יותר

התחזית הטובה ביותר לניתוח סטטיסטי של Getis Ord Gi*


אני עומד לחשב את נתון Getis Ord Gi* עבור כמה רסטרים שהיקפם עולמי.

  • האם בבחירת הקרנה, האם אני רוצה לשמר מרחק (למשל במרחק שווה) כדי להשיג תוצאות מדויקות?

  • על מה אנשים ממליצים כהקרנה גלובלית ראויה לניתוח כזה?


ל- Gi* לא אכפת ממרחק, אכפת לו ממשקולות (שאפשר להגדיר אותן כמרחק הפוך אם תרצו ...) לכן עליכם לחשוב כיצד ליצור משקולות בין תאי סריקה על כל הגלובוס.

זה מסובך, כיוון שבקטבים, התאים שלך הם בעלי צורה ואזור שונים מאלה שעל קו המשווה, ויש להם מערכת יחסים שונה עם תאים שכנים. אכן, אם יש לך רסטר ברזולוציה של 1000x1000 על פני כל הגלובוס אז יש לך 1000 תאים דקים שכולם נוגעים בנקודה בקוטב N ו- S, אך בקו המשווה לכל תא יש ארבעה שכנים סמוכים החולקים גבול ארוך. קשה יהיה להצדיק את משקולות ה- Gi*, שהן אד-הוק בזמנים הטובים ביותר.

באדי-הוק אני מתכוון שאין שיטה לבחירת המשקולות ה"טובות ביותר ". לבעיה עם אזורים קטנים לא סדירים, בדרך כלל היית בוחר סמיכות ומשתמש במשקל 1/0, או שאתה משתמש בפרופורציה של גבול משותף, או מרחק, או ... ובכן, כל דבר.

יחס גבול משותף עשוי להיות אופציה טובה. בקו המשווה ארבעת התאים השכנים חולקים 1/4 מהגבול המשותף שלהם. בקטבים, תאים הסמוכים ל- EW חולקים קרוב למחצית הגבול שלהם, ותאים NS חולקים שברים קטנים בהרבה. מעבר לקוטב הם חולקים אפס, אבל אז הם מאוד רזים שם ויש להם יחסים קרובים יותר עם שכניהם E-W מאשר אלה שמעבר לדף.

אבל Gi* ממילא קצת חקרני, כל עוד אתה מציין בבירור את ההנחות שלך בנוגע למשקלים, אני לא חושב שתקבל הרבה חזרה. אבל יהיה מומלץ לעקוב אחר משהו קפדני יותר מבחינה סטטיסטית (מבוססת מודלים) ...


הצעה: הקרנה שוויונית

זה שומר על המרחק על פני כל המרידיאנים ושני מקבילים לבחירה (ניתן לייעל עבור תחומי עניין מרכזיים). שימו לב, רוב עיוות המרחק הוא באוקיינוסים הדרומיים מחוץ לתחום העניין.

כחלופה, תוכל לחלק את העולם ל -5 תחזיות זהות שבמרכזן כל יבשת. זה יוצר דרך טבעית לפרק את העבודה, להקניט את הופעתה של נקודה חמה אזורית ולאחר מכן להדביק אותה בחזרה להדמיה עולמית.

כמה גורמים תורמים:

  • כל הגישות למערכות יחסים מרחביות המשמשות בניתוח נקודות חמות (מרחק הפוך, אזור אדישות וכו ') נובעות ממשקולותיהן על בסיס מרחק אוקלידי מישור.
  • מציאות של ניתוח גלובלי לאיכויות היבשה היא שמשמעות המרחבית אינה חוצה אוקיינוסים ענקיים, כך שאפשר באמת לדבר על גישה של חמש יבשות
  • אם אתה לוכד את הנקודות מתוך רסטרים קיימים, תשמור על הצפיפות, אולם ההקרנה המקורית תכניס צפיפות נתונים משתנה לאלגוריתם Getis-Ord Gi*. אני לא בטוח איך זה משפיע על התוצאות, אבל יכול להיות שלתחזית המקורית יש השפעה רבה יותר

כרגע אני נאבק עם בעיות דומות, אז אל תהסס לחכות לתשובה סמכותית יותר. עם זאת, אינני יכול להמליץ ​​על הקרנה שוויונית. זה נשמע נהדר, אך זכור כי המרחקים נכונים רק בקווים ספציפיים. נמדד לאורך כיוונים אחרים, המרחקים לא יהיו נכונים. אני בספק אם אתה רוצה להשתמש ברסטר מוקרן אחד, מכיוון שהוא לא יביא בחשבון את העובדה שכדור הארץ עוטף את עצמו מקצה אחד של הרסטר לקצה השני.

אז זהו שזה החלק הפחות ספקולטיבי של ה"תשובה ". הייתי הולך עם הקרנה קונפורמלית, למרות שגם זה כנראה לא אידיאלי למטרות שלך. אם זה אפשרי, תוכל לשקול לחתוך את הרסטר לרצועות חופפות בעלות 3 אזורי UTM, להקרין אותן לאזור המרכזי, להפעיל את הניתוח על כל רצועה ולאחר מכן לגזור לאזור המרכזי. זה ייתן לך חבורה של נתונים סטטיסטיים המחושבים מקומית שמקורם בנתונים מדויקים למדי. [רעיון זה לא הוערך על ידי אני או המומחים.]

אם אתה באמת רוצה להיות מדויק, אתה כנראה צריך לכתוב תוכנה משלך כדי לחשב את משקל המרחק ממשטח תלת -ממדי.

נ.ב. מקווה שמישהו אחר מפרסם ואומר: "למעשה, התוכנה המדעית הקיימת הזו כבר עושה מה שאתה רוצה."


ניתוח סטטיסטי מרחבי של התרחשותן של רעידות אדמה לאורך קרקעית הים האדום המתפשטות: אשכולות של סיסמיות

מטרת מחקר זה היא ליישם טכניקות ניתוח דפוסים מרחביים לקטלוג נתונים סיסמי של רעידות אדמה מתחת לים האדום כדי לנסות לאתר אשכולות ולחקור דפוסים מרחביים גלובליים ומקומיים בהתרחשות רעידות אדמה לאורך השנים בין 1900 ל -2009 תוך שימוש במכשיר גיאוגרפי. מערכת מידע (GIS). טכניקות ניתוח התבנית המרחבית שנבחרו למחקר זה היו ניתוח ספירת רבעונים, שכנה ממוצעת הקרובה ביותר, מורן I, הגנרל גטיס - אורד G, אנסלין מקומי מורן I, גטיס - אורד גי*, אומדן צפיפות הגרעין והתפלגות גיאוגרפית. כל אחת מהטכניקות הללו יושמה ב- GIS כך שניתן יהיה לבצע חישובים במהירות וביעילות. התוצאות הראו כי (1) טכניקות אלה היו מסוגלות לזהות אשכולות בדפוסים המרחביים של התרחשותן של רעידות האדמה (2) סטטיסטיקה מרחבית גלובלית ומקומית מצביעה על כך שרעידות אדמה התקבצו באזור המחקר שמתחת לים האדום (3) עם רעידות אדמה עם עוצמות גבוהות יותר בסולם ריכטר התרכזו בעיקר בחלקים המרכזיים והדרומיים של ים סוף, שם הפעילות הסיסמית הייתה הפעילה ביותר ו (4) רעידות אדמה בעוצמה בינונית בסולם ריכטר התרכזו במיוחד בחלק הצפוני של ים סוף, שם היו הוא אזור של הבקע היבשתי בשלב מאוחר המורכב משוקת רחבה ללא מרכז התפשטות, למרות שהיו כמה שוקות עמוקות ומבודדות. אנו מסיקים כי טכניקות ניתוח התבניות המיושמות בקטלוג הנתונים הסיסמיים של רעידות אדמה מתחת לים סוף יכולות לזהות אשכולות בהתרחשות רעידות אדמה בין השנים 1900 עד 2009.

