تجزیه و تحلیل تک لایه

طبقه بندی مجدد یا کدگذاری مجدد یک مجموعه داده معمولاً یکی از اولین مراحلی است که در طول تجزیه و تحلیل شطرنجی انجام می شود. طبقه‌بندی مجدد اساساً فرآیند تک لایه تخصیص یک مقدار کلاس یا محدوده جدید به تمام پیکسل‌ها در مجموعه داده بر اساس مقادیر اصلی آنها است ( شکل 8.1 “تجدید طبقه‌بندی شطرنجی” . برای مثال، یک شبکه ارتفاع معمولاً حاوی مقدار متفاوتی برای تقریباً هر سلول داخل است. این مقادیر را می توان با تجمیع هر پیکسل در چند کلاس مجزا ساده کرد (یعنی 0-100 = “1”، 101-200 = “2”، 201-300 = “3”، و غیره). ساده‌سازی مقادیر منحصربه‌فرد کمتر و نیازمندی‌های ذخیره‌سازی ارزان‌تری را امکان‌پذیر می‌سازد.علاوه بر این، این لایه‌های طبقه‌بندی‌شده اغلب به عنوان ورودی در تحلیل‌های ثانویه استفاده می‌شوند، مانند مواردی که بعداً در این بخش مورد بحث قرار گرفت.

همانطور که در فصل 7 “تحلیل جغرافیایی I: عملیات برداری” توضیح داده شد ، بافر فرآیند ایجاد یک مجموعه داده خروجی است که شامل یک منطقه (یا مناطق) با عرض مشخص در اطراف یک ویژگی ورودی است. در مورد مجموعه داده‌های شطرنجی، این ویژگی‌های ورودی به‌عنوان یک سلول شبکه یا گروهی از سلول‌های شبکه حاوی یک مقدار یکنواخت داده می‌شوند (به عنوان مثال، تمام سلول‌هایی که مقدار آنها 1 = بافر هستند). بافرها به ویژه برای تعیین ناحیه نفوذ در اطراف ویژگی های مورد علاقه مناسب هستند. در حالی که داده‌های بردار بافر منجر به یک ناحیه تأثیرگذاری دقیق در یک فاصله مشخص از ویژگی هدف می‌شود، بافرهای شطرنجی معمولاً تقریبی هستند که سلول‌هایی را نشان می‌دهند که در محدوده فاصله مشخص شده از هدف قرار دارند ( شکل 8.2 “بافر شطرنجی در اطراف یک سلول هدف( س)”). اکثر برنامه‌های سیستم اطلاعات جغرافیایی (GIS) بافرهای شطرنجی را با ایجاد شبکه‌ای از مقادیر فاصله از مرکز سلول(های) هدف تا مرکز سلول‌های همسایه و سپس طبقه‌بندی مجدد آن فواصل به گونه‌ای که “1” نشان دهنده آن سلول‌هایی باشد که ترکیب می‌کنند، محاسبه می‌کنند. هدف اصلی، “2” نشان دهنده آن سلول ها در منطقه بافر تعریف شده توسط کاربر، و “0” نشان دهنده آن سلول های خارج از هدف و مناطق بافر است. این سلول‌ها همچنین می‌توانند برای نمایش بافرهای حلقه‌ای متعدد با گنجاندن مقادیر «3»، «4»، «5» و غیره طبقه‌بندی شوند تا فواصل متحدالمرکز اطراف سلول(های) هدف را نشان دهند.

تجزیه و تحلیل چند لایه

یک مجموعه داده شطرنجی نیز می‌تواند شبیه به یک مجموعه داده برداری بریده شود ( شکل 8.3 “برش یک رستر به لایه چند ضلعی برداری” ). در اینجا، شطرنجی ورودی توسط یک لایه گیره چند ضلعی برداری پوشانده شده است. فرآیند گیره شطرنجی منجر به یک شطرنجی منفرد می شود که مشابه شطرنجی ورودی است اما در وسعت لایه کلیپ چند ضلعی مشترک است.

