Mehr

Beziehen von ArcView 3.2 Spatial Analysis 1.1?

Beziehen von ArcView 3.2 Spatial Analysis 1.1?


Ist es immer noch möglich, eine Kopie der Spatial Analyst 1.1-Erweiterung für ArcView 3.2 zu erhalten und zu verwenden, um ein Abschlussprojekt an einer Universität abzuschließen?


Die direkteste Möglichkeit, diese Software zu erhalten, besteht darin, sich an Ihr lokales Esri-Büro zu wenden, das wahrscheinlich über die Esri-Zentrale in Redlands, Kalifornien, arbeiten muss.

Hoffentlich gibt es ein "Esri-Museum", das Kopien von "einem von allem" für die zukünftige Nachwelt aufbewahrt.

Ich denke jedoch, dass Sie besser "in den sauren Apfel beißen" und nach einer modernen alternativen Lösung suchen, wie sie von @JeffreyEvans vorgeschlagen wird.


Räumliche Analyse des Manövers von Militärfahrzeugen in taktischer Situation auf ArcView

Die Identifizierung von räumlichen Mustern ist eines der Schlüsselthemen bei der GIS-Anwendung für die geografische Forschung. Diese Studie zielt darauf ab, räumliche Muster manövrierender Panzer im taktischen Betrieb zu identifizieren und in der ArcView-Umgebung zu operationalisieren. Mit ArcView Avenue werden sechs Muster der Angriffsformation analysiert und Algorithmen für die Muster erstellt. Dabei wird zunächst die Manövrierrichtung eines Zuges berechnet und die Position jedes Panzers, also die Richtung und Entfernung jedes Panzers relativ zum führenden, berechnet. Die 6 Muster werden durch Richtung und Entfernung der beiden Panzer in einem Zug identifiziert. Der räumliche Musteralgorithmus wird als Teil des Manöversteuerungssystems verwendet.

1. Einleitung

Der Zweck dieser Studie ist es, räumliche Muster des Manövrierens von Zügen in offensiven Operationen zu identifizieren und sie in einer GIS-Umgebung zu operationalisieren. Räumliche Muster sind eines der Schlüsselprobleme bei der Führung und Kontrolle bei offensiven oder defensiven Operationen. Die Situation ist auch auf niedrigerer Ebene wie bei einem Panzerzug die gleiche. Das Manöver von Militäreinheiten im Angriffsbetrieb folgt normalerweise einem bestimmten Muster, das im Feldmanuel beschrieben ist. Die Identifizierung der Formation wird zur Grundlage der Führung und Kontrolle der manövrierenden Truppen. Obwohl die Mustererkennung in dieser Studie auf Zugebene angewendet wird, kann das Modell leicht auf Kompanie- oder Bataillonsebene erweitert werden. Das System ist in ArcView Avenue programmiert. Aufgrund der geringen Größe des Systems kann es in PC-basierten Kleinsystemen betrieben werden, die auf Kompanie- oder Bataillonsebene verfügbar sind. Die Analyse der Verteilung von Merkmalen oder Aktivitäten im Weltraum ist eines der ständigen Themen in der Geographie. Viele Theorien oder Modelle beschäftigen sich mit diesem Thema. Christallers hexagonales Muster in der Central-Place-Theorie ist ein gutes Beispiel und das Sprungmuster in der Zersiedelung ist ein weiteres typisches Beispiel (Morill und Dormitzer, 1979). In diesem Sinne ist die geografische Analyse sehr nahe und wird zum Verständnis militärischer Operationen beitragen. Die meisten taktischen Operationen von Militäreinheiten sind im Grunde geografische Probleme. Ihre Operationen können auf Karten dargestellt werden, da sie im Wesentlichen geografisch sind. Defensive oder offensive Formationen und Manövriermuster für den Angriff können geographisch interpretiert werden.

2. Räumliche Analyse der Formationen des manövrierenden Panzerzuges

Die angemessene Bildung eines Zuges ist einer der Schlüsselfaktoren für den Sieg im Kampf. Kommandeure in höheren Rängen wollen die Formationen ihrer Truppen in Echtzeit und automatisch kennen, um sie zu kommandieren oder zu kontrollieren. Wenn die Formation automatisch durch das Computersystem erkannt wird, wird es sehr effizient und effektiv sein, sie zu befehligen.

Ein Zug oder eine Kompanie nimmt eine bestimmte Formation ein, wenn sie zum Angriff manövriert. In einem typischen Panzerbataillon der koreanischen Armee gibt es drei Panzer in einem Zug und drei Züge in einer Kompanie und drei Kompanien in einem Bataillon. Es gibt 6 Formationen beim Angriff des Panzerzuges im taktischen Manöver. Sie sind Keil-, Säulen-, Linien-, V-, linke und rechte Flankenformationen (Abb. 1). Taktische Situationen, in denen eine dieser Formationen angenommen werden kann, werden im Feldhandbuch ausführlich beschrieben.

Um die 6 Formationen auf der GIS-Umgebung zu betreiben, sind zwei Prozesse notwendig. Zum einen wird ein Koordinatensystem für einen Panzer definiert und zum anderen die räumliche Formation eines Zuges mit mathematischen Begriffen identifiziert, um die Konzepte in operative Begriffe umzuwandeln.

Das grundlegende Werkzeug zur Identifizierung von räumlichen Mustern ist ein Koordinatensystem. Um den Standort eines Tanks darauf zu positionieren, ist ein Koordinatensystem erforderlich. Ein rechtwinkliges Koordinatensystem, wie beispielsweise ein UTM-Koordinatensystem, das als militärisches Koordinatensystem weit verbreitet ist, wird wegen seiner Bequemlichkeit bei der Berechnung von Entfernung und Azimut verwendet. Der Ursprung des Koordinatensystems ist die Position der früheren Position des Zugführers, wobei die Werte als (0,0) für (x,y) angegeben werden. Die aktuelle Position jedes Tanks wird in diesem Koordinatensystem als (x,y) dargestellt (Abb. 2).

Die Identifizierung geometrischer Muster von Tanks erfolgt in zwei Schritten. Im ersten Schritt wird die „absolute“ Position jedes Panzers als Azimut von Norden und die Entfernung vom Panzer des Anführers berechnet. Sie sind 1, 2 bzw. d1, d2 in Abb.2. Im zweiten Schritt wird die „relative“ Position jedes Panzers als Azimut aus der Richtung des Zugkurses und der Entfernung vom Panzer des Führers berechnet. Sie sind 1, 2 bzw. d1, d2 in Abb.2. Die Position wird als "relativ" bezeichnet, da der Azimut jedes Panzers aus der Kurslinie des Zugs berechnet wird, nicht aus dem Norden. Die Richtung des Zuges wird als die Linie festgelegt, die den ehemaligen und den heutigen Standort des Panzers des Zugführers verbindet. Die Kurslinie ist wichtig, da anhand dieser Linie klassifiziert wird, ob sich ein Tank auf der rechten oder linken Seite des Tanks des Leaders befindet.

Dann kann aus den obigen zwei Schritten die Position jedes Panzers als Azimut und Abstand relativ zur Kurslinie bzw. zur gegenwärtigen Position des Panzers des Zugführers dargestellt werden. Die Position von Tank Nr. 2 wird beispielsweise als ( 2, d2) dargestellt, wie in Abb. 3 gezeigt, obwohl seine Koordinate (X2, Y2) wie in Abb. 2 ist.

Um den Azimut eines Panzers in Bezug auf eine 360-Grad-Basis zu berechnen, ist es notwendig, ihre Standorte nach Quadranten zu klassifizieren. Die Berechnung des Azimuts erfolgt in zwei Schritten. Zuerst wird die Position durch die Linien der X'- und Y'-Achse klassifiziert, die von der gegenwärtigen Position des Führungstanks ausgehen. In diesem Fall gibt es 4 Unterquadranten für jeden Quadranten, der von (X0,Y0) gebildet wird. Zweitens wird der Standort durch die Überschriftslinie in zwei Seiten, rechts und links, eingeteilt. Durch die Kombination dieser beiden Schritte kann es 6 Fälle geben, in denen sich ein Tank für einen Quadranten befindet, wie in Abb. 4 gezeigt.

Für den rechten Quadranten in Abb. 4 befinden sich drei Orte mit dem Präfix 1 1-A, 1-B und 1-C auf der rechten Seite der Kurslinie. Bei diesen Prozessen könnte es insgesamt 24 Standorte geben, da es 4 Quadranten und 6 Standorte in jedem Quadranten gibt. In dieser Studie wird jedoch nur die Hälfte von ihnen für die Orte analysiert, an denen der Wert von y größer als Null ist. Der nächste Prozess besteht darin, Formationen anhand des Standortmusters zu identifizieren. Um die Formation hauptsächlich nach dem Azimut zu berechnen, wird der Azimut eines Panzers in einen Winkel auf 360-Grad-Basis ausgehend von der Kurslinie umgerechnet. Dann wird für jeden Quadranten der Azimut ( ) in 16 Sektoren mit 22,50 für jeden Sektor klassifiziert. Die Kursrichtung wird zur Hauptlinie, bei der der Azimut gleich 0 oder 360 ist.


