أكثر

كم عدد المعالم A التي تقع في كل من المضلعات B و C لكل مضلع C؟

كم عدد المعالم A التي تقع في كل من المضلعات B و C لكل مضلع C؟


لدي هذه المشكلة المعقدة على ما يبدو لحلها في ArcGIS:

عمليًا ، أحتاج إلى الحصول على عدد جميع المضلعات الصفراء التي تقع داخل كل من المضلعات الخضراء والمضلعات الحمراء. أحتاج هذا لكل مضلع أحمر.

بعبارة أخرى ، أحتاج إلى عمود سمة مرفق بكل مضلع أحمر يحتوي على عدد المضلعات الصفراء الموجودة داخل المضلعات الخضراء.

لا يسعني سوى التفكير في الانضمام المكاني ، لكنني أجد أنه من المرهق للغاية تمرير عدد الكتل الصفراء من المضلعات الخضراء إلى المضلعات الحمراء.

هل أنت على علم بأي أدوات أخرى مستقيمة؟


لا ، لكن قد تساعدك كتلة غير صعبة للغاية من كود Python. أولاً ، تأكد من أنك أضفت حقلاً جديدًا في جدول سمات Red Polygon وقم بتسميته شيئًا مثل "field_count". الرمز هو هذا:

uc = arcpy.UpdateCursor (redPolys) yellowLyr = arcpy.MakeFeatureLayer_management (yellowPolys) للصف في uc: geometry = row.shape arcpy.SelectLayerByLocation_management (yellowLyr، 'WITHIN'، geometry، "، 'NEW_SELECTION') 'WITHIN'، greenPolys، "، 'SUBSET_SELECTION') count = int (arcpy.GetCount_management (yellowLyr) .getOutput (0)) row.setValue ('count_field'، count) uc.updateRow (row)

سوف يمر هذا عبر المضلعات الحمراء مع أخذهم واحدًا تلو الآخر. يقوم بتحديد المضلعات الصفراء الموجودة داخلها ، ومن هذا التحديد ، يتم تحديد المضلعات الموجودة داخل المضلعات الخضراء فقط. ثم يتم حساب عدد المضلعات الصفراء المحددة ، ويتم كتابة هذا الرقم في حقل جرد في فئة معلم المضلعات الحمراء.


كيف تتقاطع مضلعين؟

يبدو هذا غير تافه (يتم طرحه كثيرًا في المنتديات المختلفة) ، لكنني أحتاج تمامًا إلى هذا باعتباره لبنة أساسية لخوارزمية أكثر تعقيدًا.

إدخال: مضلعان (A و B) في 2D ، معطى كقائمة من الحواف [(x0، y0، x1، y2)،. ] كل. يتم تمثيل النقاط بأزواج من s المزدوجة. لا أعرف ما إذا كانت تُعطى في اتجاه عقارب الساعة أو عكس اتجاه عقارب الساعة أو في أي اتجاه على الإطلاق. أنا فعل أعلم أنها ليست بالضرورة محدبة.

انتاج |: 3 مضلعات تمثل A و B والمضلع المتقاطع AB. يمكن أن يكون أي منهما مضلعًا فارغًا (؟) ، على سبيل المثال باطل .

تلميح للتحسين: تمثل هذه المضلعات حدود الغرفة والأرضية. لذا فإن حدود الغرفة تتقاطع بشكل كامل مع حد الأرضية ، إلا إذا كانت تنتمي إلى طابق آخر على نفس المستوى (أرغ!).

آمل نوعًا ما أن يكون شخص ما قد فعل هذا بالفعل في c # وسيسمح لي باستخدام استراتيجيته / رمزه ، لأن ما وجدته حتى الآن بشأن هذه المشكلة أمر شاق إلى حد ما.

تعديل: لذلك يبدو أنني لست دجاجة تمامًا لأنني أشعر بالإغماء من احتمال القيام بذلك. أود أن أعيد ذكر الناتج المطلوب هنا ، لأن هذه حالة خاصة وقد تجعل الحساب أبسط:

انتاج |: المضلع الأول مطروحًا منه جميع البتات المتقاطعة ، ومضلعات التقاطع (الجمع على ما يرام). لست مهتمًا حقًا بالمضلع الثاني ، فقط تقاطعه مع الأول.

تحرير 2: أستخدم حاليًا مكتبة GPC (General Polygon Clipper) التي تجعل ذلك أمرًا سهلاً حقًا!


