Análisis de puntos calientes emergentes—Ayuda

Resumen
Ilustración
Uso
Sintaxis
Ejemplo de código
Entornos
Información sobre licencias

Resumen

Identifica tendencias en el clustering de densidades de puntos (recuentos) o en campos de resumen en un cubo de espacio-tiempo creado mediante Crear cubo de espacio-tiempo. Las categorías incluyen puntos calientes y fríos nuevos, consecutivos, en aumento, persistentes, en disminución, esporádicos, oscilantes e históricos.

Más información sobre cómo funciona la herramienta Análisis de puntos calientes emergentes.

Ilustración

Uso

Esta herramienta solo acepta archivos netCDF creados mediante la herramienta Crear cubo de espacio-tiempo.
Cada uno de los bins del cubo de espacio-tiempo tiene un valor de LOCATION_ID, time_step_ID y COUNT y posibles Campos de resumen. Los bins que estén asociados a la misma ubicación física compartirán el mismo Id. de ubicación y, conjuntamente, representarán una serie temporal. Los bins que estén asociados al mismo período de tiempo compartirán el mismo Id. de período de tiempo y, conjuntamente, formarán un intervalo de tiempo. El valor del recuento de cada bin refleja la cantidad de puntos que se han generado en la ubicación asociada junto con el intervalo de tiempo asociado.
Esta herramienta analiza una variable en el Cubo de espacio-tiempo de entrada netCDF utilizando una implementación de espacio-tiempo de la estadística Gi* de Getis-Ord.
Las Entidades de salida se agregarán a la Tabla de contenido con una representación en pantalla en la que se resumen los resultados del análisis de espacio-tiempo para todas las ubicaciones analizadas. Si especifica una Máscara de análisis de polígono, las ubicaciones analizadas serán las que estén incluidas en la máscara de análisis; de lo contrario, las ubicaciones analizadas serán aquellas que tengan al menos un punto para un período de tiempo como mínimo.
Además de las Entidades de salida, se escribe un resumen del análisis en la ventana de Resultados. Al hacer clic con el botón derecho del ratón en la entrada Mensajes de la ventana Resultados y al seleccionar Ver, se muestra el resumen del análisis en el cuadro de diálogo de Mensaje. Si ejecuta esta herramienta en primer plano, también se mostrará el resumen del análisis en el cuadro de diálogo de progreso.
La herramienta Análisis de puntos calientes emergentes puede detectar ocho tendencias de puntos calientes o fríos concretos: nuevos, consecutivos, en aumento, persistentes, en disminución, esporádicos, oscilantes e históricos. Consulte Más información sobre cómo funciona la herramienta Análisis de puntos calientes emergentes para definiciones de categoría de salida, así como información adicional sobre los algoritmos que se utilizan en esta herramienta.
Para obtener una medida de la intensidad del clustering de entidades, esta herramienta utiliza una implementación de espacio-tiempo de la estadística Gi* de Getis-Ord, que considera el valor en cada bin en el contexto de los valores de los bins vecinos. Se considera que un bin es vecino si su centroide cae dentro de la Distancia de vecindad y su intervalo de tiempo cae dentro del Período de tiempo de vecindad que haya especificado. Cuando no se indica un valor de Distancia de vecindad, se calcula uno basado en la distribución espacial de los datos de los puntos. Cuando no se indica un valor de Período de tiempo de vecindad, la herramienta utiliza el valor predeterminado, que es el intervalo de tiempo 1.
Para determinar los bins que se van a incluid en la vecindad de cada análisis, primero la herramienta busca los bins vecinos que están incluidos dentro de la Distancia de vecindad especificada. A continuación, para cada uno de esos bins, incluye bins en las mismas ubicaciones que los intervalos de tiempo N anteriores, donde N corresponde al valor de Período de tiempo de vecindad que ha especificado.
El valor de Período de tiempo de vecindad es el número de intervalos de tiempo que incluir en la vecindad del análisis. Por ejemplo, si el intervalo de tiempo para el cubo es de tres meses y especifica 2 para el Período de tiempo de vecindad, en la vecindad del análisis se incluirán todos los recuentos de bins incluidos en la Distancia de vecindad, así como el resto de bins asociados para los dos intervalos de tiempo anteriores (abarcando un período de nueve meses).
La capa de entidades Máscara de análisis de polígono puede incluir uno o más polígonos que definen el área de estudio del análisis. Estos polígonos indican el lugar en el que se podrían generar entidades de puntos y deberían excluir aquellas áreas en las que sería imposible que hubiera puntos. Si fuera a analizar tendencias de robos en viviendas, por ejemplo, podría utilizar la Máscara de análisis de polígono para excluir zonas de lagos grandes, parques regionales u otras áreas en las que no existen viviendas.
La Máscara de análisis de polígonos se interseca con la extensión del Cubo de espacio-tiempo de entrada y no amplía las dimensiones del cubo.

