QGIS/C4/Nearest-Neighbour-Analysis/Tamil
From Script | Spoken-Tutorial
Time | Narration |
00:01 | QGISல், Nearest Neighbour Analysis குறித்த இந்த டுடோரியலுக்கு நல்வரவு |
00:07 | இந்த டுடோரியலில் நாம் கற்கப்போவது- |
00:11 | Distance matrix முறையை பயன்படுத்தி, Nearest Neighbour Analysis ஐ செய்வது |
00:16 | Nearest Neighbour Analysis toolஐ பயன்படுத்தி, Statisticsஐ செய்வது |
00:21 | இங்கு நான் பயன்படுத்துவது: Ubuntu Linux OS பதிப்பு 16.04,, QGIS பதிப்பு 2.18 |
00:32 | இந்த டுடோரியலை புரிந்துகொள்ள, QGIS interface பற்றி தெரிந்து இருக்கவேண்டும் |
00:3l9 | முன்நிபந்தனை QGIS டுடோரியல்களுக்கு, இந்த இணைப்பை பயன்படுத்தவும் |
00:45 | இந்த டுடோரியலை பயிற்சி செய்வதற்கு தேவையான fileகள், Code files இணைப்பில் உள்ளன |
00:52 | அதை தரவிறக்கி, folderல் உள்ள contentகளை extract செய்யவும் |
00:57 | இந்த டுடோரியலை பயிற்சி செய்யவதற்கு தேவையான fileஐ கொண்ட folderஐ நான் என்னிடம் வைத்துள்ளேன் |
01:04 | Folderஐ திறக்க டபுள்-க்ளிக் செய்யவும். இங்கு Urban areas.shp மற்றும் Volcanoes.shp இருப்பதை நீங்கள் காண்பீர்கள் |
01:15 | Volcanoes.shp layer உலகில் உள்ள ஆக்டிவ் எரிமலைகளைக் காட்டுகிறது. |
01:21 | Urban areas.shp, உலகின் அதிக மக்கள் தொகை கொண்ட நகர்ப்புறங்களைக் காட்டுகிறது. |
01:28 | QGIS ல் உள்ள இரண்டு shape fileகளை திறக்கவும். இரண்டு fileகளையும் தேர்ந்தெடுக்கவும் |
01:35 | ரைட்-க்ளிக் செய்து, context menu வில் Open with QGIS Desktop தேர்வை தேர்ந்தெடுக்கவும் |
01:42 | இரண்டு layerகள் load செய்யப்பட்ட layers panel உடன் QGIS interface திறக்கிறது |
01:49 | volcanoes layerஐ ரைட்-க்ளிக் செய்து, zoom to layer தேர்வை தேர்ந்தெடுக்கவும் |
01:55 | Canvasல் புள்ளி அம்சங்களைக் கொண்ட வரைபடத்தைக் காண்பீர்கள். |
02:01 | இந்த புள்ளி அம்சங்களை label செய்வோம். |
02:05 | sub menu வில் ஐ ரைட்-க்ளிக் செய்யவும். Propertiesஐ க்ளிக் செய்யவும் |
02:12 | Layer Properties dialog-box திறக்கிறது |
02:16 | இடது panelலில் இருந்து, Labelsஐ தேர்ந்தெடுக்கவும் |
02:20 | drop down ல் இருந்து, Show labels for this layer தேர்வை தேர்ந்தெடுக்கவும் |
02:25 | Label with drop downல், Nameஐ தேர்ந்தெடுக்கவும் |
02:29 | இங்கு label styleஐ மாற்றுவதற்கான பல்வேறு தேர்வுகளை நீங்கள் காண்பீர்கள் |
02:34 | தேவையான style ஐ தேர்வு செய்து, OK பட்டனை க்ளிக் செய்யவும் |
02:39 | canvas ல், பெயர்களுடன் புள்ளிகள் காட்டப்படுகின்றன |
02:44 | இவ்வாறே, Urban areasக்களை label செய்வோம் |
02:51 | Canvasல், புள்ளி அம்சங்கள் அவற்றின் நகரங்களுடன் பெயரிடப்பட்டுள்ளன. |
02:57 | அம்சங்களுக்கிடையிலான spatial உறவுகளை பகுப்பாய்வு செய்வதற்கான கருவிகள் QGIS இல் உள்ளன. |
03:04 | அத்தகைய ஒரு tool, Nearest Neighbour Analysis. |
03:08 | Nearest Neighbour Analysis பின்வரும் பகுப்பாய்வுக்கு பயன்படுகிறது |
03:13 | இரண்டு Point featureகளுக்கிடையேயான தூரத்தைக் கண்டறிதல். |
03:17 | கொடுக்கப்பட்ட அம்சத்திற்கு மிக நெருக்கமான அம்சங்களைக் கண்டறிதல். |
03:23 | முதலில், தூரங்களைக் கணக்கிடுவதற்கு distance matrixஐ உருவாக்குவோம். |
