ROCZNIKI GEOMATYKI 2011 m T IX m Z 3(47)
KLASYFIKACJA OBSZARÓW ZE WZGLÊDU
NA WYBRANE WARUNKI RODOWISKOWE
W RELACJI DO OPADU
NA OBSZARZE DOLNEGO L¥SKA
CLASSIFICATION OF AREAS ACCORDING TO SELECTED
ENVIRONMENTAL CONDITIONS IN RELATION
TO PRECIPITATION IN LOWER SILESIA
Joanna Bac-Bronowicz, Piotr GrzempowskiInstytut Geodezji i Geoinformatyki, Uniwersytet Przyrodniczy we Wroc³awiu
S³owa kluczowe: dane punktowe, model, sieci neuronowe, geomorfometria, opad atmosferyczny Keywords: point data, model, artificial neural networks, morphometric relief, precipitation
Wstêp
Du¿a czêæ opracowañ prowadzonych w systemach informacji przestrzennej s³u¿y kom-pleksowej diagnozie i ocenie rodowiska przyrodniczego. Podstawowym narzêdziem ba-dawczym przy syntezie i analizie rodowiskowych cech przestrzennych, jakociowych i ilociowych, jest wyznaczenie regionów lub klasyfikacja obszarów podobnych ze wzglêdu na cechy najistotniejsze dla celowego wnioskowania. Jedn¹ z podstawowych metod badañ podzia³u na czêci obszarów jest zastosowanie kryterium jednorodnoci obszaru z punktu widzenia cech uznanych za wa¿ne oraz kryterium spójnoci (wewnêtrznych powi¹zañ) obsza-ru (Domañski, 1983). Prace nad wydzielaniem obszarów podobnych i regionalizacje doty-cz¹ce kilku elementów przyrodniczych, a w szczególnoci fizycznogeograficzne (Kondrac-ki, 2009; Maciejows(Kondrac-ki, 2009; Romer, 1949; Rychling, 1992; 2006), klimatyczne (Bac i in., 1992; Bac-Bronowicz, 1996; 2000; Lorenc ,1996; Obrêbska-Starkel, 1977; Oko³owicz, 1978; Stach, 2010; Wiszniewski, Che³chowski, 1975; Wo, 1995; Ziernicka-Wojtaszek, Zawora, 2006) i inne s¹ prowadzone w Polsce od dwustu lat, a od piêædziesiêciu w sposób odpo-wiadaj¹cy dzisiejszym standardom. Przy budowie modelu rozk³adu przestrzennego podsta-wowych elementów klimatu uwzglêdnia siê ich zale¿noæ od uwarunkowañ topograficz-nych, które w powi¹zaniu z warunkami wietrznymi kszta³tuj¹ rozk³ad opadów i temperatur. W badaniach rozk³adu opadu g³ównym celem jest przejcie z modelu dyskretnego na model ci¹g³y, z uwzglêdnieniem potencjalnych warunków kszta³tuj¹cych rozk³ad zjawiska. Polska
sieæ stacji pomiarowych nie reprezentuje wiêkszoci jednostek wyodrêbnionych przez warunki topograficzne i klimatyczne i dlatego powszechnie stosowane metody klasyfikacyjne nie za-wsze spe³niaj¹ oczekiwania praktycznie u¿ytecznego modelowania klimatycznego. W celu pod-niesienia wiarygodnoci modelowania, metody s³u¿¹ce zamianie informacji punktowej na ci¹g³¹ lub czêciowo ci¹g³¹ powinny byæ stosowane w granicach wydzieleñ fizycznogeograficz-nych, zaklasyfikowanych na podstawie analiz statystyczfizycznogeograficz-nych, fraktalnych lub innych (Bac-Bronowicz, 2003). W artykule opisano wykorzystanie sztucznych sieci neuronowych w za-stosowaniu do rozpoznania i klasyfikacji obszarów ze wzglêdu na wybrane warunki rodowi-skowe, wp³ywaj¹ce na rozk³ad przestrzenny opadu. Stworzony model umo¿liwia wy³¹czenie obszarów o cechach ró¿ni¹cych siê od wzorców w otoczeniach stacji pomiarowych.
