Hot Spots suchen—Portal for ArcGIS | Dokumentation zu ArcGIS Enterprise

Hinweis:

Diese Funktionalität wird derzeit nur in Map Viewer Classic (zuvor als Map Viewer bezeichnet) unterstützt.

Das Werkzeug Hot-Spots suchen ermittelt, ob die räumlichen Muster in den Daten eine statistisch signifikante Cluster-Bildung aufweisen.

Workflow-Diagramm

Durchführen von Analysen mit GeoAnalytics Tools

Mit GeoAnalytics Tools durchgeführte Analysen werden mittels verteilter Verarbeitung auf mehreren ArcGIS GeoAnalytics Server-Computern und Kernen durchgeführt. GeoAnalytics Tools und Standard-Feature-Analysewerkzeuge in ArcGIS Enterprise verfügen über verschiedene Parameter und Funktionen. Weitere Informationen zu diesen Unterschieden finden Sie unter Unterschiede zwischen Feature-Analysewerkzeugen.

Beispiele

Nachfolgend finden Sie Verwendungsbeispiele für dieses Werkzeug:

Die Polizeistation einer Stadt führt eine Analyse durch, um zu ermitteln, ob eine Beziehung zwischen Gewaltverbrechen und Arbeitslosenraten besteht. Für weiterführende Schulen wird ein ausgedehntes Job-Programm für die Sommermonate in Gebieten mit einer hohen Rate von Gewaltverbrechen und Arbeitslosigkeit umgesetzt. Hot-Spots suchen wird verwendet, um Gebiete mit statistisch signifikanten Kriminalitäts- und Arbeitslosigkeits-Hot-Spots zu ermitteln.
Ein Naturschutzbeamter untersucht Baumkrankheiten, um zu priorisieren, welche Waldgebiete entsprechend behandelt werden müssen, und Informationen zu Gebieten zu erhalten, die teilweise Resistenzen zeigen. Mit dem Werkzeug Hot-Spots suchen können Cluster von kranken (Hot-Spots) und gesunden (Cold-Spots) Bäumen ermittelt werden.

Verwendungshinweise

Eingabe-Features müssen Punkte sein. Punkte werden durch aggregierte Features in einem Quadratnetz (Abschnitte) analysiert.

Der Ausgabe-Layer verfügt über zusätzliche Felder, die Informationen wie etwa die statistische Signifikanz jedes Features, den p-Wert und den Z-Wert enthalten.

Mit Hot-Spots suchen können Sie optional Analysen mithilfe von Zeitschritten durchführen. Jeder Zeitschritt wird unabhängig von den Features außerhalb des Zeitschrittes analysiert. Für die Verwendung von Zeitintervallen müssen Zeiteigenschaften für Ihre Eingabedaten aktiviert sein und ein Zeitintervall darstellen. Bei Anwendung von Zeitschritten sind Ausgabe-Features Zeitintervalle, die durch die Felder START_DATETIME und END_DATETIME dargestellt werden.

Weitere Informationen zu Zeitschritten

Hot-Spots suchen erfordert, dass sich Ihr Flächen-Layer in einem projizierten Koordinatensystem befindet. Wenn Ihre Daten sich nicht in einem projizierten Koordinatensystem befinden und Sie kein verarbeitendes projiziertes Koordinatensystem einrichten, wird "Weltweite flächentreue Zylinderprojektion" (WKID 54034) verwendet.

Wenn die Option Aktuelle Kartenausdehnung verwenden aktiviert ist, werden nur die Features analysiert, die in der aktuellen Kartenausdehnung sichtbar sind. Wenn diese Option nicht aktiviert ist, werden alle Beobachterpunkte im Eingabe-Layer analysiert, auch diejenigen, die sich außerhalb der aktuellen Kartenausdehnung befinden.

Funktionsweise von Hot-Spots suchen

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 Methoden wie Hot-Spots suchen (Getis-Ord Gi*), um räumliche Muster zu quantifizieren.

