مدل های داده شطرنجی

هدف یادگیری

  1. هدف این بخش درک چگونگی پیاده سازی مدل های داده شطرنجی در برنامه های GIS است.

مدل داده های شطرنجی به طور گسترده در برنامه های کاربردی بسیار فراتر از سیستم های اطلاعات جغرافیایی (GIS) استفاده می شود. به احتمال زیاد، اگر تجربه ای در زمینه عکس های دیجیتال داشته باشید، از قبل با این مدل داده آشنا هستید. فرمت‌های فایل JPEG، BMP و TIFF که همه جا حاضر هستند (در میان سایر موارد) بر اساس مدل داده‌های شطرنجی هستند (به فصل 5 “مدیریت داده‌های مکانی” ، بخش 5.3 “فرمت‌های فایل” مراجعه کنید). یک لحظه برای مشاهده تصویر دیجیتال مورد علاقه خود وقت بگذارید. اگر روی تصویر زوم عمیق کنید، متوجه خواهید شد که از آرایه ای از پیکسل های مربع کوچک (یا عناصر تصویر) تشکیل شده است. هر یک از این پیکسل های رنگارنگ منحصر به فرد، وقتی به عنوان یک کل مشاهده می شوند، ترکیب می شوند و یک تصویر منسجم را تشکیل می دهند ( شکل 4.1 “تصویر دیجیتال با داخل بزرگنمایی شده نمایش پیکسل شدن تصویر شطرنجی”

شکل 4.1 تصویر دیجیتال با ورودی بزرگنمایی شده که پیکسل شدن تصویر شطرنجی را نشان می دهد

علاوه بر این، تمام نمایشگرهای کامپیوتری با نمایشگر کریستال مایع (LCD) بر اساس فناوری شطرنجی ساخته شده‌اند، زیرا از تعدادی ردیف و ستون پیکسل تشکیل شده‌اند. شایان ذکر است که پایه و اساس این فناوری نزدیک به یک قرن قبل از رایانه ها و دوربین های دیجیتال است. هنرمند نئوامپرسیونیست، ژرژ سورات، در دهه 1880 تکنیک نقاشی به نام “پوینتیلیسم” را توسعه داد، که به طور مشابه بر تجمع “نقاط” کوچک و تک رنگ جوهر متکی است که برای تشکیل یک تصویر بزرگتر ترکیب می شوند ( شکل 4.2 “اثر هنری Pointillist” ). اگر شما به اندازه نویسنده سخاوتمند هستید، ممکن است در واقع ایجاد مجموعه داده های شطرنجی خود را به عنوان آثار هنری عالی در نظر بگیرید.

شکل 4.2 اثر هنری Pointillist

مدل داده‌های شطرنجی شامل ردیف‌ها و ستون‌هایی از پیکسل‌هایی با اندازه مساوی است که برای تشکیل یک سطح مسطح به هم متصل شده‌اند. این پیکسل‌ها به‌عنوان بلوک‌های ساختمانی برای ایجاد نقاط، خطوط، مناطق، شبکه‌ها و سطوح استفاده می‌شوند ( فصل 2 “آناتومی نقشه” ، شکل 2.6 “فرایند پوشش نقشه” نشان می‌دهد که چگونه یک قطعه زمین را می‌توان به یک نمایش شطرنجی تبدیل کرد). اگرچه پیکسل ها ممکن است مثلث، شش ضلعی یا حتی هشت ضلعی باشند، اما پیکسل های مربع ساده ترین شکل هندسی را نشان می دهند که می توان با آن کار کرد. بر این اساس، اکثریت قریب به اتفاق داده های شطرنجی GIS موجود بر روی پیکسل مربع ساخته شده اند ( شکل 4.3 “گرافیک های شطرنجی رایج مورد استفاده در برنامه های GIS: عکس هوایی (سمت چپ) و USGS DEM (راست)”). این مربع‌ها معمولاً به مستطیل‌هایی با ابعاد مختلف تبدیل می‌شوند، اگر مدل داده از یک طرح به دیگری تبدیل شود (به عنوان مثال، از مختصات صفحه حالت به مختصات UTM [Universal Transverse Mercator]).

