# Clustering algorithms **Clustering algorithms** are a type of unsupervised machine learning technique used to group similar data points into clusters based on their inherent patterns and similarities, without predefined labels. The goal of clustering is to find a structure in a dataset where objects within a group (cluster) are more similar to each other than to those in other groups. Here are some common **clustering algorithms**: 1. **K-Means Clustering**: - One of the most widely used clustering algorithms. - It divides the dataset into *K* clusters by minimizing the variance within each cluster. - The algorithm iterates between assigning data points to the nearest cluster and recalculating the cluster centroids. 2. **Hierarchical Clustering**: - Builds a hierarchy of clusters either by **agglomerative** (bottom-up) or **divisive** (top-down) approaches. - Agglomerative starts with each data point as its own cluster and merges the closest clusters iteratively. - Divisive starts with all points in a single cluster and splits them iteratively. 3. **DBSCAN (Density-Based Spatial Clustering of Applications with Noise)**: - Groups points based on the density of data points in a region. - Can find clusters of arbitrary shapes and can distinguish outliers (noise). - It works well when clusters are of different shapes and sizes. 4. **Mean Shift Clustering**: - A non-parametric clustering method. - It finds clusters by shifting data points towards the mode (peak) of the density function. - Does not require the number of clusters to be specified. 5. **Gaussian Mixture Model (GMM)**: - Assumes that the data is generated from a mixture of several Gaussian distributions. - Assigns data points to clusters based on the probability that they belong to a particular Gaussian component. 6. **Affinity Propagation**: - Uses message passing between data points to identify clusters. - Unlike K-means, it doesn’t require the number of clusters to be specified beforehand. - Automatically selects “exemplars” as cluster centers. 7. **BIRCH (Balanced Iterative Reducing and Clustering using Hierarchies)**: - Particularly efficient for large datasets. - Uses a tree structure to incrementally and dynamically cluster incoming data points. 8. **Spectral Clustering**: - Uses eigenvalues of a similarity matrix to reduce dimensionality before clustering. - Works well for complex, non-linearly separable data. 9. **OPTICS (Ordering Points to Identify the Clustering Structure)**: - Similar to DBSCAN but better at discovering clusters of varying densities. - Provides a cluster ordering that shows the structure of the data. ### Applications of Clustering Algorithms: - Market segmentation. - Image and pattern recognition. - Anomaly detection. - Social network analysis. - Medical imaging and bioinformatics. Each algorithm has its strengths and is suited to different types of datasets, based on properties like the shape, size, and distribution of the clusters. --- Kohalike teede analüüsimiseks saab **klastrianalüüsi** kasutada mitmel viisil, et tuvastada teatud mustreid ja trende, mis aitavad infrastruktuuri planeerimisel ja liikluskorralduses. Alljärgnevalt on toodud mõned sammud ja näited, kuidas seda protsessi rakendada: ### 1. Andmete kogumine Kohalike teede analüüsimine eeldab asjakohaste andmete kogumist. Seda tüüpi andmed võivad sisaldada: - Liiklusvood (sõidukite arv teatud ajaperioodil). - Teede kvaliteet (katte tüüp, seisukord). - Õnnetuste sagedus ja asukohad. - Teede pikkus, laius ja asukoht. - Liiklussageduse tippajad. - Linnade ja asulate lähedus. Näiteks võib liikluskaameratest, anduritest või avalikest allikatest (nt linnavalitsuse andmebaasid) koguda andmeid sõidukite liikumise kohta. ### 2. Sobiva klastrialgoritmi valimine Sõltuvalt andmetüübist ja analüüsi eesmärgist võib valida erinevaid algoritme. - **K-Means klasterdamine**: Kui soovite grupeerida teid liiklusmahtude alusel (nt suured maanteed vs väiksemad tänavad), võib K-means aidata jaotada teed klastritesse sõltuvalt teatud omadustest (nt liiklustihedus). - **DBSCAN**: Seda algoritmi saab kasutada piirkondades, kus liikluskoormus või teekasutus on ebaühtlane. DBSCAN aitab tuvastada suure liiklustihedusega teelõike ja kõrvalisi väikese liiklusega alasid, samuti tuvastada teatud piirkondades teedevõrgu "tühikuid" või anomaaliaid. - **Hierarhiline klastrianalüüs**: Kui on huvi luua teede hierarhia (nt põhimaanteed, kõrvalteed, kohalike tänavate tasemed), võib hierarhiline lähenemine aidata visualiseerida erinevate teede omavahelisi seoseid ja grupeerida neid erinevatesse tasanditesse. ### 3. Andmete eeltöötlus ja algoritmi rakendamine - **Andmete skaleerimine**: Kuna klastrianalüüs on sageli tundlik suurusjärkude erinevustele (nt liiklusvood vs teepikkus), on oluline andmed skaleerida, näiteks kasutades min-max normaliseerimist. - **Muutujate valik**: Valige sobivad muutujad klastrite loomiseks. Näiteks: - Tee laius ja kvaliteet. - Liiklusvoo suurus. - Õnnetuste arv ja tõsidus. Näide: Saate rakendada K-meansi, et jaotada piirkonna teed 3-4 tüüpi, näiteks suure koormusega teed, keskmise liiklusega teed ja vähese liiklusega kõrvalteed. ### 4. Klasterdamise tulemuste analüüs Pärast klastrialgoritmi rakendamist saadakse tulemuseks andmed, kus iga teelõik kuulub teatud klastrisse. Seda saab analüüsida järgmiselt: - **Klastrite visualiseerimine**: Teid saab kaardil grupeerida erinevate klastrite alusel. Näiteks teede visualiseerimine erinevate värvidega (suured liiklustihendid ühes värvitoonis ja väiksema liiklusega teed teises) võib anda linnaplaneerijatele hea ülevaate, millised teed vajavad rohkem hooldust või laienemist. - **Probleemsete piirkondade tuvastamine**: Kui kasutate DBSCAN algoritmi, võite tuvastada teatud piirkondades (näiteks tihe liikluslinnades) ebanormaalseid liiklustihedusi või "umbpudeli" teelõike. - **Teedevõrgu optimeerimine**: Saate tuvastada, millised teed vajavad rohkem investeeringuid või parandust. Näiteks kui mõnes klastris on palju õnnetusi või liiklust, võib see viidata vajadusele parema infrastruktuuri järele. ### 5. Järeldused ja rakendamine Pärast tulemuste analüüsimist saab teha järeldusi ja koostada strateegiaid. Klastrid annavad olulist teavet teede arendamiseks, planeerimiseks ja hooldamiseks: - Paranda kitsaskohti ja laiendada ülekoormatud teid. - Optimeerida kohaliku liikluse juhtimist, näiteks määrata tipptunnil avatud lisarajad. - Plaanida tulevasi investeeringuid ja hooldusvajadusi, võttes arvesse teede kasutusmustreid. Näide: Linn võib kasutada klastrianalüüsi otsustamaks, millised tänavad vajavad laiendamist või millistes piirkondades tuleks rajada alternatiivseid marsruute. ### Kokkuvõte Klastrianalüüs aitab kohalikke teid analüüsida, tuues välja teede liikluskoormuse, kvaliteedi ja õnnetusohu mustrid. Seda saab kasutada liiklusummikute leevendamiseks, planeerimise optimeerimiseks ja linnade infrastruktuuri tõhusamaks muutmiseks. Kui vajate täpsemat juhendamist või analüüsi rakendamise abi, võin ka aidata konkreetsete algoritmide ja koodide kirjutamisega. --- Kohalike teede analüüsi ja klastrianalüüsi jaoks soovitan kasutada **Pythonit**, kuna see on laialdaselt kasutatav teaduslike andmetöötluse ja masinõppe raamistikes. Pythonil on palju kasulikke teeke (libraries), mis hõlbustavad andmete töötlemist, klastrianalüüsi ja visualiseerimist. Olulised teegid, mida saate kasutada, on näiteks **Pandas** andmetöötluseks, **scikit-learn** klastrianalüüsi jaoks ja **Matplotlib** või **Seaborn** tulemuste visualiseerimiseks. ### Näide 1: K-Meansi klastrianalüüs teede liiklusandmete põhjal **Eeldatav andmestik**: - **Teepikkus (km)** - **Liiklus (sõidukite arv päevas)** - **Õnnetuste arv aastas** #### Python Skript: ```python import pandas as pd from sklearn.cluster import KMeans import matplotlib.pyplot as plt # Näidandmete loomine data = {'Teepikkus': [2.5, 5.0, 1.0, 10.0, 7.5, 3.0, 6.0, 8.0], 'Liiklus (sõidukite arv)': [200, 500, 100, 1500, 1200, 300, 700, 1300], 'Õnnetuste arv': [2, 5, 0, 10, 7, 1, 3, 8]} df = pd.DataFrame(data) # Andmete standardiseerimine (kuna liiklus ja teepikkus on erinevatel skaaladel) from sklearn.preprocessing import StandardScaler scaler = StandardScaler() scaled_data = scaler.fit_transform(df) # K-meansi klastrianalüüsi rakendamine kmeans = KMeans(n_clusters=3, random_state=42) df['Klastrid'] = kmeans.fit_predict(scaled_data) # Tulemuste visualiseerimine plt.scatter(df['Teepikkus'], df['Liiklus (sõidukite arv)'], c=df['Klastrid'], cmap='viridis') plt.xlabel('Teepikkus (km)') plt.ylabel('Liiklus (sõidukite arv)') plt.title('Teede klasterdamine K-Meansi abil') plt.colorbar(label='Klastrid') plt.show() ``` ### Selgitus: - **Andmed**: Näidisandmed sisaldavad kolme muutuja (teepikkus, liikluskoormus, õnnetuste arv) väärtusi. - **Standardiseerimine**: Kuna erinevad muutujad on erinevatel skaaladel, normaliseeritakse need enne klastrianalüüsi. - **K-means**: Klasterdamiseks kasutatakse K-Meansi algoritmi, kus määratakse 3 klastrit. - **Visualiseerimine**: Klasterdamistulemusi kuvatakse hajuvusdiagrammil, kus erinevate klastrite teed on tähistatud erinevate värvidega. ### Näide 2: DBSCAN klastrianalüüs ebakorrapärase tihedusega liiklusandmete puhul **Eeldatav andmestik**: - **Asukoht (X-koordinaat)** - **Asukoht (Y-koordinaat)** - **Liiklus tihedus (sõidukite arv)** #### Python Skript: ```python import pandas as pd import numpy as np from sklearn.cluster import DBSCAN import matplotlib.pyplot as plt # Näidandmete loomine data = {'X_koordinaat': [1, 2, 3, 4, 5, 8, 8, 25, 26, 27, 30], 'Y_koordinaat': [1, 2, 1.5, 3, 2.5, 7, 8, 25, 26, 24, 30], 'Liiklus_tihedus': [50, 60, 45, 75, 70, 100, 150, 20, 30, 25, 35]} df = pd.DataFrame(data) # Valime ainult koordinaadid klastrianalüüsiks coordinates = df[['X_koordinaat', 'Y_koordinaat']] # Rakendame DBSCANi dbscan = DBSCAN(eps=3, min_samples=2) df['Klastrid'] = dbscan.fit_predict(coordinates) # Tulemuste visualiseerimine plt.scatter(df['X_koordinaat'], df['Y_koordinaat'], c=df['Klastrid'], cmap='plasma') plt.xlabel('X-koordinaat') plt.ylabel('Y-koordinaat') plt.title('Teede klasterdamine DBSCANi abil') plt.colorbar(label='Klastrid') plt.show() ``` ### Selgitus: - **Andmed**: Näidandmed sisaldavad koordinaate ja liikluse tihedust. - **DBSCAN**: DBSCAN tuvastab piirkonnad, kus on suur liiklustihedus ja jaotab need klastritesse. Samuti eraldab see välja anomaaliaid (üksikuid punktid) ehk madala liiklustihedusega teid. - **Visualiseerimine**: Klasterdamistulemusi kuvatakse kaardil, kus iga klaster on erineva värviga. ### Millal kasutada K-meansi vs DBSCAN: - **K-Means** on hea, kui teil on selgelt määratletud arv klastreid ja soovite ühtlasema suurusega klastreid. - **DBSCAN** on hea, kui teil on teid, millel on erinevad liiklustiheduse tasemed ja te otsite piirkondi, kus teede liiklus on eriti kontsentreeritud või juhuslikult jaotunud (nt teede ummikualad). ### Kokkuvõte Python on paindlik ja võimas tööriist, mis võimaldab kohalikul tasemel teede klastrianalüüsi läbi viia. Nii K-meansi kui DBSCANi algoritmid sobivad erinevate stsenaariumide