Full Ebook of Spatiotemporal Analytics Jay Lee Online PDF All Chapter

Spatiotemporal Analytics Jay Lee
Visit to download the full and correct content document:

https://ebookmeta.com/product/spatiotemporal-analytics-jay-lee/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...
Online Learning Analytics (Data Analytics Applications)

1st Edition Jay Liebowitz
https://ebookmeta.com/product/online-learning-analytics-data-
analytics-applications-1st-edition-jay-liebowitz/
Industrial AI Applications with Sustainable Performance

1st Edition Jay Lee
https://ebookmeta.com/product/industrial-ai-applications-with-
sustainable-performance-1st-edition-jay-lee/
Developing Informed Intuition for Decision Making Data

Analytics Applications 1st Edition Liebowitz Jay
https://ebookmeta.com/product/developing-informed-intuition-for-
decision-making-data-analytics-applications-1st-edition-
liebowitz-jay/
Graph-Powered Analytics and Machine Learning with

TigerGraph: Driving Business Outcomes with Connected
Data 1st Edition Victor Lee
https://ebookmeta.com/product/graph-powered-analytics-and-
machine-learning-with-tigergraph-driving-business-outcomes-with-
connected-data-1st-edition-victor-lee/
Off Balance Painted Bay 1 1st Edition Jay Hogan Hogan
Jay
https://ebookmeta.com/product/off-balance-painted-bay-1-1st-
edition-jay-hogan-hogan-jay/
Tamarillo Tart Southern Lights 2 1st Edition Jay Hogan

Hogan Jay
https://ebookmeta.com/product/tamarillo-tart-southern-
lights-2-1st-edition-jay-hogan-hogan-jay/
Powder Pavlova Southern Lights 1 1st Edition Jay Hogan

Hogan Jay
https://ebookmeta.com/product/powder-pavlova-southern-
lights-1-1st-edition-jay-hogan-hogan-jay/
Real Analysis Jay Cummings
https://ebookmeta.com/product/real-analysis-jay-cummings/
Flat Whites Chocolate Fish Southern Lights 3 1st

Edition Jay Hogan Hogan Jay
https://ebookmeta.com/product/flat-whites-chocolate-fish-
southern-lights-3-1st-edition-jay-hogan-hogan-jay/
Spatiotemporal Analytics
This book introduces readers to spatiotemporal analytics that are extended
from spatial statistics. Spatiotemporal analytics help analysts to quantita-
tively recognize and evaluate the spatial patterns and their temporal trends
of a set of geographic events or objects. Spatiotemporal analyses are very
important in geography, environmental sciences, economy, and many other
domains. Spatiotemporal Analytics explains with very simple terms the
concepts of spatiotemporal data and statistics, theories, and methods used.
Each chapter introduces a case study as an example application for an in-
depth learning process. The software used and the provided codes enable
readers not only to learn the analytics but also to use them effectively in
their projects.
• Provides a comprehensive understanding of spatiotemporal ana-

lytics to readers with minimum knowledge in statistics.
• Written in simple, understandable language with step-by-step
instructions.
• Includes numerous examples for all theories and methods explained
in the book covering a wide range of applications from different
disciplines.
• Each application includes a software code needed to follow the
instructions.
• Each chapter also has a set of prepared PowerPoint slides to help
instructors of a course on spatiotemporal analytics with the con-
tent explained.
Undergraduate and graduate students who use Geographic Information

Systems or study Geographical Information Science will find this book
useful. The subject matter also pertains to an array of disciplines such
as agriculture, anthropology, archaeology, architecture, biology, business
administration and management, civic engineering, criminal justice, epi-
demiology, geography, geology, marketing, political science, and public
health.
Spatiotemporal Analytics
Jay Lee
Designed cover image: Image from Shutterstock (Image ID: 1115087306)
First edition publisshed 2023

by CRC Press
6000 Broken Sound Parkway NW, Suite 300, Boca Raton, FL 33487-2742
and by CRC Press

4 Park Square, Milton Park, Abingdon, Oxon, OX14 4RN
CRC Press is an imprint of Taylor & Francis Group, LLC
© 2023 selection and editorial matter, Jay Lee; individual chapters, the contributors
Reasonable efforts have been made to publish reliable data and information, but the author and
publisher cannot assume responsibility for the validity of all materials or the consequences of
their use. The authors and publishers have attempted to trace the copyright holders of all material
reproduced in this publication and apologize to copyright holders if permission to publish in this
form has not been obtained. If any copyright material has not been acknowledged please write
and let us know so we may rectify in any future reprint.
Except as permitted under U.S. Copyright Law, no part of this book may be reprinted, reproduced,
transmitted, or utilized in any form by any electronic, mechanical, or other means, now known or
hereafter invented, including photocopying, microfilming, and recording, or in any information
storage or retrieval system, without written permission from the publishers.
For permission to photocopy or use material electronically from this work, access www.
copyright.com or contact the Copyright Clearance Center, Inc. (CCC), 222 Rosewood Drive,
Danvers, MA 01923, 978-750-8400. For works that are not available on CCC please contact
mpkbookspermissions@tandf.co.uk
Trademark notice: Product or corporate names may be trademarks or registered trademarks and
are used only for identification and explanation without intent to infringe.
ISBN: 978-1-032-303055 (hbk)

ISBN: 978-1-032-303062 (pbk)
ISBN: 978-1-003-304395 (ebk)
DOI: 10.1201/9781003304395
Typeset in Times
by codeMantra
Access the Support Material: www.routledge.com/9781032303055

Contents
Editor....................................................................................................... vii
Contributors ............................................................................................. ix
Chapter 1 Introduction to Spatiotemporal Analytics ............................ 1

Jay Lee
Chapter 2 Spatiotemporal Centrography and Dispersion .....................13

Langxue Dang, Jay Lee, and Huiyu Lin
Chapter 3 Spatiotemporal Quadrat Analytics ..................................... 35

Zhuo Chen
Chapter 4 Spatiotemporal Nearest Neighbor Analytics .......................53

Qingsong Liu and Jay Lee
Chapter 5 Spatiotemporal Ripley’s K and L Functions ....................... 77

Jay Lee
Chapter 6 Spatiotemporal Autocorrelation Analytics ..........................91

Shengwen Li, Xuyang Cheng, Bo Wan, Junfang Gong,
and Jay Lee
Chapter 7 Spatiotemporal G Statistical Analytics .............................113

Huiyu Lin and Zhuo Chen
Chapter 8 Spatiotemporal Kernel Density Estimation .......................127

Junfang Gong, Zhuang Zeng, Bo Wan, Shengwen Li,
and Jay Lee
Chapter 9 Spatiotemporally Weighted Regression .............................145

Bo Huang and Sensen Wu
v
vi Contents
Chapter 10 Spatiotemporal Bayesian Regression .................................175

Ortis Yankey, Tao Hu, Han Yue, Peixiao Wang,
and Xiao Xu
Chapter 11 Spatiotemporal Process Analytics and Simulations ......... 207

Moira O’Neill and Jay Lee
Chapter 12 Spatiotemporal Analytical Unit Problems .........................233

Langxue Dang, Huiyu Lin, and Jay Lee
Index ......................................................................................................255
Editor
Dr. Jay Lee received his PhD in geography from the University of Western
Ontario in 1989. Since then, he has taught GIS and quantitative methods in
geography at Kent State University. Dr. Lee’s research interests stem from
integrating operations research and spatial analysis. He coauthored two edi-
tions of Statistical Analysis with GIS. Since 2017, Dr. Lee has worked on
extending spatial analytics to spatiotemporal analytics. This book represents
the research outcomes from the Applied Geography Laboratory at Kent State
University from 2017 to 2022.
vii
Contributors
Zhuo Chen Jay Lee
Department of Geography Department of Geography
Kent State University Kent State University
Kent, Ohio Kent, Ohio
Xuyang Cheng Shengwen Li

National Engineering Research School of Computer Science
Center for Geographic China University of Geosciences
Information Systems Wuhan, China
China University of Geosciences
Wuhan, China Huiyu Lin
Department of Geography
Langxue Dang Kent State University
School of Computer and Kent, Ohio
Information Engineering
Henan University Qingsong Liu
Henan, China Shenzhen e-Traffic Technology
Shenzhen, China
Junfang Gong
School of Geography and Moira O’Neill
Information Engineering Department of Geography
China University of Geosciences Kent State University
Wuhan, China Kent, Ohio
Tao Hu Bo Wan
Department of Geography School of Computer Science
Oklahoma State University China University of Geosciences
Stillwater, Oklahoma Wuhan, China
Bo Huang Peixiao Wang

Department of Geography and Surveying, Mapping, and Remote
Resource Management Sensing
The Chinese University of Hong Wuhan University
Kong Wuhan, China
Hong Kong, China
ix
x Contributors
Sensen Wu Han Yue

Department of Geography and Center for GeoInformatics for
Resource Management Public Security
The Chinese University of Hong School of Geography and Remote
Kong Sensing
Hong Kong, China Guangzhou University
and Guangzhou, China
School of Earth Sciences
Zhejiang University Zhuang Zeng
Zhejiang, China School of Computer Science
China University of Geosciences
Xiao Xu Wuhan, China
Surveying, Mapping, and Remote
Sensing
Wuhan University
Wuhan, China
Ortis Yankey
Department of Geography
and Environmental
Science
University of Southampton
Southampton, United Kingdom
1 Introduction to
Spatiotemporal
Analytics
Jay Lee
Kent State University
CONTENTS
1.1 From Spatial Analytics to Spatiotemporal Analytics ....................... 4
1.2 Spatial Dependency and Spatiotemporal Dependency among
Geographic Events or Objects .......................................................... 5
1.3 Space–Time Dependency.................................................................. 6
1.4 Concluding Remarks......................................................................... 9
References ................................................................................................. 9
Over the last decade or so, several newly developed spatiotemporal analyt-
ics have been proposed for users to analyze the spatial processes of a set
of geographic objects or events. These analytics not only enable users to
observe and analyze the different spatial patterns of events or objects at
different times, but they also provide users ways to quantitatively assess
how the different time-specific spatial patterns evolve over time into a spa-
tial process. Figure 1.1 shows the relationship between a series of time-
observed spatial patterns linked to form a spatial process. In many ways,
understanding spatial patterns is not the ultimate goal of a scientific inquiry
when investigating data that have both spatial and temporal elements. It is
often our interest in finding not only spatial patterns of a certain phenom-
enon, but also how such patterns change over time.
For linking a sequence of time-specific spatial patterns of events or
objects into a spatial process, conventional approaches often burden view-
ers of the sequence of displays (or maps) the task of imagining how those
displays relate to each other and what that relevance may suggest. This is
a weakness that the current geographical information systems (GIS) have
because users are limited to only a handful of analytics when analyzing
spatiotemporal processes. For example, Figure 1.2 shows sequences of
maps for reported cases of dengue fever in Kaohsiung City, Taiwan, from
2003 to 2007. Either reported as raw counts of case numbers or against
DOI: 10.1201/9781003304395-11
2 Spatiotemporal Analytics
FIGURE 1.1 From spatial patterns to a spatial process.
population densities, the space–time interaction embedded in these trends

is extremely difficult to quantify. Yet, this task is often left for readers of
reports or scientific reports to ‘imagine’ or engage in an ‘educated guess’.
There have been many studies that proposed ways to quantify spatio-
temporal interactions to understand the dynamic of changing spatial pat-
terns as a spatial process (for example, Diggle et al. 1995; Wilesmith et al.
2003; Sanchez et al. 2005; Picado et al. 2007, with many other studies
for similar objectives). Such quantification effort, however, often stopped
short of full accounts of the interaction between space and time of the geo-
graphic objects or events being studied.
To fill this gap, this book discusses spatiotemporal analytics over the
next 11 chapters. Each of these chapters explains the background, con-
cepts, theories, and methods of a particular spatiotemporal analytic. Some
of these analytics may be technically simpler than others, but they may
be easier to use and interpret the analytical results. Some of these may be
more technically sophisticated, but they provide users with more options
for performing analytical tasks. It must be noted, however, that these ana-
lytics share a common issue of not readily available for users to use. This
is because current commercially available GIS software packages do not
offer too many ready-to-use tools for these analytics. It is for this reason
that this book provides discussions of spatiotemporal analytics with ready-
to-use computer code/programs accompanying the chapters in this book.
Each chapter in this book also includes at least one application exam-
ple. In the chapters, the authors provide detailed instructions for using the
Introduction to Spatiotemporal Analytics
FIGURE 1.2 Reported dengue fever cases in Kaohsiung City, Taiwan, 2003–2007.
3
accompanying test dataset and the accompanying software tools to arrive at

the presented analytic results. These computer code/programs were devel-
oped by the chapter authors to help readers to better understand and experi-
ment with the spatiotemporal analytics discussed in this book. It should be
noted that these computer code/programs were taken directly from previous
studies carried out by the chapter authors, so they may not have the friendliest
user interfaces and they were developed using different computer program-
ming languages. Hence, we wish that the step-by-step instructions for using
the software would alleviate most potential issues or difficulties. Another note
on the computer code/programs is that we do not have any phone lines or
designated emails to support software issues, but it is always possible to com-
municate with the authors to discuss potential applications for future uses.
1.1 FROM SPATIAL ANALYTICS TO