شکل 4.3 گرافیک رستری رایج مورد استفاده در برنامه های GIS: عکس هوایی (سمت چپ) و USGS DEM (راست)

به دلیل تکیه بر یک سری یکنواخت از پیکسل های مربعی، مدل داده های شطرنجی به عنوان یک سیستم مبتنی بر شبکه نامیده می شود. به طور معمول، یک مقدار داده واحد به هر منطقه شبکه اختصاص داده می شود. هر سلول در یک شطرنجی دارای یک مقدار واحد است که نشان دهنده ویژگی پدیده فضایی در مکانی است که با سطر و ستون آن مشخص می شود. نوع داده برای آن مقدار سلول می تواند عدد صحیح یا ممیز شناور باشد ( فصل 5 “مدیریت داده های جغرافیایی” ، بخش 5.1 “اکتساب داده های جغرافیایی”). متناوبا، گرافیک شطرنجی می تواند به یک سیستم مدیریت پایگاه داده ارجاع دهد که در آن جداول ویژگی های پایان باز می توانند برای مرتبط کردن مقادیر داده های متعدد به هر پیکسل استفاده شوند. پیشرفت فناوری رایانه این روش دوم را به طور فزاینده ای امکان پذیر کرده است زیرا مجموعه داده های بزرگ دیگر مانند گذشته توسط مسائل ذخیره سازی رایانه محدود نمی شوند.

مدل شطرنجی تمام مقادیر درون یک پیکسل معین را میانگین می‌کند تا یک مقدار واحد را به دست دهد. بنابراین، هرچه مساحت هر پیکسل بیشتر باشد، مقادیر داده مرتبط با دقت کمتری دارند. ناحیه تحت پوشش هر پیکسل، وضوح فضایی مدل شطرنجی که از آن مشتق شده است را تعیین می کند. به طور خاص، وضوح با اندازه گیری یک طرف پیکسل مربع تعیین می شود. یک مدل شطرنجی با پیکسل‌هایی که 10 متر در 10 متر (یا 100 متر مربع) را در دنیای واقعی نشان می‌دهند، می‌توان گفت که وضوح فضایی 10 متر دارد. یک مدل شطرنجی با پیکسل هایی به ابعاد 1 کیلومتر در 1 کیلومتر مربع (1 کیلومتر مربع) در دنیای واقعی گفته می شود که وضوح فضایی 1 کیلومتر دارد. و غیره

هنگام تعیین رزولوشن شطرنجی باید دقت کرد زیرا استفاده از وضوح پیکسلی بیش از حد درشت باعث از دست رفتن اطلاعات می شود، در حالی که استفاده از وضوح پیکسلی بسیار خوب منجر به افزایش قابل توجهی در اندازه فایل و نیازهای پردازش کامپیوتری در طول نمایش و/یا تجزیه و تحلیل می شود. رزولوشن پیکسل موثر هم مقیاس نقشه و هم حداقل واحد نقشه برداری سایر داده های GIS را در نظر می گیرد. در مورد گرافیک های شطرنجی با وضوح فضایی درشت، مقادیر داده مرتبط با مکان های خاص لزوماً در مدل داده شطرنجی واضح نیستند. به عنوان مثال، اگر موقعیت قطب های تلفن بر روی یک گرافیک شطرنجی درشت ترسیم شود، مشخص می شود که کل سلول توسط قطب پر نمی شود. نسبتا،

