Space-Time Getis-Ord Gi* Sıcak Nokta İstatistiği
Space-Time Getis-Ord Gi* Hot Spot Statistic · Ayrıca şöyle bilinir: ST-Gi*, space-time hot spot analysis, emerging hot spot analysis, space-time local autocorrelation statistic
Space-Time Getis-Ord Gi* istatistiği, klasik Gi* yerel sıcak nokta ölçümünü üç boyuta – iki uzamsal ve bir zamansal – genişleterek yalnızca yüksek veya düşük değerlerin kümelendiği yerleri değil, aynı zamanda bu kümelerin zaman içinde nasıl geliştiğini, yoğunlaştığını veya azaldığını da ortaya koyar. Suç analizi, epidemiyoloji, ekoloji ve kent çalışmaları gibi alanlarda yaygın olarak kullanılır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tekrarlanan ölçümlerin birden çok zaman periyodu boyunca aynı uzamsal birim kümesinde yapıldığı ve hem kümelerin nerede oluştuğunu hem de zaman içinde nasıl değiştiğini bilmek istediğinizde Space-Time Gi* kullanın – örneğin, suç sıcak noktalarını aylar boyunca izlemek, hastalık insidansını yıllar boyunca izlemek veya yaban hayatı gözlemlerini mevsimler boyunca haritalamak. Yöntem, makul sayıda uzamsal birim (genellikle en az 30) ve yeterli zaman adımı (güvenilir eğilim sınıflandırması için en az 10 önerilir) gerektirir. Yalnızca bir veya iki zaman periyodu için veri mevcut olduğunda (bunun yerine normal Gi* kullanın), uzamsal birimler zaman içinde boyut veya şekil değiştirdiğinde (geometri tutarlı olmalıdır) veya değişken sürekli ve uzayda düzensiz örneklenmiş olduğunda (bunun yerine uzay-zaman kriging kullanın) kullanmayın.
Güçlü yönler & sınırlılıklar
- Yalnızca sıcak noktaların nerede bulunduğunu değil, aynı zamanda nasıl geliştiğini – kalıcı, yükselen, yoğunlaşan veya azalan – belirleyerek eyleme geçirilebilir zamansal bağlam sağlar.
- Uzman olmayan kitlelere iletilmesi kolay, doğrudan haritalanabilir z-skorları ve anlamlılık işaretleri üretir.
- Küp tabanlı çerçeve, hem uzamsal hem de zamansal otokorelasyonu açıkça hesaba katarak, tekrarlanan kesitsel analize kıyasla yanlış pozitifleri azaltır.
- Ana akım CBS yazılımlarında (ArcGIS Emerging Hot Spot Analysis, PySAL, spdep) yaygın olarak desteklenmesi, teknik engeli düşürür.
- Esnek komşuluk tanımları (mesafe bandı, komşu sayısı) farklı uzamsal veri yapılarına uyum sağlar.
- Eğilim kategorileri (kalıcı, yükselen, rastgele vb.) seçilen anlamlılık eşiğine ve zaman adımı sayısına bağlıdır; bu ayarlar değiştiğinde sonuçlar önemli ölçüde değişebilir.
- Tüm zaman periyotları boyunca tutarlı, düzenli bir ızgara veya bölgelenmiş uzamsal çerçeve gerektirir; düzensiz veya değişen sınırlar küp yapısını geçersiz kılar.
- Tüm yerel istatistikler gibi, değiştirilebilir alan birimi sorununa (MAUP) duyarlıdır: sonuçlar uzamsal çözünürlüğe ve bölge tanımına göre değişir.
- Yerleşik kovaryant ayarlaması yoktur – nüfus yoğunluğu veya sosyoekonomik faktörler gibi karıştırıcılar, girdi değişkeni önceden ayarlanmadıkça kontrol edilmez.
- Altta yatan uzamsal sürecin durağanlığını varsayar; güçlü durağan olmama durumu coğrafi olarak ağırlıklandırılmış alternatifler gerektirebilir.
SSS
Güvenilir eğilim sınıflandırması için kaç zaman adımına ihtiyacım var?
Esri, anlamlı eğilim kategorileri için en az 10 zaman adımı önermektedir. Daha az adımda Mann-Kendall eğilim testinin gücü düşüktür ve 'salınımlı' veya 'rastgele' gibi kategoriler güvenilir bir şekilde ayırt etmek zordur.
Space-Time Gi* ile Space-Time Moran's I (LISA) arasındaki fark nedir?
Her ikisi de uzay-zamana genişleyen yerel istatistiklerdir, ancak farklı şeyleri ölçerler. Gi*, yüksek veya düşük mutlak değerlerin kümelerini (sıcak ve soğuk noktalar) tespit eder. LISA, benzer değerlerin kümelenmesi ve uzamsal aykırı değerler (düşük değerlerle çevrili yüksek değerler veya tam tersi) dahil olmak üzere uzamsal ilişkiyi tespit eder. Yalnızca sıcak nokta tespiti istediğinizde Gi*'yi kullanın; uzamsal aykırı değerlerle de ilgileniyorsanız LISA'yı kullanın.
Space-Time Gi* zamansal otokorelasyonu hesaba katar mı?
İstatistik, bir zaman penceresi boyunca komşuları havuzlar, bu da zamansal değişimi örtük olarak düzeltir, ancak zamansal otokorelasyonu bir zaman serisi modeli gibi açıkça modellemez. Eğilim sınıflandırma adımı, her konum için Gi* zaman serisine Mann-Kendall testini uygular ve monoton eğilimleri yakalar.
Uzamsal ve zamansal komşuluk boyutlarını nasıl seçerim?
Uzamsal bant genişliği genellikle olgunun ölçeğine göre seçilir (örneğin, yaya ölçeğindeki suç için 500 m yarıçap) ve hassasiyet açısından test edilir. Zamansal bant genişliği, sürecin periyoduna uymalıdır (örneğin, mevsimsel hastalıklar için aylık). Artımlı uzamsal otokorelasyon analizi, bant genişliği seçimini yönlendirmek için uzamsal bağımlılıktaki doğal kırılmaları belirlemeye yardımcı olabilir.
Bu yöntemi raster verilere uygulayabilir miyim?
Evet, rasteri tutarlı zaman adımları boyunca düzenli bir poligon veya nokta ızgarasına toplarsanız. Sürekli raster zaman serileri, her hücreyi bir uzay-zaman küp kaydı haline getirerek analiz edilebilir, ancak çok büyük rasterler hesaplama optimizasyonu gerektirebilir.
Kaynaklar
- Getis, A., & Ord, J. K. (1992). The analysis of spatial association by use of distance statistics. Geographical Analysis, 24(3), 189-206. DOI: 10.1111/j.1538-4632.1992.tb00261.x ↗
- Ord, J. K., & Getis, A. (1995). Local spatial autocorrelation statistics: Distributional issues and an application. Geographical Analysis, 27(4), 286-306. DOI: 10.1111/j.1538-4632.1995.tb00912.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Space-Time Getis-Ord Gi* Hot Spot Statistic. ScholarGate. https://scholargate.app/tr/spatial-analysis/space-time-getis-ord-gi-star
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 Getis-Ord Gi* (Sıcak Nokta Analizi)Mekânsal analiz↔ karşılaştır
- Mekansal İlişkilendirme İçin Uzay-Zaman Yerel Göstergeleri (ST-LISA)Mekânsal analiz↔ karşılaştır
- Uzay-Zaman Mekansal OtokorelasyonuMekânsal analiz↔ karşılaştır