Кластеризація географічних даних на основі розташування точок та пов'язаних з ними точкових значень

Дано точки даних із довготою, широтою та третім значенням властивості цієї точки. Як я можу кластеризувати точки на групи (географічні субрегіони) на основі вартості властивості? Я шукав google і зрозумів, що ця проблема, мабуть, називається "просторово обмеженою кластеризацією" або "регіоналізацією". Однак я не знайомий з обробкою географічних даних і не маю уявлення про те, які алгоритми хороші, і які пакети python / R хороші для цього завдання.

Щоб дати більш інтуїтивне уявлення про те, що я хочу, скажімо, мої графіки розсіювання даних наступні:

Отже, кожна точка - це точка, x - довгота, y - широта, і кольорова карта показує, величина велика чи мала. Я хочу поділити ці точки на підрегіони / групи / кластери на основі розташування та подібності значень. Як і наступне (це не зовсім те, що я хочу, просто щоб показати інтуїтивну ідею.):

То як я можу цього досягти?

Пакет rioja забезпечує функціональність для обмеженої ієрархічної кластеризації. Для того, що ви думаєте як "просторово обмежені", ви б вказали ваші скорочення залежно від відстані, тоді як для "регіоналізації" ви могли використовувати k найближчих сусідів. Я б дуже рекомендував проектувати ваші дані, щоб вони знаходилися в системі координат на відстані.

require(sp)
require(rioja)

data(meuse)
  coordinates(meuse) <- ~x+y
  cdat <- data.frame(x=coordinates(meuse)[,1],y=coordinates(meuse)[,2])
  rownames(cdat) <- rownames(meuse@data)

# Constrained hierarchical clustering 
chc <- chclust(dist(cdat), method="conslink")

# Using kNN with 3 neighbors
chc.n3 <- cutree(chc, k=3) 

# Using distance 
chc.d200 <- cutree(chc, h=200) 

meuse@data <- data.frame(meuse@data, KNN=as.factor(chc.n3), DClust=chc.d200)

opar <- par
  par(mfcol=c(1,2))  
   cols <- topo.colors(length(unique(meuse@data$KNN)))  
    color <- rep("xx", nrow(meuse@data))
      for(i in 1:length(unique(meuse@data$KNN))) {
        v <- unique(meuse@data$KNN)[i] 
          color[(meuse@data$KNN == v)] <- cols[i]
        }
    plot(meuse, col=color, pch=19, main="kNN Clustering")
      box()

    cols <- topo.colors(length(unique(meuse@data$DClust)))  
    color <- rep("xx", nrow(meuse@data))
      for(i in 1:length(unique(meuse@data$DClust))) {
        v <- unique(meuse@data$DClust)[i] 
          color[(meuse@data$DClust == v)] <- cols[i]
        }
    plot(meuse, col=color, pch=19, main="Distance Clustering")
      box() 
par <- opar