3. Окрестности

Переклассификация на основе "негеометрических" атрибутов очень полезна, но она ограничивает нас атрибутами в пределах каждого объекта. Было бы замечательно, если бы мы могли классифицировать объекты с высоты птичьего полета. Другими словами, если бы мы могли пролететь над территорией, то могли бы узнать не только о существовании определенного объекта, но и о том, как он расположен по отношению к другим. Такие процедуры переклассификации основаны на идее охарактеризования каждого объекта как части большей окрестности (neighborhood) объектов. Нам свойственно более часто взаимодействовать с теми, кто находится ближе, чем с теми, кто дальше. В некоторых случаях окрестности определяются политическими или экономическими критериями.

Окрестности могут определяться в терминах объединяющего атрибута всей области (такая классификация называется общим анализом соседства (total analysis of neighborhood)), или фокус может быть направлен на меньшие части всей территории (целевой анализ ((targeted analysis)). Целевой анализ, также называемый непосредственной окрестностью (immediate neighborhood), включает только места, непосредственно прилегающие к целевой области или месту. Анализ общего соседства, называемый также расширенной окрестностью (extended neighbor­hoods), включает местоположения, которые находятся в непосредственной близости, а также и удаленные на некоторое расстояние. Хотя такое разделение функций соседства интеллектуально стимулирует и довольно полезно для продвинутого ГИС-аналитика, на начальном уровне оно может внести некоторую путаницу. Рассмотрим в первую очередь функции соседства, имеющие дело с двух и трехмерными объектами. Мы сможем разделить функции обоих этих типов на статические (static neighborhood functions), в которых анализ проводится сразу по всей выбранной целевой области, и функции скользящего окна (roving window neighborhood functions), где анализ проводится только в рамках окна, которое перемещается по покрытию.

Мы знаем, что ГИС должна быть способна измерять размер полигона, или фрагментированного региона, составленного из нескольких полигонов. Представьте, однако, что нас интересует только идентичность полигонов региона в пределах некоторой окрестности или расстояния. Например, мы изучаем распространение новых фермерских методов, чтобы увидеть, не проявляется ли картина подражания, когда фермеры-традиционалисты вооружаются новыми методами, внедренными их соседями. Допустим, нас интересуют зоны использования так называемой нулевой обработки почвы перед посевом. Вначале мы выбираем покрытие, показывающее только места, где данный метод применяется. Затем мы устанавливаем примерный радиус, в котором, скорее всего, может наблюдаться подражание. Мы можем принять, что оно проявится только у непосредственных соседей, либо что идея укоренится где-нибудь еще. В обоих случаях ГИС возьмет эту величину и начнет просмотр во все стороны, пока не достигнет дистанции радиуса поиска, наращивая по пути объем применения метода (по сути, измеряя площадь полигонов или их групп). В результате получаются малые, средние и большие группы полей, на которых, по-видимому, используется эта новая практика. ГИС обработала исходную территорию таким образом, что все полигоны или ячейки растра, которые попадают в заданный радиус друг от друга, получают один и тот же атрибут. Группы номеруются по порядку обнаружения. Каждая может быть потом переклассифицирована в соответствии со своим размером. Возможно, что мы придем к выводу, что фермеры в больших группах соседства более общительны между собой, или что сами фермы больше, или что эти фермеры знакомы с людьми из расположенного поблизости сельскохозяйственного колледжа. В любом случае, полученные значения показывают, что либо в больших окрестностях по сравнению с малыми имеют место различные механизмы распространения этой идеи, либо существуют иные причины различия размеров этих групп. Интерпретация причин получения таких результатов обычно потребует дальнейшей проверки, но здесь важно то, что функция соседства в ГИС позволила нам эти различия обнаружить.

