Análisis de Hotspots y Clústeres en QGIS3 con Hotspot analysis

1 estrella2 estrellas3 estrellas4 estrellas5 estrellas (1 votos, media: 5,00 sobre 5)
Cargando…

Este complemento, que está operativo en QGIS, nos permite realizar análisis de puntos calientes y clústeres basados en la Biblioteca de análisis espacial de Python pysal.

Ya hemos visto en artículos anteriores cómo se hace la instalación de este complemento . Aunque este es experimental, nos permite hacer análisis de autocorrelación espacial; análisis que calcula las puntuaciones Z y valores p mediante diferentes estadísticas:

  • Estadística local Getis-Ord Gi*
  • Anselin Local Moran’s I
  • Local Moran Bivariate

En función de su resultado podrán establecerse categorías para representar aquellas agrupaciones de valores más altos o más bajos de lo esperado en nuestra área de estudio. Asimismo, se esperan multitud de registros sin significancia estadística cuyos valores no constituirán clústeres anormalmente altos o anormalmente bajos próximos entre ellos.

En este artículo nos centraremos en las dos primeras estadísticas: estadística Local Getis-Ord Gi*y Anselin Local Moran’s I.

clusteres
Ejemplo de análisis clúster con hotspots y coldspots de la ratio de incidencia del cáncer de mama según condado en Estados Unidos (años 2006-2010). En la leyenda se identifican las agrupaciones de valores anómalos positivos y negativos bajo intervalos de confianza definidos, y las áreas con valores no significativos. Fuente: blog healthmap.

Estadística Local GETIS-ORD GI*

Este tipo de análisis permite detectar localizaciones atípicas en la distribución espacial de una variable dada. En la práctica, ese algoritmo lo que hace es devolver conjunto de registros coldspots (zonas frías) y hotspots (zonas calientes), que destacan por su significación positiva o negativa, de los valores respecto al promedio de la muestra.

Los valores de las puntuaciones Z y el valor P determinarán cuales son esos valores estadísticamente anómalos. Pero no sólo eso, para que la herramienta detecte que esos valores constituyen un clúster o agrupación significativa, dichos valores anómalos en cuanto a Z y P deben encontrarse rodeados de valores similares.

Así, a mayor valor de las puntuaciones Z positivas mayor intensidad en la clusterización para puntos calientes o hotspots. Igualmente, para determinar la intensidad de la clusterización de coldspots o puntos fríos se requerirá de valores más negativos en la puntuación Z

Para realizar este análisis en QGIS 3 activaremos la herramienta de Hotspot Analysis que se emplazará en el menú de QGIS Vectorial > Hotspot Analysis desde donde podrás abrirla, o también desde el icono que se sitúa en las barras de herramientas.

clusteres

Si todavía no sabes cómo se configura Hotspot Analysis en QGIS deberías echar un vistazo a este post: Cómo instalar el plugin Hotspot Analysis en QGIS

Una vez abierto Hotspot Analysis, nos aparecerá la siguiente pantalla, donde deberemos escoger el tipo de análisis que vamos a realizar, en este caso:

En esta ventana, aparte de seleccionar el tipo de índice que queremos realizar, hay que señalar la capa vectorial con la que queremos hacer ese análisis y la variable a estudiar. En nuestro caso, lo vamos a realizar sobre “malla de población” que es una capa que contiene información sobre la población en Zaragoza. El atributo a trabajar en este caso será población joven tal y como se muestra en la imagen.

Una vez aceptado, nos parecerá el siguiente mensaje para que aceptemos el proceso finalizado.

El resultado final será un mapa en el que aparecerá categorizados los resultados en intervalos de confianza con las siguientes condiciones respecto a los valores Z y p.

