Введение

Формальные методы, изучающие объекты на основе их топологических, геометрических или географических свойств.

Пространственный анализ – это любой из формальных методов, изучающих объекты на основе их топологических, геометрических или географических свойств. Пространственный анализ включает в себя разнообразные методы, использующие различные аналитические подходы, в особенности пространственную статистику. Он может применяться в самых разных областях, таких как астрономия, с ее исследованиями размещения галактик во Вселенной, или в микроэлектронике, с использованием алгоритмов "размещения и трассировки" для создания сложных проводящих структур. В более узком смысле пространственный анализ – это геопространственный анализ, метод, применяемый к объектам человеческого масштаба, в первую очередь при анализе географических данных. Он также может применяться в геномике, например, при анализе данных транскриптомики. В пространственном анализе возникают сложные проблемы, многие из которых нечетко определены и не полностью решены, но служат основой для текущих исследований. Наиболее фундаментальной из них является проблема определения пространственного положения изучаемых объектов. Классификация методов пространственного анализа затруднена из-за большого количества различных областей исследований, различных фундаментальных подходов и множества форм, которые могут принимать данные.

История

Пространственный анализ берет начало в ранних попытках картографии и геодезии. Землеустройство восходит как минимум к 1400 г. до н.э. в Египте: размеры земельных участков, подлежащих налогообложению, измерялись с помощью измерительных веревок и отвесов. Многие области внесли вклад в его развитие в современном виде. Биология способствовала развитию благодаря ботаническим исследованиям глобального распространения растений и локализации растительности, этологическим исследованиям перемещения животных, ландшафтной экологии, изучающей растительные массивы, экологическим исследованиям динамики пространственных популяций и изучению биогеографии. Эпидемиология внесла вклад в ранние работы по картографированию заболеваний, в частности, в работу Джона Сноу по картографированию вспышки холеры, а также в исследования по картографированию распространения болезней и исследования местоположения для организации здравоохранения. Статистика внесла значительный вклад благодаря работам в области пространственной статистики. Экономика внесла заметный вклад через пространственную эконометрику. Географические информационные системы в настоящее время являются важным фактором, благодаря значимости географического программного обеспечения в современном аналитическом инструментарии. Дистанционное зондирование внесло существенный вклад в морфометрический и кластерный анализ. Информатика внесла значительный вклад в изучение алгоритмов, особенно в вычислительной геометрии. Математика продолжает предоставлять фундаментальные инструменты для анализа и раскрывать сложность пространственной области, например, благодаря недавним работам по фракталам и масштабно-инвариантности. Научное моделирование предоставляет полезную основу для новых подходов.

Основные вопросы

Пространственный анализ сталкивается со многими фундаментальными проблемами в определении объектов изучения, в построении аналитических операций, в использовании компьютеров для анализа, в ограничениях и специфике известных методов, а также в представлении аналитических результатов. Многие из этих проблем активно исследуются в современной науке. В пространственном анализе часто возникают типичные ошибки, некоторые из-за математических особенностей пространства, некоторые – из-за специфики представления пространственных данных, а некоторые – из-за доступных инструментов. Данные переписи населения, обеспечивающие конфиденциальность путем агрегирования информации по локальным единицам, порождают ряд статистических проблем. Фрактальная природа береговой линии затрудняет, если не делает невозможным, точное измерение ее длины. Компьютерная программа, аппроксимирующая кривую береговой линии прямыми линиями, может легко вычислить длины этих линий. Однако эти прямые линии могут не иметь реального смысла, что было продемонстрировано на примере береговой линии Великобритании. Эти проблемы представляют собой вызов для пространственного анализа из-за убедительности карт как средства визуализации. Когда результаты представляются в виде карт, представление объединяет пространственные данные, как правило, точные, с аналитическими результатами, которые могут быть неточными, создавая впечатление большей точности аналитических результатов, чем это оправдано исходными данными.

