헤드/테일 브레이크

Head/tail breaks
정확히 Zipf의 법칙을 따르는 1024개의 도시는 크기가 1, 두 번째로 큰 도시는 크기가 1/2, 세 번째로 큰 도시는 1/3 크기, 그리고 가장 작은 도시는 크기가 1/1024임을 의미합니다.왼쪽 패턴은 헤드/테일 브레이크에 의해 생성되며 오른쪽 패턴은 젠크스 내추럴 브레이크 최적화라고도 하는 자연스러운 브레이크에 의해 생성됩니다.

머리/꼬리 절단(head/tail breaks)은 멱함수 법칙 및 대수 정규 분포와 같이 꼬리가 두꺼운 분포를 가진 데이터에 대한 군집 분석 알고리즘 체계입니다.두꺼운 꼬리 분포는 단순히 큰 것 보다 훨씬 더 작은 것의 스케일링 패턴이라고 할 수 있으며, 또는 아주 작은 것, 아주 작은 것, 그리고 가장 작은 것들과 가장 큰 것 사이에 있는 것들의 스케일 패턴이라고 할 수 있다.분류는 산술 평균 또는 평균 주위에 있는 물건을 큰 것(또는 머리)과 작은 것(또는 꼬리)으로 나눈 다음, 큰 것 또는 머리 쪽에 대한 분할 과정을 더 이상 큰 것들보다 훨씬 더 많은 작은 것의 개념이 더 이상 유효하지 않을 때까지 반복적으로 진행하거나, 많거나 적은 si를 가지고 있습니다.물건만 [1]남았습니다.헤드/테일 브레이크는 분류뿐만 아니라 헤드가 전체와 자기 유사하기 때문에 헤드를 유지함으로써 빅데이터를 시각화하는 데에도 사용됩니다.헤드/테일 브레이크는 점, 선 및 폴리곤과 같은 벡터 데이터뿐만 아니라 DEM(디지털 표고 모델)과 같은 래스터 데이터에도 적용할 수 있습니다.

동기

머리/꼬리 절단(head/tail breaks)은 동일한 간격, 분위수, 기하학적 진행, 표준 편차 및 자연적 절단(natural breaks optimization)과 같은 기존의 분류 방법의 무능에 의해 동기 부여됩니다. - 일반적으로 젠크스 자연 절단 최적화 또는 내재된 계층(hete)을 가진 기본 스케일 또는 생활 구조를 드러내는 k-평균 클러스터링으로 알려져 있습니다.부정)은 큰 것보다 작은 [2]것에 대한 반복적인 개념으로 특징지어진다.큰 것보다 훨씬 작은 것의 개념은 기하학적 특성뿐만 아니라 위상학적, 의미론적 특성으로도 언급된다는 점에 유의하십시오.이와 관련하여, 그 개념은 인기 있는 것(또는 잘 연결된 것)보다 훨씬 더 인기 없는 것(또는 덜 연결된 것) 또는 의미 있는 것보다 훨씬 더 의미 없는 것으로 해석되어야 한다.헤드/테일 브레이크는 k-평균 클러스터링이나 자연 브레이크와 달리 평균값으로 클래스를 특성화하는 것이 아니라 평균값 또는 평균을 사용하여 데이터 집합을 작은 값과 큰 값으로 이분화합니다.헤드/테일 브레이크에서 데이터 세트는 라지보다 훨씬 작은 고유 계층을 가진 살아있는 구조로 보이거나 헤드 헤드 헤드 등으로 재귀적으로 인식됩니다.공간 [3]분석에서 다양한 유형의 척도와 스케일링을 고려하면서 총체적이고 유기적인 관점에서 데이터를 분석할 수 있는 새로운 방법을 엽니다.

방법

두꺼운 꼬리 분포를 나타내는 일부 변수 X가 주어지면 큰 변수보다 작은 x가 훨씬 많습니다.모든 xi의 평균을 구하고 첫 번째 평균 m1을 구합니다.그런 다음 m1보다 큰 xi에 대한 두 번째 평균을 계산하고 m2를 구합니다.마찬가지로 큰 x보다 작은 x의 끝 조건이 더 이상 충족되지 않는지에 따라 m3를 얻을 수 있습니다.단순화를 위해 m1, m2, m3의 세 가지 평균이 있다고 가정합니다.이 분류는 [최소, m1], (m1, m2), (m2, m3], (m3, maximum)의 4개의 클래스로 이어집니다.일반적으로 다음과 같이 재귀 함수로 나타낼 수 있습니다.

머리/꼬리 구분 그림에서 10개의 숫자를 사용한 분류
재귀 함수 헤드/테일 브레이크: 입력 데이터 값을 가장 큰 값에서 가장 작은 값으로 순위를 매깁니다. 데이터의 평균 값을 헤드와 꼬리로 구분합니다. // 데이터 값의 경우 헤드가 평균보다 큰 // 데이터 값의 경우 테일에서 평균 If(길이(머리)/길이(데이터)를 뺀 값) <=40%):헤드/테일 브레이크(헤드), 엔드 기능

결과 클래스 수는 프랙탈 또는 지리적 특징의 복잡성을 특징짓기 위한 프랙탈 차원에 대한 대안 지수인 ht-index로 불린다. ht-index가 높을수록 프랙탈은 [4]더 복잡해진다.

