Das Werkzeug "Hot-Spots suchen" ermittelt, ob die räumlichen Muster in den Daten eine statistisch signifikante Cluster-Bildung aufweisen.
- Sind Ihre Punkte (Verbrechensfälle, Bäume, Verkehrsunfälle) wirklich geclustert? Wie kann dies sichergestellt werden?
- Haben Sie wirklich einen statistisch signifikanten Hot-Spot (für Ausgaben, Kindersterblichkeit, durchweg hohe Prüfungsergebnisse) gefunden oder ließen sich andere Erkenntnisse aus der Karte ziehen, wenn die Art der Symbolisierung geändert würde?
Selbst zufällige räumliche Muster weisen eine gewisse Cluster-Bildung auf. Zudem suchen unsere Augen und Gehirne naturgemäß auch dann nach Mustern, wenn keine vorhanden sind. Demzufolge kann es schwierig sein, zu wissen, ob die Muster in den Daten das Ergebnis echter räumlicher Prozesse sind oder ob es sich lediglich um ein zufälliges Ergebnis handelt. Aus diesem Grund verwenden Forscher und Analysten statistische Methoden wie "Hot-Spots suchen" (Getis-Ord Gi*), um räumliche Muster zu quantifizieren. Wenn Sie eine statistisch signifikante Cluster-Bildung in Ihren Daten finden, verfügen Sie über wertvolle Informationen. Zu wissen, wo und wann Cluster-Bildung auftritt, kann wichtige Aufschlüsse über die Prozesse geben, die die Muster fördern, die Sie sehen. Zu wissen, dass die Anzahl der Wohnungseinbrüche in bestimmten Nachbarschaften beispielsweise ständig höher ausfällt, kann eine wichtige Rolle spielen, wenn Sie effektive Präventionsstrategien entwerfen, knappe Polizeikräfte verteilen, Nachbarschaftsüberwachungsprogramme initiieren, strafrechtliche Ermittlungen durchführen oder potenzielle Verdächtige identifizieren müssen.
1 Analysieren von Flächen-Features
Für Flächen-Features wie Zählbezirke, Landkreise, Wahlkreise, Krankenhausregionen, Flurstücke, Park- und Freizeitflächen, Abflussgebiete, Landnutzungsklassifikationen und Klimazonen stehen sehr viele Daten zur Verfügung. Wenn Ihr Analyse-Layer Flächen-Features enthält, müssen Sie ein numerisches Feld festlegen, anhand dessen Cluster mit hohen und niedrigen Werten gesucht werden. Dieses Feld kann Folgendes darstellen:
- Mengenangaben (z. B. die Anzahl der Haushalte)
- Verhältnisangaben (z. B. der Bevölkerungsanteil mit Universitätsabschluss)
- Durchschnittswerte (z. B. das durchschnittliche oder mittlere Haushaltseinkommen)
- Indizes (z. B. eine Bewertung, aus der hervorgeht, ob die Ausgaben eines Haushalts für Sportartikel über oder unter dem nationalen Durchschnitt liegen)
Mit dem angegebenen Feld erstellt das Werkzeug "Hot-Spots suchen" eine Karte (den Ergebnis-Layer), die Flächen mit statistisch signifikanten Clustern mit hohen Werten (Hot-Spots: rot) und niedrigen Werten (Cold-Spots: blau) anzeigt. Diese Art der Analyse kann die Beantwortung einer Reihe von Fragen erleichtern:
In welchen Gebieten besteht der beste oder schlechteste Zugang zu Leistungen?
Auf Grundlage der Anzahl von Kindern und Kinderärzten kann etwa festgestellt werden, in welchen Gebieten eine gute oder schlechte Versorgung im Bereich Kindermedizin verfügbar ist. Diese Informationen können bei der Durchführung von Förderprogrammen zur Rekrutierung von Ärzten mit Spezialisierung in der Kindermedizin in schlecht versorgten Gebieten hilfreich sein. Bei dieser Analyse können Sie eine Variable erstellen, aus der die Anzahl der Kinderärzte pro Kind hervorgeht. Danach würden Sie "Hot-Spots suchen" für diese Verhältniswerte ausführen, um eine statistisch signifikante Cluster-Bildung hoher Werte (Hot-Spots mit guter Versorgung) und niedriger Werte (Cold-Spots mit schlechter Versorgung) zu ermitteln.