Пространственная характеристика

Определение пространственного положения объекта ограничивает возможный анализ, который может быть применен к этому объекту, и влияет на окончательные выводы, к которым можно прийти. Хотя это свойство принципиально верно для любого анализа, оно особенно важно в пространственном анализе, поскольку инструменты для определения и изучения объектов склоняются к определенным характеристикам изучаемых объектов. Статистические методы отдают предпочтение определению объектов как точек в пространстве, поскольку существует очень мало статистических методов, работающих непосредственно с линейными, площадными или объемными элементами. Компьютерные инструменты предпочитают определять объекты как однородные и дискретные элементы из-за ограниченного числа элементов баз данных и вычислительных структур, а также простоты создания этих базовых структур.

Пространственная зависимость

Пространственная зависимость — это пространственное соотношение между значениями признаков (для явлений, определенных в пространстве, таких как количество осадков) или местоположениями (для явлений, определенных как объекты, например, города). Пространственная зависимость измеряется наличием статистической зависимости в наборе случайных величин, каждая из которых связана с определенным географическим местоположением. Пространственная зависимость важна в задачах, где разумно предположить существование соответствующего набора случайных величин в местах, не включенных в выборку. Например, количество осадков может быть измерено в сети метеостанций, и эти измерения можно рассматривать как реализации случайных величин, однако осадки происходят и в других местах, также являясь случайными. Поскольку осадки демонстрируют свойства автокорреляции, методы пространственной интерполяции могут быть использованы для оценки количества осадков в точках, близких к точкам измерений. Как и в случае других видов статистической зависимости, наличие пространственной зависимости обычно приводит к тому, что оценки среднего значения по выборке оказываются менее точными, чем если бы выборки были независимыми, хотя при наличии отрицательной зависимости среднее значение по выборке может быть точнее, чем в случае независимости. Отдельной задачей, отличной от оценки общего среднего значения, является пространственная интерполяция: она заключается в оценке ненаблюдаемых случайных значений признаков в точках, расположенных между точками измерений, исходя из наличия пространственной зависимости между наблюдаемыми и ненаблюдаемыми случайными величинами. Инструментами для изучения пространственной зависимости являются: пространственная корреляция, пространственные функции ковариации и полувариограммы. Методы пространственной интерполяции включают кригинг, являющийся разновидностью наилучшего линейного несмещенного прогноза. Пространственная зависимость является важной темой в геостатистике и пространственном анализе.

Пространственная автокорреляция

Пространственная зависимость — это ковариация свойств в географическом пространстве: характеристики в близких местоположениях, как правило, оказываются взаимосвязаны, либо положительно, либо отрицательно. Пространственная зависимость приводит к проблеме пространственной автокорреляции в статистике, поскольку, подобно временной автокорреляции, она нарушает стандартные статистические методы, предполагающие независимость наблюдений. Например, регрессионный анализ, не учитывающий пространственную зависимость, может давать неустойчивые оценки параметров и приводить к недостоверным проверкам статистической значимости. Пространственные регрессионные модели (см. ниже) учитывают эти взаимосвязи и не имеют указанных недостатков. Кроме того, пространственную зависимость целесообразно рассматривать как источник информации, а не как нечто, требующее исправления. Локационные эффекты также проявляются в виде пространственной гетерогенности, то есть очевидного изменения процесса в зависимости от местоположения в географическом пространстве. Если пространство не является однородным и безграничным, каждое местоположение будет обладать определенной степенью уникальности по отношению к другим. Это влияет на отношения пространственной зависимости и, следовательно, на пространственный процесс. Пространственная гетерогенность означает, что общие параметры, оцененные для всей системы, могут быть недостаточными для адекватного описания процесса в конкретном местоположении.

Пространственная ассоциация

Пространственная ассоциация – это степень сходства пространственного расположения явлений. Анализ моделей распределения двух явлений осуществляется путем наложения карт. Если распределения схожи, то пространственная ассоциация сильна, и наоборот. В географической информационной системе этот анализ может быть выполнен количественно. Например, набор наблюдений (в виде точек или извлеченных из растровых ячеек) в совпадающих местоположениях может быть подвергнут пересечению и исследован с помощью регрессионного анализа. Подобно пространственной автокорреляции, это может быть полезным инструментом для пространственного прогнозирования. В пространственном моделировании концепция пространственной ассоциации позволяет использовать ковариаты в регрессионном уравнении для прогнозирования географического поля и, таким образом, создания карты.

