Простейшая переклассификация на векторном типе данных.
В случае векторов процесс переклассификации требует изменения, как атрибутов, так и графики.
Во-первых, надо удалить все линии, которые разделяют два класса, которые должны быть объединены. Эта операция называется растворением границ (line dissolve).
Во-вторых, атрибуты этих двух полигонов переписываются для нового покрытия как единый новый атрибут для обоих.
Давайте рассмотрим очень простой пример наподобие предыдущего, но имеющий дело только с двумя полигонами, на одном — пшеница, на другом — кукуруза (Рисунок 1). Нашей целью является создание одной категории под названием "зерновые культуры" с помощью "растворения" (удаления) границы, разделяющей две исходные категории. Мы помещаем вновь созданную категорию "зерновые" в таблицу атрибутов и присваиваем ее новому, большему полигону. Теперь мы имеем новое покрытие с только одним значением атрибута. Конечно, в большинстве реальных случаев будет "растворено" гораздо больше границ и изменено гораздо больше атрибутов, но процесс будет таким же по сути как и в этом примере.
И в растровой, и в векторной переклассификации полигонов имеется интересная особенность. В обоих случаях по окончании мы имеем меньшее число категорий, чем имели вначале. Этот результат, называемый агрегированием данных (data aggregation), — полезный и распространенный вид переклассификации. Представьте, как бы вы разделили больший полигон на части с пшеницей и кукурузой? Если у вас нет возможности сравнить эту информацию с другим покрытием, найти разделительную линию невозможно. И, конечно, если вы знаете, где она была, то вовсе не нужно выполнять анализа, вы можете просто использовать это покрытие с границей. Существуют полезные методы выделения большего количества деталей из грубой полигональной информации. Эти методы требуют сравнения двух или более покрытий в процессе, называемом наложением (overlay).
|
|
|
Рисунок 1. Переклассификация и растворение границ. Переклассификация через объединение категорий: объединение классов "кукуруза" и "пшеница" в более крупный класс "зерновые"
Ранжированные классификации.
До сих пор мы рассматривали переклассификацию данных лишь номинальной шкалы измерений. Нетрудно представить, как можно было бы переклассифицировать данные других шкал.
В картографических методах это делается созданием диапазонов категорий данных, что часто называется ранжированными ( range graded ) классификациями.
Такой сценарий требует от нас всего лишь перекодировать эти данные на основе классовых интервалов, в которые они попадают. И, как и в случае данных номинальной шкалы, мы просто перекодируем ячейки растра или выполняем замену атрибутов и растворение границ. Одновременно мы можем также выполнить такие операции, как упорядочивание ячеек растра или значений полигонов, их инверсию или использовать иные преобразования, включающие математические операции (умножение, деление и т.д.) над значениями полигонов с участием других переменных. При этом процесс по сути таков же, как и в случае с данными номинальной шкалы.
|
|
|
Все перечисленные до сих пор методы имеют одну общую черту: процесс переклассификации направлен на переименовывание полигонов на основе значений атрибутов на их собственном месте. Это своего рода приземленный взгляд, в котором каждый набор ячеек растра или каждый полигон рассматривается как отчетливо индивидуальная сущность, а классификация ограничена целевой областью, — как в использовании начальных значений, так и в самой переклассификации.
Переклассификация на основе атрибутивной информации — только один из четырех основных методов; остальные основаны на информации о положении, размере и форме. Впрочем, эти представления не выделяются как отдельные методы: все они часто комбинируются друг с другом для создания широкого разнообразия методов переклассификации.
|
|
|
5. Переклассификация, основанная на окрестности
Переклассификация на основе "негеометрических" атрибутов очень полезна, но она ограничивает нас атрибутами в пределах каждого объекта. Было бы замечательно, если бы мы могли классифицировать объекты по тому, как он расположен по отношению к другим. Такие процедуры переклассификации основаны на идее описания и оценки каждого объекта как части большей окрестности (neighborhood) объектов. Нам свойственно чаще взаимодействовать с теми, кто находится ближе, чем с теми, кто дальше. В некоторых случаях окрестности определяются политическими или экономическими критериями.
