Пространственный анализ

редактировать
Формальные методы изучения объектов с использованием их топологических, геометрических или географических свойств Карта доктора Джона Сноу из Лондон, где проявились кластеры случаев холеры во время вспышки холеры на Брод-стрит в 1854 году. Это было одно первых из применений пространственного анализа на основе карт.

Пространственный анализ или пространственная статистика включает любые из формальных методов, которые изучают объекты с использованием их топологические, геометрические или географические свойства. Пространственный анализ включает в себя множество методов, из которых все еще находятся на ранней стадии развития, используя различные аналитические подходы и применяемые в таких разнообразных областях, как астрономия, с ее исследованиями расположения галактик в космосе, до проектирования изготовления микросхем, с использованием алгоритмов «место и маршрутизация» для создания сложных структур разводки. В более узком смысле, пространственный анализ - это метод, применяемый к структуре в человеческом масштабе, в первую очередь при анализе географических данных.

В пространственном анализе сложные проблемы, многие из которых не определены ни четко, ни полностью решены., но составляют основу текущих исследований. Самой фундаментальной из них является проблема определения пространственного расположения изучаемых объектов.

Классификация методов пространственного анализа затруднена из большого количества задействованных различных областей исследования, различных фундаментальных подходов, которые можно выбрать, и множество форм, которые могут принимать данные.

Содержание

  • 1 История
  • 2 Фундаментальные вопросы
    • 2.1 Пространственная характеристика
    • 2.2 Пространственная зависимость или автокорреляция
    • 2.3 Масштабирование
    • 2.4 Выборка
    • 2.5 Общие ошибки пространственного анализа
      • 2.5.1 Длина
      • 2.5.2 Ошибка местоположения
      • 2.5.3 Атомная ошибка
      • 2.5.4 Экологическая ошибка
    • 2.6 Решения фундаментальных проблем
      • 2.6.1 Географическое пространство
  • 3 типа
    • 3.1 Анализ пространственных данных
    • 3.2 Пространственная автокорреляция
    • 3.3 Пространственная стратифицированная неоднородность
    • 3.4 Пространственная интерполяция
    • 3.5 Пространственная регрессия
    • 3.6 Пространственное взаимодействие
    • 3.7 Моделирование и моделирование
    • 3.8 Многоточечная геостатистика ( MPS)
  • 4 Геопространственный анализ
    • 4.1 Использование географической информационной системы
      • 4.1.1 Базовые приложения
      • 4.1.2 Основные операции
      • 4.1.3 Расширенные операции
      • 4.1.4 Мобильные ге опространственные вычисления
    • 4.2 Географическая информатика и пространственный анализ
  • 5 См. Также
  • 6 Ссылки
  • 7 Дополнительная литература
  • 8 Внешние ссылки

История

Можно считать, что пространственный анализ возник в результате первых попыток картографии и геодезии, многие области внесли свой вклад в его развитие в современной форме. Биология внесла свой вклад в ботанические исследования распространения растений и локальных местонахождений растений, этологические исследования движения животных, ландшафтно-экологические исследования растительных блоков, экологические исследования пространственной динамики популяции, и изучение биогеографии. Эпидемиология внесла свой вклад в раннюю работу по картированию болезней, в частности, в работу Джона Сноу по картированию вспышки холеры, в исследованиях по картированию распространения и исследованиях местности для медицинской помощи. Статистика внесла большой вклад в работу в области пространственной статистики. Экономика внесла заметный вклад в развитие пространственной эконометрики. Географическая информационная система в настоящее время вносит большой вклад из-за важности программного обеспечения в современном аналитическом наборе инструментов. Дистанционное зондирование внесло большой вклад в морфометрический и кластерный анализ. Информатика внесла большой вклад в изучение алгоритмов, особенно в вычислительной геометрии. Математика использует фундаментальные инструменты для анализа и масштабной пространственной области, например, в недавних работах по фракталам и масштабной инвариантности. Научное моделирование обеспечивает полезную основу для новых подходов.

Фундаментальные проблемы

Пространственный анализ сталкивается с проблемами при оценке объектов исследования, при построении аналитических операций, которые будут использоваться при использовании компьютеров для анализа, в ограничениях и особенностях известных анализов, а также в представлении аналитических результатов. Многие из этих вопросов являются активными предметами современных исследований.

Общие ошибки часто используются в пространственном анализе пространства, некоторые из-за специальных пространственных представлений, некоторые из-за доступных инструментов. Данные переписи, поскольку они защищают личную жизнь агрегатов по местным единицам, порождают ряд статистических проблем. Фрактальный характер береговой линии делает измерение ее длины трудным, а то и невозможным. Компьютерное программное обеспечение, подгоняющее прямые линии к изгибу береговой линии, может легко вычислить длину линий, определить оно определяет. Однако эти прямые линии не имеют значения в реальном мире, как показано для береговой линии Британии.

. Эти проблемы представляют собой проблему в пространственном анализе из-за силы карт как средства представления. Представленные в виде карт, представляют собой объединенные пространственные данные, которые, как правило, точны, аналитические результаты, которые приводят к впечатляющим, аналитическим результатам более точны, чем показывают данные.

