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.
|
|
Картографическое моделирование означает, что нужная площадь имеется. Но если вы захотите расширить свое стадо, то вам снова потребуется рассмотреть покрытие "бол_гос". Ранжирование полигонов этого покрытия приведет вас к определению комбинаций, которые позволят вам расширить стадо. Эти шаги добавляют информацию к каждому из предьщущих покрытий инкрементным образом. Теперь давайте подумаем о том, какие подсистемы ГИС мы использовали в этой простой модели решения. Первый шаг - ввод покрытия "тип_ландшафта" с помощью подсистемы ввода. Далее следуют сохранение карты и устранение ошибок. После окончания проверки мы должны произвести выборку карты для анализа, обращаясь к подсистеме хранения и редактирования. Последующая переклассификация покрытия задействует подсистему анализа. Результат переклассификации сохраняется как картографическое покрытие, что также является использованием подсистемы хранения и редактирования, а также подсистемы вывода, хотя выходная карта и не печаталась на бумаге. Затем, для решения вашей задачи, вы произвели выборку нового покрытия для продолжения анализа. И в любой момент вы могли бы при желании просмотреть карту. Очевидно, что описанный процесс не является линейным - мы не шли от ввода через хранение и выборку к выводу, как в картографии с применением компьютеров. Вместо этого мы шли от ввода через сохранение, выборку, анализ, снова сохранение, и вывод нашего первого промежуточного покрытия. Далее мы снова шли через выборку, вывод (отображение на экране), анализ с созданием второго промежуточного покрытия, и т.д. Короче говоря, процесс картографического моделирования является цикличным, а не линейным (Рисунок 13.2). Цикличная природа картографического моделирования дает наибольшую гибкость в переходе от одной подсистемы к другой при преобразованиях данных, необходимых для создания конечного пространственно-информационного продукта. МОДЕЛИ В ГЕОГРАФИИ Перед началом подробного рассмотрения картографического моделирования важно обратиться к корням идеи географического моделирования, которая привела, в конечном счете, к созданию ГИС. Пространственные модели много лет были оплотом географических исследований и приложений, задолго до числовой революции 1950-х и 60-х годов. Карта сама является моделью реальности, позволяющей нам оценивать одним взглядом пространственные отношения между различными факторами. С развитием количественных описаний, исходная парадигма сообщения начала заменяться аналитической парадигмой. Тем не менее, карта как средство представления долго служила в качестве средства формулирования гипотез.  Исследование наблюдаемых паттернов и порождающих их процессов использовалось для объяснения, например, отношений между сельскохозяйственной деятельностью и транспортными расходами. Наиболее известная из этих моделей, разработанная Хайнрихом фон Туненом (Heinrich von Thunen) в 1910 году, теперь называется моделью изолированного состояния (isolated state model) [Isard, 1956]. Она описывает площадные распределения сельскохозяйственной деятельности как последовательность концентрических кругов, расходящихся от центрального рынка. Модификации этой модели, включающие доступность транспортных маршрутов, наличие нескольких рынков, стоимость земли, качество почвы, издержки производства и рыночные цены, всё ещё используются сегодня для предсказания жизненности определенных видов сельскохозяйственной деятельности. Примерно в то же время Альфред Вебер (Alfred Weber) разрабатывал другой набор географических моделей [Weber, 1909]. Созданные первоначально для предсказания пространственных распределений точечных объектов промышленности, модели Вебера были модифицированы для поиска оптимальных местоположений объектов торговли и услуг. Эти модели, известные сегодня как модели размещения и назначения (location-allocation models), составляют часто применяемый набор методов ГИС, имеющихся во многих коммерческих системах. Хотя эти модели сложны в реализации, по своей сути они просты. Они разрабатываются для минимизации пути от точки обслуживания до ее клиентов. Возьмем в качестве примера приписывание учеников к школам (определение зон обслуживания). Скажем, маленький городок имеет две школы примерно одной вместимости, расположенные на противоположных его концах. Нужно определить, кому из школьников в какую школу ездить. Здесь требуется не просто разделить школьников поровну, но и выбрать для каждого ближайшую из школ. Задача меняется, если существует только одна школа и нужно определить место для