《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
|
3月前
|
机器学习/深度学习 算法 搜索推荐
从理论到实践,Python算法复杂度分析一站式教程,助你轻松驾驭大数据挑战!
【10月更文挑战第4天】在大数据时代,算法效率至关重要。本文从理论入手,介绍时间复杂度和空间复杂度两个核心概念,并通过冒泡排序和快速排序的Python实现详细分析其复杂度。冒泡排序的时间复杂度为O(n^2),空间复杂度为O(1);快速排序平均时间复杂度为O(n log n),空间复杂度为O(log n)。文章还介绍了算法选择、分而治之及空间换时间等优化策略,帮助你在大数据挑战中游刃有余。
95 4
|
28天前
|
机器学习/深度学习 数据采集 TensorFlow
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
122 70
|
2月前
|
数据采集 缓存 定位技术
网络延迟对Python爬虫速度的影响分析
网络延迟对Python爬虫速度的影响分析
|
30天前
|
机器学习/深度学习 数据采集 TensorFlow
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
141 68
|
26天前
|
机器学习/深度学习 数据采集 数据挖掘
使用Python实现智能食品消费市场分析的深度学习模型
使用Python实现智能食品消费市场分析的深度学习模型
110 36
|
20天前
|
数据可视化 算法 数据挖掘
Python量化投资实践:基于蒙特卡洛模拟的投资组合风险建模与分析
蒙特卡洛模拟是一种利用重复随机抽样解决确定性问题的计算方法,广泛应用于金融领域的不确定性建模和风险评估。本文介绍如何使用Python和EODHD API获取历史交易数据,通过模拟生成未来价格路径,分析投资风险与收益,包括VaR和CVaR计算,以辅助投资者制定合理决策。
68 15
|
24天前
|
机器学习/深度学习 数据采集 数据挖掘
使用Python实现智能食品消费趋势分析的深度学习模型
使用Python实现智能食品消费趋势分析的深度学习模型
101 18
|
2月前
|
测试技术 开发者 Python
使用Python解析和分析源代码
本文介绍了如何使用Python的`ast`模块解析和分析Python源代码,包括安装准备、解析源代码、分析抽象语法树(AST)等步骤,展示了通过自定义`NodeVisitor`类遍历AST并提取信息的方法,为代码质量提升和自动化工具开发提供基础。
57 8
|
2月前
|
数据可视化 数据挖掘 定位技术
Python和Geopandas进行地理数据可视化
【10月更文挑战第22天】本文介绍了如何使用Python和Geopandas进行地理数据可视化和分析,涵盖从准备工作、加载数据、数据探索与处理、地理数据可视化、空间分析与查询到交互式地理数据可视化等内容。通过丰富的代码示例和案例演示,帮助读者掌握地理数据分析的基本方法,为实际应用提供支持。
121 19
|
3月前
|
数据采集 JSON 数据处理
抓取和分析JSON数据:使用Python构建数据处理管道
在大数据时代,电商网站如亚马逊、京东等成为数据采集的重要来源。本文介绍如何使用Python结合代理IP、多线程等技术,高效、隐秘地抓取并处理电商网站的JSON数据。通过爬虫代理服务,模拟真实用户行为,提升抓取效率和稳定性。示例代码展示了如何抓取亚马逊商品信息并进行解析。
抓取和分析JSON数据:使用Python构建数据处理管道