روش های طبقه بندی لایه های رستری در Arc GIS
مدل داده رستری (Raster Data Model) چیست ؟
داده های رستری عوارض جغرافیایی را به وسیله پیکسل های مربعی و مستطیلی که در کنار یکدیگر قرار گرفته اند و تشکیل یک شبکه رستری داده است به نمایش می گذارد. هر سلول ارزشی دارد که برای نمایش ویژگی های یک موقعیت مانند ارتفاع، دما و یا ارزش های طیفی به کار می رود.

داده های رستری معمولاً برای نمایش و مدیریت تصاویر، مدل های رقومی ارتفاعی و بسیاری پدیده های دیگر به کار می رود. گاهی اوقات لایه های رستری به عنوان روشی برای نمایش عوارض نقطه ای، خطی و یا سطحی به کار می رود. در مثال زیر چگونگی نمایش یک سری پلیگون به صورت یک لایه رستری را ملاحظه می کنید:

رستر می تواند برای نمایش همه عوارض جغرافیایی به کار رود (عوارض، تصاویر، سطوح). توانایی بالای لایه های رستری، در عملگرهای تحلیلی پردازش زمین می باشد. علاوه بر این برای استفاده از انواع داده های جهانی و استفاده از تصاویر در محیط GIS می توانید به طور فوق العاده ای از داده های رستری برای نمایش عوارض، به کار بردن اهداف جغرافیایی استفاده نمایید تا مدل سازی و آنالیز بر پایه لایه های رستری را انجام دهید.
داده رستری چیست ؟
در شکل ساده، یک رستر دربردارنده ماتریسی از پیکسل ها می باشد که به صورت ردیفی و ستونی در کنار یکدیگر قرار گرفته اند وهرسلول یا پیکسل دربردارنده ارزشی است که شامل یک سری اطلاعاتی مانند دما، بارش، ارتفاع و … می گردد. رستر می تواند یک عکس هوایی دیجیتالی، یک تصویر ماهواره ای یا عکس دیجیتالی و یا نقشه های اسکن شده باشد.

پدیده های جهان واقعی به سه فرم به داده های رستری تبدیل می گردد که در گراف زیر مشاهده می نمائید:

داده های شماتیک (Thematic Data) : عوارض همچون کاربری زمین و نوع خاک را نمایش می دهد. داده های پیوسته (Continuous data) : شامل پدیده هایی همچون دما، ارتفاع، و تصاویر ماهواره ای و عکس های هوایی می گردد. تصاویر و عکس ها (Picture – Image) : شامل نقشه های اسکن شده و عکس های برداشت شده می شود. لایه های رستری شماتیک و پیوسته ممکن است به صورت لایه های اطلاعاتی به همراه سایر داده های جغرافیایی در نقشه نمایش داده شوند. اما معمولاً به صورت مرجع اطلاعاتی برای تحلیل فضایی ابزار Spatial Analyst در نرم افزار Arc GIS مورد استفاده قرار می گیرد. لایه های رستری تصویری معمولاً به صورت جداول توصیفی مورد استفاده قرار می گیرد. آنها نیز می توانند با داده های جغرافیایی دیگر نمایش داده شوند و می توانند برای انتقال اطلاعات اضافی در مورد عوارض نقشه به کار روند. زمانی که ساختار لایه رستری ساده باشد به طور فوق العاده ای برای طیف گسترده ای از کاربردها مناسب می باشد. در سیستم GIS استفاده از داده های رستری در چهار دسته اصلی طبقه بندی می شوند که در گراف زیر مشاهده می شود:

منظور از طبقه بندی یا Classification چیست ؟
برمبنای تعریفی که در دیکشنری کمبریج از واژه طبقه بندی (Classification) آورده شده است “طبقه بندی عملیات و یا فرایندی است که در آن اشیا و یا پدیده ها بر اساس خواص و یا نوعشان در گروه های قرار داده شود.” این تعریف کلی در ارتباط با طبقه بندی های لایه های رستری در محیط سیستم اطلاعات جغرافیایی نیز صادق است. با این توضیح که ویژگی ها و خواص مشترکی که در این تعریف از آن یاد شده است، مقادیر عددی پیکسل ها است که توسط روش ها و متدهای خاصی، این آستانه ها تعیین و تعریف شده و در گروه ها و دسته هایی قرار داده می شود.
انواع روش های طبقه بندی داده های رستری در نرم افزار Arc GIS
در نرم افزار Arc GIS روش های مختلفی برای طبقه بندی داده های رستری وجود دارد. در این بخش به توضیح در مورد هر کدام می پردازیم. به طور کلی نرم افزار Arc GIS از هفت روش مختلف طبقه بندی داده های رستری استفاده می کند. این هفت روش قابلیت استفاده بر روی لایه های رستری تک باند و یا چند باند و تصاویر ماهواره ای و همچنین مدل های رقومی ارتفاعی را دارا است. در شکل زیر نتایج طبقه بندی یک لایه رستری با استفاده از روش های مختلف را نمایش می دهد. به طوری که ملاحظه می گردد نوع طبقه بندی لایه رستری مستقیماً در تفکیک عوارض و تغییرات موجود بر سطح لایه رستری اثر گذار است.

