Hai)
Dis
67. Ada beberapa pertanyaan tentang kelayakan penggunaan kumpulan data ordinal dalam pengembangan peta faktor. Peta faktor diasumsikan mengandung data interval atau rasio. Prosedur standardisasi memastikan bahwa titik akhir peta baru memiliki arti yang sama dengan faktor lainnya -- mereka menunjukkan area yang memiliki nilai minimum dan maksimum dalam area studi pada variabel yang bersangkutan. Namun, tidak ada jaminan bahwa nilai tengah akan ditempatkan dengan benar pada skala ini. Meskipun dalam kasus khusus ini dirasakan bahwa kelas mewakili perubahan interval data tanah yang cukup merata dapat dihindari.
kemampuan, lebih sedikit
67
menjadi
umum,
dari sebaiknya,
memasukkan dibandingkan penskalaan
SLOPEFAC
1 1/6 1
5 1/3 1
1/7 1 1/6
MARKFAC WATERFAC
SOILFAC
WATERFAC SLOPEFAC SOILFAC MARKFAC
1
Jalankan modul PERINGKAT dan tunjukkan bahwa Anda ingin mengurutkan gambar CARPSUIT. Anda perlu menunjukkan apakah Anda ingin menggunakan gambar kedua untuk menyelesaikan ikatan. (Seringkali, sel data akan memiliki tingkat kesesuaian yang sama untuk tujuan tertentu. Untuk situasi ini, kita dapat memilih untuk menetapkan urutan peringkat secara acak, atau melihat nilai sel yang dimaksud pada gambar lain untuk menentukan urutan peringkatnya. ) Dalam hal ini, kita dapat memilih peta kesesuaian tujuan lain sebagai dasar untuk menyelesaikan ikatan. Dengan demikian, kita dapat menyelesaikan ikatan kesesuaian untuk industri karpet dengan memberikan peringkat lebih tinggi pada sel yang kurang cocok untuk pertanian.
Pilih peringkat menurun (yaitu, sel dengan nilai kesesuaian tertinggi akan memiliki nomor peringkat terendah -- 1) untuk urutan gambar keluaran dan peringkat menaik untuk urutan sekunder.
Pastikan untuk memeriksa peta terakhir dengan DISPLAY Launcher.
9 Periksa CARPRAK dengan DISPLAY Launcher. Berapa nilai minimum dan maksimum pada gambar?
Masalah perencanaan awal adalah mengembangkan peta zonasi yang akan menyisihkan 6000 hektar lahan pertanian budaya yang dilindungi secara khusus dan 1500 hektar lahan untuk perluasan industri karpet lebih lanjut. Mari pertama-tama pertimbangkan bagaimana mendekati ini sebagai masalah objektif tunggal. Pada bagian selanjutnya, kita akan melihat bagaimana menyelesaikan konflik antara tujuan, masalah multi-tujuan, dan sampai pada solusi akhir.
Jika kami mempertimbangkan salah satu dari tujuan ini sendiri, kami jelas cukup dekat dengan solusi akhir. Misalnya, dalam kasus tujuan industri karpet, kita sudah mengetahui kesesuaian komparatif lahan untuk penggunaan ini. Kita hanya perlu mencari tahu mana 1500 hektar terbaik ! Untuk melakukannya, kita perlu mengurutkan sel data berdasarkan kesesuaiannya, dan memilih sebanyak mungkin sel dengan peringkat tertinggi hingga total 1500 hektar. Kami akan melakukannya dengan kombinasi modul RANK dan RECLASS.
Apa hubungan antara nilai maksimum dan ukuran (dalam baris dan kolom) gambar?
Q) P)
Sekarang setelah peta kesesuaian industri karpet telah diurutkan, sejumlah sel terbaik dapat diisolasi menggunakan RECLASS.
Dalam kasus di sini, kami ingin mengisolasi 1500 hektar lahan terbaik. Namun, karena CAR PRANK memiliki nilai yang
menunjukkan peringkat, kita perlu mengubah area ini menjadi sejumlah sel tertentu. Dalam kumpulan data ini, setiap sel berukuran 30 meter kali 30 meter. Ini berjumlah 900 meter persegi, atau 0,09 hektar per sel (karena satu hektar berisi 10.000 meter persegi).
