КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Приемы математико-картографического моделирования
Формализованное картографическое изображение хорошо приспособлено для математического анализа. Как упоминалось выше, каждой точке карты с координатами х и у поставлено в соответствие лишь одно значение картографируемого параметра I, что позволяет представить изображение данного явления как функцию т. = Р(х,у). В других случаях картографическое изображение удобно представить как поле случайных величин и воспользоваться для его анализа вероятностно-статистическими методами. В принципе почти все разделы математики применимы для обработки и анализа картографического изображения. Проблема лишь в том, чтобы точно подобрать математическую модель и, главное, дать надежное содержательное истолкование результатам моделирования. Достаточно прочно в картографический анализ вошли некоторые разделы численного анализа, многомерной статистики, теории вероятностей и теории информации. Аппроксимации. Под аппроксимациями в математике понимают замену (приближение) сложных или неизвестных функций другими, более простыми функциями, свойства которых известны. Любую сложную поверхность (поле), изображенную на изолинейной карте, можно аппроксимировать, т.е. приближенно представить в виде г=/(х,у) + е, где/(х, у) — некая аппроксимирующая функция, е — остаток, не поддающийся аппроксимации. Функцию /(х, у) можно далее разложить в ряд, представив уравнение поверхности в виде I =/,(*, У) +/2(х, у) +... +/„ (х, у) + е, где /^х, у) — компоненты разложения, которые предстоит опреде- лить. В общем случае для этого с аппроксимируемой карты снимают ряд значений г„ после чего составляют систему уравнений, решаемых совместно по способу наименьших квадратов, т.е. так, чтобы 2е,2 = 2 [Г(хгу) -/(*,, у)У = тт. Существуют разные способы аппроксимации. Это обычные алгебраические многочлены, ортогональные многочлены Чебышева и Лежандра, которые определенным образом упрощают вычисления, сплайн-функции и др. Не останавливаясь на особенностях математического аппарата, отметим, что во всех случаях задача сводится к тому, чтобы аппроксимирующее уравнение наилучшим образом описывало исходную поверхность, а сумма квадратов отклонений Ъ е.2 была бы минимальна. На рис. 12.16 показано последовательное улучшение аппроксимаций на примере несложных поверхностей. Аппроксимация 1 -го порядка (линейное уравнение) дает плоскость, отражающую только общий уклон поверхности, это очень грубое, слишком общее приближение. Поверхность 2-го порядка уже больше похожа на исходную модель, а аппроксимация 3-го порядка (кубическое уравнение) дает достаточно хорошее приближение к исходной поверхности. Тригонометрические функции позволяют описывать сложные, сильно расчлененные поверхности, а сферические функции применяют, если при вычислениях нельзя пренебречь кривизной земной поверхности. Аппроксимация с помощью двойных рядов Фурье, представленная на рис 12.17, иллюстрирует постепенное усложнение поверхности за счет добавления двухмерных синусоид с разными фазами и амплитудами. Компьютерное моделирование позволяет выполнять подобные аппроксимации для поверхностей любой сложности, вычисляя уравнения высокого порядка, содержащие порой несколько десятков членов разложения. В исследовательской практике аппроксимации используют для аналитического описания поверхностей (полей), изображенных на картах, и выполнения с ними различных действий: суммирования, вычитания, интегрирования и дифференцирования, для подсчета объемов тел, ограниченных этими поверхностями, и решения множества других задач. Одно из направлений использования аппроксимаций — разложение поверхностей на составляющие, что позволяет выделять и анализировать нормальные и аномальные факторы развития и пространственного размещения явлений (см. разд. 13.2). Глава XII. Методы использования карт Приемы математико-картографического моделирования 231
Рис. 12.16. Аппроксимации поверхностей: а — блок-диаграмма исходной поверхности; б, в, г — блок-диаграммы аппроксимирующих поверхностей соответственно 1, 2 и 3-го порядков. Рис. 12.17. Схема тригонометрической аппроксимации поверхности с помощью последовательного наложения двухмерных синусоидальных волн (по Дж. Дэвису). Приемы математической статистики. Эта группа приемов математико-картографического моделирования предназначена для изучения по картам пространственных и временных статистических совокупностей и образуемых ими статистических поверхностей. Глава XII. Методы использования карт Приемы математико-картографического моделирования 233
