Funktionsweise von "Raster zu gewichteten Punkten"

Mit Spatial Analyst-Lizenz verfügbar.

Das Werkzeug Raster zu gewichteten Punkten konvertiert eine kontinuierliche Raster-Oberfläche in eine repräsentative Anzahl von Punkt-Features, wobei die räumliche Verteilung und die relative Magnitude der zugrunde liegenden Werte erhalten bleiben. Kontinuierliche Raster werden verwendet, um räumliche Phänomene wie Dichte, Wahrscheinlichkeit, Eignung, Risiko, Erreichbarkeit und Umweltgradienten darzustellen. Viele Workflows in den Bereichen Analytik, Statistik, Simulation und maschinelles Lernen arbeiten jedoch mit Vektoreingaben. Dieses Werkzeug schließt diese Lücke, indem es eine strukturierte, werterhaltende Transformation von einer Raster-Datenstruktur zu einer punktbasierten Struktur ermöglicht.

Das Werkzeug ist als Mechanismus zur Darstellung und Referenzpunkterfassung konzipiert und nicht als Vorhersage- oder Inferenzmodell. Das Raster bleibt die verlässliche Informationsquelle. Die Ausgabepunkte sind eine abgeleitete Darstellung, die nachgelagerte Workflows ermöglicht, die diskontinuierliche räumliche Stichproben erfordern.

Vergleich mit gängigen Raster-zu-Vektor-Workflows

Bestehende Werkzeuge für die Raster-zu-Vektor-Konvertierung oder die Referenzpunkterfassung eignen sich zur direkten Konvertierung, kategorialen Zuordnung oder Beibehaltung einer ausgeglichenen räumlichen Abdeckung. Das Werkzeug Raster zu gewichteten Punkten ermöglicht eine werterhaltende, normalisierte und proportionale Referenzpunkterfassung aus kontinuierlichen Oberflächen.

Das Werkzeug Raster in Punkt erstellt einen Punkt pro Zelle und ignoriert die Magnitude, während das Werkzeug Zufällige Punkte erstellen Raster-Werte ignoriert. Das Werkzeug Räumlich ausgeglichene Punkte erstellen optimiert die Dispersion, behält jedoch die Magnitude von Werten nicht bei. Im Gegensatz dazu behält das Werkzeug Raster zu gewichteten Punkten räumliche Muster und Wertbeziehungen bei, unterstützt die Normalisierung und ermöglicht eine probabilistische und proportionale Referenzpunkterfassung für Modellierungs-, Simulations- und KI-Workflows.

In der folgenden Tabelle werden die unterschiedlichen Eigenschaften mehrerer Werkzeuge miteinander verglichen.

Merkmal	Werkzeug "Raster in Punkt"	Werkzeug "Zufällige Punkte erstellen"	Werkzeug "Räumlich ausgeglichene Punkte erstellen"	Werkzeug "Raster zu gewichteten Punkten"
Hauptzweck:	Direkte Punktkonvertierungen von Zelle zu Zelle	Einheitliche Zufallsstichproben	Gleichmäßige räumliche Abdeckung	Werterhaltende und größenproportionale Oberflächen-Referenzpunkterfassung
Verwendung von Raster-Werten:	Ja (als Attribute)	Nein	Indirekt	Ja (für räumliche Verteilung, Zuordnung und Attribute)
Beibehaltung der Struktur des Raster-Gitternetzes:	Ja	Nein	Nein	Nein
Beibehaltung der Magnitude:	Nein	Nein	Nein	Ja
Proportional zu Zellwerten:	Nein	Nein	Nein	Ja
Ein Punkt pro Zelle:	Immer	Nein	Nein	Optional
Kontrolle über die maximale Anzahl an Punkten:	Nein	Ja	Ja	Ja
Normalisierungsunterstützung:	Nein	Nein	Nein	Ja
Probabilistische Referenzpunkterfassung:	Nein	Nein	Ja	Ja
Flexible Punktplatzierungsmethoden:	Nein (nur Zellenmittelpunkt)	Nein (nur zufällig)	Optimierter Abstand	Ja (mehrere deterministische und stochastische Methoden)
Wertverteilung auf Ausgangspunkte:	Nein	Nein	Nein	Ja
Umgang mit NoData-Zellen:	Ja	Ja	Ja	Ja
Reproduzierbare Geometrie:	Ja	Nein	Optional	Optional
Für kontinuierliche Oberflächen geeignet:	Eingeschränkt	Nein	Eingeschränkt (Konvertierung in binäres Raster erforderlich)	Ja

Normalisierung

Raster-Werte können sehr unterschiedliche Dinge darstellen, darunter Zählungen, Intensitäten, Indizes, Wahrscheinlichkeiten oder kombinierte Werte. Selbst wenn zwei Raster dasselbe Phänomen darstellen, können ihre numerischen Bereiche und Verteilungen große Unterschiede aufweisen. Ohne Normalisierung können diese numerischen Merkmale die Punktzuordnung auf unbeabsichtigte Weise dominieren, was zu einer Überrepräsentation extremer Werte oder einer Unterrepräsentation aussagekräftiger Variationen führt.

Die Normalisierung bestimmt, wie Raster-Werte bei der Punktzuordnung, der Punktverteilung und in nachfolgenden Workflows interpretiert werden. Dabei bleibt das räumliche Muster der Oberfläche erhalten, und es werden auch keine Punkte verschoben. Die Normalisierung hat jedoch direkten Einfluss darauf, wie sich die resultierenden Punktattribute in nachgelagerten Analysen verhalten.

