Analyse de points chauds émergents (Exploration des modèles spatio-temporels)—Aide

Résumé
Illustration
Utilisation
Syntaxe
Exemple de code
Environnements
Informations de licence

Résumé

Identifie les tendances d'agrégation des densités de points (totaux) ou des champs de récapitulation dans un cube spatio-temporel créé à l'aide de l'outil Créer un cube spatio-temporel. Les catégories sont notamment les points chauds et froids nouveaux, consécutifs, d'intensification, persistants, diminuants, sporadiques, oscillants et historiques.

Pour en savoir plus sur le fonctionnement de l'outil Analyse de points chauds émergents

Illustration

Utilisation

Cet outil n'accepte que les fichiers netCDF créés par l'outil Créer un cube spatio-temporel.
Chaque groupe dans le cube spatio-temporel présente une valeur LOCATION_ID, time_step_ID, COUNT, ainsi que les champs de récapitulation qui ont été agrégés lors de la création du cube. Les bins associés au même emplacement physique partagent le même ID d'emplacement et constituent ensemble une série chronologique. Les bins associés au même intervalle temporel partagent le même ID d'intervalle temporel et constituent ensemble une tranche de temps. La valeur numérique de chaque bin représente le nombre de points présents à l'emplacement associé de l'intervalle temporel associé.
Cet outil analyse une variable dans le Cube spatio-temporel en entrée netCDF à l'aide d'une implémentation spatio-temporelle de la statistique Getis-Ord Gi*.
Les entités en sortie seront ajoutées à la table des matières avec le rendu qui récapitule les résultats de l'analyse spatio-temporelle pour tous les emplacements analysés. Si vous spécifiez un Masque d'analyse de polygone, les emplacements analysés seront ceux qui figurent dans le masque d'analyse. Sinon, les emplacements analysés seront ceux qui présentent au moins un point pour au moins un intervalle temporel.
Outre l'option Classe d’entités en sortie, un récapitulatif d'analyse apparaît dans la fenêtre Résultats. En cliquant avec le bouton droit de la souris sur l'entrée Messages dans la fenêtre Résultats et en sélectionnant Affichage, vous affichez le récapitulatif d'analyse dans une boîte de dialogue Message. Le récapitulatif d'analyse apparaît également dans la boîte de dialogue de progression.
L'outil Analyse de points chauds émergents peut détecter huit tendances de points chauds ou froids spécifiques : nouveau, consécutif, d'intensification, persistant, diminuant, sporadique, oscillant et historique. Reportez-vous à la section En savoir plus sur le fonctionnement de l'outil Analyse de points chauds émergents pour consulter des définitions de catégorie en sortie et obtenir des informations supplémentaires sur les algorithmes que cet outil utilise.
Pour obtenir une mesure de l'intensité de l'agrégation des entités, cet outil utilise une implémentation spatio-temporelle de la statistique Getis-Ord Gi* qui tient compte de la valeur correspondant à chaque groupe dans le contexte des valeurs des groupes voisins. Un groupe est considéré comme un voisin lorsque son centroïde se trouve dans la distance de voisinage et que son intervalle temporel est compris dans l'intervalle temporel de voisinage spécifié. Si vous n'indiquez pas de valeur pour Distance du voisinage, une valeur est calculée pour vous en fonction de la distribution spatiale de vos données ponctuelles. Si vous n'indiquez aucune valeur pour l'option Intervalle temporel de voisinage, l'outil utilise une valeur par défaut, à savoir 1 intervalle temporel.
Pour déterminer quels bins sont inclus dans chaque voisinage d'analyse, l'outil trouve d'abord les bins voisins inclus dans la Distance du voisinage spécifiée. Ensuite, pour chacun de ces groupes, il inclut les groupes se trouvant aux mêmes endroits séparés par N phases précédentes, N représentant la valeur d'intervalle temporel de voisinage que vous spécifiez.
La valeur de l'option Intervalle temporel de voisinage représente le nombre d'intervalles temporels à inclure dans le voisinage d'analyse. Si l'intervalle temporel de votre cube équivaut à trois mois, par exemple, et que vous indiquez 2 comme valeur d'Intervalle temporel de voisinage, le nombre total de bins compris dans la Distance du voisinage, ainsi que tous les bins associés pour les deux intervalles temporels précédents (représentant une période de neuf mois) seront inclus dans le voisinage d'analyse.
La couche d'entités Masque d'analyse de polygone peut inclure un ou plusieurs polygones définissant la zone d'étude de l'analyse. Ces polygones doivent indiquer l'endroit où les entités ponctuelles risquent d'être présentes et exclure les surfaces où les points ne risquent pas d'apparaître. Si vous analysez des tendances de cambriolage dans des résidences, par exemple, vous pouvez utiliser le masque d'analyse de polygone pour exclure un lac étendu, des parcs régionaux ou d'autres endroits ne comprenant aucune résidence.
Le masque d'analyse de polygone est intersecté avec l'étendue du cube spatio-temporel en entrée et n'étendra pas les dimensions du cube.
Si le masque d'analyse de polygone que vous utilisez pour définir votre zone d'étude couvre une zone qui s'étend au-delà de l'étendue des entités en entrée qui ont servi lors de la création initiale du cube, vous pouvez recréer votre cube en utilisant ce masque d'analyse de polygone en tant que paramètre d'environnement d'étendue en sortie. Cette opération permet de s'assurer que toute la zone couverte par le masque d'analyse de polygone est comprise lors de l'exécution de l'outil Analyse de points chauds émergents. L'utilisation du masque d'analyse de polygone comme paramètre d'environnement d'étendue en sortie au cours de la création du cube permet de s'assurer que l'étendue du cube concorde avec l'étendue du masque d'analyse de polygone.