jaoks. Kõik sõltub sellest, kas soovite selgelt määratletud klastreid või otsite pigem ebaühtlase tihedusega piirkondi. Kui vajate täiendavat abi konkreetsete andmete või skriptide kohandamisel, andke teada! --- Maatriksialgebrat saab kasutada kohalike teede ja liiklusvõrkude analüüsimiseks mitmel viisil. Siin on mõned olulised viisid ja näited, kuidas seda saab teha: ### 1. **Liiklusvõrkude esitus graafi abil** Kohalikku teedevõrku saab esitada graafi kujul, kus: - **Sõlmed** esindavad teatud teede ristmikke või asukohti (linnad, külad, ristmikud). - **Servad** esindavad teid, mis ühendavad neid sõlmi (st, tee kahe ristmiku vahel). Sellist graafi saab esitada maatriksina, kus **maatriksi elemendid** näitavad teede olemasolu või omadusi (näiteks pikkust või sõiduaega). #### Näide: Teede võrgustiku esitamine maatriksina Kui meil on viis teede ristmikku (A, B, C, D, E) ja ühendavad teed, saab nende ühendused esitada **adjunktiivmaatriksina**: \[ \text{Maatriks } A = \begin{pmatrix} 0 & 5 & 0 & 0 & 8 \\ 5 & 0 & 3 & 0 & 2 \\ 0 & 3 & 0 & 4 & 0 \\ 0 & 0 & 4 & 0 & 1 \\ 8 & 2 & 0 & 1 & 0 \end{pmatrix} \] - Maatriksi element **A(i,j)** tähistab teede pikkust sõlmede **i** ja **j** vahel. Kui väärtus on 0, siis ühendust pole. ### 2. **Liiklusvood ja sõiduaegade analüüs** Maatriksialgebrat saab kasutada **liiklusvoogude** ja **sõiduaegade** arvutamiseks. Iga sõlm võib esindada piirkonda või teede lõike, kus arvutatakse liiklustihedus ja sõiduaeg erinevate sõlmede vahel. #### Näide: Liiklusvoogude arvutamine Kui meil on graaf, kus iga serva väärtus näitab liiklusvoogu, saame arvutada erinevate teelõikude vaheliste liikluskoormuste, kasutades maatriksite korrutamist. Näiteks kui **A** on teedevõrgu adjunktiivmaatriks, mis esindab liiklustihedust, ja **B** on teine maatriks, mis esindab teatud muutusi liiklusvoogudes, siis maatriksite korrutamine **A × B** annab meile uue maatriksi, mis esindab liiklusvoogu pärast muutusi. ### 3. **Lühim tee ja optimeerimine (Dijkstra algoritm ja Floyd-Warshall algoritm)** Maatriksialgebra ja teedevõrgu maatriksi abil saab kasutada algoritme, nagu **Dijkstra algoritm** või **Floyd-Warshalli algoritm**, et leida lühim tee kahe sõlme vahel. #### Näide: Lühim tee kahe punkti vahel Kasutades eelmainitud adjunktiivmaatriksit, saate kasutada Dijkstra algoritmi, et leida lühim tee sõlme **A** ja **D** vahel. Võite samuti kasutada **Floyd-Warshalli algoritmi**, mis leiab lühimad teed kõikide sõlmede vahel. ### 4. **Teevõrgu optimeerimine** Kasutades maatriksialgebrat ja lineaaralgebralisi meetodeid, saate optimeerida teedevõrgu, määrates kindlaks, millised teelõigud vajavad laiendamist või parandamist liikluse paremaks suunamiseks. #### Näide: Teedevõrgu laiendamise prioriteetide leidmine Eeldame, et meil on maatriks, mis esindab teede pikkusi ja nende keskmist sõiduaega. Selle põhjal saame arvutada liikluskoormuse erinevatel teelõikudel, seejärel kasutada optimeerimisalgoritme, et tuvastada, millised teed vajavad rohkem ressursse (nt laiendamist, parandust) või millistele teelõikudele peaks ehitama alternatiivsed marsruudid. ### 5. **Kombinatsioon teede kvaliteedi ja liikluskoormusega** Maatriksialgebrat saab kasutada teede kvaliteedi ja liikluskoormuse kombineerimiseks, et analüüsida, kuidas teatud teede kvaliteet mõjutab üldist liiklust ja määrata prioriteete hooldusplaanidele. #### Näide: Teede kvaliteedi ja liikluskoormuse maatriks Maatriksi üks dimensioon võib tähistada teede kvaliteeti, samas kui teine dimensioon esindab liiklusvoogu. Kombineerides need kaks dimensiooni maatriksitega, saab analüüsida, millised halva kvaliteediga teelõigud on suure liikluskoormuse all ja vajavad kiiremat hooldust. ### Kokkuvõte Maatriksialgebrat saab kohalikul teedevõrgu analüüsimisel kasutada mitmel otstarbel, näiteks: - Teedevõrgu graafiline esitus ja ühenduste analüüs. - Liiklusvoogude ja sõiduaegade analüüs maatriksitega. - Lühimate teede leidmine erinevate sõlmede vahel. - Liiklusvõrgu optimeerimine ja hooldusvajaduste määramine. Maatriksialgebra on võimas tööriist, mis aitab esitada ja lahendada teedevõrkude ja liikluse juhtimisega seotud keerukaid probleeme. --- **Maatriksialgebra teisendamine rastergraafikaks ja vastupidi** on praktiline ülesanne, mida sageli tehakse pilditöötluses ja arvutigraafikas. Rastergraafika koosneb pikslitest, mis on esitatavad maatriksina. Maatriksalgebra rakendamisega saame teha graafika ja piltidega mitmesuguseid operatsioone, näiteks pildi skaleerimist, pööramist, filtreerimist jne. ### 1. **Maatriksialgebra teisendamine rastergraafikaks** Rastergraafikas kujutatakse pilte **pikslitena**. Iga piksel sisaldab värviteavet (näiteks RGB – punane, roheline, sinine), mis on arvuliselt esitatav ja salvestatav maatriksina. Maatriks sisaldab piksli väärtusi. #### Näide: Halltoonides pildi maatriksi esitus Halltoonides pilt on lihtsalt maatriks, kus iga element (arv) esindab ühe piksli heledustaset vahemikus 0 kuni 255, kus 0 on must ja 255 on valge. Halltoonides pilt: \[ \text{Pilt} = \begin{pmatrix} 255 & 128 & 0 \\ 128 & 64 & 32 \\ 0 & 32 & 64 \end{pmatrix} \] Siin on **3x3** maatriks, kus iga element tähistab ühe piksli heledustaset. Seda maatriksit saab otse tõlgendada rasterpildiks. #### Pythonis maatriksi teisendamine rasterpildiks: Kasutame populaarset teeki **Pillow**, et maatriks teisendada rastergraafikaks. ```python import numpy as np from PIL import Image # Maatriks esindab halltoonides pilti (3x3 maatriks) matrix = np.array([[255, 128, 0], [128, 64, 32], [0, 32, 64]], dtype=np.uint8) # Teisenda maatriks pildiks image = Image.fromarray(matrix, mode='L') # 'L' režiim tähistab halltooni image.show() ``` Siin: - **np.array** on NumPy maatriks, mis sisaldab piksli väärtusi. - **Image.fromarray** teisendab maatriksi halltoonides pildiks. - **image.show()** kuvab rasterpildi. #### Värviline pilt (RGB-mudelina) Värviline pilt on kolme maatriksi kombinatsioon, kus iga maatriks esindab värvikanalit (punane, roheline, sinine). Näiteks: \[ R = \begin{pmatrix} 255 & 0 & 0 \\ 255 & 0 & 0 \\ 255 & 0 & 0 \end{pmatrix}, \quad G = \begin{pmatrix} 0 & 255 & 0 \\ 0 & 255 & 0 \\ 0 & 255 & 0 \end{pmatrix}, \quad B = \begin{pmatrix} 0 & 0 & 255 \\ 0 & 0 & 255 \\ 0 & 0 & 255 \end{pmatrix} \] Need kolm maatriksit moodustavad kokku värvipildi, kus iga piksli väärtused tulevad vastavatest RGB-maatriksitest. ```python # Värvipildi maatriksi esitamine r = np.array([[255, 0, 0], [255, 0, 0], [255, 0, 0]], dtype=np.uint8) g = np.array([[0, 255, 0], [0, 255, 0], [0, 255, 0]], dtype=np.uint8) b = np.array([[0, 0, 255], [0, 0, 255], [0, 0, 255]], dtype=np.uint8) # Kombineerime RGB kanaleid üheks 3D maatriksiks rgb_matrix = np.dstack((r, g, b)) # dstack ühendab kolmemõõtmeliseks maatriksiks # Teisenda maatriks pildiks image_rgb = Image.fromarray(rgb_matrix, mode='RGB') image_rgb.show() ``` Siin kasutatakse **dstack** funktsiooni, et kombineerida RGB kanalid värviliseks pildiks. ### 2. **Rastergraafika teisendamine maatriksalgebraks** Kui teil on rasterpilt, saab selle kergesti teisendada maatriksiks, mida saate analüüsida või töödelda maatriksialgebra abil. #### Näide: Pildi teisendamine maatriksiks Saame pildi laadida, teisendada selle maatriksiks ja rakendada maatriksialgebrat (nt filtreerimine, pööramine). ```python from PIL import Image import numpy as np # Lae pilt ja teisenda see halltoonides maatriksiks image = Image.open('path_to_image.jpg').convert('L') # Teisenda halltoonides pildiks image_matrix = np.array(image) # Kuvame maatriksi väärtused print(image_matrix) # Näiteks rakendame maatriksi transponeerimise transposed_matrix = np.transpose(image_matrix) # Teisendame transponeeritud maatriksi tagasi pildiks transposed_image = Image.fromarray(transposed_matrix) transposed_image.show() ``` ### 3. **Rakendused maatriksialgebras ja rastergraafikas** - **Filtreerimine**: Pilti saab töödelda maatriksi abil, rakendades **konvolutsioonfiltreid**, mis võimaldavad pildilt eemaldada müra või teravdada servasid. Näide: Gaussi filter, mida kasutatakse pildi pehmendamiseks. - **Pildi pööramine ja skaleerimine**: Maatriksite abil saab pilte pöörata ja skaleerida. Näiteks maatriksi pööramine vastab pildi geomeetrilisele pööramisele. - **Pildituvastus ja objektide leidmine**: Maatriksialgebra on oluline ka **masinõppes** ja **pilditöötluses**, kus kasutatakse maatriksoperatsioone mustrite tuvastamiseks ja objektide leidmiseks piltidelt. ### Kokkuvõte - **Maatriksialgebra rastergraafikaks**: Pikslite väärtused (nt halltoonides või RGB) esitatakse maatriksina, ja maatriksist saab lihtsalt luua rasterpildi. - **Rastergraafika maatriksalgebraks**: Pildi saab teisendada numbriliseks maatriksiks, kus iga maatriksi element tähistab piksli väärtust. Seejärel saab maatriksiga rakendada erinevaid algebraoperatsioone, nagu filtreerimine, pööramine, skaleerimine. Maatriksialgebra ja rastergraafika omavaheline teisendamine võimaldab efektiivselt töödelda pilte, teha andmeanalüüse ja rakendada arvutigraafika tehnikaid. --- Maatriksialgebra arvutuste jaoks on mitmeid programmeerimiskeeli, kuid **Python** on üldiselt kõige soovitatavam keel tänu oma lihtsusele ja võimsatele teekidele (libraries), mis hõlbustavad maatriksarvutusi. Siiski on ka teisi keeli, mis sobivad hästi sõltuvalt ülesande keerukusest ja konteksti eripärast. ### 1. **Python** Python on laialdaselt kasutatav matemaatikas ja teaduslikes arvutustes. Sellel on suurepärased teegid, mis toetavad maatriksialgebrat ja arvutusi: - **NumPy**: Võimas tööriist maatriksite ja massiividega töötamiseks. NumPy pakub maatriksoperatsioonite funktsioone, näiteks maatriksite korrutamine, determinantide arvutamine, pöördmaatriksid ja muud lineaaralgebra toimingud. - **SciPy**: Pakub täiendavaid lineaaralgebra ja teadusliku arvutuse funktsioone, mida pole NumPys. - **SymPy**: Sümboolsete arvutuste teek, mis on kasulik keerukamate matemaatiliste avaldiste ja tuletiste jaoks. - **Matplotlib ja Seaborn**: Visualiseerimiseks, näiteks maatriksite kuvamiseks ja pilditöötluseks. Python sobib hästi nii algajatele kui ka edasijõudnutele ning on väga tõhus keeruliste lineaaralgebra operatsioonide tegemisel. #### Näide maatriksalgebrast Pythoni kasutamisel (NumPy): ```python import numpy as np # 2x2 maatriksi defineerimine A = np.array([[1, 2], [3, 4]]) # Determinandi arvutamine det_A = np.linalg.det(A) # Pöördmaatriksi arvutamine inv_A = np.linalg.inv(A) print("Maatriks A:\n", A) print("Determinant A:", det_A) print("Pöördmaatriks A:\n", inv_A) ``` Python on lihtne kasutada ja sobib väga hästi teaduslike arvutuste, masinõppe ja andmeteaduse jaoks. ### 2. **MATLAB** **MATLAB** (Matrix Laboratory) on professionaalne ja tasuline tööriist, mis on spetsiaalselt välja töötatud maatriksalgebraga töötamiseks. MATLABi tugevuseks on tema sisseehitatud funktsioonid, mis võimaldavad teha lineaaralgebraga seotud arvutusi, näiteks maatriksite korrutamine, pöördmaatriksi leidmine, omadusväärtuste (eigenväärtuste) leidmine, konvolutsioon jne. - **MATLAB** on eriti hea, kui peate töötama interaktiivse graafikaga või kui tegemist on suuremahuliste inseneriprojektidega. - MATLABi