יותר

מרחק הנקודות לקצה המצולע הקרוב ביותר ב- ArcGIS 10.2


יש לי מחלקת תכונות נקודה המורכבת מרשת נקודות שיטתית על פני נוף. יש לי גם טופס צורה המורכב מכמה מצולעים. עבור כל נקודה בכיתת התכונות, ברצוני לחשב את המרחק לקצה המצולע הקרוב ביותר.

זה נראה כמו אחד מאותם דברים שלא צריכים להיות קשים מדי, אבל חקרתי אינספור פתרונות פוטנציאליים / שאלות דומות ב- StackExchange כמו גם בגוגל ועדיין לא מצאתי פיתרון שמתאים לצרכים שלי. יש פתרונות שהציעו להמיר קודקודים לנקודות ואז לאמוד מרחק בין נקודה לנקודה, אך אני חושש שקודקודים לבדם אינם ייצוג מדויק של קצה (במיוחד מכיוון שצולעים רבים הם בעלי צורה מלבנית).

אני משתמש ב- ArcGIS 10.2 לשולחן העבודה.


הייתי ניגש לכך באופן הבא:

  1. המירו את המצולעים שלכם לקווים (לפיהם כל קצה של המצולעים - קו בין הקודקודים הנובעים מכך - יהפוך לתכונת קו במחלקת תכונות הפלט.) לאחר ההמרה, קווי הפלט ישמרו את מזהה המצולע "האב" שלהם. השתמש בכלי GP: Feature To Line.

  2. קח כל נקודה ואז גלה איזו תכונת קו הכי קרובה. על ידי גילוי זה והמרחק תוכל לחבר נקודות לפוליגונים לאחר מכן על סמך מזהה מצולע המקור. זה יגיד לאיזה מצולע מקור יש לכל נקודה מרחק מינימלי (אם יש צורך). השתמש בכלי GP: קרוב.

בדוגמה זו, אני מגלה לאיזו חבילה כל אביזרי מים הכי קרובים:


לחיות על הקצה: בחירת בתי גידול רב-מידתיים על ידי ברדלסים בנוף אנושי-חיות בר

בריט קלאסן, המכון למדעי הסביבה (CML), אוניברסיטת ליידן, ליידן, הולנד.

אמון חיות הבר בקניה, ניירובי, קניה

היחידה למחקר לשימור חיות בר, המחלקה לזואולוגיה, מרכז רקנאטי-קפלן, אוניברסיטת אוקספורד, טובני, בריטניה

שני המחברים תרמו באופן שווה לעבודה זו. חפש מאמרים נוספים מאת מחבר זה

המכון למדעי הסביבה (CML), אוניברסיטת ליידן, ליידן, הולנד

שני המחברים תרמו באופן שווה ליצירה זו.

בריט קלאסן, המכון למדעי הסביבה (CML), אוניברסיטת ליידן, ליידן, הולנד.

אמון חיות הבר בקניה, ניירובי, קניה

היחידה למחקר לשימור חיות בר, המחלקה לזואולוגיה, מרכז רקנאטי-קפלן, אוניברסיטת אוקספורד, טובני, בריטניה

שני המחברים תרמו באופן שווה לעבודה זו. חפש מאמרים נוספים מאת מחבר זה


שינויים מרחביים וזמניים בביצה המתהווה וציפורי הביצות המשויכים לדלתת נהר הניידת התחתית-טנסאו באלבמה, ארה"ב

עליית מפלס הים, דיכוי הפרעות טבע והתפתחות אנושית של אדמות החוף השפיעו על יכולתם של ביצות הגאות לשמור על בית גידול איכותי לחיות הבר, כולל עופות הביצה של החוף. מחקר זה כיוון את הביצות האוליגואליניות של הדלתא התחתית של נהר מוביל-טנסאו, אלבמה, ארה"ב במטרה להעריך שינויים בהתפלגות גווילה ועופות ביצה ביחס לשתי תקופות דגימה, 2004 ו- 2015. השתמשנו בניתוח של דימויי אוויר וסקרי סטנדרטיים של ציפורי ביצה. להפיק מידע על הצפיפות של גלינה נפוצה (גליניולה גליאטה), מסילת המלך (ראלוס אלגנס), ופחות מריר (Ixobrychus exilis) בכל תקופת דגימה. שיפוע של שינוי קרקעות ניכר במקום בו החלקים הצפוניים ביותר ודרום-מזרחיים של שטח המחקר איבדו קרקעות בין השנים 2006-2013, בעוד שהיקף שטחי הביצה המתהווים גדל בדרום וירד בצפון. הצפיפות הממוצעת של כל שלוש הציפורים ירדה בין תקופות הסקר (15% נפוצים, רצועת קינג 50%, פחות מרה 38%). שינויים בהתפלגויות של עופות הביצה הללו שיקפו שינוי בצורת היבשה ובבית הגידול של הביצה המתהווה. מחקר זה מגלה ששטחי ביצות גאות וקהילות נלוות אינם משתנים באמצעות תהליכים ליניאריים. במקום זאת, שטחי ביצה על החוף עשויים להראות דפוסים מובחנים סביב אזורי צמיחה ואובדן.

זו תצוגה מקדימה של תוכן מנוי, גישה דרך המוסד שלך.


מבוא

דוגמנות פוטנציאלית של מינרלים חזויים (הן בצורות של מיפוי פרוספקטיביות והן בהערכות כמותיות של משאבי מינרלים) משתמשות בדרך כלל בשילוב של ידע בתהליכים טבעיים חיוניים המובילים להיווצרות ושימור של משקעים מינרליים (מערכות מינרלים), מצד אחד, וראיות אמפיריות של קשר מרחבי בין משקעים מינרליים לבין עצמים גיאולוגיים אחרים או תכונותיהם, לעומת זאת. עם זאת, כל דוגמנות ניבוי מונעת תמיד על ידי ידע מוגבל במערכות מינרלים וביטויים לא ברורים של גורמים מטאלוגניים עיקריים. כתוצאה מכך, קיים סיכון משמעותי שלא להכיר בכמה בקרות מינרליזציה חיוניות, דבר שעלול להוביל לתוצאות דוגמנות מוטות באופן גס.

באזור עם מספר גדול יחסית של משקעים מינרליים ידועים, תפוצתם המרחבית יכולה לספק מידע קריטי על תהליכים מטאלוגניים הפועלים בקנה מידה שונה. לדוגמא, לבקרות מטאלוגניות משמעותיות יכולות להיות ביטויים סתמיים בלבד במערכי נתונים גיאולוגיים מסורתיים, בתחילה חושפים עצמם רק בהתפלגות המרחבית של מינרליזציה. האחרון יכול גם לסייע באימות הנחה נפוצה של אשכול פיקדונות. לזיהוי בקרות מטאלוגניות אזוריות מוצפנות ולקבוע אם פיקדונות (גדולים במיוחד) נוטים להיות קרובים או מרוחקים זה מזה יש השלכות משמעותיות על מיקוד בחיפושים. לדוגמה, משקעים גדולים בתוך פרובינציה עלולים להתרחש באזור מטלוגני עשיר יחסית בעל צמיחה עשירה (שאינו מתאים למבנים גיאולוגיים אזוריים המוכרים על פני השטח), מוקף באזורים גדולים דומים מבחינה גיאולוגית המכילים מינרליזציה דלילה ובעיקר חסרת משמעות כלכלית. לאחר מכן קריטי למקד את החיפושים אחר פיקדונות גדולים באזור זה. באופן דומה, אם פיקדונות גדולים נוטים להיות מופרדים מרחב זה מזה על ידי מרחק גדול יחסית, אזי חיפושים נרחבים בסביבה קרובה למאגר ידוע ידוע עשויים להיות אסטרטגיית חקר לקויה אם מטרה רצויה היא פיקדון גדול אחר. מידע כזה יכול להיות חשוב במיוחד בקנה מידה של עשרות עד מאות קילומטרים - בינוני בין אלה בקנה מידה אזורי רחב (המתמקד בגיאודינמיקה אזורית וגורמים מטלוגניים קשורים) לבין מחקרים מפורטים בקנה מידה פיקדוני (תוך התמקדות בתצפיות ישירות על אזורים קטנים יחסית. ).

