Bài giảng Phân tích không gian I (Basic Spatial Analysis): Bài 7 - ThS. Nguyễn Duy Liêm

Chia sẻ: Bình An | Ngày: | Loại File: PDF | Số trang:31

Thêm vào BST

Báo xấu

7
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài giảng Phân tích không gian I (Basic Spatial Analysis) - Bài 7: Phân tích hình mẫu không gian. Những nội dung chính được trình bày trong chương này gồm có: Hình mẫu không gian là gì? (what is spatial pattern?), tại sao cần phân tích hình mẫu không gian (why analyze spatial pattern?), chỉ số nhận diện hình mẫu không gian toàn cục (global statistics to identify spatial patterns), chỉ số nhận diện phân cụm cục bộ (local statistics to identify clusters). Mời các bạn cùng tham khảo để biết thêm nội dung chi tiết!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Bài giảng Phân tích không gian I (Basic Spatial Analysis): Bài 7 - ThS. Nguyễn Duy Liêm

TRƯỜNG ĐẠI HỌC NÔNG LÂM TP. HỒ CHÍ MINH KHOA MÔI TRƯỜNG & TÀI NGUYÊN | BỘ MÔN GIS & TÀI NGUYÊN Phân tích hình mẫu không gian (Spatial pattern analysis) 1
Nội dung  Hình mẫu không gian là gì? (What is spatial pattern?)  Tại sao cần phân tích hình mẫu không gian (Why analyze spatial pattern?)  Chỉ số nhận diện hình mẫu không gian toàn cục (Global statistics to identify spatial patterns)  Hình mẫu của các vị trí (The spatial pattern of feature locations)  Hình mẫu của các thuộc tính (The spatial pattern of feature values)  Chỉ số nhận diện phân cụm cục bộ (Local statistics to identify clusters)  Phân cụm của các vị trí (The clusters of features)  Phân cụm của các thuộc tính (The clusters of similar values) Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 2
Hình mẫu không gian của mật độ (density), Hình mẫu không gian là gì? giá bán (value), tuổi (age) của nhà ở  Phân bố của các đối tượng theo vị trí hoặc thuộc tính trong một khu vực xác định sẽ tạo ra một hình mẫu không gian.  Phân tán (dispersed)  Ngẫu nhiên (random)  Phân cụm (clustered) Random features Random values Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 3
Phân loại hình mẫu không gian  Phân tán  Các đối tượng cách nhau khoảng cách gần như không đổi.  Ví dụ: Trồng cây con trong vườn ươm với khoảng cách đều.  Ngẫu nhiên  Phân bố đối tượng hoàn toàn không thể đoán trước: Vùng điểm dày đặc có thể nằm ngay cạnh vùng điểm thưa thớt.  Ví dụ: Giọt mưa rơi xuống mặt đất.  Phân cụm  Mộtsố đối tượng nằm gần nhau hơn nhiều so với các đối tượng khác, tạo ra các khoảng trống không gian.  Ví dụ: Trong rừng tự nhiên, cây con của một cây trưởng thành nằm rất gần cây mẹ, nơi hạt giống được gieo xuống và nảy mầm. Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 4
Tại sao cần phân tích hình mẫu không gian?  Hiểu rõ bản chất về một hiện tượng địa lý  Nghiêncứu hành vi của động vật Các nhóm cá thể phân cụm, nghĩa là loài hoang dã chỉ ra: đó cần các yêu cầu sinh cảnh cụ thể và chỉ sống ở những nơi có điều kiện sinh Các nhóm cá thể trong một khu vực bị cảnh phù hợp. phân tán, nghĩa là loài đó có thể sống trong nhiều sinh cảnh. Sinh cảnh của Le hôi miền Tây phân tán khắp Wyoming (một tiểu bang thuộc miền núi phía Tây của miền Tây Hoa Kỳ) Sinh cảnh của Le hôi cổ đỏ phân cụm Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 5
Tại sao cần phân tích hình mẫu không gian?  Theo dõi các điều kiện trên mặt đất Mức độ phân cụm của các khu vực bị chặt (màu xanh đậm) trong khu  Giám sát hoạt động khai thác gỗ rừng được đo lường để theo dõi sự Đo lường mô hình khai thác "chặt trắng" để đảm bảo tuân thủ pháp luật rằng còn đủ môi trường sống cho các cánh rừng tiếp giáp. Chỉ định mức độ cho phép của phân cụm các khu vực "chặt trắng" và sau đó thường xuyên đo lường mô hình để đảm bảo rằng mức độ đó không bị vượt quá. Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 6
