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 تحلیل الگوها^[۵]

• • 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:

• • تحلیل خوشه­ای

• • تحلیل لکه­های داغ

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( Clustering)

• • 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 و_Xj 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).