Einzelheiten

  1. VORWORT.
  2. Danksagungen.
  3. 1. EINLEITUNG.
  4. 1.1 Warum Statistik und Stichprobenziehung?
  5. 1.2 Was ist das Besondere an Geodaten?
  6. 1.3 Geodaten und der Bedarf an räumlicher Analyse/Statistik.
  7. 1.4 Grundlagen der räumlichen Analyse und Statistik.
  8. 1.5 ArcView Notes&mdashData-Modell und Beispiele.
  9. TEIL I: KLASSISCHE STATISTIK.
  10. 2 VERTEILUNGSBESCHREIBUNGEN: EINE VARIABLE (UNIVARIAT).
  11. 2.1 Maßnahmen der zentralen Tendenz.
  12. 2.2 Ausbreitungsmaßstäbe.
  13. 2.3 ArcView-Beispiele.
  14. 2.4 Höhere Momentenstatistik.
  15. 2.5 ArcView-Beispiele.
  16. 2.6 Anwendungsbeispiel.
  17. 2.7 Zusammenfassung.
  18. 3 BEZIEHUNGSBESCHREIBUNG: ZWEI VARIABLEN (BIVARIAT).
  19. 3.1 Korrelationsanalyse.
  20. 3.2 Korrelation: Nominalskala.
  21. 3.3 Korrelation: Ordinalskala.
  22. 3.4 Korrelation: Intervall-/Verhältnisskala.
  23. 3.5 Trendanalyse.
  24. 3.6 ArcView-Hinweise.
  25. 3.7 Anwendungsbeispiele.
  26. 4 HYPOTHESE-TESTER.
  27. 4.1 Wahrscheinlichkeitskonzepte.
  28. 4.2 Wahrscheinlichkeitsfunktionen.
  29. 4.3 Zentraler Grenzwertsatz und Vertrauensintervalle.
  30. 4.4 Hypothesentests.
  31. 4.5 Parametrische Teststatistiken.
  32. 4.6 Unterschied der Mittelwerte.
  33. 4.7 Unterschied zwischen einem Mittelwert und einem festen Wert.
  34. 4.8 Bedeutung des Korrelationskoeffizienten nach Pearson.
  35. 4.9 Bedeutung der Regressionsparameter.
  36. 4.10 Testen nichtparametrischer Statistiken.
  37. 4.11 Zusammenfassung.
  38. TEIL II: RÄUMLICHE STATISTIK.
  39. 5-PUNKT-MUSTERBESCHREIBUNG.
  40. 5.1 Die Natur von Punktmerkmalen.
  41. 5.2 Zentrale Tendenz von Punktverteilungen.
  42. 5.3 Streuung und Orientierung von Punktverteilungen.
  43. 5.4 ArcView-Hinweise.
  44. 5.5 Anwendungsbeispiele.
  45. 6-PUNKT-MUSTERANALYSATOREN.
  46. 6.1 Maßstab und Umfang.
  47. 6.2 Quadratanalyse.
  48. 6.3 Analyse der geordneten Nachbarn.
  49. 6.4 K-Funktion.
  50. 6.5 Räumliche Autokorrelation von Punkten.
  51. 6.6 Anwendungsbeispiele.
  52. 7 LINIENMUSTERANALYSATOREN.
  53. 7.1 Die Natur linearer Features: Vektoren und Netzwerke.
  54. 7.2 Eigenschaften und Attribute von linearen Features.
  55. 7.3 Richtungsstatistiken.
  56. 7.4 Netzwerkanalyse.
  57. 7.5 Anwendungsbeispiele.
  58. 8 POLYGON-MUSTERANALYSATOREN.
  59. 8.1 Einführung.
  60. 8.2 Räumliche Beziehungen.
  61. 8.3 Räumliche Abhängigkeit.
  62. 8.4 Räumliche Gewichtungsmatrizen.
  63. 8.5 Räumliche Autokorrelationsstatistiken und Notationen.
  64. 8.6 Gemeinsame Zählstatistik.
  65. 8.7 Globale Statistiken zur räumlichen Autokorrelation.
  66. 8.8 Statistiken zur lokalen räumlichen Autokorrelation.
  67. 8.9 Moran-Streudiagramm.
  68. 8.10 Bivariate räumliche Autokorrelation.
  69. 8.11 Anwendungsbeispiele.
  70. 8.12 Zusammenfassung.
  71. ANHANG: ArcGIS Spatial Statistics Tools.
  72. ÜBER DIE CD-ROM.
  73. INDEX.

6.3 GIS Demografische Analyse in der Planung

Abbildung 6.1. Das Schema der GIS Demographische Analyse in der Planung

6.3.1 Bevölkerungsverteilung und -sparsität

Bei der Planung muss die Bevölkerungsknappheit analysiert werden, da sie zusätzliche Kosten (Personal, Ausstattung, zusätzliche Transportmittel usw.) verursachen kann, wenn öffentliche Dienstleistungen für die Bevölkerung in verschiedenen Gebieten erbracht werden. Dies wurde gemäß den politischen Grenzen durchgeführt. Dies wird kostspielig, um Dienste in Gebiete zu bringen, die im Vergleich zu dicht besiedelten Gebieten nicht dicht besiedelt sind. Um ein Beispiel zu nehmen, können die Gebiete in unterschiedlichen politischen Grenzen liegen, und wenn man die Bevölkerung bei dieser Aggregation betrachtet, können die Gebiete so aussehen, als hätten sie die gleiche Bevölkerung, die aus der politischen (zonalen) Unterteilungsbevölkerung abgeleitet wird. Die tatsächliche Situation vor Ort kann jedoch sein, dass diese Gebiete eine unterschiedliche Bevölkerungsdichte aufweisen, und nicht zu vergessen, dass die Gebiete eine unterschiedliche Bevölkerungszusammensetzung aufweisen, was zu unterschiedlichen Bedürfnissen für jedes Gebiet führt.

Bevor wir nach verschiedenen Möglichkeiten zur Analyse der Bevölkerung suchen/suchen, um einen solchen Analysefehler zu vermeiden, ist es wichtig zu wissen, warum die Analyse auf einer solchen Aggregationsebene durchgeführt wird, damit die Vorteile der aggregierten geografischen Analyse in unsere Entwicklungen und Verbesserungen einfließen. Die Begründungen für diese Analyse könnten wie folgt gesehen werden (Openshaw, 1991):

Es ist wichtig, durch die Entwicklung von Indikatoren für Blockzuschüsse, anhand derer die Standardausgabenbewertung der Regierung (des Ministeriums)

Der Dichteindex ist einfach und kann daher von politischen Entscheidungsträgern leicht verstanden werden.

Politische Unterteilungen (Zonen) sind die kleinste geografische Einheit, für die dieser Index genau berechnet werden konnte, da die Zonenbereiche bekannt sind.

Zonen haben eine gewisse lokale Bedeutung als Nachbarschaften und stellen daher einen natürlichen Baustein dar

Zonen wurden für eine Reihe anderer Schlüsselindikatoren mit einem Index der Ressourcenauswirkungen verwendet, wie z. B. die Definition von Benachteiligungsgebieten für die Ressourcenzuweisung im Gesundheitswesen.

Zonengrenzen sind gesetzlich festgelegt und haben eine rechtliche Bedeutung – dies ist wichtig, da die öffentlichen Ausgaben herkömmlicherweise nur durch Verfahren zugewiesen wurden, die offizielle geografische Gebiete anerkennen.

Diese sind überschaubar angesichts des Computers und

In Ermangelung vieler (oder relevanter Forschung) gab es keinen offensichtlichen alternativen Ansatz

6.3.2 Räumliche Verteilung nach Alter

Es ist sinnvoll, die Altersverteilung von Stadtbewohnern im Kontext von Stadtstandortmodellen zu untersuchen. Die meisten dieser Modelle sagen wenig über das Alter der Bewohner aus. zu ihrer Verbreitung in der Bevölkerung. Das heißt, wenn ältere Menschen 10 Prozent der Bevölkerung des Gebiets ausmachen, sollten sie 10 Prozent jedes Haushalts ausmachen (Goodman, 1986).

Fragen der Altersverteilung treten bei der Planung normalerweise auf, wenn es um das Wachstum einer Bevölkerungsuntergruppe innerhalb desselben Altersintervalls geht, im Gegensatz zu der Veränderung einer Kohorte, die nachfolgende Altersintervalle durchläuft (Akkerman, 1992).

Wie Goodman es ausdrückte, sollte man mit solchen Schlussfolgerungen vorsichtig sein. Während sich Städte entwickeln, werden Stadtteile zu bestimmten Zeiten gebaut und entwickelt, die Bewohner mit ähnlichem Alter, Familiengröße oder Wohnpräferenzen (groß/klein, Einfamilienhaus/Mehrfamilienhaus) anziehen. Nachbarschaften können sich gemeinsam entwickeln und altern und können durch das Alter der Bewohner definiert werden. Obwohl die Bewohner ursprünglich nach Wohnungstyp oder -größe gezogen wurden, können sie die Nachbarschaft selbst schätzen und ihren Wohnsitz in ihr wechseln.