Badania wielkoci opadu na stacjach pomiarowych
Dolnego l¹ska. Analiza skupieñ stacji pomiarowych
ze wzglêdu na wartoci opadu
Regularne pomiary opadu na Dolnym l¹sku prowadzone s¹ od 1891 roku. Najobszerniej-sze opracowania pochodz¹ z okresu 1891-1930 (Wiszniewski, 1953) oraz 1971- 2010 w sieci Instytutu meteorologii i Gospodarki Wodnej. Weryfikacja danych wykaza³a mo¿liwoæ pozy-skania wiarygodnych danych z 390 stacji dla pierwszego okresu oraz 50 stacji dla drugiego okresu. Na podstawie tych opracowañ wykonano analizy (Bac-Bronowicz, 1996) dotycz¹ce redniej wielkoci opadu atmosferycznego okrelonych sum¹ opadów w trzech okresach: wegetacyjnym oraz sum maja i czerwca, lipca i sierpnia. Dwie ostatnie wartoci zosta³y wprowadzone do klasyfikacji ze wzglêdu na ich szczególny wp³yw na plony rolin uprawnych wiod¹cych w Polsce. Wyniki analiz pos³u¿y³y do podzia³u stacji na klasy charakteryzuj¹ce siê wspólnymi zakresami wartoci cech, w tym przypadku wartoci redniej opadu (Bac-Brono-wicz; 1997; Bac-Bronowicz, Borkowski, 2003). Wyznaczaj¹c zasiêg pola wielowariantowego wyznaczono obszary podobne pod wzglêdem wielkoci opadu w wybranych okresach pomia-rowych ustalaj¹c zakres jego zmiennoci w poszczególnych klasach. Przyjêto niehierarchiczn¹ metod klasyfikacji ISODATA. Jest to metoda aglomeracyjno-podzia³owa i iteracyjna, która stosuje zarówno dzielenie, jak i ³¹czenie skupieñ. Wymaga wstêpnego ustalenia kilku parame-trów wejciowych. W literaturze znanych jest kilka odmian tej metody (Kucharczyk, 1982). Ró¿nice dotycz¹ m.in. mo¿liwoci okrelania parametrów wejciowych oraz sterowania tymi parametrami w zale¿noci od otrzymywanych wyników, podczas wykonywania obliczeñ. Na podstawie przeprowadzone klasyfikacji wydzielono osiem skupieñ (rys. 2) uwzglêdniaj¹c redni¹ wysokoæ wartoci opadu w ró¿nych okresach roku oraz inne parametry maj¹ce wp³yw na jego rozk³ad, g³ównie wysokoæ nad poziom morza.
Wybór warunków rodowiskowych zwi¹zanych z opadami.
Analiza otoczenia stacji pomiarowych
Na temat klasyfikacji cech rodowiska przyrodniczego Dolnego l¹ska istnieje obszerna i cenna literatura, jednak podzia³ na ró¿ni¹ce siê miêdzy sob¹ obszary jest odmienny zarówno pod wzglêdem liczby wyodrêbnionych regionów, jak i przebiegu ich granic, wynikaj¹cych z
zastosowanych metod. W przedstawionych badaniach do wyznaczenia otoczeñ wokó³ stacji przyjêto nastêpuj¹ce cechy: przynale¿noæ do jednostki fizycznogeograficznej, rednia wy-sokoæ bezwzglêdna, spadek i nachylenie terenu. Dane te przyjêto jako wartoæ redni¹ wyznaczon¹ dla pól siatki TEMKART (o powierzchni 1 km 2) (Podlacha, Szeliga, 1999).
Ka¿dej stacji opadowej przyporz¹dkowano trapezowe pole podstawowe siatki, w obrêbie którego jest ona po³o¿ona.