koodid on tavaliselt väga kompaktsed ja hästi optimeeritud matemaatiliste ülesannete jaoks. #### Näide MATLABis: ```matlab % Maatriksi defineerimine A = [1 2; 3 4]; % Determinant det_A = det(A); % Pöördmaatriks inv_A = inv(A); % Kuvame tulemused disp('Maatriks A:') disp(A) disp('Determinant A:') disp(det_A) disp('Pöördmaatriks A:') disp(inv_A) ``` ### 3. **Julia** **Julia** on kiiresti kasvav ja suure jõudlusega programmeerimiskeel, mis on mõeldud teaduslike ja tehniliste arvutuste jaoks. Julia on tuntud oma kiiruse ja efektiivsuse poolest, olles sageli peaaegu sama kiire kui **C** või **Fortran**, kuid kasutajasõbralikum nagu Python või MATLAB. - **Julia** on optimeeritud just suuremahuliste maatriks- ja lineaaralgebra operatsioonide jaoks. - Julia on sobiv valik, kui kiirus on kriitiline ja töötlete väga suuri andmekogusid või lahendate keerulisi matemaatilisi probleeme. #### Näide maatriksalgebrast Julia kasutamisel: ```julia # Maatriksi defineerimine A = [1 2; 3 4] # Determinandi arvutamine det_A = det(A) # Pöördmaatriksi arvutamine inv_A = inv(A) println("Maatriks A: ", A) println("Determinant A: ", det_A) println("Pöördmaatriks A: ", inv_A) ``` Julia on sobiv valik, kui vajate väga kiireid arvutusi ja töötate suuremahuliste teaduslike andmekogumitega. ### 4. **R** **R** on spetsialiseeritud statistiliste arvutuste tegemiseks, kuid seda saab kasutada ka maatriksalgebra jaoks. R-l on palju sisseehitatud funktsioone maatriksite ja lineaaralgebra operatsioonide jaoks. - **R** on sobiv, kui töötate andmeteadusega ja vajate tugevate statistiliste vahendite integreerimist maatriksalgebraga. #### Näide maatriksalgebrast R-is: ```r # Maatriksi loomine A <- matrix(c(1, 2, 3, 4), nrow=2, ncol=2) # Determinant det_A <- det(A) # Pöördmaatriks inv_A <- solve(A) print("Maatriks A:") print(A) print("Determinant A:") print(det_A) print("Pöördmaatriks A:") print(inv_A) ``` ### 5. **C/C++ ja Fortran** Kui teil on vaja maksimaalset jõudlust ja optimeerimist, siis **C** või **Fortran** sobivad kõige paremini, kuna need on madalama taseme programmeerimiskeeled, mis võimaldavad kontrollida kõiki arvutusi üksikasjalikult. Fortran on olnud ajalooliselt laialdaselt kasutusel teaduslike ja insenerialaste arvutuste jaoks, eriti maatriksarvutustes. #### Näide C++ kasutamisel maatriksalgebra jaoks: ```cpp #include #include // Kasutame Eigen teeki int main() { Eigen::Matrix2d A; A << 1, 2, 3, 4; double det_A = A.determinant(); // Determinant Eigen::Matrix2d inv_A = A.inverse(); // Pöördmaatriks std::cout << "Maatriks A:\n" << A << std::endl; std::cout << "Determinant A: " << det_A << std::endl; std::cout << "Pöördmaatriks A:\n" << inv_A << std::endl; return 0; } ``` ### Kokkuvõte - **Python** on soovitatav keel tänu oma võimsatele maatriksarvutuse teekidele (NumPy, SciPy) ja kasutuslihtsusele. See on suurepärane valik üldiseks maatriksialgebra arvutamiseks, andmeteaduseks ja teaduslikeks projektideks. - **MATLAB** on hea valik, kui vajate visuaalselt interaktiivseid rakendusi ja töötate inseneri- või teadusprojektidega, kuid see on tasuline. - **Julia** on soovitatav, kui vajate kõrge jõudlusega arvutusi, eriti suurte andmete või keeruliste lineaaralgebra probleemide lahendamiseks. - **R** on ideaalne, kui kombineerite maatriksarvutusi statistikaga. - **C/C++ ja Fortran** on sobivad, kui kiirus ja optimeerimine on kriitilised ning vajate madalama taseme kontrolli. Python sobib kõige paremini, kui otsite tasakaalu lihtsuse, paindlikkuse ja jõudluse vahel. --- Siin on veel mitmeid **Pythonis** tehtud näiteid maatriksalgebra erinevate arvutuste kohta, kasutades **NumPy** ja **SciPy** teeke. Neid teeke kasutatakse laialdaselt teaduslikes ja inseneriandmete töötlemises ning lineaaralgebras. Allpool leiate näited maatriksi põhioperatsioonide, pöördmaatriksi, determinandi, eigenväärtuste ja palju muu kohta. ### 1. **Maatriksite korrutamine** Maatriksite korrutamine on üks levinumaid operatsioone lineaaralgebras. Maatriksit võib korrutada teise maatriksiga, kui esimese maatriksi veergude arv on võrdne teise maatriksi ridade arvuga. ```python import numpy as np # Maatriksite defineerimine A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) # Maatriksite korrutamine C = np.dot(A, B) print("Maatriks A:\n", A) print("Maatriks B:\n", B) print("Maatriksite korrutis A*B:\n", C) ``` **Väljund:** ``` Maatriks A: [[1 2] [3 4]] Maatriks B: [[5 6] [7 8]] Maatriksite korrutis A*B: [[19 22] [43 50]] ``` ### 2. **Maatriksi pöördmaatriks** Pöördmaatriks on maatriks \( A^{-1} \), mille korral kehtib: \( A \cdot A^{-1} = I \), kus **I** on ühikmaatriks. ```python import numpy as np # 2x2 maatriksi defineerimine A = np.array([[1, 2], [3, 4]]) # Pöördmaatriksi arvutamine inv_A = np.linalg.inv(A) print("Maatriks A:\n", A) print("Pöördmaatriks A:\n", inv_A) ``` **Väljund:** ``` Maatriks A: [[1 2] [3 4]] Pöördmaatriks A: [[-2. 1. ] [ 1.5 -0.5]] ``` ### 3. **Maatriksi determinant** Determinant on maatriksiga seotud skalaarkuju, mis on oluline omadus näiteks süsteemide lahendamisel ja pöördmaatriksi leidmisel. ```python import numpy as np # 2x2 maatriksi defineerimine A = np.array([[1, 2], [3, 4]]) # Determinandi arvutamine det_A = np.linalg.det(A) print("Maatriks A:\n", A) print("Determinant A:", det_A) ``` **Väljund:** ``` Maatriks A: [[1 2] [3 4]] Determinant A: -2.0000000000000004 ``` ### 4. **Eigenväärtused ja eigenvektorid** Eigenväärtused ja eigenvektorid on lineaaralgebras väga olulised kontseptsioonid, mida kasutatakse näiteks masinõppes, staatikas ja muudes teaduslikes arvutustes. ```python import numpy as np # Maatriksi defineerimine A = np.array([[1, 2], [2, 1]]) # Eigenväärtuste ja eigenvektorite arvutamine eigenvalues, eigenvectors = np.linalg.eig(A) print("Maatriks A:\n", A) print("Eigenväärtused A:\n", eigenvalues) print("Eigenvektorid A:\n", eigenvectors) ``` **Väljund:** ``` Maatriks A: [[1 2] [2 1]] Eigenväärtused A: [ 3. -1.] Eigenvektorid A: [[ 0.70710678 -0.70710678] [ 0.70710678 0.70710678]] ``` ### 5. **Maatriksi transponeerimine** Maatriksi transponeerimine vahetab ridade ja veergude positsioonid. ```python import numpy as np # 2x3 maatriksi defineerimine A = np.array([[1, 2, 3], [4, 5, 6]]) # Maatriksi transponeerimine A_transpose = np.transpose(A) print("Maatriks A:\n", A) print("Transponeeritud maatriks A:\n", A_transpose) ``` **Väljund:** ``` Maatriks A: [[1 2 3] [4 5 6]] Transponeeritud maatriks A: [[1 4] [2 5] [3 6]] ``` ### 6. **Maatriksi elementide summa ja ridade/veergude summa** Sageli on vaja leida maatriksi kõigi elementide summa või leida ridade või veergude summad eraldi. ```python import numpy as np # Maatriksi defineerimine A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # Kõigi elementide summa total_sum = np.sum(A) # Ridade summa row_sum = np.sum(A, axis=1) # Veergude summa column_sum = np.sum(A, axis=0) print("Maatriks A:\n", A) print("Kõigi elementide summa:", total_sum) print("Ridade summad:", row_sum) print("Veergude summad:", column_sum) ``` **Väljund:** ``` Maatriks A: [[1 2 3] [4 5 6] [7 8 9]] Kõigi elementide summa: 45 Ridade summad: [ 6 15 24] Veergude summad: [12 15 18] ``` ### 7. **Pildi filtreerimine maatriksi konvolutsiooniga** Konvolutsioon on oluline tehnika, mida kasutatakse pilditöötluses ja signaalitöötluses. Konvolutsioon filtreerib maatriksid (või pildid), rakendades teatud tuuma (kernelit). ```python import numpy as np from scipy import signal import matplotlib.pyplot as plt # Halltoonides pildi (maatriksi) defineerimine image = np.array([[10, 20, 30], [40, 50, 60], [70, 80, 90]]) # Filtreerimiseks kasutatav tuum (kernel) kernel = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]]) # Konvolutsiooni rakendamine filtered_image = signal.convolve2d(image, kernel, boundary='fill', mode='same') print("Originaalpilt (maatriks):\n", image) print("Filtreeritud pilt:\n", filtered_image) # Pildi kuvamine plt.subplot(1, 2, 1) plt.imshow(image, cmap='gray') plt.title("Originaalpilt") plt.subplot(1, 2, 2) plt.imshow(filtered_image, cmap='gray') plt.title("Filtreeritud pilt") plt.show() ``` ### 8. **Maatriksi elementide suurendamine (pildi skaleerimine)** Maatriksi elemente saab suurendada või vähendada, korrutades maatriksit skalaari või rakendades interpoleerimist, et suurendada pildi resolutsiooni. ```python import numpy as np import scipy.ndimage # 3x3 maatriksi defineerimine image = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # Pildi suurendamine (interpolatsioon) scaled_image = scipy.ndimage.zoom(image, 2) # Skaleerime maatriksit kahekordselt print("Originaalpilt (maatriks):\n", image) print("Suurendatud pilt:\n", scaled_image) ``` **Väljund:** ``` Originaalpilt (maatriks): [[1 2 3] [4 5 6] [7 8 9]] Suurendatud pilt: [[1 1 2 2 3 3] [1 1 2 2 3 3] [4 4 5 5 6 6] [4 4 5 5 6 6] [7 7 8 8 9 9] [7 7 8 8 9 9]] ``` ### Kokkuvõte Need näited näitavad erinevaid **Pythonis** tehtavaid maatriksalgebra toiminguid, nagu maatriksite korrutamine, pöördma --- Siin on veel mõned Pythoni näited, mis käsitlevad maatriksalgebrat ja rastergraafika teisendamist. Eesmärk on näidata, kuidas saate kasutada maatrikseid rasterpildi töötlemiseks ja manipuleerimiseks, samuti teisendada maatrikseid pildiks ja vastupidi. ### 1. **Halltoonides pildi teisendamine maatriksiks ja tagasi** Halltoonides pildi iga pikselit saab esitada maatriksi elemendina, kus väärtus varieerub vahemikus 0 kuni 255, kus 0 tähistab musta ja 255 valget. #### Näide: Halltoonides pildi teisendamine maatriksiks ja tagasi pildiks ```python import numpy as np from PIL import Image # Laadime halltoonides pildi ja teisendame selle maatriksiks image = Image.open('path_to_image.jpg').convert('L') # L-režiim tähendab halltoone image_matrix = np.array(image) print("Pildi maatriks (pikslite väärtused):\n", image_matrix) # Teeme maatriksiga mõne toimingu (nt suurendame kõikide pikslite heledust 50 võrra) adjusted_matrix = np.clip(image_matrix + 50, 0, 255) # Teisendame maatriksi tagasi pildiks adjusted_image = Image.fromarray(adjusted_matrix.astype('uint8')) adjusted_image.show() ``` Selgitus: - **`convert('L')`** teisendab pildi halltoonidesse. - **`np.array(image)`** muudab pildi maatriksiks, kus iga element tähistab piksli heledustaset. - **`np.clip()`** tagab, et väärtused jäävad vahemikku 0 kuni 255. - **`Image.fromarray()`** teisendab maatriksi tagasi pildiks. ### 2. **RGB värvipildi teisendamine maatriksiks ja tagasi** Värvipildid koosnevad kolmest kanalist (punane, roheline, sinine), mille saab esitada kolmemõõtmelise maatriksina. #### Näide: RGB värvipildi teisendamine maatriksiks ja tagasi ```python import numpy as np from PIL import Image # Laadime värvipildi ja teisendame selle maatriksiks image = Image.open('path_to_rgb_image.jpg') rgb_matrix = np.array(image) print("RGB maatriks (pikslite väärtused):\n", rgb_matrix) # Muudame näiteks punase kanali väärtusi (suurendame punase intensiivsust) rgb_matrix[:, :, 0] = np.clip(rgb_matrix[:, :, 0] + 50, 0, 255) # Teisendame maatriksi tagasi pildiks adjusted_image = Image.fromarray(rgb_matrix.astype('uint8')) adjusted_image.show() ``` Selgitus: - RGB-pildi iga värvikanalit (punane, roheline, sinine) esindatakse 3D maatriksina, kus maatriksi kolmas dimensioon on kanalite arvu järgi. - Pilt teisendatakse maatriksiks, ja seejärel võime iga kanali väärtusi muuta eraldi. ### 3. **Pildi pööramine maatriksalgebra abil** Piltide pööramine on tavaline toiming pilditöötluses ja seda saab teha maatriksalgebra kaudu. #### Näide: Pildi pööramine 90 kraadi ```python import numpy as np from PIL import Image # Laadime halltoonides pildi ja teisendame selle maatriksiks image = Image.open('path_to_image.jpg').convert('L') image_matrix = np.array(image) # Pöörame maatriksi 90 kraadi rotated_matrix = np.rot90(image_matrix) # Teisendame pööratud maatriksi tagasi pildiks rotated_image = Image.fromarray(rotated_matrix) rotated_image.show() ``` Selgitus: - **`np.rot90()`** pöörab maatriksi 90 kraadi päripäeva. - Pööratud maatriks teisendatakse tagasi pildiks ja kuvatakse. ### 4. **Pildi suurendamine maatriksi interpoleerimise kaudu** Saame maatriksite suurust muuta, kasutades interpoleerimise meetodeid. See toimib hästi, kui on vaja pilte skaleerida üles või alla. #### Näide: Pildi suurendamine (interpoleerimine) ```python import numpy as np import scipy.ndimage from PIL import Image # Laadime pildi ja teisendame selle maatriksiks image = Image.open('path_to_image.jpg').convert('L') image_matrix = np.array(image) # Pildi suurendamine 2 korda (interpoleerimine) scaled_matrix = scipy.ndimage.zoom(image_matrix, 2) # Skaleerimine # Teisendame suurendatud maatriksi tagasi pildiks scaled_image = Image.fromarray(scaled_matrix.astype('uint8')) scaled_image.show() ``` Selgitus: - **`scipy.ndimage.zoom()`** skaleerib maatriksi väärtuseid, kasutades interpoleerimist. See suurendab või vähendab pildi suurust. - Maatriks teisendatakse tagasi pildiks, millel on suurem resolutsioon. ### 5. **Serva tuvastamine maatriksi konvolutsiooni kaudu** Konvolutsioon on pilditöötluses kasutatav tehnika, mis aitab tuvastada mustreid, nagu servad ja jooned. Servade tuvastamine on populaarne operatsioon, mida saab teha konvolutsioonituumadega (nt Sobeli või Laplace'i tuumad). #### Näide: Serva tuvastamine konvolutsiooni kaudu ```python import numpy as np from scipy import signal from PIL import Image # Laadime halltoonides pildi ja teisendame selle maatriksiks image = Image.open('path_to_image.jpg').convert('L') image_matrix = np.array(image) # Sobeli tuum X-suunalise serva tuvastamiseks sobel_kernel_x = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) # Rakendame konvolutsiooni edge_x = signal.convolve2d(image_matrix, sobel_kernel_x, boundary='symm', mode='same') # Teisendame konvolutsiooniga saadud maatriksi tagasi pildiks edge_image = Image.fromarray(np.abs(edge_x).astype('uint8')) edge_image.show() ``` Selgitus: - **Sobeli tuum** on kasutusel servade tuvastamiseks. Konvolutsioon arvutatakse, et tuvastada servad pildil. - **`convolve2d()`** rakendab konvolutsiooni, mille tulemuseks on uus maatriks, mis näitab tuvastatud servasid. ### 6. **Pildi hägustamine maatriksi kaudu (Gaussi filter)** Gaussi filter on üks enimkasutatavaid filtreid pilditöötluses. Seda kasutatakse pildi hägustamiseks ja müra vähendamiseks. #### Näide: Pildi hägustamine Gaussi filtriga ```python import numpy as np from scipy.ndimage import gaussian_filter from PIL import Image # Laadime pildi ja teisendame selle maatriksiks image = Image.open('path_to_image.jpg').convert('L') image_matrix = np.array(image) # Rakendame Gaussi filtrit blurred_matrix = gaussian_filter(image_matrix, sigma=2) # Teisendame hägustatud maatriksi tagasi pildiks blurred_image = Image.fromarray(blurred_matrix.astype('uint8')) blurred_image.show() ``` Selgitus: - **`gaussian_filter()`** rakendab Gaussi filtrit, millel on määratud sigma väärtus. See hägustab pilti. - Pildi maatriks teisendatakse tagasi pildiks, millel on pehmendatud (hägustatud) efekt. ### Kokkuvõte Pythoni teekidega, nagu **NumPy**, **SciPy** ja **Pillow**, saab kergesti teha maatriksalgebrat ja rastergraafika töötlust. Olgu selleks halltoonide teisendamine, RGB-kanalite manipuleerimine, piltide pööramine, suurendamine, konvolutsiooniga töötlemine või pildi hägustamine – maatriksalgebra mängib pilditöötluses keskset rolli. --- Vektoriaalne kohalike teede võrk esitatakse tavaliselt kui geomeetriline struktuur, kus iga tee koosneb punktide jadas (koordinaatidest), mis ühendavad ristmikke või lõike. Vektorgraafika on skaleeritav ja täpne, kuid rastergraafika teisendamisel (pildi loomiseks) on vaja punktid (koordinaadid) teisendada piksliteks ning joonistada need rasterpildi ruudustikule. Siin on näide, kuidas Pythonis vektoriaalne teedevõrk (esindatud kui koordinaatide kogum) teisendada rastergraafikaks, kasutades **Pillow**' ja **NumPy** teeke. Teedevõrk koosneb koordinaatidest, mis tähistavad punktidevahelisi teid, ning seda esitatakse rasterformaadis. ### Pythoni kood vektorgraafika teisendamiseks rastergraafikaks #### Sammud: 1. Esitame teede võrgu koordinaatidena (näiteks joonte lõikude kogum). 2. Loome tühja rasterpildi. 3. Joonistame teed rasterpildile, kasutades koordinaate. 4. Kuvame või salvestame rasterpildi. #### Näide: ```python import numpy as np from PIL import Image, ImageDraw # Määrame pildi suuruse (rastergraafika suurus, pikslites) image_size = (500, 500) # Loome tühja valge pildi (rastergraafika) image = Image.new('RGB', image_size, 'white') draw = ImageDraw.Draw(image) # Vektoriaalne kohalike teede võrk (esindatud koordinaatide jadal) # Iga element esindab tee lõiku (start_x, start_y, end_x, end_y) road_network = [ (50, 50, 450, 50), # Tee 1 (sirge ülevalt) (450, 50, 450, 450), # Tee 2 (alla paremale) (50, 450, 450, 450), # Tee 3 (allserva sirge) (50, 50, 50, 450), # Tee 4 (alla vasakule) (250, 50, 250, 450) # Kesktee (keskel vertikaalne) ] # Joonistame teedevõrgu pildile for road in road_network: draw.line(road, fill='black', width=5) # Joonistame mustad teed, joone laiusega 5 pikslit # Kuvame pildi image.show() # Salvestame pildi failina image.save('road_network_raster.png') ``` ### Selgitus: - **image_size** määrab rasterpildi suuruse (500x500 pikslit). - **road_network** on vektoriaalne teede võrk, kus iga element on joonte lõik, määratletud koordinaatidega (start_x, start_y, end_x, end_y). - **ImageDraw.line()** funktsioon joonistab rasterpildile jooned vastavalt koordinaatidele. - Pilt kuvatakse ja salvestatakse rastergraafikana (näiteks PNG failina). ### Tulemus: See kood loob rasterpildi, millel kuvatakse teedevõrk mustade joontena valgel taustal. Iga tee on joonistatud koordinaatide alusel, mille määrame vektorgraafikast. Jooni saab kohandada, näiteks muuta värvi või joone laiust. ### Teedevõrgu skaleerimine suuremateks kaartideks Kui teedevõrk esindab suuri vahemaid (nt koordinaatide ulatus on väga suur), saab koordinaate proportsionaalselt teisendada rastergraafika suurusele, skaleerides koordinaate vastavalt rasterpildi suurusele. Näiteks, kui koordinaadid esindavad reaalset maailma (nt GPS-koordinaate), tuleb need teisendada piksliteks kasutades kindlat skaalat. ```python def scale_coords(road_network, scale_factor): """Skaleerib teede võrgu koordinaadid vastavalt rasterpildi suurusele.""" scaled_network = [] for road in road_network: scaled_road = tuple(int(coord * scale_factor) for coord in road) scaled_network.append(scaled_road) return scaled_network # Teeme näiteks, kui skaleerimistegur on 0.5 (vähendame koordinaate 50%) scaled_road_network = scale_coords(road_network, 0.5) # Joonistame skaleeritud teedevõrgu for road in scaled_road_network: draw.line(road, fill='black', width=5) # Kuvame skaleeritud pildi image.show() ``` ### Kokkuvõte Vektoriaalse kohaliku teede võrgu rastergraafikaks teisendamisel kasutatakse koordinaatide komplekti, et joonistada teed pikslite ruudustikule. Pythonis saab seda teha kasutades **Pillow** ja **NumPy** teeke, mis võimaldavad vektoriandmeid joonistada ja pildiks teisendada. Kohalike teede võrgu teisendamine maatriksalgebra maatriksiteks tähendab, et esitate teede ja ristmike vahelised ühendused maatriksina, kus maatriksi elemendid tähistavad teede olemasolu või teatud omadusi (nt kaugus, liiklusmaht, teede pikkus jne). ### Üldine idee Maatriksis saab ristmikke esitada ridade ja veergudena, ning maatriksi elemendid esindavad teede olemasolu ja omadusi ristmike vahel. Näiteks, kui ristmik A ja ristmik B on ühendatud, siis paigutame vastava maatriksi elemendi väärtuseks kauguse või liiklusmahu, kui ühendust ei ole, siis väärtuseks 0. Selle lähenemisega saame modelleerida kohalike teede võrku, kasutades maatriksalgebrat ja maatriksoperatsioone. ### Näide: Teede võrk maatriksina Oletame, et meil on järgmised teede ristmikud (sõlmed): - **A**, **B**, **C**, **D**, **E** Ja nende vahelised teed on defineeritud järgmiste ühenduste kaudu (mõõdetud kaugusena): - Tee A ↔ B (kaugus: 5) - Tee B ↔ C (kaugus: 3) - Tee C ↔ D (kaugus: 4) - Tee D ↔ E (kaugus: 2) - Tee A ↔ E (kaugus: 7) Saame selle võrgu esitada maatriksina, kus read ja veerud tähistavad ristmikke, ning elemendid esindavad teede pikkust: \[ \text{Maatriks } A = \begin{pmatrix} 0 & 5 & 0 & 0 & 7 \\ 5 & 0 & 3 & 0 & 0 \\ 0 & 3 & 0 & 4 & 0 \\ 0 & 0 & 4 & 0 & 2 \\ 7 & 0 & 0 & 2 & 0 \end{pmatrix} \] - **0** tähendab, et ühendust pole. - Iga mitte-null väärtus tähistab kaugust teede vahel. ### Teede võrgustiku esitamine maatriksina Pythonis Siin on Pythoni kood, mis loob teedevõrgu maatriksina: ```python import numpy as np # Defineerime teede võrgu ristmike vahel maatriksina road_network = np.array([ [0, 5, 0, 0, 7], # Ristmik A [5, 0, 3, 0, 0], # Ristmik B [0, 3, 0, 4, 0], # Ristmik C [0, 0, 4, 0, 2], # Ristmik D [7, 0, 0, 2, 0] # Ristmik E ]) print("Teede võrgu maatriks:") print(road_network) ``` **Väljund:** ``` Teede võrgu maatriks: [[0 5 0 0 7] [5 0 3 0 0] [0 3 0 4 0] [0 0 4 0 2] [7 0 0 2 0]] ``` ### Ühenduse kontroll maatriksalgebra abil Maatriksis saame lihtsate operatsioonidega kontrollida, kas teatud kaks ristmikku on omavahel ühendatud, ja kui jah, siis milline on nende vahelise tee kaugus. #### Näide: Kontrollime, kas ristmik A on ühendatud ristmikuga B ```python # Kontrollime, kas A on ühendatud B-ga (A on rida 0 ja B on veerg 1) if road_network[0, 1] != 0: print(f"A on ühendatud B-ga. Kaugus: {road_network[0, 1]}") else: print("A ei ole ühendatud B-ga.") ``` **Väljund:** ``` A on ühendatud B-ga. Kaugus: 5 ``` #### Näide: Kauguste leidmine ristmike vahel ```python # Leiame kaugused kõikide ristmike vahel for i in range(road_network.shape[0]): for j in range(road_network.shape[1]): if road_network[i, j] != 0: print(f"Ristmik {chr(65 + i)} on ühendatud ristmikuga {chr(65 + j)}. Kaugus: {road_network[i, j]}") ``` **Väljund:** ``` Ristmik A on ühendatud ristmikuga B. Kaugus: 5 Ristmik A on ühendatud ristmikuga E. Kaugus: 7 Ristmik B on ühendatud ristmikuga A. Kaugus: 5 Ristmik B on ühendatud ristmikuga C. Kaugus: 3 Ristmik C on ühendatud ristmikuga B. Kaugus: 3 Ristmik C on ühendatud ristmikuga D. Kaugus: 4 Ristmik D on ühendatud ristmikuga C. Kaugus: 4 Ristmik D on ühendatud ristmikuga E. Kaugus: 2 Ristmik E on ühendatud ristmikuga A. Kaugus: 7 Ristmik E on ühendatud ristmikuga D. Kaugus: 2 ``` ### Kauguste leidmine ja lühim tee (Dijkstra algoritm) Maatriksalgebra abil saab ka leida lühimad teed teede võrgustikus. Näiteks saab kasutada **Dijkstra algoritmi**, et leida kahe ristmiku vaheline lühim tee. Pythonis on see realiseeritud **SciPy** teegis. #### Näide: Lühim tee ristmikust A ristmikuni D ```python import scipy.sparse.csgraph as csgraph # Kasutame Dijkstra algoritmi, et leida lühimad teed kõikide sõlmede vahel dist_matrix, predecessors = csgraph.dijkstra(road_network, return_predecessors=True) # Leiame lühima tee ristmikust A (indeks 0) ristmikuni D (indeks 3) print(f"Lühim kaugus ristmikust A ristmikuni D: {dist_matrix[0, 3]}") ``` **Väljund:** ``` Lühim kaugus ristmikust A ristmikuni D: 11.0 ``` Siin arvutatakse, et lühim tee A-st D-sse on läbi ristmike A → E → D, mille kogukaugus on 11 (A → E on 7 ja E → D on 2). ### Kokkuvõte Maatriksalgebra abil saab tõhusalt modelleerida teedevõrku ja seda analüüsida. Maatriksid võimaldavad: 1. Esitada ristmike ja teede ühendusi ning kaugusi. 