摘要: 从 GIS 的角度来看,热图是一种显示现象地理聚类的方法, 热图显示更高密度的地理实体的位置。热图是一种很常见的图,其基本原则是用颜色代表数字,让数据呈现更直观、对比更明显。常用来表示不同样品组代表性基因的表达差异、不同样品组代表性化合物的含量差异、不同样品之...
从 GIS 的角度来看,热图是一种显示现象地理聚类的方法, 热图显示更高密度的地理实体的位置。热图是一种很常见的图,其基本原则是用颜色代表数字,让数据呈现更直观、对比更明显。常用来表示不同样品组代表性基因的表达差异、不同样品组代表性化合物的含量差异、不同样品之间的两两相似性。实际上,任何一个表格数据都可以转换为热图展示。热图是一种在地理上可视化位置的方法,以便可以出现高于平均发生率的模式,例如犯罪活动、交通事故或商店位置等。
如何创建热图
创建热图的其中一种方法是通过对离散点进行插值来创建称为密度表面的连续表面。计算密度表面时,必须确定会影响结果的三个主要参数: 栅格数据像元大小、搜索半径和插值计算类型。
单元格大小
假设输出是栅格文件,则单元格大小将是根据所得密度表面的粗糙度来决定细节程度的决定因素。单元尺寸越大,对所得表面层的阶梯效应就越大。相反,较小的单元尺寸会产生更平滑的表面,但处理时间会更长,并且会导致文件更大。因此建议将单元大小设置在每个密度单位 10 到 100 个单元之间。
搜索半径
带宽或搜索半径是要设置的第二个参数。搜索半径是 GIS 软件将考虑到密度计算的每个单元周围的区域。将搜索半径设置得太小,密度模式将被限制在点要素的直接区域。将搜索半径设置得太大,密度模式将变得过于笼统。
插值计算的类型
第三个参数是用于插值密度表面的计算类型。最简单的计算是对搜索半径内的特征进行直接计数。更常见的计算是使用加权计算,例如反距离加权 (IDW)。与距离较远的特征相比,IDW 为最接近起始单元的特征分配更多权重。换言之,给定点的权重与其与插值单元的距离成反比。
热图示例
利用梯度可视化生成的密度表面,从而可以轻松识别最高密度(或热点)的区域。例如,下面的热图显示了美国各地 GIS 工作列表的高密度区域。

红色越深, 代表 GIS 职位列表的密度越高。该地图对于突出显示美国内具有较高工作列表密度的区域集群非常有用。热图在执法机构的犯罪预防计划中特别受欢迎,因为能够识别出可识别的较高犯罪活动的地理集群,从而可以更智能地将警察资源部署到犯罪率高的地区。
显示“旅游”的热图
除了犯罪地图之外,热图的创建还有其他应用。在上面的示例中,根据上传到 Flickr 的地理标记图像,创建了一个热图来显示全球“旅游”情况。黄色表示由摄影师拍摄照片集中度最高的区域。红色表示中等“旅游”区域,蓝色表示最低级别。
上传照片密度最高的区域可以立即识别为欧洲、美国沿海地区以及亚洲最引人注目的地区 (可在 Google Maps 中查看旅游地图或 从 Heinla 的网站 下载 KML 文件,并提供用于创建叠加层的 Python 脚本)。

热图工具
Heatmap.py 是一个 Python 脚本,用于根据坐标数据生成热图。gheat 为热图图层实现了地图切片服务器。顾名思义,HeatMapAPI 是一种将热图图像集成到 Google 地图中的 API(具有有限的免费和许可版本)。Google Fusion Tables 具有热图功能,可作为地理数据可视化选项的一部分。heatmap.js 利用 Patrick Wied 创建的 html5 画布元素生成 Web 热图。该页面有使用演示,包括 Google Maps 和 OpenLayers 演示。