Statisticamente, ecco come dovresti fare per creare una mappa di calore:
1) Integrare le funzionalità dei punti. L'idea di integrazione è quella di prendere punti che dovrebbero essere considerati coincidenti e unirli insieme come un'unica posizione. Mi piace usare l' analisi del vicino più vicino e utilizzare un valore appropriato da lì. (Ad esempio, quando eseguo una mappa del crimine, utilizzo il primo vicino più vicino medio per il set di dati del pacco sottostante rispetto al quale i crimini sono geocodificati).
2) Raccogliere eventi . Questo crea un peso spaziale per tutti i punti integrati. Ad esempio, se hai 5 eventi in una singola posizione, diventerà un punto con peso 5. Questo è essenziale per i prossimi due passaggi. Se è necessario aggregare un attributo negli eventi raggruppati, ovvero eventi diversi hanno un peso maggiore, è possibile utilizzare un join spaziale uno a uno . Usa l'output "raccogli evento" come target e i tuoi eventi integrati originali come funzionalità di join. Impostare le regole di unione della mappa dei campi combinando statisticamente l'attributo sugli eventi integrati (normalmente con un SUM, sebbene sia possibile utilizzare altre statistiche).
3) Determinare autocorrelazione spaziale picco utilizzando Global Moran . Proprio come dice, esegui Moran globale I a intervalli diversi per determinare la banda di picco dell'autocorrelazione spaziale nella scala appropriata all'analisi che stai facendo. Potresti voler eseguire di nuovo il vicino più vicino sugli eventi raccolti per determinare l'intervallo iniziale per i test I di Moran. (ad es. utilizzare il valore massimo per il primo vicino più vicino)
4) Esegui Getis-Ord Gi * . Usa una banda a distanza fissa basata sull'analisi I del tuo moran o usa la banda a distanza fissa come zona di indifferenza. Il tuo peso spaziale da raccogliere eventi è il campo di conteggio numerico. Questo ti darà punteggi z per ogni punto evento nel tuo set.
5) Esegui IDW contro i tuoi risultati da Getis-Ord Gi *.
Questo risultato è significativamente diverso da quello che si ottiene con la densità del kernel. Ti mostrerà dove valori alti e valori bassi sono raggruppati insieme piuttosto che solo dove i valori sono alti, indipendentemente dal clustering, come nella densità del kernel.