Viac

Získanie ArcView 3.2 Priestorová analýza 1.1?


Je stále možné získať a použiť kópiu rozšírenia Spatial Analyst 1.1 k ArcView 3.2 na dokončenie finálneho projektu na univerzite?


Najpriamejšou možnosťou získania tohto softvéru bude kontaktovanie miestnej kancelárie Esri, ktorá bude pravdepodobne musieť pracovať prostredníctvom centrály spoločnosti Esri v Redlands v Kalifornii.

Našťastie existuje „múzeum Esri“, ktoré uchováva kópie „jedného zo všetkého“ pre budúce generácie.

Myslím si však, že bude lepšie „uhryznúť guľku“ a hľadať moderné alternatívne riešenie, ako navrhuje @JeffreyEvans.


Priestorová analýza manévru vojenského vozidla v taktickej situácii na ArcView

Identifikácia priestorového vzoru je jednou z kľúčových otázok aplikácie GIS v geografickom výskume. Cieľom tejto štúdie je identifikovať priestorové vzorce manévrovacích tankov v taktickej prevádzke a ich operacionalizovať v prostredí ArcView. Analyzuje sa šesť vzorcov tvorby útoku a algoritmy pre tieto vzorce sa vytvoria pomocou ArcView Avenue. Pri tomto procese sa najskôr vypočíta smer manévrovania čaty a vypočíta sa poloha každého tanku, to znamená smer a vzdialenosť každého tanku vzhľadom na vedúci tank. Šesť vzorov je identifikovaných podľa smeru a vzdialenosti dvoch tankov v čate. Algoritmus priestorového vzoru sa používa ako súčasť systému riadenia manévrov.

1. Úvod

Cieľom tejto štúdie je identifikovať priestorové vzorce manévrovania čaty v útočných operáciách a ich operacionalizácia v prostredí GIS. Priestorový vzorec je jednou z kľúčových otázok velenia a riadenia v útočných alebo obranných operáciách. Situácia je rovnaká aj na nižších úrovniach, ako sú tankové čaty. Manévr vojenských jednotiek v útočnej operácii sa spravidla riadi určitým vzorcom opísaným v poľnom manuelovi. Identifikácia formácie sa stáva základom velenia a riadenia manévrovacích jednotiek. Aj keď sa rozpoznávanie vzorov v tejto štúdii uplatňuje na úrovni čaty, model je možné ľahko rozšíriť na úroveň roty alebo práporu. Systém je naprogramovaný na ArcView Avenue. Pretože veľkosť systému nie je veľká, môže byť prevádzkovaný v malých systémoch založených na PC dostupných na úrovni roty alebo práporu. Analýza distribúcie funkcií alebo aktivít vo vesmíre je jednou z pokračujúcich tém v geografii. Tejto téme sa venuje mnoho teórií alebo modelov. Christallerov hexagonálny vzor v teórii centrálnych miest je dobrým príkladom a vzor skokom v rozrastaní miest je ďalším typickým príkladom (Morill a Dormitzer, 1979). V tomto zmysle je geografická analýza veľmi blízka a bude účinná pri chápaní vojenských operácií. Väčšina taktických operácií vojenských jednotiek je v zásade geografickými problémami. Ich operácie je možné prezentovať na mapách, pretože sú v zásade geografické. Obranné alebo útočné formácie a vzorce manévrovania pre útok je možné geograficky interpretovať.

2. Priestorová analýza útvarov manévrovacej tankovej čaty

Vhodná formácia čaty je jedným z kľúčových faktorov víťazstva v boji. Velitelia vo vyššom poschodí chcú poznať formácie svojich vojsk v reálnom čase a automaticky, aby im mohli veliť alebo ovládať ich. Ak je formácia rozpoznaná automaticky prostredníctvom počítačového systému, bude veľmi efektívne a efektívne veliť.

Čata alebo spoločnosť pri manévrovaní na útok zaberá konkrétnu formáciu. V typickom tankovom prápore v kórejskej armáde sú tri tanky v čate a tri čaty v rote a tri roty v prápore. V rámci taktického manévru útočí na tankové čaty 6 formácií. Sú to klinové, stĺpcové, líniové, vee, ľavé a pravé bočné útvary (obr. 1). Taktické situácie, kde je možné prijať jednu z týchto formácií, sú podrobne popísané v terénnom manuáli.

Na prevádzku 6 formácií v prostredí GIS sú potrebné dva procesy. Najprv je definovaný súradnicový systém pre tank a po druhé je priestorová formácia čaty identifikovaná pomocou matematických pojmov, aby sa koncepty mohli previesť na prevádzkové.

Základným nástrojom na identifikáciu priestorového vzoru je súradnicový systém. Na určenie polohy nádrže na ňom je potrebný súradnicový systém. Obdĺžnikový súradnicový systém, ako napríklad súradnicový systém UTM, ktorý je populárny ako vojenský súradnicový systém, je prijatý kvôli jeho pohodliu pri výpočte vzdialenosti a azimutu. Počiatok súradnicového systému je poloha bývalého veliteľa čaty, kde hodnoty sú uvedené ako (0,0) pre (x, y). Súčasná poloha každej nádrže je na tomto súradnicovom systéme znázornená ako (x, y) (obr. 2).

Identifikácia geometrických vzorov nádrží je spracovaná v dvoch krokoch. V prvom kroku sa „absolútna“ poloha každej nádrže vypočíta ako azimut zo severu a vzdialenosť od tanku vedúceho. Na obr. 2 sú 1, 2 a d1, d2, v uvedenom poradí. V druhom kroku sa „relatívne“ umiestnenie každej nádrže vypočíta ako azimut zo smeru smeru čaty a vzdialenosti od tanku vedúceho. Na obr. 2 sú 1, 2 a d1, d2, v uvedenom poradí. Miesto je pomenované ako „relatívne“, pretože azimut každého tanku je vypočítaný z čiary smerujúcej čaty, nie zo severu. Nadpis čaty sa určuje ako čiara spájajúca bývalé a súčasné umiestnenie tanku vedúceho čaty. Hlavičková čiara je dôležitá, pretože do tejto čiary je zaradené, či je nádrž na pravej alebo ľavej strane vedúcej nádrže.

Potom z vyššie uvedených dvoch krokov môže byť umiestnenie každého tanku reprezentované ako azimut a vzdialenosť vzhľadom na smerovú čiaru, respektíve k súčasnému umiestneniu tanku vedúceho čaty. Poloha tanku č. 2 je napríklad znázornená ako ( 2, d2), ako je znázornené na obr. 3, hoci jeho súradnica je (X2, Y2) ako na obr.

Aby bolo možné vypočítať azimut nádrže z hľadiska 360 stupňovej základne, je potrebné klasifikovať ich polohy podľa kvadrantu. Výpočet azimutu je spracovaný v dvoch krokoch. Po prvé, miesto je klasifikované čiarami osí X 'a Y' pochádzajúcich z aktuálneho umiestnenia vodcovskej nádrže. V tomto prípade existujú 4 subkvadranty pre každý kvadrant vytvorený (X0, Y0). Za druhé, miesto je klasifikované na dve strany, pravú a ľavú, podľa čiary nadpisu. Kombináciou týchto dvoch krokov môže byť 6 prípadov umiestnenia nádrže pre kvadrant, ako je znázornené na obr.

Pre kvadrant na pravej strane na obrázku 4 sú tri miesta s predponou 1 1-A, 1-B a 1-C na pravej strane nadpisovej čiary. S týmito procesmi by mohlo byť celkom 24 miest, pretože v každom kvadrante sú 4 kvadranty a 6 miest. V tejto štúdii je však analyzovaná iba polovica z nich v prípade miest, kde je hodnota y väčšia ako nula. Ďalším procesom je identifikovať formácie podľa vzoru miest. Aby sa vypočítal útvar hlavne podľa azimutu, azimut nádrže sa prevádza na uhol na 360 stupňovej základni, začínajúc od čiary smeru. Potom je pre každý kvadrant azimut ( ) zaradený do 16 sektorov s 22,50 pre každý sektor. Smer smeru sa stane primárnou čiarou, kde azimut je rovný 0 alebo 360.