Пространственная характеристика

Распространение бубонной чумы в средневековой Европе. Цвета на пространственное распределение вспышек чумы во времени.

Определение пространственного присутствия объекта ограничивает возможный анализ, который может быть применен к этому объекту, и влияет на окончательные выводы. Хотя это свойство в основном верно для всего анализа, оно особенно важно для пространственного анализа, инструменты для определения и изучения объектов выбирают характеристики изучаемых объектов. Статистические методы отдают предпочтение пространственному определению объектов как точек, потому что существуют очень мало статистические методы, которые работают непосредственно с элементами линий, площадей или областей. Компьютерные инструменты отдают предпочтение пространственным структурам как однородным и отдельным элементам из-за ограниченного числа элементов базы данных и доступным вычислительным структурам, а также легкости.

Пространственная зависимость или автокорреляция

Пространственная зависимость - это совместная вариация свойств в географическом пространстве: характеристики в ближайших местах коррелируют, положительно или отрицательно. Пространственная зависимость к проблеме пространственной автокорреляции в статистике, поскольку и временная автокорреляция, это нарушает стандартные статистические методы, предполагающие независимость между наблюдениями. Например, регрессионный анализ, который не компенсирует пространственную зависимость, может иметь нестабильные оценки и давать ненадежные тесты значимости. Модели пространственной регрессии (см. Ниже) фиксируют эти отношения и не страдают этими недостатками. Также уместно рассматривать пространственную как источник информации, а не как что-то, что нужно исправить.

Эффекты местоположения также проявляются как пространственная неоднородность или различные вариации в процессе в отношении расположения в географическом пространстве. Если пространство не является однородным и безграничным, каждое место будет иметь некоторую степень уникальности относительно других мест. Это на пространственном процессе зависимости и, следовательно, на пространственном процессе. Пространственная неоднородность означает общие параметры, оцененные для всей системы, неадекватно оценен в любом месте.

Масштабирование

Пространственное измерение масштаб - постоянная проблема в пространственном анализе; более подробная информация доступна в записи темы проблема изменяемой площади (MAUP). Ландшафтные экологи разработали серию масштабно-инвариантные показатели для экологии, которые фрактальны по своей природе. В более общих чертах, для пространственной статистики широко распространен не зависимый от масштаба метод анализа.

Выборка

Пространственная выборка включает ограниченное определение местоположений в географическом пространстве точного определения явлений, подверженных влиянию зависимости и неоднородности. Зависимость предполагает, что, поскольку одно местоположение может предопределить другое местоположение, нам не нужны наблюдения в обоих местах. Предполагается, что это отношение может меняться в пределах диапазона. Базовые схемы пространственной выборки включают случайную, кластерную и систематическую. Эти базовые схемы на нескольких уровнях базовая структура иерархии (например, городской район, город, район). Также можно использовать вспомогательные данные, например, используя значения свойств в качестве ориентира в схеме пространственной выборки для измерения уровня образования и дохода. Пространственные модели, такие как статистика автокорреляции, регрессия и интерполяция (см. Ниже), также могут определять выборки.

Общие ошибки в пространственном анализе

Фундаментальные проблемы пространственного анализа приводят к многочисленным проблемам анализа, включая предвзятость ошибки, искаженные и откровенные в сделанных выводах. Эти проблемы часто взаимосвязаны, но были предприняты попытки отделить проблемы друг от друга.

Длина

При обсуждении береговой линии Великобритании, Бенуа Мандельброт показал, что пространственные концепции бессмысленны по своей сути, несмотря на презумпцию их достоверности. Длина в экологии напрямую зависит от масштаба, в котором они измеряются и испытываются. Таким образом, хотя геодезисты обычно определяют длину реки, эта длина имеет значение только в контексте метода измерения изучаемому вопросу.

Великобритания, измеренная с помощью короткой метки

Ошибка местоположения

Ошибка местоположения относится к ошибке из-за определенной пространственные характеристики Выбор элементов для исследования, в частности выбор помещения для пространственного присутствия элемента.

Пространственные характеристики могут быть упрощенными или даже неправильными. Исследования людей часто сводят пространственное существование людей к одной точке, например к их домашнему адресу. Это может легко привести к плохому анализу, например, при рассмотрении передачи болезни, которая может произойти на работе или в школе и, следовательно, вдали от дома.

Пространственная характеристика может неявно ограничивать предмет исследования. Например, в последнее время стало популярен пространственный анализ данных о преступности, но эти исследования могут показывать только те виды преступников. Это приводит к множеству карт атак, но не к любому картам хищений с политическими последствиями в концептуализации преступления и разработки политики для решения проблемы.

Атомарная ошибка

Здесь рассматриваются ошибки, вызванные элементами как «атомы» вне их пространственного контекста. Ошибка заключается в переносе индивидуальных выводов на пространственные единицы.

Экологическая ошибка

экологическая ошибка соответствующих данных, связанных с выполнением анализа совокупных при попытке сделать выводы по отдельным единицам. Частично ошибки из-за пространственной агрегации. Например, пиксель представляет среднюю температуру поверхности в пределах области. Экологическим заблуждением было предположение, что все точки в пределах имеют одинаковую температуру. Эта тема связана с проблемой изменяемых единиц площади.

