¿Construir mapas de calor eficaces?

Question

Utilizando ArcGIS, QGIS, Grass, y/o GVSIG:

• ¿Cuáles son algunas de las herramientas y procesos necesarios para elaborar mapas de calor eficaces?
• ¿Cuáles son los plugins implicados?
• ¿Cuáles son las principales necesidades de datos?
• ¿Cuáles son algunos de los defectos de los mapas de calor existentes?
• ¿Cuáles son algunas de las cuestiones que los mapas de calor no pueden cubrir eficazmente?
• ¿Cómo no hacer un mapa de calor?
• ¿Existen mejores alternativas (en el mismo contexto) que el mapa de calor para la representación de datos?

Answer 1

Esta pregunta ha sido convertida a Wiki comunitaria y wiki bloqueada porque es un ejemplo de pregunta que busca una lista de respuestas y parece ser lo suficientemente popular como para protegerla del cierre. Es debe ser tratado como un caso especial y no debe ser visto como el tipo de pregunta que se fomenta en este, o cualquier sitio de Stack Exchange pero si deseas contribuir con más contenido, siéntete libre de hacerlo editando esta respuesta. de 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 las distribuciones de los valores de los atributos

Cada método tiene ventajas y problemas, me temo que entrar en detalles va mucho más allá de este Q&A.

Intentaré enumerar algunos métodos y funciones para QGIS y GRASS.

Concentración de puntos

Si está rastreando el movimiento de la fauna, los vehículos, etc., puede ser útil para evaluar las regiones con alta concentración de mensajes de localización.

Herramientas: por ejemplo, el plugin QGIS Heatmap (disponible en versiones > 1.7.x) o GRASS v.vecinos o v.kernel

Distribuciones de los valores de los atributos

En este caso, estamos hablando más o menos de 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 los puntos y la posición interpolada).

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

2. Splines

   De nuevo, un gran número de posibles implementaciones. Las 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 utilizando R.

Answer 2

Desde el punto de vista estadístico, así es como se debe hacer un mapa de calor:

1) Integrar características de los puntos. La idea de la integración es tomar puntos que deberían considerarse coincidentes y fusionarlos como una única ubicación. Me gusta utilizar vecino más cercano y utilizar un valor apropiado a partir de ahí. (Por ejemplo, cuando hago un mapa de calor de la delincuencia, utilizo el media del primer vecino más cercano para el conjunto de datos de parcelas subyacente con el que se geocodifican los delitos).

2) Recoger eventos . Esto crea un peso espacial para todos sus puntos integrados. Por ejemplo, si tiene 5 eventos en un solo lugar, se convertirá en un punto con peso 5. Esto es esencial para los dos pasos siguientes. Si necesita agregar un atributo en los eventos agrupados, es decir, que diferentes eventos tengan un peso mayor, entonces puede utilizar un unión espacial uno a uno . Utilice la salida de 'collect event' como objetivo y sus eventos originales integrados como características de unión. Establezca las reglas de fusión del mapa de campos combinando estadísticamente el atributo en los eventos integrados (normalmente con una SUMA, aunque puede utilizar otras estadísticas).

3) Determinar la autocorrelación espacial máxima mediante Global Moran's I . Como dice, ejecute la I de Moran global a diferentes intervalos para determinar la banda de pico de autocorrelación espacial en la escala apropiada para el análisis que está haciendo. Es posible que desee ejecutar el vecino más cercano de nuevo en sus eventos recogidos para determinar el rango de inicio para sus pruebas de moran's I. (por ejemplo, utilizar el valor máximo del primer vecino más cercano)

4) Correr Getis-Ord Gi* . Utilice una banda de distancia fija basada en su análisis de I de Moran, o utilice la banda de distancia fija como zona de indiferencia. Su peso espacial de recoger eventos es su campo de recuento numérico. Esto le dará puntuaciones z para cada punto de evento en su conjunto.

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

Este resultado es significativamente diferente de lo que se obtiene con la densidad del núcleo. Le mostrará dónde están agrupados los valores altos y los valores bajos, en lugar de sólo dónde están los valores altos, sin tener en cuenta la agrupación, como en la densidad del núcleo.