Außerdem dient die Normalisierung zur Vorbereitung der vom Raster abgeleiteten Werte für Workflows in den Bereichen Statistik, Modellierung und maschinelles Lernen. Bei vielen analytischen Methoden wird davon ausgegangen, dass die Eingaben begrenzt, vergleichbar oder annähernd standardisiert sind. Unverarbeitete Raster-Werte verletzen diese Annahmen oftmals, was zu instabilen Modellen, verzerrten Parameterschätzungen oder irreführenden Interpretationen führt.

Durch die Normalisierung wird sichergestellt, dass die Punktzuordnung und die nachgelagerte Analyse die analytische Absicht und nicht die unverarbeiteten numerischen Artefakte widerspiegeln.

Auswirkungen der Normalisierung

Die Normalisierung wandelt einen Raster-Zellenwert (x_i) in einen vorbereiteten Wert (x_i′) um, welcher anschließend für die Punktzuordnung und das Auffüllen der Ausgabeattribute verwendet wird. Dabei ist hervorzuheben, dass bei der Normalisierung wichtige strukturelle Eigenschaften des Rasters beibehalten werden. Die relative Reihenfolge der Werte bleibt in der Regel erhalten, d. h. Bereiche mit höheren Werten bleiben höher als Bereiche mit niedrigeren Werten. Das räumliche Muster der hohen und niedrigen Regionen bleibt unverändert. Nur der relative Einfluss der Werte auf die Zuordnung und die Analyse wird modifiziert. Oder praktisch ausgedrückt: Durch die Normalisierung wird gesteuert, wie stark sich Unterschiede zwischen den Zellen auf die Punktdichte und die analytische Gewichtung auswirken, und nicht, ob diese Unterschiede überhaupt vorhanden sind.

Verwendung von Normalisierung

Normalisierung ist erforderlich, wenn Eingabe-Raster-Werte nicht für eine direkte proportionale Zuordnung oder nachgelagerte Analyse geeignet sind. Dies ist häufig der Fall, wenn sich Raster-Werte über große numerische Bereiche erstrecken. Beispiel: Eine Dichteoberfläche mit Werten zwischen 1 und 10.000 bewirkt, dass die höherwertigen Zellen die Zuordnung dominieren, auch wenn die Unterschiede zwischen den hohen Werten keine analytische Bedeutung haben. Die Normalisierung moderiert diese Dominanz, sodass räumliche Muster gleichmäßiger dargestellt werden.

Die Normalisierung ist auch wichtig für stark verzerrte Verteilungen oder Verteilungen mit langen Ausläufern, die häufig im Zusammenhang mit Bevölkerungsdichte-, Kriminalitätsdichte-, Expositions- und Fließoberflächen auftreten. In derartigen Fällen erhalten die meisten Zellen nur wenige oder gar keine Punkte, während eine kleine Anzahl extremer Zellen fast alle Punkte aufnimmt. Durch die Normalisierung wird der Einfluss so umverteilt, dass moderate, aber wichtige Variationen nicht verloren gehen.

Wenn Punkte als Eingaben für statistische Modelle oder Modelle für maschinelles Lernen verwendet werden, verbessert die Normalisierung die numerische Stabilität, Vergleichbarkeit und Interpretierbarkeit. Viele Modelle gehen implizit von standardisierten oder begrenzten Eingaben aus; unverarbeitete Raster-Werte verletzen diese Annahmen oftmals, wodurch die Performance des Modells beeinträchtigt werden kann.

Und schließlich ist eine Normalisierung erforderlich, wenn mehrere Raster mit unterschiedlichen Einheiten oder Maßstabäen kombiniert oder verglichen werden, wie beispielsweise Bevölkerungsdichte, Erreichbarkeitsindizes, Umweltbewertungen oder Risikokennwerte.

Vermeidung von Normalisierung

Normalisierung sollte vermieden werden, wenn Raster-Werte bereits eine kalibrierte probabilistische oder physikalische Bedeutung haben, die erhalten bleiben muss. Wenn ein Raster beispielsweise wahre Wahrscheinlichkeiten oder empirisch validierte Intensitäten darstellt, kann die Normalisierung die Interpretation verzerren.

Eine Normalisierung sollte ebenfalls vermieden werden, wenn die absolute Magnitude entscheidend ist. Wenn eine Zelle tatsächlich die doppelte Menge einer anderen Zelle in realen Einheiten darstellt, kann diese Beziehung durch eine Normalisierung abgeschwächt werden, sodass wichtige Magnitudenunterschiede verschleiert werden.

Wenn es unerlässlich ist, die ursprünglichen Einheiten für die Berichterstellung oder die Interpretation beizubehalten, sollte die Normalisierung nur mit Vorsicht angewendet werden. Die Ausgabe-Punkt-Features enthalten sowohl normalisierte als auch ursprüngliche Zellenwerte, wenn Normalisierung angewendet wird.

Normalisierungsmethoden

Verwenden Sie den Parameter Normalisierungsmethode, um anzugeben, wie die Eingabe-Raster-Werte verarbeitet werden sollen, bevor das Werkzeug die Ausgabepunkte generiert. Die verfügbaren Optionen werden nachfolgend beschrieben.

Keine (Keine Normalisierung)

Die Eingabe-Raster-Werte werden direkt für die Punktzuordnung und Attributzuweisung verwendet. Der Einfluss jeder Zelle ist strikt proportional zu ihrem ursprünglichen Wert. Die numerische Bedeutung und die Einheiten des Rasters bleiben ohne Transformation erhalten. Diese Option setzt voraus, dass das Raster bereits angemessen skaliert, verteilt und analytisch sinnvoll für die nachgelagerte Nutzung ist.

Beispiele für Eingaben könnten eine Kerndichteoberfläche für Kriminalität oder Verkehrsunfälle oder von hydrologischen Modellen erzeugte Raster zur Hochwasserwahrscheinlichkeit sein.