Решения фундаментальных проблем

Географическое пространство

Манхэттенское расстояние в сравнении с евклидовым расстоянием: красные, синие и желтые линии совпадают по длине (12) как в в евклидовой геометрии, так и в геометрии такси. В евклидовой геометрии зеленая линия имеет длину 6 × √2 ≈ 8,48 путём кратчайшим путём. В геометрии длина зеленой линии по-прежнему равна 12, что делает ее не короче, чем любой другой показанный путь.

Математическое измерение их атрибутов. Например, мы можем представить доходы или количество лет образования отдельных людей в системе координат, в которой каждого человека может быть указано по обоим измерениям. Расстояние между людьми в этом изображении является количественной мерой их различий в доходах и образовании. Однако в области анализа нас интересуют тип математических пространств, а именно географическое пространство. Географические измерения соответствуют местоположению в системе пространственных измерений, которые фиксируют их близость в реальном мире. Точки в системе пространственных измерений часто показывают себя на поверхности Земли, но это не является строго строго. Система пространственных измерений также может фиксировать близость, например, по отношению к межзвездному пространству или внутри биологического объекта, такого как печень. Основным принципом является первый принцип географии Тоблера : если между объектами пространственного анализа взаимосвязаны объекты в реальном мире, то подходящие визуальные представления в географическом пространстве и оценка с использованием методов пространственного анализа.

Евклидово расстояние между локациями часто представляет их близость, хотя это только одна возможность. Помимо евклидова, существует бесконечное количество расстояний, которые имеют количественный анализ. Например, расстояния «Манхэттен» (или «Такси »), где движение ограничивается путями, параллельными осям, могут быть более значимыми, чем расстояния Евклида в городских условиях. Помимо расстояния между объектами, также могут влиять другие географические отношения, такие как связность (например, наличие или степень общих границ) и направление . Также возможно вычислить пути с минимальной стоимостью через поверхность; например, это может означать близость между местоположениями, когда путешествие должно происходить по пересеченной местности.

Типы

Пространственные данные бывают разные виды, и нелегко прийти к системе, которая одновременно является исключительной, исчерпывающей, творческой и удовлетворительной. - Г. Аптон и Б. Фингелтон

Анализ пространственных данных

Городские и региональные исследования дело с большими таблицами пространственных данных, полученных в результате переписей и обследований. Необходимо упростить огромное количество подробной информации, чтобы сосредоточить основные тенденции. Многопараметрический анализ (или факторный анализ, FA) позволяет изменять переменные, преобразовывающие многие переменные переписи, обычно коррелированные между собой, в меньшем количестве независимых «факторов» или «главных компонентов», которые, на самом деле, являются собственные конструкции матрицы корреляции данных, взвешенные по инверсии их собственных значений. Такая замена переменных имеет два основных преимущества:

  1. Поскольку информация сосредоточена на первых новых факторах, можно сохранить лишь некоторые из них, потеряв при этом лишь небольшой объем информации; их отображение дает меньше и более значимых отображений
  2. Факторы, фактически собственные векторы, ортогональны по построению, то есть не коррелированы. В большинстве случаев доминирующим фактором (с наибольшим собственным значением) является социальный компонент, разделяющий богатых и бедных в городе. Поскольку факторы не коррелированы, другие более мелкие процессы, чем социальный статус, которые в противном случае оставались бы скрытыми, проявляются во втором, третьем,... факторах.

Факторный анализ зависит от измерения расстояний между наблюдениями: выбор значимого метрика имеет решающее значение. Евклидова метрика (анализ главных компонентов), расстояние хи-квадрат (анализ соответствий) или обобщенное расстояние Махаланобиса (дискриминантный анализ) являются одними из наиболее широко используемых. Были предложены более сложные модели, использующие общности или ротации.

Использование многомерных методов в пространственном анализе началось на самом деле в 1950-х годах (хотя некоторые примеры восходят к началу века) и достигли своей кульминации в 1970-х годах. увеличение мощности и доступности компьютеров. Уже в 1948 году в основополагающей публикации два социолога, Венделл Белл и Эшреф Шевки, показали, что большинство городского населения в США и в мире может быть представлено тремя независимыми факторами: 1 - «социальная принадлежность». -экономический статус », противопоставляющий богатые и бедные районы и распределенный по участкам вдоль автомагистралей от центра города, 2-« жизненный цикл », то есть возрастная структура домохозяйств, распределенных концентрическими кругами, и 3-« расовая и этническая принадлежность », выявление участков мигрантов, находящихся в черте города. В 1961 году в новаторском исследовании британские географы использовали FA для классификации британских городов. Брайан Дж. Берри из Чикагского университета и его студенты широко использовали этот метод, применяя его к наиболее важным городам мира и демонстрируя общие социальные структуры. Использование факторного анализа в географии, которое стало настолько простым благодаря современным компьютерам, было очень широким, но не всегда очень разумным.