Hasilnya, 1500 hektar setara dengan 16.666 sel.
Oleh karena itu tentukan AGSUIT sebagai file pengurutan sekunder untuk digunakan dalam menyelesaikan ikatan. Panggil gambar keluaran yang akan dihasilkan CARPRANK.
Jalankan RECLASS dan tunjukkan bahwa Anda ingin mengklasifikasi ulang CARPRANK untuk membuat BESTCARP. Gunakan opsi klasifikasi yang ditentukan pengguna default dan tunjukkan bahwa Anda ingin menetapkan 1 untuk semua nilai dari 1 hingga 16667 dan nilai 0 untuk semua nilai dari 16667 hingga 999999 (yaitu, semua nilai lainnya). Kemudian tampilkan hasilnya. Anda mungkin ingin menggunakan "Tambah Lapisan" dan pemilihan palet lanjutan untuk melapisi file KVRIVERS dengan file simbol BIRU dan file KVROADS dengan file simbol HIJAU.
Memecahkan Masalah Sasaran Tunggal
utama 69
memesan
68
untuk
69. Urutan peringkat sekunder harus dipilih dengan mengacu langsung pada masalah keputusan yang dihadapi. Dalam hal ini, kami memiliki tujuan yang bersaing.
Akibatnya, pilihan terbaik untuk tujuan apa pun akan menjadi sel yang sangat cocok untuk tujuan tersebut dan sangat tidak cocok untuk tujuan lainnya. Ini akan dicapai dengan memilih urutan urutan untuk peringkat sekunder yang berlawanan dengan urutan peringkat utama. Dalam kasus di mana tujuan tidak bersaing, tetapi saling melengkapi (seperti dengan masalah perencanaan penggunaan lahan multiguna), akan lebih baik untuk membuat peringkat kedua.
68. Perhatikan secara khusus, bagaimanapun, bahwa proses melihat masalah dari perspektif tujuan tunggal biasanya tidak dilakukan dalam pemecahan masalah tujuan ganda. Ini hanya disajikan di sini karena lebih mudah untuk memahami prosedur multi-tujuan setelah kita memeriksa masalah dari perspektif satu tujuan.
itu
digunakan
ary menyortir identik ke
S)
1.
11 Bagaimana Anda menggambarkan bentuk distribusi ini?
R)
2.
T)
145 Sekarang gunakan prosedur yang sama seperti yang baru saja dijelaskan untuk membuat AGRANK dari AGSUIT (dengan peringkat menurun) menggunakan CARPSUIT sebagai gambar urut sekunder (menggunakan urutan urut sekunder naik). Kemudian gunakan RECLASS untuk membuat peta bernama BESTAG dari AGRANK yang mengisolasi 66.666 sel terbaik (setara dengan 6000 hektar).
Gunakan modul CROSSTAB untuk menghasilkan citra klasifikasi silang BESTCARP terhadap BESTAG. Sebut KONFLIK gambar lintas klasifikasi ini. Kemudian tampilkan hasilnya untuk memeriksa gambar KONFLIK. Tunjukkan bahwa Anda ingin menggunakan legenda.
mengklasifikasi ulang peta kesesuaian peringkat sesuai dengan target area untuk setiap tujuan; menyelesaikan konflik menggunakan aturan jarak minimum ke titik ideal berdasarkan tujuan berbobot; memeriksa seberapa jauh area
target masing-masing tujuan, dan kemudian menjalankan kembali prosedur sampai solusi tercapai.
Sekarang jalankan HISTO lagi untuk melihat histogram peta kesesuaian di AGSUIT. Sekali lagi tunjukkan bahwa Anda ingin menggunakan nilai minimum 1 dan nilai maksimum 255. Pilih lebar kelas 1 dan output grafik.
3.
12 10
Bagaimana Anda menggambarkan bentuk distribusi ini?
Kelas mana yang menunjukkan area yang paling cocok untuk industri karpet dan bukan untuk pertanian? Kelas mana yang menunjukkan area yang paling cocok untuk pertanian dan bukan untuk industri karpet? Kelas mana yang menunjukkan area konflik (yaitu, dipilih sebagai yang terbaik untuk pertanian dan industri karpet)?
4.