Min-Max-Normalisierung

Mit der Normalisierungsoption Min-Max werden Raster-Werte erneut auf einen festen Bereich, typischerweise zwischen 0 und 1, skaliert.

\(x' = \large \frac{x - x_{\min}}{x_{\max} - x_{\min}}\)

• Dabei gilt:

  \(x'\) ist der neue, normalisierte Wert.

  \(x\) ist der ursprüngliche Zellenwert.

  \(x_{\min}\) ist der Minimalwert des gesamten Rasters.

  \(x_{\max}\) ist der Maximalwert des gesamten Rasters.

Bei der Transformation wird die relative Reihenfolge der Werte beibehalten, während der Einfluss extremer Werte begrenzt wird. Unterschiede zwischen niedrigen und hohen Werten bleiben sichtbar, aber es ist nicht möglich, dass eine einzelne Zelle die Zuordnung allein aufgrund des Maßstabs dominiert.

Diese Normalisierungsmethode eignet sich gut für Raster, die relative Werte oder Indizes darstellen. Für Raster, die physikalische Größen darstellen, ist sie weniger geeignet.

Beispiele für Eingaben könnten Eignungsindizes zur Flächennutzung sein, die sich aus Auswertungen mit mehreren Kriterien ergeben, oder Erreichbarkeitswerte zur Messung der Nähe zu Dienstleistungen oder Infrastruktur.

Z-Wert-Normalisierung

Die Normalisierungsoption Z-Wert drückt Raster-Werte in Bezug auf ihre Abweichung vom Mittelwert aus.

\(x' = \large \frac{x - \mu}{\sigma}\)

• Dabei gilt:

  \(x'\) ist der neue, normalisierte Wert.

  \(x\) ist der ursprüngliche Zellenwert.

  \(\mu\) ist der Mittelwert.

  \(\sigma\) ist die Standardabweichung.

Werte über dem Mittelwert werden positiv, Werte unterhalb des Mittelwertes negativ, und die Magnitude spiegelt wider, wie ungewöhnlich ein Wert im Vergleich zur Gesamtverteilung ist. Diese Transformation hebt die relative Abweichung statt der absoluten Magnitude hervor.

Diese Normalisierungsmethode empfiehlt sich insbesondere dann, wenn es darum geht, Anomalien oder Abweichungen von typischen Bedingungen zu identifizieren, anstatt darum, proportionale Beziehungen beizubehalten.

Beispiele für Eingaben könnten Raster zu Temperaturanomalien sein, die Abweichungen von Langzeit-Durchschnittswerten zeigen, oder Residuenflächen aus Regressions- oder Veränderungserkennungsmodellen.

Sigmoid-Normalisierung

Die Normalisierungsoption Sigmoid wendet eine logistische Funktion auf standardisierte Werte an.

\(x' = \large \frac{1}{1 + e^{-z}}\)

• Dabei gilt:

  \(x'\) ist der neue, normalisierte Wert.

  \(z\) ist der standardisierte Eingabewert.

  \(e\) ist die Eulersche Zahl (ungefähr 2,71828).

Die Transformation komprimiert extrem hohe und extrem niedrige Werte, während die Variation in der Nähe des Mittelpunktes der Verteilung erhalten bleibt. Sie reduziert die Empfindlichkeit gegenüber Ausreißern und erzeugt fließende Übergänge zwischen Bereichen mit niedrigem und hohem Einfluss.

Diese Normalisierungsmethode eignet sich, wenn ein allmählicher Übergang analytisch sinnvoller ist als scharfe Kontraste.

Beispiele für Eingaben für diese Transformation sind Indizes zur sozialen Vulnerabilität, bei denen das Risiko allmählich zu- und abnimmt, sowie Umweltsensitivitäts- oder Expositionsgradienten.

Softmax-Normalisierung

Die Normalisierungsoption Softmax konvertiert Raster-Werte in eine globale Wahrscheinlichkeitsverteilung.

\(x_i' = \Large \frac{e^{x_i}}{\sum_{j=1}^{K} e^{x_j}}\)

• Dabei gilt:

  \(i = 1, \ldots, K\) identifiziert jede Zelle, die in der Normalisierung enthalten ist.

  \(x_i'\) ist der neue, normalisierte Wert für Zelle \(i\).

  \(x_i\) ist der ursprüngliche Wert der Zelle \(i\).

  \(x_j\) ist der ursprüngliche Wert der Zelle \(j\) in der Nennersummierung.

  \(K\) ist die Gesamtanzahl der Zellen, die in der Normalisierung enthalten sind.

  \(e\) ist die Eulersche Zahl (ungefähr 2,71828).

Alle Werte werden positiv und zu 1 summiert, sodass die Zellen über das gesamte Raster hinweg um Einfluss konkurrieren. Zellen mit höheren Werten erhalten unverhältnismäßig höhere Gewichtungen, während Zellen mit niedrigeren Werte geringere Gewichtungen erhalten. Softmax bewirkt, dass sich die Gewichtungen gegenseitig ausschließen. Das bedeutet, dass durch die Erhöhung der Wahrscheinlichkeit einer Zelle die Wahrscheinlichkeit aller anderen Zellen verringert wird.

Diese Normierungsmethode ist besonders nützlich, wenn Auswahlen, Präferenzen oder Wahrscheinlichkeiten statt Magnituden modelliert werden.

Beispiele für Eingaben sind Präferenz- oder Attraktivitätsoberflächen für die Modellierung von Standorten oder Wahrscheinlichkeitsoberflächen, die in stochastischen oder agentenbasierten Simulationen verwendet werden.