Wo machen bestimmte Ereignistypen einen höheren Anteil der Ereignisse aus als erwartet?
Angenommen, die Feuerwehr eines Landkreises ist aufgrund der zunehmenden Zahl an Bränden im Zusammenhang mit Kochen besorgt. Sie können helfen. Berechnen Sie zunächst die Anzahl der Küchenbrände geteilt durch die Anzahl der anderen Feuer in Wohngebieten in jedem Bezirk im Untersuchungsgebiet (z. B. in Zählbezirken). Führen Sie danach "Hot-Spots suchen" für diese Quoten aus, um Gebiete mit mehr Küchenbränden als erwartet (Hot-Spots) zu ermitteln. Das Risiko von Küchenbränden ist abhängig von der Art des zubereiteten Essens sowie von den besonderen Kochgewohnheiten, die in einigen Gemeinden möglicherweise höher sind als in anderen. In den Gebieten mit hohem Risiko können Anzeigen oder Aufklärungsmaterialien strategisch platziert werden, um die Gefahr zukünftiger Brände zu vermindern.
Wo sind Zugehörigkeiten am stärksten oder schwächsten?
Angenommen, Sie möchten herausfinden, in welchen Regionen eine bestimmte Partei, ein Kandidat oder ein Volksbegehren am entschiedensten unterstützt oder abgelehnt wurde. Diese Informationen können sich bei zukünftigen Wahlen als hilfreich für die Ausarbeitung von Kampagnenstrategien erweisen. In der folgenden Karte stellen rote Bereiche statistisch signifikante Cluster dar, bei denen der Prozentsatz der Stimmen für die Republikaner wesentlich höher liegt als der Prozentsatz der Stimmen für die Demokraten; die blauen Bereiche bezeichnen statistisch signifikante Cluster mit einer starken Unterstützung der Demokraten. Die Karte wurde erstellt, indem der Anteil der Stimmen für die Demokraten vom Anteil der Stimmen für die Republikaner abgezogen und danach "Hot-Spots suchen" für die Differenzen ausgeführt wurde.
2 Analysieren von Punkt-Features
Viele Daten sind als Punkt-Features verfügbar. Vor allem Verbrechensfälle, Schulen, Krankenhäuser, Notrufereignisse, Verkehrsunfälle, Brunnen, Bäume und Boote werden häufig als Punkte dargestellt. In einigen Fällen kann es interessant sein, mit einzelnen Punkt-Features verknüpfte Datenwerte (ein Feld) zu analysieren. In anderen Fällen möchten Sie nur die Cluster-Bildung der Punkte selbst ermitteln. Die Entscheidung, ob ein Feld bereitgestellt werden soll oder nicht, hängt von der Frage ab, die Sie beantworten möchten.
2.1 Suchen von Clustern mit hohen und niedrigen Werten, die mit Punkt-Features verknüpft sind
Die Bereitstellung eines Analysefeldes eignet sich zur Beantwortung von Fragen wie: Wo bilden hohe und niedrige Werte Cluster? Das ausgewählte Feld kann Folgendes darstellen:
- Zählwerte (wie die Anzahl der Verkehrsunfälle an Kreuzungen)
- Verhältniswerte (wie die Arbeitslosigkeit in einem Ort, wobei der Ort als Punkt-Feature dargestellt wird)
- Durchschnittswerte (wie die Durchschnittspunktzahl eines Mathematiktests in verschiedenen Schulen)
- Indizes (wie die Bewertung der Kundenzufriedenheit bei Autohändlern in einem Landkreis)
Zu wissen, wo die mit Punkt-Features verknüpften hohen und niedrigen Werte zur räumlichen Cluster-Bildung neigen, kann die Beantwortung wichtiger Fragen erleichtern. Beispiel:
Wo sind Ressourcen ausreichend und wo nicht?
Beim Katastrophenmanagement kann etwa die Auswertung von Trends in der Verfügbarkeit von Krankenhausbetten bei der Vorbereitung auf Notfälle helfen. Wenn Ihre Punkt-Features Krankenhauseinrichtungen darstellen, werden nach der Berechnung der durchschnittlich verfügbaren Anzahl von Betten pro Tag, Woche, Monat oder Saison und der Ausführung von "Hot-Spots suchen" für diese Durchschnittswerte die Krankenhausregionen angezeigt, in denen die Betten durchgehend belegt sind, sowie die Regionen, in denen immer Betten frei sind. Darüber hinaus werden auch wichtige zeitliche Trends erfasst.