SPATIOTEMPORAL ANALYTICS
Geographic events or objects may be defined by their locations and some
attributes that describe the different characteristics they have. Geographic
events and objects can be represented in a vector data structure as points,
lines, or polygons or in a raster data structure as rasters (or pixels), or
known as field-based GIS data structure. In a raster data structure, an event
or an object may be represented by a raster or a group of spatially adjacent
rasters. An attribute table may be constructed to describe some characteris-
tics of the rasters. In a vector data structure, geographic objects are defined
by their coordinates and the information describing their attributes. If an
event or an object takes no space in the world (such as a city on a small-
scale map, a power pole on a large-scale map, a crime event, a reported dis-
ease case, and so on), it can be represented as a point. If the event or object
has a linear form (such as the centerline of a street segment, a segment of
a river, a geological fault line, a tornado touchdown path, and so on), it can
be represented as a line segment. For events or objects that do occupy space
in the world (such as a building, a farm, a city, a county, a state, etc.), they
are usually represented by polygons.
Locations of the events or objects may be defined by a pair or a sequence
of geographic coordinates. For example, a pair of longitude and latitude
coordinates or coordinates in a user-defined coordinate system is conven-
tionally denoted as (x, y). Of course, the actual numeric expression of the
location coordinates would be determined by the map projection of the
coordinate system. For the purpose of the spatiotemporal analytics being
discussed in this book, a third coordinate can be added to reflect the time
when an event or an object occurs, or (x, y, t), with t denoting the time. For
ease of illustration and discussion, from here onward, events will be used
to include objects in this book.
Introduction to Spatiotemporal Analytics 5
1.2 SPATIAL DEPENDENCY AND

SPATIOTEMPORAL DEPENDENCY AMONG
GEOGRAPHIC EVENTS OR OBJECTS
When attempting to understand a set of events (or objects), analysts often
start by examining whether the events distribute spatially or spatiotempo-
rally. Through such an assessment, the events may be clustered, disperse,
or spatially or spatiotemporally random. Following such observations, ana-
lysts often explore environmental, social, economic, or even political fac-
tors that may have potentially influenced or contributed to shaping such
spatial or spatiotemporal patterns. If the spatial or spatiotemporal patterns
are deemed desirable, it would be beneficial to find ways to promote influ-
encing factors. Alternatively, intervention programs or policies may have to
be implemented to reverse any negative effects that potentially influencing
factors may have.
The assessment of a spatial or a spatiotemporal pattern to be clustered,
disperse, or random is conventionally done with an assumption that near
things tend to be more alike than distant things (a.k.a. the First Law of
Geography, Tobler 1970; Miller 2004). If this notion stands, analysts can
choose from a suite of quantitative analytics, as will be discussed in the
coming chapters in this book, to assess the degree (strength) and direc-
tion of the spatial or spatiotemporal dependency among a set of events
they study. In short, if spatial or spatiotemporal dependency exists among
events, it is likely that events occurring at specific locations and times have
potentially been influenced by certain factors or for certain reasons. To
explore or to detect these underlying factors, current GIS software pack-
ages do offer plenty of tools for analyzing spatial dependency. However,
there are only a limited set of tools currently available for us to analyze
spatiotemporal dependency among events. We hope the subsequent chap-
ters would help.
From spatial analytics to spatiotemporal analytics, users should keep
in mind that certain limitations would remain after adding to the analy-
sis with the temporal dimension of event data. First, the modifiable area
unit problems, a.k.a. MAUPs, that are associated with spatial analytics
have a closely related sibling in spatiotemporal analytics. In carrying out
spatial or spatiotemporal analysis, analysts need to carefully assess the dif-
ferent options and choose appropriate analytical units to do the analysis.
As discussed in the chapter on spatiotemporal units in this book, differ-
ent analytics may lead to different analytical results and different spatial
or spatiotemporal units would also lead to different analytical outcomes.
Spatial dependency between a pair of events may be different from the
spatiotemporal dependency between a pair of events in that an earlier event
may or may not influence the later event but not the reverse. Consequently,
spatiotemporal analytics should be used with care and with a thorough

consideration on the temporal implications of how events are related to one
another. The MAUP is therefore extended to modifiable area and temporal
unit problems, MATUP, as discussed in the last chapter of this book.
1.3 SPACE–TIME DEPENDENCY

Tests for spatial patterns fail when applied to study the dynamics of a
spatial process. When geographic events are associated with temporal
attributes, it should be possible to check whether space and time are
dependent or if there exists a link between space and time of where
and when the events occur. For space–time interactions, it is possible
to use the Knox test to see if space–time clusters can be identified at
certain space–time distances (Knox 1964; Knox and Bartlett 1964).
But the definition of how close two events are in space–time distances
(a.k.a. critical distances) to be space–time adjacent has been subjec-
tively determined.
To improve on this, the Mantel test (Mantel 1967) applied the notion
of distance decay in the tests, which weight nearby events more than dis-
tant events. In practical ways, spatial adjacency can be defined as 1 when
two events are closer to each other than a critical (or a user-defined) spa-
tial distance or assessed to be adjacent based on a ratio that an analyst
defined. If the spatial distance exceeds the critical distance, a value of 0 is
assigned to indicate non-adjacency. Similarly, temporal adjacency can be
1 or 0, according to whether their temporal distance is within the critical
temporal distance or if it abides to what distance decay defines. A pair
of events are space–time (or spatiotemporally) adjacent, or to be space–
time neighbors, only if both spatial adjacency and temporal adjacency are
1. Mathematically, space–time adjacency is equal to 1 only when 1 (spa-
tial adjacency) × 1 (temporal adjacency). This is generally known as the
space–time multiplicative principle. It should be noted, however, that the
temporal adjacency may need to be considered further and defined as one-
directional if the notion is of allowing only earlier events to influence later
events (but not vice versa).
Adding time to spatial problems often needs to increase the number of
dimensions of analysis. Many researchers have used Minkowski space–
time, which merges 3-D Euclidean space with time to create a 4-D mani-
fold that Harvey (1969) argued to be essential to the theory of relativity.
The field of Time Geography (Hagerstrand 1963, 1973) pioneered the
analytical and theoretical inquiry in that area by adding time to an x, y
plane to create a 3-D cube that conveyed individual movements over space
and time, which are also known as life-line trajectories. Research in time
geography led to works in space–time prism that were referenced by many

time geographers such as Miller (1994) and Peuquet (1994).
Statistical detection of spatial patterns may assist analysts in assessing
the level and direction of spatial and spatiotemporal dependency by detect-
ing the patterns to be (or similar to) clustering, dispersion, or seeming ran-
dom. For this, a family of spatial interaction models exists for analyzing
and understanding such relationship, as Wilson (1970) reviewed. These
models cleverly addressed the issue of geographical data, violating a fun-
damental assumption of traditional (classic) statistics that requires observa-
tions be unrelated and independent of each other.
Blending space and time is an important area of research in mathemati-
cal physics, evolutionary biology, and epidemiology. The literature on spa-
tiotemporal analysis has drawn on the transdisciplinary nature of the topic.
Within geography and GIS, two closely related sub-streams have emerged,
namely spatiotemporal dependency and spatiotemporal interaction. The
formal concerns the challenges that arise in analyzing geographical data,
whose observations are correlated in time and space, with traditional sta-
tistics. The latter involves characterizing the space–time relationship of
variables that travel between two or more areas.
There have been some attempts to assess spatiotemporal clustering/dis-
persion in geographic events. For example, Kulldorff (1997) and Kulldorff
et al. (1998) use space–time scans (SaTScan) through the space–time dis-
tribution of geographic events to find space–time clusters. The approach
is based on a simple notion, and the algorithm is practical. Cylinders with
incrementally increased spatial extents as the base and the incrementally
lengthened time durations as the height were used in the scans. SaTScan
(www.satscan.org) starts with small cylinders when searching for clus-
ters. Clusters of different sizes can be found when cylinders were enlarged
incrementally in scan iterations. While the approach is robust, the identi-
fied clusters are often coarse, encompassing sometimes large geographical
extents or long time durations than for practical uses.
A separate attempt was the use of space–time cube in ArcGIS and
ArcGIS Pro (esri.com) to find hotspots (space–time clusters) of the events
being identified. The space–time extent as defined by the distribution of
geographic events being studied is partitioned into bins. A statistic based
on counts of events in bins is used to test the statistical significance of the
identified hotspots. As this tool is offered in a commercial software, it is
easy to use. The best advantage of this approach is the classification of
hotspots into different types, including those that are consistently hotspots,
those that were not hotspots but are becoming so, those that were hotspots
but no longer so, and so on. This new way of recognizing the different
characteristics of hotspots brought the analysis of space–time pattern to a
much higher level than before.
Spatiotemporal interactions are a class of relationships that include

human mobilities such as commuting and tourism, as well as biogeo-
graphical migration, spread of diseases, supply chains of goods and ser-
vices, communication linkages, or even on-/off-line rumor circulations.
Geographers have borrowed from physics the notion of gravity models to
analyze spatial interactions between places (Wilson 1971; Gonzalez et al.
2008; Liu et al. 2012; Xiao et al. 2013; Gao et al. 2013; Kim et al. 2018; Jia
et al. 2020).
Spatial diffusion is a special type of spatial interaction that needs not
depend solely on distance to model geographical phenomena. Goods, dis-
eases, and information are often transmitted across space and time through
networks of social or economic contacts (Bertazzon 2003; Lee et al. 2014).
Such processes may follow expansion/contagious diffusion patterns, which
traditionally spread across spatially autocorrelated networks, or the spread
pattern may follow relocation or hierarchical diffusion that the spatial
phenomenon ‘jumps’ over distances (Lee et al. 2014). Bertazzon’s (2003)
dynamic Moran’s I relies on a ‘hypermatrix’ or ‘matrix of matrices’ of
weights to explicitly add temporal dependence to a spatial diffusion model
of ski lift innovation in the Italian Alps. While the exponential growth of
computing power and proliferation of software that can manage multidimen-
sional modeling tasks has facilitated recent progress such as that described in
Lee et al. (2014), the curse of dimensionality continues to pose challenges in
accurate prediction within dynamic spatiotemporal systems research.
In contrast to static, descriptive spatiotemporal models that report
means, variances, and covariances as ‘moments’ in a process, dynamical
models are explicitly based on the evolution of time. Wikle (2015) sug-
gests conceptualizing this difference as one between a descriptive model
characterized by a marginal probability distribution of the process and a
dynamical model based on conditional probability distributions, ‘where
the present state of the process in conditioned on its past’ (p. 87). Bayesian
hierarchical models (BHM) are designed to do just that (Cressie and Wikle
2011; Wikle 2015). As we have discussed, observations in space and time
often form clusters whose membership depends on shared properties.
These shared properties allow us to nest parameters at different levels of
groups (a hierarchy), and to come up with a weighted average of pooled
(i.e., multiple models for each group that mix fixed and random effects to
produce different versions with the same variance) and unpooled models
(i.e., models with unequal variances). The conceptual stages of Bayesian
theory can be followed, including
a data model [data | process, data parameters],

a process model [process | process parameters], and
a parameter model [data parameters, process parameters].
Together, these stages produce a posterior distribution that is proportional

to the product of the stages that make up the hierarchical model, and from
which we can generate our inferences. This book has a chapter devoted to
Bayesian spatiotemporal analytics to extend this discussion.
1.4 CONCLUDING REMARKS

One last note about chapters in this book is that we fully recognize that
this book is to introduce technical aspects of spatiotemporal analytics, not
to provide a complete literature review or literature lineage. For that, we
hope authors of research articles, reports, or books on anything related to
space–time analysis pardon us for not citing all relevant publications to
keep the length of the book in a manageable level.
Chapters in this book were written by different authors, so their writ-
ing styles may vary. The software accompanying chapter texts were also
developed by different chapter authors in different computer languages and
compiled/prepared in different ways for users to experience the analytics
firsthand. In practical use, these software tools can be used to carry out
analyses in actual studies beyond just using them as learning tools. By
making them accessible to all readers, we hope to promote the spread of
using spatiotemporal analytics. To this end, we hope to hear from readers
and users of the software tools if any bugs or issues are encountered. We
will attempt to correct the problems for future revisions.
Part of the educational ambition we have is hoping that Spatiotemporal
Analytics can be offered as a semester-long course in as many universi-
ties as possible. To help potential instructors to initiate this, the chapter
authors have developed instructional slides in PowerPoint (Microsoft) for-
mat, available upon request.
For accompanying software tools and/or instructional slide sets, please
send your request to Jay Lee, jlee@kent.edu.
REFERENCES
Bertazzon, S. (2003). Spatial and temporal autocorrelation in innovation diffusion
analysis. Computational Science and Its Applications – ICCSA 2003, 23–32.
Cressie, N. and C. K. Wilkie (2011). Statistics for Spatiotemporal Data. Hoboken,
NJ: John Wiley & Sons, Inc.
Diggle, P. J., A. G. Chetwynd, R. Haggkvist, and S. E. Morris (1995). Second-
order analysis of space-time clustering. Statistical Methods in Medicine 4,
124–136.
Gao, S., Y. Liu, Y. Wang, and X. Ma (2013). Discovering spatial interaction com-
munities from mobile phone data. Transactions in GIS 17(3), 463–481.
Gonzalez, M. C., C. A. Hidalgo, and A. L. Barabasi (2008). Understanding indi-
vidual human mobility patterns. Nature 453, 779–782.
Hagerstrand, T. (1963). Geographic measurements of migration: Swedish data. In

