lt.geologyidea.com
Daugiau

Tikslesnis būdas apskaičiuoti rastrų plotą

Tikslesnis būdas apskaičiuoti rastrų plotą


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.


Kasdieniniame darbe manęs nuolat prašo apskaičiuoti pasaulinių rastrinių duomenų rinkinių sritis geografinėje projekcijoje 30 arkos sekundės raiška. Šie duomenų rinkiniai paprastai yra „Combine“ operacijos rezultatas (tipiškas pavyzdys yra vegetacijos klasės kartu su šalies sluoksniu). Norėdami tai padaryti, mūsų padalinys sukūrė rastrinį duomenų rinkinį, kurio kiekvieno taško plotas geografinėje projekcijoje buvo 30 lanko sekundės. Naudojant šį plotų tinklelį, atliekamas zonalstat, kad būtų susumuoti kiekvienos klasės plotai. Kadangi nesu tikras, kaip buvo sukurtas šis srities tinklelis, visada galvojau, ar šis metodas yra tikslesnis, jei tiesiog perprojektuojame rastrą vienodo ploto projekcijoje (iš paprastų bandymų dviejų metodų rezultatai yra panašūs). Ar kas nors patyrė panašią situaciją?


Yra palyginti paprasta tiksli formulė bet kokio sferinio keturkampio plotui, kurį riboja paralelės (platumos linijos) ir dienovidiniai (ilgumos linijos). Ją galima gauti tiesiogiai, naudojant pagrindines elipsės (pagrindinės ašies) savybes a ir mažoji ašis b), kuris sukamas aplink šalutinę ašį, kad gautų elipsoidą. (Išvestis yra puikus neatsiejamas skaičiavimo pratimas, bet manau, kad ši svetainė mažai domintų.)

Formulė yra supaprastinta, suskirstant skaičiavimą į pagrindinius žingsnius.

Pirmas, atstumas tarp rytų ir vakarų ribų - dienovidiniai l0 ir l1 - viso rato dalis, lygi q = (l1 - l0) / 360 (kai dienovidiniai matuojami laipsniais) arba 1 = (l1 - l0) / (2 * pi) (kai dienovidiniai matuojami radianais). Raskite viso pjūvio plotą, esantį tarp f0 ir f1 paralelių, ir tiesiog padauginkite jį iš q.

Antra, mes naudosime elipsės horizontalaus pjūvio ploto, kurį riboja pusiaujas (ties f0 = 0) ir lygiagretės f platumoje (= f1), formulę. Skiltelės plotas tarp bet kokių dviejų platumų f0 ir f1 (esančių tame pačiame pusrutulyje) bus skirtumas tarp didesnio ir mažesnio ploto.

Pagaliau, su sąlyga, kad modelis yra tikrai elipsoidas (o ne rutulys), tokio pjūvio plotas tarp pusiaujo ir lygiagretės f platumoje nurodomas

plotas (f) = pi * b ^ 2 * (log (zp / zm) / (2 * e) + sin (f) / (zp * zm))

kurairbyra atitinkamai generuojančios elipsės pagrindinės ir mažosios ašių ilgiai,

e = sqrt (1 - (b / a) ^ 2)

yra jo ekscentriškumas ir

zm = 1 - e * nuodėmė (f); zp = 1 + e * nuodėmė (f)

(Tai yra daug paprasčiau nei skaičiuoti naudojant geodeziją, kuri vistiek yra tik apytikslis paralelėms. Atkreipkite dėmesį į @cffk komentarą dėl skaičiavimo būdožurnalas (zp / zm)tokiu būdu, kad būtų išvengta tikslumo praradimo žemose platumose.)

plotas (f)yra nepermatomo pjūvio plotas nuo pusiaujo iki f platumos (iliustracijoje apie 30 laipsnių į šiaurę. X ir Y yra geocentrinės Dekarto koordinačių ašys, parodytos kaip nuoroda.

WGS 84 elipsoidui naudokite pastovias vertes

a = 6 378 137 metrai, b = 6 356 752,3142 metrai,

įtraukiantis

e = 0,08181919084296

(Sferiniam modeliui su a = b, formulė tampa neapibrėžta. Iš viršaus turite paimti ribą kaip e -> 0, kuri tada sumažėja iki standartinės formulės2 * pi * a ^ 2 * nuodėmė (f).)

Pagal šias formules 30 'x 30' keturkampio, pagrįsto Pusiauju, plotas yra 3077,2300079129 kvadratiniai kilometrai, o 30 '30' keturkampio, paliečiančio stulpą (kuris iš tikrųjų yra tik trikampis), plotas yra tik 13,6086152 kvadratas kilometrų.

Tikrinant, formulės, pritaikytos visoms 720 x 360 tinklelio ląstelėms, dengiančioms žemės paviršių, suteikia bendrą paviršiaus plotą 4 * pi * (6371.0071809) ^ 2 kvadratinius kilometrus, nurodant, kad žemės autalinis spindulys turėtų būti 6371,0071809 kilometrai. Tai skiriasi nuo Vikipedijos vertės tik paskutiniu reikšmingu skaičiumi (apie dešimtąją milimetro dalį). (Manau, kad Vikipedijos skaičiavimai šiek tiek neatitinka :-).

Kaip papildomus patikrinimus naudojau šių formulių versijas, norėdamas atkurti Lev M. Bugayevskiy ir John P. Snyder 4 ir 5 priedus, Žemėlapio projekcijos: informacinis vadovas (Taylor & Francis, 1995). 4 priedėlyje parodytas 30 'ilgio dienovidinių ir paralelių lanko ilgis, nurodytas tiksliausiu metru. Rezultatų patikrinimas parodė puikų sutarimą. Tada aš atkuriau lentelę 0,0005 ', o ne 0,5' prieaugiais, ir skaitmeniškai integruoju keturkampio plotus, apskaičiuotus pagal šiuos lanko ilgius. Bendras elipsoido plotas buvo tiksliai atkurtas geriau nei aštuoni reikšmingi skaičiai. 5 priedėlyje parodytosplotas (f)dėl f = 0, 1/2, 1,…, 90 laipsnių, padauginta iš 1 / (2 * pi). Šios vertės pateikiamos artimiausiu kvadratiniu kilometru. Vizualus verčių, esančių netoli 0, 45 ir 90 laipsnių, patikrinimas parodė puikų sutarimą.


Šią tikslią formulę galima pritaikyti naudojant rastrinę algebrą pradedant tinkleliu, nurodančiu kiekvienos ląstelės viršutinių ribų platumą, o kitu - apatinių ribų platuma. Kiekvienas iš jų yra y koordinačių tinklelis. (Kiekvienu atveju galbūt norėsite sukurtinuodėmė (f)ir tadazmirzpkaip tarpinius rezultatus.) Atimkite du rezultatus, paimkite absoliučią to vertę ir padauginkite iš trupmenos q gautas pirmajame etape (lygus 0,5 / 360 = 1/720, pavyzdžiui, 30 'ląstelių pločiui). Tai bus tinklelis, kurio reikšmėse yra tiksli kiekvienos ląstelės plotai (iki paties tinklelio skaitinio tikslumo). Tiesiog įsitikinkite, kad platumus išreiškėte tokia forma, kokios tikisi sinuso funkcija: daugelis rastrinių skaičiuoklių suteiks jums koordinates laipsniais, tačiau tikisi, kad jų trigemos funkcijos bus radianai!


