হেক্সাগোনাল স্যাম্পলিং বহুভুজের সুবিধা কী?

Question

আমি সর্বদা ছোট ইউনিটগুলিতে নমুনা বা পার্টিশন অধ্যয়নের ক্ষেত্রগুলি (সাধারণত রাস্টার ডেটাসেট আকারে) নমুনা দেওয়ার জন্য দরকারী পদ্ধতির সন্ধানে আছি। স্যাম্পলিং হেক্সাগন তৈরির নতুন সরঞ্জাম সম্পর্কে সম্প্রতি আমি একটি ইএসআরআই ব্লগ পোস্টটি পড়েছি । যদিও হেক্সাগনগুলি চক্ষু ক্যাচার, তবে আমার প্রথম ধারণাটি হ'ল এগুলি আরও জটিল এবং এর চেয়ে আরও বেশি অনুভূমিক রয়েছে, উদাহরণস্বরূপ, একটি ফিশনেট গ্রিড যা একই লক্ষ্যগুলি অর্জন করতে পারে। অধ্যয়নের ক্ষেত্রের নমুনা বা পার্টিশন রাস্টার ডেটাসেটের জন্য আয়তক্ষেত্রাকার গ্রিডগুলির উপর দিয়ে ষড়ভুজ গ্রিডগুলির সাথে কাজ করার সুবিধা কী কী?

Comments

সম্ভবত আগ্রহের বিষয়: আমি ষড়ভুজীয় স্থানিক বিশ্লেষণ সম্পাদনের জন্য ডিজিগ্রিডআর নামে একটি আর প্যাকেজ প্রকাশ করেছি ।

— রিচার্ড

Answer 1

হেক্সাগনগুলির সাথে ধারণাটি হ'ল গ্রিড আকারের প্রান্ত প্রভাব থেকে নমুনা বায়াস হ্রাস করা, যা উচ্চ ঘেরের সাথে সম্পর্কিত: অঞ্চল অনুপাতের সাথে সম্পর্কিত। একটি বৃত্ত সর্বনিম্ন অনুপাত, তবে একটি অবিচ্ছিন্ন গ্রিড গঠন করতে পারে না এবং হেক্সাগনগুলি একটি বৃত্তের নিকটতম আকার যা এখনও গ্রিড গঠন করতে পারে।
এছাড়াও, আপনি যদি বৃহত্তর অঞ্চল জুড়ে কাজ করে থাকেন তবে একটি স্কোয়ার গ্রিড হেক্সাগনগুলির মতো আকারের চেয়ে বক্রতার কারণে বিকৃতিতে আরও ভোগ করবে।

বাস্তুসংস্থান / ল্যান্ডস্কেপ বিশ্লেষণের জন্য হেক্স গ্রিড তৈরি ও ব্যবহারের জন্য অনেকগুলি সরঞ্জাম এবং এক্সটেনশান রয়েছে, প্যাচ বিশ্লেষক (রিম্পেল এট আল।, ২০০৩) একটি ভাল উদাহরণ, এটি ল্যান্ডস্কেপ মেট্রিক পরিমাপ ক্ষমতা বৃহত পরিমাণে সরবরাহ করে। প্রাক্তন হাথের সরঞ্জামগুলি, যা এখন জিওপ্যাটিয়াল মডেলিং এনভায়রনমেন্ট হিসাবে নতুনভাবে নকশাকৃত হয়েছে সেই গ্রিডগুলি পুনরাবৃত্তি সহ অর্কগিস কার্যকারিতা শূন্যস্থান পূরণ করার জন্য তৈরি করা একটি বিস্তৃত সরঞ্জাম রয়েছে। এই ধরণের জিনিসটির জন্য বেশ কয়েকটি তৃতীয় পক্ষের এক্সটেনশন করা হয়েছে, সাধারণত গবেষকদের যাদের তাদের প্রয়োজন হয়, তাই প্রতিটি নতুন জিআইএস সংস্করণ প্রকাশের পরে তাদের প্রায়শই তাদের পণ্যগুলি পুনর্নির্মাণের সংস্থান থাকে না, তাই এটি প্রায়শই মনে হয় কিছুই পাওয়া যায় না

এই কাগজটি (বার্চ, ২০০)) বাস্তুসংস্থান সংক্রান্ত প্রয়োগগুলির জন্য আয়তক্ষেত্রাকার এবং ষড়ভুজ গ্রিডগুলির একটি সম্পূর্ণ তুলনাও উপস্থাপন করে, যেখানে সংযুক্তি, নিকটবর্তী প্রতিবেশী বা চলাচলের পথগুলি বিশ্লেষণে বিবেচনা করার জন্য গুরুত্বপূর্ণ বিষয় বিবেচনা করার সময় ষড়ভুজ গ্রিডগুলি কীভাবে পছন্দনীয় তা দেখায়।