L'exécution de l'outil Analyse de points chauds émergents permet d'ajouter certains résultats d'analyse dans le cube spatio-temporel en entrée netCDF. Trois types d'analyses sont exécutés :

Chaque groupe est analysé par rapport aux groupes voisins pour mesurer l'intensité de l'agrégation des valeurs élevées et faibles. Le résultat de cette analyse est un score z, une valeur p et une catégorie de classification pour chaque bin du cube spatio-temporel.
La série chronologique de ces scores z aux emplacements analysés est ensuite évaluée à l'aide de la statistique de Mann-Kendall. Le résultat de cette analyse est un score z de tendance d'agrégation, une valeur p et une catégorie de classification pour chaque emplacement.
Pour terminer, la série chronologique des valeurs aux emplacements analysés est évaluée à l'aide de la statistique de Mann-Kendall. Le résultat de cette analyse est un score z de tendance, une valeur p et une catégorie de classification pour chaque emplacement.

Vous trouverez ci-dessous un récapitulatif des variables ajoutées au Cube spatio-temporel en entrée :

Nom de variable	Description	Dimension
EMERGING_{ANALYSIS_VARIABLE}_HS_PVALUE	valeur de p de la statistique Getis-Ord Gi* qui mesure l'importance d'un point de vue statistique de l'agrégation de valeurs élevées (point chaud) et faibles (point froid).	Tridimensionnel : une valeur de p pour chaque groupe du cube spatio-temporel.
EMERGING_{ANALYSIS_VARIABLE}_HS_ZSCORE	score z de la statistique Getis-Ord Gi* qui mesure l'intensité de l'agrégation de valeurs élevées (point chaud) et faibles (point froid).	Tridimensionnel : un score z pour chaque groupe du cube spatio-temporel.
EMERGING_{ANALYSIS_VARIABLE}_HS_BIN	Catégorie de résultats permettant de classer chaque bin en tant que valeur de point chaud ou froid statistiquement significatif. Ce bin est basé sur une correction FDR. -3 : point froid, niveau de confiance de 99 pour cent -2 : point froid, niveau de confiance de 95 pour cent -1 : point froid, niveau de confiance de 90 pour cent 0 : point chaud ou froid statistiquement non significatif 1 : point chaud, niveau de confiance de 90 pour cent 2 : point chaud, niveau de confiance de 95 pour cent 3 : point chaud, niveau de confiance de 99 pour cent	Tridimensionnel : une catégorie de classification pour chaque groupe du cube spatio-temporel. Ce bin est basé sur une correction FDR.
{ANALYSIS_VARIABLE}_TREND_PVALUE	La valeur de p de Mann-Kendall mesure la signification statistique de la tendance de valeurs à un emplacement donné.	Bidimensionnel : une valeur de p pour chaque emplacement analysé.
{ANALYSIS_VARIABLE}_TREND_ZSCORE	Le score z qui mesure la tendance de Mann-Kendall, vers le haut ou vers le bas, associée aux valeurs à un emplacement donné. Un score z positif indique une tendance vers le haut et un score z négatif indique une tendance vers le bas.	Bidimensionnel : un score z pour chaque emplacement analysé.
{ANALYSIS_VARIABLE}_TREND_BIN	Catégorie de résultats permettant de classer chaque emplacement qui présente une tendance statistiquement significative vers le haut ou vers le bas pour les valeurs. -3 : tendance vers le bas, niveau de confiance de 99 pour cent -2 : tendance vers le bas, niveau de confiance de 95 pour cent -1 : tendance vers le bas, niveau de confiance de 90 pour cent 0 : aucune tendance significative 1 : tendance vers le haut, niveau de confiance de 90 pour cent 2 : tendance vers le haut, niveau de confiance de 95 pour cent 3 : tendance vers le haut, niveau de confiance de 99 pour cent	Bidimensionnel : une catégorie de classification pour chaque emplacement analysé.
EMERGING_{ANALYSIS_VARIABLE}_TREND_PVALUE	La valeur de p de Mann-Kendall qui mesure la signification statistique de la tendance dans les scores z de points chauds/froids à un emplacement donné.	Bidimensionnel : une valeur de p pour chaque emplacement analysé.