זוהי תצוגה מקדימה של תוכן המנוי, גישה באמצעות המוסד שלך.


מיפוי אתרי קבורה חשודים כסיוע לחיפוש הנעדרים

למרות שטכניקות המסתמכות על מדעי המידע הגיאוגרפי (GIScience) יושמו במספר תחומים בעשורים האחרונים, עדיין יש תחומים רבים בהם עבודה ניסיונית בנושא דוגמנות מרחבית יישומית פותחת כעת הזדמנויות לקידום ידע מדעי. בשש השנים האחרונות, היה לי הכבוד לעבוד עם כמה אנתרופולוגים פורצים, משפטיים לקידום ידע מדעי בנושאי סיוע הומניטרי. באופן ספציפי, אנו בוחנים כיצד להשתמש ב- GIScience וסטטיסטיקות מרחביות כדי לדגמן התנהגויות של רוצחים בזמן המלחמה. מודלים מדויקים ומדויקים של התנהגויות אלה עשויים לסייע בזיהוי אתרי קבורה שאבדו ובסופו של דבר לאפשר למשפחות לשחזר את שרידיהם של יקיריהם ואת האזרחים והחיילים הנעדרים. עבודה זו כללה מחקר על מעשי אלימות שבוצעו במקרי חירום פוליטיים בתרחישים מורכבים רבים כגון יוגוסלביה לשעבר וקיום עימותים כמו נגורנו-קרבאך. הזדמן לי לעבוד באופן אישי עם כמה משתפי פעולה מדהימים בתחום זה, כולל ד"ר דרק קונגרם, יו טולר, מאט וונמאייר, מייקל קניהרץ 'וכמה צוותים בהווה ובעבר ב- ICRC (תמכו כלכלית בעבודה זו). למעשה, רבים מהמחברים באוסף ערוך זה עוררו השראה והודיעו על המחקר שלנו.

המאמר שלהלן מייצג מדגם קטן של לקחים שנלמדו משיתופי פעולה אלה ומהעבודה הניסיונית שלנו. מאמר זה הוא כתב יד מקובל עבור אינטרנציה למדע משפטי l גיליון מיוחד בנושא "פעולה פלילית הומניטרית". כתבי היד המקובלים נמצאים תחת אמברגו של 12 חודשים לאתרי שיתוף אקדמיים רבים, אך ניתן לשתף אותם מיד באתר האישי של המחבר. הקישורים יעודכנו (DOI, קישור לפרסום כתבי עת וכו ') ככל שיהיו זמינים. ניתן למצוא כאן פרטי רישוי נוספים עבור כתבי יד מקובלים ל- FSI. © 2017, גרסת כתב היד שלו זמינה תחת רישיון CC-BY-NC-ND 4.0.

ציטוט מומלץ:
קונגרם, ד ', מ' קניהרץ ', מ' וא 'ג' גרין. 2017. מיפוי קברים לתמיכה בחיפוש אחר נעדרים בהקשרים של קונפליקטים. מדע משפטי בינלאומי, סוגיה מיוחדת פעולה הומניטרית פלילית: 260-268. DOI: https://doi.org/10.1016/j.forsciint.2017.07.021

אנו בוחנים את השימושים הנוכחיים והפוטנציאליים של תוכנת מידע גיאוגרפי (GIS) ו"חשיבה מרחבית "להבנת התנהגות סילוק הגוף בזמנים של הרוגים המוניים, במיוחד בהקשרים של קונפליקטים מזוינים. הסקירה כוללת תצפיות של המחברים במהלך מחקרם האקדמי והתייעצות מקצועית בנוגע לשימוש בניתוח מרחבי ו- GIS לתמיכה בפעולה משפטית הומניטרית (HFA) לחיפוש מתים, שיקולים תיאורטיים וסטטיסטיים בדוגמניות של אתר קברים, והצעות כיצד ניתן להתקדם בעבודה זו.

אנתרופולוגיה משפטית ארכיאולוגיה משפטית ניתוח מרחבי ניתוח מידע גיאוגרפי מדע מידע גיאוגרפי פעולה הומניטרית משפטית

רודריגו גררו ולסקו, ראש עיריית קלי, קולומביה בשנים 1992-1994 (נבחר מחדש בשנת 2011), הוא אפידמיולוג. כראש עיר בעיר שסבלה באותה תקופה בשיעור רצח של 124 לכל 100,000 תושבים, הוא אימץ גישה למאבק בפשיעה שהעיתונות המקומית כינתה "דיקור עירוני" - הדבקת סיכות במפה לציון פשעים, במיוחד רצח. מיפוי "נקודה חמה" זו (שהיום הוא שגרתי דיגיטלי ומבוסס על GIS) אפשר לרשויות העירוניות למקד את המשאבים באזורים ה"חולים "בעיר [1]. Guerrero Velasco הבין את הערך של ויזואליזציה ושל חקירה מונעת נתונים. במהלך כהונתו כראש עיר ובמשך שנתיים לאחר מכן, שיעור הרצח בקאלי ירד משמעותית [2].

אחת ממספר המפות שהיו מוצגים במשפט רצח העם של הגנרל ראטקו מלאדיץ 'בבית הדין הבינלאומי של האו"ם ליוגוסלביה לשעבר הדגישה את מערכת היחסים המרחבית של בתי ספר עם אתרי הוצאה להורג המונית (איור 1). הקשר עשוי להיראות מבולבל, אלא אם כן אתה יודע שעד 8,000 גברים ונערים מסרבניצה וסביבתה עוכבו מספר ימים לפני שהוצאו להורג. מכיוון שלרוב הבניינים באזור היה יכולת מוגבלת, המעצרים היו בעיקר בבתי ספר, מחסן חקלאי ומרכז תרבותי. כמה מאלה שהוחזקו אסירים ושרדו את מעשי הרצח הצליחו להעיד על ההוצאות להורג המונית במרכזי מעצר אלה ובסביבתם. ברוב המקרים הועברו גופות קורבנות במשאיות מאתרי הוצאה להורג לאתרי קבורה סמוכים. הבנת הדינמיקה המרחבית והלוגיסטיקה של המעצרים, הכוללת הכרת גבולות האזור הנמצא תחת שליטה של ​​האחראים לרציחות שלאחר מכן (האזור המסומן "RS" באיור 1), הייתה חשובה לגילוי בסופו של דבר אתרי קבורה של קורבנות [3 ].

איור 1. מפה שהוגשה כראיה במשפטו של ראטקו מלאדיץ ', הכללי הבוסני-סרבי, המציג גבולות טריטוריאליים, בתי ספר המשמשים כאתרי מעצר ואתרי הוצאה להורג המונית. מספר סימוכין לעדות 0706-7941 בפרקליטות נ 'מלאדיץ', IT-09-82.