Citra konflik dengan demikian mengilustrasikan sifat dari masalah multi-tujuan dengan tujuan bersaing. Solusi akhir masih harus memenuhi target luasan yang ditetapkan (1500 hektar lahan untuk industri karpet dan 6000 hektar lahan untuk pertanian). Namun, karena tanah hanya dapat dialokasikan untuk satu penggunaan atau lainnya, konflik perlu diselesaikan.
Dengan menggunakan peta kesesuaian peringkat sebagai input, MOLA tidak hanya menggunakan heuristik keputusan sederhana untuk menemukan area terbaik untuk tujuan tertentu, tetapi juga menstandarkan tujuan (menggunakan bentuk trans pemerataan histogram) untuk membuatnya sebanding. sebelum bobot diterapkan.
Jelas, tidak satu pun dari distribusi ini yang bersifat normal (yaitu, mengambil bentuk kurva berbentuk lonceng). Seandainya kedua distribusi itu normal, kita dapat menggunakan bentuk standardisasi yang paling dikenal yang dimaksudkan untuk mencocokkan distribusi -- konversi pengukuran menjadi skor-z (juga dikenal sebagai skor standar ). Dalam kasus-kasus di mana
Jalankan HISTO untuk memeriksa histogram peta kesesuaian di CARPSUIT. Karena 0 mewakili area yang ditutupi oleh batasan (dan karenanya tidak menarik bagi kami), tunjukkan bahwa Anda ingin menggunakan nilai minimum 1 dan nilai maksimum 255. Pilih lebar kelas 1 dan output grafik.
Latihan 2-12 MCE: Resolusi Konflik Tujuan Bersaing
MOLA (singkatan dari Multi-Objective Land Allocation) memecahkan masalah ini dengan prosedur yang hanya membutuhkan peta kesesuaian peringkat untuk setiap tujuan yang dipertimbangkan. MOLA kemudian melakukan proses iteratif:
Solusi untuk masalah multi-objektif yang disajikan di sini memerlukan prosedur yang khusus untuk kasus tujuan yang saling bersaing. Seperti yang telah kita lihat, ada lebih dari satu cara untuk memecahkan masalah ini. Namun, solusi yang akan dibahas selanjutnya mungkin adalah yang paling umum -- kasus di mana kami tidak memiliki dasar untuk memprioritaskan alokasi lahan, dan oleh karena itu kami harus menyelesaikan konflik klaim atas wilayah berdasarkan lokasi tertentu.
Solusi untuk Tujuan yang Bertentangan
standar deviasi
Perhatikan bahwa kelas terakhir memiliki frekuensi yang lebih rendah. Ini muncul hanya karena minimum dan maksimum yang ditentukan untuk grafik keluaran.
13
Sekarang jalankan kembali prosedur MOLA tetapi tentukan solusi tanpa toleransi (yaitu, solusi eksak). Panggil ini distribusi normal, mean dan standar deviasi dihitung dan digunakan sebagai berikut:
Ketika semua nilai diubah dengan cara ini,
v)
w)
z = (x - m) / dtk
kumpulan data yang dihasilkan memiliki rata-rata 0 dan standar deviasi 1. Dengan demikian, prosedur ini merupakan operasi pencocokan posisi dan penskalaan yang memungkinkan distribusi normal untuk dibandingkan.
Namun, ini mengasumsikan bahwa distribusi sebenarnya normal -- suatu kondisi yang tidak ditemukan di sini, dan yang seringkali tidak ada dalam kumpulan data geografis. Akibatnya, kita perlu mencocokkan histogram dengan teknik non-parametrik yang dikenal sebagai pemerataan histogram.
Sekarang untuk menyelesaikan proses pengambilan keputusan multi-objektif, jalankan modul bernama MOLA. Masukkan jumlah tujuan yang akan dipertimbangkan -- tentukan 2 -- dan nama untuk gambar keluaran -- tentukan FINAL1. Anda selanjutnya perlu menentukan toleransi area yang akan digunakan dalam menyelesaikan masalah. Ini akan memungkinkan prosedur untuk berhenti ketika berada di dalam banyak sel dari hasil akhir. Masukkan 166 untuk menghentikannya segera setelah berada dalam 15 hektar dari solusi yang diinginkan.
hasil FINAL2.
