Choropleth Mapper تطبیقی: ابزاری مبتنی بر وب منبع باز برای کاوش همزمان متغیرهای متعدد در گستره های فضایی چندگانه

خلاصه

نقشه برداری Choropleth یک تکنیک تجسم ضروری برای تجزیه و تحلیل داده های فضایی اکتشافی است. تجسم نقشه‌های choropleth متعدد تکنیکی است که تحلیل‌گران فضایی برای آشکار کردن الگوهای مکانی-زمانی یک متغیر یا مقایسه توزیع‌های جغرافیایی چندین متغیر استفاده می‌کنند. ویژگی‌های حیاتی برای کاوش مؤثر نقشه‌های choropleth چندگانه عبارتند از: (1) محاسبه خودکار فواصل کلاس یکسان برای سایه‌اندازی نقشه‌های مختلف choropleth، (2) تجسم دینامیکی تغییرات محلی در یک متغیر، و (3) پیوند برای کاوش همزمان نقشه‌های choropleth متعدد. . از دهه 1990، این ویژگی ها توسعه یافته و اکنون در بسیاری از بسته های نرم افزاری سیستم اطلاعات جغرافیایی تجاری (GIS) گنجانده شده است. با این حال، بسیاری از ابزارهای نقشه برداری choropleth فقط شامل یک یا دو مورد از سه ویژگی ذکر شده در بالا هستند. از سوی دیگر، ابزارهای نقشه برداری رایگان در دسترس که از تجسم نقشه های چندگانه در کنار هم پشتیبانی می کنند، معمولاً فقط نرم افزارهای دسکتاپ هستند. در نتیجه، اکثر ابزارهای موجود که از تجسم‌های چندگانه choropleth-map پشتیبانی می‌کنند، نمی‌توانند به راحتی با کتابخانه‌های تجسم داده‌های مبتنی بر وب و منبع باز، که در تجزیه و تحلیل بصری و تصویرسازی جغرافیایی به جریان اصلی تبدیل شده‌اند، ادغام شوند. برای پر کردن این شکاف، ما یک ابزار نگاشت choropleth مبتنی بر وب منبع باز به نام Adaptive Choropleth Mapper (ACM) معرفی می کنیم که سه ویژگی حیاتی را برای نگاشت choropleth انعطاف پذیر ترکیب می کند. در نتیجه، اکثر ابزارهای موجود که از تجسم‌های چندگانه choropleth-map پشتیبانی می‌کنند، نمی‌توانند به راحتی با کتابخانه‌های تجسم داده‌های مبتنی بر وب و منبع باز، که در تجزیه و تحلیل بصری و تصویرسازی جغرافیایی به جریان اصلی تبدیل شده‌اند، ادغام شوند. برای پر کردن این شکاف، ما یک ابزار نگاشت choropleth مبتنی بر وب منبع باز به نام Adaptive Choropleth Mapper (ACM) معرفی می کنیم که سه ویژگی حیاتی را برای نگاشت choropleth انعطاف پذیر ترکیب می کند. در نتیجه، اکثر ابزارهای موجود که از تجسم‌های چندگانه choropleth-map پشتیبانی می‌کنند، نمی‌توانند به راحتی با کتابخانه‌های تجسم داده‌های مبتنی بر وب و منبع باز، که در تجزیه و تحلیل بصری و تصویرسازی جغرافیایی به جریان اصلی تبدیل شده‌اند، ادغام شوند. برای پر کردن این شکاف، ما یک ابزار نگاشت choropleth مبتنی بر وب منبع باز به نام Adaptive Choropleth Mapper (ACM) معرفی می کنیم که سه ویژگی حیاتی را برای نگاشت choropleth انعطاف پذیر ترکیب می کند.

کلید واژه ها:

منبع باز GIS ; نقشه choropleth ; GIS مبتنی بر وب ژئو تجسم

1. معرفی

یک نقشه choropleth مقادیر مختلف اندازه گیری یا یک ویژگی را با سایه یا رنگ های مختلف در مناطق مختلف جغرافیایی تجسم می کند [ 1 ]. نقشه های Choropleth داده های ترتیبی یا فاصله/نسبت را تجسم می کنند. برای تجسم داده ها در یک نقشه choropleth، فواصل کلاس ها بر اساس یک طرح طبقه بندی محاسبه می شوند و سپس از یک پالت رنگ مدرج برای متمایز کردن چند ضلعی های متعلق به هر کلاس استفاده می شود. هدف از یک طرح طبقه بندی، گروه بندی مقادیر مشابه در یک کلاس و جدا کردن مقادیر متفاوت در کلاس های مختلف است. در طول سال‌ها، تعدادی الگوریتم مختلف پیشنهاد شده‌اند و هر کدام می‌توانند الگوی بصری متفاوتی را در نقشه کروپلث ایجاد کنند. نقشه سازان معمولاً باید بهترین الگوریتم طبقه بندی را برای یک نقشه خاص انتخاب کنند.

نقشه های کروپلث به طور گسترده برای تجسم ویژگی های فضایی داده ها در مناطق آسیب دیده از بلایا [ 2 ، 3 ، 4 ، 5 ]، رویدادهای جنایی [ 6 ، 7 ]، نتایج سلامت [ 8 ، 9 ، 10 ]، میزان مرگ و میر و علل استفاده شده است. مرگ [ 11 ]، و پیام های رسانه های اجتماعی و محتوای وب [ 12 ، 13 ، 14 ]. همچنین، اداره سرشماری ایالات متحده، مرکز ملی آمار بهداشت و مؤسسه ملی سرطان، نقشه‌های choropleth بسیاری را برای محققان، سیاست‌گذاران و مربیان تولید می‌کنند [ 15 ، 16 ]،17 ]. به بیان ساده، نقشه های choropleth یک روش همه جا برای تجسم داده های مکانی است.

برای آشکار کردن الگوهای مکانی-زمانی یک متغیر خاص (مثلاً شکل S1 ) یا مقایسه توزیع‌های مکانی متغیرهای مختلف در یک منطقه (مثلاً، شکل S2)، اغلب لازم است چندین نقشه choropleth ایجاد شود. در این مورد، هر نقشه نشان دهنده یک متغیر یا مرحله زمانی متفاوت است. برای اینکه این نقشه‌های choropleth متعدد مؤثر باشند، سه مؤلفه حیاتی وجود دارد: (1) یک روش خودکار برای ایجاد چندین نقشه choropleth با فواصل کلاس یکسان، (2) یک تابع که به کاربران اجازه می‌دهد فوراً فواصل کلاس را در هر بزرگنمایی مجدد ایجاد کنند. در منطقه، و (3) پیوند دادن و مسواک زدن برای فعال کردن کاوش همزمان نقشه‌های choropleth متعدد. مؤلفه اول امکان مقایسه مستقیم بین الگوهای بصری در چندین نقشه را فراهم می کند، به اصطلاح مضرب کوچک. مؤلفه دوم فواصل کلاس ها را در مناطق متمرکز بازسازی می کند و به طور خودکار از انجام عملیات تکراری در رابط کاربری اجتناب می کند.

استفاده گسترده از نقشه های choropleth باعث شده است که بسیاری از بسته های نرم افزاری GIS شامل یک ابزار نقشه برداری choropleth شوند و چندین بسته نرم افزاری از تجسم های متعدد نقشه choropleth پشتیبانی می کنند. با این حال، بسته های نرم افزاری GIS موجود تنها شامل یک یا دو جزء از سه جزء ذکر شده در بالا می باشد. همچنین بسیاری از آنها نرم افزار دسکتاپ یا بسته های نرم افزاری GIS تجاری هستند. بنابراین، آنها به راحتی با کتابخانه های جاوا اسکریپت منبع باز قابل توسعه نیستند، که در تجزیه و تحلیل بصری و تجسم جغرافیایی محبوبیت پیدا کرده اند ( برای جزئیات به بخش 2.2 مراجعه کنید).

از نظر سه مؤلفه حیاتی برای نقشه‌های چندگانه choropleth مؤثر ذکر شده در بالا، مؤلفه دوم در بسته‌های نرم‌افزاری مدرن GIS نادر است، در حالی که مؤلفه‌های اول و سوم مشترک هستند. در واقع، فقدان ابزارهای تجسم تحلیلی محلی در بسته‌های نرم‌افزاری مدرن GIS با توجه به رواج تکنیک‌های آماری محلی تعجب‌آور است. در ادبیات آمار فضایی، سابقه طولانی در توسعه اشکال محلی روش های آماری فضایی وجود دارد. برای مثال، آمار شاخص‌های محلی انجمن فضایی (LISA) و تجسم‌های مرتبط [ 18 ] یک چارچوب کلی برای تجزیه آمار همبستگی فضایی جهانی، از جمله Moran’s I [ 19 ] و Geary’s C [ 20 ] ارائه می‌کند.]. آمار LISA را می توان برای آشکار کردن نه تنها ناپایداری خودهمبستگی فضایی، بلکه برای شناسایی نقاط گرم و سرد که مستحق بررسی بیشتر هستند، استفاده کرد. با این حال، هنگامی که به صورت بصری الگوهای فضایی دقیق را در این نقاط داغ با استفاده از روش‌های نگاشت choropleth در بسته‌های نرم‌افزاری مدرن محبوب مانند ArcGIS Pro یا Tableau بررسی می‌کنیم، ممکن است نتوانیم جزئیات کافی را کشف کنیم. برای آشکار کردن جزئیات کافی، باید یک نقشه choropleth دیگر ایجاد کنیم که بر روی منطقه ای از نقشه متمرکز شود که شامل داده های انتخاب شده در هر نقطه داغ یا سرد است. به عبارت دیگر، کاربران باید مجموعه داده های ورودی را زیرمجموعه قرار داده و بازسازی کنند و نمای جدید را به عنوان یک مجموعه داده کاملاً متفاوت در نظر بگیرند. از آنجایی که کاربران معمولاً تجسم‌ها را بارها با متغیرهای مختلف در بسیاری از مناطق فرعی مختلف و در گستره‌های فضایی مختلف بازسازی می‌کنند، تجربه کاربر تکراری و مستعد خطا است. اگرچه از نظر مفهومی ساده و از نظر تحلیلی جذاب است، اما کار فشرده کار را برای دانشمندان فضایی دشوارتر می‌کند تا اطلاعات خود را درک کنند.