Окрестности могут определяться в терминах объединяющего атрибута всей области (такая классификация называется общим анализом соседства (total analysis of neighborhood)), или фокус может быть направлен на меньшие части всей территории - это целевой анализ.
Целевой анализ, также называемый непосредственной окрестностью (immediate neighborhoods), включает только места, непосредственно прилегающие к целевой области или месту.
Анализ общего соседства, называемый также расширенной окрестностью (extended neighborhoods), включает местоположения, которые находятся в непосредственной близости, а также и удаленные на некоторое расстояние. При этом, мы можем разделить функции соседства обоих этих типов на:
|
|
|
- статические (static neighborhood functions), в которых анализ проводится сразу по всей выбранной целевой области,
- и функции скользящего окна (roving window neighborhood functions), где анализ проводится только в рамках окна, которое перемещается по покрытию.
Фильтры
Существуют функции, которые используют окно переклассификации ячеек растра для определения развитости границы области. Эти оконные функции называются также фильтрами, особенно если само окно является матрицей чисел, которые служат операндами в выражениях со значениями ячеек растра.
Довольно часто этот метод используется в обработке изображений дистанционного зондирования, но он также применяется и в растровых ГИС. В частности, фильтры используются:
- для выделения краев областей или линейных объектов (фильтры высоких частот (ФВЧ) (high pass filters)),
- для усиления общих градиентов и устранения мелких флуктуаций и шума (фильтры низких частот (ФНЧ) (low pass filters)),
-для подчеркивания ориентации (анизотропные фильтры (directional filters)).
Фильтр высоких частот предназначен для выделения деталей в растровом покрытии, которые могут быть незаметны из-за близлежащих ячеек растра, содержащих относительно близкие значения.
В дистанционном зондировании эти значения показывают величину отражения электромагнитного излучения. Однако, мы можем использовать практически любые связанные с поверхностью данные. Допустим, что мы заинтересованы в обнаружении мелких гребней в растровом топографическом покрытии. Каждая ячейка растра содержит отсчет высоты, и мы хотим подчеркнуть контраст между несколько более высокими значениями для гребня и несколько более низкими значениями, окружающими этот объект. Типичный метод для выполнения такой фильтрации высоких пространственных частот состоит в том, чтобы создать матрицу фильтра 3 x 3 с весовым коэффициентом 9 в центральной клетке и минус 1 — во всех остальных. Этот фильтр помещается поверх каждой группы ячеек растра 3x3 в нашем покрытии, и члены каждой пары соответствующих ячеек растра и матрицы фильтра перемножаются.
То есть, значение высоты в центральной ячейке растра топографического покрытия умножается на коэффициент 9, а все остальные значения умножаются на -1 (минус 1). Затем, эти девять только что созданных произведений суммируются для получения результирующего значения центральной ячейки растра. Другими словами, эта одиночная операция с двумя матрицами по девять чисел производит единственное значение, которое помещается в центр нового покрытия.
Следующий шаг должен переместить фильтр на одну ячейка растра вправо, так, чтобы центральная ячейка в топографическом покрытии была теперь (3,2). Вычисления выполняются так же, как и прежде, приводя к новому значению ячейки (3,2). Процедура повторяется для всего покрытия, так что в итоге в результирующем покрытии гребни видны гораздо лучше.
Поскольку края областей и линейные объекты имеют различные ориентации (например, вы можете обнаружить какое-то число гребней, связанных с некоторым геологическим циклом образования складок и эрозии), иногда полезно согласовать фильтр с определенной ориентацией. Например, если вы хотите выделить гребни, ориентированные с востока на запад, вы должны использовать фильтр (размер матрицы оставим тот же), у которого ячейки средней строки содержат положительные числа, а остальные — минус 1. Для ориентации с северо-запада на юго-восток нужно сделать положительными числа главной диагонали матрицы фильтра. То же относится и к другим направлениям, то есть положительные числа ориентированы в том направлении, которое вы желаете подчеркнуть.