Рис. 12.18. Фрагмент карты рельефа (я) с сеткой точек регулярной выборки (выходы сетки отмечены на рамке), гистограмма и кривая распределения высот (б): о — частость; А — высоты рельефа. Статистический анализ картографического изображения преследует главным образом три цели: ♦ изучение характеристик и функций распределения явления; ♦ изучение формы и тесноты связей между явлениями; ♦ оценка степени влияния отдельных факторов на изучаемое явление и выделение ведущих факторов. В основу всякого статистического исследования кладется выборка, т.е. некоторое подмножество однородных величин а., снятых с карты по регулярной сетке точек (систематическая выборка), в случайно расположенных точках (случайная выборка), на ключевых участках (ключевая выборка) или по районам (районированная выборка). Выборочные данные группируют по интервалам, составляют гистограммы распределения (рис. 12.18) и затем вычисляют различные статистики — количественные показатели, характеризующие пространственное распределение изучаемого явления. Наиболее употребительные показатели — среднее арифметическое, среднее взвешенное арифметическое, среднее квадратическое, дис- Рис. 12.19. Карты явлений и поле корреляции. А — карта испарения с суши (мм/год) для территории Республики Коми; В — карта средней годовой температуры воздуха (°С) для той же территории. персия, вариация и др. Кроме того, с помощью специальных показателей (критериев согласия) можно оценить соответствие данного конкретного распределения тому или иному теоретическому закону распределения. Например, установить, согласуется ли эмпирическое распределение высот рельефа с кривой нормального распределения, как это видно на рис. 12.18, или подчиняется какой-то иной функции. Другая типичная исследовательская задача — оценка взаимосвязи между явлениями — решается с помощью хорошо разработанного в математической статистике аппарата теории корреляции. Для этого необходимо иметь выборки по сравниваемым явлениям, показанным на картах разной тематики (например, А и В). Значения а) и Ь, берут в одних и тех же 1-х точках, т.е. строго скоординировано, и затем строят график поля корреляции (рис. 12.19). Если поле корреляции может быть аппроксимировано прямой, которая называется линией регрессии, то приступают к вычислению коэффициента парной корреляции г. Его числовые значения заключены в интервале +1 > г > — 1. При г равном +1 или —1 существует функциональная прямая или обратная связь. Если г близок к 0, то связь между явлениями отсутствует, а при г > |0,7| связь считается существенной. Коэффициент корреляции рассчитывают по формуле 234 Глава XII. Методы использования карт Приемы математико-картографического моделирования 235 2>,-лО(*,-лО г = "ЯР,,
где а1 и Ь1 — выборочные данные, полученные по картам А и В; п — объем выборки (число пар данных); Ман Мь — соответствующие значения средних, аоаио,- средних квадратических. Оценку точности вычисления коэффициента корреляции г \-г получают по формуле Щ - —г=-, из которой видно, что при Ып прочих равных условиях погрешность вычисления коэффициента корреляции всегда уменьшается с увеличением объема выборки. Отсюда следует, что определение объема выборки — важная проблема при расчете коэффициента корреляции, да и вообще при вычислении всех статистических показателей. Достаточно представительной обычно считается выборка объемом 30-50 значений. В практике исследования взаимосвязей часто необходимо получить предварительную приближенную оценку коэффициента корреляции. В простых случаях это можно сделать, используя представление о статистических поверхностях. Доказано, что коэффициент корреляции примерно равен косинусу угла а между направлениями наибольших скатов (градиентов) двух сравниваемых статистических поверхностей г ~ сов а. Значения заключены в интервале соз 0° > г> соз 180°. Если а = 0°, что свидетельствует о полном совпадении направлений скатов поверхностей, то г = соз 0° = 1, т.