| Beschriftung | Erläuterung | Datentyp |
Eingabe-Punkt-Layer
| Die Point-Feature-Class, die die Punkt-Cluster enthält. | Feature Layer |
Ausgabe-Feature-Class
| Eine neue Feature-Class mit den resultierenden Punkt-Clustern. | Feature Class |
Methode der Cluster-Bildung
| Gibt die Methode an, die zum Definieren von Clustern verwendet wird.
| String |
Minimale Anzahl Features pro Cluster
| Dieser Parameter wird je nach ausgewählter Methode der Cluster-Bildung auf unterschiedliche Weise verwendet:
| Long |
Suchentfernung
| Die maximal berücksichtigte Entfernung. Für die Cluster-Mitgliedschaft muss die angegebene Minimale Anzahl Features pro Cluster innerhalb dieser Entfernung gefunden werden. Einzelne Cluster werden um mindestens diese Entfernung voneinander getrennt. Wenn sich ein Feature in größerer Entfernung vom nächstliegenden Feature im Cluster befindet, wird es nicht in den Cluster aufgenommen. | Linear Unit |
Zeit zum Suchen von Clustern verwenden
(optional) | Gibt an, ob die Suche von Clustern mit DBSCAN anhand der Zeit erfolgt.
| Boolean |
Suchdauer
(optional) | Bei der Suche nach Cluster-Mitgliedern muss die angegebene minimale Anzahl Punkte innerhalb dieser Zeitdauer gefunden werden, damit ein Cluster gebildet werden kann. | Time Unit |
Zusammenfassung
Findet Cluster aus Punkt-Features im Umfeldrauschen basierend auf deren räumlicher oder raumzeitlicher Verteilung.
Weitere Informationen zur Funktionsweise der Dichte-basierten Cluster-Bildung
Abbildung
Verwendung
Die Eingabe für Punkt-Cluster suchen ist ein Punkt-Layer. Dieses Werkzeug extrahiert Cluster aus den Eingabe-Punkt-Layern und identifiziert das Umfeldrauschen.
Für Punkt-Cluster suchen ist es erforderlich, dass Eingabe-Punkt-Layer projiziert oder das Ausgabe-Koordinatensystem auf ein projiziertes Koordinatensystem festgelegt wird.
Für den Parameter Methode der Cluster-Bildung gibt es zwei Optionen. Definierte Entfernung (DBSCAN) verwendet den Algorithmus DBSCAN und findet anhand einer angegebenen Suchentfernung Cluster aus Punkten in enger Nachbarschaft. Automatische Anpassung (HDBSCAN) verwendet den Algorithmus HDBSCAN und findet Cluster aus Punkten ähnlich wie DBSCAN. Diese Option verwendet variierende Entfernungen, sodass auch Cluster mit variierenden Dichten basierend auf der Cluster-Wahrscheinlichkeit (oder Stabilität) gefunden werden können. Bei Auswahl von DBSCAN werden Cluster entweder nur im zweidimensionalen Raum oder in Raum und Zeit gefunden. Wenn Sie die Option Zeit zum Suchen von Clustern verwenden auswählen, im Eingabe-Layer die Zeitoption aktiviert ist und der Zeittyp "Zeitpunkt" lautet, findet DBSCAN Cluster vom Typ "spatiotemporal", die sich, basierend auf einer angegebenen Suchentfernung und einer Suchdauer, in unmittelbarer Nähe befinden.
Der Parameter Minimale Anzahl Features pro Cluster wird je nach der Methode zur Cluster-Bildung auf unterschiedliche Weise verwendet:
- Definierte Entfernung (DBSCAN): Legt die Anzahl der Features fest, die sich innerhalb einer Suchentfernung von einem Punkt befinden müssen, damit dieser als Ausgangspunkt für die Cluster-Bildung verwendet werden kann. Die Ergebnisse können Cluster enthalten, deren Feature-Anzahl geringer ist als dieser Wert. Die Suchentfernung wird mit dem Parameter Suchentfernung festgelegt. Wenn Sie Zeit zum Suchen von Clustern verwenden, ist eine Eingabe unter Suchdauer erforderlich. Wenn Sie nach Cluster-Mitgliedern suchen, muss eine Minimale Anzahl Features pro Cluster innerhalb der Suchentfernung und der Suchdauer gefunden werden, um einen Cluster zu bilden. Hinweis: Die Entfernung und die Dauer stehen in keiner Beziehung zum Durchmesser oder zum Zeitraum der gefundenen Punkt-Cluster.
- Automatische Anpassung (HDBSCAN): Legt die Anzahl der Features fest, die sich in der Nachbarschaft jedes Punktes befinden (einschließlich des Punktes), die beim Schätzen der Dichte berücksichtigt werden. Diese Zahl entspricht gleichzeitig der beim Extrahieren von Clustern zulässigen Mindestgröße für Cluster.
Dieses Werkzeug generiert eine Ausgabe-Feature-Class mit dem neuen ganzzahligen Feld CLUSTER_ID, das den Cluster identifiziert, in dem sich die einzelnen Features befinden. Das Standard-Rendering basiert auf dem Feld COLOR_ID. Dabei wird jede Farbe mehreren Clustern zugewiesen. Durch wiederholtes Zuweisen der Farben lässt sich jeder Cluster visuell von seinen benachbarten Clustern unterscheiden.