Die Formulierung von Modellen zur Erklärung der Ursprünge der räumlichen Variation in der Altersstruktur und zur Vorhersage der Folgen dieser Variation sollte die demografische Dynamik des Alterungsprozesses berücksichtigen und erkennen, dass: (1) das Verhalten sowohl von Jung als auch von Alt beeinflusst räumliche Variation des Alterns (2) in Gesellschaften mit niedriger Fertilität und niedriger Sterblichkeit, Fertilität und Mortalität werden die Gesellschaft in Richtung räumliche Homogenität bewegen und (3) in solchen Gesellschaften ist Migration der wichtigste Prozess, der räumliche Variationen in den Altersstrukturen hervorruft. Der Planungsprozess muss die Folgen der Altersumverteilung berücksichtigen und untersuchen.

Bei der Planung neuer Gebietsentwicklungen spielt die demografische Zusammensetzung/Struktur eine große Rolle, da sich in der Regel unterschiedliche Alterskohorten im gleichen Gebiet ansiedeln. Dies wurde in vielen Städten wie der von Burnley et al. (1997) durchgeführten Analyse erlebt, wo von den soziodemografischen Profilen der Umzugsunternehmen in die Vororte von Sydney (Australien) in der Alterskohorte der 25- bis 34-Jährigen deutlich überrepräsentiert waren (45,1 .). % der Umzugsunternehmen), die die Spitzengruppe der Eigenheimkäufer darstellt. In der Studie waren Umzugsunternehmen im Vergleich zur Wohnbevölkerung mit 75,5% stark auf erwachsene Haushalte ausgerichtet und auch in kaufmännischen Berufen (43,4%) waren Umzugsunternehmen deutlich überrepräsentiert im Vergleich zu Kaufleuten, Kaufleuten, Verkäufern oder Anlagenbetreibern/Arbeitskräften.

Es ist zu erkennen, dass Menschen mit Erreichen einer bestimmten Alterskohorte und zunehmender Verantwortung tendenziell nach einem festen Wohnsitz suchen, der außerhalb der Innenstadt verfügbar ist, dies wird auch von der Beschäftigung und der Haushaltszusammensetzung beeinflusst, die sich je nach Wohnungsnachfrage direkt auswirkt Größe der Bevölkerung, die Art und Weise, wie sich die Bevölkerung in Haushalte aufteilt, und dann durch die Wahl des Besitzes, Wohnausgaben und Standortpräferenzen (Skaburskis, 1997). Aus den Ergebnissen zweier nordamerikanischer Städte, Toronto und Vancouver in Kanada, gibt Skaburskis das Alter von 30 Jahren an, in dem die meisten Kinder ihre Eltern verlassen, um einen Haushalt zu gründen, was in die von Burnley et al (1997) angegebene Kohorte von 25 bis 34 Jahren fällt.

Die räumliche Verteilung der älteren Bevölkerung muss bei der Planung berücksichtigt werden, da sie unterschiedliche Einrichtungen und Pflege benötigt. Modelle müssen Erklärungen für die Migration älterer Menschen liefern, Befunde zu den Auswirkungen von Ruhestand, Klima und Familie sowie andere Variablen stützen die Vorstellung, dass ältere Menschen eher auf Amenity- oder Lebensqualitätsvariablen reagieren.

Dies sind mehrere Gründe, warum sich ältere Menschen in bestimmten Vierteln versammeln. Abgesehen von altersgerechten Wohn-, Krankenhaus- oder Pflegeheimen können bestimmte Wohnformen explizit auf ältere Haushalte ausgerichtet sein. Diejenigen, die keine großen Wohneinheiten mehr benötigen, bevorzugen möglicherweise kleinere (die geografisch begrenzt sind), oft mit Einschränkungen für Kinder (was zu weiterer Konzentration führt). Menschen mit begrenztem Einkommen können gezwungen sein, kleinere Einheiten zu mieten oder an Orten mit billigen Mietwohnungen (was wiederum geografische Beschränkungen mit sich bringen kann) (Goodman, 1986).

6.3.3 Verteilung nach Sozialgruppen

Wie in der Alterskohorte spiegelt die räumliche Trennung der Wohneinheiten nach soziodemografischen Gruppen einen ähnlichen Geschmack für lokale öffentliche Güter wider oder ein diskriminierender Markt, auf dem bestimmten Gruppen der Zugang zum gesamten Wohnungsbestand verweigert wird (Miller et al., 1990).

Durch den Einsatz von GIS zur Untersuchung der räumlichen Segregationstendenzen, damit die Entwicklungen auf die Bereiche ausgerichtet werden, in denen Bedarf besteht. Ein quantitatives Maß für die Segregation beginnt mit der Zählung der Haushalte nach demografischen Merkmalen, die in Teilgebieten wohnen.

6.3.4 Demografiemuster ändern

Da sich ändernde Muster von Geburten, Sterbefällen und Haushaltsbildungen die allgemeine Altersstruktur beeinflussen, mit tiefgreifenden Auswirkungen auf den Arbeits- und Wohnungsmarkt sowie auf die staatliche Politik der Sozialhilfe und der Einkommensunterstützung. Das geografische Muster des demografischen Wandels muss berücksichtigt werden, damit diese Veränderungen dort überwacht werden können, wo sie stattfinden.

Dies wurde von vielen Personen untersucht, darunter Schafer Robert, 1978 Analyse zu Metropolenform und demografischem Wandel, in der er die strukturartigen Entscheidungen von Haushalten untersucht, was zeigt, dass Phasen im Familienlebenszyklus eine aussagekräftige Beschreibung der Neigung zur Wohnungswahl liefern und eine aussagekräftigere als das Alter des Kopfes und die Familiengröße. Junge, unverheiratete Haushalte wählen am ehesten eine Wohnung aus Verheiratete Haushalte mit dem jüngsten Kind über 6 Jahren und 30- bis 60-Jährigen und verheiratete Haushalte mit Kindern und Eltern über 60 Jahren wählen am seltensten eine Wohnung. Die Wahrscheinlichkeit, eine Wohnung zu wählen, steigt für Haushalte über 60 Jahre, wenn sie entweder verheiratet ohne Kinder im Haushalt oder verwitwet sind. Je höher das Familieneinkommen, desto geringer die Wahrscheinlichkeit, eine Wohnung zu wählen. Ob der Leiter einen Hochschulabschluss hat oder nicht, hat einen schwachen Einfluss auf die Strukturwahl. Personen mit Hochschulabschluss entscheiden sich etwas eher für eine Wohnung. Im Allgemeinen leben Haushalte, deren Vorgesetzte im Zentrum der Metropolregion arbeiten, häufiger in Wohnungen als Haushalte, deren Vorgesetzte in den Vororten arbeiten (Schafer, 1978).

Und die demografische Analyse wird weniger präzise, ​​je weiter sie von physikalischen und messbaren demografischen Phänomenen entfernt ist, insbesondere wenn sie als Planungsinstrument verwendet wird (Chris Paris, 1995). Daher neigen die demografischen Analysen dazu, mit einer genauen und detaillierten Untersuchung einiger (hauptsächlich physischer) Merkmale von Bevölkerungen, die typischerweise in Nationalstaaten enthalten sind, zu beginnen und dann die Untersuchung auf die Beziehungen zwischen den Mitgliedern der Bevölkerung und andere Faktoren, einschließlich der öffentlichen Ordnung, auszuweiten.

Das Wachstum der Zahl der Haushalte hat das Bevölkerungswachstum in den meisten Ländern bei weitem übertroffen, so dass selbst bei einer stabilen Gesamtbevölkerung mehr Wohnungen benötigt würden. Beispielsweise sank die durchschnittliche Haushaltsgröße in Großbritannien zwischen 1961 und 1991 von 3,3 auf 2,5 Personen (Chris Paris, 1995). Allein diese Änderung impliziert, dass im Jahr 1991 pro 1000 Einwohner möglicherweise 100 zusätzliche Wohnungen benötigt wurden, als dies 40 Jahre zuvor der Fall war.

Wie Vaupel es James W. ausdrückt, wenn er Altern und Langlebigkeit anhand einer demografischen Analyse untersucht: „Die Bevölkerung der meisten Länder der Welt wird älter. Dieser Wandel führt zu einer neuen Demografie, einer Demografie geringer Fruchtbarkeit und langer Lebensdauer. Die schnell wachsende Bevölkerung älterer Menschen setzt die Gesellschaften beispiellosen Belastungen aus, weil neue Systeme der finanziellen Unterstützung, der sozialen Unterstützung und der Gesundheitsfürsorge entwickelt und eingeführt werden müssen".