Jednostki fizyczno-geograficzne (Kondracki, 2000)
Z przyrodniczego punktu widzenia przyjêcie jako jednego z kryteriów do klasyfikacji obszarów podobnych regionów fizycznogeograficznych z granicami wynikaj¹cymi z ukszta³-towania terenu, podnosi prawdopodobieñstwo prawid³owego okrelenia rozk³adu zjawisk zale¿nych od ukszta³towania terenu (Bac, 1997; Stach, 2010). Wyró¿nione przez Kondrac-kiego i Walczaka (Atlas , 2008) obszary s¹ podobne pod wzglêdem: rzeby terenu, nachy-lenia, wystawy, wysokoci bezwzglêdnej, budowy geomorfologicznej itp. Na ich podstawie mo¿na wyró¿niæ bariery morfologiczne, które s¹ podstawowym czynnikiem rozk³adu wielu cech na przyk³ad klimatycznych. Dok³adnoæ wyznaczenia granic tych jednostek wynika z dok³adnoci najmniej dok³adnej z map topograficznych, geologicznych, geomorfologicznych i krajobrazowych s³u¿¹cych do okrelenia granic. Dok³adnoæ wynikowa lokalizacji granic zale¿y od dok³adnoci danych i sposobu ich przetwarzania (Bac-Bronowicz, 2010). Przyj-muje siê, ¿e dok³adnoæ wyznaczenia granic jednostek fizycznogeograficznych odpowiada wyznaczeniu granic na mapie 1: 200 000 ( skala najmniej dok³adnej mapy geologicznej) w starszych opracowaniach oraz 1:50 000 w nowszych (Nikita, 2010; Sowiñska, Chmielew-ski, 2007).
Rzeba terenu
Rzeba terenu wp³ywa na wiele procesów i zjawisk, a jest jedynym z niewielu elementów rodowiska geograficznego, który mo¿e byæ pomierzony i przedstawiony w modelach z dok³adnoci¹. pozwalaj¹c¹ na wyznaczanie parametrów liczbowych (Burrough, 2001; Wie-czorek, ¯yszkowska, 2011).
Rozk³ad opadu atmosferycznego czêsto jest zwi¹zany z wysokoci¹ terenu nad pozio-mem morza, dlatego w po³udniowej czêci Dolnego l¹ska w terenie górzystym wartoci opadu s¹ najwiêksze. Nie jest to jednak jedyny czynnik warunkuj¹cy tê cechê. Du¿y wp³yw na wielkoæ opadu atmosferycznego, a dok³adniej na czêstoæ jego wystêpowania i inten-sywnoæ, ma obecnoæ zbiorników wodnych oraz barier naturalnych zatrzymuj¹cych chmury deszczowe.
Wysokoæ bezwzglêdna
W analizach przyjêto 3 kategorie wyznaczania otoczeñ stacji opadowych: nizinne, wy-¿ynne, górskie (Bac-Bronowicz, 2006). Zró¿nicowanie tej cechy na Dolnym l¹sku widocz-ne jest na histogramie (rys. 1). Wyranie zaznacza siê skonoæ rozk³adu tej cechy w bada-nym terenie, a wiêc nale¿y przyj¹æ kategorie wynikaj¹ce z wczeniejszych powszechnie u¿ywanych opracowañ, a nie wprowadzaæ sztywne statystyczne podzia³y.
