Parametrit
| Label | Selitys | Tietotyyppi |
Syötä Hot Spot -tulos 1 | Ensimmäinen hot spot -analyysituloskerros. | Ominaisuustaso |
Syötä Hot Spot -tulos 2 | Toinen hot spot -analyysituloskerros. | Ominaisuustaso |
Lähtöominaisuudet | Tulostusominaisuusluokka, joka sisältää paikalliset samankaltaisuus- ja assosiaatiomitat. | Ominaisuusluokka |
Naapurien määrä (Valinnainen) | Kunkin ominaisuuden ympärillä olevien naapureiden lukumäärä, jota käytetään etäisyyden painotukseen. Etäisyyden painotus on yksi yleisen samankaltaisuuden komponenteista, ja kaikki piirteet, joiden merkitsevyystasot vastaavat naapuruston sisällä, katsotaan osittaisiksi vastaavuuksiksi laskettaessa samankaltaisuutta ja assosiaatiota. | Pitkä |
Permutaatioiden määrä (Valinnainen) | Permutaatioiden määrä, joita käytetään arvioitaessa odotettua samankaltaisuutta ja kappa-arvoja. Suurempi määrä simulaatioita lisää arvioiden tarkkuutta, mutta lisää myös laskenta-aikaa.
| Pitkä |
Samankaltaisuuden painotusmenetelmä (Valinnainen) | Määrittää, kuinka samankaltaisuuspainot merkitsevyystason luokkien välillä määritetään. Samankaltaisuuspainot ovat numeroita välillä 0 ja 1, jotka määrittelevät yhden tuloksen luokat, joiden odotetaan vastaavan toisen tuloksen luokkia. Arvo 1 tarkoittaa, että luokkia pidetään täsmälleen samoina, ja arvo 0 tarkoittaa, että luokkia pidetään täysin erilaisina. Arvot välillä 0 ja 1 osoittavat osittaisen samankaltaisuuden asteita luokkien välillä. Esimerkiksi 99-prosenttisesti merkittäviä kuumia kohtia voidaan pitää täysin samanlaisina kuin muut 99-prosenttisesti kuumat pisteet, osittain samankaltaisia kuin 95-prosenttisesti kuumia kohtia ja täysin erilaisia kuin 99-prosenttisesti kylmiä kohtia.
| merkkijono |
Luokan samankaltaisuuspainot (Valinnainen) | Muokatut samankaltaisuuspainot merkitsevyystason luokkien välillä. Painot ovat arvoja välillä 0 ja 1, ja ne osoittavat, kuinka samankaltaisia nämä kaksi luokkaa ovat. Arvo 0 tarkoittaa, että luokat ovat täysin erilaisia, arvo 1 tarkoittaa, että arvot ovat täysin samanlaisia, ja arvot välillä 0–1 osoittavat, että luokat ovat osittain samankaltaisia. Napsauta painomatriisin ponnahdusikkunassa solua, kirjoita painoarvo ja painaTulla sisäänsoveltaa painoa. | Arvotaulukko |
Syötepainojen taulukko (Valinnainen) | Taulukko, joka sisältää mukautetut samankaltaisuuspainot kullekin hot spot -merkittävyystason luokkien yhdistelmälle. Taulukon tulee sisältääKATEGORIA1,KATEGORIA2, jaPAINOkentät. Anna parin merkitsevyystason luokat (Gi_Binsyöttökerrosten kenttäarvot) luokkakentissä ja niiden välinen samankaltaisuus painotuskentässä. Jos yhdistelmää ei ole taulukossa, yhdistelmän painon oletetaan olevan 0. | Taulukkonäkymä |
Sulje pois merkityksettömiä ominaisuuksia (Valinnainen) | Määrittää, jätetäänkö ominaisuusparit pois vertailuista, jos molemmat hot spot -tulokset ovat merkityksettömiä. Jos se jätetään pois, ehdollinen samankaltaisuus ja kappa-arvot lasketaan, jotka vertaavat vain tilastollisesti merkitseviä kuumia ja kylmiä kohtia. Ominaisuuksien poissulkemista suositellaan, jos olet kiinnostunut vain siitä, ovatko syöttökerrosten kuumat ja kylmät kohdat kohdakkain, et sitä, ovatko merkityksettömät alueet kohdakkain, esimerkiksi vertaamalla, vastaavatko keskitulon kuumat ja kylmät kohdat ruoan saannin kuumia ja kylmiä kohtia.
