分野（地理学）

空間分析、地理情報システム、地理情報科学の文脈では、場とは、温度や密度のように空間を満たし、空間で変化する特性のことです。^{[ 1 ]}この用語の使用法は、電磁場や重力場などの物理場（ベクトルまたはスカラー）との類似性から、物理学や数学から採用されました。同義語には、空間依存変数（地統計学）、統計的表面（主題図）、集約的特性（物理学および化学）などがあり、これらの分野間の融合は一般的です。場の最も単純な形式モデルは関数であり、空間内の点が与えられると単一の値が得られます（つまり、t = f（x、y、z））^{[ 2 ] 。}

地理学におけるフィールドのモデリングと分析は、基本的に5つの独立した動きを経て発展してきたが、それらはすべて1950年代から1960年代にかけて発生した。

• 主題図におけるフィールドの視覚化のための地図作成技術には、コロプレスマップや等値線図などがある。理論的地図作成においては、変数の連続的な量的変化を概念化するために第3次元のメタファーを用いる「統計的表面」の概念が1960年までに広く受け入れられた。^{[ 3 ]}統計的表面という概念と用語は、現在に至るまで地図作成において存続している。^{[ 4 ]}
• 1950年代に始まった地理学の定量的革命は、空間分析という現代の学問分野、特に重力モデルやポテンシャルモデルなどの手法につながった。彼らは「場」という用語を具体的には使用しなかったが、物理学の場の数学を取り入れていた。^{[ 5 ]}
• 1960年代のカナダ地理情報システムから始まり、土地被覆タイプなどの分野をマッピングしたラスターGISモデルとソフトウェアの開発。 ^{[ 6 ]}
• 1960年代にイアン・マクハーグによって開拓された地図モデリングの技術^{[ 7 ]}は、後にダナ・トムリンによってラスターGISでのデジタル実装のためにマップ代数として形式化された^{[ 8 ]}。
• 1950年代に鉱山地質学から生まれた地質統計学は、もともと有限点サンプルからフィールドの連続的な変動を補間する方法を中心に発展した。 ^{[ 9 ]}文献では「フィールド」の代わりに「地域化変数」などの用語がよく使われた。 ^{[ 10 ]}

これらはすべて類似の概念を取り入れているものの、いずれも「分野」という用語を一貫して使用しておらず、これらのアプリケーションの根底にある概念モデルの統合は、地理情報科学の出現の一環として1990年以降にようやく起こった。

1980年代には、GISの中核技術が成熟したことで、研究者たちは、ソフトウェアの基盤となっていると思われる地理空間の基本概念について理論化を始めることができた。ドナ・プーケ^{[ 11 ]} 、ヘレン・クークレリス^{[ 12 ]}らは、競合するベクトルデータモデルとラスターデータモデルが、オブジェクトで満たされた世界という見方と、位置の特性で満たされた「位置ベース」または「画像ベース」の世界という見方の二元性に基づいていることに気づき始めた。マイケル・F・グッドチャイルドは、1992年までに物理学から「フィールド」という用語を導入し、位置特性の概念モデルを形式化した^{[ 13 ]} 。 1990年代には、ラスターとベクトルの議論は、「オブジェクトビュー」と「フィールドビュー」のどちらが優勢か、一方が現実世界の性質を反映し、もう一方が単なる概念的な抽象化であるかについての議論へと変化した^{[ 14 ] 。}

フィールドは、地理学的思考や分析において有用である。なぜなら、特性が空間的に変化するとき、その変化は、根底にある空間構造やプロセスによって空間的なパターンで起こる傾向があるからである。一般的なパターンは、トブラーの地理学第一法則によれば、「すべては他のすべてと関連しているが、近いものは遠いものよりも関連が強い」である。^{[ 15 ]}つまり、フィールド（特に自然界で見られるもの）は徐々に変化し、近くの場所は似たような値を持つ傾向がある。この概念は、空間依存性または空間自己相関として形式化されており、これは地理統計学の方法の基礎となっている。^{[ 16 ]}あまり知られていないが、少なくともアレクサンダー・フォン・フンボルト以来、地理理論の基礎となっている並行概念は、現象がどのように類似して分布しているかを説明する空間的関連性である。^{[ 17 ]}この概念は、地図代数の方法でよく使用される。

フィールドという概念は物理学に由来するものの、地理学者は独自の理論、データモデル、分析手法を開発してきた。この一見矛盾する理由の一つは、地理的フィールドは重力や磁気と似たパターンを示す場合があるものの、その根底にある性質は大きく異なり、全く異なるプロセスによって生成されるからである。地理的フィールドは、その存在論的性質、すなわち根本的な性質に基づいて、以下のように分類できる。

