در عرصه پیشرفتهای تکنولوژی طی سالهای اخیر تعداد قابل توجهی نرم افزارکه هر کدام برخی از تحلیلهای آمار فضایی را انجام می دهند به بازار عرضه شده اند. از جمله این نرم افزارها میتوان به بسط ابزارهای آمار فضایی موجود در نرم افزار Arc/GIs اشاره کرد که توسط موسسه تحقیقات سیستمهای محیطی تهیه و به بازار ارائه شده است. سیستمهای اطلاعات جغرافیایی بنا بر تعریف سیستمهایی هستند که امکان سازماندهی، تولید، تکثیر، تحلیل و نمایش داده های فضایی را فراهم آورده و امکان شناسایی روندها، روابط و الگوهای موجود بین داده ها را بدست می دهند. سیستمهای اطلاعات جغرافیایی در حال حاضر در بسیاری از عرصه های علمی و عملی مانند برنامه ریزی شهری، مدیریت بحران، بهداشت عمومی، حمل و نقل، پلیس، تحلیلهای جمعیتی، مدیریت منابع طبیعی، بازاریابی و مانند آنها به میزان گستردهای به کار گرفته میشوند. تحلیلهای سنتی و رایج در سیستم اطلاعات جغرافیایی که در اکثر نرم افزارها وجود دارد و با آن آشنا میباشیم شامل جستجوی فضایی، روی هم قرار دادن لایه ها، تحلیل بافر(حریم )، تحلیل مجاورت، ترکیب لایه ها و مانند آنها میشوند. اما ابزارهای آمار فضایی شامل مجموعه ای از تکنیکها و روشها برای توصیف و مدل سازی داده های فضایی میباشند. در برخی از این موارد این ابزارها همان کارهایی را انجام می دهند که ما میتوانیم با ملاحضه نقشهها و با بهره گرفتن از چشم و ذهن خود نیز انجام دهیم ولی در مواردی که حجم داده ها زیاد است و توزیع یا پراکندگی آنها در فضا پیچیدهتر است استفاده از آمارهای فضایی می تواند به ما در افزایش دقت نتایج و مشاهدات کمک زیادی نماید( عسگری، ۱۳۹۰، ۱۶). ابزارهای آمار فضایی نرم افزار Arc/GIS شامل تعدادی ابزار تحلیلی و کمکی برای تهیه و پردازش داده های مورد نیاز برای تحلیلهای آمار فضایی می شود در نسخه ۱۰٫۱ Arc/GIS مجموعه عملیات آمارهای فضایی به چهار دسته تقسیم میشوند که عبارتند از:
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
-
- ابزارهای تهیه نقشه خوشه ها[۶]
-
- ابزارهای اندازه گیری توزیع جغرافیایی[۷]
-
- ابزارهای مدل سازی روابط فضایی [۸]
. برای مدتها عدم امکان تحلیلهای آمار فضایی در نرم افزارهای سیستم اطلاعات جغرافیایی نوعی خلاء محسوب میگردید و باعث پیدایش نرم افزارهایی مانندGeo Dat و Space state شده بود که محدودیتهای خاص خود را داشت امّا در سالهای اخیر افزوده شدن مجموعه ابزارهای تحلیلی آمار فضایی بهArc/Gis ، توانمندی بسیاری در این زمینه ایجاد کرده است که میتوان در تحلیل الگوهای توزیع پدیدههای جغرافیایی به خوبی از آن استفاده نمود( قدیری، ۱۳۹۲، ۱۲).