In einem weiteren Beispiel kann analysiert werden, wo Lehrer am dringendsten benötigt werden. Wenn die Punkt-Features Schulen darstellen und jeder Punkt einem durchschnittlichen Schüler-zu-Lehrer-Verhältnis zugeordnet wird, ergibt die Anwendung von "Hot-Spots suchen" auf diese Verhältnisse die Schulbezirke, in denen nicht genügend Lehrer und/oder schulische Einrichtungen zur Verfügung stehen.
Welche Gebiete befinden sich in der besten und schlechtesten Lage?
Wenn beispielsweise Einzelhandelsgeschäfte in einem Einkaufszentrum durch Punkt-Features dargestellt werden und ein Analysefeld enthalten ist, das den Einkaufsverkehr widerspiegelt, können Sie anhand von "Hot-Spots suchen" sicher bestimmen, welche Bereiche des Einkaufszentrums die beste oder schlechteste Lage für Einkäufer aufweisen.
2.2 Suchen von Clustern mit hoher und niedriger Punktanzahl
Bei einigen Punktdaten gibt es kein hervorstechendes Analysefeld. Dies ist normalerweise der Fall, wenn jeder Punkt ein Ereignis, einen Vorfall oder eine Angabe zur An-/Abwesenheit darstellt. In diesen Fällen möchten Sie nur wissen, wo die Cluster-Bildung ungewöhnlich ausgeprägt (statistisch signifikant) oder gering ist. Bei dieser Analyse werden Flächen-Features (ein vom Werkzeug erstelltes Netzgitter oder ein angegebener Flächen-Layer) über den Punkten platziert und die Punkte in jedem Bereich gezählt. Anschließend findet das Werkzeug Cluster mit hoher und niedriger Punktanzahl, die mit jedem Flächen-Feature verknüpft sind. Zu wissen, wo sich statistisch signifikante Cluster mit Punktanzahl befinden, kann bei der Beantwortung einer Reihe von Fragen wie den folgenden hilfreich sein:
Wo werden weitere Ressourcen benötigt?
Wenn jedes Punkt-Feature ein Verbrechen in Ihrer Stadt darstellt, können durch die Ausführung des Werkzeugs "Hot-Spots suchen" für diese Punkte die Gebiete mit den meisten und wenigsten Verbrechen angezeigt werden. Anhand dieser Informationen können Präventionsmaßnahmen ergriffen werden.
Wo liegen vorrangig zu behandelnde Gebiete?
Mit Punktdaten, die ausgewachsene Bäume in einem Wald angeben, kann "Hot-Spots suchen" ermitteln, wo die Baumdichte am höchsten und niedrigsten ist. Diese Informationen sind für die verantwortlichen Waldbeauftragten hilfreich.
Wenn dagegen jeder Punkt einen Baum mit einer Krankheit oder einem Schädlingsbefall darstellt, können mit "Hot-Spots suchen" Gebiete ermittelt werden, in denen diese Probleme am schlimmsten sind (Hot Spots), um so bevorzugt zu behandelnde Gebiete zu bestimmen. Wenn die Gebiete mit wenig Krankheiten oder Schädlingen (Cold-Spots) bekannt sind, kann dies auf Faktoren hinweisen, die mit zur Resistenz beitragen. Die Erkenntnis, dass die Cluster-Bildung von hohen oder niedrigen Krankheits-/Schädlingsbefallwerten statistisch signifikant ist, weist deutlich darauf hin, dass dem Faktoren zugrunde liegen, die diese Probleme begünstigen oder abschwächen.
Eine Hot-Spot-Karte der Verkehrsunfälle mit Todesopfern kann Projekten zur Verbesserung der Sicherheit eine höhere Priorität einräumen.
Die Ausführung von "Hot-Spots suchen" für Zwangsvollstreckungen kann mit dazu beitragen, zu bestimmen, wo Hilfsprogramme am dringendsten gebraucht werden. Die Ermittlung von Cold-Spots, an denen die Anzahl der Vollstreckungen unerwartet niedrig ist, kann Hinweise zur Stabilität der Hauseigentumsverhältnisse liefern.