Na obszarze Dolnego l¹ska wyranie daj¹ siê rozró¿niæ trzy krainy geograficzne: niziny, wy¿yny i góry Ka¿da z tych krain charakteryzuje siê innymi warunkami topograficznymi, w tej pracy przede wszystkim brana pod uwagê jest wysokoæ nad poziom morza. W rodowisku klimatologów przyjêto, ¿e wysokoæ stacji pomiarowej ma istotny wp³yw na przenoszenie wartoci opadu w otoczenie stacji. Bior¹c pod uwagê zró¿nicowanie tych wysokoci, wydaje siê konieczne podzielenie stacji pomiarowych na trzy klasy, odpowiadaj¹ce trzem krainom geograficznym Dolnego l¹ska, uwzglêdniaj¹ce wysokoci n.p.m. Do pierwszej klasy nizin-ne zakwalifikowano stacje, których wysokoæ znajduje siê w przedziale 75-200 m. W drugiej klasie wy¿ynne umieszczono stacje z przedzia³u 201-400 m. Natomiast w trzeciej klasie górskie s¹ stacje, których wysokoæ jest wiêksza od 400 m. Taki podzia³ stacji na klasy prowadzi do ich rozk³adu w miarê zgodnie z zasiêgami krain geograficznych (Bac-Brono-wicz, 2006).
Trzem klasom przypisano, ze wzglêdu na stopieñ zmiennoci, promieñ przenoszenia in-formacji z punktu pomiarowego na otoczenie. W klasie nizinne otoczenie stacji okrelono na 9 km (rys. 5), w klasie wy¿ynne na 5 km, a w górach na 2 km. Analiza wykaza³a, ¿e przy za³o¿onych ilociach otoczeñ i ró¿nicach wysokoci, dopuszczonych do przenoszenia informacji zosta³o 76% terenu na nizinach, 46% wy¿ynnych i tylko 28% górskich. Wynik w górach spowodowany by³ g³ównie zbyt rzadk¹ sieci¹ pomiarow¹. Wyniki przedstawiono na rysunku 3.
Nachylenie terenu
Dolny l¹sk od po³udnia pokryty jest górami, a wiêkszoæ jego obszaru jest terenem nizinnym i p³askim, dlatego du¿y jest obszar, gdzie w miejscu wystêpowania posterunków opadowych nachylenie terenu nie przekracza 3 stopni (rys. 4). Zmiennoæ warunków opa-dowych uzasadnia³aby raczej dostosowanie gêstoci stacji do zmiennoci, co spowodowa³o-by zmianê po³o¿enia stacji, a tak¿e ich liczspowodowa³o-by. Koniecznoæ u¿ywania odpowiednio d³ugich
ci¹gów pomiarowych (trzydziesto-, czterdziestoletnich) uniemo¿liwia jednak zmiany w po-³o¿eniu punktów pomiarowych i koniecznoæ wykorzystania istniej¹cych danych.
Klasyfikacja obszarów ze wzglêdu na wybrane warunki
rodowiskowe
Wykorzystanie sztucznych sieci neuronowych do rozpoznawania i klasyfikacji obszarów podobnych do otoczeñ stacji opadowych
Obserwacje na stacjach meteorologicznych dostarczaj¹ danych w punktach ich lokaliza-cji, natomiast celem modelowania jest zazwyczaj przejcie z modelu dyskretnego do modelu ci¹g³ego lub czêciowo ci¹g³ego. Jedn¹ z mo¿liwoci realizacji tego zadania jest wykorzysta-nie sztucznych sieci neuronowych. Zak³ada siê, ¿e w pewnej odleg³oci od stacji warunki s¹ podobne i zjawiska pogodowe maj¹ podobny przebieg. Istota metody jest za³o¿enie, ¿e oto-czenia w pobli¿u stacji opadowych z danego skupienia mog¹ stanowiæ wzorzec klasy. Wzo-rzec scharakteryzowany jest przez wybrane cechy jakociowe i ilociowe oraz znana jest jego klasa przynale¿noci. W odniesieniu do struktury sieci neuronowych, cechy opisuj¹ce wzorzec stanowi¹ informacje wprowadzane na jej warstwê wejciow¹, natomiast przynale¿-noæ do klasy (skupienia) stanowi informacjê przyporz¹dkowan¹ do warstwy wyjciowej (rys. 6). Liczba neuronów wyjciowych odpowiada liczbie wczeniej wyznaczonych skupieñ. Model powi¹zania informacji o cechach i przynale¿noci do otoczenia wzorców budujê siê w procesie nauki sieci neuronowej. W kolejnych iteracjach wprowadzane s¹ korekty do
Rys. 5. Stacje wraz z polami w strefach spe³niaj¹ce za³o¿one wymagania
wag do uzyskania zgodnoci wartoci wprowadzanych na warstwê wejciow¹ i odpowiedzi na warstwie wyjciowej. Po procesie nauki sieci wprowadza siê cechy opisuj¹ce jednostki obszarowe, dla których nie znamy przynale¿noci do klasy, na warstwê wejciow¹ sieci i otrzymuje siê odpowied na warstwie wyjciowej. Przynale¿noæ do klasy ustala siê na pod-stawie wartoci aktywacji neuronów wyjciowych przyjmuj¹c próg, po przekroczeniu któ-rego uznajemy odpowied za istotn¹ i wskazujemy neuron o najwiêkszej wartoci aktywacji.
