Көбірек

Берілген жерден және берілген қашықтықтан желі ішінде кездейсоқ орналасу құру

Берілген жерден және берілген қашықтықтан желі ішінде кездейсоқ орналасу құру


Тіршілік ету ортасын таңдау үшін мен қол жетімділікті анықтауға тырысамын. Менің түрім су айдындарында өмір сүреді және мен желінің аналитикасын қолдана отырып (қатардағы нүктелер арасындағы қашықтықты есептеу (көпбұрыш) ArcGIS Desktop көмегімен) екі қатар орналасқан орындар арасындағы қашықтықты бағалай аламын).

Мен жануарға дәл осындай қашықтықта жететін орын алғым келеді.

Жақсырақ түсіну үшін: менде A орналасқан және d-ден А-ға дейінгі қашықтық, менде өзендер мен басқа су қоймаларының желісі бар

Енді мен A орналасуын бастапқы орын ретінде және d қашықтығын желі бойымен аламын.

Мұны жасауға бола ма, егер болса, қалай?


Мен (немесе бір) шешімді таптым: желі талдаушысына «Қызмет аймағы» құралы керек. Біріншіден, сізге қажетті алғышарттар қажет:

a) Network Analyst бағдарламасында желіні орнатыңыз. Сізде жолдардың / өзендердің және т.б. ұзындығы болуы керек. аналитикті орнату кезінде қосылған төлсипат ретінде оны атаңыз, мысалы «Қашықтық»

б) Сізге орналасу файлында қашықтықты әр орынға есептейтін баған қажет (сондықтан егер сіз бір жерде бірнеше қашықтыққа ие болсаңыз, олардың әрқайсысы жаңа жолда болуы керек), оны атаңыз, мысалы. «Жаңа_Дист»)

а) Network Analyst ашып, «service area» таңдаңыз, оны жаңа жолақ ретінде ашыңыз

б) Қызмет көрсету аймағындағы белгішені басыңыз. «Жинақтауды» ашыңыз, сіз желі талдағышында орнатқан Ұзындық атрибутының атын көресіз (мысалы, «Қашықтық»). Тексеру

в) «Жалпы» ашыңыз, «Көпбұрыштар жасаңыз» дегенді алып тастаңыз (бұл сізге жасты қажет етеді және сіздің жолыңыздан шығады)

г) «Сызықты генерациялауды» ашыңыз, «Сызықты құру» батырмасын басыңыз

в) жабыңыз.

e) «Құрылғыларды» нұқыңыз және оған орналасқан жерлеріңізді жүктеңіз. Мен орналасқан жердің идентификаторын қолдандым (OBJECTID емес, бірақ ол басқа ешнәрсеге араласпауы үшін), және «Breaks_Distance» өрісіне сіздің қашықтықтарыңызбен өрісті қосыңыз (мысалы, «New_Dist»)

f) Оны жүктеңіз, содан кейін оны іске қосыңыз. Бұл баяу болады, бірақ өте баяу болмайды. Орындарды жүктеу тезірек болуы керек. Егер олай болмаса, сіздің кеңістіктік индексіңіз бар-жоғын тексеріңіз (Каталогқа өтіп, оны ашып, қасиеттерін тексеріңіз. Егер кеңістіктік индекс салынбаған болса, оны дәл қазір құрыңыз. Ол ЖОЛДАР тез жүреді).

ж) Сызықтарды экспорттау

h) «Facility_ID» көмегімен жаңа файлға «OBJECT_ID» көмегімен «Service area Facility» қосылыңыз. Бұл қажет, өйткені сызықтардың өздері аз ақпарат алады, сондықтан сіз оларға қосылуыңыз керек.

i) X және Y жаңа бағандарын қосыңыз

к) Кестеден «Геометрияны есептеңіз» жолындағы X = «X жолдың соңы» және Y = «Y жол соңы» үшін есептеңіз

k) Кестені осылай экспорттаңыз

l) кестені GIS-ке «Display X and Y» көмегімен қайтадан импорттаңыз, содан кейін оны жаңа файл ретінде экспорттаңыз.

м) нақты қашықтық желі бойынша әр түрлі мүмкіндіктер бойынша сегменттерде жүргізілгендіктен, сіз тек соңғы орынды білгіңіз келетіндіктен, сізге жаңа файл кестесіне тағы бір баған қосу керек, оны қалағаныңызша шақырыңыз, бірақ алыңыз ол «жүзу» ретінде. Өріс калькуляторын «Break_Dis» - «ToCumul» пайдаланып, содан кейін = <0 болатындарын ғана таңдаңыз. Бұл сізге шамамен қашықтықта болатын орындар.


Scipy.spatial.Delaunay көмегімен нақты триангуляция кезінде берілген нүктенің барлық көршілерін қалай табуға болады?

Мен бұл сұраққа жауап іздедім, бірақ пайдалы ештеңе таба алмадым.

Мен python ғылыми есептеу стегімен жұмыс істеймін (scipy, numpy, matplotlib) және менде 2 өлшемді нүктелер жиынтығы бар, ол үшін Delaunay траингуляциясын (вики) scipy.spatial.Delaunay көмегімен есептеймін.

Мен кез-келген а нүктесін ескере отырып, кез-келген симплекстің (яғни үшбұрыштың) төбелері болып табылатын барлық басқа нүктелерді қайтаратын функцияны жазуым керек, ол а (триангуляциядағы а-ның көршілері) болып табылады. Алайда, scipy.spatial.Delaunay (мұнда) құжаттамасы өте нашар, сондықтан мен қарапайымдылықтардың қалай көрсетілгенін мен өмір бойы түсіне алмаймын немесе мен мұны істеймін. Тіпті Delaunay шығарылымындағы көршілердің, шыңдардың және vertex_to_simplex массивтерінің қалай ұйымдастырылғандығы туралы түсініктеме де маған жету үшін жеткілікті болар еді.


Мысалы, сіз пайдалана аласыз. r.nextInt (101)

«Екі санның арасында» неғұрлым жалпылау үшін:

Бұл сізге 10 (қоса алғанда) мен 100 (эксклюзивті) арасындағы кездейсоқ санды береді

Жоғарғы шекара жоғарғы, ал төменгі шекара деп есептесек, екі шекара арасында кездейсоқ санды r жасауға болады:

егер сізге бірнеше мән жасау керек болса, онда ол үшін цикл үшін ғана пайдаланыңыз

Егер сіз 10-нан 100-ге дейінгі аралықты көрсеткіңіз келсе (екеуі де ауқымда)

Сіздің жағдайда бұл келесідей көрінуі мүмкін:

Python сияқты Java-да екі мәннің арасында кездейсоқ генератор жоқ. Бұл кездейсоқтықты құру үшін тек бір мән алады. Сонымен, сізге жасалынған нөмірге БІР БІР НӘМІР қосу керек, бұл санның ауқымында болуына әкеледі. Мысалы:


Кіріспе

Орналасу қызметтері (LBS) - бұл пайдаланушыларға мобильді құрылғылар мен сымсыз желі арқылы орналасқан географиялық позицияларды ұсынатын ақпараттық қызмет түрі. Пайдаланушының қызығушылығы, хоббиі және пайдаланушының мінез-құлық үлгісі сияқты орналасқан жер туралы деректерде байлық туралы ақпарат бар. LBS бірқатар қосымшаларда жұмыс істей алады, соның ішінде: жарнамалық орналастыру [1], жекелендірілген ауа-райы қызметі, ойын-сауық [2], жеке өмір және т.б. Тиімді орналасқан жерді болжау немесе ұсыныс пайдаланушыларға жақсы тәжірибе жасауға мүмкіндік береді.

Орналасқан жерді анықтау және ұялы байланыс технологияларының жетістіктері адамдарға интерактивті желілерде орналасқан жер туралы деректерді әртүрлі тәсілдермен пайдалануға мүмкіндік береді. Адамдар өздерінің орналасқан жерлерімен бөлісе алады, GPS-пен туристік маршруттарды GeoLife-да тәжірибе алмасу үшін жазады [3]. Чжэн [4] траектория деректерін шолу жасайды, оның ішінде траектория деректерін алдын-ала өңдеу, үлгіні қазу және классификациялау бар, ол осы қолданыстағы техникалар арасындағы байланыстарды, корреляциялар мен айырмашылықтарды зерттейді, сонымен қатар кейбір қоғамдық траектория мәліметтер жиынтығы келтірілген. Чжэн [5] белгісіз траектория деректеріндегі топ-k үміткерлерінің сапарларын табу тәсілін ұсынады. Тарихи деректер саяхат туралы қорытынды жасауға пайдаланылады және ол пайдаланушының траекториясының белгісіздігін азайтады.

