Analiza prostorskega vzorca

Pomembna je obogatitev podatkov. Poslovno in izobraževalno sodelovanje

Kaj pričakujemo med vizualizacijo podatkov o lokaciji, tako da jo prvič dodamo na zemljevid? Precej prepričan sem, da je naš cilj odkriti, ali obstajajo kakšni prostorski vzorci: regije z višjo in nižjo intenzivnostjo funkcij, grozdi in oddaljene skupine, skupne smeri, nepravilne poti, ozemlja z višjimi ali nižjimi vrednostmi itd. raziskovali smo vzorce, ki smo pripravljeni določiti pomen značilnosti, zgraditi napovedne modele in se imenovati znanstveniki s podatki.

Pristop, ki se uporablja za odkrivanje vzorcev, je vreden posebnega članka. Trenutno delam na njem in ga bom začel z naslovom "Nehajte uporabljati toplotnih kart ...". Predstavljajmo si, da se raziskovalec zaveda algoritmov za analizo vzorcev in je pripravljen iti globoko v svet GIS.

V tem članku bom omenil analizo točkovnih vzorcev, prikazal rezultate algoritmov za analizo vzorcev in vprašanja, s katerimi bi se soočil strokovnjak, ki ni GIS, in opisal sodelovanje med podjetjem in znanostjo pri razvoju rešitve za trenutno programsko usposobljenost.

Analiza točkovnega vzorca. Intenzitetni grozdi in odmori

Začnimo s preprostim, a resničnim primerom: raziskovalec ima kraje krajev (prometne nesreče, klice v sili, tweets, fotografije, ptičja gnezda ali domovi bobrov. Vsekakor vse vrste lokacijskih podatkov) v mestu (park , morje, država ... ne glede na vse). Naloga raziskovalca je raziskati, ali obstajajo kakšni prostorski vzorci, in jih razlikovati, če obstajajo. On ali ona je zgradila mrežo na območju distribucije z uporabo določene velikosti celice, da se izogne ​​naključnosti. Na naslednjem koraku je raziskovalec preštel število funkcij znotraj vsake celice in končno izvedel analizo grozdov in izdatkov in / ali analizo žarišč in žarišč, odvisno od dejanske naloge.

Poleg tega je vodil NNA in kvadratno analizo, tako da je raziskovalec precej prepričan, da so predmeti zdaj razporejeni v gruče, rezultati pa kažejo te grozde in tudi zunanje skupine.

Analiza vzorca tatvin. Posnetek zaslona iz Aspectuma

Rekel bi, da je raziskovalec z rezultatom precej zadovoljen. Dovolj je dobro, da začnemo raziskovati tujce, vendar je območje, ki ga pokrivajo grozdi visokih in nizkih vrednosti, neverjetno ogromno. Za ljudi, ki poznajo mesto, je grozd z visoko vrednostjo očiten - to so stanovanjska in poslovna območja. Grozd z nizkimi vrednostmi (modri del) ustreza gozdu, reki in industrijskim območjem.

Na tej točki se za bolj natančne rezultate za gručasta območja odloči, da bo med analizo podatkov upošteval urbane razrede. Lahko pomaga najti grozde na podobnih ozemljih: primerjati porazdelitev lastnosti znotraj stanovanjskih območij ločeno od zelenih ali vodnih con.

Predstavljajte si, da raziskovalec ni uporabljal Aspectuma in se soočil z vsemi vprašanji, povezanimi z GIS: shapefiles, projekcije, nerodna namizna programska oprema, področja distribucijskih vektorskih podatkov, formula velikosti mreže, ustrezni algoritmi prek vtičnikov ali ločenih razširitev (btw, v primeru z uporabo Aspectuma gre samo za neobdelane podatke).

Zdaj mora sestaviti nabor podatkov o vektorskih razvrstitvah mest. Ampak kako? Kje najti podatke? Katere cone je treba razlikovati? Kateri so parametri za razvrščanje tega območja? Kako to avtomatizirati za nadaljnje naloge?

Projekt. Ko se posel in izobraževanje obogatijo

Verjamemo, da je naloga podjetij za razvoj programske opreme, da zagotovijo izdelek, ki lahko prinese dragocen rezultat, brez potrebe, da bi ciljno publiko naučil delati. In v primeru GIS-a običajno traja 6 let študija v srednji šoli.

Aspectum se je odločil, da bo sprožil projekt za zbiranje podatkov o mestnih zemljiščih za vsa naselja na svetu. Tako ambiciozen cilj je postal zanimiv za naše prijatelje in partnerje iz Rivne noosferne šole. Skupina študentov s programskim inženiringom, GIS, urbanističnim študijem in najprej strastjo je bila organizirana pod nadzorom predavateljev.

Ker za nalogo ni ustreznega pristopa, smo se začeli razvijati po iteracijah, nenehno pregledovati in razpravljati o rezultatih. Ta članek bo predstavil osnovno idejo izvajanja projekta in prikazal rezultate, ki so zdaj na voljo za testiranje.

V naslednjih člankih bomo delili preizkušene pristope, rezultate, ki niso delovali, ideje za izboljšave in dodatne funkcije.

Koncept

Obstaja ogromno odprtokodnih projektov, ki se ukvarjajo z geoprostornimi podatki. Naš cilj je združiti podatke in načine obdelave, da bi dobili najbolj natančne in popolne informacije o določenem območju v naseljih po vsem svetu. Samo da pojasnim - ne ukvarjamo se z vrstami zemljišč, temveč o podobnosti vpliva na pojave in procese, ki potekajo na teh območjih. Ker bi se lahko stanovanjska območja po mestu popolnoma razlikovala, jim moramo dodeliti različne razrede. Po drugi strani se ne ukvarjamo s področnim območjem - ni potrebe po združevanju maloprodajnih in poslovnih področij v eno skupino, prav tako ni očitno, če je smiselno ločiti področja izobraževanja in zdravstva v smislu vpliva. o prostorskih vzorcih na teh območjih.

Trenutni rezultati

Zdaj preizkušamo različico izdelka MVP in ponujamo informacije o štirih razredih na območju distribucije podatkov. Pojdite na Aspectum, dodajte svoje podatke in zaženite analizo Urban Land Classification. Obdelava lahko traja nekaj časa in še vedno imamo številne omejitve, vendar algoritem nenehno izboljšujemo.

Zemljevid preverite z razredi na lokalni in regionalni ravni

Razredi na lokalni in regionalni ravni. Posnetek zaslona iz Aspectuma

Med nalogo je bilo narejenih več dogodkov in z veseljem jih delimo. Oglejte si našo stran GitHub, tam nenehno posodabljamo in dodajamo projekte. osm2geojson, naša zadnja posodobitev, je čista rešitev Python za obdelavo podatkov OpenStreetMap. Sledite Aspectumu, da ne boste zamudili naslednjih člankov.