임계값 또는 임계값의 감도

헤드/테일 브레이크 방법을 사용하여 반복 분류 프로세스를 중지하는 기준은 나머지 데이터(즉, 헤드 부분)가 헤비테일하지 않거나 단순히 헤드 부분이 더 이상 소수(즉, 헤드 부분의 비율이 더 이상 40%와 같은 역치 이상)가 아니라는 것이다.위의 코드(즉, (길이/머리)/길이(데이터) 40 40%)와 마찬가지로 이 임계값은 장 외 연구진(2013)[5]에 의해 40%로 제안된다.이 프로세스를 헤드/테일 브레이크 1.0이라고 합니다.그러나 장과 인(2014)[4]이 또 다른 기사에서 지적했듯이 때로는 더 큰 임계값(예: 50% 이상)을 사용할 수 있다. "이 조건은 50% 이상과 같은 많은 지리적 지형에 대해 완화될 수 있다."그러나 모든 헤드의 평균 백분율은 40% 미만이어야 하며(41, 42%) 큰 것보다 작은 것이 훨씬 더 많음을 나타냅니다.많은 실제 데이터는 꼬리가 긴 완벽한 분포에 적합할 수 없으므로 임계값은 구조적으로 완화될 수 있습니다.헤드/테일 브레이크 2.0의 경우 임계값은 전체 헤드 [6]백분율에만 적용됩니다.즉, 꼬리와 관련된 모든 헤드의 비율은 평균 약 40%여야 합니다.개별 클래스는 전체적으로 평균이 되는 한 평균 주위에 임의의 비율의 침을 뱉을 수 있습니다.예를 들어, 있다면 데이터 방법은 그것이 첫번째와 두번째 반복(길이(머리)(길이(자료)< 동안은 명확히 정의된 머리와 꼬리가 있게 배포하는 것;20%)지만 2.0은 반복 4반복 계속될 수 있는 세번째 반복(머리에 60%),head/tail 감면 혜택이 훨씬 덜 정의가 잘 되어 긴 꼬리가 잘린 분포를 보여 준다.w히크는 30% 머리-70% 꼬리를 반복하여 분배할 수 있습니다.전체 임계값을 초과하지 않는 한 헤드/테일 브레이크 분류가 유지됩니다.

순위 크기 그림 및 RA 색인

척도 패턴 또는 두꺼운 꼬리 분포를 표시하는 데 유용한 도구는 순위 크기 그림입니다. 순위 크기 그림은 일련의 값을 순위에 따라 표시하는 산점도입니다.이 도구를 사용하여 척도 패턴을 특징짓기 위해 순위 크기 그림에서 면적 비율(RA)이라고 하는 새로운 지수를 정의했다.RA 인덱스는 트래픽 조건의 예측에 정상적으로 사용되고 있습니다.그러나 RA 지수는 지리적 특성의 스케일링 구조를 포착하는 데 효과적이지 않기 때문에 ht-index에 대한 보완적 방법으로만 사용할 수 있다.

머리/꼬리 절단 기준 기타 지수

ht-지수 외에, 머리/꼬리 파손으로 다음 지수들도 도출된다.

  • CRG 인덱스이것은 지리적 [8]특징의 약간의 변화를 포착하기 위해 보다 민감한 ht-index로 개발되었습니다.정수인ht-index와는 대조적으로 CRG-index는 실수입니다.
  • 통합 메트릭스지리적 특성의 프랙탈 특성을 특징짓기 위해 AAAG 논문에서 두 가지 통합 메트릭(UM1과 UM2)이 제안되었다.하나는 "큰 것보다 작은 것이 훨씬 더 많다는 것을 알지만, 이 작은(또는 큰) 것은 얼마나 작은가?"라는 질문에 대답할 수 있는 반면, 다른 하나는 "큰 것보다 작은 것이 훨씬 많은 것을 알지만, 얼마나 더 많은가?"라고 대답할 수 있다.
  • Fht-index:프랙셔널 ht-index로 프랙셔널 계층을 [10]캡처할 수 있습니다.fht-index는 연속된 2개의 지도 축척 사이의 중간 축척을 작성하는 데 도움이 될 수 있으며, 이를 통해 소위 연속 지도 축척이라고 합니다.

적용들

비슷한 것이 많든 적든, 우리를 둘러싼 큰 것들보다 작은 것이 훨씬 더 많다.스케일링 패턴의 보편성을 감안할 때, 머리/꼬리 파손은 통계적 매핑, 지도 일반화, 인지적 매핑 그리고 아름다움에 [5][11][12]대한 인식에 유용한 것으로 밝혀졌다.빅 데이터는 큰 데이터보다 작은 데이터의 확장 특성을 훨씬 더 많이 보여주기 때문에 빅 데이터를 시각화하는 데 도움이 됩니다.기본적으로 지리적 현상은 스케일이 크거나 크거나 작거나 할 수 있습니다.스케일풀 현상은 기존의 수학적 또는 지리적 연산으로 설명할 수 있지만 스케일프리 현상은 설명할 수 없다.헤드/테일 브레이크는 [13]대부분인 스케일 프리 현상을 특징짓는 데 사용할 수 있습니다.시각화 전략은 머리 부분이 충분히 [14][15]선명하거나 보일 때까지 테일 부분을 반복적으로 드롭하는 것입니다.또한 거리 네트워크, 소셜 미디어 위치 데이터, 야간 영상 등 다양한 지리 정보를 통해 도시나 자연도시를 보다 정확하게 묘사할 수 있습니다.

불균형의 특징

헤드/테일 브레이크 방법을 반복적으로 사용하여 데이터 세트의 헤드를 얻을 수 있으므로 이 방법은 실제로 데이터 세트의 기본 계층을 캡처한다.예를 들어 어레이(19, 8, 7, 6, 2, 1, 1, 1, 0)를 헤드/테일 브레이크 방식으로 분할하면 제1의 헤드부(19, 8, 7, 6)와 제2의 헤드부(19)의 2개의 헤드부를 얻을 수 있다.이 두 개의 머리 부분과 원래 배열은 3단계 계층을 형성합니다.

첫 번째 레벨(19),

두 번째 레벨(19, 8, 7, 6),

3단계(19, 8, 7, 6, 2, 1, 1, 1, 0)

상기 계층의 레벨 수는 실제로는 어레이의 불균형을 나타내는 것으로, 이 레벨의 수는 [4]ht-index라고 불립니다.ht-index를 사용하여 두 데이터 세트의 불균형 정도를 비교할 수 있습니다.예를 들어 예 어레이(19, 8, 7, 6, 2, 1, 1, 0)의 ht-index는 3이고, 다른 어레이(19, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8)의 ht-index는 2입니다.따라서 전자의 배열의 불균형 정도가 후자의 배열보다 높다.