الاتصال

يتم تعريف الاتصال من خلال طوبولوجيا عقدة القوس. هذا هو الأساس للعديد من عمليات تتبع الشبكة واكتشاف المسار. يتيح لك الاتصال تحديد طريق إلى المطار ، أو ربط الجداول بالأنهار ، أو اتباع مسار من محطة معالجة المياه إلى المنزل.

في بنية بيانات العقدة القوسية ، يتم تعريف القوس بنقطتي نهاية: من العقدة التي تشير إلى مكان بداية القوس والعقدة التي تشير إلى مكان نهايته. وهذا ما يسمى طوبولوجيا عقدة القوس.

يتم دعم هيكل عقدة القوس من خلال قائمة عقدة القوس. تحدد القائمة العقد من وإلى العقد لكل قوس. يتم تحديد الأقواس المتصلة من خلال البحث في القائمة عن أرقام العقد الشائعة. في المثال التالي ، من الممكن تحديد أن الأقواس 1 و 2 و 3 تتقاطع جميعها لأنها تشترك في العقدة 11. يستطيع الكمبيوتر تحديد أنه من الممكن الانتقال على طول القوس 1 والانعطاف إلى القوس 3 لأنهم يشتركون في عقدة مشتركة (11) ، لكن لا يمكن الانعطاف مباشرة من القوس 1 إلى القوس 5 لأنهما لا يشتركان في عقدة مشتركة.


طوبولوجيا التغطية (ArcInfo و ArcEditor فقط)

عندما تقف على تل وتنظر لأسفل على منظر طبيعي ، يمكنك بسهولة تحديد الشوارع المتقاطعة والممتلكات المجاورة. المنطق الرياضي الذي يستخدمه الكمبيوتر لتحديد هذه العلاقات هو الطوبولوجيا.

تحدد الطوبولوجيا بشكل صريح العلاقات المكانية بين السمات المتصلة أو المجاورة في البيانات الجغرافية. المبدأ في الممارسة بسيط للغاية: يتم التعبير عن العلاقات المكانية في شكل قوائم (على سبيل المثال ، يتم تعريف المضلع من خلال قائمة الأقواس التي تشكل حدوده).

إنشاء وتخزين العلاقات الطوبولوجية له عدد من المزايا. يتم تخزين البيانات بكفاءة ، بحيث يمكن معالجة مجموعات البيانات الكبيرة بسرعة. تسهل الطوبولوجيا الوظائف التحليلية ، مثل تدفق النمذجة عبر خطوط التوصيل في الشبكة ، والجمع بين المضلعات المجاورة ذات الخصائص المتشابهة ، وتحديد الميزات المجاورة ، وتراكب الميزات الجغرافية.

  • الاتصال: تتصل الأقواس ببعضها البعض في العقد.
  • تعريف المنطقة: الأقواس التي تتصل بإحاطة منطقة تحدد مضلعًا.
  • التواضع: الأقواس لها اتجاه وجانبان يسار ويمين.

يتم تعريف الاتصال من خلال طوبولوجيا عقدة القوس. هذا هو الأساس للعديد من عمليات تتبع الشبكة واكتشاف المسار. يتيح لك الاتصال تحديد طريق إلى المطار ، أو ربط الجداول بالأنهار ، أو اتباع مسار من محطة معالجة المياه إلى المنزل.

في بنية بيانات العقدة القوسية ، يتم تعريف القوس بنقطتي نهاية: من العقدة التي تشير إلى مكان بداية القوس والعقدة التي تشير إلى مكان نهايته. وهذا ما يسمى طوبولوجيا عقدة القوس.

يتم دعم هيكل عقدة القوس من خلال قائمة عقدة القوس. تحدد القائمة العقد من وإلى العقد لكل قوس. يتم تحديد الأقواس المتصلة من خلال البحث في القائمة عن أرقام العقد الشائعة. في المثال التالي ، من الممكن تحديد أن الأقواس 1 و 2 و 3 تتقاطع جميعًا لأنها تشترك في العقدة 11. يمكن للحاسوب أن يحدد أنه من الممكن السفر على طول القوس 1 والانعطاف إلى القوس 3 لأنهم يشتركون في عقدة مشتركة (11) ، لكن لا يمكن الانعطاف مباشرة من القوس 1 إلى القوس 5 لأنهما لا يشتركان في عقدة مشتركة.

