| Étiquette | Explication | Type de données |
Couche ponctuelle en entrée | Classe d’entités ponctuelles contenant les agrégats de points. | Feature Layer |
Classe d’entités en sortie | Nouvelle classe d’entités avec les agrégats de points obtenus. | Feature Class |
Méthode d’agrégation | Spécifie la méthode utilisée pour définir les agrégats.
| String |
Nombre minimal d’entités par agrégat | Ce paramètre est utilisé différemment selon la méthode d’agrégation choisie :
| Long |
Distance de recherche | Distance maximale à considérer. La valeur Nombre minimal d’entités par agrégat spécifiée doit se trouver dans la distance définissant l’appartenance aux agrégats. Les agrégats sont, au minimum, à cette distance les uns des autres. Si une entité se trouve au-delà de cette distance par rapport à l’entité la plus proche dans l’agrégat, elle ne sera pas incluse dans l’agrégat. | Linear Unit |
Utiliser le temps pour rechercher des agrégats (Facultatif) | Spécifie si le temps est utilisé pour détecter les agrégats au moyen de la méthode DBSCAN.
| Boolean |
Durée de recherche (Facultatif) | Lorsque vous recherchez les membres d’un agrégat, le nombre minimum d’entités par agrégat doit se trouver dans la durée de recherche indiquée pour former un agrégat. | Time Unit |
Synthèse
Recherche des agrégats d’entités ponctuelles dans le bruit environnant en fonction de leur distribution spatiale ou spatiotemporelle.
Pour en savoir plus sur le fonctionnement de l’outil Agrégation basée sur la densité
Illustration
Utilisation
L’entrée de l’outil Rechercher des agrégats de points est une couche de points. Cet outil extrait les agrégats de la Input Point Layer (Couche de points en entrée) et identifie tout bruit environnant.
L’outil Rechercher des agrégats de points exige la projection de la couche de points en entrée (Input Point Layer) ou la définition du système de coordonnées en sortie sur un système de coordonnées projetées.
Il existe deux options pour le paramètre Clustering Method (Méthode d’agrégation). Defined distance (DBSCAN) (Distance définie [DBSCAN]) utilise l’algorithme DBSCAN et recherche les agrégats de points se trouvant à proximité en fonction de la distance de recherche spécifiée. Self-adjusting (HDBSCAN) (Ajustement automatique [HDBSCAN]) utilise l’algorithme HDBSCAN et recherche les agrégats de points, comme la méthode DBSCAN utilisant des distances variables, pour rechercher des agrégats de densité variable selon la probabilité de l’agrégation (c’est-à-dire leur stabilité). Si la méthode DBSCAN est retenue, les agrégats se trouvent dans un espace bidimensionnel uniquement ou dans l’espace et le temps. Si vous sélectionnez l’option Use time to find clusters (Utiliser le temps pour rechercher des agrégats) et que la couche en entrée prend en charge la dimension du temps de type instant, DBSCAN détecte les agrégats de points spatiotemporels qui sont à proximité immédiate en se basant sur la distance de recherche et la durée de recherche spécifiées.
Le paramètre Minimum Features Per Cluster (Nombre minimum d’entités par agrégat) est utilisé différemment selon la méthode d’agrégation :
- Defined distance (DBSCAN) (Distance définie [DBSCAN]) : spécifie le nombre d’entités devant figurer à une distance de recherche donnée d’un point pour que ce point commence la formation d’un agrégat. Les résultats peuvent inclure des grappes avec moins d’entités que cette valeur. La distance de recherche est définie à l’aide du paramètre Search Distance (Distance de recherche). Lorsque vous utilisez le temps pour recherche des agrégats, Search Distance (Distance de recherche) est obligatoire. Lorsque vous recherchez les membres d’un agrégat, le nombre minimum d’entités par agrégat (paramètre Minimum Features per Cluster) doit se trouver dans la distance de recherche et la durée de recherche indiquées pour former un agrégat. Notez que la distance et la durée en question sont sans rapport avec le diamètre ou l’étendue temporelle des agrégats de points détectés.
- Self-adjusting (HDBSCAN) (Ajustement automatique [HDBSCAN]) : spécifie le nombre d’entités figurant dans le voisinage de chaque point (point inclus) à prendre en compte lors de l’estimation de la densité. Ce nombre correspond également à la taille minimale autorisée pour un agrégat lors de l’extraction des agrégats.
Cet outil produit une classe d’entités en sortie avec un nouveau champ d’entier nommé CLUSTER_ID, qui identifie l’agrégat dans lequel se trouve chaque entité. Le rendu par défaut dépend du champ COLOR_ID. Les agrégats se verront attribuer une couleur. Les couleurs seront assignées et répétées de sorte que chaque agrégat soit visuellement distinct des agrégats voisins.
Si la méthode d’agrégation Defined distance (DBSCAN) (Distance définie [DBSCAN]) est utilisée avec le temps pour détecter des agrégats spatiotemporels, les résultats incluront également les champs suivants :
- FEAT_TIME : instant d’origine de chaque entité.
