Mehr

Erstellen eines zufälligen Standorts innerhalb eines Netzwerks von einem bestimmten Standort und einer bestimmten Entfernung


Für eine Studie zur Habitatauswahl versuche ich, die Verfügbarkeit zu ermitteln. Meine Art lebt entlang von Gewässern und ich konnte mit dem Netzwerkanalysten Entfernungen zwischen zwei aufeinanderfolgenden Standorten bewerten (Berechnen von Entfernungen zwischen aufeinanderfolgenden Punkten entlang von Flüssen (Polygon) mit ArcGIS Desktop?).

Ich möchte einen potenziellen Standort erhalten, den das Tier in der gleichen Entfernung hätte erreichen können.

Zum besseren Verständnis: Ich habe Standort A und die Entfernung d von Standort A nach B Ich habe ein Netz von Flüssen und anderen Gewässern

Ich möchte nun den Ort C mit A als Startort und Entfernung d als Entfernung entlang des Netzwerks erhalten.

Ist das möglich und wenn ja, wie?


Ich habe die (oder eine) Lösung gefunden: Man braucht das Tool "Service Area" im Network Analyst. Zunächst müssen Sie einige notwendige Voraussetzungen erfüllen:

a) Richten Sie ein Netzwerk in Network Analyst ein. Sie müssen die Länge der Straßen/Flüsse/usw. als Attribut, das beim Einrichten des Analysten hinzugefügt wird, benennen Sie es z. B. "Distanz"

b) Sie benötigen eine Spalte in Ihrer Standortdatei, die die zu berechnende Entfernung für jeden Standort enthält (wenn Sie also mehrere Entfernungen pro Standort haben, müssen diese jeweils in einer neuen Zeile stehen), benennen Sie diese z.B. "New_Dist")

a) Öffnen Sie Network Analyst und wählen Sie "Service Area", öffnen Sie es als neue Leiste

b) Klicken Sie auf das Symbol rechts neben dem Servicebereich. Öffnen Sie "Akkumulation", Sie sehen den Namen des Attributs Länge, das Sie im Network Analyst eingerichtet haben (z. B. "Distanz"). prüfen Sie

c) Öffnen Sie "Allgemein", deaktivieren Sie "Polygone generieren" (es dauert ewig und Sie gehen Ihnen aus dem Weg)

d) Öffnen Sie "Liniengenerierung", klicken Sie auf "Linie generieren"

c) Schließen Sie es.

e) Klicken Sie auf „Einrichtungen“ und laden Sie Ihre Standorte hinein. Ich habe die ID des Ortes verwendet (nicht OBJECTID, sondern meine eigene, damit sie nicht mit anderen verwechselt wird) und füge im Feld "Breaks_Distance" das Feld mit deinen Entfernungen hinzu (z.B. "New_Dist")

f) Laden Sie es und lassen Sie es dann laufen. Es wird langsam, aber nicht sehr langsam. Das Laden der Standorte sollte recht schnell gehen. Wenn nicht, überprüfen Sie, ob Sie einen räumlichen Index haben (gehen Sie zu Katalog, öffnen Sie ihn und überprüfen Sie die Eigenschaften. Wenn kein räumlicher Index erstellt wurde, erstellen Sie ihn jetzt. Es geht VIEL schneller).

g) Exportieren Sie die Linien

h) Verbinden Sie die neue Datei mit "Facility_ID" mit dem "Service area Facility" mit "OBJECT_ID". Dies ist erforderlich, da die Zeilen selbst nur wenige Informationen enthalten, sodass Sie sie verbinden müssen.

i) Füge die neuen Spalten X und Y hinzu

j) Berechnen Sie für X = "X End of line" in "Calculate Geometry" aus der Tabelle und das Y = "Y End of Line"

k) Exportieren Sie die Tabelle als solche

l) Importieren Sie die Tabelle mit "Display X and Y" erneut ins gis und exportieren Sie sie dann als neue Datei.

m) Da sich die reale Distanz entlang der verschiedenen Möglichkeiten entlang des Netzes in Segmenten zusammensetzt, Sie aber nur den Endstandort wissen möchten, müssen Sie jetzt eine weitere Spalte in die Tabelle der neuen Datei einfügen, sie beliebig nennen, aber nehmen es als "Float". Verwenden Sie den Feldrechner, indem Sie "Break_Dis" - "ToCumul" verwenden, und wählen Sie dann nur diejenigen aus, die =<0 sind. Das sind die Orte mit der ungefähren Entfernung, die Sie haben wollten.


Wie findet man alle Nachbarn eines bestimmten Punktes in einer Delaunay-Triangulation mit scipy.spatial.Delaunay?

Ich habe nach einer Antwort auf diese Frage gesucht, aber nichts brauchbares gefunden.

Ich arbeite mit dem Python Scientific Computing Stack (scipy,numpy,matplotlib) und habe einen Satz von 2-dimensionalen Punkten, für die ich die Delaunay-Tragulation (Wiki) mit scipy.spatial.Delaunay berechne.

Ich muss eine Funktion schreiben, die bei gegebenem Punkt a alle anderen Punkte zurückgibt, die Scheitelpunkte eines Simplex (d. h. Dreiecks) sind, von denen a auch ein Scheitelpunkt ist (die Nachbarn von a in der Triangulation). Die Dokumentation für scipy.spatial.Delaunay (hier) ist jedoch ziemlich schlecht, und ich kann nicht verstehen, wie die Simplizes spezifiziert werden, sonst würde ich dies tun. Schon eine Erklärung, wie die Arrays Neighbors , Vertices und vertex_to_simplex in der Delaunay-Ausgabe organisiert sind, würde ausreichen, um mich zum Laufen zu bringen.


Sie könnten z.B. r.nextInt(101)

Für ein allgemeineres "zwischen zwei Zahlen" verwenden Sie:

Dadurch erhalten Sie eine Zufallszahl zwischen 10 (inklusive) und 100 (ausschließlich).

Angenommen, die Obergrenze ist die Obergrenze und die Untergrenze ist die Untergrenze, dann können Sie eine Zufallszahl r zwischen den beiden Grenzen bilden mit:

Wenn Sie mehr als einen Wert generieren müssen, verwenden Sie dafür einfach die for-Schleife

Wenn Sie einen anständigeren Bereich angeben möchten, z. B. von 10 bis 100 (beide liegen im Bereich)

In deinem Fall würde es ungefähr so ​​aussehen:

Java hat keinen Zufallsgenerator zwischen zwei Werten wie Python. Es braucht eigentlich nur einen Wert, um den Random zu generieren. Was Sie dann tun müssen, ist EINE BESTIMMTE NUMMER zu der generierten Nummer hinzuzufügen, wodurch die Nummer innerhalb eines Bereichs liegt. Beispielsweise:


Einführung

Location-based Service (LBS) ist eine Art Informationsdienst, der Benutzern geographische Positionen bereitstellt, die von mobilen Geräten und drahtlosen Netzwerken lokalisiert werden. In den Standortdaten sind Vermögensinformationen enthalten, wie z. B. die Interessen des Benutzers, die Hobbys des Benutzers und das Verhaltensmuster des Benutzers. LBS kann in einer Reihe von Anwendungen eingesetzt werden, darunter: standortbasierte Werbung [1], personalisierte Wetterdienste, Unterhaltung [2], Privatleben und so weiter. Eine effektive Standortvorhersage oder -empfehlung kann den Benutzern eine gute Erfahrung machen.

Die Fortschritte bei der Standorterfassung und mobilen Kommunikationstechnologien ermöglichen es den Menschen, Standortdaten mit bestehenden sozialen Online-Netzwerken auf vielfältige Weise zu nutzen. Personen können ihren aktuellen Standort teilen, Reiserouten mit GPS aufzeichnen, um Reiseerlebnisse in GeoLife zu teilen [3]. Zheng [4] gibt einen Überblick über das Trajektorien-Data-Mining, einschließlich der Trajektorien-Datenvorverarbeitung, Muster-Mining und Klassifikation, er untersucht die Verbindungen, Korrelationen und Unterschiede zwischen diesen bestehenden Techniken und es werden auch einige öffentliche Trajektorien-Datensätze vorgestellt. Zheng [5] stellt den Ansatz vor, die Top-k-Kandidatenfahrten innerhalb der unsicheren Flugbahndaten zu finden. Die historischen Daten werden verwendet, um auf die Reise zu schließen und die Unsicherheit der Flugbahn des Benutzers zu reduzieren.

