Slovenská technická univerzita v Bratislave, Stavebná fakulta, Katedra geodetických základov
ARCHEOLOGICKÉ PREDIKČNÉ MODELOVANIE
Z POHĽADU GEOINFORMATIKY
Tibor Lieskovský
Jana Faixová Chalachanová
Renata Ďuračiová
E l e n a B l a žo v á
Bratislava 2011
Recenzenti:
RNDr. Ján Tirpák, CSc.
Mgr. Tomáš König, PhD.
Vydal REMPrint, s.r.o., Bratislava 2011
© Ing. Tibor Lieskovský, Ing. Jana Faixová Chalachanová, PhD.,
Ing. Renata Ďuračiová, PhD., Ing. Elena Blažová
ISBN 978-80-970741-0-4
EAN 9788097074104
Obsah
Úvod ........................................................................................................................................... 3
Zoznam použitých skratiek ........................................................................................................ 5
1
Geoinformačná podpora v archeológii............................................................................... 7
2
Archeologické predikčné modelovanie ............................................................................ 14
3
4
2.1
Vývoj predikčného modelovania ............................................................................. 14
2.2
Význam predikčného modelovania.......................................................................... 16
2.3
Typy predikčných modelov...................................................................................... 18
2.3.1
Induktívny a deduktívny prístup ...................................................................... 18
2.3.2
Klasifikácia predikčných modelov................................................................... 20
2.4
Sledované premenné ................................................................................................ 23
2.5
Vstupné údaje na predikčné modelovanie................................................................ 24
Postup a metódy tvorby archeologického predikčného modelu....................................... 25
3.1
Postup tvorby archeologického predikčného modelu .............................................. 25
3.2
Metódy tvorby archeologického predikčného modelu............................................. 28
Experimentálne overenie navrhovaných postupov tvorby archeologického predikčného
modelu...................................................................................................................................... 30
4.1
Vymedzenie záujmového územia............................................................................. 30
4.1.1
Geomorfologická charakteristika záujmového územia .................................... 31
4.1.2
História osídlenia záujmového územia ............................................................ 35
4.2
Konceptuálny návrh archeologického predikčného modelu .................................... 42
4.2.1
Východiská konceptuálneho návrhu archeologického predikčného modelu ... 42
4.2.2
Štruktúra konceptuálneho návrhu archeologického predikčného modelu ....... 46
4.3
Fyzická realizácia priestorovej databázy archeologického predikčného modelu .... 52
4.3.1
Naplnenie subsystému Archeologické dáta...................................................... 52
4.3.2
Naplnenie subsystému Priestorové dáta........................................................... 62
4.3.3
Naplnenie subsystému Environmentálne dáta.................................................. 76
4.3.4
Naplnenie subsystému Klimatické dáta ........................................................... 79
4.4
Návrh priestorových analýz relevantných na účely archeologického predikčného
modelovania ......................................................................................................................... 79
4.4.1
Analýzy reliéfu................................................................................................. 80
4.4.2
Vzdialenostné analýzy...................................................................................... 85
1
4.4.3
4.5
Štatistické testovanie výsledkov priestorových analýz ............................................ 95
4.5.1
Základná deskriptívna štatistika ....................................................................... 95
4.5.2
Testovanie štatistických rozdelení ................................................................... 97
4.5.3
Testovanie miery rozdielnosti .......................................................................... 99
4.5.4
Testovanie vzájomnej korelácie dát ............................................................... 102
4.5.5
Zhodnotenie výsledkov štatistických analýz vybraných vrstiev .................... 105
4.6
5
Analýzy environmentálnych podmienok ......................................................... 89
Štatistické testovanie pôdnych typov ..................................................................... 107
Návrh analytického archeologického predikčného modelu ........................................... 112
5.1
Východiská archeologického predikčného modelovania....................................... 112
5.2
Modelovanie neurčitosti v archeologickej predikcii pomocou fuzzy množín ....... 120
5.2.1
Neurčitosť rozhodovania v geografických informačných systémoch............ 121
5.2.2
Základné koncepty fuzzy množín .................................................................. 122
5.2.3
Logické operácie s fuzzy množinami............................................................. 126
5.2.4
Agregačné operácie s fuzzy množinami......................................................... 129
5.2.5
Neurčitosť v archeológii................................................................................. 130
5.2.6
Predikcia archeologických nálezísk s využitím fuzzy množín a jej realizácia
v prostredí geografických informačných systémov ....................................................... 131
5.2.7
Funkcie príslušnosti k fuzzy množinám vhodných podmienok ..................... 133
5.2.8
Porovnanie binárneho a fuzzy prístupu k archeologickému predikčnému
modelovaniu ................................................................................................................... 139
5.3
Deduktívny prístup založený na dvojhodnotovej logike........................................ 148
5.4
Induktívny prístup založený na štatistickom základe............................................. 153
5.4.1
Index významnosti ......................................................................................... 154
5.4.2
Váhy v induktívnom prístupe......................................................................... 156
5.4.3
Tvorba predikčných modelov induktívnym prístupom.................................. 158
5.5
Validácia archeologických predikčných modelov ................................................. 171
6
Tvorba Predikčnej mapy archeologických lokalít.......................................................... 174
7
Záver............................................................................................................................... 177
8
Zoznam použitej literatúry a citovaných zdrojov........................................................... 178
9
Zoznam obrázkov........................................................................................................... 184
2
Úvod Geoinformatika ako vedná disciplína zastrešuje mnohé vedné odbory a oblasti
ľudského záujmu. Okrem poznatkov z matematiky, topografie, kartografie, fotogrametrie,
diaľkového prieskumu Zeme a ďalších prierezových disciplín, sa využíva základný nástroj
geoinformatiky - geografické informačné systémy (GIS) ako prostriedok práva, verejnej
a štátnej správy, hospodárenia, finančníctva, pri plánovaní, rozvíjaní a ochrane územia
a životného prostredia. Dnešné trendy rozvoja v oblasti počítačmi podporovaných
technológií naznačujú možné smerovanie vývoja a použitia GIS, ktoré v tejto súvislosti
nechápeme len ako určitý druh informačného systému, ale aj ako nástroj na lokalizáciu, zber,
spracovanie, integráciu, aktualizáciu, analýzu, interpretáciu (vizualizáciu) a následné
použitie geografických dát o prírodných a socioekonomických objektoch a javoch na
zemskom povrchu.
Vo všetkých vedných a spoločenských oblastiach, ktoré pracujú s geopriestorovými
informáciami predstavujú GIS zaujímavý nástroj na získavanie a predovšetkým
priestorovú analýzu dát. K takýmto vedám patrí aj archeológia, ktorá spája poznatky
z dávnej minulosti so súčasnou tvárou krajiny. GIS so svojimi analytickými nástrojmi sú
prostriedkom na skúmanie priestorových vzťahov ako v archeológii, tak aj v mnohých iných
oblastiach ľudského záujmu, poskytujú komplexné prostriedky na zber, spracovanie,
administráciu, analýzu a prezentáciu priestorových a tematických dát o reálnych, ale aj
abstraktných historických objektoch. Silným prostriedkom GIS je práve možnosť
priestorovej analýzy ako aj spoločného modelovania a vyhodnotenia všetkých spracovaných
dát v rôznom kontexte, čo prispieva k získavaniu nových poznatkov, ktorých význam je tým
väčší, čím menej ich možno očakávať podľa doteraz zaužívaných postupov vyhľadávania
archeologických lokalít.
Význam využitia GIS pre archeologickú analýzu môžeme prirovnať
k „Objavu
rádiokarbónového datovania“ (Neustupný, 2005). Zatiaľ, čo tradičná archeológia sa v
minulosti venovala takmer výlučne štúdiu artefaktov (nálezov), archeológia posledných
desaťročí sa stále viac sústreďuje na doplnenie tohto štúdia výskumom ekofaktov a v
nedávnej dobe i na prehĺbenie výskumu priestorového rozloženia archeologických
prameňov. Ukázalo sa totiž, že priestorové vzťahy jednotlivých zložiek archeologických
prameňov sú popri formálnych vlastností ich jedinou pozorovateľnou vlastnosťou
(Neustupný, 2005) a
obsahujú obrovské množstvo informácií o minulosti, z ktorých
3
množstvo nebolo doteraz sledovaných. Tieto možnosti a poznatky otvárajú nový
komplexnejší pohľad na jednotlivé archeologické lokality a ich vzťah ku krajine.
Tu sa otvára cesta pre zaujímavú vedeckú oblasť – archeologické predikčné
modelovanie – ktoré pomáha identifikovať oblasti pravdepodobného výskytu archeologických
lokalít, a tým umožňuje ich ochranu. Je rovnako východiskom pri snahe rekonštruovať už
zničené lokality. A práve GIS so svojimi analytickými nástrojmi predstavuje silný nástroj na
skúmanie a modelovanie pravdepodobného správania človeka v minulosti, jeho vplyv na
svoje prostredie a naopak vplyv prostredia na jeho aktivity. Získané poznatky majú svoj
význam nielen v pochopení vzťahu človeka ku krajine, ale aj pri ochrane kultúrneho
a historického dedičstva.
Ambíciou autorov je v tejto práci poukázať na súčasný stav, východiská a možnosti
archeologického predikčného modelovania na Slovensku v kontexte geoinformačnej podpory
a načrtnúť smerovanie riešení pri tvorbe archeologického predikčného modelu na účely
pamiatkovej ochrany a územného plánovania krajiny s ohľadom na špecifické prostredie
Slovenska. Finálnym produktom riešeného projektu je Predikčná mapa archeologických
lokalít (PMAL) zrealizovaná na princípoch webovej mapovej služby (WMS). Podrobnosti
o riešení
ako
aj
samotnú
webovú
aplikáciu
možno
nájsť
na
stránke
http://archeopredikcia.svf.stuba.sk/Archeo/Uvod.php.
Táto publikácia bola vydaná na základe výsledkov riešenia projektu APVV-0249-07
„Predikcia archeologických lokalít“ financovanom Agentúrou na podporu výskumu a vývoja.
Radi by sme preto vyjadrili svoje poďakovanie Agentúre na podporu výskumu a vývoja,
riešiteľskej organizácii – Stavebnej fakulte STU v Bratislave, Katedre geodetických základov,
spoluriešiteľskej organizácii – Archeologickému ústavu SAV v Nitre, ako aj ďalším
spolupracovníkom, ktorí sa podieľali na riešení uvedeného projektu – za všetkých si
dovoľujeme spomenúť Doc. RNDr. Oľgu Nánásiovú, PhD., Ing. Juraja Papča, PhD., Martina
Bartíka, Prof. RNDr. Radka Mesiara, PhD., Ing. Evu Stopkovú, Mgr. Miroslava Sabu.
Autori
4
Zoznam použitých skratiek ALA
archeologické lokality analyzované
AÚ SAV v Nitre
Archeologický ústav Slovenskej akadémie vied v Nitre
CDFLToky123
kombinovaná vrstva nákladovej vzdialenosti ku všetkým vodným
tokom a hraniciam fluviálnych usadenín
CDFLToky23
kombinovaná vzdialenosť k veľkým a stredným tokom a hraniciam
fluviálnych usadenín
CDFluviInOut
nákladová vzdialenosť k hraniciam fluviálnych usadenín
CDToky123
nákladová vzdialenosť ku všetkým vodným tokom
CDToky23
nákladová vzdialenosť k veľkým a stredným vodným tokom
CEANS
Centrálna evidencia archeologických nálezísk na Slovensku
CEN
Európsky výbor
Normalisation)
CSW
webová katalógová služba (Catalogue Service)
DB
databáza
DMR
digitálny model reliéfu
DMT
digitálny model terénu
EO
expertný odhad
FID
jedinečný identifikátor archeologickej lokality (Feature IDentificator)
GIS
geografický informačný systém
GLONASS
Globálny navigačný družicový systém (Globaľnaja navigacionnaja
sputnikovaja sistema)
GNSS
globálne navigačné družicové systémy (Global Navigation Satellite
System)
GPS
globálny systém na určovanie polohy (Global Positioning System)
HTML
Hypertextový značkovací jazyk (HyperText Markup Language)
IS GKK
Informačný systém geodézie, kartografie a katastra
ISO
Medzinárodná organizácia pre
Organisation For Standardisation)
ISVS
Informačné systémy verejnej správy
KTO
katalóg tried objektov
ML
mapový list
NAVSTAR GPS
Navigačný systém na určenie polohy a času (Navigation System with
Timing and Ranging Global Positioning System)
OGC
Open Geospatial Consortium
pre
normalizáciu
(Comité
normalizáciu
Européen
de
(International
5
PBPP
pevné body podrobného polohového bodového poľa
PHP
skriptovací jazyk
Preprocessor)
PMAL
Predikčná mapa archeologických lokalít
PIV
podielový index významnosti
PôdyMajority
maximálne zastúpenie pôd v okruhu
PôdyEO
vhodnosť pôd ohodnotená na základe expertného odhadu
RIV
rozdielový index významnosti
S-42
Súradnicový systém 1942
S-JTSK
Súradnicový systém Jednotnej trigonometrickej siete katastrálnej
SHMÚ
Slovenský hydrometeorologický ústav
SRDB
systém riadenia databázy
SQL
Štandardný dopytovací jazyk (Structured Query Language)
ŠPS
Štátna priestorová sieť
TM 10
Topografická mapa v mierke 1:10 000
TM 25
Topografická mapa v mierke 1:25 000
TVP
testovacia vzorka pozadia
VÚPOP
Výskumný ústav pôdoznalectva a ochrany pôdy
W3C
World Wide Web Consortium
WCS
webová povrchová služba (Web Coverage Service)
WCTS
súradnicová
Service)
WFS
webová objektová služba (Web Feature Service)
WMS
webová mapová služba (Web Map Service)
WPS
služba na vzdialené spracovanie dát (Web Processing Service)
WS
webová služba
XML
Rozšíriteľný značkovací jazyk (eXtensible Markup Language)
ZB GIS
Základná báza pre geografický informačný systém
ZM SR 10
Základná mapa Slovenskej republiky v mierke 1:10 000
na
tvorbu
transformačná
webových
služba
stránok
(Coordinate
(Hypertext
Transformation
6
1 Geoinformačná podpora v archeológii Typickou črtou geoinfomatiky je priestorová lokalizácia informácie. Dáta, s ktorými
v geoinformatike pracujeme sú teda vztiahnuté k určitému miestu na Zemi (georeferenčne
vztiahnuté) a ich polohu môžeme vyjadriť najčastejšie pomocou súradníc vo zvolenom
súradnicovom systéme. A keďže súčasná archeológia sa čoraz viac orientuje aj na riešenie
otázok typu: „Prečo sa lokality vyskytujú na určitých typoch miest?“, „Aký bol rozsah a
dostupnosť sídelného areálu?“ a pod., vystupujú do popredia práve GIS, ktoré spojením
priestorových a atribútových informácií rozširujú štandardné postupy a nástroje archeológie
o možnosť interaktívnych priestorových analýz týchto javov.
Pri riešení konkrétneho problému s podporou GIS vychádzame z priestorovej analýzy
a syntézy informácií, po ktorých nastupuje proces simulácie prípadne prognostiky skúmaných
javov a procesov v priestorovej realite. Priestorová analýza sa zaoberá predovšetkým
vyhľadávaním a modelovaním nových vzťahov medzi polohovým usporiadaním a atribútmi
objektov. Je to kvalifikovaný geoinformačný nástroj, ktorý umožňuje lepšie porozumieť
študovaným javom a predpovedať vývoj udalostí. V kontexte archeológie možno hovoriť
o tzv. „predpovedaní minulosti“.
Atribúty (negrafické dáta o objektoch – napr. archeologických lokalitách) sú v GIS
vedené v rámci databázy (DB) a logickou súčasťou každého GIS je preto Systém riadenia
DataBázy (SRDB), ktorý musí byť doplnený programovými prostriedkami na vedenie
a správu priestorových, atribútových a topologických komponentov uložených dát. Je
potrebné, aby SRDB v GIS bol použiteľný na prácu s priestorovými dátami. Vyžaduje sa
preto rozšírenie tradičných dopytov na DB o možnosti analýzy na základe polohy. Môžeme
mať napríklad požiadavku na spojenie objektov, ktoré sú odlišné svojou polohou, veľkosťou
a tvarom ale majú mať zhodné určité atribúty. Vzhľadom na to, že rozdelenie záujmového
územia na objekty je iné podľa každého atribútu (napr. rozdelenie podľa typu pôdy, podľa
vlastníka, podľa sklonu reliéfu a pod.), by takýto dopyt nebol v tradičnom SRDB možný.
Schopnosť porovnávať rozdielne prvky na základe ich priestorovej polohy a atribútových
vlastností je charakteristická len pre GIS.
7
Východiskom na tvorbu a používanie informácií o území je funkčný model
priestorovej reality, v ktorom sa nezaoberáme reálnymi objektmi v celej ich zložitosti ale ich
zjednodušenou reprezentáciou. Každý databázový systém je založený na určitom modeli
pozostávajúcom z dát, ich usporiadania a vyhodnotenia, od ktorého závisí aj komunikácia
s priestorovou
informáciou.
Pri
modelovaní
vytvárame
modely
reálnych
entít
a reprezentujeme vzťahy medzi nimi na základe rozlišovacej úrovne odpovedajúcej
požiadavkám konkrétneho používateľa, z ktorých vychádza aj dátový model, ktorý je
zjednodušeným opísaním skutočného sveta. Model zobrazuje iba niektoré vybrané znaky
modelovanej skutočnosti a jeho základným stavebným prvkom je geoobjekt (geografický
objekt – teda objekt, ktorého poloha je vztiahnutá k priestoru Zeme). Pri modelovaní
priestorovej reality a skúmaných javov hrajú okrem informácií o časovej platnosti
geoobjektov dôležitú úlohu aj vzájomné priestorové vzťahy medzi geoobjektmi – teda
topológia (topologické vzťahy). V rámci modelovania sa môžeme pohybovať na viacerých
úrovniach: priestorovej (vyjadruje priestorový aspekt modelu), konceptuálnej (zahŕňa statický
popis štruktúry modelu – ide teda o výber objektov, ich atribútov, vzťahov, ...), logickej
(predstavuje štruktúru vnímania používateľom, kde rozlišujeme napr. prístup relačný,
objektovo orientovaný alebo objektovo relačný) a fyzickej (predstavuje fyzickú realizáciu
DB).
V mnohých oblastiach ľudských záujmov a činností vystupuje reliéf ako jedno zo
základných východísk na rozličné špecializované analýzy. Reliéf pôsobí ako na prírodné
procesy, tak aj na hospodárske činnosti človeka a predstavuje východiskovú priestorovú
plochu, na ktorej sa nachádzajú geoobjekty a následne tým ovplyvňuje ich geografickú
polohu. Vo väčšine prípadov je preto nevyhnutné poznať model východiskovej plochy, ktorý
umožňuje geoobjekty a javy s nimi spojené modelovať v GIS na základe nielen ich
geografickej polohy v zobrazovacej rovine, ale aj s pridaním informácií o výške. Georeliéf je
charakterizovaný svojimi morfometrickými parametrami (popisujú geometrické vlastnosti
reliéfu), ktoré sú limitujúcimi faktormi mnohých činností ľudského záujmu:
ƒ
relatívna výška v smere spádových kriviek,
ƒ
sklon reliéfu v smere spádových kriviek,
ƒ
orientácia reliéfu voči svetovým stranám,
ƒ
normálová krivosť reliéfu v smere spádových kriviek,
ƒ
normálová krivosť reliéfu v smere dotyčníc k vrstevniciam,
8
ƒ
horizontálna krivosť reliéfu v smere vrstevníc,
ƒ
geometrické formy (tvary) reliéfu (napr. konvexno-konvexný tvar a pod.),
ƒ
dĺžka svahu a pod.
Jednou z mnohých foriem digitálnych modelov je aj digitálny model reliéfu (DMR),
ktorý podľa (STN 73 0401-3) predstavuje súbor číselne usporiadaných dát o reliéfe uložený
v pamäti počítača, doplnený príslušným programovým vybavením na jeho využívanie.
Terénna plocha, ktorú popisujeme prostredníctvom DMR, má nepravidelný tvar a jej hladkosť
môže byť porušená v miestach, ktoré nazývame singularity (ide o nespojitosť funkcie, resp.
derivácie, či lokálny extrém funkcie – napr. terénne stupne). Keďže definovať priebeh
nepravidelnej terénnej plochy je veľmi obtiažne, používajú sa na jej popis matematicky
definovateľné čiastkové plôšky, ktoré sa umiestňujú s ohľadom na kostru reliéfu a singularity
a vzájomne sa stýkajú vo vrcholoch a na hranách. Podľa charakteru čiastkových plôšok
popisujúcich priebeh terénnej plochy môžeme v zmysle (Urban, 1991) klasifikovať
nasledujúce typy DMR:
ƒ
Rastrový model – využíva delenie topografickej plochy na pravidelné a rovnako
veľké útvary (je definovaný množinou elementárnych plôšok nad bunkami
pravidelného rastra). Pokiaľ sa hodnota výšky bunky rastra týka iba stredu bunky,
hovoríme o tzv. mriežke (lattice), ktorú môžeme považovať za bodový (teda
vektorový) model.
ƒ
Polyedrický model – využíva delenie topografickej plochy na nepravidelné a rôzne
veľké útvary (obvykle trojuholníky), pričom na čiastkových plôškach sa používa
lineárna interpolácia.
ƒ
Plátový model – využíva delenie topografickej plochy na nepravidelné a rôzne
veľké útvary (obvykle pláty trojuholníkového či štvoruholníkového tvaru), pričom
na čiastkových plôškach sa používa nelineárna interpolácia, ktorá zohľadňuje
priebeh plochy v okolitých útvaroch s prihliadnutím k priebehu singularít.
Jednou z najčastejšie používaných operácií v digitálnom modeli reliéfu je určenie
výšky bodu z so známymi rovinnými súradnicami x, y na základe interpolačného procesu
(odhad neznámej hodnoty priestorovej premennej zo známych hodnôt priestorovej premennej
v okolí určovaného bodu) – priestorová interpolácia.
V závislosti od ďalšieho použitia DMR volíme najvhodnejšiu formu jeho vizualizácie
– napr. vrstevnicami, nepravidelnou trojuholníkovou sieťou, pravidelnou štvorcovou sieťou
a pod.
9
Z hľadiska zberu zdrojových dát na tvorbu DMR sa stretávame s množstvom
rozličných metód. Najčastejšie sú to:
ƒ
Geodetické merania (tachymetria, merania GNSS – napr. kinematická metóda
merania v reálnom čase a pod.).
ƒ
Fotogrametrická metóda (digitálna interpretácia leteckých alebo družicových
snímok).
ƒ
Kartometrická metóda (digitalizácia analógových máp s výškopisom).
ƒ
LIDAR (LIght Detection And Ranging – meranie vzdialenosti pomocou odrazu
svetelného lúča) – ide o merací systém, ktorý využíva presné kinematické určenie
polohy meracieho zariadenia pomocou diferenciálnej metódy globálneho systému
na určovanie polohy (DGPS – Differential Global Positioning System) a inerciálne
určenie vzdialenosti, polohy, výšky a súradníc pomocou infračerveného lasera
s presnosťou na decimetre. Keďže laserový lúč dokáže preniknúť aj cez vegetačný
kryt (využitie na tvorbu DMR v zalesnených oblastiach), odráža sa aj od objektov,
ktorých rozmery sú pod hranicou rozlišovacej schopnosti snímania (napr. drôty
elektrického vedenia a pod.) a poskytuje vysokú hustotu meraných bodov, využíva
sa táto metóda aj na letecké laserové terénne mapovanie (Airborne Laser Terrain
Mapping).
ƒ
InSAR / IfSAR (Interferometric Synthetic Aperture Radar – interferometrické
syntetické meranie apertúrovým radarom) – ide o merací systém, ktorý využíva
podobný princíp ako LIDAR ale vzdialenosť určuje pomocou radara. Táto metóda
má oproti metóde LIDAR tú výhodu, že meranie sa môže vykonávať nezávisle na
počasí za nepriaznivých poveternostných podmienok aj v noci, avšak dosahujú sa
výsledky menej presné ako pri metóde LIDAR.
ƒ
Iné metódy – napríklad zisťovanie priebehu podmorského reliéfu pomocou
zvukových vĺn vysielaných z lodných aparatúr (SONAR – SOund NAvigation and
Ranging) a pod.
Implementácia DMR do priestorového modelu predstavuje široký potenciál využitia
pri mnohých špecializovaných analýzach v rôznych oblastiach využitia, kde sa vychádza
z výpočtu relevantných morfometrických parametrov reliéfu. V archeológii ide predovšetkým
o analýzy viditeľnosti s identifikáciou oblastí viditeľných z určitého pozorovacieho bodu,
analýza vzájomnej viditeľnosti medzi archeologickými lokalitami, výpočet sklonu reliéfu,
stanovenie nadmorskej výšky, určenie tvarov reliéfu príp. lokálneho prevýšenia, analýzy
10
osvetlenia reliéfu, akumulácia povrchového odtoku vody a pod.
V geoinformatike sa využívajú rôzne špecifické informačné technológie, ktoré sú
určené na spracovanie geodát a informácií od ich získania až po vizualizáciu. V súčasnosti sa
dostávajú do popredia predovšetkým rozmanité technológie založené na mobilnom princípe.
Ide o prostriedky, ktoré vzniknú integráciou geoinformačných technológií a telematiky
(oblasť, kde sa spájajú telekomunikačné technológie s najmodernejšími technológiami
a aktivitami zameranými na rozširovanie informácií) a sú určené na získavanie geodát a
informácií a ich sprostredkovanie mobilným používateľom.
Jedným z najnovších trendov v oblasti GIS je orientácia na interoperabilitu a integráciu
priestorových dát. Nakoľko desktopové aplikácie s málokedy aktuálnymi dátami nestačia
súčasnému trendu riešiť rôzne úlohy čoraz dôslednejšie a v čím ďalej kratšom čase, dostáva
sa do popredia požiadavka aktuálnosti potrebných informácií a ich dostupnosti v reálnom
čase. Tu sa otvára priestor novým systémom založeným predovšetkým na internete. Práve
webové služby (WS) poskytujú dlho hľadanú interoperabilitu medzi rôznymi softvérovými
aplikáciami bežiacimi pod celou škálou platforiem. WS sú charakteristické veľkou
prenositeľnosťou a rozšírenosťou vďaka použitiu XML (eXtensible Markup Language), ktorý
je jednoduchým a
univerzálnym nástroj otvoreným pre všetkých a patrí do skupiny
značkovacích jazykov podobne ako HTML (HyperText Markup Language). WS integrujú
rozmanité informačné zdroje a zobrazujú ich v rôznom kontexte vyplývajúcom z požiadaviek
používateľa v prostredí internetu. Týmto spôsobom podporujú okamžité a kvalitné
rozhodovanie na základe adekvátnych a aktuálnych informácií, čím podstatne prispievajú
k riešeniu konkrétnej úlohy. Princíp fungovania WS môžeme popísať spôsobom, keď klient
WS (používateľom ovládaná aplikácia alebo iná WS) volá vybranú metódu služby, predá jej
parametre volania a od služby dostane naspäť odpoveď, pričom parametrami volania aj
odpovede môžu byť buď jednoduché dátové typy alebo komplexné objekty (napr. mapa,
vrstva a pod.). Niektoré servery však WS nielen poskytujú ale spolupracujú aj s inými
servermi poskytujúcimi ďalšie WS, pričom vzniká reťazenie služieb (kaskádovanie).
Používateľ môže takto zdieľať dáta a aplikácie bez toho, aby ich musel mať uložené na
svojom počítači alebo serveri, pričom za aktualizáciu a správnosť dátových zdrojov ručia ich
správcovia, pričom po sieti sa nemusia presúvať rozsiahle balíky dát ale iba vstupné
parametre pre služby a spracované výsledky, čo znižuje tiež riziko zneužitia dát. WS
podporujú aj jednoduché rozšírenie aplikácií a možnosť publikácie tiež na mobilných
zariadeniach, často bez potreby licencie, inštalácie a údržby, čo má za následok nízke náklady
11
na vybavenie z pohľadu používateľa, keďže väčšinou ide o tzv. tenkého klienta s
jednoduchým webovým prehliadačom nezávisle na použitej platforme. Ďalšími nespornými
výhodami webových služieb sú podľa (Stopková a Lieskovský, 2010) uľahčenie samotnej
práce s dátami zabezpečením decentralizácie, t.j. napríklad poskytovanie dát v rôznych
regiónoch, odbúranie nutnosti fyzickej účasti klienta pri prehliadaní a kúpe dát ako aj
odbúranie závislosti od softvérov náročných na cenu, výkon počítača a pod.
Na základe štandardizácie v oblasti internetových technológií môžeme hovoriť o
interoperabilite, ktorú poskytuje integrácia dátových zdrojov a možnosť prepojenia rôznych
WS a ich spoločného používania. V procese štandardizácie sa zúčastňuje viacero
medzinárodných organizácií a konzorcií: Medzinárodná organizácia pre normalizáciu (ISO International Organisation For Standardisation), Európsky výbor pre normalizáciu (CEN –
Comité Européen de Normalisation), konzorcium OGC (Open Geospatial Consortium) alebo
konzorcium W3C (World Wide Web Consortium). Tie sa podpísali pod vznik mnohých
štandardov a špecifikácií. V oblasti WS sú to predovšetkým (Stopková a Lieskovský, 2010):
ƒ
Webová mapová služba (WMS - Web Map Service) - poskytuje mapové obrázky z
jednej alebo viacerých priestorových DB na základe dopytu na webovej stránke.
ƒ
Webová objektová služba (WFS - Web Feature Service) - poskytuje transakcie
a prístup ku geografickým objektom spôsobom nezávislým od spôsobu uloženia dát.
Ich výhoda oproti WMS spočíva v tom, že neposkytujú mapové obrázky dát, ale
samotné dáta vhodné na analýzu a ďalšie spracovanie.
ƒ
Webová povrchová služba (WCS - Web Coverage Service) - umožňujú dopytovanie a
prehliadanie družicových a leteckých snímok, digitálnych modelov reliéfu a iných
rastrových dát s originálnou sémantikou, vhodných nielen na prehliadanie, ale aj ako
vstupy do priestorových analýz, na extrapoláciu a podobne.
ƒ
Služba na vzdialené spracovanie dát ( WPS - Web Processing Service) - umožňujú
klientovi vykonávať s geodátami priestorové analýzy, buď na serveri, alebo si
požadovaný nástroj môže stiahnuť do svojho počítača.
ƒ
Webová katalógová služba (CSW - Catalogue Service) - nástroje na publikovanie a
vyhľadávanie súborov metadát k dátam, službám a zdrojovým informáciam.
ƒ
Súradnicová transformačná služba (WCTS - Coordinate Transformation Service) založené na štandarde, ktorý rieši kľúčovú požiadavku spoločného zobrazenia geodát
z rôznych zdrojov (WCTS teda všetky súradnice transformuje tak, aby geodáta boli
definované vzhľadom k tomu istému súradnicovému systému). Pomocou WCTS môže
12
používateľ napríklad transformovať merania s využitím globálnych navigačných
družicových systémov (GNSS – Global Navigation Satellite System) do S-JTSK alebo
dáta v S-JTSK publikovať na Google Earth.
Konkrétne
v
archeológii,
prostredníctvom
GIS
možno
skúmať
predmety,
vypovedajúce o minulosti, ako objekty v priestore. Je to napríklad analýza vzťahov medzi
výskytom archeologických lokalít a geologickým podložím, priebehom vodných tokov,
analýzy viditeľnosti a podobne. Z hľadiska odborných cieľov archeológie možno za
mimoriadny prínos geoinformatiky pokladať:
ƒ
Operatívne premietnutie formálnych vlastností archeologických prameňov do
reálneho (geografického) priestoru a naopak, t. j. prevedenie geografických
(priestorových) vlastností do priestoru formálneho.
ƒ
Analýzu priestorového usporiadania (napr. plošný rozsah, hustota, vzájomná
vzdialenosť) celkov zistených terénnym výskumom, alebo formálnou analýzou a z
toho definíciu nových priestorových celkov archeologických prameňov.
ƒ
Zisťovanie takých vlastností geografického priestoru, ktoré sú významné z
hľadiska správania sa minulých populácií, ktoré ale nemožno zistiť v bežne
dostupných mapách (napr. mapa sklonu a orientácie svahov, areálov dostupnosti)
vytváraním ľubovoľných kombinácií mapových prvkov a vrstiev.
ƒ
Prístup k priestorovým dátam ako k súvislému povrchu spojite sa meniacich
vlastností, teda nie iba ako k množine nesúvislých pozorovaní.
ƒ
Vizualizáciu priestorových dát spôsobmi, ktoré neumožňuje bežná mapa (napr.
terénne profily, 3D modely, interaktívne animácie) a ich využitia na archeologickú
analýzu a interpretáciu.
Významným prínosom a aplikáciou GIS v archeológii je archeologické predikčné
modelovanie, pomocou ktorého môžeme ďalej skúmať a sledovať pravdepodobné správanie
sa človeka v minulosti, jeho vplyv na svoje prostredie a naopak vplyv prostredia na jeho
aktivity.
13
2 Archeologické predikčné modelovanie Predikčné modelovanie možno definovať v zmysle (Goláň, 2003) napr. ako:
„Vysvetlenie sídelných „zákonov“ vo forme, ktorá nám umožňuje mapovať lokality, ktoré
zodpovedajú „podmienkam“, ktoré sú predpovedané modelom pre sídla. K získaniu tohto
modelu sa analyzujú vzťahy medzi prostredím (environmentom) a lokalitami archeologických
miest“.
Keďže modely indikujú potenciálne vzťahy medzi prírodným i sociálnym prostredím
a lokalitami aktivít predchádzajúcich ľudí, ktoré boli týmto prostredím ovplyvňované, tak
predikčný model je možné definovať ako „zjednodušený systém testovaných hypotéz,
založených buď na behaviorálnych predpokladoch alebo empirických koreláciách, ktorý sa
pokúša o predikciu miest aktivít predchádzajúcich ľudí, ktoré mali za následok uloženie
nálezu alebo zmenu krajiny“ alebo ako „súbor nástrojov, ktorých cieľom je jednak
pochopenie a objasnenie vzťahov medzi lokalitami rozličných aktivít v minulosti a faktorov,
ktoré ovplyvňovali voľbu týchto lokalít a ďalej stanovenie doteraz neznámych miest v
dnešnej krajine, kde je možné pravdepodobne nájsť stopy po týchto aktivitách“.
2.1 Vývoj predikčného modelovania Archeologické predikčné modelovanie sa začalo rozvíjať v 50tych až 60tych rokoch
minulého storočia, a to najmä v súvislosti s rozvojom geografických informačných systémov
ako aj nových poznatkov a postupov v archeológii.
Najväčší rozvoj zaznamenali predikčné postupy v archeológii predovšetkým v USA
a v Kanade, v Európe sa prvé pokusy objavujú v 80-tych rokoch (napr. pre ostrov Hvar).
V súčasnosti sa v mnohých krajinách stavajú integrálnou súčasťou programov starostlivosti
o kultúrno-historické dedičstvo a aj predmetom akademického skúmania výskytu a vlastností
archeologických lokalít.
Postupom času sa mení aj prístup k tvorbe predikčných modelov, kým v počiatočnej
ére predstavovali skôr jednoduché distribučné mapy (Kuna, 2005), neskôr sa transformovali
do komplexných štúdií environmentálnych podmienok (paradigma procesionalizmu, človek je
determinovaný prírodou a prírodnými podmienkami) so širokým využitím štatistických metód
(viacrozmerná štatistika, lineárna regresia, a pod.). Koncom 80-tych a 90-tych rokov sú tieto
prístupy podrobené výraznej kritike a to kvôli výraznému (až výhradnému) zdôrazňovaniu
14
environmentálnych premenných (Verhagen 2005, Leusen 2005, Neustupný 2010). Tento
trend súvisí s nástupom paradigmy postprocesionalizmu (človek ako integrálna súčasť
environmentálnych a sociálnych systémov). Ďalším zdrojom kritiky bolo nekritické
nasadzovanie a interpretácia (sofistikovaných) štatistických metód bez ohľadu na povahu
archeologických dát (neúplnosť, nereprezentatívnosť a skreslenosť) a aj ohľadu na časový
faktor pri tvorbe analýz. V súčasnosti sa prejavuje trend budovania modelov jednoduchších na
tvorbu a interpretáciu, o ktorých sa dá predpokladať vyššia dôveryhodnosť, pričom sa využíva
integrácia so systémami územného plánovania, údajmi z dostupných historických (starých)
máp, leteckých snímok, a pod. Sofistikovanejšie modely sú stále budované v akademickej
sfére, so snahou zahrnúť interakciu človeka so svojím okolím a aj rozličné čoraz dostupnejšie
informácie o podmienkach v minulosti.
Čo sa týka využitia predikčných modelov, možno pozorovať ich prevládajúce
pragmatické využívanie na území USA a Kanady, kde sú modely využívané najme pri
skúmaní populácií pôvodného obyvateľstva. Používanie modelov podmieňujú podľa (Goláň,
2003) limitované možnosti archeologického výskumu: zástavba veľkých miest, obmedzený
prístup na súkromné a vojenské pozemky, dostupnosť priestorových dát v digitálnej forme
a v rozlíšeniach od malej až po veľkú mierku. Príkladom takýchto modelov a štúdií môže byť
práca (Whitlley, 2010) ktorá sa zoberá „ocenením“ krajiny z hľadiska nákladovej dostupnosti
potravín.
Príkladom úspešného nasadenia predikčných modelov je Archeological Predictive
Model an Decision Support
System for North Carolina Department of Transportation
(Madry, 2006). Tento model bol vypracovaný na základe údajov o viac ako 14 000
náleziskách a ich analýz s kombináciou s dostupnými priestorovými dátami. Rozpočet
projektu predstavoval 5 mil. dolárov a počas 4 rokov používania ušetril za každý rok viac ako
3 milióny dolárov na základe prispôsobovania plánovaných stavieb tomuto modelu a tým aj
úspor nákladov na záchranný archeologický výskum.
Na území Európy sú modely využívané viac pre akademické účely zo zameraním na
konkrétnejšie časové úseky (prevažne doba bronzová a včasný stredovek), pričom sú
používané metódy založené na deduktívnom prístupe, ktoré umožňujú detailnejšie modelovať
správanie historických populácií. Príkladom môžu byť štúdie z oblastí Čiech zamerané na
praveké poľnohospodárstvo (Dreslerová, 1996), skúmanie zázemí jednotlivých opídií a
hradísk (Danielisová 2005, Macháček 1997). Prípadne štúdie z Nemecka (Ducke, Munch
2005) a Dánska (Ejstrud, 2005), ktoré sa zoberajú distribúciou miestnych populácií vzhľadom
15
k výrazným prvkom krajiny.
Z praktického hľadiska využitia na ochranu archeologického a historického
dedičstva sú tieto postupy používané najmä v Írsku a Holandsku (Willems, 2001, Leusen
2005), kde sa tvorí a využíva Indikatívna mapa archeologických hodnôt (Indicatieve Kaart
van Archeologische Waarden – IKAW). Mapa je spracovaná pre celé územie Holandska
okrem zastavaného územia obcí. Rozdeľuje územie na základe skúmania korelácie rozloženia
lokalít a prírodných podmienok do 3 kategórií (územie s malou, strednou a vysokou
pravdepodobnosťou výskytu archeologickej lokality). Jej využitie sa tiež naplno uplatňuje aj
v procese územného plánovania. V súčasnosti je spracovaná už jej 2. generácia, ktorá je
dostupná aj prostredníctvom internetu (www.archis.nl). A uvažuje sa o tvorbe 3. generácie
(Leusen, 2005).
Príkladom praktickej aplikácie archeologického predikčného modelu (APM) na území
Českej republiky je projekt Archeologickej pilotnej štúdie pre výstavbu golfového ihriska na
území Kbely, Vinoř a Satalice (Danielisová, 2005). Obdobne bolo uplatnené predikčné
modelovanie pri hodnotení dopadu výstavby novej dráhy letiska Ruzyň na kultúrne dedičstvo
(Lieskovský, 2008). Obidve aplikácie boli postavené na kombinácii deduktívneho
a induktívneho prístupu a pomohli odhadnúť rozsah záchranného archeologického výskumu
a stanoviť jeho časový a finančný rámec.
Na Slovensku zatiaľ nebola podobná tematika spracovávaná. Náleziská sú
vyhľadávané prevažne na základe leteckej prospekcie, systematických prieskumov vybraných
oblastí a zo zdrojov archívu Archeologického ústavu SAV (CEANS – Centrálna evidencia
archeologických nálezísk na Slovensku). Prvým projektom je grantová úloha „Predikcia
archeologických lokalít“ č. APVV-0249-07 riešený v spolupráci Katedry geodetických
základov SvF STU v Bratislave a Archeologického ústavu SAV v Nitre.
2.2 Význam predikčného modelovania Významným prínosom predikčného modelovania v oblasti archeológie je fakt, že
takýmto postupom dokážeme vytypovať lokality, ktoré by nebolo možné objaviť
štandardnými metódami, napr. z dôvodu ich prekrytia ďalšími vrstvami pôdneho krytu
(Neustupný, 2005).
Archeologické
predikčné
modelovanie
možno
vnímať
buď v
akademickej
alebo pragmatickej rovine.
16
Primárnym cieľom predikčných modelov zostrojených na akademické účely je
sledovať a modelovať priestorové vzťahy medzi jednotlivými archeologickými lokalitami,
a tým prispieť k lepšiemu poznaniu minulosti a historických súvislostí. Umožňuje objasniť
využitie krajiny v minulosti a prispieť k lepšiemu pochopeniu vzorcov správania sa človeka v
jednotlivých historických obdobiach. Využitie môžeme nájsť takisto pri plánovaní
systematických výskumov a prieskumov (napr. hradísk), kde sa archeologické lokality môžu
prednostne vyhľadávať v oblastiach s vysokou pravdepodobnosťou výskytu.
V pragmatickej rovine umožňuje efektívnu ochranu a záchranu archeologických
hodnôt, ktorá je väčšinou v rozpore s ekonomickými záujmami investorov. Najmä vo forme
strát spôsobených archeologickým výskumom (cena výskumu, zdržanie, resp. pozastavenie
stavieb kvôli archeologickému výskumu, nutnosť zmeny plánov).
Na území Slovenskej Republiky je ochrana archeologického dedičstva podmienená
Európskym dohovorom o ochrane archeologického dedičstva z roku 1992 (Maltská
konvencia), ku ktorému sa v roku 2001 zaviazalo aj Slovensko a podľa článku 5 sa preto
zaväzuje:
(i) snažiť sa uvádzať do súladu a kombinovať príslušné požiadavky archeológie
a rozvojových plánov zabezpečením účasti archeológov:
a) na plánovaní politík určených na zabezpečenie vyvážených stratégií ochrany,
zachovania a využitia miest archeologického záujmu,
b) na rôznych stupňoch rozvojových programov,
(ii) zabezpečiť vzájomné systematické konzultácie medzi archeológmi, urbanistami
a územnými plánovačmi s cieľom umožniť:
a) úpravy rozvojových plánov, ktoré by mohli mať nepriaznivý vplyv na
archeologické dedičstvo, atď.
Rovnako ochranu dedičstva nariaďuje aj Zákon o ochrane pamiatkového fondu (Zákon
č. 49/2002 Z.z.), ktorý zaväzuje Pamiatkový úrad na riešenie teórie a metodológie ochrany
pamiatkového fondu a podporu archeologického resp. záchranného výskumu.
V prípade existencie vhodných predikčných modelov a máp je možné tieto riziká
dopredu eliminovať. Mapy sa môžu využiť pri územnom plánovaní, kde je možné pozmeniť
koncepciu niektorých projektov už v prvotnej fáze, resp. je možné zabezpečiť s dostatočným
časovým predstihom záchranný výskum, resp. prieskum. Keďže finančné náklady na výskum
pri rôznych stavbách vo verejnom záujme vo väčšine prípadov plynú zo štátneho rozpočtu je
zrejmé, že predikcia potenciálnych archeologických lokalít môže prispieť k zmierneniu ich
17
devastácie v rámci nepremyslenej realizácie stavieb a zbytočnému plytvaniu prostriedkov
štátneho rozpočtu. V práci sa zameriavame viac práve na pragmatické využitie
archeologického predikčného modelu.
2.3 Typy predikčných modelov Jedno z najčastejších základných rozdelení predikčných modelov je podľa prístupu k
ich tvorbe na: induktívne (empirické) a deduktívne. Vzhľadom na to, že voľba tohto prístupu
následne ovplyvňuje použité postupy analýz a aj možnosť využitia a aplikácie modelu
venujeme tomuto rozdeleniu obsiahlejší priestor.
2.3.1 Induktívny a deduktívny prístup Induktívne (empirické) modely vychádzajú zo vzájomných vzťahov už známych
archeologických lokalít k určitým atribútom krajiny. Predikcia nových lokalít potom spočíva
v identifikácii a kvantifikácii týchto vzťahov a následnej identifikácii miest v krajine, ktoré
majú rovnaké, alebo podobné parametre (Danielisová, 2005).
Tento prístup predstavuje jednu z najčastejších foriem predikčného modelovania. Má
však svoje výrazné limity, a to či už v rovine teoretickej alebo pragmatickej.
V pragmatickej rovine spočíva problém v tom, že pri analýzach existujúcich lokalít
musíme vychádzať z dvoch základných predpokladov, a síce že daná vzorka lokalít
predstavuje reprezentatívnu vzorku územia a zároveň
by mali byť v krajine rozložené
nenáhodne v závislosti na environmentálnych alebo sociálnych faktoroch (Goláň, 2003). Tieto
podmienky sú málokedy dostatočne splnené. Jednak je problém v množstve lokalít z daného
územia (štatisticky významná vzorka) a aj v rovnomernosti preskúmania daného územia,
keďže z rozličných dôvodov môže byť niektorá časť územia preskúmaná podrobnejšie a iná
časť môže ostať opomenutá.
Tento problém je možné riešiť doplnkovým predstihovým prieskumom krajiny, a to vo
forme povrchových zberov, leteckého prieskumu a pod. Takýto prieskum je však časovo
a finančne náročný, preto sa ho málokedy podarí zrealizovať. Induktívny prístup má
v teoretickej rovine aj ďalšiu nevýhodu v tom, že areály definované induktívnou metódou
predstavujú v podstate rovnaké dáta ako areály, na základe ktorých boli predikované. To
znamená, že pokiaľ vychádzame z aktuálneho stavu poznania archeologických lokalít v
danom území, predikujeme ďalšie areály, ktoré sa vlastnosťami nebudú líšiť od existujúcich.
18
Teda model z akademického hľadiska neprináša žiadne nové informácie. Toto samozrejme
platí pre oblasť priestorovej archeológie. Samotné novoobjavené lokality môžu priniesť
poznatky do iných oblastí archeológie. Tým, že model indikuje len areály so známymi
vlastnosťami, nám môžu uniknúť nové netypické lokality, ktoré sa bežným podmienkam
vymykajú, a tým môžu byť práve pre svoju netypickosť zaujímavé.
Napriek uvedeným nevýhodám je tento prístup najrozšírenejší. V prípade, že je
k dispozícii dostatočné množstvo existujúcich lokalít je možné vytvárať pomerne presné
modely, ktoré majú svoj význam hlavne v pragmatickej rovine, a to najmä v územnom
plánovaní.
Deduktívne modely vychádzajú z prvotného vyhodnotenia vhodnosti krajiny
k osídleniu. To znamená vlastností, ktoré by krajina v miestach sídelného, pohrebného alebo
iného areálu mala spĺňať. Pričom vychádzame z predpokladu, že miesta archeologických
lokalít sem vstupujú ako následok interakcií medzi kultúrnym systémom komunít a krajinou,
kde ľudia zakladali areály svojich aktivít (Neustupný, 2005). Pri deduktívnom prístupe teda
nevychádzame z vlastností známych lokalít, ale primárne z vlastností krajiny. Pri tomto
postupe slúžia už známe lokality na testovanie a kontrolu modelu.