۳-۶- تهیه نقشه خوشه ها
تحلیل گران همواره علاقمند هستند که بتوانند عوارض و الگوهای پراکنش را نه تنها از نظر آمار فضایی اثبات یا رد نموده بلکه بتوانند آنها را بر روی نقشه نیز نمایش دهند. از جمله ابزارهایی که مبتنی بر آمار فضایی بوده و به کمک آنها میتوانیم الگوهای پراگندگی عوارض و خصیصهها را روی نقشه نمایش دهیم ابزار تهیه نقشه خوشه ها میباشد. ابزارهای تهیه نقشه خوشه ها برای تحلیل خوشهای مورد استفاده قرار میگیرند به کمک این ابزارها میتوان مکانهایی که در آنها لکههای داغ، سرد و تکدانه فضایی معنادار از نظر آماری وجود دارند را تعیین نمود و بر خلاف روشها و ابزارهای دیگر که روندها و الگوی کلی و عمومی را نشان داده و آمار و ارقام تولید مینمایند. ابزارهای تهیه نقشه خوشه به ما امکان بصری کردن خوشه ها را می دهند این ابزارها که در Arc/Gis معروف بوده و بر دو نوع هستند که در این تحقیق برای نشان دادن میزان تراکم فضایی شاخص های کالبدی مورد نظر از تحلیل لکههای داغ استفاده شده است:
۳-۶-۱- تحلیل لکه های داغ(Hot Spot Analysis)
تحلیل لکههای داغ(Hot Spot Analysis) آماره گتیس-ارد جی(Getis- Ord Gi) را برای کلیه عوارض موجود در داده ها محاسبه مینماید. امتیاز Z محاسبه شده نشان میدهد که کجای داده ها مقادیر کم و زیاد خوشه بندی شده اند. این ابزار در حقیقت به هر عارضه در چهارچوب عوارضی که در همسایگیاش قرار دارند نگاه می کند. اگر عارضهای مقادیر بالا داشته باشد جالب و مهم است، ولی به تنهایی ممکن است یک لکه داغ معنا دار از نظر آماری نباشد. برای اینکه یک عارضه لکه داغ تلقی شود و از نظر آماری معنادار نیز باشد باید هم خودش و هم عوارضی که در همسایگیاش قرار دارند دارای مقادیر بالا باشند. جمع محلی(Local Sum) یک عارضه و همسایگانش بطور نسبی با جمع کل عارضهها مقایسه می شود. زمانیکه جمع محلی بطور زیاد و غیر منتظرهای از جمع محلی مورد انتظار بیشتر باشد و اختلاف به اندازهای باشد که نتوان آن را در نتیجه تصادف دانست، در نتیجه امتیاز Z به دست خواهد آمد.
آماره گیتس ـ ارد جی(Getis- ord Gi) به صورت زیر محاسبه می شود:
۳-۷- تحلیل الگوها (Analyzing Patterns)
شناخت الگوها و کشف روندهای موجود در داده های فضایی از اهمیت زیادی در تحقیقات مختلف برخوردار است. در بسیاری از موارد پژوهشگران مایلند بدانند که داده های آنها چگونه در فضا توزیع شده اند و آیا توزیع آنها در فضا از الگو و یا قاعده خاصی پیروی می کند یا خیر. تشخیص اینکه چنین الگوها و روندهایی وجود دارند و یا نه به آنها کمک می کند تا دلایل وجود الگوهای مورد نظر را بررسی نمایند. ابزارهای تحلیل آماری که برای مطالعه الگوها و روندهای موجود در داده ها مورد استفاده قرار میگیرند عمدتاً به دنبال پاسخ به این سوال هستند که احتمال اینکه توزیع عوارض جغرافیایی مورد مطالعه در اثر تصادف رخ داده باشد چقدر است؟ هرچند این ابزارها خروجیهایی که بتوان آنها را بر روی نقشه نشان داد ارائه نمیکنند، ولی برخی از نتایج آنها را میتوان به صورت شکلی نمایش داد. با این حال این ابزارها برای درک بهتر داده ها و تصمیم گیری دقیقتر در مورد سطح اعتماد آماری بسیار اهمیت دارند(عسگری، ۱۳۹۰،۳۹ ). بطور کلی این ابزارها عبارتند از:
-
- متوسط نزدیکترین فاصله همسایگی (Average Nearerest Neighbor)
-
- خوشه بندی زیاد / کم (High / Low Clustering (getis- ord General G)
-
- خوشه بندی چند فاصله ای (Multi- Distance Spatial Cluster Analysis)
-
- خود همبستگی فضایی ((Spatial Autocorrelation (Moran I).
