Resumen
Dado un conjunto de entidades ponderadas, identifica puntos calientes y puntos fríos estadísticamente significativos mediante la estadística Gi* de Getis-Ord.
Más información sobre cómo funciona el Análisis de punto caliente (Gi* de Getis-Ord)
Ilustración
Uso
Esta herramienta identifica clústeres espaciales estadísticamente significativos de valores altos (puntos calientes) y valores bajos (puntos fríos). Crea una nueva Clase de entidad de salida con una puntuación z, un valor P y un bin de nivel de confianza (Gi_Bin) para cada entidad en la Clase de entidad de entrada.
Las puntuaciones z y los valores p son medidas de significancia estadística que indican si se rechazará la hipótesis nula, entidad por entidad. En efecto, indican si el clustering espacial de valores altos o bajos observado es más marcado de lo que se espera en una distribución aleatoria de esos mismos valores. Los campos de puntuación z y valor p no reflejan ninguna corrección FDR (Índice de descubrimientos falsos).
El campo Gi_Bin identifica puntos calientes y puntos fríos estadísticamente significativos independientemente de si se aplica o no la corrección FDR. Las entidades en los bins +/-3 reflejan una importancia estadística con un nivel de confianza del 99 por ciento; las entidades en los bins +/-2 bins reflejan una importancia estadística con un nivel de confianza del 95 por ciento; las entidades en los bins +/-1 bins reflejan una importancia estadística con un nivel de confianza del 90 por ciento; y el clustering para las entidades en el bin 0 no es estadísticamente significativo. Sin la corrección FDR, la importancia estadística se basa en los campos de valor p y puntuación z. Cuando se marca el parámetro opcional Aplicar corrección False Discovery Rate (FDR), los valores p críticos que determinan los niveles de confianza se reducen para dar cuenta de la realización de varias pruebas y la dependencia espacial.
Una puntuación z alta y un valor P pequeño para una entidad indican un clustering espacial de valores altos. Una puntuación z negativa baja y un valor P pequeño indican un clustering espacial de valores bajos. Mientras más alta (o más baja) sea la puntuación z, más intenso será el clustering. Una puntuación z cercana a cero indica que no hay un clustering espacial evidente.
-
La puntuación z está basada en el cálculo de la hipótesis nula de aleatorización. Para obtener más información sobre las puntuaciones z, consulte ¿Qué es una puntuación z? ¿Qué es un valor p?
Cuando la Clase de entidad de entrada no está proyectada (es decir, cuando las coordenadas se especifican en grados, minutos y segundos) o cuando el sistema de coordenadas de salida está establecido en un Sistema de coordenadas geográficas, las distancias se calculan mediante mediciones de cuerda. Las mediciones de distancia de cuerda se utilizan porque se pueden calcular rápidamente y proporcionar muy buenas estimaciones de verdaderas distancias geodésicas, al menos para los puntos separados unos treinta grados entre sí. Las distancias de cuerda se basan en un esferoide oblato. Dados dos puntos en la superficie de la Tierra, la distancia de cuerda entre ellos es la longitud de una línea, que atraviesa la Tierra tridimensional, para conectar estos dos puntos. Las distancias de cuerda se informan en metros.
Cuando se utilizan distancias de cuerda en el análisis, el parámetro Banda de distancia o distancia de umbral, si se especifica, debe proporcionarse en metros.
Antes de ArcGIS 10.2.1 se mostraba un mensaje de advertencia si los parámetros y la configuración del entorno seleccionados tendrían como resultados unos cálculos realizados mediante Coordenadas geográficas (grados, minutos, segundos). Esta advertencia le aconsejaba que proyectara sus datos en un Sistema de Coordenadas Proyectadas para que los cálculos de la distancia fueran precisos. Sin embargo, a partir de la versión 10.2.1, esta herramienta también calcula las distancias de cuerda cuando se precisan cálculos de Sistema de Coordenadas Proyectadas.
-
Los centroides de entidad se utilizan en los cálculos de distancia para las entidades de línea y polígono. Para multipuntos, polilíneas o polígonos con varias partes, el centroide se calcula utilizando el centro medio ponderado de todas las partes de entidad. La ponderación para las entidades de punto es 1, para las entidades de línea es longitud y para las entidades de polígono es área.
El Campo de entrada debe contener una variedad de valores. La operación matemática para esta estadística requiere cierta variación en la variable analizada; no puede resolver si todos los valores de entrada son 1, por ejemplo. Si desea utilizar esta herramienta para analizar el patrón espacial de los datos de incidentes, considere la posibilidad de agregar los datos de incidentes o de usar la herramienta Análisis de punto caliente optimizado.