В предыдущем описании окрестностей мы рассматривали одиночный атрибут выбранных групп в пределах заданного радиуса. Однако часто мы больше заинтересованы в определении сходств и различий в пределах выбранной окрестности, нежели в группах однородных полигонов или групп ячеек растра. Например, мы хотим определить средний возраст людей в заданном регионе на основе данных переписи. Выбираем радиус поиска, как и раньше, программа просматривает атрибуты всех полигонов участков переписи или ячеек растра, и затем выполняет простое усреднение этих величин. В конечном итоге мы получаем новое покрытие со средним возрастом на основе этих расчетов.

Но не только усреднение может использоваться для определения новых окрестностей. Например, мы интересуемся определенным видом животных, которых особенно привлекает разнообразие ландшафта. Чем оно выше, тем больше это окружение нравится таким животным, оно дает множество мест для отдыха, питания, укрытия от солнца и от хищников. Нам также известно, что таким животным нужна определенная территория для жизни. Мы преобразуем эту известную величину площади в радиус поиска и далее действуем также, как и прежде. В данном случае программа просматривает все различные типы ландшафтов в пределах радиуса поиска и подсчитывает их, возвращая число этих типов в качестве пространственного или ландшафтного разнообразия. Области наибольшего разнообразия, скорее всего и будут избираться животными этого вида для обитания.

Как вы могли догадаться, раз мы можем выполнять усреднение по полигонам или ячейкам растра окрестности, то можем также выполнять и другие расчеты. Возможно вычисление некоторого максимального значения по окрестности, как, например, наибольшее число преступлений в окрестности за указанный год. Или мы могли бы поискать минимальное значение, например, среди цен домов этой окрестности, чтобы решить, сможем ли мы себе позволить там жить. Другие операции включают подсчеты общего количества всех видов, определение медианы, наибольшей и наименьшей частот, отклонения от центральной точки по отношению к среднему окружающих значений и даже доли окрестности, имеющей те же атрибуты, что и в центральной точке окрестности.

Указанные в предыдущих двух абзацах операции могут выполняться многими различными способами. Например, результат операции над окрестностью (среднее, медиана, дисперсия и т.д.) может присваиваться центральной точке, передаваемой в новое покрытие. Мы можем также не назначать радиус окрестности, а использовать вместо этого скользящее окно для охарактеризования всего покрытия на основе тех же расчетов, что и прежде (среднее, медиана, дисперсия и т.д.). В этом случае выходная величина будет присваиваться не центральной точке, а всем ячейкам окна, давая представление о тенденциях изменений от одной части покрытия к другой.

В одних случаях мы можем создавать окрестность и выполнять операции на основе значений ячеек одного покрытия, в других – использовать разные покрытия для целевых ячеек и для построения окрестности. Например, если мы хотим знать величину разнообразия ландшафта в окрестностях известных местоположений птичьих гнезд, то могли бы взять покрытие с положением гнезд в качестве целевых ячеек, а другое покрытие – с типом ландшафта – для построения окрестностей.

Способность ГИС измерять размер и форму дает и другие пути создания окрестностей. Например, измерение размера часто объединяется с определением групп одного значения атрибута полигонов. Чаще всего эта информация используется для ранжирования или упорядочивания результатов аналитических операций, которые группируют данные в локализованные или регионализованные группы. Размеры групп могут быть очень важны в нашем анализе. Например, экологи знают о размерах территории, требующейся волкам и другим крупным хищникам. Они также знакомы с минимальными требованиями отдельных лесных массивов для поддержки необходимого разнообразия животных видов и даже для того, чтобы продолжать существовать как лес. В некоторых случаях может потребоваться объединение меры разнообразия окрестности (где большее разнообразие означает лучшую среду обитания) с определением размеров (когда предпочтительны большие площади). Могут применяться и другие комбинации.

Но и другие меры формы (функция Эйлера, развитость границы, и др.), могут комбинироваться или использоваться по отдельности для описания окрестностей. На самом деле, количество команд и их опций, предназначенных для классификации и переклассификации окрестностей, в большинстве ГИС довольно велико. Нам нет нужды ограничивать себя анализом окрестностей на основе двухмерных покрытий. В качестве источника характеристик окрестностей мы можем использовать также и топографические данные.