Xây dựng bản đồ nhiệt hiệu quả?

Sử dụng ArcGIS, QGIS, Grass và / hoặc GVSIG:

• Một số công cụ và quy trình liên quan đến việc xây dựng bản đồ nhiệt hiệu quả là gì?
• Các plugin liên quan là gì?
• Các yêu cầu dữ liệu chính là gì?
• Một số sai sót với bản đồ nhiệt hiện có là gì?
• Một số vấn đề mà bản đồ nhiệt không thể giải quyết hiệu quả là gì?
• Làm thế nào để không làm một bản đồ nhiệt?
• Có những lựa chọn thay thế tốt hơn (trong cùng bối cảnh) so với bản đồ nhiệt để biểu diễn dữ liệu?

Câu hỏi này đã được chuyển đổi sang Community Wiki và wiki bị khóa vì đây là một ví dụ về câu hỏi tìm kiếm danh sách các câu trả lời và dường như đủ phổ biến để bảo vệ nó khỏi bị đóng. Nó nên được coi là một trường hợp đặc biệt và không nên được xem là loại câu hỏi được khuyến khích trên trang này hoặc bất kỳ trang web Stack Exchange nào, nhưng nếu bạn muốn đóng góp thêm nội dung cho nó thì hãy thoải mái làm điều đó bằng cách chỉnh sửa câu trả lời này .

Có ít nhất hai loại bản đồ nhiệt khác nhau:

1. Heatmap thể hiện sự tập trung của các điểm và
2. Heatmap đại diện cho phân phối các giá trị thuộc tính

Mọi phương pháp đều có ưu điểm và vấn đề, tôi sợ đi sâu vào chi tiết vượt xa câu hỏi và trả lời này.

Tôi sẽ cố gắng liệt kê một số phương thức và chức năng cho QGIS và GRASS.

Nồng độ điểm

Nếu bạn đang theo dõi chuyển động của động vật hoang dã, xe cộ, v.v ... có thể hữu ích để đánh giá các khu vực có thông điệp vị trí tập trung cao.

Công cụ: ví dụ: plugin QGIS Heatmap (có sẵn trong các phiên bản> 1.7.x) hoặc GRASS v.neighbor hoặc v.kernel

Phân phối các giá trị thuộc tính

Ở đây, về cơ bản chúng ta đang nói ít nhiều về các phương pháp nội suy. Các phương pháp bao gồm:

1. IDW

   Tùy thuộc vào việc triển khai, điều này có thể là toàn cầu (sử dụng tất cả các điểm khả dụng trong tập hợp) hoặc cục bộ (giới hạn bởi số điểm hoặc khoảng cách tối đa giữa các điểm và vị trí nội suy).

   Công cụ: Plugin nội suy QGIS (toàn cầu), GRASS v.surf.idw hoặc r.surf.idw (cục bộ)

2. Splines

   Một lần nữa, số lượng lớn các triển khai có thể. B-Splines là phổ biến.

   Công cụ: GRASS v.surf.bspline

3. Kriging

   Phương pháp thống kê với các loại phụ khác nhau.

   Công cụ: GRASS v.krige (nhờ om_henners cho tiền boa) hoặc sử dụng R.

Theo thống kê, đây là cách bạn nên thực hiện một bản đồ nhiệt:

1) Tích hợp các tính năng điểm. Ý tưởng tích hợp là lấy các điểm nên được coi là trùng khớp và hợp nhất chúng lại với nhau như một vị trí. Tôi thích sử dụng phân tích hàng xóm gần nhất và sử dụng một giá trị thích hợp từ đó. (Ví dụ: khi thực hiện bản đồ nhiệt tội phạm, tôi sử dụng người hàng xóm gần nhất trung bình thứ 1 cho tập dữ liệu bưu kiện cơ bản mà tội phạm được mã hóa địa lý).

2) Thu thập các sự kiện . Điều này tạo ra trọng số không gian cho tất cả các điểm tích hợp của bạn. Ví dụ: nếu bạn có 5 sự kiện tại một địa điểm, nó sẽ trở thành một điểm với trọng số 5. ​​Điều này rất cần thiết cho hai bước tiếp theo. Nếu bạn cần tổng hợp một thuộc tính trong các sự kiện được gộp chung, tức là các sự kiện khác nhau có trọng số cao hơn, thì bạn có thể sử dụng phép nối không gian một-một . Sử dụng đầu ra 'thu thập sự kiện' làm mục tiêu và các sự kiện tích hợp ban đầu của bạn làm tính năng tham gia. Đặt quy tắc hợp nhất bản đồ trường kết hợp thống kê thuộc tính trên các sự kiện tích hợp (thông thường với SUM, mặc dù bạn có thể sử dụng các số liệu thống kê khác).

3) Xác định tự động tương quan không gian cực đại bằng I toàn cầu . Giống như nó nói, hãy chạy I moran toàn cầu theo các khoảng thời gian khác nhau để xác định dải tự động tương quan không gian theo thang đo phù hợp với phân tích bạn đang thực hiện. Bạn có thể muốn chạy lại hàng xóm gần nhất trong các sự kiện đã thu thập của mình để xác định phạm vi bắt đầu cho các bài kiểm tra I của tôi. (ví dụ: sử dụng giá trị tối đa cho hàng xóm gần nhất đầu tiên)

4) Chạy Getis-Ord Gi * . Sử dụng dải khoảng cách cố định dựa trên phân tích I của moran của bạn hoặc sử dụng dải khoảng cách cố định làm vùng lãnh đạm. Trọng lượng không gian của bạn từ việc thu thập các sự kiện là trường đếm số của bạn. Điều này sẽ cung cấp cho bạn điểm z cho từng điểm sự kiện trong bộ của bạn.

