أكثر

تعطي معايرة المسارات خطأ الاستيفاء في ArcGIS Desktop؟


أعلم أن نسخ السؤال ليس طريقة رائعة تمامًا لطرحه في هذا المنتدى ، ولكن وضعي هو بالضبط نفس هذه المشكلة التي لم يتم حلها في منتدى ESRI (مغلق):

لدي تيار مركزي (متعرج إلى حد ما) يمكن تحويله إلى مسار. لدي بعض النقاط على هذا الخط التي تحتوي على ارتفاع في قاع التدفق. يختلف ارتفاع السرير على طول المجرى ، ولا يزيد بالضرورة مع صعود التيار (على سبيل المثال ، صعودًا وهبوطًا قليلاً).

أريد معايرة المسار باستخدام ارتفاعات السرير ، حتى أتمكن من إقحام قيمة الارتفاع بين النقاط المعروفة.

عندما أحاول معايرة مسار التدفق بالنقاط المعروفة ، يبدو أنه يعمل. لكن إذا قمت بفحص قيم القياس للرؤوس الفردية على طول المسار ، فهي غير صحيحة. القمم التي تقع بالضبط حيث توجد قيمة معروفة (نقطة معايرة) لها الارتفاع الصحيح ، لكن الرؤوس بين النقاط المعروفة لها قيم غير صحيحة. القيم غير الصحيحة ليست 0 ، مما يجعلني أعتقد أنها تحسب قيمة بطريقة ما. لكنها لا تفعل ما أتوقعه.

على سبيل المثال ، بين النقطتين المعروفتين 3.11 و 3.56 ، تتوقع قيمًا تتراوح بين 3.11 و 3.56. بدلاً من ذلك ، قد أحصل على قيم 3.78 ، 3.78 ، 3.78 ، 3.79 ، إلخ.


يبدو لي أن هناك خطأ في IMSegmentation3.CalibrateByMs لـ v10.0 sp2. عندما أقوم بإنشاء خط متعدد قطري من 0.0،0.0 إلى 10.0،10.0 بمقاييس غير معروفة عند الرؤوس ، ثم معايرتها ، أتوقع أن أرى جميع الرؤوس لها قياسات - وليس فقط تلك التي تم إدخالها.

أحصل على هذا الإخراج. أتوقع رؤية مقياس 100.0 عند 10.0،10.0 - لا 62.5. أظن أن هذه حشرة.

تقسيم 2.5،2.5،100.0 مقسم 5.0،5.0،50.0 مقسم 7.5،7.5،75.0 0.0،0.0،112.5 (BUG) 2.5،2.5،100.0 5.0،5.0،50.0 6.0،6.0،60.0 (صحيح) 7.5،7.5،75.0 10.0 ، 10.0.62.5 (خطأ) القياس عند 0.55 هو 55.00000001234

هذا هو كود c #:

الفراغ الثابت العام TestPolylineM (ISpatialReference sr) {var calibrationPts = new MultipointClass () as IPointCollection؛ ((IMAware) calibrationPts) .MAware = صحيح ؛ ((قياس IGeometry) calibrationPts) .SpatialReference = sr ؛ // x y m calibrationPts.AddPoint (MakePointM (2.5، 2.5، 100.0، sr)) ؛ calibrationPts.AddPoint (MakePointM (5.0، 5.0، 50.0، sr)) ؛ calibrationPts.AddPoint (MakePointM (7.5، 7.5، 75.0، sr)) ؛ جهاز كمبيوتر IPointCollection = جديد PolylineClass () ؛ ((قياس IGeometry) الكمبيوتر). SpatialReference = sr ؛ ((IMAware) كمبيوتر) .MAware = صحيح ؛ pc.AddPoint (MakePointM (0.0، 0.0، double.NaN، sr)) ؛ pc.AddPoint (MakePointM (6.0، 6.0، double.NaN، sr)) ؛ جهاز كمبيوتر AddPoint (MakePointM (10.0 ، 10.0 ، مزدوج .NaN ، ريال)) ؛ var mseg = الكمبيوتر كـ IMSegmentation3 ؛ int how = (int) (esriGeometryUpdateMEnum.esriGeometryInterpolate | esriGeometryUpdateMEnum.esriGeometryExtrapolateAfter | esriGeometryUpdateMEnum.esriGeometryExtrapolateBefore) ؛ تبسيط ((قياس IGeometry) الكمبيوتر) ؛ المسافة المقطوعة المزدوجة = 1.0 ؛ var splitPoints = mseg.CalibrateByMs (calibrationPts.EnumVertices ، how ، cutoffDistance) ؛ mseg.CalculateNonSimpleMs () ، ListSplits (SplitPoints) ؛ لـ (int i = 0 ؛ i 

هذا خطأ ، لقد تسبب لي في مشاكل لسنوات. ونعم ، هناك حل بديل - لكنه ممل. لقد كنت على اتصال مع ESRI Canada حول هذا الأمر ، لقد قاموا بتكرار الخطأ ، وأخبروني أن Esri US تعمل على ذلك ... لست متأكدًا مما إذا كان هذا يعني إصلاحًا لـ 10.1 أو أحدث. الخطأ هو NIM069049 (يمكنك البحث عن ذلك على موقع ويب Esri ، لكنه لا يوفر لك الكثير من المعلومات). ينطبق الخطأ على أداة معايرة المسارات. أحصل عليه عندما أعمل مع ارتفاعات قاع المجرى أو ارتفاعات سطح الماء - القيم التي لا تزيد أو تنقص دائمًا على طول الخط ، ولا ترتبط بطول الخط. ليس لدي مشاكل مع أداة Calibrate Routes للقيم المرتبطة بطول الخط ، مثل حساب السلسلة (علامات الميل). الحل هو إجراء المعايرة يدويًا. تستغرق المعايرة اليدوية وقتًا أطول بكثير من استخدام أداة Calibrate Routes ، ولكنها تعمل. إذا كنت لا تعرف كيفية المعايرة يدويًا ، فهناك برنامج تعليمي. في 9.3 ، الرابط هو: http://webhelp.esri.com/arcgisdesktop/9.3/pdf/linear_referencing_tutorial.pdf بالنسبة إلى 10 ، الرابط هو: http://help.arcgis.com/en/arcgisdesktop/10.0/help /index.html#/Exercise_5_Editing_routes/00390000004p000000/ قم بإخراج القسم الأخير ، إعادة معايرة المسار.


تقدير دقة نظام تحديد المواقع العالمي (GPS) باستخدام تقنيات مطابقة الخرائط: يتم تطبيقه على تحديد موقع السيارة ومعايرة عداد المسافات

يعالج تطبيق سرير الاختبار ، المسمى Map Map Match GPS (MMGPS) ، بيانات خرج GPS الأولية ، من ملفات RINEX ، أو الإحداثيات المشتقة من GPS. تستخدم هذه الطريقة المطورة تحديد الموقع المطلق لنظام تحديد المواقع العالمي (GPS) ، مطابقة الخريطة ، لتحديد موقع السيارة على خط وسط الطريق ، عندما يُعرف نظام تحديد المواقع العالمي (GPS) بأنه دقيق بدرجة كافية. تم الآن تكييف برنامج MMGPS لدمج تحديد المواقع على أساس المسافات المشتقة من عداد المسافات (OMMGPS) ، عندما لا تكون مواضع GPS متاحة. تُستخدم مواضع GPS النسبية لمعايرة عداد المسافات. إذا تم اكتشاف موقع GPS غير دقيق ، فلن يتم استخدامه لتحديد المواقع أو لمعايرة عامل تصحيح عداد المسافات. في OMMGPS ، يتم دمج ملاحظات GPS الزائفة مع معلومات ارتفاع DTM ومواضع عداد المسافات لتوفير موضع السيارة في فترات "1 ثانية". استخدمت التجربة الموصوفة نظام تحديد المواقع العالمي (GPS) وملاحظات عداد المسافات التي تم التقاطها في حافلة لندن على طريق محدد مسبقًا في وسط لندن. لذلك ، تُستخدم تقنيات مطابقة الخريطة لاختبار دقة تحديد المواقع GPS ، ولتحديد مواقع GPS غير الدقيقة بشكل كبير. في المجموع ، تم حساب واختبار أكثر من 15000 موقع للمركبة باستخدام OMMGPS.