Turiu omenyje, čia yra tikslios sritys nuo 30 'iki 30' ląstelių WGS 84 elipsoide nuo pusiaujo iki stulpo, 30 'intervalais, iki 11 skaitmenų (tas pats skaičius naudojamas mažesniam spinduliui) b):

3077.2300079,3077.0019391,3076.5458145,3075.8616605,3074.9495164,3073.8094348,3072.4414813,3070.8457347,3069.0222870,3066.9712434,3064.6927222,3062.1868550,3059.4537865,3056.4936748,3053.3066912,3049.8930202,3046.2528597,3042.3864209,3038.2939285,3033.9756204,3029.4317480,3024.6625762,3019.6683833,3014.4494612,3009.0061153,3003.3386648,2997.4474422,2991.3327939,2984.9950800,2978.4346744,2971.6519646,2964.6473522,2957.4212526,2949.9740951,2942.3063230,2934.4183938,2926.3107788,2917.9839636,2909.4384482,2900.6747464,2891.6933866,2882.4949115,2873.0798782,2863.4488581,2853.6024374,2843.5412166,2833.2658109,2822.7768503,2812.0749792,2801.1608571,2790.0351582,2778.6985716,2767.1518013,2755.3955665,2743.4306011,2731.2576543,2718.8774905,2706.2908892,2693.4986451,2680.5015685,2667.3004848,2653.8962347,2640.2896746,2626.4816763,2612.4731271,2598.2649300,2583.8580035,2569.2532818,2554.4517149,2539.4542684,2524.2619238,2508.8756783,2493.2965451,2477.5255533,2461.5637477,2445.4121891,2429.0719545,2412.5441367,2395.8298444,2378.9302026,2361.8463521,2344.5794500,2327.1306692,2309.5011988,2291.6922441,2273.7050264,2255.5407830,2237.2007674,2218.6862492,2199.9985139,2181.1388633,2162.1086151,2142.9091030,2123.5416769,2104.0077025,2084.3085615,2064.4456516,2044.4203864,2024.2341953,2003.8885234,1983.3848318,1962.7245972,1941.9093120,1920.9404843,1899.8196375,1878.5483108,1857.1280585,1835.5604507,1813.8470724,1791.9895239,1769.9894206,1747.8483931,1725.5680867,1703.1501618,1680.5962932,1657.9081707,1635.0874985,1612.1359952,1589.0553936,1565.8474409,1542.5138984,1519.0565410,1495.4771578,1471.7775513,1447.9595378,1424.0249466,1399.9756206,1375.8134157,1351.5402005,1327.1578567,1302.6682785,1278.0733724,1253.3750574,1228.5752643,1203.6759360,1178.6790272,1153.5865040,1128.4003439,1103.1225355,1077.7550785,1052.2999830,1026.7592702,1001.1349711,975.42912705,949.64378940,923.78101904,897.84288636,871.83147097,845.74886152,819.59715539,793.37845851,767.09488512,740.74855748,714.34160569,687.87616739,661.35438752,634.77841811,608.15041795,581.47255240,554.74699308,527.97591765,501.16150951,474.30595754,447.41145586,420.48020351,393.51440422,366.51626611,339.48800143,312.43182627,285.34996030,258.24462644,231.11805066,203.97246162,176.81009042,149.63317034,122.44393648,95.244625564,68.037475592,40.824725575,13.608615243

Vertės nurodomos kvadratiniais kilometrais.


Jei norite apytiksliai įvertinti šias sritis arba paprasčiau suprasti jų elgesį, formulė sumažėja iki galios eilutės pagal šį modelį:

plotas (f) = 2 * pi * b ^ 2 * z * (1 + (4/3) y + (6/5) y ^ 2 + (8/7) y ^ 3 +…)

kur

z = nuodėmė (f), y = (e * z) ^ 2.

(Atitinkama formulė pateikiama Bugayevskiy & Snyder, op. cit., (2.1) lygtis.)

Kadangi e ^ 2 yra toks mažas (apie 1/150 visiems žemės elipsoidiniams modeliams) ir z yra nuo 0 iki 1, y taip pat yra maža. Taigi terminai y ^ 2, y ^ 3, ... greitai mažėja, kiekvienam terminui pridedant tikslumą dar po dviejų dešimtųjų. Jei mes ignoruotume y Apskritai formulė atitiktų spindulio srities plotą b. Likusius terminus galima suprasti kaip taisančius žemės pusiaujo iškilumą.


Redaguoti

Buvo iškelta keletas klausimų, kaip ploto geodezinio atstumo apskaičiavimas lyginamas su šiomis tiksliomis formulėmis. Geodezinio atstumo metodas kiekvieną keturkampį apytiksliai priartina pagal geodeziją, o ne lygiagrečius, kurie horizontaliai sujungia jo kampus, ir taiko Euklido trapecijos formulė. Mažiems keturkampiams, pavyzdžiui, 30 'keturračiams, tai yra nežymiai šalta ir santykinis tikslumas yra nuo 6 iki 10 milijonų dalių. Čia yra WGS 84 (arba bet kokio pagrįsto žemės elipsoido) klaidos schema:

Taigi, jei (1) turite lengvą prieigą prie geodezinio atstumo skaičiavimų ir (2) galite toleruoti ppm lygio klaidą, galite apsvarstyti galimybę naudoti tuos geodezinius skaičiavimus ir jų rezultatus padauginti iš 1,00000791, kad ištaisytumėte šališkumą. Norėdami gauti dar dvi dešimtųjų tikslumo vietas, iš korekcijos koeficiento atimkite pi / 2 * cos (2f) / 10 ^ 6: rezultatas bus tikslus 0,04 ppm tikslumu.


Atsakymas į radouxju klausimą priklauso nuo taško formos, projektuojant jį į elipsoidą. Jei rastro koordinačių sistema yra ilguma ir platuma, tada taškas yra rumbo linijos stačiakampis ir gali būti naudojamas whuberio atsakymas, arba, apskritai, galite naudoti daugiakampio, kurio kraštai yra rumbo linijos, formulę. Jei koordinačių sistema yra didelio masto konforminė projekcija (UTM, būsenos plokštuma ir kt.), Tiksliau būtų briaunas apytiksliai nustatyti pagal geodeziją ir naudoti geodezinio daugiakampio formulę. Geodeziniai daugiakampiai tikriausiai yra geriausi bendram naudojimui, nes, skirtingai nei rumbo linijos daugiakampiai, jie „gerai elgiasi“ arti ašigalių.

Geodezinių ir rumbo linijų daugiakampių formulių įgyvendinimą teikia mano biblioteka „GeographicLib“. Geodezinė sritis yra keliomis kalbomis; rumbo linijos plotas yra tik C ++. Čia galima rasti internetinę versiją (geodezinė + rumbo linija). Šių skaičiavimų tikslumas paprastai yra geresnis nei 0,1 kvadratinis metras.

Turėsite vertinti pagal patikimą / oficialų ... Geodezinės formulės yra gautos pagal teritoriją pagal geodeziją (Danielsen, 1989, būtina prenumerata) ir geodezijos algoritmus (Karney, 2013, atvira prieiga). Čia pateikiamos rumbo linijos formulės.


Atlikau šį klausimą bandydamas nustatyti WGS84 pikselių ploto formulę. Nors „@ whuber“ atsakyme yra šios informacijos, vis dėlto buvo tam tikras darbas, norint gauti kvadrato laipsnio pikselio ploto formulę tam tikroje platumoje. Įtraukiau žemiau parašytą „Python“ funkciją, kuri tai sutraukia į vieną skambutį. Nors jis tiesiogiai neatsako į plakato klausimą apie VISO rastro plotą (nors galima būtų susumuoti visų taškų plotus), manau, kad tai vis tiek yra naudinga informacija tiems, kurie galbūt ieško panašaus skaičiavimo.

def area_of_pixel (pixel_size, centre_lat): "" "Apskaičiuokite m ^ 2 wgs84 kvadratinių pikselių plotą. Pritaikyta iš: / a / 127327/2397 Parametrai: pixel_size (float): pikselio kraštinės ilgis laipsniais. centre_lat (float) : pikselio centro platuma. Atkreipkite dėmesį, kad ši vertė +/- pusė „pikselio dydžio“ neturi viršyti 90 / -90 laipsnių platumos, arba bus apskaičiuota neteisinga sritis. Grąžina: šoninio ilgio „pixel_size“ kvadratinio pikselio plotas 'centre „m_2“ centre „centre_lat“. "" "a = 6378137 # metrai b = 6356752.3142 # metrai e = math.sqrt (1 - (b / a) ** 2) area_list = [] f f [centre_lat + pixel_size / 2, centre_lat-pixel_size / 2]: zm = 1 - e * math.sin (math.radians (f)) zp = 1 + e * math.sin (math.radians (f)) area_list.append ( math.pi * b ** 2 * (math.log (zp / zm) / (2 * e) + math.sin (math.radianai (f)) / (zp * zm))) grąžina pixel_size / 360. * (srities_ sąrašas [0] - srities_ sąrašas [1])

Žurnalų sąrašo meniu

Klemsono universiteto biologijos mokslų katedra, 132 Long Hall, Klemsonas, Pietų Karolina, 29634 JAV

Klemsono universiteto biologijos mokslų katedra, 132 Long Hall, Klemsonas, Pietų Karolina, 29634 JAV

Klemsono universiteto biologijos mokslų katedra, 132 Long Hall, Klemsonas, Pietų Karolina, 29634 JAV

Klemsono universiteto biologijos mokslų katedra, 132 Long Hall, Klemsonas, Pietų Karolina, 29634 JAV

Klemsono universiteto biologijos mokslų katedra, 132 Long Hall, Klemsonas, Pietų Karolina, 29634 JAV

Klemsono universiteto biologijos mokslų katedra, 132 Long Hall, Klemsonas, Pietų Karolina, 29634 JAV

