تحلیل مکانی: پردازش داده ها و موارد استفاده

اولین تلاش ها برای تجزیه و تحلیل داده های مکانی به دهه 1960 برمی گردد و متعلق به کانادا است. اولین هدف برای کاربردهای GIS ، سیستم سازی منابع طبیعی کشور بود. تجزیه و تحلیل فضایی در GIS از آن زمان در سراسر جهان گسترش یافته است. دشوار است تصور کنید یک کارآفرین یا یک ابر صنعت که از ارجاع جغرافیایی به این یا آن راه بهره مند نباشد.

تجزیه و تحلیل فضایی اجازه می دهد تا تعیین کنید آیا منطقه انتخاب شده برای فعالیت های خاص تجاری مناسب است ، تشخیص تغییرات ، شناسایی تمایلات ، ارزیابی خطرات ، ترسیم نتایج احتمالی و جلوگیری از ضرر و زیان.ابزارهای به روز و تکنیک های تحلیل مکانی تجزیه و تحلیل دقیق تری نسبت به دهه های گذشته ارائه می دهند.

تحلیل مکانی چیست؟

تجزیه و تحلیل مکانی-مکانی فرآیندی از تفسیر ، اکتشاف و مدل سازی داده های GIS ، از دستیابی به درک نتایج است. اطلاعات بازیابی شده توسط کامپیوتر با نرم افزار تحلیل مکانی پردازش می شود و بسته به تعداد وظایف و پیچیدگی آنها متفاوت است. ساده ترین روش تجسم است ، در حالی که یک رویکرد دقیق تر ، تجزیه و تحلیل جامع با ابزارهای خاص برای توضیح بینش عملی را نشان می دهد.

نمونه هایی از تجزیه و تحلیل مکانی شامل اندازه گیری فاصله و شکل ها ، تعیین مسیرها و ردیابی حمل و نقل ها ، ایجاد ارتباط بین اشیا ، رویدادها و مکان ها از طریق ارجاع مکان آنها به موقعیت های جغرافیایی (اعم از زنده و تاریخی) است.

به طور معمول ، تجزیه و تحلیل فضایی شامل پنج مرحله اصلی است : درک هدف شما ، تهیه داده ها ، انتخاب ابزارها و تکنیک های مناسب ، انجام تحقیق و برآورد نتایج.

بنابراین ، اول از همه ، مهم است که بفهمید چه علاقمند هستید بدانید. مورد بعدی انتخاب روشهای تجزیه و تحلیل مکانی مربوطه برای دستکاری و تفسیر داده ها خواهد بود. با دانستن اینکه می خواهید چه چیزی بدست آورید ، می توانید تکنیک های تحقیق را متناسب با نیازهای خود تنظیم کنید. پس از تعیین ، مرحله بعدی تجزیه و تحلیل مکانی – پردازش و تفسیر داده ها را آغاز می کنید. آخرین ، شما نتایج را تخمین می زنید تا مشخص کنید که آیا به هدف خود رسیده اید یا نه.

تجزیه و تحلیل فضایی در GIS: اهداف خود را تنظیم کنید

ویژگی عجیب تحلیل و مدل سازی فضایی GIS ، انعطاف پذیری آن است. می توانید هر تعداد لایه را که دوست دارید مطابقت دهید و بر این اساس نتایج متفاوتی بگیرید.

دامنه این برنامه ها شاخه های مختلفی از جمله کشاورزی ، جنگلداری ، علوم دریایی ، نفت و گاز ، معدن ، جمعیت شناسی ، اقتصاد را شامل می شود. به طور خاص ، تجزیه و تحلیل فضایی برای کشاورزی ، تراکم پوشش گیاهی ، درجه رطوبت خاک و دمای خاک ، وضعیت محصول و غیره را تعریف می کند . این کشاورزان را قادر می سازد منابع را به کارآمدترین روش (مانند توزیع کم مواد شیمیایی) اختصاص دهند. در جنگلداری ، تجزیه و تحلیل داده های مکانی به تشخیص جنگل زدایی و پیش بینی آتش سوزی توسط دمای بحرانی کمک می کند.