La herramienta Análisis de punto caliente optimizado consulta sus datos para seleccionar automáticamente la configuración de parámetros que optimizará los resultados de los puntos calientes. Agregará los datos del incidente, seleccionará una escala adecuada para el análisis y ajustará los resultados para la realización de varias pruebas y la dependencia espacial. Las opciones de parámetros que selecciona se notifican a la ventana Resultados y pueden ayudarle a afinar las preferencias de parámetros cuando utilice la herramienta. Esta herramienta proporciona un control y una flexibilidad totales sobre la configuración de los parámetros.
Su elección del parámetro Conceptualización de relaciones espaciales deberá reflejar relaciones inherentes entre las entidades que analiza. Cuanto más pueda modelar de manera realista cómo interactúan mutuamente las entidades en el espacio, más precisos serán sus resultados. Las recomendaciones se describen en Seleccionar una conceptualización de relaciones espaciales. Aquí le presentamos algunas sugerencias adicionales:
- FIXED_DISTANCE_BAND
La Banda de distancia o distancia de umbral predeterminada garantizará que cada entidad tenga un vecino como mínimo, lo cual es importante. Sin embargo, generalmente, este valor predeterminado no es la distancia más apropiada que se debe utilizar para el análisis. En Seleccionar un valor de banda de distancia fija se describen estrategias adicionales para seleccionar una escala apropiada (banda de distancia) para su análisis.
- INVERSE_DISTANCE o INVERSE_DISTANCE_SQUARED
Cuando se introduce cero para el parámetro Banda de distancia o distancia de umbral, se considera que todas las entidades son vecinas de las demás entidades; cuando este parámetro se deja en blanco, se aplica la distancia predeterminada.
Los pesos de las distancias menores que 1 se vuelven inestables cuando se invierten. Por consiguiente, a los pesos de entidades separadas por menos de 1 unidad de distancia se les da un peso de 1.
Para las opciones de distancia inversa (INVERSE_DISTANCE, INVERSE_DISTANCE_SQUARED o ZONE_OF_INDIFFERENCE), se asignará un peso de uno a todos los pares de puntos coincidentes para evitar la división por cero. Esto garantiza que las entidades no sean excluidas del análisis.
- FIXED_DISTANCE_BAND
-
Las opciones adicionales para el parámetro Conceptualización de relaciones espaciales, incluyendo las relaciones espacio-tiempo, están disponibles mediante las herramientas Generar matriz de ponderaciones espaciales o Generar ponderaciones espaciales de red. Para aprovechar estas opciones adicionales, utilice una de estas herramientas para crear el archivo de matriz de ponderaciones espaciales antes del análisis; seleccione GET_SPATIAL_WEIGHTS_FROM_FILE para el parámetro Conceptualización de relaciones espaciales y, para el parámetro Archivo de matriz de ponderaciones, especifique la ruta del archivo de ponderaciones espaciales que creó.
-
Se proporciona más información acerca del análisis cluster de espacio-tiempo en la documentación Análisis de espacio-tiempo.
-
Las capas del mapa se pueden utilizar para definir la Clase de entidad de entrada. Cuando se utiliza una capa con una selección, solo las entidades seleccionadas se incluyen en el análisis.
Si proporciona un Archivo de matriz de ponderaciones con una extensión .swm, esta herramienta espera un archivo de matriz de ponderaciones espaciales creado utilizando las herramientas Generar matriz de ponderaciones espaciales o Generar ponderaciones espaciales de red; de lo contrario, esta herramienta espera un archivo de matriz de ponderaciones espaciales con formato ASCII. En algunos casos, el comportamiento es diferente según el tipo de archivo de matriz de ponderaciones espaciales que se utiliza:
- Archivos de matriz de ponderaciones espaciales con formato ASCII:
- Las ponderaciones se utilizan como están. Las relaciones de entidad a entidad que faltan se tratan como ceros.
- La ponderación predeterminada para el potencial automático es cero, a menos que especifique un valor de Campo auto potencial o incluya explícitamente las ponderaciones automáticas potenciales.
- Se respetan las relaciones asimétricas, lo que permite que una entidad tenga una entidad vecina que, a su vez, no tenga un vecino. Esto significa que la entidad vecina se incluye en los cálculos de la media local para la entidad original, pero no en los cálculos de la media global.
