Suite

Carte thermique utilisant l'estimation de la densité du noyau


J'ai essayé de générer une carte thermique en utilisant l'estimation de la densité du noyau à partir de la console python dans QGIS.

C'est la commande que j'utilise :

processing.runandload("saga:kerneldensityestimation", "D:/test/Towns.shp", "A_RAIN_MM", radius, 0, "0,1,0,1", 0.00848754, "D:/test/raster.tif ")

Le résultat que j'obtiens est une image avec une nuance noire qui est totalement différente de la carte thermique que j'ai générée à l'aide de l'interface utilisateur QGIS.

Après avoir cherché sur Google, j'ai trouvé ce lien : estimation de la densité du noyau. Celui-ci contient la liste des paramètres que prend l'estimation de la densité du noyau, mais il ne contient aucune description des paramètres. Quels sont ces paramètres, je ne sais pas. Quelqu'un peut-il me dire ce que je fais mal? Ou existe-t-il un autre moyen de générer une carte thermique ?


Je pense que vous devez remplacer votrerayonparamètre avec un nombre.

Au cas où cela pourrait aider pour une référence future, ce que je fais habituellement lorsque j'ai besoin de savoir quels paramètres je dois définir, c'est de vérifier les détails "d'aide" de l'algorithme dans Console Python (Plugins > Console Python). Tapez les 2 premières lignes ci-dessous :

>>>traitement d'import >>>processing.alghelp("saga:kerneldensityestimation") ALGORITHME : POINTS d'estimation de la densité du noyau  POPULATION  RAYON  NOYAU  CIBLER  OUTPUT_EXTENT  USER_SIZE  USER_GRID  KERNEL(Kernel) 0 - [0] noyau quartique 1 - [1] noyau gaussien TARGET(Target Grid) 0 - [0] défini par l'utilisateur

J'ai enfin compris !

Le principal problème pour moi était OUTPUT_EXTENT et RADIUS. L'estimation de la densité du noyau prend le rayon en degress uniquement et OUTPUT_EXTENT est la taille de la couche d'évaluateur de sortie et prend l'entrée sous la forme d'une chaîne de "xmin,xmax,ymin,ymax".

ALGORITHME : POINTS d'estimation de la densité du noyau  Prend une couche vectorielle (peut être un chemin local) POPULATION  n'importe quel champ dans la couche vectorielle qui contient le poids RADIUS  raduis(en degré) KERNEL  OUTPUT_EXTENT  prend le paramètre dans la chaîne "xmin,xmax,ymin,ymax". USER_SIZE  taille de cellule de l'image raster. USER_GRID  chemin de sortie de l'image raster. KERNEL(Noyau) 0 - [0] noyau quartique 1 - [1] noyau gaussien

Si vous voulez le faire dans l'interface utilisateur, utilisezCtrl + Alt + Met l'estimation de la densité du noyau de type.


Application des systèmes d'information géographique (SIG) pour analyser et détecter le risque de maladies chroniques chez les personnes âgées

La prévalence des maladies non transmissibles (MNT) chez les personnes âgées est préoccupante à plusieurs égards. Cette étude a examiné les risques de comportement de santé des personnes âgées en appliquant le système d'information géographique (SIG) pour analyser le risque de MNT pour les personnes âgées en Thaïlande.

Méthodes : L'enquête a enquêté sur 1 006 personnes âgées dans le district de Chuen Chom, dans la province de Maha-Sarakham, en Thaïlande. La surface d'estimation de la densité du noyau a été utilisée pour l'analyse spatiale avec 120 personnes âgées par des entretiens structurés concernant le comportement de santé afin d'identifier le risque de MNT.

Résultats: Il a été découvert qu'à Lhao Dok Mai, de nombreuses personnes âgées avaient des MNT. Le comportement des personnes âgées créant des risques de MNT était la consommation d'alcool, le tabagisme, le manque d'exercice, la consommation excessive de nourriture et le stress.

Conclusion: Les zones à risque de MNT chez les personnes âgées ont été identifiées par le SIG. Par conséquent, les autorités locales devraient soutenir les personnes âgées en utilisant le SIG pour prévenir tout autre cas grave de MNT.


