DOMENA PUBLICZNA

luty
Publikacja ta jest elektroniczn wersj wydanej w 2008 roku ksiki pod tym
samym tytuem. Mam nadziej, e dziki jej udostpnieniu nadal bdzie
przydatna, a przy okazji bardziej dostpna. W tym roku planuj przeprowadzi jej
aktualizacj, ktra zostanie udostpniona w sieci. Bdy wydruku we wzorach
zostan wkrtce usunite.

Jacek Urbaski
Centrum GIS, Uniwersytet Gdaski
 JACEK URBASKI

GIS W BADANIACH PRZYRODNICZYCH

1. WPROWADZENIE 6

2. ZASTOSOWANIE GIS W BADANIACH NAUKOWYCH 18

2.1 Geomorfologia 19
2.2 Meteorologia i klimatologia 20
2.3 Hydrologia 21
2.4 Ekologia 23
2.5 Ochrona rodowiska 27
2.6 Geografia krajobrazu 28

3. DANE PRZESTRZENNE 30
3.1 POOENIE NA POWIERZCHNI ZIEMI 30
3.1.1 Ziemia jako paszczyzna 30
3.1.2 Ziemia jako kula 30
3.1.3 Ziemia jako elipsoida 31
3.1.4 Ukad odniesienia (datum) 34
3.1.5 Odwzorowania kartograficzne 36
3.1.6 UTM podstawowy ukad wsprzdnych w pracach naukowych 39
3.1.7 Maoskalowe odwzorowania europejskie 42
3.1.8 Polskie ukady wsprzdnych 44
3.2 MODELE DANYCH 47
3.2.1 Model danych - cyfrowa reprezentacja i struktura danych 47
3.2.2 Wektorowy model danych 50
3.2.3 Rastrowy model danych 53
3.2.4 Wektorowy model sieci 56
3.2.5 Wektorowy model TIN 58
3.3 POZYSKIWANIE DANYCH 60
3.3.1 Pomiary 60
3.3.2 GPS Globalny system okrelania pozycji 62
3.3.3 Cyfrowe dane przestrzenne dla Polski 64
3.3.4 Rejestracja w ukadzie wsprzdnych 78
3.3.5 Digitalizacja ekranowa 83
3.3.6 Niepewno i bdy mapy cyfrowej 86
4. PODSTAWOWE FUNKCJE ANALIZY WEKTOROWEJ 91
 4.1 Wizualizacja 91
4.2 Selekcja atrybutowa 96
4.3 Operacje w tablicy atrybutowej 98
4.4 Selekcja na podstawie relacji przestrzennych 105
4.5 Pozyskiwanie danych atrybutowych na podstawie relacji przestrzennych 107
4.6 Buforowanie 112
4.7 Nakadanie 114
4.8 Generalizacja 119

5. PODSTAWOWE FUNKCJE ANALIZY RASTROWEJ 122

5.1 Wizualizacja 123
5.2 FUNKCJE LOKALNE 128
5.2.1 Reklasyfikacja 128
5.2.2 Crosstabulacja 130
5.2.3 Statystyka 131
5.2.4 Obliczenia przy pomocy algebry map 132
5.3 FUNKCJE SSIEDZTWA 135
5.3.1 Statystyka 135
5.3.2 Grupowanie 137
5.4 FUNKCJE STREFOWE 138
5.4.1 Statystyka stref 138
5.4.2 Geometria stref 141
5.5 FUNKCJE GLOBALNE 142
5.5.1 Dystans 142
5.5.2 Alokacja 143
5.6 INTERPOLACJA 145
5.7 KONWERSJA WEKTOR-RASTER I RASTER-WEKTOR 148

6. ANALIZA TERENU I MODELOWANIE HYDROLOGICZNE 152

6.1 Tworzenie map DEM 153
6.2 Wizualizacja powierzchni terenu 156
6.3 PODSTAWOWE ATRYBUTY TOPOGRAFICZNE 158
6.3.1 Nachylenie 159
6.3.2 Kierunek nachylenia lub ekspozycja 161
 6.3.3 Krzywizna 161
6.4 WTRNE ATRYBUTY TOPOGRAFICZNE 165
6.4.1 TWI Topograficzny indeks wilgotnoci 165
6.4.2 SPI Indeks siy spywu 166
6.4.3 LS Wspczynnik zdolnoci transportowania osadu 167
6.4.4 Promieniowanie soneczne dochodzce do powierzchni Ziemi 168
6.5 MODELOWANIE HYDROLOGICZNE 169

7. ANALIZA ROZMIESZCZENIA ELEMENTW KRAJOBRAZU 182

7.1 Powierzchnia i proporcja klas na mapie 186
7.2 Liczba klas 187
7.3 Rnorodno krajobrazu 188
7.4 Zrnicowanie ksztatu elementw krajobrazu 191
7.5 Strefy centralne 193
7.6 Izolacja elementw krajobrazu 196
7.7 Granice i kontrast pomidzy elementami krajobrazu 198
7.8 Fragmentacja krajobrazu 200
7.9 Analiza cznoci pomidzy elementami krajobrazu 203

8. MODELOWANIE W GIS 207

8.1 Tworzenie modelu GIS 210
8.2 Modelowanie wskanikowe 213
8.3 Modelowanie przestrzenne 217
8.4 Modelowanie regresyjne 221

9. MODELOWANIE GEOSTATYSTYCZNE ROZMIESZCZENIA W PRZESTRZENI 223

9.1 Eksploracyjna analiza danych 227
9.2 Analiza zmiennoci przestrzennej 230
9.3 Modelowanie wariogramu 237
9.4 Otoczenia punktw estymowanych 241
9.5 ESTYMACJA ZA POMOC KRIGINGU 242
9.5.1 Kriging zwyczajny 244
9.5.2 Kriging blokowy 245
9.5.3 Kriging indykatorowy 246
 9.5.4 Kokriging 248

A. Literatura

B. Spis akronimw

C. Indeks

D. Spis ramek
1. WPROWADZENIE

GIS Geograficzne systemy informacyjne s jednym z trzech elementw nowej dziedziny

naukowej zwanej geotechnologi.

W 2004 roku ukaza si w Nature artyku (Gewin 2004) opisujcy dynamiczny rozwj
nowej dziedziny naukowej nazwanej geotechnologi i zrwnujcy jej wczesne
i perspektywiczne znaczenie z biotechnologi i nanotechnologi. Istot tego nowego kierunku
bada jest dostarczanie geoinformacji, czyli informacji o powierzchni Ziemi. Powsta on
w rezultacie integracji globalnego systemu okrelania pozycji (GPS Global Positioning
1
System) , teledetekcji (RS remote sensing) i geograficznych systemw informacyjnych (GIS
geographic(al) information system). Geoinformacj wyrnia jej element przestrzenny, ktrego
znaczenie obrazowo wyrazi Tobler w popularnym i powszechnie znanym tzw. pierwszym
prawie geografi: wszystkie elementy powierzchni Ziemi s ze sob powizane, ale lece bliej
siebie s powizane mocniej od znajdujcych si dalej. Uwzgldnianie wzajemnej lokalizacji
elementw powierzchni Ziemi stao si niezbdne przy rozwizywaniu wielu zagadnie
praktycznych i szukaniu odpowiedzi na rozliczne pytania badawcze. W artykule wspomniano
o tym, e coraz wicej multidyscyplinarnych projektw badawczych zawiera elementy
geoprzestrzenne.
Kada z tworzcych t now dziedzin skadowych suy do pozyskiwania lub analizy
danych przestrzennych (spatial data) opisujcych powierzchni Ziemi. GPS pozwala na
bezporedni pomiar pozycji, co umoliwia przypisanie wsprzdnych (najczciej
geograficznych) wszelkim pomiarom wykonywanym w terenie. Jest to system okrajcych
Ziemi satelitw nadajcych sygnay zawierajce bardzo dokadn informacj o czasie ich
wysania. Pozycja jest obliczana na podstawie okrelenia czasu jaki jest potrzebny aby sygna
dotar do odbiornika pomiarowego z co najmniej czterech satelitw. Koszt pomiaru (odbiornika
GPS) jest uzaleniony od wymaganej dokadnoci, ktra dla najtaszych urzdze nie jest gorsza
od kilkunastu metrw. Najbardziej precyzyjne odbiorniki maj dokadno rzdu centymetrw,
a zatem mona je porwna do tradycyjnych przyrzdw geodezyjnych. Metody teledetekcyjne
maj, w porwnaniu z GIS i GPS, najdusz histori sigajc czasw wynalezienia fotografii.
Pierwsze zdjcia powierzchni Ziemi z balonu zostay wykonane w 1858 roku i mog by
uwaane za pocztek 150-letniej historii coraz doskonalszych metod ich pozyskiwania,

1
Wszystkie wyraenia w jzyku angielskim sa pisane kursyw.
pocztkowo gwnie z samolotw, a nastpnie z satelitw. Ogromn zalet tej metody jest
uzyskiwanie chwilowego obrazu znacznego obszaru. Obecnie metody te s gwnym rdem
informacji o aktualnym stanie powierzchni Ziemi. Tak jak rozwj teledetekcji by logicznym
nastpstwem wynalezienia fotografii, tak geograficzne systemy informacyjne s nierozerwalnie
zwizane z rozwojem techniki komputerowej. Ich obecny ksztat jest rezultatem poczenia
wielu niezalenych inicjatyw, wywodzcych si z bardzo rnych dziedzin takich jak
meteorologia, geologia czy lenictwo, ktrych wsplnym celem byo wykorzystanie komputerw
do tworzenia map oraz przechowywania i analizowania danych przestrzennych.

GIS jest systemem komputerowym sucym do wszechstronnej analizy danych

przestrzennych.

W rezultacie powsta wszechstronny, zintegrowany i otwarty na nowe rozwizania zestaw

narzdzi komputerowych przeznaczony do analizy rnorodnych danych, posiadajcych
lokalizacj w przestrzeni. Skada si on najczciej z czterech podsystemw: (1) wprowadzania
danych z rnych rde i ich transformacji do postaci umoliwiajcej wspln analiz; (2)
organizowania, przechowywania i zarzdzania danymi; (3) analizowania danych, estymacji
i modelowania; (4) tworzenia produktw w postaci tablic, rysunkw i map. Poniewa modelem
przestrzeni geograficznej (powierzchni Ziemi) przez stulecia bya mapa, to wpyw kartografii
jako sztuki i nauki tworzenia map na obecny ksztat tych systemw jest bardzo duy. Istotn
rnic pomidzy GIS a wspczesn kartografi komputerow jest brak w tej drugiej
podsystemu analitycznego, zredukowany w porwnaniu z GIS podsystem przechowywania
danych i mniejsza rnorodno tworzonych produktw.

Ramka 1.1
Oprogramowanie GIS (ArcGIS firmy ESRI)

ArcGIS firmy ESRI to najczciej obecnie stosowany GIS na wiecie (w 2004 roku istniao 160
tysicy jego licencji i uywao go ponad milion osb). Jest on powszechnie wykorzystywany w
badaniach naukowych i edukacji. Komisja Europejska, a za ni Europejska Agencja rodowiska
(European Environment Agency) zalecia wykorzystywanie tego oprogramowania w projektach
dotyczcych zagadnie zwizanych z ochron rodowiska (EEA 2005). ArcGIS skada si z
trzech oddzielnych programw. ArcMap suy do edycji, wizualizacji oraz tworzenia produktw
analiz. Zespolony z nim ArcToolbox zawiera narzdzia do analizy danych. ArcCatalog peni
rol Windows Explorera dla geoinformacji, a wraz z narzdziami ArcToolbox tworzy
rodowisko zarzdzania danymi przestrzennymi. Szereg dodatkowych rozszerze programu
umoliwia specyficzne rodzaje analizy: Spatial Analyst analiz danych rastrowych; Network
Analyst analiz danych sieciowych; Geostatistical Analyst wykorzystywanie metod
geostatystyki do estymacji pl cigych (o wartociach okrelonych w kadym punkcie
przestrzeni) z danych punktowych, a 3D Analyst analiz danych w trzech wymiarach. Cay
system ArcGIS jest oferowany na trzech poziomach. ArcView jest najtasz i najubosz wersj,
ArcEditor posiada pene moliwoci edycji danych, a ArcInfo pene moliwoci zarwno
edycyjne, jak i analityczne. Program umoliwia tworzenie zintegrowanych z nim aplikacji
w rezultacie czego dostpnych jest szereg specjalistycznych narzdzi, tworzonych w rnych
orodkach naukowych i najczciej udostpnianych bezpatnie do celw badawczych.
Praktycznie wszystkie programy naukowe z zakresu analizy danych przestrzennych zapewniaj
eksport i import swoich danych do systemu ArcGIS. Programu mona nauczy si z podrcznika
przygotowanego przez ESRI Press, ktry zawiera 6-miesiczn licencj ArcView z wszystkimi
istotnymi rozszerzeniami.

Rys. 1.1 Wygld interfejsu uytkownika programu ArcMap (9.1). W lewym dolnym rogu zespolony z nim
ArcToolbox.

GIS ma 40 letni histori cile zwizan z tworzeniem, analizowaniem i wykorzystaniem

mapy numerycznej.

Powszechnie uwaa si, e idea i nazwa GIS narodzia si w Kanadzie w latach 60-tych
ubiegego wieku jako odpowied na zbyt wysokie koszty rcznego tworzenia wielowarstwowych
map pokrycia terenu. Technologicznie podobnym rozwizaniem by system komputerowy
wspomagajcy przestrzenn agregacj danych w amerykaskim spisie powszechnym, ktry
odby si kilka lat pniej. Konsekwencj tych dwch zakoczonych sukcesem przedsiwzi
byo zainicjowanie w laboratorium grafiki komputerowej na Uniwersytecie Harvarda projektu,
ktry zaowocowa powstaniem pierwszego GIS oglnego przeznaczenia ODYSSEY GIS. W
latach tych wiele narodowych agencji zajmujcych si tworzeniem map prbowao wykorzysta
rozwijajc si technolgi komputerow do celw kartograficznych. Pierwsz seri map
wykonanych technik komputerow byy mapy geologiczne wydane w Wielkiej Brytanii w 1973
roku. Podobne zainteresowanie wprowadzaniem nowej technologi wykazyway biura
meteorologiczne, wojsko oraz due firmy zajmujce si poszukiwaniem i wydobyciem
surowcw naturalnych. Efektem rnorodnych prac prowadzonych rwnolegle w wielu
miejscach byo stworzenie koncepcji mapy numerycznej.

Poprzednikiem i koncepcyjnym wzorcem dla mapy numerycznej bya mapa analogowa

(papierowa), ktrej podstawowymi cechami s skala, odwzorowanie, symbolizacja
i generalizacja.

Mapa papierowa, zwana take analogow ze wzgldu na to, e moe by wykonana na innym
ni papier trwaym materiale przez stulecia bya podstawow form przekazywania
informacji geograficznej. Jej najwaniejszymi cechami byy i s: (1) skala; (2) odwzorowanie,
czyli sposb przeniesienia informacji z powierzchni globu na powierzchni pask; (3)
symbolizacja, czyli sposb przedstawiania elementw i cech powierzchni Ziemi i zwizana z ni
(4) generalizacja, wynikajca z niemonoci przedstawienia wszystkich obiektw w ich
naturalnym ksztacie.
Skala mapy okrela stosunek odlegoci pomidzy odpowiadajcymi sobie elementami na
mapie i na powierzchni Ziemi. Moe by okrelana sownie jeden centymetr na mapie
odpowiada jednemu kilometrowi w terenie, jako uamek 1:100000 lub 1/100000, bd
graficznie. Ze wzgldu na to, e skal definiuje uamek, to warto skali jest tym mniejsza, im
wikszy jego mianownik. Std mapy wielkoskalowe to mapy o maych wartociach w
mianowniku. Skala map papierowych niezalenie od tego, czy zostay wykonane rcznie, czy
wydrukowane po zaprojektowaniu ich za pomoc komputera jest staa, a z jej wartoci
zwizana jest szczegowo mapy, czyli liczba obiektw na jednostk powierzchni Ziemi. Im
wiksza skala tym bogatsza w szczegy moe by mapa, jednoczenie obejmujc mniejsz
powierzchni. Na mapach wywietlanych na ekranie monitora skala moe by dowolnie
ksztatowana za pomoc zwikszania lub zmniejszania obrazu. Jej szczegowo jest natomiast
z jednej strony okrelona liczb dostpnych elementw mapy, z drugiej moliwociami
wizualizacji. Nie ma moliwoci przedstawienia miliona punktw na 100 cm2 powierzchni
ekranu, poniewa punkty bd niewidoczne lub utworz jednolit paszczyzn. Skala mapy ma
bezporedni zwizek z jej dokadnoci. Dla map papierowych przyjmuje si, e bd pooenia
elementw na mapie wynosi 0,5 mm w skali mapy. Aby obliczy dokadno danej mapy w
metrach naley mianownik skali podzieli przez 2000 (np. dla mapy 1:50000, 50000/2000=25,
czyli bd pooenia dowolnego elementu na mapie nie powinien by wikszy od 25 m). Z tego
te powodu dla map komputerowych, ktre mog by wywietlane w dowolnej skali, podaje si
informacj jakiej skali odpowiada jej poziom dokadnoci, aby mc okreli spodziewany
poziom bdu.
Przy przeksztacaniu zakrzywionej powierzchni Ziemi na pask powierzchni mapy
powstaj znieksztacenia. Wynikaj one z niemonoci jednoczesnego zachowania czterech
charakterystyk opisujcych wierno odwzorowania elementw przestrzennych: kierunku,
odlegoci, powierzchni i ksztatu. Mnogo stosowanych odwzorowa kartograficznych [patrz
podroz. 3.1.5] wynika midzy innymi z potrzeby wykorzystywania takiego, ktre powoduje jak
najmniejsze znieksztacenia charakterystyk istotnych dla danego zastosowania. Sposoby
symbolizacji powierzchni Ziemi na mapach papierowych, czyli metody przekazu informacji
geograficznej, tworzyy si przez wieki jak efekt wzajemnych oddziaywa sztuki, nauki i
techniki [patrz podroz. 4.1].

Mapy stanowi model rzeczywistoci. Na mapach numerycznych tworzony on jest z

danych przestrzennych zorganizowanych pod wzgldem fizycznym i logicznym w modele
danych.

W momencie tworzenia koncepcji mapy numerycznej istnia ju symboliczny model

rzeczywistoci stosowany do jej reprezentowania na mapach papierowych, std cakiem
naturaln bya tendencja do jego wykorzystania. Istotn cech tego modelu rzeczywistoci bya
jego warstwowo. Wynikaa ona zarwno z tematycznego podziau treci mapy, jak i techniki
jej projektowania i druku. Warstwy okrelonej treci byy wykorzystywane do tworzenia map
tematycznych (np. gleb, osadnictwa czy klimatu). Model uwzgldnia warstwy pl cigych (z
wartoci okrelon w kadym punkcie), z ktrych najistotniejsz bya warstwa opisujca
uksztatowanie terenu, oraz warstwy obiektw dyskretnych (posiadajcych granice) w postaci
linii (np. rzeki, drogi), punktw (np. miasta na mapie maooskalowej, punkty pomiarowe), jak
rwnie wielobokw (np. lasy, jeziora). Pola cige byy przedstawiane na mapach w formie linii
o jednakowych wartociach (izolinii, poziomic lub warstwic), natomiast do przedstawiania
obiektw dyskretnych wykorzystywano rnego rodzaju symbole punktowe, liniowe i
powierzchniowe (szraf). Ten wypracowany przez stulecia model rzeczywistoci zosta
przeksztacony do postaci numerycznej.
Podstawowym skadnikiem numerycznego modelu rzeczywistoci s dane przestrzenne.
Stanowi one specjalny rodzaj danych, w ktrych obok wartoci mierzonej zmiennej uwzgldnia
si pooenie w przestrzeni geograficznej, ktra jest czasem rozszerzana na czasoprzestrze. W
zwizku z tym skadaj si one z dwch czci pierwszej zawierajcej warto zmiennej
(dane atrybutowe) oraz drugiej okrelajcej lokalizacj, czyli pooenie w przestrzeni (dane
graficzne lub geometryczne). Zmienne mog by rnego typu: (1) jakociowe lub nominalne
(nominal), np. wir, 23078, rezerwat; (2) porzdkowe (ordinal lub rank), np. przydatne,
obojtne, nieprzydatne, 0,1,2,3 klasa czystoci; (3) liczbowe o charakterze ilociowym, np.
1.23, 7). Zmienne liczbowe w zalenoci od tego, czy posiadaj zero absolutne (jak np.
temperatura w stopniach Kelwina), czy wyznaczone arbitralnie (jak np. temperatura w stopniach
Celsjusza), s dzielone na zmienne ilorazowe (ratio) i interwaowe (interwal). Zalicza si do
nich take zmienne otrzymane w rezultacie policzenia (np. 122 komrki) i zmienne kierunkowe
lub cykliczne (directional, cyclic), np. 0 360 kierunek wiatru, XII V miesice. Pod wzgldem
pooenia w przestrzeni dane mog mie charakter dyskretny albo cigy. Dane dyskretne
tworz obiekty posiadajce granice. Stanowi je punkty, linie lub wieloboki (polygons). Mog
by one otoczone przez pust przestrze, albo tworzy zwart mozaik obiektw (w przypadku
wielobokw). Dane cige s okrelone dla kadej moliwej lokalizacji, moliwe jest ich
zdefiniowanie jako brak danych (no data), a jedynym ograniczeniem ich wystpowania jest
ramka mapy. Dane dyskretne mog zosta przeksztacone na dane cige za pomoc interpolacji
[patrz podroz. 5.6 i 9.5], a dane cige na dyskretne za pomoc ekstrakcji [patrz podroz. 4.5 i
ramka 4.5]. Przestrzenna cz danych opisuje lokalizacj w pewnym ukadzie wsprzdnych.
Dla powierzchni Ziemi jest to najczciej ukad wsprzdnych geograficznych, w ktrym
lokalizacja jest okrelana za pomoc szerokoci i dugoci geograficznej.
Kolejnym krokiem w tworzeniu koncepcji mapy numerycznej byo okrelenie logicznej i
fizycznej struktury danych, aby mogy by z jednej strony przechowywane, przetwarzane i
analizowane za pomoc systemw komputerowych, a z drugiej wykorzystane do reprezentacji
wiata rzeczywistego. Okrelono dwa podstawowe modele danych: rastrowy i wektorowy
(Rysunek 1.2). Model rastrowy jest przeznaczony gwnie dla danych cigych i odpowiada z
jednej strony mechanizmowi wywietlania obrazu na ekranie, a z drugiej tablicy
dwuwymiarowej bdcej podstawow struktur danych w programowaniu komputerowym i
strukturze macierzy.
 Model skada si z mozaiki kwadratw zwanych komrkami lub pikselami, o bokach
rwnolegych do osi ukadu wsprzdnych. Parametrami okrelajcymi pooenie rastra w
przestrzeni jest rozmiar komrki rastra i wsprzdne jednego z jego rogw. Kada komrka
rastra zawiera jedn warto zmiennej. Reprezentuje ona jej warto dokadnie w rodku (w
punkcie) komrki rastra, albo redni na powierzchni danej komrki rastrowej. Zmienne mog
by dowolnego typu (z opisanych wyej). Kady raster tworzy oddzieln warstw (raster layer)
w warstwowym modelu danych. Zdjcia cyfrowe, skany lub macierze maj charakter danych
rastrowych.
Model wektorowy, przystosowany do reprezentacji danych dyskretnych, bazuje na
geometrii analitycznej, a jego podstawowym elementem konstrukcyjnym jest punkt.
Analogicznie do modelu mapy papierowej moemy budowa trzy typy warstw wektorowych. Ze
wzgldu na to, e obiekty geometryczne stanowi tylko graficzn cz danych ,doczono do
nich identyfikatory czce dane graficzne ze zmiennymi atrybutowymi znajdujcymi si w
tablicy relacyjnej bazy danych. Pierwszym typem danych wektorowych jest warstwa punktw
(point layer). Drugim warstwa polilinii lub linii amanych (line layer), kada opisana zbiorem
punktw tworzcych acuch odcinkw. Trzecim warstwa wielobokw lub poligonw (polygon
layer) majca analogiczn budow co polilinia, ale zakoczona dodatkowo odcinkiem
pomidzy ostatnim punktem a pierwszym zamykajcym polilini w wielobok.

Rys. 1.2 Reprezentacja rzeczwistoci (powierzchni Ziemi) za pomoca modelu wektorowego (z lewej) i rastrowego
(z prawej). Model wektorowy jest zbudowany z punktw, linii i wielobokw (mona za jego pomoc opisa
szczegy w dowolnej skali). Model rastrowy zbudowany jest z komrek (widocznych na powikszonym
fragmencie obrazu), ktrych rozmiar ogranicza skal moliwych do opisania szczegw.
Mapa numeryczna daje cakiem nowe moliwoci przetwarzania, wizualizacji, analizy i
prezentacji danych przestrzennych w projektach badawczych. Technologia ta znajduje si
obecnie w zaawansowanej fazie dynamicznego rozwoju, w ktrej wikszo podstawowych
problemw zostaa ju rozwiazana.

Kada warstwa mapy papierowej moe by zastpiona warstw numeryczn. Z warstw

rastrowych mona automatycznie wyznacza izolinie (contours), a warstwy wktorowe rysowa
za pomoc odpowiednich symboli. W rezultacie w peni zautomatyzowano tworzenie mapy.
Kada warstwa mapy moe zawiera bardzo wiele elementw. Aby mc nimi sprawnie
zarzdza wykorzystano komputerowe bazy danych. Utworzony system pozwala na prost i
cig aktualizacj map. Uwzgldniajc wybrany podzbir warstw i stosujc rne warianty
symbolizacji mona atwo tworzy rnorodne mapy tematyczne. Mapa numeryczna rozwizaa
problem wykonywania pomiarw dugoci, powierzchni i objtoci na mapie. Sprowadzenie
caej treci mapy do postaci cyfrowej umoliwia przeliczanie wsprzednych z jednego
odwzorowania do drugiego i proste krelenie siatki geograficznej. Powstaa wreszcie moliwo
wytyczenia cakiem nowych drg analizy danych przestrzennych. Warstwy ze wzgldu na
wsplne pooenie w przestrzeni mog by na siebie nakadane (overlay), co daje moliwo
tworzenia nowych obiektw dziedziczcych atrybuty z kolejnych warstw. Z kolei dowolne
obiekty mog by otaczane buforami (tworzcymi now warstw), czyli wielobokami
wyznaczajcymi obszary lece nie dalej od obiektu ni zadana warto graniczna (Rysunek
1.3). Ju te dwie operacje bdce zautomatyzowaniem procedur manualnych, ze wzgldu na
nieporwnywalny czas realizacji, daj istotne moliwoci analityczne.

Rys. 1.3 Rzeki otoczone buforami o rozmiarze 1 km.

 Jednak aby mc korzysta z tych nowych moliwoci konieczne byo przeniesienie
kartograficznej informacji analogowej (z map papierowych) do postaci cyfrowej. Jak ogromnego
nakadu pracy wymagao to przedsiwzicie moe wiadczy fakt, e dopiero w 1995 roku
Wielka Brytania, jako pierwszy kraj, uporaa si z zamian do postaci cyfrowej 230 tysicy map
wielkoskalowych (w skalach od 1:1250 do 1:10000) pokrywajcych cay obszar kraju.
Przenoszenie dyskretnych obiektw analogowych do postaci cyfrowej odbywa si za
pomoc techniki zwanej digitalizacj. Przez wiele lat do tego celu uywane byy urzdzenia
zewntrzne zwane digityzerami. Skaday si one z deski na ktrej rozkadano map i urzdzenia
podobnego do myszy komputerowej wyposaonej dodatkowo w celownik, ktry mona byo
dokadnie umieci nad dowolnym punktem mapy. W desce znajdowaa si gsta druciana
siatka, ktra umoliwiaa okrelenie pozycji celownika na desce i przesanie jej wsprzdnych
do komputera. Wszystkie wektorowe elementy mapy: punkty, linie i wieloboki byy punkt po
punkcie wczytywane do komputera. Wzrost jakoci obrazu monitorw komputerowych i
pojawienie si skanerw umoliwio przeniesienie caej procedury na ekran komputera.
Na pocztku lat 80tych XX wieku gwatowny rozwj technologii informatycznej
zapocztkowa trway spadek cen systemw komputerowych nadajcych si do pracy z
oprogramowaniem GIS. Powikszyo to znacznie krg potencjalnych uytkownikw, midzy
innymi o naukowcw, a w rezultacie liczb i jako oferowanych systemw GIS. W okresie tym
w orodkach naukowych i akademickich czsto tworzono wasne aplikacje realizujce rne
zadania zwizane z analiz danych przestrzennych. Pojawienie si oglnodostpnej informacji
satelitarnej dziki umieszczeniu na orbicie w 1972 roku satelity LANDSAT 1, dao pocztek
rosncej z roku na rok iloci informacji pozyskiwanej metodami teledetekcyjnymi [patrz
podroz. 3.3.3 i ramka 3.8]. W roku 1986 ukaza si podrcznik akademicki (Burrough 1986)
przedstawiajcy podstawy GIS jako zwart cao, a w rok pniej ukaza si pierwszy numer
czasopisma naukowego powiconego GIS International Journal of Geographical Information
Systems, noszcy obecnie nazw International Journal of Geographical Information Science.
W tym samym czasie za spraw programu MapInfo systemy GIS wkroczyy na poziom
komputerw osobistych. Rozwj nauki zwizanej z t technologi oraz jej dostpno sprawiy,
e zacza ona by postrzegana jako narzdzie pracy naukowej w rnych dziedzinach.
Jakkolwiek idea warstwowego modelu powierzchni Ziemi pozostaa niezmieniona, to
wiele pocztkowych koncepcji ulego znacznym modyfikacjom i rozbudowie. Bazy danych
stay si nieodcznym i istotnym elementem systemw GIS. Wykorzystywanie oglnie
stosowanych relacyjnych baz danych (np. Microsoft Access, Oracl, SQL/Server, dB2)
spowodowao wiksz elastyczno w operowaniu danymi i moliwo ich wymiany z innymi
programami (np. statystycznymi). Pozwala to take na stosowanie standardowego jzyka zapyta
do danych atrybutowych jakim jest SQL (Structured (Standard) Query Language). Obecnie
istniej dwie metody organizacji danych przestrzennych. Pierwsza tradycyjna przechowuje
warstwy jako oddzielne zbiory plikw, przy czym wektorowe dane atrybutowe s
przechowywane w tablicach (np. dBASE). Druga wszystkie dane przechowuje w jednej bazie
danych, tego typu bazy nosz nazw geobaz danych (geodatabase). Stosowanie geobaz opartych
na powszechnie uywanych bazach danych posiada zalety, ktre uwidaczniaj si zwaszcza w
duych projektach, bd przy tworzeniu zbiorw danych dla wielu uytkownikw.
Modele danych uywane w systemach GIS ulegy rozbudowie, a samo znaczenie pojcia
modelu danych nabrao szerszego znaczenia. Powstay specjalistyczne modele danych (np.
hydrologiczny model danych ArcHydro [patrz ramka 6.3], umiejscowione w relacyjnych bazach
danych, ktre oprcz zestawu warstw zawieraj zdefiniowane relacje pomidzy ich tablicami
atrybutowymi. GIS okaza si wyjtkowo przydatny w analizach, ktrych istotnym elementem
jest uksztatowanie terenu. Cyfrowy model terenu DEM lub DTM (digital elevation / terain
model), w polskiej literaturze wystpujcy czasem jako NMT (numeryczny model terenu),
najczciej jest realizowany jako warstwa rastrowa. Problemy z dokadnym odwzorowaniem
niecigoci w uksztatowaniu terenu, zarwno naturalnych (np. klify) jak i powstaych w
rezultacie dziaalnoci czowieka (np. wykopy, nasypy) doprowadzi do powstania modelu TIN
(triangulated irregular network) opartego na sieci nieregularnych trjktw pokrywajcych cay
teren z wartociami wysokoci przypisanymi do ich wierzchokw [patrz podroz. 3.2.5].
Pojawiy si modele sieciowe, wykorzystywane np. do analizowania spywu wody w sieci
rzecznej oraz modele stosujcy dynamiczn segmentacj pozwalajce na analizowanie
rnorodnych i zmieniajcych pooenie w czasie obiektw rozmieszczonych na modelu
liniowym [patrz podroz. 3.2.4].
Oddzielnym problemem zwizanym z bazami jest przechowywanie i zarzdzanie
olbrzymi iloci danych. Przykadowo globalny DEM o rozmiarze komrki rastra 1 m
15
wymagaby 1 Pedabajta (Pb) czyli 1x10 bajtw (miliona gigabajtw). W rezultacie opracowano
rne metody kompresji danych i indeksowania przestrzennego, dajce moliwo szybkiego
dostpu do okrelonego ich podzbioru. Wprowadzono standardowe metody opisu danych
metadane (metadata) dostarczajce informacji o pochodzeniu, dokadnoci i sposobie utworzenia
danego zbioru danych [patrz ramka 3.12]. Tego typu informacje s niezbdne przy
wykorzystaniu danych do pracy naukowej. Obecnie systemy GIS umoliwiaj czytanie,
tworzenie i edycj metadanych zapisywanych w rnych formatach. Kolejnym problemem
wymagajcym rozwizania przy przejciu do technik cyfrowych by problem tzw. generalizacji.
Zarwno w procesie tworzenia mapy, jak i analizie moe powsta sytuacja, kiedy warstwa
danych zawiera zbyt duo szczegw. Szczeglnie kopotliwe moe to by przy danych
wektorowych. Problem generalizacji moe si take wiza z wymagan skal analizowania
danego zjawiska. Opracowano szereg metod, ktre umoliwiaj redukcj liczby danych
wektorowych z zachowaniem podanej informacji [patrz podroz. 4.8 i ramka 4.6]. Potrzeba
zwikszenia efektywnoci przetwarzania i edycji danych wektorowych oraz kontroli
poprawnoci danych graficznych doprowadzia do zastosowania w GIS metod topologicznych.
We wprowadzonym w 1981 roku programie ArcInfo, ktrego nastpc jest obecnie ArcGIS,
zastosowano topologiczny model danych wektorowych oparty na pojciu wza i uku (arc-
node). Obecnie rozwizanie to zostao zastpione przez stosowanie zasad topologicznych
bezporednio w procesie edycji i analizy danych. Ze wzgldu na rnorodno rodzajw i
formatw danych zawierajcych informacj przestrzenn oraz wielo systemw GIS,
niezbdne byo take zapewnienie moliwoci integracji w procesie analizy rnych rodzajw
danych i importu danych o rnych formatach.
Pozyskiwanie danych i wprowadzenie ich do systemu poprzedza wykonywanie analiz. Ze
wzgldu na pochodzenie dzielimy dane na pierwotne i wtrne. Dane pierwotne obejmuj
wszelkie dane pomiarowe, w tym wyniki pomiarw teledetekcyjnych cyfrowe zdjcia
lotnicze lub satelitarne. Dane wtrne s pozyskiwane przez transformacj danych pierwotnych
lub przeksztacanie danych analogowych do postaci cyfrowej, co obecnie wykonuje si gwnie
za pomoc skanowania. Przewaajca cz pomiarw terenowych oraz wynikw modelowania
i analiz statystycznych, ktre s robione w czasie prac badawczych ma charakter punktowy. Aby
mogy by analizowane w GIS naley przeprowadzi ich rejestracj czyli powizanie informacji
z lokalizacj w okrelonym ukadzie wsprzednych. Rejestracja dotyczy take danych
teledetekcyjnych, jednak najczciej dostarczane produkty do wykorzystania w GIS sa ju
zarejestrowane. W przypadku danych wtrnych, np. zeskanowanych map analogowych lub zdj
lotniczych, rejestracja musi by przeprowadzona przed ich dalszym wykorzystaniem. GIS jest
wyposaony w odpowiednie narzdzia do przeprowadzania zarwno rejestracji danych
rastrowych jak i wektorowych [patrz podroz. 3.3.4]. Mierzone dane punktowe (dyskretne) s
czsto przetwarzane do danych cigych w formacie rastrowym . Proces estymacji lub
prognozowania wartoci zmiennej w punktach lecych pomidzy punktami pomiarowymi nosi
nazw interpolacji. Istnieje wiele metod interpolacji [patrz podroz. 5.6 i 9.5], istotny jest take
waciwy dla danego projektu schemat prbkowania, czyli sposb rozmieszczenia w przestrzeni
punktw pomiarowych [patrz podroz. 3.3.1 i ramka 3.4].
 Efektywna praca w systemie GIS i zapewnienie moliwo wprowadzania danych i
prowadzenia wielu analiz danych przestrzennych wymaga, aby program by wyposaony w
graficzny interfejs uytkownika (GUI). S to interfejsy typu WIMP (windows, icons, menu,
pointer) umoliwiajce efektywn wizualizacj danych oraz intuicyjne poruszanie si w systemie
(przykad ramka 1.1). Istotnym narzdziem eksploracji, analizy, syntezy i prezentacji danych
jest wizualizacja danych przestrzennych, zwana geowizualizacj [patrz podrozdzia 4.1 i 5.1].
Wykorzystuje si w niej zapytania (query) realizowane za pomoc SQL w tablicach danych
atrybutowych. W GIS istnieje dodatkowo moliwo definiowania zapyta przestrzennych
(spatial query), ktre uywaj przestrzennych relacji pomidzy obiektami dwch rnych
warstw. W ten sposb mona wyznacza np. obiekty jednej warstwy, ktre przecinaj, stykaj
si lub le w pobliu wybranych obiektw innej warstwy.

Metody analizy danych przestrzennych pozwalaj na rnorodne wykorzystanie map

numerycznych w pracy naukowej, w tym na tworzenie modeli GIS.

Rozwj metod analizy danych przestrzennych mia ogromny wpyw na ewolucj GIS.
Najbardziej oglnie mona je podzieli na metody transformacji danych przestrzennych
(zarwno wektorowych jak i rastrowych) wywodzce si z rozbudowy analitycznych moliwoci
GIS i statystyk przestrzenn (geostatystyk, statystyk danych powierzchniowych i
punktowych). Powszechnie uyteczne metody statystyki przestrzennej byy i s wprowadzane
do posiadajcych szeroki krg uytkownikw programw komercyjnych (np. rozszerzenie
geostatystyczne i narzdzia statystyki przestrzennej w ArcGIS). Specjalistyczne techniki
badawcze s natomiast dostpne dziki tworzeniu samoistnych aplikacji (np. programy SAGA
[patrz ramka 6.2], Fragstats [patrz ramka 7.1], Garp [patrz podroz. 2.4]), rozszerze do ju
istniejcych programw (np. rozszerzenia do ArcGIS takie jak ArcHydro Tools [patrz ramka 6.3]
albo Hawths Analysis Tools [patrz ramki 3.4, 3.10 i 5.3] ) lub pakietw funkcji w specyficznym
rodowisku programowania jakim jest R [patrz ramka 8.2] (np. pakiety gstat, spatial)
tworzonym w rodowisku naukowym.
Istniej dwa istotne aspekty analizy danych przestrzennych w rodowisku GIS. Pierwszy
wynika z przestrzennej autokorelacji (spatial autocorrelation) danych. Efekt zwikszania si
rnicy w podobiestwie danych wraz ze wzrostem ich wzajemej odlegoci jest kluczem do
zrozumienia przestrzennej zmiennoci danych i wykorzystania jej w interpolacji. Podobnie
przydatne mog by miary wzajemnej zmiennoci rnych zmiennych (kowariancji).
Zrozumienie istotnych skal procesw i dopasowanie do niej waciwego poziomu szczegw
jest niezbdne do budowy odpowiedniej ich reprezentacji w postaci modelu rzeczywistoci.
Naley zwrci uwag, e istnienie zalenoci pomidzy danymi zaprzecza podstawowemu
zaoeniu klasycznych metod statystycznych o niezalenoci danych. Drugim istotnym aspektem
jest pojcie niepewnoci (uncertainty). Wynika ona z tego, e tworzona reprezentacja
rzeczywistoci jest niekompletna zarwno pod wzgldem przestrzeni jak i czasu. Istniej trzy
podstawowe rda pojawiajcych si bdw. Po pierwsze uproszczenia wprowadzane do
koncepcyjnego modelu rzeczywistoci. Po drugie bdy pomiarowe i wynikajce z interpolacji
pomiarw w miejscach nieprbkowanych. Po trzecie bdy powstajce w procesie analizy i
towarzyszcej jej propagacji istniejcych bdw. Podstaw przyjcia rezultatw analizy jako
istotnych musi by przekonanie, e bdy nie maj wpywu na wynikajce z analizy konkluzje.
Modelowanie przestrzenne w GIS (tworzenie modeli GIS) [patrz rozdzia 8] polega na
poczeniu oglnej wiedzy o zjawiskach przyrodniczych lub spoecznych ze szczegow
informacj zapisan w modelu danych (bazie danych) do symulacji procesw majcych
odniesienie przestrzenne lub czasowo-przestrzenne. Podstawowym zagadnieniem w procesie
modelowania jest znajomo fizyki lub statystyki danego procesu oraz dobr odpowiedniej
rozdzielczoci (skali) przestrzennej i czasowej danych, jak rwnie zakresu prowadzenia analizy.
Wydziela si kilka rodzajw modeli GIS. Najprostszym rodzajem modeli s modele
kartograficzne (zwane take algebr map) polegajce na wykorzystaniu sekwencji prostych
funkcji i procedur GIS. Najczciej obecnie stosowanymi modelami GIS s modele statyczne.
Ich istot jest zaoenie, e analizowany proces nie zmienia si w czasie. Wykorzystuj
Najczciej uywaj one wielu danych wejciowych (w postaci map cyfrowych) i tworz jedn
map wyjciow (np. model wydzielenia zlewni, dopywu redniego promieniowania
sonecznego czy rozmieszczenia organizmw). Ostatnio coraz czciej wyraane jest zdanie, e
przyszoci GIS s modele dynamiczne symulujce zmiany w czasie.
2. ZASTOSOWANIE GIS W BADANIACH NAUKOWYCH

W roku 1992 Michael Goodchild wprowadzi nazw Geographic Information Science dla
wszystkich zagadnie naukowych zwizanych z tworzeniem i wykorzystaniem geograficznych
systemw informacyjnych. Naukowe podejcie do podstaw GIS jest formuowane przez szereg
nowo powstaych specjalnoci naukowych takich jak: geomatyka (geomatics), geoinformatyka
(geoinformatics) czy geoinformacja (geoinformation), ktre zajmuj si podobnymi
zagadnieniami, a rnice w nazwie wynikaj czsto gwnie z powodw jzykowych. Dojrzao
i samodzielno tych nowo powstaych dziedzin naukowych potwierdzaj znaczce monografe
akademickie i liczce si czasopisma naukowe. Obecnie dostpne s zarwno uznane
monografie np. Geographical Infornation Systems: Principles, Techniques, Management and
Applications, ktra ukazaa si po raz pierwszy w 1999 roku (Longley i in. 2005), a jej polskie
wydanie ukazao si w styczniu 2007 jak i renomowane czasopisma naukowe, np.
International Journal of Geographical Information Science, Cartography and Geographic
Information Science czy Computers and Geosciences. Ostatnio zaczy ukazywa si czasopisma
interdyscyplinarne, wice zagadnienia geoinformacji z dziedzinami naukowymi, w ktrych
GISy s wykorzystywane do rozwizywania problemw naukowych. Przykadem takiego
czasopisma moe by ukazujce si od 2005 roku Ecological Informatics, wydawane przez
Elsevier.
GIS zaoferowa badaczom rnych dyscyplin cakiem nowe moliwoci dokonywania
przestrzennej analizy ilociowej. Da im narzdzie wspomagajce przestrzenny sposb mylenia,
co pozwala na testowanie hipotez dotyczcych przyczyn i prognoz rozmieszczenia naturalnych,
jak rwnie antropogenicznych elementw na powierzchni Ziemi. Pozwoli take na integracj
wasnych danych ze szczegowymi danymi pomocniczymi, takimi jak DEM czy zdjcia
satelitarne. Te moliwoci zostay dostrzeone i wykorzystane w takich dziedzinach, jak
geologia, geofizyka, oceanografia, nauki rolnicze, biologia, a szczeglnie ekologia, biogeografia,
ochrona rodowiska, geografia, socjologia, antropologia, archeologia czy epidemiologia. Poniej
przedstawiono analiz wykorzystania GIS w prbie ponad 50 artykuw naukowych (pobranych
z przegldarki internetowej za pomoc czenia sowa GIS ze sowami charakterystycznymi dla
rnych dyscyplin naukowych), ktre ukazay si w rnych czasopismach w latach 20002005.
Znaleziono znaczce zastosowania w nastpujcych dziedzinach: geomorfologii (z geologi
i gleboznawstwem), meteorologii i klimatologii, hydrologii i oceanografii, biologii (szczeglnie
ekologii), ochronie rodowiska i geografii (krajobrazu), przy czym powyszy podzia naley
traktowa wycznie orientacyjnie i elastycznie. Ze wzgldu na specjalistyczny charakter tych
publikacji oraz rol jzyka angielskiego we wspczesnej nauce, cz terminw w nich uytych
pozostawiono w oryginalnej (angielskiej) postaci.
2.1 Geomorfologia
Wykorzystywanie GIS w badaniach geomorfologicznych i gleboznawstwie ma czsto
zwizek z analizami prowadzonymi na cyfrowym modelu terenu DEM. Przykadami takich
bada jest analiza czasowo-przestrzennych zmian wydm (Andrews i in. 2002) lub koryt
rzecznych (Reinfields i in. 2004), czy modelowanie procesw erozji rzecznej (Finlayson
i Montgomery, 2003). W badaniach zwizanych z erozj gleb powodowan przez spyw wd
opadowych czsto wykorzystywany jest model RUSLE (Revised Universal Soil Loss Equation).
Jest to model statyczny nadajcy si dobrze do implementacji w GIS [patrz podrozdzia 6.4.3].
Tuan i Shibayama (2003) wykorzystali RUSLE do oceny wpywu dugookresowych zmian
opadw na dopyw osadw do strefy brzegowej dla szeregu wielkich zlewisk. Ze wzgldu na to,
e cyfrowy model powierzchni Ziemi jest kluczowym metodologicznym zagadnieniem
wspczesnej geomorfologii, wiele prac powieconych jest zapewnieniu zgodnoci DEM
z istotnymi aspektami rzeczywistoci dla zapewnienia udanego rozwizywania okrelonych
problemw badawczych czy inynieryjnych. Przykadowo metoda obliczania zmiennych L i S
dla modelu RUSLE w GIS zostaa przedstawiona przez Hickeya (2000).
DEM pozwala na wyznaczanie rnych parametrw opisujcych rzeb, ktre nastpnie
mog by wykorzystane do budowy regresyjnych modeli GIS [patrz podroz. 8.4]. Venteris i
Slater (2005) zbudowali model regresyjny (logistic multiple-least squares regression) do
estymacji stenia wgla organicznego w glebie, w ktrym wykorzystano parametry (aspect,
concavity, convexity, cross sectional curvature, CTI compound topographic index, stream
power, slope length factor, longitudinal curvature, mean curvature, plan curvature, profile
curvature, RE(r) relative elevation, slope [patrz podroz. 6.3, 6.4 i ramka 6.2] ) wyznaczone z
modelu DEM, otrzymanego z digitalizacji poziomic mapy wielkoskalowej, oraz pomierzone
wartoci wgla organicznego.
Korzystajc z DEM mona za pomoc GIS przeprowadzi analiz morfometryczn
(rozmiarw, ksztatu i przestrzennego rozmieszczenia) rnych form rzeby. Wykorzystujc te
moliwoci oraz posugujc si zdjciami lotniczymi Federici i Spagnolo (2004) przeprowadzili
analiz statystyczn morfometrii ponad 400 alpejskich cyrkw lodowcowych stosujc szereg
parametrw morfometrycznych. Zjawiska powodujce zagroenia, takie jak lawiny lodowcowe,
powodzie spowodowane przez przerwanie naturalnych barier przez jeziora lodowcowe i
osuwiska s czstym tematem naukowych prac z zakresu geomorfologii. Huggel i in. (2004)
wykorzystali zdjcia satelitarne Landsata i Ikonosa, model DEM oraz funkcje analityczne
opisujce spyw po terenie [patrz podroz. 6.5] dla wykonania za pomoc GIS mapy zagroenia
powyszymi zjawiskami w dolinach grskich Alp Szwajcarskich. Przy modelowaniu osuwisk i
analizie stabilnoci stokw, ze wzgldu na ogromn pracochonno stosowanych dotychczas
metod, prbuje si wykorzysta modelowanie GIS zarwno na ldzie (Huabin i in. 2005), jak i
dnie morskim (Gazioglu i in. 2005).
GIS jest powszechnie wykorzystywany do tworzenia map gleb przy pomocy rnych
metod klasyfikacji. Scull i in. (2005) wykorzystali (classification tree model) do tworzenia map
gleb na podstawie istniejcych map w obszarach ssiednich i cyfrowych map szeregu
parametrw opisujcych rodowisko. Oddzielnym zagadnieniem s prace nad nowymi bazami
danych zintegrowanymi z GIS. Przykadem takiego przedsiwzicia jest cyfrowa mapa
ostatniego zlodowacenia Wielkiej Brytanii zintegrowana z GIS (Clark i in. 2004). Zostaa ona
wykonana jako kompilacja ponad szeciuset materiaw rdowych (artykuy naukowe, mapy,
prace doktorskie i inne) wybranych z dostpnych ponad dwch tysicy prac pochodzcych z
okresu ostatnich 150 lat, do dwudziestu wektorowych warstw tematycznych takich form
geomorfologicznych jak: moreny, ozy, drumliny, meltwater channels, tunnel valleys, trimlines,
limit of key glacigenic deposits, glaciolacustrine deposits, ice-dammed lakes, erratic dispersal
patterns, shelf-edge fans, limit of the main ice cap. Dane atrybutowe kadego obiektu zawieraj
midzy innymi informacje o rdle pochodzenia, oryginalnej skali kartowania i uwagi co do jego
wiarygodnoci. Poprawno pooenia obiektw bya weryfikowana za pomoc DEM (o
rozdzielczoci 50 m). Utworzony i udostpniony rodowisku naukowemu system moe suy
zdaniem autorw do rekonstrukcji rozmieszczenia pokrywy lodowej na podstawie cznej
analizy z DEM, mapami geologicznymi i zdjciami satelitarnymi oraz do walidacji modelowania
numerycznego procesw zwizanych ze zlodowaceniami.
2.2 Meteorologia i klimatologia
Podobnie jak w geomorfologii i gleboznawstwie, tak i w meteorologii i klimatologii DEM
zajmuje istotne miejsce w rnych projektach badawczych. Generalnie zastosowania GIS
w naukach o atmosferze mona podzieli na trzy grupy: (1) przetwarzanie danych, a zwaszcza
zamiana danych punktowych na cige; (2) modelowanie procesw meteorologicznych lub
klimatycznych; (3) wykorzystanie rnych danych meteorologicznych lub klimatycznych do
modelowania procesw biologicznych oraz zwizanych z zanieczyszczeniem rodowiska. Ta
ostatnia grupa prac, szczeglnie liczna, zawiera szereg pozycji zwizanych z modelowaniem
rnych konsekwencji zmian klimatycznych (np. Dockerty i Lovett 2003). W opisie przykadw
zastosowa wykorzystano informacje zawarte w przegldowym artykule The use of
geographical information systems in climatology and meteorology (Chapman, Thornes 2003).
Dane meteorologiczne jak i klimatyczne mog mie posta danych punktowych (wikszo
obserwacji pochodzcych ze stacji meteorologicznych), danych rastrowych (np. z radarw
meteorologicznych, czy produktw otrzymywanych ze zdj satelitarnych) lub liniowych
(izolinie digitalizowane z map). Przetwarzanie danych punktowych do danych cigych odbywa
si na dwch poziomach generalizacji. Poziom pierwszy o duym stopniu uoglnienia (baseline
climatology) dotyczy tworzenia wielkoskalowych cigych map wybranych parametrw
meteorologicznych lub klimatycznych na podstawie maej liczby punktowych obserwacji.
Zwykle wykorzystuje si do tego celu DEM oraz inne zmienne przestrzenne, jak odlego od
morza lub szeroko geograficzna, i na ich podstawie budowany jest model regresji wielorakiej
(multiple regression model) (Agnew i Palutikof 2000, Ninyerola i in. 2000). Poziom drugi
odpowiada tworzeniu map bardziej szczegowych, najczciej na podstawie wikszej liczby
punktw pomiarowych ni na poziomie pierwszym. W tym przypadku stosuje si metody
interpolacji deterministycznej [patrz podroz. 5.6] lub geostatystycznej [patrz roz. 9], a take
regresj wielorak. Fleming i in. (2000) stosowali do interpolacji deterministyczn technik
splinw thin plate smoothing splines, natomiast Antonic i in. (2001) oraz Rigol (2001) metod
sieci neuronowych (neural network). GIS jest take wykorzystywany do modelowania
moliwoci pozyskiwania energii wiatrowej i sonecznej (Broesamle i in. 2000), czy badania
kinematyki burz (Tsanis i Gad 2001). Wykorzystujc DEM lokalnego obszaru Halley i in.
(2003) przeprowadzili modelowanie w GIS powstawania przygruntowych przymrozkw za
pomoc regresji wielorakiej, w ktrej rol zmiennych peniy: wysoko terenu, czas lokalnego
zachodu (czas koca bezporedniego promieniowania sonecznego w danym miejscu) i
dochodzce promieniowanie soneczne. Integracja modelu promieniowania z GIS [patrz podroz.
6.4.4] daje moliwo uwzgldnienia uksztatowania terenu (zacienienia topograficznego) oraz
lokalnych warunkw atmosferycznych przy estymacji dopywu energii sonecznej do
powierzchni Ziemi (Suri i Hofierka, 2004) . Cole i in. (2004) stworzyli model GIS dopywu soli
w postaci aerozolu na obszarze Australii, natomiast Kampanis i Flouri (2003) wykorzystali GIS
jako interfejs numerycznego modelu propagacji dwiku w skomplikowanych warunkach
terenowych.
2.3 Hydrologia
GIS jest powszechnie stosowany w hydrologii. Istotnymi obszarami jego zastosowa jest
modelowanie spywu wody po terenie, analiza punktowych i nie-punktowych rde
zanieczyszcze w zlewniach, okrelanie sumarycznego dopywu zwizkw azotu, fosforu
i bakterii do jezior lub wd przybrzenych, analiza procesw eutrofizacji i modelowanie zjawisk
powodziowych. We wszystkich powyszych zagadnieniach istotny jest element przestrzenny
(np. rozmieszczenie gleb czy pokrycia terenu) oraz uksztatowanie powierzchni Ziemi
opisywane przez DEM. Rola DEM (jako jedynego cyfrowego obrazu powierzchni Ziemi) jest
kluczowa w zagadnieniach hydrologicznych, a jego analiza jest obecnie jedyn uznawan
metod wydzielania zlewni [patrz podroz. 6.5], ktre nastpnie s czsto wykorzystywane jako
jednorodne obszary w modelowaniu rnych procesw uwzgldniajcych uksztatowanie terenu.
GIS posiada take odpowiednie modele danych do analiz sieci rzecznych [patrz podroz. 3.2.4].
Modele opisujce odpyw wody ze zlewni mog by w bardzo rnym stopniu powizane
z GIS. Istniej trzy poziomy tego powizania (Pullar i Springer 2000). Najnisze lune
powizanie (loose coupling) polega wycznie na wymianie informacji pomidzy modelem a
GIS za pomoc plikw. Na tym poziomie GIS moe by jedynie narzdziem wizualizacji
i analizy wynikw generowanych przez model. Poziom drugi, okrelany jako cise powizanie
(tight coupling), wykorzystuje GIS jako interfejs modelu, a na poziomie trzecim penej integracji
(full integrated) model jest skadow aplikacji GIS. W modelach tych zlewnia moe wystpowa
jako jednorodna cao, ktrej przypisuje si wartoci urednione (lumped model), albo by
pokryta przez regularna siatk z wartociami w kadej komrce siatki (distribiuted model).
Modele mog by take przeznaczone dla rnych skal czasowych. Istniej modele opisujce
pojedyncze opady i spyw wody, bdcy ich konsekwencj (single event models). Ich
przykadem jest model AGNPS (Agricultural Non-Point Source). Model ten wymaga 22
parametry dla kadej komrki siatki pokrywajcej obszar zlewni. Zosta on zintegrowany z GIS
na poziomie interfejsu (Pullar i Springer 2000). Popularnym modelem pracujcym dla odmiany
w czasie cigym jest SWAT (Soil Water Assessment Tool). Jego lunej i cisej integracji z
GIS dokona Luzio i in. (2004). Pena integracja modelu hydrologicznego z GIS stwarza
zupenie now jako analityczn zarwno pod wzgldem moliwoci walidacji i kalibracji
modelu, jak i jego potencjalnego wykorzystania. Knight i in. (2001) wbudowa w rodowisko
GIS prosty model (distribiuted-parameter runoff simulation model) generujcy miesiczne
charakterystyki spywu i parametry pokrywy nienej, ktry moe by wykorzystywany przy
ograniczonym dostpie do danych. Zhan i Huang (2004) wbudowali w GIS model oparty o CN
(SCS Curve-Number method). Model wykorzystuje map gleb i uytkowania terenu, nadaje si
do okrelania CN i obliczania spywu oraz infiltracji dla danego opadu. Pena integracja modelu
TOPMODEL (TOPography-based hydrological MODEL) w GIS zostaa natomiast
przeprowadzona przez Huang i Jiang (2002). Jest to fizyczny model zlewni, ktry symuluje
przepyw w rzekach na podstawie DEM oraz danych o opadzie i ewapotranspiracji.
Problem okrelania dopywu zwizkw azotu, fosforu i bakterii jest czsto rozwizywany
za pomoc modeli GIS opartych o bilans masy (mass balance GIS model). Pieterse i in. (2003)
modelowali w GIS dopyw azotu i fosforu ze rde punktowych i rozproszonych. Za pomoc
analizy regresji wyznaczyli oni zwizek pomidzy dopywem substancji ze rde rozproszonych
i ich wytwarzaniem (dla zlewni bez rde punktowych), a nastpnie wykorzystali go w modelu.
Take model regresji (dla rnych typw pokrycia terenu zgodnego z klasyfikacj CORINE
[patrz podroz. 3.3.3 i ramka 3.6]) by wykorzystany w GIS do oceny wielkoci dopywu
zwizkw fosforu do przybrzenych wd Irlandii (Smith i in. 2005). GIS jest take
wykorzystywany do oceny eutrofizacji jezior i wd przybrzenych. Xu i in. (2001)
przeprowadzili w GIS klasyfikacj jezior na podstawie szeciu fizycznych, chemicznych
i biologicznych indykatorw. GIS by take wykorzystany jako interfejs w modelu
eutrofizacyjnym wd estuariowych (Hartnett i Nash 2004).
Kolejnym zagadnieniem hydrologicznym, gdzie pojawiaj si rozwizania wykorzystujce
GIS, jest tworzenie modeli powodzi. Liu i in.(2003) zaproponowali osadzony w GIS fizyczny
model diffusive transport approach zrealizowany w modelu rastrowym do okrelania spywu i
przemieszczania si fali powodziowej w zlewni. Do rnorodne jest wykorzystanie GIS w
badaniach wd gruntowych. Jaiswal i in. (2003) zaproponowali wykorzystanie GIS
w planowaniu ich eksploatacji. Wyznaczanie potencjalnych zasobw wd gruntowych zostao
przeprowadzone w GIS przy pomocy siedmiu map hydrogeologicznych przez Shahid i in.
(2000). Rejonizacja stref zasilania za pomoc modelowania hydrologicznego wykonana zostaa
przez Saraf i in. (2004), a Miller (2005) przeprowadzi wyznaczanie stref ochronnych uj wody.
Istnieje jeszcze szereg innych zagadnie hydrologicznych, w ktrych techniki GIS znalazy
zastosowanie, np. Foote i Horn (2002) wykorzystali GIS do analizy pooenia powierzchni
wody, rejestrowanej na wideo w strefie przyboju, a Tappeiner (2001) do badania czasu trwania
pokrywy nienej.
2.4 Ekologia
Zastosowanie GIS w biologii, a cilej ekologii, zaznaczyo si szczeglnie wyranie
w kilku obszarach tematycznych. GIS w sposb oczywisty by podstawowym narzdziem pracy
w projektach, ktrych celem byo tworzenie map wegetacji lub ledzenie zmian pokrycia
rolinnoci w czasie na podstawie zdj lotniczych, satelitarnych lub archiwalnych map.
Przykadami takich prac mog by: analiza zmian makrowegetacji okolic Balatonu w czasie
ostatnich 200 lat (Dmtrfy i in. 2003), przeprowadzona na podstawie starych map, albo
analiza zmian w rolinnoci wodnej rekultywowanego jeziora, wykonana przez Valta-
Hulkkonena i in. (2004) na podstawie archiwalnych zdj lotniczych.
Tworzenie map przez ekologw obejmuje take mapy indeksw opisujcych rodowisko
przyrodnicze. Brossard i in. (2002) wykorzystali rozmieszczenie rolinnoci na Spitzbergenie do
stworzenia mapy indeksu opisujcego warunki termiczne w czasie lata. Ich zdaniem tego typu
indeksy mog by dobrym wskanikiem globalnych zmian klimatycznych. GIS znajduje take
szerokie zastosowanie przy tworzenie duych baz danych przyrodniczych. Przykadem moe by
baza danych EcoPlant stworzona we Francji (Gegout i in. 2005).
Kolejnym istotnym obszarem wykorzystania GIS w zagadnieniach biologicznych jest
ekologia krajobrazu (landscape ecology). U jej podstaw ley zaoenie, e przestrzenne
rozmieszczenie elementw rodowiska (environmental patterns) ma istotny wpyw na procesy
ekologiczne (Turner 1989). Opracowano wiele indeksw opisujcych rne aspekty
rozmieszczenia w przestrzeni, a GIS sta si istotnym narzdziem w pracach dotyczcych tych
zagadnie (McGargial i Marks 1995) [patrz rozdzia 7].
Wydaje si jednak, e najwiksz rol odgrywa obecnie GIS w modelowaniu
ekologicznym. Istniej rne podziay i klasyfikacje modeli ekologicznych. Czsto dzieli si je
na: (1) analityczne, w ktrych dokonuje si szczegowej prognozy w warunkach uproszczonej
rzeczywistoci za pomoca ukadu rwna; (2) fizjologiczne lub process model, w ktrych
najwaniejsza jest istota procesu, a nie symulacja rozkadu przestrzennego oraz (3) empiryczne
lub statystyczne, w ktrych najistotniejszy jest wynik symulacji, a nie dokadny opis procesu
(Guisan i Zimmermann 2000). W tej trzeciej grupie mieci si modelowanie przestrzennego
wystpowania organizmw, gatunkw, zespow gatunkw oraz habitatw (predivctive
distribiution models). Modelowanie to jest wykorzystywane do szczegowej inwentaryzacji
i analizy zasobw biologicznych oraz analizy relacji organizmy rodowisko. Znajduje te
zastosowanie w ochronie rodowiska do identyfikacji i okrelania priorytetw w zakresie dziaa
ochronnych, monitoringu lub bada zachodzcych w nim procesw. Jest przydatne
w ilociowych analizach oddziaywania na rodowisko i ocenach wpywu zmian klimatycznych
lub rodowiskowych (antropopresja) na wystpowanie organizmw. Przykadem takich
zastosowa moe by tworzenie prognostycznych map przydatnoci habitatw (habitat
suitability) dla danego gatunku przy realizacji okrelonych scenariuszy zarzdzania terenem.
Gurnell i in. 2002 stworzyli tak map dla habitatu wiewirki na obszarze 2800 ha we
wschodniej Anglii przy zaoeniu, e do roku 2015 rok zostan utrzymane aktualne metody
gospodarki lenej. Modelowanie przestrzennego wystpowania bazuje na opisie ilociowym
relacji gatunek-rodowisko. Modele te wykorzystuj rne metody formuowania hipotez o tym,
w jakim stopniu warunki rodowiskowe wpywaj na rozmieszczenie gatunkw lub ich
zespow. Zaoenie staego charakteru tych relacji umoliwia modelowanie rezultatw zmian
zachodzcych w rodowisku.
 Istniej trzy rodzaje danych, czynnikw lub gradientw, opisujcych rodowisko
(w pierwszych pracach powstaa nazwa gradient modelling ze wzgldu na zaoenie, e
rozkad gatunkw jest zwizany z gradientami zmiennych rodowiskowych). Pierwszym
rodzajem danych s zasoby (resources) obejmujce substancje odywcze, wod, wiato
i poywienie. Drug grup stanowi czynniki bezporednie, ktre maj istotny wpyw na
fizjologi organizmw, np. temperatura. Ostatni grup stanowi zmienne lub czynniki
porednie. Obejmuj one najczciej takie dane, jak pooenie topograficzne, nachylenie terenu,
geologi czy osady. Dane te, majce charakter przestrzenny, su jako predykatory (zmienne na
podstawie ktrych prognozuje si wystpowanie organizmw). Musz one zosta zebrane
i przetransformowane do odpowiedniej postaci, aby utworzy warstwowy model analizowanego
obszaru (najczciej w postaci rastra). Ten etap modelowania odbywa si w systemie GIS. Idea
modelowania zakada, e dla czci obszaru mamy informacje o wystpowaniu analizowanych
gatunkw lub habitatw. W tych miejscach, podobszarach, przeprowadzamy prbkowanie
zmiennych z warstw (predykatorw). Istota problemu polega na znalezieniu relacji pomidzy
parametrem opisujcym wystpowanie gatunkw lub habitatu a predykatorami. Kiedy relacja
zostanie okrelona mapy predykatorw mog za jej pomoc zosta przeliczone do kompletnej
mapy wystpowania gatunkw lub habitatw.
Istnieje szereg metod wyznaczania tej relacji. W wikszoci oparte s one o analiz
regresji. Jest to metoda statystyczna okrelajca relacje midzy zmienn wynikowa, a
rodowiskowymi predykatorami (lub predykatorem) w postaci wyraenia matematycznego.
Czsto z powodu wzajemnej korelacji (problem kolinearnoci) pomidzy zmiennymi
rodowiskowymi, jako predykatorw uywa si nieskorelowanych zmiennych bdcych
rezultatem poddania ich analizie czynnikowej. Klasyczna metoda regresji liniowej jest
teoretycznie wana tylko wtedy, kiedy zmienna wynikowa ma rozkad normalny i sta
wariancj dla kadego przedziau obserwacji. Powoduje to, e jej zastosowanie jest mocna
ograniczone, niemniej czasem stosuje si j przy spenieniu powyszych warunkw (Lechman
2004).
Podstawow technik stosowan obecnie jest GLM (Generalised Linear Model), ktry
stanowi rodzin modeli regresji i jest pozbawiona ogranicze metody poprzedniej. W ostatnich
latach bya ona powszechnie wykorzystywana w modelowaniu ekologicznym, ukierunkowanym
na rozwizanie rnego rodzaju problemw badawczych. Laidre i in. 2004 stworzyli model
habitatu narwali w rejonie Grenlandii. Efekt okrajka w starym i modym lesie, jak rwnie jego
wpyw na rozmieszczenie grzybw nadrzewnych byy badane przez przez Siitonen i in. 2004.
Projekt okrelenia amplitudy siedliskowej oraz stworzeniu mapy habitatw rzadkiego gatunku
ptaka w celu utrzymania korytarzy ekologicznych zosta wykonany w Australii przez Gibsona i
in. (2004). Alternatywn technik do GLM jest GAM (Generalised Additive Model)
wykorzystany midzy innymi przez Lehmanna (1998).
Inn grup metod wyznaczania relacji pomidzy danymi o wystpowaniu gatunku (czy
habitatu) a danymi rodowiskowymi s metody klasyfikacji. Popularn metod klasyfikacji
bazujc na powizaniu ze sob szeregu zasad lub rezultatw obserwacji jest classification tree
model. Przykadem jej zastosowania jest identyfikacja habitatu niedwiedzia brunatnego
przeprowadzona przez Koblera i Adamica (2000) oraz wyznaczenie rozmieszczenia szeciu
gatunkw sosny w Katalonii wykonane przez Mathieu i in. (2001). Stosowana jest take metoda
najwikszego prawdopodobiestwa (maximum likelihood classification) Danks i Klein (2002)
zastosowali j do modelowania potencjalnego habitatu woa pimowego w pnocnej Alasce,
oraz metoda MCE (Multi-Criteria Evaluation) wykorzystana do modelowania optimum
siedliskowego (habitat suitability modeling) przez Store i Jokimki (2003).
Kolejna grupa metod wykorzystuje techniki ordynacyjne (ordination techniques).
Najczciej uywan technik z tej grupy jest CCA (Canonical Corespondence Analysis)
zastosowana midzy innymi przez Dirnbcka i in. (2003) do tworzenia map zespow rolinnych
w Alpach. Metoda PCA (Principal Component Analysis) wraz z klasteryzacj zostaa
zastosowana do tworzenia wielkoobszarowych map wegetacji na podstawie zdj satelitarnych
przez Nonomura i in. (2003).
Environmental envelopes s grup metod, ktre byy wielokrotnie stosowane
w przeszoci. Ich podstawow ide jest tworzenie w wielowymiarowej przestrzeni
rodowiskowej (klimatycznej) obszaru (envelope) optymalnego dla organizmw. Obecnie czsto
stosowany jest algorytm GARP (Genetic Algorithm for Rule-set Production),
zaimplementowany w programie o tej samej nazwie, ktry tworzy model ekologicznej niszy dla
organizmw przez opisanie warunkw rodowiskowych, w ktrych populacja danego gatunku
jest zdolna do trwania i rozwoju. Jako dane wejciowe GARP uywa zbioru punktw, w ktrych
organizm wystpuje, i zbioru rastrowych warstw GIS zawierajcych cig informacj
o parametrach rodowiska, ktre mog ogranicza lub zwiksza moliwoci jego przeycia.
Algorytm iteracyjnie poszukuje nielosowych korelacji pomidzy obecnoci i brakiem obecnoci
organizmu oraz parametrami opisujcymi rodowisko wykorzystujc szereg metod budowania
modelu prognostycznego, np. atomic, logistic regression (GLM), bioclimatic envelope i negated
bioclimatic envelope (Stockwell i Peters 1999). Algorytm ten by wykorzystany midzy innymi
przez Stockmana i in. (2006) oraz Andersona i in. (2002).
 Oprcz przedstawionych powyej grup metod stosowane s metody oparte o teori
prawdopodobiestwa Bayesa, ktre cz prawdopodobiestwo a priori wystpowania
okrelonych organizmw z ich prawdopodobiestwem warunkowym wzgldem danego
predykatora rodowiska (Wyatt 2003).
Metod wzbudzajc z jednej strony due zainteresowanie, z drugiej za obiekcje, ktrych
wyrazem moe by uwaanie jej przez niektrych badaczy za rodzaj czarnej magii, s sieci
neuronowe (neural network). Przykadem jej zastosowania mog by prace Joy i Deatha (2001)
oraz Oldena i in. (2006), obie powicone tworzeniu map i badaniu rozmieszczenia ryb w
rzekach.
2.5 Ochrona rodowiska
Zastosowanie GIS w ochronie rodowiska dotyczy gwnie zagadnie majcych
odniesienie przestrzenne bd tradycyjnie zwizanych z tworzeniem map. Jest to powszechnie
stosowane narzdzie w pracach zajmujcych si ocen ekspozycji (exposure assassement) na
zanieczyszczenia. Ekspozycja, rozumiana jako kontakt ze szkodliwymi substancjami najczciej
dotyczy zanieczyszcze w powietrzu, ale pojcia tego uywa si take przy analizie
oddziaywania niebezpiecznych substancji w glebie oraz wodzie. Do analizy ekspozycji na
zanieczyszczenia atmosferyczne wykorzystuje si najczciej w pracach naukowych dwa
modele: (1) stochastyczny model regresji i (2) Gaussian multisource dispersion model, ktry ma
charakter fizyczny. Cyrys i in. (2005) w swojej pracy powiconej ocenie ekspozycji na NO2 i
czsteczki zawieszone w powietrzu (PM2.5) porwnali dziaanie obu modeli. Przy tworzeniu map
ekspozycji na szkodliwe substancje mog by wykonywane mapy lokalizacji zachorowa na
powodowane przez nie choroby. Wsplna analiza tych danych w GIS pozwala wykrywa
ewentualne powizania przyczynowo-skutkowe (Jarup 2004). Taylor i in. (2005) badali
przyczyny deformacji koczyn u pazw stawiajc hipotez, e przyczyn jest zanieczyszczenie
rodowiska. Wykorzystywali oni GIS do otrzymania informacji o pokryciu terenu w 200 m
buforach naokoo miejsc pobierania prb. Chow i in. (2005), aby oceni wpyw zanieczyszcze
na populacj szopa pracza, przeprowadzili poczenie modelu wystpowania (GLM) z modelem
ekspozycji na zanieczyszczenia bazujcym na metodzie Monte Carlo [patrz podroz. 8.3]. Do
tworzenia map przestrzennego rozmieszczenia zanieczyszcze mog by take stosowane
metody geostatystycznej interpolacji [patrz rozdzia 9] (Inserra i in. 2002).
Kolejn grup zastosowa GIS w ochronie rodowiska jest analiza i ocena rnego rodzaju
zagroe. Speer i Jensen (2003) analizowali zagroenie pojawienia si okrelonego gatunku
szkodnika drzew iglastych. Wykorzystali oni GIS do wyboru obszarw, speniajcych okrelone
warunki, ktre s potencjalnie najbardziej naraone na pojawienie si tego typu szkodnikw.
Analiz ryzyka powstania poaru lasw w Grecji przeprowadzili Bonazountas i in. (2005).
Problematyka ekologiczna jest cile zwizana z zagadnieniami ochrony rodowiska.
Dotyczy to zarwno problemw zwizanych z zarzdzaniem lub wytyczaniem obszarw
chronionych, jak i reintrodukcj okrelonych gatunkw. Crist i in. (2005) przeprowadzili ocen
obszarw niepodlegajcych ochronie, charakteryzujcych si ma gstoci drg, dla
wyznaczenia rezerwy obszarw chronionych. Wykorzystujc mapy pokrycia terenu i wybrane
parametry opisujce krajobraz [patrz rozdzia 7] okrelili oni wielkoci tych parametrw dla
obszarw aktualnie chronionych, a nastpnie wybrali z rejonw niechronionych obszary
o podobnych charakterystykach. Opis siedmiu etapw przeprowadzenia reintrodukcji owcy
kanadyjskiej (Ovis canadensis) w parkach narodowych zachodnich stanw (Stany Zjednoczone)
zosta opisany w pracy Singera i in. (2000). Jednym z etapw jest tworzenie modelu habitatu
danego gatunku i wyznaczenie optymalnych obszarw do przeprowadzenia operacji.
Monitoring rodowiska jest niezbdny do jego ochrony. Wykorzystanie GIS w programie
monitoringu i oceny stanu estuariw pnocno-zachodniego wybrzea Stanw Zjednoczonych
zostao przedstawione w pracy Paul i in. (2003). Poruszono takie zagadnienia jak wybr
punktw pomiarowych, wizualizacj danych i ich ilociow analiz oraz upublicznianie
rezultatw monitoringu.
2.6 Geografia krajobrazu
Wykorzystanie GIS w geografii krajobrazu jest do powszechne. Pomijajc problemy
zwizane z teoretycznymi rozwaaniami nad definicj tej nowej specjalnoci mona przyj, e
GIS znajduje zastosowanie w trzech grupach zagadnie zwizanych z krajobrazem: (1)
w rekonstrukcji krajobrazu historycznego, (2) w modelowaniu zmian zachodzcych
w krajobrazie i prognozowaniu jego przyszego wygldu oraz (3) w tworzeniu i analizowaniu
rnego rodzaju parametrw (landscape matrics) [patrz rozdzia 7], opisujcych przestrzenne
aspekty krajobrazu dla potrzeb ekologicznych (landscape ecology).
Rekonstrukcj wygldu krajobrazu w przeszoci zajmowao si szereg autorw. McLure
i Griffiths (2002) przeprowadzili rekonstrukcj krajobrazu w redniowiecznej Anglii
wykorzystujc stare mapy i wspczesne zdjcia lotnicze. Dokonali oni modyfikacji zdj
korzystajc ze starych map i nastpnie naoyli je na DEM utworzony z map z 1856 roku,
uzyskujc perspektywiczny widok krajobrazu w redniowieczu. Simson i Johnson (2005)
analizowali wpyw warunkw naturalnych na decyzje podejmowane przez osadnikw
w wybranym rejonie Kanady. Whitley i Hicks (2003) wyznaczali potencjalne szlaki
prehistorycznych i historycznych podry we wschodniej czci Stanw Zjednoczonych na
podstawie DEM. Modelowanie zmian zachodzcych w krajobrazie (Land Use and Land Cover
Change) jest centralnym tematem w analizach globalnych zmian rodowiska naturalnego
(Verburg i Veldkamp 2005). Istotnym wyzwaniem w tych modelach jest integracja nauk
przyrodniczych, spoecznych i ekonomicznych w ramach przestrzeni geograficznej i czasowej.
Przykadem wykorzystania takiego modelu jest praca Verburga i in. (2006) prognozujca wpyw
zmian w uytkowaniu ziemi na przyszy stan obszarw chronionych na Filipinach.
W ostatnich latach geografia dziki rozwojowi metod ilociowych (quantitative
geography) i analizy przestrzennej (computational spatial analysis) odzyskaa znaczenie, czego
dowodem moe by jej powrt po 50 latach na Harvard. Obszarem, gdzie nowe ilociowe
metody analizy przestrzennej znalazy szczeglnie due zastosowanie jest geografia spoeczna
i ekonomiczna (Wang 2006), jednak te dziedziny wykraczaj poza zakres tej ksiki.
3. DANE PRZESTRZENNE
3.1 POOENIE NA POWIERZCHNI ZIEMI
Powstanie Geograficznych Systemw Informacyjnych byo logicznym nastpstwem
przestrzennego charakteru geoinformacji. Lokalizacja wszelkich danych opisujcych
powierzchni Ziemi jest w wikszoci przypadkw istotnym elementem ich analizy. Niezbdne
staje si zatem zdefiniowanie na pocztku sposobu okrelania pooenia na powierzchni Ziemi.
Istniej dwa podstawowe ukady, ktre mog by wykorzystane do tworzenia systemw
odniesienia przestrzennego: prostoktny i sferyczny.
3.1.1 Ziemia jako paszczyzna
Dla obszarw maych, o powierzchniach (nieprzekraczajcych kilkunastu km 2) moe by
wykorzystany trjwymiarowy ukad wsprzdnych prostoktnych. Osie poziome bd w nim
zgodne z kierunkiem pnocnym i wschodnim (northing, easting), a wyznaczona przez nie
paszczyzna bdzie umiejscowiona na wysokoci redniego poziomu morza. Pooenie obiektw
na powierzchni Ziemi bdzie okrelane na podstawie ich prostoktnych rzutw na t
paszczyzn. W konsekwencji, niezalenie od rodzaju ukadu, ksztaty i powierzchnie obiektw
znajdujcych si na mocno nachylonych stokach bd wyranie znieksztacone (Rysunek 3.1).

