El conjunto de herramientas Asignación de clústeres contiene herramientas que realizan un análisis clúster para identificar las ubicaciones de puntos calientes, puntos fríos y valores atípicos espaciales estadísticamente significativos y entidades o zonas similares. Estas herramientas resultan útiles cuando se necesita la acción basada en la ubicación de uno o más clústeres. Un ejemplo es la asignación de agentes de policía adicionales para abordar un clúster de robos. La localización exacta de la ubicación de los clústeres espaciales también es importante cuando se determinan causas potenciales de clustering; donde la presencia del brote de una enfermedad por lo general puede proporcionar pistas acerca de lo que la causa. A diferencia de las herramientas del conjunto de herramientas Análisis de patrones, que responden a la pregunta ¿existe un clustering espacial? con sí o no, las herramientas de Asignación de clústeres permiten la visualización de las ubicaciones y la extensión del clúster. Estas herramientas responden a las preguntas: ¿dónde están los clústeres (puntos calientes y puntos fríos)? ¿Dónde hay una mayor densidad de incidentes? ¿Dónde se producen valores espaciales atípicos? ¿Qué entidades se parecen más? ¿Cómo podemos agrupar estas entidades para que cada grupo sea lo menos similar posible? ¿Cómo podemos agrupar estas entidades para que cada zona sea homogénea?
Herramienta | Descripción |
---|---|
Crea zonas espacialmente contiguas en un área de estudio con un algoritmo de crecimiento genético basado en los criterios especificados. | |
Combina varias variables numéricas para crear un único índice. | |
Análisis de clúster y de valor atípico (I Anselin local de Moran) | Dado un conjunto de entidades ponderadas, identifica puntos calientes, puntos fríos y valores atípicos espaciales estadísticamente significativos mediante la estadística de I Anselin local de Moran. |
Encuentra clústeres de entidades de punto dentro del ruido colindante en función de su distribución espacial. También se puede incorporar el tiempo para buscar clústeres de espacio-tiempo. | |
Dado un conjunto de entidades ponderadas, identifica puntos calientes y puntos fríos estadísticamente significativos mediante la estadística Gi* de Getis-Ord. | |
Compara dos capas de resultados de análisis de puntos calientes y mide su similitud y asociación. | |
Busca clústeres naturales de entidades únicamente en función de los valores de atributos de entidades. | |
Dados unos puntos de incidentes o unas entidades ponderadas (puntos o polígonos), crea un mapa de puntos calientes y fríos significativos en términos estadísticos mediante el uso de la estadística Gi* de Getis-Ord. Evalúa las características de la clase de entidad de entrada para producir resultados óptimos. | |
Dados unos puntos de incidentes o unas entidades ponderadas (puntos o polígonos), crea un mapa de puntos calientes, puntos fríos y valores atípicos espaciales estadísticamente significativos utilizando la estadística de I Anselin local de Moran. Evalúa las características de la clase de entidad de entrada para producir resultados óptimos. | |
Identifica cuáles entidades candidatas son las más o las menos similares a una o más entidades sobre la base de los atributos de entidad. | |
Identifica valores atípicos espaciales globales o locales en entidades de punto. | |
Busca clústeres de entidades restringidos espacialmente en función de un conjunto de valores de atributos de entidades y de límites opcionales de tamaño de clúster. |
Heredado:
La herramienta Análisis de agrupamiento estaba disponible en este conjunto de herramientas antes de ArcGIS Pro 2.2, pero se ha eliminado porque los algoritmos utilizados en esta herramienta se han mejorado. Para simplificar las nuevas entidades y métodos, se han creado dos herramientas para sustituir a la herramienta Análisis de agrupamiento. Utilice la herramienta Clustering multivariante restringido espacialmente para crear grupos contiguos espacialmente. Utilice la herramienta Clustering multivariante para crear grupos que no presenten restricciones espaciales.