Mit dem Werkzeug wird die Getis-Ord Gi*-Statistik (ausgesprochen "G-i-Sternchen") für die einzelnen Features eines Datasets berechnet. Anhand der sich ergebenden Z-Werte und p-Werte können Sie feststellen, wo Features mit hohen oder niedrigen Werten zur räumlichen Cluster-Bildung neigen. Jedes Feature wird im Kontext benachbarter Features analysiert. Ein Feature mit einem hohen Wert ist beachtenswert, es muss sich dabei jedoch nicht zwangsweise um einen statistisch signifikanten Hot-Spot handeln. Ein statistisch signifikanter Hot-Spot ist ein Feature mit einem hohen Wert, das darüber hinaus von anderen Features mit hohen Werten umgeben ist. Die lokale Summe eines Features und der benachbarten Features wird proportional mit der Summe aller Features verglichen. Wenn die lokale Summe sich erheblich von der erwarteten lokalen Summe unterscheidet und der Unterschied zu groß ist, um von einem willkürlichen Zufall herzurühren, handelt es sich um einen statistisch signifikanten Z-Wert.

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 bewirken, 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.

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.

Suchen von Clustern mit hoher und niedriger Punktanzahl

Analysieren von Punkten, kein Analysefeld 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- oder Abwesenheit darstellt. In diesen Fällen möchten Sie nur wissen, wo die Cluster-Bildung ungewöhnlich ausgeprägt (statistisch signifikantes) oder gering ist. Bei dieser Analyse werden Flächen-Features (ein vom Werkzeug erstelltes Gitter aus Abschnitten) 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.

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. Punkte oder Flächen, die beige angezeigt werden, sind hingegen nicht Teil eines statistisch signifikanten Clusters. Das mit diesen Features verknüpfte räumliche Muster kann ein zufälliges Ergebnis sein. Manchmal geben die Ergebnisse der Analyse an, dass keine statistisch signifikanten Cluster vorhanden sind. Diese Information ist sehr wichtig.

Ein zufälliges räumliches Muster gibt Ihnen 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, Programme dieser Art vermehrt zu fördern.

Einschränkungen

Eingaben müssen einen Punkt-Layer enthalten. Vor der Analyse werden sie dann in Abschnitte einer angegebenen Größe aggregiert. Wenn Sie Hot-Spots finden möchten, ohne zu aggregieren, oder wenn Ihre Eingabe ein Polygon-Layer ist, dann verwenden Sie das Standard-Feature-Analysewerkzeug Hot-Spots suchen.

Beispiel für ArcGIS API for Python

Das Werkzeug "Hot-Spots suchen" ist über ArcGIS API for Python verfügbar.

In diesem Beispiel wird nach Kriminalitäts-Hot-Spots vom Typ "Inland" gesucht.


# Import the required ArcGIS API for Python modules
import arcgis
from arcgis.gis import GIS
from arcgis.geoanalytics import analyze_patterns

# Connect to your ArcGIS Enterprise portal and confirm that GeoAnalytics is supported
portal = GIS("https://myportal.domain.com/portal", "gis_publisher", "my_password")
if not portal.geoanalytics.is_supported():
    print("Quitting, GeoAnalytics is not supported")
    exit(1)   

# Find the big data file share dataset you'll use for analysis
search_result = portal.content.search("", "Big Data File Share")

# Look through the search results for a big data file share with the matching name
bdfs_search = next(x for x in search_result if x.title == "bigDataFileShares_PoliceData")

# Look through the big data file share for Crimes
crimes = next(x for x in bdfs_search.layers if x.properties.name == "Crimes")

# Set the tool environment settings and apply a filter to crimes
arcgis.env.verbose = True
crimes.filter = "Domestic = 'TRUE'"

# Find hot spot of domestic crime occurrence with hot spot cell size of 1 mile
hot_spots_result = analyze_patterns.find_hot_spots(point_layer = crimes,
                                                   bin_size = 1, 
                                                   bin_size_unit = 'Miles',
                                                   neighborhood_distance = 5,
                                                   neighborhood_distance_unit = 'Miles',
                                                   output_name = "Crimes_Hotspots")

# Visualize the tool results if you are running Python in a Jupyter Notebook
processed_map = portal.map('City, State', 10)
processed_map.add_layer(hot_spots_result)
processed_map