Jos jollekin merkitsevyystason luokille määritetään samankaltaisuuspaino 1 ei-merkittävälle kategorialle (mikä osoittaa, että luokkaa käsitellään samalla tavalla kuin ei-merkittävyyttä), myös kyseiseen luokkaan kuuluvat ominaisuudet suljetaan pois vertailuista, jos ne yhdistetään johonkin toiseen ei-merkittävään ominaisuuteen. . | Boolean |
Johtettu lähtö
| Label | Selitys | Tietotyyppi |
| Globaali samankaltaisuusarvo | Hot spot -tulosten samankaltaisuusarvo. | Kaksinkertainen |
| Globaali odotettu samankaltaisuusarvo | Hot spot -tulosten samankaltaisuuden odotettu arvo. | Kaksinkertainen |
| Globaali spatiaalinen sumea Kappa | Spatiaalisesti säädetty sumea kappa-arvo hot spot -tulosten välillä. | Kaksinkertainen |
| Output Layer Group | Tulostasojen ryhmäkerros. | Ryhmätaso |
arcpy.stats.HotSpotAnalysisComparison(in_hot_spot_1, in_hot_spot_2, out_features, {num_neighbors}, {num_perms}, {weighting_method}, {similarity_weights}, {in_weights_table}, {exclude_features})| Nimi | Selitys | Tietotyyppi |
in_hot_spot_1 | Ensimmäinen hot spot -analyysituloskerros. | Ominaisuustaso |
in_hot_spot_2 | Toinen hot spot -analyysituloskerros. | Ominaisuustaso |
out_features | Tulostusominaisuusluokka, joka sisältää paikalliset samankaltaisuus- ja assosiaatiomitat. | Ominaisuusluokka |
naapurien määrä (Valinnainen) | Kunkin ominaisuuden ympärillä olevien naapureiden lukumäärä, jota käytetään etäisyyden painotukseen. Etäisyyden painotus on yksi yleisen samankaltaisuuden komponenteista, ja kaikki piirteet, joiden merkitsevyystasot vastaavat naapuruston sisällä, katsotaan osittaisiksi vastaavuuksiksi laskettaessa samankaltaisuutta ja assosiaatiota. | Pitkä |
perms_määrä (Valinnainen) | Permutaatioiden määrä, joita käytetään arvioitaessa odotettua samankaltaisuutta ja kappa-arvoja. Suurempi määrä simulaatioita lisää arvioiden tarkkuutta, mutta lisää myös laskenta-aikaa.
| Pitkä |
painotusmenetelmä (Valinnainen) | Määrittää, kuinka samankaltaisuuspainot merkitsevyystason luokkien välillä määritetään. Samankaltaisuuspainot ovat numeroita välillä 0 ja 1, jotka määrittelevät yhden tuloksen luokat, joiden odotetaan vastaavan toisen tuloksen luokkia. Arvo 1 tarkoittaa, että luokkia pidetään täsmälleen samoina, ja arvo 0 tarkoittaa, että luokkia pidetään täysin erilaisina. Arvot välillä 0 ja 1 osoittavat osittaisen samankaltaisuuden asteita luokkien välillä. Esimerkiksi 99-prosenttisesti merkittäviä kuumia kohtia voidaan pitää täysin samanlaisina kuin muut 99-prosenttisesti kuumat pisteet, osittain samankaltaisia kuin 95-prosenttisesti kuumia kohtia ja täysin erilaisia kuin 99-prosenttisesti kylmiä kohtia.