Comments

এটিকে সংক্ষেপে বলার জন্য, হেক্স গ্রিডগুলি প্রান্ত শিল্পকর্মগুলি হ্রাস করে, প্রতিবেশী প্রভাবগুলির বিশদ স্তরের দ্বিগুণ করে এবং তারা সত্যিই দুর্দান্ত দেখায় :) - এছাড়াও লক্ষ্য করুন যে কিউজিআইএস-এর একটি দুর্দান্ত প্লাগইন রয়েছে (এমএমকিউজিআইএস) যা বর্তমান সংস্করণে হেক্স গ্রিড তৈরির জন্য সাঁতার কাটিয়ে কাজ করে works প্ল্যাটফর্মের।

— বিল মরিস

Answer 2

বিশেষত বন্যজীবন বা বাসস্থান মডেলিংয়ের সময় আমি যে সুবিধাগুলি দেখেছি তা হ'ল হেক্সাগনগুলি স্কোয়ারের চেয়ে আরও সহজে ডেটাগুলিতে (কোন ক্ষেত্রের প্রান্ত বা অন্য কোনও প্যাচ) প্রান্তের চেয়ে আরও সহজে দেখা যায়।

একটি সকার বলটিও ভাবুন, যদিও সবসময় ষড়ভুজ নয়, সেই জ্যামিতিক আকারগুলি খুব সুন্দরভাবে একটি বাঁকা পৃষ্ঠের সাথে ফিট করে।

আপনার চিত্রটিতে, ছোট ছোট ষড়্চা তৈরি করার চেষ্টা করুন এবং তারা বহুভুজের আসল আকারের কাছাকাছি চলে আসবে। তারপরে একই অঞ্চলে একটি সমান প্রস্থ বা উচ্চতা সহ একটি আয়তক্ষেত্রাকার / বর্গাকার গ্রিড গণনা করার চেষ্টা করুন এবং আপনি পার্থক্যটি দেখতে পাচ্ছেন।

Comments

যখন আপনি "আপনি পার্থক্যটি দেখতে পাচ্ছেন" বলবেন, আমি সন্দেহ করি যে আপনি কেবলমাত্র ষড়ভুজ / আয়তক্ষেত্রগুলি রাখতে এবং তারপরে সংক্ষিপ্ত পরিসংখ্যান রাখার জন্য ষড়ভুজ এবং ফিশনেট বহুভুজের উপর বহুভুজ অবস্থানের মাধ্যমে স্তর স্তর নির্বাচন করে খুব সহজেই এই পার্থক্যের পরিমাণ নির্ধারণ করতে পারবেন suspect বহুভুজের পরিচিত অঞ্চলে প্রত্যেকে কতটা কাছাকাছি রয়েছে তা দেখার জন্য অঞ্চলটিতে on

— পলিজিও

@ সোল্টডন, আমি আপনার চিত্রটি পছন্দ করি;)

— হোয়াইটবক্সদেভ

আমি আশা করি এই অ্যানিমেশনটিতে কিছুটা আয়তক্ষেত্রাকার কোষও ছিল, সম্ভবত একটি বিভক্ত দর্শনে, পার্থক্যটি প্রদর্শন করতে, যদি এটি দৃশ্যমান হয়।

— রিচার্ড

Answer 3

ষড়ভুজ হ'ল সবচেয়ে জটিল নিয়মিত বহুভুজ যা কোনও প্লেনটি পূরণ করতে পারে (ফাঁকায় বা ওভারল্যাপ ছাড়াই)।

আমি দুটি সুবিধা দেখতে পাচ্ছি:

• এটি আকারের দিক থেকে বর্গক্ষেত্রের তুলনায় আরও বেশি বৃত্তের কাছাকাছি, সুতরাং আপনি ওরিয়েন্টেশন বায়াস থেকে কম ভোগেন (হেক্সাগনগুলির সাথে নিম্ন অ্যানিসোট্রপি) এবং এটি আরও কমপ্যাক্ট (নিম্ন আকারের সূচক: পেরিমিটার / অঞ্চল)। সুতরাং এটি আরও সঠিক নমুনা সরবরাহ করে।

• "যোগাযোগের দৈর্ঘ্য" প্রতিটি পাশেই সমান (একটি বর্গক্ষেত্রের সাথে প্রতিবেশীরা কোণে চারটি স্কোয়ার অন্তর্ভুক্ত করে)। সম্পাদনা: @ জেসন দ্বারা উল্লিখিত হিসাবে, সেন্ট্রয়েডের মধ্যে দূরত্ব সমস্ত ছয় দিকের ক্ষেত্রেও একই। বিপরীতে, বর্গাকার ঘরের কোণে প্রতিবেশীদের দূরত্ব একটি ফ্যাক্টর স্কয়ার্ট (2) দ্বারা গুণিত হয়।