۳-۷-۱- خود همبستگی فضایی(Spatial Autocorrelation)
یکی از رشته های جالب و در حال رشد آمار فضایی مربوط به خود همبستگی فضایی(Spatial Autocorrelation) است. خود همبستگی به رابطه بین مقادیر باقیمانده در طول خط رگرسیون مربوط می شود. خودهمبستگی قوی زمانی رخ میدهد که مقادیر باقیمانده شدیداً با هم در ارتباط باشند. در واقع تغییراتشان به صورتی سیستماتیک رخ دهند. خود همبستگی فضایی مفهومی نسبتاً ساده است و در حقیقت بسط همین مفهوم در آمار متعارف است. خود همبستگی قوی زمانی رخ میدهد که مقادیر یک متغییر که از نظر جغرافیایی به هم نزدیک هستند با هم مرتبط باشند. اگر عوارض و یا مقادیر متغیرهای مربوط به آنها بطور تصادفی در فضا توزیع شده باشند ظاهراً نباید بین آنها ارتباطی وجود داشته باشد.
۳-۷-۱-۱- آماره موران
از جمله ابزارهایی که در زمینه تحلیل الگوهای پراکنش و توزیع عوارض و پدیده ها در فضا و مکان بکار برده می شود تحلیل خود همبستگی فضایی که به آماره موران) (Morans Iنیز معروف است میباشد. ابزار آمار فضایی، خود همبستگی فضایی یکی از کاربردیترین و مهمترین ابزارهای تحلیلی برای تحقیق در مورد داده های فضایی است. این تحلیل نه تنها به خودی خود اطلاعات مفیدی در مورد ارتباط درونی عوارض به دست میدهد، بلکه نتایج آن برای بسیاری از تحلیلهای پیچیدهتر آماری نیز مورد استفاده قرار میگیرند(همان، ۶۰).
۳-۷-۱-۲- مبانی آماری
ابزار تحلیل خود همبستگی فضایی موران به بررسی خود همبستگی فضایی براساس مکان دو مقدار و خصیصه مورد نظر عوارض جغرافیایی می پردازد. این تحلیل الگوی توزیع عوارض در فضا را با ملاحظه همزمان موقعیت مکانی و خصیصه مورد ارزیابی قرار میدهد. نتایج حاصل از این تحلیل نشان میدهد که آیا عوارض به صورت تصافی، پراکنده و یا خوشهای در فضا توزیع شده اند. این ابزار در حقیقت آماره و یا شاخص موران (Moran) را محاسبه می کند و با استفاه از امتیاز استاندارد Z و P- Value به ارزیابی و معنادار بودن شاخص محاسبه شده می پردازد. شاخص موران برای خود همبستگی فضایی به صورت زیر محاسبه می شود:
در این رابطه n تعداد کل عوارض جغرافیایی موجود در لایه مورد استفاده بوده و Xiخصیصه عارضه i وXj خصیصه عارضه j و X متوسط خصیصه مورد نظر عارضه و Wij وزن فضایی بین عارضه iو jرا مشخص می کند. در مورد ماتریس وزن دو نظریه وجود دارد .ابتدا به این صورت است که چنانچه عارضهای با منطقه دیگر مرز مشترک دارد مقدار ۱ و در غیر این صورت مقدار صفر بدهیم. و در حالت دوم از رابطه طول مرز مشترک عارضه iبا عارضه j بر طول کل مرزهای مشترک عارضه iتقسیم شود.
