Тикунов В. С. Геоинформатика. Специализированный анализ

Скачать полную версию учебника (с рисунками, формулами, картами, схемами и таблицами) одним файлом в формате MS Office Word Скачать книгу

Специализированный анализ. Далеко не все ГИС снабжены возможностями специализированного анализа, например, ориентированного на вопросы собственно экологии, геологии или географии. Связано это с тем, что четкой схемы проведения таких работ не существует и организации, занимающиеся ими, предпочитают производить анализ по собственным методикам и правилам. Работа со специфическими данными является характерной чертой этого типа анализа. Кроме того, нельзя не учитывать, что взгляды на приемы его ведения могут меняться с течением времени. Поэтому такие возможности в ГИС зачастую дополняются средствами создания приложений самими пользователями. Однако некоторые фирмы, такие, как Intergraph Corp., ESRI, Inc., предоставляют пользователям возможность укомплектовать систему фирменными модулями, реализующими специализированные анализы, в частности геологический и геофизический, гидрогеологический, экологический и др. В пакет фирмы Intergraph Corp., посвященный геологическому анализу, входят: работа с сейсмическими данными, анализ геологического разреза, интерпретация геофизических данных и т. п.
Рассмотрим методы пространственного анализа, применяемые в науках о Земле, которые пользователь ГИС в настоящее время не сможет реализовать, используя средства известных ГИС. Их набор нельзя определить однозначно. Исследователи обычно сами, в зависимости от целей, отбирают свою группу методов, система которых, на их взгляд, дает достаточно полную реализацию целей пространственного анализа. В целом же наиболее широко используются разработки, базирующиеся на математической статистике. На них приходится не менее 80% всех специализированных алгоритмов. Вначале специалистам, занимающимся наукой о Земле и обществе, — экологам, географам, геологам, почвоведам, экономистам и другим, было достаточно простого статистического анализа пространственно-распределенных данных — вычисление средних квадратических отклонений, дисперсии, коэффициентов вариации, оценки согласия распределений с помощью критериев Пирсона (х2), А.Н.Колмогорова, расчеты прямолинейной и нелинейной корреляции, корреляционных отношений, различных видов регрессий и др. Несколько позднее они обратились к дисперсионному и дискриминантному анализу, а также к анализу временных рядов.
Но особенно широкое распространение получили статистические модели снижения размерности многомерных массивов географических данных — факторный анализ и метод главных компонент. Например, только в книге В.М.Жуковской и И.Б.Мучника [1976] приводятся десятки направлений применения данных методов. Не менее популярны алгоритмы классификации географических объектов на основе комплексов характеризующих их показателей, которые будут рассмотрены в следующем подразделе.
Среди всего многообразия алгоритмов встречаются как неконтролируемые (называемые также автоматическими, или «без учителя»), так и контролируемые («с учителем») классификации которые позволяют «обучать ЭВМ» на отобранных эталонах любым принципам группировки изучаемых объектов с последующей дифференциацией всей их совокупности по тем же критериям которые могут быть даже интуитивными, неформализованными! В географии все модели классификации (как неконтролируемые так и контролируемые) разделяются на подвиды. Так, для типологии географических объектов по комплексу показателей пригодны модели, учитывающие гомогенность объединяемых в одну группу территориальных единиц. Для оценочной классификации наряду с условием гомогенности необходима иерархическая упорядоченность между собой формируемых групп.
В некоторых случаях типологические, или оценочные, характеристики служат основой для районирования. «Районирование отличается от географической дифференциации тем, что оно означает "разбиение" целого на целостные же части, объединяемые взаимными связями... В отличие от ареала район внутренне неоднороден, так как для него всегда характерна та или иная внутренняя территориальная организация, тогда как для ареала типично лишь состояние внутренней однородности» [Ю. Г. Саушкин, 1973. — С. 415]. Районирование до последнего времени выполнялось вручную на уровне логических обобщений, формализовать весь комплекс которых пока не представляется возможным, но отдельные требования легко выполнимы. Так, уже давно созданы алгоритмы, выполняющие условия выделения территориально нерасчлененных группировок территориальных единиц с использованием матриц соседства.
Достаточно широко распространилось имитационное моделирование. Хорошим и простым примером может служить имитация развития системы населенных мест [И. С. Матлин, 1971]. В основу эксперимента закладывались правила развития системы и на ЭВМ «проигрывались» пути их реализации с помощью алгоритма статистических испытаний (метода Монте-Карло). Результат, полученный И. С. Матлиным, не только имитирует сеть поселений, но и подчеркивает их иерархию, связанную с основным положением теории центральных мест.
Можно привести ряд других примеров, связанных с имитацией пространственного распространения болезней, эпидемий и т. п. Для этих целей применяются различные модели: от имитации эпидемии простыми гравитационными моделями, созданными по аналогии с моделями тяготения Ньютона [В. С.Тикунов, 1981, 1997], до использования систем обыкновенных дифференциальных уравнений, имитирующих пространственно-временное распространение эпидемий. Однако наиболее часто для этих целей применяется метод Монте-Карло.
Метод Монте-Карло заключается в следующем. Исследуемое явление представляется как некая абстрактная система, которая может находиться в нескольких различных состояниях. При этом считается, что нахождение системы в каком-либо из состояний случайно и вероятность этого факта подчиняется определенному закону распределения, который характеризует как саму систему, так и связи между различными ее состояниями. С помощью таблиц случайных чисел или датчиков псевдослучайных величин моделируются конкретные реализации состояний для исследуемой системы. Обрабатывая полученную таким образом информацию о системе методами математической статистики, получают требуемые численные результаты.
Широко используются оптимизационные модели. Часто применяется транспортная задача линейного программирования. В этом случае решается проблема минимизации издержек по перевозке продукции из множества источников в ряд мест назначения. Также широко применяются модели для оптимизации размещения производства, сетей школ и т.д., велик круг примеров оптимизации трасс перемещений между центрами (см., например, [П.Хаггет, 1968]).
Последним, на что следует обратить внимание, является разработка так называемой географизированной математики. В этой перспективной области исследований также прежде всего стали разрабатываться проекты «пространственной статистики» [Ж. Матерой, 1968; Л.И.Василевский, П.М.Полян, 1977; D.S.Neft, 1966; D.A. Griffith, 1987], учитывая неприспособленность традиционной статистики для учета взаиморасположения явлений в пространстве.