Klemsono universiteto biologijos mokslų katedra, 132 Long Hall, Klemsonas, Pietų Karolina, 29634 JAV

Klemsono universiteto biologijos mokslų katedra, 132 Long Hall, Klemsonas, Pietų Karolina, 29634 JAV


Santrauka

Rūšių diapazonus riboja fiziologinis organizmų toleravimas klimato sąlygoms. Įtraukiant fiziologinius apribojimus, rūšių pasiskirstymo modeliai gali nustatyti, kaip biotiniai ir abiotiniai veiksniai riboja rūšies geografinį diapazoną. Vandens nuostolių rodikliai daro įtaką rūšių pasiskirstymui, tačiau norint apibūdinti vandens nuostolius, reikia atlikti sudėtingus skaičiavimus. Odos atsparumas vandens netekimui (ri) yra laikoma informatyviausia vandens nuostolių normų metrika, nes ji kontroliuoja eksperimentinius poslinkius. Tačiau skaičiuojant ri reikia biofizinių lygčių, kad būtų išspręstas organizmą supančio oro atsparumas, vadinamas ribinio sluoksnio atsparumu (rb). Čia palyginome teorinius ir empirinius odos atsparumo vandens nuostoliams matuoti metodus Plethodonas salamandra, surinkta iš gamtos. Empiriniams metodams mes matavome rb agaro kopijų penkių dydžių kūnais, dviem temperatūromis, trimis garų slėgio trūkumais ir šešiais srautais, naudojant srauto sistemą. Mes taip pat paskaičiavome rb naudojant biofizines lygtis tomis pačiomis eksperimento sąlygomis. Tada mes nustatėme odos ir ribinio sluoksnio atsparumo įtraukimo į rūšių diapazono modelį ekologines pasekmes, kurios įvertino galimą aktyvumo laiką ir energijos balansą visoje tiriamos rūšies geografinėje srityje. Mes nustatėme, kad empiriniai skaičiavimo metodai rb rezultatas buvo neigiamas ri, o atliekant biofizinius skaičiavimus buvo gautos reikšmingos vertės ri. Rūšių diapazono modelis nustatė, kad nepaisant tikroviško ribinio sluoksnio ir odos atsparumo, vidutinis energijos balanso įvertinimas sumažėjo net 64%, o galimo aktyvumo laikas - 88% visoje modelio erdvėje. Mes darome išvadą, kad agaro kopijų naudojimas yra nepakankamas būdas apibūdinti odos atsparumą vandens netekimui, o įtraukus ribinį sluoksnį ir odos atsparumą vandens praradimui, pagerėja aktyvumo ir energetikos įvertinimai atliekant mechaninius rūšių pasiskirstymo modelius. Dar svarbiau, kad mūsų tyrimas rodo, kad įtraukus fizinius procesus, pagrindinius vandens netekimo rodiklius, būtų galima pagerinti buveinių tinkamumo daugeliui gyvūnų įverčius.


Turinys

„IGN FI“ yra dukterinė Nacionalinio geografinės ir miškų informacijos instituto (IGN) įmonė ir užsiima geografinės informacijos inžinerija. Sukurta 1986 m., Jos paslaugos daugiausia siūlomos sprendimus priimantiems užsieniečiams (technikos ministerijoms, bendruomenėms.). Atsižvelgiant į aplinkybes, įmonė dirba viena arba konsorciumo viduje. Pagrindinė jos veikla - NSDI, geodezija, metrologija, kartografija, duomenų bazės, GIS ir internetiniai portalai - yra nukreipta į šias sritis: žemės administravimas (kadastras, žemės įvertinimas), aplinka, žemės ūkis, saugumas, energetika.

Jos akcininkus sudaro IGN, „GEOFIT Group“, „GEOFIT Expert“, „Esri“ (LLC ir Prancūzija), „Imao“ ir „Altereo“.

„IGN FI“ naudojasi privilegijuotais santykiais su motinine įmone - prancūzų IGN. Tai teikiama teikiant techninius ekspertus (kartografus, geodezijos ekspertus, topografus) arba rengiant mokymo sesijas, kurias organizuoja ENSG, instituto geomatikos mokykla. „IGN France International“ taip pat naudojasi tyrimais, atliktais keturiose Prancūzijos IGN laboratorijose: LAREG (Geodezijos tyrimų laboratorija), LOEMI (Optinių ir mikrokompiuterių laboratorija), MATIS (Stereo-restitucijos analizės ir vaizdo apdorojimo metodai) ) ir COGIT (topografinės informacijos objekto samprata ir apibendrinimas). Glaudus bendradarbiavimas su palydovinių vaizdų apdorojimo ir naudojimo specialistu „IGN Espace“ leidžia įmonei pasiūlyti kokybiškas erdvinių vaizdų paslaugas savo užsienio klientams.

„IGN FI“ būstinė yra Paryžiuje ir ją sudaro apie 27 darbuotojai. [3] Vietiniai filialai taip pat yra steigiami tiksliai, kad būtų lydimi jų vykdomų projektų užsienyje.

Christophe Dekeyne yra generalinis direktorius nuo 2007 m. Bendrojo valdymo skyrių stiprina komercijos ir pardavimo skyrius, kuriam vadovauja Christophe Dekeyne, technikos skyrius, kuriam vadovauja Aurélie Milledrogues, ir finansų skyrius.

Be techninių įgūdžių, kuriuos ji turi viduje, IGN FI taip pat gali pasikliauti Prancūzijos IGN ekspertais, kurie dažnai kviečiami į jos projektus, taip pat su institucinių ar privačių partnerių tinklu.

„IGN FI“ plėtros strategija aiškiai orientuota į projekto įgyvendinimo palengvinimą. Bendrovė taip pat palankiai vertina įgūdžių perdavimą.

„IGN FI“ dažniausiai užima projekto vadovo vaidmenį, tačiau taip pat teikia pagalbą projekto valdymui. Projektų valdymo pagalba susideda iš visų paslaugų teikimo ir susideda iš kelių etapų, tokių kaip pasaulinių procesų apibrėžimas, kokybės plano rengimas, kvietimo teikti paraiškas rengimas ar pagalba, pasiūlymų įvertinimas ir analizė, taip pat kaip periodiškas ekspertų aprūpinimas kritiniais projekto etapais.

„IGN France International“ vykdomi projektai prireikus dažnai lydimi svarbių praktinių užsiėmimų, organizuojamų konkrečioje šalyje arba Prancūzijoje.

„IGN FI“ siūlo savo paslaugas šiems specialistams:

  • Nacionalinės žemėlapių agentūros
  • Užsienio technikos ministerijos (aplinka, energetika, gamtos ištekliai, miestų planavimas).
  • Užsienio savivaldybės
  • Didelės prancūzų ar užsienio grupės, veikiančios užsienyje
  • Prancūzijoje ar užsienyje veikiančios konsultavimo firmos, veikiančios užsienyje.

Bendrovė dalyvauja visame pasaulyje su naujausiais projektais yra kelios skirtingos šalys (Panama, Uganda, Kataras, Gabonas, Saint-Dominguezas, Brazilija, Liuksemburgas, Jungtinė Karalystė, Egiptas, Libija, Tunisas, Alžyras, Marokas, Senegalas, Burkina Fasas , Namibija, Jemenas, Saudo Arabija, Jungtiniai Arabų Emyratai, Šri Lanka, Rusija, Uzbekistanas, Tailandas, Vietnamas, Indonezija ar net Kinija). „IGN FI“ veikia daugiau nei 120 šalių.

Istoriškai labai įsitraukusi į Afriką, bendrovė neseniai baigė keletą naujų projektų [4], tokių kaip:

  • Potvynių ir potvynių linkusių teritorijų Senegale žemėlapis [5]
  • 7 pagrindinių Senegalo miestų miesto kartografija [6]
  • Senegalo kartografijos modernizavimas mastu 1: 200 000
  • Žemės informacinė sistema (LIS) Ugandoje
  • Geodezinių tinklų atnaujinimo priežiūra (Cameroun) [7]
  • Žemės ūkio inventorizacija Egipte (2010 m. Pabaigoje Egipte surengtas techninis simpoziumas, kuriame daugiausia dėmesio buvo skiriama geografinės informacijos pridėtinei vertei žemės ūkio projektams).