Второе измерение пространственной ассоциации

Второе измерение пространственной ассоциации (SDA) выявляет связь между пространственными переменными посредством извлечения географической информации в точках, не являющихся точками выборки. SDA эффективно использует отсутствующую географическую информацию вне точек выборки в методах первого измерения пространственной ассоциации (FDA), которые исследуют пространственную ассоциацию, опираясь на наблюдения в точках выборки.

Масштабирование

Пространственный масштаб измерений остаётся актуальной проблемой в пространственном анализе; более подробная информация доступна в статье, посвящённой проблеме модифицируемых ареальных единиц (MAUP). Ландшафтные экологи разработали ряд метрик, инвариантных к масштабу, для фрактальных аспектов экологии. В более общем смысле, общепринятого метода анализа, не зависящего от масштаба, для пространственной статистики не существует.

Отбор проб

Пространственная выборка предполагает определение ограниченного числа точек в географическом пространстве для достоверного измерения явлений, подверженных зависимости и неоднородности. Зависимость означает, что поскольку значение в одной точке может быть спрогнозировано по значению в другой, наблюдения в обеих точках не обязательны. Однако неоднородность указывает на то, что эта взаимосвязь может изменяться в пространстве, и поэтому нельзя полагаться на наблюдаемую степень зависимости за пределами относительно небольшой области. Основные схемы пространственной выборки включают случайную, кластерную и систематическую. Эти базовые схемы могут применяться на различных уровнях в заданной пространственной иерархии (например, городская агломерация, город, район). Также возможно использование дополнительных данных, например, стоимости недвижимости в качестве ориентира при разработке схемы пространственной выборки для измерения уровня образования и дохода. Пространственные модели, такие как статистика автокорреляции, регрессия и интерполяция (см. ниже), также могут определять дизайн выборки.

Частые ошибки в пространственном анализе

Фундаментальные проблемы в пространственном анализе порождают множество проблем при анализе, включая систематические ошибки, искажения и явные неточности в полученных выводах. Эти проблемы часто взаимосвязаны, однако предпринимаются различные попытки разграничить отдельные из них.

Длина

Обсуждая береговую линию Британии, Бенуа Мандельброт показал, что определенные пространственные понятия изначально лишены смысла, несмотря на кажущуюся их состоятельность. Длины в экологии напрямую зависят от масштаба, в котором они измеряются и воспринимаются. Таким образом, хотя геодезисты обычно измеряют длину реки, эта длина имеет смысл только в контексте соответствия метода измерения поставленной задаче.

Атомная ошибка

Это описывает ошибки, возникающие из-за рассмотрения элементов как отдельных "атомов" вне их пространственной среды.

Экологическая ошибка

Экологическая ошибка описывает ошибки, возникающие при проведении анализа агрегированных данных с целью получения выводов об отдельных объектах. Эти ошибки возникают частично из-за пространственной агрегации. Например, пиксель представляет собой среднюю температуру поверхности в определенной области. Экологической ошибкой будет предположение о том, что все точки внутри этой области имеют одинаковую температуру.

Географическое пространство

Математическое пространство возникает всякий раз, когда у нас есть набор наблюдений и количественные измерения их атрибутов. Например, мы можем представить доходы или годы образования людей в системе координат, где положение каждого человека может быть определено по обоим измерениям. Расстояние между людьми в этом пространстве является количественной мерой их различий по доходу и образованию. Однако в пространственном анализе нас интересуют конкретные типы математических пространств, а именно географическое пространство. В географическом пространстве наблюдения соответствуют местоположениям в пространственной системе отсчета, которые отражают их близость в реальном мире. Местоположения в пространственной системе отсчета часто представляют собой точки на поверхности Земли, но это не обязательно. Пространственная система отсчета также может отражать близость относительно, скажем, межзвездного пространства или внутри биологического объекта, такого как печень. Фундаментальным принципом является Первый закон географии Тоблера: если взаимосвязь между объектами усиливается с уменьшением расстояния в реальном мире, то представление в географическом пространстве и оценка с использованием методов пространственного анализа являются уместными. Евклидово расстояние между местоположениями часто отражает их близость, хотя это лишь одна из возможностей. Существует бесконечное количество расстояний, помимо евклидова, которые могут поддерживать количественный анализ. Например, расстояния «Манхэттен» (или «Такси») – где движение ограничено путями, параллельными осям координат – могут быть более значимыми, чем евклидовы расстояния в городской среде. Помимо расстояний, другие географические отношения, такие как связность (например, наличие или степень общих границ) и направление, также могут влиять на взаимосвязи между объектами. Также возможно вычислять пути минимальной стоимости на поверхности стоимости; например, это может представлять близость между местоположениями, когда перемещение должно осуществляться по пересеченной местности.

