ДеМерс Майкл Н. Географические информационные системы. Основы

Подождите немного. Документ загружается.

классификации скажут, что — да. Насколько большой должна быть

увлажненная область, чтобы мы назвали ее мокрыми землями? Или мокрые

земли это там, где обитают водные (водоплавающие) птицы? А что, если

они появляются только в периоды миграции при смене времен года?

Все эти вопросы показывают, что то, как мы классифицируем вещи, имеет

много общего с тем, как мы на них смотрим, при каком разрешении или

масштабе, и как мы используем данные впоследствии. Способ

классификации влияет и на выбор средств наблюдения - наземных,

воздушных, космических. Классификации могут быть простыми, на основе

одного критерия, такого как тип ландшафта, или сложными, на основе

многих критериев (высота, количество осадков, экологическое

функционирование и т.д.). Некоторые классификации могут создаваться

комбинированием многих параметров разных покрытий. Способы

классификации одного набора покрытий могут полностью меняться в

зависимости от тех вопросов, которые мы хотим выяснить.

В этой главе вы познакомитесь с задачей классификации земли, которая

часто интересовала ученых, исследующих природу. Мы рассмотрим вкратце

некоторые системы классификации и некоторые базовые методы

классификации, которые могут использоваться в ГИС. Наконец, мы увидим,

как сами классификации могут быть разложены на составные части или

объединены с данными других покрытий для переклассификации того, что

мы имели вначале.

Число возможных методов классификации и переклассификации

бесконечно. Все они сильно зависят от потребностей пользователя, как и

работа всей ГИС в целом. Не зацикливайтесь на самих классификациях;

сейчас аргументы в пользу одной системы перед другой вам, как новичку в

ГИС,

не важны. Лучше потратьте время на общие методы классификации и

вопросы производительности. Это позволит вам в дальнейшем

приспособиться к любой среде и любой задаче.

ПРИНЦИПЫ

КЛАССИФИКАЦИИ

Классификация

—

одна из самых естественных вещей, которые делают

люди. Даже самые заурядные вещи подвергаются классификации. Мы носим

одежду различных типов, водим машины разных марок, имеем различные

категории занятости. Мы мужчины или женщины, члены той или другой

политической партии или независимые, взрослые, подростки или дети, и

т.д.

Используемые нами классификации приводят людей, места и вещи в

некоторую систему, которая дает нам понимание того, как они

функционируют: подобно другим членам своих групп и отлично от членов

других групп или классификаций, В этом - суть классификации.

Свойство людей создавать классификации давно распространяется на

анализ природных образований на земной поверхности. Многовековая

история картографии показывает, как люди группировали природные

образования по физическому типу (суша и воды), политическим

подраздедениям (государства), присутствию людей (обитаемые и

необитаемые). Веками эти классификации помещались на карты без

теоретического обоснования того, как они должны организовываться, и

учета влияния, которое они могут иметь на принимаемые решения.

Проблемы классификации были подробно исследованы лишь тогда, когда

была признана важность классификации содержимого карт как средства

принятия решений и научного инструмента

[Sauer,

1921].

Хотя интерес к

влиянию классификации территорий начал распространяться в начале 1900-

х годов среди организаций, управляющих природными ресурсами и

землеустройством, потребность в них возрастала параллельно с развитием

других технологий - спутникового ДЗ, компьютерной картографии, ГИС.

Благодаря способности этих систем поддерживать и обрабатывать большие

объемы пространственной информации, пришло время созревания интереса

к лучшему классифицированию участков земной поверхности. Сейчас, как

и тогда, важно, чтобы, иногда банальная, задача классификации не

принималась на веру, а рассматривалась в меру скептически из-за

потенциальных ограничений, которые накладываются

классифицирующими фильтрами на наши интерпретации и решения.

Классификация зависит от типов объектов, которые мы собираемся

группировать. Существуют раздельные классификации для растительности

[Kuchler,

1956],

почв [Soil

Survey

Staff,

1975],

геологических формаций и

увлажненных земель

[Cowardin

et al., 1979;

Klemas,

et al.,

1993],

сельского

хозяйства, землепользования и типов ландшафта

[Anderson

et al., 1976; U.S.