Deduktívny model je všeobecne považovaný za komplexnejší, ale zároveň náročnejší
na tvorbu, pretože je obtiažne modelovať správanie sa ľudí v minulosti. Z premenných, ktoré
môžeme zohľadniť v teréne sem spadá napríklad využitie vrcholov kopcov a hrebeňov,
hľadanie miest s dobrou viditeľnosťou, prípadne stranou od obytných areálov, na
poľnohospodársky menej vhodnej pôde a pod (Danielisová, 2005).
Deduktívne modely majú svoj prínos hlavne v akademickej rovine, pretože v sebe
zahŕňajú komplexné poznatky o možnom správaní sa človeka v minulosti. Umožňujú
implementovať a modelovať aj sociálne faktory a sú aplikovateľné v oblastiach, kde napríklad
neexistujú relevantné archeologické údaje. V prípade vhodne vytvorenej teórie je možné
modelovať aj také areály, ktoré sú bežným postupom ťažko zachytiteľné. Ako príklad
môžeme uviesť modelovanie pravekých polí a celkového hospodárskeho zázemia pravekých
komunít na území Vinořského potoka v stredných Čechách (Dreslerová, 2001). Model
pracoval s odhadmi veľkosti priemernej rodiny, veľkosti obytných areálov, veľkosti polí
a pastvísk, priemernej veľkosti stáda, odhadu spotreby dreva a využitia lesa. Na základe
modelu bolo možné stanoviť plochu ideálnej sídlištnej zóny a aj predpokladané areály
pravekých polí.
Uvedené postupy sa navzájom nevylučujú. Aj pri tvorbe deduktívnych modelov
19
vychádzame z empirických skúseností získaných výskumom. Dá sa skôr tvrdiť, že oba
postupy poskytujú vzájomne dopĺňajúce výsledky a ich vhodná kombinácia dokáže vytvoriť
kvalitný predikčný model.
2.3.2 Klasifikácia predikčných modelov Predikčné modely môžeme ďalej charakterizovať a rozdeliť podľa rozličných kritérií
na viacero kategórií. Uvádzame vybrané rozdelenia podľa faktorov a kritérií, ktoré sú
charakteristické pri využití GIS. Viac o rozdelení modelov možno nájsť napr. v (Goláň,
2003).
a)
Podľa priestorového vzťahu medzi jednotlivými premennými je možné predikčné
modely deliť na:
b)
ƒ
Bodové – predikcia je prevádzaná pre špecifické body v krajine (napr. hradisko).
ƒ
Areálové – predikcia sa vzťahuje na areály (napr. areál dosahu hradiska).
Podľa rozsahu skúmaného územia môžeme rozdeliť modely na:
ƒ
Globálne – výskum prebieha v areáloch väčších ako 10000 km2. Pomocou týchto
modelov je možné skúmať vzťahy medzi vlastnosťami krajiny a osídlením, vzťahy
medzi jednotlivými populáciami a ich pohybom, modelovať trasy obchodných
ciest, a pod.
ƒ
Regionálne – výskum prebieha v areáloch väčších ako 5500 km2 a menších ako
10000 km2 (napr. na úrovni pohoria). Sledujeme vzťahy medzi špecifickejšími
krajinnými vlastnosťami a osídlením a detailnejšie je skúmaná voľba miest pre
jednotlivé ľudské aktivity.
ƒ
Lokálne – výskum prebieha v areáloch
veľkosti do 100 km2 (napr. povodie
potoka). Na tejto úrovni podrobnosti možno sledovať rozloženie miestnych
dostupných zdrojov surovín, sledovať vzťahy medzi umiestnením týchto zdrojov a
archeologickými lokalitami, modelovať zázemia lokalít, a pod.
c)
Podľa spôsobu vytvárania modelu možno predikatívne modely rozdeliť na:
ƒ
Numerické – ich podstatou je využívanie širokého spektra štatistických techník na
objavovanie vzťahov medzi jednotlivými premennými zahrnutými do modelu.
Takýto model môže mať podobu predikčnej rovnice vyjadrujúcej tieto vzťahy a
výsledky bývajú prezentované v numerickej podobe.
20
ƒ
Grafické (alebo geoinformačné) – tieto modely sa začali rozvíjať v 80. rokoch
minulého storočia v súvislosti s využívaním GIS. Podstata tohto prístupu spočíva v
grafickom vyjadrení jednotlivých premenných v samostatných tematických
vrstvách, ktoré sa následne prekrývajú a kombinujú a identifikujú vzájomné väzby
medzi jednotlivými premennými a areálmi. Význam týchto vzťahov môže byť
následne ohodnotený použitím štatistických techník.
Na základe skúseností z riešenia tohto projektu môžeme modely ďalej rozdeliť podľa
stavu preskúmania záujmového územia. Najzásadnejším problémom štatistického spracovania
archeologických lokalít je nerovnomerná preskúmanosť záujmového územia (Leusen 2005)
a tým fakt, že lokality nepredstavujú reprezentatívnu štatistickú vzorku. Preto navrhujeme
doplniť rozdelenie modelov poľa tohto javu:
d)
Podľa stavu preskúmania záujmového územia:
ƒ
Systematicky preskúmané územie – oblasti kde sa vykonával systematický
prieskum celej krajiny. A to najmä štatistickým rozdelením krajiny (rovnomerne,
resp. náhodným spôsobom) v zmysle (Kuna, 2005) na určité celky, kde je následne
vykonávaný komplexný prieskum týchto celkov. Pritom sa zaznamenáva aj
prítomnosť a aj neprítomnosť sledovaného javu (určitý druh keramiky, resp.
sídelnej komponenty). Príkladom môže byť skúmanie územia Stredných Čiech
(Neustupný,
2005),
resp.
snaha
poľských
archeológov
o vytvorenie
„Archeologickej snímky krajiny“ . Na takomto území sa dajú pomerne spoľahlivo
aplikovať a interpretovať jednotlivé štatistické metódy.
ƒ
Rovnomerne preskúmané územie – územie, ktoré bolo dlhodobou činnosťou
archeológov aspoň čiastočne preskúmané na celej svojej ploche. Väčšinou to
predstavujú terénne ľahko dostupné a archeologicky atraktívne územia, stav
preskúmanosti ovplyvňuje nezriedka dlhodobá prítomnosť akademickej inštitúcie
(Boejstrud, 2005). Pri takomto území a pri dostatočnom počte vzoriek (lokalít)
možno používať vybrané štatistické metódy s ohľadom na možné skreslenia
(prítomnosť väčšieho množstva lokalít v zastavanom území obce vyplývajúc z
vyššej intenzity záchranných výskumov), resp. skreslenie spôsobené neevidenciou
negatívnych výsledkov terénnych aktivít.
21
ƒ
Nerovnomerne preskúmané územie – územie, ktoré je buď ťažšie terénne prístupné
(prítomnosť lesov), alebo sa nachádza mimo oblasti dosahu a záujmu
akademických inštitúcií. Na takomto území sa zdanlivo nevyskytujú žiadne
lokality na rozsiahlych oblastiach, pričom tento jav môže byť výrazne skresľujúci,
pretože napríklad v lesnom poraste sa predpokladá väčšia zachovalosť
archeologických
pozostatkov,
nezničených
napríklad
intenzívnym
poľnohospodárstvom (Kuna, 2005, 2007). Na tomto území je obtiažne používať
akékoľvek štatistické prístupy, pretože nerovnomernosť rozptýlenia vzoriek
(lokalít) môže spôsobiť značné podhodnotenie alebo nadhodnotenie určitého javu.
Vhodnosť prírodných podmienok predstavuje základný rámec pre ľudské aktivity,
neprítomnosť určitého výrazného faktoru (napríklad vody) znemožňuje trvalé osídlenie
a využívanie krajiny. Obdobne je to aj s prítomnosťou limitujúcich faktorov (napríklad strmé
svahy). Človek si dokáže svoje prírodné prostredie prispôsobiť podľa svojich potrieb, ale
možnosť tejto adopcie je obmedzená dostupnými technológiami (napr. na obrábanie pôd) a aj
zdrojmi (energiou) vynaloženými na adopciu krajiny. Preto navrhujeme rozdelenie
predikčných modelov v zmysle tohto kritéria:
e)
Podľa environmentálnych faktorov:
ƒ
Územie s výrazne determinujúcimi prírodnými faktormi – územie kde sa prejavuje
výrazná prítomnosť determinujúcich faktorov (extrémny reliéf, pôda resp. voda
s vysokým obsahom solí), resp. naopak neprítomnosť týchto faktorov (nedostatok
vody, úrodnej pôdy). Takéto územia sú napríklad púštne krajiny („Zelená stuha“
Nílu v Egypte), severské a arktické krajiny, prípadne krajiny v pobrežných
oblastiach (Holandsko). Na týchto územiach je plne aplikovateľná tvorba modelov
založených na environmentálnych premenných za predpokladu ich správneho
zachytenia a interpretácie.
ƒ
Územie s vhodnými prírodnými faktormi – územie so všeobecne vhodnými
podmienkami na trvalé využite (osídlenie) krajiny bez výraznej prítomnosti
determinujúcich faktorov. Takýmto územím sú napríklad južné a juhozápadné
časti Slovenska a všeobecne územie s prítomnosťou vody a úrodnej pôdy. Na
týchto územiach sa nedá predpokladať výrazná viazanosť na environmentálne
premenné, tie tu pôsobia len ako rámcový faktor. Na týchto územiach je nutné
aplikovať sociálne premenné.
22
2.4 Sledované premenné Tvorba archeologických predikčných modelov je vo svojej podstate veľmi špecifická
záležitosť, pretože sa snažíme modelovať a predpokladať správanie sa človeka v minulosti na
základe dnešných poznatkov. To vyžaduje pozerať sa na krajinu aj „očami pravekého
človeka“. Na objasnenie vzťahov a využívania krajiny je preto potrebné zvažovať viaceré
faktory:
ƒ
faktor vhodnosti životného prostredia – požiadavky vhodnej ochrany pred
prírodnými živlami, náročnosť a dostupnosť terénu a pod.,
ƒ
ekonomický faktor – ako možnosť výmeny tovaru a z toho vyplývajúca blízkosť
ciest, dostupnosť zdrojov a pod.,
ƒ
faktor minimálnej námahy – požiadavka, čo najväčšej efektivity,
ƒ
strategický faktor – obranné pozície, výhľad na okolie, prírodné prekážky a pod.,
ƒ
kultový (sakrálny) faktor – nebol ovplyvnený praktickými požiadavkami človeka,
ale hral v jeho živote významnú úlohu (je aj najťažšie modelovateľný).
Tieto faktory ovplyvňovali človeka do rozličnej miery. Je možné tvrdiť, že
environmentálne premenné majú vplyv na výber určitého miesta k osídleniu, ten ale určite nie
je výhradný. Skôr je možné predpokladať (Neustupný, 2005), že omnoho viac javov má
iracionálny základ. Táto skutočnosť komplikuje interpretáciu výsledkov analýz, a preto ju
treba zohľadniť ako náhodnú premennú.
Okruhy jednotlivých analýz by sme mohli rozdeliť do nasledovných kategórií:
a) Environmentálne analýzy – sledovaný je vzťah človeka k prírodnému prostrediu.
Patria sem najmä analýzy reliéfu vychádzajúce z jeho morfometrických
parametrov ako je sklon, orientácia voči svetovým stranám (expozícia),
nadmorská výška, relatívna nadmorská výška, lokálna krivosť a pod. K ďalšiemu
okruhu environmentálnych analýz patria vzdialenostné analýzy, kedy je
sledovaná hlavne vzdialenosť od vodných tokov, prípadne od významných
prvkov krajiny. K tomuto okruhu analýz je možné pridať aj klimatologické
analýzy, ako je priemerná ročná teplota, množstvo zrážok, osvetlenie a pod.
b) Sociálne, resp. socio – ekonomické analýzy – sledované sú premenné ako hustota
lokalít, ich vzájomná vzdialenosť, prípadne vzdialenosť od rozličných typov
zdrojov, resp. pôd. Do tejto skupiny analýz môžeme zahrnúť aj analýzy
viditeľnosti, a to či už vzájomnej viditeľnosti, resp. sledovanie kvality výhľadu,
ktoré môže determinovať miesta s potenciálnym kultovým významom.
23
Uvedené premenné mohli mať väčší, alebo menší vplyv na výber lokality. Preukázať
tento vplyv sa dá pomocou štatistického testovania jednotlivých premenných. Celkovo sa
predpokladá, že na voľbu lokality mal vplyv menší počet základných premenných, ostatné
mali buď vplyv minoritný alebo vznikli ako kombinácia viacerých faktorov. Rovnako tieto
premenné mohli mať rôzny vplyv v rozličných častiach krajiny. Postupným testovaním je
možné vybrať premenné, ktoré mali významný vplyv na voľbu lokality a eliminovať
irelevantné premenné. V súčasnej dobe umožňujú GIS a príslušné štatistické softvéry
pomerne rýchlo kombinovať a testovať viacero modelov, čím sa podstatne urýchľuje
a skvalitňuje proces výberu najvhodnejšieho modelu.
2.5 Vstupné údaje na predikčné modelovanie Vstupné údaje tvoria základ na budovanie GIS ako nevyhnutného predpokladu pre
priestorové analýzy. Údaje1 sa nachádzajú v širokej škále foriem, od jednoduchých manuálne
kreslených plánov a náčrtov (prevažne z počiatočnej éry systematického archeologického
bádania), cez výsledky geodetických meraní, leteckej archeológie, knižného súpisu lokalít
a pod. Zdroje týchto údajov sa v prípade archeológie dajú zhrnúť do nasledovných oblastí:
ƒ
archeologické údaje,
ƒ
environmentálne údaje,
ƒ
údaje z historických máp,
ƒ
historické dokumenty (písomné pramene),
ƒ
etnografické výskumy.
Archeologické a environmentálne údaje tvoria podklad, na ktorom sú priestorové
analýzy budované. Historické a etnografické údaje slúžia predovšetkým ako opora pre
archeologické interpretácie (Goláň, 2003).
Krajina a jej jednotlivé zložky sa neustále vyvíjajú. Preto nie je možné vzhľadom na
odlišnosť stavu krajiny a zvlášť jej dynamickejších zložiek jednoducho skúmať väzby medzi
dnešným stavom prostredia a jeho pôsobením na človeka žijúceho pred tisíckami rokov. Pri
uvedených typoch údajov je preto potrebné brať do úvahy časový faktor, prejavujúci sa vo
vysokej miere v oblasti sociálnych premenných. Cenný zdroj informácií môže byť cestná sieť
v minulosti, štruktúra osídlenia a pod. – tu treba vychádzať z historických (starých) máp,
alebo sa na základe napr. archeologických faktorov pokúsiť o rekonštrukciu daných údajov.
1
V tejto podobe ich označujeme “údaje“ (majú prevažne analógový charakter). V prípade ich počítačového
spracovania a formalizácie používame terminologicky príslušný termín "dáta". 24
3 Postup a metódy tvorby archeologického predikčného modelu Návrh metód a postupu tvorby archeologického predikčného modelu (APM) na účely
pamiatkovej ochrany a územného plánovania krajiny vychádza z nasledovných predpokladov:
ƒ
Dostupnosť
a použiteľnosť
priestorových
a archeologických
údajov
bola
zhodnotená s ohľadom na špecifické podmienky Slovenska so zameraním na ich
využitie v predikčnom modelovaní.
ƒ
Jednotlivé typy priestorových a štatistických analýz boli analyzované so
zameraním na stanovenie ich relevantnosti a použiteľnosti na účely predikčného
modelovania.
ƒ
Konceptuálny návrh APM bol zrealizovaný na základe výsledkov vybraných
priestorových a štatistických a analýz.
ƒ
Návrh metodiky na tvorbu APM vyplýva z testovania APM so zameraním na
optimalizáciu postupu jeho tvorby a zohľadnením prírodných podmienok na území
Slovenskej republiky, ako aj stavu a dostupnosti archeologických a priestorových
dát.
3.1 Postup tvorby archeologického predikčného modelu Základné spracovanie archeologických údajov a ich priestorovej analýzy možno
rámcovo rozčleniť na nasledujúce kroky (Macháček, 1997) a (Danielisová, 2005):
ƒ
Definovanie problému. Tento krok má najdôležitejšiu úlohu v celom postupe,
pretože dáva nášmu snaženiu náplň a zmysel. Mala by mu byť z toho dôvodu
venovaná zvýšená pozornosť. Jedná sa o odpoveď na otázku „Prečo..?“, ktorá
predpokladá komplexný prístup k riešeniu problému, čo práve počítačová technika
uľahčuje. Zámerom modernej archeológie je pýtať sa, prečo sa určitý nález
vyskytoval na určitom mieste v určitej historickej dobe. Formulácia tejto otázky je
veľmi dôležitá pre ďalší postup práce.
ƒ
Výber zdrojových dát a návrh štruktúry databázy. Dáta a metódy, ktoré vyberáme
úzko súvisia s riešenou otázkou. Najskôr je nutné vytvoriť predbežný model
študovaného
problému
na
základe
našich
predchádzajúcich
skúseností
a poznatkov, ktorý je východiskom na stanovenie potrebných informácií v DB.
25
Nie je naším záujmom generovanie veľkého objemu dát, ale získanie relevantných
informácií, ktorých rozbor povedie k efektívnemu riešeniu. Musíme porovnať
časovú náročnosť, ktorá je ovplyvnená kvantitou dát so snahou o získanie úplnej
informácie, vedúcej ku komplexnému poňatiu problému. S ohľadom na tieto dve
hľadiská je nutné zvoliť kompromisné riešenie. Po stanovení vhodných dát
môžeme prejsť k návrhu ich vhodnej štruktúry, ktorú je potrebné navrhnúť
s ohľadom na čo najefektívnejšie možnosti využitia dát.
ƒ
Tvorba analýz. Jedným z hlavných dôvodov použitia GIS pri spracovaní
archeologických údajov je schopnosť počítačových programov rýchlo a efektívne
zoraďovať, triediť, kombinovať, vyhľadávať a sumarizovať informácie. Moderné
databázové systémy umožňujú prevádzať výpočty a vytvárať nové polia
obsahujúce tieto výsledky. Pri veľkom počte záznamov ide o jediný spôsob
spracovania veľkého objemu informácií.
ƒ
Testovanie výsledkov. Skôr ako prejdeme k vlastnej interpretácii získaných
výsledkov, musíme overiť spoľahlivosť našich zistení. Vo veľkej miere sa na to
využívajú metódy matematickej štatistiky, ktorá dáva k dispozícii rôzne postupy
na vyjadrenie štatistickej vierohodnosti našich výsledkov. Z elementárnych
postupov sem patrí napr. zisťovanie významnosti zhody alebo rozdielu medzi
dvomi výbermi, štatistická závislosť medzi dvoma premennými (tzv. korelácia)
a pod.
ƒ
Interpretácia výsledkov. Pokiaľ sa potvrdí, že na určitej hladine významnosti je
možné naše tvrdenie potvrdiť štatistickým testovaním, je možné prejsť k
interpretácii výsledkov, ktorá bude mať vyššiu váhu, keď bude vychádzať zo
štatisticky overených výsledkov.
V prípade tvorby archeologických predikčných modelov nasledujú ďalšie fázy:
ƒ
Tvorba archeologického predikčného modelu. Pomocou získaných výsledkov
analýz odvodzujeme sekundárne vrstvy, ktoré spĺňajú stanovené parametre.
Následne ich kombinujeme do APM vo viacerých alternatívach. Najjednoduchšia
možnosť je odvádzanie jednoduchých binárnych vrstiev a ich booleovské
prekrývanie. V prípade ak poznáme, resp. vieme stanoviť, váhy jednotlivých
vrstiev môžeme ich kombinovať podľa tohto prístupu. Zaujímavá je aj možnosť
využiť pri kombinácii jednotlivých vrstiev fuzzy logiku, ktorá umožňuje vernejšie
26
simulovanie ľudského správania sa s ohľadom na výsledky štatistickej distribúcie
jednotlivých premenných a neurčitý charakter skúmaných parametrov. Keďže
jednotlivé parametre preferencie voči krajine sa u niektorých kultúr výrazne
menia, tak v prípade akademického využitia modelu je vhodné generovať pre
každý časový úsek čiastkový model zvlášť. V prípade, že sa očakáva využitie
predikcie aj na pragmatické účely (ochrana lokalít, územné plánovanie a pod.) je
možné jednotlivé čiastkové modely integrovať do spoločného finálneho modelu.
ƒ
Testovanie modelu. Vytvorený model je potrebné otestovať na presnosť predikcie.
Najvhodnejšie je testovať model na externých dátach (tzv. vonkajší test), t.j.
dátach, ktoré priamo nevstupovali do štatistických analýz. Týmito dátami môžu
byť napr. výsledky povrchových zberov, ktoré by mali byť vykonané nezávisle od
výsledkov predikcie (náhodné vzorkovanie krajiny). Prípadne ak to množstvo
lokalít umožňuje, tak to môže byť náhodne vybraná vzorka dát (cca 10-15%
lokalít). Ako ďalšia alternatíva, v prípade nedostatku externých dát, môže byť
vnútorné testovanie, t.j. testovanie na vzorke dát, ktoré boli použité v rámci
predikcie. Tu sa ako vhodná metóda javí crossvalidácia (alebo bumerangový test),
kedy sa postupne pre každú vstupnú lokalitu vyhodnocuje presnosť predikcie.
ƒ
Zavedenie do praxe a spresňovanie modelu. Táto fáza je závislá od účelu tvorby
modelu,
dnes
je
možné
výsledné
predikčné
mapy
publikovať
a šíriť
zainteresovaným organizáciám a osobám pomocou internetu, a to vo forme buď
jednoduchého zobrazenia v internetovom prehliadači, alebo pomocou webových
mapových služieb (WMS). Pri publikovaní výstupov je treba brať ohľad na účel
použitia (symbolika vrstiev, zvolené triedy a pod.), ale je nevyhnutné brať ohľad aj
na ochranu lokalít pred vykrádaním a devastáciou (nepublikovaním vstupných
archeologických dát, resp. publikovaním len pre oprávnené osoby). V prípade
vhodnej štruktúry modelu a správne vytvorených nástrojov pre predikciu je možné
postupne model spresňovať a aktualizovať na základe novo dostupných poznatkov
resp. nových dát z lokalít.
27
3.2 Metódy tvorby archeologického predikčného modelu V práci sa bližšie zoberáme analýzou použitých metód z pohľadu geoinformatiky,
ktoré možno rozčleniť do nasledovných oblastí:
1. Návrh konceptuálneho APM:
-
zhodnotenie dostupných zdrojov údajov,
-
prvotný návrh relevantných objektov, atribútov a relácií,
-
modelovanie konceptuálneho APM s využitím Unifikovaného modelovacieho
jazyka (UML – Unified Modelling Language) a nástrojov pre počítačovo
podporované softvérové inžinierstvo (CASE tools - Computer-Aided Software
Engineering tools).
2. Tvorba priestorovej databázy:
-
návrh štruktúry DB podľa návrhu konceptuálneho APM,
-
využívanie kombinovaných digitálnych a digitalizovaných geodát,
-
testovanie presnosti vybraných priestorových podkladov,
-
rekonštrukcia historickej vodnej siete na základe kombinácie historických
máp, ortofotosnímok a analýz potenciálnych vodných tokov,
-
spracovanie údajov o archeologických lokalitách do formy geodatabázy.
3. Aplikácia priestorových analýz:
-
analýzy reliéfu a jeho morfometrických parametrov,
-
analýzy prírodných podmienok,
-
analýzy nákladovej (ocenenej) vzdialenosti (vychádzajú z predpokladu, že
náklady – odpor na prekonanie vzdialenosti nemusia byť vždy iba funkciou
priamej vzdialenosti a priama vzdialenosť je potom modifikovaná na základe
ohodnotenia buniek rastra ich váhou a najkratšiu vzdialenosť definujú bunky s
najmenším súčtom váh),
-
tvorba geoprocesných modelov, resp. skriptov na účely automatizácie analýz.
4. Štatistické testovanie výsledkov priestorových analýz:
-
Kolmogorov-Smirnovov test,
-
Chi-kvadrát test,
-
Studentov t-test.
-
Metóda ROC kriviek.
5. Tvorba archeologických predikčných modelov:
-
aplikácia fuzzy logiky,
28
-
použitie rozličných váh pri kombinácii vrstiev,
-
deduktívny a induktívny prístup archeologického predikčného modelovania,
resp. ich kombinácia.
6. Testovanie predikčných modelov:
-
bumerangový test,
-
zhodnotenie
percentuálnej
úspešnosti
pozitívne,
resp.
negatívne
predpovedaných lokalít,
-
vyhodnotenie jednotlivých variantov APM.
29
4 Experimentálne overenie navrhovaných postupov tvorby archeologického predikčného modelu V tejto kapitole sa venujeme praktickému návrhu APM na zvolenom záujmovom
území v oblasti dolného Pohronia a Poiplia.
4.1 Vymedzenie záujmového územia Modelové územie sa nachádza na ploche 188 mapových listov Základnej mapy
Slovenskej republiky v mierke 1:10 000 (ZM SR 10), čo predstavuje rozlohu približne 3400
km2 a radí sa tým medzi predikčné modely regionálneho až nadregionálneho rozsahu. Hranice
záujmového územia z pragmatických dôvodov nereprezentujú prirodzené územné celky, ale
hranice sú definované kladom mapových listov. Južná časť záujmového územia je vymedzená
hranicou Maďarskej republiky. V rámci záujmového územia bolo vyčlenené testovacie územie
na ktorom boli realizované testovania viacerých priestorových podkladov a analýz (Obrázok
4-1 „ZÚ Skúmané“).
Obrázok 4-1 Lokalizácia záujmového územia
30
4.1.1 Geomorfologická charakteristika záujmového územia Charakteristika najvýznamnejších celkov je spracovanú prevažne podľa (Lukniš, 1972)
a (Stuchlý, 1998):
Hronská pahorkatina – krajinný podcelok v juhovýchodnej časti Podunajskej
pahorkatiny. Na východe ho ohraničuje Hronská niva, na juhu siaha k nive Dunaja, na západe
ho vymedzuje Podunajská rovina a niva Žitavy, na severe a severovýchode Pohronský Inovec
a Štiavnické vrchy (Obrázok 4-2). Pahorkatinu budujú pontské a panónské íly, piesky a štrky.
V ich nadloží vystupujú na rozsiahlych plochách, najmä na východe a juhu riečne terasové
štrky s niekoľkometrovým pokrovom spraši, lokálne i eolitických pieskov. Spraše a sprašové
hliny prekrývajú pravidla aj neogénne sedimenty. Väčšina plochy má pahorkatinný ráz
s deniveláciami reliefu 31-100 m, len na juhu a východe je zvlnená rovina a amplitúdou reliéfu
do 30 m. Nadm. v. sa v rovinnej časti pohybuje v rozpätí 115-200 m, v pahorkatinnej časti
spravidla 200-320 m. Reliéf je vcelku monotónny, so širokými plochými chrbtami,
rozovretými
úvalinovitými
dolinami
a úvalinami
periglaciálneho
pôvodu.
Hronská
pahorkatina má ráz kultúrnej lesostepi s prevahou oráčin, na východ v oblasti Hronskej tabule
s neveľkými lesnými enklávami. Výrazne prevláda poľnohospodárska funkcia.
Obrázok 4-2 Geomorfologické členenie záujmového územia (Blažová a Bartík, 2009)
31
Ipeľská pahorkatina – krajinný podcelok Podunajskej pahorkatiny. Na západe ju
ohraničuje dolina Hrona, na severe a severovýchode Štiavnické vrchy, na východe Krupinská
planina a dolina Ipľa, na juhu pohorie Burda. Nadm. v. sa pohybuje od 120 do 290 m.
Pahorkatina vznikla v priebehu neogénu sedimentáciou slieňov, pieskov, pieskovcov, štrkov,
zlepencov, organogénnych vápencov a ryolitových tufov, v priestore medzi Kalinčiakovom
a Malinovcom
prekrytých
tufmi
a vulkanoklastikami
andezitov.
Strednomiocénne
a vrchnomiocénne, a najmä pliocénne sedimenty boli v pleistocéne pokryté rozlične hrubými
plášťami spraši a sprašových hlín, takže povrch nadobudol podobu tabule, mierne naklonenej
na juh. Strednú časť sledovanej pahorkatiny postihli zlomy smeru SZ-JV. Pôvodne súvislá
tabuľa sa v priebehu pleistocénu
a holocénu činnosťou vodných tokov a vplyvom iných
morfogenetických procesov rozčlenila na početné chrbty a široké doliny. Povrch je hlavne na
severe postihnutý výmoľovou eróziou. Nerastné suroviny tvoria len stavebné materiály ako
tufy, tehliarske íly a štrkopiesky. Ipeľská pahorkatina patrí do teplej klimatickej oblasti
s chladnou zimou. Priemerné januárové teploty sa pohybujú od -3 do -4°C, júlové 18,5 –
19,5°C, priemerný ročný úhrn zrážok od 600 do 700 mm. Územie tvorí rozvodie medzi
dolným tokom Hrona a Ipľa. Všetky väčšie potoky pritekajú z Krupinskej planiny. Na
zlomové poruchy sa viažu minerálne pramene v Dudinciach a v Santovke. Od najnižšej časti
smerom k horskej obrube sa striedajú čiernozeme, hnedozeme, illimerizované pôdy
a pseudogleje. Pôvodný prírodný ráz lesostepnej krajiny so súvislou pokrývkou teplomilných
dúbrav na vyššej pahorkatine a lužných lesov na holocénnych nivách človek silno porušil –
lesné porasti odstránil a územie premenil na kultúrnu step. Orné polia zaberajú 50-60%
plochy, lúky a pasienky 9-11%, vinohrady 1,5%, neúrodné a zastavané plochy 7%. Pre
vegetáciu sú charakteristické teplomilné druhy sprašových lesostepí.
Ipeľská kotlina – podcelok juhoslovenskej kotliny, medzihorská zníženina, v strednej
časti povodia Ipľa. Na severe a západe je ohraničená výrazným svahom Krupinskej planiny,
na východe je od lučeneckej kotliny oddelená výbežkom Strážnej hory, južná časť sa
rozprestiera v Maďarskej republike. Mierne pretiahnutá kotlina v smere Z-V dosahuje na
našom území dĺžku 50 km a max. šírku 20 km. Relatívne výškové rozpätie sa v juhozápadnej
časti kotliny pohybuje do 30 m, v strednej a čiastočne aj v severovýchodnej časti v rozpätí 31100 m, v severovýchodnej časti miestami 100-180 m. Max. nadm.v. 190 m dosahuje pri
Modrom Kameni, min. na nive Ipľa 128 (pri Ipeľskom Predmostí).
Kotlina je erózno-
tektonického pôvodu, založená na mäkkých, málo odolných neogénnych sedimentoch
32
porušených zlomami. Budujú ju oligomiocénne, spodnomiocénne až strednomiocénne
sedimenty rôznej facie, od slienitých ílov, cez piesky a pieskovce až po zlepence. Reliéf
kotliny je mierne zvlnená pahorkatina, rozčlenená potokmi stekajúcimi z Krupinskej planiny
do sústavy plochých chrbtov , miestami pokrytých svahovými deluviami, miestami sprašami.
Ipeľ a jeho prítoky sleduje pomerne široká niva, ktoré tvoria Hontianske terasy, Cebovská
a Pôtorská pahorkatina. Ipeľská kotlina patrí do teplej klimatickej oblasti, v južnej časti
s miernou zimou, v severnej vyššej
pahorkatinnej časti s chladnou zimou. V oboch
s možnosťou pestovania teplomilných plodín. Prevláda vietor severozápadného až západného
smeru. Januárové teploty sa pohybujú od -2,6°C do -4°C, júlové od 18,5°C do 20,1°C.
Priemerné ročné zrážky dosahujú 580-700 mm, snehová pokrývka trvá 45-60 dní. Kotlina
patrí k povodiu Ipľa. Všetky väčšie povrchové toky prichádzajú zo severnej horskej obruby,
pretekajú kotlinou a na južnom okraji kotliny ústia do Ipľa. Najvýznamnejšie prítoky
Tisovník, Slatinka, Krtíš a Čebovský potok sa hlboko zarezali do neogénnych a kvartérnych
sedimentov na dne kotliny. Na tektonické zlomy sa viaže niekoľko minerálnych prameňov,
napr. vo Vinici, v Želovciach, Sklabinej, Bušinciach, Pôtri a inde. Na pahorkatinnej časti
kotliny, ktorá má v podloží hlavne neogénne sedimenty pokryté sprašami a sprašovými
hlinami sú zóny bioklimatických pôd usporiadané do spektra: malé plochy černozeme,
hnedozem až hnedozem oglejená, illimerizovaná pôda až illimerizovaná pôda oglejená,
ojedinele hnedá pôda nasýtená. V nivnej časti kotliny pozdĺž tokov sú nivné pôdy glejové.
Kotlina je v podstate odlesnená. Prevládajú oráčiny (70%), zvyšok tvoria trávnaté plochy
(20%), les, neúrodná a zastavaná plocha (10%). Neúrodná pôda sa viaže na nízke močaristé
územie pozdĺž Ipľa a jeho prítokov. Ipeľská kotlina patrí k našim poľnohospodársky
najproduktívnejším oblastiam.
Krupinská planina – horský krajinný celok v Slovenskom rudohorí. Na severe hraničí
s Pliešovskou kotlinou, na severozápade so Štiavnickými vrchmi a Javorím, na východe
s Ostôžkami, na juhu s Juhoslovenskou kotlinou a na západe s Podunajskou pahorkatinou.
Územie budujú hlavne sopečné tufy a aglomeráty, ktoré sa v prvej fáze vulkanickej činnosti
ukladali vo vodnom, v ďalších fázach v suchozemskom prostredí. Celkový krajinný obraz
Krupinskej kotliny je podmienený priepustným podložím, ktoré silno zabrzdilo modelačné
procesy. Dôsledkom sú dobre zakonzervované plošinové formy. Krupinská pahorkatina má
ráz plošiny, mierne sklonenej k juhu. Od severu, kde sa jej výška pohybuje okolo 600-650 m
n.m., klesá po obvodové okraje na 300 m.n.m. Územím preteká rad paralelných vodných
33
tokov, ktoré majú doliny vyrezané do jednotnej plošiny. Miestami narušujú jednotvárnosť
reliéfu andezitové tvrdoše. Celkový plošinový charakter územia je narušený len na južných
okrajoch planiny tektonickými líniami smeru SZ-JV a SV-JZ. Prevažná časť územia patrí do
miernej teplej klimatickej oblasti. Priemerné ročné teploty vzduchu v januári pohybovali od 3
do -4°C, v júli od 18 do 20°C. Priemerný ročný úhrn zrážok dosahoval 650-800 mm.
Povrchové toky Krupinskej planiny patria do povodia Ipľa. Po plošinatom, mierne sklonenom
povrchu pretekajú takmer všetky väčšie vodné toky, ktoré pramenia v Javorí, v lúčovite
vyvinutej riečnej sieti do Podunajskej nížiny a Juhoslovenskej kotliny. Sú to najmä Tisovník,
Stará rieka, Plachtinský potok a Krupinica. Pre priepustné aglomerátové podložie pramení na
planine pomerne málo vodných tokov. Na mierne sklonených plošinách s hrubým pokrovom
hlinitého až ílovito-hlinitého zvetralinového plášťa sa vyskytujú slabo oglejené illimerizované
až pseudogleje. Dolná hranica ich rozšírenia je okolo 450 m.n.m. V rôznych nadmorských
výškach sú miestami hnedé pôdy nasýtené, na poriečnych nivách nivné a glejové pôdy.
Územie Krupinskej planiny je činnosťou človeka značne premenené. Z rovinatých povrchov
plošín sú tu oráčiny, lúky a pasienky. Strmé svahy dolín sú zalesnené, na planinách sa
miestami vyskytujú miestami rozsiahle komplexy lesov. Ako krajinný typ sa rozlišuje
planinová krajina s kultúrnou lesostepou v západnej časti so sústredeným osídlením,
a lesostepná krajina osídlená v južnej a juhozápadnej časti.
Štiavnické vrchy – horský krajinný celok v Slovenskom stredohorí. Patrí do sústavy
stredoslovenských vulkanických pohorí. Max. nadm.v. dosahuje Sitnom 1009m. Amplitúda
reliéfu kolíše medzi 181-470m. Z pôvodnej rozsiahlej stredohorskej rovne sa zachovali viaceré
plošinaté územia. Inde, najmä na okraji ju rozčlenili intenzívne diferenciačné tektonické
pohyby a nimi vyvolaná intenzívna subaerická deštrukcia. Vo formovaní reliéfu zohrala
dôležitú rolu odolnosť hornín. Najväčšia plocha územia je v miernej teplej, vrcholové polohy
Sitnianskej vrchoviny a Skalky v chladnej klimatickej oblasti. Priemerná ročná teplota
vzduchu je 7-8°C, v najvyšších polohách 6°C, priemerné júlové teploty 17-18°C, januárové -3
až -4°C. Priemerný počet letných dní v roku je 30-50, priemerný ročný úhrn zrážok 650-800
mm, v najvyšších polohách vyše 800 mm. Priemerný počet dní so snehovou pokrývkou je 6080. Štiavnické vrchy patria do povodia Hrona a Ipľa. Riečna sieť sa vyznačuje odstredivosťou.
Najväčšie vodné toky Richnava a Sikenica vtekajú do Hrona, Štiavnica do Ipľa.. V hlbokých
dolinách tečie viacero veľmi vodnatých bystrín, vo východnej časti s menej členitým reliéfom
na tufoch, brekciách a premenených andezitoch je menej vodných tokov v dôsledku väčšej
34
infiltrácie vody. Z pôdnych typov sa na hlbokých hlinitých pokrovoch asi do 450-500m n.m.
vyskytujú oglejené illimerizované pôdy až pseudogleje, od 250 m n.m. do 800 m n.m. hnedé
pôdy nasýtené a od 800 m n.m. do 1009 m n.m. kyslé hnedé pôdy. Na skalnatých povrchoch
sa vyskytujú surové andezitové pôdy, na poriečnych nivách potokov nivné a glejové pôdy.
Hlavnou ekonomickou aktivitou územia v minulosti boli zásoby vzácnych zlatých,
strieborných, medených a iných rúd.
4.1.2 História osídlenia záujmového územia Najstaršie stopy osídlenia sledovaného regiónu siahajú do staršej doby kamennej –
paleolitu (Obrázok 4-3a), teda do obdobia, ktoré je najstarším a zároveň i najdlhším úsekom
ľudských dejín. Ojedinelé nálezy staropaleolitické charakteru (600 000- 250 000 pred n.l.,
napr. Veľká Ves nad Ipľom, Želiezovce, Zombor) dovoľujú predpokladať prítomnosť
predchodcu človeka dnešného typu. Kontinuita osídlenia nebola prerušená ani v strednom
paleolite (250 000-40 000 pred n.l.) ako to dokumentujú artefakty nájdené napr. z Vrbovky
a Santovky-Malinovca. Mladý paleolit (40 000-8 300 pred n.l.) vyplňuje mladšiu časť
poslednej dody ľadovej. Nástup tejto fázy paleolitu znamená nápadné zrýchlenie doterajšieho
rozvoja: nositeľom kultúr sa stal moderný človek Homo sapiens sapiens. Hlavný zdrojom
obživy je stále lov a to najmä stádovej lesnej, neskôr aj lesostepnej a tundrovej zveri. Lov sa
však už špecializoval v rámci jednoduchej a organizovanej skupiny (tlupy). Len za zvláštnych
okolností vznikali pevnejšie a rozsiahlejšie sídliská. Sezónne osady sa často vyskytujú hlavne
na Ipeľskej pahorkatine, v blízkosti vodných tokov umiestnené často vysoko nad úrovňou Ipľa
a Štiavnice (Šahy, Brhlovce atď.).
V strednej dobe kamennej – mezolite (Obrázok 4-3b) (9000 – 5500 pred n.l.)
následkom ústupu pevninských ľadovcov došlo k otepleniu, zvýšilo sa množstvo zrážok, fauna
už bola zhodná s dnešnou. Boli vyhľadávané najmä suchšie polohy na vyvýšeninách, často pri
brehoch potokov a močarísk. Hlavná ekonomická činnosť sa zameriavala na zberačstvo a lov.
Z uvedeného obdobia však zatiaľ disponujeme iba so sporadickými nálezmi, napr.
mikrolitická industra z Kosihoviec.
Mladšia doba kamenná – neolit (5500 - 3500 pred n.l.). Z juhovýchodnej Európy sa
smerom
na
sever
rozšíril
neolitický
spôsob
života,
charakterizovaný
najmä
poľnohospodárstvom. Do Európy sa pestovanie kultúrnych plodín, najmä obilovín, a chov
zvierat rozšíril z Prednej Ázie. Na sledovanom území prvými roľníkmi boli nositelia kultúry
s lineárnou keramikou (5000 - 4300 pred n.l.). Na ňu nadviazala kultúra označovaná ako
želiezovská skupina (4300 – 3900 pred n.l.). Jej nositelia budovali rozsiahle osady s veľkými
35
kolovými domami. V strednej Európe vládlo mierne teplé a vlhké podnebie, povrch pokrývali
husté listnaté lesy (dub, brest). Hustota osídlenia oproti predchádzajúcemu obdobiu výrazne
narastá. Sú kolonizované predovšetkým oblasti černozeme a hnedozeme najmä v Hronskej
pahorkatine, resp. v blízkosti toku Ipľa, Štiavnice a Krupinice. Z uvedeného úseku
v sledovanom priestore doteraz evidujeme niekoľko desiatok sídlisk (Obrázok 4-3c). V období
neskorého neolitu celé územie osídlil ľud lengyelskej kultúry (3800 – 3300 pred n.l.).
Sledovaná kultúra sa vyvíjala vo viacerých (štyroch) chronologických stupňoch, pričom
staršie patria ešte do neolitu a dve mladšie už do eneolitu – neskorej doby kamennej.
Výrazným znakom novej epochy je spracovanie a používanie nového výrobného
materiálu – medi. V tomto období sa znásobil aj podiel chovu dobytka v poľnohospodárskej
produkcii, vznikol výmenný obchod a špecializácia práce, rozšírili sa druhy remesiel.
Z dôvodu vyhľadávania surovinových zdrojov a zrastom dôležitosti chovateľstva, resp.
pastierstva sa kolonizovali aj hornatejšie oblasti. Došlo k výraznejšiemu rozšíreniu osídlenej
plochy (Obrázok 4-3d) napríklad aj v hornom toku Krupinice (Krupina, Bzovík) a Štiavnice
(Lišov), resp. v blízkosti Štiavnických vrchov (Čajkov, Devičany). Po zániku lengyelského
kultúrneho komplexu na začiatku stredného eneolitu vzniká nová kultúra s početnými
sídliskami – badenská (3300 - 2700 pred n.l.). Okrem černozeme a hnedozeme k ekonomickej
aktivite sa využívajú aj pastviny. Uvedený ľud udomácnil v sledovanom priestore nový druh
ovce s kvalitnou vlnou. Najsevernejšie položené lokality dosiahli líniu Kozárovce- LeviceMýtne Ludany- Santovka -Hokovce - Plášťovce - Čebovce. Neskorý eneolit reprezentovaný
kultúrou Kosihy - Čaka je zatiaľ doložený iba sporadicky na niekoľkých lokalitách v blízkosti
dolného toku Ipľa a Hrona, napr. Tlmače, Levice, Malé Kosihy, Dudince.
36
Obrázok 4-3 Osídlenie na záujmovom území počas obdobia praveku podľa (Blažová a Bartík, 2009)
Doba bronzová (Obrázok 4-4a) (2200 – 750 pred n.l.) – najcharakteristickejším
znakom materiálnej kultúry tohto časového úseku je výroba bronzových predmetov, ktorá
úzko súvisela s rozmachom ťažby medi a cínu a so vznikom nových, špecializovaných
remeselných odvetví, ako hutníctvo, kovolejárstvo a kovotepectvo. Na počiatku doby
bronzovej prežívalo ešte osídlenie ľudu kultúry Kosihy-Čaka a následne sem prichádza ľud
hatvanskej kultúry. Ich sídliská boli rozložené predovšetkým na sprašových rovinách dolného
Poiplia. Intenzívnym osídlením sa na viacerých miestach viacvrstvové sídliská tzv. telly (Malé
Kosihy, Vyškovce nad Ipľom). V mladšom úseku staršej doby bronzovej (okolo 1500 pred n.l.
prichádza ľud maďarovskej kultúry. Ich početné sídliská evidujeme predovšetkým celej na
Hronskej pahorkatine a na Ipeľskej pahorkatine najmä v blízkom okolí Santovky.
Ľud maďarovskej kultúry budoval osady opevnené dômyselným systémom
fortifikácie, ktorý je spolu s rozmachom kovolejárstva, hrnčiarstva a opracovania kostí
37
významným dokladom rozvíjajúcej sa špecializácie remesiel a v neposlednom rade
i majetkovej a sociálnej diferenciácie. V nasledujúcej strednej dobe bronzovej bolo sledované
územie osídlené viacerými kultúrami súčasne. Ipeľskú pahorkatinu osídlil ľud karpatskej
mohylovej kultúry, ktorej vznik je geneticky spätý s maďarovkou kultúrou a juhovýchodnými
vplyvmi. Uvedená kultúra je známa predovšetkým z pohrebísk (Salka, malá nad Hronom,
Kubáňovo). V materiálnej kultúre sa objavuje špecifická industria tzv. kosziderského
horizontu, ktorú reprezentujú hlavne hromadné bronzové depoty (Vyškovce nad Ipľom, Malá
nad Hronom). Oblasť Ipeľskej kotliny juhozápadnú časť Krupinskej planiny osídlil ľud
pilinskej kultúry. Objavujú sa tu Hradiská (Horné Plachtince) opevnené mohutnými valmi, ale
i početné neopevnené sídliska. Žiarové pohrebiská sú pomerne rozsiahle, dosahujú počet aj
niekoľko sto hrobov. Pilinská kultúra tu pretrvávala až do mladšej doby bronzovej, v priebehu
ktorej ju vystriedala (okolo roku 1100 pred n.l.) kyjatická kultúra.
Obrázok 4-4 Osídlenie na záujmovom území od doby bronzovej, až po dobu rímsku podľa (Blažová a
Bartík, 2009)
38
V oblasti Štiavnických vrchov a v západnej časti Krupinskej planiny možno už
v priebehu strednej doby bronzovej počítať s genézou lužickej kultúry. Najstaršie nálezy sú
v tejto oblasti známe až z mladšej doby bronzovej. Sídliská uvedenej kultúry sa nachádzajú na
terasách rieky Štiavnice a Krupinice a vo vysoko položených polohách (Ilija-Sitno, Banská
Štiavnica-Sitience), kde sú zvyčajne opevnené prstencami valov. Žiarové pohrebiská sa
nachádzajú neďaleko vodných tokov, na miernych svahoch (Domaniky, Krupina, Medovarce).
V mladšej dobe bronzovej juhozápadná časť Ipeľskej a priľahlej Hronskej pahorkatiny osídlil
ľud čakanskej kultúry, ktorá je známa predovšetkým z výskumu sídlisk. Ich osady často bývali
opevnené priekopou (Ipeľský Sokolec). Pospolitý ľud svojich mŕtvych spaľoval, vysoko
postavených náčelníkov však pochovával pod veľké mohyly dosahujúce priemer vyše 50 m ,
napr. Čaka, Salka, Bátovce). V neskorej dobe bronzovej čakanskú kultúru vystriedala
podolská kultúra, ktorá je známa predovšetkým z plochých žiarových pohrebísk (Tupá).
