Gruppieren Sie Polygon-Features nach einer Reihe von Spezifikationen

Ich habe zwei verschiedene Polygon-Features (398 Zensus-Traktate und 80 Postleitzahlen), die jeweils zu einem größeren Feature (einem US-Bundesstaat) zusammengefasst werden. Obwohl Zensusdaten kleiner als Postleitzahlen sind, werden Postleitzahlen nicht zusammengefasst (dh innerhalb der Postleitzahlen verschachtelt).

Meine Frage: Gibt es eine Methode / ein Tool, das ArcGIS oder QGIS (oder eine andere Software) verwendet, um die 398 Zensus-Traktate und die 80 Postleitzahlen zu 10 Polygon-Features zu gruppieren und gleichzeitig den Unterschied zwischen zwei resultierenden Sätzen von 10 Polygon-Features zu minimieren?

Zur Verdeutlichung möchte ich die 398 Gebiete -> 10 Merkmale und dann die 80 Postleitzahlen -> 10 Merkmale separat gruppieren, sodass ich zwei unterschiedliche Sätze von jeweils 10 Merkmalen habe. Ich möchte diese Gruppierung optimieren, damit die Überlagerung zwischen diesen beiden Sätzen maximiert wird (dh die Nichtübereinstimmung minimiert wird).

Hier ist ein Bild, das zeigt, was ich erreichen möchte:

arcgis-desktop polygon

— Eli Kern
quelle

Gibt es sowieso ein Beispiel (Bild, Zeichnung usw.), wie die endgültige Ausgabe aussehen soll? Ich kann es mir nur schwer vorstellen.

— Landocalrissian

Möchten Sie auch Kriterien wie "die Polygone sollten ungefähr gleich groß sein"? Ich kann mir günstig vorstellen, die 9 kleinsten Postleitzahlen zu finden, die in etwa mit den Zählungsdaten übereinstimmen, und den großen Rest als zehntes Polygon zu bezeichnen.

— Phloem

Danke Phloem für deinen Kommentar. Ich würde zwar gerne verschiedene Kriterien festlegen, wollte aber die Fragen nicht komplizieren. Zum Beispiel wäre es schön, in jedem der 10 Polygone ein Kriterium für eine Mindestpopulation festzulegen. Was ich gerne hätte, ist ein Tool / eine Methode, die eine Liste möglicher Lösungen zum Gruppieren von CTs und ZIPs in diese 10 Gruppen erstellen und dabei bestimmte Parameter erfüllen könnte. Dann könnte ich die Lösungen manuell auf Merkmale überprüfen, die möglicherweise nicht automatisiert werden können (z. B. keine Stadtgrenzen überschreiten).

— Eli Kern

Was ich verstanden habe, brauchen Sie zwei Schichten (ZIP und Tract) identisch. Angenommen, Sie möchten, dass die Form von Tracts wie ZIP aussieht. Entfernen Sie dann die Geometrie von Tracts und erstellen Sie einen Layer, der mit ZIP identisch ist. Übertragen Sie die Attribute von Tracts in diesen neu erstellten Layer für Tracts. Dann sehen ZIP- und Tracts-Layer gleich aus. Konvertieren Sie dazu den Layer "Tracts" in den Layer "Point" und führen Sie die Analyse "Update" oder "Identity" (ich schlage vor, da es sich um eine zerstörungsfreie Analyse handelt) aus. Jetzt haben wir ZIP- und Tracts-Layer mit derselben Geometrie, aber unterschiedlichen Attributen (dh von Tracts).

— Islam

Ich kenne keinen einfachen Weg (zB ein vorhandenes Tool) für diese Aufgabe. Und ich bezweifle, dass die Erstellung eines solchen Dokuments schneller wäre als die manuelle Bearbeitung einer Eingabe dieser Größe.

— Jan Šimbera

Da es keinen klaren oder einheitlichen Weg gibt, die resultierenden Polygone zu definieren, müssen Sie sie meines Erachtens zuerst erstellen, je nachdem, wie Sie es für richtig halten. Verwenden Sie dazu die Überblendung eines beliebigen (vorhandenen oder abgeleiteten) Attributs auf der Ebene der Volkszählung oder der Postleitzahlen.

Sobald Sie die resultierenden Polygone haben, überlagern Sie (schneiden Sie) jede der Ebenen damit, führen Sie eine weitere Überblendung durch und berechnen Sie Ihre Statistiken für andere Attribute.

— Matej
quelle

Wenn Sie die Informationen der Postleitzahlen und der höheren Hierarchie in Ihrer Datenbank haben, können Sie dies tun, indem Sie die Spaltenwerte zusammenfassen und ein neues Shapefile erstellen.

— ashish kumar
quelle

Es scheint mir, dass Sie die Zensus-Traktate in 10 Cluster gruppieren möchten, mit der Einschränkung, dass die Traktate in jedem Cluster benachbart sind. In diesem Fall können Sie die Python-Bibliothek clusterPy verwenden, die verschiedene Algorithmen für räumlich begrenztes Clustering implementiert.

— Behrouz Babaki
quelle