- Si los pesos están estandarizados por fila, es probable que los resultados sean incorrectos para el análisis en los conjuntos de selección. Si necesita ejecutar el análisis en un conjunto de selección, convierta el archivo de ponderaciones espaciales ASCII en un archivo SWM leyendo los datos ASCII en una tabla y utilizando después la opción CONVERT_TABLE con la herramienta Generar matriz de ponderaciones espaciales.
- Archivo de matriz de ponderaciones espaciales con formato SWM:
- Si los pesos están estandarizados en filas, se volverán a estandarizar para los conjuntos de selección; de lo contrario, los pesos se utilizan como están.
- El peso predeterminado para auto potencial es uno, a menos que especifique un valor del Campo auto potencial.
- Archivos de matriz de ponderaciones espaciales con formato ASCII:
La ejecución del análisis con un archivo de matriz de ponderaciones espaciales con formato ASCII consume muchos recursos de memoria. Para los análisis de más de 5.000 entidades, considere convertir el archivo de matriz de ponderaciones espaciales con formato ASCII en un archivo con formato SWM. Primero coloque los pesos ASCII en una tabla con formato (por ejemplo, por medio de Excel). A continuación, ejecute la herramienta Generar matriz de ponderaciones espaciales utilizando CONVERT_TABLE para el parámetro Conceptualización de relaciones espaciales. El resultado será un archivo de matriz de ponderaciones espaciales con formato .SWM.
-
Cuando esta herramienta se ejecuta en ArcMap, la Clase de entidad de salida se agrega automáticamente a la tabla de contenido con la representación en pantalla predeterminada aplicada al campo Gi_Bin. La representación cálida a fría aplicada está definida por un archivo de capas en <ArcGIS>/Desktop10.x/ArcToolbox/Templates/Layers. Puede volver a aplicar la representación predeterminada, de ser necesario, al importar la simbología de capa de plantilla.
-
La Clase de entidad de salida incluye un campo SOURCE_ID que se puede unir a la Clase de entidad de entrada si es necesario.
-
El tema de ayuda Modelado de relaciones espaciales ofrece información adicional sobre los parámetros de esta herramienta.
Cuando esta herramienta se utiliza en los scripts Python, el objeto resultado devuelto tras ejecutar la herramienta tiene las siguientes salidas:
Posición Descripción Tipo de datos 0
Clase de entidad de salida
Clase de entidad
1
Nombre de campo de resultados (GiZScore)
Campo
2
Nombre de campo de probabilidad (GiPValue)
Campo
3
Nombre de campo de Id. de origen (SOURCE_ID)
Campo
Sintaxis
HotSpots(Input_Feature_Class, Input_Field, Output_Feature_Class, Conceptualization_of_Spatial_Relationships, Distance_Method, Standardization, {Distance_Band_or_Threshold_Distance}, {Self_Potential_Field}, {Weights_Matrix_File}, {Apply_False_Discovery_Rate__FDR__Correction})| Parámetro | Explicación | Tipo de datos |
Input_Feature_Class | La clase de entidad para la que se realizará el análisis de punto caliente. | Feature Layer |
Input_Field | El campo numérico (número de víctimas, índice de delincuencia, puntuaciones de exámenes, etc.) que se va a evaluar. | Field |
Output_Feature_Class | La clase de entidad de salida que recibirá los resultados de la puntuación z y el valor P. | Feature Class |
Conceptualization_of_Spatial_Relationships | Especifica cómo se definen las relaciones espaciales entre las entidades.
| String |
Distance_Method | Especifica cómo se calculan las distancias desde cada entidad hasta las entidades vecinas.
| String |
Standardization | La Estandarización de filas no tiene ningún efecto sobre esta herramienta: los resultados de Análisis de punto caliente (la estadística Getis-Ord Gi*) serán idénticos con o sin la estandarización de filas. El parámetro se deshabilita; permanece como un parámetro de la herramienta solo para admitir la compatibilidad inversa.
