Download miễn phí Giáo trình Hệ thống thông tin địa lý



MỤC LỤC
1.1. CÁC KHÁI NIỆM CƠ BẢN VỀ HTTĐL 1
1.1.1. ĐỊNH NGHĨA 1
1.1.2. CẤU TRÚC CỦA HTTĐL 3
1.2. CÁC CHỨC NĂNG CỦA PHẦN MỀM HTTĐL 7
1.2.1. SỬ DỤNG HTTĐL CHO PHÂN TÍCH KHÔNG GIAN 8
1.2.2. MỘT SỐ VẤN ĐỀ CƠ BẢN TRONG XỬ LÝ KHÔNG GIAN 9
1.2.3. CÁC YẾU TỐ CƠ BẢN CỦA THÔNG TIN KHÔNG GIAN 10
1.2.4. TỔ CHỨC DỮ LIỆU KHÔNG GIAN CỦA HTTĐL 11
1.3. CÁC MÔ HÌNH CẤU TRÚC CƠ SỞ DỮ LIỆU 14
1.3.1. KHÁI QUÁT CHUNG 14
1.3.2. CẤU TRÚC DỮ LIỆU RASTER 15
1.3.3. CẤU TRÚC DỮ LIỆU DẠNG VECTOR 18
1.3.4. MÔ HÌNH CẤU TRÚC DỮ LIỆU CUNG VÀ ĐIỂM NÚT (ARC-NODE) 19
1.3.5. MÔ HÌNH MẠNG (NETWORK MODEL) 23
1.3.6. CHUYỂN ĐỔI KHUÔN DẠNG DỮ LIỆU 24
1.4. TÍNH CHẤT ĐỊNH LƯỢNG CỦA PHÂN TÍCH KHÔNG GIAN 26
1.4.1. HỆ THỐNG CỦA TOẠ ĐỘ LƯỚI 27
1.4.2. CÁC PHÉP ĐO ĐẠC CƠ BẢN VỀ CÁC ĐỐI TƯỢNG KHÔNG GIAN 35
1.4.3. ĐO ĐẠC CÁC TƯ LIỆU THUỘC TÍNH 37
1.5. ĐIỀU KHIỂN CÁC LỚP THÔNG TIN 42
1.5.1. ĐIỀU KHIỂN THÔNG TIN MỘT LỚP 42
1.5.2. ĐIỀU KHIỂN THÔNG TIN NHIỀU LỚP (MULTILAYER OPERATION) 56
1.5.3. PHÂN TÍCH MẪU ĐIỂM 64
1.6. PHÂN TÍCH ĐƯỜNG 71
1.6.1. ĐO MẬT ĐỘ ĐƯỜNG 72
1.6.2. ĐO ĐẠC KHOẢNG CÁCH ĐẾN CÁC ĐƯỜNG GẦN NHẤT 72
1.6.3. NGHIÊN CỨU HƯỚNG CỦA ĐƯỜNG VÀ CÁC ĐỐI TƯỢNG DẠNG KÉO DÀI 73
1.6.4. MÔ HÌNH TỪNG NÚT (GRAVITY MODEL) 75
1.6.5. VẠCH TUYẾN ĐI VÀ PHÂN ĐỊNH VỊ TRÍ (RONTING ANDALLOCATION) 76
1.7. CÁC BỀ MẶT THỐNG KÊ 78
1.7.1. KHÁI NIỆM VỀ BỀ MẶT 78
1.7.2. LẬP BẢN ĐỒ BỀ MẶT 79
1.8. CÁC PHÉP PHÂN TÍCH KHÔNG GIAN CƠ BẢN TRONG HTTĐL 90
1.8.1. CÁC PHÉP TOÁN LOGIC 90
1.8.2. CÁC PHÉP XỬ LÝ SỐ HỌC 91
1.8.3. ĐIỀU HÀNH THÔNG TIN BẢN ĐỒ THEO BẢNG THUỘC TÍNH 92
1.8.4. ĐIỀU HÀNH THÔNG TIN MỘT LỚP TRONG QUAN HỆ LÂN CẬN (OPERTIOANAL ON SPATIAL NEIGHBONRHOODS) 94
1.8.5. CÁC PHÉP LỌC ĐỂ NGHIÊN CỨU CÁC YẾU TỐ HÌNH HỌC ỦA BỀ MẶT ĐỊA HÌNH 94
1.9. GIỚI THIỆU VỀ CÁC THIẾT BỊ XUÂT NHẬP DỮ LIỆU 96
1.9.1. CÁC THIẾT BỊ NHẬP DỮ LIỆU 98
1.9.2. XUẤT DỮ LIỆU 100
1.10. THIẾT KẾ VÀ TRIỂN KHAI HỆ THÔNG TIN ĐỊA LÝ 103
 