EMERGING_{ANALYSIS_VARIABLE}_TREND_ZSCORE	Le score z qui mesure la tendance de Mann-Kendall, vers le haut ou vers le bas, associée à la tendance des scores z de points chauds/froids à un emplacement donné. Un score z positif indique une tendance vers le haut et un score z négatif indique une tendance vers le bas.	Bidimensionnel : un score z pour chaque emplacement analysé.
EMERGING_{ANALYSIS_VARIABLE}_TREND_BIN	Catégorie de résultats permettant de classer chaque emplacement qui présente une tendance statistiquement significative vers le haut ou vers le bas pour les scores z des points chauds/froids. -3 : tendance vers le bas, niveau de confiance de 99 pour cent -2 : tendance vers le bas, niveau de confiance de 95 pour cent -1 : tendance vers le bas, niveau de confiance de 90 pour cent 0 : aucune tendance significative 1 : tendance vers le haut, niveau de confiance de 90 pour cent 2 : tendance vers le haut, niveau de confiance de 95 pour cent 3 : tendance vers le haut, niveau de confiance de 99 pour cent	Bidimensionnel : une catégorie de classification pour chaque emplacement analysé.
EMERGING_{ANALYSIS_VARIABLE}_CATEGORY	Une des 17 catégories, 1 à 8, 0 et -1 à -8. 1, nouveau point chaud 2, point chaud consécutif 3, intensification de point chaud 4, point chaud persistant 5, point chaud diminuant 6, point chaud sporadique 7, point chaud oscillant 8, point chaud historique 0, aucun modèle détecté -1, nouveau point froid -2, point froid consécutif -3, intensification de point froid -4, point froid persistant -5, point froid diminuant -6, point froid sporadique -7, point froid oscillant -8, point froid historique	Bidimensionnel : une catégorie pour chaque emplacement analysé.

Syntaxe

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

Paramètre	Explication	Type de données
in_cube	Cube netCDF à analyser. Ce fichier doit comporter une extension (.nc) et doit avoir été généré à l'aide de l'outil Créer un cube spatio-temporel.	File
analysis_variable	Variable numérique dans le fichier netCDF que vous voulez analyser.	String
output_features	Résultats de la classe d'entités en sortie. Cette classe d'entités sera une représentation cartographique en deux dimensions des tendances des points chauds et froids dans vos données. Elle présentera, par exemple, les points chauds nouveaux ou d'intensification.	Feature Class
neighborhood_distance (Facultatif)	Etendue spatiale du voisinage d'analyse. Cette valeur désigne les entités qui sont analysées ensemble en vue d'évaluer l'agrégation spatio-temporelle locale.	Linear Unit
neighborhood_time_step (Facultatif)	Nombre d'intervalles temporels à inclure dans le voisinage d'analyse. Cette valeur désigne les entités qui sont analysées ensemble en vue d'évaluer l'agrégation spatio-temporelle locale.	Long
polygon_mask (Facultatif)	Couche d'entités surfaciques dont un ou plusieurs polygones définissent la zone d'étude d'analyse. Un masque d'analyse surfacique permet, par exemple, d'exclure un lac de grande envergure de l'analyse. Les groupes définis dans le cube spatio-temporel en entrée qui se situent en dehors du masque ne sont pas inclus dans l'analyse.	Feature Layer

Exemple de code

Exemple 1 d'utilisation de l'outil EmergingHotSpotAnalysis (fenêtre Python)

Le script de fenêtre Python ci-dessous illustre l'utilisation de l'outil EmergingHotSpotAnalysis.

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

Exemple 2 d'utilisation de l'outil EmergingHotSpotAnalysis (script Python autonome)

Le script Python autonome ci-dessous illustre l'utilisation de l'outil 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", "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())

Environnements

Informations de licence

ArcGIS Desktop Basic: Oui
ArcGIS Desktop Standard: Oui
ArcGIS Desktop Advanced: Oui

ArcMap

Analyse de points chauds émergents