WikiDer > Пространственный анализ

Карта доктора Джон Сноу из Лондон, показывая кластеры случаев холеры в Вспышка холеры на Брод-стрит в 1854 г.. Это было одно из первых применений пространственного анализа на основе карт.

Пространственный анализ или же пространственная статистика включает любые формальные техники который изучает организации, используя топологический, геометрический, или же географический характеристики. Пространственный анализ включает в себя множество методов, многие из которых все еще находятся на ранней стадии разработки, с использованием различных аналитических подходов и применяемых в столь разных областях, как астрономия, с его исследованиями размещения галактик в космос, в технологии изготовления микросхем, с использованием «места и маршрута» алгоритмы строить сложные электромонтажные конструкции. В более узком смысле, пространственный анализ - это метод, применяемый к структурам в человеческом масштабе, в первую очередь при анализе географические данные.

При пространственном анализе возникают сложные проблемы, многие из которых не определены и не решены полностью, но составляют основу текущих исследований. Наиболее фундаментальной из них является проблема определения пространственного положения изучаемых объектов.

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

История

Возможно, можно рассмотреть пространственный анализ^{[согласно кому?]} возникнуть с ранними попытками картография и геодезия но многие области способствовали его появлению в современной форме. Биология внесенный через ботанический исследования глобального распространения растений и локальных местоположений растений, этологический исследования передвижения животных, ландшафт экологический исследования блоков растительности, экологический исследования пространственной динамики населения, а также изучение биогеография. Эпидемиология способствовал ранней работе по картированию болезней, в частности Джон Сноуработа по картированию вспышки холеры, с исследованиями по картированию распространения болезни и с изучением местоположения для оказания медицинской помощи. Статистика внес большой вклад в работу в области пространственной статистики. Экономика внесла значительный вклад в пространственная эконометрика. Географическая информационная система в настоящее время вносит большой вклад из-за важности географического программного обеспечения в современном аналитическом наборе инструментов. Дистанционное зондирование внес большой вклад в морфометрический и кластерный анализ. Информатика внес большой вклад в изучение алгоритмов, особенно в вычислительная геометрия. Математика продолжает предоставлять фундаментальные инструменты для анализа и раскрытия сложности пространственной области, например, в недавних работах по фракталы и масштабная инвариантность. Научное моделирование обеспечивает полезную основу для новых подходов.

Фундаментальные вопросы

Пространственный анализ сталкивается со многими фундаментальными проблемами в определении объектов исследования, в построении аналитических операций, которые будут использоваться, в 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 возникают в пространственном анализе, некоторые из-за математики пространства, некоторые из-за особых способов представления данных в пространстве, некоторые из-за доступных инструментов. Данные переписи, поскольку они защищают личную жизнь путем агрегирования данных по местным единицам, порождают ряд статистических проблем. Фрактальный характер береговой линии делает точное измерение ее длины трудным, а то и невозможным. Компьютерное программное обеспечение, подгоняющее прямые линии к изгибу береговой линии, может легко вычислить длины линий, которые оно определяет. Однако эти прямые линии могут не иметь внутреннего значения в реальном мире, как было показано на примере береговая линия Британии.

Эти проблемы представляют собой проблему для пространственного анализа из-за силы карт как средства представления. Когда результаты представлены в виде карт, представление объединяет пространственные данные, которые, как правило, точны, с аналитическими результатами, которые могут быть неточными, что создает впечатление, что аналитические результаты более точны, чем показывают данные.^[1]

Пространственная характеристика

Распространение бубонной чумы в средневековой Европе.^{[нужна цитата]} Цвета показывают 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, которые могут быть сделаны. Хотя это свойство в принципе верно для всех анализ, это особенно важно в пространственном анализе, потому что инструменты для определения и изучения сущностей предпочитают конкретные характеристики изучаемых сущностей. Статистические методы отдают предпочтение пространственному определению объектов как точек, потому что существует очень мало статистических методов, которые работают непосредственно с элементами линий, площадей или объемов. Компьютерные инструменты способствуют пространственному определению объектов как однородных и отдельных элементов из-за ограниченного количества база данных доступные элементы и вычислительные структуры, а также легкость, с которой эти примитивные структуры могут быть созданы.