2. Rakendada lihtsaid lineaaralgebra operatsioone (ühenduse kontroll, kauguste arvutamine). 3. Leida keerulisemaid omadusi, nagu lühim tee, kasutades algoritme nagu Dijkstra. See lähenemine on väga kasulik liiklusanalüüsis, teede optimeerimises ja muudes sarnastes rakendustes. --- **Dijkstra algoritmi** saab kasutada, et leida lühimad teed kahe või enama ristmiku vahel teedevõrgus. Teedevõrk on esindatud maatriksina, kus maatriksi elemendid tähistavad ristmike vaheliste teede pikkusi või kaalu (kaugust, aega, kütusekulu jne). Dijkstra algoritmi tööpõhimõte on leida lühim tee lähtepunktist kõigisse teistesse sõlmedesse graafis, mis on esitatud kaalujaotusega külgedega graafina (antud juhul maatriksina). ### 1. Teedevõrgu esitamine maatriksina Oletame, et meil on järgmine teedevõrk: - **Ristmikud**: A, B, C, D, E - **Teed ja kaugused**: - A ↔ B (5) - B ↔ C (3) - C ↔ D (4) - D ↔ E (2) - A ↔ E (7) Teedevõrku saab esitada kaalu maatriksina järgmiselt: \[ \text{Maatriks } A = \begin{pmatrix} 0 & 5 & 0 & 0 & 7 \\ 5 & 0 & 3 & 0 & 0 \\ 0 & 3 & 0 & 4 & 0 \\ 0 & 0 & 4 & 0 & 2 \\ 7 & 0 & 0 & 2 & 0 \end{pmatrix} \] ### 2. Dijkstra algoritmi rakendamine Pythonis Pythonis saame kasutada **SciPy** teeki, mis pakub sisseehitatud meetodit Dijkstra algoritmi rakendamiseks. **SciPy** teegi funktsioonid võimaldavad määrata graafi servade kaale ja leida lühimad teed sõlmede vahel. #### Python kood Dijkstra algoritmi rakendamiseks: ```python import numpy as np from scipy.sparse.csgraph import dijkstra from scipy.sparse import csr_matrix # Defineerime teedevõrgu kaalu maatriksina road_network = np.array([ [0, 5, 0, 0, 7], # A [5, 0, 3, 0, 0], # B [0, 3, 0, 4, 0], # C [0, 0, 4, 0, 2], # D [7, 0, 0, 2, 0] # E ]) # Muudame maatriksi hõredaks maatriksiks (see optimeerib arvutusi) sparse_matrix = csr_matrix(road_network) # Kasutame Dijkstra algoritmi, et leida lühimad teed kõikide ristmike vahel # määrame lähtepunktiks ristmiku A (indeks 0) dist_matrix, predecessors = dijkstra(sparse_matrix, return_predecessors=True, indices=0) # Kuvame lühimad kaugused ristmikust A kõigisse teistesse ristmikesse print("Lühimad teed ristmikust A teistesse ristmikesse:") for i, dist in enumerate(dist_matrix): print(f"A -> {chr(65 + i)}: {dist}") # Kuvame lähtepunkti ristmikule D end = 3 # D on indeksiga 3 path = [] i = end while i != -9999: # -9999 tähistab Dijkstra algoritmis algsõlme (lähtepunkti) path.append(chr(65 + i)) i = predecessors[i] print("Lühim tee A-st D-ni:", " -> ".join(path[::-1])) # Kuvame tee vastupidises järjekorras ``` ### Selgitus: 1. **Maatriks**: Teedevõrk on esitatud kaalu maatriksina, kus iga element tähistab kahe ristmiku vahelise tee kaugust. Kui kahe ristmiku vahel teed pole, on väärtus 0. 2. **Dijkstra algoritm**: - **`dijkstra()`** funktsioon leiab lühimad teed lähtepunktist kõikidesse teistesse sõlmedesse. - Kasutame parameetrit **`indices=0`**, mis määrab lähtepunktiks ristmiku **A** (indeks 0). - **`return_predecessors=True`** võimaldab meil jälgida lühimat teekonda (eelkäijate maatriksi abil). 3. **Tee kuvamine**: - Kasutame **eelkäijate maatriksit** (predecessors), et kuvada tegelik tee ristmiku **A** ja ristmiku **D** vahel. ### Väljund: ``` Lühimad teed ristmikust A teistesse ristmikesse: A -> A: 0.0 A -> B: 5.0 A -> C: 8.0 A -> D: 11.0 A -> E: 7.0 Lühim tee A-st D-ni: A -> E -> D ``` ### Väljundi selgitus: - **Lühimad teed**: Kuvatakse lühimad kaugused ristmikust **A** kõikidesse teistesse ristmikesse. Näiteks on **A**-st **D**-ni lühim kaugus 11 (läbi ristmiku **E**). - **Tee**: Kuvame lühima teekonna **A**-st **D**-ni, mis on **A -> E -> D**. ### Kuidas muuta algus- ja sihtpunkti Kui soovite leida lühima tee teistest lähtepunktidest, saate muuta **`indices`** väärtust. Näiteks, kui soovite leida lühimad teed, alustades ristmikust **C** (indeks 2), muudate lihtsalt koodi järgmiselt: ```python dist_matrix, predecessors = dijkstra(sparse_matrix, return_predecessors=True, indices=2) ``` ### Kokkuvõte Dijkstra algoritmi saab kasutada lühimate teede leidmiseks teedevõrgus, mis on esitatud kaalu maatriksina. Pythonis saab **SciPy** teegi kaudu rakendada Dijkstra algoritmi tõhusalt, et arvutada kaugused ja leida lühimad teekonnad sõlmede vahel. --- **Klasteranalüüsi** ja **teedevõrgu maatriksalgebra** sidumine koos **Dijkstra algoritmi** tulemustega võib aidata tuvastada olulisi mustreid ja teedevõrgu optimeerimisvõimalusi. Eesmärk võiks olla näiteks teede grupeerimine nende omaduste alusel, tuvastades piirkondi, kus on tihedam liiklus või pikemad teekonnad, ning seejärel optimeerida teedevõrku, kasutades Dijkstra algoritmi tulemusi. ### Sidumise etapid: 1. **Teede võrgustiku maatriks**: Kasutage kaalu maatriksit, mis esindab teede pikkusi või liiklusmahte (või muud omadust). 2. **Dijkstra algoritmi tulemused**: Kasutage Dijkstra algoritmi, et leida lühimad teed ja nende pikkused kõikide ristmike vahel. 3. **Klastrianalüüs**: Rakendage klastrianalüüsi Dijkstra algoritmi tulemuste põhjal, et grupeerida teed või piirkonnad teatud omaduste alusel (nt pikkus, liiklus, ühenduste tihedus). ### Kuidas rakendada klasteranalüüsi teedevõrgule **K-means** klastrianalüüs võib aidata jaotada teedevõrgu lõigud (ristmikud või teedeühendused) erinevatesse klastritesse, lähtudes Dijkstra algoritmi tulemuste põhjal leitud kaugustest või muudest omadustest. Näiteks võime klastritesse grupeerida teelõigud vastavalt lühimatele teekondadele või liiklustihedusele. #### Sammud: 1. **Maatriksist lühimad teed**: Rakendame Dijkstra algoritmi, et leida lühimad teed kõikide sõlmede vahel. 2. **Klastrianalüüs**: Rakendame K-meansi klastrianalüüsi lühimate vahemaade põhjal, et grupeerida sõlmed (ristmikud) või ühendused vastavalt sarnastele omadustele (nt lühikesed vahemaad samas klastris). 3. **Visualiseerimine**: Visualiseerime klastrianalüüsi tulemused, et mõista, millised teedeühendused või piirkonnad kuuluvad samasse klastrisse. ### Python kood, mis kombineerib Dijkstra algoritmi ja klastrianalüüsi ```python import numpy as np from scipy.sparse.csgraph import dijkstra from scipy.sparse import csr_matrix from sklearn.cluster import KMeans import matplotlib.pyplot as plt import seaborn as sns # Defineerime teedevõrgu kaalu maatriksina road_network = np.array([ [0, 5, 0, 0, 7], # A [5, 0, 3, 0, 0], # B [0, 3, 0, 4, 0], # C [0, 0, 4, 0, 2], # D [7, 0, 0, 2, 0] # E ]) # Muudame maatriksi hõredaks maatriksiks (optimeerib arvutusi) sparse_matrix = csr_matrix(road_network) # Kasutame Dijkstra algoritmi, et leida lühimad teed kõikide ristmike vahel dist_matrix, _ = dijkstra(sparse_matrix, return_predecessors=False) # K-meansi klastrianalüüs # Me tahame leida näiteks 2 klastrit kmeans = KMeans(n_clusters=2, random_state=42) kmeans.fit(dist_matrix) # Lisame klastrite info sõlmedele clusters = kmeans.labels_ # Kuvame klastrianalüüsi tulemused print("Klastrid (ristmikud):", clusters) # Visualiseerime klastrite vahelised kaugused (heatmap) plt.figure(figsize=(8, 6)) sns.heatmap(dist_matrix, annot=True, cmap="coolwarm", linewidths=.5) plt.title("Lühimad vahemaad (Dijkstra) - Maatriks") plt.show() # Visualiseerime klastrid (graafikus) for i in range(len(clusters)): for j in range(i + 1, len(clusters)): if road_network[i, j] != 0: color = 'blue' if clusters[i] == clusters[j] else 'red' plt.plot([i, j], [clusters[i], clusters[j]], color=color, linewidth=2) plt.title("Teedevõrgu klastrid") plt.show() ``` ### Selgitus: 1. **Dijkstra algoritm**: - Kasutame **`dijkstra()`** funktsiooni, et leida lühimad teed kõikide ristmike vahel teedevõrgus. Tulemusena saame maatriksi, kus iga element tähistab lühimat kaugust kahe ristmiku vahel. 2. **K-meansi klastrianalüüs**: - Rakendame **K-meansi** klastrianalüüsi lühimatel teekondadel, et grupeerida ristmikud või piirkonnad vastavalt lühimatele vahemaadele. - K-means aitab leida, millised ristmikud või teelõigud kuuluvad sarnaste omaduste alusel samasse klastrisse. 3. **Visualiseerimine**: - Kuvame tulemused kahel viisil: - **Heatmap**: Kuvab lühimad vahemaad kõikide ristmike vahel. - **Graafikuline visualiseerimine**: Näitab klastreid ühendavate teede värviga. Teedeühendused samas klastris tähistatakse sinisega, eri klastrite ühendused punasega. ### Väljund: - **Heatmap** kuvab lühimad teed sõlmede vahel. Näiteks saate kohe näha, millised teekonnad on lühemad ja millised pikemad. - **Graafik** näitab klastreid teedeühenduste kaudu. Klastri sees olevad teed on värvitud siniseks (kui mõlemad ristmikud kuuluvad samasse klastrisse), samas kui eri klastrite ühendused on punased. ### Klastrianalüüsi ja Dijkstra algoritmi tulemuste kasutamine - **Liikluskoormuse optimeerimine**: Võite tuvastada teelõigud, mis kuuluvad sama klastrisse (nt tiheda liiklusega teed) ja neid optimeerida, lisades uusi teid või laiendades olemasolevaid. - **Teede hooldus**: Klastrianalüüsi abil saate välja tuua teelõigud, mis vajavad rohkem hooldust (nt kõrge liiklustiheduse ja pikkade teekondadega teed), ning planeerida ressursside jaotamist vastavalt. - **Piirkondade jaotamine**: Klastrianalüüs aitab tuvastada piirkondi, kus teedevõrk on tihedalt seotud (kõrge ühenduvus), ja võrrelda neid aladega, kus ühenduvus on kehvem. See võib aidata planeerida uusi infrastruktuuri arendusi. ### Kokkuvõte Selle meetodi abil kombineerime **Dijkstra algoritmi** tulemused (lühimad teekonnad) ja **K-meansi klastrianalüüsi**, et grupeerida teedevõrk teatud omaduste alusel. Dijkstra algoritmi tulemused annavad aluse teede kauguste või liiklusomaduste põhjal klastrite leidmiseks, samas kui klastrianalüüs aitab tuvastada piirkonnad, mis vajavad optimeerimist või hooldust. Kui vajate täiendavaid selgitusi või muudatusi koodis, andke julgelt teada! --- Kui mingid teelõigud teedevõrgus on suletud, peame Dijkstra algoritmi ja klasteranalüüsi ümber arvutama, võttes arvesse need katkestused. Teelõikude sulgemise võib esitada kaalu maatriksis, asendades nende vastavate väärtuste asemel **infiniitsed väärtused** (tavaliselt tähistatakse kui **infinity**), et näidata, et teed ei ole saadaval. ### Sammud: 1. **Sulgemise esitamine maatriksis**: Muudame maatriksi elemente vastavates kohtades, kus teed on suletud, väärtusega **infinity**. 