Daher ist es wichtig, nach der Analyse der demografischen Merkmale aufzuzeigen, wo die Veränderung stattfindet, dh wo Ehen geschlossen werden, wo die Fertilität konstant ist oder sich ändert, Trennung und Scheidung zu Alleinerziehenden führen (die Verteilungen innerhalb der Metropolen: wo die spezifische Alterskohorte konzentrieren sich in der Innenstadt, in den Vorstädten, wo Rentner leben, wie die Gegend variiert (räumlich und zeitlich).

6.3.5 Mehrere verwendete Methoden

Es wurden verschiedene Methoden verwendet, um die Lage und Verteilung von Populationen nach demografischen Merkmalen zu analysieren, darunter die Lorenz-Kurven und der Gini-Koeffizient.

6.3.5.1 Lorenzkurven und Gini-Koeffizient

Die Lorenz-Kurve ist eine weit verbreitete grafische Methode zur Analyse der räumlichen Verteilung der Bevölkerung in Bezug auf Konzentration und Streuung (Hornby, 1984 und Witherick, 1990). Das Zeichnen der Lorenz-Kurve geht wie folgt vor. Die durchschnittliche Bevölkerungsdichte wird für alle äquivalenten Einheiten, wie z. B. zonale oder politische Einheiten, aus denen das Untersuchungsgebiet besteht, berechnet. Diese Flächeneinheiten werden dann gemäß ihrer Dichteklassen, die dieser Rangordnung auferlegt werden sollen, geordnet, der Prozentsatz der Gesamtbevölkerung und der Prozentsatz der Gesamtfläche, der von allen Einheiten ausgeht, die in jede Dichteklasse fallen, werden dann berechnet. Die beiden für jede Dichteklasse abgeleiteten Werte ermöglichen somit die grafische Darstellung ihrer Position.

Lorenzkurven können angepasst werden, um Variationen der demografischen Merkmale insbesondere in der Verteilung nach dem Alter zu quantifizieren (Goodman 1986). Am Beispiel der älteren Bevölkerung werden die Variationen der Altersverteilung genauer durch die Rangfolge der Beobachtung der Bevölkerung auf Nachbarschaftsebene vom kleinsten zum größten bewertet. Die Analyse zeigt dann, dass der niedrigste Rang (in Bezug auf die ältere Bevölkerung) z.B. In 20 Prozent der Zonen, auf denen die Volkszählung basiert (Volkszählungsgebiete), waren 5 Prozent ältere Menschen, die nächsten 20 Prozent hatten weitere 8 Prozent ältere Menschen (oder alternativ die untersten 40 Prozent hatten 13 Prozent).

Gini-Koeffizienten (im Folgenden Ginis) werden häufig verwendet, um Lorenz-Kurven zusammenzufassen. Betrachten Sie die Lorenz-Kurve, in der der kumulierte Prozentsatz der Trakte gegen den kumulierten Prozentsatz der älteren Menschen aufgetragen ist. Der Gini vergleicht die Fläche L zwischen der Diagonale (was Gleichverteilung bedeutet) und der Lorenz-Kurve mit der gesamten Fläche unter der Diagonale, T. Wenn sich L/T 0 nähert (1) ist die untersuchte Population mehr (weniger) gleichmäßig verteilt (siehe Goodman, 1986).

Die Regressionsparameter und Gini werden berechnet und durch die Einstellung der Koeffizienten verschiedener Gebiete ist es möglich, die Konzentration der spezifischen demografischen Merkmale zu bestimmen. Diese Methode ist abhängig von einer vorgegebenen politischen oder zonalen Unterteilung, fehlt also dem variablen geografischen Aspekt und muss durch GIS-Raumanalysen ergänzt werden, um zu zeigen, wie die Konzentration in den betrachteten Zählgebieten variiert.

6.3.5.2 Fuzzy-Messung demografischer Wandel in kleinen Teilbereichen

Die zunehmende Verwendung demografischer Daten in der Planung weist auf die Notwendigkeit von Strukturüberlegungen in der kleinräumigen Demografie hin, die so wichtig ist, da die demografischen Parameter dieser kleinen Gebiete im Zeitverlauf die am besten zugänglichen Indikatoren für den Wandel in einer städtischen Vielzahl von Quartieren sind. Die Messung des demografischen Wandels in einer Vielzahl kleiner urbaner Teilgebiete wird durch die Kohortendemografie nicht unterstützt (Akkerman, 1992).

Die Fuzzy-Ordnung kleiner Gebiete in der ganzen Stadt hilft dabei, auf bestimmte kleine Gebiete zu zielen, die bei der Stadtplanung möglicherweise besondere Aufmerksamkeit erfordern. Die Ausrichtung auf einen kleinen Bereich liefert mehrere Parameter und die Konfiguration der Änderung dieser Parameter in jedem kleinen Bereich liefert ein Maß für sein Änderungsprofil. Darüber hinaus liefert die Fuzzy-Messung des kleinräumigen demografischen Wandels ein Veränderungsprofil, das die Vielzahl als Ganzes widerspiegelt.

6.3.6 Räumliches Auflösungsproblem

Obwohl die demografische Aggregation die vier Hauptvorteile haben kann, dh die Aggregation von Daten stellt keine große Belastung für die Rechenressourcen dar, bietet sie jedoch ausreichende Einblicke in das systemweite Verhalten, indem sie das Verständnis des Verhaltens von Personengruppen erleichtert (Fotheringham und Rogerson, 1993), räumliche Aggregation ist eine Form der Vereinfachung, die unser Verständnis eines komplexen Problems fördert, und durch die räumliche Aggregation werden Fehler in Daten von schlechter Qualität tendenziell ausgeglichen.

Die Rechenbeschränkungen gehören jedoch der Vergangenheit an, da moderne elektronische Computer in der Lage sind, große Datenmengen zu verarbeiten, wenn eine stark disaggregierte räumliche Darstellung verwendet wird, insbesondere wenn die GIS-Technologie in der Lage ist, die feinste erforderliche Auflösung zu verarbeiten.

Disaggregationsmodelle ermöglichen es, über individuelles Verhalten zu lernen, und daraus kann die Aggregation durchgeführt werden, wenn der Analytiker nicht an individuellem Verhalten interessiert ist.

Durch die räumliche Aggregation werden Fehler in Daten von schlechter Qualität jedoch tendenziell ausgeglichen. Forschungsergebnisse deuten jedoch darauf hin, dass die Aggregation von Daten in räumliche Einheiten für einen gegebenen Datensatz Fehler erzeugt, die als Modifiable Areal Unit Problem (MAUP) bezeichnet werden, wodurch möglicherweise falsche Interpretationen von Analysen allein als Ergebnis willkürlicher Aggregationen der Daten gemacht werden (Openshaw , 1984, Fotheringham und Rogerson, 1993, Casillas, 1987 und Lee, 1995) und können sogar Beziehungen herstellen, die nicht existieren (Thomas und Huggett, 1980). Darüber hinaus variieren die Ergebnisse der Aggregation je nach Modellierer. Somit wird die räumliche Aggregation wahrscheinlich mehr Probleme verursachen als die Vorteile, die sich aus der Beseitigung von Fehlern ergeben. In jedem Fall tritt der Nutzen nur dann ein, wenn die Datenqualität schlecht ist. Die Daten der Bevölkerungsbefragung haben eine sehr hohe Qualität und sind bis in einzelne Details verfügbar. Auch wenn die Daten aus Datenschutzgründen nicht auf Mikrodatenebene freigegeben wurden, muss der Planer analysieren und nutzt die Vorteile der Verwendung nicht aggregierter Daten. Softwarekontrolle kann zum Schutz der Privatsphäre verwendet werden, nachdem die Benutzer die Daten auf Mikrodatenebene analysiert haben.

Das wichtigste zugrunde liegende Prinzip besteht darin, die Daten in ihrer ursprünglichen individuellen Form zu erhalten. Dieser nicht aggregierte Ansatz, der Methoden zur Analyse von Punktprozessen verwendet, die die kontinuierliche Natur der Daten bewahren, löst einige der Analyseprobleme basierend auf oft willkürlichen Gebietseinheiten wie Postleitzahlengrenzen oder politischen Grenzen.


Beziehen von ArcView 3.2 Spatial Analysis 1.1? - Geografisches Informationssystem

GIS und räumliche Analyse haben in den letzten Jahrzehnten eine lange und produktive Beziehung genossen (Fotheringham und Rogerson 1994 Goodchild 1988 Goodchild et al., 1992). GIS wurde als der Schlüssel zur Implementierung von Methoden der Raumanalyse angesehen, um sie einem breiteren Benutzerkreis zugänglicher zu machen und hoffentlich in größerem Umfang bei der Entscheidungsfindung und der Unterstützung der wissenschaftlichen Forschung eingesetzt zu werden. Es wurde argumentiert (Goodchild, 1988), dass in diesem Sinne die Beziehung zwischen räumlicher Analyse und GIS der zwischen Statistik und Statistikpaketen analog ist. Es sind spezialisierte GIS-Pakete entstanden, die speziell auf die räumliche Analyse ausgerichtet sind (Bailey und Gatrell 1995, Fisher et al., 1996). Anselin und andere haben diskutiert, wie die Implementierung räumlicher Analysemethoden in GIS zu einem neuen, explorativen Schwerpunkt führt.