왼쪽 패널 패턴에는 5만 개의 자연도시가 포함되어 있으며, 7개의 계층 구조로 나눌 수 있습니다.머리 공처럼 생겼어요.7개의 계층 레벨을 모두 표시하는 대신 3개의 하위 레벨을 삭제하여 4개의 상위 레벨을 표시합니다.오른쪽 패널에서는 대도시보다 훨씬 더 많은 소도시의 확장 패턴이 나타납니다.오른쪽 패턴(또는 꼬리를 빼고 남은 부분)은 전체(또는 왼쪽 패턴)와 유사하다는 점에 유의하십시오.따라서 오른쪽 패턴은 왼쪽 패턴의 기본 구조를 반영하여 전체를 볼 수 있습니다.
미국 지형 표면의 스케일 패턴은 자연스러운 파손에 의해 왜곡되지만 헤드/테일 파손에 의해 드러난다.

자연도시의 묘사

'자연 도시'라는 용어는 머리/꼬리 분할 규칙에 기초한 대규모 지리 정보로부터 자연적 또는 객관적으로 정의되고 묘사된 지구 표면의 일반적인 인간 거주지 또는 인간 활동을 말한다. 이는 머리/[16][17]꼬리 파손의 비재발적 형태이다.이러한 지리적 정보는 대규모 교차로[17] 및 거리 끝, 대규모 블록, 야간 이미지 및 소셜 미디어 사용자 위치 등 다양한 출처에서 얻을 수 있습니다.이를 바탕으로 도시에서 감지된 다양한 도시 형태와 구성을 [18]도출할 수 있다.전통적인 도시와 구별되는 형용사 '자연'은 자연도시의 원천뿐만 아니라 자연도시를 도출하는 접근법으로도 설명될 수 있다[1].자연도시는 지리 [14]정보에서 추출된 방대한 수의 단위에서 평균화된 의미 있는 컷오프에서 도출된다.이러한 단위는 다양한 종류의 지리 정보에 따라 달라집니다. 예를 들어, 단위는 가로 블록의 면적 단위, 야간 [19]이미지의 픽셀 값이 될 수 있습니다.builder,[20]이 위치 기반 사회 media,[16]즉에서,(TIN)는 점 형상에 따라 거대한 삼각형의 불규칙한 네트워크(거리 노드에서 이 사건)을 만드는 것과 번째로 평균 값보다 작은 있는 삼각형에 관한 자연 도시를 파생시키는 같은 과정을 따라간 자연 도시 모델 ArcGIS 모델을 이용하여 제작되었습니다.enatur모든 도시이러한 자연도시는 OpenStreetMap과 같은 다른 오픈 액세스 정보로부터 생성될 수 있으며, 행정 경계에 대한 대체 묘사로 사용될 수도 있습니다.스케일링 법칙은 동시에 정확하게 식별될 수 있으며, 자연도시를 [21][22]묘사함으로써 이를 존중하는 행정 경계를 만들 수 있다.이 유형 방법론은 도시 지리학자와 계획자가 [23]일하는 지역의 효과적인 도시 영토 범위를 정확하게 식별함으로써 도시 지리학자와 계획자에게 도움을 줄 수 있다.

자연도시는 자연도시가 묘사되는 규모에 따라 달라질 수 있으며, 그렇기 때문에 최적으로 전 세계의 데이터에 기초해야 합니다.계산상 불가능하기 때문에 국가 또는 카운티 규모가 [24]대안으로 제시된다.자연도시의 스케일이 없는 성격과 데이터에 근거하고 있기 때문에, 자연도시의 측정법을 한층 더 사용할 가능성도 있다.자연도시의 주요 장점 중 하나는 하향식이 아닌 상향식으로 도출된다는 것이다.그것은 국경이 행정 정부나 [25]행정부에 의해 결정되기 보다는 물리적인 어떤 것의 데이터에 의해 결정된다는 것을 의미한다.예를 들어 자연도시의 자연도시를 재귀적으로 계산함으로써 자연도시의 밀집지역을 특정한다.예를 들어 도심이라고 볼 수 있습니다.이러한 방식으로 자연 도시 방법을 사용함으로써 자연 도시가 생성된 [26]규모에 따라 더 많은 국경선을 그릴 수 있다.소규모 지역으로부터 파생된 자연도시는 정확도는 떨어지지만 시간에 [27]따른 도시 확장과 같은 특정 분석에서 여전히 사용 가능한 결과를 제공할 것이다.하지만 앞서 언급했듯이, 최적의 자연도시는 예를 들어 국가 전체 또는 전 세계를 위한 엄청난 양의 도로 교차로에 기초해야 한다.이는 자연도시는 최상의 결과를 얻기 위해 가장 큰 데이터 세트를 필요로 하는 군중적 사고의 지혜에 기초하고 있기 때문이다.또한 자연 도시의 구조는 본질적으로 [28]프랙탈이라고 간주될 수 있습니다.

자연도시를 생성하기 위해 헤드/테일 브레이크가 사용될 때는 데이터를 나중에 집계하지 않는 것이 중요하다.예를 들어, 생성된 자연도시의 양은 생성된 후에만 알 수 있다.지역이나 국가에 대해 미리 정의된 수의 도시를 사용하고 자연도시의 결과를 행정적으로 결정된 도시 경계로 집계하는 것은 불가능하다.자연도시는 당연히 Zipf의 법칙을 따라야 한다. 그렇지 않으면 면적이 너무 작거나 데이터가 잘못 처리되었을 가능성이 높다.이것의 예는 자연도시를 추출하기 위해 머리/꼬리 부분이 사용되었지만, 그것들은 행정 경계로 통합되었고, 그 후 도시들은 Zipf의 [29]법칙을 따르지 않는다는 결론을 내린 연구에서 볼 수 있다.이런 일은 과학에서 더 자주 일어나는데, 과학에서는 논문이 실제로 [30]잘못된 결과를 만들어냅니다.