Cuando se ejecuta la herramienta Análisis de puntos calientes emergentes, se vuelven a agregar algunos resultados del análisis en el Cubo de espacio-tiempo de entrada netCDF. Se realizan tres análisis:

Cada bin se analiza en el contexto de bins vecinos para medir la intensidad del clustering para los valores altos y bajos. El resultado de este análisis es una puntuación z, un valor P y una categoría de colocación de los bins en el cubo de espacio-tiempo.
A continuación, se evalúa la serie temporal de estas puntuaciones z en las ubicaciones analizadas utilizando la estadística de Mann-Kendall. El resultado de este análisis es una puntuación z de la tendencia de clustering, un valor P y una categoría de colocación de los bins para cada ubicación.
Finalmente, se evalúa la serie temporal de los valores en las ubicaciones analizadas utilizando la estadística de Mann-Kendall. El resultado de este análisis es una puntuación z de la tendencia, un valor P y una categoría de colocación de los bins para cada ubicación.

A continuación se muestra un resumen de las variables agregadas al Cubo de espacio-tiempo de entrada:

Nombre de la variable	Descripción	Dimensión
EMERGING_{ANALYSIS_VARIABLE}_HS_PVALUE	Estadística Gi* de Getis-Ord valor P que mide la importancia, desde el punto de vista estadístico, del clustering de valores altos (puntos calientes) y valores bajos (puntos fríos).	Tres dimensiones: un valor P para cada bin en el cubo de espacio-tiempo.
EMERGING_{ANALYSIS_VARIABLE}_HS_ZSCORE	Estadística Gi* de Getis-Ord puntuación z que mide la intensidad del clustering de valores altos (puntos calientes) y valores bajos (puntos fríos).	Tres dimensiones: una puntuación z para cada bin en el cubo de espacio-tiempo.
EMERGING_{ANALYSIS_VARIABLE}_HS_BIN	La categoría del resultado utilizada para clasificar cada bin como un valor de punto caliente o frío significativo desde el punto de vista estadístico. El bin se basa en una corrección FDR. -3: punto frío, 99% de fiabilidad -2: punto frío, 95% de fiabilidad -1: punto frío, 90% de fiabilidad 0: no es un punto caliente o frío significativo desde el punto de vista estadístico.	Tres dimensiones: una categoría de colocación de los bins para cada bin en el cubo de espacio-tiempo. El bin se basa en una corrección FDR. 1: punto caliente, 90% de fiabilidad 2: punto caliente, 95% de fiabilidad 3: punto caliente, 99% de fiabilidad
{ANALYSIS_VARIABLE}_TREND_PVALUE	El valor P de Mann-Kendall que mide la importancia, desde el punto de vista estadístico, de la tendencia de los valores en una ubicación.	Dos dimensiones: un valor P para cada ubicación analizada.
{ANALYSIS_VARIABLE}_TREND_ZSCORE	La puntuación z que mide la tendencia de Mann-Kendall, al alza o a la baja, asociada a los valores en una ubicación. Una puntuación z positiva indica una tendencia al alza, mientras que una puntuación z negativa indica una tendencia a la baja.	Dos dimensiones: una puntuación z para cada ubicación analizada.
{ANALYSIS_VARIABLE}_TREND_BIN	La categoría del resultado utilizada para clasificar cada ubicación con una tendencia al alza o a la baja, desde el punto de vista estadístico, para los valores. -3: tendencia a la baja, 99% de fiabilidad -2: tendencia a la baja, 95% de fiabilidad -1: tendencia a la baja, 90% de fiabilidad 0: tendencia no significativa	Dos dimensiones: una categoría de colocación de bins para cada ubicación analizada. 1: tendencia al alza, 90% de fiabilidad 2: tendencia al alza, 95% de fiabilidad 3: tendencia al alza, 99% de fiabilidad
EMERGING_{ANALYSIS_VARIABLE}_TREND_PVALUE	El valor P de Mann-Kendall que mide la importancia, desde el punto de vista estadístico, de la tendencia de las puntuaciones z de los puntos calientes/fríos en una ubicación.	Dos dimensiones: un valor P para cada ubicación analizada.
EMERGING_{ANALYSIS_VARIABLE}_TREND_ZSCORE	La puntuación z que mide la tendencia de Mann-Kendall, al alza o a la baja, asociada a la tendencia de las puntuaciones z de los puntos calientes/fríos en una ubicación. Una puntuación z positiva indica una tendencia al alza, mientras que una puntuación z negativa indica una tendencia a la baja.	Dos dimensiones: una puntuación z para cada ubicación analizada.
EMERGING_{ANALYSIS_VARIABLE}_TREND_BIN	La categoría del resultado utilizada para clasificar cada ubicación con una tendencia al alza o a la baja, desde el punto de vista estadístico, para las puntuaciones z de los puntos calientes/fríos. -3: tendencia a la baja, 99% de fiabilidad -2: tendencia a la baja, 95% de fiabilidad -1: tendencia a la baja, 90% de fiabilidad 0: tendencia no significativa	Dos dimensiones: una categoría de colocación de bins para cada ubicación analizada. 1: tendencia al alza, 90% de fiabilidad 2: tendencia al alza, 95% de fiabilidad 3: tendencia al alza, 99% de fiabilidad
EMERGING_{ANALYSIS_VARIABLE}_CATEGORY	Una de las 16 categorías, de 1 a 8, 0 y de -1 a -8. 1, nuevo punto caliente 2, punto caliente consecutivo 3, punto caliente en aumento 4, punto caliente persistente 5, punto caliente en disminución 6, punto caliente esporádico 7, punto caliente histórico 0, no se detectó tendencia	Dos dimensiones: una categoría para cada ubicación analizada. -1, nuevo punto frío -2, punto frío consecutivo -3, punto frío en aumento -4, punto frío persistente -5, punto frío en disminución -6, punto frío esporádico -7, punto frío histórico

