”嘿,[Siri /谷歌),找到最近的咖啡店”
有没有想过你随身携带的虚拟助理,你的电话能找到附近的企业吗?技术上来说,这一切都开始于语音识别…但我们保存,另一个时间。今天我们关注的空间分析在幕后。
空间分析试图描述、探讨和解释模式和拓扑关系,地理,和几何。我们使用空间分析技术来回答问题由过滤对象之间的关系,测量和覆盖空间数据。有许多类型的空间分析,在本文中,我们将进入一些,但是首先让我们得到一些咖啡。
幕后的空间分析
好的,所以你永远不会说,但这基本上是你的虚拟助手解释“最近的咖啡店”请求。让我们分解:
- 确定位置——首先,我们需要一个起点。所以你的虚拟助手将进入你的好用,内置GPS看到你精确的位置位于世界。
- 创建一个缓冲区执行覆盖感兴趣的领域——这是你感兴趣的领域。我们只关心最近的咖啡店,所以没有必要包括来自全国各地的咖啡店。我们希望尽快得到你的咖啡,所以在这种情况下少即是多。
- 计算距离缓冲区内的咖啡店,每个人都有多远从你现在哪里?
- 创建一个路线——让你的咖啡!
这FME工作区显示你的位置(1)可以用作数据点以及咖啡店数据(2)来确定哪个店最适合你(3)。
空间分析最强大的一件事是合并多个数据集的能力到你的分析。在上面的示例中,我们测量两点之间的距离:你的当前位置和咖啡馆。
此外,我们创建一个临时的多边形数据集,一个缓冲区,将允许我们加速我们的分析通过减少我们想要包含在这样的咖啡店数量分析。
通过结合数据和应用三个空间转换(缓冲,点区域覆盖,最近的邻居),我们能够确定哪些咖啡店是亲密!
过滤:空间分析背后的肌肉
迄今为止我们只担心哪个咖啡店地理上接近我们。但是如果你还想知道哪些咖啡店提供合乎要求的咖啡吗?
就像你的咖啡,你的分析是由你所希望的方式。
空间分析是最常见的一个步骤过滤基于属性值的特性。这可以简单作为一个布尔值(即过滤。“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括属性数据供应商使用是否合乎要求的豆子,我们可以使用这些信息来过滤掉不必要的咖啡店不符合我们的搜索标准(即合乎要求的= true)。如果你的源数据集没有属性,你可以加入额外的数据集或创建新的属性基于计算。
通过添加在你的验证步骤FME亚搏在线工作流,您过滤掉任何咖啡店你不感兴趣,只保留那些满足您的要求。
不管什么属性数据或没有,值得注意的是,一个完整的数据集将有助于使您的分析更加全面和确保你得到一个精确的输出。
如果你曾经有一个糟糕的咖啡,你知道没有金额可以救助的糖和/或奶油的味道。机会是豆子过期了现在你坚持一杯热的失望。
这同样适用于空间分析,或任何类型的分析。如果你开始与坏豆子(输入),你最终会得到一个糟糕的咖啡(输出)。这就是为什么它是如此重要验证您的数据和使用高质量的分析数据集。使用高质量的源数据集将帮助确保你的分析产生精确的结果。
路径分析:告诉我正确的方向
我们知道咖啡店,满足我们的需求,但我们不知道如何到达那里。时间做一些路线分析。路线的过程分析是确定从起点到终点的最优路径。这可能包括的最短路径,需要最少的路径,或你最喜欢的糕点店,带你过去的路径之前吃点东西你得到你的咖啡。
路线分析是可能的在这种情况下,因为道路拓扑网络的节点(十字路口),和边(道路),让我们计算基于源节点(当前位置)到目标节点(咖啡店)在网络上。拓扑网络定义连接或邻近特性之间的空间关系的地理数据集。
为什么这个很重要?在大多数情况下,你不能步行或开车在一条直线从a点到达b。相反,你需要遍历的方式通过街道网络为了达到目的地。这可能包括沿着街道步行或驾驶在一个十字路口,向左或向右拐到达你的目的地。
现在您已经能够过滤掉您感兴趣的咖啡店,你可以集成这个数据和街道网络数据集。有了正确的FME变形金刚,您可以找到两个方向和确定最短路线是让你尽快你的咖啡!
再次,值得强调的重要性验证您的数据在执行一个分析。验证之前分析将确保你不要浪费任何时间(或气体)去咖啡店少通过最优路线。
如果我们执行路线分析道路的数据集糟糕的拓扑过激和除了少数,我们可能无法确定最有效的路线到我们的目的地。作为一个结果,你可能要比必要的转,浪费宝贵的时间试图东方自己而不是喝的咖啡。此外,对于类似的路线分析,你要考虑相关性的数据集。
因为不断出现新进展和新马路正在铺设,你要确保你的分析数据集使用最近的道路。你也可以重新运行安排你的分析当新的数据集运行可用来确保你仍然在最好的路径。值得重新运行路线分析的情况下添加一个新的道路网络,因为它可以从你的房子到咖啡店的路径更有效率,节省你的时间和金钱。
一些快速空间分析过程使找到最短的路线从A到B的简单。
聚类分析:寻找热点
好了,现在我们知道这咖啡店我们想去,什么是最快的路线。但是你的虚拟助手刚刚提到它看起来有点忙在你的目的地!这个关键信息的一个例子聚类分析。
在今天的数字世界,我们能够确定多忙咖啡店是基于手机位置数据。这怎么可能?用户位置服务启用允许访问他们的当前位置服务,如谷歌地图。这些数据可以用来分析交通指向企业和可以比较过去的统计数据。这可以简单地执行点区域覆盖数有多少手机的咖啡店在给定的时间。使用手机有历史记录以来,这些服务可以帮助您确定咖啡店繁忙时,如果他们目前通常的能力,比平时更多,或更少忙。
当你点击一个业务在谷歌,你能够看到它最和最忙。这都是基于聚类分析在幕后。
这是一个迷人的,因为它需要实时数据分析为了让像你这样的人了解业务你要去。通过这种方式,您可以确保下次你开始你的咖啡店的旅程只是下次早一点所以你不排队。
别急,还有更多!
到目前为止我们探索基于矢量空间分析的一个例子。这是因为数据集使用点(位置),行街(网络)和多边形(感兴趣的领域)。
然而,执行与栅格数据空间分析(图像或任何其他基于像素数据)是同样重要的。事实上,光栅分析通常用于模型的运动现象森林大火和石油泄漏。
当然,你不是只局限于位图或矢量分析!空间分析的转换允许您覆盖向量特性(即点、线、多边形)栅格数据集,反之亦然,如果你想覆盖你的栅格数据的三维矢量数据。你有无尽的可能性取决于输出你希望从你的分析。
关键外卖:
- 你比你想象的更熟悉空间分析!开始小和建立你的逻辑你走吧!
- 不要害怕合并多个数据集或计算值如果他们提高分析的准确性。
- 总是考虑你的数据集的有效性,尤其是进行空间分析。输出只会一样好你投入分析的数据。
- 很大一部分分析可视化结果所以不要害怕从你的分析创建多个输出(即数据+报告可视化结果)。可视化数据可以帮助你看到你可能错过的东西。
基督教伯杰
克里斯FME桌面是一个技术专家,帮助用户在他们每天的数据问题。但他不仅仅是一个GIS迷——他也用他的大学足球队!
留下一个回复
你必须登录发布评论。