Rys. 3.1. Ukad wsprzdnych prostoktnych 3D dla powierzchni Ziemi. Obrazem odcinka d1
w rzucie prostoktnym jest odcinek d2. Z powodu nachylenia terenu dugo odcinka nie zostaa
zachowana.

3.1.2 Ziemia jako kula

Wikszo zastosowa wymaga jednak uwzgldnienia krzywizny Ziemi. Ksztat Ziemi
w cigu ostatnich 2,5 tysica lat by kolejno opisywany jako kula (sfera), elipsoida (sferoida)
i geoida. Doskonao kuli jako bryy oraz kulisty ksztat Soca i Ksiyca ju 2,5 tys. lat temu
nasuny hipotez (Pitagoras 580500 p.n.e.), e take Ziemia ma taki ksztat. Szereg obserwacji
takich jak: ruch gwiazd, inny wygld nieba w rnych miejscach, zakrzywiony cie Ziemi na
powierzchni Ksiyca podczas jego zamie oraz fakt, e w jakkolwiek stron oddala si statek,
to najpierw znika jego kadub, a dopiero potem maszty, spowodoway, e pogld ten zosta
w staroytnoci powszechnie zaakceptowany. Ostatecznie Eratostenes (276196 p.n.e.) za
pomoc spektakularnego i powszechnie znanego eksperymentu wyznaczy promie kuli
ziemskiej z dokadnoci 2%.
Kolejne odkrycia stay si moliwe dopiero na przeomie XVI i XVII wieku w rezultacie
wynalezienia narzdzi takich jak teleskop (Galileusz i Kepler), teodolit (Digges z Londynu) czy
zegar wahadowy (Hugens) oraz rozwoju trygonometrii sferycznej i triangulacji. Triangulacja
jest metod wyznaczania wsprzdnych na powierzchni Ziemi za pomoc ukadu trjktw
tworzcych sie. W metodzie tej dokonuje si pomiaru wszystkich ktw i dugoci wybranego
boku (bazy). Pierwszej prby pomiaru rozmiarw Ziemi z wykorzystaniem triangulacji dokona
Holender Snellius (15801626) za pomoc sieci 33 trjkatw o cznej dugoci 128 kilometrw
i pomiarw astronomicznych pooenia punktw kocowych. Osignity rezultat by obarczony
bdem 3,4%, czyli by gorszy od wyniku Eratostenesa. Wynalezienie tablic logarytmicznych i
dopracowanie metody triangulacji pozwolio Francuzowi Jean Picardowi w 1670 roku
wyznaczy promie Ziemi z dokadnoci 0,01%. Na tym odkryciu mona zakoczy histori
pojmowania powierzchni Ziemi jako sfery, czyli powierzchni kuli.
3.1.3 Ziemia jako elipsoida
Nowe obserwacje, jak rwnie rozwj astronomii i fizyki w XVI oraz XVII wieku
doprowadziy do nowego modelu Ziemi jakim jest elipsoida, zwana rwnie sferoid ze wzgldu
na bardzo niewielkie spaszczenie. W poowie XVII wieku dokonano szeregu znaczcych
obserwacji astronomicznych. Cassini zaobserwowa, e Jowisz jest spaszczony na biegunach,
a Richter prowadzc pomiary za pomoc wahada stwierdzi wzrost siy grawitacji od rwnika
w stron biegunw. Newton i Huygens wykorzystujc nowo odkryte prawa ruchu i grawitacji
opracowali teoretyczny model Ziemi spaszczonej na biegunach. Zaoyli oni, e na obracajcej
si Ziemi sia odrodkowa jest najsilniejsza na rwniku i rwna zeru na biegunach. Wyznaczone
przez nich spaszczenie dla jednorodnej, pynnej Ziemi wynioso 1/230. Te zaoenia zostay
ostatecznie potwierdzone w XVIII wieku przez pomiary dwch odcinkw poudnika podczas
ekspedycji do Peru i Laponii, co pozwolio na wyznaczenie wszystkich parametrw elipsoidy
ziemskiej. Parametry opisujce elipsoid zostay przedstawione na Rysunku 3.3b. Zwykle jej
ksztat jest opisywany przez ma i wielk po, albo wielk po i spaszczenie, wzgldnie
jego odwrotno.
W XIX wieku okazao si, na podstawie rezultatw bada prowadzonych przy pomocy
coraz dokadniejszych metod badawczych, e Ziemia cho jej ksztat jest zbliony do
elipsoidy jest bry nieregularn. Wynika to z nierwnomiernego rozmieszczenia rnych
rodzajw ska we wntrzu Ziemi. Nierwnomierna budowa powoduje anomalie w ziemskim
polu grawitacyjnym. Z kolei te anomalie powoduj nieregularnoci w pooeniu powierzchni
poziomu odpowiadajcemu redniemu poziomowi morza. Rzeczywisty ksztat Ziemi okrelono
nazw geoidy. Jest to ksztat jaki miaaby Ziemia gdyby bya cakowicie pokryta przez wody.
redni poziom mrz, odpowiadajcy powierzchni ekwipotencjalnej, definiuje powierzchni
geoidy, ale pod ldami ma ona przebieg bardziej zoony ze wzgldu na bardzo due
zrnicowanie gstoci wewntrz Ziemi na kontynentach. Rnica pomidzy powierzchniami
elipsoidy i geoidy siga do 100 m (Rysunek 3.2).

Rys. 3.2 Wzajemne pooenie powierzchni Ziemi i jej dwch modeli: elipsoidy i geoidy.

Ze wzgldu na nieregularny charakter geoidy, ukad wsprzdnych geograficznych,

opisujcych pooenie na powierzchni Ziemi w poziomie zosta oparty o elipsoid (sferoid).
W cigu ostatnich stu lat w uyciu byo szereg elipsoid, z ktrych najwaniejsze zostay
zestawione w Tabeli 3.1. Obecnie najczciej uywane s elipsoidy WGS84 (WGS 1984)
i uznawana za praktycznie identyczn z ni GRS80.

Tab. 3.1 Podstawowe elipsoidy opisujce ksztat Ziemi

Nazwa elipsoidy Po wielka Spaszczenie

Bessel 6377397 m 1/299,2
Clark 6378248 m 1/293,5
Krassowski 6378245 m 1/298,25
Hayford 6378388 m 1/297,0
WGS 1984 (WGS84) 6378137 m 1/298,257223563
GRS 80 6378137 m 1/298,2572

Ramka 3.1
Konwersja zapisu DD /DMS w kalkulatorze systemu Windows

Wybierz kolejno Start>Programy>Akcesoria>Kalkulator. Z menu Widok wybierz Naukowy.

Zamiana DD na DMS
Wprowad warto DD np. 18.56861 i kliknij klawisz dms. Podany wynik jest w stopniach,
minutach i sekundach, cho jest formatowany jak liczba dziesitna i ma posta dd.mm.ss. Po
wprowadzeniu powyszej wartoci otrzymamy 18.3406996 czyli 18 stopni 34 minuty i 6.996
sekund.
Zaniana DMS na DD
Wprowad warto DMS formatowan jak liczba dziesitna, np. 183406.996E wprowadzamy
jako 18.3406996. Odznacz Inv i kliknij klawisz dms. Uzyskany zostanie wynik 18.56861.

Skadowa pionowa pooenia (wysoko) ma najczciej zwizek ze rednim poziomem morza,

jest zatem powizana z geoid. Obecnie powierzchni geoidy okrela si wykorzystujc metody
altymetrii satelitarnej oraz techniki grawimetryczne.
Ukad wsprzdnych geograficznych (GCS Geographic Coordination System) jest
ukadem sferycznym, opisujcym pooenie punktu na elipsoidzie obrotowej o osi obrotu
zgodnej z krtszymi posiami (Rysunek 3.3), podczas gdy posie dusze le na paszczynie
rwnika. Powierzchnia Ziemi jest modelowana przez peen obrt elipsy wok osi przebiegajcej
przez bieguny (pnocny N i poudniowy S). Kolejne pooenia elipsy w trakcie obrotu
wyznaczaj linie zwane poudnikami (meridian). Jeeli jeden z poudnikw zostanie wybrany
jako zerowy (od 1884 wikszo krajw przyjmuje za zerowy poudnik przebiegajcy przez
obserwatorium w Greenwich koo Londynu), to pozostaym mona przypisa warto kta, jaki z
nim tworz jest to tzw. dugo geograficzna (Rysunek 3.3a). Wyraa si j w stopniach,
minutach i sekundach (oznaczenie DMS, np. 183407E) albo stopniach z czci dziesitn
(oznaczenie DD np. 18.56861). Zakres wartoci wynosi 180, na wschd od poudnika
zerowego dugoci przyjmuj warto dodatni, a na zachd ujemn (przy zapisie DMS dodaje
si du liter E dla dugoci wschodniej i W dla zachodniej, natomiast przy zapisie DD rol ta
peni znak liczby). Ze wzgldu na to, e systemy GIS wymagaj wprowadzenia wsprzdnych
geograficznych w formacie DD, istnieje potrzeba przeliczania formatu DMS na DD za pomoc
wzoru: stopnie [DD] = stopnie + minuty/60 + sekundy/3600 [DMS]. Do zamiany midzy
dwiema postaciami zapisu mona take wykorzysta kalkulator systemu Windows (Ramka 1).
Drug wsprzdn ukadu GCS jest szeroko geograficzna zdefiniowana jako kt pomidzy
paszczyzn rwnika a normaln do powierzchni elipsoidy w danym punkcie (Rysunek 3.3c).
Zakres wartoci szerokoci geograficznej wynosi 90, na pnoc od rwnika (0) szerokoci
przyjmuj warto dodatni, a na poudnie ujemn (przy zapisie DMS zamiast znaku dodaje si
du liter N dla szerokoci pnocnej i S dla poudniowej). Punkty o tej samej szerokoci
tworz linie rwnolenikw (parallel). Poudniki wraz z rwnolenikami tworz siatk
geograficzn (graticule). Dugo wszystkich poudnikw jest taka sama, odcinek
odpowiadajcego 1 minucie na poudniku definiuje mil morsk (1 Nm = 1852m). Natomiast
dugo rwnolenikw maleje od rwnika do bieguna w przyblieniu zgodnie z wartoci
cosinusa szerokoci geograficznej. Naley zwrci uwag, e normalna (czyli prostopada) do
paszczyzny stycznej do powierzchni elipsoidy nie przebiega przez rodek Ziemi. Nie wyznacza
te pionu, czyli kierunku dziaania siy grawitacji ze wzgldu na brak zgodnoci z powierzchni
geoidy. Powoduje to szereg problemw, ktrych rozwizywaniem zajmuje si geodezja.

Rys. 3.3 Geograficzny ukad wsprzdnych na elipsoidzie modelu Ziemi: a dugo geograficzna ; b
parametry opisujce elipsoid; c szeroko geograficzna .

3.1.4 Ukad odniesienia (datum)

Aby opisany powyej ukad wsprzdnych geograficznych mg by uyty, naley
okreli rodzaj elipsoidy i jej pooenie wzgldem geoidy. Te dwie informacje pozwalaj na
jednoznaczne zdefiniowanie poziomego ukadu odniesienia (datum). Istniej dwa rodzaje
ukadw odniesienia. Ukady lokalne s tworzone dla wybranych obszarw Ziemi, a elipsoida
jest dopasowywana do geoidy w taki sposb, aby zapewni jak najwiksz zgodno tylko
w pewnym rejonie przy czym ze wzgldu na przemieszczanie si poszczeglnych elementw
powierzchni geoidy wzgldem siebie (w procesie dryfu pyt kontynentalnych) stosuje si
dowizanie elipsoidy do sieci staych punktw danej pyty. Drugim rodzajem ukadw s ukady
globalne, ktre s tworzone dla caego globu (dopasowanie musi zapewnia moliwie najlepsz
zgodno dla kadego miejsca kuli ziemskiej). W tabeli 3.2 zestawiono podstawowe ukady
odniesienia.
Tab. 3.2 Podstawowe ukady odniesienia (datum)
Nazwa ukadu odniesienia Nazwa elipsoidy Uwagi
WGS84 WGS84 Obecny globalny,
wykorzystywany w GPS,
poziomy jak i pionowy
(wysoko liczona jest
wzgldem powierzchni
elipsoidy)
ETRS89 GRS 80 Obecny lokalny system dla
Europy (rnice z WGS84 nie
s wiksze od 0.5 m)
NAD 83 GRS 80 Obecny system stosowany w
Ameryce Pnocnej (w
praktyce identyczny z
WGS84)
Pukowo 42 Krassowskiego Dawny lokalny dla krajw
Europy wschodniej (elipsoida
bya styczna do geoidy w
miejscowoci Pukowo)
NAD 1927 Clarka Dawny lokalny dla Ameryki
Pnocnej
ED 87 Hayforda Dawny lokalny system dla
Europy

Z punktu widzenia polskiego, a take europejskiego uytkownika GIS najwaniejszymi

ukadami odniesienia s WGS84 i ETRS89. Tote istotne jest zrozumienie podobiestw i rnic
pomidzy tymi dwoma ukadami. WGS84 (World Geodetic System of 1984) zosta stworzony
jako system przeznaczony dla celw nawigacyjnych o dokadnoci rzdu metra. Odpowiednik
WGS84 o duej dokadnoci nosi nazw ITRS (International Terrestial Reference System) i jest
wykorzystywany w badaniach geofizycznych. Problem wykorzystywania globalnego systemu
ITRS do precyzyjnej geodezji polega na wspomnianym wczeniej ruchu kontynentw.
Kontynent Europejski przemieszcza si wzgldem ITRS (oraz WGS84) z prdkoci okoo 2,5
cm na rok. ETRS89 bazuje na ITRS ale jest dowizany na stae do Europy za pomoc sieci
punktw i jest uywany dla precyzyjnych pomiarw GPS. Obecnie (2006) rnica midzy
ukadami wynosi okoo 40 cm.
Skadowa pionowa ukadu wsprzednych moe opisywa wysoko nad poziomem morza
(pomiary geodezyjne, zwizek z powierzchnia geoidy) bd nad powierzchni elipsoidy
(pomiary GPS). W Europie do niedawna istniao ponad 20 systemw pomiaru wysokoci,
odnoszcych si do redniego poziomu morza w rnych miejscach. W rezultacie nie
funkcjonowa jeden pionowy ukad odniesienia (rnice dla wikszoci systemw nie byy
wiksze od 1 metra). W Polsce stosowano poziom odniesienia Kronsztadt zwizany ze rednim
poziomem morza na rosyjskiej wyspie Kotlin w Zatoce Fiskiej. Obecnie obowizuje w Europie
pionowy ukad odniesienia EVRS (European Vertical Reference System). W jego ramach
narodowe ukady wsprzdnej pionowej maj by przetransformowane do holenderskiego
ukadu odniesienia NAP (Normal Amsterdam Peil). Polski poziom odniesienia znajduje si
okoo18 cm wyej ni poziom NAP. Ukady ETRS89 i EVRS tworz razem Europejski System
Referencji Przestrzennej (European Spatial Reference System) (EEA, 2005).
3.1.5 Odwzorowania kartograficzne
W GIS ukad GCS jest przeliczany najczciej do ukadu wsprzdnych prostoktnych.
Istniej co najmniej dwa dobre powody, dla ktrych analiza danych i tworzenie map odbywa si
w tym ukadzie. Pierwszym jest to, e zarwno ekran monitora, jak i mapa s paskie, czyli maj
dwuwymiarowy charakter. Drugi powd jest nastpstwem tego, e dugo jednego stopnia na
rwnolenikach jest zmienna i zaley od szerokoci geograficznej. Prowadzenie analiz i
tworzenie map jest znacznie wygodniejsze przy staej jednostce dugoci na wszystkich osiach
ukadu wsprzdnych, co zapewnia ukad wsprzdnych prostoktnych. Przeksztacenie
trjwymiarowego obrazu powierzchni Ziemi opisanego wsprzdnymi geograficznymi na
dwuwymiarowy (paski) ukad wsprzdnych prostoktnych wykonuje si za pomoc
odwzorowa kartograficznych (map projections). Typowe zobrazowanie tego procesu polega na
umieszczeniu przezroczystego globusa z siatk geograficzn i zarysem kontynentw pomidzy
rdem wiata a paszczyzn, na ktrej powstaje rzut siatki i obrysu ldw. W rzeczywistoci
wszystkie odwzorowania s realizowane za pomoc wzorw matematycznych. Istniej setki
odwzorowa, ale tylko niewielka ich cz jest powszechnie uywana. Najbardziej podstawowa
metoda ich klasyfikacji polega na podziale wzgldem (1) rodzaju paszczyzny rzutowania, (2)
lokalizacji tej paszczyzny oraz (3) rodzaju znieksztace.
Paszczyzna rzutowania moe by paska lub zakrzywiona, ale w taki sposb, aby mona j
byo nastpnie rozprostowa. Warunek ten speniaj powierzchnia boczna walca i stoka. Ze
wzgldu na rodzaj paszczyzny rzutowania, odwzorowania dzieli si na paszczyznowe
(azymutalne), walcowe i stokowe, a ze wzgldu na pooenie powierzchni na biegunowe
(paszczyzna styczna na biegunie), rwnikowe i ukone.
Trzecim istotnym elementem uywanym w definiowaniu odwzorowania jest rodzaj
znieksztace. Brane s pod uwag znieksztacenia: (1) ksztatu, (2) powierzchni, (3) odlegoci i
(4) kierunku. Nie ma map bez znieksztace, co oznacza, e zachowanie wiernoci jednej
waciwoci (np. ksztatu) wyklucza moliwo zachowania co najmniej jednej z pozostaych.
Bardzo czsto brak znieksztace uzyskuje si tylko dla wybranych punktw lub linii mapy,
zwykle s to poudniki lub rwnoleniki (nosz wtedy nazw standardowych). Znieksztacenia
mog by inne w rnych miejscach mapy. Na mapach przedstawiajcych niewielkie obszary s
one z reguy bardzo mae, na mapach kontynentw lub caego wiata s widoczne na pierwszy
rzut oka. Zachowanie ksztatu (conformality) jest osigane przez dokadn transformacj ktw
naokoo punktw. Na mapach zachowujcych ksztat rwnoleniki i poudniki przecinaj si pod
ktem prostym. Mapy zachowujce powierzchni pozwalaj na wyznaczanie powierzchni
znajdujcych si na nich obiektw (a cilej ich rzutw). Mapy wiernoodlegociowe zachowuj
odlego, czyli skal mapy. adna mapa nie zachowuje odlegoci (skali) we wszystkich
miejscach. Odstpstwo od prawdziwej skali jest wyznaczane przez wspczynnik skali (scale
factor). Dla prawdziwej skali wynosi on jeden, jeeli np. przyjmuje warto 2, to zmierzony na
mapie odcinek, ktry zgodnie z podan dla caej mapy skal wynosi 10 km, w rzeczywistoci
wynosi 5 km. Zazwyczaj odlego jest zachowywana dla pomiarw z jednego lub dwch
punktw lub wzdu pewnych linii (najczciej poudnikw lub rwnolenikw). Kierunek lub
azymut jest ktem liczonym w prawo pomidzy kierunkiem pnocnym a innym, wyznaczanym
z dowolnego punktu. Odwzorowania azymutalne (paszczyznowe) zachowuj kierunek dla
wszystkich prostych wychodzcych z jednego punktu.
Przy wyborze danego odwzorowania okrela si jego parametry, ktre pozwalaj na
umieszczenie siatki geograficznej przeksztaconej przez dane odwzorowanie w dowolnym
miejscu, w podany przez nas sposb. Do podstawowych parametrw opisujcych
odwzorowania mona zaliczy: poudnik rodkowy (central meridian), szeroko punktu
pocztkowego (latitude of origin), rwnolenik standardowy (standard parallel), szeroko
punktu rodkowego (latitude of center), rodkowy rwnolenik (central parallel), odcit punktu
gwnego (false easting), rzdn punktu gwnego (false northing) oraz wspczynnik skali
(scale factor). Nie wszystkie odwzorowania potrzebuj wszystkich parametrw, istniej take
ograniczenia co do moliwoci ich zmiany. Kade odwzorowanie posiada poudnik rodkowy,
dla wikszoci map przebiega on pionowo przez ich rodek i wyznacza pooenie ich centrum.
Szeroko punktu pocztkowego wyznacza rwnolenik, ktrego przecicie z poudnikiem
rodkowym okrela pocztek ukadu wsprzdnych prostoktnych mapy. Czsto rol t peni
rwnik. Na rwnolenikach standardowych zachowana jest skala. Odwzorowania stokowe maj
najczciej dwa rwnoleniki standardowe. Szeroko punktu rodkowego i rodkowy
rwnolenik s parametrami, ktre w niektrych odwzorowaniach su do okrelania pocztku
ukadu. Odcita i rzdna punktu gwnego definiuj wsprzdne punktu pocztkowego inne ni
(0,0). Wynika to z przyjtej konwencji, aby wsprzdne odwzorowa byy zawsze liczbami
dodatnimi. Wspczynnik skali moe modyfikowa (np. w ArcGIS) pooenie paszczyzny
rzutowania w niektrych odwzorowaniach walcowych. Przy wartoci 1.0 paszczyzna jest
styczna na poudniku rodkowym, przy innych wartociach przecina powierzchni Ziemi
tworzc po obu stronach poudnika rodkowego dwa poudniki o prawdziwej skali. Tego typu
rozwizanie jest zastosowane w odwzorowaniu, a waciwie systemie wsprzdnych UTM.
Systemy wsprzdnych nie stanowi czsto jednorodnego ukadu, ale szereg pokrywajcych
wikszy obszar niezalenych ukadw, ktre wykorzystuj w podobszarach dane odwzorowanie
z rnymi parametrami.
Nie ma praktycznej potrzeby zapoznawania si ze wszystkimi rodzajami odwzorowa.
W badaniach naukowych (i w wielu innych zastosowaniach) uniwersalnym systemem
wsprzdnych dla map obszarw o wymiarach od setek metrw do setek kilometrw jest
obecnie Universal Transverse Mercator znany jako UTM. Ze wzgldu na to, e nie pokrywa on
obszarw polarnych, uzupeniony jest przez odwzorowanie Universal Polar Stereographic
(UPS) dla okolic obu biegunw. Dla tworzenia map w mniejszych skalach (1:500 000 i mniej)
dla Europy zaleca si stosowanie wiernopowierzchniowego azymutalnego odwzorowania
Lamberta (Lambert Azimuthal Equal Area) lub konformicznego stokowego odwzorowania
Lamberta (Lambert Conformal Conical) (EEA, 2005). Te dwa odwzorowania mog by take po
zmianie parametrw stosowane w skali kontynentw i czci oceanw dla dowolnych obszarw
o rozcigoci nie przekraczajcej 90 stopni szerokoci geograficznej. Do tworzenia map caego
globu moe by stosowane odwzorowanie Winkel Tripel uywane od 1998 roku przez National
Geographic Society. Mapy topograficzne, zarwno analogowe jak i cyfrowe, s obecnie
wykonywane w Polsce w dwch pastwowych systemach wsprzdnych: ukadzie 1992 i
ukadzie 2000. Polskie mapy topograficzne w cigu ostatnich 50 lat byy wykonywane w
trzech rnych ukadach: 1942,1965oraz GUIGiK1980.
Wiele projektw wymaga integracji map posiadajcych rne odwzorowania. Powszechn
praktyk jest sprowadzenie ich do jednego wsplnego ukadu wsprzdnych. Jakkolwiek szereg
programw GIS potrafi wizualizowa jednoczenie warstwy o rnych odwzorowaniach (ale
tym samym ukadzie odniesienia), to w procesie analizy lub edycji danych moe to powodowa
problemy. W praktyce moliwe s dwie sytuacje. Pierwsza kiedy dane maj wsplny ukad
odniesienia i rne odwzorowania i druga kiedy rni si zarwno ukadem odniesienia, jak
i odwzorowaniem. W pierwszym przypadku dane s transformowane do nowego odwzorowania
w dwch etapach. Najpierw za pomoc odwrotnej funkcji odwzorowawczej (inverse equation
projection) dane ze wsprzdnych prostoktnych s przeliczane z powrotem do wsprzdnych
geograficznych, nastpnie za do nowego odwzorowania. W przypadku drugim, po przeliczeniu
odwzorowania do wsprzdnych geograficznych stosuje si dwa rozwizania. Pierwsze polega
na przeliczeniu ukadu wsprzdnych geograficznych do geocentrycznych wsprzdnych
prostoktnych, wykonaniu transformacji ukadu do nowego ukadu odniesienia i powrotu do
wsprzdnych geograficznych. Drugie wykorzystuje rwnanie Moodeskiego, pozwalajce na
wyznaczenie relacji midzy wsprzdnymi geograficznymi dwch elipsoid. Po otrzymaniu przy
pomocy jednego z rozwiza wsprzdnych geograficznych stosuje si wymagane
odwzorowanie.
3.1.6 UTM podstawowy ukad wsprzdnych w pracach naukowych
Odwzorowanie Mercatora jest najbardziej znanym sposobem przeniesienia siatki
geograficznej z kuli na pask powierzchni, jak po rozprostowaniu stanowi boczna ciana
walca. Cho nie mona za pomoc tego odwzorowania przedstawi obszarw polarnych, to jego
ogromn zalet jest to, e kada linia prosta na mapie wyznacza kierunek o staym azymucie
(loksodrom). Z tego te powodu odwzorowanie to powszechnie stosuje si w nawigacji
morskiej. Wynalaz je w XVI wieku Gerardus Mercator na fali potrzeb zrodzonych przez wielkie
odkrycia geograficzne. W jego odwzorowaniu walec umieszczony by pionowo, a rwnik by
styczny do jego powierzchni (Rysunek 3.4a). Pod koniec XVIII wieku Johann Lambert
zmodyfikowa to odwzorowanie ustawiajc walec poprzecznie (Rysunek 3.4b). Odwzorowanie
nosi nazw Transverse (poprzeczne) Mercator albo Gaussa-Krgera. Liniami prostymi pozostaj
w nim poudnik rodkowy i rwnik. Powierzchnia walca moe by styczna do powierzchni
Ziemi bd sieczna z dwoma liniami stycznymi naokoo poudnika rodkowego. To ostatnie
rozwizanie zostao zastosowane w latach 40-tych do stworzenia w oparciu o Transverse
Markator systemu wsprzdnych pokrywajcego ca Ziemi seri oddzielnych pionowych
stref. Zostao ono nazwane Universal Transverse Merkator (UTM).
Rys. 3.4 Odwzorowanie Merkatora: a wynalezione przez Merkatora w XVI wieku; b Transverse Merkator
(poprzeczne walcowe) zaproponowane przez Lamberta w XVIII

Rys. 3.5 System wsprzdnych UTM (Universal Transverse Merkator) Uniwersalne Poprzeczne Merkatora. Na
mapie wiata pokazano poudniki rodkowe wszystkich stref oraz stref 34. Mapa Polski zostaa przedstawiona w
odwzorowaniu UTM34N.

Podstawowe zaoenia tego systemu zostay przedstawione na Rysunku 3.5. Ziemia zostaa
podzielona na 60 stref pnocnych i poudniowych, oznaczanych kolejnym numerem i du liter
N i S. Kada strefa ma szeroko 6 stopni, z umiejscowionym centralnie poudnikiem
rodkowym. Strefy 1N i 1S zaczynaj si na 180 W (poudnik rodkowy 177W). Numeracja
stref wzrasta w kierunku wschodnim. Na obszarze Polski znajduje si strefa 33N (z poudnikiem
rodkowym 15E) i strefa 34N (z poudnikiem rodkowym 21E). Numer strefy dla danej
dugoci geograficznej moe by wyznaczony w nastpujcy sposb:
1. Do dugoci dodajemy 180 (przy dugoci zachodniej naley uwzgldni znak minus);
np. 19E = 19 + 180 = 199
50W = -50 + 180 = 130
2. Wynik dzielimy przez 6 i zaokrglamy do wikszej liczby cakowitej;
np. 199 / 6 = 33.167 po zaokrgleniu = strefa 34
130 / 6 = 21.67 po zaokrgleniu = strefa 22.
UTM stosuje si dla szerokoci od 80 S do 84N. Przy zastosowaniach wojskowych, dla ktrych
zosta zaprojektowany, uywa si take literowego oznaczenia stref. Poudnik rodkowy i rwnik
(jedyne proste linie) tworz oddzielny ukad wsprzdnych dla kadej strefy. Poudnik
rodkowy ma przypisan warto x = 500000,0 m dla uniknicia wartoci ujemnych. Z tego
samego powodu warto y na rwniku jest inna dla pkuli pnocnej (y = 0) i poudniowej (y =
10000000,0), wartoci na osi y rosn zawsze w kierunku pnocnym. Odwzorowanie UTM
zachowuje ksztat i kty przy minimalnej deformacji powierzchni. Poudnik rodkowy danej
strefy posiada wspczynnik skali 0,9996, a wierna skala jest zachowana w odlegoci 180 km po
obu stronach tego poudnika. Maksymalny bd odlegoci w granicach jednej strefy wynosi 1
metr na 2500 metrw. Jeeli dany obszar obejmuje wicej ni jedn stref (taka sytuacja jest
w Polsce), mona wyj z ukadem wsprzdnym poza stref, ale nie powinno si przekracza
stref ssiednich. Naley mie take wiadomo, e poza stref bdy szybko rosn.
Odwzorowanie UTM z ukadem odniesienia ETRS89 jest zalecane do stosowania w Europie
przy tworzeniu map w skalach od 1:10000 do 1:499999 (EEA, 2005).
Podobnym do UTM jest system wsprzdnych Gaussa-Krgera. Dzieli on Ziemi take na
strefy 6-stopniowe. Strefa pierwsza ma poudnik rodkowy 3E. Zastosowano podobne
wsprzdne dla pocztku ukadu, jednak dopuszcza si take dodawanie do wsprzednej x
numeru strefy razy milion (pocztek ukadu w strefie sidmej bdzie posiada x = 500 000 + 7 *
1000000 = 7500000). Jedyn istotn rnic jest wspczynnik skali, ktry wynosi 1.0
(paszczyzna rzutowania jest styczna, a nie sieczna).
Dla obszarw polarnych uzupenieniem UTM jest UPS (Universal Polar Stereographic),
przedstawione na Rysunku 3.6. Jest to odwzorowanie paszczyznowe z paszczyzn rzutowania,
analogicznie jak w UTM, przecinajc Ziemi (sieczn). Wyraz stereograficzne oznacza, e
promienie rzutujce wychodz z naprzeciwlegego bieguna. Standardowymi rwnolenikami
(o wiernej skali) s 810653,2 N i S, natomiast na biegunie wspczynnik skali wynosi 0.994,
czyli tyle samo, ile na poudniku rodkowym UTM. Parametry tego odwzorowania zostay
dobrane tak, aby pod wzgldem dokadnoci miao ono podobny charakter do UTM. S dwie
wersje tego odwzorowania, jedna dla rejonw pnocnych i druga dla poudniowych.

Rys. 3.6 Odwzorowanie UPS (Universal Polar Stereographic) Uniwersalne Biegunowe Stereograficzne. Jest
uzupenieniem UTM dla obszarw polarnych.

3.1.7 Maoskalowe odwzorowania europejskie

Odwzorowanie Lambert Azimuthal Equal Area (LAEA), czyli wiernopowierzchniowe
azymutalne odwzorowanie Lamberta, ktre jest zalecane jako podstawowe odwzorowanie do
przedstawiania Europy (EEA, 2005), zostao wynalezione przez Johanna Lamberta w drugiej
poowie XVIII wieku (Rysunek 3.7). Jest to odwzorowanie paszczyznowe z paszczyzn
styczn w dowolnym punkcie Ziemi. Odwzorowanie zachowuje prawdziw powierzchni,
natomiast ksztat ulega minimalnym znieksztaceniom (mniej ni 2%) w odlegoci mniejszej ni
15 stopni od punktu centralnego (stycznoci). Odlego jest zachowywana we wszystkich
kierunkach z punktu centralnego. Jest stosowane midzy innymi do tworzenia tematycznych
map oceanw np. geologicznych. Odwzorowanie to jest standardem w takich instytucjach
europejskich, jak Eurostat i European Environment Agency (EEA) do przedstawiania map
Europy w skalach 1:500000 i mniejszych. W tabeli 3.3 przedstawiono symbole uywanych przez
instytucje europejskie rodzajw tego odwzorowania, sposb wykorzystania i podstawowe
parametry. Pliki definiujce te odwzorowania (typu .prj dla programu ArcGIS) mona pobra ze
strony http://www.eionet.eu.int/gis .
 Tab. 3.3 Odwzorowania Lambert Azimuthal Equal Area (LAEA) stosowane w instytucjach UE
Zastosowanie Symbol odwzorowania Podstawowe parametry
(nazwa pliku)
Eurostat/GISCO ETRS-LAEA4809 rodkowy poudnik 9 E
Szerok. punktu pocztkowego 48 N
Komisja Europejska (EU-15) ETRS-LAEA5210 rodkowy poudnik 10 E
Szerok. punktu pocztkowego 52 N
Standard EEA dla obszaru ETRS-LAEA5220 rodkowy poudnik 20 E
krajw czonkw EU Szerok. punktu pocztkowego 52 N
Standard EEA dla Euroazji ETRS-LAEA5265 rodkowy poudnik 65 E
Szerok. punktu pocztkowego 48 N

Rys. 3.7 Odwzorowanie LAEA (Lambert Azimuthal Equal Area): a moe by stosowane do tworzenia map
obszarw mniejszych od pkuli; b podstawowa mapa Europy z poudnikiem rodkowym 10E; c zgodna z
zaleceniami EEA mapa do analiz rodowiska przyrodniczego Batyku, LAEA z poudnikiem rodkowym 20E.

Do przedstawiania map maoskalowych Europy (1:500000 i mniejsze), na ktrych istotne

jest zachowanie prawdziwego ksztatu, rekomendowane jest stosowanie odwzorowania LCC
(Lambert Conformal Conical), czyli konformicznego stokowego odwzorowania Lamberta
(EEA, 2005). Przedstawione na Rysunku 3.8 odwzorowanie wraz ze standardowymi
parametrami EEA (symbol odwzorowania i nazwa pliku .prj ETRS-LCC) jest uwaane za jedno
z najlepszych dla rednich szerokoci. Posiada dwa standardowe poudniki, co oznacza, e
powierzchnia stoka jest sieczna do powierzchni Ziemi. Skala jest wierna na poudnikach
standardowych, pomidzy nimi ulega redukcji, a na zewntrz zwikszeniu. Znieksztacenia
powierzchni s podobne jak dla skali.

Rys. 3.8 Odwzorowanie LCC (Lambert Conformal Conic): a podstawowa mapa Europy (ETRS_1989_LCC)
z poudnikiem rodkowym 10E i standardowymi rwnolenikami 35 i 65N; b zastosowanie odwzorowania do
oddania wiernego ksztatu cienin czcych Batyk z Morzem Pnocnym.

3.1.8 Polskie ukady wsprzdnych

Obecnie w Polsce nastpuje przejcie do dwch pastwowych systemw wsprzdnych:
ukadu 1992 i ukadu 2000, ktre od 2010 roku maj by jedynymi obowizujcymi
systemami. Oba te systemy wykorzystuj ukad odniesienia ETRS89. Przedstawiony na Rysunku
3.9 ukad 1992 zosta zaprojektowany dla opracowa topograficznych.

Rys. 3.9 Ukad wsprzdnych paskich prostoktnych 1992. Z prawej strony cyfrowa mapa topograficzna czci
Sopotu wykonana w tym ukadzie wsprzdnych

Ukad oparty jest na odwzorowaniu Gaussa-Krgera z poudnikiem rodkowym 19E. Jeden

ukad wsprzdnych tworzy pas o szerokoci 10 stopni obejmujcy cay kraj. Wspczynnik
skali na poudniku rodkowym wynosi 0,9993, co oznacza, e ukad wykorzystuj sieczn
paszczyzn walca. Pocztkowym rwnolenikiem jest rwnik z ujemn rzdn punktu
gwnego rwn - 5300000000,0 m. Zapewnia to dodatnie wartoci liczbowe na osi y. Odcita
punktu gwnego, podobnie jak w UTM, wynosi 500000,0 m. Naley zapamita, e polskie
instytucje geodezyjne uywaj odwrotnego oznaczenia wsprzdnych ni jest to stosowane w
GIS i geometrii analitycznej, geodezyjna wsprzdna x oznacza rzdn, a wsprzdna y
odcit.

Rys. 3.10 Ukad wsprzdnych paskich prostoktnych 2000. Z prawej strony cyfrowa mapa topograficzna
czci Sopotu wykonana w tym ukadzie wsprzdnych.

Ukad wsprzdnych 2000 jest przeznaczony do opracowa wielkoskalowych, takich jak np.
ewidencja gruntw. Wykorzystano w nim, podobnie jak w poprzednim ukadzie, odwzorowanie
Gaussa-Krgera. Obszar kraju zosta podzielony na cztery oddzielne pasy o szerokoci 3 stopni
z poudnikami rodkowymi: 15 (strefa 5); 18 (strefa 6); 21 (strefa 7); 24 (strefa 8). W kadej
strefie poudnik rodkowy posiada odcit rwn numer strefy razy milion plus 500000,0 m,
a wspczynnik skali ma na nim warto 0,9993. Pocztek ukadu kadej strefy znajduje si na
przeciciu poudnika rodkowego i rwnika i ma rzdn rwn 0,0 m.
W latach PRL-u, ze wzgldu na posunite do absurdu przepisy o ochronie tajemnicy
pastwowej i subowej, stosowane ukady np. GUGIK-1980 czy powszechny jeszcze
niedawno ukad 1965 zostay celowo skaone. Wprowadzono przesunicia pooenia
wsprzdnych osnowy matematycznej oraz niespjne strefy odwzorowawcze (podzia na strefy
by zwizany z wojewdztwami) (Podlacha, 1994). W rezultacie przeliczanie wsprzdnych
z tych ukadw do ukadw obecnych wymaga specjalnego oprogramowania. Jedynym ukadem
nie skaonym stworzonym w tym okresie by system wsprzdnych 1942. Oparty by on na
odwzorowaniu Gaussa-Krgera i ukadzie odniesienia Pukowo 42, wykorzystujcym elipsoid
Krassowskiego.
3.2 MODELE DANYCH
3.2.1 Model danych - cyfrowa reprezentacja i struktura danych
Jeeli do analizy powierzchni Ziemi chcemy wykorzysta komputer, to musimy najpierw
stworzy w nim numeryczny odpowiednik naszego obiektu bada. Problem, przed ktrym
stoimy, polega na przeniesieniu powierzchni Ziemi do pamici komputera, aby wykorzystujc
jego moliwoci mc odpowiedzie na interesujce nas pytania. Powierzchnia Ziemi jest
praktycznie nieskoczenie zoona, tote wyj naley od sformuowania pyta badawczych,
ktre pozwol na wybranie warstw istotnych dla rozwizania danego problemu. Przyjmijmy, e
zadaniem, ktre sobie postawilimy jest okrelenie gstoci sieci rzecznej w Polsce (czyli
wyznaczenie stosunku dugoci wszystkich rzek do powierzchni kraju). Mona je oczywicie
wykona korzystajc z papierowej mapy, na ktrej zaznaczone s granice Polski i jej sie
rzeczna. Gdyby skopiowa z mapy Polski w skali 1:50000 wszystkie rzeki otrzymano by map
podobn do przedstawionego na Rysunku 3.11 wycinka.

Rys. 3.11 Wycinek cyfrowej mapy hydrograficznej Polski w skali 1:50000

Mierzenie dugoci rzek na mapie papierowej, cho moliwe, byoby zadaniem mudnym
i wymagajcym duej iloci czasu. Aby przenie element powierzchni Ziemi (jakim jest w
omawianym przykadzie sie rzeczna) do pamici komputera, musimy znale jej cyfrowy
odpowiednik. Naturalnym wyborem bdzie linia. Linia moe by zapisana w sposb cyfrowy za
pomoc wsprzdnych punktw, ktre j tworz, a dugo kadego jej odcinka moe by
w prosty sposb obliczona, wykorzystujc podstawowe zasady geometrii analitycznej.
Zsumowanie dugoci wszystkich odcinkw podzielone przez powierzchni kraju da nam
szukan warto. Modelem sieci rzecznej bd zatem linie, a struktur zapisu w pamici
komputera bdzie tabela zawierajca wsprzdne poszczeglnych punktw, z ktrych tworzone
s odcinki (Rysunek 3.12). Linia nie odzwierciedla dokadnie przebiegu rzeki, ale stanowi jej
przyblienie. Szczegowo modelu bdzie zaleaa od celw jakim ma suy i sposobu
pozyskiwania danych. Ma ona bezporedni zwizek ze skal, ale niezalenie od niej model
bdzie wymaga pewnych uproszcze w porwnaniu z rzeczywistoci. Proces redukcji
szczegw nosi nazw generalizacji [patrz podroz. 4.8].

Rys. 3.12 Rzeki (linia przerywana) s modelowane liniami, ktre generalizuj ich przebieg. Wsprzdne punktw
kadej linii s zapisywane oddzielnie.

Pojcie modelu danych ma dwojakie znaczenie. Po pierwsze opisuje struktury danych,

ktre mog by wykorzystane przy tworzeniu modelu elementw powierzchni Ziemi
w cyfrowym rodowisku komputera. Po drugie opisuje caociowo sposb cyfrowego
zobrazowania rzeczywistoci. Istniej dwa podstawowe podejcia do tworzenia tych modeli.
Pierwsza zakada, e powierzchni Ziemi moemy przedstawi jako zbir obiektw wielu klas
(warstw). Druga pojmuje j jako cige powierzchnie lub pola rnych zmiennych. Podstawow
cech obiektu jest przestrzenne ograniczenie jego wystpowania i wewntrzna jednorodno,
podczas gdy pola charakteryzuje cigo w przestrzeni i przestrzenna zmienno. Obiekty
okrelonej klasy istniej w pustce, tzn. s w przestrzeni miejsca, gdzie obiekty istniej i takie,
gdzie ich nie ma. Budynki na Rysunku 3.10 maj okrelone granice. Nie dzielimy ich na
mniejsze czci, kady z nich stanowi oddzieln i jednorodn cao. Obiekty mog si ze sob
czy, a nawet zajmowa to samo miejsce w przestrzeni. Obszar miasta na Rysunku 3.10
moemy przedstawi jako zbir obiektw reprezentujcych budynki (poligony) i drogi (linie).
W ten sposb stworzymy cyfrowy model miasta. Obiektowa koncepcja tworzenia modelu pasuje
do wektorowej struktury danych. Ale to samo miasto moemy take przedstawi jako szereg
cigych warstw zmiennych, opisujcych pokrycie terenu. Pierwsza warstwa dzieli bdzie cay
teren na klas ldu albo wody, warstwa druga na budynki, drogi i obszar nieokrelony. Naturaln
struktur danych dla tak budowanego modelu bdzie raster. Praktycznie kady obraz
powierzchni Ziemi moemy modelowa wedug koncepcji obiektw (wektorowo) lub pl
(rastrowo). Wybr metody jest wypadkow co najmniej paru czynnikw, z ktrych
najwaniejszymi s rodzaj dostpnych danych, zakres zadawanych pyta i specyfika
planowanych analiz. Na Rysunku 3.13 przedstawiono proces budowy modelu danych obszaru
przedstawionego na zdjciu satelitarnym (raster) (Rysunek 3.13c). Jeeli pytanie dotyczy
okrelenia zwizku midzy zanieczyszczeniem rzek a sposobami uytkowania terenu wzdu ich
biegu, odpowiednim modelem mog by dwie warstwy wektorowe: poligonw uytkowania
terenu i linii rzek (Rysunek 3.13 a). Potrzeba zastosowania metod dostpnych tylko
w rodowisku rastrowym (np. analizy czynnikowej) wymusiaby uycie rastrowego modelu
zarwno dla warstwy rzek, jak i uytkowania ziemi. Natomiast zagadnienia zwizane ze
spywem wody po terenie wymagaj najczciej numerycznej mapy terenu w postaci rastrowej
(Rysunek 3.13b).

Rys. 3.13 Zdjcie satelitarne (Landsat) (c) przedstawia modelowany obszar powierzchni Ziemi z naoon warstw
rzek. Cyfrowy model tego obszaru, w zalenoci od potrzeb, moe by modelem skadajcym si tylko z warstw
wektorowych (a - przedstawia wektorowe warstwy pokrycia terenu, rzek i jezior) albo mieszanym, skadajcym si
z warstw wektorowych i rastrowych (b - przedstawia rastrow map wysokoci terenu i wektorowe mapy rzek
i jezior).
Ten sam obszar w zalenoci od potrzeb moe by modelowany przy pomocy rnych warstw,
ta sama zmienna moe by przedstawiana albo jako warstwa wektorowa, albo jako rastrowa.
Mapa pokrycia terenu powstaje najczciej jako warstwa rastrowa w procesie klasyfikacji
wielokanaowego zdjcia satelitarnego, a nastpnie jest zamieniana na warstw wektorow.
Dowolna warstwa rastrowa moe by zamieniona na wektorow w procesie zwanym
wektoryzacj, dziaanie odwrotne nosi nazw rasteryzacji [patrz podroz. 5.7].
3.2.2 Wektorowy model danych
Istota wektorowego modelu danych zostaa przedstawiona na Rysunku 3.14. Podstawow
zalet tego modelu jest jego prostota. Istniej trzy typy obiektw w modelu wektorowym:
punkty, linie i wieloboki (poligony). Konstrukcja wszystkich obiektw jest oparta o punkty.
W zalenoci od systemu punkt moe mie 2, 3 lub 4 wsprzdne. W ArcGIS kady punkt
posiada

Rys. 3.14 Struktura wektorowego modelu danych.

wsprzdne x,y, a opcjonalnie moe posiada dodatkowo wsprzdne z i m. Wsprzdna z daje
moliwo lokalizacji punktu w przestrzeni trjwymiarowej, a m peni rn rol moe na
przykad suy do okrelenia czasu. Kady obiekt posiada swj numer (identyfikator)
i geometri. W rezultacie punkty lub odcinki, ktre s wsplne dla paru obiektw, s zapisywane
kilkakrotnie. Obie linie na Rysunku 3.14 cz si w punkcie (x3,y3) i punkt ten wystpuje
w geometrii obu linii. Oba poligony posiadaj take wsplny odcinek (x3,y3),(x4,y4) i w
geometrii kadego z nich wsprzdne jego punktw zostan zapisane. Powtarzanie si tych
samych punktw w zbiorze danych rodzi szereg problemw, z ktrych najbardziej oczywistym
jest moliwo zmiany pooenia punktu tylko w czci jego wystpie w bazie danych.

Ramka 3.2
Shape file (SHP) format wektorowy w ArcGIS

Warstwa wektorowa (punktw, linii lub poligonw) zapisana w tym formacie skada si
z szeregu plikw (od 3 do 6), rnicych si rozszerzeniem (.shp, .shx, .dbf, .sbx, .sbn, .prj),
z ktrych niezbdne s pierwsze trzy, np:
rzeki.shp
rzeki shx
rzeki.dbf
Pierwszy plik zawiera dane o geometrii obiektw, drugi jest plikiem indeksw, a trzeci stanowi
tablica bazy danych dBASE zawierajc dane atrybutowe. Plik .prj jest plikiem tekstowym,
opisujcym rodzaj ukadu odniesienia i ewentualnie odwzorowanie. W tej strukturze danych
mona zapisywa obiekty skadajce si z wielu elementw (rysunek), np. wieloboki z wyspami.
Dziki temu, e struktura tego formatu jest jawna jest on powszechnie stosowany do
przenoszenia danych wektorowych midzy programami.

Numery lub identyfikatory obiektw peni istotn rol poczenia pomidzy czci
graficzn a atrybutow. Elementem struktury modelu jest tablica atrybutw, w ktrej wiersze
(rekordy) odpowiadaj poszczeglnym obiektom, a kolumny (pola) mog by dowolnie
tworzone dla zmiennych opisujcych obiekty. Mog by one zarwno liczbowe, jak i tekstowe.
Przedstawiona struktura danych odpowiada powszechnie znanemu formatowi danych
wektorowych w GIS, jakim jest shape file (Ramka 3.2). Format ten jest najczciej uywany
w badaniach naukowych, a take jest rekomendowany do stosowania w projektach zwizanych
ze rodowiskiem przyrodniczym w Europie (EEA, 2005). W pocztkowym okresie rozwoju
oprogramowania GIS starano si umieci w strukturze danych informacje topologiczne.
Topologia jest dziedzin zajmujc si geometrycznymi relacjami midzy obiektami. Dostarcza
przykadowo informacji o ssiadach danego obiektu. Operowanie tego typu wiedz ma istotne
znaczenie zarwno przy edycji danych, jak i ich analizie. Topologiczny model danych coverage
(COV) stworzony przez ESRI na bazie modelu arc-node (uk-wze) zawiera informacje
topologiczne i pozwala na niepowtarzanie danych. Obecnie nie jest on ju stosowany w nowych
wersjach oprogramowania (w ArcGIS), a topologia jest realizowana praktycznie poza
strukturami danych. Wektorowe dane mona take napotka w formatach programu AutoCad
(DXF i DGW) oraz w starym formacie wymiany danych wektorowych programu ArcInfo (E00).
Model wektorowy, cho najczciej jest wykorzystywany do obiektowej reprezentacji
rzeczywistoci, moe by take uywany do przedstawiania pl cigych. Do tego celu mog by
wykorzystane zarwno punkty, linie, jak i poligony. Na Rysunku 3.15 przedstawiono sze
metod modelowania powierzchni za pomoc danych wektorowych. Powierzchnie te mog by
dwojakiego rodzaju. Pierwszy rodzaj powierzchni, zwany przez niektrych autorw
powierzchniami statystycznymi (lub zawierajcymi dane geostatystyczne) zawiera zmienne
cige pozbawione granic. Przykadami takich powierzchni jest pole temperatury, cinienia czy
zawartoci okrelonego zwizku chemicznego w osadzie czy glebie, ale take powierzchnia
prawdopodobiestwa wystpowania okrelonego gatunku. Drugi rodzaj powierzchni nie
zachowuje przestrzennej cigoci i zmiana wartoci ma charakter skokowy, powodujcy
istnienie granic. Tworz je zmienne nominalne lub porzdkowe, wyraone najczciej za
pomoc liczb cakowitych. Powierzchniami tego typu s powierzchnie pokrycia terenu, rodzaju
osadw lub typu gleby.

Rys. 3.15 Modelowanie pl za pomoc modelu wektorowego: a nieregularnie rozmieszczone punkty; b

regularnie rozmieszczone punkty; c poligony Thiessena; d siatka wektorowa; e przystajce poligony; f
izolinie.
Najprostszym sposobem modelowania powierzchni jest wykorzystanie danych punktowych.
Dokadno modelu bdzie zaleaa od gstoci rozmieszczenia punktw. Naley zwrci jednak
uwag na to, e tego typu model pozostawia na powierzchni miejsca, do ktrych nie jest
przypisana warto zmiennej. Rozmieszczenie punktw moe by nieregularne (Rysunek 3.15a)
lub regularne, odpowiadajce wzom lub rodkom komrek siatki rastrowej lub wektorowej
(Rysunek 3.15b). Regularne rozmieszczenie punktw moe by przeprowadzone wedug
rnych schematw. Nieregularnie rozmieszczone punkty mog by otoczone strefami
oddziaywania w formie wielobokw zwanych poligonami Thiessena (Rysunek. 3.15c), uywa
si te nazwy diagramy Dirichleta lub Voronoi. Kolejnym moliwym rozwizaniem jest siatka
wektorowa (vector grid lub pseudogrid), tworzona jako mozaika poligonw w formie
kwadratw (Rysunek 3.15d). Kada komrka tej siatki stanowi oddzielny obiekt. Najczciej
wykorzystywan metod modelowania powierzchni zmiennych nominalnych jest jej wypenienie
przystajcymi do siebie poligonami o rnych ksztatach (Rysunek 3.15e). W ten sposb tworzy
si wektorowe warstwy pokrycia terenu, rodzajw osadw, rolinnoci czy gleb. Ostatnia
metoda wykorzystuje do modelowania pl cigych izolinie, czyli linie staych wartoci
(Rysunek 3.15f). Jest to tradycyjna metoda stosowana na mapach papierowych. Kadej linii
przypisany jest atrybut wartoci zmiennej.
3.2.3 Rastrowy model danych
Reprezentacja pl, a zwaszcza pl zmiennych ilociowych, odbywa si przede wszystkim
za pomoc modelu rastrowego. Jego struktur przedstawia Rysunek 3.16.

Rys. 3.16 Struktura rastrowego modelu danych

Raster (grid) tworzy mozaika prostoktnych komrek (najczciej kwadratowych). Przykrywa

ona cay badany obszar, a do kadej komrki przypisana jest jedna warto zmiennej
reprezentatywna dla miejsca wyznaczonego w przestrzeni przez pooenie komrki. Zmienna ta
moe mie bardzo rnorodny charakter. W przypadku zdj lotniczych lub satelitarnych bdzie
ona opisywa barw lub ilo dochodzcego promieniowania. Dla zdjcia cyfrowego komrka
jest jego najmniejszym elementem i nosi czsto nazw piksel (pixel) od kombinacji sw
angielskich picture i element. Ilo docierajcej energi lub barwa moe by traktowana ze
wzgldu na sposb pomiaru, jako warto rednia komrki. Wiele map rastrowych powstaje
w rezultacie interpolacji danych punktowych. W procesie tym estymowana jest warto
w rodku kadej komrki, na podstawie znanych wartoci w otaczajcych j punktach. Istnieje
specjalny rodzaj interpolacji [patrz podroz. 9.5.2], ktry estymuje warto nie w punkcie, ale
redni dla jej caego obszaru. Przy tworzeniu warstw rastrowych pokrycia terenu, ktre
najczciej powstaj na drodze klasyfikacji wielokanaowych zdj satelitarnych, do komrki
przypisuje si klas pokrycia terenu. Ze wzgldu na to, e na jej obszarze moe wystpowa par
klas, zwykle wybiera si klas przewaajc, rzadziej centraln (w punkcie jej rodka). Warto
komrki moe by wyraona zarwno za pomoc liczby rzeczywistej, jak i cakowitej. Zmienne
jakociowe (np. klasy pokrycia terenu) s najczciej kodowane jako liczby cakowite.
Specjalnym rodzajem mapy s tak zwane bitmapy (mapy binarne), ktrych komrki przyjmuj
wartoci 0 albo 1. Istnieje take szereg metod (zalenie od oprogramowania) zaznaczania braku
danej w komrce [patrz ramka 5.1]. Wartoci cakowite komrek mog take peni rol
identyfikatorw dla tablicy atrybutowej.

Ramka 3.3
Formaty rastrowe w GIS

IMAGINE Image (IMG) jest formatem stosowanym w programie ERDAS. Jest kompatybilny
z wikszoci oprogramowania GIS (ArcGIS zarwno czyta go, jak i eksportuje), daje
jednoczenie wysoki stopie kompresji bez utraty danych. Mona w nim zapisywa liczby
rnych typw oraz szereg kanaw. W pliku zawarty jest nagwek zawierajcy informacje
o pooeniu rastra w przestrzeni. Jest to jeden z formatw rekomendowanych przez EEA (EEA,
2005).
Geographic Tag Image File Format (GeoTIFF) jest powszechnym formatem, akceptowanym
przez wikszo programw GIS i analizy obrazu. Zawiera wbudowany nagwek z informacj
o lokalizacji. Podobnie jak poprzedni format umoliwia zapisywanie liczb rnych typw
i szeregu kanaw (jest czytany i eksportowany przez ArcGIS). Jest to drugi format rastrowy
rekomendowany przez EEA.
MrSID (Multiresolution Seamless Image Data) wykorzystuje metod analizy falkowej do
efektywnej kompresji bardzo duych zbiorw rastrowych. Technologia opracowana zostaa
przez Lizard Tech.
ESRI GRID (GRID) jest wewntrznym formatem rastrowym w ArcGIS. Moe zapisywa
liczby rnych typw oraz szereg kanaw. Ma zoon struktur. Format skada si z katalogu
o nazwie rastra zawierajcego szereg plikw. Pliki pomocnicze tworzone s na zewntrz
katalogu. Format nie jest czytany przez inne programy. Do eksportu plikw rastrowych ArcGIS
uywa specjalnego formatu eksportowego.

Podstawowym parametrem kadej struktury rastrowej jest rozdzielczo przestrzenna,

okrelajca rozmiar geometryczny komrki. Opisuje si j za pomoc dugoci boku komrki.
Zdjcie satelity Landsat (Rysunek 3.13 z prawej strony) ma rozdzielczo 15 m, co oznacza, e
bok komrki (piksela) tego zdjcia odpowiada 15 m w terenie. Raster jest struktur pask,
opisan w prostoktnym ukadzie wsprzdnych, przy czym boki komrek s zwykle
rwnolege od osi wsprzdnych. W rezultacie dla jednoznacznego okrelenia pooenia
struktury rastrowej w przestrzeni wystarczy podanie: (1) dugoci bokw komrki lub
rozdzielczoci, (2) lokalizacji punktu pocztkowego (x0,y0) oraz (3) liczby wierszy i kolumn
(Rysunek 3.16). Struktura rastrowa, moe mie charakter wielokanaowy i zawiera wiele
warstw. Stosuje si to czsto przy zdjciach lotniczych i satelitarnych. Jednym z podstawowych
problemw danych rastrowych bya zawsze ich dua objto. Rozwizaniem stay si rne
metody kompresji danych. Istnieje szereg metod kompresji, ale generalnie mona je podzieli na
dwie podstawowe grupy. Pierwsza zachowuje wszystkie dane oryginalne, natomiast druga stara
si zachowa tylko najistotniejsz informacj. W Ramce 3.3 przedstawiono podstawowe formaty
danych rastrowych. Z wyjtkiem MrSID wymienione w niej formaty nale do pierwszej grupy
i zachowuj pen informacj.
Przedstawiona powyej struktura rastrowa nosi nazw rastra penego. Istniej inne modele
danych rastrowych. Jednym z nich jest model rastra hierarchicznego, w ktrym zastosowano
zmienne rozmiary komrek, zagszczajc je na obszarach o wikszej liczbie szczegw. Jednak
to rozwizanie nie zyskao powszechnej akceptacji i nie zostao zaimplementowane
w najwaniejszych wspczenie uywanych programach.
Podobnie jak dane wektorowe mog suy do modelowania pl, tak i dane rastrowe mog
by wykorzystane do reprezentowania obiektw. Warto komrki rastrowej peni wtedy rol
 Rys. 3.17 Modelowanie obiektw za pomoc modelu rastrowego: a punktw; b linii; c poligonw.

identyfikatora danego obiektu. Identyfikatorami mog by wycznie liczby cakowite. Na

Rysunku 3.17 przedstawiono rastrowy model trzech rodzajw obiektw. Punkty (Rysunek 3.17a)
s w modelu rastrowym przedstawiane jako pojedyncze komrki z unikalnymi identyfikatorami
(numerami). Kady punkt jest reprezentowany w tablicy atrybutowej jako oddzielny rekord.
W tablicy moe by utworzonych szereg pl (dowolnego typu) zawierajcych atrybuty danego
punktu. Linie (Rysunek 3.17b) s zapisywane jako grupy poczonych ze sob komrek o takim
samym identyfikatorze. W tablicy atrybutowej kady identyfikator jest zapisany w oddzielnym
rekordzie, dziki temu caej grupie pikseli reprezentujcej jeden obiekt odpowiada pojedynczy
rekord. W podobny sposb tworzy si struktur rastrow dla wielobokw. (Rysunek 3.17c).
Mapy rastrowe obiektw mog by uzyskane w procesie rasteryzacji danych wektorowych [patrz
podroz. 5.7].
3.2.4 Wektorowy model sieci
Modele sieciowe su do tworzenia reprezentacji sieci rzecznych, sieci ulic, czy nawet
sieci korytarzy ekologicznych, ktrymi przemieszczaj si dzikie zwierzta na obszarach silnie
przeksztaconych przez czowieka. Sie tworz poczone ze sob odcinki linii. Istniej dwie
podstawowe moliwoci ich poczenia (Rysunekk 3.18). Pierwsze tworzy struktur drzewiast
(tree lub radial) przypominajc gazie drzewa, system korzeniowy lub sie rzeczn (Rysunek
3.18a).
 Rys. 3.18 Dwie podstawowe formy struktury modelu sieciowego: a drzewiasta; b zaptlona

Podobnie jak w tych naturalnych systemach kierunek w takiej strukturze moe by okrelony
jako z prdem lub pod prd. Brak jest take przeci i skrzyowa. Drugi rodzaj struktury
(Rysunek 3.18b) ma sztuczny charakter, typowy dla ulic miasta lub sieci wodocigowej
z przeciciami i zaptleniami (loop lub circuit). Model sieci skada si z warstwy linii, warstwy
punktw i topologicznych relacji o wzajemnych relacjach tych elementw. W przedstawionym
na Rysunku 3.19 modelu sieci rzecznej odcinki sieci, stanowice oddzielne linie (edges) cz sie
ze sob w punktach pocze lub wzach (junctions). Informacja topologiczna zespala warstw
linii i punktw w jedn spjn struktur. Relacja midzy liniowymi elementami sieci rzecznej a
punktami okrela, ktry punkt jest pocztkiem, a ktry kocem danego odcinka. Naley zwrci
uwag, e dla zachowania cigoci rzek w przypadku gdy przepywaj przez jezioro, linia rzeki
jest kontynuowana na jego obszarze.

Rys. 3.19 Model sieci rzecznej.

 Model sieciowy jest okrelony w przestrzeni dwuwymiarowej. Istnieje specjalny rodzaj
modelu nazwany liniow referencj, ktry na liniach sieci tworzy jednowymiarowy ukad
odniesienia. Przykadowo moe by on zaoony w taki sposb, aby wskazywa w kadym
miejscu rzeki odlego do ujcia. Umiejscawianie obiektw w takim ukadzie odniesienia nosi
nazw dynamicznej segmentacji. Modele sieci i liniowej referencji s cile zwizane z danym
rodzajem oprogramowania GIS i nie posiadaj adnej uniwersalnej struktury danych.
3.2.5 Wektorowy model TIN
TIN (Triangulated Irregular Network) suy gwnie do modelowania topografii terenu.
Zgodnie z nazw tworzy go sie nieregularnych trjktw z wierzchokami w punktach o znanej
wysokoci. Konstrukcja sieci odbywa si za pomoc triangulacji Delanuay (Rysunek 3.20).