Der Begriff "räumliche Analyse" hat im Laufe der Zeit und Disziplin verschiedene Definitionen angenommen. Openshaw, 1997 und Baily, et al., 1995 definieren räumliche Analyse als die quantitative Untersuchung von Phänomenen, die sich im Raum befinden, eine allgemeine Fähigkeit, räumliche Daten in verschiedene Formen zu manipulieren und als Ergebnis zusätzliche Bedeutung zu extrahieren.

Der Begriff "räumliche Analyse" umfasst einen breiten Bereich von Techniken zum Analysieren, Berechnen, Visualisieren, Vereinfachen und Theoretisieren von geografischen Daten. Methoden der räumlichen Analyse können so einfach sein wie das Messen von einer Karte oder so anspruchsvoll wie komplexe geocomputergestützte Verfahren, die auf numerischer Analyse basieren. Räumliche Analyse ist eine statistische Beschreibung oder Erklärung von Standort- oder Attributinformationen oder von beidem (Goodchild, 1987). Es gibt viele räumliche Analysetechniken: Clustering- oder Proximity-Maßnahmen, Pufferung, Reisezeitberechnungen, Erreichbarkeitsberechnungen, räumliche Interaktionsmodelle, räumliche Abhängigkeit, Standort/Zuordnung.

Bei der räumlichen Analyse liegt der Fokus auf einem räumlichen Datensatz, d. h. einem Datensatz, bei dem jede Beobachtung auf einen Ort oder ein Gebiet (geografische Lage) bezogen ist. Viele demografische Daten werden im räumlichen Kontext gesammelt und erfordern eine statistische Analyse zur Interpretation. Methoden der Geodatenanalyse sind die Datenbeschreibung, Karteninterpolation, explorative Datenanalysen (deskriptive Statistik), erklärende Analysen und konfirmatorische Datenanalysen (statistische Inferenz sowie Entwicklung und Test von Modellen) (Haining, 1990).

Nach Chou (1997) liegen die Ursprünge der Raumanalyse in der Entwicklung der quantitativen Geographie und der Regionalwissenschaften in den frühen 1960er Jahren. Der Einsatz quantitativer (hauptsächlich statistischer) Verfahren und Techniken zur Analyse von Mustern von Punkten, Linien, Flächen und Flächen, die auf Karten abgebildet oder durch Koordinaten im zwei- oder dreidimensionalen Raum definiert sind, kennzeichnete die Anfangsphase. Später wurde mehr Wert auf die indigenen Merkmale des geografischen Raums gelegt, auf räumliche Wahlprozesse und deren Implikationen für die raum-zeitliche Entwicklung komplexer Raumsysteme.

Fotheringham und Rogerson (1994) haben kürzlich einen Sammelband herausgegeben, der sich auf räumliche Analyse und GIS konzentriert. In einem Übersichtskapitel macht Bailey (1994) eine nützliche Unterscheidung zwischen der räumlichen Zusammenfassung von Daten und der räumlichen Analyse von Daten. Ersteres soll Funktionen zum selektiven Abrufen von räumlichen Informationen und zum Berechnen, Tabellieren oder Abbilden von statistischen Zusammenfassungen dieser Informationen umfassen. In Baileys Begriffen würde diese Funktionskategorie sowohl räumliche Abfragen als auch viele andere Techniken umfassen, wie z. B. Boolesche Operationen, Kartenüberlagerung und Puffergenerierung, die von vielen Benutzern allgemein als Analysefunktionen wahrgenommen werden.

Inzwischen ist der Begriff räumliche Analyse Methoden vorbehalten, die entweder Muster in räumlichen Daten untersuchen oder versuchen, Beziehungen zwischen solchen Mustern und der räumlichen (und möglicherweise zeitlichen) Variation anderer Attribute zu finden, oder für Methoden der räumlichen oder raum-zeitlichen Modellierung. Die zweite davon umfasst Netzwerkanalysen, Standortzuordnungsmodelle, Standortauswahl und Transportmodelle, die von Bailey alle als recht gut entwickelt in vielen GIS angesehen werden. The former type of spatial analysis, however, which Bailey refers to as statistical spatial analysis or simply spatial statistics, is currently poorly represented in the technology of GIS. This type of analysis would include such areas as nearest neighbour methods and K-functions, Kernel and Bayesian smoothing methods, spatial autocorrelation, spatial econometric modelling, and spatial general linear models. The level of integration of these types of methods with GIS has barely gone beyond the use of GIS to select input data and display model results. At the software level, this same integration generally involves only loose coupling between GIS and spatial statistical packages in the form of ASCII data transfer or specially programmed interfaces (Steven Reader, 1996).

Spatial analysis dimension

A map is an excellent medium, and a first impression of spatial variation can be picked up from a map. However, in order to identify significant patterns in data we have to go beyond the visual interpretation of data illustrated in form of maps i.e. need spatial analysis.

Spatial analysis involves operations in which results depend on data locations - move the data, and the results change. For example, if you move one household from one block to another in the same area their population center moves, but the average weight for household doesn't. That distinction identifies the two basic types of geo-referenced measures: spatially dependent or independent. The population center calculation is spatially dependent measurement, and the average weight considering the entire population is independent. Note that the term "measurement" is a derived relationship, not a dataset characteristic. Spatial analysis involves deriving new spatial information, not repacking existing data."

2.4.1.1 Spatial and aspatial analysis

Quantitative data analysis is either spatial or aspatial. Spatial analysis is focused on the role of space and relies on the explicitly specified spatial variables in the explanation or the predication of a phenomenon. It involves processing information about geography. For aspatial analysis, spatial component and spatial information are not required for analysis and explanation. Spatial data set consists of a collection of measurement or observation on one or more attributes taken at specific locations (Haining, 1990).

Basic elements of spatial information

The analysis of spatial order and spatial association requires the following three elements of spatial information:

1. Location: the exact location of every spatial feature must be available. In this study the location of a feature is expressed by x and y coordinates

2. Attribute data provides important information about the properties of the spatial features under consideration.

3. Topology is defined as the spatial relationships between map features (Chou, 1997). For point features, we may need to know if a point is closer to specific location than other similar location.

From Chou, 1997, Burrough, 1986, DeMers, 1997) GISs are indispensable for spatial analysis because of their ability to integrate all the three elements of spatial on formation in locally consistent manner. A database management system handling only attribute is best useful for aspatial statistical analysis. A computer system capable of handling location and attribute data but not topological elements is suitable for automated cartography, but not spatial analysis. A typical automated cartography system provides mapping functions for organization and presentation of spatial information. In a spatial relationships among map features can be effectively processed only by using GIS that provides the functionality to handle all three types of elements

Need for spatial analysis techniques

Spatial analysis is in many ways fundamental to the effective use and further exploitation of GIS in many different applied contexts like in demography. Spatial analysis and modelling of human spatial systems is now rapidly emerging as a new grand challenge area, for the late 1990s, (Openshaw, 1995a). Although from a GIS perspective, the analysis and modelling tasks only become important once GIS has become an established technology. It is apparent that this post-GIS revolution era has been reached and that the focus of research attention is now moving on from Geographic Information Handling to Geographic Information using with the obvious greatly increased emphasis on creating appropriate analysis and modelling functionality (Openshaw, 1999).

A spatial analysis is designed to answer questions pertaining to the spatial order and/or spatial association of a phenomenon. Thus spatial analysis has explicitly expressed objectives. The type of spatial features under consideration and the nature of the problem collectively determine both the data elements and available methods of required for the analysis.

In spatial analysis, what is being looked for are geographically localized patterns at disaggregated level and it is these features that are often of greatest interest and also the hardest to find.

2.4.2 Criteria for identifying spatial analysis techniques

While there is a general consensus that the lack of spatial analysis functionalities in current GIS seriously limits the usefulness of GIS as a research tool to analyse spatial data and relationships [Goodchild 1987, Openshaw 1991, Fischer and Nijkamp 1992, Anselin and Getis 1993], there is no agreement about what kinds of spatial analysis techniques and methods are most relevant to GIS environments. Openshaw [1991, 1994a] suggests several criteria that aim to distinguish between GISable and GIS irrelevant technology. The most important GIS relevancy criteria that SDA tools should ideally attempt to meet may be summarized as follows:

  • A GISable SDA tool should be able to handle large and very large numbers [from a few tens to millions] of spatial objects without difficulties, and thus meet the large-scale data processing needs in GIS.

GIS relevant SDA techniques should be sensitive to the special nature of spatial information.

The most useful GISable SDA techniques and models will be frame independent [i.e. invariant under alternative spatial partitioning of a study region].

GIS relevant SDA should be a safe technology [i. e. the results should be reliable, robust, resilient, error and noise resistant, and not based in any important way on standard distributions].