Орынды анықтау қызметтерін жақсарту үшін пайдаланушының орналасқан жерін алдын-ала білу қажет. Мысалы, егер пайдаланушы бұрын болған жерлерге сүйене отырып, кешкі сағат 18: 00-де B орны пайда болады деп болжауға болатын болса, LBS провайдері ұсыным ақпаратын немесе B орнындағы мейрамханаларға арналған жарнаманы пайдаланушыға алдын-ала жібере алады. Xue [6] орынды болжауға арналған SubSyn алгоритмін ұсынады. Пайдаланушының тарихи траекториясы туралы мәліметтер ішкі траектория жиынтығына ыдырайды, бұл тректер саны мен жаттығу деректерінің көлемін көбейтеді, және болжау өнімділігі жақсарады. Тректі болжауға келетін болсақ, Марков моделінің әдісі кең қолданылады [7,8] және оның негізгі идеясы алыпсатарлық үшін Марков тізбегін құру болып табылады. SMLP алгоритмін (әлеуметтік-хабардар ұялы байланыс қолданушысының орналасуын болжау алгоритмі) Ю ұсынды [9]. Ол қолданушының Markov Model-пен орналасуын болжау үшін корреляциясын біріктіреді. Алгоритмге Марков моделіне қарағанда аз орын қажет болғанымен, болжам нәтижелеріне аймақ бөлінісі қатты әсер етеді. Lian [10] CEPR (Collaborative Exploration and Periodically Returning model) алгоритмін ұсынады, ол бірлесіп сүзу техникасын қолданады және пайдаланушының тарихи әрекеті орналасқан жерді болжау мен ұсыну үшін қолданылады. Сонымен қатар олар қолданушының статистикалық ақпараты мен Gowalla деректері бойынша орналасқан жерді болжау мүмкіндігі арасындағы корреляциялық талдауды [11] береді (https://snap.stanford.edu/data/loc-gowalla.html). Префикстің ағашы және эвристикалық іздеу стратегиясы Чжанның сапарға шығаруға арналған жеке ұсынысын жүзеге асыру үшін қабылданған [12]. Wu [13] Markov Random Field-ті орналастыру жазбаларының аннотациясын және пайдаланушының тағдырын болжау үшін пайдаланады, пайдаланушының жазбалары көп болғанда, өнімділік жақсы болады. Nghia [14] мүмкіндіктерді таңдау үшін матрицалық факторизацияны пайдаланады және пайдаланушының орналасуын болжайды. Алгоритм нақты уақыт режимінде географиялық орналасуды болжай алса да, олардың деректер базасы көптеген семантикалық ақпараттан тұратын твиттерден тұрады. Нәтижелерге адамдардың субъективті эмоциялары мен өрнектері әсер етеді.

Gambs [15] Mobility Markov Chain (MMC) деп аталатын ұтқырлық моделін кеңейтеді n келесі орналасуды болжау үшін алдыңғы барған орындар. Алайда, ол кез келген уақыт аралығында орналасуды болжай алмайды. Мэттью [16] жасырын Марков модельдері (HMM) негізінде адамның қозғалғыштығын болжаудың гибридті әдісін ұсынады. Олар мүмкін алгоритмді ықтимал тізбектердің ықтималдығын есептеп шығарады және ықтималдығы жоғары тізбектегі келесі орынды қайтарады. Бірақ GeoLife-дағы эксперименттік нәтижелер ең жоғары дәлдікте қанағаттанбайды @ 5 26.40. Циао [17] үш кезеңді қамтитын гибридті Марковқа негізделген болжам моделін ұсынады: ұтқырлық үлгісін табу, өзгермелі тәртіптегі Марковты болжаушы және ұтқырлық үлгісіне негізделген пайдаланушылардың ұқсастығын есептеу. Адамның траекториясы туралы деректер LTE (Long Term Evolution) желісінің деректер трафигінен алынады. Әр түрлі деректер жиынтығындағы басқа жұмыстармен салыстыру үшін кең эксперименттік бағалау жүргізу керек. Хуанг [18] белсенділіктің өзгеруін ескере отырып болжамды модель ұсынады. Ол GeoLife деректер қорынан таңдалған екі пайдаланушыға арналған және өнімділік жақсарады. Зерттеу нәтижелері пайдаланылған деректер жиынтығының кеңістіктік және уақыттық қамтуымен шектеледі және оны адамның қозғалысын аптаның әр күнінде неғұрлым сапалы мәліметтермен болжау үшін қолдану керек.

Сонымен қатар, болжау моделін құру үшін көптеген басқа тәсілдер қолданылады, мысалы, ассоциация ережелеріне негізделген әдіс [19] және т.б. Алайда, бар стратегиялардың барлығы нақты уақытқа негізделген болжам бере алмайды.

GeoLife (https://www.microsoft.com/kk-us/download/details.aspx?id=52367) - бұл пайдаланушылардың сыртқы қозғалыстарын ғана емес, сонымен қатар кең ауқымын жазатын, орналасуға негізделген қызмет үшін жиі қолданылатын деректер. күнделікті өмір, сонымен қатар кейбір ойын-сауықтар мен спорттық шаралар. Бұл траекторияның деректер базасын көптеген зерттеу салаларында қолдануға болады, мысалы, ұтқырлық үлгісін өндіру, пайдаланушы әрекетін тану, орналасуға негізделген әлеуметтік желілер және орналасқан жерді ұсыну.

Бұл мақалада біз тарихи траектория деректері негізінде пайдаланушының үздіксіз уақыт қатарында орналасуын болжау мәселесін қарастырамыз және Марковтың бастапқы моделін жақсартамыз. Дискретті уақыт ретін Гаусс қоспасының моделі үздіксіз реттілікке имитациялайды.


ГЕОГРАФИЯЛЫҚ ТЕОРИЯҒА КЕҢІСТІК ФОРМА ЖӘНЕ ОНЫҢ ҚАТЫНАСЫН ТАЛДАУ

Б.Банге, «Теориялық география»,Ландты зерттеу география, С сериясы, No1 (1962), б. 171.

П. Хаггетт, Адам географиясындағы локальды талдау (Лондон: Э. Арнольд Ltd., 1965), 15–16 беттер.

Д.Харви, «Мінез-құлық постулаттары және адам географиясындағы теорияның құрылысы»,Семинар жұмысы сериясы A, № 6 (Бристоль, Англия: География бөлімі, Бристоль университеті, 1967), 7–8 бб.

Лукерманн, Ғылымдар арасындағы география (Mimeographed, Minneapolis / Kalamata, 1964), б. 26.

Статистикалық талдаудың осы әдеттегі тәсілдері Л. Дж. Кингте қарастырылған, Географиядағы статистикалық талдау (Englewood Cliffs: Prentice-Hall Inc., 1969).

Евклидтік геометрияға кіріспелер, мысалы, H. S. M. Coxeter, Геометрияға кіріспе (Нью-Йорк: Джон Вили және ұлдары, Инк., 1961) Х. Г. Фордер, Геометрия (Лондон: Хатчинсон университетінің кітапханасы, 1950).

Бачи, Р., «Кеңістікті талдаудың стандартты қашықтық өлшемдері және онымен байланысты әдістер», мақалалар, аймақтық ғылыми қауымдастық, т. 10 (1963), 83 - 132 беттер.

Сомервилл, Д.М. N өлшемдер геометриясына кіріспе (Нью-Йорк: Dover Publications, 1958), Х.Харман, Қазіргі заманғы факторларды талдау (Чикаго: University of Chicago Press, 1962), 4-тарау.

K. J. Dueker, «Кеңістіктік деректер жүйелері»,Техникалық есептер № 4, 5, 6, қалалық және көліктік ақпараттық жүйелер (Эванстон, Илл.: Солтүстік-Батыс университетінің география бөлімі, 1966).

Кеңістіктік деректер мен координаттар жүйелерін талқылау үшін В.Т.Тоблерді қараңыз, «Географиялық координаталық есептеулер: І бөлім: Жалпы мәселелер»№ 2 техникалық есеп, ONR Тапсырма № 389–137, Nonr 1224 (48) келісім-шарт (Анн Арбор: Мичиган университетінің география бөлімі, 1964) M. B. Teitz, Калифорния үкіметі үшін жерді пайдалану туралы ақпарат: жіктеу және түгендеу (Беркли: Қалалық және аймақтық даму институты, 1965) Д. Ф. Кук және В. Х. Максфилд, Географиялық базалық файлды жасау және оны картаға түсіру үшін қолдану (Қалалық және аймақтық ақпараттық жүйелер қауымдастығының жылдық мәжілісінде ұсынылған мақала, Нью-Йорк, 1967 ж.) Т. Хэгерстранд, «Компьютер және географ»,Мәмілелер мен құжаттар, Британдық географтар институты, No 42 (1967), 1–19 бб.

Дж. С.Бендат және А.Г. Пирсол, Кездейсоқ деректерді өлшеу және талдау (Нью-Йорк: Джон Вили және ұлдары, Инк., 1966), 1 тарау.

Дж. В. Харбау және Ф. В. Престон, «Геологиядағы Фурье серияларын талдау», Б. Дж. Л. Берри және Д. Ф. Мрамор (Ред.), Кеңістіктік талдау (Englewood Cliffs, N. J .: Prentice-Hall, Inc., 1968), 218–38 бб.

Харбау және Престон, оп. cit., ескерту 12, б. 233.