Interpolation IDW¶

Génère une interpolation pondérée par la distance inverse (IDW) d'une couche vectorielle de points.

Les points d'échantillonnage sont pondérés pendant l'interpolation de telle sorte que l'influence d'un point par rapport à un autre diminue avec la distance par rapport au point inconnu que vous souhaitez créer.

La méthode d'interpolation IDW présente également certains inconvénients : la qualité du résultat de l'interpolation peut diminuer si la distribution des points de données de l'échantillon est inégale.

De plus, les valeurs maximales et minimales de la surface interpolée ne peuvent se produire qu'aux points de données d'échantillonnage.

Paramètres¶

Couche(s) d'entrée

Couche(s) vectorielle(s) et champ(s) à utiliser pour l'interpolation, codés dans une chaîne (voir la classe ParameterInterpolationData dans InterpolationWidgets pour plus de détails).

Les éléments GUI suivants sont fournis pour composer la chaîne de données d'interpolation :

Couche vectorielle [vecteur : n'importe lequel]

Attribut d'interpolation [tablefield : numeric] : Attribut à utiliser dans l'interpolation

Utiliser la coordonnée Z pour l'interpolation [booléen] : utilise les valeurs Z stockées du calque (par défaut : False)

Pour chacune des combinaisons couche-champ ajoutée, un type peut être choisi :

Dans la chaîne, les éléments layer-field sont séparés par '::|::' . Les sous-éléments des éléments layer-field sont séparés par ' ::

Coefficient de distance P

Définit le coefficient de distance pour l'interpolation. Minimum : 0,0, maximum : 100,0.

Étendue (xmin, xmax, ymin, ymax)

Etendue de la couche raster en sortie. Vous devez déclarer l'étendue en sortie en la choisissant dans le canevas de la carte, en la sélectionnant dans une autre couche ou en la saisissant manuellement.

Taille du raster en sortie

Taille en pixels de la couche raster en sortie en unités de couche.

Dans l'interface graphique, la taille peut être spécifiée par le nombre de lignes ( Nombre de lignes ) / colonnes ( Nombre de colonnes ) ou alors la taille de pixel (Taille de pixel X / Taille de pixel Y). L'augmentation du nombre de lignes ou de colonnes réduira la taille de la cellule et augmentera la taille du fichier du raster en sortie. Les valeurs de Rows , Columns , Pixel Size X et Pixel Size Y seront mises à jour simultanément - doubler le nombre de lignes doublera le nombre de colonnes et la taille des cellules sera réduite de moitié. L'étendue du raster en sortie restera la même (approximativement).


Arguments

sf data.frame contenant uniquement des POINTS.

numérique spécifiant la largeur de bande pour KDE.

numérique spécifiant le paramètre de décroissance pour le noyau "triangulaire". Pour les noyaux autres que "triangulaire", le paramètre n'est pas utilisé.

caractère spécifiant le type de noyau à utiliser. Les noyaux implémentés disponibles sont "uniform", "quartic", "triweight", "epanechnikov", "triangular" . La valeur par défaut est "quartic" et si un nom de noyau inconnu est utilisé, il revient à la valeur par défaut.

spécifiant logiquement si les valeurs de sortie doivent être mises à l'échelle. La valeur par défaut est FALSE .

vecteur numérique de poids pour les points individuels .

soit sf data.frame (résultat de la fonction create_grid_rectangular ou create_grid_hexagonal ) soit Raster-class (résultat de la fonction create_raster ). N'a pas besoin d'être spécifié si cell_size est défini.

numérique spécifiant la distance pour les points espacés égaux. Doit être supérieur à 0. Peut être omis si la grille est fournie car la grille est utilisée à la place. Le code utilisé pour générer la grille est create_grid_rectangular(points, cell_size, band_width) .


Tutoriel sur l'estimation par noyau du risque relatif spatial et spatio-temporel continu

Tilman M. Davies, Dept. of Mathematics & Statistics, Level 2, Science III Building, 730 Cumberland Street, University of Otago, Dunedin, Nouvelle-Zélande.