컬러 렌더링 DEM

DEM 또는 밀도 맵의 현재 색 렌더링은 기본적으로 자연 휴식 또는 등간격과 같은 기존 분류에 기초하기 때문에 고공 또는 고밀도를 불균형적으로 과장합니다.사실 고지대나 [31]고밀도 위치는 그리 많지 않습니다.색칠 기반의 머리/꼬리 파손이 다른 [32][33]분류의 것보다 더 유리한 것으로 나타났다.[2]

기타 응용 프로그램

기타 헤드/테일 브레이크 적용:

  • 수치 래스터 데이터의[34] 절대 볼츠만의 엔트로피를 효율적으로 추정하는 방법으로서 기능한다.
  • 폴리선의[35] 멀티스케일 표현 정량화
  • 흐름[36] 데이터 세트의 머리 부분을 강조하여 데이터 흐름 분석의 계산 효율성 향상
  • 열환경[37] 관련 도시확장 시간분석
  • 헤드/테일[38] 브레이스를 사용하여 디지털 펄스 변환으로 추출된 포인트 패턴에서 이방성을 측정하는 이미지 분석
  • 양국[39] 무역의 공간 패턴 시각화 및 분석
  • 도시 함수 그래프를 [40]식별하기 위해, 본 논문은 머리/꼬리 절단 방법의 정확도를 감소시키는 가우스 커널 밀도 추정에 머리/꼬리 절단 방법을 적용한다는 점에 주목한다.본질적으로 자연 도시 접근법을 취하지만, 머리/꼬리 절단 수행을 위해 선택한 초기 데이터는 사전에 감소하였다.도시 기능 그래프를 더 잘 표현하기 위해 머리/꼬리 절단을 이러한 영역을 설명하는 첫 번째 단계로 적용할 수 있다.
  • 데이터 내에서 자연적으로 발생하는 구조 또는 핫스팟을 분석하여 관심 영역을 강조합니다(자연 도시 기준).
    • (오버) 임대 아파트 [41]분포에서 핫스팟을 만들어 단기 임대(AirBnB 등)를 기반으로 한 관광 분석.
    • 자연도시를[42] 이용한 프랙탈 디멘션을 바탕으로 한 관광강화 측정
    • 주요 랜드마크나 대중교통 환승 구역에서 사람들이 내릴 가능성이 가장 높은 택시 정류장을 기반으로 도시 핫스팟을 식별한다.헤드/테일 브레이크는 사람이 적게 빠져나가는 덜 밀집된 정류장과 가장 [43]많은 사람이 빠져나가는 주요 정류장을 구분하기 위해 적용됩니다.
    • 교통 핫스팟 또는 정체 구역을 결정하여 도로 요금을 결정할 수 있습니다.자연도시는 이러한 [44]지역을 찾을 때 효과적인 접근법이다.
    • 자연도시를 사용하여 중국 도시의 다중심 패턴을 식별한다. 즉,[45] 도시에서 발견되는 밀집된 활동 중심지를 식별한다.
    • 자연도시를 측정 [27]도구로 사용하여 도시의 성장이 도시의 열환경에 어떤 영향을 미치는지 확인.
    • 탄력적인 도시 지역 또는 시스템을 [46]식별한다.
    • 도시 개발 [47]수준을 평가하는 데 사용할 수 있는 야간 이미지로 다중심 도시를 식별한다.
    • POI 데이터를 집적지의 [48]지표로 하여 도시 확장을 정량화합니다.
    • 서로 다른 클러스터링 [49]알고리즘을 사용하여 계층적 군중 데이터 탐지
    • COVID-19 대유행 기간 동안 획득한 트위터 데이터를 사용하여 자연 [50]도시와의 공간적 핫스팟을 분석한다.
  • 머리/꼬리 파손은 현상이 길게 꼬리를 물고 분포되어 있다는 것과 지리적인 공간에서 파레타적 사고가 가우스적 사고를 선호해야 한다는 것을 보여주는 주요 지표로 작용할 수 있다.예를 들어 생물다양성 및 소아다양성 연구에서는 분류군 영역 [51]관계와 같은 프랙탈 관계가 있는 것으로 보인다.이를 보완하기 위해 토양과 식생 지도의 다각형은 또한 구조 내의 축척을 보여준다.이는 머리/꼬리 [52]파손을 사용하여 식별하고 강조할 수 있습니다.
  • 이미지 피쳐 및 텍스처 추출에서는 LUU 스무딩이 피쳐를 추출하기 위해 사용되는 이산 펄스 변환과 같은 특정 알고리즘은 큰 피쳐와 작은 피쳐를 보다 효과적으로 [53]분리함으로써 알고리즘의 헤드/테일 브레이크를 사용하여 속도를 높일 수 있습니다.
  • 도시 패턴의 위계질서(즉, 거리, 건물 윤곽)를 분석함으로써, 시각적 만족도는 유사한 원칙, 즉 축척 법칙 또는 긴 꼬리 분포를 따르기 때문에 결정될 수 있다.헤드/테일 브레이크는 도시 형태학의 확장 특성 때문에 존재하는 계층을 결정하는 데 도움이 되며 도시 거리 네트워크 애플리케이션을 [54]연구할 때 더 유용할 수 있다.이는 특히 접근성 분석의 경우로, 공간 구문 헤드/테일 브레이크와 결합되어 거리 네트워크 [55]구조를 심층적으로 이해할 수 있다.
  • 도로망과 같은 도시 구조물은 본질적으로 프랙탈한 것으로 증명되었다.주의할 점은 이 구조는 정의된 프랙탈1개로만 구성되어 있지 않다는 것입니다.다중 복합 네트워크로 특징지어집니다.즉, 다른 척도에서 정의된 프랙탈이 변경될 수 있습니다.헤드/테일 브레이크는 새로운 [56][57]계층별로 데이터를 기반으로 조정되므로 다양한 규모의 복잡한 네트워크 구조를 결정하기 위해 사용할 수 있습니다.
  • 분류 방법으로서의 머리/꼬리 절단(head/tail breaks)은 예를 들어 Covid-19와 같은 세계적 유행병에서 성장 또는 확산 패턴을 시각화하는 데 사용될 수 있다.헤드/테일 브레이크를 사용하여 감염률이 높은 위치가 최고 [58]등급이기 때문에 특히 강조되는 주요 확산 이벤트를 효과적으로 매핑하고 시각화할 수 있습니다.
  • 암석 파괴 네트워크는 암석 공학에서 광산, 셰일 가스 개발 또는 경사면 안정성에 응용하는 데 매우 중요한 암석의 특성입니다.이러한 균열의 자기 유사성 특성과 이들이 억제하는 프랙탈 특성을 결합하기 때문에, 머리/꼬리 골절은 이러한 암석 골절 [59][60]네트워크에 대한 정확한 측정과 분석을 제공합니다.