новой школы, которая должна быть размещена с учетом минимума общего расстояния от нее до большинства учеников, которые будут ее посещать. Обычно это делается итеративно: школа помещается на некотором гипотетическом месте, затем подсчитывается число приписанных учеников и вычисляются расстояния, а результаты рассматриваются для определения степени удовлетворения каждого местоположения установленному критерию. Процесс продолжается до тех пор, пока не будет найден наилучший ответ. Математическая сложность задачи чаще всего приводит к приближенному решению даже при использовании современной вычислительной техники. Многие из сегодняшних ГИС имеют возможность поиска такого приближенного решения. В предыдущем примере мы подразумевали, что ученики будут посещать именно назначенную школу. Однако в сфере торговли и обслуживания клиентура свободна в выборе, её нужно привлекать. Решение стать постоянным клиентом является отчасти функцией расстояния, но могут действовать и другие факторы. В этом случае для определения оптимальной точки обслуживания могут использоваться модели гравитации (gravity models), где притяжение обратно пропорционально функциональному расстоянию (см. Главу 8) от потенциальной точки обслуживания [Abler et al., 1971]. В отличие от физики, где сила притяжения убывает обратно пропорционально квадрату расстояния, здесь мы имеем дело со взаимодействием людей и служб, причем люди принимают решения на основе функционального расстояния и желают быть постоянными клиентами, причем взаимодействия эти осуществляются на двухмерной поверхности. Сюда еще следует добавить возможную конкуренцию со стороны близлежащих аналогичных служб. Модели гравитации широко используются в теории экономического размещения (economic location theory) и прочно заняли свое место в коммерческих ГИС. Несколько других географических моделей также нашли свое место в ГИС, другие же еще ждут своего часа. Одни разрабатывались для исследования изменений плотности населения в городах [cf. Casetti, 1969]; другие показали, что сами города действуют как региональные иерархии, проявляя различную силу притяжения к региональной торговле [Christaller, 1966; Brush, 1953]; третьи создавались для планирования транспортных сетей в зависимости от скоростей, типов дорог и других факторов; четвертые рассматривали распространение идей в пространстве [Hagerstrand, 1967] -такие модели распространения новшеств (innovation diffusion models) сейчас широко используются среди экологов для отслеживания движения растений и животных по географическим пространствам. Возможно, среди наиболее сложных пространственных моделей находятся те, что недавно разработаны экологами ландшафтов для исследования отношений между структурой и функцией больших частей биосферы [Forman and Godron, 1987]. Параметры, рассматриваемые в них, включают размер области, связность ландшафта, разнообразие участков, их взаимодействие и форма. Эти ученые полагают, что структура ландшафта напрямую связана с его функциональными возможностями и общим качеством окружающей среды. Корни многих из этих методов прямо или косвенно находятся в географии, а их использование сегодня показывает растущую потребность исследования пространственных отношений; немало этих методов реализовано как в коммерческих, так и в свободно распространяемых (public domain) ГИС [Baker and Cai, 1992; McGarigal and Marks, 1994]. Можно упомянуть гораздо больше моделей, но нашей целью является не представление подробного их списка, а иллюстрация того, что многие решения уже разработаны, проверены и реализованы. Небольшое библиографическое исследование вопроса перед началом моделирования часто может сохранить вам многие часы и позволит избежать разочарования. С другой стороны, ваши собственные решения сложных задач могут пригодиться следующему поколению специалистов по картографическому моделированию, которые, возможно, смогут использовать их в своих приложениях. ТИПЫ КАРТОГРАФИЧЕСКИХ МОДЕЛЕЙ Есть сильное сходство между разделением статистических методов на описательные (descriptive) и аналитические (inferential) и классификацией основных типов картографических моделей. Томлин [Tomlin, 1990] подобным же образом делит последние на соответственно описательные и предписательные. Описательные картографические модели (descriptive models) описывают и, при некоторых обстоятельствах, объясняют некоторые распределения и взаимосвязи, полученные в результате анализа. Простейшие описательные модели просто иллюстрируют существующую ситуацию обособлением некоторых феноменов и показом результатов в