Institute of Fundamental Sciences, Massey University, Palmerston North, Nouvelle-Zélande

Institute of Fundamental Sciences, Massey University, Palmerston North, Nouvelle-Zélande

Département de mathématiques et de statistiques, Université d'Otago, Dunedin, Nouvelle-Zélande

Tilman M. Davies, Dept. of Mathematics & Statistics, Level 2, Science III Building, 730 Cumberland Street, University of Otago, Dunedin, Nouvelle-Zélande.

Institute of Fundamental Sciences, Massey University, Palmerston North, Nouvelle-Zélande

Institute of Fundamental Sciences, Massey University, Palmerston North, Nouvelle-Zélande

Abstrait

Le lissage de noyau est une approche très flexible et populaire pour l'estimation des fonctions de densité de probabilité et d'intensité de données spatiales continues. Dans ce rôle, il fait également partie intégrante de l'estimation de fonctionnelles telles que le densité-ratio ou la surface de « risque relatif ». Développées à l'origine avec la motivation épidémiologique d'examiner les fluctuations du risque de maladie sur la base d'échantillons de cas et de témoins collectés dans une région géographique donnée, ces fonctions ont également été utilisées avec succès dans un large éventail de disciplines où une comparaison relative des fonctions de densité spatiale a été de l'intérêt. Cette polyvalence a exigé des développements et des améliorations continus de la méthodologie pertinente, y compris l'utilisation de tests de lissage spatialement adaptatifs de risque significativement élevé basés sur l'extension de la théorie asymptotique au domaine spatio-temporel et de nouvelles méthodes de calcul pour leur évaluation. Dans ce tutoriel, nous passons en revue la méthodologie actuelle, y compris les développements les plus récents en matière d'estimation, de calcul et d'inférence. Toutes les techniques sont implémentées dans le nouveau progiciel sparr , disponible publiquement pour le langage R, et nous illustrons son utilisation avec une paire d'exemples épidémiologiques.

Remarque : L'éditeur n'est pas responsable du contenu ou de la fonctionnalité des informations fournies par les auteurs. Toute question (autre que le contenu manquant) doit être adressée à l'auteur correspondant à l'article.


Une analyse spatio-temporelle basée sur un SIG des points chauds de traumatismes violents à Vancouver, Canada : identification, contextualisation et intervention

Contexte: En 2002, l'OMS a déclaré que la violence interpersonnelle était un problème majeur de santé publique. Des recherches antérieures démontrent que les espaces urbains à forte incidence de traumatismes violents (points chauds) sont en corrélation avec les caractéristiques de l'environnement bâti et les déterminants sociaux. Cependant, il existe peu d'études qui analysent les données sur les blessures à travers les axes de l'espace et du temps pour caractériser les relations blessure-environnement. Cet article décrit une analyse spatio-temporelle des blessures violentes à Vancouver, Canada, de 2001 à 2008.

Méthodes : À l'aide de systèmes d'information géographique, 575 incidents de traumatismes violents ont été cartographiés et analysés à l'aide d'une estimation de la densité du noyau pour identifier les emplacements des points chauds. Les modèles entre l'espace, le temps, l'âge et le sexe de la victime et le mécanisme de la blessure ont été étudiés avec une approche exploratoire.

Résultats: Plusieurs modèles dans l'espace et dans le temps ont été identifiés et décrits, correspondant à des caractéristiques distinctes du quartier. Les points chauds de traumatismes violents étaient les plus répandus dans le quartier des boîtes de nuit de Vancouver les vendredis et samedis soirs, avec des taux plus élevés dans les quartiers les plus défavorisés sur le plan socioéconomique. Le sexe, l'âge et le mécanisme de la blessure de la victime formaient également des tendances fortes. Trois profils de voisinage sont présentés en utilisant le double axe espace/temps pour décrire les environnements des points chauds.

Conclusion : Ce travail postule la valeur de l'analyse exploratoire des données spatiales à l'aide de systèmes d'information géographique dans les études d'épidémiologie des traumatismes et suggère en outre que l'utilisation simultanée de l'espace et du temps pour comprendre les corrélats environnementaux urbains des blessures fournit une image du risque plus granulaire ou à plus haute résolution. Nous discutons des implications pour la prévention et le contrôle des blessures, en nous concentrant sur l'éducation, la réglementation, l'environnement bâti et la surveillance des blessures.