1- روش طبقه بندی دستی یا Manual
در این روش دامنه تغییرات ارزش های پیکسل های لایه های رستری بر اساس نظارت کاربر به قطعاتی تقسیم می گردد. در این روش تعداد کلاس ها و نیز فاصله طبقاتی در هر کلاس توسط کاربر تعریف می گردد. این روش در مواردی که طبقه بندی بایستی کاملاً بر یک مبنای تعریف شده و شخصی سازی شده صورت گیرد، مناسب است. در مواردی که آستانه های طبقه بندی خاصی مد نظر نیست و یا ایده خاصی برای تعیین تعداد و دامنه تغییرات وجود ندارد، بهتر است از روش های دیگر که در ادامه مورد بحث قرار می گیرد استفاده شود. به طوری که در شکل بعد مشاهده می شود، در روش Manual تعداد طبقات و فاصله بین هر طبقه به طور دستی و به تشخیص کاربر تعیین می گردد.

2- روش طبقه بندی با فواصل مساوی یا Equal Interval
در این روش، طبقه بندی بر اساس تقسیم دامنه تغییرات ارزش پیکسل ها در لایه رستری به فواصل مساوی انجام می گیرد. در نتیجه فاصله طبقاتی به صورت خودکار به فواصل مساوی تقسیم می گردد. در نتیجه تعداد کلاس ها برای طبقه بندی توسط کاربر تعریف شده و فاصله طبقاتی بین کلاس ها که همگی ثابت و با هم مساوی است بسته به دامنه تغییرات عددی پیکسل های لایه رستری تعیین می گردد. در صورتی که چولگی مثبت و یا منفی در توزیع فراوانی پیکسل ها وجود داشته باشد این روش با مشکل رو به رو شده و تعداد زیادی از پیکسل های پوشش دهنده لایه رستری را در یک یا چند کلاس محدود قرار داده و در نتیجه قدرت تفکیک اشیا در لایه رستری کاهش پیدا خواهد کرد. در نتیجه در صورتی که منحنی توزیع فراوانی پیکسل ها تمایل به چولگی به سمت راست و یا چپ نشان دهد، بهتر است با احتیاط از این روش استفاده شود. در روش Equal Interval دامنه تغییرات یا R به تعداد طبقات یا S تقسیم شده و در نتیجه فاصله طبقاتی یا Interval به دست خواهد آمد. این فاصله طبقاتی به طور یکسان و ثابت برای تمامی کلاس ها در نظر گرفته می شود. به همین دلیل نام فواصل مساوی یا Equal Interval برای این روش در نظر گرفته شده است.

3- روش طبقه بندی با فواصل تعریف شده یا Defined Interval
در این روش، فاصله طبقاتی توسط کاربر تعیین شده و تعداد کلاس ها بسته به دامنه تغییرات عددی پیکسل های لایه رستری به صورت خودکار تعیین می گردد. این روش همچون روش هنگام استفاده از داده های چوله به راست و یا چپ نیاز به احتیاط بیشتری دارد. خصوصاً زمانی که هدف اصلی از طبقه بندی لایه رستری بارزسازی تغییرات در بافت شبکه رستری باشد، این مسئله اهمیت بیشتری پیدا خواهد کرد. در روش Defined Interval یا فواصل تعریف شده، فاصله طبقاتی توسط کاربر تعیین و تعریف می گردد سپس دامنه تغییرات بر این فاصله طبقاتی تعریف شده تقسیم و تعداد طبقات محاسبه می شود. روش طبقه بندی دامنه عددی پیکسل های لایه رستری بر روی منحنی توزیع فراوانی پیکسل های لایه رستری در شکل زیر نمایش داده شده است.

4- روش طبقه بندی چارکی یا Quantile
روش دیگر در طبقه بندی لایه های رستری در نرم افزار Arc GIS روش طبقه بندی چارکی یا Quantile می باشد. روش طبقه بندی چارکی همواره تلاش می کند که تعداد ثابتی از پیکسل ها را در یک کلاس قرار دهد. بدین معنا که هر کلاس از لحاظ مقادیر عددی پیکسل ها دارای تعداد ثابتی است. در این روش تعداد کل مشاهدات (مقادیر عددی پیکسل ها) بر تعداد کلاس هایی که توسط کاربر تعریف می گردد تقسیم شده و در نتیجه تعداد مقادیری که در هر کلاس بایستی قرار گیرد، تعیین می گردد. در نتیجه به این صورت تمامی مشاهدات که در اینجا مقادیر عددی پیکسل های لایه رستری است در کلاس ها طبقه بندی می گردند به صورتی که در هر طبقه تعداد مشاهدات (یا پیکسل هایی که در رنج عددی هر کلاس قرار می گیرند) در تمام طبقات با هم برابر است. این روش به شدت تمایل به بخش های با فرکانس بالای لایه های رستری دارد و تعداد کلاس ها را در این محدوده افزایش می دهد و در مقابل فاصله طبقاتی به تبع کاهش می یابد. این روش برای لایه های رستری دارای عدم تجانس، ناهمگن در بافت و در توزیع عددی پیکسلها در پهنه لایه رستری مناسب است. در مورد تصاویر ماهواره ای این روش در بارزسازی اشیاء و عوارض و ایجاد کنتراست در بین عوارض مختلف سطح زمین مناسب است. در مواردی که توزیع فراوانی پیکسل های لایه رستری دارای چولگی راست و یا چپ است این روش توصیه می گردد که به خوبی می تواند در بارزسازی تغییرات و تفکیک بهتر عوارض مورد استفاده قرار گیرد.

