Майкл ДМерс ГИС. Инициаторы проведения этого новаторского события надеются привлечь к нему внимание мировой общественности и широких масс пользователей географических информационных систем из всех стран.
 Скачать 4.47 Mb.
|
|
Глава 8 таковы: 5.5 0.5(1.414x 1.00) = 0.707 0.5 (1.414x 1.00) = 0.707 Вместе = 1.414 + Предыдущее = 0 значение Итого = 1.414 4,4 0.5(1.414x 1.00) = 0.707 0.5(1.414x3.00) = 2.121 Вместе = 2.828 + Предыдущее = 1.414 значение Итого = 4.242 5.6 0.5 (1.000x 1.00) = 0.500 0.5 (1.000x 1.00) = 0.500 Вместе = 1.000 + Предыдущее = 0 значение Итого = 1.000 Следующий шаг - выбор наименьшего накопленного расстояния для каждой прилежащей ячейки. Затем процесс повторяется. Расстояния с сопротивлением на всех шагах складываются вместе для получения нарастающего итога. Как видите, процесс довольно утомителен, — вот почему мы используем компьютеры. В результате мы получаем поверхность наименьшей стоимости, а не один маршрут, и мы можем выбрать маршрут наименьшей стоимости из любой и в любую точку покрытия. Это делается просто выбором смежных ячеек с наименьшими значениями стоимости. Однако, если мы не можем двигаться по прямой, т.е. имеется некоторое препятствие, вынуждающее нас отклоняться от прямой, то мы можем обобщить эту формулу в неэвклидову форму:  В случае векторных координат, описывающих точечные, линейные и площадные объекты, для определения расстояний может использоваться серия модификаций стандартной теоремы Пифагора. Вначале вспомним исходную формулу для эвклидова или прямолинейного расстояния между двумя точками.  где степень 2 заменяется на к (соответственно корень будет не второй, а k-й степени), - некоторое из диапазона возможных значений [McGrew and Monroe, 1993]. Нетрудно заметить, что подстановка к = 2 превращает эту формулу в предшествующую формулу для расстояния по прямой.  Рисунок 8.9. Измерение расстояния в векторной модели данных. Два способа определения неэвклидова расстояния, каждый является модификацией формулы теоремы Пифагора, причем в формуле меняется только параметр к. Допустим, например, что мы ищем расстояние между двумя точками в Манхэттене, где десятки высоких зданий и кварталы ограничивают наше движение отрезками под прямым утлом друг к другу. В этом случае мы имеем значительные ограничения движения, и переменная к принимает значение 1, а формула расстояния принимает вид: Как видите, любое расстояние в векторной БД может быть определено простым изменением параметра кв соответствии с имеющимися условиями (Рисунок 8.9). Значение к= 1.5 соответствует случаю где-то между манхэттенским и эвклидовым расстоянием. Даже фрикционные Глава 8 поверхности могут оцениваться с помощью этой формулы. Например, к= 0.6 позволяет нам найти кратчайшее расстояние вокруг некоторого барьера, такого как озеро. Мы можем определять кратчайшие маршруты и маршруты наименьшей стоимости с учетом импеданса и барьеров также и в случае движения по сетям. Однако, этот вопрос относится скорее к связности, чем к измерению расстояний, так что мы рассмотрим его в Главе 11. Вопросы
4. Для чего измеряются большая и малая оси полигона?