Horn, L. H. and Bryson, R. A., “Жауын-шашынның жылдық наурызын гармоникалық талдау”, Annals, American Geographers қауымдастығы, т. 50 (1960), 157 б. - 71 Саббаг, М. Е. және Брайсон, Р.А., «Гармоникалық талдау әдісімен зерттелген Канаданың жауын-шашын климатологиясының аспектілері», Annals, American Geographers қауымдастығы, т. 52 (1962), 426 б. - 40 Peixoto, J. P., Saltzman, B. and Teweles, S., “Жердің параллельдері бойынша топографияны гармоникалық талдау,” Journal Geophysical Research, Vol. 69 (1964), 1501 б. - 05 қараңыз, Стоун, Р.О және Дугунджи, Дж., «Микроорельефті зерттеу - оны картаға түсіру, классификациялау және Фурье анализі арқылы мөлшерлеу», Инженерлік геология, т. 1 (1965), 89 - 187 б.

Касетти, Э., «Тригонометриялық полиномдардың кеңістіктік бірлестігін талдауы», канадалық географ, т. 10 (1966), 199 - 204 беттер.

В.Р. Тоблер, «Сандық картаны қорыту және географиялық таралуды талдау туралы ескертпелер»№ 8 жұмысты талқылау (Энн Арбор: Мичиган университеті арасындағы математикалық географтардың қоғамдастығы, 1966).

Warntz, W. and Neft, D. S., “Аумақтық бөлудің статистикалық әдіснамасына қосқан үлестері”, Journal of Regional Science, Vol. 2 (1960), 47 б. - 66 б. С.С. Нефть, «Аймақтық таралуы бойынша статистикалық талдау»Монография сериясы, No2 (Филадельфия: Аймақтық ғылыми зерттеу институты, 1967).

В.Варнц, Баға географиясына қарай: Геоэконометрияда зерттеу (Филадельфия: Пенсильвания университеті, 1959 ж.) В.Варнц, «Макрогеография және кіріс фронттары»,Монография сериясы, No3 (Филадельфия: Аймақтық ғылыми зерттеу институты, 1965).

Бұл, мысалы, Кларк, C., «Қалалық халықтың тығыздығы», Journal Royal Statistical Society журналы, А сериясы, т. 114 (1951), 490 б. - 96 Берри, Дж. Дж. Л., Симмонс, Дж. В., және Теннант, Р. Дж., «Қала халқының тығыздығы: құрылымы және өзгеруі», Географиялық шолу, т. 53 (1963), 389 - 405 беттер.

М.Ф. Дейси, «Экономикалық аймақтардың стохастикалық моделі»№ 4 талқылау жұмысы (Эванстон, Илл.: География бөлімі, Солтүстік-Батыс университеті, 1965).

Сотты қараңыз, Халықтың таралуы және өзіндік әлеуеті (Норридж, Калифорния: География кафедрасы, Сан Фернандо Валлей мемлекеттік колледжі, 1966, мимео.) Гуревич, Б.Л., «Қала тұрғындарының тығыздығы және кездейсоқ шаманың ықтималдығының тығыздығы», Советская география, т. 8 (1967), 722 - 30 беттер.

Dacey, M. F., “Екі өлшемді кездейсоқ нүктелік өрнектер: шолу және түсіндіру”, Мақалалар, Аймақтық ғылыми қауымдастық, т. 13 (1964), 41 - 55 б.

Дэси, Ф. Ф., «Кездейсоқтықтан гөрі нүктелік өрнектің модификацияланған Пуассон ықтималдығы заңы», Анналдар, Американдық географтардың қауымдастығы, т. 54 (1964), 559 - 65 б.

Dacey, M. F., “Біртекті емес кездейсоқ нүкте үлгісіндегі қашықтыққа тапсырыс беру”, канадалық географ, т. 9 (1965), 144 - 153 беттер.

Дэси, Ф. Ф., «Кездейсоқтықтан және аумақтық біртектіліктен гөрі шашыраңқы өрнектің ықтималдығы туралы күрделі заң», Экономикалық география, т. 42 (1966), 172 - 79 б.

Д.Харви, «Нейман А типін және кеңістіктік нүктелік заңдылықтарды талдау үшін теріс биномдық ықтималдық үлестіруді қолданудың кейбір әдістемелік мәселелері»Транзакциялар мен құжаттар, Британдық Географтар Институты, No44 (1968), 85–99 бб. M. F. Dacey, Пуэрто-Рикодағы үйлердің аумақтық таралуын эмпирикалық зерттеу (Эванстон, Илл.: Солтүстік-Батыс университетінің география бөлімі, mimeo. 1967).

Мысалы, Куллдорф, Г., “Көші-қон ықтималдығы,” Географиядағы Лунд зерттеулер, В сериясы, т. 14 (1955), 45 бб Моррилл, Р.Л. және Питтс, Ф.Р., «Неке, көші-қон және орташа ақпарат өрісі: бірегейлік пен жалпылықтағы зерттеу», Анналдар, Американдық географтардың қауымдастығы, т. 57 (1967), 401 - 22 б.

Қашықтықтардың гамма-таралуына қатысты нәтижелер үшін Дэси, Ф. Ф., «Көп өлшемді кеңістіктегі кездейсоқ өрнектер класы үшін көршілер статистикасына тапсырыс беріңіз», Annals, American Geographers қауымдастығы, т. 53 (1963), 505 - 15 бб, басқа нәтижелер келтірілген Техникалық есептер, № 3, 5, 6, географиялық ақпараттық жүйелер жобасы (Эванстон, Илл.: Солтүстік-Батыс университетінің география бөлімі, 1965).

П.Грейг-Смитті қараңыз, Өсімдіктер санының экологиясы (Лондон: Баттеруортс, 1964 ж., 2-ші редакция.) Холгейт, П., “Қашықтық әдістеріне негізделген кездейсоқтық тестілері”, Биометрика, т. 52 (1965), 345 б. - 53 О. Перссон, «Қашықтықтың әдістері»Studia Forestalia Suecica, No 15, 1964, 68 бб Бернс, М.А., «Фораминифераның кеңістіктік таралуы туралы», Кушман қорының фораминифералды зерттеулерге қосқан үлестері, т. 19 (1968), 1-бет - 11 W. G. Warren, Кеңістіктік нүктелік процестерді зерттеуге қосқан үлестері (Жарияланбаған Ph.D. Диссертация, Солтүстік Каролина Университеті, 1962) Фэйтррон, Д., «Екі концентрлі шеңбердегі кездейсоқ нүктелер арасындағы қашықтық», Биометрика, т. 51 (1964), 275 - 77 б.

Мысалға қараңыз, Гудолл, Д.В., «Түрлер бірлестігінің алаңсыз сынақтары», Экология журналы, т. 53 (1965), 197 - 210 беттер.

Мысалы, Берг, В.Ф., «Бір және екі өлшемді кездейсоқ үлестірулердегі агрегаттар», философиялық журнал 7-том, қара. 36 (1945), б. 337 Mack, C., “Кездейсоқ үлестірімдегі агрегаттардың n нүктелерін бөлудегі күтілетін саны,” Кембридж философиялық қоғамының еңбектері, т. 46 (1950), 285 б. - 92 Наус, Дж., «Кездейсоқ нүктелердің екі өлшемде кластерленуі», Биометрика, т. 52 (1965), 263 - 67 беттер.

Бендат пен Пирсол, оп. cit., ескерту 11, б. 19. Мұнда берілген функцияны қатаң мағынада аутоковарианттық функция деп атаған жөн болар, Карри, Л., «Кездейсоқ кеңістіктік экономикадағы орталық орындар», Аймақтық журнал журналы, т. 7 (1967), б. 220.

Matern, B., “Кеңістіктегі вариация”, Meddelanden Fran Statens Skogsforskningsinstitut, т. 49 (1960), 144 бет.

Тоблер, В. U. S. спектрі 40 (Энн Арбор: Мичиган Университетінің География бөлімі, 1967, мимо.) Р.А.Брайсон және Дж.А.Даттон, «Кейбір табиғи сериялардың ауытқу спектрлері», В.Л. Гаррисон мен Д.Ф. Мрамордағы (Ред.), Сандық география (Эванстон, Илл. Солтүстік-Батыс Университеті, География бөлімі, 1967), 1–24 б.

Уиттл, П., «Өнімділіктің әртүрлілігін учаскенің өлшемімен өзгерту туралы», Биометрика, т. 43 (1956), 337 б. - Уиттл, П., «Топографиялық корреляция, күш-заң ковариация функциялары және диффузия», Биометрика, т. 49 (1962), 305 - 14 беттер.

Бендат пен Пирсол, оп. cit., ескерту, 11, б. 22.

Мысалы, Д.Кокс пен П.А.В. Льюис, Оқиғалар топтамасын статистикалық талдау (Лондон: Methuen and Co. Ltd., 1966) Г.М. Дженкинс және Д.Г. Уоттс, Спектралды талдау және оның қолданылуы (Сан-Франциско: Холден-Дэй, Инк., 1968).