Bendrovė taip pat labai aktyviai veikia Viduriniuose Rytuose ir Azijoje:

  • IGN FI filialo atidarymas Abu Dabyje
  • Sausumos sienos ir Saudo Arabijos Karalystės ir Kataro valstijos ribų nustatymas jūroje. [8]

„IGN FI“ taip pat aktyviai veikia Europoje:

  • „Corine“ žemės dangos projektas Europoje, kurį sudarė aplinkos duomenų bazės 38 Europos šalyse ir kurio metodika šiuo metu pritaikoma Andų šalims
  • Liuksemburgo didžiosios kunigaikštystės duomenų bazės ir skaitmeninės kartografijos kūrimas
  • Erdvinių duomenų infrastruktūros sukūrimas Serbijoje
  • Aplinkos GIS diegimas Rumunijoje.

„IGN FI“ veikia geomatikos srityje ir siūlo savo paslaugas keliose srityse: duomenų rinkimas, duomenų apdorojimas ir duomenų modeliavimas, GIS ir specifinių duomenų bazių kūrimas, internetinių ir teminių portalų kūrimas, diegimas ir integravimas bei valdymas ir naudojimas. erdviniai duomenys. Ji dalyvauja kuriant ir įgyvendinant projektus, susijusius su stebėjimu, bandymu ir pagalba juos įgyvendinant.

Ji siūlo savo klientams paramą įgyvendinant jų kartografijos projektus, įskaitant pradinę struktūrą ir atnaujinimus, ypač perduodant technologijų etapą, skirtą jų vietos komandoms.

Ji taip pat dalyvauja renkant duomenis, fotografuojant iš oro, renkant palydovinius vaizdus, ​​atliekant lauko tyrimus ir kuriant geodezines sistemas.

Ji taip pat dalyvauja gaminant ortofotografijas ir skaitmeninius reljefo ar aukščio modelius (DTM, DEM), fotogrametrinę restituciją, kuriant 3D modelius ir navigacines duomenų bazes bei visas duomenų bazes, reikalingas žemėlapiams sukurti.

IGN FI specialių informacinių sistemų, tokių kaip GIS (geografinės informacinės sistemos) ir LIS (žemės informacinės sistemos), kūrimas ir diegimas. Ji taip pat kuria ir diegia žiniatinklio programas, pvz., Geoportalus ir teminius portalus.

Kartografijos redagavimas

Vertingi įrankiai teritorijoms suprasti, žemėlapio koncepcija labai paįvairėjo vektorinių ar rastrinių geografinių duomenų bazių pavidalu. Žemėlapio naudingumas plačiajai visuomenei taip pat sprogo.

Nacionaliniu lygmeniu šalies kartografija dažniau siejama su erdvinių duomenų infrastruktūra (NSDI). Šis procesas visiškai iš naujo apibrėžia kartografinių duomenų, kurie tampa nepriklausomais ir papildomais informacijos sluoksniais, gamybą ir platinimą.

„IGN FI“ siūlo savo klientams paramą įgyvendinant kartografinius projektus, pradedant nuo pradinės konstitucijos iki pat atnaujinimo, ypač tame etape, kai technologijos perduodamos jų komandoms.

Geodezija ir metrologija Redaguoti

Norint pasiekti tikslumą per kelis milimetrus, šiandien naudojamos skirtingos GNSS sistemos. Dėl šių sistemų geodezijos sritis patyrė revoliuciją ir teikia kartografams bei kūrėjams atskaitos taškus, kurie tampa vis tikslesni kiekvieną dieną.

Metrologija, susiaurinta iki vietinio masto, leidžia išsiaiškinti milimetrines detales, stebėti laikiną struktūrų evoliuciją arba teikti pagalbą branduolių sintezės eksperimentams įgyvendinti.

IGN FI, sustiprintas tarptautiniu mastu pripažintos Prancūzijos nacionalinio geografijos instituto (IGN) geodezijos departamento mokslinės ir praktinės patirties, siūlo paslaugas geodezijos ir metrologijos srityse.

Žemės administracija Redaguoti

Žemės administravimo projektai kelia didelį susirūpinimą daugelyje šalių, atsižvelgiant į tai, kam jie atstovauja ir dėl ko kyla pavojus. Pagrindiniai donorai dažnai sutelkiami, nes šiais projektais siekiama užtikrinti sistemos stabilumą, naujus pokyčius žemės rinkose ir žemės vertybių skaidrumą.

Geografinė informacija yra esminė žemės administravimo sudedamoji dalis renkant ir atnaujinant kadastro duomenis ir kuriant informacines sistemas, leidžiančias valdyti žemės veiklą.

„IGN FI“ siūlo sprendimus nuo projekto valdymo pagalbos visose techninėse ir teisinėse srityse iki faktinio projekto užbaigimo, įgyvendinimo ir stebėjimo. Ji taip pat palaiko privilegijuotus santykius su Prancūzijos viešojo finansavimo organizacija (DGFiP).

Žemės ūkis ir miškininkystė Redaguoti

Geografinė informacija yra esminis veiksmingo su žemės ūkiu ir miškininkyste susijusių klausimų valdymo komponentas. Gautais duomenimis ir jų integravimu į „prekybos“ programas siekiama padėti politiniams lyderiams ar į sektorių orientuotiems specialistams priimti sprendimus. Pavyzdžiui, duomenys padeda išsamiai nustatyti žemės ūkio ir miškų ūkio sritis, stebėti žemės užimtumo raidą ir miškų naikinimą vykdant REDD + projektus (Jungtinių Tautų bendradarbiavimo programa dėl miškų naikinimo ir miškų nykimo besivystančiose šalyse mažinimo) arba nustatyti skirtingų rūšių pasėlių ar miškų. Dalyvaudamas tvaraus vystymosi klausimuose, „IGN FI“ siūlo savo paslaugas žemės ūkio ir miškininkystės srityje dirbantiems žmonėms rengdamas duomenis, teikdamas GIS, prekybos informacines sistemas ir sprendimų palaikymo priemones arba teikdamas pagalbą projekto valdymui. Pavyzdžiai:

Aplinka ir rizikos valdymas Redaguoti

Sprendimus darantis spaudimas kovojant su aplinkos išsaugojimu ir veiksmingos prevencijos bei rizikos valdymo politikos kūrimu yra vis stipresnis. Nacionaliniu lygmeniu tai gali reikšti geografinių nuorodų duomenų bazių sukūrimą, kaip tai daroma IGN iniciatyvos atveju, kai kalbama apie didelio masto referenciją (RGE) arba NSDI.

Pasauliniu mastu IGN FI visada buvo pagrindinis žaidėjas kuriant geografines žemės užimtumo duomenų bazes, tokias kaip „Corine Land Cover“ (Informacijos apie aplinką koordinavimas). IGN FI padeda tiems subjektams, kurie nori apsiginti nuosekliais ir integruotais aplinkosaugos duomenimis. Pavyzdys:

Gynyba ir civilinė sauga Redaguoti

IGN FI, kurį sustiprina privilegijuoti IGN ir Prancūzijos gynybos santykiai, siūlo savo geoinformacijos patirtį gynybos ir civilinio saugumo srityje. Kuriant ar atnaujinant konkrečius karinius žemėlapius, sienų žymėjimą, 3D vizualizavimo įrankius teritorijoms ar net matomų darbų stebėjimą, IGN FI padeda savo klientams laikytis griežčiausio konfidencialumo principo.

Energetika ir tinklai Redaguoti

Tie, kurie užsiima energetikos sektoriumi, siekia optimizuoti žinias apie savo skirstomuosius tinklus (vamzdynus, elektros linijas, vamzdynus), kad, viena vertus, sustiprintų savo gebėjimą įsikišti, palaikyti, plėsti ir įgyvendinti, kita vertus, sustiprinti savo galimybes. savo nenumatytų atvejų planus nelaimių atveju. Jie taip pat turi prisitaikyti prie vis griežtesnių tarptautinių aplinkosaugos standartų, tuo pačiu išlaikydami savo produktyvumą. Tinklo valdytojams reikia patikimų geografinių duomenų, raktų verslo informacinių sistemų, pritaikytų prie jų turto vietos, paskirstymo tinklų valdymo, rizikos valdymo , naujų implantavimo vietų tyrimas. „IGN FI“ padeda jiems įgyvendinti pritaikytus sprendimus, pradedant paprastu svetainės žemėlapiu ir baigiant išsamia geografinės informacijos sistema. „IGN France International“ padeda tiems, kurie užsiima energetikos sritimi, ir suteikia jiems geresnių žinių apie savo tinklus, didesnę plėtrą ir sustiprintą įsikišimo galimybę.

Nepaisant to, kad „IGN France International“ neparduoda „nestandartinių“ prekių, ji siūlo daugybę produktų, pritaikytų prie specifinių savo klientų poreikių. Taigi įmonė įsitvirtina 3D rinkoje urbanizacijos, kartografinių gamybos grandinių ar verslo programų srityje žemės ir turto valdymo srityje. Šie produktai buvo sukurti IGN tyrimų laboratorijose.