Geological

Survey,

1992].

Эти классификации могут быть простыми, как

классификация растительности на основе только видов растений, или они

могут быть более функциональными, как картографирование экосистем, а

не одной только растительности [U.S.

Department

Agriculture,

1993;

Walter

and Box,

1976].

Варианты классификации диктуются масштабом, когда,

например, растительность отображается не для малых регионов, а для целой

Земли

[UNESCO,

1973].'Или, система может быть целиком ориентирована

на полномочия определенной организации

[Klemas

et al.,

1993;Wilen,

1990].

Другие случаи классификации определяются больше техникой,

используемой для получения исходных данных, такой как спутниковое ДЗ

[Anderson

et al.,

1976].

Бывают и такие, которые адресованы известным или

предполагаемым взаимодействиям факторов, как показывает пример карт

физико-биологических комплексов, анализа потенциала земли или ее

пригодности для конкретных целей; эти классификации довольно похожи,

но отражают тонкие различия в том, как классификация должна

применяться. Физико-биологические комплексы используют комбинацию

пространственно упорядоченных проявлений биологических и физико-

географических феноменов, связанных, например, с почвами или

топографией, для оценки жизнестойкости природных систем. Анализ

потенциала территории чаще всего относится к ее способности поддерживать

жилищное строительство, сельскохозяйственную деятельность, дикую

природу и другие важные категории. Карты пригодности отражают области,

классифицированные не только по типам почв, но и по другим

биологическим и физическим характеристикам, они используются для

оценки пригодности соответствующих регионов для разнообразной

человеческой деятельности.

Все вместе, эти классификации и тысячи других, которые созданы и

которые создаются, имеют одну общую черту: все они учитывают целевую

аудиторию, или конечных пользователей. Пользователи одних

классифицированных наборов данных, таких как классификации

пригодности земли для одного типа землепользования, очень конкретны. В

других случаях карта будет использоваться гораздо более широкой

аудиторией. Система классификации растительности ЮНЕСКО

[UNESCO,

1973],

созданная до нашествия спутниковых техники, была разработана для

унификации классификаций растительности по всему миру, чтобы любой

человек на Земле, интересующийся растительностью, мог говорить о

растениях, используя единую базовую систему. Хотя этот широкий подход

к классификации может быть полезен как общий стандарт, его ценность как

средства для принятия решений в конкретных ситуациях ограничена.

Представляя некоторые особенности отдельных типов карт в Етаве 3, мы

отметили негибкую природу традиционных карт, созданных в рамках

парадигмы сообщения. Благодаря сегодняшним ГИС мы можем хранить

исходные данные, не подвергнутые классификации, и обрабатывать их в

соответствии с нашими потребностями. Это наиболее ценная сторона

классификации средствами ГИС: чем более точно ваша классификация

настраивается на нужды пользователей, тем более полезной она становится.

ГИС обеспечивают широкие возможности классификации и

переклассификации атрибутивных данных для достижения этого результата1

На самом

деле,

их работу можно отнести прежде всего к переклассификации,

так как данные, вводимые в ГИС, часто уже классифицированы. Оператор

ГИС либо использует существующую классификацию, либо перерабатывает

имеющиеся атрибуты для создания классификации, лучше соответствующей

поставленным вопросам или принимаемым решениям. Поэтому в остальной

части главы мы будем обозначать эту функцию как "переклассификация".

ПРОСТЕЙШАЯ ПЕРЕКЛАССИФИКАЦИЯ

Точки и линии могут переклассифицироваться простым

перекодированием атрибутов в их таблицах или перекодированием значений

ячеек растра для создания новых точечных или линейных покрытий. В этом

простом процессе пользователь меняет сами атрибуты и не более того.

Процесс - практически такой же при работе с площадными объектами в

растровых системах. Выбрав атрибуты нужных областей, вы просто

изменяете числа кодов или имена атрибутов для этих ячеек растра. В простых

растровых системах, где нет привязанных к растру таблиц атрибутов, вы

должны также изменить и легенду нового покрытия для отражения

изменившейся ситуации.

