0

وبلاگ

سامانه آموزش سیستم اطلاعات جغرافیایی و سنجش از دور مقالات دانش محور نقشه های کروپلت – مقدمه ای بر طبقه بندی داده

نقشه های کروپلت – مقدمه ای بر طبقه بندی داده

ما را در شبکه های اجتماعی دنبال کنید

Follow us on Social Networks

Instagram: giscoders

منظور از نقشه های کروپلت چیست ؟

نقشه کروپلت، از انواع مختلف سایه زنی و رنگ بر اساس داده های کمی بهره می برد. اما مشکل برای نقشه های کروپلت مربوط به وجود روش های بسیاری است که در طبقه بندی داده ها وجود دارد. برای مثال، روش Equal Interval و یا Quantile، Natural Breaks یا Pretty Breaks همگی روش هایی برای طبقه بندی داده در نمایش و ترسیم نقشه های کروپلت می باشند. اما چه تفاوتی بین آنها وجود دارد. در این مطلب به این موضوع می پردازیم که چطور روش مناسب برای طبقه بندی داده ها در تهیه ی نقشه کروپلت را انتخاب کنیم. 

تعداد کلاس های مورد نظر خود را تعیین کنید

نخست آنکه بایستی داده ها را بر اساس چندین طبقه یا دسته تجمیع نمود. اگر تعداد کلاس های بیشتری داشته باشید، قدرت انعطاف یا نوسان یا مانور بیشتری خواهید داشت که البته برخی مواقع جداسازی و تفکیک طبقات بر اساس رنگ یا سیمبل را مشکل می سازد. برای تست روش های مختلف و نتایجی که از روش های مختلف طبقه بندی حاصل می شود می توانید از جعبه های یا پلت های رنگی از پیش آماده استفاده کنید که در نرم افزارهای مختلف و از جمله نرم افزار Arc GIS بدین منظور تعبیه شده است. برای مثال در زیر 10 طبقه یا کلاس نشان داده شده است که برای تفکیک و نمایش آنها از طیف رنگ آبی استفاده شده است.

اگر تعداد کلاس ها را کاهش دهید، مسلماً فاصله طبقاتی هر کلاس افزایش می یابد و همچنین اختلاف بین طبقات نیز افزایش می یابد. مانند طبقه بندی که در شکل زیر نشان داده شده است.

در کل، تعداد کلاس یا طبقاتی که برای نمایش نقشه کروپلت تعیین می کنید بستگی به هدفی دارد که مد نظر شما است که در موارد مختلف و بسته به شرایط مختلف، متفاوت است.

متد طبقه بندی داده را تعیین کنید

دوم آنکه، بایستی روش طبقه بندی داده ها را تعیین کنید و تصمیم بگیرید که از چه روشی استفاده کنید. به زبان دیگر روش های طبقه بندی داده ها، داده های شما به همراه مرز و محدوده آنها که توسط کلاس ها از یکدیگر جدا شده اند را آرایش داده و تنظیم می کند. به عنوان مثال می توانید کلاس های داده های خود را با استفاده از روش Equal Interval از یکدیگر تفکیک و جداسازی کنید.

به جای روش Equal Interval می توانید از روش Quantile استفاده کنید تا داده ها را طبقه بندی کنید به طوری که این روش داده ها را به صورت دیگری طبقه بندی می کند همانند حالتی که در شکل زیر نشان داده شده است.

هر تکنیک طبقه بندی داده، نقشه های کروپلت خاصی ایجاد می کنند که البته همگی نتایج مختلفی و جنبه های مختلفی را به نقشه خوان نمایش می دهند. چیزی که باید به آن توجه کنید آن است که شما از داده های یکسانی در نقشه کروپلت استفاده کرده اید اما چیزی که باعث تغییرات در نمایش نقشه ها شده است، چگونگی طبقه بندی داده ها یا تکنیک طبقه بندی داده ها در نمایش نقشه های کروپلت است.

ایجاد یک نقشه کروپلت

مهمترین چیزی که باید به آن توجه شود آن است که برای هر یک از این نقشه های کروپلت، از داده های یکسانی استفاده شده است و تنها چیزی که باعث ایجاد اختلاف در این نقشه ها شده، روش و تکنیک طبقه بندی داده ها است. در این مثال تعداد حروفی که در نام های هر کشوری وجود دارد را شمارش می کنیم. برای مثال Mali ،Cuba ،Peru و … کشورهایی هستند که دارای 4 حرف می باشند. در حالی که Bosnia و Herzegovina دارا 22 کاراکتر است. در صورتی که کاراکترهای 4 تا 22 را رنگی کنید این حالت باعث ایجاد تعداد رنگ های بسیاری می شود. برای مثال کشورهای چهار حرفی را می توان سبز روشن کرد و با افزایش تعداد کاراکترهای نام کشورها، درجه تیرگی رنگ سبز را افزایش داد. نتیجه می تواند به صورت یک نقشه کروپلت همانند شکل زیر نمایش داده شود.