Пинкус, Дж. Және Добрин, М.Б. Оптикалық деректерді өңдеудің геологиялық қолданылуы, ”Геофизикалық зерттеулер журналы, т. 71 (1966), 4861 б. - 69 Бауэр, А., Фонтанел, А. және Грау, Г., «Гренландия мұздықтарының аэрофотосуреттерін зерттеуге когерентті жарықта оптикалық сүзгілеуді қолдану», Гляциология журналы, Том. 6 (1967), 781 - 93 б.

Тоблер, оп. cit., түсіндірме 16. Дискретті жиіліктік сүзгілер ретінде сызықтық өлшеу функцияларын талқылау туралы жақында В.Р. Тоблер «Карталар мен матрицалар» бөлімінде көрсетілген.Аймақтық ғылымдар журналы, Т. 7, No2, Қосымша (1967), 275–80 бб.

Dougherty, E. L. and Smith, S. T. Цифрланған карта деректерін фильтрлеу үшін сызықтық бағдарламалауды қолдану, ”Геофизика, т. 31 (1966), 253 - 59 беттер.

Дарби, Э. К. және Дэвис, Е.Б. Екі өлшемді мәліметтерге арналған екі өлшемді сүзгілерді талдау және жобалау ”, Геофизикалық барлау, т. 15 (1967), 383 - 406 беттер.

Мысалы, олардың мәлімдемелерін қараңыз: Карри, Л., «Кеңістіктік қауымдастық туралы ескерту», ​​Кәсіби географ, т. 18 (1966), 97 - 99 б. Карри, Л., «Сандық география», Канадалық географ, т. 2 (1967), 265 б. - 79 Дж. Рейнер, «Спектрлік әдістермен беттер арасындағы корреляция», Д.Ф.Мерриам мен Н.С.Куктың (Ред.), «Жер ғылымдарындағы компьютерлік қосымшалар: трендті талдау бойынша коллоквиум»,12. Компьютерлік үлес (Канзас Геологиялық Қызметі, 1967), 31-37 бб. В.Р. Тоблер, «Кеңістіктік серияларды спектралды талдау»,Іс жүргізу, Қалалық жоспарлаудың ақпараттық жүйелері мен бағдарламаларына арналған төртінші жыл сайынғы конференция (Беркли, 1966), 179–85 бб.

Брайсон және Дж. А. Даттон, «Кейбір табиғи сериялардың дисперсиялық спектрлері»оп. cit., сілтеме 34 Rayner, J. N., «Үлкен масштабты уақыт пен кеңістіктегі климатты түсіндіретін сипаттаманың статистикалық моделі», канадалық географ, т. 11 (1967), 67 - 86 бет, Тоблер, оп. cit., ескерту 34.

Мысалы, Бартлетт, М.С., «Екі өлшемді нүктелік процестердің спектрлік анализі», Биометрика, т. 51 (1964), 299 б. - 311 бет. Гудмундссон, Г., «Магниттік зерттеулердің спектралды анализі», Геофизикалық журнал, т. 13 (1967), 325 б. - 37 Ханнан, Э. Дж., «Геофизикалық мәліметтерге спектралды талдау», The Geophysical Journal, Vol. 11 (1966), 225 б. - 36 Лиз, Дж. А. және Эпштейн, E. S. Екі өлшемді спектралды анализді спутниктік бұлт фотосуреттерін кванттауға қолдану »,« Қолданбалы метеорология журналы, т. 2 (1963), 629 б. - 44 Пирсон, В. Ф. т.б, «Стерео толқындарын байқау жобасынан алынған мәліметтер бойынша жел генерацияланатын теңіз бағыты», Нью-Йорк университетінің метеорологиялық құжаттары, т. 2 (1960) Ф.В. Престон, «Жер формаларын жіктеуге арналған екі өлшемді қуат спектрлері», Д. Ф. Мерриам (Ред.), «Жер туралы ғылымдардағы компьютерлік қосымшалар жіктеу процедураларына арналған коллоквиум»,7. Компьютерлік үлес (Канзас Геологиялық Қызметі, 1966), 64-69 б. Пристели, М.Б., «Екіөлшемді стационарлық процестерді үзіліссіз спектрімен талдау», Биометрика, т. 51 (1964), 195 - 217 беттер.

Тоблер, оп. cit., ескерту 34.

Кларк, С., «Қалалық халықтың тығыздығы», журналы Корольдік статистикалық қоғам сериясы А, т. 114 (1951), 490 б. - 96 Берри, Б. Дж. Л. т.б, «Қалалық халықтың тығыздығы: құрылымы және өзгеруі», географиялық шолу, т. 53 (1963), 389 - 405 беттер.

B. E. Newling, Қала тұрғындары: құрылымы мен процестерінің математикасы (Американдық географтар қауымдастығының мәжілісінде ұсынылған жұмыс, Сент-Луис, 1967 ж.).

В. Крумбейн және Ф. Грейбилл, Геологиядағы статистикалық модельдерге кіріспе (Нью-Йорк: McGraw-Hill Book Co., 1965), 319-57 бб.

Ф. К. Харе, «Солтүстік полярлық қысым өрістерінің сандық көрінісі» Полярлық атмосфера симпозиумы: І бөлім, метеорология (Нью-Йорк: Pergamon Press, 1958).

Р. Дж. Чорли және П. Хаггетт, “Географиялық зерттеулердегі беткейлік картаға түсіру”Транзакциялар мен құжаттар, Британдық Географтар Институты, No37 (1965), 47–67 бб.

П.Гоулд, «Ақыл-ой карталарында»,№ 9 талқылау жұмысы (Энн Арбор: MICMAG, 1966) К. Дж. Фэйрбэрн және Г. Робинсон, Регрессиядан қалдықтарды тарату үшін беткейлік картаға түсіруді қолдану (Мельбурн, Австралия: Монаш университеті, 1967 ж.) П. Хаггетт, Аймақаралық салыстырулардағы беткейлерді картаға түсіру (Еуропалық R. S. A., Гаага, 1967 ж. Берілген).

Тоблер, В. Географиялық трендті талдау туралы түсініктемелер (Энн Арбор: Мичиган университетінің география бөлімі, 1968, мимео.).

Э.Касетти және Р.К.Сэмпл, «Кеңістіктегі тенденцияларды сатылы бөлу әдісі»№ 11 талқылау жұмысы (Энн Арбор: MICMAG, 1968).

Касетти және Семпл, оп. cit., ескерту 53, б. 4.

В.Варнц, «арақашықтық және жер құндылықтары корреляция коэффициенттерінің кеңістіктегі үздіксіз өрістерімен байланысты мәселелерді енгізудің деректері ретінде»Гарвардтың теориялық географиядағы еңбектері, No 10 (1968).

Орлочи, Л., “Экологиядағы геометриялық модельдер I”, Экология журналы, т. 54 (1966), 193 - 215 беттер.

Дж.Имбрие, «Геологиялық деректерді талдаудың факторлық және векторлық анализ бағдарламалары»№ 6 техникалық есеп, Жер туралы ғылымдардағы компьютерлік қосымшалар жобасы (Эванстон, Илл.: География бөлімі, Солтүстік-Батыс университеті, 1963).

П.Р.Гоулд, «Жеке құндылықтарды географиялық түсіндіру туралы»Транзакциялар мен құжаттар, Британдық географтар институты, No 42 (1967), 53–86 бб.

Куцбах, Дж. Е., «Теңіз деңгейіндегі қысымның эмпирикалық меншікті векторлары, жер үсті температурасы және Солтүстік Америка үстіндегі жауын-шашын кешендері», Journal of Applied Meteorology, Vol. 6 (1967), 791 - 802 беттер.

Р.Шепард пен Дж. Д.Кэрролл, «Бейсызықтық құрылымдардың параметрлік көрінісі», П.Р. Кришнаядағы (Ред.), Көп айнымалы талдау (Нью-Йорк: Academic Press, 1966), 561–92 бб.

Розенфельд, «Кескінді өңдеу»,Proc. Қала жоспарлаудың ақпараттық жүйелері мен бағдарламалары жөніндегі үшінші жыл сайынғы конференция (Чикаго, 1965), 49-52 бб. Сондай-ақ қараңыз, G. C. Cheng et al (Eds.), Суретті өрнекті тану (Вашингтон, Д. С .: Томпсон Бук Ко., 1968) А.Г. Аркадев және Э.М.Браверман, Компьютерлер мен үлгіні тану (Вашингтон, Д. С .: Thompson Book Co., 1967).

П. Хаггетт, «Географиядағы желілік модельдер», Р. Дж. Чорли мен П. Хаггетт (Ред.), Географиядағы модельдер (Лондон: Methuen and Co. Ltd., 1967), 656–62 бб.

