Краткая информация
Идентифицирует закономерности в кластерах скоплений точек (количеств точек) или в полях суммирования в кубе пространство-время, созданном с помощью инструмента Создать куб пространство-время. К категориям холодных и горячих точек относятся: новая, последовательная, возрастающая, постоянная, убывающая, спорадическая, колеблющаяся и историческая.
Подробнее о том, как работает инструмент Анализ возникновения горячих точек
Иллюстрация
Использование
Для этого инструмента необходим файл netCDF, созданный инструментом Создать куб Пространство-Время.
Каждый бин в кубе пространства-времени содержит значение LOCATION_ID, time_step_ID, COUNT и любое из Полей суммирования, агрегированных при создании куба. Набор бинов, связанный с одним и тем же местоположением, имеет одинаковый идентификатор местоположения и представляет собой временной ряд. Набор бинов, связанный с одним и тем же временным интервалом, имеет одинаковый идентификатор шага времени и представляет собой временной срез. Значение количество в каждом бине представляет число точек, которые присутствуют в определенном местоположении и определенном временном интервале.
Данный инструмент анализирует вариабельность во Входном кубе пространства-времени netCDF, используя пространственно-временную интерпретацию статистики Getis-Ord Gi*.
Выходные объекты добавляются к Таблице содержания и представляют обобщенный результат анализа пространства-времени для всех проанализированных местоположений. Если вы укажете Полигональную маску анализа, будут проанализированы только те местоположения, которые попадают в пределы маски анализа; в ином случае будут проанализированы местоположения, которые имеют как минимум одну точку в как минимум одном временном интервале.
Кроме создания класса Выходных объектов, сводные результаты анализа записываются в окно Результаты . Если щелкнуть правой кнопкой мыши запись Сообщения в окне Результаты и выбрать Вид, отчет анализа можно будет просмотреть в диалоговом окне Сообщение. Сводные результаты анализа также будут показаны в диалоговом окне работы инструмента.
Инструмент Анализ возникновения горячих точек выявляет по восемь специфичных трендов для горячих и холодных точек: новая, последовательная, возрастающая, постоянная, убывающая, спорадическая, колеблющаяся и историческая. Смотрите Более подробно о том, как работает инструмент Анализ возникновения горячих точек для дополнительной информации об определениях выходных категорий и о том, как работает алгоритм инструмента.
Для выявления интенсивности кластеризации объектов во времени, инструмент использует пространственно-временную интерпретацию статистики Getis-Ord Gi*, при этом вычисляется значение каждого бина, которое сопоставляется со значениями в соседних бинах. Бин считается соседним, если его центроид попадает в указанные вами пределы Расстояния окрестности, а его временной интервал попадает в пределы Временного шага окрестности. Если вы не указываете Расстояние окрестности, оно будет рассчитано по умолчанию на основании пространственного распределения ваших данных. Если вы не указываете Временной шаг окрестности, то инструмент использует значение по умолчанию, которое составляет 1 интервал временного шага.
Чтобы идентифицировать бины, которые будут включены в каждую окрестность анализа, инструмент сначала выявляет бины, которые попадают в заданное Расстояние окрестности. Затем для каждого бина определяются бины, расположенные в том же местоположении, но в пределах N предшествующих временных шагов, где N – Временной шаг окрестности, указанный во входных параметрах.
Значение Временного шага окрестности – это количество интервалов временных шагов, включенных в окрестность анализа. Если интервал временного шага в вашем кубе составляет 3 месяца, и вы указали значение 2 для параметра Временной шаг окрестности – все бины, расположенные в пределах Расстояния окрестности и все связанные с ними бины в двух предшествующих интервалах временных шагов (в совокупности 9 месяцев) буду включены в окрестность анализа.
Слой Полигональной маски анализа может содержать один или несколько полигонов, определяющих область анализа. Эти полигоны определяют область, в которой могут встретиться анализируемые точки, и исключают области, в которых точки для анализа не встречаются. Например, если вы анализируете ограбления в жилых кварталах, вы можете использовать Полигональную маску анализа чтобы исключить крупные водоемы, парки и другие области, где нет жилых домов.
Полигональная маска анализа пересекается с экстентом Входного куба Пространство-Время, но не выходит за пределы куба.