به طور خلاصه، اگرچه ویژگی‌های نوآورانه برای کاوش پویا در چندین نقشه choropleth توسعه یافته است، هیچ ابزار نقشه‌برداری choropleth موجود، هر سه مؤلفه حیاتی ذکر شده در بالا را در یک بسته نرم‌افزار منبع باز فراهم نمی‌کند. علاوه بر این، ادغام بسیاری از آنها با کتابخانه های تجسم داده های جاوا اسکریپت مبتنی بر وب، دشوار است. برای پر کردن شکاف در پیاده‌سازی نقشه‌های choropleth، یک ابزار نگاشت choropleth مبتنی بر وب منبع باز به نام Adaptive Choropleth Mapper (ACM) ایجاد کردیم که سه مؤلفه حیاتی ذکر شده در بالا را ادغام می‌کند. با استفاده از ACM، کاربران می توانند (1) به طور خودکار فواصل کلاس را برای یک یا چند نقشه choropleth محاسبه و تنظیم کنند، (2) ساختار فضایی محلی نقشه های choropleth را به راحتی با کلیک یک دکمه تجسم کنند. و (3) چندین نقشه choropleth را به هم پیوند دهید که هر کدام یک متغیر متفاوت را برای مقایسه کنار هم نشان می دهند. ما همچنین یک برنامه GIS مبتنی بر وب به نام Longitudinal Neighborhood Explorer (LNE) را پیشنهاد می‌کنیم که ACM را تعبیه می‌کند و تجزیه و تحلیل داده‌های مکانی-زمانی مناسب را ارائه می‌دهد.

بقیه مقاله به شرح زیر سازماندهی شده است. بخش مشکل محدودیت‌های ابزارهای نقشه‌برداری choropleth در حال حاضر را در سیستم‌های اطلاعات جغرافیایی مبتنی بر دسکتاپ و مبتنی بر وب، به ویژه از نظر برنامه‌های GIS مبتنی بر وب که داده‌های سرشماری مکانی-زمانی یا بررسی جامعه آمریکایی (ACS) را تجسم می‌کنند، شناسایی می‌کند. سپس در مورد نگاشت انطباقی Choropleth و اینکه چگونه نقشه برداری مرسوم choropleth را از چارچوب های تحلیل جهانی آزاد می کند، بحث می کنیم. بخش راه حل ابتدا انگیزه این مطالعه، داده های مورد استفاده، طراحی جدید رابط کاربری برای تجسم داده های مکانی-زمانی یا متغیرهای متعدد، و مجموعه ای از عملکردها در ACM را توصیف می کند که آن را از شیوه های معمول نقشه برداری choropleth متمایز می کند. سرانجام،

2. مشکل

2.1. محدودیت های ابزارهای نقشه برداری Choropleth در بسته های نرم افزاری موجود در حال حاضر

بسیاری از بسته های نرم افزاری شامل ابزارهای choropleth mapping هستند. جدول 1 بسته های نرم افزاری منتخب را نشان می دهد که شامل یک ابزار نقشه برداری choropleth است. بسیاری از آنها دارای پلت فرمی برای تجسم چند نقشه جانبی هستند.

در بسیاری از بسته‌های تجسمی-نقشه چندگانه، کاربران یا باید داده‌های خود را ادغام کنند و کل سری فضا-زمان را طبقه‌بندی کنند یا باید فواصل طبقه‌بندی ثابتی را برای مقایسه الگوهای توزیعی نقشه‌های متعدد اتخاذ کنند. به طور خاص، کاربران اغلب نیاز به ایجاد نقشه‌های choropleth دارند که (1) تغییر توزیع فضایی یک نژاد خاص در طول زمان (مثلاً، شکل 1 )، (2) مقایسه توزیع فضایی نژادهای مختلف در یک منطقه شهری چند نژادی (مثلاً، شکل S2 )، یا (3) پویایی توزیع درآمد فقر در چندین بار (به عنوان مثال، شکل S1 ). به عنوان مثال، هر مجموعه از پنج نقشه بالا و پنج نقشه پایین در داخل شکل 1نشان دهنده درصد آسیایی ها و جزایر اقیانوس آرام از سال 1970 تا 2010 است. شکل 1 (1A) تا (1E) دارای فواصل طبقه بندی متفاوتی است که برای هر یک از پنج نقشه به صورت جداگانه ایجاد شده است. در این مورد، از آنجایی که هر نقشه دارای فواصل طبقاتی متفاوتی است، تشخیص اینکه کدام مناطق افزایش یا کاهش درصد آسیایی ها و جزایر اقیانوس آرام را تجربه کرده اند، دشوار است. برای انجام این کار نیاز است که کاربر ابتدا مقادیر سطل های طبقه بندی را در سراسر نقشه ها مقایسه کند و سپس تکامل الگوی فضایی را در نظر بگیرد. از سوی دیگر، شکل 1 (2A) تا (2E) دارای فواصل طبقه‌بندی یکسانی هستند که امکان مقایسه مستقیم بین پنج نقشه مختلف را فراهم می‌کند و به ما امکان می‌دهد تغییرات مکانی-زمانی را در طول زمان ببینیم.

با این حال، در شرایطی که در بالا ذکر شد، رابط کاربری گرافیکی (GUI) بسته‌های نرم‌افزاری متداول GIS، مانند ArcMap و ArcGIS Pro، راه آسانی برای ایجاد چندین نقشه با فواصل کلاسی یکسان ارائه نمی‌کند. برای مثال، مهم نیست که روش طبقه‌بندی چیست، کاربران ArcGIS Pro معمولاً چند بار روی دکمه‌ها کلیک می‌کنند تا فواصل کلاس‌ها را برای هر نقشه جداگانه ایجاد کنند. در نتیجه، هر نقشه دارای فواصل کلاس های متفاوتی است، مانند نقشه های (1A) تا (1E) شکل 1 . در مقابل، ایجاد یک طبقه بندی با هشت بازه برای هر پنج مجموعه داده مختلف در شکل 1 بی اهمیت نیست.نقشه های (2A) تا (2E). میزان تلاش مورد نیاز کاربر برای دستیابی به این نتیجه قابل توجه است. هیچ فرآیند خودکاری برای این کار با چند کلیک یک دکمه وجود ندارد. از سوی دیگر، کاربران ArcGIS Pro می‌توانند یک اسکریپت پایتون بنویسند تا فواصل کلاسی مشابهی را برای نقشه‌های چندگانه choropleth محاسبه کرده و آنها را تجسم کنند. با این حال، اسکریپت نویسی پایتون شامل یک منحنی یادگیری تندتر است.

برای غلبه بر محدودیت ذکر شده در بالا، برخی از برنامه های کاربردی GIS مبتنی بر وب عملکردی را ارائه می دهند که کاربران می توانند از آن برای تنظیم خودکار فواصل طبقه بندی یکسان بر روی نماهای مختلف استفاده کنند، نمونه های اصلی Census Explorer [ 26 ] و Neighborhoods Over Time [ 26] است. 27 ] است.]. در این موارد، فواصل طبقه‌بندی یکسان در چندین نقشه به کاربران اجازه می‌دهد تا تغییر توزیع فضایی یک متغیر را در طول زمان ببینند. اگرچه آنها فواصل کلاس ثابتی را برای نقشه‌های choropleth متعدد در نقاط مختلف زمان ارائه می‌کنند، اما تابعی برای تنظیم فواصل کلاس ثابت روی نقشه‌های choropleth متعدد که متغیرهای مختلف را نشان می‌دهند، ارائه نمی‌کنند. به عنوان مثال، این برنامه های کاربردی وب به کاربران اجازه نمی دهند که درصد سفیدپوستان، درصد سیاه پوستان و درصد اسپانیایی ها را در یک مقیاس مقایسه کنند (مثلاً نقشه هایی مانند شکل S2).). یکی دیگر از محدودیت‌های این دو برنامه وب این است که کاربران می‌توانند تنها داده‌هایی را که دارندگان برنامه ارائه می‌دهند، تجسم کنند، اما کاربران نمی‌توانند داده‌های خود را تجسم کنند. Social Explorer هیچ یک از مشکلات ذکر شده در بالا را ندارد، اما کاربران تنها می توانند حداکثر دو نقشه را در یک زمان تجسم کنند.