כאשר הרוגים המוניים מתרחשים עקב אסונות טבע או סכסוך מזוין, משאבים רשמיים לחקר ההרוגים ולחקירת הנעדרים הופכים לעתים קרובות המומים, מה שמאלץ טיפול אלתור הן בטיפול סטטוטורי והן בנהוג כנהוג בנפטרים ונעדרים. במקרים הכוללים מקרי רצח בלתי חוקיים, ניתן להפר מכוון קבורה בכוונה או כאמצעי להסתרת ראיות (כלומר, גופות קורבן) לפשעים או כאמצעי לזלזל בקורבנות ובקהילותיהם. בתרחישים אלה, גופות המתים נקברות לעתים קרובות בעילום שם, והופכות אותן ל"נעדרים ". למי שמחפש את הנעדרים, הבנת השונות הסיטואציות בקבורה וחריגות משיטות הקבורה המקובלות והחוקיות היא דבר חשוב ביותר. הכרת נסיבות ההיעלמות והמוות כמו גם האחראים יכולה לעזור לנו להסיק היכן עלינו לחפש את גופותיהם של הנעדרים.

במאמר זה, אנו מדגישים את התועלת של חשיבה וניתוח מרחבי, דברים שבדרך כלל נמנעים לטובת עדות בעל פה ותיעוד בכתב. ניתוח מרחבי, בהקשר זה, כולל ויזואליזציה של תחום חקירה והערכת יחסים מרחביים בין משתנים המשפיעים על האופן והיכן קבורים (או מנוהלים גופים). אנו מציגים כמה כלים למדעי המידע הגיאוגרפי (GIScience) המאפשרים חקירה יעילה יותר של המתים החסרים, הנחשבים. אנו ממחישים מושגים ושיטות אלה בעזרת מספר מקרים ממחקר יישומי שלנו. מטרות המחקר שלנו הן: (1) להשלים מאמצים חקירתיים מסורתיים ו (2) לחקור אמצעי חקירה חדשים באמצעות GIScience. אולם יותר מאשר הצגת מושגים וכלים, אנו דוגלים בניתוח מרחבי כדרך יותר מושכלת להתכונן לאסון כדי לצמצם את העלות החברתית, הפסיכולוגית והחומרית של אי ידיעת מיקומם של אלה שנעלמו וסבורים כי מתו.

בדרך כלל, מי שחוקר מקרים של נעדרים מחפש עדים. עדי מתארים את מה שראו והופכים את הזיכרונות בצורת תמונות מנטליות למילים המתועדות ומשמשות את ההנחיות. במקרים מסוימים, הצהרות עדים מובילות את החוקרים למקום ספציפי (למשל, בית מעצר, הוצאה להורג או קבורה), ובהתאם לאמינות המידע הנתפסת, עלולה להוביל לחפירה בחיפוש אחר קבר (תצפית). באופן אידיאלי, המידע מדויק ומדויק, כך שניתן למצוא, להוציא, להוציא, לזהות ולהחזיר למשפחה טיפול מתאים מבחינה תרבותית. עם זאת, לפעמים המידע שנמסר על ידי עדים או מלשינים אינו מהימן ואין אתרי קבורה. לאחר מכן יחפשו עדים חדשים בתקווה שהם, בתורם, יצליחו לזהות מקום קבורה. לולאה מתודולוגית זו נוטה לקבל תשואות פוחתות עד שאין עוד עדים עם מידע חדש והחוקרים פשוט מפסיקים לחפש את הנעדרים.

כאשר החיפוש אחר אתרי קבורה לא מסומנים נכשל, לעתים רחוקות אנו יודעים מה השתבש. האם העד לאירוע טראומטי אולי לא זכר במדויק? האם המידע שלהם בדרך כלל נכון אך לא מדויק? לדוגמה, סיכוי חמור עשוי לעצור במרחק של 30 מטרים בלבד מאתר הקבורה בפועל. או שאולי העד היה, מתוך רצון מוטעה לעזור, לייפות את העובדות באופן לא מודע ולא מדויק. גרוע מכך, אך סביר להניח, שעד יכול היה לרמות בכוונה את החוקרים על ידי מסירת מידע כוזב או לא מדויק. אלה מאיתנו העוסקים בחיפושים הכושלים הללו יודעים עד כמה הם יכולים להיות מייאשים. רובנו יכולים רק לדמיין איזו השפעה יש לראיות כשל על המשפחות המחפשות את הנעדרים. מונע מכשלים אלה, אנו מבקשים לפתח שיטת חיפוש חלופית. כזה שלא מסתמך אך ורק על עדים שיכולים לצייר "x" על מפה כדי לציין אתר קבורה או לתאר את מיקומו. במקום זאת, אנו בוחנים את דפוסי המאפיינים הנפוצים של מיקומי סילוק הגופות הידועים בתקופות של הרוגים המוניים כאשר היכולת לרשום ולסמן את מקום קבורתם של ההרוגים היא המומה ובמקרה של היעלמויות ופשיעה פלילית.

מאז תחילת שנות האלפיים הטכנולוגיות הגיאו-מרחביות הוטמעו במגוון רחב של דיסציפלינות אקדמיות, מודלים עסקיים חדשניים, ארגונים הומניטריים בינלאומיים וקבוצות חברה אזרחית העוסקות במחקר יישומי. מדע המידע הגיאוגרפי (GIScience) מתייחס למחקרים המפתחים הן טכנולוגיה גיאו -מרחבית והן משתמשים בטכנולוגיה גיאו -מרחבית ליצירת מודלים אנליטיים למחקר מדעי. הטכנולוגיה הגיאו -מרחבית מתייחסת למגוון רחב של מכשירים לאיסוף נתונים המייצרים נתונים עבור מערכות מידע גיאוגרפיות (GIS). לדוגמה, קונברגן וסניידר דנים כיצד הטכנולוגיה הגיאו -מרחבית הפכה לכלי אסטרטגי וטקטי לפעולות שמירה על שלום האו"ם [4]. ארגונים בינלאומיים אחרים חקרו GIS וטכנולוגיה גיאו -מרחבית אחרת למיפוי בהקשרים הומניטריים, למעקב אחר זכויות אדם [5] ובמקרים נדירים לאיתור חשדות לקברי אחים [6, 7]. העמותה אושהידי החלה בשנת 2008 לאסוף מידע גיאוגרפי בהתנדבות (VGI) על מנת למפות אלימות בחירות בקניה. בשנת 2010 הם הצליחו במאמצי התנדבות להשתמש ב- GIS ובנתונים שמקורם בהמונים כדי למפות את הרחובות בפורט או-פרינס כדי להקל על העברת סיוע הומניטרי בהאיטי לאחר רעידת האדמה [8]. היישום הרחב של GIS בתרחישים כאלה פוסל את הצעד הבא הקצר לכאורה למיפוי קורבנות של אסונות כאלה (מקומות שנראו לאחרונה חיים או נראו מתים, בתי מתים, בתי חולים ואתרי פינוי גופות). זיהוי המתים מתבצע בקלות רבה יותר כאשר ניתן לקשר מספר מיקומים לנתונים משולשים והיה שפע של נתונים ממשלתיים פתוחים וייצור נתונים ציבוריים באמצעות טלפונים ניידים כמעט בכל מקום ומצלמות המאפשרות GPS. עם זאת, ישנן בעיות פרוצדורליות ניכרות שצריך לפתור אותן כדי לקשר מערכי נתונים מרחביים כאלה למומחיות ולניתוח המרחבי הנדרש כדי לפרש ולהפוך את מפגש הנתונים למידע בר ביצוע. אנו נמצאים כעת שנות אור מעבר לסיכות במפה, וקישור בין הנתונים הגדולים, הנתונים הפתוחים, VGI וערכות הנתונים האחרים למומחיות הנדרשת לטיפול ופרשנם עלול להוביל לשינויים דרמטיים באופן בו הרשויות (או אחרות) מטפלות. המתים בעת אסון ומלחמה.