Если Полигональная маска анализа, которую вы используете для задания области изучения, покрывает область, выходящую за границы экстента входных объектов, которые были использованы для первоначального создания куба, может потребоваться заново создать куб, используя эту Полигональную маску анализа как параметр Выходной экстент. Это позволит гарантировать, что вся область, покрываемая Полигональной маской анализа, будет включена в Анализ возникновения горячих точек. Используя Полигональную маску анализа как параметр среды Выходной экстент при создании куба, можно гарантировать, что куб будет соответствовать экстенту Полигональной маски анализа.
Инструмент Анализ возникновения горячих точек добавит некоторые результаты анализа ко входному netCDF-файлу Куба Пространство-Время. Инструментом выполняются три вида анализа:
- Каждый бин анализируется совместно с бинами в ближайшей окрестности для определения интенсивности кластеризации как для высокого так и для низкого значений. В качестве результатов анализа рассчитывается z-оценка, значение P и категория бининга для каждого бина в кубе Пространство-время.
- Временные ряды вычисленных z-оценок в анализируемом местоположении далее обрабатываются с использованием статистики Манна-Кендалла. Результатом этого анализа будет расчет тренда кластеризации по z-оценке, значению P и категории бининга для каждого местоположения.
- И наконец временные ряды значений количества в анализируемом местоположении также обрабатываются с использованием статистики Манна-Кендалла. Результатом этого анализа будет расчет тренда по z-оценке, значению P и категории бининга в каждом местоположении.
Сводные расчеты по переменным, которые добавляются ко Входному кубу Пространство-Время , перечислены ниже:
Имя переменной Описание Измерение EMERGING_{ANALYSIS_VARIABLE}_HS_PVALUE
Значение P, рассчитанное с использованием статистики Getis-Ord Gi*, определяющее статистическую значимость кластеризации высоких значений (горячих точек) и низких значений (холодных точек).
Три измерения: одно значение P для каждого бина в кубе Пространство-время.
EMERGING_{ANALYSIS_VARIABLE}_HS_ZSCORE
Z-оценка, рассчитанная с использованием статистики Getis-Ord Gi*, определяющая интенсивность кластеризации высоких значений (горячих точек) и низких значений (холодных точек).
Три измерения: одна z-оценка для каждого бина в кубе Пространство-Время.
EMERGING_{ANALYSIS_VARIABLE}_HS_BIN
Результирующая категория, используемая для классификации каждого бина как статистически значимой горячей или холодной точки. Бины классифицируются с применением коррекции FDR.
- -3: холодная точка с вероятностью 99%
- -2: холодная точка с вероятностью 95%
- -1: холодная точка с вероятностью 90%
- 0: не является статистически значимой горячей или холодной точкой
- 1: горячая точка с вероятностью 90%
- 2: горячая точка с вероятностью 95%
- 3: горячая точка с вероятностью 99%
Три измерения: одна категория бининга для каждого бина в кубе Пространство-Время. Бины классифицируются с применением коррекции FDR.
{ANALYSIS_VARIABLE}_TREND_PVALUE
Рассчитанное с помощью статистики Манна-Кендалла значение P статистически подтверждает наличие тренда по значениям в местоположении.
Два измерения: одно значение P для каждого анализируемого местоположения.
{ANALYSIS_VARIABLE}_TREND_ZSCORE
Z-оценка, рассчитанная с помощью статистики Манна-Кендалла, указывает на наличие тренда, возрастающего или уменьшающегося, связанного со значениями в местоположении. Положительная z-оценка свидетельствует о возрастающем тренде; отрицательная z-оценка показывает уменьшающийся тренд.
Два измерения: одна z-оценка для каждого анализируемого местоположения.
{ANALYSIS_VARIABLE}_TREND_BIN
Результирующая категория, используемая для классификации каждого местоположения на предмет наличия статистически значимого возрастающего или уменьшающегося тренда для значений.
- -3: уменьшение с вероятностью 99%
- -2: уменьшение с вероятностью 95%
- -1: уменьшение с вероятностью 90%
- 0: значимый тренд не выявлен
- 1: возрастание с вероятностью 90%
- 2: возрастание с вероятностью 95%
- 3: возрастание с вероятностью 99%
Два измерения: одна категория бининга для каждого анализируемого местоположения.
EMERGING_{ANALYSIS_VARIABLE}_TREND_PVALUE
Рассчитанное с помощью статистики Манна-Кендалла значение P показывает статистическую значимость тренда для z-оценок горячих/холодных точек в местоположении.