שיטות ניתוח סטטיסטי מרחבי של דפוסי נקודה מפותחות ונמצאות בשימוש נרחב במדעי החברה והפיזיקה, כולל יישומים בגיאולוגיה (Getis and Boots, 1978, Cressie, 1991, Diggle, 2003, Illian et al., 2008). הם מתאימים לחקירת תהליכים סטוכסטיים, שאת גילויים ניתן לייצג, בסולם הניתוח, על ידי קבוצה מוגבלת של נקודות. בניתוח פרוספקטיביות בקנה מידה אזורי (המשתרע על אלפי קמ"ר), ניתן לייצג כראוי את מרבצי המינרלים באמצעות נקודות, דבר המקובל כמעט באופן כללי בניתוחי פוטנציאל מרחביים ומינרלים קודמים (Bonham-Carter, 1994, Porwal et al., 2003 , קרנזה, 2008, קרנזה, 2009).

טכניקות שונות של ניתוח נתונים סטטיסטיים מרחביים הוחלו על מנת לחקור התפלגות משקעים מינרליים, הכוללות בעיקר שיטות לניתוח דפוסי נקודה ופרקטלים (De Geoffroy and Wignall, 1971, Agterberg, 1984, Harris, 1984, Carlson, 1991, Kreuzer et al. , 2007, ריינס, 2008, פורד ובלנקינסופ, 2008, קרנזה, 2008, קרנזה, 2009, Mamuse et al., 2009, Mamuse et al., 2010, Singer, 2008, Singer and Menzie, 2010, Singer and Kouda, 2011 , דירקס ואח ', 2013). עם זאת, שיטות סטטיסטיות מרחביות שונות שימשו בעיקר בבידוד. מכיוון שכל שיטה ספציפית מאפיינת רק היבט מסוים של תבנית נקודה, תפוקות של כל בדיקה פרטנית עשויות להיות לא מספיקות כדי להסיק מסקנות סבירות לגבי חלוקה מרחבית של פיקדונות, מה שעלול להוביל לפרשנויות מוטעות. חשוב לציין כי רוב המבחנים הסטטיסטיים המרחבים המסורתיים מרמזים על כמה הנחות יסוד (בדומה להנחת ההתפלגות הנורמלית במבחנים סטטיסטיים קלאסיים רבים). בפועל, הנחות אלה רק לעתים רחוקות נאמרות, מנותחות ומאומתות במפורש, למרות שהן מופרות לעיתים קרובות. ניתוחים סטטיסטיים מאשרים רשמיים עשויים שלא לאפיין באופן הולם את ההתפלגות המרחבית של משקעי המינרלים, אשר במצבים רבים יתאימו יותר לחבילה של שיטות משלימות לניתוח נתונים מרחביים חקרניים.


תוצאות וניתוח

דפוס מרחבי של מיטות אדומות

מפת התפוצה של מיטות אדומות (איור 1) נעשתה על בסיס השילוב של המפה הגיאולוגית הלאומית וחקירות השדה, ואזור המיטות האדומות בגילאים גיאולוגיים שונים נמדד על ידי ArcGIS. מיטות אדומות חשופות מכסות 9.16 × 10 5 ק"מ 2, המהוות 9.5% מסך שטחי סין. כמעט כל המיטות האדומות בסין הופקדו במהלך תקופת הטריאס לתקופה הניאוגנית. תוצאות ממחקרים קודמים מראות כי שטח קטן של מיטות אדומות נוצר לפני עידן המזוזואיק, בפלטפורמת טארים בסין, סלעים קלאסיים גסים יבשתיים נמצאים גם במערכות הדבוניות והפרמיות 28. עם זאת, בשל שטחם הקטן 29 ופנים ימיות, לא נדון בתצורות אלה במאמר זה. כ -57% מהמיטות האדומות בסין הופקדו בתקופת הקרטיקון, 25% בתקופת היורה, 4.8% בתקופת הניאוגן, 5.1% בפליאוגן ו -4% בתקופת הטריאס (איור 2).

חלוקת מיטות אדומות בסין. חלוקת המיטות האדומות והתקלות החשובות זוהו מתוך 77 מפות גיאולוגיות לאומיות (1: 1,000,000), ואז שכבת המיטות האדומות נוצרה בפלטפורמת ArcGIS 10.2 (http://www.esri.com/software/arcgis/arcgis-for -שולחן העבודה). T-Triassic, J-Jurassic, K-Kretaceous, E-Paleogene, N-Neogene.

שטח ופרופורציות של מיטות אדומות בזמנים שונים. T-Triassic, J-Jurassic, K-Kretaceous, E-Paleogene, N-Neogene.

המיטות האדומות הטריאסיות מופצות בעיקר במזרח אגן אורדוס (רמת לס) ובגבול מחוז יאניואן, מחוז סצ'ואן ומחוז אוטונומי נינגלאנג יי, מחוז יונאן. בשל כיסוי לס, מיטות אדומות טריאסיות נחשפות רק במעיים חזקים וחותכים עם התפלגויות דנדריטיות. חוץ מזה, חלק קטן במזרח ובאמצע מחוז יונאן ובאמצע אגן אורדוס, המיטות האדומות של היורה מופצות בעיקר באגן סצ'ואן. למיטות האדומות של הקרטיקון יש אזור החלוקה הרחב ביותר וניתן למצוא אותן ברחבי הארץ כולה, אך הן נמצאות הרבה פחות באזור האוטונומי של שינג'יאנג אויגור. תפוצה מפוזרת לאורך התקלות החשובות היא המאפיין האופייני למיטות אדומות של קרטיקון. המיטות האדומות פליאוגן ונויוגן מופצות בעיקר בשולי אגן טארים ואגן יונגגאר, האזור האוטונומי של שינג'יאנג אויגור.

ניתוח הכיסוי באמצעות ArcGIS מראה כי לאזורים ולפרופורציות של מיטות אדומות פליאוגן וקרטיקון יש קשר שלילי עם מרחק המיטה האדומה מתקלה (איור 3). החלת ניתוח הרגרסיה הליניארית על מיטות אדומות שהופקדו בגילאים גיאולוגיים שונים, עבור מיטות אדומות פליאוגניות וקרטיקון, משוואות הרגרסיה הן y = 5.56-0.0731 × (מקדם 0.98) ו- y = 5.38-0.06 × (מקדם 0.92), בהתאמה, כאשר y הוא האזורים של אזורי החיץ ו- x הוא מרחק החיץ לתקלות. אנו יכולים להסיק כי היווצרות תקלות היא גורם משפיע חשוב בתצהיר המיטות האדומות של הקרטיקון.

התפלגות מיטות אדומות באזורי חיץ שונים, T-Triassic, J-Jurassic, K-Cretaceous, E-Paleogene, N-Neogene.

תפוצה מרחבית של צורות אדמה של דנקסיה

הניתוח של חלוקת צורות הקרקע של Danxia בוצע על ידי תוכנת ArcGIS 10.2 תוך שימוש במודל הניתוח הסמוך בפונקציה 1. שימוש בסין כאובייקט המחקר ובמרחק EUCLIDEAN כשיטה, כאשר (< bar> _ <1> ) ≈ 20.59 ק"מ ו- (< bar>_) ≈ 66.69 ק"מ, המדד הסמוך הוא R ≈ 0.31 & lt 1. הניתוח מצביע על כך שההתפלגות המרחבית של צורות הקרקע של דנקסיה מקובצת מאוד.

מפות מצולעים של Thiessen המכוונות על פי התפלגות נקודות הצורה של דנקסיה ברחבי הארץ מצביעות על S ≈ 99455 km 2, M ≈ 22164 km 2, ומקדם הווריאציה CV ≈ 449%. המחקר של Duyckaerts 30 מראה כי מקדם הווריאציה שווה ל- 33-64% כאשר נקודות מחולקות באופן אקראי מ- 64% כאשר נקודות מחולקות באשכולות ופחות מ- 33% כאשר נקודות מחולקות באופן שווה 31. התוצאות מצביעות על כך שתצורות האדמה של דנקסיה בסין מופצות באשכולות קיצוניים.

ניתוח נוסף של התפלגות הצפיפות של אתרי דנקסיה (איור 4) מראה כי תפוצת צורות הקרקע של דנקסיה היא חלקית. על פי התוצאה של צפיפות הנקודות, זוהו שלושה אזורים: אזור דרום מזרח סין, אזור אגן סצ'ואן ואזור קיליאן-ליופאן (איור 4).