Тоблер, В., “Географиялық сүзгілер және олардың инверстері”, Географиялық талдау, т. 1 (1969) Дж. Рейнер, Географияда Фурье әдістерін қолдану (Жыл сайынғы жиналыста ұсынылған мақала, Америка Географтарының Ассоциациясы, Вашингтон, Д.С., 1968)

Уорд, Дж. Х., «Мақсатты функцияны оңтайландыру үшін иерархиялық топтау», Journal American Statistical Association, т. 58 (1963), 236 б. - 44 Фридман, Х. П. және Рубин, Дж. Деректерді топтастырудың кейбір инвариантты критерийлері туралы », Journal Journal of American Statistical Association, т. Берри, «Экономикалық аймақтандыру математикасы», 62 (1967), 1159 б. - 78 Б.Іс жүргізу, Экономикалық аймақтандыру бойынша Брно конференциясы (Брно, 1967 ж.) Ленкфорд, П.М., «Аймақтандыру: теория және баламалы алгоритмдер», Географиялық талдау, т. 1 (1969).

Андерсон, Т. Көп айнымалы статистикалық талдауға кіріспе (Нью-Йорк: Джон Вили және ұлдары, Инк., 1958), Ч. 6.

Г.Себестьен, Үлгіні танудағы шешім қабылдау процестері (Нью-Йорк: Макмиллан Ко., 1962) У. Хайлейман, «Үлгіні тануға қолданудың шешімді сызықтық функциялары»Іс жүргізу (1962), 1501–14 бб. Э. Касетти, «Дискриминантты қайталаулар бойынша классификациялық және аймақтық талдау»,№12 техникалық есеп, Жер туралы ғылымдағы компьютерлік қосымшалар жобасы (Эванстон, Ил .: География бөлімі, Солтүстік-Батыс университеті, 1964).

М. Ф. Дейси, «Орталық орын теориясының геометриясы»,Geografiska Annaler, Т. 47B (1965), 111–24 б.

Дэйси, оп. cit., ескерту 67, б. 113.

М. Дж. Волденберг, «Флювиалды жүйелердегі кеңістіктік тәртіп: дренажды бассейн аймақтарының аралас алтыбұрышты иерархияларынан алынған Хортон заңдары»Гарвардтың теориялық географиядағы еңбектері, No 13 (1968) Волденберг, Дж., «Энергия ағыны және кеңістіктік тәртіп. Орталық жерлердің аралас алтыбұрышты иерархиялары », Географиялық шолу, т. 58 (1968), 552 - 74 беттер.

Рении, А., «Кеңістікті кездейсоқ толтыруға қатысты бір өлшемді мәселе туралы», Математикалық статистика мен ықтималдықтағы таңдамалы аудармалар, т. 4 (1963) Capobianco, M. F., «Ықтималдықтарды паркинг пәндерін салыстыру үшін пайдалану», тоқсан сайынғы трафик, т. 22 (1968), 137 - 44 б.

Гилберт, Н. Н., “Сфераны N дөңгелек қақпақпен жабу ықтималдығы”, Биометрика, т. 52 (1965), 323 б. - 30 Маркус, Х., «Көп өлімді процедурамен және Ай кратерлеріне қосымшалармен көп өзгермелі иммиграция», Биометрика, т. 54 (1967), 251 б. - 61 Маркус, Х., «Ай крейтерлерінің қалыптасуы мен тірі қалуының стохастикалық моделі, I. Таза кратерлердің диаметрінің таралуы», Икар, т. 3 (1964), 460 б. - Моран, П. П., «Геометриялық ықтималдықтағы соңғы зерттеулер туралы ескертпе» журналының қолданылу ықтималдығы, т. 3 (1966), 453 - 63 беттер.

Мысалы, Маркус, Х., «Ай крейтерлерінің қалыптасуы мен тірі қалуының стохастикалық моделі, II. Барлық бақыланатын кратерлердің диаметрін шамамен бөлу », Икар, т. 5 (1966), 165 - 77 беттер.

П.Р.Гоулд, «География мен әлеуметтік ғылымдардағы ғарыштық іздеу процедуралары»№ 1 жұмыс құжаттары (Гонолулу: Әлеуметтік ғылымдар зерттеу институты, Гавайи Унив., 1966).

Гутер, Р.С, «Аймақты сызықтық іздеу арқылы анықтау ықтималдығы туралы», Ықтималдықтар теориясы және оның қолданылуы, т. 9 (1964), 331 - 33 б.

Вольперт өзінің кейбір еңбектерінде қақтығыстар мен локациялық шешімдерге назар аударды, мысалы, Дж. Локальді талдау кезінде әдеттегі ортадан кету (Іздеу және байланыс ықтималдығы, Канзас аймақтық зерттеулер орталығы, Канзас Университеті, 1967 ж. Берілген құжат) осы тұрғыдан маңызды болуы мүмкін.

Дж.Нейман және Э.Л.Скотт, «Эпидемияның стохастикалық моделі», Дж. Гурланд (Ред.), Медицина мен биологиядағы стохастикалық модельдер (Madison: Univ. of Wisconsin Press, 1964), pp. 45–83.

L. Brown, “Models for Spatial Diffusion Research—A Review,”Technical Report No. 3, Spatial Diffusion Study (Evanston, Ill.: Dept. of Geography, Northwestern University, 1965).

Haggett, op. cit., footnote 62.

P. Haggett, “An Extension of the Horton Combinatorial Model to Regional Highway Networks,”Journal of Regional Science, Vol. 7, No. 2, Supplement (1967), pp. 281–90.

Werner, C. , “ The Law of Refraction in Transportation Geography: Its Multivariate Extension ,” Canadian Geographer , Vol. 12 ( 1968 ), pp. 28 – 40 .

M. F. Dacey, “Description of Line Patterns,” in Garrison and Marble, op. cit., footnote 34, pp. 277–87.

Gauthier, H. L. , “ Transportation and the Growth of the São Paulo Economy ,” Journal of Regional Science , Vol. 8 ( 1968 ), pp. 77 – 94 .

See for example, Smith, T. E. , “ Spatial Stochastic Process Models—A Method of Analyzing Spatial Point Phenomena ,” Papers and Proceedings Japan Section R. S. A. , Vol. 2 ( 1967 ), pp. 19 – 30 .

J. C. Hudson, Maps and Spatial Processes Describable with Markov Chains (Grand Forks: Dept. of Geography, Univ. of North Dakota, 1966, mimeo.).

D. W. Harvey, “Geographical Processes and the Analysis of Point Patterns,”Transactions and Papers, Institute of British Geographers, No. 40 (1966), p. 93.

Morgan, R. W. and Welsh, D. J. A. , “ A Two-Dimensional Poisson Growth Process ,” Journal Royal Statistical Society Ser. B , Vol. 27 ( 1965 ), pp. 497 – 504 .

M. A. Geisler, W. W. Haythorn, and W. A. Steger, “Simulation and the Logistics Systems Laboratory,”Rand Memorandum, RM-3281-PR (1962), p. 6.

T. Hägerstrand, Innovationsförloppet ur Korologisk Synpunkt (Lund, Sweden: C. W. K. Gleerup, 1953) W. L. Garrison, “Toward Simulation Models of Urban Growth and Development,”Lund Studies in Geography B, No. 24 (1962), pp. 91–108.

For example, Morrill, R. L. , “ The Development of Spatial Distributions of Towns in Sweden: An Historical-Predictive Approach ,” Annals , Association of American Geographers, Vol. 53 ( 1963 ), pp. 1 – 14 E. J. Taaffe et al, The Peripheral Journey to Work: A Geographic Consideration (Evanston, Ill.: North-western University Press, 1963).

Skellam, J. G. , “ Random Dispersal in Theoretical Populations ,” Biometrika , Vol. 38 ( 1951 ), pp. 196 – 218 .

See for example, A. E. Scheidegger, Theoretical Geomorphology (Berlin: Springer-Verlag, 1961).

K. E. F. Watt, Ecology and Resource Management (New York: McGraw-Hill Book Co., 1968), p. 261.

For an example of the use of such systems in a spatial in a problem, see, J. S. de Cani, “On the Construction of Stochastic Models of Population Growth and Migration,”Journal of Regional Science, Vol. 3, No. 2 (1961), pp. 1–13.

Newling, op. cit., footnote 47.

E. Casetti and G. J. Demko, “A Diffusion Model of Fertility Decline: An Application to Selected Soviet Data, 1940–65,” forthcoming in Demography. An alternative approach in which the coefficients of a logistic growth model are written as functions of distance is illustrated in, Casetti, E. and Semple, R. K. , “ Concerning the Testing of Spatial Diffusion Hypotheses ,” Geographical Analysis , Vol. 1 ( 1969 ).

Hyperbolic geometry is associated mainly with the work of Bolyai and Lobachevsky elliptic geometry with that of Gauss, Riemann, and Klein. H. S. M. Coxeter, Non-Euclidean Geometry (Toronto: University of Toronto Press, 3rd ed., 1967).

See, Coxeter, op. cit., footnote 96 H. Meschkowski, Noneuclidean Geometry (New York: Academic Press, Inc., 1964) S. Kulczycki, Non-Euclidean Geometry (New York: Pergamon Press, Inc., 1961).

