《Python地理空间分析指南(第2版)》——1.2 地理空间分析的历史

简介:

本节书摘来自异步社区《Python地理空间分析指南(第2版)》一书中的第1章,第1.2节,作者: 【美】Joel Lawhead(莱哈德) 更多章节内容可以访问云栖社区“异步社区”公众号查看。

1.2 地理空间分析的历史

地理空间分析的历史可以追溯到15000多年前的法国西南部的拉思科山洞。在山洞中发现了旧石器时代人们日常狩猎的壁画,许多专家认为画中的宗教仪式和动物图案与天文星座有密切的联系。虽然这些画很粗糙,但是仍然证明了古人尝试将生活中的某些事物抽象建模并与时空特性相联系。图1-2展示了壁画中描述的星空图。

几个世纪以来,制图和地理测绘技术不断发展,但是直到19世纪地理空间分析技术才有了显著的进步。1830~1860年欧洲爆发了严重的霍乱疫情,这导致巴黎和伦敦的地理学家将地理空间分析技术应用在了流行病学研究上。

1832年,Charles Picquet在地图上使用不同的灰白色阴影表示巴黎48个街区每千人中的死亡人数,它被当作霍乱疫情报告的一部分。1854年,John Snow改进了上述方法,将其用于跟踪伦敦爆发的霍乱疫情。每次在城市地图上添加一个点时,说明一例感染病例被确诊了。这样他就可以分析霍乱感染病例的分布。John Snow跟踪定位了产生疫情的单个水井,并进一步防止了疫情蔓延。图1-3展示了街道的三层结构,每个X代表一口水井,每个点代表霍乱爆发的位置。


eab589cd0e0caeda2e32c54ee6b84eaa545feb72


0aa339790b8fbb1ca6dc2e0e21388c4f59dcd1d1

地理空间分析技术不仅用于和病毒做斗争。几个世纪以来,将军和历史学家都会利用地图分析战争态势。法国退休工程师Charles Minard于1850~1870年绘制了一批有史以来最先进的信息地图。地图带有非常强的地域特征,所以看上去很普通。但是就算是以今日的标准来看,这些地图不论从质量还是细节上来讲,仍然是非常经典的作品。图1-4所示的拿破仑东征图,1869年由法国工程师Charles Joseph Minard绘制,描述了1812年拿破仑东征俄罗斯战败的过程。


9665f2e39b51ce45a34c5e86a8f4f1f57b957ffd

地图上根据日期标识了不同气象环境下军队的位置和数量。下面的图表主题包含4种不同的序列信息,堪称使用纸笔进行地理空间分析的经典案例。其中棕色和黑色代表士兵数量,比例尺为1毫米宽度代表10000人,数字沿幅写入。棕色部分表示进攻俄罗斯的士兵人数,黑色部分代表撤退士兵人数。地图上中心区域长度和法甲联赛场地大致相同(2.75英里或者4.4公里)。底部的图表记录了战争失败后士兵从俄罗斯返回过程中经历的严寒天气。

早在20世纪初,印刷术的普及催生了地理空间分析的一个关键特性,由此图层概念诞生了。制图人员将地图元素(植被、道路和等高线)分别绘制在不同的玻璃板上,然后把这些玻璃板堆叠在一起拍照并打印成一张图片。如果制图过程发生了错误,只需要修改某个出错的玻璃盘片而不是整个地图。后来,塑料片材的出现使得用这种制图方式创建、编辑和存储地图更便捷。但是直到现代计算机时代图层概念才逐渐发挥重大影响。

相关文章
从混沌到秩序:Python的依赖管理工具分析
Python 的依赖管理工具一直没有标准化,主要原因包括历史发展的随意性、社区的分散性、多样化的使用场景、向后兼容性的挑战、缺乏统一治理以及生态系统的快速变化。依赖管理工具用于处理项目中的依赖关系,确保不同环境下的依赖项一致性,避免软件故障和兼容性问题。常用的 Python 依赖管理工具如 pip、venv、pip-tools、Pipenv、Poetry 等各有优缺点,选择时需根据项目需求权衡。新工具如 uv 和 Pixi 在性能和功能上有所改进,值得考虑。
125 35
使用Python实现智能食品消费模式分析的深度学习模型
使用Python实现智能食品消费模式分析的深度学习模型
186 70
使用Python实现基于矩阵分解的长期事件(MFLEs)时间序列分析
在现代数据分析中,高维时间序列数据的处理和预测极具挑战性。基于矩阵分解的长期事件(MFLEs)分析技术应运而生,通过降维和时间序列特性结合,有效应对大规模数据。MFLE利用矩阵分解提取潜在特征,降低计算复杂度,过滤噪声,并发现主要模式。相比传统方法如ARIMA和深度学习模型如LSTM,MFLE在多变量处理、计算效率和可解释性上更具优势。通过合理应用MFLE,可在物联网、金融等领域获得良好分析效果。
132 0
使用Python实现基于矩阵分解的长期事件(MFLEs)时间序列分析
金融波动率的多模型建模研究:GARCH族与HAR模型的Python实现与对比分析
本文探讨了金融资产波动率建模中的三种主流方法:GARCH、GJR-GARCH和HAR模型,基于SPY的实际交易数据进行实证分析。GARCH模型捕捉波动率聚类特征,GJR-GARCH引入杠杆效应,HAR整合多时间尺度波动率信息。通过Python实现模型估计与性能比较,展示了各模型在风险管理、衍生品定价等领域的应用优势。
513 66
金融波动率的多模型建模研究:GARCH族与HAR模型的Python实现与对比分析
Python GIL(全局解释器锁)机制对多线程性能影响的深度分析
在Python开发中,GIL(全局解释器锁)一直备受关注。本文基于CPython解释器,探讨GIL的技术本质及其对程序性能的影响。GIL确保同一时刻只有一个线程执行代码,以保护内存管理的安全性,但也限制了多线程并行计算的效率。文章分析了GIL的必要性、局限性,并介绍了多进程、异步编程等替代方案。尽管Python 3.13计划移除GIL,但该特性至少要到2028年才会默认禁用,因此理解GIL仍至关重要。
279 16
Python GIL(全局解释器锁)机制对多线程性能影响的深度分析
Python时间序列分析工具Aeon使用指南
**Aeon** 是一个遵循 scikit-learn API 风格的开源 Python 库,专注于时间序列处理。它提供了分类、回归、聚类、预测建模和数据预处理等功能模块,支持多种算法和自定义距离度量。Aeon 活跃开发并持续更新至2024年,与 pandas 1.4.0 版本兼容,内置可视化工具,适合数据探索和基础分析任务。尽管在高级功能和性能优化方面有提升空间,但其简洁的 API 和完整的基础功能使其成为时间序列分析的有效工具。
142 37
Python时间序列分析工具Aeon使用指南
Python时间序列分析:使用TSFresh进行自动化特征提取
TSFresh 是一个专门用于时间序列数据特征自动提取的框架,支持分类、回归和异常检测等机器学习任务。它通过自动化特征工程流程,处理数百个统计特征(如均值、方差、自相关性等),并通过假设检验筛选显著特征,提升分析效率。TSFresh 支持单变量和多变量时间序列数据,能够与 scikit-learn 等库无缝集成,适用于大规模时间序列数据的特征提取与模型训练。其工作流程包括数据格式转换、特征提取和选择,并提供可视化工具帮助理解特征分布及与目标变量的关系。
157 16
Python时间序列分析:使用TSFresh进行自动化特征提取
使用Python实现智能食品消费习惯分析的深度学习模型
使用Python实现智能食品消费习惯分析的深度学习模型
216 68

热门文章

最新文章