“嘿[Siri / Google]，找到最近的咖啡店“
你有没有想过你在手机里携带的虚拟助手如何找到附近的企业？从技术上讲，这一切都以语音识别开始......但是让我们保存另一个时间。今天，我们专注于幕后的空间分析。
空间分析试图描述、探索和解释拓扑学、地理学和几何学的模式和关系。我们使用空间分析技术，通过过滤、测量和叠加来回答有关物体之间关系的问题空间数据．空间分析有很多种类型，本文中我们将介绍其中几种，但首先让我们喝点咖啡。
空间分析的幕后
好的，所以你真的不会这么说，但这基本上你的虚拟助手如何解释你的“最近的咖啡店”要求。让我们打破它：
- 确定位置-开始，我们需要一个起点。这样，你的虚拟助手就可以利用你的内置GPS来查看你在这个世界上的确切位置。
- 创建一个感兴趣的缓冲区以执行叠加层- 这是您感兴趣的领域。我们只关心最近的咖啡店，因此无需包括来自全国各地的咖啡店。我们想尽快给你咖啡，所以在这种情况下更少。
- 计算距离-在你的缓冲区内的咖啡店，每一家离你现在所在的地方有多远?
- 创建一个路线-我去给你拿咖啡!
这FME工作区显示您的位置（1）如何用作数据点以及咖啡店数据（2）以确定哪个商店最适合您（3）。
关于空间分析的最强大的事情之一是能够将多个数据集结合到您的分析中。在上面的例子中，我们正在测量两点之间的距离：您当前的位置和咖啡店。
此外，我们正在创建一个临时多边形数据集，一个缓冲区，它将允许我们通过减少想要包含在分析中的咖啡店数量来加快分析速度。
通过组合数据和应用三种空间转换(缓冲那区域覆盖点,最近的邻居），我们能够确定哪个咖啡店最接近！
过滤：空间分析背后的肌肉
到目前为止，我们只担心哪个咖啡厅在地理上最接近我们。但是，如果你还想知道哪个咖啡店提供道德采购咖啡？
就像你的咖啡，你的分析是按照你想要的方式来的。
空间分析中最常见的步骤之一是过滤基于属性值的功能。这可以像滤波一样简单，因为布尔值（即“x = true / false”）或更复杂的方法正则表达式和综合测试标准．例如，如果我们的咖啡店数据集包含关于供应商是否使用道德来源的咖啡豆的属性数据，我们可以使用该信息过滤出不符合我们搜索条件的不需要的咖啡店(即道德来源=真)。如果源数据集没有属性，则可以根据计算连接其他数据集或创建新的属性。
通过在您的FME亚搏在线工作流程，你可以过滤掉任何你不感兴趣的咖啡店，只保留那些符合你要求的。
无论您的数据是否属于或没有，值得注意的是，完整的数据集将有助于使您的分析更加彻底，并确保您获得准确的输出。
如果你曾经喝过劣质咖啡，你就会知道无论加多少糖或奶油都无法挽回那种味道。很有可能咖啡豆已经变味了，现在你只能失望地喝一杯热咖啡。
空间分析或任何类型的分析也是如此。如果您从坏豆子(输入)开始，您将以坏咖啡(输出)结束。这就是为什么它如此重要验证您的数据并在分析中使用高质量的数据集。使用高质量的源数据集将有助于确保您的分析产生准确的结果。
路线分析：指示我朝着正确的方向
我们知道哪些咖啡馆围绕着我们的需求，但我们不知道如何到达那里。时间做一些路线分析。路径分析是从原点到目的地确定最佳路径的过程。这可能包括最短的路径比如，左转最少的那条路，或者是你经过最喜欢的糕点店去吃点东西再去买咖啡的那条路。
在这种情况下可以进行路线分析，因为道路是由节点（交叉点）的拓扑网络，以及允许我们基于源节点（当前位置）进行计算到目的地节点（咖啡店）的拓扑网络在网络上。拓扑网络定义了地理数据集中的连接或相邻功能之间的空间关系。
为什么这很重要?在大多数情况下，你不能走直线或开车从a点到b点。相反，你需要穿过街道网络才能到达目的地。这可能包括沿着街道步行或开车，在十字路口左转或右转到达目的地。
现在您已经能够过滤掉您的咖啡店感兴趣的咖啡店，您可以将此数据与街道网络数据集集成。有权利FME变形金刚，你可以找到两个方向，并确定哪条路线是最短的，可以尽快给你送咖啡!