Поскольку извлеченные векторы определяются матрицей данных, невозможно сравнить полученные факторы из разных переписей. Решение состоит в объединении нескольких матриц переписи в единую таблицу, которая затем может быть проанализирована. Это, однако, предполагает, что определение переменных не изменилось с течением времени и дает очень большие таблицы, с которыми трудно работать. Лучшее решение, предложенное психометристами, группирует данные в «кубическую матрицу» с тремя элементами (например, местоположения, переменные, периоды времени). Трехфакторный факторный анализ затем дает три группы факторов, связанных небольшой кубической «основной матрицей». Этот метод, который показывает эволюцию данных с течением времени, не получил широкого распространения в географии. В Лос-Анджелесе, однако, он продемонстрировал традиционно игнорируемую роль Даунтауна как организационного центра для всего города на протяжении нескольких десятилетий.

Пространственная автокорреляция

Пространственная автокорреляция статистика измеряет и анализирует степень зависимости между наблюдениями в географическом пространстве. Классическая статистика пространственной автокорреляции включает Морана I {\ displaystyle I}I, Гири C {\ displaystyle C}C , G {\ displaystyle G}G и. Эти статистические данные требуют измерения матрицы пространственных весов, которая отражает интенсивность географической взаимосвязи между наблюдениями в районе, например, расстояния между соседями, протяженность общей границы или то, попадают ли они в определенный класс направленности, такой как «запад». Классическая статистика пространственнойавтокорреляции сравнивает пространственные веса с ковариационными отношениями в парах местоположений. Пространственная автокорреляция, более непохожая, чем ожидалось случайное, указывает на кластеризацию аналогичных значений в географическом пространстве, в то время как значительная отрицательная пространственная автокорреляция указывает на то, что соседние значения доску.

Статистика пространственной автокорреляции, такая как I {\ displaystyle I}IМорана и C {\ displaystyle C} ГириC , являются глобальными в том в смысле, что они оценивают общую пространственную автокорреляции для набора данных. Возможность пространственной неоднородности предполагает, что предполагаемая степень автокорреляции может значительно изменяться в зависимости от географического пространства. Статистика пространственной автокорреляции предоставляет оценки, дезагрегированные по уровням пространственного анализа, что позволяет оценить отношения в визуальном пространстве. Статистика G {\ displaystyle G}G сравнивает окрестности со средним глобальным периодом и определяет локальные регионы с сильной автокорреляцией. Также доступны локальные версии статистики I {\ displaystyle I}Iи C {\ displaystyle C}C .

Пространственная стратифицированная неоднородность

Пространственная стратифицированная неоднородность, относящаяся к дисперсии внутри слоев меньше, чем дисперсия между слоями, повсеместно встречается в экологических зонах, таких как экологические зоны и многие экологические переменные. Пространственная стратифицированная неоднородность атрибута может быть измерена с помощью q-статистики географического детектора:

q = 1 - 1 N σ 2 ∑ h = 1 LN h σ h 2 {\ displaystyle q = 1 - {\ frac {1} {N \ sigma ^ {2}}} \ sum _ {h = 1} ^ {L} N_ {h} \ sigma _ {h} ^ {2}}{\ displaystyle q = 1 - {\ frac {1} {N \ sigma ^ {2}}} \ sum _ {h = 1} ^ {L} N_ {h} \ sigma _ {h} ^ {2}} 

где совокупность делится на h = 1,..., L слои; N обозначает размер популяции, σ обозначает дисперсию признака. Значение q находится в пределах [0, 1], 0 указывает на отсутствие пространственной стратифицированной неоднородности, 1 указывает на идеальную пространственную стратифицированную неоднородность. Значение q указывает на процент дисперсии атрибута, объясняемого стратификацией. Q следует за нецентральной F функция плотности вероятности.

Ручная карта с различными пространственными структурами. Примечание: p - вероятность q-статистики; * обозначает статистическую значимость на уровне 0,05, ** для 0,001, *** для менее 10; (D) индексы 1, 2, 3 q и p обозначают страты Z1 + Z2 с Z3, Z1 с Z2 + Z3 и Z1 и Z2 и Z3 по отдельности соответственно; (E) индексы 1 и 2 в q и p обозначают страты Z1 + Z2 с Z3 + Z4 и Z1 + Z3 с Z2 + Z4, соответственно.

Пространственная интерполяция

Методы пространственной интерполяции оценивают переменные в ненаблюдаемых местах в географическом пространстве на основе значений в наблюдаемых местах. Основные методы включают взвешивание обратного расстояния : это ослабляет переменную с уменьшением расстояния от наблюдаемого местоположения. Кригинг - более сложный метод, который интерполирует по пространству в соответствии с отношением пространственного запаздывания, систематическое, так и случайные компоненты. Это может обеспечить диапазон диапазона значений для скрытых значений между наблюдаемыми параметрами. Кригинг обеспечивает оптимальные оценки с учетом предполагаемой зависимости запаздывания, а оценки могут быть отображены, чтобы определить, существуют ли пространственные оптимерности.

