Resumen
Identifica tendencias en el clustering de densidades de puntos (recuentos) o en campos de resumen en un cubo de espacio-tiempo creado mediante la herramienta Crear cubo de espacio-tiempo agregando puntos. 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 agregando puntos.
Cada bin del cubo de espacio-tiempo tiene un LOCATION_ID, un time_step_ID, un valor COUNT y cualquier Campo de resumen que se haya agregado a la hora de crear el cubo. 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 la que se resumen los resultados del análisis de espacio-tiempo para todas las ubicaciones analizadas. Si especifica una Máscara de análisis de polígonos, 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. 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 un valor predeterminado para el intervalo de tiempo de 1.
Para determinar los bins que se van a incluir en la vecindad de cada análisis, primero la herramienta busca los bins vecinos que están incluidos dentro de la Distancia de vecindad. 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 polígonos 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 polígonos 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.
Si la Máscara de análisis de polígonos que está utilizando para establecer su área de estudio cubre un área que supera la extensión de las entidades de entrada que se utilizaron al crear el cubo por primera vez, puede que desee volver a crear el cubo utilizando dicha Máscara de análisis de polígonos como el Entorno de extensión de salida. De este modo, garantizará que toda el área cubierta por la Máscara de análisis de polígonos se incluye al ejecutar la herramienta Análisis de puntos calientes emergentes. Si usa la Máscara de análisis de polígonos como la configuración del Entorno de extensión de salida durante la creación del cubo, se asegurará de que la extensión del cubo coincide con la extensión de la Máscara de análisis de polígonos.
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 del 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 del 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.
- 1: punto caliente, 90% de fiabilidad
- 2: punto caliente, 95% de fiabilidad
- 3: punto caliente, 99% de fiabilidad
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.
{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
- 1: tendencia al alza, 90% de fiabilidad
- 2: tendencia al alza, 95% de fiabilidad
- 3: tendencia al alza, 99% de fiabilidad
Dos dimensiones: una categoría de colocación de bins para cada ubicación analizada.
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
- 1: tendencia al alza, 90% de fiabilidad
- 2: tendencia al alza, 95% de fiabilidad
- 3: tendencia al alza, 99% de fiabilidad
Dos dimensiones: una categoría de colocación de bins para cada ubicación analizada.
EMERGING_{ANALYSIS_VARIABLE}_CATEGORY
Una de las 17 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 oscilante
- 8, punto caliente histórico
- 0, ningún patrón detectado
- -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 oscilante
- -8, punto frío histórico
Dos dimensiones: una categoría para cada ubicación analizada.
Sintaxis
arcpy.stpm.EmergingHotSpotAnalysis(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 agregando puntos . | 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 |
Muestra de código
Ejemplo 1 de EmergingHotSpotAnalysis (ventana de Python)
El siguiente script de la ventana de Python muestra cómo utilizar la herramienta EmergingHotSpotAnalysis.
import arcpy
arcpy.env.workspace = r"C:\STPM"
arcpy.EmergingHotSpotAnalysis_stpm("Homicides.nc", "COUNT", "EHS_Homicides.shp", "5 Miles", 2, "#")
Ejemplo 2 de EmergingHotSpotAnalysis (script de Python independiente)
El siguiente script de Phython independiente muestra cómo utilizar la herramienta EmergingHotSpotAnalysis.
# Create space-time cube of aggregated 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 aggregated homicide incident data with 3 months and 3 miles settings
# Process: Create Space Time Cube By Aggregating Points
cube = arcpy.CreateSpaceTimeCube_stpm("Homicides.shp", "Homicides.nc", "MyDate", "#",
"3 Months", "End time", "#", "3 Miles", "Property MEDIAN SPACETIME; Age STD ZEROS", "HEXAGON_GRID")
# 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 arcpy.ExecuteError:
# If any error occurred when running the tool, print the messages
print(arcpy.GetMessages())
Entornos
Información de licenciamiento
- Basic: Sí
- Standard: Sí
- Advanced: Sí
Temas relacionados
- Cómo funciona la herramienta Análisis de puntos calientes emergentes
- Crear cubo de espacio-tiempo agregando puntos
- Visualizar el cubo de espacio-tiempo
- ¿Qué es una puntuación z? ¿Qué es un valor P?
- Cómo funciona Análisis de puntos calientes (Gi* de Getis-Ord)
- Descripción general de la caja de herramientas Minería de patrones en espacio-tiempo