| String |
Distance_Band_or_Threshold_Distance (Opcional) | Especifica una distancia de valor límite para las opciones de distancia inversa y distancia fija. Las entidades que están fuera del valor límite especificado para una entidad de destino se ignoran en el análisis de esa entidad. Sin embargo, para la ZONE_OF_INDIFFERENCE, la influencia de las entidades que están fuera de la distancia dada se reduce con la distancia, mientras que aquellas que están dentro del umbral de distancia se consideran por igual. El valor de distancia introducido debe coincidir con el del sistema de coordenadas de salida. En las conceptualizaciones de relaciones espaciales de la distancia inversa, un valor de 0 indica que no se aplica una distancia de umbral; cuando este parámetro se deja en blanco, se calcula y se aplica un valor de umbral predeterminado. Este valor predeterminado es la distancia euclidiana que garantiza que cada entidad tenga como mínimo un vecino. Este parámetro no tiene efecto cuando se seleccionan las conceptualizaciones espaciales de contigüidad de polígono (CONTIGUITY_EDGES_ONLY o CONTIGUITY_EDGES_CORNERS) o bien GET_SPATIAL_WEIGHTS_FROM_FILE. | Double |
Self_Potential_Field (Opcional) | El campo que representa el autopotencial: la distancia o el peso entre una entidad y ella misma. | Field |
Weights_Matrix_File (Opcional) | La ruta a un archivo que contenga los pesos que definen las relaciones espaciales, y potencialmente temporales entre las entidades. | File |
Apply_False_Discovery_Rate__FDR__Correction (Opcional) |
| Boolean |
Salida derivada
| Nombre | Explicación | Tipo de datos |
| Results_Field | El nombre del campo de resultados (GiZScore). | Campo |
| Probability_Field | El nombre del campo de probabilidad (GiPValue). | Campo |
| Source_ID | El nombre de campo del Id. de origen (SOURCE_ID). | Campo |
Muestra de código
Ejemplo 1 de HotSpots (ventana de Python)
El siguiente script de la ventana de Python muestra cómo utilizar la herramienta HotSpots.
import arcpy
arcpy.env.workspace = "C:/data"
arcpy.HotSpots_stats("911Count.shp", "ICOUNT", "911HotSpots.shp",
"GET_SPATIAL_WEIGHTS_FROM_FILE", "EUCLIDEAN_DISTANCE",
"NONE", "#", "#", "euclidean6Neighs.swm", "NO_FDR")
Ejemplo 2 de HotSpots (script independiente)
El siguiente script de Phython independiente muestra cómo utilizar la herramienta HotSpots.
# Analyze the spatial distribution of 911 calls in a metropolitan area
# using the Hot-Spot Analysis Tool (Local Gi*)
# Import system modules
import arcpy
# Set property to overwrite existing output, by default
arcpy.env.overwriteOutput = True
# Local variables...
workspace = "C:/Data"
try:
# Set the current workspace (to avoid having to specify the full path to the feature classes each time)
arcpy.env.workspace = workspace
# Copy the input feature class and integrate the points to snap
# together at 500 feet
# Process: Copy Features and Integrate
cf = arcpy.CopyFeatures_management("911Calls.shp", "911Copied.shp",
"#", 0, 0, 0)
integrate = arcpy.Integrate_management("911Copied.shp #", "500 Feet")
# Use Collect Events to count the number of calls at each location
# Process: Collect Events
ce = arcpy.CollectEvents_stats("911Copied.shp", "911Count.shp", "Count", "#")
# Add a unique ID field to the count feature class
# Process: Add Field and Calculate Field
af = arcpy.AddField_management("911Count.shp", "MyID", "LONG", "#", "#", "#", "#",
"NON_NULLABLE", "NON_REQUIRED", "#",
"911Count.shp")
cf = arcpy.CalculateField_management("911Count.shp", "MyID", "[FID]", "VB")
# Create Spatial Weights Matrix for Calculations
# Process: Generate Spatial Weights Matrix...
swm = arcpy.GenerateSpatialWeightsMatrix_stats("911Count.shp", "MYID",
"euclidean6Neighs.swm",
"K_NEAREST_NEIGHBORS",
"#", "#", "#", 6,
"NO_STANDARDIZATION")
# Hot Spot Analysis of 911 Calls
# Process: Hot Spot Analysis (Getis-Ord Gi*)
hs = arcpy.HotSpots_stats("911Count.shp", "ICOUNT", "911HotSpots.shp",
"GET_SPATIAL_WEIGHTS_FROM_FILE",
"EUCLIDEAN_DISTANCE", "NONE",
"#", "#", "euclidean6Neighs.swm","NO_FDR")
except:
# If an error occurred when running the tool, print out the error message.
print(arcpy.GetMessages())
Entornos
Información sobre licencias
- Basic: Sí
- Standard: Sí
- Advanced: Sí
Temas relacionados
- Modelado de relaciones espaciales
- ¿Qué es una puntuación z? ¿Qué es un valor P?
- Ponderaciones espaciales
- Vista general del conjunto de herramientas Asignación de clusters
- Autocorrelación espacial (I de Moran)
- Análisis de clúster y de valor atípico (I Anselin local de Moran)
- Cómo funciona Análisis de puntos calientes (Gi* de Getis-Ord)
- Autocorrelación espacial incremental
- Análisis de puntos calientes optimizado
- Análisis optimizado de valores atípicos