Dobou halštatskou, nazývanou i staršou dobou železnou (asi 750 - 450 pred n.l.) sa
otvára nová kapitola pravekých dejín, v ktorej sa ľudstvo zoznámilo s ďalším úžitkovým
kovom – železom. V dobe halštatskej malo sledované územie nejednotný vývoj (Obrázok
4-4b). V severnej časti, v oblasti rozšírenia lužickej kultúry, táto ďalej prežívala ďalej
(Domaniky, Prenčov, Lišov). Na miestach osídlených kyjatickou kultúrou nie je za terajšieho
stavu bádania ďalší vývoj celkom jasný. Na miestach osídlených podolskou kultúrou sa
objavuje v dobe halštatskej kalenderberská kultúra (Malé Kosihy, Ipeľský Sokolec, Lontov).
V mladšom úseku staršej doby železnej sa objavujú hlavne na Poiplí nálezy kultúry Vekerzug,
ktorej nositelia sa pokladajú skôr za skýtske kmene (Preseľany nad Ipľom).
Okolo 450 v strednej Európe sa začalo obdobie mladšej doby železnej, nazývanej aj
laténskej (Obrázok 4-4c). Hlavnými tvorcami civilizácie laténskej doby boli Kelti, ktorí
rozšírili vyspelú metalurgiu železa, dômyselné remeselné techniky (hrnčiarstvo, šperkárstvo
a iné). Preto sa laténska doba pokladá za jednu z najdôležitejších technický revolúcií v Európe.
Keltská expanzia výrazne zasiahla sledovanú oblasť. Okrem početných sídlisk a pohrebísk
v povodí Ipľa a Hrona sa objavujú aj lokality vo vyššie ťažšie prístupných polohách (Cerovo,
Čabraďský zámok, Prenčov). Jedným z cieľov kolonizácie uvedených oblastí bolo aj
prospektorstvo a ťažba rudných surovín. V severnej časti sledovaného územia v oblasti
Štiavnických vrchov máme sporadicky doložené aj osídlenia ľudu púchovskej kultúry (2 stor.
pred n.l. – 2. stor.n.l.). Zrejme ide o populáciu, ktorá v historických prameňoch vystupuje pod
názvom Kotíni (Selce, Horné Pršany, Horná Lehota).
39
V 1. storočí n.l. prichádzajú do oblasti dolného Poiplia a Pohronia germánske kmene,
toto obdobie sa nazýva aj ako doba rímska (Obrázok 4-4d).
Po zániku Vanniovho kráľovstva, ktorého centrom bolo na juhozápadnom Slovensku,
sa začal v 2. polovici 1. stor. posun Kvádov ďalej na východ. Ďalšia invázia Kvádov na
východ bola zaznamenaná po markomanských vojnách koncom 2. storočia. Najmä Hronská
ale aj Ipeľská pahorkatina, resp. kotlina bola v sledovanej dobe husto popretkávaná
germánskymi sídliskami. Oblasť Krupinskej pahorkatiny však zostávala iba sporadicky
osídlená.
Od konca 4. storočia strácajú postupne Rimania kontrolu nad svojím dunajským
limitom a zároveň sa posunú k príchodu nových etnických skupín, najmä Gótov a Hunov.
Nastáva obdobie veľkých etnicko-kultúrnych zmien, doba sťahovania národov (Obrázok
4-5a), ktorá patrí k najmenej prebádaným úsekom. Pravdepodobne s týmto nepokojným
obdobím možno spájať i spečené valy, ktoré sa ťahajú od Dunaja pozdĺž západného brehu Ipľa
až k Sitnu. V priebehu 6. storočia prichádzajú do sledovanej oblasti prví Slovania, hovoríme
už o včasnoslovanskom období (Obrázok 4-5b). Od druhej polovice 7. storočia sa dolné
a stredné Poiplie stáva hraničným územím južne situovaného avarského kaganátu. Na
obidvoch brehoch Ipľa evidujeme rad inhumačných pohrebísk s výskytom aj jazdeckých
hrobov (Vyškovce nad Ipľom). Po zániku avarskej moci celé územie sa dostáva postupne do
mocenskej sféry Veľkej Moravy (Obrázok 4-5c).
S výnimkou izolovanej enklávy na Spiši, doposiaľ najvýchodnejšie lokalizované ploché
inhumačné pohrebisko z veľkomoravského obdobia bolo odkryté v Ipeľskom Sokolci. Etnickú
pestrosť sledovaného územia v období včasného stredoveku dokumentujú nálezy pohrebísk
staromaďarského etnika z 10. - 11. storočia (Malé Kosihy, Salka, Veľký Pesek). V oblasti
Hronskej a Ipeľskej pahorkatiny, resp. kotliny evidujeme pomerne vysoký počet sídlisk
datovaných do 9. - 12. stor. Osídlenie Štiavnických vrchov v 12. - 13. storočí nepochybne
súvisí s obnovenou ťažbou nerastných surovín a genézou stredovekých miest (Obrázok 4-4d).
40
Obrázok 4-5 Lokality na záujmovom území z obdobia sťahovania národov až po stredovek podľa (Blažová
a Bartík, 2009)
41
4.2 Konceptuálny návrh archeologického predikčného modelu Vhodne navrhnutá štruktúra priestorovej DB vychádza z konceptuálneho návrhu APM
a predstavuje základ na tvorbu priestorových analýz v prostredí GIS. Vyplýva zo zváženia
dostupných zdrojov dát, pracovných postupov, predovšetkým však zo správneho navrhnutia
štruktúry a parametrov databázy.
4.2.1 Východiská konceptuálneho návrhu archeologického predikčného modelu Pri návrhu konceptuálneho APM a štruktúry priestorovej DB ide s ohľadom na ciele
projektu zjednodušene o:
- stanovenie a prípravu požadovaných vrstiev priestorových informácií,
- výber požadovaných atribútov jednotlivých informačných vrstiev,
- definovanie požiadaviek na kvalitu a presnosť.
Presnosť a rozlišovacia schopnosť sú kritériá vhodné na hodnotenie vlastností
samotných prvkov. Konzistencia a kompletnosť vyjadrujú schopnosť vytvárať interakcie
medzi prvkami priestorovej databázy, a tým predurčujú jej celistvosť a potenciál generovať
úplné priestorové informácie.
Pri návrhu konceptuálneho APM je potrebné vychádzať
z nasledovných požiadaviek a predpokladov:
a)
Požiadavky na presnosť.
Presnosť možno ponímať z viacerých hľadísk:
Polohová presnosť. V našom prípade ju môžeme charakterizovať ako rozdiel medzi
skutočnou polohou bodu a nami určeným bodom, ktorým definujeme priestorovú
lokalizáciu náleziska. Jej hodnotenie závisí od reálneho rozsahu (plochy) náleziska.
Časová presnosť. Je to zhoda medzi skutočnými časovými informáciami a
časovými údajmi získanými v procese datovania, ktorý vykonáva archeológ na základe
napr. typu, štruktúry náleziska a charakterových vlastností nálezov (v archeológii sa
zvykne označovať aj ako chronologická presnosť). Vzhľadom na to, že datovanie
v archeológii je často relatívne (voči jednotlivým kultúram) predstavuje tiež určitú
formu tematickej presnosti.
Tematická presnosť. Môžeme ju charakterizovať ako mieru správnosti získanej
hodnoty atribútu uvažovanej vlastnosti. V archeológii to môže byť, či už spomínané
42
zaradenie príslušnosti voči kultúre, ale napríklad aj správne stanovenie funkčnosti
alebo využitia objektu (hradisko, refúgium, kultové miesto). Správnosť hodnoty
atribútu musí byť hodnotená rôzne v závislosti od povahy vstupných údajov.
Rozlišovacia schopnosť. V archeologickej praxi (Bujna, 1993) sa identifikačný bod
značí na stred, prípadne predpokladaný stred náleziska. Rozlíšiteľnosť priestoru
vymedzeného týmto spôsobom je teoreticky 1 mm na zvolenom kartografickom
podklade, tzn. 25 m v teréne – vychádza sa z analógových topografických máp
v mierke 1:25 000 (TM25). V takýchto prípadoch sa uvažuje s rozptylom bodov na
ploche kruhu s priemerom 4 mm, tzn. 100 m v teréne za jednu evidenčnú jednotku
(Bujna., 1993). To nevylučuje detailnejšie rozlíšenie pokiaľ je dané presným
zameraním v teréne (geodeticky, metódami GNSS).
V archeológii zohráva podľa (Kročková, 2004) najdôležitejšiu úlohu tematická
presnosť (údaje o archeologickej akcii a nálezisku) a časová (chronologická) presnosť
(relatívne datovanie).
b)
Zohľadnenie časového faktoru.
Základný predpoklad možnosti analyzovania environmentálnych premenných a ich
vplyvu na aktivity človeka je možnosť ich odvodenia zo súčasných máp. Východiskom
môže byť buď používanie výlučne tých zložiek prostredia, ktoré sa len pomaly
vyvíjajú v čase (napr. reliéf, pôdne podložie a pod.) a je možné predpokladať, že ich
dnešný stav odpovedá do istej miery stavu modelovaného obdobia. Alebo je možné
pokúsiť sa na základe dnešného stavu krajiny – jej známeho i predpokladaného vývoja
– o rekonštrukciu stavu prostredia v požadovanom období, a tú potom používať v
analýzach. Ako príklad môžeme uviesť rekonštrukciu priebehu vodných tokov na
základe leteckých snímok, resp. historických (starých) máp (Pišút, 2005).
Časový faktor sa ešte viac prejavuje aj v oblasti sociálnych premenných. Cenný zdroj
informácií môže byť napr. cestná sieť v minulosti, štruktúra osídlenia a pod. V týchto
prípadoch treba vychádzať buď z historických (starých) máp, alebo tiež na základe
určitých faktorov (napr. archeologických) sa pokúsiť o rekonštrukciu daných údajov.
Ako príklad možno uviesť pokus o rekonštrukciu pravekých ciest (Neustupný, 2005).
Špecifická je otázka času a datovania aj pri archeologických údajoch. Na účely analýz
je potrebné stanoviť časový úsek, v ktorom boli sledované aktivity vykonávané.
43
Ideálny stav by bol, keby bolo možné vzájomné väzby sledovať v rovnakom, alebo čo
najužšom časovom úseku, čo z praktických dôvodov nie je možné dosiahnuť. Vplyv
má na to presnosť archeologického datovania. Tá je limitovaná použitými metódami,
pričom metódu prinášajúcu absolútne dáta predstavuje napríklad rádiokarbónové
datovanie, kde sa môže dosiahnuť rozptyl v datovaní pri vhodnom stave vzoriek cca 30
až 50 rokov, táto metóda je však finančne náročná. Bežne používaná metóda je
datovanie pomocou nálezov keramiky, táto metóda má tiež svoje obmedzenia, napr.
v reprezentatívnosti vzorky dát. Preto je vhodné stanoviť si širší interval, ktorý
reprezentuje obdobie existencie určitej kultúry, či kultúrneho okruhu definovaného cez
archeologické nálezy. Pri voľbe tohto úseku môžeme predpokladať že priestor
ľudských aktivít sa výrazne nemenil (Dreslerová, 1996).
c)
Kvalita dát ako súčasť metadát.
Predpokladom na úspešné modelovanie a analyzovanie určitého objektu alebo javu sú
vhodné priestorové dáta. Úroveň výsledného dátového modelu teda závisí okrem iného
aj od kvality a presnosti vstupných dát. Dosiahnuté výsledky modelovania musia mať
potrebný štandard kvality na to, aby uspokojili základné požiadavky, ktoré stanovuje
účel ich použitia. Kvalita dosiahnutých informácií závisí od kvality modelov, kvality
vstupných dát a ich spracovania.
V spojitosti
s novými
možnosťami
prístupu
k rôznorodým
dátam
prakticky
kedykoľvek a kdekoľvek zásluhou internetu sa ukazuje potreba metadátového popisu
objektov ako rozhodujúca. Používateľ akýchkoľvek dát by mal mať k dispozícii
potrebné informácie o ich kvalite, pôvode, dostupnosti a použiteľnosti na jeho účely.
V prípade ak tieto informácie (metadáta) nie sú dostupné alebo poskytované
distribútorom dát, používateľ by nemal riskovať použitie neznámych dát a mal by sa
radšej pokúsiť o získanie kvalitných dát s kompletným metadátovým popisom
v zmysle platných národných noriem (Faixová Chalachanová a kol., 2006).
44
Pri posudzovaní vhodnosti a použiteľnosti vstupných dát, teda stanovení ich
relevantnosti na účely predikčného modelovania, je potrebné vziať do úvahy kvalitu
celého procesu ich spracovania vychádzajúc z predpokladaných požiadaviek APM.
Orientačným ukazovateľom v procese stanovenia relevantnosti vstupných údajov
môžu byť parametre kvality. Podľa (Ivánová, 2007) možno parametre kvality rozdeliť
na:
- opisné (účel, pôvod, rozlíšenie, homogenita, relevantnosť, dostupnosť, použiteľnosť,
bezpečnosť),
- kvantitatívne (presnosť – sémantická, polohová, tematická, časová, logická
konzistentnosť, úplnosť, správnosť).
Posúdenie kvality vstupných údajov a následne spracovaných priestorových dát je
potrebné dokumentovať vo forme metadát, ktoré obsahujú informácie o parametroch
kvality a podľa (Růžička, 2003) sú nevyhnutným doplnkom na presnú a korektnú
identifikáciu, verifikáciu a interpretáciu priestorových dát. Metadáta môžeme podľa
(Aalders, 2007) rozdeliť do troch skupín:
- metadáta metadát (súbor znakov, jazyk, dátum vytvorenia metadát, referenčný
systém, rozsah, popis kvality, informácie o tvorcovi metadát),
- adresné metadáta (popisujú priestorovú DB – názov, organizáciu, spôsob získania
dát, distribúciu dát, rozsah dát, zámer DB, použitie, súvisiace DB, priestorovú
schému dát, kvalitu),
- výkladové metadáta (popisujú štruktúru priestorovej DB – definíciu dát (ontológiu),
priestorový referenčný systém).
Minimálnu skupinu metadát popisujúcu spracované priestorové dáta sme s ohľadom na
uvedené princípy zvolili nasledovne:
- identifikácia dát,
- dostupnosť dát,
- popis zdroja vstupných údajov (pôvod, metóda, presnosť, dátum vytvorenia),
- referenčný systém,
- dátum spracovania dát.
Uvedenú skupinu metadát chápeme ako východiskový stav a može byť podľa ďalších
potrieb konkrétneho používateľa doplnená ďalšími metadátami charakterizujúcimi
napr. ontológiu dát, jazyk metadát, obmedzenia a oprávnenia pre dáta, popis rozsahu
dát, popis zámeru vytvorenej a súvisiacich DB, informácie o tvorcovi metadát a pod.
45
4.2.2 Štruktúra konceptuálneho návrhu archeologického predikčného modelu V počiatočnej fáze tvorby APM je potrebné ho navrhnúť na konceptuálnej úrovni –
teda stanoviť jeho statickú štruktúru (objekty, ich atribúty a vzťahy medzi objektmi). Tu sme
vychádzali zo vstupných údajov, ktoré boli vyhodnotené ako relevantné na účely predikčného
modelovania. Konceptuálny návrh APM bol vytvorený s využitím UML v prostredí
CASE nástroja Select Architect. Konceptuálny návrh APM sa skladá z viacerých subsystémov
(balíčkov), pričom modelujeme aj vzájomný vzťah medzi nimi (Obrázok 4-6):
ƒ
Priestorové dáta - slúži na priestorovú lokalizáciu v modeli.
ƒ
Archeologické dáta - popisuje existujúce archeologické lokality a náleziská.
ƒ
Klimatické dáta - popisuje klimatické podmienky v modelovanej oblasti.
ƒ
Environmentálne dáta - popisuje charakteristiku pôdneho podložia v modelovanej
oblasti.
Navrhovaný konceptuálny APM treba brať ako rámcové východisko pri fyzickej realizácii
bázy priestorových dát. Podrobnejšie sú objekty APM a ich atribúty popísané a vysvetlené na
webovej stránke projektu http://archeopredikcia.svf.stuba.sk/Archeo/Uvod.php.
Obrázok 4-6 Konceptuálny návrh APM (hlavná štruktúra balíčkov)
46
a)
Subsystém Archeologické dáta
Subsystém Archeologické dáta obsahuje objekty klasifikované do príslušných tried
objektov, ktoré sa skladajú z dvoch častí (Obrázok 4-7):
- dáta o archeologickej lokalite – dáta o archeologickom nálezisku, ktoré označuje
archeologicky zistenú skutočnosť v určitom (bodovo) určenom geografickom priestore
(archeologickej lokalite),
- dáta o archeologickom zázname, kde sa nachádzajú dáta o archeologickej akcii vztiahnuté
k príslušnej archeologickej lokalite. Pričom sa predpokladá vzájomný vzťah 1:N. Jedným z
atribútov priradeným ku každému archeologickému záznamu je „stupeň lokalizácie", t.j. miera
presnosti v akej bolo určené miesto nálezu, lokalita. Ako základnú formu priestorovej
lokalizácie navrhujeme vztiahnutie k vzťažnému bodu archeologického náleziska. Bodová
reprezentácia polohy je potrená vzhľadom na absenciu priestorových dát plošného charakteru,
rovnako táto voľba zjednodušuje priestorové analýzy. Preto aj v prípade existencie lokalít
zaznačených plošne alebo líniovo je potrebné zvážiť ich vzťažný bod (centroid plochy).
b)
Subsystém Priestorové dáta
Pri výbere objektov sme vychádzali zo štruktúry zdrojových dát s ohľadom na
predpokladanú relevantnosť dát na účely predikčných analýz. Subsystém Priestorové dáta
obsahuje objekty klasifikované do príslušných tried objektov, ktoré slúžia na:
- polohovú lokalizáciu (subsystém Polohopis, Obrázok 4-8),
- výškovú lokalizáciu (subsystém DMR, Obrázok 4-9).
Objekty
subsystému
DMR
sú
východiskom
na
výpočet
mnohých
parametrov
charakterizujúcich morfológiu modelovaného územia - morfometrické parametre reliéfu, na
základe ktorých je možné odvodiť napr. mapu sklonov, relatívnych prevýšení, orientácie voči
svetovým stranám a pod.
47
Obrázok 4-7 Subsystém Archeologické dáta
48
Obrázok 4-8 Subsystém Polohopis
49
Obrázok 4-9 Subsystém DMR
c)
Subsystém Klimatické dáta
Subsystém Klimatické dáta
obsahuje objekty klasifikované do príslušných tried
objektov, ktoré popisujú základné komponenty charakterizujúce klimatické podmienky v
modelovanej oblasti (Obrázok 4-10):
- klimatická oblasť (vyjadruje charakter oblasti z pohľadu klimatických podmienok, napr.
mierne chladná a pod.).
Prvotný návrh konceptuálneho APM obsahoval aj ďalšie objekty ako areál zrážok
(rozdeľoval modelované územie na oblasti podľa priemerného ročného úhrnu zrážok v mm) a
50
areál teploty (rozdeľoval modelované územie na oblasti podľa priemernej ročnej teploty
vzduchu v °C), tieto sa však v priebehu riešenia ukázali ako irelevantné na potreby APM.
Obrázok 4-10 Subsystém Klimatické dáta
d)
Subsystém Environmentálne dáta
Do
subsystému
Environmentálne
dáta
súhrne
zahŕňame
dostupné
dáta
environmentálneho charakteru, ktoré sú použiteľné s ohľadom na časový faktor pri tvorbe
archeologického predikčného modelu. Túto oblasť dát predstavujú najmä dáta, o ktorých sa dá
predpokladať, že sa výrazne nemenili v čase (Obrázok 4-11):
- areál pôdneho typu,
- areál litogenetických typov kvartérnych sedimentov.
Z jednotlivých tried objektov sú odvodené príslušné mapy: pôdna mapa, mapa
potenciálnej vegetácie a mapa kvartérnych sedimentov, ktoré vstupujú ako samostatné vrstvy
do riešenia analýz v rámci APM.
Prvotný návrh konceptuálneho APM obsahoval aj ďalšie objekty ako areál
potenciálnej vegetácie, areál geomorfologického členenia a areál inžiniersko-geologickej
regionalizácie, u ktorých sa pôvodne predpokladaný význam pre APM nepotvrdil a môžu byť
využité napr. na orientáciu v regionálnej morfológii.
Obrázok 4-11 Subsystém Environmentálne dáta
51
4.3 Fyzická realizácia priestorovej databázy archeologického predikčného modelu Naplnenie navrhnutého APM relevantnými a kvalitnými dátami je nevyhnutnou
podmienkou následného predikčného modelovania vyúsťujúceho do tvorby finálneho
produktu – Predikčnej mapy archeologických lokalít (PMAL). Samotné budovanie
priestorovej DB je preto etapa, ktorá si vyžaduje veľké časové a finančné investície.
Vzhľadom na to a na možné negatívne dopady nesprávnych rozhodnutí sa tejto problematike
venuje veľká pozornosť. Zber a spracovanie dát predstavuje časovo aj materiálne
najnáročnejšiu časť projektu. V nasledujúcej podkapitole sa bližšie zaoberáme fyzickou
realizáciou priestorovej databázy. Uvádzame použité postupy a základné charakteristiky
použitých dát, zameriavame sa aj na kritiku dát z hľadiska ich použiteľnosti.
4.3.1 Naplnenie subsystému Archeologické dáta Spracovanie a naplnenie subsystému Archeologické dáta bolo realizované v spolupráci
so spoluriešiteľskou organizáciou – Archeologickým ústavom SAV v Nitre (AÚ SAV v
Nitre), Ing. Elenou Blažovou a Martinom Bartíkom. Východiskom pri tom boli publikované
výstupy z archeologických výskumov, resp. povrchových prieskumov a už existujúcich
databáz, pričom popisné údaje boli prevažne zhromaždené z centrálneho archívu AÚ SAV v
Nitre. Priebežne sa DB zahusťovala lokalitami, ktoré sa vyskytujú len v publikáciách, resp.
novými lokalitami, ktoré sa prejavujú pôdnymi príznakmi na podklade ortofotosnímok
s využitím leteckej prospekcie.
Informačné zdroje archeologických podkladov možno podľa rozsahu a výpovednej
hodnoty rozdeliť do viacerých kategórií (Kročková a Lieskovský, 2004):
ƒ
nálezové správy a hlásenia,
ƒ
výsledky terénneho prieskumu,
ƒ
výsledky geodetických zameraní na účely archeologického výskumu,
ƒ
údaje získané pomocou leteckej prospekcie,
ƒ
literárne a historické pramene.
Čo sa týka výpovednej hodnoty, predstavujú tieto informačné zdroje výrazne
heterogénny súbor s veľmi rozdielnymi informačnými hladinami z hľadiska kvantity ako aj
kvality vstupných údajov. Malé výskumné správy a hlásenia, predovšetkým zo starších
ročníkov, obsahujú relatívne často neúplné a profesionálom neoverené údaje. Najmä z tohto
dôvodu spracovanie informačných zdrojov nepredstavuje iba jednoduchú formu anotácie
52
informácie podľa daných kritérií ako je to v prípade knižného fondu. Dokumentačné
informačné zdroje si vyžadujú filtrovanie, kompletizovanie a verifikovanie údajov,
excerpovaných často z viacerých dokumentov, a ich integrovanie do kvalitatívne vyššieho
dokumentačného záznamu. Je to však práca, ktorá je nielen časovo náročná, ale vyžaduje si aj
profesionálny prístup (Bujna, 1993).
Pri návrhu databázovej štruktúry, ktorý vychádzal z konceptuálneho návrhu APM, bolo
potrebné zohľadniť aj atribútovú štruktúru už existujúcej a používanej DB so záznamami
CEANS, ktorá bola vytvorená na AÚ SAV v Nitre a predstavovala základný informačný zdroj
projektu. Ako ďalšie zdroje boli použité výsledky leteckých prieskumov, lokality zistené
počas spracovávania historických mapovaní a aj výsledky prieskumov a terénnych zberov
vykonaných na záujmovom území.
Pri fyzickej realizácii DB sme využili softvérové prostredie ESRI ArcGIS a zvolili sme
formu spracovania v podobe geodatabázy. Ako základnú formu priestorovej lokalizácie sme
použili vztiahnutie k vzťažnému bodu archeologického náleziska. Bodová reprezentácia
polohy je potrená vzhľadom na absenciu priestorových dát plošného charakteru, rovnako táto
voľba zjednodušuje priestorové analýzy. Preto aj v prípade existencie lokalít zaznačených
plošne, alebo líniovo je potrebné zvážiť ich vzťažný bod (centroid) plochy.
Pre jednotlivé archeologické záznamy boli doplnené atribúty o základnej priestorovej
lokalizácii (Obrázok 4-12, zelená farba). Vzhľadom na rozličnú kvalitu lokalizácie nálezísk
sme ako jeden z atribútov presnosti priradili ku každému nálezisku, resp. záznamu o ňom
atribút „stupeň lokalizácie" t.j. miera presnosti v akej bolo určené miesto nálezu, lokalita.
Atribút
OBJECT ID _1
S ha pe
Okre s
Obe c
P oloha
ID _Loka lita
ID _Za zna m
S tupe n_Loka liza cie
S idlisko
P ohre bisko
H ra disko
Kultovy_Are a l
V yrobny_Are a l
D e pot
Oje dine ly
S tup_D a tov
PA
P A_st
P A_sr
P A_ml
ME
NE
N E _st
N E _sr
N E _ml
EN
H odnota
1
Banská Štiavnica
Baďan
Kostol
175
1750
1
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
Atribút
EN _st
EN _sr
EN _ml
BZ
BZ_S t
BZ_sr
BZ_ml
BZ_ne
HA
LT
LT _st
LT _sr
LT _ne
RI
R I_st
R I_ml
R I_ne
SN
SN _05
SN _06
OE
OE _vs
OE _sa
OE _vm
OE _sm
ST
H odnota
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
Atribúty o lokalizácii a systémové atribúty
Atribúty o funkčnom zaradení nálezika
Atribúty o datovaní
Atribút
H odnota
0
ST _vc
1
ST _vr
1
ST _ne
1
NV
0
PK
0
NX
ST - vr, ne, NV - 16., 17., 18., 19. st.
D a tova nie
Pre sne _D a tova n
1
Vyskum
0
Prie skum
0
Zbe ry
0
Posudok
0
Le te cka _P rospe
vyskum
D ruh_Akcie
0
Ma p_1
0
Ma p_2
0
Ma p_3
0
Lite ra tura
Pozna mka
13666/ 96ns
ID _E ja
CN S
Labuda J.
Autor
AÚ SAV
U loze nie _D okum
Múzeum Banská Štiavnica
U loze nie _Ma te ri
Atribúty o spôsobe získanie informácií o nálezisku
Interné atribúty AÚ SAV v Nitre
Obrázok 4-12 Ukážka atribútovej štruktúry tabuľky "Archeologický záznam"
53
Stupeň lokalizácie rozčleňujeme na 3 kategórie: 1 – presná (identifikovaná v mape,
resp. získaná zo súradníc), 2 – menej presná (určená podľa slovného opisu), 3 –
nelokalizované (neznáma poloha). Ďalej boli uvedené záznamy o funkčnom určení náleziska
(Obrázok 4-12, modrá farba), pri voľbe atribútovej štruktúry sme vychádzali z koncepcie
systému CEANS (Kročková, 2006) a z už v praxi overenej štruktúry funkčnej kategorizácie
zaradenia nálezísk (Lieskovský, 2008). Značnú časť databázy predstavujú atribúty venované
datovaniu (Obrázok 4-12, oranžová farba). Vzhľadom na to, že v archeológii sa používa pri
datovaní periodizácia (napr. mladšia doba bronzová) a jednotlivé fázy závisia aj od
geografickej lokalizácie (napr. obdobie praveku sa končí na našom území okolo roku 0), nie je
vždy možné uvádzať datovanie vo forme napr. „od 300 do 343 n.l". Rovnako zvolená forma
zjednodušuje formu atribútových dopytov pre jednotlivé časové úseky. Vzhľadom na rozličnú
kvalitu datovania záznamu sme tiež pristúpili k zavedeniu metadátového atribútu „Stupeň
datovania“ (1 - presné datovanie, 3 - rámcové datovanie). Doplnené sú aj atribúty
o informačnom zdroji záznamu (Obrázok 4-12, sivá farba) a aj interné záznamy AÚ SAV v
Nitre o uložení materiálu, prípadne čísla záznamu v dokumentácii (Obrázok 4-12, fialová
farba).
Pri tvorbe atribútovej štruktúry sme ponechali priestor aj pre pôvodnú čisto textovú
formu záznamu údajov o datovaní a druhu akcie z dôvodu spätnej kompatibility so systémom
CEANS. Uvedenú formu DB treba chápať ako východiskovú na základné priestorové, časové
a funkčné určenie archeologickej lokality a orientáciu medzi nimi. Môže slúžiť ako základ na
tvorbu ďalších čiastkových DB, či už o leteckých snímkach, skenovaných dokumentoch a pod.
V databáze sa nachádza 1445 archeologických záznamov o 750 lokalitách (Tabuľka 4-1).
Zastúpenie jednotlivých lokalít podľa stupňa lokalizácie je znázornené v Grafe 4-1.
Tabuľka 4-1 Počet archeologických záznamov a archeologických lokalít v databáze
54
Graf 4-1 Počet lokalít podľa stupňa lokalizácie
Kritika prameňov
Základným informačným zdrojom projektu je centrálny celoslovenský archív
nálezových správ archeologických výskumov a prieskumov – CEANS, ktorý sa buduje
v Archeologickom ústave SAV od jeho vzniku v roku 1939. Do roku 1990 sú podchytené cca
na 95% všetky výskumné aktivity, ktoré sa na Slovensku realizovali. Po roku 1990 sa však
situácia mierne skomplikovala najmä tým, že do ústredného archívu neprichádzajú všetky
nálezové správy neakademických pracovísk. Zároveň však musíme uviesť, že 90% terénnych
prieskumov a výskumov v minulosti aj dnes realizoval AÚ SAV v Nitre. Letecký prieskum
dokonca na 100% uskutočňuje AÚ SAV v Nitre. Ďalej si musíme uvedomiť, že podstatná časť
výrazných a významných archeologických lokalít bola už v minulosti evidovaná, novšie
terénne aktivity v minulosti získané základné informácie iba doplňujú a upresňujú.
Celkovo možno systém zhromažďovania a prístupnosti archeologických dát na
Slovensku považovať za nedostačujúci a v porovnaní s Českou republikou, resp. inými
európskymi krajinami, za veľmi zastaraný (Tencer, 2007). Problémom súčasnej databázy
CEANS je neúplnosť a vágnosť mnohých hlavne atribútových informácií, napríklad pri
položke datovanie v závislosti od autora CEANS karty (vstupného formulára pre zadávanie
informácií) sa vyskytujú rôzne spôsoby záznamu (Pravek, PK a pod.). Rovnako pri stanovení
úrovne datovania niektorí autori rozoznávajú konkrétny časový úsek (Stredovek, 13 storočie),
niektorí len širšie časové obdobie (napr. Pravek, alebo Stredovek). Obdobným problémom sú
aj údaje o funkčnom zaradení lokality, ktoré v takmer 65 % prípadov nie sú prístupné. Tieto
skutočnosti znemožňujú vykonávať relevantné analýzy zamerané na určité časové úseky, resp.
určité typy lokalít.
Ako najzásadnejším problémom sa ukázala nejednotnosť spôsobu určovania a kvality
priestorovej lokalizácie archeologických lokalít. V dostupných informačných zdrojoch sa dajú
55
nájsť rozličné spôsoby lokalizácie, a to najmä v závislosti od doby vzniku daného
archeologického záznamu a dostupných prostriedkov archeológa na určenie polohy. Záznamy
v 30tych až 50tych rokov, resp. záznamy v literatúre (bez príslušnej mapy) sú mnohokrát
uvedené verbálne, vztiahnuté na niektorý orientačný bod v teréne. Ďalej často dochádza
k uvedeniu len obce, alebo miestopisného názvu (chotárnej časti). V prípade novších
archeologických záznamov sa dajú získať súradnice priamo určené geodetickým meraním. Aj
v prípade najvyššieho stupňa lokalizácie – 1 sa nedá hovoriť o vysokej presnosti
a jednoznačnosti polohového určenia lokality na mape. Vyskytujú sa tiež rôzne druhy máp a aj
spôsob odčítania. Na počiatku 70. rokov sa podľa (Tencer, 2007) v „Zprávach ČS společnosti
archeologické, Geodesie v archeologické praxi“ ako doporučený postup udáva spôsob „zľava
doprava, zdola nahor“. Ďalej však ten istý zdroj mätie vetou: „v zásade je treba si uvedomiť
nutnosť zadávať vzdialenosť v metroch a vždy pokiaľ možno najkratšiu úsečku.“ Nie je teda
jasné ako sa k tomu ten - ktorý bádateľ postavil. Ďalším problémom je aj presnosť lokalizácie
v prípade záznamu do analógovej mapy. Databáza CEANS vychádza z TM 25 a čiastočne zo
ZM SR 10. Výsledná presnosť bodového záznamu tak zodpovedá kritériám, ktoré boli
stanovené pre základnú evidenčnú jednotku systému v budovanej databáze CEANS, ktorý
predstavoval bod s priemerom 4 mm na mape s mierkou 1: 25 000, t.j. 100m v teréne (Bujna
1993). Tento bodový prístup s uvedenou mierou presnosti lokalizácie môže mať zásadný
vplyv na výsledky analýz, najmä v členitom teréne a to najmä skreslením výsledkov
priestorových analýz. Z hľadiska priestorových analýz, a to najmä na úrovni veľkých
a stredných mierok (mikroregióny, regióny), daná miera neurčitosti sťažuje interpretáciu
výsledkov priestorových analýz a v prípade výlučne induktívneho prístupu prináša veľkú
mieru šumu do výsledkov. Do budúcna navrhujeme preto aj vytvorenia stupňa presnosti
lokalizácie „0“, (resp. posun celej škály stupňov presnosti lokalizácie), v ktorom by boli
rozlíšené presne určené lokality, zachytené geodetickým meraním. Túto skutočnosť podporuje
aj metodická príručka pamiatkového úradu, ktorá vyžaduje zameranie plochy archeologického
výskumu geodetickými metódami.
Výlučne bodová forma záznamu prináša aj skreslenie v podobe určenia hodnoty
daného javu na archeologickej lokalite. Prirodzená povaha archeologických lokalít je plošného
charakteru, pričom v bodovej forme sa vyskytujú len ojedinelé nálezy (kamenná sekera na
poly), alebo depoty. Plošný rozsah archeologických lokalít môže byť rozsiahly (rádovo
desiatky až stovky metrov) a svojou plochou môže lokalita pokrývať rozličné hodnoty
sledovaného javu. Príkladom môže byť výšinná lokalita - hradisko, ktorej akropola sa
56
nachádza prevažne na najvyššej a plochej časti kopca, celá plocha hradiska môže byť pritom
situovaná v častiach s väčším sklonom. Obdobne v prípade orientácie na svetové strany, ak je
lokalita lokalizovaná na vrchole kopca, môže byť zastúpený výskyt všetkých svetových strán,
pričom odčítavame jednu bodovú hodnotu.
Bodová forma záznamu je nedostačujúca aj v prípade že nepoznáme celý plošný rozsah
lokality (neodkrytá lokalita, čiastočne zničená lokalita). V tom prípade je otázne či sme
zaznamenali okraj, stred lokality, alebo ľubovoľnú časť lokality. Prípadne je možné, že
viacero bodovo lokalizovaných záznamov sa vzťahuje v skutočnosti k tej istej lokalite, vtedy
nastáva problém, že takto násobne zaznamenaná jedna lokalita skreslí výsledky priestorových
analýz tým, že na základe viacnásobného výskytu bodu v danom jave, priradí javu vyššiu
váhu.
Pri súčasnom stave evidencie archeologických nálezísk, sa musíme uspokojiť
s bodovou formou záznamu s tým, že ak aj poznáme plošný rozsah lokality, je potrebné ho
zredukovať na bodový záznam a to buď generovaním centroidu plochy, resp. vztiahnutím
bodu k nejakej významnej časti lokality (akropola, sídelné komponenty). V prípade prevažne
plošnej evidencie lokalít by sme už mohli k analýzam pristupovať tak, že by sa analyzovalo
zastúpenie jednotlivých pixlov, so zohľadnením váh.
V DB projektu sa nachádza 1445 archeologických záznamov so 750 archeologickými
lokalitami (Obrázok 4-13). Vo vybraných prípadoch sme priestorovú lokalizáciu nálezísk
spresňovali, resp. zameriavali polohu nových nálezísk GNSS meraniami v teréne, resp.
pomocou dát z Google Earth. Týmto spôsobom sa podarilo overiť a rektifikovať cca 15 %
lokalít, čo napriek časovej a finančnej náročnosti tohto postupu významne prispelo k zvýšeniu
výpovednej hodnoty lokalizačných dát o archeologických lokalitách v rámci ich zaradenia do
následných priestorových analýz.
Vzhľadom na to, že zmysluplné priestorové analýzy sa dajú vykonávať len pri
lokalitách so stupňom lokalizácie 1 a lokalitách overených v teréne, je potrebné tento počet
zredukovať na 462, pričom pri analýzach sme sa rozhodli vzhľadom na presnosť vylúčiť aj
neoverené lokality z I. Vojenského mapovania (pôvodne vedené pod stupňom lokalizácie 1),
čím sa počet lokalít znížil na 396. Z týchto 396 lokalít stupňa lokalizácie 1 bolo následne
odobratých 10% na externú evidenciu pri štatistickom overovaní modelov, čím sa počet lokalít
v analýze znížil na 356, čo z pôvodného počtu lokalít predstavuje 47%! Tým sa zmenil aj
obraz distribúcie lokalít na záujmovom území (Obrázok 4-14).
57
Obrázok 4-13 Distribúcia všetkých archeologických lokalít a ich rozdelenie podľa stupňa lokalizácie
Obrázok 4-14 Distribúcia archeologických lokalít použitých v analýzach a ich rozdelenie podľa funkčného
zaradenia
58
Uvedený
stav
evidencie
archeologických
lokalít
považujeme
za
nevhodný
a problematický. Neprítomnosť systematickej a verifikovanej DB archeologických lokalít,
spôsobuje jednak nejednoznačnosť pri priestorovej lokalizácii náleziska, zároveň aj
znemožňuje kvalitné analýzy vzhľadom na časové, resp. funkčné zaradenie. V prípade potreby
analýz týchto faktorov vznikajú každý rok individuálne DB autorov, ktoré sa líšia spôsobom
a hĺbkou spracovania informácií a aj spôsobom priestorovej lokalizácie. Nevyhnutnosť tvorby
vlastných DB vyžaduje vysoké časové nároky a v prípade snahy o prístup do archívov
niektorých inštitúcií aj veľkú byrokratickú záťaž. V prípade snahy o spracovávanie
a porovnávanie týchto DB vznikajú potom duplicitné záznamy alebo veľké posuny
v priestorovej lokalizácii, čo opätovne sťažuje ich využite a vyžaduje ich verifikáciu v teréne.
Návrh metodiky zberu a spracovania priestorových dát o archeologických lokalitách
Zber priestorových dát upresňujúcich doterajšie zaužívané približné určovanie polohy
archeologických lokalít bol realizovaný na základe terénnych meraní metódou globálnych
navigačných družicových systémov (GNSS – Global Navigation Satellite System) s využitím
komplexného geodetického prístroja na tvorbu presných GIS aplikácií. Komplexný geodetický
prístroj na presný GIS je založený na spojení kompaktného prijímača signálov GNSS
(zahŕňajúc signály GPS NAVSTAR, GLONASS, GALILEO, COMPASS atď.) s výkonným
terénnym tabletPC. Meranie priestorových dát ako aj ich priame spracovanie v teréne je
riadené softvérom GPS Analyst – nadstavbou nad ESRI ArcGIS – ktorý umožňuje pracovať
s GPS dátami priamo v prostredí GIS a realizovať ich spresnenie na základe diferenciálnych
korekcií v reálnom čase alebo tzv. postprocessingom. Takáto kombinácia uvedených súčastí
do komplexného prístroja poskytuje predovšetkým výhodu spresňovania určenia polohy
existujúcich archeologických lokalít, prípadne zameranie alebo predikciu nových lokalít,
interaktívne podľa okamžitých požiadaviek vyplývajúcich z analýz v rámci priestorovej
databázy ArcGIS priamo v teréne.
V rámci riešenia bola navrhnutá, otestovaná a optimalizovaná efektívna Metodika
zberu a spracovania priestorových dát v reálnom čase s použitím prístroja na tvorbu presných
GIS aplikácií. V rámci testovania boli overené možnosti pripojenia na vzdialenú DB
s aplikáciou Webových mapových služieb (WMS – Web Map Services). Merania pod
vedením Ing. Juraja Papča, PhD. prebiehali predovšetkým v lokalitách Čabrať, Nová Baňa,
Santovka, Vráble-Fidvár, Rybník, Nitra a okolie, Krškany, Mojmírovce, Katarínka a pod. Na
viacerých lokalitách sa pomocou geodetických a geofyzikálnych nedeštruktívnych metód
59
podarili unikátne nálezy, ktoré boli priamym podkladom pre archeologický výskum
a prospekciu. Navrhnutá metodika bola prezentovaná na medzinárodnej letnej škole
archeogeofyziky INCA 2009 Slovakia (International Course on ArchaeoGeophysics) a ďalej
aktívne používaná a medzinárodne uznaná za mimoriadne efektívnu metódu zberu
priestorových
dát
upresňujúcich
doterajšie
zaužívané
približné
určovanie
polohy
archeologických lokalít na základe terénnych meraní metódou GNSS s využitím komplexného
geodetického prístroja na tvorbu presných GIS aplikácií s on-line pripojením na vzdialenú DB.
Základom uvedenej metodiky zberu a spracovania priestorových dát o archeologických
lokalitách je nasledovný metodický postup:
1.
Východiskom je spracovanie priestorovej DB bodových, líniových a plošných objektov,
ktoré majú uložené informácie minimálne o svojej polohe, geometrickom tvare ako aj
ďalších používateľských atribútoch (napr. na platforme ESRI ArcGIS).
2.
Priamym meraním v teréne je možné dáta o polohe, geometrickom tvare a atribúty
objektov jestvujúcich v DB editovať, príp. dopĺňať chýbajúce dáta, ako aj vkladať do DB
nové objekty.
3.
Meranie polohy objektov sa realizuje geodetickým prístrojom, ktorý umožňuje prijímať
signály z družíc GPS NAVSTAR, príp. aj GLONASS, resp. GALILEO, COMPASS
a pod. (napr. Trimble R8 GNSS – www.geotronics.cz, www.trimble.com, prip. Leica
geosystems - http://www.geotech.sk/).
4.
Minimálnou podmienkou je realizácia kódových meraní na frekvencii L1. Ideálne je
doplnenie aj fázovými meraniami na frekvenciách L1 a L2, ktoré po spracovaní
umožňujú dosiahnuť cm presnosť (oproti kódovým meraniam, pri ktorých sa presnosť
určenia polohy pohybuje na úrovni 0,5 m).
5.
Dĺžku a metódu merania je potrebné zvoliť v závislosti od konfigurácie družíc v okamihu
merania, terénnych prekážok a požadovanej presnosti. Pri líniových a plošných objektoch
je najvhodnejšia kinematická metóda merania s minimálnym časom observácie 1s, pri
bodových objektoch sa využíva statické meranie a je potrebné observačný čas predĺžiť na
min. 5s.
6.
Ako kódové tak aj fázové merania je potrebné spresniť (teda spresniť určovanú polohu
objektov) na základe diferenciálnych korekcií (resp. diferencovaných meraní pre fázové
60
merania) a to buď v reálnom čase alebo v rámci tzv. postprocessingu. Vzhľadom na
interaktivitu spracovania, možnosť okamžitej validácie dát a výrazné zvýšenie
produktivity prác odporúčame prednostne využiť korekcie v reálnom čase.
7.
Diferenciálne korekcie a dáta potrebné na spracovanie merania a zhodnotenie jeho kvality
je možné čerpať z národných polohových služieb – na Slovensku napr. SKPOS
(Slovenská priestorová observačná služba využitia signálov GNSS - www.skpos.gku.sk),
ktorá slúži na presné určovanie priestorovej polohy v záväzných geodetických systémoch
v reálnom čase a s voliteľnou mierou presnosti (pre merania v reálnom čase – RTK je to
služba decimetrová a centimetrová a pre dodatočné spracovanie – postprocessing je to
služba milimetrová).
8.
Spojenie kompaktného prijímača signálov GNSS s výkonným terénnym tabletPC (napr.
Getac V100) umožňuje spracovávať, prehliadať, korigovať a analyzovať GPS dáta
priamo v prostredí GIS s využitím nadstavby nad ESRI ArcGIS – Trimble GPS Analyst
(www.geotronics.cz, www.trimble.com, ďalšie riešenia aj na http://www.geotech.sk/).
Táto nadstavba obsahuje aj nástroje na analýzu presnosti určovanej polohy objektov
a poskytuje detailné informácie o presnosti všetkých objektov určených pomocou GPS. Je
možné tiež pracovať priamo s dátami vo formáte SSF softvéru Trimble TerraSync, príp.
iného softvéru vyvinutého pomocou Pathfinder Tools Software Development Kit (SDK).
Ďalšou výhodou GPS Analyst je aj jeho prispôsobiteľnosť potrebám používateľa
pomocou ArcObjects.
9.
On-line pripojenie na internet umožňuje v teréne sa pripájať na centrálny server
a vstupovať priamo do priestorovej DB, prípadne využívať iné webové služby - napr.
WMS, na účely integrácie rôznorodých podkladov zo vzdialených zdrojov alebo službu
na vzdialené spracovanie dát (WPS – Web Processing Service) a pod.
10. Alternatívou v prípade multipoužívateľskej editácie DB je odpojená editácia s využitím
viacerých replík pôvodnej centrálnej DB a mobilnej GIS aplikácie ArcPad (doplnenej
softvérom Trimble GPScorrect), ktorá umožňuje zdieľať centrálne uložené dáta na
viacerých mobilných prístrojoch.
61
4.3.2 Naplnenie subsystému Priestorové dáta Hlavnou úlohou priestorových podkladov je poskytnúť základ na priestorovú
lokalizáciu ostatných dát slúžiacich na podporu predikčných archeologických analýz. Tu je
možné vychádzať predovšetkým zo Základnej bázy pre geografický informačný systém (ZB
GIS), ktorá poskytuje ako lokalizačný základ, tak aj tematické informácie pre vybrané objekty
v zmysle Katalógu tried objektov (KTO). ZB GIS je súčasťou Informačných systémov
verejnej správy (ISVS) ako subsystém Informačného systému geodézie, kartografie a katastra
(IS GKK). Získané boli heterogénne dáta, a to či už z kvalitatívneho charakteru, tak aj v škále
poskytnutých mierok. Značná časť priestorových podkladov je dostupná a poskytnutá
v stredných mierkach, čo vzhľadom na regionálny charakter modelu môžeme pokladať za
dostačujúce, ale zaniká tým možnosť detailnejšieho modelovania a predikcie lokalít. V prípade
máp malých mierok (1 :500 000) je problematická miera detailnosti zobrazenia a atribútov
zachytených informácií. Príkladom toho môže byť mapa klimatických oblastí (v kapitole
4.3.4). Problematická je aj samostatná presnosť tvorby (digitalizácie) týchto máp. Ak by sme
napríklad uvažovali o tom, že najtenšia možná vytlačiteľná čiara na mape je 0,1 mm, tak
v prípade máp v mierke 1 :500 000 predstavuje len samotná čiara nepresnosť 50 m.
Odporúčame preto tieto mapy požívať len ako doplnkové, nie na priamu analýzu dát.