یکی دیگر از محدودیت‌های دیگر بسته‌های نرم‌افزاری محبوب GIS، مانند ArcGIS Pro و ArcMap، این است که فواصل کلاس‌ها با استفاده از تمام مقادیر در منطقه مورد مطالعه محاسبه می‌شوند. در مورد ابزارهای معمولی نقشه برداری choropleth، اگر کاربر روی مناطقی که خوشه هایی با مقادیر زیاد یا پایین را نشان می دهند، بزرگنمایی کند، تا الگوهای توزیع دقیق را در منطقه بزرگنمایی شده مشاهده کند، تجسم ممکن است فقط تغییرات محدودی را نشان دهد. در حالی که این امر زمانی قابل درک است که یک منطقه محلی را به عنوان بخشی از کل نقشه در نظر بگیریم، تجربه کاربر از بزرگنمایی و جابجایی نماهای نقشه برای تمرکز بر یک منطقه خاص و بررسی ساختار محلی تغییرپذیری در ویژگی نگاشت شده در نظر گرفته شده است.

به عنوان مثال، شکل 2 نشان می دهد که چه اتفاقی می افتد زمانی که کاربران در یک منطقه محلی از کل نقشه بزرگنمایی می کنند. نقشه سمت چپ درصد سفیدپوستان منطقه شهری لس آنجلس را در سطح تراکت نشان می دهد. نقشه سمت راست ناحیه بزرگنمایی نقشه سمت چپ را نشان می دهد. پس از اینکه کاربران روی یک منطقه کوچک مانند نقشه سمت راست بزرگنمایی کردند، همه چند ضلعی ها به یک رنگ اختصاص یافته اند. برای نشان دادن تغییرات بیشتر در مقادیر در نقشه مناسب، کاربران باید به صورت دستی چند ضلعی ها را مجدداً انتخاب کنند، یک لایه جدید با چند ضلعی های انتخاب شده ایجاد کنند و طرح رنگ را دوباره اختصاص دهند. این فرآیند به چندین پارامتر برای تنظیم مجدد نیاز دارد.

2.2. شکاف در اجرای فعلی تجسم کروپلث چیست؟

محققان از دهه 1990 سه جزء حیاتی را برای تجسم مؤثر نقشه های choropleth متعدد در ابعاد مختلف فضایی اجرا کرده اند ( جدول 1 ). با این حال، بسته‌های نرم‌افزاری موجود تنها یک یا دو ویژگی از سه ویژگی را ادغام می‌کنند، اما همه چیز را در یک ابزار نقشه‌برداری choropleth شامل نمی‌شوند. برای مثال، دکارت [ 28 ] و Social Explorer مؤلفه های اول و سوم را دارند، اما دومی را ندارند. از سوی دیگر، CDV [ 29 ] دومی را دارد، اما اولین و سومی را ندارد. CDV چندین نقشه choropleth نمایش داده شده در کنار هم را تسهیل می کند، اما پلت فرم آن از پیوند چندین نقشه پشتیبانی می کند. اطلس فرصت [ 25 ] نیز تنها مؤلفه دوم را دارد. از سوی دیگر، Vega-Lite [30] یک کتابخانه تجسم منبع باز جاوا اسکریپت برای ترسیم نمودار است که همچنین شامل یک ماژول برای تجسم نقشه choropleth است. ماژول دارای جزء اول است، نه دوم یا سوم.

علاوه بر این، ویژگی‌های نوآورانه ابزارهای نقشه‌برداری choropleth را نمی‌توان به راحتی با کتابخانه‌های منبع باز برای توسعه برنامه‌های کاربردی وب ترکیب کرد، زیرا بسیاری از بسته‌های نرم‌افزار GIS آزادانه در دسترس به زبان‌هایی مانند جاوا، سی شارپ، یا C++ نوشته شده‌اند (به بخش (ب) جدول مراجعه کنید. 1 ). این زبان ها برای ساخت برنامه های دسکتاپ بهترین کار را دارند. برای مثال، بسته‌های نرم‌افزاری آزادانه در دسترس مانند Descartes [ 28 ] و CDV [ 29 ] به زبان جاوا نوشته شده‌اند. نسخه جدیدتر دکارت، معروف به V-analytics [ 31]، به زبان جاوا نیز نوشته شده است. ادغام این موارد در برنامه‌های GIS مبتنی بر وب که لایه‌های تجسم در جاوا اسکریپت نوشته شده‌اند، چالش برانگیز است. به عنوان مثال، اجرای مؤلفه های اول و سوم دکارت [ 28 ] را نمی توان در برنامه های کاربردی وب نوشته شده در کتابخانه های جاوا اسکریپت مانند Leaflet، D3 و PlotlyJS ادغام کرد.

از سوی دیگر، بسته‌های نرم‌افزاری تجاری، ArcGIS Pro، Social Explorer و Tableau، از تجسم‌های چندگانه choropleth-map با مؤلفه‌های اول و سوم در جدول 1 پشتیبانی می‌کنند. با این حال، آنها نرم افزار منبع باز نیستند، و همچنین برای استفاده مجدد و اصلاح به صورت رایگان توزیع نمی شوند. بنابراین، ترکیب عملکردهای آن بسته های نرم افزاری با بسته های نرم افزاری منبع باز مانند Leaflet و PySAL [ 32 ] چالش برانگیز است. MAPLARGE تنها بسته نرم افزار تجاری استثنایی است که از اولین و سومین مؤلفه در جدول 1 پشتیبانی می کند . کد منبع آن باز است و می‌توان آن را با کتابخانه‌های جاوا اسکریپت منبع باز، مانند Leaflet، OpenLayers و ArcGIS API سازگار کرد.

3. راه حل: تطبیقی Choropleth Mapper

برای پیاده‌سازی تجسم‌های چندگانه choropleth-map باز و مبتنی بر وب با هر سه مؤلفه در جدول 1 ، ما Adaptive Choropleth Mapper (ACM) را با چندین کتابخانه منبع باز توسعه دادیم: Leaflet ( https://leafletjs.com/ )، D3 ( https://d3js.org/ )، Geostats [ 33 ]، Simple Statistics [ 34 ]، Sweet Alert ( https://sweetalert.js.org ) و jQuery ( https://jquery.com ). ACM یک ابزار نقشه برداری عمومی برای اکتشاف نقشه های choropleth متعدد است. کاربران می توانند داده های خود را وارد کنند. ACM امکان تجسم حداکثر 15 نقشه را در کنار هم فراهم می کند.

به غیر از کتابخانه های ذکر شده در بالا، بخش اصلی ACM شامل یک فایل HTML شامل الگوریتم ACM در جاوا اسکریپت، یک فایل CSS برای استایل، یک فایل پیکربندی و دو فایل دیگر است که در آن دو ورودی، متغیرها و هندسه ذخیره می شوند. بصورت جداگانه. کاربران فقط باید داده های داخل دو فایل ورودی را برای متغیرها و هندسه تغییر دهند تا مجموعه داده های مختلف را تجسم کنند. فایل HTML اصلی ترین برنامه ای است که کاربران می توانند در مرورگر وب خود اجرا کنند. فایل پیکربندی گزینه های پیشرفته ای را در اختیار کاربران قرار می دهد که وقتی تنظیمات پیش فرض را دوست ندارند می توانند آنها را تغییر دهند.

هنگامی که ACM توسعه یافت، ما یک برنامه Web GIS به نام Longitudinal Neighborhood Explorer (LNE) ایجاد کردیم، که در آن ابزار نقشه برداری وب، ACM، تعبیه شده بود. ACM به زبان های برنامه نویسی سمت سرویس گیرنده (یعنی جاوا اسکریپت، HTML و CSS) نوشته شده است. بنابراین، ACM می تواند بر روی یک کامپیوتر محلی اجرا شود یا در برنامه های کاربردی وب که دارای معماری سرویس گیرنده-سرور هستند، جاسازی شود. LNE نمونه ای از برنامه های کاربردی وب حاوی ACM است. در حالی که ACM به کاربران اجازه می دهد تا با جایگزین کردن دو فایل ورودی ذکر شده در بالا، هر داده ای را تجسم کنند، LNE برای تجسم پایگاه داده طولی تراکت (LTDB) [ 35 ] طراحی شده است.]. LTDB دارای داده های مکانی-زمانی است که نشان دهنده نژاد/قومیت، اجتماعی-اقتصادی، مسکن، سن و وضعیت تاهل در سطح سرشماری در ایالات متحده است. LTDB در اصل از هر دو سرشماری ده ساله و داده های نظرسنجی جامعه آمریکا ساخته شد. برنامه های سمت سرور در پایتون LTDB را پرس و جو می کنند و داده های درخواست شده را به سمت سرویس گیرنده ارسال می کنند. همچنین، بر خلاف ACM، LNE شامل یک رابط است که به کاربران اجازه می دهد متغیرها و مناطق را انتخاب کنند ( شکل 3 ). توسعه ACM و LNE بخشی از بسته تحلیل همسایگی جغرافیایی (GEOSNAP) [ 36 ]، مجموعه‌ای از آمار مکانی و ابزارهای تجسمی برای تحلیل همسایگی طولی است.

