O manual do GRASS lê:
v.kernel - Gera um mapa de densidade raster a partir de dados de pontos vetoriais usando um kernel Gaussiano isotrópico 2D em movimento ...
Ok, mas como interpreto os resultados? Entendo que o v.kernel é a função mais avançada que o v.neighbor, mas não tenho certeza sobre quais vantagens ele tem.
Respostas:
Os resultados estimam pontos por unidade de área. Como verificação, você deve multiplicar os valores de densidade pela área de uma célula e somar esses valores na grade: o total deve ser igual à soma dos dados originais. (Esses dois valores geralmente diferem por duas razões: efeitos de contorno e imprecisão numérica. Os efeitos de contorno ocorrem porque o mapa de densidade pode espalhar dados para fora da borda do mapa e esses valores não são recuperados da grade de densidade. Mas as diferenças devem ser pequeno.)
Uma imagem que usei nas aulas pede aos alunos que imaginem o núcleo como um balde de areia: você eleva o balde em um ponto, permitindo que a areia caia. A queda mal ocorre em meias larguras curtas, mas é extensa para larguras de banda grandes (talvez a areia seja mais úmida ;-). Independentemente disso, sempre há a mesma quantidade de areia restante, não importa como ocorram quedas. Agora despeje um balde no local de cada ponto (ou, de maneira mais geral, se houver um valor positivo x associado a cada ponto de dados, primeiro coloque uma quantidade de areia no balde proporcional a xe depois despejar). A areia cai. Ele se acumula em áreas onde há muitos baldes. A grade de densidade fornece a altura da areia empilhada no centro de cada célula da grade. Multiplicar isso pela área de uma célula estima o volume de areia que ocupa cada célula. A soma desse volume de células em qualquer região (como um bloco de Censo) estima o volume total de areia nessa região, que representa a quantidade total de quantidade x que você acha que está na região.
Você já viu o web book de Análise Geoespacial ? Eles têm uma seção bastante detalhada sobre a densidade de pontos , que abrange as funções gaussianas. Mesmo em geral, sinto que é um recurso muito útil.
Aqui está uma maneira muito simplificada de pensar sobre isso:
Imagine um alvo de dardos com vários anéis irradiando do centro. Em cada local no resultado, uma pontuação é calculada colocando o alvo sobre o local e vendo onde os pontos de vetor estão no alvo. A partir disso, a pontuação é registrada e a varredura é feita.
Existem muitas variáveis em como isso é calculado:
- o tamanho do alvo (o kernel)
- a forma do alvo (2D isométrico ou 'o mesmo em todas as direções em x / y', isto é, um círculo plano)
- a maneira como o alvo atribui pontos (Gaussiano implica uma distribuição 'normal', ou seja, pontuações mais altas à medida que o ponto se aproxima do centro, em forma de sino)
A vantagem é que ele computará uma versão muito mais suave sem saltos grandes (descontínuos) que podem receber informações com um raio mais amplo e consistente. Também será menos afetado pelas diferenças de tamanho / formato das áreas utilizadas.
Pense em usar os vizinhos mais próximos em municípios: na costa leste, eles são muito menores que o Centro-Oeste, mas o número de vizinhos é semelhante e afetou amplamente a geometria do limite. Qual é mais denso? Se o raio do seu kernel for de 80 quilômetros, você obteria uma resposta muito diferente que descrevesse sua densidade relativa com muito mais precisão.