Rys. 3.20 Konstrukcja modelu TIN za pomoc triangulacji Delanuay

Przebiega ona w nastpujcy sposb: najpierw punkty z wartociami wysokoci (Rysunek 20a)
s otaczane poligonami Thiessena (Rysunek 20b), nastpnie punkty dla ktrych wieloboki
Thiessena posiadaj wsplne krawdzie s ze sob czone (Rysunek 20c), w rezultacie powstaje
siatka trjktw. Model ten jest modelem topologicznym. Kady trjkt tej struktury danych
posiada swj identyfikator. Topologia modelu polega na powizaniu trjktw z numerami jego
wierzchokw i identyfikatorami ssiednich trjktw. W ten sposb, jeli znany jest numer
trjkta, znane s numery jego ssiadw i wierzchokw. Z kolei znajc numer wierzchoka
znamy numer trjkta. Znajomo tych relacji oraz moliwoci zagszczania sieci trjktw
w miejscach o bogatej rzebie jest wykorzystywana w trjwymiarowej wizualizacji terenu.
Model ten nie jest jednak powszechnie wykorzystywany w naukowej analizie terenu czy
modelowaniu ekologicznym. Podobnie jak model sieci i liniowej referencji sposb jego
wykorzystania okrela dane oprogramowanie.
3.3 POZYSKIWANIE DANYCH
3.3.1 Pomiary
Podstaw kadego projektu GIS s dane. Ich pozyskanie i przetworzenie do spjnej postaci
tworzcej model danych jest czsto dugotrwaym, kosztownym i wymagajcych znacznych
nakadw pracy procesem. Szacuje si, e w wielu projektach etap ten wymaga do 80% czasu
i kosztw. Jednoczenie jest to etap decydujcy o jakoci kocowych rezultatw. Okrelenie
rodzaju potrzebnych danych jest pierwszym krokiem w realizacji wikszoci projektw. To jakie
dane s potrzebne wynika z celw badawczych projektu. Po pierwsze okrelaj one obszar
i skal bada. Skala odnosi si zarwno do przestrzeni, jak i czasu. Z jednej strony okrela ona
wymagan przestrzenn rozdzielczo danych i ich dokadno, z drugiej podany
i dopuszczalny czas ich pozyskania. Po drugie okrelaj rodzaj potrzebnych danych
przestrzennych. Gdy okrelony jest obszar, rodzaj danych oraz skala przestrzenna i czasowa
nastpuje etap ewaluacji moliwoci zdobycia tych danych. Istniej trzy podstawowe sposoby
pozyskiwania danych. Pierwszy polega na utworzeniu ich we wasnym zakresie na drodze
pomiarw terenowych. Tego typu dane nosz czsto nazw danych pierwotnych. Ich ogromn
zaleta jest to, e o ich rodzaju, dokadnoci i czasie pomiaru decyduje prowadzcy badania.
Dziki temu jest on w stanie pozna wszystkie ich sabe i mocne punkty, oraz przeprowadzi ich
szczegow analiz z punktu widzenia stawianych zaoe i hipotez, co ma oczywicie bardzo
istotne znaczenie w pracy badawczej. Z tego te powodu w projektach badawczych dane
podstawowe s czsto pozyskiwane na drodze pomiarw. Od GIS oczekuje si natomiast
moliwoci powizania tych danych z danymi pomocniczymi charakteryzujcymi rodowisko.
Drug moliwoci pozyskania danych jest zakup lub wykorzystanie danych oferowanych
bezpatnie, ktre zostay specjalnie przystosowane do pracy z GIS (dane wtrne). W jednym z
nastpnych podrozdziaw przedstawione zostan aktualnie dostpne (2006), bezpatne dane GIS
pokrywajce ca Polsk, ktre mog by z powodzeniem wykorzystywane jako dane
pomocnicze. Wreszcie ostatni moliwoci jest wykorzystanie danych przestrzennych
analogowych (np. map papierowych), cyfrowych nie posiadajcych dowizania przestrzennego
(np. skanw map papierowych) lub danych atrybutowych (analogowych lub cyfrowych), ktre
mog by odniesione przestrzennie. Aby dostosowa te materiay do pracy w GIS niezbdnych
jest szereg krokw, ktre zostan opisane w kolejnym podrozdziale.

Ramka 3.4
Prbkowanie w ArcGIS z wykorzystaniem Hawths Analysis Tools

http://www.spatialecology.com/htools
(10.2006) Version 3.26

Hawths Analysis Tools jest bezpatnym rozszerzeniem zawierajcym szereg narzdzi do

ArcGIS stworzonym przez Hawthorne L. Beyera. Powstao ono w celu uzupenienia
funkcjonalnoci ArcGIS o podstawowe operacje statystyczne i analizy przestrzennej, potrzebne
w badaniach ekologicznych. Zawiera ono zbir narzdzi do prbkowania (Sampling Tools),
ktre umoliwiaj szereg wariantw tego procesu. czenie tych operacji ze sob daje jeszcze
wiksz swobod realizacji potrzebnego scenariusza.

Na rysunku poniej pokazano przykad wykorzystania szeregu narzdzi. Najpierw za pomoc

Create Vector Grid (Utwrz siatk wektorow) na obszarze bada zostaa stworzona siatka
kwadratw o boku 1 km (a), przy czym kady kwadrat jest oddzielnym poligonem. Nastpnie za
pomoc Create Random Points (Utwrz punkty losowo) z opcj stratyfikacji wylosowano po
dwa punkty w kadym kwadracie siatki, z ograniczeniem, e nie le one bliej siebie ni 400 m
(b). W kolejnym kroku za pomoc Create Sample Plots (Utwrz obszar prbkowania)
utworzono koa o promieniu 200 m naokoo kadego z punktw. Dodatkowo wybrano za
pomoc Create Random Selection (Wybierz losowo) 10 obszarw prbkowania.

W przewaajcej liczbie projektw dane pomiarowe maj charakter punktowy. Istniej dwa
podstawowe scenariusze pobierania takich danych w terenie. W pierwszym tworzy si punkt
pomiarowy na podstawie obserwacji wystpowania danego zjawiska w terenie (np. miejsca
uderzenia pioruna lub stwierdzenia wystpowania danego gatunku). Drugi scenariusz polega na
prbkowaniu obszaru bada. Wymaga to obiektywnego wyboru punktw pomiarowych przed
prowadzeniem bada terenowych. Istniej trzy podstawowe metody wyboru punktw: regularna,
losowa i losowa-stratyfikowana.
Rys. 3.21 Metody wyboru punktw pomiarowych: a regularna; b losowa; c losowa-stratyfikowana.

W metodzie regularnej (Rysunek 3.21a) na obszarze bada generuje si siatk punktw o staym
odstpie wzdu osi x i y. W dwch pozostaych metodach pooenie punktw jest wyznaczane
losowo. W metodzie losowej (Rysunek 3.21b) jedynym ograniczeniem moe by wymaganie,
aby odlego midzy punktami bya wiksza od zadanej wartoci i punkty nie wystpoway na
obszarze pewnych poligonw (np. na jeziorach). Metoda losowa-stratyfikowana pozwala na
umieszczanie rwnych iloci punktw w rnych strefach o nierwnej powierzchni. Na
Rysunku 3.21c punkty wyznaczane s na obszarze o siedmiu klasach pokrycia terenu, przy czym
poszczeglne klasy zajmuj rne powierzchnie. Metoda zostaa wykorzystana do losowego
wyznaczenia dziesici punktw w kadej z klas. W rzeczywistoci punktw jest nieco mniej,
gdy wprowadzone ograniczenie co do najmniejszej akceptowalnej odlegoci uniemoliwio
uzyskanie takiej liczby punktw na niektrych obszarach. Metoda stratyfikowana moe by
take wykorzystana do bardziej regularnego rozmieszczenia punktw losowych ni na Rysunku
3.20b oraz do tworzenia rnej liczby punktw dla kadej z klas pokrycia terenu. Punkty losowe
mog by take wyznaczane na transektach. Niektre praktyczne aspekty wyznaczania punktw
pomiarowych zostay przedstawione w Ramce 3.4.
3.3.2 GPS Globalny system okrelania pozycji
Obecnie wykonywanie pomiarw terenowych wie si bardzo czsto z wykorzystaniem
do okrelenia pozycji systemu GPS. W niedalekiej przyszoci jego odpowiednikiem w Europie
stanie si system Galileo. GPS, jak mao ktre urzdzenie, zrewolucjonizowa prac terenow
w naukach przyrodniczych, pozwalajc na szybkie, w miar dokadne i tanie okrelanie pozycji.
GPS (Global Positioning System) skada si z ponad dwudziestu satelitw okrajcych Ziemi
dwa razy na dob po odlegych orbitach, oddalonych od powierzchni Ziemi o okoo 20 tys. km.
Satelity te wysyaj sygna radiowy, ktry jest odbierany przez odbiornik GPS. Wykorzystujc
ten sygna, znan pozycj danego satelity i prdko wiata program zawarty w odbiorniku
oblicza odlego do satelity. Po wyznaczeniu odlegoci do pierwszego satelity, pozycja
odbiornika znajduje si w nieokrelonym miejscu otaczajcej go sfery. Wyznaczenie odlegoci
do drugiego satelity daje dwie sfery, ktrych przecicie daje okrg, na ktrym znajduje si
odbiornik. Kolejna sfera, powstaa w rezultacie pomiaru do trzeciego satelity przecina okrg
w dwch punktach. Jeden z nich moe by odrzucony (ley poza powierzchni Ziemi), a drugi
stanowi poszukiwan pozycj (Rysunek 3.22). Do wyznaczenia wysokoci niezbdny jest
czwarty satelita.

Rys. 3.22 Zasada wyznaczania pozycji w systemie GPS w oparciu o pomiar odlegoci do trzech satelitw.

Aby system mg dziaa niezbdny jest bardzo dokadny pomiar czasu jaki upyn od wysania
sygnau z satelity do momentu jego odbioru. Obecnie proste urzdzenia GPS (w cenie kilkuset
zotych) posiadaj redni dokadno poziom rzdu 10 metrw i pionow rzdu kilkudziesiciu
metrw. Urzdzenia drosze, w zalenoci od zastosowanych rozwiza technicznych, posiadaj
wiksze dokadnoci, a do standardw geodezyjnych. Rozwizaniem zwikszajcym
dokadno pomiaru poziomego do rzdu 1 metra jest DGPS (Differential GPS), czyli
rnicowy GPS. Wykorzystuje on poprawki przysyane drog radiow ze staej stacji,
znajdujcej si w pobliu, ktra odbiera sygnay GPS i okrela rnic pomidzy wyliczon
z tych sygnaw pozycj, a pozycj prawdziw. Rzeczywista dokadno okrelania pozycji
zaley take od ukadu satelitw i obszaru widocznego nieba. Drzewa czy wysokie budynki
mog stanowi przeszkod w pomiarach, a pod mostami czy we wntrzu budynku sygna
najczciej zanika. Jednym ze sposobw wykonywania dokadniejszych pomiarw jest ich
powtarzanie i wyliczanie pozycji redniej (rednia powinna by wyznaczana z co najmniej 50
pomiarw). W praktyce pomiary pozycji s wykonywane w ukadzie odniesienia WGS84 i
wsprzdnych geograficznych, ktre to parametry s opcjonalnymi ustawieniami wikszoci
urzdze.
Pomiary wykonywane za pomoc GPS mog by integrowane z GIS w dwojaki sposb.
Pierwszy polega na zapisaniu wsprzdnych i numerw punktw w postaci pliku tekstowego
zawierajcego kad pozycj w oddzielnym wierszu, np w postaci: X,Y,Numer_punktu . Naley
pamita, aby wsprzdne byy zapisywane w stopniach jako liczby dziesitne o odpowiedniej
dokadnoci (liczbie cyfr po przecinku). Nastpnie z tak przygotowanego pliku lub z utworzonej
z niego tablicy w bazie danych, tworzymy w GIS wektorowy plik punktowy. W oparciu o plik
punktowy mona nastpnie utworzy linie lub wieloboki za pomoc narzdzi edycji lub innych
specjalnie do tego celu przeznaczonych narzdzi (Ramka 3.10). GPS moe by take poczony
ze specjalnym GIS pracujcym na palmtopie (np. ArcPad) i przeznaczonym gwnie do
zapisywania danych w terenie. Umoliwia to edycj i tworzenie dowolnych warstw
wektorowych od razu na miejscu.
W naukowych projektach GIS przyrzdy geodezyjne s czasem wykorzystywane przy
zbieraniu danych do tworzenia szczegowych map wysokociowych. Obecnie stosowane
teodolity pozwalaj na zapisywanie w pamici duej liczby pomiarw w dowolnym
prostoktnym ukadzie wsprzdnych, w ktrym przyrzd zosta zorientowany. Po zakoczeniu
pomiarw dane s kopiowanie np. jako dane tekstowe do pamici komputera, a nastpnie
eksportowane do GIS, gdzie tworzy si z nich plik punktowy wysokoci.
3.3.3 Cyfrowe dane przestrzenne dla Polski
Ilo danych, ktre mona pozyska do pracy w GIS zwiksza si z roku na rok. Jeszcze
dziesi lat temu wikszo przedstawionych poniej zbiorw danych nie istniaa w ogle lub
istniaa w znacznie uboszej formie. Omwione zostan dane obejmujce ca Polsk przydatne
do prac w skalach przestrzennych odpowiadajcych skali 1:50000 i mniejszych. Dane te
pochodz ze zbiorw tworzonych dla caego globu, Europy lub tylko Polski i obejmuj
podstawow informacj o rodowisku przyrodniczym potrzebn w wielu projektach.
Niewtpliw zalet tych map jest fakt, e mona je otrzyma za darmo lub po bardzo niskich
cenach. Dane w wikszych skalach zostan omwione bardziej oglnie. S one, tak jak zdjcia
satelitarne o wysokiej rozdzielczoci, czsto bardzo kosztowne, natomiast dane dostpne
w Wojewdzkich Orodkach Dokumentacji Geodezyjnej i Kartograficznej rni si
w zalenoci od wojewdztwa. Dane wtrne gotowe do wykorzystania w GIS mog mie
charakter zorientowanych w przesrzeni danych wektorowych lub rastrowych, udostpnianych w
jednym ze standardowych formatw wymiany danych [patrz ramki 3.2 i 3.3]. Dane rastrowe
mog przedstawia zarwno zmienne ilociowe (np. wysoko) jak i jakociowe (np. klasy
pokrycia terenu). Ich szczeglnym rodzajem s zdjcia lotnicze i satelitarne. Do danych
wtrnych mona zaliczy take dane atrybutowe o charakterze statystycznym lub
monitoringowym, odnoszce si do obiektw przestrzennych (np. gmin czy rzek).
Trzy podstawowe rodzaje informacji o rodowisku, niezbdne w wielu pracach
badawczych, to uksztatowanie terenu (mapa wysokociowa), pokrycie terenu i wody.
Komputerowa Mapa Podziau Hydrograficznego Polski (MPHP wykonana przez Orodek
Zasobw Wodnych Instytutu Meteorologii i Gospodarki Wodnej) zawiera wektorow baz
danych rzek, zbiornikw wodnych i elementarnych zlewni (Ramka 3.5). Mapa zostaa
wykonana na podstawie map topograficznych w skali 1:50000 oraz rnorodnych materiaw
dodatkowych. Jest to jednolita ciga baza danych hydrograficznych przeznaczona midzy
innymi do realizacji zada Ramowej Dyrektywy Wodnej. Obejmuje cay obszar kraju cznie z
czciami dorzecza Wisy i Odry pooonymi za granicami. Cyfrowa mapa Corine land cover
2000 jest wektorow baz danych pokrycia terenu pastw Unii Europejskiej (Ramka 3.6).
Gwne powody podjcia tego projektu, ktry zosta zrealizowany w latach 1999-2003, zostay
przedstawione w tabeli 3.4

Tab. 3.4 Wykorzystanie map pokrycia terenu Corine2000 (zmienione, Nunes de Lima, 2005)
Cele Informacja zwizana z pokryciem terenu
Ocena wpywu polityki rolnej na Zmiany pokrycia terenu.
rodowisko Wskaniki krajobrazu (landscape indicators).
Analiza zlewni (zuycie wody, spyw nawozw).
Ochrona gleb.
Zintegrowane zarzdzanie stref brzegow Zmiany wykorzystania i pokrycia terenu wzdu brzegw
morza morskich.
Wprowadzanie rnych form ochrony System NATURA2000
przyrody Tworzenie map habitatw.
Zmiany wykorzystania i pokrycia terenu.
Fragmentacja habitatw.
Antropopresja na obszary chronione.
Zintegrowana analiza zlewni Ramowa dyrektywa wodna (wskaniki zlewni).
Ocena emisji zanieczyszcze do atmosfery Bilans CO2 (pochanianie / rda).
Rodzaje pokrycia terenu w rejonach stacji pomiarowych.
Powizanie parametrw jakoci powietrza z pokryciem
terenu.
Wpyw na rodowisko europejskiej sieci Fragmentacja habitatw.
drogowej Presja na obszary chronione.

Ramka 3.5
Komputerowa mapa podziau hydrograficznego Polski (MPHP)
http://www.imgw.pl/wl/internet/zz/zz_xpages/hydrografia/zasoby_wodne_pliki/hydrografia.html
(10.2006)
Opracowanie jest udostpniane bezpatnie w imieniu Ministra rodowiska (Waciciela) przez:
Biuro Gospodarki Wodnej, ul. Dubois 9, 00-182 Warszawa, tel. (22) 635 48 84 w. 262

Komputerowa mapa podziau hydrograficznego Polski (MPHP) jest wektorow baz danych obejmujc
rzeki, zlewnie i zbiorniki. Mapa zostaa wykonana na poziomie dokadnoci odpowiadajcej skali
1:50000. Dane dostpne s dla wybranego obszaru i dostarczane jako warstwy zbiorw obiektw (SHP)
w ukadzie wsprzdnych 1992. Wszystkie dane mona podzieli na dwie grupy. W grupie pierwszej
tzw. obiektw wyrnionych zapisana jest informacja topologiczna wica je wzajemne ze sob. Drug
grup stanowi obiekty pozostae (cieki i zbiorniki mniejszej rangi) nie majce topologicznego
odniesienia. Pod wzgldem logicznym mapa dzieli si na warstwy i zbiory obiektw (pliki SHP). W
warstwie o nazwie obszarowe jednostki hydrograficzne znajduj si nastpujce zbiory: zlewnie
elementarne (poligony), dziay wodne (linie) i wzy na dziaach wodnych (punkty). Kadej zlewni
elementarnej przypisany jest identyfikator hydrograficzny zlewni (ID_HYD typu double). Drug warstw
stanowi cieki wyrnione. Obejmuje ona trzy zbiory: odcinki ciekw (linie), do ktrych przypisany jest
identyfikator ID_HYD (odcinek cieku jest zwizany z jedn zlewni elementarn); cieki (linie)
obejmujce cae cieki z przypisanym identyfikatorem (ID_HYD_R typu double); zbir z wzami na
ciekach (punkty). Kolejn warstw s zbiorniki wyrnione. Obejmuj one zbiory: zbiorniki wodne (z
przypisanym identyfikatorem ID_HYD) oraz szerokie rzeki. Oba zbiory zawieraj poligony. Ostatnie
dwie warstwy obejmuj obiekty pozostae. S to zbiory, pozostae cieki i pozostae zbiorniki.

Rys. 3.23 Fragment cyfrowej mapy hydrograficzna Polski: a wszystkie rzeki i jeziora; b rzeki i jeziora
wyrnione, ktre tworz sie wodn i s zwizane ze sob i zlewniami elementarnymi; c zlewnie elementarne.

Aby mc wykorzystywa ten zbir danych konieczne jest zrozumienie praktycznego znaczenia
identyfikatorw ID_HYD i ID_HYD_R. Identyfikator ID_HYD zlewni elementarnej jest liczb, ktrej
kolejne cyfry tworzone s w nastpujcy sposb. Pierwsza cyfra oznacza numer jednostki hydrograficznej
najwyszego rzdu obszaru (od 1 do 9). Pierwsza plus jedna lub par kolejnych cyfr daj numer caej
zlewni danej rzeki, ktry odpowiada identyfikatorowi hydrograficznemu danego cieku (ID_HYD_R).
Jeeli nie jest to zlewnia elementarna to kolejne cyfry wprowadzaj jej dalszy podzia, a do rzdu zlewni
elementarnej.
Aby wydzieli z mapy zlewni danej rzeki naley poczy wszystkie zlewnie elementarne o
identyfikatorze ID_HYD bdcym rozwiniciem identyfikatora ID_HYD_R (np. ID_HYD_R dla Raduni
= 4868, to poczy naley ID_HYD = {4868, 4868, 4868, 486, 486 itd.). Jednym z
uniwersalnych rozwiza jest przydzielenie kadej zlewni elementarnej identyfikatorw zlewni
wszystkich poziomw do ktrych ona naley. Mona to wykona w ArcGIS za pomoc skryptu
wypeniajcego nowe kolumny (typu long I_HYD3, I_HYD4, I_HYD5 itd. ) w tablicy atrybutowej
pliku zlewni elementarnych.
' Wpisuje w I_HYDn kody o zadanej dlugosci (poziomie zlewni) 3-9 przykad dla I_HYD4
Dim d as long
Dim cyfr as long
' dla 3 cyfr = 1000000, dla 4 cyfr=100000, dla 5 cyfr=10000,
' dla 6 cyfr = 1000, dla 7 cyfr = 100, dla 8 cyfr =10, dla 9 cyfr = 1
cyfr = 100000 ' Wpisz odpowiednia wartosc zaleznie od poziomu - kolumny !!!!
d=1
if ([ID_HYD] <100000000) then d=10
if ([ID_HYD] <10000000) then d=100
if ([ID_HYD] <1000000) then d=1000
if ([ID_HYD] <100000) then d=10000
if ([ID_HYD] <10000) then d=100000
if ([ID_HYD] <1000) then d=1000000

__esri_field_calculator_splitter__
INT([ID_HYD]*d/cyfr)

Wybranie rekordw, ktre w I_HYD4 bd miay warto 4868, spowoduje zaznaczenie

wszystkich zlewni elementarnych nalecych do zlewni rzeki Raduni. Poczenie tych zlewni w
jeden poligon utworzy zlewni Raduni i pozwoli na wybranie rzek, ktre si w niej znajduj
(Rysunek 3.24).

Rys. 3.24 Cyfrowa mapa hydrograficzna Polski. Poczenie zlewni elementarnych w jeden poligon okrela
zlewni danej rzeki i umoliwia wybranie rzek nalecych do tej zlewni .

Mapa, odpowiadajc pod wzgldem szczegowoci skali 1:100000, zostaa wykonana na

podstawie klasyfikacji zdj satelitarnych Landsat 7 ETM+ (do ich korekcji geometrycznej
wykorzystano cyfrow map terenu o rozdzielczoci przestrzennej 90 m). Obszar Polski zosta
pokryty 28 zdjciami, wykonanymi w latach 1999-2001, przy czym okoo 60% z nich wykonano
latem 2000 roku. Dokadno przestrzenna dla Polski wyniosa od 12 do 20m. Uyto
hierarchicznego systemu klasyfikacyjnego (44 klasy na trzecim poziomie hierarchii). Projekt by
powizany z podobnym przedsiwziciem z 1990 roku i jego celem byo midzy innymi
wyznaczenie zmian w pokryciu terenu w cigu 10 lat.

Ramka 3.6
Cyfrowa mapa pokrycia terenu Polski Corine 2000

http://dataservice.eea.europa.eu/dataservice/metadetails.asp?id=950
(10.2006)

Mapa (dla Polski) jest udostpniana bezpatnie po otrzymaniu zgody ze strony polskiej jako plik
(SHP). Zawiera obiekty o powierzchni wikszej od 25 ha i minimalnej szerokoci wikszej od
100 m. Na Rysunku 3.25 przedstawiono wycinek mapy wraz z legend obrazujc hierarchi
systemu klasyfikacyjnego. Na poziomie pierwszym (globalnym) znajduje si 5 klas: (1)
powierzchnie sztuczne, (2) obszary rolnicze, (3) lasy i obszary czciowo naturalne, (4)
mokrada i bagna, (5) zbiorniki wodne (liczby w nawiasach przy tytuach grup w legendzie
oznaczaj numer klasy na pierwszym poziomie). Tytuy grup reprezentuj drugi poziom
klasyfikacji (15 klas). Poziom trzeci reprezentuj klasy wewntrz grup.

Rys. 3.25 Wektorowa mapa pokrycia powierzchni Polski Corine 2000 (wycinek)

Mapa uksztatowania terenu peni szczegln rol w badaniach rodowiska przyrodniczego

[patrz rozdzia 6]. Jest ona tworzona jako mapa rastrowa albo wektorowa za pomoc modelu
danych TIN. O jej roli moe wiadczy fakt, e bya ona wykorzystywana w wikszoci
artykuw cytowanych w rozdziale drugim. Obecnie istnieje w Polsce kilka zbiorw danych
okrelanych jako numeryczna mapa terenu. Z punktu widzenia potrzeb nauk przyrodniczych, jak
i dostpnoci danych (pokrycie caego kraju), praktyczne znaczenie maj dwie mapy cyfrowe:
DTED Level 2 i SRTM. Prawdopodobnie coraz wiksze znaczenie bdzie zyskiwaa take mapa
tworzona w ramach opracowania bazy danych Systemu Identyfikacji Dziaek Rolnych (LPIS) w
modelu TIN. Mapy DTED (Digital Terrain Elevation Data) s standardem w krajach NATO i
dla obszaru Polski zostay wykonane przez suby kartograficzne naszego wojska. Mapy te s
przygotowywane na rnych poziomach szczegowoci, ktry opisywany jest przez ich poziom.
Poziom drugi (Level 2) oznacza, e mapa zostaa wykonana na poziomie szczegw
odpowiadajcych mapie 1:50000. Powstaa ona ze sczytania poziomic ze skanw diapozytyww
map topograficznych w skali 1:50000 i 1:25000. Dokadno pozioma wynosi ok. 16 m, a
pionowa zaley od uksztatowania terenu. Dla obszarw rwninnych jest ona rzdu 2 m, dla
pagrkowatych i falistych 4 m, a dla grzystych 7 m. Mapa cyfrowa SRTM powstaa w
rezultacie misji wahadowca Endeavor zorganizowanej w 2000 roku (11-22 luty) przez NASA
(National Aeronautics and Space Administration) i NGA (National Geospatial Intelligence
Agency). Celem misji byo stworzenie trjwymiarowej mapy powierzchni Ziemi o duej
rozdzielczoci przestrzennej. Podczas misji zebrano dane o 80% powierzchni Ziemi (60N
56S). Pomiary byy wykonane za pomoc techniki zwanej interferometri. Polega ona na
tworzeniu dwch obrazw radarowych wykorzystujc anteny oddalone od siebie, w przypadku
wahadowca odlego midzy nimi wynosia okoo 60 m, dla otrzymania obrazu
trjwymiarowego. Z obrazu takiego mona nastpnie wyznaczy wysoko. Zebrane surowe
dane (12 terrabajtw) zostay przetworzone w NASA Jet Propulsion Laboratory. Proces
tworzenia map cyfrowych z tych danych by do zoony i w rezultacie stopniowo udostpniano
coraz doskonalsze produkty. Najbardziej dokadne mapy o rozdzielczoci 1 sekundy zostay
przygotowane i udostpnione dla obszaru Stanw Zjednoczonych. Globalne pokrycie zostao
wykonane z rozdzielczoci 3 sekund (std ten produkt nosi czsto nazw SRTM 3). W
przypadku Polski oznacza to wielko piksela 60 x 90 m. Pocztkowe wersje tego produktu
zawieray wiele zakce powierzchni (tzw. spikes and wells) oraz obszary z brakiem danych.
Obecnie udostpniona wersja tego produktu zostaa w znacznym stopniu pozbawiona tego
rodzaju bdw, midzy innymi przez wykorzystanie w jej korekcie innych globalnych map
cyfrowych.

Ramka 3.7
Numeryczne mapy terenu Polski (DTED 2, SRTM )

http://www.codgik.waw.pl (DTED 2)
(10.2005)
http://srtm.csi.cgiar.org (SRTM)
(10.2006)

Mapa DTED 2 rozprowadzana jest odpatnie (obszar 50x50 km w 2005 roku dla szkoy wyszej
kosztowa okoo 100 z) przez Centralny Orodek Dokumentacji Geodezyjnej i Kartograficznej
(CUGIK) ul Olbrachta 94, 01-102 Warszawa. Mapa dostarczana jest w formacie rastrowym
(ESRI GRID) w ukadzie wsprzdnych UTM (WGS84) albo 1992. Rozdzielczo przestrzenna
wynosi 15 m. Mapa zawiera wartoci cakowite.
Mapa SRTM 3 (wersja 3) jest udostpniana bezpatnie z portalu CGIAR-CSI (CGIAR
Consortium for Spatial Information) pod pen nazw CGIAR-CSI SRTM version 3 (3-arc
second product). Oferowany jest format GeoTIFF w ukadzie odniesienia WGS84. Mapa zawiera
wartoci cakowite, komrki z brakiem danych posiadaj warto -32768. Na Rysunku 3.25
porwnano wycinki mapy SRTM 3 (a) i DTED 2 (b).

Rys. 3.26 Numeryczne mapy terenu Polski: a SRTM 3 (rozmiar komrki 60 x 90 m); b DTED 2 (rozmiar
komrki 15 m).

Ze wzgldu na to, e mapy zawieraj tylko wartoci cakowite (integer), a rozmiar komrki na
mapie DTED 2 wynosi 15 m, wysoko zmienia si na niej w sposb skokowy (jak schody o
szerokich stopniach, widoczne jest to na Rysunku 3.27a). Ze wzgldu na znacznie wiksze
komrki (60 x 90 m) w mniejszym stopniu dotyczy to mapy SRTM. Na mapie DTED 2 obszar
pomidzy poziomic zero (brzeg morski), a jeden metr ma warto 0, pomidzy poziomic jeden
metr i dwa metry ma warto 1 itd. W celu zapewnienia cigoci DTED 2 naley przeprowadzi
jej transformacj do wartoci rzeczywistych (ang, real lub double). Proponowana procedura
polega na dodaniu do kadej komrki mapy DTED 2 wartoci 0,5 i nastpnie z tak
przetworzonej mapy utworzenie poziomice co 1 m. Poziomice zostan poprowadzone w
miejscach skokw wysokoci, odtwarzajc w pewnym stopniu map poziomic z ktrej DTED 2
powstaa (Rysunek 3.27a). Nastpnie przeprowadza si interpolacj za pomoc jednej z metod
zaprojektowanych do tworzenia hydrologicznie skorygowanych modeli DEM, umoliwiajcych
wykorzystanie poziomic. Zastosowano bazujce na programie ANUDEM [patrz podroz. 6.1]
narzdzie ArcGIS Topo to Raster, w rezultacie otrzymano cig powierzchnie terenu (Rysunek
3.27b).

Rys. 3.27 DTED 2 (rozmiar komrki 15 m): a oryginalny z wartociami cakiowitymi, poziomice
wyznaczaja miejsce skoku wysokoci; b przetworzony do wartoci rzeczywistych.

Efekt tej operacji widoczny jest na mapie nachyle [patrz podroz. 6.3.1]. Dla mapy
oryginalnej (Rys. 3.28a) maj one nierwnomierny i nienaturalny charakter, dla
przetworzonej (Rys. 3.28b) znacznie lepiej oddaj naturalne cechy stokw.

Rys. 3.28 Mapa nachyle z DTED 2: a utworzona z mapy oryginalnej z wartociami cakowitymi; b
utworzona z mapy przetworzonej z wartociami rzeczywistymi.

 Zdjcia satelitarne s obecnie jednym z najwaniejszych rde danych dla systemw GIS.
Istnieje wiele satelitw wykorzystywanych do pozyskiwania informacji o powierzchni ziemi dla
celw cywilnych. W systemach GIS wykorzystuje si najczciej zdjcia satelitarne o redniej i
duej rozdzielczoci przestrzennej, czyli rozmiarach piksela o zakresie 0.8 30 m. Wszystkie
aktualnie wykorzystywane satelity wykonuj dwa rodzaje zdj cyfrowych. Zdjcia
panchromatyczne (jeden kana), obejmujce wikszo zakresu wiata widzialnego i
multispektralne (szereg kanaw) obejmujce wybrane zakresy wiata widzialnego lub
podczerwieni, bdce faktycznie oddzielnymi obrazami. Zdjcia panchromatyczne maj zawsze
wiksz rozdzielczo i s wykorzystywane do zwikszania jej (wyostrzania obrazu) na
zdjciach multispektralnych za pomoc techniki zwanej fusion lub pansharpening. W Tabeli 3.5
przedstawiono najwaniejsze z satelitw i podstawowe rozdzielczoci przestrzenne
wykonywanych przez nie zdj panchromatycznych i multispektralnych.
.
Tab. 3.5 Satelity najczciej wykorzystywane wspczenie w systemach GIS
Satelita Rozdzielczo przestrzenna
Landsat 7 ETM+ Panchromatyczne 15 m
Multispektralne 30 m (7 kanaw), 60 m (2 kanay)
SPOT 5 Panchromatyczne 5 m
Multispektralne 10 m (4 kanay)
IKONOS Panchromatyczne 1 m
Multispektralne 4 m (4 kanay)
Quickbird Panchromatyczne 0.6 m
Multispektralne 2.5 m (4 kanay)

Istotna jest take czuo czujnika, ktra ma wpyw na zakres mierzonych wartoci. Generalnie
mog by one mierzone w zakresie 0-255 jako liczba jedno bajtowa (omio bitowa) albo jako
liczba typu integer o znacznie wikszym zakresie. Promieniowanie soneczne docierajce do
rnych obiektw powierzchni Ziemi odbija si od nich i nastpnie jest rejestrowane przez
czujnik satelity tworzcy obraz. W zalenoci od rodzaju obiektu otrzymywane s rne wartoci
energii w funkcji dugoci fali odbitej. Dziki temu mona okrela rodzaje lub klasy obiektw
na powierzchni Ziemi. Istnieje szereg tzw. metod klasyfikacji sucych do zamiany
multispektralnej informacji satelitarnej na rne klasy pokrycia powierzchni Ziemi. Cho
generalnie koszty pozyskania zdj satelitarnych s wysokie (rzdu paru tysicy euro w
przypadku zdj o duej rozdzielczoci) istnieje szereg wariantw bezpatnego korzystania ze
zdj, i integracji ich z systemami GIS, gwnie jako informacji pomocniczej. W ramach
projektu GeoCover (Ramka 3.8) udostpniono pene pokrycie zdj powierzchni Ziemi
wykonanymi przez satelit Landsat 7 ETM+ .

Ramka 3.8
Zdjcia satelitarne Polski Landsat (GeoCover)

http://www.earthsat.com

Skompresowane kompozyty (3 kanay zdjcia wywietlane odpowiednio w kolorze czerwonym,

zielonym i niebieskim) zdj satelitarnych Landsat 7 ETM+ mog by bezpatnie pobrane z
portalu GeoCover. S to nastpujce kanay zawierajce wartoci od 0 do 255:

1 czerwony 7 kana ETM+ 2.1 2.35 m (SWIR short wavelength infrared);

2 zielony 4 kana ETM+ 0.75 -0.9 m (NIR - near infrared);
3 niebieski 2 kana ETM+ 0.53 0.61 m (zielony).

Zdjcia maj rozdzielczo 14,25 m i s dostarczane w formacie MrSID (Ramka 3.3). Wykonane
zostay w roku 2000 3 lata. Obszar Polski pokrywaj dwa zdjcia (N-33-50 i N-34-50) w
odwzorowaniu UTM33 i 34 (WGS84). Poniej przedstawiono wycinek zdjcia (kana zielony)
dla obszaru Polski ( Rysunek 3.29).

Rys. 3.29 Landsat (GeoCover) dla Polski (kana 4 ETM+) przeom Raduni

Na kolorowej mozaice: drzewa, krzewy, uprawy i bagna przyjmuj rne odcienie zieleni; wody
s czarne bd ciemno niebieskie; zabudowania fioletowe a gleby rowe.

Wykorzystujc darmowy program Google Earth (Ramka 3.9) mona dowolny rejon Polski
(take wiata) obejrze na zdjciach o redniej rozdzielczoci. Dla czci obszarw dostpne s
zdjcia satelitarne o wysokiej rozdzielczoci, ktre mog by ogldane w rnej perspektywie.
Istnieje take moliwo umieszczania na tle zdj wasnych obiektw wektorowych, co moe
by przydatne w pracy naukowej.

Ramka 3.9
Google Earth (program bezpatny)
http://earth.google.com

Na rysunku poniej przedstawiony jest obraz wysokiej rozdzielczoci przedstawiajcy ujcie

Wisy. Za pomoc narzdzi w prawym grnym rogu ekranu mona utworzy widok z rnej
perspektywy (take uwzgldniajcy rnice wysokoci). Moe to by przydane przy wstpnej
analizie danego obszaru.

Istotn zalet pracy w Google Earth jest moliwoci wykonywania pomiarw odlegoci na
zdjciach i wywietlania wasnych plikw (SHP) wyeksportowanych do plikw KML (Keyhole
Markap Language file). Na rysunku poniej z lewej strony widoczny jest obraz wysokiej
rozdzielczoci dla doliny rzeki Kaczej. Po prawej stronie widoczny jest ten sam obraz z
naniesionymi rzekami mapy MPHP. Daje to znacznie lepsze moliwoci analizy danego
obszaru.
Rozszerzenie do ArcGIS suce do eksportu plikw SHP do KML (Export to KML) mona
pobra z http://arcscripts.esri.com/details.asp?dbid=14273 . Na obu zdjciach pokazano take
narzdzie do pomiaru odlegoci.

 Zdjcia lotnicze mog by dobrym uzupenieniem dla zdj satelitarnych w wielu

projektach badawczych. Na Rysunku 30 przedstawiono dwa zdjcia panchrommatyczne
jedynego uroczyska na Pwyspie Helskim. Zdjcie lotnicze (a) zostao wykonane w 1947 roku,
a zdjcie satelitarne z satelity Quickbird (b) w 2005. Oba zdjcia posiadaj porwnywaln
rozdzielczo przestrzenna, cho zostay wykonane zupenie innymi technikami. Daje to
moliwo szczegowej analizy zmian w czasie na przestrzeni ponad 50 lat.

Rys. 3.30 Panchromatyczne zdjcia fragmentu Pwyspu Helskiego: a zdjcie lotnicze z 1947 roku (skan
diapozytywu); b zdjcie satelitarne z 2005 roku (Quickbird ). Bok siatki kilometrowej wynosi 400 m.

Badajc jeszcze bardziej odlege czasy mona posuy si starymi mapami. Rozwj technik
geodezyjnych i kartograficznych w przeszoci pozwala na prowadzenie analiz zmian w zakresie
czasowym do 200-300 lat. GIS stanowi bardzo dobre rodowisko umoliwiajce integracj
rnorodnego materiau przestrzennego. Na Rysunku 31 pokazany jest wycinek mapy w skali
1:25000 brzegu Zatoki Puckiej z pocztku XX wieku. Stare mapy s praktycznie jedynym
rdem informacji o przebiegu linii brzegowej sto lat temu.

Rys. 3.31 Fragment mapy sztabowej w skali 1:25000 (sytuacja ok. 1908) Preuss Landesaufnahme (zbiory
Biblioteki PAN w Gdasku)

Istnieje szereg rde zdj lotniczych i starych map: Wojskowy Orodek Geodezji i
Teledetekcji (stare zdjcia lotnicze); Orodek Dokumentacji Geodezyjnej i Kartograficznej
(nowsze zdjcia lotnicze w tym kolorowe tzw. PHARE z koca lat 90tych XX wieku); biblioteki
PAN i uniwersyteckie (stare mapy). Zeskanowane stare mapy s udostpniane bezpatnie
(http://www.mapywig.org/news.php lub http://www.mapy.eksploracja.pl/news.php) albo
sprzedawane ( http://www.topmap.pl). Zarwno stare zdjcia, jak i mapy s pozyskiwane w
formie skanw. Skaner jest urzdzeniem sucym do konwersji obrazu analogowego (np.
papierowej mapy czy diapozytywu zdjcia lotniczego) do obrazu cyfrowego. Urzdzenie skanuje
linia po linii np. papierow map i rejestruje ilo wiata (i jego spektraln charakterystyk przy
skanach barwnych) odbit od danego elementu powierzchni. Podstawowymi parametrami
skanera jest jego format (rozmiar arkusza jaki moe zosta zeskanowany) oraz rozdzielczo
skanowania, wyraona w jednostce dpi (liczba punktw na cal). Przy skanowaniu map lub zdj,
ktre maj by wykorzystane wycznie jako dodatkowa warstwa informacyjna wystarczy
rozdzielczo przestrzenna 400 dpi, przy skanowaniu zdj do dalszej obrbki potrzebna jest
rozdzielczo rzdu 900 dpi.
 3.3.4 Rejestracja w ukadzie wsprzdnych
Zarwno stare zdjcia lotnicze, stare mapy czy rnego rodzaju plany po zeskanowaniu
stanowi obrazy cyfrowe nie majce dowizania przestrzennego. Aby mogy by uywane
w systemach GIS musz zosta dowizane, czyli zarejestrowane w ukadzie wsprzdnych.
Czsto naszym celem jest wycznie wyodrbnienie ze zdj cyfrowych pewnych obiektw
i nadanie im dowizania przestrzennego. Na przykad ze skanu przedstawionego na Rysunku
3.31 moemy utworzy liniow warstw wektorow brzegu lub warstw poligonw pokrycia
terenu. Sposoby rozwizania opisanych wyej problemw zostan zobrazowane na przykadzie.
Na Rysunku 3.32 przedstawiony jest obrys jeziora z mapy MPHP. Jedyn informacja o
gbokoci jest skan planu jeziora z rysunkiem izobat (linii jednakowych gbokoci). Naszym
celem jest utworzenie warstwy wektorowej izobat jak najlepiej wpasowanych w ksztat jeziora.
Posiadany przez nas plan oprcz strzaki pnocnej nie ma adnego odniesienia przestrzennego.
Proces polegajcy na zorientowaniu w przestrzeni obrazu cyfrowego przedstawiajcego
elementy powierzchni Ziemi nosi nazw rejestracji w ukadzie wsprzdnych. Po jej
przeprowadzeniu kady punkt obrazu ma przypisane wsprzdne zgodne z ich pooeniem na
powierzchni Ziemi.

Rys. 3.32 Mapa obrysu jeziora Styckiego (Pojezierze Kaszubskie) i jego plan batymetryczny.

Proces rejestracji obrazw cyfrowych w systemach GIS oparty jest o wyznaczenie formuy
transformacji na podstawie znajomoci wsprzdnych pewnej liczby punktw kontrolnych w
tych samych miejscach powierzchni Ziemi na skanie (X S,YS) i mapie (XM,YM). Formuy te maj
najczciej posta wielomianw pierwszego, drugiego lub trzeciego stopnia postaci:
XM = XS + A1 XS +A2YS+A3XSYS+A4XS2+A5YS2+A6XS2YS+A7XSYS2+A8XS3.... (3.1)
YM = YS + B1YS +B2YS+B3XSYS+B4XS 2+B5YS 2+B6XS2YS+B7XSYS2+B8XS3.... (3.2)
Wspczynniki A i B s wyznaczane na podstawie znanych wsprzdnych punktw
kontrolnych. Liczba punktw kontrolnych niezbdna do ich obliczenia zaley od stopnia
wielomianu. Wyznaczona formua moe by uyta do umiejscowienia centrum kadego piksela
skanu (skan moe by traktowany jako mapa rastrowa o lokalnych wsprzdnych) we
wsprzdnych ukadu mapy. W przypadku wielomianw drugiego i wyszych stopni linie
proste na skanie nie bd zachowane po transformacji. Na Rysunku 3.33 transformacja
wielomianem pierwszego stopnia spowodowaa przesunicie i obrt skanu. Nowe wsprzdne
kadego piksela skanu s okrelane za pomoc tej samej formuy. Naley si wic spodziewa,
e nowe wsprzdne punktw kontrolnych skanu (XST,YST) nie bd identyczne ze
wsprzdnymi na mapie (XM,YM). Ta rnica, rwnoznaczna z odlegoci midzy tymi
punktami, nosi nazw rezydium i moe by okrelona jako:
D = ( (XST-XM)2+(YST-YM)2) (3.3)
Dokadno dopasowania caego skanu okrela redni bd kwadratowy (RMS root mean-
square error) okrelony wyraeniem (sposb jego obliczania i istota jest porwnywalna z
odchyleniem standardowym) :
RMS = ( {(XST-XM)2+(YST-YM)2}/n) (3.4)
gdzie: n liczba punktw kontrolnych.

Rys. 3.33 Proces rejestracji obrazu cyfrowego w ukadzie wsprzdnym..

Punkty kontrolne s wybierane najczciej spord punktowych elementw widocznych

zarwno na skanie, jak i mapie. S to zwykle skrzyowania drg, przecicia kanaw
odwadniajcych (te elementy s bardzo trwae w krajobrazie) lub obiekty antropogeniczne (np.
rg budynku). Innym rozwizaniem jest zmierzenie ich pozycji za pomoc GPS i utworzenie z
nich wektorowej warstwy punktw. Przeprowadzenie transformacji rejestrujcej skan w ukadzie
wsprzdnych powoduje, e pooenie bokw jego komrek (pikseli) w stosunku do osi ukadu
wsprzdnych moe nie by rwnolege (Rysunek 3.33). Plik zawierajcy obraz cyfrowy nie
ulega zmianie, a tylko dopisana zostaje do niego informacja o jego pooeniu w przestrzeni. Ten
proces nosi w ArcGIS nazw nadania georeferencji (informacja o pooeniu jest specyficzna dla
oprogramowania). Jeeli chcemy ze skanu utworzy raster identyczny z map, bd choby o
bokach komrek rwnolegych do osi ukadu, naley przeprowadzi operacj rektyfikacji (w
ArcGIS przy eksporcie skanu z georeferencj do GeoTIFF jest ona wykonywana
automatycznie). Polega ona na policzeniu nowych wartoci w kadej komrce nowego rastra, o
bokach komrek rwnolegych do osi ukadu, na podstawie wartoci otaczajcych ich komrek
skanu. Na Rysunku 3.33 warto w nowej komrce, oznaczonej duym krzyykiem, bdzie
policzona na podstawie wartoci ze skanu oznaczonych maymi krzyykami. Proces obliczania
wartoci komrki rastra na podstawie komrek innego rastra, jeeli ich pooenie bd wielko
nie s zgodne, nosi nazw resamplingu (w polskiej literaturze uywa si terminu
przeprbkowania). Istniej trzy podstawowe metody okrelania nowej wartoci w komrce
rastra: metoda najbliszego ssiedztwa (nearest neighbor), interpolacji bilinearnej (bilinear
interpolation) i interpolacji szeciennej (cubic interpolation), czasem nazywanej splotem
szeciennym. W metodzie najbliszego ssiedztwa do komrki tworzonego rastra przypisywana
jest warto z najbliej lecej komrki skanu. Metoda ta jest stosowana przy rektyfikacji
obrazw zawierajcych dane jakociowe. W metodzie interpolacji bilinearnej warto w nowej
komrce jest redni waon z czterech wartoci najbliej lecych komrek skanu, a w
metodzie szeciennej z szesnastu. Ta ostatnia metoda zalecana jest przy duych rnicach
rozmiarw komrek skanu i nowej mapy rastrowej.

Rys. 3.34 Proces rejestracji planu batymetrycznego jeziora Styckiego.

Na Rysunku 3.34 pokazany jest proces rejestracji planu batymetrycznego. Jedynymi wsplnymi
elementami obu warstw s punkty linii brzegowej. Co do izobat to moemy wycznie zaoy,
e ich pooenie wzgldem linii brzegowej na planie jest prawidowe. Rejestracja odbywa si
przez poczenie identycznych punktw obrysu jeziora i brzegu planu batymetrycznego. Istniej,
w zalenoci od oprogramowania, rne rozwizania wspomagania tego procesu za pomoc
odpowiednio zaprojektowanego GUI (graficzny interfejsu uytkownika). W ArcGIS obraz
rejestrowany i wykorzystywany do rejestracji (z okrelonym ukadem wsprzdnych) s
jednoczenie wywietlane na ekranie (Rysunek 3.34a). Dodatkowo proces wywietlania
naoonych obrazw pozwala na przesuwanie i obrt skanu. Skan planu zosta obrcony tak, aby
o duszej czci jeziora na skanie i obrysie byy mniej wicej rwnolege. Tego typu wstpne
kroki uatwiaj dokadno wpasowania. Odpowiadajce sobie punkty kontrolne
(charakterystyczne miejsca linii brzegowej) s nastpnie czone ze sob. Na Rysunku 3.34b
poczenia (links) przedstawiaj strzaki. W rezultacie tej operacji powstaje tabela
wsprzdnych punktw kontrolnych (na skanie i mapie) w postaci:
Link Xskanu Yskanu Xmapy Ymapy
1 1529.55 -300.5123 301306.15 6010689.33
2 1331.91 -3013.363250 301044.46 6008792.08
3 463.28 -2166.908235 300521.08 6009427.85
4 1697.81 -1265.504487 301396.73 6010036.78
5 1168.81 -1723.694948 300992.458 6009686.18

Wyznaczona z tych wsprzdnych formua transformacji zostaje zastosowana do policzenia

pooenia kadego punktu kontrolnego. Poniewa jego rzeczywiste wsprzdne na mapie s
znane, dla kadego zostaje wyznaczone rezydium oraz bd RMS caej mapy. Jeeli efekt jest
satysfakcjonujcy wykonywana jest georeferencja dla caego skanu i ewentualnie rektyfikacja.
Rezultat przeprowadzenia georeferencji za pomoc wielomianu pierwszego stopnia zosta
pokazany na Rysunku 3.34c.
Ze wzgldu na to, e linia brzegowa na planie bya rysowana w sposb przybliony, dobrze
jest to widoczne przy porwnaniu ksztatu pwyspu, nie udao si do koca wpasowa linii
brzegu z mapy wektorowej i skanu. W takiej sytuacji mona zastosowa wektorowe metody
dopasowania.
Metody rejestracji danych wektorowych oparte s na podobnych zasadach co obrazw
cyfrowych. Najczciej stosowane s nastpujce transformacje: podobiestwa lub Helmerta
(similarity), afiniczna (affine), projekcyjna (projective) i elastycznego dopasowania
(rubbersheeting). Pierwsze trzy transformacje s okrelone przez formuy, ktre przeliczaj
wsprzdne kadego punktu obiektw wektorowych do nowych wsprzdnych. Transformacja
metod podobiestwa jest okrelona przez wyraenie:
X = AX+BY+C; (3.5)
Y=-BX+AY+F; (3.6)
gdzie:
A=S cos t,
B=S sin t,
S zmiana skali,
t kt obrotu (mierzony od osi x w kierunku przeciwnym wskazwkom zegara),
C przesunicie w kierunku x,
F przesunicie w kierunku y.
Transformacja afiniczna w porwnaniu z poprzednia daje dodatkowo moliwo zmiany
ksztatu obiektw przez moliwo ich nachylania. Okrelona jest wyraeniem:
X = AX+BY+C (3.7)
Y= DX+EY+F (3.8)
Kolejna transformacja (projekcyjna) wykorzystywana jest do rejestracji obiektw wektorowych
pozyskiwanych ze zdj lotniczych. Ma ona posta:
X = (AX+BY+C)/(GX+HY+1) (3.9)
Y= (DX+EY+F)/(GX+HY+1) (3.10)
Ostatnia z transformacji (rubbersheeting) nie tworzy uniwersalnej formuy, ale dokonuje
przeksztace lokalnie na podstawie przeprowadzonych pocze punktw kontrolnych.
Zastosowanie tej wanie transformacji do wektorowych obiektw otrzymanych ze skanu
planu jeziora i poddanego powyej georeferencji przedstawiono na Rysunku 3.35. Linia
brzegowa i izobaty zostay przedstawione jako obiekty wektorowe, za pomoc ich wektoryzacji
ze skanu po rejestracji rastrowej. Wykorzystujc narzdzie ArcGIS do przestrzennego
dopasowania danych wektorowych (Spatial adjustment) najpierw podobnie jak poprzednio
wywietlono jednoczenie na ekranie obrys jeziora i liniowy plik wektorowy brzegu i izobat z
poddanego georeferencji rastrowej planu (Rys. 3.35a). Po wykonaniu szeregu pocze brzegw
wektorowych z mapy MPHP i skanu oraz zastosowaniu transformacji rubbersheeting otrzymano
prawie dokadne dopasowanie brzegu pochodzcego ze skanu do jego obrazu na mapie (Rysunek
3.35b). Nastpnie identycznej transformacji zostay poddane izobaty. Byo to moliwe dziki
zaoeniu, e ich pooenie na planie wzgldem linii brzegowej jest prawidowe. Zostay one
nastpnie wyeksportowane do oddzielnego pliku i naoone na obrys jeziora z mapy MPHP
(Rysunek 3.35c).
 Rys. 3.35 Proces rejestracji planu batymetrycznego jeziora Styckiego za pomoc przestrzennego dopasowania
danych wektorowych (opis w tekcie).

3.3.5 Digitalizacja ekranowa

Pozyskiwanie danych wektorowych z obrazw cyfrowych nosi nazw digitalizacji
ekranowej i jest czsto stosowan metod w badaniach wykorzystujcych zdjcia lotnicze,
satelitarne, a take stare mapy i rnego rodzaju plany. Obecnie dygitalizacja ekranowa, dziki
metodom komputerowego wspomagania tego procesu, prawie wypara swoj starsz siostr
digitalizacj za pomoc urzdzenia zewntrznego digityzera. Polega ona na wywietleniu na
ekranie danego obrazu oraz ewentualnie pomocniczych warstw wektorowych i nastpnie
wprowadzaniu punkt po punkcie, za pomoc kursora i myszy, wsprzdnych danego obiektu
wektorowego. Wspomaganie digitalizacji ekranowej opiera si z jednej strony na wykorzystaniu

Rys. 3.36 Digitalizacja ekranowa. Za pomoc kursora wprowadza si obiekty warstwy wektorowej punkt po
punkcie (wykorzystanie moliwoci powikszania obrazu).
moliwoci GUI, a z drugiej z zastosowania rozwiza topologicznych w edycji danych. W
procesie tym bardzo istotne jest swobodne operowanie obrazem dla ustawienia optymalnego
powikszenia i pola pracy. Tworzenie warstwy punktw z obrazu cyfrowego najczciej polega
na wyborze obiektw, zaznaczaniu w ich miejscu punktw i wprowadzaniu odpowiednich
atrybutw. Nowo wprowadzane punkty mog zachowywa okrelone relacje topologiczne z
innymi ju istniejcymi warstwami. Na przykad wprowadzane punkty mog lee na linii
brzegowej lub liniach sieci rzecznej, albo posiada takie samo pooenie, jak punkty innej
warstwy. Uzyskuje si to za pomoc metody zwanej snappingiem. Polega ona na
przechwytywaniu pooenia kursora przez punktowe lub liniowe elementy obiektu, co zapewnia
e wprowadzane wsprzdne bd identyczne ze wsprzdnymi obiektu przez ktre zostay
przechwycone. W ArcMap snapping moe si odbywa do punktowych elementw obiektu
(vertex), linii obiektu (edge) lub kocowego punktu obiektu (endpoint). Istotnym elementem
snappingu jest jego tolerancja, ktra okrela odlego, w jednostce mapy, poniej ktrej
nastpi przechwytywanie kursora. Wykorzystywanie snappingu jest podstaw digitalizacji
struktur sieciowych (np. sieci rzecznych), w ktrych wsplne punkty linii musz mie
identyczne wsprzdne. Istotny jest take kierunek digitalizacji, ktry w przypadku rzeki
powinien by zgodny z jej nurtem. Daje to moliwo wykorzystania wprowadzonych danych do
analiz z zastosowaniem modelu sieciowego. Jednym z niebezpieczestw przy wprowadzaniu
punktw lub linii jest tworzenie ich duplikatw. Kilkakrotnie wprowadzone linie lub punkty
powinny by wykrywane i usuwane. Topologiczne wspomaganie digitalizacji jest praktycznie
niezbdne przy wprowadzaniu poczonych ze sob poligonw.

Rys. 3.37 Digitalizacja ekranowa. Oddzielne rysowanie poczonych poligonw prowadzi do powstawania luk
i naoe.
Na Rysunku 3.37 pokazano dwa podstawowe bdy powstajce przy czeniu dwch poligonw.
Kiedy poligony s wprowadzane oddzielnie praktycznie niemoliwe jest poprowadzenie dwch
identycznych linii tworzcych ich wsplny bok. Powstaj albo luki, albo naoenia.
Rozwizaniem jest specjalna technika polegajca na automatycznym domykaniu (auto-closure
lub auto-complete) nowego poligonu.

Rys. 3.38 Digitalizacja ekranowa poczonych poligonw za pomoc automatycznego domykania.

Nowy poligon (janiejszy kolor) doczany jest do ju istniejcych tylko przez dorysowanie
nowej czci swoich bokw (linia od A do B). Pozostae boki s tworzone automatycznie przez
powielenie ju istniejcych odcinkw (Rysunek 3.38). Poczone ze sob poligony wymagaj
take specjalnych narzdzi edycyjnych, aby zmiana bokw jednego powodowaa automatyczne
zmiany bokw poligonw ssiadujcych. Tego typu rozwizanie stosuje techniki edycji z
wykorzystaniem relacji topologicznych (Rysunek 3.39).

Rys. 3.39 Edycja poczonych poligonw wymaga uwzgldnienia relacji topologicznych (a warstwa przed
edycj; b warstwa po edycji).
Moliwe jest zarwno przemieszczanie punktu poczenia bokw (wzw), caych bokw, jak i
poszczeglnych punktw boku. Nastpstwem jest zmiana pooenia bokw poligonw
ssiednich zapewniajca cigo przestrzenn caej struktury (bez luk i naoe).

Ramka 3.10
Hawths Analysis Tools konwersja punkty linie (SHP)

http://www.spatialecology.com/htools
(10.2006) Version 3.26

Rozszerzenie zawiera dwie przydatne funkcje do digitalizacji linii o tworzenia linii i wielobokw z
pomiarw punktowych. Czsto pojawia si potrzeba konwersji linii do punktw. Ma to miejsce przy
tworzeniu map ze zdigitalizowanych izolinii z planw analogowych. Mapy takie tworzone s za pomoc
interpolacji, ktra w wikszoci metod, w tym geostatystycznych, wykorzystuje dane punktowe. Przy
zczytywaniu obiektw tworzcych sieci (np. sieci rzeczne) czsto potrzebne jest tworzenie jednoczenie
zbioru punktw wzowych, w miejscach w ktrych rzeki si cz. Funkcja Convert Paths to Points w
Animal Movements z kadej linii tworzy zbir punktw o zadeklarowanym odstpie, przy czym
pierwszy punkt znajduje si na pocztku linii. Do punktu przypisany jest wybrany atrybut linii. Druga
funkcja Convert Locations to Paths (w tym samym miejscu) z punktw tworzy linie. Punkty mog
posiada identyfikatory oddzielnych linii i identyfikator opisujcy ich kolejno na poszczeglnych
liniach. Umoliwia to tworzenie warstwy liniowych obiektw z punktowych pomiarw terenowych
prowadzonych wzdu linii. Linie mog by take obrysami terenowych obiektw o charakterze
powierzchniowym (poligonw).

3.3.6 Niepewno i bdy map cyfrowych

W badaniach naukowych, aby udowodni dan hipotez, naley przeprowadzi analiz
bdw, eby wykaza, e nasze wnioski nie maj przypadkowego charakteru. Mapy cyfrowe,
bdce reprezentacj rzeczywistoci, ze wzgldu na jej kompleksowo przedstawiaj wycznie
jej uproszczenie, ktre zawsze bdzie si w pewnym stopniu od niej rni. Te rnice wynikaj
z bdw pomiarowych (Ramka 3.11), charakteru badanej powierzchni lub obiektu, przyjtej
skali pomiarw i analizy, subiektywnych decyzji podejmowanych w procesie pozyskiwania
danych i tworzenia schematw klasyfikacji, sposobu przetwarzania danych oraz
wykorzystywanych metod analitycznych. Rnice mog mie charakter zarwno przestrzenny,
jak i atrybutowy. Badana powierzchnia (np. powierzchnia wysokoci terenu) charakteryzuje si
zmiennoci przestrzenn w rnych skalach. Zmienno w skali mniejszej ni skala bada moe
by opisana jako mikrostruktura i wraz z bdem pomiarowym tworzy rnic miedzy
wartoci zmierzon a rzeczywist. Wiele elementw przyrodniczych modelowanych zazwyczaj
jako obiekty wektorowe (np. zbiornik wodny) w rzeczywistoci nie posiada wyranych granic.
Ostro okrelona granica ma w takich przypadkach sztuczny i nienaturalny charakter. Moliwym
rozwizaniem jest otoczenie linii obrysu obiektu buforem wyznaczajcym powierzchni, gdzie z
okrelonym prawdopodobiestwem znajduje si linia brzegowa.

Ramka 3.11
Bd pomiarowy

Wynika z braku powtarzalnoci pomiarw i jest rezultatem zarwno niedokadnoci przyrzdu,

jak i istnienia mikrostruktury w danych. Praktycznie mona go wyznaczy wykonujc po dwa
pomiary w kadym miejscu i obliczajc ich rnic ( di). Bd obliczamy z wyraenia:
n
2 1 2
sw 2n i 1
d i

SW2 bd pomiarowy

n liczba par danych

Odchylenie od wartoci prawdziwej spowodowane bdem pomiarowym bdzie mniejsze od

1.96 sw z prawdopodobiestwem 95%, a rnica midzy pomiarami bdzie mniejsza od 2.77
sw z prawdopodobiestwem 95%.

W modelu rastrowym problem ten jest rozwizywany za pomoc zbiorw rozmytych (fuzzy
sets). W tym przypadku przejcie od wd zbiornika do ldu nie odbywa si skokowo (komrka
albo jest ldem, albo wod), ale stopniowo dziki przypisaniu komrkom funkcji przynalenoci
do wody, ktra przyjmuje wartoci od 1 (pena przynaleno) do 0 (brak przynalenoci).
Metoda ta jest midzy innymi wykorzystywana przy tworzeniu map przydatnoci lub
wraliwoci na zagroenia [patrz podroz. 8.2] . Skala pomiarw i analiz moe by take
przyczyn szeregu bdw. Odnosi si to zarwno do skali przestrzennej, jak i czasowej.
Dokadno pooenia w przestrzeni ma bezporedni zwizek ze skal, w ktrej mapa jest
wykonywana lub ktrej odpowiada. Oglnie zakada si, e dopuszczalny bd w pooeniu
obiektw nie powinien by wikszy od odlegoci odpowiadajcej 0.5 mm na mapie. Daje to
nastpujcy dopuszczalny bd w zalenoci od skali (Tabela 3.6).

Tab. 3.6 Dopuszczalny bd pooenia w zalenoci od skali

Skal mapy Dopuszczalny bd w metrach
1 : 5000 2,5 m
1 : 10 000 5m
1 : 25 000 12,5 m
1 : 50 000 25 m
 1 : 100 000 50 m
1 : 250 000 125 m
1 : 500 000 250 m

Przy pracy na mapach cyfrowych wiadomo bdu jest szczeglnie wana, gdy mapa moe
by dowolnie powikszana i zmniejszana. Na powierzchni Ziemi zachodz nieustanne zmiany,
ktre mog mie charakter okresowy lub stay. Dynamika zmian zaley od rodzaju procesw i
ich skali. Istotne jest wic branie pod uwag jaki okres w czasie jest reprezentowany na danej
mapie. Moe to by kluczowe zagadnienie w procesie integracji danych z rnych rde.
Integracja danych wykonanych w rnych skalach rodzi z kolei problemy zwizane z rnym
stopniem szczegowoci poszczeglnych map. Potrzebne informacje do oceny spoistoci i
przydatnoci rnych zbiorw danych powinny znajdowa si w plikach metadanych (dane o
danych- Ramka 3.12), jednak najczciej ich brak.

Ramka 3.12
Metadane (metadata)

Jest to plik (w ArcGIS jest to plik XML doczony do danych lub tablica w geobazie danych) zawierajcy
informacje opisujce dane. Cz informacji takich jak zakres przestrzenny danych, rodzaj ukadu
odniesienia i odwzorowanie moe by generowana automatycznie przy wykorzystaniu odpowiednich
edytorw (w ArcGIS taki edytor znajduje sie w ArcCatalog). W pliku tym powinny znajdowa si
nastpujce informacje:
1. Opis danych. Krtki abstrakt zawierajcy podstawowe informacje o zbiorze danych oraz
okrelenie celw w jakim zosta on utworzony. Podana powinna zosta informacja o warunkach
pozyskania i wykorzystywania zbioru danych.
2. Cytowanie. Nazwa organizacji lub nazwisko osoby, ktra utworzya dane. Jeeli dane zostay
opublikowane to data publikacji i rdo. Podawana jest take gotowa formua do cytowania
danych.
3. Status danych. Stan prac nad danymi (planowane, w trakcie, zakoczone) i informacja o tym jak
czsto bd aktualizowane.
4. Zakres przestrzenny. Wsprzdne zakresu (max. i min. na osiach x i y) oraz ewentualnie
zakres i jednostka wysokoci.
5. Sowa kluczowe. Su do identyfikacji zbioru danych (umoliwiaj znalezienie zbioru danych
przez internet).

W procesie pozyskiwania danych, jak i ich przetwarzania, podejmowanych jest szereg decyzji,
ktre maj znaczcy wpyw na ich ostateczn posta. Przykadem takiej decyzji moe by rodzaj
stosowanego schematu klasyfikacyjnego. Przetwarzaniu danych w procesie analizy towarzyszy
proces propagacji bdw. Dodanie dwch rastrowych map cyfrowych o rednich bdach
kwadratowych S1 i S2 da w rezultacie map o bdzie rwnym pierwiastkowi sumy ich
kwadratw. Wykorzystujc znajomo bdw poszczeglnych map i regu okrelajcych ich
propagacj w rnych operacjach mona przeanalizowa proces ewolucji bdw w sekwencji
operacji analitycznych (odnosi si to gwnie do danych rastrowych). Ten sposb analizy nosi
nazw analizy niepewnoci (unsertainty analysis). Odmiennym podejciem jest analiza
stabilnoci (sensitivity analysis). Bada ona jak zmiany parametrw modelu wpywaj na zmiany
wynikw. Stosuje si w niej metod Monte Carlo wykorzystujc generowane losowo mapy
bdw. S one nastpnie dodawane do danych wejciowych i bada si jak losowe perturbacje
wpywaj na ostateczne wyniki. Istotn charakterystyk opisujc bdy zarwno lokalizacji, jak
i atrybutu jest ich rozkad. Generalnie oczekuje si i czsto zakada, e bdy maj rozkad
normalny. Pozwala to na ocen prawdopodobiestwa ich wystpienia w procesie analizy [patrz
podroz. 6.5].
Dla map opisujcych powierzchnie, zarwno cige, jak i dyskretne, wyznacza si bdy
na podstawie porwnania wartoci na mapie i w rzeczywistoci w punktach kontrolnych. Dla
map opisujcych cechy ilociowe wyznaczany jest redni bd kwadratowy (root mean square
error RMS lub RMSE), a dla map jakociowych bd proporcji p :
n 2

i 1
xi t i
RMS (3.11)
n
gdzie:
n liczba punktw kontrolnych,
x - wartoci z mapy cyfrowej,
t - wartoci zmierzone w punktach kontrolnych.
n m ii

p 1 (3.12)
i 1 n

gdzie:
n liczba punktw kontrolnych,
mii liczba pomiarw o tej samej klasie k na mapie i w terenie,
k liczba klas mapy jakociowej.

Bd RMS posiada tak sama jednostk jak wartoci mapy ilociowej i opisuje odchylenie
standardowe rozkadu bdw. Std mona stwierdzi, e przy zaoeniu normalnego rozkadu
bdw na mapie, prawdziwa warto dowolnej komrki mieci si w zakresie 1.96 RMS
z prawdopodobistwem 95%. Bd proporcji ma zakres od 0 do 1, im nisza jego warto tym
mapa jest dokadniejsza. Przyjmuje si, e bd map jakociowych nie powinien by wikszy od
0.15. Podobn miar co bd proporcji jest procent klas poprawnych (PCC percent correctly
classified), ktry moe by zdefiniowany jako 1 p. Bardziej dokadn i zalecan metod
wykorzystujc tzw. macierz bdw (misclassification lub confusion matrix) jest indeks lub
wspczynnik kappa ( ). Macierz bdw ma posta :

Mapa\Test A1 B2 C3 D4 E5 Suma
A1 C11 C12 C13 C14 C15 C1.
B2 C21 C22 C23 C24 C25 C2.
C3 C31 C32 C33 C34 C35 C3.
D4 C41 C42 C43 C44 C45 C4.
E5 C51 C52 C53 C54 C55 C5.
Suma C.1 C.2 C.3 C.4 C.5 C..

Poszczeglne wartoci w tablicy oznaczaj liczb punktw kontrolnych speniajcych dane

warunki, np. C42 oznaczaj, e w takiej liczbie punktw kontrolnych na mapie obecna jest klasa
D4, a test w terenie wykaza, e w rzeczywistoci wystpuje tam klasa B2; C.. oznacza cakowit
liczb punktw kontrolnych, a C.4 liczb punktw kontrolnych w ktrych test w terenie wykaza
klas D4 (suma po kolumnie). Indeks kappa ma posta (k liczba klas):
k
CC
k
i. .i
C ii
i 1 i 1 C ..
(3.13)
k
CC i. .i
C ..
i 1 C ..

Przyjmuje on wartoci od zera do jednoci i w przeciwiestwie do poprzednich metod

wprowadza poprawk na pozorn zgodno wynikajc z czynnika losowego.
 4. PODSTAWOWE FUNKCJE ANALIZY WEKTOROWEJ

4.1 Wizualizacja (symbolizacja i klasyfikacja)

Dane: Punktowe, liniowe i poligony (wykorzystanie danych rastrowych jako podkadu).
Pytania i zadania badawcze: Wstpna analiza danych przestrzennych. Szukanie
prawidowoci w rozmieszczeniu danych. Wyznaczanie danych o wartociach wyranie
rnicych si od pozostaych. Identyfikacja prawdopodobnych zwizkw i relacji
pomidzy danymi. Ocena poprawnoci prbkowania.

Zbiory danych wektorowych (punktw, linii i poligonw) s wywietlane na ekranie jako

kolejne nakadane na siebie warstwy. Moliwe sposoby wywietlania obiektw danej warstwy,
czyli rodzaj dostpnych symboli, zaley od oprogramowania. Celem procesu wizualizacji jest
taki dobr kolejnoci wywietlanych warstw i rodzaju uytych symboli, aby uzyska jak
najwicej podanych informacji o analizowanych danych. Najczciej znamy podstawowe
pytania, na ktre chcemy znale odpowied, ale samo przegldanie danych, bez szukania
konkretnych odpowiedzi, moe nam wskaza cakiem nowe drogi rozwizania danego problemu,
wydzieli niespodziewane problemy lub zdefiniowa nowe pytania. Na Rysunku 4.1a
przedstawione jest wywietlenie piciu warstw wektorowych za pomoc identycznych symboli.

Rys. 4.1 Wizualizacja danych: a do wszystkich warstw uyto identyczne symbole ; b symbolizacja
zostaa dobrana do okrelonego problemu.

S to: warstwa punktw pomiarowych, warstwa drg (linie) oraz trzy warstwy wielobokw
przedstawiajce gminy, miasta i lasy. Zamy, e chcielibymy zna odpowied na nastpujce
pytania: (1) czy rozmieszczenie lasw jest rwnomierne na danym obszarze? (2) ktre punkty
pomiarowe zostay umieszczone w miastach? (3) czy istniej punkty znajdujce si na obszarach
lenych? (4) jak wyglda pooenie punktw pomiarowych wzgldem drg? Na te wszystkie
pytania, ktre definiujemy tak, jakbymy mieli otrzyma map papierow z naniesionymi
punktami, nie otrzymamy odpowiedzi z mapy na Rysunku 4.1a. Stosujc dostpne symbole
musimy zbudowa z naszych danych map dostosowan do analizy konkretnego zagadnienia.
Jest to moliwe, poniewa kolejno i sposb symbolizacji obiektw poszczeglnych warstw
zaley od nas. Mapa przedstawiona na Rysunku 4.1b daje moliwo odpowiedzi na wikszo
postawionych pyta. Praca na ekranie daje dodatkowo moliwo operowania kolorami, co
zwiksza znacznie czytelno tworzonych map i uatwia cay proces wizualizacji. Najczciej
ustawia si warstwy tak, aby na samym dole znajdowaa si warstwa (lub warstwy poligonw),
wyej linie, a na samej grze punkty. Dziki temu poligony nie przysaniaj pozostaych warstw.
W naszym przypadku warstw punktw oznaczonych wyranym symbolem umieszczono pod
warstw linii i lasw, aby stwierdzi relacj pooenia punktw wzgldem tych dwch klas
obiektw. Do obrysu gmin i drg uyto zupenie innych linii (inny kolor i grubo). Poligony
lasw zaznaczono pprzezroczystym szrafem, aby nie zasaniay cakowicie gmin, miast
i punktw (nie jest to dobrze widoczne w wersji czarno-biaej). Z Rysunku 4.1b jednoznacznie
wynika, e lasy nie s rozmieszczone rwnomiernie. atwo jest zidentyfikowa punkty, ktre
zostay zlokalizowane w miastach lub w ich pobliu i oceni odlego do gwnych drg.
W punktach dokonywane byy pomiary pewnej zmiennej. Zmierzone wielkoci mog by
wykorzystane do ich symbolizacji.

Rys. 4.2 Wizualizacja danych ilociowych za pomoc symbolizacji.

Na Rysunku 4.2 przedstawiono punkty jako koa o wielkoci uzalenionej od wyniku pomiarw.
Jednoczesne wywietlenie lokalizacji lasw i miast pozwala na postawienie roboczej hipotezy
o wpywie bliskoci miast na wynik pomiarw. Moliwoci wizualizacji i symbolizacji wielu
systemw GIS s duo szersze ni tu opisane, obejmuj wizualizacj w trzech wymiarach
i dynamiczne poczenie mapy z wykresami. Jednak korzystajc nawet z podstawowych
moliwoci mona przeprowadzi wstpn analiz danych, a take zweryfikowa domysy
i przypuszczenia. Jest to take znakomity sposb na wykrycie bdnych danych.

Rys. 4.3 Podstawowe metody symbolizacji danych punktowych: a wszystkie punkty oznaczone s jednakowym
symbolem; b punkty oznaczone s rnymi symbolami zalenie od wartoci w polu atrybutowym (dane
jakociowe); c punkty oznaczone s identycznymi symbolami o rozmiarach zwizanych z wartoci w polu
atrybutowym (dane ilociowe); d punkty oznaczane s identycznymi symbolami o rnych kolorach zalenie od
atrybutu (dane ilociowe lub jakociowe).

Punkty wywietlane s za pomoc symboli. Mog one mie rny ksztat, kolor i wielko.
Najprostszym sposobem wizualizacji punktw jest przedstawienie ich za pomoc jednakowych
symboli (Rysunek 4.3a). Pozostae metody wykorzystuj przy symbolizacji wartoci znajdujce
si w jednym z pl atrybutowych. Istniej take metody wykorzystujce wartoci z paru pl.
Wartoci w polu atrybutowym mog mie charakter danych ilociowych lub jakociowych.
W przypadku danych jakociowych poszczeglne punkty lub ich zbiory mog by przedstawiane
za pomoc symboli (Rysunek 4.3b) lub kolorw, bd odcieni szaroci (Rysunek 4.3d).
Symbole mog mie posta zwizan ze znaczeniem danego atrybutu (np. symbol rezerwatu
przyrody na Rysunku 4.3b). Kolory dobierane s z jakociowej palety kolorw, ktra przypisuje
kadej wartoci jakociowej wyrniajcy j kolor (Rysunek 4.6a). Dane ilociowe mog by
przedstawiane za pomoc symboli rnicych si wycznie wielkoci (Rysunek 4.3c) lub tylko
kolorami (Rysunek 4.3d) z palety ilociowej (Rysunek 4.6b). Wielko symbolu jest
proporcjonalna do wartoci atrybutu, a kolory lub odcienie szaroci stopniowo zmieniaj si od
wartoci najmniejszych do najwikszych.
Linie take mog by przedstawiane w rny sposb (Rysunek 4.4). Podobnie jak
w przypadku punktw mog by one przedstawiane jednym rodzajem linii (Rysunek 4.4a).
Jeeli na mapie mamy kilka warstw linii, kad z nich przedstawiamy innym kolorem rnicujc
obiekty wewntrz warstwy za pomoc gruboci linii lub jej rodzaju. Szczeglnym rodzajem
wizualizacji linii jest zaznaczenie jej kierunku. Kierunek linii wyznacza kolejno wprowadzania
punktw, z ktrych jest zbudowana (punkt wprowadzony jako ostatni oznacza koniec linii). Na
Rysunku 4.4b kierunek zosta przedstawiony za pomoc symbolu strzaki z umieszczeniem jej na
kocu linii. Kolor, grubo i rodzaj linii (ciga lub przerywana) mog by wykorzystane do
uwzgldniania zarwno atrybutw jakociowych, jak i ilociowych (Rysunek 4.4 cd).

Rys. 4.4 Podstawowe metody symbolizacji danych liniowych: a wszystkie linie oznaczone s jednakowym
symbolem; b linie z oznaczonym kierunkiem (kolejno wprowadzanych punktw z ktrych sa zbudowane); c
linie oznaczone s rnymi symbolami (grubo i rodzaj linii); d linie rni si wycznie kolorem lub odcieniem
szaroci.
Istnieje szereg moliwoci wizualizacji warstw poligonw (Rysunek 4.5). Obraz poligonu
skada si z obrysu i wypenienia. Obrys stanowi linia, ktra moe by rysowana za pomoc
dowolnego symbolu liniowego lub by pominita. Wypenienie moe by: puste (Rysunek 4.5a),
cige (Rysunek 4.5b), mie charakter szrafu (Rysunek 4.5c) lub by czciowo przezroczyste
(Rysunek 4.5d). Na Rysunku 4.5 przedstawiono cztery warianty jednoczesnej wizualizacji
dwch warstw poligonw, z ktrych jedna cakowicie pokrywa dany obszar (1), a druga ma
wyranie wyspowy charakter (2).

Rys. 4.5 Rne sposoby wizualizacji dwch warstw poligonw: a rysowane s wycznie obrysy poligonw
(wypenienia pozostaj puste); b warstwa (2) jest rysowana z penym wypenieniem nad warstw (1); c
zastosowanie szrafu w warstwie (2); d warstwa (2) jest rysowana jako pprzezroczysta.
Kolory lub odcienie szaroci s wybierane z dostpnych lub utworzonych zestaww kolorw
zwanych paletami. Istniej dwa podstawowe rodzaje palet (s one tworzone jako tablice LUT
[patrz. Podroz. 5.1]). Pierwszy (Rysunek 4.6a) przeznaczony jest do wizualizacji danych
jakociowych. Kolory lub odcienie szaroci przypisywane do poszczeglnych wartoci s
dobrane tak, aby jak najbardziej wyrniay jedne od drugich. Drugi rodzaj przeznaczony jest dla
danych ilociowych. Dzielone s one na podzbiory (klasy), ktrym przypisywane s kolory z
palet tworzonych w taki sposb, aby obrazowa stopniowe przechodzenie od wartoci
maksymalnych do minimalnych (Rysunek 4.6b).

Rys. 4.6 Palety kolorw: a dla danych jakociowych; b dla danych ilociowych.
Podzia danych ilociowych na klasy nosi nazw klasyfikacji i jest podstawow metod
wizualizacji danych ilociowych. Podziau na klasy dokonuje si przez wyznaczenie szeregu
wartoci stanowicych bariery (progi) pomidzy klasami. Mog by one wyznaczone przez
uytkownika lub okrelone automatycznie wykorzystujc jedn z paru metod. Na Rysunku 4.7
przedstawiono podzia gmin zlewni Paski na 5 klas, ze wzgldu na liczb mieszkacw,
przeprowadzon trzema automatycznymi metodami. Wykorzystano metody: natural breakes
(Rysunek 4.7a), kwantyli (Rysunek 4.7b) i odchylenia standardowego (Rysunek 4.7c).

Rys. 4.7 Klasyfikacja gmin zlewni Paski ze wzgldu na liczb mieszkacw: a metoda Natural brakes;
b metoda kwantyli; c metoda odchylenia standardowego.
Metoda natural breakes oparta jest na optymalizacji podziau danych na grupy ze wzgldu na ich
podobiestwo wewntrz grupy i zrnicowanie pomidzy grupami. Metoda kwantyli przypisuje
kadej klasie identyczn liczb danych, natomiast w metodzie odchylenia standardowego staa
szeroko przedziau definiowana jest jako wielokrotno lub cz odchylenia standardowego.
Rysunek 4.7 pokazuje, e stosujc dostpne metody klasyfikacji mona otrzyma bardzo rne
rezultaty (podkrelenie lub zredukowanie znaczenia okrelonych rnic), co moe prowadzi do
odmiennych wnioskw.
Przedstawione powyej metody wizualizacji nie s wycznie wykorzystywane do
wstpnej analizy danych. Su one zarwno do interpretacji wynikw prowadzonych analiz, jak
i tworzenia produktw kocowych do raportw, prezentacji lub publikacji.

4.2 Selekcja atrybutowa

Dane: Tablice atrybutowe warstw punktowych, liniowych i poligonw.
Pytania i zadania badawcze: Ktre obiekty speniaj wymagany zestaw warunkw
atrybutowych? Utworzenie oddzielnej warstwy, wykonanie oblicze lub niektrych
operacji analitycznych, tylko dla pewnego podzbioru danych zdefiniowanych za pomoc
atrybutw.

Zbiory danych wektorowych (punktw, linii i wielobokw) zawieraj tablice atrybutowe.

Funkcja selekcji atrybutowej (select by attributes), polega na wybraniu i zaznaczeniu
(wizualnym) obiektw, ktrych wartoci atrybutowe speniaj pewien warunek logiczny.
Wybrane obiekty nie tylko zostaj zaznaczone w sensie wizualnym, ale tworz zdefiniowany
chwilowo podzbir danych. Podzbir ten moe by zapisany jako oddzielna warstwa (np. SHP),
suy take (w ArcGIS) do zaznaczenia obiektw (rekordw), na ktrych maj by wykonywane
rnego typu operacje.
 Rys. 4.8 Selekcja obiektw na podstawie ich atrybutu za pomoc wyraenia SQL

Warunki logiczne s definiowane w jzyku SQL (Structured Quarry Language). Jest to

powszechnie uywany jzyk zapyta wykorzystywany w relacyjnych bazach danych. Na
Rysunku 4.8 za pomoc wyraenia SQL wybrano (zaznaczono) wszystkie punkty o wartociach
atrybutu pomiary wikszych od 12. Oglne zasady jego stosowania w ArcGIS zostay
przedstawione w Ramce 4.1.

Ramka 4.1
SQL w ArcGIS

W ArcGIS obowizuj inne reguy gramatyczne SQL dla tablic geobazy danych (G) i pozostaych (np.
SHP i dBase S).

Podstawowe wyraenie SQL stosowane najczciej ma posta:

SELECT * FROM nazwa_tablicy WHERE nazwa_pola warunek
czyli
WYBIERZ rekordy Z tablicy GDZIE w polu speniony jest warunek

Nad polem komend SQL w ArcGIS polecenie do sowa WHERE jest ju gotowe, naley wpisa tylko
nazw pola i warunek logiczny. Nazw pola wpisujemy (moe by wybrana z listy) jako:
[nazwa] G albo nazwa S . Podstawowymi operatorami arytmetycznymi s znaki: = , > , < , >= , <= .
Moemy wic wpisa warunek w postaci: nazwa > 12 lub : nazwa <= nazwa2 . Warunek moe
by uzupeniony przez operatory logiczne: AND, OR, NOT. Na przykad: : nazwa > 12 OR nazwa <
8 . Brak danej jest oznaczany jako NULL (symbol wystpuje w zestawieniu IS NULL albo IS NOT
NULL). Aby wybra wszystkie rekordy z danymi warunek bdzie mia posta: nazwa IS NOT NULL .
W wyraeniu mog pojawia si obliczenia (operatory *, +, -, /): pola z liczb lub pola z polem (tylko G )
np: [nazwa]/[nazwa2] > [nazwa3] .W przypadku danych tekstowych w G nie ma rnicy pomidzy
maymi i duymi literami natomiast w S jest (uywa si funkcji UPPER i LOWER np. UPPER (nazwa)
do zamiany na mae lub due litery). Wprowadzanie tekstu czciowego wykorzystuje operator LIKE
zamiast = . Jeden znak jest oznaczany jak ? w G i _ w S . Dowolna liczba znakw * w G i % w S
np. nazwa LIKE Re% bdzie powodowaa wybranie z pola wszystkich nazw rozpoczynajcych si od
Re np. Reda, Rega.

4.3 Operacje w tablicy atrybutowej (obliczenia, sumaryzacja, czenie tablic,

wprowadzanie wynikw pomiaru)
Dane: Tablice atrybutowe warstw punktowych, liniowych i poligonw oraz stablicowane
dane nieprzestrzenne.
Pytania i zadania badawcze: Obliczanie nowych wartoci atrybutw na podstawie
atrybutw ju istniejcych. Wprowadzanie do pl atrybutowych wynikw pomiarw
ksztatu pojedynczych obiektw: linii dugo, krto (sinuosity), wymiar fraktalny
(fractal dimension); poligony obwd, powierzchnia. Przeprowadzanie klasyfikacji
obiektw, przez przypisanie identyfikatora klasy, w oparciu o zoone schematy logiczne.
Obliczanie z podzbiorw rekordw podstawowych statystyk i wykorzystywanie ich
w obliczeniach. Przypisywanie obiektom atrybutw z zewntrznych zbiorw danych.

Moliwo obliczania nowych wartoci atrybutw jest istotnym elementem prowadzenia analiz,
a tablica atrybutowa peni centraln rol w sekwencji analiz wektorowych. Nowe pola (kolumny)
w tablicy atrybutowej mog by wypeniane rezultatami oblicze na istniejcych polach,
wynikami pomiarw ksztatu obiektw przypisanych do danego rekordu lub danymi
zewntrznymi, ktre dziki wsplnym identyfikatorom mog by doczane do tablicy. Wartoci
w nowych polach mog by te rezultatem dziaania rnych funkcji analitycznych, w tym
ekstrakcji z warstw rastrowych [patrz podroz. 4.5]. Prostym przykadem oblicze atrybutowych
(Rysunek 4.9a) moe by wyznaczenie gstoci zaludnienia, wyraonego jako stosunek liczby
osb na jednostk powierzchni dla obszarw administracyjnych okrelonych poligonami.
Zadanie to wymaga poczenia informacji nieprzestrzennej jak jest liczba ludnoci
w jednostkach administracyjnych z przestrzenn, czyli powierzchni tych obszarw. Mapa
obszarw administracyjnych posiada tablic atrybutow z polem, w ktrym kademu poligonowi
przypisana jest liczba mieszkacw. Za pomoc jednego z narzdzi do wykonywania pomiarw
opisanych poniej zmierzono, a waciwie policzono powierzchni kadego z poligonw,
a rezultaty umieszczono w oddzielnym polu [Pow]. Nastpnie wykonano operacj polegajc na
podzieleniu przez siebie dwch pl. Nazwy pl zostay umieszczone w nawiasach
kwadratowych (zapis w ArcGIS). W rezultacie w uprzednio utworzonym polu [Miesz_km2]
kademu poligonowi zostaa przypisana obliczona warto.

Rys. 4.9 Obliczanie nowych wartoci w polu atrybutowym: a - za pomoc pojedynczego

wyraenia; b za pomoc kodu Visual Basicu (przypisanie identyfikatorw klas).

Ramka 4.2
Tworzenie wyrae obliczeniowych w Visual Basicu

Rol zmiennych penia nazwy pl umieszczane w nawiasach kwadratowych. Uywa si

nastpujcych arytmetycznych operatorw obliczeniowych oraz nawiasw:

potgowanie ^ np. [pole]^2.12

mnoenie * np. ([pole1]+[pole2])*[pole3]
dzielenie / np. [Mieszkancy]/[Pow]
dzielenie cakowite \ np. [pole]\10
dodawanie + np. ([pole1]+[pole2])*[pole3]
odejmowanie - np. [pole1]-[pole2]
dodawanie tekstw & np. [pole_tekst]&_rzeka.

Mona wykorzystywa te funkcje Visual Basica:

np.
warto absolutna Abs( ) np. Abs ([pole1]-1)
warto cakowita Int( ) np. Int([ID_HYD])
funkcja wykadnicza Exp( ) np. Exp([a]) = e[a]
logarytm naturalny Log ( ) log10(x) = Log(x)/Log(10)
pierwiastek kwadratowy Sqr ( )
funkcje trygonometryczne Atn(), Cos(), Sin(), Tan()
(kt w radianach)
generator liczby losowej (0-1) Rnd Int((6*Rnd)+1) tworzy losowo liczby cakowite 1-6
inicjacja liczb pseudolosowych Randomize

W ArcGIS, jeeli wczeniej cz rekordw zostaa wybrana za pomoc selekcji (atrybutowej

lub na podstawie relacji przestrzennych) ,obliczenia s wykonane tylko dla tych rekordw. Daje
to moliwo przypisywania obliczonych wartoci lub liczby do podzbioru rekordw. Do
tworzenia wyraenia obliczeniowego uywa si w ArcGIS zasad i funkcji Visual Basica (Ramka
4.2). Warto, ktra zostaje przypisana, moe by okrelona nie za pomoc jednego wyraenia,
ale procesu obliczeniowego majcego posta skryptu w Visual Basic For Applications (VBA)
(Ramka 4.3). Przykad przedstawiony na Rysunku 4.9b przypisuje do pola [Klasy] kody klas (od
1 do 5) na podstawie wyznaczonych wartoci granicznych w procesie klasyfikacji. Taki sam
rezultat mona by uzyska stosujc kilkakrotnie sekwencje selekcji i obliczania. Za pomoc
wyraenia SQL naleaoby wybra rekordy przynalene do danej klasy i przypisa im kod klasy
(liczb cakowit np. Klasy = 1). Operacj t naleaoby powtrzy dla kadej klasy. Proces
obliczeniowy za pomoc skryptu daje znacznie szersze moliwoci przetwarzania danych.
Pozwala na uwzgldnienie operatorw porwnania i logicznych, na wykonywanie pomiaru
ksztatu obiektw takich jak dugo, obwd i powierzchnia, a take na okrelanie
wsprzdnych punktu i punktu centralnego poligonu. Istotnym ograniczeniem procesu
obliczeniowego jest jego oddzielne wykonywanie dla kadego rekordu, bez moliwoci
uwzgldnienia innych wartoci z danego pola. Czciowym rozwizaniem jest wykorzystanie
funkcji zwanej sumaryzacj i moliwoci czenia pl z rnych tablic.

Ramka 4.3
Obliczenia za pomoc skryptu (programu) w Visual Basic For Applications (VBA)

http://www.csidata.com/custserv/onlinehelp/VBSdocs/VBSTUTOR.htm

Skrypt jest rodzajem prostego programu realizowanego dla kolejnych rekordw. Skada si
z szeregu linii. Podstawowym elementem programu s zmienne przechowujce wartoci
w skrypcie oraz udostpniajce je funkcjom i ostatecznie wprowadzajce do pola. Zmienne maj
okreslony typ:

Boolean zmienna losowa zawiera dwie wartoci True albo False (prawda albo fasz)
Byte liczba cakowita od 0 do 255
Integer liczba cakowita od -32768 do 32767
Long liczba cakowita od -2147483648 do 2147483647
Single, Double liczby rzeczywiste
Date(Time) liczba reprezentujca dat
String zmienna tekstowa

Dobr praktyk jest deklaracja wszystkich zmiennych na pocztku programu za pomoc

wyraenia: np. Dim X as double
Oprcz operatorw arytmetycznych i funkcji opisanych w Ramce 4.2 wykorzystuje si operatory
porwnania (=, <> (rne), <, >, >=, <=) i logiczne (Not, And, Or, Xor). Linie w skrypcie
tworzy si przede wszystkim za pomoca wyraze przypisania i warunkowych. Wyraenie
przypisania ma posta: np. X = 2.21, natomiast wyrazenia warunkowe mog mie mniej lub
bardziej zoon form: np.
if x < 5 then pp = 4.7
if x < 5 then pp = 4.7 else pp = 0
if x < 5 AND y > 2 then pp = 12

Na Rysunku 4.10 zilustrowano te moliwoci na przykadzie. Zadanie polega na wyznaczeniu

rekordw z najmniejszymi wartociami w danej klasie. W tym celu niezbdne jest wyznaczenie
wartoci minimalnej w kadej z piciu klas. Operacja sumaryzacji danej kolumny [Klasy]
z wartociami cakowitymi polega na utworzeniu podzbiorw rekordw dla kadej unikalnej
wartoci z tej kolumny (1,2,3,4,5) i obliczenia wybranych statystyk (minimum, maximum,
rednia, odchylenie standardowe, wariancja) lub sumy z danych w poszczeglnych polach.
W przykadzie obliczono wartoci minimalne dla kadej klasy z danych w polu [Miesz_km2].
Wynik jest zestawiony w tabeli, w ktrej jest tyle rekordw, ile unikalnych wartoci, dla ktrych
zostay wyznaczone statystyki. Kolejnym etapem jest doczenie obliczonych wartoci
minimalnych do tabeli pocztkowej. Aby operacja doczenia jednej tablicy do drugiej bya
moliwa, musi istnie w kadej z nich pole zawierajce identyfikator tworzcy relacje midzy
tablicami. Obie tablice zawieraj pola z identyfikatorami klas ( [Klasy] od 1 do 5). Doczenie na
podstawie tej relacji spowoduje dodanie do tablicy pocztkowej kolumny tablicy utworzonej
w procesie sumaryzacji [Min_Miesz_] i wypenienie jej wartociami odpowiadajcymi
identyfikatorowi klas. Warto z identyfikatorem [Klasy] = 1, wynoszca 15.90 zostanie
przypisana do wszystkich rekordw tablicy pocztkowej, ktre posiadaj w polu [Klasy] warto
= 1 (rekordy o OID 2 i 4). W ten sposb kademu rekordowi zostanie przypisana warto
minimalna dla klasy do ktrej ten rekord naley. Obliczenie rnicy midzy wartoci danego
rekordu a wartoci minimaln pozwoli na wyznaczenie rekordw o najmniejszej wartoci
w swojej klasie. Obliczona dla nich rnica bdzie wynosi zero.
 Rys. 4.10 Wykorzystanie sumaryzacji i czenia tablic w procesie obliczeniowym prowadzonym przy pomocy
tablicy atrybutowej.

Operacja czenia tablic jest bardzo czsto wykorzystywana przy czeniu informacji
nieprzestrzennej z przestrzenn. Najbardziej typowym przykadem moe by poczenie
wektorowej warstwy punktw pomiarowych z tablic bazy danych, zawierajcych wyniki
pomiarw, w ktrej jedno z pl zawiera numery punktw. Warstwa punktw pomiarowych
zawiera take pole z ich numerami. Pola te su do doczenia wynikw pomiarw do punktw
pomiarowych, umoliwiajc ich analiz przestrzenn np. przeprowadzenie interpolacji [patrz
podroz. 5.6] i utworzenie mapy rozkadu przestrzennego danej zmiennej, jak pokazano to na
Rysunku 4.11.
 Rys. 4.11 Poczenie wektorowej warstwy punktw pomiarowych z tablic bazy danych
zawierajcych wyniki pomiarw w celu wykonania mapy rozkadu zmiennej w przestrzeni za
pomoc interpolacji.

Docza mona take tablice atrybutowe innych warstw wektorowych, rastrowych lub powstae
w rezultacie wykonywania rnych funkcji analizy przestrzennej.
Do pl tablicy atrybutowej mona wprowadza wyniki pomiarw ksztatu obiektw
graficznych zwizanych z poszczeglnymi rekordami. Podstawow miar ksztatu obiektw
liniowych jest ich dugo. Poniewa linia jest tworzona jako sekwencja odcinkw pomidzy
kolejnymi jej punktami to dugo linii bdzie sum tych odcinkw. Kolejn miar opisujca
ksztat linii jest jej krto (sinusoity) jest ona zdefiniowana jako:
SIN = DL / DSK (4.1)
gdzie: DL dugo linii (suma wszystkich jej odcinkw),
DSK odlego pomidzy pocztkiem a kocem linii.
Dugo obiektw liniowych wykazuje zaleno od skali pomiaru. Ten sam odcinek brzegu
morskiego mierzony ze zdjcia satelitarnego o rozdzielczoci 30 m i rozdzielczoci 0.6 m bdzie
mia rne dugoci. Wynika to z uwzgldniania wikszej iloci drobnych nierwnoci brzegu na
zdjciu o wyszej rozdzielczoci. Miar tego zjawiska jest wymiar fraktalny (fractal dimension)
zdefiniowany jako:
FD = log (n) / ( log (n) + log ( DSK / DL )) (4.2)
gdzie: n liczba segmentw danej linii,
DL dugo linii (suma wszystkich jej odcinkw),
DSK odlego pomidzy pocztkiem a kocem linii.
Wraz ze wzrostem szczegw warto tej miary zmienia si od 1 (linia prosta) do 2 (linia
cakowicie wypeniajca pewn powierzchni). Podstawowymi miarami ksztatu obiektw
powierzchniowych (poligonw) jest ich obwd i powierzchnia. Praktyczne metody obliczania
tych wartoci w tablicach atrybutowych (w ArcGIS) przedstawiono w Ramce 4.4

Ramka 4.4
Pomiary ksztatu obiektw wektorowych w ArcGIS (9.1)

Linie
Dugo linii jest umieszczana zawsze w oddzielnym polu tablic geobazy danych. W warstwach SHP
musi by obliczana za pomoc skryptu VBA, ktry moe by take wkomponowany w sekwencj innych
instrukcji. Ma on posta :
Dim DL as double
Dim pCurve as ICurve
Set pCurve = [shape]
DL = pCurve.Length
Innym sposobem utworzenia pola z dugoci linii jest wykorzystanie funkcji Add LENGTH Field to
Table (arcs) (Dodaj pole dugoci do tablicy) znajdujcej si wrd narzdzi (Table Tools) dostpnych
w rozszerzeniu Hawths Analysis Tools (HAT)( http://www.spatialecology.com/htools ). Funkcja ta
tworzy nowe pole, albo wykonuje aktualizacj ju istniejcego. Dla kadego rekordu wpisywana jest
dugo linii, przy czym moe by ona zapisana w innej jednostce ni jednostki ukadu wsprzdnych
mapy. Ze wzgldu na to, e jednostkami mapy s najczciej metry, wygodniej jest w wielu przypadkach
operowa kilometrami.
Krto linii (sinusoity) moe by obliczona za pomoc funkcji Line Metrics (Miary linii) znajdujcej
si w (Analysis Tools) rozszerzenia HAT. Funkcja ta tworzy dwa pola pierwsze [Sinuosity] z
wartociami krtoci dla kadej linii (rekordu) i drugie [LineSegs] z liczb odcinkw danej linii.
Wymiar fraktalny (fractal dimension) moe by take obliczony za pomoc funkcji Line Metrics
(Miary linii) znajdujcej si w (Analysis Tools) rozszerzenia HAT. Funkcja tworzy dwa pola pierwsze
[FracDim] z wartociami wymiaru fraktalnego dla kadej linii (rekordu) i drugie [LineSegs] z liczb
odcinkw danej linii.
Poligony
Obwd poligonu jest umieszczany zawsze w oddzielnym polu tablic geobazy danych. W warstwach
SHP musi by obliczana za pomoc skryptu VBA, ktry moe by take wkomponowany w sekwencj
innych instrukcji. Ma on posta :
Dim O as double
Dim pCurve as ICurve
Set pCurve = [shape]
O = pCurve.Length
Innym sposobem utworzenia pola z obwodem jest wykorzystanie funkcji Add AREA/PERIMETER
Fields To Table (polygons) (Dodaj pole powierzchni/obwodu znajdujcej si w (Analysis Tools)
rozszerzenia HAT. Obwd moe by zapisany w innej jednostce ni jednostki ukadu wsprzdnych
mapy.
Powierzchnia poligonu jest umieszczana zawsze w oddzielnym polu tablic geobazy danych. W
warstwach SHP moe by obliczona za pomoc funkcji ArcGIS Calculate Area (Spatial Statistics Tools
> Utilites) bd za pomoc skryptu VBA, ktry moe by take wkomponowany w sekwencj innych
instrukcji, o postaci :
Dim P as double
Dim pArea as Iarea
Set pArea = [shape]
P = pArea.area
Innym sposobem utworzenia pola z wartoci powierzchni jest wykorzystanie funkcji Add
AREA/PERIMETER Fields To Table (polygons) znajdujcej si w (Analysis Tools) rozszerzenia
HAT. Powierzchnia moe by ona zapisana w innej jednostce ni jednostki ukadu wsprzdnych mapy,
co prawie zawsze jest bardzo wygodne. W ArcGIS 9.2 obliczanie dugosci linii, obwodu i powierzchni
poligonu jest wykonywane za pomoc opcji Calculate Geometry.

4.4 Selekcja na podstawie relacji przestrzennych

Dane: Wektorowe warstwy punktw, linii i poligonw.
Pytania i zadania badawcze: Znajdowanie obiektw, ktre speniaj wymagane warunki
atrybutowe oraz pozostaj w okrelonych relacjach przestrzennych z obiektami innych
warstw. Utworzenie oddzielnych warstw ze znalezionych w ten sposb obiektw.

Obiekt przestrzenny: punkt, linia lub poligon warstwy wektorowej ma okrelone relacje
przestrzenne z obiektami innych warstw. Podstawowe relacje poligonu jednej warstwy
z poligonami drugiej warstwy zostay przedstawione na Rysunku 4.12. Obiekty pierwszej
warstwy s oznaczone przez litery (warstwa LITER), za obiekty drugiej przez cyfry (warstwa
CYFR). Kady obiekt pierwszej warstwy moe by scharakteryzowany pod wzgldem jego
pooenia wzgldem obiektw drugiej warstwy. Obiekty obu warstw mog mie wspln
lokalizacj, czyli zajmowa to samo miejsce w przestrzeni. Obiekt powierzchniowy (poligon)
ma dwa elementy: obrys lub granic oraz wntrze lub wypenienie. Jeeli wntrze obiektu
z warstwy LITER czciowo pokrywa si z wntrzem ktrego z obiektw warstwy CYFR lub
posiadaj one cho niewielki odcinek wsplnej granicy, to moemy powiedzie, e maj
wsplny element. Relacja tego typu w programie ArcGIS nosi nazw intersect. Obiekty A, C i D
posiadaj wspln cz wntrza (pooon w tym samym miejscu), a obiekt B posiada wspln
granic z obiektem numer 2. Kolejnym przykadem relacji przestrzennej jest odlego danego
obiektu do najbliszego obiektu innej warstwy. Mona sprawdzi, e wszystkie obiekty warstwy
LITER le nie dalej ni 3 kilometry od obiektw warstwy CYFR. Gdyby deklarowan
odlego zmniejszy do 2 km, warunku tego nie speniaby obiekt E. Obiekty mog zawiera
obiekty innej warstwy lub by przez nie zawierane. Rnica pomidzy cakowitym zawieraniem
i zawieraniem, znajdujca si w opisie rysunku, polega na tym, e cakowite zawieranie
wymaga, aby obrys poligonu zawieranego nie mia punktw wsplnych z obrysem poligonu,
ktry go zawiera. W procesie selekcji obiektw ze wzgldu na ich lokalizacj, opcjonalnie moe
bra udzia tylko pewien ich podzbir wybrany wczeniej za pomoc selekcji atrybutowej.
Kady podzbir moe by zapisany jako oddzielna warstwa, co w rezultacie umoliwia badanie
ich wzajemnych relacji. Jednoczenie w wybranym polu atrybutowym mona przypisa
identyfikator dla dowolnego podzbioru wybranych obiektw. Daje to ogromne moliwoci
rnorodnego przeksztacania danych z jednoczesnym uwzgldnieniem warunkw wynikajcych
z wartoci atrybutw, a take relacji przestrzennych zarwno wewntrz danej warstwy, jak i
pomidzy warstwami. Relacje przestrzenne mog by analizowane we wszystkich moliwych
kombinacjach rodzajw warstw. Ich praktyczne znaczenie moe by bardzo rnorodne. Relacja
intersection moe by wykorzystana do wybrania podzbiorw obiektw z rnych warstw
znajdujcych si na obszarze zainteresowania (zdefiniowanym w oddzielnej warstwie). Na
Rysunku 3.24 przedstawiono selekcj rzek dla danej zlewni za pomoc operacji wybrania rzek,
ktry maj wsplny element (intersection) z warstw zawierajc poligon przedstawiajcy
zlewni.
 Rys. 4.12 Wybrane relacje poligonw jednej warstwy z poligonami drugiej warstwy. Obiekty
pierwszej warstwy s oznaczone przez litery (warstwa LITER), za obiekty drugiej przez
cyfry (warstwa CYFR).

4.5 Pozyskiwanie danych atrybutowych na podstawie relacji przestrzennych

Dane: Wektorowe warstwy punktw, linii i poligonw oraz warstwy rastrowe (jako rdo
danych)
Pytania i zadania badawcze: Przypisywanie obiektom danej warstwy wektorowej nowych
atrybutw pochodzcych od obiektw innych warstw, ktre pozostaj z obiektami danej
warstwy w pewnej relacji przestrzennej. Dodanie do warstwy punktw atrybutw
z rnych warstw wektorowych i rastrowych (z miejsc odpowiadajcych tym punktom)

W badaniach przyrodniczych czstym dziaaniem jest uzupenienie atrybutw warstwy punktw

pomiarowych o dane zawarte w innych warstwach wektorowych i rastrowych. Problem polega
na pozyskaniu wartoci z miejsca w ktrym znajduje si punkt pomiarowy i przypisaniu jej jako
kolejnego atrybutu do danego punktu. Proces ten pokazany na Rysunku 4.13 jest czasami
nazywany ekstrakcj. Jest to najbardziej efektywna metoda wzbogacenia danych pomiarowych
o dodatkowe (uzupeniajce) dane.
 Rys. 4.13 Ekstrakcja danych z warstw wektorowych i rastrowych do warstwy punktw pomiarowych jest
podstaw modelowania regresyjnego w GIS.

Jeeli pomidzy danymi pomiarowymi a wartociami pobranymi z warstw istnieje istotna

zaleno, to mona j wykorzysta do estymacji mierzonej wartoci we wszystkich punktach na
podstawie istniejcych warstw. Metoda ta nosi nazw modelowania regresyjnego [patrz podroz.
8.4] i jest jednym z podstawowych sposobw wykorzystania GIS w badaniach naukowych.
Ekstrakcja danych punktowych z danych wektorowych moe polega na przypisaniu atrybutw
z najbliszego obiektu, jeeli w miejscu punktu pomiarowego na warstwie z ktrej pobierane s
atrybuty nie ma obiektu. W takiej sytuacji oprcz atrybutw podaje si informacj o odlegoci
do danego obiektu. W przypadku pobierania atrybutw z warstwy punktowej mog by to
statystyki atrybutw podzbioru punktw, dla ktrych punkt warstwy przyjmujcej atrybut jest
najbliszy. Podobnie dla warstwy liniowej podzbir do obliczenia statystyk mog tworzy tylko
linie przecinajce dany punkt. Przy ekstrakcji wartoci punktowych z mapy rastrowej
najczciej do punktu przypisuje si warto z centrum komrki rastrowej, w ktrej
zlokalizowany jest punkt. Istnieje take moliwo interpolowania nowej wartoci na podstawie
wartoci w komrkach ssiednich. Przy ekstrakcji wartoci z mapy rastrowej do linii uywa si
redniej waonej, gdzie jako wagi su dugoci odcinkw linii w komrkach z dan wartoci
(LWM Length Weighted Mean). Wielko ta jest okrelona wyraeniem w postaci:
n
l v
i i
x (4.3)
i 1 L

gdzie: i warto w komrce rastra o wartoci i

 li dugo odcinkw linii w komrkach rastra i

L cakowita dugo linii

n liczba wartoci rastra wzdu linii

Przy pobieraniu atrybutw do warstw poligonw stosuje si nastpujce rozwizania.
W przypadku warstwy punktw moe to by liczba punktw znajdujcych si wewntrz danego
poligonu lub statystyki z ich atrybutw. W przypadku linii przydatnym rozwizaniem jest
moliwo przypisania cznej dugoci odcinkw linii zawartych w poligonie. Istotnym
zagadnieniem jest przypisanie poligonom atrybutw z innej warstwy poligonw.

Rys. 4.14 Problem przypisywania atrybutw w relacji poligon poligon.

Moliwe s dwa podstawowe rozwizania: (1) obliczenie wartoci redniej z atrybutu poligonw
przecinajcych dany poligon (przypisanie wartoci 15), (2) obliczenie redniej waonej
uwzgldniajcej wsplne powierzchnie obu poligonw (przypisanie wartoci zblionej do 20).
Praktyczne metody przypisywania atrybutw w ArcGIS zostay przedstawione w ramce 4.5.

Ramka 4.5
Sposoby przypisywania atrybutw za pomoc relacji przestrzennych w ArcGIS (9.1)

Istniej trzy grupy metod sucych do ekstrakcji atrybutw lub wartoci (w przypadku danych
rastrowych) i przypisywania ich obiektom warstwy punktw, linii lub poligonw. Pierwsza
grupa metod jest zwizana z operacj doczania pl z tablicy atrybutowej na podstawie relacji
przestrzennych. drug grup stanowi specjalne funkcje ArcGIS, a trzeci funkcje rozszerze w
tym przypadkiu Hawths Analysis Tools (HAT)( http://www.spatialecology.com/htools ).

Przypisanie atrybutw do PUNKTU (warstwa A)

Przypisanie atrybutw (lub wartoci rastra) do warstwy danych punktowych jest najczciej stosowan
operacj tego typu. Opcje doczania pl z tablic atrybutowych rnych typw obiektw zostay
zestawione w tabeli poniej;
Od obiektu Opcja Opis
(warstwa B)
PUNKT Podzbir punktw warstwy B Liczba punktw i statystyki (rednia, suma,
dla ktrych dany punkt mimimum, maksimum, odchylenie standardowe,
warstwy A jest najbliszy (ze wariancja) ze wszystkich atrybutw.
wszystkich punktw warstwy
A)
Najbliszy punkt z warstwy B Wszystkie atrybuty i odlego
LINIA Wszystkie linie warstwy B Liczba linii i statystyki (rednia, suma, mimimum,
przecinajce dany punkt maksimum, odchylenie standardowe, wariancja) ze
warstwy A wszystkich atrybutw.
Najblisza linia z warstwy B Wszystkie atrybuty i odlego
POLIGON Poligon warstwy B, ktry Wszystkie atrybuty
zawiera dany punkt z
warstwy A
Najbliszy poligon z warstwy Wszystkie atrybuty i odlego
B

ArcGIS posiada take funkcj Extract Valeus to Points (Spatial Analyst>Extraction), ktra umoliwia
ekstrakcj wartoci z pojedynczej warstwy rastrowej do wektorowej warstwy punktw. Jeeli w warstwie
znajduje si par kanaw, pobranie wartoci nastpi z kanau pierwszego. Opcjonalnie pobierane
wartoci mog by interpolowane z wartoci otaczajcych. Znacznie wygodniejsza w stosowaniu jest
funkcja HAT Intersect Point Tool (Analysis Tools). Umoliwia ona jednoczesne uzupenianie warstwy
wektorowej punktw o nowe pola i wartoci z szeregu warstw wektorowych i rastrowych. Z warstw
rastrowych wielo-kanaowych pobierane s wartoci dla kadego kanau. Wszystkie wartoci pobierane
s z centrum komrki rastrowej.
Przypisanie atrybutw do LINII (warstwa A)
Opcje doczania pl z tablic atrybutowych rnych typw obiektw do tablicy warstwy wektorowej linii
zostay zestawione w tabeli poniej;
Od obiektu Opcja Opis
(warstwa B)
PUNKT Podzbir punktw warstwy B Liczba punktw i statystyki (rednia, suma,
dla ktrych dana linia mimimum, maksimum, odchylenie standardowe,
warstwy A jest najblisza (ze wariancja) ze wszystkich atrybutw.
wszystkich linii warstwy A)
Podzbir punktw warstwy B Liczba punktw i statystyki (rednia, suma,
ktre przecina dana linia mimimum, maksimum, odchylenie standardowe,
warstwy A wariancja) ze wszystkich atrybutw.
Najbliszy punkt z warstwy B Wszystkie atrybuty i odlego
LINIA Wszystkie linie warstwy B Liczba linii i statystyki (rednia, suma, mimimum,
przecinajce dan lini maksimum, odchylenie standardowe, wariancja) ze
warstwy A wszystkich atrybutw.
Linia warstwy B ktra jest Wszystkie atrybuty
czci linii warstwy A
POLIGON Poligony warstwy B, ktre
przecina linia z warstwy A
Najbliszy poligon z warstwy
B
Poligon z warstwy B w
ktrym mieci si linia
Liczba poligonw i statystyki (rednia, suma,
mimimum, maksimum, odchylenie standardowe,
wariancja) ze wszystkich atrybutw.
Wszystkie atrybuty i odlego
Wszystkie atrybuty

HAT posiada funkcj przypisujc atrybuty do linii na podstawie wartoci komrek rastra znajdujcych
si na jej torze. Funkcja Line Raster Intersection Statistics (Analysis Tools) przypisuje kadej linii
warto LWM (redni waona) i LWSD (length weighted standard deviation waone odchylenie
standardowe).
Przypisanie atrybutw do POLIGONW (warstwa A)
Poniej zestawiono opcje doczania pl z tablic atrybutowych rnych typw obiektw do tablicy
warstwy wektorowej poligonw;
Od obiektu Opcja Opis
(warstwa B)
PUNKT Podzbir punktw warstwy B Liczba punktw i statystyki (rednia, suma,
ktre zawiera dany poligon mimimum, maksimum, odchylenie standardowe,
warstwy A wariancja) ze wszystkich atrybutw.
Punkt warstwy B ktry jest Wszystkie atrybuty i odlego
najbliej danego poligonu
warstwy A
LINIA Wszystkie linie warstwy B Liczba linii i statystyki (rednia, suma, mimimum,
przecinajce dany poligon maksimum, odchylenie standardowe, wariancja) ze
warstwy A wszystkich atrybutw.
Linia warstwy B ktra jest Wszystkie atrybuty i odlego
najbliej danego poligonu
warstwy A
POLIGON Poligony warstwy B, ktre Liczba poligonw i statystyki (rednia, suma,
przecinaj dany poligon z mimimum, maksimum, odchylenie standardowe,
warstwy A wariancja) ze wszystkich atrybutw.
Poligon z warstwy B ktry Wszystkie atrybuty
jest zawarty w danym
poligonie warstwy A

HAT posiada dwie funkcje przypisujce atrybuty do poligonw. Pierwsza Sum Line Lengths In
Polygons (Analysis Tools) przypisuje czn dugo wszystkich linii zawartych w danym poligonie.
Funkcja ta wykorzystuje operacj wycinania [patrz podroz. 4.7], dziki czemu liczone sa tylko odcinki
faktycznie znajdujce si wewntrz poligonu. Druga funkcja Polygon in Polygon Analysis (Analysis
Tools) oblicza statystyki w postaci redniej waonej uwzgldniajcej powierzchnie
przecinajcych poligonw, wartoci minimalnej i maksymalnej oraz sum atrybutw i liczb
przecinajcych poligonw.

 4.6 Buforowanie
Dane: Wektorowe warstwy punktw, linii i poligonw.
Pytania i zadania badawcze: Wyznaczanie stref w oparciu o odlego do obiektw
okrelonego typu.
Buforem w analizie przestrzennej okrelamy najczciej wielobok (poligon) otaczajcy dany
obiekt lub grup obiektw. Definiuje si go przez podanie odlegoci (wartoci granicznej) jego
obrysu od obrysu obiektw. Kady punkt wewntrz bufora jest pooony bliej obrysu obiektu
ni warto graniczna. Istnieje szereg podstawowych moliwoci tworzenia buforw (Rysunek
4.15).

Rys. 4.15 Buforowanie poligonw: a poligony; b bufory zewntrzne poczone; c bufory zewntrzne
oddzielne; d bufory wewntrzne.
Obiekty punktowe i liniowe mog by buforowane od zewntrz, natomiast bufory poligonw
mog by tworzone zarwno od strony zewntrznej, jak i wewntrznej (Rysunek 4.15d). Bufory
utworzone dla poszczeglnych obiektw mog na siebie zachodzi (Rysunek 4.15c). Mona
czy je ze sob tworzc strefy buforowye (Rysunek 4.15b). Przy ich tworzeniu mog
powstawa luki (wyspy) w ich cigoci.

Rys. 4.16 Buforowanie linii, zastosowano rny rozmiar bufora w zalenoci od klasy obiektu liniowego.
W funkcjach buforowania istnieje szereg opcji ich tworzenia (ArcGIS). Jedn z nich jest
tworzenie buforw o rozmiarach (wartoci granicznej odlegoci) rnej dla rnych obiektw
(Rysunek 4.16). Rozmiar bufora jest deklarowany w polu atrybutowym. Inn moliwoci jest
tworzenie piercieni buforw o staym kroku powikszania ich rozmiaru (Rysunek 4.17).

Rys. 4.17 Buforowanie punktw, piercienie buforw o kroku 1 km.

Utworzone bufory mog zachowywa atrybuty obiektw, z ktrych powstay. Takie rozwizanie
oferuje funkcja Buffer Features (Vector Editing Tools) z Hawths Analysis Tools (HAT)
(http://www.spatialecology.com/htools).

4.7 Nakadanie
Dane: Wektorowe warstwy punktw, linii i poligonw.
Pytania i zadania badawcze: Stworzenie warstw dla danego projektu obejmujcych
wycznie rejon bada (z warstw obejmujcych wiksze obszary). Utworzenie warstwy
obiektw, ktre maj identyczn lokalizacj co obiekty innej warstwy i przypisanie im
atrybutw tych obiektw. Na przykad: z warstwy rzek danej zlewni i warstwy pokrycia
terenu utworzy warstw odcinkw rzek pyncych przez las z atrybutem rodzaju lasu.
Testowanie pocze segmentw linii w sieciach i tworzenie warstw punktw wzowych.
Utworzenie i znalezienie nowych obiektw speniajcych dowoln kombinacj warunkw
z wielu warstw. Na przykad: znalezienie obszarw lasw (warstwa pokrycia terenu), ktre
s nie dalej od rzeki ni 200 m (warstwa bufora rzeki).
Nazwa tej grupy funkcji odzwierciedla podstawowy mechanizm ich dziaania, polegajcy na
naoeniu warstw jedna na drug, zespoleniu ich geometrii i atrybutw oraz utworzeniu nowej
warstwy. Zespolenie geometrii, czyli graficznej czci danych, moe przebiega wedug trzech
rnych scenariuszy. W pierwszym warstwa poligonw dziaa jak metalowa foremka na ciasto,
ktre odpowiada warstwie dowolnego typu, wycinajc z niego obiekty lub ich czci
i umieszczajc w nowej warstwie. Tylko punkty, linie i poligony, ktre znajd si wewntrz
obrysu poligonw wycinajcych zostan wczone do nowej warstwy. Jeeli jaka linia lub
poligon s przecinane przez obrys obiektu wycinajcego, to zostan przez obrys podzielone na
czci wewntrzne i zewntrzne. Nastpnie tylko czci znajdujce si wewntrz obrysu zostan
doczone jako oddzielne obiekty do nowej warstwy. Wszystkie wycinane obiekty zachowuj
swoje atrybuty, nie otrzymujc adnych atrybutw od obiektw wycinajcych. Na Rysunku
4.18a przedstawiono szereg warstw rnych typw: warstw punktw, warstw linii rzeki, oraz
trzy warstwy poligonw lasy, jeziora i obszar zainteresowania odpowiadajcy buforowi grupy
punktw (zakreskowany szrafem). Zakreskowany poligon bufora jest jedynym obiektem
warstwy wycinajcej. Wycinaniu podlegaj warstwa punktw, rzek i lasw. W rezultacie w
nowych warstwach znajd si wycznie obiekty, ktre s wewntrz poligonu wycinajcego. Te
obiekty jak np. niektre lasy (znajdujce si czciowo wewntrz) zostaj podzielone na dwie
czci i tylko cz wewntrzna znajdzie si w nowej warstwie. W ArcGIS funkcja dziaajca
w ten sposb nazywa si CLIP. Funkcja ta jest powszechnie uywana do tworzenia warstw
obejmujcych wycznie rejon bada (obszar zainteresowania, AOI area of interest) z warstw
znacznie wikszych obszarw. Powoduje to zmniejszenie liczby obiektw w warstwach, co
zapewnia bardziej efektywn prac.
Rys. 4.18 Dziaanie funkcja wycinania (CLIP): z warstw punktw, rzek (linie) i lasw (ciemniejsze poligony) na
mapie (a) utworzono wycinajc warstw poligonw (obszar zakreskowany jeden poligon) nowe warstwy
pokazane na mapie (b) wraz ze star warstw jezior (jasne poligony).

Drugim scenariuszem dziaania funkcji nakadania jest tworzenie nowej warstwy wszystkich
wsplnych elementw okrelonego typu (wsplnych punktw, linii lub obszarw). W ArcGIS
realizuje go funkcja przecinania INTERSECT. Podstawowa idea dziaania funkcji zostaa
przedstawiona na Rysunku 4.19. Funkcja dziaa na dowolnych warstwach wektorowych
(punktw, linii i poligonw). Na rysunku funkcj INTERSECT zastosowano do warstwy
punktw (punkty) i poligonw (lasybu). W warstwie punktw znajduje si pi obiektw,
ktrym w tablicy atrybutowej w polu [Id] przypisano numery od 1 do 6. Punkty posiadaj te
identyfikatory obiektw (FID) tworzone przez system. W warstwie lasybu jest siedem
poligonw posiadajcych atrybut [Lasy_id], ktremu przypisano warto 1 albo 2, oraz pole
FID. W zalenoci od wyboru, funkcja utworzy moe warstw punktw lub poligonw.
W przedstawionym na rysunku przykadzie utworzono warstw punktw. Znajduj si w niej
dwa obiekty, ktre maj lokalizacje wewntrz poligonw warstwy lasw. Tablica atrybutowa
utworzonej warstwy zawiera pole [Id] punktw i pole [Lasy_id] z wartoci poligonu, z ktrym
dany punkt mia wsplne pooenie, oraz pola zawierajce identyfikatory FID z obu warstw.
Gdyby podobn operacj wykonano za pomoc funkcji CLIP otrzymano by identyczne obiekty
graficzne (dwa punkty), ale w tablicy atrybutowej brak byoby pl z tablicy poligonw.
 Rys. 4.19 Dziaanie funkcji wsplnych elementw (INTERSECT).

Funkcja INTERSECT pozwala na tworzenie warstw dowolnego typu, ale nie wyszego rzdu ni
najwyszy uyty w funkcji. Najniszego rzdu jest warstwa punktw, wyszego od niej warstwa
linii, a najwyszego warstwa poligonw. Oznacza to, e jeeli uyjemy tej funkcji do dwch
warstw liniowych, to jako warstw wynikow moemy otrzyma warstw punktw albo linii.
Mona take uy funkcji INTERSECT dla pojedynczej warstwy. Na Rysunku 4.20 pokazano
rezultat tego typu operacji. Za jej pomoc utworzono warstw punktw z warstwy linii (Rysunek
4.20a). Stara i nowa warstwa przedstawione na Rysunku 4.20b pokazuj, e punkty odpowiadaj
pocztkom i kocom linii. Zaznaczone kwadratem miejsce w ktrym brak jest punktu, przy
duym powikszeniu wykazuje brak poczenia linii (punkty kocowe linii nie pokrywaj si).
Funkcja w tym wariancie moe by zatem wykorzystana w procesie testowania pocze
w sieciach i tworzenia warstw punktw wzowych.
 Rys. 4.20 Dziaanie funkcji przecinania (INTERSECT) do testowania pocze w warstwie liniowej
i tworzenia warstwy punktw wzowych.

Trzecim scenariuszem dziaania funkcji nakadania jest zachowanie wszystkich elementw obu
warstw. Funkcja ta, dziaajca wycznie dla warstw poligonw, jest jedn z najczciej
uywanych funkcji analizy wektorowej i jest zwykle utosamiana z naoeniem dwch warstw.
W zalenoci od programu moe ona mie rne nazwy (w programie ArcGIS nosi nazw
UNION, w innych np. overlay). Istot jej dziaania mona zobrazowa w nastpujcy sposb.
Jeeli na dwch kalkach mamy wyrysowane warstwy poligonw, np. skadajce si z dwch
obiektw kada (Rysunek 4.21ab), to po naoeniu kalek na siebie otrzymamy nowy, bardziej
zoony rysunek (Rysunek 4.21c), ktry zawiera dziewi poligonw.

Rys. 4.21 Wynik Operacji nakadania (c) dwch warstw (a i b) poligonw (UNION).

Kady z tych poligonw stanie si samodzielnym obiektem nowej warstwy. Wynikowe poligony
mog pochodzi tylko z jednej warstwy (np. 1,4,3,2), czyli w miejscu ich pooenia na drugiej
warstwie nie byo obiektu, lub z dwch warstw (np. 7,6,9) wyznaczajc obszary wystpowania
obiektw na jednej i drugiej warstwie. Na Rysunku 4.22 pokazano bardziej szczegowo, jak
wyglda tworzenie tablicy atrybutowej w operacji UNION. Przeprowadzono j na dwch
warstwach bufor i lasybu. Warstwa bufor posiada atrybut [Strefy], natomiast lasybu atrybut
[Lasy_id]. W wynikowej tablicy zostan umieszczone oba te pola. Jeeli w miejscu poligonu
warstwy wynikowej na obu warstwach istniay poligony w obu polach znajd si ich atrybuty.
Nowy poligon ma przypisane atrybuty od obydwch swoich rodzicw. Jeeli pochodzi tylko
z jednej warstwy to odziedziczy warto tylko w jednym polu atrybutowym, w drugim
zostanie przypisana warto zero, a w dziedziczonym polu [FID_n] warto -1.

Rys. 4.22 Dziaanie funkcji nakadania UNION ( pokazano tylko cz tablicy wynikowej).

Operacja UNION moe by prowadzona jednoczenie na wielu warstwach (tylko w ArcInfo

i ArcEditor), albo jako sekwencja operacji nakadania szeregu warstw. Pierwsza na drug, wynik
na trzeci i tak dalej. Naley zwrci uwag na to, e w jej rezultacie powstaj obiekty o nowym
ksztacie i zestawie atrybutw. Umoliwia to utworzenie i znalezienie obiektw speniajcych
dowoln kombinacj warunkw z wielu warstw. Na przykad znalezienie obszarw lasw
(warstwa pokrycia terenu), ktre s nie dalej od rzeki ni 200 m (warstwa bufora rzeki).
 4.8 Generalizacja
Dane: Wektorowe warstwy linii i poligonw.
Pytania i zadania badawcze: Integracja danych do jednej skali, przetworzenie warstw do
danych o dokadnoci odpowiadajcej okrelonej skali. Zmniejszenie liczby punktw
i odcinkw w danej warstwie, przy jak najmniejszej stracie informacji. Wykonanie nowej
warstwy poligonw czc obiekty o tej samej klasie.

Proces generalizacji najoglniej polega na przeksztacaniu danych w taki sposb, aby zawieray
zredukowan liczb szczegw. W rezultacie zmniejsza si liczba punktw i odcinkw,
z ktrych zbudowane s linie i poligony. Istnieje szereg przyczyn przeprowadzania generalizacji
danych. Jedn z podstawowych jest prowadzenie analiz w zredukowanej skali, czyli skali
znacznie mniejszej ni odpowiadajca aktualnej dokadnoci danych. Czas i ilo pamici
potrzebna do wykonania rnego rodzaju operacji zaley od iloci danych (liczby punktw
z ktrych si skadaj). Czasem aby moliwe byo przeprowadzenie analiz, wymagajcych
skomplikowanych oblicze, objto danych musi zosta zredukowana. Idealna metoda
redukowaaby dane bez istotnych zmian w poziomie szczegw. Jest to oczywicie niemoliwe,
ale opracowano szereg sposobw, ktre powoduj moliwie jak najmniejsze odchylenia od stanu
przed generalizacj. Tworzenie map w zredukowanych skalach na nonikach niecyfrowych
wymaga take metod generalizacji odpowiednich do stosowanych technik kartograficznych.
Metody generalizacji mona podzieli na: (1) liniowe, upraszczajce ksztat obiektw liniowych
i obrysy poligonw, oraz (2) powierzchniowe, redukujce liczb poligonw przez ich czenie.
czy si poligony podobne (np. posiadajce identyczne wartoci w polu atrybutowym) oraz
przycza si do wikszych poligony o zbyt maych powierzchniach.
Istnieje szereg metod generalizacji linii. Najprostsz i praktycznie nieuywan jest
mechaniczne odrzucenie, np. co drugiego punktu linii. Troch bardziej skuteczn jest metoda
polegajca na tworzeniu linii za pomoc rwnoodlegych punktw pobieranych z oryginalnej
linii. Klasyczn i do niedawna powszechnie stosowan metod jest metoda Douglasa-Poikera,
ktra zachowuje charakterystyczne cechy przebiegu linii przy jednoczesnej redukcji liczby jej
punktw. ArcGIS (9.1) umoliwia generalizacj linii tylko na poziomie ArcInfo i ArcEditor.
W przypadku ArcView mona wykorzysta narzdzia dostpne w Hawths Analysis Tools
(Ramka 4.6).

Ramka 4.6
Hawths Analysis Tools generalizacja linii

http://www.spatialecology.com/htools
(10.2006) Version 3.26

Prosta metoda generalizacji linii tworzy now lini za pomoc rwnoodlegych punktw
pobieranych z linii oryginalnej (Rysunek 4.21). Wykorzystujc funkcj Convert Paths to Points w
(Animal Movements) z oryginalnej linii tworzy si zbir punktw o zadeklarowanym odstpie. Druga
funkcja Convert Locations to Paths (w tym samym miejscu) jest wykorzystana do tworzenia z punktw
nowej linii. Linia przedstawiona na Rysunku 4.23a jest zbudowana ze 126 punktw. W pierwszym etapie
pobrano z niej punkty co 200 m uzyskujc zbir 32 punktw (Rysunek 4.23b). Dodano w trybie
edycyjnym punkt ostatni na kocu linii, aby obie linie zaczynay si i koczyy w tym samym punkcie.
Wpisano take w polu atrybutowym odpowiedni indeks dla tego punktu, aby by potraktowany jako
ostatni. Drugi etap polega na utworzeniu z 33 punktw nowej linii (Rysunek 4.23c).

Rys. 4.23 Generalizacja linii za pomoc funkcji dostpnych w HAT.

Podstawow metod generalizacji obiektw powierzchniowych jest redukcja ich liczby przez
agregacj (czenie) obiektw posiadajcych ten sam atrybut. Dziaanie funkcji penicej t rol
w ArcGIS (DISSOLVE) zostao przedstawione na Rysunku 4.24. Funkcja ta czy graniczce ze
sob obiekty o tym samym atrybucie w okrelonym polu. Na mapie (Rysunek 4.24a) opisano
kady obiekt wartoci atrybutu. Trzy poligony o atrybucie rwnym 1 granicz ze sob.
W rezultacie dziaania funkcji DISSOLVE zostan poczone w jeden poligon (Rysunek 4.24b).
W analogiczny sposb zostan poczone obiekty o atrybucie rwnym 2. czenie obiektw
o tym samym atrybucie jest wykorzystywane przy generalizacji warstw, ktre poddano
klasyfikacji wprowadzajc identyfikatory nowych klas do wybranego pola ich tablicy
atrybutowej.

Rys. 4.24 Dziaanie funkcji agregacji (DISSOLVE).

 5. PODSTAWOWE FUNKCJE ANALIZY RASTROWEJ

Mapy rastrowe skadaj si z prostoktnych komrek (najczciej kwadratowych)

zorganizowanych w wiersze i kolumny. Wyszym poziomem organizacji przy zdjciach
satelitarnych mog by kanay tworzce oddzielne mapy rastrowe. W przypadku zdj
cyfrowych (lotniczych, satelitarnych) uywa si czsto okrelenia piksel, tosamego z pojciem
komrki. Rozmiar komrki, liczba wierszy i kolumn definiuje ksztat mapy rastrowej. Pooenie
rastra na powierzchni Ziemi w danym ukadzie wsprzdnych jest zdefiniowane przez
okrelenie wsprzdnych jednego z jego punktw (boki komrek rastrowych s rwnolege do
osi ukadu).

Rys. 5.1 Dane rastrowe w ArcGIS: a raster z wartociami cakowitymi ma przypisan tablic VAT; b
raster zawierajcy wartoci rzeczywiste; c raster zawierajcy komrki bez danych (NoData).

Mapy rastrowe mog zawiera wartoci cakowite lub rzeczywiste (Rysunek 5.1 ab). W ArcGIS
mapy rastrowe z wartociami cakowitymi maj zawsze przypisan tablic atrybutow (Value
Attribiute Table VAT) z dwoma polami [Value] i [Count]. W pierwszym polu zestawione s
wszystkie wartoci wystpujce na danym rastrze, w drugim ich liczebno. Komrki rastrowe
mog take zawiera informacj o braku danych NoData. Takie komrki (Rysunek 5.1c) nie s
wywietlane na ekranie. Jeeli przeprowadzana jest na nich operacja obliczeniowa, to
przewanie wynik ma take warto NoData. Zasady tworzenia i zamiany komrek z
wartoci NoData w ArcGIS przedstawiono w Ramce 5.1.

Ramka 5.1
Warto NoData na mapach rastrowych w ArcGIS

W ArcGIS warto NoData moe by przypisana komrce mapy rastrowej za pomoc funkcji SetNull.
Wykorzystuje si do tego celu dowoln map rastrow (warunkow), ktra jest traktowana jako mapa
typu logicznego (prawda albo fasz). Wszystkim wartociom prawdziwym (rnym od zera) zostanie
przypisany brak danej, a wszystkim zerom (oznaczajcym fasz) warto z rastrowej mapy
alternatywnej lub okrelona staa. Do analizowanej mapy moe by take zastosowany warunek (zapisany
w SQL), ktrego wynik suy do przypisania braku danej(prawda) lub wartoci alternatywnej (fasz).
Funkcja IsNull moe posuy do przypisania komrkom oznaczonym jako NoData dowolnej wartoci.
Proces zilustrowano na Rysunku 5.2.

Rys. 5.2 Funkcje przypisujce i testujce warto NoData na mapach rastrowych w ArcGIS: a dziaanie
funkcji SetNull; b i c dziaanie funkcji IsNull.

Mapa raster1 (Rysunek 5.2a) wraz z warunkiem [Value] < 5 zostaa poddana operacji SetNull. Jako
mapy alternatywnej uyto tej samej mapy raster1. W rezultacie powstaa mapa raster2 (Rysunek 5.2b),
ktrej komrki zawieraj identyczne wartoci co mapa raster1, jeeli s one wiksze lub rwne 5
(warunek nie zosta speniony). Pozostae komrki maja warto NoData (warunek zosta speniony).
W kolejnym kroku (Rysunek 5.2c) za pomoc funkcji IsNull z mapy raster2 utworzono map raster3. Na
mapie tej komrkom NoData zostaa przypisana warto jeden, a pozostaym komrkom warto zero.
Zastosowanie tych funkcji w operacjach zwanych algebr map [patrz podroz. 5.2.4 i ramka 5.2]
umoliwia bardziej elastyczne tworzenie sekwencji operacji.

5.1 Wizualizacja
Dane: Mapy rastrowe, zdjcia cyfrowe i skany.
Pytania i zadania badawcze: Wstpna wizualna analiza danych przestrzennych. Szukanie
prawidowoci w rozmieszczeniu zmiennych. Wyznaczanie pikseli o wartociach wyranie
 rnicych si od pozostaych. Identyfikacja prawdopodobnych zwizkw i relacji
pomiedzy danymi.

Mapy rastrowe i zdjcia cyfrowe s traktowane przez system GIS w identyczny sposb. Ich
wizualizacja polega na wywietleniu poszczeglnych komrek czy pikseli jako jednorodnych
obszarw o danym kolorze lub odcieniu szaroci. W zalenosci od skali wywietlania rastra
poszczeglne komrki mog mie rozmiar wielu lub pojedyczego piksela ekranu. Przy
znacznym zmniejszeniu skali, wywietlaniu mog podlega nie wszystkie komrki, ale na
przykad co druga lub trzecia. Kolor lub odcie szaroci wywietlanej komrki, moe by
zwizany z iloci promieniowania dochodzcego od odpowiadajcemu jej wycinkowi
powierzchni Ziemi. Tak sytuacj mamy przy wywietlaniu zdj satelitarnych czy lotniczych
skadajcych si z jednego lub wielu kanaw. W przypadku pojedyczego kanau odcie
szaroci jest proporcjonalny do ilosci dopywajcej do czujnika energii. Kolor czarny odpowiada
jej minimalnemu poziomowi, a biay maksymalnemu. Przy wielu kanaach moliwe jest
otrzymywanie obrazu w barwach zblionych do widzianych przez ludzkie oko lub w innym ich
zestawieniu dla bardziej wyrazistego przedstawienia interesujcych nas szczegw. Kolor moe
by take wycznie rodkiem wizualizacji rnic pomiedzy wartociami cyfrowymi komrek
rastra. Na cyfrowej mapie wysokoci poszczeglnym komrkom mona przypisa odpowiedni
kolor aby uwidoczni ksztaty form terenowych. Takie kolory powizane z odpowiednimi
wartosciami cyfrowymi nosz nazw pseudokolorw (false colours).

Rys. 5.3 Przypisanie pseudokolorw do rastra w oparciu o tablic LUT (czarnobiaa wersja rysunku
kolorowego)

Na Rysunku 5.3 przedstawaiono sposb przypisywania tych kolorw do wartoci na mapie

cyfrowej. Kolor tworzony jest na obrazie lub wydruku przy pomocy modeli kolorw (modeli
barw). Podstawowe modele kolorw (uywane w ArcGIS) to: RGB, CMYK i HSV. Do
tworzenia obrazu na ekranie najczsciej uzywany jest model RGB od (Red Green Blue). Jego
istota wykorzystuje fakt, e wiato biae mona otrzyma przez odpowiednie poczenie barw
czerwonej, zielonej i niebieskiej. Dobierajc iloci tych barw mona otrzyma wszystkie kolory
spektrum. Zestawy takich barw tworz palety [patrz podroz. 4.1]. Jak pokazano na Rysunku 3.5
przypisanie polega na stworzeniu tablicy, w ktrej wielkociom wystepujacym na mapie
rastrowej przypisuje si odpowiednie wartoci dla pl R, G i B, ktre s wykorzystywane do
tworzenia koloru. Tego typu tablica nosi nazw LUT (look-up-table). Paleta jest tablic LUT w
ktrej kolory zostay przypisane do cigu liczb naturalnych. W praktyce kolor w jakim zostanie
wywietlony dany piksel okrela funkcja, ktra wartociom zdjcia przypisuje liczby naturalne,
ktrym odpowiada okrelony kolor danej palety (z tablicy LUT).
Istnej trzy moliwe scenariusze wywietlania pojedyczej (jedno kanaowej) mapy
rastrowej. Pierwszy polega na zastosowaniu innego koloru dla kadej wystepujcej na mapie
wartoci. Stosuje si go dla map jakociowych.

