Mehr

Nodata-Probleme in der Kartenalgebra

Nodata-Probleme in der Kartenalgebra


Eine Dummy-Frage. Ich muss alle Werte in meinen Rastern in Einsen ändern. Ich konnte dies im Rater-Rechner gut tun, indem ich einfach die Ebene mit Null multiplizierte und eins hinzufügte (my_layer * 0 + 1), aber wenn ich dasselbe in arcpy mache, funktioniert es aus irgendeinem Grund für einen Teil meines Rasters, aber für einige ändert es auch alle Nodata-Zellen in Einsen. Die nodata-Werte in verschiedenen Rastern sind unterschiedlich, da meine Raster aus unterschiedlichen Quelldaten generiert wurden. Erkennt es einige Nodata-Werte nicht? Wenn ja, ist dies seltsam, da sie korrekt angezeigt werden, wenn ich sie einfach in den mxd importiere. Irgendwelche Ideen, warum das manchmal funktioniert, aber manchmal nicht?

Hier das genaue Skript:

bin_test = arcpy.Raster("F:/datasets/map1.img")*0+1

Am liebsten würde ich damit umgehen, indem ich eine Con(IsNull)-Anweisung verwende…

Grundsätzlich können Sie mit einer Con-Anweisung eine Bedingung definieren; Wenn es wahr ist, tun Sie dies, wenn es falsch ist, tun Sie dies - einschließlich Belassen der Werte wie sie waren.

In diesem Fall wäre ich versucht, so etwas zu tun wie

Con(IstNull(meinRaster), meinRaster, 1)

Was im Grunde besagt:

  • Einrichten einer Bedingung zum Testen von Zellen in myRaster für NoData (IsNull)
  • Wenn es NoData ist, belassen Sie es als NoData
  • Konvertieren Sie andernfalls den Zellenwert in 1

Einige Dokumentationen:

… Ich weiß jedoch nicht, warum Ihre NoData-Zellen mit etwas anderem als NoData multipliziert werden …


NoData wird je nach Rasterquelle unterschiedlich definiert, auch numerisch. (Sie können ihn in den Raster-Eigenschaften nachschlagen, wenn Sie wissen möchten, wie hoch der tatsächliche Wert für Ihre speziellen Datasets ist.)

Ich schlage vor, stattdessen Reclassify anstelle von Raster Calculator zu verwenden, der NoData-Werte entweder explizit ignorieren kann (sie NoData belassen) oder sie explizit einschließen (in 1 ändern). Es ist mir nicht ganz klar, ob Sie diese NoData-Werte respektieren möchten oder nicht, aber Reclassify funktioniert für beide Szenarien.


Nur damit Sie wissen, dass es eine Million Möglichkeiten gibt, dies zu tun. Das Multiplizieren ist jedoch eine sehr indirekte Methode, diese Methoden sind einfacher und effizienter, sogar mit dem Rasterrechner. So vorzugehen, anstatt mit Null zu multiplizieren, ist bei unterschiedlichen Bittiefen / Datenformaten wahrscheinlich sicherer…

Diese drei Berechnungen sollten Ihnen die gleiche Antwort geben:

dataraster = Con(IsNull(myRaster), myRaster, 1) dataraster = SetNull(IsNull(myRaster), 1) dataraster = Con(~ IsNull(myRaster), 1)

IDW - ist das ein Interpolationsfehler?

Wir haben eine interpolierte Karte mit dem IDW-Tool der Spatial Analyst-Erweiterung mit einer Zellengröße von 1.000 Metern und einer festen Entfernung von 4.000 Metern erstellt. Andere Parameter sind voreingestellt. Die beigefügte Abbildung zeigt einen Ausschnitt eines scheinbar abnormalen Ergebnisses: Probenstandorte sind mit den roten Kreisen mit ihrem Wert in fetter Kursivschrift gekennzeichnet. Die IDW-Zellenwerte werden in der Zellenmitte angezeigt. Könnte jemand erklären, warum sich in dieser Zelle in der Mitte der Figur eine Zelle mit einem Wert von 353 befindet, wenn in der Nähe keine hohen Werte vorhanden sind. Was ist die Quelle dieses Artefakts? Danke für Ihre Hilfe.

von AdrianWelsh

Das scheint ziemlich seltsam, diesen Ausreißer in der Mitte zu haben. Haben Sie andere Tests dazu durchgeführt, um zu sehen, ob dieses Problem weiterhin besteht? Haben Sie andere Interpolationsmethoden ausprobiert, um zu sehen, ob Sie ähnliche Werte erhalten? Ich frage mich auch, ob Sie das gleiche IDW mit den gleichen Kriterien ausprobieren würden, wenn Sie die gleichen Ergebnisse erhalten würden.