Wenn die Cluster-Bildungsmethode Definierte Entfernung (DBSCAN) mit der Option "Zeit" zum Suchen von Clustern vom Typ "spatiotemporal" verwendet wird, beinhalten die Ergebnisse zudem die folgenden Felder:
- FEAT_TIME – Ursprünglicher Zeitpunkt der einzelnen Features.
- START_DATETIME – Startzeit des Zeitraums des Clusters, zu dem ein Feature gehört.
- END_DATETIME – Endzeit des Zeitraums des Clusters, zu dem ein Feature gehört.
Die Zeiteigenschaften des Ergebnis-Layers werden mithilfe der Felder START_DATETIME und END_DATETIME als Intervall festgelegt; dadurch wird gewährleistet, dass bei der Visualisierung von Clustern vom Typ "spatiotemporal" mit einem Zeitschieberegler alle Cluster-Mitglieder zusammen dargestellt werden. Diese Felder werden nur für die Visualisierung verwendet. Bei Rauschen-Features entsprechen die Felder START_DATETIME und END_DATETIME dem Feld FEAT_TIME.
Wenn für Methode der Cluster-Bildung die Option Automatische Anpassung (HDBSCAN) ausgewählt ist, enthält die Ausgabe-Feature-Class auch die folgenden Felder:
- PROB: Die Wahrscheinlichkeit, mit der ein Feature in den zugewiesenen Cluster gehört.
- OUTLIER: Die Wahrscheinlichkeit, mit der ein Feature im eigenen Cluster ein Ausreißer ist. Je größer der Wert, umso wahrscheinlicher ist das Feature ein Ausreißer.
- EXEMPLAR: Die Features, die für die einzelnen Cluster am repräsentativsten sind. Diese Features sind durch den Wert 1 gekennzeichnet.
- STABILITY: Das Vorhandensein der einzelnen Cluster in einem Maßstabsbereich. Je größer der Wert, umso größer ist der Bereich der Abstandsmaßstäbe, in dem sich ein Cluster befindet.
Mithilfe der folgenden Tipps können Sie die Performance des Werkzeugs Punkt-Cluster suchen verbessern:
- Legen Sie die Ausdehnungsumgebung so fest, dass nur die gewünschten Daten analysiert werden.
- Legen Sie die Suchentfernung und die Dauer sehr genau fest. Eine geringe Suchentfernung bzw. ein kleiner Radius kann bei denselben Daten zu einem besseren Ergebnis führen.
- Verwenden Sie lokale Daten an der Stelle, an der die Analyse ausgeführt wird.
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.
Parameter
arcpy.gapro.FindPointClusters(input_points, out_feature_class, clustering_method, minimum_points, search_distance, {use_time}, {search_duration})| Name | Erläuterung | Datentyp |
input_points | Die Point-Feature-Class, die die Punkt-Cluster enthält. | Feature Layer |
out_feature_class | Eine neue Feature-Class mit den resultierenden Punkt-Clustern. | Feature Class |
clustering_method | Gibt die Methode an, die zum Definieren von Clustern verwendet wird.
| String |
minimum_points | Dieser Parameter wird je nach ausgewählter Methode der Cluster-Bildung auf unterschiedliche Weise verwendet:
| Long |
search_distance | Die maximal berücksichtigte Entfernung. Für die Cluster-Mitgliedschaft muss die angegebene Minimale Anzahl Features pro Cluster innerhalb dieser Entfernung gefunden werden. Einzelne Cluster werden um mindestens diese Entfernung voneinander getrennt. Wenn sich ein Feature in größerer Entfernung vom nächstliegenden Feature im Cluster befindet, wird es nicht in den Cluster aufgenommen. | Linear Unit |
use_time (optional) | Gibt an, ob die Suche von Clustern mit DBSCAN anhand der Zeit erfolgt.
| Boolean |
search_duration (optional) | Bei der Suche nach Cluster-Mitgliedern muss die angegebene minimale Anzahl Punkte innerhalb dieser Zeitdauer gefunden werden, damit ein Cluster gebildet werden kann. | Time Unit |
Codebeispiel
Das folgende Skript veranschaulicht die Verwendung des Werkzeugs FindPointClusters im Python-Fenster.
#-------------------------------------------------------------------------------
# Name: FindPointClusters.py
# Description: Finds Point Clusters of rodent infestations
# Import system modules
import arcpy
arcpy.env.workspace = "C:/data/CountyData.gdb"
# Set local variables
inputPoints = "rat_sightings"
minimumPoints = 10
outputName = "RodentClusters"
searchDistance = "1 Kilometers"
clusterMethod = "DBSCAN"
# Execute Find Point Clusters
arcpy.gapro.FindPointClusters(inputPoints, outputName, clusterMethod,
minimumPoints, searchDistance)Umgebungen
Sonderfälle
Lizenzinformationen
- Basic: Nein
- Standard: Nein
- Advanced: Ja