تصاویری که از مدل داده شطرنجی استفاده می کنند باید چندین ویژگی را نشان دهند. اول، هر پیکسل باید حداقل یک مقدار داشته باشد، حتی اگر آن مقدار داده صفر باشد. علاوه بر این، اگر هیچ داده ای برای یک پیکسل معین وجود نداشته باشد، یک مکان نگهدار مقدار داده باید به این سلول شبکه اختصاص داده شود. اغلب، یک مقدار دلخواه و به آسانی قابل شناسایی (به عنوان مثال، 9999-) به پیکسل هایی که هیچ مقدار داده ای برای آنها وجود ندارد، اختصاص داده می شود. دوم، یک سلول می تواند هر شاخص الفبایی را که نشان دهنده یک ویژگی باشد، در خود جای دهد. در مورد مجموعه داده های کمی، انتساب ویژگی نسبتاً ساده است. به عنوان مثال، اگر یک تصویر شطرنجی نشان دهنده ارتفاع باشد، مقادیر داده برای هر پیکسل نشانه ای از ارتفاع است، معمولاً بر حسب فوت یا متر. در مورد مجموعه داده های کیفی، مقادیر داده ها شاخص هایی هستند که لزوماً به برخی از قوانین ترجمه از پیش تعیین شده اشاره می کنند.شکل 4.4 “تصویر شطرنجی کاربری زمین/پوشش زمین” ). سومین ویژگی مدل داده شطرنجی این است که نقاط و خطوط به مرکز سلول حرکت می کنند. همانطور که انتظار می رود، اگر یک تصویر شطرنجی با وضوح 1 کیلومتر حاوی رودخانه یا جریان باشد، محل آبراه واقعی در پیکسل “رودخانه” نامشخص خواهد بود. بنابراین، یک فرض کلی وجود دارد که تمام ویژگی‌های صفر بعدی (نقطه) و یک بعدی (خط) به سمت مرکز سلول قرار خواهند گرفت. به عنوان نتیجه، حداقل عرض برای هر یک از ویژگی های خط لزوماً باید یک سلول بدون توجه به عرض واقعی ویژگی باشد. اگر اینطور نباشد، این ویژگی در تصویر نشان داده نمی شود و بنابراین فرض می شود که وجود ندارد.

شکل 4.4 تصویر شطرنجی کاربری زمین/پوشش زمین

چندین روش برای رمزگذاری داده های شطرنجی از ابتدا وجود دارد. سه مورد از این مدل ها به شرح زیر است:

  1. رمزگذاری شطرنجی سلول به سلول این روش بسیار فشرده با ایجاد رکورد برای هر مقدار سلول توسط ردیف و ستون، یک رستر را رمزگذاری می کند ( شکل 4.5 “کدگذاری سلول به سلول داده های رستر” ). این روش را می توان به عنوان یک صفحه گسترده بزرگ در نظر گرفت که در آن هر سلول از صفحه گسترده نشان دهنده یک پیکسل در تصویر شطرنجی است. از این روش به عنوان «شمارش جامع» نیز یاد می شود.
  2. رمزگذاری شطرنجی طول اجرا این روش مقادیر سلول ها را در اجرای پیکسل های با ارزش مشابه رمزگذاری می کند و می تواند منجر به یک فایل تصویری بسیار فشرده شود ( شکل 4.6 “رمزگذاری طول اجرا داده های شطرنجی” ). روش رمزگذاری طول اجرا در شرایطی مفید است که گروه‌های بزرگی از پیکسل‌های همسایه دارای مقادیر مشابهی هستند (مثلاً مجموعه داده‌های مجزا مانند کاربری زمین/پوشش زمین یا مناسب بودن زیستگاه) و در جایی که مقادیر پیکسل‌های همسایه بسیار متفاوت هستند (مثلا مجموعه داده‌های پیوسته) کمتر مفید است. مانند ارتفاع یا دمای سطح دریا).
  3. کدگذاری شطرنجی چهار درختی این روش یک شطرنجی را به سلسله مراتبی از ربع تقسیم می کند که بر اساس پیکسل های با ارزش مشابه تقسیم می شوند ( شکل 4.7 “کدگذاری چهار درختی داده های شطرنجی” ). تقسیم شطرنجی زمانی متوقف می شود که یک ربع به طور کامل از سلول هایی با همان مقدار ساخته شود. یک ربع که قابل تقسیم نیست “گره برگ” نامیده می شود.

