| دسته بندی: دانشنامه | تعداد نظرات کاربران : 1 | تاریخ بروز رسانی: |
کلاس بندی یا طبقه بندی که در انگلیسی Classification نامیده میشود، «فرایند مرتب سازی یا منظم کردن موارد موجود در گروه ها یا دسته بندی ها است؛ بر روی یک نقشه، یعنی فرایند نمایش اعضای یک گروه با استفاده از یک سمبل یا نماد یکسان است که معمولا در جدول راهنمای نقشه تعریف می شود».
از طبقه بندی در GIS، نقشه کشی و سنجش از دور برای بیان و تفهیم پیچیدگی ها و استخراج معنی از حوادث جغرافیایی و داده مکانی استفاده می شود.
انواع مختلفی از طبقه بندی وجود دارد، همه آنها به طور کلی شامل یک الگو یا کلید هستند که دربرگیرنده مجموعه ای از ضوابط و معیارها است (که معمولا به خواص عوارض بستگی دارد) که در خصوص اینکه هر عارضه در کدام طبقه یا کلاس قرار گیرد، تصمیم گیری می کند.
- انواع الگوهای طبقه بندی
انواع الگوهای طبقه بندی
الگوی طبقه بندی فرم های مختلفی داشته و به شیوه های گوناگونی میتواند بدست آید. انتخاب نوع الگو و شیوه طبقه بندی به منبع دااده و جزئیات دسته بندی های که میخواهیم داده ها را درون آنها قرار دهیم، بستگی دارد.
آستانه کمی (Quantitative Thresholding)
ساده ترین روش، تقسیم گستره ای از مقادیر یک ویژگی کمی به کلاس های عدد-توصیفی است. از این شیوه معمولا برای نقشه های موضوعی پیوسته و گسسته استفاده می شود.
برای مثال، درآمد خانوار در یک کشور میتواند به صورت «پردرآمد»، «معمولی» و «کم درآمد» طبقه بندی شود. برای این نوع الگو تکنیک های مختلفی وجود داشته که مبتنی بر الگوی داده ها است:
فواصل یکسان (Equal Interval)
مقادیر مربوط به یک ویژگی را در گروه هایی قرار می دهد که دارای گستره یکسانی از مقادیر هستند. با این کار گروه های مختلفی که دارای اندازه نزدیک به هم هستند، در یک گروه قرار می گیرند. اما این امر در پدیده های جغرافیایی معمولا نمیفتد.
برای استفاده از این روش، تفاضل مقادیر حداقل و حداکثر داده های خود را محاسبه کرده و آنرا بر تعداد دسته بندی هایی که میخواهید ایجاد کنید، تقسیم کنید.
چارک (Quantile)
مقادیر یک ویژگی را به صورت مساوی بر تعداد از پیش مشخص شده کلاس ها، تقسیم می کند. مقادیر یک ویژگی با هم جمع شده و سپس بر روی تعداد از پیش معین کلاس ها، تقسیم می شوند.
برای انجام این کار، مجموع کل مشاهدات را بدست آورده و آنرا بر تعداد کلاس ها تقسیم کنید. یکی از مزایای استفاده از این شیوه، سادگی محاسبه کلاس ها و نمایش یکسان آنها بر روی نقشه است. استفاده از این شیوه برای داده های عددی-توصیفی آسان است.
Jenks Natural Breaks
سیستم طبقه بندی Jenks Natural Breaks یا بهینه سازی، شیوه ای است که برای بهینه سازی دسته بندی مجموعه ای از مقادیر درون کلاس های «طبیعی» مورد استفاده قرار میگیرد.
این روش از طریق کمینه کردن انحراف متوسط از میانگین کلاس ها با بیشینه کردن انحراف از میانگین دیگر گروه ها صورت میگیرد. این شیوه واریانس درون کلاس ها را کاهش داده و واریانس بین کلاس ها را افزایش می دهد.
فاصله هندسی (Geometric Interval)
این شیوه طبقه بندی برای تصویرسازی داده های پیوسته ای که دارای توزیع نرمال نیستند، مورد استفاده قرار میگیرد. این شیوه طراحی شده بود تا بر روی داده هایی که شامل مقادیر تکراری مازاد هستند، مورد استفاده قرار گیرد. مثلا 35% از عوارض دارای مقادیر یکسانی هستند.
انحراف معیار (Standard Deviation)
شیوه طبقه بندی انحراف معیار، مقدار میانگین مشاهدات را بدست آورده سپس کلاس ها را در بالا و پایین مقدار میانگین در فواصل 0.25، 0.5 یا 1 قرار می دهد تا زمانیکه تمام مقادیر درون کلاس ها قرار گیرند.
این شیوه طبقه بندی نشان می دهد که مقدار ویژگی یک عارضه چقدر میتواند از مقدار میانگین متفاوت باشد. از یک الگوی رنگی میتوان برای نمایش بهتر این مقادیر استفاده کرد.
درخت تصمیم (Decision Tree)
درخت تصمیم، مجموعه منظمی از سوالات است که از هر داده ورودی یا هر نقطه ای در فضا پرسیده می شود تا در خصوص دسته بندی یی که به آن تعلق دارد، تصمیم گیری شود. پاسخ به هر سوال مشخص کننده نتیجه یا تعیین کننده سوال جزئی تر بعدی است.