Mapy veľkých mierok (do 1: 5 000) obsahujú vyššiu kvalitu informácie čo sa týka
polohového zobrazenia javu a mnohokrát aj pri tematickom (atribútovom) vyjadrení daného
javu. Problémom je ich obtiažnejšia dostupnosť vo väčšom rozsahu, resp. neexistencia
mnohých vrstiev. Vzhľadom na ich vyššiu informačnú hodnotu ich odporúčame používať
hlavne pri detailnejších analýzach území menšieho plošného rozsahu (mikroregióny). Ďalej
uvádzame charakteristiku a postup spracovania najzásadnejších priestorových podkladov pre
naplnenie subsystému Priestorové dáta.
a)
Digitálny model reliéfu
Nosnou časťou subsystému DMR (ktorý je subsystémom subsystému Priestorové dáta)
je digitálny model reliéfu (DMR) so svojimi objektmi ako východisko na výpočet viacerých
morfometrických parametrov reliéfu (nadmorská výška, sklon, expozícia a pod.), na základe
ktorých je možné odvodiť mnohé sekundárne informačné vrstvy ako napr. nákladovú
vzdialenosť, potenciálne vodné toky, mapu sklonov, relatívnych prevýšení, orientácie voči
svetovým stranám a pod. Je to zároveň aj jeden z mála podkladov, ktorý spĺňa základný
predpoklad archeologických priestorových analýz – nemennosť v čase – a to v prípade ak
pracujeme s DMR (zobrazuje prirodzený reliéf). V prípade digitálneho modelu terénu (DMT),
62
musíme zvažovať aj antropogénne faktory (regulácie vodných tokov, cestné násypy a pod.).
DMR je s prihliadnutím ku (Koreň, 2004) definovaný ako zmenšený, generalizovaný
priestorový (trojrozmerný) model reliéfu; poloha bodov reliéfu je prevedená do roviny
kartografickým zobrazením a výšky sú konštruované v treťom rozmere, vo výškovej mierke
obvykle väčšej ako horizontálna mierka, čiže ide o „prevýšenie“.
Vzhľadom na obmedzenú dostupnosť DMR na Slovensku, sme pristúpili k jeho tvorbe
pomocou vektorizácie vrstevníc ZM SR 10. Táto mapa vznikla reambuláciou Topografickej
mapy v mierke 1:10 000 (TM 10) vydanej pred rokom 1971 v S-42 s použitím metódy leteckej
fotogrametrie. Prvé vydanie sa realizovalo v rokoch 1972 až 1986. Od roku 1987 sa vykonáva
systematická obnova mapového diela s využitím aktuálnych leteckých meračských snímok v
diferencovanom cykle a v závislosti na význame územia. V roku 2005 sa definitívne ukončila
obnova diela klasickými metódami. Mapa obsahuje 5 vrstiev, z ktorých bola použitá najmä
vrstva výškopis (obsahujúca vrstevnice a terénne útvary – zrázy, skaly a pod.) naskenovaná
s rozlíšením 600 dpi. V tejto vrstve sa nachádzajú vrstevnice s intervalom 2 resp. 5 m, použité
sú aj hlavné vrstevnice s intervalom 10m resp. 25 m. Doplňujúcou vrstvou bola vrstva
polohopis obsahujúca výškové súradnice bodov PBPP. Pri vektorizácii bol použitý
poloautomatický postup. Uvedený postup je časovo náročný vzhľadom na veľký počet
medzikrokov (Obrázok 4-15) a množstvo použitého softvéru.
Obrázok 4-15 Schéma poloautomatickej vektorizácie vrstevníc
63
Následne boli vytvorené dva varianty DMR - prvý variant s krokom 10m, druhý s
krokom 20m. Pri obidvoch variantoch boli zistené viaceré nedostatky použitých podkladov
(duplicity, diery a posuny medzi jednotlivo spracovávanými mapovými listami, chýbajúce
prirodzené terénne hrany ako sú napr. chrbátnice, údolnice a pod.). Tieto nedostatky boli z
pohľadu možností ich identifikácie z DMR odstránené. Rovnako boli vzhľadom na účely
ďalšieho použitia DMR z podkladov podľa možností odstránené umelé terénne hrany (ako
napr. násypy, cesty, protipovodňové hrádze, mosty atď.). Po tomto rozsiahlom vyčistení dát
sme pristúpili k opätovnému vytvoreniu DMR. Na vytvorenie pravidelnej mriežky bola
použitá metóda kriging implementovaná v programe Surfer v.9. Za finálnu verziu DMR bol
zvolený variant s rozlíšením 20 m/pixel, keďže vyššie rozlíšenie by vzhľadom na spôsob
tvorby primárneho zdroja dát na tvorbu DMR predstavovalo možný zdroj umelých chýb
vyplývajúcich z použitej interpolačnej metódy a kvality vstupných dát. Zvolené rozlíšenie tiež
znižuje nároky na výpočtový výkon a čas prevedenia analýz. Vytvorený DMR bol na účely
ďalších analýz vyhladený lokálnym mediánovým filtrom - tento postup bolo potrebné
aplikovať z dôvodu, že pri použití vrstevníc vznikajú na DMR drobné „zvlnenia“, ktoré
spôsobujú skreslenie pri jednotlivých analýzach (Lieskovský, 2006).
Uvedený
spôsob získania DMR
je náročný na časové a ľudské zdroje (kvalitné
spracovanie jedného mapového listu predstavuje 10 – 16 hodín práce v závislosti od kvality
podkladu, členitosti územia a skúsenosti spracovateľa. Zároveň má vstupný podklad (rastrová
vrstva výškopisu ZM SR 10) obmedzenia vzhľadom na spôsob tvorby a vizualizácie vrstevníc
(rozličný interval na rozličných mapových listoch, umelé kartografické prerušenia vrstevníc,
schematické znázornenie skalných zrázov a terénnych rigolov). Pristúpili sme preto
k otestovaniu ďalších alternatív, ktoré v súčasnosti predstavujú globálne digitálne modely
reliéfu a to SRTM (Shuttle Topographic Radar Mission) s rozlíšením 3“ (cca 90m/pixel)
a modelom ASTER GDEM (Global Digital Elevation Model). Oba uvedené modely sú voľne
prístupné pre verejnosť. Pri testovaní sme sa zamerali jednak na výškovú presnosť, ale
zároveň aj na použiteľnosť z hľadiska rozlíšenia.
Pri testovaní bol ako hlavný etalón použité body Štátnej priestorovej siete (ŠPS),
pričom bola sledovaná výšková odchýlka. Podľa výsledkov testov sa ako najpresnejší model
javí model získaný vektorizáciou ZM SR 10 (Graf 4-2) s najnižšou strednou chybou (0.96m),
štandardnou odchýlkou, rovnako aj pomerne nízkym rozptylom odchýlok a výskytom
extrémnych hodnôt. Otázny je ale fakt či túto vysokú presnosť nespôsobuje voľba testovaných
bodov, ktoré môžu byť identické s bodmi s výškovými kótami vo vrstve ZM SR 10 polohopis.
64
Graf 4-2 Testovanie DMR zo ZM SR 10
Testovanie modelu SRTM (Graf 4-3) prinieslo vyššiu strednú hodnotu, rozptyl
odchýlok a aj výskyt extrémnych hodnôt. Ako zdroj nepresnosti predpokladáme nedostatočnú
filtráciu porastov (50 % ZÚ predstavuje zalesnená oblasť).
Graf 4-3 Testovanie DMR zo SRTM
Najmenej kvalitné výsledky prinieslo testovanie modelu ASTER-GDEM (Graf 4-4)
s jednoznačne najvyššou strednou chybou (14,21 m) a aj najhorším priebehom jednotlivých
odchýlok. Tento stav sa dá pripísať tiež nedostatočnému filtrovaniu porastov a hlavne
relatívnej čerstvosti modelu (prvá verzia bola uvoľnená v roku 2010). Ďalšie zásadné
nedostatky sa prejavili pri vizuálnom zobrazení modelu (Obrázok 4-16), kde sa prejavuje
65
nevyhladenosť a neodfiltrovanosť, ktorú je pravdepodobne tiež možné pripísať počiatočnej
nedostatočnej spracovanosti.
Graf 4-4 Testovanie DMR z ASTER – GDEM
Obrázok 4-16 DMR z ASTER – GDEM a odchýlky na testovaných bodoch
Ďalším posudzovaným parametrom bolo rozlíšenie jednotlivých DMR, od rozlíšenia
závisí priamo kvalita a detailnosť priestorových analýz a schopnosť zachytiť lokálne detaily
66
pri analýzach. Rozdiel v rozlíšení jednotlivých DMR je možné demonštrovať na (Obrázok 417) – vľavo ZM SR 10 (20m/pixel), v strede ASTER-GDEM (30m/pixel), vpravo SRTM
(90m/pixel).
Obrázok 4-17 Porovnanie rozlíšenia DMR
Rozdiel v rozlíšení možno napríklad demonštrovať v prípade závislosti výskytu
archeologických lokalít od sklonu (Graf 4-5), kde sa v prípade modelu SRTM prejavuje
tendencia vyššieho výskytu miernych sklonov, čo je následok určitej „vyhladenosti“ DMR
pri nižšom rozlíšení DMR. V prípade modelu ASTER-GDEM sú výsledky analýzy sklonu
značne skreslené.
Graf 4-5 Porovnanie distribúcie archeologických lokalít v závislosti od sklonu odvodeného z rôznych DMR
67
Výsledky testov poukazujú na to, že na účely archeologického predikčného
modelovania je najvhodnejší DMR odvodený vektorizáciou ZM SR 10. Praktické použitie
modelu SRTM obmedzuje najmä jeho nízke rozlíšenie (90m/ pixel) a aj pomerne vysoké
stredné chyby. Model ASTER-GDEM zatiaľ diskvalifikuje jeho hrubý stav a nespracovanosť,
čo sa môže v budúcnosti zmeniť a v tom prípade vzhľadom na jeho dostupnosť a rozlíšenie
môže predstavovať zaujímavú alternatívu hlavne v nezalesnených územiach.
Celkovo možno k presnosti DMR s prihliadnutím k (Andrísek, 2008) konštatovať, že
reliéf krajiny predstavuje rozsiahly priestorový celok a jednotky, ktoré sú relevantné na jeho
hodnotenie z pohľadu sídelných areálov, sú minimálne metre. Zmeny na úrovni desiatok cm
až 1-2 m majú malý vplyv na takto generalizované dáta (Conolly a Lake, 2006). Tento fakt sa
prejavuje hlavne v rovinatých územiach, kde malé zmeny v prevýšení reliéfu môžu hlavne vo
vrstevnicových plánoch zaniknúť, pričom môžu rozhodovať o výskyte lokalít (Leusen, 2005).
Preto pri modelovaní hlavne na mikroregionálnej úrovni odporúčame používať podľa
možnosti čo najpresnejšie modely s najvyšším rozlíšením.
b)
Vodné toky
Keďže dôležitým faktorom v archeologických analýzach je prítomnosť vody, a to
hlavne vo forme povrchových vodných tokov, bola v rámci finalizácie naplnenia subsystému
priestorové dáta – časť polohopis spracovaná aj vrstva potenciálnych vodných tokov, ktorou
sme sa snažili vyriešiť problém časového faktoru v archeologických analýzach vyplývajúci z
potreby vychádzať z historického stavu krajiny. Tento problém sa týka predovšetkým vodných
tokov, pretože väčšina tokov bola v 20. storočí regulovaná a upravovaná, pričom na súčasných
mapách je zachytený ich nový stav, čím sú možnosti predikčných analýz značne sťažené.
Preto bolo potrebné pristúpiť k rekonštrukcii vodných tokov pomocou analýzy potenciálnych
vodných tokov.
Zjednodušene sa dá konštatovať, že povrchový tok možno charakterizovať ako časť
hydrosféry – tvoriacu hydrografickú sieť, a ktorý je akumulovaný v povrchových priehlbinách
prirodzeného i umelého pôvodu, kým nedosiahne korytový vodný tok. Tento jav možno
v prostredí GIS čiastočne modelovať, pričom táto analýza je implementovaná vo viacerých
GIS softvéroch (IDRISI Kilimanjaro, Hydrological modeling pre ArcView, Arc hydro tools
pre ArcGIS a pod.). Základ týchto analýz je postavený na tzv. „D8“ algoritme resp. jeho
modifikácii „MD“ resp. kombinácii „MD8“, pričom sa z DMR najprv vypočíta mapa smeru
povrchového odtoku (tzv. Flow direction), smer povrchového odtoku sa určí na základe
68
rozdielu nadmorských výšok susediacich pixlov, pričom odtok všetkej vody sa simuluje do
pixla s najnižšou nadmorskou výškou (Obrázok 4-18). Vľavo na obrázku sa nachádza DMR.
V strede je rozdiel v nadmorských výškach pixlov, do ktorých bude voda odtekať. Vpravo
hore je rovnomerná distribúcia povrchového odtoku pri rátaní mapy povrchového odtoku.
Vpravo dolu sa simuluje povrchový odtok iba jedným smerom pri rátaní svahových dĺžok
z mapy smeru povrchového odtoku.
Obrázok 4-18 Algoritmus na výpočet mapy dĺžky svahu a mapy povrchového odtoku (Schäuble, 2003)
Každá bunka mapy smeru povrchového odtoku obsahuje informáciu, do ktorej z
ôsmych susediacich buniek bude smerovať prúd vody. Smer povrchového odtoku sa určuje na
základe rozdielu nadmorských výšok susediacich buniek, pričom odtok vody je simulovaný do
bunky s najnižšou nadmorskou výškou. Výpočtový rozdiel v jednotlivých implementáciách
týchto algoritmov je viditeľný na obr. (Obrázok 4-19). Najvernejšie modeluje priebeh odtoku
algoritmus MD,
avšak ten je citlivý na prítomnosť prekážok v toku a tým aj následne
modelovanie celistvých potenciálnych odtokov. Ako najjednoduchší a najdostupnejší na
použitie sa javí algoritmus D8, kde je však potrebné vysporiadať sa s problémom, že
algoritmus umožňuje len 8 rôznych smerov odtoku (keďže každá bunka okrem okrajových
susedí práve s 8 bunkami). Riešením je vyhladenie odvodenej mapy potenciálnych vodných
tokov.
69
Obrázok 4-19 Rozdiel v implementácii rôznych algoritmov na výpočet povrchového odtoku (autor Juraj
Lieskovský)
Vygenerované potenciálne vodné toky sme v rámci záujmového územia reklasifikovali
do tokov 1. - 3. rádu jednak v závislosti od zbernej plochy povodia (Kuna, 2007), a zároveň aj
na základe prítomnosti vodných tokov na historických mapách. Problematické sa javí správne
určenie tokov 3. rádu, o ktorých sa dá predpokladať, že môžu byť skôr sezónneho charakteru.
Vodné toky boli následne verifikované a porovnávané na testovacom území s použitím
dostupných leteckých snímok, obsahujúcich informácie o zaniknutom vodnom toku vo forme
pôdnych príznakov, spôsobených väčšou vlhkosťou pôd. Rovnako boli použité na porovnanie
mapy I. a II. vojenského mapovania (Obrázok 4-20), pričom I. vojenské mapovanie, vzhľadom
na spôsob a čas vzniku, slúži len na overenie prítomnosti a topologických vlastností vodného
toku (nie geometrického tvaru a lokalizácie vodného toku).
Použitá metóda priniesla zaujímavé výsledky s rekonštrukciou viacerých menších
prítokov, ktoré sa na súčasných mapách už nevyskytovali (Obrázok 4-21).
70
Obrázok 4-20 Porovnanie vrstvy vodných tokov z rôznych zdrojov na testovacom území
Obrázok 4-21 Superpozícia vodných tokov z rôznych zdrojov na testovacom území
Obrázok 4-22 Ukážka porovnania polohovej presnosti rozličných zdrojov
71
Ďalej sme sa zamerali na zhodnotenie polohovej presnosti rôznych zdrojov. Použili
sme vizuálnu kontrolu na vytypovaných územiach v závislosti od rádu toku a typu reliéfu. Do
budúcna navrhujeme túto metódu zautomatizovať a využiť priečne profily. Najväčšie
odchýlky (v rozsahu stoviek metrov až kilometrov) sa vyskytovali v prípade vodných tokov 3.
stupňa prevažne na rovinatom území (Obrázok 4-22a). Tento jav je spôsobený prirodzeným
meandrovaním riek, ktoré v nezregulovaných územiach predstavuje aj niekoľko metrov za
desaťročie. V tomto prípade je veľmi obtiažne relevantne modelovať polohu vodných tokov
v minulosti a pokladáme skôr potrebné sa zamerať na modelovanie riečnej nivy, resp. využiť
vrstvu fluviálnych usadenín ako pozostatok činnosti vodných tokov v minulosti. V ostatných
prípadoch, teda nezregulovaných menších vodných tokoch (po vylúčení polohovo nepresného
I. vojenského mapovania (Obrázok 4-22b – žltá farba)) sa ukázali výsledky modelovania
potenciálnych vodných tokov pomerne uspokojivé (rádovo desiatky metrov). Najpresnejšie
výsledky a najnižšie polohové odchýlky boli dosiahnuté v prípade vodných tokov
prechádzajúcich hlbšími údoliami.
Pri modelovaní historickej siete vodných tokov sa ukázala ako vhodná kombinácia
modelovania potenciálnych vodných tokov a máp II. vojenského mapovania. Pri aplikácii
tohto postupu treba brať na zreteľ limity obidvoch zdrojov. Potenciálne vodné toky dokážu
byť pomerne presne modelované v členitých oblastiach, problémom ale je, že zanedbávajú iné
zložky kolobehu vody v prírode, ako napr. vsakovanie a vyparovanie v závislosti od podložia
a vegetačného krytu. Tento jav sa prejavuje pri identifikácií malých vodných tokov. Analýza
odtoku je citlivá aj na kvalitu DMR a prítomnosť (umelých) prekážok v odtoku. Zároveň je
nevyhnutné pri modelovaní použiť širší rozsah DMR ako je záujmové územie z dôvodu
potreby zachytenia prirodzeného rozsahu povodia. V prípade využívania historických máp je
potrebné brať do úvahy dobu ich vzniku a ich polohovú presnosť.
c)
Mapy vojenského mapovania
Hoci mapy vojenského mapovania zachytávajú prvky z obdobia neskorého stredoveku,
je možné ich čiastočne využiť. Na týchto mapách je zachytený jav, ktorý sa dá nazvať „pamäť
krajiny“ (memory of landscape) (Kuna, 2004). Je predpoklad, že mnohé prvky krajiny, ktoré
sú zachytené na týchto mapách, boli sformované už počas obdobia stredoveku a dôb
dávnejších. Na mapách vojenského mapovania môžeme na účely predikčného modelovania
využiť tieto prvky:
72
Vodstvo. Má veľký význam na mapách a takmer všetky predikčné modely používajú
ako jeden zo základných parametrov vzdialenosť od vody. Súčasné mapy obsahujú síce presne
zachytené vodné toky, ale tieto toky mnohokrát hlavne v druhej polovici minulého storočia
boli zregulované, resp. meliorované, čím sa do značnej miery zmenil tvar ich koryta, resp.
mnohé menšie vodné toky zanikli. Zmapovanie vodstva, i keď s otáznou presnosťou, podáva
relevantný obraz o hustote riečnej siete v danom období. Kombináciou týchto máp s
ortofotosnímkami a súčasným priebehom vodných tokov (v niektorých úsekoch) bude možné
namodelovať predpokladaný priebeh vodných tokov v príslušnom časovom období, prípadne
odhadnúť, ako sa menil priebeh vodného toku počas sledovaného obdobia.
Reliéf. Ďalším dôležitým prvkom týchto mapovaní je reliéf. Mapy vojenských
mapovaní zobrazujú aj dnes vo veľkej miere už neexistujúce mohylníky, zničené eróziou,
ľudskou činnosť rôzneho charakteru i odstránené archeologickým výskumom. Príklad
mohylníka z doby bronzovej, kultúry karpatskej mohylovej, dáva presvedčivý dôkaz o tom, že
listy z vojenských mapovaní sú schopné podať chýbajúce informácie zo starších
archeologických období (Obrázok 4-23).
Cestná sieť. Možno ju zistiť z historických mapovaní a bližšie časovo určiť mnohokrát
až do období ranného stredoveku i skôr (napr. „Zlatá stezka“). Jedná sa predovšetkým
o obchodné trasy, príp. cesty vedúce k surovinovým zdrojom príslušnej kultúry.
Názvoslovie. Má veľký význam, nakoľko predstavuje vhodný identifikátor prítomnosti
historického objektu.
Pre archeológov a pamiatkarov sú však zaujímavé aj samotné objekty zachytené na
týchto mapách, preto je potrebné zahrnúť pri vyhodnocovaní rizika archeologického výskumu
aj tieto prvky, napríklad staré kaštiele, kláštory, dnes neexistujúce osady a pod.
73
Obrázok 4-23 Mohylník z doby bronzovej, kultúry karpatskej mohylovej (Lieskovský a kol., 2009)
Mapy I. vojenského mapovania – vznikli na základe podrobného mapovania
habsburskej monarchie nariadeného Máriou Teréziou v roku 1763. Na území Slovenska bola
použitá mierka 1:28 800 (okrem územia Spišu, ktoré bolo zobrazené v mierke 1:14 400). Tieto
diela nemajú zemepisnú sieť. Základnými obsahovými prvkami boli všetky vojensky dôležité
objekty v krajine, komunikačná a vodná sieť. Zobrazenie terénu podľahlo vojenským
požiadavkám so zachytením všetkých vyvýšenín aj s ich horizontálnym umiestnením. Reliéf
sa zobrazoval kombinovanou technikou – lavírovaním a kreslením skrížených šráf. Boli
zachytené všetky druhy stavieb dôležitých z hľadiska obrany (kostoly, kaštiele, hrady, mlyny,
zámky a ďalšie stavby). Mapované boli metódou meracieho stola a metódou Ala – vue (teda
„od oka“). Mnohokrát boli tieto prvky zaznamenávané len vo forme „mentálnej mapy“,
napríklad bol zmapovaný hlavný vodný tok a menšie prítoky boli zakreslené neskôr už z
pamäti príslušného geodeta. Ich značný význam spočíva v tom, že zachytávajú územie
z obdobia pred začiatkom priemyselnej revolúcie (Pravda, 2005).
Mapový list (ML) s najväčším počtom bodov identifikovaných na súčasnej mape bol
použitý ako lokalizačný základ na určenie ostatných ML v rámci S-JTSK. Na základe
rozmerov ML bol vygenerovaný klad pre záujmové územie. Do kladu boli postupne podľa
rohov ML vložené orezané rastrové mapy a následne im boli vytvorené referenčné súbory.
Tento postup, napriek svojim nedostatkom, sa s ohľadom na požiadavku časovej efektívnosti
javí ako dostačujúci, keďže o presnosti I. vojenského mapovania sa dá hovoriť len ťažko.
Bezprojekčnosť mapovania a použité techniky spôsobujú značné skreslenia a ani individuálna
74
transformácia mapových listov by neviedla k podstatnému zvýšeniu presnosti. Aj keď sú tieto
mapy vzhľadom na postup a presnosť ich tvorby prakticky ťažko využiteľné (presnosť pri
transformáciách sa udáva rádovo v desiatkach až stovkách metrov), tieto mapy predstavujú
zdroj informácií minimálne z topologického hľadiska a obsahujú atribútové informácie
o jednotlivých prvkoch (osada, mesto, vodný mlyn a pod.), a je možné ich použiť ako
indikátor určitých javov.
Mapy II. vojenského mapovania (1806-1869). Výsledky I. vojenského mapovania
neumožnili zostaviť jednotnú presnú mapu celej monarchie. Preto v roku 1806 na príkaz
Františka I. sa prikročilo k II. vojenskému mapovaniu, ktoré sa robilo na základe triangulácie.
Jednotná mapa sa vyhotovila v mierke 1:28 800 (niektoré územia v mierke 1:14 400).
Slovensko je zobrazené na 270 ML. Terén je vykreslený šrafami (podľa Lehmanna) bez
použitia vrstevníc.
Obsah mapy je v podstate totožný s I. vojenským mapovaním, pridané boli iba výšky
trigonometrických bodov (vo viedenských siahach), avšak zobrazovaná krajina sa pomerne
odlišuje. Mapy II. vojenského mapovania vznikali v dobe nástupu priemyslovej revolúcie a
rozvoja intenzívnych foriem poľnohospodárstva, kedy vzrástla výmera ornej pôdy za 100
rokov o 50% a lesné plochy dosiahli u nás historicky najmenší rozsah (Pravda, 2005).
II. vojenské mapovanie bolo riešené tímom Gábora Timára (Timár, 2004), ktorý na
základe zobrazenia, súboru parametrov v GIS a stanovenia Cassiniho súradníc v pravom
hornom rohu ML na základe čísiel vrstvy a stĺpca označenia ML, natočil obsah rastrovej mapy
a rektifikoval ju vybraným zobrazením.
Presnosť prvkov mapovaných na georeferencovanom II. vojenskom mapovaní je
preukázateľne vyššia, ale na niektorých územiach sú napriek tomu odchýlky až 150m. Značný
problém pri ich ďalšom spracovávaní a interpretácii predstavuje použité šrafovanie v horských
oblastiach, ktoré niekedy neumožňuje rozlíšiť a identifikovať niektoré prvky.
Mapy vojenského mapovania sú jedinečným historicko-geografickým prameňom
o stave Slovenska v 18. a 19. storočí. Ich využitie komplikuje skutočnosť, že nie sú presne
a systematicky georeferencované, ako aj to, že nie sú vo vektorovej podobe (aspoň vodné
toky, komunikácie, sídla a názvoslovie). Rovnako by bolo prínosné aj spracovanie tretieho
vojenského mapovania (Lieskovský a kol., 2009).
75
4.3.3 Naplnenie subsystému Environmentálne dáta Do subsystému Environmentálne dáta sme zahrnuli dostupné dáta, ktoré boli
poskytnuté Geologickým ústavom Dionýza Štúra a Výskumným ústavom pôdoznalectva
a ochrany pôd. Na orientáciu v regionálnej geomorfológii slúži vrstva geomorfologického
členenia a inžiniersko-geologickej realizácie. Na možnú analýzu prirodzenej vegetácie bola
spracovaná vrstva potenciálnej prirodzenej vegetácie SR zobrazujúca prirodzené rastlinstvo,
ktoré by sa v budúcnosti postupne vytvorilo na území SR, keby človek prestal vegetačný kryt
svojou činnosťou ovplyvňovať (čo sa dá interpolovať aj do minulosti). Vzhľadom na jej malú
mierku (1:500 000) a skúsenosti s jej spracovaním (Lieskovský, 2006) sme sa ju rozhodli
z analýz vylúčiť. V súčasnosti vzniká digitalizáciou obdobná mapa vo vyšších mierkach.
Dôležitú časť subsystému Environmentálne dáta tvorí Litogenetická mapa kvartérmych
sedimentov (odvodená z areálu litogenetických typov kvartérnych sedimentov - „kvartér“)
v mierke 1:50 000, ktorá poskytuje informácie o sedimentoch vytvorených v období kvartéru
(Obrázok 4-24). Táto mapa sa ukázala ako jeden z najdôležitejších prvkov pri predikcii.
Predstavuje zdroj informácií o fluviálnych sedimentoch, ktoré indikujú priebeh vodných tokov
v minulosti. Jej čiastočnou nevýhodou je absencia informácií o hrúbke usadenín.
Nosnú časť subsystému Environmentálne dáta predstavuje vrstva pôdnych typov.
Hlavným zdrojom sú dáta z komplexného prieskumu poľnohospodárskych pôd Slovenska,
ktorý prebehol v krátkom časovom období v šesťdesiatych rokoch minulého storočia za
použitia jednotných metodických postupov (Klečka a kol., 1985). Kartografický výstup tvorí
27 200 máp mierky 1:5000. Paralelne s prieskumom poľnohospodárskych pôd sa
uskutočňoval aj prieskum lesných pôd, avšak za použitia čiastočne odlišnej metodiky
a taxonómie. S ohľadom na obtiažnu dostupnosť máp v uvedenej mierke v danom rozsahu
a odlišnú taxonómiu pôdnych typov sme použili mapu pôdnych typov v mierke 1:50 000
poskytnutú Geologickým ústavom Dionýza Štúra. Vzhľadom na zásadný rozdiel
v rozlišovacej schopnosti odporúčame použiť do budúcna Prehľadnú mapu bonitovaných
pôdno-ekologických jednotiek (BPEJ) v mierke 1:5000 (Obrázok 4-25 – žltou farbou).
Ďalší nedostatok dát o pôdach je ten, že neboli, až na výnimky, spracovávané
v zastavaných územiach obce. Tieto územia sme preto interpolovali metódou najbližších
susedov, čo možno v prípade malých území pokladať za relatívne uspokojivý postup (avšak
jeho implementácia by si vyžadovala ďalšie overovanie v teréne). V prípade väčších obcí je
tento postup otázny a navrhujeme doplnenie informácií priamo z terénu.
76
Obrázok 4-24 Litogenetická mapa kvartérnych sedimentov
77
Obrázok 4-25 Porovnanie vrstvy pôdnych typov v 2 rozličných mierkach
Obrázok 4-26 Vrstva klimatických oblastí
78
4.3.4 Naplnenie subsystému Klimatické dáta Klimatické podklady boli poskytnuté Slovenským hydrometeorologickým ústavom
(SHMÚ) a zahŕňajú informácie o klimatických oblastiach a ich hraniciach (Obrázok 4-26)
vyplývajúcich z priemerných zrážkových úhrnov za roky 1951–1980 a 1981–2000 a teplôt za
roky 2004–2005. Použitie týchto dát výrazne obmedzuje viacero faktorov: jednak je to dodaná
mierka (1:500 000), nízky počet spracovaných meteorologických staníc (na záujmovom území
3) a hlavne časový faktor, keďže meteorologické dáta sa za posledných 50 rokov dajú len
ťažko pokladať za klimatický normál (Wiederman, 2003). V prípade analýz sme sa snažili
tento nedostatok eliminovať tým, že boli uvažované ako relatívne a nie absolútne.
4.4 Návrh priestorových analýz relevantných na účely archeologického predikčného modelovania Pri návrhu priestorových analýz na záujmovom území sme vychádzali z fyzickej
realizácie priestorovej DB, ako aj zo skúseností pri priestorových analýzach vybraných
archeologických lokalít (Lieskovský, 2006). Sledované boli faktory, ktoré mohli mať najväčší
vplyv na výskyt daných nálezísk. Navrhované analýzy môžeme rozdeliť do nasledovných
okruhov:
ƒ
analýzy reliéfu,
ƒ
vzdialenostné analýzy,
ƒ
analýzy prírodných podmienok.
Pri týchto analýzach bol sledovaný jav danej premennej na vybraných archeologických
vzorkách (Obrázok 4-27 – červená farba) – tzv. „ALA“ (archeologické lokality analyzované).
Pričom tieto lokality reprezentujú lokality 1. stupňa lokalizácie, z ktorých bola náhodným
výberom vopred odobratá 10 % vzorka na externú evidenciu presnosti predikčných modelov
(Whittley, 2006). Zároveň bola sledovaná distribúcia danej premennej v celej krajine ako
podklad na následné štatistické testovanie nezávislosti dvoch premenných. Za testovaciu
vzorku bolo zvolených 10 000 náhodne vybraných bodov v rámci krajiny (Obrázok 4-27 – žltá
farba) – tzv. „TVP“ (testovacia vzorka pozadia). Pričom pri štatistickom testovaní v prípade
premenných, kde dokážeme určiť absolútnu početnosť (väčšinou nominálne premenné ako
pôdny typ, prípadne litogenetická mapa kvartérnych sedimentov), sa ukázal rozdiel medzi
absolútnou početnosťou a testovacou vzorkou pozadia menší ako 1% preto množstvo bodov
pokladáme za dostatočné.
79
4.4.1 Analýzy reliéfu Pri týchto analýzach vychádzame z DMR, pričom sa zameriavame na morfometrické
vlastnosti reliéfu. Súhrne sa dá podľa (Andrísek, 2008) o týchto vlastnostiach konštatovať, že
význam morfometrických vlastností krajiny pre náš výskumu spočíva v ich vplyve na
morfodynamické procesy, teda tok látok (pôdy, vody, chemických prvkov a svetla) a energie
(tepla), ku ktorým patrí i zrážkový, teplotný a pôdny režim krajiny. Množstvo vlahy
a slnečného žiarenia sa významne podieľa na raste a dozrievaní obilia a vývine lesov, ktoré sú
predmetom záujmu exploatačných stratégií. Morfometria je matematickou interpretáciou
reliéfu krajiny. Morfometrické vlastnosti reliéfu vyplývajú z jeho geometrickej podstaty
a možno ich tak priradiť akejkoľvek ploche. Môžeme ich rozdeliť na bodové (ich hodnota
môže byť v každom bode reliéfu iná), líniové (charakterizujú významné čiary na reliéfe)
a plošné (charakterizujú vymedzené plochy reliéfu). Základný skelet reliéfu tvoria vrstevnice
a spádnice. Vrstevnica (izohypsa) je myslená čiara spájajúca body reliéfu s rovnakou
nadmorskou výškou. Spádnica je myslená čiara orientovaná v každom bode reliéfu v smere
maximálneho sklonu. Sú to čiary ukazujúce smer, v ktorom sa sústreďuje tok látky a energie, a
teda väčšiny procesov dynamiky reliéfu.
Ako základné premenné sme použili: nadmorskú výšku lokalít (Obrázok 4-27), sklon
(Obrázok 4-28) a orientáciu voči svetovým stranám - expozíciu (Obrázok 4-29). Postup
spočíva v odvodení sekundárnych vrstiev z DMR a následným zistením charakteristík nálezísk
pomocou nástroja Topo To Surface. Vzhľadom na to, že preferencia lokalít podľa expozície
môže byť do značnej miery obmedzená celkovou orientáciou krajiny (ak má pohorie alebo
dolina napr. orientáciu z juhu na sever), tak možnosť osídlenia je viac-menej na východných
alebo západných svahoch. Boli preto testované aj možnosti využitia analýz oslnenia reliéfu
(Obrázok 4-30) a výskyt preferencie voľby lokalít na základe tohto faktora.
K ďalším typom analýz DMR patrí aj analýza tvaru okolitého reliéfu. Predpokladáme,
že práve charakteristika reliéfu do značnej miery ovplyvňovala výber útočišťa prehistorického
človeka. Dôležitý bol ochranný (ochrana pred klimatickými vplyvmi), ale aj obranný faktor
(nedostupnosť/strmosť reliéfu z určitých strán) (Lieskovský, 2006). V niektorých prácach
(Goláň, 2003), (Danielisová, 2005) sa táto charakteristika uvádza pomocou tzv. RIM indexu
(index „hrán“) (Obrázok 4-31). RIM index sme doplnili charakteristikami lokálnej krivosti
reliéfu (Obrázok 4-32), vrstvy zmeny lokálneho reliéfu v okruhu 100 m (predpokladaný okruh
základného zázemia náleziska) (Obrázok 4-33) a lokálneho reliéfu v okruhu 500 m (čo je
podľa (König, 2007) je predpokladanou exploatačnou zónou) (Obrázok 4-34).
80
Obrázok 4-27 Nadmorská výška a zobrazenie analyzovaných archeologických lokalít a testovacích bodov
pozadia
Obrázok 4-28 Odvodená vrstva sklonu
81
Obrázok 4-29 Odvodená vrstva expozície
Obrázok 4-30 Odvodená vrstva príkonu za celý rok
82
Obrázok 4-31 Odvodená vrstva RIM indexu kvality útočiska
Obrázok 4-32 Odvodená vrstva krivosti reliéfu
83
Obrázok 4-33 Odvodená vrstva lokálneho reliéfu (v okruhu 100 m)
Obrázok 4-34 Odvodená vrstva lokálneho reliéfu (v okruhu 500 m)
84
4.4.2 Vzdialenostné analýzy Vzdialenosť medzi lokalitami, resp. od dôležitých zdrojov a prvkov krajiny,
predstavuje tiež jeden z dôležitých faktorov na výber osídlenia. Podľa (Neustupný, 2005) sa
ukazuje, že veľmi podstatná je najmä vzdialenosť od vodných zdrojov. Vzdialenosť medzi
lokalitami sa dá skôr vyjadriť ako sociálny faktor, napríklad mocenský vplyv na jednotlivé
územia, pochovávanie mŕtvych u niektorých kultúr a pod.
K určovaniu vzdialenosti pomocou GIS sa dá pristúpiť z viacerých hľadísk.
Najjednoduchšie je určenie priamej (euklidovskej) vzdialenosti, ktorá má však výrazné
obmedzenia predovšetkým v hornatom teréne. Ešte dôležitejším faktorom sú vlastnosti
povrchu (ako napr. sklon, prekážky a pod.). Preto vhodnejším spôsobom je meranie časových
vzdialeností pomocou nákladových vzdialenostných povrchov (cost surface). Zásadný rozdiel
medzi euklidovskou a nákladovou vzdialenosťou dobre ilustruje (Obrázok 4-35).
Obrázok 4-35 Rozdiel medzi euklidovskou a nákladovou vzdialenosťou v členitom území
Tento spôsob určovania vzdialeností je najnáročnejší, ale na účely archeologických
priestorových analýz najužitočnejší. Vypovedá totiž o tom, za akú dobu prekoná človek
vzdialenosť medzi dvoma bodmi, a to v závislosti nielen na priamej (euklidovskej)
85
vzdialenosti medzi bodmi, ale aj s uvážením sklonových pomerov, prípadne i ďalších
vlastností krajiny (ako napr. prírodné prekážky, rieky, lesy, mokrade a pod.), ktoré pohyb
v krajine spomaľujú, alebo dokonca úplne znemožňujú. Priama (euklidovská) vzdialenosť je
potom modifikovaná na základe ohodnotenia pixlov rastra ich váhou. Predpokladom na
vytvorenie nákladového vzdialenostného povrchu, ktorý vyjadruje vzdialenosti od vybraných
prvkov krajiny v relatívnych jednotkách „nákladov“ alebo odporu, je, že každý pixel má
určenú hodnotu (teda náklad, odpor a pod.). Ďalej je potrebné vytvoriť frikčný povrch
(vyjadruje úroveň obtiažnosti prechodu cez pixel a môže byť závislý od smeru prechodu cez
pixel), určiť smery pôsobenia najväčších odporov pri prechode krajinou, definovať odporovú
funkciu a určiť miesta, od ktorých sa bude nákladová vzdialenosť povrchu počítať.
Frikčný povrch je raster, v ktorom hodnoty uložené v jednotlivých pixloch vyjadrujú
obtiažnosť alebo náklady potrebné pre pohyb cez tieto pixle. Hodnota frikcie (odporu) sa
určuje pomocou frikčnej rovnice, kde môže byť použitých aj niekoľko premenných.
Smer pôsobenia najväčších odporov vyjadruje raster, ktorý v jednotlivých pixloch
vyjadruje smer (azimut) najväčšieho odporu pri pohybe z daného pixla. V danom prípade
uvažovaného nákladu sú hodnoty tohto rastra opakom hodnôt orientácie svahov. Vytvorený
bol na základe vrstvy orientácie svahov z inverzného reliéfu (DMR vynásobený hodnotou
„-1“), ktorá odpovedá počítanému smeru pôsobenia najväčších odporov (Goláň, 2003).
Odporová funkcia vyjadruje, ako sa v jednotlivých pixloch mení veľkosť obtiažnosti,
alebo nákladov, ktoré sú definované vo frikčnom povrchu, v závislosti od smeru pohybu cez
dané pixle. Na výpočet sa ako najvhodnejší javí modul varcost softvéru Idrisi – Kilimanjaro,
ktorý umožňuje pokročilú analýzu týchto vzdialeností s použitím tzv. „IDRISI algoritmu“
(Danielisová 2005).
Medzi východiskové prvky, od ktorých boli riešené vzdialenostné analýzy, patria:
vrstva fluviálnych usadenín a sieť potenciálnych vodných tokov. Nákladovú vzdialenosť sme
previedli na jednotky minút chôdze. Vzhľadom na to, že nie je možné detailne modelovať stav
environmentu do minulosti a tým aj jeho ďalší vplyv na frikciu (rozličné rýchlosti prechodu
v závislosti od porastu, resp. stavu povrchu), môžeme predpokladať, že nami odvodené
vzdialenosti predstavujú skôr dolnú (minimálnu hranicu) časových nákladov. Odvodené
a analyzované boli vrstvy nákladovej vzdialenosti od fluviálnych usadenín (Obrázok 4-36)
a vrstvy nákladovej vzdialenosti od vodných tokov všetkých kategórií (Obrázok 4-37), resp.
vrstvy nákladovej vzdialenosti od veľkých a stredných vodných tokov kategórie 2 a 3 (Obrázok
4-38).
86
Obrázok 4-36 Nákladová vzdialenosť od fluviálnych usadenín
Obrázok 4-37 Nákladová vzdialenosť od vodných tokov všetkých kategórií
87
Obrázok 4-38 Nákladová vzdialenosť od vodných tokov kategórie 2 a 3
Obrázok 4-39 Primárna vrstva pôdnych typov
88
4.4.3 Analýzy environmentálnych podmienok Je pravdepodobné, že pedologické a klimatické faktory mohli tiež zohrať určitú úlohu
pri voľbe lokalít, keďže ovplyvňovali úrodnosť aj dostupnosť zdrojov. Pri analýzach sme
overovali predpoklad, že sídla ľudských aktivít sa nachádzajú na vhodných pôdach a v ich
blízkosti (Danielisová, 2005), (Andrísek, 2008). Analyzovali sme výskyt lokalít podľa
jednotlivých pôdnych typov (Obrázok 4-39). Pričom sa dá podľa (Andrísek, 2008)
predpokladať, že vhodnosť pôd treba brať ako relatívnu veličinu, keďže je pravdepodobná
zmena preferencie využitia pôd v minulosti pod vplyvom lokálnych klimatických zmien.
Vzhľadom na nominálnu povahu a aj na rôznorodé vlastnosti ovplyvňujúce jej
vhodnosť sme pristúpili k analyzovaniu pôd viacerými prístupmi.
Prístup na základe vhodnosti pre historické poľnohospodárstvo:
V prvom prípade sme sa snažili pôdy reklasifikovať na základe tried vhodností pre
historické poľnohospodárstvo. Pri reklasifikácii sme vychádzali z „expertného odhadu“ (EO)
vykonaného archeobotanikom. Pričom tento odhad bol vykonaný na základe poznatkov
nadobudnutých pri štúdiu pravekého poľnohospodárstva (napr. Dreslerová, 1996), ako aj zo
skúseností s predchádzajúcou aplikáciou predikčných modelov (Lieskovský, 2008). Tento
odhad je možné objektivizovať čiastočne z metodiky založenej na „množstve vráteného zrna“
(teda aké množstvo obilia sa vráti v porovnaní s vysiatym obilím) (Danielisová 2005), resp.
iných metód. Výsledkom je Tabuľka 4-2 Klasifikácia vhodnosti využitia pôd (stĺpec expertný
odhad). Následnou reklasifikáciou vznikla odvodená vrstva pôdnych typov reklasifikovaná
podľa vhodnosti pre historické poľnohospodárstvo (Obrázok 4-40).
Tento postup sa dá označiť za deduktívny prístup. Nedostatkom tohto prístupu je to, že
ohodnotenie na stupnici od 1 – 6 sa nedá pokladať za kardinálne (teda že napr. vhodnosť
kategórie 6 je 6x väčšia ako vhodnosť kategórie 1). Ďalším nedostatkom je aj skutočnosť, že
sa zameriava skôr na odhad vhodností pre praveké poľnohospodárstvo, čo v prípade tvorby
modelu pre celé časové obdobie môže skresľovať výsledky a to najmä kvôli tomu, že
možnosti obrábania pôd, a tým aj jej vhodnosti, sa časom a postupujúcou technológiou
výrazne menili.
89
Prístup na základe produkčného potenciálu:
Kvôli objektivizácii prístupu a možnosti konfrontovania s expertným odhadom sme
jednotlivé pôdne typy reklasifikovali aj na základe metodiky používanej Výskumným ústavom
pôdoznalectva a ochrany pôdy (VÚPOP) (Bielek, 1998). Použili sme pritom premennú
„produkčný potenciál“, ktorá ohodnocuje pôdy v 100 bodovej stupnici: 0 - málo úrodné pôdy,
100 - najúrodnejšie pôdy (Tabuľka 4-2 Klasifikácia vhodnosti využitia pôdTabuľka 4-2, stĺpce
produkčný potenciál a produkčný potenciál priemer).
Ako vidno z tabuľky, produkčný potenciál môže mať široké rozpätie pre jednotlivý
pôdny typ (napríklad kambizem 10 - 60), preto sme uvedené hodnoty kvôli reklasifikácii
v GIS (Obrázok 4-41) spriemerovali. Tento prístup má svoj hlavný limit v tom, že vychádza
z predpokladov vzťahujúcich sa k modernému poľnohospodárstvu, napriek tomu pri
porovnaní výsledkov s expertným odhadom nastáva pomerne dobrá zhoda.
Prístup na základe najväčšieho zastúpenia pôdnych typov v zázemí
Vzhľadom na určité limity predchádzajúcich prístupov, vyplývajúce najmä zo
zamerania sa na vhodnosť pôd pre poľnohospodárstvo, sme sa rozhodli skúmať pôdne typy aj
z hľadiska ich zastúpenia v okolí archeologickej lokality. Viedol nás k tomu predpoklad, že
pôda a jej prítomnosť nie je viazaná výlučne len na poľnohospodárstvo, ale celkovo aj na
hospodárstvo, a teda určuje aj vlastnosti ako je prítomnosť lesa a pod. (Tóth , 2011).
