聚類分布制圖工具這組工具中包含眾所周知的熱點分析工具，通過這個工具我們能捕獲到大量數(shù)據(jù)中的熱點和冷點，對我們分析問題有很大的幫助。
例如，在犯罪分析中，我們可以研究哪些位置犯罪頻繁并且聚集，對增設(shè)警力有重要的輔助作用。
工
具集中的其他工具也有類似的作用，都是通過執(zhí)行聚類分析來識別具有統(tǒng)計顯著性的熱點、冷點和空間異常值的位置，依照慣例，我們還是一個一個介紹。
相似搜索工具
相似搜索工具，顧名思義，工具根據(jù)要素屬性確定哪些候選要素與輸入要素最相似或者最不相似。
我們希望找到與某個地區(qū)5歲以下兒童、未成年人、65歲以上老年人人數(shù)分布相似的城市。
結(jié)果在這里，其中 Similarly Rank 為 1 的即為三個年齡屬性最相似的城市 Orange。
匹配方法參數(shù)中提供了3種算法，分別為：屬性值、等級屬性值或?qū)傩云拭妫ㄓ嘞蚁嗨菩裕?/span>
人力資源經(jīng)理可能希望能夠證明公司的工資范圍。
找出在大小、生活成本、市容建筑方面相似的城市后，她便可以查看這些城市的工資范圍，從而查看他們是否在此行列。
犯罪分析師希望搜索數(shù)據(jù)庫以查看某罪行是否屬于較重犯罪形式或有重罪趨勢。
課外健身計劃在 A 城極其成功，計劃提倡者期望找到與其計劃推廣的候選城市具有相似特征的其他城市。
執(zhí)法機構(gòu)用此方法揭露毒品種植地或生產(chǎn)地。
標識具有相似特征的地方可能有助于制定未來的搜索目標。
大型零售商不僅擁有數(shù)個成功店鋪，也有少數(shù)業(yè)績不佳的店鋪，找到一些具有相似人口特征和環(huán)境特征（交通便利性、知名度以及商業(yè)互補性等等）的地方有助于標識新店的最佳位置。
分組分析
我們在學(xué)習(xí)研究事物時，有事需要對事物進行歸類從而幫助理解與分析。
在ArcGIS 中，分析分組分析工具就是來進行這個邏輯分類過程，它會執(zhí)行一個分類過程來查找數(shù)據(jù)中存在的自然聚類。
要素相似性是基于您為分析字段參數(shù)指定的一組特性，同時還可以包括空間屬性或空間-時間屬性。
在這個工具中有個重要的參數(shù)—— Spatial Constrains，用于設(shè)置分組過程是否受某種空間關(guān)系約束，具體可選的方法如下。
僅邊緣相鄰 — 共享一條邊的相連的面才屬于同一個組。
相鄰邊角 — 共享一條邊或一個折點的相連面才屬于同一個組。
Delaunay三角測量 — 同一個組中的要素至少具有一個與該組中的另一要素共用的自然鄰域。
自然鄰域關(guān)系基于 Delaunay 三角測量。
從概念上講，Delaunay 三角測量可以根據(jù)要素質(zhì)心創(chuàng)建不重疊的三角網(wǎng)。
每個要素是一個三角形結(jié)點，具有公共邊的結(jié)點被視為鄰域。
K相互鄰近 — 同一個組中的要素將相互鄰近；每個要素至少是該組中某一其他要素的鄰域。
鄰域關(guān)系基于最近的 K 要素，您可以在此為“相鄰要素的數(shù)目”參數(shù)指定整型值 K。
生成空間權(quán)重矩陣 — 空間關(guān)系和可選的時態(tài)關(guān)系通過空間權(quán)重文件 (.swm) 進行定義。
使用“生成空間權(quán)重矩陣”工具創(chuàng)建空間權(quán)重矩陣文件。
無空間約束 — 只能使用數(shù)據(jù)空間鄰域法對要素進行分組，要素不是必須在空間或時間上互相接近，才能屬于同一個組。
假設(shè)您擁有來自所在州周圍農(nóng)場的沙門氏菌樣本，以及包括類型/類別、位置和日期/時間在內(nèi)的屬性。
為了更好地了解細菌如何傳播和擴散，您可以使用分組分析工具將樣本劃分為各個“爆發(fā)”。
您可能決定使用空間-時間約束，因為同一次爆發(fā)的樣本會在空間和時間上會非常接近，而且也會與相同類型/類別的細菌關(guān)聯(lián)。
確定分組之后，可以使用其他空間模式分析工具，比如標準差橢圓、平均中心或近鄰來分析每一次爆發(fā)。
如果您收集了有關(guān)動物觀察方面的數(shù)據(jù)，以便更好地了解它們的領(lǐng)地，分組分析工具可能很有幫助。
例如，了解鮭魚在不同生命階段的聚集地點和時間，可以幫助您規(guī)劃保護區(qū)，以幫助確保成功繁育。
作為一名農(nóng)學(xué)家，您可能想將研究領(lǐng)域內(nèi)的不同土壤進行分類。
對通過一系列樣本發(fā)現(xiàn)的土壤特征使用分組分析可以幫助識別出明顯的、空間上相鄰的土壤類型的聚類。