03:29 | Volcanoes layerக்கான, attribute table ஐ திறப்போம் |
03:34 | Volcanoes layerஐ ரைட்-க்ளிக் செய்யவும் |
03:37 | Open Attribute Tableஐ தேர்ந்தெடுக்கவும் |
03:40 | attribute tableலில், பல columnகள் உள்ளன |
03:45 | புள்ளி அம்சங்களுக்கான பல்வேறு பண்புக்கூறுகள் இங்கே பட்டியலிடப்பட்டுள்ளன. |
03:50 | எரிமலைகளின் பெயர்கள் மற்றும் அவற்றின் இருப்பிடங்களும் இங்கே பட்டியலிடப்பட்டுள்ளன. |
03:56 | attribute tableஐ மூடவும் |
03:59 | Urban areas layerக்கான attribute tableஐ திறக்கவும் |
04:04 | Tableலில் உள்ள பல்வேறு columnகளை கவனிக்கவும் |
04:08 | இந்த tableலில் நகரங்கள், நாடுகளின் பெயர்கள் மற்றும் பிற தகவல்களைக் காண்பீர்கள். |
04:15 | attribute tableஐ மூடவும் |
04:18 | ஆக்டிவ் எரிமலைகளுக்கும் அருகிலுள்ள நகரங்களுக்கும் இடையிலான தூரத்தைக் கணக்கிடுவோம். |
04:24 | Vector menuவை க்ளிக் செய்யவும் |
04:27 | Analysis Toolsஐ தேர்ந்தெடுக்கவும் |
04:30 | sub-menu வில் இருந்து, Distance Matrix தேர்வை தேர்ந்தெடுக்கவும் |
04:34 | Distance Matrix dialog-box திறக்கிறது |
04:38 | வலது panel லில், Distance matrix பற்றிய விளக்கத்தை படிக்கவும் |
04:44 | முன்னிருப்பாக, Parameters tab திரையில் திறக்கிறது |
04:49 | இங்கு காட்டியுள்ளபடி Parameterகளை தேர்ந்தெடுக்கவும் |
04:53 | Volcanoesஐ, Input Point Layerஆக தேர்ந்தெடுக்கவும் |
04:58 | Input unique ID field ஆக, NAME ஐ தேர்ந்தெடுக்கவும் |
05:03 | Target Point Layer ஆக, Urban Areas ஐ தேர்ந்தெடுக்கவும் |
05:08 | Target unique ID field ஆக, City ஐ தேர்ந்தெடுக்கவும் |
05:13 | Output matrix typeஐ Linearஆக வைக்கவும் |
05:17 | எரிமலையிலிருந்து அருகிலுள்ள இரண்டு நகரங்களுக்கான தூரத்தைக் கண்டுபிடிப்போம். |
05:23 | அதனால், Use only the nearest target Points field ல் 2ஐ தேர்ந்தெடுக்கவும் |
05:30 | Distance Matrix fieldக்கு அடுத்துள்ள 3 புள்ளிகள் கொண்ட பட்டனை க்ளிக் செய்யவும் |
05:35 | drop-down menu வில், Save to file தேர்வை தேர்ந்தெடுக்கவும் |
05:40 | dialog-box ல், பொருத்தமான பெயர் மற்றும் இடத்தை கொடுக்கவும் |
05:44 | Files of typeக்கு CSV ஐ தேர்வு செய்யவும் |
05:49 | Encoding fieldல், Systemஐ தேர்வு செய்யவும். Saveபட்டனை க்ளிக் செய்யவும் |
05:56 | Distance matrix dialog-box ல் பின்வருவனவற்றிற்கு, check-box ஐ check செய்யவும். Open output file after running algorithm. |
06:06 | dialog box ன் கீழ் வலது மூலையில் உள்ள, Run Saveபட்டனை க்ளிக் செய்யவும் |
06:12 | இந்த செயல்முறை சில வினாடிகளை எடுத்துக்கொள்ளும் |
06:15 | Distance matrixஎன்று பெயரிடப்பட்ட ஒரு புதிய csv layer, Layers panel க்கு சேர்க்கப்படும் |
06:22 | Distance matrix layerக்கான attribute tableஐ திறக்கவும் |
06:27 | attribute tableலில் மூன்று columnகள் இருக்கின்றன. கடைசி column எரிமலைக்கும் அருகிலுள்ள நகரத்திற்கும் இடையிலான தூரம். |
06:38 | இங்கே தூரம் மீட்டரில் உள்ளது என்பதை கவனிக்கவும் |
06:43 | இது ஏனெனில், layerகள் WGS 84 UTM Zone 46N systemல் project செய்யப்பட்டுள்ளன |
06:52 | CRSஐ பொறுத்து, தூரம் layer units அல்லது degreeகளிலும் இருக்கலாம் |