Um die Erfahrung des Standortdienstes zu verbessern, ist es erforderlich, den Standort des Benutzers im Voraus zu kennen. Wenn zum Beispiel vorhergesagt werden kann, dass der Benutzer auf der Grundlage der zuvor besuchten Orte um 18:00 Uhr am Standort B erscheinen wird, kann der LBS-Anbieter die Empfehlungsinformationen oder Werbung für Restaurants am Standort B im Voraus an den Benutzer senden. Xue [6] stellt den SubSyn-Algorithmus zur Standortvorhersage vor. Die historischen Trajektoriendaten des Benutzers werden in den Satz von Subtrajektorien zerlegt, wodurch die Anzahl der Tracks und die Trainingsdatengröße erhöht werden und die Vorhersageleistung verbessert wird. Was die Track-Vorhersage anbelangt, wird die Methode des Markov-Modells [7,8] häufig verwendet und ihre zentrale Idee besteht darin, die Markov-Kette für Spekulationen aufzubauen. Der Algorithmus von SMLP (Social-aware Mobile User Location Prediction algorithm) wird von Yu [9] vorgestellt. Es integriert die Korrelation des Benutzers mit dem Markov-Modell zur Standortvorhersage. Obwohl der Algorithmus weniger Platz benötigt als das Markov-Modell, werden die Vorhersageergebnisse stark von der Bereichsaufteilung beeinflusst. Lian [10] schlägt den CEPR-Algorithmus (Collaborative Exploration and Periodically Returning Model) vor, der eine kollaborative Filtertechnik anwendet und das historische Benutzerverhalten für die Standortvorhersage und -empfehlung verwendet. Sie liefern auch die Korrelationsanalyse [11] zwischen den statistischen Informationen des Benutzers und der Vorhersagbarkeit des Standorts auf den Daten von Gowalla (https://snap.stanford.edu/data/loc-gowalla.html). Zur Umsetzung der personalisierten Fahrtempfehlung von Zhang [12] werden der Präfixbaum und die heuristische Suchstrategie übernommen. Wu [13] verwendet das Markov Random Field, um die Annotation von Standortdatensätzen und das Schicksal des Benutzers vorherzusagen. Die bessere Leistung wird erreicht, wenn mehr Benutzerdatensätze vorhanden sind. Nghia [14] verwendet eine Matrixfaktorisierung, um Merkmale auszuwählen und den Standort des Benutzers vorherzusagen. Obwohl der Algorithmus den geografischen Standort in Echtzeit vorhersagen kann, besteht ihr Datensatz aus Tweets mit vielen semantischen Informationen. Die Ergebnisse werden von den subjektiven Emotionen und Ausdrücken der Menschen beeinflusst.

Gambs [15] erweitert ein Mobilitätsmodell namens Mobility Markov Chain (MMC) um die nein zuvor besuchte Orte für die nächste Standortvorhersage. Es kann jedoch den Standort innerhalb eines Zeitintervalls nicht vorhersagen. Mathew [16] stellt eine hybride Methode zur Vorhersage der menschlichen Mobilität auf Basis von Hidden-Markov-Modellen (HMMs) vor. Sie verwenden den Vorwärtsalgorithmus, um die Wahrscheinlichkeit möglicher Sequenzen zu berechnen und die nächste Stelle aus der Sequenz mit der höchsten Wahrscheinlichkeit zurückzugeben. Aber die experimentellen Ergebnisse von GeoLife sind mit der höchsten [email protected] von 26,40 nicht zufrieden. Qiao [17] schlägt ein hybrides Markov-basiertes Vorhersagemodell vor, das drei Stufen enthält: Mobilitätsmustererkennung, Markov-Prädiktor variabler Ordnung und Ähnlichkeitsberechnung auf Basis von Mobilitätsmustern. Die menschlichen Flugbahndaten werden aus dem Datenverkehr eines LTE-Netzes (Long Term Evolution) extrahiert. Die umfangreichen experimentellen Auswertungen sollten zum Vergleich mit anderen verwandten Arbeiten an verschiedenen Datensätzen durchgeführt werden. Huang [18] schlägt ein Vorhersagemodell vor, das Aktivitätsänderungen berücksichtigt. Es wird für zwei Benutzer implementiert, die aus dem GeoLife-Datensatz ausgewählt wurden, und erhält eine Leistungsverbesserung. Die Studienergebnisse sind durch die räumliche und zeitliche Abdeckung des verwendeten Datensatzes begrenzt und sollten verwendet werden, um menschliche Bewegungen an verschiedenen Wochentagen mit besserer Datenqualität vorherzusagen.

Darüber hinaus werden auch viele andere Ansätze verwendet, um das Vorhersagemodell zu erstellen, wie z. B. das auf Assoziationsregeln basierende Verfahren [19] und so weiter. Jedoch können nicht alle diese bestehenden Strategien die Vorhersage basierend auf der Echtzeit liefern.

GeoLife(https://www.microsoft.com/en-us/download/details.aspx?id=52367) sind die am häufigsten verwendeten Daten für standortbasierte Dienste, die ein breites Spektrum an Außenbewegungen von Benutzern aufzeichnen, darunter nicht nur Lebensroutinen, aber auch einige Unterhaltungen und sportliche Aktivitäten. Dieser Trajektoriendatensatz kann in vielen Forschungsfeldern verwendet werden, wie zum Beispiel Mobility Pattern Mining, Erkennung von Benutzeraktivitäten, standortbasierte soziale Netzwerke und Standortempfehlungen.

In diesem Papier behandeln wir das Problem der Vorhersage des Standorts des Benutzers auf der kontinuierlichen Zeitreihe basierend auf den historischen Flugbahndaten und geben die Verbesserung des ursprünglichen Markov-Modells an. Die diskrete Zeitsequenz wird der kontinuierlichen Sequenz durch das Gaussian Mixture Model simuliert.


DIE ANALYSE DER RAUMFORM UND IHR VERHÄLTNIS ZUR GEOGRAPHISCHEN THEORIE

W. Bunge, „Theoretische Geographie“,Lund Studies in Geographie, Reihe C, Nr. 1 (1962), p. 171.

P. Haggett, Standortanalyse in der Humangeographie (London: E. Arnold Ltd., 1965), S. 15–16.

D. Harvey, „Verhaltenspostulate und Theoriebildung in der Humangeographie“,Seminararbeit Serie A, Nr. 6 (Bristol, England: Department of Geography, University of Bristol, 1967), S. 7–8.

F. Lukermann, Geographie unter den Wissenschaften (vervielfältigt, Minneapolis/Kalamata, 1964), p. 26.

Diese konventionelleren Ansätze zur statistischen Analyse werden in L. J. King, Statistische Analyse in Geographie (Englewood Cliffs: Prentice-Hall Inc., 1969).

Einführungen in die euklidische Geometrie werden in Texten wie H. S. M. Coxeter, Einführung in die Geometrie (New York: John Wiley and Sons, Inc., 1961) H. G. Forder, Geometrie (London: Hutchinsons Universitätsbibliothek, 1950).

Bachi, R., „Standard-Entfernungsmaße und verwandte Methoden für die räumliche Analyse“, Papers, Regional Science Association, Vol. 2, No. 10 ( 1963 ), S. 83 – 132 .

Siehe, D. M. Y. Somerville, Eine Einführung in die Geometrie von N Dimensionen (New York: Dover Publications, 1958), auch H. H. Harman, Moderne Faktorenanalyse (Chicago: The University of Chicago Press, 1962), Kapitel 4.

K. J. Dueker, „Raumdatensysteme“,Technische Berichte Nr. 4, 5, 6, Stadt- und Verkehrsinformationssysteme (Evanston, Illinois: Geographisches Institut, Northwestern University, 1966).

Weitere Erläuterungen zu Geodaten und Koordinatensystemen finden Sie in W. R. Tobler, „Geographical Coordinate Computations: Part I: General Considerations“,Technischer Bericht Nr. 2, ONR Task No. 389–137, Contract Nonr 1224(48) (Ann Arbor: Department of Geography, University of Michigan, 1964) M. B. Teitz, Landnutzungsinformationen für die kalifornische Regierung: Klassifizierung und Bestandsaufnahme (Berkeley: Institute of Urban and Regional Development, 1965) D. F. Cooke und W. H. Maxfield, Die Entwicklung einer geografischen Basisdatei und ihre Verwendung für die Kartierung (Beitrag präsentiert auf der Jahrestagung der Urban and Regional Information Systems Association, New York, 1967) T. Hägerstrand, „The Computer and the Geographer“,Transaktionen und Papiere, Institute of British Geographers, Nr. 42 (1967), S. 1–19.

J. S. Bendat und A. G. Piersol, Messung und Analyse von Zufallsdaten (New York: John Wiley and Sons, Inc., 1966), Kapitel 1.

J. W. Harbaugh und F. W. Preston, „Fourier Series Analysis in Geology“, in B. J. L. Berry und D. F. Marble (Hrsg.), Räumliche Analyse (Englewood Cliffs, N. J.: Prentice-Hall, Inc., 1968), S. 218–38.

Harbaugh und Preston, op. zit., Fußnote 12, S. 233.