Für diesen Analysetyp erstellt das Werkzeug "Hot-Spot suchen" ein Netzgitter und platziert es über den Punkten im Analyse-Layer, es sei denn, Sie stellen Aggregationsflächen zum Zählen der Ereignispunkte bereit. Die Anzahl der Punkte, die in den einzelnen Netzquadraten liegen, wird dann ermittelt und analysiert. Sofern Sie keine Bereiche festlegen, in denen Punkte möglich sind, werden nur Netzquadrate mit mindestens einem Punkt analysiert.
Alle statistisch signifikanten Hot-Spots (rot) im Ergebnis-Layer zeigen räumliche Cluster von Netzquadraten mit hohen Anzahlwerten an. Entsprechend zeigen alle statistisch signifikanten Cold-Spots (blau) im Ergebnis-Layer räumliche Cluster von Netzquadraten mit sehr niedrigen Anzahlwerten an. Hinweis: Der Ergebnis-Layer ist keine Dichte-Oberfläche, sondern gibt Positionen an, an denen hohe oder niedrige Punktzahlen auch als Ergebnis zufälliger Prozesse geclustert werden. Möglicherweise enthalten die Punktdaten, die Sie analysieren, keine statistisch signifikanten Cluster.
2.2.1 Festlegen von Bereichen, in denen Punkte möglich sind
Geben Sie einen Flächen-Layer an, oder zeichnen Sie Flächen, die ein Untersuchungsgebiet definieren, in dem alle Positionen mit potenziellen Ereignispunkt-Features analysiert werden sollen. Bei dieser Option wird durch das Werkzeug "Hot-Spots suchen" ein Netzgitter über das definierte Untersuchungsgebiet gelegt, und die Punkte in jedem Netzquadrat werden gezählt. Wenn Sie bei der Verwendung dieser Option nicht angeben, wo Ereignispunkte möglich sind, werden mit dem Werkzeug "Hot-Spots suchen" nur die Netzquadrate mit mindestens einem Punkt analysiert. Wenn Sie bei dieser Option jedoch angeben, wo Punkte möglich sind, wird die Analyse für alle Netzquadrate ausgeführt, die sich in den von Ihnen definierten begrenzten Flächen befinden. Die Angabe der Grenzen für Ihre Analyse ist beispielsweise bei den folgenden Fragen besonders hilfreich:
Wo befinden sich in den angegebenen Grenzen Problembereiche?
Wenn die Punktdaten Anfragen eines Schiffes für Hafenassistenz darstellen, können Sie begrenzte Flächen bereitstellen, die die Wasserstraßen von Häfen widerspiegeln, die für den Schiffsverkehr vorgesehen sind. Jeder erkannte Hot-Spot gibt Standorte mit unerwartet hohen Assistenzanfragen an. Die Kenntnis darüber, dass diese Standorte vorhanden sind, kann Anlass zu entsprechenden Untersuchungen und zur Umsetzung von Präventionsmaßnahmen geben.
Andere Szenarien:
- Ladendiebstahl tritt nur dort auf, wo Einzelhandelsunternehmen geschäftlich tätig sind. Wenn Standorte mit allgemein hohen Diebstahlfällen gefunden werden, kann dies Aufschluss über potenzielle Verdächtige geben.
- Zwangsvollstreckungen von Häusern können nur dort vorkommen, wo Häuser angesiedelt sind. Wenn Hot-Spots mit Zwangsvollstreckungen gefunden werden, können Nachbarschaften ermittelt werden, die einer bevorzugten Unterstützung bedürfen.
- Waldbrände treten nur in Waldgebieten auf und schließen große Gewässer aus. Die statistisch signifikanten Hot-Spots oder Cold-Spots aus dieser Analyse können Informationen für Forstwirtschaftsrichtlinien und -praktiken bereitstellen.
2.2.2 Zählen von Punkten in Ihren eigenen Aggregationsflächen
In einigen Fällen ist es sinnvoller, Flächen-Features wie Zählbezirke, Polizeibezirke oder Flurstücke anstelle des Standardnetzgitters zu analysieren. In den folgenden Fällen kann es sinnvoll sein, einen Flächen-Layer für Aggregationszwecke bereitzustellen:
Welche administrativen Meldebereiche stellen eine statistisch signifikante Cluster-Bildung von hohen oder niedrigen Punktmengen dar?
Um die Bereiche einer Stadt zu ermitteln, in denen Asbestentsorgungsprogramme am meisten benötigt werden, können Sie einen Flächen-Layer der Zählbezirke in der Stadt über Punktpositionen legen, an denen Asbest in Häusern gefunden wurde.