Tại sao cần phân tích hình mẫu không gian?  So sánh các hình mẫu  So sánh các hình mẫu tội phạm như trộm đột nhập, tấn công, trộm ô tô. Nếu các tội phạm có dạng phân cụm, cơ quan điều tra có thể xác định các điểm nóng và làm việc với các nhóm cộng đồng để xác định các nguyên nhân tiềm ẩn. Nếu các tội phạm phân tán, có thể thực hiện một chương trình theo dõi toàn khu phố. Hình mẫu của trộm đột nhập Hình mẫu của tấn công Hình mẫu của trộm ô tô Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 7
Tại sao cần phân tích hình mẫu không gian?  Theo dõi biến động  Đo lường hình mẫu nơi các ca bệnh mới xuất hiện: Nếu hình mẫu trở nên tập trung hơn theo thời gian, nghĩa là căn bệnh đang lây lan chậm lại. Năm 1994, nhiều ca bệnh mới Năm 2003, số ca bệnh mới phân tán trên toàn tiểu bang. ít hơn và phân cụm lại. Số ca nhiễm AIDS mới trên 1.000 người Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 8
Chỉ số toàn cầu cho biết liệu có hình mẫu của tỷ lệ phần trăm Phương pháp phân tích hình mẫu không gian người cao tuổi hay không?  Chỉ số toàn cục  Trả lời câu hỏi "Các đối tượng có tạo thành một hình mẫu trên toàn vùng nghiên cứu hay không? Nếu có, Tỉ lệ % hình mẫu đó là gì?" người cao tuổi  Nhận diện, đo lường hình mẫu trên toàn vùng nghiên cứu.  Không chỉ ra hình mẫu cụ thể tại một vị trí cụ thể. Chỉ số cục bộ xác định các cụm có  Chỉ số cục bộ giá trị cao (cam) hoặc thấp (lam)  Trả lời câu hỏi "Các vị trí phân cụm nằm ở đâu?"  Nhận diện sự thay đổi hình mẫu trên vùng nghiên cứu.  Tập trung vào các đối tượng riêng lẻ và mối quan hệ của chúng với các đối tượng lân cận. Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 9
Chỉ số nhận diện hình mẫu không gian toàn cục  Hình mẫu của các vị trí  Hình mẫu của các thuộc tính  Được hình thành bởi các đối tượng  Được hình thành bởi các thuộc tính liên riêng biệt, chẳng hạn như điểm, đường kết với các đối tượng, chẳng hạn như hoặc vùng không liền kề. phân tích các khu vực tiếp giáp. Mật độ người cao tuổi (người/km²) Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 10
Hình mẫu của các vị trí  Nearest Neighbor Index (NNI) (Chỉ số láng giềng gần nhất)  Do hai nhà sinh thái học Philip Clark và Frances Evans phát triển vào những năm 1950 để định lượng các kiểu hình mẫu phân bố của các loài thực vật khác nhau.  Bước 1: Tính khoảng cách gần nhất cho mỗi đối tượng đến đối tượng lân cận,  Bước 2: Tính giá trị trung bình quan sát của các khoảng cách này.  Bước 3: Tính NNI là tỉ số giữa khoảng cách trung bình quan sát với khoảng cách trung bình kì vọng (phân phối ngẫu nhiên).  Bước 4: Đưa ra kết luận về hình mẫu dựa trên NNI: NNI < 1, hình mẫu phân cụm NNI = 1, hình mẫu ngẫu nhiên NNI > 1, hình mẫu phân tán NNI > 1: phân tán NNI = 1: ngẫu nhiên NNI < 1: phân cụm Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 11
13.200 m Phương pháp tính Nearest Neighbor Index  Cho các điểm A, B, C, D, E, F, G 10.560 m 1. Tính khoảng cách từ mỗi điểm đến các điểm khác, sau đó tìm khoảng cách ngắn nhất (ci) cho từng điểm. 2. Tính khoảng cách trung bình quan sát ഥ 𝒐 𝒅 𝒏 ഥ 𝒐 = σ 𝒊=𝟏 𝒄 𝒊 với n là tổng số điểm  (988 + 988 + 1725 + 1196 + 𝒅 𝒏 1196 + 2510 + 2309) / 7 = 1.558,86 Khoảng cách ngắn nhất (ci) 3. Tính khoảng cách trung bình kì vọng ഥ 𝒆 𝒅 ഥ𝒆 = 𝟎,𝟓 𝒅 với n là tổng số điểm, A là diện tích hình chữ nhật 𝒏/𝑨 𝟎,𝟓 bao quanh tập điểm  = 416,7 𝟕/(𝟏𝟑.𝟐𝟎𝟎∗𝟏𝟎.𝟓𝟔𝟎) ഥ𝒐 𝒅 4. Tính 𝐍𝐍𝐈 = ഥ𝒆  1.558,86 / 416,7 = 3,74 𝒅 5. Kết luận hình mẫu phân tán do NNI > 1. Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 12