Если вы хотите подавить более высокие пространственные частоты, чтобы удалить не имеющие ценности топографические флуктуации, получив таким образом покрытие, которое показывает топографию в более общем (упрощенном, сглаженном) виде, вы можете использовать фильтр с меньшим различием коэффициентов. Наиболее распространен ФНЧ с матрицей 3x3, все коэффициенты которой равны одной девятой (чтобы сумма по всем ячейкам составляла единицу). В результате значения каждой ячейки будут усреднены с соседними.
Хотя обычные методы фильтрации растра используют стандартные матрицы 3x3 с "прошитыми" коэффициентами, нет необходимости к этому привязываться. Большинство программ, выполняющих фильтрацию, позволяют менять размер матрицы и значения коэффициентов. Чем больше размер матрицы, тем большее пространственное усреднение можно получить в случае ФНЧ, поскольку большее число ячеек принимают участие в усреднении. В случае ФВЧ с ростом размера матрицы может быть получено более качественное подчеркивание мелких деталей поверхности. Решение использовать нестандартные размеры и коэффициенты часто возникает в результате экспериментирования.
Окрестности
Мы знаем, что ГИС должна быть способна измерять размер полигона, или фрагментированного региона, составленного из нескольких полигонов. Представьте, однако, что нас интересует только идентичность полигонов региона в пределах некоторой окрестности или расстояния. Например, мы изучаем распространение новых фермерских методов, чтобы увидеть, не проявляется ли картина подражания, когда фермеры вооружаются новыми методами, внедренными их соседями. Допустим, нас интересуют зоны использования так называемой нулевой обработки почвы перед посевом. Вначале мы выбираем покрытие, показывающее только места, где данный метод применяется. Затем мы устанавливаем примерный радиус, в котором скорее всего может наблюдаться подражание. Мы можем принять, что оно проявится только у непосредственных соседей, либо что идея укоренится где-нибудь еще. В обоих случаях ГИС возьмет эту величину и начнет просмотр во все стороны, пока не достигнет дистанции радиуса поиска, наращивая по пути объем применения метода (по сути, измеряя площадь полигонов или их групп). В результате получаются малые, средние и большие группы полей, на которых, по-видимому, используется эта новая практика. ГИС обработала исходную территорию таким образом, что все полигоны или ячейки растра, которые попадают в заданный радиус друг от друга, получают один и тот же атрибут. Группы номеруются по порядку обнаружения. Каждая может быть потом переклассифицирована в соответствии со своим размером. Возможно, что мы придем к выводу, что фермеры в больших группах соседства более общительны между собой, или что сами фермы больше, или что эти фермеры знакомы с людьми из расположенного поблизости сельскохозяйственного колледжа. В любом случае, полученные значения показывают, что либо в больших окрестностях по сравнению с малыми имеют место различные механизмы распространения этой идеи, либо существуют иные причины различия размеров этих групп. Интерпретация причин получения таких результатов обычно потребует дальнейшей проверки, но здесь важно то, что функция соседства в ГИС позволила нам эти различия обнаружить.
В предыдущем описании окрестностей мы рассматривали одиночный атрибут выбранных групп в пределах заданного радиуса. Однако, часто мы больше заинтересованы в определении сходств и различий в пределах выбранной окрестности, нежели в группах однородных полигонов или групп ячеек растра. Например, мы хотим определить средний возраст людей в заданном регионе на основе данных переписи. Выбираем радиус поиска, как и раньше, программа просматривает атрибуты всех полигонов участков переписи или ячеек растра, и затем выполняет простое усреднение этих величин. В конечном итоге мы получаем новое покрытие со средним возрастом на основе этих расчетов.