দুটি ঘাটতি রয়েছে:

• স্কোয়ারের সাথে আটটির পরিবর্তে ছয়টি সংলগ্ন প্রতিবেশী রয়েছে (যদি আপনি কোণগুলির জন্য অ্যাকাউন্ট করেন)। এটি কোনও সংযোগ বিশ্লেষণের নির্ভুলতা হ্রাস করবে।

• সর্বাধিক গুরুত্বপূর্ণ, আপনি ষড়জাগরের সাথে আপনার স্যাম্পলিংকে উপরে তুলতে বা ডাউনস্কেল করতে হেক্সাগনগুলিকে উপ-বিভাগ করতে পারবেন না (বর্গক্ষেত্রের সাথে, এটি একত্রিত করা বা নতুন স্কোয়ারে বিভক্ত করা সহজ)। বর্গক্ষেত্র তাই শ্রেণিবদ্ধ বিশ্লেষণের জন্য আরও ভাল।

আপনার ক্ষেত্রে, অন্য একটি অপূর্ণতা রয়েছে কারণ আপনি একজন রাস্টারকে ভাগ করতে চান। প্রকৃতপক্ষে, রাস্টার কোষগুলি বর্গক্ষেত্র ভিত্তিক যেমন রাস্টার সীমা। সুতরাং, আপনি যদি ষড়ভুজ ব্যবহার করে কোনও রাস্টার বিভাজন করার চেষ্টা করেন তবে আংশিকভাবে অন্তর্ভুক্ত পিক্সেলগুলি এড়ানো সম্ভব হবে না। অতএব আপনি কোনও ধরণের পুনরায় মডেলিং কৌশলটির উপর নির্ভর করবেন যা আপনার ডেটার গুণমানকে প্রভাবিত করবে। তদুপরি, ষড়ভুজের উপর ভিত্তি করে যে কোনও ক্লিপড রাস্টার ফলাফল নোডাটা পিক্সেলের অনুপাতের ফলস্বরূপ।

Comments

"এটি বর্গক্ষেত্রের তুলনায় একটি বৃত্তের আরও কাছাকাছি" - ফলস্বরূপ এবং আরও গুরুত্বপূর্ণ, প্রতিবেশী আকারের প্রতিটি কেন্দ্র বিন্দুটি সামঞ্জস্যপূর্ণ, যেখানে উপরের / নীচে / ডান / বাম প্রতিবেশীদের কেন্দ্র পয়েন্টগুলি N ইউনিট দূরে এবং তির্যক প্রতিবেশীরা স্কয়ার্ট (2) * এন ইউনিট দূরে।

— জেসন শিয়েরার

সংলগ্ন ছয় প্রতিবেশী কেন একটি ত্রুটি? ছয় প্রতিবেশী কম গণনার অনুমতি দেয়। অতিরিক্তভাবে, এই ছয় প্রতিবেশী সকলেরই হেক্স কেন্দ্রের সমান দূরত্ব রয়েছে। স্কোয়ার গ্রিডে প্রতিবেশীদের প্রতি 2 সংজ্ঞা থাকতে পারে। 4 টি প্রতিবেশী যারা একটি কিনারা ভাগ করে দেয়, 8 প্রতিবেশী, একটি কিনারা এবং প্রান্তকে ভাগ করে। একটি বর্গাকার গ্রিডের সাথে, প্রান্তটি ভাগ করে নেওয়ার জন্য কেবল 4 প্রতিবেশীর গ্রিড কেন্দ্রের সমান দূরত্ব থাকে, অন্য 4 টি যে একটি ভার্টেক্স ভাগ করে তাদের গ্রিড কেন্দ্রের আলাদা (দীর্ঘতর) দূরত্ব থাকে।

— SoilSciGuy

@ SoilSciGuy গণনা সংক্রান্ত সমস্যা উত্থাপন করার জন্য আপনাকে ধন্যবাদ। তবে এটিতে সাধারণীকরণ করা বেশ কঠিন কারণ একটি হেক্স গ্রিড তৈরি এবং অনুসন্ধান করা স্কোয়ারের চেয়ে বেশি সময় নিতে পারে। 6 বনাম 8 প্রতিবেশী সম্পর্কে, আমি সুবিধার মধ্যে "একই দূরত্ব" বৈশিষ্ট্যটি উল্লেখ করেছি, তবে অনেক ক্ষেত্রে আরও বেশি প্রতিবেশী থাকা একটি অ্যাডভানটেজ (যেমন নেটওয়ার্ক)।

