جایی که نقشه ها دروغ می گویند: تجسم مغالطه ادراکی در نقشه های کروپلث در سطوح مختلف تجمع

این مقاله روشی را برای ارزیابی کمی انحرافات ادراک ناشی از تعمیم در نقشه‌های choropleth پیشنهاد می‌کند. روش پیشنهادی مبتنی بر مقایسه مقادیر کلاس تخصیص داده شده به واحدهای تجمیع مختلف است که برای نمایش مجموعه داده یکسان انتخاب شده اند. این با نتایج به کارگیری روش در نقشه های تراکم جمعیت لیتوانی نشان داده شده است. سه سطح تجمع فضایی برای مقایسه انتخاب شد: شبکه آماری ۱ × ۱ کیلومتر، بزرگان (NUTS3)، و شهرداری ها (NUTS2). تفاوت در مقادیر کلاس تراکم بین نقشه شبکه مرجع و دو نقشه دیگر محاسبه شد. نشان داده شده است که یک اشتباه ادراکی در نقشه جمعیت سطح شهرداری لیتوانی منجر به تفسیر نادرست داده ها می شود که چنین نقشه هایی را صراحتاً بی فایده می کند. علاوه بر این، نقشه سطح سالمندان، همچنین تا حد زیادی گمراه کننده است، به ویژه در مناطق کم جمعیت. روش پیشنهادی برای استفاده آسان و قابل انتقال به هر زمینه دیگری است که در آن داده‌های انباشته مکانی نقشه‌برداری می‌شوند. می توان از آن برای تجزیه و تحلیل بصری درجه ای استفاده کرد که یک نقشه choropleth تعمیم یافته می تواند کاربر را در مناطق خاص گمراه کند.

کلید واژه ها:

نقشه های choropleth ; ادراک ؛ مغالطه ; تجمع ; نقشه برداری

۱٫ مقدمه

نقشه های کوروپلث به منظور درک الگوهای فضایی توزیع پدیده های مختلف اجتماعی و طبیعی تدوین و استفاده می شود. انگیزه آشکار، تفسیر سریع و آسان یک تصویر نقشه در مقایسه با جداول داده های آماری است که بیشتر برای متخصص در نظر گرفته شده است. علاوه بر این، نرم افزار ویژه و دانش تخصصی برای تحلیل فضایی سفارشی و تعمیم داده ها ضروری است. امروزه مردم به نقشه های choropleth در مدرسه عادت کرده اند. آنها به نقشه نگاران اعتماد دارند و عادت دارند که اطلاعات بصری ارائه شده را به طور کلی معتبر بدانند. حقایق فرضی به خوبی حفظ می شوند. الگوهای فضایی و تفاوت ها به سرعت متوجه می شوند. بنابراین نقشه ها ابزار قدرتمندی برای شکل دادن به افکار عمومی و تأثیرگذاری بر تصمیم گیری هستند. با این حال،۱ ]. جدای از نمونه‌های دستکاری عمدی، راه‌های زیادی وجود دارد که در آن بازنمایی اطلاعات می‌تواند منجر به تفسیر احتمالاً نادرست حقایق شود. کاربران به ندرت از خطراتی که ممکن است از تعمیم بیش از حد کارتوگرافی ناشی شود آگاه باشند. آمار توصیفی، مانند پراکندگی مقادیر نشان داده شده، ممکن است میزان واقعی تأثیر این خطاها را بر درک کاربران از نقشه ها نشان دهد یا نه.

روش‌های مختلفی برای نقشه‌برداری از جمعیت و سایر داده‌های نقطه‌ای استفاده می‌شود، به عنوان مثال، مکان اشیاء، رویدادهای جنایت یا آتش‌سوزی، بیماری و مرگ و میر [ ۲ ].]. اگر محل عدم قطعیت وجود داشته باشد یا داده ها حساس باشند، داده ها معمولاً توسط واحدهای فضایی تجمیع می شوند. بسته به ویژگی های پدیده نمایش داده شده (سطح عدم قطعیت مکان، گسترش، حساسیت و غیره) و به هدف تجسم، اندازه واحدها می تواند از بسیار کوچک تا بسیار بزرگ متفاوت باشد. واحدهای کوچک مانند سلول های یک شبکه منظم که اغلب برای تجمع رویدادها استفاده می شوند، امکان نمایش نسبتاً دقیق را فراهم می کنند. با این حال، سلول‌های یک شبکه معمولی فقط با شناسه‌های انتزاعی قابل ارجاع هستند. بنابراین، چنین نقشه‌هایی ناخوشایند هستند، به‌ویژه برای کاربران غیرحرفه‌ای که به نقشه‌های choropleth معمولی که واحدهای اداری نام‌گذاری شده را نشان می‌دهند، عادت دارند. علاوه بر این، در برخی موارد استفاده از واحدهای جمع‌آوری کوچک، امکان افشای داده‌های شخصی حساس را فراهم می‌کند.

با این حال، چنین نقشه‌های انباشته‌ای تصویری تحریف شده از پدیده‌های ارائه‌شده را منتقل می‌کنند. به عنوان مثال، در مورد نقشه های جمعیتی، اشتباهات ناشی از توزیع نابرابر جمعیت در منطقه است – در هر واحد اداری ممکن است سکونتگاه های نسبتاً پرجمعیت و همچنین مناطق وسیعی از زمین های زراعی یا جنگلی بدون ساکنان وجود داشته باشد. مقادیر متوسط در چنین مواردی وضعیت واقعی را نشان نمی دهد. هرچه توزیع فضایی یکنواخت کمتر باشد، واحد تجمع بزرگتر خواهد بود و تفاوت بین داده های نمایش داده شده بر روی نقشه ها در سطوح مختلف تجمع بیشتر خواهد بود. ما پدیده ای را می گوییم که در آن کاربران نقشه اطلاعات نادرستی را از مغالطه ادراکی نقشه ها دریافت می کنند (شبیه به پدیده مغالطه اکولوژیکی توصیف شده توسط رابینسون [ ۳ ]]). این با دو جفت قطعه نقشه نشان‌دهنده همان پنج طبقه از تراکم جمعیت در سطوح مختلف تجمع نشان داده شده است. در مورد اول، الگوهای شبکه ۱×۱ کیلومتری و داده های مشابه جمع آوری شده توسط واحدهای اداری بزرگتر تقریباً یکسان است ( شکل ۱ a). برای قطعه دوم با توزیع ناهمگن تر، آنها ظاهر می شوند که کاملاً متفاوت به نظر می رسند ( شکل ۱ ب) و تجسم عمومی گمراه کننده است. برخی از مناطق با مقادیر کلاسی شدید در یک سطح دقیق، مقادیر کلاس متوسطی را در یک نقشه تعمیم یافته اختصاص می‌دهند. پیش بینی اینکه چنین تحریفاتی در کجا رخ می دهد بسیار دشوار است.

