Aggregation ist eine Möglichkeit der Zusammenfassung von Features zu logischen Gruppen mithilfe statistischer Methoden. ArcGIS Pro unterstützt die Visualisierung von aggregierten Daten zu Erkundungs- und Analysezwecken.
Sie können entweder mehrere Features oder mehrere Datensätze (Beobachtungen) eines Features oder einer Gruppe verwandter Features aggregieren. Beispiele: Aggregation der Daten einzelner Volkszählungen auf verschiedenen Ebenen von Zählbezirken, Symbolisierung von Wetterstationen anhand der höchsten an jeder Station gemessenen Gesamttemperatur, Ausbreitung einer Krankheit innerhalb einer Region im Zeitverlauf, durchschnittliches Verkehrsaufkommen auf der Autobahn zu Stoßzeiten.
Mit Geoverarbeitungswerkzeugen wie Punkte aggregieren lassen sich statische Aggregationen erzeugen. Wenn sich die Daten oder Ihre Analyseparameter (wie das Zeitintervall) ändern, müssen Sie die Werkzeuge erneut ausführen, um eine neue Ausgabe zu erhalten.
Dynamische Aggregation
Die dynamische Aggregation reagiert auf geänderte Daten und Maßstäbe. Es gibt drei Möglichkeiten der Verwendung der dynamischen Aggregation. Features mit dichter Anordnung lassen sich in polygonalen Containern, sogenannten Abschnitten, oder gruppierten Containern, sogenannten Clustern, aggregieren. Erfasste Werte können in zugehörigen Features aggregiert werden.
Aggregieren von Features in Abschnitten
Ein Beispiel für die dynamische Aggregation in Abschnitten ist die Nachverfolgung der Konzentration und der Verbreitung des Ebola-Virus. In der Regel wird jeder gemeldete Fall als Punkt-Feature aufgezeichnet. Bei großen Maßstäben soll jeder Fall als einzelner Punkt angezeigt werden. Wenn Sie den Maßstab durch Herauszoomen verkleinern, entsteht durch sich überlappende Punkte eine Verdichtung, die das Erkennen eines Musters in den Daten verhindert. Bei kleineren Maßstäben ist es also besser, die Features in Abschnitten zu aggregieren, wobei jeder symbolisierte Abschnitt auf der Anzahl der Ebola-Fälle in diesem Abschnitt basiert.
Weitere Informationen finden Sie unter Aggregieren von Features in Abschnitten.
Aggregieren von Features in Cluster
Die dynamische Aggregation in Cluster ist eine alternative Methode zum Visualisieren von Features, besonders für Karten mit kleinerem Maßstab.
Ein Beispiel wäre ein geokodierter Feature-Layer mit den Wohnadressen von Krankenhauspatienten in einer Stadt. Durch Cluster-Bildung werden Trends beim Wohnort der Patienten identifiziert. Mit einer Definitionsabfrage können Sie ermitteln, ob bestimmte Patientengruppen in gewissen Stadtgebieten stärker konzentriert sind. Sie können auch den Modus "Summenstatistik" mit Einzelwertsymbolisierung verwenden, um zu identifizieren, welche Gruppen in welchen Gebieten überwiegen. Die Adressenpositionen einiger Patienten liegen möglicherweise nicht innerhalb des Cluster-Radius. Diese werden daher nicht geclustert und weiterhin mit der primären Symbolisierung des Layers dargestellt. Sie können die Größe des Cluster-Radius, die Ausdehnung der Karte und den Kartenmaßstab anpassen, um die Ergebnisse besser auf Ihre Anforderungen abzustimmen.
Weitere Informationen finden Sie unter Aggregieren von Features in Cluster.
Aggregieren von Werten in verwandten Features
Es gibt Daten, die im Zeitverlauf für ein und dieselbe Position erfasst werden. Temperaturen, Niederschläge, Windgeschwindigkeiten und andere Wetterdaten werden zum Beispiel mehrmals am Tag an einer statischen Position gemessen. Solche Daten werden in der Regel in einer nicht räumlichen Attributtabelle gespeichert. Durch Symbolisierung der einzelnen statischen Positionen mit einer zeitlichen Klassifizierung der Daten, z. B. monatliche Regenfälle oder durchschnittliche Wochentemperatur, ergeben sich verglichen mit den einzelnen Datensätzen viel aussagekräftigere Muster.
Ein weiteres Beispiel ist die Aggregation von Werte in vorhandenen Polygonen. Zwar lässt sich mittels Aggregation von Features in gleichen Abschnitten eine Karte mit der Konzentration des Ebola-Virus in einer bestimmten Region erzeugen, um aber angemessen mit Arzneimitteln und medizinischem Personal reagieren zu können, werden Karten benötigt, aus denen ersichtlich wird, wie sich die Ausbrüche in politischen oder administrativen Bezirken konzentrieren.
Weitere Informationen finden Sie unter Aggregieren von Werten in verwandten Features.
Überlegungen zur Aggregation
Mit beiden Methoden –Feature-Binning und Feature-Cluster-Bildung – lassen sich ähnliche Ergebnisse erzielen, sie unterscheiden sich aber im Aussehen und im Verhalten. Berücksichtigen Sie bei der Auswahl der Aggregationsmethode die folgenden Punkte.
Feature-Binning ist im Vergleich zur Feature-Cluster-Bildung die besser vorhersehbare Methode für die Feature-Aggregation. Die Ausrichtung der Abschnitte ist konsistent, und die mit den Abschnitten dargestellten Punkt-Features liegen innerhalb der Grenzen des jeweiligen Abschnitts. Dies verbessert die Interpretation der Daten und reduziert das Datenrauschen. Abhängig vom Schwerpunkt der dargestellten Features kann sich beim Schwenken und Zoomen der Karte die Position der Cluster dynamisch ändern. Die genaue Position der Features eines Clusters ist nicht immer eindeutig.
Beim Feature-Binning werden jedoch größere Teile der Karte überlagert, während bei der Cluster-Bildung andere Features oder die Grundkarte teilweise sichtbar bleiben. Beispielsweise kann ein nicht geclustertes Punkt-Feature weiterhin als einzelnes Punkt-Feature dargestellt werden. Beim Feature-Binning wird ein Einzelpunkt immer als Abschnitt dargestellt.
Die Aggregation von Punkt-Features in Cluster empfiehlt sich, wenn Sie aus den Positionen und der Anordnung von Features Trends ermitteln möchten. Bei der Feature-Cluster-Bildung werden die Cluster in Abhängigkeit vom Maßstab und von der Ausdehnung der Karte dynamisch aktualisiert. Cluster unterstützen zusätzliche Symbolisierungstypen wie Einzelwerte, nicht klassifizierte Farben und proportionale Symbole.
Eine weitere Möglichkeit der Visualisierung von Informationen mit hoher Punktdichte bietet die Heatmap-Symbolisierung, mit der sich dicht besiedelte Features darstellen lassen. Durch das Aggregieren von Features in Abschnitten oder Clustern können die Daten für spärlich verteilte Punktgruppen möglicherweise besser dargestellt werden. Dies kann für Karten mit mehreren Maßstäben, deren Detaillierungsebene sich häufig ändert oder Nebenkarten erfordert, die bessere Option sein.