GoGPT Best VPN GoSearch

Favicon di OnWorks

v.classgrass - Online nel cloud

Esegui v.classgrass nel provider di hosting gratuito OnWorks su Ubuntu Online, Fedora Online, emulatore online di Windows o emulatore online di MAC OS

Questo è il comando v.classgrass che può essere eseguito nel provider di hosting gratuito OnWorks utilizzando una delle nostre numerose workstation online gratuite come Ubuntu Online, Fedora Online, emulatore online di Windows o emulatore online di MAC OS

PROGRAMMA:

NOME


v.class - Classifica i dati degli attributi, ad esempio per la mappatura tematica

PAROLE CHIAVE


vettore, classificazione, tabella degli attributi, statistiche

SINOSSI


v.class
v.class --Aiuto
v.class [-g] carta geografica=Nome [strato=stringa] colonna=Nome [where=query_sql] algoritmo=stringa
nbclasses=numero intero [--Aiuto] [--verboso] [--silenzioso] [--ui]

Bandiere:
-g
Stampa solo le pause delle lezioni (senza minimo e massimo)

--Aiuto
Riepilogo utilizzo stampa

--verboso
Uscita modulo dettagliata

--silenzioso
Uscita modulo silenzioso

--ui
Forza l'avvio della finestra di dialogo GUI

parametri:
carta geografica=Nome [necessario]
Nome della mappa vettoriale
O fonte di dati per l'accesso diretto all'OGR

strato=stringa
Numero o nome del livello
Le feature vettoriali possono avere valori di categoria in diversi livelli. Questo numero determina
quale strato utilizzare. Se utilizzato con accesso OGR diretto, questo è il nome del livello.
Predefinito: 1

colonna=Nome [necessario]
Nome o espressione della colonna

where=query_sql
WHERE condizioni dell'istruzione SQL senza la parola chiave "where"
Esempio: reddito < 1000 e ab >= 10000

algoritmo=stringa [necessario]
Algoritmo da utilizzare per la classificazione
Opzioni: interno, standard, qua, equità, DIS
int: intervalli semplici
std: deviazioni standard
in quanto: quantili
equ: equiprobabile (distribuzione normale)

nbclasses=numero intero [necessario]
Numero di classi da definire

DESCRIZIONE


v.class classifica i dati degli attributi vettoriali in classi, ad esempio per la mappatura tematica.
La classificazione può essere su una colonna o su un'espressione che comprende più colonne, tutte in
la tabella collegata alla mappa vettoriale. L'utente indica il numero di classi desiderate e
l'algoritmo da utilizzare per la classificazione. Diversi algoritmi sono implementati per
classificazione: intervallo uguale, deviazione standard, quantili, probabilità uguali e a
algoritmo di discontinuità sviluppato da Jean-Pierre Grimmeau presso la Libera Università di
Bruxelles (ULB). Può essere utilizzato per convogliare le interruzioni di classe in moduli di mappatura tematica come
d.vect.thematic (vedi esempio sotto);

NOTE


. pari intervallo L'algoritmo divide semplicemente l'intervallo max-min per il numero di interruzioni
determinare l'intervallo tra le pause delle lezioni.

. quantili L'algoritmo crea classi che contengono tutte approssimativamente lo stesso numero di
osservazioni.

. Standard deviazioni l'algoritmo crea interruzioni di classe che sono una combinazione della media
+/- la deviazione standard. Calcola un fattore di scala (<1) per cui moltiplicare la
deviazione standard affinché tutte le interruzioni di classe rientrino nell'intervallo min-max di
i valori dei dati.

. equiprobabilità L'algoritmo crea classi che sarebbero equiprobabili se
la distribuzione era normale. Se alcune delle interruzioni di classe cadono al di fuori dell'intervallo min-max del
valori dei dati, l'algoritmo stampa un avviso e riduce il numero di interruzioni, ma il
le probabilità utilizzate sono quelle del numero di pause richieste.

. sconto l'algoritmo ricerca sistematicamente le discontinuità nella pendenza del
curva delle frequenze cumulate, approssimando questa curva attraverso segmenti di linea retta
i cui vertici definiscono le interruzioni di classe. La prima approssimazione è una linea retta che
collega i due nodi finali della curva. Questa linea viene poi sostituita da una linea a due segmenti
polilinea il cui nodo centrale è il punto sulla curva più lontano dal precedente
linea retta. Il punto sulla curva più lontano da questa nuova polilinea viene quindi scelto come
nuovo nodo per creare, rompere uno dei due segmenti precedenti e così via. Il problema
della differenza in termini di unità tra i due assi viene risolta ridimensionando entrambi
ampiezze a un intervallo tra 0 e 1. Nell'algoritmo originale, il processo è
si ferma quando la differenza tra le pendenze dei due nuovi segmenti non è più
significativo (alfa = 0.05). Poiché la pendenza è il rapporto tra la frequenza e la
ampiezza dell'intervallo corrispondente, cioè la sua densità, questo verifica efficacemente se
le frequenze delle due classi appena proposte sono diverse da quelle ottenute da
semplicemente distribuendo la somma delle loro frequenze tra loro in proporzione alla classe
ampiezze. Nell'implementazione GRASS, l'algoritmo continua, ma viene visualizzato un avviso
stampato.

ESEMPIO


Classificare la colonna pop dei comuni della mappa in 5 classi utilizzando i quantili:
v.class map=communes column=pop algo=qua nbclasses=5
Questo esempio utilizza la popolazione e l'area per calcolare la densità di popolazione e per determinare
le classi di densità:
v.class map=communes column=pop/area algo=std nbclasses=5
L'esempio seguente utilizza l'output di d.class e lo inserisce direttamente in
d.vect.thematic:
d.vect.thematic -l map=communes2 column=pop/area \
breaks=`v.class -g map=communes2 column=pop/area algo=std nbcla=5` \
colors=0:0:255,50:100:255,255:100:50,255:0:0,156:0:0

Utilizzare v.classgrass online utilizzando i servizi onworks.net


Server e workstation gratuiti

Scarica app per Windows e Linux

Comandi Linux

Ad




×
Cookie per pubblicità
❤️Fai acquisti, prenota o acquista qui: nessun costo, aiuta a mantenere i servizi gratuiti.