Sutter, J. (ed.) Les Déplacements Humains. Monaco: Entretiens de Monaco
en Sciences Humaines, Prémiere Session.
Hagerstrand, T. (1973). Innovation Diffusion as a Spatial Process. Chicago:
University of Chicago Press.
Harvey, D. (1969). Explanation in Geography. London: Edward Arnold.
Jia, J. S., X. Lu, Y. Yuan, G. Xu, J. Jia, and N. A. Christakis (2020). Population
flow drives spatiotemporal distribution of COVID-19 in China. Nature 582,
389–394.
Kim, S., S. Jeong, I. Woo, Y. Jang, R. Maciejewski, and D. S. Ebert (2018). Data
flow analysis and visualization for spatiotemporal statistical data without
trajectory information. IEEE Transactions on Visualization and Computer
Graphics 24(3), 1287–1300.
Knox, G. (1964). Epidemiology of childhood leukaemia in Northumberland and
Durham. British Journal of Preventive & Social Medicine 18(1), 17.
Knox, E. G., and Bartlett, M. S. (1964). The detection of space-time interactions.
Journal of the Royal Statistical Society. Series C (Applied Statistics) 13(1),
25–30.
Kulldorff, M. (1997). A spatial scan statistic. Communications in Statistics Theory
and Methods 26(6), 1481–1496.
Kulldorff, M., W. F. Athas, E. J. Feuer, B. A. Miller, and C. R. Key (1998).
Evaluating cluster alarms: A space-time scan statistic and brain cancer
in Los Alamos, New Mexico. American Journal of Public Health 88(9),
1377–1380.
Lee, J., J.-G. Lay, W. C. B. Chin, Y.-L. Chi, and Y.-H. Hsueh (2014). An experi-
ment to model spatial diffusion process with nearest neighbor analysis and
regression estimation. International Journal of Applied Geospatial Research
5(1), 1–15.
Liu, Y., C. Kang, S. Gao, Y. Xiao, and Y. Tian (2012). Understanding intro-urban
trip patterns from taxi trajectory data. Journal of Geographical Systems 14,
463–483.
Mantel, N. (1967). The detection of disease clustering and a generalized regres-
sion approach. Cancer Research 27, 209–220.
Miller H. J. (1994). Modelling accessibility using space-time prism concepts within
geographical information systems. International Journal of Geographical
Information Systems 5(3), 287–301.
Miller, H. J. (2004). Tobler’s first law and spatial analysis. AAAG 94(2), 284–289.
Peuquet, D. J. (1994). It’s about time: A conceptual framework for the representa-
tion of temporal dynamics in geographic information systems. Annals of the
Association of American Geographers 84(3), 441–461.
Picado, A., F. J. Guitian, and D. U. Pfeiffer (2007). Space-time interaction as
an indicator of local spread during the 2001 FMD outbreak in the UK.
Preventive Veterinary Medicine 79, 3–19.
Sanchez, J., H. Stryhn, M. Flensburg, A. K. Ersboll, and I. Dohoo (2005). Temporal
and spatial analysis of the 1999 outbreak of acute clinical infectious bursal
disease in broiler flocks in Denmark. Preventive Veterinary Medicine 71,
209–223.
Tobler, W. R. (1970). A computer movie simulating urban growth in the Detroit

region. Economic Geography 46, 234–240.
Wikle, C. (2015). Modern perspectives on statistics of spatiotemporal data. WIREs
Computational Statistics 7, 86–98.
Wilesmith, J. W., M. A. Stevenson, C. B. King, and R. S. Morris (2003). Spatio-
temporal epidemiology of food-and-mouth disease in two countries of Great
Britain in 2001. Preventive Veterinary Medicine 61, 157–170.
Wilson, A. G. (1971). A family of spatial interaction models and associated devel-
opments. Environment and Planning A: Society and Space 3, 1–32.
Xiao, Y., F. Wang, Y. Liu, and J. Wang (2013). Reconstructing gravitational attrac-
tion of major cities in China from air passenger flow data 2001–2008: A par-
ticle swarm optimization approach. Professional Geographer 65, 265–282.
2 Spatiotemporal
Centrography and
Dispersion
Langxue Dang
Henan University
Jay Lee and Huiyu Lin

Kent State University
CONTENTS
2.1 Introduction .....................................................................................13
2.2 Review of Relevant Literature .........................................................16
2.3 Analytical Methods .........................................................................18
2.3.1 Centrography of Spatiotemporal Points ................................18
2.3.1.1 Spatiotemporal Mean Center ...................................19
2.3.1.2 Weighted Spatiotemporal Mean Center...................19
2.3.1.3 Changes in Spatiotemporal Mean Centers ............. 20
2.3.2 Dispersion of Spatiotemporal Points.................................... 22
2.3.2.1 Standard Spatiotemporal Distance ......................... 22
2.3.2.2 Standard Spherical Volume .................................... 23
2.4 Application Example ...................................................................... 24
2.5 Software and Usage ........................................................................ 27
2.5.1 Hardware/Software Requirements ....................................... 28
2.5.2 Software Usage for Spatiotemporal Mean Centers .............. 29
2.5.3 Software Usage for Standard Spatiotemporal Distance ........31
2.6 Concluding Remarks....................................................................... 32
References ................................................................................................33
2.1 INTRODUCTION
The first step in analyzing a large volume of data is often the calculation of
their statistical summaries. The summaries provide quantitatively digested
information that offers a glance of the data, sometimes as an initial assess-
ment. This is especially useful when dealing with large quantities of data.
In addition, such summaries calculated from multiple datasets enable ana-
lysts to do a general comparison between/among the datasets. Following
DOI: 10.1201/9781003304395-2 13
the terminology used in Lee and Wong (2001), we refer to these summary
statistics as those measuring the central tendency of the data. In this era of
big data, such statistical summaries seem to be even more important than
before.
In a similar way, measuring the central tendency of a set of spatiotem-
poral objects or events that may be represented as points allows analysts
to understand how the points concentrate around their central point, or
the centroid of the set of points, and how the other points deviate from
the central point. Such measurements of central tendency are not only a
quantitative way to understand and compare spatiotemporal datasets, they
also enable analysts to visually, or qualitatively, map the distributions of
multiple datasets for comparisons.
Statistical summaries of a set of data usually include values of the max-
imum, minimum, average, median, mode, standard deviation, and vari-
ance of the data values. In terms of measuring the variation of data values
beyond these descriptive statistics, one may calculate the skewness, kurto-
sis coefficients of a set of data values.
For example, consider the exam scores students achieve for a spatio-
temporal statistics class. Assuming there are n students, their scores are
xi , i = 1,2,3,…, n. In this case, the scores are our data values. The mean
score would tell us how the group performs on average. If mean scores of
other similar datasets (from other class groups) are available, the calculated
mean score would let us compare how this group of students performs as
compared to last year’s group or another group of students taking the same
course/exam with a different instructor, and so on. The mean score can be
calculated with the following equation:
∑
n
xi
x= i=1
(2.1)
n
It should be noted, however, that the mean calculated from a dataset that
has a very much larger or smaller value from others in the dataset would
typically not be a good representative of the entire dataset. Therefore, the
measured central tendency is often accompanied by some measurements
of averaged deviation of the data values from their mean. The statistics for
such averaged deviation include standard deviation and variance, and both
of these give the degree to which data values in a dataset deviate from their
mean. The smaller the values of standard deviation and variance, the more
concentrate the values are around their mean in a dataset. Alternatively,
large values of standard deviation and variance indicate that the data val-
ues are more disperse from their mean.
Spatiotemporal Centrography and Dispersion 15
To assess the dispersion of data values, the following equation can be

used to calculate the standard deviation (S) of the data:
∑
n
( xi − x )2
S= i=1
(2.2)
n
The variance (V) of values in a dataset can be calculated as
∑
n
( xi − x )2
V=S 2
= i=1
(2.3)
n
because variance of a set of data values is the squared value of their stan-
dard deviation.
Geographic objects or events are often represented as points, lines, or
polygons. These three types of objects are often referred to as forming
the geometry of geographic elements. Points represent objects that do not
occupy any areas in space. Examples include a tree, a water hydrant, or
a power pole by a street. Lines are used to represent objects whose pri-
mary property of our concern are their lengths and directions, such as seg-
ments of rivers, street centerlines, or boundaries of administrative units.
Schools, hospitals, or buildings on a large-scale map are often represented
as polygons because they do occupy space on the ground. These objects are
depicted by polygons whose boundaries delineate their area extents.
Geographic scale affects how objects are represented on a map, or in a
dataset of geographic information. An example is a city that occupies the
entire map sheet at a large geographic scale, e.g., one inch on the map rep-
resenting 100 m on the ground. On a map of the scale of 1 inch on the map
representing 10,000 km on the ground (or a small-scale map), however, that
same city may become just a point on the map.
Geographic objects or events, when represented by points, can be defined
by a pair of coordinates, (x, y), in space. In practice, the coordinates may be
longitudes and latitudes. Alternatively, coordinates of a user-defined coor-
dinate system can also be used to define locations of geographic objects
or events. It should be noted that distances between actual longitude and
latitude coordinates of certain locations on the surface of the Earth may be
different, depending on the map projections and the coordinate systems in
which the coordinates are defined.
In a two-dimensional space, the mean center (or spatial mean) is the
average location of a set of locations given by a set of geographic objects
or events being represented as points. Once the coordinate system of these
points is defined, the mean center can be easily calculated by using the fol-
lowing equation:

∑ ∑yi 
n n
xi
( x , y ) =  i=1
, 
i =1
(2.4)
 n n 

where
x , y are the coordinates of the mean center,
xi , yi are the coordinates of the i-th point, and
n is the number of points.
A coordinate pair, ( x , y ), can define a location in a two-dimensional space.

When adding the time dimension, a space–time position can be defined in
a three-dimensional space, (x, y, t). For example, a bank ATM needs only a
pair of coordinates to define its location in space. When adding its installation
date, the space–time position of the ATM would need a triplet to define it. In
this fashion, all ATMs in a city, together with their installation dates, can be
analyzed to allow the detection of any spatiotemporal clusters, which would
likely be associated with how the city grew or its economic development.
Spatiotemporal data can be used in many applications and analyses,
such as understanding how climatic trends change in different locations,
prevalence of public health concerns, analysis of earthquakes, manage-
ment and control of traffic patterns, and changes in crime hotspots.
Figure 2.1 shows how the spatiotemporal coordinates, (x, y, t), define
positions of spatiotemporal objects or events. Note that the x-axis and
y-axis define the two-dimensional space. The (vertical) t-axis defines the
temporal dimension, from the bottom of the diagram as the starting time
and the top of the diagram as the ending time of the included time period.
Many analytical methods that are used for analyzing point patterns
in two dimensions can be extended to analyzing point patterns in three
dimensions. The rest of this chapter first reviews the relevant literature as
the basis for introducing the extended methods for analyzing point patterns
in three dimensions. At the end of this chapter, a description and an exam-
ple application are given for the analysis of central tendency and dispersion
of a set of spatiotemporal points.
2.2 REVIEW OF RELEVANT LITERATURE

Classic statistics offer descriptive statistics that summarize and digest data
values, including mean, mode, median, standard deviation, variance, skew-
ness, and kurtosis. All these statistics are to allow users to understand how
FIGURE 2.1 A set of spatiotemporal events in three dimensions (x, y, t).
the data values distribute, how concentrated or how dispersed they distrib-
ute, or if the distribution has any directional bias (Dickinson, 1963). Such
statistics, along with the computation of standard distance, can be found in
Bachi (1963).
Levine (1996), in a software package, crimestat (https://nij.ojp.gov/
topics/articles/crimestat-spatial-statistics-program-analysis-crime-
incident-locations#about), that he and his group developed, provides tools
for spatial statistics. Later, Lee and Wong (2001) extended the one-dimen-
sional descriptive statistics into a two-dimensional descriptive statistics for
spatial statistics with accompanying computer scripts (Avenue) for users
to apply spatial statistics. Their discussion included the measurements for
central tendency and dispersion of points defined in space. Later, Burt
et al. (2009) also discussed similar measures for central tendency and dis-
persion of spatially defined locations. The introduction of spatial statistics
was soon noticed by commercial vendors of GIS software. For example,
Scott and Janikas (2010) provided a summary of tools that ArcGIS devel-
oped and offered.
Spatial descriptive statistics were widely applied in mapping and analy-
sis of geographic information as first presented by Dickinson (1963). Others
also extended the classic statistics into spatial statistics in their applica-
tions. For example, Wong (1999) reviewed centrographic measures as
examples for implementing spatial statistics in GIS. Scott and Warmerdam
(2005) used spatial statistics to analyze crime events. For public health
applications, Lu (2011) applied spatial statistics to identify and visualize
disease patterns in a doctoral dissertation. Not surprisingly, spatial sta-

tistics were also used to carry out socioeconomic studies, such as that
described in Melendez-Pastor et al. (2014) on land cover changes in rural
areas. Romanian researchers used spatial statistics to analyze the spatial
trends of tourism (Bujdoso et al., 2015). Spatial statistics were also applied
in tracking how the center points (mean centers) of population moved over
time (Thapar et al., 1999; Plane and Rogerson, 2015).
Most, if not all, descriptive spatial statistics have now become the de
facto initial steps in exploratory spatial analysis. Once a geographic pat-
tern is assessed to be statistically significantly different from a random
pattern, researchers would explore further on how the non-random patterns
are formed and if those patterns are related to any particular attributes of
the studied places. The same processes are expected to be the case for
spatiotemporal studies. The measurements for spatiotemporal central ten-
dency and degrees of spatiotemporal dispersion among space–time events
represented as points, though seeming simple and straightforward to com-
pute, offer very useful hints for whether any space–time patterns warrant
further investigations.
2.3 ANALYTICAL METHODS

Each spatiotemporal event can be represented as a coordinate triplet (x, y,
t). These triplets define space–time positions that are referred to as points
in this chapter. The analytical methods described here include those for
finding the centrography of spatiotemporal points and those measuring the
degree to which these points disperse spatiotemporally.
2.3.1 Centrography of Spatiotemporal pointS