• 自然場とは、人間の知覚レベルよりも低いスケールで形成される物質の性質であり、そのため人間のスケールでは連続的に見える。例えば、温度や土壌水分量などが挙げられる。
• 集計フィールドとは、個体群の統計的に構築された特性であり、例えば人口密度や樹冠被覆率などが挙げられる。
• 潜在力や影響力の分野は、概念的で非物質的な量を測定するものであり（したがって、物理学の分野に最も密接に関連している）、例えば、ある特定の場所にいる人が特定の食料品店を利用することを好む確率などが挙げられる。

地理的フィールドは、測定変数のドメインの種類に応じて分類することもできます。ドメインの種類によって、空間変化のパターンが決まります。連続フィールドは連続（実数）ドメインを持ち、通常は温度や土壌水分などのように空間的に徐々に変化します。離散フィールド^{[ 18 ]}は、カテゴリカバレッジ^{[ 19 ]}またはエリアクラスマップ^{[ 20 ]}とも呼ばれ、土地被覆タイプ、土壌クラス、または地表の地質構造などの離散（多くの場合定性的）ドメインを持ち、通常は均質な値の領域と、値が変化する境界（または遷移ゾーン）のパターンを持ちます。

地理情報アプリケーションでは、スカラー型（任意の場所に単一の値を持つ）フィールドとベクトル型（任意の場所に、異なるが関連性のある特性を表す複数の値を持つ）フィールドの両方が見られますが、前者のほうが一般的です。

地理的フィールドは、空間だけでなく時間領域にも存在し得る。例えば、気温は時間とともに変化するだけでなく、空間上の位置によっても変化する。実際、時間地理学や同様の時空間モデルで使用される多くの手法では、個人の位置を時間に関する関数またはフィールドとして扱う。^{[ 21 ]}

理論上、フィールドは無限個の位置における無限個の値から構成され、非パラメトリックなパターンを示すため、GIS、統計、地図などの分析ツールや視覚化ツールでは、有限サンプルに基づく表現しか使用できません。そのため、フィールドを近似するための概念モデル、数学モデル、データモデルがいくつか登場しています。^{[ 22 ] [ 23 ]}以下はその例です。

• 不規則な点サンプルとは、ランダムな位置または戦略的な位置から抽出された、有限個のサンプル位置の集合のことである。例としては、気象観測所のデータやライダー点群データなどが挙げられる。

• 

  格子、または規則的な点サンプルとは、各直交座標方向に等間隔に配置された位置から構成されるものです。これらは通常、ラスターデータ構造に格納されます。例としては、デジタル標高モデルなどがあります。
• コロプレスマップとは、空間を国などのフィールド自体とは無関係な領域に分割し、各領域におけるフィールド値を集計する、不規則な事前分割図です。これらは通常、ベクトルポリゴンを使用して格納されます。例としては、国勢調査結果から得られる郡別の人口密度などが挙げられます。
• 色彩マップまたはエリアクラスマップとは、通常、離散的な分野に使用される不規則な戦略的分割であり、空間を均質な分野値を持つ領域に一致するように分割し、通常はベクトルポリゴンとして格納する。例としては、地質層や植生群落のマップなどが挙げられる。
• グリッド状または規則的な分割では、空間が等しい領域（多くの場合正方形）に分割され、各領域におけるフィールド値が集計されます。これらは通常、ラスターデータ構造に格納されます。例としては、リモートセンシング画像で表現される地表面被覆の電磁反射特性などが挙げられます。
• 表面とは、フィールドを第三の空間次元として概念化し、表現に三次元データモデルを用いる手法である。例としては、三角形不規則網（TIN）などが挙げられる。

• 

  等値線または等値線とは、地表面値が等しい地点を線で結び、空間を類似した値を持つ領域に分割する図のことである。例としては、地形図によく見られる等高線が挙げられる。

表現モデルの選択は、通常、現象に関する分析者の概念モデル、フィールドを測定するために利用可能なデバイスや方法、フィールドを分析または視覚化するために利用可能なツールや技術、および問題のフィールドが統合される他の現象に使用されているモデルなど、さまざまな要因に依存します。あるモデルから別のモデルにデータを変換することは一般的です。たとえば、気温の等値線天気図は、生の気象観測所データ（不規則な点サンプル）から作成されたラスターグリッドから生成されることがよくあります。このような変換はすべて、サンプル位置の間または内部のフィールド値を推定するための補間を必要とし、生態学的誤謬や修正可能な面積単位問題などのさまざまな形の不確実性や誤解の罠につながる可能性があります。これはまた、あるモデルから別のモデルにデータが変換されると、結果は常にソースよりも不確実性が高くなることを意味します。

• 特徴（地理）
• 地域（地理）