Но не только усреднение может использоваться для определения новых окрестностей. Например, мы интересуемся определенным видом животных, которых особенно привлекает разнообразие ландшафта. Чем оно выше, тем больше это окружение нравится таким животным, оно дает множество мест для отдыха, питания, укрытия от солнца и от хищников. Нам также известно, что таким животным нужна определенная территория для жизни. Мы преобразуем эту известную величину площади в радиус поиска и далее действуем как и прежде. В данном случае программа просматривает все различные типы ландшафтов в пределах радиуса поиска и подсчитывает их, возвращая число этих типов в качестве пространственного или ландшафтного разнообразия. Области наибольшего разнообразия скорее всего и будут избираться животными этого вида для обитания.
Как вы могли догадаться, раз мы можем выполнять усреднение по полигонам или ячейкам растра окрестности, то можем также выполнять и другие расчеты. Возможно вычисление некоторого максимального значения по окрестности, как, например, наибольшее число преступлений в окрестности за указанный год. Или мы могли бы поискать минимальное значение, например, среди цен домов этой окрестности, чтобы решить, сможем ли мы себе позволить там жить. Другие операции включают подсчеты общего количества всех видов, определение медианы, наивысшей и наинизшей частот, отклонения от центральной точки по отношению к среднему окружающих значений и даже доли окрестности, имеющей те же атрибуты, что и в центральной точке окрестности.
Указанные операции могут выполняться многими различными способами. Например, результат операции над окрестностью (среднее, медиана, дисперсия и т.д.) может присваиваться центральной точке, передаваемой в новое покрытие. Мы можем также не назначать радиус окрестности, а использовать вместо этого скользящее окно для описания всего покрытия на основе тех же расчетов, что и прежде (среднее, медиана, дисперсия и т.д.). В этом случае выходная величина будет присваиваться не центральной точке, а всем ячейкам окна, давая нам представление о тенденциях изменений от одной части покрытия к другой.
В одних случаях мы можем создавать окрестность и выполнять операции на основе значений ячеек одного покрытия, в других — использовать разные покрытия для целевых ячеек и для построения окрестности. Например, если мы хотим знать величину разнообразия ландшафта в окрестностях известных местоположений птичьих гнезд, то могли бы взять покрытие с положением гнезд в качестве целевых ячеек, а другое покрытие — с типом ландшафта — для построения окрестностей.
ГИС позволяет измерять размер и форму дает и другие пути создания окрестностей. Например, измерение размера часто объединяется с определением групп одного значения атрибута полигонов. Чаще всего эта информация используется для ранжирования или упорядочивания результатов аналитических операций, которые группируют данные в локализованные или регионализованные группы. Размеры групп могут быть очень важны в нашем анализе. Например, экологи знают о размерах территории, требующейся волкам и другим крупным хищникам. Они также знакомы с минимальными требованиями отдельных лесных массивов для поддержки необходимого разнообразия животных видов и даже для того, чтобы продолжать существовать как лес. В некоторых случаях может потребоваться объединение меры разнообразия окрестности (где большее разнообразие означает лучшую среду обитания) с определением размеров (когда предпочтительны большие площади). Могут применяться и другие комбинации. Давайте рассмотрим пример.
Но и другие меры формы (функция Эйлера, развитость границы, и др.), могут комбинироваться или использоваться по отдельности для описания окрестностей. На самом деле, количество команд и их опций, предназначенных для классификации и переклассификации окрестностей, в большинстве ГИС довольно велико. Нам нет нужды ограничивать себя анализом окрестностей на основе двухмерных покрытий. В качестве источника характеристик окрестностей мы можем использовать также и топографические данные. Хотя конкретно поверхности и операции с ними мы рассмотрим более детально позже, уже сейчас мы можем рассмотреть применение трехмерных поверхностей в пере классифицировании окрестностей. Тогда мы вспомним и о том, как мы могли бы использовать поверхности в описании окрестностей.
Дата добавления: 2022-01-22; просмотров: 29; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!