Bài tập 1  Trong không gian Oxy (đơn vị: m), cho các điểm A (1,3), B (1,2), C (4,2), D (5,4), E (3,1), F (3,3), G (5,1). Sử dụng chỉ số Nearest Neighbor Index, xác định hình mẫu không gian (phân tán, ngẫu nhiên, phân cụm) của các điểm trên? Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 13
Bài tập 2  Trong mặt phẳng Oxy (đơn vị: m), cho lớp đường giao thông như hình vẽ. Sử dụng chỉ số Nearest Neighbor Index, xác định hình mẫu không gian (phân tán, ngẫu nhiên, phân cụm) của lớp đường trên? Y F 4 D FID Shape Đường giao thông 3 C 0 Polygon ABC E 1 Polygon BD 2 B 2 Polygon EF I J 3 Polygon GHIJ 1 0 G H A 1 2 3 4 X Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 14
Hình mẫu của các thuộc tính  Global Moran’s I  Do nhà khoa học thống kê Patrick Moran phát triển vào cuối những năm 1940.  Đo lường mức độ tương tự về giá trị của các đối tượng lân cận bằng cách so sánh giá trị của mỗi đối tượng với giá trị trung bình của tất cả đối tượng.  Công thức tính I: n σn σn wij (zi − z)(zj − z) i=1 j=1 ത ത I= n [σi=1 σn wij ] [σn (zi − z)2 ] j=1 i=1 ത n là tổng số đối tượng, I > 0: phân cụm wij là trọng số không gian giữa đối tượng i và j (1 khi đối tượng i và j tiếp giáp nhau, ngược lại là 0), zi, zj lần lượt là giá trị thuộc tính của đối tượng i, j,  ത là giá trị thuộc tính trung bình của tất cả đối tượng. 𝐳 Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 15
Ví dụ  Sử dụng Global Moran's I, xác định hình mẫu không gian (phân tán, ngẫu nhiên, phân cụm) của lớp độ cao như hình vẽ? 7 8 11 11 9 10 11 12 9 Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 16
zi zi - z ത Lân zj - z ത (zi - z) * ത cận zj (zj - z) ത Phương pháp tính Global Moran's I 1. Tính z (giá trị trung bình của tất cả pixel) = 9,778. ത 2. Tính zi − z (độ lệch giá trị của pixel i so với giá trị trung bình), ത zj − z (độ lệch giá trị của pixel j lân cận pixel i so với giá trị trung ത bình), (zi − z) ∗ (zj − z), σn σn wij (zi − z)(zj − z) = 𝟑, 𝟗𝟕𝟓. ത ത i=1 j=1 ത ത 3. Tính (zi − z)2 (bình phương độ lệch giá trị của pixel so với giá trị ത trung bình), σn (zi − z)2 = 21,556. i=1 ത n σn σn wij (zi − z)(zj −ത ) i=1 j=1 ത z 4. Tính σn σn wij = 40, n = 9, I = [σn i=1 j=1 n n ത 2 = 0,041 i=1 σj=1 wij ][σi=1(zi − z) ] 5. Kết luận: I ~ 0  hình mẫu ngẫu nhiên. 7 8 11 zi zi - z ത (zi - z)2 ത (w=3) (w=5) (w=3) 11 9 10 (w=5) (w=8) (w=5) 11 12 9 (w=3) (w=5) (w=3) σn σn wij = 𝟒𝟎. σn σn wij (zi − z)(zj − z) = 𝟑, 𝟗𝟕𝟓. i=1 j=1 i=1 j=1 ത ത Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn σn (zi − z)2 = 21,556 i=1 ത Phân tích không gian I 17
Bài tập 3  Sử dụng Global Moran's I, xác định hình mẫu không gian (phân tán, ngẫu nhiên, phân cụm) của lớp lượng mưa trong 3 trường hợp sau:  Trường hợp 1  Trường hợp 2  Trường hợp 3 7 8 6 9 6 10 9 8 6 10 14 7 7 14 7 10 7 6 6 11 9 11 6 8 11 14 7 Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 18
Hình mẫu của các thuộc tính  Getis-Ord General G  Do nhà khoa học vùng Art Getis và nhà thống kê Keith Ord vào đầu những năm 1990.  Đo lường mức độ tập trung của các giá trị cao (hot spots – điểm nóng) hoặc thấp (cold spots – điểm lạnh) trên toàn vùng nghiên cứu.  Công thức tính G quan sát: σn σn wij zi zj i=1 j=1 Go = , ∀j ≠ 𝑖 σn σn zi zj i=1 j=1 GoGe: phân cụm giá trị cao n là tổng số đối tượng, wij là trọng số không gian giữa đối tượng i và j  Công thức tính G kì vọng (1 khi đối tượng i và j tiếp giáp nhau, ngược lại là 0), (phân phối ngẫu nhiên): zi, zj lần lượt là giá trị thuộc tính của đối tượng i, j, σn σn wij i=1 j=1 j ≠ 𝑖 là đối tượng i và j phải khác nhau. Ge = n(n − 1) Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 19
Ví dụ  Sử dụng Getis-Ord General G, xác định khả năng tồn tại điểm nóng, điểm lạnh trong lớp độ cao như hình vẽ. 7 8 11 11 9 10 11 12 9 Copyright © 2024 | nguyenduyliem@hcmuaf.edu.vn Phân tích không gian I 20