07:00 | ஒவ்வொரு எரிமலைக்கும், அருகிலுள்ள இரண்டு நகரங்கள் பட்டியலிடப்பட்டுள்ளன என்பதையும் கவனிக்கவும். |
07:07 | Nearest neighbour toolஐப் பயன்படுத்தி layerகளுக்கு சில புள்ளிவிவர பகுப்பாய்வுகளைப் பெறுவோம். |
07:14 | அம்சங்களின் விநியோகத்தை பகுப்பாய்வு செய்ய நாம் nearest neighbour analysisஐ இயக்குவோம். |
07:21 | முடிவுகள் விநியோகத்தை, clustered, dispersed அல்லது random ஆக வைக்கும் |
07:29 | attribute tableஐ மூடவும் |
07:32 | Vector menuவை க்ளிக் செய்யவும் |
07:35 | கீழே scroll செய்து, Analysis Toolsஐ க்ளிக் செய்யவும் |
07:40 | sub-menu வில் இருந்து, Nearest Neighbour analysisஐ தேர்ந்தெடுக்கவும் |
07:46 | Nearest Neighbour Analysis dialog-box திறக்கிறது |
07:50 | வலது panelலில், Nearest neighbour analysis பற்றி கொடுக்கப்பட்டுள்ள தகவலை படிக்கவும் |
07:57 | Points drop-downல், Volcanoes layer ஐ தேர்ந்தெடுக்கவும் |
08:02 | கீழ் வலது மூலையில் உள்ள, Run பட்டனை க்ளிக் செய்யவும் |
08:06 | Results window திறக்கிறது |
08:09 | எரிமலை layerக்கான சில புள்ளிவிவர அளவுருக்கள் இங்கே பட்டியலிடப்பட்டுள்ளன. |
08:15 | Observed mean distance |
08:17 | Expected mean distance |
08:20 | Nearest neighbour index |
08:23 | Number of point features and Z-Score. |
08:29 | Nearest Neighbour Index, Observed Mean Distance to Expected Mean Distanceன் ratioவாக வெளிப்படுத்தப்படுகிறது |
08:39 | index மதிப்பு 1 க்கும் குறைவாக இருந்தால், முறை clusteringஐ வெளிப்படுத்துகிறது. |
08:45 | index மதிப்பு 1 ஐ விட அதிகமாக இருந்தால், போக்கு dispersionஐ நோக்கியதாகும். |
08:52 | Nearest Neighbor Indexன் 0.2 மதிப்பு, clusteringஐ குறிக்கிறது. அதாவது, எரிமலைகள் ஒன்றுக்கொன்று நெருக்கமாக அமைந்துள்ளன என்று பொருள். |
09:04 | அதே போல் ஒரு negative Z-Score உம் புள்ளி அம்சங்களின் ஐ குறிக்கிறது. |
09:10 | Results windowவை மூடவும் |
09:13 | Project menuவை பயன்படுத்தி projectஐ சேமிக்கவும் |
09:17 | சுருங்கச் சொல்ல, |
09:19 | இந்த டுடோரியலில் நாம் கற்றது, - |
09:22 | Distance matrix முறையை பயன்படுத்தி, Nearest Neighbour Analysis ஐ செய்வது, Nearest Neighbour Analysis toolஐ பயன்படுத்தி, Statisticsஐ செய்வது |
09:32 | பயிற்சியாக, நகர்ப்புறங்களுக்கு அருகிலுள்ள 5 எரிமலைகளுக்கு Distance Matrixஐ உருவாக்கவும். குறிப்பு: Urban Areasஐ input ஆகவும், Kஐ 5 ஆகவும் பயன்படுத்தவும் |
09:46 | முடிவு பெற்ற பயிற்சி இவ்வாறு இருக்கவேண்டும் |
09:51 | இந்த இணைப்பில் உள்ள வீடியோ ஸ்போகன் டுடோரியல் திட்டத்தை சுருங்கச் சொல்கிறது. அதை தரவிறக்கி காணவும் |
09:59 | Spoken Tutorial Project Team, செய்முறை வகுப்புகள் நடத்தி, சான்றிதழ்கள் தருகிறது. மேலும் விவரங்களுக்கு எங்களுக்கு எழுதவும். |
10:09 | உங்கள் நேரமிடப்பட்ட கேள்விகளை இந்த மன்றத்தில் முன்வைக்கவும் |
10:13 | ஸ்போகன் டுடோரியல் திட்டத்திற்கு பண ஆதரவு, இந்திய அரசாங்கத்தின், NMEICT, MHRD, மூலம் கிடைக்கிறது. |
10:20 | இந்த டுடோரியலை தமிழாக்கம் செய்தது ஜெயஸ்ரீ, குரல் கொடுத்தது பிரியதர்ஷினி. கலந்துகொண்டமைக்கு நன்றி. |