Centrography of spatiotemporal points includes a mean center, a weighted
mean center, standard distances, and how these centers change over time.
Each spatiotemporal point has a location and a time. Locations in
space may have different coordinates under different map projections.
Coordinates may also be different at different geographic scales. Similarly,
spatiotemporal points may also have different temporal definitions when
time is partitioned into different units. Given these varying situations, it is
important that all spatiotemporal points in the same dataset be defined in
precisely the same way. The last chapter of this book addresses the issue
of employing different spatiotemporal units in an analysis of spatiotem-
poral data and the potentially varying analytical outcomes that one can
expect.
2.3.1.1 Spatiotemporal Mean Center

Given a set of n spatiotemporal points, pi , i = 1,2,…,n, whose coordinates
are {( xi , yi ,ti ) | i = 1,2,…n}, the spatiotemporal mean center of the points
can be calculated as

∑ ∑ ∑ ti 
n n n
xi yi
( xmc , ymc , tmc ) = ( x , y , t ) =  i=1
, i =1
, i =1 
(2.5)
 n n n 

where
( xmc , ymc ,tmc ) or ( x , y , t ) is the coordinates of the mean center,
xi , yi , ti are the coordinates of point pi, the i-th point in the dataset, and
n is the number of points in the dataset.
As shown in Figure 2.2, triangular symbols represent the spatiotemporal

positions of data points. The mean center is represented by a circular sym-
bol that indicates the central tendency of all points in the dataset.
2.3.1.2 Weighted Spatiotemporal Mean Center

Just as each location in space is different from others in some way, every
spatiotemporal position is unique if considering that the different prop-
erties (or attributes) may be different from others. To account for such
FIGURE 2.2 A set of spatiotemporal points (triangles) and their mean center
(circle).
differences, it is possible to give each spatiotemporal point a weight in

calculating the spatiotemporal mean center such that the different levels
of importance of the points can be accounted for. The weights can be
defined in different ways. For example, bank robberies may have occurred
at different locations (i.e., bank branches or ATM locations), at different
times, and have different amounts of money involved. The amounts of
money taken can be used as weights in calculating the mean center of all
such robberies. The essence of calculating a weighted mean center lies at
finding not only where the events may have concentrated, but also how
that central tendency may be affected by the concerned characteristics of
the events.
A weighted spatiotemporal mean center of a set of spatiotemporal points
can be calculated as
where
wi is the weight associated with point pi.
In the above equation, each point is associated with a given weight by

multiplying the weight to the coordinates of the point. Consequently,
the denominators in the equation take away such weights to return the
weighted coordinates to the original magnitudes. This equation is a simple
extension of the weighted mean center as given in Lee and Wong (2001),
different only in adding the time dimension. Please note that a weight-
ing scheme for a set of spatiotemporal positions depends on the attribute
information associated with the events. For example, the bank robberies
can be weighted by the amounts of money lost at those spatiotemporal
positions. They can also be weighted by the number of times robberies
occurred at each location.
2.3.1.3 Changes in Spatiotemporal Mean Centers

Since spatiotemporal mean centers can be calculated for different time
periods, it would be useful if the movements of the mean centers can be
measured or visualized. Because each mean center can be considered as a
representative of a set of points at a particular time period, over different
time periods, such mean centers typically provide a snapshot of how all
the points and their distributions are changing over time. Without mean
centers calculated from different time periods, it is virtually impossible for
FIGURE 2.3 The movement (or distance) between two mean centers. Triangles
are spatiotemporal points and mean centers are represented by circular points.
one to appreciate the changes in the positions of points and changes in the
distributions.
By detecting and visualizing the movements of mean centers over time,
one can better understand the scope and the trend of behavioral patterns of
the spatiotemporal points. Note that mean centers can be calculated from
multiple sets of spatiotemporal points. The distances, or the magnitudes of
changes in the positions of mean centers, can give hints for how different
the point sets are. So, a spatiotemporal deviation distance between two
mean centers can be calculated as
( xa − xb ) + ( ya − yb ) + (ta − tb )
2 2 2
Dab = (2.7)
where
Dab is the distance between spatiotemporal mean centers a and b,
a, b represent two different scopes of coordinate ranges, or two different
time periods, etc., and
( xa , ya ,ta ) and ( xb , yb ,tb ) are coordinates of the two mean centers.
Figure 2.3 shows the distance (or movement) between mean center a and
mean center b by a straight line. In this figure, points of the two sets are
represented by triangles of two gray shades and the two mean centers are
the two circles.
2.3.1.3.1 Orientations and Changes in Spatiotemporal Mean Centers

For the same set of geographic objects or events, their locations may
change over time. With the changes, the mean centers may be at different
locations at different times. Additionally, a mean center can be calculated
from each set of space–time points so there would be multiple mean cen-
ters if multiple sets of space–time points are being compared. Regardless
of which of the two situations is of interest, orientation, i.e., an indication
of the directional changes, between two mean centers can be calculated as
a vector V, using the equation below:
V = ( x b − x a , yb − ya , tb − ta ,) (2.8)
When examining just the spatial orientation without considering time,

which means the projection of the two mean centers onto a spatial plane,
we can calculate the angle of such movement as θ , as shown below:
θ = tan −1 ( yb − ya ) ( x b − x a )  (2.9)
On the horizontal spatial plane in space, θ shows the orientation of the

movement between mean centers. It is useful to have such information
when comparing multiple space–time points. For example, the changing
orientations of two sets of tornado touchdown locations, or two sets of
earthquake locations, and so on.
2.3.2 DiSperSion of Spatiotemporal pointS

Spatiotemporal mean centers show the central tendency among space–time
points. They give a general indication for where the likely centers of dif-
ferent space–time point sets are. But, in many cases, understanding just
the central locations of space–time points may not be sufficient, especially
if point sets contain a few points that deviate from the mean center with
distances that are significantly longer than those of most other points in the
set. These few points may cause distortion of how the entire set of points
distribute. To that end, it is also necessary to keep in mind that most geo-
graphic objects or events would not occur and/or distribute evenly across
space and over time. Such observations often require additional summary
statistics to help us better understand the spatiotemporal distribution of
space–time points.
2.3.2.1 Standard Spatiotemporal Distance

There is a measurement, standard distance, in spatial statistics that provides
an indication for how disperse or concentrated a set of points distribute
across space. Extending from that notion, a spatiotemporal standard dis-

tance (SD) is given as
∑ ∑ ( yi − ymc )2 + ∑ i=1(ti − tmc )2

n n n
( xi − xmc )2 +
SD = i=1 i =1
(2.10)
n
where
( xmc , ymc ,tmc ) is the coordinate triplet of the spatiotemporal mean center.
The calculation in the above equation compares coordinates of each point
with those of the spatiotemporal mean center, squares the differences to avoid
the offsets between positive and negative differences, divides the sums of
such squared differences by the number of points, and then takes the square
root of the sum to return the result into the original numerical magnitude.
If the spatiotemporal points are associated with weights, the calculation
of spatiotemporal standard distance can incorporate the weighted spatio-
temporal mean center as shown in the equation below:
∑ ∑ ∑
n n n
wi ( xi − x wmc ) + wi ( yi − ywmc ) + wi ( ti − twmc )
2 2 2
SD = i=1 i =1 i =1
∑
n
wi
i=1
(2.11)
where
( xwmc, ywmc, twmc ) is the coordinate triplet of the weighted spatiotemporal
mean center.
2.3.2.2 Standard Spherical Volume

The standard distance in spatial statistics, once extended to include the
temporal dimension, would become a standard spherical volume. (Note:
Conceptually, this may also be considered as a standard spherical space.
To avoid confusing the space with the spatiotemporal wording, volume
is used.) It can be formulated as using the spatiotemporal mean center as
the centroid and the standard distance (calculated with the aforementioned
equations) as the radius. In general, the more disperse a set of spatiotempo-
ral points are, the longer their standard distance would be. In turn, the larger
the volume of the spatiotemporal standard sphere would be. Alternatively,
a concentrated set of spatiotemporal points would expect their standard
sphere to be small, reflecting their clustering distribution.
One such spherical volume is shown in Figure 2.4. In the figure, the
square at the center denotes the spatiotemporal mean center. Solid circles
represent the spatiotemporal points inside the sphere while the empty cir-
cles are outside of the sphere.
FIGURE 2.4 Standard sphere example. Square is the spatiotemporal mean cen-
ter, solid color circles are inside the sphere, and the empty circles are outside of
the sphere.
2.4 APPLICATION EXAMPLE

To better describe the spatiotemporal descriptive statistics we have dis-
cussed so far in this chapter, we use a set of space–time events, which are
the recorded burglary cases from the 2013 911-calls for service in Portland,
Oregon. These data were downloaded from http://nij.gov/funding/pages/
fy16-crime-forecasting-challenge.aspx. The Portland map (in shapefile
format) was also downloaded from the same website. From this dataset,
Figure 2.5 shows the distribution of burglary events as extracted from the
downloaded dataset.
Using the methods discussed in this chapter, Figure 2.6 shows the loca-
tions of spatiotemporal mean centers of burglaries in 2013 by weeks and
Figure 2.7 shows them by months. As expected, the general trends of how
mean centers moved are similar between the two figures, with Figure 2.6
offering a more detailed illustration of such movements. Please note that
the temporal dimension (i.e., the vertical axis) starts from the bottom (ear-
lier time) and proceeds upward (later time).
Furthermore, Figure 2.8 shows the deviation among monthly spatiotem-
poral mean centers over the same time period. Using the equation given
in this chapter, the deviation was calculated as 3,871.66 data units. This
deviation was calculated using coordinate triplets of all weekly spatiotem-
poral mean centers.
FIGURE 2.5 Burglary events in Portland, Oregon, 2013.
FIGURE 2.6 Spatiotemporal mean centers by weeks.

FIGURE 2.7 Spatiotemporal mean centers by months.
FIGURE 2.8 Deviation of weekly spatiotemporal mean centers.
Given that the spatial units and temporal units are not the same and are
not directly compatible, we suggest that all coordinates be standardized
prior to the calculation of the deviation, such as the following steps:
FIGURE 2.9 Standard sphere of the 2013 burglary events in Portland, Oregon.
{
Given a set of n spatiotemporal points, P = pi | ( xi , yi , zi )
where i = 1, 2,…, n} coordinates can be standardized as ( xi′, yi′,ti′ ), using
xi
xi′ = (2.12)
x max − x min
yi
yi′ = (2.13)
ymax − ymin
ti
ti′ = (2.14)
tmax − tmin
Based on the equation for calculating standard spatiotemporal distance, we

can use the standardized coordinates to compute this distance, which is
0.4146 data unit. Then we use it as the radius, together with the spatiotem-
poral mean center, to construct a standard sphere as shown in Figure 2.9.
Please note that the small red circles are events lying outside of the stan-
dard sphere and the green ones are inside the sphere.
2.5 SOFTWARE AND USAGE

To help readers use the analytics introduced in this chapter, we developed a
set of Python tools. This section discusses the procedures for downloading
and using the tools. For software code and example data sets, please email
spatiotemporal.analytics@gmail.com with name, affiliation information, a
copy of purchase receipt and allow up to a week to receive links to down-
load Chapter02.zip. Once downloaded, the .zip files can be uncom-
pressed or restored to any folder on your computer hard drive, such as C:\
sttools\centrography.
2.5.1 harDware/Software requirementS

Before using the tools downloaded from the aforementioned website, it is
necessary to install some environmental settings, which are all available in
the Software and Package folder in the uncompressed folder.
The installation steps are
Step 1: Install Python 2.7

Double-click python-2.7.13.amd64.msi. The working envi-
ronment for Python 2.7 needs to be set according to the specification
of Python 2.7. It should be straightforward to find those with Internet
search engine.
Step 2: Install PyQt
Double-click PyQt4-4.11.4-gll-Py2.exe, then install
PyQt according to instructions on screen.
After finishing Steps 1 and 2, locate the folder where Python
2.7 was installed and open the subfolder Scripts, for example,
C:\Python27\Scripts. In this folder, press Alt and Ctrl
keys and use mouse cursor to open the command window, then
continue with the following steps.
It is important to note that the path for the files to be installed
on the command line needs to supply the name and paths of
the actual folder path based on where the tool is unzipped.
Suppose the decompression is located at C:\sttools\cen-
trography\MeanCenter, for Step 3, you can change the
command to Pip install C:\sttools\centrography\
MeanCenter\numpy-1.13.1-cp27-none-win _ amd64.
whl.
Step 3: Install numpy
Execute the command, Pip install numpy-1.13.1-
cp27-none-win _ amd64.whl
Step 4: Install matplotlib
Execute the command, Pip install matplotlib-2.0.2-
cp27-cp27m-win _ amd64.whl
Step 5: Install pyshp
Execute the command, Pip install pyshp-1.2.12.tar.gz
Step 6: Install xlrd

Execute the command, Pip install xlrd _ with _
formulas-1.0.0-py2.py3-none-any.whl
2.5.2 Software uSage for Spatiotemporal mean CenterS

Once the environment settings for the Python and tools are completed as
introduced in Section 2.5.1, the spatiotemporal analytics introduced here
can be used. To do so, execute MeanCenter.bat (by double-clicking
the file).
After the tool is initiated, the user interface would be displayed, such
as the one shown in Figure 2.10. In that interface, there are multiple input
fields for users to enter specified parametric values. Table 2.1 explains
these parameters.
Here we use the 2013 burglary events of Portland, Oregon, as an exam-
ple, with Portland.shp. In addition, the burglary events in 2013 911-
calls for service are also recorded in 2013burglary.csv file. These files
are in the Data subfolder.
FIGURE 2.10 Interface of MeanCenter.bat.