Persamaan histogram disediakan secara eksplisit di IDRISI oleh modul STRETCH. Namun, seperti yang disebutkan di pendahuluan, ini juga merupakan hasil dari proses RANK.
Pengguna juga perlu menunjukkan nama tujuan, bobot yang ditetapkan untuk setiap tujuan, peta kesesuaian peringkat yang berafiliasi dengan tujuan, dan area yang dialokasikan untuk masing-masing tujuan. Masukkan "Karpet" untuk keterangan tujuan pertama dan beri bobot 0,5. Masukkan CARPRRANK sebagai peta peringkat yang berafiliasi dengan tujuan pertama dan 16666 sel (yaitu, 1500 hektar) sebagai persyaratan areal. Tekan panah maju untuk memasukkan keterangan tujuan kedua. Masukkan
"Pertanian" dan beri bobot 0,5 sehingga bobot tujuan pertama dan kedua memiliki bobot yang sama dalam solusi ini. Tunjukkan AGRANK sebagai peta peringkat yang berafiliasi dengan tujuan kedua dan tentukan 66666 sel (yaitu, 6000 hektar) sebagai persyaratan areal. Ini kemudian akan melalui solusi iteratif.
dimana: z = skor standar
Berapa banyak iterasi yang diperlukan untuk mencapai solusi? Berapa hektar dari setiap tujuan yang akhirnya dialokasikan? Menjadi Gunakan HISTO untuk melihat CARPRANK. Gunakan lebar kelas 4000 dan gunakan semua default lainnya. Kemudian lakukan hal yang sama untuk AGRANK.
sebuah pengukuran x =
14
m = rata-rata
kamu)
yakin untuk memeriksa FINAL1.
s =
Bagaimana histogram ini muncul?
dihasilkan
70. Modul bernama STANDARD ada di IDRISI untuk menyederhanakan prosedur ini. Ini secara otomatis menghitung mean dan standar deviasi dan menerapkan transformasi.
akan 71
itu
70
bukan histogram
hal menyamakan. menjadi
71. Terdapat perbedaan histogram equalized output yang dihasilkan STRETCH dan RANK. Dengan RANK, pemerataan histogram yang sangat ketat dihasilkan. Selain itu, jumlah kelas pada keluaran sama dengan jumlah sel masukan. Menggunakan STRETCH dengan pemerataan histogram, jumlah kelas keluaran dapat diatur pada nilai berapa pun. Selain itu, sel input yang memiliki nilai yang sama tidak akan dipisah antar kelas untuk memenuhi kebutuhan histogram sehingga gambar disamakan dengan sempurna.
Ini mengisolasi keputusan antara tujuan yang bersaing dengan kasus-kasus di mana efek dari keputusan yang salah akan menjadi tujuan yang paling sedikit.
adalah --
15
merusak
Latihan 2-12 MCE: Resolusi Konflik Tujuan Bersaing
Berapa banyak iterasi yang diperlukan untuk mencapai solusi eksak?
itu
147 sangat
16 Melihat FINAL2, seberapa koheren secara geografis Anda menemukan area yang dipilih untuk usaha karpet dan industri pertanian? (yaitu, apakah
ini cenderung sangat kecil dan terfragmentasi atau apakah mereka menyatu menjadi wilayah yang lebih besar?)
sesuai 17
untuk
Tampilkan FINAL2 dan gunakan "Tambah Lapisan" untuk menutupi jalan (KVROADS) dengan file simbol yang ditentukan pengguna HIJAU dan sungai (KVRIVERS) dengan file simbol yang ditentukan pengguna PUTIH. Bukti apa yang dapat Anda kutip untuk prosedur
yang tampaknya berhasil?
semua
Prosedur yang diilustrasikan dalam latihan ini memberikan daya tarik intuitif langsung dan dasar matematika yang kuat. Terlebih lagi, prosedur heuristik pilihan ini menyoroti metodologi partisipatif yang digunakan di seluruh buku kerja ini. Logikanya mudah dipahami karena prosedur menawarkan sarana yang sangat baik untuk diskusi tentang kriteria dan tujuan yang teridentifikasi serta kekuatan dan kelemahan relatifnya.
daerah