نقشه کروپلت که با استفاده از تعداد حروف نام کشورها رنگزنی شده است

چه کشوری مرتبط به چه گروهی است ؟ یافتن این مورد کمی دشوار است. در نتیجه به همین دلیل است که از طبقه بندی داده ها استفاده می شود. هنگامی که داده ها را در چندین کلاس طبقه بندی می کنیم، تعداد رنگ ها کاهش یافته و در نتیجه داده ها در گروه هایی تجمیع می شوند. در نهایت، پرسش آن است که چطور می توان این کلاس ها یا مرز بین آنها را تعریف کرد ؟ به ببان دیگر، چطور می توان داده ها را در گروه ها یا کلاس هایی دسته بندی یا طبقه بندی نمود. نخست سعی می کنیم کلاس ها را به کلاس هایی با فواصل  طبقاتی برابر تقسیم کنیم، همچون روش Equal Interval که از این سیستم برای طبقه بنی داده ها استفاده می کند همانند چیزی که در شکل زیر نشان داده شده است:

روش طبقه بندی داده فواصل مساوی (Equal Interval)

روش طبقه بندی فواصل مساوی (Equal Interval):

در اصل روش عملکرد این سیستم طبقه بندی در آن است که کلاس ها را با فواصل مساوی توزیع می کند در نتیجه فاصله طبقاتی در همه کلاس ها با یکدیگر برابر است.

  • کلاس 1: 4 – 8 که 113 کشور دارای چهار، پنج، شش، هفت و یا هشت حرف دارند.
  • کلاس 2: 8 – 12 که شامل 41 کشور می شود.
  • کلاس 3: 12 – 16 که شامل 12 کشور می شود.
  • کلاس 4: 16-20 که شامل 8 کشور می شود.
  • کلاس 5: 20-24 که شامل 2 کشور می شود.

حداقل تعداد حروف نام کشورها مربوط به کشور Peru است. حداکثر تعداد کاراکترها مربوط به نام کشورهای 24 حرف است که مربوط به جمهوری آفریقای مرکزی است. هنگامی که هر کشور به همراه تعداد حروف نام آن بر روی نقشه پلات می شود، چیزی مشابه نقشه زیر نشان داده می شود : 

روش طبقه بندی داده فواصل مساوی یا Equal Interval، مقدار حداکثر را از حداقل کسر نموده و سپس بر تعداد کلاس ها تقسیم می کند. به طور مثال، 5 کلاس را در نظر می گیریم که البته تعداد کلاس ها کاملاً توسط کاربر تعریف می شود، سپس تفاضل بین ماکزیمم و مینیمم داده بر تعداد کلاس ها تقسیم می شود تا فاصله طبقاتی مساوی که در بین همه کلاس ها یکسان است، محاسبه شود. 

تقریباً همیشه، نقشه های کروپلت با فواصل مساوی منتهی به تعداد نامساوی از کشورها در کلاس ها می شود بدین معنا که تعداد مشاهداتی که در هر کلاس قرار می گیرد، نابرابر است. برای مثال کلاس 1 دارای تعداد 113 کشور از 176 کشور است که دارای 4، 5، 6 و 7 حرف دارند. 

در هر حال، تنها 2 کشور، دارای حروفی بیش از 20 کاراکتر هستند. در نتیجه، این نقشه بیشتر بخش های رنگی را در طیف روشن تر نمایش می دهد و تنها دو رنگ را در بخش تیره تر نشان می دهد. اما اگر بخواهید تعداد کشورهایی که در هر کلاس قرار می گیرند نسبتاً برابر باشند، چه خواهد شد؟ این وضعیت زمانی است که باید از روش طبقه بندی Quantile استفاده کنید. 

روش طبقه بندی Quantile یا تعداد مساوی

نقشه هایی که از روش طبقه بندی Quantile استفاده می کنند، تلاش دارند تعداد برابری از عوارض را در هر یک از کلاس ها قرار دهند. به عبارت دیگر، نقشه های Quantile تلاش دارند، کلاس ها را طوری تنظیم کنند که دارای تعداد عوارض یا مشاهدات برابری باشند. در نتیجه، رنگبندی عوارض به صورت مساوی در نقشه توزیع می شوند. 