Horn, L.H. und Bryson, R.A., „Harmonische Analyse des jährlichen Niederschlagsmarsches“, Annals, Association of American Geographers, Bd. 50 (1960), S. 157 – 71 Sabbagh, M. E. und Bryson, R. A., „Aspects of the Precipitation Climatology of Canada Investigated by the Method of Harmonic Analysis“, Annals, Association of American Geographers, Bd. 52 (1962), S. 426 – 40 Peixoto, J.P., Saltzman, B. und Teweles, S., „Harmonische Analyse der Topographie entlang der Parallelen der Erde“, Journal Geophysical Research, Bd. 69 (1964), S. 1501 – 05 siehe auch Stone, R. O. und Dugundji, J., „A Study of Microrelief – Its Mapping, Classification, and Quantification by Means of a Fourier Analysis“, Engineering Geology, Vol. 6, No. 1 ( 1965 ), S. 89 – 187 .

Casetti, E., „Analyse der räumlichen Assoziation durch trigonometrische Polynome“, Canadian Geographer, Vol. 2, No. 10 (1966), S. 199 – 204.

W. R. Tobler, „Numerical Map Generalization and Notes on the Analysis of geographical Distributions“,Diskussionspapier Nr. 8 (Ann Arbor: Michigan Interuniversitäre Gemeinschaft mathematischer Geographen, 1966).

Warntz, W. und Neft, D. S., „Beiträge zu einer statistischen Methodik für Flächenverteilungen“, Journal of Regional Science, Vol. 2, No. 2 (1960), S. 47 – 66 D. S. Neft, „Statistical Analysis for Areal Distributions“,Monographie-Reihe, Nr. 2 (Philadelphia: Regional Science Research Institute, 1967).

W. Warntz, Auf dem Weg zu einer Geographie des Preises: Eine Studie in Geoökonometrie (Philadelphia: University of Pennsylvania Press, 1959) W. Warntz, „Macrogeography and Income Fronts“,Monographie-Reihe, Nr. 3 (Philadelphia: Regional Science Research Institute, 1965).

Dies ist beispielsweise bei Clark, C., „Urban Population Densities“, Journal Royal Statistical Society, Series A, Bd. 114 (1951), S. 490 – 96 Berry, B. J. L., Simmons, J. W. und Tennant, R. J., „Urban Population Densities: Structure and Change“, Geographical Review, Vol. 2, No. 53 ( 1963 ), S. 389 – 405 .

M. F. Dacey, „Ein stochastisches Modell der Wirtschaftsregionen“,Diskussionspapier Nr. 4 (Evanston, Illinois: Geographisches Institut, Northwestern University, 1965).

Siehe A. Gericht, Bevölkerungsverteilungen und Selbstpotential (Northridge, Calif.: Dept. of Geography, San Fernando Valley State College, 1966, mimeo.) 8 ( 1967 ), S. 722 – 30 .

Dacey, M. F., „Zweidimensionale zufällige Punktmuster: eine Überprüfung und eine Interpretation“, Papers, Regional Science Association, Vol. 2, No. 13 (1964), S. 41 – 55.

Dacey, M. F., „Modified Poisson Probability Law for Point Pattern More Regular than Random“, Annals, Association of American Geographers, Vol. 2, No. 54 (1964), S. 559 – 65.

Dacey, M. F., „Ordnungsabstand in einem inhomogenen zufälligen Punktmuster“, Canadian Geographer, Vol. 2, No. 9 ( 1965 ), S. 144 – 153 .

Dacey, M. F., „Ein zusammengesetztes Wahrscheinlichkeitsgesetz für ein Muster, das mehr verteilt als zufällig und mit flächenhafter Inhomogenität ist“, Economic Geography, Vol. 2, No. 42 (1966), S. 172 – 79.

D. Harvey, „Einige methodische Probleme bei der Verwendung des Neyman-Typs A und der negativen binomialen Wahrscheinlichkeitsverteilungen für die Analyse von räumlichen Punktmustern“,Transaktionen und Papiere, Institute of British Geographers, Nr. 44 (1968), S. 85–99 M. F. Dacey, Eine empirische Studie zur flächenhaften Verteilung von Häusern in Puerto Rico (Evanston, Illinois: Department of Geography, Northwestern University, mimeo. 1967).

Zum Beispiel Kulldorff, G., „Migration Probabilities“, Lund Studies in Geography, Series B, Bd. 14 (1955), 45 S. Morrill, R.L. und Pitts, F.R., „Marriage, Migration, and the Mean Information Field: A Study in Uniqueness and Generality“, Annals, Association of American Geographers, Bd. 57 ( 1967 ), S. 401 – 22 .

Für die Ergebnisse bezüglich der Gammaverteilung von Entfernungen siehe Dacey, M. F., „Order Neighbor Statistics for a Class of Random Patterns in Multidimensional Space“, Annals, Association of American Geographers, Vol. 2, No. 53 ( 1963 ), S. 505 – 15 die anderen Ergebnisse sind in Technische Berichte, Nr. 3, 5, 6, Geographical Information Systems Project (Evanston, Illinois: Department of Geography, Northwestern University, 1965).

Siehe P. Greig-Smith, Quantitative Pflanzenökologie (London: Butterworths, 1964, 2. Aufl.) Holgate, P., „Tests of Randomness Based on Distance Methods“, Biometrika, Vol. 2, No. 52 (1965), S. 345 – 53 O. Persson, „Distanzmethoden“,Studia Forestalia Suecica, Nr. 15, 1964, 68 pp. Burns, M. A., „Über die räumliche Verteilung von Foraminiferen“, Beiträge der Cushman Foundation for Foraminiferal Research, Bd. 19 ( 1968 ), S. 1 – 11 W. G. Warren, Beiträge zur Erforschung räumlicher Punktprozesse (Unveröffentlichte Dissertation, University of North Carolina, 1962) Fairthrone, D., „Die Entfernungen zwischen zufälligen Punkten in zwei konzentrischen Kreisen“, Biometrie, Vol. 2, No. 51 (1964), S. 275 – 77.

Siehe zum Beispiel Goodall, D.W., „Plotless Tests of Interspecific Association“, Journal of Ecology, Bd. 53 ( 1965 ), S. 197 – 210 .

Siehe zum Beispiel Berg, W. F., „Aggregates in One and Two-Dimensional Random Distributions“, Philosophical Magazine Series 7, Bd. 36 ( 1945 ), p. 337 Mack, C., „Die erwartete Anzahl von Aggregaten in einer zufälligen Verteilung von n Punkten“, Proceedings Cambridge Philosophical Society, Vol. 2, No. 46 (1950), S. 285 – 92 Naus, J., „Clustering of Random Points in Two Dimensions“, Biometrika, Vol. 4, No. 52 ( 1965 ), S. 263 – 67 .

Bendat und Piersol, op. zit., Fußnote 11, S. 19. Die hier angegebene Funktion sollte wahrscheinlich im engeren Sinne als Autokovarianzfunktion bezeichnet werden, siehe hierzu die Ausführungen von Curry, L., „Central Places in the Random Spatial Economy“, Journal of Regional Science, Vol. 2, No. 7 (1967), p. 220 .

Matern, B., „Räumliche Variation“, Meddelanden Fran Statens Skogsforskningsinstitut, Vol. 2, No. 49 (1960), 144 S.

W. R. Tobler, Das Spektrum von US 40 (Ann Arbor: Department of Geography, University of Michigan, 1967, Mimeo.) R. A. Bryson und J. A. Dutton, „The Variance Spectra of Certain Natural Series“, in W. L. Garrison und D. F. Marble (Hrsg.), Quantitative Geographie (Evanston, Ill.: Northwestern University, Department of Geography, 1967), S. 1–24.

Whittle, P., „Über die Variation der Ertragsvarianz mit der Grundstücksgröße“, Biometrie, Vol. 2, No. 43 (1956), S. 337 – 43 Whittle, P., „Topographische Korrelation, Potenzgesetz-Kovarianzfunktionen und Diffusion“, 49 ( 1962 ), S. 305 – 14 .

Bendat und Piersol, op. zit., Fußnote, 11, S. 22.

Siehe zum Beispiel D. R. Cox und P. A. W. Lewis, Die statistische Analyse von Ereignisreihen (London: Methuen and Co. Ltd., 1966) G. M. Jenkins und D. G. Watts, Spektralanalyse und ihre Anwendungen (San Francisco: Holden-Day, Inc., 1968).

Pincus, M. J. und Dobrin, M. B. Geological Application of Optical Data Processing “Journal of Geophysical Research, Vol. 2, No. 71 (1966), S. 4861 – 69 Bauer, A., Fontanel, A. und Grau, G., „The Application of Optical Filtering in Coherent Light to the Study of Aerial Photographs of Greenland Glaciers“, Journal of Glaciology, vol. 6 (1967), S. 781 – 93.