Um die Ausbreitung des Grippevirus in einem Land besser verstehen zu können, können Sie Postleitzahlbereiche und Punkt-Features, die Grippeerkrankungen darstellen, angeben. Durch die wöchentliche Analyse der Neuerkrankungen erfahren Sie, wo die Hot-Spots liegen und ob sie zu- oder abnehmen oder sich verschieben.
2.2.3 Auswählen von "Teilen nach"
Es gibt zwei allgemeine Methoden der Identifizierung von Hot und Cold-Spots:
- Nach Anzahl: Wenn Sie ein bestimmtes Dataset analysieren, kommt es häufig vor, dass Sie Hot und Cold-Spots der Anzahl von Features in jeder Aggregationsfläche in Ihrem Untersuchungsgebiet suchen. Sie können beispielsweise Hot-Spots mit den höchsten Kriminalitätsraten und Cold-Spots mit den niedrigsten Kriminalitätsraten suchen, um Ressourcen zuzuweisen.
- Nach Intensität: Andererseits kann die Analyse und das Verständnis von Mustern, die zugrunde liegende Verteilungen berücksichtigen, die ein bestimmtes Phänomen beeinflussen, ebenfalls aussagekräftig sein. Dieses Konzept wird häufig als Normalisierung bezeichnet bzw. beschreibt das Teilen eines numerischen Attributwertes durch einen anderen, um die Unterschiede in Werten auf der Basis von Flächengröße oder Feature-Menge in jedem Bereich zu minimieren. Im Zusammenhang mit Kriminalität möchten Sie beispielsweise ermitteln, wo sich Cluster mit hohen und niedrigen Kriminalitätsraten befinden, die die zugrunde liegende Bevölkerung berücksichtigen. In diesem Fall können Sie die Anzahl der Delikte in jedem Gebiet (unabhängig davon, ob dieses Gebiet ein Netzgitter oder ein anderes Flächen-Dataset ist) zählen und die Gesamtzahl der Delikte durch die Gesamtbevölkerung in diesem Gebiet teilen. Daraus ergibt sich eine Kriminalitätsrate oder die Anzahl der Verbrechen pro Kopf. Das Suchen von Hot und Cold-Spots mit Verbrechen pro Kopf liefert Antworten auf eine andere Frage, die ebenfalls bei der Entscheidungsfindung hilfreich sein kann.
Es ist sehr wichtig, ein entsprechendes Attribut auszuwählen, durch das geteilt wird. Sie müssen sicherstellen, dass "Teilen nach Attribut" ein Attribut ist, das tatsächlich Einfluss auf die Verteilung eines bestimmten Phänomens hat, das Sie analysieren.
Beispiele für geeignete Normalisierung:
- Anzahl der Zwangsvollstreckungen geteilt durch die Anzahl der Haushalte
- Anzahl der beobachteten Elche geteilt durch die Gesamtfläche
- Gesamtumsatzzahlen geteilt durch die Anzahl der Kunden in jedem Bezirk
- Anzahl der Arbeitslosen geteilt durch die Anzahl der über 16-Jährigen in der Bevölkerung
Wenn Sie Teilen nachEsri Population auswählen, werden die Bevölkerungsdaten des Esri Demographics Global Coverage verwendet. Sehen Sie sich die Auflösung der Daten an, die für das Gebiet Ihres Interesses verfügbar ist, um sicherzustellen, dass sie mit der Größe der angereicherten Gebiete kompatibel ist (Aggregationsflächen, die Sie bereitstellen, oder Netzquadrate, die erstellt werden). Besuchen Sie die Website Esri Demographics Global Coverage, um weitere Informationen zu den verfügbaren Geographie-Ebenen für jedes Land sowie zu älteren Bevölkerungsdaten zu erhalten, die für Ihre Analyse herangezogen werden.
