Mekansal-Zamansal Sıcak Nokta Analizi
Space-Time Hot Spot Analysis (Emerging Hot Spot Analysis) · Ayrıca şöyle bilinir: emerging hot spot analysis, space-time cube hot spot, spatiotemporal hot spot detection, STHA
Mekansal-Zamansal Sıcak Nokta Analizi, klasik Getis-Ord Gi* istatistiğini, mekansal-zamansal bir küp içinde düzenlenmiş tekrarlanan zaman dilimleri boyunca genişletir. İstatistiksel olarak anlamlı yüksek veya düşük değer kümelenmeleri için her konum-zaman kutusunu test ederek ve ardından zaman içindeki sonuç dizisini inceleyerek, kümelerin yeni mi, yoğunlaşıyor mu, kalıcı mı, seyrek mi yoksa azalan mı olduğunu belirler - analistlere sıcak ve soğuk noktaların nasıl geliştiğine dair dinamik bir resim sunar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Suç olayları, hastalık vakaları, trafik kazaları, sosyal medya gönderileri gibi zaman içinde tekrarlanan coğrafi işaretli olay verileriniz olduğunda ve yalnızca kümelerin nerede oluştuğunu değil, aynı zamanda nasıl değiştiğini de anlamak istediğinizde mekansal-zamansal sıcak nokta analizini kullanın. Verilerin düzenli bir mekansal-zamansal küpe (düzgün mekansal kutular ve eşit uzunlukta zaman periyotları) mantıksal olarak toplanabildiği ve trend testi için en az 10 zaman periyodunun bulunduğu durumlarda uygundur. Zaman aralıklarının düzensiz veya çok az olduğu (yaklaşık 6 periyottan az), özniteliğin mekansal birleştirmeye yönelik anlamlı paydaları olmayan bir oran olduğu veya amacın mevcut anlık görüntüyü değil, zamansal dinamikleri haritalamak olduğu durumlarda kullanmayın - bu durumda düz Getis-Ord Gi* yeterlidir.
Güçlü yönler & sınırlılıklar
- Tek bir kesitsel sıcak nokta haritasının gösteremeyeceği kümelenmenin zamansal dinamiklerini ortaya çıkarır.
- Kaynak tahsisini yönlendiren yorumlanabilir, politika açısından ilgili kategoriler üretir (örneğin, Yükselen vs Kalıcı sıcak noktalar).
- İyi doğrulanmış Getis-Ord Gi* istatistiğine dayanır, bu nedenle her zaman dilimi sonucu titiz bir istatistiksel temele sahiptir.
- Mekansal olarak toplanabilen herhangi bir sayı veya oran değişkeniyle çalışır - suç, hastalık, kirlilik, satış vb.
- Mekansal-zamansal küp çerçevesinde uygulandığında büyük veri kümelerini verimli bir şekilde işler.
- Sonuçlar, seçilen mekansal kutu boyutu ve zaman aralığına duyarlıdır; farklı toplama işlemleri farklı örüntü kategorileri üretebilir.
- Mann-Kendall eğilim testi için en az 10 zaman periyodu gerektirir; çok kısa zaman serileri güvenilmez sınıflandırmalar üretebilir.
- Mekansal ağırlık yapısının durağanlığını varsayar; değişen çalışma sınırları veya değişken komşuluk tanımları yorumlamayı karmaşıklaştırır.
- Bağlayıcıları veya karıştırıcıları modellemez - nedensel değil, tanımlayıcıdır.
- Birçok hücrede seyrek veri (çok sayıda sıfır), görünen soğuk noktaları şişirebilir ve gerçek sıcak noktaların tespitini baskılayabilir.
SSS
Kaç zaman periyoduna ihtiyacım var?
Mann-Kendall eğilim bileşeninin güvenilir sonuçlar üretmesi için en az 10 zaman periyodu önerilir. Daha az periyot, dilim başına Gi* değerleri üretecektir, ancak eğilim sınıflandırması istatistiksel olarak zayıf olacaktır.
Mekansal-zamansal sıcak nokta analizi ile düz Getis-Ord Gi* arasındaki fark nedir?
Düz Gi*, tek bir kesiti analiz eder ve şu anda yüksek değerli kümelerin nerede olduğunu belirler. Mekansal-zamansal sıcak nokta analizi, zaman içinde birçok Gi* haritasını istifler ve bir eğilim testi ekler, böylece bir kümenin yeni mi, büyüyen mi, sabit mi yoksa solmakta mı olduğunu söyleyebilir.
Kutu boyutu ve zaman aralığını nasıl seçerim?
Kutu boyutu, olgunun anlamlı coğrafi ölçeğini (örneğin, suç için bir şehir bloğu, hastalık için bir ilçe) yansıtmalıdır. Zaman aralıkları, raporlamanın periyodikliğini veya beklenen değişim hızını karşılamalıdır. Ana bulguların sağlam olup olmadığını kontrol etmek için iki veya üç alternatifle bir hassasiyet analizi çalıştırın.
Yöntem, kutu başına minimum olay sayısı gerektirir mi?
Kesin bir minimum yoktur, ancak çok düşük sayılara sahip kutuların (sıfıra yakın) istatistiksel olarak anlamlı kümeler oluşturması olası değildir. Genel bir kural olarak, sonuçlara güvenmeden önce ortalama kutu sayısının en az 8-10 olduğundan emin olunması önerilir.
Sayımlar yerine sürekli değerler kullanabilir miyim?
Evet. Gi* istatistiği herhangi bir sayısal özniteliğe (sayımlar, oranlar, sıcaklıklar, fiyatlar) uygulanabilir. Mekansal-zamansal küp toplama adımı, uygun özet fonksiyonunu (sayımlar için toplam, sürekli ölçümler için ortalama) kullanmalıdır.
Kaynaklar
- Kulldorff, M. (1997). A spatial scan statistic. Communications in Statistics: Theory and Methods, 26(6), 1481–1496. DOI: 10.1080/03610929708831995 ↗
- Emerging Hot Spot Analysis. ArcGIS Pro Documentation. Esri Inc., 2021. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Space-Time Hot Spot Analysis (Emerging Hot Spot Analysis). ScholarGate. https://scholargate.app/tr/spatial-analysis/space-time-hot-spot-analysis
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
- Yerel Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır
- Mekansal İlişkilendirme İçin Uzay-Zaman Yerel Göstergeleri (ST-LISA)Mekânsal analiz↔ karşılaştır
- Uzay-Zaman Moran'ın I'sıMekânsal analiz↔ karşılaştır