《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
|
24天前
|
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。
49 4
|
10天前
|
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
|
2天前
|
数据可视化 开发者 Python
Python GUI开发:Tkinter与PyQt的实战应用与对比分析
【10月更文挑战第26天】本文介绍了Python中两种常用的GUI工具包——Tkinter和PyQt。Tkinter内置于Python标准库,适合初学者快速上手,提供基本的GUI组件和方法。PyQt基于Qt库,功能强大且灵活,适用于创建复杂的GUI应用程序。通过实战示例和对比分析,帮助开发者选择合适的工具包以满足项目需求。
21 7
|
21天前
|
数据可视化 算法 Python
基于OpenFOAM和Python的流场动态模态分解:从数据提取到POD-DMD分析
本文介绍了如何利用Python脚本结合动态模态分解(DMD)技术,分析从OpenFOAM模拟中提取的二维切片数据,以深入理解流体动力学现象。通过PyVista库处理VTK格式的模拟数据,进行POD和DMD分析,揭示流场中的主要能量结构及动态特征。此方法为研究复杂流动系统提供了有力工具。
51 2
基于OpenFOAM和Python的流场动态模态分解:从数据提取到POD-DMD分析
|
2天前
|
存储 机器学习/深度学习 算法
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第26天】NumPy和SciPy是Python科学计算领域的两大核心库。NumPy提供高效的多维数组对象和丰富的数学函数,而SciPy则在此基础上提供了更多高级的科学计算功能,如数值积分、优化和统计等。两者结合使Python在科学计算中具有极高的效率和广泛的应用。
10 2
|
7天前
|
数据采集 机器学习/深度学习 搜索推荐
Python自动化:关键词密度分析与搜索引擎优化
Python自动化:关键词密度分析与搜索引擎优化
|
8天前
|
数据可视化 算法 JavaScript
基于图论的时间序列数据平稳性与连通性分析:利用图形、数学和 Python 揭示时间序列数据中的隐藏模式
本文探讨了如何利用图论分析时间序列数据的平稳性和连通性。通过将时间序列数据转换为图结构,计算片段间的相似性,并构建连通图,可以揭示数据中的隐藏模式。文章介绍了平稳性的概念,提出了基于图的平稳性度量,并展示了图分区在可视化平稳性中的应用。此外,还模拟了不同平稳性和非平稳性程度的信号,分析了图度量的变化,为时间序列数据分析提供了新视角。
22 0
基于图论的时间序列数据平稳性与连通性分析:利用图形、数学和 Python 揭示时间序列数据中的隐藏模式
|
17天前
|
自然语言处理 算法 数据挖掘
探讨如何利用Python中的NLP工具,从被动收集到主动分析文本数据的过程
【10月更文挑战第11天】本文介绍了自然语言处理(NLP)在文本分析中的应用,从被动收集到主动分析的过程。通过Python代码示例,详细展示了文本预处理、特征提取、情感分析和主题建模等关键技术,帮助读者理解如何有效利用NLP工具进行文本数据分析。
36 2
|
27天前
|
JSON 数据可视化 API
玩转数据科学:Python实战分析天气预报变动趋势
【10月更文挑战第1天】随着气候变化对日常生活的影响日益显著,理解和预测天气模式变得越来越重要。本文将引导您如何使用Python来抓取和分析天气预报数据,从而揭示天气变化的趋势。我们将介绍从获取公开气象API的数据到清洗、处理以及可视化整个过程的技术方法。
85 2
|
27天前
|
数据可视化 IDE 数据挖掘
Python助您洞察先机:2024年A股市场数据抓取与分析实战
【10月更文挑战第1天】随着2024年中国股市的强劲表现,投资者们对于如何高效获取并分析相关金融数据的需求日益增长。本文旨在介绍如何利用Python这一强大的编程语言来抓取最新的A股交易数据,并通过数据分析技术为个人投资决策提供支持。
176 1