3 Interpretieren der Ergebnisse
Die Ausgabe des Werkzeugs "Hot-Spots suchen" ist eine Karte. Je dunkler das Rot oder Blau der Punkte oder Flächen in dieser Ergebnis-Layer-Karte ausfällt, desto sicherer können Sie sein, dass die Cluster-Bildung kein zufälliges Ergebnis ist. Andererseits sind Punkte oder Flächen, die beige angezeigt werden, nicht Teil eines statistisch signifikanten Clusters. Das mit diesen Features verknüpfte räumliche Muster könnte mit großer Wahrscheinlichkeit ein zufälliges Ergebnis sein. Manchmal geben die Ergebnisse der Analyse an, dass überhaupt keine statistisch signifikanten Cluster vorhanden sind. Diese Information ist sehr wichtig. Wenn ein räumliches Muster zufällig ist, gibt es keinerlei Anhaltspunkte zu den zugrunde liegenden Ursachen. In diesen Fällen werden alle Features im Ergebnis-Layer beige dargestellt. Wenn jedoch eine statistisch signifikante Cluster-Bildung vorliegt, stellen die Positionen der Cluster-Bildung wichtige Hinweise auf die Ursachen der Cluster-Bildung dar. Das Auftreten statistisch signifikanter räumlicher Cluster-Bildung von Krebs in Verbindung mit bestimmten Umweltgiften kann etwa zu Richtlinien und Maßnahmen für den Schutz von Menschen führen. Auf ähnliche Weise kann die Ermittlung von Cold-Spots von übergewichtigen Kindern im Zusammenhang mit Schulen, in denen nachmittägliche Sportprogramme einen hohen Stellenwert haben, ein wichtiger Beweggrund sein, um Programme dieser Art vermehrt zu fördern.
4 Problembehandlung
Die vom Werkzeug "Hot-Spots suchen" verwendete statistische Methode basiert auf einer Wahrscheinlichkeitstheorie und erfordert demzufolge, dass eine Mindestanzahl von Features effektiv funktioniert. Für diese statistische Methode sind außerdem verschiedene Anzahl- und Analysefeldwerte erforderlich. Wenn Sie beispielsweise Verbrechensfälle nach Zählbezirk analysieren und für jeden Bezirk die gleiche Anzahl von Verbrechen erhalten, kann das Werkzeug keine Auflösung durchführen. Im Folgenden werden die Meldungen erläutert, die beim Verwenden des Werkzeugs "Hot-Spots suchen" auftreten können:
| Meldung | Problem | Lösung |
|---|---|---|
Für die ausgewählten Analyseoptionen sind für die Berechnung von Hot- und Cold-Spots mindestens 60 Punkte erforderlich. | Die Anzahl der in Ihrem Punktanalyse-Layer enthaltenen Punkt-Features ist für die Berechnung zuverlässiger Werte unzureichend. | Die naheliegendste Lösung besteht darin, dem Analyse-Layer weitere Punkte hinzuzufügen. Sie haben auch die Möglichkeit, eingegrenzte Analyseflächen zu definieren und damit Informationen dazu hinzufügen, wo Punkte hätten auftreten können, aber nicht aufgetreten sind. Bei dieser Methode benötigen Sie mindestens 30 Punkte. Sie können auch Aggregationsflächen bereitstellen, die Ihre Punkte überlagern. Für diese Analyse sind mindestens 30 Polygonflächen und 30 Punkte in diesen Flächen erforderlich. Wenn Sie über mindestens 30 Punkte verfügen, können Sie ein Analysefeld angeben. Dadurch stellt sich nun nicht mehr die Frage, wo sich viele oder wenige Punkte befinden, sondern wo hohe und niedrige Feldwerte räumliche Cluster bilden. |
Für die ausgewählten Analyseoptionen sind mindestens 30 Punkte mit gültigen Daten im Analysefeld erforderlich, um Hot- und Cold-Spots zu berechnen. | Ihr Analyse-Layer enthält nicht genügend Punkte bzw. Punkte, die mit Analysefeldwerten verknüpft sind, die nicht NULL sind, um zuverlässige Ergebnisse zu berechnen. | Wenn Sie über weniger als 30 Punkte verfügen, ist diese Analysemethode für Ihre Daten nicht geeignet. Wenn Sie über mehr als 30 Punkte verfügen und diese Meldung angezeigt wird, weist das angegebene Analysefeld möglicherweise NULL-Werte auf. Punkte mit NULL-Werten für das Analysefeld werden übersprungen. Eine andere Möglichkeit ist ein aktiver Filter zur Reduzierung der Anzahl der für die Analyse verfügbaren Punkte. |