  • کلاس 1: 4 – 6
  • کلاس2: 6-7
  • کلاس 3: 7-8
  • کلاس 4: 9-11
  • کلاس 5: 12-24

نقشه های Quantile تعداد عوارض را گرفته سپس تعداد عوارض را بر تعداد کلاس ها تقسیم می کند تا مقدار میانگین را به دست آورد. نهایتاً نقشه های Quantile تعداد عوارض هر گروه را شمرده و آنها را تا حد ممکن نزدیک به مقدار متوسط توزیع می کند. 

همان طور که مشاهده می شود، تعداد عوارض هر کلاس بسیار مشابه بوده و نزدیک به 35.2 است. برای هر کلاس، تعداد خیلی کم و یا خیلی زیاد از عوارض وجود ندارد. 

علی رغم شیوه متعادل کننده نقشه های کروپلت quantile، این نقشه ها باز هم می توانند گمراه کننده باشند. آنها غلط انداز هستند زیرا مردم تمایل به مشاهده یکی از رنگ ها و دسته ها در یک گروه دارند. برای مثال کشورهای 12 حرفی دارای درجه رنگ مشابهی با کشورهای 24 حرفی هستند. این مسئله را چطور می توان توجیه کرد ؟ 

روش طبقه بندی شکستگی هایی طبیعی یا الگوریتم natural Breaks با استفاده از روش بهینه سازی شده Jenks

نخستین چیزی که در مورد روش طبقه بندی natural break (jenks) باید به یاد داشت آن است که این روش یک متد بهینه سازی شده برای نقشه های کروپلت است. به طور خلاصه، این متد هر یک از گروه ها را به گونه ای تنظیم می کند که دارای حداقل واریانس درون گروهی و بیشترین واریانس میان گروهی باشند. 

  • کلاس 1: 4-6
  • کلاس 2: 6-8
  • کلاس 3: 8-12
  • کلاس 4: 12-18
  • کلاس 5: 18-24

روش Natural Breaks یک رویکرد تکرارشونده را از طریق محاسبه مجموع مربعات انحرافات بین کلاس ها انجام می دهد تا ماتریس میانگین را محاسبه کند. سپس الگوریتم از GVF با مقدار 1 برای برازش کامل و 0 برای انطباق ضعیف استفاده می کند. 

خالق متد طبقه بندی داده Natural Breaks یک کارتوگراف به نام جرج فردریک جنکس بود. او متخصص پایش حرکات چشم مردم، هنگامی که به نقشه ها نگاه می کنند بود و بر این اساس روش شکستگی های طبیعی را ارائه نمود. 

شما می توانید ببینید چطور این طبقه بندی داده نوسانات در هر گروه را کمینه می کند. با اینکه کشورهایی با تعداد حروف کمتری وجود دارند، این متد رنج یا فاصله طبقاتی مناسبی برای آنها تعیین می کند. اما همچنان این روش داده های پرت را در گروه های تنطیم می کند که دارای حروف بلندتری در کلاس خودشان هستند. 

روش طبقه بندی انحراف معیار (Standard Deviation)

روش انحراف معیار یک تکنیک آماری از نمایش نقشه ها است که بر اساس اختلاف داده ها از میانگین قرار دارد. ابتدا میانگین و انحراف معیار داده ها را محاسبه نموده سپس هر واحد انحراف معیار حول میانگین به عنوان یک کلاس تعیین شده و نقشه های کروپلت بر این مبنا ترسیم و نمایش داده می شوند. 

در مثال حاضر، متوسط تعداد حروف نام کشورها معادل 8.5 کاراکتر و دارای انحراف معیاری در حدود 3.7 کاراکتر است. در نتیجه تمامی کشورهایی که دارای 5 – 8 کاراکتر هستند در بازه 0 تا 1- انحراف معیاری طبقه بندی یا کلاس بندی می شوند. به همین ترتیب کشورهایی که دارای 9 – 12 حرف هستند در بازه 0 تا 1 انحراف معیار طبقه بندی می شوند. در نتیجه نقشه کروپلتی ترسیم می شود که در شکل زیر نشان داده شده است: 

  • کلاس 1: کمتر از 1- انحراف معیار
  • کلاس 2: بین 1- تا 0 انحراف معیار
  • کلاس 3: بین 0 تا 1 انحراف معیار
  • کلاس 4: بین 1 تا 2 انحراف معیار
  • کلاس 5: بین 2 تا 3 انحراف معیار
  • کلاس 6 بین 3 تا 4 انحراف معیار
  • کلاس 7 بیش از 4 انحراف معیار