Пространственная регрессия

Методы пространственного регрессии фиксируют пространственную зависимость в регрессионном анализе, избегая статистических проблем, таких как нестабильные параметры и ненадежные тесты значимости, а также информацию о пространственных отношениях среди задействованных чисел. В зависимости от конкретного метода пространственной может быть получен вход в регрессионную модель как отношения между независимыми переменными и зависимыми, между зависимыми переменными и пространственными зависимостями, запаздыванием себя или в условиях ошибок. Географически взвешенная регрессия (GWR) - это локальная версия пространственной регрессии, которая генерирует параметры, дезагрегированные по пространственным единицам анализа. Это позволяет оценить пространственную неоднородность предполагаемых отношений между независимыми переменными. Использование байесовского иерархического моделирования в сочетании с методами Монте-Карло с цепью Маркова (MCMC) недавно показало свою эффективность при моделировании сложных отношений с использованием Пуассона-Гамма-CAR, Пуассона-логарифмически-нормального - SAR или модели сверхдисперсного логита. Статистические пакеты для реализации таких байесовских моделей с использованием MCMC включают WinBugs и CrimeStat.

Пространственные стохастические процессы, такие как Гауссовские процессы, а также все чаще используются в системной пространственной регрессии. Основанные на моделях версии GWR, известные как модели с пространственно изменя своими коэффициентами, были применены для проведения байесовского вывода. Пространственный случайный процесс может стать вычислительно эффективными и масштабируемыми моделями гауссовских процессов, такими как гауссовские процессы прогнозирования и гауссовские процессы ближайшего соседа (NNGP).

Пространственное взаимодействие

Пространственное взаимодействие или "модели гравитации" "оценить поток людей, материалов или информации между точками в географическом пространстве. Измеряемые расстояния между местоположениями, измеряемые в единицах расстояния, измеряемые в единицах расстояния в пути. или соединительные, отношения между областями, особенно с учетом часто конфликтующих отношений между областями и топологией; например, два пространственно близких квартала демонстрировать какого-либо значительного взаимодействия, если они разделены шоссе. аналитик может оценить параметры модели, используя данные наблюдаемог о поток и стандартные методы оценки, такие как обычный метод наименьших квадратов или максимальных правдоподобие. Версии модели пространственного взаимодействия с конкурирующими пунктами назначения включает близость пунктов назначения (пунктов отправления) в дополнение к исходной точке к месту назначения; это фиксирует влияние кластеризации получателя (источника) на потоки. Вычислительные методы, такие как искусственные нейронные сети, также могут оценивать пространственные взаимосвязи взаимодействия между местоположениями и могут обрабатывать зашумленные и качественные данные.

Моделирование и моделирование

Модели пространственного взаимодействия являются агрегированными и сверху вниз: они определяют общие управляющие отношения для потока между локациями. Эта характеристика также характерна для городских, таких как модели, основанные на математическом программировании, потоках между секторами экономики или теории ставок ренты. Альтернативный подход к моделированию состоит в том, чтобы представить на максимально возможном уровне дезагрегирования и изучить систему нового подхода к моделированию и взаимодействию на индивидуальном уровне.

Сложные адаптивные системы Теория применительно к Пространственный анализ предполагает простые взаимодействия между ближайшими объектами привести к сложным, устойчивым и функциональным пространственным объектам на агрегированных уровнях. Два фундаментально пространственного метода моделирования - это клеточные автоматы и агентное моделирование. Клеточный автомат моделирование накладывает фиксированную пространственную структуру, такую ​​как ячейки сетки, и определяет правила, определяющие состояние на основе состояний соседних с нейчеек. С течением времени появляются пространственные паттерны, поскольку клетки меняют состояния в зависимости от своих соседей; это изменяет условия для будущих периодов времени. Например, могут быть использованы различные типы землепользования в городской зоне. Модели, которые могут помочь в простом исследовании наземных пользователей, включая офисные районы и разрастание городов. Агентное моделирование программ использует объекты (агенты), которые имеют целенаправленное поведение (цели) и могут реагировать, взаимодействовать и осуществлять свою среду, добиваясь. В отличие от клеток клеточных автоматов, симуляторы могут быть мобильными по отношению к пространству. Например, можно смоделировать транспортный поток и динамику с помощью агентов, представляющих отдельные транспортные средства, которые пытаются минимизировать время в пути между указанными пунктами отправления и назначения. При минимальном времени в пути агенты предотвращают столкновение с другими транспортными средствами, также стремясь минимизировать время в пути. Клеточные автоматы и агентное моделирование дополнительных друг друга. Их можно интегрировать в общую географическую систему автоматов, где одни агенты являются фиксированными, а другие - мобильными.

Калибровка играет ключевую роль в подходах к моделированию и моделированию CA и ABM. Первоначальные подходы к CA предлагали надежные подходы к калибровке, основанные на стохастических методах Монте-Карло. Подходы ABM основаны на правилах принятия решений агентами (во многих случаях извлеченных из методов исследовательской базы, таких как анкеты). Современные алгоритмы машинного обучения калибруют с использованием обучающих наборов, например, для понимания качеств искусственной среды.

Многоточечная геостатистика (MPS)

Пространственный анализ концептуальной геологической модели - это Основное назначение любого алгоритма MPS. Этот метод анализирует пространственную статистику геологической модели, называемую обучающим образом, и генерирует реализацию явлений, которые учитывают эти входные многоточечные статистические данные.

Последний алгоритм MPS, используемый для этой задачи, - это основанный на шаблонах метод Хонархаха. В этом методе анализа алгоритмов в тренировочном процессе используется подход, основанный на расстоянии. Это позволяет воспроизводить многоточечную статистику и геометрические особенности тренировочного образа. Каждый выход алгоритма MPS - это реализация, представляющая случайное поле. Вместе несколько реализаций одна для количественной оценки пространственной неопределенности.