GIS הוא כלי יעיל להצגה חזותית של מספר מקורות נתונים לתמונה אחת קוהרנטית, המתאר לעתים קרובות מגמות סמויות שאינן ניתנות לצפייה ישירה ממקורות נתונים בודדים. יתרה מזאת, אין צורך לנטוש את עדויות העדות, כיוון שניתן לקודדן ולשלבו במאגר מידע גיאו -מרחבי השומר על תקינות החשבונות כתכונות של מיקומים מרחביים. מיפוי אתרי קבורה יכול לשרת מטרות רבות. לפעמים חשיפות אינן ניתנות לביצוע (למשל, עימות מתמשך, חוסר משאבים או מומחיות), או שאינן רצויות (למשל מסיבות דתיות או רגישות פוליטית, [9]. פשוט לתכנן את המיקומים החמורים במפה יכול להיות קריטי לתמורה. למיקום זה אם התנאים ישתנו בעתיד (למשל, סיום המלחמה והרצון לגילוי הומניטרי, זיהוי והחזרה). בנוסף לאתרי קבורה, מיפוי מקומות היעלמות ומוות מאפשר רישום של תכונות גיאוגרפיות קשורות ו משתני פרוקסי. ניתן לייצר משתני פרוקסי באמצעות ניתוח מרחבי של מידע או ממערכי נתונים זמינים או מעדות עדות מקודדות בקפידה (מרחק מהכביש, מיקום שנראה לאחרונה בחיים, מצולעים של אתרי קרב מוכרים, עד כמה שם). בהקשר זה, ישנם שתי מטרות עיקריות של מיפוי: ייצוג חזותי וניתוח מרחבי. לפעמים הניתוח הוא פשוט אינטואיטיבי, כמו במפת הפשע הקלאסית של Guerrero Velasco בקאלי לזהות מקבץ הפשעים בשכונה מסוימת וממקדים את מאמצי החקירה שלהם במקום זה. עם זאת, GIS וסטטיסטיקה מרחבית מאפשרים ניתוח חזק הרבה יותר.

חומרים ושיטות

כלים ונתונים גיאו -מרחביים

בבסיסו, GIS הוא מאגר נתונים מתוחכם המאפשר רכישה, ניהול, ניתוח והצגת נתונים מרחביים. הנתונים בתוך GIS מסווגים או וקטור (נקודות, קווים ומצולעים) או רסטר (כל תמונה המבוססת על פיקסלים, כגון .tiff או .jpeg). נתוני וקטור מייצגים תכונות נפרדות, כגון נקודת הקואורדינטות של קבר, בית קברות, כביש או גבול טריטוריאלי. מערך רסטר מורכב מפיקסלים במקרה זה, פיקסלים מייצגים רשתות בגדלים משתנים (רזולוציה), בעלי רכיב מרחבי ורכיב תכונה לכל תא רשת. מערך רסטר נפוץ הוא מודל גובה דיגיטלי (DEM) שבו ערכי התכונה המרחבית עבור כל תא כוללים גובה עבור אותו מיקום. פורמט רסטר יותר מוכר הוא .jpeg, כאשר המסגרת מחולקת למיליוני תאים (הנמדדים כפיקסלים לאינץ 'מרובע) וערך התכונה לכל תא הוא צבע, ובכך יוצר תמונה. שלא כמו מאגרי מידע מסורתיים, העיקרון המארגן של כל הנתונים בתוך מסד נתונים גיאו -מרחבי הוא מיקום מרחבי.

לצורך מיפוי הנעדרים והנפטרים, ניתן לתוות נקודות כאובייקטים וקטוריים למערכת ייחוס גיאוגרפית (לרוב קו הרוחב והאורך) המקושרת לשכבות אחרות כגון גבולות פוליטיים. באופן אידיאלי, כל נקודה מתאימה לאדם או מקרה. לנקודה של כל אדם, ניתן לרשום מספר תכונות לא-מרחביות לבניית מסד נתונים של החסרים. התכונות יכולות לכלול מידע כגון מספרי זיהוי שדה של כל נעדר, מיקומם שנראה לאחרונה בחיים, השתייכות פוליטית, מעמד אזרחי, גיל, מין, לאום, קומה וזיהוי סימנים או מאפיינים (כגון קעקועים, הגדלת שיניים וכו '). . ניתן להזין טבלאות תכונה ל- GIS ללא קואורדינטות משויכות. הדבר חשוב במיוחד במקרה של חפירה קבורה כאשר מזוהה גופה מכיוון שאחר כך ניתן להוסיף את הקואורדינטות לטבלת התכונות.

ניתן לבצע שלבי עיבוד גיאוגרפי כגון חיץ, חיתוך ומדידה על שכבות מרחביות נבחרות או על כל השכבות המרחביות (למשל, רשתות טופוגרפיות, כבישים ורכבות, שימוש בקרקע, בתי חולים, בתי קברות, מתקנים צבאיים, בתי מתים, מפות שדה צבאיות) והיכנסו ל- GIS לניתוח. צעדים כאלה מאפשרים לנו למדוד את היחסים בין מקומות ולשלב מערכי נתונים. הגדרת כל המיקומים האפשריים של קורבנות קורבן דורשת איגום סוגים שונים של מידע ממקורות שונים. ניתן לראות את הרלוונטיות של מיקומים המתייחסים לסוגים שונים של שכבות נתונים מרחביות בחקירת חברת MH17 של מלזיה איירליינס. על פי ההערכות, המטוס המסחרי בו נושאים 282 נוסעים הופל מעל אוקראינה בשנת 2014. גופות שהתאוששו במקום ההתרסקות הועברו באמצעות רכבת על ידי רשויות המורדים לעיר סמוכה [10]. מערכות היחסים המרחביות של אתר ההתרסקות, הנהרות, הגבולות הפוליטיים והטריטוריה שבשליטת הצבא שבתוכה אירעה ההתרסקות, עמדת משגר טילים ורשתות הכבישים והרכבות השפיעו באופן כלשהו על אופן הטיפול בגופות קורבן בעקבות ההשפעה (במספר מיקומים בגלל הפיצוץ והאפריקה באוויר).