اقیانوس شناسان با تکیه بر نتایج تجزیه و تحلیل مکانی ، نشت نفت را شناسایی می کنند و جمعیت شناسان می توانند در مورد کافی بودن نهادهای آموزشی و بهداشتی برای تأمین نیازهای جمعیت منطقه مورد مطالعه تصمیم بگیرند.

با تجزیه و تحلیل داده های مکانی در GIS ، متخصصان لجستیک سریعترین یا ایمن ترین مسیرها را ایجاد می کنند ، خرده فروشان از بهترین مکان فروشگاه دیدن می کنند و تیم های نجات کمک را به مناطق آسیب دیده اختصاص می دهند.

برای س questionsالات پیچیده در تجزیه و تحلیل مکانی ، تقسیم آنها به سوالات خاص تر مهم است . با پاسخ دادن به هر یک از آنها مرحله به مرحله به هدفی خواهید رسید.

به عنوان مثال ، یک صاحب فروشگاه زنجیره ای ممکن است علاقه مند باشد: “بهترین مکان برای یک فروشگاه جدید در LA چیست؟” این پرس و جو می تواند شامل چندین مورد جزئی باشد:

• چه تعداد از رقبا خدمات یکسانی را در LA ارائه می دهند؟
• مشتریان هدف در چه مناطقی از LA زندگی می کنند؟
• این جمعیت در مناطق مورد سوال چقدر است؟
• آیا مغازه های رقبا به طور مساوی توزیع می شود؟
• آیا مناطقی با فروشگاه های دور وجود دارد که خدمات یکسانی را ارائه دهند؟
• درآمد متوسط ​​در مناطق LA که مشتریان بالقوه در آن زندگی می کنند چقدر است؟

تجزیه و تحلیل داده های مکانی: آنچه برای شروع مناسب نیاز دارید

برای انجام تحقیقات تحلیلی فضایی موفق ، تهیه همه چیز از قبل مهم است. بنابراین ، اطمینان حاصل کنید که تمام داده های مورد نیاز برای معاینه را در اختیار دارید و محتوای مورد نیاز خود را اصلاح کنید. پیش پردازش در تجزیه و تحلیل مکانی ممکن است معمولاً به مراحل مقدماتی مانند اصلاح هندسی و طیفی ، اصلاح رادیومتریک اثرات جوی ، بازگرداندن پیکسل از دست رفته ، کنتراست و فیلتراسیون نیاز داشته باشد.

تصحیح هندسی

اصلاح هندسی برای تجزیه و تحلیل داده های مکانی به دلایل مختلفی که برای انواع مختلف تصاویر ماهواره ای متفاوت است ، مرجع جغرافیایی تصاویر و بهبود اختلاف هندسی را نشان می دهد .

سطح زمین یکنواخت نیست . با توجه به شکل کروی آن ، دقیق ترین عکس های گرفته شده در nadir (خط اسکن مرکزی) است. به همین ترتیب ، موقعیت دورتر از نادر شامل تحریفات بیشتری است.

منحنی های برجسته نیز بر دقت تصویر تأثیر می گذارند . با این حال ، فاصله زیاد بین مدار ماهواره و زمین اثر را نرمتر می کند ، بنابراین در تحلیل های مکانی ، معمولاً نادیده گرفته می شود. موارد استثنایی مناطق مرتفع ، به عنوان مثال ، مناطق کوهستانی است.

جنبه مهم دیگر در تحلیل فضایی این است که سیاره ما دائماً به دور مدار خود و به دور خورشید در حال حرکت است . هر دقیقه 0.25 موقعیت خود را تغییر می دهد و این چرخش بر تمرکز تأثیر می گذارد. علاوه بر این ، ماهواره به نوبه خود به دور زمین می چرخد ​​و کیفیت تصویر را نیز چرخانده است.

تصحیح طیفی

تصاویر ماهواره ای در ابتدا دارای مقادیر روشنایی به اصطلاح “خام” (اعداد دیجیتال) است. این قالب داده اجازه مقایسه صحیح تصاویر بازیابی شده از منابع مختلف را نمی دهد. به همین دلیل ، تصحیح طیفی (یا رادیومتریک) در تجزیه و تحلیل مکانی برای تنظیم اعداد دیجیتال به واحدهای معنادار فیزیکی ، یعنی بازتاب سطح واقعی یا مقادیر انتشار اعمال می شود.