Хотя изменение кодов атрибутов в простых растровых системах - процесс

достаточно прямолинейный, он может представлять некоторые интересные

проблемы, главным образом вследствие порядка, в котором изменяются

числа. Допустим, например, что у нас имеется покрытие с кодами атрибутов

от

до 15, соответствующими сельхозкультурам. Пусть числа от

до 5 и 13

представляют зерновые, а остальные (от 6 до 12, атакже 14 и 15) - пропашные

культуры. Вам нужно создать карту с двумя только категориями: зерновые

(код 1) и пропашные (код 2). Вначале вы заменяете числа от 2 до 5 и 13 на 1

(саму единицу менять не надо), а затем числа от 6 до 12, 14 и 15

—

на 2.

Изменив легенду, вы получаете карту с зерновыми (1) и пропашными (2).

Теперь посмотрим, что получится, если мы сначала перенумеруем

пропашные, а зерновые

—

после. Вначале вы заменяете числа.от 6 до 12,14 и

15 на 2, а потом от 2 до 5 и 13

—

на 1. Но, присмотревшись, обнаруживаете,

что все двойки, полученные на первом шаге, превратились в единицы на

втором, то есть вся карта состоит из одних единиц. А это совсем не то, что

предполагалось сделать.

Хотя многие более совершенные растровые ГИС, отслеживая атрибуты,

помогут вам избежать проблем, подобных упомянутой, в простых системах

нужно проявлять осмотрительность при выполнении переклассификации.

Здесь можно предпринять две вещи. Первое, вы можете выбрать новые коды

атрибутов, не совпадающие с уже имеющимися в покрытии. Этот прием

полезен и в устранении путаницы в процессе первичной классификации.

Второй способ, посложнее, состоит в прослеживании, как перенумерация

воздействует на результат. Если вы видите, что порядок перенумерации

создает новые величины, которые будут изменены на следующем шаге, то

вы,

возможно, избежите проблем, выполняя процесс в обратном порядке.

Если вы все же запутались, используйте первый метод или систему, которая

отслеживает имена атрибутов или обрабатывает сами категории как имена

таблиц атрибутов, а не отображает пронумерованные коды для атрибутов.

В случае векторов процесс переклассификации требует изменения как

атрибутов,

так и

графики. Во-первых, надо удалить

все

линии, которые

разделяют

два

класса, которые должны быть объединены.

Эта

операция

называется растворением границ

(line

dissolve).

Затем атрибуты этих двух

полигонов переписываются для нового покрытия как единый новых атрибут

для обоих. Давайте рассмотрим очень простой пример наподобие

предыдущего,

но

имеющий дело только

двумя полигонами,

на

одном

пшеница,

на

другом

кукуруза (Рисунок

9.1).

Нашей целью является

создание одной категории под названием "зерновые культуры"

помощью

"растворения" (удаления) границы, разделяющей две исходные категории.

Мы помещаем вновь созданную категорию "зерновые" в таблицу атрибутов

и присваиваем

ее

новому, большему полигону. Теперь

мы

имеем новое

покрытие

только одним значением атрибута. Конечно,

большинстве

реальных случаев будет "растворено" гораздо больше границ

изменено

гораздо больше атрибутов,

но

процесс будет таким

же по

сути

как и в

этом

примере.

растровой,

и в

векторной переклассификации полигонов имеется

интересная особенность. В обоих случаях по окончании

мы

имеем меньшее

число категорий,

чем

имели вначале. Этот результат, называемый

агрегированием данных

(data aggregation), -

полезный

распространенный

вид переклассификации. Представьте,

как бы вы

разделили больший

полигон

на

части

пшеницей

кукурузой. Если

у вас нет

возможности

сравнить

эту

информацию

другим покрытием, найти разделительную

линию невозможно.

И,

конечно, если

вы

знаете,

где она

была,

то

вовсе

не

нужно выполнять анализа,

вы

можете просто использовать

это

покрытие

границей. Существуют полезные методы выделения большего количества

деталей

из

грубой полигональной информации.