3.1. طراحی رابط

رابط کاربری Longitudinal Neighborhood Explorer (LNE) طراحی شده است تا به کاربران اجازه دهد نه تنها تغییرات زمانی الگوهای توزیعی هر متغیر اجتماعی-اقتصادی و جمعیت شناختی، بلکه تفاوت در الگوهای توزیعی متغیرهای مختلف را در سطوح مختلف در سطوح مختلف بررسی کنند. کلان شهرها یا شهرستان ها در ایالات متحده رابط کاربری از دو بخش تشکیل شده است: بخش اول به کاربر اجازه می‌دهد متغیرهایی را که می‌خواهد تجسم کند انتخاب کند، و دومی برای تجسم خروجی‌ها در پاسخ به انتخاب‌های کاربر، برای ایجاد نماهای مختلف از نقشه‌ها. شکل 3رابط کاربری قسمت اول را نشان می دهد. کاربران گزینه ای برای انتخاب مناطق تعریف شده از نظر ایالت ها، متروها یا شهرستان ها دارند. برخی از داده ها در برخی از سال ها، به ویژه در سال 1970، در دسترس نیستند. همانطور که کاربران سال را در بالای رابط تغییر می دهند، می توانند در دسترس بودن هر متغیر را در طول زمان بررسی کنند. کاربران می توانند هر تعداد متغیری را که می خواهند با استفاده از چک باکس هر متغیر انتخاب کنند. هنگامی که انتخاب با کلیک بر روی دکمه در پایین سمت چپ در شکل 3 ارسال شد، بخش دوم رابط (به عنوان مثال، شکل 4 ) ظاهر می شود. قسمت دوم جایی است که ACM تعبیه شده است.

در قسمت دوم اینترفیس، کاربران می توانند با استفاده از ACM متغیرهای انتخاب شده را یک به یک تجسم کنند. به عنوان مثال، شکل 4 قسمت دوم رابط کاربری را نشان می دهد، جایی که متغیرهای انتخاب شده در کادر کشویی “لایه” نشان داده می شوند. شکل 4 یکی از نماهایی را نشان می دهد که می تواند توسط ACM ایجاد شود. در این مورد، درصد آسیایی ها و جزایر اقیانوس آرام از میان سیزده متغیری که قبلاً در شکل 3 انتخاب شده بودند، انتخاب شد . علاوه بر این نما، بسته به انتخاب کاربران در شکل 3 ، می توان نماهای متعددی ایجاد کرد .

از نظر طراحی رابط کاربری قسمت دوم، از آنجایی که داده های LTDB که برای تجسم استفاده می کنیم دارای پنج دوره مختلف (1970، 1980، 1990، 2000 و 2010) هستند، پلت فرم ما از پنج نقشه با هم برای تجسم تغییرات توزیعی استفاده می کند. در طول زمان. در بالای رابط، گزینه‌های موجود در کادر مشخص شده به رنگ آبی روشن، تجسم هر پنج نقشه را با هم تغییر می‌دهند. کادر کشویی “Year” هر سال به عنوان یک گزینه و همچنین یک گزینه “هر” است که سال ها را به ترتیب متوالی تجسم می کند. کاربران همچنین گزینه ای برای تجسم پنج نقشه از همان سال دارند. کادر کشویی “لایه” به کاربران اجازه می دهد تا متغیر هر پنج نقشه را به طور همزمان تغییر دهند. کادر کشویی “طبقه بندی” به کاربران امکان می دهد یکی از روش های طبقه بندی را انتخاب کنند (به بخش 3.2.2 مراجعه کنید.. برای جزئیات). “گروه بندی همه” در بخش 3.2.3 توضیح داده شده است . هنگامی که همه گزینه‌ها در کادر مشخص شده آبی روشن در بالا انتخاب شدند، کاربران باید روی دکمه «تنظیم جهانی» کلیک کنند تا تغییرات روی نقشه‌ها را مشاهده کنند. علاوه بر این، کاربران همچنین می توانند با تغییر گزینه های بالای هر نقشه، نمای هر نقشه را به طور جداگانه تغییر دهند. شکل 4 کادرهای کشویی “سال” و “لایه” را نشان می دهد که در بالای هر نقشه موجود است. با استفاده از این جعبه های کشویی، کاربران می توانند سال و نام یک لایه را در هر نقشه تغییر دهند.

3.2. قابلیت های ACM

3.2.1. یک فرآیند خودکار برای ایجاد چندین نقشه Choropleth با فواصل کلاسی یکسان

ACM (Adaptive Choropleth Mapper) یک روش خودکار برای محاسبه و تنظیم فواصل کلاس یکسان در نقشه های مختلف choropleth ارائه می دهد. روش‌های سنتی نگاشت choropleth فواصل کلاس را به طور جداگانه برای هر نقشه ایجاد می‌کنند، که مانع از مقایسه بین نقشه‌های متعدد می‌شود. به خصوص زمانی که کاربران دو یا چند نقشه choropleth متفاوت دارند که یک متغیر را در نقاط مختلف زمانی نشان می‌دهند، فواصل کلاس‌های مختلف در نقشه‌های مختلف باعث می‌شود که کاربران نتوانند تفاوت‌های نقشه‌ها را در طول زمان مقایسه کنند. با این حال، ACM از طبقه‌بندی‌های سنتی پشتیبانی می‌کند ( شکل 5 ) و همچنین به کاربران اجازه می‌دهد تا فواصل کلاسی یکسانی را برای همه نقشه‌ها با یک کلیک ایجاد کنند ( شکل 4)). فواصل کلاس های مختلف برای هر نقشه با تمام مقادیر در هر نقشه محاسبه می شود. از سوی دیگر، فاصله کلاسی یکسان برای چندین نقشه با استفاده از تمام مقادیر در هر پنج نقشه محاسبه می‌شود. تمام محاسباتی که فواصل کلاس ها را تعیین می کنند، در لحظه در سمت مشتری انجام می شوند. شکل 5 درصد آسیایی ها و جزایر اقیانوس آرام را با فواصل طبقاتی متفاوت برای هر یک از پنج نقشه مختلف برای هر سال نشان می دهد. از آنجایی که این پنج نقشه فواصل کلاسی متفاوتی دارند، شناسایی الگوهای مکانی-زمانی در درصد آسیایی ها و جزایر اقیانوس آرام در طول زمان گیج کننده است. از سوی دیگر، شکل 4توزیع را با فواصل کلاس یکسان نشان می دهد. این به کاربران امکان می دهد مناطقی را شناسایی کنند که در آن درصد آسیایی ها و جزایر اقیانوس آرام در طول زمان افزایش یا کاهش یافته است.

3.2.2. فواصل کلاس ها با وسعت نقشه سازگار است

دومین کارکرد نقشه‌بردار تطبیقی Choropleth (ACM) تجسم جفتی نقشه‌های choropleth با طبقه‌بندی جهانی و محلی است. ACM چندین روش طبقه بندی را ارائه می دهد: فواصل مساوی، چندک ها، انحراف معیار، پیشرفت حسابی، پیشرفت هندسی، و شکست های طبیعی. از آنجایی که روش طبقه بندی شکست های طبیعی جنکس محاسباتی فشرده است، ما از الگوریتم بهبود یافته ای به نام CKmeans [ 37 ] استفاده کردیم. Jenks و CKmeans نتیجه یکسانی را ایجاد می کنند، اما CKmeans زمان محاسبه را به طور قابل توجهی بهبود بخشیده است. CKmeans در آمار ساده [ 34 ] موجود است. برای سایر روش های طبقه بندی، از Geostats [ 33 ] استفاده شد.

برای هر روش طبقه‌بندی، ACM گزینه‌ای را در اختیار کاربران قرار می‌دهد تا نقشه‌هایی را با طبقه‌بندی جهانی یا طبقه‌بندی محلی در هر وسعت مکانی ببینند. طبقه‌بندی جهانی به رویکرد سنتی نقشه‌برداری choropleth اشاره دارد – یعنی یک طبقه‌بندی برای همه مقادیر در کل منطقه مورد مطالعه. با این حال، همانطور که در شکل 2 مشخص کردیممحدودیت طبقه بندی جهانی این است که به برخی از مناطق بزرگنمایی شده نقشه های choropleth تنوع بصری بسیار محدودی می دهد. این ممکن است تغییرات مکانی محلی در ویژگی مورد بررسی را پنهان کند. برای غلبه بر این محدودیت، هدف ACM حفظ تعداد کلاس‌های ظاهری بصری در مناطق بزرگ‌نمایی شده است. برای رسیدن به این هدف، ACM طبقه بندی محلی و همچنین طبقه بندی جهانی را ارائه می دهد. طبقه بندی محلی، که جنبه جدیدی از ACM است، به طور تطبیقی فواصل کلاس ها را با استفاده از مقادیر فقط در محدوده فعلی نقشه دوباره محاسبه می کند. هر زمان که کاربر وسعت نقشه را با حرکت و بزرگنمایی تغییر می دهد، فواصل طبقه بندی نیز تغییر می کند. علاوه بر طبقه‌بندی محلی/جهانی، ACM گزینه‌ای برای تغییر روش‌های طبقه‌بندی، تعداد کلاس‌ها و طرح رنگ در هر وسعت مکانی ارائه می‌کند.