Nuoroda3D Redaguoti

„Reference3D®“ yra unikali ir vienalytė visuotinė geografinių nuorodų sistema, leidžianti atvaizduoti ir analizuoti teritorijas. Ji skirta tiek valstybiniams, tiek privatiems subjektams (nacionalinėms žemėlapių agentūroms, gynybos organizacijoms, vyriausybėms). Tai yra Prancūzijos gynybos, IGN ir „Spot Image“ partnerystės vaisius. Įrankį sudaro trys sluoksniai:

„Reference3D®“ siūlo svarbią aprėptį (jau yra daugiau nei 50 milijonų km²) ir palaiko daugybę programų:

  • Vaizdo ortorektika
  • Skrydžio modeliavimas, informacija ginklų sistemoms
  • Kartografijos kūrimas ir atnaujinimas
  • Vertinimas ir numatymas strateginėse srityse
  • Rizikos prevencija ir krizių valdymas

„Geoview“ redagavimas

„Geoview®“, IGN gamybos įrankis, yra sukurtas visoms duomenis kuriančioms struktūroms (nacionalinėms žemėlapių agentūroms, gynybos organizacijoms). Ši išsami kartografinių duomenų rengimo programinė įranga tame pačiame procese sujungia šias verslo funkcijas:

„Geoview®“ leidžia gaminti skaitmeninius aukščio modelius, ortofotografinius vaizdus ir 2D vektorines bei 3D duomenų bazes. Jį sudaro keturi moduliai:

  • Standartinis modulis
  • Geometrinis modulis
  • Altimetrinis modulis
  • Kartografijos maketo modulis

„IGN FI“ pripažįsta „Geoview®“ gebėjimų stiprinimo forma įgyvendinant įvairius projektus, kuriuos veda užsienyje.

„3D Urbanis Edit“

„IGN FI“ siūlo savo 3D sprendimus ir kompetenciją visiems, kuriems rūpi tvarus miesto aplinkos valdymas. „3D Urbanis“ yra pagamintas naudojant BATI3D, IGN gamybos įrankį ir 10 metų tyrimų vaisių MATIS laboratorijoje (Vaizdo apdorojimo ir stereotipo analizės metodai). Šis produktas skirtas visoms urbanizacijos struktūroms (valdžios institucijoms, urbanistams, išrinktiems pareigūnams ir kt.). [9] „3D Urbanis“ turi daug tikslų:

  • Miesto teritorijos ir jos paveldo stiprinimas
  • Išryškinamas miesto ekonominės plėtros potencialas
  • Optimizuoti miestų plėtrą laikantis aplinkos apribojimų
  • Parengti savo projektus, turint omenyje įvairių nepatogumų (atmosferos, garso) poveikį.
  • Žiūrėti į visus projektus atsižvelgiant į visus veiksnius (gamtos išteklius, transportą).
  • Greitas veiksmas / numatymas
  • Alternatyvių sprendimų krizinėse situacijose nustatymas (apvažiavimai, evakuacijos planai)

Miesto trimačiai georeferenciniai duomenys, integruoti į specialius programinės įrangos sprendimus, sudaro sprendimų palaikymo, dialogo ir komunikacijos įrankį.

CAMA sprendimas (žemės įvertinimas) Redaguoti

Sukurtas IGN FI, šis sprendimas yra įrankis, skirtas tiems, kurie nori tiksliai apskaičiuoti žemės vertes. Jis naudojamas žemės ir turto vertei apskaičiuoti. Konfigūruotas atsižvelgiant į vietos valdžios ypatumus, IGN FI CAMA sprendimas griežtai laikosi tarptautinių vertinimo standartų. „IGN FI“ CAMA sprendimas veikia GIS platformoje ir yra sudarytas iš 7 konkrečių modulių:


Tikslesnis būdas apskaičiuoti rastrų plotą - geografinės informacinės sistemos

Ekologinis nišos modeliavimas (ENM) yra vis didėjanti sritis, kur galima pritaikyti daugybę klausimų, susijusių su ligų perdavimo geografija ir ekologija. Konkrečiai, ERM turi galimybę informuoti apie vektorių, šeimininkų, ligų sukėlėjų ar žmonių atvejus susijusius tyrimus, susijusius su geografija ar potencialia geografija, ir gali pasiekti puikų erdvinį skyrimą, neprarandant informacijos, būdingos daugeliui kitų būdų. Apžvelgiamos galimos taikymo sritys, dabartinės sienos ir iššūkiai.

Pav. Hipotetinis žinomų rūšies įvykių (apskritimų) pavyzdys ir išvados iš tos informacijos. Viduriniame skydelyje rodomas raštas, atsirandantis dėl paviršiaus pritaikymo arba išlyginimo algoritmo, ir apačia.

Besiformuojanti ir besivystanti kraštovaizdžio epidemiologijos sritis ištyrė metodus, kaip apibendrinti erdvinius modelius ligų perdavimo duomenyse. Šie metodai siekia erdvinių modelių tam tikru apibendrinimo ar vidurkinimo lygiu, o tada apibendrina bendrus modelius ir tendencijas išlyginto paviršiaus pavidalu. Paprastai šiems iššūkiams taikomos metodikos yra skaldymas ir krigavimas, taip pat lyginimas, atsižvelgiant į vidutines vertes šiurkščiavilnių langų kraštovaizdyje (13). Šie metodai visada lemia tam tikrą skiriamosios gebos praradimą, kad paviršiai būtų lygūs, ir tam tikru laipsniu gaunamas vidurkis (paveikslas).

Nors šie metodai pateikia paprastas erdvinių modelių santraukas, jiems dažnai nepavyksta parodyti tikrojo sudėtingumo ir heterogeniškumo lygių, apibūdinančių biologinius kraštovaizdžius. Ligos perdavimo ciklai yra sudėtiniai reiškiniai, vaizduojantys sąveiką tarp rūšių rinkinių: šeimininkų, vektorių ir patogenų. Ligos erdvinio pasireiškimo sudėtingumas atspindės komponentų rūšių pasireiškimo sudėtingumo ir atsitiktinių įvykių poveikį. Taigi mažai tikėtina, kad plataus masto apibendrinimai, tokie kaip aukščiau minėti išlyginimo metodai, sukels naujų įžvalgų ir naujo supratimo apie sudėtingas sistemas. Šioje ataskaitoje siūlomas požiūris pagerina modelio santrauką, įvertindamas rūšims būdingas ekologines nišas. Tokiu būdu galima išsamiau įvertinti kompleksinę aplinkos variacijos įtaką rūšių pasiskirstymui ir jų pavertimui ligų perdavimo modeliais (pav.).

„Ecologic Niche Modeling“ (ENM)

Josephas Grinnellas sukūrė ekologinių nišų sampratą ir pirmasis ištyrė ryšius tarp ekologinių nišų ir rūšių geografinio pasiskirstymo (4). Jo idėja, perkelta į šiuolaikiškesnę terminologiją, buvo ta, kad ekologinė rūšies niša yra sąlygų rinkinys, pagal kurį rūšis gali išlaikyti populiacijas be kitų žmonių imigracijos iš kitų vietovių. A more complete discussion of the concept of ecologic niches and their mapping onto the geographic distributions of species has been provided elsewhere (5).

Use of the ENM approach has grown considerably in the biodiversity community in recent years (610). The idea is that known occurrences of species across landscapes can be related to raster geographic information system coverages summarizing environmental variation across those landscapes to develop a quantitative picture of the ecologic distribution of the species. ENM characterizes the distribution of the species in a space defined by environmental parameters, which are precisely those that govern the species' geographic distribution under Grinnell's definition.

A particular strength of ENM is its independence from any particular landscape. ENM can be used to identify potential distributional areas on any landscape: unsampled or unstudied portions of the native landscape, areas of actual or potential invasion by a species with an expanding range, or changing potential distributional areas as a consequence of change (e.g., land use change or climate change). Thus, ENM represents a powerful tool for characterizing ecologic and geographic distributions of species across real-world landscapes.

Applications to Disease Systems

In recent years, the ENM approach has seen several prototype applications to disease transmission systems by public health and epidemiology specialists who have been willing to explore novel ideas and approaches. I outline what the technique has to offer to the field and provide citations of example publications for each benefit and use.