소프트웨어 구현

다음 구현은 자유/오픈 소스 소프트웨어 라이센스로 사용할 수 있습니다.

  • HT 계산기: 단일 데이터 어레이에 적용되는 헤드/테일 브레이크 관련 메트릭을 얻기 위한 윈폼 애플리케이션.
  • JavaScript의 HT: 단일 데이터 배열에 헤드/테일 브레이크를 적용하기 위한 JavaScript 구현입니다.
  • HT Mapping Tool: 무료 플러그인 Axwoman 6.3에서 ArcMap 10.2로 헤드/테일 파손 분류에 따라 자동으로 지리 데이터 심볼라이제이션 수행 기능.
  • Python의 HT:헤드/테일 브레이크 알고리즘용 Python 및 JavaScript 코드.코로플러스 맵 컬러링에 매우 효과적입니다.
  • pysal.esda.mapclassify: 머리/꼬리 브레이크 맵 분류를 포함한 합창 매핑을 위한 Python 분류 체계.
  • Smoomaty 0.1.9: 파이톤을 통해 부드러운 지도를 가져옵니다.
  • Ht-index 계산기: 포스트그레ht-index 계산을 위한 SQL 함수( 참조).
  • RA 계산기:랭크 사이즈 플롯의 면적비(RA)를 계산하기 위한 소프트웨어(을 참조).
  • HT 2.0 계산기:작은 데이터 세트용 버전과 매우 큰(빈) 데이터 세트용 버전을 사용하여 헤드/테일 브레이크 1.0과 헤드/테일 브레이크 2.0을 모두 계산하는 Excel 시트 계산기.
  • classInt: 매핑 또는 기타 그래픽 목적으로 일변량 클래스 간격을 선택하는 여러 메서드를 구현하는 R 패키지에는 헤드/테일 브레이크 맵 분류도 포함됩니다.
  • Natural city python 스크립트오픈 소스 파이썬 패키지를 사용하여 자연도시를 생성하기 위해
  • Natural city python script2:오픈소스 파이썬 패키지를 사용하여 입력점 데이터에서 자연도시를 생성하는 경우