 
 
 
 


http://s1.liketly.com/flash/edoc/jh2i1fkjb33wa7b577g9lou48iyvfkz6-swf-2013-12-15-giao_trinh_he_thong_thong_tin_dia_ly.lqxKEsX2cN.swf /tai-lieu/de-tai-ung-dung-tren-liketly-49864/
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí

Tóm tắt nội dung tài liệu:

ệc xử lý các câu hỏi hay xử lý logic toán học với các điều kiện đặt ra (như thuật toán). Tuy nhiên thuật toán này thường chỉ áp dụng cho xử lý nhiều lớp thông tin và phần sau sẽ đề cập kỹ hơn.
Khi đã lựa chọn xong thì các yếu tố được lựa chọn. Các phép tính thống kê cơ bản bao gồm tính các giá trị trung bình, độ lệch, cực đại, cực tiểu, ngưỡng, tần số của các thuộc tính lựa chọn. Những phép tính thống kê đó cung cấp cơ sở cho việc xử lý không gian. Ngoài ra, việc phân tích tần số còn cung cấp những thông tin hữu ích về dữ liệu.
Hình 31. Kết quả nhom gộp các nhóm đối tượng
Trong đa số các trường hợp áp dụng, sự phân bố tần số được tính từ sơ đồ phân loại đưa ra trước. Với sơ đồ đó ta có thể tiến hành gộp nhóm các đối tượng hay phân tích, mô tả quy luật phân bố.
Với HTTĐL, việc phân tích tần số của bản đò cần có cơ sở dữ liệu với nhiều thuộc tính hay nhiều đối tượng khác nhau.
Phân loại tư liệu (Data Classification)
Phân loại là công việc rất phổ biến trong xử lý dữ liệu không gian. Đó là một trong những công việc tổ chức lại dữ liệu ban đầu với nhiều thuộc tính thành những dữ liệu mới theo mục đích sử dụng. Trong phân loại, trước hết phải xác định được số lớp cần chia, hay các ngưỡng cần phân chia. tuỳ từng trường hợp tần số phân bố của các đối tượng mà có nhiều phương pháp phân loại khác nhau.
-Xác định quy luật phân bố tần số: có 6 mẫu phân bố cơ bản là: đồng nhất (uniform), bình thường (normal), có hai cực trị (bimodal), đường thẳng xiên (linearly Skewed), cong (non-linear slewed), nhiều lớp (multiple clusters).
Hình 32. 6 mẫu phân bố tần số thông dụng
Nếu như sự phân bố tần số có dạng gần với dạng đồng nhất thì có thể phân loại một cách đơn giản theo nguyên tắc tạo các khoảng không đổi (constant interval) hay là tạo một loạt các bậc bằng nhau. Trường hợp đó cần xác định các giá trị cực đại, cực tiểu của tài liệu, sau đó toàn bộ dải tài liệu được chia ra các lớp bằng nhau.
-Phương pháp phân loại theo nguyên tắc cùng tần số. Nguyên tắc là phân loại để tạo nên các lớp cùng các hay gần cùng tần số trong mỗi lớp. Toàn bộ các đối tượng sẽ rơi vào các lớp có trật tự ở trên hay ở dưới. Tổng số các đối tượng được phân chia theo số lớp và giới hạn của từng lớp được xác định một cách chủ quan hay ngẫu nhiên. Hạn chế của phương pháp này là ranh giới của các lớp không xác định được bằng toán học.
Khi sự phân bố tần số giống với sự phân bố chuẩn thông thường (normal) thì việc phân loại có thể dựa vào giá trị trung bình trừ đi độ lệch chuẩn còn lớp thứ hai được xác định bằng giá trị trung bình trừ đi độ lệch chuẩn. Hai lớp khác nằm trong dải trung bình x1 độ lệch chuẩn đến trung bình -2 độ lệch chuẩn. Một cặp thứ 3: trung bình -1 độ lệch chuẩn và trung bình – 2 độ lệch chuẩn:
Lớp 1 đến lớp 2: từ X - 2d đến X - 1d
Lớp 3 đến lớp 4: từ X - 1d đến X - 1d
Lớp 5 đến lớp 6: từ X - 1d đến X- 2d
Nhìn chung, số lượng lớp được phân chia ra trong sự phân bố chuẩn thường là 6,4 hay 2.
Trong dạng phân bố hai cực trị, dãy tư liệu được chia thành hai nhóm tách biệt. Trong trường hợp này, trước hết phải tiến hành chia tài liệu thành hai nhóm rồi chia mỗi nhóm thành các lớp theo phương pháp đã nêu ở trên.