Podrobnosti

  1. PREDSLOV.
  2. POĎAKOVANIE.
  3. 1. ÚVOD.
  4. 1.1 Prečo štatistika a odber vzoriek?
  5. 1.2 Čo je zvláštne na priestorových údajoch?
  6. 1.3 Priestorové údaje a potreba priestorovej analýzy/ štatistiky.
  7. 1.4 Základy priestorovej analýzy a štatistiky.
  8. 1.5 Poznámky ArcView & mdashData Model a príklady.
  9. ČASŤ I: KLASICKÁ ŠTATISTIKA.
  10. 2 POPISOVATELE DISTRIBÚCIE: JEDEN VARIABILNÝ (UNIVARIÁT).
  11. 2.1 Opatrenia centrálnej tendencie.
  12. 2.2 Merania rozptylu.
  13. 2.3 Príklady ArcView.
  14. 2.4 Štatistiky vyššieho momentu.
  15. 2.5 Príklady ArcView.
  16. 2.6 Príklad aplikácie.
  17. 2.7 Zhrnutie.
  18. 3 OPISY VZŤAHU: DVA VARIABILY (BIVARIÁT).
  19. 3.1 Korelačná analýza.
  20. 3.2 Korelácia: Nominálna mierka.
  21. 3.3 Korelácia: Radová mierka.
  22. 3.4 Korelácia: Stupnica intervalov /pomerov.
  23. 3.5 Analýza trendov.
  24. 3.6 Poznámky k ArcView.
  25. 3.7 Príklady použitia.
  26. 4 TYPY HYPOTÉZY.
  27. 4.1 Pojmy pravdepodobnosti.
  28. 4.2 Funkcie pravdepodobnosti.
  29. 4.3 Centrálna limitná veta a intervaly spoľahlivosti.
  30. 4.4 Testovanie hypotéz.
  31. 4.5 Štatistiky parametrických skúšok.
  32. 4.6 Rozdiel v priemeroch.
  33. 4.7 Rozdiel medzi priemerom a fixnou hodnotou.
  34. 4.8 Význam korelačného koeficientu Pearson & rsquos.
  35. 4.9 Význam regresných parametrov.
  36. 4.10 Testovanie neparametrických štatistík.
  37. 4.11 Zhrnutie.
  38. ČASŤ II: PRIESTOROVÁ ŠTATISTIKA.
  39. 5 BODOVÉ POPISOVATELE VZORU.
  40. 5.1 Charakter vlastností bodov.
  41. 5.2 Centrálna tendencia bodových distribúcií.
  42. 5.3 Rozptýlenie a orientácia bodových distribúcií.
  43. 5.4 Poznámky k ArcView.
  44. 5.5 Príklady použitia.
  45. 6 BODOVÉ ANALYZÁTORY VZORU.
  46. 6.1 Rozsah a rozsah.
  47. 6.2 Kvadratická analýza.
  48. 6.3 Objednaná susedská analýza.
  49. 6.4 K-funkcia.
  50. 6.5 Priestorová autokorelácia bodov.
  51. 6.6 Príklady použitia.
  52. 7 ANALYZÁTOROV RIADKOVÉHO VZORU.
  53. 7.1 Charakter lineárnych funkcií: vektory a siete.
  54. 7.2 Charakteristiky a vlastnosti lineárnych prvkov.
  55. 7.3 Smerová štatistika.
  56. 7.4 Analýza siete.
  57. 7.5 Príklady použitia.
  58. 8 ANALYZÁTOROV POLYGÓNOVÉHO VZORU.
  59. 8.1 Úvod.
  60. 8.2 Priestorové vzťahy.
  61. 8.3 Priestorová závislosť.
  62. 8.4 Matice priestorových váh.
  63. 8.5 Štatistiky a zápisy priestorovej autokorelácie.
  64. 8.6 Spoločná štatistika počítania.
  65. 8.7 Globálna štatistika priestorovej autokorelácie.
  66. 8.8 Miestna štatistika priestorovej autokorelácie.
  67. 8.9 Moran Scatterplot.
  68. 8.10 Bivariátová priestorová autokorelácia.
  69. 8.11 Príklady použitia.
  70. 8.12 Zhrnutie.
  71. DODATOK: Nástroje pre priestorovú štatistiku ArcGIS.
  72. O disku CD-ROM.
  73. INDEX.

6.3 GIS Demografická analýza v plánovaní

Obrázok 6.1. Schéma GIS Demografická analýza v plánovaní

6.3.1 Rozptýlenie a vzácnosť obyvateľstva

Je potrebné analyzovať striedmosť obyvateľstva v plánovaní, pretože to môže spôsobiť dodatočné náklady (personál, štruktúra, dodatočná doprava atď.) Pri odvodzovaní verejných služieb pre obyvateľstvo v rôznych oblastiach. Uskutočnilo sa to podľa politických hraníc, čo vedie k nákladným dopravám služieb do oblastí, ktoré nie sú husto osídlené v porovnaní s husto osídlenými oblasťami. Ak si vezmeme príklad, oblasti môžu byť v rôznych politických hraniciach a vzhľadom na počet obyvateľov pri tomto súhrne sa môže zdať, že oblasti majú rovnakú populáciu, ktorá je odvodená od politickej (zonálnej) populácie s poddielmi. Skutočná situácia v skutočnosti však môže byť taká, že tieto oblasti majú rôznu hustotu obyvateľstva, pričom nezabúdame, že oblasti s rôznym demografickým zložením obyvateľstva vedú k rôznym potrebám pre každú oblasť.

Predtým, ako sa pozrieme/hľadáme rôzne spôsoby analýzy populácie, aby sme sa vyhli takémuto omylu pri analýze, je dôležité vedieť, prečo sa analýza vykonáva na takej agregačnej úrovni, aby boli do nášho vývoja a zlepšovania zahrnuté výhody agregovanej geografickej analýzy. Ospravedlnenie tejto analýzy možno vidieť ako (Openshaw, 1991):

Je dôležité, aby existovala určitá konzistentná miera striedmosti prostredníctvom vývoja ukazovateľov blokových grantov, pomocou ktorých by štandardné hodnotenie výdavkov vlády (rezortu)

Index hustoty je jednoduchý a tvorcovia politík ho môžu ľahko pochopiť.

Politické subdivízie (zóny) sú najmenšími geografickými jednotkami, pre ktoré bolo možné tento index presne vypočítať, pretože oblasti zón sú známe.

O zónach sa tvrdilo, že majú určitý miestny význam ako štvrte, a preto poskytujú prírodný stavebný kameň

Zóny sa používajú na množstvo ďalších kľúčových ukazovateľov s indexom vplyvu na zdroje, ako je vymedzenie oblastí nedostatku pre prideľovanie zdrojov zdravotníckych služieb.

Hranice zón sú vymedzené zákonom a majú právny význam- je to dôležité, pretože verejné výdavky boli konvenčne alokované iba prostredníctvom procesov, ktoré uznávajú oficiálne geografické oblasti.

Tieto sú zvládnuteľné vzhľadom na počítač a

Pri absencii veľkého množstva (alebo akéhokoľvek relevantného výskumu neexistoval zjavný alternatívny prístup)

6.3.2 Priestorové rozloženie podľa veku

Je užitočné skúmať vekové rozloženie obyvateľov miest v kontexte modelov mestských lokalít, väčšina takýchto modelov hovorí málo o veku obyvateľov, pretože by mohli naznačovať, že z dlhodobého hľadiska by mala byť každá veková skupina rozdelená podobne, v konkrétnom susedstve, na ich distribúciu v bežnej populácii. To znamená, že ak starší ľudia tvoria 10 percent populácie tejto oblasti, mali by tvoriť 10 percent každej domácnosti (Goodman, 1986).

Problémy distribúcie veku sa zvyčajne objavujú pri plánovaní, keď sa zaoberajú rastom podskupiny obyvateľstva v rámci rovnakého vekového intervalu, na rozdiel od zmeny v kohorte, ktorá prechádza nasledujúcimi vekovými intervalmi (Akkerman, 1992).

Ako uviedol Goodman, pri týchto záveroch by ste mali byť opatrní. Ako sa mestá vyvíjajú, štvrte sa budujú a rozvíjajú v konkrétnych časoch, pričom priťahujú obyvateľov podobného veku, veľkosti rodiny alebo preferencie bývania (veľké/malé, jedna rodina/viacbytové obydlie). Susedstvá sa môžu vyvíjať a starnúť spoločne a môžu byť definované vekom obyvateľov. Obyvatelia, hoci pôvodne vychádzajú z typu alebo veľkosti bývania, môžu oceniť samotné okolie a zmeniť si v ňom bydlisko.