Understanding Ecology of Diseases

In many cases, the details of ecologic parameters associated with occurrences of diseases or of species participating in disease transmission (e.g., vectors, hosts, pathogens) may be unclear because of small sample sizes, biased reporting, or simply lack of detailed geographic or ecologic analysis. ENM encompasses a suite of tools that relate known occurrences of these species or phenomena to raster geographic information system layers that summarize variation in several environmental dimensions. The result is an objective, quantitative picture of how what is known about a species or phenomenon relates to environmental variation across a landscape. Studies using these approaches include an examination of ecologic differences among different Chagas disease vectors in Brazil (11) and a characterization of ecologic features of outbreaks of hemorrhagic fever caused by Ebola and Marburg viruses (12,13).

Characterizing Distributional Areas

A next step in applying ENM approaches to understanding disease systems is characterizing geographic distributions. Here, ENM (or something akin to it) is used to investigate landscapes for areas that meet the ecologic requirements of the species. The result is an interpolation between known sampling locations informed by observed associations between the species and environmental characteristics. Previous attempts to characterize geographic distributions of species in the disease realm have demonstrated the potential of the approach but have not always used the most powerful inferential techniques available (14,15). In at least 1 case (14), the methods used failed to generalize and predict into areas of sparse sampling. ENM produces statistically robust predictions of geographic distributions of species or phenomena (even in unsampled areas), greatly exceeding expectations under random (null) models. Numerous examples of applications of this functionality to disease systems have been published (1113,1622).

Identifying Areas of Potential Invasion in Other Regions

ENMs characterize general environmental regimes under which species or phenomena may occur. To the extent that the model is appropriately and correctly calibrated, it may be used to seek areas of potential distribution. Thus, ENMs can be used to identify areas that fit the ecologic bill for a species, even if the species is not present there. This approach has seen extensive experimentation and testing in the biodiversity realm (8,23), but applications to disease transmission have as yet been few. One study attempted to identify the particular species in the Anopheles gambiae complex that was responsible for the large-scale South American malaria outbreaks in the early 20th century (19), and another evaluated the geographic potential of a possible monkeypox host (Cricetomys spp.) in North America (24).

Anticipating Risk Areas with Changing Climates

A logical extension of using ENMs to identify potential distributional areas is to address the question of likely geographic shifts in distributional areas of species or phenomena under scenarios of climate change or changing land use (25). This approach has seen considerable attention in the biodiversity realm, with both tests and validations (2628), and with broad applications across faunas and floras (2932). In the disease world, applications have been few, although 1 study used likely climate change–mediated range shifts to hypothesize the identity of Lutzomyia vectors of recent leishmaniasis outbreaks in southern Brazil (21).

Identifying Unknown Vectors or Hosts

ENM approaches can be applied to various parts of disease transmission cycles (e.g., overall case distribution, reservoir host distribution, vector distribution) to identify unknown elements in systems. The geography of overall case distributions can provide an indication of which clades are potential reservoirs and which are not. A first application was an attempt to identify mammalian hosts of the Triatoma protracta group of Chagas disease vectors in Mexico (22), which succeeded in anticipating the mammal hosts of 5 of 5 species for which a test was possible. Further exploration of this possible application of ENM methods has focused on the mysterious long-term reservoir of the filoviruses (Ebola and Marburg viruses) by comparing African mammal distributions with those of filovirus-caused disease outbreaks (33).

Diskusija

Current Challenges in ENM

ENM, although it has old roots (4), is nonetheless a relatively new tool in distributional ecology and biogeography. Only a few recent studies have compared the performance of different methodologic approaches under the ENM rubric (3437). As such, numerous challenges remain in terms of refining approaches toward a more powerful and synthetic methodology.

One central challenge is that of choosing modeling methods appropriate to a particular question, in the sense of discerning interpolation challenges from extrapolation challenges. In a recent comparative study focused on interpolation, which inferred details of patterns of presence and absence on a densely sampled landscape, several techniques that have internal controls on overfitting were superior (34). Extrapolative challenges, such as predicting potential distribution of invasive species, anticipating species' responses to global climate change, and identifying unknown reservoirs or vectors, require different qualities of modeling algorithms different methods therefore appear to emerge as superior, according to the particular challenge (5). This balance of ability to interpolate accurately versus ability to extrapolate effectively remains a challenge for the ENM methods.

A second frontier that includes yet-to-be-resolved details for ENM is that of testing and evaluating model results. Currently accepted approaches center on the ability to predict independent test occurrence data in the smallest area predicted (34,38). However, efficient predictions can be poor descriptors of a species' geographic range. Simpler techniques that place greater emphasis on minimizing the omission of known occurrences may be more appropriate. Pairing significance tests (which demonstrate that the coincidence between a prediction and test data is better than that achieved by random or null models) with setting minimum performance criteria (which ensure that that the prediction is accurate enough to meet the needs of the study) is probably the best approach (38). However, these methods have yet to be agreed upon broadly in the ENM community.

Current Challenges in Applications of ENM to Disease Systems

Beyond methodologic challenges, several issues remain to be addressed for full application of ENM methods to disease systems. The first, and perhaps most important, is understanding the role of scale in space and time. Preliminary explorations suggest that proper matching of temporal and spatial scales in analyses may offer particular opportunities for precise and accurate prediction of the behavior of disease phenomena (39). Similarly, proper choice of environmental datasets requires further exploration. Climate data provide longer temporal applicability, but remotely sensed data that summarize aspects of surface reflectance can provide finer spatial resolution, and may measure aspects of ecologic landscapes that climate parameters alone may not capture (40). Such issues will be resolved only through further exploration and testing with predictive challenges for diverse disease systems.

Finally, because disease transmission systems often represent complex interactions among multiple species (e.g., vectors, hosts, pathogens), options exist for how they should be analyzed and modeled. Simple focus on disease occurrences, such as human cases, treats the entire transmission system as a black box and as such gives an overall picture of the ecology of the transmission chain of that disease (12). An alternative, however, is modeling each component species in the transmission system and then assembling the component ENMs into a geographic picture of the transmission system (22). Each of these approaches has its relative advantages and disadvantages, but a best-practices method has yet to be established, pending further testing and exploration.

Conclusions

The emerging field of ENM applied to questions of ecologic and geographic characteristics of disease systems has considerable potential. In particular, it can solve several problems of spatial resolution of summaries of geographic risk for disease. In sharp contrast to surface-fitting approaches to the same questions, ENM does not lose resolution to generalize and produce a result. Rather, ENM can achieve fine-scale resolution of distributions limited only by the spatial precision of the input occurrence data and the input environmental datasets. This characteristic makes possible a clear improvement in the spatial resolution that is possible in representing spatial patterns in disease risk.

ENM is in the early stages of being explored for its potential for illuminating unknown phenomena in the world of disease transmission. The extensive explorations of ENM in the biodiversity field, however, serve as a benchmark of quality and acceptance for the technique. It can, once tested and prototyped extensively in the disease realm, offer a much-improved representation of spatial patterns in distributions of species or other phenomena.

Dr Peterson is professor of ecology and evolutionary biology at the Biodiversity Institute of the University of Kansas. His research interests include many aspects of geographic distributions of species, including the geography and ecology of filoviruses and other disease systems.

Acknowledgment

I send many thanks for years of collaboration and education in the world of diseases and their geography to Ben Beard, Janine Ramsey, Jim Mills, Darin Carroll, Karl Johnson, Mark Benedict, Bex Levine, Ken Gage, Rusty Enscore, Erin Staples, Jeffrey Shaw, and Roger Nasci, as well as numerous other colleagues whose omission here is not reflective of my appreciation.


Integrated Land Use/Land Cover 1997 - Metro Area

Generalized Land Use 2000 for the TCMA - Metropolitan Council:
see http://www.datafinder.org/metadata/landuse_2000.htm

Minnesota Land Use and Land Cover: 1990's Census of the Land (8 category statewide), compiled by Mn Department of Natural Resources:
see: http://www.lmic.state.mn.us/chouse/metadata/luse8.html

Land Use - Minnesota, Forested Area (Manitoba Remote Sensing Centre): See: http://www.lmic.state.mn.us/chouse/metadata/mrsc_lu.html

Land Use - Minnesota, Agricultural and Transition Areas (The International Coalition), 1989: See: http://www.lmic.state.mn.us/chouse/metadata/luse89.html

Minnesota Navigator: Enhanced 30-meter land use/land cover (1992)

During the land use interpretation, digital orthophotos and county parcel data with assessor's land use/type attributes were used. Reverse directories and field checks were used to augment this interpretation. Also, comments and corrections for the 1997 data from the cities and townships (each of which was given a map with the preliminary 1997 data) were used to update the 1997 layer.

Known deficiencies in the data set include:

Estimating the horizontal positional accuracy of this layer is somewhat complicated, because a number of factors must be considered. For this reason, a description of some of these factors seems instructive.

