Spatiaalikuvioanalyysi

Tietojen rikastamisella on merkitystä. Yritystoiminnan ja koulutuksen yhteistyö

Mitä odotamme näkevämme sijaintitietoja visualisoidessaan lisäämällä ne karttaan ensimmäistä kertaa? Olen melko varma, että tavoitteemme on selvittää, onko olemassa alueellisia kuvioita: alueet, joilla on korkeampi ja matalampi piirteiden intensiteetti, klusterit ja poikkeamat, yhteiset suunnat, epäsäännölliset suuntaviivat, alueet, joilla on korkeammat tai pienemmät arvot jne. Heti kun tutkia malleja, jotka olemme valmiita määrittämään ominaisuuksien merkityksellisyyden, rakentamaan ennustavia malleja ja soittamaan itsellemme data-tutkijoiksi.

Kuvioiden löytämiseen käytetyt lähestymistavat ovat erillisen artikkelin arvoinen. Tällä hetkellä työskentelen sen kanssa ja aloitan sen nimellä "Lopeta lämpökarttojen käyttö ...". Oletetaan siis, että tutkija on tietoinen kuvioanalyysin algoritmeista ja valmis menemään syvälle GIS-maailmaan.

Tässä artikkelissa mainitsen pistekuvioanalyysin, esittelen kuvioanalyysialgoritmien tulokset ja kysymykset, joihin ei-GIS-ammattilaiset kohtaavat, ja kuvaan yritysten ja tieteen yhteistyötä kehitettäessä ratkaisua nykyiseen ohjelmistokompetenssiin.

Pistekuvioanalyysi. Intensiteettiklusterit ja -poikkeamat

Aloitetaan yksinkertaisella, mutta reaalimaailman tapauksella: tutkijalla on varkauksien sijainnit (auto-onnettomuudet, hätäpuhelut, tweetit, valokuvat, lintujen pesät tai majavien pesät. Ehdottomasti minkä tahansa tyyppiset sijaintitiedot) kaupungissa (puisto) , meri, maa ... ei väliä mitä). Tutkijan tehtävänä on selvittää, onko alueellisia kuvioita, ja erottaa ne, jos ne ovat. Hän on rakentanut ristikon jakelualueen yli käyttämällä tiettyä solukokoa satunnaisuuden välttämiseksi. Seuraavassa vaiheessa tutkija on laskenut ominaisuuksien lukumäärän jokaisessa solussa ja suorittanut lopulta klusterien ja outliereiden analyysin ja / tai Hotspots & Coldspots -analyysin, se riippuu todellisesta tehtävästä.

Lisäksi hän on suorittanut NNA- ja Quadrat-analyysin, joten tutkija on melko varma, että nyt esineillä on klusteroitu jakauma ja tulokset näyttävät nämä klusterit sekä poikkeavuudet.

Varkauskuvioanalyysi. Näyttökuva Aspectumista

Sanoisin, että tutkija on melko tyytyväinen tulokseen. Se on tarpeeksi hyvä alkaa tutkia poikkeavuuksia, mutta korkeiden ja matalien arvojen klusterien peittämä alue on mielenkiintoisesti valtava. Kaupunkia tunteville ihmisille korkeaarvoinen klusteri näyttää itsestään selvältä - nämä ovat asuinalueita ja yritysalueita. Alhaisten arvojen klusteri (sininen osa) vastaa metsiä, jokia ja teollisuusalueita.

Tässä vaiheessa saadakseen tarkempia tuloksia klusteroiduille alueille tutkija päättää ottaa kaupunkiluokat huomioon analysoidessaan tietoja. Se voi auttaa löytämään klustereita samanlaisilta alueilta: vertaamalla ominaisuuksien jakautumista asuinalueilla erillään vihreistä tai vesialueista.

Joten kuvittele, että tutkija ei käyttänyt Aspectumia ja kohtasi kaikki GIS-järjestelmään liittyvät kysymykset: muototiedostot, projektiot, kömpelö työpöytäohjelmisto, jakeluvektoritietoalueet, ruudukon kokokaava, asianmukaiset algoritmit laajennusten tai erillisten laajennusten kautta (btw, jos Aspectumin avulla on kyse vain raakatiedoista).