SIGNIFICANCIACONDICIONES
Coldspot al 99% de confianzaZ <= -2.58

p <= 0.01

Coldspot al 95% de confianza-2.58 < Z <= -1.96

0.01 < p <= 0.05

Coldspot al 90% de confianza-1.96 < Z <= -1.65

0.05 < p <= 0.10

Sin Significancia Estadística-1.65 <= Z <= 1.65

0.10 < p

Hotspot al 90% de confianza1.65 <= Z < 1.96

0.05 < p <= 0.10

Hotspot al 95% de confianza1.96 <= Z < 2.58

0.01 < p <= 0.05

Hotspot al 99% de confianza1.96 <= Z < 2.58

p <= 0.01

El resultado debería cargarse en QGIS como una nueva capa shapefile de tipo polígono exacta a la de origen con una simbología similar a la de la imagen. En ella se muestra la leyenda generada en base a reglas que nos destaca aquellos hotspots y coldspots observados según los intervalos de confianza antes mencionados en la tabla.

clusteres

Como se puede observar la mayor parte de los registros están asignados a la categoría sin significancia estadística, esto es algo habitual, además de por el factor de localización respecto a sus vecinos, está influenciado por la propia naturaleza del conjunto de datos y su distribución.

Anselin Local Moran’s I

Este índice I de Moran local permite realizar un análisis similar al anteriormente mencionado Gi* de Getis-Ord, a diferencia que la clasificación y obtención de resultados se realiza en base al cálculo de un valor q, además de las puntuaciones Z y los valores p para los intervalos de confianza y la significancia estadística.

Las clasificaciones se realizan en 4 grupos:

  • Valores elevados rodeados de valores altos (HH)
  • Valores elevados rodeados de otros valores bajos (HL)
  • Valores bajos rodeados de otros valores elevados (LH)
  • Valores bajos rodeados de otros valores bajos (LL)

En este sentido, este índice nos ofrece información extra a la que aporta Getis-Ord ya que pone en relación los valores de una determinada entidad con los valores de las entidades vecinas para la identificación y caracterización de clústeres.

Así, en la clasificación de las propias agrupaciones no sólo se reflejan coldspots y hotspots, sino que también se les otorga características de vecindad que los diferencian y caracterizan. Este método, en combinación con el anterior, permite profundizar en la naturaleza de los clústeres o agrupaciones de valores.

Para realizar este análisis, el proceso es similar al anteriormente descrito con el pluging Hotspot Analysis. En este caso, seleccionaremos la opción de Local Moran’s I. Seleccionaremos la capa y el atributo requerido.

El resultado se simbolizará de acuerdo a las reglas marcadas en la tabla anterior y podremos visualizar los distintos tipos de clúster evaluados por la herramienta. En el lienzo de mapa, visualizando el resultado obtendremos una vista similar a la siguiente.

Como se observa, evidentemente, también existe gran cantidad de zonas que no presenta significancia estadística y las áreas o comunas detectadas como hotspots coinciden con aquellas señaladas por Getis-Ord: existe una gran coincidencia.

Si quieres saber cómo analizar e interpretar los resultados obtenidos, puedes hacerlo a través de nuestro curso: Curso de Geoestadística Descriptiva e interpolación espacial en ArcGIS y QGIS

Autor: RemOT Technologies.

Artículo anteriorUna esperanza para los océanos: rebuilding de la vida marina
Artículo siguienteEspecies invasoras: alerta por la expansión del avispón asiático gigante
RemOT Technologies
RemOT Technologies es una empresa colaboradora de Geoinnova, especialista en desarrollo de aplicaciones GIS para la web, cartografía y análisis espaciales automatizados. Desarrolla visores web cartográficos, aplicaciones basadas en geolocalización y plugins y personalizaciones de QGIS para resolver problemas de distintos ámbitos, como por ejemplo la gestión de parcelas o la gestión de redes. RemOT ya ha trabajado en varios proyectos de desarrollo de la mano de Geoinnova y, además, también ha participado, entre otros proyectos como en el desarrollo del Atlas Nacional de España. Ha sido reconocida como una de las 100 mejores empresas geoespaciales del mundo en el año 2019 por Geoawesomeness, una de las 50 Startup españolas de futuro por la revista Emprendedores y posee el sello Pyme Innovadora del Ministerio de Ciencia Innovación y Universidades. En la parte dedicada a formación, Lucía Martínez, Marcos Gimeno y Miquel Febrer, imparten diversos cursos en la plataforma de Geoinnova.

Dejar respuesta

Please enter your comment!
Please enter your name here