Данные обладают пространственным и временным контекстом – все происходит в каком-то месте и в какое-то время. Несколько инструментов, в том числе Анализ горячих точек, Анализ кластеров и выбросов, Анализ возникновения горячих точек и Пространственно ограниченная многовариантная кластеризация, позволяют использовать эти аспекты ваших данных. Если учитывать пространственный и временной контекст данных, можно ответить на следующие вопросы:
- Где находятся "горячие" пространственно-временные точки преступлений? Если вы криминалист, вы можете использовать пространственно-временные результаты инструмента Анализ горячих точек, чтобы убедиться, что полицейские ресурсы распределены наиболее эффективным образом. Эти ресурсы должны быть в нужном месте и в нужное время.
- Где встречаются аномалии по затратам? Чтобы выявить мошенничество, можно использовать инструмент Анализ кластеров и выбросов для тщательного изучения затрат и поиска выбросов в пространстве и времени. Внезапное изменение закономерностей или частоты затрат может указывать на подозрительную активность.
- Каковы характеристики вспышек заболеваний, вызванных бактериями? Предположим, что вы изучаете образцы сальмонеллы из молочных ферм в вашей области. Для классификации отдельных вспышек можно запустить инструмент Пространственно ограниченная многовариантная кластеризация с данными образцов, ограничив членство в кластере в пространстве и во времени. Образцы, близкие в пространстве и времени, скорее всего, связаны с одной вспышкой.
- Были ли решении о распределении ресурсов эффективным? Предположим, вы хотите проверить эффективность влияния размещения новых патрулей на снижение наркоторговли в городе. Вы можете использовать инструмент Возникновение горячих точек для отслеживания изменений в трендах событий, например, появление новых горячих точек, их возрастания или убывания в местах наркоторговли.
Несколько инструментов в наборе инструментов Пространственная статистика оценивают каждый объект в контексте ближних к нему объектов. После определения соседских отношений для пространства и времени, традиционный пространственный анализ становится пространственно-временным анализом. Для определения соседских отношений с использованием пространственных и временных характеристик ваших данных используйте инструмент Построить матрицу пространственных весов и выберите опцию Пространственно-временное окно для параметра Концептуализация пространственных отношений. Затем укажите значение параметров Пороговое расстояние и временной интервал (Тип интервала даты/времени и Значение интервала даты/времени). Если указать расстояние в 1 км и временной интервал 7 дней, объекты на расстоянии 1 км с датой в пределах 7 дней друг от друга будут анализироваться вместе. Аналогично, близкие объекты на расстоянии 1 км друг от друга, которые не попадают в семидневный интервал, не будут считаться соседними объектами.
Временные мгновенные снимки
Один из распространенных методов для анализа пространственных и временных тенденций в данных заключается в разбиении их на последовательность временных мгновенных снимков. Например, можно создать отдельные наборы данных для первой, второй, третьей четвертой и пятой недели. Затем можно проанализировать каждую неделю и представить результаты анализа как последовательность карт или в виде анимации. Хотя это эффективный способ отображения тенденций, способ разделения данных немного случаен. Например, если вы анализируете данные по неделям, как расположить границу между частями? Следует ли разбивать данные между воскресеньем и понедельником? Может быть, использовать период с понедельника по четверг, а затем с пятницы по воскресенье? Существуют ли какие-то особенности анализа данных по неделям? Возможно, анализ по дням или месяцам будет более эффективным. Последствия могут быть важными, если при делении (например, делении событий воскресенья от понедельника) разбиваются объекты, которые должны быть связаны. В предыдущем примере ниже шесть объектов попадают в пределы зоны размером в один километр и временной промежуток в 7 дней от объекта с подписью 31-е января. Если бы анализировались временные срезы за каждый месяц – в анализируемую окрестность можно было бы включить один объект.
При определении отношений объектов с помощью Пространственно-временное окно вы не создаете снимки данных. Вместо этого все данные используются в анализе. Объекты, расположенные рядом друг с другом в пространстве и времени, анализируются вместе, так как все взаимоотношения объектов оцениваются относительно местоположения и временной метки целеого объекта. В примере выше, (A.), в пространственно-временном окне размером 1 км и 7 дней, найдено 6 соседей для объекта с отметкой Jan 31.
Предположим, вы анализируете лесные пожары в регионе. Если запустить инструмент Анализ горячих точек с использованием опции Полоса фиксированных расстояний по умолчанию, для концептуализации отношений объектов, в результате будет получена карта с расположениями статистически значимыми горячими и холодными точками лесных пожаров. Если затем выполнить анализ еще раз, но на этот раз с пространственными отношениями, определенными с помощью Пространственно-временное окно, можно обнаружить, что некоторые из горячих точек являются сезонными. Понимание этой временной характеристики лесных пожаров сильно влияет на то, как вы распределяете ресурсы по борьбе с пожарами.