צורות אדמה מרוכזות של דנקסיה בסין. עמדות של צורות קרקע של דנקסיה הנתמכות על ידי פרופ 'הואנג'ין, מאוניברסיטת סון יאט-סן, מפה זו הופקה על ידי מחברים בתוכנת ArcGIS 10.2 (http://www.esri.com/software/arcgis/arcgis-for-desktop).

צורות האדמה של דנקסיה של אזור דרום מזרח סין משתרעות ממחוז ג'ג'יאנג המרכזי, מדרום-מערב למחוז גואנגשי, עם תצורות סרט בצפון-מזרח, בעיקר מרוכזות בגבול המשותף של מחוז ג'יאנגשי ומחוז פוג'יאן. צורות האדמה של דנקסיה באזור אגן סצ'ואן ממוקמות בעיקר בקצה הדרומי של אגן סצ'ואן. אדמות הדנקסיה של אזור קיליאן-ליופאן הן בעיקר דרך גבול מערכת הקיפול הקיליאנית, מערכת קיפול ליופנשאן ואגן ארדוס.

מפת ניתוח הכיסוי של חלוקת צורות הקרקע והתקלות של דנקסיה מראה כי באזור התקלות 0-20 ק"מ, ישנם 421 אתרי דנקסיה, המהווים 38.3% מסך האתרים של דנקסיה באזור התקלות 20-40 ק"מ, ישנם 201 אתרי Danxia, ​​המהווים 18.2% מסך האתרים של Danxia באזור התקלות 40-60 ק"מ, ישנם 83 אתרי Danxia המהווים 7.6% מסך האתרים של Danxia (איור 5). בהתחשב באזורים השונים של אזורי החיץ, חושבה הצפיפות של אתרי Danxia באזורי חיץ שונים. התוצאה מראה כי צפיפות האתרים של דנקסיה פוחתת מ- 0.025 / קמ"ר באזור תקלות של 0-5 ק"מ, 0.029 / קמ"ר באזור תקלות של 5-10 ק"מ, ל -0.008 / קמ"ר באזור של 50-55 ק"מ, 0.010 / ק"מ 2 באזור תקלות 55-60 ק"מ (איור 5). בסך הכל, למספר ולצפיפות של אתרי Danxia יש מתאם שלילי עם מרחק של אתר נתון לתקלה. זה מצביע על כך שתקלות הן גורם חשוב ומשפיע להתפתחות צורת הקרקע של דנקסיה.

מגמת המספרים והצפיפות של צורות הקרקע של דנקסיה עם הגדלת מרחק המאגר לתקלה.

תכונות ההפצה של מיטות אדומות ביחידות טקטוניות שונות

על מנת לנתח את הגורמים הגיאולוגיים הבסיסיים המשפיעים על דפוס ההפצה של אתרי דנקסיה, כלולות מערכות קיפול ופלטפורמות. על ידי כיסוי הטקטוניקה של סין על חלוקת המיטות האדומות (איור 6), מה שניתן למצוא הוא שהגיל הסטרטיגרפי של מיטות אדומות ישן יותר באזורים פרפלטפורמיים, ושכבה חדשה יותר של מיטות אדומות נמצאות במערכות קיפול. באשר לאזורים של האגנים האדומים, האגנים האדומים גדולים יותר באזורים פאראפלטפורמיים, למשל, אגן סצ'ואן במשטח האנרגיה של היאנגצה, אגן אורדוס במשטח האפלה הקוריאני הסיני. יתר על כן, חלוקת המיטות האדומות מטושטשת במערכות קיפול.

התפלגות מיטות אדומות, טקטוניות שונות המופקות על ידי מחברים המשתמשים ב- ArcGIS 10.2 (http://www.esri.com/software/arcgis/arcgis-for-desktop). שכבת המיטה האדומה והשכבה הטקטונית זוהו מתוך 77 מפות גיאולוגיות לאומיות (1: 1,000,000) ומפת הטקטוניקה הלאומית של הלוח (בהתבסס על תיאוריה טקטונית של לוחית) (1: 3,200,000) 17, בהתאמה. T-Triassic, J-Jurassic, K-Kretaceous, E-Paleogene, N-Neogene.


דִיוּן

חלק מהוויכוח על תקפותם של מחקרי נגישות נעוץ במתודולוגיות המרחביות המשתנות. הידידות הגוברת יותר של תוכניות מיפוי כמו ArcGIS של ESRI אפשרה לחוקרים ללא הכשרה פורמלית ב- GIS או גיאוגרפיה להשתמש בכמה כלים חזקים בתוך התוכנית, אולם קלות השימוש אינה מובילה בהכרח למחקרים הקפדניים ביותר מבחינה גיאוגרפית בנוגע לאופן שבו אנשים. אינטראקציה עם סביבות האוכל שלהם. כפי שנדון בעבר, טעויות נפוצות במחקרי גישה למזון כוללות שימוש בשיטות מרחביות בלתי הולמות (כמו גישות מיכלים) [15, 26, 27, 30] ובסיסי נתונים מרחביים לא מדויקים (כגון בחינת מכולת רק בניתוח) [29, 40, 41].

בהתבסס על התוצאות שהוצגו במאמר זה, כמה נושאים מעוררים דאגה ביצירת ייצוג מרחבי מדויק של גישה למזון: הראשון הוא התחשבות במספר סוגי מקורות מזון הנגזרים כראוי (למשל כולל מקורות מלבד חנויות מכולת), החשש השני הוא השיקול. מקורות מזון מחוץ לתחום העניין בעת ​​קביעת הגישה למזון (אפקט הקצה [39]) דאגה מרכזית שלישית היא השיטות בהן נגזר מרחק או גישה למקורות מזון (כולל היעד שאליו נועדו מקורות מזון אלה השיטה בה מצטבר מידע זה). מאמר זה התייחס לכל הנושאים המתודולוגיים הללו.

שילוב מודל ABC לקביעת גישה למזון - והשימוש במספר סוגי מזון בניתוח - הוא תרומה חשובה לספרות. על ידי בחינת מקור מזון אחד בלבד, מחקרים קודמים מזניחים את המציאות שתושבים רבים אינם קונים אצל קמעונאית המזון הקרובה ביותר [62]. מודל זה חשוב גם בגלל הפוטנציאל של סגירת חנויות מכולת כפריות בגלל תחרות מצד חנויות גדולות יותר. כל סגירה עשויה לאלץ את התושבים המושפעים לקנות בחנויות מכולת רחוקות יותר. מאמר זה קבע את ההבדלים שנראו בחישוב המרחקים לשניים ושלושה קמעונאים הקרובים, מה שבמקרים רבים הוא משמעותי.

מאמר זה שיפר את השיטות בהן מוגדרת נגישות מזון כפרית על ידי הרכבת מאגר מזון מקיף (שנאסף מפקחי בריאות במחוז) שכלל מקורות מחוץ לגבולות המחוז. הוכח כי קיים חוסר דיוק חמור באי התחשבות במתקנים חיצוניים בבחינת נגישות למקורות מזון, מכיוון שהוא עלול לגרום לסיווג אזורים הסמוכים לגבול כבעלי גישה גיאוגרפית ירודה כאשר הם עשויים להיות קרובים לחנות מכולת ב. המחוז הבא. זו תרומה בולטת, מאחר שרק מאמר אחד שילב מקורות מזון מחוץ לתחום מחקר במחקר בעולם האמיתי [75], ואף אחד מהם לא ציין במפורש את אי הדיוקים בכך שהדגים את ההבדלים בין גישה כאשר מתחשבים ומזניחים גם מקורות מזון חיצוניים. . מחסור זה בספרות היה גורם עיקרי בפיתוח המאמר הנוכחי. לבסוף, במקום להסתמך על צבירת נתוני מרחק למחלקת המפקד הקרובה ביותר, כל נקודת כתובת במחוז מידלסקס קיבלה ציון משלה. אם נערך מחקר על תושבים בודדים, הנגישות האינדיבידואלית שלהם יכולה להיגרם מניתוח ה- GIS ולזווג אותם עם הראיון או תגובות הסקר שלהם, כדי לבצע תצפיות ישירות בין תפיסת גישה למזון לבין גישה ברמה האישית בפועל למקורות מזון [76], שכן מחקרים מראים כי נגישות היא גם פונקציה של גישה גיאוגרפית וכלכלית אמיתית ונתפסת [68].