2. **Dijkstra algoritmi uuesti rakendamine**: Pärast muudatuste tegemist maatriksis rakendame Dijkstra algoritmi uuesti, et arvutada uued lühimad teekonnad. 3. **Klastrianalüüs**: Klastrianalüüsi jaoks kasutame uut teedevõrku, kus suletud teed on arvesse võetud. ### Näide: Teedevõrgu ja Dijkstra algoritmi ümberarvutused, kui üks teelõik on suletud Oletame, et teelõik **A ↔ E** (kaugus 7) on suletud. Seda saab esitada maatriksis väärtusega **infinity**, mis tähendab, et teekond nende ristmike vahel on katkenud ja seda ei saa kasutada. #### Python kood näite jaoks: ```python import numpy as np from scipy.sparse.csgraph import dijkstra from scipy.sparse import csr_matrix from sklearn.cluster import KMeans import matplotlib.pyplot as plt import seaborn as sns # Defineerime teedevõrgu kaalu maatriksina road_network = np.array([ [0, 5, 0, 0, np.inf], # A (teelõik A ↔ E on suletud) [5, 0, 3, 0, 0], # B [0, 3, 0, 4, 0], # C [0, 0, 4, 0, 2], # D [np.inf, 0, 0, 2, 0] # E (teelõik A ↔ E on suletud) ]) # Muudame maatriksi hõredaks maatriksiks (optimeerib arvutusi) sparse_matrix = csr_matrix(road_network) # Kasutame Dijkstra algoritmi, et leida lühimad teed kõikide ristmike vahel dist_matrix, predecessors = dijkstra(sparse_matrix, return_predecessors=True) # Kuvame lühimad teekonnad A-st (kõikidesse teistesse ristmikesse) start_node = 0 # A on indeksiga 0 print(f"Lühimad teed ristmikust A (võttes arvesse suletud teed A ↔ E):") for i, dist in enumerate(dist_matrix[start_node]): if np.isinf(dist): print(f"A -> {chr(65 + i)}: Ei saa ühendada (suletud teelõik)") else: print(f"A -> {chr(65 + i)}: {dist}") # Kuvame lühima tee ristmikust A ristmikuni D end = 3 # D on indeksiga 3 path = [] i = end while i != -9999: # -9999 tähistab Dijkstra algoritmis algsõlme (lähtepunkti) path.append(chr(65 + i)) i = predecessors[start_node, i] print("Lühim tee A-st D-ni:", " -> ".join(path[::-1])) # Kuvame tee vastupidises järjekorras ``` ### Selgitus: 1. **Sulgemise esitamine**: - **Teelõik A ↔ E** on suletud, seega asendame maatriksi väärtuse **np.inf** nende ristmike vahel. - See näitab, et teed pole saadaval ja algoritm ei tohiks seda arvesse võtta. 2. **Dijkstra algoritm**: - Kasutame **`dijkstra()`** funktsiooni, et arvutada lühimad teekonnad kõikide ristmike vahel, võttes arvesse suletud teelõigud. - Kui vahemaa on **infinity**, tähendab see, et teekond pole võimalik (sulgemine). 3. **Teekondade kuvamine**: - Kuvame, kas teekond on võimalik või on teelõik suletud. ### Väljund: ``` Lühimad teed ristmikust A (võttes arvesse suletud teed A ↔ E): A -> A: 0.0 A -> B: 5.0 A -> C: 8.0 A -> D: 12.0 A -> E: Ei saa ühendada (suletud teelõik) Lühim tee A-st D-ni: A -> B -> C -> D ``` ### Klastrianalüüsi kohandamine pärast teelõigu sulgemist Pärast teelõigu sulgemist rakendame uuesti **K-meansi klastrianalüüsi**, et näha, kuidas suletud teelõik mõjutab klastreid. ```python # K-meansi klastrianalüüs (2 klastrit) kmeans = KMeans(n_clusters=2, random_state=42) kmeans.fit(dist_matrix) # Lisame klastrite info sõlmedele clusters = kmeans.labels_ # Kuvame klastrianalüüsi tulemused print("Klastrid (ristmikud) pärast teelõigu sulgemist:", clusters) # Visualiseerime klastrite vahelised kaugused (heatmap) plt.figure(figsize=(8, 6)) sns.heatmap(dist_matrix, annot=True, cmap="coolwarm", linewidths=.5) plt.title("Lühimad vahemaad (Dijkstra) - Pärast teelõigu sulgemist") plt.show() # Visualiseerime klastrid (graafikus) for i in range(len(clusters)): for j in range(i + 1, len(clusters)): if road_network[i, j] != 0 and not np.isinf(road_network[i, j]): color = 'blue' if clusters[i] == clusters[j] else 'red' plt.plot([i, j], [clusters[i], clusters[j]], color=color, linewidth=2) plt.title("Teedevõrgu klastrid pärast teelõigu sulgemist") plt.show() ``` ### Selgitus: 1. **K-meansi klastrianalüüs**: Pärast teelõigu sulgemist rakendame uuesti klastrianalüüsi, et näha, kuidas ristmikud grupeeritakse. 2. **Visualiseerimine**: Klastrite tulemused visualiseeritakse koos uute teekondadega, võttes arvesse, et mõned teed on suletud. ### Väljund: 1. **Heatmap** kuvab uued lühimad teekonnad pärast suletud teede arvesse võtmist. 2. **Graafik** kuvab klastreid: sinisega on ühendatud samad klastrid, punasega eri klastrid. Kui suletud teed katkestavad teatud ühendused, võib klastrite vahelisi ühendusi olla vähem. ### Kokkuvõte: Kui teedevõrgus on teatud teelõigud suletud, saate muuta kaalu maatriksi vastavaid elemente, asendades need väärtusega **infinity**. Seejärel rakendatakse Dijkstra algoritm ja klastrianalüüs uuesti, et leida uued lühimad teed ja teha klastrite jaotused. Sel viisil saab analüüsida, kuidas teede sulgemine mõjutab kogu teedevõrku ja kuidas need katkestused mõjutavad liikluskoormust ja ühenduvust. Kui teil on vaja veel täiendavaid näiteid või kohandusi, andke teada! --- Teede sulgemine mõjutab **rastergraafikat** samal viisil nagu see mõjutab teedevõrgu analüüsi maatriksalgebra abil. Sulgemine tähendab, et teatud teelõik või ühendus muutub kasutamatuks, mis tuleb visuaalselt esitada rasterpildil. ### Kuidas teede sulgemine mõjutab rastergraafikat? 1. **Vektorgraafika andmete kohandamine**: Kui mingi teelõik on suletud, peame eemaldama või esile tõstma selle suletud tee rasterpildil. Vektorgraafikas võiksime lihtsalt eemaldada selle tee või esitada selle katkestatud joonena. 2. **Rastergraafika uuendamine**: Kuna rastergraafika koosneb pikslitest, tuleb suletud teelõigud kas eemaldada, muuta nende värvi (nt halliks või punaseks), et näidata katkestust, või jätta need tühjaks. Selleks saame muuta rasterpildi maatriksit, mis esindab teedevõrku. ### Sammud: 1. **Sulgemise tähistamine rasterpildil**: Peame rastergraafikas teelõigu kas kustutama või asendama selle teistsuguse värviga, et näidata, et see tee on suletud. 2. **Teedevõrgu rastergraafika uuendamine**: Pärast muutusi vektorgraafikas rakendame need muudatused rastergraafikas, et teelõik oleks suletud kujul esindatud. ### Näide: Rastergraafika uuendamine suletud teelõigu korral Oletame, et meil on teedevõrk, kus on mõned teelõigud ja me soovime näidata, et üks teelõik on suletud. Meie näites on teelõik **A ↔ E** suletud. #### Python kood: ```python import numpy as np from PIL import Image, ImageDraw # Määrame pildi suuruse (rastergraafika suurus, pikslites) image_size = (500, 500) # Loome tühja valge pildi (rastergraafika) image = Image.new('RGB', image_size, 'white') draw = ImageDraw.Draw(image) # Vektoriaalne teedevõrk (enne sulgemist) road_network = [ (50, 50, 450, 50), # Tee A ↔ B (450, 50, 450, 450), # Tee B ↔ C (50, 450, 450, 450), # Tee D ↔ E (50, 50, 50, 450), # Tee A ↔ D (250, 50, 250, 450) # Kesktee (keskel vertikaalne) ] # Joonistame algse teedevõrgu (enne sulgemist) for road in road_network: draw.line(road, fill='black', width=5) # Teeme teelõigu A ↔ E sulgemise (esitame punase katkestusena) # Asendame A ↔ E tee punase katkestatud joonega draw.line((50, 50, 450, 450), fill='red', width=5, dash=(10, 10)) # Kuvame rastergraafika pildi pärast sulgemist image.show() # Salvestame pildi failina image.save('road_network_closed.png') ``` ### Selgitus: 1. **Algne teedevõrk**: Kõik teelõigud on esitatud mustade sirgjoontena rasterpildil, kus iga teelõik on ühendatud ristmike vahel. 2. **Sulgemine**: Kui teelõik **A ↔ E** on suletud, joonistame selle joone ümber, kasutades **punast katkestatud joont**, et tähistada, et see tee on suletud ja seda ei saa enam kasutada. 3. **Rastergraafika uuendamine**: Uuendatud teedevõrk näitab katkestatud teed visuaalselt, tehes muudatused pildis ja joonistades teelõigu ümber. ### Väljund: 1. Algne teedevõrk näitab kõiki teelõike ühendatud kujul. 2. Pärast sulgemist on teelõik **A ↔ E** asendatud punase katkestatud joonega, et näidata, et see tee on suletud. ### Rastergraafika kohandamine suletud teelõiguga Kui teelõik on suletud, on meil mitu võimalust, kuidas see rastergraafikas esitada: - **Eemaldamine**: Võime täielikult eemaldada suletud teelõigu, et see teelõik rasterpildil enam ei eksisteeriks. - **Katkestatud joon**: Võime asendada suletud teelõigu katkestatud joonega, et visuaalselt tähistada, et see tee on ajutiselt suletud. - **Värvi muutmine**: Võime suletud teelõigu värvida punaseks või halliks, et tähistada selle suletust. ### Kuidas see on seotud maatriksalgebraga? Kui teedevõrk on esitatud maatriksina ja teelõik on suletud (asendatud väärtusega **infinity**), saame sama idee rakendada rastergraafikas. Maatriksi põhjal saame otsustada, millised teed on suletud, ja esitada need vastavalt rasterpildil. See tagab, et andmed ja visuaal on omavahel kooskõlas. ### Näide suletud teede maatriksist ja selle visuaalsest esitamisest Kui kasutame maatriksalgebrat suletud teelõikude esitamiseks (nt **A ↔ E** on suletud, asendatud väärtusega **infinity**), saame sarnase loogika kohaselt muuta ka rasterpildi värvi või joonistust, et suletud tee oleks pildil näha. Näiteks: ```python import numpy as np # Teedevõrgu kaalu maatriks, kus A ↔ E on suletud road_network_matrix = np.array([ [0, 5, 0, 0, np.inf], # A ↔ E on suletud [5, 0, 3, 0, 0], # B [0, 3, 0, 4, 0], # C [0, 0, 4, 0, 2], # D [np.inf, 0, 0, 2, 0] # E ↔ A on suletud ]) # Visualiseerides sulgemised pildil (näiteks punase katkestatud joonena) # Vastav rasterpilt on eelnevalt loodud ja värskendatud vastavalt teede suletusele. ``` ### Kokkuvõte Kui teelõik suletakse, mõjutab see nii **maatriksalgebrat** kui ka **rastergraafikat**. Maatriksalgebras esindame suletud teid **infinity** väärtusega, rastergraafikas aga joonistame suletud teelõigud kas katkestatud joontena, eemaldame need või muudame värvi. See võimaldab teedevõrku nii matemaatiliselt kui ka visuaalselt ajakohastada, võttes arvesse teede sulgemisi ja katkestusi. --- Kui teedevõrgul on **N väljapääsu punkti**, ja igal punktil on oma **kaal**, mis tähistab punkti olulisust (näiteks tähtsamaid teid, ristmikke või väljapääsupunkte), siis on võimalik arvestada nende punktide kaale Dijkstra algoritmi arvutustes. Tavaliselt Dijkstra algoritm arvutab lühima tee, arvestades ainult teede pikkusi (või teede kaalutud väärtusi), kuid teepunktide olulisust (kaalu) saab lisada, kaaludes punkte endid. ### Kuidas kaasata punktide kaale Dijkstra algoritmi: 1. **Punktide kaalud**: Igal punktipaaril on kaks aspekti: - **Teepikkus**: Ühenduste pikkus või kulu kahe ristmiku vahel. - **Punkti kaal**: Ristmiku või punkti olulisus. Mida suurem kaal, seda olulisem on ristmik või väljapääsupunkt. 