按購買方式、人口統(tǒng)計特征和/或旅行方式對客戶進行分組，可以幫助您為公司產(chǎn)品制訂有效的營銷策略。
城市規(guī)則師常常需要將各個城市劃分成不同的鄰域，以便有效地定位公共設(shè)施、促進地方能動性和提高社區(qū)參與度
。
對城市街區(qū)的物理和人口統(tǒng)計特征使用分組分析，可以幫助規(guī)劃師確定具有相似物理和人口統(tǒng)計特征并且在空間上相鄰的城市區(qū)域。
每當(dāng)對聚合的數(shù)據(jù)進行分析時，生態(tài)謬誤都是一個眾所周知的統(tǒng)計推斷問題。
通常，用于分析的聚合方案對我們想要分析的內(nèi)容沒有任何關(guān)系。
例如，人口普查數(shù)據(jù)是根據(jù)人口分布而聚合，而人口分布情況可能不是用來進行火災(zāi)分析的最佳選擇。
針對與目前分析問題準確相關(guān)的一組屬性，將可能的最小聚合單位劃分成同質(zhì)區(qū)域，是降低聚合偏差和避免生態(tài)謬誤的一種有效方法。
熱點分析工具
熱點分析工具是個 Most Popular 工具，經(jīng)常會被用到，通過此工具，我們可以來識別有統(tǒng)計顯著性的熱點和冷點。
例如，警察局會調(diào)查哪個區(qū)域是刑事案件的高發(fā)區(qū)？這就是一個典型的熱點分析例子。
如下圖，黑點表示報警位置，其中屬性表中包含一個報案次數(shù)的字段，得到了犯罪熱點。
因此，僅僅一個孤立的高值不會構(gòu)成熱點，說白了就是，單個要素以及它的鄰居都是高值才算是熱點。
在熱點分析工具中，z 得分和 p 值都是統(tǒng)計顯著性的度量，用于逐要素地判斷是否拒絕零假設(shè)。
置信區(qū)間（Gi_Bin字段） +3 到 -3 中的要素反映置信度為 99% 的統(tǒng)計顯著性，置信區(qū)間 +2 到 -2 中的要素反映置信度為 95% 的統(tǒng)計顯著性，置信區(qū)間 +1 到 -1 中的要素反映置信度為 90% 的統(tǒng)計顯著性；而置信區(qū)間 0 中要素的聚類則沒有統(tǒng)計學(xué)意義。
如果要素的 z 得分高且 p 值小，則表示有一個高值的空間聚類。
如果 z 得分低并為負數(shù)且 p 值小，則表示有一個低值的空間聚類。
如果 z 得分接近于零，則表示不存在明顯的空間聚類。
輸入要素類是否至少包含 30 個要素？如果少于 30 個要素，則結(jié)果不可靠。
您選擇的空間關(guān)系的概念化是否合適？對于此工具，建議使用固定距離范圍方法
可能的應(yīng)用。
犯罪分析、流行病學(xué)、投票模式分析、經(jīng)濟地理學(xué)、零售分析、交通事故分析以及人口統(tǒng)計學(xué)。
何處的廚房火災(zāi)在所有住宅火災(zāi)中所占的比例超出了正常范圍？
我們應(yīng)在哪些位置和什么時間段分配更多的資源？
優(yōu)化熱點分析
在最近幾個版本的 ArcGIS 中多了一個 “優(yōu)化的熱點分析工具”，我們?nèi)绾卫斫膺@個工具呢？打個比方，好比“數(shù)碼相機自動根據(jù)光線、拍攝主體與背景對比度的讀數(shù)，來確定合適的光圈、快門速度和焦點”，優(yōu)化的熱點分析是根據(jù)輸入數(shù)據(jù)的特征派生參數(shù)，從而獲得產(chǎn)生最佳熱點結(jié)果的設(shè)置，然后執(zhí)行熱點分析工具。
簡而言之，如果拿到單反，使用“優(yōu)化的熱點分析工具”好比把拍照模式調(diào)成了“全自動”，而使用“熱點分析工具”好比把拍照模式調(diào)成“手動”，熱點分析工具允許我們完全控制所有參數(shù)選項。
運行優(yōu)化的熱點分析工具并記錄其使用的參數(shù)設(shè)置，有助于優(yōu)化設(shè)置熱點分析 (Getis-Ord Gi*) 工具的參數(shù)。
打開這個工具，我們會發(fā)現(xiàn)，這個工具太可愛了，除了輸入和輸出參數(shù)，其他所有參數(shù)都是可選的，都可以不填！果然是全自動模式，傻瓜相機版熱點分析。
但是，這幾個參數(shù)決定了優(yōu)化熱點分析的方式，為了“照片”更美，還是需要了解些東西的，一起來看看。
分析字段。當(dāng)要分析的數(shù)據(jù)中存在一個字段存儲了采樣值，我們想了解這個采樣值的高值與低值的聚集區(qū)域，那分析字段就需要選擇這個字段。
當(dāng)我們的數(shù)據(jù)不具有這樣的采樣值，并且我們希望研究的是點的計數(shù)，也就是研究。
哪里存在很多點？哪里存在很少點？這時，選擇一種聚合方案就變得重要了。