הכנסת נתונים מרחביים למאגרי מידע גיאוגרפיים יכולה גם לשפר את ההבנה שלנו לגבי טעויות באיסוף ועיבוד נתונים שעשויים להימלט מתשומת לב במאגרי מידע לא-מרחביים קונבנציונליים. ביוגוסלביה לשעבר, במיוחד בבוסניה-הרצגובינה בשנים 1996-2001 וקוסובו בשנים 1999 ו -2000, פעלו במקביל מספר גופי חקירה [11]. ארגונים אלה השתמשו בסטנדרטים שונים של רישום מידע, מה שגרם לבעיות בתיאום ידע ופעולה בשטח. איסוף נתונים על מקרי המוות בסרברניצה שבבוסניה היה מוקד מיוחד של משרד התובע (OTP) של בית הדין הפלילי הבינלאומי ליוגוסלביה לשעבר, שהקדיש משאבים ומומחיות לתיעוד מקרי רצח בצורה יסודית ביותר. האינטרס העיקרי של ה- OTP היה לחקור הפרות חמורות של החוק הפלילי הבינלאומי, כולל פשעים נגד האנושות ורצח עם. שני הפשעים הללו מופגנים על ידי הריגות שיטתיות, שיכולות לדרוש צפייה בקברי קורבנות בקנה מידה קטן יותר (כלומר, "זום החוצה"), ולא באופן פרטני. ארגונים אחרים, קטנים יותר (בכוח אדם ותקציב), המחלימים גופים בבלקן פעלו בדרך כלל על בסיס אתר לאתר ומטרותיהם היו בעיקר הומניטריות, ולכן פחות דאגו לשחזור נרטיב זמני וגיאוגרפי גדול יותר כפי שיהיה חשוב לפושע. חקירת רצח עם. ככזה, יש הרבה פחות פרטים מהעבודה שלהם שניתן להשתמש בהם כעת לניתוח דפוסים והיקף המוות והקבורה במהלך המלחמות ובעקבותיהן. אם נסתמך על נתונים גיאוגרפיים זמינים אלה, המקרים היסודיים והמספרים יותר המתועדים בסרברניקה יכולים להוות טעות דגימה לעיצוב מודל ובניתוח הנתונים בפועל (כלומר, המדגם יוטה).

ישנם עוד מספר עקביות של הזנת נתונים שיכולות לגרום לטעויות בניתוח. לדוגמה, במקומות עשויים להיות שמות המאויטים באופן שונה בהתאם לשפה הנאמרת או נכתבת במהלך תהליך התיעוד (למשל, קוסובו או קוסובה, טבלה 1). על ידי מתן עדיפות לקואורדינטות מרחביות, שמות דיפרנציאליים כאלה נפתרים במאגר גיאומטרי המאפשר מרחבית.

אלבנית סרבו-קרואטי
Drenas גלוגובאק
Ferizaj Uroševac
פושע קוסובה קוסובו פוליה
Kamenicë קוסובסקה קאמניצה
רחובץ ' ארהובאק
Skënderaj סרביצה


טבלה 1. שמות מקומות מובחנים לאותם מחוזות לפי שפה בקוסובו/קוסובה.

בעיית נתונים שנייה מתייחסת לאיכות. למרות שיש הרבה מפות דיגיטליות בחינם או זולות ממאגרים מקוונים, ממשלות או ארגונים אחרים, הדיוק והדיוק שלהן יכולים להיות שונים מאוד. איור 2 מציג מפה עם רשתות כבישים משלושה מקורות שונים. מקור אחד (עם כבישים משורטטים באמצעות קו בורדו) הוא הרבה יותר מפורט מהאחרים, אך האחרים כן מסמנים כמה כבישים שהראשון לא. ניתן למזג מפות אלה, אך זה יכול לקחת זמן וייתכן שחסרה עדיין שלמות המפה הסופית.

איור 2. שלוש מפות רשת דרכים לאותו מיקום, כל אחת מהן שונה בדייקנות ובשלמות. מפות מקור ציבוריות אחת ("OSM", שמייצגת OpenStreetMap, למעלה) שלמות ומדויקות יותר מאחרות ממקורות פרטיים, אך לכל אחת משלושן יש כבישים המסומנים הנעדרים באחרים. אשראי: © תורמי OpenStreetMap, הנתונים זמינים תחת רישיון מסד נתונים פתוח.

יתרון נוסף בשימוש בכלים גיאו -מרחביים כגון GIS הוא שניתן לפרוס אותם בכמה קני מידה. GIS יכול לתמוך בניתוח מרחבי כולל מיקרו -עצם [12], מיפוי מיקומי גוף בתוך קבר אחים כדי לסייע בפתרון התערבות [13], במיפוי הפקדות של גופים בתוך קבר [14], מיפוי אתר בהקשר גיאוגרפי ומיפוי אתרי משפחה יחסית. זה לזה [15], כמו גם קברים ביחס לנקודות עניין אחרות כגון בתי ספר, כפי שמודגם לעיל.

בסופו של דבר, חקר מערכות יחסים מרחביות בהקשרים מסוימים של קונפליקטים מזוינים נותן הבנה ניתנת לכימות יותר של הדינמיקה שגרמה לאנשים להיעדר. למרות שזה יכול לסייע במציאת שרידיהם של אלה שמתו, הדבר עשוי גם לסייע בניתוח והבנת השוואות של וריאציה מרחבית ומערכות יחסים של אירועים דומים בין מדינות שונות. הבנה רבה יותר של השונות בהתנהגות האדם בנוגע לסילוק הגוף תעזור לפתח תיאוריות המנחות ניתוח נוסף ומשפרות את יעילות החיפושים אחר הנעדרים, זיהוי שרידים והחזרת הנעדרים למשפחותיהם לקבורה מכובדת.

מודלים לאיתור הנעדרים

תפיסה בסיסית בדוגמת התנהגות מרחבית אנושית היא שבני אדם מתקשרים עם סביבתם בדרכים מעוצבות ולא אקראיות [16-22]. הדרכים בהן בניצול בניצול ניכר של סביבותיהן היוותה בסיס לחיזוי אתרים ארכיאולוגיים שהועסקו על ידי חברות ניהול משאבי תרבות במשך עשרות שנים [23]. קונגרם וקניהרץ 'טענו כי אקולוגיה התנהגותית אנושית, במיוחד תורת החיפוש האופטימלית (OFT), יכולה לשמש מסגרת תיאורטית ליישום דוגמנות חיזוי אתרים כדי לסייע באיתור הנעדרים [24]. בקצרה, OFT מניח כי הברירה הטבעית עדיפה על בעלי חיים שאסטרטגיית ההתנהגות שלהם ממקסמת את צריכת האנרגיה שלהם ליחידת זמן השהייה בחיפוש אחר משאבים. קונגרם וקניהרץ 'הרחיבו את OFT כדי להבין את אופי סילוק הגוף החשאי על ידי הנחה שמיקום הקבורה החשאי הוא פונקציה של זמן בילוי עם שרידים (מקביל לזמן חיפוש) והימנעות מגילוי (בחירה), המתוחם על ידי תרבות, סביבות מקומיות, או שניהם [24].

כפי שצוין לעיל, ישנם משתנים מרחביים רבים הזמינים למודל המיקום של אתרים פוטנציאליים, אולם מעטים, אם בכלל, יהיו קשורים במפורש לאירוע המוות או לפעילות הקבורה שלאחר מכן. במקום זאת, משתנים מרחביים משמשים לעתים קרובות כפרוקסיות להתנהגות אנושית, או לקבלת החלטות קוגניטיביות. וויטלי זיהה שלושה סוגים שונים של משתני פרוקסי המעידים על קבלת החלטות קוגניטיביות: 1) התייחסות סיבתית ישירה 2) התייחסות סיבתי עקיפה ו -3) התייחסות לא סיבתית [25]. הפניות סיבתיות ישירות קושרות משתנה סביבתי, או מרחבי, להתנהגות קוגניטיבית כלשהי. לדוגמה, תצוגת תצוגה היא מפה שנוצרה עם GIS המציגה את השטח הנראה ממיקום קבוע. האזור הגלוי יכול להשפיע ישירות על קבלת ההחלטות, אשר בהקשר הנוכחי עשוי להתייחס למניעת גילוי תוך סילוק שרידים. הפניות סיבתיות עקיפות אינן משפיעות במפורש על הקוגניציה, אלא ישפיעו על האופן שבו משתנים סמויים עשויים להשפיע על קבלת ההחלטות. לשם המחשה, מפות מרחק או מפות מרחק-עלות (מפות מרחק שתוחמות משתנים אחרים כגון שיפוע, מחסומים טבעיים או תרבותיים וכו ') יכולות לשמש פרוקסי להיכרות עם אזור, מה שמניח שאנשים יותר מכירים את סביבתם הקרובה יותר מאשר באזורים רחוקים יותר, ובכך מגבילים באופן לא מודע את אתרי הסילוק הפוטנציאליים שלהם. לבסוף, הפניות לא סיבתיות משתמשות בפרוקסיות להתנהגות כלשהי למרות שאין קשר ישיר. קח את הדוגמה לשופך שוב. לקו הראייה ממבט מסוים יש קשר ישיר לאדם מן ההשקפה הזו. עם זאת, נקודת התצפית עשויה גם לאפשר לאדם לשמוע טוב יותר או יותר רע ממיקום, שלא ניתן למדוד אותו ישירות ב- GIS.