форме, позволяющей пользователю одним взглядом охватить эти феномены и их взаимосвязи. Это не намного отличается от парадигмы сообщения в картографии, собственно, тем, что описательные (атрибутивные) данные хранятся в компьютерной БД. Несмотря на свою простоту, модели этого типа всё еще широко используются, так как они предлагают достаточно простой путь получения легко узнаваемых представлений пространственных объектов и явлений. Часто встречаются жалобы опытных ГИС-профессионалов, выполняющих работу для неподготовленных в геоинформатике специалистов на то, что новые пользователи никогда не выполняют моделирование. Вместо этого они просят: "сделайте мне карты того-то и того-то", что, конечно, можно было бы сделать в рамках системы компьютеризованной картографии или даже САПР. Все же, не стоит отчаиваться, а лучше отнестись к этому как к отправной точке для более сложных моделей, которые могут быть предложены пользователю. Вполне естественно от чистого описания перейти к моделям, которые предсказывают, как имеющиеся условия могут воздействовать на расположение промышленных объектов, на изменение со временем естественной растительности, описывают результаты перекрытия плотиной реки (показывая области затопления выше плотины и защищаемые от наводнений области ниже ее), показывают области потенциального роста города на основе знаний о прежнем росте и обнаружения пространственных феноменов, способных играть прогностическую роль. Последний случай следует рассмотреть подробнее, так как он указывает на предсказательный потенциал описательных картографических моделей. Предсказательные модели (predictive models) позволяют пользователю определить, какие факторы важны в функционировании области исследования, и как эти факторы связаны друг с другом пространственно. Конечно, предсказания на основе таких связей могут быть очень ненадежными. Они требуют, чтобы факторы имели ясную и подтверждаемую причинную связь. Как мы видели в Главе 12, пространственная ассоциация различных картографических показателей не диктует сама по себе причинно-следственные отношения, а только указывает на пространственное совпадение. Знание моделируемой среды важно в прогностическом картографическом моделировании, также как и в аналитической статистике, например, в регрессионном анализе. Предсказательное моделирование чаще всего ассоциируется со вторым главным типом моделирования, определенным Томлин [Tomlin, 1990], предписательным моделированием. Однако, как мы скоро увидим, не существует четкого разделения между описательными и предписательными моделями (prescriptive models). Если представить себе весь спектр картографического моделирования, то предсказательные модели находятся ближе к предписательным, чем к описательным. Возьмем следующий пример предсказания, основанный на чисто описательной методике моделирования. Допустим, владелец очень большого ранчо желает оценить потенциал выносливости своей территории с точки зрения выпаса скота на лугах и пригодности для обитания представителей естественных видов, таких как перепел. Эта модель требует создания БД со всеми типами растительности на территории ранчо. Кроме того, требуется знание наземной биомассы лугов, местоположения больших участков ядовитых для скота растений и значительных скоплений кустарников, необходимых перепелам для укрытия и питания. С учетом этих показателей, создаваемая модель покажет области обитания, необходимые для поддержания приемлемой популяции перепелов. Она также будет включать покрытие, показывающее нагрузку со стороны скота. Эта модель является описательной в том смысле, что она показывает, где владелец ранчо мог бы разместить свой скот, и где могли бы также выжить перепела. Теперь он может выгнать скот на соответствующие участки, ограничив движение скота в области обитания перепелов с помощью ограждений и других средств. Предположим, однако, что владелец ранчо хочет не просто успешного выпаса скота, но выпаса только на лучших с этой точки зрения землях, чтобы животные набирали вес наиболее быстро. Такая обработка базы данных вполне может быть названа предсказательной, так как она, по сути, предсказывает, Что области с наибольшей производительностью дадут наиболее эффективное использование земли для выпаса. Эта модель лишь немного сложнее исходной, но она несет элемент предписания, так как она "предписывает" наилучшее использование земли. Предписывание может также показать пользователю модели то, как анализ описательной информации может улучшить ситуацию в целом. Например, некоторые лучшие пастбища могут содержать множество