Пространственная зависимость или автокорреляция

Пространственная зависимость - это совместное изменение свойств в пределах географического пространства: характеристики в ближайших местоположениях коррелируют, положительно или отрицательно. Пространственная зависимость приводит к пространственному автокорреляция проблема в статистике, поскольку, как и временная автокорреляция, это нарушает стандартные статистические методы, предполагающие независимость наблюдений. Например, регресс анализы, которые не компенсируют пространственную зависимость, могут иметь нестабильные оценки параметров и давать ненадежные тесты значимости. Модели пространственной регрессии (см. Ниже) фиксируют эти отношения и не страдают этими недостатками. Также уместно рассматривать пространственную зависимость как источник информации, а не как то, что нужно исправить.^[2]

Локальные эффекты также проявляются как пространственные неоднородность, или очевидное изменение процесса относительно местоположения в географическом пространстве. Если пространство не является однородным и безграничным, каждое место будет иметь некоторую степень уникальности относительно других мест. Это влияет на отношения пространственной зависимости и, следовательно, на пространственный процесс. Пространственная неоднородность означает, что общие параметры, оцененные для всей системы, могут неадекватно описывать процесс в любом данном месте.

Масштабирование

Пространственный измерение масштаб - постоянная проблема в пространственном анализе; более подробная информация доступна на модифицируемая проблема единичной площади (MAUP) запись в теме. Ландшафтные экологи разработали серию масштабный инвариант метрики для аспектов экологии, которые фрактал в природе.^[3] В более общем плане, нет независимого от масштаба метода анализ широко используется для пространственной статистики.

Отбор проб

Пространственный отбор проб включает определение ограниченного количества местоположений в географическом пространстве для точного измерения явлений, которые подвержены зависимости и неоднородности.^{[нужна цитата]} Зависимость предполагает, что, поскольку одно местоположение может предсказать ценность другого местоположения, нам не нужны наблюдения в обоих местах. Но неоднородность предполагает, что это отношение может меняться в пространстве, и поэтому мы не можем доверять наблюдаемой степени зависимости за пределами региона, который может быть небольшим. Базовые схемы пространственной выборки включают случайную, кластерную и систематическую. Эти базовые схемы могут применяться на нескольких уровнях в определенной пространственной 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 дизайн выборки.^{[нужна цитата]}

Распространенные ошибки пространственного анализа

Фундаментальные проблемы пространственного анализа приводят к многочисленным проблемам в анализе, включая систематические ошибки, искажения и явные ошибки в сделанных выводах. Эти проблемы часто взаимосвязаны, но были предприняты различные попытки отделить отдельные проблемы друг от друга.^[4]

Длина

Обсуждая береговая линия Британии, Бенуа Мандельброт показали, что определенные 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 измеряют длину реки, эта длина имеет значение только в контексте соответствия метода измерения изучаемому вопросу.

• 

  Британия измеряется длинной меркой

• 

  Великобритания измеряется средним критерием

• 

  Британия измеряется короткой меркой

Ошибка местоположения

Ошибка расположения относится к ошибке из-за конкретной пространственной характеристики, выбранной для элементов исследования, в частности, выбора размещения 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 стал популярен пространственный анализ данных о преступности, но эти исследования могут описывать только те конкретные виды преступлений, которые могут быть описаны пространственно. Это приводит к множеству карт нападений, но не к любым картам хищений с политическими последствиями при концептуализации преступности и разработке политики для решения этой проблемы.^[5]

Атомная ошибка

Это описывает ошибки из-за обработки элементов как отдельных «атомов» вне их пространственного контекста. Ошибка заключается в переносе индивидуальных выводов на пространственные единицы.^[6]

Экологическая ошибка

В экологическая ошибка описывает ошибки из-за выполнения анализа совокупных данных при попытке сделать выводы по отдельным единицам.^{[нужна цитата]} Частично ошибки возникают из-за пространственной агрегации. Например, пиксель представляет собой среднюю температуру поверхности в пределах области. Экологическим заблуждением было бы предположение, что все точки в пределах области имеют одинаковую температуру. Эта тема тесно связана с модифицируемая проблема единичной площади.

Решения фундаментальных вопросов

Географическое пространство

Расстояние между Манхэттеном и Евклидовым расстоянием: красная, синяя и желтая линии имеют одинаковую длину (12) как в евклидовой геометрии, так и в геометрии такси. В евклидовой геометрии зеленая линия имеет длину 6 ×√2 ≈ 8,48, и является единственным кратчайшим путем. В геометрии такси длина зеленой линии по-прежнему равна 12, что делает ее не короче, чем любой другой показанный путь.

Математическое пространство существует всякий раз, когда у нас есть набор наблюдений и количественных измерений их атрибутов. Например, мы можем представить доходы людей или годы образования в системе координат, где местоположение каждого человека может быть указано по обоим измерениям. Расстояние между людьми в этом пространстве является количественной мерой их различий в доходах и образовании. Однако в пространственном анализе нас интересуют определенные типы математических пространств, а именно географическое пространство. В географическом пространстве наблюдения соответствуют местоположениям в системе пространственных измерений, которые фиксируют их близость в реальном мире. Точки в системе пространственных измерений часто представляют собой местоположения на поверхности Земли, но это не обязательно. Система пространственных измерений также может фиксировать близость, например, по отношению к межзвездному пространству или внутри биологического объекта, такого как печень. Основной принцип Первый закон географии Тоблера: если взаимосвязь между объектами увеличивается по мере приближения в реальном мире, то целесообразно представление в географическом пространстве и оценка с использованием методов пространственного анализа.

