Задачі і методи аналізу забруднень в ГІС

Для динамічних геоінформаційних класифікаційних задач основною ознакою класифікації є поводження геоінформаційних полів у часі. Тут можна розглядати наступні класи геоінформаційних процесів:

відносно стабільні дуже повільні процеси, полючи яким за розглянутий інтервал часу практично не міняються;

періодичні процеси (наприклад, природні або господарські процеси, зв'язані з часами року);

загасаючі процеси (наприклад, процеси, зв'язані з наслідками природних або техногенних катастроф);

процеси, що розвиваються, які характеризуються поступовим посиленням і територіальним розширенням зв'язаних з ними геоінформаційних полів;

міграційні процеси, зв'язані з поступовим дрейфом відповідних геоінформаційних полів по географічних координатах і ін.

Для одних з них основними класифікаційними критеріями є характер і швидкість зміни географічних координат полючи, для інших - зміни інформаційної ознаки, для третіх - і те, і інше разом. Аналіз змін географічних координат і інформаційної ознаки по окремості праці не представляє. Але оцінка їхніх сукупних змін - задача не тривіальна. Одним з можливих методів такого аналізу є побудова запропонованої в попередньому розділі функції автопересічень геоінформаційного поля. Відповідно критеріями класифікації можуть бути окремі параметри цієї функції. Але для таких класифікаційних ознак, як форма (і плоских, і тривимірних фігур, утворених полем), прості кількісні критерії знайти дуже складно. У цих випадках доцільно скористатися широким арсеналом методів розпізнавання образів, вибір з який повинний визначатися специфічними особливостями конкретної задачі. [4-5]

7. Побудова математичних моделей екологічних геоінформаційних показів (для статичних систем). Така задача може ставитися лише для інформаційних полів кількісних ознак. Під час обговорення задач четвертої групи говорилося про визначення тісноти взаємозв'язків геоінформаційних полів. Якщо апріорно всі аналізовані інформаційні ознаки розділені на факторні і результативні, то такий аналіз дозволить відсіяти всі незначущі факторні ознаки і для кожної результативної ознаки визначити підмножина найбільш значимих факторних ознак. Тепер залишається лише побудувати математичні моделі цих зв'язків. Відмінність даних задач від традиційних задач багатомірного регресивного аналізу полягає в тому, що кожна перемінна, між якими шукається залежність, представлена не сукупністю своїх реалізацій (або своїх значень, які можна представити як реалізації випадкової величини), а тривимірним полем розподілу, де дві координати є геометричними, а третя - значенням інформаційної ознаки. Однак ця відмінність не вплине на математичний апарат побудови математичної моделі, якщо умовитися, що метою даної моделі є найбільш точне відтворення "рельєфу" факторних ознак для тих же координатних крапок. Іншими словами, така модель повинна з найбільшою можливою точністю пророкувати значення результативної ознаки для кожної точки геометричних координат за заданим значенням факторних ознак для тих же геометричних координат. Використання ж математичного апарата МНК (методу найменших квадратів) дозволить мінімізувати усереднену по всіх координатних точок помилку визначення результативної ознаки. Таким чином, до цих задач можна застосовувати відомий математичний апарат багатомірного регресивного аналізу. Більш того, добір значимих факторів у порівнянні з традиційними задачами регресивного аналізу істотно полегшується, тому що для цього можуть використовуватися парні коефіцієнти перетинань кожної факторної ознаки з результативним, а, як було показано вище, на ці коефіцієнти не впливають інші фактори, зв'язані з тією же результативною ознакою. А для підбора моделі оптимального виду і складності можна скористатися тими ж критеріями, що і для традиційних задач регресивного аналізу в їхній загальній постановці (коли заздалегідь не визначена не безліч факторних ознак, не вид моделі).

Тепер звернемося до динамічних задач. Насамперед, варто розглянути можливі методи прогнозування змін окремо узятого динамічного геоінформаційного поля. Визначені представлення про характер очікуваних змін можна одержати, побудувавши і проаналізувавши функцію автопересічень цього полючи. Додаткові зведення можна одержати, побудувавши тимчасові і просторові тренди і сезонні коливання найбільш важливих інтегральних характеристик цього полючи (таких як середня інтенсивність, площа поширення й ін.). Однак усі ці методи не дозволяють прогнозувати майбутні значення інтенсивності полючи й у якійсь конкретній крапці даного полючи. Для цього придатний лише метод авторегресії. Він широко застосовується для аналізу і прогнозування тимчасових рядів і, у принципі, його можна прямо застосувати для побудови авторегресії для будь-якої географічно заданої крапки полючи. Дійсно, для кожної фіксованої координатної крапки полючи послідовність миттєвих значень полючи буде представляти звичайний часовий ряд, і для нього може бути побудоване рівняння авторегресії, що пророкує значення інформаційної ознаки в даній крапці полючи по деякій послідовності обмірюваних попередніх значень. Рівняння авторегрессії будується по безлічі кінцевих відрізків тимчасового ряду, що складаються з р послідовних його значень, усереднюючи помилку на цій безлічі. Число р дискретних звітів, по яких будується рівняння авторегресії, називають його порядком. Воно повинно не перевищувати інтервалу автокореляції даного тимчасового ряду. Побудувавши рівняння авторегресії, можна послідовно обчислювати значення інформаційної ознаки на один, два, три і т.д. інтервали дискретизації вперед. У принципі, ніщо не заважає побудувати такі рівняння для кожної крапки полючи (крім великого обсягу обчислювальної роботи) і з їх допомогою прогнозувати майбутні стани поля в будь-якій його точці або у всіх відразу.

Інші цікаві матеріали

Інтеграційна стратегія України
Унікальність переважаючої більшості країн колишнього СРСР полягає в тому, що вони виникли на руїнах відносно цілісної економічної і політичної системи. У зв'язку з цим ним об'єктивно необхідні час і відповідні зусилля ...

Верхоянський район республіки Саха
Верхоянський район розташований на північному сході Республіки Саха (Якутія) в басейні річки Яна та її приток і відноситься до числа заполярних районів. Територія району складає 137тис. км 2.У улусі (районі) 30 населен ...

Нафтова промисловість України
Нафтова газова промисловість є складовою частиною паливно-енергетичного комплексу України. Нафта є не тільки цінним паливом, але й сировиною для різних галузей промисловості. Паливно-енергетичний комплекс (ПЕК) - це ...