Tobler, op. zit., Fußnote 16. Eine neuere Diskussion linearer Gewichtungsfunktionen als diskrete Frequenzfilter findet sich in W. R. Tobler, „Of Maps and Matrices“,Zeitschrift für Regionalwissenschaften, vol. 7, Nr. 2, Supplement (1967), S. 275–80.

Dougherty, E. L. und Smith, S. T. The Use of Linear Programming to Filter digitalized Map Data“, Geophysics, Vol. 2, No. 31 (1966), S. 253 – 59.

Darby, E. K. und Davies, E. B. Die Analyse und das Design von zweidimensionalen Filtern für zweidimensionale Daten “Geophysical Prospecting, Vol. 2, No. 15 (1967), S. 383 – 406.

Siehe zum Beispiel ihre Aussagen: Curry, L., „A Note on Spatial Association“, The Professional Geographer, Bd. 18 (1966), S. 97 – 99 Curry, L., „Quantitative Geography“, The Canadian Geographer, Vol. 18, No. 2 (1967), S. 265 – 79 J. N. Rayner, „Correlation Between Surfaces by Spectral Methods“, in D. F. Merriam und N. C. Cooke (Hrsg.), „Computer Applications in the Earth Sciences: Colloquium on Trend Analysis“,Computerbeitrag 12 (Kansas Geological Survey, 1967), S. 31–37 W. R. Tobler, „Spectral Analysis of Spatial Series“,Verfahren, Vierte Jahreskonferenz über Stadtplanungsinformationssysteme und -programme (Berkeley, 1966), S. 179–85.

R. A. Bryson und J. A. Dutton, „Die Varianzspektren bestimmter natürlicher Reihen“,op. zit., Fußnote 34 Rayner, J. N. , „Ein statistisches Modell für die erklärende Beschreibung von großräumiger Zeit und räumlichem Klima“, Canadian Geographer, Vol. 2, No. 11 ( 1967 ), S. 67 – 86 Tobler, op. zit., Fußnote 34.

Bartlett, M.S., „The Spectral Analysis of Two-Dimensional Point Processes“, Biometrie, Vol. 2, No. 51 (1964), S. 299 – 311 Gudmundsson, G., „Spektralanalyse magnetischer Vermessungen“, The Geophysical Journal, Vol. 5, No. 13 (1967), S. 325 – 37 Hannan, E. J., „Spektralanalyse für geophysikalische Daten“, The Geophysical Journal, Bd. 11 (1966), S. 225 – 36 Leese, J. A. und Epstein, E. S. Application of Two-Dimensional Spectral Analysis to the Quantification of Satellite Cloud Photographs“, Journal of Applied Meteorology, Vol. 11, No. 2 ( 1963 ), S. 629 – 44 Pierson, W. F. et al, „Das Richtungsspektrum eines winderzeugten Meeres, wie es aus Daten bestimmt wird, die vom Stereo Wave Observation Project erhalten wurden“, New York University Meteorological Papers, Vol. 2, No. 2 (1960) F. W. Preston, „Two-Dimensional Power Spectra for Classification of Land Forms“, in D. F. Merriam (Hrsg.), „Computer Applications in the Earth Sciences Colloquium on Classification Procedures“,Computerbeitrag 7 (Kansas Geological Survey, 1966), S. 64–69 Priestely, M. B., „The Analysis of Two-Dimensional Stationary Processes with Discontinuous Spectra“, Biometika, Vol. 2, No. 51 ( 1964 ), S. 195 – 217 .

Tobler, op. zit., Fußnote 34.

Clark, C., „Städtische Bevölkerungsdichten“, Journal Royal Statistical Society Series A, Bd. 114 (1951), S. 490 – 96 Berry, B.J.L. et al, " Städtische Bevölkerungsdichten: Struktur und Wandel " Geographical Review , Vol. 2, No. 53 ( 1963 ), S. 389 – 405 .

B. E. Neuling, Städtische Bevölkerung: Die Mathematik von Struktur und Prozessen (Beitrag auf der Tagung der Association of American Geographers, St. Louis, 1967).

W. C. Krumbein und F. A. Graybill, Eine Einführung in statistische Modelle in der Geologie (New York: McGraw-Hill Book Co., 1965), S. 319–57.

F. K. Hare, „The Quantitative Representation of the North Polar Pressure Fields“, in Symposium Polare Atmosphäre: Teil I, Meteorologie (New York: Pergamon Press, 1958).

R. J. Chorley und P. Haggett, „Trend Surface Mapping in Geographical Research“,Transaktionen und Papiere, Institute of British Geographers, Nr. 37 (1965), S. 47–67.

P. Gould, „Auf mentalen Karten“,Diskussionspapier Nr. 9 (Ann Arbor: MICMAG, 1966) K. J. Fairbairn und G. Robinson, Eine Anwendung von Trend-Surface-Mapping auf die Verteilung von Residuen aus einer Regression (Melbourne, Australien: Monash University, 1967 Mimeo.) P. Haggett, Trend Surface Mapping in interregionalen Vergleichen (Beitrag bei European R. S. A., Den Haag, 1967).

W. R. Tobler, Kommentare zur geografischen Trendanalyse (Ann Arbor: Institut für Geographie, University of Michigan, 1968, Mimeo.).

E. Casetti und R. K. Semple, „A Method for the Stepwise Separation of Spatial Trends“,Diskussionspapier Nr. 11 (Ann Arbor: MICMAG, 1968).

Casetti und Semple, op. zit., Fußnote 53, S. 4.

W. Warntz, „Distanz- und Landwerte als Daten zur Einführung von Problemen im Zusammenhang mit räumlich stetigen Feldern von Korrelationskoeffizienten“,Harvard Papers in Theoretischer Geographie, Nr. 10 (1968).

Orloci, L., „Geometrische Modelle in der Ökologie I“, Journal of Ecology, Vol. 2, No. 54 (1966), S. 193 – 215.

J. Imbrie, „Faktor- und Vektoranalyseprogramme zur Analyse geologischer Daten“,Technischer Bericht Nr. 6, Computer Applications in the Earth Sciences Project (Evanston, Illinois: Department of Geography, Northwestern University, 1963).

P. R. Gould, „Über die geographische Interpretation von Eigenwerten“,Transaktionen und Papiere, Institute of British Geographers, Nr. 42 (1967), S. 53–86.

Kutzbach, J. E., „ Empirische Eigenvektoren des Meeresspiegeldrucks, der Oberflächentemperatur und der Niederschlagskomplexe über Nordamerika“, Journal of Applied Meteorology, Vol. 2, No. 6 (1967), S. 791 – 802.

R. N. Shepard und J. D. Carroll, „Parametric Representation of Nonlinear Data Structures“, in P. R. Krishnaiah (Hrsg.), Multivariate Analyse (New York: Academic Press, 1966), S. 561–92.

A. Rosenfeld, „Bildverarbeitung“,Proz. Dritte Jahreskonferenz zu Stadtplanungsinformationssystemen und -programmen (Chicago, 1965), S. 49–52 siehe auch G. C. Cheng et al. (Hrsg.), Bildmustererkennung (Washington, D.C.: Thompson Book Co., 1968) A.G. Arkadev und E.M. Braverman, Computer und Mustererkennung (Washington, D.C.: Thompson Book Co., 1967).

P. Haggett, „Network Models in Geography“, in R. J. Chorley und P. Haggett (Hrsg.), Modelle in Geographie (London: Methuen and Co. Ltd., 1967), S. 656–62.

Tobler, W., „Geographical Filters and their Inverses“, Geographical Analysis, Vol. 2, No. 1 ( 1969 ) J. Rayner, Die Anwendung von Fourier-Techniken in der Geographie (Beitrag präsentiert auf der Jahrestagung, Association of American Geographers, Washington, D.C., 1968).

siehe Ward, J. H., „Hierarchical Grouping to Optimize an Objective Function“, Journal American Statistical Association, Vol. 2, No. 58 ( 1963 ), S. 236 – 44 Friedman, H. P. und Rubin, J. On Some Invariant Criteria for Grouping Data , Journal American Statistical Association , Vol. 5, No. 62 (1967), S. 1159 – 78 B. J. L. Berry, „The Mathematics of Economic Regionalization“,Verfahren, Brünner Konferenz über wirtschaftliche Regionalisierung (Brno, 1967) Lankford, P. M., „Regionalisierung: Theorie und alternative Algorithmen“, Geographical Analysis, Vol. 2, No. 1 ( 1969 ).