| merkkijono |
samankaltaisuus_painot [samankaltaisuus_painot,...] (Valinnainen) | Muokatut samankaltaisuuspainot merkitsevyystason luokkien välillä. Painot ovat arvoja välillä 0 ja 1, ja ne osoittavat, kuinka samankaltaisia nämä kaksi luokkaa ovat. Arvo 0 tarkoittaa, että luokat ovat täysin erilaisia, arvo 1 tarkoittaa, että arvot ovat täysin samanlaisia, ja arvot välillä 0–1 osoittavat, että luokat ovat osittain samankaltaisia. | Arvotaulukko |
in_weights_table (Valinnainen) | Taulukko, joka sisältää mukautetut samankaltaisuuspainot kullekin hot spot -merkittävyystason luokkien yhdistelmälle. Taulukon tulee sisältääKATEGORIA1,KATEGORIA2, jaPAINOkentät. Anna parin merkitsevyystason luokat (Gi_Binsyöttökerrosten kenttäarvot) luokkakentissä ja niiden välinen samankaltaisuus painotuskentässä. Jos yhdistelmää ei ole taulukossa, yhdistelmän painon oletetaan olevan 0. | Taulukkonäkymä |
poissulkevat_ei-merkityt_ominaisuudet (Valinnainen) | Määrittää, jätetäänkö ominaisuusparit pois vertailuista, jos molemmat hot spot -tulokset ovat merkityksettömiä. Jos se jätetään pois, ehdollinen samankaltaisuus ja kappa-arvot lasketaan, jotka vertaavat vain tilastollisesti merkitseviä kuumia ja kylmiä kohtia. Ominaisuuksien poissulkemista suositellaan, jos olet kiinnostunut vain siitä, ovatko syöttökerrosten kuumat ja kylmät kohdat kohdakkain, et sitä, ovatko merkityksettömät alueet kohdakkain, esimerkiksi vertaamalla, vastaavatko keskitulon kuumat ja kylmät kohdat ruoan saannin kuumia ja kylmiä kohtia.
Jos jollekin merkitsevyystason luokille määritetään samankaltaisuuspaino 1 ei-merkittävälle kategorialle (mikä osoittaa, että luokkaa käsitellään samalla tavalla kuin ei-merkittävyyttä), myös kyseiseen luokkaan kuuluvat ominaisuudet suljetaan pois vertailuista, jos ne yhdistetään johonkin toiseen ei-merkittävään ominaisuuteen. . | Boolean |
Johtettu lähtö
| Nimi | Selitys | Tietotyyppi |
| SIM_VALUE | Hot spot -tulosten samankaltaisuusarvo. | Kaksinkertainen |
| EXP_SIM_ARVO | Hot spot -tulosten samankaltaisuuden odotettu arvo. | Kaksinkertainen |
| KAPPA | Spatiaalisesti säädetty sumea kappa-arvo hot spot -tulosten välillä. | Kaksinkertainen |
| output_layer_group | Tulostasojen ryhmäkerros. | Ryhmätaso |
Koodin näyte
Seuraava Python-skripti näyttää, kuinka käyttääHotSpotAnalysisComparisontoiminto.
arcpy.stats.HotSpotAnalysisComparison("c:/data/boston.gdb/robbery_hotspot", "c:/data/boston.gdb/social_disorder_hotspot", "robbery_disorder_comparison", 8, 499, "FUZZY, "None" ")Seuraava Python-skripti näyttää, kuinka käyttääHotSpotAnalysisComparisontoiminto.
# Vertaa hot spot -analyysituloksia ryöstöistä ja sosiaalisista häiriöistä.# Tuo vaaditut moduulit.import arcpy# Aseta workspace.arcpy.env.workspace = "c:/data/boston.gdb"# Luo hot spot -tulos ryöstöistä Bostonissa. robbery_hs = arcpy.stats.HotSpots( "boston_ecometrics_hex", "robbery", "robbery_hotspot", "K_NEAREST_NEIGHBORS", Ei mitään, Ei, Ei, Ei mitään, Ei mitään, Ei mitään, 8)# Luo sosiaalisen häiriön hot spot -tulos Bostonissa.social_disorder = arcpy.stats.HotSpots( "boston_ecometrics_hex", "scl_dsr", "social_disorder_hotspot", "K_NEAREST_NEIGHBORS", Ei mitään, Ei, Ei, Ei, Ei, Ei, Ei mitään, 8)# Vertaa ryöstöä ja sosiaalista häiriötä hs spot results.try: = arcpy.stats.HotSpotAnalysisComparison( robbery_hs, social_disorder_hs, "robbery_disorder_comparison", 8, 999, "FUZZY", None, None, False )paitsi arcpy.ExecuteError: # Jos työkalua suoritettaessa tapahtui virhe, tulosta virheilmoitus. print(arcpy.GetMessages())# Tallenna samankaltaisuus ja kappa-johdannaiset outputs.result_vals = [hs_compare.getOutput(out) for out in range(hs_compare.outputCount)]# Käytä tunnisteita johdetuille tulosteilleresults_names = ["output_fc", "samankalaisuus" , "expected_similarity", "fuzzy_kappa", "output_layer"]# Yhdistä sanakirjaan ja tulosta johdetut outputs.results = dict(zip(results_names, result_vals))resultsFAQs
Which statistic is calculated by hot spot analysis tool in Arcgis pro? ›
The Hot Spot Analysis tool calculates the Getis-Ord Gi* statistic (pronounced G-i-star) for each feature in a dataset.