دسته بندی های خام به عنوان خروجی نیاز به واضح سازی برای خوانندگان دارد. منظور از میانگین چیست؟ منظور از دامنه برای هر باند انحراف معیار چیست؟ علی رغم این ناهمسانی ها، نقشه هایی که از سیستم طبقه بندی انحراف معیار استفاده می کنند، به دلیل منشا و ریشه آماری که این روش از آن بهره می برد، می تواند یکی از بهترین گزینه ها باشد. تمامی کشورهایی که دارای 4 حرف هستند دارای انحراف معیار کمتر از 1- هستند. کشورهایی که بین 5 – 8 حرف دارند دارای انحراف معیاری بین 1- تا 0 و کشوری که دارای 24 حرف است دارای انحراف معیاری بزرگتر از 4 می باشد زیرا بیشترین انحراف از میانگین را دارد که در حدود 8.5 است.

طبقه بندی شکستگی های زیبا (Pretty Breaks Classification)

اگر بخواهید اعدادی که در دامنه طبقات قرار می گیرند را رند کنید باید از روش شکستگی های زیبا استفاده کنید. چیزی که روش طبقه بندی Pretty Breaks انجام می دهد رند کردن هر کلاس بر اساس حد بالا و حد پائین آن است. در نتیجه به جای استفاده از یک خط شکست به طور مثال 599364 از عدد 600000 استفاده می شود که منجر  به زیباتر شدن طبقه بندی ها می شود. 

مشاهده اینکه چطور رندسازی اعداد اتفاق می افتد کمی مشکل است در مثال حاضر به دلیل آنکه همه روش ها اعداد رند ایجاد می کند این حالت چندان قابل مشاهده نیست اما هنگامی که از اعداد بزرگ مثل جمعیت برای ترسیم نقشه های کروپلت استفاده می شود، استفاده از این روش منجر به ایجاد طبقه بندی های بسیار رندتر و زیباتر می شود. 

  • کلاس 1: 4 – 5 
  • کلاس 2: 5 – 10
  • کلاس 3: 10 – 15
  • کلاس 4: 15 – 20
  • کلاس 5: 20 – 24

به دلیل ایجاد اعداد رند، روش Pretty Breaks نیز یکی از روش های مرسوم و پرکاربرد در طبقه بندی داده ها و نقشه ها است. 

در شکل زیر روش های طبقه بندی مختلفی که برای یک نقشه کروپلت جمعیت مورد استفاده قرار گرفته اند نمایش و نتایج آنها نشان داده شده است. می توانید اختلاف عملکرد هر یک از روش ها را در این شکل مشاهده کنید. 

نقشه های کروپلت از سایه زنی و رنگبندی های مختلفی برای نمایش کمیت های عددی در مناطق مختلف استفاده می کند. در برخی موارد، نقشه کش ها از روش های طبقه بندی داده های مختلفی برای ایجاد نقشه های کروپلت خاص استفاده می کنند. هر روش طبقه بندی داده به روش متفاوتی بر مشاهده کننده نقشه اثر می گذارد. روش های مختلفی برای طبقه بندی داده ها در GIS وجود دارد که در این مقاله برخی از اختلافات این روش ها را در مورد نقشه های نمایش نقشه های کروپلت مورد اشاره قرار دادیم. از همین روش ها برای طبقه بندی و دسته بندی داده هایی همچون، نرخ جرائم، سطوح آموزش و یا سیایت نیز می توان استفاده نمود. در اصل این روش ها برای دسته بندی و طبقه بندی داده ها اعم از داده های مکانی و غیر مکانی قابل استفاده هستند. 

ما را در شبکه های اجتماعی دنبال کنید

Follow us on Social Networks

Instagram: giscoders

ما را در شبکه های اجتماعی دنبال کنید

Follow us on Social Networks

Instagram: giscoders

برچسب ها:

مطالب زیر را حتما مطالعه کنید

چرا پنجره اتمسفری در علوم زمین دارای اهمیت است ؟

تصاویر ماهواره DigitalGlobe: ووردویو(Worldview)، ژئوآی(GeoEye) و آیکونوس (IKONOS)

راهنمای طبقه بندی نزدیکترین همسایه در e-Cognition

تصاویر چند طیفی (Multi-spectral) در مقایسه با تصاویر ابر طیفی (Hyper-spectral)

فتوگرافی هوایی (Aerial Photography) در مقابل ارتوفوتوگرافی (Orthophotography)

راهنمای جامع لیدار (Light Detection and Ranging – LiDAR)

دیدگاهتان را بنویسید

Copy Protected by Chetan's WP-Copyprotect.

با عضویت در خبرنامه از آموزش های جدید رایگان در ایمیل خود مطلع شوید