Logarithmische Normalisierung

Die Normalisierungsoption Log reduziert die Schiefe durch Komprimierung großer Werte.

\(x' = \large \frac{\ln(x + C) - \ln(C)}{\ln(x_{\max} + C) - \ln(C)}, \quad C = |x_{\min}| + 1\)

• Dabei gilt:

  \(x'\) ist der neue, normalisierte Wert.

  \(x\) ist der ursprüngliche Zellenwert.

  \(x_{\min}\) ist der Minimalwert des gesamten Rasters.

  \(x_{\max}\) ist der Maximalwert des gesamten Rasters.

  \(C\) ist die als \(|x_{\min}| + 1\) definierte Verschiebungskonstante.

  \(\ln\) ist der natürliche Logarithmus.

Die Transformation verringert die Dominanz extremer Werte und behält gleichzeitig die Rangfolge und das räumliche Muster bei. Sie ist besonders effektiv für Raster, die eine Verteilung mit starken Ausläufern aufweisen, oder wenn Werte vorliegen, die mehrere Größenordnungen umfassen.

Mit dieser Normalisierungsmethode können wichtige Unterschiede zwischen niedrigen und moderaten Werten aufgedeckt werden, die andernfalls von extremen Werten überschattet würden.

Beispiele für Eingaben sind Raster zur Bevölkerungsdichte in Metropolregionen sowie Konzentrationsoberflächen zur Luftverschmutzung oder Exposition.

"Zu 1 summieren"-Normalisierung

Die Normalisierungsoption Zu 1 summieren konvertiert Raster-Werte in proportionale Gewichtungen.

\(x_i' = \Large \frac{x_i}{\sum_{j=1}^{K} x_j}\)

• Dabei gilt:

  \(i = 1, \ldots, K\) identifiziert jede Zelle, die in der Normalisierung enthalten ist.

  \(x_i'\) ist der neue, normalisierte Wert.

  \(x_i\) ist der ursprüngliche Zellenwert.

  \(\sum_{j=1}^{K} x_j\) ist die Summe aller ursprünglichen Zellenwerte, die in der Normalisierung enthalten sind.

Der Wert jeder Zelle gibt den jeweiligen Anteil am gesamten Raster-Wert an. Dadurch wird sichergestellt, dass Zuordnung und Analyse explizit massenerhaltend sind. Die resultierenden Werte können als Proportionen oder Wahrscheinlichkeiten interpretiert werden.

Diese Normalisierungsmethode ist besonders nützlich, wenn die durch das Raster dargestellte Gesamtanzahl bei den Ausgabepunkten beibehalten werden muss.

Beispiele für Eingaben sind Raster zur Bevölkerungs- und Beschäftigungsdichte, die für die Bedarfsmodellierung, die Ressourcenzuweisung oder die Ermittlung des Dienstleistungsbedarfs verwendet werden.

Entscheidungsbaum zur Auswahl einer Normalisierungsmethode

Verwenden Sie das folgende Diagramm, um zu bestimmen, welche Normalisierungsmethode für Ihre Analyse am besten geeignet ist.

Punktverteilung

Ziel der Zuordnung ist es, eine feste Gesamtanzahl an Punkten so über das Raster zu verteilen, dass die relative Magnitude der Zellenwerte widergespiegelt wird. Der Zuordnungsprozess ist global: Alle gültigen Raster-Zellen konkurrieren basierend auf ihren Werten um einen Anteil an der Gesamtanzahl an Punkten.

Angenommen, \(V_i\) ist der Raster-Wert von Zelle \(i\) und \(V_T = \sum_{i=1}^{K} V_i\) ist die Summe der Raster-Zellenwerte aller gültigen Zellen. Dies stellt die Gesamtmasse oder den Gesamteinfluss der Oberfläche dar.

\(P_{\max}\) ist die maximale Anzahl der für das gesamte Raster angeforderten Punkte. Hierbei handelt es sich um die maximale Anzahl der von Ihnen definierten Punkte und nicht um einen Grenzwert pro Zelle.

Die erwartete Anzahl der Punkte, die jeder Zelle zugeordnet wird, wird wie folgt berechnet:

\(P_i = P_{\max} \times \large \frac{V_i}{V_T}\)

• Dabei gilt:

  \(i = 1, \ldots, K\) identifiziert jede gültige Raster-Zelle.

  \(P_i\) ist die erwartete Anzahl der Punkte, die Zelle \(i\) zugeordnet sind.

  \(P_{\max}\) ist die maximale Anzahl der für das Raster angeforderten Punkte.

  \(V_i\) ist der Raster-Wert von Zelle \(i\).

  \(V_T\) ist der Gesamt-Raster-Wert aller gültigen Zellen.

Beispiel

Angenommen, ein Raster hat vier gültige Zellen mit folgenden Werten:

Cell	Wert (\(V_i\))
A	40
B	30
C	20
D	10

Daraus ergibt sich folgender Gesamtwert:

\(V_T = 40 + 30 + 20 + 10 = 100\)

Wenn maximal 50 Punkte angefordert werden:

\(P_{\max} = 50\)

Dann lautet die erwartete Punktzuordnung für jede Zelle folgendermaßen:

\(P_A = 50 \times \large \frac{40}{100} \normalsize = 20\)

\(P_B = 50 \times \frac{30}{100} \normalsize = 15\)

\(P_C = 50 \times \frac{20}{100} \normalsize = 10\)

\(P_D = 50 \times \frac{10}{100} \normalsize = 5\)

In diesem Fall ist jede Zuordnung eine ganze Zahl, sodass jede Zelle exakt diese Anzahl an Punkten erhält. In den meisten realen Fällen ist \(P_i\) jedoch keine ganze Zahl. Zuordnungen mit Bruchzahlen werden vom Werkzeug durch deterministische oder probabilistische Rundung aufgelöst.