بشكل عام ، كانت جودة الموقع التي يوفرها نظام تحديد المواقع العالمي (GPS) بمفردها رديئة للغاية ، بسبب التأثيرات المتعددة المسارات التي تسببها الأخاديد الحضرية في وسط لندن ، لذلك تم استخدام تحديد موقع عداد المسافات في كثير من الأحيان لوضع السيارة أكثر من GPS. عادةً ما تكون النسبة 7: 3 مواضع عداد المسافات إلى مواضع GPS. في حالة رحلة معينة ، يوفر OMMGPS خطأً متوسطًا للموضع يبلغ 8.8 مترًا مقارنة بـ 53.7 مترًا لنظام تحديد المواقع العالمي (GPS) الخام وحده.


تطبيقات نظم المعلومات الجغرافية للاقتصاد الاجتماعي والإنسانية

دانيال أ.جريفث ، يونغوان تشون ، في نظم المعلومات الجغرافية الشاملة ، 2018

3.01.4.2 نماذج المعامل المتغيرة مكانياً

يعد عدم التجانس المكاني ، إلى جانب التبعية المكانية ، سمة مشتركة للبيانات المكانية. يشير عمومًا إلى مزيج متنوع من نتائج أو أحداث العملية المكانية ، والتي تتعلق بكثافة الظاهرة المكانية. في نمذجة البيانات المكانية ، غالبًا ما يتعلق عدم التجانس بعدم الاستقرار الهيكلي في الفضاء في شكل معاملات مختلفة أو أوصاف وظيفية مختلفة (Anselin and Griffith ، 1988). يوفر نموذج التوسع المكاني (كاسيتي ، 1972 ، 1997) طريقة لنمذجة عدم التجانس المكاني عن طريق إدخال متغيرات صريحة مكانيًا في نموذج الانحدار: على سبيل المثال ، x, ذ إحداثيات الوحدات المكانية (غالبًا النقط الوسطى للوحدات المساحية). على الرغم من أن طريقة التوسع المكاني توفر تقنية كلاسيكية لالتقاط عدم التجانس المكاني ، إلا أن الأساليب الحديثة تركز على نماذج المعامل المتغيرة مكانيًا ، والتي تسمح بتحديد العلاقات المختلفة بين المتغير التابع والمتغيرات المشتركة في الفضاء. يوفر GWR (Fotheringham et al. ، 2003) طريقة واحدة للتحقيق في المعاملات المتغيرة مكانيًا عن طريق توسيع الانحدار المحلي إلى سياق جغرافي. قدمت ESFs طريقة أخرى لتحديد المعاملات المتغيرة مكانيًا (Griffith، 2008 Hughes and Haran، 2013 Helbich and Griffith، 2016) ، بينما تم تطوير مناهج Bayesian في الإحصاء (Gelfand et al.، 2003 Wheeler and Waller، 2009) لتحقيق هذه الغاية . يقدم هذا القسم مناقشة للمعاملات المتغيرة مكانيًا من حيث مواصفات GWR و ESF.

GWR هي طريقة انحدار محلية تحدد الأوزان بنواة محلية يمكن كتابة معادلة الانحدار الخطي بها

أين ذأنا يشير إلى قيمة المتغير التابع في الموقع أنا, xاي جاي يدل على قيمة يالمتغير المستقل عن الموقع أنا, βاي جاي يشير إلى معامل خاص بالموقع المقابل لـ xاي جاي، و ɛأنا يدل على خطأ عشوائي في الموقع أنا. يمكن التعبير عن مقدرات معامل GWR كـ

أين جيأنا هي مصفوفة الأوزان الخاصة بالموقع. مصفوفة الأوزان هذه عبارة عن مصفوفة قطرية عناصرها القطرية ، (زأنا1, زأنا2, زأنا3, …, زفي) ، تمثل أوزان كل ملاحظة تستخدم لتقدير معامل محلي في موقعه أنا. عادة ما يتم تحديد هذه الأوزان بوظيفة النواة التي تنتج أوزانًا أكبر للملاحظات في الموقع القريب أنا، مع انخفاض هذه الأوزان للملاحظات على مسافات متزايدة من أنا. تنتج دالة النواة ثنائية التربيع وزنًا يتم تعريفه على أنه

أين ح هو عرض النطاق الترددي. متي دik أكبر من عرض النطاق الترددي ح، يصبح الوزن صفراً: يتم استبعاد الملاحظات ذات الأوزان الصفرية بشكل فعال من تقدير المعاملات (Brunsdon et al. ، 1998). يمكن أيضًا تعيين هذه الأوزان باستخدام مسافة ثابتة أو عرض نطاق ترددي متكيف. يمكن تقدير عرض النطاق الترددي للنواة بطريقتين مختلفتين. أحدهما هو التحقق المتبادل ، والذي يجد بشكل متكرر نطاقًا تردديًا عن طريق تقليل أخطاء التحقق المتبادل. الآخر هو تصغير AIC لـ GWR.

على الرغم من استخدام GWR على نطاق واسع في أبحاث العلوم المكانية ، فقد تم الإبلاغ عن عدد من نقاط الضعف المحتملة في الأدبيات. تتمثل إحدى المشكلات في الارتباط بين تقديرات GWR (Wheeler and Tiefelsdorf ، 2005). على وجه التحديد ، الارتباط القوي أو التبعية يجعل فصل تأثيرات المتغيرات الفردية عن المتغيرات الأخرى أمرًا صعبًا. Páez et al. (2011) ناقش أن GWR يمكن أن يكون حساسًا لخطوات خطية متعددة ، خاصة عندما يكون حجم العينة صغيرًا. لمعالجة مشكلة العلاقة الخطية المتعددة ، تم اقتراح نهجين ممتدين: انحدار التلال (Wheeler ، 2007) وانحدار lasso (Wheeler ، 2009). يدعي Fotheringham and Oshan (2016) ، استنادًا إلى دراسة محاكاة مع 2500 وحدة مكانية ، أن GWR قوي في التعامل مع مشكلة الخطية المتعددة عندما يكون حجم العينة كبيرًا بدرجة كافية. يتوافق ادعائهم مع بعض العلاقات الخطية المتعددة في تحليل الانحدار الخطي التقليدي (Dormann et al. ، 2013).

الشكل 5 يصور معاملات الانحدار الخطي المقدرة لنموذج GRW بنفس المتغيرات مثل الانحدار الخطي الملخص في الجدول 2 ، باستخدام الإصدار 10.1 من ArcGIS ومعيار تحديد النطاق الترددي المستند إلى AIC. أي أن المتغير التابع هو كثافة الأشخاص الذين تم نقلهم إلى الخارج ، والمتغيران المستقلان هما ROR و ALV. معاملات معدل العائد التقديرية عالية للوحدات المكانية في الشرق ، ومنخفضة لتلك الموجودة في الأجزاء الغربية من منطقة العاصمة. معاملات ALV المقدرة منخفضة بالنسبة للوحدات المكانية في وسط المنطقة الحضرية. تقع معظم هذه القيم المنخفضة داخل حدود سيول. في المقابل ، فإن معاملات AVL المقدرة مرتفعة حول حافة منطقة العاصمة سيول. يمكن تفسير هذه العلاقة غير الثابتة لـ AVL من خلال أن ALVs أعلى داخل المدينة وليس خارجها. توضح هاتان الخريطتان أن العلاقة بين كل متغير فردي والمتغير التابع ليست ثابتة عبر منطقة الدراسة. ال ر 2 من نموذج GWR هو 0.5274 ، وهو أكبر من نظيره في الانحدار الخطي العالمي ، ولكنه أصغر من نموذج الانحدار المكاني الذي يمثل الارتباط التلقائي المكاني في البيانات.

الشكل 5. معاملات GWR المقدرة لنسب المستأجرين إلى الملاك (أ) ومتوسط ​​قيم الأرض (ب).