采用漁網(wǎng)聚合，漁網(wǎng)的網(wǎng)格大小由工具根據(jù)點的距離關(guān)系決定。
提供聚合面以覆蓋事件聚合面參數(shù)中的事件點數(shù)據(jù)，計算每個面內(nèi)的事件數(shù)。
鄰近事件將聚合在一起，從而創(chuàng)建單個加權(quán)點，各點的權(quán)重值是該位置的聚合事件數(shù)。
創(chuàng)建單個加權(quán)點聚合事件數(shù)
無論是哪種方法，在工具的日志中會提供一個研究這些數(shù)據(jù)聚類的最優(yōu)的距離，類似。
聚類和異常值分析
給定一組加權(quán)要素，使用 Anselin Local Moran’s I 統(tǒng)計量來識別具有統(tǒng)計顯著性的熱點、冷點和空間異常值。
熱點分析(Getis-Ord Gi) 工具也是查找熱點和冷點位置的有效工具。
但是，只有聚類和異常值分析(Anselin Local Moran’s I) 工具可以識別具有統(tǒng)計學(xué)上的顯著性的空間異常值（高值由低值圍繞或低值由高圍繞的值）。
輸出要素類中包含：Local Moran’s I 指數(shù)、z 得分、p 值、聚類/異常值類型 (COType)。
如果要素的 z 得分是一個較高的正值，則表示周圍的要素擁有相似值（高值或低值）。
輸出要素類中的 COType 字段會將具有統(tǒng)計顯著性的高值聚類表示為 HH，將具有統(tǒng)計顯著性的低值聚類表示為 LL。
如果要素的 z 得分是一個較低的負值（如，小于 -3.96），則表示有一個具有統(tǒng)計顯著性的空間數(shù)據(jù)異常值。
輸出要素類中的 COType 字段將指明要素是否是高值要素而四周圍繞的是低值要素 (HL)，或者要素是否是低值要素而四周圍繞的是高值要素 (LH)，如下圖可以幫助理解。
COType 字段將始終指明置信度為 95% 的統(tǒng)計顯著性聚類和異常值。
只有統(tǒng)計顯著性要素在 COType 字段中具有值。
聚類和異常值分析(Anselin Local Moran’s I) 工具可識別高值密度、低值密度和空間異常值，還可幫助您解決如下問題。
研究區(qū)域中的富裕區(qū)和貧困區(qū)之間的最清晰邊界在哪里？
研究區(qū)域中存在可以找到異常消費模式的位置嗎？
研究區(qū)域中意想不到的糖尿病高發(fā)地在哪里？
可在經(jīng)濟學(xué)、資源管理、生物地理學(xué)、政治地理學(xué)和人口統(tǒng)計等許多領(lǐng)域中應(yīng)用此工具。
本微信公眾平臺交流和研究的范疇如下。
軟件領(lǐng)域：MAPGIS、AUTOCAD、CASS、ARCGIS、MapInfo、Global Mapper、Photoshop、Surfer、grapher、ERDAS、envi、MICROMINE、DIMINE、3DMINE、CorelDRAW、Surpac、DGSS、CGIS、蒼穹、理正等軟件學(xué)習(xí)交流及提高。
專業(yè)領(lǐng)域：地質(zhì)、物探、化探、測繪、土地、復(fù)墾、水文、環(huán)評、巖土工程勘查、穩(wěn)定性分析、地質(zhì)災(zāi)害評估、設(shè)計、施工圖、林業(yè)、土石方計算、數(shù)據(jù)成圖、矢量化、三維立體、效果圖、論文圖件等專業(yè)領(lǐng)域的探討。
其他領(lǐng)域：高精度無偏移影像下載、矯正、處理，文字識別、錄入、信息采集、數(shù)據(jù)庫錄入、各軟件無縫轉(zhuǎn)換、投標等領(lǐng)域的學(xué)習(xí)交流。
微信公眾號：CXGIS1533310474
編輯微信號：CX15616506143
業(yè)務(wù)QQ：1533310474
添加小編微信，邀請您加入微信群。
感覺文檔不錯，請轉(zhuǎn)發(fā)并點贊。
微信公眾平臺轉(zhuǎn)發(fā)，請聯(lián)系平臺編輯。
授人以魚不如授人以漁
知識學(xué)習(xí)，知其然，更要知其所以然
來源：水經(jīng)注GIS，感謝提供，不代表本平臺觀點。
免責(zé)聲明：遵循微信公眾平臺關(guān)于保護原創(chuàng)的各項舉措。推送文章可能未能事先與原作者取得聯(lián)系，或無法查證真實原作者，若涉及版權(quán)問題，請原作者留言聯(lián)系我們。經(jīng)核實后，我們會及時刪除或者注明原作者及出處。感謝原作者。
請點擊“閱讀原文”查看詳細技術(shù)文章，覺得文章不錯，請點贊分享
目前100000+人已關(guān)注加入我們