Rys. 5.4 Zwikszenie kontrastu zdjcia cyfrowego za pomoc technik rozcigania histogramu okrelanych
nazw stretch
Drugi sposb, majcy zastosowanie do rastrowych map ilociowych polega na przeprowadzeniu
klasyfikacji i nastpnie przypisaniu skali kolorw w analogiczny sposb jak przy danych
wektorowych [patrz podroz. 4.1]. Ostatni trzeci sposb polega na zwikszeniu kontrastu zdjcia
przez rozcignicie jego histogramu (stretch). Na Rysunku 5.4 pokazane jest zdjcie, ktre
zostao wywietlone przez przypisanie jego wartociom (0-255) odcieni szaroci (a). Dla
wartoci (0) przypisano czer, dla (255) biel, a wartoci porednie zostay liniowo
rozmieszczone midzy 0 i 255. W praktyce wykorzystano tablic LUT z identycznymi jak na
zdjciu wartociami dla R,G i B w kadym wierszu. Po prawej stronie zdjcia przedstawiono
jego histogram. Na osi X zaznaczone s wszystkie wartoci wystpujce na zdjciu, na
zewntrznej osi Y za ich liczebno. Rnica pomidzy wartociami oznaczonymi jako A i B
wynosi dwa odcinki podziau na skali X. Rnica na zdjciu w odcieniach szaroci dla tych
wartoci bdzie odpowiadaa tym dwm odcinkom. Ze wzgledu na to, e wikszo wartoci na
zdjciu mieci si w wskim przedziale, a nie jest rwnomiernie rozmieszczona na osi X, na
zdjciu nie wykorzystuje si caego zakresu moliwych odcieni szaroci. Wyranie zaznacza si
brak odcieni jasnych, co wynika z widocznego na histogramie braku duych wartoci. Metoda
rozcignicia histogramu polega na zastosowaniu funkcji transformacji, ktra ze wzgledu na
to, e odcienie szaroci maj skal od 0 do 255, a wartoci zdjcia przykadowo od 0 do 25,
przeliczy wartoci obrazu pierwotnego na wartoci obrazu wtrnego (wewntrzna o Y) aby byy
w zakresie od 0 do 255. W omawianym przykadzie dziaanie funkcji polegaoby na pomnoeniu
wartoci pierwotnych przez 10. W rezultacie dziaania wprowadzonej funkcji transformacji na
Rys. 5.4, na obrazie wtrnym (b) rnica midzy wartociami A i B zwikszya si dwukrotnie,
co spowodowao znaczcy wzrost kontrastu. Funkcjia transformacji moe by projektowana
interaktywnie korzystajc z histogramu. Stosuje si take logarytmiczne lub wykadnicze
transformacje dla podkrelenia zrnicowa w zakresie maych wartoci kosztem zmniejszenia
kontrastw w zakresie duych lub odwrotnie. Innym rozwiazaniem jest metoda odchylenia
standardowego, ktra rozciga histogram tak aby pocztkowi skali kolorw odpowiadaa warto
rwna ( rednia (n) odchyle standardowych), a kocu skali warto rwna ( rednia + (n)
odchyle standardowych). Kolejn metod jest wyrwnywanie histogramu (histogram
equalization), polega ona na takim przeksztaceniu obrazu, aby kady odcie szaroci
wystpowa na mapie w przyblieniu z takim samym prawdopodobiestwem. Przeliczanie
obrazw pierwotnych na wtrne odnosi si wycznie do procesu wizualizacji i nie zmienia
wartoci danych rastrowych. Przedstawiona metoda moe by stosowana z kad palet
kolorw.
 W przypadku zdj wielokanaowych powszechnie stosowan metod jest wizualizacja za
pomoc trzech kanaw, ktrych wartoci s wprowadzane do trzech kolumn tablicy LUT. Jeeli
dane zdjcie jest wykonywane w kanaach odpowiadajcych zakresowi barw czerwonej, zielonej
i niebieskiej i ich wartoci zostan odpowiednio przypisane do kanaw RGB otrzymany
zostanie tzw. kompozyt w barwach naturalnych (Rysunek 5.5). Tworzenie kompozytw
niekoniecznie musi prowadzi do powstawania obrazw w kolorach naturalnych [Ramka 3.8].

Rys. 5.5 Tworzenie barwnego kompozytu na podstawie zdj w trzech kanaach.

Metody wizualizacji pozwalaj take na przeprowadzanie wstpnej analizy danych

rastrowych za pomoc narzdzi selekcji, jeeli rastry maj przypisane tablice atrybutowe
(VAT). Wybranie rekordw w tablicy atrybutowej, ktra zawiera pola wartoci [Value] i
liczebnoci [Count] powoduje zaznaczenie na mapie wszystkich pikseli o tych wartociach.
Dodatkowe wykorzystanie histogramu daje moliwo zaznaczenia interesujcego zakresu
wartoci i przeprowadzenia ich interpretacji. Moe to by pierwszy krok w procesie klasyfikacji
zdj satelitarnych co jest podstawow metod tworzenia map tematycznych. Pozwala take na
wydzielenie pikseli o ekstremalnych wartociach i podjcia decyzji o ich pozostawieniu lub
usuniciu. Metody te wkraczaj w zakres funkcji analizy obrazu i specyfiki oprogramowania
sucego do przetwarzania i analizy zdj satelitarnych. Na Rysunku 5.6 przedstawiono
przykad analizy zdjcia cyfrowego, wykorzystujcej moliwo wyboru (selekcji) czci
rekordw tablicy VAT. Histogram tego zdjcia ma bimodalny charakter, czyli posiada dwa
lokalne maksima. W celu identyfikacji rodzaju pokrycia terenu odpowiedzialnego za pierwsze
maksimum zaznaczono za pomoc komendy SQL rekordy tablicy o wartoci [Value] < 25.
Piksele zdjcia speniajce ten warunek zostay wywietlone na biao. Przeprowadzona analiza
pozwolia ustali, e s to prawie wycznie obszary pokryte wod jeziora, stawy i oczka
wodne.

Rys. 5.6 Analiza zdjcia cyfrowego wykorzystujca selekcj rekordw tablicy VAT.

5.2 FUNKCJE LOKALNE

Funkcje lokalne s najczciej uywan grup metod analizy rastrowej. Ich podstawow
cech jest to, e kada komrka jest traktowana oddzielnie i jeeli wystpuje w operacjach
wsplnie z inn komrk, to wycznie z odpowiadajc jej komrk innego rastra. W funkcjach
tych brak jest zaleno od pozostaych komrek tego samego rastra. Najwaniejszymi
funkcjami tej grupy s reklasyfikacja (RECLASSIFY), crosstabulacja (COMBINE) oraz
statystyka (CELL STATISTICS). Dodatkowo w grupie tej omwiono sposb prowadzenia
oblicze za pomoc algebry map (MAP ALGEBRA), gdy najczciej maj one charakter
funkcji lokalnych. W nawiasach podano nazwy odpowiednich funkcji w ArcGIS Spatial Analyst.

5.2.1 Reklasyfikacja (Reclassify)

Dane: Mapy rastrowe ilociowe i jakociowe.
 Pytania i zadania badawcze: Tworzenie mapy tematycznej z mapy ilociowej, przy
wykorzystaniu okrelonego schematu klasyfikacyjnego. Transformacja mapy tematycznej,
zawierajcej klasy, do innego schematu klasyfikacyjnego. Wyznaczenie stref na mapie
rastrowej do dalszej analizy.

Reklasyfikacja polega na przypisaniu komrkom mapy rastrowej nowych wartoci (na nowej
mapie). Przy czym w wikszoci programw (np. w ArcGIS) mog to by wycznie wartoci
cakowite. Typowym zastosowaniem tej funkcji jest tworzenie map tematycznych
(jakociowych) przez przypisanie przedziaom (z map ilociowych) lub podzbiorom (z map
jakociowych) wartoci komrek ze starej mapy identyfikatorw klas reprezentujcych pewien
schemat klasyfikacji. Na przykad na podstawie cyfrowej mapy gbokoci mona stworzy
map podziau dna na klas pytkowodn (oznaczon wartoci cakowit 1) i gbokowodn
(oznaczon wartoci cakowit 2). Operacja bdzie polegaa na przypisaniu wszystkim
komrkom o gbokoci np. mniejszej od 20 metrw wartoci 1, a pozostaym wartoci 2. Istotn
cech tej funkcji jest to, e zasada zmiany wartoci obowizuje na caej mapie rastrowej. Na
Rysunku 5.7 przedstawiono sposb wprowadzania nowych wartoci.

Rys. 5.7 Zasada dziaania funkcji reklasyfikacji.

Odbywa si on za pomoc tablicy z dwiema kolumnami. W kolejnych wierszach umieszczone

s przedziay wartoci starej mapy (pierwsza kolumna) i przypisywane im nowe wartoci (druga
kolumna). W rezultacie przeprowadzenia reklasyfikacji stara mapa na ktrej wystpowao
dziesi wartoci zostaa zamieniona (zreklasyfikowana) na map z trzema wartociami. Gdyby
pierwsza mapa bya map gleb, a jej wartoci oznaczay dziesi klas, cay proces polegaby na
zamianie jej do mapy wykonanej wedug nowego schematu klasyfikacyjnego, zawierajcego
tylko trzy klasy. Jednak niewtpliwie najwaniejsz rol tej funkcji jest czenie komrek w
podzbiory, na ktrych bda wykonywane kolejne operacje analityczne. Na Rysunku 5.7 po
przeprowadzeniu operacji reklasyfikacji otrzymano map, na ktrej komrki tworz trzy
podzbiory komrek oznaczone identyfikatorami 1, 2 i 3. Tego typu podzbiory komrek nosz
nazw stref (zone). Naley zwrci uwag, e komrki nalece do danej strefy nie musz
graniczy ze sob. Tworzenie stref jest podstawow metod czenia komrek w obiekty.
Drugim istotnym pojciem w procesie ich czenia jest grupa (region) [patrz podroz. 5.3.2],
ktr stanowi komrki dodatkowo speniajce warunek posiadania wsplnego boku lub rogu.
Wydzielenie stref umoliwi nam przykadowo obliczenie powierzchni lub redniej gbokoci
strefy pytkowodnej wspomnianej mapy batymetrycznej przy wykorzystaniu omwionych dalej
funkcji strefowych [patrz podroz. 5.4].

5.2.2 Crosstabulacja (Combine)

Dane: Mapy rastrowe o wartociach cakowitych.
Pytania i zadania badawcze: Identyfikacja obszarw speniajcych podan kombinacj
wartoci (jakociowych) przedstawionych na kilku mapach.

Funkcja ta na podstawie dwch lub wikszej liczby map rastrowych z wartociami cakowitymi
tworzy nowy raster, w ktrym kadej komrce przypisany jest niepowtarzalny identyfikator
odpowiadajcy kombinacji wartoci na uytych w funkcji mapach. Na Rysunku 5.8
przedstawiono dziaanie tej funkcji w przypadku dwch map Raster1 i Raster2.
 Rys. 5.8 Zasada dziaania funkcji crosstabulacji.

Mapa Raster1 zawiera dwie klasy, a mapa Raster2 trzy klasy. W rezultacie dziaania funkcji
utworzona zostaa mapa rastrowa z czterema klasami. W tablicy atrybutowej tej mapy znajduj
si dwie dodatkowe kolumny pokazujce kombinacj wartoci, ktrej zostaa przypisana nowa
warto na tej mapie [Value]. Warto 1 na tej mapie jest przypisana komrkom, ktre na mapie
pierwszej maj warto 1, a na mapie drugiej warto 2. Tego typu operacja, ktra moze by
prowadzona od razu dla kilku map, pozwala na identyfikacj komrek speniajcych podan
kombinacj wartoci. Na przykad na podstawie map stref gbokoci, stref odlegoci od ujcia
rzecznego i mapy tematycznej pokrycia dna mona wyznaczy obszary o konkretnym rodzaju
pokrycia znajdujace sie w strefie pytkowodnej w pobliu ujscia rzeki. Po przeprowadzeniu
crosstabulacji map czsto poddaje si reklasyfikacji, aby pozostawi tylko istotne klasy i
przypisa im waciwe identyfikatory.

5.2.3 Statystyka (Cell Statistics)

Dane: Mapy rastrowe (operacja jest wykonywana dla szeregu map).
Pytania i zadania badawcze: Tworzenie map wybranych statystyk z szeregw czasowych
map rastrowych.

Funkcja ta oblicza wybran statystyk z zbioru wartoci znajdujcych si w odpowiadajacych

sobie komrkach map rastrowych. W rezultacie powstaje nowa mapa, na ktrej kada komrka
zawiera policzon statystyk. Na Rysunku 5.9 przedstawiono tworzenie mapy wartoci redniej z
trzech map.
 Rys. 5.9 Zasada dziaania funkcji obliczajcej statystyki z wartoci odpowiadajacych sobie komrek map
rastrowych.

Funkcja ta pozwala przykadowo na tworzenie map rednich, minimalnych i maksymalnych

temperatur miesicznych z map dobowych. Rodzaj liczonych statystyk zaley od
oprogramowania. Poniej (Tabela 5.1) przedstawiono statystyki, ktre mog by obliczone za
pomoc tej funkcji w ArcGIS.

Tab. 5.1 Statystyki obliczane w ArcGIS przez funkcj Cell Statistics

Nazwa funkcji Nazwa angielska (algebra map) Opis
rednia MEAN (mean) rednia arytmetyczna
mediana MEDIAN (med) mediana
odchylenie STD (std) odchylenie standardowe
standartowe
zakres RANGE (range) maksimum minus minimum
maksimum MAXIMUM (max) maximum
minimum MINIMUM (min) minimum
suma SUM (sum) suma wartoci
najczstsza warto MAJORITY (majority) najczciej wystpujca warto
(jeli brak to NoData)
najrzadsza warto MINORITY (minority) najrzadziej wystpujca warto
(jeli brak to NoData)
rnorodno VARIETY (variety) liczba wystpujcych wartoci

5.2.4 Obliczenia przy pomocy algebry map (Map Algebra)

Dane: Mapy rastrowe.
Pytania i zadania badawcze: Wykonywanie oblicze na mapach.

Algebra map jest jedn z metod tworzenia modeli GIS. Model GIS jest to sekwencja funkcji
tworzona w celu rozwizania problemu przestrzennego lub symulacji procesw zachodzcych w
przestrzeni geograficznej [patrz roz. 8]. Istotnym elementem wielu modeli jest wykonywanie
oblicze na mapach. Wyobramy sobie, e dana jest cyfrowa mapa batymetryczna jeziora.
Kada komrka tej mapy ma przypisan warto gbokoci w metrach. Komrki znajdujce si
na brzegu maj przypisan warto zero. Jeeli naszym celem byoby obliczenie objtoci tego
jeziora to pierwszym krokiem byoby obliczenie objtoci wody w kadej komrce. W tym celu
dla kadej komrki warto gbokoci w metrach naley pomnoy przez powierzchni
komrki w metrach kwadratowych Przyjmijmy, e powierzchnia komrki wynosi 4 m 2. Nasze
wyraenie przyjmie wtedy posta: nowy_raster = raster_gbokoci * 4 i bdzie oznaczao, e
kada komrka nowego rastra bdzie zawiera iloczyn wartoci gbokoci odpowiadajcej jej
komrki i wartoci 4. Tak zapisane wyraenie moe by wykonane w GIS jako wyraenie
algebry map (Rysunek 5.10a). Ma ono posta zwykego wyraenia arytmetycznego, w ktrym w
miejscu zmiennej znajduje si nazwa mapy. Operacja jest wykonywana oddzielnie dla kadej
komrki, ktrej zostanie przypisana objto wody w m 3. Przyjmijmy take, e istnieje mapa
raster_stenia zawierajcy wyniki pomiarw stenia pewnej substancji w kg m -3. Moemy
teraz utworzy map (Rys. 5.10b), ktra w kadej komrce bdzie zawieraa mas badanej
substancji. W tym celu pomnoymy map objtoci wody nowy_raster przez map ste.

Rys. 5.10 Obliczenia przy pomocy algebry map: a pomnoenie mapy przez liczb; b pomnoenie dwch
map przez siebie.

Sekwencja tych dwch operacji tworzy prosty model GIS, zapisany za pomoc algebry map.
W wyraeniach obliczeniowych, majcych prawie zawsze charakter funkcji lokalnych, oprcz
operatorw arytmetycznych i logicznych mog by wykorzystywane funkcje arytmetyczne,
logarytmiczne oraz trygonometryczne (Ramka 5.2). Wyraenia obliczeniowe mog by czone
za pomoc algebry map z innymi funkcjami analizy przestrzennej, co pozwala na budowanie
zoonych modeli GIS.

Ramka 5.2
Wyraenia obliczeniowe algebry map w ArcGIS

Podstawowe arytmetyczne operatory (+, , /, *) i logiczne (= =, <>, <, >, >=, <= ) mog by uywane w
wyraeniach z liczbami, funkcjami i mapami rastrowymi np:
Raster1 + Raster2
sin(Raster1) / (1 - Raster2)
Raster1 * max( Raster2, Raster3, Raster4)
Najczciej uywane funkcje arytmetyczne to: warto bezwzgldna
abs ( Raster1),
funkcje dokonujce konwersji do wartoci cakowitej przez odcicie wartoci niecakowitych
(int(2.5)=2.5, int(-2.5)=-2),
int (Raster1 + 0.78),
int ( rand() * 10 + 0.5) (rand() jest funkcj generujc liczb losow od 0 do 1)
oraz konwersji do wartoci rzeczywistych,
float (Raster2).
Istniej take dwie funkcje zaokrglania do najbliszej wartoci cakowitej: floor (niszej) np.
floor(-2.5)=-3) i ceil (wyszej),
floor (Raster2)
ceil (Raster2).
Kolejn grup s funkcje logarytmiczne i wykadnicze:
exp (Raster1 + Raster2),
exp2 (Raster1), (2 do potgi okrelonej przez raster)
exp10 (Raster1), (10 do potgi okrelonej przez raster)
ln (Raster1), (logarytm naturalny)
log10 (Raster1) , (logarytm dziesitny).
Dostpne s podstawowe funkcje trygonometryczne cznie z odwrotnymi i hiperbolicznymi. Funkcje
trygonometryczne wymagaj argumentw w radianach. W celu przeliczenia stopni na radiany naley
warto w stopniach podzieli przez sta DEG (deg) = 180/,
sin (Raster1 / deg).
Istnieje take zestaw funkcji sucych do podnoszenia do potgi,
pow (Raster1, 3.21), (podnoszenie do dowolnej potgi)
sqrt (Raster2), (pierwiastek kwadratowy)
sqr (Raster1), (kwadrat).
Na koniec naley wspomnie o przydatnej funkcji warunkowej con. Zawiera ona trzy argumenty:
warunek, warto (raster) przypisywan jeli warunek zostanie speniony, warto (raster) przypisywan
jeli warunek nie zostanie speniony,
con (Raster1 > 2, 1, Raster1) (jeli warto w Raster1 jest wiksza od 2 zostanie jej przypisana
warto 1, jeli nie, to warto z Raster1, czyli nie ulegnie
zmianie)
con (IsNull (Raster1), 0, 1) (jeli komrka ma warto NoData to zostanie jej przypisane 0,
jeli nie to 1).
Naley pamieta o tym, e operatorem przypisania jest =, a rwnoci = = np.
maska = con (IsNull (Raster1), 0, 1)
Raster2 = SetNull (maska= =1, maska).

5.3 FUNKCJE SSIEDZTWA

Podstawow cech funkcji ssiedztwa jest to, e warto komrki na mapie wynikowej
zaley wycznie od ssiednich komrek tej samej warstwy. Istniej dwie podstawowe funkcje
ssiedztwa. Pierwsza suy do obliczania statystyk za pomoc dwch rnych metod: ruchomego
okna (FOCAL STATISTICS) i blokw (BLOCK STATISTICS). Drug jest funkcja grupowania,
ktra suy do czenia pikseli w podzbiory zwane grupami lub regionami (REGION GROUP).
Wszystkie omawiane w tym podrozdziale funkcje jako argumentu uywaj pojedynczej mapy
rastrowej.

5.3.1 Statystyka (Focal Statistics i Block Statistics)

Dane: Mapy rastrowe (pojedyncze).
Pytania i zadania badawcze: Tworzenie map wybranych statystyk z pojedynczych map
rastrowych. Przeprowadzanie filtracji map (wygadzanie mapy filtracja
niskoczstotliwociowa, usuwanie wartoci odbiegajcych filtr mediany).

Funkcja Focal Statistics wykorzystuje technik zwan ruchomym oknem. Podstawowa zasada
dziaania tej metody zostaa przedstawiona na Rysunku 5.11. Wykorzystane jest okno
kwadratowe o rozmiarze 3 x 3 piksele (komrki). Dla kadej komrki rastra wynikowego (mapa
z prawej strony) oblicza si warto statystki, w tym przypadku redni z okna, ktrego centrum
stanowi odpowiadajca jej komrka (dla komrek kracowych statystyki s liczone z mniejszej
liczby komrek). Nastpnie okno przesuwa si tak, aby centrum znalazo si w kolejnej komrce
(std ruchome okno).

Rys. 5.11 Zasada dziaania funkcji Focal Statistics wykorzystujcej ruchome okno.

Za pomoc tej funkcji mog by liczone nastpujce statystyki: rednia, mediana, odchylenie
standardowe, zakres, minimum, maksimum, suma, najczstsza warto, najrzadsza warto
i rnorodno. Okno najczciej ma ksztat kwadratu (prostokta), ale moe by take koem,
piercieniem lub wycinkiem koa. Rozmiar okna moe by dowolnie ksztatowany. Funkcja ta,
przy obliczaniu wartoci redniej moe by wykorzystywana do wygadzania map (filtr
dolnoprzepustowy), przy czym stopie wygadzenia bdzie zalea od rozmiarw okna. Przy
obliczaniu wartoci mediany otrzymujemy filtr usuwajcy wartoci odbiegajce od przecitnych.
Metod t stosuje si do zdj satelitarnych w celu usuniecia pikseli, ktrych wartoci mogy
zosta w istotny sposb zakcone tworzc tzw. artifakty, oraz do usunicia wpywu obiektw
o wielkoci piksela lub kilku pikseli (Rysunek 5.12).

Rys. 5.12 Filtracja zdj satelitarnych przy pomocy filtru mediany (5x5); a fragment zdjcia przed
filtracj; b fragment zdjcia po filtracji.

Funkcja Block Statistics oblicza analogiczne statystki dla komrek znajdujcych si w podobnie
zdefiniowanych oknach (prostokt, koo, piercie i wycinek koa). Jednak w tej metodzie
okna tworz przystajce do siebie bloki pokrywajce map, a obliczona statystyka jest
przypisywana do kadej komrki danego bloku. Dziaanie funkcji zostao przedstawione na
Rysunku 5.13. Mapa zostaa podzielona na kwadratowe bloki o rozmiarze 3x3 komrki.
Statystyka (warto rednia) zostaa policzona z dziewiciu wartoci w bloku i przypisana na
mapie wynikowej do kadej komrki tego bloku. W blokach niepenych, podobnie jak w
brzegowych komrkach przy metodzie ruchomego okna, dana statystyka jest liczona z dostpnej
prby danych.
 Rys. 5.13 Zasada dziaania funkcji Block Statistics, wykorzystujcej kwadratowe bloki.

5.3.2 Grupowanie (Region Group)

Dane: Mapy rastrowe (pojedyncza mapa z wartociami cakowitymi)
Pytania i zadania badawcze: Poczenie komrek mapy rastrowej w obiekty o unikalnych
identyfikatorach.

Grup komrek (region) mona zdefiniowa jako podzbir komrek, ktre posiadaj tak sam
warto i tworz wspln cao (s ze sob poczone). Istniej dwie moliwoci pocze
(Rysunek 5.14).

Rys. 5.14 Dwa typy grup komrek: a poczone wycznie bokami (max. czterech ssiadw); b poczone
bokami lub rogami (max. omioro ssiadw).

Mog by one poczone wycznie bokami (Rysunek 5.14a) albo zarwno bokami, jak i rogami
(Rysunek 5.14b). W pierwszym przypadku komrka moe mie maksymalnie czterech ssiadw,
w drugim omiu. Dozwolony sposb pocze jest definiowany w trakcie tworzenia grup. Grupy
komrek w ArcGIS s nazywane regionami i stanowi podstawow metod reprezentowania
obiektw w analizie rastrowej.

Rys. 5.15 Zasada dziaania funkcji grupowania.

Regiony s tworzone z map rastrowych wartoci cakowitych. Mapa jest skanowana od lewego
grnego rogu wiersz po wierszu. W trakcie skanowania identyfikowane s kolejne grupy,
nastpnie przypisywane s im identyfikatory w postaci liczb cakowitych. Kada grupa
otrzymuje unikalny identyfikator, ktry jest przypisany do kadej jej komrki.

5.4 FUNKCJE STREFOWE

Podstawow cech funkcji strefowych jest charakteryzowanie stref (zones) wyznaczonych
na obszarze bada. Strefy stanowi podzbiory komrek o wsplnym identyfikatorze. Nie jest
wymagane, aby komrki danej strefy byy ze sob poczone. Jednak naley zauway, e grupy
stanowi szczeglny rodzaj stref, skadajcych si wycznie z poczonych komrek i funkcje
strefowe mog by do nich stosowane. Funkcje te wymagaj istnienia mapy stref, ktr jest
mapa rastrowa zawierajca wartoci cakowite (numery poszczeglnych stref). Jest ona
najczciej tworzona za pomoc reklasyfikacji. Dwie podstawowe funkcje strefowe to funkcja
obliczajca statystyki dla kadej ze stref ze zmiennych dowolnej mapy (ZONAL STATISTICS)
oraz funkcja charakteryzujca geometri stref jako obiektw (ZONAL GEOMETRY).

5.4.1 Statystyka stref (Zonal Statistics)

Dane: Mapy rastrowe (analiza dwch map, w tym jedna wartoci cakowitych stref).
Pytania i zadania badawcze: Statystyczna analiza wartoci z mapy rastrowej dla
podzbiorw komrek mapy odpowiadajcej pewnym strefom (rodzajowi obiektw) lub
grupom (obiektom).
Funkcja ta suy do okrelenia statystyk: redniej, mediany, odchylenia standardowego, zakresu,
minimum, maksimum, sumy, najczstszej wartoci, najrzadszej wartoci i rnorodnoci dla
podzbiorw komrek dowolnej mapy rastrowej (tzw. mapie wartoci lub zmiennych).
W zalenoci od rodzaju mapy (wartoci rzeczywiste albo cakowite), nie wszystkie statystyki
mog by obliczane. Dla wartoci rzeczywistych nie jest liczona warto najczstsza i najrzadsza
oraz rnorodno. Podzbiory pikseli s definiowane za pomoc stref znajdujcych si na
oddzielnej niezalenej mapie (nazywanej map stref). Na mapie stref kadej komrce przypisany
jest identyfikator strefy wyraony liczb cakowit. Statystyki dla danej strefy s liczone ze
zbioru wartoci komrek, ktre odpowiadaj komrkom o odpowiednim identyfikatorze na
mapie stref. Dane mog by przetwarzane przez te funkcje na dwa sposoby. Moe by tworzona
nowa mapa (Rysunek 5.16), na ktrej kadej komrce zostanie przypisana statystyka jej strefy.

Rys. 5.16 Tworzenie mapy ze statystykami (warto rednia) policzonymi w strefach .

Mapa (Rysunek 5.16a) zawiera wartoci pewnej zmiennej, na mapie stref zaznaczono trzy
obszary okrelone identyfikatorami 1,2 i 3 (Rysunek 5.16b). Strefa o numerze 3 skada si
z dwch czci. Za pomoc funkcji utworzono now map zawierajc rednie wartoci
w kadej strefie. Zostay one przypisane do kadej komrki danej strefy. Drugi sposb polega na
utworzeniu w efekcie dziaania funkcji wycznie tablicy atrybutowej, w ktrej znajduje si pole
(kolumna) z numerami stref i pola dla wszystkich moliwych do obliczenia statystyk (Rysunek
5.17). Oprcz opisanych wczeniej statystyk w tablicy umieszczona jest warto powierzchni
kadej strefy.
 Rys. 5.17 Tworzenie tablicy ze statystykami policzonymi w strefach (na rysunku pokazano wybrane
statystyki) .

Opisane funkcje strefowe, dostpne w ArcGIS, umoliwiaj wprowadzenie stref w postaci

wektorowej warstwy poligonw, ktra jest wewntrznie rasteryzowana [patrz podroz. 5.7].
Niemniej wykorzystanie tej funkcji, podobnie jak i innych funkcji opisanych w tym rozdziale,
wymaga posiadania rozszerzenia Spatial Analyst. Zastosowanie funkcji Zonal Statistics (++) z
HAT (Ramka 5.3) pozwala na obliczanie statystyk z map rastrowych bez posiadania tego
rozszerzenia.

Ramka 5.3
Obliczanie statystyk w strefach za pomoc funkcji Zonal Statistics (++) w Hawths Analysis
Tools

Hawths Analysis Tools (HAT) ( http://www.spatialecology.com/htools ) funkcja Zonal statistics (++)

daje moliwo wyznaczania statystyk z danych rastrowych za pomoc stref okrelonych wektorow
warstwa poligonw bez koniecznoci posiadania narzdzi do analizy rastrowej. Tworzy ona tablic
atrybutow zawierajc identyfikatory poszczeglnych stref i policzone statystyki. Funkcja ta moe by
take wykorzystana do ekstrakcji danych punktowych. W tym przypadku dane punktowe powinny zosta
otoczone buforami z przypisanymi identyfikatorami punktw o rozmiarze mniejszym od komrki rastra.

 5.4.2 Geometria stref (Zonal Geometry)

Dane: Mapy rastrowe (tylko mapa stref).
Pytania i zadania badawcze: Okrelenie powierzchni, obwodu oraz szeregu innych
parametrw opisujcych geometri stref lub grup.

Jedynym argumentem funkcji Zonal Geometry est mapa stref (lub grup). Dla kadej strefy
(grupy) obliczana jest jej powierzchnia, obwd oraz szereg parametrw opisujcych geometri.
Tak jak poprzednio istnieje moliwo utworzenia nowej mapy z przypisanymi obliczonymi
wartociami bd wycznie ich zestawienie w postaci tablicy atrybutowej. Na Rysunku 5.18
przedstawiona zostaa mapa powierzchni stref.

Rys. 5.18 Tworzenie mapy powierzchni stref.

Tego typu mapy s przydatne na przykad przy poszukiwaniu obszarw, co do ktrych

wymagana jest odpowiednia powierzchnia. Jeeli poszukiwano by wysp speniajcych warunek
zwizany z ich powierzchni, to mapa stref wody i ldu powinna zosta najpierw poddana
grupowaniu, a nastpnie powinna zosta utworzona z niej mapa powierzchni (za pomoc
geometrii stref), ktrej reklasyfikacja pozwoli na wyznaczenie obszarw o powierzchniach
zgodnych z wymaganiami. Wszystkie geometryczne miary mona otrzyma w tablicy
atrybutowej (Rysunek 5.19). W tabeli umieszczona jest warto powierzchni, obwodu oraz miara
okrelona jako thickness. Opisuje ona promie najwikszego koa jakie moe by wpisane
wewntrz obszaru danej strefy (bok komrki na mapie stref wynosi 2 km). Tworzenie tablic
atrybutowych przez funkcje strefowe umoliwia ich integracj z danymi wektorowymi.
 Rys. 5.19 Tworzenie tablicy z geometri stref (na rysunku pokazano wybrane miary).

5.5 FUNKCJE GLOBALNE

Funkcje globalne charakteryzuj si tym, e przypisuj komrce wartoci na podstawie
analizy prowadzonej na caej mapie rastrowej. Bardzo wiele zoonych funkcji stosowanych
w systemach GIS spenia ten warunek, ale niewtpliwie do podstawowych mona zaliczy
funkcj dystansu (EUCLIDEAN DISTANCE) i alokacji (EUCLIDEAN ALLOCATION).

5.5.1 Dystans (Euclidean Distance)

Dane: Mapy rastrowe zawierajce komrki oznaczone jako brak danych (NoData).
Pytania i zadania badawcze: Wyznaczenie mapy odlegoci do okrelonych obiektw.
Utworzenie rastrowej mapy bufora o okrelonym rozmiarze naokoo obiektw rastrowych.

Mapy odlegoci od wybranych obiektw lub zbiorw obiektw s istotnym elementem analizy
rastrowej. W rnych programach dziaanie tej funkcji przebiega w podobny sposb. Istot
procesu jest istnienie pewnej grupy komrek rastrowych, do ktrych bdzie liczona odlego
z pozostaych komrek. Te wyrnione komrki nosz nazw danych rdowych (source data).
W ArcGIS wszystkie komrki posiadajce wartoci s traktowane jako komrki rdowe, a
odlego do nich jest obliczana dla komrek nie zawierajcych danych (NoData). Na powstaej
w rezultacie analizy mapie odlegoci komrki rdowe otrzymuj warto zero. Jest to
uzasadnione, gdy odlego komrki rdowej do najbliszej komrki rdowej wynosi zero.
Odlego na mapie rastrowej moe by pojmowana w rny sposb. Omawiane tu funkcje
uywaj odlegoci euklidesowej, zdefiniowanej w geometrii analitycznej i opisujcej odlego
midzy dwoma punktami (rodkami komrek rastra) w ukadzie wsprzdnych prostoktnych.
Dziaanie funkcji tworzcej map dystansu euklidesowego zostao przedstawione na Rysunku
5.20. Z innych rozwiza mona wspomnie funkcj kosztw, ktra wie obliczanie odlegoci
z map szorstkoci. Odlego opisuje tutaj bardziej prac, jaka musi by wykonana na
przemieszczenie si z jednego punktu do drugiego. Praca ta (koszty lub czas) zaley od rodzaju
powierzchni

Rys. 5.20 Dziaanie funkcji dystansu (euklidesowego) i tworzenie buforw rastrowych.

Na Rys.20a przedstawiono map, na podstawie ktrej bdzie wykonana mapa odlegoci. Cz

komrek tej mapy zawiera dane (wartoci) tworzce komrki rdowe. Pozostae komrki nie
posiadaj wartoci i maj przypisany status NoData. Wynik dziaania funkcji zosta
przedstawiony jako Rys.20b. Dla kadej komrki NoData wyznaczono odlego do
najbliszej komrki rdowej (pomidzy rodkami tych komrek). Warto ta zostaa
przypisana do odpowiadajcej komrki mapy wynikowej. Komrki odpowiadajce na mapie
wynikowej komrkom rdowym otrzymay warto zero. Na Rys. 20c pokazano sposb
wyznaczenia rastrowego bufora z mapy odlegoci. W tym celu przeprowadza si reklasyfikacj
mapy odlegoci przypisujc wartociom np. poniej 2500 m (dystans > 0 AND dystans <= 2500
m) warto jeden, a pozostaym NoData.

5.5.2 Alokacja (Euclidean Allocation)

Dane: Mapy rastrowe zawierajce komrki oznaczone jako brak danych (NoData).
Pytania i zadania badawcze: Wypenienie komrek z NoData wartociami z najbliej
lecych komrek.
Funkcja alokacji uywa podobnej mapy jak funkcja dystansu. Komrkom NoData nie
przypisuje ona jednak odlegoci, ale warto najbliszej komrki rdowej. Na nowo tworzonej
mapie komrki rdowe utrzymuj swoje wartoci.

Rys. 5.21 Dziaanie funkcji alokacji: a mapa z komrkami rdowymi wprowadzona do

funkcji; b mapa wynikowa, (na mapie b zaznaczono pooenie komrek rdowych z mapy a).

Dziaanie funkcji jest przedstawione na Rysunku 5.21. Na mapie (a) przedstawiono trzy grupy
komrek z przypisanymi wartociami, pozostae komrki mapy maj warto NoData. Wynik
dziaania funkcji (b) pokazuje, e wszystkim komrkom zostay przypisane wartoci w oparciu
o przedstawion powyej zasad. W przypadku, kiedy komrki rdowe pochodz z rasteryzacji
danych punktowych [patrz podroz. 5.7] (Rysunek 5.22a), zostaj one otoczone obszarami
oddziaywania tworzc rastrowy odpowiednik poligonw Thiessena [patrz podroz. 3.2.2]
(Rysunek 5.22b).

Rys. 5.22 Dziaanie funkcji alokacji przy zrasteryzowanych danych punktowych: a rastrowa mapa
oddziaywania poszczeglnych punktw; b odpowiadajca jej mapa poligonw Thiessena (moe by
otrzymana przez wektoryzacj mapy a) .
5.6 INTERPOLACJA
Interpolacja w analizie przestrzennej polega na zamianie punktowych danych
pomiarowych na rastrowe pola cige zmiennych ilociowych lub jakociowych, czyli na
odtworzeniu ich przestrzennego rozmieszczenia. Ze wzgldu na to, e otrzymane w ten sposb
warstwy s wykorzystywane nastpnie w procesie analizy, ich dokadne odtworzenie ma istotny
wpyw na jej ostateczny wynik. Dane pomiarowe uywane w interpolacji mog mie rnorodny
charakter (ilociowy albo jakociowy) i s zwykle pobierane z niewielkich powierzchniowo
fragmentw badanej powierzchni (odpowiadajcych np. wymiarowi sondy), co uzasadnia ich
punktowy charakter. W procesie interpolacji, na podstawie istniejcych danych oblicza si
najczciej wartoci w centrach poszczeglnych komrek rastra. Idea procesu zostaa
przedstawiona na Rysunku 5.23.

Rys. 5.23 Proces interpolacji. Wartoci w centrach komrek rastrowych (krzyyki) s obliczane
na podstawie wartoci otaczajcych je (np. wedug kryterium odlegoci) podzbiorw punktowych
pomiarw (punkty).

Punktami zaznaczono dane pomiarowe, natomiast krzyykami centra komrek rastrowych,

w ktrych zostan policzone (wyinterpolowane) nieznane wartoci zmiennej. Caa operacja, jako
prba odtworzenia rzeczywistoci, ma sens tylko wtedy, jeeli badana powierzchnia wykazuje
si cigoci zmiennoci przestrzennej, rozumianej jako tendencja wzrostu zrnicowania wraz
ze wzrostem odlegoci pomidzy zmiennymi. Na tej podstawie moemy oczekiwa, e
najbardziej prawdopodobn wartoci w centrum komrki lecej pomidzy dwoma punktami
pomiarowymi o rnych wartociach jest warto porednia. Nowe wartoci s najczciej
liczone na podstawie otaczajcego je podzbioru punktw pomiarowych, przy czym dobr tych
punktw moe si odbywa albo za pomoc kryterium odlegoci, albo liczby punktw.
Obliczajc nieznan warto w punkcie (centrum komrki rastrowej) oznaczonym duym
krzyykiem moemy posuy si wszystkimi punktami lecymi wewntrz koa o zadanym
promieniu, ze rodkiem w centrum komrki, albo okrelon liczb najbliszych jej punktw.
Naley zwrci uwag na to, e punkty pomiarowe i obliczeniowe (centra komrek) nie
pokrywaj si. Oznacza to, e maksymalne zmierzone wartoci, mog nie wystpi na mapie
rastrowej, poiewa w procesie obliczania wartoci pobliskich im centrw komrek brane s pod
uwag take inne wyniki pomiarw.
Odtwarzajc za pomoc interpolacji rozmieszczenie przestrzenne, nie zawsze jestemy
ograniczeni do korzystanie wycznie z naszych danych pomiarowych. Czasami istnieje inna
zmienna, dostpna na przykad w postaci mapy cyfrowej, ktra wykazuje istotny zwizek
(korelacyjny) z badan wielkoci. Typowym przykadem jest tworzenie map rozmieszczenia
opadw deszczu na podstawie punktowych danych pomiarowych. Wielko opadu wykazuje
najczciej zaleno od wysokoci, ktra jest dostpna w postaci cyfrowej mapy terenu DEM.
Tego typu dane nosz nazw danych pomocniczych. Metody interpolacji mog by podzielone
na metody wykorzystujce dane pomocnicze [patrz podroz. 9.5.4] i na metody posugujce si
wycznie jednym zbiorem danych pomiarowych. Interpolacja punktowych danych wysokoci
w celu budowy poprawnego modelu uksztatowania powierzchni Ziemi (tworzenie mapy DEM)
wymaga uwzgldnienia specyfiki procesw j ksztatujcych, a w szczeglnoci (1) roli wd
powierzchniowych i spywu wd opadowych po terenie [patrz podroz. 6.1], a take (2) istnienia
stref niecigoci jak klify i urwiska. Zupenie odrbnym zagadnieniem jest uwzgldnienie na
mapie DEM obiektw antropogenicznych. W rezultacie metody interpolacyjne s bardzo
rnorodne i czsto zorientowane na okrelone zmienne (wysoko terenu, habitaty czy
rozmieszczenie gatunkw [patrz podroz. 2.4]).
Podzia na metody deterministyczne i statystyczne, a waciwie geostatystyczne, jest
nastpnym podejciem definiowania sposobw interpolacji. Metody deterministyczne obliczaj
wartoci w centrach komrek rastra za pomoc wzorw matematycznych, zapewniajcych
cigo modelowanej powierzchni (agodne przejcie wartoci od komrki do komrki).
Metody geostatystyczne [patrz rozdzia 9], ktre stanowi caa rodzina technik zwizanych
z krigingiem, bazuj na statystycznym modelu uwzgldniajcym autokorelacj danych. Ich
istotn zalet jest moliwo nie tylko okrelenie najbardziej prawdopodobnej wartoci w danej
komrce rastra, ale take ocena spodziewanego bdu jej okrelenia. Odgrywa to oczywicie
kluczow rol we wnioskowaniu statystycznym, bdcym istotnym elementem metodyki
prowadzenia bada przyrodniczych, oraz w wielu zastosowaniach praktycznych np. w ochronie
rodowiska.
Interpolacja danych przy wykorzystaniu deterministycznych metod zapewniajcych
cigo powierzchni, a take okreleniu (estymacji) wartoci najbardziej prawdopodobnych
(przecitnych) tworzy wygadzone modele powierzchni, ktre wyranie rni si pod
wzgldem szorstkoci od powierzchni rzeczywistych. Do tworzenia powierzchni
zachowujcych zmienno przestrzenn, ktre nie przedstawiaj w kadej komrce wartoci
najbardziej prawdopodobnej (co w rezultacie daje efekt wygadzenia) stosuje si geostatystyczne
metody symulacji [patrz rozdzia 9].
Podstawow deterministyczn metod interpolacji danych ilociowych jest metoda
odwrotnych odlegoci (Inverse Distance Weighted IDW). Powszechnie stosuje si take
metod splinw (funkcja w ArcGIS SPLINE) opart na analitycznym procesie tworzenia
powierzchni o jak najmniejszych krzywiznach przechodzcej przez punkty pomiarowe.
W ArcGIS dostpna jest take metoda naturalnego ssiedztwa (NATURAL NEIGHBOR),
wykorzystujca podobny mechanizm obliczania co IDW, ale pozbawiona szeregu jej wad. Przy
danych jakociowych podstawowym rozwizaniem dostpnym w kadym systemie GIS jest
wykorzystanie funkcji alokacji, jednak otrzymywane rezultaty najczciej nie s
satysfakcjonujce. Pozostaje wtedy stosowanie metod regresyjnych [patrz podroz. 2.4 i ramka
8.2] lub geostatystycznych [patrz rozdzia 9].
Metoda odwrotnych odlegoci, za pomoc redniej waonej z n pomiarw w znanych

punktach z(xi,yi), okrela warto Z w miejscu (xj,yj),w ktrym nie dokonano pomiaru. Jako
wagi stosuje si najczciej odwrotnoci kwadratu odlegoci dij-2 danego punktu pomiarowego
od miejsca interpolacji. Ostatecznie wyraenie przyjmuje posta,

n
2
z x,y d
i i ij
Z (x j , y ) i 1
2
(5.1)
j
d ij
Rys. 5.24 Interpolacja przy pomocy funkcji ArcGIS: a metoda odwrotnych odlegoci (IDW); b metoda
naturalnego ssiedztwa (NATURAL NEIGHBOR); c metoda splinw (SPLINE).

Na Rysunku 5.24 przedstawiono interpolacj przeprowadzon trzema przedstawionymi powyej

metodami. Kada z metod zobrazowaa przestrzenny rozkad badanej zmiennej w troch inny
sposb. Dane punktowe nie wypeniay rwnomiernie rejonu bada pozostawiajc w prawym
dolnym rogu obszar pozbawiony pomiarw. Proces estymacji (prognozowania) wartoci
w punkcie, przy braku pomiarw otaczajcych z jednej ze stron (taka sytuacja wystpuje wanie
w prawym dolnym rogu mapy), nosi nazw ekstrapolacji. Metoda odwrotnych odlegoci (Rys.
5.24a) posiada wad tworzenia sztucznych kulistych wzorw naokoo punktw pomiarowych.
Na mapie istnieje pi takich tworw w porwnaniu z jednym, jak najbardziej uzasadnionym, na
pozostaych mapach. Proces ekstrapolacji ma neutralny charakter z tendencj do zachowywania
wartoci pomiarw znajdujcych si po lewej stronie punktw, w ktrych okrelana jest nowa
warto. Metoda naturalnego ssiedztwa (Rys.5.24b) nie przeprowadzia ekstrapolacji,
ograniczajc tworzon map do obrysu punktw. Metoda ta, jako jedyna, daje dobre rezultaty
przy bardzo duych zbiorach punktw pomiarowych, radzi sobie take dobrze z ich
nierwnomiernym rozmieszczeniem. Brak ekstrapolacji zabezpiecza przed pojawieniem si
rezultatw obarczonych potencjalnie duym bdem. Z tak wanie sytuacj mamy do czynienia
na mapie wykonanej technik splinw (Rys. 5.24c). Oglny obraz prezentowanego rozkadu jest
w centralnej czci podobny do uzyskanego poprzedni metod. Z prawej strony na obszarze
ekstrapolowanym pojawiaj si jednak mao prawdopodobne niskie wartoci.

5.7 KONWERSJA WEKTOR-RASTER I RASTER-WEKTOR

Czsto istnieje potrzeba zmiany modelu danych, z wektorowego na rastrowy lub
odwrotnie. Pojawia si ona zarwno w trakcie przygotowywania i integracji danych, jak rwnie
podczas wykonywania analiz. W szeregu przypadkw proces analizy danych przebiega
z wykorzystaniem obu modeli. Cz funkcji rastrowych (np. niektre funkcje analizy rastrowej
w rozszerzeniu Spatial Analyst) akceptuj jako argumenty dane wektorowe, ktre s nastpnie
czasowo zamieniane do postaci rastrowej w trakcie dziaania funkcji. Istniej take funkcje,
ktre cz oba modele (np. funkcje dokonujce ekstrakcji danych z map rastrowych do danych
punktowych).
Kady typ danych wektorowych moe by zamieniony na dane rastrowe, a dane rastrowe
mog by przeksztacone do dowolnego typu danych wektorowych. Na Rysunku 5.25 pokazano,
w jaki sposb dokonywana jest konwersja danych punktowych (Rys. 5.25a) do danych
rastrowych w ArcGIS (Conversion Tools > FEATURE TO RASTER) i odwrotnie (Conversion
Tools > RASTER TO POINT ). Punkty zamieniane s na pojedyncze komrki rastra (Rys.
5.25b), ktrym przypisywane s wartoci z dowolnego pola tablicy atrybutowej warstwy
wektorowej. Rozmiar komrki rastrowej moe by dowolnie definiowany. Lokalizacj komrki
okrela fakt zawierania przez ni punktu. Pozostae komrki maja przypisane No Data.
Zamiana danych rastrowych na punktowe jest moliwa tylko dla wartoci cakowitych.
W przypadku rastra z wartociami rzeczywistymi mona go pomnoy np. przez 103, zamieni
na wartoci cakowite, dokona konwersji i w tablicy atrybutowej danych punktowych utworzy
nowe pole z wartociami podzielonymi przez 103. Ogranicza to w prawdzie dokadno danych
do trzech miejsc po przecinku, ale w wikszoci przypadkw moe by to wystarczajcym
rozwizaniem.

Rys. 5.25 Konwersja punktowych danych wektorowych na rastrowe i odwrotnie: a dane punktowe; b po
konwersji dane punktowe s zamieniane na pojedyncze komrki mapy rastrowej (to otrzymuje warto NoData); c
konwersja rastra do punktw (tylko dla wartoci cakowitych) umieszcza punkty w centrum komrki rastrowej; d
konwersja danych punktowych do rastra i z powrotem powoduje przesunicie punktu.

Podczas konwersji rastra do punktw wszystkie komrki o wartoci innej ni NoData zostaj
zamienione na punkty pooone w centrum komrki (Rys. 5.25c). W rezultacie pooenie punktu
po dwukrotnej konwersji nie jest zgodne z pocztkowym (Rys. 5.25d). Maksymalna rnica
moe wynosi do poowy przektnej komrki, co pozwala za pomoc jej rozmiaru kontrolowa
to odchylenie. Naley zwrci take uwag na to, e przy wizualizacji zrasteryzowanych
punktw, przy maych rozmiarach komrki, mog by one niewidoczne.
Konwersja danych liniowych do rastra (Conversion Tools > FEATURE TO RASTER) i
odwrotnie (Conversion Tools > RASTER TO POLYLINE ) odbywa si na podobnych zasadach
(Rysunek 5.26). Przy zamianie danych liniowych (Rysunek 5.26a) komrkom rastrowym, ktre
s przecinane przez linie przypisywany jest ich atrybut z wybranego pola (Rysunek 5.26b).
Otrzymany rastrowy model obiektw liniowych bdzie silnie zalea od zdefiniowanego
rozmiaru komrki. Dobrze uwidacznia to proces konwersji z danych rastrowych do
wektorowych (Rysunek 5.26c i d). Podobnie jak w przypadku danych punktowych jest to
moliwe wycznie dla danych cakowitych. Przyjcie zbyt duej komrki rastrowej tworzy
nieistniejce zaptlenia. Natomiast zastosowanie komrki o maych rozmiarach, w porwnaniu
ze zmiennoci przestrzenn linii, pozwala na wierne przedstawienie elementw sieci. Po
konwersji z rastra do modelu wektorowego linie zachowuj czciowo schodkowy charakter,
pomimo stosowania opcji wygadzania.(Rys. 5.26d).

Rys. 5.26 Konwersja liniowych danych wektorowych na rastrowe i odwrotnie: a dane liniowe; b po konwersji
dane liniowe s zamieniane na poczone komrki mapy rastrowej (to otrzymuje warto NoData); c konwersja
rastra do linii przy zbyt duych rozmiarach komrki tworzy sztuczne formy; d konwersja rastra do linii przy
maych rozmiarach komrki.

Konwersja poligonw do rastra (Conversion Tools > FEATURE TO RASTER) i odwrotnie

(Conversion Tools > RASTER TO POLYGON ) zostaa przedstawiona na Rysunku 5.27.

Rys. 5.27 Konwersja poligonw z warstwy wektorowej na rastrow i odwrotnie: a dane wektorowe; b po
konwersji poligony s zamieniane na poczone komrki mapy rastrowej (to otrzymuje warto NoData); c
konwersja rastra do poligonw wykorzystuje wygadzanie linii.
Komrki rastra znajdujce si wewntrz poligonw otrzymuj wartoci z wybranego pola ich
tablicy atrybutowej (Rys. 5.27b). Pozostaym komrkom przypisywana jest warto NoData.
Wektoryzacja rastra do warstwy poligonw (Rys. 5.27c) przebiega z wygadzeniem schodkowej
struktury ich brzegw, ale w rezultacie przy konwersji poligonw do rastra i z powrotem
wystpi pewne rnice w pooeniu brzegw poligonw.
 6. ANALIZA TERENU I MODELOWANIE HYDROLOGICZNE

Uksztatowanie powierzchni Ziemi ma istotny wpyw na wiele zachodzcych na niej

procesw fizycznych i biologicznych. Pene zrozumienie tych procesw wymaga prowadzenia
bada w rnych skalach. Poznanie mechanizmw przemian zwizkw organicznych w glebie,
czy produkcji pierwotnej podwodnej ki odbywa si w nano i mikroskali. Na drugim kracu
przedziau skal znajduj si procesy badane w skali caej Ziemi, oceanw czy kontynentw, jak
na przykad globalne ocieplenie. Badania przyrodnicze prowadzone w tych skalach stanowiy do
niedawna przewaajc wikszo podejmowanych inicjatyw poznawczych. Stopniowo roso
jednak przekonanie, co do istotnoci skal porednich w caociowym zrozumieniu wielu
procesw hydrologicznych, geomorfologicznych i ekologicznych. W badaniach nad ochron
gatunkw, analizie rozprzestrzeniania si nie-punktowych zanieczyszcze, czy okreleniu roli
zmian klimatycznych konieczne stao si prowadzenia analiz w skalach porednich:
topograficznej i mezoskali. W tych skalach uksztatowanie powierzchni terenu ma podstawowy
wpyw na przemieszczanie si wd pyncych i opadowych (a wraz z nimi substancji
chemicznych i biologicznych), na dopyw promieniowania sonecznego i rozmieszczenie
rolinnoci, ksztatowanie falowania i prdw w strefie brzegowej, czy te na rednie wieloletnie
warunki klimatyczne. Potrzeba uwzgldniania w rnorodnych badaniach uksztatowania terenu
stao si podstaw do rozwoju metod i technik badawczych okrelanych jako analiza terenu.
Podstawowym zbiorem danych opisujcych ksztat powierzchni Ziemi jest mapa
topograficzna. W formie analogowej tworzy j rysunek poziomic lub izobat, a cyfrowej
numeryczny model terenu. Cyfrowy obraz powierzchni Ziemi, dziki komputerowemu
przetwarzaniu danych, stworzy zupenie nowe moliwoci uwzgldniania jej w procesie
badawczym. Metody analizy terenu obejmuj jego wizualizacj i uwzgldnienie uksztatowania
powierzchni Ziemi w poznawaniu i modelowaniu procesw hydrologicznych,
geomorfologicznych i biologicznych. Metody cieniowania, zastosowania perspektywy czy
wykorzystanie efektu stereoskopowego s uywane do wizualizacji trjwymiarowego obrazu
powierzchni Ziemi. Hydrologiczna analiza numerycznego modelu terenu umoliwia
wprowadzenie automatycznego i znacznie bardziej wiarygodnego sposobu wydzielania granic
zlewni i wyznaczania dla danego miejsca obszarw zasilajcych spywem powierzchniowym.
Dziki cyfrowemu modelowi terenu moliwe jest modelowanie spywu wody w rezultacie
gwatownych opadw, dopywu zanieczyszcze do wd przybrzenych ze rde nie-
punktowych, przewidywanie zalewania terenu podczas powodzi. Analiza geomorfologiczna
wykorzystuje model ternu w geomorfometrii, klasyfikacji form terenowych oraz modelowaniu
osuwisk. W zagadnieniach ekologicznych rozmieszczenie w przestrzeni elementw
biologicznych moe by modelowane na podstawie ich zalenoci od wysokoci, rodzaju form
terenowych i dopywu promieniowania sonecznego, ktre jest pochodn uksztatowania terenu.
Cho numeryczny model terenu moe wykorzystywa rne modele danych, to najczciej
w zagadnieniach analizy terenu wchodzcych w zakres nauk przyrodniczych wykorzystuje si
jego rastrow posta DEM (Digital Elevation Model), definiowan jako regularn
dwuwymiarow macierz wysokoci powierzchni terenu prbkowan wzgldem wysokociowego
ukadu odniesienia (Moore i in., 1991). Naley jednak zwrci uwag na to, e definicje
zwizane z numerycznym modelem terenu przyjmuj rn posta. W literaturze polskiej do
powszechne jest ujmowanie w nich metody interpolacyjnej pozwalajcej na transformacj
powyej zdefiniowanej struktury danych do powierzchni cigej z wartociami okrelonymi
w kadym punkcie. W literaturze naukowej zwizanej z analiz terenu pojawiaj si take
rnice w definiowaniu DEM i DTM (Digital Terrain Model), ktry dodatkowo obejmuje
czasem warstwy pokrycia i uytkowania terenu oraz warstwy pochodne DEM, jak nachylenie
czy ekspozycja (kierunek nachylenia wzgldem stron wiata). Niezalenie jednak od rnic
w definicjach powszechny jest pogld, e numeryczny model terenu posiada szczeglne cechy
wyrniajce go spord innych cigych pl fizycznych czy biologicznych zmiennych. Wynika
to zarwno z przyczyn naturalnych, jak i sztucznych. Naturalny ksztat terenu jest formowany
przez wzajemne oddziaywanie wd i tworzcego go materiau. Wody powoduj erozj, rzebic
teren w rnych skalach tworzc charakterystyczne formy grzbietw i dolin. Z kolei ksztat
terenu okrela kierunek spywu i transport niesionych przez wody substancji, w postaci
rozpuszczonej lub zawieszonej, a nastpnie ich akumulacj. W rezultacie w odrnieniu od np.
cigego pola temperatury powietrza, ksztat terenu zawiera linie opisujce krawdzie grzbietw,
klifw czy dna dolin. Ich uwzgldnienie w tworzeniu numerycznego modelu jest niezbdne, jeli
ma by on wykorzystany np. w modelowaniu hydrologicznym. Tego typu linie nosz nazw linii
szkieletowych (skeleton lines lub breaklines). Podobnie dziaalno czowieka moe prowadzi
do powstawania regularnych odksztace w uksztatowaniu terenu. Przy czym przy
uwzgldnianiu ich w zastosowaniach inynieryjnych bardzo czsto preferowany jest model TIN.
6.1 Tworzenie map DEM
Ze wzgldu na potrzeb uwzgldnienia w DEM linii szkieletowych jego tworzenie
wymaga zastosowania szczeglnych metod. Podstawowym rdem danych w tworzeniu
numerycznych map terenu s poziomice pozyskiwane z topograficznych map papierowych.
Pewien udzia maj dane pozyskiwane metodami fotogrametrycznymi ze stereoskopowych zdj
lotniczych i satelitarnych oraz dane pozyskiwane tradycyjnymi metodami geodezyjnymi.
Ostatnio coraz powszechniejsze staje si take pozyskiwanie danych metodami radarowymi czy
z wykorzystaniem LIDARU.
Wykorzystanie DEM w projekcie badawczym wymaga rozwaenia szeregu kwestii.
Podstawowa to pytanie, czy istniejce modele DEM s waciwe dla potrzeb danego projektu
pod wzgldem skali i dokadnoci.

Ramka 6.1
Tworzenie DEM dla Polski z DTED 2 i MPHP w ArcGIS

Przedstawiony w Ramce 3.7 numeryczny model terenu dla Polski ma szereg wad z punktu widzenia jego
wykorzystania do pracy naukowej. Jedn z wczeniej wspomnianych [patrz ramka 3.7] jest
przedstawienie wysokoci jako wartoci cakowitych. Nie jest on take zgodny z elementami
numerycznej mapy hydrograficznej MPHP [patrz ramka 3.5], cho obie mapy zostay wykonane
z materiaw rdowych w podobnej skali.

Rys. 6.1 Tworzenie mapy DEM z danych DTED 2 i MPHP: a poziomice otrzymane z DTED 2 (na rysunku
przedstawiono co dziesit poziomic); b rzeki i jeziora z mapy MPHP; c wynik dziaania narzdzia TOPO TO
RASTER, jako parametrw uyto trzech warstw wektorowych (poziomic, rzek i jezior); d punkty wysokociowe
pobrane z poziomic (z mapy a) co 200 m; e fragment doliny rzecznej (biaa linia oznacza rzek) na mapie DEM
wykonanej metod krigingu z danych punktowych; f ten sam fragment wykonany narzdziem TOPO TO
RASTER (ANUDEM).

Zastosowanie przedstawionej w Ramce 3.7 metody utworzenia poziomic o kroku 1 metra z mapy DTED2
i wykorzystanie narzdzia TOPO TO RASTER daje moliwo stworzenia numerycznego modelu terenu
zespalajcego oba zbiory danych przez wykorzystanie dodatkowych informacji zawartych
w numerycznych danych hydrograficznego podziau Polski MPHP. Tak utworzony model moe by
nastpnie stosowany w modelowaniu hydrologicznym uwzgldniajcym sie rzeczn zobrazowan
w dostpnym modelu numerycznym. Ma to tym wiksze znaczenie, e model MPHP jest oficjalnym
zbiorem danych stosowanym przy realizacji zada Ramowej Dyrektywy Wodnej. Na Rysunku 6.1
przedstawiono sposb tworzenia DEM. Z mapy numerycznej DTED 2 tworzy si wektorowy plik
poziomic o kroku 1 metr za pomoc procedury opisanej w Ramce 3.7 (Rys. 6.1a). Ze zbioru danych
MPHP pobiera si wektorow warstw rzek i jezior dla obszaru tworzenia mapy (Rys. 6.1b).
Wykorzystujc pobrane warstwy (poziomice, rzeki, jeziora) jako parametry dla narzdzia TOPO TO
RASTER tworzy si DEM (Rys. 6.1c). Wykonana mapa odwzorowuje znacznie lepiej ksztat dolin
rzecznych. Widoczne jest to przy porwnaniu elementu mapy wykonanej metod krigingu (Rys. 6.1e) i
omawian powyej (Rys. 6.1f). Kriging zosta wykonany z danych punktowych pobranych z poziomic co
200 m (Rys. 6.1d).

Rozdzielczo mapy rastrowej jest jej podstawow, cho moe by mylc charakterystyk
opisujc moliw skal bada. Wielko komrki rastrowej okrela jednoznacznie najmniejsze
formy terenu, ktre mog by analizowane na mapie. Jednak ze wzgldu na to, e mapa rastrowa
moe by przeksztacona do rastra o dowolnej wielkoci komrki istotne jest rdo i sposb
pozyskiwania danych. Omawiana ju polska mapa numeryczna terenu DTED 2 ma rozmiar
komrki rastrowej wynoszcy 15 metrw, ale powstaa z digitalizacji map topograficznych
w skali 1: 50000. Jako generaln wskazwk mona przyj, e faktyczna rozdzielczo mapy
numerycznej, rozumiana jako moliwo analizowania obiektw w danej skali, jest rzdu 0,5
mm na mapie rdowej, czyli w tym przypadku okoo 25 metrw. Rozdzielczo rzeczywista
map tworzonych z pomiarw geodezyjnych, radarowych lub lidarowych bdzie zalena od
metody prbkowania. Osobn spraw jest dokadno mapy w wiernym przedstawianiu form
terenu, zarwno w kierunku poziomym, jak i pionowym. W celu jak najwierniejszego
przedstawiania powierzchni terenu na mapach DEM opracowane zostay specjalne techniki.
Stworzony pod koniec lat 80-dziesitych przez Hutchinsona (1993) i nadal rozwijany
program ANUDEM wykorzystuje szereg metod do zapewnienia naturalnego ksztatu i
zachowania struktury powierzchni zgodnej ze spywem wody po terenie. Osignite jest to przez
zastosowanie algorytmu drainage enforcement, usuwajcego bezodpywowe zagbienia
w terenie (sinks, pits), ktre czsto powstaj jako sztuczne elementy przy zastosowaniu
klasycznych metod interpolacji. Rzeczywiste obszary bezodpywowe mog by zachowane po
ich oznaczeniu. Program wykorzystuje do interpolacji technik TPS (Thin Plate Spline)
z modyfikowanym parametrem szorstkoci, co umoliwia przedstawianie ostrych zaama
w terenie. Program moe uwzgldnia wektorow sie rzeczn do wiernego ksztatowania form
zwizanych ze spywem wody. Moliwo tworzenia DEM z jednoczesnym wykorzystaniem
rnego rodzaju danych: poziomice (linie), pomiary wysokoci (punkty), sie rzeczna (linie),
rejony bezodpywowe (punkty), jeziora (poligony), daje moliwo dopasowywania tworzonego
modelu do okrelonych celw badawczych. Program ANUDEM zosta doczony do ArcGIS
jako jedna z metod interpolacji (TOPO TO RASTER). Obecnie (ArcGIS 9.1) jest to wersja
ANUDEM noszca numer 4.6, oddzielnie sprzedawana jest bardziej zaawansowana wersja 5.1
(cena edukacyjna wynosi okoo 700 dolarw listopad 2006). W Ramce 6.1 przedstawiono
wykorzystanie tej metody do tworzenia map DEM dla Polski z danych DTED 2 i MPHP.

6.2 Wizualizacja powierzchni terenu

Wizualizacja powierzchni terenu jest powszechnie uywana w wielu dziedzinach. Jej
rezultaty w postaci przycigajcych oko map lub obrazw s wykorzystywane nie tylko
w kartografii, ale w reklamie, dydaktyce czy dziaalnoci publicystyczno-popularyzatorskiej,
przykadem ktrej mog by osignicia National Geographic. Wizualizacja terenu
w badaniach naukowych ma gwnie na celu stworzenie moliwoci wzrokowej analizy
wystpujcych w nim form i ich zwizku z innymi obiektami bada. Najprostsz metod
wizualizacji powierzchni cigych jest przypisanie jej wartociom palety kolorw lub odcieni
szaroci. Mapy wykonane t technik (lewa strona Rysunku 6.2) dobrze nadaj si do
wizualizacji pl temperatury lub zanieczyszcze, nie pokazuj jednak form uksztatowania
powierzchni topograficznej takich jak grzbiety i doliny. Nad rozwizaniem tego zagadnienia
pracoway cae pokolenia kartografw, ktrzy opracowali szereg metod takich jak kreskowanie
zboczy (hatchures), czy cieniowanie poziomic (iluminated contour method). Te tradycyjne,
czsto bardzo pracochonne metody, mog by znacznie atwiej wykonywane za pomoc
moliwoci analitycznych wspczesnych systemw GIS (Kennelly i Kimerling, 2001).
Obecnie podstawow metod uwypuklania rzeby terenu jest metoda cieniowania
(hillshading) wykorzystujca stopie owietlenia powierzchni poszczeglnych komrek mapy
rastrowej. W przypadku tym zakada si, e s to powierzchnie idealnie rozpraszajce odbite
wiato zgodnie z prawem Lamberta (powierzchnie Lambertowskie, tak powierzchni jest na
przykad powierzchnia kredy). Komrkom przypisywany jest odcie szaroci proporcjonalnie do
wartoci cosinusa kata pomidzy kierunkiem wiata i normaln do powierzchni. Intensywno
odbicia wiata zaley wycznie od orientacji powierzchni wzgldem rda wiata, ktrego
pooenie okrela si za pomoc azymutu (declination) i wysokoci (inklination). Najczciej
metoda ta jest czona z palet kolorw przypisan do wysokoci. Warstwa cieniowania jest
nakadana na warstw DEM jako warstwa pprzezroczysta. Rezultat takiej operacji zosta
przedstawiony po prawej stronie Rysunku 6.2.

Rys. 6.2 Wizualizacja mapy DEM za pomoc palety odcieni szaroci (lewa strona) i dodatkowo z
wykorzystaniem cieniowania (prawa strona).

Rys. 6.3 Wizualizacja mapy DEM za pomoc palety odcieni szaroci , cieniowania i perspektywy
(wykonana za pomoc programu SAGA [patrz ramka 6.2]).

Kolejnym krokiem w tworzeniu realistycznego obrazu jest wykorzystanie rzutu

perspektywicznego dajcego obraz zbliony do widoku z samolotu (Rysunek 6.3).
Uzupenieniem moe by pokrycie tego rodzaju powierzchni odpowiednio dopasowanym
zdjciem lotniczym lub map pokrycia terenu (draping). Moliwa jest take wizualizacja
powierzchni Ziemi za pomoc tworzenie obrazw stereoskopowych z wykorzystaniem techniki
anaglifowej, do ogldania tego typu obrazw niezbdne s okulary z jednym szkem czerwonym,
a drugim niebieskim. Przy analizie uksztatowania terenu czsto przydatne jest wykrelanie
profili wysokoci wzdu linii poprowadzonych na mapie. Daje to moliwo zarwno wstpnej
analizy terenu, jak i sprawdzenie poprawnoci wykonania DEM (Rysunek 6.4).

Rys. 6.4 Profil terenu wykonany z mapy DEM (darmowe oprogramowanie 3DEM
http://www.visualizationsoftware.com/3dem.html )

6.3 Podstawowe atrybuty topograficzne

Analiza terenu za pomoc ilociowych technik analitycznych opisuje uksztatowanie
terenu oraz jego wpyw na zjawiska i procesy hydrologiczne, geomorfologiczne i ekologiczne.
Podstaw tych technik s parametry morfometryczne obliczane bezporednio z mapy DEM
noszce nazw atrybutw topograficznych (topographic attributes). Najczciej dzieli si je na
podstawowe atrybuty topograficzne (primary topographic attribiutes) i wtrne atrybuty
topograficzne (secondary topographic attributes). Wikszo podstawowych atrubutw
topograficznych moe by wyznaczona z lokalnych, w oknie 3 X 3 komrki, zmian wysokoci z
wzdu osi x i y. Zmiany te s okrelane za pomoc rniczek przyblionych rnicami
skoczonymi.
Rys. 6.5 Okno 3 X 3 mapy DEM (kierunek pnocny jest zgodny z osi y): a symbole uyte we wzorach poniej
(Zn opisuje wartoci komrek rastrowych); b przykadowe wartoci wysokoci.

Jeeli poszczeglne komrki okna rastrowej mapy DEM zostan opisane w sposb
przedstawiony na Rysunku 6.5a, to rniczki pierwszego stopnia i ich przyblienia rnicami
skoczonymi Zx i Zy mog by zdefiniowane jako:

z Z2 Z6 (6.1)
Z X
x 2h

z Z8 Z 4
(6.2)
Z Y
y 2h

W programie ArcGIS do ich wyznaczania uywa si innej postaci algorytmu numerycznego

(average maximum technique):

z (Z1 2Z 2 Z 3 ) (Z 7 2Z 6 Z 5) (6.3)
Z X
x 8h

z (Z 5 2Z 4 Z 3 ) (Z 7 2Z 8 Z1) (6.4)
Z Y
y 8h

Do podstawowych atrybutw terenowych zalicza si: nachylenie (slope), kt nachylenia (aspect)

oraz krzywizn (curvature), mog by one wyznaczane w programie ArcGIS (Spatal Analyst).
6.3.1 Nachylenie (slope) okrela zmian wysokoci na jednostk dugoci w kierunku
najwikszego spadku. Jest ono wyznaczane z wyraenia:

S p (6.5)

gdzie:
2 2
p Z X Z Y
Nachylenie policzone dla rodkowej komrki wycinka mapy wysokoci przedstawionej na
Rysunku 6.5b zgodnie z powyszymi wzorami wyniesie:
7 10 1.5
Z X
2

7 10 1.5
Z Y
2
2 2
p 1 .5 1 .5 4 .5

S 4.5 2.1232
Nachylenie moe by wyraone w procentach jako 100 S czyli w powyszym przykadzie
wyniesie 212%. Naley zwrci uwag na to, e warto 100% odpowiada ktowi nachylenia
45. Drugim sposobem wyraania nachylenia jest kt, ktry moe by obliczony w stopniach z
nastpujcego wyraenia (warto 57.29578 suy do zamiany radianw na stopnie):

p (6.6)
S stopnie arctan 57.29578 arctan 4.5 57.29578 64.74
 Rys. 6.6 Mapa nachylenia (a) i ekspozycji (b).

Mapa nachylenia wyraona w stopniach zostaa przedstawiona na Rysunku 6.6a.