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

Типы

Пространственные данные бывают самых разнообразных, и нелегко прийти к системе классификации, которая одновременно является исключительной, исчерпывающей, творческой и удовлетворительной. - Г. Аптон и Б. Фингелтон^[7]

Анализ пространственных данных

Городские и региональные исследования имеют дело с большими таблицами пространственных данных, полученных в результате переписей и обследований. Необходимо упростить огромное количество подробной информации, чтобы выделить основные тенденции. Многопараметрический анализ (или Факторный анализ, FA) позволяет заменять переменные, преобразовывая многие переменные переписи, обычно коррелированные между собой, в меньшее количество независимых «Факторов» или «Основных компонентов», которые фактически являются собственные векторы матрицы корреляции данных, взвешенной по инверсии их собственных значений. Такая замена переменных имеет два основных преимущества:

1. Поскольку информация сконцентрирована на первых новых факторах, можно сохранить лишь некоторые из них, потеряв при этом лишь небольшой объем информации; их отображение дает меньше и более значимых карт
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, во втором, третьем, ... факторах появляются другие более мелкие процессы, чем социальный статус, который в противном случае оставался бы скрытым.

Факторный анализ зависит от измерения расстояний между наблюдениями: выбор важной метрики имеет решающее значение. Евклидова метрика (анализ главных компонентов), расстояние хи-квадрат (анализ соответствия) или обобщенное расстояние Махаланобиса (дискриминантный анализ) являются одними из наиболее широко используемых.^[8] Были предложены более сложные модели, использующие общности или ротации.^[9]

Использование многомерных методов в пространственном анализе началось на самом деле в 1950-х годах (хотя некоторые примеры относятся к началу века) и достигли высшей точки в 1970-х годах, когда мощность и доступность компьютеров возросли. Уже в 1948 году в фундаментальной публикации два социолога Венделл Белл и Эшреф Шевки,^[10] показали, что большинство городского населения в США и в мире может быть представлено тремя независимыми факторами: 1- «социально-экономический статус», противопоставляющий богатые и бедные районы и распределенный по секторам, идущим вдоль автомагистралей от центра города, 2- «Жизненный цикл», т.е. возрастная структура домохозяйств, распределенных концентрическими кругами, и 3- «расовая и этническая принадлежность», определяющая участки мигрантов, расположенные в пределах города. В 1961 году в новаторском исследовании британские географы использовали FA для классификации британских городов.^[11] Брайан Дж. Берри из Чикагского университета и его студенты широко использовали этот метод,^[12] применяя его к наиболее важным городам мира и демонстрируя общие социальные структуры.^[13] Использование факторного анализа в географии, которое стало настолько простым благодаря современным компьютерам, было очень широким, но не всегда очень разумным.^[14]

Поскольку извлеченные векторы определяются матрицей данных, невозможно сравнивать коэффициенты, полученные 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 приводит к очень большим таблицам, с которыми трудно работать. Лучшее решение, предложенное психометристами,^[15] группирует данные в «кубическую матрицу» с тремя записями (например, местоположения, переменные, периоды времени). Трехфакторный факторный анализ затем дает три группы факторов, связанных небольшой кубической «основной матрицей».^[16] Этот метод, который показывает эволюцию данных с течением времени, не получил широкого распространения в географии.^[17] В Лос-Анжелес,^[18] тем не менее, в течение нескольких десятилетий он демонстрировал традиционно игнорируемую роль Даунтауна как организационного центра для всего города.

Пространственная автокорреляция

Пространственный автокорреляция статистика измеряет и анализирует степень зависимости между наблюдениями в географическом пространстве. Классическая пространственная автокорреляционная статистика включает: Морана ${ displaystyle I}$, Гири ${ displaystyle C}$, Getis's ${ displaystyle G}$ и эллипс стандартного отклонения. 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 пространственной автокорреляции сравнивает пространственные веса с ковариационными отношениями в парах местоположений. Пространственная автокорреляция, более положительная, чем ожидалось от случайного, указывает на кластеризацию аналогичных значений в географическом пространстве, в то время как значительная отрицательная пространственная автокорреляция указывает на то, что соседние значения более непохожи, чем ожидалось случайно, что предполагает пространственный образец, похожий на шахматную доску.