Danke Adrian für deine prompte Antwort. Ich habe es mit IDW Variable Distance, Krigging und Natural Neighbor aus dem SA und IDW Standard Circular mit einem Radius von 4000 vom Geostatistical Analyst versucht, wobei immer die gleiche Zellengröße (1.000 m) beibehalten wurde, und diese Methoden zeigen dieses Verhalten nicht. Es scheint nur mit IDW-Festabstand zu passieren. Es passiert auch an einigen Grenzzellen, wo es keine Datenpunkte mehr gibt, wie in der beigefügten Abbildung. Ist das komisch oder erklärbar?

von DanPatterson_Re müde

Wenn Sie Zugriff auf den Geostatistik-Analysten haben, können Sie die Verwendung und die Einschränkungen der Verwendung von IDW bei bestimmten Datenbeschränkungen erkunden. Auf jeden Fall ist das Hilfethema informativ

von DanPatterson_Re müde

Ich vermute, dass im Suchradius nur zwei Punkte gefunden wurden Wie IDW funktioniert—Hilfe | ArcGIS for Desktop

Aber wenn Sie den Text in einem festen Radius lesen, ist er nicht ganz so klar, wie Sie denken. Es ist bedauerlich, dass Ihre Beobachtungspunkte spärlich sind und wenn Sie sie haben, liegen sie eng beieinander. Sie haben eine gute Kombination von unbefriedigenden Bedingungen, insbesondere für ein IDW, das den Suchradius und die Anzahl der Punkte einschränkt

Nach meinem Verständnis würde IDW den Suchradius erweitern, wenn innerhalb der angegebenen Suchentfernung keine Datenpunkte gefunden werden. Mir ist nicht klar, warum es einen höheren Zellenwert mit umgebenden Zellen gibt, die entweder niedriger als die 353-Ausreißer- oder Nullwerte sind.

von DanPatterson_Re müde

Die maßgebenden Gleichungen sind diejenigen in den Geostat-Hilfethemen, die aus

Burrough, P.A. (plus verschiedene Autoren je nach Auflage)

Principles of Geographical Information Systems, Erstausgabe 1986, 2. 1998, 3. 2014 Seite 163 spätestens. Wikipedia und viele mehr zitieren genau die gleichen Gleichungen.

Das Problem bei der Verwendung von IDW geben Ihre Punktverteilung, auch wenn der Suchradius zunimmt, liegt darin, dass die Interpolationsorte größtenteils weit von den Punktorten entfernt sind. Sie müssten herausfinden, welche Punkte verwendet wurden, um den Wert für diese Zelle zu bestimmen, ihre Entfernung zu ihr und die Berechnung durchführen. Ich vermute, dass der Einfluss dieses 353-Wertes auf das Gesamtbild der Dinge recht gering ist. IDW ist nicht der zu verwendende Interpolator. Tatsächlich könnte ich sogar vorschlagen, dass es angesichts der engen Clusterbildung und der großen Entfernung zwischen den Clustern schwierig sein wird, etwas Sinnvolles anderes als ein mathematisches Unterfangen zu interpolieren. Andere Ansätze wie Voronoi-Diagramme, verschiedene Dichteberechnungen könnten zu einer aussagekräftigeren Oberfläche führen. Natürlich könnten solche Vermutungen durch ein Verständnis hinsichtlich des Zwecks der interpolierten Oberfläche gemildert werden. ist es, Muster, Eingrenzung, Ort des Auftretens und eine Vielzahl anderer Dinge aufzuzeigen. In jedem Fall ist die Mathematik aus einer Vielzahl von Quellen verfügbar und könnte verwendet werden, um zu beurteilen, ob die Berechnungen fehlerhaft sind oder ob nicht genügend Informationen bereitgestellt werden, um zu bestimmen, welche Punkte bei einer Radiuserweiterung berücksichtigt werden. Das ist ein Grund, warum ich vermute, dass der Geostatistical-Analyst mehr Flexibilität bei Gewichtungen, Punkteinschlüssen und sogar solchen Dingen wie der Richtung der Einbeziehung bietet.


Nodata-Probleme in der Kartenalgebra - Geographische Informationssysteme

TRANSIT: Toolbox fÜr uralte Segelzeitabschätzung

Die Kosten-Oberflächen-Analyse in der Umgebung des geografischen Informationssystems wurde bei der Erforschung der antiken Segelnavigation weniger häufig verwendet als in anderen Studien der menschlichen Vergangenheit. Die Kosten-Oberflächen-Analyse der Navigation beinhaltet den Einsatz von GIS-Werkzeugen, die vielseitig, aber nicht sehr einfach zu verstehen und zu handhaben sind. TRANSIT ist ein ArcGIS Toolbox, die entwickelt wurde, um die Kosten-Oberflächen-Analyse der antiken Segelnavigation zu erleichtern. Es schätzt die Navigationszeit von einem Startort aus unter Berücksichtigung von Parametern, die für die Erzeugung einer akkumulierten anisotropen Kostenoberfläche relevant sind, und automatisiert den komplexen Workflow, der für eine sinnvolle Vor- und Nachbearbeitung der Daten erforderlich ist. Die Toolbox kann angemessene Schätzungen erstellen. Diese sollten als Werte betrachtet werden, die sich um wahrscheinlich vergangene Laufzeiten herum bewegen, nicht übereinstimmen. Die geschätzten Werte können sich als Anhaltspunkt für die Größenordnung der Dauer vergangener Reisen und als Referenzrahmen für die Messung des antiken Meeresraums im Zeitverlauf erweisen.

Die Gründe, die Verwendung und der theoretische Hintergrund für die Verwendung des Tools sind vollständig beschrieben in:

Alberti G. 2017. TRANSIT: eine GIS-Toolbox zur Schätzung der Dauer der alten segelbetriebenen Navigation,In Kartographie und Geographische Informationswissenschaft (http://dx.doi.org/10.1080/15230406.2017.1403376)

Die Daten werden über seine . in die Toolbox eingespeist Schalttafel, die in der folgenden Abbildung dargestellt ist. Für eine einfache Bedienung wird jedem Feld eine kurze Hilfedokumentation beigefügt.