NoData-Zellen sind von der Berechnung ausgeschlossen und tragen keinen Wert und keine Punkte bei. Wenn der Parameter Auf einen Punkt pro Zelle begrenzen aktiviert ist, wird die Zuordnung so begrenzt, dass jede Zelle ungeachtet des Wertes höchstens einen Punkt erhält.

Vorteile von Punktverteilungsmethoden

Die Punktverteilung steuert die räumliche Konfiguration des Ausgabepunkt-Datasets, nicht die Zuordnung (Anzahl). Unterschiedliche analytische Ziele erfordern unterschiedliche räumliche Anordnungen, um Cluster-Bildung von Artefakten zu vermeiden, Reproduzierbarkeit zu ermöglichen oder sensible Informationen zu schützen.

Bei der Platzierung geht es nicht nur um Visualisierung. Sie kann selbst bei identischer Anzahl die nachgelagerten Ergebnisse in Vektor-Workflows verändern, da viele Operationen von Punkt-zu-Punkt-Entfernungen und lokaler Geometrie abhängen (Cluster-Analyse, Entfernung zu 'Nächstgelegen', Voronoi-Flächenverteilung, Netzwerkzuordnung, räumliche Verbindung mit Entfernungsbeschränkungen usw.). Faktisch handelt es sich bei den Platzierungsmethoden um verschiedene Steuerungsmöglichkeiten, um vier miteinander konkurrierende Zielen zu verwalten:

• Reproduzierbarkeit. Dieses Ziel stellt sicher, dass bei jeder Werkzeugausführung mit identischen Eingaben dieselben Punktpositionen erzeugt werden.

• Unsicherheit und Simulationsrealismus. Dieses Ziel stellt unbekannte Positionen innerhalb der Zelle dar, indem Punkte über die Zelle verteilt werden, anstatt sie an einem einzigen Punkt zu fixieren.

• Räumliche Trennung. Dieses Ziel reduziert Punktüberlappungen und künstliche Cluster-Bildung, wenn mehrere Punkte innerhalb derselben Zelle platziert werden.

• Datenschutz und Verschleierung. Dieses Ziel verhindert, dass Punkte als genaue Positionen interpretiert werden, während räumliche Muster erhalten bleiben.

Die Punktverteilung bestimmt, wo die Punkte innerhalb einer Raster-Zelle platziert werden, nachdem die Anzahl der Punkte bereits festgelegt wurde. Sie hat keinen Einfluss darauf, wie viele Punkte einer Zelle zugeordnet werden, sondern steuert nur ihre Geometrie. Wichtige Unterscheidung: Bei der Zuordnung werden die Wertbeziehungen in der Oberfläche beibehalten, während durch die Platzierung festgelegt wird, wie sich die Darstellung bei der vektorbasierten Analyse verhält.

Angenommen, \(P_i\) ist die Anzahl der Punkte, die Raster-Zelle \(i\) zugeordnet sind. Wenn \(P_i = 1\), hat die Auswahl der Platzierung keine nennenswerten Auswirkungen. Je größer \(P_i\) wird, desto stärker wird der Einfluss der Platzierungsentscheidungen auf den Punktabstand, die Cluster-Bildung, die Reproduzierbarkeit und die Validität der nachgelagerten räumlichen Analyse.

Es gibt unterschiedliche Platzierungsmethoden, da es keine allgemeingültige Strategie für alle analytischen Ziele gibt. Das Werkzeug bietet daher mehrere Platzierungsoptionen, sodass Sie eine Methode auswählen können, die den Annahmen in Bezug auf Unsicherheit, Genauigkeit und analytische Absicht entspricht.

Punktverteilungsmethoden

Durch Punktverteilungsmethoden soll sichergestellt werden, dass die Geometrie der Ausgabepunkte mit der analytischen Annahme des Workflows übereinstimmt. Wenn pro Zelle nur ein Punkt erstellt wird, ist die Auswahl der Platzierung in der Regel ohne Bedeutung. Mit steigender Anzahl von Punkten pro Zelle wird die Auswahl einer geeigneten Verteilungsmethode unerlässlich, um künstliche Cluster-Bildung, Fehlinterpretationen oder analytische Verzerrungen zu vermeiden.

Im folgenden Abschnitt finden Sie detaillierte Informationen zu den verfügbaren Punktverteilungsmethoden und erfahren, wie Sie diese am besten in Ihren Workflows nutzen können.

• Zellenmittelpunkt: Alle einer Zelle zugeordneten Punkte werden im geometrischen Zentrum der Zelle platziert. Diese Methode ist einfach, deterministisch und vollständig reproduzierbar. Sie ist am besten geeignet, wenn nur ein Punkt pro Zelle generiert wird und wenn die Zellenausrichtung und Einfachheit wichtiger sind als der räumliche Realismus innerhalb der Zelle.

  Verwenden Sie diese Option, wenn pro Zelle ein Punkt erwartet wird oder wenn die genaue Position innerhalb der Zelle nicht relevant ist. Die Platzierung im Zellenmittelpunkt eignet sich am besten für einfache, reproduzierbare Ergebnisse, bei denen keine räumliche Genauigkeit innerhalb der Zelle erforderlich ist.

• Zufällig: Die Punkte werden unter Verwendung einer gleichmäßigen Verteilung nach dem Zufallsprinzip innerhalb der Zellumrandung platziert. Bei dieser Methode wird davon ausgegangen, dass das durch das Raster dargestellte Phänomen mit gleicher Wahrscheinlichkeit überall innerhalb der Zelle auftritt. Die zufällige Platzierung ist nützlich, wenn die genaue Position innerhalb der Zelle unbekannt ist, wenn es um die Darstellung von Unsicherheit geht oder wenn sensible Informationen anonymisiert werden müssen. Die Ergebnisse sind nur reproduzierbar, wenn ein fester, zufälliger Ursprung verwendet wird (über die Umgebung verfügbar).