Статистика пространственной автокорреляции, например, Морана. ${ displaystyle I}$ и Гири ${ displaystyle C}$ являются глобальными в том смысле, что они оценивают общую степень пространственной автокорреляции для набора данных. Возможность пространственной неоднородности предполагает, что предполагаемая степень автокорреляции может значительно варьироваться в зависимости от географического пространства. Статистика локальной пространственной автокорреляции предоставлять оценки, дезагрегированные на уровне единиц пространственного анализа, что позволяет оценить отношения зависимости в пространстве. ${ displaystyle G}$ статистика сравнивает районы со средним глобальным значением и выявляет локальные регионы с сильной автокорреляцией. Локальные версии ${ displaystyle I}$ и ${ displaystyle C}$ также доступна статистика.

Пространственная стратифицированная неоднородность

Пространственная стратифицированная неоднородность, относящаяся к дисперсии внутри слоев меньше, чем дисперсия между слоями, повсеместно встречается в экологических явлениях, таких как экологические зоны и многие экологические переменные. Пространственная стратифицированная неоднородность атрибута может быть измерена географическим детектором. q-статистический:^[19]

                             ${ displaystyle q = 1 - { frac {1} {N  sigma ^ {2}}}  sum _ {h = 1} ^ {L} N_ {h}  sigma _ {h} ^ {2}}$

где население разделено на час = 1, ..., L страты; N обозначает численность населения, σ² обозначает вариацию атрибута. Значение q находится в пределах [0, 1], 0 указывает на отсутствие пространственной стратифицированной неоднородности, 1 указывает на идеальную пространственную стратифицированную неоднородность. q указывает процент отклонения атрибута, объясняемого стратификацией. q следует нецентральному F функция плотности вероятности.

Ручная карта с разными пространственными узорами. Примечание: п это вероятность q-статистический; * обозначает статистическую значимость на уровне 0,05, ** для 0,001, *** для менее 10⁻³; (D) индексы 1, 2, 3 из q и п обозначает страты Z1 + Z2 с Z3, Z1 с Z2 + Z3 и Z1 и Z2 и Z3 по отдельности, соответственно; (E) индексы 1 и 2 из q и п обозначает страты Z1 + Z2 с Z3 + Z4 и Z1 + Z3 с Z2 + Z4 соответственно.

Пространственная интерполяция

Пространственная интерполяция Методы оценивают переменные в ненаблюдаемых местах в географическом пространстве на основе значений в наблюдаемых местах. Основные методы включают обратное взвешивание расстояний: это ослабляет переменную по мере уменьшения расстояния от наблюдаемого местоположения. Кригинг - это более сложный метод, который интерполирует в пространстве в соответствии с отношением пространственного запаздывания, которое имеет как систематические, так и случайные компоненты. Это может приспособить широкий диапазон пространственных отношений для скрытых значений между наблюдаемыми местоположениями. Кригинг обеспечивает оптимальные оценки с учетом предполагаемой зависимости запаздывания, а оценки ошибок могут быть отображены, чтобы определить, существуют ли пространственные закономерности.

Пространственная регрессия

Методы пространственной регрессии фиксируют пространственную зависимость в регрессивный анализ, избегая статистических проблем, таких как нестабильные параметры и ненадежные тесты значимости, а также предоставляя информацию о пространственных отношениях между задействованными переменными. В зависимости от конкретного метода пространственная зависимость может входить в регрессионную модель как отношения между независимыми переменными и зависимыми, между зависимыми переменными и их пространственным запаздыванием или в условиях ошибок. Географически взвешенная регрессия (GWR) - это локальная версия пространственной регрессии, которая генерирует параметры, дезагрегированные по пространственным единицам анализа.^[20] Это позволяет оценить пространственную неоднородность в предполагаемых отношениях между независимыми и зависимыми переменными. Использование Байесовское иерархическое моделирование^[21] в сочетании с Цепь Маркова Монте-Карло (MCMC) методы недавно показали свою эффективность при моделировании сложных отношений с использованием моделей Пуассона-Гамма-CAR, Пуассона-логнормального-SAR или сверхдисперсных логит-моделей. Статистические пакеты для реализации таких байесовских моделей с использованием MCMC включают WinBugs и CrimeStat.