— Radouxju

6 জন প্রতিবেশী হওয়ার অসুবিধা কেন? এটি স্কোয়ারগুলিতে সীমান্তের প্যারাডক্সের সাথে ডিল করে।

— Luís de Sousa

6 টি 8 এর চেয়ে কম, সুতরাং হেক্সাগনগুলির সাথে ব্যয় সংযোগ বিশ্লেষণ কম সুনির্দিষ্ট হবে। আবার এটি আপনার আবেদনের উপর নির্ভর করে, যদি আপনি তির্যক দূরত্বের স্কয়ার্ট (2) ফ্যাক্টরটি পরিচালনা করেন তবে: গণনা ব্যয়ে আপনি কী "জয়" করেছেন তা নির্ভুলভাবে "হারিয়ে গেছে"। আমি ব্যয় দূরত্ব বিশ্লেষণের জন্য ষড়ভুজ গ্রিড পরীক্ষা করেছি এবং স্কোয়ারগুলির সাথে ভবিষ্যদ্বাণীগুলি আরও সুনির্দিষ্ট। আমার বক্তব্যটি হ'ল বিমানটির সর্বজনীন সর্বোত্তম বিভাজন নেই।

— Radouxju

Answer 4

গ্রিড স্কোয়ারগুলির একটি প্রধান অসুবিধা হ'ল চার দিকের ত্রিভুজকারী ভেক্টরগুলির সাথে নমুনার হার উল্লেখযোগ্যভাবে কম (

আপনার ডেটাতে নিয়মিত কিছু রৈখিক প্যাটার্ন থাকলে গ্রিডের ওরিয়েন্টেশন প্রতিটি প্রসঙ্গে কার্যকর নমুনার হারকে প্রভাবিত করে।

উদাহরণস্বরূপ, আপনার যদি ধারাবাহিকভাবে উপত্যকা এবং উপত্যকাগুলির একটি সিরিজ থাকে তবে এগুলি দিয়ে গ্রিডকে কেন্দ্র করে কেবল উপত্যকা বা চূড়াগুলি নমুনা করতে পারে এবং এইভাবে উদ্ভিদ বা প্রাণীজগতের ধরণের সন্ধান করা যেতে পারে। উপত্যকাসমূহের সাথে সম্পর্কিত আরও কিছু কোণ অঞ্চলের উচ্চ এবং নিম্নের মধ্যে স্থানান্তরিত নমুনা হার দেয়। জলজ যেমন এই সমস্যাযুক্ত ভেক্টর একটি ভাল উদাহরণ জোয়ার পরিধি, সমুদ্র গভীরতা হতে পারে, নীচে থেকে আরও দূরে সজ্জিত।

স্পষ্টতই, স্যাম্পলিং রেজোলিউশনের পছন্দ দ্বারা প্রভাবটি হ্রাস বা বর্ধিত করা যেতে পারে, তবে আদর্শভাবে পরিবর্তনের অনুপাতের নমুনার হার স্থানের তুলনায় স্থিতিশীল হওয়া উচিত। হেক্সাগনস, একটি বৃত্তের কাছাকাছি থাকার কারণে, দুর্ঘটনাক্রমে এ জাতীয় পরিবর্তনশীল নমুনা হারের পক্ষপাত ঘটানোর সম্ভাবনা কম।

Answer 5

জলবায়ু পরিবর্তন গবেষক হিসাবে, ষড়ভুজ গ্রিড ব্যবস্থায় আমার সবচেয়ে বড় গ্রহণ মূলত দুটি সুবিধা:

1. এটি একটি অভিন্ন উপায়ে সংযোগের প্রতিনিধিত্ব করে, যা পৃথিবী বিজ্ঞান মডেলিংয়ের জন্য অত্যন্ত গুরুত্বপূর্ণ। উদাহরণস্বরূপ, সমুদ্রের বর্তমান মডেলগুলি জটিল ওডিই / পিডিই সমীকরণগুলি সমাধান করতে সাধারণত ষড়ভুজ গ্রিড ব্যবহার করে।
2. এটি একসাথে একটি গোলকটি coverেকে দিতে পারে। Ditionতিহ্য অক্ষাংশ / দ্রাঘিমাংশ ভিত্তিক গ্রিড সিস্টেম বিভিন্ন স্থানে উল্লেখযোগ্য স্থানিক বিকৃতি ঘটায়। ডিজিএসএস ব্যবহার করা পুরোপুরি এই সমস্যার সমাধান করতে পারে।

ধন্যবাদ.