Pozyskanie i przetworzenie danych w GIS
Obszar badawczy obejmuje jednostki obszarowe TEMKART w granicach województwa dolnol¹skiego. Zakres informacyjny zawiera cechy opisuj¹ce dane ilociowe dotycz¹ce red-niej wysokoci, wystawy zbocza oraz redniego spadku, a tak¿e dane jakociowe dotycz¹ce przynale¿noci do mikroregionów Kondrackiego oraz przynale¿noci do zlewni rzek. Oddziel-ne warstwy stanowi³y stacje opadowe z informacj¹ o przynale¿noci do skupienia oraz otocze-nia tych stacji stanowi¹ce wzorce klasyfikacji. Do zasileotocze-nia atrybutów jednostek TEMKART wykorzystano zapytania i analizy przestrzenne dostêpne w rodowisku ArcGIS (rys. 7).
Do przygotowania danych oraz transferu danych pomiêdzy systemem ArcGIS i progra-mem obliczeñ sztucznych sieci neuronowych SNNS (Stuttgart Neural Network Simulator) wykorzystano wybrane funkcje systemu integracji danych (rys. 8), stworzonego na potrze-by interpretacji badañ geodynamicznych (Grzempowski, 2011). System realizuje zadania zwi¹zane z zarz¹dzaniem danymi m.in.: skalowaniem i kodowaniem, tworzeniem plików wej-ciowych do programu SNNS oraz pobieraniem, interpretacj¹ i obrazowaniem wyników obliczeñ w systemie ArcGIS (ArcGIS..., 2011).
Funkcje systemu odpowiedzialne s¹ równie¿ za tworzenie zbiorów wykorzystywanych do nauki, weryfikacji i rozpoznania. Zbiór ucz¹cy zawiera zestawienia wartoci wprowadza-nych na warstwê wejciow¹ oraz po¿¹dan¹ odpowied sieci na warstwie wyjciowej. Zbiór
Rys. 7. Schemat integracji danych i ³¹czenia atrybutów jednostek odniesienia
Rys. 8. Schemat dzia³ania systemu analiz
weryfikuj¹cy jest wydzielany ze zbioru ucz¹cego. Dane ze zbioru weryfikacyjnego nie wp³ywaj¹ na proces nauki sieci, ich funkcj¹ jest jedynie sprawdzanie poprawnoci uczenia sieci neuro-nowej.