6.3.2 Kierunek nachylenia lub ekspozycja (aspect)
Aspect okrela kierunek nachylenia stoku i jest zdefiniowany przez jego azymut, czyli kt
mierzony zgodnie ze wskazwkami zegara midzy kierunkiem pnocnym a kierunkiem
maksymalnego nachylenia. Kt ten, w stopniach, moe by obliczony z wyraenia:
Z Y Z X (6.7)
180 arctan 57.29578 90
Z X Z X

Kierunek nachylenia obliczony z tego wyraenia dla rodkowej komrki wycinka mapy DEM
przedstawionej na Rysunku 6.5b przyjmie warto,
1.5 1.5
180 arctan 57.29578 90 45
1.5 1.5
Warto kierunkw nachylenia dla paskich obszarw moe by traktowana jako nieokrelona.
Mapa kierunku nachylenia przedstawiona na Rysunku 6.6b pokazuje, e obszarom o nachyleniu
poniej jednego stopnia przypisana zostaa warto -1 wyznaczajca obszary paskiego terenu.
Tworzenie map kierunku nachylenia ma istotne znaczenie zarwno w modelowaniu
hydrologicznym (okrela on kierunek spywu wody po terenie), jak i ekologicznym, ze wzgldu
na to, e od ekspozycji stoku zaley ilo docierajcego promieniowania sonecznego.
6.3.3 Krzywizna (curvature)
Curvature opisuje ksztat stoku. Atrybuty opisujce krzywizn opieraj si na rniczkach
drugiego stopnia, czyli zmianie w przestrzeni wartoci rniczek pierwszego stopnia
wykorzystywanych do okrelenia nachylenia i kierunku nachylenia. Rniczki drugiego stopnia i
ich analogi rnicowe s zdefiniowane jako:
2
z Z 2 2Z 9 Z 6 (6.8)
Z XX 2 2
x h
2
z Z 8 2Z 9 Z 4
(6.9)
Z YY 2 2
y h

2
z Z 7 Z1 Z 5 Z 3 (6.10)
Z XY
x y 2
4h

Dwiema najczciej uywanymi miarami opisujcymi krzywizn s krzywizna planarna

i wertykalna. Krzywizna planarna (plan lub contour curvature) opisuje krzywizn poziomic na
poziomej powierzchni, czyli zmian kierunku nachylenia stoku wzdu poziomic. Wyznacza si
j z wyraenia :
 2 2

K Z Z
XX Y 2Z Z Z
XY
3
X Y Z Z
YY X (6.11)
C
p 2

Tak zdefiniowana krzywizna jest topograficzn miar skonnoci pyncej wody do skupiania si
(konwergencji) i rozpywu (dywergencji).

Rys. 6.7 Krzywizna poziomic (a) okrela pooenie grzbietw i dywergencji spywu raz dolin i konwergencji
spywu. Krzywizna profilu (b) okrela ksztat stoku (wypuky lub wklsy).

Znak minus zosta wprowadzony w celu zapewnienia, zgodnie z najczciej stosowan zasad,
wartoci dodatnich dla grzbietw i ujemnych dla dolin. Krzywizna planarna, cho moe
waciwsz byaby nazwa krzywizna poziomic, jest wykorzystywana przy klasyfikacji form
terenowych (grzbiety, doliny, stoki). Krzywizna wertykalna (profile curvature), opisuje zmian
nachylenia wzdu linii spywu, czyli krzywizn profilu powstaego przez przecicie
powierzchni topograficznej powierzchni pionow. Opisuje ona zmiany gradientu potencjau,
czyli ma istotne znaczenie przy okrelaniu zmian prdkoci i procesw akumulacyjnych.
Wyznacza si j z wyraenia (Willson i Gallant, 2000):
2 2
Z ZXX XX 2Z Z Z
XY X Y Z Z
YY YY (6.12)
K p 3
pq 2

gdzie,
q p 1
Krzywizna profilu okrela ksztat stoku (Rysunek 6.7b). Przyjmuje ona wartoci dodatnie dla
stokw wklsych i ujemne dla wypukych. Na Rysunku 6.8 przedstawiono mapy krzywizny
planarnej (poziomic) i wertykalnej (profilu). Na mapie krzywizny planarnej (Rys.6.8a)
uwidocznione s doliny (wartoci ujemne) skupiajce spyw wody i grzbiety (wartoci dodatnie),
natomiast na mapie krzywizny wertykalnej (Rys. 6.8b) uwidoczniony jest ksztat stokw:
wklsy (wartoci dodatnie) i wypuky (wartoci ujemne).

Rys. 6.8 Mapy krzywizny planarnej (a) i wertykalnej (b).

Uywa si take miary zwanej cakowit krzywizn. Opisuje ona zakrzywienie paszczyzny
topograficznej, a nie linii (poziomica, profil) bdcej rezultatem przecicia paszczyzn
topograficznej z poziom lub pionow. Moe ona przyjmowa wartoci ujemne lub dodatnie.
Wartoci bliskie zeru oznaczaj miejsca paskie lub miejsca, gdzie wypuko w jednym
kierunku jest bilansowana przez wklso w drugim (forma sioda). Krzywizn cakowit
wyznacza si za pomoc wyraenia:

K Z
2
XX 2Z
2
XY Z
2
YY
(6.13)

Ramka 6.2
Program SAGA

http://www.saga-gis.uni-goethingen.de/html/index.php
(11.2006)
Program SAGA System for Automated Geoscientific Analyses jest darmowym hybrydowym systemem
GIS stworzonym na Uniwersytecie w Getyndze, przeznaczonym gwnie dla naukowcw zajmujcych
si analiz terenu i modelowaniem hydrologicznym. Oprcz typowego interfejsu graficznego (Rysunek
6.9) program zawiera szereg moduw obejmujcych midzy innymi implementacje szeregu metod
analitycznych, ktre pojawiy sie w ostatnich latach w literaturze naukowej.

Rys. 6.9 Graficzny interfejs programu naukowego SAGA

Poniej przedstawiono wybrane moduy, za pomoc ktrych mona midzy innymi wykona mapy
podstawowych i wtrnych atrybutw topograficznych.
Modu Opis dziaania
Parallel Processing Z mapy DEM oblicza lokaln powierzchni zlewni [patrz podroz.
6.4.2] (Catchmant Area) stosujc szereg metod.
Local Morphometry Z mapy DEM oblicza nachylenie (Slope), kierunek nachylenia
(Aspect), krzywizn planarn (Plan curvature) i krzywizn
wertykaln (Profile curvature).
Topographic Indices Na podstawie warstw nachylenia (Slope) i lokalnej powierzchni
(Indeksy topograficzne) zlewni (Catchmant Area) zostaj obliczone warstwy indeksw TWI
(Topographic Wetness Index), SPI (Stream Power Index) i LS (LS-
Factor).
Analytical Hillshading Na podstawie mapy DEM tworzona jest mapa cieniowania (Rys. 6.2 i
(Analityczne cieniowania) 6.3). Istnieje moliwo wykorzystywania trzech rnych metod
cieniowania.
Solar Radiation Tworzy map sumarycznego dopywu promieniowania sonecznego
(Dochodzce (kWh/m2 lub kJ/m2) oraz liczb godzin nasonecznienia dla kadej
promieniowanie soneczne) komrki mapy DEM w dowolnym okresie czasu. Metoda uwzgldnia
nachylenie stoku, ekspozycj, zacienienie topograficzne, lokalizacj

Hypsometry
(Krzywa hipsometryczna)
na powierzchni Ziemi. Stan atmosfery jest okrelany za pomoc
szeregu parametrw (transmisji, ktra umoliwia uwzgldnienie
zachmurzenia albo zawartoci wody i czsteczek zawieszonych w
powietrzu).
Tworzy krzyw hipsometryczn dla danego DEM w formie tablicy
(wykresu).

Surface specific points Klasyfikuje formy terenowe z mapy DEM na poziomie

poszczeglnych komrek, (szczyty, depresje, przecze, zaamania
wklsoci, zaamania wypukoci, grzbiety, kanay)

6.4 Wtrne atrybuty topograficzne

Ten rodzaj parametrw, bazujc na podstawach fizycznych lub empirycznych, tworzy
mapy indeksw lub wielkoci charakteryzujcych przestrzenn zmienno poszczeglnych
procesw pozostajcych w cisej zalenoci od uksztatowania powierzchni Ziemi,
modelowanej za pomoc DEM. Najczciej uywanymi s indeksy TWI (Topographic Wetness
Index), SPI (Stream Power Index), wspczynnik LS (LS-Factor) oraz przestrzenny rozkad
promieniowania sonecznego dochodzcego do powierzchni Ziemi.
6.4.1 TWI - Topograficzny indeks wilgotnoci (Topographic Wetness Index)
TWI jest jedn z miar ilociowych opisujc wpyw topografii na procesy hydrologiczne. TWI
zosta wprowadzony wraz z modelem hydrologicznym spywu wody po terenie (TOPMODEL)
na pocztku lat 80tych.

Rys. 6.10 Mapa topograficznego indeksu wilgotnoci TWI

Wielkoc indeksu jest funkcj nachylenia stoku i powierzchni obszaru zasilajcego dan
komrk. Oblicza si go za pomoc wyraenia:

ln As (6.14)
TWI
tan
gdzie: AS waciwa lokalna powierzchnia zlewni, czyli powierzchnia obszaru
zasilajcego dan komrk podzielona przez bok komrki,
kt nachylenia stoku.
Najwiksze wartoci indeks osiga przy duym obszarze zasilania i maym kcie nachylenia. Ze
wzgldw topograficznych, takie miejsca powinny odznacza si znaczn wilgotnoci
powierzchni. Indeks ten by wykorzystywany w pracach analizujcych rol skali w procesach
hydrologicznych, do identyfikacji drg spywu w modelowaniu geochemicznym oraz do
charakteryzowania procesw biologicznych, np. rocznej produkcji pierwotnej. Opisuje on wpyw
topografii na wilgotno gleby, a take jej pH. Te dwie zmienne czsto okrelaj rozmieszczenie
i rnorodno rolin naczyniowych. Ze wzgldu na to, indeks TWI jest wykorzystywany do
modelowania rozmieszczenia rolinnoci (Srensen i inni 2006). Na Rysunku 6.10
przedstawiono map indeksu dla rejonu obejmujcego pradolin rzeki Redy, umiejscowienie
ktrej wyranie pokazuj wiksze wartoci indeksu.
6.4.2 SPI Indeks siy spywu (Stream Power Index)
SPI jest miar potencjalnej siy erozyjnej spywajcej po powierzchni terenu wody. Oparty jest
na zaoeniu, e ilo spywajcej wody jest proporcjonalna do powierzchni obszaru
zasilajcego, czyli obszaru z ktrego woda spywa do danej komrki (lokalna powierzchnia
zlewni). Nastpstwem zwikszania si objtoci spywajcej wody i nachylenia stoku jest
zwikszanie ryzyka erozji.
 Rys. 6.11 Mapa indeksu SPI.

Indeks ten jest wyznaczany z identycznych zmiennych jak TWI ale wykorzystujc ich iloczyn,
albo logarytm naturalny iloczynu:

SPI A tan
S
(6.15)

gdzie: AS waciwa lokalna powierzchnia zlewni, czyli powierzchnia obszaru

zasilajcego dan komrk podzielona przez bok komrki,
kt nachylenia stoku.
SPI jest wykorzystywany do przewidywania erozji na obszarach o stokach wypukych
i akumulacji na stokach wklsych w rejonach, gdzie nastpuje zmniejszenie prdkoci
spywajcej wody. Indeks ten wykazuje znaczce skorelowanie ze struktur gleby, iloci
substancji organicznej, pH oraz pokryciem rolinnoci. Istnieje take inna wersja tego indeksu,
w ktrej tan jest podniesiony do kwadratu. Jest on wykorzystywany do wyznaczania grnych
odcinkw biegw rzek .
6.4.3 LS wspczynnik zdolnoci transportowania osadu (sediment transport capicity
index)
LS jest odpowiednikiem iloczynu topograficznych czynnikw L i S (L*S) w empirycznym
modelu erozji gleb USLE (Universal Soil Loss Equation) i jego pniejszej modyfikacji
RUSLE. W modelu tym ubytek gleby w rezultacie erozji szacuje si za pomoc wyraenia:
A = R * K * L * S *C * P (6.16)
gdzie:
A masa gleby erodowanej z jednostki powierzchni w okrelonym czasie;
R wspczynnik erozji powodowanej przez deszcz;
K wspczynnik podatnoci gleby na erozj wodna;
L wspczynnik dugoci stoku;
S wspczynnik nachylenia stoku;
C, P wspczynniki pokrycia i zarzdzania gruntami.
 Rys. 6.12 Mapa indeksu LS

Indeks ten oblicza si z wyraenia:

0.4 1.5

AS sin (6.17)
LS
22.13 0.0896
gdzie: AS waciwa lokalna powierzchnia zlewni, czyli powierzchnia obszaru
zasilajcego dan komrk podzielona przez bok komrki,
kt nachylenia stoku.

6.4.4 Promieniowanie soneczne dochodzce do powierzchni Ziemi (Solar Radiation)

Solar Radiation jest istotnym elementem wielu procesw zarwno fizycznych, jak i
biologicznych. Jego ilo docierajca do jednostkowej powierzchni jest silnie zdeterminowana
topografi terenu. Nachylenie terenu i jego ekspozycja s czynnikami lokalnymi, na poziomie
pojedynczej komrki rastra, natomiast zacienienie topograficzne ma charakter funkcji globalnej.
Wynika ono z moliwoci zacienienia danego miejsca w okrelonym czasie, przez blisze lub
bardziej odlege formy terenu.
Rys. 6.13 Mapy promieniowania sonecznego dochodzcego do powierzchni Ziemi - Redowo (SAGA): a suma
dobowego promieniowania (21 marzec) dla bezchmurnego nieba; b nasonecznienie (liczba godzin ze socem)
dla tego samego dnia. Ciga linia oznacza brzeg morza.

Na Rysunku 6.13 przedstawiono strumie promieniowania powierzchniowego docierajcego do

rejonu Klifu Redowskiego w bezchmurny dzie 21 marca (Rysunek 6.13a), obliczony za
pomoc programu SAGA. Czarn lini oznaczono brzeg morza. Ilo promieniowania jest silnie
uzaleniona od nachylenia i ekspozycji stokw, natomiast na powierzchni morza, z wyjtkiem
zacienionej przez wysoki brzeg strefy przy samym brzegu, jest staa. Ekspozycja klifu w bardzo
istotny sposb wpywa na ilo docierajcego promieniowania. Na Rysunku 6.13b
przedstawiono przestrzenny rozkad czasu nasonecznienia tego dnia, zaokrglony do penych
godzin. Wyranie zaznacza si cie rzucany na powierzchni morza przez dochodzcy do 60
metrw wysokoci klif. Ograniczenie czasu nasonecznienia siga do 500 m od brzegu. Funkcja
Solar Radiation w programie SAGA i funkcja SRAD w ArcGIS 9.2 wykorzystuj metody
obliczeniowe pierwszego programu SRAD opracowanego w latach 90tych przez Moora
i rozwijanego nastpnie przez szereg innych osb .
6.5 Modelowanie hydrologiczne
DEM odgrywa istotn rol w modelowaniu szeregu procesw hydrologicznych ze wzgldu
na wzajemne zwizki pyncej wody i uksztatowania terenu. W wielu badaniach przyrodniczych
zlewnia rozumiana jest jako caociowy system, w ramach ktrego badane s fizyczne lub
biologiczne procesy. Definiuje si j zwykle jako obszar, z ktrego woda spywa do jednego
odbiornika, ktrym moe by dowolny punkt, odcinek rzeki, jezioro lub bagno. Jeszcze do
niedawna granice zlewni byy wyznaczane rcznie przy pomocy poziomic, na podstawie ktrych
szacowano kierunki spywu. Metoda ta odznaczaa si znacznym stopniem subiektywizmu i nie
speniaa warunku powtarzalnoci. Zlewnie wyznaczane przez dwie rne osoby rniy si
ksztatem i obszarem. Wykorzystanie DEM umoliwia automatyczne i obiektywne wydzielanie
zlewni.
Istotnym zagadnieniem w modelowaniu hydrologicznym jest analiza nie-punktowych
rde zanieczyszcze, ktre okazuj si czsto odpowiedzialne za utrzymujcy si dopyw
substancji biogenicznych, bakterii i zanieczyszcze rnego rodzaju do rdldowych
zbiornikw wodnych, a take strefy brzegowej morza. Zanieczyszczenia te, zwane rwnie
obszarowymi lub rozproszonymi, s spukiwane z powierzchni terenu przez wody opadowe
i odprowadzane sieci rzeczn do jezior lub morza. Analiza i modelowanie tego zjawiska
wymaga wyznaczania iloci wody spywajcej w danym miejscu terenu (flow accumulation),
ktra zaley miedzy innymi od wielkoci obszaru zasilajcego spywem powierzchniowym dane
miejsce. Umoliwia to take wyznaczanie sieci rzecznej z modelu DEM. Kolejnym rodzajem
zagadnie jest modelowanie procesu zalewania terenu w wyniku podnoszenia si poziomu wody
w rzece lub morzu. Zagadnienie to zyskao ostatnio szczeglnie due zainteresowanie, w
zwizku z zagroeniem strefy brzegowej przez podnoszenie si poziomu morza w rezultacie
globalnego ocieplenia. Ze wzgldu na probabilistyczny charakter prognoz podnoszenia si
poziomu morza i bdy (niepewno) modelu DEM, stosuje si metody pozwalajce na
okrelenie prawdopodobiestwa zalania danego miejsca.
Istot modelowania spywu wody w rastrowym modelu DEM jest zaoenie, e
przemieszcza si ona w d stoku, czyli z komrek lecych wyej do znajdujcych si niej.
Aby dany model DEM mg by wykorzystywany do tego celu, naley najpierw usun z niego
wszelkie nieprawdziwe wgbienia (pits) na powierzchni terenu, ktre powstaj zarwno w
procesie interpolacji, jak i podczas tworzenia DEM z danych radarowych lub lidarowych.
Zagadnienie to zostao przedstawione na Rysunku 6.14.
Rys. 6.14 Usuwanie nieprawdziwych wgbie (pits) z mapy DEM: a1 profil przez nieskorygowan map DEM z
widocznymi wgbieniami blokujcymi spyw wody po terenie; a2 w centrum DEM widoczny obszar
bezodpywowy zidentyfikowany jako sztuczny; b1 wypenienie wgbie metod pit filling; b2 mapa DEM z
obszarem skorygowanym w centrum.

Wgbienia stanowi zbiory jednej lub wielu komrek, ktre ze wszystkich stron s otoczone
przez komrki o wikszych wartociach wysokoci. Na Rysunku 6.14 przedstawiono je na
profilu (a1) oraz w centrum mapy (a2). Wgbienia te tworz albo obszary bezodpywowe
(sinks) i wtedy powinny zosta pozostawione na mapie, albo stanowi bdy mapy i
powinny zosta usunite. Istniej dwie podstawowe metody ich wypeniania. Pierwsza (pit
filling) polega na zwikszaniu wysokoci komrek DEM we wgbieniach, a do ich usunicia
(Rysunek 6.14b1), a druga (carving) na obnianiu caej powierzchni, a do zaniknicia
wgbie. Ostatnio opracowano metod stosujc jedno z obu rozwiza w zalenoci od
sytuacji, tak aby oryginalna powierzchnia ulega jak najmniejszym zmianom. Na Rysunku
6.14b2 pokazano rezultat wypenienia wgbienia na mapie DEM. W procesie wypeniania
wgbie istnieje moliwo zadeklarowania pewnych obszarw jako bezodpywowych i wtedy
s one pozostawiane bez zmian. Jeeli dla danego obszaru istnieje wektorowa warstwa rzek, to
pojawia si problem jej zgodnoci z modelem DEM. Dla zespolenia tych dwch zbiorw danych
stosuje si metod wypalania rzek (burning in / fencing). Polega ona na modyfikacji mapy
DEM tak, aby dna dolin, najniej lece komrki, pokryway si z przebiegiem rzeki. Proces
wypalania pokazany zosta na Rysunku 6.15. Na oryginalnej mapie DEM (Rys. 6.15a) dno
doliny nie jest zgodne z przebiegiem rzeki pokazanej jasn linia (patrz profil). Skorygowana
mapa (Rys. 6.15b) ma zmienione wartoci na obszarze bufora otaczajcego lini tak, aby ksztat
doliny dostosowa do przebiegu rzeki. Dziki temu modelowanie hydrologiczne prowadzone na
DEM bdzie si odnosio do danego modelu wektorowego sieci rzecznej.

Rys. 6.15 Wypalanie rzek na mapie DEM: a mapa DEM z naoon wektorow rzek, przebieg rzeki nie jest
zgodny z przebiegiem dna doliny (profil); b proces wypalania modyfikuje otoczenie rzeki na DEM, tak aby
pyna ona dnem doliny.

Usunicie wgbie i ewentualne wypalanie rzek jest wstpnym warunkiem wykorzystania

DEM do modelowania spywu wody po terenie, przy czym jeeli wykonano wypalanie rzek,
usuwanie wgbie powinno zosta wykonane jako drugie, aby zapewni spyw wody wzdu
linii rzek.
Podstawow map w modelowaniu hydrologicznym przy pomocy DEM jest mapa
kierunku spywu. Wykonuje si j za pomoc przypisywania komrkom mapy rastrowej
identyfikatora odpowiadajcego kierunkowi spywu, ktry jest okrelany na podstawie
wysokoci komrek ssiednich. Podstawow zasad jest spyw wody do komrki lub komrek
lecych niej. Istnieje szereg metod okrelania kierunku spywu.
 Rys. 6.16 Podstawowe etapy modelowania spywu wody za pomoc DEM: a mapa DEM; b kodowanie
kierunku spywu metod D8; c mapa kierunku spywu (kodowana wg. metody D8 (rys. b)); d kierunek spywu
na mapie (c); e mapa akumulacji spywu; f linie spywu i sie rzeczna utworzona z mapy (e).

Najprostszym i najczciej stosowanym sposobem (take w ArcGIS) jest metoda D8

pojedynczego kierunku spywu (single flow direction) opracowana w latach 80tych. Pozwala ona
na spyw wody z komrki rastrowej tylko do jednej z ssiednich komrek. Popularna konwencja
zapisu zostaa przedstawiona na Rysunku 6.16b. Zgodnie z t konwencj mapa spywu po
powierzchni terenu przedstawionej na mapie DEM (Rysunek 6.16a) bdzie miaa posta tak,
jak na Rysuneku 6.16c. Kierunek spywu dla poszczeglnych komrek zosta przedstawiony na
Rysunku 6.16d. Ze wzgldu na to, e spyw moe si akumulowa (do jednej komrki woda
spywa z wielu ale odpyw jest tylko do jednej), metoda ta nadaje si do spyww
konwergentnych (w dolinach), ale nie dywergentnych (na grzbietach). Ze wzgldu na dobre
modelowanie spyww konwergentnych metoda ta jest stosowana do wydzielania zlewni. Na
Rysunku 6.17 przedstawiono wycinek mapy DEM i wykonan dla niej metod D8 map spywu.

Rys. 6.17 Wycinek mapy DEM (a) i wykonana dla niej metod D8 mapa spywu (b).

Jedn z wad tej metody jest tendencja do tworzenia dugich rwnolegych linii spywu. Tej wady
nie ma metoda Rho8 (random eight-node), ktra wprowadza czynnik losowy do wyznaczania
odlegoci pomidzy rodkami ssiednich komrek. Zamiast odlegoci pomidzy rodkami
komrek, rwnej 1 albo 2, przyjmuje si warto 2 r, gdzie r jest liczb losow o rozkadzie
prostoktnym i zakresie 0-1. Metoda ta nadal odprowadza wod do pojedynczej komrki.
Dywergencj spywu mona modelowa stosujc metody spywu wielokierunkowego (multiple
flow direction) FD8 i Frho8. S one modyfikacj powyej przedstawionych metod i za pomoc
przydzielanych poszczeglnym komrkom wag, zalenych od ich usytuowania na stoku
powoduj rozpyw wody do kilku komrek (metoda ta jest jedn z opcjonalnych metod
programu SAGA).
Mapa kierunku spywu umoliwia okrelenie, jak woda spywa po terenie. Woda
przepywajc z komrki do komrki tworzy linie spywu zobrazowane na Rysunku 6.16f. Kada
kolejna komrka na ciece spywu akumuluje wod z komrek lecych na ciece wyej.
Mapa, na ktrej kadej komrce przypisana jest liczba komrek, z jakich spywa do niej woda
(komrek zasilajcych), nosi nazw mapy akumulacji spywu (flow accumulation) (Rysunek
6.16e). Na Rysunku 6.18 przedstawiono wycinek mapy DEM i wykonan na jej podstawie map
akumulacji spywu.
 Rys. 6.18 Wycinek mapy DEM (a) i wykonana dla niej mapa akumulacji spywu (b).

Mapa taka zawiera wartoci proporcjonalne do ilo wody przepywajcej przez dan komrk.
Jeeli przyjmie si, e powyej pewnej jej iloci tworz si stae cieki, mona za pomoc
reklasyfikacji w oparciu o wybran warto progow je wyznaczy. Na Rysunku 6.16f komrki
o akumulowanej wartoci spywu wikszej od 2 potraktowano jako cieki, poczenie ich centrw
tworzy sie rzek. W ten sposb otrzymuje si rastrow map sieci rzecznej (Rysunek 6.19a).
Wszystkim komrkom sieci zostaje przypisany jednakowy identyfikator.

Rys. 6.19 Rastrowe mapy sieci rzecznej: (a) po reklasyfikacji mapy akumulacji spywu; (b) po przeprowadzeniu
segmentacji.

Kolejnym etapem jest segmentacja ciekw, ktra przypisuje oddzielny identyfikator kademu
segmentowi sieci rzecznej, czyli odcinkowi sieci pomidzy miejscami pocze z innymi
odcinkami (Rysunek 6.19b). Tak wykonana mapa wraz z map kierunku spywu stanowi
argumenty procedury wydzielania zlewni elementarnych, ktra okrela obszary, z ktrych woda
spywa do poszczeglnych odcinkw ciekw.

Rys. 6.20 Wydzielone zlewnie elementarne (a); zlewnie elementarne i rzeki otrzymane z mapy akumulacji spywu
(b); zlewnie elementarne, rzeki otrzymane z mapy akumulacji spywu (linie przerywane) i rzeki z MPHP (linie
cige) (c); zlewnie elementarne, rzeki z MPHP (linie cige) i granice zlewni elementarnych rzek z MPHP (linie
przerywane) (d).

Na Rysunku 20a przedstawiono wydzielone zlewnie elementarne, a na Rys. 20b naoono

dodatkowo na map odcinki rzek otrzymane z mapy akumulacji spywu. Mapy rastrowe
odcinkw rzek, jak i wydzielonych zlewni elementarnych mog by zwektoryzowane do
wektorowych warstw linii i poligonw. Dziki przeprowadzeniu wypalania rzek pochodzcych
z danych MPHP [patrz ramka 3.5] otrzymane warstwy rzek s z nimi zgodne. Na Rys. 20c
jednoczenie naoono warstw rzek otrzyman z DEM (linia przerywana) i pochodzc
z MPHP (linia ciga). Cz rzek otrzymanych z DEM stanowi dodatkowe dopywy do
podzbioru zgodnego z MPHP, w wikszoci pokrywaj si one z rzekami zawartymi w zbiorze
pozostae cieki w MPHP. Na Rysunku 6.20d pokazano granice zlewni elementarnych (linie
przerywane) rzek zgodnych z MPHP (linie cige). Generalnie przebieg obu wydziele zlewni
jest zgodny, ale na rysunku widocznych jest szereg miejsc niewaciwego przypisania danego
obszaru do odpowiedniej zlewni. Wynika to z rcznego, a co za tym idzie mniej dokadnego
i obiektywnego wydzielania zlewni w zbiorze danych MPHP. Analiza hydrologiczna zlewni
z modelu DEM moe suy do korekty i ucilenia rzeczywistego pooenia ich granic.
Istnieje szereg narzdzi do modelowania hydrologicznego za pomoc map DEM.
W ArcGIS (Spatial Analyst) istnieje specjalny zbir narzdzi (Hydrology). Bardzo
wszechstronny zbir funkcji dostpny jest w programie SAGA, ktry jako jedyny z tu
omawianych umoliwia tworzenie map kierunku spyww dywergentnych. Wszechstronnym
narzdziem do modelowania hydrologicznego w GIS, za pomoc ktrego zostay zrealizowane
wszystkie przykady w tym podrozdziale jest rozszerzenie ArcHydro Tools dziaajce
w rodowisku ArcGIS (Ramka 6.3 ).

Ramka 6.3
ArcHydro Tools (rozszerzenie ArcGIS do analizy hydrologicznej)

(http://www.crwr.utexas.edu/giswr/hydro/ArcHOSS/Downloads/index.cfm )
Version 1.1 (11.2006)

ArcHydro jest bezpatnym rozszerzeniem do ArcGIS wspomagajcym analiz i zarzdzanie zasobami

wodnymi wykonanym przez Center for Research in Water Resources (University of Texas at Austin).
Skada si z dwch istotnych elementw ArcHydro Data Model i ArcHydro Tools, ktry stanowi
zintegrowany zestaw narzdzi do hydrograficznej analizy i modelowania. Opis podstaw teoretycznych
cyfrowej analizy hydrograficznej i modelu danych zosta zawarty w ksice Arc Hydro GIS for Water
Resources (Maidment, 2002). Jednym z celw rozszerzenia jest dostarczenie funkcji analitycznych
potrzebnych do analizy podstawowych zagadnie hydrograficznych takich jak wydzielanie zlewni czy
generowanie sieci wodnej na podstawie DEM. Cel ten jest realizowany za pomoc zbioru narzdzi do
wstpnego przetwarzania DEM (Terrain Preprocessing), ktre umoliwiaj w kolejnych etapach
utworzenie szeregu produktw analizy hydrograficznej z mapy rastrowej DEM (tabela poniej).
Etap Narzdzie Opis
1. Wypalanie sieci DEM Reconditioning Umoliwia wypalanie sieci rzecznej
rzecznej na mapie DEM (liniowa warstwa wektorowa) na danej
mapie DEM.
2. Wypenianie wgbie Fill Sinks Wypenianie wgbie dla caej mapy
DEM. Moliwe jest wprowadzenie
warstwy poligonw zawierajcych
granice obszarw bezodpywowych (nie
bd one wypeniane), oraz progu
rznicy wysokoci powyej ktrego
dokonuje si wypeniania.
3. Tworzenie mapy Flow Direction Tworzy map kierunku spywu z mapy
kierunku spywu
4. Tworzenie mapy
akumulacji spywu
5. Definiowanie ciekw
wodnych
6. Segmentacja ciekw
wodnych
7. Wydzielenie zlewni
elementarnych
8. Wyznaczenie zlewni
sprzonych (adjoint Processing
catchment) dla zlewni
elementarnych
Flow Accumulation
Stream Definition
Stream Segmentation
Catchment Grid Delination
Adjoint Catchment
sprzonych (Rys. 6.21) dla kadej
DEM (Rys. 6.17b).
Tworzy map akumulacji spywu z
mapy kierunku spywu (Rys. 6.18b).
Tworzy map rastrow ciekw z mapy
akumulacji spywu (Rys. 6.19a)
Tworzy map rastrow segmentw
ciekw z mapy rastrowej ciekw i mapy
kierunku spywu (Rys. 6.19b). Rastrowa
mapa segmentw ciekw moe by
zamieniona na warstw wektorow linii
za pomoc narzdzia Drainage Line
Processing
Tworzy map rastrow zlewni
elementarnych dla kadego segmentu
cieku z rastrowych map segmentw
ciekw i kierunku spywu. Rastrowa
mapa zlewni elementarnych moe by
zamieniona do warstwy wektorowej
poligonw za pomoc narzdzia
Catchment Polygon Processing. Z mapy
tej, oraz map rastrowej zlewni
elementarnych i mapy akumulacji
spywu mona wyznaczy punkty
drenau danej zlewni (wektorowy plik
punktowy).
Tworzy wektorow map zlewni
zlewni elementarnej na podstawie
wektorowych map zlewni elementarnej i
odcinkw ciekw.

Rys. 6.21 Wyznaczanie zlewni sprzonych. Na mapie przedstawiono warstw zlewni elementarnych i sieci
rzecznej. Dla zlewni elementarnej (poligon z ciemniejszym szrafem) zlewni sprzon jest obszar z ktrego woda
spywa do tej zlewni. Tworz j dwie zlewnie elementarne (poligony z janiejszym szrafem).
Mapy rastrowe i wektorowe tworzone w tym rozszerzeniu s ze sob powizane za pomoc regu
okrelonych w ArcHydro Data Model. Mapy wektorowe i tablice s tworzone w geobazie danych o
nazwie odpowiadajcej projektowi w ArcGIS (*.mxd), warstwy rastrowe w katalogu o nazwie Layers.
Kady tworzony obiekt wektorowy posiada unikalny identyfikator hydrograficzny, kady obiekt
zwizany ze zlewni elementarn (np. zlewnia sprzona) posiada pole z jej identyfikatorem. Daje to
bardzo wszechstronne moliwoci prowadzenia rnorodnych analiz. Oprcz zestawu narzdzi do
wstpnego przetwarzania DEM istnieje drugi zestaw do analizy morfologii terenu w granicach zlewni
(Terrain Morphology). Arc Hydro Tools zawiera take szereg narzdzi interakcyjnych oraz narzdzia do
prowadzenia analiz sieci rzecznych.

Mapa DEM jest podstawowym rdem danych przy modelowaniu zagroenia

powodziowego. Prognozowanie tego rodzaju zjawisk wie si z koniecznoci uwzgldniania
niepewnoci, ktra wynika zarwno z braku moliwoci przewidzenia dokadnego poziomu
wody, jak i faktu, e wartoci na mapie DEM s obarczone pewnym bdem. Generalnie w tego
typu modelowaniu przyjmuje si, e komrki mapy rastrowej, ktre bd leay niej od
poziomu wody ulegn zalaniu. Dodatkowy warunek wynika z moliwoci powstania obszarw
depresyjnych, czyli takich, ktre cho le poniej poziomu wody nie zostana zalane,
poniewa s otoczone przez wysze obszary. Mog by one zidentyfikowane za pomoc
grupowania maski obszarw zalanych. Bd one tworzy oddzielne grupy, ze wzgldu na brak
poczenia z waciwym obszarem zalanym. Przy uwzgldnianiu niepewnoci prognozy i bdu
mapy tworzy si mapy prawdopodobiestwa zalania przy zadanym poziomie wody.
Przygotowanie takiej mapy wymaga znajomoci bdu prognozy (bd standardowy) i bdu
mapy DEM, okrelonego za pomoc bdu redniokwadratowego (RMS root mean-square
error) obliczonego z wyraenia:
n
2
i 1
Obsi DEM i (6.18)
RMS
n
gdzie: Obs zmierzona warto w punkcie kontrolnym i,
DEM warto na mapie DEM w punkcie kontrolnym i,
n liczba punktw kontrolnych.
Liczba punktw kontrolnych, w ktrych dokonywane s pomiary wysokoci jest okrelana za
pomoc wyraenia:
2 2

n z RMS (6.19)
2 e
gdzie:
 n liczba punktw kontrolnych,
e przedzia ufnoci okrelenia RMS,
z standardowa warto dla danego poziomu ufnoci (np. 1.96 dla 95%),
RMS estymacja wartoci redniego bdu kwadratowego.
Poniewa przy wyznaczaniu obszarw zalanych, wpyw na ostateczny wynik ma zarwno bd
mapy jak i prognozy, korzystajc z zasad propagacji bdw (Urbaski, 2001) mona przyj, e
ostateczny bd SP bdzie mia posta:

S P
2
S RMS
2
(6.20)

gdzie:
S bd prognozy.
Jest to rezultat propagacji bdu na nowej mapie DEM, ktra opisuje wysoko terenu nad nowy
poziom wody. Powstaje ona z odjcia dwch map, mapy DEM o bdzie okrelonym przez RMS
i mapy ze sta wartoci prognozy nowego poziomu wody o bdzie S. Z punktu widzenia
statystyki moliwe wartoci danej komrki mapy DEM maj rozkad normalny, okrelony przez
warto redni (warto komrki na mapie DEM) i odchylenie standardowe (RMS, a w
omawianym przypadku S). Z rozkadu normalnego moe by obliczone prawdopodobiestwo, e
rzeczywista warto danej komrki jest nisza od wartoci progowej. Wykorzystuje si do tego
zmienne losowe standaryzowane (z-score) obliczane z wyraenia:
Pozom DEM (6.21)
Z
S P

gdzie:
Poziom warto progowa wyznaczona przez nowy poziom wody,
DEM warto z mapy wysokoci,
SP bd wynikowej mapy powstay w trakcie odjcia mapy prognozy i DEM.

Z rozkadu zmiennej losowej standaryzowanej mona wyznaczy prawdopodobiestwo, e

prawdziwa warto znajdzie si poniej poziomu wody (wartoci progowej), okrelajc
powierzchni pod krzyw rozkadu (Rysunek 6.22) od minus nieskoczonoci do odcitej
wartoci progowej. Mona posuy si tablicami dystrybuanty rozkadu normalnego lub
dostpnymi w sieci kalkulatorami do obliczania powierzchni pod krzyw rozkadu normalnego
(http://www.psychstat.missouristate.edu/introbook/normal.htm ).
 Rys. 6.22 Wyznaczanie prawdopodobiestwa e prawdziwa warto na mapie DEM znajdzie si
poniej poziomu wody (wartoci progowej).

W praktyce mona za pomoc przedstawionego powyej wyraenia obliczy map wartoci

standaryzowanych, ktr nastpnie reklasyfikuje si na klasy opisujce prawdopodobiestwo
zalania wedug poniszej tabeli:

Klasa Prawdopodobiestwo Zakres zmiennej standaryzowanej

1 powyej 25% - 0.6745 do +
2 od 25% do 10% -1.282 do -0.6745
3 od 5% do 10% -1.645 do -1.282
4 od 2.5% do 5% -1.96 do -1.645
5 od 1% do 2.5% -2.326 do -1.96
6 od 0.1% do 1% -3.09 do -2.36
7 od 0.01% do 0.1% -3.719 do -3.09

Ten sposb zosta wykorzystany do stworzenia mapy zagroenia powodziowego

spowodowanego przez ekstremalny sztorm dla strefy brzegowej w okolicy Gdyni (spitrzenie
wody do 2 m), przy jednoczesnym podniesieniu si redniego poziomu morza o 1 metr
(Rysunek 6.23). Modelowanie przeprowadzono przy pomocy numerycznego modelu terenu
DTED 2 przyjmujc RMS = 2 m. Bd prognozy podniesienia si poziomu morza i spitrzenia
sztormowego zosta okrelony na 0.5 m.
 Rys. 6.23 Model zagroenia powodziowego (prawdopodobiestwo zalania) w rezultacie ekstremalnego sztormu
(spitrzenie wody o 2 metry) przy jednoczesnym podniesieniu si redniego poziomu morza o 1 m.
 7. ANALIZA ROZMIESZCZENIA ELEMENTW KRAJOBRAZU

Analiza przestrzennego rozmieszczenia elementw krajobrazu (landscape pattern analysis)

znajduje zastosowanie przede wszystkim w badaniach ekologicznych. W ekologii krajobrazu, ale
take w innych jej dziedzinach, przyjmuje si, e rozmieszczenie elementw rodowiska ma
istotny wpyw na procesy ekologiczne. Elementy te tworz specyficzne struktury, ktrych
naruszenie moe prowadzi do zakcenia tych procesw lub sprzyja zapocztkowaniu cakiem
nowych. Dlatego te opracowano wiele indeksw bdcych ilociowymi miarami (landscape
matrics) rozmieszczenia elementw krajobrazu, ktre s uywane w badaniach wpywu struktury
przestrzennej na procesy ekologiczne. Geograficzne systemy informacyjne stanowi dogodn
paszczyzn do ich wyznaczania i prowadzenia analiz.
Krajobraz moe by rozumiany jako mozaika jednorodnych obszarw (patches), ktre w
literaturze polskiej zostay nazwane patami przez Richlinga i Solona (2002), a dla potrzeb tej
pracy bd okrelane jako elementy krajobrazu. We wspomnianej pracy przytacza si take
ekologiczn definicj krajobrazu Formanna i Gordona (1986), okrelajc krajobraz jako
heterogeniczny obszar powierzchni ldu pokryty mozaik oddziaujcych na siebie ekosystemw
o specyficznej strukturze, wystpujcy w podobnej postaci w rnych miejscach. Pojcie
krajobrazu moe si take odnosi do pokrycia dna morskiego (seascape) (Sleeman i in., 2005).
Zasadniczym zagadnieniem w praktycznym wykorzystaniu tej definicji jest waciwa
klasyfikacja elementw krajobrazu oraz wybr odpowiedniej skali analiz, gdy zarwno rodzaje
elementw krajobrazu, jak i jego skala musz mie rzeczywiste znaczenie dla badanych
procesw ekologicznych.
Modelowanie krajobrazu w systemach GIS moe si odbywa za pomoc rnych modeli
danych, ktre w istotny sposb determinuj moliwoci i sposoby analizy. W praktyce
wykorzystywane s wszystkie modele danych opisane w rozdziale 3.2. Model punktowy
wykorzystuje metody analizy przestrzennej danych punktowych (point pattern analyses),
pozwalajcej midzy innymi na ocen stopnia klasteryzacji i jej zalenoci od skali oraz
wzajemnej relacji dwch zbiorw punktw pod wzgldem ich pooenia (przyciganie,
odpychanie, brak zwizku). Model liniowy znajduje zastosowanie w analizach sieciowych. Jest
on przydatny tam, gdzie elementy krajobrazu tworz struktury sieciowe lub zblione do nich.
Typowymi elementami tego rodzaju s wody pynce. Dwa kolejne modele maj charakter
powierzchniowy, przy czym znacznie czciej do modelowania krajobrazu uywa si
powierzchni dyskretnej (zawierajcej obiekty, ktrym przypisane s identyfikatory klas
elementw krajobrazu) ni powierzchni cigej. Wymaga to przeprowadzenia na pocztku prac
klasyfikacji elementw krajobrazu, przy czym zastosowany schemat klasyfikacyjny powinien
by cile zwizany z rodzajem badanych procesw. Dyskretna mapa powierzchniowa moe
mie zarwno charakter wektorowy (mozaika poligonw), jak i rastrowy. Istnieje szereg metod
analizy przestrzennej mozaiki poligonw znanej pod nazw lattice data analysis, jednak
wspomniane uprzednio miary krajobrazu s wyznaczane najczciej z map o charakterze
rastrowym (Rysunek 7.1c). W tym przypadku kadej komrce mapy przypisany jest
identyfikator odpowiadajcy pewnej klasie pokrycia powierzchni terenu. Kiedy poszczeglne
elementy krajobrazu maj powierzchni wiksz od pojedynczej komrki, tworz grupy
komrek o tej samej wartoci, ktre s rastrowym modelem tych elementw. Obecnie mapy
krajobrazu, bdce rodzajem map pokrycia terenu, s najczciej tworzone na podstawie zdj
lotniczych lub satelitarnych (Rysunek 7.1).

Rys. 7.1 Tworzenie mapy pokrycia terenu (krajobrazu): a warstwa multispektralnego zdjcia satelitarnego; b
segmentacja obiektw w okrelonej skali; c rastrowa mapa obiektw przypisanych do okrelonej klasy.

Bardzo wiele map powstao za pomoc rcznej digitalizacji [patrz podroz. 3.3.5] elementw
krajobrazu ze zdj. Tradycyjne metody automatycznej klasyfikacji polegaj na oddzielnym
przypisaniu jednej z wczeniej zdefiniowanych klas do kadego piksela. Jest to przeprowadzane
za pomoc porwnania jego wartoci na warstwach zdjcia multispektralnego ze statystykami
otrzymanymi z pewnych obszarw kontrolnych o znanej klasie. Do niedawna najczciej
stosowan technik tego typu klasyfikacji bya metoda najwikszego prawdopodobiestwa
(Adamczyk, Bedkowski 2005). Obecnie coraz czciej wykorzystywana jest tzw. klasyfikacja
obiektowa, bazujca na statystykach z multispektralnej informacji pochodzcej od grup pikseli.
W metodzie tej najpierw obraz dzielony jest na elementarne obiekty odznaczajce si duym
stopniem wewntrznej homogenicznoci (Rysunek 7.1b). Proces ten nosi nazw segmentacji
obrazu. Obiekty te mog by czone ze sob na podstawie hierarchicznego schematu
klasyfikacyjnego tworzc kocow map obiektw o klasach i skali rozmiarw dostosowanych
do analizowanych procesw ekologicznych. Wikszo klasyfikacji obiektowych
wykorzystywanych w projektach badawczych jest przeprowadzana obecnie (2006) za pomoc
komercyjnego programu eCognition (Definiens) (http://www.definiens.com/products/
definiens_professional.php)
Koncepcyjny model krajobrazu zbudowany za pomoc rastrowego modelu z komrkami
o przypisanych klasach moe przyjmowa form mozaiki albo mie charakter wyspowy
(binarny). W pierwszym przypadku mamy do czynienia z wieloma klasami wystpujcymi na
mapie, z ktrych jedna (wystpujca najczciej) moe by traktowana jako to (matrix).
Spord pozostaych elementw mog by dodatkowo wydzielone wyduone elementy zwane
korytarzami (corridor), ktre oprcz specyficznej struktury mog peni rne funkcje
w krajobrazie.

Rys. 7.2 Rastrowy model krajobrazu i jego skadowe (to, korytarze, elementy) : a mozaika elementw; b wyspy
i to.

Wywodzca si z teorii island biogeography druga posta modelu zawiera tylko to i elementy
jednej klasy. Oba modele mog by dodatkowo opisane za pomoc: (1) ich rozdzielczoci
przestrzennej (grain), ktra odpowiada rozmiarowi komrki, (2) wielkoci obszaru bada
(extent) i ewntualnie (3) minimalnego rozmiaru elementu krajobrazu branego pod uwag.
Wszystkie te parametry modelu powinny znajdowa uzasadnienie w skalach badanych procesw
ekologicznych. Krajobraz tworzcy mozaik elementw (wyspy mog by traktowane jako jej
szczeglny przypadek) moe by analizowany na trzech poziomach jego struktury. Na
najniszym poziomie istniej pojedyncze elementy (Rys. 7.3a). Z punktu widzenia ekologii
znaczenie moe mie szereg czynnikw z nimi zwizanych. Rozmiar elementu moe mie
zasadnicze znaczenie dla wielu organizmw, ponadto szereg z nich moe wykazywa
wraliwo na blisko granic i std by uzaleniona od rozmiaru strefy centralnej (core area)
elementu, czyli obszaru wewntrz elementu oddzielonego od granic buforem wewntrznym.
Poziom wyej znajduj si klasy elementw (Rys. 7.3b), ktre tworz zbiory elementw tego
samego typu. Analiza iloci i rozmieszczenia elementw danej klasy jest podstaw bada nad
procesem fragmentacji krajobrazu, czyli postpujcym podziaem danej klasy na coraz mniejsze
elementy. Na najwyszym poziomie znajduje si krajobraz jako cao (Rys. 7.3c). Istotne
znaczenie w ekologii ma jego rnorodno. Miary krajobrazu mog si odnosi do kadego z
tych poziomw, czyli by obliczane dla pojedynczych obiektw, klas albo caego krajobrazu.
Analiza moe by take prowadzona lokalnie albo globalnie. Przy analizie lokalnej (poziom klas
lub krajobrazu), miary s wyznaczane dla podobszaru okrelonego przez ruchome okno [patrz
podroz. 5.3.1] i przypisywane do jego centralnej komrki. W rezultacie tworzona jest ciga
mapa rastrowa tej miary. Przy analizie globalnej miary s wyznaczane dla kadego elementu,
klasy lub krajobrazu i zapisywane w formie tablicy.

Rys. 7.3 Analiza mozaikowego modelu krajobrazu moe by prowadzona na rnych poziomach: a pojedyczego
elementu ; b klasy elementw; c caego krajobrazu.

Istnieje ogromna liczba stosowanych miar krajobrazu i wiele sposobw ich klasyfikacji.
Jednym z podstawowych jest podzia na miary opisujce skad krajobrazu (landscape
composition), ktre nie uwzgldniaj pooenia w przestrzeni oraz miary opisujce konfiguracj
krajobrazu (landscape configuration) do wyznaczenia ktrych niezbedna jest informacja o tym
pooeniu. Poniej przedstawiono szereg miar, ktre tworz pewn reprezentacj analitycznych
moliwoci przestrzennej analizy elementw krajobrazu, w adnym jednak stopniu nie stanowi
kompletnego opisu dostpnych technik badawczych. Wykorzystano ich implementacj w
programie FRAGSTATS [Ramka 7.1], ktry jest czsto wykorzystywany w badaniach
naukowych. Nazwy poszczeglnych funkcji s zgodne z uytymi w tym programie.
 7.1 Powierzchnia i proporcja klas na mapie
Podstawow informacj o skadzie krajobrazu, ktrej gwnymi miarami jest
powierzchnia i procentowy udzia poszczeglnych klas, jest powierzchnia klas i ich proporcja na
mapie. Powierzchnia klas (Class Area) jest wyznaczana za pomoc wyraenia:
n
1 (7.1)
CA i
j 1
a ij
10000

gdzie:
i klasa,
j numer elementu krajobrazu danej klasy,
aij powierzchnia w (m2) elementu krajobrazu ij.

Podzielenie sumy powierzchni elementw przynalenych do danej klasy przez 10000 zmienia
jednostk CA na hektary.

Rys. 7.4 Powierzchnia klas w hektarach (CA) i ich procentowy udzia w krajobrazie (PLAND).

Drug miar jest procentowy udzia kadej z klas w krajobrazie (Percentage of Landscape)
okrelany wyraeniem:
n

a ij
j 1 (7.2)
PLAND i
100
A
 gdzie:
i klasa,
j numer elementu krajobrazu danej klasy,
aij powierzchnia w (m2) elementu krajobrazu ij,
A cakowita powierzchnia krajobrazu w (m2).

Na Rysunku 7.4 przedstawiono policzone miary dla mapy przykadowej.

7.2 Liczba klas (richness)
Istnieje kilka miar sucych do analizy liczby klas krajobrazu. Najprostsz i najbardziej
oczywist jest liczba klas wystpujcych w danym krajobrazie (Patch Richness):

PR m (7.3)

gdzie:
m liczba klas.
Miara ta jest niezalena od proporcji klas oraz od powierzchni mapy, nie nadaje si take do
porwnywania krajobrazw o rnych powierzchniach i skalach, ktre to cechy maj poredni
wpyw na liczb klas. Na mapie obejmujcej du powierzchni istnieje wiksze
prawdopodobiestwo napotkania wszystkich wystpujcych w krajobrazie klas elementw.
Problem rnych powierzchni moe by rozwizany za pomoc obliczania liczby klas na
jednostk powierzchni. Suy do tego miara gstoci liczby klas (Patch Richness Density)
wyznaczajca ich liczb na 100 ha za pomoc wyraenia:
m (7.4)
PRD 10000 100
A
gdzie:
m liczba klas,
A cakowita powierzchnia krajobrazu w (m2).

Na Rysunku 7.5 przedstawiono map gstoci liczby klas wyznaczon za pomoc lokalnej miary
PRD. Kadej komrce przypisano warto miary wyznaczonej z otoczenia o promieniu 500
metrw. Problem skali polega na zwizku skali bada ze szczegowoci schematu
klasyfikacyjnego. W przypadku porwnywania map krajobrazu rnicych si skal
wyznaczanych elementw moe by wykorzystana miara RPR (Relative Patch Richness), ktra
do standaryzacji wykorzystuje pewn przyjt przez uytkownika maksymaln liczb klas
zwizanych z dan skal, a okrelon przez wykorzystywany schemat klasyfikacyjny. Miara ta
ma posta:
 m (7.5)
RPR 100
mMAX

gdzie:
m liczba klas.
mMAX maksymalna liczba klas.

Rys. 7.5 Mapa gstoci liczby klas krajobrazu: a mapa krajobrazu; b lokalna miara PRD liczona dla
otoczenia o promieniu 500 m.

7.3 Rnorodno krajobrazu (diversity)

W ekologii istnieje szereg miar rnorodnoci krajobrazu. Byy one czsto wykorzystywane
w analizach zwizanych z liczb gatunkw rolin i zwierzt. Prezentowane poniej miary
opisujce rnorodno skadu krajobrazu uwzgldniaj dwa czynniki. Pierwszym z nich jest
liczba wystpujcych w danym krajobrazie klas, a drugim ich proporcje. Miar tych uywa si na
poziomie krajobrazu, dla ktrego wyznaczany jest indeks rnorodnoci. Miar czsto uywan
w ekologii jest indeks rnorodnoci Shannona (Shannons Diversity Index) w postaci:
m
(7.6)
SHDI Pi ln Pi
i 1

gdzie:
Pi proporcja danej klasy (i) w krajobrazie,
m liczba klas w krajobrazie.

Indeks ten jest rwny 0, gdy krajobraz zawiera tylko jeden element. Jego warto ronie wraz ze
wzrostem liczby klas (nie ma grnej granicy) oraz deniem do takiego samego stopnia pokrycia
przez poszczeglne klasy. Panuje opinia, e indeks ten jest wraliwy na klasy o bardzo maej
powierzchni. Kolejn miar jest indeks (wskanik) rnorodnoci Simpsona (Simpsons
Diversity Index) okrelony wyraeniem:
 m
(7.7)
SIDI 1 P i2
i 1

gdzie:
Pi proporcja danej klasy (i) w krajobrazie,
m liczba klas w krajobrazie.
Charakterystyczne dla tego indeksu jest przyjmowanie wartoci od 0 do 1, opisujcej
prawdopodobiestwo, e dwie losowo wybrane komrki s pooone w elementach krajobrazu
nalecych do rznych klas. Istnieje zmodyfikowana posta tego wskanika przyjmujca zakres
podobny do indeksu Shannona w postaci:
m
(7.8)
MSIDI ln Pi2
i 1

gdzie:
Pi proporcja danej klasy (i) w krajobrazie,
m liczba klas w krajobrazie.

Na Rysunku 7.6 przeprowadzono porwnanie tych wspczynnikw dla trzech rnych

krajobrazw. Krajobraz pierwszy (Rys. 7.6a) zawiera 10 klas i moe by traktowany jako
podstawowy. Krajobraz drugi (Rys. 7.6b) zosta wykonany przez poczenie wszystkich trzech
klas z lasami w jedn i zawiera aktualnie 8 klas. Ostatni krajobraz (Rys. 7.6c) zawiera tyle klas,
co pierwszy, natomiast zmieniono ich proporcje wprowadzajc dwie due klasy. Policzone
indeksy zostay przedstawione nad mapami. Najnisze wartoci wszystkich indeksw otrzymano
dla sytuacji rodkowej (b). wiadczy to o istotnym wpywie liczby wystpujcych w krajobrazie
klas na wielko tych wspczynnikw. Rnice pomidzy indeksami Shannona i Simpsona s
nieznaczne i tylko w niewielkim stopniu uwidaczniaj wiksz zaleno pierwszego z indeksw
od klas o maych powierzchniach.
 Rys. 7.6 Indeksy rnorodnoci wyznaczone dla trzech rnych krajobrazw: a 10 klas z jedn klas
dominujc; b 8 klas z jedna klasa dominujca; c 10 klas z dwoma klasami dominujcymi.

Rwnomierno jest miar rwnych proporcji pomidzy klasami. Maksymaln warto

osiga wtedy, gdy wszystkie klasy maj jednakow powierzchni (warto 1), a minimaln, gdy
wystpuje tylko jedna klasa (warto 0). Czsto stosowanymi w ekologii s take miary
dominacji. Wzajemna relacja tych miar moe by okrelona wyraeniem rwnomierno = 1
dominacja. Uywane miary rwnomiernoci s zwizane z przedstawionymi powyej indeksami
rnorodnoci:
m
Pi ln Pi (7.9)
SHEI i 1
ln m
gdzie:
SHEI indeks rwnomiernoci Shannona
Pi proporcja danej klasy (i) w krajobrazie,
m liczba klas w krajobrazie.

m 2
1 Pi (7.10)
i 1
SIEI 1
1
m
gdzie:
SIEI indeks rwnomiernoci Simpsona
Pi proporcja danej klasy (i) w krajobrazie,
m liczba klas w krajobrazie.
m 2
ln Pi
i 1 (7.11)
MSIEI
ln m
gdzie:
MSIEI indeks rwnomiernoci Simpsona,
Pi proporcja danej klasy (i) w krajobrazie,
m liczba klas w krajobrazie.
Tab. 7.1 Wartoci indeksw dla trzech map przedstawionych na Rysunku 7.
a b c
SHEI 0.7456 0.6386 0.7112
SIEI 0.8480 0.7698 0.8033
MSIEI 0.6257 0.5384 0.5575
 7.4 Zrnicowanie ksztatu elementw krajobrazu
Istnieje wiele miar i sposobw opisu geometrii elementw krajobrazu, rozumianej
najczciej jako oglny stopie zoonoci ich ksztatu. Jedn z podstawowych relacji branych
pod uwag jest stosunek obwodu do powierzchni. Podobnie jak w wikszoci innych miar,
istotnym problemem jest wpyw powierzchni i skali. Prost i popularn miar ksztatu jest
Indeks Ksztatu (Shape Index) zdefiniowany jako:
p ij (7.12)
SHAPE min p ij

gdzie:
i klasa,
j numer elementu krajobrazu danej klasy,
pij obwd danego elementu krajobrazu,
min pij minimalny moliwy obwd danego elementu krajobrazu przy
maksymalnym jego skupieniu (kwadrat lub prawie kwadrat).

Przyjmuje on warto 1 przy maksymalnie skupionym ksztacie i wartoci wiksze od 1 w miar

wzrostu zoonoci jego geometrii. Indeks ten jest obliczany dla pojedynczych elementw.
Najczciej przedstawiane s statystyki z oblicze dla klas i caego krajobrazu. Na Rysunku 7.7
przedstawiono map krajobrazu i odpowiadajc jej map indeksw ksztatu.

Rys. 7.7 Mapa indeksu ksztatu: a mapa krajobrazu; b lokalna miara indeksu ksztatu (wyznaczona
dla kadego elementu krajobrazu).

Do analizy ksztatu elementw krajobrazu wykorzystuje si take metody oparte o fraktale.

Krajobraz pod wieloma wzgldami dobrze nadaje si do opisu za ich pomoc. Poszczeglne jego
elementy, niezalenie od skali, maj skomplikowan posta. Ponadto wykazuj
samopodobiestwo, ktre polega na podobiestwie ksztatu niezalenie od skali. Jedn
z czsto wykorzystywanych miar tego typu jest Indeks Wymiaru Fraktalnego (Fractal
Dimension Index) zdefiniowany wyraeniem:
2 ln 0.25 p ij
(7.13)
FRAC
a ij

gdzie:
i klasa,
j numer elementu krajobrazu danej klasy,
pij- obwd danego elementu krajobrazu,
aij- powierzchnia danego elementu krajobrazu.

Indeks ten przyjmuje wartoci od 1 do 2. Wartoci wiksze od 1 dla obiektw dwuwymiarowych

wiadcz o zoonoci ksztatu [patrz podroz. 4.3]. rednia (MN) i zmienno wyraona
w procentach (CV) przedstawionych powyej indeksw dla klas krajobrazu z Rysunku 7a
zostay zestawione poniej.

Tab. 7.2 Wartoci rednich elementw ksztatu

7.5 Strefy centralne

Pojcie stref centralnych wie si z wpywem granic (edge effect) elementw krajobrazu
na procesy ekologiczne. Wiele zjawisk i procesw wykazuje wraliwo na blisko granic. Ich
wpyw moe zalee zarwno od rodzaju zachodzcych procesw, jak i typu graniczcych
elementw krajobrazu. Strefy centralne (Rysunek 7.8) tworz obszary wewntrz danego
elementu krajobrazu (oznaczonego na szaro) odizolowane od brzegw strefami buforowymi
(szraf kreskowy). Gboko strefy buforowej moe by staa lub zalee od rodzaju granicy,
czyli klasy elementu graniczcego. Na Rysunku 7.8 w analizowanym elemencie widoczne s
dwie oddzielne strefy buforowe. W szeregu bada zwraca si uwag, e dla wielu procesw
uwzgldnienie brzegu jest istotne. Miary opisujce strefy centralne mog by wyznaczane na
poziomie elementw, klas i caego krajobrazu. Do podstawowych miar nale: powierzchnia
stref centralnych, liczba stref centralnych oraz indeks powierzchni stref centralnych. Miary te s
wyznaczane dla poszczeglnych elementw, natomiast dla klas i caego krajobrazu opisuje si
ich rozkad za pomoc wybranych statystyk.

Rys. 7.8 Strefy centralne tworz obszary oddzielone od granic elementu buforem wewntrznym.

Powierzchnia stref centralnych (Core Area) jest okrelona wyraeniem:

c 1 (7.14)
CORE a ij
10000

gdzie:
i klasa,
j numer elementu krajobrazu danej klasy,
aij c powierzchnia w (m2) stref centralnych w elemencie krajobrazu ij.

Kolejna miara liczba stref centralnych (Number of Core Areas) okrela dla kadego elementu
krajobrazu ilo stref centralnych powstaych przy danym buforze wewntrznym:

NCORE n
c
ij
(7.15)

gdzie:
i klasa,
j numer elementu krajobrazu danej klasy;,
nij c liczba stref centralnych w elemencie krajobrazu ij.
Indeks powierzchni stref centralnych (Core Area Index) okrela dla kadego elementu stosunek
powierzchni stref do powierzchni elementu:

c
a ij (7.16)
CAI (100)
a ij

gdzie:
i klasa,
j numer elementu krajobrazu danej klasy,
aij - powierzchnia w (m2) elementu krajobrazu ij,
aij c powierzchnia w (m2) stref centralnych w elemencie krajobrazu ij.

Przy wyznaczaniu stref centralnych podstawowym zagadnieniem jest szeroko bufora

wewntrznego. Aby mg on symulowa rzeczywiste procesy ekologiczne, powinien zalee nie
tylko od rodzaju procesu, ale take od rodzaju granicy midzy elementami (kombinacji klas
elementw graniczcych). Poniej przedstawione zostao porwnanie redniej powierzchni stref
centralnych, policzonych dwiema metodami dla rnych klas elementw krajobrazu
przedstawionego na Rysunku 7.7a. W metodzie pierwszej przyjto stay bufor wewntrzny
o rozmiarze 50 metrw, natomiast w drugiej zmienny bufor, zalenie od rodzaju granicy, od 100
do 0 metrw. Dla obszarw lenych uzaleniono szeroko bufora od rodzaju granicy. Dla
granicy z innym rodzajem lasu przyjto szeroko bufora wynoszc 0 metrw, dla granic
z polami 50 metrw, a dla obszarw zabudowanych 100 metrw.
Tab. 7.3 rednie powierzchnie obszarw centralnych przy staym i zmiennym buforze wewntrznym
rednia powierzchnia przy rednia powierzchnia przy
Klasy elementw staym buforze wewntrznym zmiennym buforze
50m wewntrznym od 0 do 100 m
pola 97.1 127.5
lasy iglaste 86.2 99.1
lasy liciaste 71.1 89.7
mozajka upraw 23.9 37.8
uprawy i elementy naturalne 34.0 54.2
lasy mieszane 55.9 66.5
pastwiska 31.3 61.4
zarola 16.1 20.9
wody 16.3 28.1
zabudowa 0.8 2.9

Istnieje alternatywna metoda wyznaczania miar obszarw centralnych oparta o tzw. MAT-
konstrukcj. Jest ona tworzona za pomoc transformacji elementw krajobrazu (Medial Axis
Transformation), ktra polega na tworzeniu i przeksztaceniu tzw. mapy gbokoci. Jest to mapa
odlegoci kadego piksela od granicy otaczajcego go elementu krajobrazu. Przeksztacenie
polega na usuniciu wszystkich pikseli, ktre nie maj charakteru lokalnych maksimw (nie s
otoczone przez komrki o mniejszych odlegociach). Nastpnie dla kadego elementu obliczane
s dwie statystyki rednia gboko i maksymalna gboko. rednia gboko (Average
Depth Index) jest okrelona wyraeniem:

ADEPTH MAT AVE Cellsize Cellsize (7.17)

gdzie:
MATAVE rednia gboko (miar jest liczba pikseli),
Cellsize rozmiar komrki.

Indeks ten jest porednio miar wyduenia poszczeglnych elementw, poniewa im bardziej
elementy krajobrazu s wyduone, tym mniejsze wartoci bd osiga lokalne maksima.
Maksymalna gboko (Maximum Depth Index) jest obliczana z wyraenia:

MDEPTH MAT MAZ Cellsize Cellsize

gdzie:
MATMAX maksymalna gboko (miar jest liczba pikseli),
(7.18)
Cellsize rozmiar komrki.

Warto tej miary moe by interpretowana jako gboko najszerszej czci elementu
krajobrazu. Obie miary oparte o MAT mog by wyznaczane dla pojedynczych elementw
krajobrazu lub jako policzone z nich statystyki dla klas oraz caego krajobrazu.
7.6 Izolacja elementw krajobrazu
Pojcie izolacji elementw krajobrazu jest istotne zarwno w badaniu procesw
fragmentacji krajobrazu, jak i ochronie zagroonych gatunkw. Do jej analizy uywa si dwch
modeli koncepcyjnych. W pierwszym, podstaw ktrego jest teoria wysp, badana klasa
elementw jest postrzegana jako wyspy na jednorodnym tle. W drugim klasa otoczona jest
mozaik innych klas, o rnym stopniu podobiestwa do badanej. Najprostsz miar izolacji,
opart o teori wysp, jest odlego do najbliszego elementu danej klasy (Euclidian Nearest-
Neighbor Distance), wyraona wzorem:

ENN h ij
(7.19)

gdzie:
i klasa,
j numer elementu krajobrazu danej klasy,
hij odlego elementu krajobrazu ij do najbliszego elementu danej klasy (m).
Odlego ta jest wyznaczana pomidzy granicami elementw (cilej pomidzy rodkami
granicznych komrek). Miara ta moe by wyznaczana dla poszczeglnych elementw, albo
analizie mog by poddawane jej rozkady statystyczne (statystyki) dla klas lub caego
krajobrazu. Istotn wad tej metody jest brak uwzgldniania wielkoci najbliszego elementu, co
ma znaczenie w wikszoci procesw ekologicznych. Na Rysunku 7.9b przedstawiono wartoci
indeksu ENN policzone dla poszczeglnych elementw wyspowego krajobrazu
(Rysunek7.9a). Maksymalna warto indeksu jest przypisywana elementowi o najwikszej
izolacji, czyli najwikszej odlegoci do najbliszego ssiada.

Rys. 7.9 Ocena izolacji poszczeglnych elementw krajobrazu: a krajobraz wyspowy; b policzone
wartoci indeksu ENN.

Powierzchnia ssiadujcych elementw jest uwzgldniana w indeksie opisujcym stopie

bliskoci elementw (Proximity Index). Jest to miara wzgldna, dla ktrej definiuje si
promie poszukiwania ssiednich elementw (Search Radius). Indeks wyznaczany jest jako
suma ilorazw powierzchni wszystkich znalezionych elementw i kwadratu oddzielajcej je
odlegoci. Wyraenie obliczeniowe ma posta:
n aijs (7.20)
PROX 2
s 1hijs

gdzie:
i klasa,
j numer elementu krajobrazu danej klasy,
s numer znalezionego elementu,
aijs powierzchnia w (m2) elementu krajobrazu ij,
 hij odlego elementu krajobrazu ij do elementu danej klasy (m).

Na Rysunku 7.10b przedstawiono policzone indeksy PROX dla krajobrazu wyspowego

(Rysunek 7.10a jest identyczny z Rysunkiem 7.9a ). W porwnaniu z map indeksu ENN
(Rysunek 7.9b) zaznacza si rnica w stopniu bliskoci do innych poszczeglnych
elementw, ze wzgldu na uwzgldnianie ich powierzchni. Elementowi o najwikszym indeksie
ENN zostaa przypisana warto indeksu PROX rwna 0, ze wzgldu na to, e ssiednie
elementy s pooone w odlegoci wikszej od promienia poszukiwania (500 m).

Rys. 7.10 Ocena bliskoci do innych poszczeglnych elementw krajobrazu: a krajobraz wyspowy; b
policzone wartoci indeksu PROX.

Oba przedstawione powyej indeksy wykorzystuj wyspowy model krajobrazu.

Odpowiednikiem indeksu PROX, ale realizowanym dla modelu mozaikowego jest indeks
podobiestwa (Similarity Index) oceniajcy podobiestwo elementu krajobrazu do elementw go
otaczajcych w otoczeniu zdefiniowanym przez promie poszukiwania. Kadej klasie krajobrazu
przypisany jest wspczynnik podobiestwa d przyjmujcy warto od 0 (cakowity brak
podobiestwa) do 1 (cakowite podobiestwo). Indeks ten ma posta:
n aijs d ik (7.21)
SIMI 2
s 1 hijs
gdzie:
i klasa,
j numer elementu krajobrazu danej klasy,
s numer znalezionego elementu,
aijs powierzchnia w (m2) elementu krajobrazu ij,
dik podobiestwo pomidzy elementem klasy i i klasy k,
hij odlego elementu krajobrazu ij do elementu danej klasy (m).
 7.7 Granice i kontrast pomidzy elementami krajobrazu
Granice oraz rnice pomidzy ssiadujcymi ze sob elementami krajobrazu mog mie
istotny wpyw na rnorodne procesy ekologiczne. Granice mog by opisane na poziomie klas
lub krajobrazu za pomoc ich cakowitej dugoci lub gstoci. Miara opisujca cakowit
dugo granic (Total Edge) jest wyraona jako:
m
(7.22)
TE eik
k 1

gdzie:
i klasa,
eik dugo (m) granic danego elementu krajobrazu danej klasy.

Gsto granic (Edge Density) opisuje dugo granic danej klasy na jednostk powierzchni (na
hektar) caego krajobrazu. Do jej obliczania uywa si wyraenia:
m eik (7.23)
ED 10000
k 1 A

gdzie:
i klasa,
eik dugo (m) granic danego elmentu krajobrazu danej klasy,
A cakowita powierzchnia krajobrazu (m2).

Na Rysunku 7.11 przedstawiono policzone wartoci tych miar dla poszczeglnych klas
krajobrazu.

Rys. 7.11 Cakowita dugo granic elementw krajobrazu (TE) i indeks gstoci granic (ED).

Miary kontrastu opisuj ekologiczne rnice pomidzy danym elementem krajobrazu,

a elementami z nim ssiadujcymi. Rnice midzy klasami definiuje si za pomoc
wspczynnika kontrastu, ktry przyjmuje wartoci od 0 (brak kontrastu) do 1 (maksymalny
kontrast). Wielko tego wspczynnika jest uzaleniona od analizowanych procesw
ekologicznych. Podstawow miar kontrastu jest indeks kontrastu na granicach (Edge Contrast
Index) opisujcy sumaryczny kontrast midzy elementem, a jego otoczeniem. Indeks ten jest
niezaleny od powierzchni elementu, a opisuje proporcj granic o znacznym kontracie.
Wyraony jest w procentach. Warto 100% oznacza, e wszystkie jego granice charakteryzuj
si maksymalnie silnym kontrastem (warto 1). Indeks opisuje wyraenie w postaci:
m

p d
ijk ijk
(7.24)
k 1
ECON p
100
ij

gdzie:
pijk dugo krawdzi elementu ij (m) graniczcej z elementami klasy k,
dik wspczynnik kontrastu pomidzy klas i i k,
pij dugo (m) obwodu elementu krajobrazu.