تغطي العديد من المعالم الجغرافية التي قد يتم تمثيلها منطقة يمكن تمييزها على سطح الأرض ، مثل البحيرات وقطع الأرض ومسارات التعداد. يتم تمثيل المنطقة في نموذج المتجه بواحد أو أكثر من الحدود التي تحدد مضلعًا. على الرغم من أن هذا يبدو غير بديهي ، فكر في بحيرة بها جزيرة في المنتصف. البحيرة في الواقع لها حدين: أحدهما يحدد الحافة الخارجية والجزيرة التي تحدد الحافة الداخلية. في مصطلحات نموذج المتجه ، تعرف الجزيرة الحد الداخلي (أو الثقب) للمضلع.

تمثل بنية عقدة القوس المضلعات كقائمة مرتبة من الأقواس بدلاً من حلقة مغلقة من إحداثيات x و y. وهذا ما يسمى طوبولوجيا قوس المضلع. في الرسم التوضيحي أدناه ، يتكون المضلع F من أقواس 8 و 9 و 10 و 7 (يشير الرقم 0 قبل الرقم 7 إلى أن هذا القوس يخلق جزيرة في المضلع).

يظهر كل قوس في مضلعين (في الرسم التوضيحي أدناه ، يظهر القوس 6 في قائمة المضلعين B و C). نظرًا لأن المضلع هو ببساطة قائمة الأقواس التي تحدد حدوده ، يتم تخزين إحداثيات القوس مرة واحدة فقط ، مما يقلل من كمية البيانات ويضمن عدم تداخل حدود المضلعات المجاورة.

يطلق على عنصرين جغرافيين يشتركان في الحدود اسم متجاور. التواصل هو المفهوم الطوبولوجي الذي يسمح لنموذج بيانات المتجه بتحديد التقارب. تحدد طوبولوجيا المضلع التواصل. تكون المضلعات متجاورة إذا كانت تشترك في قوس مشترك. هذا هو الأساس للعديد من عمليات الجوار والتراكب.

تذكر أن العقدة from-node and to-node تحدد القوس. يشير هذا إلى اتجاه القوس بحيث يمكن تحديد المضلعات الموجودة على الجانبين الأيمن والأيسر. تشير الطوبولوجيا اليسرى واليمنى إلى المضلعات الموجودة على الجانبين الأيمن والأيسر للقوس. في الرسم التوضيحي أدناه ، يوجد المضلع B على يسار القوس 6 والمضلع C على اليمين. وهكذا ، نعلم أن المضلعين B و C متجاوران.

لاحظ أن تسمية المضلع A تقع خارج حدود المنطقة. يسمى هذا المضلع بالمضلع الخارجي أو الكون ، ويمثل العالم خارج منطقة الدراسة. يضمن مضلع الكون أن يكون لكل قوس دائمًا جانب أيمن وأيسر محدد.


إنشاء الهيكل (ArcInfo فقط)

تعرض علامة التبويب "عام" في مربع الحوار "خصائص التغطية" فئات الميزات التي لها هيكل. بالإضافة إلى ذلك ، من علامة التبويب هذه ، يمكنك الحصول على معلومات مهمة أخرى حول التغطية ، مثل مكان تخزين التغطية على القرص وما إذا كانت تغطية أحادية أو مزدوجة الدقة. عند النقر فوق فئة معلم ، يظهر عدد الميزات التي تحتوي عليها أسفل علامة التبويب.

إذا كان الهيكل مفقودًا لفئة المعالم التي يجب أن تحتوي عليها ، فيمكنك إنشاء الهيكل باستخدام أمري Build أو Clean في مربع الحوار Coverage Properties أو باستخدام أداة Build أو أداة Clean. يمكنك أيضًا استخدام الأمر Build لإنشاء جدول سمة معلم لفئة معلم. يفترض البناء أن بيانات الإحداثيات صحيحة. يعثر Clean على الأقواس التي تعبر وتضع عقدة عند كل تقاطع. يعمل التنظيف أيضًا على تصحيح التجاوزات والتجاوزات ضمن تفاوت محدد. بالنسبة للتغطية المضلعة والمنطقة ذات الهيكل الأولي ، يظهر مؤشر تحذير أحمر في الرموز لكل من التغطية وفئة الميزة المناسبة.

يتم استخدام التفاوت الغامض بواسطة أداة Clean. هذه هي المسافة التي يُسمح لأداة Clean بنقل الميزات إليها ، لإزالة العقد المكررة ، وإنشاء عقد عند تقاطعات الخطوط ، وإزالة الميزات المكررة. يتم قياس التفاوت الغامض بوحدات التغطية. عند استخدام الأداة Clean ، من الضروري تعيين تفاوت ضباب مناسب بحيث لا يتم التخلص من الميزات الضرورية عن طريق الخطأ.