في مفهومه الأصلي ، يقدم ESF مواصفات تتضمن مصطلح اعتراض متغير مكانيًا مقترنًا بمعاملات الانحدار العالمية للمتغيرات المشتركة. قام Griffith (2008) بتوسيع ESF إلى مواصفات نموذج معاملات متغيرة مكانيًا بالكامل. في شكله الأصلي ، ESF هي طريقة لحساب الارتباط التلقائي المكاني في نماذج الانحدار عن طريق عزل المكونات المكانية عن مصطلح الخطأ العشوائي غير المكاني (Griffith ، 2003). تستخدم هذه الطريقة المتجهات الذاتية المستخرجة من مصفوفة الأوزان المكانية المحولة التالية:

أين 1 هو متجه منها. هذه المتجهات الذاتية هي متعامدة بشكل متبادل وغير مرتبطة ، علاوة على ذلك ، تمثل أنماطًا مكانية مرتبطة تلقائيًا عندما يتم تعيينها مع الفسيفساء المكانية التي يتم إنشاء مصفوفة الأوزان المكانية منها (Tiefelsdorf and Boots، 1995 Griffith، 1996b Tiefelsdorf and Griffith، 2007). يقدم ESF مجموعة من هذه المتجهات الذاتية كمتغيرات مستقلة في نموذج الانحدار ، مع هذه المتجهات الذاتية تلتقط المكونات المكانية غير المبررة. ومن ثم ، يسمح ESF بتقدير نموذج الانحدار الخطي باستخدام طرق التقدير القياسية (أي ، OLS للانحدار الخطي) ، في وجود ارتباط تلقائي مكاني ، ولكن دون المعاناة من الآثار السيئة للارتباط الذاتي المكاني. يمكن اختيار مجموعة صغيرة من المتجهات الذاتية باستخدام تقنية الانحدار التدريجي من مجموعة eigenvector المرشح ، وهي مجموعة فرعية مختصرة من المجموعة الكاملة من ن المتجهات الذاتية.

تحتوي مواصفات نموذج المعاملات المتغيرة مكانيًا المستندة إلى ESF على مصطلحات تفاعل إحصائي بين المتجهات الذاتية المحددة والمتغيرات المستقلة (Griffith ، 2008) المضمنة في التحليل المكاني. قد يكون مكتوبًا كـ

أين Xص هو ن-by-1 ناقل من صالمتغير المستقل ، E k p هو كص المتجه الذاتي ، و تشير إلى مضاعفة المصفوفة حسب العنصر (أي منتج Hadamard). هنا، β0 و βص هي المعلمات العالمية للاعتراض و صالمتغير المستقل. التركيبة الخطية للمتجهات الذاتية المحددة مع المعلمات المقدرة ، ∑ k 0 = 1 K 0 E k 0 k 0 ، تبني تقاطعًا متغيرًا مكانيًا حول معلمة التقاطع العالمية ، وبالمثل ، ∑ kp = 1 K 0 E kp ∘ X p β kp يبني معامل انحدار متغير مكانيًا حول معامل الانحدار العالمي لـ صالمتغير المستقل. يمكن تقدير مواصفات النموذج هذه باستخدام OLS. يؤكد Helbich و Griffith (2016) على أن مواصفات نموذج المعاملات المتغيرة مكانيًا المستندة إلى ESF لها ميزتان. أولاً ، تختلف المعاملات حول قيم المعامل العالمي الخاصة بكل منها. ثانيًا ، يمكن فحص العلاقة الخطية المتعددة بين المعاملات من حيث المتجهات الذاتية الشائعة.

الشكل 6 يصور معاملات متغيرة مكانيًا تستند إلى ESF لمتغيري ROR و ALV. يحتوي نمط الخريطة لهذه المعاملات على تركيز محلي مقارنة بمعاملات GWR التي تُظهر نمطًا على مستوى المنطقة الحضرية ( الشكل 5 ). نظرًا لتصنيف هذه الخرائط بخيار الفاصل الطبيعي في ArcGIS ، فقد لا تكون المقارنة المباشرة للأنماط مفيدة. بالنسبة لمعاملات معدل العائد (ROR) ( الشكل 6 أ ) ، مجموعتان (أحدهما يحتوي على قيم عالية نسبيًا ، والآخر يتضمن قيمًا منخفضة نسبيًا) واضحان ومتمركزان في وسط منطقة العاصمة سيول. تظهر مجموعات أخرى في الجنوب الغربي (معاملات عالية) وفي الأجزاء الشمالية (معاملات منخفضة) من هذه المنطقة الحضرية. المعامل العالمي لـ ROR هو 0.7008. يعرض نمط خريطة ALV مجموعتين ملحوظتين ( الشكل 6 ب ). تظهر مجموعة القيم المنخفضة في وسط المنطقة الحضرية ، وتحتوي على معظم الوحدات المكانية داخل حدود سيول. المجموعة الأخرى ، التي تحتوي على قيم عالية ، تقع في الجزء الغربي من منطقة العاصمة. العديد من الوحدات المكانية لها معامل بشكل أساسي مماثل (أو قريب من) المعامل العالمي البالغ 1.1655.

الشكل 6. المعاملات المقدرة المتغيرة مكانيًا المستندة إلى ESF لنسب المستأجرين إلى المالكين (أ) ومتوسط ​​قيم الأرض (ب).


580 جيو

سيركز هذا المعمل على التضاريس ، لكن ضع في اعتبارك أن العديد من المشكلات والتقنيات التي تمت مناقشتها ستكون قابلة للتطبيق على هذه الأنواع الأخرى من المعلومات الجغرافية المستمرة.

معلومات أساسية عن USGS DEMs

(من مركز خرائط جبال روكي)

أنشأت هيئة المسح الجيولوجي الأمريكية قاعدة بيانات وطنية لمركبات المسح الجيولوجي. تتضمن بيانات المصدر لهذا المشروع خرائط كفافية وأزواج استريو من صور الهواء. تم استخدام عدة طرق لإنشاء DEMs ، والتي يمكنك قراءتها على صفحة USGS على DEMs. يمكن أن تكون هذه الطرق يدوية (على سبيل المثال ، وجود تقدير بشري للارتفاع على طول شبكة منتظمة) أو آليًا إلى حد ما (إقحام خريطة كفاف رقمية في DEM). العديد من هذه التقنيات تترك الآثار (أنماط مُدخلة بشكل مصطنع في البيانات) في مجموعة البيانات.

تنتج USGS DEMs في مجموعة متنوعة من المقاييس. الكثير من هذا مجاني حاليًا للتنزيل بتنسيق SDTS (معيار نقل البيانات المكانية). يستضيف مركز بيانات EROS نظام USGS DEMs و DLGs في موقع تنزيل البيانات الجغرافية USGS.

مستقبل DEMs: SRTM ؟؟

في فبراير 2000 ، حلق المكوك إنديفور في مهمة المكوك الرادار الطبوغرافي (SRTM) ، وفي غضون عشرة أيام ، قام برسم 80٪ من سطح الأرض - 94.59٪ من ذلك مرتين. يجب أن يوفر SRTM تغطية DEM كاملة تقريبًا للمناطق بين 60 شمالاً و 60 جنوبًا ، بدقة عالية تبلغ حوالي 30 مترًا. هذا يعادل DEMs على نطاق واسع 7.5 دقيقة (أيضًا بدقة حوالي 30 مترًا) ، ولكن مع تغطية موحدة داخل وخارج الولايات المتحدة وبدون القطع الأثرية المميزة لـ DEMs التي تم إنشاؤها بطرق أخرى. دقة 30 م تعادل أيضًا دقة Landsat TM وبالتالي توفر فرصًا غنية لدمج البيانات. يتم حاليا معالجة البيانات الموزعة. هذه البيانات متاحة الآن (كما هو مذكور في مكان آخر) على seamless.usgs.gov. ليس دائمًا أفضل قرار لاستخدام بيانات SRTM عند إجراء التحليل. يحتوي على العديد من وحدات البكسل المفقودة (المعينة بقيمة NoData) ، وفي التضاريس المتصاعدة ذات الغابات الكثيفة قد تحتوي على قيم بكسل غير صحيحة.

تحديث SRTM 2009: حاليًا ، تتوفر بيانات SRTM لكامل الولايات المتحدة (باستثناء أجزاء من ألاسكا) من USGS. على الرغم من أن الاتفاقية المشتركة بين وكالة ناسا و NIMA دعت إلى إنتاج تغطية عالمية بطول 30 مترًا (كما هو موضح أعلاه) ، فقد أدت التغييرات الأمنية بعد 11 سبتمبر إلى إصدار مخفف مع دقة 90 مترًا متاحة. تتوفر بيانات الدقة هذه التي تبلغ 90 مترًا الآن عالميًا لجميع المواقع الواقعة بين خطي عرض 60 درجة شمالاً و 56 درجة جنوباً. يتجنب العديد من العلماء هذه المخاوف الأمنية باستخدام مجموعات البيانات التي تغطي مناطق أصغر يتم إنتاجها عن طريق معالجة صور ASTER الاستريو لتحديد الارتفاعات النسبية. تميل هذه DEM إلى أن يكون لها تغطية محدودة ، ولكن لديها دقة مكانية 30 مترًا ، ودقة مماثلة لتلك الخاصة ببيانات SRTM.