Классификация  Классификация наземных объектов - старая проблема. Она привлекала умы ученых разных направлений, каждый из которых смотрел на Землю своими глазами, используя свой лексикон и свой интеллектуальный фильтр. Хотя идея классификации разбросанных по поверхности Земли объектов кажется довольно простой, практические аспекты этой задачи далеки от полной очевидности. То, как мы классифицируем то, что видим, получит отображение в том, как мы анализируем данные, и что означают наши выводы. На самом деле, то, как мы классифицируем данные, может даже предопределять, какие выводы мы получим. К этому процессу нельзя относиться беспечно, так как плохая классификация может сбить нас с пути. Давайте посмотрим назад, в начало 19-го века, когда путешественники, двигавшиеся по местам, где теперь находятся центральные штаты США, классифицировали луга центральных равнин. Термин, который они использовали, был "Великая американская пустыня". Слово "пустыня" предполагает, что эти области не пригодны для земледелия. Однако мы знаем, что в действительности это была прерия (степь), а не пустыня, и ее производство зерна снискало ей звание "мировой хлебной корзины". Вот - два совершенно разных взгляда. Более современный пример также показывает, как неправильная классификация может сбить с толку тех, кто принимает решения. Допустим, в нашем распоряжении есть ГИС, созданная первопроходцем в этой области. Среди многих тематических покрытий имеется одно под названием "тип ландшафта", в котором присутствует категория под названием "мокрые земли" (болота) (wetlands). Вроде, нет проблем — мокрые, так мокрые*. Но перед тем как двигаться дальше, давайте рассмотрим следующие вопросы и утверждения. Допустим, у вас есть большой приусадебный участок, в полгектара (5000 кв.м). Вы только что его полили, и теперь на нем имеются участки стоячей воды. Это мокрые земли? Или мокрые земли это противоположность плоскогорья (uplands)? Некоторые признанные системы * В русском языке нет эквивалента слову wetlands, обычный перевод "болото" или "топь" (которым больше соответствуют swamp и marsh) - весьма приблизителен. Но даже у тех, для кого английский язык - родной, есть сложности с точным определением этого термина, что показывает приводимый автором пример. — прим. перев. классификации скажут, что - да. Насколько большой должна быть увлажненная область, чтобы мы назвали ее мокрыми землями? Или мокрые земли это там, где обитают водные (водоплавающие) птицы? А что, если они появляются только в периоды миграции при смене времен года? Все эти вопросы показывают, что то, как мы классифицируем вещи, имеет много общего с тем, как мы на них смотрим, при каком разрешении или масштабе, и как мы используем данные впоследствии. Способ классификации влияет и на выбор средств наблюдения - наземных, воздушных, космических. Классификации могут быть простыми, на основе одного критерия, такого как тип ландшафта, или сложными, на основе многих критериев (высота, количество осадков, экологическое функционирование и т.д.). Некоторые классификации могут создаваться комбинированием многих параметров разных покрытий. Способы классификации одного набора покрытий могут полностью меняться в зависимости от тех вопросов, которые мы хотим выяснить. В этой главе вы познакомитесь с задачей классификации земли, которая часто интересовала ученых, исследующих природу. Мы рассмотрим вкратце некоторые системы классификации и некоторые базовые методы классификации, которые могут использоваться в ГИС. Наконец, мы увидим, как сами классификации могут быть разложены на составные части или объединены с данными других покрытий для переклассификации того, что мы имели вначале. Число возможных методов классификации и переклассификации бесконечно. Все они сильно зависят от потребностей пользователя, как и работа всей ГИС в целом. Не зацикливайтесь на самих классификациях; сейчас аргументы в пользу одной системы перед другой вам, как новичку в ГИС, не важны. Лучше потратьте время на общие методы классификации и вопросы производительности. Это позволит вам в дальнейшем приспособиться к любой среде и любой задаче. ПРИНЦИПЫ КЛАССИФИКАЦИИ Классификация - одна из самых естественных вещей, которые делают люди. Даже самые заурядные вещи подвергаются классификации. Мы носим одежду различных типов, водим машины разных марок, имеем различные категории занятости. Мы мужчины или женщины, члены той или другой политической партии или независимые, взрослые, подростки или дети, и т.