е. между явлениями существует Рис. 12.20. Приближенное определение коэффициента корреляции по косинусу угла между направлениями наибольших скатов статистических поверхностей. а — изотермы июля в Кировской области; 6 — изолинии дат начала цветения луговых трав. прямая связь. При а = 180° скаты поверхностей направлены в противоположные стороны, и г = соз 180° = — 1, следовательно, связь высока, но отрицательна, а при а = 90° связь между явлениями отсутствует, поскольку г = соз 90° = 0. На рис. 12.20 представлены две статистические поверхности и показаны направления их наибольших скатов. Угол между ними оказался равен 36°, тогда г — = соз 36° = +0,81. Такие приближенные вычисления особенно удобны при сравнении изолинейных карт. Для оценки взаимосвязи явлений в случаях, когда трудно или невозможно получить большие выборки, используют другой показатель — ранговый коэффициент корреляции у, который вычисляют по формуле ■» - 1 и] 236 Глава XII. Методы использования карт Приемы математико-картографического моделирования 237
где рщ и рь. — ранги значений, полученных соответственно по картам А и В, т.е. их порядковые номера в возрастающей последовательности (1, 2, 3 и т.д.), а я — объем выборки. По смыслу у аналогичен коэффициенту парной корреляции г, он изменяется в интервале от —1 до +1. При этом не требуется больших объемов выборки, расчеты можно выполнять даже при п = 3. К тому же не нужны точные количественные значения о,, и />,., достаточно знать их ранги. Все это удобно для работы с картограммами, где используются интервальные шкалы, а объем выборки ограничен числом административных районов. Аппарат теории корреляции достаточно разнообразен, в нем есть показатели, удобные для анализа взаимосвязей по картам ареалов (где явления характеризуются только двумя состояниями: «есть» и «нет»), по картам качественного фона (где каждое явление имеет много состояний, но не охарактеризовано количественно). Существуют коэффициенты для расчета криволинейных зависимостей и связей между тремя явлениями (коэффициенты множественной корреляции) и т.п. Расчет корреляций дает основу для более сложных видов анализа: регрессионного, дисперсионного, факторного и др. Часто при исследованиях ставится задача выделить основные факторы, определяющие развитие и размещение того или иного явления. Эту задачу решает многомерный факторный анализ. Он позволяет свести к минимуму (к трем-четырем главным факторам) большие совокупности исходных показателей, характеризующих сложное явление. Уравнение факторного анализа имеет вид л ар =Ъ1рг/г+ер^ г = 1 где а — исходные показатели; /г — выделенные главные факторы, дающие синтетическую оценку изучаемого явления; 1рг — «вес» каждого фактора в этой синтетической оценке («факторная нагрузка»); е — остаток, характеризующий неучтенные отклонения. Приемы теории информации. Эти приемы используют для оценки степени однородности и взаимного соответствия явлений, изучаемых по картам. Речь идет об основной функции теории информации — энтропии. В термодинамике энтропия характеризует степень беспорядка в физической системе, в теории связи — степень неопределенности передаваемых сообщений, а в картографическом анализе эта функция оказалась довольно удобной для оценки степени однородности/ неоднородности (разнообразия) картографического изображения. Энтропией Е (А) некоторой системы А называется сумма произведений вероятностей со. различных состояний этой системы на логарифмы вероятностей, взятая с обратным знаком п Е(А) = Е(щ, со2,..., со,,)=- X со,1о§ 2 СО; 1=1 В теории информации принято брать логарифмы вероятностей при основании 2, что связано с двоичной системой счисления. Смысл функции не изменится, если пользоваться десятичными или натуральными логарифмами. Функция Е(А) остается неотрицательной, она обращается в нуль, когда на карте изображен только один контур или выдел (т.е. изображение совершенно однородно), и монотонно возрастает с увеличением числа контуров п. Это свойство функции энтропии позволяет количественно характеризовать неоднородность картографического изображения (рис. 12.21), понимаемую как разнообразие контуров и неравномерность их распространения по площади (различие величин со,). Кроме того, информационные функции используют для оценки степени взаимного соответствия (совпадения) контуров на разных картах. В этом случае они выполняют роль своеобразных показателей взаимосвязи явлений наподобие коэффициентов корреляции. гМ.) < Е(А,) < Е(А3) < г(*,).т„ Рис. 12.21. Увеличение энтропии Е(А) с возрастанием числа контуров на карте (а) и изменением соотношения их площадей (б). Изучение структуры 239 Глава XIII
Дата добавления: 2015-06-04; Просмотров: 2079; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |