Kernel Density Crime Mapping
Kernel density crime mapping turns a scatter of geocoded crime points into a smooth, continuous surface that shows where incidents concentrate. Each event is spread out over a small neighborhood by a kernel function, and the overlapping contributions are summed across a fine grid so that areas with many nearby crimes glow as peaks. Chainey, Tompson, and Uhlig (2008) showed that, among common hot-spot mapping techniques, kernel density estimation is one of the most accurate at predicting where future crime will occur, which is why it became the default crime-mapping surface in policing.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Χάρτης μεθόδων
Η γειτονιά των σχετιζόμενων μεθόδων — επιλέξτε έναν κόμβο για εξερεύνηση.
Πηγές
- Chainey, S., Tompson, L., & Uhlig, S. (2008). The utility of hotspot mapping for predicting spatial patterns of crime. Security Journal, 21(1–2), 4–28. DOI: 10.1057/palgrave.sj.8350066 ↗
- Silverman, B. W. (1986). Density Estimation for Statistics and Data Analysis. Chapman and Hall. ISBN: 9780412246203
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 22). Kernel Density Estimation for Crime Mapping. ScholarGate. https://scholargate.app/el/criminology/kernel-density-crime-mapping
Ποια μέθοδος;
Τοποθετήστε αυτή τη μέθοδο δίπλα στις πιο συγγενείς της και διαβάστε τις παράλληλα — η βιβλιοθήκη απλώνει τα βιβλία στο τραπέζι· η επιλογή είναι δική σας.
- Crime Hot Spot AnalysisCriminology↔ σύγκριση
- Crime MappingCriminology↔ σύγκριση
- Risk Terrain Modeling (Criminology)Criminology↔ σύγκριση
- Εκτίμηση Πυκνότητας Πυρήνα Χώρου-Χρόνου (ST-KDE)Χωρική Ανάλυση↔ σύγκριση
Αναφέρεται από
Παρόμοιες μέθοδοι
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →