Просторовий Аналіз ГІС Даних Та Його Застосування

Просторовий аналіз ГІС даних дозволяє приймати якісніші рішення в різних сферах: від регулювання незначних щоденних бізнес-завдань до реагування на глобальні катастрофи. Сьогодні складно уявити окремого підприємця чи цілу промислову галузь, які так чи інакше не користувалися перевагами ГІС-картування.

За допомогою просторового аналізу можна зрозуміти, чи підходить обрана територія для конкретної господарської діяльності, виявити тенденції, оцінити ризики, спрогнозувати можливі результати та запобігти збиткам.

Інструменти та методи просторового аналізу даних в ГІС постійно розвиваються. Сьогодні вони дозволяють обробляти дані зі швидкістю та точністю, які не під силу жодному фахівцю.

Що Таке Просторовий Аналіз Даних?

Просторовий аналіз — це процес інтерпретації, оцінки та моделювання ГІС-даних. Отримана інформація обробляється за допомогою спеціалізованих комп’ютерних програм та класифікується за кількістю та складністю завдань: від простої візуалізації до комплексної аналітики за допомогою конкретних інструментів.

Просторовий аналіз і моделювання в ГІС використовуються для вимірювання відстаней та форм, побудови маршрутів та відстеження перевезень, налагодження взаємозв’язків між об’єктами, подіями, територіями методом співвіднесення їх місця розташування з точкою на географічній карті (можна використовувати актуальні та історичні дані).

Зазвичай просторовий аналіз в ГІС включає п’ять ключових етапів: розуміння мети, підготовку даних, вибір відповідних інструментів та методів, дослідження та оцінка результатів.

Отже, насамперед важливо зрозуміти, що ви хочете дізнатися. Наступний крок — визначити конкретні методи просторового аналізу в ГІС для обробки та інтерпретації інформації. Щоб підібрати оптимальні варіанти, необхідно чітко розуміти мету дослідження. Тільки в цьому випадку можна переходити до аналізу інформації. Завершальний етап просторового аналізу ГІС даних — оцінка результатів дослідження.

Просторовий Аналіз В ГІС: Постановка Цілей

Особливість просторового аналізу та моделювання в ГІС — гнучкість процесу. Ви можете комбінувати будь-яку кількість шарів, щоб отримати різні результати.

Просторовий аналіз ГІС даних застосовується у багатьох сферах: сільському господарстві, лісівництві, морських науках, видобутку нафти та газу, гірничодобувної промисловості, економіці та інших галузях. Зокрема, за допомогою таких досліджень територій сільськогосподарського призначення визначають густоту рослинного покриву, ступінь вологості ґрунту, температуру ґрунту, стан посівів тощо. Завдяки цьому фермери можуть максимально ефективно розподілити свої ресурси (наприклад оптимізувати внесення хімікати).

У лісовому господарстві просторовий аналіз ГІС даних допомагає виявляти обезліснення та прогнозувати виникнення пожеж за критично високими показниками температури. Океанологи можуть ідентифікувати розливи нафти, а демографи — визначати, чи достатньо медичних та освітніх закладів у регіоні.

Просторовий аналіз ГІС даних допомагає логістам прокласти найкоротший та найбезпечніший маршрут, власникам магазинів — вибрати оптимальне місце розташування торгової точки, а рятувальним загонам — визначити регіони, що найбільш постраждали внаслідок катастрофи.

Щоб ефективно використовувати просторовий аналіз ГІС даних для вирішення комплексних завдань, їх необхідно розбити на підпункти. Такий системний підхід дозволяє швидше досягти цілей.

Наприклад, власнику мережі магазинів може бути цікаво, в якому районі міста найкраще відкрити новий магазин. Це питання може включати ряд суміжних:

• Скільки конкурентів надають такі ж послуги?
• У яких районах мешкають цільові споживачі?
• Скільки людей живе у цих районах?
• Чи рівномірно розміщені магазини конкурентів?
• Чи є ділянки на карті, де такі магазини є далеко?
• Який середній прибуток населення в районах, де живуть потенційні покупці?

Просторовий Аналіз: Що Потрібно Для Ефективного Початку

Високоякісний просторовий аналіз в ГІС вимагає ретельної підготовки. Переконайтесь, що у вас є всі дані, необхідні для вивчення та досягнення відповідної якості за допомогою попередньої обробки. Також може знадобитися кілька додаткових кроків. Наприклад, це може бути геометрична та спектральна корекція, радіометрична корекція атмосферних ефектів, відновлення відсутніх пікселів, зміцнення контрастності та фільтрація.

Геометрична Корекція

У контексті просторового аналізу ГІС даних геометрична корекція передбачає географічну прив’язку зображень та виправлення геометричних спотворень, які можуть виникати з різних причин (залежно від типу супутникових зображень).

Поверхня Землі нерівна. Через сферичну форму нашої планети, найточнішими є знімки, зроблені в надирі (центральна лінія сканування). Відповідно, що далі знаходиться об’єкт від надира, то сильніше спотворення.

Топографічні нерівності також впливають на точність супутникових даних при проведенні просторового аналізу в ГІС. Однак завдяки тому, що орбіта супутника знаходиться на великій відстані від Землі, цей вплив згладжується, тому даний факт зазвичай не враховується.

Ще один важливий аспект просторового аналізу ГІС даних — безперервне обертання нашої планети навколо Сонця. Вона зміщується на 0,25 градуси за хвилину, що впливає на фокусування. Впливає на якість знімків й те, що супутник також обертається навколо Землі.

Спектральна Корекція

Спочатку супутникові знімки мають так звані «сирі» значення яскравості DN (digital numbers). Цей формат даних не дозволяє коректно порівняти дані, отримані з різних джерел. З цієї причини при просторовому аналізі в ГІС застосовується спектральна (або радіометрична) корекція для приведення цифрових чисел до фізично значущих одиниць, тобто фактичних значень коефіцієнта відбиття або випромінювання поверхні.

Радіометрична Корекція Атмосферних Ефектів

Якість просторового аналізу ГІС даних залежить від якості супутникових знімків. На неї впливають атмосферні умови, які зменшують силу сигналу, від датчика та об’єкта, що досліджується. Розсіювання через атмосферні аерозолі (пил, дощ, туман, діоксид вуглецю, метан та ін.)^{P.H. McMurry. AEROSOLS | Observations and Measurements. Encyclopedia of Atmospheric Sciences, Academic Press, 2003, Pages 20-34, ISBN 9780122270901. https://doi.org/10.1016/B0-12-227090-8/00048-8.}, хмарність та процес поглинання електромагнітного випромінювання найсильніше впливають на яскравість пікселів та тому вимагають додаткової корекції.

Просторовий аналіз передбачає різні методи зниження впливу атмосферних явищ, наприклад моделювання або розрахунки на основі знімків. Математичні прийоми передбачають моделювання різних атмосферних умов залежно від пори року, погодних умов, аерозолів тощо.

Крім того, оптичні властивості водних об’єктів аналогічні властивостям абсолютно чорних тіл у червоному та інфрачервоному діапазонах. З урахуванням цього, фахівець, який виконує просторовий аналіз, може легко розрізнити хмари та серпанок на фоні моря.

Відновлення Пікселів, Що Бракують

Деяка інформація може бути відсутня внаслідок помилок системи під час отримання та передачі, інверсійних слідів літаків^{Zhang, Daxiang & Zhang, Chuanrong & Li, Weidong & Cromley, Robert & Hanink, Dean & Civco, Daniel & Travis, David. (2014). Restoration of the missing pixel information caused by contrails in multispectral remotely sensed imagery. Journal of Applied Remote Sensing. 8. 083698. 10.1117/1.JRS.8.083698.} та інших факторів. Найпоширеніший спосіб відновити пропущені рядки — взяти пікселі з сусідніх рядків та розрахувати середнє значення. Таке заміщення має похибки, проте полегшує подальшу інтерпретацію даних при просторовому аналізі ГІС даних.

Підвищення Контрастності Зображення

Контрастність у фотографії — це співвідношення мінімального та максимального освітлення, або яскравості та насиченості кольору. Завдяки їй можна виділити об’єкт та його контури. Низька контрастність — часта проблема, яка потребує виправлення. Наприклад, контури для просторового аналізу та моделювання в ГІС можна посилити шляхом візуального дешифрування зображень.

Обробка цифрових знімків для посилення контрастності в рамках просторового аналізу включає наступні методи модифікації гістограм:

• Лінійне розтягування — створення нових значень пікселів на вихідному зображенні та розширення їхньої шкали (області значень).
• Нормалізація у процесі — розширення найяскравішого сегмента гістограми.
• Вирівнювання — корекція яскравості пікселів, щоб вирівняти або максимально наблизити їхню кількість для кожного рівня яскравості.

Фільтрування Зображень

У контексті просторового аналізу фільтрація дозволяє виділити потрібні об’єкти та зменшити шуми шляхом модифікацій ковзного вікна з перерахуванням та присвоєнням поточних та нових пікселів відповідно. Нові значення в процесі просторового аналізу ГІС даних отримують, враховуючи сусідні пікселі за допомогою певних математичних функцій. Коефіцієнти у формулі залежать від завдань дешифрування. Вікно може мати розмір 3×3 або 5×5 пікселів та переміщатися на один піксел, доки не захопить все зображення. Крім підвищення чіткості та видалення шуму, метод фільтрації застосовується для зменшення перешкод та окреслення контурів^{Desai, Bhishman & Kushwaha, Utkarsh & Jha, Shivam. (2020). Image Filtering -Techniques, Algorithm and Applications. Applied GIS. 7. 101.}.

Вибираємо Методи Просторового Аналізу ГІС Даних

Значною перевагою цифрових знімків є можливість комп’ютерної обробки, яку можна виконати як для підготовки даних, так безпосередньо для просторового аналізу. Оптимально, коли процес повністю автоматизовано та він виконується комп’ютером. Проте, на практиці це трапляється рідко. Найчастіше роботу аналітика полегшує застосування спеціальних інструментів.

Колірні Трансформації

Зображення з окремого каналу мультиспектрального знімка відображається у відтінках сірого. Воно стає кольоровим лише при комбінуванні трьох каналів — червоного, зеленого та синього (так звана модель RGB). У просторовому аналізі ГІС даних зображення може бути представлене в натуральних кольорах або композитом хибних кольорів, залежно від того, чи збігаються RGB-канали або замінюються іншими каналами.

Переважаючі тони визначаються яскравістю каналу. Наприклад, високі значення пікселів у каналі R (Red) дадуть переважно відтінки червоного. Відповідно, найяскравіший канал G (Green), вийдуть відтінки зеленого.

Під час проведення просторового аналізу натуральні кольори дозволяють легше ідентифікувати об’єкти, а штучні — розрізняти їх та виділяти контури.

Індексні Зображення

Метод індексних зображень включає перерахування значень яскравості для кожного пікселя в різних каналах за допомогою певних математичних операцій. Таким чином, аналізовані пікселі мають не абсолютні значення яскравості, а набувають нових індексних значень відповідно до колірної матриці. Індексація дозволяє виділити досліджувані об’єкти та спростити проведення просторового аналізу.

Аналіз Основних Компонентів

Цей метод просторового аналізу ГІС даних ґрунтується на кореляції мультиспектральних даних. Це означає, що збільшення яскравості на одному каналі тягне за собою збільшення яскравості в інших каналах.

Даний метод просторового аналізу в ГІС дозволяє проводити наступні дії з супутниковими даними:

• створювати вихідне зображення з трьома головними компонентами з трьох та більше каналів без урахування менш значущих компонентів, що знижує вплив шумів;
• посилювати слабо помітні об’єкти на однокомпонентному супутниковому зображенні;
• проводити порівняння серії зображень з різним часом зйомки для розуміння динаміки процесу;
• скорочувати розмір супутникових даних із мінімальними втратами інформації.

Спектральний Поділ

Даний метод попередньої обробки даних для просторового аналізу застосовується для визначення об’єктів, розмір яких менший за розмір пікселів на знімках з декількома об’єктами. У цьому випадку фахівець порівнює отримані дані з існуючими реєстрами чистих спектрів та аналізує кількісні невідповідності між чистим спектром та домішками у спектрі кожного пікселя. Отримане зображення дозволяє виділити головний елемент за кольором.

Класифікації

У контексті просторового аналізу класифікація — це дешифрування зображень на комп’ютері або автоматичне розподілення пікселів на певні класи для диференціації об’єктів (звідси назва методу). Виділяють кілька видів класифікацій: з навчанням та без навчання.