Эти

методы требуют

сравнения двух

или

более покрытий

процессе, называемом наложением

(overlay),

который

мы

рассмотрим

Главе

12.

Зерновые

Растворение

границы

Рисунок 9.1. Переклассификация

растворение границ.

Пере классификация

через

объединение

категорий:

объединение

классов

"кукуруза"

"пшеница"

более

крупный

класс

"зерновые".

До

сих пор мы

рассматривали переклассификацию данных лишь

номинальной шкалы измерений. Нетрудно представить,

как

можно было

бы переклассифицировать данные других шкал. В картографических методах

это делается созданием диапазонов категорий данных, что часто называется

ранжированными

(range graded)

классификациями. Такой сценарий требует

от

нас

всего лишь перекодировать

эти

данные

на

основе классовых

интервалов,

которые они попадают.

И,

как

и в

случае данных номинальной

шкалы,

мы

просто перекодируем ячейки растра

или

выполняем замену

атрибутов

растворение границ. Одновременно мы можем также выполнить

такие операции, как упорядочивание ячеек растра или значений полигонов,

их инверсию

или

использовать иные преобразования, включающие

математические операции (умножение, деление

и т.д.) над

значениями

полигонов

участием других переменных.

При

этом процесс

по

сути таков

же,

как и в

случае

данными номинальной шкалы.

Все перечисленные до сих пор методы имеют одну общую черту. Процесс

переклассификации направлен

на

переименовывание полигонов

на

основе

значений атрибутов

на

их собственном месте. Это своего рода приземленный

взгляд,

котором каждый набор ячеек растра

или

каждый полигон

рассматривается как отчетливо индивидуальная сущность,

классификация

ограничена целевой областью,

—

как

в использовании начальных значений,

так

и в

самой переклассификации. Переклассификация

на

основе

атрибутивной информации

—

только один

из

четырех основных методов;

остальные основаны

на

информации

положении, размере

форме.

Впрочем,

эти

представления

не

выделяются как отдельные методы: все

они

часто комбинируются друг

другом

для

создания широкого разнообразия

методов переклассификации.

Мы

рассмотрим

их,

начиная

функций

соседства, затем рассмотрим различные типы, включая фильтры, двух

- и

трехмерные соседства

буферы. Читая, отметьте частые сходства между

этими методами, когда

они

применяются

различных обстоятельствах.

ОКРЕСТНОСТИ

Переклассификация

на

основе "негеометрических" атрибутов очень

полезна,

но она

ограничивает

нас

атрибутами

пределах каждого объекта.

Было

бы

замечательно, если

бы мы

могли классифицировать объекты

высоты птичьего полета. Другими словами, если

бы мы

могли пролететь

над

территорией,

то

могли бы узнать не только

существовании определенного

объекта,

но и о том, как он

расположен

по

отношению

другим. Такие

процедуры переклассификации основаны

на

идее харакгериЗования каждого

объекта

как

части большей окрестности

(neighborhood)

объектов.

Нам

свойственно более часто взаимодействовать

теми,

кто

находится ближе,

чем с теми, кто дальше. В некоторых случаях окрестности определяются

политическими или экономическими критериями.

Окрестности могут определяться в терминах объединяющего атрибута

всей области (такая классификация называется общим анализом соседства

(total

analysis

neighborhood)),

или фокус может быть направлен на меньшие

части всей территории (целевой анализ

(targeted

analysis))

[Star

and

Estes,

1990;

Tomlin,

1990].

Целевой анализ, также называемый непосредственной

окрестностью

(immediate

neighborhoods),

включает только места,

непосредственно прилегающие к целевой области или месту. Анализ общего

соседства, называемый также расширенной окрестностью

(extended

neighborhoods),

включает местоположения, которые находятся в

непосредственной близости, а также и удаленные на некоторое расстояние.