شکل 6 ، شکل 7 و شکل 8 نحوه کار طبقه بندی جهانی و محلی را با استفاده از درصد ساکنان جزایر آسیایی و اقیانوس آرام به عنوان مثال نشان می دهد. در شکل 6 ، در بالای همه نقشه ها، هر طرح رنگ زرد به آبی و زرد به قرمز به ترتیب به طبقه بندی جهانی و محلی اختصاص داده شده است. در بالای هر نقشه، کاربران گزینه ای برای انتخاب بین طبقه بندی محلی و جهانی دارند. هنگامی که دکمه رادیویی “محلی” روشن است، نقشه با فواصل طبقه بندی محلی نشان داده می شود (به عنوان مثال، شکل 6 B). هنگامی که دکمه رادیویی “Global” روشن است، نقشه با فواصل طبقه بندی جهانی نشان داده می شود (به عنوان مثال، شکل 6 C). شکل 6نقشه های B,C همان ناحیه ای را نشان می دهد که ناحیه بزرگنمایی شده شکل 6 A است. نقشه شکل 6 D همان منطقه را با نقشه های شکل 6 B,C نشان می دهد، اما یک لایه پایه را نشان می دهد که OpenStreetMap است. با برداشتن علامت “لایه” در گوشه سمت چپ پایین هر نقشه، کاربران می توانند لایه پایه نقشه را ببینند.

تجسم دوگانه نقشه‌های choropleth با هر دو طبقه‌بندی جهانی و محلی، تغییراتی را در الگوهای توزیع در طول زمان در مناطق بزرگنمایی شده نشان می‌دهد. به عنوان مثال، نقشه های شکل 7 و شکل 8 یک زیرمنطقه از شکل 6 A و همچنین همان منطقه شکل 6 B,C را نشان می دهد. شکل 7 فواصل کلاس ها را با طبقه بندی جهانی نشان می دهد، به این معنی که فواصل کلاس ها با مقادیر همه چند ضلعی ها در کل منطقه شهری لس آنجلس محاسبه می شود. از سوی دیگر، شکل 8 فواصل کلاس های طبقه بندی محلی را نشان می دهد، به این معنی که فواصل کلاس ها با مقادیر چند ضلعی ها در محدوده نقشه فعلی محاسبه می شوند. چه زمانیشکل 7 و شکل 8 با هم مقایسه شده اند، شکل 8 تنوع بسیار بیشتری را در روشنایی رنگ نسبت به شکل 7 نشان می دهد. همچنین، شکل 8 تغییرات توزیعی بیشتری را بین بازه های کلاس در طول زمان نسبت به شکل 7 نشان می دهد. در حالی که ابزارهای سنتی نقشه برداری choropleth فقط از نماهای شکل 7 پشتیبانی می کنند، ACM از هر دو نمای شکل 7 و شکل 8 پشتیبانی می کند.

از نظر افسانه نقشه، Adaptive Choropleth Mapper (ACM) فواصل طبقه بندی محلی یا جهانی را بر اساس انتخاب کاربر نشان می دهد (افسانه را در گوشه سمت راست پایین در هر نقشه از شکل 7 و شکل 8 ببینید). افسانه در گوشه سمت راست بالای هر نقشه همچنین شماره کلاس یک چند ضلعی انتخاب شده (یعنی یک چند ضلعی برجسته) را در هر دو طبقه بندی جهانی و محلی نشان می دهد. به عنوان مثال، در نقشه دوم در شکل 7 و شکل 8، چند ضلعی برجسته شده متعلق به کلاس 4 با استفاده از طبقه بندی محلی و کلاس 1 با استفاده از فواصل طبقه بندی جهانی است. هنگامی که کاربران ماوس خود را روی یکی از چند ضلعی ها (تراکت ها) قرار می دهند، چند ضلعی انتخاب شده برجسته می شود و اطلاعات در گوشه بالا سمت راست تغییر می کند.

3.2.3. پیوند دادن و براشینگ برای کاوش نقشه های چندگانه Choropleth

سومین کارکرد ACM (Adaptive Choropleth Mapper) پیوند دادن و برس زدن بین چندین نقشه choropleth از نظر وسعت نقشه و فواصل کلاس است. G. Andrienko و N. Andrienko مفهوم پیوند دادن چند نقشه choropleth و اجرای آنها را در Descartes [ 28 ] توضیح دادند. ایجاد پیوند ACM توسط دکارت انجام شد، اما ACM دارای برخی پیشرفت‌ها است-یعنی ACM از پیوند برای نقشه‌های کامل و نقشه‌های نیمه انتخابی استفاده می‌کند ( برای جزئیات به شکل 9 مراجعه کنید). علاوه بر پیوند دادن، ACM به کاربران اجازه می‌دهد تا یک سری از نقشه‌ها را برای برجسته کردن مقادیر/چند ضلعی‌های خاص بررسی کنند.

هدف از پیوند در ACM به حداقل رساندن مراحل ساخت نقشه های متعدد دارای وسعت نقشه و فواصل کلاس یکسان است. این امر مقایسه مستقیم نقشه های چندگانه choropleth را در هر منطقه محلی تسهیل می کند. در رابط ACM، دکمه‌های مربوط به پیوند عبارتند از یک چک باکس «گروه‌بندی همه» در بالای همه نقشه‌ها، دکمه‌های رادیویی مانند «ایجاد یک گروه»، «پیوستن به گروه»، «پیوستن» و «ترک کردن» گروه” در بالای هر نقشه، و هر دکمه “همگام سازی” در سمت راست بالای هر نقشه.

لینک دهی در ACM دو حالت دارد: پیوند پیوسته و پیوند یکباره. پیوند پیوسته به روش زیر عمل می کند: هنگامی که هر یک از نقشه ها به گروه ملحق شد، (1) نقشه های پیوست شده با رنگ آبی مشخص می شوند تا نقشه هایی را که پیوند داده می شوند نشان دهند، و (2) نقشه های گروه به گونه ای تنظیم می شوند که هر زمان که کاربر هر یک از نقشه‌ها را بزرگ‌نمایی و حرکت می‌کند، نقشه و فواصل کلاس یکسان است. سه نقشه در شکل 9 نحوه عملکرد پیوند پیوسته را نشان می دهد. در رابط، کاربر فقط می تواند سه نقشه را در هر ردیف، در یک زمان ببیند. سه نمای نقشه در هر ردیف وضعیت را پس از هر عملیات کاربر نشان می دهد. خطوط آبی نقشه ها نشان دهنده نقشه هایی است که در گروه ملحق شده اند. فلش ها نقشه ای را نشان می دهند که در هر مرحله تغییر می کند. به عنوان مثال، شکل 9 B1 ازشکل 9 A1 و تغییرات به شکل 9 C1. شکل 9 برای نشان دادن یک تغییر گام به گام ایجاد شده است. فقط یک نقشه در هر مرحله تغییر می کند و نقشه در حال تغییر در یک فلش فیروزه ای نشان داده می شود. Longitudinal Neighborhood Explorer دارای پنج نقشه است. در میان آنها، سه نقشه برای نمایش در شکل 9 گرفته شده است.

در مثال، یک جمعیت شناس فرضی می خواهد الگوهای توزیعی گروه های نژادی مختلف را در زیر مجموعه ای از محله های لس آنجلس مقایسه کند. در مرحله اولیه، در بالای رابط، او طبقه‌بندی چندک را به عنوان روش طبقه‌بندی نقشه‌های choropleth برای تجسم انتخاب می‌کند و سپس هر یک از سه متغیر مختلف را انتخاب می‌کند: درصد سفیدپوستان، درصد سیاه‌پوستان و درصد آسیایی‌ها. و جزایر اقیانوس آرام در بالای هر نقشه (A1، A2، و A3 از شکل 9 ). در این مرحله، هر نقشه دارای مجموعه ای متفاوت از فواصل طبقه بندی است. از آنجایی که او برای اولین بار علاقه مند به بررسی توزیع سفیدپوستان در منطقه جنوب غربی شهرستان لس آنجلس است، در سمت چپ ترین نقشه روی منطقه زوم می کند (مرحله 1). در نتیجه اولین قدم،شکل 9 A1 به شکل 9 B1 تغییر کرده است. در حالی که او توزیع سفیدپوستان را در شکل 9 B1 بررسی می کند، می خواهد توزیع سیاه پوستان و آسیایی ها و ساکنان جزایر اقیانوس آرام را با توزیع سفیدپوستان در همان ناحیه شکل 9 B1 مقایسه کند. برای این مقایسه، او روی دکمه “ایجاد یک گروه” در بالای شکل 9 B1 (مرحله 2) کلیک می کند. پس از کلیک روی دکمه، دکمه به دو دکمه “پیوسته” و “ترک گروه” تغییر می کند و نقشه سمت چپ در نتیجه مرحله دوم به رنگ آبی مشخص می شود ( شکل 9 C1). در مرحله بعد، او همچنین روی دکمه “پیوستن به گروه” در بالای نقشه میانی، شکل 9 کلیک می کند.C2 (مرحله 3). در این مرحله نمای نقشه میانی از شکل 9 C2 به شکل 9 D2 تغییر می کند. در نتیجه، نقشه شکل 9 C2 طوری تنظیم شده است که فواصل کلاس و وسعت نقشه مشابه نقشه شکل 9 C1 داشته باشد. نقشه های شکل 9 D1,D2 پس از انجام این تنظیم نشان داده شده است. اکنون، او می تواند مقایسه مستقیمی در توزیع سفیدپوستان و سیاه پوستان در همان منطقه، با فاصله کلاسی مشابه در شکل 9 D1,D2 داشته باشد. سپس، جمعیت شناس ما روی دکمه “پیوستن به گروه” در بالای شکل 9 D3 (مرحله 4) کلیک می کند. در این مرحله نقشه سمت راست از شکل 9 D3 به شکل 9 E3 تغییر می کند. در نهایت، شکل 9نقشه‌های E1–E3 یک منطقه را نشان می‌دهند و سه متغیر مختلف را با فواصل کلاسی یکسان نشان می‌دهند، بنابراین او می‌تواند توزیع سفیدپوستان، سیاه‌پوستان و آسیایی‌ها و جزایر اقیانوس آرام را در منطقه مورد نظر مقایسه کند. او همچنین می‌تواند در هر زمان با کلیک روی «ترک گروه» در بالای هر نقشه، پیوند را متوقف کند.

