Manual GRASS berbunyi:
v.kernel - Menghasilkan peta kerapatan raster dari data titik-titik vektor menggunakan kernel Gaussian isotropik 2D ...
Ok, tapi bagaimana cara menginterpretasikan hasilnya? Saya mengerti bahwa v.kernel lebih maju daripada fungsi v.neighbor tetapi saya tidak yakin keunggulan apa yang dimilikinya.
Jawaban:
Hasil estimasi poin per satuan luas. Sebagai tanda centang, Anda harus mengalikan nilai kerapatan dengan luas sel dan menambahkan nilai-nilai ini di atas kisi: total harus sama dengan jumlah dari data asli. (Dua nilai ini sering berbeda karena dua alasan, efek batas dan ketidaktepatan numerik. Efek batas terjadi karena peta kerapatan dapat menyebarkan data dari tepi peta dan nilai-nilai itu tidak diperoleh kembali dari jaringan kerapatan. Tetapi perbedaannya seharusnya menjadi kecil.)
Satu gambar yang saya gunakan di kelas meminta siswa membayangkan kernel sebagai ember pasir: Anda membalikkan ember pada satu titik, memungkinkan pasir merosot. Kemerosotan nyaris tidak terjadi untuk setengah pendek pendek tetapi luas untuk lebar pita besar (mungkin pasir lebih basah ;-). Bagaimanapun juga, selalu ada jumlah pasir yang sama , tidak peduli bagaimana kemerosotan yang terjadi. Sekarang buang satu ember di lokasi masing-masing titik (atau, lebih umum, jika ada nilai positif x yang terkait dengan setiap titik data, pertama-tama masukkan jumlah pasir di ember sebanding dengan xdan kemudian membuangnya). Pasirnya merosot. Itu menumpuk di daerah di mana ada banyak ember. Grid kepadatan memberi Anda ketinggian tumpukan pasir di pusat setiap sel grid. Mengalikan ini dengan luas sel memperkirakan volume pasir yang menempati setiap sel. Menjumlahkan volume sel ini di atas wilayah mana pun (seperti blok Sensus) memperkirakan volume total pasir di wilayah itu, yang mewakili jumlah total kuantitas x yang Anda pikir ada di wilayah tersebut.
Pernahkah Anda melihat buku web Analisis Geospasial ? Mereka memiliki bagian yang cukup rinci tentang kerapatan titik , yang mencakup fungsi Gaussian. Bahkan secara umum saya merasa itu adalah sumber yang sangat berguna.
Inilah cara yang terlalu sederhana untuk memikirkannya:
Bayangkan papan dart dengan beberapa cincin memancar keluar dari pusat. Di setiap lokasi dalam hasil, skor dihitung dengan meletakkan papan dart di atas lokasi dan melihat di mana titik vektor berada di papan dart. Dari situ skor dihitung dan raster dibuat.
Ada banyak variabel untuk bagaimana ini dihitung:
- ukuran papan dart (kernel)
- bentuk papan dart (2D isometrik atau 'sama di setiap arah dalam x / y', yaitu lingkaran datar)
- cara papan dart memberikan poin (Gaussian menyiratkan distribusi 'normal', yaitu skor yang lebih tinggi saat titik semakin dekat ke tengah, dalam bentuk kurva lonceng)
Keuntungannya adalah ia akan menghitung versi yang jauh lebih lancar tanpa lompatan besar (terputus-putus) yang dapat menerima informasi dengan radius yang lebih luas dan lebih konsisten. Ini juga akan kurang terpengaruh oleh perbedaan ukuran / bentuk area yang digunakan.
Pikirkan tentang menggunakan Tetangga Terdekat di kabupaten: Di pantai timur mereka jauh lebih kecil dari Midwest, tetapi jumlah tetangga serupa dan sebagian besar mempengaruhi geometri perbatasan. Mana yang lebih padat? Jika jari-jari kernel Anda 50 mil Anda akan mendapatkan jawaban yang jauh berbeda yang menggambarkan kerapatan relatifnya lebih akurat.