кустарников, что делает их также и наилучшей средой обитания для перепелов. Хозяин ранчо может решить насадить (или пересадить) кустарники в области, меньше подходящие для пастьбы, удаляя при этом ядовитые растения, если таковые есть, на наиболее производительных землях. ГИС может быть использована для "предписания" наилучших мест для высадки кустарника, а также мест работ с ядовитыми растениями. Таким образом, ГИС теперь используется для предложения действий с имеющейся территорией с целью обеспечения наилучшего решения исходной задачи. Различие между этой в высокой степени предписательной моделью и сценарием размещения школы в том, что первая требует гораздо больше предсказательных способностей, нежели второй. Это наиболее развитая форма предсказательной модели, так как пользователь должен определить взаимодействие многих факторов во времени, и требуется гораздо большая степень предсказательности. Вы, наверное, заметили, что все эти модели требуют прежде всего описания имеющихся условий. То есть, разрабатывая предписательные модели, вы вначале описываете, а затем предписываете. Нет особой нужды задерживаться на терминологии, если вы помните, что деление картографических моделей на описательные и предписательные является, как и многие другие классификации, произвольным. Если вы помните, что движение от одного типа к другому является плавным переходом от чистого описания без каких-либо действий к большей предсказательной мощности и растущей предписательной активности, то у вас не должно быть проблем с пониманием данного вопроса. В любом случае, природа и сложность задачи будут диктовать тип применяемой модели, независимо от того, как вы ее назовете. ИНДУКТИВНОЕ И ДЕДУКТИВНОЕ МОДЕЛИРОВАНИЕ С какими бы моделями вы ни работали, описательными или предписательными, есть два метода формулирования моделей. Они включают в себя те же логические подходы, что используются в любом научном исследовании. Первый, называемый индуктивным методом, основан на движении от конкретных элементов к общему утверждению. В этом случае эмпирические пространственные данные исследуются путем проб и ошибок. Различные покрытия сравниваются и проверяются на соответствие с элементами других покрытий для выявления сходных пространственных распределений или ассоциаций, которые могли бы указать на происходящий в области исследования процесс. Пример индуктивного метода не из области ГИС: допустим, вы отправились в бакалейную лавку, чтобы приобрести чего-нибудь для приготовления обеда. Вы делаете множество покупок, выбирая каждую потому, что она вам нравится или потому, что выдумаете, что неплохо было бы иметь это сегодня. Вернувшись домой, вы обнаруживаете, что, хотя все приобретенное съедобно, вам трудно преобразовать это в нечто похожее на обед. Вы купили достаточно пищи, чтобы заполнить меню, но вы собираетесь приготовить блюда, которые не включают некоторые из приобретенных товаров. Эти вещи оказались ненужным непосредственно в данный момент, хотя они и могут пригодиться в дальнейшем. Как показывает приведенный пример, метод проб и ошибок может использоваться для внесения порядка в набор элементов, полученных без тщательного планирования. То же самое можно сказать и о существующих БД ГИС. Если имеется достаточно подходящих показателей, и если есть корреляции между показателями различных покрытий, то вполне возможно создание моделей, которые будут полезны для принятия некоторых решений. Возможно, вы обнаружите, что покрытия, на создание которых вы потратили сотни часов, так и не использованы. Многие подобные проекты внесли свой вклад в научные исследования, однако из-за недостаточного проектирования такой подход к картографическому моделированию оказывается неэффективным для многих коммерческих приложений. В то время как наука пытается только лишь исследовать данные, приложения реальной жизни часто гораздо более определенны в своих целях и поэтому должны продумываться скорее дедуктивным образом. По сравнению с индуктивными, дедуктивные модели движутся в противоположном направлении. То есть, вы начинаете с конкретного рецепта или формулировки, относящейся к вполне определенным вопросам. В случае с приобретением продуктов, вы выбираете блюдо, которое будете готовить, определяете необходимые ингредиенты и покупаете только их. Затем вы их объединяете, так что у вас не остается ненужных компонентов. Преимущества дедуктивного подхода очевидны, - вам не приходится тратить время и деньги на создание ненужных покрытий, благодаря чему вы можете сконцентрироваться на подготовке только действительно нужных данных. |