Windgeschwindigkeit : Raster, das die Windgeschwindigkeit im Untersuchungsgebiet darstellt. Die Geschwindigkeit muss in km/h angegeben werden.

Windrichtung: Raster, das die Windrichtung im Untersuchungsgebiet darstellt. Die Richtung muss gemäß meteorologischen Konventionen in Grad angegeben werden (Richtung, aus der der Wind weht).

Maximaler Skalenwert: Da ein Schiff nicht so schnell wie der Wind sein kann, muss seine Geschwindigkeit eine obere Grenze haben. Die Neuskalierung erfolgt mit der folgenden Formel: Neuskaliertes Raster = [(Raster - Min. Wert vom Gitter) * (Max. Skalenwert - Min. Skalenwert) / (Max. Wert vom Gitter - Min. Wert vom Gitter)] + Min. Skalenwert , wobei grid ist das Eingabe-Windgeschwindigkeits-Raster, Min- und Max-Skalierungswert sind der minimale und maximale Wert des neu skalierten Ausgabe-Rasters. Der Min-Skalenwert wird automatisch aus dem maskierten Windgeschwindigkeits-Raster abgeleitet, um den im Untersuchungsgebiet aufgezeichneten Mindestwert der Windgeschwindigkeit zu berücksichtigen. Der maximale Skalenwert wird vom Benutzer eingegeben und hängt von der maximalen theoretischen Behältergeschwindigkeit ab. Der empfohlene Wert von 22,22 (in km/h, entspricht 12 Knoten) beruht auf Berichten in der Literatur (vgl. Alberti 2017).

Land mask : Raster, das die Ausdehnung der Landmassen darstellt. Der Benutzer möchte möglicherweise ein Raster verwenden, in dem Zellen, die Landmassen darstellen, einen NoData-Wert erhalten. Die Windgeschwindigkeits- und -richtungs-Raster werden durch Maskieren der Landmassen mit einem NoData-Wert erstellt. Als Teil des Workflows der Toolbox verwendet ArcGIS den Raster-Rechner, um eine einfache Kartenalgebra-Operation durchzuführen, bei der die Windgeschwindigkeits- und -richtungs-Raster einzeln zur Landmassenmaske hinzugefügt werden. Da in der Kartenalgebra Daten plus NoData gleich NoData sind, erhalten Zellen, die dem Land entsprechen, NoData und werden daher von der Analyse ausgeschlossen.

Quellort: Vektordaten (Punkt-Shapefile), die den Startort darstellen, d. h. den Ort, von dem aus die akkumulierte Kostenfläche berechnet wird.

Horizontaler Faktor: drückt die Reduzierung oder Erhöhung der Kosten aus, je nachdem, ob die Bewegung von a nach b auf einen horizontalen Fluss ausgerichtet ist oder nicht. Der Faktor wird definiert, indem zunächst der sogenannte Horizontal Relative Moving Angle (HRMA) bewertet wird, d. h. der Versatz zwischen der Richtung der Bewegung von a nach b und der horizontalen Strömung. Letzteres repräsentiert die horizontale Richtung an jeder Zelle als Eingabe-Raster. Der HRMA reicht von 0 bis 180 (einschließlich) und wird angenommen, dass symmetrisch um 0 180 Grad eine Bewegung entgegengesetzt zu der durch das horizontale Flussraster definierten Richtung darstellt. Sobald der HRMA definiert ist, wird er in der benutzerdefinierten horizontalen Faktortabelle nachgeschlagen und der entsprechende horizontale Faktor bestimmt. Ein Faktor größer als 1 erhöht die Umzugskosten, während bei einem Faktor kleiner als 1 das Gegenteil der Fall ist. Die Beziehung zwischen der potenziellen Schiffsleistung und bestimmten Segelpunkten wird verwendet, um eine angepasste horizontale Faktortabelle zu erstellen (siehe: Alberti 2017). Empfohlene horizontale Faktoren für die segelbetriebene Navigation sind: 1 für Laufen (0-34 Grad) und Strahlreichweite ( 68-90 Grad) 0,42 für große Reichweite ( 35-67 Grad) 2,5 für am Wind ( 91-113 Grad) 10 für No Go ( 114-180 Grad). Der subjektive Faktor von 10 erhöht die Zeit, die benötigt wird, um jede Zelle in die No-Go-Richtung zu durchqueren, dramatisch. Dies macht das Segeln am Wind vergleichsweise kostengünstiger (d. h. bequemer) als das Fahren direkt gegen die Windrichtung. Benutzer können die Faktoren im HRMA nach eigenem Ermessen für ihre Forschungsfragen anpassen. Die Zahlen zwischen runden Klammern beziehen sich auf die Punkte der Segelwinkel und folgen der GIS-Konvention für den HRMA. Diese Konvention kehrt die nautische Konvention um, wonach der Wind als von 0 Grad kommend betrachtet wird. Der Benutzer möchte möglicherweise das Dropdown-Menü verwenden, um eine benutzerdefinierte Tabelle (im .txt-Format) auszuwählen, deren Inhalt in zwei Spalten ohne Überschriften angeordnet sein muss: die erste speichert die HRMA-Werte von 0 bis 180 (einschließlich), die zweite zeigt an der entsprechende horizontale Faktor.

