Zusammenfassung
Dieses Werkzeug identifiziert in einer Reihe von Features mithilfe der Getis-Ord Gi*-Statistik statistisch signifikante Hot-Spots und Cold-Spots.
Weitere Informationen zur Funktionsweise der Hot-Spot-Analyse (Getis-Ord Gi*)
Abbildung
Verwendung
Dieses Werkzeug identifiziert statistisch signifikante räumliche Cluster mit vielen Features (Hot-Spots) und mit wenigen Features (Cold-Spots). Hiermit wird eine neue Ausgabe-Feature-Class mit einem Z-Wert-, p-Wert- und Konfidenzniveau-Bin (Gi_Bin) für jedes Feature in der Eingabe erstellt.
Bei der Analyse werden die Eingabepunkte (Ereignisse) in Abschnitte einer angegebenen Größe aggregiert und dann analysiert, um Hot-Spots zu bestimmen.Die aggregierten Abschnitte müssen eine Reihe von Werten enthalten (die Anzahl der Punkte in einem Abschnitt sollte sehr variabel sein).
Die Z-Werte und p-Werte sind Werte von statistischer Bedeutung, die Aufschluss darüber geben, ob Sie die Null-Hypothese anhand von aggregierten Abschnitten ablehnen können oder nicht.Genau genommen geben sie an, ob die beobachtete räumliche Cluster-Bildung von hohen oder niedrigen Werten auffälliger ist als bei einer zufälligen Verteilung der gleichen Werte. Die Z-Wert- und p-Wert-Felder spiegeln keine FDR-Korrektur (False Discovery Rate ) wider.
Ein hoher Z-Wert und ein kleiner p-Wert für ein Feature geben an, dass viele Punktereignisse vorhanden sind. Ein niedriger negativer Z-Wert und ein kleiner p-Wert geben an, dass keine Punktereignisse vorhanden sind. Je größer (oder kleiner) der Z-Wert, desto höher die Intensität der Cluster-Bildung. Ein Z-Wert nahe 0 gibt an, dass anscheinend keine räumliche Cluster-Bildung zu verzeichnen ist.
-
Das Z-Ergebnis basiert auf der Berechnung der Zufallsnullhypothese. Weitere Informationen zu Z-Ergebnissen finden Sie unter Was ist ein Z-Ergebnis? Was ist ein p-Wert?
Für Analysen mit Diskretisierung ist es erforderlich, dass Ihre Eingabe projiziert oder das Ausgabe-Koordinatensystem auf ein projiziertes Koordinatensystem festgelegt wird. Wenn Ihre Daten sich nicht in einem projizierten Koordinatensystem befinden und Sie keines einrichten, wird eine Projektion anhand der Ausdehnung der analysierten Daten verwendet.
Wenn Eingabe-Features mit Zeitschritten analysiert werden, wird die Analyse für jeden Zeitschritt unabhängig von Features außerhalb des Zeitschritts ausgeführt.
Der Parameter Zeitintervallbezug kann einen Datums- und Uhrzeitwert oder nur einen Datumswert aufweisen, jedoch nicht nur einen Uhrzeitwert.
Dieses Geoverarbeitungswerkzeug wird unterstützt durch Spark. Bei Analysen auf Ihrem Desktop-Computer werden mehrere Kerne parallel verwendet. Weitere Informationen über die Ausführung der Analyse finden Sie unter Überlegungen zu GeoAnalytics Desktop-Werkzeugen.
Bei der Ausführung von GeoAnalytics Desktop-Werkzeugen wird die Analyse auf Ihrem Desktop-Computer durchgeführt. Für eine optimale Performance sollten die Daten auf Ihrem Desktop verfügbar sein. Wenn Sie einen gehosteten Feature-Layer verwenden, wird empfohlen, ArcGIS GeoAnalytics Server zu verwenden. Wenn Ihre Daten nicht lokal verfügbar sind, dauert die Ausführung eines Werkzeugs bedeutend länger. Informationen zur Verwendung von ArcGIS GeoAnalytics Server für Analysen finden Sie unter GeoAnalytics Tools.
Ähnliche Analysen können auch mit Folgendem durchgeführt werden:
- Dem ArcGIS Pro-Geoverarbeitungswerkzeug Optimierte Hot-Spot-Analyse in der Toolbox "Spatial Statistics".
- Dem ArcGIS Pro-Geoverarbeitungswerkzeug Hot-Spots suchen in der Toolbox "Standard Feature Analysis".
Syntax
arcpy.gapro.FindHotSpots(point_layer, out_feature_class, {bin_size}, {neighborhood_size}, {time_step_interval}, {time_step_alignment}, {time_step_reference})| Parameter | Erklärung | Datentyp |
point_layer | Die Point-Feature-Class, für die die Hot-Spot-Analyse durchgeführt wird. | Feature Layer |
out_feature_class | Die Ausgabe-Feature-Class mit den Z- und p-Werten. | Feature Class |
bin_size (optional) | Das Entfernungsintervall, das die Abschnittsgröße und Einheiten darstellt, in die point_layer aggregiert wird. Das Entfernungsintervall muss eine lineare Einheit sein. | Linear Unit |
neighborhood_size (optional) | Die räumliche Ausdehnung der Analysenachbarschaft. Anhand dieses Wertes wird bestimmt, welche Features zusammen analysiert werden, um lokale Cluster-Bildung zu bewerten. | Linear Unit |
time_step_interval (optional) | Für den Zeitschritt verwendetes Intervall. Dieser Parameter wird nur verwendet, wenn für point_layer Zeiteigenschaften aktiviert sind. | Time Unit |
time_step_alignment (optional) | Gibt die Ausrichtung der Zeitintervalle an. Dieser Parameter ist nur verfügbar, wenn Eingabepunkte mit aktivierten Zeiteigenschaften vorliegen und einen bestimmten Zeitpunkt darstellen.
| String |
time_step_reference (optional) | Die Zeit, die zur Ausrichtung der Zeitintervalle und Zeitschrittintervalle verwendet wird. Dieser Parameter wird nurverwendet, wenn für point_layer Zeiteigenschaften aktiviert sind. | Date |
Codebeispiel
Das folgende Skript veranschaulicht die Verwendung des Werkzeugs FindHotSpots im Python-Fenster.
#-------------------------------------------------------------------------------
# Name: FindHotSpots.py
# Description: Find Hots Spots of 311 calls for bins of 500 meters looking at
# neighbors within 1 kilometers. Complete the analysis for each month.
# Import system modules
import arcpy
arcpy.env.workspace = "C:/data/Calls311.gdb"
# Set local variables
inFeatures = "https://sampleserver6.arcgisonline.com/arcgis/rest/services/SF311/FeatureServer/0"
bins = "500 Meters"
neighborhood = "1 Kilometers"
timeStep = "1 Months"
out = "HotSpotsOF311Data"
# Execute Find Hot Spots
arcpy.gapro.FindHotSpots(inFeatures, out, bins, neighborhood, timeStep)Umgebungen
Lizenzinformationen
- Basic: Nein
- Standard: Nein
- Advanced: Ja