Пространственная автокорреляция

Статистика пространственной автокорреляции измеряет и анализирует степень зависимости между наблюдениями в географическом пространстве. К классической статистике пространственной автокорреляции относятся статистика Морана, статистика Гери, статистика Гетиса и эллипс стандартных отклонений. Для вычисления этих статистических показателей требуется измерение матрицы пространственных весов, отражающей интенсивность географической связи между наблюдениями в пределах окрестности, например, расстояния между соседями, длины общих границ или принадлежность к определенному направлению, такому как "запад". Классическая статистика пространственной автокорреляции сравнивает пространственные веса с ковариационными связями между парами местоположений. Пространственная автокорреляция, превышающая ожидаемую при случайном распределении, указывает на кластеризацию схожих значений в географическом пространстве, а значительная отрицательная пространственная автокорреляция свидетельствует о том, что соседние значения более различны, чем можно было бы ожидать случайно, что предполагает пространственный рисунок, подобный шахматной доске. Статистика пространственной автокорреляции, такая как статистика Морана и статистика Гери, является глобальной, поскольку она оценивает общую степень пространственной автокорреляции для набора данных. Возможность пространственной неоднородности предполагает, что оцениваемая степень автокорреляции может значительно варьироваться в географическом пространстве. Статистика локальной пространственной автокорреляции предоставляет оценки, детализированные до уровня единиц пространственного анализа, что позволяет оценить зависимости между пространственными объектами. Эти статистики сравнивают окрестности с глобальным средним и выявляют локальные области с сильной автокорреляцией. Также доступны локальные версии статистик Морана и Гери.

Пространственное взаимодействие

Пространственное взаимодействие, или "гравитационные модели", оценивают потоки людей, материалов или информации между объектами в географическом пространстве. Факторы могут включать в себя характеристики, стимулирующие отток из исходных точек, такие как численность населения в жилых районах, характеристики, привлекающие к пунктам назначения, такие как объем офисных площадей в деловых районах, а также отношения близости между объектами, измеряемые, например, расстоянием по дороге или временем в пути. Кроме того, необходимо учитывать топологические, или связные, отношения между территориями, особенно принимая во внимание часто противоречивую связь между расстоянием и топологией; например, два географически близких района могут не демонстрировать значительного взаимодействия, если они разделены автомагистралью. Определив функциональную зависимость этих отношений, аналитик может оценить параметры модели, используя данные об observed потоках и стандартные методы оценки, такие как метод наименьших квадратов или метод максимального правдоподобия. В конкурентных версиях моделей пространственного взаимодействия учитывается близость между пунктами назначения (или отправления) в дополнение к близости между исходной и конечной точками; это позволяет учесть влияние кластеризации пунктов назначения (отправления) на величину потоков.

Пространственная интерполяция

Методы пространственной интерполяции оценивают значения переменных в точках, где наблюдения не проводились, в географическом пространстве, основываясь на значениях в известных точках. К базовым методам относится метод обратных взвешенных расстояний: он уменьшает значение переменной по мере увеличения расстояния от известной точки. Кригинг – более сложный метод, который выполняет интерполяцию в пространстве, учитывая пространственную автокорреляцию, состоящую из систематической и случайной составляющих. Это позволяет учитывать различные типы пространственных взаимосвязей между значениями в известных и неизвестных точках. Кригинг обеспечивает оптимальные оценки при заданном виде автокорреляции, а оценки погрешностей можно отобразить для выявления наличия пространственных закономерностей.

