Создание эффективных тепловых карт?

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?

Этот вопрос был преобразован в вики сообщества, а вики заблокированы, потому что это пример вопроса, который ищет список ответов и кажется достаточно популярным, чтобы защитить его от закрытия. Его следует рассматривать как особый случай, и его не следует рассматривать как тип вопросов, которые поощряются на этом или любом сайте Stack Exchange, но если вы хотите внести в него больше контента, сделайте это, отредактировав этот ответ. ,

Существует как минимум два разных вида тепловых карт:

1. Тепловые карты, представляющие концентрацию точек, и
2. Тепловые карты, представляющие распределения значений атрибутов

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:

1. 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)

2. Сплайны

   Опять же, огромное количество возможных реализаций. B-сплайны популярны.

   Инструменты: GRASS v.surf.bspline

3. кригинг

   Статистический метод с различными подтипами.

   Инструменты: GRASS v.krige (спасибо om_henners за подсказку) или использование R.

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.

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.

Для простых тепловых карт и генерации контурных линий я использовал QGis с интеграцией Grass:

1. Загрузить данные точек
2. Загрузите ограничивающую форму - например, границу округа
3. Создать набор карт Grass
4. Откройте панель инструментов Grass и щелкните список модулей, чтобы найти каждый инструмент.
5. Загрузите модуль v.in.ogr.qgis и загрузите как точечные данные, так и форму границы, каждый раз не забывая щелкнуть по выводу вида для каждого - дайте каждому полезное имя, например, pointdata и maskshape
6. Преобразуйте maskshape в растр, чтобы использовать его в качестве маски с v.to.rast и добавьте в набор карт - назовите его как maskraster - это может занять время для сложных полигонов.
7. Загрузите модуль r.mask, чтобы следующее действие было ограничено буферной областью.
8. Запустите v.surf.rst, чтобы создать интерполированную сетку из точек данных - выберите соответствующий столбец в качестве поля атрибута для выполнения интерполяции и назовите его чем-то вроде растровой поверхности . Это бит, который требует времени и генерирует растр, который можно использовать в качестве тепловой карты или можно затемнять в 3D.
9. Закройте панель инструментов Grass
10. Используйте плагин GDAL Raster Contours, выбрав в качестве входа растр GRASS; оставьте значение уровней по умолчанию равным 10, и выберите выходной каталог, в который будет сохранен шейп-файл контуров. Проверьте «Имя атрибута» и введите имя.

NB. Чтобы это работало, наборы данных должны быть в одной проекции!

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.