Хотя такое разделение функций соседства интеллектуально стимулирует и

довольно полезно для продвинутого ГИС-аналитика, на начальном уровне

оно может внести некоторую путаницу. Набравшись опыта и расширив свой

лексикон, вы можете обратиться к книге Томлин [Tomlin,

1990],

где дана

классификация функций соседства. А пока мы посмотрим на функции

соседства, имеющие дело с двух и трехмерными объектами. Мы сможем

разделить функции обоих этих типов на статические

(static

neighborhood

functions),

в которых анализ проводится сразу по всей выбранной целевой

области, и функции скользящего окна (roving

window

neighborhood

functions),

где анализ проводится только в рамках окна, которое перемещается по

покрытию. Мы встречали пример "оконной" функции в Главе 8, когда

характеризовали развитость границы области.

ФИЛЬТРЫ

Как мы видели в Главе 8, существуют функции, которые используют окно

переклассификации ячеек растра для определения развитости границы

области. Эти оконные функции называются также фильтрами, особенно

если само окно является матрицей чисел, которые служат операндами в

выражениях со значениями ячеек растра. Довольно часто этот метод

используется в обработке изображений дистанционного зондирования

[Lillesand and

Kiefer,

1995],

но имеет такую же применимость и в растровых

ГИС.

В частности, фильтры используются для выделения краев областей

или линейных объектов (фильтры высоких частот (ФВЧ) (high

pass

filters)),

усиления общих градиентов и устранения мелких флуктуации и шума

(фильтры низких частот (ФНЧ) (low

pass

filters)), или даже для подчеркивания

ориентации (анизотропные фильтры

(directional

filters)).

Фильтр высоких частот предназначен для выделения деталей в растровом

покрытии, которые могут быть незаметны из-за близлежащих ячеек растра,

содержащих относительно близкие значения. В дистанционном

зондировании эти значения показывают величину отражения

электромагнитного излучения. Однако, мы можем использовать

практически любые связанные с поверхностью данные. Допустим, что мы

заинтересованы в обнаружении мелких гребней в растровом

топографическом покрытии. Каждая ячейка растра содержит отсчет высоты,

и мы хотим подчеркнуть контраст между несколько более высокими

значениями для гребня и несколько более низкими значениями,

окружающими этот объект. Типичный метод для выполнения такой

фильтрации высоких пространственных частот состоит в том, чтобы создать

матрицу фильтра 3x3 с весовым коэффициентом 9 в центральной клетке и

минус

- во всех остальных. Этот фильтр помещается поверх каждой группы

ячеек растра 3x3 в нашем покрытии, и члены каждой пары соответствующих

ячеек растра и матрицы фильтра перемножаются.

То есть, значение высоты в центральной ячейке растра топографического

покрытия умножается на коэффициент 9, а все остальные значения

умножаются на минус 1. Затем, эти девять только что созданных

произведений суммируются для получения результирующего значения

центральной ячейки растра (Рисунок 9.2). Другими словами, эта одиночная

операция с двумя матрицами по девять чисел производит единственное

значение, которое помещается в центр нового покрытия.

Следующий шаг должен переместить фильтр на одну ячейка растра

вправо, так, чтобы центральная ячейка в топографическом покрытии была

теперь

(3,2).

Вычисления выполняются также, как и прежде, приводя к

новому значению ячейки

(3,2).

Процедура повторяется для всего покрытия,

так что в итоге в результирующем покрытии гребни видны гораздо лучше.

Поскольку края областей и линейные объекты имеют различные

ориентации (например, вы можете обнаружить какое-то число гребней,

связанных с некоторым геологическим циклом образования складок и

эрозии), иногда полезно согласовать фильтр с определенной ориентацией.

Например, если вы хотите выделить гребни, ориентированные с востока на

запад, вы должны использовать фильтр (размер матрицы оставим тот же), у

которого ячейки средней строки содержат положительные числа, а остальные

- минус 1. Для ориентации с северо-запада на юго-восток нужно сделать

положительными числа главной диагонали матрицы фильтра. То же

относится и к другим направлениям, то есть положительные числа

ориентированы в том направлении, которое вы желаете подчеркнуть.