Formulácia modelov na vysvetlenie pôvodu priestorových variácií vo vekových štruktúrach a na predpovedanie dôsledkov týchto variácií by mala vziať do úvahy demografickú dynamiku procesu starnutia a uznať, že: (1) správanie mladých aj starších môže ovplyvniť priestorové variácie v starnutí (2) v spoločnostiach s nízkou plodnosťou, v spoločnostiach s nízkou úmrtnosťou, plodnosť a úmrtnosť posunie spoločnosť k priestorovej homogenite a (3) v týchto spoločnostiach je migrácia hlavným procesom generujúcim priestorové rozdiely vo vekových štruktúrach. Proces plánovania musí brať do úvahy a skúmať dôsledky prerozdelenia veku.

Pri plánovaní rozvoja novej oblasti zohráva veľkú úlohu demografické zloženie/štruktúra, pretože rôzne vekové kohorty sa zvyčajne usadzujú v tej istej oblasti. Toto bolo zaznamenané v mnohých mestách, ako napríklad analýza, ktorú vykonal Burnley a kol., (1997), kde boli sociálno-demografické profily osôb presťahovaných do vonkajšieho predmestia Sydney (Austrália) výrazne zastúpené vo vekovej skupine 25 až 34 ročných (45,1 % sťahovateľov), čo je najvyššia skupina nákupov domov. V štúdii v porovnaní s rezidentským obyvateľstvom boli sťahováci silne zaujatí voči dospelým domácnostiam, ktoré tvorili 75,5%, a taktiež boli sťahovatelia výrazne nadpočetne zastúpení v profesijno-manažérskych profesiách (43,4%) v porovnaní s obchodníkmi, administratívou, predajom alebo prevádzkou/prácou v závode.

Je vidieť, že keď ľudia dosiahnu určitú vekovú kohortu a získajú zodpovednosť, majú tendenciu hľadať si trvalé bydlisko, ktoré je k dispozícii mimo centra mesta, čo je tiež ovplyvnené zamestnaním a skladbou domácnosti, čo má priamy vplyv na dopyt po bývaní v závislosti od veľkosť populácie, spôsob, akým sa populácia delí na domácnosti, a potom podľa voľby držby, výdavky na bývanie a preferencie polohy (Skaburskis, 1997). Zo zistení vykonaných v dvoch severoamerických mestách Toronto a Vancouver v Kanade uvádza Skaburskis vek 30 rokov, keď väčšina detí odchádza od rodičov do domácností, ktoré spadajú do kohorty 25-34 rokov, ktorú uviedli Burnley a kol. (1997).

Pri plánovaní je potrebné vziať do úvahy priestorové rozloženie staršej populácie, pretože vyžadujú rôzne zariadenia a starostlivosť. Modely musia poskytovať vysvetlenie migrácie starších ľudí, zistenia týkajúce sa účinkov odchodu do dôchodku, klímy a rodiny, ako aj ďalšie premenné, a podporovať názor, že starší ľudia lepšie reagujú na premenné týkajúce sa pohody alebo kvality života.

Existuje niekoľko dôvodov, prečo sa moji starší ľudia zhromažďujú v konkrétnych štvrtiach. Okrem vekovo špecifického bývania, nemocnice alebo opatrovateľských domovov môžu niektoré typy bytov výslovne slúžiť starším domácnostiam. Tí, ktorí už nepotrebujú veľké bytové jednotky, môžu uprednostniť menšie (ktoré sú geograficky obmedzené), často s obmedzeniami pre deti (čo vedie k ďalšej koncentrácii). Ľudia s obmedzeným príjmom môžu byť nútení prenajať si menšie jednotky alebo v lokalitách s lacným nájomným bývaním (čo môže opäť znamenať geografické obmedzenia) (Goodman, 1986).

6.3.3 Distribúcia podľa socio -skupiny

Rovnako ako vo vekovej skupine, obytná priestorová segregácia podľa sociálno-demografickej skupiny odráža podobnosť vkusu pre miestne verejné statky, ale na rozdiel od osídlenia podľa veku to môže vychádzať z toho, že domácnosti rovnakej rasy boli menej ohrozené tým, že sa rozhodli bývať v tesnej blízkosti. alebo diskriminačný trh, na ktorom je určitým skupinám odoprený prístup k celému bytovému fondu (Miller a kol., 1990).

Využívaním GIS na skúmanie trendov priestorovej segregácie tak, aby vývoj smeroval do oblastí, kde bude dopyt. Kvantitatívna miera segregácie začína počtom domácností podľa demografických charakteristík, ktoré sa nachádzajú v podoblastiach.

6.3.4 Meniaci sa vzor demografie

Pretože meniace sa vzorce pôrodov, úmrtí a formovania domácnosti ovplyvňujú celkovú vekovú štruktúru s hlbokými dôsledkami pre trhy práce a bývania, ako aj pre verejné politiky v oblasti poskytovania sociálnych dávok a podpory príjmu. Je potrebné vziať do úvahy geografický vzorec demografických zmien, aby bolo možné tieto zmeny monitorovať tam, kde prebiehajú.

Toto skúmalo mnoho ľudí vrátane analýzy Schafera Roberta z roku 1978 o metropolitnej forme a demografických zmenách, kde skúma výber štruktúr podľa typu domácností, ktorý ukazuje, že tieto fázy rodinného životného cyklu poskytujú silný opis sklonu k výberu bytu. a ešte jeden zmysluplnejší ako vek hlavy a veľkosť rodiny. Mladé, nemanželské domácnosti si s najväčšou pravdepodobnosťou vyberú byt manželské domácnosti s najmladším dieťaťom nad 6 rokov a hlavou vo veku 30 až 60 rokov a manželské domácnosti s deťmi a hlavou nad 60 rokov si najmenej vyberú byt. Pravdepodobnosť starého výberu bytu sa zvyšuje pre domácnosti staršie ako 60 rokov, ak sú buď zosobášení bez detí doma alebo ovdovení. Čím vyšší je rodinný príjem, tým nižšia je pravdepodobnosť výberu bytu. Bez ohľadu na to, či je vedúci vysokoškolsky vzdelaný, má to slabý vplyv na výber štruktúry, tí, ktorí majú vysokoškolské vzdelanie, majú o niečo väčšiu pravdepodobnosť, že si vyberú byt. Vo všeobecnosti je pravdepodobnejšie, že domácnosti s hlavami pracujúcimi v centre metropolitnej oblasti budú žiť v bytoch ako domácnosti, ktorých hlavy pracujú na predmestí (Schafer, 1978).

A demografická analýza sa stáva čím ďalej tým presnejšou, čím ďalej sa dostáva z fyzických a merateľných demografických javov, najmä ak sa používa ako nástroj plánovania (Chris Paris, 1995). Demografické analýzy preto majú tendenciu vychádzať z podrobného a podrobného skúmania niektorých (predovšetkým fyzických) charakteristík populácií, ktoré sú typicky obsiahnuté v národných štátoch, a potom z rozšírenia skenovania na vzťahy medzi členmi populácie a ďalšie faktory vrátane verejnej politiky.

Rast počtu domácností výrazne prekročil tempo rastu populácie vo väčšine krajín, a preto by bolo potrebných viac bytov, aj keby celková populácia zostala stabilná. Ak vezmeme napríklad priemernú veľkosť domácnosti vo Veľkej Británii, v rokoch 1961 až 1991 klesla z 3,3 na 2,5 osoby (Chris Paris, 1995). Táto samotná zmena znamená, že na každých 1000 osôb v populácii v roku 1991 mohlo byť potrebných ďalších 100 bytov, ako tomu bolo pred 40 rokmi.

Ako uvádza Vaupel, James W. to uvádza, keď skúma starnutie a dlhovekosť prostredníctvom demografickej analýzy a „populácia väčšiny krajín sveta starne. Tento posun vytvára novú demografiu, demografiu nízkej plodnosti a dlhého života. Rýchlo rastúca populácia starších ľudí kladie na spoločnosť nebývalý dôraz, pretože je potrebné vyvinúť a implementovať nové systémy finančnej podpory, sociálnej podpory a zdravotnej starostlivosti & quot.

Preto je po analýze demografických charakteristík dôležité ukázať, kde dochádza k zmene, tj. Kde dochádza k manželstvám, kde je plodnosť konštantná alebo sa mení, odlúčenie a rozvod vedúce k domácnostiam s jedným rodičom (intra-metropolitné rozdelenie: kde je špecifická veková kohorta) sú sústredené vo vnútornom meste, mimo sukne, kde žijú dôchodcovia, ako sa táto oblasť líši (priestorová a časová).

6.3.5 Niekoľko použitých metód

Na analýzu umiestnenia a distribúcie populácií podľa demografických charakteristík sa použilo niekoľko metód, medzi nimi sú Lorenzove krivky a Giniho koeficient.