Many of the boundaries defining land uses in urban areas were drawn along parcel lines based on parcel data from the metro counties. Metro county parcel data sets vary greatly in positional accuracy as well as in the documentation of that accuracy. Furthermore, positional accuracy may vary for different features within the same parcel data set. An additional factor is the degree to which Metropolitan Council staff matched the parcel boundaries in heads up digitizing within ArcView. The scale at which lines were digitized varied as staff zoomed in and out while heads-up digitizing within ArcView, however most lines were digitized at an on-screed scale of no higher than 1:3000. In highly urbanized areas, 1:1500 was more common.

In rural areas, parcel boundaries were often not used. Rural residential land use boundaries were defined by the mowed lawns or used areas around the dwellings as viewed on the Metropolitan Council 1997 digital orthophotos. For this reason a positional accuracy estimate would have to describe the accuracy with which the interpreted boundary of this area was defined as well as whether the interpretation of the boundary was correct or inaccurate (causing a positional error).

Boundaries of water features were based on the digital orthophotos taken in April of 1997 at the height of a major flood on the three major metro rivers. Therefore the water boundaries for the rivers were taken from the 1990 land use in many cases. Lake boundaries were taken from the orthophotos. We do not have an estimate as to what degree the wet spring influenced any of the lake levels in the metro area.

A variety of other factors play a role in the positional accuracy of this layer. The information in the Entity and Attribute Detailed Citation (Section 5 of the metadata) may shed light on some positional issues with respect to this data set.

As a general rule when developing this data set it was the Metropolitan Council's intention to meet the National Mapping Accuracy Standards at 1:24,000 (within approximately 40 feet of actual location). No testing has been conducted to verify this.

DATA SOURCES:
- 1997 digital orthophoto quarter quads (0.6 meter resolution)
- 1990 land use delineations (1:24,000).
- The Lawrence Group's road centerline layer (1:24,000).
- parcel data from all seven counties
- reverse directories and field checks
- community feedback from preliminary maps sent out to them

HISTORY OF THE LAND USE DATA:
The Metropolitan Council has conducted analyses of land use for the years 1966, '70, '74/'75, '78, '80, '84, '90 and '97. Each project included analysis of aerial photography as well as field checks and the use of other sources to delineate land use and land use change.

Land use maps were developed from these data for the years 1966, '75, '84, '90 and '97. In addition, reports on land use change were prepared for the periods of 1960-1975, 1970-1978, 1970-1980, 1980-1990, and 1990-1997.

PROCESSING STEPS FOR THE 1997 LAND USE LAYER:
The 1997 land use layer was developed on the base of the 1990 land use data set. The primary tools used for the 1997 land use interpretation were the 1997 digital orthophotos and county parcel data with assessors attributes indicating various land use type information.

It is important to note that the assessors attributes varied greatly from county to county. In many cases the land type or use categories used by the county for assessment purposes did not match the categories used in this data set. The assessors attributes were matched as closely as possible to Council land use categories. Additionally the property owner name from the parcel data and entries in reverse directories were also used as aides in the land use interpretation. Where these sources were insufficient to determine the land use category, field checks were performed.

Once the preliminary 1997 land use data set was completed, each of the approximately 200 cities and townships within the metro area was sent a map of the preliminary data and asked to provide comments and corrections. 85% of the those cities and townships responded and their comments were used to enhance the accuracy of the 1997 land use data.

The original categories used for land use breakdowns were established in 1962 and have been modified only slightly over the years of generating the Twin Cities generalized land use maps (1966, 1975, 1984, 1990, and 1997).

The interpretation was conducted on 3.25 minute quadrangles (USGS quarter quads). The editing was done using ArcView 3.1 software. Once completed, the shape files were converted to polygon ArcInfo coverages and then the tiles were combined into one metro wide layer, where small sliver polygons were removed and other miscellaneous editing was done. The 1997 land use layer was then dissolved out of the 1984-90-97 combined layer.

2. DERIVED DATA SET (LMIC Data Conversion): conversion to a raster data set and addition of natural resource feature information to the data set:

a. Metropolitan Council 1997 land use data shapefile was converted to an EPPL .dgt file, then gridded with a 30-meter cell size to create an EPPL7 raster data set.

b. Where the Metropolitan Council land use category was 'agricultural/vacant' or 'parks and recreation', several changes were made to the file. The EPPL7 EVAL and 2-WAY RECLASS commands were used to make the following changes:

b1. National Wetlands Inventory wetlands (except for deepwater habitat classification) 30-meter data was extracted from Minnesota.Data Volume 2.

b2. Lakes and shallow wetland water habitats were pulled from the DNR-enhanced 24K lakes layer. This data had been obtained from the DNR data deli by USGS 7.5-minute quadrangle tile, appended together into a metro-wide file using the Arc/Info APPEND command, converted to a metro-wide shapefile, then converted into an EPPL7 .dgt file and gridded with a 30-meter cell size to produce and EPPL7 data set.

b3. Forest cover information was added from the 1991 DNR Phase II forest inventory for the metro area. This information was already available in 30-meter EPPL7 format from the EPIC Metro30 database.

1 - Single Family Residential
Includes all individual, free standing single family housing (including manufactured housing). Within the MUSA (metropolitan urban service area) and in residential developments outside the MUSA, the lot lines visible on the photos were used for determining residential land use boundaries. Where residential developments were visibly not complete, the undeveloped area was classified as vacant. For the scattered, rural residential areas outside the MUSA, only the portion of lots used for residences was assigned to the residential category.

2 - Multi-Family Residential
Includes all multiple dwelling units such as duplexes, bungalows, twin homes, townhouses, quad homes and apartment complexes. Also, buildings that are primarily apartments that have some group dining facilities are included (however, not those buildings that fit the census definition of 'Group Quarters', such as, dormitories, nursing homes or medical care facilities).

3 - Commercial
Includes all retail sales, services, hotels and motels, health care facilities (e.g. medical and dental clinics and offices and medical laboratories, but not hospitals and nursing homes) and recreational services that are predominantly privately owned and operated for profit (e.g. theaters, bowling alleys, equestrian ranches) except golf courses. Hospitals and nursing homes are included in the 'Public & Semi-Public' category and golf courses are in the 'Parks & Recreation Areas' class. For large shopping centers, only actual developed areas are shown. This is done so that over the years new development can be shown (e.g. restaurants or gas stations on perimeter roads).

4 - Industrial
Includes the Federal Standard Industrial Classification (SIC) codes 14 through 50. This includes manufacturing, transportation, construction, communications, utilities, and wholesale trade. Also included in the 'Industrial' category are some horticultural specialty land uses (e.g. large greenhouses that do not sell to the public). As of 1997, gravel pits and quarrying have been placed in a new category called 'Extractive' and all publicly owned areas that are predominantly of industrial nature have been placed in a new category called 'Public Industrial.'

5 - Public Semi-Public
Includes the land under and adjacent to schools (public and private), hospitals, churches, cemeteries, ice arenas and all facilities of local, state and federal governments, including convalescent homes, mental institutions and penal facilities maintained by any level of government. All lands within the boundaries of these institutions and facilities are included in this category. However, in certain instances unused lands were included in the 'Public & Semi-Public Vacant' category (e.g. the University of Minnesota's property in Rosemount, or part of the land adjacent to the Minnesota Veterans Home in Hastings).

6 - Transportation
This category combines the Metropolitan Council land use categories of 'airports' and 'major four-lane highways'. The 'airports' category includes airports of all types. The 'major four-lane highways' category includes only the major interstate freeways and 4 lane divided highways with rights-of-way of 200 feet or greater.

7 - Parks & Recreation Areas
Includes all parks (city, regional and state), wildlife refuges, playgrounds, zoos, gun clubs, golf courses and similar areas (this includes DNR wildlife management areas and scientific and natural areas). Parks are delineated using their actual boundaries taken directly off comprehensive plans, park maps or county parcel data. Wetlands, forest cover and open water overwrote this data category.

8 - Vacant/Agricultural
In the Metropolitan Council 1997 land use data set, this includes land identifiable from aerial photos as open and in agriculture uses, other uses where no buildings are present or unused land. Please note that indoor horticultural specialty land uses (the growing of nursery stock, flowers, seeds, sod and food crops in large greenhouses that do not sell to the public and large concentrations of agricultural buildings (e.g., barns, sheds and silos)) are included in the 'Industrial' category where they can be delineated. Where residential uses are on larger lots, the residential land use category my include only the house and mowed portion of the parcel, with the rest being placed in this Vacant and Agricultural category. In the updated data set, areas that were originally defined in this category but which were indicated by other datasets to be wetland, lake, or forested, were replaced by those natural resource categories. Wetlands, forest cover and DNR open water overwrote this data category.