Визуализация пространственно-временных результатов
Карты интенсивности обычно отображают области с высокой интенсивностью (горячие точки) красным цветом, а области с малой интенсивностью (холодные точки) синим цветом. На графике ниже красные области – это места с наибольшим числом вызовов службы спасения. Синие области – это места с относительно небольшим числом вызовов. Как можно добавить сведения о временном измерении частоты вызовов на эту карту? Как можно эффективно отобразить такие аспекты, как отдельные вспышки, серии преступлений, последствия внедрения новой технологии и сезонные колебания?
Представление трехмерных данных (x, y и время) на двухмерной карте – это сложная задача. Обратите внимание на то, что в примере ниже нельзя разглядеть, что существует две разные горячих точки (друг с другом в пространстве, но разделенные по времени), пока не просмотреть данные в трех измерениях. Если выбрать объекты на основе временного поля, можно понять, какие объекты связаны по времени, а какие разделены.
Существует, по крайней мере, два способа визуализации выходных данных пространственно-временного анализа. Трехмерная визуализация эффективна при наличии небольшой области изучения и ограниченном числе объектов. Такой подход позволяет представить пространственно-временные отношения на одной карте. Еще один метод отображения пространственно-временных процессов – использование анимации. Примеры ниже концентрируются на визуализации пространственно-временных кластеров.
Анимация
Для анимации пространственно-временных кластеров включите время для полученных объектов и щелкните Воспроизвести 
для визуализации временных данных с помощью бегунка времени.
3D
Еще один мощный способ визуализации результатов анализа пространственно-временного кластера – это использование 3D визуализации. При использовании этого метода время становится третьим измерением, а точечные объекты вытягиваются для отражения временной последовательности. На 3D графике выше, например самые старые события ближе всего к земле, а недавние события сильнее возвышаются над землей (кажутся ближе к смотрящему).
Вы можете создать 3D-представление своих данных, похожее на показанное выше, в 3D-сцене. Ниже приводятся инструкции для визуализации результатов кластерного анализа пространственно-временных данных в ArcGIS AllSource.
Примечание:
См. также Визуализация куба в 3D, чтобы узнать о стратегиях использования инструментов набора Углубленный анализ пространства-времени для анализа и 3D представления в ArcGIS AllSource.
Сначала запустите свой пространственно-временной кластерный анализ. Вы сможете отобразить выходные данные, выполнив следующие действия.
- Откройте сцену. Чтобы открыть сцену, перейдите на закладку Вставка, щелкните Новая карта и выберите Новая локальная сцена.
Откройте таблицу атрибутов своего выходного векторного слоя и отсортируйте свои объекты по дате, чтобы вы смогли увидеть самую раннюю дату. Создайте новое поле DateDiff для вычисления временных отрезков, которые будут использоваться для проектирования высоты каждого объекта. Для этого примера высота основана на числе дней, прошедших после первого события в наборе данных.
Для вычисления временных отрезков используйте скрипт Python. Щелкните правой кнопкой мыши только что созданное вами поле и выберите команду Вычислить поле. На Панели геообработки заполните параметры и блок кода, как показано ниже, заменив дату в блоке кода на самую раннюю дату ваших объектов выходного векторного слоя.
- Установите 0 в качестве высоты поверхности. Поскольку для визуализации времени используется вертикальная ось, необходима аккуратность, чтобы для всех объектов была задана одинаковая высота основания. Для этого также необходимо отключить все сервисы высот, убрав отметки со всех слоев Земля, которые находятся в группе Поверхности высот на панели Содержание.
Примечание:
При следующем добавлении Новой сцены, поверхности по умолчанию будут подключены автоматически. - Щелкните правой кнопкой выходной векторный слой, выберите Свойства и найдите вкладку Высоты. Задайте для параметра Объекты значение На абсолютной высоте и в качестве поля укажите созданное вами поле DateDiff. Возможно, вам придется поэкспериментировать с различными значениями Вертикального преувеличения для создания подходящего изображения.
См. Навигация для дополнительной информации о навигации и просмотре сцен 3D.
Примечание:
Если вы используете точечные данные об инцидентах, лучшим вариантом будет агрегирование и визуализация ваших данных с использованием пространственно-временного куба. В статье Визуализация куба пространство-время приведены стратегии визуализации результатов пространственно-временного анализа в кубической структуре данных netCDF.