ملاحظة: لا تتوفر أداة Build وأداة Clean إلا بترخيص ArcInfo.


كم عدد المعالم A التي تقع في كل من المضلعات B و C لكل مضلع C؟ - نظم المعلومات الجغرافية

المتجه هو هيكل بيانات يستخدم لتخزين البيانات المكانية. تتكون بيانات المتجه من خطوط أو أقواس ، محددة بنقاط البداية والنهاية ، والتي تلتقي عند العقد. عادة ما يتم تخزين مواقع هذه العقد والبنية الطوبولوجية بشكل صريح. يتم تحديد الميزات من خلال حدودها فقط ويتم تمثيل الخطوط المنحنية كسلسلة من الأقواس المتصلة. يتضمن تخزين المتجهات تخزين الهيكل الصريح ، مما يزيد من النفقات العامة ، إلا أنه يخزن فقط تلك النقاط التي تحدد الميزة وكل المساحة خارج هذه الميزات "غير موجودة".

يتم تعريف نظام المعلومات الجغرافية المستند إلى المتجه من خلال التمثيل المتجه لبياناته الجغرافية. وفقًا لخصائص نموذج البيانات هذا ، يتم تمثيل الكائنات الجغرافية صراحةً ، وضمن الخصائص المكانية ، ترتبط الجوانب الموضوعية.

نماذج ناقلات
هناك نماذج مختلفة لتخزين وإدارة معلومات المتجهات. كل واحد منهم له مزايا وعيوب مختلفة.
قائمة الإحداثيات & quot؛ & quot؛ & quot؛ & quot (الشكل 5)
قاموس قمة الرأس (الشكل 6)
ترميز مزدوج للخريطة المستقلة (DIME) (الشكل 7)
القوس / العقدة (الشكل 8)


البيانات المكانية

كما ذكرت أعلاه ، نحن نركز اليوم على فئة من البيانات ، بدلاً من مجموعة محددة من تقنيات الاقتصاد القياسي. سبب هذا التغيير متعدد الجوانب.

  1. تزداد أهمية البيانات المكانية في مجال البحث - فالاقتصاد ، والدراسات البيئية ، والتنمية ، والزراعة ، والعلوم السياسية تستخدم جميعها بشكل متزايد التباين المكاني. التباين المكاني مهم في العديد من عمليات توليد البيانات (على سبيل المثال، وتأثيرات تلوث الهواء) ، ويمكن أن توفر أيضًا بعض التجارب الطبيعية المقنعة (على سبيل المثال، طرح سياسة جديدة في جميع أنحاء البلد). علاوة على ذلك ، لا يمكن ببساطة تحليل بعض الموضوعات جيدًا دون تحليل الموضوع في الفضاء, على سبيل المثالأو تلوث الهواء أو التلاعب أو الفصل أو نضوب الآبار.
  2. تختلف البيانات المكانية إلى حد ما عن الأنواع الأخرى من البيانات في هيكلها. تميل هذه الاختلافات الهيكلية إلى طلب تقنيات فريدة لتجميع البيانات ووصفها وتحليلها. لماذا الاختلاف؟ البيانات المكانية لها أبعاد أكثر من معظم مجموعات البيانات الأخرى التي نستخدمها. بدلاً من قيمة مرتبطة بالوقت ، عادة ما يكون لدينا قيمة مرتبطة بخط عرض وخط طول - ربما مقترنة بالوقت و / أو الارتفاع. هذا الاختلاف ليس كذلك تسربت إنها تتطلب فقط المزيد من الآلات.
  3. الخرائط رائعة. 2

باتباع موضوع القسم هذا الفصل الدراسي ، سأوضح لك كيفية البدء في استخدام البيانات المكانية في R. بالطبع ، هناك أدوات أخرى. من المحتمل أن يكون ArcGIS هو الاسم الأكثر شهرة في GIS (أنظمة المعلومات الجغرافية) ، ولكنه مملوك ومكلف ويعمل فقط مع Windows. إذا كنت حقًا في حاجة إليها ، فهناك العديد من المعامل في الحرم الجامعي التي توفر الوصول - راجع D-Lab. يوفر QGIS بديلاً مجانيًا ومفتوح المصدر وعبر الأنظمة الأساسية لـ ArcGIS. سنلتزم بـ R اليوم ، فهو مجاني ، ومفتوح المصدر ، وأنت معتاد عليه إلى حد ما. بالإضافة إلى ذلك ، هناك مجتمع لطيف عبر الإنترنت من الأشخاص الذين يستخدمون R لـ GIS ، لذا يمكنك (عادةً / في النهاية) إيجاد الحلول عندما تسوء الأمور. أخيرًا ، نظرًا لأنك من المحتمل أن تستخدم R للاقتصاد القياسي في بحثك ، فإن استخدام نظام المعلومات الجغرافية الخاص بك يسمح لك بتقليل عدد البرامج / البرامج النصية المطلوبة أثناء تحليلك.