پوشش های شطرنجی در مقایسه با نمونه های برداری خود نسبتاً ساده هستند و به توان محاسباتی بسیار کمتری نیاز دارند (Burroughs 1983). باروز، ص 1983. سیستم های اطلاعات جغرافیایی برای ارزیابی منابع طبیعی . نیویورک: انتشارات دانشگاه آکسفورد. علیرغم سادگی، مهم است که اطمینان حاصل شود که تمام شطرنج‌های همپوشانی با هم ثبت می‌شوند (به عنوان مثال، از نظر فضایی تراز شده‌اند)، مناطق یکسان را پوشش می‌دهند، و وضوح برابر (یعنی اندازه سلول) را حفظ می‌کنند. اگر این مفروضات نقض شوند، تجزیه و تحلیل یا شکست خواهد خورد یا لایه خروجی ایجاد شده دارای نقص خواهد بود. با در نظر گرفتن این موضوع، چندین روش مختلف برای اجرای همپوشانی شطرنجی وجود دارد (کریسمن 2002). کریسمن، ن. 2002. کاوش در سیستم های اطلاعات جغرافیایی. ویرایش دوم نیویورک: جان وایلی و پسران.

روکش شطرنجی ریاضی رایج ترین روش همپوشانی است. اعداد درون سلول‌های تراز شده شبکه‌های ورودی می‌توانند هر گونه تبدیل ریاضی مشخص شده توسط کاربر را انجام دهند. پس از محاسبه، یک رستر خروجی تولید می‌شود که حاوی مقدار جدیدی برای هر سلول است ( شکل 8.4 “همپوشانی رستر ریاضی” ). همانطور که می توانید تصور کنید، کاربردهای زیادی برای چنین عملکردی وجود دارد. به طور خاص، پوشش شطرنجی اغلب در مطالعات ارزیابی ریسک استفاده می‌شود که در آن لایه‌های مختلف برای تولید نقشه نتیجه‌ای که مناطق با ریسک/پاداش بالا را نشان می‌دهد، ترکیب می‌شوند.

روش پوشش شطرنجی بولی دومین تکنیک قدرتمند را نشان می دهد. همانطور که در فصل 6 “ویژگی ها و تجسم داده ها” بحث شد ، کانکتورهای بولی AND، OR و XOR می توانند برای ترکیب اطلاعات دو مجموعه داده شطرنجی ورودی پوشاننده در یک رستر خروجی استفاده شوند. به طور مشابه، روش همپوشانی شطرنجی رابطه‌ای از عملگرهای رابطه‌ای (<، <=، =، <>، >، و =>) برای ارزیابی شرایط مجموعه داده‌های شطرنجی ورودی استفاده می‌کند. در هر دو روش همپوشانی بولی و رابطه‌ای، سلول‌هایی که معیارهای ارزیابی را برآورده می‌کنند معمولاً در لایه شطرنجی خروجی با 1 کد می‌شوند، در حالی که آنهایی که به‌عنوان نادرست ارزیابی می‌شوند مقدار 0 را دریافت می‌کنند.

با این حال، سادگی این روش می‌تواند منجر به خطاهایی در تفسیر شود که در صورتی که روکش به درستی طراحی نشده باشد. فرض کنید که یک مدیر منابع طبیعی دو مجموعه داده شطرنجی ورودی دارد که قصد دارد روی آن قرار بگیرد. یکی مکان درختان را نشان می دهد («0» = بدون درخت؛ «1» = درخت) و دیگری مکان مناطق شهری را نشان می دهد («0» = غیر شهری؛ «1» = شهری). اگر او امیدوار است که مکان درختان را در مناطق شهری بیابد، یک مجموع ریاضی ساده از این مجموعه داده ها “2” را در تمام پیکسل های حاوی یک درخت در یک منطقه شهری به دست می دهد. به طور مشابه، اگر او امیدوار است که مکان همه مناطق بدون درخت (یا “غیر درختی”، غیر شهری را بیابد، می تواند رستر خروجی جمع شده را برای همه ورودی های “0” بررسی کند. در نهایت، اگر امیدوار است مناطق شهری و بدون درخت را پیدا کند، او تمام سلول های حاوی “1” را جستجو می کند. مقدار سلول “1” نیز در هر پیکسل برای سلول های درختی غیر شهری کدگذاری می شود. در واقع، انتخاب مقادیر پیکسل ورودی و معادله همپوشانی در این مثال نتایج گیج‌کننده‌ای به‌دلیل طرح هم‌پوشانی ضعیف ایجاد می‌کند.