Answer 3

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

Normalmente lo que he visto es un proceso por el cual el color de cada píxel se basa en el resultado de un función ponderada de distancia inversa aplicado a una colección de puntos. Siempre que un mapa tenga muchos marcadores de puntos superpuestos, creo que vale la pena considerar un mapa de calor.

Aquí hay un api basada en la web .

GeoChalkboard tiene una buena tutorial para ello .

Puede utilizar IDW en ArcGIS.

Answer 4

Para los mapas de calor simples y la generación de líneas de contorno he utilizado QGis con la integración de Grass:

1. Cargar puntos de datos
2. Cargar una forma limitante - por ejemplo, el límite del condado
3. Crear un conjunto de mapas de hierba
4. Abra la caja de herramientas de Grass y haga clic en la lista de módulos para buscar cada herramienta
5. Carga v.in.ogr.qgis y cargar tanto los datos de los puntos como la forma de los límites, recordando cada vez que hay que hacer clic en ver resultados para cada uno de ellos - dale a cada uno un nombre útil como datos puntuales y maskshape
6. Convertir maskshape a una trama para utilizarla como máscara con v.to.rast y añadirlo al mapset - llámalo algo así como maskraster - esto puede llevar tiempo para los polígonos complejos.
7. Cargar el r.máscara para forzar que la siguiente acción se limite a la región del buffer.
8. Ejecutar v.surf.rst para producir una cuadrícula interpolada a partir de datos puntuales - elija la columna apropiada como campo de atributos para hacer la interpolación, y llámela algo así como rastersurface . Esta es la parte que lleva tiempo y genera un raster que puede ser usado como un mapa de calor o puede ser sombreado en 3D.
9. Cerrar la caja de herramientas Grass
10. Utilice el plug-in GDAL Raster Contours eligiendo el raster de GRASS como entrada; deje el valor de los niveles por defecto en 10, y elija un directorio de salida donde se guardará el shapefile de contornos. Marque la opción "Nombre del atributo" y escriba un nombre.

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

Answer 5

Creo que esta pregunta se ha respondido en gran medida, salvo un par de puntos sobre los temas.

Los mapas de calor pueden ser magníficos, pero un defecto clásico y un problema es la interpretación. Por ejemplo, la diferencia entre un mapa de calor de sucesos delictivos y un mapa (de calor o de otro tipo) de la tasa/proporción de delitos. Mientras que el mapa de calor de eventos puede ser útil en términos de identificar la densidad global de eventos, es ciego como una estimación del riesgo, pero a menudo se interpreta o se utiliza mal de esta manera. Considere el mismo número 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 simplemente podría ser porque hay más personas en ese espacio. Además, las tasas de datos de sucesos, al igual que las de delitos, pueden ser difíciles de modelar, porque para producir un raster de mapa de calor, pueden requerir un modelo de población similar al de los sucesos, pero la gente no tiende a quedarse quieta. La composición media de los hogares puede utilizarse con un mapa catastral para regiones pequeñas, pero esto puede ser problemático, por ejemplo, el crimen podría no estar relacionado con la presencia en el hogar, pero esto sería una forma perfectamente válida de estudiar las invasiones de hogares y la violencia doméstica.

Una segunda cuestión es que un mapa de calor se limita a considerar una única escala espacial, y la selección de esta escala espacial, es decir, el tamaño del núcleo o la tasa de decaimiento, puede ser complicada y depende de los objetivos del estudio, pero debe estar justificada. Si el objetivo es identificar el centro de la agrupación más fuerte, y la escala en la que se produce (tal vez para identificar la fuente de un brote de enfermedad, y un factor en su propagación) una mejor opción podría ser considerar múltiples escalas. Con ponderaciones apropiadas proporcionales a la escala/área para producir una trama tridimensional, en la que los máximos locales en la trama de escala espacial 3D indiquen la ubicación del centro de los clusters y sus respectivos tamaños, y la persistencia entre escalas.