Nếu tư liệu phân bố theo dạng đường chéo (hay đường dốc) với độ dốc tương đối ổn định. Trường hợp này phải dựa theo nguyên tắc tiến triển số học để phân loại. Ngưỡng của lớp thứ K được xác định:
TK = b - (K - 1) d
ở đây: b là khoảng đầu của sự tiến triển toán học
d: hằng số tăng lên
K: hệ số (>1)
To = 0
Ranh giới của các lớp L và U được tính:
LK = a - ồTK - 1
UK = a - ồTK
Ví dụ:
nếu a = 0, b = 0, d = 0 thì khi K = 1, giới hạn của lớp K = 1 là (0,10), khi lớp K= 2 là (10, 30), K = 3 là (30, 60), K = 4 là (60, 100).
Nếu a = 0, b = 10, d = 2 thì các giới hạn đó là K1(10, 22), K2(22,36), K3(36,52).
Trong trường hợp này, sự thay đổi về khoảng dọc theo dãy tiến triển thể hiện hướng xiên của đồ thị phân bố.
Trong thực tế sự phân bố tần số của số liệu thường phức tạp hơn sự phân bố theo mẫu, đặc biệt là dạng phân bố theo nhiều nhóm (multi cluster distribution), phức tạp nhất song lại thường gặp. Trong đó, đường cong phân bố thể hiện có nhiều lớp với chiều rộng khác nhau, nhiều cực trị khác nhau và độ cao cũng khác nhau. Khi đó số lớp không thể tính bằng phương pháp số học mà phải tính một cách ngẫu nhiên. Theo kinh nghiệm, có thể áp dụng cách phân lớp theo nhánh (hierarchical clustering). Phương pháp này cho phép xác định một cách tối ưu số lượng lớp và ranh giới các lớp. Cách thức tiến hành như sau:
Bước đầu mỗi đối tượng được xác định là một nhóm hợp phần
Mỗi lần làm lại thì một đối tượng bất kỳ có sự khác biệt nhất với nhóm được phát hiện và gộp với nhóm đó.
Cứ như vậy, mỗi lần chia lại thì số lượng nhóm được giảm đi 1, cuối cùng toàn bộ các đối tượng được thành những nhóm riêng.
Các giá trị thống kê: SSw, SSb, và tỉ số SSw/SSb được tính cho mỗi công đoạn (SSw là tổng của phương sai trong mỗi nhóm, SSb là tổng phương sai giữa các nhóm, việc gộp nhóm xác định được các đối tượng nào ở cùng một lớp, số lượng các lớp tự nhiên được xác định bởi đường cong của tỉ số SSw/SSb.
Góc bên phải đường cong: khi số lượng lớp bằng số lượng đối tượng và SS = 0, tỉ số SSw/SSb = 0.
Góc bên trái đường cong: số lượng đối tượng = 1, SSb = 0 và tỉ số SSw/SSb = Ơ
Theo nguyên tắc "ngón tay cái" thì số lượng các lớp được chia dựa vào chỗ gồ lên của đường cong. ý nghĩa là khi phân loại bắt đầu từ phía xa bên phải đường cong, tỉ số sẽ được tăng dần đến chỗ đường cong bị ghồ lên. Sau chỗ đó thì tại một điểm bất kỳ, giá trị tỉ số sẽ tăng lên rất nhanh so với điểm trước nó. Sự phân loại sẽ được xem xét khi mà tỉ số còn thấp ở giá trị chấp nhận được.
Với mỗi tập hợp thống kê khác nhau thì có một phương pháp phân loại thích hợp. Vấn đề cần thiết đặt ra trong phân tích không gian là phải tìm được phương pháp phân loại phù hợp cho một tập hợp nhất định. Những phương pháp đã nêu ở trên là dựa vào tư liệu thuộc tính. Nếu như mục tiêu phân loại là để xử lý không gian tạo nên các mẫu không gian khác nhau thì phương pháp phân loại lại được áp dụng theo nguyên tắc khác.
Trong trường hợp cá đối tượng bản đồ là các polygon, có thể áp dụng hệ số phân chia (fracmentation index) để phân loại:
ở đây: r: hệ số phân chia nhỏ
m: số vùng tiếp giáp trên bản đồ
n: số đơn vị bản đồ gốc
Đối với thuộc tính của polygon, n là số lượng polygon trước khi phân loại và tẩy sạch, m là số lượng polygon sau khi phân loại và tẩy sạch (phương pháp đã nêu ở trên). Giá trị của m luôn nhỏ hơn hay bằng n và giá trị r thay đổi từ 0 – 1.
Về lý thuyết thuần tuý, khi m = n thì sự phân loại tạo nên kết quả là mỗi polygon trong một lớp thì khác với toàn bộ các polygon kế cận. Trong trường hợp này, hệ số phân chia mảnh r có giá trị là 1 thì...

---