Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Www.geoinformatics.upol.cz Hodnocení složitosti prostorových struktur Vít PÁSZTO & Lukáš MAREK Department of Geoinformatics, Faculty of Science, Palacký.

Podobné prezentace


Prezentace na téma: "Www.geoinformatics.upol.cz Hodnocení složitosti prostorových struktur Vít PÁSZTO & Lukáš MAREK Department of Geoinformatics, Faculty of Science, Palacký."— Transkript prezentace:

1 Hodnocení složitosti prostorových struktur Vít PÁSZTO & Lukáš MAREK Department of Geoinformatics, Faculty of Science, Palacký University in Olomouc Reg. č.: CZ.1.07/2.3.00/

2 Rozvrh „hodin“ Úvod do tvarových metrik Použití v zahraničí Matematické základy tvarových a prostorových metrik Případové studie UPOL SW možnosti výpočtu Clusterování Omezení a úskalí při použití

3 Úvod Kvantitativní geografie První použití krajinnými ekology Popis krajinných plošek Využití výpočetní síly počítačů Vyvinuto přes 100 různých metrik

4 Úvod Environmental patterns are influenced by ecological processes (McGarigal and Marks, 1995) geogr. process pattern GIS, metrics

5 Úvod Prerequisite to the study pattern-process relationships (McGarigal and Marks, 1995)

6 Úvod Prostorové a tvarové metriky tedy slouží pro kvantitativní popis ploch Slouží pro popis charakteru krajinné kompozice a prostorové konfigurace ploch Nalezení vzorů uspořádání prvků v krajině (včetně městské krajiny) V kombinaci s vícerozměrnou statistikou lze klasifikovat, shlukovat a následně hodnotit plochy

7 Úvod Analýza vhodnosti ploch pro různé účely Kompaktnost tzv. urban footprint může být mírou urban sprawl Analýza tvaru volebních obvodů (odhalení gerrymanderingu) Doplněk k dalším metodám hodnocení ploch Kartografie???

8 Tvarové a prostorové metriky

9 Tvarové a prostorové metriky

10 Tvarové a prostorové metriky

11 Tvarové a prostorové metriky

12 Měřítko Hraje klíčovou roli Před analýzou nutno: o Explicitně definovat měřítko o Identifikovat objekty, jevy a procesy relativní na měřítku o Být opatrný při srovnávání jevů s různými měřítky

13 Měřítková invariance Fraktální krajina

14 Měřítková invariance Fraktální město

15 Příklady použití Sphuza, E. (2007): Urban shapes and urban grids…

16 Příklady použití Sphuza, E. (2007): Urban shapes and urban grids…

17 Příklady použití Sphuza, E. (2007): Urban shapes and urban grids…

18 Příklady použití Nungesser, M.K. (2011): Reading the landscape…

19 Příklady použití Nungesser, M.K. (2011): Reading the landscape…

20 Příklady použití Nungesser, M.K. (2011): Reading the landscape…

21 Příklady použití Herold, M. et al. (2003): The role of spatial metrics in the analysis and modeling of urban land use change

22 Příklady použití Herold, M. et al. (2003): The role of spatial metrics…

23 Příklady použití Herold, M. et al. (2003): The role of spatial metrics…

24 Tvarové a prostorové metriky Fundamentally based on patch area, perimeter and shape + patch type, edge, neighbour type Easy-to-obtain metrics & complex metrics Describes (mainly) only geometric part of patch EXAMPLE/EXPLANATION

25 Tvarové a prostorové metriky

26 Tvarové a prostorové metriky

27 Tvarové a prostorové metriky

28 Tvarové metriky

29 Tvarové metriky - FRAGSTATS Patch level

30 Tvarové metriky - FRAGSTATS Patch level

31 Tvarové metriky - FRAGSTATS Patch level

32 Tvarové metriky – Shape Metrics Tbx Jason Parent Daniel Civco Shlomo Angel

33 Proximity index d1d1 d2d2 d3d3 d4d4 Proximity d 1 + d 2 +…d n n = The average Euclidean distance from all interior points to the centroid *

34 Spin index The average of the square of the Euclidean distances between all interior points and the centroid. d1d1 d2d2 d3d3 d4d4 spin d d 2 2 +…d n 2 # of points =

35 Dispersion index The average distance from the centroid to all points on the shape perimeter. d4d4 d1d1 d2d2 d3d3 dispersion d 1 + d 2 +…d n n =

36 Cohesion index The average distance between all pairs of interior points. cohesion d 1 + d 2 +…d n # of point pairs = d4d4 d1d1 d2d2 d3d3 d5d5 d6d6

37 Depth index The average distance from the shape’s interior points to the nearest point on the perimeter.

38 Edge-width Viable interior index The area of the shape that is beyond the depth of the edge-effect.

39 d Girth index The radius of the largest circle that can be inscribed in the shape.