بسیاری از مقالات تحقیقاتی به مشکلات واحدهای فضایی در نگاشت چگالی اختصاص داده شده است: واحدهای فضایی قابل تغییر [ ۴ , ۵ , ۶ , ۷ , ۸ ]. تفکیک داده های مکانی [ ۹ ، ۱۰ ]؛ تجمیع داده های مکانی؛ و عدم قطعیت فضایی [ ۱۱ ، ۱۲ ، ۱۳ ]. تأثیر سطح تجمیع داده ها بر دقت نقشه برداری به طور گسترده در زمینه جغرافیای سلامت مورد بحث قرار گرفته است. معمولاً توافق بر این است که هر چه سطح تجمیع بالاتر باشد، قدرت آماری تحلیل کمتر است [ ۹ ، ۱۰ ، ۱۴]. رویکرد مشابهی در جغرافیای جرم استفاده می شود [ ۱۵ ، ۱۶ ]. گرل نشان داد که کوچکترین نوع واحدها برای تجزیه و تحلیل آتش سوزی بیشترین اهمیت را دارند اما تفاوت کمی بین واحدهای جغرافیایی بزرگ و متوسط (به ترتیب ۱٫۲ و ۰٫۴ کیلومتر مربع) یافت [ ۱۷ ]. شی [ ۱۲ ] به این نتیجه رسید که هیچ روش موثری برای تخمین، نمایش و ارائه عدم قطعیت ناشی از تجمیع داده ها وجود ندارد. توصیه می شود در صورت امکان از داده های فردی استفاده شود. روش‌های مختلف نقشه‌برداری چگالی مانند نقشه‌های داسیمتری و کارتوگرام [ ۱۸ , ۱۹ , ۲۰ , ۲۱] که پیشنهاد شده اند منجر به نمایش دقیق تری می شوند، اما فقدان آشکاری از مطالعات در مورد تأثیر خطای تجمع فضایی بر درک نقشه وجود دارد. رویکردهای کارتوگرافی و تجسم برای نمایش آمار فضایی محلی به طور گسترده توسط نلسون و بروئر توصیف شده است که همچنین روشی را پیشنهاد کردند که “راهنمایی برای محققان در انتخاب مناسب‌ترین مقیاس‌ها برای جمع‌آوری، تجزیه و تحلیل و نمایش داده‌ها برای تجزیه و تحلیل‌های ویژه مشکل فراهم می‌کند” [ ۲۲ ]. . ما از رویکرد تحلیلی اتخاذ شده توسط این نویسندگان قدردانی می کنیم. با این حال، ما نتایج نقشه‌کشی آنها را تا حدی پیچیده می‌دانیم که تفسیر آنها را برای نقشه‌سازان بی‌تجربه دشوار می‌کند.

نمایش های ساده کارتوگرافی، مانند نقشه های choropleth، معمولا توسط نقشه کش های حرفه ای ایجاد نمی شوند. هر کس با دانش GIS می تواند داده ها را بر روی نقشه choropleth نمایش دهد. یک نظرسنجی کیفی کوچک که در قالب یک مصاحبه نیمه ساختاریافته در سال ۲۰۱۹ انجام شد، نشان داد که ۱۶ متخصص GIS، معلم، تحلیلگر داده، و یک روزنامه نگار تمایل دارند به صحت کلی نقشه های choropleth که اغلب ایجاد می کنند اعتماد کنند. همه آنها گفتند که هرگز به انحرافات قابل توجه احتمالی از الگوهای فضایی داده های اولیه به دلیل تجمیع مقادیر در واحدهای بزرگ فکر نکرده اند. این متناقض است که وقتی پرسیده شد هدف اصلی از ارتباط نقشه چیست، همه آنها به طور خاص الگوی فضایی را نشان دادند. علاوه بر این، همه آنها از مغالطه استنتاج اکولوژیکی مطلع شدند اما هرگز آن را با تغییرات قابل توجه الگوی فضایی اصلی مرتبط نکردند. یک نظرسنجی گسترده تر با ۱۴۰ شرکت کننده در سال ۲۰۲۱ انجام شدبخش ۳٫۱ . نتایج با الگوی واقعی مغالطه ادراکی نقشه تراکم جمعیت لیتوانی در بخش ۳٫۳ مقایسه شده است.

الگویی که روی نقشه دیده می شود به روش انتخابی طبقه بندی بستگی دارد، اما کاربران، از جمله جغرافیدانان حرفه ای، عموماً به روش استفاده شده اهمیت نمی دهند. آنها همچنین انتظار داشتند که نقشه های choropleth کم و بیش الگوهای مشابهی را در سطوح مختلف تجمع نشان دهند ( شکل ۲ ).

هدف این تحقیق یافتن راهی برای ارزیابی سطح تفسیر نادرست داده‌ها برای مناطق خاصی از نقشه‌های choropleth است که از داده‌های دقیق شناخته شده مشتق شده‌اند.

در این مقاله، ما بر مشکل ارزیابی کمی انحراف تمرکز می کنیم که به نوعی با ادراک انسان مرتبط است :

(آ): جایی که انحرافات از مقادیر نسبی مورد انتظار (کلاس/رتبه) وجود دارد، و.
(ب): چقدر درک توزیع فضایی به دلیل این انحرافات مخدوش است.

۲٫ مواد و روشها

ما روشی برای تجسم پیشنهاد می‌کنیم که به تعیین میزان ادراک اطلاعات نقشه به دلیل تجمیع داده‌های فردی به واحدهای بزرگتر در مقایسه با واحدهای استاندارد کوچک تحریف می‌شود. این روش بر اساس ارزیابی کمی اطلاعات اشتباه در مقادیر کلاس استنتاج شده از نقشه‌های choropleth در مقایسه با نقشه‌های شبکه دقیق است. از این پس به این روش به عنوان مغالطه ادراکی تجسمی شده VPF نیز گفته می شود. این امکان نمایش بصری مناطقی را فراهم می کند که در آن به کاربر به طور مؤثر اطلاعات اشتباهی در مورد کلاس پدیده ارائه شده (به عنوان مثال، تراکم جمعیت، جرم و جنایت، عوارض) داده می شود. تجسم مغالطه به وضوح نشان می دهد که تصمیمات زمانی که بر اساس اطلاعاتی که از نقاط یا نقشه های کوچک مقیاس کوچک گرفته شده است می توانند گمراه کننده باشند. که نشان دهنده داده های تجمیع شده در واحدهای اداری است. آنها همچنین توزیع فضایی مغالطات را در قلمرو مورد نظر نشان می دهند.

داده های ورودی متغیر مورد استفاده در روش VPF عبارتند از:

مجموعه داده معیار (داده‌های نقطه‌ای جمع‌آوری شده در واحدهای فضایی کوچک برای نمایش کافی پدیده تجسم‌شده کافی است).
مجموعه داده واحدهای تجمع بزرگتر؛
تعداد کلاس ها؛
مقادیری را بشکنید که به روش انتخابی طبقه بندی برای هر دو مجموعه داده بستگی دارد.