تصحیح اتمسفر رادیومتریک

کیفیت تصویر همچنین به شرایط جوی بستگی دارد که سیگنال را هم از سنسور و هم از هدف ضعیف می کند . پراکندگی ناشی از ذرات معلق در هوا (گرد و غبار ، غبار ، مه ، دی اکسید کربن ، متان و غیره) در کنار جذب تشعشع و پوشش ابر از مهمترین عواملی است که بر روشنایی پیکسل تأثیر می گذارد و بنابراین نیاز به تنظیم اضافی دارد.

روش های مختلفی برای کاهش اثرات جوی در تجزیه و تحلیل مکانی وجود دارد ، به عنوان مثال ، محاسبات مبتنی بر تصویر یا مدل سازی . تکنیک های ریاضی به معنای مدل سازی شرایط مختلف جوی بسته به فصل ، شرایط آب و هوایی ، آئروسل ها و غیره است.

علاوه بر این ، ویژگی های نوری بدن آب شبیه خصوصیات اجسام کاملا سیاه در نوارهای قرمز و مادون قرمز است. با آگاهی از آن ، یک متخصص تجزیه و تحلیل فضایی می تواند ابرها و مه را در پس زمینه دریایی تشخیص دهد.

بازسازی Pixels موجود نیست

برخی از اطلاعات لازم برای تجزیه و تحلیل فضایی ممکن است به دلیل خطاهای سیستم در هنگام دستیابی یا انتقال داده ها ، مقادیر اضافی و غیره وجود نداشته باشد. رایج ترین روش بازسازی خطوط افتاده برای تجزیه و تحلیل داده های مکانی نشان می دهد که پیکسل را از خطوط همسایه بگیرید یا میانگین این دو را بسازید . حتی جایگزینی به معنای خطاهای خاصی است ، تفسیر بیشتر تصویر را تسهیل می کند.

تقویت کنتراست تصویر

کنتراست در عکاسی تفاوت در حداقل و حداکثر درخشندگی ، یا روشنایی و اشباع رنگ است که به شما امکان می دهد شی و خطوط آن را در برابر پس زمینه تشخیص دهید . کنتراست کم یک مسئله معمول برای حل است. به طور خاص ، می توان با رمزگشایی تصاویر بصری ، کانتورهای مربوط به آنالیز و مدل سازی فضایی را ترسیم کرد.

پردازش تصویر دیجیتال برای افزایش کنتراست در تجزیه و تحلیل فضایی شامل تکنیک های زیر برای تغییرات هیستوگرام است:

• انبساط خطی مقادیر جدیدی را برای پیکسل های تصویر ورودی ایجاد می کند که دامنه مقدار را گسترش می دهد.
  
• نرمال سازی در تجزیه و تحلیل داده های مکانی در GIS ، فشرده ترین منطقه هیستوگرام را گسترش می دهد.
  
• برابری ، میزان روشنایی پیکسل را اصلاح می کند تا تعداد آنها در هر سطح روشنایی برابر یا مشابه شود.

فیلتر کردن تصویر

فیلتر کردن در تجزیه و تحلیل داده های مکانی اشیا required مورد نیاز را مشخص می کند و با استفاده از تغییرات پنجره کشویی با محاسبه مجدد مقادیر پیکسل موجود و اختصاص مقادیر جدید ، صداها را کاهش می دهد . مقادیر جدید توابع ریاضی از پیکسل های همسایه ایجاد می شوند. ضرایب فرمول به وظایف رمزگشایی بستگی دارد. این پنجره ممکن است شامل 3 × 3 یا 5 × 5 پیکسل باشد و با یک پیکسل حرکت کند تا زمانی که کل تصویر پوشانده شود.

جدا از شفاف سازی و حذف نویز ، از روش فیلتر برای صاف کردن و لبه بندی کانتور استفاده می شود.