40 Detour index The perimeter of the shape’s convex hull. Convex hull

41 Traversal index The average distance of the shortest paths connecting any two points on the shape perimeter. d1d1 d2d2 d3d3 traversal d 1 + d 2 +…d n # of point pairs =

42 Shape Metrics Tbx - summary Distribution of the shape around a central point… – Proximity – Spin – Dispersion The shape as an object to traverse or circumvent – Traversal – Detour Characterizing the shape interior and exposure to external conditions – Perimeter – Girth – Depth – Viable interior Distribution of points within the shape… – Cohesion

43 Případové studie UPOL

44 Případová studie 1 CLC 1990, 2000 a 2001

45 Případová studie 1 Principal Component Analysis (PCA) for consequent clustering Cluster analysis: o DIvisive ANAlysis clustering (DIANA) o Partitioning Around Medoids (PAM) Software - Rstudio environment using R programming language

46 Workflow Diagram CLC (1990, 2000, 2006) Metrics calculation PCAClustering DIANA PAM

47 Methods - Shape & spatial metrics

48 Results – DIANA clustering Hierarchichal clustering Tree structured dendrogram One starting cluster divided until each cluster contains one single object

49 Results – DIANA clustering

50 Results – Diana clustering

51 Results – PAM clustering Non-hierarchichal clustering „Scatterplot“ groups Using medoids Similar to K-means More robust than K- means

52 Results – PAM clustering

53 Results – PAM clustering

54 Případová studie 2 – urban footprint 47 měst 34 metrik (44 v různém nastavení) Hodnocení metrik urbanizace a urban footprint Identifikace vzoru a skupin měst Bc. Sylvie Hartmannová Data: – CLC 1990 a 2001 (Artificial areas) – Urban Atlas (dis/continuous urban fabric and so on) – Universe of Cities

55 Urban footprint

56

57

58

59 Fractal Dimension Index – Brno (1,179) – Hradec Králové (1,175) VÝSLEDKY CLC 1990 – Pardubice (1,129 ) – Liberec (1,130)

60 Depth Index – Brno (0,338) – Plzeň (0,346) VÝSLEDKY CLC 1990 – Liberec (0,522) – Praha (0,510)

61 Proximity index – Liberec (0,918) – Praha (0,902) VÝSLEDKY CLC 1990 – Ústí nad Labem (0,749) – Pardubice (0,816)

62 VÝSLEDKY CLC 1990, 2006 srovnání Brno Shape Index (5,0686, 3,2083 ) Fractal Dimension Index (1,1789, 1,1274)

63 Plzeň – Fractal Dimension Index (1,167; 1,139) – Traversal Index (0,804; 0,835) VÝSLEDKY CLC 1990, 2006 srovnání

64 Hradec Králové – Cohesion Index (0,828; 0,818) VÝSLEDKY CLC 1990, 2006 srovnání Liberec – Depth Index (0,523; 0,494)

65 Města EU (Urban Atlas) Related Circumscibing Circle Index – Bukurešť (0,354) – Brusel (0,442) VÝSLEDKY – Kodaň (0,829 ) – Vídeň (0,783)

66 Girth Index – Řím (0,698) – Sofie (0,682) Města EU (Urban Atlas) VÝSLEDKY – Lublaň (0,364) – Dublin (0,372)

67 VÝSLEDKY Fractal Dimension Index Bruxelles (1.0694) Vienna (1.1505) Cohesion Index Bruxelles (0,948875) Tallin (0,636262) Města EU (Urban Atlas)

68 Města EU (Urban Atlas) VÝSLEDKY Shluková analýza Major Cities Amsterdam (NL)Luxembourg (LU) Ath í na (GR) Madrid (ES) Berlin (DE)Paris (FR) Bratislava (SK)Praha (CZ) Bruxelles (BE)Riga (LV) Bucuresti (BG)Roma (IT) Budapest (HU)Sofia (BG) Dublin (IE)Stockholm (SE) Helsinki (FI)Tallinn (EE) K ø benhavn (DK) Valletta (MT) Lefkosia (CY)Vilnius (LT) Lisboa (PT)Warszawa (PL) Ljubljana (SI)Wien (AT) London (GB) Shape metrics Area indexNormalized Girth index Circumscribing indexInterior index Cohesion indexNormalized Interior index Normalized Cohesion indexGyrate index Contiguity indexPerimeter-area ratio index Core index (for 50, 200, 500, 800 meters)Perimeter index (FRAGSTATS 4.1) Core Area Index (for 50, 200, 500, 800 meters)Perimeter index (Shape Metrics Toolbox) Number of Core Areas (for 50, 200, 500, 800 meters) Normalized Perimeter index (Shape Metrics Toolbox) Dispersion indexProximity index Normalized Dispersion indexNormalized Proximity index Depth indexRange index Normalized Depth indexNormalized Range index Detour indexShape index Normalized Detour indexSpin index Exchange indexNormalized Spin index Normalized Exchanged indexTraversal index Girth indexNormalized Traversal index

