Uno de los campos de investigación más importantes en la minería de datos espacio-temporales es la identificación de rasgos de eventos. En particular, los rasgos se definen como subgrupos de eventos en volúmenes espacio-temporales acotados con una intensidad más alta que los eventos fuera de dichos volúmenes (llamados eventos de fondo, ruido o desorden). La identificación de tales rasgos puede proporcionar información valiosa para muchas aplicaciones en ciencias e ingenierías. En la práctica, fenómenos geográficos tales como epicentros de terremotos, casos de enfermedad, reportes de crímenes, focos de incendios forestales entre otros, suelen ser modelados como eventos espacio-temporales y la detección de rasgos es utilizada para estudiar la evolución de estos fenómenos, así como para revelar anomalías en el espacio o tiempo y para detectar acumulaciones particulares de eventos usualmente denominados en estadística como puntos calientes. La detección de rasgos es un gran desafió para la estadística espacio-temporal dada la complejidad inducida por el acoplamiento de espacio y tiempo, además de la interferencia provocada por el ruido. Adicionalmente, otros elementos a considerar según la metodología propuesta son la subjetividad en la elección de aspectos cruciales tales como la ventana de observación y los valores críticos correspondientes para clasificar un evento como rasgo o ruido. En la teoría de los procesos puntuales, este problema ha sido ampliamente abordado desde un punto de vista puramente espacial. Por ejemplo, en la literatura existen métodos para encontrar la solución de máxima verosimilitud utilizando polígonos de Voronoi, así como técnicas Bayesianas alternativas y flexibles que se adaptan a estas y otras suposiciones sobre los patrones de ruido y rasgos. Un enfoque diferente es en el que se estima y se elimina el ruido sin hacer suposiciones sobre la forma o el número de rasgos. Este hecho permite estimar rasgos y eliminar el ruido en situaciones bastante generales. En particular, este método de detección se basa en la distancia al K-ésimo vecino más cercano a un punto en un proceso. Las distancias observadas se modelan como una mezcla de distribuciones de las distancias provenientes de los puntos del ruido y rasgo, cuyos parámetros se estiman mediante el algoritmo EM (esperanza-maximización). Otro tipo de metodología en la literatura, se basa en la utilización de las distancias entre las funciones de densidad producto locales, denominadas funciones LISA (del inglés “Local Indicator of Spatial Association”); esta metodología permite eliminar el ruido de las imágenes donde uno o varios rasgos están presentes y deben ser detectados. Las estadísticas de escaneo son herramientas metodológicas establecidas para identificar agrupamientos y evaluar su importancia en eventos de caso o en comparaciones de datos de caso y control. Estos instrumentos han sido desarrollados tanto para datos espaciales como para espacio-temporales. Al trabajar con datos espacio-temporales, el enfoque puede ser retrospectivo o en la supervisión prospectiva de los rasgos. Además, en el contexto espacio-temporal, se ha propuesto un método para la identificación de rasgos según la distancia a la K-ésima ventana más cercana (WKN).