পরিসংখ্যানগতভাবে, তাপের মানচিত্রটি কীভাবে করা উচিত তা এখানে রয়েছে:
1) পয়েন্ট বৈশিষ্ট্য ইন্টিগ্রেট । একীকরণের ধারণাটি এমন পয়েন্টগুলি গ্রহণ করা যাগুলিকে কাকতালীয় বিবেচনা করা উচিত এবং সেগুলি একক অবস্থান হিসাবে একত্রিত করা হয়েছে। আমি নিকটতম প্রতিবেশী বিশ্লেষণ ব্যবহার করতে এবং সেখান থেকে একটি উপযুক্ত মান ব্যবহার করতে চাই । (উদাহরণস্বরূপ, কোনও ক্রাইম হিট ম্যাপ করার সময়, আমি অন্তর্নিহিত পার্সেল ডেটাসেটের জন্য অপরাধগুলির জিওকোড করা হয় যার জন্য গড় 1 ম নিকটতম প্রতিবেশী ব্যবহার করি)।
2) ইভেন্ট সংগ্রহ করুন । এটি আপনার সমস্ত ইন্টিগ্রেটেড পয়েন্টের জন্য একটি স্থানিক ওজন তৈরি করে। উদাহরণস্বরূপ, যদি আপনার একক স্থানে 5 ইভেন্ট থাকে তবে এটি ওজন সহ 5 পয়েন্ট হয়ে উঠবে This এটি পরবর্তী দুটি পদক্ষেপের জন্য প্রয়োজনীয়। যদি আপনাকে পুল করা ইভেন্টগুলিতে কোনও গুণকে সমষ্টি করতে হয়, অর্থাত্ বিভিন্ন ইভেন্টের ওজন বেশি থাকে, তবে আপনি এক-এক-এক স্থানিক যোগটি ব্যবহার করতে পারেন । লক্ষ্য হিসাবে 'সংগ্রহ ইভেন্ট' আউটপুট এবং যোগদানের বৈশিষ্ট্য হিসাবে আপনার মূল সংহত ইভেন্টগুলি ব্যবহার করুন। ক্ষেত্রের মানচিত্রের সংশ্লেষের নিয়মগুলি সংহত ইভেন্টগুলিতে অ্যাট্রিবিউটকে সংখ্যার সাথে সংযুক্ত করে সেট করে (সাধারণত আপনি একটি এসএমএম দিয়ে থাকেন, যদিও আপনি অন্যান্য পরিসংখ্যান ব্যবহার করতে পারেন)।
3) গ্লোবাল মুরানের আই ব্যবহার করে শিখর স্থানিক স্বতঃসংশোধন নির্ধারণ করুন । ঠিক যেমনটি বলা হয়েছে, আপনি যে বিশ্লেষণটি করছেন তার জন্য উপযুক্ত স্কেল অবলম্বনীয় স্বতঃসংশোধনের পিক ব্যান্ড নির্ধারণ করতে বিভিন্ন ব্যবধানে গ্লোবাল মুরান আই চালান। আপনার মুরানের আই পরীক্ষার জন্য প্রারম্ভিক সীমা নির্ধারণ করতে আপনি আপনার সংগৃহীত ইভেন্টগুলিতে আবার কাছের প্রতিবেশী চালাতে চাইতে পারেন। (যেমন প্রথম নিকটবর্তী প্রতিবেশীর জন্য সর্বাধিক মান ব্যবহার করুন)
4) গেটিস-অর্ডার জিআই * চালান । আপনার মুরানের আই বিশ্লেষণের উপর ভিত্তি করে একটি নির্দিষ্ট দূরত্ব ব্যান্ড ব্যবহার করুন বা উদাসীনতার অঞ্চল হিসাবে স্থির দূরত্ব ব্যান্ডটি ব্যবহার করুন। সংগ্রহ ইভেন্টগুলি থেকে আপনার স্থানিক ওজন আপনার সংখ্যা গণনা ক্ষেত্র। এটি আপনাকে আপনার সেটের প্রতিটি ইভেন্ট পয়েন্টের জন্য জেড-স্কোর দেবে।
5) চালান IDW * Getis-অধ্যাদেশ সিপাহী থেকে আপনার ফলাফলের বিরুদ্ধে।
এই ফলাফলটি আপনি কার্নেল ঘনত্বের সাথে যা পান তা থেকে উল্লেখযোগ্যভাবে পৃথক। এটি আপনাকে দেখিয়ে দেবে যে কার্নেল ঘনত্বের মতো ক্লাস্টারিংয়ের বিষয়টি বিবেচনা না করে যেখানে উচ্চতর মান এবং নিম্ন মানগুলি একসাথে ক্লাস্টার করা হয়।