לחלקים ממחוז מידלסקס הייתה גישה גרועה לסוגים רבים של מקורות מזון, אם כי רוב האזורים הללו נטו להיות מאוכלסים בדלילות. חשוב מכך, אזורים במצוקה גבוהה נטו להיות בעלי גישה טובה יותר למקורות מזון מאשר אזורי מצוקה נמוכה. ממצאים אלה מצביעים על כך שתושבים רבים יכולים לגשת למקור מזון ברכב תוך נסיעה של מספר דקות. בהתחשב בכך שלא היה היעדר שיטתי של חנוונים מאזורים עניים יותר, דרך פעולה מתאימה של קבוצות בעלי אינטרסים עשויה להיות בהתערבויות מעבר לשיפור הגישה הפיזית.

בקהילות בהן גישה גיאוגרפית עלולה להיות בעייתית עקב מצוקה סוציו-אקונומית גבוהה, מספר תוכניות עשויות לסייע בשיפור המצב. לדוגמא, קבוצות קהילתיות עשויות ליישם תוכניות הסעות שיעזרו לבעלי גישה לקויה בגלל ניידות נמוכה. אחת הדרכים להבין טוב יותר סוגיות שקשורות להרגלים תזונתיים תהיה עריכת סקרים או ראיונות עם תושבים באזורים אלה. אם עבודה זו הצביעה על הרגלי תזונה לקויים בקהילות מסוימות כתוצאה מהיעדר אפשרויות מזון מזינות, יש לשקול תוכניות בקנה מידה קטן יותר כמו מדיניות לעידוד תכניות חקלאיות לבית ספר או שווקי איכרים. תכניות חווה לבית ספר שימשו לא רק לשיפור ביטחון המזון הקהילתי, אלא לחיזוק הכלכלות המקומיות ולשימור שטחים חקלאיים [77]. בינתיים קל יותר ליישם את שוקי החקלאים בהשוואה לחנויות מכולת בקנה מידה מלא, אך עדיין מספקים השפעה דומה על מחיר המצרכים [78]. בהעדר מימון מתאים לקמעונאי מזון בשירות מלא, תוכניות אלה עשויות לשמש כמתווכים מתאימים לשיפור איכות החיים ביישובים כפריים קטנים [63]. קמפיין בקנה מידה קטן שכבר נערך במחוז מידלסקס הוא תוכנית 'קבל טרי, אכל מקומי' שממנה נגזרו 'מקורות של פירות וירקות' לצורך ניתוח ה- GIS [45]. באופן כללי, יש לעודד תוכניות להקל על אכילה בריאה ברחבי המחוז. במחוז מידלסקס ובאזורים אחרים, השיטות הגיאו-מרחביות המובאות במאמר זה יסייעו בזיהוי נכון של אזורים בעלי נגישות לקויה למזונות מזינים - אזורים שיכולים להיות מדברי מזון.


בחודש מאי הכריזה Trimble על גרסת 4.1 של תוכנת Office Center של Trimble® המיועדת לסוקרים ולאנשי מקצוע גיאו-מרחביים כדי לפשט את יצירתם של אספקות קדסטרליות, GIS, בדיקת תשתיות ומנהרות. באמצעות סינכרון נתונים מבוסס ענן חדש ויכולות ניהול משימות בזרימת העבודה, גרסה 4.1 מספקת אינטגרציה חלקה עם תוכנת השדה Trimble Access ™ 2018 לשיפור הפרודוקטיביות בין המשרד.

על פי חומרי חברת Trimble, Trimble Business Center גרסה 4.1 מוסיפה יכולות קדסטרליות חדשות הכוללות פרופורציה, בדיקת מפות וכלי שרטוט CAD המייעלים את יצירת תוכניות הסקר, מגרשים והספקים דיגיטליים של הנדסת סקר.

נתוני שדה GNSS ממקלטי GIS, כולל ה- Trimble Geo 7X, יכולים כעת להיות מעובדים לאחר מכן במרכז העסקים Trimble כדי להשיג מיקומי תכונות באיכות גבוהה. ארגונים ברמה ארגונית עשויים לצפות בקוצר רוח לגמישות לשלב נתוני GIS ונתוני סקר באותה סביבת פרויקט ואז לקשר ישירות את המיקומים האיכותיים לבסיס הגיאוגרפי של Esri.

לבדיקת תשתית, בניית אימות בנוי ויישומים נפחיים, כלי משטח מוקרנים חדשים מאפשרים לאנשי המקצוע לנתח ולהשוות נתונים שנלכדו בשטח מול תכנון. ענני נקודה ממכשירי Trimble SX10, מכשירי Trimble VISION ™, סורקי לייזר תלת-ממד ופלטפורמות UAS (Unmanned Aircraft System) יכולים לשמש לניטור מדרונות וכן לניתוח מדויק של נפח, עיוות וחתך / מילוי לצורך קיר קיר, סכרים וכרייה. יישומים.

בראיון עם ג'ו בלצ'ה, מנהל המוצר של Geospatial Office Software, Trimble Inc., קול GISCafe גלה עוד על היכולות החדשות של TBC v4.10:

האם אתה יכול לתאר את היכולות החדשות & # 8211 כלים קדסטרליים, פרופורציות, בדיקת מפות ושרטוט CAD?

TBC v4.10 אישרה מחדש את מחויבותה לסוקר הקדסטר על ידי הוספת מספר כלים & # 8211 כגון פרופורציה כפולה, תיוג קרקע, סגירת מפות מדייקני תוויות, תמיכה ביחידות חלופיות ושיפור עריכה ברמה & # 8211 כדי לסייע בהשלמת נתוני שדה צמצום, עיבוד ויצירת מערך תכניות.

  • פרופורציה כפולה מאפשרת להקים מחדש עמדה חסרה על בסיס ארבעה סמנים ידועים.
  • תיוג במרחקי קרקע (או רשת, או קרקע ורשת) מאפשר גמישות והתאמה אישית לדיווח.
  • השלמת שגרת סגירת המפה מדייקני מרחק שכותרתו הופכת את הסקר לשקוף יותר וקל יותר להעתקה בעת הצורך.
  • יחידות מרחק חלופיות ויכולת לעבוד עם שתי יחידות בפרויקט אחד מוסיפה מידע לדיווחים, פסי קנה מידה וחישובים שלא לדבר על ביטול הצורך בהמרות ידניות.
  • עורך נתוני רמות משופר שומר על תקינות השדה של המדידות (כגון מרמת הדיגיטל של Trimble DiNi) תוך שהוא מאפשר למשתמש להעתיק ולמזג הגדרות ונקודות מפנה בין ריצות שונות.

הקמת פינת קטע מחדש ב- TBC v4.10 עם הפקודה Proportioning כפולה

תוויות לשני מקומות עשרוניים למרחק ולשנייה הקרובה ביותר לערכי אזימוט, יחד עם חישוב של גורם בקנה מידה קרקעי ב- TBC v4.10

המהדורה האחרונה של TBC גם מחזקת את יכולות ה- CAD שלה על ידי הטמעת נעילת גיאומטריה מקודדת תכונות, תבניות שרטוט ושיפורים חדשים ואובייקט השטח המוקרן.

  • מאפיין חדש של גיאומטריה מקודדת לתכונות הוא התכונה 'נעילה' & # 8211 כאשר היא עוסקת, למשל כאשר המשתמש מבצע עריכה ידנית של קודקוד קו & # 8211 הגיאומטריה לא תשתנה במידה ועיבוד מחדש של ספריית קוד התכונות , שמירת עריכות ידניות של המשתמש. שימושי מאוד בערכות נתונים גדולות עם מספר ימים של תצפיות!
  • תבניות שרטוט חדשות תומכות בהעתקה והדבקה של נתונים בין גיליונות, אגדה חדשה ותוויות בגיליונות החתך, ובייבוא ​​של נתוני CAD מקובץ PDF & # 8211 אשר הופכים את יצירת מערכי הגיליונות המותאמים אישית והחזקים ב- TBC ליעילים יותר.
  • אובייקט המשטח החזוי החדש מאפשר למשתמשים ליצור משטחים בתכנית מוגדרת על ידי המשתמש, כולל נטייה או אנכית למטרות ניטור, חישובי נפח או הדמיה עבור תהליכי עבודה הכוללים קירות קול, פרצופי סכר, חפירות ועוד.