90
Tabuľka 4-2 Klasifikácia vhodnosti využitia pôd
Skupina pôd
antropických (čiastočne alebo úplne pozmenené, pripadne vytvorené činnosťou človeka.)
hnedých
Pôdny typ
Subtyp
kultizem (kultizem ‐ pôdny typ na prirodzených substrátoch, ale činnosťou človeka s úplne pozmenenými vlastnosťami kultizem modálna
(prevažne pôda záhrad a ovocných sadov); výrazne pretvorená pôda ľudskou činnosťou
kambizem
kambizem luvizemná
kambizem (Kambizeme sú stredne úrodné pôdy, vhodné len kambizem modálna
pre užší sortiment nenáročnejších poľnohospodárskych kambizem modálna : kambizem luvizemná
plodín(jačmeň, raž, zemiaky); hnedé lesné pôdy, všetky kambizem modálna : kambizem pseudoglejová
pohoria slovenska, s výnimkou vápencov a dolomitov; kambizem modálna : ranker kambizemný
listnaté lesy, záhorská nížina borovicové lesy; vinohrady, kambizem modálna : ranker modálny
sady, orná pôda, vyššie polohy ‐ ihličnaté lesy, lokálne kambizem modálna kyslá
pasienky
kambizem modálna nasýtená
kambizem modálna podzolová : Ranker podzolový
kambizem pseudoglejová
Glej (na fluviálnych sedimentoch, pod vlhkomilným trvale Glej modálny
trávnatým porastom)
hydromorfných (dlhodobý vplyv zvýšenia pôdnej vlhkosti za nedostatku kyslíka v pôdnej hmote)
ilimerických (podmienky priesakového alebo sezónne priesakového vodného režimu )
iniciálnych
pseudoglej (Pseudogleje sú prevažne zalesnené (listnaté lesy). V poľnohospodárstve sa využívajú ako trvalé trávne porasty, menej ako orná pôda.); plochý reléf s miernymi depresiami, pri dostatočne humídnej klíme; kotliny pod listnatými lesmi s trvale trávnatými porastami
Expertný odhad
Produkčný potenciál
Produkčný potenciál (priemer)
4
75 ‐ 100
87.5
4
4
4
4
3
3
3
3
4
3
3
10 ‐ 60
10 ‐ 60
10 ‐ 60
10 ‐ 60
10 ‐ 60
10 ‐ 60
10 ‐ 60
10 ‐ 60
10 ‐ 60
10 ‐ 60
10 ‐ 60
35
35
35
35
35
35
35
35
35
35
35
2
3 ‐ 10
6.5
pseudoglej luvizemný
3
31 ‐ 50
40.5
pseudoglej modálny
3
31 ‐ 50
40.5
5
5
4
4
4
4
4
4
4
4
1
4
5
5
2
2
1
1
1
1
1
2
2
1
1
1
1
2
34 ‐ 90
34 ‐ 90
34 ‐ 90
34 ‐ 90
34 ‐ 90
34 ‐ 90
33 ‐ 65
33 ‐ 65
33 ‐ 65
33 ‐ 65
0 ‐ 5
33 ‐ 90
33 ‐ 90
33 ‐ 90
0 ‐ 5
0 ‐ 5
0 ‐ 5
0 ‐ 5
0 ‐ 5
0 ‐ 5
0 ‐ 5
0 ‐ 5
0 ‐ 5
0 ‐ 5
0 ‐ 5
0 ‐ 5
0 ‐ 5
40 ‐ 45
62
62
62
62
62
62
49
49
49
49
2.5
61.5
61.5
61.5
2.5
2.5
2.5
2.5
2.5
2.5
2.5
2.5
2.5
2.5
2.5
2.5
2.5
42.5
2
40 ‐ 45
42.5
6
5
5
6
5
5
6
5
6
5
1
2
2
63 ‐ 100
63 ‐ 100
63 ‐ 100
63 ‐ 100
63 ‐ 100
63 ‐ 100
45 ‐ 100
45 ‐ 100
45 ‐ 100
45 ‐ 100
3 ‐ 10
10 ‐ 55
10 ‐ 55
81.5
81.5
81.5
81.5
81.5
81.5
72.5
72.5
72.5
72.5
6.5
32.5
32.5
3
10 ‐ 55
32.5
hnedozem luvizemná
hnedozem modálna
hnedozem pseudoglejová
hnedozem pseudoglejová : hnedozem luvizemná
hnedozem pseudoglejová : hnedozem modálna
hnedozem rubifikovaná
luvizem modálna
luvizem (ilimerizovaná pôda), relatívne zarovnané reliéfy, luvizem modálna : hnedozem luvizemná
pahorkatiny a kotliny, svahy, poriečne rovne a terasy; orná luvizem modálna : luvizem pseudoglejová
pôda, sady, duby, dubovo‐hrabové lesy
luvizem pseudoglejová
litozem (výskyt u nás ‐ tatry), veľmi plytká pôda, vyššie litozem modálna : ranker andozemný
Fluvizem glejová
Fluvizem (podmáčané oblasti ‐ nivné pôdy); orná pôda, Fluvizem modálna
zeleninárstvo, lúky, prípadne lužné lesy
Fluvizem modálna karbonátová
ranker kambizemný
ranker kambizemný : kambizem modálna
ranker kambizemný : ranker modálny
ranker kambizemný kyslý
ranker kambizemný kyslý : kambizem modálna kyslá
ranker (strmé svahy, ale len v ostrovčekoch nie plošne); ranker kambizemný kyslý : ranker modálny kyslý
súbor veľmi tenkých horizontov tzv. nadložného humusu ranker modálny
lesných pôd; u nás vasoké a nízke tatry
ranker modálny : ranker kambizemný
ranker modálny :kambizem modálna
ranker modálny kyslý
ranker modálny kyslý : ranker kambizemný
ranker modálny kyslý : ranker kambizemný kyslý
ranker modálny nasýtený
regozem (piesky, spraše až íly); orná pôda, sady, menej lesy; regozem modálna
u nás záhorie, menej juh západného a východného slovenska regozem modálna : ranker kambizemný
hnedozem (premývanie pôdy povrchovými vodami, preto veľká časť ílových zložiek); spraš, sprašové a polygenetické hliny v podmienkach periodicky premyvného vodného režimu, kotliny, nížiny, pod listnatými lesmi, orná pôda
Černozem čiernicová
Černozem hnedozemná
Černozem (predv. Podunajská nížina), spraše staršie nivné Černozem kultizemná
molických (intenzívne hromadenie a sedimenty bez ktoré sú už dlho bez záplav
Černozem modálna
premeny organických látok ‐ humifikácia Černozem modálna karbonátová
zvyškov hlavne stepnej a lužnej vegetácie, v Černozem modálna kontaminovaná
podmienkach nepriesakového až periodicky Čiernica černozemná
priesakového horizontu, Čiernica (orná pôda, zeleninárstvo), lužné zhora a glejové Čiernica glejová
zdola pôdotvorné sedimenty, vplyv podzemnej vody
Čiernica modálna
Čiernica modálna karbonátová
podzolových
podzol (extrémne kyslá pôda, silne ochudobnená o organické podzol kambizemný
pararendzina = tzv.nepravá rendzina; lesné pôdy, nadm.v.do pararendzina kambizemná
pararendzina modálna
900mnm a flyše, orná pôda, sady, lesy
rendzinových
rendzina (plytká, hlinitá pôda); lesy pasienky, alpínske lúky, rendzina modálna
čiastočne orná pôda; krasové oblasti
91
Obrázok 4-40 Odvodená vrstva Pôdne typy
Obrázok 4-41 Vrstva pôdnych typov reklasifikovaná podľa produkčného potenciálu
92
V prípade jednotlivých vrstiev reklasifikovaných na základe uvedených prístupov sme
zistili hodnotu daného javu pre jednotlivé lokality. V prípade pôd sa dá predpokladať, že
lokality neboli situované výlučne na vhodných pôdach, ale aj v ich blízkosti. K tomuto
predpokladu je viacero dôvodov, napríklad v prípade nedostatku vhodných pôd je nepraktické
stavať sídelné a výrobné komponenty priamo na vhodnej pôde, skôr sa dá predpokladať
budovanie týchto komponentov v blízkosti týchto pôd. Takisto v prípade výskytu sídliska sa
dá predpokladať využívanie širšieho zázemia okolitej krajiny. Napríklad v (Danielisová, 2005)
sa uvádza využívanie zázemia až do pol hodiny chôdze (na rovine 2500 m). V prípade analýz
sme sa preto zamerali aj na prítomnosť pôdy v najbližšom zázemí (do 1000 m) (König 2007).
Celkovo je modelovanie javu výskytu premennej v okolí daného javu pomerne
obtiažne. V prípade binárneho prístupu, t.j. tam kde máme zastúpený len najvhodnejší jav, je
možné ho modelovať napríklad fuzzy funkciami príslušnosti (kapitola 5.2.7). Problém nastáva
keď rozlišujeme viacero stupňov vhodnosti.
Na modelovanie blízkosti pôd sme v našom prípade využili tzv. „fokálne susedské
funkcie“, ktoré pracujú s javmi v najbližšom definovanom okolí buniek. V prípade
reklasifikácie podľa odhadu vhodnosti pôd a produkčného potenciálu sme využili tzv. „lokálne
maximum“ Táto funkcia pre každú bunku rastra (časť krajiny) priradí hodnotu
najhodnotnejšieho javu (pôdy) v zvolenom polomere.
Takto boli odvodené vrstvy lokálneho maxima vhodných pôd podľa expertného odhadu
a produkčného potenciálu v okruhu 100 m, 500 m a 1000 m. Ukážkou vrstvy je (Obrázok
4-42), kde vidieť rozostrenie hraníc pôd v prospech tých najvhodnejších v danom okolí.
V prípade analýzy najväčšieho zastúpenia pôd na lokalite sme využívali fokálnu
susedskú funkciu „majority“, ktorá pre každú bunku rastra priradí hodnotu najzastúpenejšieho
javu (pôdy) v zvolenom polomere (100 m, 500 m, 1000 m). Ukážkou je (Obrázok 4-43).
Aj tieto funkcie majú určité limity, základným je ten, že zvažujú len euklidovskú
vzdialenosť (v metroch alebo v počte buniek). Tento limit sa najviac prejaví v členitom teréne
naopak na rovinatom území je eliminovaný. Nevýhodu môžu mať aj v niektorých extrémnych
prípadoch uvedených na nasledovnom obrázku (Obrázok 4-44). V prípade analýz lokálneho
maxima, táto funkcia volí najvyššiu hodnotu javu bez ohľadu na mieru jej zastúpenia
(Obrázok 4-44 - vľavo). Funkcia „majority“ vyhodnocuje najväčšie zastúpenie javu bez
ohľadu na blízkosť vhodného javu (Obrázok 4-44 - vpravo), čím môže diskriminovať územia,
ktoré sú už v tesnej blízkosti vhodných pôd, ale stále sú obklopené nevhodnými pôdami.
Limity týchto analýz treba zvážiť pri interpretácii výsledkov.
93
Obrázok 4-42 Pôdny typ vhodnosť do 300 m
Obrázok 4-43 Vrstva najviac zastúpených pôd v okruhu 500 m
94
Obrázok 4-44 Limity analýz "lokálne maximum" (vľavo) a "majority" (vpravo)
4.5 Štatistické testovanie výsledkov priestorových analýz Po odvodení jednotlivých sekundárnych vrstiev je nutné tieto vrstvy štatisticky
testovať. Hodnoty jednotlivých premenných určíme pre jednotlivé lokality a aj pre celú krajinu
(pozadie). Na určenie hodnôt na jednotlivých záznamoch sme využili funkciu extract to point,
ktorá priradí bodu (lokalite) konkrétnu hodnotu bunky rastra, na ktorej sa nachádza. V prípade
krajiny sme celú krajinu prevzorkovali 10 000 náhodnými bodmi, na ktorých sme určili
hodnotu daného javu.
Čo sa týka charakteristiky archeologických dát na záujmovom území, dá sa tvrdiť, že
dáta sú vzhľadom na celkový nesystematický charakter preskúmanosti archeologických dát na
Slovensku značne nereprezentatívne. Zvýšeniu výpovednej hodnoty výsledkov štatistických
analýz by tiež prospelo aj zvýšenie ich počtu, keďže na rozlohe územia 3400 km2 vstupuje do
testovania cca 350 lokalít pre celý časový úsek (od praveku až po stredovek).
4.5.1 Základná deskriptívna štatistika V prvom kroku bola vykonaná základná deskriptívna štatistika a to vo forme určenia
základných parametrov hodnôt danej premennej na lokalite a na krajine. Uvádzame ukážku
základnej štatistickej analýzy sklonu reliéfu (Tabuľka 4-3 a 4-4) (Obrázok 4-45).
Tabuľka 4-3 Základné charakteristiky analýzy sklonu
Sklon Počet Mean Median Krajina 9971 7.283 5.027
Lokality 356 4.393 2.676
Štand. odchýlka 7.070
4.456
Minimum Maximum
0.014
0.075
42.324
25.955
70% Percentil 1 Kvartil 3 Kvartil 9.192
5.597
1.649 10.686
1.113 6.747
95
Obrázok 4-45 Box plot pre archeologické lokality a krajinu
Tabuľka 4-4 Základná štatistická analýza sklonu
Sklon Kat. 1 2 3 4 5 6 7 8 9 [°] 2 4 6 8 10 12 14 16 >16 Spolu Archeologické lokality Krajina Index významnosti Pozorované % Kumul. % Očakávané % Kumul. %
141 39.6 39.6 2807 28.1 28.1 75 21.1 60.7 1501 15.0 43.1 39 11.0 71.6 1251 12.5 55.6 34 9.6 81.2 953 9.5 65.1 30 8.4 89.6 771 7.7 72.8 12 3.4 93.0 627 6.3 79.1 12 3.4 96.3 424 4.2 83.3 2 0.6 96.9 362 3.6 87.0 11 3.1 100.0 1304 13.0 100.0 356 100.0 100.0 10000 100.0
100.0 pozor. / očakávané 1.41
1.40
0.88
1.00
1.09
0.54
0.79
0.16
0.24
V prípade kvalitatívnych (nominálnych) premenných – v našom prípade pôd – nebolo
možné vzhľadom na ich povahu použiť niektoré štatistické metódy, preto štatistickému
spracovaniu pôd venujeme samostatnú podkapitolu (na záver tejto kapitoly).
96
Graf 4-5 Základná štatistická analýza sklonu
4.5.2 Testovanie štatistických rozdelení Pri štatistickom testovaní vychádzame z predpokladu, že pokiaľ mala určitá premenná
vplyv na rozloženie lokalít, tak existuje štatisticky významný rozdiel medzi hodnotami tejto
premennej na archeologických lokalitách a na zvyšku územia (krajiny), resp. že lokality sú
naakumulované na malých územiach, ktoré sa významne líšia od zvyšku záujmového územia
(Goláň, 2003).
Základným krokom bolo testovanie, či sa distribúcia daného javu na archeologickej
lokalite a v krajine líši, alebo nie. Pričom môžeme predpokladať, že v prípadne odlišnosti mal
daný jav a jeho vlastnosti vplyv na existenciu archeologických lokalít. V prípade zhody
vlastností sa dá predpokladať žiaden, resp. zanedbateľný vplyv. Bola vytvorená základná
hypotéza H0: Lokality a krajina sa svojimi vlastnosťami neodlišujú. V protiklade k tomu bola
stanovená hypotéza H1: Lokality a krajina sa svojimi vlastnosťami odlišujú. K zamietnutiu
hypotézy H0 dochádza podľa (Rimančík, 2006) vtedy, ak rozdiel (P < 0,05). Znamená to, že
medzi intervalovou a binárnou premennou existuje vzťah.
Aplikované boli viaceré metódy na zisťovanie štatistickej významnosti rozdielu hodnôt
medzi archeologickými lokalitami (ALA) a zvyškom krajiny (TVP). Vzhľadom na to, že
u jednotlivých premenných sa nedá predpokladať normálne rozdelenie, rozhodli sme sa použiť
neparametrické testy. Medzi tieto metódy patrí napríklad Kolmogorov-Smirnovov test, ktorý je
testom významnosti zhody empirického a teoretického rozdelenia, teda overuje, či vzorky
97
pochádzajú z jedného základného súboru. Test je citlivý na všetky rozdiely v tvare rozdelenia:
strednú hodnotu (priemer, medián), rozptyl, šikmosť a špicatosť.
Ďalší aplikovaný test bol neparametrický Mann-Whitney rank-sum test. Test sa používa
pri porovnaní mediánov dvoch nezávislých vzoriek. Test odpovedá na otázku, či je rozdiel
mediánov (presnejšie priemerov poradí) dvoch skupín štatisticky významný, alebo iba
náhodný. Tento test je v podstate neparametrickou alternatívou t-testu. V prípade
porovnávania viac ako dvoch skupín treba použiť Kruskal-Wallis test. V prípade dvoch skupín
su tieto testy ekivalentné.
Tabuľka 4-5 Porovnanie vybraných testov
Vrstvy Celoročné oslnenie CDToky123 CDToky23 CDFLToky123 CDFLToky23 CDFluvilnOut Krivosť Lokal Relief 500m Lokal Relief 100m Nadmorská výška Orientácia Orientácia od severu Oslnenie Veget. obdobie RIM index Sklon Vhodnosť pôdy (Exp. o.) Vhodnosť pôdy (Exp. o.) 100 m Vhodnosť pôdy (Exp. o.) 300 m Vhodnosť pôdy (Exp. o.) 500 m Pôdy produkč. pot.100 m Pôdy produkč. pot.300 m Pôdy produkč. pot.500 m Pôdy majority100 m Pôdy majority300 m Pôdy majority500 m Kolmogorov ‐ Smirnov Kruskal ‐ Wallis p 0.00015 0.00000 0.00000 0.00000 0.00000 0.00000 0.00290 0.00000 0.00000 0.00000 0.00530 0.01090 0.00050 0.01011 0.00000 ‐ ‐ ‐ ‐ ‐ ‐ ‐ ‐ ‐ ‐ p 0.29997 0.00000 0.00000 0.00000 0.00000 0.00000 0.00120 0.00000 0.00000 0.00000 0.02570 0.06360 0.53680 0.00140 0.00000 ‐ ‐ ‐ ‐ ‐ ‐ ‐ ‐ ‐ ‐ Chi ‐ kvadrát p 0.12230 0.00000 0.00000 0.00000 0.00000 0.00000 0.00478 0.00000 0.00000 0.00000 0.01270 0.03782 0.04780 0.08930 0.00000 0.00000 0.00003 0.00008 0.00012 0.00001 0.00004 0.00005 0.00000 0.00000 0.00000 98
V prípade nominálnych dát je v archeológii rozšírené používanie Pearsonovho Chikvadrát testu dobrej zhody (Danielisová 2005), ktorý vychádza z frekvenčnej tabuľky (tabuľka
početností) a testuje nulovú štatistickú hypotézu, ktorá tvrdí, že početnosti v jednotlivých
kategóriách sa rovnajú očakávaným (teoretickým) početnostiam (Chajdiak, 2007). Výsledky
boli spracované do tabuľky (Tabuľka 4-5), z ktorej vyplýva, že až na výnimky (oslnenie
reliéfu) majú všetky premenné vplyv a hypotéza H0: Lokality a krajina sa svojimi
vlastnosťami neodlišujú sa takmer vo všetkých premenných zamieta. Hodnoty p = 0.00000 sú
veľmi nízke, preto nie sú zachytené. Hodnota „-„ nebola zistiteľná.
4.5.3 Testovanie miery rozdielnosti Testy na preukázanie štatistickej významnosti rozdielu nám dokážu určiť, či sú
hodnoty daného javu rozdielne a na akej hladine významnosti. Nedokážu nám ale určiť, do
akej miery sú rozdielne. Táto informácia je dôležitá aj z hľadiska určovania váh a teda vlyvu
jednotlivých premenných. Ak má premenná výrazný rozdiel v zastúpení na lokalite a krajine,
dá sa predpokladať aj jej vysoká váha. Ak napríklad daný jav preferuje 80% lokalít, pričom
daný jav sa nachádza na 20% krajiny, dá sa predpokladať väčší vplyv ako v prípade zastúpenia
60% lokalít na 40% krajiny.
Na kvantifikovanie miery rozdielnosti sme použili tzv. “Lorentzovu krivku”, z ktorej
sme následne odvodili “koeficient koncentrácie”.
Lorentzova krivka (Obrázok 4-1) znázorňuje koncentráciu hodnôt znaku v súbore,
pričom miery koncentrácie sú hodnoty ktoré charakterizujú podiel štatistických jednotiek na
celkovom úhrne hodnoôt znaku v súbore. Konštruuje sa tak, že na osi X a Y sa vynesú
kumulatívne početnosti daného javu v krajine a aj na lokalite. Ak by boli všetky hodnoty
znaku rovnaké, teda percentuálne zastúpenie lokalít v danom jave by rovnomoerne stúpalo zo
zastúpením javu v krajine, Lorentzova krivka by bola zhodná s uhlopriečkou. Čím väčšia je
plocha medzi krivkou a uhlopriečkou, tým vyšší je stupeň koncentrácie. Práve túto mieru
odlišnosti nám definuje koeficient koncentrácie, ktorý definujeme ako podiel plochy
ohraničenej Lorenzovou krivkou v štvorci koncentrácie (Zlacká):
Gx = K k =
P 0,5 − S
=
= 1 − 2S ,
T
0,5
(4.1)
kde P je plocha ohraničená diagonálou a Lorenzovou krivkou,
T je plocha trojuholníka (T = 0.5) a S = T - P.
99
Plocha S sa vypočíta ako súčet plôch obdĺžnikov ktorých strany sú fi a 0.5(Zi-1 + Zi). Pre Kk
potom platí:
m
K k = 1 − ∑ fi ( Z i −1 + Z i ) .
(4.2)
i =1
Obrázok 4-46 Lorentzova krivka (podľa Zlacká)
Hodnoty koeficientu koncetrácie pre každú premennú boli vypočítané pomocou skriptu
vytvoreného v štatistickom softvéri „R“ a sú zaznamenané v (Tabuľka 4-6).
Tabuľka 4-6: Vypočítané koeficienty koncentrácie
Vrstva koeficient koncentrácie
Vrstva koeficient koncentrácie Celoročné oslnenie 12.56 % RIM index 9.96 % CDToky123 17.85 % Sklon 22.50% CDToky23 26.26 % Vhodnosť pôdy (Exp. o.) ‐ CDFLToky123 27.27 % Vhodnosť pôdy (Exp. o.) 100 m ‐ CDFLToky23 33.51 % Vhodnosť pôdy (Exp. o.) 300 m ‐ CDFluvilnOut 38.44 % Vhodnosť pôdy (Exp. o.) 500 m ‐ Krivosť 10.03% Pôdy produkč. pot.100 m ‐ Lokal Relief 500m 17.85 % Pôdy produkč. pot.300 m ‐ Lokal Relief 100m 20.38 % Pôdy produkč. pot.500 m ‐ Nadmorská výška 25.48 % Pôdy majority100 m ‐ Orientácia 7.24 % Pôdy majority300 m ‐ Orientácia od severu 6.48 % Pôdy majority500 m ‐ Oslnenie Veget. obdobie 11.67 % 100
Ukážku takéhoto výpočtu, ako aj Lorentzovej krivky možno vidieť na (Obrázok 4-47). Obrázok 4-47 Znázornenie Lorentzovej krivky a relatívnych početností pre vrstvu Sklon reliéfu
Zaujímavé výsledky prinieslo porovnanie koeficientov koncentrácie pre nákladové
vzdialenosti (Obrázok 4-48).
Obrázok 4-48 Porovnanie Lorentzových kriviek a koeficientov koncentrácie pre nákladové vzdialenosti
Na základe Lorentzových kriviek a koeficientov koncentrácie sa dá usúdiť, že
najvýraznejší vplyv na výskyt má vzdialenosť od hraníc fluviálnych usadenín. Táto závislosť
101
sa dá sledovať aj vizuálne (Obrázok 4-36). Podmienené to je viacerými faktormi. Vo
všeobecnosti sa predpokladá výskyt osídlenia mimo riečnych nív, ktoré boli periodicky
zaplavované, pričom intenzita záplav narastala behom stredoveku vplyvom antropogénnej
činnosti (odlesňovanie). Predpokladá sa využívanie nív skôr na pastvu dobytka, pretože
záplavy neumožňovali vykonávať pravidelnú poľnohospodársku činnosť (Danielisová, 2005).
Ďalším faktorom s vplyvom na vysoký výskyt pozorovaných lokalít v blízkosti
fluviálnych usadenín je aj možnosť, že existujúce archeologické lokality boli buď postupne
denundované (odplavené) postupným meandrovaním vodných tokov, resp. lokality môžu byť
prekryté hrubou vrstvou naplavenín. Skúmaniu tohto javu by dopomohla informácia o hrúbke
fluviálnych usadenín.
Naopak ak by sme pracovali s nákladovou vzdialenosťou k všetkým vodným tokom
(CDToky123), dostávame sa k pomerne nízkym číslam koeficientu koncentrácie. Je to
podmienené tým že záujmové územie je pomerne bohaté na prítomnosť povrchových vodných
tokov (obrazne sa dá povedať že „voda je všade“) (Obrázok 4-49).
Obrázok 4-49 Porovnanie nákladovej vzdialenosti od všetkých vodných tokov (vľavo) a od veľkých
a stredných tokov (vpravo)
4.5.4 Testovanie vzájomnej korelácie dát Značným a mnohokrát prehliadaným problémom je vzájomná korelácia javov. Javy sú
pokladané za vzájomne nezávislé, pričom sú často skryte korelované. Platí to špeciálne
v prípade morfometrických analýz reliéfu, kde sa vychádza zo základného prvku, a tým je
výška reliéfu. Príklad možno vidieť na nasledovnom obrázku (Obrázok 4-50). Nami sledovaná
102
premenná lokálny reliéf je v priamej súvislosti s premennou sklon (idealizovaný prípad), a tá
je zas funkciou nadmorskej výšky a euklidovskej vzdialenosti.
Obrázok 4-50 Korelácie medzi jednotlivými javmi
Tieto korelácie môžu značne skreslovať interpretáciu analýz a výsledky predikčného
modelovania, pretože môžu priradiť určitej kombinácii javov neprimerane vysokú váhu, ktorá
vznikne kombináciou korelovanéhých javov. Korelácie je v ideálnom prípade možné odstrániť
kovarianciami, avšak ich modelovanie a určenie je obtiažne aj v prípade dvoch javov (ak
nepoznáme exaktné priestorové vzťahy). Mnohokrát majú korelácie aj skrytý charakter príkladom je černozem, ktorá nesedimentuje vo vyšších nadmorských výškach (Lieskovský,
2008), preto je potrebné navzájom jednotlivé javy testovať a v prípade výskytu vysokej
korelácie dvoch alebo viacerých javov vybrať len ten najpodstanejší.
Na určenie závislosti medzi dvoma premennými sme použili nasledovné 2 testy:
Pearsonov koeficient korelácie:
Na určenie tesnosti lineárnej závislosti medzi dvomi premennými používame
Pearsonov koeficient korelácie. Ak označíme x1 , x 2 ,...x n hodnoty prvej premennej a ako
y1 , y 2 ,... y n hodnoty druhej premennej, tak Pearsonov koeficient korelácie je určený vzťahom
(Soper, 1917):
103
n
n
n
n∑ xi y i − ∑ xi ∑ y i
ρ=
i =1
i =1
i =1
n
n
n
n
i =1
i =1
i =1
i =1
.
(4.3)
(n∑ xi2 − (∑ xi ) 2 )(n∑ y i2 − (∑ y i ) 2 )
Pearsonov koeficient korelácie nadobúda len hodnoty z intervalu 〈−1,1〉 . Hodnoty
ležiace pri okrajoch intervalu pritom svedčia o silnej lineárnej závislosti medzi premennými.
V prípade viac ako dvoch premenných používame tzv. Pearsonovu korelačnú maticu, ktorá má
na pozícii (i, j ) Pearsonov koeficient korelácie premenných X i a X j .
Kendallov koeficient korelácie
Niektoré javy a premenná nemusia byť v priamom lineárnom vzťahu, môžu byť ale vo
vzťahu nelineárnom. V tomto prípade by Pearsonov koeficient korelácie nadobúdal hodnoty
blízke nule, premenné sú ale napriek tomu v určitom vzťahu. Východiskom je
použitie
Kendallovho koeficientu korelácie. Na jeho definovanie treba najskôr vysvetliť pojem
konkordancie. Hovoríme, že páry ( xi , y i ) a ( x j , y j ) sú konkordantné, ak xi < x j
a súčasne y i < y j alebo ak xi > x j a súčasne y i > y j . V opačnom prípade ich voláme
diskonkordantné. Takto vypočítame počet všetkým konkordantných dvojíc P . Kendallov
koeficient korelácie teraz vypočítame podľa vzťahu (Kendall, 1938):
τ = 1−
4P
.
n(n − 1)
(4.4)
Podobne ako pri Pearsonovom koeficiente korelácie, aj Kendallov koeficient korelácie
nadobúda hodnoty z intervalu 〈− 1,1〉 , pričom krajné hodnoty svedčia o veľmi silnej závislosti
medzi premennými. Kendallova korelačná matica je potom definovaná analogicky ako
Pearsonova.
Získané hodnoty korelačného koeficientu sme vizuálne znázornili vo forme korelačnej
matice (Obrázok 4-51), pričom na vyjadrenie priamej závislosti bola použitá červená farba
a na vyjadrenie nepriamej závislosti modrá farba. Veľkosti krúžkov (interpretácia korelačného
koeficientu) boli zvolené na základe prístupu navrhnutom (Cohen, 1988) pre sociálne vedy.
Teda korelácia (v absolútnej hodnote) je pod 0.1 triviálna, 0.1 – 0.3 malá, nad 0.5 vysoká.
Doplnili sme modifikáciu pre koreláciu pre hodnoty 0.7 a vyššie a tie sme označili ako veľmi
vysoké.
104
Obrázok 4-51 Vizualizácia Personovej (vľavo) a Kendallovej (vpravo) korelačnej matice
4.5.5 Zhodnotenie výsledkov štatistických analýz vybraných vrstiev Na základe výsledkov testovania rozdielov štatistických rozdelní sme sa rozhodli
vylúčiť vrstvy celoročného oslnenia reliéfu, expozície a RIM indexu. Tieto vrstvy mohli byť
ovplyvnené tým, že značná časť uzemia s veľkým výskytom známych lokalít sa nachádza
v rovinatej oblasti. Ich vplyv v hornatom a členitom reliéfe a v prípade spracovávania
modelov v členitých územiach má význam prehodnotiť.
Naše závery potvrdili aj výsledky skúmania koeficientu koncentrácie pre vybrané javy
na záujmovom území. V prípade vylúčených vrstiev bol tento koeficient koncentrácie najnižší.
Naopak najvyšší koeficient koncentrácie mali vrstvy nákladovej vzdialenosti od fluviálnych
usadenín (FluviInOut), sklonu, nákladových vzdialeností od vodných tokov a fluviálnych
usadenín, nadmorskej výšky a lokálneho reliéfu.
Skúmanie vzájomnej korelácie poukázalo na veľkú koreláciu navzájom podobných
javov, ako sú vzdialenosti od vodných tokov a fluviálnych usadenín a ich kombinácie,
lokálneho reliéfu v okruhu 100 m a 500 m a oslnenia reliéfu celoročného a vo vegetačnom
období. Táto závislosť je logická a očakávaná vzhľadom na to, že uvedené vrstvy majú
spoločný základ a vzájomne sa líšia len v parametroch.
Okrem iného bola preukázaná aj vysoká miera korelácie medzi vrstvou RIM index
a lokálna krivosť. Tento fakt je spôsobený tým, že výpočet oboch parametrov má v princípe
105
podobný matematický základ. Lokálna krivosť je limitovaná výpočtom na základe susedných
buniek, RIM index je možné počítať v zvolenom polomere.
Veľká miera korelácie medzi vrstvami sklonu a lokálneho reliéf (v okruhu 100 m
a 500 m) je spôsobená vzájomnou previazanosťou týchto parametrov (Obrázok 4-49). Veľká
hodnota zmeny lokálneho reliéfu sa prejavuje v členitých územiach a spôsouje aj veľké zmeny
v sklone reliéfu.
Čiastočne medzi sebou korelujú aj parametre sklon reliéfu a nadmorská výška.
Na základe výsledkov týchto foriem testovania boli v konečnom dôsledku vybrané len
parametre „Sklon reliéfu“, „Nákladová vzdialenosť k hraniciam fluviálnych usadenín“,
„Nákladová vzdialenosť k veľkým a stredným tokom“ (za predpokladu že tieto vrstvy
predstavujú vzájomú alternatívu). Vybrané vrstvy spĺňajú podmienky vplyvu na výskyt
archeologických lokalít, majú zo všetkých parametrov najvýraznejši vplyv a nie sú vzájomne
korelované. Vrstvu vzdialenosti od veľkých a stredných tokov sme zvolili z dôvodu
porovnania predikčných modelov založených na tradičnom prístupe (vzdialenosť od vodných
tokov) a na základe v praxi ešte nie príliš aplikovaného prístupu založenom na analýzach
vzdialeností od hraníc fluviálnych usadenín (resp. potenciálnych záplavových oblastí).
Ani v tomto prípade však nie je korektné tvrdenie o úplnej nezávislosti týchto
premenných. Napríklad v prípade nákladovej vzdialenosti od vodných tokov, generovaných na
základe potencíálneho povrchového odtoku je potenciálny odtok funkciou sklonu reliéfu
a expozície reliéfu, takisto nákladová vzdialenosť je funkciou sklonu reliéfu a expozície.
Obdobné závislosti sa dajú napríklad nájsť aj v prípade výskytu pôd, potenciálnej prirodzenej
vegetácie a pod., čo vyplýva z prirodzenej povahy reálnych javov.
V prípade vhodnosti pôd do 100 m preukázali výsledky analýz vysokú štatistickú
významnosť, zreteľná je hlavne kumulácia lokalít na hnedozemiach, čo je podmienené tým,
že sa nachádzajú na 46% záujmového územia. Nižšia preferencia v súčasnosti najvhodnejších
pôd – černozemí, môže byť spôsobená nevhodnosťou daných pôd v období lokálnych
klimatických výkyvov, keď pri oteplení sa tieto pôdy ľahko vysúšajú a menia na step
(Andrísek, 2008).
Ostatné testované vrstvy preukázali mieru zvýšenej štatistickej významnosti
na minimálnej hladine významnosti α = 0.05, čo potvrdzuje predpoklady o voľbe miesta
ľudských aktivít v závislosti od prírodných podmienok. Z testov ich ale vylúčil fakt, že
sledovaný jav je zastúpený na širokej miere územia, a tým spôsobuje skreslenie získaných
modelov.
106
4.6 Štatistické testovanie pôdnych typov Vzhľadom na to, že dáta o pôdach sú prevažne nominálneho (kategorického)
charakteru, nebolo možné prikročiť k ich testovaniu všetkými uvedenými metódami. Z metód
testovania štatistických rozdelení (kapitola 4.5.2) bola aplikovateľná jedine metóda
Pearsonovho Chi-kvadrát testu dobrej zhody. Výsledky testov sú uvedené v ( Tabuľka 4-7).
Testy preukázali zamietnutie hypotézy H0: Lokality a krajina sa svojimi vlastnosťami
neodlišujú vo všetkých prístupoch k analyzovaniu pôd na vysokej hladine významnosti. Teda
sa potvrdil predpoklad, že pôdy a pôdne typy mali vplyv na voľbu umiestnenia lokalít.
V prípade určenia miery rozdielnosti nebolo možné použiť koeficient koncentrácie.
Pristúpili sme preto k testovaniu pomocou rozdielu distribúcií (bližšie kapitola 5.3) kde platí
pravidlo, že čím je rozdiel vyšší, tým výraznejší vplyv mal daný jav na výskyt lokalít.
Pre každý z prístupov (expertný odhad, produkčný potenciál, najväčšie zastúpenie v
okolí) a pre každú variantu vzdialenosti okolia (na mieste lokality, v okruhu 100m, 500m,
1000m) bola vytvorená tabuľka, v ktorej sa na základe relatívnych početností výskytu
archeologických lokalít na danom jave a na základe relatívnej početnosti výskytu daného javu
v krajine sledovali 2 indexy významnosti: „rozdielový“ (Lokality – Krajina) (bližšie kapitola
5.3) a „podielový“ (Lokality/Krajina) (Kuna 2007). Z týchto výsledkov vzniklo aj grafické
spracovanie. Pre ukazovateľ „podielový index významnosti“ (PIV) platí, že ak PIV je menší
ako 1 tak sa lokality „vyhýbali“ danej triede, resp. percentuálne zastúpenie danej triedy
v krajine bolo väčšie ako percentuálne zastúpenie lokalít v danej triede (napr. daná trieda
zaberá 15% plochy krajiny, ale nachádza sa na nej len 5% lokalít zo sledovaného územia).
V prípade PIV väčšieho ako 1 možno hovoriť o preferencii daného javu (triedy). V prípade
záporného „rozdielového indexu významnosti“ (RIV) platí „vyhýbanie sa“ danej triede,
v prípade kladného RIV existuje „preferencia“, a v prípade RIV rovného nule platí
rovnovážny stav (napr. daná trieda zaberá 30% plochy krajiny, ale nachádza sa na nej 30%
lokalít zo sledovaného územia).
Príklad metodiky analýzy pre vhodnosť pôdnych typov na základe expertného odhadu
uvádzame v (Tabuľka 4-7) a (Graf 4-7).
107
Tabuľka 4-7: Výsledky štatistických testov pre pôdny typ
a) Pôdny typ vhodnosť (výskyt na archeologickej lokalite) Relatívna Pôdny typ Počet Početnosť Vhodnosť Lokality Krajina (bunky) Index významnosti Lokality Krajina Lokality/Krajina Lokality ‐ Krajina |Lokality ‐ Krajina| 0.0065 0.0065
1 20 420537 0.0562
0.0497
1.13
2 17 315584 0.0478
0.0373
1.28
0.0105 0.0105
3 34 914877 0.0955
0.1080
0.88
‐0.0125 0.0125
4 123 3790776 0.3455
0.4476
0.77
‐0.1021 0.1021
5 142 2298019 0.3989
0.2713
1.47
0.1275 0.1275
6 20 729351 0.0562
0.0861
0.65
‐0.0299 0.0299
356 8469144 1.0000
1.0000
Váha=∑|Lokality ‐ Krajina|= b) Pôdny typ (najväčšie zastúpenie v okruhu 100m ) Relatívna Pôdny typ Počet Početnosť Vhodnosť Lokality Krajina (bunky) 1 0.2891
Index významnosti Lokality Krajina Lokality/Krajina Lokality ‐ Krajina |Lokality ‐ Krajina| 9 202088 0.0253
0.0239
1.06
0.0014 0.0014
2 4 191006 0.0112
0.0226
0.50
‐0.0113 0.0113
3 26 744339 0.0730
0.0879
0.83
‐0.0149 0.0149
4 132 3851762 0.3708
0.4549
0.82
‐0.0841 0.0841
5 159 2647828 0.4466
0.3127
1.43
0.1339 0.1339
6 26 830013 0.0730
0.0980
0.75
‐0.0250 0.0250
356 8467036 1.0000
1.0000
c) Pôdny typ (najväčšie zastúpenie v okruhu 500m ) Relatívna Pôdny typ Počet Početnosť Vhodnosť Lokality Krajina (bunky) Váha=∑|Lokality ‐ Krajina|= Index významnosti Lokality Krajina Lokality/Krajina 0.2706
Lokality ‐ Krajina |Lokality ‐ Krajina| 1 1 11030 0.0028
0.0013
2.16
0.0015 0.0015
2 0 37970 0.0000
0.0045
0.00
‐0.0045 0.0045
3 13 294160 0.0365
0.0347
1.05
0.0018 0.0018
4 95 3453689 0.2669
0.4079
0.65
‐0.1410 0.1410
5 203 3519505 0.5702
0.4157
1.37
0.1546 0.1546
6 44 1150800 0.1236
0.1359
0.91
‐0.0123 0.0123
356 8467154 1.0000
1.0000
d) Pôdny typ (najväčšie zastúpenie v okruhu 1000 m ) Relatívna Pôdny typ Počet Početnosť Vhodnosť Lokality Krajina (bunky) Váha=∑|Lokality ‐ Krajina|= Index významnosti Lokality Krajina Lokality/Krajina 1 0 0 0.0000
0.0000 N/A 2 0 6381 0.0000
0.0008
0.3157
Lokality ‐ Krajina |Lokality ‐ Krajina| 0.0000 0.0000
0.00
‐0.0008 0.0008
3 3 106526 0.0084
0.0126
0.67
‐0.0042 0.0042
4 94 2869865 0.2640
0.3389
0.78
‐0.0749 0.0749
5 195 4010725 0.5478
0.4737
1.16
0.0741 0.0741
6 64 1473657 0.1798
0.1740
1.03
0.0057 0.0057
356 8467154 1.0000
1.0000
Váha=∑|Lokality ‐ Krajina|= 0.1596
108
Graf 4-7: Analýza indexov významnosti pre vhodnosť pôdnych typov
109
Celkové zhrnutie analýz pôd na základe rozdielov distribúcie (váhy) sa nachádza v
(Tabuľka 4-8).
Tabuľka 4-8: Rozdiel distribúcií (váh) pre jednotlivé prístupy a okruhy
Na lokalite okruh 100 m
okruh 500 m okruh 1000 m Pôdy vhodnosť (expertný odhad) 0.2891
0.2706
0.3517 0.1596
Pôdny typ (produkčný potenciál) 0.5191
0.5023
0.3422 0.4525
Pôdny typ (najväčšie zastúpenie v okolí) 0.5191
0.5233
0.5241 0.448
Z výsledkov vyplýva, že najnižší vplyv (váhu) by malo určenie vhodnosti pôdy na
základe expertného odhadu (EO), kde sa najviac prejavuje v okolí 500 m. Z indexov
významnosti (Tabuľka 4-7) vyplýva, že v tomto prípade bola najviac preferovaná kategória č.
5, zdanlivá preferencia pôd najhorších (kategória č. 1), je spôsobená určitými numerickými
nedostatkami PIV (bližšie v kapitole 5.3). Paradoxne, najvhodnejšia kategória č. 6 (černice
a čiernozeme) nebola preferovaná. Nižšia preferencia týchto v súčasnosti najvhodnejších pôd
môže byť spôsobená nevhodnosťou daných pôd v období lokálnych klimatických výkyvov,
keď pri oteplení sa tieto pôdy ľahko vysúšajú a menia na step (Andrísek, 2008).
Hodnotenie na základe produkčného potenciálu už prinieslo vyšší vplyv. Tento prístup
sme sa napriek tomu rozhodli vylúčiť vzhľadom na jeho výlučne súčasný prístup.
Najvyšší rozdiel distribúcií sa prejavuje pri prístupe založenom na skúmaní najväčšieho
zastúpenia pôdneho typu v okolí (majority) a to konkrétne v okruhu 500 m.
Zaujímavé výsledky priniesli indexy významnosti pri skúmaní zastúpenia konkrétneho
pôdneho typu priamo na lokalite (graf 4-8), a to či už cez skúmanie produkčného potenciálu,
resp. zastúpenia pôdy v okolí, pretože „in situ“ sú východiskové podmienky rovnaké. Podľa
indexov významnosti sú najviac preferované fluvizeme, čo poukazuje na skrytú koreláciu
s fluviálnymi usadeninami a celkovo blízkosťou vody. V prípade neinterpolovania miest
v zastavaných územiach obcí, kde sa informácie o pôdnych typoch nenachádzajú (označenie
„osada“), je druhý najvyšší index významnosti práve pre túto kategóriu. Z hľadiska
predikčného modelovania
to môže
poukazovať na 2 skutočnosti. Jednak to môže byť
spôsobené tým, že na týchto miestach boli podmienky tak vhodné, že tam vzniklo trvalé
osídlenie, ktoré zotrváva až do dnešných čias. Na druhej strane sa v tomto prípade môže
prejaviť štatistická nereprezentatívnosť dát, podmienená tým, že v zastavanom území je vyššia
pravdepodobnosť odhalenia archeologických nálezov a lokalít (dôvodom môže byť zvýšená
stavebná činnosť alebo záchranné výskumy).
110
Graf 4-8 Rozdielový index významnosti v prípade zastúpenia pôdnych typov na lokalite
Celkovo je problematika pôd v predikčnom modelovaní oblasťou, ktorá si vyžaduje
zvýšenú pozornosť. Vplyv pôd a ich blízkosti má určite vplyv na voľbu lokality,
problematický môže byť ale prístup k spracovaniu týchto dát (napríklad riešenie podmienky
„na vhodných pôdach a v ich blízkosti“). Problematické môžu byť aj samotné dáta o pôdach.
Z časového hľadiska pôdy nepredstavujú invariantu ale zložku, ktorá sa vyvíja a mení v čase.
Vznik pôd môže byť podmienený napríklad aj antropogénnou činnosťou akou je rozsiahle
odlesňovanie (Andrísek, 2008). Ich úrodnosť a využiteľnosť môže byť podmienená
klimatickými zmenami a podmienkami, ako aj stavom a vývinom techniky na ich využitie
(obrábanie) v čase. Samostatný problém tvoria aj dáta a ich povaha. Hodnotenie na základe
produkčného potenciálu (Tabuľka 4-2), (Bielek, 1998) poukazuje na extrémny rozptyl
potenciálu pre mnohé pôdne typy. Spôsobené to je rozličnými mechanickými vlastnosťami
a variantmi jednotlivých pôdnych typov, ako je ich hrúbka, zrnitosť, skelet a pod.
V neposlednom rade si treba uvedomiť, že aj pôdne mapy a polygóny sú výsledkom
interpolácie bodových meraní a pôdnych sond. Navrhujeme preto do budúcna spracovanie
týchto pôvodných dát (v prípade ich dostupnosti) za asistencie pedológov a expertov na
historické poľnohospodárstvo priamo na účely archeológie, resp. archeologickej predikcie,
a to najmä v prípade detailnejších analýz mikroregionálneho rozsahu.
111
5 Návrh analytického archeologického predikčného modelu Východiskom pri tvorbe analytického APM je dostupná priestorová DB a výsledky
štatistických testovaní realizovaných analýz, pričom pri kombinácii jednotlivých vrstiev je
možné použiť viacero prístupov. Od jednoduchého booleovského sčítavania binárnych vrstiev
(s hodnotami 0 a1), cez možnosti použitia kombinácie podľa váh, až po prístup založený na
fuzzy logike a štatistickom spracovaní výsledkov priestorových analýz. V prípade vytvorenia
predikčného modelu na záujmovom území sme sa vzhľadom na problematickú
reprezentatívnosť štatistických výsledkov rozhodli využiť v praxi úspešne viackrát aplikovaný
prístup založený na kombinácii induktívneho prístupu (na základe štatistického testovania
archeologických
lokalít)
a deduktívneho
prístupu
(založeného
na
predpokladaných
parametroch krajiny. Takýto model, resp. jeho variácie boli viackrát použité napr. v prácach
ako (Stančič, 1998), (Goláň 2003), (Danielisová, 2005) alebo (Lieskovský, 2008).
5.1 Východiská archeologického predikčného modelovania Pri tvorbe predikčného modelu sme sa rozhodli testovať viacero prístupov od čisto
deduktívneho (založeného na expertnom odhade, skúsenostiach z terénu, zmienkach
v literatúre a konzultáciách s archeológmi), až po čisto induktívny prístup (založený len na
výsledkoch priestorových analýz a ich štatistickom spracovaní), prípadne kombináciu oboch
prístupov.
Pôvodným zámer projektu bolo vytvoriť APM so zameraním na pragmatické účely
(ochrana kultúrno – historického dedičstva) a na predikciu lokalít s pravdepodobnosťou
výskytu archeologického nálezu všeobecne. Preto sme sa zoberali celým časovým úsekom od
praveku až po stredovek.
V prípade akademického prístupu, ktorý je skôr zameraný na zvýšenie poznania
a hlavne zákonitostí využívania krajiny v minulosti a na faktory, ktoré toto využívanie
ovplyvňovali (Goláň,2003), sa predpokladá zostrojenie modelu pre obdobie existencie určitej
kultúry, či kultúrneho okruhu definovaného cez archeologické nálezy so zohľadnením
všetkých známych zákonitostí a špecifík daného úseku.
Jedným z riešení je prístup, kedy sa pre každý časový úsek vytvoria individuálne
predikčné modely (Madry, 2006) a tie sa následne operáciami prekrytia spolu skombinujú do
modelu finálneho. Tento prístup nie je vždy v praxi možný, resp. je možný len pri existencii
112
primeraného množstva archeologických dát pre daný časový úsek. V prípade nášho
záujmového územia je pre niektoré časové úseky k dispozícii minimálne množstvo dát,
neumožňujúce vytvoriť ani štatisticky relevantný súbor (Obrázok 4-3a, resp. 4-3b, c). Ďalej
môžeme predpokladať, že pri existencii veľkého množstva individuálnych modelov,
zohľadňujúcich široké variácie správania sa a zákonitostí v minulosti sa superpozíciou týchto
modelov môžeme dopracovať k podobnému výsledku, ako keď riešime celé časové obdobie
všeobecne (Obrázok 5-1).
Obrázok 5-1 Porovnanie modelov vzniknutých kombináciou čiastkových modelov (vľavo) a modelu
riešeného komplexne pre všetky časové obdobia (vpravo)
Iný prípad nastáva ak modelujeme a predikujeme komponenty a štruktúry, pre ktoré
platia počas celého časového úseku odlišné princípy a zákonitosti. Príkladom môže byť
individuálna predikcia sídlisk, pohrebísk a výšinných lokalít (hradísk). Možno predpokladať,
že sídliská a pohrebiská až na drobné variácie môžu mať podobné priestorové zákonitosti
(Obrázok 5-2 vľavo dole). Z praxe sa dá tiež predpokladať, že výšinné lokality majú dlhodobo
výrazne odlišné parametre a zákonitosti. V prípade nezohľadnenia týchto rozdielov dochádza
ku skresleniu výsledkov predikcie, kedy model môže „zbytočne“ predikovať väčšiu plochu
územia a zároveň popri tom nemusí zachytiť niektoré štruktúry (Obrázok 5-2 vpravo dole).