Rozpoznanie i klasyfikacja obszarów podobnych do otoczeñ stacji pomiarowych
Po zakoñczeniu procesu nauki sieci jest ona zdolna do klasyfikacji obszarów na podsta-wie atrybutów u¿ywanych podczas nauki. Zbiór do rozpoznania zapodsta-wieraj¹cy zestawione atrybuty dla ka¿dej jednostki powierzchniowej z ca³ego obszaru badawczego wprowadzany jest na warstwê wejciow¹ sieci. Dla ka¿dego rekordu danych otrzymujemy odpowied warstwy wyjciowej, w postaci wartoci aktywacji neuronów. Zaliczenie do odpowiedniej klasy (skupienia) odbywa siê poprzez ustalenie wartoci progowej, po przekroczeniu której odpowied uznajemy za istotn¹. Mo¿liwa jest oczywicie sytuacja, w której uzyskamy odwied niejednoznaczn¹. Najczêciej jest to spowodowane prób¹ klasyfikacji jednostek po-wierzchniowych, które ró¿ni¹ siê znacz¹co od wzorców przyjêtych w procesie nauki. Jest to oczywicie zwi¹zane z liczb¹ stacji pomiarowych. W zale¿noci od struktury sieci neuro-nowej mo¿liwe jest wprowadzenie dodatkowych neuronów wyjciowych, które umo¿li-wiaj¹ inn¹ odpowied sieci oznaczaj¹c¹ brak rozpoznania. Optymalizacja struktury sieci bê-dzie tematem odrêbnego opracowania. Wynik klasyfikacji sieci neuronowej w wybranych rejonach Dolnego l¹ska przedstawiono na rysunku 9.
Rys. 9. Fragment obszaru badawczego z przyk³adem klasyfikacji za pomoc¹ sztucznych sieci neuronowych miêdzy otoczeniami stacji pomiarowych
Podsumowanie
Realizacja zadania klasyfikacji obszarów wymaga wspó³dzia³ania systemów informacji przestrzennej oraz zewnêtrznych programów eksperckich realizuj¹cych funkcje i metody obliczeniowe z zakresu statystyki oraz sztucznych sieci neuronowych. W wyniku przepro-wadzonych prac wykazano mo¿liwoæ zastosowania sztucznych sieci neuronowych do kla-syfikacji obszarów na podstawie wybranych warunków przyrodniczych okrelaj¹cych
roz-k³ad zjawiska. Analizy wykaza³y, ¿e wynik klasyfikacji w znacznym stopniu zale¿y od wybo-ru jednostek odniesienia i ich atrybutów, przyjêtych jako wzorce przy tworzeniu zbiowybo-ru do nauki sieci. Na obszarach nizinnych wzorce mog¹ byæ przyjête automatycznie z otoczenia kolistego stacji pomiarowych, natomiast wraz ze wzrostem zró¿nicowania rzeby terenu (obszary podgórskie i górskie) wzorce powinny byæ starannie dobierane przez eksperta, ze wzglêdu na du¿¹ zmiennoæ kierunkow¹ cech s¹siednich jednostek odniesienia. Ka¿da meto-da klasyfikacji wzorcowej wymaga pometo-dania wzorców z pe³nego zakresu zmiennoci atrybu-tów opisuj¹cych jednostki odniesienia, istotna jest wiêc liczba oraz lokalizacja stacji pomiaro-wych. Wyniki klasyfikacji mog¹ s³u¿yæ planowaniu rozmieszczenia dodatkowych stacji po-miarowych, zw³aszcza w rejonach niezakwalifikowanych do ¿adnej z klas.
Literatura
Atlas l¹ska Dolnego i Opolskiego, 2008: Pawlak W. (red. odpow.) Pawlak J. (red. kartogr.), Bac-Bronowicz J. (oprac. red.). Pracownia Atlasu Dolnego l¹ska Uniwersytetu Wroc³awskiego.
ArcGIS Desktop Tutorials. 09. 2011. http://webhelp.esri.com/arcgisdesktop/9.2/index.cfm
Bac S., 1997: Estimate of the reliability of information on atmospheric precipitation, Acta Univ. Wratisl. Bac S., Bac-Bronowicz J., Wzorek Z., 1992.: Warunki agroklimatyczne w Sudetach, ZN AR we Wroc³awiu, 214 s. Bac-Bronowicz J., 1997: Konstrukcja wielocechowych map regionów opadowych na przyk³adzie obszaru
Dolnego l¹ska. Klimatyczne warunki produkcji rolinnej, Rolnictwo, Vol. 345, Pu³awy.