  Verwenden Sie diese Option, wenn es um Unsicherheit, Simulation oder Datenschutz geht.

• Kreisförmig: Die Punkte werden gleichmäßig um einen kreisförmigen Mittelpunkt innerhalb der Zelle platziert. Durch diese Methode wird sichergestellt, dass mehrere Punkte visuell und räumlich voneinander getrennt sind, während sie nahe am Zellenmittelpunkt bleiben. Die Methode ist deterministisch und vermeidet die Überlappung, die bei der Platzierung im Mittelpunkt auftritt, wenn mehrere Punkte generiert werden. Die kreisförmige Platzierung dient in erster Linie der geometrischen Zweckmäßigkeit und ist kein statistisches Modell der räumlichen Verteilung.

  Verwenden Sie diese Option, wenn mehrere Punkte erwartet werden und eine reproduzierbare Geometrie mit gleichen Abständen erwünscht ist.

• Fibonacci-Linienraster: Die Punkte werden unter Verwendung einer Reihenfolge mit geringer Diskrepanz auf Basis des Goldenen Schnitts verteilt, um nahezu gleichmäßige Abstände zu erreichen. Diese Methode minimiert die Cluster-Bildung und die unidirektionale Verzerrung, ohne ein starres Gitternetz zu bilden. Sie ist deterministisch und erzeugt gut verteilte Punkte, selbst wenn viele Punkte innerhalb einer Zelle platziert werden. Die Platzierungsmethode "Fibonacci-Linienraster" ist nützlich, wenn eine räumliche Trennung ohne Zufälligkeit wichtig ist.

  Verwenden Sie diese Option, wenn viele Punkte pro Zelle erwartet werden und ein gleichmäßiger Abstand für die Analyse wichtig ist.

• Fibonacci-Spirale: Die Punkte werden unter Verwendung von Abständen auf Basis des Goldenen Schnitts entlang eines Spiralmusters angeordnet, das sich vom Zellenmittelpunkt aus nach außen ausdehnt. Diese Methode erzeugt nahezu gleichmäßige Abstände, während ein strukturiertes, wiederholbares Muster beibehalten wird. Im Vergleich zum Fibonacci-Linienraster hebt die Spirale die radiale Verteilung vom Mittelpunkt aus hervor. Sie eignet sich daher gut, wenn eine hohe Anzahl an Punkten vorhanden ist und visuelle Klarheit und konsistente Abstände erwünscht sind.

  Verwenden Sie diese Option, wenn eine deterministische Platzierung mit fließenden, sich gleichmäßig ausdehnenden Abständen bevorzugt wird.

• Flächentreue Voronoi-Diagramme: Die Zelle wird in flächengleiche Regionen unterteilt, und in jeder Region wird ein Punkt platziert. Bei dieser Methode wird der räumliche Abstand zwischen den Punkten maximiert, sodass Überlappungen und Cluster-Bildung vermieden werden. Sie ist deterministisch und eignet sich gut für entfernungsbasierte Analysen oder Nachbarschaftsanalysen, bei denen die Ergebnisse durch künstliche Nähe zwischen den Punkten verzerrt werden könnten.

Entscheidungsbaum zur Auswahl einer Punktverteilungsmethode

Verwenden Sie das folgende Diagramm, um zu bestimmen, welche Punktverteilungsmethode für Ihre Analyse am besten geeignet ist.

Ausgabe-Attributwerte

Folgende Attributwerte sind in jedem Ausgabe-Feature enthalten:

• Der ursprüngliche Raster-Zellenwert

• Der verteilte Wert

• Der normalisierte Wert (falls angewandt)

Das Feld OriginalValue erfasst den Eingabe-Raster-Zellenwert. Jeder Ausgabepunkt übernimmt den ursprünglichen Raster-Wert der Zelle, aus der er generiert wurde. Wenn mehrere Punkte aus derselben Zelle erstellt werden, übernehmen alle diese Punkte denselben ursprünglichen Raster-Wert.

Dieses Feld ist nützlich, wenn Raster-Werte aussagekräftige Mengen oder Indizes darstellen, wenn Punkte symbolische Darstellungen statt Brucheinheiten sind oder wenn für nachgelagerte Analysen der Maßstab der ursprünglichen Werte erforderlich ist.

Wenn eine Normalisierungsmethode ausgewählt wird, wird jedem Punkt der normalisierte Wert seiner Quellenzelle zugeordnet. Der genaue Feldname hängt von der ausgewählten Normalisierungsmethode ab. Mögliche Namen sind Norm_Log, Norm_ZScore, Norm_Sigmoid, Norm_Sum_to_1, Norm_Softmax, oder Norm_Min_Max.

Wie bei den ursprünglichen Werten erhalten alle aus derselben Zelle generierten Punkte denselben normalisierten Wert. Diese Option ist nützlich, wenn normalisierte Werte direkt als Attribute in Workflows für Modellierungen, Vergleiche oder maschinelles Lernen benötigt werden. Sie sorgt für Konsistenz zwischen der Punktzuordnung und den Punktattributen.

Das Feld DistributedValue erfasst den verteilten Wert. Wenn mehrere Punkte aus einer Zelle stammen, wird der Zellenbeitrag gleichmäßig auf alle Punkte verteilt. Wenn eine Zelle \(p_i\) Punkte erzeugt, erhält jeder Punkt den Wert \(\frac{1}{p_i}\), sodass die Summe der verteilten Werte innerhalb der Zelle 1 ergibt.