דוגמנות חיזוי של מיקומי אתרים היא תהליך אינדוקטיבי ודדוקטיבי כאחד. ההיבט האינדוקטיבי מתחיל בהרכבת מסד נתונים של מיקומי אתרים ידועים ותיכנוןם במערכת קואורדינטות משותפת. פשוט הצגת שכבות נתונים מרחביים ב- GIS אינטראקטיבי מקלה על זיהוי דפוסים מרחביים באמצעות עין האדם וידע מומחה של אירועים ואזורים גיאוגרפיים, בדיוק כפי שוולסקו השתמש בסיכות על מפת נייר כדי להבהיר אשכולות רצח בקאלי. ניתוח נתונים מרחביים מזהה כמה חסמים ייחודיים לניתוחים ומתחשב בבעיות כגון בעיית יחידת שטח ניתנת לשינוי (MAUP). ה- MAUP מתרחש כאשר נתונים על בסיס נקודות נצברים לרמות ניתוח חדשות (לרוב מצולעים) כפי שעושים לעתים קרובות כאשר דיווחים מחוזיים על אירועים פליליים נצברים לפורמטים של טבלאות. The aggregation of points (such as burglaries) and subsequent averaging of attribute data (such as cost of items stolen) obfuscates and leads to a loss of understanding of spatial patterns of behaviour, especially when clusters of events may cross over and be divided into neighboring areas (such as police districts). In other words, burglaries that straddle a boundary might not be seen as being related if they are only looked at within individual police district boundaries. The spatial display of data in GIS, even without statistical modeling, allows a more effective visualization and analysis of both inductive and expert knowledge. Identified patterns might then be investigated through fieldwork or through statistical modelling.

Statistically significant clusters can be identified through a variety of analyses including Getis-Ord Gi (Hot Spot) analysis, Ripley’s K-function cluster analysis, and Average Nearest Neighbour tests. These analyses examine spatio-temporal relationships of event observations as well as the spatio-temporal clustering of observation attributes (for example, crime rates or event magnitude) for statistically significant clusters. After significant clusters have been identified, the spatial relationship between environmental and cultural variables can be tested: distance-to-road (or water, or railways, battlefields, site-last-seen, etc.), slope, viewsheds, elevation, surface geology, land-use, population density, and demographic and economic distribution maps to name a few. Using GIS, variables can be assigned to each of the significantly clustered points. Further, to test for significance, one can compare the variable values at each known site location to those at random site locations. This will show if the environmental and cultural variables show any significant pattern particular to the known grave sites when compared to a random distribution of places where there are no sites. Using GIS, it is possible to set a study area boundary and populate it with a random distribution of points. Environmental and cultural variable values can then be measured for each of the random “non-sites”. To test for significance of continuously distributed (parametric) values (e.g., distance to road, elevation), a simple two-tailed t-test can be used when the assumptions of normal distributions are met. When normal distributions cannot be assumed or are violated, Monte Carlo Simulations (or random permutations) are often used to establish a עמ value for hypothesis testing involving continuous data. On the other hand, for non-continuous data (land use, surface geology, demography, etc.) it is necessary to use nonparametric significance tests such as the Chi-Square Goodness of Fit Test and the Mann-Whitney U test. In both the parametric and nonparametric cases, a עמ value will be calculated. Typically, if עמ values are greater than 0.05, it is assumed that the distribution of variables between sites and non-sites is not significant. Put another way, if עמ is greater than 0.05, the distribution of a particular variable is not significantly different among actual grave sites and randomly distributed non-sites, which means that that particular variable has little analytical value alone in predicting grave site locations.

Equipped with the environmental and cultural variables that significantly contribute to site location, building models relies on deductive reasoning. Consider the following hypothetical scenario:

A battle takes place between warring factions in a town that is bordered by a river on the north side. Three kilometers north of the town, the main road rises to cross a high elevation ridge. During the battle, one party suffers dozens of fatal casualties and with few intact vehicles, makes a harried retreat across the river, destroying the only bridge as they go. You are part of a post-conflict commission to help facilitate the location and repatriation of the dead and decide to create site prediction maps. You have compiled your datasets of known burial locations and all available spatial proxy variables. You have noticed that elevation, particularly high elevations, are significantly associated with grave locations, 50% of casualties have been buried in cemeteries, and that graves are almost always located within 10 kilometers of the place where a person was killed. Would you include the ridge in your analysis?

Inductively, the ridge is very attractive for burial locations: it is restricted geographically (narrow), has limited visibility as shown by a viewshed analysis, is high elevation, a town at the southern edge of the ridge has a cemetery, and it is within the ten kilometer range of most burials relative to fatality locations. However, it is here that deductive reasoning is paramount in creating a location model. The validity of a model rests very much on the context of the battle: the only way to transport the dozens of dead to the ridge had been blown up during the retreat by the survivors. It is extremely unlikely that the dead could have been taken north across the river for burial. As Kvamme pointed out, archaeological sites (particularly Native American) can be accurately predicted based on distance to water (rivers and streams) and surface geography (fertile loess), but so can the distribution of elm trees [23]. Thus, the difference between spurious correlation and causation rests entirely in context-driven deductive reasoning.

To produce a site prediction map, each of the variables must be considered together. The end product of site prediction modelling is not to create a map that explicitly shows the location of individual graves, rather it identifies high and low probability areas where graves are likely to be given the commonalities amongst known site locations (inductive) and the context of the conflict (deductive). There are several methods available to produce site location prediction maps: weighted map-layer, binary logistic regression, maximum entropy modelling, and agent based modelling to name a few. The practical applicability of each of the modeling methods will largely be site, scale, and context dependent. Site prediction modelling is based on the concept of raster math. As mentioned before, raster data is one of the two data types available in GIS wherein a grid is created that describes the location and some other sort of attributes (elevation, colour, distance, slope, demography, etc). To create the model, all explanatory, or predictor, variables must be converted into raster datasets.