Пространственные случайные процессы, такие как Гауссовские процессы также все чаще используются в анализе пространственной регрессии. Основанные на моделях версии GWR, известные как модели с пространственно изменяющимися коэффициентами, были применены для проведения байесовского вывода.^[21] Пространственный случайный процесс может стать вычислительно эффективными и масштабируемыми моделями гауссовских процессов, такими как гауссовские процессы прогнозирования.^[22] и гауссовские процессы ближайшего соседства (NNGP).^[23]

Пространственное взаимодействие

Пространственное взаимодействие или "гравитационные модели«оценить поток людей, материалов или информации между точками в географическом пространстве. Факторы могут включать в себя движущие переменные происхождения, такие как количество пассажиров в жилых районах, переменные привлекательности места назначения, такие как количество офисных площадей в зонах занятости, и отношения близости между местоположения, измеряемые с точки зрения расстояния или времени в пути. Кроме того, топологические или соединительныйотношения между областями должны быть идентифицированы, особенно с учетом часто конфликтующих отношений между расстоянием и топологией; например, два пространственно близких квартала могут не демонстрировать какого-либо значительного взаимодействия, если они разделены шоссе. После определения функциональных форм этих отношений аналитик может оценить параметры модели, используя данные наблюдаемого потока и стандартные методы оценки, такие как обычный метод наименьших квадратов или максимальное правдоподобие. Версии моделей пространственного взаимодействия с конкурирующими пунктами назначения включают в себя близость пунктов назначения (или пунктов отправления) в дополнение к близости исходной точки к месту назначения; это фиксирует влияние кластеризации получателя (источника) на потоки. Вычислительные методы, такие как искусственные нейронные сети может также оценивать отношения пространственного взаимодействия между местоположениями и может обрабатывать зашумленные и качественные данные.^{[нужна цитата]}

Моделирование и моделирование

Модели пространственного взаимодействия бывают агрегатными и нисходящими: они определяют общие управляющие отношения для потока между местоположениями. Эта характеристика также характерна для городских моделей, таких как модели, основанные на математическом программировании, потоках между секторами экономики или теории ставки ренты. Альтернативный подход к моделированию состоит в том, чтобы представить систему на максимально возможном уровне дезагрегирования и изучить восходящее возникновение сложных паттернов и взаимосвязей из поведения и взаимодействий на индивидуальном уровне.^{[нужна цитата]}

Сложные адаптивные системы Теория применительно к пространственному анализу предполагает, что простые взаимодействия между ближайшими объектами могут привести к сложным, устойчивым и функциональным пространственным объектам на агрегированных уровнях. Два фундаментально пространственных метода моделирования - это клеточные автоматы и агентное моделирование. Клеточные автоматы моделирование накладывает фиксированные пространственные рамки, такие как ячейки сетки, и определяет правила, которые определяют состояние ячейки на основе состояний соседних с ней ячеек. С течением времени возникают пространственные паттерны, поскольку клетки меняют состояния в зависимости от своих соседей; это изменяет условия для будущих периодов времени. Например, ячейки могут представлять местоположения в городской зоне, а их состояния могут быть разными типами землепользования. Модели, которые могут возникнуть в результате простого взаимодействия местных землепользователей, включают офисные районы и разрастание городов. Агентное моделирование использует программные объекты (агенты), которые имеют целенаправленное поведение (цели) и могут реагировать, взаимодействовать и изменять свою среду, стремясь к достижению своих целей. В отличие от клеток клеточных автоматов, симуляторы могут позволить агентам быть мобильными по отношению к космосу. Например, можно смоделировать транспортный поток и динамику, используя агентов, представляющих отдельные автомобили, которые пытаются минимизировать время в пути между указанными пунктами отправления и назначения. При минимальном времени в пути агенты должны избегать столкновений с другими транспортными средствами, также стремясь минимизировать время в пути. Клеточные автоматы и агентное моделирование дополняют 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 как CA, так и ABM. Первоначальные подходы к CA предлагали надежные подходы к калибровке, основанные на стохастических методах Монте-Карло.^[24][25] Подходы ABM основаны на правилах принятия решений агентами (во многих случаях извлеченных из методов качественной исследовательской базы, таких как анкеты).^[26] Современные алгоритмы машинного обучения калибруются с использованием обучающих наборов, например, чтобы понять качества созданной среды.^[27]

Многоточечная геостатистика (MPS)

Пространственный анализ концептуальной геологической модели - основная цель любого алгоритма MPS. Этот метод анализирует пространственную статистику геологической модели, называемую обучающим образом, и генерирует реализации явлений, которые учитывают эти входные многоточечные статистики.

Последний алгоритм MPS, использованный для выполнения этой задачи, - это основанный на шаблонах метод Хонархаха.^[28] В этом методе для анализа закономерностей в тренировочном образе используется подход, основанный на расстоянии. Это позволяет воспроизводить многоточечную статистику и сложные геометрические особенности тренировочного образа. Каждый выход алгоритма MPS - это реализация, представляющая случайное поле. Вместе несколько реализаций могут использоваться для количественной оценки пространственной неопределенности.