This tool supports multiple time formats. Users can select the format
they prefer. In addition to the common year, month, and day, it is possible
to just sequence the events into a numerical order, such as 1, 2, 3, …. Please
note, however, that the sequential order should be in integers only. For this
purpose, data may need to be pre-processed so that temporal data can be
expressed as sequential integers. For example,
Step 1: Select the input file (e.g., Data\NIJ2013Burglary.csv)

Step 2: Select corresponding X field, Y field, and T field as in
Figure 2.11 (e.g., x _ coordinate, y _ coordiante, and
occ _ date as the x, y, t input values). If weights are to be used,
choose the Weight field accordingly. The example in Figure 2.11
does not use weights.
Step 3: Set Time Format. This example run uses Year/Month/Day
and Week for Time Granularity to calculate spatiotemporal mean
center.
Step 4: Click Set Path to specify Output File. In this example, we set
it as Output/Result.
FIGURE 2.11 Example for using MeanCenter.bat.

Step 5: A base map can be selected for visualization of calculated out-

put. Here we choose Data\portland-police-districts\
Portland-Police _ Districts.shp as the base map.
Step 6: (Optional) Check to specify the desired output files and
formats.
Step 7: Click OK button to proceed with the calculation. Otherwise,
click Close button to terminate this. The output from this example
is that of Figure 2.6.
2.5.3 Software uSage for StanDarD Spatiotemporal DiStanCe

To calculate and use standard spatiotemporal distance, execute
StandardDistance.bat. Once initiated, a window appears as shown
in Figure 2.12.
The parameters can be set as described in Table 2.1. The steps in using
this tool are
Step 1: Select the input file. In this example, we use

NIJ2013Burglary _ Normal.csv. Please note that this file
contains standardized coordinates for the ( x, y, t ) triplets. The
standardized coordinates should all be between [0, 1].
FIGURE 2.12 User interface of StandardDistance.bat.

TABLE 2.1
Parameters in MeanCenter.bat
Parameter Description
Input point file The name of the input file. The file should
contain spatial coordinates and time
stamps of each spatiotemporal point
X field Name of the x-coordinate
Y field Name of the y-coordinate
Time field Name of the temporal coordinate (time
stamp)
Weight field (optional) Name of the field that contains weights.
This is optional, not required
Time format The format of time, choose among month/
day/year, month-day-year, year/month/
day, year-month-day, or time series in
integers
Time granularity Day, week, month, or year
Output file Folder path and name of output file
Base map (optional) The base map (shapefile format) for
display. This is optional
Create txt file Check to create output in txt format (for
other applications)
Create shapefile Check to create shapefile of the calculated
points
Plot 3D Check to create 3D visualization of the
spatiotemporal centrography
Step 2: Select and define the X field, Y field, and T field.

Step 3: This example does not use weights.
Step 4: Click Set Path to set the folder path for Output File.
Step 5: Select Create txt file to output the calculated values. Select
Plot 3D View to output calculated Standard Sphere.
Step 6: Select OK to start the calculation.
The resulting 3D plot is shown here as Figure 2.9.
2.6 CONCLUDING REMARKS

While the spatiotemporal analytics introduced and discussed in this chapter
may not seem complex, they are by no means less useful than their more
complicate counterparts. The now widely referenced spatial exploratory data
analysis (SEDA) can be enhanced with the spatiotemporal analytics discussed
here. This is because the temporal dimension of geographic information is in
fact very important so as not to derive distorted results from spatial analysis.
Such distortions can be seen in many spatial analyses when the time stamps
of geographic events are not considered. Take, for an example, the hotspots
of burglary events, if not considering when they occurred, can be very differ-
ent from those derived from calculation with temporal data.
A final note on the spatiotemporal analytics discussed in this chapter is
that, selecting appropriate spatial and temporal units for the analysis can be
very important because, like results from spatial analysis at different geo-
graphical resolutions, different results from spatiotemporal analysis may
be expected from using different spatial and temporal units. Unfortunately,
there is not a single criterion that can be used to guide all analyses. Users
should carefully consider the implications of using particular spatiotempo-
ral analytical units in their work.
REFERENCES
Bachi, R. (1963). Standard distance measures and related methods for spatial anal-
ysis. Papers in Regional Science, 10(1), 83–132.
Bujdoso, Z., J. Penzes, S. Madaras, and L. David (2015). Analysis of the spa-
tial trends of Romanian tourism between 2000–2012. Geographia Technica,
10(2), 9–19.
Burt, J. E., G. M. Barber, and D. L. Rigby (2009). Elementary Statistics for
Geographers. Guilford Press.
Dickinson, G. C. (1963). Statistical Mapping and the Presentation of Statistics.
London: E. Arnold.
Lee, J., and D. W. Wong (2001). Statistical Analysis with ArcView GIS. John Wiley
& Sons.
Levine, N. (1996). Spatial statistics and GIS: Software tools to quantify spatial
patterns. Journal of the American Planning Association, 62(3), 381–391.
Lu, T. C. (2011). Cross-correlation networks to identify and visualize disease
transmission patterns (Doctoral dissertation, University of Washington).
Melendez-Pastor, I., E. I. Hernandex, J. Navarro-Pedreno, and I. Gomez (2014).
Socioeconomic factors influencing land cover changes in rural areas: The
case of the Sierra de Albarracin (Spain). Applied Geography, 52, 34–45.
Plane, D. A., and P. A. Rogerson (2015). On tracking and disaggregating center
points of population. Annals of the Association of American Geographers,
105(5), 968–986.
Scott, L. M., and M. V. Janikas (2010). Spatial Statistics in ArcGIS. Redlands, CA:
ESRI Press.
Scott, L., and N. Warmerdam (2005). Extend Crime Analysis with ArcGIS Spatial
Statistics Tools. Redlands, CA: Esri Press.
Thapar, N., D. Wong, and J. Lee (1999). The changing geography of population
centroids in the United States between 1970 and 1990. The Geographical
Bulletin, 41(1), 45.
Wong, D. W. (1999). Several fundamentals in implementing spatial statistics in
GIS: Using centrographic measures as examples. Geographic Information
Sciences, 5(2), 163–174.
Another random document with
no related content on Scribd:
löydetäkään: kissa on käynyt toimittamassa siankin saman tien kuin
edellisetkin.
Silloin isäntä jo suutahtaa ja sanoo emännälle: »Kun et vartioitse

elukoitasi paremmin, niin riittäköön paistiksi vaikka tuo kopea kukon
rumilas tuosta rääkymästä!» Niin lähetään Immilän pönäkältä ja
suurelta kukoita kaulaa leikkaamaan, mutta eipä miestä löydetäkään:
taas on kissa ehtinyt toimittaa äijä rievun tielle pakoon ja suurella
touhulla hän oli mennytkin, moitiskellen isännän kiittämättömyyttä,
kun nyt sellaisella kohtalolla häntä, talon ylpeyttä, kehtaa uhata.
Kissa palasi taas katsomaan ja kuulemaan, mistä nyt aiottalsiin paisti
ottaa. Kun isäntä kuuli, että kukkokin oli hävinnyt, hän löi lakkinsa
lattiaan ja kiljaisi:
»Se tästä teille enempää häälihoja hankkimaan, kun kaikki elukat

käsistänne hupenevat! Kun ette muuta saane, niin ottakaa vaikka tuo
Kääpälän laiha kissanrontti ja keittäkää siitä rokkaa kuin vanhasta
rukkasesta, että lakkaa tässä ympärillä mauruamasta ja ruokaa
kerjäämästä!» Ja akat muka tavoittelemaan kissaa kiinni, mutta tämä
nosti häntänsä korkealle ja vaelsi muiden elukkain jälkeen. »Tämä
minun vielä piti saada kuulla!» sähisi hän kiukuissaan, »ensin
käsketään häihin kuten muitakin, eikä sitten raskita antaa edes
kunnolleen ruokaa, vaan jopa lopuksi haukutaan ja käsketään akkain
keittää minusta rokkaa, laihaksi rontiksi arvostellaan. Mutta annahan,
isäntä, omat silmäsi käyvät himmeiksi ja kyntesi tylsyvät, niin
eiköhän korkea äänesi laske ja etköhän mielelläsi ota kuppiisi, mitä
akat sattuvat antamaan.» Kissa kiiruhti toisten elukkain jälkeen ja
löysikin heidät pian läheiseltä aholta.
Nousi siitä nyt tuuminki, mihin tästä olisi paras pakoon mennä ja
mistä suojapaikka saada, kun iltakin oli jo lähenemässä. Kissahan
siihen neuvon tiesi. »Mihinkäpä tästä muualle», sanoi hän,
»mentäisiin kuin sinne Katilan autiotuvalle, jossa on ennenkin
paossa oltu. Eikös tämä kukko hyväkäskin mennä touhottanut sinne
sitä maailman loppuansa pakoon? Niin ettei muuta kuin pian tielle,
että saadaan yöksi kattoa päämme päälle». Ärtyisesti kissa näin
toimitti kaikki matkaan ja niin lähdettiin mennä nykyttelemään,
ensimmäisenä härkä, sitten ruuna, sitten sika ja kukko sekä
viimeisenä pahantuulinen Kääpälän kissa, mauruten ja pitäen pahaa
ääntä.
Kuljetaan siinä kotvanen, niin jo seisahtuu härkä ja katsoa

moljottaa pullottavilla silmillään eteensä tielle. Seisahtuvat siinä
muutkin ja katsovat myöskin. Jopas nähdään, kuinka sieltä jänis tulla
porhaltaa niin että korvat ovat luimussa ja sääret taaksepäin suorina.
Kissa hänet ensiksi tunsi, pysäytti tulijan vähän äkkiä ja kysyi
lyhyesti ja tuimasti: »Minne Jussilla matka?» — »Minnekäkö?»
ihmetteli Jussi, »tottakai häihin, sinne Immilään, ei suinkaan muualle,
kun on kutsuttu kaikki, mitä on ilman lentäväistä tahi jalan juokse
väistä». Katkerasti vastasi siihen kissa: »On nyt sillä tavalla, että
niissä häissä on lihan puute. Älä, veikkonen, mene sinne, sillä siellä
lyödään teuraaksi! Parempi on, että lähdet meidän mukaamme.» —
»No voi rakkaat veljet!» kiitteli heitä nyt Jussi sääret kenkkulassa,
»olipa toki hyvä, että satuitte vastaani juoksemaan, etten suin päin
surman suuhun lentänyt! Se kettu hyväkäshän minut tälle matkalle
houkutteli. Mutta mihinkäs te nyt sitten olette menossa?» Kissa selitti
asian, jonka kuultuaan jänis arveli, että vaikka hänellä onkin Katilan
autiotuvasta ikäviä muistoja, hän kuitenkin lähtee mukaan, koska
sattuu näin hyvää seuraa, ja niin rupesi Jussi joukon viimeisenä tulla
kyykkimään.
Saavuttiin siitä vihdoin perille, huomattiin tupa tyhjäksi ja asetuttiin
taloksi. Härkä laskeutui maata oven pieleen, sarvet oveen päin, kuin
pilttuuseensa, sika meni toiseen oven pieleen, jänis penkin alle,
kissa liedelle. Kukko sen sijaan lensi päreorsille, jonne asettui
mukavasti kynttensä varaan, valmistautuen painamaan päätä siiven
alle. Levähdetään siinä hiljaa vähän aikaa, kunnes härkä rupeaa
itsekseen murahtelemaan ja puhumaan.
»Kiittämättömyys on maailman palkka», kuului hän sanovan.

»Olisi luullut Immilässäkin olevan lihavaroja muutenkin, tarvitsematta
ruveta meitä vanhoja ja uskollisia kantaeläimiä surmalle saattamaan
— minuakin, jonka esi-isä aikoinaan toi taloon koko sen rikkauden.
Mutta muistetaanko sitä silloin, kun hääviinoissa pörrätään ja kaikki
mierolle syötetään!»
»Käh-käh-käh!» sähähti siihen kissa liedeltä, »sano muuta äläkä

valehtele! Mutta mitä sinä tarkoitat sillä, että sinun esi-isäsi olisi
tuonut Immilään sen rikkaudet? Sitäpä minä en ole sattunut
kuulemaan.»
»Niin on kuitenkin asia», vastasi härkä juroon tapaansa, »mutta se

on vanha ja pitkä juttu, eikä sitä jaksa nyt tässä ruveta
selostamaan.»
Toiset olivat kuitenkin tulleet perin uteliaiksi ja kärttivät kiihkeästi

härkää kertomaan, mitä tiesi. Tämän täytyi lopulta suostua ja niin
hän haasteli seuraavan sukutarinan.
LI.
KUNNIAKSI HÄRÄLLÄ SUURET SARVET.
Hämehessä häntä häilyi,