Mots clés: Épidémiologie Statistiques de santé publique et méthodes de recherche.


Interpolation IDW¶

Génère une interpolation pondérée par la distance inverse (IDW) d'une couche vectorielle de points.

Les points d'échantillonnage sont pondérés pendant l'interpolation de telle sorte que l'influence d'un point par rapport à un autre diminue avec la distance par rapport au point inconnu que vous souhaitez créer.

La méthode d'interpolation IDW présente également certains inconvénients : la qualité du résultat de l'interpolation peut diminuer si la distribution des points de données de l'échantillon est inégale.

De plus, les valeurs maximales et minimales de la surface interpolée ne peuvent se produire qu'aux points de données d'échantillonnage.

Paramètres¶

Couche(s) d'entrée

Couche(s) vectorielle(s) et champ(s) à utiliser pour l'interpolation, codés dans une chaîne (voir la classe ParameterInterpolationData dans InterpolationWidgets pour plus de détails).

Les éléments GUI suivants sont fournis pour composer la chaîne de données d'interpolation :

Couche vectorielle [vecteur : n'importe lequel]

Attribut d'interpolation [tablefield : numeric] : Attribut à utiliser dans l'interpolation

Utiliser la coordonnée Z pour l'interpolation [booléen] : utilise les valeurs Z stockées du calque (par défaut : False)

Pour chacune des combinaisons couche-champ ajoutée, un type peut être choisi :

Dans la chaîne, les éléments layer-field sont séparés par '::|::' . Les sous-éléments des éléments layer-field sont séparés par ' ::

Coefficient de distance P

Définit le coefficient de distance pour l'interpolation. Minimum : 0,0, maximum : 100,0.

Étendue (xmin, xmax, ymin, ymax)

Etendue de la couche raster en sortie. Vous devez déclarer l'étendue en sortie en la choisissant dans le canevas de la carte, en la sélectionnant dans une autre couche ou en la saisissant manuellement.

Taille du raster en sortie

Taille en pixels de la couche raster en sortie en unités de couche.

Dans l'interface graphique, la taille peut être spécifiée par le nombre de lignes ( Nombre de lignes ) / colonnes ( Nombre de colonnes ) ou alors la taille de pixel (Taille de pixel X / Taille de pixel Y). L'augmentation du nombre de lignes ou de colonnes réduira la taille de la cellule et augmentera la taille du fichier du raster en sortie. Les valeurs de Rows , Columns , Pixel Size X et Pixel Size Y seront mises à jour simultanément - doubler le nombre de lignes doublera le nombre de colonnes et la taille des cellules sera réduite de moitié. L'étendue du raster en sortie restera la même (approximativement).


  • Conditions TRT :Analyse de cluster Systèmes d'information géographique Lieux à haut risque Méthodologie Accidents de la circulation
  • Termes non contrôlés :Estimateurs de densité de noyau
  • Termes géographiques :Londres, Angleterre)
  • Domaines : Sécurité routière et facteurs humains I80 : études sur les accidents
  • Numéro d'accès: 01130131
  • Type d'enregistrement : Publication
  • Des dossiers: TRIS, ATRI
  • Date de création :26 mai 2009 13:12

Les Académies nationales des sciences, de l'ingénierie et de la médecine

Copyright & copie 2021 Académie nationale des sciences. Tous les droits sont réservés. Conditions d'utilisation et déclaration de confidentialité


Résultats

Dans la figure 3, nous montrons les résultats de notre exercice de simulation comparant les estimations de surface du GRF (KDE et AKDE) avec celles de l'estimateur corrigé de la surface dérivé ici (KDEC et AKDEC). Dans toutes les simulations autocorrélées, le temps de passage de gamme a été fixé à 1 jour et ainsi N jours de données donne une taille d'échantillon effective de . Ces simulations confirment nos résultats théoriques, à savoir que notre méthode supprime le premier ordre de biais, mais pas tout le biais dans l'estimation aréolaire. De plus, bien que l'approximation GRF sur laquelle nous nous sommes appuyés soit une approximation asymptotique, notre estimateur corrigé en fonction du domaine donne également des améliorations considérables avec de petites tailles d'échantillon.

