ArcGIS、QGIS、Grass、および/またはGVSIGを使用：
回答:
この質問はコミュニティWikiおよびwikiロックに変換されました。これは、回答のリストを求める質問の一例であり、閉鎖から保護するのに十分人気があるように見えるためです。これは特別なケースとして扱われるべきであり、これや他のStack Exchangeサイトで推奨されている質問の種類と見なすべきではありませんが、より多くのコンテンツを投稿したい場合は、この回答を編集して自由に投稿してください。
少なくとも2種類のヒートマップがあります。
すべての方法には長所と問題がありますが、詳細についてはこのQ＆Aをはるかに超えていると思います。
QGISとGRASSのいくつかのメソッドと関数をリストしてみます。
ポイントの集中
野生動物や乗り物などの動きを追跡している場合、ロケーションメッセージが集中している地域を評価するのに役立ちます。
ツール：QGIS Heatmapプラグイン（バージョン> 1.7.xで利用可能）またはGRASS v.neighborsまたはv.kernel
属性値の分布
ここでは、基本的に補間方法について多かれ少なかれ話しています。メソッドが含まれます：
IDW
実装に応じて、グローバル（セット内の使用可能なすべてのポイントを使用）またはローカル（ポイントの数またはポイントと補間された位置間の最大距離によって制限される）になります。
ツール：QGIS補間プラグイン（グローバル）、GRASS v.surf.idwまたはr.surf.idw（ローカル）
スプライン
繰り返しますが、可能な実装の膨大な数。B-スプラインが人気です。
ツール：GRASS v.surf.bspline
クリギング
さまざまなサブタイプの統計的方法。
ツール：GRASS v.krige（ヒントはom_hennersに感謝）またはRを使用
統計的には、ヒートマップの実行方法を次に示します。
1）ポイントフィーチャを統合します。統合の考え方は、一致すると見なされるポイントを取得し、それらを単一の場所としてマージすることです。最近傍分析を使用し、そこから適切な値を使用するのが好きです。（たとえば、犯罪ヒートマップを実行するとき、犯罪がジオコーディングされる基礎となる区画データセットに、平均1番目の最近傍を使用します）。
2）イベントを収集します。これにより、統合されたすべてのポイントの空間ウェイトが作成されます。たとえば、1つの場所に5つのイベントがある場合、ウェイト5の1つのポイントになります。これは、次の2つのステップに不可欠です。プールされたイベントの属性を集約する必要がある場合、つまり、異なるイベントの重みが大きい場合は、1対1の空間結合を使用できます。「イベントの収集」出力をターゲットとして使用し、元の統合イベントを結合機能として使用します。統合されたイベントの属性を統計的に結合したフィールドマップマージルールを設定します（通常はSUMを使用しますが、他の統計を使用できます）。
3）Global Moran's Iを使用して、ピークの自己相関を決定します。それが言うように、グローバルなモランのIを異なる間隔で実行して、実行している分析に適したスケールで空間的自己相関のピークバンドを決定します。収集したイベントで最近傍を再度実行して、モランのIテストの開始範囲を決定することができます。（たとえば、最初の最近傍に最大値を使用）
4）Getis-Ord Gi *を実行します。モランのI分析に基づいて固定距離バンドを使用するか、固定距離バンドを無関心のゾーンとして使用します。収集イベントからの空間的重みは、数値カウントフィールドです。これにより、セット内の各イベントポイントのZスコアが得られます。
5）Getis-Ord Gi *の結果に対してIDWを実行します。
この結果は、カーネル密度で得られる結果とは大きく異なります。カーネル密度のようにクラスタリングに関係なく、値が高いだけでなく、高い値と低い値が一緒にクラスター化されている場所を示します。
私はヒートマップが好きですが、よく誤用されていることに気付きます。
通常、私が見たのは、各ピクセルの色がポイントのコレクションに適用された逆距離加重関数の結果に基づいているプロセスです。マップに重複するポイントマーカーが多数ある場合は、ヒートマップを検討する価値があると思います。
これはWebベースのapiです。
GeoChalkboardには良いチュートリアルがあります。
ArcGISでIDWを使用できます。
単純なヒートマップとcountour lineの生成のために、Grass統合でQGisを使用しました。
NB：これが機能するためには、データセットが同じ投影にある必要があります！
この問題は、問題に関するいくつかの点を除いて、大部分が回答されたと思います。
ヒートマップは素晴らしいものですが、古典的な欠陥と問題は解釈にあります。犯罪発生率のヒートマップと犯罪率/割合のマップ（ヒートなど）の違いを比較してください。イベントヒートマップは、全体的なイベント密度を特定するという点では有用かもしれませんが、リスクの推定値として盲目的ですが、多くの場合、この方法で解釈または誤用されます。同じサイズと形の地域で同じ数のイベントを考えてみましょう。ただし、人口は異なりますが、犯罪はそのエリアに集中している可能性があります。また、ヒートマップラスターを生成するには人口のモデルのようなイベントが必要になる可能性がありますが、人々は立ち止まる傾向がないため、犯罪などのイベントデータのレートをモデル化することは困難です。
2番目の問題は、ヒートマップが単一の空間スケールの検討に限定されており、この空間スケール、つまりカーネルサイズまたは減衰率を選択することは複雑で、研究の目標に依存するが、正当化する必要があることです。ポイントが最強のクラスターの中心とそれが発生する規模を特定することである場合（おそらく、疾病の発生源とその広がりの要因を特定するため）、より良い選択肢は複数の規模を考慮することです。スケール/面積に比例する適切な重み付けにより、3次元ラスターを生成します。3D空間スケールラスターの極大値は、クラスターの中心の位置とそれぞれのサイズ、およびスケール間の持続性を示します。