- START_DATETIME : heure de début de l’étendue temporelle du cluster auquel une entité appartient.
- END_DATETIME : heure de fin de l’étendue temporelle du cluster auquel une entité appartient.
Les propriétés temporelles de la couche obtenue sont définies comme l’intervalle constitué par les champs START_DATETIME et END_DATETIME. Cela garantit que tous les membres de l’agrégat sont dessinés ensemble lors de la visualisation des agrégats spatiotemporels à l'aide du curseur temporel. Ces champs sont utilisés à des fins de visualisation uniquement. Pour les entités de bruit, START_DATETIME et END_DATETIME sont égaux à FEAT_TIME.
Si Clustering Method (Méthode d’agrégation) est défini sur Self-adjusting (HDBSCAN) (Ajustement automatique [HDBSCAN]), la classe d’entités en sortie contiendra également les champs suivants :
- PROB : probabilité qu’une entité appartienne à l’agrégat qui lui est assigné.
- OUTLIER : probabilité qu’une entité soit un point aberrant dans son propre agrégat. Une valeur plus grande indique que l’entité est plus susceptible d’être un point aberrant.
- EXEMPLAR : entités les plus représentatives de chaque agrégat. Ces fonctionnalités sont indiquées par une valeur définie sur 1.
- STABILITY : la persistance de chaque agrégat dans une plage d’échelles. Une valeur supérieure indique qu’un agrégat persiste sur une vaste plage d’échelles de distance.
Vous pouvez améliorer les performances de l’outil Rechercher des agrégats de points en suivant les conseils ci-après :
- Définissez l’environnement de l’étendue de manière à analyser uniquement des données d’intérêt.
- Choisissez avec soin la distance et la durée de recherche. Une distance ou un rayon de recherche plus court peut donner de meilleurs résultats pour des données identiques.
- Utilisez les données locales de l’environnement de l’analyse.
Cet outil de géotraitement est mis en œuvre par Spark. L'analyse est effectuée sur votre ordinateur de bureau à l'aide de plusieurs cœurs en parallèle. Pour en savoir plus sur l'exécution d'une analyse, reportez-vous à la rubrique Remarques sur les outils de GeoAnalytics Desktop.
Lors de l’exécution d’outils de GeoAnalytics Desktop, l’analyse est effectuée sur votre ordinateur de bureau. Pour des performances optimales, les données doivent être disponibles sur votre bureau : Si vous utilisez une couche d’entités hébergée, il est recommandé d'utiliser ArcGIS GeoAnalytics Server. Si vos données ne sont pas locales, l'exécution d'un outil est plus longue. Pour utiliser votre ArcGIS GeoAnalytics Server en vue d'une analyse, reportez-vous à la rubrique GeoAnalytics Tools.
Paramètres
arcpy.geoanalytics.FindPointClusters(input_points, out_feature_class, clustering_method, minimum_points, search_distance, {use_time}, {search_duration})| Nom | Explication | Type de données |
input_points | Classe d’entités ponctuelles contenant les agrégats de points. | Feature Layer |
out_feature_class | Nouvelle classe d’entités avec les agrégats de points obtenus. | Feature Class |
clustering_method | Spécifie la méthode utilisée pour définir les agrégats.
| String |
minimum_points | Ce paramètre est utilisé différemment selon la méthode d’agrégation choisie :
| Long |
search_distance | Distance maximale à considérer. La valeur Nombre minimal d’entités par agrégat spécifiée doit se trouver dans la distance définissant l’appartenance aux agrégats. Les agrégats sont, au minimum, à cette distance les uns des autres. Si une entité se trouve au-delà de cette distance par rapport à l’entité la plus proche dans l’agrégat, elle ne sera pas incluse dans l’agrégat. | Linear Unit |
use_time (Facultatif) | Spécifie si le temps est utilisé pour détecter les agrégats au moyen de la méthode DBSCAN.
| Boolean |
search_duration (Facultatif) | Lorsque vous recherchez les membres d’un agrégat, le nombre minimum d’entités par agrégat doit se trouver dans la durée de recherche indiquée pour former un agrégat. | Time Unit |
Exemple de code
Le script suivant pour la fenêtre Python illustre l’utilisation de la fonction FindPointClusters.
#-------------------------------------------------------------------------------
# Name: FindPointClusters.py
# Description: Finds Point Clusters of rodent infestations
# Import system modules
import arcpy
arcpy.env.workspace = "C:/data/CountyData.gdb"
# Set local variables
inputPoints = "rat_sightings"
minimumPoints = 10
outputName = "RodentClusters"
searchDistance = "1 Kilometers"
clusterMethod = "DBSCAN"
# Run Find Point Clusters
arcpy.gapro.FindPointClusters(inputPoints, outputName, clusterMethod,
minimumPoints, searchDistance)Environnements
Vous avez un commentaire à formuler concernant cette rubrique ?