Diese Option ist für Workflows konzipiert, bei denen Punkte Bruchteile eines Gesamtwertes darstellen und nicht symbolische Kopien eines Wertes. Sie ist besonders nützlich für die proportionale Referenzpunkterfassung, massenerhaltende Workflows und simulationsbasierte Analysen.

Multipoint-Ausgabe

Der Parameter Multipoint-Ausgabe erstellen gibt an, wie Punkte, die aus derselben Raster-Zelle stammen, gespeichert werden. Er hat keinen Einfluss auf die Zuordnung oder Platzierung der Punkte.

Wenn der Parameter aktiviert ist, werden alle aus einer einzelnen Zelle generierten Punkte als ein Multipoint-Feature gespeichert. Attributwerte werden auf Feature-Ebene gespeichert und zusammen auf alle Komponentenpunkte angewendet. Diese Option reduziert die Feature-Anzahl unter gleichzeitiger Beibehaltung der Wertbeziehungen. Sie ist nützlich, wenn die Identität auf Zellenebene wichtiger ist als die individuelle Punktidentität.

Verwenden Sie diese Option für Folgendes:

• Verwalten sehr großer Punktausgaben

• Aufrechterhalten einer Struktur mit nur einem Feature pro Zelle

• Übergeben der Geometrie an Workflows, die Multipoint unterstützen

Wenn die Option nicht aktiviert ist, wird jeder Punkt als einzelnes Punkt-Feature gespeichert. Die Ausgabepunkte, die von derselben Zelle stammen, sind unabhängige Features mit identischen oder verteilten Attributwerten. Diese Option bietet maximale Flexibilität für vektorbasierte Analysen, räumliche Verbindungen, Entfernungsberechnungen und Workflows für maschinelles Lernen, bei denen einzelne Punktdatensätze erwartet werden.

Verwenden Sie diese Option für Folgendes:

• Nachgelagerte Analysen bei einzelnen Punkten

• Entfernungsbasierte Analysen oder Nachbarschaftsanalysen

• Workflows für maschinelles Lernen, bei denen ein Datensatz pro Punkt erwartet wird

Empfehlungen und Warnungen

In den folgenden Abschnitten werden wichtige Überlegungen zur Verwendung dieses Werkzeugs beschrieben.

Bedeutung des Eingabe-Rasters

Bevor Sie das Werkzeug verwenden, sollten Sie verstehen, was die Raster-Werte darstellen. Sie können Zählungen, Dichten, Wahrscheinlichkeiten, Indizes oder kombinierte Werte beschreiben. Jeder Wert hat andere Auswirkungen auf die Normalisierung, Verteilung und Interpretation.

Zum Beispiel ist bei Rastern, die kalibrierte Wahrscheinlichkeiten oder empirisch gemessene Größen darstellen, möglicherweise keine Normalisierung erforderlich. Die Anwendung einer Normalisierung ohne Verständnis der Rastersemantik kann zu Ergebnissen führen, die zwar numerisch korrekt, aber analytisch irreführend sind.

Abstimmung der Normalisierung auf die analytische Absicht

Wählen Sie den Parameterwert Normalisierungsmethode danach aus, wie die Punkte verwendet werden sollen, und nicht nur auf Basis des numerischen Bereichs der Raster-Werte.

Wenn das Ziel proportionale Darstellung ist, wie etwa die Verteilung von Bevölkerung oder Nachfrage, ist häufig die Normalisierungsoption Zu 1 summieren oder Min-Max angemessen. Wenn das Ziel Anomalieerkennung oder relative Abweichung ist, ist möglicherweise die Normalisierungsoption Z-Wert besser geeignet.

Vorsicht bei extremen Werten und verzerrten Verteilungen

Stark verzerrte Raster können dazu führen, dass eine kleine Anzahl von Zellen die Punktzuordnung dominiert. Dies spiegelt zwar möglicherweise die zugrunde liegenden Daten wider, kann aber auch wichtige Variationen in Regionen mit moderatem Wert verschleiern.

Die Normalisierungsoptionen Log und Sigmoid können diese Dominanz verringern und dabei räumliche Muster beibehalten. Eine übermäßige Komprimierung der Werte kann jedoch dazu führen, dass tatsächliche extreme Bereiche unterrepräsentiert werden. Das Gleichgewicht zwischen der Beibehaltung von Extremen und der Aufdeckung von umfangreicheren Mustern hängt von den analytischen Zielen ab.

Auswählen der Punktverteilungsmethoden basierend auf der Analyse, nicht auf dem Aussehen

Punktverteilungsmethoden haben nicht nur Einfluss darauf, wie Punkte visuell erscheinen, sondern auch darauf, wie sie sich in der nachfolgenden vektorbasierten Analyse verhalten. Wenn mehrere Punkte in einer Zelle platziert werden, können schlechte Platzierungsentscheidungen zu künstlicher Cluster-Bildung führen, die sich wiederum auf entfernungsbasierte Statistiken, Nachbarschaftsanalysen oder räumliche Verbindungen auswirkt.

Die zufällige Platzierung stellt Unsicherheit besser dar und eignet sich für Workflows, bei denen der Datenschutz gewahrt bleiben muss. Strukturierte Methoden wie die Fibonacci-basierte Platzierung und die flächentreue Voronoi-Platzierung werden empfohlen, wenn viele Punkte pro Zelle erwartet werden und räumliche Trennung wichtig ist.

Berücksichtigung von Reproduzierbarkeit und Zufälligkeit

Die zufällige Platzierung erzeugt konzeptionsbedingt Variabilität. Dies ist zwar für Simulationen, Unsicherheitsanalysen oder Anonymisierung nützlich, kann aber die Reproduzierbarkeit erschweren.