GISable SDA techniques should be useful in an applied sense, [i.e. focus on spatial analysis tasks that are relevant to GIS environments].

The results of SDA operations should be abbildbar to afford understanding and insight, since GIS is a highly visual and graphics oriented technology.

From above it can be seen that there is no agreement about what kinds of spatial analysis techniques and methods are most relevant to GIS environments for specific fields like demographic data analysis. My point of focus in this study is to look at the statistical spatial analysis methods used for demographic data, then investigate which of the methods can be used in GIS environment to take advantage of the existing GIS spatial analysis tools

Spatial analysis can be classified into five categories based on the data requirements (Chou, 1997):

1. Point pattern analysis for point features. It is this method, which is mainly used in this study, as the features to be represented, are people in form of dots other methods will assist in the georeferencing.

2. Network analysis for line features

3. Spatial modelling for polygon features

4. Surface analysis for volumetric data and

5. Grid analysis for regularly spaced data

2.4.3 Spatial statistical analysis and GIS

As it has evolved over the past three decades, spatial analysis is more than spatial statistics. A closer look at the development and current achievements of spatial analysis shows that, despite the very large number of rather diverse contributions, two main fields of study can be identified: (Chou, 1997). Spatial Statistical data analysis providing more adequate and specialized frameworks and methodologies to deal with a wide range of spatial effects and spatial process models, and Spatial modelling including a wide range of different models such as, for example, deterministic and stochastic process models as well as policy models in the environmental sciences, and location allocation models, spatial interaction models, spatial choice models and regional economic models in the social sciences.

The linkage between spatial statistical analysis and geographic information systems is an important step in providing additional spatial analytical capabilities to a GIS to carry out demographic spatial analysis. This is a lot of research going on the linkage between spatial statistical analysis and geographic information systems, in Fotheringham, et al, 1994 the linkage has been basically suggested in three different ways.

1. The first strategy is GIS and spatial statistical analysis can be maintained as two separate packages and simply exchange data between the two systems. In Carver, 1997 we see that to export spatial data from the GIS to standard statistical systems is not an adequate solution, because the nature of spatial data requires specific spatial analytical functions. But Anselin et al. (1993) have combined SpaceStat, a program for the analysis of spatial data, with the ArcInfo GIS using this approach.

2. The second strategy is GIS functions can be embedded within spatial analysis or modelling. In caver, 1997 it is noted that embedding GIS functions into a spatial statistical package seems to be an overwhelming exercise and not really realistic.

3. The third strategy, is Spatial analysis can be fully integrated within the GIS software. That a full integration of spatial analysis tools into a GIS seems most promising (Hansen, 1996), and that using this strategy we can utilize the interactivity between maps, charts and spatial statistics to get a good feeling of patterns and relationships within the data.

However, in this study the aim is to look at ways how demographic statistical analysis techniques can be used in the GIS spatial analysis methods.

Spatial representation issues

Another set of very important issues concern spatial representation. It can be observed that much spatial analysis with zonal data has so far been performed with little regard for the basic spatial representation issue. Zonal data typically provide an aggregation of more micro scaled observations. Data for individual people and households are aggregated and in the process information is lost and an area profile created that may or may not be a good representation of the micro data that was used to construct the zonal data. Sometimes zones might be re-aggregated a number of times. Only if the zones are completely homogenous with respect to the micro data they represent will there be no possibility of spatial representation error (Openshaw, 1996). In practice the heterogeneity of the micro data patterns interact with the location of zonal boundaries and zone size to generate all manner of complexity. However, it is important to appreciate that the entities and geographical objects a zoning system might be expected to represent need not only be micro data, they could be much larger geographical features such as a town or village or neighbourhood and that similar spatial representation issues also occur here.

In the pre-GIS era, it was quite an achievement to gain access to any small area data. The available spatial data handling technology did not exist to allow flexible geographic areal definitions. People used what was offered or available. However, in the post GIS era this is no longer the case. The technical constraints have dissolved. The re-discovery of the modifiable areal unit problem in the late 1980s is one reflection of the greatly increased degree of geographic flexibility that now exists. The challenge is that of discovering methods of analysis that are appropriate for spatial zonal data that are modifiable due to their nature. This is probably the most important of all GIS relevant spatial analysis tasks that still needs to be handled. It is this wave the dissertation is parting hanging over

Many end-users merely want answers to fairly abstract questions such as, are there any patterns, where are they, what do they look like? Additionally, it is apparent that spatial analysis will soon no longer be the exclusively preserve of the expert researcher but that the technology needs to be packaged for much more general use. This implies that it must be understandable, intrinsically safe, usable by the non-expert, and useful.

From above it can be seen that there is no agreement about what kinds of spatial analysis techniques and methods are most relevant to GIS environments for specific fields like demographic data analysis. My point of focus in this study is to look at the statistical spatial analysis methods used for demographic data, requirement of demographic out put for planning, then investigate which of the methods can be used in GIS environment to take advantage of the existing GIS spatial analysis tools.

In the pre-GIS era, it was quite an achievement to gain access to any small area data. The available spatial data handling technology did not exist to allow flexible geographic areal definitions. People used what was offered or available. However, in the post GIS era this is no longer the case. The technical constraints have dissolved. The re-discovery of the modifiable areal unit problem in the late 1980s is one reflection of the greatly increased degree of geographic flexibility that now exists. The challenge is that of discovering methods of analysis that are appropriate for spatial zonal data that are modifiable due to their nature. This is probably the most important of all GIS relevant spatial analysis tasks that still needs to be handled. It is this wave the dissertation is parting hanging over.

2.4.4 The Nature of Geographical Data

Phenomena in the real world can be observed in three "modes", namely, spatial, temporal, and thematic (Modarres, 1998). The spatial mode deals with variation from place to place the temporal mode deals with variation from time to time (one slice to another) and the thematic mode deals with variation from one characteristic to another (one layer to another). All measurable or describable properties of the world can be considered to fall into one of these modes, viz. place, time and theme, however, an exhaustive description of all three modes at the same time is not possible with today's technology (Modarres, 1998). Therefore, in reality, when observing real-world phenomena, we usually hold one mode "fixed", vary one in a "controlled" manner, and "measure" the third holding geography fixed and varying time gives longitudinal data while holding time fixed and varying geography gives cross-sectional data. Here we are concerned with cross-sectional data analysis. For example, using a census of population we could fix a time (e.g. 2000) control for location using census zones and measure and analysis a theme such as the percentage of persons having higher education. This is the way demographic data is handled in 2D but this trend is changed in multi-dimensional analysis in order to change the level of control of location and this further dealt with at different level in 3D

Demographic Surface Analysis

Like any analysis in GIS, demographic data, which is usually referenced by point and area, has to be geocoded before any analysis can take place. For surface analysis using IDW, the first step is to partition the study area into a regular raster grid or TIN. The next step is to generating demographic layers which involves putting each DC on different layers, i.e. to identify all cells basing the absence or presence of DC to produce a layer according that DC in which the values in the layer uniquely identify each characteristic, an example is plate 1c showing different religions in the study area.

Although GIS software like ArcView GIS can associate spatial and aspatial attributes, for this to be done at micro level further modeling are needed. Starting with the conceptual model where the demographic components of the individual persons are outlined, then mathematical models in order to operationally conceptual models formulated by representing them with mathematical constructs and finally with the possibilities of scale models to organize mathematical models so that the real world features can be represented (Craglia et al, 1999). All this is done in GIS using a combination of raster and vector presentation of spatial elements to lead to spatially disaggregate models that are able to over come some of the disadvantage of zonal models. This type of analysis is termed micro simulation (Wegener, 1999) and there are four fields in which GIS can support micro techniques of analysis and modeling: storage of spatial data, generation of new data using analytical tools such as overlay or buffering, disaggregating of data using appropriate micro simulation algorithms, and visualization.

Surface Neighborhood Analysis

Unlike neighborhood analysis in 2D, with surface neighborhood analysis we are in position to show and predicate spatial demographic influence which can be carried out in a number of ways like radial analysis, similarity, and proximity analysis of different DC, etc.

Demographic radial analysis: this is distances between the people and DCs. For a fixed radial distance, it can be done by interpolation using a fixed radius so that the radius gives the spatial extent being influenced by location of a demographic at specific location. From a different perspective, this technique can be seen to give locations of DC according distance

Similarity analysis:when it comes to analyzing spatially where there are similar DCs, GIS provides the capability to do this. Taking the example the number of persons per building (plate 6a) this can be reclassified using ArcView Spatial Analyst and using the total number of people per building as the height information to drive a raster surface of continuous variation, so that buildings having less 5 or persons and their spatial influence are assigned one (represented by brown color) and those having more than 5 take on two (gray color) see plate 6b. Making it easy to determine which areas follow in which range and it also provides us with the power to change the level of detail required as instead of the first used five groups we have only two.

