Menggunakan ArcGIS, QGIS, Rumput, dan / atau GVSIG:
- Apa saja alat dan proses yang terlibat dalam membangun peta panas yang efektif?
- Apa saja plugin yang terlibat?
- Apa persyaratan data utama?
- Apa saja kelemahan dengan peta panas yang ada?
- Apa saja masalah yang tidak bisa dibahas oleh peta panas secara efektif?
- Bagaimana tidak melakukan peta panas?
- Apakah ada alternatif yang lebih baik (dalam konteks yang sama) daripada peta panas untuk representasi data?
Jawaban:
Setidaknya ada dua jenis peta panas:
Setiap metode memiliki kelebihan dan masalah, saya khawatir masuk ke detail jauh melampaui T&J ini.
Saya akan mencoba membuat daftar beberapa metode dan fungsi untuk QGIS dan GRASS.
Konsentrasi poin
Jika Anda melacak pergerakan satwa liar, kendaraan, dll. Akan berguna untuk menilai daerah dengan konsentrasi pesan lokasi yang tinggi.
Alat: mis. Plugin QGIS Heatmap (tersedia dalam versi> 1.7.x) atau GRASS v.neighbors atau v.kernel
Distribusi nilai atribut
Di sini, kita pada dasarnya berbicara lebih atau kurang tentang metode interpolasi. Metode meliputi:
IDW
Bergantung pada implementasinya, ini bisa bersifat global (menggunakan semua titik yang tersedia di set) atau lokal (dibatasi oleh jumlah titik atau jarak maksimum antara titik dan posisi yang diinterpolasi).
Alat: Plugin interpolasi QGIS (global), GRASS v.surf.idw atau r.surf.idw (lokal)
Splines
Sekali lagi, sejumlah besar kemungkinan implementasi. B-Splines populer.
Alat: GRASS v.surf.bspline
Kriging
Metode statistik dengan berbagai sub-tipe.
Alat: GRASS v.krige (terima kasih kepada om_henners untuk tipnya) atau menggunakan R.
sumber
Secara statistik, inilah cara Anda melakukan peta panas:
1) Mengintegrasikan fitur titik. Ide integrasi adalah untuk mengambil poin yang harus dianggap kebetulan dan menggabungkannya sebagai satu lokasi. Saya suka menggunakan analisis tetangga terdekat dan menggunakan nilai yang sesuai dari sana. (Misalnya, ketika melakukan peta panas kejahatan, saya menggunakan tetangga terdekat rata - rata 1 untuk dataset paket yang mendasari terhadap mana kejahatan tersebut di-geocode).
2) Kumpulkan acara . Ini menciptakan bobot spasial untuk semua titik terintegrasi Anda. Misalnya, jika Anda memiliki 5 acara di satu lokasi, itu akan menjadi satu poin dengan bobot 5. Ini penting untuk dua langkah berikutnya. Jika Anda perlu menjumlahkan atribut dalam acara yang dikumpulkan, yaitu acara yang berbeda memiliki bobot lebih tinggi, maka Anda dapat menggunakan gabungan spasial satu-ke-satu . Gunakan output 'kumpulkan acara' sebagai target dan acara terintegrasi asli Anda sebagai fitur bergabung. Tetapkan aturan gabungan peta bidang yang secara statistik menggabungkan atribut pada acara terintegrasi (biasanya dengan SUM, meskipun Anda dapat menggunakan statistik lainnya).
3) Tentukan autokorelasi spasial puncak menggunakan global Moran saya . Seperti yang dikatakannya, jalankan global moran's I pada interval yang berbeda untuk menentukan pita puncak autokorelasi spasial dalam skala yang sesuai dengan analisis yang Anda lakukan. Anda mungkin ingin menjalankan tetangga terdekat lagi pada acara yang Anda kumpulkan untuk menentukan rentang awal untuk pengujian I moran Anda. (mis. gunakan nilai maks untuk tetangga terdekat pertama)
4) Jalankan Getis-Ord Gi * . Gunakan pita jarak tetap berdasarkan analisis I moran Anda, atau gunakan pita jarak tetap sebagai zona ketidakpedulian. Bobot spasial Anda dari acara kumpulkan adalah bidang jumlah numerik Anda. Ini akan memberi Anda skor-z untuk setiap titik acara di set Anda.
5) Jalankan IDW terhadap hasil Anda dari Getis-Ord Gi *.
Hasil ini sangat berbeda dari yang Anda dapatkan dengan kepadatan kernel. Ini akan menunjukkan kepada Anda di mana nilai tinggi dan nilai rendah dikelompokkan bersama daripada hanya di mana nilai tinggi, tanpa memperhatikan pengelompokan, seperti dalam kepadatan kernel.
sumber
Sementara saya suka peta panas, saya menyadari mereka sering salah digunakan.
Biasanya yang saya lihat adalah proses di mana warna setiap piksel didasarkan pada hasil dari fungsi berbobot jarak terbalik yang diterapkan pada kumpulan titik. Setiap kali peta memiliki banyak penanda titik yang tumpang tindih, saya pikir perlu mempertimbangkan peta panas.
Ini api berbasis web .
GeoChalkboard memiliki tutorial yang bagus untuk itu .
Anda dapat menggunakan IDW di ArcGIS.
sumber
Untuk peta panas sederhana dan menghasilkan garis countour, saya telah menggunakan QGis dengan integrasi Rumput:
NB: Agar ini berfungsi, dataset harus dalam proyeksi yang sama!
sumber
Saya pikir pertanyaan ini sebagian besar telah dijawab kecuali beberapa poin tentang masalah tersebut.
Peta panas bisa bagus, tetapi kelemahan klasik dan masalah terletak pada interpretasi. Ambil perbedaan antara peta panas peristiwa kejahatan dibandingkan dengan peta (panas atau lainnya) tingkat kejahatan / proporsi. Sementara peta panas peristiwa mungkin berguna dalam hal mengidentifikasi kepadatan acara keseluruhan, itu buta sebagai perkiraan risiko, tetapi sering ditafsirkan atau disalahgunakan dengan cara ini. Pertimbangkan jumlah kejadian yang sama di suatu wilayah dengan ukuran dan bentuk yang sama, tetapi dengan populasi yang berbeda, sementara kejahatan mungkin terkonsentrasi di suatu daerah, itu bisa saja karena ada lebih banyak orang di ruang itu. Selain itu, angka untuk data kejadian, seperti untuk kejahatan, bisa sulit untuk dimodelkan, karena untuk menghasilkan peta panas raster, mereka dapat memerlukan acara seperti model populasi, tetapi orang-orang cenderung tidak tinggal diam.
Masalah kedua adalah bahwa peta panas terbatas untuk mempertimbangkan skala ruang tunggal, dan memilih skala ruang ini, yaitu ukuran kernel atau tingkat peluruhan, dapat rumit dan tergantung pada tujuan penelitian, tetapi harus dibenarkan. . Jika intinya adalah untuk mengidentifikasi pusat dari kelompok terkuat, dan skala di mana ia terjadi (mungkin untuk mengidentifikasi sumber wabah penyakit, dan faktor penyebarannya) pilihan yang lebih baik mungkin dengan mempertimbangkan berbagai skala. Dengan bobot yang sesuai dengan skala / area untuk menghasilkan raster 3 dimensi, di mana maksimum lokal dalam raster skala ruang 3D menunjukkan lokasi pusat cluster dan ukurannya masing-masing, dan persistensi antara skala.
sumber