Пространственная регрессия

Методы пространственной регрессии учитывают пространственную зависимость в регрессионном анализе, избегая статистических проблем, таких как неустойчивые параметры и ненадежные тесты значимости, а также предоставляя информацию о пространственных взаимосвязях между задействованными переменными. В зависимости от конкретной методики, пространственная зависимость может включаться в регрессионную модель в виде связей между независимыми и зависимыми переменными, между зависимыми переменными и пространственным лагом от самих себя, или в форме ошибок. Географически взвешенная регрессия (GWR) является локальной разновидностью пространственной регрессии, которая генерирует параметры, детализированные по пространственным единицам анализа. Это позволяет оценить пространственную неоднородность в оцениваемых взаимосвязях между независимыми и зависимыми переменными. Использование байесовского иерархического моделирования в сочетании с методами Монте-Карло Марковских цепей (MCMC) в последнее время показало свою эффективность в моделировании сложных зависимостей с использованием моделей Poisson Gamma CAR, Poisson lognormal SAR или Overdispersed logit. Статистические пакеты для реализации таких байесовских моделей с использованием MCMC включают WinBugs, CrimeStat и множество пакетов, доступных в языке программирования R. Пространственные стохастические процессы, такие как гауссовские процессы, также все чаще применяются в пространственном регрессионном анализе. Модели GWR, известные как модели с пространственно-изменяющимися коэффициентами, применяются для проведения байесовского вывода, а также процессы Гаусса ближайших соседей (NNGP).

Моделирование и моделирование

Модели пространственного взаимодействия являются агрегированными и основаны на подходе «сверху вниз»: они определяют общую управляющую взаимосвязь для потоков между локациями. Эта характеристика также свойственна городским моделям, таким как модели, основанные на математическом программировании, потоках между экономическими секторами или теории ренты. Альтернативный подход к моделированию заключается в представлении системы на максимально возможном уровне детализации и изучении возникновения сложных закономерностей и взаимосвязей «снизу вверх» на основе поведения и взаимодействий на индивидуальном уровне. Теория сложных адаптивных систем, применяемая к пространственному анализу, предполагает, что простые взаимодействия между ближайшими сущностями могут приводить к сложным, устойчивым и функциональным пространственным структурам на агрегированном уровне. Два фундаментальных метода пространственного моделирования – это клеточные автоматы и моделирование на основе агентов. Моделирование клеточных автоматов предполагает фиксированную пространственную структуру, такую как сетка ячеек, и определяет правила, которые диктуют состояние ячейки на основе состояний ее соседних ячеек. По мере течения времени возникают пространственные закономерности, поскольку ячейки меняют свои состояния в зависимости от соседей, что изменяет условия для будущих периодов времени. Например, ячейки могут представлять локации в городской местности, а их состояния – различные типы землепользования. Закономерности, которые могут возникать из простых взаимодействий локального землепользования, включают офисные районы и городское разрастание. Моделирование на основе агентов использует программные сущности (агенты), которые обладают целевым поведением (целями) и могут реагировать, взаимодействовать и изменять свою среду, стремясь к достижению своих целей. В отличие от ячеек в клеточных автоматах, разработчики моделей могут позволять агентам перемещаться в пространстве. Например, можно смоделировать транспортный поток и динамику с помощью агентов, представляющих отдельные транспортные средства, которые стремятся минимизировать время в пути между заданными отправными и конечными пунктами. При этом, стремясь к минимальному времени в пути, агенты должны избегать столкновений с другими транспортными средствами, также стремящимися сократить время в пути. Клеточные автоматы и моделирование на основе агентов являются взаимодополняющими стратегиями моделирования. Их можно интегрировать в общую географическую систему автоматов, где некоторые агенты фиксированы, а другие – подвижны. Калибровка играет ключевую роль в подходах к моделированию и симуляции как CA, так и ABM. Первоначальные подходы к CA предлагали надежные методы калибровки, основанные на стохастических методах Монте-Карло. Подходы к ABM опираются на правила принятия решений агентами (во многих случаях полученные из качественных методов исследования, таких как анкетирование). Недавние алгоритмы машинного обучения выполняют калибровку с использованием обучающих наборов данных, например, для понимания характеристик застроенной среды.