TBC v4.10 נעילת קצה המדרכה מפני עיבוד מחדש לאחר הוספת קודקוד לגיאומטריה

TBC v4.10 נעילת קצה המדרכה מפני עיבוד מחדש לאחר הוספת קודקוד לגיאומטריה

משטח מוקרן המונח על פנורמה מבוססת תחנה ב- TBC v4.10

כיצד משתפר מאוד האינטגרציה עם תוכנת השדה Trimble Access 2018?

TBC v4.10 כולל דרך חדשה לייעל את העיצוב והתקשורת לסקר מהמשרד לשדה ובחזרה למשרד באמצעות Trimble Sync ומנהל Trimble Sync המנצל את הפלטפורמה המקוונת Trimble Connect. פונקציית Trimble Sync בתוך TBC מאפשרת למשתמש לבחור גיאומטריה של נקודה, קו ומצולע ו / או נתוני שטח מפרויקט TBC שלהם, לשלוח למנהל Trimble Sync בפלטפורמת Trimble Connect ולהקצות למשתמש בשטח. ברגע שמשתמש השדה נכנס לאוסף הנתונים שלו, הפרויקט ומערכת הקואורדינטות, הנתונים וכל הדברים נטענים ל- Trimble Access 2018.00 ואילך. המשתמש בשטח משלים את עבודת הסקר, החל מ- as-built, topo, staking, או כל מה שהמשימה הייתה מהמשרד, ואז שולח את הנתונים שוב ל- Trimble Sync Manager ו- TBC לעיבוד ובדיקה במשרד.

Trimble Sync & # 8211 בחירת נתונים שיש לשלוח ל- Trimble Sync Manager ו- Trimble Access & # 8211 ב- TBC v4.10

השיפורים עוסקים ביעילות באמצעות אינטגרציה חלקה בין Office (TBC) לבין שדה (Trimble Access) ולא רק שיפור בתהליכי AccessSync ב- Trimble Access כיום.

אילו תכונות ביקשו המשתמשים באופן ספציפי במהדורה זו?

מודול המנהרות החדש מגיב ומספק למשתמשי Trimble Access Tunnels וללקוחות Trimble (או שאינם Trimble) המעוניינים להכניס את נתוני המנהרות שלהם לחבילת CAD סקר שמבינה מנהרות.

העבודה עם תכונות של נקודות שנאספו בשטח אף פעם לא הייתה קלה יותר בשיפורים בחיפוש, גיליון אלקטרוני, דיווח וייצוא של תכונות ומידע על תכונות. שיפורים אלה הונעו בעיקר על ידי מחלקות התחבורה (DOT) בארצות הברית.

משלים את תיק ה- GIS של Trimble Geospatial, TBC v4.10 יכול לעבד לאחר מכן נתוני SSF שנאספו ב- TerraFlex עם מנוע העיבוד GNSS המוביל בתעשייה של TBC. חברות GIS וסקרים ארגוניות ורב תחומיות יכולות לעבוד כעת עם נתוני ה- SSF בסביבת CAD, לצד נתוני הסקר שלהם.

מודול הצילום האווירי של TBC v4.10 כולל את UASMaster v9.0, שהוסיף תכונות חדשות רבות, ביניהן היכולת לעבד נתוני פוטוגרמטריה ממגוון פלטפורמות מל"ט & # 8211 כגון תמונות אלכסוניות ממספר רב-מסמכים או מקורות תמונה כף יד. כעת TBC יכולה גם לייבא, לעבד וליצור מוצרים מתוכנת ה- eMotion של senseFly באמצעות הייצוא * .jxl. חפש תמיכה בעתיד של מל"טים של צד שלישי באופן מקורי בתוך TBC.

שחזור ענן בנקודות צפופות מתמונות אלכסוניות ב- UASMaster v9.0

אותם נתונים ב- TBC v4.10, עם דגם מתאר דיגיטלי של משטח ותצוגת Surface Slicer

האם אתה יכול לתאר זרימת עבודה נפוצה לפתרון אנכי חדש זה?

ישנם הרבה פתרונות אנכיים חדשים ב- TBC v4.10, כולל עלייה למשתמשי TerraFlex עם עיבוד לאחר SSF, פתרון אנכי מילולי עם משטחים מוקרנים, או מודול המנהור החדש. אבל אני אתמקד בהכללת UASMaster v9.0 ב- TBC v4.10. לקוחות עם מל"טים של צד שלישי & # 8211, כגון כנף קבועה שמצלמת תמונות nadir או רב-מסמכים שמצלמים תמונות אלכסוניות & # 8211, יכולים כעת להישאר במערכת האקולוגית של טרימבל על כל עיבוד התוכנה שלהם ודרישות היצירה הניתנות להשגה. התחל ב- TBC, הגדר את מערכת הקואורדינטות או האתר המקומי שלך, ייבא נקודות בקרת קרקע (GCP), ואז שלח את הנתונים ל- UASMaster, ייבא והגדר את התמונות, עיבוד מלא ויצירה ניתנת למסירה (כגון תמונות ענן או תמונות אורטומוזאיות) ושלח אל TBC לצורך מניפולציה במשלוחי המל"ט ליצירת ספקי סקר ו / או CAD, כמו משטחים דיגיטליים, גיליונות שרטוט או ייצוא לחבילה נוספת של CAD. עם TBC v4.10, זרימות העבודה של פוטוגרמטריה אווירית הפכו גמישות וחזקות יותר.

מה התכונות של מודול המנהור החדש?

מודול המנהור TBC יכול ליצור אובייקטים חדשים של מנהור או לערוך הגדרות מנהרה קיימות, להגדיר נקודות הגדרה עבור השדה, לדמיין את צורת המנהרה המתוכננת כרשת או בתצוגת חתך ולהחיל נתונים כפי שנבנו כדי ליצור דוחות מותאמים אישית או גיליונות תכנית. . תהליכי עבודה חדשים אלה עולים בקנה אחד עם מודול Trimble Access Tunnels ליצירה ועריכה של המנהרה, כדי להקביל לתהליכי העבודה הקיימים וליצירת מסדרון הכבישים, ולמנף את שגרת הניסוח והדיווח שכבר קיימת ב- TBC לחוויית מנהרה חדשה ומשולבת לחלוטין.

תכנון, סקירה והמחשה של גאומטריה וצורות של מנהרות (חתכים) במודול Tunnel TBC v4.10

שרטוט מנהרה מותאם אישית מעל / תחת הפסקה במודול מנהור TBC v4.10

האם אתה יכול לתאר את התהליך מעבודה בשטח ועד לסנכרון למשרד למוצר שנצרך על ידי מנהלים ומנסחי CAD?

The new Trimble Sync and Trimble Sync Manager workflow really starts in the office, with the selection of data from the TBC project. This data then gets assigned to the field via the Trimble Sync Manager. Trimble Access 2018.00 and the connected user accepts the data and begins their task, whatever it is – from topo, staking, or as-built work. Once completed in the newly redesigned and refreshed Trimble Access 2018.00, the user sends the data back into the office and Trimble Sync Manager, which can then be brought into TBC for reviewing, reduction/processing, and drafting, just like any other data. The transfers include the project settings – such as coordinate systems, units, and precision values – promoting efficient and accurate data transfers between office and field surveyors. The new workflows streamlines the communication between office and field personnel through a system of notifications, as well as ensures system level integrity through efficient information data flow.


Change in Settlement Distribution and the Emergence of an Early State: A Spatial Analysis of Radiocarbon Dates from Southwestern Korea

Archaeologists have long examined how the emergence of core polities prompts changes in the settlement patterns of peripheral regions through various processes like warfare, patronage claims, control of ritual rites, and unequal balances of trade. According to historical records, there were 54 small Mahan polities in southwestern Korea, and one of these polities, Baekje, grew to become an ancient state by unifying other polities in the 4th century AD. It is assumed that subsequent changes in the settlement patterns of southwestern Korea were caused directly or indirectly by the expansion of Baekje, but the nature of this presumed influence is not fully explained due to difficulties in establishing chronologies and the limited application of spatial analyses. In this paper, radiocarbon ( 14 C) dates, kernel density estimates, and spatial autocorrelation analyses are used to compare Mahan settlement distributions before and after the rise of the Baekje kingdom. The results demonstrate that the spatial distribution of Mahan settlements changed over time, correlating with the emergence of Baekje statehood, but detailed aspects of the settlement patterns observed in each region were not uniform. Baekje applied various expansion strategies and exerted asymmetrical hegemony based on the conditions and responses of peripheral communities.