فرآیند محاسبه در شکل ۲ نشان داده شده است و نسبتاً ساده است. از مراحل زیر تشکیل شده است:

داده های نقطه ای در یک شبکه معیار و در واحدهای تجمع بزرگتر جمع می شوند.
هر دو مجموعه داده با استفاده از روش انتخاب شده با تعداد کلاس های انتخاب شده طبقه بندی می شوند.
شبکه معیار با واحدهای تجمع بزرگتر تقاطع یافته است.
مقادیر کلاس واحدهای تجمع بزرگتر با سلول های شبکه معیار مقایسه می شوند. برای سلول های شبکه معیار که چندین واحد تجمع بزرگتر را قطع می کنند، کلاس به عنوان میانگین وزنی محاسبه می شود و به مقدار صحیح گرد می شود.
تفاوت بین ارزش کلاس واحدهای تجمع بزرگتر و ارزش کلاس شبکه معیار محاسبه می شود:

پ اف من = \sum j آ j w من ج - ج من; سی من \cap آ j \neq Ø

(۱)

جایی که $P F_{i}$ یک معیار اعشاری برای مغالطه ادراکی است. $c_{i}$ مقدار کلاس عدد صحیحی است که به سلول اختصاص داده شده است $C_{i}$ از مجموعه داده معیار؛ $a_{j}$ مقدار کلاس عدد صحیحی است که به سلول اختصاص داده شده است $A_{j}$ از مجموعه داده های جمع آوری شده؛ $w_{i j}$ درصد از $C_{i}$ همپوشانی با $A_{j}$ .

چندین عامل وجود دارد که برای داده های مکانی مختلف متفاوت است و باید در نظر گرفته شود.

اندازه و شکل یک سلول. این روش برای سلول‌های هر شکل، واحدهای اداری یا چند ضلعی دیگر به همین شکل عمل می‌کند. اندازه و شکل بهینه سلول ها به ماهیت داده ها بستگی دارد. تا زمانی که نقشه های مورد استفاده برای مقایسه و نقشه اعوجاج ها در یک طرح قرار داشته باشند، می توان از هر طرح نقشه برداری استفاده کرد.
تعداد کلاس ها. هنگام تفسیر نقشه‌ها، افراد نه مقادیر، بلکه مقوله‌هایی مانند «متوسط»، «کم»، «بالا» یا «عادی» را اعمال می‌کنند. نتایج برخی از آزمایش‌های آزمایشی انجام‌شده به عنوان بخشی از آماده‌سازی این تحقیق، این ادعا را امکان‌پذیر می‌سازد که اکثر کاربران در درک و به خاطر سپردن تنها سه کلاس به خوبی عمل می‌کنند: «متوسط»، «کم» و «بالا» [ ۲۳ ]. همانطور که در مطالعه ای در مورد ادراک بصری نقشه های کروپلت توسط Schiewe [ ۲۴]، «تعداد کلاس‌ها باید تا حد امکان کم باشد، […]. البته تعیین حد بالایی جهانی (مثلاً ۵ یا ۶ کلاس) نسبتاً دشوار است. بر اساس مصاحبه‌ها و آزمایش‌های قبلی با حفظ کردن، هفت کلاس حتی برای دانش‌آموزان جغرافیا بسیار زیاد به نظر می‌رسید. پنج کلاس امکان نمایش داده‌ها را با دقت بالاتری نسبت به سه کلاس فراهم می‌کنند، اما مطالعات بیشتری لازم است تا مشخص شود آیا افراد واقعاً بین دو دسته «کم» و دو دسته «بالا» تمایز قائل می‌شوند یا خیر. روش توصیف شده را می توان برای هر تعداد کلاس اعمال کرد.
روش طبقه بندی. از هر روش طبقه بندی می توان استفاده کرد. این روش با مقادیر کلاس معنایی عمل می کند. این مقادیر در نقشه‌های choropleth که از تعداد کلاس‌های مختلف و روش‌های طبقه‌بندی متفاوت استفاده می‌کنند، قابل مقایسه باقی می‌مانند. بنابراین، روش‌های مختلف طبقه‌بندی ممکن است برای معیار و برای مجموعه داده جمع‌آوری شده استفاده شود. یک روش طبقه بندی مناسب باید بسته به ماهیت داده های ارائه شده انتخاب شود.
طرح رنگ. می توان از هر دو مقیاس رنگی واگرا و تدریجی استفاده کرد. اگر از منظر نقشه کشی به درستی اعمال شوند و نیازهای کاربران خاص در نظر گرفته شود، تأثیر عمده ای بر درک الگوی کلی فضایی نخواهد داشت.

ویژگی های اصلی گروه های دیگر روش ها و روش VPF در جدول ۱ خلاصه شده است. ما تجزیه و تحلیل بصری [ ۲۵ ] را وارد نکردیم زیرا (الف) این یک رویکرد است تا یک روش و (ب) ما آن را در زمینه قابلیت استفاده بررسی نکردیم (شایان ذکر است که ما در مورد سودمندی این موضوع تردیدی نداریم. رویکرد).

روش VPF بر این فرض استوار است که کاربران معمولی نقشه به طور شهودی مقادیر کلاس نشان داده شده در نقشه ها را مقایسه می کنند و ویژگی های نسبی را به خاطر می سپارند، به عنوان مثال، مقادیر “کم” در مقایسه با مقادیر “متوسط” یا “بسیار زیاد”. این مشاهدات مستلزم استدلال روش شناختی گسترده تری است که خارج از محدوده این مقاله است، اما بدیهی است که استفاده از مقادیر ترتیبی زمانی که مسائل مربوط به تراکم جمعیت مورد بحث قرار می گیرد بسیار رایج است. نتایج بررسی کیفی فوق الذکر نیز این ادعا را تسهیل می کند که افراد طبقاتی از مقادیر نشان داده شده در نقشه های کروپلث را به عنوان تعداد محدودی از رتبه ها از «پایین ترین» به «بالاترین» درک و حفظ می کنند.

روش VPF نقشه‌هایی از تفاوت‌های بین نمایش‌ها را با مقادیر کلاس نسبی به دست می‌دهد ( شکل ۳ ). مقادیر منفی (به رنگ آبی) نشان می‌دهد که کلاس سلول در نمایش داده‌های جمع‌آوری شده کمتر از نمایش معیار است، برای مثال. سلولی که به آن مقدار کلاس ۳ اختصاص داده شده است (“متوسط”) در ناحیه بزرگتر با مقدار کلاس ۱ (“پایین”) قرار دارد. مقادیر مثبت (نشان داده شده با رنگ نارنجی) نشان می دهد که مقادیر کلاس پس از تجمیع و طبقه بندی مجدد چقدر افزایش می یابد.