الآن بعد أن أقنعتك (آمل) ، فلنبدأ.


مراجع

بهات ، الولايات المتحدة وآخرون. يرتبط تغير الغطاء النباتي في منطقة التندرا القطبية القطبية بانخفاض الجليد البحري. تفاعل الأرض 14 (2010).

Goetz، S. J.، Bunn، A.G، Fiske، G.J & amp Houghton، R. A. اتجاهات التمثيل الضوئي المرصودة عبر الأقمار الصناعية عبر أمريكا الشمالية الشمالية المرتبطة بالمناخ واضطراب الحرائق. بروك. ناتل. أكاد. علوم. الولايات المتحدة الأمريكية 102, 13521–13525 (2005).

جيا ، جي إس جيه ، إبستين ، إتش إي وأمبير ووكر ، دي إيه غريننغ من القطب الشمالي ألاسكا ، 1981-2001. رسائل البحث الجيوفيزيائي 30 (2003).

مايرز سميث ، آي هـ. وآخرون. توسع الشجيرات في النظم البيئية للتندرا: الديناميات والتأثيرات وأولويات البحث. بيئة ريس ليت 6 (2011).

إلمندورف ، س. وآخرون. دليل على نطاق الأرض على تغير الغطاء النباتي في التندرا وعلاقته بالاحترار الصيفي الأخير. تغيير نات كليم 2, 453–457 (2012).

Bokhorst، S.، Bjerke، J.W، Street، L.E، Callaghan، T.V & amp Phoenix، G.K. بيولوجيا التغيير العالمي 17, 2817–2830 (2011).

ليلجدال ، أ. ك. وآخرون. تدهور آسفين الجليد في القطب الشمالي في ارتفاع درجة حرارة التربة الصقيعية وتأثيره على هيدرولوجيا التندرا. نات جوسسي 9, 312 (2016).

بهات ، الولايات المتحدة وآخرون. الآثار المترتبة على انحسار الجليد البحري في القطب الشمالي على نظام الأرض. المراجعة السنوية للبيئة والموارد, 39, 57 (2014).

Raynolds، M.K & amp Walker، D.A يؤدي زيادة الرطوبة إلى إرباك اتجاهات مؤشر NDVI المشتقة من لاندسات في منطقة المنحدر الشمالي لألاسكا الوسطى ، 1985-2011. بيئة ريس ليت 11 (2016).

Jorgenson، M. & amp Grosse، G. الاستشعار عن بعد لتغير المناظر الطبيعية في مناطق التربة الصقيعية. دائمة التجمد Periglac 27, 324–338 (2016).

بهات ، الولايات المتحدة وآخرون. الانخفاضات الأخيرة في اتجاهات الاحترار والغطاء النباتي في منطقة التندرا القطبية الشمالية. Remote Sens-Basel 5, 4229–4254 (2013).

Phoenix، G. K. & amp Bjerke، J.W Arctic browning: الأحداث المتطرفة والاتجاهات التي تعكس تخضير القطب الشمالي. بيولوجيا التغيير العالمي 22, 2960–2962 (2016).

Nitze، I. & amp Grosse، G. الكشف عن ديناميات المناظر الطبيعية في منطقة دلتا لينا في القطب الشمالي باستخدام مجموعات متسلسلة زمنية من لاندسات كثيفة مؤقتًا. بيئة الاستشعار عن بعد 181, 27–41 (2016).

باتيسون ، آر آر ، جورجنسون ، جي سي ، راينولدز ، إم ك. & أمبير ويلكر ، جي إم الاتجاهات في NDVI و Tundra Community Composition in the Arctic of NE Alaska بين 1984 و 2009. النظم البيئية 18, 707–719 (2015).

Frost ، G. V. ، Epstein ، H. E. & amp Walker ، D. A. التباين الإقليمي وعلى نطاق المناظر الطبيعية لديناميكيات الغطاء النباتي التي تمت ملاحظتها من قبل لاندسات في شمال غرب التندرا السيبيرية. بيئة ريس ليت 9 (2014).