خود را به تکنیک های مناسب تحلیل مکانی مجهز کنید

یک مزیت قابل توجه در تصاویر دیجیتال ، امکان پردازش رایانه ای آن است که می تواند نه تنها برای تهیه داده ها ، بلکه ارائه تجزیه و تحلیل فضایی مناسب باشد. در حالت ایده آل ، کل فرآیند تحلیلی توسط یک ماشین خودکار انجام می شود و تکمیل می شود. با این حال ، به ندرت به طور عملی اتفاق می افتد. در بیشتر موارد ، ابزارهای خاص تحقیقات دانشمند را تسهیل می کنند.

تغییر رنگ

یک کانال منفرد از تصاویر چند طیفی با رنگ خاکستری نمایش داده می شود. فقط در ترکیب سه کانال از جمله قرمز ، سبز و آبی (به اصطلاح مدل RGB) رنگارنگ می شود. در تجزیه و تحلیل داده های فضایی ، بسته به اینکه کانال های RGB همزمان هستند یا باند های دیگر جایگزین می شوند ، می توان تصویر را با رنگ های طبیعی یا کاذب ارائه داد .

زنگ های غالب بر اساس میزان روشنایی کانال تعیین می شوند. به عنوان مثال ، مقادیر بالای پیکسل برای کانال R بیشتر رنگ های مایل به قرمز دارد. به همین ترتیب ، روشنایی غالب کانال G باعث ایجاد سایه های سبز می شود.

در حالی که شناسایی اشیا in در رنگ های طبیعی آسان تر است ، اما تصاویر با رنگ کاذب در تجزیه و تحلیل داده های مکانی می توانند بین آنها تفکیک کرده و خطوط کلی آنها را مشخص کنند.

تصاویر نمایه شده

روش تصاویر نمایه شده از محاسبه مجدد مقادیر روشنایی برای هر پیکسل در کانال های مختلف با عملیات ریاضی ثابت استفاده می کند . به این ترتیب ، پیکسل ها برای تجزیه و تحلیل نه در روشنایی مطلق خود نشان داده می شوند بلکه مقادیر نمایه شده جدیدی را با توجه به ماتریس colormap به آنها اختصاص می دهند. نمایه سازی اشیا target مورد نظر را برجسته می کند و تحقیقات را ساده می کند.

تجزیه و تحلیل اجزای اصلی

تکنیک تجزیه و تحلیل م componentsلفه های اصلی داده های چند طیفی را با هم مرتبط می کند ، که این بدان معناست که روشنایی بیشتر در یک باند شامل روشنایی بیشتر در باند های دیگر نیز می شود.

این روش تجزیه و تحلیل داده های فضایی اجازه دستکاری های زیر را می دهد:

• ایجاد یک تصویر خروجی با سه م componentsلفه اصلی در سه باند و بیشتر که اجزای جزئی را نادیده می گیرند و در نتیجه صداها را از بین می برد.
• افزایش اشیا distinguished مبهم متمایز در تصاویر فضایی تک جزئی
• مقایسه سری تصاویر فضایی گرفته شده در چارچوب های زمانی مختلف برای درک پویایی و تغییرات ؛
• کاهش اندازه داده های مکانی با حداقل اطلاعات از دست رفته.

اختلاط طیفی

روش داده شده برای پیش پردازش در تجزیه و تحلیل فضایی برای تعریف اهداف بسیار کوچکتر از اندازه پیکسل در تصاویر با چندین شی کاربرد دارد . در این حالت ، یک تحلیلگر داده های بازیابی شده را با ثبات های موجود موجود در طیف خالص مقایسه اختلافات کمی بین یک طیف خالص و مخلوط های مختلف برای هر طیف پیکسل مقایسه می کند. تصویر بدست آمده امکان تشخیص عنصر اصلی را از طریق رنگ آمیزی فراهم می کند.

طبقه بندی ها

طبقه بندی در تجزیه و تحلیل مکانی ، رمزگشایی تصاویر رایانه ای یا پیکسل خودکار است که برای تفکیک اشیا در کلاسهای خاصی طبقه بندی می شود (از این رو نام تکنیک از آن گرفته می شود). طبقه بندی را می توان با داده های آموزشی و بدون آن انجام داد.

