ArcGIS Blog
  • ArcGIS Online
  • ArcGIS Pro
  • ArcGIS Enterprise
  • ArcGIS Living Atlas
  • ArcGIS Developer
  • Apps
  • ArcGIS Online
  • ArcGIS Pro
  • ArcGIS Enterprise
  • ArcGIS Living Atlas
  • ArcGIS Developer
  • Apps
Schlagwörter
3D Administration Analyse Ankündigungen Außendienst Big Data Bilddaten Data & Location Services Datenaufbereitung Datenmanagement Datenschutz Deep Learning Design und Planung Digital Twin Drohnen Entscheidungshilfe Event Freigabe und Zusammenarbeit GeoAI Integration IoT Lizenzierung Lösungen Machine Learning Neuerungen Patches Realtime-Analytics Schulung Sicherheit Skripting Tipps & Tricks Tutorials Virtualisierung Visualisierung
  • ArcGIS Online
  • ArcGIS Pro
  • ArcGIS Enterprise
  • ArcGIS Living Atlas
  • ArcGIS Developer
  • Apps
News
  • ArcGIS Pro

Clusteranalysen in ArcGIS Pro oder wie die Schweiz zu neuen Kantonsgrenzen kommt

  • 6. Februar 2023
  • Manuela Oberholzer
Total
0
Shares
0
0
0
0

Die Machine Learning Algorithmen in ArcGIS Pro gruppieren wir grob in die drei Kategorien: Regression, Klassifizierung und Cluster-Bildung. In diesem Beitrag stellen wir Ihnen verschiedene Clusteranalysen von Objekten vor.

Bei der Cluster-Bildung geht es um das Gruppieren von Objekten. ArcGIS Pro stellt Werkzeuge für die räumliche Cluster-Bildung, für die attribut-basierte Cluster-Bildung und für eine Kombination dieser beiden Anforderungen, die räumlich eingeschränkte Cluster-Bildung, zur Verfügung. Wir schauen uns nun je ein Beispiel an.

Räumliche Cluster-Bildung

Mit der räumlichen Cluster-Bildung kann beispielsweise die Frage beantwortet werden: Wo häufen sich bestimmte Ereignisse beispielsweise Unfälle oder Einbrüche? In der Abbildung 1 sind die Straßenverkehrsunfälle in der Schweiz der Jahre 2011 bis 2021 visualisiert. Wir möchten herausfinden, an welchen Kreuzungen sich diese häufen, um dort Maßnahmen zur Prävention umsetzen zu können. Eine visuelle Analyse ist bei dieser Menge an Informationen nicht zielführend, deshalb verwenden wir das Werkzeug Density-based Clustering mit dem dbscan-Algorithmus. Dieser Algorithmus ist besonders dafür geeignet, kleinräumige Phänomene zu identifizieren, die immer dieselbe Dichte haben.

Abbildung 1: Straßenverkehrsunfälle von 2011 bis 2021.
Abbildung 2: Density-based Clustering mit dbscan.
Abbildung 3: Resultat der räumlichen Cluster-Bildung.
Abbildung 4: Zoom auf eine Straßenkreuzung.

Im Werkzeug Density-based Clustering sind des Weiteren die Algorithmen hdbscan und optics verfügbar, die bei einem Phänomen mit variierender Dichte Vorteile bieten.

Attribut-basierte Cluster-Bildung

In einem anderen Anwendungsfall beschäftigen wir uns mit den Resultaten der letzten Nationalratswahlen der Schweiz, denn sie sind ein guter Proxy für eine Marktanalyse. Wir wollen herausfinden, welche Gemeinden sich bezüglich ihrer politischen Ausrichtung, bezogen auf die Parteistärken, ähnlich sind.

Abbildung 5: Parteistärken der CVP, FDP, SVP und SP der Nationalratswahlen 2019.

Auch hier ist eine visuelle Interpretation schwierig, weshalb wir das Werkzeug Multivariate Clustering für die Analyse verwenden. Dieses Werkzeug gruppiert Objekte basierend auf ihren Attributwerten. Die Position der Objekte wird nicht berücksichtigt. Wir verwenden den kmeans-Algorithmus, welcher eine Lösung sucht, bei der die Objekte in einem Cluster sich möglichst ähnlich sind und die Cluster untereinander möglichst unterschiedlich.

Als Resultat wird eine Karte erstellt, in der jede Gemeinde einem Cluster zugeordnet wird. In einem ersten Schritt können so räumliche Muster erkannt werden. Da die Zuordnung zu einem Cluster an sich noch nicht sehr aussagekräftig ist, wird im Analyseprozess zusätzlich ein Box-Plot erstellt. So können die Charakteristiken der einzelnen Cluster untersucht werden.

Abbildung 6: Resultat der multivariaten Cluster-Bildung.

