python), вы можете использовать его в консоли python, написать простой плагин для этого или использовать PL / python внутри postgis.

http://docs.scipy.org/doc/scipy/reference/cluster.html

После анализа просто используйте f-инструменты для создания выпуклых оболочек.

Там есть похожий пример того , что вы хотите сделать с помощью R и GRASS здесь . В качестве альтернативы вы можете использовать инструменты кластеризации scipy, как это было предложено, а затем выполнить вычисления выпуклой оболочки, используя этот метод .

Вы можете попробовать плагин Ftools. Vector> Geoprocessing Tools> Convex Hulls.

Существует опция для Create convex hulls based on input field, параметр поля ввода должен исходить из атрибутов ваших точек ввода.