Визначення кластерів у векторних точкових даних за допомогою QGIS?

У мене є векторний набір даних для широкосмугових точок передачі даних про сільські мережі (як швидко і т. Д.), І я хотів би вивчити, чи є скупчення точок з подібними характеристиками, та побудувати побудову полігонів, що їх охоплюють.

Наприклад, я можу мати 45 000 балів в одному наборі даних PostGIS, розподіленому по пейзажу. Я хочу визначити кластери, які лежать в межах х км один від одного і де швидкість нижче y kbps, і створити опуклі корпуси для кожного кластеру, що кваліфікується.

Чи є простий спосіб зробити це, наприклад, у QGIS?

Я поєднав біти з декількох пропозицій і додав трохи власного і знайшов рішення, яке добре працює для мене - і все з QGis!

Я вперше запустив PostGis SELECT, щоб знайти точки, які мають правильні спільні атрибути і лежать в межах х км один від одного:

ВИБІРТЕ ДИСТАНЦІЯ s1.postcode, s1.the_geom, s1.gid ВІД широкосмугових_даних AS s1 ПРИЄДНАЙТЕ широкосмугових_даних AS s2 НА ST_DWithin (s1.the_geom, s2.the_geom, 1000) ДЕ s1.postcode! = S2.postcode AND s1.fastest_broadband <= 2000

(Досить прямо з дуже хорошої книжки PostGis в екшені Меннінга , лише додавши самостійне приєднання)

Потім я завантажив плагін ManageR Carson Farmer і імпортував шар. Звідси я стежив за запропонованим тут процесом кластеризації PAM і експортував результат у файл форми, на якому опуклі корпуси були обчислені за секунди за допомогою fTools (Carson дійсно обійдеться!).

Хоча це не рішення QGIS, я особисто вибрав дослідницький аналіз із використанням SaTScan . Це швидко, добре документовано та широко застосовується, тому у вас не повинно виникнути проблем із запуском. 45k балів може зажадати деякої оперативної пам’яті.

Я не впевнений, чи може він читати безпосередньо з Postgres, але легко імпортує з dbf та текстових файлів.

Потім результати аналізу можна легко прочитати на Postgres або QGIS. Ви можете вирішити пошук кругових скупчень або еліпсів (це може бути корисно використовувати, якщо у ваших даних є певний тип населених пунктів, наприклад довгі форми міст / сіл у долинах тощо). Потім ви можете генерувати багатокутники або еліпси або відображати лише місця, які є членами кластерів.

Для швидкого попереднього перегляду результатів у Google Планета Земля ви також можете скористатися інструментом перетворення SaACcan NAACCR на інструмент перетворення Google Планета Земля .

Важливо - якщо ви вирішите запустити моделювання Монте-Карло (я думаю, що мінімум 99), ви також зможете розповісти щось про статистичну значимість своїх кластерів. Інтерпретація та обґрунтування цих кластерів буде ще одним питанням, оскільки воно обговорювалося в просторових науках протягом принаймні двох десятиліть (я думаю;).

Ви можете спробувати запустити чисто просторовий аналіз, шукаючи кластери високого, низького або високого та низького значення. Якщо у ваших даних є якісь часові атрибути * щоденні, щотижневі агрегації), я думаю, було б дуже цікаво запустити кілька просторово-часових моделей.

У SciPy є пакет кластеризації (для python), ви можете використовувати його в консолі python, написати простий плагін для цього або використовувати PL / python всередині postgis.

http://docs.scipy.org/doc/scipy/reference/cluster.html

Після аналізу просто використовуйте f-інструменти для створення опуклих корпусів.

Там є схожий приклад того , що ви хочете зробити з допомогою R і GRASS тут . Як альтернатива, ви можете скористатися інструментами кластеризації scipy, як пропонується, а потім виконати обчислення опуклого корпусу за допомогою цього методу .

Ви можете спробувати плагін Ftools. Vector> Geoprocessing Tools> Convex Hulls.

Існує можливість, щоб Create convex hulls based on input fieldпараметр поля введення повинен походити з атрибутів вхідних точок.