Spatial association broadly describes how the locations and values of samples or observations vary across space. Similarity in both the attribute values and locations of observations can be assessed using measures of spatial association based upon the first law of geography. In this entry, we focus on the measures of spatial autocorrelation that assess the degree of similarity between attribute values of nearby observations across the entire study region. These global measures assess spatial relationships with the combination of spatial proximity as captured in the spatial weights matrix and the attribute similarity as captured by variable covariance (i.e. Moran’s I) or squared difference (i.e. Geary’s C). For categorical data, the join count statistic provides a global measure of spatial association. Two visualization approaches for spatial autocorrelation measures include Moran scatterplots and variograms (also known as semi-variograms).

Wu, A.-M., and Kemp, K. K. (2019). Global Measures of Spatial Association. The Geographic Information Science & Technology Body of Knowledge (1st Quarter 2019 Edition), John P. Wilson (Ed.). DOI: 10.22224/gistbok/2019.1.12

This entry was published on March 31, 2019.

This Topic is also available in the following editions: DiBiase, D., DeMers, M., Johnson, A., Kemp, K., Luck, A. T., Plewe, B., and Wentz, E. (2006). Global measures of spatial association. The Geographic Information Science & Technology Body of Knowledge. Washington, DC: Association of American Geographers. (2nd Quarter 2016, first digital)

Spatial association is a general term that encompasses a number of ways in which events, measurements or places are related in space. This relationship may be measured by determining the distance between nearby observations or by assessing whether the value of observations at nearby locations are similar. When similarity in both observations and locations is of interest, we invoke the first law of geography, "Everything is related to everything else, but near things are more related than distant things" (Tobler 1970, 236). Measures of spatial dependence and spatial autocorrelation are based on this fundamental Geographic Information Science principle and these are the concepts most frequently encompassed within the term spatial association. Thus, these are the focus of this entry. Other forms of spatial association, such as spatial interaction and spatial clustering, are covered elsewhere in this collection.

Spatial association can be assessed globally or locally. In global measures, a single statistic is used to provide a general measure of the similarity between neighbors across the entire study region. Local measures call on the principle of spatial heterogeneity, which assumes that the relationships between locations are not constant over the study area they provide a means of measuring local variation. This entry explores global measures a companion entry provides details on local measures.

Measures of spatial dependence and spatial autocorrelation generally depend upon the creation of a spatial weights matrix in which the spatial relationships between observations can be recorded. Thus, we begin with a brief introduction to the spatial weights matrix. Then we review a number of methods used to measure spatial association including join count statistics and the most common measures of spatial autocorrelation, Global Moran’s I and Geary’s C. The semivariogram, a method used to depict spatial autocorrelation between samples of continuous fields, is also introduced. Finally, we close the entry with an assessment of limitations, disciplinary applications and software environments of the measures.

Typically denoted as W, a spatial weights matrix records a neighborhood structure for a set of data with n observations as an n x n matrix:

where wij is the weights element that represents the spatial relationship between location i and location י. The simplest strategy to construct a spatial weights matrix is to define weights as a binary relationship, where wij=1 if i ו יare "neighbors" and wij=0 if they are not. There are various adjacency rules used to define neighbors. The simplest is adjacency: Rook’s case observations iו יare neighbors if they share a common edge boundary Queen’s case neighbors share edges or corner vertices. Figure 1 shows the simple adjacency neighbor structure of counties in Ohio using the county centroids.

Figure 1. Two spatial structures for the counties in the state of Ohio, USA: Rook’s case adjacency (left) and queen’s case adjacency (right). The two neighbor structures are very similar except for the top left corner and the top right corner where the counties share vertices but not edges. Source: authors.

There are a variety of other spatial structure options for assigning neighbors, such as a distance threshold, k nearest neighbors, and Delaunay triangulation. Spatial weights can also be measurements of interaction, such as number of commuters between places, or distance. The choice of a spatial weights matrix is critical for many spatial statistics calculations including spatial autocorrelation measures, and a spatial weights matrix should be carefully selected to reflect the underlying process of the problem being studied.

Spatial autocorrelation refers to the correlation of a variable with itself in a space – therefore it is "autocorrelation." The development of the spatial autocorrelation concept started as early as the late 1940s, but the true breakthrough did not arrive until the 1970s when Cliff and Ord developed the statistical framework to assess regression misspecification by testing spatial randomness of the regression residuals (Moran 1948 Iyer 1949 Geary, 1954 Dacey 1968 Cliff and Ord 1981 Getis et al. 1995 Getis 2007).

Measures of spatial autocorrelation detect the dependence between the values of one attribute due to spatial proximity. In the case of testing for spatial autocorrelation in regression residuals, a statistically significant result implies that the predictor variables do not capture the variances properly. The result is a misspecified regression model. Measures of spatial autocorrelation show spatial patterns in three categories: 1) Positive spatial autocorrelation that indicates similar values are nearby, 2) negative spatial autocorrelation that indicates dissimilar values tend to be together, and 3) zero spatial autocorrelation, or random distribution, meaning no significance in similar or dissimilar values in nearby locations. Figure 2 illustrates the three categories of spatial autocorrelation patterns.

Figure 2. Three categories of spatial autocorrelation patterns: Positive spatial autocorrelation, negative spatial autocorrelation, and no spatial autocorrelation (random). Source: authors.

Conceptually, one can measure spatial autocorrelation within any type of objects (points, lines, polygons), but these measures are usually applied to polygon data (area objects, called lattices in the spatial econometrics literature) with ratio or interval scale data.

A join (or joint) count statistic is a global spatial autocorrelation measure for categorical variables described back in late 1940s but not named until the 1960s by Dacey (Dacey 1968). A join count statistic assumes first-order homogeneity and tests whether the attribute values of a categorical variable at adjacent locations are the same. As its name implies, a join count statistic counts the number of occurrences of each combination of two categories between neighboring pairs of polygons. Since the number of different joins possible between categories grows quickly, the join count statistic is usually only applied when the number of categories is a very small number (e.g. 2-3).

Using a binary category for the county-level poverty in the state of Ohio as an example, a "high-high" join indicates two neighboring counties are both in high poverty rates, a ‘low-low’ join indicates two neighbors are both in low poverty rates, and a "high-low" join indicates one county having a high poverty rate while its neighboring county has a low poverty rate. A positive spatial autocorrelation means the number of "high-high" or "low-low" neighboring join pairs is significantly higher than what we would expect by chance, and a negative spatial autocorrelation means the number of ‘high-low’ neighboring pairs is significantly higher than expected by chance.

The most popular global measure of spatial autocorrelation is Moran’s I Moran 1948). As spatial autocorrelation measures test for the relationship between spatial proximity and the variable similarity, Moran’s I captures these two terms in a spatial weights matrix and the covariance, respectively. Moran’s I can be calculated using the equation below:

The second numerator portion includes a covariance portion -- the product of deviations from the mean of variable איקס of observations i ו י and, its spatial weight element wij indicating how the observations i ו י are spatially related. The sum of this product would only equal to the auto-covariance if all elements of the weights matrix are equal to one. The second denominator is the sum of the non-diagonal elements of the weights matrix over the entire study region. A data variance term is used to normalize the value and to ensure that the index (I) is not large simply due to the large values or variability of x.

The spatial weight used in Moran’s I is often standardized for the rows to sum up to 1. When the weights matrix is row-standardized, , the Moran’s I can be simplified to . Under the row-standardized conditions, a positive Moran’s I depicts a positive spatial autocorrelation and a negative Moran’s I depicts a negative spatial autocorrelation. An example of the 2015 county poverty rate data in the state of Ohio using a spatial weight matrix of Rook’s case adjacency shows some degree of the positive spatial autocorrelation (Moran’s I statistic of 0.344 with a p-value < 0.001). However, Moran’s I is not restricted to [-1, 1] as the actual interval depends on the weights matrix. The midpoint that represents zero spatial autocorrelation is at the expected value of -1 / (1-n). This value would converge on 0 when there are an increasing number of observations that are in a form of a regular-spaced square raster (Chun & Griffith 2013, p11).