The weighted map-layer approach entails reweighting each variable within each raster dataset, or changing the values of each gridcell so that the values that are significantly related to grave location have a high positive value and those that do not have a low, or even negative value. For example, say 80% of all known sites are within 20m of a major road, a 20m buffer can be created around all major roads and assigned a positive value to reflect a greater likelihood of having a burial, whereas further distances will have a lesser value, or even a negative value (say in the middle of the desert that is impractical to access). Each raster dataset is reweighted with this sort of criteria and then all of the variable layers are “added” together (a process included in raster math). This process can be visualized by thinking of each of these raster datasets as simple arithmetic tables with the rows to be calculated being organized by explicit spatial location (coordinates). The numbers are then assigned a colour scheme to visualize the continuous distribution of low and high numbers. The end result is a new raster that shows high and low probability locations in a continuous form. Remember, each of the original variables were reweighted in such a way that higher positive numbers show sites that have a lot of variables in common. To go back to our hypothetical example with the destroyed bridge, it is during this reweighting step that the area of the high-elevation ridge is excluded from analysis, or assigned negative values because, given the context of the conflict, it was unreachable.

A less subjective way to create a site prediction map can be done through binary logistic regression. Logistic regression will look for optimal splits between two response variables (those being predicted), which in the current case is between known grave site and randomly generated non-site. The values for each of the variables included in the analysis are subjected to the logistic regression wherein coefficients for the explanatory (predictor) variables are automatically generated to best separate the two responses (grave site vs. non-site). Theoretically, logistic regression scores can range from negative to positive infinity, with a cut-off typically designated at 0. Put simply, the value for each variable is multiplied by the coefficient and then summed together to produce a logistic regression score – those below a certain threshold are classified as non-site, and those above it as an actual site. As a product, the logistic regression can tell you how accurate the model is at classifying grave site from non-site as a total correct classification, and also which variables are significant in the analysis and which are not. The logistic regression can then be fitted to the known data to show each individual site’s logistic regression score. These scores can be reloaded into GIS and displayed with a colour gradient to show high and low probability areas as well as demarcate the statistical cut-off between known sites and non-sites.

Maximum entropy modeling (Maxent) was developed to make inferences on presence-only data, which in the current case would mean the known distribution of actual grave sites. A target probability distribution is estimated by locating the maximum entropy probability distribution that is bounded by a set of constraints [26]. The sample point in this case will be the actual grave site, and the environmental, spatial, and cultural proxy variables are constraining features. Using Maxent, it is unnecessary to generate a distribution of non-sites because the probability distribution is generated based on the set of features that all of the known sites have in common. The end result will be the same – a map set to some colour scheme depicting areas of high and low probability.

Agent based modeling (ABM) is another approach to modeling probable grave site locations. Also sometimes called individual based modeling, ABM models contain agents, decision-making heuristics, adaptive learning rules, a topology, and environmental objects (often serving as barriers). The possible spatial behaviours of agents (individuals) is constrained or enhanced by the above factors in the models which are run on GIS-based computer simulations. So, for example, if a researcher knows that movement is largely reliant on mechanized vehicles, roads can be created as an important topology vector. If most burials are conducted in clandestine locations, the researcher can attempt to operationalize those clandestine areas as spatial goals by creating limits to movement in non-clandestine (e.g., highly visible and populated) areas. The spatially aware probability models are run on agent actions, which produce probability maps (introducing randomness through Monte Carlo Simulations) for possible grave locations.

In our preliminary work and research using GIS to study geographic relationships related to conflict graves in several countries, we have made several useful observations. For this paper, we will list some of the most important and common considerations that are necessary for effective mapping and analysis, with anonymized data to illustrate these.

  1. Some cases of missing persons “last-seen” locations coincide with conflict event locations (e.g., shellings or battles) and/or grave locations. This is often the result of soldiers who died in battles, where the dead were buried at that same location. In our studies across different countries, this is a fairly common practice. On other occasions, depending on the resources available to move victim bodies, the dead will be buried at the nearest local cemetery. Other instances of this location overlap results from killings of individuals, usually non-combatants, in homes. It is not uncommon for victims to be killed at a house and then those responsible for the killing leave the site without burying the victim. In these instances, friends, family or neighbours of the victims often bury the victim on the same property. In both of these cases we see a coincidence of event locations, but the circumstances of death are quite distinct. Nevertheless, from the perspective of victim body recovery and identification, this co-location is very important, and can be illustrated very clearly using GIS. Both of these circumstances have been observed by us in our work in various countries in Central Africa, East Asia, and Europe.
  2. Some missing persons’ “last seen” locations are reported as being distant from any known conflict event, killing, or burial locations. The two most plausible explanations for this spatial discrepancy is incomplete data. The first explanation is that people were reported last seen at specific locations, but there have been no related reports of their nearby death and burial. In this instance the “last seen” location and “death/burial” locations are near one another, but there is information only on the first criteria. The second explanation is that the “last-seen” information about a missing persons comes from someone who last saw them some time (and distance) from their death. This can happen when, for example, someone is mobilized for battle and their family members report them leaving their home on a particular date. It might be that several days pass before the missing person is actually engaged in battle and the distance travelled between their home and the place of battle/death/burial is great. Linking these locations is not easily made with maps or spatial analysis. Instead, more information is needed along with logical (deductive) inferences to better plot a more accurate place of disappearance. In this example, useful information about a person’s מַמָשִׁי place of disappearance – to distinguish it from a “last seen” location – would most likely come from their military unit and places of combat engagement that post-date their last seen location as reported by family members. Although the most useful information related to the eventual identification of the missing person will often come from family members (e.g., ante-mortem data and comparative DNA samples), information on the missing person’s burial location is more likely to come from another source (e.g., co-combatants, military records). Coordinating these complementary types of data is something easily done with GIS.
  3. Local expertise, specifically language and cultural expertise, is very important at the stages of data collection and interpretation of analytical results. The biggest element of this with respect to mapping the missing is probably language. Territories with multiple languages, data collected from sources in different languages, and maps with distinct nomenclature are all common problems. An analysis of closest roads to known burial sites in two neighbouring countries showed the greatest number to be tertiary roads in one country and residential roads in the other (Figure 3). Looking over maps of the respective countries, it appears that the discrepancy is attributable, at least in part, to labelling conventions, rather than different burial patterns. In other words, roads labelled as “residential” in one country are labelled as “tertiary” in the other. The number of road categories is also greater in the one country than in the other, which will impact one’s perception of existing burial site location patterns. Having local personnel to interpret why certain patterns exist can be critical in the development of site location models. In one country, we noted that disappearance/death locations were hundreds of kilometers from the burial locations. It did not take an expert to detect that this was highly unusual, but a person who had local knowledge was able to tell us that during a ceasefire, those bodies had been repatriated to families far from the front lines. Identifying these anomalous cases is important because they skew models and interpretations.

Figure 3. A table showing road classifications and proportions from different countries of nearest road types to graves.

Discussion and Recommendations

At times of mass fatalities, government resources are often overwhelmed, particularly during armed conflict. Traditional roles and customs change, often affecting the disposal of dead. Record keeping might be ad hoc, unsystematic, or even deliberately avoided. Non-governmental and intergovernmental organizations might be active in these places and work to support government efforts to record the dead. However, a lack of standard operating procedures, disparate resources and mandates, and the involvement of multiple organizations often results in a chaotic, incomplete corpus of information that complicates the recovery, identification, and return of the dead to their families. In response to these challenges, the ICRC has acquired forensic capacity and developed HFA to assist in proper recovery, documentation and identification of the dead in armed conflict and catastrophes.