پیوند پیوسته چندین ترکیب را از نظر گروه بندی نقشه ها فراهم می کند. برای مثال، نقشه‌های شکل 10 ، از چپ به راست، نشان‌دهنده (A) درصد سفیدپوستان، (B) درصد سیاه‌پوستان، (C) درصد اسپانیایی‌ها، (D) درصد چینی‌ها و (E) درصد از کره‌ای‌ها هستند. . در نماهای نقشه، فقط (D) و (E) در یک گروه (پیوند شده) به هم می پیوندند – یعنی دو نقشه دارای وسعت نقشه و فواصل کلاس یکسان هستند، بنابراین مقایسه مستقیم بین دو نقشه امکان پذیر است. از طرف دیگر، بقیه آن ( شکل 10 A-C) در یک گروه به هم پیوسته نیست (پیوند داده نشده است)، بنابراین هر یک از سه نقشه را می توان به صورت جداگانه با فاصله کلاس و وسعت نقشه خود کاوش کرد. در این صورت، اگر کاربر بخواهد هر پنج نقشه را با هم مقایسه کند، می‌تواند به نقشه‌های آن بپیونددشکل 10 A-C را در یک گروه با کلیک کردن روی دکمه رادیویی “پیوستن به گروه” در بالای هر نقشه، شکل دهید. شکل 11 نماها را پس از پیوستن همه نقشه ها نشان می دهد. در نقشه های شکل 11 ، کاربران می توانند مقایسه یکسانی از همه نقشه ها داشته باشند.

فواصل کلاس های مختلف بین شکل 10 و شکل 11 ضرورت پیوند نقشه های انتخاب شده را نشان می دهد. فواصل کلاس در نقشه های شکل 10 D,E با مقادیر چند ضلعی ها در دو نقشه انتخاب شده (یعنی با طرح آبی) محاسبه شد در حالی که فواصل کلاس در شکل 11 D,E با مقادیر چند ضلعی ها در هر پنج نقشه محاسبه شد. . بنابراین، نقشه های شکل 10 D,E مقایسه واضح تری را با تفاوت بیشتر در روشنایی رنگ نسبت به نقشه های شکل 11 D,E انجام می دهند.

علاوه بر این، پیوند مداوم به کاربران اجازه می دهد تا به سرعت یک سری نقشه ایجاد کنند که تغییرات مکانی-زمانی را در هر منطقه بزرگنمایی شده نشان می دهد. به عنوان مثال، هر دو شکل 4 و شکل 8 درصد آسیایی ها و جزایر اقیانوس آرام را در سال های 1970، 1980، 1990، 2000 و 2010 از نقشه سمت چپ به سمت راست نشان می دهند. شکل 8 ناحیه بزرگنمایی شده شکل 4 است. در این حالت، «گروه‌بندی همه» در مرحله اولیه کلیک می‌شود تا همه نقشه‌ها به یکباره در یک گروه (پیوند شده) ملحق شوند. به دلیل پیوند پیوسته، نقشه‌های شکل 8 از شکل 4 ، پس از بزرگ‌نمایی و جابجایی یکی از پنج نقشه ایجاد شدند. نسخه ی نمایشی ویدئو در انتهای شکل 8توضیحات نشان می دهد که چگونه شکل 8 را می توان به راحتی از شکل 4 ایجاد کرد. به عبارت دیگر، در ACM، فرآیند ایجاد نمای نقشه شکل 8 از شکل 4 را می توان با سه مرحله انجام داد: (1) چک باکس “گروه بندی همه” را علامت بزنید، (2) روی دکمه “تنظیم جهانی” کلیک کنید، و ( 3) روی زیرمنطقه مورد علاقه آنها در هر یک از پنج نقشه بزرگنمایی کنید. در این مرحله سوم، همه نقشه ها به طور خودکار تنظیم می شوند تا محدوده نقشه و فواصل کلاس یکسانی داشته باشند. اگر هر نقشه در شکل 8 به صورت جداگانه با استفاده از نرم افزار GIS معمولی غیر از ACM ایجاد می شد، به مراحل بیشتری نیاز داشت ( برای جزئیات به بخش 2.1 مراجعه کنید).

Adaptive Choropleth Mapper (ACM) همچنین پیوندهای یکباره را فراهم می کند. کاربران معمولاً نقشه را تا زمانی که منطقه خاصی را که به آن علاقه مند هستند، بزرگنمایی و حرکت می دهند. در این شرایط، پیوند مداوم چندین نقشه از نظر محاسباتی گران است، زیرا برنامه هر بار که کاربر بررسی می کند که آیا هر چند ضلعی در محدوده نقشه قرار دارد یا خیر. حرکت می کند یا بزرگنمایی می کند، و بازه کلاس را با مقادیر چند ضلعی در محدوده نقشه فعلی دوباره محاسبه می کند. ما دریافتیم که استفاده از پیوند پیوسته بیش از 3000 چند ضلعی از پنج نقشه، عملکرد را در رایانه‌های با قدرت متوسط کاهش می‌دهد. در این حالت می توان از دکمه “Sync” برای پیوند یکباره همه نقشه ها استفاده کرد. شکل 7 ، شکل 8 ، شکل 9 ، شکل 10و شکل 11 نشان می دهد که هر نقشه یک دکمه “Sync” در گوشه سمت راست بالای هر نقشه دارد. هر دکمه «همگام‌سازی» به کاربران اجازه می‌دهد تا همه نقشه‌های دیگر را طوری تنظیم کنند که وسعت نقشه و فواصل کلاسی یکسانی با نقشه‌ای که دکمه «همگام‌سازی» آن کلیک شده است، داشته باشند. دکمه “Sync” فقط یک بار پیوند را از نظر فاصله کلاس و وسعت نقشه فقط برای همه نقشه ها فراهم می کند. پس از پیوند یکباره، اگر کاربر وسعت نقشه را در هر یک از نقشه‌ها تغییر دهد، نقشه‌های جابه‌جا شده دیگر فاصله کلاسی و وسعت نقشه را مانند بقیه نقشه‌ها ندارند.

3.2.4. تجسم الگوی زمانی

عملکرد چهارم Adaptive Choropleth Mapper (ACM) یک نمودار پشته‌ای است که نشان‌دهنده تغییر زمانی هر کلاس در نقشه‌های choropleth در طول زمان است (تصویر پایین سمت راست شکل 4 ، شکل 7 ، و شکل 8 را ببینید.). نمودار انباشته شده در بالا نشان دهنده درصد تعداد چند ضلعی های متعلق به هر یک از بازه های طبقه بندی جهانی است. نمودار انباشته شده در پایین نشان دهنده درصد تعداد چند ضلعی های متعلق به هر یک از فواصل طبقه بندی محلی است. هر دو نمودار انباشته جهانی و محلی فقط در صورتی نشان داده می شوند که هر پنج نقشه فواصل کلاسی یکسان و وسعت نقشه یکسان داشته باشند. نمودار انباشته جهانی هرگز تغییر نمی کند، زیرا فواصل طبقه بندی جهانی بدون توجه به حرکت و بزرگنمایی نقشه ثابت می ماند. با این حال، نمودار انباشته محلی براساس فواصل کلاس محلی تغییر می‌کند، زیرا هر بار که کاربران همه نقشه‌ها را با هم حرکت می‌کنند یا بزرگ‌نمایی می‌کنند، دوباره محاسبه می‌شوند.

در برخی موارد، روند پویایی زمانی بین یک منطقه کامل و یک منطقه محلی متفاوت است. به عنوان مثال، نمودارهای انباشته شده جهانی و محلی در گوشه سمت راست پایین شکل 8 ، پویایی های زمانی متفاوت در توزیع آسیایی ها و جزایر اقیانوس آرام بین گستره جهانی و محلی را نشان می دهد، به عنوان مثال، نمودار انباشته جهانی با رنگ زرد به- طرح رنگ آبی نشان می دهد که آسیایی ها و ساکنان جزایر اقیانوس آرام در کل منطقه شهری لس آنجلس افزایش یافته اند (یعنی منطقه در شکل 6 A). با این حال، نمودار انباشته محلی با طرح رنگ زرد به قرمز نشان می‌دهد که آسیایی‌ها و ساکنان جزایر اقیانوس آرام در محدوده نقشه فعلی کاهش یافته‌اند، که یک منطقه فرعی نسبتا کوچک در اطراف فلورانس، در LA است (یعنی منطقه درشکل 6 D).