P. G. Bergmann, The Riddle of Gravitation (New York: Charles Scribner's Sons, 1968), p. 68.

Bergmann, op. cit., footnote 98, p. 66, notes that in the Minkowski universe, “Lorentz frames are the analogs of the Cartesian coordinate systems of ordinary geometry. Their axes, both space and time, are all straight lines. …”

See J. L. Coolidge, A History of Geometrical Methods (Oxford: Clarendon Press, 1940, and New York: Dover Publication, Inc., 1963), pp. 355–56.

Coolidge, op. cit., footnote 100, pp. 355–87.

Coolidge, op. cit., footnote 100, pp. 410–16.

R. K. Luneburg, Mathematical Analysis of Binocular Vision (Princeton: Princeton University Press, 1947).

Luneburg, op. cit., footnote 103.

Blank, A. A. , “ Axiomatics of Binocular Vision. The Foundations of Metric Geometry in Relation to Space Perception,” and “Analysis of Experiments in Binocular Space Perception ,” Journal Optical Society of America , Vol. 48 ( 1958 ), pp. 328 – 34 , 911–28 Roberts, F. and Suppes, P. Some Problems in the Geometry of Visual Perception ,” Synthese , Vol. 17 ( 1967 ), pp. 173 – 201 Hoffman, W. C. , “ The Lie Algebra of Visual Perception ,” Journal of Mathematical Psychology , Vol. 3 ( 1966 ), pp. 65 – 98 .

M. D. Vernon (Ed.), Experiments in Visual Perception (Harmondsworth, England: Penguin Books, Ltd., 1966).

G. F. White (Ed.), “Papers on Flood Problems,”Research Paper No. 70 (Chicago: Department of Geography, University of Chicago, 1961) R. W. Kates, “Stimulus and Symbol: The View from the Bridge,”Journal of Social Issues, Vol. 22, No. 4 (1966), pp. 21–28 T. F. Saarinen, “Perception of the Drought Hazard on the Great Plains,”Research Paper No. 106 (Chicago: Department of Geography, University of Chicago, 1966) J. Wolpert, “Migration as an Adjustment to Environmental Stress,”Journal of Social Issues, Vol. 22, No. 4 (1966), pp. 92–102 D. Lowenthal (Ed.), “Environmental Perception and Behavior,”Research Paper No. 109 (Chicago: Department of Geography, University of Chicago, 1967).

K. Lynch, The Image of The City (Cambridge: M.I.T. Press, 1960) Gould, op. cit., footnote 51.

Tobler, W. R. , “ Geographic Area and Map Projections ,” Geographical Review , Vol. 53 ( 1963 ), pp. 59 – 78 .

See for example, Kruskal, J. B. , “ Multidimensional Scaling by Optimizing Goodness of Fit to a Nonmetric Hypothesis ,” Psychometrika , Vol. 29 ( 1964 ), pp. 1 – 27 Shepard, R. N. , “ The Analysis of Proximities: Multidimensional Scaling with an Unknown Distance Function ,” Psychometrika , Vol. 27 ( 1962 ), pp. 125 – 40 , 219–46 Shepard, R. N. , “ Metric Structures in Ordinal Data ,” Journal of Mathematical Psychology , Vol. 3 ( 1966 ), pp. 287 – 315 W. S. Torgerson, Theory and Methods of Scaling (New York: John Wiley and Sons, Inc., 1958) Torgerson, W. S. , “ Multidimensional Scaling of Similarity ,” Psychometrika , Vol. 30 ( 1965 ), pp. 379 – 93 see also, Attneave, F. , “ Dimensions of Similarity ,” American Journal of Psychology , Vol. 63 ( 1950 ), pp. 516 – 56 Krantz, D. H. , “ Rational Distance Functions for Multidimensional Scaling ,” Journal of Mathematical Psychology , Vol. 4 ( 1967 ), pp. 226 – 45 .

See G. H. Hardy et al, Inequalities (Cambridge, England: The University Press, 1952).

Shepard and Carroll, op. cit., footnote 60.

Hare, op. cit., footnote 49.

Hannan, op. cit., footnote 44 Lee, W. H. K. and Kaula, W. M. , “ A Spherical Harmonic Analysis of the Earth's Topography ,” Journal of Geophysical Research , Vol. 72 ( 1967 ), pp. 753 – 58 .

Kaula, W. M. , “ Theory of Statistical Analysis of Data Distributed over a Sphere ,” Reviews of Geophysics , Vol. 5 ( 1967 ), pp. 83 – 107 .

Tobler, op. cit., footnote 109, p. 59.

Tobler, op. cit., footnote 109, p. 59.

W. R. Tobler, The Geometry of Geography (Presentation at Faculty-Graduate Seminar, Univ. of Michigan, Winter 1968).

A. Delachet, Contemporary Geometry (New York: Dover Publications, Inc., 1962), p. 47.

Delachet, op. cit., footnote 119, pp. 63–66.

Bunge, op. cit., footnote 1, pp. 183–95.

G. Olsson, “Geography 1984,”Bristol Seminar Paper Series, No. 7A (1967).

Dacey, M. F. , “ A Probability Model for Central Place Locations ,” Annals , Association of American Geographers, Vol. 56 ( 1966 ), pp. 550 – 68 .

Harvey, op. cit., footnote 3, p. 8.

Dacey, M. F. , “ A County-Seat Model for the Areal Pattern of an Urban System ,” Geographical Review , Vol. 56 ( 1966 ), p. 542 .

L. Curry, “Central Places in the Random Spatial Economy,”Journal of Regional Science, Vol. 7, No. 2, Supplement (1967), p. 219.

See for example, R. G. Golledge, The Geographical Relevance of Some Learning Theories (Paper presented at Association of American Geographers, annual meeting, Washington, D. C., 1968) Wolpert, op. cit., footnote 75.

For example, Casetti, E. , “ Urban Population Density Patterns: An Alternate Explanation ,” Canadian Geographer , Vol. 11 ( 1967 ), pp. 96 – 100 R. G. Golledge, “Conceptualizing the Market Decision Process,”Journal of Regional Science, Vol. 7, No. 2, Supplement (1967), pp. 239–58.

Curry, op. cit., footnote 126, p. 236.

L. Curry, Geographical Dynamics and the Central Place Problem (Paper given at NSF Conference on Urban Geography Models, Cincinnati, 1968).

T. Hägerstrand, Innovation Diffusion as a Spatial Process, translated by A. Pred (Chicago: University of Chicago Press, 1967).

Dacey, op. cit., footnote 125, and op. cit., footnote 123.

A. Pred, “Behavior and Location,”Lund Studies in Geography, No. 27B (1967).

Pred, op. cit., footnote 133, p. 31.

It is informative to review some of the more recent work in ecology in which there are analogous attempts, although somewhat greater progress, at theorizing about animal behavior and spatial patterns. See, R. H. MacArthur and E. O. Wilson, “The Theory of Island Biogeography,”Monographs in Population Biology, No. 1 (Princeton, N. J.: Princeton University Press, 1967) R. Levins, “Evolutions in Changing Environments, Some Theoretical Explorations,”Monographs in Population Biology, No. 2 (Princeton, N. J.: Princeton University Press, 1968).

Реферат

ABSTRACT An interest in the relations between geography and geometry has been a continuing theme in geographic studies. A review of current research which is consistent with this theme reveals a greater emphasis now on the mathematics of spatial patterns and the properties of the geometries which are assumed. A challenge for geography is to combine this interest in geometries with the work on human behavior over space and to develop process theories from which the spatial patterns can be deduced.


The Geography of Logistics Firm Location: The Role of Accessibility

The organization of modern economies is built upon an efficient transport system and an increasing role is played by the logistics sector in overcoming the constraints of time and distance in modern supply chains. While a large body of literature is dedicated to the spatial distribution of firms and firm location choice in general, surprisingly little is still known about the location patterns of logistics firms, and more specifically about the role of accessibility in their location decisions. We use geo-referenced firm level data along with detailed information on transport infrastructure in order to investigate the geography of logistics firms in Spain. We place specific attention to the relationship between logistics firm location, accessibility, and urban structure. Our results show that these firms are located closer to highways and other transport infrastructure compared to other sectors and that the logistics sector is highly urbanized. Yet, they are also locating increasingly in suburban locations and to some extent in extra-urban locations with good accessibility while central cities of urban areas have experienced a declining share of logistics firms.

This is a preview of subscription content, access via your institution.


Data residency in Azure

Azure has more global regions than any other cloud provider—offering the scale and data residency options you need to bring your apps closer to your users around the world.

As a customer, you maintain ownership of customer data—the content, personal and other data you provide for storing and hosting in Azure services. You are also in control of any additional geographies where you decide to deploy your solutions or replicate your data.

Where a service's functionality requires global data replication, details are available below.

Microsoft secures your data using multiple layers of security and encryption protocols. Get an overview of how Microsoft uses encryption to secure your data.

By default, Microsoft Managed Keys protect your data, and customer data that persists on any physical media is always encrypted using FIPS 140-2 compliant encryption protocols. Customers can also employ customer-managed keys (CMK), double encryption and/or hardware security modules (HSM) for increased data protection.