Output_folder : der Ordner, in dem der Benutzer alle Ausgaben der Analyse speichern möchte. Folgende Dateien werden erstellt:

  • wind_sp_msk (maskiertes Windgeschwindigkeits-Raster)
  • wind_dir_msk (maskiertes Windrichtungs-Raster)
  • w_sp_resc (neuskaliertes Windgeschwindigkeits-Raster)
  • sea_lev_msk (maskiertes Meeresspiegel-Raster)
  • pace_hkm (Pace-Raster, in h/km)
  • accum_cost (Raster der akkumulierten Kosten)
  • acc_cst_adj (angepasstes akkumuliertes Kostenraster)
  • backl (Backlink-Raster)
  • Tage (angepasste kumulierte Kosten, ausgedrückt in Tagen)
  • 1day_contours (Shapefile, das Isochronen in 1-Tages-Intervallen darstellt)
  • 3h_contours (Shapefile, das Isochronen in 3-Stunden-Intervallen darstellt)

Das Backlink-Raster kann (zusammen mit dem angepassten akkumulierten Kosten-Raster) in das ArcGIS-Tool Cost Path eingespeist werden, um den kostengünstigsten Weg der segelbetriebenen Navigation vom Quellstandort zu den Zielstandorten zu berechnen.


Verwendung der Fuzzy Spatial Theory zur Modellierung der Geländepassierbarkeit

Die geografische Unterstützung von Entscheidungsprozessen basiert auf verschiedenen geografischen Produkten, meist in digitaler Form, die aus unterschiedlichen Grundlagen und Quellen stammen. Jedes Produkt kann durch seine Qualität oder durch seinen Gebrauchswert für die gegebene Aufgabenart oder Aufgabengruppe, für die das Produkt verwendet wird, charakterisiert werden. Sie haben meist auch unterschiedliche Eigenschaften und können somit das resultierende Analysenmaterial sehr stark beeinflussen. Ziel der Arbeit ist es, zur Lösung der Frage beizutragen, wie mit vielfältigen räumlichen Geoinformationen gearbeitet werden kann, damit der Nutzer eine Vorstellung vom resultierenden Produkt hat. Das Konzept der Fuzzy-Sets wird für die Darstellung von Klassen verwendet, deren Grenzen nicht klar (nicht scharf) festgelegt sind, nämlich der Fuzzy-Ansatz bei Überlagerungsoperationen, der in der ESRI ArcGIS-Umgebung realisiert wird. Das Papier basiert auf einem Forschungsprojekt, das an der Fakultät für Militärtechnik der Universität für Verteidigung gelöst wird. Die Forschung beschäftigt sich mit dem Einfluss geographischer und klimatischer Faktoren auf die Tätigkeit der Streitkräfte und des Integrierten Rettungssystems.

1. Einleitung

Die geografische Unterstützung von Entscheidungsprozessen basiert auf verschiedenen geografischen Produkten, meist in digitaler Form, die aus unterschiedlichen Grundlagen und Quellen stammen. Jedes Produkt kann durch seine Qualität [1, 2] oder durch seinen Gebrauchswert für die gegebene Aufgabenart oder Aufgabengruppe, für die das Produkt verwendet wird, charakterisiert werden [3, 4]. In beiden Fällen wird unter anderem auch die Positions- und Themengenauigkeit bewertet, entweder als exakt vorgegebener Wert, z. B. mittlerer quadratischer Positionsfehler, wahrscheinlicher Fehler usw. oder als prozentualer Erfüllungsgrad der Nutzeranforderungen [5] . Entscheidungsprozesse basieren auf multikriteriellen Entscheidungsfindungen, an denen viele Faktoren beteiligt sind [6]. Durch eine geeignete Kombination verschiedener Faktoren entstehen analytische Produkte. Sie sind die Basis für die Beantwortung von Fragen wie „Was passiert, wenn…?“. Aus diesem Grund werden verschiedene Stiftungen für die geografische Unterstützung verwendet. Sie haben meist auch unterschiedliche Eigenschaften und können somit das resultierende Analysenmaterial sehr stark beeinflussen. Ziel der Arbeit ist es, zur Lösung der Frage beizutragen, wie mit vielfältigen räumlichen Geoinformationen gearbeitet werden kann, damit der Nutzer eine Vorstellung vom resultierenden Produkt hat. Das Papier basiert auf einem Forschungsprojekt, das an der Fakultät für Militärtechnik der Universität für Verteidigung gelöst wird. Die Forschung beschäftigt sich mit dem Einfluss geographischer und klimatischer Faktoren auf die Tätigkeit der Streitkräfte und des Integrierten Rettungssystems.

Im Rahmen der Arbeit an der Lösung des Projekts setzte das Problemlösungsteam die Entwicklung von Modellen des Einflusses geographischer und klimatischer Faktoren auf die Geländebegehbarkeit fort. Im Untersuchungszeitraum konzentrierte sich das Team auf die Entwicklung der Modelltheorie, auf die Visualisierung der Unschärfe der Ergebnisse, die durch die Inhomogenität der Stützdaten verursacht wird, die Kombination ihrer Eigenschaften in den durchgeführten Analysen usw. Für diese Zwecke wurde Fuzzy-Logik verwendet.