شکل 4.5 کدگذاری سلول به سلول داده های شطرنجی

شکل 4.6 رمزگذاری طول اجرا داده های شطرنجی

شکل 4.7 کدگذاری چهار درختی داده های شطرنجی

مزایا/معایب مدل رستر

استفاده از یک مدل داده شطرنجی مزایای بسیاری را به همراه دارد. اولا، فناوری مورد نیاز برای ایجاد گرافیک شطرنجی ارزان و در همه جا موجود است. تقریباً همه در حال حاضر نوعی تولید کننده تصویر شطرنجی دارند، یعنی یک دوربین دیجیتال، و امروزه تعداد کمی از تلفن های همراه به فروش می رسند که چنین عملکردی را ندارند. به طور مشابه، انبوهی از ماهواره‌ها دائماً گرافیک‌های شطرنجی به‌روز را به امکانات علمی در سراسر جهان ارسال می‌کنند ( فصل 5 «مدیریت داده‌های مکانی» ، بخش 5.3 «فرمت‌های فایل» ). این گرافیک ها اغلب به صورت آنلاین برای استفاده خصوصی و/یا عمومی ارسال می شوند و گهگاه هزینه ای برای کاربر ندارند.

مزایای اضافی گرافیک شطرنجی، سادگی نسبی ساختار داده زیربنایی است. هر مکان شبکه نمایش داده شده در تصویر شطرنجی با یک مقدار واحد (یا سری از مقادیر در صورتی که جداول ویژگی ها گنجانده شود) مرتبط است. این ساختار داده ساده همچنین ممکن است به توضیح اینکه چرا انجام آنالیزهای همپوشانی روی داده های شطرنجی نسبتاً آسان است کمک کند (برای اطلاعات بیشتر در مورد تجزیه و تحلیل همپوشانی، به فصل 7 “تحلیل مکانی I: عملیات برداری” ، بخش 7.1 “تحلیل تک لایه” مراجعه کنید). این سادگی همچنین به تفسیر و نگهداری آسان گرافیک نسبت به همتای برداری آن کمک می کند.

با وجود مزایا، استفاده از مدل داده شطرنجی دارای معایبی نیز می باشد. اولین عیب این است که فایل های شطرنجی معمولاً بسیار بزرگ هستند. به خصوص در مورد تصاویر شطرنجی ساخته شده از روش کدگذاری سلول به سلول، تعداد زیادی از مقادیر ذخیره شده برای یک مجموعه داده معین منجر به فایل‌های بالقوه عظیم می‌شود. هر فایل شطرنجی که منطقه بزرگی را پوشش می‌دهد و پیکسل‌های تا حدودی دقیقی دارد، به سرعت به صدها مگابایت یا بیشتر می‌رسد. این فایل‌های بزرگ فقط بزرگ‌تر می‌شوند، زیرا کمیت و کیفیت مجموعه داده‌های شطرنجی همگام با کمیت و کیفیت منابع رایانه‌ای و گردآورنده‌های داده‌های شطرنجی (مانند دوربین‌های دیجیتال، ماهواره‌ها) است.

دومین نقطه ضعف مدل شطرنجی این است که تصاویر خروجی نسبت به همتایان بردار خود “زیبا” کمتری دارند. این امر به ویژه هنگامی که تصاویر شطرنجی بزرگ یا بزرگ می شوند قابل توجه است (به شکل 4.1 “تصویر دیجیتال با درج بزرگنمایی نشان دادن پیکسل شدن تصویر شطرنجی” مراجعه کنید). بسته به میزان بزرگنمایی یک تصویر شطرنجی، جزئیات و انسجام آن تصویر به سرعت در میان دریای پیکسیله‌ای از سلول‌های شبکه‌ای به ظاهر تصادفی رنگی از بین می‌رود.