T. W. Anderson, Einführung in die multivariate statistische Analyse (New York: John Wiley and Sons, Inc., 1958), Kap. 6.

G. S. Sebestyen, Entscheidungsprozesse in der Mustererkennung (New York: The Macmillan Co., 1962) W. H. Highleyman, „Linear Decision Functions with Application to Pattern Recognition“,Verfahren IRE (1962), S. 1501–14 E. Casetti, „Classificatory and Regional Analysis by Discriminant Iterations“,Technischer Bericht Nr. 12, Computer Applications in the Earth Sciences Project (Evanston, Illinois: Dept. of Geography, Northwestern University, 1964).

M. F. Dacey, „Die Geometrie der Theorie des zentralen Ortes“,Geografiska Annaler, vol. 47B (1965), S. 111–24.

Dacey, op. zit., Fußnote 67, S. 113.

M. J. Woldenberg, „Räumliche Ordnung in Flusssystemen: Hortonsche Gesetze, abgeleitet von gemischten sechseckigen Hierarchien von Entwässerungsbeckenbereichen“,Harvard Papers in Theoretischer Geographie, Nr. 13 (1968) Woldenberg, M.J., „Energiefluss und räumliche Ordnung. Gemischte sechseckige Hierarchien zentraler Orte ”, Geographical Review , Vol. 2, No. 58 ( 1968 ), S. 552 – 74 .

Renyi, A., „On a One-dimensional Problem Concerning Random Space-Filling“, Selected Translations in Mathematical Statistics and Probability, Vol. 2, No. 4 (1963) Capobianco, M. F., „Verwenden von Wahrscheinlichkeiten zum Vergleichen von Parkdisziplinen“, Traffic Quarterly, Bd. 22 (1968), S. 137 – 44.

Gilbert, E. N., „Die Wahrscheinlichkeit, eine Kugel mit N kreisförmigen Kappen zu bedecken“, Biometrie, Vol. 2, No. 52 (1965), S. 323 – 30 Marcus, A. H., „Eine multivariate Einwanderung mit multiplem Todesprozess und Anwendungen auf Mondkrater“, Biometika, Bd. 54 (1967), S. 251 – 61 Marcus, A. H., „Ein stochastisches Modell der Bildung und des Überlebens von Mondkratern, I. Die Verteilung des Durchmessers von sauberen Kratern“, Icarus, Bd. 3 (1964), S. 460 – 72 Verpackungsprobleme wurden auch in Moran, P. A. P., „A Note on Recent Research in Geometrical Probability“, Journal Applied Probability, Bd. 3 (1966), S. 453 – 63.

Marcus, A. H., „A Stochastic Model of the Formation and Survival of Lunar Craters, II. Ungefähre Verteilung des Durchmessers aller beobachtbaren Krater”, Icarus, Vol. 2, No. 5 (1966), S. 165 – 77.

P. R. Gould, „Space Searching Procedures in Geography and the Social Sciences“,Arbeitspapiere Nr. 1 (Honolulu: Social Science Research Institute, Univ. of Hawaii, 1966).

Guter, R.S., „Über die Wahrscheinlichkeit der Erkennung einer Region durch eine lineare Suche“, Theory of Probability and its Applications, Bd. 9 ( 1964 ), S. 331 – 33 .

Wolpert hat in einigen seiner Schriften zu Konflikt- und Standortentscheidungen auf Probleme wie die differenzierte Beeinflussung von Wohngruppen von Autobahnlagen J. Wolpert, Abweichungen von der üblichen Umgebung in der Standortanalyse (Beitrag vom Kansas Center for Regional Studies, Univ. of Kansas, 1967) Fragen der Suche und Kontaktwahrscheinlichkeiten können in diesem Zusammenhang relevant sein.

J. Neyman und E. L. Scott, „A Stochastic Model of Epidemics“, in J. Gurland (Hrsg.), Stochastische Modelle in Medizin und Biologie (Madison: Univ. of Wisconsin Press, 1964), S. 45–83.

L. Brown, „Modelle für die räumliche Diffusionsforschung – ein Rückblick“,Technischer Bericht Nr. 3, Spatial Diffusion Study (Evanston, Ill.: Dept. of Geography, Northwestern University, 1965).

Haggett, op. zit., footnote 62.

P. Haggett, “An Extension of the Horton Combinatorial Model to Regional Highway Networks,”Zeitschrift für Regionalwissenschaften, vol. 7, No. 2, Supplement (1967), pp. 281–90.

Werner, C. , “ The Law of Refraction in Transportation Geography: Its Multivariate Extension ,” Canadian Geographer , Vol. 12 ( 1968 ), pp. 28 – 40 .

M. F. Dacey, “Description of Line Patterns,” in Garrison and Marble, op. zit., footnote 34, pp. 277–87.

Gauthier, H. L. , “ Transportation and the Growth of the São Paulo Economy ,” Journal of Regional Science , Vol. 8 ( 1968 ), pp. 77 – 94 .

See for example, Smith, T. E. , “ Spatial Stochastic Process Models—A Method of Analyzing Spatial Point Phenomena ,” Papers and Proceedings Japan Section R. S. A. , Vol. 2 ( 1967 ), pp. 19 – 30 .

J. C. Hudson, Maps and Spatial Processes Describable with Markov Chains (Grand Forks: Dept. of Geography, Univ. of North Dakota, 1966, mimeo.).

D. W. Harvey, “Geographical Processes and the Analysis of Point Patterns,”Transactions and Papers, Institute of British Geographers, No. 40 (1966), p. 93.

Morgan, R. W. and Welsh, D. J. A. , “ A Two-Dimensional Poisson Growth Process ,” Journal Royal Statistical Society Ser. B , Vol. 27 ( 1965 ), pp. 497 – 504 .

M. A. Geisler, W. W. Haythorn, and W. A. Steger, “Simulation and the Logistics Systems Laboratory,”Rand Memorandum, RM-3281-PR (1962), p. 6.

T. Hägerstrand, Innovationsförloppet ur Korologisk Synpunkt (Lund, Sweden: C. W. K. Gleerup, 1953) W. L. Garrison, “Toward Simulation Models of Urban Growth and Development,”Lund Studies in Geography B, No. 24 (1962), pp. 91–108.

For example, Morrill, R. L. , “ The Development of Spatial Distributions of Towns in Sweden: An Historical-Predictive Approach ,” Annals , Association of American Geographers, Vol. 53 ( 1963 ), pp. 1 – 14 E. J. Taaffe et al, The Peripheral Journey to Work: A Geographic Consideration (Evanston, Ill.: North-western University Press, 1963).

Skellam, J. G. , “ Random Dispersal in Theoretical Populations ,” Biometrika , Vol. 38 ( 1951 ), pp. 196 – 218 .

See for example, A. E. Scheidegger, Theoretical Geomorphology (Berlin: Springer-Verlag, 1961).

K. E. F. Watt, Ecology and Resource Management (New York: McGraw-Hill Book Co., 1968), p. 261.

For an example of the use of such systems in a spatial in a problem, see, J. S. de Cani, “On the Construction of Stochastic Models of Population Growth and Migration,”Zeitschrift für Regionalwissenschaften, vol. 3, No. 2 (1961), pp. 1–13.

Newling, op. zit., footnote 47.

E. Casetti and G. J. Demko, “A Diffusion Model of Fertility Decline: An Application to Selected Soviet Data, 1940–65,” forthcoming in Demography. An alternative approach in which the coefficients of a logistic growth model are written as functions of distance is illustrated in, Casetti, E. and Semple, R. K. , “ Concerning the Testing of Spatial Diffusion Hypotheses ,” Geographical Analysis , Vol. 1 ( 1969 ).

Hyperbolic geometry is associated mainly with the work of Bolyai and Lobachevsky elliptic geometry with that of Gauss, Riemann, and Klein. H. S. M. Coxeter, Non-Euclidean Geometry (Toronto: University of Toronto Press, 3rd ed., 1967).

See, Coxeter, op. zit., footnote 96 H. Meschkowski, Noneuclidean Geometry (New York: Academic Press, Inc., 1964) S. Kulczycki, Non-Euclidean Geometry (New York: Pergamon Press, Inc., 1961).

P. G. Bergmann, The Riddle of Gravitation (New York: Charles Scribner's Sons, 1968), p. 68.

Bergmann, op. zit., footnote 98, p. 66, notes that in the Minkowski universe, “Lorentz frames are the analogs of the Cartesian coordinate systems of ordinary geometry. Their axes, both space and time, are all straight lines. …”

See J. L. Coolidge, A History of Geometrical Methods (Oxford: Clarendon Press, 1940, and New York: Dover Publication, Inc., 1963), pp. 355–56.

Coolidge, op. zit., footnote 100, pp. 355–87.

Coolidge, op. zit., footnote 100, pp. 410–16.

R. K. Luneburg, Mathematical Analysis of Binocular Vision (Princeton: Princeton University Press, 1947).

Luneburg, op. zit., footnote 103.