  • هذه صورة لجبل أوياما ، اليابان ، تم إنشاؤها بواسطة بيانات ASTER (مقياس إشعاع الانعكاس والانبعاث الحراري المتقدم المحمول في الفضاء).
  • يبدو أن الإسناد المكاني للبيانات من هذا المختبر يتسبب أحيانًا في حدوث مشكلات. قد تحتوي مجموعة البيانات على مرجع مكاني عند عرضها في ArcCatalog ، ولكن يبدو أنه لا يتوفر عند عرضها في إطار بيانات في ArcMap.
    • الحل البديل: قم بإنشاء طبقة جديدة بنفس معلومات الإسقاط (؟) في ArcCatalog واستخدمها.
    • أيضًا ، استخدم إطارًا بدون مرجع مكاني. عندما لا تحتوي بياناتك على أي بيانات - على سبيل المثال ، أرقام التعريف الضريبية (TIN)
    • hood_dem - ماركا ماركا ألمانيا للجبل. غطاء محرك السيارة - ليسمن SRTM و مقروص.
    • hood_landcov - شبكة من الغطاء الأرضي مشتقة من بيانات Landsat TM بواسطة USGS
    • hoodcov.met.html - البيانات الوصفية لطبقة hood_landcov.
    • or_gap- مقطع - تم قطع Gap Landcover من تغطية Oregon Gap لجبل Mt. منطقة غطاء المحرك
    • Hood_names - أسماء الأماكن من ORGNIS (أوريجون جيeographic نأميس أنامعلومات سystem)



    6.4. إجراءات

    خريطتك للمختبر 6:
    بالنسبة لهذا المعمل ، سوف تستخدم ArcMap إطارات البيانات لعمل خرائطك. في كل مرة تقوم فيها بإسقاط البيانات في ArcMap في هذه السلسلة من المعامل ، فإنك تضعها في إطار البيانات الافتراضي. ما سنفعله في المختبر 6 هو الإنشاء ثلاثة المزيد من إطارات البيانات. سيحتوي كل إطار من إطارات البيانات الأربعة على خريطة منفصلة ، وستقوم بتشغيل تخطيط واحد يحتوي على جميع الخرائط الأربع. سيكون هذا تحديًا - ركز على توصيل فكرة واحدة مع كل إطار. سيتعين عليك أيضًا التفكير مليًا في التخطيط ، وما هي المعلومات الضرورية حقًا لهذه الخرائط (قد تقرر استبعاد بعض الأشياء الموصى بها في الإرشادات الأساسية).
    يتم توفير مقدمة لإطارات البيانات أدناه.

    مقدمة في إطارات البيانات

    • أعد تسمية طبقات الإطار إلى Data Frame 1 (أو اسم آخر تفضله).
    • أضف ثلاثة إطارات بيانات أخرى.
      • اذهب إلى عرض تخطيط () في ArcMap.
        • سيكون هذا هو الوقت المناسب لتغيير تخطيط الصفحة من عمودي إلى أفقي (ملف - & gt الصفحة وإعداد الطباعة).
        • ضع إطار البيانات هذا والإطار الأصلي في الأرباع العلوية اليمنى واليسرى العلوية من صفحتك. ضع الإطارين التاليين في الأرباع السفلية.
        • ملاحظة: يمكنك أيضًا ينسخ (السيطرة- C) إطار البيانات الأول الخاص بك ولصقه (CTRL-V) ثلاث مرات.
        • إطارات البيانات النشطة / غير النشطة: يمكن أن يكون إطار بيانات واحدًا فقط نشطًا في كل مرة. يجب أن يكون الإطار نشطًا حتى تتمكن من سحب البيانات إليه أو عرض البيانات أو تحرير البيانات.
          • بعد أن تعود إلى عرض البيانات: لتبديل الإطار الذي تنظر إليه ، انقر على اليمين على ال إطار البيانات العنوان واختيار تفعيل لتنشيط إطار البيانات.
            ربما لا يكون لديك أي حب كبير للتدرج الرمادي المستمر الذي يضعه ArcMap على شاشة DEM كإعداد افتراضي. ومع ذلك ، فإن عرض معلومات DEM بشكل واضح وجذاب أمر صعب. هناك عدد من الخيارات في ArcMap لتحسين عرض DEM:
            تحسين عرض DEM رقم 1: منحدرات الألوان.

            في ال خصائص الطبقة نافذة (يمكنك الوصول إليها بالنقر بزر الماوس الأيمن فوق hood_dem ثم خصائص - & gt Symbology علامة التبويب) ، انقر فوق امتدت.

              • قم بتغيير التدرج اللوني الافتراضي بالتدرج الرمادي إلى آخر يبدو أكثر إثارة.
              • اسحب ملف خصائص الطبقة جانبا قليلا حتى تتمكن من رؤية جزء جيد من الخريطة.
              • انقر على تطبيق زر بدلا من نعم (حتى تظل نافذة الخصائص مفتوحة) وانظر إلى الخريطة الناتجة.
                • أغلق خصائص الطبقة نافذة او شباك.
                • في ArcMap ، انتقل إلى شريط القوائم - أدوات & GT (ليس ArcToolbox!) - & GT Styles - & GT Style Manager.
                • يجب أن تحصل على نافذة مثل هذه. إنه يعمل مثل مستكشف Windows أو ArcCatalog:
                • يحتوي ESRI.style على الأنماط المحددة مسبقًا ، بينما يحتوي المجلد الثاني على أنماط تم تصميمها أو نسخها بواسطة المستخدم الحالي (في هذه الحالة أنت وأي شخص آخر يستخدم الكمبيوتر). يمكنك أن ترى أن الأنماط مجمعة للاستخدامات المختلفة - الأنظمة المرجعية ، تصحيحات المنطقة ، إلخ.
                • انقر فوق الزر. يمكنك مشاهدة عدد كبير من الموضوعات التي أنشأ ESRI أنماطًا محددة مسبقًا لها. يمكنك النقر عليها لإضافتها لمشروع معين. على سبيل المثال ، قد يستخدم شخص يرسم الغطاء النباتي شيئًا مثل هذا:
                • أكثر أنماط تدرجات الألوان فائدة هي ESRI.style. اذهب إلى منحدرات اللون ثم قم بالتمرير لأسفل حتى ترى الارتفاع رقم 1: (يمكنك تحريك السطر بين الاسم والفئة حتى تتمكن من رؤية المزيد من الاسم)
                • تسليط الضوء عليه. انقر على اليمين و ينسخ. انتقل إلى دليل الضيف ثم إلى مجلد منحدر الألوان. انقر بزر الماوس الأيمن ، لصق في الجزء الأيمن من النافذة. أغلق مدير النمط.
                • الآن ، عندما تعود إلى خصائص - & gtSymbology بالنسبة إلى hood_dem ، يجب أن يكون منحدر اللون Elevation # 1 متاحًا في مكان ما في قائمة منحدرات الألوان (ربما في الجزء العلوي). لن يتم تصنيفها ولكن يجب أن تبدو كما يلي:

                  • العودة إلى الترميز علامة تبويب ل hood_dem.
                  • انقر فوق صنف. (ضمن "إظهار" على الجانب الأيسر من النافذة)
                  • انقر فوق الزر وقم بتغيير طريقة التصنيف إلى الفاصل الزمني المتساوي. ثم انقر فوق موافق.
                  • يجب أن تظل منحدرات ألوان الارتفاع التي نسختها من ESRI.style متاحة. اختر واحدًا منهم.
                  • يمكنك أن ترى أن الارتفاع قد تم تقسيمه إلى 5 فئات بفواصل زمنية متساوية.
                    • قم بتغيير عدد الفصول ، مثل:
                      • افعل هذا عدة مرات واضرب .
                        • مع تصنيف الفاصل الزمني المتساوي ، سترى أن ArcMap يقسم نطاق القيم بالتساوي ، مما ينتج عنه عادةً أرقام عشوائية المظهر وكسور طويلة. سيكون الأمر الأكثر فائدة هو جعل الفواصل تقع على أرقام زوجية لطيفة. في هذه الحالة ، تبدو فترات 200 متر معقولة.
                        • هناك طريقتان لتعديل الفواصل للقيام بذلك:
                          • طريقة 1:
                            • يمكنك تغيير الفواصل بسحب الخطوط الزرقاء العمودية. ستلاحظ أنه عند القيام بذلك ، يتغير تصنيف "الطريقة" إلى "يدوي". إذا كانت الفواصل الخاصة بك تظهر بكسور عشرية مكونة من 6 أرقام ، فحدد المربع بجوار "انطباق فواصل على قيم البيانات" بمعنى آخر.، . سيؤدي ذلك إلى تقريب الفواصل إلى أقرب قيم بيانات.
                            • بامكانك ايضا إدراج و حذف الفواصل عن طريق النقر بزر الماوس الأيمن في المدرج التكراري. يمكنك فحص أجزاء من المدرج التكراري عن كثب عن طريق النقر بزر الماوس الأيمن والتحديد تكبير ، أو عن طريق النقر والسحب لإنشاء مربع تكبير.
                            • لكتابة قيم معينة كفواصل ، انقر مرة واحدة على قيمة الفاصل المعنية ، ثم انقر مرة أخرى لتعديلها:
                                • الطريقة الثانية:
                                  • ما نريده حقًا هو طريقة سهلة لضبط حدوث الفواصل كل 200 متر ، بدءًا من مستوى سطح البحر. انقر فوق السهم الموجود على يمين التصنيف "طريقة" لمعرفة خياراتك:

                                  • يختار "الفاصل الزمني المحدد ،" وجعل حجم الفاصل الزمني 200. اضغط على لوحة المفاتيح TAB أو انقر في مربع "كسر القيم" لرؤية الفواصل الناتجة على الرسم البياني (لوحة المفاتيح ENTER لا تعمل). انقر نعم، ثم اضغط تطبيق أو نعم.

                                  هناك العديد من الخيارات الأخرى لعرض DEM ، على الرغم من أن استخدامها في ArcGIS 9 سيعتمد على توفر ملحقات مختلفة مثل 3-D Analyst - متاح لمستخدمي مختبر Digital Earth بفضل ترخيص موقع الحرم الجامعي الخاص بنا. بعض الامتدادات الشائعة من ESRI التي ستراها: محلل ثلاثي الأبعاد ، محلل مكاني ، محلل إحصائي جغرافي.

                                    • التظليل الطبوغرافي (التلال): هنا ، يتم استخدام DEM لمحاكاة تأثيرات ضوء الشمس المنعكس عن التضاريس ذات المنحدرات والجوانب المختلفة. يظهر هذا التأثير دائمًا في صور الأقمار الصناعية المرئية بالأشعة تحت الحمراء. لتشغيل برنامج المحاكاة ، يجب على المستخدم عادةً اختيار هندسة الشمس - أي مدى ارتفاع الشمس في السماء والاتجاه الذي يأتي منه ضوء الشمس. تمنح المحاكاة المشاهد إحساسًا بالراحة ، على الرغم من عدم وجود أي معلومات كمية عن الارتفاع.
                                    • ملاحظة إضافية: الحسابات المشابهة لتلك المستخدمة في التظليل الطبوغرافي مفيدة أيضًا في مناطق أخرى. على سبيل المثال ، قد يرغب المرء في حساب التشمس (كمية الضوء) التي يتلقاها المنحدر على مدار عام ، لدراسة تأثير ذلك على الغطاء النباتي الذي ينمو هناك. أو قد يرغب المرء في إزالة تأثير التظليل الطبوغرافي من صورة الاستشعار عن بعد.
                                    • سنرى ArcGIS 9 يعرض التظليل الطبوغرافي عندما نعرض TINs التي أنشأناها. عند إنشاء TINs ، يكون لكل مثلث سمة خاصة بالميل والجانب ، بالإضافة إلى الارتفاع.
                                      • تحقق من ESRI's ArcGlobe العروض التوضيحية

                                      الإجابة على السؤال الأول: أثناء قيامك بتصنيف DEM ، ربما لاحظت وجود أسطر فارغة غير متوقعة في الرسم البياني للبيانات. ارجع وانظر إلى المدرج التكراري مرة أخرى. توزيع الارتفاعات ليس هو ما تتوقعه إذا تم قياس الارتفاع مباشرة لكل بكسل كما هو الحال ، على سبيل المثال ، SRTM DEM. (تجربة مثيرة للاهتمام هي فحص ظل التلال لهذا DEM - سترى أنماطًا غريبة في مناطق المنحدر المنخفض.) قم بإنشاء Hillshade لهذا DEM (انظر إلى المحلل المكاني في قائمة السطح) قم بالتكبير ووصف الأنماط الموجودة في ظل التلال الخاص بك واشرح سبب وجودهم هناك (حاول النظر بعناية في المناطق المسطحة جدًا وكذلك على المنحدرات - يمكن رؤية مثال ممتاز حول خط طول 2383796 مترًا وخط عرض 219884 مترًا) - يوجد مصدران للأنماط الواضحة.

                                      إذا لم تكن قد قمت بذلك بالفعل ، فقم بإنشاء ظل تلال من hood_dem (انظر أعلاه). الآن قم بتعيين شفافية Hillshade من خلال الانتقال إلى خصائصه - علامة التبويب & gtDisplay وتغيير الشفافية إلى 50٪. تأكد من أن Hillshade في الأعلى ، و DEM تحته. يجب أن ترى شيئًا مثل الصورة أدناه. هذه تقنية عرض رائعة ومفيدة عند إنتاج منتج لرسم الخرائط.

                                      6.4.2. هياكل البيانات لبيانات الارتفاعات الرقمية

                                      راجع مقدمة هذا المعمل والمختبر 2 للتأكد من أن لديك فكرة واضحة عن هياكل البيانات وأنواع DTMs الرئيسية.

                                      ملامح. قم بإنشاء تغطية محيطية من DEM ، hood_dem. باعد معالمنا كل 200 متر رأسي.

                                        • استخدم hood_dem كسطح الإدخال الخاص بك.
                                        • اجعل فاصل الكفاف 200 م.
                                        • حافظ على محيط القاعدة عند 0.
                                        • احتفظ بقيمة الإخراج z بالأمتار.
                                        • قم بتسمية ملف الشكل الناتج hood_contours. تأكد من أن ينتهي به الأمر في دليل العمل الخاص بك.
                                        • تحقق لمعرفة ما إذا كان الإسقاط محددًا لملف شكل ملامحك الذي قمت بإنشائه. إذا لم يكن الأمر كذلك ، فحدد إسقاط ملف شكل غطاء محرك السيارة الجديد بناءً على غطاء محرك السيارة باستخدام تعريف أداة الإسقاط في ArcToolbox أو بخصائص ArcCatalog الخاصة به.
                                        • أضف hood_contours إلى ArcMap في إطار البيانات الثاني. .

                                        إنشاء TIN. الآن ، سنقوم بإنشاء اثنين من أرقام التعريف الضريبية من بيانات الارتفاع الخاصة بنا.

                                        خطأ محتمل: عند التحويل من Grid إلى TIN ، جرب أولاً الأداة الموجودة في مجلد IMPORT TO TIN ، بدلاً من تصدير من مجلد RASTER. من الناحية النظرية ، هي نفس الأداة ، ولكن عند التشغيل من أحدهما بدلاً من الآخر ، ستتلقى أحيانًا خطأ أنك غير مرخص لك باستخدام TIFFLZW. إذا تلقيت هذا الخطأ ، فجرب الأداة الموجودة في المجلد الآخر. إذا كنت لا تزال غير قادر على تشغيل الأداة ، فاستشر TA الخاص بك.

                                        هذه المشكلة لأن تنسيق ضغط LZW مرخص. لا يجوز للشركات التي لا تدفع رسوم الترخيص استخدام ضغط LZW في برامجها. تتوفر أشكال أخرى من الضغط مع مخرجات مماثلة.