Один из последних методов представлен Tahmasebi et al. использует функцию взаимной корреляции для улучшения воспроизведения пространственного шаблона. Они называют свой метод моделирования MPS алгоритмом CCSIM. Этот метод позволяет оценить пространственную способность, изменчивость и неопределенность. Кроме того, этот метод не чувствителен к каким-либо типам данных и может моделировать как категориальные, так и непрерывные сценарии. Алгоритм CCSIM может предоставить положительную модель визуальной привлекательности.,

Геопространственный анализ

Геопространственное здание Ноттингема в Университете Юбилейный кампус Ноттингема .

Геопространственный анализ или просто пространственный анализ - это подход к применению статистического анализа и других аналитических методов к данным. который имеет географический или пространственный аспект. В таком анализе обычно используется программное обеспечение, способное отображать карты обрабатывающих пространственных данных, применять аналитические методы к наземным или географическим наборам данных, включая использование географических информационных систем и геоматика.

Использование географических информационных систем

Географические системные системы (ГИС) - большой домен, который использует множество возможностей, предназначенных для сбора, хранения, обработки, анализа, управления и представления всех типов географических данных - использует пространственный анализ в различных контекстах, операциях и приложениях.

Базовые приложения

Геопространственный анализ с использованием ГИС был разработан для задач в области экологии и наук о жизни, в частности экологии, геология и эпидемиология. Он распространился почти на все отрасли, включая оборону, разведку, коммунальные услуги, природные ресурсы (например, нефть и газ, лесное хозяйство... и т. Д.), Социальные науки, медицину и общественную безопасность (например, управление чрезвычайными ситуациями и криминологию), снижение риска бедствий и управление ими (DRRM) и адаптация к изменению климата (CCA). Пространственная статистика обычно является результатом наблюдения, а не экспериментов.

Основные операции

Векторная ГИС обычно связаны с такими операциями, как наложение карты (объединение двух или более карт или слоев карты в соответствии с предопределенными правилами), простая буферизация (определение областей карты в пределах указанного расстояния от одной или нескольких функций, таких как города, дороги или реки) и аналогичные основные операции. Это отражает (и находит отражение в) использование термина пространственный анализ в рамках Open Geospatial Consortium (OGC ) «простые спецификации объектов». Для растровых ГИС, широко используемых в науках окружающей среды и дистанционном зондировании, это обычно означает ряд действий, применяемых к ячейкам сетки одной или нескольких карт (или изображений), часто включающих фильтрацию и / или алгебраические операции (алгебра карт). Эти методы включают обработку одного или нескольких слоев разных слоев в соответствии с простыми правилами, в результате чего создаются карты, например, замена каждого значения определенной комбинации значений его соседей или вычисление суммы или разности конкретных значений атрибутов для каждой ячейки в два совпадающих набора. растровых данных. Описательная статистика, такая как количество ячеек, средние значения, дисперсии, максимумы, минимумы, совокупные значения, частоты и ряд других показателей и вычислений, также часто включаются в этот общий пространственный анализ. Пространственный анализ включает в себя большое количество разнообразных статистических методов (описательная, исследовательская и объяснительная статистика ), которые применяются к данным, которые меняются в пространстве и меняться со временем. Некоторые более продвинутые статистические методы включают в себя Getis-ord Gi * или Anselin Local Moran's I, которые используются для определения моделей кластеризации пространственно привязанных данных.

Расширенные операции

Геопространственный анализ выходит за рамки операций двухмерного и трехмерного картографирования и пространственной статистики. Он включает:

  • Анализ поверхности - в частности, анализ свойств поверхностей, таких как градиент, аспект и видимость, а также анализ данных, подобных поверхности. «Поля»;
  • Сетевой анализ - изучение свойств естественных и созданных руками человека сетей с целью понимания поведения внутри и вокруг таких сетей; и анализ местоположения. Сетевой анализ на основе ГИС может быть популярен среди широкого круга практических задач, таких как выбор маршрута и расположения объекта (основные темы в области области исследования операций ), а также проблем связанных с потоками, например, найденных в гидрология и транспортные исследования. Во многих случаях определения местоположения связаны с помощью таковых, решаемых с помощью инструментов, созданных для этих целей. Проблемы, которые конкретно не ограничивают сетью, как прокладка новой дороги или трубопровода, расположение регионального склада, расположение мачты мобильного телефона или выбор участков здравоохранения в сельской местности, могут быть эффективно проанализированы (по крайней мере, на начальном этапе) сети. Анализ местоположения «в плоскости» также применим в тех случаях, когда подходящие наборы сетевых данных недоступны, слишком велики или дороги для алгоритма определения местоположения очень сложен или включает изучение или моделирование очень большого количества альтернативных конфигураций..
  • Геовизуализация - создание и обработка изображений, карт, диаграмм, диаграмм, трехмерных видов и связанных с ними наборов табличных данных. Пакеты GIS все чаще предоставляют набор таких инструментов, обеспечивающих статические или вращающиеся виды, наложение изображений поверх 2.5D-представлений поверхности, обеспечение анимации и пролета, динамическое связывание и кисть, а также пространственно-временную визуализацию. Этот последний класс инструментов является ограниченным набором доступных аналитических методов, хотя частично отражает ограниченный набор подходящих совместимых наборов данных. Все эти средства дополняют основные инструменты, используемые в пространственном анализе на протяжении аналитического процесса.

