¿Construyendo mapas de calor efectivos?

65

Utilizando ArcGIS, QGIS, Grass y / o GVSIG:

  • ¿Cuáles son algunas de las herramientas y procesos involucrados en la construcción de mapas de calor efectivos?
  • ¿Cuáles son los complementos involucrados?
  • ¿Cuáles son los principales requisitos de datos?
  • ¿Cuáles son algunas de las fallas con los mapas de calor existentes?
  • ¿Cuáles son algunos de los problemas que los mapas de calor no pueden cubrir de manera efectiva?
  • ¿Cómo no hacer un mapa de calor?
  • ¿Existen mejores alternativas (en el mismo contexto) que el mapa de calor para la representación de datos?
pregunta dassouki 11.12.2018 - 07:24

5 respuestas

74
  

Esta pregunta se ha convertido a Community Wiki y wiki bloqueado.   Porque es un ejemplo de una pregunta que busca una lista de respuestas.   y parece ser lo suficientemente popular como para protegerlo del cierre. Eso   debe tratarse como un caso especial y no debe considerarse como el   tipo de pregunta que se recomienda en este o en cualquier intercambio de pila   sitio, pero si desea contribuir más contenido a él, entonces siéntase libre   para hacerlo editando esta respuesta.

Hay al menos dos tipos diferentes de mapas de calor:

  1. Mapas de calor que representan la concentración de puntos, y
  2. Mapas de calor que representan distribuciones de valores de atributos

Todos los métodos tienen ventajas y problemas, me temo que entrar en detalles va mucho más allá de esta Q & amp. A.

Intentaré enumerar algunos métodos y funciones para QGIS y GRASS.

Concentración de puntos

Si está rastreando el movimiento de la vida silvestre, vehículos, etc., puede ser útil evaluar las regiones con alta concentración de mensajes de ubicación.

Herramientas: por ejemplo, QGIS Heatmap plugin (disponible en las versiones > 1.7.x) o GRASS v.neighbors o < a href="https://grass.osgeo.org/grass73/manuals/v.kernel.html"> v.kernel

Distribuciones de valores de atributo

Aquí, básicamente estamos hablando más o menos acerca de los métodos de interpolación. Los métodos incluyen:

  1. IDW

    Dependiendo de la implementación, esto puede ser global (utilizando todos los puntos disponibles en el conjunto) o local (limitado por el número de puntos o la distancia máxima entre puntos y la posición interpolada).

    Herramientas: complemento de interpolación QGIS (global), GRASS v.surf.idw o r.surf.idw (local)

  2. Splines

    De nuevo, gran número de posibles implementaciones. B-Splines son populares.

    Herramientas: GRASS v.surf.bspline

  3. Kriging

    Método estadístico con varios subtipos.

    Herramientas: GRASS v.krige (gracias a om_henners por el consejo) o usando R.

respondido por el underdark 11.12.2018 - 07:25
34

Estadísticamente, aquí es cómo debe hacer un mapa de calor:

1) Integrar características de puntos. La idea de la integración es tomar los puntos que deben considerarse coincidentes y combinarlos como una sola ubicación. Me gusta usar el análisis del vecino más cercano y usar un valor apropiado desde allí. (Por ejemplo, al hacer un mapa de calor de crimen, uso el promedio del primer vecino más cercano para el conjunto de datos subyacente de la parcela contra el cual se geocodifican los delitos).

2) Recopilar eventos . Esto crea un peso espacial para todos sus puntos integrados. P.ej. Si tiene 5 eventos en una sola ubicación, se convertirá en un punto con un peso 5. Esto es esencial para los próximos dos pasos. Si necesita agregar un atributo en los eventos agrupados, es decir, diferentes eventos tienen mayor peso, entonces puede usar una unión espacial uno a uno . Utilice la salida 'recopilar eventos' como destino y sus eventos integrados originales como funciones de unión. Establezca las reglas de combinación del mapa de campo combinando estadísticamente el atributo en los eventos integrados (normalmente con un SUM, aunque puede usar otras estadísticas).

3) Determine la autocorrelación espacial máxima utilizando I de Moran Global . Tal como dice, ejecute el I de Moran global a diferentes intervalos para determinar la banda máxima de autocorrelación espacial en la escala apropiada para el análisis que está realizando. Es posible que desee volver a ejecutar el vecino más cercano en los eventos recopilados para determinar el rango de inicio de las pruebas I de Moran. (por ejemplo, utilice el valor máximo para el primer vecino más cercano)

4) Ejecuta Getis-Ord Gi * . Use una banda de distancia fija basada en el análisis I de su moran, o use la banda de distancia fija como zona de indiferencia. Su peso espacial de los eventos de recopilación es su campo de conteo numérico. Esto le dará puntajes z para cada punto de evento en su conjunto.