6.3.5.1 Lorenzove krivky a Giniho koeficient

Lorenzova krivka je grafická metóda široko používaná na analýzu priestorového rozloženia populácie z hľadiska koncentrácie a disperzie (Hornby, 1984 a Witherick, 1990). Kresba Lorenzovej krivky postupuje nasledovne. Priemerné hustoty obyvateľstva sú vypočítané pre všetky ekvivalentné jednotky, ako sú zónové alebo politické jednotky, ktoré tvoria študovanú oblasť. Tieto plošné jednotky sa potom zoradia podľa tried hustoty, ktoré sa majú uložiť v tomto poradí, potom sa vypočíta percento z celkového počtu obyvateľov a percento z celkovej plochy, ktoré predstavujú všetky jednotky spadajúce do každej triedy hustoty. Dve hodnoty odvodené pre každú triedu hustoty tak umožňujú vykresliť jej polohu do grafu.

Lorenzove krivky je možné prispôsobiť tak, aby kvantifikovali odchýlky demografických charakteristík, najmä v distribúcii podľa veku (Goodman 1986). Na príklade staršej populácie sú rozdiely v distribúcii starších osôb presnejšie zoradením pozorovania populácie na úrovni susedstva od najmenšieho po najväčšie. Analýza potom naznačuje, že najnižšie zaradené (čo sa týka staršej populácie) napr. 20 percent zón, na ktorých je založené sčítanie (sčítacie trakty), malo 5 percent starších ľudí, ďalších 20 percent malo ďalších 8 percent starších ľudí (alebo alternatívne, že najnižších 40 percent malo 13 percent).

Na zhrnutie Lorenzových kriviek sa často používajú Giniho koeficienty (ďalej len Ginis). Vezmite do úvahy Lorenzovu krivku, v ktorej je kumulatívne percento traktátov vynesené proti kumulatívnemu percentu staršieho veku. Gini porovnáva oblasť L medzi uhlopriečkou (znamenajúcou rovnakú distribúciu) a Lorenzovou krivkou s celou oblasťou pod uhlopriečkou, T. ako sa L/T blíži 0 (1), študovaná populácia je viac (menej) rovnomerne rozložená (pozri Goodman, 1986).

Vypočítajú sa regresné parametre a Gini a nastavením koeficientov rôznych oblastí je možné určiť koncentráciu špecifických demografických charakteristík. Táto metóda závisí od vopred určeného politického alebo zónového členenia, chýba jej teda variabilný geografický aspekt a je potrebné ju doplniť priestorovou analýzou GIS, aby sa ukázalo, ako sa koncentrácia líši v závislosti od uvažovaných sčítacích traktov.

6.3.5.2 Fuzzy meranie demografických zmien v malých podoblastiach

Čoraz častejšie používanie demografických údajov v plánovaní poukazuje na potrebu úvah o štruktúre v demografii malých oblastí, čo je dôležité, pretože najdostupnejšími ukazovateľmi zmien v celom rade miest v okolí sú demografické parametre týchto malých oblastí v priebehu času. Meranie demografických zmien v mnohých malých mestských podoblastiach kohortová demografia nepodporuje (Akkerman, 1992).

Fuzzy usporiadanie malých oblastí v celom meste pomáha zamerať sa na tie konkrétne malé oblasti, ktoré si môžu vyžadovať osobitnú pozornosť pri plánovaní miest. Zacielenie na malú oblasť poskytuje niekoľko parametrov a konfigurácia zmeny týchto parametrov v každej malej oblasti poskytuje meradlo jej profilu zmeny. Fuzzy meranie demografických zmien v malej oblasti navyše poskytuje profil zmeny, ktorý odráža množstvo ako celok.

6.3.6 Problém s priestorovým rozlíšením

Aj keď demografická agregácia môže mať štyri hlavné výhody, tj. Agregácia údajov neposkytuje veľkú záťaž pre počítačové zdroje, poskytuje dostatočný prehľad o správaní celého systému tým, že uľahčuje pochopenie správania skupín ľudí (Fotheringham a Rogerson, 1993), priestorová agregácia je formou zjednodušenia, ktorá podporuje naše chápanie komplexného problému, a prostredníctvom priestorovej agregácie sa chyby v údajoch nízkej kvality budú spravidla rušiť.

Výpočtové obmedzenia sú však už históriou, pretože moderné elektronické počítače sú schopné spracovať veľké objemy údajov, keď sa prijme vysoko rozčlenená priestorová reprezentácia, najmä ak je technológia GIS schopná zvládnuť najjemnejšiu požadovanú úroveň rozlíšenia.

Disagregované modely umožňujú dozvedieť sa o individuálnom správaní, a z toho je možné vykonať agregáciu, ak analytika nezaujíma individuálne správanie.

Aj keď sa priestorové agregovanie týka chýb v údajoch nízkej kvality, spravidla sa rušia. Výskumné dôkazy však naznačujú, že pre daný súbor údajov agregácia údajov do priestorových jednotiek generuje chyby nazývané Modifiable Areal Unit Problem (MAUP), pričom z analýz sa pravdepodobne robia falošné interpretácie výlučne v dôsledku svojvoľnej agregácie údajov (Openshaw , 1984 Fotheringham a Rogerson, 1993 Casillas, 1987 a Lee, 1995) a môžu dokonca vytvárať vzťahy, ktoré neexistujú (Thomas a Huggett, 1980). Výsledky agregácie sa navyše líšia podľa modelárov. Priestorová agregácia teda pravdepodobne spôsobí viac problémov, ako úžitok z jej zrušenia chýb. V každom prípade je výhoda k dispozícii iba vtedy, ak je kvalita údajov nízka. Údaje z populačného prieskumu majú veľmi vysokú kvalitu a sú k dispozícii až do individuálnych podrobností. Aj keď údaje neboli zverejnené na úrovni mikroúdajov kvôli problémom s ochranou súkromia, plánovač musí analyzovať a využívať výhody použitia neagregovaných údajov. Ovládanie softvéru je možné použiť na ochranu súkromia potom, čo používatelia analyzujú údaje na úrovni mikroúdajov.

Hlavnou zásadou je zachovať údaje v pôvodnej individuálnej forme. Tento neagregovaný prístup využívajúci metódy analýzy bodových procesov, ktoré zachovávajú kontinuálnu povahu údajov, rieši niektoré z problémov analýzy založenej na často ľubovoľných plošných jednotkách, ako sú hranice PSČ alebo politické hranice.


Získanie ArcView 3.2 Priestorová analýza 1.1? - Geografické informačné systémy

GIS a priestorová analýza majú v posledných desaťročiach dlhý a produktívny vzťah (Fotheringham a Rogerson 1994 Goodchild 1988 Goodchild et al., 1992). GIS bol považovaný za kľúč k implementácii metód priestorovej analýzy, vďaka čomu sú prístupnejšie pre širší okruh užívateľov, a dúfajme, že sa budú častejšie používať pri rozhodovaní a podpore vedeckého výskumu. Argumentovalo sa (Goodchild, 1988), že v tomto zmysle je vzťah medzi priestorovou analýzou a GIS analogický so vzťahom medzi štatistikou a štatistickými balíkmi. Objavili sa špecializované balíčky GIS zamerané konkrétne na priestorovú analýzu (Bailey a Gatrell 1995, Fisher a kol., 1996). Anselin a ďalší diskutovali o spôsoboch, akými implementácia metód priestorovej analýzy v GIS vedie k novému, prieskumnému dôrazu.

Termín „priestorová analýza“ má v priebehu času a disciplíny rôzne definície. Openshaw, 1997 a Baily a kol., 1995 definujú priestorovú analýzu ako kvantitatívnu štúdiu javov, ktoré sa nachádzajú v priestore, všeobecnú schopnosť manipulovať s priestorovými údajmi do rôznych foriem a ako výsledok extrahovať ďalší význam.

Termín „priestorová analýza“ zahŕňa široký rozsah techník na analýzu, výpočty, vizualizáciu, zjednodušovanie a teoretizovanie geografických údajov. Metódy priestorovej analýzy môžu byť jednoduché, ako napríklad meranie z mapy, alebo sofistikované ako komplexné geopočítačové postupy založené na numerickej analýze. Priestorová analýza je štatistický opis alebo vysvetlenie informácií o polohe alebo atribútoch alebo oboch (Goodchild, 1987). Existuje mnoho techník priestorovej analýzy: miery zhlukovania alebo blízkosti, ukladanie do vyrovnávacej pamäte, výpočty času cesty, výpočty prístupnosti, modely priestorovej interakcie, priestorová závislosť, poloha/alokácia.