What is hot spot analysis comparison? ›Hot Spot Analysis Comparison (Spatial Statistics)
The Hot Spot Analysis comparison tool compares two hot spot analysis result layers and measures their similarity and association by examining the significance level categories of corresponding features in both input layers.
A high z-score and small p-value for a feature indicate a spatial clustering of high values. A low negative z-score and small p-value indicate a spatial clustering of low values. The higher (or lower) the z-score, the more intense the clustering. A z-score near zero indicates no apparent spatial clustering.
Which statistic is used to calculate values in the optimized hot spot analysis tool? ›The Optimized Hot Spot Analysis tool uses the Getis-Ord Gi* (pronounced Gee Eye Star) statistic and, similar to many statistical methods, the results are not reliable when there are less than 30 features.
What is a spatial autocorrelation hot spot analysis? ›Spatial autocorrelation analysis looks at how similar are those values that are closer to each other. Measures of spatial autocorrelation can be categorized as global or local indicators of spatial association (LISA). Moran's I and Geary's I are examples of global spatial autocorrelation statistics.
How do you interpret spatial autocorrelation? ›In the presence of spatial autocorrelation, it is observed that the value of a variable for an observation is linked to the values of the same variable for the neighbouring observations. — Spatial autocorrelation is positive when similar values of the variable to be studied are grouped geographically.
How is hotspot analysis different from heatmap? ›A heat map differs from a hotspot in that a hotspot analysis looks for clusters of data and displays those clusters as hotspots. A heat map displays relative density without looking for clusters. For example, a heat map of parking citations in a selected area shows the density of citations from high to low.
What is the difference between hot spot and hot spot? ›Hot spot is a compound word in transition. Some style guides make a distinction between hot spot and hotspot, using the spelling hot spot to mean a popular, dangerous or volcanic place, and reserving the spelling hotspot to mean an internet connection. Some dictionaries list the spelling hot spot for all meanings.
What do hot spot mapping techniques focus on? ›Hot spots policing strategies focus on small geographic areas or places, usually in urban settings, where crime is concentrated. Through hot spots policing strategies, law enforcement agencies can focus limited resources in areas where crime is most likely to occur.
What is the null hypothesis for hot spot analysis? ›For example, if zone i has a high value and its neighbors j within distance d have high values, then this is a “hot spot”. The null hypothesis for these statistics is that there is no spatial clustering of similar values and the output is a map of z-scores.
What are the different types of hot spot analysis? ›
Two available methods are Moran's I (Global) and Getis-Ord General G (Global). Hotspot analysis requires the presence of clustering within the data. The two methods mentioned will return values, including a z-score, and when analysed together will indicate if clustering is found in the data or not.
What are the two criteria for a hotspot? ›By definition, a global biodiversity hotspot is a place that meets two criteria: (1) it contains over 1500 endemic vascular plants, and (2) it has lost over 70% of its historic vegetation.
What is spatial autocorrelation in statistics? ›The term spatial autocorrelation refers to the presence of systematic spatial variation in a mapped variable. Where adjacent observations have similar data values the map shows positive spatial autocorrelation.
What is spatial autocorrelation in GIS? ›Spatial autocorrelation is simply looking at how well objects correlate with other nearby objects across a spatial area. Positive autocorrelation occurs when many similar values are located near each other, while negative correlation is common where very different results are found near each other.
What is optimized hotspot analysis in Arcgis? ›This tool identifies statistically significant spatial clusters of high values (hot spots) and low values (cold spots). It automatically aggregates incident data, identifies an appropriate scale of analysis, and corrects for both multiple testing and spatial dependence.
What is hotspot analysis in ArcGIS? ›This tool identifies statistically significant spatial clusters of high values (hot spots) and low values (cold spots). It automatically aggregates incident data, identifies an appropriate scale of analysis, and corrects for both multiple testing and spatial dependence.
How do you calculate statistics in ArcGIS? ›You can use the geoprocessing tools within ArcGIS to calculate statistics for your raster datasets, or you can identify one or more raster datasets in ArcCatalog or the Catalog window and open the appropriate tool from the context menu.
What is the statistics function in ArcGIS? ›The Statistics function calculates focal statistics for each pixel of an image based on a defined focal neighborhood.
What is the use of hotspot analysis? ›Hotspot analysis is most commonly used in crime analysis, epidemiology, voting pattern analysis, retail analysis, economic geography and demographics.