Coğrafi verileri nokta konumuna ve ilişkili nokta değerlerine dayalı olarak kümeleme

Bu noktanın boylam, enlem ve üçüncü özellik değeri olan veri noktaları verildi. Puanları özellik değerine göre nasıl gruplara ayırabilirim (coğrafi alt bölgeler)? Google tarafından aradım ve bu sorunun "mekansal kısıtlı kümeleme" veya "bölgeselleştirme" olarak göründüğünü anladım. Ancak, coğrafi verilerin işlenmesine aşina değilim ve ne tür algoritmaların iyi olduğu ve bu görev için hangi python / R paketlerinin iyi olduğu hakkında bir fikrim yok.

İstediğim şey hakkında daha sezgisel bir fikir vermek için, diyelim ki veri dağılım grafikleri aşağıdaki gibidir:

Yani her nokta bir nokta, x boylam, y enlem ve renk haritası değerin büyük mü küçük mü olduğunu gösterir. Bu noktaları değerlerin konumlarına ve benzerliklerine göre alt bölgelere / gruplara / kümelere ayırmak istiyorum. Aşağıdaki gibi (tam olarak istediğim şey değil, sadece sezgisel bir fikir göstermek.):

Peki bunu nasıl başarabilirim?

Rio paketi, kısıtlanmış hiyerarşik kümeleme için işlevsellik sağlar. "Mekansal olarak kısıtlanmış" olarak düşündüğünüz şey için kesimlerinizi mesafeye göre belirlersiniz, "bölgeselleşme" için en yakın komşuları kullanabilirsiniz. Verilerinizi mesafeye dayalı bir koordinat sisteminde olacak şekilde yansıtmanızı önemle tavsiye ederim.

require(sp)
require(rioja)

data(meuse)
  coordinates(meuse) <- ~x+y
  cdat <- data.frame(x=coordinates(meuse)[,1],y=coordinates(meuse)[,2])
  rownames(cdat) <- rownames(meuse@data)

# Constrained hierarchical clustering 
chc <- chclust(dist(cdat), method="conslink")

# Using kNN with 3 neighbors
chc.n3 <- cutree(chc, k=3) 

# Using distance 
chc.d200 <- cutree(chc, h=200) 

meuse@data <- data.frame(meuse@data, KNN=as.factor(chc.n3), DClust=chc.d200)

opar <- par
  par(mfcol=c(1,2))  
   cols <- topo.colors(length(unique(meuse@data$KNN)))  
    color <- rep("xx", nrow(meuse@data))
      for(i in 1:length(unique(meuse@data$KNN))) {
        v <- unique(meuse@data$KNN)[i] 
          color[(meuse@data$KNN == v)] <- cols[i]
        }
    plot(meuse, col=color, pch=19, main="kNN Clustering")
      box()

    cols <- topo.colors(length(unique(meuse@data$DClust)))  
    color <- rep("xx", nrow(meuse@data))
      for(i in 1:length(unique(meuse@data$DClust))) {
        v <- unique(meuse@data$DClust)[i] 
          color[(meuse@data$DClust == v)] <- cols[i]
        }
    plot(meuse, col=color, pch=19, main="Distance Clustering")
      box() 
par <- opar