طبقه بندی با داده های آموزش

این نوع طبقه بندی در تجزیه و تحلیل فضایی به مقایسه روشنایی پیکسل با نمونه های خاص متکی است . با تجزیه و تحلیل مکاتبات ، اپراتور می تواند اشیا particular خاص را به مناسب ترین کلاسها ارجاع دهد (به عنوان مثال ، در تصاویر شهری می تواند ساختمان ، جاده ، پوشش گیاهی وجود داشته باشد). این روش در صورت شناخته شدن اجزای منظره کار می کند ، تعداد آنها کمتر از سی عدد است و به راحتی بر روی تصویر فضایی قابل تشخیص هستند.

پرکاربردترین تکنیک های تحلیل مکانی از این نوع طبقه بندی شامل:

• روش زاویه طیفی در تجزیه و تحلیل فضایی برای طبقه بندی اشیا with با مقادیر روشنایی مشابه اعمال می شود.
  
• هنگامی که مقیاس های روشنایی با هم تلاقی ندارند ، طبقه بندی موازی در تجزیه و تحلیل فضایی استفاده می شود.
  
• حداقل برآورد فاصله در تجزیه و تحلیل مکانی هنگام تقاطع مقیاس روشنایی کار می کند.
  
• فاصله Mahalanobis در مقایسه با روش قبلی اندازه گیری دقیق تری را در فضای چند متغیره فراهم می کند.
  
• برآورد حداکثر احتمال بر اساس محاسبات حداکثر احتمال ، شی را به گروهی تراز می کند. وقتی مقیاس های روشنایی با هم تداخل می کنند و شکل پیچیده ای دارند ، از این روش در تحلیل داده های مکانی استفاده می شود.
  
• تقسیم باینری همه پیکسل های تصویر فضایی را به دو گروه تقسیم می کند.

طبقه بندی بدون داده های آموزشی

این الگوریتم ها به طور خودکار پیکسل ها را از طریق توزیع روشنایی آماری جدا می کنند و در صورت شناسایی نشدن اشیا or یا تعداد آنها از سی ، قابل استفاده هستند. طبقه بندی بدون داده های آموزشی را می توان در تجزیه و تحلیل فضایی قبل از طبقه بندی با آموزش استفاده کرد.

نمونه هایی از معمول ترین طبقه بندی های بدون نظارت برای تجزیه و تحلیل داده های مکانی شامل خوشه بندی ISODATA و K-Means است:

• ISODATA مخفف کلمه تکنیک تجزیه و تحلیل خود سازماندهی تکراری است. این تکیه بر پیکسل های ارجاع شده با نزدیکترین مقادیر روشنایی در فضای ویژگی طیفی است.
• خوشه بندی K-Means در تحلیل مکانی مشابه ISODATA است اما برای دسته بندی اشیا به مقادیر متوسط ​​اساسی خاصی نیاز دارد.

فرایند تجزیه و تحلیل را شروع کنید

انجام مناسب تجزیه و تحلیل فضایی مرحله بعدی پس از شکل دادن به مسئله ، آماده سازی های قبل از پردازش و انتخاب مناسب ترین تکنیک ها است. پس از اتمام مراحل مقدماتی ، یک تحلیلگر داده های مکانی بر به دست آوردن نتایج کمی و کیفی تمرکز می کند.

اطلاعات خروجی را در نظر بگیرید

در صورت دستیابی به اهداف تجزیه و تحلیل فضایی و چگونه نتایج می توانند به س questionsالات مشابه در زمینه تحصیل و سایر صنایع پاسخ دهند ، بازیابی اطلاعات باید با تحقیقات دقیق انجام شود.

این مرحله از تجزیه و تحلیل داده های مکانی همچنین در نظر گرفتن کاربرد عملی و ارتباط اطلاعات به دست آمده از طریق مشاوره با منابع معتبر را نشان می دهد. به عنوان مثال ، هنگام تهیه نقشه محصول ایالات متحده با داده های ماهواره ، نتایج باید مطابق با آمار رسمی دولت باشد.

