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.
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.
fonte
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.
fonte