69 Města EU (Urban Atlas) VÝSLEDKY Elbow diagram

70 Města EU (Urban Atlas) VÝSLEDKY Shluková analýza

71 Dispersion index – Mexico City (0,835) – Peking (0,829) Města světa (Universe of Cities) VÝSLEDKY – Bombaj (0,647) – Káhira (0,702)

72 Number of Cores (200 m) – Sao Paolo (11) – Tokio (7) Města světa (Universe of Cities) VÝSLEDKY – Chicago (1) – Mexico City (1)

73 NázevnDepthGirthnGirthDispersnDispersRangenRangeDetournDetourCohesionnCohesionTraversalnTraversal Bombaj0, ,83220, ,6090, ,4770, ,270, ,786690, ,5580, Káhira0, ,25250, ,0950, ,6780, ,140, ,440110, ,1780, Los Angeles0, ,1850, ,4830, ,650, ,790, ,25570, ,6960,75729 Chicago0, ,4510, ,620, ,960, ,70, ,70110, ,990,83056 Sao Paolo0, ,1420, ,3750, ,9540, ,540, ,248870, ,4620, Nairobi0, ,56750, ,08570, ,8260, ,5210, , , ,3320, Moskva0, ,1050, ,1370, ,5470, ,930, ,392120, ,9010, Tokio0, ,0560, ,960, ,630, ,640, ,234280, ,8810, Peking0, ,0190, ,1670, ,9240, ,290, ,235610, ,4610, Mexico City0, ,1010, ,0830, ,490, ,310, ,048230, ,490, VÝSLEDKY

74 Softwarové možnosti FRAGSTATS 4.1 Shape Metrics toolbox (pro ArcGIS for Desktop) StraKa toolbox (K. Pavková – UPOL) V-Late Patch Analyst 5.1 (pro ArcGIS for Desktop) – používá jádro FRAGSTATS Hawth‘s Tools (pro ArcGIS 9.x for Desktop)

75 Clusterování

76 Dat a

77 Data

78 Korelace

79 PCA

80 Dissimilarity

81 Počet shluků

82 Simulace shlukování

83 Shlukování

84 Shlukování

85 Výsledek

86 Rozdílnost shluků

87 Rozdílnost shluků

88 Shrnutí

89 Omezení/limity/úskalí použití Formát dat (rastr vs. vektor) Dosud málo studií o „chování“ metrik – často rozdílná interpretace (možnost simulací krajinného pokryvu) Nedostatek referenčních údajů (obtížné ověření spočtených hodnot) – výzva do budoucna Korelace metrik (mnoho má stejný základ) Není obecná shoda u použití metrik Individuální použití (nutno respektovat zkoumané)

90 Conclusions & Discussion Shape Metrics are useful from quantitative point of view Tool for (semi)automatic shape recognition Double-edged and difficult interpretation Strongly purpose-oriented Geographical context is needed Input data (raster&vector) sensitivity

91 CELKOVÉ ZHODNOCENÍ Metriky vhodné pro kvantitativní hodnocení urbanizovaných ploch Obtížná (subjektivní) interpretace Proximity index, Dispersion index- vhodné pro hodnocení tvaru města z hlediska vztahu bodů k centru města Fractal Dimension Index, Perimeter-Area Ratio Index, SHAPE Index- vhodné pro hodnocení složitostí hraniční linie

92 CELKOVÉ ZHODNOCENÍ Traversal Index, Depth Index, Girth Index- vhodné pro hodnocení kompaktnosti města Na základě výsledných hodnot použitých prostorových a tvarových metrik srovnání s dalšími přístupy hodnotící urbanizační procesy

93 4

94 3

95 2

96 1

97 KONEC Vít PÁSZTO a Lukáš MAREK Hodnocení složitosti prostorových struktur Department of Geoinformatics, Faculty of Science, Palacký University in Olomouc Reg. č.: CZ.1.07/2.3.00/


Stáhnout ppt "Www.geoinformatics.upol.cz Hodnocení složitosti prostorových struktur Vít PÁSZTO & Lukáš MAREK Department of Geoinformatics, Faculty of Science, Palacký."

Podobné prezentace


Reklamy Google