۳٫ مطالعه موردی

۳٫۱٫ دلیل برای مطالعه موردی

برای ارائه اثبات این مفهوم، روش پیشنهادی برای ارزیابی و نقشه‌برداری از اشتباهات ادراکی در نقشه‌های تراکم جمعیت که به طور گسترده در لیتوانی استفاده می‌شوند، استفاده شد. انتخاب تراکم جمعیت لیتوانی برای مثال زدن این روش، ریشه در تفسیر نادرست مکرر نقشه‌های تراکم جمعیت در مقیاس کوچک در سال‌های اخیر دارد. کاهش جمعیت در لیتوانی به دلیل مهاجرت رو به رشد و نرخ باروری پایین است که جایگزینی جمعیت را تضمین نمی کند. از سال ۱۹۹۰، لیتوانی دارای شاخص‌های کاهش جمعیت است که در میان بالاترین شاخص‌ها در اروپا قرار دارد. کاهش جمعیت در دهه های آینده ادامه خواهد داشت [ ۲۶ ]. در دهه های اخیر، محققان مناطق کم جمعیتی را که در حال گسترش هستند مشاهده و تجزیه و تحلیل کرده اند [ ۲۷ ، ۲۸ ], ۲۹ , ۳۰ , ۳۱ , ۳۲ ]. داده‌های تراکم جمعیت در لیتوانی از داده‌های سرشماری و از داده‌های ثبت دولتی که به اندازه کافی وضعیت واقعی را منعکس می‌کند، جمع‌آوری می‌شود، اما نقشه‌های تراکم جمعیت لیتوانی معمولاً در مقیاس‌های کوچک (۱:۱،۰۰۰،۰۰۰ یا کمتر) جمع‌آوری می‌شوند. سرشماری نفوس و/یا داده های ثبتی معمولاً به نقاط نشانی اشاره دارد. به منظور جلوگیری از درز اطلاعات شخصی، داده های فردی توسط واحدهای اداری و از سال ۲۰۱۲ توسط سلول های شبکه آماری جمع آوری می شوند. اطلاعات دقیق جمعیت به طور گسترده در نقشه برداری جرم و جنایت برای لیتوانی استفاده شده است [ ۳۳ , ۳۴]. با این وجود، در سال ۲۰۱۹، بیشتر نقشه‌های تراکم جمعیت برای لیتوانی که برای آموزش و ارزیابی وضعیت جمعیتی مورد استفاده قرار گرفتند، اطلاعاتی را نشان می‌دهند که توسط واحدهای اداری سطح دوم (شهرداری‌های ۴۰ تا ۲۲۱۶ کیلومتر مربع) جمع‌آوری شده‌اند. نقشه‌هایی که واحدهای اداری را نشان می‌دهند به سیاستمداران و عموم مردم ارائه می‌شوند و برای شکل‌گیری «دیدگاه مشترک» در مورد تفاوت‌های سرزمینی با توجه به جمعیت خدمت می‌کنند.

نقشه های مشبک مشروح را می توان در پورتال آمار لیتوانی یافت، اما زمان می برد تا کاربران عمومی به این روش تجسم عادت کنند. از آنجایی که اکثر کاربران این گونه نقشه ها متخصص نقشه کشی نیستند، مهم است که اطمینان حاصل شود که نقشه ها را به درستی تفسیر می کنند. این یک موضوع حساس در لیتوانی است، جایی که کاهش جمعیت به دلیل مهاجرت و کاهش نرخ زاد و ولد در حال افزایش است. فرآیندهای برنامه ریزی اختصاص داده شده به جلوگیری از کاهش جمعیت نیز از این اطلاعات همراه با داده های دقیق فردی استفاده می کند. مشکل این است که اکثریت افرادی که علاقه مند به توزیع جمعیت هستند اطلاعات خود را نه از پایگاه های داده، بلکه از نقشه ها به دست می آورند. نقشه های choropleth در مقیاس کوچک به سرعت قابل درک و حفظ هستند. بنابراین تمام اقدامات ممکن باید به منظور به حداقل رساندن تفسیر نادرست احتمالی اطلاعات ارائه شده انجام شود.

یک بررسی آزمایشی از ۱۴۰ متخصص GIS / جغرافیا در لیتوانی قبل از آزمایش انجام شد. هدف این بود که ویژگی‌های نقشه‌های ذهنی توزیع جمعیت روستایی را درک کنیم. پاسخ دهندگان کارکنان سازمان های دولتی و خصوصی درگیر در GIS و نقشه برداری بودند: معلمان جغرافیا (۹۹؛ ۷۱٪)، محققان در علوم زمین و علوم اجتماعی (۱۷؛ ۱۲٪)، و مهندسین GIS (24؛ ۱۷٪). از بین آنها، ۱۳۵ نفر (۴/۹۶%) در مورد توانایی خود در استفاده و ارزیابی اطلاعات نقشه اطمینان داشتند و ۱۱۹ نفر (۸۵%) پاسخ دادند که از مغالطه استنتاج اکولوژیکی مطلع هستند. سپس از آنها سؤالاتی پرسیده شد که دو مورد از آنها مربوط به آزمایشات ما بود: (الف) در مورد نظر آنها در مورد همگنی تراکم جمعیت روستایی در لیتوانی و (ب) آیا آنها نقشه نشان داده شده (همانطور که در شکل ۵ ارائه شده است) را برای نمایش تراکم جمعیت روستایی مناسب می دانند. امکان اضافه کردن نظرات به عنوان متن رایگان وجود داشت. تنها ۷ نفر (۵٫۷%) اظهار داشتند که تراکم جمعیت روستایی در سراسر کشور کم و بیش همگن است.شکل ۴ ). اکثریت (۱۰۲؛ ۷۲٫۹%) اظهار داشتند که تفاوت‌های منطقه‌ای بزرگی وجود دارد و بیش از نیمی از آنها حتی توضیحات مختلفی را ارائه کردند – در حالی که در واقع اینطور نبود. بنابراین، نتایج این نظرسنجی از فرضیه ما حمایت می‌کند که نمودارهای choropleth سطح شهرداری که معمولاً در اطلس‌های مدارس و رسانه‌های جمعی دیده می‌شوند ممکن است منجر به نقشه‌های ذهنی غلطی شوند که علی‌رغم در دسترس بودن داده‌های دقیق و نقشه‌های دقیق همچنان ادامه دارند.

۳٫۲٫ طراحی آزمایش

واحدهای داده و تجمیع این روش برای دو سطح تجمعی از داده‌های جمعیت تخمینی جمهوری لیتوانی در سال ۲۰۲۰ اعمال شد.

مجموعه داده معیار ما یک شبکه مستطیل شکل ۱ × ۱ کیلومتر بود. ما فرض کردیم که مردم معمولاً در مجاورت خانه های خود در دایره ای حرکت می کنند که شعاع آن حداقل ۰٫۵ کیلومتر است. مربوط به حدود ۵ دقیقه پیاده روی تا نزدیکترین امکانات است [ ۳۵ ]. بنابراین منطقی نیست که داده‌های جمعیت را با دقت بالاتر تجزیه و تحلیل کنیم، حتی اگر داده‌های سرشماری در سلول‌های ۱۰۰×۱۰۰ متری موجود باشد. به همین دلیل از سلول های شبکه مستطیلی استاندارد به جای سلول های شش ضلعی فشرده تر استفاده شد. این مجموعه داده به عنوان یک مجموعه داده مرجع برای تعیین انحرافات در دو نقشه choropleth چگالی جمعیت استفاده شد.