                                        1. تحميل hood_dem في ArcMap.
                                        2. تفعيل المحلل ثلاثي الأبعاد في ArcMap.
                                          • افتح ArcMap / Tools / Extensions وقم بتشغيل ملحق المحلل ثلاثي الأبعاد.
                                          • افتح ArcMap / View / Toolbars وحدد امتداد المحلل ثلاثي الأبعاد.
                                        3. ابحث في الخيارات (تحويل) في القائمة المنسدلة لشريط أدوات التحليل ثلاثي الأبعاد وحدد Raster to Tin.
                                        4. قم بتحويل شبكة hood_dem إلى رقم تعريف مميز يسمى hood_dem_tin مع الاحتفاظ بجميع الإعدادات الافتراضية.
                                        5. انتظر لفترة - وهذا يتطلب بعض قوة الحوسبة - وبالتالي القليل من الوقت.
                                          • الخطوة رقم 1: انقر فوق أداة Create Tin. احفظ الإخراج كـ con_to_tin في مجلد lab6_data. للإشارة المكانية ، قم باستيراد المرجع المكاني من hood_dem الخاص بك. انقر فوق موافق.
                                          • الخطوة رقم 2: انقر فوق أداة تحرير رقم التعريف الضريبي. استخدم con_to_tin كإدخال TIN.
                                          • الخطوة # 3: قم بإسقاط وحدد hood_contours كفئة ميزة الإدخال.
                                          • الخطوة رقم 4: تأكد من ضبط حقل الارتفاع على CONTOUR
                                          • الخطوة رقم 5: ضمن SF_type حدد "softline".
                                          • ضع اثنين من TINs في ArcMap ، الإطار # 3. صنف ترميز الارتفاع لكل من TINs باستخدام منحدر اللون الافتراضي (تحتوي TINs على Elevation # 1 كمدرج لوني افتراضي) ، باستخدام فترات محددة 200 م كما فعلنا مع hood_dem. قد تحتاج إلى تغيير ترميز رمز التعريف الضريبي (TIN) المعدل لعرض الارتفاع. في علامة تبويب الرموز ، انقر فوق "إضافة" ، وحدد "ارتفاع الوجه بتدرج لوني متدرج." قارن بصريًا بين اثنين من TINs.
                                                تلميح
                                                لن تتمكن من الرؤية في نافذة Symbology إلا إذا Elevation is highlighted, like this:
                                                To turn off shading, go to Symbology (again) and uncheck this box: . Hit to see what happens.
                                                  • Change it back.
                                                  • To make a TIN semi-transparent, go to Properties-->Display and make the %Transparency something like 30%.
                                                    You would also want to make the base color of the TIN uniform -- instead of separate classes by elevation, you should have واحد class colored white.
                                                  • Slope
                                                  • Aspect
                                                    • Copy and paste your hood_tin into your fourth data frame and rename it slope_hood.
                                                    • Go to Properties-->Symbology for this slope_hood.
                                                    • Highlight Elevation, like so:
                                                      • Uncheck Edge types, Elevation, and Show hillshade illumination so that they won't display.
                                                      • Click the button. ال Add Renderer comes up:
                                                        • Highlight the line "Face slope. ", then , then .
                                                        • Pick a logical color ramp that communicates degree of slope (e.g., red for high slope, blue for flat). You may want to return to the Style Manager to find or create a good one. Precipitation, with the color order flipped, seems to work well.
                                                          • Note: a nifty trick is that you can Flip Symbols بواسطة right-clicking in the Symbology editing window (see graphic below).
                                                          • Make sure the button is unchecked (it appears to re-check itself if you switch between Elevation and Slope displays in the Symbology tab). Your final Symbology might look something like this:
                                                            • انقر OK.

                                                            Your map -- Data frame #4:
                                                            Use your slope map for frame 4. Make sure that your map communicates a reasonable balance of slopes
                                                            --i.e. don't have a "high slope" class that is so restrictive that only an insignificant part of the map shows up on it.

                                                            6.4.3. Analysis with DEMs

                                                            First, we will conduct a viewshed analysis . Viewshed analysis is useful for several purposes, such as determining the views available from roads, lookouts, and housing developments. For example, logging or building may be restricted in National Scenic Areas or areas viewable from highways. This can be done with the 3-D analyst, but the output options are greater with ArcToolbox coverages.

                                                              • Create a point shapefile for the point from which you want to do the viewshed analysis. Pick any location at a medium elevation.
                                                                • Remember that new features must be created in ArcCatalog,then transferred to ArcMap. They are then edited to create the geometry.
                                                                • Knowing this, create the (empty) point shapefile in your lab6_data directory (Don't remember how? Hint: When in doubt, انقر على اليمين)
                                                                • Name it viewpoint .
                                                                • Use hood_dem to define the projection.
                                                                • This will be a point feature (although one can perform viewshed analysis on a line feature such as a road or river, for example).
                                                                • ( Note: If you get the warning like "One or more layers lacks spatial reference information" -- this means either that you didn't define a projection or datum for one of your layers, or a bug occurred and this information didn't get transferred with the layer.
                                                                • Make sure the Editor toolbar is displayed and start editing viewpoint .
                                                                • Place a viewpoint in a familar location.
                                                                • Save your edits and stop editing.
                                                                  • If the layer was not automatically added, use Properties --> Symbology to make the attribute VALUE display (you should be able to figure this out without help at this point). '1' in the viewshed's VALUE column means: "This cell is visible from point viewpoint." Zero (0) means that the cell is not visible. You may want to change the labels to reflect these meanings.
                                                                  • We don't need to display the non-visible information, so remove that row from the Symbology display (Forgot how? Remember: when in doubt, Right-click).
                                                                  • As one of your four frames (3), make a map clearly showing elevation, your viewpoint, and the viewshed.

                                                                  Save your project so far. Close down and Open a new blank map document.

                                                                  Our second analysis will examine the relationship between elevation and vegetation. Drag org_gap-clip into ArcMap. We will use the skills we have learned for displaying and converting data and then investigate the questions by visual inspection. You will have to decide how best to display the vegetation and hood_dem to answer the questions below. Note that there is an orgap_lut (look-up table) file in the directory. You can use your skills to import this file into ArcMap, and join it with the GAP shapefile. You should also add the Hood_names file.

                                                                  Question #8 : Describe the vegetation profile as you move along a straight line from Red Lake Cemetary (in the very south easternmost corner of the scene) to the White River glacier (use the hood_names layer for names, use the query function to find locations). Make a list of the vegetation types in the order that the line crosses them, and give approximate elevation ranges for each of the vegetation types. (Generalize to about 11 sections)

                                                                  Note: There are several decent ways to do this.

                                                                  To get really tricky, using the 3D analyst, create a temporary 3D polyline along the same track, and create an elevation profile to add to your work. (not required)

                                                                  Adding Textfiles to Tables

                                                                  Now load the hood_landcovcoverage. Examine its attributes. Do you know what the Values field in this grid represents. It is common that files are delivered with text describing their attributes, either in a seperate LUT (look-up table), a text file, or in the metadata. This can be a problem if the text is extensive, requiring some effort to format for use.

                                                                  Using a web browser, open the hood_landcov.met.html. Near the end is a list of the values, and their text meanings. We don't want to have to type these all in and create a legend by hand. Normally, you would clip the data, add it to a new text file, and format it. However, to speed things along, the text has been removed and formatted for you in a file called hood_landcov.txt. The trick is to convert the text file into a table, and join it with the appropriate coverage (or in this case, grid).

                                                                  Open the text file from windows explorer, and examine it in NOTEPAD, WORDPAD, or the editor of your choice. Notice the formatting of the text. commas to indicate new fields, apostrophes around text fields, and carriage returns to indicate when to start a new row. This is a fairly standard format called comma seperated text often these files have a .csv extension.

                                                                  • Open the the hood_lancov.txt in Excel. It is comma delimited with a text qualifier of '.
                                                                  • Insert a row before row 1 to create field names.
                                                                  • The first will be القيمة and can be an integer with a column width of 8. The second, landcov, should be of type Text, with a width of 40.
                                                                  • Load your new table into ArcMap
                                                                  • Join it to the hood_landcov grid (you might have to use N1 for your field if it replaced Value, also, hit ok if it says anything about a problem)
                                                                  • Change your symbology to Unique values, and use the hood_landcov.landcov field.

                                                                  Question #9 : Compare the hood_landcov grid and the or_gap-clip and discuss when it might be most appropriate to use each one. Limit your discussion to one paragraph with the major Pros and Cons of each.

                                                                  6.5 Extrusion Visualization of Geospatial Data

                                                                  6.5.1 Introduction and Background

                                                                  3-D visualization is useful for much more than representing real-world features that have height. A third dimension provides a means of visualizing multiple facets of a dataset simultaneously. An example of this is the technique known as extrusion. Extrusion involves creating a 3-D data display by "pulling" or "raising" a two-dimensional polygon up along a Z-value height to make columns. The resulting image resembles a cityscape of high-rise buildings. In terms of maps, this can be used either to 1) give extra emphasis to features on a map, but not display additional data or 2) display two dataset attributes at the same time, one represented by the color scheme of the polygons and another by the extruded columns.

                                                                  In this exercise we will be using extrusion to compare socioeconomic data from the U.S. Census with national voting patterns. We will be using ArcGlobe to give you some practice with an additional (and fun!) ArcGIS module.

