Statistiquement, voici comment procéder pour dresser une carte thermique:
1) Intégrez des fonctionnalités ponctuelles. L’idée d’intégration consiste à prendre des points qui doivent être considérés comme coïncidents et à les fusionner en un seul lieu. J'aime utiliser l' analyse du plus proche voisin et utiliser une valeur appropriée à partir de là. (Par exemple, lorsque je fais une carte thermique de crime, j'utilise le premier voisin moyen le plus proche pour l'ensemble de données de parcelle sous-jacent par rapport auquel les crimes sont géocodés).
2) Recueillir des événements . Cela crée un poids spatial pour tous vos points intégrés. Par exemple, si vous avez 5 événements au même endroit, cela deviendra un point avec un poids 5. Ceci est essentiel pour les deux prochaines étapes. Si vous avez besoin d'agréger un attribut dans le pool d'événements, c'est-à-dire que différents événements ont un poids plus élevé, vous pouvez utiliser une jointure spatiale un à un . Utilisez la sortie "collect event" comme cible et vos événements intégrés d'origine comme fonctionnalités de jointure. Définissez les règles de fusion de la carte de champs combinant statistiquement l'attribut sur les événements intégrés (normalement avec un SUM, bien que vous puissiez utiliser d'autres statistiques).
3) Déterminez l'autocorrélation spatiale de pic en utilisant I de Global Moran . Comme il est dit, lancez Global Moran's I à différents intervalles pour déterminer la bande de pointe de l'autocorrélation spatiale à l'échelle appropriée à l'analyse que vous effectuez. Vous voudrez peut-être réexécuter le voisin le plus proche sur vos événements collectés pour déterminer la plage de début des tests I de votre moran. (par exemple, utilisez la valeur maximale pour le premier voisin le plus proche)
4) Lancez Getis-Ord Gi * . Utilisez une bande de distance fixe basée sur l'analyse de votre moran ou utilisez la bande de distance fixe comme zone d'indifférence. Votre poids spatial des événements de collecte est votre champ de nombre numérique. Cela vous donnera des scores z pour chaque point d'événement de votre ensemble.
5) Exécuter IDW contre les résultats de Getis-Ord Gi *.
Ce résultat est très différent de ce que vous obtenez avec la densité du noyau. Il vous montrera où les valeurs élevées et les valeurs faibles sont regroupées plutôt que simplement où les valeurs sont élevées, sans tenir compte de la classification, comme dans la densité du noyau.