2. Простейшая переклассификация

Точки и линии могут переклассифицироваться простым перекодированием атрибутов в их таблицах или перекодированием значений ячеек растра для создания новых точечных или линейных покрытий. В этом простом процессе пользователь меняет сами атрибуты и не более того. Процесс – практически такой же при работе с площадными объектами в растровых системах. Выбрав атрибуты нужных областей, вы просто изменяете числа кодов или имена атрибутов для этих ячеек растра. В простых растровых системах, где нет привязанных к растру таблиц атрибутов, вы должны также изменить и легенду нового покрытия для отражения изменившейся ситуации.

Хотя изменение кодов атрибутов в простых растровых системах – процесс достаточно прямолинейный, он может представлять некоторые интересные проблемы, главным образом вследствие порядка, в котором изменяются числа. Допустим, например, что у нас имеется покрытие с кодами атрибутов от 1 до 15, соответствующими сельхозкультурам. Пусть числа от 1 до 5 и 13 представляют зерновые, а остальные (от 6 до 12, а также 14 и 15) – пропашные культуры. Вам нужно создать карту с двумя только категориями: зерновые (код 1) и пропашные (код 2). Вначале вы заменяете числа от 2 до 5 и 13 на 1 (саму единицу менять не надо), а затем числа от 6 до 12, 14 и 15 – на 2. Изменив легенду, вы получаете карту с зерновыми (1) и пропашными (2) культурами.

Теперь посмотрим, что получится, если мы сначала перенумеруем пропашные, а зерновые – после. Вначале вы заменяете числа – от 6 до 12,14 и 15 на 2, а потом от 2 до 5 и 13 – на 1. Но, присмотревшись, обнаруживаете, что все двойки, полученные на первом шаге, превратились в единицы на втором, то есть вся карта состоит из одних единиц. А это совсем не то, что предполагалось сделать.

Хотя многие более совершенные растровые ГИС, отслеживая атрибуты, помогут вам избежать проблем, подобных упомянутой, в простых системах нужно проявлять осмотрительность при выполнении переклассификации. Здесь можно предпринять две вещи. Первое, вы можете выбрать новые коды атрибутов, не совпадающие с уже имеющимися в покрытии. Этот прием полезен и в устранении путаницы в процессе первичной классификации. Второй способ, посложнее, состоит в прослеживании, как перенумерация воздействует на результат. Если вы видите, что порядок перенумерации создает новые величины, которые будут изменены на следующем шаге, то вы, возможно, избежите проблем, выполняя процесс в обратном порядке. Если вы все же запутались, используйте первый метод или систему, которая отслеживает имена атрибутов или обрабатывает сами категории как имена таблиц атрибутов, а не отображает пронумерованные коды для атрибутов.

В случае векторов процесс переклассификации требует изменения как атрибутов, так и графики. Во-первых, надо удалить все линии, которые разделяют два класса, которые должны быть объединены. Эта операция называется растворением границ (line dissolve). Затем атрибуты этих двух полигонов переписываются для нового покрытия как единый новых атрибут для обоих. Давайте рассмотрим очень простой пример наподобие предыдущего, но имеющий дело только с двумя полигонами, на одном – пшеница, на другом – кукуруза (рисунок 1.18). Нашей целью является создание одной категории под названием "зерновые культуры" с помощью "растворения" (удаления) границы, разделяющей две исходные категории. Мы помещаем вновь созданную категорию "зерновые" в таблицу атрибутов и присваиваем ее новому, большему полигону. Теперь мы имеем новое покрытие с только одним значением атрибута. Конечно, в большинстве реальных случаев будет "растворено" гораздо больше границ и изменено гораздо больше атрибутов, но процесс будет таким же по сути, как и в этом примере.

Рисунок 1.18 ‑ Переклассификация и растворение границ. Переклассификация через объединение категорий: объединение классов «кукуруза» и «пшеница» в «зерновые».

И в растровой, и в векторной переклассификации полигонов имеется интересная особенность. В обоих случаях по окончании мы имеем меньшее число категорий, чем имели вначале. Этот результат, называемый агрегированием данных (data aggregation), – полезный и распространенный вид переклассификации. Представьте, как бы вы разделили больший полигон на части с пшеницей и кукурузой. Если у вас нет возможности сравнить эту информацию с другим покрытием, найти разделительную линию невозможно. И, конечно, если вы знаете, где она была, то вовсе не нужно выполнять анализ, вы можете просто использовать это покрытие с границей. Существуют полезные методы выделения большего количества деталей из грубой полигональной информации. Эти методы требуют сравнения двух или более покрытий в процессе, называемом наложением (overlay), который мы рассмотрим далее.

До сих пор мы рассматривали переклассификацию данных лишь номинальной шкалы измерений. Нетрудно представить, как можно было бы переклассифицировать данные других шкал. В картографических методах это делается созданием диапазонов категорий данных, что часто называется ранжированными (range graded) классификациями. Такой сценарий требует от нас всего лишь перекодировать эти данные на основе классовых интервалов, в которые они попадают. И, как и в случае данных номинальной шкалы, мы просто перекодируем ячейки растра или выполняем замену атрибутов и растворение границ. Одновременно мы можем также выполнить такие операции, как упорядочивание ячеек растра или значений полигонов, их инверсию или использовать иные преобразования, включающие математические операции (умножение, деление и т.д.) над значениями полигонов с участием других переменных. При этом процесс по сути таков же, как и в случае с данными номинальной шкалы.

Все перечисленные до сих пор методы имеют одну общую черту. Процесс переклассификации направлен на переименовывание полигонов на основе значений атрибутов на их собственном месте. Это своего рода приземленный взгляд, в котором каждый набор ячеек растра или каждый полигон рассматривается как отчетливо индивидуальная сущность, а классификация ограничена целевой областью, – как в использовании начальных значений, так и в самой переклассификации. Переклассификация на основе атрибутивной информации – только один из четырех основных методов; остальные основаны на информации о положении, размере и форме. Впрочем, эти представления не выделяются как отдельные методы: все они часто комбинируются друг с другом для создания широкого разнообразия методов переклассификации. Мы рассмотрим их, начиная с функций соседства, затем рассмотрим различные типы, включая фильтры, двух- и трехмерные соседства и буферы.