                                                                  The dataset we will use in this exercise, the "2004_election_counties" shapefile, can be found in your "Lab6" folder that you created previously. The shapefile contains voting data at the county level for the 2004 U.S. Presidential election, covering the lower 48 states.

                                                                  3.3 Procedure

                                                                  This exercise will use ArcGlobe, ESRI's module for global data display. Take a few minutes to explore ArcGlobe before we begin working with the data.

                                                                  Open ArcGlobe via the Start menu under Programs -> ArcGIS -> ArcGlobe.

                                                                  Step 1: Add & symbolize data

                                                                  First, turn off the Countries layer to simplify the display a bit.

                                                                  Use the Center on Target tool from the toolbar to center the display on the middle of the US, and zoom in if appropriate.

                                                                  Add the "2004_election_counties" shapefile to the ArcGlobe display. (Click OK if there is a projection-related warning.) Before adding the layer to the display, ArcGlobe will ask you about setting an appropriate display scale for the visualization. You can simply accept the given defaults.

                                                                  Take a moment to look through the "2004_election_counties" attribute table. You will see that the attributes are a combination of Census data followed by various categories of election results (see the excel table &ldquo2004_election_counties_obmeta&rdquo for metadata information on each attribute). The election data include total vote counts and vote percentages for George Bush and John Kerry in each county. The fields &ldquoBush_pct&rdquo is the attribute we want to display on the map.

                                                                  Right-click on "2004_election_counties" in the Table of Contents and choose Properties, then click on the Symbology tab. In the left-hand column, choose &ldquoQuantities&rdquo -> &ldquograduated colors&rdquo as the display type. Change the drop-down Value menu to "Bush_pct". In the &ldquoClassification&rdquo box on the right, click on the &ldquoclassify&rdquo button and change the interval method to &ldquoequal intervals&rdquo. Click on the &ldquolabels&rdquo button, and change the number of decimal places to 0. Finally, choose a color scheme that makes sense to you (i.e. light to dark colors representing high to low percentage of Bush voters).


                                                                  Step 2: Extrusion

                                                                  We will now do an extrusion of a second attribute in the dataset. Right-click on "2004election_county" in the Table of Contents and choose Properties, then click on the Globe Extrusion tab. Check the box labeled "Extrude features in layer". The panel below it labeled "Extrude value or expression:" determines which attribute (and any modifiers of it you wish to add) will be used for the extrusion. Note that the extrusion units will be meters. Click on the Expression Builder button next to this panel to bring up the Expression Builder window. Scroll through the attributes listed in the Fields panel on the left for "POP00SQMIL" (2000 population density) and double-click on it. The attribute will be added to the Expression panel. To make sure the extrusion columns will be tall enough to easily view (remember, the extrusion units are meters) add a multiplication by 100 to the expression. Click OK to apply the expression, then OK again. You may need to turn off the "World Image" layer in order to see counties with low population densities.

                                                                  You now have a visualization of the population density of each county, colored according to the percentage of Bush votes in it. Explore the display and look for any revealing patterns.

                                                                  Question #10 : Generally speaking, what is the apparent correlation between percentage of Bush voters in a county and that county's population density? Can you find any exceptions to the pattern?


                                                                  Step 3: Exploratory analysis

                                                                  Now that you have learned the extrusion process, it is time to use it for some exploratory analysis on your own. Look through the dataset attributes and try to come up with another socioeconomic factor (i.e. other than population density) that you think you might partially explain the voting pattern depicted on the map. Visualize this factor as you just did for population density above. Be sure to normalize the attribute if appropriate, and give it a scaling factor in the extrusion equation if needed for greater visibility. (Note: Area may not بالضرورة be the appropriate factor to use for normalizing your attribute!)


                                                                  6.5. استنتاج

                                                                  In this lab, you learned about the basic data structures used for surfaces in ArcGIS. You can see that each has advantages and disadvantages in terms of conveying information, in conducting various analyses, and in accurately representing the real world. You should also have an appreciation for the uses and hazards of converting surface data between structures. Surface modeling is a key part of many GIS analyses, but the results attainable will depend upon the data and software tools available. Most important, however, is the intelligent use of the data and tools by the GIS user.

                                                                  • The question sheet, with typed answers (Word document).
                                                                  • A one-page map with four maps in four separate frames (as a separate PDF document).
                                                                  • Digital Elevation Models (NCGIA Core Curriculum Unit 13)
                                                                  • The TIN (NCGIA Core Curriculum Unit 14)
                                                                  • Spatial Interpolation (NCGIA Core Curriculum Unit 15)
                                                                  • Error in DEMs (NCGIA Core Curriculum Unit 16)
                                                                  • Web Resources Compiled For Terrain Modeling

                                                                  Lab originally created by Nicholas Matzke and Sarah Battersby
                                                                  UC Santa Barbara, Department of Geography
                                                                  © Regents of the University of California redistributed by permission


                                                                  Near real-time mapping of air temperature at high spatiotemporal resolutions in Tasmania, Australia

                                                                  Surface air temperature (تيأ) is important for a wide variety of applications that require real-time monitoring of environmental change yet, few studies have attempted to deliver such products at a resolution appropriate for local-scale analysis. We investigated the feasibility of producing hourly تيأ maps in near real time at a spatial grid resolution of 80 m across the state of Tasmania (area: 68,401 km 2 ), Australia. We first assimilate 267 non-telemetered logger recording sites for data recorded in the 1-year period from September 2013 to 2014 and statistically calibrate them to 43-telemetered Australian Bureau of Meteorology (BoM) weather station sites for real-time application. This was evaluated in the following year using held back recordings in addition to evaluating regression trees (RT) and thin plate splines (TPS) to interpolate the hourly تيأ estimates. For real-time operational mapping, the system was fully automated in the R programming language and hosted on a cloud-based computing platform to assess performance over a 7-day period in February 2020. The calibration procedure yielded accurate results with the root mean square error (RMSE) ranging between 1.33 °C in summer and 1.29 °C in winter. The TPS interpolation method was optimal in summer with an RMSE of 1.35 °C compared to RT with 1.39 °C however, RT performed better in winter with an RMSE of 1.34 °C compared to 1.42 °C. The mapping system was capable of producing spatial outputs within the hour of the BoM observations becoming available with the TPS interpolation proving to be more efficient at producing outputs in a timelier manner.

                                                                  هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


                                                                  Spatial analysis of water quality parameters in Hilo Bay, Hawai'i, using a combination of interpolated surfaces and hot spot analysis

                                                                  Hilo Bay estuary, located on the northeastern side of Hawai'i Island, experiences variability in water quality parameters due to its numerous water inputs. This estuary experiences influxes of water from three sources: groundwater to the east, marine water from the north, and surface water from the Wailuku River to the west. High rainfall and river flow impacts Hilo Bay’s water quality including salinity, turbidity, and chlorophyll أ concentration. Here, maps of Hilo Bay water quality were examined to assess spatial patterns of these important parameters. Exploring the patterns of these water quality parameters by creating inverse distance weighted (IDW) interpolation surfaces of survey points and clusters based on hot spot analyses during low- and high-flow conditions showed statistically significant differences in spatial water quality in Hilo Bay. Water quality maps after a storm show (1) an overall decrease in salinity, (2) a river plume from the Wailuku River associated with a turbidity hot spot, and (3) a chlorophyll أ hot spot offset from the river plume in the center of the bay. Using spatial analysis to analyze water quality throughout the entirety of Hilo Bay before and after storm events can lead to a better understanding of how this ecosystem is affected during these types of events, and furthermore, adopting this method of sampling and analysis allows for a greater representation of water quality all over the bay and can improve the monitoring of water quality in this important ecosystem.

                                                                  هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


                                                                  Application of smart card data in validating a large-scale multi-modal transit assignment model

                                                                  The accuracy of transit assignment plays an important role in the successful design and operation of a transit system. The majority of previous studies on validating transit assignment models has used limited survey data or has lacked a large-scale multimodal and high quality dataset. Considering the advantages of smart card [automatic fare collection (AFC)] systems, the aims of this study are to put forward a methodological framework to validate existing transit assignment models and to quantify the performance of these models. Our study combines data from three sources: the General Transit Feed Specification, an AFC system, and a strategic transport model from a large-scale multimodal public transport network, namely the South-East Queensland (SEQ) network in Australia. The AFC system in SEQ has provided a very large and highly accurate dataset on passenger boardings and alightings for the three transit modes of bus, rail and ferry. Following a data analysis, an origin–destination trip matrix is estimated for the AM peak period using AFC data as an input to the transit assignment model. Then, the results of the transit assignment model are compared with the actual passengers’ route choices over the same period, at different levels of aggregation. The model performance is quantified by each route (and direction), by each segment of each route (and direction), and by each stop. The results indicate that relatively tighter thresholds are required to validate the transit assignment at the segment level than at the stop level. Furthermore, the validation results indicate that the greatest error is realized for the bus mode, while the level of accuracy in the rail mode is the best. The results suggest a segment-level analysis should be used as the most useful level of aggregation for future calibration and validation of transit assignment models.