Один из последних методов представлен Tahmasebi et al.^[29] использует функцию взаимной корреляции для улучшения воспроизведения пространственного шаблона. Они называют свой метод моделирования MPS алгоритмом CCSIM.Этот метод позволяет количественно оценить пространственную связанность, 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 использоваться для любых стационарных, нестационарных и многомерных систем и может обеспечить высококачественную модель визуальной привлекательности.,^[30][31]

Геопространственный анализ

Возможно, этот раздел необходимо очистить. Он был объединен с Геопространственный анализ.

Геопространственное здание Ноттингема на Ноттингемский университетс Юбилейный кампус.

Геопространственный анализ, или просто пространственный анализ,^[32] это подход к применению статистический анализ и другие методы анализа данных, имеющих географический или пространственный аспект. В таком анализе обычно используется программное обеспечение, способное отображать карты, обрабатывать пространственные данные и применять аналитический методы наземного или географический наборы данных, включая использование географические информационные системы и геоматика.^[33][34][35]

Использование географической информационной системы

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

Основные приложения

Геопространственный анализ с использованием ГИС, был разработан для задач в области экологии и наук о жизни, в частности экология, 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 т. Д. Общественная безопасность (например, управление чрезвычайными ситуациями и криминология), снижение и управление рисками стихийных бедствий (DRRM) и адаптация к изменению климата (CCA). Пространственная статистика обычно является результатом наблюдения, а не экспериментов.

Основные операции

На основе векторов ГИС обычно связано 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 базовые операции. Это отражает (и находит отражение в) использование термина пространственный анализ в рамках Open Geospatial Consortium (OGC) «Простые характеристики функций». Для растровых ГИС, широко используемых в науках об окружающей среде 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 растровых слоев в соответствии с простыми правилами, в результате чего создается новый слой карты, например, замена каждого значения ячейки некоторой комбинацией значений его соседей или вычисление суммы или разности конкретных значений атрибутов для каждой ячейки сетки в два совпадающих набора растровых данных. Описательная статистика, такая как количество ячеек, средние, дисперсии, максимумы, минимумы, совокупные значения, частоты и ряд других показателей и вычисления расстояний, также часто включаются в этот общий термин пространственный анализ. Пространственный анализ включает в себя большое количество статистических методов (описательных, исследовательский, и пояснительный статистика), которые применяются к данным, которые различаются в пространстве и могут изменяться со временем. Некоторые более продвинутые статистические методы включают 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 2D- и 3D-картографии и пространственной статистики. Это включает в себя:

• Анализ поверхности - в частности, анализ свойств физических поверхностей, таких как градиент, аспект и видимость, и анализ поверхностных «полей» данных;
• Сетевой анализ - изучение свойств природных и искусственных сетей с целью понимания поведения потоков внутри и вокруг таких сетей; и анализ местоположения. Сетевой анализ на основе ГИС может использоваться для решения широкого круга практических задач, таких как выбор маршрута и расположение объекта (основные темы в области исследование операций), и проблемы, связанные с потоками, например, в гидрология и транспортные исследования. Во многих случаях проблемы определения местоположения связаны с сетями и, как таковые, решаются с помощью инструментов, разработанных для этой цели, но в других существующие сети могут иметь незначительное значение или не иметь никакого отношения или могут быть непрактичными для включения в процесс моделирования. Проблемы, которые конкретно не ограничены сетью, такие как прокладка новой дороги или трубопровода, расположение регионального склада, расположение мачты мобильного телефона или выбор мест для оказания медицинской помощи в сельских общинах, могут быть эффективно проанализированы (по крайней мере, на начальном этапе) без ссылки на существующие физические сети. Анализ местоположения «в плоскости» также применим в тех случаях, когда подходящие наборы сетевых данных недоступны, слишком велики или дороги для использования, или когда алгоритм определения местоположения очень сложен или включает изучение или моделирование очень большого количества альтернативных конфигураций. .
• Геовизуализация - создание и изменение изображений, карт, диаграмм, диаграмм, трехмерных видов и связанных с ними наборов табличных данных. Пакеты ГИС все чаще предоставляют набор таких инструментов, предоставляя статические или вращающиеся виды, обтягивая изображения поверх 2,5-мерных представлений поверхности, обеспечивая анимацию и пролёт, динамическое связывание и кисть, а также пространственно-временную визуализацию. Этот последний класс инструментов является наименее развитым, что частично отражает ограниченный диапазон подходящих совместимых наборов данных и ограниченный набор доступных аналитических методов, хотя эта картина быстро меняется. Все эти средства дополняют основные инструменты, используемые в пространственном анализе на протяжении всего аналитического процесса (исследование данных, выявление закономерностей и взаимосвязей, построение моделей и передача результатов).