Daraus ist zum Beispiel ersichtlich, dass die Parteistärke der CVP im orangen Cluster überdurchschnittlich hoch ist, die Parteistärke der SVP im Durchschnitt liegt und alle weiteren Parteien unterdurchschnittlich vertreten sind.

Räumlich eingeschränkte multivariate Cluster-Bildung

Die letzten beiden Beispiele haben gezeigt, wie wir Objekte räumlich oder attribut-basiert gruppieren können. Nun kann man diese beiden Ansätze auch kombinieren, das heißt die Objekte attribut-basiert gruppieren mit der Einschränkung, dass sie räumlich zusammenhängend sind. Dies führt uns zu der nicht ganz ernst gemeinten Frage, wie die Kantonsgrenzen denn verlaufen würden, wenn die politische Gesinnung ausschlaggebend wäre.

Um diese letzte Frage zu beantworten, verwenden wir das Werkzeug Spatially Constrained Multivariate Clustering. Wie es also aussieht, wenn ein Algorithmus die Kantonsgrenzen zieht, sehen wir in dieser Abbildung:

Abbildung 7: Neue Kantonsgrenzen für die Schweiz.

Bei der Interpretation der Resultate ist zu berücksichtigen, dass das Ergebnis einer attribut-basierten Clusteranalyse natürlich nicht gleich gut ist, wenn eine räumliche Einschränkung besteht. Die räumliche Einschränkung, dass Objekte zusammenhängend sein müssen, verunschärft in den meisten Fällen das Resultat einer attribut-basierten Cluster-Bildung.

Lizenzierung

Die hier vorgestellten Werkzeuge sind in der Spatial Statistics Toolbox integriert und mit einer ArcGIS Pro Basic Lizenz verfügbar.


Total
0
Shares
Share 0
Tweet 0
Share 0
Share 0
Related Topics
  • Analyse
  • Entscheidungshilfe
  • Machine Learning
Manuela Oberholzer

Ich bin Geografin mit Leib und Seele und am liebsten in den Bergen unterwegs. Mein ursprünglicher Fokus lag deshalb auf der Glaziologie und Geomorphologie. Da ich meine Projekte immer auch mit GIS durchgeführt habe, hat sich mein Fokus immer mehr in diese Richtung verlagert. Bei Esri beschäftige ich mich mit den sehr spannenden Themen Advanced Spatial Analytics und Real-Time.

Voriger Artikel
  • ArcGIS Enterprise
  • ArcGIS Online
  • ArcGIS Pro

Tipps & Tricks #1: Die Hierarchietabelle der Rückwärts-Geokodierung

  • 1. Februar 2023
  • Sascha Esser
Weiterlesen
Nächster Artikel
  • Apps
  • ArcGIS Enterprise
  • ArcGIS Online
  • ArcGIS Pro

Tipps & Tricks #2: Schatten, aber richtig!

  • 8. Februar 2023
  • Gregor Radlmair
Weiterlesen
Dir könnte auch gefallen
Weiterlesen
  • ArcGIS Pro

​​Tipps & Tricks #8: Lizenzen und Portale in ArcGIS Pro

  • Linda Klapschus
  • 22. März 2023
Weiterlesen
  • ArcGIS Pro

Tipps & Tricks #7: Rasterdatenverwaltung mit Mosaik Datasets

  • Ralf Schüpferling
  • 15. März 2023
Verteilung von Graffiti im Untersuchungsgebiet mit Hot- und Cold-Spots auf der vertikalen Zeitachse
Weiterlesen
  • ArcGIS Pro

Raum-Zeit-Analyse

  • Hans Ziegltrum
  • 7. März 2023
Gebäude mit digitalisierten Points of Interest
Weiterlesen
  • ArcGIS Pro

Digitalisierung geschossbezogener Karten für ArcGIS Indoors

  • Nico Ehrig
  • 6. März 2023
Bild zeigt aufgehende Sonne
Weiterlesen
  • ArcGIS Pro

​​Jetzt noch besser: ArcGIS Pro 3.1 ist da!​

  • Sascha Esser
  • 3. März 2023
Hexagon mit Karten und Datenlayern
Weiterlesen
  • ArcGIS Developer
  • ArcGIS Enterprise
  • ArcGIS Online
  • ArcGIS Pro

Die Open Vision von Esri für smarte Städte und Kommunen

  • Thomas Koblet
  • 28. Februar 2023
Weiterlesen
  • ArcGIS Pro

Tipps & Tricks #4: Importieren von NAS-Daten in ArcGIS Pro

  • Konstantinos Vitsaras
  • 22. Februar 2023
Weiterlesen
  • ArcGIS Pro

Tipps & Tricks #3: Tastenkombinationen in ArcGIS Pro

  • Marianne Rüegsegger
  • 15. Februar 2023
ArcGIS Blog
  • Autor:innen
  • Impressum
  • Datenschutz
Alles zu ArcGIS - direkt aus erster Hand von Esri Deutschland.

Gib dein Suchwort ein und drücke Enter.