2. **Kombineeritud kaalu määramine**: Kui arvestame nii teepikkust kui ka punkti olulisust, tuleb lühima tee arvutamisel lisada punktide kaalud kogukulule. See tähendab, et lühim tee ei sõltu ainult teede pikkusest, vaid ka sellest, kui tähtsad või raskesti läbitavad on ristmikud, mis on teel. 3. **Modifitseeritud Dijkstra algoritm**: Punkti kaalude kaasamiseks võib modifitseerida Dijkstra algoritmi, lisades igale teelõigule (tee kaal) ka sihtpunkti ristmiku kaalu. Kui liigume ühest punktist teise, lisame selle sihtpunkti kaalu üldisele teekonnale. ### Näide teedevõrguga koos punktide kaaludega Oletame, et meil on järgmine teedevõrk ja igal ristmikul on oma kaal (olulisus). Kasutame **punktide kaale** teedevõrgu arvutustes. #### Teedevõrk (ühenduste pikkused): - **A ↔ B**: 5 - **B ↔ C**: 3 - **C ↔ D**: 4 - **D ↔ E**: 2 - **A ↔ E**: 7 #### Punktide kaalud: - **A**: 2 (vähem oluline) - **B**: 3 (keskmiselt oluline) - **C**: 1 (vähem oluline) - **D**: 5 (väga oluline) - **E**: 4 (oluline) ### Kaalutud Dijkstra algoritmi rakendamine: 1. Loome kaalu maatriksi, kus iga teepikkus on ühendatud punktide kaugus ning punktide kaalud on lisatud teekonnale sihtpunkti jõudmisel. 2. Punktide kaalud lisatakse igale teekonnale. Näiteks kui liigume punktist **A** punkti **B**, siis arvestame lisaks teekonnale ka punkti **B** kaalu. #### Python kood modifitseeritud Dijkstra algoritmi jaoks: ```python import numpy as np from scipy.sparse.csgraph import dijkstra from scipy.sparse import csr_matrix # Defineerime teedevõrgu kaalu maatriksina (ühenduste pikkused) road_network = np.array([ [0, 5, 0, 0, 7], # A [5, 0, 3, 0, 0], # B [0, 3, 0, 4, 0], # C [0, 0, 4, 0, 2], # D [7, 0, 0, 2, 0] # E ]) # Defineerime punktide kaalud (olulisuse) point_weights = np.array([2, 3, 1, 5, 4]) # A, B, C, D, E # Modifitseerime kaalu maatriksit, lisades iga teekonna lõpp-punkti kaalu for i in range(len(road_network)): for j in range(len(road_network[i])): if road_network[i, j] > 0: # Lisame teekonna lõpp-punkti kaalu (sihtpunkti kaal lisatakse teepikkusele) road_network[i, j] += point_weights[j] # Kuvame uue kaalu maatriksi print("Modifitseeritud teedevõrgu kaalu maatriks (sisaldab punktide kaale):") print(road_network) # Muudame maatriksi hõredaks maatriksiks (optimeerib arvutusi) sparse_matrix = csr_matrix(road_network) # Kasutame Dijkstra algoritmi, et leida lühimad teed kõikide ristmike vahel dist_matrix, predecessors = dijkstra(sparse_matrix, return_predecessors=True) # Kuvame lühimad teed ristmikust A (kõikidesse teistesse ristmikesse) start_node = 0 # A on indeksiga 0 print(f"Lühimad teed ristmikust A (kaasates punktide kaale):") for i, dist in enumerate(dist_matrix[start_node]): if np.isinf(dist): print(f"A -> {chr(65 + i)}: Ei saa ühendada") else: print(f"A -> {chr(65 + i)}: {dist}") # Kuvame lühima tee ristmikust A ristmikuni D end = 3 # D on indeksiga 3 path = [] i = end while i != -9999: # -9999 tähistab Dijkstra algoritmis algsõlme (lähtepunkti) path.append(chr(65 + i)) i = predecessors[start_node, i] print("Lühim tee A-st D-ni (kaasates punktide kaale):", " -> ".join(path[::-1])) ``` ### Selgitus: 1. **Teedevõrk ja punktide kaalud**: - Teedevõrk on esitatud kauguste maatriksina. - Punktide kaalud on esitatud eraldi massiivina, kus iga punkt saab vastava kaalu (nt A-l on kaal 2, B-l kaal 3 jne). 2. **Teedevõrgu kaalu maatriksi modifitseerimine**: - Igale teekonnale lisatakse vastava sihtpunkti kaal. Näiteks, kui liigume punktist A punkti B, lisame kaugusele 5 ka punkti B kaalu (3), nii et uus väärtus on 5 + 3 = 8. - See modifitseerib teedevõrgu kaalu maatriksi, kus arvestatakse nii teede kaugusi kui ka punktide kaale. 3. **Dijkstra algoritmi rakendamine**: - Pärast kaalu maatriksi modifitseerimist rakendame Dijkstra algoritmi, et leida lühimad teed, arvestades nii teede kaugusi kui ka punktide olulisust. - Saame arvutatud lühimad teekonnad, kus arvestatakse nii teekonna kui ka sihtpunkti kaaluga. ### Väljund: ``` Modifitseeritud teedevõrgu kaalu maatriks (sisaldab punktide kaale): [[ 0. 8. 0. 0. 11.] [ 8. 0. 4. 0. 0.] [ 0. 4. 0. 9. 0.] [ 0. 0. 9. 0. 6.] [11. 0. 0. 6. 0.]] Lühimad teed ristmikust A (kaasates punktide kaale): A -> A: 0.0 A -> B: 8.0 A -> C: 12.0 A -> D: 17.0 A -> E: 11.0 Lühim tee A-st D-ni (kaasates punktide kaale): A -> E -> D ``` ### Väljundi selgitus: - **Modifitseeritud kaalu maatriks**: Näeme, et iga teekonna pikkusele on lisatud sihtpunkti kaal. Näiteks teekond **A ↔ B** oli algselt 5, kuid nüüd on see 8, kuna **B** kaal (olulisus) on 3 ja 5 + 3 = 8. - **Lühim tee**: Lühim tee **A-st D-ni** on nüüd **A → E → D**, kus arvestatakse nii teekondade kui ka punktide olulisust. Algne lühim tee A-st D-ni oleks olnud läbi **B** ja **C**, kuid kuna **D** on väga oluline (kaal 5), on otstarbekam minna läbi **E**. ### Kokkuvõte: Punktide olulisuse (kaalu) arvestamine Dijkstra algoritmi puhul tähendab, et teedevõrku mõjutavad mitte ainult teede pikkused, vaid ka ristmikud või punktid ise, sõltuvalt nende tähtsusest. Seda saab saavutada, lisades teekonna sihtpunkti kaalu teepikkusele. Seejärel rakendame Dijkstra algoritmi modifitseeritud kaalu maatriksile, et arvutada lühimad teekonnad, arvestades nii teede kui ka punktide olulisust. Kui vajate rohkem täpsustusi või muid näiteid, andke teada! --- **Map algebra** on georuumiline analüüsimeetod, kus kaarte või maatrikseid töödeldakse matemaatiliste operatsioonide abil, et luua uusi ruumilisi andmeid. See on eriti kasulik geograafiliste andmete analüüsimisel, sealhulgas selliste nähtuste nagu kõrgus, temperatuur, saaste ja liiklusmustrid. **Heatmap** ehk kuumakaart on visuaalne esitus, mis kasutab värvikodeerimist, et näidata väärtuste jaotust mingil alal või maatriksis. Map algebra saab siduda heatmap'iga, et analüüsida ja visualiseerida andmete mustreid, tuues esile piirkonnad, kus on suuremad väärtused. ### Kuidas siduda map algebra ja heatmap? 1. **Map algebra**: Teeme matemaatilisi operatsioone (nt liitmine, korrutamine, normaliseerimine) geograafilistel või muudel ruumilistel andmetel, mis on esitatud maatriksina. 2. **Heatmap**: Kasutame heatmap'i, et visuaalselt esitada maatriks, kus erinevad värvid tähistavad väärtuste intensiivsust või jaotust. ### Näide: Map algebra maatriksi loomine ja sidumine heatmap'iga #### Sammud: 1. **Maatriksi loomine**: Loome maatriksi, mis esindab kaardipõhiseid andmeid (nt kõrgus, temperatuur, liiklusintensiivsus). 2. **Map algebra operatsioonid**: Rakendame maatriksil matemaatilisi operatsioone. 3. **Heatmap'i loomine**: Visualiseerime maatriksi tulemused heatmap'ina. ### Python kood näite jaoks: Kasutame **NumPy**'d maatriksi loomiseks ja **Seaborn**'i või **Matplotlib**'i heatmap'i loomiseks. ```python import numpy as np import seaborn as sns import matplotlib.pyplot as plt # 1. Maatriksi loomine (näiteks kõrgusandmed, temperatuuriandmed või liiklusandmed) # Näidismaatriks, mis esindab kaarti (nt liiklusintensiivsus või kõrgused) map_matrix = np.array([ [10, 20, 30, 40, 50], [15, 25, 35, 45, 55], [10, 30, 40, 50, 60], [20, 25, 35, 45, 65], [30, 35, 45, 55, 70] ]) # 2. Map algebra: Liidame igale maatriksi väärtusele 10 (võib esindada andmete normaliseerimist) map_matrix_updated = map_matrix + 10 # Kuvame esialgse maatriksi ja uuendatud maatriksi print("Originaal maatriks (Map algebra sisend):\n", map_matrix) print("\nUuendatud maatriks (Map algebra tulem):\n", map_matrix_updated) # 3. Heatmap'i loomine uuendatud maatriksi põhjal plt.figure(figsize=(8, 6)) sns.heatmap(map_matrix_updated, annot=True, cmap="YlGnBu", linewidths=0.5) # Seaborn heatmap'i pealkiri plt.title("Map Algebra tulemuste Heatmap") plt.show() ``` ### Selgitus: 1. **Maatriks**: Loome kaardipõhise maatriksi, kus väärtused võivad esindada liiklusintensiivsust, kõrgusi või muid ruumilisi andmeid. 2. **Map algebra**: Teeme lihtsa map algebra operatsiooni, kus liidame igale maatriksi väärtusele 10 (näiteks normaliseerimine või andmete suurendamine). Reaalses olukorras võite teha keerukamaid operatsioone, näiteks: - **Korrutamine**: Erinevate kihtide kombineerimine (nt liiklus ja õhusaaste). - **Keskmistamine**: Kõrvalmaatriksite andmete keskmine arvutamine. - **Võrdlusoperatsioonid**: Piirkondade identifitseerimine, kus väärtused ületavad teatud läve. 3. **Heatmap**: Kasutame **Seaborn**'i **heatmap** funktsiooni, et visualiseerida maatriksit. Kasutame värvikaarti **"YlGnBu"** (kollane, roheline, sinine), kuid seda saab muuta vastavalt vajadusele. ### Väljund: - **Originaal maatriks** ja **uuendatud maatriks** kuvatakse terminalis. - **Heatmap** visualiseerib värvide abil uuendatud maatriksi andmed. Kõrgemad väärtused on tähistatud intensiivsemate värvidega, mis annab visuaalse ülevaate andmete jaotusest. ### Edasine täiustamine: 1. **Map algebra operatsioonide keerukus**: Võite kombineerida erinevaid maatrikseid (erinevaid ruumilisi kihte), rakendada filtreid või muud geograafilise analüüsi tehnikat. 2. **Heatmap värvikaardid**: Heatmap'i värvikaarti saab kohandada, et sobitada seda konkreetsete andmetega (nt "hot" kuumakaart võib sobida temperatuuride analüüsiks, samas kui "cool" võib sobida liikluskoormuse visualiseerimiseks). ### Näide keerukamast map algebra rakendusest Oletame, et töötleme liikluskoormust ja õhusaasteandmeid ning loome maatriksid mõlemale kihile. Seejärel rakendame map algebra operatsiooni, et arvutada maatriksite korrutis ja visualiseerida tulemust heatmap'ina. #### Näide: ```python # Näide kahe ruumilise kihi maatriksiga (liikluskoormus ja õhusaaste) traffic_matrix = np.array([ [10, 20, 30, 40, 50], [15, 25, 35, 45, 55], [20, 30, 40, 50, 60], [25, 35, 45, 55, 65], [30, 40, 50, 60, 70] ]) pollution_matrix = np.array([ [1, 2, 1, 2, 1], [2, 1, 2, 1, 2], [1, 2, 1, 2, 1], [2, 1, 2, 1, 2], [1, 2, 1, 2, 1] ]) # Map algebra: Liikluskoormuse ja õhusaaste korrutamine combined_matrix = traffic_matrix * pollution_matrix # Kuvame kombineeritud maatriksi print("Kombineeritud maatriks (liikluskoormus * õhusaaste):\n", combined_matrix) # Heatmap'i loomine kombineeritud maatriksi põhjal plt.figure(figsize=(8, 6)) sns.heatmap(combined_matrix, annot=True, cmap="RdYlBu", linewidths=0.5) plt.title("Kombineeritud Heatmap (liikluskoormus * õhusaaste)") plt.show() ``` ### Selgitus: 1. **Liikluskoormuse ja õhusaaste kihid**: Iga maatriks esindab eraldi kihti, kus üks maatriks kirjeldab liikluskoormust ja teine õhusaastet. 2. **Map algebra**: Korrutame need kaks kihti, et leida kombineeritud mõju. Näiteks piirkonnad, kus on nii suur liiklus kui ka kõrge õhusaaste, saavad kõrgemad väärtused. 3. **Heatmap**: Kasutame **heatmap**'i kombineeritud andmete visualiseerimiseks. Värvikaart **"RdYlBu"** (punane, kollane, sinine) aitab esitada piirkondi, kus väärtused on väga kõrged (punased) või madalad (sinised). ### Kokkuvõte Map algebra ja heatmap'i sidumine aitab andmete visualiseerimist ja analüüsi. Matemaatiliste operatsioonide abil saab maatrikseid töödelda ja heatmap'i kaudu mustreid visuaalselt esitada. See meetod on kasulik paljudes geograafilistes ja ruumilistes rakendustes, näiteks keskkonnaanalüüsis, liiklusmõjude hindamises või linnaplaneerimises. --- Dijkstra algoritmi tulemusi saab visualiseerida **heatmap'i** ja **rastergraafika** abil, et näidata lühimaid teekondi või kaugusi ühe punkti ja kõikide teiste punktide vahel teedevõrgus. Selline visualiseerimine aitab intuitiivselt mõista, millised teed on lühemad ja millised pikemad, ning kuidas suletud või katkestatud teed mõjutavad kogu võrgustiku liikumist. ### 1. **Dijkstra algoritmi tulemuste visualiseerimine heatmap'iga** #### Sammud: 1. Rakendame **Dijkstra algoritmi**, et arvutada lühimad teed kõigist punktidest teistesse punktidesse teedevõrgus. 