2. Unbestimmtheit räumlicher Informationen

Standardmäßig verwendete Arten und Verfahren geoprozeduraler Analysen gehen davon aus, dass die verwendeten Daten mit expliziten, scharfen Grenzen erstellt werden, die die Position der einzelnen Objekte einschränken.

Die technische Qualität der Positionseinstellung solcher Grenzen wird normalerweise durch die oben genannten Kriterien, wie beispielsweise den mittleren quadratischen Positionsfehler ihrer Bestimmung, gegeben. Die technische Qualität basiert auf Messmethoden oder Digitalisierung des Fundaments.

Grenzen vieler geographischer Elemente sind jedoch nur ein Ergebnis der menschlichen Wahrnehmung und nicht einer realen Sache. Selbst wenn eine reale diskrete Grenze existiert, kann die Grenzlinie aufgrund von Ungenauigkeiten der Daten oder ihrer Interpretation ungenau sein. Vegetations- oder Bodentypen sind typische Beispiele für geographische Elemente, bei denen es keine klaren natürlichen Grenzen im Raum gibt. Herkömmliche Klassifikationen versagen hier komplett. Räumliche Einheiten werden jedoch normalerweise durch scharfe Grenzen dargestellt. Brown und Heuvelink [7] schlagen zwei Arten von Unsicherheit vor, die in GIS eine besondere Bedeutung haben:thematisch und räumliche Unschärfe. Im ersten Fall können wir das Vorkommen des angegebenen Themas an der angegebenen Stelle nicht bestätigen, im zweiten Fall ist es nicht möglich, eine genaue Platzierung der angegebenen Themen zu finden. Das formale konzeptionelle Unsicherheitsmodell ist nützlich, um eine effektive GIS-Nutzung im Entscheidungsprozess zu erstellen [8]. Mehrere Autoren versuchten, Unsicherheit zu klassifizieren [9–12], aber die am häufigsten verwendete Klassifikation findet sich im Standard für Geodatentransfer [13].

Da Menschen jeden Tag mit unsicheren Geodaten sowohl folgern als auch Entscheidungen treffen, ist es wichtig, die Komplexität der Unsicherheit zu verstehen, wie sie sich durch jeden Datensatz ausbreitet und wie man Unsicherheit am besten visualisiert, um Argumentation und Entscheidungsfindung zu unterstützen [14-18].

Räumliche und thematische Daten sollten nicht unabhängig ausgewertet werden. Der Weg, diese Probleme zu lösen, besteht darin, die Theorie der „weichen Klassifikationen“ zu verwenden, darunter auch „unscharfe“ Ansätze gehören. Fuzzy-Logik wird in den letzten Jahren recht häufig für die Unsicherheit des GIS-Datenausdrucks verwendet und basiert auf der Fuzzy-Theorie [19–21].

Fuzzy-Sets bieten zusammen mit der Theorie der Fuzzy-Logik einen Spielraum für die Verarbeitung von Prädikaten, deren Wahrscheinlichkeitsgrad in Graden („True to Certain Degrees“) und Unsicherheit ebenfalls graduell ausgedrückt wird. Das Konzept der Fuzzy-Mengen beschäftigt sich mit der Darstellung von Klassen, deren Grenzen nicht klar (nicht scharf) gesetzt sind. Fehlen scharfe Grenzen, die die Menge von der Umgebung trennen, tritt ein Problem der eindeutigen Einstellung eines Elements einer Menge und ihres Komplements auf [22, 23].

Fuzzy-Dateien sind dann Dateien oder Klassen, die keine scharfe Begrenzung haben. Bei Geodaten bedeutet dies, dass an betrachteten Stellen der Übergang zwischen der Mitgliedschaft und der Nichtmitgliedschaft in einer Datei stufenweise erfolgt. Die Fuzzy-Datei kann dann durch Fuzzy-Mitgliedschaftsstufen in einem Intervall von 0,0 bis 1,0 charakterisiert werden, was ein allmähliches Wachstum der Mitgliedschaft von der Nichtmitgliedschaft bis zur Vollmitgliedschaft ausdrückt. Sie kann mit Hilfe der Zugehörigkeitsfunktion definiert werden.

Im GIS-Umfeld werden üblicherweise drei Grundtypen von Geoelementen definiert: Punkte, Linien und Flächen (Polygone). Wenn wir Linien und Flächen verwenden, stellen wir manchmal die Frage, wie die Grenzen des gegebenen Geoelements abgegrenzt werden sollen. Wenn es eine Flächenschicht gibt, die die ökologische Stabilität der gegebenen Fläche erfasst, gibt es nur zwei Möglichkeiten, Stabilität auszudrücken: stabil oder instabil. Diese Einteilung ist sehr schwierig und hängt von der Person ab, die entscheidet und vom konkreten Bereich.

