Анализа просторног узорка

Важно је обогаћивање података. Пословна и образовна сарадња

Шта очекујемо да видимо током визуелизације података о локацији додавањем на мапу први пут? Прилично сам сигуран да је наш циљ да откријемо да ли постоје неки просторни обрасци: региони са већим и нижим интензитетом функција, кластери и одмаралишта, заједнички правци, неправилне путање, територије са вишим или нижим вредностима, итд. истражујте обрасце за које смо спремни да утврдимо значај значајки, изградимо предиктивне моделе и назовемо себе знанственицима.

Приступи који се користе за откривање образаца вриједе засебног чланка. Тренутно радим на томе и започећу га насловом „Престани користити топлотне мапе…“. Замислимо да је истраживач свестан алгоритама за анализу образаца и спреман је да иде дубоко у свет ГИС-а.

У овом ћу чланку споменути бодовну анализу узорака, приказати резултате алгоритама за анализу узорака и питања с којима би се професионалци који нису у ГИС-у суочени и описати сарадњу између бизниса и науке на развоју рјешења за тренутну неспособност софтвера.

Анализа узорка тачака. Кластери и интензитети интензитета

Започнимо с једноставним, али стварним случајем: истраживач има локације крађа (саобраћајне несреће, хитни позиви, твеетови, фотографије, гнезда птица или кућице дабра. Апсолутно било који тип података о локацији) у граду (парку , море, земља ... без обзира на све). Задатак истраживача је да истражи постоје ли неки просторни обрасци и разликује их ако постоје. Он или она је изградила мрежу преко подручја дистрибуције користећи специфичну величину ћелије како би избегла случајност. На следећем кораку, истраживач је пребројао број карактеристика унутар сваке ћелије и коначно покренуо анализу кластера и издатака и / или Хотспотс & Цолдспотс анализу, то зависи од стварног задатка.

Поред тога, он је водио ННА и квадратску анализу, тако да је истраживач прилично сигуран да су сада објекти класификовали дистрибуцију, а резултати показују ове кластере, као и оне који остају.

Анализа узорка крађе. Снимак екрана са Аспецтума

Рекао бих да је истраживач прилично задовољан резултатом. Довољно је добро започети истраживање непознатих особа, међутим, подручје које покривају гроздови високих и ниских вриједности је сулудо огромно. За људе који познају град, кластер високе вредности изгледа очигледно - то су стамбени и пословни простори. Кластер са малим вредностима (плави део) одговара шумама, рекама и индустријским областима.

У овом тренутку да би добио прецизније резултате за кластерисана подручја, истраживач одлучује да узме у обзир урбану класу током анализе података. Може помоћи у проналажењу кластера на сличним територијама: упоређивање расподјеле карактеристика унутар стамбених подручја одвојено од зелених или водених зона.

Дакле, замислите да истраживач није користио Аспецтум и суочио се са свим проблемима везаним за ГИС: схапефилес, пројекције, неспретни софтвер за радне површине, подручја дистрибуције векторских података, формула величине мреже, одговарајући алгоритми путем додатака или засебних екстензија (бтв, у случају да користећи Аспецтум, ради се само о необрађеним подацима).

Сада мора да изгради скуп података вектора класификације урбаних земљишта. Али како? Где можете пронаћи податке? Које зоне треба разликовати? Који су параметри за класификацију ове зоне? Како то аутоматизовати за даље задатке?

Пројекат. Када се посао и образовање обогаћују

Верујемо да је задатак компанија за развој софтвера да испоруче производ који је у стању да произведе вредне резултате без потребе да подучава циљну публику да ради. А у случају ГИС-а, обично је потребно 6 година студирања у средњој школи.

Аспецтум је одлучио да покрене пројекат за генерисање података о градској употреби за сва насеља у свету. Такав амбициозан циљ постао је занимљив нашим пријатељима и партнерима из Ривне Ноосфер Енгинееринг Сцхоол. Тим студената са софтверским инжењерингом, ГИС-ом, позадином урбаних студија и, пре свега, страст је организован под надзором предавача.

Како не постоји исправан приступ задатку, почели смо се развијати итерацијама, непрестано прегледавајући и расправљајући о резултатима. Овај чланак ће представити основну идеју имплементације пројекта и приказати резултате који су сада доступни за тестирање.

У следећим чланцима ћемо делити тестиране приступе, резултате који нису успели, идеје за побољшања и додатне функције имплементиране.

Концепт

Постоје огромни пројекти отвореног кода који се баве геопросторним подацима. Наш циљ је обједињавање података и начина на који их обрађујемо како бисмо добили најтачније и потпуније информације о одређеном подручју у насељима широм света. Само да појаснимо - ми се не бавимо врстама усева, већ се ради о идеји сличности утицаја на појаве и процесе који се одвијају на овим просторима. Како би стамбени простори могли бити потпуно различити у граду, морамо им доделити различите класе. С друге стране, не бавимо се зонирањем - нема потребе за комбиновањем малопродајних и пословних подручја у једну групу, као што није очигледно да ли има смисла одвајати образовање и медицину у смислу утицаја. о просторним обрасцима на овим просторима.

Тренутни резултати

Сада тестирамо МВП верзију производа, испоручујемо информације о 4 класе унутар подручја дистрибуције података. Идите на Аспецтум, додајте своје податке и покрените анализу Урбан Ланд Цлассифицатион. Обрада може потрајати, а и даље имамо низ ограничења, али алгоритам стално побољшавамо.

Проверите мапу са часовима на локалном и регионалном нивоу

Часови на локалном и регионалном нивоу. Снимак екрана са Аспецтума

Током задатка направљено је више дешавања, и ми их радо делимо. Погледајте нашу ГитХуб страницу, тамо стално ажурирамо и додајемо пројекте. осм2геојсон, наше последње ажурирање, чисто је Питхон решење за обраду података ОпенСтреетМап. Пратите Аспецтум да не пропустите следеће чланке.