Nous résumons les résultats de notre exercice de simulation comparant les nouveaux intervalles de confiance de densité de noyau avec les intervalles du GRF sur la figure 4. La performance des nouveaux intervalles est raisonnable, bien que pas aussi efficace que les intervalles GRF. Les deux intervalles ont un biais provenant des MLE sous-jacents des paramètres du modèle d'autocorrélation sur lesquels ils sont basés, et il n'a pas été possible de séparer les deux biais. En l'absence d'une formule analytique pour mUNE, les nouveaux CI AKDE reposent sur le MLE normal de . Par conséquent, nous ne pouvions juger de la dégradation des nouveaux CI AKDE que par rapport aux CI GRF.

Simulations démontrant la couverture de l'intervalle de confiance pour nos nouveaux IC de densité de noyau (a) et la fonction de référence gaussienne (GRF) correspondante via le MLE normal (b). Les processus simulés sont les mêmes que dans la figure 3, y compris IID (bleu), OU (rouge) et OUF (vert). Les performances du GRF CI sont médiocres jusqu'à ce que , tandis que les nouvelles performances AKDE CI correspondantes sont légèrement dégradées même au-delà de ce point, bien qu'asymptotiquement correctes pour ces processus.

Le modèle de mouvement OUF le mieux adapté dans notre exemple de buffle comportait une covariance elliptique, une échelle de temps de croisement de plage de 12 (IC à 95 % : 7-22) jours et une échelle de temps de persistance du mouvement de 36 (IC à 95 % : 32-40) minutes. Le terme de dérive estimé était le long de l'axe le plus long de la distribution de l'emplacement du buffle, mais sa présence a augmenté l'AIC du modèle et il a donc été rejeté. Le variogramme empirique a montré une asymptote claire entre des décalages de 1 mois à 7 mois, ce qui est cohérent avec le comportement des résidents de l'aire de répartition. Une comparaison de l'estimation de l'AKDE GRF autocorrélée par rapport à notre nouvelle AKDE corrigée en fonction de la zoneC L'estimation suggérait que la première surestimait la superficie des buffles de plus de 30 % (Fig. 5).

Estimations de densité de noyau autocorrélées pour un buffle d'Afrique, avec et sans correction de biais. Le contour noir épais représente l'estimation ponctuelle de la zone vitale à 95 %, tandis que les contours plus clairs représentent ses intervalles de confiance et les lignes de la grille correspondent à la résolution de l'estimation de la densité. Bien que cet ensemble de données se compose de m = 1725 emplacements autocorrélés, les tailles d'échantillon effectives pour l'estimation du domaine vital n'étaient que et . La correction du biais tire les contours de la zone vitale à 95 % vers la masse des données, contrecarrant le biais positif de l'estimateur de la fonction de référence gaussienne, qui devrait ici surestimer les zones d'un tiers ().

Estimation de la densité du noyau gaussien avec les données du fichier

J'essaie de dessiner un histogramme à côté d'une fonction de densité, à la fois avec des données d'un fichier. L'histogramme fonctionne déjà :

Ma question concerne la fonction de densité. Je voudrais le dessiner en utilisant cette formule (estimation de la densité du noyau):

sigma : Écart type. La valeur de celui-ci est choisie (par moi), de sorte que la courbe résultante ait un nombre spécifique de maxima locaux. Cela ne fait pas partie de la question et vous pouvez simplement utiliser un nombre fixe pour cela, afin que cela ait l'air fluide.

x : Variable d'entrée de fonction (f( x ))

Je ne peux pas simplement le tracer en utilisant addplot. car f(x) dépend de tous les points de données x_i .

Je pensais utiliser quelque chose comme ça quelque part :

Mais je n'ai pas trouvé de moyen de définir une variable où je peux ajouter des valeurs à chaque itération.

Voici une image de Wikipedia sur l'estimation de la densité du noyau :

La courbe bleue à droite est un peu ce que j'aimerais dessiner. Quelle est la meilleure façon d'y parvenir ?


Voir la vidéo: Tiheys (Octobre 2021).