113
Obrázok 5-2 Predikčné modely pre štruktúry s odlišnými zákonitosťami
Vzhľadom na nevyhovujúci stav DB archeologických dát (Tencer, 2007, Kročková,
2006, resp. kapitola 4.3.1), kedy v takmer polovici prípadov nebolo možné zodpovedne
identifikovať a verifikovať funkčné zaradenie archeologického záznamu, sme boli nútení
z pragmatických dôvodov nezohľadniť tieto diferencie a akceptovať skreslenie takto
vzniknuté.
Princíp tvorby archeologických predikčných modelov
Pri tvorbe APM v prostredí GIS vo všeobecnosti používame operácie prekrytia nad
rastrovými vrstvami. Tieto vrstvy sú väčšinou odvodené z pôvodných dát na základe
induktívneho, alebo deduktívneho prístupu. Dôležité je správne identifikovať a určiť
parametre týchto vrstiev, a to vo forme stanovenia jednotlivých kategórií (tried) vo vnútri
vrstvy, stanovenia váhy vrstvy, ako aj jej celkového vplyvu.
Čo sa týka vplyvu jednotlivých vrstiev na APM navrhujeme rozdeliť tento vplyv do
nasledovných kategórií:
1)
Vrstvy s „výlučným vplyvom“:
Predstavujú tie vrstvy, ktorých vplyv je fundamentálny, teda vrstva má základný
vplyv a to aj za predpokladu, že všetky ostatné podmienky sú splnené, resp.
nesplnené. Príkladom takejto vrstvy v archeológii môže byť prítomnosť vody – ak
aj všetky ostatné podmienky sú splnené (napr. je na území vhodný sklon, vhodné
114
pôdy, príp. nerastné suroviny), tak pokiaľ nie je prítomná voda v rozumnej
dostupnosti, dá sa prítomnosť trvalého osídlenia ťažko predpokladať. Takáto
vrstva môže mať pozitívny vplyv na výskyt lokality (prítomnosť vody zvyšuje
atraktívnosť územia), zároveň neguje všetky pozitíva daného územia v miestach
kde nie je podmienka splnené (jav zastúpený). Vplyv takejto vrstvy môžeme
demonštrovať na (Obrázok 5-3). Po prekrytí podkladovej vrstvy vrstvou výlučnou
boli znegované všetky územia kde daná vrstva nebola zastúpená, resp. nadobúdala
negatívne hodnoty. V miestach kde nadobúdala kladné hodnoty (1) vo výsledku
zvýšila atraktivitu (výsledok 2).
Obrázok 5-3 Vplyv vrstvy s „výlučným vplyvom“
Z uvedených dôvodov treba označenie vrstvy za „výlučnú“ pozorne zvážiť
vzhľadom na jej ďalekosiahle dôsledky na model. V prostredí GIS sa aplikuje tak,
že sa vytvorí binárna rastrová maska z príslušnej výlučnej vrstvy (vrstiev),
zvyčajne sa maska konštruuje z kladných hodnôt, resp. z kategórií, ktoré označíme
za vhodné. Ak máme vrstvy LA, LB, Lc, tak masky MA, MB, Mc vytvoríme
reklasifikáciou, resp. logickou operáciou „Greater than“ s podmienkou:
MA= LA>0, MB= LB>0, MC= Lc>0
(5.1)
115
Novú vrstvu (model) LX potom vytvoríme kombináciou vrstiev LA, LB., LC
zjednotením ich príslušných masiek MA, MB, MC:
LX=( LA ∪ LB ∪ LC) ∩ ( MA ∩ MB ∩ MC)
(5.2)
V praxi v prostredí GIS vyzerá operácia s vrstvami (raster calculator) nasledovne:
LX=( LA + LB + LC) x ( MA x MB x MC)
2)
(5.3)
Vrstvy so „všeobecným vplyvom“:
Sú to vrstvy s predpokladaným všeobecným vplyv na výsledok, ktorý môže byť aj
pozitívny aj negatívny. Príkladom môže byť orientácia na svetové strany:
v prípade ak sú v APM všetky výlučné podmienky splnené, svahy orientované
južným a juhovýchodným smerom môžu zvyšovať atraktivitu miesta, svahy
orientované severne a severozápadne znižujú atraktivitu miesta (Obrázok 5-4).
Vhodnosť územia by negovali len v tom prípade, ak by negatívny vplyv prevýšil
ostatné pozitívne vplyvy.
Obrázok 5-4 Vplyv vrstvy so „všeobecným vplyvom“
Kombinácia vrstiev (LY) vznikne ako:
LY=( LD ∪ LE ∪ LF)
(5.4)
V praxi v GIS systémoch vyzerá operácia z vrstvami (raster calculator) nasledovne:
LY=( LD + LE + LF)
(5.5)
116
3)
Vrstvy „atraktor“:
Vrstva, ktorá má pozitívny vplyv na výsledok. Prítomnosť daného javu zvyšuje
atraktivitu miesta, ale jeho neprítomnosť atraktivitu nevyhnutne neznižuje
(Obrázok 5-5). Môže to byť napr. prítomnosť cestnej komunikácie, prítomnosť
nerastných surovín a pod.
Obrázok 5-5 Vplyv vrstvy "atraktor"
V prostredí GIS vyzerá jej aplikácia tak, že sa vytvorí binárna rastrová maska
z príslušnej výlučnej vrstvy (vrstiev), zvyčajne sa maska konštruuje z kladných
hodnôt, resp. z kategórií, ktoré označíme za vhodné. Ak máme vrstvy LG, LH, LI, tak
masky MG, MH, MI vytvoríme reklasifikáciou, resp. logickou operáciou „Greater
than“ s podmienkou:
MG= LG>0, MH= LH>0, MI= LI>0
(5.6)
Novú vrstvu (model) LZ potom vytvoríme zjednotením prieniku vrstvy LG a jej
príslušnej masky MG (čím sa dosiahne odstránenie negatívnych hodnôt) plus
zjednotením prieniku vrstvy LH a jej príslušnej masky MH plus zjednotením
prieniku vrstvy LI a jej príslušnej masky MI :
LZ=( LG ∩ MG) ∪ ( LH ∩ MH) ∪ ( LI ∩ MI)
(5.7)
V praxi v prostredí GIS vyzerá operácia s vrstvami (raster calculator) nasledovne:
LZ=( LG x MG) + ( LH x MH) + ( LI x MI)
(5.8)
117
4)
Vrstvy „deflektor“:
Vrstva „deflektor“ je opakom vrstvy „atraktor“ a jej prítomnosť znižuje, resp,
vylučuje atraktivitu miesta, ale jej neprítomnosť má vplyv neutrálny. V minulosti
to mohli byť kultové miesta (napr. mohyly), v súčasnosti to môžu byť lokality
zničené výstavbou (napr. prekryté hrubou vrstvou sedimentov).
Výsledný model vzniká ako kombinácia prienikov a zjednotení vrstiev. Jeho teoretická podoba
môže vyzerať napr. nasledovne:
MVÝSL=LX ∪ LY ∪ LZ
(5.9)
MVÝSL= [( LA ∪ LB ∪ LC) ∩ ( MA ∩ MB ∩ MC)] ∪ [LD ∪ LE ∪ LF] ∪
[( LG ∩ MG) ∪ ( LH ∩ MH) ∪ ( LI ∩ MI)]
(5.10)
V praxi v prostredí GIS vyzerá operácia s vrstvami (raster calculator) nasledovne:
MVÝSL= [( LA + LB + LC) x ( MA x MB x MC)] + [LD + LE + LF] +
[( LG x MG) + ( LH x MH) + ( LI x MI)]
(5.11)
Ak by sme zvažovali aj váhy WA, WB,..., WI príslušných vrstiev (bližšie k stanoveniu váh v
kapitole 5.3), tak sa dostaneme k nasledovnému vzťahu:
MVÝSL= [(WA x LA ∪ WB x LB ∪WC x LC) ∩ (MA ∩ MB ∩ MC)] ∪ [WD x LD ∪ WE x LE ∪ WF x LF]
∪ [( WG x LG ∩ MG) ∪ ( WH x LH ∩ MH) ∪ (WI x LI ∩ MI)]
(5.12)
V praxi v prostredí GIS vyzerá operácia s vrstvami (raster calculator) nasledovne:
MVÝSL= [( WA x LA + WB x LB + WC x LC) x (MA x MB x MC)] + [WD x LD + WE x LE + WF x LF] +
[( WG x LG x MG) + ( WH x LH x MH) + (WI x LI x MI)]
(5.13)
Pri tvorbe APM sme považovali vstupné vrstvy za „výlučné“, a to najmä vo variantoch
založených na deduktívnom prístupe. V prípade aplikácie štatistického induktívneho prístupu
sme zvážili aj alternatívu „všeobecného“ vplyvu vrstiev.
118
Na
základe výsledkov štatistických testov, resp. na základe EO (v deduktívnom
prístupe) sme v ďalšom postupe analyzovali tieto kombinácie vrstiev:
-
Nákladová vzdialenosť k malým a stredným vodným tokom, sklon reliéfu, pôdne
typy (v prípade deduktívneho prístupu vhodnosť na základe EO), v prípade
induktívneho prístupu to bolo maximálne zastúpenie pôd v okruhu 500m).
-
Nákladová vzdialenosť k malým a stredným vodným tokom, sklon reliéfu.
-
Nákladová vzdialenosť k hraniciam fluviálnych usadenín, sklon reliéfu, pôdne typy
(v prípade deduktívneho prístupu vhodnosť na základe EO, v prípade induktívneho
prístupu to bolo maximálne zastúpenie pôd v okruhu 500m).
-
Nákladová vzdialenosť k hraniciam fluviálnych usadenín, sklon reliéfu.
Pomocou geoprocesných modelov, skriptov v štatistickom softvéri R a makier
v programe MS Excel sme vytvorili 50 variant APM so zameraním na automatizáciu
výpočtových procesov. Mnohé z verzií APM možno diferencovať len na základe minimálnych
odlišností vo výpočtových a kombinačných postupoch. V texte ďalej uvádzame len príklady
najrelevantnejších verzií APM, resp. verzií ktoré pokladáme za potrebné bližšie rozobrať
z pohľadu praxe.
119
5.2 Modelovanie neurčitosti v archeologickej predikcii pomocou fuzzy množín Neurčitosť je nezanedbateľným aspektom priestorových dát a analýz v GIS. Mnohé
situácie si vyžadujú urobiť dôležité rozhodnutia na základe neurčitých dát (nepresné, nejasné
alebo
chýbajúce
dáta),
a tiež
prostredníctvom
neurčitých
analýz
(neurčité
alebo
teoreticky nepodložené kritériá).
Za zdroje neurčitosti v GIS považujeme najmä neurčitosť v dátach (chýbajúce dáta,
nejasné dáta, nepresnosť pri meraní) a ich spracovaní a reprezentácii (zmena z vyššieho
rozlíšenia na nižšie, transformácia rastrovej reprezentácie dát na vektorovú, nejednoznačné
hranice objektov, nejednoznačnosť identifikácie objektov, neurčitosť pri interpretácii
a digitalizácii dát, klasifikácii snímok, interpolácii hodnôt, určovaní atribútov objektov a pod.)
(Liang a kol., 2005), (Morris a Jankowski, 2005).
Na zníženie rizika dopadu prípadného prijatia nesprávnych rozhodnutí na základe
neistých predpokladov je preto užitočné modelovať neurčitosť dostupnými prostriedkami v
GIS. Určenie charakteristík presnosti meraných dát poskytujú štatistické metódy, ktoré pracujú
s pojmami náhodnosti a pravdepodobnosti nastania určitého javu. Teória pravdepodobnosti ale
nemodeluje neistotu v zmysle neurčitosti, nejasnosti alebo vágnosti pojmov. Medzi
najznámejšie nástroje na vyjadrenie neurčitosti patrí teória fuzzy množín, ktorej základnú
koncepciu v svojej práci predstavil profesor Lotfi A. Zadeh v roku 1965 (Zadeh, 1965). Táto
oblasť matematiky, ktorá sa opiera o koncepciu viachodnotovej logiky, ponúka oveľa širšie
možnosti vyjadrenia neurčitosti ako bežne používaná booleovská (dvojhodnotová) logika.
Praktické využitie si našla metóda až v roku 1987, keď bola prvýkrát využitá v Japonsku
v procese riadenia podzemnej dráhy. Odvtedy si teória fuzzy množín nachádza uplatnenie
v rôznych oblastiach techniky, ale aj v iných odboroch, ktoré si vyžadujú prácu s vágnymi
pojmami. Stala sa prostriedkom, ktorý umožňuje matematicky zadefinovať nejasné a vágne
pojmy a tiež spôsob správania sa človeka a tým poskytuje možnosť jeho využitia v oblasti
informačných technológií, ale tiež techniky všeobecne. Podľa prof. Zadeha je presné myslenie
špeciálnym prípadom približného myslenia a každý logický systém môže byť fuzzyfikovaný,
je to len otázkou stupňa.
Do procesu rozhodovania o vhodnosti, resp. nevhodnosti lokality ako potenciálneho
archeologického náleziska vstupuje niekoľko parametrov (sklon reliéfu, vzdialenosť od
vodných tokov, vhodnosť pôdy, vzdialenosť od fluviálnych usadenín a pod.). Reprezentácia
všetkých faktorov v sebe zahŕňa istý stupeň neurčitosti. Na elimináciu vplyvu neurčitých
120
faktorov alebo nepresných dát môžu byť všetky parametre modelované prostredníctvom
vhodne stanovených fuzzy množín. Predkladané praktické riešenie priestorových analýz
s využitím princípov fuzzy logiky a fuzzy množín je realizované v softvérovom prostredí
ArcGIS 10.
5.2.1 Neurčitosť rozhodovania v geografických informačných systémoch GIS je nástroj, prostredníctvom ktorého je možné vykonávať rozhodnutia založené na
analýze priestorových dát. Vykonávanie priestorových analýz vyhodnocovaním viacerých
kritérií (podmienok), na základe ktorých sa prijímajú rozhodnutia (napr. o vhodnosti, resp.
nevhodnosti daných lokalít na konkrétny účel) nazývame multikriteriálne rozhodovanie.
Pri multikriteriálnom rozhodovaní v prostredí GIS je výsledkom prienik vrstiev vyjadrujúcich
splnenie, resp. nesplnenie, príslušnej podmienky. Jednotlivé podmienky sú v tomto prípade
reprezentované klasickými množinami, t.j. každá lokalita buď podmienku spĺňa alebo nie.
Tento prístup predstavuje riziko vylúčenia lokality ako nevhodnej aj vtedy, ak tesne nespĺňa
jedinú z podmienok. (Napr. pri podmienke vhodnej vzdialenosti do 200 m od rieky bude
lokalita vo vzdialenosti 200,01 m v prostredí GIS vyhodnotená ako nevhodná, aj keď všetky
ostatné podmienky spĺňa. Vzdialenosť 0,01 m
pritom nemusí byť vzhľadom na
nejednoznačnosť lokalizácie niektorých objektov signifikantnou hodnotou.
Pri práci s dátami v bežných priestorových analýzach (prienik, zjednotenie, obalová
zóna, atribútové a priestorové výbery z dát a pod.) neurčitosť dát vo všeobecnosti nie je
zohľadnená. Tento prístup však často nie je prirodzený a blízky ľudskému vyjadrovaniu a
uvažovaniu, v ktorom môžu byť kritériá pre vhodný objekt dané napr. takto:
ƒ
v blízkosti fluviálnych usadenín,
ƒ
v miernom svahu alebo na svahu s vhodnou dispozíciou voči svetovým stranám,
ƒ
neďaleko rieky, avšak nie v jej bezprostrednej blízkosti,
ƒ
na nížine.
V prostredí GIS je nutné tieto požiadavky (jazykové premenné) kvantifikovať, napr.
spôsobom:
ƒ
do 250 m od hranice fluviálnych usadenín,
ƒ
na svahu so sklonom do 10° alebo s juhozápadnou dispozíciou,
ƒ
vo vzdialenosti minimálne 50 m a maximálne 350 m od rieky,
ƒ
v nadmorskej výške do 300 m.
121
Vzhľadom na to, že dané hodnoty (napr. 250 m, 10°, 50 m, 350 m a 300 m) môžu byť
zvolené subjektívne, analýzy s využitím ostrých množín vyznievajú veľmi neprirodzene.
Okrem iného nezohľadňujú fakt, že napr. vzdialenosť 50 m od daného objektu môže byť oveľa
vhodnejšia ako 100 m a tá zase vhodnejšia ako 200 m.
Okrem neurčitosti v zadefinovaní kritérií priestorových analýz vstupuje do procesu
rozhodovania nemalou mierou aj samotná neurčitosť dát, ktorej sa v prípade archeologických
dát bližšie venujeme v kapitole 5.2.5.
5.2.2 Základné koncepty fuzzy množín Všetky vyššie uvedené situácie je možné matematicky modelovať pomocou fuzzy
množín, ktoré špecifikujú jednotlivé priestorové kritériá. Aplikácia prístupu s využitím fuzzy
množín predstavuje elimináciu vylúčenia vhodných lokalít, pretože dovoľuje vyjadriť
splnenie, resp. nesplnenie, podmienky tzv. stupňom príslušnosti k množine (číslo z intervalu
〈0,1〉), na rozdiel od booleovskej logiky, ktorá dovoľuje vyjadriť splnenie podmienky len
ostrými hodnotami „áno“ alebo „nie“ (1 alebo 0). Fuzzy logika je preto nadmnožinou
konvenčnej booleovskej logiky, rozšírenou o hodnoty v intervale medzi „absolútne
pravdivými“ a „absolútne nepravdivými“ výrokmi. Booleovská logika sa tým stáva
špeciálnym prípadom fuzzy logiky.
Je dôležité poznamenať, že fuzzy logika nie je neurčitá, nejasná, nejednoznačná logika,
ale je to logika neurčitosti, nejasnosti a nejednoznačnosti. Modelovaním neurčitosti umožňuje
využiť napr. aj potenciál chybných údajov (keď údaj je síce chybný, ale pomerne blízky
správnej hodnote), prípadne kategórií dát s nejasnou hranicou alebo definíciou
kvantifikovaním ich kvality.
Fuzzy množina je definovaná ako trieda, ktorá priraďuje prvkom neurčitosť v podobe
tzv. miery (stupňa) príslušnosti. Stupeň príslušnosti vyjadruje mieru, v akej daný prvok patrí
do množiny. Fuzzy množiny sú preto prostriedkom, ktorý poskytuje možnosť matematicky
popísať nepresné (nejasné) pojmy a pracovať s nimi.
Pre klasické množiny (v teórii fuzzy množín ich budeme nazývať „ostré množiny“)
platí, že ich charakteristická funkcia χA : X → {0,1} je definovaná nasledovne (Novák, 2005):
⎧1, ak x ∈ A,
⎩0, ak x ∉ A.
χ A ( x) = ⎨
(5.14)
122
Fuzzy množina A je množina prvkov x∈X (X je tzv. univerzum), kde každému z nich
je priradený stupeň príslušnosti μA(x), ktorého hodnoty sa pohybujú v rozmedzí 〈0,1〉.
Matematicky sa dá zapísať v podobe (Kolesárová a Kováčová, 2004):
A = {(x, μA(x)); x∈X}.
(5.15)
Funkcia príslušnosti je potom zovšeobecnenou charakteristickou funkciou množiny:
μA(x): X → 〈0, 1〉.
(5.16)
Pre každú takúto fuzzy množinu, čiže pre každú funkciu príslušnosti, je možné určiť
nasledovné základné charakteristiky (Holiš, 2001):
ƒ
nosič (support) fuzzy množiny je ostrá množina, pre ktorej prvky platí, že ich
hodnoty funkcie príslušnosti sú rôzne od nuly,
ƒ
výška (height) fuzzy množiny je najmenšia horná hranica fuzzy množiny,
ƒ
normálna (normal) fuzzy množina je fuzzy množina s výškou rovnou 1,
ƒ
jadro (kernel) fuzzy množiny je ostrá množina, pre ktorej prvky platí, že ich
hodnoty funkcií príslušnosti sú rovné 1,
ƒ
α-rez (α-cut) je ostrá množina, pre ktorej prvky platí, že ich hodnoty funkcií
príslušnosti sú väčšie, alebo rovné α,
ƒ
α-hladina (α-level) je ostrá množina, pre ktorej prvky platí, že ich hodnoty funkcií
príslušnosti sú práve rovné α.
Tvar a parametre funkcie príslušnosti môžu byť v jednotlivých prípadoch stanovené na
základe praktických skúseností alebo známych vlastností analyzovaného javu.
Pre najčastejšie používanú, tzv. lichobežníkovú (po častiach lineárnu), funkciu
príslušnosti (Obrázok 5-6) platí (Kainz, 2011):
⎧ 0
⎪x−a
⎪
⎪b − a
⎪
μ A ( x) = ⎨ 1
⎪d − x
⎪
⎪d −c
⎪⎩ 0
ak x < a,
ak a ≤ x ≤ b,
ak b < x < c,
(5.17)
ak c ≤ x ≤ d ,
ak x > d .
123
stupeň
príslušnosti
1
0
a
b
c
d
Obrázok 5-6 Lichobežníková funkcia príslušnosti μA(x)
Trojuholníková funkcia príslušnosti (Obrázok 5-7) je jej špeciálnym prípadom pre b =
c. Ďalšie špeciálne, často používané, prípady lichobežníkovej funkcie (tzv. funkcie S+ a S-) sú
uvedené na (Obrázok 5-8 a Obrázok 5-9).
stupeň
príslušnosti
1
0
a
b=c
d
Obrázok 5-7 Trojuholníková funkcia príslušnosti μA(x)
stupeň
príslušnosti
1
0
a
b, c, d
Obrázok 5-8 Špeciálny prípad (S+) lichobežníkovej funkcie príslušnosti μA(x)
124
stupeň
príslušnosti
1
0
d
a, b, c
Obrázok 5-9 Špeciálny prípad (S-) lichobežníkovej funkcie príslušnosti μA(x)
Funkcia príslušnosti môže mať aj nelineárny priebeh (Obrázok 5-10), avšak na
intervale 〈a, b〉 musí byť neklesajúca a na intervale 〈c, d〉 nerastúca.
stupeň
príslušnosti
1
0
a
b
c
d
Obrázok 5-10 Funkcia príslušnosti μA(x) s nelineárnym priebehom
Medzi najpoužívanejšie funkcie príslušnosti patria napr. aj Gaussova alebo sinusoidná
funkcia, pre ktorú platí (Kainz, 2011):
0
⎧
⎪
⎪ 1 ⎛1 − cos ⎛ π
⎜
⎪ 2 ⎜⎝
⎝
⎪
μ A ( x) = ⎨
1
⎪
⎪ 1 ⎛⎜1 + cos ⎛⎜ π
⎪2 ⎝
⎝
⎪
0
⎩
ak x < a,
x − a ⎞⎞
⎟
b − a ⎠ ⎟⎠
ak a ≤ x ≤ b,
ak b < x < c,
d − x ⎞⎞
⎟
d − c ⎠ ⎟⎠
(5.18)
ak c ≤ x ≤ d ,
x > d.
125
Poznámka: Stupeň príslušnosti je často zamieňaný s pravdepodobnosťou, tieto pojmy sú ale
významovo odlišné. Fuzzy hodnota predstavuje príslušnosť k vágne definovaným množinám a
nepredstavuje pravdepodobnosť nastania nejakého javu. Teória fuzzy množín je metódou,
ktorá analyzuje nepresnosti, ktoré vznikajú skôr vágnosťou a nejasnosťou ako náhodnosťou.
Jej použitie je vhodnejšie skôr na kvalitatívne rozhodovanie a klasifikáciu údajov do fuzzy
množín ako na kvantitatívne predpoklady.
5.2.3 Logické operácie s fuzzy množinami Pri multikriteriálnom rozhodovaní v GIS často používame základné operácie
s množinami, medzi ktoré patrí prienik, zjednotenie a doplnok množiny. V matematickej
logike, ktorá je zároveň súčasťou dopytov do priestorových DB v Štandardnom dopytovacom
jazyku SQL (Structured Query Language), týmto operáciám zodpovedajú výrokové operácie
konjunkcia, disjunkcia a negácia. V prípade práce s ostrými množinami sú tieto výrokové
operácie známe z dvojhodnotovej booleovskej algebry. Príkladom môže byť priestorová
analýza, v ktorej potrebujeme vyselektovať lokality, ktoré sú v blízkosti fluviálnych usadenín,
na svahu s miernym sklonom alebo s juhozápadnou dispozíciou a zároveň na nížine, pričom sa
nesmú nachádzať vo vzdialenosti menšej ako 50 m ani väčšej ako 350 m od rieky. Ak napr.:
ƒ
F je množina lokalít nachádzajúcich sa vo vzdialenosti ≤ 250 m od hranice
fluviálnych usadenín,
ƒ
S je množina lokalít s miernym svahom (sklon napr. do 10°),
ƒ
D je množina lokalít s juhozápadnou dispozíciou svahu,
ƒ
N je množina lokalít s nadmorskou výškou,
ƒ
R1 je množina lokalít, ktorých vzdialenosť od rieky ≤ 50,
ƒ
R2 je množina lokalít, ktorých vzdialenosť od rieky ≥ 350 m,
potom pre množinu V vhodných lokalít platí:
V = F ∩ (S ∪ D) ∩ N ∩¬(R1 ∩ R2 ) .
(5.19)
126
Pre operácie s fuzzy množinami sú tiež základom operácie fuzzy výrokového počtu,
avšak s pravdivostnými hodnotami z intervalu 〈0,1〉 (Navara a Olšák, 2002). Pri zisťovaní
stupňa pravdivosti konjunkcie dvoch (a viacerých) vlastností (splnenia kritérií), ktoré sú
popísané fuzzy množinami, potrebujeme zadefinovať fuzzy logické operátory. Štandardné
fuzzy logické operátory sú definované nasledovne (Kolesárová a Kováčová, 2004):
Štandardný prienik fuzzy množín A, B je fuzzy množina A ∩ B (Obrázok 5-11)
s funkciou príslušnosti:
μ A∩ B ( x) = min( μ A ( x), μ B ( x)) .
(5.20)
Štandardné zjednotenie fuzzy množín A,B je fuzzy množina A ∪ B (Obrázok 5-11)
s funkciou príslušnosti:
μ A∪ B ( x) = max( μ A ( x), μ B ( x)) .
(5.21)
Štandardným doplnkom fuzzy množín A, B je fuzzy množina A
s funkciou
príslušnosti:
μ A = 1 − μ A ( x) .
(5.22)
stupeň
príslušnosti
1
A
B
A∪B
A∩B
0
aA
bA
cA
dA
Obrázok 5-11 Štandardný prienik a štandardné zjednotenie fuzzy množín
127
Na rozdiel od operátorov booleovskej logiky je ich zovšeobecnenie pre fuzzy množiny
definované viacerými rôznymi spôsobmi. Fuzzy prienik (konjunkcia) je definovaný pomocou
tzv. triangulárnych noriem (t-noriem)
a fuzzy zjednotenie (disjunkcia) pomocou
triangulárnych konoriem (t-konoriem) (Navara a Olšák, 2002). Triangulárne normy sú funkcie
dvoch premenných definované na jednotkovom štvorci 〈0,1〉2.
Najčastejšie používané t-normy sú (Kolesárová a Kováčová, 2004):
TM ( x, y ) = min( x, y )
- minimová t-norma
(5.23)
TP ( x, y ) = xy
- súčinová t-norma
(5.24)
TŁ ( x, y ) = max(0, x + y − 1)
- Łukasiewiczova t-norma
(5.25)
⎧min( x, y ), ak max( x, y ) = 1,
TD ( x, y ) = ⎨
0,
inak.
⎩
- drastická t-norma
(5.26)
(zodpovedá štandardnému prieniku)
Pre základné t-normy platí:
TD ( x, y ) ≤ TŁ ( x, y ) ≤ TP ( x, y ) ≤ TM ( x, y ).
(5.27)
Príslušné t-konormy sú definované nasledovne:
S M ( x, y ) = max( x, y )
- minimová t-konorma
(5.28)
S P ( x, y ) = x + y − xy
- súčinová t-konorma
(5.29)
S Ł ( x, y ) = min(1, x + y )
- Łukasiewiczova t-konorma (5.30)
⎧ x, ak y = 0,
⎪
S D ( x, y ) = ⎨ y, ak x = 0,
⎪1,
inak.
⎩
- drastická t-konorma
(zodpovedá štandardnému zjednoteniu)
(5.31)
128
Vzhľadom na skutočnosť, že v teórii fuzzy množín je definovaných viacero fuzzy
konjunkcií a disjunkcií, ich výber môže pre jednotlivé aplikácie výrazne ovplyvniť výsledok.
V skutočnosti sa vo väčšine oblastí využíva len malý počet fuzzy konjunkcií a disjunkcií,
najčastejšie sú to štandardné fuzzy operácie. V aplikácii tohto príspevku, vzhľadom na účel, na
ktorý budú fuzzy operátory v priestorových analýzach využité, používame minimovú
(štandardnú) (5.23), súčinovú (5.24) a Łukasieviczovu konjunkciu (5.25).
5.2.4 Agregačné operácie s fuzzy množinami Príkladom použitia agregačných operácií s fuzzy množinami može byť snaha
o zlúčenie informácií, ktoré k tej istej téme poskytne skupina expertov. Na tento účel sa
používajú agregačné operátory a ich podtrieda, fuzzy priemery (Navara a Olšák, 2002).
Kvaziaritmetický priemer hλ (zovšeobecnený - angl. generalized means) je v (Navara a Olšák,
2002) podľa (Klir aYuan, 1995) definovaný ako:
1
⎛1 n
⎞λ
hλ (α1 ,..., α n ) = ⎜ ∑ α iλ ⎟ ,
⎝ n i =1
⎠
(5.32)
kde α ∈ 0,1 , n ≥ 2 , λ ∈ , λ ≠ 0 .
Špeciálnymi prípadmi kvaziaritmetického priemeru sú:
ƒ
pre λ = 1 aritmetický priemer,
ƒ
pre λ = 2 kvadratický priemer,
ƒ
pre λ = -1 harmonický priemer,
ƒ
pre λ = -1 geometrický priemer,
ƒ
pre λ → +∞ maximum,
ƒ
pre λ → -∞ minimum.
Pre vážený aritmetický priemer hw platí (Navara a Olšák, 2002):
n
hw (α1 ,...α n ) = ∑ wiα i ,
(5.33)
i =1
pričom n ∈ a w = ( w1 ,...wn ) ∈ 0,1
n
n
je vektor váh spĺňajúci podmienku:
∑w
i =1
n
= 1.
129
Priemer poradových štatistík (angl. ordered weighted averaging operator, OWAoperator) hw je tiež určený vektorom váh w = ( w1 ,...wn ) ∈ 0,1
n
∑w
i =1
n
n
spĺňajúcim podmienku
= 1 (Navara a Olšák, 2002):
n
hw (α1 ,...α n ) = ∑ wiα p (i ) ,
(5.34)
i =1
kde p je taká permutácia indexov, že α p (1) ≤ α p (2) ≤ ... ≤ α p ( n ) .
Od váženého priemeru sa priemer poradových štatistík líši tým, že v ňom najprv
zoradíme argumenty podľa veľkosti a potom im podľa poradia v usporiadanej postupnosti
priradíme váhy (Navara a Olšák, 2002).
5.2.5 Neurčitosť v archeológii Zdroje neurčitosti v archeológii vyplývajú z viacerých príčin. V prvom rade sú to
neurčitosti pochádzajúce z určenia geometrickej polohy archeologickej lokality a tiež z
(ne)presnosti použitých priestorových podkladov pri analýzach. Druhú príčinu predstavuje
vágnosť pojmov pri skúmaní ľudskej minulosti a ľudského správania sa („blízkosť k vode“,
„vhodný svah“, „vhodná pôda“), ktorá je príčinou nejasnosti definícií jednotlivých kritérií
v priestorových analýzach.
Základným problémom pri aplikácii GIS v archeológii je geometrické určenie polohy
archeologickej lokality. Príčina spočíva v stave evidencie archeologických lokalít na
Slovensku. Rozsah dokumentovaných aktivít za posledných 80 rokov je rozsiahly,
vychádzajúci z rôznych zdrojov, ako sú napr. nálezové správy a hlásenia, výsledky terénnych
prieskumov, leteckej prospekcie, geodetického zamerania archeologických lokalít, ale aj
literárne a historické pramene. Čo sa týka výpovednej hodnoty, predstavujú tieto informačné
zdroje výrazne heterogénny súbor s veľmi rozdielnymi informačnými hladinami z hľadiska
kvantity, ale aj kvality údajov. Archeologické lokality sú evidované ako bodové elementy v
CEANS (Kročková, 2006). Presnosť bodovej formy záznamu v CEANS v prípade „stupňa
lokalizácie 1“ (najvyššia presnosť určenia polohy lokality) zodpovedá bodu s priemerom 4
mm na analógovej mape s mierkou 1: 25 000, čo predstavuje 100 m v teréne (Bujna a kol.,
1993). V súčasnosti archeologické lokality zistené, resp. verifikované za posledných 20 rokov
sú už určené a evidované výrazne presnejšie, prevažne pomocou zamerania geodetickými
metódami (kapitola 4.3.1). Napriek tomu ešte stále existuje množstvo lokalít z minulosti
určených s nižšou presnosťou, pri ktorých už nie je možné previesť verifikáciu v teréne.
130
Ďalší zdroj neurčitosti vyplýva práve z bodovej formy záznamu archeologickej
lokality. Je to značná generalizácia voči skutočnosti, vzhľadom na to, že archeologické
lokality predstavujú rozsiahle plošné polygóny. Problém predstavuje určenie centroidu známej
archeologickej lokality (jadro lokality vs. geometrický stred) a zároveň jej rozsahu, pretože
málokedy je odokrytá a známa celá plocha náleziska. Tento fakt zanáša do priestorových
analýz výraznú mieru neurčitosti a skreslenia. (Obrázok 5-12) uvádza konkrétny príklad
vplyvu nejednoznačnosti informácie o polohe archeologického náleziska na určenie jeho
charakteristík a atribútov v prostredí GIS.
Obrázok 5-12 Rozdiel medzi reálnou a zaznamenanou polohou archeologického náleziska a jeho vplyv na
určenie hodnoty parametra „sklon reliéfu“
5.2.6 Predikcia archeologických nálezísk s využitím fuzzy množín a jej realizácia v prostredí geografických informačných systémov Potenciálne archeologické náleziská je možné predikovať na základe znalostí známych
z archeológie (deduktívny prístup) alebo priamo z vlastností existujúcich nálezísk (induktívny
prístup) (Šmejda, 2003) (kapitola 2.3). Obidva postupy sú navzájom na sebe závislé,
ovplyvňujú sa. O potenciálnych náleziskách sa pri deduktívnom prístupe predpokladá, že budú
v blízkosti riek, na svahu s miernym sklonom, v blízkosti fluviálnych usadenín apod.
Používajú sa parametre predikcie ako vzdialenosť od rieky do 300 m, sklon svahu 1-4° atď.
(Dreslerova, 2001). Induktívnym prístupom je možné všetky parametre spresniť na základe
131
vyhodnotenia databázy známych nálezísk záujmovej oblasti v porovnaní s parametrami
krajiny v tejto lokalite. Vtedy hovoríme o induktívno-deduktívnom prístupe.
V nasledujúcej
časti
publikácie
prinášame
porovnanie
modelov
predikcie
potenciálnych archeologických nálezísk vytvorených pomocou dvojhodnotovej logiky
a štatistického spracovania dát s modelmi vytvorenými prostredníctvom viachodnotovej
logiky (fuzzy logiky). Obidva prístupy aplikujeme v deduktívnych aj induktívno-deduktívnych
APM, čím demonštrujeme možnosť využitia fuzzy množín pre rôzne spôsoby tvorby
predikčných modelov.
Na základe vyššie uvedených skutočností môžeme pre každú kombináciu vstupných
vrstiev zo záujmového územia vytvoriť 5 deduktívnych a 5 induktívno-deduktívnych
archeologických predikčných modelov. Deduktívne APM potom sú:
ƒ
APM d_B – deduktívny založený na booleovskej logike,
ƒ
APM d_FM – fuzzy deduktívny, prienik TM (5.23),
ƒ
APM d_FS – fuzzy deduktívny, prienik TP (5.24),
ƒ
APM d_FL – fuzzy deduktívny, prienik TŁ, (5.25)
ƒ
APM d_FW – fuzzy deduktívny, agregačná operácia hw (5.33).
Príslušné induktívno-deduktívne modely potom budú:
ƒ
APM i-d_B – induktívno-deduktívny založený na booleovskej logike,
ƒ
APM i-d_FM – fuzzy induktívno-deduktívny, prienik TM (5.23),
ƒ
APM i-d_FS – fuzzy induktívno-deduktívny, prienik TP (5.24),
ƒ
APM i-d_FL – fuzzy induktívno-deduktívny, prienik TŁ, (5.25)
ƒ
APM i-d_FW– fuzzy induktívno-deduktívny, agregačná operácia hw (5.33).
Všetky modely vychádzajú z jednej DB archeologických nálezísk a modelu
záujmového územia, ktoré tvorí juh stredného Slovenska v oblasti dolného Poiplia a Pohronia
(kapitola 4.1). Počas tvorby APM boli použité vrstvy stanovené na základe konceptuálneho
modelu tvorby APM (kapitola 4.2). Zvolené vrstvy slúžili na priestorovú lokalizáciu a na
skúmanie environmentálnych a geomorfologických vlastností archeologických lokalít. Museli
sme tiež zohľadniť vhodnosť vrstiev s ohľadom na časový faktor analýz, keďže pri skúmaní
historických lokalít používame mapy zachycujúce súčasný stav krajiny. Preto na skúmanie
týchto vlastností používame len tie premenné, pri ktorých sa dá predpokladať aspoň čiastočná
nemennosť v čase (DMR, pôdne mapy, mapy kvartérnych pokryvov). Z daných dostupných
dát bolo odvodených viacero primárnych a sekundárnych vrstiev, pričom sa zisťovali
vlastnosti daného javu na archeologických lokalitách a v krajine. Zistené vlastnosti sa
132
následne štatisticky vyhodnocovali (kapitola 4.5), s tým, že do tvorby APM boli zvolené len
tie vrstvy, pri ktorých bola zistená najvyššia významnosť vzhľadom na preferenciu lokalít,
najvyšší rozdiel v zastúpení daného javu na lokalitách a krajine a zároveň boli vylúčené tie
vrstvy, ktoré vykazovali vysokú mieru vzájomnej korelácie.
Na základe štatistického spracovania dát z databázy archeologických nálezísk (kapitola
4.5) a dostupných informačných vrstiev podkladových dát (vodné toky, pôdne typy, DMR,
fluviálne usadeniny apod.), boli vytvorené a použité tri informačné vrstvy rastrových dát:
1. pôdne typy,
2. nákladová vzdialenosť (v minútach) od fluviálnych usadenín,
3. sklon reliéfu.
Podkladové vrstvy reprezentujú rozhodovacie kritériá vhodnosti lokality ako
archeologického náleziska. Pre potenciálne archeologické nálezisko potom platí:
1. nachádza sa na vhodnom type pôdy,
2. v primeranej vzdialenosti od fluviálnych usadenín,
3. na miernom svahu.
Jednotlivé kritéria v prostredí GIS modelujeme prostredníctvom stanovenia vhodných
funkcií príslušnosti k fuzzy množinám. Výsledné modely tvoríme agregáciou vstupných
parametrov alebo aplikáciou logických operátorov (kapitola 5.2.3 a 5.2.4).
5.2.7 Funkcie príslušnosti k fuzzy množinám vhodných podmienok Splnenie alebo nesplnenie každej podmienky je charakterizované ostrou (APM d_B
a APM i-d_B) alebo fuzzy množinou (APM d_FM, APM d_FS, APM d_FL, APM d_FW,
APM i-d_FM, APM i-d_FS, APM i-d_FL a APM i-d_FW) a je reprezentované príslušnou
rastrovou dátovou vrstvou.
Pre fuzzy množiny F' – „Primeraná nákladová vzdialenosť od fluviálnych usadenín“
(5.35) a S' -„Mierny sklon svahu“ (5.36) sme použili funkcie lichobežníkového tvaru. V práci
(Bútorová, 2011) bolo otestované aj použitie nelineárnych (sinusoidných) funkcií príslušnosti,
ich vplyv na výsledok v porovnaní s lineárnymi funkciami nebol v prípade archeologickej
predikcie významný. Oveľa väčší vplyv na výsledok má určenie (voľba) jadra a nosiča fuzzy
množiny (kapitola 5.2.2).
Priebeh funkcie príslušnosti k fuzzy množinám predstavujúcich vhodné podmienky pre
archeologické náleziská môže byť určený na základe EO v prípade deduktívneho prístupu k
modelovaniu, ale môže tiež vychádzať zo štatistického spracovania vstupných priestorových
dát. V takom prípade je funkcia príslušnosti odvodená z histogramu početnosti jednotlivých
133
vlastností lokalít a krajiny. Pravdepodobne najvhodnejším prístupom je práve kombinácia
obidvoch vyššie uvedených metód. Na obr. 8 a obr. 9 sú znázornené funkcie príslušnosti
k fuzzy množine F' – „Primeraná nákladová vzdialenosť od fluviálnych usadenín“
vychádzajúce najprv z EO (Obrázok 5-13), kde fuzzy množina F' predstavuje rozšírenie ostrej
množiny F. (Obrázok 5-14) znázorňuje funkciu príslušnosti k vyššie uvedenej fuzzy množine
F' získanú na základe štatistického spracovania dát a na porovnanie aj ostrú množinu F, ktorá
v tomto prípade zodpovedá α-rezu fuzzy množiny pre α = 0,5. Príslušná rastrová vstva
vytvorená v prostredí GIS je na (Obrázok 5-15).
ak x < −6,
⎧ 0
⎪x+6
⎪
⎪ 6
⎪
μ F ′ ( x) = ⎨ 1
⎪6 − x
⎪
⎪ 3
⎪⎩ 0
ak − 6 ≤ x < 0,
ak 0 ≤ x ≤ 3,
(5.35)
ak 3 < x ≤ 6,
ak x > 6.
stupeň príslušnosti
1
F
F'
0
3
-6
6
[min]
Obrázok 5-13 Primeraná nákladová vzdialenosť od fluviálnych usadenín - ostrá množina F a fuzzy
množina F' určená na základe expertného odhadu
⎧ 0
⎪ x + 10
⎪
⎪ 8
⎪
μ F ′ ( x) = ⎨ 1
⎪ 18 − x
⎪
⎪ 16
⎪⎩ 0
ak x < − 10,
ak − 10 ≤ x < − 2,
ak − 2 ≤ x ≤ 2,
(5.36)
ak 2 < x ≤ 18,
ak x > 18.
134
stupeň príslušnosti
1
F
F'
0
-10
-2
2
18
[min]
Obrázok 5-14 Primeraná nákladová vzdialenosť od fluviálnych usadenín - ostrá množina F a fuzzy
množina F' určená induktívno-deduktívnym prístupom
Obrázok 5-15 Nákladová vzdialenosť od fluviálnych usadenín
Podobným postupom sme určili aj funkcie príslušnosti k fuzzy množine S' „Mierny
sklon svahu“ (5.37) a (5.38) (Obrázok 5-16 až Obrázok 5-18).
135
⎧ 1
⎪10 − x
⎪
χ A ( x) = ⎨
⎪ 6
⎪⎩ 0
ak x ≤ 4,
ak 4 < x ≤ 10,
(5.37)
ak x > 10.
stupeň
príslušnosti
1
S
S'
0
7
4
[°]
10
Obrázok 5-16 Mierny sklon svahu - ostrá množina S a fuzzy množina S' určená na základe expertného
odhadu
ak x ≤ 3,
⎧ 1
⎪9 − x
⎪
μ A ( x) = ⎨
⎪ 6
⎪⎩ 0
ak 3 < x ≤ 9,
(5.38)
ak x > 9.
stupeň
príslušnosti
1
S
S'
0
3
6
9
[°]
Obrázok 5-17 Mierny sklon svahu - ostrá množina S a fuzzy množina S' určená induktívno-deduktívnym
prístupom
136
Obrázok 5-18 Sklon reliéfu
Pre vrstvu pôdnych typov vzhľadom na odlišný charakter vstupných dát bolo nutné
zvoliť iný postup. Pôdne typy sú ohodnotené pomocou diskrétnej funkcie, ktorá jednotlivým
pôdnym typom priraďuje ich vhodnosť. V prípade ostrej množiny je vrstva vhodnosti pôdy
vyjadrená binárnym rastrom (hodnota 1 zodpovedá vhodnému typu pôdy, hodnota 0
nevhodnému). V prípade deduktívneho prístupu boli vhodné pôdy navrhnuté expertom
a otázka blízkosti vhodnej pôdy bola riešená zadefinovaním fuzzy množiny P' „Primeraná
vzdialenosť od vhodného pôdneho typu“. Priebeh jej funkcie príslušnosti je znázornený na
(Obrázok 5-19). Vrstva vhodnosti pôdy je na (Obrázok 5-20).
Pri induktívno-deduktívnom prístupe sme vychádzali zo štatistického spracovania dát
vrstvy pôdnych typov a funkcia príslušnosti bola určená ako diskrétna funkcia, ktorej hodnoty
zodpovedajú indexu významnosti príslušného pôdneho typu (hodnota z intervalu 〈0,1〉.
V binárnom prístupe boli vhodné pôdy určené na základe 70 % - ného kvantilu pri
štatistickom spracovaní.
137
stupeň
príslušnosti
1
P
0
P'
500
[m]
Obrázok 5-19 Primeraná vzdialenosť od vhodnej pôdy - ostrá množina P a fuzzy množina P' určená
expertným odhadom
Obrázok 5-20 Pôdne typy
138
5.2.8 Porovnanie binárneho a fuzzy prístupu k archeologickému predikčnému modelovaniu Projekt tvorby APM počíta s tvorbou viacerých verzií predikčných modelov, podľa
rozličných matematických a archeologických prístupov a ich následnou verifikáciu na základe
„externých dát“ (údaje o známych archeologických lokalitách, ktoré neboli zahrnuté do
štatistických analýz a slúžia na zhodnotenie úspešnosti predikcie). Vo finálnej fáze bude
zvolený ten APM, pri ktorom sa preukáže najvýraznejšia úspešnosť v prípade predikcie (t.j.
najvyšší počet úspešne predikovaných lokalít na čo najnižšej ploche krajiny, a tiež najnižší
počet negatívne predikovaných lokalít).
Na modelovanie jednotlivých kritérií sme použili dva prístupy (deduktívny
a induktívno-deduktívny). Pri tvorbe výsledných predikčných modelov využijeme 5 spôsobov
analytického prekrývania vrstiev – všetky pre obidva vyššie uvedené prístupy:
ƒ
prienik,
ƒ
minimová t-norma (5.23),
ƒ
súčinová t-norma (5.24),
ƒ
Łukasiewiczova t-norma (5.25),
ƒ
vážený priemer (5.33).
V prípade aplikácie váženého priemeru stanovujeme váhu daného javu (vrstvy) pre
lineárnu kombináciu vrstiev na základe toho, koľko percent predstavuje daná hodnota javu z
celej krajiny (napr. svah do 6.3° stupňa sa nachádza na 40 percent krajiny, pričom index
významnosti je stanovený ako 70 % lokalít / 40 % krajiny = 1.75). V deduktívnom prístupe je
možné určiť váhy len EO. V našom prípade sme (aj na základe dostupných zdrojov, napr.
(Goláň, 2003)) použili váhy w1 = w2 = w3 = 1.