Bac-Bronowicz J. 2000: The problem of determination of the boundary line for climatological regions in Lower Silesia. Prace Geograficzne, Vol. 107. Kraków. http://www.igig.up.wroc.pl/download/Bac-Bronowicz-Prace_Geograficzne_107_2000-The_problem.pdf
Bac -Bronowicz J., 2001: Possibilities of Environmental Data Interpretation in Groundwork with Elementary Geometric Fields; an Example of Precipitation. Proc. 20th ICC nr 386, Pekin.
Bac-Bronowicz J., 2003: Okrelanie wiarygodnoci informacji uzyskanej z modeli numerycznych rozk³adu elementów przyrodniczych na przyk³adzie opadu atmosferycznego. Geoinformatica Polonica nr 5. Pol-ska Akademia Umiejêtnoci, Kraków.
Bac-Bronowicz J., 2006: Choice of acceptable intervals of types and values of topographic factors as the possibilities to determine the reliability zones of transferred information of continuous features measured in point. Reports on Geodesy. Warsaw University of Technology.
Bac-Bronowicz J., 2007: GIS as a useful tool for Spatial Distribution of Climate Parameters Observed in Point Over Relatively Long Period of Time. Proceedings of Map Asia 2007, Kuala Lumpur.
http://www.gisdevelopment.net/application/environment/climate/ma0772.htm
Bac-Bronowicz J., 2008: Mapy A-G s.46. Opady atmosferyczne 1951-1980. [W:] Atlas l¹ska Dolnego i Opolskiego. Wyd. 2, Pracownia Atlasu Dolnego l¹ska Uniwersytetu Wroc³awskiego.
Bac-Bronowicz J., 2010.: Accuracy the existing geo-information sources related to point data used in digital cartographic models. Geoinformatica Polonica, Vol. 10, Polska Akademia Umiejêtnoci, Kraków. http://www.geoinformatica.agh.edu.pl/pdfy/GEOINFORMATICA_POLONICA_10-2010.pdf Bac-Bronowicz J., Borkowski A., 2003: O mo¿liwociach okrelenia wielowariantowego pola
podstawowe-go dla wartoci opadu atmosferycznepodstawowe-go. Archiwum Fotogrametrii, Kartografii i Teledetekcji. Wroc³aw. Burrough P.A., Wilson J., van Gaans P., Hansen A., 2001: Fuzzy k-means classification of topo-climatic data
as an aid to forest mapping in the Greater Yellowstone Area, USA. Landscape Ecology. Vol 16. Dmowska A., 2008: Klasyfikacja Pojezierzy Po³udniowoba³tyckich i Pojezierzy Wschodnioba³tyckich w
oparciu o kryterium morfometryczne. Landform Analysis, Vol. 9.
Domañski R., 1983: Teoretyczne podstawy geografii ekonomicznej. Pañstwowe Wydawnictwo Ekonomicz-ne, Warszawa.
Easterling D.R., Karl T.R., Lawrimore J.H., Del Greco S.A., 1999: United States Historical Climatology Network Daily Temperature, Precipitation, and Snow Data for 1871-1997. ORNL/CDIAC-118, NDP-070. Carbon Dioxide Information Analysis Center, Oak Ridge National Laboratory, U.S. Department of Energy, Oak Ridge, Tennessee.
Grzempowski P., 2011: Integracja danych z wykorzystaniem systemu GIS na potrzeby interpretacji wyni-ków badañ geodynamicznych. Poster, konferencja pt. Satelitarne metody wyznaczania pozycji we wspó³czesnej geodezji i nawigacji, Wroc³aw 02-04.06.2011.
Lorenc H., 1996: Struktura i zasoby energetyczne wiatru w Polsce. Mat. Badawcze IMGW, ser. Meteorologia, 25. Kondracki J., 2009: Geografia regionalna Polski. PWN, Warszawa.