10 - Open Water Bodies
In the original Metropolitan Council 1997 land use data set, this included lakes larger than 5 acres and rivers wider than 200 feet. Additional lake features from the DNR-enhanced 1:24,000 lakes data set were added into this category in the updated version. The following Metropolitan 1997 land use data categories were overwritten by DNR open water data: parks vacant/agriculture industrial parks, not developed Met Council Open Water, 1997 public and semi-public lands.

11 - Farmsteads
Includes only that portion of land that encompasses the buildings on the farmstead.

12 - Extractive
Includes all gravel pits and quarries.

13 - Industrial Parks not Developed
Parcels of land in a designated (named) industrial park but not developed. NWI wetlands, forest cover and DNR open water classifications overwrote this data category.

14 - Public & Semi-Public Vacant
A government or university owned parcel of land that is undeveloped (e.g. part of arsenal site in Arden Hills or the University property in Rosemount). NWI wetlands, forest cover, and DNR open water classifications overwrote this data category.

15 - Public Industrial
Includes all publicly owned areas that are predominantly of an industrial nature (e.g. waste water treatment plants, city bus garages, and Dept. of Transportation sand and salt stockpiling areas). In the past, some of these have been coded as industrial and others as public.

16 - Wetlands (Emergent-Forested Habitats)
Includes wetlands classified as Emergent-Forested Habitats in the National Wetlands Inventory. The following Metropolitan 1997 land use data categories were overwritten by NWI wetland data: parks vacant/agriculture industrial parks, not developed public and semi-public lands.

19 - Wetlands (Shallow Water Habitats)
Includes wetlands classified as 'shallow water habitats' in the DNR-enhanced 1:24,000 lakes data set. The following Metropolitan 1997 land use data categories were overwritten by DNR shallow water habitat data: parks vacant/agriculture industrial parks, not developed.


A stain on the record? Have forest management practices set up PNW landscapes for a black-stain-filled future?

Describe the research question that you are exploring.

I am looking at how forest management practices influence the spread of black stain root disease (BSRD), a fungal root disease that affects Douglas-fir in the Pacific Northwest. While older trees become infected, BSRD primarily causes mortality in younger trees (< 30-35 years old). Management practices (e.g., thinning, harvest) attract insects that carry the disease and are associated with increased BSRD incidence. As forest management practices in the Pacific Northwest change to favor shorter-rotations of Douglas-fir monocultures, the distribution of Douglas-fir age classes is shifting towards younger stands and the frequency of harvest disturbance is increasing across the landscape. Though limited, our present understanding of this disease system indicates that these management trends, as well as the resulting disturbance regime and forest landscape age structure, may be creating favorable conditions for BSRD spread.

In this course, I would like to use spatial analyses to answer the question of whether forest management and the conditions that it creates act as a driver of the spread of black stain root disease. Specifically:

  • How do spatial patterns of forest management practices and the forest stand and landscape conditions that they create relate to spatial patterns of BSRD infection probabilities at the stand and landscape scale?
  • How do spatial patterns of forest management practices relate to landscape connectivity with respect to BSRD by affecting the area of susceptible forest and creating dispersal corridors and/or barriers throughout the landscape?

Example landscape with stands of three different forest management regimes (shades of green) and trees infected by black stain root disease (red). Forgive the 90s-esque graphics… NetLogo, the program I am using to develop and run my model, is powerful but old-school.

Describe the dataset you will be analyzing, including the spatial and temporal resolution and extent.

I will be analyzing the raster outputs of a spatial model that I built in the agent-based modeling program NetLogo (Wilensky 1999). The rasters contain the states of forested landscapes (managed as individual stands) at a given time during the model run. Variables include tree age, presence/absence of trees, management regime, probability of infection, infection status (infected/not infected), and cause of infection (root transmission, vector transmission).

The forested landscapes I am looking at are about 3,000 to 4,000 ha, with each pixel representing a

1.5 m x 1.5 m area that can occupied by one tree. I run each model for a 300-year time series with 1-year intervals, though raster outputs may be produced at 10-year intervals.

Hypotheses: predict the kinds of patterns you expect to see in your data, and the processes that produce or respond to these patterns.

I hypothesize that landscapes with higher proportions of intensively managed, short-rotation stands will have higher probabilities of BSRD infection at the stand and landscape scales. In landscapes with high proportion of short-rotation stands, there will be large areas of suitable habitat for the pathogen and its vectors, frequent harvest that attracts disease vectors, and greater levels of connectivity for the spread of disease. In landscapes with a large proportion of older forests managed for conservation, I hypothesize that these forests will act as barriers to the spread of BSRD. High connectivity could be evidenced by greater landscape-scale dispersion of infections, whereas low connectivity would lead to a high degree of clustering of infections in the landscape.

I also hypothesize that intensively managed, short-rotation stands will have the highest probabilities of infection, followed by intensively managed, medium-rotation stands, and finally old-growth stands. However, I hypothesize that each stand’s probability of infection will depend not only on its own management but also on the management of neighboring stands and the broader landscape. At some threshold proportion of intensive management in the landscape, I hypothesize that there will be a shift in the scale of the drivers of infection, such that landscape-scale management patterns overtake stand-scale management as a predictor of infection probability.

Approaches: Describe the kinds of analyses you ideally would like to undertake and learn about this term, using your data.

I would like to learn about landscape connectivity analyses and spatial statistics such as clustering/dispersion as well as spatiotemporal analyses to analyze the relationships between discrete disturbance events and disease spread. I would like to learn how to separate the effects of connectivity from the effect of the area of suitable pathogen habitat. I am most interested in using R or Python to analyze my data, and I would like to move away from ESRI programs because of my interest in open-source and free tools for science and the prohibitive cost of ESRI software licenses for independent researchers and organizations with limited financial means.

Expected outcome – What do you want to produce – Maps? Statistical relationships?

My primary interest is to evaluate statistical relationships between spatial patterns of management and disease measures, but I would also like to produce maps to demonstrate model inputs and outputs (i.e., figures for my thesis).

Significance – How is your spatial problem important to science? To resource managers?

From a scientific perspective, this research aims to contribute to the body of research examining relationships between spatial patterns and ecological processes and complex behaviors in ecological systems. This research will examine how the diversity of the landscape age structure and disturbance regimes affect the susceptibility of the landscape to disease, contributing to literature relating diversity and stability in ecological systems. In addition, “neighborhood” and “spillover” effects will be tested by analyzing stand-scale infection probability with respect to the infection probability of neighboring stands and more broadly in the landscape. Analysis of threshold responses to changes in stand- and landscape-scale management patterns and shifts in the scale of disease drivers will contribute to understanding of cross-scale system interactions and emergent properties in the field of complex systems science.

From an applied perspective, the goal of this research is to inform management practices and understand the potential threat of black stain root disease in the Pacific Northwest. This will be achieved by improving understanding of the drivers of BSRD spread at multuiple scales and highlighting priority areas for future research. This project is a first step towards identifying evidence-based, landscape-scale management strategies that could be taken to mitigate BSRD disease issues. In addition, the structure of this model provides a platform for looking at multi-scale interactions between forest management and spatial spread processes. Its use is not restricted to a specific region and could be adapted for other current and emerging disease issues.

Your level of preparation – How much experience do you have with: (a) Arc-Info, (b) Modelbuilder and/or GIS programming in Python, (c) R, (d) image processing, (e) other relevant software

Over the past 5 years, I have worked on and off with all the programs/platforms listed. For some, I have been formally trained, but for others, I have been largely self-taught. However, lack of continuous use has eroded my skills to some degree.

a. I have frequently used ArcInfo for making maps, visualizing data, and processing and analyzing spatial data. However, I do not have a lot of experience with spatial statistics in ArcInfo.

b. Modelbuilder/Python: Last spring, I took GEOG 562 and learned to program in Python, developing a script that used arcpy to prepare and manipulate spatial data for my final project. I felt comfortable programming in Python at that time, but I have not used Python much since the course.

c. I have frequently used R to clean and prepare data, perform simple statistical analyses (ANOVA, linear regression), and create plots. I have taken several workshops on using R for spatial analysis, but I have used rarely used the R packages I learned about outside of those workshops.

d. I have used ENVI to correct, patch, and combine satellite images, and I have performed supervised classifications to create land cover maps. I have worked primarily with LANDSAT images. I have also used CLASlite (an image processing software designed for classifying tropical forest cover).


Žiūrėti video įrašą: Profetul Ezechiel din Biblie si Ozn-urile extraterestrilor Elohim!