Blank, A. A. , “ Axiomatics of Binocular Vision. The Foundations of Metric Geometry in Relation to Space Perception,” and “Analysis of Experiments in Binocular Space Perception ,” Journal Optical Society of America , Vol. 48 ( 1958 ), pp. 328 – 34 , 911–28 Roberts, F. and Suppes, P. Some Problems in the Geometry of Visual Perception ,” Synthese , Vol. 17 ( 1967 ), pp. 173 – 201 Hoffman, W. C. , “ The Lie Algebra of Visual Perception ,” Journal of Mathematical Psychology , Vol. 3 ( 1966 ), pp. 65 – 98 .

M. D. Vernon (Ed.), Experiments in Visual Perception (Harmondsworth, England: Penguin Books, Ltd., 1966).

G. F. White (Ed.), “Papers on Flood Problems,”Research Paper No. 70 (Chicago: Department of Geography, University of Chicago, 1961) R. W. Kates, “Stimulus and Symbol: The View from the Bridge,”Journal of Social Issues, vol. 22, No. 4 (1966), pp. 21–28 T. F. Saarinen, “Perception of the Drought Hazard on the Great Plains,”Research Paper No. 106 (Chicago: Department of Geography, University of Chicago, 1966) J. Wolpert, “Migration as an Adjustment to Environmental Stress,”Journal of Social Issues, vol. 22, No. 4 (1966), pp. 92–102 D. Lowenthal (Ed.), “Environmental Perception and Behavior,”Research Paper No. 109 (Chicago: Department of Geography, University of Chicago, 1967).

K. Lynch, The Image of The City (Cambridge: M.I.T. Press, 1960) Gould, op. zit., footnote 51.

Tobler, W. R. , “ Geographic Area and Map Projections ,” Geographical Review , Vol. 53 ( 1963 ), pp. 59 – 78 .

See for example, Kruskal, J. B. , “ Multidimensional Scaling by Optimizing Goodness of Fit to a Nonmetric Hypothesis ,” Psychometrika , Vol. 29 ( 1964 ), pp. 1 – 27 Shepard, R. N. , “ The Analysis of Proximities: Multidimensional Scaling with an Unknown Distance Function ,” Psychometrika , Vol. 27 ( 1962 ), pp. 125 – 40 , 219–46 Shepard, R. N. , “ Metric Structures in Ordinal Data ,” Journal of Mathematical Psychology , Vol. 3 ( 1966 ), pp. 287 – 315 W. S. Torgerson, Theory and Methods of Scaling (New York: John Wiley and Sons, Inc., 1958) Torgerson, W. S. , “ Multidimensional Scaling of Similarity ,” Psychometrika , Vol. 30 ( 1965 ), pp. 379 – 93 see also, Attneave, F. , “ Dimensions of Similarity ,” American Journal of Psychology , Vol. 63 ( 1950 ), pp. 516 – 56 Krantz, D. H. , “ Rational Distance Functions for Multidimensional Scaling ,” Journal of Mathematical Psychology , Vol. 4 ( 1967 ), pp. 226 – 45 .

See G. H. Hardy et al, Ungleichungen (Cambridge, England: The University Press, 1952).

Shepard and Carroll, op. zit., footnote 60.

Hare, op. zit., footnote 49.

Hannan, op. zit., footnote 44 Lee, W. H. K. and Kaula, W. M. , “ A Spherical Harmonic Analysis of the Earth's Topography ,” Journal of Geophysical Research , Vol. 72 ( 1967 ), pp. 753 – 58 .

Kaula, W. M. , “ Theory of Statistical Analysis of Data Distributed over a Sphere ,” Reviews of Geophysics , Vol. 5 ( 1967 ), pp. 83 – 107 .

Tobler, op. zit., footnote 109, p. 59.

Tobler, op. zit., footnote 109, p. 59.

W. R. Tobler, The Geometry of Geography (Presentation at Faculty-Graduate Seminar, Univ. of Michigan, Winter 1968).

A. Delachet, Contemporary Geometry (New York: Dover Publications, Inc., 1962), p. 47.

Delachet, op. zit., footnote 119, pp. 63–66.

Bunge, op. zit., footnote 1, pp. 183–95.

G. Olsson, “Geography 1984,”Bristol Seminar Paper Series, No. 7A (1967).

Dacey, M. F. , “ A Probability Model for Central Place Locations ,” Annals , Association of American Geographers, Vol. 56 ( 1966 ), pp. 550 – 68 .

Harvey, op. zit., footnote 3, p. 8.

Dacey, M. F. , “ A County-Seat Model for the Areal Pattern of an Urban System ,” Geographical Review , Vol. 56 ( 1966 ), p. 542 .

L. Curry, “Central Places in the Random Spatial Economy,”Zeitschrift für Regionalwissenschaften, vol. 7, No. 2, Supplement (1967), p. 219.

See for example, R. G. Golledge, The Geographical Relevance of Some Learning Theories (Paper presented at Association of American Geographers, annual meeting, Washington, D. C., 1968) Wolpert, op. zit., footnote 75.

For example, Casetti, E. , “ Urban Population Density Patterns: An Alternate Explanation ,” Canadian Geographer , Vol. 11 ( 1967 ), pp. 96 – 100 R. G. Golledge, “Conceptualizing the Market Decision Process,”Zeitschrift für Regionalwissenschaften, vol. 7, No. 2, Supplement (1967), pp. 239–58.

Curry, op. zit., footnote 126, p. 236.

L. Curry, Geographical Dynamics and the Central Place Problem (Paper given at NSF Conference on Urban Geography Models, Cincinnati, 1968).

T. Hägerstrand, Innovation Diffusion as a Spatial Process, translated by A. Pred (Chicago: University of Chicago Press, 1967).

Dacey, op. zit., footnote 125, and op. zit., footnote 123.

A. Pred, “Behavior and Location,”Lund Studies in Geography, No. 27B (1967).

Pred, op. zit., footnote 133, p. 31.

It is informative to review some of the more recent work in ecology in which there are analogous attempts, although somewhat greater progress, at theorizing about animal behavior and spatial patterns. See, R. H. MacArthur and E. O. Wilson, “The Theory of Island Biogeography,”Monographs in Population Biology, No. 1 (Princeton, N. J.: Princeton University Press, 1967) R. Levins, “Evolutions in Changing Environments, Some Theoretical Explorations,”Monographs in Population Biology, No. 2 (Princeton, N. J.: Princeton University Press, 1968).

Abstrakt

ABSTRACT An interest in the relations between geography and geometry has been a continuing theme in geographic studies. A review of current research which is consistent with this theme reveals a greater emphasis now on the mathematics of spatial patterns and the properties of the geometries which are assumed. A challenge for geography is to combine this interest in geometries with the work on human behavior over space and to develop process theories from which the spatial patterns can be deduced.


The Geography of Logistics Firm Location: The Role of Accessibility

The organization of modern economies is built upon an efficient transport system and an increasing role is played by the logistics sector in overcoming the constraints of time and distance in modern supply chains. While a large body of literature is dedicated to the spatial distribution of firms and firm location choice in general, surprisingly little is still known about the location patterns of logistics firms, and more specifically about the role of accessibility in their location decisions. We use geo-referenced firm level data along with detailed information on transport infrastructure in order to investigate the geography of logistics firms in Spain. We place specific attention to the relationship between logistics firm location, accessibility, and urban structure. Our results show that these firms are located closer to highways and other transport infrastructure compared to other sectors and that the logistics sector is highly urbanized. Yet, they are also locating increasingly in suburban locations and to some extent in extra-urban locations with good accessibility while central cities of urban areas have experienced a declining share of logistics firms.

This is a preview of subscription content, access via your institution.


Data residency in Azure

Azure has more global regions than any other cloud provider—offering the scale and data residency options you need to bring your apps closer to your users around the world.

As a customer, you maintain ownership of customer data—the content, personal and other data you provide for storing and hosting in Azure services. You are also in control of any additional geographies where you decide to deploy your solutions or replicate your data.

Where a service's functionality requires global data replication, details are available below.

Microsoft secures your data using multiple layers of security and encryption protocols. Get an overview of how Microsoft uses encryption to secure your data.

By default, Microsoft Managed Keys protect your data, and customer data that persists on any physical media is always encrypted using FIPS 140-2 compliant encryption protocols. Customers can also employ customer-managed keys (CMK), double encryption and/or hardware security modules (HSM) for increased data protection.

All data traffic moving between datacenters is protected using IEEE 802.1AE MAC Security Standards, preventing physical "man-in-the-middle" attacks. To maintain resiliency, Microsoft uses variable network paths that sometimes cross Geo boundaries but replication of customer data between regions is always transmitted over encrypted network connections.

Additionally, to minimize privacy risk, Microsoft generates pseudonymous identifiers that enable Microsoft to offer a global cloud service (including operating and improving services, billing, and fraud protection). In all cases, pseudonymous identifiers cannot be used to directly identify an individual, and access to the customer data that identifies individuals is always protected as described above.