Na Rysunku 7.12 przedstawiono map indeksu policzon dla analizowanego krajobrazu.

Rys. 7.12 Mapa indeksw ECON opisujcych kontrast elementu wzgldem elementw otaczajcych.

Statystyki wartoci tego indeksu mog by take obliczane na poziomie klas i caego krajobrazu.

7.8 Fragmentacja krajobrazu (landscape fragmentation)

Fragmentacja krajobrazu polega na zmianie struktury jego elementw prowadzcej do ich
rozrywania, a nastpnie stopniowego zaniku. Istnieje kilka faz fragmentacji (Jaeger, 2000).
Proces zaczyna si czsto od powstawania luk w pokryciu terenu lub pojawiania si szczelin,
ktre ostatecznie mog doprowadzi do rozpadu elementu na par mniejszych czci. Kolejnym
czsto obserwowanym procesem jest oddzielanie si maych czci od danego elementu na
granicach i stopniowy ich zanik. Fragmentacja krajobrazu jest procesem, ktry prawie zawsze
pociga za sob konsekwencje ekologiczne. Ze wzgldu na to, e bardzo czsto jej przyczyn
jest dziaalno czowieka, a rezultatem zmniejszanie biornorodnoci i powstawanie
zagroenia dla istnienia gatunkw znajdujcych si pod ochron, jej analiza jest czsto
stosowana w ochronie rodowiska. Ilociowy opis fragmentacji prowadzi si w celu: (1)
dokumentacji oraz przestrzennej i czasowej analizy jej trendw; (2) porwnywania rnych
obszarw pod wzgldem ich fragmentacji (i jej konsekwencji) oraz do (3) oceny
podejmowanych dziaa kompensacyjnych (Jaeger, 2000). Istnieje szereg miar ilociowych,
ktre mog by przydatne w tego typu analizach. Miar posiadajc pewne ekologiczne
znaczenie jest miara podziau krajobrazu (Landscape Division Index). Opisuje ona
prawdopodobiestwo, e dwa losowo wybrane punkty nie znajduj si w tym samym jego
elemencie. Dla organizmu bdzie to oznacza prawdopodobiestwo braku moliwoci spotkania
drugiego osobnika w elemencie krajobrazu, w ktrym si aktualnie znajduje. Miara ta na
poziomie krajobrazu jest zdefiniowana jako:
2
m n aij (7.25)
DIVISION 1
i 1 j 1 A

gdzie:
i klasa,
aij powierzchnia (m2) elementu krajobrazu,
A powierchnia caego krajobrazu (m2).

Miara ta moe by wykorzystana lokalnie do tworzenia cigych map indeksu fragmentacji

(DIVISION). Warto indeksu jest obliczana dla kadej komrki na podstawie jej otoczenia
okrelonego za pomoc koa lub kwadratu (o zadanym promieniu lub boku).

Rys. 7.13 Mapa indeksw DEVISION dla caego krajobrazu: a mapa krajobrazu; b mapa indeksu dla otocze
kolistych o rednicy 1000 metrw.
Na Rysunku 7.13 przedstawiono map indeksw dla obszarw wyznaczonych przez koa
o rednicy 1000 metrw. S one liczone z uwzgldnieniem wszystkich klas na danym obszarze
i opisuj fragmentacj jego struktury. Miara ta moe by take liczona dla jednej klasy za
pomoc wyraenia:
2
n aij (7.26)
DIVISION 1
j 1 A

gdzie:
i klasa,
aij powierzchnia (m2) elementu krajobrazu,
A powierzchnia caego krajobrazu (m2).

Na Rysunku 7.14 przedstawiono map indeksu (b) wyznaczon dla jednej wybranej klasy dla
identycznych jak poprzednio otocze.

Rys. 7.14 Mapa indeksw DIVISION dla wybranej klasy: a krajobraz (wybrana klasa oznaczona ciemnym
odcieniem); b mapa indeksw dla otocze kolistych o rednicy 1000 metrw.

Przedstawione powyej indeksy reprezentuj miary odnoszce si do caych elementw

krajobrazu. Istnieje druga grupa indeksw oparta na operacjach wykonywanych na poziomie
komrek mapy rastrowej. Polegaj one na zliczaniu rnych rodzajw pocze (ssiedztw)
midzy komrkami. Ssiadami dowolnej komrki mog by komrki tej samej klasy, albo
innych klas. Sumy pocze pomidzy komrkami rnych klas s zestawiane czsto w tablicy
pocze (adjacency matrix). Miarami tego typu jest procent identycznego ssiedztwa
(Percentage of Like Adjancencies) oraz indeks agregacji (Aggregation Index). Pierwsza z miar
jest zdefiniowana jako:
 g ii (7.27)
PLADJ m
100
g ik
k 1

gdzie:
gii liczba pocze pomidzy komrkami danej klasy z komrkami tej samej klasy,
gik liczba pocze pomidzy komrkami danej klasy a wszystkimi innymi komrkami.

Warto indeksu jest wyraona w procentach. Osiga warto zero przy maksymalnym
rozproszeniu komrek danej klasy, czyli wtedy, gdy adna z komrek nie graniczy z komrkami
tej samej klasy. Im wiksza jest agregacja komrek, tym wiksza warto indeksu. Warto
maksymalna (100%) zostanie osignita wtedy, gdy cay krajobraz skada si z komrek jednej
klasy. Indeks agregacji jest miar podobn, ale liczba pocze z komrkami identycznej klasy
jest odniesiona do liczby pocze przy maksymalnej agregacji danej klasy (pojedynczy element
o maksymalnym skupieniu). Miara ta jest okrelona wyraeniem:
g ii (7.28)
AI max g
100
ii

gdzie:
gii liczba pocze pomidzy komrkami danej klasy z komrkami tej samej klasy,
maxgii liczba pocze pomidzy komrkami danej klasy z komrkami tej samej
klasy przy maksymalnej agregacji.

Na Rysunku 7.15 przedstawiono policzony procent identycznego ssiedztwa i indeks agregacji

dla analizowanego krajobrazu.

Rys. 7.15 Policzone miary procentu identycznego ssiedztwa (PLADJ) i indeksu agregacji (AI).

7.9 Analiza cznoci pomidzy elementami krajobrazu

Miara cznoci opisuje moliwo przemieszczania si organizmw pomidzy elementami
krajobrazu tej samej klasy. Uznaje si powszechnie, e jest to istotna charakterystyka struktury
krajobrazu. Istnieje jednak problem z jej cisym zdefiniowaniem. Jedn z miar uywanych do
opisu tej charakterystyki jest indeks pocze (Connectance Index) opisujcy procent
funkcjonujcych pocze midzy elementami krajobrazu. Kada para elementw danej klasy
krajobrazu moe posiada poczenie funkcjonujce, albo nieczynne. O tym, czy dane
poczenie funkcjonuje, moe decydowa odlego pomidzy elementami. Jeeli odlego
pomidzy elementami jest mniejsza od pewnej wartoci progowej, poczenie przyjmuje si za
funkcjonujce, jeli wiksza za niefunkcjonujce. Indeks pocze zdefiniowany jest za pomoc
wyraenia:
n

c j k
ijk
(7.29)
CONNECT nn 1
100
i i

2
gdzie:
i klasa,
cijk stan poczenia pomidzy par elementw krajobrazu (j k) tej samej klasy (0 brak
poczenia, 1 poczenie),
ni liczba elementw krajobrazu danej klasy.

Poniewa liczba funkcjonujcych pocze jest dzielona przez liczb wszystkich moliwych
pocze, to jednostk tej miary s procenty. Wielko ta opisuje procentowy udzia
funkcjonujcych pocze midzy elementami danej klasy przy zadanej wartoci dopuszczalnej
odlegoci pomidzy elementami. Na Rysunku 7.16 pokazano, jak zmienia si ten indeks (dla
klasy zaznaczonej najciemniejszym odcieniem) wraz ze zmian odlegoci, przy ktrej
funkcjonuje poczenie midzy elementami.

Rys. 7.16 Zmiany wartoci indeksu CONNECT (w %) zalenie od przyjtego progu odlegoci.

Ramka 7.1
Program FRAGSTATS

http://www.umass.edu/landeco/research/fragstats/fragstats.html
(11.2006)

FRAGSTATS (McGargial i in., 2002) jest darmowym programem sucym do analizy przestrzennej
rozmieszczenia elementw krajobrazu. Pracuje on z rastrowymi mapami jakociowymi, na ktrych
cakowitym identyfikatorom przypisane s klasy krajobrazu. Program uywa nastpujcych formatw
danych rastrowych: ArcGRID, ASCII, binarny 8, 16 i 24 bitowy, oraz formatw programw ERDAS
i IDRISI. Miary i ich statystyki obliczane s na trzech poziomach: elementw krajobrazu (patch metrics),
klas krajobrazu (class metrics) oraz caego krajobrazu (landscape metrics).

Rys. 7.17 Program FRAGSTATS zawiera osiem grup statystyk uywanych do analizy przestrzennej
krajobrazu.

Praca z programem rozpoczyna si od okrelenia jego parametrw (Set Run Parameters), ktre mog by
nastpnie zapisane w tzw. Model file (*.frg). Dodatkowo tworzy si plik tekstowy opisujcy waciwoci
poszczeglnych klas o rozszerzeniu *.fdc (Class Properties File) w postaci:
112,zabudowa,true,false
211,pola,true,false
231,pastwiska,true,false
242,mozajka_upraw,true,false
243,uprawy_naturalne,true,false
311,lasy_lis,true,false
312,lasy_igl,true,false
313,lasy_miesz,true,false
324,zarosla,true,false
512,wody,true,false
Pierwsza kolumna zawiera identyfikatory klasy, druga ich opis, trzecia okrela czy dana klasa ma by
uwzgldniana przy wyprowadzaniu wynikw, a ostatnia czy klasa ma by traktowane jako to. Kolejnym
elementem w definiowaniu parametrw jest sposb prowadzenia analizy. Moe on mie charakter
standardowy lub odbywa si za pomoc ruchomego okna o zadanych rozmiarach, o ksztacie
kwadratowym lub kolistym. Przy standardowym trybie analizy obliczone miary lub ich statystyki s
wyprowadzane jako tekstowe pliki danych, natomiast przy wykorzystaniu ruchomego okna tworzone s
z nich mapy rastrowe. Na poziomie analizy elementw krajobrazu kademu elementowi przypisywany
jest unikalny identyfikator. Istnieje moliwo utworzenia mapy rastrowej tych identyfikatorw, ktra
nastpnie moe posuy do przypisania obliczonych wartoci zestawionych w tablicach w celu
utworzenia map miar dla poszczeglnych elementw. Program umoliwia obliczanie wielu miar, ktre
zostay pod wzgldem funkcjonalnym podzielone na osiem grup (Rysunek 7.17). Niektre z nich
wymagaj tablic opisujcych relacje pomidzy poszczeglnymi klasami (np. podobiestwo, kontrast). S
one tworzone jako pliki tekstowe (*.csv) w postaci:
FTABLE,112,211,231,242,243,311,312,313,324,512
112,0,1,1,1,1,1,1,1,1,1
211,0.8,0,0,0,0,0.5,0.5,0.5,0.5,1
231,0.7,0.1,0,0,0,0.4,0.4,0.4,0.4,1
242,0.8,0,0,0,0,0.4,0.4,0.4,0.4,1
243,0.8,0.1,0.1,0.1,0.1,0.3,0.3,0.3,0.3,1
311,1,0.5,0.5,0.5,0.2,0,0,0,0.1,0.2
312,1,0.5,0.5,0.5,0.2,0,0,0,0.1,0.2
313,1,0.5,0.5,0.5,0.2,0,0,0,0.1,0.2
324,1,0.5,0.5,0.5,0.2,0.1,0.1,0.1,0,0.3
512,1,1,1,1,1,1,1,1,1,0
W tablicy tej na przeciciu wierszy i kolumn umieszcza si wymagany parametr. Dostpne miary w
kadej z grup zorganizowane s wedug poziomu analizy. Zawieraj dokadny opis i sposb interpretacji
rezultatw.

8. MODELOWANIE W GIS

Pojcie modelowania ma dwa rne znaczenia w GIS. Po pierwsze odnosi si do modelu

danych [patrz rozdzia 3.2] okrelajcego struktury danych przestrzennych (model danych
wektorowych lub rastrowych) lub tworzcego reprezentacj rzeczywistoci przedstawion za
pomoc tych struktur. Reprezentacj t tworzy si najczciej jako zbir warstw, ktre mog by
dodatkowo czone ze sob za pomoc istniejcych pomidzy nimi relacji. Model danych, jako
reprezentacja rzeczywistoci, ma posta geobazy danych, ktra w sposb cyfrowy opisuje jej
istotne cechy. Drugie znaczenie modelowania, o ktrym bdzie mowa w tym rozdziale, odnosi
si do procesw zachodzcych w rzeczywistoci zobrazowanej modelem danych. Przykadowo
za pomoc warstw DEM i pokrycia terenu moemy przedstawi obraz (model danych) wycinka
powierzchni Ziemi. Nastpnie korzystajc z opisanych w rozdziale 6 metod moemy analizowa
proces przemieszczania si wody po terenie, uywajc do tego sekwencji funkcji analitycznych.
W rezultacie otrzymamy model GIS spywu wody opadowej po terenie. Naley zwrci uwag,
e stanowi on poczenie modelu danych i matematycznego opisu zachodzcych procesw, w
tym przypadku fizycznych procesw zwizanych ze spywem wody:
MODEL GIS = MODEL DANYCH + OPIS PROCESU
Jeeli przedmiotem naszej analizy bdzie wyznaczenie miejsc podatnych na erozj badane
procesy fizyczne zostan uzupenione o procedur definiowania miejsc zagroonych. W ten
sposb opis procesu w modelu GIS moe by rozszerzony o wszystkie operacje zwizane
z modelem danych, a nie ograniczy si tylko do zjawisk natury fizycznej czy biologicznej
zachodzcych na powierzchni Ziemi.
Wikszo autorw prbujcych zdefiniowa pojcie modelu GIS jest zgodna, e celem
tych modeli jest z jednej strony zrozumienie fizycznego (biologicznego) wiata, a z drugiej
dostarczenie narzdzi przydatnych do szeroko rozumianego zarzdzania rodowiskiem
przyrodniczym. Cele te s realizowane za pomoc sekwencji operacji przeprowadzanych
realizowanych w GIS na odpowiednim modelu danych. Tak szerokie rozumienie tego czym s
modele GIS powoduje oczywicie problemy z ich klasyfikacj. Brak jest oglnie przyjtego
schematu klasyfikacyjnego, mona natomiast wyodrbni pewne rodzaje modeli, ktrych nazwy
i istota powtarzaj si w artykuach i podrcznikach (Longley i inni, 2005, DeMers M.N., 2002,
Berry J.K., 2006). Problematyczne jest take okrelenie wyranej granicy pomidzy analiz i
modelowaniem w GIS. Mona przyj, e analiza koncentruje si na relacjach midzy danymi w
GIS, a modelowanie na obrazie rzeczywistoci. Modele GIS posiadaj take szereg cech, ktre
wyrniaj je od zwykej sekwencji operacji analizy. Jedn z nich jest wikszy stopie
sformalizowania caego procesu jego powstawania. Model ma zwykle dokadnie okrelony cel
lub odpowiada na konkretne pytanie. Istnieje jego dokumentacja i formalny zapis, ktry z jednej
strony umoliwia analiz i weryfikacj jego zaoe oraz logicznej i funkcjonalnej spjnoci, a z
drugiej wykorzystanie przez innych uytkownikw GIS dla odmiennych warunkw i danych.
Model podlega zwykle walidacji, ktra ma na celu jego kalibracj i okrelenie jego stabilnoci.
Granica jest oczywicie pynna i wikszo zoonych procesw analitycznych w GIS moe by
przedstawiona w postaci modelu GIS.
Klasycznym ju pojciem dotyczcym modelowania w GIS jest wprowadzone przez
Tomlina (1990) modelowanie kartograficzne (cartographic modeling). Jest ono najczciej
definiowane jako sekwencja operacji w GIS, majcych charakter zautomatyzowania technik
manualnych. Przykadem takich operacji jest nakadanie lub buforowanie. Tego typu zabiegi,
cho najczciej bardzo pracochonne, byy stosowane w czasach, kiedy nie istniay mapy
cyfrowe. Warstwy map byy przedstawiane na przezroczystych kalkach, ktre nastpnie byy na
siebie nakadane tworzc wsplnie obraz, ktry by selektywnie kopiowany na now kalk.
Warstwy GIS mog by traktowane jako zmienne lub dwuwymiarowe tablice zmiennych, a
relacje pomidzy nimi, wyznaczone na podstawie praw fizyki lub zalenoci statystycznych
mog przyjmowa posta matematyczn. Dla odrnienia od modeli kartograficznych modele
wykorzystujce relacje matematyczne nazywa si czasem modelami przestrzennymi (spatial
models). Nie wszyscy autorzy uywaj tego rodzaju podziau i czsto pojecie modeli
przestrzennych jest uywane dla okrelenia wszystkich modeli GIS. Biorc pod uwag rodzaj
rozwizywanego problemu mona wydzieli trzy znaczce pod wzgldem liczby aplikacji grupy
modeli s to modele wskanikowe, przestrzennych procesw fizycznych i regresyjne. Modele
wskanikowe (indicator models) okrelaj stopie przydatnoci rnych lokalizacji dla danego
celu lub wraliwoci na okrelone zagroenia. Rezultatem ich dziaania jest warstwa
bezwymiarowych wskanikw. Mog one mie charakter binarny (teren nadaje si (1) lub nie
(0)), porzdkowy (redni, lepszy, najlepszy) lub ilociowy, wyraony liczbami rzeczywistymi.
Modelowanie wskanikowe zazwyczaj ma charakter modelowania kartograficznego i jest coraz
czciej wykorzystywane do zarzdzania rodowiskiem przyrodniczym i w jego ochronie.
Modelowanie procesw fizycznych wykorzystuje zapisane matematycznie teoretyczne
zalenoci fizyczne, przy czym rol zmiennych w tych zalenociach peni warstwy GIS.
Modelowanie regresyjne (regression modeling) jest chyba najliczniej reprezentowanym typem
modeli GIS w artykuach naukowych [patrz podroz. 2.4 i 2.5] . Jego idea przedstawiona na
Rysunku 8.1 polega na estymacji (prognozie) nieznanych wartoci (zmiennych) warstwy Y za
pomoc funkcji regresji. Jest ona wyznaczana metodami statystycznymi na podstawie relacji
zmiennej estymowanej (zakada si, e znane s jej wartoci w pewnej liczbie punktw)
i zmiennych na istniejcych warstwach. W miejscach istniejcych danych, w warstwie
estymowanej pobiera si zmienne z istniejcych warstw i na ich podstawie okrela si funkcj
(model regresji), ktra pozwala obliczy dla kadego miejsca warstwy estymowanej nowe
wartoci na podstawie odpowiadajcych jej pod wzgldem lokalizacji zmiennych z warstw
znanych.

Rys. 8.1 Modelowanie regresyjne. Wartoci w warstwie Y s prognozowane za pomoc funkcji pozwalajcej je
obliczy na podstawie odpowiadajcych im wartoci w szeregu warstw. Funkcja wyznaczana jest z analizy
punktowych danych warstwy estymowanej i odpowiadajcym im wartoci z innych warstw.

Modele wskanikowe i regresyjne maj najczciej charakter modeli statycznych, co oznacza e

wartoci warstw modelu danych nie ulegaj zmianom w czasie. Modele, ktre uwzgldniaj
zmienno w czasie nosz nazw modeli dynamicznych i umoliwiaj symulacj procesw
zachodzcych w czasie. Przykadem takiego modelu jest model komrkowy, ktrego najbardziej
znanym i popularnym przykadem jest model game of live
(www.math.com/students/wonders/life/life.html). Innym czsto stosowanym w ekologi
i badaniach spoecznych typem modelu jest symulacja oparta na autonomicznych elementach
(agent-based model ABM). W modelu tym kady organizm (czowiek, rolina lub zwierz)
stanowi oddzielny element uczestniczcy w symulacji duych zbiorowisk. Istnieje wiele modeli
o charakterze numerycznym, symulujcych zjawiska i procesy fizyczne np. w atmosferze lub
hydrosferze, ktre istniej poza GIS. Tego typu modele mog by w rnym stopniu
integrowane z programami GIS, poczynajc od wymiany danych wejciowych i wyjciowych, a
po ich pen implementacj w GIS. Modele dziaajce w rodowisku GIS mog by modelami
deterministycznymi, czyli nie uwzgldnia niepewnoci, bd modelami stochastycznymi,
zakadajcymi, e analizowane zmienne s zmiennymi losowymi. Systemy GIS s wyposaone
w funkcje generujce zmienne losowe o rnych rozkadach, mog one by wykorzystywane
take w procesie kalibracji modeli.
8.1 Tworzenie modelu GIS
Jak wspomniano wczeniej, jedn z cech rnicych proces modelowania od analizy jest
istnienie zapisu modelu, czyli sekwencji realizowanych operacji. Dokonuje si tego zarwno
w trakcie jego tworzenia, jak i dokumentowania. Model moe by sekwencj bardzo wielu
operacji na rnych warstwach, przy czym jego przebieg moe by uzaleniony od rezultatw
otrzymywanych na poszczeglnych etapach. W efekcie moe mie on bardzo zoon struktur,
co wymaga pewnej formy zapisu. Istniejcy ju model moe peni rol pojedynczej operacji
w nowo tworzonym modelu jako tak zwany submodel. W modelach dynamicznych elementem
modelu s struktury iteracyjne, ktre polegaj na wielokrotnym powtarzaniu pewnych operacji,
w ktrych dane wyjciowe zrealizowanego kroku iteracyjnego uywane s w nastpnym kroku
jako dane wejciowe. Jak wida proces modelowania pod wzgldem swojej istoty jest zbliony
do programowania. Dostpne operacje lub submodele peni rol funkcji i procedur, a warstwy
modelu danych rol zmiennych. Podobnie jak w programowaniu, graficzn prezentacj
przebiegu modelowania moe by diagram blokowy ( flowchart). Przykad takiego diagramu dla
modelu obliczajcego rednie temperatury wody powierzchni jezior na podstawie zdjcia
satelitarnego zosta przedstawiony na Rysunku 8.2.

Rys. 8.2 Graficzna prezentacja modelu GIS wyznaczajcego redni temperatur powierzchni jezior pewnego
obszaru na podstawie zdjcia satelitarnego (kana podczerwony i kana z temperatura powierzchni Ziemi) oraz
wektorowej warstwy obrysu jezior.
Model ten wykorzystuje zdjcie temperatury powierzchni Ziemi do obliczenia redniej wartoci
temperatury powierzchni szeregu jezior, ktrych obrysy zawarte s w warstwie wektorowej.
Problem z wyznaczeniem tej wartoci powoduj tzw. piksele brzegowe, ktre lec czciowo
na wodzie i ldzie nie powinny by brane pod uwag. Aby je wyeliminowa wykorzystano
zdjcie wykonane w podczerwieni, na ktrym za pomoc reklasyfikacji mona atwo
wyodrbni piksele pooone cakowicie na wodzie. Korzystajc z tej moliwoci utworzono
mask ld-woda. Proces modelowania przebiega w nastpujcy sposb. Warstwa wektorowa
obrysw jezior jest rasteryzowana, przy czym komrkom rastra zostaj przypisane identyfikatory
poszczeglnych jezior. Warstwa ta jest mnoona przez mask ld-woda, aby wyeliminowa
komrki z pikselami brzegowymi. Nastpnie warstwa identyfikatorw jest traktowana jako
warstwa stref, dla ktrych oblicza si statystyki temperatury ze zdjcia temperatury. Statystyki
umieszczane s w tablicy, ktra jest wynikiem dziaania modelu. W trakcie pracy modelu
generowane s warstwy tymczasowe, potrzebne w kolejnych krokach, ale nie bdce jego
wynikiem. Podstawowym elementem budowy modelu GIS s transformacje zmiennych
(w postaci warstw wektorowych i rastrowych) oraz staych (np. w formie tablic). Transformacji
tych dokonuje si za pomoc procedur, funkcji lub submodeli. Ich wynikiem s nowe dane, ktre
mog podlega kolejnym transformacjom. (Rysunek 8.3).

Rys. 8.3 Transformacja danych i wartoci (argumentw) w wynikowe dane i wartoci jest podstawowym
elementem budowy modeli GIS.

Model tworzony jest jako sekwencja poczonych ze sob transformacji. Istotnym zagadnieniem
staje si zatem sposb ich czenia. Powinien on zapewni pen kontrol nad dziaaniem
modelu, czyli kolejnoci wykonywanych transformacji. Tak jak w programowaniu, gdzie
stosuje si instrukcje warunkowe i iteracyjne, podobne rozwizania s wprowadzane do zapisu
modeli. Sam zapis modelu moe powsta na kartce papieru. Aby zosta zrealizowany na
podstawie szkicu w konkretnym oprogramowaniu GIS naleaoby wykonywa funkcj po
funkcji. Jest to moliwe, ale pracochonne i nie daje moliwoci uczynienia z modelu nowej
zoonej procedury (submodelu), ktra mogaby by wykonywana dla zmieniajcych si danych
przez rnych uytkownikw. W rozwoju oprogramowania GIS i IP istnieje obecnie tendencja
do tworzenia graficznego interfejsu do budowania, testowania i wykonywania modeli GIS. Takie
rozwizania mona znale w takich programach jak ERDAS IMAGINE, IDRISI czy ArcGIS.
Interfejs ModelBuilder programu ArcGIS zosta przedstawiony w Ramce 8.1.

Ramka 8.1
ModelBuilder w ArcGIS

Interfejs graficzny ModelBuilder w programie ArcGIS umoliwia tworzenie modelu GIS, jego
testowanie, uruchamianie, tworzenie dokumentacji i zapisanie jako nowe narzdzie, ktre moe by
uruchomione po wprowadzeniu wymaganych parametrw.

Rys. 8.4 ModelBuilder graficzny interfejs sucy do tworzenia modeli GIS w programie ArcGIS.

Na Rysunku 8.4 przedstawiono interfejs (wiksze okno) z zaprojektowanym modelem GIS. Celem
modelu jest wykonanie filtracji zdjcia satelitarnego, wyznaczenie stref za pomoc reklasyfikacji i
obliczenie statystyk z wartoci zdjcia w kadej ze stref. Parametrami modelu s nazwa zdjcia, nazwa
tablicy wynikowej i parametry filtracji. Tworzenie modelu przebiega w nastpujcy sposb. Testowe
zdjcie lands3 zostaje przecignite do obszaru roboczego interfejsu, gdzie zostaje umieszczone w formie
elipsy. Nastpnie przecignite zostaj potrzebne narzdzia suce do filtracji, reklasyfikacji i statystyki
strefowej. Kade z nich zostaje umieszczone na obszarze roboczym w formie prostokta z symbolem
narzdzia wraz z doczon strzak elips danych wynikowych. Dane wejciowe (zdjcie) i poszczeglne
pary (narzdzie i dane wynikowe) zostaj ze sob poczone w diagram blokowy za pomoc narzdzia
czenia (aktywowanego przedostatni ikonk). Ze wzgldu na to, e zdjcie jest argumentem dwch
narzdzi, wprowadzony zosta warunek wstpny, e operacja Statystyki strefowej moe by wykonana
dopiero, gdy utworzona zostanie warstwa stref (oznacza to druga przerywana strzaka). Rozstrzyga to
problem, w jaki sposb (za ktr strzaka od zdjcia lands3) ma przebiega praca modelu. Rezultatem
operacji jest tabela wynikowa, ktra wraz ze zdjciem zostay okreslone jako parametry (litera P).
Rozmiar filtra, bdcy parametrem procedury filtracji, zosta okrelony jako zmienna w modelu
i dodatkowo jako parametr. Zapisany model tworzy nowe narzdzie w ArcGIS. Jego uruchomienie
powoduje pojawienie si okna (mniejsze okno na Rysunku 8.4), w ktrym po wpisaniu parametrw:
nazwy dowolnego zdjcia, nazwy tablicy wynikowej i metod filtracji mona nacisn przycisk OK, aby
wykona model. Od wersji ArcGIS 9.2 ModelBuilder umoliwia modelowanie dynamiczne dziki
wprowadzeniu szeregu moliwoci przebiegu procesu modelowania. Wprowadzono warunkow
i bezwarunkow iteracj, pozwalajc na tworzenie ptli w modelu, ktra wykonywana jest bd do
momentu osignicia przez pewn warto prawdy, bd okrelon liczb razy. Do modelu jako dane
wejciowe mog by wprowadzane listy i serie danych. W przypadku listy poszczeglne procedury
modelu s realizowane dla kadego elementu listy, natomiast w przypadku serii danych dla kadego
elementu realizowany jest cay model GIS. Oprcz instrukcji iteracyjnych wprowadzone zostay take
instrukcje warunkowe oraz moliwo tworzenia wizualizacji modelowanych symulacji.

Podobnie jak w procesie programowania, budowa modelu jest procesem twrczym

i kompleksowym, z trudem poddajcym si prostemu schematowi zasad jego tworzenia.
Niemniej podstawowym warunkiem sukcesu jest ju na samym pocztku dokadne
zdefiniowanie celu modelu oraz postaci rezultatw (warstwy lub wartoci, wzgldnie serii
warstw przy procesie symulacji). Kolejnym krokiem powinno by utworzenie spisu wszystkich
warstw i zmiennych, ktre mog by rozwaane jako dane wejciowe do modelu. Sam proces
konstrukcji modelu czsto prowadzony jest wstecz od danych wynikowych do wejciowych.
Pocztkowe prace koncepcyjne mog polega na szkicowaniu oglnego schematu modelu. Na
tym etapie bardziej zoone czci modelu mog by traktowane jako submodele, ktre bd
potem rozpracowywane oddzielnie.
Graficzny interfejs nie jest jedynym sposobem tworzenia modeli w GIS. Wikszo
systemw posiada moliwoci tworzenia ich w skryptach lub jzykach programowania (np.
Python, VBA w ArcGIS). Tworzenie modelu nie rni si wtedy od pisania programu, korzysta
tylko ze specyficznych funkcji i procedur danego systemu.
8.2 Modelowanie wskanikowe (indicator modeling)
GIS od powstania by czsto postrzegany jako narzdzie suce do wspomagania decyzji
zwizanych z zarzdzaniem rodowiskiem przyrodniczym. Decyzje te wymagaj brania pod
uwag bardzo wielu powizanych ze sob czynnikw z jednoczesnym uwzgldnieniem ich
aspektw przestrzennych. Pojcia przydatnoci (suitability) danego obszaru do realizacji
okrelonego zamierzenia lub wraliwoci (vulnerability) na zagroenia s powszechnie uywane
w zarzdzaniu rodowiskiem przyrodniczym. Praktyka wykazaa, e mapy przydatnoci i
wraliwoci mog w znaczcy sposb poprawia jako podejmowanych decyzji. S one te
powszechnie wykonywane za pomoc GIS. Mapy te przedstawiaj najczciej za pomoc
bezwymiarowej miary stopie zgodnoci z pewnymi zaoonymi warunkami lub wymogami.
Najprostszym rodzajem miar s miary binarne, dzielce powierzchni mapy na obszary
przydatne i nieprzydatne lub na wraliwe i niewraliwe. Typowym i prostym przykadem
projektu wykorzystujcego t metod jest model ochrony wd podziemnych w rodowisku
krasowym, ktry wraz z danymi przykadowymi mona znale pod adresem
(www.esri.com/news/arcuser/0704/files/modelbuilder.pdf). Ze wzgldu na to, e
zidentyfikowanym zagroeniem wd podziemnych obszaru chronionego s substancje
chemiczne uywane w rolnictwie postanowiono utworzy map miejsc bdcych potencjalnym
rdem tych zanieczyszcze. Miejsca te zostay zdefiniowane jako obszary wykorzystywane
rolniczo, lece na stokach w pobliu rzek i strumieni na obszarze zlewni, z ktrej woda jest
odprowadzana do obszaru chronionego. Zmodyfikowany schemat modelu zosta przedstawiony
na Rysunku 8.5.

Rys. 8.5 Schemat modelu wyznaczajcego obszary odpowiedzialne za zanieczyszczenie wd podziemnych.

Prostoktami zaznaczono warstwy danych (pogrubiony obrys dla danych wejciowych i wyniku). Kwadraty
oznaczaj funkcje i procedury (funkcje rastrowe oznaczono na szaro).

Z lewej strony modelu umieszczono dane wejciowe. Ze wzgldu na to, e DEM potrzebny jest
do wyznaczenia stokw, cz modelu bya realizowana w modelu rastrowym (grna linia), po
czym warstwa rastrowa stokw wikszych ni 5 stopni zostaa zwektoryzowana. Kierunek
dziaania modelu (strzaki) zosta zaznaczony tylko w najbardziej istotnych miejscach. Bufor
rzek zosta przycity wielobokiem zlewni, dziki czemu jego naoenie (intersect) ze stokami
i obszarami rolniczymi dao podany rezultat, eliminujc nieistotne obszary. Przedstawiony
model ma charakter zero-jedynkowy. Stok o nachyleniu 5.01 jest uwaany za istotny pod
wzgldem zagroenia, a majcy nachylenie 5 bezpieczny. Podobnie nie rozrnia si obszarw
o nachyleniu 5.1 lecych 200 m od rzeki, od majcych nachylenie 10 stopni w odlegoci 30
metrw od rzeki. Na wynikowej mapie wszystkie obszary traktowane s tak, jakby stwarzay
identyczne zagroenie. Wicej informacji dostarczaj mapy indykatorowe opisujce stopie
zagroenia, wraliwoci lub przydatnoci za pomoc rang (skali porzdkowej). Modyfikacja
modelu nadajca obszarom stwarzajcym zagroenie rangi w skali od 2 do 6 zostaa
przedstawiona na Rysunku 8.6.

Rys. 8.6 Schemat modelu wyznaczajcego obszary odpowiedzialne za zanieczyszczenie wd podziemnych ze

wskanikiem rangowym (od 2 do 6). Prostoktami zaznaczono warstwy danych (pogrubiony obrys dla danych
wejciowych i wyniku). Kwadraty oznaczaj funkcje i procedury (funkcje rastrowe oznaczono na szaro).

W porwnaniu z poprzednim modelem duo wiksz rol odgrywa modelowanie rastrowe, cho
istnieje take moliwo zrealizowania tego modelu korzystajc wycznie z funkcji
wektorowych. W praktyce istnieje najczciej wiele moliwoci zaprojektowania modelu
realizujcego dane zadanie. Kryteriami przydatnymi do oceny poszczeglnych wersji moe by
ich prostota, uniwersalno i moliwo rozbudowy. W modyfikowanym modelu rastrowe mapy
nachylenia i odlegoci do rzek zostay zreklasyfikowane do trzech klas (nieprzynalenym do
tych klas komrkom przypisano warto NoData). Klasa o numerze 3 odpowiada randze
najwikszego zagroenia, a klasa o numerze 1 najmniejszego. Obszary rolnicze na mapie
rastrowej maj warto 0. Obszar zlewni take przyjmuje warto zero, a obszary poza zlewni
maj warto NoData. Dodanie tych czterech map daje sumy 2, 3, 4, 5 lub 6, odpowiadajce
stopniowi zagroenia powodowanego przez poszczeglne podobszary. Kolejnym moliwym
rozwizaniem przy tworzeniu modeli wskanikowych jest stosowanie wskanikw, bdcych
liczbami rzeczywistymi, opisujcymi podatno, wraliwo lub zagroenie w skali cigej.
Metoda ta najczciej skaluje kady z czynnikw przypisujc do niego indeks o wartociach od 0
do 1 (albo od 0 do 100 lub 255), a nastpnie oblicza redni waon ze wszystkich czynnikw.
Wagi dla poszczeglnych czynnikw s okrelane na podstawie ich roli w analizowanym
procesie. Zmodyfikowan wersj analizowanego modelu dla wskanikw rzeczywistych
przedstawiono na Rysunku 8.7.

Rys. 8.7 Schemat modelu wyznaczajcego obszary odpowiedzialne za zanieczyszczenie wd podziemnych ze

wskanikiem rzeczywistym (od 0 do 1.0). Prostoktami zaznaczono warstwy danych (pogrubiony obrys dla danych
wejciowych i wyniku). Kwadraty oznaczaj funkcje i procedury (funkcje rastrowe oznaczono na szaro).

Zaoono, e nachylenie na analizowanym obszarze nie jest wiksze od 30 stopni, a mapa

dystansu bya wyznaczana tylko do 300 metrw od rzek. W rezultacie powstaa mapa
przypisujca obszarom stanowicym potencjalne zagroenie wartoci cige od 0 do 1. Wagi
mog by potraktowane jako parametry modelu, co umoliwi atwe porwnanie rezultatw przy
ich rnych wartociach.
8.3 Modelowanie przestrzenne (spatial modeling)
Modelowanie procesw fizycznych, ale take biologicznych jest istotnym elementem nauk
przyrodniczych. Zalenoci pomidzy zmiennymi mog by przedstawiane za pomoc wyrae
matematycznych, wynikajcych z praw fizyki lub wyprowadzonych empirycznie. Jeeli
w danym procesie znaczc rol odgrywa aspekt przestrzenny, to GIS moe by waciwym
miejscem do budowy i wykorzystywania takiego modelu. Wikszo modeli GIS, ktre powstay
do tej pory, ma charakter statyczny. Jednak w ostatnich latach, ze wzgldu na rozwj narzdzi do
modelowania dynamicznego oraz na stay wzrost prdkoci przetwarzania danych w systemach
komputerowych, istnieje wyrana tendencja do tworzenia w GIS modeli symulacyjnych
(dynamicznych). Najwiksz grup wrd modeli, ktre powstay do tej pory, stanowi analizy
procesw, w ktrych zmiennymi s uksztatowanie terenu (DEM), pokrycie terenu oraz sie
wodna. Implementacja tych modeli w GIS wynikaa przede wszystkim z istnienia w systemie
gotowych narzdzi analitycznych przydatnych do budowy modelu. Przykadami takich modeli
mog by empiryczny model erozji gleb USLE [patrz podroz. 6.4.3], w ktrym wspczynnik
zdolnoci transportowej osadu zaley od nachylenia stoku, lub modelowanie promieniowania
sonecznego dochodzcego do powierzchni Ziemi. Ilo promieniowania sonecznego, ktra
dociera do danego miejsca powierzchni terenu zaley nie tylko od jego nachylenia i ekspozycji,
co w atwy sposb moe by obliczone z warstwy DEM, ale take zacienienia topograficznego
[patrz podroz. 6.4.4], ktre ma charakter globalnej funkcji przestrzennej.
Jako przykad prostego statycznego modelu przestrzennego wykorzystujcego prawa fizyki
moe posuy model GIS, okrelajcy roczny dopyw promieniowania sonecznego do dna
zbiornika. Sumaryczny dopyw promieniowania sonecznego (a cilej fotosyntetycznie
aktywnej radiacji PAR bdcej jego czci) do powierzchni zbiornika moe by okrelony dla
poszczeglnych miesicy w kWh/m2. Owietlenie na poziomie dna jest uzalenione od
gbokoci i wspczynnika osabiania owietlenia i moe by obliczona za pomoc wyraenia:
cz
I z Ie
0 (8.1)

gdzie: Iz owietlenie na gbokoci z,

I0 owietlenie na powierzchni,
c dyfuzyjny wspczynnik osabiania owietlenia odgrnego
(uredniony w kolumnie wody).
Zarwno gboko, jak i wspczynnik osabiania wiata s zmiennymi o charakterze
przestrzennym, przezroczysto wody zmienia si ponadto sezonowo. W badanym akwenie
wydzielono trzy sezony: zimowy, wiosenny i letni dla ktrych wykonano mapy przecitnego
rozkadu wspczynnika osabiania. Obliczono, e w okresach tych do powierzchni zbiornika
dociera odpowiednio:
sezon zimowy (od padziernika do lutego) 55.7 kWh / m2,
sezon wiosenny (od marca do maja) 154.9 kWh / m2,
sezon letni (od czerwca do wrzenia) 244.1 kWh / m2.
Dodatkow komplikacj powoduje zlodzenie, ktre pokrywa cz zbiornika w okresie
zimowym i cakowicie odcina wtedy dopyw wiata Dla uwzgldnienia tego czynnika
w modelowaniu utworzono map prawdopodobiestwa wystpowania lodu w sezonie zimowym.
Na mapie tej warto 1.0 oznacza, e przez ca zim w danym miejscu wystpuje ld, a 0.1 e
ld wystpuje przez 10% dni zimowych. Model, ktrego celem byo stworzenie mapy rocznego
dopywu wiata do dna zosta przedstawiony na Rysunku 8.

Rys. 8.8 Model tworzenia mapy rocznego dopywu promieniowania do dna uwzgldniajcy istnienie lodu w zimie
i trzech sezonw przeroczystoci wody, charakteryzowanych rnym przestrzennym rozkadem wspczynnikw
osabiania wiata.

Ma on bardzo prost struktur i polega na wykonaniu algorytmu bdcego sum trzech wyrae,
obliczajcych ilo promieniowania docierajcego do kadej komrki rastra w danym sezonie za
pomoc przedstawionego powyej fizycznego wzoru. Dodatkowo dla sezonu zimowego
uwzgldnia si wag odpowiadajc proporcji dni bez lodu. Tego typu prosty model moe
posuy do odpowiedzi na pytanie, o ile zmieni si ilo wiata docierajca do dennego
habitatu (np. ki podwodnej) o okrelonych rozmiarach przestrzennych, jeli w sezonie letnim
wspczynnik osabiania wiata wzronie o 10%, albo pokrywa lodowa bdzie trwaa dwa razy
duej.
Istnieje szereg procesw, ktre ze wzgldu na swj przestrzenny charakter,
kompleksowo i rodzaj danych trudno jest modelowa poza systemami GIS. Jednym z nich jest
modelowanie dopywu zanieczyszcze ze rde nie-punktowych (rozproszonych). Dotyczy to
gwnie substancji odywczych (zwizkw azotu lub fosforu), zawiesiny oraz zanieczyszcze
bakteryjnych, ktre dostaj si do zbiornikw wodnych wraz ze spywajc po terenie wod
pochodzenia deszczowego i s czsto gwn przyczyn eutrofizacji oraz zanieczyszczenia wd
w rejonie kpielisk. Modelowanie tego procesu oraz analiza przestrzenna rezultatw
w rodowisku GIS moe pozwoli na identyfikacj obszarw, w ktrych powinny zosta podjte
kroki dla poprawy sytuacji lub poznanie przyszych skutkw ewentualnych zmian w rodowisku.
Do modelowania dopywu ze rde nie-punktowych wykorzystuje si przestrzenny rozkad
opadw, pokrycie terenu, model sieci rzecznej i dostpne informacje statystyczne np. o liczbie
hodowanych zwierzt (Gibson C, 2005). Poniej na Rysunku 8.9 przedstawiono ideowy schemat
modelu GIS zanieczyszczenia bakteryjnego zatoki morskiej.

Rys. 8.9 Ideowy schemat modelu GIS zanieczyszczenia bakteryjnego zatoki morskiej (na podstawie Gibson C.,
2005, zmodyfikowane).

Przedstawiony schemat nie zawiera informacji o uytych funkcjach, peni tylko rol planu
modelu dla zilustrowania jego wewntrznej logiki i zaplanowania potrzebnych submodeli.
Celem modelu jest mapa redniej koncentracji bakterii w zatoce. Ze wzgldu na to, e tego typu
informacja moe by otrzymana z pomiarw, daje ona moliwo kalibracji modelu. W modelu
wykorzystuje si zarwno rda punktowe, jak i nie-punktowe bakterii na obszarze zlewiska
danego akwenu. rda punktowe zestawione s dla poszczeglnych gmin i dotycz: liczby
zwierzt hodowlanych, oczyszczalni ciekw, nieszczelnych instalacji sanitarnych, kolonii
ptakw itp.. Kademu rdu punktowemu (np. krowie) przypisana jest liczba bakterii
wytworzona w cigu roku. Zostaj one zsumowane i przypisane danej gminie jako sumaryczna
liczba bakterii ze rde punktowych wytworzona na jej obszarze. Ich liczb w kadej zlewni
mona obliczy stosujc metody przypisania atrybutw jednej warstwy poligonw drugiej, na
podstawie ich relacji przestrzennych. Liczba bakterii ze rde nie-punktowych jest przypisana
do rnych rodzajw pokrycia terenu i wyraona jako stenie bakterii w jednostce spywajcej
po niej wody. Ilo spywajcej po terenie wody jest funkcj rodzaju pokrycia terenu i wielkoci
opadu. Wykorzystujc map spywajcej po terenie wody i stenie zawartych w niej bakterii,
mona okreli liczb bakterii ze rde nie-punktowych spywajc rocznie z kadej zlewni. Po
dodaniu rde punktowych otrzymujemy sumaryczne liczby bakterii dostarczanych przez
poszczeglne zlewnie. Stenie bakterii spywajcych rzekami w kierunku zatoki ulega zmianom
w czasie w rezultacie ich miertelnoci. W celu modelowania tego zjawiska dzieli si zlewnie na
takie, z ktrych nastpuje bezporedni spyw do zatoki i takie, z ktrych woda odprowadzana
jest sieci rzeczn. Z sieci rzecznej wyznacza si punkty ujciowe zlewni, do ktrych przypisuje
si liczb bakterii w zlewni, pomniejszon o cz wynikajc ze redniego czasu dotarcia do
tych punktw, tworzc map odpywu bakterii ze zlewni. Analizujc przepyw bakterii w sieci
rzecznej i zwizan z tym ich miertelno okrela si ostateczny dopyw bakterii do zatoki,
ktry nastpnie moe zosta przeliczony na warto ich stenia.
Wanym elementem tworzenia modelu jest jego kalibracja i badanie stabilnoci. Kalibracja
polega na porwnaniu modelowanych rezultatw z prawdziwymi i takiej zmianie parametrw
modelu, aby zapewni jak najwiksz zgodno wynikw z rzeczywistoci. Stabilno modelu
polega natomiast na tym, aby niewielkie zmiany w danych lub parametrach nie powodoway
duych zmian w wynikach modelu. Przy badaniu stabilnoci stosuje si czsto metod Monte
Carlo, polegajc na generowaniu losowych map bdw i dodawaniu ich do map wejciowych
modelu. Realizacja modelowania generuje map wynikow obarczon bdami powstaymi
w rezultacie propagacji w modelu bdw jakimi s obarczone dane wejciowe. Powtrzenie tej
czynnoci szereg razy daje moliwo generacji redniej mapy bdw rezultatw, a na jej
podstawie oceny czy wprowadzane bdy w znaczcy sposb zmieniaj wyniki modelowania.
8.4 Modelowanie regresyjne (regression modeling)
 Modelowanie regresyjne (Rysunek 8.10) wykorzystuje do tworzenia nowych warstw
przedstawione matematycznie zalenoci pomidzy zmiennymi (warstwami). Przykadowo
posiadajc warstwy opisujce rodowisko przyrodnicze (zmienne niezalene) i stwierdzone
miejsca wystpowania danego gatunku (zmienna zalena) poszukuje si zalenoci, ktra za
pomoc wyraenia matematycznego pozwoli na obliczenie prawdopodobiestwa wystpowania
danego gatunku w miejscu, dla ktrego znamy wycznie zmienne niezalene.

Rys. 8.10 Modelowanie regresyjne polega na obliczeniu wartoci komrek warstwy nieznanej (zmiennej
niezalenej) na podstawie warstw znnanych (zmienne zalene X1 i X2) korzystajc z statystycznej zalenoci
w postaci rwnania regresji, otrzymanego z ograniczonego zbioru zmiennych zalenych i odpowiadajcych im
zmiennych niezalenych.

W podrozdziale [patrz podroz. 2.4] opisano szereg prac badawczych wykorzystujcych

rne, gwnie statystyczne metody wyznaczania rwna regresji. Ich nawet najbardziej oglny
opis wykracza poza ramy tej ksizki. Rwnania te s wyznaczane poza systemem GIS
w programach statystycznych. Jednym z systemw zyskujcych coraz wiksze uznanie wrd
badaczy korzystajcych z GIS jest R, o ktrym krtka informacja zostaa przedstawiona
w Ramce 8.2

Ramka 8.2
R program naukowy do analizy danych

http://cran.r-project.org/
(6.2007)

R (tworzony przez R Core Development Team) jest darmowym systemem bdcym dialektem jzyka S,
powstaym w AT&T Bell Laboratorium, sucym do naukowej i statystycznej analizy danych oraz
graficznej wizualizacji jej wynikw. R powsta jako narzdzie dla badaczy, ktre w naturalny sposb jest
przez to rodowisko cigle rozwijane dziki moliwoci swobodnego dodawania pakietw z funkcjami
wykorzystujcymi nowe metody analizy danych. Stworzone zostay miedzy innymi pakiety do wymiany
danych z systemami GIS i realizujce nowe metody analizy danych przestrzennych. Dostpne s
specjalne pakiety funkcji do analizy statystycznej danych ekstremalnych lub danych klimatycznych. R
jest programem, w ktrym pracuje si podajc odpowiednie komendy (Rys. 8.10). Tworzone s jednak
take graficzne interfejsy uatwiajce znacznie prac z programem, przykadowo interfejsy takie istniej
do podstawowej analizy statystycznej (Rcommander) i do analizy danych ekstremalnych. Program
zawiera szereg metod wyznaczania rwna regresji dla rnego rodzaju danych: regresj liniow, regresj
liniowa wielu zmiennych, regresj wielomianow, logistic regresj jednej i wielu zmiennych oraz tree-
based regresj. Metody analizy regresji za pomoc R zostay opisane w ksice (Maindonald, Braun,
2003).

Rys. 8.11 Interfejs graficzny programu R. Przedstawiono realizacj wyznaczania regresji liniowej (funkcja lm)
pomidzy zmierzonymi wartociami gbokoci wody (depth zmienna zalena) a wartociami pikseli na zdjciu
satelitarnym (gr_mean zmienna niezalena) .

9. MODELOWANIE GEOSTATYSTYCZNE ROZMIESZCZENIA W PRZESTRZENI

W badaniach przyrodniczych bardzo czsto mamy do czynienia z analiz zmiennych

o cigym charakterze, czyli takich, ktre przyjmuj wartoci w kadym miejscu interesujcej
nas przestrzeni. Najczciej ma ona charakter dwuwymiarowy zwizany z powierzchni Ziemi,
ale moe by take trjwymiarowa, opisujca jej wntrze, atmosfer lub mas wd. Badane
zmienne mog mie charakter danych ilociowych (np. zasolenie powierzchni wody, stenie
zwizkw oowiu w glebie, wielko opadu deszczu, prdko wiatru lub liczba osobnikw
danego gatunku na jednostk powierzchni) lub jakociowych (np. rodzaj gleby lub
wystpowanie/brak danego gatunku). Do analizy tego typu zmiennych uywa si zwykle
w rodowisku GIS rastrowego modelu danych. Warstwy rastrowe tworzone s czsto
z pomiarw punktowych. Powstaje wtedy problem okrelenia wartoci zmiennych w tych
miejscach obszaru bada, ktre nie byy prbkowane. Proces ten jest okrelany bardziej oglnie
jako estymacja (szacowanie) zmiennej, lub cilej jako interpolacja. Zagadnienie interpolacji
dotyczy zatem estymacji badanej zmiennej na podstawie znanych wartoci tej zmiennej w jej
otoczeniu. Proces ten moemy rozszerzy uwzgldniajc dodatkowo posiadane przez nas w jej
otoczeniu inne dane, ktre wykazuj skorelowanie z badan zmienna. Istnieje szereg metod
interpolacji, ktre generalnie mog by podzielone na dwie grupy: deterministyczne
i geostatystyczne. Niektre metody deterministyczne zostay opisane w podroz. 5.6.
Metody geostatystyczne oparte s na modelach statystycznych i ich charakterystyczn
cech jest moliwo oceny bdu prowadzonej estymacji. Daj one take szereg moliwoci
niedostpnych w metodach deterministycznych, tj: (1) ocen prawdopodobiestwa wystpienia
w danym miejscu wartoci mniejszych lub wikszych od zadanej wartoci progowej; (2)
tworzenie map wartoci progowych dla danego prawdopodobiestwa; (3) uwzgldnianie
w procesie interpolacji innych zmiennych; (4) analiz przestrzennej zmiennoci zmiennej lub
zmiennych. Za pomoc tych metod mona nie tylko tworzy mapy estymowanych wartoci
rednich (najbardziej prawdopodobnych), ktre w porwnaniu z rzeczywistoci charakteryzuj
si znacznym wygadzeniem i nie oddaj istniejcej zmiennoci przestrzennej, ale take
przeprowadza symulacje pozwalajce na obrazowanie tej zmiennoci.
Proces geostatystycznej interpolacji danych przyrodniczych wykorzystuje przestrzenne
skorelowanie danych, ktre najoglniej mona zdefiniowa jako tendencj wzrostu
zrnicowania wraz ze wzrostem odlegoci pomidzy nimi. Na Rysunku 9.1a przedstawiono
pole temperatury powierzchni morza otrzymane z danych satelitarnych (wielko piksela wynosi
1 x 1 km).
Rys. 9.1 Przestrzenny rozkad danych: a powierzchnia geostatystyczna (rozkad temperatury powierzchni morza
zarejestrowany przez satelit jest rezultatem dziaania praw fizyki); b powierzchnia statystyczna (zawierajca
piksele o tych samych wartociach co mapa obok) wygenerowana za pomoc procesu losowego (a dokadniej
pseudolosowego, bo obliczenia komputerowe nie maj charakteru losowego).

Obok (Rysunek 9.1b) pokazano jak wygldaaby ta sytuacja, gdyby przestrzenny rozkad
temperatury by wycznie rezultatem procesu losowego. W punkcie, w ktrym nie wykonano
pomiaru, mogaby wtedy wystpi kada warto z prawdopodobiestwem zdefiniowanym przez
rozkad zmiennej (na Rysunku 9.1b maj one rozkad normalny). Rzeczywisty obraz rozkadu
przestrzennego (Rysunek 9.1a) nie ma charakteru losowego, a jest rezultatem szeregu
powizanych ze sob i dziaajcych w rnych skalach procesw fizycznych. Wynikaj one z
praw fizyki i maj charakter deterministyczny, ale rezultat ich dziaania jest na tyle zoony, e
nie potrafimy go matematycznie wiernie opisa. Potrafimy jednak wykorzysta w procesie
estymacji wewntrzne przestrzenne skorelowanie danych i istnienie w ich rozkadzie struktur
przestrzennych, ktre powstay w wyniku dziaania tych praw. Ze wzgldu na zoono tych pl
do ich opisu stosuje si model czcy losowo z istnieniem wewntrznych struktur. Dane
posiadajce taki charakter, zwane za twrc wspczesnej geostatystyki G. Matheronem
zmiennymi zregionalizowanymi (regionalized variables), s przedmiotem bada geostatystyki, a
tworzone przez nie powierzchnie s nazywane powierzchniami geostatystycznymi.
Analiza geostatystyczna jest zwykle prowadzona w trzech etapach: (1) eksploracyjnej
analizy danych, (2) analizy strukturalnej i modelowania wariogramu oraz (3) przeprowadzenia
waciwej estymacji lub symulacji. Eksploracyjna analiza danych jest niezbdnym wstpnym
etapem, ktrego celem jest poznanie danych i przygotowanie si do dalszej ich analizy.
Szczeglnie wanymi zagadnieniami w jej trakcie jest: (1) zbadanie czy wrd posiadanych
przez nas danych nie istniej takie, ktrych wartoci znaczco rni si od pozostaych, (2)
okrelenie istnienia trendu w danych oraz (3) poznanie ich rozkadu statystycznego. Dane
rnice si mog by (po sprawdzeniu) odrzucone lub zaakceptowane. Istniejcy trend, czyli
regularna przestrzenna tendencja zmian wartoci danych, moe by odjty przed rozpoczciem
analizy geostatystycznej, a nastpnie po jej zakoczeniu dodany do jej rezultatw. W ten sposb
nie bdzie on mia negatywnego wpywu na sam proces analizy. Rozkad statystyczny danych
jest istotn wskazwk co do oceny moliwoci zastosowania i efektywnoci dziaania
niektrych metod geostatystycznych, ktre wymagaj rozkadu normalnego lub zblionego do
niego. Dane o rozkadach odbiegajcych mog by poddane transformacji do wymaganego
rozkadu.
Analiza strukturalna suy do badania zalenoci przestrzennych (spatial dependence)
danych, czyli ich wzajemnego skorelowania oraz istnienia w ich rozkadzie struktur
przestrzennych. Podstawowym narzdziem sucym do tej analizy jest wariogram, jest to
funkcja opisujca stopie zrnicowania danych w zalenoci od odlegoci midzy nimi. W
trakcie tej analizy bada si struktur przestrzenn danych (spatial structure), czyli okrela si,
jak daleko i w jakim kierunku s od siebie zalene, oraz rodzaj procesw tworzcych t
zaleno. Z etapem tym zwizane jest modelowanie wariogramu za pomoc funkcji
matematycznych, ktre s wykorzystywane w ostatnim etapie analizy, czyli prowadzeniu
estymacji lub symulacji.
Podstawow metod estymacji geostatystycznej jest kriging (nazwa ta pochodzi od jednego
z pionierw zastosowania statystyki w estymacji wielkoci z, poudniowoafrykaskiego
inyniera grnictwa D.G. Krige). Istnieje kilka rodzajw krigingu, z ktrych najczciej
stosowanym jest kriging zwyczajny (ordinary kriging). Estymacja moe by wykonywana w
punktach rodkowych komrek mapy rastrowej (kriging punktowy) lub jako rednia warto dla
caej powierzchni komrki (kriging blokowy). Najczciej do estymacji wartoci w danym
miejscu wykorzystuje si tylko punkty pomiarowe w pewnym jego otoczeniu (ten rodzaj
podejcia nazywa si lokalnym, w przeciwiestwie do globalnego, wykorzystujcego wszystkie
punkty pomiarowe). Estymacja lub interpolacja geostatystyczna generuje mapy wartoci
najbardziej prawdopodobnych dla danej komrki. Z tego wzgldu przestrzenny obraz
charakteryzuje si znacznym wygadzeniem w porwnaniu z rzeczywistoci. Mapom
estymowanych wartoci najczciej towarzysz mapy bdu standardowego estymacji, ktre
pozwalaj na ocen dokadnoci estymacji w rnych miejscach. Dokonuje si take caociowej
oceny bdw estymacji za pomoc metod walidacji i crosswalidacji. Jeeli uzasadnione jest
zaoenie o normalnym rozkadzie wartoci w otoczeniu miejsca estymacji, mona oszacowa
(na podstawie wartoci estymowanej i bdu standardowego) prawdopodobiestwo wystpienia
wartoci wikszych lub mniejszych od wartoci progowej albo wielkoci wartoci progowych
dla zadanego prawdopodobiestwa. Osobn grup metod s metody geostatystyki
wielowymiarowej (kokrigingu), pozwalajce na wykorzystanie pomiarw innych zmiennych
(tzw. zmiennych pomocniczych). W przypadku danych jakociowych stosuje si metody
indykatorowe. Polegaj one na zamianie danych jakociowych na dane binarne zawierajce zero-
jedynkow informacj o wystpowaniu danej klasy (1- obiekty danej klasy wystpuj, 0 brak
wystpowania danej klasy). Dla tego typu danych wykonuje si wariogramy, a nastpnie
przeprowadza si kriging indykatorowy, ktry tworzy mapy prawdopodobiestwa wystpowania
danej klasy. Jeeli w rnych miejscach obszaru bada zmienno musi by opisywana innym
modelem mona zastosowa kriging stratyfikiwany, ktry dzieli obszar bada na strefy,
w ktrych obowizuj inne modele zmiennoci.

Rys. 9.2 Modelowanie rozmieszczenia w przestrzeni za pomoc metod geostatystycznych: a

rzeczywista powierzchnia; b pomiary punktowe; c estymacja za pomoc krigingu; d symulacja.
Metody geostatystyczne umoliwiaj take prowadzenie symulacji rozkadu przestrzennego.
W jej trakcie tworzone s mapy, ktre w przeciwiestwie do map otrzymywanych z estymacji
opisujcych redni z wielu moliwych rozkadw przestrzennych, przedstawiaj jeden z tych
rozkadw. Na Rysunku 9.2 przedstawiono rnic pomidzy mapami otrzymanymi za pomoc
estymacji i symulacji. Pole rzeczywiste (Rys.9a) zostao oprbkowane (Rys.9b). Wykorzystujc
pomiary przeprowadzono estymacj metod krigingu (Rys. 9c) oraz symulacj (Rys. 9 d).
Zaznacza si wyrana rnica w podobiestwie rezultatw estymacji i symulacji z polem
rzeczywistym.
9.1 Eksploracyjna analiza danych
Szczegowa analiza danych, noszca w literaturze nazw eksploracyjnej analizy danych
przestrzennych (ESDA Exploratory Spatial Data Analysis), jest niezbdnym pierwszym
krokiem w procesie modelowania geostatystycznego. Dotyczy ona danych punktowych,
z ktrych bdzie tworzona estymowana lub symulowana powierzchnia. Dane te zawieraj
wsprzdne punktw oraz mog zawiera jedn lub wicej zmiennych (univariate lub
multivariate data). Rozmieszczenie punktw w przestrzeni ma istotne znaczenie dla analizy
geostatystycznej.

Rys. 9.3 Zagadnienia eksploracyjnej analizy danych: a rwnomierne rozmieszczenie danych; b

rnorodna odlego pomidzy danymi (istnienie punktw lecych blisko siebie); c obszary
ekstrapolacji; d analiza rozkadu danych i wartoci odbiegajcych od przecitnych; e badanie zwizku
zmiennych ze zmiennymi innych warstw.
Punkty powinny w miar rwnomiernie pokrywa ca powierzchni bada, bez pozostawiania
obszarw o bardzo maej gstoci pomiarw (Rysunek 9.3a) . Jednoczenie odlegoci pomidzy
punktami powinny by zrnicowane. Przy rwnomiernym rozmieszczeniu punktw, gdy
znajduj si one w porwnywalnej odlegoci, naley doda kilka punktw lecych znacznie
bliej od innych ni pozostae. Umoliwi to ocen zmiennoci pomidzy danymi przy maych
odlegociach (Rys. 9.3b). Waciwa liczba punktw pomiarowych jest trudna do okrelenia
i zaley od rodzaju projektu. Z reguy w wikszoci analiz geostatystycznych jest ona wiksza od
50, praktycznie zbiory danych o mniej ni 2030 punktach nie nadaj si do stosowania
omawianych metod, ze wzgldu na trudnoci z analiz przestrzennej zmiennoci. Na obszarach
znajdujcych si poza obrysem punktw (Rys. 9.3c) estymacja prowadzona jest na podstawie
punktw zlokalizowanych tylko z jednej strony. Tego typu estymacja nosi nazw ekstrapolacji
i najczciej towarzysz jej znaczne bdy.
Pierwszym krokiem analizy danych jest znalezienie punktw pomiarowych, w ktrych
wartoci rni si ekstremalnie od redniej (outliers). Cecha ta moe mie charakter globalny i
dotyczy caego obszaru, lub lokalny i dotyczy tylko okrelonego rejonu. Globalne (dla caego
zbioru danych) maksima i minima mog by w prosty sposb znalezione z histogramw.
Szczeglnie przydatne s interaktywne narzdzia pozwalajce na utworzenie dynamicznego
poczenia pomidzy histogramem a map (Rys. 9.3d). Zaznaczenie na histogramie supka z
najmniejszymi wartociami powoduje rwnoczesne podwietlenie na mapie punktw, w ktrych
zmierzone wartoci znajduj si w tym przedziale (czarna, powikszona kropka). W przypadku
wyrniajcych si danych w pewnym rejonie bada (lokalnych) nie bd one widoczne na
histogramie. Stosuje si wtedy inne rozwizania pozwalajce na analiz lokaln jak np. mapy
Voronoi, ktre otaczaj kady punkt wielobokiem oddziaywania [patrz podroz. 3.2.2]. Kademu
wielobokowi moe by przypisana lokalna statystyka okrelana na podstawie danego punktu i
punktw wielobokw ssiednich. Jeeli pomiary zostan zreklasyfikowane do pewnej liczby
klas, to mona wykorzysta statystyk (klaster) okrelajc liczb ssiadw tej samej klasy.
Wszystkie punkty, ktrych ssiedzi nale do innych klas, mog mie charakter lokalnych
wyrniajcych si danych i powinny zosta sprawdzone. Po sprawdzeniu podejmuje si decyzj
o ich pozostawieniu lub wykluczeniu z dalszej analizy.
Histogram suy take do analizy rozkadu danych. Niektre metody geostatystyczne
wymagaj normalnego rozkadu danych, przy czym, w przypadku estymacji lokalnej, dotyczy to
podzbiorw punktw okrelonych geometri stosowanego otoczenia. Powszechnie stosowan
metod sprawdzenia zgodnoci z rozkadem normalnym jest wykres normalnych centyli (normal
QQ plot), bdcy graficznym porwnaniem rozkadu danej zmiennej do rozkadu normalnego,
reprezentowanego przez lini prost. Na Rysunku 9.4a przedstawiono histogram i wykres
normalnych centyli dla analizowanych danych. Zaznacza si wyrane odchylenie od rozkadu
normalnego. W takich sytuacjach najczciej sugeruje si dokonanie transformacji danych do
rozkadu normalnego. Jednak w przypadku danych przyrodniczych obserwowane odchylenia od
rozkadu normalnego bardzo czsto wynikaj z istnienia trendu w danych. Trend jest to
wielkoskalowa zmienno przestrzenna, ktra moe by opisana za pomoc wielomianw
rnego stopnia. Moe on mie charakter globalny (jeden wielomian dla caego obszaru), lub
lokalny (obszar dzielony jest na strefy, w kadej powierzchnia trendu jest okrelona innym
wielomianem). Przeprowadzenie analizy trendu polega na utworzeniu mapy jego wartoci (Rys.
10b). Warto trendu moe by odjta od danych (od wartoci w punkcie odejmuje si warto
z odpowiadajcego jej miejsca na powierzchni trendu). Po odjciu trendu wartoci danych s
znacznie bardziej zblione do rozkadu normalnego (Rys. 10c).

Rys. 9.4 Wpyw istnienia trendu na rozkad danych : a histogram i wykres normalnych centyli analizowanych
danych (rozkad odbiegajcy od normalnego); b mapa trendu; c histogram i wykres normalnych centyli
analizowanych danych po odjciu trendu (rozkad zbliony do normalnego).
Czsto kriging przeprowadza si na danych z usunitym trendem, a otrzyman powierzchni
dodaje si na kocu do powierzchni trendu w celu otrzymania ostatecznej mapy wartoci
estymowanych.
W trakcie wizualnej analizy danych naley uwzgldnia inne warstwy badanego obszaru.
Pozwala to na postawienie hipotez o relacjach badanej zmiennej z innymi zmiennymi. Na
Rysunku 9.3 pokazano wykorzystanie w analizie warstwy gbokoci. Aby sprawdzi, czy
istnieje relacja pomidzy gbokoci a badan zmienn wykonano wykres ( Rys. 9.3e)
zalenoci podzbioru pomiarw z prawego skrajnego przedziau histogramu (supek zaznaczony
szrafem) od gbokoci. Widoczny jest brak zalenoci. Wykorzystano istnienie dynamicznego
poczenia z map dla znalezienia punktw o najwikszych gbokociach (zaznaczono je na
mapie kkami). Przedstawione powyej sposoby i narzdzia pozwalaj na odpowied na szereg
pyta. Czy dane charakteryzuj si trendem? Jaki jest ich rozkad i czy istnieje jego zwizek
z trendem? Czy dane s rwnomiernie rozmieszczone w przestrzeni i czy istniej obszary, na
ktrych bdzie wykonywana ekstrapolacja? Czy wystpuj pomiary wyranie rnice si
wartociami o charakterze globalnym lub lokalnym i czy mog to by bdy pomiarowe? Czy
rozmieszczenie wartoci analizowanych danych moe by tumaczone zmiennymi innych
warstw?

9.2 Analiza zmiennoci przestrzennej

W klasycznej (nie uwzgldniajcej pooenia w przestrzeni) statystyce podstawowymi
narzdziami do mierzenia podobiestwa i zrnicowania dwch zmiennych s funkcje
kowariancji i korelacji okrelone jako:
n n
1 1
C XY
n i 1
X m Y mi X i Y
n i 1
XY
i i m m
X Y
(9.1)

C XY
XY
X Y (9.2)

gdzie: CXY funkcja kowariancji zmiennych X i Y,

XY funkcja korelacji zmiennych X i Y,
n liczba par danych,
Xi, Yi zmienne,
mX warto rednia zbioru zmiennych X,
mY warto rednia zbioru zmiennych Y,
X odchylenie standardowe ze zbioru zmiennych X,
Y odchylenie standardowe ze zbioru zmiennych Y.
W danych przestrzennych pojcie podobiestwa lub zrnicowania najczciej dotyczy jednej
zmiennej i jest funkcj odlegoci. Oznacza to, e wyniki pomiarw lecych od siebie bliej
wykazuj wiksze podobiestwo ni pooone w wikszej odlegoci. Geostatystyka
wykorzystuje podobne narzdzia jak statystyka klasyczna do ilociowej oceny podobiestwa
(przestrzennej cigoci) i zrnicowania (przestrzennej zmiennoci). Miar przestrzennej
zmiennoci danych jest semiwariogram (zwany take powszechnie wariogramem), a miar
przestrzennej cigoci kowariancja i korelacja. Kada z tych miar jest funkcj odstpu pomidzy
punktami pomiarowymi okrelonego przez wektor h (Rysunek 9.5).

Rys. 9.5 Odstp pomidzy danymi jest zdefiniowany przez wektor h.

Jeeli dane pomiarowe zostan oznaczone jako v1, v2......vn i s one rozmieszczone
w przestrzeni dwuwymiarowej (2D), to odstp pomidzy nimi jest opisany przez wektor:
X (9.3)
h Y

gdzie:
X odstp midzy punktami na osi X (E),
Y odstp midzy punktami na osi Y (N).

Przykadowo jeeli h = (20, 10) oznacza to, e kada para porwnywanych danych jest
rozdzielona o 20 jednostek w kierunku z zachodu na wschd (W E) i o 10 jednostek
w kierunku z poudnia na pnoc (S N). W zwizku z tym, e miary przestrzennej zmiennoci
i cigoci s funkcj wektora odstpu, mog one przyjmowa rne wartoci w zalenoci od
kierunku (przestrzenna cigo zmiennych moe by dua w jednym kierunku a maa w innym).
Przy obliczaniu i analizie zmiennoci stosuje si dwa podejcia. W pierwszym przypadku okrela
si zmienno (podobiestwo), jako zalene wycznie od odstpu. Warto h traktowana jest
wtedy jako skalar. Obliczane funkcje (wariogram, kowariancja i korelacja) maj wtedy charakter
omnikierunkowy (s niezalene od kierunku). W drugim przypadku funkcje zale zarwno od
kieunku, jak i odstpu, i nosz nazw funkcji kierunkowych.
Funkcja kowariancji dla zmiennej przestrzennej v1, v2......vn jest opisana wyraeniem:

1
C h N (h) vv m m
i j h h (9.4)
(i, j )hi , j h

gdzie:
1
m h
N (h) v rednia ze wszystkich danych
j
j|hi , j h o pooeniu h od innych,

1 rednia ze wszystkich danych

m h
N (h) i|hi, j hv i
o pooeniu + h od innych,

N(h) liczba par danych, ktre s rozdzielone przez h.