Eine der grundlegenden Eigenschaften, die beim Erstellen und Speichern von geografischen Objekten definiert werden können, ist Topologie. Topologische Relationen charakterisieren die relative Platzierung zweier räumlicher Objekte in Bezug auf ihre gegenseitige Position – beispielsweise wenn sie sich berühren, überlagern oder einschließen. Im GIS sind sie vor allem für die Definition von räumlichen Fragestellungen und Selektionen wichtig und spielen eine wichtige Rolle bei der Verwendung der Sprache SQL. Bei unscharfen räumlichen Objekten hingegen versagen traditionelle topologische Prädikate und deren Fuzzy-Varianten kommen in Frage, sie sind in der Lage, Anfragen wie die folgenden zu beantworten. (i) Überlagern sich die Bereiche A und B zumindest ein wenig? (ii) Enthält Bereich A teilweise Bereich B? (iii) Welche Bereiche liegen teilweise im Bereich B?

Die Zugehörigkeit eines Elements zu einem unscharfen topologischen Prädikat wird durch eine Menge ausgedrückt

erschwert jedoch die direkte Verwendung in der Sprache SQL und damit mögliche räumliche Abfragen.

3. Fuzzy-Overlay

Eine konkrete Einsatzmöglichkeit des Fuzzy-Ansatzes ist die Anwendung in überlagernden Operationen, die im Umfeld von ArcGIS realisiert werden können [24]. Für diese Art von Operationen ist es heute möglich, Werkzeuge der Kartenalgebra sowie bereits implementierte Werkzeuge in der Erweiterung von Spatial Analyst zu verwenden. Die Fuzzy-Logik in der sogenannten „Overlay-Analyse“ basiert auf zwei grundlegenden Schritten.

Der erste ist der sogenannte „Fuzzifizierung“ oder „unscharfe Mitgliedschaft“, mit anderen Worten der Prozess der Implementierung von Werten in Fuzzy-Sets, und der zweite Schritt ist die eigentliche Analyse-Überlagerung dieser Sets. Je nach Art der Werteverteilung können verschiedene Arten von Fuzzifizierungsfunktionen verwendet werden, von einer linearen bis zu einer Gaußschen Funktion.

Beziehungen zwischen erzeugten Fuzzy-Sets sind dann analysiert mittels Fuzzy-Overlay-Operationen, wie FuzzyAnd und FuzzyOr. Die ausführliche Beschreibung finden Sie beispielsweise in der Hilfedatei der ArcGIS-Hilfe.

Praktische Ansätze zur Realisierung der Nutzung des „Fuzzy“-Ansatzes bei der Analyse von Geodaten waren Gegenstand der Entwicklung von Verfahren zur Findung einer optimalen Route mit Hilfe der Kartenalgebra, die als eines der Ergebnisse des genannten Projektes vorgeschlagen wurde. Es war das Testen von Daten, die Positionsungenauigkeiten zeigten.

4. Passierbarkeit des Geländes

Eine sehr häufige Aufgabe im Entscheidungsprozess von Streitkräften ist es, die Möglichkeit der Fahrzeugbewegung im Gelände zu bewerten. Diese Aufgabe wird in der Militärsprache meist Cross-Country Mobility (CCM) genannt. Das Hauptziel von CCM besteht darin, den Einfluss geographischer Bedingungen auf die Bewegung von Fahrzeugen im Gelände zu bewerten [25, 26]. Zum Zwecke der Klassifizierung und Qualifizierung der geografischen Faktoren von CCM ist es erforderlich, (i) bestimmte Grade von CCM, (ii) die Typologie der Geländeeigenschaften, die nach der Art der verwendeten Fahrzeuge bewertet werden, (iii) geografische Faktoren und Merkmale mit signifikanten Auswirkungen auf CCM.

Als Ergebnis der Auswirkungsbewertung der geografischen Faktoren erhalten wir drei CCM-Grade: befahrbares Gelände, befahrbares Gelände mit Einschränkungen oder unwegsames Gelände.

Der Einfluss eines geografischen Faktors kann wie folgt bewertet werden: Verzögerungskoeffizient „Cich auf einer Skala von 0 bis 1. Der Verzögerungskoeffizient gibt die reale (simulierte) Geschwindigkeit des Fahrzeugs an

in der Landschaft in der Konfrontation mit der Höchstgeschwindigkeit eines gegebenen Fahrzeugs


Grammatische Beziehungen

6 Grammatische Beziehungen und der funktionale Zugang zur Sprache

Der Begriff der grammatikalischen Relation ist in der Linguistik seit der Zeit der Grammatiker der Antike bekannt. Bedeutende Fortschritte im Verständnis der Natur grammatikalischer Beziehungen wurden jedoch erst in den letzten Jahrzehnten dank der Orientierung an der funktionalen Erklärung der Grammatik erzielt (vgl Grammatik: Funktionale Ansätze ), die es ermöglicht hat, den polyfunktionalen Charakter der elementaren Kategorien festzustellen, die die als grammatische Beziehungen bekannten Cluster bilden. Die Mehrzahl dieser Kategorien wurde im Rahmen des funktionalen Ansatzes selbst entdeckt und untersucht.