4. نتیجه گیری

نقشه‌بردار تطبیقی کروپلث (ACM) در مقایسه با روش‌های نگاشت کروپلث معمولی، عملکردهای بهبود یافته‌ای زیادی دارد. این قابلیت‌های زیر را ارائه می‌کند: (1) یک روش خودکار برای تنظیم فواصل کلاس‌های یکسان برای نقشه‌های چندگانه، (2) فواصل طبقه‌بندی محلی برای آشکار کردن تغییرات دقیق در مناطق بزرگ‌نمایی شده، (3) پیوند دادن همه یا نقشه‌های انتخابی از نظر وسعت نقشه و فواصل کلاس، و (4) یک نمودار انباشته برای تجسم دینامیک زمانی. تا جایی که ما می دانیم، ACM اولین ابزار منبع باز آنلاین است که چندین نقشه choropleth را در کنار هم نمایش می دهد و تمام عملکردهای ذکر شده در بالا را دارد. به طور خاص، مفهوم فواصل کلاس تطبیقی برای تجسم نقشه چندگانه (شرح شده در بخش 3.2.2).) یک ویژگی منحصر به فرد ACM است که هرگز در کنار پیوند شرح داده شده در بخش 3.2.3 پیاده سازی نشده است . به طور خلاصه، ویژگی منحصر به فرد ACM این است که صرف نظر از اینکه کاربران روی چه قسمت هایی از نقشه ها زوم می کنند تا بررسی کنند، طبقه بندی محلی ACM هرگز نقشه های choropleth با کلاس های بسیار کم ایجاد نمی کند. علاوه بر این، هنگامی که کاربران یکی از نقشه‌های انتخابی را با حرکت یا بزرگنمایی حرکت می‌کنند، همه نقشه‌های دیگر به‌طور همزمان حرکت می‌کنند تا در هر نقشه یک وسعت نشان داده شود. ویژگی‌های منحصربه‌فرد ACM به کاربران کمک می‌کند تا توزیع‌های فضایی را با جزئیات بررسی کنند، به عنوان مثال، نقشه‌ها هرگز تغییرات جزئی در توزیع فضایی را از دست نمی‌دهند، صرفنظر از اینکه در چه مناطقی روی نقشه‌های متعدد choropleth بزرگ‌نمایی شده‌اند.

مزیت دیگر ACM این است که از بسته های نرم افزاری منبع باز ساخته شده است. کد منبع ACM باز و به صورت رایگان در دسترس است، بنابراین با هر نرم افزار منبع باز دیگری قابل توسعه است. به عنوان مثال، صدها پلاگین Leaflet وجود دارد که می توانند با ACM ترکیب شوند. بسیاری از کاربران در توسعه این افزونه ها مشارکت داشته اند ( https://leafletjs.com/plugins.html ). علاوه بر این، کتابخانه های ترسیم منبع باز مانند D3 و PlotlyJS نیز می توانند با ACM ترکیب شوند.

ACM می تواند برای تجسم هر گونه داده، مانند داده های مرگ و میر و بیماری، و همچنین داده های سرشماری، در هر گستره جغرافیایی استفاده شود. Adaptive Choropleth Mapper (ACM) به عنوان یک پروژه منبع باز در https://sarasen.asuscomm.com/ACM تحت مجوز MIT در دسترس است. پس از دانلود، ACM به راحتی داده های جغرافیایی کاربر را نشان می دهد. ACM یک الگو برای یک نقشه choropleth و همچنین چندین نقشه (تا پانزده) فراهم می کند. یک الگو برای یک نقشه choropleth منفرد برای مقایسه جانبی الگوهای توزیع متغیرهای متعدد طراحی نشده است، اما این الگو تجسم زوجی از یک نقشه choropleth را با فواصل طبقه‌بندی جهانی و محلی که در بخش 3.2.2 توضیح داده شده است، ارائه می‌کند.. برای بیش از دو نقشه، ACM از تمام عملکردهای توضیح داده شده در بخش 3.2 پشتیبانی می کند. از نظر کاربران بالقوه ACM، هرکسی که تجربه برنامه نویسی نداشته باشد می تواند با جایگزینی داده های ورودی از ACM استفاده کند. کارشناسان GIS که سابقه برنامه نویسی دارند می توانند به راحتی ACM را به برنامه های کاربردی وب خود اضافه کنند.

این مقاله مزیت تغییر انطباقی بازه‌های کلاس را در مناطق محلی نقشه‌های متعدد شرح داد. ناشناخته باقی مانده است که چگونه افراد می توانند با تغییر فواصل کلاسی ACM کنار بیایند تا درک منسجمی از تنوع فضایی محلی در داده های جغرافیایی ایجاد کنند. در مطالعه بعدی، یک نظرسنجی انجام خواهد شد (1) برای آزمایش اینکه آیا درک الگوها با فواصل کلاسی در حال تغییر انطباقی بر روی نقشه‌های متعدد، یک فعالیت شناختی چالش برانگیز است و (2) برای بررسی اینکه آیا افراد تصورات نادرستی در مورد الگوهای فضایی دارند یا خیر. مجموعه داده ها به دلیل تغییر خودکار فواصل کلاس.

منابع

اگبرت، اس ال. Slocum، TA EXPLORE MAP: یک سیستم اکتشافی برای نقشه های choropleth. ان دانشیار صبح. Geogr. 1992 ، 82 ، 275-288. [ Google Scholar ] [ CrossRef ]
Chinoy، S. مکان هایی در ایالات متحده که در آن فاجعه بارها و بارها رخ می دهد. در دسترس آنلاین: https://www.nytimes.com/interactive/2018/05/24/us/disasters-hurricanes-wildfires-storms.html?smid=fb-nytimes&smtyp=cur (در 25 مه 2019 قابل دسترسی است).
Stillwell، HD خطرات و بلایای طبیعی در آمریکای لاتین. نات. خطرات 1992 ، 6 ، 131-159. [ Google Scholar ] [ CrossRef ]
Battersby، SE; میچل، جی تی; کاتر، SL توسعه اطلس خطرات آنلاین برای بهبود آگاهی از بلایا. بین المللی Res. Geogr. محیط زیست آموزش. 2011 ، 20 ، 297-308. [ Google Scholar ] [ CrossRef ]
آوونوتی، م. کرسی، اس. دل ویگنا، اف. تسکونی، ام. نقشه‌برداری بداهه بحران برای اولویت‌بندی واکنش اضطراری. کامپیوتر 2016 ، 49 ، 28-37. [ Google Scholar ] [ CrossRef ]
Eck، JE Crime Hot Spots: آنها چه هستند، چرا ما آنها را داریم و چگونه آنها را نقشه برداری کنیم. در Mapping Crime: Understanding Hot Spots ; NIJ: واشنگتن، دی سی، ایالات متحده آمریکا، 2005. [ Google Scholar ]
موری، AT; خجالتی، T.-K. ادغام ویژگی‌ها و ویژگی‌های فضا در نمایشگر choropleth و داده‌کاوی فضایی. بین المللی جی. جئوگر. Inf. علمی 2000 ، 14 ، 649-667. [ Google Scholar ] [ CrossRef ]
کراملی، آر جی. طراحی افسانه نقشه کراملی، EK Choropleth برای تجسم نابرابری‌های سلامت جامعه. بین المللی J. Health Geogr. 2009 ، 8 ، 52. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Carr، DB; بل، اس. پیکل، ال. ژانگ، ی. لی، ی. وب سایت نمایه های سرطان ایالتی و پسوند نمودارهای ریزنقشه مرتبط و نمودارهای نقشه choropleth شرطی. در مجموعه مقالات کنفرانس ملی سالانه تحقیقات دولت دیجیتال، بوستون، MA، ایالات متحده آمریکا، 18-21 مه 2003. صص 1-5. [ Google Scholar ]
Goovaerts، P. تجزیه و تحلیل زمین آماری داده های بیماری: حسابداری برای حمایت فضایی و تراکم جمعیت در نقشه برداری همسطحی خطر مرگ و میر سرطان با استفاده از پواسون کریجینگ منطقه به نقطه. بین المللی J. Health Geogr. 2006 ، 5 ، 52. [ Google Scholar ] [ CrossRef ] [ PubMed ]
چن، جی. راث، RE; نایتو، AT; Lengerich، EJ; MacEachren، AM Geovisual Analytics برای بهبود تفسیر آماری اسکن فضایی: تجزیه و تحلیل مرگ و میر سرطان دهانه رحم در ایالات متحده. بین المللی J. Health Geogr. 2008 ، 7 ، 57. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کرسی، اس. چیمینو، ای. دل اورلتا، اف. Tesconi، M. نقشه برداری بحران در طول بلایای طبیعی از طریق تجزیه و تحلیل متنی پیام های رسانه های اجتماعی. در مجموعه مقالات کنفرانس بین المللی مهندسی سیستم های اطلاعات وب، میامی، فلوریدا، ایالات متحده آمریکا، 18 تا 20 اکتبر 2015. ص 250-258. [ Google Scholar ]
لیون، آ. نون، م. گروسل، جی. Burgman، M. مقایسه سیستم‌های هوشمند امنیت زیستی مبتنی بر وب: BioCaster، EpiSPIDER و HealthMap. Transbound. ظهور. دیس 2012 ، 59 ، 223-232. [ Google Scholar ] [ CrossRef ] [ PubMed ]
موجود، A.; بوزون، آ. بوکونی، اس. بولیوار، CT بستری برای تجزیه و تحلیل شهری و ادغام داده های معنایی در برنامه ریزی شهری. در مجموعه مقالات کنفرانس بین المللی آینده های طراحی معماری به کمک کامپیوتر، مونیخ، آلمان، 4 تا 6 اوت 2015. ص 21-36. [ Google Scholar ]
برویر، کالیفرنیا؛ Suchan، TA Mapping Census 2000: The Geographic of US Diversity . ESRI, Inc.: Redlands, FL, USA, 2001; جلد 1. [ Google Scholar ]
ترشی، LW; مونگیول، ام. جونز، جی.کی. سفید، AA بررسی الگوهای فضایی مرگ و میر: اطلس جدید مرگ و میر ایالات متحده. آمار پزشکی 1999 ، 18 ، 3211-3220. [ Google Scholar ] [ CrossRef ]
دوسا، اس. گرومن، دی. بلات، دبلیو. پنللو، جی. هوور، آر. Fraumeni، J. Atlas مرگ و میر سرطان در ایالات متحده، 1950-1994. صبح. J. Epidemiol. 1999 ، 149 ، 68. [ Google Scholar ]
Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
موران، PA یادداشت هایی در مورد پدیده های تصادفی پیوسته. Biometrika 1950 ، 37 ، 17-23. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کلیف، ا. Ord, JK Spatial Processes: Models and Applications ; Pion: لندن، بریتانیا، 1981. [ Google Scholar ]
MacEachren، AM; کرافورد، اس. آکلا، م. Lengerich, G. طراحی و اجرای یک مدل اطلس سرطان مبتنی بر وب و مجهز به GIS. کارتوگر. J. 2008 , 45 , 246-260. [ Google Scholar ] [ CrossRef ]
نقشه سلامت ایالات متحده در دسترس آنلاین: https://vizhub.healthdata.org/subnational/usa (در 1 سپتامبر 2019 قابل دسترسی است).
نقشه‌بردار داده‌های سرشماری. در دسترس آنلاین: https://datamapper.geo.census.gov/map.html (در 1 سپتامبر 2019 قابل دسترسی است).
Uber و Lyft در سانفرانسیسکو. در دسترس آنلاین: https://tncstoday.sfcta.org/ (در 1 سپتامبر 2019 قابل دسترسی است).
اطلس فرصت. در دسترس آنلاین: https://www.opportunityatlas.org/ (در 1 سپتامبر 2019 قابل دسترسی است).
کاوشگر سرشماری در دسترس آنلاین: https://www.census.gov/censusexplorer/censusexplorer-popest.html (در 1 سپتامبر 2019 قابل دسترسی است).
لوگان، جی. خو، ز. Sults، B. محله‌ها در طول زمان. در دسترس آنلاین: https://s4.ad.brown.edu/WebGISnew/webgisLTDB/ (در 1 سپتامبر 2019 قابل دسترسی است).
آندرینکو، جی ال. نقشه های تعاملی Andrienko، NV برای اکتشاف داده های بصری. بین المللی جی. جئوگر. Inf. علمی 1999 ، 13 ، 355-374. [ Google Scholar ] [ CrossRef ]
دایکز، جی. فشار دادن نقشه ها از مرزهای تعیین شده خود: یک رویکرد یکپارچه برای تجسم نقشه برداری. نوآوری. Gis 1995 ، 3 ، 177-187. [ Google Scholar ]
ساتیانارایان، ا. موریتز، دی. وانگسوفاساوات، ک. Heer, J. Vega-lite: گرامر گرافیک تعاملی. IEEE Trans. Vis. محاسبه کنید. نمودار. 2016 ، 23 ، 341-350. [ Google Scholar ] [ CrossRef ] [ PubMed ]
آندرینکو، ن. Andrienko، G. V-Analytics (معروف به CommonGIS). در دسترس آنلاین: https://geoanalytics.net/V-Analytics (در 1 سپتامبر 2019 قابل دسترسی است).
ری، اس جی. Anselin, L. PySAL: A Python Library of Spatial Analytical Methods. در کتابچه راهنمای تحلیل کاربردی فضایی ; Springer: برلین/هایدلبرگ، آلمان، 2010; صص 175-193. [ Google Scholar ]
Georget, S. Geostats—نمونه‌های کتابخانه طبقه‌بندی جاوا اسکریپت. در دسترس آنلاین: https://www.intermezzo-coop.eu/mapping/geostats/ (در 1 سپتامبر 2019 قابل دسترسی است).
مک رایت، تی. آمار ساده. در دسترس آنلاین: https://simplestatistics.org/ (دسترسی در 10 سپتامبر 2019).
لوگان، جی آر. خو، ز. Stults، BJ درون یابی داده های سرشماری ده ساله ایالات متحده از اوایل سال 1970 تا 2010: پایگاه داده مسیر طولی. پروفسور Geogr. 2014 ، 66 ، 412-420. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کناپ، ای. کانگ، دبلیو. ری، اس. ولف، ال جی. Cortes، RX; Han، SY Spatialucr/Geosnap (نسخه 0.0.3) ؛ Zenodo: Riverside, CA, USA, 2019. [ Google Scholar ] [ CrossRef ]
وانگ، اچ. آهنگ، M. Ckmeans. 1d. dp: k-بهینه به معنای خوشه بندی در یک بعد با برنامه نویسی پویا است. R J. 2011 , 3 , 29. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]