Многоточечная геостатистика (МПС)

Пространственный анализ концептуальной геологической модели является основной целью любого алгоритма MPS. Метод анализирует пространственную статистику геологической модели, называемой обучающим изображением, и генерирует реализации явлений, соответствующих этим входным многоточечным статистическим данным. Недавний алгоритм MPS, используемый для решения этой задачи, – метод, основанный на шаблонах, разработанный Honarkhah. В этом методе применяется подход, основанный на расстоянии, для анализа шаблонов в обучающем изображении. Это позволяет воспроизводить многоточечную статистику и сложные геометрические особенности обучающего изображения. Каждый результат работы алгоритма MPS представляет собой реализацию случайного поля. Вместе несколько реализаций могут быть использованы для количественной оценки пространственной неопределенности. Один из последних методов, представленный Tahmasebi et al., использует функцию перекрестной корреляции для улучшения воспроизведения пространственных закономерностей. Они называют свой метод моделирования MPS алгоритмом CCSIM. Этот метод позволяет количественно оценить пространственную связанность, изменчивость и неопределенность. Кроме того, метод не чувствителен к типу входных данных и способен моделировать как категориальные, так и непрерывные сценарии. Алгоритм CCSIM может применяться к любым стационарным, нестационарным и многомерным системам и позволяет создавать визуально привлекательные модели высокого качества.

Геопространственный и гидропространственный анализ

Геопространственный и гидропространственный анализ, или просто пространственный анализ, – это подход к применению статистического анализа и других аналитических методов к данным, имеющим географическую или пространственную составляющую. Такой анализ обычно предполагает использование программного обеспечения, способного создавать карты, обрабатывать пространственные данные и применять аналитические методы к наземным или географическим наборам данных, включая использование географических информационных систем и геоматики.

Использование геоинформационной системы

Географические информационные системы (ГИС) — обширная область, предоставляющая разнообразные возможности для сбора, хранения, обработки, анализа, управления и представления всех типов географических данных, использующая геопространственный и гидропространственный анализ в различных контекстах, операциях и приложениях.

Основные приложения

Геопространственный и гидропространственный анализ с использованием ГИС был разработан для решения задач в области наук об окружающей среде и жизни, в частности, в экологии, геологии и эпидемиологии. Его применение распространилось практически на все отрасли, включая оборону, разведку, коммунальные службы, природные ресурсы (например, нефть и газ, лесное хозяйство и т.д.), социальные науки, медицину и общественную безопасность (например, управление в чрезвычайных ситуациях и криминологию), снижение риска и управление рисками бедствий (DRRM), а также адаптацию к изменению климата (CCA). Пространственная статистика обычно основана преимущественно на наблюдениях, а не на экспериментах. Гидропространственный анализ особенно востребован при изучении водных объектов и элементов, связанных с поверхностью воды, водной толщей, дном, подстилающими слоями и прибрежными зонами.

Основные операции

Векторная ГИС обычно связана с такими операциями, как наложение карт (комбинирование двух или более карт или слоев карт в соответствии с предопределенными правилами), простое буферирование (определение областей карты в пределах заданного расстояния от одного или нескольких объектов, таких как города, дороги или реки) и аналогичные базовые операции. Это отражает (и отражается в) использовании термина «пространственный анализ» в спецификациях «простых объектов» Open Geospatial Consortium (OGC). Для растровых ГИС, широко используемых в науках об окружающей среде и дистанционном зондировании, это обычно подразумевает ряд действий, применяемых к ячейкам сетки одной или нескольких карт (или изображений), часто включающих фильтрацию и/или алгебраические операции (алгебра карт). Эти методы предполагают обработку одного или нескольких растровых слоев по простым правилам, в результате чего создается новый картографический слой, например, замена значения каждой ячейки некоторой комбинацией значений ее соседей или вычисление суммы или разности определенных атрибутивных значений для каждой ячейки сетки в двух соответствующих растровых наборах данных. Описательная статистика, такая как подсчет ячеек, средние значения, дисперсии, максимумы, минимумы, кумулятивные значения, частоты и ряд других показателей и вычислений расстояний, также часто включается в этот общий термин «пространственный анализ». Пространственный анализ включает в себя большое разнообразие статистических методов (описательная, разведочная и объяснительная статистика), которые применяются к данным, изменяющимся в пространстве и во времени. К более продвинутым статистическим методам относятся Getis-Ord Gi* или Anselin Local Moran's I, которые используются для определения паттернов кластеризации пространственно привязанных данных.