5- روش طبقه بندی شکست های طبیعی یا Natural Breaks
روش طبقه بندی شکستگی های طبیعی یا Natural Breaks یک روش آماری و زمین آماری در طبقه بندی دامنه تغییرات یک توزیع به طبقاتی با کمترین واریانس درون گروهی و بیشترین واریانس بین گروهی است. در نتیجه در روش شکستگی های طبیعی که به روش بهینه سازی شده جنکس (الگوریتم بهینه شده جنکس) در نرم افزار Arc GIS پیاده سازی شده است، اعضایی که در هر کلاس قرار داده می شوند بیشترین شباهت را با اعضای دیگر هم گروه خود و بیشترین اختلاف را با با اعضای سایر گروه ها دارد. این روش طبقه بندی برای قرار دادن پیکسل ها در گروه های همگن و گروه هایی که اعضای آنها به هم شبیه باشند، بهترین گزینه است. در صورتی که یکی از اهداف طبقه بندی، قرار دادن پیکسل های مشابه در گروه ها باشد، استفاده از روش طبقه بندی شکستگی های طبیعی توصیه می گردد. این روش با محاسبه SDAM یا Sum of Squared Deviations for Array Mean و سپس محاسبه SDCM یا Sum of Squared Deviations for Class Mean به محاسبه GVF یا Calculate Goodness of Variance Fit پرداخته و نهایتاً بر مبنای GVF تصمیم گیری می کند که چگونه آستانه طبقه بندی بین کلاس ها را تعیین کند که بیشترین شباهت درون گروهی و بیشترین تفاوت میان گروهی حاکم باشد.

6- روش طبقه بندی فواصل هندسی یا Geometrical Interval
روش طبقه بندی دیگری که در نرم افزار Arc GIS برای طبقه بندی لایه های رستری مورد استفاده قرار گرفته است، فواصل هندسی یا Geometrical Interval می باشد. در این روش ابتدا دامنه تغییرات با تفریق مقدار مینیمم از ماکزیمم محاسبه می گردد که با R در شکل زیر نشان داده شده است. سپس تعداد طبقات توسط کاربر تعیین می گردد که با N نمایش داده می شود و سپس فاصله طبقاتی یا CW از طریق رابطة CW = R^(1/N) محاسبه می گردد. این روش همچون روش چارکی تمایل به افزایش تعداد طبقات در بخش با فرکانس بالا داده دارد ولی این وضعیت به نسبت روش چارکی تعدیل شده تر انجام می گیرد. در کل برای لایه های رستری که دارای داده های چوله به راست و یا چپ باشند گزینه مناسبی است.

7- روش طبقه بندی باندهای انحراف معیار یا Standard Deviation
نهایتاً روش هفتم که در نرم افزار Arc GIS برای طبقه بندی لایه های رستری مورد استفاده قرار می گیرد، استفاده از باندهای انحراف معیار است. در این روش ابتدا میانگین و انحراف معیار کل لایه رستری بر اساس متوسط مقادیر عددی تمامی پیکسل ها محاسبه می گردد. بر اساس میانگین و انحراف معیار توزیع فراوانی لایه رستری، منحنی توزیع نرمال بر روی توزیع داده ها تنظیم می گردد (Normal Curve Fitting) سپس برای تعریف آستانه های کلاس اول مقدار 0/5 انحراف معیار بیشتر و کمتر از میانگین کلاس یا طبقه اول را تعریف می کند. به همین منوال 0/5 تا 1 انحراف معیار مثبت و منفی، کلاس دوم را تعریف خواهد کرد، 1 تا 1/5 انحراف معیار منفی و مثبت کلاس سوم را تعریف می کند 1/5 تا 2/5 انحراف معیار، کلاس چهارم و >2/5 انحراف معیار مثبت و منفی کلاس پنجم را تعیین می کند. در نتیجه تعداد کلاس ها در روش طبقه بندی انحراف معیار 5 کلاس خواهد بود. که البته در نرم افزار Arc GIS برای ایجاد تعداد کلاس های بیشتر با شکستن هر یک از کلاس ها به زیرکلاس های دیگر امکان بالابردن تعداد طبقات را ایجاد نموده است بدین منظور از 1/2 Std.Dev می توان 9 کلاس، از 1/4 Std.Dev م یتوان 12 کلاس و 1/4 Std.Dev می توان 16 کلاس تولید نمود.

دیدگاهتان را بنویسید