Mekân-Zaman Çekirdek Yoğunluk Tahmini (ST-KDE)
Space-Time Kernel Density Estimation · Ayrıca şöyle bilinir: ST-KDE, spatiotemporal kernel density estimation, space-time KDE, 3D kernel density estimation
Mekân-Zaman Çekirdek Yoğunluk Tahmini (ST-KDE), klasik Çekirdek Yoğunluk Tahmini'ni (KDE) üç boyuta – iki mekânsal ve bir zamansal – genişleterek, nokta olaylarının (suçlar, kazalar, hastalık vakaları) yoğunluğunun hem coğrafi mekân hem de zaman boyunca nasıl sürekli değiştiğini ortaya koyar. Bu yöntem, olayların en yoğunlaştığı yerleri ve zamanları vurgulayan pürüzsüz, olasılıksal bir yüzey üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Coğrafi olarak referanslanmış, güvenilir zaman damgalarına sahip bir nokta-olay veri kümeniz olduğunda ve olay yoğunluğunun hem mekân hem de zaman boyunca nasıl değiştiğine dair sürekli, parametrik olmayan bir resim istediğinizde ST-KDE kullanın. Suç analizi, epidemiyoloji, kaza haritalama ve yeterli olay yoğunluğuna sahip ekolojik hareket çalışmaları için uygundur. Veri kümesi çok seyrekse (yaklaşık 50'den az olay), zaman damgaları kesin değilse veya eksikse, çalışma alanı pürüzsüz bir çekirdeğin yansıtamayacağı güçlü fiziksel engellere sahipse veya keşifsel görselleştirmeler yerine resmi hipotez testleri gerekiyorsa kaçının – bu durumlarda Getis-Ord Gi* veya mekân-zaman tarama istatistiklerini kullanın.
Güçlü yönler & sınırlılıklar
- Keyfi idari sınırları zorlamadan olay yoğunluğundaki pürüzsüz gradyanları yakalayan sürekli, sezgisel bir yoğunluk yüzeyi üretir.
- Mekânsal ve zamansal kümelenmeyi ortaklaşa yakalar, sıcak noktaların kararlı mı, göç eden mi yoksa mevsimsel mi olduğunu ortaya çıkarır.
- Parametrik olmayan: altta yatan olay süreci hakkında herhangi bir dağılımsal varsayım gerekmez.
- Esnek bant genişliği seçimi, heterojen olay yoğunluklarına sahip veri kümelerine uyum sağlamayı mümkün kılar.
- Çıktılar doğrudan haritalanmaya hazırdır ve bulguları teknik olmayan paydaşlara açıkça iletir.
- Sonuçlar bant genişliği seçimine duyarlıdır: çok küçük gürültülü, sivri yüzeyler üretir; çok büyük aşırı pürüzsüzleştirir ve gerçek kümeleri maskeler.
- Olayların karmaşık mekân-zaman etkileşimine sahip olmayabileceği durumlarda geçerli olmayabilecek mekânsal ve zamansal çekirdeklerin ayrılabilir (bağımsız) olduğunu varsayar.
- Kümeler için resmi istatistiksel anlamlılık testleri sağlamaz; yalnızca keşifsel yoğunluk tahminleri sunar.
- Çalışma alanının sınırına yakın kenar etkileri, yoğunluk tahminlerini şişirebilir veya azaltabilir; düzeltme yöntemleri (örneğin, kenar düzeltme ağırlıkları) karmaşıklık katar.
- Çok büyük veri kümeleri veya ince çözünürlüklü ızgaralar için hesaplama açısından maliyetlidir.
SSS
Mekânsal ve zamansal bant genişliklerini nasıl seçerim?
Veri odaklı optimal bant genişliklerini seçmek için çapraz doğrulama veya en küçük kareler çapraz doğrulaması (LSCV) ile başlayın. Ayrıca bir dizi bant genişliği kombinasyonu üzerinde duyarlılık analizi yapın ve sıcak nokta konumlarının nasıl değiştiğini raporlayın. Alan bilgisi – örneğin, tipik devriye yarıçapı veya hastalık kuluçka süresi – arama aralığını faydalı bir şekilde sabitleyebilir.
ST-KDE, her zaman dilimi için ayrı ayrı KDE çalıştırmakla aynı mı?
Hayır. Her zaman dilimi için bağımsız olarak KDE çalıştırmak, zamanı kategorik bir gruplama değişkeni olarak ele alır ve zamansal boyut boyunca pürüzsüzleştirmeyi göz ardı eder. ST-KDE, zaman ekseninde sürekli bir çekirdek uygular, zamansal olarak yakın olaylardan bilgi alır ve tamamen pürüzsüz üç boyutlu bir yoğunluk yüzeyi üretir.
ST-KDE gelecekteki sıcak noktaları tahmin etmek için kullanılabilir mi?
ST-KDE öncelikle tanımlayıcı ve keşifsel bir araçtır. Geçmiş olay yoğunluğunu karakterize eder ve gelecekteki risk haritalaması için (örneğin, öngörücü polislik) temkinli bir şekilde genelleştirilebilir, ancak açık bir tahmin mekanizması yoktur. Resmi tahmin için, ST-KDE'yi ileriye dönük mekân-zaman tarama istatistikleri veya mekânsal-zamansal regresyon modelleri ile birleştirin.
ST-KDE'yi hangi yazılımlar uygular?
R'deki spatstat paketi mekân-zaman KDE'yi destekler; ArcGIS Pro mekân-zaman küpü araçları sunar; QGIS STKDE eklentisi aracılığıyla; ve Python, özel uygulamalar için scipy ve scikit-learn kütüphaneleri aracılığıyla. Nakaya-Yano orijinal uygulaması, 2010 tarihli makalelerinde atıfta bulunulan bağımsız bir araç olarak mevcuttur.
Güvenilir ST-KDE tahminleri için kaç olaya ihtiyacım var?
Pratik bir kural olarak, çalışma alanı ve zaman penceresine yayılmış en az 50-100 olaya ulaşmayı hedefleyin. Çok seyrek veri kümeleri, bant genişliğinden bağımsız olarak son derece güvenilmez yoğunluk tahminleri üretir. Az sayıda olay için, daha kaba mekânsal veya zamansal birimlere toplama yapmayı veya parametrik bir mekân-zaman modeline geçmeyi düşünün.
Kaynaklar
- Nakaya, T., & Yano, K. (2010). Visualising crime clusters in a space-time cube: An exploratory data-analysis approach using space-time kernel density estimation and scan statistics. Transactions in GIS, 14(3), 223-239. DOI: 10.1111/j.1467-9671.2010.01194.x ↗
- Kernel density estimation. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Space-Time Kernel Density Estimation. ScholarGate. https://scholargate.app/tr/spatial-analysis/space-time-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 Çekirdek Yoğunluk TahminiMekânsal analiz↔ karşılaştır
- Space-Time Getis-Ord Gi* Sıcak Nokta İstatistiğiMekânsal analiz↔ karşılaştır
- Mekansal İlişkilendirme İçin Uzay-Zaman Yerel Göstergeleri (ST-LISA)Mekânsal analiz↔ karşılaştır
- Uzay-Zaman Mekansal OtokorelasyonuMekânsal analiz↔ karşılaştır