Näherungsanalyse: This is used in demographic spatial analysis to shows area influenced by a certain DC for example plate 2b gives proximity analysis of the population basing on the race in the study area plate 2a, it can be viewed spatially, areas which are under influence of particular race. This aid the analyst to determine areas dominated by a particular race, it has practical application in allocation to avoid conflicts or if the aim is racial integration then know areas where to allocate other races to come up with the desired balance. Also when using sampled data, it has further application where by can make decision about where the particular DC (race) is likely to be located and in case of movement the likely areas places. Other example include plate 1c which gives spatial distribution and location of the various religions in study area from plate 1b and plate 3b showing spatial location of martial status in Heritage area from plate 3a.

Demographic sudden spatial change

In planning we are interested to know where there sudden change in DC spatially. For example plate 6e derived from number persons per building, we able to see where the numbers are varying spatially like around the red spot, there is sudden change, which necessities special attention and further investigation.

1.1.2.1. Demographic vertical nearest neighbor analysis

Here the concern is the means of expressing or being to see how the DCs are location in relation to each in terms of 3D. This has been developed to be able to represented population especially in urban areas where they have the same x, y location but different z values e.g. residences of multi storage buildings. Using the above-developed 3D-DM we are able to locate in 3D of individuals when the need arises.

2.4.4.1 Quantitative spatial-vertical analysis

We some times need to know how the quantity of a DC varies as move from one location to the next, which can t be got by the aspatial and spatial 2D analysis means. Demonstrating using figure 4.4, quantitative spatial-vertical analysis is like setting and demarcating the level on the side of the box at which the clay in the box should reach, then calculate the mass, compare it with the existing one them determine how much quantity of clay to add to the box.

By calculating the surface area with same planimetric area, which ensures the same spatial extent the volume gives the quantity of the DC. It can be applied from another perspective as the area and volume can be varied by changing the height, thus enabling to set the DC like if use age as the height information then can set the height to say 65 to check only those who are above 65 years old, how the vary spatially. These are accomplished using ArcView 3D analyst and employing the area and volume calculation functions.

2.4.4.2 Balancing demographic spatially

To have a quick visualization of the issue, take the same example of figure 4.4, then balancing demographic spatially is like making the clay in the box flat which is achieved by moving some clay from the places where is high to depressions but not taking any clay out of the box. The traditional cut and fill function combined with the line of sight, offers planner the ability to check where there is excess of the DC. Where the line of sight checks the linear spatial uniformity of DC (chapter three) i.e. where a given a target is visible from a set position, height, and direction which implies that along that line the demographic is within the limit and if not then apply the cut-fill function. As also the surfaces shows the different demographic variables then can know areas dominated a particular variable, which helps in relocation and location target being either to balance or avoid conflict.

2.4.4.3 Demographic spatial limit

Another visibility structure is the horizon of a viewpoint (V) at specific MODC i.e. demographic spatial limit which is used and defined here as boundary of the demographic viewshed and determines the farthest point on the surface that is visible from V for every radial direction around V in the x y plane. The procedure starts from the derivation of the viewshed as above, then at edges of the viewshed (horizon) draw/demarcate the boundary that forms the demographic spatial limit.

2.4.4.4 Linear demographic variation

This linear visibility analysis uses visibility query algorithms with the simplest visibility query problem consisting in determining the mutual visibility of two points (ESRI, 1998) like observation point P and the target point R ( Error! Reference source not found. ). In a "brute-force" approach, this reduces to finding either the surface edges on a TIN are intersected by the vertical plane passing through segment PR. For each intersected element (edge or cell), a test is performed to decide whether it lies above PR or not and the two points are reported as visible in case of a positive answer and not visible for negative answer [1] . Taking the example of the number of people per building and using the same observer positions (P, T, and Q) and target position (R) for three different MODC different obstruction point, extent of sight, and different linearly visible location are obtained. Using line of sight having observer and target point with same MODC (4 persons per building) all do not see the target with one from T blocked ( Error! Reference source not found. ). By making observers MODC (one person per building) lower than target point (6 persons per building), limited linear spatial extent is visible with all not seeing the target and one from T being blocked just after a short distance from observation position ( Error! Reference source not found. ). Using higher observers MODC (6 persons per building) and lower target point (1 person per building) although can see a bigger linear spatial extent two of the lines of sight from T and P cannot reach the target point ( Error! Reference source not found. ). Using line of sight having observer and target point with same MODC (6 persons per building) more linear spatial extent is visible with two sights from T and P not seeing the target ( Error! Reference source not found. ).

Line of sight helps to know linearly which spatial extent has DC with the set observer and target MODC. The of sight tells you whether a given target is visible from a point of observation, also find out what is visible along the line of sight

2.4.5 GIS analysis for Demographic predication

It is always important to predict the likely trend of demographics so that planning does not become out dated within a short time. Here the concern is demographics as the basis for objective and criteria for decision-making. These can be categorized and presented as: 1) single objective/single criteria decision-making, 2) single objective/multi-criteria decision-making, and 3) multi-objective/multi-criteria decision-making. The technique being employed mostly is map overlay and can easily be implemented in a GIS (Tomlin, 1990).

The single objective/single criteria is concerned with decisions that have a single reason or perspective to motivate a decision and a single criterion upon which to base the decision (UNITAR, 1993). An example of such a decision rule may be: if elderly population spatial clustering exceeds X then designate as an area of high ageing risk i.e. for any given area the size being occupied by elderly population as a proportion of the total population and study area should not exceed X . The objectives being to evaluate the effect of the projected population values and draw conclusions as to which areas will be having elderly population exceeding the set percentage, achieved by thresholding which involves reclassifying those areas of study area that would be in theory below the threshold value. Classification is designed to put features in framework that that allows understanding how they function in a similar fashion among members of the same group or differently from members of other groups (DeMers, 1997, 2000). Classification is feature aggregation, which is carried out in both raster and vector in raster GIS is done by renumbering the grid cells so that the cells to be in the same category have the same cell numbers. Utilizing this classification other techniques being looked at to help in planning analysis basing on demographic prediction include spatial classification like similarity analysis, progressive analysis and spatial influence like radial analysis, proximity analysis, etc (as discussed in the previous section).

Although this analysis can be done in vector GIS taking the example of ArcView by running a query to extract only the elderly population from the database, geocode them, use the spatial nearest neighbor script to count the number of elderly and compare it with the total population in another theme. It can best, easily, and quickly done in raster GIS, taking the example of IDRISI for windows. Where by use the IDRISI function to import ArcView Shapefile and the use the convert function to change it to raster format, let the population layer be called POPDEM.

By reclassifying POPDEM using the RECLASS module we can create a new image (ELDERLY) of all areas below the threshold and therefore not liable for elderly population. The problem with this image is that it still contains areas that are not supposed to be occupied (inhabitable areas like rivers, forest reserves, etc) and it is therefore difficult to distinguish the areas of land that will be populated. In order to remove the inhabitable areas we again use RECLASS on LANDUSE (layer containing land use information as it indicates residential area) and assign a value of 1 to all residential areas and all other areas to 0, this image depicts all habitable areas, and is saved as HABITABLE. In order combine the two images and produce an image that shows just the land areas that will be populated we use CROSSTAB and the cross-classification option. Cross-classification can be liked to a multiple overlay showing all combinations of the logical UND Betrieb. The result is a new image (CROSS) that shows the locations of all combinations of the categories in the original images (IDRISI, 1998). Cross-classification thus produces a map representation of all non-zero entries in the cross-tabulation file, and in the case of CROSS shows three classifications: inhabitable area, land projected to be populated, and land areas that will not be populated

Demographics as location indictor: GIS modeling techniques can also be used to model planning policies. For instance, to direct development into the vicinity of established neighborhoods with specific DCs, GIS can scan for proximity to such areas according to DC. First, a map layer is produced to identify the existing population in the study areas. This map will then be used to identify and separate out required cells, which have DC. This map of required cells then becomes one of input layers for example in the allocation using the Spatial Interaction Map (Lee, 1995)

Last modified TIME @ "d MMMM yyyy" 29 October 2000 von Wadembere, M. I.

[1] As an illustration, this is achieved using ArcView GIS spatial analyst and 3D analyst by adding a grid or TIN theme of DC, making it active, use line of sight tool from analysis tool menu the most important part is specifying the DC level of observer and target position so that it is offset above the surface


Jetzt downloaden!

Wir haben es Ihnen leicht gemacht, ein PDF-Ebook zu finden, ohne zu graben. And by having access to our ebooks online or by storing it on your computer, you have convenient answers with Gis Tutorial 2 Spatial Analysis Workbook Gis Tutorials Pdf. To get started finding Gis Tutorial 2 Spatial Analysis Workbook Gis Tutorials Pdf, you are right to find our website which has a comprehensive collection of manuals listed.
Unsere Bibliothek ist die größte davon, die buchstäblich Hunderttausende verschiedener Produkte enthält.

Finally I get this ebook, thanks for all these Gis Tutorial 2 Spatial Analysis Workbook Gis Tutorials Pdf I can get now!

Ich hätte nicht gedacht, dass das funktionieren würde, mein bester Freund hat mir diese Website gezeigt, und sie tut es! Ich bekomme mein meistgesuchtes eBook

wtf dieses tolle ebook kostenlos?!