نقشه سطح سالمندان (شامل همه بزرگان). بزرگ‌ترین بخش‌های اداری لیتوانی با مساحت ۰٫۷ تا ۵۹۴٫۸ کیلومتر مربع ^هستند . میانگین ۱۱۶٫۲ کیلومتر ^مربع ;
نقشه سطح شهرداری (شهرداری های روستایی با مساحت ۴۰٫۰ تا ۲۲۱۳٫۹ کیلومتر مربع ^؛ میانگین ۱۰۸۰٫۱ کیلومتر مربع ⁾ . برای این نقشه، مناطق شهری با مقادیر تراکم شدید (هفت شهر بزرگ) به عنوان نقاط پرت نسبت به مسائل در دست حذف شدند ( شکل ۵ ). گنجاندن شهرها فقط به معنای سطوح بالاتر تحریف است. از سوی دیگر، مردم معمولاً می‌دانند که شهرها از نظر ماهیت، متراکم‌تر از مناطق روستایی هستند (در لیتوانی، به ترتیب میانگین ۹۸۴ و ۳۱ نفر در هر کیلومتر مربع ⁾ . در گفتمان کاهش جمعیت، مناطق شهری به عنوان یک موضوع جداگانه نیاز به تحلیل و بحث دارند.

مجموعه داده جمعیت به صورت آنلاین در پورتال آمار رسمی در قالب یک اطلس تعاملی [ ۳۶ ] و به عنوان مجموعه ای از شبکه های قابل دانلود برای کل قلمرو کشور در دسترس عموم است. با توجه به الزامات حفاظت از داده های شخصی، داده های نقطه عمومی توسط سلول های استاندارد با ۱۰۰ × ۱۰۰ متر جمع آوری شده اند.

طبقه بندی داده ها از آنجایی که هدف این مطالعه نشان دادن تفاوت مطلق نیست، بلکه تفاوت درک شده در مقادیر تراکم جمعیت بود، ما مقادیر تراکم را با استفاده از روش طبقه‌بندی شکست‌های طبیعی Jenks که در ArcGIS 10.2.2 اجرا شده است، به پنج کلاس طبقه‌بندی کردیم. لازم به ذکر است که این روش ممکن است بهترین گزینه برای نقشه برداری تراکم جمعیت نباشد، اما برای هدف ما روش انتخاب شده از اهمیت اولیه برخوردار نیست. همچنین مهم است که توجه داشته باشید که مقادیر شکست برای پیاده سازی های مختلف از یک روش طبقه بندی متفاوت است.

به کلاس ها مقادیر عددی اختصاص داده شده است: ۰—unpopulated (فقط در شبکه مرجع). ۱- نسبتاً کمترین تراکم جمعیت. ۲-کم، ۳-متوسط، ۴-بالا و ۵- تراکم نسبتاً بالاتر. محدوده مقدار چگالی واقعی برای هر کلاس در همه نقشه‌ها متفاوت بود، اما پنج کلاس نشان‌دهنده روشی است که مردم واقعاً نقشه‌ها را می‌خوانند: مقدار یا «متوسط» است یا به طور متوسط/به‌طور قابل‌توجهی کمتر یا بیشتر از میانگین است. سپس مقادیر کلاس هر دو نقشه اداری به شبکه ۱ × ۱ کیلومتر نمونه‌برداری شد و با مقادیر شبکه مرجع مقایسه شد.

تجسم. در مورد تراکم جمعیت، مقیاس گرادیان محبوب‌تر است و از نظر معنایی توجیه می‌شود – مقادیر از صفر به بالاترین بدون تغییر در کیفیت دیگری افزایش می‌یابند. نارنجی کم رنگ تا تیره نشان دهنده مقادیر کلاس با چگالی کم تا زیاد است.

۳٫۳٫ عواقب

دو نقشه تعاملی در پلتفرم Carto ( https://carto.com/ ، قابل دسترسی در ۲۸ نوامبر ۲۰۲۱) منتشر شد. آنها مقادیر PF را برای سلول های شبکه ۱ کیلومتر مربعی در برابر ^:

(آ): سطح سالمندی ( https://vucarto.carto.com/builder/e86912d2-c776-449d-8a27-4423b718ef55/embed ، دسترسی به ۲۸ نوامبر ۲۰۲۱)؛ و
(ب): سطح شهرداری ( https://vucarto.carto.com/builder/6f48cac4-5770-482f-aaf2-1b41561553d0/embed ، دسترسی به ۲۸ نوامبر ۲۰۲۱) لایه های نقشه choropleth و آمار مقادیر کلاس برای منطقه قابل مشاهده ( شکل ۶ ).

نقشه های تعاملی را می توان به منظور درک ویژگی های انحرافات کاوش کرد. الگوهای فضایی مورد بررسی در این مطالعه موردی برای افرادی که عادت به کار با داده ها و نقشه های جمعیتی دارند غیرمنتظره است.

تفاوت موجود بین مقدار کلاس تخصیص داده شده به یک واحد در نقشه اداری و مقادیر شبکه مرجع کوچکتر (مقادیر واقعی) به این معنی است که افراد یک مقدار کلاس اشتباه را به سلول شبکه نسبت می دهند: برای مثال، ممکن است بخشی از آن را درک کنند. یک قلمرو خاص به عنوان پرجمعیت در حالی که نیست. تفاوت کمی (در واحد) اندازه شکاف بین مقادیر برآورد شده و درک شده را نشان می دهد. انحراف از مقادیر کلاس شبکه مرجع برای هر سلول شبکه مرجع محاسبه شد. برای نقشه سطح شهرداری، میانگین مقدار PF +2.27 بود که به طرز شگفت انگیزی بالا است. حداکثر انحراف مثبت پنج بود – این مورد برای سلول‌های خالی از جمعیت بود که در واحدهای تجمعی با “بالاترین” تراکم جمعیت تودرتو بودند. حداکثر انحراف منفی دو بود. انحرافات منفی نادر بود و بیشتر برای شهرهای کوچک (عمدتاً کمتر از ۱۰۰۰۰ نفر) که تا ۴ سلول شبکه مرجع را پوشش می‌دادند ظاهر شد. با توجه به اینکه مناطق شهری در این مورد مورد تحلیل قرار نگرفت، نادیده گرفته شد.

انحرافات نقشه سطح شهرداری به وضوح نشان می دهد که درک تراکم در کدام مناطق بیشتر تحریف شده است:

(آ): مناطق اطراف پنج شهر بزرگ (ویلنیوس، کاوناس، کلایپدا، شیائولیای و پانه‌ژیس، لیتوانی) و در کمال تعجب، چندین شهرداری که چندین برابر جمعیت کمتری دارند و هیچ شهر بزرگ‌تری ندارند. این بدان معناست که اگرچه روند انحرافات مثبت بالاتری در نزدیکی شهرها و شهرک‌ها مشاهده می‌شود، اما این روند به دور از جهانی است. انحرافات بیشتر با پیکربندی نواحی اداری و موزاییک خاصی از کاربری زمین در هر ناحیه مشخص شد.
(ب): لیتوانی مرکزی و غربی با انحرافات غالب +۳ و +۴ در کل منطقه. این تحریفات مسئول فرض اشتباهی است که مکرراً توسط محققان لیتوانیایی استفاده شده (و حتی با حاصلخیزی بیشتر زمین توضیح داده شده است) که ادعا می کنند تراکم جمعیت روستایی در لیتوانی میانه نسبتاً بسیار بالاتر است.