Die Ergebnisse können zwischen den einzelnen Ausführungen variieren, sofern sie nicht über die Umgebungseinstellung unter Verwendung eines festen Ursprungs gesteuert werden. Die deterministische Platzierung sorgt für Wiederholbarkeit. Sie ist die Methode der Wahl, wenn Ergebnisse überwacht, über mehrere Szenarien hinweg verglichen oder in Produktionsworkflows wiederverwendet werden müssen.

Interpretieren der Punkte als Darstellungen, nicht als Beobachtungen

Die von diesem Werkzeug generierten Punkte sind Darstellungen einer kontinuierlichen Oberfläche. Sie sind keine direkten Beobachtungen oder Ereignisse. Ihre Positionen werden durch Zuordnungs- und Verteilungslogik bestimmt, nicht durch gemessene Phänomene an genauen Koordinaten.

Es kann zu falschen Schlussfolgerungen führen, wenn Ausgabepunkte als beobachtete Daten (z. B. Ereignisse oder Messungen) behandelt werden.

Vorsicht bei der Begrenzung auf einen Punkt pro Zelle

Der Parameter Auf einen Punkt pro Zelle begrenzen vereinfacht die Ausgaben, unterdrückt aber Magnitudeninformationen, indem er Variationen in einer binären Vorhandensein- oder Fehlen-Darstellung zusammenfasst.

Diese Option ist zwar für einige Workflows zur Klassifizierung oder Referenzpunkterfassung nützlich, bietet aber keine Möglichkeit zur Darstellung von Intensitätsunterschieden zwischen Zellen.

Verwendung der ursprünglichen Zellenwerte zur Interpretation und Validierung

Die Beibehaltung der ursprünglichen Zellenwerte in den Ausgabeattributen verbessert die Transparenz und erleichtert die Validierung. Außerdem unterstützt sie nachgelagerte Überwachungen, Berichterstellungen und Modelldiagnosen.

Potenzielle Anwendungsbereiche

Zu den potenziellen Anwendungsbereichen dieses Werkzeugs zählen:

• Oberflächen zur Kriminalitätsdichte können in repräsentative Punkte konvertiert werden, um die Patrouillenplanung und Ressourcenzuordnung zu unterstützen und dabei gleichzeitig die räumliche Intensität beizubehalten. Die resultierenden Punkte ermöglichen Modellierungen und Szenariotests, ohne die genauen Orte offenzulegen, an denen Vorfälle auftreten.

• Raster zur Exposition von Krankheiten oder zu Infektionsrisiken können in probabilistische Punkte zur epidemiologischen Modellierung und Risikobewertung überführt werden. Diese Punkte behalten die relativen Expositionsmuster bei und können nahtlos in vektorbasierte demografische Daten oder Umweltdaten integriert werden.

• Oberflächen zur Bevölkerungsdichte können in synthetische Bedarfspunkte für Analysen zum Verkehrswesen und zur Infrastruktur umgewandelt werden. Jeder Punkt stellt einen Teil der zugrunde liegenden Bevölkerung dar und ermöglicht so eine netzwerkbasierte Erreichbarkeits- und Bedarfsmodellierung.

• Raster zur Lebensraum-Eignung können in repräsentative Punkte konvertiert werden, um die Verteilung der Arten zu modellieren und Planungen zum Naturschutz vorzunehmen. Die Punkte behalten die relative Eignung bei und unterstützen gleichzeitig die Integration mit Felddaten und Vorhersagemodellen.

• Klimaanomalie- oder Indexoberflächen können in standardisierte Punkte für räumliche Modellierungen und Workflows für maschinelles Lernen überführt werden. Dies ermöglicht eine effiziente Mustererkennung, Vorhersage und Unsicherheitsanalyse mittels vektorbasierter Workflows.

Zusammenfassung

Das Werkzeug Raster zu gewichteten Punkten bietet eine wissenschaftlich fundierte, strukturierte Möglichkeit, um kontinuierliche Raster-Oberflächen in repräsentative Punkt-Features zu konvertieren und dabei räumliche Muster und Wertbeziehungen beizubehalten.

Durch die Kombination aus optionaler Normalisierung, proportionaler Punktzuordnung und flexiblen Punktplatzierungsstrategien trägt das Werkzeug dazu bei, dass die Ausgabepunkte die zugrunde liegende Oberfläche auf eine numerisch stabile und analytisch sinnvolle Weise widerspiegeln. Dies ermöglicht es, Informationen kontinuierlicher Raster in vektorbasierte Workflows wie Modellierungen, Simulationen, Unsicherheitsanalysen und erweiterte räumliche Analysen einzubinden, ohne die räumlichen oder quantitativen Eigenschaften zu verlieren, die die Oberfläche informativ machen.

Zusätzliche Referenzen

• Baddeley, A., Rubak, E., und Turner, R. (2015). Spatial Point Patterns: Methodology and Applications. CRC Press.

• Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.

• Diggle, P. J. (2013). Statistical Analysis of Spatial and Spatio-Temporal Point Patterns. CRC Press.

• González, Á. (2010). "Measurement of Areas on a Sphere Using Fibonacci and Latitude–Longitude Lattices." Math Geosci, 42, 49–64. https://doi.org/10.1007/s11004-009-9257-x

• Jain, A. K., Nandakumar, K., und Ross, A. (2005). Score normalization in multimodal biometric systems. Pattern Recognition.

• Niederreiter, H. (1992). Random Number Generation and Quasi-Monte Carlo Methods. SIAM.

Verwandte Themen

• Überblick über das Toolset "Dichte"