Sintaxis

EmergingHotSpotAnalysis_stpm (in_cube, analysis_variable, output_features, {neighborhood_distance}, {neighborhood_time_step}, {polygon_mask})

Parámetro	Explicación	Tipo de datos
in_cube	Cubo de netCDF que se analizará. Este archivo debe tener una extensión (.nc) y se debe haber creado utilizando la herramienta Crear cubo de espacio-tiempo.	File
analysis_variable	La variable numérica en el archivo netCDF que desea analizar.	String
output_features	Los resultados de la clase de entidad de salida. Esta clase de entidad será una representación de mapa bidimensional de las tendencias de puntos calientes y fríos en los datos. Mostrará, por ejemplo, cualquier punto caliente nuevo o en disminución.	Feature Class
neighborhood_distance (Opcional)	La extensión espacial de la vecindad de análisis. Este valor determina las entidades que se analizan conjuntamente para evaluar el clustering de espacio-tiempo local.	Linear Unit
neighborhood_time_step (Opcional)	El número de intervalos de periodos de tiempo que incluir en la vecindad de análisis. Este valor determina las entidades que se analizan conjuntamente para evaluar el clustering de espacio-tiempo local.	Long
polygon_mask (Opcional)	Una capa de entidad de polígono con uno o más polígonos que definen el área de estudio de análisis. Una máscara de análisis de polígono se utilizaría, por ejemplo, para excluir un lago grande del análisis. Los bins definidos en el Cubo de espacio-tiempo de entrada que queden fuera de la máscara no se incluirán en el análisis.	Feature Layer

Ejemplo de código

Ejemplo 1 de EmergingHotSpotAnalysis (ventana de Python)

En la siguiente secuencia de comandos de la ventana de Python se muestra cómo se utiliza la herramienta EmergingHotSpotAnalysis.

arcpy.env.workspace = r"C:\STPM"
arcpy.EmergingHotSpotAnalysis_stpm("Homicides.nc", "COUNT", "EHS_Homicides.shp", "5 Miles", 2, "#")

Ejemplo 2 de EmergingHotSpotAnalysis (secuencia de comandos de Python independiente)

En la siguiente secuencia de comandos de Python independiente se muestra cómo se utiliza la herramienta EmergingHotSpotAnalysis.

# Create Space Time Cube of homicide incidents in a metropolitan area
# Import system modules import arcpy
# Set property to overwrite existing output, by default arcpy.env.overwriteOutput = True
# Local variables...
workspace = r"C:\STPM"
try:
    # Set the current workspace (to avoid having to specify the full path to the feature 
    # classes each time)
    arcpy.env.workspace = workspace
    # Create Space Time Cube of homicide incident data with 3 months and 3 miles settings
    # Process: Create Space Time Cube 
    cube = arcpy.CreateSpaceTimeCube_stpm("Homicides.shp", "Homicides.nc", "MyDate", "#", 
                                          "3 Months", "End time", "#", "3 Miles")
    # Create a polygon that defines where incidents are possible  
    # Process: Minimum Bounding Geometry of homicide incident data
    arcpy.MinimumBoundingGeometry_management("Homicides.shp", "bounding.shp", "CONVEX_HULL",
                                             "ALL", "#", "NO_MBG_FIELDS")
    # Emerging Hot Spot Analysis of homicide incident cube using 5 Miles neighborhood 
    # distance and 2 neighborhood time step to detect hot spots
    # Process: Emerging Hot Spot Analysis 
    cube = arcpy.EmergingHotSpotAnalysis_stpm("Homicides.nc", "COUNT", "EHS_Homicides.shp", 
                                              "5 Miles", 2, "bounding.shp")
except:
    # If any error occurred when running the tool, print the messages
    print(arcpy.GetMessages())

Entornos

Temas relacionados

¿Algún comentario sobre este tema?