Способы построения сложных древовидных моделей

Суть древовидных моделей заключается в многоплановом отображении и изучении различных сторон явлений. В картографическом плане это сводится к созданию набора серии карт одной содержательной тематики.

Построенные модели позволяют отобразить одно и то же явление как бы под разными углами зрения и избежать односторонности получаемых по карте выводов. По примеру из учебника суть в том, чтобы исключить влияние на результаты сторонних факторов, путем исключения влияния тренда различными способами. Работа велась по алгоритму, базирующемуся на Q-схеме корреляционного аналиа (см. соотв. Вопрос). Исходные данные – временные динамические ряды урожайности. Были проведены операции, итогом которой стала матрица, пригодная для проведения Q-схемы корреляции. Была проведена корреляция, результатом которой стало картографирование показателей, создание нескольких карт корреляции динамики урожайности, где сравнивалась динамика урожайности на разных уровнях административного деления.

Тренд динамических рядов искажает коэффициенты. Выражая общее направление изменения явления во времени, определяет зависимость между членами динамического ряда и вносит в нее систематический искажающий элемент. Если элемент систематический, то его можно устранить, что дальше и делается несколькими способами.

Вычитание последующих значений из предыдущих в динамических рядах

Вычитание значений линии регрессии из фактических величин

В первом случае все понятно, Тикунов пишет что получил таким образом в свое время более достоверную и географичную картину.

Во втором случае влияние тренда исключается вычитанием значения линии регрессии из фактических величин. Линия Регрессии - линия, которая точнее всего отражает распределение экспериментальных точек на диаграмме рассеяния и крутизна наклона которой характеризует зависимость между двумя интервальными переменными. Использовалась величина, обратная значению коэффициентов корреляции, при расчете которых исключается тренд, что приводит к более достоверным с географической точки зрения конечным результатам. Использование величины, равной единице, минус коэффициент корреляции требуется по условию алгоритма классификации, что близкие по динамике ряды имели малую величину в показателе сходства между собой.

Описанные выше шаги «воспроизводят этапы конструирования типичной древовидной модели». То есть это, вроде как:

Приведение данных к тому виду, в котором можно реализовать Q-схему корреляционного анализа, то есть транспонированную матрицу. Число строк и столбцов определяется количеством исследуемых территориальных единиц (n x n), а длина рядов – числом исходных признаков-индикаторов (m).

Составление карт корреляции определенного нашего явления на нужных нам уровнях.

Исключение влияния тренда в наших исследования по динамическим рядам путем реализации одного из двух методов.

Картографирование исправленных показателей

Радуемся

Многовариантность в МКМ

Многовариантность исследований, улучшение информационного обеспечения, наличие широкого круга методов и привлечение современных вычислительных средств привели к необходимости многовариантных подходов при моделировании географических систем. Пути проявления многовар разнообразны:

Использование различных массивов данных для характеристики одного и того же явления. Особенную важность это имеет для моделирования абстрактных синтетических характеристик (напр, уровень социально-экономического развития стран).

Возможность обработки инф массива по различным алгоритмам. Здесь следует следить за тем, чтобы все алгоритмы правильно отображали сущность моделируемых явлений, учитывать точность получаемых результатов при использовании всех алгоритмов, которая должна быть примерно одинаковой, что важно для получения единого окончательного результата. В противном случае придется учитывать рез-ты с различным весом. Параллельное использование ряда математических методов для получения одного окончательного результата становится все популярнее, в том числе из-за широкого распространения ЭВМ.

Отображение результата моделирования. В основном это картографическое изображение, но могут быть и другие.

Надежность. Многовар приводит к повышению точности окончательного результата, согласно работе Серапинаса. Например, при двух независимых вариантах решения с надежностью каждого 0, 684 надежность окончательного рез повышается до 0, 9. Но, с другой стороны, с ростом числа вариантов замедляется рост надежности оконч рез-та.

Билет №13