Importante

La traduzione è uno sforzo comunitario a cui puoi unirti. Questa pagina è attualmente tradotta al 100.00%.

17.14. Primo esempio di analisi

Nota

In questa lezione eseguiremo alcune analisi reali usando solo il toolbox, in modo che possiate acquisire maggiore familiarità con gli elementi del framework di processing.

Ora che tutto è configurato e possiamo usare algoritmi esterni, abbiamo uno strumento molto potente per eseguire analisi spaziali. È il momento di fare un esercizio più ampio con alcuni dati del mondo reale.

Useremo il ben noto set di dati che John Snow usò nel 1854, nel suo lavoro rivoluzionario (https://en.wikipedia.org/wiki/John_Snow_%28physician%29), e otterremo alcuni risultati interessanti. L’analisi di questo set di dati è abbastanza ovvia e non c’è bisogno di sofisticate tecniche GIS per finire con buoni risultati e conclusioni, ma è un buon modo per mostrare come questi problemi spaziali possono essere analizzati e risolti utilizzando diversi strumenti di processing.

Il set di dati contiene shapefile con le morti di colera e le posizioni delle fontanelle, e una mappa visualizzata da OSM in formato TIFF. Apri il progetto QGIS corrispondente a questa lezione.

../../../_images/project2.png

La prima cosa da fare è calcolare il diagramma di Voronoi (ovvero i poligoni di Thiessen) del layer delle fontanelle, per ottenere la zona di influenza di ogni fontanella. L’algoritmo Voronoi Diagram può essere usato per questo.

../../../_images/voronoi.png

Piuttosto semplice, ma ci darà già informazioni interessanti.

../../../_images/voronoi2.png

È evidente che la maggior parte dei casi si trova all’interno di uno dei poligoni

Per ottenere un risultato più quantitativo, possiamo contare il numero di morti in ogni poligono. Poiché ogni punto rappresenta un edificio in cui si sono verificati dei decessi, e il numero di morti è memorizzato in un attributo, non possiamo semplicemente contare i punti. Abbiamo bisogno di un conteggio ponderato, quindi useremo lo strumento Conta i punti nel poligono (pesato).

../../../_images/pointsinpoly.png

Il nuovo campo sarà chiamato DEATHS, e usiamo il campo COUNT come campo di ponderazione. La tabella risultante riflette chiaramente che il numero di morti nel poligono corrispondente alla prima fontanella è molto più elevato degli altri.

../../../_images/pointsinpolytable.png

Un altro buon modo di visualizzare la dipendenza di ogni punto nel layer Cholera_deaths con un punto nel layer Pumps è di tracciare una linea verso il più vicino. Questo può essere fatto con lo strumento Distanza dal punto centrale più vicino, e usando la configurazione mostrata qui di seguito.

../../../_images/nearest.png

Il risultato si presenta così:

../../../_images/nearestresult.png

Anche se il numero di linee è più grande nel caso della fontanella centrale, non bisogna dimenticare che questo non rappresenta il numero di morti, ma il numero di località dove sono stati trovati casi di colera. È un parametro rappresentativo, ma non considera che alcune località potrebbero avere più casi di altre.

Un layer di densità ci darà anche una visione molto chiara di ciò che sta accadendo. Possiamo crearlo con l’algoritmo Mappa di concentrazione (Stima Densità Kernel). Usando il layer Cholera_deaths, il suo campo COUNT come campo peso, con un raggio di 100, l’estensione e la dimensione delle celle del layer raster streets, otteniamo qualcosa del genere.

../../../_images/density.png

Ricorda che, per ottenere l’estensione dell’output, non è necessario digitarla. Clicca sul pulsante a destra e seleziona Usa l’estensione del layer/mappa.

../../../_images/layerextent.png

Seleziona il layer raster delle strade e la sua estensione sarà automaticamente aggiunta al campo di testo. Devi fare lo stesso con la dimensione della cella, selezionando anche la dimensione della cella di quel layer.

Combinando con lo strato delle fontanelle, vediamo che c’è una fontanella chiaramente nell’hotspot dove si trova la massima densità di casi di morte.