Если вы хотите подавить более высокие пространственные частоты,

чтобы удалить не имеющие ценности топографические флуктуации, получив

таким образом покрытие, которое показывает топографию в более общем

(упрощенном, сглаженном) виде, вы можете использовать фильтр с меньшим

-1

-1 -1

-1

-1 -1

-1

Перемещаемая

матрица

фильтра

2 3

4 5

11 12

45 45

45 43 41

38 41

42 47

39 44 44 42

40 43

47 46

41 43

44 39

41 46 49 47

47 41

38 43

43 38

40 39

32 34

38 38

35 35

32 35 36 34

35 36 39

39 35 36

39 36

38 39 39

39 42

36 37

41 44

47 45

44 39 38

40 41

38 42 38

37 39

42 44 44

36 41

39 38

38 36 35

42 44

Исходные

значения

ячеек

Значения

ячеек

на

выходе

фильтра

3 4 5 6

9 10

12 13

45 56

27 59

119 145

26 64

48 47 8

10 29 25

18 57

55 45

31 32

63 59 46

7 21

20 53

79 63 87 57

5 26

62 57

71 76 32

6 7

79 49

-21 -59

41 42 26 6 11 15

41 47 23

33 40

8 39

16 28

53 30

51 47

9 27

46 45

27 54

41 12

27 60

11 -7

27 22 62

48 56

27 21

26 54

78 82

72 26

10 52

19 7

Заметьте,

что

некоторые

значения

стали

намного

больше

другие

намного

меньше

Рисунок 9.2. Фильтр высоких частот. Работа ФВЧ с использованием матрицы 3x3,

предназначенной для подчеркивания более высоких пространственных частот по

сравнению с более низкими.

различием коэффициентов. Наиболее распространен ФНЧ с матрицей 3x3,

все коэффициенты которой равны одной девятой (чтобы сумма по всем

ячейкам составляла единицу). В результате значения каждой ячейки будут

усреднены с соседними.

Хотя обычные методы фильтрации растра используют стандартные

матрицы 3x3 с "прошитыми" коэффициентами, нет необходимости к этому

привязываться. Большинство программ, выполняющих фильтрацию,

позволяют менять размер матрицы и значения коэффициентов. Чем больше

размер матрицы, тем большее пространственное усреднение можно получить

в случае ФНЧ, поскольку большее число ячеек принимают участие в

усреднении. В случае ФВЧ с ростом размера матрицы может быть получено

более качественное подчеркивание мелких деталей поверхности. Решение

использовать нестандартные размеры и коэффициенты часто возникает в

результате экспериментирования.

ОКРЕСТНОСТИ

Мы знаем, что ГИС должна быть способна измерять размер полигона,

или фрагментированного региона, составленного из нескольких полигонов.

Представьте, однако, что нас интересует только идентичность полигонов

региона в пределах некоторой окрестности или расстояния. Например, мы

изучаем распространение новых фермерских методов, чтобы увидеть, не

проявляется ли картина подражания, когда фермеры-традиционалисты

вооружаются новыми методами, внедренными их соседями. Допустим, нас

интересуют зоны использования так называемой нулевой обработки почвы

перед посевом. Вначале мы выбираем покрытие, показывающее только

места, где данный метод применяется. Затем мы устанавливаем примерный

радиус, в котором скорее всего может наблюдаться подражание. Мы можем

принять, что оно проявится только у непосредственных соседей, либо что

идея укоренится где-нибудь еще. В обоих случаях ГИС возьмет эту величину

и начнет просмотр во все стороны, пока не достигнет дистанции радиуса

поиска, наращивая по'пути объем применения метода (по сути, измеряя

площадь полигонов или их групп). В результате получаются малые, средние

и большие группы полей, на которых, по-видимому, используется эта новая

практика. ГИС обработала исходную территорию таким образом, что все

полигоны или ячейки растра, которые попадают в заданный радиус друг от

друга, получают один и тот же атрибут. Группы номеруются по порядку

обнаружения. Каждая может быть потом переклассифицирована в

соответствии со своим размером. Возможно, что мы придем к выводу, что

фермеры в больших группах соседства более общительны между собой, или

что сами фермы больше, или что эти фермеры знакомы с людьми из