V rámci experimentu sme vytvorili spolu desať APM, ktoré vychádzali najprv
z dvojhodnotovej logiky a štatistického spracovania dát archeologických nálezísk s využitím
70% kvantilu na určenie parametrov vhodnosti podmienok. Do predikčného modelovania sme
neskôr zapracovali princípy fuzzy množín, pričom sme skúmali vplyv voľby operátora pri
analytickom prekrývaní vrstiev na výsledok predikcie. Vybrané modely sú postupne
znázornené na (Obrázok 5-21 až Obrázok 5-28).
139
Obrázok 5-21 APM d_B
Obrázok 5-22 APM d_FM
140
Obrázok 5-23 APM d_FS
Obrázok 5-24 APM d_FL
141
Obrázok 5-25 APM d_FW
Obrázok 5-26 APM i-d_B
142
Obrázok 5-27 APM i-d_FM
Obrázok 5-28 APM i-d_FL
143
Na vytvorenie modelu s kategóriami napr. „Lokalita s vysokou pravdepodobnosťou
archeologického nálezu“, „Lokalita s nízkou pravdepodobnosťou archeologického nálezu“ a
„Nevhodná lokalita pre archeologické nálezy“ je potrebné pristúpiť k defuzzyfikácii, ktorá je
súčasťou tzv. fuzzy regulátorov (Novák, 2000), (Kolesárová a Kováčová, 2004), (Navara
a Olšák, 2002).
Najjednoduchší spôsob defuzzyfikácie v prípade APM je nasledovné zatriedenie do
stanovených kategórií:
„Lokalita s vysokou pravdepodobnosťou archeologického nálezu“ ak 0,5 < μV ≤ 1,
„Lokalita s nízkou pravdepodobnosťou archeologického nálezu“ ak 0 < μV ≤ 0,5,
„Nevhodná lokalita pre archeologické nálezy“ ak μV = 0.
Defuzzyfikácia zároveň umožní porovnať jednotlivé APM určením „efektivity APM“,
ktorú môžeme zadefinovať funkciou:
e=
lv ln
− ,
kv kn
(5.39)
kde:
lv je % testovaných archeologických lokalít, ktoré boli príslušným APM klasifikované ako
„Lokalita s vysokou pravdepodobnosťou archeologického nálezu“,
ln je % testovaných archeologických lokalít, ktoré boli príslušným APM klasifikované ako
„Nevhodná lokalita pre archeologické nálezy“,
kv je % záujmovej oblasti, ktorá je APM klasifikovaná v kategórii „Lokalita s vysokou
pravdepodobnosťou archeologického nálezu“,
kn je % záujmovej oblasti, ktorá je APM klasifikovaná v kategórii „Nevhodná lokalita pre
archeologické nálezy“.
Pre e platí, že čím je hodnota, ktorú nadobúda, vyššia, tým je predikcia efektívnejšia.
Alternatívou hodnotenia by mohol byť aj výpočet Cohenovho indexu κ, pre ktorý pre lokality
klasifikované ako „Lokalita s vysokou pravdepodobnosťou archeologického nálezu“ platí:
κ=
lv − kv
.
1 − kv
(5.40)
144
Vzťahy (5.39) a (5.40) predstavujú len jednu z možností ako definovať hodnotenie
efektivity predikcie. Ďalšou možnosťou je napr. výpočet koeficientu koncentrácie Kk, ktorý je
daný Lorentzovou krivkou, a pre ktorý tiež platí, že jeho vyššie hodnoty zodpovedajú
efektívnejšej predikcii. Návrh metódy komplexnej validácie APM bude predmetom ďalšieho
výskumu, pretože klasické metódy hodnotenia klasifikácie nie je možné použiť vzhľadom na
charakter archeologických záznamov na Slovensku, v ktorých absentujú informácie
o lokalitách s negatívnym výsledkom prieskumov. Výsledky validácie modelov (hodnoty e a
Kk) sú uvedené v (Tabuľka 5-1).
Tabuľka 5-1 Porovnanie výsledných archeologických predikčných modelov
e (analyzované
e (testovacie
Kk (analyzované
Kk (testovacie
lokality)
lokality)
lokality)
lokality)
APM d_B
1,78
2,22
16,31
20,47
APM d_FM
2,23
2,13
31,65
35,89
APM d_FS
2,30
2,35
31,80
35,97
APM d_FL
2,19
2,28
29,42
30,90
APM d_FW
2,02
2,33
31,75
35,87
APM i-d_B
1,27
1,27
39,02
37,44
APM i-d_FM
2,50
2,25
37,66
34,94
APM i-d_FL
2,71
3,15
33,16
35,94
Získané výsledky potvrdili skutočnosť, že modelovanie jednotlivých kritérií pomocou
fuzzy množín môže prispieť k zvýšeniu efektivity archeologickej predikcie. V ďalšej fáze
tvorby APM bude dôležité vyladiť predikčné modely pomocou optimálneho nastavenia fuzzy
čísiel pre jednotlivé rozhodovacie kritéria a následne ich opäť podrobiť komplexnej validácii.
Z vytvorenia a porovnania jednotlivých APM môžeme sformulovať nasledujúce závery:
1. Fuzzy prístup prináša prirodzenejší spôsob modelovania rozhodovacích kritérií ako
ostrý (binárny) prístup.
2. Modely vytvorené na základe induktívno-deduktívneho prístupu stanovenia funkcií
príslušnosti k fuzzy množinám vedú k vyššej efektivite predikcie.
3. Najväčší vplyv na výsledný rozsah zón neurčitosti modelovaných pomocou fuzzy
množín (Obrázok 5-29) majú charakteristiky fuzzy množiny jadro a nosič.
4. Vplyv voľby agregačného operátora/prieniku závisí od charakteristík fuzzy množín
uvedených v bode č. 3, vo väčšine prípadov postačuje použitie štandardnej funkcie
145
fuzzy prieniku (minimová t-norma) na tvorbu výsledného APM (Obrázok 5-30).
5. Pri známych váhach jednotlivých vrstiev môžeme túto skutočnosť zapracovať do
modelovania formou výpočtu váženého aritmetického priemeru stupňov príslušnosti,
čo umožní modelovanie preferencie jednotlivých vstupných faktorov.
Obrázok 5-29 Rozsah zóny neurčitosti modelovanej pomocou fuzzy množín
Obrázok 5-30 Porovnanie variant APM z hľadiska voľby operátora pri analytickom prekrývaní vrstiev
146
Na základe získaných výsledkov môžeme konštatovať, že aplikácia fuzzy prístupov
v archeologickej predikcii predstavuje prínos v zvyšovaní kvality priestorových analýz v tejto
doméne vykonávaných v prostredí GIS. Fuzzy množiny umožňujú modelovať, analyzovať a
popisovať javy v prirodzenejšej forme s ohľadom na ich povahu a (ne)presnosť dostupných
informácií, ktoré ich popisujú. Práve oblasť archeologického predikčného modelovania je
vhodným príkladom využitia prístupu založeného na fuzzy množinách, vzhľadom na charakter
nepresnosti dát a vágnosti definície jednotlivých kritérií priestorových analýz, vyplývajúcich
v značnej miere z nejednoznačnosti, nejasnosti a neurčitosti. Neexistencia spoločnej koncepcie
zberu, široký časový rozsah zaznamenávania archeologických dát a aj samotná (plošná)
povaha archeologických lokalít podmienila vysokú mieru nepresnosti samotnej (bodovej)
lokalizácie archeologických nálezísk (Kročková, 2006). Medzi dôležité aspekty nepresnosti
patrí aj kvalita a mierka podkladových priestorových dát, ktoré zohrávajú úlohu hlavného
prvku v priestorových analýzach (napr. polygónové pôdne mapy sú tiež výsledkom
interpretácie a interpolácie bodových dát). Fuzzy množiny poskytujú možnosť hodnovernejšie
modelovať vhodnosť krajiny na výskyt ľudských aktivít (osídlenia) v minulosti. Vzhľadom na
to, že v ľudskom správaní sa prejavuje miera neurčitosti, je prirodzenejšie modelovať
skutočnosť, že napr. v blízkosti vodného zdroja do 350 m je vysoká vhodnosť osídlenia, ktorá
pozvoľne klesá do 500 m, ako arbitrárne tvrdiť, že sídla sa mohli nachádzať len do 350 m.
Pre aplikáciu fuzzy prístupov je potrebné poznať tvar a priebeh funkcií príslušnosti,
ktorý môžeme stanoviť na induktívnom základe, t.j. vychádzať z výsledkov priestorových
analýz a štatistického spracovania. Druhou alternatívou je ich deduktívne určenie na základe
predpokladaných vlastností, expertného odhadu alebo skúseností, pričom práve fuzzifikácia
nám môže takýto odhad lepšie a hodnovernejšie kvantifikovať. Pri analytickom prekrývaní
vrstiev je tiež potrebné poznať vlastnosti fuzzy operátorov a voliť ich s ohľadom na vlastnosti
a povahu skúmaného javu.
Aplikácia fuzzy logiky nám nezabezpečí automaticky presnejšie a správne výsledky v
prípade neúplnosti poznania daného javu a pri riešení existencie jeho veľkého počtu stupňov
voľnosti. Pomôže nám však objektívnejšie kvantifikovať známe javy a prípadne eliminovať
nepresnosť informácií o nich a tiež minimalizovať stratu približných informácií.
Multikriteriálne rozhodovanie s využitím princípov teórie fuzzy množín sa preto stáva
vhodným prostriedkom na tvorbu predikčných modelov v prostredí GIS. Poskytuje vysokú
flexibilitu, ktorá umožňuje prispôsobiť model čo najbližšie k skutočnosti nastavením
vhodných fuzzy množín pre jednotlivé kritériá, ale aj pravidiel ich vyhodnocovania.
147
5.3 Deduktívny prístup založený na dvojhodnotovej logike Zatiaľ čo v predchádzajúcej kapitole sme sa venovali modelovaniu a zohľadneniu
neurčitosti a aplikácii týchto prístupov v APM, cieľom tejto kapitoly je zhodnotiť
najjednoduchší a v praxi často používaný prístup založený na dvojhodnotovej (booleovskej
logike) a poukázať na niektoré limity a nedostatky s neho vyplývajúce.
Prístup založený na dvojhodnotovej logike vychádza z princípu, že daný jav v krajine
je rozdelený na dve kategórie a to (v prípade tzv. pozitivistickej logiky) 1 – vhodný, 0 –
nevhodný, resp. 1 – Áno, 0 – Nie. Takýmto prístupom sú v GIS riešené mnohé elementárne
operácie, napr. obalová zóna (buffer) v okolí cestnej komunikácie do 300 m je generovaný ako
zóna, ktorá do vzdialenosti 300 m nadobúda hodnotu 1, vo vzdialenosti nad 300 m už
nadobúda hodnotu 0.
V prípade archeologického predikčného modelovania takto môžeme jednoducho
modelovať a riešiť úlohy ako: „lokality sa nachádzajú do 300 m od vodných tokov“, „lokality
sa nachádzajú na J a JZ svahoch“ a pod. (bližšie kapitola 5.2.1). V projekte sme sa rozhodli
overiť riešenie takto postavených tvrdení a to vo forme deduktívneho prístupu k predikčnému
modelovaniu. Vychádzali sme zo všeobecných predpokladov založených na početných
zmienkach v literatúre, skúseností z praxe a konzultácií s archeológmi. Zamerali sme sa na
tieto úvahy:
-
Lokality sa nachádzajú väčšinou do 300 m od vodných tokov.
-
Ako alternatívny predpoklad sme zvolili hypotézu, že lokality sa nachádzajú
v blízkosti hraníc záplavových zón (v našom prípade hraníc fluviálnych usadenín).
-
Lokality sa nachádzajú na miernom svahu.
-
Pre výskyt lokalít je dôležitá prítomnosť vhodných pôd.
Pomocou funkcie reklasifikácie sme vytvorili nasledujúce binárne rastrové vrstvy:
-
T - vrstva nákladovej vzdialenosti od veľkých a stredných tokov do 4 minút chôdze
(na rovine pri predpokladanej rýchlosti chôdze 5 km/h to predstavuje cca 333 m).
-
F - vrstva nákladovej vzdialenosti k hraniciam fluviálnych usadenín do 4 minút
chôdze (v zmysle vzdialenosť z vnútornej aj vonkajšej časti nivy).
-
S - vrstva sklonu reliéfu do 6°.
-
P - vrstva najvhodnejších pôd na základe EO (kategória č. 5 a č. 6).
Pre tieto vrstvy sme stanovili predpoklad, že majú výlučných vplyv (kapitola 5.1.1), k čomu
nás viedla úvaha o tom, že napr. v prípade absencie dostupných vodných zdrojov je územie
nevhodné pre výskyt lokalít i napriek výskytu vhodných pôd a vhodného sklonu reliéfu.
148
Obdobnú úvahu sme aplikovali aj pre sklon reliéfu a vhodné pôdy a vytvorili 4 verzie APM:
ƒ
APM d1 – kombinácia vzdialenosti k veľkým a stredným tokom, sklonu reliéfu
a vhodných pôd. Pre jeho tvorbu platí:
APM d1=T ∩ S ∩ P
ƒ
(5.41)
APM d2 - kombinácia vzdialenosti k veľkým a stredným tokom a sklonu reliéfu. Pre
jeho tvorbu platí:
APM d2=T ∩ S
ƒ
(5.42)
APM d3 – kombinácia vzdialenosti k hraniciam fluviálnych usadenín, sklonu reliéfu
a vhodných pôd. Pre jeho tvorbu platí:
APM d3=F ∩ S ∩ P
ƒ
(5.43)
APM d4 – kombinácia vzdialenosti k hraniciam fluviálnych usadenín a sklonu reliéfu.
Pre jeho tvorbu platí:
APM d4=F ∩ S
(5.44)
Výsledkom týchto kombinácií sú 4 binárne APM, ktoré hovoria o tom, či je dané miesto
krajiny vhodné na výskyt archeologickej lokality (1) alebo nie (0) (Obrázok 5-31 až Obrázok
5-34).
Obrázok 5-31 APM i1
149
Obrázok 5-32 APM i2
Obrázok 5-33 APM i3
150
Obrázok 5-34 APM i4
Výsledné predikčné modely sme podrobili testovaniu internému (zo známych lokalít),
ako aj externému (z lokalít použitých na externé overenie výsledkov). V tomto prípade možno
oba testy egalizovať, keďže sa jedná o čisto deduktívny prístup a ani známe lokality žiadnym
spôsobom nevstupovali do procesu tvorby modelu. Výsledky sú uvedené v (Tabuľka 5-2).
Metodika testu je založená na rovnakých princípoch ako sú uvedené v kapitole 5.2.8.
Sledovaná bola efektivita APM (5.39) a aj koeficient koncentrácie.
Tabuľka 5-2 Testovanie APM
Percentuálne zastúpenie TEST Model Int. Ext. index významnosti Koeficient koncentrácie lokality [%] krajina [%] lokality [%] krajina [%] Efekt. Vysoká Nízka vhodnosť vhodnosť APM d1 24 16 76 84 1.50 0.90 0.60 7.38 APM d2 41 25 59 75 1.64 0.79 0.85 15.35 APM d3 26 10 74 90 2.60 0.82 1.78 16.31 APM d4 45 16 55 84 2.81 0.65 2.16 28.45 APM d1 35 16 65 84 2.19 0.77 1.41 18.50 APM d2 55 25 45 75 2.20 0.60 1.60 29.62 APM d3 30 10 70 90 3.00 0.78 2.22 20.47 APM d4 53 16 47 84 3.31 0.56 2.75 36.00 Vysoká vhodnosť Nízka vhodnosť 151
Výsledky testov poukazujú na nízku predikčnú schopnosť takto zjednodušene
postavených modelov. Najnižšiu efektívnosť mal model APM d1 – kombinácia nákladovej
vzdialenosti od veľkých a tredných vodných tokov, sklonu a vhodných pôd. Takto postavený
model predikoval nesprávne 76% archeologických lokalít (v prípade interného testu).
Najvyššiu mieru úspešnosti mal model APM d4 – založený na kombinácii nákladovej
vzdialenosti k hraniciam fluviálnych usadenín a sklonu – úspešne predikoval v prípade
interného testu 45% lokalít, pričom ich výskyt vymedzil len na 16% územia, čo predstavuje
index významnosti 2.81. Nesprávne však identifikoval 55% zvyšných lokalít.
Príčiny nízkej efektívnosti treba hľadať v nízkom nastavení hraníc jednotlivých tried,
ako aj v logickom predpoklade výlučného vplyvu vrstiev, pričom tieto príčiny navzájom úzko
súvisia. Ak predpokladáme výlučný vplyv vrstvy, musíme si byť vedomý toho, že územie
označené za nevhodné sa prenáša do celého predikčného modelu, tzn. neguje aj prípadné
pozitívne vplyvy ostatných vrstiev. V ideálnom prípade (napr. len jedna výlučná vrstva) tak
„nevhodná“ kategória predstavuje v celom modeli oblasť označenú za nevhodnú v prípade
výlučnej vrstvy. Resp. možno tvrdiť, že úspešnosť predikcie modelu je podmienená
úspešnosťou zachytenia javu danou vrstvou. Tento vplyv sa ešte „zhoršuje“ v prípade
kombinácie viacerých výlučných vrstiev. V rámci projektu sme testovali úspešnosť zachytenia
archeologických lokalít pre každú z vrstiev, ktoré postúpili do fázy tvorby APM (Tabuľka 5-3)
- testovali sa varianty založené na deduktívnych predpokladoch (binárna reklasifikácia hraníc
definovaných v tejto kapitole a fuzzy lineárne normovanie v zmysle hraníc stanovených
v kapitole 5.2.7. Testované boli aj vrstvy reklasifikované indexom významnosti (kapitola 5.4).
Tabuľka 5-3 Testovanie úspešnosti zachytenia archeologických lokalít jednotlivými vrstvami
INTERNÉ EXTERNÉ POZITÍVNE NEGATÍVNE POZITÍVNE NEGATÍVNE VRSTVY Tok Percento 206 57.9% 240 67.4% Tok Percento 150 42.1% 116 32.6% Tok Percento 26 65.0% 29 72.5% Percento 14 11 Percento 35.0% 27.5% 272 76.4% 176 49.4% 240 67.4% 84 23.6% 180 50.6% 116 32.6% 32 24 30 80.0% 60.0% 75.0% 8 16 10 20.0% 40.0% 25.0% 257 72.2% 255 71.6% 318 89.3% 99 27.8% 101 28.4% 38 10.7% 30 31 37 75.0% 77.5% 92.5% 10 9 3 25.0% 22.5% 7.5% 282 79.2% 162 45.5% 247 69.4% 74 20.8% 194 54.5% 109 30.6% 34 18 26 85.0% 45.0% 65.0% 6 22 14 15.0% 55.0% 35.0% 240 67.4% 116 32.6% 25 62.5% 15 37.5% METÓDY Nákladová vzd. k Binárna hraniciam fluviálnych Fuzzy usadenín Index význ. Nákladová vzd. k Binárna veľkým a stredným Fuzzy vodným tokom Index význ. Sklon reliéfu Binárna Fuzzy Index význ. Pôdy 1) exp odhad Binárna 1) vhodnosti Fuzzy 2) 2 ) exp. Odhad a zóna do 500m 3) max. zastúpenie v okruhu 500 m Index význ. 3) 152
Na základe (Tabuľka 5-3) možno konštatovať, že najnižšiu úspešnú mieru identifikácie
má práve binárne reklasifikovaná vrstva vhodnosti pôd na základe EO. Pripisujeme to najmä
tomu, že takto postavená vrstva reflektuje len na požiadavku „na vhodných pôdach“ a ignoruje
požiadavku „blízkosť vhodných pôd“. Práve preto modely APM d1 a APM d2 majú najnižšiu
mieru úspešnosti, keˇže prítomnosť takto definovanej výlučnej vrstvy ich diskriminuje.
Z tabuľky vyplýva aj dôležitosť správneho nastavenia vhodnosti, resp. nevhodnosti
individuálne pre každú použitú vrstvu. Konkrétne v našom prípade sa dá poukázať na to, že
tvrdenie v zmysle „lokality sa nachádzajú do 300 m od vodných tokov“ je príliš zjednodušené
a nereflektuje na skutočnosť, že na záujmovom území sa nachádza do 333 m (4 min. chôdze)
len 49,4% lokalít. V prípade že toto tvrdenie „zjemníme“ aplikovaním deduktívneho fuzzy
prístupu (väčšina lokalít sa nachádza do 3 min. chôdze a potom ich počet pozvoľne klesá do 6
min. chôdze od toku) zachytíme úspešne už 67.4% lokalít.
Zvyšné percentá neúspešne zachytených lokalít môžeme pripísať buď ešte stále prísne
nastavením hraniciam aj v prípade fuzzy prístupu, resp. lokalitám v extrémnych polohách,
ktoré by si vyžadovali samostatný prístup.
Na záver je nutné podotknúť, že cieľom tejto kapitoly nebolo znížiť význam binárneho
prístupu, resp. deduktívneho prístupu. Oba prístupy majú svoje opodstatnenie a sú úspešne
aplikované v praxi, napr. (Danielisová, 2008). Je ale dôležité poznať obmedzenia vyplývajúce
z dvojhodnotovej logiky, resp. príliš zjednodušeného deduktívneho prístupu.
5.4 Induktívny prístup založený na štatistickom základe V predchádzajúcich kapitolách sme sa zoberali deduktívnym, resp. deduktívno –
induktívnym prístupom. Základom aplikácie týchto prístupov v GIS sú operácie prekrytia
(prienik, zjednotenie, rozdiel atď.) s rastrovými vrstvami. Pričom v rámci každej vrstvy sú
určené hodnoty (koeficient príslušnosti, booleovská hodnota) pre každú zastúpenú triedu.
Doposiaľ sme sa zaoberali určením týchto hodnôt na základe deduktívneho, resp. deduktívno
– induktívneho prístupu. Určenie týchto hodnôt reflektuje skúsenosti, resp. stav poznania
daného javu, ich určenie možno z matematického hľadiska pokladať ale za subjektívne2.
2
Na tomto mieste je potrebné poznamenať, že aj deduktívny prístup je určitou formou induktívneho prístupu.
V prípade deduktívneho prístupu vychádzame z konštruovania modelov buď na základe poznania zákonitostí
daného javu, resp. na základe skúseností. To znamená, že prenášame poznanie založené na kvantifikácii a kvalifikácií javov z praxe (variant induktívneho prístupu). Podľa poznámky v (Leusen, 2005) boli kedysi pojmy
induktívny a deduktívny používané len na stanovenie váh vrstiev. Až časom sa toto označenie prenieslo do praxe
na označenie prístupu ku konštruovaniu modelov. 153
V princípe sa snažíme kvantifikovať to, či nejaká premenná mala pozitívny, negatívny,
prípadne výlučný vplyv na voľbu existencie lokality a do akej miery sa tento vplyv prejavil.
V prípade matematicko – štatistických (induktívnych) prístupov sa snažíme túto hodnotu
odvodiť na základe skúmania hodnôt daných javov na známych lokalitách. Musíme pritom
predpokladať, že skúmané javy predstavujú dostatočne reprezentatívnu štatistickú vzorku
(Goláň, 2003), a to či už s hľadiska počtu lokalít alebo rovnomernosti preskúmania
záujmového územia. Zo štatistického hľadiska v praxi na našom území sa vzhľadom na
absenciu systematického „vzorkovania“ krajiny javí ako najproblematickejšia práve druhá
podmienka. Stavu dát musíme preto prispôsobiť aj použité matematické a štatistické techniky
a byť si vedomý ich limitov a možnosti skreslenia výsledkov nimi spôsobenými. V našom
prípade situáciu sťažuje aj absencia dát o negatívnych prieskumoch v DB, čím sú vylúčené
mnohé v praxi používané techniky ako korelačná analýza a pod. (Leusen, 2005).
Mnohé z techník či už tvorby alebo následného testovania predikčných dát vyžadujú
tzv. “non – site“ dáta. Za takéto dáta ale nemôžeme v našom prípade pokladať náhodne
vybrané dáta zo zvyšku krajiny, pretože bez preskúmania na mieste (napr. povrchové zbery)
nemôžeme zodpovedne prehlásiť, či dané miesto je, alebo nie je lokalita. Problematická je aj
definícia samotného pojmu „non – site“ bližšie rozoberaná napr. v (Neustupný, 2010), pretože
nemôžeme automaticky predpokladať, že „neprítomnosť dôkazu, je dôkazom neprítomnosti“.
5.4.1 Index významnosti Na určenie vplyvu danej triedy na prítomnosť lokalít sme použili dáta zistené na
známych archeologických lokalitách a na náhodne rozmiestnených bodoch v krajine( kapitola
4.5). Pri kvantifikovaní vplyvu danej triedy sme pritom použili premennú nazvanú „index
významnosti“. Aplikovali sme pritom 2 prístupy k jej výpočtu:
Podielový index významnosti:
Tento index je založený na vzťahu (Kuna, 2007), (Leusen, 2005):
IP=pa /pk
(5.45)
kde IP predstavuje podielový index významnosti,
pa je relatívna početnosť archeologických lokalít na danom jave (triede javu),
pk je relatívna početnosť daného javu v celom záujmovom území.
154
Vzťah vypovedá o tom, o koľko je vyššia početnosť výskytu daného javu medzi
archeologickými lokalitami voči výskytu daného javu v krajine. Podielový index významnosti
môže nadobúdať pritom hodnoty od (0, ∞). Pre aplikáciu v prostredí GIS sme vzťah upravili
do nasledovnej podoby:
IPM=(pa /pk) - 1
(5.46)
kde IPM predstavuje modifikovaný podielový index významnosti (PIV),
pa je relatívna početnosť archeologických lokalít na danom jave (triede javu),
pk je relatívna početnosť daného javu v krajine (záujmovom území).
Vzťah (5.46) vypovedá o prírastku pozitívneho alebo negatívneho vplyvu daného javu
medzi archeologickými lokalitami voči rovnovážnemu stavu (ak pa = pk => pa /pk =1). Takto
modifikovaný index môže nadobúdať pritom hodnoty od (-1, ∞), kde -1 znamená maximálny
negatívny vplyv, 0 znamená neutrálny vplyv.
Na jednej strane sa tento index javí ako prirodzený kvantifikátor, ak je jav zastúpený
na 80% lokalít a nachádza sa v 20% krajiny, tak možno tvrdiť, že daná trieda (jav) má 4násobný vplyv na výskyt archeologických lokalít. Má však svoje limity - z hľadiska operácií
prekrytia je jeho obmedzenie v tom, že v prípade maximálneho negatívneho vplyvu sa
môžeme dostať k hodnote IPM = - 1, v prípade pozitívneho vplyvu môže toto číslo nadobúdať
hodnotu z intervalu (0, ∞), čím sa pri sčítavaní vrstiev vplyv vysokého indexu významnosti
jednej vrstvy ťažšie eliminuje, aj keď je hodnota javu v druhej vrstve maximálne negatívna.
Ak by v takomto prípade bol index v prvej vrstve prirodzene vysoký, tak sa tento nedostatok
dá akceptovať. Problémom je ale druhá vlastnosť - vysoká citlivosť na relatívnu početnosť dát
v prípade zastúpenia daného javu v krajine. Ak je zastúpenosť javu v krajine nízka a napriek
tomu sa v rámci neho nachádzajú lokality, potom môže nadobúdať extrémne vysoké hodnoty,
pričom môže ísť aj o náhodný jav (napr. pri výskyte 1% lokalít na jave, ktorého zastúpenie
v krajine je 0.01% je IP =100 pričom v skutočnosti môže ísť o 1 lokalitu).
Rozdielový index významnosti:
Vychádza zo vzťahu napr. (Leusen 2005):
IR=pa - pk
(5.47)
155
kde IR predstavuje rozdielový index významnosti (RIV),
pa je relatívna početnosť archeologických lokalít na danom jave (triede javu),
pk je relatívna početnosť daného javu v krajine (záujmovom území).
Hodnoty RIV sa nachádzajú v rozpätí (-1, 1), keď hodnota blízka 1 predstavuje
maximálne pozitívny vplyv (takmer všetky lokality na minimálnom percente krajiny), hodnota
-1 znamená maximálne negatívny vplyv, resp. absenciu zastúpenia lokalít v danom jave,
hodnota 0 znamená neutrálny stav.
RIV má výhodu v tom, že nie je citlivý na nízke počty hodnôt daného javu v krajine.
Rovnako pri operáciách prekrytia dokáže efektívne eliminovať vplyv jednej vrstvy na základe
druhej. Jeho obmedzením je ale mierne odlišné definovanie miery významnosti - ak by sa
napríklad nachádzalo 50% lokalít (pa=0.5) na 10% krajiny (pk=0.1), v prípade PIV by sme
dostali hodnotu IP=5 (čo aj zodpovedá významnosti javu v tomto prípade), RIV však nadobúda
hodnotu IR=0.40. V extrémnom prípade, ak by sa nachádzalo napr. 50% lokalít (pa=0.5) na 1%
krajiny (pk=0.01), tak by PIV nadobudol hodnotu IP=50, RIV by mal hodnotu IR=0.49.
Vzhľadom na vlastnosti oboch indexov významnosti sme sa rozhodli v projekte
spracovať obidve varianty.
5.4.2 Váhy v induktívnom prístupe Pri archeologickom predikčnom modelovaní sa dá predpokladať, že pri voľbe lokality
nie všetky vrstvy mali rovnakú váhu. Pri tvorbe APM je potrebné túto skutočnosť zohľadniť.
Dôležité je pritom stanovenie veľkosti týchto váh pre príslušné javy. V literatúre (Dresler,
2007), (Dalla Bona, 2000) alebo (Goláň, 2003) sú zmienky o stanovovaní váh v prípade
predikčného modelovania, väčšinou sú ale stanovené deduktívnym spôsobom.
V projekte sme sa rozhodli použiť induktívne stanovenie váh na základe prístupu
navrhnutého Mgr. Miroslavom Sabom z Katedry matematiky a deskriptívnej geometrie na SvF
STU v Bratislave. Tento postup spočíva v porovnaní odlišností dvoch distribúcii javu na
lokalitách f(x) a javu v krajine g(x). Vychádzame z predpokladu, že čím viac sú tieto 2
distribúcie odlišné, tým mal daný jav väčší vplyv na voľbu lokality. Koeficient odlišnosti
dvoch rozdelení definujme nasledovným spôsobom:
∞
w( f , g ) =
∫
f ( x) − g ( x) dx
(5.48)
−∞
156
Názorne ho môžeme ilustrovať na (Obrázok 5-35), (Obrázok 5-36) a (Obrázok 5-37).
Obrázok 5-35 Všeobecný rozdiel distribúcií javu na lokalitách a javu v krajine (autor Miroslav Sabo)
Obrázok 5-36 Maximálna odlišnosť distribúcií javu na lokalitách a javu v krajine (autor Miroslav Sabo)
Obrázok 5-37 Rovnaké rozdelenie distribúcií javu na lokalitách a javu v krajine (autor Miro Sabo)
Vzhľadom na to, že plocha pod krivkou hustoty javu sa rovná 1, tak v extrémnom
prípade uvedenom na (Obrázok 5-36) nadobúda miera odlišnosti distribúcií hodnotu 2. Na
(Obrázok 5-37) je prípad, keď sú distribúcie rovnaké a ich rozdiel je rovný 0. Keďže táto
miera odlišnosti nadobúda hodnoty v intervale od <0,2>, je vhodné ju normovať do
jednotkového intervalu nasledovným spôsobom:
157
wN ( f , g) =
1
w( f , g )
2
(5.49)
V praxi sa hodnota koeficientu odlišnosti stanoví z hodnôt relatívnych početností
použitím nasledovného vzorca, ktorý aproximuje hodnotu integrálu.
k
wE ( f , g) = ∑ fi − gi
(5.50)
i =1
kde k je počet intervalov a fi a gi sú príslušné relatívne početnosti intervalov pre lokality
a krajinu. Uvedená hodnota teda závisí aj na voľbe počtu intervalov. Týmto spôsobom boli
stanovené váhy pre všetky vrstvy ktoré vstupovali do APM. V prípade vrstvy pôdy bola
v induktívnom prístupe použitá už len vrstva najväčšieho zastúpenia pôd v okolí 500 m, ktorá
bola vyhodnotená práve na základe takto stanovených váh (kapitola 4.6). Ich hodnoty
uvádzame v (Tabuľka 5-4).
Tabuľka 5-4 Váhy pre jednotlivé vrstvy
Názov vrstvy Nákladová vzdialenosť od veľkých a stredných vodných tokov Nákladová vzdialenosť od hraníc fluviálnych usadenín Sklon reliéfu Najväčšie zastúpenie pôdneho typu v okruhu 500 m Váha 0.588 0.843 0.376 0.5241 5.4.3 Tvorba predikčných modelov induktívnym prístupom Na základe princípov a vzťahov uvedených v kapitolách (5.4.1 a 5.42) sme vytvorili 4
verzie APM, každý v 2 variantoch:
ƒ
APM i1 PIV – kombinácia vzdialenosti k veľkým a stredným tokom, sklonu reliéfu
a pôdnych typov najviac zastúpených v okruhu 500 m s aplikáciou PIV.
ƒ
APM i1 RIV – kombinácia vzdialenosti k veľkým a stredným tokom, sklonu
reliéfu a pôdnych typov najviac zastúpených v okruhu 500 m s aplikáciou RIV.
ƒ
APM i2 PIV - kombinácia vzdialenosti k veľkým a stredným tokom a sklonu
reliéfu s aplikáciou PIV.
ƒ
APM i2 RIV - kombinácia vzdialenosti k veľkým a stredným tokom a sklonu
reliéfu s RIV.
158
ƒ
APM i3 PIV – kombinácia vzdialenosti k hraniciam fluviálnych usadenín, sklonu
reliéfu a pôdnych typov najviac zastúpených v okruhu 500 m s aplikáciou PIV.
ƒ
APM i3 RIV – kombinácia vzdialenosti k hraniciam fluviálnych usadenín, sklonu
reliéfu a pôdnych typov najviac zastúpených v okruhu 500 m s aplikáciou RIV.
ƒ
APM i4 PIV – kombinácia vzdialenosti k hraniciam fluviálnych usadenín a sklonu
reliéfu s aplikáciou PIV.
ƒ
APM i4 RIV – kombinácia vzdialenosti k hraniciam fluviálnych usadenín a sklonu
reliéfu s aplikáciou RIV.
Pri tvorbe modelov sme uvažovali tiež výlučný vplyv vrstiev. Na základe princípov
definovaných v zmysle (kapitola 5.1.1) môžeme princíp konštrukcie takéhoto modelu zhrnúť
do nasledovného vzťahu:
APMVÝSL= ( WA x LA ∪ WB x LB ∪ WC x LC) ∩ (MA ∩ MB ∩ MC)
(5.51)
kde WA, WB, WC predstavujú váhy príslušných vrstiev,
MA, MB, MC predstavujú masky príslušných vrstiev (maska predstavuje binárnu vrstvu, kde
hodnota 1 platí len pre kladné a nenulové indexy významnosti),
LA, LB, LC sú príslušné vrstvy reklasifikované podľa príslušného indexu významnosti.
Na (Obrázok 5-38) až (Obrázok 5-45) uvádzame ukážku takto reklasifikovaných
vrstiev.
159
Obrázok 5-38 Vrstva nákladových vzdialeností k hraniciam fluviálnych usadenín s uvážením PIV
Obrázok 5-39 Vrstva nákladových vzdialeností k hraniciam fluviálnych usadenín s uvážením RIV
160
Obrázok 5-40 Vrstva nákladových vzdialeností k veľkým a stredným tokom s uvážením PIV
Obrázok 5-41 Vrstva nákladových vzdialeností k veľkým a stredným tokom s uvážením RIV
161
Obrázok 5-42 Vrstva sklonu reliéfu s uvážením PIV
Obrázok 5-43 Vrstva sklonu reliéfu s uvážením RIV
162
Obrázok 5-44 Vrstva zastúpenia pôdnych typov v okruhu 500 m s uvážením PIV
Obrázok 5-45 Vrstva zastúpenia pôdnych typov v okruhu 500 m s uvážením RIV
163
Výsledky testovania APM môžeme zhrnúť do (Tabuľka 5-5).
Tabuľka 5-5 Výsledky testovania APM
Percentuálne zastúpenie TEST Int. Ext. Model Vysoká vhodnosť index významnosti Nízka vhodnosť Vysoká Nízka vhodnosť vhodnosť Efekt. Koeficient koncentrácie
lokality [%] krajina [%] lokality [%] krajina [%] APM i1 PIV 48 19 52 81 2.53 0.64 1.88 30.17 APM i1 RIV 48 20 52 80 2.40 0.65 1.75 29.12 APM i2 PIV 60 34 40 66 1.76 0.61 1.16 27.62 APM i2 RIV 62 29 38 71 2.14 0.54 1.60 34.05 APM i3 PIV 49 20 51 80 2.45 0.64 1.81 29.64 APM i3 RIV 49 20 51 80 2.45 0.64 1.81 28.56 APM i4 PIV 63 30 37 70 2.10 0.53 1.57 34.74 APM i4 RIV 63 30 37 70 2.10 0.53 1.57 34.37 APM i1 PIV 55 19 45 81 2.89 0.56 2.34 36.65 APM i1 RIV 55 20 45 80 2.75 0.56 2.19 29.12 APM i2 PIV 62 34 38 66 1.82 0.58 1.25 36.86 APM i2 RIV 67 29 33 71 2.31 0.46 1.85 42.70 APM i3 PIV 55 20 45 80 2.75 0.56 2.19 35.70 APM i3 RIV 55 20 45 80 2.75 0.56 2.19 35.32 APM i4 PIV 70 30 30 70 2.33 0.43 1.90 42.58 APM i4 RIV 70 30 30 70 2.33 0.43 1.90 42.95 Z uvedených výsledkov vyplýva, že induktívny prístup v našom prípade poskytuje
najlepšie výsledky a kvalitu predikcie archeologických lokalít. Najhoršie výsledky dosahujú
modely, v ktorých je zvažovaná prítomnosť pôd. To môže len potvrdiť domnienku vyslovenú
v (kapitole 4.6) o tom, že skúmanie pôd cez pôdne typy nemusí viesť k správnym
predpokladom vzhľadom na rozličné mechanické vlastnosti pôd, mocnosť ich vrstiev a pod.
Najlepšie výsledky dosahujú modely založené na kombinácii nákladovej vzdialenosti
k hraniciam fluviálnych usadenín a sklonu. Ukážky výsledkov najhoršieho a najlepšieho
predikčného modelu a ich testovania uvádzame na (Obrázok 5-46) a (Obrázok 5-47).
164
Predikčný model:
APM
Kategória
(0.9 ‐ 1>
(0.8 ‐ 0.9>
(0.7 ‐ 0.8>
(0.6 ‐ 0.7>
(0.5 ‐ 0.6>
(0.4 ‐ 0.5>
(0.3 ‐ 0.4>
(0.2 ‐ 0.3>
(0.1 ‐ 0.2>
(0.0 ‐ 0.1>
<0.0 ‐0.0>
Suma
Sklon, Nákl. Vzd. od fluviálnych usadenín
Výpočet: Štat. (podielový index význ. )
Archeologické lokality ‐ Interné
Archeologické lokality ‐ Externé
Krajina
Počet Rel. početnosť Kumul. početnosť Počet Rel. početnosť Kumul. početnosť Počet pixl. Rel. početnosť Kumul.početnosť
2
0.01
0.01
0
0.00
0.00
60382
0.01
0.01
40
0.11
0.12
7
0.18
0.18
420387
0.05
0.06
0
0.00
0.12
0
0.00
0.18
1131
0.00
0.06
1
0.00
0.12
0
0.00
0.18
42195
0.00
0.06
128
0.36
0.48
13
0.33
0.50 1039344
0.12
0.18
0
0.00
0.48
0
0.00
0.50
837
0.00
0.18
29
0.08
0.56
6
0.15
0.65
477569
0.06
0.24
1
0.00
0.56
0
0.00
0.65
15572
0.00
0.24
18
0.05
0.62
1
0.03
0.68
437564
0.05
0.29
4
0.01
0.63
1
0.03
0.70
59860
0.01
0.30
133
0.37
1.00
12
0.30
1.00 5909610
0.70
1.00
356
1.00 ‐
40
1.00 ‐
8464451
1.00
‐ hranica vysokej vhodnosti (≈70% kvantil výskytu archeologických lokalít) *)
‐ Charakteristiky nízkej vhodnosti
Relatívna početnosť výskytu archeologických lokalít a krajiny v predikčnom modeli 0.70
Relatívna početnosť 0.60
0.50
0.40
0.30
0.20
0.10
0.00
(0.9 ‐ 1>
(0.8 ‐ 0.9>
(0.7 ‐ 0.8>
(0.6 ‐ 0.7>
(0.5 ‐ 0.6>
Početnosť lokalít (interných)
(0.4 ‐ 0.5>
(0.3 ‐ 0.4>
Početnosť lokalít (externých)
(0.1 ‐ 0.2>
(0.0 ‐ 0.1>
<0.0 ‐0.0>
Lorenzova krivka pre externé lokality Lorentzova krivka pre interné lokality 1
Kumulatívna početnosť na lokalitách 1
Kumulatívna početnosť na lokalitách (0.2 ‐ 0.3>
Početnosť krajina
0.9
0.8
0.7
0.6
0.5
Lor. krivka
0.4
Diagonála
0.3
0.2
0.1
0.9
0.8
0.7
0.6
0.5
Lor. krivka
0.4
Diagonála
0.3
0.2
0.1
0
0
0
0.2
0.4
0.6
0.8
0
1
Charakteristika archeologického predikčného modelu
Pravdepodobnosť
Lokality ‐ úspešnosť predikcie
Vhodnosť
Interné [%]
Externé [%]
Vysoká
63
70
Stredná *)
0
0
Nízka
37
30
%
%
í
0.2
0.4
0.6
0.8
1
Kumulatívna početnosť v krajine Kumulatívna početnosť v krajine á
á
.
.
‐ %
%
í
Krajina
[%]
30
0
70
í
í
.
.
= Sila modelu Testovanie efektívnosti predikčného modelu
2.10
0.53
Interný test
1.57
2.33
0.43
Externý test
1.90
Koef. koncentrácie (Inter.)
‐
‐
34.74 %
Koef. koncentrácie (Exter.)
‐
‐
42.58 %
*) V prípade že ≈70% kvantil výskytu nie je splnený nemusí byť stredná vhodnosť zastúpená
100%
Grafické znázornenie charakteristík 30 80%
63 60%
70 0 Vysoká
40%
0 20%
37 0 70 30 Stredná *)
Nízka
0%
Interné lokality [%] Externé lokality [%]
Krajina [%]
Obrázok 5-46 Testovací list pre APM i4 PIV
165
Obrázok 5-47 APM i4 PIV nereklasifikovaný (hore) a reklasifikovaný (dole)
166
Stále je však prítomné značné množstvo zle predpovedaných lokalít (vyskytujú sa na
územiach, ktoré sme označili za nevhodné). Je to podmienené viacerými faktormi, pričom za
hlavný môžeme označiť ponímanie vstupných vrstiev ako výlučných. S tým sú spojené riziká
bližšie špecifikované v (kapitola 5.3). Pristúpili sme preto aj k induktívnemu spracovaniu
modelov s predpokladom všeobecného vplyvu vrstiev. K tomuto rozhodnutiu nás vedie aj to,
že v prípade pre jednotlivé vrstvy máme stanovené váhy, pričom ich škála je dosť rozdielna.
V prípade sklonu reliéfu je váha určená na 0.376, pre nákladovú vzdialenosť od hraníc
fluviálnych usadenín je váha až 0.847 (tabuľka 5-4). Tým sa môžu čiastočne kompenzovať
nedostatky z označenia vplyvu jednotlivých vrstiev za všeobecný.
Obdobne sme preto znova vytvorili 4 verzie APM, každý v 2 variantoch. Pričom
modely sme označili ako APM neredukované (APM NR):
ƒ
APM NR i1 PIV – kombinácia vzdialenosti k veľkým a stredným tokom, sklonu
reliéfu a pôdnych typov najviac zastúpených v okruhu 500 m s aplikáciou PIV.
ƒ
APM NR i1 RIV – kombinácia vzdialenosti k veľkým a stredným tokom, sklonu
reliéfu a pôdnych typov najviac zastúpených v okruhu 500 m s aplikáciou RIV.
ƒ
APM NR i2 PIV - kombinácia vzdialenosti k veľkým a stredným tokom a sklonu
reliéfu s aplikáciou PIV.
ƒ
APM NR i2 RIV - kombinácia vzdialenosti k veľkým a stredným tokom a sklonu
reliéfu s RIV.
ƒ
APM NR i3 PIV – kombinácia vzdialenosti k hraniciam fluviálnych usadenín,
sklonu reliéfu a pôdnych typov najviac zastúpených v okruhu 500 m s aplikáciou
PIV.
ƒ
APM NR i3 RIV – kombinácia vzdialenosti k hraniciam fluviálnych usadenín,
sklonu reliéfu a pôdnych typov najviac zastúpených v okruhu 500 m s aplikáciou
RIV.
ƒ
APM NR i4 PIV – kombinácia vzdialenosti k hraniciam fluviálnych usadenín a
sklonu reliéfu s aplikáciou PIV.
ƒ
APM NR i4 RIV – kombinácia vzdialenosti k hraniciam fluviálnych usadenín a
sklonu reliéfu s aplikáciou RIV.
Keďže vstupné vrstvy pokladáme za vrstvy so všeobecným vplyvom, teda nie je ich
potrebné redukovať maskou zohľadňujúcou len kladné a nenulové hodnoty, mohli sme vzťah
(5.51) definujúci spôsob zostrojenia modelu upraviť do nasledovnej podoby:
167
APMVÝSL= ( WA x LA ∪ WB x LB ∪ WC x LC)
(5.52)
kde WA, WB, WC predstavujú váhy príslušných vrstiev,
LA, LB, LC sú príslušné vrstvy reklasifikované podľa príslušného indexu významnosti.
Výsledky takto upravených modelov môžeme zhrnúť v (Tabuľka 5-6).
Tabuľka 5-6 Výsledky testovania APM NR
TEST Model APM NR i1 PIV APM NR i1 RIV APM NR i2 PIV APM NR i2 RIV Int. APM NR i3 PIV APM NR i3 RIV APM NR i4 PIV APM NR i4 RIV APM NR i1 PIV APM NR i1 RIV APM NR i2 PIV APM NR i2 RIV Ext. APM NR i3 PIV Percentuálne zastúpenie index významnosti Koeficient Efekt. Vysoká vhodnosť Nízka vhodnosť Vysoká Nízka koncentrácie
lokality [%] krajina [%] lokality [%] krajina [%] vhodnosť vhodnosť 76 45 24 55 1.69 0.44 1.25 38.54 72 44 28 56 1.64 0.50 1.14 33.27 76 49 24 51 1.55 0.47 1.08 26.68 67 43 16 40 1.56 0.40 1.16 30.13 67 31 24 59 2.16 0.41 1.75 40.64 69 33 15 43 2.09 0.35 1.74 41.32 72 34 20 58 2.12 0.34 1.77 45.66 67 31 20 53 2.16 0.38 1.78 42.15 77 45 23 55 1.71 0.42 1.29 37.76 67 44 33 56 1.52 0.59 0.93 32.03 80 49 20 51 1.63 0.39 1.24 30.70 70 43 13 40 1.63 0.33 1.30 38.30 75 31 20 59 2.42 0.34 2.08 46.11 APM NR i3 RIV 75 33 10 43 2.27 0.23 2.04 49.86 APM NR i4 PIV 75 34 18 58 2.21 0.31 1.90 49.31 APM NR i4 RIV 70 31 20 53 2.26 0.38 1.88 44.35 V prípade takto postavených modelov sa výrazne znížil počet lokalít, ktoré sa
nachádzajú na miestach označených za nevhodné. Toto zlepšenie sa prejavilo na úkor
efektivity modelu, pretože takto boli generované aj pred tým vylúčené a maskované plochy
vzniknuté „šumom“ spôsobeným nerovnomernou preskúmanosťou územia a zároveň
nezohľadnením rozdielu medzi rôznymi typmi lokalít (hlavne výšinných lokalít v extrémnych
polohách). Príkladom takéhoto javu môže byť APM NR i1 RIV (kombinácia sklonu reliéfu,
vzdialenosti od veľkých a stredných vodných tokov a maximálneho zastúpenia pôdnych typov
s uvážením RIV).