All data traffic moving between datacenters is protected using IEEE 802.1AE MAC Security Standards, preventing physical "man-in-the-middle" attacks. To maintain resiliency, Microsoft uses variable network paths that sometimes cross Geo boundaries but replication of customer data between regions is always transmitted over encrypted network connections.

Additionally, to minimize privacy risk, Microsoft generates pseudonymous identifiers that enable Microsoft to offer a global cloud service (including operating and improving services, billing, and fraud protection). In all cases, pseudonymous identifiers cannot be used to directly identify an individual, and access to the customer data that identifies individuals is always protected as described above.

All Azure services can be used in compliance with the GDPR. If customers using Azure services choose to transfer content containing personal data across borders, they will need to consider the legal requirements that apply to such transfers. Microsoft provides customers with services and resources to help them comply with GDPR requirements that may apply to their operations.

Some Microsoft online services share data with third parties acting as its subprocessors. The publicly disclosed Microsoft Online Services Subprocessors List identifies subprocessors authorized to process customer data or personal data. All such subprocessors are contractually obligated to meet or exceed the contractual commitments Microsoft makes to its customers.

Microsoft will not provide any third party (a) direct, blanket, or unfettered access to customers' data (b) platform encryption keys used to secure data or the ability to break such encryption or (c) access to data if Microsoft is aware that the data is to be used for purposes other than those stated in the third party's request. Further information on Microsoft’s approach to legal disclosure of customer data in relation to government demands is available here.

Most Azure services enable you to specify the region where your customer data will be stored and processed. Microsoft may replicate to other regions for data resiliency, but Microsoft will not store or process customer data outside the selected Geo. You and your users may move, copy, or access your customer data from any location globally.

Datacenter region Орналасқан жері Available to
East Asia Hong Kong All customers and partners
Southeast Asia Сингапур All customers and partners

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Stored at rest in the Asia Pacific region. See Additional information for details.

To learn about product availability in the Asia Pacific geo, go to Products available by region and select Asia Pacific from the Regions dropdown menu.

Datacenter region Орналасқан жері Available to
Australia Central Canberra All customers and partners
Australia Central 2 Canberra For Australia Central customers requiring in-country disaster recovery
Australia East New South Wales All customers and partners
Australia Southeast Victoria All customers and partners

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Stored at rest in Australia. See Additional information for details.

To learn about product availability in the Australia geo, go to Products available by region and select Australia from the Regions dropdown menu.

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Stored at rest in Austria. See Additional information for details.

Datacenter region Орналасқан жері Available to
Brazil South São Paulo State All customers and partners
Brazil Southeast Rio de Janeiro Reserved for Brazil South customers requiring scenario-based in-country disaster recovery

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Brazil South: Data replication to the US.

Brazil Southeast: Data replication to the Brazil South.

To learn about product availability in the Brazil geo, go to Products available by region and select Brazil from the Regions dropdown menu.

Datacenter region Орналасқан жері Available to
Canada Central Toronto All customers and partners
Canada East Quebec City All customers and partners

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Stored at rest in Canada. See Additional information for details.

To learn about product availability in the Canada geo, go to Products available by region and select Canada from the Regions dropdown menu.

Datacenter region Орналасқан жері Available to
Central India Pune All customers and partners
South India Chennai All customers and partners
West India Mumbai All customers and partners

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Stored at rest in India. See Additional information for details.

To learn about product availability in the India geo, go to Products available by region and select India from the Regions dropdown menu.

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Stored at rest in Chile. See Additional information for details.

Datacenter region Орналасқан жері Available to
China East Shanghai Organizations with a business presence in China
China East 2 Shanghai Organizations with a business presence in China
China East 3 Jiangsu Organizations with a business presence in China
China North Beijing Organizations with a business presence in China
China North 2 Beijing Organizations with a business presence in China
China North 3 Hebei Organizations with a business presence in China

In some cases, data for certain services may be stored outside of specified regions.

Azure in China is a separate service sold and operated by 21Vianet. For customers of Azure operated by 21Vianet, this map outlines the locations of datacenters where 21Vianet stores customer data. 21Vianet may replicate customer data in at least two datacenters for data resiliency and availability but always within China. The exceptions below for regional and non-regional services do not apply.

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.


The 13 Types Of Data

Data types are forking and splintering out as fast as lightening.

Adrian Brophy @ Xtrashot Photographic

Data is a thorny subject. For a start, we’re not sure how we are supposed to refer to it, that is - data is the plural of datum. Strictly speaking we should talk about data that ‘are’ not ‘is’ available to support a theory etc. The Guardian newspaper discussed the debate here and appeared to suggest that (split infinitives and nuances of idiomatic Latin notwithstanding) our day-to-day usage of the term is allowed to remained conveniently grammatically incorrect.

“For what it's worth, I can confidently say that this will probably be the only time I ever write the word ‘datum’ in a [blog] post. Data as a plural term may be the proper usage, but language evolves and we want to write in terms that everyone understands - and that don't seem ridiculous,” wrote Simon Rogers, in 2012, before moving to his position as data editor at Google.

So of the many different instances of individual datum (sorry, data) that exist, can we group them into distinct types, categories, varieties and classifications? In this world of so-called digital transformation and cloud computing that drives our always-on über-connected lifestyles, surely it would be useful to understand the what, when, where and why of data on our journey to then starting to appreciate the how factor.

1 - Big data

A core favorite, big data has arisen to be defined as something like: that amount of data that will not practically fit into a standard (relational) database for analysis and processing caused by the huge volumes of information being created by human and machine-generated processes.

“While definitions of ‘big data’ may differ slightly, at the root of each are very large, diverse data sets that include structured, semi-structured and unstructured data, from different sources and in different volumes, from terabytes to zettabytes. It’s about data sets so large and diverse that it’s difficult, if not impossible, for traditional relational databases to capture, manage, and process them with low-latency,” said Rob Thomas, general manager for IBM Analytics.

Thomas suggests that big data is a big deal because it’s the fuel that drives things like machine learning, which form the building blocks of artificial intelligence (AI). He says that by digging into (and analyzing) big data, people are able to discover patterns to better understand why things happened. They can also then use AI to predict how they may happen in the future and prescribe strategic directions based on these insights.

2 - Structured, unstructured, semi-structured data

All data has structure of some sort. Delineating between structured and unstructured data comes down to whether the data has a pre-defined data model and whether it’s organized in a pre-defined way.

Mat Keep is senior director of products and solutions at MongoDB. Keep explains that, in the past, data structures were pretty simple and often known ahead of data model design -- and so data was typically stored in the tabular row and column format of relational databases.

“However, the advance of modern web, mobile, social, AI, and IoT apps, coupled with modern object-oriented programming, break that paradigm. The data describing an entity (i.e. a customer, product, connected asset) is managed in code as complete objects , containing deeply nested elements . The structure of those objects can vary (polymorphism) – i.e. some customers have a social media profile that is tracked, and some don’t. And, with agile development methodologies, data structures also change rapidly as new application features are built,” said Keep.

As a result of all this polymorphism today, many software developers are looking towards more flexible alternatives to relational databases to accommodate data of any structure.

3 - Time-stamped data

Time-stamped data is a dataset which has a concept of time ordering defining the sequence that each data point was either captured (event time) or collected (processed time).

“This type of data is typically used when collecting behavioral data (for example, user actions on a website) and thus is a true representation of actions over time. Having a dataset such as this is invaluable to data scientists who are working on systems that are tasked with predicting or estimating next best action style models, or performing journey analysis as it is possible to replay a user's steps through a system, learn from changes over time and respond,” said Alex Olivier, product manager at marketing personalization software platform company Qubit.

4 - Machine data

Simply put, machine data is the digital exhaust created by the systems, technologies and infrastructure powering modern businesses.

Matt Davies, head of EMEA marketing at Splunk asks us to paint a picture and imagine your typical day at work, driving to the office in your connected car, logging on to your computer, making phone calls, responding to emails, accessing applications. Davies explains that all this activity creates a wealth of machine data in an array of unpredictable formats that is often ignored.

“Machine data includes data from areas as varied as application programming interfaces (APIs), security endpoints, message queues, change events, cloud applications, call detail records and sensor data from industrial systems,” said Davies. “Yet machine data is valuable because it contains a definitive, real time record of all the activity and behavior of customers, users, transactions, applications, servers, networks and mobile devices.”

If made accessible and usable, machine data is argued to be able to help organizations troubleshoot problems, identify threats and use machine learning to help predict future issues.

5 - Spatiotemporal data

Spatiotemporal data describes both location and time for the same event -- and it can show us how phenomena in a physical location change over time.

“Spatial data is the ‘spatio’ in spatiotemporal. It can describe point locations or more complex lines such as vehicle trajectories, or polygons (plane figures) that make up geographic objects like countries, roads, lakes or building footprints,” explained Todd Mostak, CEO of MapD.

Temporal data contains date and time information in a time stamp. Valid Time is the time period covered in the real world. Transaction Time is the time when a fact stored in the database was known.