д. Используемые нами классификации приводят людей, места и вещи в некоторую систему, которая дает нам понимание того, как они функционируют: подобно другим членам своих групп и отлично от членов других групп или классификаций. В этом - суть классификации. Свойство людей создавать классификации давно распространяется на анализ природных образований на земной поверхности. Многовековая история картографии показывает, как люди группировали природные образования по физическому типу (суша и воды), политическим подразделениям (государства), присутствию людей (обитаемые и необитаемые). Веками эти классификации помещались на карты без теоретического обоснования того, как они должны организовываться, и учета влияния, которое они могут иметь на принимаемые решения. Проблемы классификации были подробно исследованы лишь тогда, когда была признана важность классификации содержимого карт как средства принятия решений и научного инструмента [Sauer, 1921]. Хотя интерес к влиянию классификации территорий начал распространяться в начале 1900-х годов среди организаций, управляющих природными ресурсами и землеустройством, потребность в них возрастала параллельно с развитием других технологий - спутникового ДЗ, компьютерной картографии, ГИС. Благодаря способности этих систем поддерживать и обрабатывать большие объемы пространственной информации, пришло время созревания интереса к лучшему классифицированию участков земной поверхности. Сейчас, как и тогда, важно, чтобы, иногда банальная, задача классификации не принималась на веру, а рассматривалась в меру скептически из-за потенциальных ограничений, которые накладываются классифицирующими фильтрами на наши интерпретации и решения. Классификация зависит от типов объектов, которые мы собираемся группировать. Существуют раздельные классификации для растительности [Kuchler, 1956], почв [Soil Survey Staff, 1975], геологических формаций и увлажненных земель [Cowardin et al., 1979; Klemas, et al., 1993], сельского хозяйства, землепользования и типов ландшафта [Anderson et al., 1976; U.S. Geological Survey, 1992]. Эти классификации могут быть простыми, как классификация растительности на основе только видов растений, или они могут быть более функциональными, как картографирование экосистем, а не одной только растительности [U.S. Department of Agriculture, 1993; Walter and Box, 1976]. Варианты классификации диктуются масштабом, когда, например, растительность отображается не для малых регионов, а для целой Земли [UNESCO, 1973]. Или, система может быть целиком ориентирована на полномочия определенной организации [Klemas et al., 1993;Wilen, 1990]. Другие случаи классификации определяются больше техникой, используемой для получения исходных данных, такой как спутниковое ДЗ [Anderson et al., 1976]. Бывают и такие, которые адресованы известным или предполагаемым взаимодействиям факторов, как показывает пример карт физико-биологических комплексов, анализа потенциала земли или ее пригодности для конкретных целей; эти классификации довольно похожи, но отражают тонкие различия в том, как классификация должна применяться. Физико-биологические комплексы используют комбинацию пространственно упорядоченных проявлений биологических и физико-географических феноменов, связанных, например, с почвами или топографией, для оценки жизнестойкости природных систем. Анализ потенциала территории чаще всего относится к ее способности поддерживать жилищное строительство, сельскохозяйственную деятельность, дикую природу и другие важные категории. Карты пригодности отражают области, классифицированные не только по типам почв, но и по другим биологическим и физическим характеристикам, они используются для оценки пригодности соответствующих регионов для разнообразной человеческой деятельности. Все вместе, эти классификации и тысячи других, которые созданы и которые создаются, имеют одну общую черту: все они учитывают целевую аудиторию, или конечных пользователей. Пользователи одних классифицированных наборов данных, таких как классификации пригодности земли для одного типа землепользования, очень конкретны. В других случаях карта будет использоваться гораздо более широкой аудиторией. Система классификации растительности ЮНЕСКО [UNESCO, 1973], созданная до нашествия спутниковых техники, была разработана для унификации классификаций растительности по всему миру, чтобы любой человек на Земле, интересующийся растительностью, мог говорить о растениях, используя единую