Pää keikkui Kemijoella,
Sata syltä sarvet pitkät,
Puolta toista turpa paksu.
Ennen vanhaan — alotti härkä — oli tämä Immilä niin köyhä talo,
ettei siinä ollut sanottavasti muuta kuin sija vain. Emäntä kuoli,
lapset menivät mierolle, vain ukko ja yksi härkä jäivät henkiin. Ei ollut
ukostakaan enää paljon mihinkään, vanhaksi kun oli käynyt, mutta
härkäpä sen sijaan olikin vasta uhkea ja komea. Se kun heinikossa
syödä syyhyrytteli ja purra pryyhyrytteli, niin kieli sillä kiersi heinää
kuin kesäorava, häntä heilui kuin Hämehen miekka, pää oli kuin
Jumin kurikka, silmämäljärit olivat suuret kuin renkaat ja sarvet — ne
vasta suuret ja terävät olivat. Ainoana tehtävänä oli Immilän ukolla
nyt tätä härkäänsä hoitaa ja syötellä sekä siinä välissä omienkin
hammasten rakoon murusta haalia.
Oli siinä sitten kuuma ja helteinen suvisydän, räkkää kovasti härän

kiusana, paarmaa, sääskeä, mäkärää ja polttiaista kuin tulena
vaivaamassa. Varsinkin sitten, kun ukko laski härkänsä syömään
jokirantaan vihantaan luhtaheinikkoon, yltyivät kiusanhenget ihan
vimmaan. Säästääkseen rakkaalta härältään edes pahimmat tuskat,
ukko eräänä aamuna hänet taas laitumelle laskiessaan tervasi
häneltä selän, sillä tervaa räkkä pelkää. Niin rupesi härkä taas
heinikossa syödä heilumaan ja nyhtämään.
Illan tullen, juuri kun hän oli kotiin lähtemässä, tunsikin hän, ettei
nyt ollut kaikki oikein hänen läheisyydessään. Hän katsoi tarkemmin
ja eikös ollutkin ilmestynyt siihen mörykkä, itse karhu nimittäin,
katselemaan häntä ja hänen syöntiään. Ei härkä ohtoa kuitenkaan
pelännyt, vaan syödä rouskutteli vain niinkuin ei olisi mitään
tapahtunut ja odotteli, milloin mahtaisi metsän kuningas antautua
niinkuin puheisille. Eipä aikaakaan, niin jo kysyy karhu:
»Mitä sinä, härkä, siinä raadat?»
»Parempiko kysymä kuin näkemä?» vastasi siihen härkä, mutta

lisäsi sitten kohteliaammin, että hän siinä vain syödä syyhyrytteli.
Karhu ehti kuitenkin hänen vastauksestaan hiukan nokastua ja
tiedusteli sen johdosta, oliko hänellä kuinka äijälti voimaa, kun sillä
tavalla toiselle uskaltaa vastata. Härkä mylvähti siihen heilauttaen
sarviaan ja mulkoillen suurilla silmillään:
»Onhan tässä sinulle katselemista, näitä kahta kalosarvustani,

kahta korvan hörppänää ja kahta silmämäljäriä. Ja kun et siitä
uskone, niin katso kieltäni, kuinka se menee kuin kesäorava, samalla
kuin pääni heiluu kuin Jumin kurikka, ja häntä kuin Hämehen
miekka. Tokihan siinä on voimaakin takana, vai kuinka?»
»Saattaapa hyvinkin olla», myönsi karhukin varovaisesti ja kysyi

sitten, tässäkö härkä asui.
»En», vastasi härkä, »en minä tässä asu, vaan tuolla Immilässä.
Kotiin tästä pitääkin jo lähteä, kun näkyy päivä painuvan männikölle.
Pian sieltä Immilän vaari huutaakin:
»Hoi on härkäni kotihin,

Päivä kaatuu kuusikolle,
Karkoaa katajikolle,
Vieree vehkavaarasille!»
Karhua harmitti, kun toinen siinä vain tyynesti puheli ollenkaan

mitään pelkoaan näyttämättä. Kun hän oli tottunut tappamaan
eläimiä selkään hyppäämällä, päätti hän säikäyttää härkää ja kysyi
äkkiä tuimasti:
»Hyppäänkö mä sinulle selkään?»
Mutta härkäpä vastasikin aivan rauhallisesti:
»Kun hypännet, niin hyppää!»
Sitten hän läksi sarviaan heilutellen mennä heistelemään Immilää

kohti. Karhu punalsi päätään suuttuneena, että tämähän nyt vasta
ylpeä härkä on, ja päätti siinä samassa, että hyppään kuin
hyppäänkin vietävän selkään, niin eiköhän vähän mahtavuus alene.
Ja niin mörykkä ottikin kovan vauhdin ja hypätä kurautti härän
selkään.
Mutta siitä olikin odottamaton seuraus. Sen sijaan että härkä olisi
tuosta pahoin säikähtänyt ja ruvennut karhulta armoa pyytämään, se
puhaltautuikin vimmattuun laukkaan, ja kun iso härkä oikein laukata
kuopaisee, on sillä selkä kuin mikäkin kiikku ilman kiinnipidintä, niin
että siinä vasta pysytteleminen on. Mörykkä huomasi kohta
tehneensä hullun tempun, ei tiennyt, kuinka siinä parhaiten pidellä
kiinni, kun töppösetkin tahtoivat tahrautua ja ilkeästi tarttua
pikeytyneeseen tervaan kiinni. Hänellä rupesi pian maailma
kieriskelemään silmissä perin pahasti ja hän koetti ärjähdellä härälle,
mutta ei se auttanut. Tämä vain meni yhä huimemmasti, myrisi kuin
maan alta ja heitteli takapuoltaan korkealle ilmaan, niin että karhu
koppina siinä selässä leiskahteli. Mörykkää hirvitti. Hän arveli
heittäytyä tiepuoleen, mutta ei uskaltanut tehdä sitäkään, kun puut,
maa, kivet ja kannot ihan viivoina vilahtelivat ohitse, niin että olisi
saattanut niskansa taittaa, jos niihin olisi paiskautunut. Hän rupesi jo
rukoilemaan härkää. »Heitä minut tuolle kivelle!» pyysi hän, »tahi
tuolle kannolle tahi mättäälle, kuule!», mutta ei härkä muuta kuin
entistäkin hurjemmin laukata kaapaisee. Samaa kyytiä jatkui aina
Immilän tanhualle saakka, jossa vaari ihmeissään oli katsomassa
härän tuloa. Mutta nähtyään puolipökerryksissä olevan karhun
härkänsä selässä ei ukko turhia kysellyt, muuta kuin paiskasi
kontion, ennen kuin se virkosi, kiireesti lujaan karsinaan, löi vankat
salvat eteen ja silitteli hyvillään härkänsä selkää, kun se tällaiset
antimet oli metsästä tuonut. Hyvillään härkäkin muljautteli
silmämäljäreitään ja heilautteli Hämehen miekkaansa, niin että eri
viuhkeen piti käydä siinä tanhualla iltasuitsun ääressä.
Seuraavana aamuna lisäsi ukko tervaa härkänsä selkään, kynsi

sitä korva-hörppänöiden takaa ja sanoi: »Mene, härkäseni, taas
sinne jokirannan luhtaan syömään ja tuo sieltä vaikka hukka
hallavaturkki tullessasi!» Härkä mylvähti tyytyväisenä ja läksi
reippaasti mennä heistelemään sinne eiliseen syömäpaikkaansa, söi
ahneesti koko pitkän päivän, kunnes illan tullen tunsi verissään, että
nyt eivät ole oikein asiat. Ja eikös ollutkin itse iso susi siinä ääressä
katsoa moljottamassa härkää, ja nauramattoman näköisenä.
Katsottiin siinä toisiaan hetkinen, kunnes susi kysyi samoin kuin
karhukin, mitä härkä siinä raataa. Härkäpä vastasi huolettomasti vain
syödä syyhyryttelevänsä ja purra pryyhyryttelevänsä, jos se asia
naapuria huvitti. Tästäpä susikin suutahti ja kysyi, minkä verran sitä
oli sattunut härälle tuota voiman puolta, koska tuolla tavalla vieraan
siivoon kysymykseen vastaa. Härkä siinä taas vastailee, viittaa
suuriin kalosarvusiinsa, heilauttelee Jumin kurikkaa ja Hämehen
miekkaa sekä vääntelee julmia silmämäljäreitään. Pitihän siitä toki
suden älytä, että on sitä siunautunut voimaakin, jos siitä kysymys
tulee. Sitten härkä katseli taivaalle, huomasi päivän jo kaatuvan
kuusikkoon ja arveli, että kotiinhan tässä onkin jo lähdön aika, sinne
Immilän leppoisen tarhasuitsun ääreen räkkää pois häätämään. Ja
niin hän lähti huolettomasti mennä heistelemään.
Suttakos vasta moinen ylpeys ja välinpitämättömyys harmitti! Että

uskaltaa tuolla tavalla halveksia häntä, joka on sentään monelta
härältä niskat nurin pannut. Hänen naamansa vetäytyi synkkiin
viiruihin ja hän näytti pitkiä, keltaisia hampaitaan. Mutta härkä ei siitä
sen kummemmin säikähtänyt, vaan sanoi pilkallisesti suden ohi
mennessään: »Hyppää selkään, jos haluat!» Sitä käskyä ei tarvinnut
uudistaa, vaan kuin korento tulla humahti susi samalla hänen
selkäänsä.
Silloin susi huomasi joutuneensa hankalahkoon asemaan. Härkä

läksi menemään niin vihaista vauhtia, että puut, kivet, kannot ja maa
vain harmaana viivana hänen silmissään vilisivät, ilma vinkui
korvissa ja härän selkä keikkui kuin tukki kuohuvassa koskessa.
Voimaansa susi ensin turvautui, ärjähteli ja komenteli pysähtymään,
mutta ei auttanut mikään. Jalat tarttuivat ilkeästi tervaan kiinni, karvat
juuttuivat siihen kuin liimaan, eikä mitenkään uskaltanut edes
ajatellakaan maahan heittäytymistä, niin oli vauhti vinha. Surkeasti
ulvoen turvautui susi lopuksi rukoukseen, pyytäen, että heittäisi
hänet nyt vaikka tuolle kivelle, kannolle tahi mättäälle, mutta turhaan,
härkä vain painelee eteenpäin kuin mieletön ja selkä keikkuu
hurjasti. Lopuksi sudelta hämääntyivät aivot kerrassaan ja tylsästi
tuijotellen hän vain henkeänsä peläten koetti pysytellä selässä miten
parhaiten taisi. Niin tulla tomahti taas härkä kuormineen Immilän
tanhuaan. Sielläpä olikin nyt ukko teerevänä vastassa, sivalsi
pökertynyttä sutta takajaloista kiinni ja heitti hänet lujaan karsinaan
kuin kuontalon, lyöden kovat salvat päälle. Hyvillään hän sitten taas
ruoputti härkää niiden korvahörppänöiden takaa ja vei suitsun
ääreen levähtämään, ja hyvillään härkäkin heilautteli Jumin
kurikkaansa ja mulkoili suurilla silmämäljäreillään. Niin päättyi siis
suopeasti sekin päivä.
Seuraavana aamuna ei ukko enää lisännytkään tervaa härkänsä

selkään, vaan kynsiskeli siltä sarvien juuria ja sanoi: »Mitähän,
härkäseni, jos vieläkin menisit sinne jokirannan luhtaan
syöskentelemään — eipä tiedä, vaikka sattuisi sieltä vaikka repo
rukka kopeutumaan kotiin tuotavaksi?» — »Niin, eipä tiedä!» myrähti
härkä siihen mukavasti ja lähti mennä heistelemään sinne samaan
rantaluhtaan mehukasta heinää syömään.
Päivänsä siellä nyt härkä taas syödä syyhyrytteli ja purra

pryyhyrytteli, eikä ollut tietääkseenkään, vaikka repo riepu siinä liehui
uteliaana ympärillä ja katseli hänen kalosarvusiaan ja
silmämäljäreitään. Vihdoinpa repokin kysyi kuten muutkin, mitä nyt
härkä siihen on tullut raatamaan, jolloin härkä antoi entiset hyvät
selityksensä. Sitten repo tuumi kuin sivumennen, että olivat tainneet
karhu ja susi äsken olla lystinajossa ja että saisiko sitä tällainenkin
nuorukainen yrittää. »Ka, saahan sitä!» vastasi siihen härkä, »ei
muuta kuin hyppäät selkääni, niin kyllä minä kyydin annan.» Kovasti
repoa kuitenkin asia arvelutti, sillä vaikka hänestä karhun ja suden
ajo olikin näyttänyt veikeältä, oli se samalla tuntunut perin
vaaralliselta ja kaamealta. »Eihän siitä vain putoa ja turmele
jäseniänsä?» kysyi hän epäillen. »Vielä siinä mitä jäseniä turmelee!»
hymähti härkä, »eivätpä turmelleet karhu ja susikaan, vaan keinuivat
siinä kuin kiikussa ja kiljahtelivat ilosta.» — »Vai ilosta ne
kiljahtelivatkin!» ihmetteli kettu, »ja minä kun luulin, että niillä oli
maailmanlopun aattohätä kovimmallaan molemmilla». — »Ehei!»,
nauroi härkä leveästi, »ei likimainkaan, vaan ihan riemusta ne
karjahtelivat; hyppää pois vain selkääni, sillä tässä täytyy lähteä
kotiin, koska näkyy päivä jo kallistuvan katajikolle!» Ja härkä läksi
näin sanottuaan mennä heistelemään Immilää kohti.
Silloin ketulla uteliaisuus voitti viisauden ja hän hypätä roikaisi

härän selkään. Siinä samassa oli tämä taas menossa kuin
myrskytuuli, että ilma vinkui kettu paran karvoissa. »Älähän,
älähän!» koetti kettu hädissään pidätellä ja puhella, »älähän niin
lujaa juokse, välttäähän tässä vähempikin kiire», mutta puhu puille
äläkä tälle juoksijalle. Pyyteli kettu pysähtymäänkin, sanoi, »heitä,
veliseni, vaikka tuohon mättäälle, tahi tuohon kivelle, pidätä hiukan,
että pääsen hyppäämään… ka… no… hyvä isä kuitenkin tuota
hullua härkää… henki tässä menee…» Ei auttanut mikään, härkä
porhalsi eteenpäin kuin valtautunut vene koskessa, ja niin toi hän
ketunkin Immilän tanhualle että heiskahti vain. Ja sielläkös oli vaari
vasta nokkelana kohta kettua takakäpälistä kiinni tarraamassa,
heittäen hänet kuin tappurakuontalon karsinan nurkkaan, niin että
mätkähti. Mahdottomasti mielissään hän sitten vei härkänsä suitsun
ääreen, niitti sille kaikista mehukkainta apilaa eteen, kynsiskeli
sarvenjuuria; silitteli niitä suuria korvahörppänöitä ja taputteli sitä
metisin mielin.
Seuraavana aamuna ukko taas härkäänsä hyväilee ja taputtelee
sekä sanoo: »Ei sinun, härkäseni, enää tarvitse mennä sinne
jokiluhtaan syömään, ellet itse tahdo, vaikka hauskaahan silti olisi,
jos vielä jäniksenkin saisit tuohon samaan joukkoon hankituksi. Kas
silloin meillä alkaisivat oikein hyvät päivät.» — »Vielä sinne jäi
minulle paljon hyvää laidunta», ilmoitti härkä siihen, »niin että kai
minä sinne vielä tänään menen jälkiäni parsimaan. Ja jos sattunee
jänöjukka tielleni, niin keveästihän tuo toki kotiin kulkeutunee.» Ja
niin härkä taas lähti mennä heistelemään, että tanner kumisi.
Ja eikös sattunutkin taas mukavasti! Ei ollut härkä kauan siellä