Für die ausgewählten Analyseoptionen sind mindestens 30 Polygone mit gültigen Daten im Analysefeld erforderlich, um Hot- und Cold-Spots zu berechnen. | Ihr Analyse-Layer enthält nicht genügend Polygonflächen bzw. Flächen-Features, die mit Analysefeldwerten verknüpft sind, die nicht NULL sind, um zuverlässige Ergebnisse zu berechnen. | Wenn Sie über weniger als 30 Polygonflächen verfügen, ist diese Analysemethode für Ihre Daten nicht geeignet. Wenn Sie über mehr als 30 Flächen verfügen und diese Meldung angezeigt wird, weist das angegebene Analysefeld möglicherweise NULL-Werte auf. Polygonflächen mit NULL-Werten für das Analysefeld werden übersprungen. Eine andere Möglichkeit ist ein aktiver Filter zur Reduzierung der Anzahl der für die Analyse verfügbaren Polygonflächen. |
Für die ausgewählte Analyseoption müssen sich mindestens 30 Punkte in der/den angrenzenden Polygonfläche(n) befinden. | Es werden nur die Punkte analysiert, die innerhalb der dargestellten oder bereitgestellten eingegrenzten Analyseflächen liegen. Um zuverlässige Ergebnisse zu liefern, müssen mindesten 30 Punkte innerhalb der eingegrenzten Analyseflächen liegen. | Wenn Sie nicht über mindestens 30 Punkte verfügen, ist diese Methode für Ihre Daten nicht geeignet. Wenn mindestens 30 Features vorhanden sind, ist die Bereitstellung unterschiedlicher, möglicherweise größerer eingegrenzter Analyseflächen häufig eine Lösung. Eine andere Möglichkeit besteht darin, einen Flächen-Layer mit mindestens 30 Aggregationspolygonen bereitzustellen, die mindestens 30 Ihrer Punkte überlagern. Wenn Sie Aggregationsflächen bereitstellen, wird die Analyse für die in jeder Fläche enthaltene Punktanzahl durchgeführt. |
Für die ausgewählte Analyseoption müssen sich mindestens 30 Punkte in den Aggregationspolygonen befinden. | Es wurden nur die Punkte in die Analyse einbezogen, die innerhalb der Aggregationspolygone liegen. Um zuverlässige Ergebnisse zu liefern, müssen mindestens 30 Punkte innerhalb der bereitgestellten Polygonflächen liegen. | Wenn Sie nicht mindestens über 30 Punkte verfügen, ist diese Methode nicht für Ihre Daten geeignet. Andernfalls sollten Sie eingrenzende Analyseflächen zeichnen oder bereitstellen, die mindestens 30 Ihrer Punkte überlagern. Die angrenzenden Flächen sollten alle Positionen anzeigen, an denen Punkte auftreten können. |
Für die ausgewählte Analyseoption sind mindestens 30 Aggregationsflächen erforderlich. | Mit der ausgewählten Option werden die Aggregationsflächen auf Ihren Punkten überlagert und anschließend die Anzahl der Punkte gezählt, die in jede Fläche fallen. Um zuverlässige Ergebnisse zu liefern, werden mindestens 30 Anzahlwerte (30 Flächen) benötigt. | Zuverlässige Ergebnisse können berechnet werden, wenn Sie mindestens 30 Punkte bereitstellten, die in mindestens 30 Aggregationsflächen liegen. Wenn Sie keine 30 Aggregationsflächen zur Verfügung haben, können Sie eingrenzende Analyseflächen zeichnen oder bereitstellen, die mindestens 30 Ihrer Punkte überlagern. Diese angrenzenden Flächen sollten alle Positionen anzeigen, an denen Punkte auftreten können. |
Hot- und Cold-Spots können nicht berechnet werden, wenn die Anzahl der Punkte in jeder Polygonfläche identisch ist. Verwenden Sie unterschiedliche Polygonflächen oder unterschiedliche Analyseoptionen. | Als die Anzahl der Punkte in jeder Aggegrationsfläche mit dem Werkzeug "Hot-Spots suchen" ermittelt wurden, waren alle Anzahlwerte identisch. Dieses Werkzeug erfordert zumindest einige Unterschiede bei den ermittelten Anzahlwerten, um Ergebnisse zu berechnen. | Sie können andere Aggregationsflächen bereitstellen, die nicht dazu führen, dass alle Flächen die gleiche Anzahl von Punkten aufweisen. Anstelle von Aggregationsflächen können Sie auch eingrenzende Analyseflächen zeichnen oder bereitstellen. Sie können auch ein Analysefeld angeben. Dadurch stellt sich jedoch nicht mehr die Frage, wo sich viele oder wenige Punkte befinden, sondern wo hohe und niedrige Feldwerte räumliche Cluster bilden. |