Стандартные стандартные вычисления выполнялись в основном на основном на основе. через компьютерх (ПК) или серверах. Однако из-за растущих возможностей мобильных устройств распространенные вычисления в мобильных устройствах становятся быстрорастущей тенденцией. Портативный характер этих устройств, а также наличие полезных датчиков, таких как приемники глобальной навигационной спутниковой системы (GNSS) и датчики атмосферного давления, делают их полезные для сбора и обработки информации в полевых условиях. Помимо обработки распространенной информации на мобильных устройствах, одной растущей тенденцией являются распространенные методы. В этой системе данные можно собирать в полевых условиях с помощью мобильных устройств, передать данные на облачные серверы обработки и окончательного хранения. Аналогичным образом распространенная информация может быть доступна подключенным мобильным устройствам через облако, что позволяет получить доступ к обширным базам данных распространенной информации в любом месте, где доступно беспроводное соединение для передачи данных.

Географическая информатика и пространственный анализ

Эта карта маршрута злополучного похода Наполеона на Москву является ранним и знаменитым примером геовизуализации. Он показывает направление армии во время ее передвижения, места, через которые проходят войска, размер армии, когда войска умирали от голода и ран, а также отрицательные температуры, которые они испытывали.

Географические информационные системы (ГИС) и лежащая в основе географическая информатика, развивающая эти технологии, оказывает сильное влияние на пространственный анализ. Растущая способность захвата и географических данных означает, что пространственный анализ происходит в средах, которые становятся все более насыщенными данными. Системы сбора географических данных включают в себя дистанционным зондированием, системы мониторинга окружающей среды, такие как интеллектуальные транспортные системы, и технологии определения местоположения, такие как мобильные устройства, которые могут сообщить о параметре почти в реальном времени. ГИС платформа для управления этими данными, услугами пространственных отношений, такими как расстояние, связность и услуги пространственных отношений, а также визуализации как исходных данных, так и результатов пространственного анализа в картографическом контексте. Подтипы включают:

  • Геовизуализация (GVis) объединяет научную визуализацию с цифровой картографией для поддержки исследования и анализа географических данных и информации, включая результаты пространственного анализа или моделирования. GVis использует ориентацию человека на обработку визуальной информации при исследовании и географических данных и информации. В отличие от традиционной графики, GVis обычно является трехмерным или четырехмерным (последнее время) и интерактивным для пользователя.
  • (GKD) - это ориентированный на человека процесс использования эффективных вычислительных инструментов для исследования массивных пространственных объектов. базы данных. GKD включает в себя географический интеллектуальный анализ данных, но также включает связанные операции, такие как выбор данных, очистка и предварительная обработка данных, а также интерпретация результатов. GVis также может играть центральную роль в процессе GKD. GKD основан на ISP, что массивные базы данных содержат интересные (действительные, новые, полезные и понятные) шаблоны, которые невозможно найти с помощью стандартных аналитических методов. GKD может выполнить процедуру создания гипотез для пространственного анализа, создать предварительные модели взаимосвязи, которые должны быть подтверждены с использованием пространственного анализа.
  • Системы поддержки пространственных решений (SDSS) использовать внутренние пространственные данные и использовать различные математические методы. модели, чтобы делать прогнозы в будущее. Это позволяет городским и региональным планировщикам проверить решения о вмешательстве до их реализации.