Na (Obrázok 5-48) a (Obrázok 5-49) uvádzame testovanie najúspešnejšieho modelu,
teda APM NR i4 PIV (kombinácie nákladovej vzdialenosti od hraníc fluviálnych usadenín
a sklonu s uvážením PIV).
168
Predikčný model:(Nereduk.) Sklon, Nákl. Vzd. od fluviálnych usadenín
Výpočet: Štat. (podielový index význ. )
Archeologické lokality ‐ Interné
Archeologické lokality ‐ Externé
Krajina
APM
Kategória
Počet Rel. početnosť Kumul. početnosť Počet Rel. početnosť Kumul. početnosť Počet pixl. Rel. početnosť Kumul.početnosť
(0.9 ‐ 1>
2
0.01
0.01
0
0.00
0.00
60832
0.01
0.01
(0.8 ‐ 0.9>
43
0.12
0.13
7
0.18
0.18
435078
0.05
0.06
(0.7 ‐ 0.8>
1
0.00
0.13
1
0.03
0.20
20676
0.00
0.06
(0.6 ‐ 0.7>
1
0.00
0.13
0
0.00
0.20
42287
0.00
0.07
(0.5 ‐ 0.6>
148
0.42
0.55
14
0.35
0.55 1298709
0.15
0.22
(0.4 ‐ 0.5>
3
0.01
0.56
1
0.03
0.58
131480
0.02
0.23
(0.3 ‐ 0.4>
36
0.10
0.66
7
0.18
0.75
545249
0.06
0.30
(0.2 ‐ 0.3>
6
0.02
0.67
0
0.00
0.75
118352
0.01
0.31
(0.1 ‐ 0.2>
23
0.06
0.74
1
0.03
0.78
557772
0.07
0.38
(0.0 ‐ 0.1>
9
0.03
0.76
1
0.03
0.80
280958
0.03
0.41
<0.0 ‐0.0>
84
0.24
1.00
8
0.20
1.00 4973058
0.59
1.00
Suma
356
1.00 ‐
40
1.00 ‐
8464451
1.00
‐ hranica vysokej vhodnosti (≈70% kvantil výskytu archeologických lokalít) *)
‐ Charakteristiky nízkej vhodnosti
Relatívna početnosť výskytu archeologických lokalít a krajiny v predikčnom modeli 0.70
Relatívna početnosť 0.60
0.50
0.40
0.30
0.20
0.10
0.00
(0.9 ‐ 1>
(0.8 ‐ 0.9>
(0.7 ‐ 0.8>
(0.6 ‐ 0.7>
(0.5 ‐ 0.6>
Početnosť lokalít (interných)
(0.4 ‐ 0.5>
(0.3 ‐ 0.4>
Početnosť lokalít (externých)
(0.1 ‐ 0.2>
(0.0 ‐ 0.1>
<0.0 ‐0.0>
Lorenzova krivka pre externé lokality Lorentzova krivka pre interné lokality 1
Kumulatívna početnosť na lokalitách 1
Kumulatívna početnosť na lokalitách (0.2 ‐ 0.3>
Početnosť krajina
0.9
0.8
0.7
0.6
0.5
Lor. krivka
0.4
Diagonála
0.3
0.2
0.1
0.9
0.8
0.7
0.6
0.5
Lor. krivka
0.4
Diagonála
0.3
0.2
0.1
0
0
0
0.2
0.4
0.6
0.8
0
1
Charakteristika archeologického predikčného modelu
Pravdepodobnosť
Lokality ‐ úspešnosť predikcie
Interné [%]
Externé [%]
Vhodnosť
67
Vysoká
75
Stredná *)
9
5
24
20
Nízka
%
%
í
á
á
0.2
0.4
0.6
0.8
1
Kumulatívna početnosť v krajine Kumulatívna početnosť v krajine .
.
‐ %
%
í
í
í
Krajina
[%]
31
10
59
100%
Grafické znázornenie charakteristík 31 80%
60%
67 75 10 Vysoká
.
.
= Efekt. modelu Testovanie efektívnosti predikčného modelu
2.16
0.41
Interný test
1.75
2.42
0.34
Externý test
2.08
‐
‐
40.64 %
Koef. koncentrácie (Inter.)
Koef. koncentrácie (Exter.)
‐
‐
46.11 %
*) V prípade že ≈70% kvantil výskytu nie je splnený nemusí byť stredná vhodnosť zastúpená
40%
9 20%
24 5 59 Stredná *)
Nízka
20 0%
Interné lokality [%] Externé lokality [%]
Krajina [%]
Obrázok 5-48 Testovací list pre APM NR i4 PIV
169
Obrázok 5-49 APM NR i4 PIV nereklasifikovaný (hore) a reklasifikovaný (dole)
170
5.5 Validácia archeologických predikčných modelov Zmysluplnému použitiu APM v praxi by malo bezpodmienečne predchádzať ich
overenie na vybranej vzorke dát a ich následné zhodnotenie – validácia. Pri samotnom
vyhodnocovaní jednotlivých APM vychádzame z rizika vzniku dvoch typov chýb predikcie
podľa (Altschul, 1988) citované z (Goláň, 2003):
1. chyby z plytvania, ktoré vychádzajú z označenia areálov (časti krajiny) ako miest
s vysokým potenciálom pre výskyt archeologickej lokality, v ktorých ale
v skutočnosti archeologické lokality nie sú,
2. hrubé chyby, ktoré sú spôsobené označením miest modelom za oblasti s nízkym
potenciálom pre výskyt archeologickej lokality, pričom sa v skutočnosti jedná
o areály, v ktorých sa nachádzajú archeologické nálezy.
V prípade použitia modelov prevažne na akademické účely (dohľadávanie nových
lokalít, verifikácia archeologických predpokladov a potvrdenie empirických poznatkov) je
dôležitejšie sledovať chyby z plytvania, pretože nás zaujíma predovšetkým čo najúspešnejšia
pozitívna predikcia, ktorá vedie k maximalizácií počtu úspešne predikovaných lokalít pri
minimalizácii územia označeného za vhodné. Pokiaľ sa predpokladá aplikácia modelu na
pragmatické účely (ochrana kultúrneho a historického dedičstva) relevantnosť a použiteľnosť
modelu znižujú práve hrubé chyby.
Z uvedených skutočností vyplýva, že tvorba APM by mala vychádzať z optimalizácie
parametrov modelu zameranej na prevažný účel využitia a tejto skutočnosti by mala byť
prispôsobená aj metodika validácie APM. Proces validácie klasifikácie je vo všeobecnosti
založený na evaluácii zatriedenia, ktorá požaduje existenciu vzorky dát so známymi
výsledkami klasifikácie. V praxi to znamená, že je potrebné mať dáta o lokalitách, pri ktorých
poznáme zastúpenie alebo absenciu daného javu (výskyt archeologických nálezov) na nich.
V našom projekte máme k dispozícii dáta o známych archeologických lokalitách, avšak
absentujú informácie o negatívnych záznamoch, čo výrazne obmedzuje možnosti aplikácie
štandardných metód validácie (napr. klasifikačnej chybovej matice a výpočtu Cohenovho
indexu κ). Ďalším faktorom, ktorý spôsobuje vysokú obtiažnosť hodnotenia APM je
skutočnosť, že vo väčšine prípadov tvorby APM nepostačuje klasifikácia územia do dvoch
kategórií (vhodné/nevhodné územie), ale zahŕňa ešte minimálne jednu kategóriu (napr.
„vysoký predpoklad archeologického nálezu“, „nízky predpoklad archeologického nálezu“,
„lokalita s nepravdepodobným výskytom archeologického nálezu“). Z uvedeného dôvodu je
nevyhnutné navrhnúť alternatívnu metódu hodnotenia, ktorá umožní i napriek neúplnosti
171
testovacích dát modely otestovať, ohodnotiť a následne porovnať. Metódou, ktorá aspoň
čiastočne spĺňa stanovené predpoklady, je výpočet tzv. koeficientu koncentrácie (kapitola
4.5.3) doplnený výpočtom tzv. efektivity modelu (kapitola 5.2.8). Ukážky takéhoto testovania
predikčných modelov sú na (Obrázok 5-46) a (Obrázok 5-48).
Samotná validácia môže byť realizovaná dvoma spôsobmi:
1. formou interného (testovanie vnútornej presnosti vychádzajúce z toho istého
súboru dát, z ktorého bol vygenerovaný výsledný APM),
2. formou externého testu (hodnotenie spoľahlivosti predikcie na základe nezávislej
vzorky dát).
Zo spôsobu validácie jednoznačne vyplýva, že oveľa väčšiu výpovednú hodnotu má
externá forma validácie, ale pri nedostatku vstupných dát, čo je jedným z najväčších
nedostatkov DB archeologických nálezísk na Slovensku, je prakticky nemožné absolútne
vylúčiť zo spracovania štatisticky významnú vzorku dát určenú len na validáciu modelov.
Z tohto dôvodu na testovanie modelov využívame externú aj internú formu validácie.
Na základe všetkých spomínaných skutočností v súčasnosti neexistuje jednoznačne
odporúčaná metóda validácie APM a jej vývoj a následné vyladenie a prispôsobenie sa
podmienkam a charakteru vstupných archeologických dát bude predmetom ďalšieho výskumu.
Na základe výsledkov testovania, ktoré preukazujú dobrú zhodu medzi externými
a internými archeologickými dátami boli vybrané 3 finálne APM:
1. APM NR i4 PIV - štatistický neredukovaný induktívny archeologický predikčný
model s použitím podielového indexu významnosti. Kombinuje faktory sklonu
a nákladovej vzdialenosti k hraniciam fluviálnych usadenín. Použitie modelu
odporúčame pri požiadavke čo najkvalitnejšej predikcie archeologických lokalít
s akceptovaním časovo aj výpočtovo náročného spracovania.
2. APM NR i3 RIV - štatistický neredukovaný induktívny archeologický predikčný
model
s použitím
rozdielového
indexu
významnosti.
Kombinuje
faktory
sklonu, nákladovej vzdialenosti k hraniciam fluviálnych usadenín a najväčšieho
zastúpenia pôdnych typov v okruhu 500 m. Použitie modelu odporúčame pri pevne
stanovenej
požiadavke
zakomponovania
vhodnosti
pôdnych
typov
do
archeologickej predikcie.
172
3. APM d FM - fuzzy deduktívny model archeologický predikčný model s použitím
minimovej t-normy. Kombinuje faktory sklonu a nákladovej vzdialenosti
k hraniciam fluviálnych usadenín. Na predikciu archeologických lokalít používa
fuzzy prístup na podklade expertného odhadu. Použitie modelu odporúčame pri
nedostatku vstupných informácií o archeologických lokalitách.
Uvedené APM vykazujú vysoké množstvo predikovaných lokalít prvej a druhej
kategórie (vysoká a stredná vhodnosť pre výskyt archeologických lokalít). Zároveň úspešne
predikujú výskyt cca 75% lokalít na 30% územia (vysoká vhodnosť na výskyt
archeologických lokalít) a negatívne predikujú cca 15% lokalít na 45% územia. Tento stav
zhruba zodpovedá vhodnosti osídlenia na záujmovom území, kde je značná časť vhodná na
osídlenie. Takto navrhnutý APM je možné použiť na účely pamiatkovej ochrany, kde
v prípade s vhodnou kombináciou s územnými plánmi dokáže napomôcť včas identifikovať
územia, na ktorých môže prebehnúť detailnejší predstihový prieskum (hlavne v podobe
povrchových zberov a leteckého prieskumu), a tým následne vytvoriť detailnejšie predikčné
modely zohľadňujúce vlastnosti mikroregiónu.
173
6 Tvorba Predikčnej mapy archeologických lokalít Výsledným produktom riešeného projektu je Predikčná mapa archeologických lokalít
(PMAL), spracovaná v rozsahu záujmového územia tohto projektu. Táto mapa vznikla
kombináciou vybraných vstupných mapových vrstiev a výsledných analytických vrstiev APM,
ktoré vyjadrujú pravdepodobnosť výskytu zatiaľ neobjavených archeologických lokalít na
záujmovom území. S ohľadom na ďalšie použitie existuje PMAL vo viacerých alternatívach.
PMAL zohráva dôležitú úlohu v procese efektívnej ochrany kultúrno-historického
dedičstva, kde môže byť východiskom pri plánovaní výstavby strategických stavieb (diaľnic,
priehrad a pod.), ale aj pri plánovaní výstavby na regionálnej úrovni.
PMAL
je
poskytovaná
formou
(http://archeopredikcia.svf.stuba.sk/Archeo/Uvod.php)
webovej
realizovanej
na
aplikácie
platforme
ESRI
ArcGIS Serever, ktorá využíva štandardy WMS a WPS (Obrázok 6-1). Tým predstavuje silný
prezentačný, ale aj analytický nástroj, ktorý umožňuje používateľovi interaktívne pracovať
s vizualizovanými mapovými vrstvami v reálnom čase v jednoduchom prostredí internetového
prehliadača pomocou analytických nástrojov, založených na štandarde WPS. Keďže
analytické nástroje umožňujú analyzovať priestorové vzťahy medzi objektmi zobrazenými
v PMAL, stávajú sa významnou súčasťou webovej aplikácie (Stopková a Lieskovský, 2010):
ƒ
WPS na generovanie prienikov obalových zón – generuje prieniky obalových zón
(napr. zázemia lokalít a pod.) v okolí archeologických lokalít a vodných tokov,
keďže z výsledkov riešenia vyplýva blízkosť vodného toku ako jeden
z najvýznamnejších faktorov na predikciu archeologických lokalít. Nástroj pracuje
s premennými, ako je vzdialenosť od archeologickej lokality, vzdialenosť od
vodných tokov a používateľ si ich môže voliť podľa svojich požiadaviek.
ƒ
WPS na výpočet rastra viditeľnosti – vypočíta raster viditeľnosti zo stanoviska
zvoleného používateľom. Ide o binárny raster kalkulovaný na základe DMR (resp.
DMT) a vyjadruje časti územia viditeľné zo zvoleného stanoviska. Nástroj ponúka
výber archeologickej lokality na základe jedinečného identifikátora každej lokality
(FID), ktorý je možné zistiť pre ľubovoľnú lokalitu nástrojom atribútového
dopytovania na základe názvu okresu, obce a polohy archeologickej lokality.
174
Obrázok 6-1 Webová aplikácia PMAL
Veľmi dôležitým aspektom pri publikácii archeologických dát je ich bezpečnosť
a ochrana (či už ochrana pred ich zneužitím, alebo rôznym znehodnotením). Predovšetkým
detailné informácie o polohe archeologických lokalít sú náchylné na zneužitie neoprávnenými
používateľmi.
Jedným z faktorov, ktoré ovplyvňujú celkovú bezpečnosť dát, je aj bezpečnosť
počítačových systémov. Tu je potrebné sa zamerať na zabezpečenie utajenia, dostupnosti,
integrity a autenticity dát. Bližšie o bezpečnosti počítačových systémov pojednáva napr.
(Matiaško, 2004).
Podľa (Stopková a Lieskovský, 2010) je v prípade, že dáta publikované na webe
obsahujú citlivé informácie (ako napr. lokalizáciu archeologických lokalít), vhodné
zabezpečenie príslušnej WS. Toto zabezpečenie môže byť odstupňované – teda dáta nebudú
prístupné všetkým používateľom v rovnakom rozsahu, ale napr. od určitej mierky zobrazenia
môžu byť chránené prístupovým heslom. Toto obmedzenie pomocou mierky zobrazenia sme
využili pri tvorbe webovej aplikácie na publikáciu PMAL. Prístup používateľov k webovej
aplikácii je rozdelený na:
ƒ
Autorizovaný – vyžaduje zadanie prihlasovacieho mena a hesla získaného po
akceptovaní žiadosti o autorizáciu zo strany správcu webovej aplikácie. Umožňuje
neobmedzený prístup ku všetkým mapovým vrstvám vo všetkých mierkach
a všetkým analytickým nástrojom.
175
ƒ
Neautorizovaný – prístup k webovej aplikácii je možný pre ľubovoľného
používateľa, avšak je obmedzený na zobrazovanie archeologických lokalít iba do
určitej mierky (pri väčších mierkach sa vrstva vstupných existujúcich
archeologických lokalít, ktoré boli východiskom na predikciu zatiaľ neobjavených
archeologických lokalít, nezobrazuje). Taktiež sú deaktivované niektoré analytické
nástroje (napríklad zobrazovanie súradníc bodu, vybraného používateľom, alebo
WPS na generovanie prienikov obalových zón).
Uvedený spôsob publikácie výsledkov archeologickej predikcie – teda PMAL –
formou webovej aplikácie využívajúcej špecifikácie WMS, WPS, príp. WFS, poskytuje
nepopierateľný prínos pri nachádzaní súvislostí medzi archeologickými lokalitami a zdieľaní
poznatkov medzi odbornou aj laickou verejnosťou, a to v kontexte nielen národnej, ale aj
medzinárodnej spolupráce.
176
7 Záver V práci sme uviedli základný prehľad v problematike archeologického predikčného
modelovania z pohľadu geoinformatiky a jej nástrojov a možností, ktoré predstavujú základný
prostriedok na skúmanie priestorových vzťahov ako v archeológii. Ambíciou tejto publikácie
nebolo interpretovať riešené postupy z archeologického hľadiska, ale priniesť návod (príp.
metodické postupy) ako pristupovať k priestorovým dátam používaným v archeológii s ich
aplikáciou pri archeologickom predikčnom modelovaní. Bližšie sme charakterizovali vybrané
prístupy a uviedli aj ich špecifiká pre územie Slovenska.
V publikácii sme sa snažili poukázať na viaceré nedostatky, ktoré výrazne
komplikovali tvorbu predikčného modelu. Bol to predovšetkým stav, dostupnosť a kvalita
priestorových a archeologických podkladov, kde v prípade archeologických nálezísk, sa
ukázala ako problematická jednak presnosť lokalizácie (zo 750 archeologických lokalít bolo
použiteľných cca 50%), zároveň detailnejšiu analýzu znemožňovala absencia mnohých
atribútových dát. V prípade priestorových podkladov za limitujúci faktor pokladáme ich
dostupnosť pre akademické účely, ako aj kvalitu ich spracovania. Nedostupnosť podkladov vo
väčších mierkach spôsobila nutnosť tvoriť predikčný model v stredných mierkach, a tým
zanedbať lokálne špecifiká, ktoré môžu byť rozhodujúce pri voľbe lokalít. Čo sa týka
štatistického spracovania archeologických lokalít, ich detailnejšiu analýzu znemožňovala
nízka preskúmanosť územia, a tým aj nereprezentatívnosť. Výpovednú hodnotu štatistického
testovania by podstatne zväčšilo zvýšenie počtu lokalít a zvýšenie kvality informácií o nich.
Možno preto túto publikáciu považovať za výzvu na skvalitnenie a sprístupnenie
archeologických a priestorových dát, čím by sa nepochybne zvýšila kvalita a možnosti nielen
archeologického predikčného modelovania.
V záverečnej časti sa venujeme návrhu konkrétnych postupov pri tvorbe APM na
danom území. 3 finálne APM úspešne predikujú výskyt cca 75% lokalít na 30% územia
(vysoká vhodnosť na výskyt archeologických lokalít) a negatívne predikujú cca 15% lokalít na
45% územia. Takto navrhnutý APM je možné použiť na účely pamiatkovej ochrany, kde
v prípade s vhodnou kombináciou s územnými plánmi dokáže napomôcť včas identifikovať
územia, na ktorých môže prebehnúť detailnejší predstihový prieskum. V prípade tvorby
detailnejších modelov je nutné zvýšiť kvalitu informačných zdrojov, príp. zapracovať
induktívnym spôsobom parametre pre špecifické obdobie, čo dáva predpoklady na využitie
predikčného modelu pri skvalitňovaní procesu odhadu ohrozenia archeologických pamiatok.
177
8 Zoznam použitej literatúry a citovaných zdrojov AALDERS, H. J. G. L. (2007): An introduction to metadata for geographic information. In:
Ivánová, I. Data quality in spatial datasets – PhD. thesis. SvF STU, Bratislave 2007, 157 p.
ALTSCHUL, J. H. (1988): Models and the modeling process. In: Judge, W. J.,
Sebastian, L. (ed.): Quantifying the Present and Predicting the Past: Theory,
Method, and Application of Archaeological Predictive Modeling. U.S. Department
of the Interior, Bureau of Land Management Service Center Denver, 1988, p. 61-96.
ANDRÍSEK, Ľ. (2008): Analýza sídelných areálov doby železnej a doby rímskej v Liptovskej
kotline. Diplomová práca, Filozofická fakulta UKF, Nitra 2008.
BIELEK, P. et al.(1998): Naše pôdy (poľnohospodárske). Výskumný ústav pôdnej úrodnosti,
Bratislava 1998, ISBN 80-85361-42-6.
BLAŽOVÁ, E., BARTÍK, M. (2009): Tvorba archeologickej databázy na účely
archeologickej predikcie pre modelové územie povodia dolného toku Hrona a Ipľa. STU,
Bratislava, 2009. ISBN 978-80-227-3028-6.
BUJNA, J. et al. (1993): CEANS – Centrálna evidencia archeologických nálezísk na
Slovensku – Projekt systému. In: Slovenská archeológia XLI 2. AÚ SAV, Nitra 1993, s. 367386. ISSN 1335 – 0102.
BÚTOROVÁ, A. (2011): Modelovanie neurčitosti priestorových analýz s využitím princípov
fuzzy logiky v prostredí ArcGIS. Diplomová práca, SvF STU, Bratislava 2011.
COHEN, J. (1988): Statistical power analysis for the behavioral science. Lawrence erlbaum
acsssociates, Hillsdale, New Jersey 1988. ISBN 0-8058-0283-5.
CONOLLY, J. and LAKE, M., (2006): Geographic Information System
in Archaeology. Cambridge University Press, 2006.
DALLA BONA, L. (2000): Protecting Cultural Resources through Forest Management
Planning in Ontario Using Archaeological Predictive Modeling. In: Westcott K.L., Brandon
R.J, Practical Applications of GIS for Archaeologists – A Predictive Modeling kit. London
2000, p.73-100. ISBN 0-7484-0830-4.
DANIELISOVÁ, A. (2005): Rizika, charakter a rozsah hlavní etapy záchranného
archeologického výzkumu Archeologická pilotní studie stavby pro výstavbu golfového hřiště
mezi obcemi Kbely, Vinoř a Satalice. Archeologický ústav AV ČR, Praha 2005. 58 s.
178
DANIELISOVÁ, A. (2008): Praktické problémy spojené s modelovaním pohybu pravěkou
kulturní krajinou. In: Počítačová podpora v archeologii 2. Ústav archeologie a muzeologie,
Masarykova univerzita, Brno 2008. s. 110-119. ISBN 978-80-254-1781-2.
DRESLEROVÁ, D. (1996): Modelování prírodných podmínek mikroregionu na základě
archeologických dat, In: Archeologické rozhledy 48, Archeologický ústav AV ČR, Praha
1996. s. 605-712. ISSN 0323-1267.
DRESLEROVÁ, D. (2001): Využití GIS při zkoumání struktury mikroregionů. In:
Kozłowski, J. – Neustupný, E. (eds): Archeologia Przestrzeni. Metody i wyniki badań struktur
osadniczych w dorzeczach górnej Łaby i Wisły. PAU-AV ČR, Krakow 2001. p. 55-68. ISBN
978-83-88857-09-6.
DUCKE, B. - MUNCH, U. (2005): Predictive Modelling and the archaeological Heritage of
Brandenburg (Germany). In: Martijn van Leusen – Kamermans, H. (ed), Predictive Modelling
for
Archaeological
Heritage
Management:
A research
agenda.NAR.
Nederlandse
Archeologische Rapporten 29. Amersfoort 2005, p. 93-108. ISBN 90-5799-060-1.
EJSTRUD, B. (2005): Taphonomic Models: Using Dempster-Shafer theory to assess the
quality of archaeological data and indicative models. In: Martijn van Leusen – Kamermans,
H. (ed),
Predictive Modelling for Archaeological Heritage Management: A research
agenda.NAR. Nederlandse Archeologische Rapporten 29. Amersfoort 2005, p. 183-194.
ISBN 90-5799-060-1.
GOLÁŇ, J. (2003): Archeologické prediktivní modelování pomocí geografických
informačních systémů : Na příkladu území jihovýchodní Moravy. Dizertačná práca,
Masarykova univerzita, Přírodovědecká fakulta, Brno 2003.
HOLIŠ, M. (2001): Použitie neuro – fuzzy systémov pri riadení kontinuálnych procesov v
podmienkach neurčitosti. Dizertačná práca, SjF STU, Bratislava 2001.
CHAJDIAK, J. (2009): Štatistika v exceli 2007. Bratislava 2009. ISBN 978-80-85659-49-8.
CHALACHANOVÁ FAIXOVÁ, J. et al. (2006): Modelovanie priestorových objektov v
geoinformačných aplikáciách : Celoživotné vzdelávanie v stavebníctve a geodézii. ESF SvF
kurz č.27. - Bratislava : STU v Bratislave, 2006. - ISBN 80-227-2579-X.
IVÁNOVÁ, I. (2007): Modelling of the data quality in the spatial domain. Slovak Journal of
Civil Engineering, vol. XV – 2007/2. Bratislava 2007. ISSN 1210-3896.
KAINZ,
W.
(2011):
Fuzzy
Logic
and
GIS.
[online]
Dostupné
z:
http://www.scribd.com/doc/44096805/Fuzzy-in-GIS-Basic [cit. 2011-05-19].
KENDALL, M. (1938): A New Measure of Rank Correlation. Biometrika 30, 1938.
179
KLEČKA, M. et al. (1985): Bonitácia Čs. poľnohospodárskych pôd a smery jej využitia. 1.
diel. FMZVž, MZVž, MP Vž, Praha, Bratislava 1985.
KLIR, G.J. – YUAN, B. (1995): Fuzzy Sets and Fuzzy Logic. Theory and Aplications.
Prentice-Hall, 1995.
KOREŇ, M. (2004): Priestorové modely krajiny. Kartografické listy, Bratislava 2004. s. 37-
47. ISBN 80-89060-05-6
KOLESÁROVÁ, A. – KOVÁČOVÁ, M. (2004): Fuzzy množiny a ich aplikácie. STU,
Bratislava 2004. 60 s. ISBN 80-227-2036-4.
KÖNIG, T. (2007): Vývoj včasnostredovekého osídlenia dolného Váhu. Dizertačná práca,
Katedra archeológie FFUK, Bratislava 2007.
K. (2006): Návrh metodiky napĺňania geografickej zložky CEANS.
KROČKOVÁ,
Diplomová práca, KGZA STU SvF, Bratislava 2006.
KROČKOVÁ, K. - LIESKOVSKÝ, T. (2004):
CEANS – centrálna evidencia
archeolgických nálezísk na Slovensku. Študentská vedecká práca, KGZA STU SvF. Bratislava
2004.
KUNA, M. (2004): Nedestruktivní archeologie. Teorie, metody a cíle. Academia, Praha 2004.
ISBN 80-200-1216-8.
KUNA, M. (2008): Analýza polohy pravěkých mohylových pohřebišť pomocí geografických
informačních systémů. In: J. Macháček (ed.): Počítačová podpora v archeologii 2. Ústav
archeologie a muzeologie, Masarykova univerzita, Brno 2008. s. 79-92. ISBN 978-80-2541781-2.
LEUSEN, M. et al. (2005): A Baseline for Predictive Modelling in the Netherlands.
Amersfoort 2005. ISBN 90-5799-060-1
LIANG, H., HU, Sh., QIAO, Ch. (2011): Study of Uncertainty of GIS Product [online]
Dostupné
z:
http://www.commission4.isprs.org/workshop_hangzhou/papers/225-
230%20Hongyou%20LIANG-A087.pdf [cit. 2011-05-19].
LIESKOVSKÝ, T. (2006): Priestorové analýzy prehistorických objektov na mapách.
Diplomová práca, KGZA STU SvF, Bratislava 2006.
LIESKOVSKÝ, T. (2007): Využitie geografických informačných systémov pri predikatívnom
modelovaní v archeológii. In: Zborník Juniorstav, VUT Brno, 2007. ISBN 978-80-214-33373.
LIESKOVSKÝ, T. et al. (2008): Hodnocení dopadu výstavby paralelní dráhy letiště Praha –
Ruzyně na archeologické kulturní dědictví. Labrys, Praha 2008.
180
LIESKOVSKÝ, T. et al. (2009): Využívanie historických-vojenských máp na archeologické
predikčné modelovanie. In: Zborník z konferencie „Historické mapy 2009“, Kartografická
spoločnosť SR, Bratislava 2009, s. 124-132, ISBN 978-80-89060-14-6.
LIESKOVSKÝ, T. et al. (2010): Archaeological Predictive Modelling in Slovakia, In:
Fusion of Cultures. Abstracts of the XXXVIII Conference on Computer Applications and
Quantitative Methods in Archeology, Granada, Spain 2010, 719 s. ISBN 978-84-693-0772-4.
LUKNIŠ, M. (1972): Slovensko 2. Príroda. Obzor, Bratislava 1972. 917 s.
MACHÁČEK, J. (ed.) (1997): Počítačová podpora v archeologii. Ústav archeologie
a muzeologie, Filozofická fakulta Masarykovy univerzity, Brno 1997, s. 258, ISBN 80-2101562-4.
MACHÁČEK, J., DRESLER, P. (2008): Hospodářské zázemí raně strědověkého centra na
Pohansku u Břeclavi. In: J. Macháček (ed.): Počítačová podpora v archeologii 2. Ústav
archeologie a muzeologie, Masarykova univerzita, Brno 2008. s. 120-147. ISBN 978-80-2541781-2.
MATIAŠKO, K. (2004): Základy informatiky. EDIS - vydavateľstvo Žilinskej Univerzity,
Žilina 2004, 386 s. ISBN 80-8070-186-5.
MORRIS, A., JANKOWSKI, P. (2005): Spatial Decision Making Using Fuzzy GIS. In:
Fuzzy Modeling with Spatial Information for Geographic Problems. Berlin, Springer-Verlag.
2005. s. 275-298.
NAVARA, M., OLŠÁK, P. (2002): Základy fuzzy množin. Vydavatelství ČVUT, Praha 2002,
136 s. ISBN 80-01-02585-3.
NEUSTUPNÝ, E. (ed.) (1998): Space in prehistorical Bohemia. Archeologický ústav AV
ČR, Praha 1998. ISBN 80-86124-09-6.
NEUSTUPNÝ, E. (2000): Predikce areálů archeologického zájmu. In memoriam Jan Rulf. -
(Ed. Pavlů, I.). Archeologický ústav AV ČR, Praha 2000. s. 319-324. ISBN: 80-86124-27-4.
NEUSTUPNÝ, E. (2005): Syntéza struktur formalizovanými metodami – vektorová syntéza
In: Neustupný, E.-John, J., Příspěvky k archeologii.2. Plzeň 2005, s.127-152. ISBN 8-8689857-1.
NEUSTUPNÝ, E. (2007): Metoda archeologie. Plzeň: Aleš Čeněk, 2007. 206 s. ISBN 978-
80-7380-075-8.
NEUSTUPNÝ, E. (2010): Teorie archeologie. Plzeň 2010. ISBN 978-80-7380-244-8.
181
NOVÁK, V. (2000): Základy fuzzy modelování. Praha, BEN, 2000, 166 s. ISBN 80-7300-
009-1.
PRAVDA, J. (ed.) (2005):
Historické mapy. In: Zborník z vedeckej konferencie.
Kartografická spoločnosť SR a Geografický ústav SAV, Bratislava 2005, 255 s. ISBN 80968365-7-9
RIMANČÍK, M. (2006): Základy štatistiky 1., Fakulta zdravotníctva a sociálnej práce
P.P.Gojdiča, Prešov 2006, ISBN 80-969449-2-4
RŮŽIČKA, J. (2003): Metodika pro návrh a implementaci veřejného metainformačního
systému. In: GIS Ostrava. VŠB TU Ostrava 2003. ISSN 1213-239X.
SOPER, H.E. et al. (1917): On the distribution of the correlation coefficient in small
samples. Appendix II to the papers of "Student" and R. A. Fisher. A co-operative
study, Biometrika, 11, p. 328-413
STOPKOVÁ, E. - LIESKOVSKÝ, T. (2010): Možnosti publikovania archeologických dát
vo webovom prostredí. In: GIS v archeológii 2010. Zborník z konferencie. Archeologický
ústav SAV, Nitra 2010. 155-162 s. ISBN 978-80-89315-25-3.
STUCHLÝ, M. et al. (1998): Ipeľská kotlina. In: Krupinská planina-Veľký Krtíš.
Edícia turistických máp 1:50 000, VKÚ Harmanec.
ŠMEJDA, L. (2003): Možnosti využití techniky „Multi-Criteria Evaluation“ v prostorové
archeológii. In: Příspěvky k prostorové archeologii 1. Plzeň 2003. s. 231-246. ISBN 8086473-60-0
TENCER, T. (2008): Geografické a archeologické priestorové dáta z územia Slovenska. In: J.
Macháček (ed.): Počítačová podpora v archeologii 2. Ústav archeologie a muzeologie,
Masarykova univerzita, Brno 2008. s. 181-196. ISBN 978-80-254-1781-2.
TIMÁR G. (2004): GIS integration of the second military survey sections - a solution valid
on the territory of Slovakia and Hungary. Kartografické listy 12, Bratislava 2004, s. 119-126.
ISSN 1336-5274.
TÓTH, P. et al. (2011): Adaptation of settlement strategies to environmental conditions in
southern Slovakia in the Neolithic and Eneolithic. Documenta Praehistorica XXXVIII (2011).
Faculty of Arts, Department of Archaeology and National and University Library, University
of Ljubljana 2011.
VERHAGEN, P. (2005): Prospection Strategies and Archaeological Predictive Modelling.
In: Martijn van Leusen – Kamermans, H. (ed), Predictive Modelling for Archaeological
182
Heritage Management: A research agenda.NAR. Nederlandse Archeologische Rapporten 29.
Amersfoort 2005, p. 109-122. ISBN 90-5799-060-1.
WHITLEY, T. G. (2010): Potentiality, Prediction, and Perception: Using Caloric
Landscapes to Reconstruct Cognitive Patterns of Subsistence and Social Behavior. In: Fusion
of Cultures, Granada, Spain 2010
WIEDERMANN, E. (2003):
Archeoenviromentálne štúdie prehistorickej krajiny. UKF,
Nitra 2003. ISBN 80-8085-596-9.
WILLEMS, W. J. H. (2001): Současný vývoj archeologické památkové péče v Nizozemí
a v Evropě. In: Archeologické rozhledy. Archeologický ústav AV ČR, Praha 2001, vol. 53, n.3,
s. 564-575. ISSN 0323-1267.
ZADEH, L. A. (1965): Fuzzy sets. In: Information and Control 8, 1965, p. 338-353.
STN 73 0401-3. Terminológia v geodézii a kartografii. Časť 3: Terminológia kartografie a
geografických informačných systémov.
Zákon č. 49/2002 Z.z
http://archeopredikcia.svf.stuba.sk/Archeo/Uvod.php
www.geotronics.cz
www.skpos.gku.sk
www.trimble.com
183
9 Zoznam obrázkov Obrázok 4-1 Lokalizácia záujmového územia.......................................................................... 30
Obrázok 4-2 Geomorfologické členenie záujmového územia (Blažová a Bartík, 2009) ......... 31
Obrázok 4-3 Osídlenie na záujmovom území počas obdobia praveku podľa (Blažová a Bartík,
2009) ......................................................................................................................................... 37
Obrázok 4-4 Osídlenie na záujmovom území od doby bronzovej, až po dobu rímsku podľa
(Blažová a Bartík, 2009) ........................................................................................................... 38
Obrázok 4-5 Lokality na záujmovom území z obdobia sťahovania národov až po stredovek
podľa (Blažová a Bartík, 2009)................................................................................................. 41
Obrázok 4-6 Konceptuálny návrh APM (hlavná štruktúra balíčkov) ....................................... 46
Obrázok 4-7 Subsystém Archeologické dáta ............................................................................ 48
Obrázok 4-8 Subsystém Polohopis ........................................................................................... 49
Obrázok 4-9 Subsystém DMR .................................................................................................. 50
Obrázok 4-10 Subsystém Klimatické dáta................................................................................ 51
Obrázok 4-11 Subsystém Environmentálne dáta ...................................................................... 51
Obrázok 4-12 Ukážka atribútovej štruktúry tabuľky "Archeologický záznam"...................... 53
Obrázok 4-13 Distribúcia všetkých archeologických lokalít a ich rozdelenie podľa stupňa
lokalizácie ................................................................................................................................. 58
Obrázok 4-14 Distribúcia archeologických lokalít použitých v analýzach a ich rozdelenie
podľa funkčného zaradenia ....................................................................................................... 58
Obrázok 4-15 Schéma poloautomatickej vektorizácie vrstevníc .............................................. 63
Obrázok 4-16 DMR z ASTER – GDEM a odchýlky na testovaných bodoch ......................... 66
Obrázok 4-17 Porovnanie rozlíšenia DMR............................................................................... 67
Obrázok 4-18 Algoritmus na výpočet mapy dĺžky svahu a mapy povrchového odtoku
(Schäuble, 2003) ....................................................................................................................... 69
Obrázok 4-19 Rozdiel v implementácii rôznych algoritmov na výpočet povrchového odtoku
(autor Juraj Lieskovský)............................................................................................................ 70
Obrázok 4-20 Porovnanie vrstvy vodných tokov z rôznych zdrojov na testovacom území..... 71
Obrázok 4-21 Superpozícia vodných tokov z rôznych zdrojov na testovacom území ............. 71
Obrázok 4-22 Ukážka porovnania polohovej presnosti rozličných zdrojov............................. 71
Obrázok 4-23 Mohylník z doby bronzovej, kultúry karpatskej mohylovej (Lieskovský a kol.,
2009) ......................................................................................................................................... 74
184
Obrázok 4-24 Litogenetická mapa kvartérnych sedimentov .................................................... 77
Obrázok 4-25 Porovnanie vrstvy pôdnych typov v 2 rozličných mierkach.............................. 78
Obrázok 4-26 Vrstva klimatických oblastí ............................................................................... 78
Obrázok 4-27 Nadmorská výška a zobrazenie analyzovaných archeologických lokalít a
testovacích bodov pozadia ........................................................................................................ 81
Obrázok 4-28 Odvodená vrstva sklonu..................................................................................... 81
Obrázok 4-29 Odvodená vrstva expozície ................................................................................ 82
Obrázok 4-30 Odvodená vrstva príkonu za celý rok ................................................................ 82
Obrázok 4-31 Odvodená vrstva RIM indexu kvality útočiska.................................................. 83
Obrázok 4-32 Odvodená vrstva krivosti reliéfu........................................................................ 83
Obrázok 4-33 Odvodená vrstva lokálneho reliéfu (v okruhu 100 m) ....................................... 84
Obrázok 4-34 Odvodená vrstva lokálneho reliéfu (v okruhu 500 m) ....................................... 84
Obrázok 4-35 Rozdiel medzi euklidovskou a nákladovou vzdialenosťou v členitom území... 85
Obrázok 4-36 Nákladová vzdialenosť od fluviálnych usadenín ............................................... 87
Obrázok 4-37 Nákladová vzdialenosť od vodných tokov všetkých kategórií .......................... 87
Obrázok 4-38 Nákladová vzdialenosť od vodných tokov kategórie 2 a 3................................ 88
Obrázok 4-39 Primárna vrstva pôdnych typov ......................................................................... 88
Obrázok 4-40 Odvodená vrstva Pôdne typy ............................................................................. 92
Obrázok 4-41 Vrstva pôdnych typov reklasifikovaná podľa produkčného potenciálu ............ 92
Obrázok 4-42 Pôdny typ vhodnosť do 300 m........................................................................... 94
Obrázok 4-43 Vrstva najviac zastúpených pôd v okruhu 500 m .............................................. 94
Obrázok 4-44 Limity analýz "lokálne maximum" (vľavo) a "majority" (vpravo).................... 95
Obrázok 4-45 Box plot pre archeologické lokality a krajinu.................................................... 96
Obrázok 4-46 Lorentzova krivka (podľa Zlacká) ................................................................... 100
Obrázok 4-47 Znázornenie Lorentzovej krivky a relatívnych početností pre vrstvu Sklon
reliéfu ...................................................................................................................................... 101
Obrázok 4-48 Porovnanie Lorentzových kriviek a koeficientov koncentrácie pre nákladové
vzdialenosti ............................................................................................................................. 101
Obrázok 4-49 Porovnanie nákladovej vzdialenosti od všetkých vodných tokov (vľavo) a od
veľkých a stredných tokov (vpravo) ....................................................................................... 102
Obrázok 4-50 Korelácie medzi jednotlivými javmi................................................................ 103
Obrázok 4-51 Vizualizácia Personovej (vľavo) a Kendallovej (vpravo) korelačnej matice .. 105
185
Obrázok 5-1 Porovnanie modelov vzniknutých kombináciou čiastkových modelov (vľavo) a
modelu riešeného komplexne pre všetky časové obdobia (vpravo)........................................ 113
Obrázok 5-2 Predikčné modely pre štruktúry s odlišnými zákonitosťami ............................. 114
Obrázok 5-3 Vplyv vrstvy s „výlučným vplyvom“ ................................................................ 115
Obrázok 5-4 Vplyv vrstvy so „všeobecným vplyvom“ .......................................................... 116
Obrázok 5-5 Vplyv vrstvy "atraktor"...................................................................................... 117
Obrázok 5-6 Lichobežníková funkcia príslušnosti μA(x) ........................................................ 124
Obrázok 5-7 Trojuholníková funkcia príslušnosti μA(x) ......................................................... 124
Obrázok 5-8 Špeciálny prípad (S+) lichobežníkovej funkcie príslušnosti μA(x)..................... 124
Obrázok 5-9 Špeciálny prípad (S-) lichobežníkovej funkcie príslušnosti μA(x)...................... 125
Obrázok 5-10 Funkcia príslušnosti μA(x) s nelineárnym priebehom ...................................... 125
Obrázok 5-11 Štandardný prienik a štandardné zjednotenie fuzzy množín............................ 127
Obrázok 5-12 Rozdiel medzi reálnou a zaznamenanou polohou archeologického náleziska a
jeho vplyv na určenie hodnoty parametra „sklon reliéfu“ ...................................................... 131
Obrázok 5-13 Primeraná nákladová vzdialenosť od fluviálnych usadenín - ostrá množina F
a fuzzy množina F' určená na základe expertného odhadu..................................................... 134
Obrázok 5-14 Primeraná nákladová vzdialenosť od fluviálnych usadenín - ostrá množina F
a fuzzy množina F' určená induktívno-deduktívnym prístupom ............................................ 135
Obrázok 5-15 Nákladová vzdialenosť od fluviálnych usadenín ............................................. 135
Obrázok 5-16 Mierny sklon svahu - ostrá množina S a fuzzy množina S' určená na základe
expertného odhadu .................................................................................................................. 136
Obrázok 5-17 Mierny sklon svahu - ostrá množina S a fuzzy množina S' určená induktívnodeduktívnym prístupom .......................................................................................................... 136
Obrázok 5-18 Sklon reliéfu..................................................................................................... 137
Obrázok 5-19 Primeraná vzdialenosť od vhodnej pôdy - ostrá množina P a fuzzy množina P'
určená expertným odhadom .................................................................................................... 138
Obrázok 5-20 Pôdne typy ....................................................................................................... 138
Obrázok 5-21 APM d_B ......................................................................................................... 140
Obrázok 5-22 APM d_FM ...................................................................................................... 140
Obrázok 5-23 APM d_FS ....................................................................................................... 141
Obrázok 5-24 APM d_FL ....................................................................................................... 141
Obrázok 5-25 APM d_FW ...................................................................................................... 142
Obrázok 5-26 APM i-d_B....................................................................................................... 142
186
Obrázok 5-27 APM i-d_FM.................................................................................................... 143
Obrázok 5-28 APM i-d_FL..................................................................................................... 143
Obrázok 5-29 Rozsah zóny neurčitosti modelovanej pomocou fuzzy množín....................... 146
Obrázok 5-30 Porovnanie variant APM z hľadiska voľby operátora pri analytickom prekrývaní
vrstiev...................................................................................................................................... 146
Obrázok 5-31 APM i1............................................................................................................. 149
Obrázok 5-32 APM i2............................................................................................................. 150
Obrázok 5-33 APM i3............................................................................................................. 150
Obrázok 5-34 APM i4............................................................................................................. 151
Obrázok 5-35 Všeobecný rozdiel distribúcií javu na lokalitách a javu v krajine (autor Miroslav
Sabo) ....................................................................................................................................... 157
Obrázok 5-36 Maximálna odlišnosť distribúcií javu na lokalitách a javu v krajine (autor
Miroslav Sabo) ........................................................................................................................ 157
Obrázok 5-37 Rovnaké rozdelenie distribúcií javu na lokalitách a javu v krajine (autor Miro
Sabo) ....................................................................................................................................... 157
Obrázok 5-38 Vrstva nákladových vzdialeností k hraniciam fluviálnych usadenín s uvážením
PIV .......................................................................................................................................... 160
Obrázok 5-39 Vrstva nákladových vzdialeností k hraniciam fluviálnych usadenín s uvážením
RIV.......................................................................................................................................... 160
Obrázok 5-40 Vrstva nákladových vzdialeností k veľkým a stredným tokom s uvážením PIV
................................................................................................................................................. 161
Obrázok 5-41 Vrstva nákladových vzdialeností k veľkým a stredným tokom s uvážením RIV
................................................................................................................................................. 161
Obrázok 5-42 Vrstva sklonu reliéfu s uvážením PIV ............................................................. 162
Obrázok 5-43 Vrstva sklonu reliéfu s uvážením RIV............................................................. 162
Obrázok 5-44 Vrstva zastúpenia pôdnych typov v okruhu 500 m s uvážením PIV ............... 163
Obrázok 5-45 Vrstva zastúpenia pôdnych typov v okruhu 500 m s uvážením RIV............... 163
Obrázok 5-46 Testovací list pre APM i4 PIV......................................................................... 165
Obrázok 5-47 APM i4 PIV nereklasifikovaný (hore) a reklasifikovaný (dole)...................... 166
Obrázok 5-48 Testovací list pre APM NR i4 PIV .................................................................. 169
Obrázok 5-49 APM NR i4 PIV nereklasifikovaný (hore) a reklasifikovaný (dole) ............... 170
Obrázok 6-1 Webová aplikácia PMAL................................................................................... 175
187
Autori:
Ing. Tibor Lieskovský – 3 AH, Ing. Jana Faixová Chalachanová, PhD. – 3 AH,
Ing. Renata Ďuračiová – 3 AH, PhD., Ing. Elena Blažová – 1 AH
Názov:
Archeologické predikčné modelovanie z pohľadu geoinformatiky
Editor:
Ing. Eva Stopková
Vydal:
REMPrint, s.r.o.
Pezinská 1, 831 02 Bratislava
1. vydanie, náklad 30 ks
ISBN 978-80-970741-0-4
EAN 9788097074104
Rukopis vo vydavateľstve neprešiel redakčnou ani jazykovou úpravou.
Táto práca bola podporovaná Agentúrou na podporu výskumu a vývoja na
základe zmluvy č. APVV-0249-07
Download

archeologické predikčné modelovanie z pohľadu geoinformatiky