Nyt hänen on rakennettava kaupunkien maa-alueiden luokitteluvektoritiedot. Mutta miten? Mistä löytää tietoja? Mitkä alueet tulisi erottaa? Mitkä ovat parametrit tämän vyöhykkeen luokittelemiseksi? Kuinka automatisoida tämä edelleen tehtäviä varten?

Projekti. Kun liiketoiminta ja koulutus rikastuttavat

Uskomme, että ohjelmistokehitysyritysten tehtävänä on toimittaa tuote, joka pystyy tuottamaan arvokkaan tuloksen, ilman tarvetta opettaa kohderyhmää toimimaan. Ja GIS: n tapauksessa se vie yleensä 6 vuotta lukion opiskelua.

Aspectum päätti aloittaa projektin kaupunkimaata koskevien tietojen tuottamiseksi kaikista maailman asutuksista. Tällainen kunnianhimoinen tavoite tuli mielenkiintoiseksi ystävillemme ja yhteistyökumppaneillemme Rivne Noosphere Engineering Schoolista. Ohjelmistotekniikan, GIS: n, kaupunkitutkimuksen taustalla ja ennen kaikkea intohimoa omaavien opiskelijoiden ryhmä järjestettiin luennoitsijoiden ohjauksessa.

Koska tehtävään ei ole oikeaa lähestymistapaa, aloimme kehittää iteraatioilla, tarkistamalla ja keskustelemalla jatkuvasti tuloksista. Tämä artikkeli esittelee hankkeen toteutuksen ydinajatuksen ja näyttää tulokset, jotka ovat nyt testattavissa.

Seuraavissa artikkeleissa jaamme lähestymistapoja, jotka on testattu, tulokset, jotka eivät toimineet, parannusideoita ja lisäominaisuuksia on toteutettu.

Käsite

Geospatiaalista tietoa käsitellään valtavia avoimen lähdekoodin projekteja. Tavoitteenamme on yhdistää tiedot ja niiden käsittelytavat, jotta saadaan paikkansapitävimmät ja täydellisimmät tiedot tietystä alueesta asutuksissa ympäri maailmaa. Vain selventämiseksi - emme ole tekemisissä maankäyttötyyppien kanssa, kyse on ajatuksesta, että vaikutukset näillä alueilla tapahtuviin ilmiöihin ja prosesseihin olisivat samankaltaisia. Joten samoin kuin asuinalueet voivat olla ehdottomasti erilaisia ​​eri puolilla kaupunkia, meidän on osoitettava heille eri luokat. Toisaalta, emme ole tekemisissä kaavoituslähestymistavan kanssa - vähittäiskauppaa ja liiketoiminta-alueita ei tarvitse yhdistää yhdeksi ryhmäksi, eikä ole ilmeistä, onko koulutuksen ja lääketieteen alueiden erottaminen järkevä vaikuttamisen kannalta näiden alueiden alueellisista malleista.

Nykyiset tulokset

Testaamme nyt tuotteen MVP-versiota ja toimitamme tietoja neljästä luokasta, jotka ovat tiedonjakelualueella. Siirry Aspectumiin, lisää tietosi ja suorita kaupunkialueiden luokitusanalyysi. Käsittely voi viedä hetken, ja meillä on edelleen joukko rajoituksia, mutta parannamme jatkuvasti algoritmia.

Tarkista kartta luokkien kanssa paikallisella ja alueellisella tasolla

Luokat paikallisella ja alueellisella tasolla. Näyttökuva Aspectumista

Tehtävän aikana on tehty useita kehityksiä, ja olemme iloisia voidessamme jakaa ne. Katso GitHub-sivumme, päivitämme ja lisäämme siellä jatkuvasti projekteja. Uusin osm2geojson, on puhdas Python-ratkaisu OpenStreetMap-tietojen käsittelemiseen. Seuraa Aspectumia, jotta et menetä seuraavia artikkeleita.