All Azure services can be used in compliance with the GDPR. If customers using Azure services choose to transfer content containing personal data across borders, they will need to consider the legal requirements that apply to such transfers. Microsoft provides customers with services and resources to help them comply with GDPR requirements that may apply to their operations.

Some Microsoft online services share data with third parties acting as its subprocessors. The publicly disclosed Microsoft Online Services Subprocessors List identifies subprocessors authorized to process customer data or personal data. All such subprocessors are contractually obligated to meet or exceed the contractual commitments Microsoft makes to its customers.

Microsoft will not provide any third party (a) direct, blanket, or unfettered access to customers' data (b) platform encryption keys used to secure data or the ability to break such encryption or (c) access to data if Microsoft is aware that the data is to be used for purposes other than those stated in the third party's request. Further information on Microsoft’s approach to legal disclosure of customer data in relation to government demands is available here.

Most Azure services enable you to specify the region where your customer data will be stored and processed. Microsoft may replicate to other regions for data resiliency, but Microsoft will not store or process customer data outside the selected Geo. You and your users may move, copy, or access your customer data from any location globally.

Datacenter region Ort Available to
Ostasien Hongkong All customers and partners
Südostasien Singapur All customers and partners

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Stored at rest in the Asia Pacific region. See Additional information for details.

To learn about product availability in the Asia Pacific geo, go to Products available by region and select Asia Pacific from the Regions dropdown menu.

Datacenter region Ort Available to
Australia Central Canberra All customers and partners
Australia Central 2 Canberra For Australia Central customers requiring in-country disaster recovery
Australia East New South Wales All customers and partners
Australia Southeast Victoria All customers and partners

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Stored at rest in Australia. See Additional information for details.

To learn about product availability in the Australia geo, go to Products available by region and select Australia from the Regions dropdown menu.

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Stored at rest in Austria. See Additional information for details.

Datacenter region Ort Available to
Brazil South São Paulo State All customers and partners
Brazil Southeast Rio de Janeiro Reserved for Brazil South customers requiring scenario-based in-country disaster recovery

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Brazil South: Data replication to the US.

Brazil Southeast: Data replication to the Brazil South.

To learn about product availability in the Brazil geo, go to Products available by region and select Brazil from the Regions dropdown menu.

Datacenter region Ort Available to
Canada Central Toronto All customers and partners
Canada East Quebec City All customers and partners

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Stored at rest in Canada. See Additional information for details.

To learn about product availability in the Canada geo, go to Products available by region and select Canada from the Regions dropdown menu.

Datacenter region Ort Available to
Zentralindien Pune All customers and partners
Südindien Chennai All customers and partners
Westindien Mumbai All customers and partners

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Stored at rest in India. See Additional information for details.

To learn about product availability in the India geo, go to Products available by region and select India from the Regions dropdown menu.

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.

Stored at rest in Chile. See Additional information for details.

Datacenter region Ort Available to
China East Shanghai Organizations with a business presence in China
China East 2 Shanghai Organizations with a business presence in China
China East 3 Jiangsu Organizations with a business presence in China
China North Peking Organizations with a business presence in China
China North 2 Peking Organizations with a business presence in China
China North 3 Hebei Organizations with a business presence in China

In some cases, data for certain services may be stored outside of specified regions.

Azure in China is a separate service sold and operated by 21Vianet. For customers of Azure operated by 21Vianet, this map outlines the locations of datacenters where 21Vianet stores customer data. 21Vianet may replicate customer data in at least two datacenters for data resiliency and availability but always within China. The exceptions below for regional and non-regional services do not apply.

In some cases, data for certain services may be stored outside of specified regions. See Additional information on this page for details.


The 13 Types Of Data

Data types are forking and splintering out as fast as lightening.

Adrian Brophy @ Xtrashot Photographic

Data is a thorny subject. For a start, we’re not sure how we are supposed to refer to it, that is - data is the plural of datum. Strictly speaking we should talk about data that ‘are’ not ‘is’ available to support a theory etc. The Guardian newspaper discussed the debate here and appeared to suggest that (split infinitives and nuances of idiomatic Latin notwithstanding) our day-to-day usage of the term is allowed to remained conveniently grammatically incorrect.

“For what it's worth, I can confidently say that this will probably be the only time I ever write the word ‘datum’ in a [blog] post. Data as a plural term may be the proper usage, but language evolves and we want to write in terms that everyone understands - and that don't seem ridiculous,” wrote Simon Rogers, in 2012, before moving to his position as data editor at Google.

So of the many different instances of individual datum (sorry, data) that exist, can we group them into distinct types, categories, varieties and classifications? In this world of so-called digital transformation and cloud computing that drives our always-on über-connected lifestyles, surely it would be useful to understand the what, when, where and why of data on our journey to then starting to appreciate the how factor.

1 - Big data

A core favorite, big data has arisen to be defined as something like: that amount of data that will not practically fit into a standard (relational) database for analysis and processing caused by the huge volumes of information being created by human and machine-generated processes.

“While definitions of ‘big data’ may differ slightly, at the root of each are very large, diverse data sets that include structured, semi-structured and unstructured data, from different sources and in different volumes, from terabytes to zettabytes. It’s about data sets so large and diverse that it’s difficult, if not impossible, for traditional relational databases to capture, manage, and process them with low-latency,” said Rob Thomas, general manager for IBM Analytics.

Thomas suggests that big data is a big deal because it’s the fuel that drives things like machine learning, which form the building blocks of artificial intelligence (AI). He says that by digging into (and analyzing) big data, people are able to discover patterns to better understand why things happened. They can also then use AI to predict how they may happen in the future and prescribe strategic directions based on these insights.

2 - Structured, unstructured, semi-structured data

All data has structure of some sort. Delineating between structured and unstructured data comes down to whether the data has a pre-defined data model and whether it’s organized in a pre-defined way.

Mat Keep is senior director of products and solutions at MongoDB. Keep explains that, in the past, data structures were pretty simple and often known ahead of data model design -- and so data was typically stored in the tabular row and column format of relational databases.

“However, the advance of modern web, mobile, social, AI, and IoT apps, coupled with modern object-oriented programming, break that paradigm. The data describing an entity (i.e. a customer, product, connected asset) is managed in code as complete objects , containing deeply nested elements . The structure of those objects can vary (polymorphism) – i.e. some customers have a social media profile that is tracked, and some don’t. And, with agile development methodologies, data structures also change rapidly as new application features are built,” said Keep.

As a result of all this polymorphism today, many software developers are looking towards more flexible alternatives to relational databases to accommodate data of any structure.

3 - Time-stamped data

Time-stamped data is a dataset which has a concept of time ordering defining the sequence that each data point was either captured (event time) or collected (processed time).

“This type of data is typically used when collecting behavioral data (for example, user actions on a website) and thus is a true representation of actions over time. Having a dataset such as this is invaluable to data scientists who are working on systems that are tasked with predicting or estimating next best action style models, or performing journey analysis as it is possible to replay a user's steps through a system, learn from changes over time and respond,” said Alex Olivier, product manager at marketing personalization software platform company Qubit.

4 - Machine data

Simply put, machine data is the digital exhaust created by the systems, technologies and infrastructure powering modern businesses.

Matt Davies, head of EMEA marketing at Splunk asks us to paint a picture and imagine your typical day at work, driving to the office in your connected car, logging on to your computer, making phone calls, responding to emails, accessing applications. Davies explains that all this activity creates a wealth of machine data in an array of unpredictable formats that is often ignored.

“Machine data includes data from areas as varied as application programming interfaces (APIs), security endpoints, message queues, change events, cloud applications, call detail records and sensor data from industrial systems,” said Davies. “Yet machine data is valuable because it contains a definitive, real time record of all the activity and behavior of customers, users, transactions, applications, servers, networks and mobile devices.”

If made accessible and usable, machine data is argued to be able to help organizations troubleshoot problems, identify threats and use machine learning to help predict future issues.

5 - Spatiotemporal data

Spatiotemporal data describes both location and time for the same event -- and it can show us how phenomena in a physical location change over time.

“Spatial data is the ‘spatio’ in spatiotemporal. It can describe point locations or more complex lines such as vehicle trajectories, or polygons (plane figures) that make up geographic objects like countries, roads, lakes or building footprints,” explained Todd Mostak, CEO of MapD.

Temporal data contains date and time information in a time stamp. Valid Time is the time period covered in the real world. Transaction Time is the time when a fact stored in the database was known.

“Examples of how analysts can visualize and interact with spatiotemporal data include: tracking moving vehicles, describing the change in populations over time, or identifying anomalies in a telecommunications network. Decision-makers can also run backend database calculations to find distances between objects or summary statistics on objects contained within specified locations,” said MapD’s Mostak.