Два измерения: одно значение P для каждого анализируемого местоположения.
EMERGING_{ANALYSIS_VARIABLE}_TREND_ZSCORE
Z-оценка, рассчитанная с помощью статистики Манна-Кендалла, указывает на наличие тренда, возрастающего или уменьшающегося, связанного с трендом z-оценок горячих/холодных точек в местоположении. Положительная z-оценка свидетельствует о возрастающем тренде; отрицательная z-оценка показывает уменьшающийся тренд.
Два измерения: одна z-оценка для каждого анализируемого местоположения.
EMERGING_{ANALYSIS_VARIABLE}_TREND_BIN
Результирующая категория, используемая для классификации каждого местоположения на предмет наличия статистически значимого возрастающего или уменьшающегося тренда для z-оценок горячих/холодных точек.
- -3: уменьшение с вероятностью 99%
- -2: уменьшение с вероятностью 95%
- -1: уменьшение с вероятностью 90%
- 0: значимый тренд не выявлен
- 1: возрастание с вероятностью 90%
- 2: возрастание с вероятностью 95%
- 3: возрастание с вероятностью 99%
Два измерения: одна категория бининга для каждого анализируемого местоположения.
EMERGING_{ANALYSIS_VARIABLE}_CATEGORY
Одна из 17 категорий, от 1 до 8, 0, и от -1 до -8.
- 1, новая горячая точка
- 2, последовательная горячая точка
- 3, возрастающая горячая точка
- 4, постоянная горячая точка
- 4, убывающая горячая точка
- 6, спорадическая горячая точка
- 7, колеблющаяся горячая точка
- 8, историческая горячая точка
- 0, закономерность не обнаружена
- -1, новая холодная точка
- -2, последовательная холодная точка
- -3, возрастающая холодная точка
- -4, постоянная холодная точка
- -5, убывающая холодная точка
- -6, спорадическая холодная точка
- -7, колеблющаяся холодная точка
- -8, историческая холодная точка
Два измерения: одна категория бининга для каждого анализируемого местоположения.
Синтаксис
EmergingHotSpotAnalysis(in_cube, analysis_variable, output_features, {neighborhood_distance}, {neighborhood_time_step}, {polygon_mask})| Параметр | Объяснение | Тип данных |
in_cube | Куб netCDF для анализа. Файл должен иметь расширение (.nc) и должен быть создан с помощью инструмента Создать куб Пространство-время . | File |
analysis_variable | Имя числовой переменной в файле netCDF, которую вы хотите проанализировать. | String |
output_features | Результаты выходного класса объектов Данный класс объектов будет представлять собой двумерное картографическое представление закономерностей в горячих и холодных точках в ваших данных. Вы сможете, например, увидеть новые или возрастающие горячие точки. | Feature Class |
neighborhood_distance (Дополнительный) | Пространственный экстент окрестности анализа. Это значение определяет, какие объекты будут проанализированы вместе, чтобы оценить локальное группирование в модели пространство-время. | Linear Unit |
neighborhood_time_step (Дополнительный) | Количество интервалов временных шагов для включения в окрестность анализа. Это значение определяет, какие объекты будут проанализированы вместе, чтобы оценить локальное группирование в модели пространство-время. | Long |
polygon_mask (Дополнительный) | Полигональный класс объектов с одним или несколькими полигонами, определяющими область анализа. Вы можете использовать полигональную маску анализа, например, для того, чтобы исключить из анализа большое озеро. Все бины во Входном кубе Пространство-Время, находящиеся вне пределов маски, не будут участвовать в анализе. | Feature Layer |
Пример кода
EmergingHotSpotAnalysis, пример 1 (окно Python)
Следующий скрипт окна Python демонстрирует, как использовать инструмент EmergingHotSpotAnalysis.
import arcpy
arcpy.env.workspace = r"C:\STPM"
arcpy.EmergingHotSpotAnalysis_stpm("Homicides.nc", "COUNT", "EHS_Homicides.shp", "5 Miles", 2, "#")
EmergingHotSpotAnalysis, пример 2 (автономный скрипт Python)
Следующий автономный Python скрипт демонстрирует, как использовать инструмент 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())
Параметры среды
Информация о лицензиях
- ArcGIS Desktop Basic: Да
- ArcGIS Desktop Standard: Да
- ArcGIS Desktop Advanced: Да