Professional Documents
Culture Documents
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
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
A. Literatura
B. Spis akronimw
C. Indeks
D. Spis ramek
1. WPROWADZENIE
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.
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.
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.
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].
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.
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.
Rys. 3.2 Wzajemne pooenie powierzchni Ziemi i jej dwch modeli: elipsoidy i geoidy.
Rys. 3.3 Geograficzny ukad wsprzdnych na elipsoidzie modelu Ziemi: a dugo geograficzna ; b
parametry opisujce elipsoid; c szeroko geograficzna .
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.
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.
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.
Rys. 3.9 Ukad wsprzdnych paskich prostoktnych 1992. Z prawej strony cyfrowa mapa topograficzna czci
Sopotu wykonana w tym ukadzie wsprzdnych
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.
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.
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
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.
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.
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.
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
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)
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 .
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)
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
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
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.
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. 3.36 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.
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).
Ramka 3.11
Bd pomiarowy
SW2 bd pomiarowy
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).
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..
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. 4.3 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.
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).
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.
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.
Ramka 4.2
Tworzenie wyrae obliczeniowych w Visual Basicu
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
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.
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).
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 ).
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 Liczba poligonw i statystyki (rednia, suma,
przecina linia z warstwy A mimimum, maksimum, odchylenie standardowe,
wariancja) ze wszystkich atrybutw.
Najbliszy poligon z warstwy Wszystkie atrybuty i odlego
B
Poligon z warstwy B w Wszystkie atrybuty
ktrym mieci si linia
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).
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).
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).
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. 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)
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. 5.6 Analiza zdjcia cyfrowego wykorzystujca selekcj rekordw tablicy VAT.
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.
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.
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).
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.
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.
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.
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) .
Ramka 5.3
Obliczanie statystyk w strefach za pomoc funkcji Zonal Statistics (++) w Hawths Analysis
Tools
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.
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
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).
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).
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.
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
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.
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]).
Rys. 6.4 Profil terenu wykonany z mapy DEM (darmowe oprogramowanie 3DEM
http://www.visualizationsoftware.com/3dem.html )
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
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
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).
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
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).
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.
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
na powierzchni Ziemi. Stan atmosfery jest okrelany za pomoc
szeregu parametrw (transmisji, ktra umoliwia uwzgldnienie
zachmurzenia albo zawartoci wody i czsteczek zawieszonych w
powietrzu).
Hypsometry Tworzy krzyw hipsometryczn dla danego DEM w formie tablicy
(Krzywa hipsometryczna) (wykresu).
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)
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.
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.
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).
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)
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.
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.
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).
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.
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.
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).
Rys. 7.7 Mapa indeksu ksztatu: a mapa krajobrazu; b lokalna miara indeksu ksztatu (wyznaczona
dla kadego elementu krajobrazu).
gdzie:
i klasa,
j numer elementu krajobrazu danej klasy,
pij- obwd danego elementu krajobrazu,
aij- powierzchnia danego elementu krajobrazu.
Rys. 7.8 Strefy centralne tworz obszary oddzielone od granic elementu buforem wewntrznym.
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.
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:
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:
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.
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).
Rys. 7.10 Ocena bliskoci do innych poszczeglnych elementw krajobrazu: a krajobraz wyspowy; b
policzone wartoci indeksu PROX.
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).
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.
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.
gdzie:
i klasa,
aij powierzchnia (m2) elementu krajobrazu,
A powierchnia caego krajobrazu (m2).
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.
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.
Rys. 7.15 Policzone miary procentu identycznego ssiedztwa (PLADJ) i indeksu agregacji (AI).
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
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.
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.
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.
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. 8.8 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.
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) .
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. 9.4 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?
C XY
XY
X Y (9.2)
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,
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
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)
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.
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.
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.
3h 2
h C 1 exp (9.17)
a2
gdzie:
C prg,
a zakres,
h odstp.
h h ,h
x y 1 h
1
(9.18)
2 2
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.
f x ,y
j j
v x,y
i i
waga (9.20)
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
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.
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%)..
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.
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).
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
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