再一次，值得强调的重要性验证您的数据在执行分析之前。在分析之前验证将确保您不会通过缺少最佳路线来浪费任何时间（或天然气）到达咖啡店。
如果我们对道路数据集进行路线分析坏拓扑，如过冲和欠盛，我们可能无法确定到达目的地的最有效路线。结果，你可能会在不必要的情况下轮转，浪费宝贵的时间试图适应自己，而不是啜饮你喜欢的咖啡。此外，对于路线分析之类的东西，您需要考虑道路数据集的相关性。
由于新的开发不断涌现，新的道路正在铺设，您将希望确保您的分析使用最新的道路数据集。你可能还想重新运行或者安排分析在新数据集可用时运行，以确保您仍然处于最佳路径。重新进行路线分析是值得的，以防新的道路被添加到网络中，因为它可以使从你家到咖啡店的路径更有效，从长远来看，这将节省你的时间和金钱。
一些快速的空间分析过程使得从A到B的最短路径很简单。
聚类分析:寻找热点
好了，现在我们知道要去哪家咖啡店了，以及去那里最快的路线是什么。但是你的虚拟助手刚刚提到它在你的目的地看起来有点忙!这个关键信息是一个例子聚类分析．
在今天的数字世界里，我们可以通过手机定位数据来确定咖啡馆的繁忙程度。这怎么可能?启用位置服务的用户允许谷歌Maps等服务访问他们当前的位置。这些点数据集可以用来分析企业的流量，并可以与过去的统计数据进行比较。这可以像在区域覆盖上执行一个点来计数在给定时间有多少手机在咖啡店一样简单。由于有手机使用的历史记录，这些服务可以帮助你确定咖啡馆什么时候是最忙的，以及他们目前是否处于正常容量，比平时更忙还是更少。
当您点击谷歌中的业务时，您可以看到它最不忙。这是基于景象后面的集群分析。
这是一个迷人的分析，因为它需要在实时数据附近，以便让像您了解您即将去的业务的人。这样，你可以确保下次你下次开始喝咖啡店旅程，所以你没有陷入困境。
但是等等，还有更多!
到目前为止，我们探索的是基于向量的空间分析的例子。这是因为使用的数据集是点（位置），线条（街道网络）和多边形（兴趣区域）。
然而，使用栅格数据(图像或任何其他基于像素的数据)进行空间分析也同样重要。事实上，光栅分析通常被用于模拟运动现象，如森林大火和石油泄漏．
当然，在您的分析中也不仅仅局限于光栅或矢量!空间分析变换允许你覆盖矢量特征(如点，线，和多边形)到光栅数据集，反之亦然，如果你想覆盖你的在3D矢量数据之上的光栅数据．你有无数的可能性取决于你希望从你的分析中得到的结果。
关键外卖:
- 你比自己想象的更熟悉空间分析!从小处着手，构建你的逻辑!
- 不要害怕合并多个数据集或计算值，如果它们提高了分析的准确性。
- 始终要考虑数据集的有效性，特别是在执行空间分析时。你的输出只会和你分析的数据一样好。
- 分析的很大一部分是可视化结果，所以不要害怕从分析中创建多个输出(即数据+可视化结果的报告)。可视化数据可以帮助您看到一些您可能错过的东西。
基督教伯杰
Chris是FME桌面技术专家之一，帮助用户解决日常数据问题。他不仅仅是一个GIS爱好者——他还曾经在他的大学足球队里踢球!
留下一个回复