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.