Denna studie ger förslag på hur metoden Getis Ord Gi* kan användas för att analysera geografiskt data, hitta mönster och visualisera resultatet. I studien ges också förslag på hur ingångsvärden till metoden bör väljas och hur de påverkar den resulterande visualiseringen. Metoden kan användas till att analysera ett antal incidenter eller ärenden som är utspridda över ett större geografiskt område. Metoden skulle då kunna användas till att ge svar på om det förekommer problemområden (kluster) av något slag inom området. Istället för att fokusera på varje enskilt fall skulle det då gå att samordna insatser i de områdena och till exempel få en kostnadseffektivare hantering. De ingångsvärden som har undersökts är storlek på sökfönster samt metod för aggregering av data. Som testdata i studien används trädärenden inkomna till Gävle kommun under åren 2010-2013. De frågeställningar som besvaras är: 1) Hur påverkas den resulterande visualiseringen av klusteranalysen om punktdata aggregeras som sammanfallande punkter, överlagras mot ett rutnät eller överlagras mot stadsdelspolygoner? 2) Hur påverkas den resulterande visualiseringen av klusteranalysen om sökfönstrets storlek väljs så att endast varje punkts omedelbara närområde tas med eller om storleken sätts så att varje punkt har minst en granne inom sökfönstret? 3) Hur bör parametrarna aggregering av data och storlek på sökfönster väljas för att visualisera kluster i storleken kvarter till stadsdel? Resultatet visar att det är viktigt att verkligen tänka igenom vilken fråga som ska besvaras med Getis Ord Gi* analysen och välja ingångsvärden efter frågan. Den här studien ger exempel på flera typfall och rekommendationer för hur värden bör väljas i de olika fallen. I fallet med testdatat visar resultatet att metod B1 (Överlagring av punkter mot ett rutnät och en sökfönsterradie på 300 meter) ger den tydligaste visualiseringen. Aggregeringen mot rutnät gör att effekten av många punkter på enstaka adresser jämnas ut och kluster i storleksordningen kvarter framträder tydligt. Diskussionen belyser hur effekter som befolkningstäthet och studieområdets geografi kan komma att påverka resultatet. / In this study, suggestions are given for how the method Getis Ord Gi* can be used to analyze geographic data, find patterns and visualize results. Guidelines are also given for selecting parameters and how the parameters affect the visualization of the results. The method can be used to analyze the number of incidents spread over a large geographic area. The method allows users to identify concentrations of incidents. By focusing on concentrations instead of single incidents, municipalities and other agencies can more effectively respond to the needs of its citizens. The parameters that have been evaluated are search window distance band and the aggregation of data. Citizen service requests to the municipality of Gävle regarding trees during the years 2010 to 2013 have been used as test data. The research questions are as follows: 1) How is the visualization of the results affected if data is aggregated as coincident points, overlaid on a grid or overlaid on district polygons? 2) How is the visualization of the results affected if search window distance band is selected to incorporate only near surrounding points or to set to a distance where every point has at least one neighbor? 3) How should the parameters data aggregation and search window distance band be set to visualize data clusters by the size of blocks up to districts? The findings of this study emphasize the importance of selecting parameters based on the question at hand. Several cases and guidelines for selecting parameters are outlined. The results show that method B1 (data overlaid on a grid and a search window distance band of 300 meters) gives the clearest visualization of clusters for the test data. Data overlaid on grid smoothers the effect of many incidents on single addresses and the resulting clusters are about the size of city blocks. The discussion part emphasizes how effects as the population density and the geography in the study area may affect the reulting visualisation.

Spatial analysis methods used for detecting, interpolating or predicting local patterns require a delineation of a neighbourhood defining the extent of spatial interaction in geographic data. The most common neighbourhood delineation techniques include fixed distance bands, k-nearest neighbours, or spatial adjacency (contiguity) matrices optimized to represent spatial dependency in data. However, these standard approaches do not take into consideration the geographic or environmental constraints such as impassable mountain ranges, road networks or coastline barriers. Specifically, complex marine landscapes and coastlines present common problematic neighbourhood definitions for standard neighbourhood matrices used in the spatial analysis of marine environments. Therefore, the goal of our research is to present a new approach to constraining spatial neighbourhoods when conducting geographical analysis in marine environments. To meet this goal, we developed methods and software (COnstraining SpatIal NEighbourhoods - COSINE) for modifying spatial neighbourhoods, and demonstrate their utility in two case studies. Our method enables delineation of neighbourhoods that are constrained by coastlines and the direction of marine currents. Our software calculates and evaluates whether neighbouring features are separated by land, or are within a user defined angle that excludes interaction based on directional processes. Using decision rules a modified spatial weight matrix is created, either in binary or row-standardized format. Within open source software (R), a graphical user interface enables users to modify the standard spatial neighbourhood definition distance, inverse distance and k-nearest neighbour. Two case studies are presented to demonstrate the usefulness of the new approach for detecting spatial patterns: the first case study observes marine mammals’ abundance and the second, oil spill observation. Our results indicate that constraining spatial neighbourhoods in marine environments is particularly important at larger spatial scales. The COSINE tool has many applications for modelling both environmental and human processes. / Graduate / 0463 / 0366 / suarezc@uvic.ca

No description available.

No description available.

No description available.

No description available.