Punktpositionen weisen keine hinreichende Variation auf, um Hot- und Cold-Spots zu berechnen. Lagegleiche Punkte reduzieren beispielsweise die räumliche Abweichung. Sie können einen angrenzenden Bereich, Aggregationsflächen (mindestens 30) oder ein Analysefeld bereitstellen. | Das Werkzeug erstellt ein Netzgitter zur Überlagerung der Punkte basierend auf der Anzahl der Punkte und auf deren Verteilung. Nachdem die Anzahl der Punkte in den einzelnen Netzquadraten gezählt und die Quadrate mit Punktzahlen von Null entfernt wurden, verblieben weniger als 30 Quadrate. Für dieses Werkzeug sind mindestens 30 Anzahlwerte (30 Quadrate) erforderlich, um zuverlässige Ergebnisse zu liefern. | Wenn die Punkte nur wenige eindeutige Positionen einnehmen (wenn viele lagegleiche Punkte vorhanden sind), ist es eine gute Lösung, Aggregationsflächen bereitzustellen, die Ihre Punkte überlagern, oder eingrenzende Analyseflächen zu zeichnen und bereitzustellen, die angeben, wo sich Punkte befinden und wo sie nicht auftreten können. Sie können auch ein Analysefeld angeben. Dadurch stellt sich jedoch nicht mehr die Frage, wo sich viele oder wenige Punkte befinden, sondern wo hohe und niedrige Feldwerte räumliche Cluster bilden. |
Die Variation unter den Punkten innerhalb der Grenzpolygonflächen ist nicht ausreichend. Sie können größere Grenzen angeben. | Das Werkzeug erstellt ein Netzgitter zur Überlagerung der Punkte basierend auf Punktpositionen und der Anzahl der Punkte. Nachdem die Anzahl der Punkte in den einzelnen Netzquadraten gezählt und die Quadrate außerhalb der eingegrenzten Analyseflächen entfernt wurden, verblieben weniger als 30 Netzquadrate. Für dieses Werkzeug sind mindestens 30 Anzahlwerte (30 Quadrate) erforderlich, um zuverlässige Ergebnisse zu liefern. | Wenn die Punkte unterschiedliche Positionen innerhalb der eingegrenzten Analyseflächen einnehmen, müssen Sie möglicherweise lediglich größere Grenzen bereitstellen. Wenn die Punkte nur wenige eindeutige Positionen einnehmen (wenn viele lagegleiche Punkte vorhanden sind), ist es eine gute Lösung, Aggregationsflächen bereitzustellen, die die Punkte überlagern. Sie können auch ein Analysefeld angeben. Dadurch stellt sich jedoch nicht mehr die Frage, wo sich viele oder wenige Punkte befinden, sondern wo hohe und niedrige Feldwerte räumliche Cluster bilden. |
Vermutlich sind alle Werte für das Analysefeld identisch. Hot- und Cold-Spots können nicht berechnet werden, wenn das analysierte Feld keine Variation aufweist. | Wahrscheinlich haben Sie ein Analysefeld angegeben, das denselben Wert für alle Punkt- oder Flächen-Features im Analyse-Layer aufweist. Die von diesem Werkzeug verwendete Statistik kann keine Berechnung vornehmen, es sei denn, es soll mit unterschiedlichen Werten gearbeitet werden. | Sie können ein anderes Analysefeld angeben oder für Punkt-Features Punktdichten analysieren, keine Punktwerte. |
Für die bereitgestellten Daten konnten keine Hot- und Cold-Spots berechnet werden. Geben Sie ggf. ein Analysefeld an. | Nachdem das Werkzeug ein Netzgitter erstellt und die Anzahl der Punkte in jedem Quadrat ermittelt hatte, war die Anzahl aller Quadrate identisch, was sehr unwahrscheinlich ist | Die Lösung besteht darin, eigene Aggregationsflächen bereitzustellen, eingrenzende Analyseflächen zu zeichnen oder bereitzustellen oder ein Analysefeld anzugeben. |
Zusätzliche Informationen zu den Algorithmen, die vom Werkzeug "Hot-Spots suchen" bereitgestellt werden, finden Sie unter Funktionsweise der optimierten Hot-Spot-Analyse.
5 Weitere Ressourcen
ArcGIS Spatial Statistics Resources