Pri priestorovej analýze je ohniskom súbor priestorových údajov, t. J. Súbor údajov, v ktorom sa každé pozorovanie týka lokality alebo oblasti (geografickej polohy). Väčšina demografických údajov sa zhromažďuje v priestorovom kontexte a na interpretáciu si vyžaduje štatistickú analýzu. Metódy analýz priestorových údajov zahŕňajú popis údajov, interpoláciu máp, prieskumné analýzy údajov (deskriptívne štatistiky), vysvetľujúce analýzy a potvrdzujúce analýzy údajov (štatistické vyvodzovanie a vývoj a testovanie modelov) (Haining, 1990).

Podľa Chou (1997) pôvod priestorovej analýzy spočíva vo vývoji kvantitatívnej geografie a regionálnej vedy na začiatku šesťdesiatych rokov minulého storočia. Počiatočné štádium charakterizovalo použitie kvantitatívnych (hlavne štatistických) postupov a techník na analýzu vzorov bodov, čiar, oblastí a povrchov zobrazených na mapách alebo definovaných súradnicami v dvoj alebo trojrozmernom priestore. Neskôr bol väčší dôraz kladený na pôvodné vlastnosti geografického priestoru, na procesy priestorového výberu a ich implikácie pre priestorovo-časový vývoj komplexných priestorových systémov.

Fotheringham a Rogerson (1994) nedávno vytvorili upravený zväzok, ktorý sa zameriava na priestorovú analýzu a GIS. V prehľadovej kapitole Bailey (1994) robí užitočný rozdiel medzi priestorovou sumarizáciou údajov a priestorovou analýzou údajov. Prvý z nich má zahŕňať funkcie na selektívne získavanie priestorových informácií a výpočet, tabuľku alebo mapovanie štatistických súhrnov týchto informácií. Podľa Baileyho pojmov by táto kategória funkcií zahŕňala priestorový dotaz a mnoho ďalších techník, ako sú booleovské operácie, prekrývanie máp a generovanie vyrovnávacej pamäte, ktoré mnohí používatelia bežne vnímajú ako analytické funkcie.

Medzitým je termín priestorová analýza vyhradený pre metódy, ktoré buď skúmajú vzorce v priestorových dátach, alebo sa pokúšajú nájsť vzťahy medzi týmito vzormi a priestorovou (a možno aj časovou) variáciou iných atribútov, alebo pre metódy priestorového alebo časopriestorového modelovania. Druhý z nich by zahŕňal analýzu siete, modely alokácie polohy, výber lokality a dopravné modely, všetky sú podľa Baileyho v mnohých GIS celkom dobre vyvinuté. The former type of spatial analysis, however, which Bailey refers to as statistical spatial analysis or simply spatial statistics, is currently poorly represented in the technology of GIS. This type of analysis would include such areas as nearest neighbour methods and K-functions, Kernel and Bayesian smoothing methods, spatial autocorrelation, spatial econometric modelling, and spatial general linear models. The level of integration of these types of methods with GIS has barely gone beyond the use of GIS to select input data and display model results. At the software level, this same integration generally involves only loose coupling between GIS and spatial statistical packages in the form of ASCII data transfer or specially programmed interfaces (Steven Reader, 1996).

Spatial analysis dimension

A map is an excellent medium, and a first impression of spatial variation can be picked up from a map. However, in order to identify significant patterns in data we have to go beyond the visual interpretation of data illustrated in form of maps i.e. need spatial analysis.

Spatial analysis involves operations in which results depend on data locations - move the data, and the results change. For example, if you move one household from one block to another in the same area their population center moves, but the average weight for household doesn't. That distinction identifies the two basic types of geo-referenced measures: spatially dependent or independent. The population center calculation is spatially dependent measurement, and the average weight considering the entire population is independent. Note that the term "measurement" is a derived relationship, not a dataset characteristic. Spatial analysis involves deriving new spatial information, not repacking existing data."

2.4.1.1 Spatial and aspatial analysis

Quantitative data analysis is either spatial or aspatial. Spatial analysis is focused on the role of space and relies on the explicitly specified spatial variables in the explanation or the predication of a phenomenon. It involves processing information about geography. For aspatial analysis, spatial component and spatial information are not required for analysis and explanation. Spatial data set consists of a collection of measurement or observation on one or more attributes taken at specific locations (Haining, 1990).

Basic elements of spatial information

The analysis of spatial order and spatial association requires the following three elements of spatial information:

1. Location: the exact location of every spatial feature must be available. In this study the location of a feature is expressed by x and y coordinates

2. Attribute data provides important information about the properties of the spatial features under consideration.

3. Topology is defined as the spatial relationships between map features (Chou, 1997). For point features, we may need to know if a point is closer to specific location than other similar location.

From Chou, 1997, Burrough, 1986, DeMers, 1997) GISs are indispensable for spatial analysis because of their ability to integrate all the three elements of spatial on formation in locally consistent manner. A database management system handling only attribute is best useful for aspatial statistical analysis. A computer system capable of handling location and attribute data but not topological elements is suitable for automated cartography, but not spatial analysis. A typical automated cartography system provides mapping functions for organization and presentation of spatial information. In a spatial relationships among map features can be effectively processed only by using GIS that provides the functionality to handle all three types of elements

Need for spatial analysis techniques

Spatial analysis is in many ways fundamental to the effective use and further exploitation of GIS in many different applied contexts like in demography. Spatial analysis and modelling of human spatial systems is now rapidly emerging as a new grand challenge area, for the late 1990s, (Openshaw, 1995a). Although from a GIS perspective, the analysis and modelling tasks only become important once GIS has become an established technology. It is apparent that this post-GIS revolution era has been reached and that the focus of research attention is now moving on from Geographic Information Handling to Geographic Information using with the obvious greatly increased emphasis on creating appropriate analysis and modelling functionality (Openshaw, 1999).

A spatial analysis is designed to answer questions pertaining to the spatial order and/or spatial association of a phenomenon. Thus spatial analysis has explicitly expressed objectives. The type of spatial features under consideration and the nature of the problem collectively determine both the data elements and available methods of required for the analysis.

In spatial analysis, what is being looked for are geographically localized patterns at disaggregated level and it is these features that are often of greatest interest and also the hardest to find.

2.4.2 Criteria for identifying spatial analysis techniques

While there is a general consensus that the lack of spatial analysis functionalities in current GIS seriously limits the usefulness of GIS as a research tool to analyse spatial data and relationships [Goodchild 1987, Openshaw 1991, Fischer and Nijkamp 1992, Anselin and Getis 1993], there is no agreement about what kinds of spatial analysis techniques and methods are most relevant to GIS environments. Openshaw [1991, 1994a] suggests several criteria that aim to distinguish between GISable and GIS irrelevant technology. The most important GIS relevancy criteria that SDA tools should ideally attempt to meet may be summarized as follows:

  • A GISable SDA tool should be able to handle large and very large numbers [from a few tens to millions] of spatial objects without difficulties, and thus meet the large-scale data processing needs in GIS.

GIS relevant SDA techniques should be sensitive to the special nature of spatial information.

The most useful GISable SDA techniques and models will be frame independent [i.e. invariant under alternative spatial partitioning of a study region].

GIS relevant SDA should be a safe technology [i. e. the results should be reliable, robust, resilient, error and noise resistant, and not based in any important way on standard distributions].

GISable SDA techniques should be useful in an applied sense, [i.e. focus on spatial analysis tasks that are relevant to GIS environments].

The results of SDA operations should be mapovateľné to afford understanding and insight, since GIS is a highly visual and graphics oriented technology.

From above it can be seen that there is no agreement about what kinds of spatial analysis techniques and methods are most relevant to GIS environments for specific fields like demographic data analysis. My point of focus in this study is to look at the statistical spatial analysis methods used for demographic data, then investigate which of the methods can be used in GIS environment to take advantage of the existing GIS spatial analysis tools

Spatial analysis can be classified into five categories based on the data requirements (Chou, 1997):

1. Point pattern analysis for point features. It is this method, which is mainly used in this study, as the features to be represented, are people in form of dots other methods will assist in the georeferencing.

2. Network analysis for line features

3. Spatial modelling for polygon features

4. Surface analysis for volumetric data and

5. Grid analysis for regularly spaced data

2.4.3 Spatial statistical analysis and GIS

As it has evolved over the past three decades, spatial analysis is more than spatial statistics. A closer look at the development and current achievements of spatial analysis shows that, despite the very large number of rather diverse contributions, two main fields of study can be identified: (Chou, 1997). Spatial Statistical data analysis providing more adequate and specialized frameworks and methodologies to deal with a wide range of spatial effects and spatial process models, and Spatial modelling including a wide range of different models such as, for example, deterministic and stochastic process models as well as policy models in the environmental sciences, and location allocation models, spatial interaction models, spatial choice models and regional economic models in the social sciences.