دگرگونی‌های هندسی که در طول تلاش‌های بازطراحی نقشه به وجود می‌آیند می‌توانند برای گرافیک شطرنجی مشکلاتی ایجاد کنند و نشان دهنده سومین نقطه ضعف برای استفاده از مدل داده‌های شطرنجی هستند. همانطور که در فصل 2 “آناتومی نقشه” ، بخش 2.2 “مقیاس نقشه، سیستم های مختصات، و پیش بینی های نقشه” توضیح داده شد، تغییر پیش بینی های نقشه اندازه و شکل لایه ورودی اصلی را تغییر می دهد و اغلب منجر به از دست دادن یا اضافه شدن پیکسل ها می شود (سفید). 2006). White, D. 2006. “نمایش از دست دادن پیکسل و تکرار در بازپخش داده های شطرنجی از طرح سینوسی.” Geocarto International 21 (2): 19–22.این تغییرات منجر به این می شود که پیکسل های مربع کامل لایه ورودی، برخی از ابعاد لوزی شکل متناوب را به خود بگیرد. با این حال، مشکل بزرگتر از یک اصلاح ساده پیکسل مربع است. در واقع، بازپخش یک مجموعه داده تصویر شطرنجی از یک طرح به نمایش دیگر، تغییراتی را در مقادیر پیکسل به همراه می‌آورد که ممکن است به نوبه خود، اطلاعات خروجی را به طور قابل توجهی تغییر دهد (Seong 2003). Seong, JC 2003. “مدل سازی دقت بازپروری داده های تصویر.” مجله بین المللی سنجش از دور 24 (11): 2309-21.

عیب نهایی استفاده از مدل داده های شطرنجی این است که برای برخی از انواع تحلیل های فضایی مناسب نیست. برای مثال، هنگام تلاش برای همپوشانی و تجزیه و تحلیل چندین گرافیک شطرنجی تولید شده در مقیاس‌ها و وضوح پیکسل‌های متفاوت، مشکلاتی به وجود می‌آیند. ترکیب اطلاعات از یک تصویر شطرنجی با وضوح فضایی 10 متر با یک تصویر شطرنجی با وضوح فضایی 1 کیلومتری به احتمال زیاد اطلاعات خروجی غیرمعنای تولید می کند زیرا مقیاس های تجزیه و تحلیل بسیار ناهمگون هستند و نمی توانند به نتیجه گیری های معنی دار و/یا قابل تفسیر منجر شوند. علاوه بر این، برخی از تحلیل‌های شبکه و فضایی (یعنی تعیین جهت یا کدگذاری جغرافیایی) ممکن است برای انجام روی داده‌های شطرنجی مشکل‌ساز باشد.

خوراکی های کلیدی

  • داده‌های شطرنجی از یک سیستم شبکه‌ای از سلول‌های پیوسته مشتق شده‌اند که حاوی اطلاعات ویژگی‌های خاص هستند.
  • وضوح فضایی یک مجموعه داده شطرنجی نشان دهنده اندازه گیری دقت یا جزئیات اطلاعات نمایش داده شده است.
  • مدل داده های شطرنجی به طور گسترده توسط فناوری های غیر GIS مانند دوربین های دیجیتال/تصاویر و نمایشگرهای LCD استفاده می شود.
  • باید دقت کرد که آیا مدل داده‌های شطرنجی یا برداری برای داده‌ها و/یا نیازهای تحلیلی شما مناسب‌تر است یا خیر.

تمرینات

  1. عکس دیجیتالی که اخیرا گرفته اید را بررسی کنید. آیا می توانید وضوح مکانی آن را تخمین بزنید؟
  2. اگر بخواهید یک فایل داده شطرنجی ایجاد کنید که انواع عمده کاربری زمین را در شهرستان خود نشان دهد، از کدام روش رمزگذاری استفاده می کنید؟ اگر بخواهید نقشه آبراه های اصلی شهرستان خود را رمزگذاری کنید از چه روشی استفاده می کنید؟ چرا؟

بدون دیدگاه

دیدگاهتان را بنویسید