레퍼런스

  1. ^ Jiang, Bin (2013). "Head/Tail Breaks: A New Classification Scheme for Data with a Heavy-Tailed Distribution". The Professional Geographer. 65 (3): 482–494. arXiv:1209.2801. doi:10.1080/00330124.2012.700499. S2CID 119297992.
  2. ^ Mac Carron, P.; Kaski, K.; Dunbar, R. (2016-10-01). "Calling Dunbar's numbers". Social Networks. 47: 151–155. arXiv:1604.02400. doi:10.1016/j.socnet.2016.06.003. ISSN 0378-8733. S2CID 14417148.
  3. ^ Oshan, Taylor M.; Wolf, Levi J.; Sachdeva, Mehak; Bardin, Sarah; Fotheringham, A. Stewart (2022-06-09). "A scoping review on the multiplicity of scale in spatial analysis". Journal of Geographical Systems. doi:10.1007/s10109-022-00384-8. ISSN 1435-5949.
  4. ^ a b c Jiang, Bin; Yin, Junjun (2014). "Ht-Index for Quantifying the Fractal or Scaling Structure of Geographic Features". Annals of the Association of American Geographers. 104 (3): 530–540. arXiv:1305.0883. doi:10.1080/00045608.2013.834239. S2CID 62816469.
  5. ^ a b Jiang, Bin; Liu, Xintao; Jia, Tao (2013). "Scaling of Geographic Space as a Universal Rule for Map Generalization". Annals of the Association of American Geographers. 103 (4): 844–855. arXiv:1102.1561. doi:10.1080/00045608.2013.765773. S2CID 119257295.
  6. ^ Jiang, Bin (2019). "A Recursive Definition of Goodness of Space for Bridging the Concepts of Space and Place for Sustainability". Sustainability. 11 (15): 4091. arXiv:1909.01073. doi:10.3390/su11154091. S2CID 199374168.
  7. ^ a b Gao, Peichao; Liu, Zhao; Tian, Kun; Liu, Gang (2016-03-10). "Characterizing Traffic Conditions from the Perspective of Spatial-Temporal Heterogeneity". ISPRS International Journal of Geo-Information. 5 (3): 34. Bibcode:2016IJGI....5...34G. doi:10.3390/ijgi5030034.
  8. ^ Gao, Peichao; Liu, Zhao; Xie, Meihui; Tian, Kun; Liu, Gang (2016-10-01). "CRG Index: A More Sensitive Ht-Index for Enabling Dynamic Views of Geographic Features". The Professional Geographer. 68 (4): 533–545. doi:10.1080/00330124.2015.1099448. hdl:10397/66867. ISSN 0033-0124. S2CID 14967387.
  9. ^ Gao, Peichao; Liu, Zhao; Liu, Gang; Zhao, Hongrui; Xie, Xiaoxiao (2017-06-02). "Unified Metrics for Characterizing the Fractal Nature of Geographic Features". Annals of the American Association of Geographers. 107 (6): 1315–1331. doi:10.1080/24694452.2017.1310022. ISSN 2469-4452. S2CID 134468607.
  10. ^ Jiang, Bin; Ma, Ding (2017). "How complex is a fractal? Head/tail breaks and fractional hierarchy". Journal of Geovisualization and Spatial Analysis. 2: xx–xx. Preprint. arXiv:1703.00814. doi:10.1007/s41651-017-0009-z. S2CID 119466375.
  11. ^ Jiang, Bin (2013). "The Image of the City out of the Underlying Scaling of City Artifacts or Locations". Annals of the Association of American Geographers. 103 (6): 1552–1566. arXiv:1209.1112. doi:10.1080/00045608.2013.779503. S2CID 119227287.
  12. ^ Jiang, Bin; Sui, Daniel Z. (2014). "A New Kind of Beauty Out of the Underlying Scaling of Geographic Space". The Professional Geographer. 66 (4): 676–686. arXiv:1303.7303. doi:10.1080/00330124.2013.852037. S2CID 119213099.
  13. ^ Chen, Yanguang (June 2021). "Characteristic Scales, Scaling, and Geospatial Analysis". Cartographica: The International Journal for Geographic Information and Geovisualization. 56 (2): 91–105. arXiv:2001.09819. doi:10.3138/cart-2020-0001. ISSN 0317-7173. S2CID 220546091.
  14. ^ a b Jiang, Bin (2015). "Head/Tail breaks for visualization of city structure and dynamics". Cities. 43: 69–77. arXiv:1501.03046. doi:10.1016/j.cities.2014.11.013. S2CID 119221425.
  15. ^ Wu, Jou-Hsuan (2015). Examining the New Kind of Beauty Using the Human Being as a Measuring Instrument.
  16. ^ a b Jiang, Bin; Miao, Yufan (2015). "The Evolution of Natural Cities from the Perspective of Location-Based Social Media". The Professional Geographer. 67 (2): 295–306. arXiv:1401.6756. doi:10.1080/00330124.2014.968886. S2CID 119191062.
  17. ^ a b Long, Ying (2016). "Redefining Chinese city system with emerging new data". Applied Geography. 75: 36–48. doi:10.1016/j.apgeog.2016.08.002.
  18. ^ Song, Yongze; Long, Ying; Wu, Peng; Wang, Xiangyu (2018-12-02). "Are all cities with similar urban form or not? Redefining cities with ubiquitous points of interest and evaluating them with indicators at city and block levels in China". International Journal of Geographical Information Science. 32 (12): 2447–2476. doi:10.1080/13658816.2018.1511793. ISSN 1365-8816. S2CID 52926942.
  19. ^ Yang, Zhiwei; Chen, Yingbiao; Guo, Guanhua; Zheng, Zihao; Wu, Zhifeng (2021-08-01). "Using nighttime light data to identify the structure of polycentric cities and evaluate urban centers". Science of the Total Environment. 780: 146586. Bibcode:2021ScTEn.780n6586Y. doi:10.1016/j.scitotenv.2021.146586. ISSN 0048-9697. PMID 33765471. S2CID 232366838.
  20. ^ 렌, 정(2016)."ArcGIS의 자연도시 모델", http://www.arcgis.com/home/item.html?id=47b1d6fdd1984a6fae916af389cdc57d
  21. ^ Alvioli, Massimiliano (2020). "Comparative study of delineation of urban areas using imperviousness products and open data". In Massimiliano Alvioli; Ivan Marchesini; Laura Melelli; Peter Guth (eds.). Proceedings of the Geomorphometry 2020 Conference. Vol. 1. IRPI CNR. pp. 1–4. doi:10.30437/GEOMORPHOMETRY2020_1.
  22. ^ Alvioli, Massimiliano (2020-12-01). "Administrative boundaries and urban areas in Italy: A perspective from scaling laws". Landscape and Urban Planning. 204: 103906. doi:10.1016/j.landurbplan.2020.103906. ISSN 0169-2046. PMC 7424309. PMID 32834266.