The linkage between spatial statistical analysis and geographic information systems is an important step in providing additional spatial analytical capabilities to a GIS to carry out demographic spatial analysis. This is a lot of research going on the linkage between spatial statistical analysis and geographic information systems, in Fotheringham, et al, 1994 the linkage has been basically suggested in three different ways.

1. The first strategy is GIS and spatial statistical analysis can be maintained as two separate packages and simply exchange data between the two systems. In Carver, 1997 we see that to export spatial data from the GIS to standard statistical systems is not an adequate solution, because the nature of spatial data requires specific spatial analytical functions. But Anselin et al. (1993) have combined SpaceStat, a program for the analysis of spatial data, with the ArcInfo GIS using this approach.

2. The second strategy is GIS functions can be embedded within spatial analysis or modelling. In caver, 1997 it is noted that embedding GIS functions into a spatial statistical package seems to be an overwhelming exercise and not really realistic.

3. The third strategy, is Spatial analysis can be fully integrated within the GIS software. That a full integration of spatial analysis tools into a GIS seems most promising (Hansen, 1996), and that using this strategy we can utilize the interactivity between maps, charts and spatial statistics to get a good feeling of patterns and relationships within the data.

However, in this study the aim is to look at ways how demographic statistical analysis techniques can be used in the GIS spatial analysis methods.

Spatial representation issues

Another set of very important issues concern spatial representation. It can be observed that much spatial analysis with zonal data has so far been performed with little regard for the basic spatial representation issue. Zonal data typically provide an aggregation of more micro scaled observations. Data for individual people and households are aggregated and in the process information is lost and an area profile created that may or may not be a good representation of the micro data that was used to construct the zonal data. Sometimes zones might be re-aggregated a number of times. Only if the zones are completely homogenous with respect to the micro data they represent will there be no possibility of spatial representation error (Openshaw, 1996). In practice the heterogeneity of the micro data patterns interact with the location of zonal boundaries and zone size to generate all manner of complexity. However, it is important to appreciate that the entities and geographical objects a zoning system might be expected to represent need not only be micro data, they could be much larger geographical features such as a town or village or neighbourhood and that similar spatial representation issues also occur here.

In the pre-GIS era, it was quite an achievement to gain access to any small area data. The available spatial data handling technology did not exist to allow flexible geographic areal definitions. People used what was offered or available. However, in the post GIS era this is no longer the case. The technical constraints have dissolved. The re-discovery of the modifiable areal unit problem in the late 1980s is one reflection of the greatly increased degree of geographic flexibility that now exists. The challenge is that of discovering methods of analysis that are appropriate for spatial zonal data that are modifiable due to their nature. This is probably the most important of all GIS relevant spatial analysis tasks that still needs to be handled. It is this wave the dissertation is parting hanging over

Many end-users merely want answers to fairly abstract questions such as, are there any patterns, where are they, what do they look like? Additionally, it is apparent that spatial analysis will soon no longer be the exclusively preserve of the expert researcher but that the technology needs to be packaged for much more general use. This implies that it must be understandable, intrinsically safe, usable by the non-expert, and useful.

From above it can be seen that there is no agreement about what kinds of spatial analysis techniques and methods are most relevant to GIS environments for specific fields like demographic data analysis. My point of focus in this study is to look at the statistical spatial analysis methods used for demographic data, requirement of demographic out put for planning, then investigate which of the methods can be used in GIS environment to take advantage of the existing GIS spatial analysis tools.

In the pre-GIS era, it was quite an achievement to gain access to any small area data. The available spatial data handling technology did not exist to allow flexible geographic areal definitions. People used what was offered or available. However, in the post GIS era this is no longer the case. The technical constraints have dissolved. The re-discovery of the modifiable areal unit problem in the late 1980s is one reflection of the greatly increased degree of geographic flexibility that now exists. The challenge is that of discovering methods of analysis that are appropriate for spatial zonal data that are modifiable due to their nature. This is probably the most important of all GIS relevant spatial analysis tasks that still needs to be handled. It is this wave the dissertation is parting hanging over.

2.4.4 The Nature of Geographical Data

Phenomena in the real world can be observed in three "modes", namely, spatial, temporal, and thematic (Modarres, 1998). The spatial mode deals with variation from place to place the temporal mode deals with variation from time to time (one slice to another) and the thematic mode deals with variation from one characteristic to another (one layer to another). All measurable or describable properties of the world can be considered to fall into one of these modes, viz. place, time and theme, however, an exhaustive description of all three modes at the same time is not possible with today's technology (Modarres, 1998). Therefore, in reality, when observing real-world phenomena, we usually hold one mode "fixed", vary one in a "controlled" manner, and "measure" the third holding geography fixed and varying time gives longitudinal data while holding time fixed and varying geography gives cross-sectional data. Here we are concerned with cross-sectional data analysis. For example, using a census of population we could fix a time (e.g. 2000) control for location using census zones and measure and analysis a theme such as the percentage of persons having higher education. This is the way demographic data is handled in 2D but this trend is changed in multi-dimensional analysis in order to change the level of control of location and this further dealt with at different level in 3D

Demographic Surface Analysis

Like any analysis in GIS, demographic data, which is usually referenced by point and area, has to be geocoded before any analysis can take place. For surface analysis using IDW, the first step is to partition the study area into a regular raster grid or TIN. The next step is to generating demographic layers which involves putting each DC on different layers, i.e. to identify all cells basing the absence or presence of DC to produce a layer according that DC in which the values in the layer uniquely identify each characteristic, an example is plate 1c showing different religions in the study area.

Although GIS software like ArcView GIS can associate spatial and aspatial attributes, for this to be done at micro level further modeling are needed. Starting with the conceptual model where the demographic components of the individual persons are outlined, then mathematical models in order to operationally conceptual models formulated by representing them with mathematical constructs and finally with the possibilities of scale models to organize mathematical models so that the real world features can be represented (Craglia et al, 1999). All this is done in GIS using a combination of raster and vector presentation of spatial elements to lead to spatially disaggregate models that are able to over come some of the disadvantage of zonal models. This type of analysis is termed micro simulation (Wegener, 1999) and there are four fields in which GIS can support micro techniques of analysis and modeling: storage of spatial data, generation of new data using analytical tools such as overlay or buffering, disaggregating of data using appropriate micro simulation algorithms, and visualization.

Surface Neighborhood Analysis

Unlike neighborhood analysis in 2D, with surface neighborhood analysis we are in position to show and predicate spatial demographic influence which can be carried out in a number of ways like radial analysis, similarity, and proximity analysis of different DC, etc.

Demographic radial analysis: this is distances between the people and DCs. For a fixed radial distance, it can be done by interpolation using a fixed radius so that the radius gives the spatial extent being influenced by location of a demographic at specific location. From a different perspective, this technique can be seen to give locations of DC according distance

Similarity analysis:when it comes to analyzing spatially where there are similar DCs, GIS provides the capability to do this. Taking the example the number of persons per building (plate 6a) this can be reclassified using ArcView Spatial Analyst and using the total number of people per building as the height information to drive a raster surface of continuous variation, so that buildings having less 5 or persons and their spatial influence are assigned one (represented by brown color) and those having more than 5 take on two (gray color) see plate 6b. Making it easy to determine which areas follow in which range and it also provides us with the power to change the level of detail required as instead of the first used five groups we have only two.

Analýza blízkosti: This is used in demographic spatial analysis to shows area influenced by a certain DC for example plate 2b gives proximity analysis of the population basing on the race in the study area plate 2a, it can be viewed spatially, areas which are under influence of particular race. This aid the analyst to determine areas dominated by a particular race, it has practical application in allocation to avoid conflicts or if the aim is racial integration then know areas where to allocate other races to come up with the desired balance. Also when using sampled data, it has further application where by can make decision about where the particular DC (race) is likely to be located and in case of movement the likely areas places. Other example include plate 1c which gives spatial distribution and location of the various religions in study area from plate 1b and plate 3b showing spatial location of martial status in Heritage area from plate 3a.

Demographic sudden spatial change

In planning we are interested to know where there sudden change in DC spatially. For example plate 6e derived from number persons per building, we able to see where the numbers are varying spatially like around the red spot, there is sudden change, which necessities special attention and further investigation.

