Pengelompokan data geografis berdasarkan lokasi titik dan nilai titik terkait

Poin data yang diberikan dengan bujur, lintang, dan nilai properti ketiga dari titik ini. Bagaimana saya bisa mengelompokkan poin ke dalam grup (sub-wilayah geografis) berdasarkan nilai properti? Saya mencari oleh Google dan menemukan bahwa masalah ini tampaknya disebut "pengelompokan terbatas spasial" atau "regionalisasi". Namun, saya tidak terbiasa dengan penanganan data geografis dan belum mendapatkan ide tentang jenis algoritma apa yang baik, dan paket python / R mana yang bagus untuk tugas ini.

Untuk memberikan ide yang lebih intuitif tentang apa yang saya inginkan, katakanlah plot pencar data saya adalah sebagai berikut:

Jadi setiap titik adalah titik, x adalah garis bujur, y adalah garis lintang, dan colormap menunjukkan apakah nilainya besar atau kecil. Saya ingin membagi titik-titik tersebut ke dalam sub wilayah / kelompok / kluster berdasarkan lokasi dan kesamaan nilai. Seperti yang berikut ini (bukan yang saya inginkan, hanya untuk menunjukkan ide intuitif.):

Jadi bagaimana saya bisa mencapai ini?

Paket rioja menyediakan fungsionalitas untuk pengelompokan hierarkis terbatas. Untuk apa yang Anda pikirkan sebagai "dibatasi spasial" Anda akan menentukan potongan Anda berdasarkan jarak sedangkan untuk "regionalisasi" Anda bisa menggunakan k tetangga terdekat. Saya sangat merekomendasikan memproyeksikan data Anda sehingga berada dalam sistem koordinat berbasis jarak.

require(sp)
require(rioja)

data(meuse)
  coordinates(meuse) <- ~x+y
  cdat <- data.frame(x=coordinates(meuse)[,1],y=coordinates(meuse)[,2])
  rownames(cdat) <- rownames(meuse@data)

# Constrained hierarchical clustering 
chc <- chclust(dist(cdat), method="conslink")

# Using kNN with 3 neighbors
chc.n3 <- cutree(chc, k=3) 

# Using distance 
chc.d200 <- cutree(chc, h=200) 

meuse@data <- data.frame(meuse@data, KNN=as.factor(chc.n3), DClust=chc.d200)

opar <- par
  par(mfcol=c(1,2))  
   cols <- topo.colors(length(unique(meuse@data$KNN)))  
    color <- rep("xx", nrow(meuse@data))
      for(i in 1:length(unique(meuse@data$KNN))) {
        v <- unique(meuse@data$KNN)[i] 
          color[(meuse@data$KNN == v)] <- cols[i]
        }
    plot(meuse, col=color, pch=19, main="kNN Clustering")
      box()

    cols <- topo.colors(length(unique(meuse@data$DClust)))  
    color <- rep("xx", nrow(meuse@data))
      for(i in 1:length(unique(meuse@data$DClust))) {
        v <- unique(meuse@data$DClust)[i] 
          color[(meuse@data$DClust == v)] <- cols[i]
        }
    plot(meuse, col=color, pch=19, main="Distance Clustering")
      box() 
par <- opar