Мобильные геопространственные вычисления

Традиционно геопространственные вычисления выполнялись в основном на персональных компьютерах (ПК) или серверах. Однако из-за растущих возможностей мобильных устройств геопространственные вычисления в мобильных устройствах становятся быстрорастущей тенденцией.^[36] Портативный характер этих устройств, а также наличие полезных датчиков, таких как приемники глобальной навигационной спутниковой системы (GNSS) и датчики атмосферного давления, делают их полезными для сбора и обработки геопространственной информации в полевых условиях. Помимо локальной обработки геопространственной информации на мобильных устройствах, еще одной растущей тенденцией являются облачные геопространственные вычисления. В этой архитектуре данные можно собирать в полевых условиях с помощью мобильных устройств, а затем передавать на облачные серверы для дальнейшей обработки и окончательного хранения. Аналогичным образом геопространственная информация может быть доступна подключенным мобильным устройствам через облако, что позволяет получить доступ к обширным базам данных геопространственной информации в любом месте, где доступно беспроводное соединение для передачи данных.

Географическая информатика и пространственный анализ

Эта карта маршрута злополучного марша Наполеона на Москву - ранний и знаменитый пример геовизуализации. Он показывает направление армии во время ее движения, места, через которые проходили войска, размер армии, когда солдаты умирали от голода и ран, а также низкие температуры, которые они испытывали.

Географические информационные системы (ГИС) и лежащие в основе географическая информатика Развитие этих технологий оказывает сильное влияние на пространственный анализ. Растущая способность захвата и обработки географических данных означает, что пространственный анализ происходит в средах с постоянно увеличивающимся объемом данных. Системы сбора географических данных включают изображения с дистанционным зондированием, системы мониторинга окружающей среды, такие как интеллектуальные транспортные системы, и технологии определения местоположения, такие как мобильные устройства, которые могут сообщать о местоположении почти в реальном времени. ГИС предоставляют платформы для управления этими данными, вычисления пространственных отношений, таких как расстояние, связность и направленные отношения между пространственными единицами, а также визуализации как исходных данных, так и результатов пространственного анализа в картографическом контексте. Подтипы включают:

• Геовизуализация (GVis) объединяет научную визуализацию с цифровая картография 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, анализе и передаче географических данных и информации. В отличие от традиционной картографии, GVis обычно является трехмерным или четырехмерным (последнее включает время) и интерактивным для пользователя.

• Открытие географических знаний (GKD) - это ориентированный на человека процесс применения эффективных вычислительных инструментов для исследования массивных пространственные базы данных. ГКД включает географические сбор данных, но также включает связанные действия, 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 предпосылке, что массивные базы данных содержат интересные (действительные, новые, полезные и понятные) шаблоны, которые невозможно найти с помощью стандартных аналитических методов. GKD может служить процессом создания гипотез для пространственного анализа, создавая предварительные модели и взаимосвязи, которые следует подтверждать с помощью методов пространственного анализа.

• Системы поддержки пространственных решений (SDSS) использует существующие пространственные данные и различные математические модели для прогнозирования будущего. Это позволяет городским и региональным планировщикам проверять решения о вмешательстве до их реализации.^[37]

Смотрите также

Общие темы

Конкретные приложения

Рекомендации

дальнейшее чтение

Этот дальнейшее чтение раздел может содержать несоответствующие или чрезмерные предложения, которые могут не соответствовать рекомендациям Википедии. руководящие указания. Убедитесь, что только разумное количество из сбалансированный, актуальный, надежный, и даны важные предложения для дальнейшего чтения; удаление менее актуальных или повторяющихся публикаций с помощью та же точка зрения где необходимо. Рассмотрите возможность использования соответствующих текстов в качестве встроенные источники или создание отдельная библиографическая статья. (Июнь 2014 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