2. Visualiseerime saadud tulemused **heatmap'ina**, kus erinevad värvid tähistavad teekonna pikkust või raskust. ### Python kood (Dijkstra tulemused ja heatmap): ```python import numpy as np from scipy.sparse.csgraph import dijkstra from scipy.sparse import csr_matrix import seaborn as sns import matplotlib.pyplot as plt # Defineerime teedevõrgu kaalu maatriksina (ühenduste pikkused) road_network = np.array([ [0, 5, 0, 0, 7], # A [5, 0, 3, 0, 0], # B [0, 3, 0, 4, 0], # C [0, 0, 4, 0, 2], # D [7, 0, 0, 2, 0] # E ]) # Muudame maatriksi hõredaks maatriksiks (optimeerib arvutusi) sparse_matrix = csr_matrix(road_network) # Rakendame Dijkstra algoritmi, et leida lühimad teed kõikide sõlmede vahel dist_matrix, predecessors = dijkstra(sparse_matrix, return_predecessors=True) # Kuvame lühimad teed heatmap'ina plt.figure(figsize=(8, 6)) sns.heatmap(dist_matrix, annot=True, cmap="YlGnBu", linewidths=0.5) plt.title("Dijkstra algoritmi tulemuste Heatmap") plt.show() ``` ### Selgitus: - **Teedevõrgu kaalu maatriks** esindab erinevate sõlmede vahelisi kaugusi. Näiteks **A ↔ B** on kaugusega 5, **B ↔ C** on kaugusega 3 jne. - **Dijkstra algoritm**: Rakendame Dijkstra algoritmi, et leida lühimad teed kõigist punktidest teistesse. - **Heatmap**: Kasutame **Seaborn**'i **heatmap** funktsiooni, et visualiseerida lühimad kaugused. Värvikaart **"YlGnBu"** (kollane-roheline-sinine) näitab erinevaid teekonna kaugusi. ### Väljund: - **Heatmap** kuvab lühimad teed kõikide sõlmede vahel. Iga element **heatmap'is** esindab lühimat kaugust kahe sõlme vahel, mis on määratud Dijkstra algoritmi poolt. ### 2. **Dijkstra algoritmi tulemuste visualiseerimine rastergraafika abil** Kui soovime visualiseerida teedevõrku **rastergraafikana**, kus kasutatakse pikslite ruudustikku teede ja ristmike esindamiseks, tuleb teha järgmist: #### Sammud: 1. Rakendame **Dijkstra algoritmi**, et leida lühimad teed ühe või mitme alguspunkti ja teiste punktide vahel. 2. **Rastergraafika**: Joonistame teedevõrgu ja lühimad teed kasutades piksliruudustikku. ### Python kood (Dijkstra tulemused ja rastergraafika): ```python from PIL import Image, ImageDraw import numpy as np from scipy.sparse.csgraph import dijkstra from scipy.sparse import csr_matrix # Määrame pildi suuruse (rastergraafika suurus, pikslites) image_size = (500, 500) # Loome tühja valge pildi (rastergraafika) image = Image.new('RGB', image_size, 'white') draw = ImageDraw.Draw(image) # Defineerime teedevõrgu kaalu maatriksina (ühenduste pikkused) road_network = np.array([ [0, 5, 0, 0, 7], # A [5, 0, 3, 0, 0], # B [0, 3, 0, 4, 0], # C [0, 0, 4, 0, 2], # D [7, 0, 0, 2, 0] # E ]) # Muudame maatriksi hõredaks maatriksiks sparse_matrix = csr_matrix(road_network) # Rakendame Dijkstra algoritmi dist_matrix, predecessors = dijkstra(sparse_matrix, return_predecessors=True) # Vektoriaalne teedevõrk (ristmike koordinaadid) coordinates = { 0: (50, 50), # A 1: (450, 50), # B 2: (450, 450), # C 3: (50, 450), # D 4: (250, 250) # E } # Joonistame teedevõrgu for i in range(road_network.shape[0]): for j in range(i+1, road_network.shape[1]): if road_network[i, j] > 0: draw.line([coordinates[i], coordinates[j]], fill='black', width=5) # Kuvame lühima teekonna A-st (indeks 0) E-ni (indeks 4) start_node = 0 # A on indeksiga 0 end_node = 4 # E on indeksiga 4 path = [] i = end_node # Rekonstrueerime tee kasutades Dijkstra algoritmi tulemusi (predecessors maatriks) while i != -9999: # -9999 tähistab lähtepunkti path.append(coordinates[i]) i = predecessors[start_node, i] # Joonistame lühima teekonna punase joonena if len(path) > 1: draw.line(path, fill='red', width=5) # Kuvame rastergraafika pildi pärast lühima tee joonistamist image.show() # Salvestame rastergraafika pildi image.save('dijkstra_shortest_path_raster.png') ``` ### Selgitus: - **Teedevõrk**: Koordinaadid iga sõlme jaoks (ristmikud). Iga teelõik (ühendus kahe ristmiku vahel) joonistatakse musta joonega. - **Dijkstra algoritm**: Leiame lühima teekonna sõlmest **A** sõlmeni **E** ja joonistame selle rastergraafikale punase joonega. - **Rastergraafika**: Tulemuseks on rasterpilt, mis esindab teedevõrku, kus lühim tee on tähistatud punase joonena. ### Väljund: - **Rastergraafika** kuvab teedevõrgu, kus lühim tee on joonistatud punasega ja teised ühendused mustaga. ### Kokkuvõte: - **Heatmap**: Saame visualiseerida Dijkstra algoritmi tulemusi värvikaardi abil, kus erinevad värvid tähistavad teekonna pikkusi või raskusi. - **Rastergraafika**: Saame visualiseerida lühima tee teedevõrgus, kasutades piksliruudustikku, kus teed joonistatakse vastavalt leitud tulemusele. Need meetodid võimaldavad intuitiivselt mõista, kuidas lühimad teekonnad ja ühenduvus teedevõrgus toimivad, andes visuaalse ülevaate kogu liiklusvoost või teekonna pikkustest. --- **PostGIS** on laialdaselt kasutatav geograafilise andmebaasi laiendus PostgreSQL jaoks, mis toetab ruumiliste andmete salvestamist ja päringute tegemist, sealhulgas **LINESTRING** tüüpi objektide jaoks. LINESTRING'id esindavad vektorgraafikas sirgjooni, mis võivad olla seotud teedevõrkudega. **Map algebra** kasutamine nende andmetega tähendab, et saame LINESTRING-põhise vektorgraafika teisendada rasterpildiks või maatriksiks, ning seejärel rakendada ruumilisi matemaatilisi operatsioone. ### Teisendamine LINESTRING'ide teedevõrgust map algebra maatriksiks ja vastupidi #### Sammud: 1. **LINESTRING'ide kogumine PostGIS-ist**: Kasutame PostGIS päringut, et saada teedevõrgust LINESTRING'id, kus iga tee on esitatud koordinaatide jadana. 2. **LINESTRING'ide teisendamine maatriksiks**: Kasutame Pythonis saadud koordinaate ja teisendame need rasterpildi või maatriksina esitatavaks teedevõrguks, kus pikslid esindavad teid või nende puudumist. 3. **Maatriksi ja rasteri teisendamine tagasi LINESTRING'ideks**: Rakendame vastupidise protsessi, kus maatriksis esitatud rasterandmed teisendatakse uuesti LINESTRING'ideks. ### Eeldused: - Oletame, et kasutate PostGIS-i andmebaasi, kus teedevõrk on salvestatud **LINESTRING** geomeetriatena. - Kasutame **psycopg2** teeki PostgreSQL-PostGIS päringute tegemiseks ja **Shapely** teeki geomeetriliste kujundite käsitlemiseks Pythonis. #### Näide: LINESTRING'ide pärimine PostGIS-ist ja teisendamine map algebra maatriksiks 1. **PostGIS-st LINESTRING'ide pärimine** Kasutame **psycopg2** teeki, et ühendada PostGIS andmebaasiga ja saada teedevõrgu LINESTRING'id. ```python import psycopg2 from shapely.wkt import loads as wkt_loads # Ühenduse loomine PostGIS andmebaasiga conn = psycopg2.connect("dbname=your_database user=your_username password=your_password host=localhost port=5432") cursor = conn.cursor() # Päring LINESTRING'i geomeetriate jaoks teedevõrgust query = """ SELECT ST_AsText(geom) FROM your_roads_table WHERE ST_GeometryType(geom) = 'ST_LineString'; """ cursor.execute(query) # Hoiame saadud geomeetriad Shapely objektidena linestrings = [wkt_loads(row[0]) for row in cursor.fetchall()] # Ühenduse sulgemine cursor.close() conn.close() # Kuvame ühe näidise saadud LINESTRING geomeetriatest print(f"Esimene LINESTRING: {linestrings[0]}") ``` ### Selgitus: - Päring küsib kõik **LINESTRING** geomeetriad PostGIS andmebaasist ja teisendab need **WKT** (Well-Known Text) kujul Pythonisse. - Kasutame **Shapely** teeki, et laadida need WKT vormingus geomeetriad Shapely objektideks, mis võimaldab lihtsamat geomeetrilist töötlemist. 2. **LINESTRING'ide teisendamine map algebra maatriksiks** Kui meil on LINESTRING'id koordinaatidega, saame need teisendada **maatriksiks** või **rasteriks**. See protsess hõlmab joonte teisendamist piksliteks, kus joonte punktid tähistatakse maatriksi vastavates elementides. ```python import numpy as np from PIL import Image, ImageDraw # Defineerime rasteri suuruse (500x500 pikslit) raster_size = (500, 500) raster_matrix = np.zeros(raster_size) # Teisendame LINESTRING'id rasteriks (nt 1 = tee, 0 = tühi ruum) image = Image.new('L', raster_size, 0) # Must-valge raster, algväärtus 0 (must) draw = ImageDraw.Draw(image) # Määrame koordinaatide teisendamise funktsiooni (real-world to pixel grid) def to_pixel_coords(x, y, width, height): # Lihtne teisendamine koordinaatidest piksliteks (lihtne proportsionaalne teisendus) # Eeldame, et algsed koordinaadid jäävad vahemikku 0-100 return (int(x / 100 * width), int(y / 100 * height)) # Joonistame iga LINESTRING-i piksliteks rasterpildil for line in linestrings: pixel_coords = [to_pixel_coords(x, y, raster_size[0], raster_size[1]) for x, y in line.coords] draw.line(pixel_coords, fill=1, width=3) # Joonistame joone (teed tähistatakse 1-ga) # Teisendame pildi maatriksiks raster_matrix = np.array(image) # Kuvame rastermaatriksi print("Teedevõrgu maatriks (raster):") print(raster_matrix) ``` ### Selgitus: - **Teedevõrgu maatriks**: Loome tühja must-valge rasterpildi, kus **teed** esitatakse väärtusega **1** ja ülejäänud pikslid väärtusega **0**. - **Koordinaatide teisendamine**: Iga LINESTRING'i koordinaadid teisendatakse piksliruudustiku koordinaatideks, kus x- ja y-koordinaadid kaardistatakse rasterpildi dimensioonidesse. - **Joonistamine rasterile**: Iga tee joonistatakse rasterpildile, kasutades piksliruudustikku, ning rasterpilt teisendatakse maatriksiks. 3. **Rastermaatriksi teisendamine tagasi LINESTRING'ideks** Kui meil on rastermaatriks, kus pikslid tähistavad teid, saame kasutada servade tuvastamise meetodeid ja teekide (nt **Shapely**) abil tuvastada ühendatud jooni ning teisendada need tagasi LINESTRING'ideks. ```python from skimage import measure from shapely.geometry import LineString # Teeme servade tuvastamise, et tuvastada teed rastermaatriksist contours = measure.find_contours(raster_matrix, level=0.5) # Teisendame tuvastatud kontuurid (teed) LINESTRING objektideks linestrings_from_raster = [] for contour in contours: # Teisendame kontuuri tagasi reaalmaailma koordinaatideks real_coords = [(x / raster_size[0] * 100, y / raster_size[1] * 100) for x, y in contour] linestring = LineString(real_coords) linestrings_from_raster.append(linestring) # Kuvame ühe taastatud LINESTRING'i print(f"Taastatud LINESTRING rasterist: {linestrings_from_raster[0]}") ``` ### Selgitus: - **Servade tuvastamine**: Kasutame **`skimage.measure.find_contours()`** funktsiooni, et tuvastada teed rasterpildil. Iga tuvastatud kontuur vastab teelõigule, mis on esindatud rasterpildil. - **Koordinaatide taastamine**: Pärast kontuuride tuvastamist teisendame pikslikoordinaadid tagasi algseteks reaalmaailma koordinaatideks (skaala abil) ja loome uued **LINESTRING** objektid. ### Kokkuvõte: - **LINESTRING'idest rasteriks**: Pärime PostGIS-ist LINESTRING'id, teisendame need rasterpildiks ja seejärel maatriksiks, kus iga piksel tähistab teed või tühja ala. - **Rasterist LINESTRING'ideks**: Tuvastame rasterpildilt teed, kasutades servade tuvastamise meetodeid, ja loome tuvastatud kontuuridest tagasi LINESTRING-id. Selline lähenemine võimaldab vektorgraafikat (teedevõrku) ja rastergraafikat omavahel siduda, mis on kasulik georuumilises analüüsis ja map algebra rakendustes.