Krzywicka-Blum E., Bac-Bronowicz J., 1997: Regionalisation based on agricultural environment. Proc. of XVIII International Cartographic Conferecne (ICC), Stockholm.
Morajda J., 2011: Problematyka przetwarzania informacji jakociowej w modelowaniu neuronowym. http://www.pitwin.edu.pl/attachments/944_026%20Morajda%20-%20Problematyka.pdf
Maciejowski W., 2009.:Regionalizacja fizycznogeograficzna przesz³oæ czy przysz³oæ geografii fizycz-nej? Problemy ekologii krajobrazu. t. XXIII.
Obrêbska-Starkel B., 1977: Typologia i regionalizacja fenologiczno-klimatyczna na przyk³adzie dorzecza górnej Wis³y. Rozprawy IG UJ, 17.
Oko³owicz W., 1978: Regiony klimatyczne. Narodowy Atlas Polski. Ossolineum.
Podlacha K., Szeliga K., 1999: Uk³ady odniesieñ przestrzennych w aspekcie tworzenia i funkcjonowania SIP w Polsce. Prace IGiK, t. XLVI, z 99, Warszawa.
Romer E., 1949: Regiony klimatyczne Polski. Pr. Wroc. Tow. Nauk. Ossolineum. Richling A., 1992: Kompleksowa geografia fizyczna. PWN, Warszawa.
Richling A., Ostaszewska K. (red), 2006: Geografia fizyczna Polski. PWN, Warszawa.
Stach, A., 2006: Analiza przestrzenna danych jakociowych. Aplikacje geologiczne. Polskie Towarzystwo Geologiczne i Uniwersytet im. A. Mickiewicza, Streszczenia referatów wyg³oszonych w 2005 roku, Skoczylas J. (red.), t. XIV.
Stach A., 2010: Ocena przestrzenna opadów, [W:] GIS-woda w rodowisku. BWN, Poznañ.
Stuttgart Neural Network Simulator, User Manual, Version 4.1, University of Stuttgart, Institute for Parallel and Distributed High Performance Systems (IPVR).
http://www.ra.cs.uni-tuebingen.de/SNNS/UserManual/UserManual.html
Wieczorek M., ¯yszkowska W., 2011: Geomorfometria parametry morfometryczne w charakterystyce rzeby terenu. Polski Przegl¹d Kartograficzny t. 43, nr 2.
Wiszniewski W., 1953: Atlas of precipitation in Poland, 1891-1930, PIHM, WK, Warszawa.
Wiszniewski W., Che³chowski W., 1975: Charakterystyka klimatu i regionalizacja klimatyczna Polski. Wyd. Komunikacji i £¹cznoci.
Wo A., 1995: Zarys klimatu Polski. BWN, Poznañ.
Ziernicka-Wojtaszek A., Zawora Z., 2008: Regionalizacja termiczno-opadowa Polski w okresie globalnego ocieplenia. Acta Agrophysica 11(3).
Abstract
The aim of research is to classify the areas according to selected environmental data in relation to precipitation in Lower Silesia. The classification is to emphasize features which distinguish individual areas and, at the same time, influence spatial distribution of precipitation. Multi-feature classification is made with the use of statistical methods and artificial neural networks.
The sources of selected qualitative and quantitative data, and the methods of processing and creating relations between the features are presented in the paper. There are also tests of the possibilities of applying existing and programming tools in ArcGIS system to spatial analyses crucial for preparing data used for special-purpose software.
One of the final effects are the maps of areas distinguished on the basis of the types of environmental conditions.
dr in¿. Joanna Bac-Bronowicz joanna.bac-bronowicz@igig.up.wroc.pl dr in¿. Piotr Grzempowski
podzia³ na klasy (skupienia) wartoci opadu w stacjach pomiaru na tle rozk³adu opadu w pó³roczu ciep³ym (Atlas , 2008)