مسئله دیگر این است که بفهمیم آیا اطلاعات بدست آمده با تجزیه و تحلیل فضایی قابل تأیید هستند ، یعنی دقیق بودن آنها. آخرین اما کمترین نکته ارزیابی کیفیت داده ها توسط کمیت آنها ، تصمیم گیری در مورد عدم وجود نتایج کافی ، کافی ، بیش از حد و غیره است.

یک نکته خوب در تجزیه و تحلیل فضایی ، تجسم برای درک بهتر مانند نمودارهای ایستا و تعاملی ، نمودارها ، نمودارها ، جداول یا نقشه ها است.

تجزیه و تحلیل فضایی در محصولات EOS چگونه انجام می شود؟

تجزیه و تحلیل داده های جغرافیایی دارای کاربردهای زیادی در صنایع مختلف ، و به ویژه کشاورزی ، جنگلداری و محیط زیست است. این امکان نظارت بر وضعیت فعلی و افزایش سود از یک سو و افزایش آگاهی از محیط زیست و رسیدگی به بلایای طبیعی از طرف دیگر را فراهم می کند. علاوه بر این ، تصاویر فضایی متخصصان را قادر می سازد تا مناطق دشوار را بدون حضور فیزیکی در آنجا بررسی کنند ، موقعیت ها را مدل کنند و عواقب منفی را کاهش دهند.

موارد استفاده زیر کاربردهای تجزیه و تحلیل مکانی توسط محصولات EOS ( LandViewer و Crop Monitoring ) و بینش عملی آنها را نشان می دهد.

آتش سوزی جنگل ها در کلرادو

آتش سوزی جنگل ها در اواخر سال 2020 به یک فاجعه واقعی تبدیل شد. آنها حتی به دلیل خشکسالی ، هوای گرم و موقعیت های کوهستانی مرتفع ، سناریوی بدتری را نیز پشت سر گذاشتند. در حالی که معمولاً برف به مدیریت مسئله کمک می کند ، آتش سوزی ها این بار به سرعت گسترش می یابد (شش بار در روز).

تصاویر Landsat-8 از 22 اکتبر 2020 در حال تشخیص آتش سوزی و دود شدید در نزدیکی گرانبی ، شهرستان گرند است.

مورد آتش سوزی جنگل ها در کلرادو براساس تجزیه و تحلیل مکانی است که شامل داده های چند طیفی از ماهواره نوری Landsat-8 و ترکیبات باند زیر است:

• رنگ کاذب (شهری) با SWIR2 ، SWIR1 ، قرمز نسبت به اثرات جوی غیر قابل قبول است و از طریق ذرات پراکنده در جو عبور می کند.
• کامپوزیت های رنگی طبیعی برای تجزیه و تحلیل فضایی ، هدف را همانگونه که توسط چشم انسان درک می شود ، به تصویر می کشند.
• IR IR (پوشش گیاهی) معمولاً در تجزیه و تحلیل فضایی برای تمایز بین خاکهای برهنه و پوشش گیاهی سالم / کمیاب مورد استفاده قرار می گیرد. گیاهان پهن برگ و / یا گیاهان سالم تصویر قرمزتری دارند ، در حالی که مناطق با چگالی کم با رنگ قرمزهای کم شدت برجسته می شوند.
• شاخص استاندارد سوزش NBR در تجزیه و تحلیل فضایی امکان ارزیابی مناطق سوخته را فراهم می کند تا تأثیر جوی صاف شود.

سیل در کلمبیا

در اواخر اکتبر سال 2020 ، شش رودخانه در هفت شهرداری در مگدالنا ، کلمبیا جاری شد و هزاران خانه را ویران کرد. شهرداری های آسیب دیده شامل آراكاتاكا ، آلگارروبو ، ال ریتن ، فونداسیون ، بانانرا زون ، پوئبلو ویجو و سیناگا هستند.

تصاویر ماهواره ای سیلاب در مناطق ال Reten و Aracataca ، کلمبیای شمالی را ثبت می کند.

