![](/user_photo/2706_HbeT2.jpg)
- •1. Понятие о пространственном распределении
- •2. Методы анализа пространственных распределений точек. Плотность точек.
- •3. Методы анализа пространственных распределений точек. Анализ квадратов.
- •3. Методы анализа пространственных распределений точек: анализ ближайшего соседа
- •5. Полигоны Тиссена
- •6. Распределения полигонов.
- •7. Методы анализа пространственных распределения линий: плотность линий.
- •9. Связность линейных объектов: гамма- индекс и альфа-индекс
6. Распределения полигонов.
Мы можем начать анализировать распределения областей во многом подобно тому,
как мы делали это с точками - через определение плотности полигонов на единицу пло-
щади нашей области изучения. Однако, при определении меры плотности полигонов мы
должны:
1. Вначале измерить площадь полигонов каждого класса, из тех, что интересуют нас.
2. Затем поделить суммарную площадь каждого типа полигонов (т.е. каждого регио-
на) на общую площадь покрытия. Это дает относительную долю полигонов, а не число их на
единицу площади. Возможно, конечно, подсчитать число полигонов (или групп ячеек рас-8
тра) на единицу площади, но из-за возможности широкого варьирования их размеров дан-
ный подход вряд ли будет полезен.
Опять же, помимо плотности полигонов, нас может интересовать расположение и
формы распределений, создаваемые группами полигонов, которые могут подсказать при-
чины таких расположений.
Примерами потенциально взаимодействующих полигонов могут быть усовершенст-
вования в методах вспашки в некоторых хозяйствах, города, поселки и перемещение това-
ров и услуг внутри них и между ними, и даже водные источники, распределенные по терри-
тории, которая могла бы предоставить хорошие места для зимовки птиц.
Но перед тем, как рассматривать взаимодействия полигональных объектов, мы долж-
ны узнать кое-что о том, как они могут быть расположены на основе статистик соедине-
ний. Как и точки, области могут быть сгруппированы, рассеяны (регулярно), или слу-
чайным образом разнесены по отношению друг к другу (см. Рисунок 3). Кроме этого,
площадные объекты могут быть соединены друг с другом, или удалены на некоторые
определимое расстояние.
Рисунок 3. Статистика соединений для области из 15 полигонов:
а) 23 возможные соединения, b) кластерное распределение, с) разреженное распределение,
d) случайное распределение.
ЧТО ТАКОЕ СТАТИСТИК СОЕДИНЕНИЙ (СТАТИСТИЧЕСКИЙ ПОКАЗАТЕЛЬ СОЕДИНЕНИЙ
(ОБЩИХ ГРАНИЦ )?
При работе с полигональными покрытиями мы будем нередко создавать карты (binary
maps), т. е. такие, на которых имеются только две категории полигонов, которые характе-
ризуют некоторый показатель как хороший или плохой для искомого решения.
Например, могут быть плохие и хорошие почвы для пропашных культур, хорошие и
плохие уклоны для строительства, хорошие и плохие аспекты для установки солнечных ба-
тарей. Возможность определения распределений некоторых из этих показателей может
пригодиться, возможно, потому, что мы должны размещать дома, растения или солнеч-
ные батареи одной большой группой (что характерно для кластерных распределений), а не
разрозненно. Мы можем также интересоваться выявлением распределения объектов опре-
деленной области, таких как размытые поверхности, сорная растительность или типы
заселения для выяснения какой-нибудь возможной причины образования наблюдаемых при-
меров.
Для изучения распределения, образуемом региональными полигонами, применяется
статистический показатель (статистик) соединений (общих границ). Он не связан только
лишь с бинарными картами, но так как они лучше его иллюстрируют, и относительно просто9
перейти от многокатегориальных карт к бинарным (что является обычной практикой), мы
ограничимся только случаем бинарных полигональных карт.
Итак, соединение — это общая граница двух смежных полигонов. Статистик со-
единений подсчитывает количество соединений в полигональном распределении и характе-
ризует структуру соединений каждого покрытия. Посмотрите на Рисунок 3а, показываю-
щий область с пятнадцатью полигонами, и имеющимися между ними соединениями.
Всего между полигонами имеются 23 соединения (т.е. общих участков границ).