Можно привести еще ряд методов, перспективных для экологических и географических исследований. Здесь рассмотрим лишь пять таких методов, каждый из которых обладает широкими возможностями в области формализации и моделирования.
1. Метод размытых (нечетких) множеств — метод «размытой» классификации, в которой каждый из показателей характеризуется различной степенью принадлежности ко всем классам. В широком смысле применим для моделирования процессов взаимодействия в условиях размытости географического пространства.
2. Метод нейронных сетей — самообучающая система, позволяющая классифицировать многомерные явления при недостаточной, а в ряде случаев и искаженной информации. Метод позволяет выделить и моделировать различные ситуации, оценивать время их «жизни» и давать прогностическую картину развития.
3. Метод теории хаоса — позволяет определить, насколько хаотичное поведение отдельных звеньев пространственных структур способно повлиять на пределы нормальных вариаций их параметров.
4. Метод теории катастроф — один из основных для изучения прерывных изменений, качественных скачков, позволяет оценить не только стабильность форм, но и их появление, развитие и исчезновение
5. Метод фрактального анализа — удобный инструмент для описания и моделирования географических процессов и явлений, порождающих структуры, обладающие в полной мере свойствами самоподобия и представляющие сходные закономерности в различных пространственных и временных масштабах.

Скачать полную версию учебника (с рисунками, формулами, картами, схемами и таблицами) одним файлом в формате MS Office Word Скачать книгу