5) Chạy IDW chống lại kết quả của bạn từ Getis-Ord Gi *.

Kết quả này khác biệt đáng kể so với những gì bạn nhận được với mật độ hạt nhân. Nó sẽ cho bạn thấy nơi giá trị cao và giá trị thấp được nhóm lại với nhau chứ không chỉ là nơi giá trị cao, mà không liên quan đến phân cụm, như trong mật độ hạt nhân.

Trong khi tôi thích bản đồ nhiệt, tôi nhận ra chúng thường được sử dụng sai.

Thông thường những gì tôi đã thấy là một quá trình theo đó màu của mỗi pixel dựa trên kết quả của hàm trọng số khoảng cách nghịch đảo được áp dụng cho tập hợp các điểm. Bất cứ khi nào một bản đồ có nhiều điểm đánh dấu chồng chéo, tôi nghĩ rằng nó đáng để xem xét một bản đồ nhiệt.

Đây là một api dựa trên web .

GeoChalkboard có một hướng dẫn tốt cho nó .

Bạn có thể sử dụng IDW trong ArcGIS.

Đối với các bản đồ nhiệt đơn giản và tạo các đường đếm, tôi đã sử dụng QGis với phép tích hợp Cỏ:

1. Tải điểm dữ liệu
2. Tải một hình dạng giới hạn - ví dụ: ranh giới quận
3. Tạo một bản đồ cỏ
4. Mở hộp công cụ Grass và nhấp vào danh sách mô-đun để tìm kiếm từng công cụ
5. Tải mô-đun v.in.ogr.qgis và tải cả dữ liệu điểm và hình dạng đường biên, mỗi lần nhớ nhấp vào đầu ra xem cho mỗi - đặt cho mỗi tên một tên hữu ích như pointdata và maskshape
6. Chuyển đổi maskshape thành raster để sử dụng nó làm mặt nạ với v.to.rast và thêm vào mapset - gọi nó là một cái gì đó giống như maskraster - điều này có thể mất thời gian cho các đa giác phức tạp.
7. Tải mô-đun r.mask để buộc hành động tiếp theo bị giới hạn trong vùng đệm.
8. Chạy v.surf.rst để tạo lưới nội suy từ pointdata - chọn cột thích hợp làm trường thuộc tính để thực hiện phép nội suy và gọi nó là một cái gì đó giống như rastersurface . Đây là bit cần có thời gian và tạo ra một raster có thể được sử dụng làm bản đồ nhiệt hoặc có thể được tô bóng 3D.
9. Đóng hộp công cụ Grass
10. Sử dụng trình cắm Đường viền GDAL raster chọn trình raster GRASS làm đầu vào; để giá trị mức mặc định ở mức 10 và chọn một thư mục đầu ra trong đó các đường viền shapefile sẽ được lưu. Kiểm tra tên thuộc tính của người khác và nhập tên.

NB: Để làm việc này, các bộ dữ liệu phải ở cùng một hình chiếu!

Tôi nghĩ rằng câu hỏi này đã được trả lời phần lớn ngoại trừ một vài điểm về các vấn đề.

Bản đồ nhiệt có thể là tuyệt vời, nhưng một lỗ hổng cổ điển và vấn đề nằm ở sự giải thích. Lấy sự khác biệt giữa bản đồ nhiệt của các sự kiện tội phạm so với bản đồ (nhiệt hoặc tỷ lệ khác) về tỷ lệ / tỷ lệ tội phạm. Mặc dù bản đồ nhiệt sự kiện có thể hữu ích trong việc xác định mật độ sự kiện tổng thể, nhưng nó bị mù như là một ước tính rủi ro, nhưng thường sẽ được giải thích hoặc sử dụng sai theo cách này. Hãy xem xét cùng một số sự kiện trong một khu vực có cùng kích thước và hình dạng, nhưng với dân số khác nhau, trong khi tội phạm có thể tập trung ở một khu vực, điều đó đơn giản có thể là do có nhiều người hơn trong không gian đó. Ngoài ra, tỷ lệ cho dữ liệu sự kiện, như đối với tội phạm, có thể khó lập mô hình, vì để tạo ra một raster bản đồ nhiệt, họ có thể yêu cầu một sự kiện như mô hình dân số, nhưng mọi người không có xu hướng đứng yên.

Vấn đề thứ hai là bản đồ nhiệt bị giới hạn trong việc xem xét một tỷ lệ không gian duy nhất và việc chọn tỷ lệ không gian này, tức là kích thước hạt nhân hoặc tốc độ phân rã, có thể phức tạp và phụ thuộc vào mục tiêu của nghiên cứu, nhưng phải được chứng minh . Nếu mục đích là xác định trung tâm của cụm mạnh nhất và thang đo xảy ra (có lẽ để xác định nguồn gốc của dịch bệnh và một yếu tố trong sự lây lan của nó) thì một lựa chọn tốt hơn có thể là xem xét nhiều thang đo. Với trọng số phù hợp tỷ lệ với tỷ lệ / diện tích để tạo ra raster 3 chiều, trong đó mức tối đa cục bộ trong raster quy mô không gian 3D cho biết vị trí của tâm cụm và kích thước tương ứng của chúng và độ bền giữa các tỷ lệ.