Mais

Usando ferramentas ArcGIS Getis Ord Gi * e IDW com “pontos quentes” onde áreas não medidas são “pontos frios”?


Tenho dois conjuntos de dados que gostaria de analisar juntos. O primeiro conjunto de dados tem localizações de ninhos de pássaros nas vizinhanças (ninho). O segundo conjunto de dados tem localizações de comedouros de pássaros nas vizinhanças (comida). Em cada localização X, Y do alimento, também tenho informações sobre a quantidade de alimento (extensão do recurso). Cada um deles são arquivos de forma pontuais no ArcGIS.

Eu gostaria de criar uma superfície suavizada (raster de comida) de comida para que eu possa extrair um valor de índice de comida para a localização de cada ninho em meu conjunto de dados. O índice alimentar deve depender da proximidade de um comedouro para esse ninho e da quantidade de comida naquele comedouro.

Usei Getis Ord Gi * para gerar zscores para cada um dos meus locais de alimentação (ponderando cada local com base na extensão do recurso) e, em seguida, usei esses valores na análise de IDW. No entanto, os escores Getis Ord Gi * z são positivos e negativos porque comparam o valor da comida em cada local com o valor médio da comida em todos os comedouros na vizinhança. O resultado é que alguns dos meus alimentadores acabaram sendo "pontos frios" no raster IDW resultante.

O que eu gostaria é um raster de alimentos em que todos os locais de alimentos sejam "quentes" (em vários graus dependendo da extensão) e os locais não medidos sejam, por definição, "mais frios" do que esses (porque sei que não há alimentadores lá).

Alguém conhece uma maneira de fazer isso (por exemplo, restringir os Zscores para que sejam todos positivos ou, de outra forma, especificar que os pontos medidos são todos "quentes")?

Ou preciso usar uma análise alternativa completamente?

Eu testei o KDE com esses dados também, mas preferiria o IDW, se possível, porque vários campos do KDE são escolhidos por "capricho" do pesquisador. Acho que posso ter dificuldade em defender as escolhas de largura de banda, etc. com meus conjuntos de dados.


Conforme comentado por @JeffreyEvans:

você terá os mesmos problemas de polarização de amostra com estatísticas de padrão de pontos e densidade de kernel, talvez até mais. Você pode querer considerar uma abordagem de Krigagem, ou mesmo uma visão espacial.


você terá os mesmos problemas de polarização de amostra com estatísticas de padrão de pontos e densidade de kernel, talvez até mais. Lembre-se de que uma suposição do PPA é que você está representando a população e não uma amostra.

A parametrização da função kernel pode ter efeitos profundos na estimativa de densidade resultante. Os resultados podem ser influenciados pelo tipo de kernel (por exemplo, Gaussiano, Uniforme), bem como pela largura de banda. Seria muito difícil separar o sinal fornecido pelo KDE do processo espacial subjacente e exigiria uma modelagem adicional considerável, como um Monte Carlo em várias larguras de banda e especificações de kernel, para suportar qualquer inferência.

Eles também estão sendo modelados como processos espaciais independentes e não são diretamente comparáveis. Para torná-los comparáveis, você precisa de algum tipo de modelo de regressão espacial formalizado ou uma análise do tipo de correlação cruzada. É por isso que funções "cruzadas" (por exemplo, Cross-K, LISA bivariada) foram criadas em primeiro lugar. No entanto, devido a violações no PPA, uma abordagem de regressão espacial parece adequada.


Assista o vídeo: gvSIG Mobile, SIG en software libre para toma de datos en campo (Outubro 2021).