The identification and return of the dead to their families is universally important for many reasons. Symbolic memorialization of the dead is part of this process and prevalent across time, regions, and culture. As discussed by Barceló and Pallarés, “production, distribution and consumption take place in a physical space, and as a consequence, this physical space becomes transformed, socialized” [27]. In other words, these places take on societal significance. Different studies debate how far back deliberate burial goes in human evolutionary history, with recent discoveries suggesting the practice is as old two million years [28]. Some of the debate considers whether or not burial was in fact ritual or simply a way of discouraging dangerous scavengers from discovering a dead body, thus jeopardizing the living in the area [29, 30]. Modern humans have made the ritual treatment of the dead, most commonly burial, almost a universal practice.

The advancement of technology has made GPS-enabled mobile phones and cameras easily accessible to laypeople. The widespread use of these in conjunction with satellite imagery allow for the recording of death scenes and burial sites in real time, even (or especially) in times of war. The ubiquity of GPS-enabled technology can potentially alleviate many of the issues incurred in our experience – such as inconsistent, vague, or unreliable witness testimony about times and places. Now, instead of post hoc interviews, images can be taken with date, time, and location all stored in the metadata. This by no means will replace witness accounts. While photographs and videos are useful tools, they are only part of the overall picture.

The other side to the increasingly available technology and ease of distribution is the problem of data protection. This has been a principal concern and significant obstacle in our recent consulting on grave site location analysis. The prospect of donating GPS-enabled phones or tablets to investigators of missing persons (or even to soldiers during conflict or post-battle surveys) to document disposal locations of the dead is easy and relatively inexpensive. Information related to the dead, however, can be extremely sensitive. Data recorded could include the faces and names of witnesses, (including those responsible for deaths), videos of senior officers ordering executions, vehicle license plates – possibly belonging to civilians but sequestered by the military for the transportation of victims, victim bodies, families of victims, etc. The ease of electronic data storage and transmission make it more difficult to protect as massive data leaks in recent years clearly demonstrate.

Recognizing the ability to better record and understand how the dead are treated and how this often contravenes the legal obligation of states to treat the dead, we make two simple recommendations, which we believe will improve the resolution of cases of missing persons, presumed dead: 1) think spatially and 2) map the dead. The first suggestion is conceptual and the second is practical. Organizations tasked with the humanitarian or judicial investigation of the dead should think spatially. They should consider how people understand and use space with respect to the treatment of dead bodies. These organizations should also equip themselves with very basic tools such as GPS-enabled mobile phones or tablets in order to improve the recording of actions related to the dead. This can extend from the individual death scene during routine investigation to mass fatality incidents. Further, keeping a repository of spatial data in conflict zones is useful – particularly road network maps, aerial images, places of interest (e.g., cemeteries), and DEMs. Visually mapping sites related to death is not a new concept – we do it all the time when we mark cemeteries. Standard expectations, norms and resources change at times of mass fatalities and the cartographic documentation of the dead is often neglected.

We have discussed methods for conducting spatial analysis and generating site prediction models of the dead in disasters and armed conflicts. However, in conclusion, the following points must be stressed:

  1. Context is key. There will never be one model that can adequately encapsulate the intricacies of clandestine body disposal. A thorough understanding of the conflict and culture are necessary to draw the most meaningful conclusions from a model.
  2. Data quality. Accurate geographic coordinates are important, but meaningful interview questions that can aid in the search for the missing are just as important, if not more important than extremely accurate geospatial locations.
  3. The products of site prediction maps are not maps that depict the absolute location of where graves will be. Rather, the site prediction maps show where graves are likely to be given the commonalities that those locations have with known grave sites. These maps are not to be taken as gospel, but instead as guides to help focus search and recovery efforts.

Using GIS and spatial scientific principles for the analysis of spatial patterns in the post-hoc search for missing persons shows great potential. Despite being in its early stages, we are already able to identify some lessons learned that can inform best practices. We hope that sharing such early work will contribute to the further development of these methods as a novel and useful tool for HFA.

[1] R. Guerrero Velasco, Big data are reducing homicides in cities across the Americas. Sci Am (2015) http://www.scientificamerican.com/article/big-data-are-reducing-homicides-in-cities-across-the-americas/ (accessed 14.10.16).

[2] R. Guerrero, A. Concha-Eastman, An epidemiological approach for the prevention of violence. The DESAPAZ program in Cali, Colombia, J Health Pop in Dev Countries 4(1) (2001) .

[3] Srebrenica Genocide in eight acts. http://srebrenica.sense-agency.com/en/ (accessed 14.10.16).

[4] E. Convergne, M.R. Snyder, Making maps to make peace: geospatial technology as a tool for UN peacekeeping, Int Peacekeeping 22(5) (2015) 1-22.

[5] Human rights applications of remote sensing, The Geospatial Technologies and Human Rights Project, American Association for the Advancement of Science, Scientific Responsibility, Human Rights and Law Program (2013) 31-33.

[6] Provincial Killing Fields Maps: Genocide Sites (1975-1979). Cambodian Genocide Program, Yale University. http://gsp.yale.edu/provincial-killing-fields-maps-genocide-sites (accessed 14.10.16).

[7] M. Madden, A. Ross, Genocide and GIScience: Integrating personal narratives and Geographic Information Science to study human rights, The Pro Geog 61(4) (2009) 508-526.

[8] M. Zook, M. Graham, T. Shelton, S. Gorman, Volunteered geographic information and crowdsourcing disaster relief: A case study of the haitian earthquake. World Med Health Pol 2(2) (2010) 7-33.

[9] A. Rosenblatt, Digging for the Disappeared. Stanford University Press, Palo Alto, CA, 2015.

[10] BBC, MH17 plane crash: Train with bodies leaves Ukraine station, http://www.bbc.com/news/world-europe-28411225 , 2014 (accessed 14.10.2016).

[11] J.P. Baraybar, V. Brasey, A. Zadel, The need for a centralised and humanitarian-based approach to missing persons in Iraq: An example from Kosovo, Int J Hum Rights 11(3) (2007) 265-274.

[12] D.C. Rose, A.M. Agnew, T.P. Gocha, S.D. Stout, J.S. Field, Technical note: The use of geographical information systems software for the spatial analysis of bone microstructure, Am J Phys Anth 148 (2012) 648-654.

[13] H. Tuller, U. Hofmeister, Spatial analysis of mass grave mapping data to assist in the reassociation of disarticulated and commingled human remains, in: B.Adams, J.Byrd (Eds.), Commingled Human Remains: Methods in Recovery, Analysis, and Identification, Academic Press, San Diego, CA, 2014, pp. 7-31.

[14] H.H. Tuller, Mass graves and human rights: Latest developments, methods, and lessons learned, in: D.C. Dirkmaat (Ed.), A Companion to Forensic Anthropology, First Ed., Wiley-Blackwell, Hoboken, NJ, 2012, pp. 157-74.

[15] D.Congram, A.G. Green, H. Tuller, Mapping the missing: A new approach to locating missing persons burial locations in armed conflict contexts, in: D.Congram (Ed.), Missing Persons Multidisciplinary Perspectives on the Disappeared, Canadian Scholars’ Press, Inc., Toronto, Canada, 2016, pp. 207-223.

[16] R. Brandt, B.J. Groenewoudt, K.L. Kvamme, An experiment in archaeological site location: Modeling in the Netherlands using GIS techniques, World Arch 24(2) (1992) 268-282.

[17] J. Connolly, M. Lake, Geographical Information Systems in Archaeology. Cambridge University Press, Cambridge, UK, 2006.


צפו בסרטון: GIS Tutorial: Using the Local Morans I statistic to analyze hospital charges in ArcMap (אוֹקְטוֹבֶּר 2021).