luhdassa ollutkaan, kun jo ilmestyi jänö siihen äärelle kuukkimaan ja
nuuhkimaan, että mitä se härkä siinä raataa. Härkä näkee hänet
silmännurkallaan ja hymähtelee itsekseen, että eiköhän tuokin pian
pyri siihen samaan eiliseen lystinajoon. Ja aivan oikein! Jänis hetken
kuluttua varovaisesti tiedustelee, mihin kettu oli eilen matkustanut,
kun sitä oli sellaisella kiireellä kyyditty, ja härkä selvitti, ettei kettu
mihinkään ollut matkustanut, vaan oli vain ollut lystinajossa. »Saisiko
tällainenkin kenkkulasääri koettaa?» kysyy nyt jänis nöyrästi ja
huonoksi tekeytyen, johon härkä hyväntahtoisesti vastasi, että
mikäpäs siinä, kun on noin keveäkin, hyppää vain selkään silloin kun
hänelle tulee kotiin lähtö.
Hyvillään siinä sitten jänö kuukki ja nuuhki härän vaiheilla koko

sen päivän ja aivan oikein illalla, kun härkä läksi kotiin, hypätä
pinkaisi tämän selkään. Ja sitten kun taas mentiin, niin se oli menoa.
Jänis olisi varmasti pudonnut, ellei olisi karvoistaan juuttunut tervaan
niin kiinni, ettei päässyt irtautumaan, ja niin heitti Immilän vaari
hänetkin karsinaan kuin ruskean villatukon. Sitten vaari ihan mesi
suussa saatteli härkänsä parhaaseen kastikasnurmikkoon, nimitteli
häntä ylimmäksi ystäväkseen ja hyväntekijäkseen sekä määräsi, että
syödä syyhyryttele ja purra pryyhyryttele nyt siinä ikäsi sitä parasta
nurmikkoa. Ja härkäkin oli mielissään sekä ylpeänä kaikista
puuhistaan ja ammahteli kumealla ja kehuvalla äänellä:
»Kaksipa kalosarvustani,
Kaksipa hörppäkorvastani,
Kaksipa silmämäljäriä!
Pää kuni Jumin kurikka,
Häntä kuin Hämehen miekka,
Kieli kuin kesäorava!»
Seuraavana aamuna Immilän vaari sitten myhähteli itsekseen ja

otti kaikista suurimman puukkonsa, joka oli niin pitkä, että se olisi
kelvannut kohtalaiselle miehelle vaikka miekaksi, tarttui
kovasimeensa ja meni istumaan karhun karsinan kynnykselle. Siinä
hän sitten kuin omia aikojaan rupesi hioa jylkyttelemään
puukkoansa, sylkäisi väliin kovasimeen ja taas hioa nytkytteli. Karhu
heräsi siihen, meni katsomaan karsinan raosta, mitä oli tekeillä, ja
näki ukon hiovan isoa, kamalan näköistä puukkoa. Ei karhu ensiksi
siitä kuitenkaan välittänyt, mutta vähitellen rupesi tuo hiomisen
jarnutus ilkeästi hänen selkäänsä karsimaan. Kuta kauemmin ukko
siinä teki työtänsä, sitä ilkeämmäksi kävi karhulla olo, kunnes hän ei
voinut enää hillitä itseään, vaan meni ukon puheille. »Miksi sinä,
ukko, siinä veistäsi hiot?» kysyi hän. Ukko silloin vastata sihautti
hampaattomasta suustansa: »Hionpahan vain, jotta olisi kunnollinen
ase, millä noita vanhimmaisia tappaa!» Kontion kuullessa sen
herkesi hänen sydämensä hetkeksi lyömästä ja hän lepsahti
istualleen karsinan kynnykselle. »Onkos tämä nyt laitaa!» sanoi hän
tärisevällä äänellä, »että uhkaat lähimmäistäsi moisella kohtalolla!
Älä nyt sentään minua tapa, sillä saattaisihan minusta olla sinulle
apuakin, jos tarkoin tuumittaisiin.» Ukon silmät välähtivät viekkaasti,
mutta ynseästi hän kuitenkin tuumi: »Mitäpä apua sinusta olisi!
Parasta on, kun lyön sinut penkkiin ja vedän nahan orteen, niin siitä
aina sentään markkinoilla rahoja heittää!» — »On vainonkin», intti
karhu, »minusta se vasta apu lähtee! Jos säästät henkeni, niin tuon
sinulle suuren hevoslauman ihan ikiomaksesi.» — »Hevoslauman!»
ihmetteli nyt ukko halveksivasti, sylkäisi kovasimeensa ja rupesi
päättäväisesti ja entistä suuremmalla innolla hioa karnuttelemaan.
Karhu hätäytyi ihan kokonaan. »Varmasti tuon hevoslauman!»
vannoi hän, »vaikka heidät olisi sitten kuninkaan haasta haettava.»
Ukko pysäytti hiomisensa ja epäili: »Tokko tuosta mitään syntynee —
mutta vannotko pääsi kautta?» — »Vannon!» lupasi karhu. »No
pitänee miehen sanaa uskoa», arveli nyt ukko ja päästi hänet
menemään varoittaen: »Mutta muistakin, että sen hevoslauman
pitää olla vähän äkkiä täällä, muuten tuleekin tiukka kaulanleikkuu!»
— »Kyllä, kyllä!» lupasi karhu ja meni.
Tehtyään tällaisen urakan karhun kanssa siirtyi Immilän vaari

suden karsinan eteen ja alkoi hioa jylkytellä sitä kamalata
puukkoansa. Kestihän susikin sitä ääntä vähän aikaa, mutta ei
kuitenkaan kauan, sillä niin tavattoman ilkeästi tuo hiomisen ääni
karsi selkäluita. Susi irvisteli synkästi ja kysyi lopuksi vihaisesti
vaarilta, mitä tämä nyt oli siihen tullut hioa jarnuttamaan. »Hion»,
vastasi sihauttaen vaari, »tätä hyvää puukkoani, että olisi oivaa
asetta, millä noita viirunaama-vanhimmaisia tappaa». Enempää ei
sudelle tarvittu, hän ymmärsi heti kaikki ja nöyryytti paikalla
luontonsa. »Kuule, äijä!» sanoi hän vapisevalla äänellä, »jos vain
säästät henkeni, tuon sinulle suuren lehmikarjan.» Vaari pysähdytti
hiomisensa ja höristi korviansa. »Lehmikarjanko?» kysyi hän ja
nauraa hörähdytti, »mistäpä sinulla, jäykkäselällä, lehmikarja?» —
»Tuon», vakuutti susi tuskissaan, »vaikka hänet itsensä kuninkaan
tarhasta olisi haettava». »Ka, pitänee miehen sanaan luottaa», arveli
silloin ukko ja päästi suden menemään varoitten: »Käykin kiireesti se
karja hakemassa, muuten on pian puukko kurkullasi.»
No, se oli sitten sitä myöten selvää. Ukko kohautti mielissään

housujansa, kiristi tuppivyötänsä ja siirtyi revon karsinan eteen hioa
jarnuttamaan sitä kamalata puukkoansa. Nytkytteli, nytkytteli siinä
aikansa, taas sylkäisi kovasimeen ja uudelleen itsepintaisesti hioa
jarnutteli, niin että revolla vihdoin rupesivat ankarat vilunväreet
mennä puhaltamaan pitkin selkäruotoa, vaikka kuinka olisi koettanut
makuuttaa päätä käpälällä ja olla nukkuvinansa. »Piessan
äijänkäriläs!» suutahti hän jo ja leuhautti leveätä häntäänsä, mutta
eipä se äijään näyttänyt vaikuttavan. Ja kun repo kurkisti karsinan
raosta, näki hän, kuinka ukko silloin tällöin kolkosti heilautti
puukkoansa ja aina väliin uhkaavasti suullansa sihautti. Jo meni
silloin revoltakin luonto tykkönään ja hän kysyi nöyrästi: »Miksi sinä,
ukko, veistäsi hiot?» — »Ka hion», vastasi ukko, »jotta olisi
kelvollista asetta mitä käytöllä, kun tässä ruvetaan noita
vanhimmaisia tappamaan.» Silloin huomasi repo kaikki vanhat
keinonsa turhiksi, heittäysi armon penkkiin ja lupasi ukolle
lammaskatraan, jos tämä vain säästäisi hänen henkensä. Ja vaikka
ukko kovasti epäilikin ketun sanaa, päästi hän hänet kuitenkin, kun
toinen vannoi pyhät valat, että hän tuo lammaskatraan, vaikka hänet
ihan keisarin karsinasta pitänee hakea.
Mitäpäs siinä sen enempää! Ukko siirtyi jäniksenkarsinan eteen

istumaan. Monta jurautusta ei hänen tarvinnutkaan kovasimellaan
tehdä, ennen kuin jänis hulluna pelosta poukkoili ylös karsinan seiniä
pitkin ja vepitti suullaan täristen kuin kaisla virrassa. »Mitä sinä,
ukko, veistäsi hiot?» kysyi hän pöllötellen silmillään kauhuissaan.
»Hion», vastasi ukko, »jotta olisi tukevata terästä, kun tässä
ryhdytään noita nuorimmaisia tappamaan.» — »Älä minua tapa!»
pyyteli jänis tuskissaan, »minä tuon sinulle vaikka mitä, kunhan vain
et tapa.» — »No mitä sinulla sitten olisi lunastimeksi tuotavana?»
Jänis pöllötteli kovasti miettien sitä kaikista parasta, mitä ukolle
tarjoaisi ja sanoa hurautti lopuksi: »Minä vaikka tuon sinulle itsensä
kuninkaan tyttären kultapatjat!» — »Ohoh!» nauraa sihautti siihen
Immilän hampaaton vaari, »kun kerta sellaiset aarteet tuonet, niin
tottahan nyt sillä hinnalla sinut irti päästän», ja niin päästikin.
Sellaiset teki Immilän vaari kaupat niiden härän tuomien

lystinajajain kanssa ja meni siitä härällekin kertomaan. Ruvetaan
siinä vain sitten niitä tuomisia odottelemaan.
Jopas sitten eräänä aamuna, kun äijä oli porrasten päässä

silmiään pesemässä ja miettimässä, että taisivatpa ne metsän
miehet sittenkin vetää häntä huulesta, kun ei rupeakaan mitään
näkymään, kuuluukin metsästä kovaa jytinätä kuin olisi ukkonen
ruvennut jyrisemään. Ukolla lensivät silmät pystyyn ja korvat höröön.
Jytinä kasvoi, ihan maa tuntui täräjävän, ja siinä samassa ajaa
hurautti kontio pihaan yhdeksän silkkimustaa oritta, niin että niillä
hännät heiluivat, harjat leiskuivat ja silmät tulisesti säkenöivät. »Siinä
on sinulle yhdeksän kuninkaan parasta oritta!» huusi karhu ja auttoi
vielä vaaria ajamaan villit hevoset tanhua-aitaukseen. Ja ukkokos oli
vasta mielissään ja kiitteli karhua, joka niin uljaasti oli lupauksensa
pitänyt. Oli nyt hevosta Immilässä sekä myydä että auran eteen
valjastaa.
Taas kun äijä seuraavana aamuna Seisoi tupansa portailla ja

arveli, että mitenkähän käynee sen suden lehmikarjan, niin
rupeaakin kuulumaan salolta aivan mahdoton meteli. Maa täräjää,
ilma vavahtelee ammumisen voimasta, ja kohta ajaakin hukka
pihaan mahdottoman suuren lehmikarjan. On siinä nupopäätä, on
kyyttöä ja laikkokylkeä, kaikki niin kiiltäväkarvaisia ja lihavia, että
utaret ihan maata laahaavat. »Siinä on sinulle kuninkaan paras
lehmikarja», ilmoittaa susi ja kaahaa yhtenä ukon kanssa lehmät
härän luo sinne kastikasnurmikkoon syömään.
No niin, hyvinhän tämä kaikki tuntui menevänkin. Seuraavana

aamuna taas portailla seistessään ja pyyhkiessään rasvaista maitoa
partahaivenistaan kuuleekin ukko sellaista rapinaa kuin olisi pieniä
kiviä hyppyytetty suuressa seulassa. Ja kohta rupeaakin kuulumaan
tuhansien pikku kavioiden kapsetta, mäkätystä, määkimistä ja
saparon lerkutusta, ja siinä samassa ajaa repo vasta muhkean
lammaskatraan pihalle. On siinä pitkäsarvista pässiä, on vuonaa ja
emälammasta, niin että selkää vilisee piha täynnään kuin aaltoa.
Mieluisasti ukko taas saatteli lampaansa talteen, kiitteli ja silitteli
repoa ja ihan kahta kämmentä läimäytti, kun olivat; niin perki hyvin
kaikki hänen tuumansa menestyneet. — »Puuttuisipa vielä,» myhäili
hän, »että jänis toisi ne kuninkaan tyttären kultapatjat, niin saisi jo
sanoa, että sain kaikki, mitä halusin, ja vielä pikkuisen lisääkin».
Niin, kuinka olikaan jänikselle käynyt? Hän oli lähtenyt

