17.14. Eerste voorbeeld analyse

Notitie

In deze les zullen we enkele echte analyses uitvoeren met behulp van alleen de Toolbox, zodat u meer bekend raakt met de elementen van het framework Processing.

Nu alles is geconfigureerd en we externe algoritmen kunnen gebruiken, hebben we een zeer krachtig gereedschap om ruimtelijke analyses uit te voeren. Het is tijd om een wat grotere oefening met gegevens uit de echte wereld uit te werken.

We zullen de welbekende gegevensset gebruiken die John Snow gebruikte in zijn baanbrekende werk in 1854 (https://en.wikipedia.org/wiki/John_Snow_%28physician%29), en we zullen enkele interessante resultaten verkrijgen. De analyse van deze gegevensset is redelijk helder en er is geen noodzaak voor ingewikkelde GIS-technieken om te eindigen met goede resultaten en conclusies, maar het is een goede manier om weer te geven hoe deze ruimtelijke problemen kunnen worden geanalyseerd en opgelost door verschillende gereedschappen van Processing.

De gegevensset bevat shapefiles met choleradoden en pomplocaties, en een OSM gerenderde kaart in de indeling TIFF. Open het overeenkomstige project van QGIS voor deze les.

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

Het eerste dat moet worden gedaan is het Voronoi-diagram berekenen (ook bekend als. Thyessen polygonen) van de laag Pumps, om de zone van invloed voor elke pomp te verkrijgen. Het algoritme Voronoi Diagram kan daarvoor worden gebruikt.

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

Redelijk eenvoudig, maar het geeft ons al interessante informatie.

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

Duidelijk, de meeste gevallen liggen binnen een van de polygonen

We kunnen het aantal doden in elk polygoon tellen om een meer kwantitatief resultaat te verkrijgen,. omdat elk punt een gebouw weergeeft waar doden vielen, en het aantal doden is opgeslagen in een attribuut, kunnen we niet eenvoudigweg de punten tellen. We hebben een gewogen telling nodig, dus zullen we het gereedschap Count points in polygon (weighted) gebruiken.

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

Het nieuwe veld zal DEATHS worden genoemd, en we gebruiken het veld COUNT als het te wegen veld. De resulterende tabel geeft duidelijk aan dat het aantal doden in de polygoon die overeenkomt met de eerste pomp veel groter is dan in de andere.

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

Een andere goede manier om de afhankelijkheid van elk punt op de laag Cholera_deaths te visualiseren met een punt in de laag Pumps is om een lijn te tekenen naar het dichtstbijzijnde. Dit kan worden gedaan met het gereedschap Distance to nearest hub, en de hieronder getoonde configuratie te gebruiken.

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

Het resultaat ziet er uit als dit:

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

Hoewel het aantal lijnen groter is in het geval van de centrale pomp, vergeet niet dat dit niet het aantal doden weergeeft, maar het aantal locaties waar choleragevallen werden aangetroffen. Het is een representatieve parameter, maar het houdt geen rekening met het feit dat sommige locaties meer gevallen zouden kunnen hebben dan andere.

Een laag voor dichtheid zal ons ook een zeer helder beeld geven van wat er gebeurt. We kunnen die maken met het algoritme Kernel density. Door de laag Cholera_deaths te gebruiken, het veld COUNT daarvan als veld om te wegen, met een straal van 100, het bereik en de celgrootte van de rasterlaag Streets, krijgen we zoiets als dit.

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

Onthoud dat, om het bereik voor uitvoer te krijgen, u die niet hoeft in te voeren. Klik op de knop aan de rechterkant en selecteer Use layer/canvas extent.

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

Selecteer de rasterlaag Streets en het bereik daarvan zal automatisch worden toegevoegd aan het tekstveld. U moet hetzelfde doen voor de celgrootte, door ook de celgrootte van die laag te selecteren.

Door dit te combineren met de laag Pumps, zien we dat er slechts één pomp duidelijk in de hotspot ligt waar de maximale dichtheid van dodelijke gevallen is gevonden.