به علت اینکه این سوالات منشعب شده و احتمالات بیشتری را مطرح می کنند، نمودار نهایی شکل یک درخت افقی را به خود میگیرد.
سوالات مذکور میتواننند گستره وسیعی از ویژگی ها و ضوابط و معیارها را شامل شوند. به عنوان یک مثال جغرافیایی، سیستم طبقه بندی اقلیمی Köppen به عنوان یک درخت تصمیم اجرا می شود.
در GIS، الگوهای طبقه بندی درخت تصمیم از طریق اجرای کوئری مربوط به سوالات بر روی داده ها اجرا می شود. پاسخ مربوط به سوالات منجر به تعیین کلاس نهایی برای ویژگی مذکور را علامت گذاری آن برای طرح سوال بعدی می شود.
خوشه بندی چندمتغیره (Multivariate Clustering)
Clustering نوعی شیوه طبقه بندی است که به صورت رایج برای داده کاوی و تجزیه و تحلیل تصاویر سنجش از دور مورد استفاده قرار میگیرد.
این شیوه مبتنی بر این قضیه است که اگر مجموعه ای از دسته بندی ها در یک پدیده یا عارضه وجود داشته باشند (مثلا انواع پوشش اراضی)، به عنوان الگوهایی برای خصوصیات آن پدیده میبایست مورد استفاده قرار گیرند. به طور مشخص، خوشه هایی وجود دارند که در برخی ویژگی ها مشابه هم هستند اما با دیگر موارد موجود در آن ویژگی مذکور، متفاوت اند.
برای مثال، اگر انسان ها میتوانند انواع مختلف پوشش اراضی در یک تصویر هوایی را با درک شباهت ها و تفاوت ها در رنگ و بافت، شناسایی کنند، پس نرم افزارهای سنجش از دور نیز میبایست از پس چنین کاری در تصاویر چندطیفی بربیایند.
یک مثال خوب از چنین شیوه ای میتواند این باشد که: شما داده های مربوط به مشاهده شیر کوهستان را جمع آوری کرده اید و میخواهید از قلمرو آن اطلاعات بیشتری کسب کنید. آگاهی یافتن از از زمان و مکان تجمع شیرها میتواند به طراحی مناطق حفاظت شده جهت کمک به تولیدمثل موفق آنها کمک کند.
ارزیابی چندضابطه ای (Multi-criteria Evaluation)
در بسیاری از الگوهای طبقه بندی جغرافیایی، هر کلاس توسط مجموعه از ضوابط که بیانگر یک منقطه مکانی است، مشخص می شوند. در چنین موردی، پیدا کردن منطقه متناسب با هر کلاس میتواند با استفاده از شیوه ارزیابی چندضابطه ای انجام شود. این کار میتواند با استفاده از شیوه های تجزیه و تحلیل GIS مانند queries، buffers، overlay و map algebra انجام شود.
برای مثال، فرض کنید که یک تحلیلگر GIS به دنبال بهترین مکان برای ساخت تاسیسات مدیریت پساب بر اساس ضوابط مکانی مشخصی است. ضوابطی مانند اینکه: تاسیسات مذکور میبایست نزدیک جاده باشد، از منابع مربوط به حیات وحش دور و همچنین مناطق مسکونی دور باشد.
برای طبقه بندی بهتر مناطق مذکور با مناطقی که با ایده آل ما فاصله دارند، تحلیلگر میتواند از این شیوه ارزیابی برای در نظر گرفتن چندین متغیر که تاثیرگذار هستند استفاده کرده و مکان تاسیسات را شناسایی کند.
با کمک این روش میتوان برای هر ضابطه وزن مشخصی تعیین کرد تا از این طریق بتوان نگاه بهتری نسبت به متغیرها داشت.
برای مثال، در مورد تاسیسات مدیریت پساب، اگر فاصله تاسیسات از مناطق مسکونی دارای اهمیت بیشتری از نزدیک بودن آن به جاده باشد، میتوان این مورد را در طبقه بندی لحاظ کرد.
مدل شاخص (Index Model)
اگر مجموعه نهایی کلاس ها، عددی-توصیفی باشد (مثلا، پتانسیل خطرناک بودن زلزله که دارای مقادیر کم-متوسط-زیاد می باشد)، میتوان آنرا به صورت یک شاخص مدل کرد، یک اندازه گیری کاذب برای چیزی که نمیتواند به صورت مستقیم اندازه گیری شود (در مثال زلزله، مقیاس پتانسیل مذکور بین 1 تا 10 است)، بر اساس فاکتورهایی که میتوانند اندازه گیری شوند.
رایج ترین روش انجام این کار، ترسیم هر فاکتور موثر به همراه ویژگی ها با یک مقیاس کمی است، سپس با استفاده از یک فرمول مانند Weighted Linear Combination میتوان امتیاز نهایی را محاسبه کرد.
برگردان به فارسی از: Classification
| مطالب مشابه و مرتبطی که به کارتان می آید | ||
|---|---|---|
| شیپ فایل (shapefile) چیست؟ | رستر (raster) چیست؟ | داده مکانی یا فضایی (Spatial data) چیست؟ |
استفاده کردم عالی