  23. ^ Kong, Liang; He, Zhengwei; Chen, Zhongsheng; Luo, Mingliang; Du, Zhong; Zhu, Fuquan; He, Li (April 2021). "Spatial Distribution and Morphological Identification of Regional Urban Settlements Based on Road Intersections". ISPRS International Journal of Geo-Information. 10 (4): 201. Bibcode:2021IJGI...10..201K. doi:10.3390/ijgi10040201.
  24. ^ Montero, Gaëtan; Tannier, Cécile; Thomas, Isabelle (2021-01-12). "Delineation of cities based on scaling properties of urban patterns: a comparison of three methods". International Journal of Geographical Information Science. 35 (5): 919–947. doi:10.1080/13658816.2020.1817462. ISSN 1365-8816. S2CID 233302662.
  25. ^ Usui, Hiroyuki (2019-09-01). "A bottom-up approach for delineating urban areas minimizing the connection cost of built clusters: Comparison with top-down-based densely inhabited districts". Computers, Environment and Urban Systems. 77: 101363. doi:10.1016/j.compenvurbsys.2019.101363. ISSN 0198-9715. S2CID 199101138.
  26. ^ de Rijke, Chris A.; Macassa, Gloria; Sandberg, Mats; Jiang, Bin (November 2020). "Living Structure as an Empirical Measurement of City Morphology". ISPRS International Journal of Geo-Information. 9 (11): 677. Bibcode:2020IJGI....9..677D. doi:10.3390/ijgi9110677.
  27. ^ a b Yang, Zhiwei; Chen, Yingbiao; Wu, Zhifeng (2021-07-01). "How urban expansion affects the thermal environment? A study of the impact of natural cities on the thermal field value and footprint of thermal environment". Ecological Indicators. 126: 107632. doi:10.1016/j.ecolind.2021.107632. ISSN 1470-160X.
  28. ^ Zhang, Hong; Lan, Tian; Li, Zhilin (2021-09-08). "Fractal evolution of urban street networks in form and structure: a case study of Hong Kong". International Journal of Geographical Information Science: 1–19. doi:10.1080/13658816.2021.1974451. ISSN 1365-8816. S2CID 239633141.
  29. ^ Sun, Xiangdong; Yuan, Ouyang; Xu, Zhao; Yin, Yanhui; Liu, Qian; Wu, Ling (2021-07-01). "Did Zipf's Law hold for Chinese cities and why? Evidence from multi-source data". Land Use Policy. 106: 105460. doi:10.1016/j.landusepol.2021.105460. ISSN 0264-8377. S2CID 235513633.
  30. ^ Ioannidis, John P. A. (2005-08-30). "Why Most Published Research Findings Are False". PLOS Medicine. 2 (8): e124. doi:10.1371/journal.pmed.0020124. ISSN 1549-1676. PMC 1182327. PMID 16060722.
  31. ^ Jiang, Bin (2015). "Geospatial analysis requires a different way of thinking: The problem of spatial heterogeneity". GeoJournal. 80 (1): 1–13. arXiv:1401.5889. doi:10.1007/s10708-014-9537-y. JSTOR 24432599. S2CID 119248806.
  32. ^ Wu, Jou-Hsuan (2015)."인간을 측정 도구로 사용하여 새로운 종류의 아름다움을 살펴봅니다." http://www.diva-portal.org/smash/get/diva2:805296/FULLTEXT01.pdf.
  33. ^ Lin, Yue (2013). A Comparison Study on Natural and Head/tail Breaks Involving Digital Elevation Models.
  34. ^ Zhang, Hong; Wu, Zhiwei (February 2020). "A Head/Tail Breaks-Based Method for Efficiently Estimating the Absolute Boltzmann Entropy of Numerical Raster Data". ISPRS International Journal of Geo-Information. 9 (2): 103. Bibcode:2020IJGI....9..103Z. doi:10.3390/ijgi9020103.
  35. ^ Liu, Pengcheng; Xiao, Tianyuan; Xiao, Jia; Ai, Tinghua (2020-04-22). "A multi-scale representation model of polyline based on head/tail breaks". International Journal of Geographical Information Science. 34 (11): 2275–2295. doi:10.1080/13658816.2020.1753203. ISSN 1365-8816. S2CID 219075004.
  36. ^ Tao, Ran; Gong, Zhaoya; Ma, Qiwei; Thill, Jean-Claude (May 2020). "Boosting Computational Effectiveness in Big Spatial Flow Data Analysis with Intelligent Data Reduction". ISPRS International Journal of Geo-Information. 9 (5): 299. Bibcode:2020IJGI....9..299T. doi:10.3390/ijgi9050299.
  37. ^ Yang, Zhiwei; Chen, Yingbiao; Wu, Zhifeng; Qian, Qinglan; Zheng, Zihao; Huang, Qingyao (2019-09-01). "Spatial heterogeneity of the thermal environment based on the urban expansion of natural cities using open data in Guangzhou, China". Ecological Indicators. 104: 524–534. doi:10.1016/j.ecolind.2019.05.032. ISSN 1470-160X. S2CID 182075528.
  38. ^ Fabris-Rotelli, I.; Stein, A. (2020-05-26). "Use of fractals to measure anisotropy in point patterns extracted with the DPT of an image". Spatial Statistics. 42: 100452. doi:10.1016/j.spasta.2020.100452. ISSN 2211-6753. S2CID 219785078.
  39. ^ Ye, Sijing; Song, Changqing; Cheng, Changxiu; Shen, Shi; Gao, Peichao; Zhang, Ting; Chen, Xiaoqiang; Wang, Yuanhui; Wan, Changjun (June 2020). "Digital Trade Feature Map: A New Method for Visualization and Analysis of Spatial Patterns in Bilateral Trade". ISPRS International Journal of Geo-Information. 9 (6): 363. Bibcode:2020IJGI....9..363Y. doi:10.3390/ijgi9060363.
  40. ^ Chen, Yimin; Chen, Xinyue; Liu, Zihui; Li, Xia (2020-02-01). "Understanding the spatial organization of urban functions based on co-location patterns mining: A comparative analysis for 25 Chinese cities". Cities. 97: 102563. doi:10.1016/j.cities.2019.102563. ISSN 0264-2751. S2CID 214502259.
  41. ^ Celata, Filippo; Romano, Antonello (2020-07-07). "Overtourism and online short-term rental platforms in Italian cities". Journal of Sustainable Tourism. 30 (5): 1020–1039. doi:10.1080/09669582.2020.1788568. ISSN 0966-9582. S2CID 225551428.
  42. ^ Encalada-Abarca, Luis; Ferreira, Carlos Cardoso; Rocha, Jorge (2021-01-25). "Measuring Tourism Intensification in Urban Destinations: An Approach Based on Fractal Analysis". Journal of Travel Research. 61 (2): 394–413. doi:10.1177/0047287520987627. S2CID 234029035.