1.1.2.1. Demographic vertical nearest neighbor analysis

Here the concern is the means of expressing or being to see how the DCs are location in relation to each in terms of 3D. This has been developed to be able to represented population especially in urban areas where they have the same x, y location but different z values e.g. residences of multi storage buildings. Using the above-developed 3D-DM we are able to locate in 3D of individuals when the need arises.

2.4.4.1 Quantitative spatial-vertical analysis

We some times need to know how the quantity of a DC varies as move from one location to the next, which can t be got by the aspatial and spatial 2D analysis means. Demonstrating using figure 4.4, quantitative spatial-vertical analysis is like setting and demarcating the level on the side of the box at which the clay in the box should reach, then calculate the mass, compare it with the existing one them determine how much quantity of clay to add to the box.

By calculating the surface area with same planimetric area, which ensures the same spatial extent the volume gives the quantity of the DC. It can be applied from another perspective as the area and volume can be varied by changing the height, thus enabling to set the DC like if use age as the height information then can set the height to say 65 to check only those who are above 65 years old, how the vary spatially. These are accomplished using ArcView 3D analyst and employing the area and volume calculation functions.

2.4.4.2 Balancing demographic spatially

To have a quick visualization of the issue, take the same example of figure 4.4, then balancing demographic spatially is like making the clay in the box flat which is achieved by moving some clay from the places where is high to depressions but not taking any clay out of the box. The traditional cut and fill function combined with the line of sight, offers planner the ability to check where there is excess of the DC. Where the line of sight checks the linear spatial uniformity of DC (chapter three) i.e. where a given a target is visible from a set position, height, and direction which implies that along that line the demographic is within the limit and if not then apply the cut-fill function. As also the surfaces shows the different demographic variables then can know areas dominated a particular variable, which helps in relocation and location target being either to balance or avoid conflict.

2.4.4.3 Demographic spatial limit

Another visibility structure is the horizon of a viewpoint (V) at specific MODC i.e. demographic spatial limit which is used and defined here as boundary of the demographic viewshed and determines the farthest point on the surface that is visible from V for every radial direction around V in the x y plane. The procedure starts from the derivation of the viewshed as above, then at edges of the viewshed (horizon) draw/demarcate the boundary that forms the demographic spatial limit.

2.4.4.4 Linear demographic variation

This linear visibility analysis uses visibility query algorithms with the simplest visibility query problem consisting in determining the mutual visibility of two points (ESRI, 1998) like observation point P and the target point R ( Error! Reference source not found. ). In a "brute-force" approach, this reduces to finding either the surface edges on a TIN are intersected by the vertical plane passing through segment PR. For each intersected element (edge or cell), a test is performed to decide whether it lies above PR or not and the two points are reported as visible in case of a positive answer and not visible for negative answer [1] . Taking the example of the number of people per building and using the same observer positions (P, T, and Q) and target position (R) for three different MODC different obstruction point, extent of sight, and different linearly visible location are obtained. Using line of sight having observer and target point with same MODC (4 persons per building) all do not see the target with one from T blocked ( Error! Reference source not found. ). By making observers MODC (one person per building) lower than target point (6 persons per building), limited linear spatial extent is visible with all not seeing the target and one from T being blocked just after a short distance from observation position ( Error! Reference source not found. ). Using higher observers MODC (6 persons per building) and lower target point (1 person per building) although can see a bigger linear spatial extent two of the lines of sight from T and P cannot reach the target point ( Error! Reference source not found. ). Using line of sight having observer and target point with same MODC (6 persons per building) more linear spatial extent is visible with two sights from T and P not seeing the target ( Error! Reference source not found. ).

Line of sight helps to know linearly which spatial extent has DC with the set observer and target MODC. The of sight tells you whether a given target is visible from a point of observation, also find out what is visible along the line of sight

2.4.5 GIS analysis for Demographic predication

It is always important to predict the likely trend of demographics so that planning does not become out dated within a short time. Here the concern is demographics as the basis for objective and criteria for decision-making. These can be categorized and presented as: 1) single objective/single criteria decision-making, 2) single objective/multi-criteria decision-making, and 3) multi-objective/multi-criteria decision-making. The technique being employed mostly is map overlay and can easily be implemented in a GIS (Tomlin, 1990).

The single objective/single criteria is concerned with decisions that have a single reason or perspective to motivate a decision and a single criterion upon which to base the decision (UNITAR, 1993). An example of such a decision rule may be: if elderly population spatial clustering exceeds X then designate as an area of high ageing risk i.e. for any given area the size being occupied by elderly population as a proportion of the total population and study area should not exceed X . The objectives being to evaluate the effect of the projected population values and draw conclusions as to which areas will be having elderly population exceeding the set percentage, achieved by thresholding which involves reclassifying those areas of study area that would be in theory below the threshold value. Classification is designed to put features in framework that that allows understanding how they function in a similar fashion among members of the same group or differently from members of other groups (DeMers, 1997, 2000). Classification is feature aggregation, which is carried out in both raster and vector in raster GIS is done by renumbering the grid cells so that the cells to be in the same category have the same cell numbers. Utilizing this classification other techniques being looked at to help in planning analysis basing on demographic prediction include spatial classification like similarity analysis, progressive analysis and spatial influence like radial analysis, proximity analysis, etc (as discussed in the previous section).

Although this analysis can be done in vector GIS taking the example of ArcView by running a query to extract only the elderly population from the database, geocode them, use the spatial nearest neighbor script to count the number of elderly and compare it with the total population in another theme. It can best, easily, and quickly done in raster GIS, taking the example of IDRISI for windows. Where by use the IDRISI function to import ArcView Shapefile and the use the convert function to change it to raster format, let the population layer be called POPDEM.

By reclassifying POPDEM using the RECLASS module we can create a new image (ELDERLY) of all areas below the threshold and therefore not liable for elderly population. The problem with this image is that it still contains areas that are not supposed to be occupied (inhabitable areas like rivers, forest reserves, etc) and it is therefore difficult to distinguish the areas of land that will be populated. In order to remove the inhabitable areas we again use RECLASS on LANDUSE (layer containing land use information as it indicates residential area) and assign a value of 1 to all residential areas and all other areas to 0, this image depicts all habitable areas, and is saved as HABITABLE. In order combine the two images and produce an image that shows just the land areas that will be populated we use CROSSTAB and the cross-classification option. Cross-classification can be liked to a multiple overlay showing all combinations of the logical A operáciu. The result is a new image (CROSS) that shows the locations of all combinations of the categories in the original images (IDRISI, 1998). Cross-classification thus produces a map representation of all non-zero entries in the cross-tabulation file, and in the case of CROSS shows three classifications: inhabitable area, land projected to be populated, and land areas that will not be populated

Demographics as location indictor: GIS modeling techniques can also be used to model planning policies. For instance, to direct development into the vicinity of established neighborhoods with specific DCs, GIS can scan for proximity to such areas according to DC. First, a map layer is produced to identify the existing population in the study areas. This map will then be used to identify and separate out required cells, which have DC. This map of required cells then becomes one of input layers for example in the allocation using the Spatial Interaction Map (Lee, 1995)

Last modified TIME @ "d MMMM yyyy" 29 October 2000 od Wadembere, M. I.

[1] As an illustration, this is achieved using ArcView GIS spatial analyst and 3D analyst by adding a grid or TIN theme of DC, making it active, use line of sight tool from analysis tool menu the most important part is specifying the DC level of observer and target position so that it is offset above the surface


Stiahni teraz!

Uľahčili sme vám hľadanie elektronických kníh vo formáte PDF bez akéhokoľvek kopania. And by having access to our ebooks online or by storing it on your computer, you have convenient answers with Gis Tutorial 2 Spatial Analysis Workbook Gis Tutorials Pdf. To get started finding Gis Tutorial 2 Spatial Analysis Workbook Gis Tutorials Pdf, you are right to find our website which has a comprehensive collection of manuals listed.
Naša knižnica je najväčšou z nich, v ktorej sú zastúpené doslova státisíce rôznych produktov.

Finally I get this ebook, thanks for all these Gis Tutorial 2 Spatial Analysis Workbook Gis Tutorials Pdf I can get now!

Nemyslel som si, že to bude fungovať, môj najlepší priateľ mi ukázal tento web a funguje to! Mám svoju najžiadanejšiu e -knihu

wtf tento skvelý ebook zadarmo ?!

Moji priatelia sú takí šialení, že nevedia, ako mám všetky vysokokvalitné ebooky, ktoré oni nevedia!

Získanie kvalitných elektronických kníh je veľmi jednoduché)

toľko falošných stránok. toto je prvý, ktorý fungoval! Veľká vďaka

wtffff, tomuto nerozumiem!