مورد سیل در کلمبیا متکی به تجزیه و تحلیل مکانی است که شامل داده های بازیابی شده از ماهواره رادار Sentinel-1 است و از ترکیبات باند کامپوزیت های VV ، VH ، VV / VH استفاده می کند . این کامپوزیت ها برای نظارت بر اجسام آب ، مناطق مرطوب کشاورزی ، پوشش گیاهی و همچنین خاکهای برهنه و مناطق شهری کارآمد هستند.

طوفان گرمسیری گاتی در سومالی

گاتی شدیدترین طوفان گرمسیری در نزدیکی ساحلی سومالی و اولین طوفان فرود آمیز در منطقه دریای عرب از سال 1970 (هنگام شروع سوابق) بوده است.

این طوفان در 21 تا 24 نوامبر سال 2020 خشمگین شد و در 22 نوامبر به سومالی سقوط کرد. این فاجعه توسط سازمان هواشناسی هند “بسیار شدید” طبقه بندی شد و طبق مقیاس باد و طوفان Saffir-Simpson “طبقه 3” را تعیین کرد. در آمار فوتی ها حداقل هشت نفر از بین رفته و ده ها نفر مفقود شده اند.

تصاویر ماهواره ای خسارت طوفان در پونتلند ، سومالی را به تصویر می کشد.

EOS برای یافتن راه حلی برای نظارت بر سیکلون و ارزیابی پیامدهای آن ، تجزیه و تحلیل فضایی داده های به دست آمده توسط ماهواره نوری Sentinel-2 را انجام داد. برای این کار ، کانال های استاندارد مادون قرمز رنگ برای پوشش گیاهی و NIR ، MIR و IR / ترکیبات آبی / آبی برای شناسایی اشیا water آب در خشکی و مشخص کردن مرزهای بین زمین و آب استفاده کرد.

مزارع برنج که در اثر تگرگ آسیب دیده است

در کشاورزی ، از تجزیه و تحلیل مکانی برای اهداف مختلفی استفاده می شود ، از جمله شناسایی انواع مختلف خسارت توسط ناهنجاری های طبیعی یا فعالیت های معمول کشاورزی. مثال زیر نشان می دهد که چگونه مزارع برنج در اثر تگرگ آسیب دیده است. نرم افزار Crop Monitoring مشهودترین تغییرات را از طریق شاخص های NDVI و ReCI نشان می دهد .

تغییرات شاخص NDVI در زمینه آسیب دیده از تگرگ.

مزایای تحلیل مکانی

تجزیه و تحلیل فضایی در GIS تصمیم گیری را در بسیاری از حوزه ها از مسائل روزمره جزئی تجاری تا واکنش جهانی به بلایا تسهیل می کند. فناوری ارجاع جغرافیایی نه تنها مختصات را تشخیص می دهد بلکه زمان را نیز بیان می کند ، که امکان ردیابی تغییرات و درک روند را فراهم می کند.

در حالی که ماهواره ها مکان های دورافتاده و صعب العبور را شکار می کنند ، نرم افزار و تکنیک های تجزیه و تحلیل فضایی امکان مدیریت داده ها را با دقت و سرعتی فراهم می کنند که تحلیل گر انسانی هرگز در آن رقابت نخواهد کرد. تجزیه و تحلیل داده های مکانی کامپیوتری پردازش تقریباً فوری حجم عظیم داده را امکان پذیر می کند.

نتایج به دست آمده از تجزیه و تحلیل مکانی GIS وضعیت را از چند زاویه برجسته می کند:

• به درک وضعیت فعلی کمک کنید.
• تمایلات را ردیابی کنید و به ترتیب واکنش نشان دهید.
• استراتژی های تجاری را تجزیه و تحلیل داده های اشاره شده به مکان و زمان ایجاد کنید.

تجسم در تجزیه و تحلیل داده های مکانی با مرتب سازی مجدد ، طبقه بندی ، مدل سازی ، مرتب سازی و ارائه داده های بزرگ در الگوهایی که به راحتی به خاطر سپرده می شوند و جزئیات مهم ، درک اطلاعات را ساده می کند.

بنابراین ، تجزیه و تحلیل فضایی آگاهی از وضعیت و بینش عملی برای حال و آینده را در هر سوالی که موقعیت جغرافیایی مهم است فراهم می کند