  43. ^ Chen, Xiao-Jian; Wang, Ying; Xie, Jiayi; Zhu, Xinyan; Shan, Jie (2021-09-01). "Urban hotspots detection of taxi stops with local maximum density". Computers, Environment and Urban Systems. 89: 101661. doi:10.1016/j.compenvurbsys.2021.101661. ISSN 0198-9715.
  44. ^ Loo, Becky P.Y.; Huang, Zhiran (2021-06-01). "Delineating traffic congestion zones in cities: An effective approach based on GIS". Journal of Transport Geography. 94: 103108. doi:10.1016/j.jtrangeo.2021.103108. ISSN 0966-6923. S2CID 236332207.
  45. ^ Lv, Yongqiang; Zhou, Lin; Yao, Guobiao; Zheng, Xinqi (2021-09-01). "Detecting the true urban polycentric pattern of Chinese cities in morphological dimensions: A multiscale analysis based on geospatial big data". Cities. 116: 103298. doi:10.1016/j.cities.2021.103298. ISSN 0264-2751.
  46. ^ Fusco, Giovanni; Venerandi, Alessandro (2020). Gervasi, Osvaldo; Murgante, Beniamino; Misra, Sanjay; Garau, Chiara; Blečić, Ivan; Taniar, David; Apduhan, Bernady O.; Rocha, Ana Maria A. C.; Tarantino, Eufemia (eds.). "Assessing Morphological Resilience. Methodological Challenges for Metropolitan Areas". Computational Science and Its Applications – ICCSA 2020. Lecture Notes in Computer Science. Cham: Springer International Publishing. 12255: 593–609. doi:10.1007/978-3-030-58820-5_44. ISBN 978-3-030-58820-5. S2CID 222093801.
  47. ^ Yang, Zhiwei; Chen, Yingbiao; Zheng, Zihao; Wu, Zhifeng (2022-01-24). "Identifying China's polycentric cities and evaluating the urban centre development level using Luojia-1A night-time light data". Annals of GIS: 1–11. doi:10.1080/19475683.2022.2026472. ISSN 1947-5683. S2CID 246348661.
  48. ^ Huang, Qingyao; Liu, Yihua; Chen, Chengjing (May 2022). "Quantifying Urban Expansion from the Perspective of Geographic Data: A Case Study of Guangzhou, China". ISPRS International Journal of Geo-Information. 11 (5): 303. doi:10.3390/ijgi11050303. ISSN 2220-9964.
  49. ^ Salazar, J. Miguel; López-Ramírez, Pablo; Siordia, Oscar S. (2022-05-19). "Detection of hierarchical crowd activity structures in geographic point data". PeerJ Computer Science. 8: e978. doi:10.7717/peerj-cs.978. ISSN 2376-5992.
  50. ^ Imran, Muhammad; Qazi, Umair; Ofli, Ferda (January 2022). "TBCOV: Two Billion Multilingual COVID-19 Tweets with Sentiment, Entity, Geo, and Gender Labels". Data. 7 (1): 8. doi:10.3390/data7010008. ISSN 2306-5729.
  51. ^ Ibáñez, J. J.; Ramírez‐Rosario, B.; Fernández‐Pozo, L. F.; Brevik, E. C. (2020). "Exploring Scaling Law of Geographical Space: Gaussian versus Paretian thinking". European Journal of Soil Science. 72 (2): 495–509. doi:10.1111/ejss.13031. ISSN 1365-2389. S2CID 225472821.
  52. ^ Ibáñez, J. J.; Ramírez‐Rosario, B.; Fernández‐Pozo, L. F.; Brevik, E. C. (2020). "Land System Diversity, Scaling Laws, and Polygons Map Analysis". European Journal of Soil Science. 72 (2): 656–666. doi:10.1111/ejss.13035. ISSN 1365-2389. S2CID 225482696.
  53. ^ Lancey, Mark de; Fabris-Rotelli, Inger (2020-12-08). "Ht-index for empirical evaluation of the sampled graph-based Discrete Pulse Transform". South African Computer Journal. 32 (2). doi:10.18489/sacj.v32i2.849. ISSN 2313-7835.
  54. ^ Zhen, Wenjie; Yang, Lin; Kwan, Mei-Po; Zuo, Zejun; Wan, Bo; Zhou, Shunping; Li, Shengwen; Ye, Yaqin; Qian, Haoyue; Pan, Xiaofang (2020-03-01). "Capturing what human eyes perceive: A visual hierarchy generation approach to emulating saliency-based visual attention for grid-like urban street networks". Computers, Environment and Urban Systems. 80: 101454. doi:10.1016/j.compenvurbsys.2019.101454. ISSN 0198-9715. S2CID 211830143.
  55. ^ Kaplan, Nir; Burg, David; Omer, Itzhak (2020-03-01). "The spatial organization of accessibility and functional hierarchy: The case of Israel". Computers, Environment and Urban Systems. 80: 101429. doi:10.1016/j.compenvurbsys.2019.101429. ISSN 0198-9715.
  56. ^ Long, Yuqing; Chen, Yanguang (2021-02-18). "Multifractal scaling analyses of urban street network structure: The cases of twelve megacities in China". PLOS ONE. 16 (2): e0246925. arXiv:2004.05545. Bibcode:2021PLoSO..1646925L. doi:10.1371/journal.pone.0246925. ISSN 1932-6203. PMC 7891711. PMID 33600472.
  57. ^ Tripathy, Pratyush; Rao, Pooja; Balakrishnan, Krishnachandran; Malladi, Teja (2020-11-02). "An open-source tool to extract natural continuity and hierarchy of urban street networks". Environment and Planning B: Urban Analytics and City Science. 48 (8): 2188–2205. doi:10.1177/2399808320967680. ISSN 2399-8083. S2CID 228836992.
  58. ^ Jiang, Bin; de Rijke, Chris (2021-02-08). "A power-law-based approach to mapping COVID-19 cases in the United States". Geo-spatial Information Science. 24 (3): 333–339. doi:10.1080/10095020.2020.1871306. ISSN 1009-5020.
  59. ^ Sui, Lili; Yu, Jian; Cang, Dingbang; Miao, Wenjing; Wang, Heyuan; Zhang, Jiwei; Yin, Shuaifeng; Chang, Keliang (2019-12-01). "The fractal description model of rock fracture networks characterization". Chaos, Solitons & Fractals. 129: 71–76. Bibcode:2019CSF...129...71S. doi:10.1016/j.chaos.2019.07.055. ISSN 0960-0779. S2CID 203042762.
  60. ^ Sui, Lili; Wang, Heyuan; Wu, Jinsui; Zhang, Jiwei; Yu, Jian; Ma, Xinyu; Sun, Qiji (July 2022). "Fractal Description of Rock Fracture Networks Based on the Space Syntax Metric". Fractal and Fractional. 6 (7): 353. doi:10.3390/fractalfract6070353. ISSN 2504-3110.
  61. ^ Tian, Kun; Peichao Gao (2015). "A PostgreSQL function for calculating the ht-index". doi:10.13140/rg.2.1.3041.0324. {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)