                                                                  هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


                                                                  Flood damage assessment approach

                                                                  This approach combines the methods identified in the scoping study for the case study assessment of the Neckar River. The case study description (Sect. 4) renders account of the required input data and outlines the performed damage potential assessment in detail. The approach consists of two main components: fluvial flood modeling (hazard assessment) and damage modeling (impact assessment), where the latter is split into exposure and vulnerability. In combination, the two assessment components allow the estimation and comparison of expected direct economic damages from different scenarios. A schematic representation of the assessment approach can be seen in Fig. 1.

                                                                  Schematic assessment flow for the case study

                                                                  Flood modeling

                                                                  The flood component of the assessment approach is based on GIS and hydrologic and hydraulic simulation software. The damage component is based on stage-damage functions thus, flood extents and flood depths are the flood characteristics of interest. A combination of HEC-RAS and HEC-GeoRAS is used for scenario-based flood modeling using estimated flood discharges (m 3 /s).

                                                                  Damage modeling

                                                                  The damage modeling component of the assessment approach is based on land use raster data to assess flood exposure and on stage-damage functions to determine flood vulnerability. The approach is restricted to direct tangible damages due to the focus on economic damage potentials in the study area. Damages are quantified by overlaying simulated floods with exposed assets to determine monetary damages of flooded assets based on the flood vulnerability of these assets in relation to flood depth. The flood vulnerability determines the fraction of the potential maximum damage under a given flood depth.

                                                                  Future projections

                                                                  To estimate future flood conditions, precipitation scenario data from GCMs, which have been downscaled to RCMs are used. Based on downscaled precipitation data, future flood discharges are estimated for future 10-year, 50-year, and 100-year floods, based on a regionalized discharge estimation model. Data on estimated future change in precipitation are retrieved from a publicly available climate model. Representative concentration pathways (RCPs) are used for precipitation scenarios. Expected future changes in exposure and vulnerability, respectively, in land use and stage-damage as well as potential maximum damages, are also considered. Future land use, stage-damage functions, and potential maximum damages are estimated based on extrapolated trends and change rates. Future land use is simulated based on two land use raster datasets from different years in the past using the GIS-extension Modules for Land Use Change Simulations (MOLUSCE) (NextGIS 2013). Future stage-damage is based on growth rates of the relevant variables of the loss functions (Yu et al. 2013 Morita 2014 Neubert et al. 2016).

                                                                  Strength of knowledge estimation

                                                                  To account for uncertainties and to address identified challenges of validating damage estimations when lacking verification data, a nascent qualitative confidence estimation approach is introduced here to reflect on the strength of knowledge (SoK) underlying the case study in Sect. 4. The concept of SoK is used in risk science to qualitatively label the strength of knowledge, which motivates key assumptions and methodological choices regarding the assignment of probabilities (Askeland et al. 2017 Berner and Flage 2014 Flage and Aven 2009). Following the examples of Askeland, Flage and Aven (2017) and Bani-Mustafa Zeng, Zio & Vasseur (2019), key variables were defined to reflect on the SoK underlying the case study assessment. The SoK variables help to reflect on the confidence of the assessment results. The SoK is presented on an ordinal scale from weak to strong regarding the estimation of the flood hazard, exposure, and vulnerability (Table 8). The variables are aimed to depict assessment characteristics regarding expert agreement, context specificity, timeliness, completeness, level of detail, and validation agreement of inputs and outputs of the case study assessment.

                                                                  To achieve high trustworthiness of an assessment, strong knowledge about quality and reliability of the assessment components is vital. The evaluation of SoK is based on the confidence of the assessor, justified through reasoning and verification of modeling results. The variables are deliberately not aggregated to an overall confidence-score due to the ordinal nature of this qualitative confidence estimation. Such an aggregation of variables is left up to decision-makers in flood risk management. The implementation of the concept of SoK, including the variables, is presented in detail in Sect. 4.7.


                                                                  Identification of Essential Descriptors in Spatial Socioeconomic Impact Assessment Modeling: a Case Study of Highway Broadening in Sikkim Himalaya

                                                                  Identifying the right set of socioeconomic descriptors (SEDs) during the spatial analysis of a socioeconomic impact assessment (SEIA) is pivotal for a reliable impact modeling. For this, methods like factor analysis and sensitivity analysis can be used. As a case study, the spatial socioeconomic impact assessment model (SSEIAM) of the broadening of highway NH 10 in the East district of Sikkim is used to emphasize this issue. Principal component analysis (PCA) is used to identify the most important SEDs contributing to the composite impact estimated by SSEIAM. Furthermore, spatially explicit sensitivity analysis (SESA) is performed to identify the model sensitivity to SED weights. SSEIAM is a GIS-based model that relies on experts’ opinion and peoples’ perception of the impacts of the project on the SEDs. The model uses weighted linear combination (WLC) of kriging-generated SED surfaces to prepare the composite impact map. PCA indicates that farming activities, health facilities, traditional values, demographic profile, tourism, and land use and land value are the major contributors to the variance in the descriptor space. SESA shows that SSEIAM is robust. However, land use and land value and farming activities contribute most to the perturbations of the composite impact value. This suggests that model variable identification is a crucial step towards impact modeling.


                                                                  Previously working ggplot2 script now returning fatal error at fortify

                                                                  I have previously written a script to create a colored map of the US, with each state colored based on some simulated data. The idea is to later be able to replace the simulated data with some measure. It was written to be self-contained and originally ran just fine, but now crashes when the fortify command is run.

                                                                  I believe this is due to a problem with the fortify command, as it returns a fatal error and restarts R at that point. Here is the code up to the point of the fatal error:

                                                                  The script stops working at the line above and crashes R with a fatal error. I have tried a workaround described in another post, in which you place an explicit "id" column in the spatial dataframe, which fortify then uses as the key by default. With this modification the lines:

                                                                  would replace tract_geom<-fortify(tract,region="STUSPS") in the previous code, where STUSPS is the key for a later data merge.

                                                                  Unfortunately, when I then fortify the tract data, the id column is not the state abbreviation as expected, but is instead a vector of characters between "0" and "55" (56 unique values). It appears that the state abbreviations (of which there are 56) are somehow being transformed into numbers and then into characters.

                                                                  I am working on figuring out why this is happening and looking for a fix. If the fortify function worked with the region argument, that would be ideal, but if I can get the workaround to work, that would be great too. Any help would be greatly appreciated. I have looked at the documentation and at solutions to various similar problems and have come up short (even tried ArcGIS).


                                                                  Author information

                                                                  Affiliations

                                                                  Natural Resources Canada – Canadian Forest Service, Great Lakes Forestry Centre, Research Scientist, P6A 2E5, 1219 Queen Street East, Sault Ste. Marie, Ontario, Canada

                                                                  Natural Resources Canada – Canadian Forest Service, Great Lakes Forestry Centre, Chief, Landscape Analysis and Applications, P6A 2E5 1219 Queen Street East, Sault Ste. Marie, Ontario, Canada

                                                                  Natural Resources Canada – Canadian Forest Service, Great Lakes Forestry Centre, Visiting Scientist, P6A 2E5 1219 Queen Street East, Sault Ste. Marie, Ontario, Canada

                                                                  Natural Resources Canada – Canadian Forest Service, Great Lakes Forestry Centre, Geographical Information Systems Analyst, P6A 2E5 1219 Queen Street East, Sault Ste. Marie, Ontario, Canada

                                                                  Natural Resources Canada – Canadian Forest Service, Great Lakes Forestry Centre, Forest Resource Biologist, P6A 2E5 1219 Queen Street East, Sault Ste. Marie, Ontario, Canada

                                                                  Fenner School of Environment and Society, Australian National University, Canberra, Australia


                                                                  شاهد الفيديو: طريقة حل جميع مشاكل الحاسوب بدون برامج (شهر اكتوبر 2021).