базовую систему. Хотя этот широкий подход к классификации может быть полезен как общий стандарт, его ценность как средства для принятия решений в конкретных ситуациях ограничена. Представляя некоторые особенности отдельных типов карт в Главе 3, мы отметили негибкую природу традиционных карт, созданных в рамках парадигмы сообщения. Благодаря сегодняшним ГИС мы можем хранить исходные данные, не подвергнутые классификации, и обрабатывать их в соответствии с нашими потребностями. Это наиболее ценная сторона классификации средствами ГИС: чем более точно ваша классификация настраивается на нужды пользователей, тем более полезной она становится. ГИС обеспечивают широкие возможности классификации и переклассификации атрибутивных данных для достижения этого результата. На самом деле, их работу можно отнести прежде всего к переклассификации, так как данные, вводимые в ГИС, часто уже классифицированы. Оператор ГИС либо использует существующую классификацию, либо перерабатывает имеющиеся атрибуты для создания классификации, лучше соответствующей поставленным вопросам или принимаемым решениям. Поэтому в остальной части главы мы будем обозначать эту функцию как "переклассификация". ПРОСТЕЙШАЯ ПЕРЕКЛАССИФИКАЦИЯ Точки и линии могут переклассифицироваться простым перекодированием атрибутов в их таблицах или перекодированием значений ячеек растра для создания новых точечных или линейных покрытий. В этом простом процессе пользователь меняет сами атрибуты и не более того. Процесс - практически такой же при работе с площадными объектами в растровых системах. Выбрав атрибуты нужных областей, вы просто изменяете числа кодов или имена атрибутов для этих ячеек растра. В простых растровых системах, где нет привязанных к растру таблиц атрибутов, вы должны также изменить и легенду нового покрытия для отражения изменившейся ситуации. Хотя изменение кодов атрибутов в простых растровых системах - процесс достаточно прямолинейный, он может представлять некоторые интересные проблемы, главным образом вследствие порядка, в котором изменяются числа. Допустим, например, что у нас имеется покрытие с кодами атрибутов от 1 до 15, соответствующими сельхозкультурам. Пусть числа от 1 до 5 и 13 представляют зерновые, а остальные (от 6 до 12, а также 14 и 15) - пропашные культуры. Вам нужно создать карту с двумя только категориями: зерновые (код 1) и пропашные (код 2). Вначале вы заменяете числа от 2 до 5 и 13 на 1 (саму единицу менять не надо), а затем числа от 6 до 12, 14 и 15 - на 2. Изменив легенду, вы получаете карту с зерновыми (1) и пропашными (2). Теперь посмотрим, что получится, если мы сначала перенумеруем пропашные, а зерновые — после. Вначале вы заменяете числа от 6 до 12,14 и 15 на 2, а потом от 2 до 5 и 13 — на 1. Но, присмотревшись, обнаруживаете, что все двойки, полученные на первом шаге, превратились в единицы на втором, то есть вся карта состоит из одних единиц. А это совсем не то, что предполагалось сделать. Хотя многие более совершенные растровые ГИС, отслеживая атрибуты, помогут вам избежать проблем, подобных упомянутой, в простых системах нужно проявлять осмотрительность при выполнении переклассификации. Здесь можно предпринять две вещи. Первое, вы можете выбрать новые коды атрибутов, не совпадающие с уже имеющимися в покрытии. Этот прием полезен и в устранении путаницы в процессе первичной классификации. Второй способ, посложнее, состоит в прослеживании, как перенумерация воздействует на результат. Если вы видите, что порядок перенумерации создает новые величины, которые будут изменены на следующем шаге, то вы, возможно, избежите проблем, выполняя процесс в обратном порядке. Если вы все же запутались, используйте первый метод или систему, которая отслеживает имена атрибутов или обрабатывает сами категории как имена таблиц атрибутов, а не отображает пронумерованные коды для атрибутов. 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). Затем атрибуты этих двух полигонов переписываются для нового покрытия как единый новых атрибут для обоих. Давайте рассмотрим очень простой пример наподобие предыдущего, но имеющий дело только с двумя полигонами, на одном -пшеница, на другом - кукуруза (Рисунок 9.1). 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), который мы рассмотрим в Главе 12.  Растворение границы Рисунок 9.1. Переклассификация и растворение границ. Переклассификация через объединение категорий: объединение классов "кукуруза" и "пшеница" в более крупный класс "зерновые". |