• Р. Аблер, Дж. Адамс и П. Гулд (1971) Пространственная организация - взгляд на мир географа, 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 теории вероятностей (2-е изд.), Chapman and Hall / CRC, ISBN 9781439819173
• Бененсон И. и П. М. Торренс. (2004). Геосимуляция: автоматическое моделирование городских явлений. Вайли.
• Фотерингем А.С., К. Брансдон и М. Чарльтон (2000) Количественная география: перспективы анализа пространственных данных, Мудрец.
• Фотерингем А.С. и М.Э. О'Келли (1989) Модели пространственного взаимодействия: формулировки и приложения, Kluwer Academic
• Fotheringham, A.S .; Роджерсон, П. А. (1993). «ГИС и проблемы пространственного анализа». Международный журнал географических информационных систем. 7: 3–19. Дои:10.1080/02693799308901936.
• Гудчайлд, М. Ф. (1987). «Пространственный аналитический взгляд на географические информационные системы». Международный журнал географических информационных систем. 1 (4): 327–44. Дои:10.1080/02693798708927820.
• МакИчрен, А.М. и Д. Р. Ф. Тейлор (ред.) (1994) Визуализация в современной картографии, Пергам.
• Левин, Н. (2010). CrimeStat: программа пространственной статистики для анализа мест совершения преступлений. Версия 3.3. Ned Levine & Associates, Хьюстон, Техас, и Национальный институт правосудия, Вашингтон, округ Колумбия. Гл. 1-17 + 2 обновить главы [1]
• Миллер, Х. Дж. (2004). «Первый закон Тоблера и пространственный анализ». Летопись Ассоциации американских географов. 94 (2): 284–289. Дои:10.1111 / j.1467-8306.2004.09402005.x. S2CID 19172678.
• 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, Wiley.
• Паркер, Д. С .; Manson, S.M .; Янссен, М.А.; Hoffmann, M. J .; Мертвец, П. (2003). «Многоагентные системы для моделирования землепользования и изменения земного покрова: обзор». Летопись Ассоциации американских географов. 93 (2): 314–337. CiteSeerX 10.1.1.109.1825. Дои:10.1111/1467-8306.9302004. S2CID 130096094.
• Белый, R .; Энгелен, Г. (1997). «Клеточные автоматы как основа интегрированного динамического регионального моделирования». Окружающая среда и планирование B: планирование и дизайн. 24 (2): 235–246. Дои:10.1068 / b240235. S2CID 62516646.
• Шельдеман, X. и ван Зонневельд, М. (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). «Геокомпьютинг и ГИС». Транзакции в ГИС. 2 (3): 199–200. Дои:10.1111 / j.1467-9671.1997.tb00010.x.
• Openshaw S и Abrahart RJ (2000) GeoComputation. CRC Press
• Диаппи Лидия (2004) Развивающиеся города: геокомпьютация в территориальном планировании. Ашгейт, Англия
• Longley PA, Brooks SM, McDonnell R, Macmillan B (1998), Geocomputation, учебник для начинающих. Джон Уайли и сыновья, Чичестер
• Элен, Дж; Колдуэлл, Д.Р .; Хардинг, S (2002). «GeoComputation: что это?». Comput Environ и Urban Syst. 26 (4): 257–265. Дои:10.1016 / s0198-9715 (01) 00047-3.
• Гахеган, М. (1999). «Что такое геокомпьютация?». Транзакция в ГИС. 3 (3): 203–206. Дои:10.1111/1467-9671.00017.
• Мурганте Б., Боррузо Г., Лапуччи А. (2009) "Геокомпьютация и городское планирование" Исследования в области вычислительного интеллекта, Vol. 176. Springer-Verlag, Берлин.
• Reis, José P .; Silva, Elisabete A .; Пинхо, Пауло (2016). «Пространственные метрики для изучения городских структур в растущих и сокращающихся городах». Городская география. 37 (2): 246–271. Дои:10.1080/02723638.2015.1096118. S2CID 62886095.
• Пападимитриу, Ф. (2002). «Моделирование показателей и индексов сложности ландшафта: подход с использованием G.I.S». Экологические показатели. 2 (1–2): 17–25. Дои:10.1016 / S1470-160X (02) 00052-3.
• Фишер М., Люнг Ю. (2010) "Геокомпьютерное моделирование: методы и приложения" Успехи в области пространственной науки. Шпрингер-Верлаг, Берлин.
• Мурганте Б., Боррузо Г., Лапуччи А. (2011) «Геокомпьютинг, устойчивость и экологическое планирование» Исследования в области вычислительного интеллекта, Vol. 348. Springer-Verlag, Берлин.
• Tahmasebi, P .; Хезархани, А .; Сахими, М. (2012). «Многоточечное геостатистическое моделирование на основе взаимно корреляционных функций». Вычислительные науки о Земле. 16 (3): 779–79742. Дои:10.1007 / s10596-012-9287-1. S2CID 62710397.
• Геза, Тот; Арон, Кинцес; Золтан, Надь (2014). «Европейская пространственная структура». LAP LAMBERT Academic Publishing. Дои:10.13140/2.1.1560.2247. Цитировать журнал требует | журнал = (помощь)

внешняя ссылка

Викискладе есть медиафайлы по теме Анализ пространственных данных.

• Комиссия МКА по геопространственному анализу и моделированию
• Образовательный ресурс по пространственной статистике и геостатистике
• Подробное руководство по принципам, методам и программным инструментам
• Социальное и пространственное неравенство
• Национальный центр географической информации и анализа (NCGIA)
• Международная картографическая ассоциация (ICA), всемирная организация профессионалов в области картографии и ГИС