Wichtig

Übersetzen ist eine Gemeinschaftsleistung Sie können mitmachen. Diese Seite ist aktuell zu 66.67% übersetzt.

17.14. Erstes Analysebeispiel

Bemerkung

In dieser Lektion werden wir einige echte Analysen ausführen. Wir benutzen die Werkzeugkiste, so dass wir uns noch mehr mit der Verarbeitungsumgebung vertraut machen.

Da jetzt alles richtig konfiguriert ist und wir externe Algorithmen verwenden können, steht uns ein mächtiges Werkzeug zur Durchführung räumlicher Analysen zur Verfügung. Es ist an der Zeit ein echtes Beispiel mit echten Daten zu bearbeiten.

Wir werden den gut bekannten Datensatz verwenden, den John Snow 1854 in seiner wegweisenden Arbeit (https://en.wikipedia.org/wiki/John_Snow_%28physician%29) nutzte und werden zu einigen interessanten Ergebnissen kommen. Die Analyse der Daten ist ziemlich offensichtlich und man benötigt dazu keine anspruchsvollen GIS-Techniken, um zu guten Resultaten und Schlussfolgerungen zu gelangen. Es ist aber eine gute Möglichkeit, zu zeigen, wie man räumliche Fragestellungen mit Hilfe verschiedener Verarbeitungswerkzeuge analysieren und lösen kann.

Der Datensatz enthält Shapefiles mit den Todesfällen an Cholera und der Lage von Pumpen sowie eine nach OSM gerenderte Karte im TIFF Format. Öffnen Sie das zu dieser Lektion gehörende QGIS Projekt.

The first thing to do is to calculate the Voronoi diagram (a.k.a. Thiessen polygons) of the pumps layer, to get the influence zone of each pump. The Voronoi polygons algorithm can be used for that.

Ganz einfach - aber wir erhalten schon erste interessante Informationen.

Die meisten Fälle liegen offensichtlich innerhalb eines der Polygone.

To get a more quantitative result, we can count the number of deaths in each polygon. Since each point represents a building where deaths occured, and the number of deaths is stored in an attribute, we cannot just count the points. We need a weighted count, so we will use the Count points in polygon tool.

The new field will be called DEATHS, and we use the COUNT field as weighting field. The resulting table clearly reflects that the number of deaths in the polygon corresponding to the first pump is much larger than the other ones.

Another good way of visualizing the dependence of each point in the Cholera_deaths layer with a point in the Pumps layer is to draw a line to the closest one. This can be done with the Distance to nearest hub tool, and using the configuration shown next.

Das Ergebnis sieht wie folgt aus:

Obwohl die Anzahl der Linien zur zentralen Pumpe größer ist, dürfen wir nicht vergessen, dass die Anzahl der Linien nicht der Anzahl der Todesfälle sondern der Anzahl der Orte an denen Todesfälle auftraten, entspricht. Es ist zwar ein repräsentativer Parameter, allerdings ohne Berücksichtigung der mehrfachen Todesfälle an einigen Orten.

A density layer will also give us a very clear view of what is happening. We can create it with the Heatmap (Kernel density estimation) algorithm. Using the Cholera_deaths layer, its COUNT field as weight field, with a radius of 100, the extent and cell size of the streets raster layer, we get something like this.

Remember that, to get the output extent, you do not have to type it. Click on the button on the right-hand side and select Use layer/canvas extent.

Wählen Sie den Rasterlayer der Straßen, seine Ausdehung wird dann automatisch in das Textfeld übernommen. Mit der Zellgröße können wir genauso vorgehen, d.h. wir wählen diesen Layer erneut.

Zusammen mit dem Layer der Pumpen erkennen wir, dass sich eindeutig eine Pumpe im Zentrum der höchsten Dichte der Todesfälle befindet.