См. Также

Общие темы
Специальные приложения

Ссылки

Дополнительная литература

  • Р. Аблер, Дж. Адамс и П. Гулд (1971) Пространственная организация - G Взгляд эографа на мир, Энглвуд Клиффс, Нью-Джерси: Прентис-Холл.
  • Анселин, Л. (1995) "Локальные индикаторы пространственной ассоциации - LISA". Географический анализ, 27, 93–115.
  • Аванге, Джозеф; Паланц, Бела (2016). Геопространственные алгебраические вычисления, теория и приложения, третье издание. Нью-Йорк: Спрингер. ISBN 978-3319254630.
  • Банерджи, Судипто; Карлин, Брэдли П.; Гельфанд, Алан Э. (2014), Иерархическое моделирование и анализ пространственных данных, второе издание, монографии по статистике и прикладной вероятности (2-е изд.), Чепмен и Холл / CRC, ISBN 9781439819173
  • Бененсон И. и П.М. Торренс. (2004). Геосимуляция: автоматическое моделирование городского явлений. Вайли.
  • Фотерингем, А.С., К. Брансдон и М. Чарльтон (2000) Количественная география: перспективы анализа данных данных, Sage.
  • Fotheringham, AS и ME O'Kelly (1989) Модели пространственного взаимодействия: формулировки и приложения, Kluwer Academic
  • Fotheringham, AS; Роджерсон, П. А. (1993). «ГИС и проблемы пространственного анализа». Международный журнал географических информационных систем. 7 : 3–19. doi : 10.1080 / 02693799308901936.
  • Гудчайлд, М. Ф. (1987). «Пространственный аналитический взгляд на географические информационные системы». Международный журнал географических информационных систем. 1 (4): 327–44. doi : 10.1080 / 02693798708927820.
  • MacEachren, AM и DRF Taylor (ред.) (1994) Визуализация в современной картографии, Пергамон.
  • Левин, Н. (2010). CrimeStat: программа пространственной статистики для анализа мест происшествий с преступностью. Версия 3.3. Ned Levine Associates, Хьюстон, Техас, Национальный институт правосудия, Вашингтон Колумбия. Гл. 1-17 + 2 обновить главу [1]
  • Миллер, Х. Дж. (2004). «Первый закон Тоблера и пространственный анализ». Летопись Ассоциации американской географов. 94 (2): 284–289. doi : 10.1111 / j.1467-8306.2004.09402005.x.
  • Миллер, Х.Дж. и Дж. Хан (ред.) (2001) Географический анализ данных и открытие знаний, Тейлор и Фрэнсис.
  • О'Салливан, Д. и Д. Анвин (2002) Анализ географической информации, Вили.
  • Паркер, округ Колумбия; Мэнсон, С.М.; Янссен, М.А. ; Hoffmann, M.J.; Мертвец, П. (2003). «Многоагентные системы для моделирования землепользования и изменения земного покрова: обзор». Летопись Ассоциации американской географов. 93 (2): 314–337. CiteSeerX 10.1.1.109.1825. doi : 10.1111 / 1467-8306.9302004.
  • Белый, Р.; Энгелен, Г. (1997). «Клеточные автоматы как основа интегрированного динамического регионального моделирования». Окружающая среда и планирование B: планирование и дизайн. 24 (2): 235–246. doi : 10.1068 / b240235.
  • Scheldeman, X. van Zonneveld, M. (2010). Учебное пособие по пространственному анализу разнообразия и распространения растений. Bioversity International.
  • Фишер М.М., Леунг Й. (2001) Геокомпьютерное моделирование: методы и приложения. Springer Verlag, Берлин
  • Фотерингем, S; Кларк, G; Абрахарт, Б. (1997). «Геокомпьютеры и ГИС». Сделки в ГИС. 2 (3): 199–200. doi : 10.1111 / j.1467-9671.1997.tb00010.x.
  • Openshaw S и Abrahart RJ (2000) GeoComputation. CRC Press
  • Диаппи Лидия (2004) Развивающиеся города: геокомпьютеры в территориальном планировании. Ашгейт, Англия
  • Лонгли П.А., Брукс С.М., Макдоннелл Р., Макмиллан Б. (1998), Геокомпьютация, учебник Джон Уайли и сыновья, Чичестер
  • Элен, Дж; Колдуэлл, Д.Р.; Хардинг, S (2002). «GeoComputation: что это такое?». Comput Environ и Urban Syst. 26 (4): 257–265. doi : 10.1016 / s0198-9715 (01) 00047-3.
  • Гахеган, М. (1999). «Что такое геокомпьютация?». Транзакция в ГИС. 3 (3): 203–206. doi : 10.1111 / 1467-9671.00017.
  • Мурганте Б., Боррузо Г., Лапуччи А. (2009) Исследования в области вычислительного интеллекта "Геокомпьютеры и городское планирование", Vol. 176. Springer-Verlag, Берлин.
  • Рейс, Хосе П.; Сильва, Элизабет А.; Пинхо, Пауло (2016). «Пространственные метрики для изучения городских моделей в растущих и связанных городах». Городская география. 37 (2): 246–271. doi : 10.1080 / 02723638.2015.1096118.
  • Пападимитриу Ф. (2002). «Моделирование показателей и индексов сложности ландшафта: подход с использованием G.I.S». Экологические показатели. 2 (1-2): 17-25. doi : 10.1016 / S1470-160X (02) 00052-3.
  • Фишер М., Люнг Й. (2010) «ГеоВычислительное моделирование: методы и приложения» Достижения в области пространственной науки. Шпрингер-Верлаг, Берлин.
  • Мурганте Б., Боррузо Г., Лапуччи А. (2011) Исследования в области вычислительного интеллекта "Геокомпьютинг, устойчивость и экологическое планирование", том. 348. Springer-Verlag, Берлин.
  • Тахмасеби, П.; Хезархани, А.; Сахими, М. (2012). «Многоточечное геостатистическое моделирование на основе взаимно корреляционных функций». Вычислительные науки о Земле. 16 (3): 779–79742. doi : 10.1007 / s10596-012-9287-1.
  • Геза, Тот; Арон, Кинцес; Золтан, Надь (2014). «Европейская пространственная структура». LAP LAMBERT Academic Publishing. doi : 10.13140 / 2.1.1560.2247. Для цитирования журнала требуется | journal =()

Внешние ссылки

Wikimedia Commons содержит материалы, связанные с анализом пространственных данных.
Последняя правка сделана 2021-06-09 01:51:43
Содержание доступно по лицензии CC BY-SA 3.0 (если не указано иное).
Обратная связь: support@alphapedia.ru
Соглашение
О проекте