“Examples of how analysts can visualize and interact with spatiotemporal data include: tracking moving vehicles, describing the change in populations over time, or identifying anomalies in a telecommunications network. Decision-makers can also run backend database calculations to find distances between objects or summary statistics on objects contained within specified locations,” said MapD’s Mostak.

6 - Open data

Open data is data that is freely available to anyone in terms of its use (the chance to apply analytics to it) and rights to republish without restrictions from copyright, patents or other mechanisms of control. The Open Data Institute states that open data is only useful if it’s shared in ways that people can actually understand. It needs to be shared in a standardized format and easily traced back to where it came from.

“Wouldn’t it be interesting if we could make some private data [shapes, extrapolated trends, aggregate values and analytics] available to the world without giving up the source and owner identification of that data? Some technologies are emerging, like multi-party computation and differential privacy that can help us do this,” said Mike Bursell, chief security architect at Red Hat.

Bursell explains that these are still academic techniques at the moment, but over the next ten years he says that people will be thinking about what we mean by open data in different ways. The open source world understands some of those questions and can lead the pack. The Red Hat security man says that it can be difficult for organizations that have built their business around keeping secrets. They now have to look at how they open that up to create opportunities for wealth creation and innovation.

7 - Dark data

Dark data is digital information that is not being used and lies dormant in some form.

Analyst house Gartner Inc. describes dark data as, "Information assets that an organization collects, processes and stores in the course of its regular business activity, but generally fails to use for other purposes."

8 - Real time data

One of the most explosive trends in analytics is the ability to stream and act around real time data. Some people argue that the term itself is something of a misnomer i.e. data can only travel as fast as the speed of communications, which isn’t faster than time itself… so, logically, even real time data is slightly behind the actual passage of time in the real world. However, we can still use the term to refer to instantaneous computing that happens about as fast as a human can perceive.

“Trends like edge computing and the impending rise of 5G are gaining their momentum based upon the opportunities thrown up by real time data. The power of immediacy with data is going to be the catalyst for realizing smart cities,” said Daniel Newman, principal analyst at Chicago-based Futurum Research.

Newman says that real time data can help with everything from deploying emergency resources in a road crash to helping traffic flow more smoothly during a citywide event. He says that real time data can also provide a better link between consumers and brands allowing the most relevant offers to be delivered at precise moments based upon location and preferences. “Real time data is a real powerhouse and its potential will be fully realized in the near term,” added Newman.

9 - Genomics data

Bharath Gowda, vice president for product marketing at Databricks points at genomics data as another area that needs specialist understanding. Genomics data involves analysing the DNA of patients to identify new drugs and improve care with personalized treatments.

He explains, ”The data involved [in genomics] is huge - by 2020 genomic data is expected to be orders of magnitude greater than the data produced by Twitter and YouTube. The first genome took over a decade to assemble. Today, a patient’s genome can be sequenced in a couple of days. However, generating data is the easy part. Turning data into insight is the challenge. The tools used by researchers cannot handle the massive volumes of genomic data.”

What are the issues here? According to Gowda, data processing and downstream analytics are the new bottlenecks that stop us getting more value out of genomic data. So what makes genomic data different?

“It requires significant data processing and needs to be blended with data from hundreds of thousands of patients to generate insights. Furthermore, you need to look at how you can unify analytics workflows across all teams - from the bioinformatics professional prepping data to the clinical specialist treating patients - in order to maximize its value,” said Gowda.

10 - Operational data

Colin Fernandes is product marketing director for EMEA region at Sumo Logic. Fernandes says that companies have big data, they have application logs and metrics, they have event data, and they have information from microservices applications and third parties.

The question is: how can they turn this data into business insights that decision makers and non-technical teams can use, in addition to data scientists and IT specialists?

“This is where operational analytics comes into play,” said Fernandes. “Analyzing operational data turns IT systems data into resources that employees can use in their roles. What’s important here is that we turn data from a specialist resource into assets that can be understood by everyone, from the CEO to line of business workers, whenever they have a decision to make.”

Fernandes points out that in practice, this means looking at new applications and business goals together to reverse engineer what your operational data metrics should be. New customer-facing services can be developed on microservices, but how do we make sure we extract the right data from the start? By putting this ‘operational data” mindset in place, we can arguably look at getting the right information to the right people as they need it.

11 - High-dimensional data

High-dimensional data is a term being popularized in relation to facial recognition technologies. Due to the massively complex number of contours on a human face, we need new expressions of data that are multi-faceted enough to be able to handle computations that are capable of describing all the nuances and individualities that exist across out facial physiognomies. Related to this is the concept of eigenfaces, the name given to a set of eigenvectors when they are used in computing to process human face recognition.

12 - Unverified outdated data

The previously quoted Mike Bursell of Red Hat also points to what he calls unverified outdated data. This is data that has been collected, but nobody has any idea whether it's relevant, accurate or even of the right type. We can suggest that in business terms, if you're trusting data that you haven't verified, then you shouldn't be trusting any decisions that are made on its basis. Bursell says that Garbage In, Garbage Out still holds… and without verification, data is just that: garbage.

“Arguably even worse that unverified data, which may at least have some validity and which you should at least know that you shouldn't trust, data which is out-of-date and used to be relevant. But many of the real-world evidence from which we derive our data changes, and if the data doesn't change to reflect that, then it is positively dangerous to use it in many cases,” said Bursell.

13 - Translytic Data

An amalgam of ‘transact’ and ‘analyze’, translytic data is argued to enable on-demand real-time processing and reporting with new metrics not previously available at the point of action. This is the opinion of Mark Darbyshire, CTO for data and database management at SAP UK.

Darbyshire says that traditionally, analysis has been done on a copy of transactional data. But today, with the availability of in-memory computing, companies can perform ‘transaction window’ analytics. This he says supports tasks that increase business value like intelligent targeting, curated recommendations, alternative diagnosis and instant fraud detection as well as providing subtle but valuable business insights.

According to SAP’s Darbyshire, “Translytic data requires a simplified technology architecture and hybrid transactional analytic database systems, which are enabled by the in-memory technology. This also provides the added benefit of simplicity of architecture – one system to maintain with no data movement. Companies who transact in real time with instant insight into the relevant key metrics that matter while they transact experience increased operational efficiency as well as faster access and improved visibility into its real-time data.”

This list is by no means meant to be exhaustive, such is the nature of information technology and the proliferation of data


Generate Random Numbers

Use rand , randi , randn , and randperm to create arrays of random numbers.

This example shows how to create an array of random floating-point numbers that are drawn from a uniform distribution in a specific interval.

This example shows how to create an array of random integer values that are drawn from a discrete uniform distribution on a specific set of numbers.

This example shows how to create an array of random floating-point numbers that are drawn from a normal distribution having a specified mean and variance.

This example shows how to create random points within the volume of a sphere.

Avoid repetition of random number arrays when MATLAB ® restarts.

Replace Discouraged Syntaxes of rand and randn .

Control Random Number Generation

This example shows how to use the rng function, which provides control over random number generation.

This example shows how to repeat arrays of random numbers by specifying the seed first. Every time you initialize the generator using the same seed, you always get the same result.

This example shows how to avoid repeating the same random number arrays when MATLAB restarts.

Control Multiple Streams or Substreams

This example shows how to use the RandStream class to control random number generation from the global stream.

This example uses RandStream to create multiple, independent random number streams.

This example shows how to use RandStream to create random number streams and substreams.


Spatial pattern analysis of manufacturing industries in Keraniganj, Dhaka, Bangladesh

Understanding industrial clustering and its patterns of development are important steps in linking regional policy development, strategic decision making, business site management, and fostering a country’s economic growth. A considerable variety of common location-based cluster measures are available in practice, including area-based measures and a variety of indicators based on analyses of point data. This study uses the geostatistical approaches kernel density, multi-distance Reply’s-K, and spatial autocorrelation, both global Moran’s-I and local Moran’s-I, to assess the degree of spatial clustering of manufacturing locations in Keranignaj, located at the southern periphery of the urban region of Dhaka, Bangladesh. Results indicated a non-random pattern for all manufacturing locations in the study region. Small-scale industries such as garment manufacturing, metal, and brick making have a strong presence in Keranignaj. Expansion of such industries were highly associated with proximity to a river, while food processing, rubber and plastics manufacturing industries were clustered in relation to road proximity. The spatial association Global Moran’s-I with higher positive coefficient value indicates homogeneity, or spatial auto-correlation, exist in the industrial locations studied here. Local Moran’s-I, which documents regional clustering, has yielded a statistically significant manufacturing cluster (0.05 level) for the manufacturing areas of Zinjira, Kaliganj, Mirerbagh, and Chunkutia. Since cluster-based economic development has recently been an area of increasing interest for both developed and developing nations, the outcomes from this study provide an insight into spatial processes of industrial development in Bangladesh, and the Dhaka area in particular, enabling planners and policymakers to make rational, informed decisions and strengthening the economic growth and capacity for development of micro-industries clusters for the area studied here and the region beyond.

This is a preview of subscription content, access via your institution.


Бейнені қараңыз: Қашықтықтан оқыту технологиясы бойынша бейнесабақтарды түсірудің тиімді жолдары