Raggruppamento dei dati geografici in base alla posizione del punto e ai valori dei punti associati

Dati punti dati con longitudine, latitudine e un terzo valore di proprietà di questo punto. Come posso raggruppare i punti in gruppi (sottoregioni geografiche) in base al valore della proprietà? Ho cercato su Google e ho capito che questo problema sembra essere chiamato "clustering limitato nello spazio" o "regionalizzazione". Tuttavia, non ho familiarità con la gestione dei dati geografici e non ho idea di quale tipo di algoritmi sia buono e quali pacchetti python / R siano adatti a questo compito.

Per dare un'idea più intuitiva di ciò che voglio, supponiamo che i miei grafici a dispersione dei dati siano i seguenti:

Quindi ogni punto è un punto, x è longitudine, y è latitudine e la mappa dei colori mostra se il valore è grande o piccolo. Voglio dividere questi punti in sottoregioni / gruppi / cluster in base alla posizione e alla somiglianza dei valori. Come il seguente (non è esattamente quello che voglio, solo per mostrare un'idea intuitiva.):

Quindi come posso raggiungere questo obiettivo?

Il pacchetto rioja fornisce funzionalità per il clustering gerarchico vincolato. Per quello che stai pensando come "spazialmente limitato", specificheresti i tuoi tagli in base alla distanza, mentre per la "regionalizzazione" potresti usare k vicini più vicini. Consiglio vivamente di proiettare i dati in modo che si trovino in un sistema di coordinate basato sulla distanza.

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