Le manuel GRASS indique:
v.kernel - Génère une carte de densité raster à partir de données de points vectoriels à l'aide d'un noyau gaussien 2D isotrope en mouvement ...
D'accord, mais comment interpréter les résultats? Je comprends que v.kernel est la fonction la plus avancée de v.neighbors mais je ne sais pas quels sont ses avantages.
Réponses:
Les résultats estiment les points par unité de surface. À titre de vérification, vous devez multiplier les valeurs de densité par l'aire d'une cellule et additionner ces valeurs sur la grille: le total doit être égal à la somme des données d'origine. (Ces deux valeurs diffèrent souvent pour deux raisons, les effets de frontière et l'imprécision numérique. Les effets de frontière se produisent parce que la carte de densité peut diffuser des données hors du bord de la carte et ces valeurs ne sont pas récupérées de la grille de densité. Mais les différences devraient être petit.)
Une image que j'ai utilisée en classe demande aux élèves d'imaginer le noyau comme un seau de sable: vous renversez le seau à un point, permettant au sable de s'affaisser. L'effondrement se produit à peine pour les demi-largeurs courtes mais est étendu pour les grandes bandes passantes (peut-être que le sable est plus humide ;-). Quoi qu'il en soit, c'est toujours la même quantité de sable , peu importe la façon dont l'affaissement se produit. Allez maintenant vider un seau à l'emplacement de chaque point (ou, plus généralement, s'il y a une valeur positive x associée à chaque point de données, mettez d'abord une quantité de sable dans le seau proportionnelle à xpuis le vider). Le sable s'effondre. Il s'accumule dans les zones où il y a beaucoup de seaux. La grille de densité vous donne la hauteur du sable empilé au centre de chaque cellule de la grille. La multiplication par la surface d'une cellule estime le volume de sable occupant chaque cellule. La somme de ce volume de cellule sur n'importe quelle région (comme un bloc de recensement) estime le volume total de sable dans cette région, qui représente la quantité totale de quantité x que vous pensez être dans la région.
Avez-vous vu le livre Web sur l'analyse géospatiale ? Ils ont une section assez détaillée sur la densité de points , qui couvre les fonctions gaussiennes. Même en général, je pense que c'est une ressource très utile.
Voici une façon extrêmement simpliste de penser à ce sujet:
Imaginez un jeu de fléchettes avec plusieurs anneaux rayonnant du centre. À chaque emplacement du résultat, un score est calculé en plaçant le jeu de fléchettes sur l'emplacement et en voyant où les points vectoriels sont sur le jeu de fléchettes. De là, le score est comptabilisé et le raster est créé.
Il existe de nombreuses variables sur la façon dont cela est calculé:
- la taille du jeu de fléchettes (le noyau)
- la forme du jeu de fléchettes (2D isométrique ou "identique dans toutes les directions en x / y", c'est-à-dire un cercle plat)
- la façon dont le jeu de fléchettes attribue des points (la gaussienne implique une distribution «normale», c'est-à-dire des scores plus élevés lorsque le point se rapproche du centre, en forme de courbe en cloche)
L'avantage est qu'il calculera une version beaucoup plus fluide sans grands sauts (discontinus) qui peuvent prendre des informations avec un rayon plus large et plus cohérent. Il sera également moins affecté par les différences de taille / forme des zones utilisées.
Pensez à utiliser les voisins les plus proches sur les comtés: sur la côte est, ils sont beaucoup plus petits que le Midwest, mais le nombre de voisins est similaire et affecte largement la géométrie de la frontière. Quel est le plus dense? Si le rayon de votre noyau est de 80 kilomètres, vous obtiendrez une réponse très différente qui décrit leur densité relative de manière beaucoup plus précise.