Моделирование в картографии - Тикунов В.C.
ISBN 5-211-03346-9
Скачать (прямая ссылка):
Анализируя рис. 45 и 46, нетрудно заметить, что полученные результаты моделирования в общем согласуются с пространственным варьированием плотности населения. Так, прежде всего волна эпидемии от Барнаула как бы распространяется вдоль железных дорог на Бийск, Рубцовск, в сторону Новосибирска, к наиболее густо заселенным территориям края и прежде всего в районы предгорий Алтая и по долине р. Оби. Лишь затем происходит "заполнение" пустот между этими направлениями развития эпидемии и появление ее в Кулундинской степи. Вероятность же появления эпидемии в районах Горного Алтая мала, что и проявляется в полном отсутствии здесь ее очагов. Можно заметить также появление эпидемии прежде всего в крупных, хотя и достаточно удаленных от очага эпидемии, городах с последующим ее "расползанием" на окружающие территории.
Коэффициент корреляции между плотностью населения и оценками математического ожидания величины времени начала эпидемии в каждой территориальной единице равен - 0,39. Аналогичный коэффициент для оценки среднеквадратического отклонения равен - 0,49 в случае начала эпидемии из г. Барнаула. Коэффициенты корреляции аналогичных оценок с величинами потенциала поля расселения гораздо выше - 0,83 и - 0,71, что свидетельствует о лучшем соответствии интегральных характеристик населенности территории с характером распространения эпидемии. Это же в какой-то степени подтверждает правомочность использования гравитационных моделей для имитации процессов распространения эпидемии. Для случая распространения эпидемии из г. Рубцовска данные коэффициенты соответственно равны - 0,31; - 0,41; - 0,81; - 0,61.
При проведении моделирования существенную трудность представил этап оценки достоверности получаемых результатов. Наилучшим и простейшим путем для этого могло бы стать сравнение результатов моделирования с реальными данными. Однако это далеко
178
жжжжжжжжжж*жжжжжжжж****жжж**жжжжжжжжжжж* жжжжжж**жжжжжжжжжжжжжжжжжжжжжж*жжжжжжжжж жжжжжжжжжжжжжжжжжжжжжжж жжжжжжжжжжжжжжжж ХЖХХЖЖ* жжжжж S жжжжжжжжжжжжжж
«жжжжж S««« жжжжжжжжжжжжж
ж S «жжжжжжжжжж
«3 X «жжжжжжжжжж'
X 8 SS S««**««**«*
** S s S о*ожжж«жжж
жжж жжжжж
«жж ожжжжжжж
жжжж о*««***«
жжжжж о«оо««*
жжжжж 0000 0000*«*
жжжжж* ЖЖЖ S О ООО OO оож
ЖЖЖЖЖЖЖЖЖЖЖ ОЖЖЖ*00 O O О ООО
ЖЖЖЖЖ*ЖЖЖЖЖ*ЖЖЖЖЖЖЖЖЖО О О*
«ЖХЖЖЖХ*ЖЖЖ*ЖЖЖЖЖЖЖ*ЖЖЖО OO OO OO
*ЖЖЖЖЖ*ЖЖ*ЖЖЖЖЖЖЖЖЖ*ЖЖЖЖОООООО О О ООО* *ЖЖЖЖ*Ж*ЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖООО ожж*** ЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖООО******
жжжжжжжхжжжжжжжжжжжжжжжжжжжжжжжжжжжжжжжж жжжжжжжжжжжжжжжжжжжжжжжжжжжжжжжжжжжжжжжж
УСЛОВНЫЕ ОБОЗНАЧЕНИЯ:
X — место начала эпидемии,
S — клетки с существенным расхождением оценок мат. ожидания,
О — клетки с нулевой плотностью населения,
? — клетки вне Алтайского края
в
жжжжжж**жж****ж*жжжжжжжжжжжжжжжжжжжжжжжж
ЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖжжжжж*ЖЖЖ«ЖЖЖЖЖ*ж жжж*жх**хжж*хж«жжжжжжхж ЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖ жхжжжжж ***** ХЖ*Ж»»ХХЖЖЖ*?Ж
ЖЖЖЖЖ* SXX« жжжжжжжжжжжжж
MS S жжж***»*«»ж
X SS ЖЖЖЖЖЖЖЖЖЖЖ
Ж жжжжжжхххж
ЖЖ S ожохжжжжжж
ЖЖЖ жжжжж
жж* SS S S о*»жжжжж
ж*** S охжжжжжж
хжххх X SS ожоожж*
ЖЖЖЖЖ 0000 0000ЖЖЖ
Ж*Х***Э*«* S О ООО 00 00*
Ж******ХЖЖ* 0****0 О О О ООО
ХХХХХХЖХХХХХХЖХХХХХХХО О о*
ЖХЖ***Ж*******Х*ХХЖЖЖЖЖО OO OO OO
Х********Ж***ЖЖ**ЖЖЖЖЖЖЖОО0О00 О О ООО*
ж****жжжжж***ж**ххххххх*жжж*жжооо ожж*ж*
ЖХЖЖЖЖ***ЖЖЖХЖЖЖЖ*ЖЖЖЖЖЖЖЖЖЖЖЖЖОООЖЖЖЖЖ* ЖXXXXX««ХХХХХХЖХЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖ *ж* жжжжжжжжжжхж**жжжЖЖЖ*ЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖ*
УСЛОВНЫЕ ОБОЗНАЧЕНИЯ:
X — место начала эпидемии,
S — клетки с существенным расхождением оценок мат. ожидания,
О — клетки с нулевой плотностью населения,
* — клетки вне Алтайского края
Рис. 47. Значимые расхождения оценок математического ожидания времени начала эпидемии в каждой территориальной единице согласно f-критерию при начале эпидемии из: А — Барнаула; В — Рубцовска
не всегда возможно сделать. Второй путь заключается в проведении как можно большего числа реализаций моделирования с целью уменьшения ошибок оценивания соответствующих параметров. Но этот способ требует больших затрат машинного времени, чем снижает возможность широкого использования предлагаемой модели. Третий путь заключается в получении численных результатов с использованием иного способа выборки случайной величины | при сохранении неизменными всех остальных условий моделирования.
Выбрав последний путь и использовав другой датчик псевдослучайных величин, нами были получены результаты, очень близкие к первому варианту моделирования. Коэффициент корреляции между набором оценок математического ожидания времени начала эпидемии при использовании двух различных датчиков оказался равным в случае начала эпидемии в г. Барнауле 0,98 и в г. Рубцовске 0,97. Аналогичные значения для выборок оценок среднеквадрати-ческих отклонений равны 0,83 и 0,87. Таким образом, можно сделать предварительный вывод, что полученные результаты близки между собой.
12*
179
Для более детального сравнения оценок математического ожидания времени начала эпидемии в каждой территориальной единице был использован статистический метод сравнения двух выборочных средних в предположении, что они принадлежат нормальной совокупности. Метод основан на распределении Стьюдента (/-распределение) (Закс, 1976). При доверительной вероятности 0,9 были получены следующие данные: в случае начала эпидемии из г. Барнаула расхождения оказались значимыми в 12 территориальных единицах из общего числа 357 единиц с ненулевой людностью, а в случае начала эпидемии из г. Рубцовска — в 18 территориальных единицах. Пространственное размещение этих территориальных единиц фиксировано на картах (рис. 47).