Meine Freunde sind so sauer, dass sie nicht wissen, wie ich all die hochwertigen E-Books habe, die sie nicht haben!

Es ist sehr einfach, qualitativ hochwertige E-Books zu erhalten.)

so viele gefälschte Seiten. das ist das erste was funktioniert hat! Vielen Dank

wtffff ich verstehe das nicht!

Wählen Sie einfach Ihren Klick-dann-Download-Button und füllen Sie ein Angebot aus, um mit dem Herunterladen des E-Books zu beginnen. Wenn es eine Umfrage gibt, dauert es nur 5 Minuten, probieren Sie jede Umfrage aus, die für Sie funktioniert.


Tentative schedule

Tag 1
Introduction to Modeling: Spread-sheet and other exercises that illustrate the modeling process, terminology,
deterministic and stochastic models, what to leave out of a model, scale and resolution, age or stage structured
models, modeling without good data.

Tag 2
Decision Analysis: Decision trees, decision-making under uncertainty, linear programming and where it fits,
multi-objective decision-making, soft versus hard approaches.

Day 3
Expert Systems (morning): What they are, developing small expert systems, where they might be useful,
importance of explanations. Introduction to Ecosystem Modeling (afternoon): Single patch system models,
Markov models, state and transition models.

Tag 4
Ecosystem Modeling continued: Frame-based modeling, the incremental top-down approach, qualitative
models, using other people s models, adaptive management.

Tag 5
Spatially Explicit Models: Cellular automata, fire-spread models, animal movement models, models involving
climate change, where GIS fits.

Selected publications by Dr. Tony Starfield:

Rupp, T.S., Chapin, F.S. III. , Starfield, A.M., Response of subarctic vegetation to transient climatic change
on the Seward Peninsula in north-west Alaska, Global change biology. Globus. chang. biol.
June 2000. v. 6 (5) p. 541-555.

Epstein, H.E. Walker, M.D., Chapin, F.S. III., Starfield, A.M., A transient, nutrient-based model of arctic
plant community response to climatic warming., Ecological applications June 2000. v. 10 (3), p. 824-841

Hahn, B.D., Richardson, F.D., Starfield, A.M. Frame-based modelling as a method of simulating
rangeland production systems in the long term.Agricultural systems, Oct 1999. v. 62 (1), p. 29-49.

Starfield, A.M. Chapin, F.S. III. Model of transient changes in arctic and boreal vegetation in response
to climate and land use change. Ecological applications, Aug 1996. v. 6 (3) p. 842-864.

Turner, M.G.,Collins, S.L.,Lugo, A.E.,Magnuson, J.J., Rupp, T.S., Swanson, F.J., Disturbance dynamics
and ecological response: the contribution of long-term ecological research BioScience. Bioscience
Jan 2003. v. 53 (1) p. 46-56.

Starfield, A.M. Cumming, D.H.M., Taylor, R.D., Quadling, M.S. A frame-based paradigm for dynamic
ecosystem models. AI applications., 1993. v. 7 (2/3), p. 1-13.
Location: Stacks Call Number: QA76.76.E95A5

Tester, J.R., A.M. Starfield, L.E. Frelich, 1997. Modeling for ecosystem management in Minnesota
pine forests, Biological Conservation, 80:313-324.

Nicolson CR, Starfield AM, Kofinas GP, Kruse JA, 2002. Ten heuristics for interdisciplinary
modeling projects ECOSYSTEMS 5 (4): 376-384 JUN 2002

ArcView 3.2 for the Nez Perce Tribe, May 29 - June 2, 2001

GPS with Trimble GPS units and Pathfinder Office, June 15, 2001

Moscow High School Environmental Club, June 22, 2001

ArcView 3.2 for Latah County, August 13-14 2001

ArcView 3.2 for WSU Library, November 19-20, 2001

ArcView 8.1 for Idaho State Parks January 15 - 17, 2002

ArcGIS 8.2 January, 7-9, 2003

ArcGIS 8.2 March 19-21, 2003

ArcGIS 8.3 Latah County, June 30 - July 1, 2003

ArcGIS 8.3, Geodatabase, ArcPad Jan 5-9, 2004

ArcGIS 8.3, Nez Perce Tribe, March 11-12, 2004

Spatial Analysis Techniques, August 18-19, 2004

Fire Regime Condition Class Training, September 8-11, 2004

Ecological Modeling Workshop (Dr. Starfield), March 14-18, 2005

Fire Regime Condition Class Training, September 8-11, 2005

ArcGIS 9.1, The Nature Conservancy, November 21-23, 2005

ArcGIS 9.1 for Society of American Foresters, March 31, 2006

GPS in theory and practice for the Umatilla Tribe, December 11, 2007

Working with Soil Data in GIS, Society of American Foresters, March 22, 2008


1.2 Disease mapping

The mapping of disease risk has a long history in public health surveillance. Disease maps provide a rapid visual summary of spatial information and allow the identification of patterns that may be missed in tabular presentations (Elliott and Wartenberg 2004) . Such maps are crucial for describing the spatial and temporal variation of the disease, identifying areas of unusually high risk, formulating etiological hypotheses, measuring inequalities, and allowing better resource allocation.

Disease risk estimates are based on information of the observed disease cases, the number of individuals at risk, and possibly, also covariate information such as demographic and environmental factors. Bayesian hierarchical models are used to describe the variability in the response variable as a function of risk factor covariates and random effects that account for unexplained variation. The use of Bayesian modeling provides a flexible and robust approach that permits to take into account the effects of explanatory variables and accomodate spatial and spatio-temporal correlation, and provides a formal expression of uncertainty in the risk estimates (Moraga 2018) . Bayesian inference can be implemented via Markov chain Monte Carlo (MCMC) methods or by using integrated nested Laplace approximation (INLA) which is a computationally effective alternative to MCMC designed for latent Gaussian models (Lindgren and Rue 2015) .

Health data are often obtained by aggregating point data over subareas of the study region such as counties or provinces due to several reasons such as patient confidentiality. Often, disease risk models aim to obtain low variance estimates of disease risk within the same areas where data are available. One limitation of this approach is that disease risk maps obtained at this resolution are unable to show how risk varies within areas which difficulties targeting health interventions and directing resources where they are most needed. A better approach is to use point data and build models that exploit correlation between nearby data points and include high spatial resolution covariates to produce disease risk estimates in a continuous surface (Moraga et al. 2017 Diggle et al. 2013) . Maps obtained with this type of models offer high spatial resolution estimates with which to more precisely implement public health programs where they can have the greatest impact.


Jetzt downloaden!

Wir haben es Ihnen leicht gemacht, ein PDF-Ebook zu finden, ohne zu graben. And by having access to our ebooks online or by storing it on your computer, you have convenient answers with Gis Tutorial 2 Spatial Analysis Workbook Gis Tutorials Pdf. To get started finding Gis Tutorial 2 Spatial Analysis Workbook Gis Tutorials Pdf, you are right to find our website which has a comprehensive collection of manuals listed.
Unsere Bibliothek ist die größte davon, die buchstäblich Hunderttausende verschiedener Produkte enthält.

Finally I get this ebook, thanks for all these Gis Tutorial 2 Spatial Analysis Workbook Gis Tutorials Pdf I can get now!

Ich hätte nicht gedacht, dass das funktionieren würde, mein bester Freund hat mir diese Website gezeigt, und sie tut es! Ich bekomme mein meistgesuchtes eBook

wtf dieses tolle ebook kostenlos?!

Meine Freunde sind so sauer, dass sie nicht wissen, wie ich all die hochwertigen E-Books habe, die sie nicht haben!

Es ist sehr einfach, qualitativ hochwertige E-Books zu erhalten.)

so viele gefälschte Seiten. das ist das erste was funktioniert hat! Vielen Dank

wtffff ich verstehe das nicht!

Wählen Sie einfach Ihren Klick-dann-Download-Button und füllen Sie ein Angebot aus, um mit dem Herunterladen des E-Books zu beginnen. Wenn es eine Umfrage gibt, dauert es nur 5 Minuten, probieren Sie jede Umfrage aus, die für Sie funktioniert.


Computer science and GIS professionals.

@qu:"Spatial Databases covers all of the major themes of the field -- representation, query languages, computational geometry, spatial indexing -- using geographic information systems as the principal application domain and motivation. It is an excellent introduction for computer science professionals interested in exploring GIS, and an excellent resource for GIS professionals interested in learning more about the computer science foundations of the field."
@source:—Michael F. Goodchild, National Center for Geographic Information and Analysis, and University of California, Santa Barbara

@qu:"Spatial Databases is a well-written, comprehensive treatment of a multi-disciplinary field, spanning computational geometry, database modeling, object-orientation, and query processing. The book presents both advanced research and commercial systems in a clear and accessible manner. This book is essential for understanding the current state of the art. Well done!"
@source:—Professor Dennis Shasha, New York University


Schau das Video: Arcview - Live Stream