شکل 1. توزیع درصد آسیایی ها و جزایر اقیانوس آرام در سال های 1970، 1980، 1990، 2000 و 2010 در لس آنجلس. نقشه های ( 1A ) تا ( 1E ) فواصل طبقه بندی متفاوتی دارند، در حالی که نقشه های ( 2A ) تا ( 2E ) فواصل طبقه بندی یکسانی دارند.

شکل 2. محدودیت نقشه های Choropleth ایجاد شده توسط ArcMap و ArcGIS Pro.

شکل 3. بخش اول رابط کاربری Longitudinal Neighborhood Explorer (LNE). برای دریافت ورودی از کاربران طراحی شده است. LNE در https://sarasen.asuscomm.com/LNE/intro.html موجود است .

شکل 4. بخش دوم رابط کاربری Longitudinal Neighborhood Explorer (LNE). نقشه ها نشان دهنده درصد آسیایی ها و جزایر اقیانوس آرام با فواصل طبقه بندی یکسان در تمام نقشه ها هستند. این یکی از نماهایی است که از Adaptive Choropleth Mapper ایجاد شده است.

شکل 5. درصد آسیایی ها و جزایر اقیانوس آرام با فواصل طبقاتی متفاوت از هر نقشه. یکی از نماهایی است که از Adaptive Choropleth Mapper ایجاد شده است.

شکل 6. یکی از نماهای ACM. با استفاده از گزینه های بالای هر نقشه می توان نماهای مختلفی ایجاد کرد. نقشه ها درصد آسیایی ها و جزایر اقیانوس آرام را در منطقه شهری لس آنجلس در سال 2010 نشان می دهد. منطقه داخل جعبه کوچک در مرکز نقشه اول ( A ) همان منطقه سه نقشه دیگر ( B ، C ، D ) است. . دکمه رادیویی “محلی” روی نقشه ( B ) کلیک می شود، در حالی که دکمه رادیویی “جهانی” روی بقیه آن کلیک می شود.

شکل 7. درصد آسیایی ها و جزایر اقیانوس آرام در یک منطقه بزرگنمایی شده با طبقه بندی جهانی. دکمه رادیویی “Global” در گوشه سمت چپ بالای هر نقشه کلیک می شود. در این مثال، روش طبقه بندی کمیت انتخاب شد. شکل S3 مثالی را نشان می دهد که چگونه نقشه ها در یک منطقه متفاوت به نظر می رسند، اما با روش طبقه بندی شکست طبیعی.

شکل 8. درصد آسیایی ها و جزایر اقیانوس آرام در یک منطقه بزرگنمایی شده با طبقه بندی محلی. نقشه های بالا همان منطقه را با نقشه های شکل 7 نشان می دهند. چک باکس “محلی” در سمت چپ بالای هر نقشه علامت زده می شود. در این مثال، روش طبقه بندی کمیت انتخاب شد. شکل S4 مثالی را نشان می دهد که چگونه نقشه ها در یک منطقه با روش طبقه بندی شکست طبیعی متفاوت به نظر می رسند. نسخه متحرک با روایت های شکل 7 و شکل 8 در https://sarasen.asuscomm.com/acm/Fig8 موجود است .

شکل 9. پیوند پیوسته برای مقایسه سه متغیر: درصد سفیدپوستان، سیاه پوستان، و آسیایی ها و ساکنان جزایر اقیانوس آرام (از چپ به راست). مرحله 1: نقشه سمت چپ بزرگنمایی شده است. مرحله 2: دکمه “ایجاد گروه” در نقشه سمت چپ کلیک شد. مرحله 3: دکمه “پیوستن به گروه” در نقشه وسط کلیک شد. مرحله 4: دکمه “پیوستن به گروه” روی نقشه سمت راست کلیک شد. نسخه متحرک همراه با روایت در https://sarasen.asuscomm.com/acm/Fig9 موجود است .

شکل 10. پیوند دادن نقشه های نیمه انتخاب شده. نقشه های ( D ) و ( E ) در یک گروه ملحق شدند. نقشه‌ها از چپ به راست نشان‌دهنده ( A ) درصد سفیدپوستان، ( B ) درصد سیاه‌پوستان، ( C ) درصد اسپانیایی‌ها، ( D ) درصد چینی‌ها و ( E ) درصد کره‌ای‌ها هستند.

شکل 11. پیوند دادن همه نقشه ها. نقشه‌ها از چپ به راست نشان‌دهنده ( A ) درصد سفیدپوستان، ( B ) درصد سیاه‌پوستان، ( C ) درصد اسپانیایی‌ها، ( D ) درصد چینی‌ها و ( E ) درصد کره‌ای‌ها هستند.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.