6 - Open data

Open data is data that is freely available to anyone in terms of its use (the chance to apply analytics to it) and rights to republish without restrictions from copyright, patents or other mechanisms of control. The Open Data Institute states that open data is only useful if it’s shared in ways that people can actually understand. It needs to be shared in a standardized format and easily traced back to where it came from.

“Wouldn’t it be interesting if we could make some private data [shapes, extrapolated trends, aggregate values and analytics] available to the world without giving up the source and owner identification of that data? Some technologies are emerging, like multi-party computation and differential privacy that can help us do this,” said Mike Bursell, chief security architect at Red Hat.

Bursell explains that these are still academic techniques at the moment, but over the next ten years he says that people will be thinking about what we mean by open data in different ways. The open source world understands some of those questions and can lead the pack. The Red Hat security man says that it can be difficult for organizations that have built their business around keeping secrets. They now have to look at how they open that up to create opportunities for wealth creation and innovation.

7 - Dark data

Dark data is digital information that is not being used and lies dormant in some form.

Analyst house Gartner Inc. describes dark data as, "Information assets that an organization collects, processes and stores in the course of its regular business activity, but generally fails to use for other purposes."

8 - Real time data

One of the most explosive trends in analytics is the ability to stream and act around real time data. Some people argue that the term itself is something of a misnomer i.e. data can only travel as fast as the speed of communications, which isn’t faster than time itself… so, logically, even real time data is slightly behind the actual passage of time in the real world. However, we can still use the term to refer to instantaneous computing that happens about as fast as a human can perceive.

“Trends like edge computing and the impending rise of 5G are gaining their momentum based upon the opportunities thrown up by real time data. The power of immediacy with data is going to be the catalyst for realizing smart cities,” said Daniel Newman, principal analyst at Chicago-based Futurum Research.

Newman says that real time data can help with everything from deploying emergency resources in a road crash to helping traffic flow more smoothly during a citywide event. He says that real time data can also provide a better link between consumers and brands allowing the most relevant offers to be delivered at precise moments based upon location and preferences. “Real time data is a real powerhouse and its potential will be fully realized in the near term,” added Newman.

9 - Genomics data

Bharath Gowda, vice president for product marketing at Databricks points at genomics data as another area that needs specialist understanding. Genomics data involves analysing the DNA of patients to identify new drugs and improve care with personalized treatments.

He explains, ”The data involved [in genomics] is huge - by 2020 genomic data is expected to be orders of magnitude greater than the data produced by Twitter and YouTube. The first genome took over a decade to assemble. Today, a patient’s genome can be sequenced in a couple of days. However, generating data is the easy part. Turning data into insight is the challenge. The tools used by researchers cannot handle the massive volumes of genomic data.”

What are the issues here? According to Gowda, data processing and downstream analytics are the new bottlenecks that stop us getting more value out of genomic data. So what makes genomic data different?

“It requires significant data processing and needs to be blended with data from hundreds of thousands of patients to generate insights. Furthermore, you need to look at how you can unify analytics workflows across all teams - from the bioinformatics professional prepping data to the clinical specialist treating patients - in order to maximize its value,” said Gowda.

10 - Operational data

Colin Fernandes is product marketing director for EMEA region at Sumo Logic. Fernandes says that companies have big data, they have application logs and metrics, they have event data, and they have information from microservices applications and third parties.

The question is: how can they turn this data into business insights that decision makers and non-technical teams can use, in addition to data scientists and IT specialists?

“This is where operational analytics comes into play,” said Fernandes. “Analyzing operational data turns IT systems data into resources that employees can use in their roles. What’s important here is that we turn data from a specialist resource into assets that can be understood by everyone, from the CEO to line of business workers, whenever they have a decision to make.”

Fernandes points out that in practice, this means looking at new applications and business goals together to reverse engineer what your operational data metrics should be. New customer-facing services can be developed on microservices, but how do we make sure we extract the right data from the start? By putting this ‘operational data” mindset in place, we can arguably look at getting the right information to the right people as they need it.

11 - High-dimensional data

High-dimensional data is a term being popularized in relation to facial recognition technologies. Due to the massively complex number of contours on a human face, we need new expressions of data that are multi-faceted enough to be able to handle computations that are capable of describing all the nuances and individualities that exist across out facial physiognomies. Related to this is the concept of eigenfaces, the name given to a set of eigenvectors when they are used in computing to process human face recognition.

12 - Unverified outdated data

The previously quoted Mike Bursell of Red Hat also points to what he calls unverified outdated data. This is data that has been collected, but nobody has any idea whether it's relevant, accurate or even of the right type. We can suggest that in business terms, if you're trusting data that you haven't verified, then you shouldn't be trusting any decisions that are made on its basis. Bursell says that Garbage In, Garbage Out still holds… and without verification, data is just that: garbage.

“Arguably even worse that unverified data, which may at least have some validity and which you should at least know that you shouldn't trust, data which is out-of-date and used to be relevant. But many of the real-world evidence from which we derive our data changes, and if the data doesn't change to reflect that, then it is positively dangerous to use it in many cases,” said Bursell.

13 - Translytic Data

An amalgam of ‘transact’ and ‘analyze’, translytic data is argued to enable on-demand real-time processing and reporting with new metrics not previously available at the point of action. This is the opinion of Mark Darbyshire, CTO for data and database management at SAP UK.

Darbyshire says that traditionally, analysis has been done on a copy of transactional data. But today, with the availability of in-memory computing, companies can perform ‘transaction window’ analytics. This he says supports tasks that increase business value like intelligent targeting, curated recommendations, alternative diagnosis and instant fraud detection as well as providing subtle but valuable business insights.

According to SAP’s Darbyshire, “Translytic data requires a simplified technology architecture and hybrid transactional analytic database systems, which are enabled by the in-memory technology. This also provides the added benefit of simplicity of architecture – one system to maintain with no data movement. Companies who transact in real time with instant insight into the relevant key metrics that matter while they transact experience increased operational efficiency as well as faster access and improved visibility into its real-time data.”

This list is by no means meant to be exhaustive, such is the nature of information technology and the proliferation of data


Generate Random Numbers

Use rand , randi , randn , and randperm to create arrays of random numbers.

This example shows how to create an array of random floating-point numbers that are drawn from a uniform distribution in a specific interval.

This example shows how to create an array of random integer values that are drawn from a discrete uniform distribution on a specific set of numbers.

This example shows how to create an array of random floating-point numbers that are drawn from a normal distribution having a specified mean and variance.

This example shows how to create random points within the volume of a sphere.

Avoid repetition of random number arrays when MATLAB ® restarts.

Replace Discouraged Syntaxes of rand and randn .

Control Random Number Generation

This example shows how to use the rng function, which provides control over random number generation.

This example shows how to repeat arrays of random numbers by specifying the seed first. Every time you initialize the generator using the same seed, you always get the same result.

This example shows how to avoid repeating the same random number arrays when MATLAB restarts.

Control Multiple Streams or Substreams

This example shows how to use the RandStream class to control random number generation from the global stream.

This example uses RandStream to create multiple, independent random number streams.

This example shows how to use RandStream to create random number streams and substreams.


Spatial pattern analysis of manufacturing industries in Keraniganj, Dhaka, Bangladesh

Understanding industrial clustering and its patterns of development are important steps in linking regional policy development, strategic decision making, business site management, and fostering a country’s economic growth. A considerable variety of common location-based cluster measures are available in practice, including area-based measures and a variety of indicators based on analyses of point data. This study uses the geostatistical approaches kernel density, multi-distance Reply’s-K, and spatial autocorrelation, both global Moran’s-I and local Moran’s-I, to assess the degree of spatial clustering of manufacturing locations in Keranignaj, located at the southern periphery of the urban region of Dhaka, Bangladesh. Results indicated a non-random pattern for all manufacturing locations in the study region. Small-scale industries such as garment manufacturing, metal, and brick making have a strong presence in Keranignaj. Expansion of such industries were highly associated with proximity to a river, while food processing, rubber and plastics manufacturing industries were clustered in relation to road proximity. The spatial association Global Moran’s-I with higher positive coefficient value indicates homogeneity, or spatial auto-correlation, exist in the industrial locations studied here. Local Moran’s-I, which documents regional clustering, has yielded a statistically significant manufacturing cluster (0.05 level) for the manufacturing areas of Zinjira, Kaliganj, Mirerbagh, and Chunkutia. Since cluster-based economic development has recently been an area of increasing interest for both developed and developing nations, the outcomes from this study provide an insight into spatial processes of industrial development in Bangladesh, and the Dhaka area in particular, enabling planners and policymakers to make rational, informed decisions and strengthening the economic growth and capacity for development of micro-industries clusters for the area studied here and the region beyond.

This is a preview of subscription content, access via your institution.