When there is a sufficiently large number of observations, we can test the statistical significance of the measure of spatial autocorrelation. The significance test for Moran’s I can be evaluated by a normal test based on the z-score, that tests whether the observed spatial autocorrelation (I) is significantly different from the null hypothesis of spatial randomness. An alternative option in testing for spatial autocorrelation is a random permutation test. This is usually done using the Monte Carlo approach, where the observed attribute values are permuted a large number of times (e.g. 999). For each permutation, they are randomly assigned to the observation locations and the associated Moran’s I is calculated. This allows a reference distribution of results for the given set of observations to be generated so that an inference can be drawn.

While Moran’s I describes spatial association based on covariance (e.g., ), Geary’s C emphasizes on the differences between locations using the squared difference (e.g., (xi - xי) 2 )). (Geary 1954):

The values of Geary’s C ranges from 0 to a positive number, and can be interpreted as a positive autocorrelation if between 0 to 1 (with stronger positive autocorrelation approaching 0), no spatial autocorrelation if 1, and a negative spatial autocorrelation if above 1 (with stronger negative autocorrelation for a higher value). Geary’s C is more sensitive to the variation of neighborhoods, and therefore Moran’s I is generally the preferred index for measuring global spatial autocorrelation.

There are also graphic approaches to examining spatial autocorrelation. A good way to visualize Moran’s I is to use a Moran scatterplot. Also called the lagged mean plot, a standardized Moran scatterplot displays the deviation of the value of the observation i from the mean against the weighted average of its neighbors’ deviations (the spatially lagged mean deviation ). The slope of a simple linear regression line drawn through the Moran scatterplot is in fact the value of the Moran’s I when it is row-standardized (Anselin 1996). A Moran scatterplot is partitioned into four quadrants:

  • Quadrant I (Upper-right) as "high-high": Large values surrounded by large values
  • Quadrant II (Upper-left) as "low-high": Small values surrounded by large values
  • Quadrant III (Lower-left) as "low-low": Small values surrounded by small values
  • Quadrant IV (Lower-right) as "high-low": Large values surrounded by small values.

When nearby observations tend to have similar values (i.e. a positive spatial autocorrelation), a linear trend would be seen through the "high-high" and "low-low" quadrants of the Moran scatterplot. On the other hand, if nearby observations tend to have dissimilar values (i.e. a negative spatial autocorrelation), the linear trend would be seen through the "high-low" and "low-high" quadrants of the plot. Using the same county poverty data in Ohio, the Moran scatterplot in Figure 3 clearly shows that some degree of positive spatial autocorrelation exists.

Figure 3. A Moran scatterplot showing some degree of positive spatial autocorrelation exists for the poverty data in the counties in Ohio. The dashed lines show the global mean drawn through each axis. Source: authors.

Another approach to visualize spatial autocorrelation is the variogram. Also confusingly known as a semivariogram, a variogram plots spatial lags (in distance bands) on the איקס-axis for all pairs of observations against their semivariance (half of the variance for the attribute value for each observation pair) on the y-axis. Semivariance can be estimated using the equation.

where is the empirical semivariance and נ is the number of pairs at a given distance of ד, and is the sum of the squared difference of the attribute values for all pairs of the observations at that distance band. Notice that both Geary’s C and a variogram calculate the squared differences of the attribute values, but the variogram assesses the values at multiple lags while Geary’s c only provides a single measure. The semivariance reaches a maximum limit at the "sill" at a spatial lag called the "range" as shown in Figure 4. This suggests the furthest distance over which spatial autocorrelation can be observed. When there is a non-zero intercept on the y -axis, this "nugget" suggests that a portion of the semivariance may be autocorrelated at a finer scale than the spatial lag intervals. Several types of models can be used to plot the variogram: Linear, Spherical, Gaussian, Exponential, and Hole Effect etc.

Figure 4. A spherical variogram model showing sill, range and nugget effect. Source: authors.

Global measures of spatial autocorrelation give one single statistic that summarizes whether the values (of the single variable) are similar to their neighbors across the entire study region. It, however, does not tell us where the similarity (or dissimilarity) occurs. As such, one cannot identify where the similar values (i.e. positive spatial autocorrelation) are located using global measures of spatial association. Local measures of spatial association and other clustering techniques (e.g. scan statistics) are required in order to answer that question of "where." Global measures of spatial association have been widely used to understand spatial patterns indicative of underlying processes in various disciplines, including ecology, econometrics, epidemiology, criminology, and geosciences, to name a few. Example studies include spatial distribution patterns for disease incidences (Martins-Melo et al. 2012, Wu et al. 2011), exploring species abundance and species distributions (Dormann et al. 2007), and identifying spatial patterns for understanding land use change effect and geomorphic development (Pérez-Peña et al. 2009, Guo et al. 2013).

Today, measuring global spatial association can be done in various computing environments including proprietary software, such as ArcGIS, SAS, and MatLab, as well as open-source software or freeware, including GeoDa, FRAGSTATS and R (e.g. sp, spdep, ads, lctools, DCluster and spatstat packages).

Anselin, L. (1996). The Moran scatterplot as an ESDA tool to assess local instability in spatial association. ב Spatial Analytical Perspectives on GIS, eds. M. Fischer, H. Scholten & D. Unwin, 111-125. London: Taylor and Francis.

Chun, Y., & Griffith, D. A. (2013). Spatial statistics and geostatistics: theory and applications for geographic information science and technology. (pp. 8-22). London, UK: Sage.

Dormann, C.F., McPherson, J.M., Araújo, M.B., Bivand, R., Bolliger, J., Carl, G, Davies, R.G., Hirzel, A., Jets, W., Kissling, W.D., Kühn, I, Ohlemüller, R., Peres-Neto, P.R., Reineking, B., Schröder, B., Schurr, F.M. & Wilson, R. (2007). Methods to account for spatial autocorrelation in the analysis of species distributional data: a review. Ecography, 30(5), 609-628.

Dacey, M. F. (1968). A review on measures of contiguity for two and k-color maps.In: B. J. L.Berry & D. F Marble (Eds.). Spatial analysis: a reader in statistical geography. Englewood Cliffs, NJ: Prentice-Hall.

Geary, R. C. (1954). The contiguity ratio and statistical mapping. The incorporated statistician, 5(3), 115-146.

Getis, A. (2007). Reflections on spatial autocorrelation. Regional Science and Urban Economics 37(4): 491-496.

Guo, L., Du, S., Haining, R., & Zhang, L. (2013). Global and local indicators of spatial association between points and polygons: a study of land use change. International Journal of Applied Earth Observation and Geoinformation, 21, 384-396.

Iyer, P. K. (1949). The first and second moments of some probability distributions arising from points on a lattice and their application. Biometrika, 135-141.

Martins‐Melo, F. R., Ramos, A. N., Alencar, C. H., Lange, W., & Heukelbach, J. (2012). Mortality of Chagas’ disease in Brazil: spatial patterns and definition of high‐risk areas. Tropical Medicine & International Health, 17(9), 1066-1075.

Moran, P. A. (1948). The interpretation of statistical maps. Journal of the Royal Statistical Society. Series B (Methodological), 10(2), 243-251.

Pérez‐Peña, J. V., Azañón, J. M., Booth‐Rea, G., Azor, A., & Delgado, J. (2009). Differentiating geology and tectonics using a spatial autocorrelation technique for the hypsometric integral. Journal of Geophysical Research: Earth Surface, 114(F2).

Tobler, W.R. (1970) A computer movie simulating urban growth in the Detroit region. Economic Geography, 46: 234-240.

Wu, W., Junqiao, G. Guan, P., Sun, Y., Zhou, B. (2011). Clusters of spatial, temporal, and space-time distribution of hemorrhagic fever with renal syndrome in Liaoning Province, Northeastern China. BMC Infectious Diseases 11(1):229.


Distance of points to nearest polygon edge in ArcGIS 10.2 - Geographic Information Systems

N.B. This lab was updated on 2-19-07 for ArcGIS 9.2 software. An older version of this lab for ArcGIS 9.1 can be found here.

Data for this lab are found in the Lab_5_data folder in the network class folder drive. הם כוללים:

  • DOQQs (6 images: Art NW, NE, SE, SW and Castell NW, NE) from TNRIS
  • Tif image of geologic map (gat_sheet_castell.tif) created from the 1:250,000 Llano Sheet of the Geologic Atlas of Texas
  • Roads - shapefiles for Llano and Mason Counties, and a lookup table that contains descriptions for the road "levels" codes. Data were created from TXDOT county map Microstation Drawing Files, online at TNRIS.
  • Texas counties shapefile - from ESRI
  • Hydrology - a shapefile ( NHD_streams_Llano.shp) of streams taken from the National Hydrography Dataset
  • Hypsography - a shapefile of vector contours, from TNRIS

To complete this lab you will need to do the following (in order):

a) map boundary (polygon will allow snapping)
b) geologic contacts (lines)
c) faults (lines)
d) granite dikes and marble lenses (lines)
e) towns, windmills, and ranches (a point feature class)

We will need a Feature Dataset within the geodatabase to hold files we will create by digitizing. למה? Without a Feature Dataset, the files we will create could not share a topology. This is a general rules. all files that share a topology must be contained within the same Feature Dataset. For this reason, all files within a Feature Dataset must have the same spatial reference and "spatial domain" (more on this below), which we will establish when the Feature Dataset is created. The procedure is somewhat different for versions 9.1 and 9.2 of ArcCatalog directions below pertain to version 9.2.

We now need to create empty feature classes within the Feature Dataset to hold the lines, points and polygons we will create, as well as their attributes.

We now need two new feature classes for lines: one for faults and one for unit contacts. These could be contained with a single feature class (both are lines), but we will find it useful to keep them separate.

We will now add a few new fields to the attribute table. Enter the field name "Type" (for fault type) in the blank row below the SHAPE field name. For future reference, Field Names can not exceed 13 characters and can't include any special characters, including spaces. An "Alias" can be specified for longer names and/or coded field names. The Data Type for this new field is "text" and the Field Properties list should be modified as follows:

Repeat this process for two new text fields:
Field Name: Downside Data Type: text
Length:3 (this will have values of N, NE, E, SE, S, SW, W, NW, or N to indicate the down-thrown side of the fault)
Field Name: Exposure Data Type: text
Length: 10 (a field for values of Exposed, Covered, Inferred, corresponding to solid, dotted or dashed lines on the original map)

Create a new line Feature Class for un-faulted contacts, named "Contacts" following steps 1-3 and 6 above, and using the procedure in step 7, create a new field for:
Field Name: Exposure Data Type: text
Length: 10 (a field for values of Exposed, Covered, Inferred, corresponding to solid, dotted or dashed lines on the original map)

Create a new line Feature Class for dikes, named "Dikes" following steps 1-3 and 6 above, and using the procedure in step 7, create a new field for:
Field Name: Exposure Data Type: text
Length: 10 (a field for values of Exposed, Covered, Inferred, corresponding to solid, dotted or dashed lines on the original map)
Field Name: Rock_type Data Type:text
Length: 25 (values are aplite, pegmatite, marble lens)

5.35 Adding Domains to the Geodatabase

To avoid entry errors or repeatedly typing the same values when "populating" the attribute tables of the feature classes we just created, we will now define lists of all possible attribute values for most of the fields we created. Such lists are called "Domains". Domains are created for the entire geodatabase, not just for a specific feature class or feature dataset, allowing the same domains to be used by any feature class within the geodatabase. Once created and attached to the feature classes, domain values can be selected from drop-down menus in the cells of the attribute tables, a very fast and efficient way to enter data.

All of these domains will be applied to text fields, and all will be "Coded Value" domains, storing values as codes. The codes are a way to speed up searching and sorting of the final tables and have the advantage of providing drop-down menus for data entry. But using a code different than the "Description" produces problems when exporting the data to ArcPad and other applications, as might be desired if digitizing were to be done in the field. I therefore recommend that the values entered for the Code and the Description be identical, even though this would seemingly defeat the main purpose of using codes. It's won't affect searching or sorting for the small tables that we'll create in this instance, and we won't be exporting data in any event. Just a word to the wise for later work.

The feature classes we earlier created do not yet have associated domains. It would seem more logical to create the domains before creating the feature classes, so that the domains could be assigned at the same time that the feature classes were created. This is indeed the recommended procedure. if you have a well conceived database! Mine rarely are, so I usually do it the way I'm describing here.

Congratulations, you've now completed the geodatabase needed for digitizing and creating the map for this lab!

Some general strategies for digitizing:

  • Digitize a map boundary polygon first (e.g. the Map_Area feature class).
  • Set the Snapping before starting and check and/or reset Snapping as new feature classes are digitized (more about Snapping below).
  • Try hard to assure that all line features that intersect other lines or polygons are snapped to those lines or polygons. Lines can not cross a new line must be created to continue a line beyond a point of intersection.
  • Work from one edge of the map to the other examine the map carefully and try to think a few steps ahead.
  • Attribute as you go. Keep the feature class' attributes, accessible on the editing toolbar, open as you work and fill in the fields after completing each feature.

a) From the Editing toolbar menu, Start Editing
b) On the toolbar set Target to the file you will digitize into
c) Set Snapping (under the Edit menu on the Editing toolbar)
*So what is this snapping business about? See pp. 104-106 in the digital book "Editing in ArcMap"*
d) Choose Task – e.g. “Create New Feature” – on toolbar
e) Select Tool – Pencil (for other tools see Help files) on toolbar
f) Begin outlining feature – create a “Sketch” - Click to create a vertex create as needed to outline feature.
g) Finishing feature outline with double click, or a right-click, then "Finish Sketch"
h) SAVE EDITS (on editing toolbar menu, NOT the ArcMap toolbar).
i) Open the table for the newly created feature (table icon on edit toolbar) and enter attributes.
j) SAVE EDITS.
k) Repeat for the next feature.

Map points are the towns, ranches and windmill on the map. They are the easiest of all features to digitize, requiring just a single click. The map shows the towns of Castell and Art, 4 windmills and 2 ranch houses (as small black dots or squares).

Now for the tricky part.
Digitizing the complicated geometry of the rock unit contacts on this map (or any geologic map) requires diligence and attention to detail. The mechanics of the process are no different than those just completed, however it is easy to forget a few import details:

a) Lines can not be duplicated. They must either start and end at other lines, or close on themselves to become "islands", not touching any other line.
b) Lines must snap to other line edges or vertices and can not cross. They can abut one another at a common vertex and continue on, but they can not cross.
c) Faults and the bounding rectangle are also contacts, the latter with the surrounding world. For the fault and map edge contacts to correspond exactly to these features, set snapping to faults edges, vertices and ends, and do the same for the MAP_AREA polygon. When a contact line intersects the map boundary, it must turn left or right to meet up with the vertex where the line began. In this way, all rock units on the map that intersect the boundary are enclosed by contact lines.

Ignore these rules at your peril. It is very difficult (but not impossible) to construct topologically sound rock unit polygons from digitized contact lines that don't follow these rules.

To simplify the process somewhat, we will not digitize the uncolored outline of the Llano River in the eastern half of the map - simply continue lines across the river as if it weren't there.

Before creating ("building") rock unit polygons from the Contact and Fault lines, it is useful to "clean" the lines of errors that will corrupt polygon creation. Failure to do so can result in "sliver polygons" (small polygons that are created from lines that unintentionally overlap) or polygons that combine more than one rock unit ("leaky polygons" from lines that unintentionally don't meet i.e. "dangle"). "Cleaning" is most easily(?) done by creating a topology layer in the Geology feature dataset that contains rules designed to spot errors. After setting up the rules and creating the topology, the topology can be "validated", and explicit violations of the rules will be flagged for easy editing.

End of Digititzing Part 1 (Lab 4)

In Part II of this Lab (Lab 6, next week) we will go through and fix the errors, before going on to make rock unit polygons, attribute them, and complete the map.


צפו בסרטון: A Complete Beginners Guide to ArcGIS Desktop Part 1 (אוֹקְטוֹבֶּר 2021).