بنابراین، این الگوی تحریف همچنین ممکن است توضیحی باشد که چرا ۴۶٪ از پاسخ دهندگان نظرسنجی شرح داده شده در بخش ۳٫۱ در نظرات متن آزاد خود نشان دادند که تراکم جمعیت روستایی دقیقاً در این مناطق بالاترین است (نادرست).

بقیه شهرداری ها شامل حدود ۹۷ درصد سلول ها با انحراف مثبت ۱ تا ۳ کلاس تراکم هستند.

تنها دو شهرداری وجود دارد – Rietavas و Pagėgiai، لیتوانی – با اعوجاج صفر غالب. این واقعیت را نمی توان با ویژگی توزیع جمعیت توضیح داد، زیرا برای همه شهرداری های روستایی بسیار معمول است.

تقریباً کل قلمرو روستایی لیتوانی در نقشه سطح شهرداری دارای یک ارزش کلاسی بسیار بالا است، در حالی که مقدار بسیار پایین فقط در حدود ۰٫۱٪ از قلمرو یافت شد. این واقعیت که بیش از ۹۷٪ از نقشه اطلاعات معنایی نادرست را نشان می دهد، این نوع نقشه تراکم جمعیت را غیرقابل استفاده می کند.

نقشه پیری داده های تراکم جمعیت را به میزان بسیار کمتری تحریف کرد: میانگین مقدار PF فقط ۰٫۲۷+ بود. با این حال، مقادیر کلاسی که خیلی بالا هستند به حدود ۲۷٪ از قلمرو اختصاص داده شده است. توزیع تحریف ها یکنواخت تر بود. در نقشه سطح سالمندان، مغالطات کمتر به نزدیکی به شهرها بستگی دارد و ممکن است در مناطق کم جمعیت نیز مشاهده شود. تجزیه و تحلیل بیشتر از توزیع مغالطات ممکن است به فرضیاتی در مورد وضعیت جمعیتی در مناطق خاص منجر شود.

۴٫ بحث

به نظر می‌رسد روش توصیف‌شده در سایر زمینه‌هایی که داده‌های نقطه‌ای تجمیع می‌شوند، قابل اجرا باشد. می توان آن را کاملاً خودکار کرد و به عنوان یک ابزار تحلیلی توسط کارشناسان نقشه برداری استفاده کرد. ایجاد یک ابزار هدف این مطالعه نبود و اتوماسیون مناسب کار مستلزم تلاش هایی است. چنین ابزاری باید امکان آپلود مجموعه داده های سفارشی را برای معیار و نقشه های choropleth آزمایش شده فراهم کند. برای انتخاب روش طبقه بندی، به طور ایده آل با امکان اعمال روش های مختلف برای واحدهای محک و آزمون. همچنین باید یک رابط کاربری گرافیکی طراحی شود که انتخاب و استفاده از پارامترها را ساده کرده و نتایج را تجسم کند. چنین ابزاری ارزیابی تحریف‌های ادراکی را برای کاربران غیرمتخصص آسان می‌کند، به‌ویژه زمانی که باید داده‌های بزرگ را با توزیع ناشناخته تجسم کنند.

در این مطالعه، ما فقط نتایج را با یک الگوریتم طبقه بندی نشان دادیم. شایان ذکر است که استفاده از دو روش رایج دیگر – فاصله مساوی و چارک – نتایج کارتوگرافی کمی متفاوت را به همراه داشت. تفاوت ها به دلیل ویژگی توزیع داده های بتن بود. تأثیر روش طبقه‌بندی انتخابی نقشه بر ادراک نیز قابل تحلیل و ارزیابی است، اما از حوصله این مقاله خارج است.

روش توصیف شده مقایسه و نگاشت مغالطه را می توان برای هر مجموعه ای از نقشه ها که در آن داده های نقطه ای به واحدهای مختلف تجمیع می شود اعمال کرد: بیکاری، جرم، سلامت یا نقشه های دیگر. قبل از تصمیم گیری برای انتخاب یک واحد تجمع بزرگتر، ما به تجسم و مقایسه تحریفات ادراکی احتمالی توصیه می کنیم. اگر پدیده به طور مساوی پخش شود، تفاوت ها می توانند جزئی و به طور مساوی توزیع شوند – که در واقع به این معنی است که می توان از نقشه های کلی تری استفاده کرد. این گزینه معمولاً ارزان‌تر است و توسط کاربران بی‌تجربه نقشه به راحتی قابل درک است. اگر اختلافات حاصل غیرقابل قبول باشد، ممکن است نشانه این باشد که باید از واحدهای تجمع کوچکتر استفاده شود.

در این مقاله، امکان‌سنجی روش VPF را با استفاده از واحدهای تجمع فضایی خاص و مجموعه داده جمعیت لیتوانی نشان دادیم. ارزیابی مغالطات ادراکی، شاید با مفروضات اولیه متفاوت و متغیرهای مختلف، برای هر ناحیه مکانی و برای هر مجموعه ای از داده های فردی که در این حوزه ها تجمیع می شوند، قابل استفاده است. همچنین با هر روش طبقه‌بندی که برای تجسم‌ها استفاده می‌شود، قابل اجرا است، مشروط بر اینکه از همان روش طبقه‌بندی برای نقشه‌های مقایسه شده استفاده شود.

برای هر نوع پدیده یا الگوی مرزهای اداری، الگوی فضایی انحرافاتی که ممکن است منجر به ادراک اشتباه شود، با استفاده از پارامترهای شناخته شده قابل درک و کنترل نیست. برای مثال، ما نمی‌توانیم هیچ استنتاجی در مورد اینکه این الگو برای داده‌های جرم یا مرگ و میر چگونه خواهد بود، انجام دهیم. با این حال، این الگو به سرعت در نقشه های مغالطه ایجاد شده توسط روش VPF دیده می شود. یک نگاه اجمالی به نقشه تحریف، تصور درستی در مورد وسعت و حجم ارائه‌های نادرست به دست می‌دهد. برای درک عمیق تر، آمار انحرافات را می توان به راحتی برای هر منطقه نقشه محاسبه کرد.

ما انتظار نداریم که به دلیل اعوجاج های قابل اثبات، نقشه های تراکم جمعیت choropleth به زودی با نقشه های تراکم شبکه ای یا درون یابی جایگزین شوند. اما قبل از انتشار نقشه‌های choropleth در مقیاس کوچک، میزان اعوجاج باید ارزیابی شود و مناسب بودن برای هدف ارزیابی شود. بدیهی است که آسیب احتمالی ناشی از ارائه نادرست و الزامات کیفیت متناظر، بسته به اینکه آیا نقشه ها برای تحقیق، تصمیم گیری، آموزش یا صرفاً ارائه اطلاعات به عموم استفاده می شود، به طور قابل توجهی متفاوت است.

۵٫ نتیجه گیری ها

در این مقاله، ما یک روش نقشه‌برداری را پیشنهاد کردیم که امکان ارزیابی تأثیر تجمع بر ادراک یک الگوی توزیع فضایی روی نقشه را می‌دهد.

این روش برای هر داده ای که در واحدهای منطقه ای متغیر تجمیع می شود، قابل اجرا است. مغالطه ادراکی را می توان به صورت بصری به عنوان نقشه ای از تحریف ها ارائه کرد یا با آمار تحریف ها توصیف کرد. آمار اعوجاج را می توان برای تصحیح مقادیر کلاس اختصاص داده شده به طور خودکار استفاده کرد.

ما روش را با داده‌های تراکم جمعیت روستایی در لیتوانی نشان دادیم. بر اساس نتایج آزمایش، می توان در مورد مناسب بودن یک نقشه تجمیع شده برای درک صحیح از توزیع فضایی که در نقشه معیار مشاهده می شود، تصمیم گرفت – در این مورد، نقشه choropleth در سطح بزرگتر مناسب بود اما در سطح گمراه کننده شد. سطح شهرداری استفاده متداول از نقشه سطح شهرداری ممکن است علت شایع باورهای غلط در مورد توزیع فضایی جمعیت روستایی باشد.

منابع

Monmonier, M. How to Lie with Maps , ۲nd ed.; انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، ۲۰۱۴٫ [ Google Scholar ]
جووانوویچ، جی. Zivkovic، D. مدل‌سازی نقشه‌برداری تراکم جمعیت در کارکرد تحقیق روابط فضایی- جمعیتی. Geogr. Inst. Jovan Cvijin SASA Collect. پاپ ۲۰۰۵ ، ۵۴ ، ۱۱۵-۱۲۷٫ [ Google Scholar ] [ CrossRef ]
رابینسون، WS همبستگی های اکولوژیکی و رفتار افراد. صبح. اجتماعی Rev. ۱۹۵۰ , ۱۵ , ۳۵۱-۳۵۷٫ [ Google Scholar ] [ CrossRef ]
Openshaw, S. مسئله واحد مساحتی قابل تغییر . Geo Books: Norwich، UK، ۱۹۸۴٫ [ Google Scholar ]
ریشه، محله‌های متحرک ED و تحقیقات سلامت: استفاده از روش‌های جغرافیایی برای بررسی نقش مقیاس فضایی در اثرات همسایگی بر سلامت. ان صبح. دانشیار Geogr. ۲۰۱۲ ، ۱۰۲ ، ۹۸۶-۹۹۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
Manley, D. Scale, Aggregation, and the Modifiable Areal Unit Problem. در کتابچه راهنمای علوم منطقه ای ; Springer: برلین، آلمان، ۲۰۱۴; صص ۱۱۵۷–۱۱۷۱٫ [ Google Scholar ]
خو، پی. هوانگ، اچ. دونگ، ن. Abdel-Aty، M. تجزیه و تحلیل حساسیت در زمینه مدل سازی ایمنی منطقه ای: شناسایی و ارزیابی مشکل واحد منطقه ای قابل اصلاح. اسید. مقعدی قبلی ۲۰۱۴ ، ۷۰ ، ۱۱۰-۱۲۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
کارزنیا، آی. Gołębiowska، IM; Korycka-Skorupa، J. Nowacki، T. جستجو برای اندازه واحد شمارش شش ضلعی بهینه برای تشخیص الگوی فضایی موثر در نقشه های Choropleth. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۵۷۶٫ [ Google Scholar ] [ CrossRef ]
لو، ال. مک لافرتی، اس. وانگ، اف. تجزیه و تحلیل خطای تجمع فضایی در مدل‌های آماری خطر سرطان در مرحله آخر: رویکرد شبیه‌سازی مونت کارلو. بین المللی J. Health Geogr. ۲۰۱۰ ، ۹ ، ۵۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
شی، ایکس. میلر، اس. موندا، ک. اوندا، ا. ریس، جی. اونگا، تی. گی، جی. کاراگاس، م. دمیدنکو، ای. موشلر، جی. بیماری نقشه برداری در سطح فردی تقریبی با استفاده از داده های کل: مطالعه موردی نقشه برداری از نقایص تولد نیوهمپشایر. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۳ ، ۱۰ ، ۴۱۶۱-۴۱۷۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شی، ایکس. ارزیابی عدم قطعیت ناشی از آدرس‌های صندوق پستی در مطالعات بهداشت محیطی: رویکرد محدود مونت کارلو. بین المللی جی. جئوگر. Inf. علمی ۲۰۰۷ ، ۲۱ ، ۳۲۵-۳۴۰٫ [ Google Scholar ] [ CrossRef ]
Shi, X. یک فرآیند محاسبه جغرافیایی برای مشخص کردن الگوی فضایی بروز سرطان ریه در نیوهمپشایر. ان صبح. دانشیار جغرافیدانان ۲۰۰۹ ، ۹۹ ، ۵۲۱-۵۳۳٫ [ Google Scholar ] [ CrossRef ]
گریفیث، عدم قطعیت و زمینه DA در جغرافیا و علم GIS: بازتابی بر خودهمبستگی فضایی، نمونه‌گیری فضایی و داده‌های سلامت. ان صبح. دانشیار Geogr. ۲۰۱۸ ، ۶ ، ۱۴۹۹-۱۵۰۵٫ [ Google Scholar ] [ CrossRef ]
ژاکز، جنرال موتورز; والر، لس آنجلس اثر مکان‌های نامشخص بر آمار خوشه‌ای بیماری. در کمی سازی عدم قطعیت فضایی در منابع طبیعی: نظریه و کاربردها برای GIS و سنجش از دور . Mowrer، HT، Congalton، RG، Chelsea، MI، Eds. Sleeping Bear Press: Chelsea, MI, USA, 1999; صص ۵۳-۶۴٫ [ Google Scholar ]
اندرسن، MA; Malleson، N. ناهمگونی فضایی در تجزیه و تحلیل جرم. در مدل سازی جرم و نقشه برداری با استفاده از فناوری های مکانی ; لایتنر، ام.، اد. Springer: Dordrecht، هلند، ۲۰۱۳; صص ۳-۲۳٫ [ Google Scholar ]
بوسن، آ. نماهای نزدیک هیپ، جی آر و مقیاس اکولوژی: کاربری های زمین و جغرافیای بافت اجتماعی و جنایت. جرم شناسی ۲۰۱۵ ، ۵۳ ، ۳۹۹-۴۲۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گرل، ام. کوچکتر بهتر است؟ توزیع فضایی آتش سوزی و مسئله واحد منطقه ای قابل تغییر. جی. کوانت. Criminol. ۲۰۱۷ ، ۳۳ ، ۲۹۳-۳۱۸٫ [ Google Scholar ] [ CrossRef ]
پتروف، A. صد سال نقشه برداری داسیمتری: بازگشت به اصل. کارتوگر. J. ۲۰۱۲ ، ۴۹ ، ۲۵۶-۲۶۴٫ [ Google Scholar ] [ CrossRef ]
برویر، کالیفرنیا؛ Eicher، CL Dasymetric Mapping و Areal Interpolation: Implementation and Evaluation. کارتوگر. Geogr. Inf. علمی ۲۰۱۳ ، ۲۸ ، ۱۲۵-۱۳۸٫ [ Google Scholar ] [ CrossRef ]
زندبرگن، PA; Ignizio، DA مقایسه تکنیک های نقشه برداری داسیمتری برای تخمین های جمعیت مناطق کوچک. کارتوگر. Geogr. Inf. علمی ۲۰۱۳ ، ۳۷ ، ۱۹۹-۲۱۴٫ [ Google Scholar ] [ CrossRef ]
ریکر، بی. کراک، ام.-جی. راث، آر. وعده نقشه‌های داسیمتری برای نظارت بر پیشرفت به سوی اهداف توسعه پایدار سازمان ملل. چکیده های انجمن بین المللی کارتوگرافی. در مجموعه مقالات سی امین کنفرانس بین المللی کارتوگرافی، فلورانس، ایتالیا، ۱۴ تا ۱۸ دسامبر ۲۰۲۱٫ [ Google Scholar ] [ CrossRef ]
نلسون، جی کی. بروور، کالیفرنیا در حال ارزیابی ثبات داده ها در ساختارهای تجمع در مقیاس های فضایی: بررسی مجدد مسئله واحد منطقه ای قابل تغییر. کارتوگر. Geogr. Inf. علمی ۲۰۱۷ ، ۴۴ ، ۳۵-۵۰٫ [ Google Scholar ] [ CrossRef ]
Šturaitė، A. Lietuvos Gyventojų Tankumo Kartografavimo Metodų Lyginamoji Analize. پایان نامه کارشناسی ارشد، دانشگاه ویلنیوس، ویلنیوس، لیتوانی، ۲۰۱۶٫ (اثر منتشر نشده). [ Google Scholar ]
Schiewe, J. مطالعات تجربی در مورد ادراک بصری از الگوهای فضایی در نقشه‌های Choropleth. K J. Cartogr. Geogr. Inf. ۲۰۱۹ ، ۶۹ ، ۲۱۷-۲۲۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آندرینکو، جی. آندرینکو، ن. دمشار، یو. درانش، دی. دایکز، جی. فابریکانت، اس. جرن، ام. کراک، ام.-جی. شومان، اچ. تومینسکی، سی. فضا، زمان و تحلیل بصری. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۰ ، ۲۴ ، ۱۵۷۷-۱۶۰۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
برزینس، ا. Zvidrins, P. کاهش جمعیت در کشورهای بالتیک. لیث. J. Stat. ۲۰۱۱ ، ۵۰ ، ۳۹-۴۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Vaitiekūnas, S. Lietuvos gyventojų tankumas ir koncentracija. Tiltai ۲۰۰۴ ، ۴ ، ۲۱-۳۹٫ [ Google Scholar ]
Stanaitis، S. تغییرات اجتماعی، اقتصادی و جمعیتی مناطق روستایی در لیتوانی. در تغییر کارکردهای مناطق روستایی در منطقه دریای بالتیک ؛ آکادمی علوم لهستان: ورشو، لهستان، ۲۰۰۴; صص ۴۵-۵۸٫ [ Google Scholar ] [ CrossRef ]
Vaitiekūnas, S. Lietuvos Gyventojai per du Tūkstantmečius ; Mokslo ir Enciklopedijų Leidybos Institutas: Vilnius, Lithuania, 2006. [ Google Scholar ]
داوگیرداس، وی. باوبیناس، R. Retai apgyventos teritorijos Lietuvoje. ۱٫ Teritorinės sklaidos aspektai. ان Geogr. ۲۰۰۸ ، ۴۰ ، ۲۸-۳۷٫ [ Google Scholar ]
استانایتیس، اس. Stanaitis، A. Lietuvos miestų ir jų gyventojų skaičiaus bei struktūros kaita nepriklausomybės metais. Tiltai ۲۰۱۳ ، ۳ ، ۶۹-۸۲٫ [ Google Scholar ]
داوگیرداس، وی. برنیکا، دی. کریاچیوناس، ای. ریبوکاس، جی. استانایتیس، اس. Ubarevičienė, R. Lietuvos Retai Apgyventos Teritorijos ; Lietuvos Socialinių Tyrimų Centras: ویلنیوس، لیتوانی، ۲۰۱۴٫ [ Google Scholar ]
Eismontaite، A. Beconytė، G. پیش‌بینی رشد نرخ جرم و جنایت در لیتوانی، بر اساس توزیع فضایی و رابطه آن با نرخ‌های بیکاری ثبت‌شده. فیلوس. اجتماعی ۲۰۱۱ ، ۲۲ ، ۲۳۶-۲۴۵٫ [ Google Scholar ]
واسیلیوسکاس، دی. بکونیته، جی. کارتوگرافی جنایت: پرتره متروپولیتن ویلنیوس. J. Maps ۲۰۱۶ , ۱۲ , ۱۲۳۶–۱۲۴۱٫ [ Google Scholar ] [ CrossRef ]
لواسور، ام. کوهن، AA; Dubois، MF; Généreux، M. عوامل محیطی مرتبط با مشارکت اجتماعی افراد مسن که در مناطق شهری، شهری و روستایی زندگی می کنند: مطالعه NuAge. صبح. J. بهداشت عمومی ۲۰۱۵ ، ۱۰۵ ، ۱۷۱۸-۱۷۲۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Interaktyvus Atlasas. Officialiosios Statistikos Portalas. ۲۰۱۷٫ در دسترس آنلاین: https://osp.stat.gov.lt/interaktyvus-atlasas (در ۲۹ نوامبر ۲۰۲۱ قابل دسترسی است).

شکل ۱٫ جمعیت نشان داده شده در سطوح مختلف جزئیات: سلول ها و واحدهای اداری ۱×۱ کیلومتر، الگوی مشابه ( a ); سلول ها و واحدهای اداری ۱×۱ کیلومتر، الگوی مختلف ( b ).

شکل ۲٫ محاسبه مغالطات ادراکی.

شکل ۳٫ بخشی از نقشه مقادیر کلاس ( a ) برای سلول های شبکه ^{۱ کیلومتر مربعی معیار.}( ب ) مقادیر کلاس برای افراد مسن (NUTS3 واحد حدود ۱۰۰ کیلومتر مربع ⁾ . ( ج ) مقادیر PF; منتشر شده در carto.com (دسترسی در ۲۸ نوامبر ۲۰۲۱).

شکل ۴٫ نتایج بررسی در مورد فرضیات مربوط به تراکم جمعیت ( ۱۴۰ = n ).

شکل ۵٫ تراکم جمعیت روستایی لیتوانی در سطح شهرداری نشان داده شده است.

شکل ۶٫ نقشه تعاملی مغالطات ادراکی.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام