تحلیل خوشه ای فضایی چند فاصله ای در GIS
سلام
در مباحث مرتبط با تحلیل آماره فضایی در GIS و در بخش تحلیل الگوها یکی از مهمترین ابزارها، تحلیل خوشه ای فضایی چند فاصله ای است.
برای استفاده از این ابزار می توانید از مجموعه جعبه ابزار Spatial Statistics در زیر گروه Analyzing Pattern ابزار Multi Distance Spatial Cluster Analysis را استفاده کنید.
از این ابزار برای تعیین خوشه بندی یا پراکندگی پدیده ها یا ویژگی عوارض در فواصل مختلف جغرافیایی استفاده می شود.
این تحلیل به تابع K Ripleys نیز معروف است که وضعیت الگوی فضایی پدیده ها را بررسی می کند.
نتیجه ای که ارائه می شود همانند شکل زیر خواهد بود که محور X فواصل را نشان می دهد و محور مورب وسط الگوی توزیع فضایی را نشان می دهد.
مراحل کار با ابزار تحلیل خوشه ای فضایی چند فاصله ای Multi Distance Spatial Cluster Analysis
ابتدا در این ابزار باید فاصله هایی که می خواهید خوشه بندی ها تعیین شود را معین کنید و در صورت نیاز می توانید فاصله شروع و اختلاف فاصله ها از یکدیگر را نیز مشخص کنید.
نتیجه باعث می شود به تعیین عوارضی همسایه ای که نزدیک تر از فاصله مورد ارزیابی هستند.
در واقع میانگین تعداد عوارض همسایه که به هم مرتبط هستند را تعیین می کند.
اگر فاصله ارزیابی زیاد شود، نتیجه افزایش تعداد همسایه ها خواهد بود.
چه زمانی باید گفت که توزیع داده ها در فواصل تعیین شده دارای خوشه بندی است؟
اگر متوسط تعداد همسایه ها برای فاصله مشخص شده بیشتر یا بزرگتر از متوسط تمرکز عوارض در کل محدوده مورد مطالعه باشد
نکات اساسی هنگام کار با تحلیل خوشه ای فضایی چند فاصله ای Multi Distance Spatial Cluster Analysis
این ابزار فقط برای نقشه های Project شده قابلیت استفاده دارد.
بهتر است این ابزار برای نقاط استفاده گردد.
اگر عارضه خط یا پلیگون باشد، برای تحلیل از مرکز عوارض استفاده می گردد.
تعیین محدوده مورد مطالعه در این ابزار بسیار کاربردی است، اندازه این محدوده نقش بسیار مهمی در تعیین الگوی خوشه ای و پراکنده دارد.
خروجی این ابزار به صورت یک نمودار و یک جدول اطلاعاتی است.
در نتایج مقدار ExpectedK همیشه برابر است با مقدار فاصله.
۲ فیلد LowcontEnv و hicontEnv بیانگر فواصل افزایشی برای هر تکرار است که در کادر number of distance bands وارد کردید.
نتایج:
مقدار Observered k برای مقدار k مشاهده شده
K expected برای مقدار قابل انتظار
فیلد diff k بیانگر تفاوت دو مقدار قبلی است
اگر مقدار Distance band تعریف شود، دو فیلد جدید lwcontenv و hicontenv ایجاد می گردد.
اگر منحنی مشاهده بالاتر از منحنی مورد انتظار باشد یعنی خوشه بندی وجود دارد.
در جدول اطلاعاتی اگر مقدار k مشاهده شده بزرگتر از k مورد انتظار در یک فاصله باشد یعنی عوارض در آن فاصله خوشه بندی هستند تا اینکه پراکنده باشند.
اگر مقدار k مشاهده شده در جدول اطلاعاتی بزرگتر از hicontEnv باشد یعنی خوشه بندی فضایی در این فاصله معنی دار است. اما اگر کوچکتر باشد یعنی معنی دار نیست.
اگر مقدار k مشاهده شده در جدول اطلاعاتی کوچکتر از lowcontEnv باشد یعنی خوشه بندی فضایی در این فاصله معنی دار است. اما اگر بزرگتر باشد یعنی معنی دار نیست.
درباره آسام
آکادمی سامانه اطلاعات مکانی یک مرجع تخصصی و کاربردی برای آموزشهای GIS و RS است.
نوشته های بیشتر از آسام
دیدگاهتان را بنویسید