На Рисунке 3b среди них: 8 соединений между заштрихованными полигонами, 11 —
между белыми и 4 — между заштрихованными и белыми. Эти числа показывают, что между
заштрихованными и белыми полигонами имеется мало соединений, большинство белых по-
лигонов соединены друг с другом, и большинство заштрихованных полигонов соединены
друг с другом. Другими словами, полигоны сгруппированы, подобно тому, что мы прежде
наблюдали с точками.
Рисунок 3с показывает совершенно другой набор чисел; здесь большинство соедине-
ний (21 из 23) — между полигонами разных классов, т.е. мы имеем равномерное (разрежен-
ное) распределение.
Рисунок 3d — промежуточный случай: оба числа соединений однородных полигонов
низки, но не так, как на Рисунке 3с. Число разнородных соединений также не настолько вы-
соко, как в случае разреженного распределения. Таким образом, здесь мы имеем дело со
случайным распределением.
Как можно использовать результаты данного вида анализа?
Мы определили числа однородных и неоднородных соединений и можем выделить
три различных класса распределений. Но как в действительности сравнить результаты ана-
лиза одной базы данных с тем, что можно было бы ожидать при кластерном, разреженном и
случайном распределениях? Главным образом, нас интересует случайность, она говорит о
том, что расположение полигонов скорее всего не зависит от какой-либо причины. И на-
оборот — в двух других случаях такая причина наверняка существует.
При анализе точечных распределений для оценки случайности мы обращались к кри-
терию х
2
. Но этот показатель подразумевает, что мы знаем, каким должно быть ожидаемое
распределение в условиях случайности. Если бы мы знали подобные распределения для по-
лигонов (на основе числа соединений), то могли бы сравнивать их точно таким же способом.
Но как мы узнаем ожидаемое случайное распределение соединений, с которым могли
бы сравнить имеющиеся значения? Имеются два подхода к решению этой задачи.
1. Первый, называемый свободным отбором (free sampling), предполагает, что мы
можем определить ожидаемую частоту соединений внутри категорий и между ними либо на
основе теоретического знания моделируемой ситуации, либо исходя из известных рас-
пределений для больших областей исследования. В первом случае, например, мы могли
бы знать, что вследствие определенных зональных установлений в городе, торговые центры
или объекты промышленности встречаются с определенной регулярностью по сравнению с
другими типами землепользования. И тогда мы могли бы сравнить эти распределения с ре-
гулярностью торговых областей в другом городе, чтобы увидеть, используется такое же зо-
нирование или другое, приводящее к существенно другому распределению торговых цен-
тров и объектов промышленности по сравнению с другими типами землепользования. Во
втором случае, т. е. при использовании известного распределения на большей изучаемой об-
ласти, могут быть выполнены подобные же сравнения. Скажем, нам известно распределение
полигональных соединений нашего округа из анализа сельхозкультур. Тогда мы могли бы
рассмотреть распределение их в отдельном пригородном районе и сравнить число соедине-
ний в этой подобласти с числом соединений для всего округа, чтобы увидеть, имеется ли
сходство.
2. Второй подход, называемый несвободным отбором (nonfree sampling), применяет-10
ся более часто. Он не делает теоретических предположений о распределении и не полагается
на сравнение чисел соединений подобласти и всей области. В нем сравниваются числа со-
единений оценочного случайного распределения с числом соединений наблюдаемого
распределения полигонов. Другими словами, мы создаем случайное распределение, исходя
только из самих полигонов. Тогда мы можем сравнить имеющиеся результаты со случайным
распределением, имея в виду отклонения от случайности, говорящие о действии некоторого
причинного механизма.
Другие меры распределений полигонов
Анализ распределений полигонов может быть весьма сложным, и связи ГИС с другим
программным обеспечением дают возможность выполнять его. Экологи часто используют
эти методы, обычно рассматривая полигоны как островки (patches), особенно по отношению
к большему, более однородному окружению (background), так называемой матрице (matrix).
Вы найдете меры полигональной изолированности (polygonal isolation), меры доступно-
сти (accessibility), взаимодействий полигонов (polygon interactions) и рассредоточенности
(dispersion). Поскольку многие из этих мер заимствованы из литературы по географии, био-
географии, экологии, лесоводства и других дисциплин, примеры будут достаточно разнооб-
разны, чтобы дать вам представление о возможностях использования этих дополнительных
мер.