Класифікації З Навчанням

Класифікації цього типу засновані на порівнянні яскравості пікселя з певними зразками (еталонами). В процесі просторового аналізу ГІС даних спеціаліст об’єднує окремі об’єкти у відповідні класи (наприклад, у знімках міської місцевості (urban) це можуть бути будинки, дороги, рослинність). Даний метод підходить, якщо ландшафт містить менше 30 елементів, які можна легко розрізнити на супутниковому знімку.

Найчастіше для просторового аналізу в ГІС застосовуються такі способи класифікації даного типу:

• метод спектрального кута використовується для класифікації об’єктів із близькими значеннями яскравості;
• класифікація паралелепіпедів підходить у тих випадках, коли області значень яскравості не перетинаються;
• оцінка мінімальної відстані використовується при просторовому аналізі, коли області значень яскравості перетинаються;
• метод відстані Махаланобіса дає більш точні виміри в мультиваріативному просторі порівняно з попереднім способом;
• оцінка максимальної правдоподібності допомагає співвіднести об’єкт із певним класом на основі розрахунків максимальної ймовірності;
• бінарний поділ застосовують, коли потрібно розбити всі пікселі на знімку на дві групи.

Класифікація Без Навчання

Дані алгоритми автоматично поділяють пікселі за принципом статистичного розподілу яскравості пікселів^{Al-Ani, Muzhir & Ali Alheeti, Khattab M.. (2017). Precision Statistical Analysis of Images Based on Brightness Distribution. Advances in Science, Technology and Engineering Systems Journal. 2. 99-104. 10.25046/aj020413.} та підходять для випадків, коли не вдається визначити об’єкти або їх більше 30. У рамках просторового аналізу ГІС даних класифікації без навчання можна використовувати перед класифікаціями з навчанням. Найпоширенішими прикладами неконтрольованих класифікацій є ISODATA та k-середніх.

ISODATA^{Ashley Vassilaros. ISODATA.} — скорочення терміну «Ітераційна методика аналізу даних, що самоорганізується» (англ. Iterative Self-Organizing Data Analysis Technique). Цей метод просторового аналізу в ГІС передбачає співвідношення пікселів з найближчими значеннями яскравості просторі спектральних ознак.

Кластеризація k-середніх схожа на ISODATA, але потребує певних базових середніх значень класифікації об’єктів.

Починаємо Процес Просторового Аналізу ГІС Даних

Проведення безпосередньо дослідження є наступним етапом після позначення проблеми, попередньої обробки даних та вибору оптимальних методів. Після завершення підготовки увага аналітика зосереджується на отриманні кількісних та якісних результатів.

Аналізуємо Отримані Дані

Після отримання даних потрібно зрозуміти, були досягнуті поставлені цілі та чи можуть отримані результати стати в нагоді в інших галузях. Також цей етап просторового аналізу ГІС даних передбачає розгляд практичного використання та актуальності отриманої інформації шляхом звернення до достовірних джерел. Наприклад, при створенні карти посівів супутникові дані мають відповідати офіційній державній статистиці.

Для більшої ефективності просторового аналізу в ГІС потрібно перевірити, наскільки точною є інформація. Також необхідно оцінити якість даних щодо їх кількості. Найкраще зрозуміти результати просторового аналізу допомагає візуалізація даних у вигляді статичних та інтерактивних діаграм, графіків, таблиць та карт.

Як Виконується Просторовий Аналіз У Продуктах EOSDA?

Просторовий аналіз ГІС даних застосовується у багатьох сферах, зокрема, сільському господарстві, лісівництві та екології. З одного боку, це дозволяє відстежувати поточний стан справ та збільшувати прибуток, з іншого — підвищувати обізнаність населення про екологічну ситуацію та боротися з катаклизмами.

Ось деякі приклади використання просторового аналізу ГІС даних продуктами EOSDA (EOSDA LandViewer та EOSDA Crop Monitoring).

Просторовий Аналіз Лісових Пожеж В Колорадо

Лісові пожежі наприкінці 2020 року перетворилися на справжню катастрофу. Її наслідки посилювалися посухами, спекотною погодою, а також розташуванням вогнищ загоряння високо в горах. Через відсутність снігу, який зазвичай допомагав упоратися з проблемою, пожежі поширювалися значно швидше (шість разів на день).