Natomiast funkcja korelacji zmiennej przestrzennej ma posta:

C (h)
h (9.5)
h h

gdzie:
1 2 2 odchylenie standardowe ze wszystkich danych o
h
N (h) v m
i h pooeniu h od innych,
i|hi , j h

1 2 2
odchylenie standardowe ze wszystkich danych o
h
N (h) v m
j h pooeniu + h od innych.
j|hi , j h

Podstawow i najczciej uywan funkcj geostatystyki jest semiwariogram sucy do opisu

zmiennoci przestrzennej. Funkcja zwana wariogramem jest cile biorc jej dwukrotnoci,
przyjo si jednak take uywanie tej nazwy jako potocznego okrelenia semiwariogramu.
Semiwariogram dla zmiennej przestrzennej v1, v2......vn jest okrelony wyraeniem:

h 1 2
(9.6)
vi v j
2 N (h) (i, j )hi , j h

gdzie:
N(h) liczba par danych, ktre s rozdzielone przez h.
Wartoci wariogramu, kowariancji i korelacji nie zmieniaj si jeeli w powyszych rwnaniach
zamieni si indeksy i i j okrelajce kierunek wektora odstpu. Oznacza to, e wartoci
wariogramu obliczone dla dowolnego kierunku bd rwne wartociom policzonym dla
kierunku przeciwnego:

h h (9.7)

C (0) jest wariancj zmiennej, a funkcja kowariancji C (h) bdzie przyjmowa warto zero, gdy
brak jest korelacji przestrzennej. Funkcja semiwariancji i kowariancji jest zwizana wyraeniem:

h C 0 C h (9.8)

Z wyraenia tego wynika, e przy braku skorelowania semiwariancja danej zmiennej osiga
warto jej wariancji.
Istnieje kilka sposobw tworzenia wariogramw z danych pomiarowych. Jeeli danych jest
n pomiarw: v1(x), v2(x), v3(x)....vn(x), gdzie x jest tablic wsprzdnych punktw
pomiarowych, to dla kadej pary pomiarw, ktrych bdzie 0.5n(n-1) mona obliczy warto
semiwariancji :
1 2 (9.9)
v ( xi) v ( xi ')
2
'

wzgldem odlegoci: x x
i i (9.10)

i utworzy na wykresie punkt o wsprzdnych: semiwariancja na osi rzdnych i odlego na osi

odcitych. Otrzymany wykres (Rysunek 9.6) ma charakter wykresu rozrzutu punktw (scatter
plot) i nosi nazw surowego wariogramu (raw variogram). Na wykresie tym widoczny jest
charakterystyczny dla wikszoci powierzchni geostatystycznych wzrost zmiennoci (wyraonej
funkcj semiwariancji) wraz ze zwikszaniem si odlegoci pomidzy pomiarami a do
osignicia pewnego staego poziomu wartoci.
 Rys. 9.6 Surowy wariogram tworzy chmura punktw, z ktrych kady reprezentuje par danych.

Drugim rodzajem wariogramu jest wariogram eksperymentalny, ktry ma posta wygadzonej

linii generalizujcej przedstawiony powyej wykres rozrzutu. Wartoci odstpw s dzielone na
k przedziaw noszcych nazw krokw (lags). W kadym przedziale znajduje si Nk par
pomiarw dla ktrych zostaje policzona semiwariancja za pomoc wyraenia:

1 2
h k v ( xi) v ( xi ') (9.11)
2Nk

gdzie i oznacza numer kolejnej pary w danym przedziale odlegoci. Wykres wariogramu
eksperymentalnego zosta przedstawiony na Rysunku 9.7.

Rys. 9.7 Wariogram eksperymentalny

Kady punkt na wykresie wariogramu jest redni z kwadratw rnic obliczonych dla
wszystkich par danego przedziau. Wyznacza si take warto redniego odstpu dla danego
przedziau. Wariogramy s tworzone jako omnikierunkowe lub kierunkowe. W tym drugim
przypadku brane s pod uwag tylko pary pomiarw o wektorach, ktrych kierunek nie odbiega
od badanego kierunku o wicej ni pewien kt zwany tolerancj kta (Rysunek 9.8b).
Wariogramw omnikierunkowych uywa si wtedy, gdy zmienno przestrzenna nie zaley od
kierunku, czyli ma charakter izotropowy. Kiedy zmienno badanego pola zaley od kierunku
mamy do czynienia z polem anizotropowym pod wzgldem zmiennoci. Aby j opisa stosuje
si wariogramy kierunkowe, czyli tworzy si wykresy takie jak powyej, ale dla rnych
kierunkw. Inna metoda polega na tworzeniu wariogramw powierzchniowych zwanych take
mapami wariogramw (Rysunek 9.8). Kada para punktw o wektorze h moe by umieszczona
w kole przedstawionym na Rysunku 9.8b. Kierunek wektora i tolerancja kta okrelaj wycinek
koa, a odstp pooenie w piercieniu danego kroku odstpu. Dla kadego miejsca koa moe
zosta policzona w ten sposb semiwariancja, ktrej wartoci zostan przypisane komrkom
mapy rastrowej (Rys. 9a). Odcienie szaroci na tej mapie okrelaj wielko semiwariancji,
wyranie zaznacza si asymetria zmiennoci. Badana powierzchnia wykazuje najmniejsze
zrnicowanie z poudniowego-zachodu na pnocny-wschd.

Rys. 9.8 Wariogram powierzchniowy (a) i zasada jego tworzenia (b).

Analiza wariogramw umoliwia poznanie struktury przestrzennej danych. Pierwszym etapem

analizy jest zwykle okrelenie, czy badana powierzchnia ma charakter izotropowy, czy
anizotropowy.. Dla powierzchni anizotropowych okrela si kierunki najwikszej cigoci
i zmiennoci. Anizotropia moe przyjmowa dwie formy: (1) anizotropii geometrycznej wtedy,
gdy we wszystkich kierunkach osigana jest ta sama zmienno, ale w rnej skali przestrzennej
(rnych odlegociach pomidzy pomiarami) oraz (2) anizotropii strefowej gdy w rnych
kierunkach osigany jest rny poziom zmiennoci. Tego typu sytuacja jest typowa dla danych
zawierajcych trend (semiwariancja bdzie wtedy cay czas rosa wraz ze wzrostem odlegoci).
Istnienie cyklicznych struktur w danych bdzie powodowao falowanie wykresu wariogramu.
W analizie wariogramu uywa si pewnych podstawowych poj przedstawionych na
Rysunku 9.9. Warto typowego wariogramu (semiwariancja) ronie pocztkowo wraz ze
wzrostem odlegoci pomidzy pomiarami, a do osignicia pewnej wielkoci, powyej ktrej
pozostaje ju w przyblieniu taka sama. Graniczna warto odlegoci, po przekroczeniu ktrej
semiwariancja nie ronie nosi nazw zakresu (range). Odpowiada ona przestrzennej skali do
ktrej obserwuje si skorelowanie pomiarw. Warto wariancji dla odstpu rwnego zakresowi
nosi nazw progu (sill). Czsto, cho nie zawsze, obserwuje si szybki wzrost wartoci
semiwariancji dla bardzo maych przyrostw odlegoci. Wynikaj one z istnienia
mikrostruktury w danych. W rezultacie dla odlegoci pomidzy pomiarami bliskimi zeru
warto wariancji jest wyranie wiksza od zera. Zjawisko to nosi nazw efektu samorodkowego
(nugget), gdy po raz pierwszy badano go w kopalniach zota, gdzie efekt ten by rezultatem
istnienia samorodkw. Powodoway one znaczne wzrosty zmiennoci w zawartoci kruszcu przy
bardzo maych odlegociach pomidzy pomiarami.

Rys. 9.9 Podstawowe pojcia w analizie wariogramu.

 9.3 Modelowanie wariogramu
Wariogram opisujcy przestrzenn zmienno jest podstawowym elementem kadej
analizy geostatystycznej. Jednak do wykonania estymacji (za pomoc krigingu) i symulacji
wariogram eksperymentalny nie moe by stosowany, poniewa wykorzystywana w tych
procedurach funkcja semiwariogramu musi spenia warunek dodatniej okrelonoci. W zwizku
z tym przebieg wariogramu eksperymentalnego modeluje si za pomoc pewnej grupy funkcji,
co do ktrych wiadomo, e s dodatnio okrelone. Generalnie celem procesu modelowania jest
opisanie zmiennoci przestrzennej funkcj matematyczn, w ktrej argumentem jest wektor
odstpu pomidzy danymi. Czsto stosuje si czenie funkcji dla lepszego przyblienia
przebiegu wariogramu eksperymentalnego i uwzgldnienia efektu samorodkowego.
Powszechnie uywa si nastpujcych funkcji: efektu samorodkowego, sferycznej,
wykadniczej, gaussowskiej, liniowej i potgowej.
Funkcja efektu samorodkowego (nugget effect) jest najczciej uywana do zobrazowania
wielkoci semiwariancji przy bardzo maych odstpach pomidzy danymi. Ma ona posta
(Rysunek 9.10a):
0 dla h 0
h C 1 dla h 0 (9.12)
gdzie:
C prg,
h odstp.

Funkcja ta jest zapisywana jako C Nugget albo C Nugg i opisuje jako pierwszy skadnik sumy
cz progu bdc konsekwencj istnienia mikrostruktury w danych.
 Rys. 9.10 Podstawowe modele wariogramw: a efekt samorodkowy; b model sferyczny; c model
wykadniczy; d model liniowy (z progiem); e model potgowy; f model gaussowski.

Prawdopodobnie najczciej wykorzystywan jest funkcja sferyczna (spherical model)

opisana wyraeniem (Rys. 9.10b):

3
h h
1.5 0.5 dla 0 h a (9.13)
h C a a
1 dla h a

gdzie:
C prg;
a zakres;
h odstp.

Funkcja sferyczna przyjmuje sta warto progu C po osigniciu zakresu. Przy maych
wartociach odlegoci charakteryzuje si ona najwiksz stromoci w porwnaniu z funkcj
gaussowsk i wykadnicz. Jest zapisywana jako C Spherical(a) lub C Sph(a). W poczeniu z
efektem samorodkowym moe przyj wtedy posta: 0.5 Spherical(25430)+0.3 Nugget.
Kolejn funkcj jest funkcja wykadnicza (exponential model) opisana wyraeniem
(Rysunek 9.10c):

3h
h C 1 exp
a (9.14)
gdzie:
C prg,
a zakres,
h odstp.

W przeciwiestwie do funkcji sferycznej osiga ona okoo 95% wartoci progu w odlegoci
rwnej zakresowi.
Wykorzystuje si take model o charakterze liniowym. W wersji podstawowej
semiwariancja ronie cay czas wraz ze wzrostem odstpu zgodnie z wyraeniem:

h m h (9.15)
gdzie:
m wspczynnik,
h odstp.

Odmian tego modelu jest funkcja liniowa z progiem, ronie ona do osignicia wartoci
progowej, a nastpnie przyjmuje warto sta (Rys. 9.10d).
Brak progu jest take cech funkcji potgowej o postaci (Rysunek 9.10e):

h m hn dla 0 n 2 (9.16)
gdzie:
m wspczynnik,
n parametr,
h odstp.

Ostatni z przedstawionych modeli funkcja gaussowska podobnie jak funkcja

wykadnicza nie osiga cakowitej wartoci progu dla odlegoci rwnej zakresowi.
Charakteryzuje si ona najwikszym spaszczeniem przy maych wartociach odlegoci. Opisuje
si j wyraeniem (Rysunek 9.10f):

3h 2
h C 1 exp (9.17)
a2

gdzie:
C prg,
 a zakres,
h odstp.

Do modelowania anizotropii stosuje si ide zredukowanego dystansu. Jeeli przyjmiemy,

e ax jest zakresem w kierunku X, a ay zakresem w kierunku Y to anizotropowy wariogram moe
by wyraony jako,

h h ,h
x y 1 h
1
(9.18)

2 2

gdzie h1 wynosi hx hy (9.19)

h
1
ax ay
Metoda ta wprowadza anizotropi do modelu zmiennoci za pomoc parametrw elipsy
(dugoci osi i ich kierunku). W praktyce modelowanie anizotropii polega na wyznaczeniu: (1)
kta maksymalnej cigoci, (2) zakresw w kierunku maksymalnej i minimalnej cigoci oraz
(3) progu dla kierunku minimalnej cigoci. Zapis funkcji semiwariancji przyjmuje wtedy
posta:
prg * funkcja (zakres_maksymalny, zakres_minimalny, kt_maksymalnej_ciagoci).
Przykadowo moe ona przyj posta:
0.5 Spherical(25430,1500,23).
Czasami zamiast zakresw stosuje si ich stosunek amin/amax (anizotropy ratio) i wtedy
przedstawiona powyej funkcja przyjmuje posta:
0.5 Sph(25430,23,0.056).
Operacja wyznaczania funkcji opisujcej anizotropi moe przebiega w czterech etapach.
W etapie pierwszym (1) wyznacza si kierunek maksymalnej cigoci, tworzc wariogramy
kierunkowe w poszukiwaniu takiego kierunku, dla ktrego wartoci progu s najmniejsze.
Kierunek (kt) maksymalnej cigoci jest pierwszym parametrem funkcji. Nastpnie,
w podobny sposb, (2) wyznacza si kierunek i prg minimalnej cigoci (maksymalnej
zmiennoci). Prg maksymalnej zmiennoci jest drugim parametrem funkcji. Kolejnym krokiem
(3) jest dopasowanie wykresu wariogramu do chmury punktw lub wariogramu
eksperymentalnego (dla kierunku minimalnej cigoci) zmieniajc wartoci obu zakresw, ale
pozostawiajc je sobie rwne. Po tym kroku zakres minimalny jest kolejnym okrelonym
parametrem funkcji. W ostatnim etapie (4) tworzony jest wariogram dla kierunku maksymalnej
cigoci i zmieniajc tylko warto zakresu maksymalnego przeprowadza si dopasowanie
przebiegu wykresu do chmury punktw lub wariogramu eksperymentalnego i w ten sposb
okrelamy ostatni parametr funkcji (zakres maksymalny).
W zalenoci od oprogramowania istniej rne metody dopasowania funkcji. Istniej
metody automatycznego lub pautomatycznego dopasowania, ale zawsze pozostawia si take
moliwo dopasowania rcznego.
9.4 Otoczenia punktw estymowanych
Wikszo estymacji i symulacji prowadzonych metodami geostatystycznymi ma charakter
lokalny. Oznacza to, e przypisanie nowej wartoci w miejscu nieprbkowanym odbywa si na
podstawie podzbioru punktw w pewnym lokalnym otoczeniu. Istnieje szereg moliwoci
kontroli zarwno liczby punktw jak i ksztatu lokalnego otoczenia (Rysunek 9.11).

Rys. 9.11 Otoczenia punktw estymowanych: a otoczenie koowe bez sektorw; b otoczenie w ksztacie elipsy
(uwzgldnianie anizotropii); c otoczenie z sektorami.

Lokalne otoczenie punktw jest najczciej definiowane za pomoc koa o zadanym promieniu
(Rys. 9.11a) albo elipsy o okrelonym kierunku duszej osi i odpowiednim stosunku osi
krtszej do duszej (Rys. 9.11b). Dziki temu dla powierzchni anizotropowych otoczenie moe
by dostosowane do ich charakteru (zgodne stosunki anizotropii modelu i lokalnego otoczenia).
Otoczenie moe by traktowane jako cao, albo zosta podzielone na sektory (Rys. 9.11c).
Zapewnia to rwnomierne rozoenie punktw (we wszystkich kierunkach) na okoo punktu
estymowanego. Zwykle okrela si liczb punktw pomiarowych w otoczeniu (lub sektorze),
ktre maj by brane pod uwag w procesie interpolacji. Jeeli w otoczeniu jest wicej punktw
ni jest to okrelone, wybierane s punkty lece najbliej. Istnieje take moliwo okrelenia
minimalnej liczby punktw, ktre powinny si znale w otoczeniu, lub kadym z sektorw.
Jeeli tak jak na Rysynku 9.11c istnieje sektor bez punktw, zostan one dobrane przez
rozszerzenie tego sektora poza granice okrgu wyznaczajcego otoczenie. Sposb wyznaczania
podzbioru punktw przy prowadzeniu estymacji lub symulacji lokalnej jest specyficzny dla
danego rodzaju oprogramowania [Ramka 9.1], ale w kadym z nich znajduj si zasady
przedstawione powyej.

9.5 Estymacja za pomoc krigingu

Wikszo metod krigingu ma charakter estymatorw liniowych, w ktrych warto
estymowana jest okrelana jako rednia waona (waona liniowa kombinacja) z wartoci
w punktach pomiarowych otaczajcych miejsce estymacji, za pomoc wyraenia:

f x ,y
j j
v x,y
i i
waga (9.20)

W ten sam sposb przeprowadza si interpolacj deterministyczn metod odwrotnych

odlegoci [patrz podroz. 5.6]. Rnica polega jedynie na sposobie wyznaczania wag.
W metodzie krigingu zakada si, e bd estymacji powinien by nieobciony (unbiased), czyli
jego oczekiwana warto (rednia) powinna wynosi zero, oraz powinien mie jak najmniejszy
rozrzut (wariancj). Estymatory, ktre speniaj taki warunek nosz nazw BLUE (Best Linear
Unbiased Estimator). Celem krigingu jest zatem estymacja nieznanej wartoci w dowolnym
punkcie za pomoc waonej liniowej kombinacji pomierzonych wartoci z zachowaniem
przedstawionych powyej warunkw. Estymowana warto moe by wyraona jako:
n

v E wv j j
j 1 (9.21)
natomiast bd jej estymacji moe by okrelony wyraeniem :
r v v
i iE iRZECZYWISTE (9.22)
redni bd estymacji bdzie wtedy wynosi,
k
1 (9.23)
m r
k i 1
r i

Pierwszy warunek o nieobcionoci (redni bd estymacji jest rwny zero) bdzie speniony
jeeli,
k
(9.24)
i 1
w i
1

Natomiast uwzgldnienie drugiego warunku majcego posta,

k
2 1 2
(9.25)
r r i mi min
k i 1

i wymaga zastosowania metody mnonikw Lagrangea do wyznaczenia ekstremw. Parametr

Lagrangea jest zwizany z wariancj 2 za pomoc wyraenia,
 n n n n (9.26)
2 2
r
i 1 j 1
wwC i j ij
2
i 1
wD
i i0
2
i 1
w
i
1

gdzie:
n liczba pomiarw,
2 wariancja,
Cij warto funkcji kowariancji (midzy pomiarami),
Di0 warto funkcji kowariancji (midzy pomiarami, a wartoci estymowan).

W rezultacie zbir wag wi , ktry minimalizuje wariancj z ograniczeniem, e ich suma rwna
si 1 spenia ukad n+1 rwna okrelanych jako system rwna zwyczajnego krigingu
majcych posta,
(9.27a)
C w D

lub
C . 11 . C 1n 1 w 1 C 10

. . . . 1 . .
. . . . 1 . . (9.27b)
C . n1 . C nn 1 w n C n0

1 1 1 1 0 1
Rozwizanie tego ukadu przebiega w nastpujcy sposb,
(9.28)
C w D
1 1
C *C * w C *D
1
I *w C *D
1
w C *D
gdzie:
I macierz jednostkowa,
C-1 macierz odwrotna.
Wyraenie na zminimalizowan wariancj (bd estymacji) bdzie miao posta,
2 2
(9.29)
r w *D

Naley zauway, e estymacja w kadym punkcie wykorzystuje inny zestaw wag, czyli
wymaga kadorazowo rozwizania rwnania krigingu. Jak pokazano powyej, model
zmiennoci jest reprezentowany przez wariogram, natomiast rozwizanie rwnania krigingu
wykorzystuje kowariogram, z ktrego tworzy si macierz kowariancji.
 9.5.1 Kriging zwyczajny
Kriging zwyczajny to podstawowa metoda estymowania powierzchni cigych za pomoc
punktowych pomiarw danych ilociowych. Metoda ta umoliwia tworzenie map wartoci
oczekiwanej (redniej) oraz map bdu standardowego estymacji (odchylenia standardowego),
ktry przyjmuje si, e jest rwny pierwiastkowi zminimalizowanej wariancji. Na Rysunku 9.12
pokazano przykad estymacji wartoci oczekiwanej (Rys. 9.12a) i bdu estymacji (Rys. 9.12b)
dla pomiarw punktowych pewnej zmiennej.

Rys. 9.12 Interpolacja za pomoc krigingu zwyczajnego: a warto oczekiwana; b bad standardowy estymacji.

Wartoci bdu estymacji s zalene od zmiennoci przestrzennej i rozmieszczenia punktw

pomiarowych. Na Rys. 9.12b najwiksze wartoci osigaj one w rejonach ekstrapolacji (granice
obszaru) i w miejscach gdzie istniej wyrane luki w rozmieszczeniu punktw.
W modelowaniu geostatystycznym zakadamy, e w dowolnym punkcie estymowanej
powierzchni rozkad danych jest opisany przez pewn funkcj losowa. Jeeli znamy dla danego
miejsca warto redni i odchylenie standardowe, oraz moemy zaoy normalny rozkad
danych (w punkcie), to moemy wyznaczy zarwno prawdopodobiestwo wystpienia wartoci
poniej lub powyej pewnej wartoci progowej, jak i wartoci, od ktrych zadany procent
danych bdzie mniejszy lub wikszy (kwantyle). Jeeli nie znamy rozkadu danych, to moemy
posuy si nierwnoci Czebyszewa. Podaje ona prawdopodobiestwo zdarzenia, e warto
dodatniej zmiennej losowej o dowolnym rozkadzie jest wiksza lub mniejsza od pewnej
ustalonej liczby. Jeeli X jest zmienn losow o wartoci redniej i odchyleniu standardowym
wtedy,
 1 (9.30)
P n X n 1 2
n
gdzie:
n jest wielokrotnoci odchylenia standardowego.

Tworzenie map prawdopodobiestwa i kwantyli jest czsto opcj dostpn w oprogramowaniu

geostatystycznym. Wykorzystanie nierwnoci Czebyszewa wymaga natomiast wykorzystania
algebry map np. dodania do wartoci redniej n-krotnoci odchylenia standardowego po to, aby
wyznaczy map wartoci, powyej ktrych znajduje si mniej ni zadany procent danych. Na
Rysunku 9.13 przedstawiono map prawdopodobiestwa przekroczenia pewnej wartoci
(Rysunek 9.13a) i map wartoci (Rysunek 9.13b), dla ktrych prawdopodobiestwo
wystpienia wartoci wikszej wynosi 20% (kwantyli).

Rys. 9.13 Interpolacja za pomoc krigingu zwyczajnego: a mapa prawdopodobiestwa (wystpienia w danym
miejscu wartoci zmiennej wikszej od 70); b mapa kwantyli (wartoci dla ktrych prawdopodobiestwo
wystpienia wartoci wikszych wynosi 20%)..

9.5.2 Kriging blokowy

Rozwizanie rwna krigingu daje moliwo estymacji w punktach. Istniej jednak
sytuacje, kiedy potrzebna jest informacja o redniej wartoci w komrce. Przykadowo moemy
chcie obliczy mas wody jaka spada na dany obszar w czasie roku na podstawie punktowych
pomiarw lub przygotowa dane z pomiarw punktowych do porwnania z danymi
pozyskanymi za pomoc zdj satelitarnych. Przy pomiarze z satelity warto w komrce rastra
zdjcia satelitarnego (pikselu) reprezentuje najczciej redni warto dla odpowiadajcego
komrce wycinka powierzchni ziemi. Estymacja wartoci redniej jest take podstaw
wykorzystania geostatystyki w ocenie zawartoci danego minerau czy pierwiastka w objtoci
wydobywanego materiau w grnictwie. Podstawowa metod takiego szacunku jest kriging
blokowy (Rysunek 9.14).

Rys. 9.14 Kriging punktowy i blokowy: a do komrki przypisana jest warto estymowana w punkcie
centralnym (kriging punktowy) ; b do komrki przypisywana jest warto redniej z szeregu punktowych
estymacji na obszarze komrki.

W przeciwiestwie do krigingu punktowego, w ktrym estymacja wartoci w komrce rastrowej

(zaznaczonej na rysunku lini przerywan) jest wykonywana w jej punkcie centralnym,
w krigingu blokowym szacuje si redni warto dla powierzchni komrki. W tym celu
wykonuje si szereg punktowych estymacji, a nastpnie oblicza z nich warto redni.
W praktyce najczciej nie dokonuje si estymacji zmiennej dla kadego punktu, ale oblicza si
rednie wagi i estymuje warto redni. Metoda krigingu blokowego moe by stosowana
z kadym rodzajem krigingu, gdy okrela jedynie sposb obliczania wartoci w danej komrce
rastrowej.

9.5.3 Kriging indykatorowy

Tworzenie map zmiennych jakociowych z pomiarw punktowych, na przykad rodzaju
osadw na dnie, przysparza sporo problemw przy stosowaniu metod deterministycznych.
Rne dziedziny wyksztaciy co prawda wasne metody interpolacji takich danych, ale
najczciej maj one charakter subiektywny i wymagaj duych nakadw pracy. Podobnie jak
inne metody deterministyczne, one take nie daj moliwoci oceny bdu estymacji.
Geostatystyczn metod interpolacji danych jakociowych jest kriging indykatorowy. Operuje
on wycznie pomiarami o wartociach 0 lub 1 zwanych indykatorami. Konwersja danych
jakociowych na indykatorowe dokonuje si dla kadej klasy oddzielnie. Punktom pomiarowym,
w ktrych ta klasa wystpuje przypisuje si 1, a pozostaym 0. Tego typu zmienne pomiarowe
mog take zosta utworzone z danych cigych przez zastosowanie progu, ktry dokona
konwersji tych danych na wartoci binarne, przypisujc wszystkim wartociom znajdujcym si
poniej progu 0, a powyej 1 albo odwrotnie.
Nastpnie dla tak przetransformowanych danych (0 lub 1) przeprowadza si na przykad
kriging zwyczajny, ale rwnie dobrze mona zastosowa inny rodzaj krigingu. Utworzona mapa
pokazuje prawdopodobiestwo, e w danym miejscu wystpuje dana klasa. Takie mapy
prawdopodobiestwa tworzy si oddzielnie dla kadej klasy. W ostatnim etapie do kadej
komrki rastra przypisuje si klas o najwikszym prawdopodobiestwie wystpienia. Ten
ostatni etap mona przeprowadzi w GIS wykorzystujc rastrowe funkcje lokalne.

Rys. 9.15 Kriging indykatorowy: a punktowe dane jakociowe (siedem klas) ; b jakociowa mapa ciga
siedmiu klas

Na Rysunku 9.15b pokazana jest mapa klas otrzymana z punktowych pomiarw zmiennej
jakociowej o wartociach odpowiadajcych identyfikatorowi klasy (Rysunek 9.15a). Najpierw
za pomoc krigingu indykatorowego wykonano mapy prawdopodobiestwa wystpienia kadej
z klas (siedem oddzielnych map k1,k2....k7). Nastpnie za pomoc statystyki lokalnej utworzono
map wartoci maksymalnej z tych map (mapa_max) oraz posuono si nastpujc sekwencj
funkcji algebry map wykorzystujc funkcj warunkow [patrz ramka 5.2]:
s1 = con( Abs( [k1]-[mapa_max]) < 0.00001, 1, 0)
s2 = con( Abs( [k2]-[mapa_max]) < 0.00001, 2, 0)
s3 = con( Abs( [k3]-[mapa_max]) < 0.00001, 3, 0)
s4 = con( Abs( [k4]-[mapa_max]) < 0.00001, 4, 0)
s5 = con( Abs( [k5]-[mapa_max]) < 0.00001, 5, 0)
s6 = con( Abs( [k6]-[mapa_max]) < 0.00001, 6, 0)
s7 = con( Abs( [k7]-[mapa_max]) < 0.00001, 7, 0)
mapa_9_15B = s1+s2+s3+s4+s5+s6+s7

9.5.4 Kokriging
Czstym problemem przy tworzeniu map metodami geostatystycznymi jest ograniczona
liczba punktw pomiarowych. Jednoczenie zdarza si, e oprcz analizowanych danych istniej
inne, ktre ze wzgldu na skorelowanie z badan zmienn mog dostarczy dodatkowej
informacji do prowadzonej estymacji w nieprbkowanych miejscach. Kokriging jest metod
pozwalajc na wykorzystanie w procesie interpolacji oprcz danych podstawowych (primary
data) innych pomocniczych danych (secondary data). Wszystkie zbiory danych wprowadzane
do kokrigingu maj charakter punktowy i mog by rozmieszczone w przestrzeni wedug trzech
schematw (Rysunek 9.16). Jeeli mamy dwa zbiory danych punktowych (zaznaczone na
rysunku dwoma rnymi symbolami) reprezentujcych dwie zmienne, to ich wzajemne
pooenie moe by izotropiczne, czciowo heterotropiczne lub cakowicie heterotropiczne
(Rysunek 9.16).

Rys. 9.16 Wzajemne pooenie pomiarw (punktw pomiarowych) w kokrigingu: a izotropiczne ; b

czciowo heterotropiczne; c cakowicie heterotropiczne.

Przy pooeniu izotropicznym (Rys. 9.16a) lokalizacja punktw pomiarowych obu zbiorw
pokrywaj si (w kadym punkcie pomiarowym istniej zmienne podstawowe i pomocnicze).
Natomiast w sytuacji cakowicie heterotropicznej (Rys. 9.16c) brak jest wsplnych punktw
pomiarowych (o tym samym pooeniu) dla obu zmiennych, czyli w kadym punkcie
pomiarowym dokonano pomiaru tylko jednej zmiennej. Istnieje take moliwo sytuacji
poredniej (Rys. 9.16b), w ktrej w czci punktw pomiarowych zmierzono dwie zmienne, a w
czci tylko jedn. Istniej dwa moliwe scenariusze pozyskiwania danych do kokrigingu.
W pierwszym w trakcie akcji pomiarowej wykonuje si w punktach pomiary, przy czym na
czci punktw wykonujemy tylko pomiaru jednej zmiennej, a w pozostaych dwch lub wicej.
Takie postpowanie moe by uzasadnione du czasochonnoci lub kosztami pozyskania
okrelonej zmiennej. W drugim scenariuszu na punktach pomiarowych wykonujemy pomiar
jednej zmiennej (podstawowej), natomiast dane pomocnicze pozyskujemy za pomoc ekstrakcji
wartoci z mapy rastrowej lub zdjcia satelitarnego.
Aby dane pomocnicze mogy by uzupenieniem informacji o rozkadzie przestrzennym
danych podstawowych, musz by z nimi skorelowane. Tak jak w krigingu do modelowania
przestrzennej zmiennoci jednej zmiennej wykorzystywany by wariogram tak w kokrigingu
modeluje si relacj midzy dwiema zmiennymi w funkcji odlegoci za pomoc cross-
wariogramu, ktry ma posta:

h 1
vi v j u u
i j (9.31)
vu
2N (h) (i, j )hi , j h
gdzie:
N(h) liczba par danych, ktre s rozdzielone przez h,
v, u zmienne.

Jeeli zmiennych pomocniczych jest wicej ni jedna konieczne jest badanie wszystkich
kombinacji wzajemnych relacji. Estymacja metod kokrigingu zmiennej podstawowej u na
podstawie pomiarw punktowych u i pomocniczych v bdzie miaa posta:
n m

u j 1
au
j j
i 1
bv
i i
(9.32)
n m
gdzie a i b wektory wag speniajcych warunek a j
1 i b 0 .
i
j 1 i 1

Istotnym problemem przy stosowaniu kokrigingu jest opracowanie modeli semiwariancji dla
zmiennej podstawowej, kadej ze zmiennych pomocniczych oraz modeli cross-semiwariancji
pomidzy zmienn podstawow i pomocniczymi. Modele te nie mog by tworzone niezalenie
od siebie, poniewa ukad rwna kokrigingu powinien spenia warunek liniowej
koregionalizacji (linear model of coregionalization LMC) sprawiajcy, e wariancja
jakiejkolwiek kombinacji zmiennych bdzie zawsze dodatnia. Proces kokrigingu zosta
przedstawiony na Rysunku 9.17. Na pierwszym rysunku (Rysunek 9.17a) pokazano map
otrzyman za pomoc zwykego krigingu z punktw pomiarowych jednej zmiennej
(podstawowej). Na punktach tych wykonywano take pomiar drugiej zmiennej (pomocniczej),
w celu wykorzystania jej w kokrigingu. Ze zbioru zmiennej podstawowej wybrano podzbir
punktw (okoo 30%) i wykonano powtrnie map za pomoc krigingu zwyczajnego (Rysunek
9.17b). Mapa ta wyranie rni si od poprzedniej ze wzgldu na znacznie mniejsz liczb
punktw pomiarowych. Trzecia mapa (Rysunek 9.17c) zostaa wykonana za pomoc kokrigingu.
Wykorzystano podzbir zmiennej podstawowej z ktrego wykonano drug map i wszystkie
dane pomocnicze. Efekt wykorzystania dodatkowych zmiennych jest dobrze widoczny w dolnej
czci mapy.

Rys. 9.17 Porwnanie interpolacji metod krigingu i kokrigingu: a kriging z penego zbioru danych
podstawowych (koa z biaym rodkiem) ; b kriging z podzbioru danych podstawowych; c kokriging z
podzbioru danych podstawowych i zbioru danych pomocniczych (czarne punkty). Symbolizacja estymowanych
wartoci jest taka same dla trzech map.

Ramka 9.1
Programy geostatystyczne

Istnieje szereg programw umoliwiajcych analiz geostatystyczn oraz prowadzenie interpolacji

za pomoc krigingu. Generalnie mona je podzieli na trzy grupy. Pierwsz grup stanowi programy
komercyjne, ktre czsto posiadaj ukierunkowane wersje przeznaczone dla zastosowa grniczych
(wydobywczych). Przy tego typu zastosowaniach musz one umoliwia prowadzenie interpolacji
w przestrzeni trjwymiarowej. Przykadami takich programw s Isatis (http://www.geovariances.com/ )
i GS+ (http://www.rockware.com/catalog/pages/gsplus.html ). Drug grup stanowi programy naukowe,
ktrych niewtpliw zalet jest to, e s bezpatne, a wadami najczciej uboga, a w kadym razie
niepena dokumentacja, czsto brak wygodnego interfejsu uytkownika i moliwoci tworzenia
produktw kocowych analizy czyli map rnego rodzaju. Do takich programw nale obecny od wielu
lat GSTAT (http://www.gstat.org/ ) ktrego najnowsza wersja jest pakietem w rodowisku R [patrz
ramka 8.2] oraz nowy program do trjwymiarowej analizy geostatystycznej SgeMS
(http://sgems.sourceforge.net/ ) bdcy nastpc biblioteki GSLIB (http://www.gslib.com/ ). Trzeci i
ostatni grup stanowi zestawy funkcji geostatystycznych, ktre zostay doczone do komercyjnych
programw sucych do tworzenia map jak Surfer
(http://www.goldensoftware.com/products/surfer/surfer.shtml ), lub oprogramowania GIS takiego jak
Idrisi (http://www.clarklabs.org/ ) , do ktrego doczono funkcje programu GSTAT wraz z graficznym
interfejsem oraz ArcGIS dla ktrego zostao stworzone specjalne geostatystyczne rozszerzenie
Geostatistical Analyst.
Wszystkie wymienione wyej programy pozwalaj na realizacj podstawowych funkcji analizy
geostatystycznej zwizanych z procesem dwuwymiarowej estymacji. S to analiza strukturalna czyli
analiza zmiennoci przestrzennej i tworzenie wariogramu eksperymentalnego, modelowanie wariogramu
i przeprowadzanie estymacji za pomoc krigingu. Programy przeznaczone do celw grniczych oraz
niektre programy naukowe pozwalaja na prowadzenie estymacji i symulacji za pomoc szeregu metod
w przestrzeni dwu lub trjwymiarowej.

A. Literatura

Podrczniki
Adamczyk J., Bdkowski K., 2005, Metody cyfrowe w teledetekcji, Wydawnictwo SGGW,
Warszawa
Berry J.K., 2006, Map Analysis. Procedures and Applications in GIS Modeling. BASIS Press,
(on line book http://www.innovativegis.com/basis/MapAnalysis/ )
Bonham-Carter G. F., 1994, Geographic Information Systems for Geoscientists: Modelling with
GIS, Pergamon
Bugayevskiy L. M., J. P. Snyder, 1995, Map Projections, A Reference Manual, Taylor & Francis
Burrough P.A., 1986, Principles of Geographical Information Systems for land resources
assessment, Clarendon Press, Oxford
Clarke K. C., 1995, Analytical and Computer Cartography, Prentice Hall
Convis C. L., Jr., 2003, Conservation Geography, Case Studies in GIS, Computer Mapping and
Activism, ESRI Press
DeMers M.N., 2002, GIS modeling in raster, John Wiley & Sons
DeMers M. N., 2005, Fundamentals of Geographic Information Systems, John Wiley & Sons
Goodchild M. F., B. O. Parks, L. T. Steyaert, 1993, Environmental Modeling with GIS, Oxford
University Press
Isaaks E.H., Srivastava R.M., 1989, Applied Geostatistics, Oxford University Press
Litwin L., G. Myrda, 2005, Systemy Informacji Geograficznej, Helion
Longley P.A., Goodchild M.F., Maguire D.J., Rhind D.W. (red.),2005, Geographical Infornation
Systems: Principles, Techniques, Management and Applications (abridged edition), Hoboken,
N.J., Wiley
Longley P.A., Goodchild M.F., Maguire D.J., Rhind D.W.,2005, Geographic Information
Systems and Science, 2nd Edition, John Wiley & Sons
Magnuszewski A., 1999, GIS w geografii fizycznej, PWN
Maidment D.R. (red.), 2002, ArcHydro GIS for Water Resources, ESRI Press, Redlands,
California
Tomlin C.D., 1990, Geographic Information Systems and cartographic modeling, Prentice Hall,
New Jersey
Urbaski Jacek, 1997, Zrozumie GIS. analiza informacji przestrzennej, Wydawnictwo
Naukowe PWN
Urbaski Jacek, 2001, Modelowanie kartograficzne strefy brzegowej morza, Wydawnictwo
Uniwersytetu Gdaskiego
Wang F., 2006, Quantitative Methods and Applications in GIS, Taylor & Francis, Boca
Raton,London, New York
Webster R., Oliver M. A., 2001, Geostatistics for Environmental Scientists, John Wiley & Sons

Pozostaa literatura
Agnew M.D., Palutikof J.P., 2000, GIS-based construction of baseline climatologies for the
Mediterranean using terrain variables, Climate Research 14, s. 115-127
Anderson R.P., Peterson A.T., Gomez-Laverde M., 2002, Using niche-based GIS modeling to
test geographic predictions of competitive exclusion and competitive release in South American
pocket mice, OIKOS 98, s. 3-16
Andrews B.D., Gares P.A/, Colby J.D., 2002, Techniques for GIS modeling of coastal dunes,
Geomorphology, 48, s. 289-308
Antonic O., Krizan J., Marki A., Bukovec D,, 2001, Spatio-temporal interpolation of climatic
variables over large region of complex terrain using neural networks, Ecological Modelling 138,
255-263
Barban S.M.J., Parry T., 2001, Developing and applying a GIS-assisted approach to locating
wind farms in the UK, Renewable Energy 24, s. 59-71
Bateman M.D., 2004, Map and GIS database of glacial landforms and features related to the
last British Ice Sheet, Boreas, 33, s. 359-375
Bonazountas M., Kallidromitou D., Kassomenos P.A., Passas N., 2005, Forest Fire Risk
Analysis, Human and Ecological Risk Assessment 11, s. 617-626
Broesamle H., Mannstein H., Schillings C., Trieb F., 2000, Assessment of solar electricity
potentials in North Africa based on satellite data and a geographic information system, Solar
Energy 70, s. 1-12
Brossard T., Elvebakk A., Joly D., Nilsen L., 2002, Modelling index of thermophily by means of
a multi-source database on Broggerhalvya Penisula (Svalbard), International Journal of Remote
Sensing 23(21), s. 4683-4698
Clark C.D., Evans D.J.A., Khatwa A., Bradwell T., Jordan C.J. Marsh S.H., Mitchell W.A.,
Federici P.R., Spagnolo M., 2004, Morphometric analysis on the size, shape and areal
distribution of glacial cirques in the Maritime Alps (Western French-Italian Alps), Geografiska
Annaler 86A(3), s. 235-248
Chapman L., Thornes J.E., 2003, The use of geographical information systems in climatology
and meteorology, Progress in Physical Geography, 27(3), s. 313-330
Chow T.E., Gaines K.F., Hodgson M.E., Wilson M.A., 2005, Habitat and Exposure Modeling of
Raccoon for Ecological Risk Assessment: A Case Study in Savannah River Site, Ecological
Modelling 189, s. 151-167
Cole I.S., Chan W.Y., Trinidad G.S., Paterson D.A., 2004, Holistic model for atmospheric
corrosion, Part 4 Geographic information system for predicting airborne salinity, Corrosion
Engineering, Science and Technology 39(1), s. 89-96
Crist M.R., Wilmer B., Aplet G.H., 2005, Assessing the value of roadless areas in a
conservation reserve strategy: biodiversity and landscape connectivity in the northern Rockies,
Journal of Applied Ecology 42, s. 181-191
Cyrys J., Hochadel M., Gehring U., Diegmann V., Brunekreef B., Heinrich J., 2005, GIS-Based
Estimation of Exposure to Particulate Matter and NO2 in an Urban Area: Stochastic versus
Dispersion Modeling, Environmental Health Perspectives 113(8), s. 987 - 992
Danks F.S., Klein D.R., 2002, Using GIS to predict potential wildlife habitat: a case study of
muskoxen in northern Alaska, International Journal of Remote Sensing 23(21), s. 4611-4632
Dirnbck T., Dullinger S., Gotfried M., Ginzler C., Grabherr G., 2003, Mapping alpine
vegetation based on image analysis, topographic variables and Canonical Correspondence
Analysis, Applied Vegetation Science 6, s. 85-96
Dockerty T., Lovett A., 2003, A Location-centered, GIS-based Methodology for Estimating the
Potential Impacts of Climate Change on Nature Reserves, Transactions in GIS, 7(3), s. 345-370
Dmtrfy Z., Reeder D., Pomogyi P., 2003, Changes in the macro-vegetation of the Kis-
Balaton Wetlands over the last two centuries: a GIS perspective, Hydrobiologia 506-509, s. 671-
679
EEA, 2005, Guide to geographical data and maps, version 1.3, European Environment Agency,
s. 53, (http://www.eionet.eu.int/gis)
Federici P.R., Spagnolo M. 2004, Morphometric analysis on the size, shape and areal distribution
of glacial cirques in the Maritime Alps (Western French - Italian Alps), Geografiska Annaler
Series A-Physical Geography, num. 3, 86 A , pp. 235-248
Finlayson D.P., Montgomery D.R., 2003, Modeling large-scale fluvial erosion in geographic
information systems, Geomorphology, 53, s. 147-164
Fleming M.D., Chapin F.S., Cramer W., Hufford G.L., Serreze M.C., 2000, Geographic patterns
and dynamics of Alaskan climate interpolated from a sparse station record, Global Change
Biology 6, s. 49-58
Foote M., Horn D., 2002, Using Video and GIS to Measure Two-dimensional Water Surface
Elevation in the Swash Zone, Transactions in GIS 6(1), s. 43-68
Formann R.T.T., Gordon M., 1986, Landscape ecology, John Wiley & Sons, New York
Gazioglu C., Yucel Z.Y., Dogan E., 2005, Morphological Features of Najor Submarine
Landslides of Marmara Sea Using Multibeam Data, Journal of Coastal Research, 21(4), s. 664-
673
Gegout J.C., Coudone C., Gilles B., Bernard J., 2005, EcoPlant: A forest site database linking
floristic data with soil and climate variables, Journal of Vegetation Science 16, s. 257-260
Gibson C., 2005, Schematic Processor Bacterial Loadings Model, CRWR (
http://www.crwr.utexas.edu/gis/gishydro05/Modeling/WaterQualityModeling/BacteriaModel.htm )
Gibson L.A., Wilson B.A., Cahill D.M., Hill J., 2004, Spatial prediction of rufous bristlebird
habitat in a coastal heathland: a GIS-based approach, Journal of Applied Ecology, 41, s. 213-223
Gewin V., 2004, Mapping opportunities, Nature 427, s. 376-377
Guisan A., Zimmermann N.E., 2000, Predictive habitat distribution models in ecology,
Ecological Modelling 135, s. 147-186
Gurnell J., Shirley M.D.F., Rushton S.P., Clark M.J., Lurz P.W., 2002, Conserving red
squirelles (Sciurus vulgaris): mapping and forecasting habitat suitability using Geographical
information Systems, Biological Conservation 105, s. 53-64
Halley V., Eriksson M., Nunez M., 2003, Frost Prevention and Prediction of Temperatures and
Cooling Rates using GIS, Australian Geographical Studies 41(3), s. 287-302
Hartnett M., Nash S., 2004, Modelling nutrient and chlorophyll_a dynamics in an Irish brackish
waterbody, Environmental Modelling & Software 19, s. 47-56
Hickey R., 2000, Slope Angle and Slope Length Solutions for GIS, Cartography, 29(1), s. 1-8
Huabin W., Gangjun L., Weiya W., Gonghui, 2005, GIS-based landslide hazard assessment: an
overview, Progress in Physical Geography 29(4), s. 548-567
Huang B., Jiang B., 2002, AVTOP: a full integration of TOPOMODEL into GIS, Environmental
Modelling & Software, 17, s. 261-268
Huggel C., Kaab A., Salzman N., 2004, GIS-based modeling of glacial hazards and their
interactions using Landsat-TM and IKONOS imagery, Norwegian Journal of Geography, 58, s.
61-73
Hutchinson, M. F., 1993, Development of a continent-wide DEM with applications to terrain and
climate analysis. W In Environmental Modeling with GIS, red. M. F. Goodchild i in. New York:
Oxford University Press, s. 392399
Inserra S., Phifer B., Pierson R., Campagna D., 2002, Community-based exposure estimate for
hydrogen sulfide, Journal of Exposure Analysis and Environmental Epidemiology 12, s. 124-129
Jaeger J.A.G., 2000, Landscape division, splitting index, and effective mesh size: new measures
of landscape fragmentation, Landscape Ecology 15: 115-130
Jaiswal R.K., Mukherjee S., Krishnamutry J., 2003, Role of remote sensing and GIS techniques
for generation of groundwater prospect zones towards rural development an approach,
International Journal of Remote Sensing 24(5), s. 993-1008
Jarup L., 2004, Health and Environment Information Systems for Exposure and Disease
Mapping, and Risk Assessment, Environmental Health Perspectives 112(9), s. 995-997
Joy M.K., Death R.G., 2004, Predictive modeling and spatial mapping of freshwater fish and
decapod assemblages using GIS and neural networks, Freshwater Biology 49, 1036-1052
Kampanis N.A., Flouri E.T., 2003, A GIS interfaced numerical model for the simulation of sound
propagation in the atmosphere over irregular terrain, Systems Analysis Modeling Simulation
43(9), s. 1199-1212
Kennelly P.J., Kimerling A.J., 2001, Hillshading Alternatives. New Tools Produce Classic
Cartographic Effects, ArcUser, 7-9, (http://www.esri.com/news/arcuser/0701/althillshade.html )
Knight C.G., Chang H., Staneva M.P., Kostov D., 2001, A Simplified Basin Model for Simulating
Runoff: The Struma River GIS, Professional Geographer, 53(4), s. 533-545
Kobler A., Adamiec M., 2000, Identifying brown bear habitat by a combined GIS and machine
learning method, Ecological Modelling 135, s. 291-300
Laidre K.L., Heide-Jrgensen M.P., Logdson M.I., Hobbs R.C., Heagerty P., Dietz R., Jrgensen
O.A., Treble M.A., 2004, Seasonal narwhal habitat associations in the high Arctic, Marine
Biology 145, s. 821-831
Liu Y.B., Gebremeskel S., De Smedt F., Hoffmann L., Pfister L., 2003, A diffusive transport
approach for flow routing in GIS-based flood modeling, Journal ofHydrology 283, s. 91-206
Lehman A., 1998, GIS modeling of submerged macrophyte distribution using Generalized
Additive Models, Plant Ecology 139, s. 113-124
Lehman S.M., 2004, Distribution and Diversity of Primates in Guyana: Species-Area
Relationships and Riverine Barriers, International Journal of Primatology 25(1), s. 73-95
Luzio M.D., Arnold J.G., Srinivasan R., 2004, A GIS-Coupled Hydrological Model System for
the Watershed Assessment of Agricultural Nonpoint and Point Sources of Pollution, Transactions
in GIS, 8(1), s. 113-136
Maindonald J., Braun J., 2003, Data Analysis and Graphics Using R. An Example-based
Approach, Cambridge University Press, pp. 360
Mathieu R., Richardson D.M., Lavorel S., Vayreda J.G., Milton S.J., 2001, Determinants of
distribution of six Pinus species in Catalonia, Spain, Journal of Vegetation Science 12, s. 491-
502
McGargial K., Marks B. J., 1995, FRAGSTATS: spatial pattern analysis program for quantifying
landscape structure. General Technical Report Pnw 0, US Forest Service, Washington, DC
McGarigal, K., S. A. Cushman, M. C. Neel, and E. Ene, 2000, FRAGSTATS: Spatial Pattern
Analysis Program for Categorical Maps. Computer software program produced by the authors at
the University of Massachusetts, Amherst. Available at the following web site:
www.umass.edu/landeco/research/fragstats/fragstats.html
McLure J.T., Griffiths G.H., 2002, Historic Landscape Reconstruction and Visualisation, West
Oxfordshire, England, Transactions in GIS 6(1), s. 69-78
Miller C., 2005, The Use of GIS to Compare the Land Areas Captured by Very Basic and
Complex Wellhead Protection Area Models, Journal of Environmental Health, 68(4), s. 21-26
Moore I. D., Grayson R. B., Ladson A.R., 1991, Digital terrain modeling - a review of
hydrological, geomorphological and biological applications, Hydrol. Proc. 5, s. 3-30
Ninyerola M., Pons X., Roure J.M., 2000, A methodological approach of climatological
modeling of air temperature and precipitation through GIS technique,.
Int. J. Climatol., 20, s. 1823-1841
Nonomura A., Sanga-Ngoie K., Fukuyama K., 2003, Devising a new Digital Vegetation Model
for eco-climatic analysis in Africa using GIS and NOAA AVHRR data, International Journal of
Remote Sensing 24(18), s. 3611-3633
Nunes de Lima M. V. (ed.), 2005, Image2000 and CLC2000. Produts and Methods, JRC-IES,
European Communities, s. 152
Olden J.D., Poff N.L., Bledsoe B.P., 2006, Incorporating ecological knowledge into
ecoinformatics: An example of modeling hierarchically structured aquatic communities with
neural networks, Ecological Informatics 1, s. 33-42
Paul J.F., Copeland J.L., Charpentier M., August P.V., Hollister J.W., 2003, Overview of GIS
Applications in Estuarine Monitoring and Assessment Research, Marine Geodesy, 26, s. 63-72
Pieterse N.M., Bleuten W., Jorgensen S.E., 2003, Contribution of point sources and diffuse
sources of nitrogen and phosphorus loads in lowland river tributaries, Journal of Hydrology
271, s. 213-225
Podlacha K., 1994, Podstawy matematyczne polskich map topograficznych wydawanych po
drugiej wojnie wiatowej, Polski przegld kartograficzny, tom 26, nr 3, s. 129-139
Pullar D., Springer D., 2000, Towards integrating GIS and catchment models, Environmental
Modelling & Software, 15, s. 451-459
Reinfelds I., Cohen T., Batten P., Brierley G., 2004, Assessment of downstream trends in channel
gradient, total and specific stream power: a GIS approach, Geomorphology 60, s. 403-416
Richling A., Solon J.,2002, Ekologia krajobrazu, PWN
Rigol J.P., Jarvis C.H., Stuart N., 2001, Artificial neural networks as a tool for spatial
interpolation, International Journal of Geographical Information Science 15, s. 323-343
Rouget M., Richardson D.M., Lavorel S., Vayreda J., Gracia C., Milton S., 2001, Determinants
of distribution of six Pinus species in Catalonia, Spain, Journal of Vegetation Science 12, s. 491-
502
Roure J.M., 2000, A methodological approach of climatological modeling of air temperature
and precipitation through GIS techniques, International Journal of Climatology 20, s. 1823-1841
Saraf A.K., Choudhury P.R., Roy B., Sarma S., Vijay S., Choudhury S., 2004, GIS based surface
hydrological modeling in identification of groundwater recharge zones, International Journal of
Remote Science 25(24), s. 5759-5770
Scull P., Franklin J., Chadwick O.A., 2005, The application of classification tree analysis to soil
type prediction in a desert landscape, Ecological Modeling 181, s. 1-15
Shahid S., Nath S.K., Roy J., 2000, Groundwater potential modeling in a soft rock area using a
GIS, International Journal of Remote Sensing 21(9), s. 1919-1924
Siitonen P., Lehtinen A., Siitonen M., 2005, Effects of Forest Edges on the Distribution,
Abundance, and Regional Persistence of Wood-Rotting Fungi, Conservation Biology 19(1), s.
250-260
Simonson J.T., Johnson E.A., 2005, Development of the cultural landscape in the forest-
grassland transition in southern Alberta controlled by topographic variables, Journal of
Vegetation Science 16, s. 523-532
Singer F.J., Bleich V.C., Gudorf M.A., 2000, Restoration of Bighorn Sheep Matapopulations in
and Near Western National Parks, Restoration Ecology 8(4S), s. 14-24
Sleeman J.C., Kendrick G.A., Boggs G.S., Hegge J.J., 2005, Measuring fragmentation of
seagrass landscapes: which indices are most appropriate for detecting change?, Marine and
Freshwater Research,56, pp. 851-864.
Smith R.V., Jordan C., Annett J.A., 2005, Aphosphorus budget for Northern Ireland: inputs to
inland and coastal waters, Journal of Hydrology 304, s.193-202
Srensen R., Zinko U., Seibert J., 2006, On the calculation of the topographic wetness index
evaluation of different methods based on field observation, Hydrology and Earth System
Sciences, 10, s. 101-112
Speer J.H., Jensen R.R., 2003, A hazards approach towards modeling Pandora moth risk, Journal
of Biogeography 30, s. 1899-1906
Suri M., Hofierka J., 2004,A New GIS-based Solar Radiation Model and Its Application to
Photovoltaic Assessments, Transactions in GIS 8(2), s. 175-190
Stockman A.K., Beamer D.A., Bond J.E., 2006, An evaluation of a GARP model as approach to
predicting the spatial distribution of non-vagile invertebrate species, Diversity and Distributions
12, s. 81-89
Stockwell J., Peters D., 1999, The GARP modeling system: problems and solutions to automated
spatial prediction, International Journal of Geographic Information Science 13, s. 143-151
Store, R., Jokimaki J., 2003, A GIS-based multi-scale approach to habitat suitability modelling,
Ecological Modelling, 169(1), s. 1-15
Tappeiner U., Tappeiner G., Aschenwald J., Tasser E., Ostendorf B., 2001, GIS-based modeling
of spatial pattern of snow cover duration in an alpine area, Ecological Modeling 138, s. 265-275
Taylor B., Skelly D., Demarchis L.K., Slade M.D., Galusha D., Rabinowitz M., 2005, Proximity
to Pollution Sources and Risk of Amphibian Limb Malformation, Environmental Health
Perspectives 113(11), s. 1497-1501
Tsanis I.K., Gad M.A., 2001, A GIS precipitation method for analysis of storm kinematics,
Environmental Modelling and Software 16, s. 273-281
Tuan L.T., Shibayama T., 2003, Application of GIS to evaluate long-term variation of sediment
discharge to coastal environment, Coastal Engineering Journal, 45(2), s. 275-293
Turner, M. G. 1989, Landscape ecology: the effect of pattern on process, Ann. Rev. Ecol. Syst.
20, s.171-197
Urbaski J., 2001, Modelowanie kartograficzne strefy brzegowej morza, Wydawnictwo
Uniwersytetu Gdaskiego, Gdask, s. 159
Whitley T.G., Hicks L.M., 2003, A Geographic Information Systems approach to understanding
potential prehistoric and historic travel corridors, Southeastern Archeology 22(1), s. 77-90
Wyatt R.J., 2003, Mapping the abundance of riverine fish populations: integrating hierarchical
Bayesian models with a geographic information system (GIS), Can. J. Fisf. Aquat. Sci. 60, s.
997-1006
Valta-Hulkkonen K., Kanninen A., Pellikka P., 2004, Remote sensing and GIS for detecting
changes in the aquatic vegetation of a rehabilitated lake, International Journal of Remote Sensing
25(24), s. 5745-5758
Venteris E.R., Slater B.K., 2005, A Comparison Between Contour Elevation Data Sources for
DEM Creation and Soil Carbon Prediction, Transactions in GIS, 9(2), s. 179-198
Verburg P.H., Veldkamp A., 2005, Introduction to the Special Issue on Spatial modeling to
explore land use dynamics, International Journal of Geographical Information Science 19(2), s.
99-102
Verburg P.H., Overmars K.P., Huigen M.G.A., de Groot W.T., Veldkamp A., 2006, Analysis of
the effects of land use change on protected areas in the Philippines, Applied Geography 26, s.
153-173
Xu F., Tao S., Dawson R.W., Li B., 2001, A GIS-based method of lake eutrophication
assessment, Ecological Modelling 144, s. 231-244
Wyatt R.J., 2003, Mapping the abundance of riverine fish populations: integrating hierarchical
Bayesian models with a geographic information systems (GIS), Can.J.Fish. Aquat.Sci. 60, s. 997-
1006
Zhan X., Huang M., 2004, ArcCN-Runoff: an ArcGIS tool for generating curve number and
runoff maps, Environmental Modelling & Software, 19, s. 875-879
 B. Spis akronimw

ABM agent-based model (model autonomicznych elementw)

AOI area of interest (obszar zainteresowania)
BLUE best linear unbiased estimator (najlepszy liniowy nieobciony estmator)
CCA canonical corespondence analysis
CN SCS Curve-Number method
DEM digital elevation model
DTED digital terrain elevation data
DTM digital terrain model
EEA European Environment Agency
ESDA exploratory spatial data analysis (eksploracyjna analiza danych przestrzennych)
EVRS European Vertical Reference System
FD fractal dimension (wymiar fraktalny)
GAM generalised additive model
GARP genetic algorithm for rule-set production
GCS Geographic Coordination System (ukad wsprzdnych geograficznych)
GeoTIFF Geographic Tag Image File Format
GIS geographic(al) information system (geograficzny system informacyjny)
GIScience geographic(al) information science (geomatyka, geoinformacja, geoinformatyka)
GLM generalised linear model
GPS Global Postioning System (globalny system okrelania pozycji)
GUI graphic user interface (graficzny interfejs uytkownika)
IDW inverse distance weighted (odwrotnych odlegoci metoda interpolacji)
ITRS International Terrestial Reference System
KML Keyhole Markap Language
LAEA Lambert Azimuthal Equal Area (wiernopowierzchniowe azymutalne Lamberta)
LCC Lambert Conformal Conical (konformicznego stokowe Lamberta)
LMC linear model of coregionalization
LS LS-Factor
LUT look-up-table
LWM length weighted mean
MAT medial axis transformation
MCE multi-criteria evaluation
MPHP Komputerowa Mapa Podziau Hydrograficznego Polski
MrSID Multiresolution Seamless Image Data
NAP Normal Amsterdam Peil
NASA National Aeronautics and Space Administration
NGA National Geospatial Intelligence Agency
NIR near infrared
NMT numeryczny model terenu
PCA principal component analysis (analiza czynnikowa)
PCC percent correctly classified (procent klas poprawnych)
RGB Red, Green, Blue
RMS root mean-square error (redni bd kwadratowy)
RS remote sensing (teledetekcja)
SAGA System for Automated Geoscientific Analyses
SHP shape file
SQL Structured (Standard) Query Language
SPI Stream Power Index
SRAD Solar RADiation
SRTM Shuttle Radar Topographic Mission
SWAT Soil Water Assessment Tool
SWIR short wavelength infrared
TIN triangulated irregular network (sie nieregularnych trjktw)
TOPMODEL TOPography-based hydrological MODEL
TPS thin plate spline
TWI Topographic Wetness Index
UPS Universal Polar Stereographic (uniwersalne biegunowe stereograficzne)
USLE Universal Soil Loss Equation
UTM Universal Transverse Merkator (uniwersalne poprzeczne Merkatora)
VAT Value Attribiute Table
VBA Visual Basic For Applications
WIMP windows, icons, menu, pointer)
WGS84 World Geodetic System of 1984
C. Indeks

analiza krajobrazu, 181 klasyfikacja (wizualizacja), 93

fragmentacja, 184, 198 czenie tablic, 99
gsto liczby klas, 186 nakadanie (UNION), 115
granice i kontrast, 197 nakadanie warstw, 112
izolacja, 194 obliczenia (atrybuty), 96
ksztat, 190 palety, 93
liczba klas, 186 pomiary ksztatu, 101
czno, 201 przecinanie (INTERSECT), 113
modele danych, 181 selekcja atrybutowa, 94
modele koncepcyjne, 183 selekcja przestrzenna, 103
powierzchnia klas, 185 sumaryzacja (atrybuty), 99
poziomy analizy, 183, 200 symbolizacja, 91
procentowy udzia klas, 185 wizualizacja, 89
rwnomierno, 189 wycinanie (CLIP), 112
rnorodno, 184, 187 ANUDEM, 70, 153
strefy centralne, 191 ArcGIS
analiza rastrowa ArcHydro Tools, 175
algebra map, 130 Hawth's Analysis Tools, 60, 84, 107, 118,
alokacja, 142, 145 138
crosstabulacja (COMBINE), 128 ModelBuilder, 210
dystans, 140 program, 7
funkcje globalne, 140 rozszerzenia, 17, 126, 157, 167, 175, 249
funkcje lokalne, 126 autokorelacja przestrzenna, 17
funkcje ssiedztwa, 132 binarne mapy (bitmapy), 54
funkcje strefowe, 136 bd
grupa, 128, 135 propagacja, 86
reklasyfikacja, 127 proporcji, 87
statystyka blokowa (block), 134 redni kwadratowy (RMS), 77, 87
statystyka lokalna, 129 wspczynnik kappa, 88
statystyka ruchomego okna (focal), 133 bd pooenia, 85
statystyka stref (zonal), 137 bdy pomiarowe, 84
strefa, 128, 136 dane. Patrz anal. wekt.agregacja
wizualizacja, 122 digitalizacja ekranowa, 81
analiza terenu, 150, 156 generalizacja, 16, 22, 117
atrybuty topograficzne, 156 NoData (rastrowe), 121
ekspozycja, 159 pierwotne, 59
krzywizna, 159 pozyskiwanie, 59
LS, 165 przestrzenne, 11
nachylenie, 157 rejestracja, 16, 76, Patrz rejestracja skanu
promieniowanie soneczne, 166 struktura, 11
SPI, 164 wektorowe dopasowanie, 79
TWI, 163 wizualizacja, 17
wizualizacja, 154 datum. See ukad odniesienia
analiza wektorowa DEM, 21, 151
agregacja (DISSOLVE), 118 geomorfologia, 20
buforowanie, 110 hydrologia, 23
ekstrakcja danych, 106 linie szkieletowe, 151
 tworzenie, 151 IDW, 145
usuwanie wgbie, 168 NATURAL NEIGHBOR, 145
wypalanie rzek, 169 SPLINE, 145
dynamiczna segmentacja, 58 klasyfikacja, 182
ekologia, 24, 181 najwikszego prawdopodobiestwa, 182
ekstrakcja danych (z rastra), 105 klimatologia, 21
format kompozyt, 125
DXF (AutoCad), 52 kompresja danych, 55
E00 (ArcInfo export), 52 konwersja danych, 146
GeoTIFF, 54 liniowe, 147
GRID, 54 powierzchniowe, 148
IMG, 54 punktowe, 146
MrSID, 54 krajobraz, 29
shape file, 51 krto linii, 101
FRAGSTATS, 184, 203 mapa
fraktalny wymiar, 102, 191 analogowa, 9
geobaza, 15 numeryczna, 9
geoida, 33 przydatnoci, 211
geoinformacja, 6 skala, 9
geomorfologia, 20 tematyczna, 10, 125, 127
geostatystyka, 221 wraliwoci, 211
ESDA, 225 metadane, 15, 86
kokriging, 246 meteorologia, 21
kriging - rodzaje, 223 model
kriging - teoria, 240 regresji, 22, 207
kriging blokowy, 243 rzeczywistoci, 10, 205
kriging indykatorowy, 244 model danych, 48
kriging zwyczajny, 242 liniowa referencja, 58
modelowanie wariogramu, 235 rastrowy, 53, 120
semiwariogram, 229 TIN, 58, 151
symulacja, 221 topologia, 51
trend, 227 wektorowy, 50
wariogram eksperymentalny, 232 wektorowy model sieci, 56
wariogram powierzchniowy (mapa), 233 model GIS, 18, 130, 205
wariogram surowy, 231 autonomicznych elementw, 207
zmienna zregionalizowana, 222 bilansu masy, 23
zmienno przestrzenna, 228 deterministyczny, 208
geotechnologia, 6 diagram blokowy, 208
GIS dopywu wiata do dna, 215
historia, 8, 14 dynamiczny, 207
nauka, 19 kalibracja, 218
zadania, 7 komrkowy, 207
gleboznawstwo, 20 model regresji, 24, 28
GLM, 26 modelowanie kartograficzne, 206
GPS, 6, 61 ochrony wd, 212
hydrologia, 22, 167 promieniowanie, 22
interpolacja, 16, 221 przestrzenne wystpowanie, 25
deterministyczna, 144 przestrzenny, 206, 215
ekstrapolacja, 146 regresyjny, 206, 218
geostatystyczna. Patrz geostatystyka stabilno, 218
 statyczny, 207 rejestracja skanu
stochastyczny, 208 bd RMS, 77, 260
tworzenie, 208 georeferencja, 78
wskanikowy, 206, 211 rektyfikacja, 78
zanieczyszcze bakteryjnych, 217 resampling, 78
model kolorw, 122 rozdzielczo przestrzenna, 55
modelowanie hydrologiczne, 167 SAGA, 161
mapa akumulacji spywu, 172 satelitarne zdjcia, 71
mapa kierunku spywu, 170 GeoCover, 71
mapa sieci rzecznej, 173 Google Earth, 72
wydzielanie zlewni, 174 Landsat, 72
zagroenie powodziowe, 177 shape file, 51
zlewnia, 167 siatka geograficzna, 35
zlewnie sprzone, 176 skala bada, 150
Monte Carlo, 28, 87, 218 skaner, 75
niepewno, 18, 84 SQL, 95
ochrona rodowiska, 28, 199, 206 statystyczne powierzchnie, 52
odwzorowanie kartograficzne, 37 tablica LUT, 123, 259
Gaussa-Krgera, 42 teledetekcja, 6
LAEA (Lamberta), 43 Thiessena poligony, 53, 58, 142
LCC (stokowe Lamberta), 44 Toblera prawo, 6
Merkatora, 40 TOPMODEL, 23, 163
parametry, 38 triangulacja, 32
podzia, 37 triangulacja Delanuay, 58
sprowadzanie do wsplnego, 39 ukad
UPS, 42 GUGIK-1980, 1965,1942, 46
UTM, 40 odniesienia (pionowy), 37
Winkel Tripel, 39 odniesienia (poziomego), 35
znieksztacenia, 38 wsprzednych prostoktnych, 31
palety, 93, 123 wsprzdnych geograficznych, 34
Polska (mapy cyfrowe) USLE (RUSLE), 165
Corine2000 (pokrycie terenu), 64, 67 VAT (tab. atrybutowa), 120
lotnicze zdjcia, 75 VBA, 98
MPHP (hydrografia), 64, 65 WGS84, 33
numeryczna mapa terenu, 68, 152 zacienienie topograficzne, 166
poudnik, 34 zbiory rozmyte, 85
poudnik zerowy, 34 Ziemia
prbkowanie, 16, 60, 225 elipsoida, 32
pseudokolory, 122 ksztat historia, 31
R, 219 zmienne, 11
D. Spis ramek

1.1 Oprogramowanie GIS (ArcGIS firmy ESRI)

3.1 Konwersja zapisu DD/DMS w kalkulatorze systemu Windows
3.2 Shape file (SHP) format wektorowy w ArcGIS
3.3 Formaty rastrowe w GIS
3.4 Prbkowanie w ArcGIS z wykorzystaniem Hawths Analysis Tools
3.5 Komputerowa mapa podziau hydrograficznego Polski (MPHP)
3.6 Cyfrowa mapa pokrycia terenu Polski Corine 2000
3.7 Numeryczna mapa terenu Polski (DTED 2, SRTM)
3.8 Zdjcia satelitarne Polski Landsat (GeoCover)
3.9 Google Earth
3.10 Hawths Analysis Tools konwersja punktylinie (SHP)
3.11 Bd pomiarowy
3.12 Metadane
4.1 SQL w ArcGIS
4.2 Tworzenie wyrae obliczeniowych w Visual Basic
4.3 Obliczenia za pomoc skryptu (programu) w Visual Basic for Applications (VBA)
4.4 Pomiar ksztatu obiektw wektorowych w ArcGIS (9.1)
4.5 Sposb przypisywania atrybutw za pomoc relacji przestrzennych w ArcGIS (9.1)
4.6 Hawths Analysis Tools generalizacja linii
5.1 Warto NoData na mapach rastrowych w ArcGIS
5.2 Wyraenia obliczeniowe algebry map w ArcGIS
5.3 Obliczanie statystyk w strefach za pomoc funkcji Zonal Statistics (++) w Hawths
Analysis Tools
6.1 Tworzenie DEM dla Polski z DTED 2 i MPHP w ArcGIS
6.2 Program SAGA
6.3 ArcHydro Tools (rozszerzenie ArcGIS do analizy hydrologicznej)
7.1 Program FRAGSTATS
8.1 ModelBuilder w ArcGIS
8.2 R program naukowy do analizy danych
9.1 Programy geostatystyczne