Yerel Çekirdek Yoğunluk Tahmini
Local Kernel Density Estimation · Ayrıca şöyle bilinir: Local KDE, adaptive KDE, spatially adaptive kernel density estimation, local density estimation
Yerel Çekirdek Yoğunluk Tahmini (Local KDE), her konumdaki nokta olaylarının yoğunluğunu, uzamsal olarak uyarlanabilir bir bant genişliğine sahip bir çekirdek fonksiyonu uygulayarak tahmin eden parametrik olmayan bir uzamsal yöntemdir. Çalışma alanının tamamında sabit bir bant genişliği kullanan küresel KDE'nin aksine, Yerel KDE, yumuşatma penceresini yerel veri yoğunluğuna göre ayarlar ve olayların seyrek veya yoğun olduğu yerlerde ince ölçekli kümelenmeyi yakalar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Nokta olay verileriniz (suç olayları, hastalık vakaları, perakende konumları, kaza yerleri) olduğunda ve yoğunluğun çalışma bölgesinde güçlü bir şekilde değişmesini beklediğinizde Yerel KDE kullanın. Nokta modelinin hem yoğun kümeleri hem de seyrek bölgeleri olduğunda küresel KDE'ye tercih edilir, çünkü sabit bir bant genişliği aynı anda kümeleri aşırı yumuşatır ve seyrek alanları yetersiz yumuşatır. Olaylar kümelenme olmaksızın düzenli veya rastgele bir uzamsal süreci takip ettiğinde, veri kümesi aşırı küçük olduğunda (yaklaşık 30'dan az olay) veya çıkarımsal testlerle olasılıksal bir modele ihtiyacınız olduğunda Yerel KDE kullanmayın — bu durumlarda bunun yerine uzamsal otokorelasyon ölçülerini veya çekirdek regresyonunu düşünün.
Güçlü yönler & sınırlılıklar
- Yumuşatma bant genişliğini yerel veri yoğunluğuna uyarlar, seyrek alanlarda gürültü oluşturmadan yoğun kümelerdeki keskin zirveleri korur.
- GIS görselleştirme ve çakıştırma analizi için hazır, yorumlanabilir sürekli bir yoğunluk yüzeyi üretir.
- Parametrik değildir: temel nokta süreci hakkında dağılımsal varsayımlar yoktur.
- Ölçülen nitelikten bağımsız olarak her türlü nokta olay verisine uygulanabilir.
- ArcGIS (Kernel Density aracı), QGIS, R (spatstat, ks paketleri) ve Python'da (scipy, KDEpy) yaygın olarak uygulanmaktadır.
- Bant genişliği seçimi kritik ve özneldir; farklı pilot tahminciler belirgin şekilde farklı yüzeyler üretebilir.
- Tanımlanan sıcak noktalar için resmi hipotez testi veya p-değerleri sağlamaz — çıkarım için Getis-Ord Gi* gibi ek yöntemler gereklidir.
- Çok büyük nokta veri kümeleri veya ince ızgara çözünürlükleri için hesaplama açısından yoğundur.
- Çalışma alanı sınırlarına yakın kenar etkileri, düzeltilmedikçe yapay olarak düşük yoğunluk tahminleri üretebilir.
SSS
Küresel KDE ile Yerel KDE arasındaki fark nedir?
Küresel KDE, tüm çalışma alanına tek tip olarak uygulanan tek bir sabit bant genişliği h kullanır. Yerel KDE, yerel veri yoğunluğuna dayalı olarak her konum için uzamsal olarak değişen bir bant genişliği h_i hesaplar, böylece yumuşatmasını herkese uyan tek bir pencere dayatmak yerine yerel nokta modeline uyarlar.
Uyarlanabilir bant genişliğini nasıl seçerim?
En yaygın yaklaşım iki adımlı bir prosedürdür: önce bir pilot (sabit bant genişliği) yoğunluğunu tahmin edin, ardından h_i'yi her olay konumundaki pilot yoğunluğunun ters kareköküyle orantılı olarak ayarlayın. Eklenti seçiciler (örneğin, Abramson kuralı) ve çapraz doğrulama, başlangıçtaki pilot bant genişliği seçimini yönlendirebilir.
Yerel KDE, Getis-Ord Gi* gibi sıcak nokta testlerinin yerini alabilir mi?
Hayır. Yerel KDE keşifseldir ve istatistiksel anlamlılık değerleri olmaksızın bir yoğunluk yüzeyi üretir. Getis-Ord Gi* ve benzeri yerel uzamsal istatistikler, değerlerin uzamsal dağılımı göz önüne alındığında gözlemlenen bir kümenin istatistiksel olarak anlamlı olup olmadığını resmi olarak test etmek için z-puanları ve p-değerleri sağlar. Görselleştirme için Yerel KDE'yi ve çıkarım için Gi*'yi kullanın.
Çekirdek fonksiyonunun seçimi (Gauss vs. kuartik) çok önemli mi?
Pratikte, çekirdek şeklinin seçimi, bant genişliği seçimine kıyasla yoğunluk yüzeyi üzerinde çok az etkiye sahiptir. Çoğu çekirdek fonksiyonu, aynı bant genişliğinde neredeyse aynı sonuçları verir. Bant genişliği seçimi baskın karardır.
Çalışma alanı sınırındaki kenar etkilerini nasıl ele alırım?
Yansıtma yöntemi veya koruma bölgesi kırpma gibi kenar düzeltme tekniklerini uygulayın. ArcGIS'te, Kernel Density aracı kenar etkilerini otomatik olarak ele alır. R'de (spatstat), density.ppp fonksiyonu 'izotropik' ve 'çeviri' düzeltmeleri dahil olmak üzere çeşitli kenar düzeltme seçenekleri sunar.
Kaynaklar
- Silverman, B. W. (1986). Density Estimation for Statistics and Data Analysis. Chapman and Hall, London. ISBN: 978-0412246203
- Diggle, P. J. (1985). A kernel method for smoothing point process data. Journal of the Royal Statistical Society: Series C (Applied Statistics), 34(2), 138-147. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Local Kernel Density Estimation. ScholarGate. https://scholargate.app/tr/spatial-analysis/local-kernel-density-estimation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Sıcak Nokta Analizi (Getis-Ord Gi*)Mekânsal analiz↔ karşılaştır
- Yerel Moran's I (LISA)Mekânsal analiz↔ karşılaştır
- Yerel Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır
- Ağ Tabanlı Mekansal AnalizMekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır