Jméno: Luboš ŠTROBL Studijní obor: B-GK KART Ročník: 2. Datum: 12. 6.2011 KARTOGRAFICKÁ VIZUALIZACE protokol Vícerozměrná vizualizace Zadání: Zpracujte 5 vybraných charakteristik pro území o alespoň 20 celcích, použijte metody k-means, PCA a výsledky v závěru slovně okomentujte. Vypracování: Tab. 1: Vybrané socioekonomické charakteristiky pro ORP Jihomoravského kraje, rok 2009 Celkový přírůstek na 1000 obyvatel Nezaměstnanost v% Byt celkem (index 2009/2008) Podíl zastavěných ploch v % Index stáří Blansko 12,2141 11,2667 107,6923 1,462855 99,3158 Boskovice -0,8121 17,30298 94,0299 2,744676 112,6015 Brno 2,80318 10,43098 100 1,585509 119,3574 Břeclav 1,88375 13,99781 144,4444 1,530091 109,8905 Bučovice 3,55314 16,26086 69,5035 1,285756 94,5109 Hodonín 5,70125 11,85034 136,6667 1,696747 108,0209 Hustopeče -0,1249 14,89196 97,0149 2,178157 113,1281 Ivančice 2,17305 9,15211 84,9861 9,181038 136,2568 Kuřim 10,50104 8,85256 158,9041 2,077636 101,9445 Kyjov 4,50296 11,8705 98,8889 1,933662 104,2005 Mikulov -0,05095 12,02729 176,1194 2,004447 107,4153 Moravský Krumlov 1,86366 11,31847 84,0336 1,849014 106,1584 Pohořelice -1,4245 14,24941 255,8442 1,51797 94,2751 Rosice 6,19316 10,05498 162,931 1,404577 104,3983 Slavkov u Brna 22,01139 8,8683 108,1081 3,045852 89,7866 Šlapanice 18,55042 7,82191 157,6699 2,260224 96,812 Tišnov -3,37898 15,26437 54,7945 1,967452 114,7408 Veselí nad Moravou 2,65769 12,57798 112,9353 1,472514 103,3163 Vyškov 2,60636 11,97037 200 1,829525 104,8752 Znojmo 8,78692 10,53767 97,5309 1,358696 113,9298 Židlochovice 14,99133 7,65929 241,7391 2,222254 94,2973 VYBRANÉ SOCIÁLNĚGEOGRAFICKÉ CHARAKTERISTIKY PRO ORP JIHOMOROVSKÉHO KRAJE V ROCE 2009 Charakteristiky: Celkový přírůstek na 1000 obyvatel Nezaměstnanost v % Byt celkem (inde* 2009/2008) Podíl zastavěných ploch v % Index stáří kategorie 20 KM _l Luboš STROBL, PrF B-GK KART, Brno 2010. topografický podklad: ArcCR 500 v. 2.Q ©2003 ARCDATA PRAHA, s.r.o. zdroje dat: Český statistický úřad. Praha, 2011. Obr. 1: Zpracování pomocí metody k-means (výsledkem jsou přímo kategorie) Tab. 2: První dvě komponenty PCA analýzy (dohromady vysvětlují 76 %), barevně rozklasifikované manuálně zvolenými optimálními intervaly Komponenta 1 Komponenta 2 Brno -0,27136 0,43839 Veselí nad Moravou -0,22569 -0,07256 Hodonín -0,20716 -0,08748 Kyjov -0,15556 -0,05669 Blansko -0,08175 0,04599 Moravský Krumlov -0,06288 -0,07733 Znojmo -0,06081 -0,16640 Rosice -0,05212 -0,01117 Boskovice -0,02373 -0,06485 Hustopeče -0,01918 -0,01739 Břeclav -0,01704 -0,04300 Tišnov -0,00560 0,04246 Bučovice 0,00372 -0,01490 Ivančice 0,03930 -0,05120 Mikulov 0,07143 -0,17936 Komponenta 1 | Komponenta 2 Vyškov 0,07909 -0,00682 Pohořelice 0,09170 -0,00876 Slavkov u Brna 0,13337 0,05591 Kuřim 0,23654 0,11255 Šlapanice 0,23817 0,10209 Židlochovice 0,28955 0,06052 VYBRANÉ SOCIÁLNĚGEOGRAFICKÉ CHARAKTERISTIKY PRO ORP JIHOMOROVSKÉHO KRAJE V ROCE 2009 ArcCR 500 v. 2.Q ©2003 ARCDATA PRAHA, s.r.o. zdroje dat: Český statistický úřad, Praha, 2011. Obr. 2: Zpracování pomocí metody PCA na základě dvou zjištěných komponent. Závěr: Vybrané charakteristiky jsou ve všech případech relativní hodnoty, což přispělo k objektivnějším výsledkům obou shlukovacích analýz. U metody k-means se nám do samostatné kategorie zařadilo ORP Brno, což je dáno významnou odlišností většiny sociálně geografický charakteristik tohoto ryze městského ORP. Poměrně jasně se nám vyčlenili suburbánní oblasti v zázemí Brna, kam se zařadili ORP Kuřim, Šlapanice, Slavkov u Brna a Židlochovice. Zde je to patrně zapříčiněno nižší nezaměstnaností a vyšším indexem stáří (rok 2009/2008). Většina ORP ležících na jihu kraje (kromě Břeclavi a Mikulova, které tvoří zvláštní kategorii s ORP Ivančice), se nashlukovala do samostatné kategorie. Jedná se o ORP Znojmo, Moravský Krumlov, Kyjov, Hodonín a Vešlí nad Moravou. Zde dosahuje většina charakteristik průměrných hodnot bez větších extrémů. Zbývající ORP převažují v severní a střední části kraje a vyznačují se negativními hodnotami většiny charakteristik. Je zde vysoká nezaměstnanost, nízký index stáří a celkově jsou zde horší životní podmínky oproti ORP v zázemí města Brna. Metodou PCA (Principal component analysis) jsme získaly dvě významné komponenty (vysvětlující 42 % a 34 %, dohromady tedy 76 % jevu). První komponenta je o něco málo významnější a proto jsme ji vizualizovali pomocí odstínu barvy, druhou pomocí intenzity. Výsledky se nepatrně liší od metody k-means což je způsobeno nejen odlišnou metodou shlukování ale také vyšším počtem kategorií (oproti pěti samostatným kategoriím zde máme kategorií 9 devět. V případě PCA je stále patrné zázemí a odlišnost Brna, přičemž v tomto případě nám do něj spadá na první pohled více ORP a snáze rozlišíme klesající trend hodnot jednotlivých komponent od jádra, které tvoří ORP Brno. Obě metody jsou závislé na přístupu toho, kdo je zpracovává, včetně použitých metod normalizace a transformace dat, v případě PCA zvolené klasifikace hodnot jednotlivých prvků u komponent. Proto je nutné se vždy řídit dosavadními znalostmi vybraných jevů a nepostupovat u shlukovací analýzy čistě automaticky.