۳-۷-۱-۳- تفسیر نتایج
تحلیل خود همبستگی فضایی دو نوع خروجی به صورت گرافیکی و عددی ارائه مینماید. خروجی گرافیکی نشان میدهد که آیا داده ها پراکنده و یا خوشه بندی شده است. خروجیها به صورت عددی نیز نمایش داده میشوند، بطور کلی اگر مقدار شاخص موران نزدیک به عدد مثبت یک (۱+) باشد داده ها دارای خود همبستگی فضایی و دارای الگوی خوشهای بوده و اگر مقدار شاخص موران نزدیک به عدد منفی یک (۱-) باشد، آنگاه داده ها از هم گسسته و پراکنده میباشد. در مورد این ابزار فرضیه صفر آن است که” هیچ نوع خوشه بندی فضایی بین مقادیر خصیصه مرتبط با عوارض جغرافیایی مورد نظر وجود ندارد حال زمانیکه مقدار P-Value بسیار کوچک و مقدار Z محاسبه شده( قدر مطلق آن) بسیار بزرگ باشد( خارج از محدوده اطمینان قرار گیرد)، آنگاه میتوان فرضیه صفر را رد کرد. اگر مقدار شاخص موران بزرگتر از صفر باشد، داده ها نوعی خوشه بندی فضایی را نشان می دهند. اگر مقدار شاخص کمتر از صفر باشد عوارض مورد مطالعه دارای الگوی پراکنده میباشند(رحمتی، ۱۳۹۳، ۵۹).
۳-۸- سنجش از دور
سنجش از دور تکنولوژی کسب اطلاعات و تصویربرداری از زمین با بهره گرفتن از تجهیزات هوانوردی مثل هواپیما، بالن یا تجهیزات فضایی مثل ماهواره است. به عبارت دیگرسنجش از دور عبارتست از علم و هنر کسب اطلاعات فیزیکی و شیمیایی از پدیده های زمینی و جوی از طریق ویژگیهای امواج الکترومغناطیسی بازتابی یا منتشرشده از آنها و بدون تماس مستقیم با پدیده های مذکور میباشد.
سنجش از دور در بسیاری از زمینه های علمی و تحقیقاتی کاربردهای گسترده ای دارد. از جمله کاربردهای فن سنجش از دور میتوان به استفاده از آن در زمین شناسی، آب شناسی، معدن، شیلات، کارتوگرافی، جغرافیا، مطالعات زیست شناسی، مطالعات زیست محیطی، سیستمهای اطلاعات جغرافیایی، هواشناسی، کشاورزی، جنگلداری، توسعه اراضی و به طورکلی مدیریت منابع زمینی و غیره اشاره کرد. سنجش از دور می تواند تغییرات دورهای پدیده های سطح زمین را نشان دهد و در مواردی چون بررسی تغییر مسیر رودخانهها، تغییر حد و مرز پیکرههای آبی چون دریاچهها، دریاها و اقیانوسها، تغییر مورفولوژی سطح زمین و غیره بسیار کارسازاست(www.khakzad.com).
کلمه Envi کوتاه شده عبارات The Environment For Visualizing Images میباشد و این نام برای سیستم نرم افزاری متحول و پیشرفتهای جهت پردازش تصاویر استفاده شده است و این نرم افزار جهت انجام و اجرای برخی از نیازهای خاص به خصوص استفاده از داده های ماهوارهای طراحی شده است. یکی از قابلیت های مهم ENVI که آن را درمیان نرم افزارهای مشابه جهت پردازش تصاویر بی همتا نموده است این ویژگی است که این نرم افزار تکنیکهای باندی(Band-Based) و فایلی (File-Based) را با توابع نرم افزاری توسعه یافته (interactive functions) ترکیب می کند. وقتی که یک فایل اطلاعاتی داخل نرم افزار باز می شود، باندهای آن بصورت یک لیست بصورتی ذخیره می شود که بتوان بوسیله کل توابع سیستم به آن دسترسی پیدا کرد(www.gsinet.ir).
۳-۹- روش طبقه بندی نظارت شده
هدف اصلی در فرایند طبقه بندی تصویر، کلاس بندی همه پیکسلهای یک تصویر درون کلاسهای کاربری اراضی است. به عبارت دیگر تبدیل ارزشهای طیفی به اطلاعات مفید و قابل استفاده و یا استخراج اطلاعات کمی در مورد عوامل زیست محیطی و منابع طبیعی از داده های ماهوارهایاست. روش های مختلفی در این رابطه وجود دارند. که با بهره گرفتن از روش طبقه بندی نظارت شده این کار انجام گرفت ( روستا، ۱۳۹۰، ۱۸۹).
در طبقه بندی با نظارت نوع و مکان برخی از انواع پوشش های زمین مثل منطقه شهری، کشاورزی و مرداب از قبل شناخته شده هستند. این شناخت از ترکیبی از کار میدانی، تفسیر عکسهای هوایی، تجزیه و تحلیل نقشه ها و تجزیه شخصی قابل حصول است. لازم است مکانهای مخصوصی را در داده های سنجش از دور که نماینده مناطق یکدستی از این پوشش های زمین شناخته شده هستند، را معین کرد. این مکانها را به دلیل خصوصیات طیفی آنها در آموزش الگوریتم طبقه بندی برای تهیه نقشه نهایی، معمولا مناطق آموزشی مینامند. ابتدا پارامترهای آماری یک متغیره و چند متغیره مثل میانگین، انحراف معیار، ماتریسهای کووریانس، ماتریسهای همبستگی و … برای هر منطقه آموزشی محاسبه میگردند. سپس هر پیکسل )چه در داخل و چه در خارج منطقه آموزشی ( مورد ارزیابی قرار گرفته و به کلاسی داده می شود که آن بیشترین احتمال برای عضویت در آن کلاس باشد. برای جدا کردن مناطق آموزشی میتوان از الگوریتمها استفاده کرد. عمده الگوریتمهایی که برای طبقه بندی وجود دارند از برخی پارامترهای آماری مثل میانگین استفاده می کنند. و بر اساس اینکه الگوریتمهای ما چه باشند روشهای طبقه بندی با نظارت به دستههای زیر تقسیم میگردند که در این تحقیق از روش طبقه بندی براساس بیشترین شباهتMaximum Likelihood)) و با در نظر گرفتن احتمالات اولیه مساوی، به دلیل تئوری قوی آماری آن استفاده شد.
-
- الگوریتم های طبقه بندی متوازی السطوح
-
- الگوریتم های طبقه بندی حداقل فاصله نسبت به میانگین
-
- الگوریتم طبقه بندی حد اکثر احتمال
۳-۹-۱- روش طبقه بندی حداکثر احتمال
قاعده تصمیم گیری طبقه بندی حداکثر احتمال مبتنی بر احتمال میباشد. چون این الگوریتم با توجه به اینکه از قوانین احتمالات استفاده می کند از روش های دقیقتری نسبت به سایر روش های طبقه بندی برخوردار است. این روش، هر پیکسل دارای الگوی اندازه گیریx را به کلاس i نسبت میدهد. در صورتی که آن بردارx دارای بیشترین احتمال شباهت به آن کلاس باشد. فرایند طبقه بندی حد اکثر احتمال فرض را بر این می گذارد که داده های آماری آموزشی برای هر کلاس در هر باند، بصورت نرمال توزیع شده اند. بنابر این داده های آموزشی با هیستوگرامهای۲ یا n مدی در یک باند منفرد، مناسب نیستند. درچنین شرایطی هر یک از مدها احتمالا نماینده کلاسهای جداگانه ای هستند و لازم است نرم افزار طبقه بندی کننده، برای آنها مجددا آموزش داده شوند (www.irangeomorphology.ir).
۳-۱۰- روش Cross –Tabulations
روشی است که نقشههای حاصل از طبقه بندی تصاویر سالهای مورد بررسی برای پی بردن به تغییرات هر یک از کاربریها به سایر کاربری در محدوده مورد مطالعه به صورت جداول متعامد مورد مقایسه قرار میگیرند( احدنژاد روشتی، ۱۳۹۰،۷).