Stačí kliknúť na tlačidlo a potom stiahnuť a dokončiť ponuku na spustenie sťahovania e -knihy. Ak existuje prieskum, ktorý trvá iba 5 minút, vyskúšajte akýkoľvek prieskum, ktorý vám vyhovuje.


Tentative schedule

Deň 1
Introduction to Modeling: Spread-sheet and other exercises that illustrate the modeling process, terminology,
deterministic and stochastic models, what to leave out of a model, scale and resolution, age or stage structured
models, modeling without good data.

Deň 2
Decision Analysis: Decision trees, decision-making under uncertainty, linear programming and where it fits,
multi-objective decision-making, soft versus hard approaches.

Day 3
Expert Systems (morning): What they are, developing small expert systems, where they might be useful,
importance of explanations. Introduction to Ecosystem Modeling (afternoon): Single patch system models,
Markov models, state and transition models.

Deň 4
Ecosystem Modeling continued: Frame-based modeling, the incremental top-down approach, qualitative
models, using other people s models, adaptive management.

Deň 5
Spatially Explicit Models: Cellular automata, fire-spread models, animal movement models, models involving
climate change, where GIS fits.

Selected publications by Dr. Tony Starfield:

Rupp, T.S., Chapin, F.S. III. , Starfield, A.M., Response of subarctic vegetation to transient climatic change
on the Seward Peninsula in north-west Alaska, Global change biology. Glob. chang. biol.
June 2000. v. 6 (5) p. 541-555.

Epstein, H.E. Walker, M.D., Chapin, F.S. III., Starfield, A.M., A transient, nutrient-based model of arctic
plant community response to climatic warming., Ecological applications June 2000. v. 10 (3), p. 824-841

Hahn, B.D., Richardson, F.D., Starfield, A.M. Frame-based modelling as a method of simulating
rangeland production systems in the long term.Agricultural systems, Oct 1999. v. 62 (1), p. 29-49.

Starfield, A.M. Chapin, F.S. III. Model of transient changes in arctic and boreal vegetation in response
to climate and land use change. Ecological applications, Aug 1996. v. 6 (3) p. 842-864.

Turner, M.G.,Collins, S.L.,Lugo, A.E.,Magnuson, J.J., Rupp, T.S., Swanson, F.J., Disturbance dynamics
and ecological response: the contribution of long-term ecological research BioScience. Bioscience
Jan 2003. v. 53 (1) p. 46-56.

Starfield, A.M. Cumming, D.H.M., Taylor, R.D., Quadling, M.S. A frame-based paradigm for dynamic
ecosystem models. AI applications., 1993. v. 7 (2/3), p. 1-13.
Location: Stacks Call Number: QA76.76.E95A5

Tester, J.R., A.M. Starfield, L.E. Frelich, 1997. Modeling for ecosystem management in Minnesota
pine forests, Biological Conservation, 80:313-324.

Nicolson CR, Starfield AM, Kofinas GP, Kruse JA, 2002. Ten heuristics for interdisciplinary
modeling projects ECOSYSTEMS 5 (4): 376-384 JUN 2002

ArcView 3.2 for the Nez Perce Tribe, May 29 - June 2, 2001

GPS with Trimble GPS units and Pathfinder Office, June 15, 2001

Moscow High School Environmental Club, June 22, 2001

ArcView 3.2 for Latah County, August 13-14 2001

ArcView 3.2 for WSU Library, November 19-20, 2001

ArcView 8.1 for Idaho State Parks January 15 - 17, 2002

ArcGIS 8.2 January, 7-9, 2003

ArcGIS 8.2 March 19-21, 2003

ArcGIS 8.3 Latah County, June 30 - July 1, 2003

ArcGIS 8.3, Geodatabase, ArcPad Jan 5-9, 2004

ArcGIS 8.3, Nez Perce Tribe, March 11-12, 2004

Spatial Analysis Techniques, August 18-19, 2004

Fire Regime Condition Class Training, September 8-11, 2004

Ecological Modeling Workshop (Dr. Starfield), March 14-18, 2005

Fire Regime Condition Class Training, September 8-11, 2005

ArcGIS 9.1, The Nature Conservancy, November 21-23, 2005

ArcGIS 9.1 for Society of American Foresters, March 31, 2006

GPS in theory and practice for the Umatilla Tribe, December 11, 2007

Working with Soil Data in GIS, Society of American Foresters, March 22, 2008


1.2 Disease mapping

The mapping of disease risk has a long history in public health surveillance. Disease maps provide a rapid visual summary of spatial information and allow the identification of patterns that may be missed in tabular presentations (Elliott and Wartenberg 2004) . Such maps are crucial for describing the spatial and temporal variation of the disease, identifying areas of unusually high risk, formulating etiological hypotheses, measuring inequalities, and allowing better resource allocation.

Disease risk estimates are based on information of the observed disease cases, the number of individuals at risk, and possibly, also covariate information such as demographic and environmental factors. Bayesian hierarchical models are used to describe the variability in the response variable as a function of risk factor covariates and random effects that account for unexplained variation. The use of Bayesian modeling provides a flexible and robust approach that permits to take into account the effects of explanatory variables and accomodate spatial and spatio-temporal correlation, and provides a formal expression of uncertainty in the risk estimates (Moraga 2018) . Bayesian inference can be implemented via Markov chain Monte Carlo (MCMC) methods or by using integrated nested Laplace approximation (INLA) which is a computationally effective alternative to MCMC designed for latent Gaussian models (Lindgren and Rue 2015) .

Health data are often obtained by aggregating point data over subareas of the study region such as counties or provinces due to several reasons such as patient confidentiality. Often, disease risk models aim to obtain low variance estimates of disease risk within the same areas where data are available. One limitation of this approach is that disease risk maps obtained at this resolution are unable to show how risk varies within areas which difficulties targeting health interventions and directing resources where they are most needed. A better approach is to use point data and build models that exploit correlation between nearby data points and include high spatial resolution covariates to produce disease risk estimates in a continuous surface (Moraga et al. 2017 Diggle et al. 2013) . Maps obtained with this type of models offer high spatial resolution estimates with which to more precisely implement public health programs where they can have the greatest impact.


Stiahni teraz!

Uľahčili sme vám hľadanie elektronických kníh vo formáte PDF bez akéhokoľvek kopania. And by having access to our ebooks online or by storing it on your computer, you have convenient answers with Gis Tutorial 2 Spatial Analysis Workbook Gis Tutorials Pdf. To get started finding Gis Tutorial 2 Spatial Analysis Workbook Gis Tutorials Pdf, you are right to find our website which has a comprehensive collection of manuals listed.
Naša knižnica je najväčšou z nich, v ktorej sú zastúpené doslova státisíce rôznych produktov.

Finally I get this ebook, thanks for all these Gis Tutorial 2 Spatial Analysis Workbook Gis Tutorials Pdf I can get now!

Nemyslel som si, že to bude fungovať, môj najlepší priateľ mi ukázal tento web a funguje to! Mám svoju najžiadanejšiu e -knihu

wtf tento skvelý ebook zadarmo ?!

Moji priatelia sú takí šialení, že nevedia, ako mám všetky vysokokvalitné ebooky, ktoré oni nevedia!

Získanie kvalitných elektronických kníh je veľmi jednoduché)

toľko falošných stránok. toto je prvý, ktorý fungoval! Veľká vďaka

wtffff, tomuto nerozumiem!

Stačí kliknúť na tlačidlo a potom stiahnuť a dokončiť ponuku na spustenie sťahovania e -knihy. Ak existuje prieskum, ktorý trvá iba 5 minút, vyskúšajte akýkoľvek prieskum, ktorý vám vyhovuje.


Computer science and GIS professionals.

@qu:"Spatial Databases covers all of the major themes of the field -- representation, query languages, computational geometry, spatial indexing -- using geographic information systems as the principal application domain and motivation. It is an excellent introduction for computer science professionals interested in exploring GIS, and an excellent resource for GIS professionals interested in learning more about the computer science foundations of the field."
@source:—Michael F. Goodchild, National Center for Geographic Information and Analysis, and University of California, Santa Barbara

@qu:"Spatial Databases is a well-written, comprehensive treatment of a multi-disciplinary field, spanning computational geometry, database modeling, object-orientation, and query processing. The book presents both advanced research and commercial systems in a clear and accessible manner. This book is essential for understanding the current state of the art. Well done!"
@source:—Professor Dennis Shasha, New York University


Pozri si video: ArcGIS Database 1 (Október 2021).