laukkaamaan kuninkaan hoviin, niin että sääret olivat olleet takana
ojossa, ja tullut niin kuninkaan sillan päähän. Heitukat siinä katsovat,
mikä kumma hyppii sillan päässä — jänishän se olikin. Kun jänis
näkee heitukkain tulevan, niin se sanookin heille: »Hyppisin koppisin
kuninkaan sillan päässä, vaan en, varajaisi!» Heitukat tästä
hämmästyvät niin, että ovat selälleen lentää, ja arvelevat, ettei
moista jänistä ole ennen nähtykään. Kysyvät sitten, mitä jänis
haluaa. Silloinpa jänis vastaa: »Hyppisin koppisin kuninkaan pirtissä,
vaan en varajaisi!» Heitukat nyt arvelevat, että tämä suittaa merkitä
vallan ihmeitä ja käyvät ilmoittamassa itsellensä kuninkaalle,
minkälainen jänis on tänne ilmestynyt, että se vaatii päästä ihan
tänne pirttiin hyppimään ja koppimaan. »Ka mikäs estää», määrää
kuningas, »se kun vain laskette tulemaan, kun halunnee». Ja
kuninkaan tytär, joka siinä isänsä vierellä kultapatjoilla makasi
ihanana kuin aamurusko, taputti ilosta pieniä käsiään, kun sellainen
ihme-elävä nyt saadaan nähdä. Tulee jänis, touhottaa, ja panee
kuninkaan pirtin lattialla että hyppis koppis, ja sitä kuninkaan tytär
nauraen katsoo. Jo kysyy taas kuningas, mitä asiaa jäniksellä sitten
oikein oli. »Hyppisin, koppisin», sanoi jänis, »kuninkaan tyttären
kultapatjalla, vaan en varajaisi». Kaikki siitä nauramaan, että onhan
tämä nyt ihmeellinen jänis, ja kuninkaan tytär antaa hänelle sitten
kultapatjansa. »Hypi ja kopi nyt siinä!» sanoo hän antaessaan. Mutta
eipä ehtinyt kuninkaan väki sitten sen enempää huomata kuin että
jänis tempasi patjan hampaisiinsa, viskasi selkäänsä ja katosi
aukinaisesta ovesta kuin vilaus, josta ei sen enempää kuultu eikä
nähty. Ällistyneenä vain jäätiin korvallista kynsimään, että olipa, totta
vieköön, aivan tokiotto jänis tämä.
Kun sitten Immilän vaari seuraavana aamuna pirtissään juuri

tuppivyötänsä kiinnittelee, kuuleekin hän rapinaa ja laahaamista
oven takaa. »Yhyh!» rykäisi hän itsekseen, »eiköhän vain olekin
siellä jänis niitä kultapatjoja laahaamassa». Ja minkä vuoksi ei ole!
Kun ukko avaa oven, niin aivan oikein sieltä jänis hikipäissään
hampaissaan raahaa ihanata kuninkaan tyttären kultapatjaa portaita
ylös ja antaa sen ukolle, joka nyt hänet mitä parhaiten kiittelee. Niin
oli siis loppunut se mahdoton tavaran ja hyvyyden hankkiminen ja
siitä asti oli köyhyys Immilästä kaukana.
LII.
PELKO PAHIMMAT TEKEE.
Ohtosen! ainoiseni,
Mesikämmen kaunoiseni,
En sua kiellä kiertämästä,
Enkä käymästä epeä.
»Tällainen se sitten oli tarina siitä, miten minun esi-isäni toi

Immilään kaiken sen rikkauden», ilmoitti härkä lopuksi ja huomautti
vielä jurosti: »Mutta ei sitä nyt enää muisteta ollenkaan, vaan
iltikseen aiotaan minut teurastaa häämierolle rokkalihoiksi.»
Kukko, ruuna ja sika sekä jänis olivat nukkuneet härän pitkään ja

harvakseen jutellessa. Kissa sen sijaan, joka on yöeläin, oli
kuunnellut sitä ja sanoi:
»Olipa siinä tarinaa kerrakseen, oli! Mutta tietääpä ne Immilän

väet, samanlaisia touhakkeita kuin tuo niiden kuuluisa kukkokin.»
Sitten kisa katseli hehkuvilla silmillään härkään päin ja sanoi:

»Kylläpä nyt onkin pimeä, ihan kuin tervaa kaikki. Kuulitko muuten
äsken tuolta ulkoa sellaista hiljaista tissutusta ja kähnimistä?»
Kummastuneena härkä kielsi, jolloin kissa taas sanoi: »Kyllä siellä
varmasti joku oli ulkopuolella nuuskimassa. Kunhan vain eivät olisi
niitä tihulaisia.» — »Mitä ihmeen tihulaisia?» kysyi nyt härkä, ja
heräsivät siinä jo toisetkin, kun oli härän yksitoikkoinen jorotus
keskeytynyt.
»Käh-käh-käh!» kiivastui siitä kissa, kun kaikki tällä tavalla

rupesivat häneltä niistä tihulaisista kyselemään. »Mistäpä minä
tiedän!» sanoi hän, »kylällä vain kuulin ihmisten sanovan, että senkö
tonttuja ja tihulaisia lie ruvennut asumaan tuolla Katilan autiotuvassa,
kun siellä kuuluu sellaista liikettä alituisesti olevan. Ne tihulaiset ja
tontut, ne ovat taas sellaisia paholaisia, mitä lienevät; niitä kuuluu
olevan jos kuinka monisarvisiakin, ja jos ne valtaavat jonkun
asunnon, ei niitä tahdo saada millään pois. Kuulin isännän kertovan
sellaisesta talosta, ja sen omistaja oli luvannut vaikka mitä sille, joka
saisi sen paholais-äijän pois hänen suuresta tuvastaan, kun se siellä
oli ruvennut alituiseen ja varsinkin öisin möykkämään.» Näin selitti
kissa oudosteleville kuulijoilleen, mutta härkä sanoi tyynesti: »Jos
hän tänne yrittää, niin lähtö täältä tulee. Ruvetaan nukkumaan vain,
hyvät veljet!»
Siinä samassapa kuuluikin ulkoa sellaista kähnimistä, että sen

huomasivat kaikki pirtissä olijat, ja ennen kuin ehdittiin sen enempää
sitä ajatella, ilmestyi oviaukkoon mahdottoman suuri ja musta
haamu, kuin olisi itse jättiläinen yrittänyt siitä sisään kävellä. Samalla
se päästi oudon ja hirvittävän äänen, lähtien menemään peremmäksi
tupaa. Jäätävä kauhu silloin valtasi tuvassa olijat, mutta vain
hetkeksi, sillä pian selvisi härkä säikähdyksestään ja karjaisi: »Mikä
tänne tulee yörauhattomuutta tekemään!» sekä tölmäsi samalla
voimainsa takaa outoa rumilasta kylkeen, niin että tämä pyllähti
nurinniskoin lattialle. Eikä se ehtinyt enää päästä kunnolla siitä
jaloilleen, kun ruunakin jo oli saanut mielenmalttinsa takaisin, heitätti
takapuoltaan ja lasketti molemmilla takakavioillaan tulokasta otsaan
sillä seurauksella, että tämä meni ilmassa ympäri kuin jalasta
lentänyt tallukka. Jopa pakeni tulijalta luonto ja kovaa ääntä pitäen
se rupesi hakeutumaan takaisin ovelle päin. Siinäpä silloin jänis alkoi
laukata ympäri penkinaluksia kuin kerä, ja kun rumilas sattui
menemään lähelle liettä, sähähti sieltä kissa hänelle vasten naamaa
kuin olisi tuhannella äimällä yhtaikaa pistää jurautettu.
Huumautuneena syöksyi tulija silloin suinpäin ovea kohti, mutta vielä
mennessä ehti sika rohmaista häntä torahampaillaan sääreen.
Jytinää vain kuului hetken yön pimeydestä ja niin oli tihulainen
hävinnyt sen tiensä. Rauhassa pääsivät vihdoin eläimet yötänsä
viettämään.
Mitä oli sitten oikein tapahtunut?
Eihän mitään sen kummempaa kuin että kettu liuvari oli sattunut
näkemään kotieläinten kulkueen ja seurannut varovasti perässä
nähdäkseen, minne he oikein olivat menossa. Huomattuaan heidän
menevän Katilan autiotupaan ja kaikesta päättäen aikovan jäädä
sinne yöksi oli ketulle juolahtanut sukkela tuuma mieleen. Tästähän
nyt karhu saisi korvauksen niistä kuolleista hevosista, joista hän sille
oli äsken valehdellut, ja siinä sivussa saisi hänkin, kettu itse, maistaa
hiukan tuoretta lihaa. Tuumasta toimeen! Hän läksi kiireesti mennä
litvittelemään sinne päin, jossa arvasi karhun oleskelevan, eikä
aikaakaan, kun jo löysikin hänet yksinään pimeässä korvessa
nuuhkailemassa. Mutta hän oli nyt pahalla tuulella, kun olivat selkä ja
sivut kipeät sen soiton opettelemisen jäljeltä, ja muljautti vihaisesti
kettuun päin. »Mitä kureja sinulla nyt on?» kysyi hän istahtaen
mättäälle. »Ei, eno kuoma, nyt joudetakaan istumaan!» sanoi kettu,
»nyt onkin vasta maku pirtissä.» — »Missä pirtissä?» kysyi karhu

Full Ebook of Spatiotemporal Analytics Jay Lee Online PDF All Chapter

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Full Ebook of Spatiotemporal Analytics Jay Lee Online PDF All Chapter

Uploaded by

Copyright:

Available Formats

Spatiotemporal Analytics Jay Lee

Visit to download the full and correct content document:

Online Learning Analytics (Data Analytics Applications)

Industrial AI Applications with Sustainable Performance

Developing Informed Intuition for Decision Making Data

Graph-Powered Analytics and Machine Learning with

Tamarillo Tart Southern Lights 2 1st Edition Jay Hogan

Powder Pavlova Southern Lights 1 1st Edition Jay Hogan

Real Analysis Jay Cummings

Flat Whites Chocolate Fish Southern Lights 3 1st

• Provides a comprehensive understanding of spatiotemporal ana-

Undergraduate and graduate students who use Geographic Information

First edition publisshed 2023

and by CRC Press

CRC Press is an imprint of Taylor & Francis Group, LLC

ISBN: 978-1-032-303055 (hbk)

Access the Support Material: www.routledge.com/9781032303055

Chapter 1 Introduction to Spatiotemporal Analytics ............................ 1

Chapter 2 Spatiotemporal Centrography and Dispersion .....................13

Chapter 3 Spatiotemporal Quadrat Analytics ..................................... 35

Chapter 4 Spatiotemporal Nearest Neighbor Analytics .......................53

Chapter 5 Spatiotemporal Ripley’s K and L Functions ....................... 77

Chapter 6 Spatiotemporal Autocorrelation Analytics ..........................91

Chapter 7 Spatiotemporal G Statistical Analytics .............................113

Chapter 8 Spatiotemporal Kernel Density Estimation .......................127

Chapter 9 Spatiotemporally Weighted Regression .............................145

Chapter 10 Spatiotemporal Bayesian Regression .................................175

Chapter 11 Spatiotemporal Process Analytics and Simulations ......... 207

Chapter 12 Spatiotemporal Analytical Unit Problems .........................233

Xuyang Cheng Shengwen Li

Bo Huang Peixiao Wang

Sensen Wu Han Yue

FIGURE 1.1 From spatial patterns to a spatial process.

population densities, the space–time interaction embedded in these trends

accompanying test dataset and the accompanying software tools to arrive at

1.1 FROM SPATIAL ANALYTICS TO

1.2 SPATIAL DEPENDENCY AND

spatiotemporal analytics should be used with care and with a thorough

1.3 SPACE–TIME DEPENDENCY

geography led to works in space–time prism that were referenced by many

Spatiotemporal interactions are a class of relationships that include

a data model [data | process, data parameters],

Together, these stages produce a posterior distribution that is proportional

1.4 CONCLUDING REMARKS

Hagerstrand, T. (1963). Geographic measurements of migration: Swedish data. In

Tobler, W. R. (1970). A computer movie simulating urban growth in the Detroit

Jay Lee and Huiyu Lin

To assess the dispersion of data values, the following equation can be

The variance (V) of values in a dataset can be calculated as

A coordinate pair, ( x , y ), can define a location in a two-dimensional space.

2.2 REVIEW OF RELEVANT LITERATURE

FIGURE 2.1 A set of spatiotemporal events in three dimensions (x, y, t).

disease patterns in a doctoral dissertation. Not surprisingly, spatial sta-

2.3 ANALYTICAL METHODS

2.3.1 Centrography of Spatiotemporal pointS

2.3.1.1 Spatiotemporal Mean Center

As shown in Figure 2.2, triangular symbols represent the spatiotemporal

2.3.1.2 Weighted Spatiotemporal Mean Center

differences, it is possible to give each spatiotemporal point a weight in

In the above equation, each point is associated with a given weight by

2.3.1.3 Changes in Spatiotemporal Mean Centers

2.3.1.3.1 Orientations and Changes in Spatiotemporal Mean Centers

When examining just the spatial orientation without considering time,