5) Ejecute IDW en contra de sus resultados de Getis-Ord Gi *.

Este resultado es significativamente diferente de lo que se obtiene con la densidad del kernel. Le mostrará dónde se agrupan los valores altos y los valores bajos en lugar de solo los valores altos, sin importar la agrupación, como en la densidad del kernel.

    
respondido por el blord-castillo 25.09.2012 - 22:46
20

Aunque me gustan los mapas de calor, me doy cuenta de que a menudo se usan mal.

Por lo general, lo que he visto es un proceso en el que el color de cada píxel se basa en el resultado de una función ponderada de distancia inversa aplicado a una colección de puntos. Cada vez que un mapa tiene muchos marcadores de puntos superpuestos, creo que vale la pena considerar un mapa de calor.

Aquí hay una API basada en web .

GeoChalkboard tiene un buen tutorial para ello .

Puede usar IDW en ArcGIS.

    
respondido por el Kirk Kuykendall 23.07.2010 - 23:17
12

Para mapas de calor simples y líneas de contorno generadas, he usado QGis con la integración de Grass:

  1. Cargar puntos de datos
  2. Cargar una forma limitante, por ejemplo, límite del condado
  3. Crear un conjunto de mapas Grass
  4. Abra la caja de herramientas Grass y haga clic en la lista de módulos para buscar cada herramienta
  5. Cargue el módulo v.in.ogr.qgis y cargue los datos de puntos y la forma del límite, cada vez que recuerde hacer clic en ver la salida para cada uno, déles a cada uno un nombre útil como pointdata y maskshape
  6. Convierta maskshape a un ráster para usarlo como máscara con v.to.rast y añádalo al conjunto de mapas. Llámelo como maskraster : esto puede llevar tiempo para polígonos complejos.
  7. Cargue el módulo r.mask para forzar que la siguiente acción se limite a la región del búfer.
  8. Ejecute v.surf.rst para producir una cuadrícula interpolada desde pointdata : elija la columna apropiada como el campo de atributo para hacer la interpolación, y llámelo algo como < em> rastersurface . Este es el bit que lleva tiempo y genera un ráster que puede usarse como un mapa de calor o podría estar sombreado en 3D.
  9. Cerrar la caja de herramientas Grass
  10. Use el complemento GDAL Raster Contours seleccionando el ráster GRASS como entrada; deje el valor predeterminado de los niveles en 10, y elija un directorio de salida donde se guardarán los contornos de shapefile. Compruebe el "Nombre del atributo" y escriba un nombre.

Nota: para que esto funcione, los conjuntos de datos deben estar en la misma proyección.

    
respondido por el Adrian 14.08.2011 - 16:22
4

Creo que esta pregunta ha sido ampliamente respondida, excepto por un par de puntos sobre los problemas.

Los mapas de calor pueden ser excelentes, pero un problema y un problema clásico radica en la interpretación. Tome la diferencia entre un mapa de calor de los eventos del crimen en comparación con un mapa (calor o no) de la tasa / proporción del crimen. Si bien el mapa de eventos de calor podría ser útil en términos de identificar la densidad de eventos en general, es ciego como una estimación del riesgo, pero a menudo se interpretaría o se utilizaría incorrectamente de esta manera. Considere la misma cantidad de eventos en una región del mismo tamaño y forma, pero con una población diferente, mientras que el crimen podría estar concentrado en un área, eso podría ser simplemente porque hay más personas en ese espacio. Además, las tasas de datos de eventos, como los delitos, pueden ser difíciles de modelar, ya que para producir un mapa de puntos ráster, pueden requerir un evento como modelo de población, pero las personas no tienden a quedarse quietas. La composición promedio de los hogares puede usarse contra un mapa catastral para regiones pequeñas, pero esto puede ser problemático, por ejemplo, el crimen puede no estar relacionado con la presencia en el hogar, pero esta sería una forma perfectamente válida de estudiar las invasiones domésticas y la violencia doméstica. p>

Un segundo problema es que un mapa de calor se limita a considerar una escala espacial única, y la selección de esta escala espacial, es decir, el tamaño del núcleo o la tasa de descomposición, puede ser complicada y depende de los objetivos del estudio, pero debe estar justificado Si el punto es identificar el centro del grupo más fuerte y la escala en la que se produce (quizás para identificar la fuente de un brote de enfermedad y un factor en su propagación), una mejor opción podría ser considerar escalas múltiples. Con ponderaciones apropiadas proporcionales a la escala / área para producir un ráster tridimensional, donde los máximos locales en el ráster de escala espacial 3D indican la ubicación del centro de agrupaciones y sus respectivos tamaños, y la persistencia entre escalas.

    
respondido por el Craig Stobbs 18.08.2014 - 18:12

Lea otras preguntas en las etiquetas