Мобильные геопространственные и гидропространственные вычисления

Традиционно геопространственные и гидропространственные вычисления выполнялись преимущественно на персональных компьютерах (ПК) или серверах. Однако, благодаря растущим возможностям мобильных устройств, геопространственные вычисления на мобильных устройствах становятся быстро развивающейся тенденцией. Портативность этих устройств, а также наличие полезных датчиков, таких как приемники глобальной навигационной спутниковой системы (GNSS) и барометрические датчики давления, делают их удобными для сбора и обработки геопространственной и гидропространственной информации непосредственно в полевых условиях. Помимо локальной обработки геопространственной информации на мобильных устройствах, все большую популярность приобретают облачные геопространственные вычисления. В такой архитектуре данные могут собираться в полевых условиях с помощью мобильных устройств, а затем передаваться на облачные серверы для дальнейшей обработки и хранения. Аналогичным образом, геопространственная и гидропространственная информация может быть предоставлена подключенным мобильным устройствам через облако, обеспечивая доступ к обширным базам данных геопространственной и гидропространственной информации в любой точке, где доступно беспроводное подключение к данным.

Геоинформатика и пространственный анализ

Географические информационные системы (ГИС) и лежащая в их основе географическая информационная наука, развивающая эти технологии, оказывают значительное влияние на пространственный анализ. Растущая возможность сбора и обработки географических данных означает, что пространственный анализ проводится в средах, характеризующихся все большим объемом данных. Системы сбора географических данных включают в себя данные дистанционного зондирования, системы экологического мониторинга, такие как интеллектуальные транспортные системы, и технологии определения местоположения, например, мобильные устройства, способные передавать информацию о местоположении в режиме, близком к реальному времени. ГИС предоставляют платформы для управления этими данными, вычисления пространственных взаимосвязей, таких как расстояние, связность и направленные отношения между пространственными объектами, а также визуализации как исходных данных, так и результатов пространственного анализа в картографическом контексте. Геовизуализация (GVis) объединяет научную визуализацию с цифровой картографией для поддержки исследования и анализа географических данных и информации, включая результаты пространственного анализа или моделирования. GVis использует естественную для человека ориентацию на визуальное восприятие информации при исследовании, анализе и представлении географических данных и информации. В отличие от традиционной картографии, GVis обычно трех- или четырехмерна (последняя включает время) и интерактивна. Географическое обнаружение знаний (GKD) – это ориентированный на человека процесс применения эффективных вычислительных инструментов для исследования больших пространственных баз данных. GKD включает в себя географическую интеллектуальную обработку данных (data mining), но также охватывает связанные с ней действия, такие как выбор данных, очистка и предварительная обработка данных, а также интерпретация результатов. GVis также может играть центральную роль в процессе GKD. GKD основана на предположении, что большие базы данных содержат интересные (валидные, новые, полезные и понятные) закономерности, которые не могут быть выявлены стандартными аналитическими методами. GKD может служить процессом генерации гипотез для пространственного анализа, создавая предварительные модели и взаимосвязи, которые должны быть подтверждены с помощью методов пространственного анализа. Системы поддержки принятия пространственных решений (SDSS) используют существующие пространственные данные и различные математические модели для прогнозирования будущего. Это позволяет городским и региональным планировщикам тестировать варианты вмешательства до их реализации.