In diesem Zusammenhang verdient die Frage nach der Existenz unterschiedlicher Kodierungsmuster für S-, A- und P-Argumente besondere Aufmerksamkeit. Ausgehend von der inzwischen weit verbreiteten Annahme der Ikonizität des sprachlichen Zeichens (vgl Linguistik: Ikonizität ), die die Saussuresche Annahme der Beliebigkeit des Zeichens ersetzt, kann man die Existenz einer funktionalen Motivation für die verschiedenen Kodierungsmuster berücksichtigen. Diese Muster vereinen Argumente mit unterschiedlichen elementaren Rollen auf unterschiedliche Weise. Der grundlegende Prototyp all dieser Gruppierungen (siehe Linguistik: Prototypentheorie ) wird vom Agenten und Patienten der transitiven Konstruktion gegeben. Aus dieser Sicht ist Active Alignment eine natürliche metonymische Erweiterung der elementaren Rollen von Agent und Patient, die sie auf die Hyperrolen (Makrorolen) des Akteurs (der Teilnehmer des Ereignisses, der es ausführt, bewirkt, anstiftet oder kontrolliert) und Untergebenen (der Teilnehmer an der Veranstaltung, der sie nicht durchführt, bewirkt, anstiftet oder kontrolliert, sondern in irgendeiner Weise davon beeinflusst wird). Argumente mit unterschiedlichen elementaren Rollen können im Sinne dieser Hyperrollen interpretiert werden.

Akkusative Ausrichtung ist auch im Wesentlichen nicht durch grammatikalische Beziehungen motiviert, sondern durch die Hyperrollen Principal und Patientive. Der Prinzipal bezeichnet den Hauptbeteiligten, den „Helden“ der Situation, der in erster Linie dafür verantwortlich ist, dass diese Situation stattfindet. In der Transitivklausel ist der Prinzipal natürlich das agentenähnliche Argument, während in der Intransitivklausel das einzige Kernargument keine Konkurrenten um die Rolle des Prinzipals hat. Der Patientive ist der geduldigste Teilnehmer einer Veranstaltung mit mehreren Teilnehmern. Diese Rolle vereint neben dem Patienten auch Argumente anderer Art.

Ergative Alignment artikuliert die S-, A-, P-Argumente mittels anderer Hyperrollen, absolutiv und agentiv. Das Absolutiv ist die metonymische Erweiterung des Patienten auf intransitive Verben, es ist der unmittelbare, nächste, am meisten beteiligte oder betroffene Teilnehmer an der Situation. Im Transitivsatz ist der Patient am meisten in die Situation eingebunden. In der intransitiven Klausel gibt es keinen Wettbewerb um die Rolle des engsten und am stärksten involvierten Teilnehmers an der Situation. Das Absolutiv im Transitivsatz steht im Gegensatz zum Agenten, dem am meisten handelnden Teilnehmer des Ereignisses mit mehreren Teilnehmern.

Tripartite Alignment unterscheidet Agentive und Patientive vom Transitivsatz und unterscheidet sie vom einzigen Kernargument des Intransitivsatzes.

Alle diese Mittel zur Verallgemeinerung der elementaren Rollen sind grundsätzlich motiviert, aber eine Sprache hat die Möglichkeit, nur eine davon als Grundmuster zu grammatikalisieren. Darüber hinaus kann eine Sprache in verschiedenen Kontexten unterschiedliche Muster aufweisen, und Beispiele dieser Art sind bezeugt.


GIS-basierte multikriterielle Bewertung der Gründungsbedingungen

Dieser Artikel befasst sich mit einer Bewertung der ingenieurgeologischen und hydrogeologischen Verhältnisse in Vajnory im Hinblick auf die Raumordnung. Vajnory ist einer der Stadtteile von Bratislava, der Hauptstadt der Slowakei, mit großer Bautätigkeit. Parametrische Karten wurden unter Verwendung eines multikriteriellen Ansatzes erstellt und das Ergebnis ist eine Reihe von technischen geologischen und hydrogeologischen Karten von Geofaktoren, die ein Eignungsniveau für den Bau von Fundamenten unter Verwendung von Kartenalgebra-Werkzeugen in einer GIS-Umgebung darstellen. Es wurden vier Geofaktoren ausgewählt, die die Eignung für den Bau von Fundamenten beeinflussten – Verarbeitbarkeit des Bodens, Tragfähigkeit, Grundwasserspiegel und Aggressivität des Grundwassers. Diese Faktoren wurden für drei verschiedene Tiefenstufen analysiert. Die Eignungskarte für Bauzwecke in einer Tiefe von zwei Metern unter der Erdoberfläche zeigte Gründungsbedingungen für einfache Gebäude mit Keller unter dem Gefrierpunkt oder für Gebäude mit einer unterirdischen Ebene. Die Eignungskarte für eine Tiefe von fünf Metern unter der Oberfläche zeigt Gründungsbedingungen für Gebäude mit zwei unterirdischen Ebenen. Die zuletzt ausgewertete Ebene war für eine Tiefe von acht Metern unter der Erdoberfläche und analysiert die Gründungsbedingungen für Gebäude mit drei unterirdischen Ebenen.

Dies ist eine Vorschau von Abonnementinhalten, auf die Sie über Ihre Institution zugreifen können.


Grafikdesign könnte für die Kartographen da draußen sein

Wenn Sie gerne die besten Poster und Karten entwerfen und Freude an Typografie oder Farbtheorie haben, ist dies eine Branche, die Sie vielleicht erkunden möchten. Wie in der Branche, aus der Sie kommen, gab es dramatische Veränderungen: Wir drucken nicht mehr so ​​viele Berichte, Papiere, Flyer oder Banner wie früher. Aber wir brauchen immer noch gut gestaltete Anwendungen, und wir brauchen immer noch die Verpackung, um unsere Seelen anzusprechen. Das Geld ist nicht so gut wie bei den anderen Berufen, aber irgendwann finden Sie sich zu Hause wieder, um Schönheit zu produzieren.