Для моніторингу лісових пожеж у Колорадо аналізувались мультиспектральні дані з супутника Landsat-8, отриманих за допомогою наступних комбінацій каналів:

• Спектрозональні супутникові знімки з композитами SWIR2, SWIR1, Red відносно несприйнятливий до впливу атмосфери та проходить крізь розсіяні в ній частинки.
• Натуральний колір при просторовому аналізі ГІС даних відображає об’єкти так само, як вони сприймаються органами зору людини.
• Інфрачервоний Колір (Вегетація) зазвичай використовується, щоб розрізнити відкритий ґрунт та здоровий рослинний покрив або його відсутність. Широколистяні та здоровіші рослини відображаються більш насиченими відтінками червоного, а ділянки з низькою густотою рослинного покриву виділені менш інтенсивним червоним.
• Стандартизований індекс коефіцієнта випалювання NBR в аналітиці просторових даних мінімізує вплив атмосфери та дозволяє виявити території, що вигоріли.

Просторовий Аналіз Повеней У Колумбії

Причиною повеней у Магдалені (Колумбія) наприкінці 2020 року стали сильні розливи шести річок, внаслідок чого було зруйновано тисячі будинків. В осередку лиха опинилися Аракатака, Альгарробо, Ель-Ретен, Фундасьйон, Зона Бананера, Пуебло-В’єхо та Сьєнага.

Моніторинг повеней у Колумбії ґрунтувався на даних, отриманих із супутника Sentinel-1 за допомогою комбінацій каналів VV, VH, VV/VH. Такі комбінації особливо ефективні для дослідження водних об’єктів, сільськогосподарських територій з високою вологістю, рослинності, а також відкритих ґрунтів та міської місцевості.

Просторовий Аналіз Тропічного Циклону У Сомалі

«Гаті» — наймасштабніший тропічний шторм біля узбережжя Сомалі та перший циклон, що обрушився на сушу в районі Аравійського моря, починаючи з 1970 року (перший зафіксований випадок).

Циклон вирував 21-24 листопада 2020 року. Метеорологічний департамент Індії класифікував стихійне лихо як «дуже сильне» (very severe) та відніс його до третьої категорії за шкалою ураганів та вітрів Саффіра-Сімпсона. Згідно зі статистичними даними, внаслідок цієї катастрофи загинуло щонайменше вісім людей, десятки зникли безвісти.

Для моніторингу катастрофи та оцінки збитків фахівці EOSDA здійснили просторовий аналіз даних, отриманих з оптичного супутника Sentinel-2. Для цього були використані стандартні інфрачервоні канали для вегетації, а також канали NIR, MIR та IR суша/вода, які дозволяють виділити водні об’єкти на суші та розмежувати сушу та водні об’єкти.

Просторовий Аналіз Наслідків Граду На Рисовому Полі

У сільському господарстві просторовий аналіз ГІС даних використовується для різних цілей, у тому числі виявлення різних видів збитків внаслідок природних аномалій або сільськогосподарської діяльності. Приклад нижче — рисове поле, що постраждало від граду. EOSDA Crop Monitoring демонструє найпомітніші зміни за допомогою індексів NDVI та ReCI.

В Чому Полягають Переваги Просторового Аналізу

Перші спроби провести просторовий аналіз було зроблено Канадою у 60-х роках минулого сторіччя з метою систематизації природних ресурсів країни. В даний час він застосовується у всьому світі.

Завдяки сучасним технологіям та методам просторового аналізу ГІС даних, результати операцій сьогодні набагато точніші, ніж десятки років тому. Понад те, комп’ютеризоване дослідження просторових даних дозволяє обробляти величезні масиви даних майже миттєво. Дані просторового аналізу в ГІС допомагають:

• розуміти поточний стан справ;
• бачити тенденції та відповідно на них реагувати;
• розробляти стратегії бізнесу, аналізуючи дані з прив’язкою до простору та часу.

Візуалізація даних у рамках просторового аналізу полегшує сприйняття інформації за рахунок можливості реструктурування, класифікації, моделювання, сортування, презентації великих обсягів даних у вигляді шаблонів, що легко запам’ятовуються, з виділеними важливими деталями.

Таким чином, за допомогою просторового аналізу ГІС даних ми можемо краще зрозуміти поточну ситуацію та зробити практичні висновки щодо тенденцій її розвитку в майбутньому. Цей метод підходить для будь-якої сфери, у якій важливі географічні дані.