Wenn Sie Unternehmergeist haben, werden Sie vielleicht feststellen, dass diese Karriere vielversprechend ist, da sie Ihnen dabei hilft, die Techniken und Werkzeuge zu üben, die beim Erstellen schöner Karten helfen. Aus den gleichen Gründen, aus denen GIS-Analysejobs mit einem harten Wettbewerb verbunden sind, können Sie feststellen, dass die Bezahlung und die Schwierigkeit, das Interview für Ihren ersten Slot zu bekommen, genauso schwierig sind wie das eines Analysten.

Während eines Nebenjobs an der Universität hatte ich das Glück, mich mit einem fast pensionierten Kartographen anzufreunden. Er war in der Lage, den Wandel zu meistern und seine Karriere zusammenzuhalten, indem er ein früher Anwender von Raumtechnologien war und eine Nische fand, in der seine Fähigkeiten gefragt waren, aber seine Geschichte wird zu selten. Häufiger bei verschiedenen Treffen sind die von Knopfdruckern in der Mitte der Karriere, die entlassen wurden und sich nicht mehr beschäftigen konnten. Warum sollte das eine Überraschung sein? Sie verbrachten ihr Leben mit einer Spezialität, die als “ Selbstzweck “ nicht mehr erwünscht ist.

Brian Bancroft

Brian Bancroft ist ein in Toronto ansässiger Diletant, der sich auf Projekt- und Referenzmapping, Backend-Webentwicklung sowie geografische Analyse spezialisiert hat. Er war früher Spezialist für Kommunikations- und Informationssysteme der Armee und hat einen Bachelor of Science mit den Hauptfächern Physik und Geomatik von der University of Ottawa. Er hofft, irgendwann zurück nach Vancouver Island zu ziehen, wo er alle möglichen Berge hoch und runter laufen kann. Brian ist unter @brian_bancroft auf Twitter erreichbar.


Bewertung des Hochwasserrisikos mit analytischem Hierarchieprozess (AHP) und geografischem Informationssystem (GIS): Anwendung im Bezirk Coochbehar in Westbengalen, Indien

Überschwemmungen sind wiederkehrende Ereignisse in den Überschwemmungsgebieten des Distrikts Coochbehar, die beträchtliche Mengen an stehenden Feldfrüchten überschwemmen und beschädigen und die Lebensgrundlage Tausender Menschen beeinträchtigen. Dieses Papier befasst sich mit einer effizienten und zuverlässigen Methodik zur Erstellung einer Hochwasserrisikokarte für den Bezirk Coochbehar, die auf zwei wesentlichen Konzepten von Gefährdung und Vulnerabilität basiert. With the aid of analytical hierarchy process, a variety of hazard and vulnerability defining criteria have been weighted according to their contributions and were further processed in the geographical information system environment to observe and assess spatial characters of flood hazard index (FHI) and flood vulnerability index (FVI) that collectively have defined the flood risk index (FRI). Accordingly, the eastern, southeastern, southern, central and north-central parts of the district are prone to frequent floods while vulnerability levels are higher at areas locating particularly along the India-Bangladesh international border in the south, southeast and southwest and in some isolated clusters in the central and north-central parts. The influences of these FHI and FVI in shaping the FRI distribution were observed to be varying at places. The Tufanganj subdivision is found to be the least safe administrative unit followed by the Coochbehar Sadar, Mathabhanga and Dinhata subdivisions. The rest, i.e., the Mekliganj subdivision is observed to be relatively safe but is not immune at all. The flood risk distribution yielded the information of 58 (4.91%) settlements with higher FRI scores followed by 145 (12.29%) villages/towns with moderate and 456 (38.64%) villages/towns under low flooding risks.

Dies ist eine Vorschau von Abonnementinhalten, auf die Sie über Ihre Institution zugreifen können.


Danksagung

This work was performed as a part of the ISOK project (IT system for country protection against extreme hazards POIG.07.01.00-00-025/09) which was co-financed by the European Fund of Regional Development under the Operational Programme Innovative Economy and the Polish Government. Authors would like to thank Łukasz Harasimowicz, Rafał Kielar, Tomasz Knopik, Szymon Pysz and Witold Wiążewski from the Institute of Meteorology and Water Management–National Research Institute whose previous work on fog, glaze, rime and thunderstorm detection algorithms in the project has contributed to this article. The authors would like to also thank the anonymous reviewers for their helpful comments and remarks.


1 Answer 1

I recommend reading Tracking Changes in Your Enterprise Database. Is very detailed and deep. Among other extremly useful bits of info, there is such as:

DDL changes are unrestricted while change data capture is enabled. However, they may have some effect on the change data collected if columns are added or dropped. If a tracked column is dropped, all further entries in the capture instance will have NULL for that column. If a column is added, it will be ignored by the capture instance. In other words, the shape of the capture instance is set when it is created.

If column changes are required, it is possible to create another capture instance for a table (to a maximum of two capture instances per table) and allow consumers of the change data to migrate to the new table schema.

This is a very sensible and well thought design that considers schema drift (not all participants can have the schema updated simultaneously in a real online deployment). Having a multi-staged approach (deploy DDL, capture new CDC, upgrade subscribers, drop old CDC capture) is the only feasible approach and you should follow suit.