إميرتون ، سي أ. وآخرون. صافي تبادل النظام الإيكولوجي لثاني أكسيد الكربون2 مع تغير سريع للمناظر الطبيعية العالية في القطب الشمالي. بيولوجيا التغيير العالمي 22, 1185–1200 (2016).

مكمانوس ، ك. وآخرون. أدلة تستند إلى الأقمار الصناعية لتوسع الشجيرات والتندرا الجرامينية في شمال كيبيك من 1986 إلى 2010. بيولوجيا التغيير العالمي 18, 2313–2323 (2012).

Bartsch، A.، Hofler، A.، Kroisleitner، C. & amp Trofaier، A. M. رسم خرائط الغطاء الأرضي في مناطق التربة الصقيعية الشمالية ذات خط العرض العالي مع بيانات القمر الصناعي: الإنجازات والتحديات المتبقية. Remote Sens-Basel 8 (2016).

لارا ، إم ج. وآخرون. يؤدي التغير الجيومورفولوجي متعدد الأضلاع في التندرا استجابة للاحترار إلى تغيير تدفق ثاني أكسيد الكربون والميثان المستقبلي في شبه جزيرة بارو. بيولوجيا التغيير العالمي 21, 1634–1651 (2015).

Jorgenson، T.M & amp Grunblatt، J. رسم الخرائط البيئية على مستوى المناظر الطبيعية لشمال ألاسكا والتصوير الميداني (2013).

Jorgenson، M. & amp Heiner، M. النظم البيئية لشمال ألاسكا. 1: 2.5 مليون خريطة بمقياس أنتجتها ABR، Inc.، Fairbanks، AK and the Nature Conservancy، Anchorage، AK. (2003).

لارا ، إم ج. وآخرون. التغير المقدر في وظيفة النظام البيئي للتندرا بالقرب من بارو ، ألاسكا بين عامي 1972 و 2010. بيئة ريس ليت 7 (2012).

USGS. مشروع مجموعة البيانات المحسنة لمستجمعات المياه والتيار الهيدروغرافي ، مستجمعات المياه في ألاسكا - المستوى الخامس ، الذي تم تجميعه بواسطة معهد بيولوجيا الحفظ. (2006).

ووكر ، د. وآخرون. خريطة الغطاء النباتي في القطب الشمالي. J فيج سسي 16, 267–282 (2005).

كانفسكي ، م. وآخرون. الجليد الأرضي في التربة الصقيعية العليا لساحل بحر بوفورت في ألاسكا. تقنية علوم الريج الباردة 85, 56–70 (2013).

Lara، M.J، Nitze، I.، Grosse، G. & amp McGuire، A.D Tundra خرائط الاتجاهات الإنتاجية للأرضية والغطاء النباتي لسهل القطب الشمالي الساحلي في شمال ألاسكا. البيانات العلمية، (في الصحافة).

Elith، J.، Leathwick، J.R & amp Hastie، T. دليل عملي لأشجار الانحدار المعزز. J انيم Ecol 77, 802–813 (2008).

يفرقع، ينفجر. شبكة السيناريوهات لتخطيط ألاسكا والقطب الشمالي, جامعة ألاسكا. (2017).

Lara، M.J، Johnson، D.R، Andresen، C.، Hollister، R.D & amp Tweedie، C.E. يتحول تبادل الكربون في موسم الذروة من حوض إلى مصدر بعد أكثر من 50 عامًا من استبعاد الحيوانات العاشبة في نظام بيئي للتندرا في القطب الشمالي. ي إيكول 105, 122–131 (2017).

Walsh، J. E.، Chapman، W.L، Romanovsky، V.، Christensen، J.H & amp Stendel، M. Global Climate Model Performance over Alaska and Greenland. J المناخ 21, 6156–6174 (2008).

ACIA. تقرير علمي عن تقييم تأثير المناخ في القطب الشمالي. صحافة جامعة كامبرج, كامبريدج, المملكة المتحدة. (2005).

Bieniek ، P. A. وآخرون. العوامل المناخية مرتبطة بتغير موسمية إنتاجية نباتات التندرا الساحلية في ألاسكا. تفاعل الأرض 19 (2015).

Bokhorst، S.F، Bjerke، J.W، Tommervik، H.، Callaghan، T.V & amp Phoenix، G.K. ي إيكول 97, 1408–1415 (2009).

Bokhorst ، S. ، Tommervik ، H. ، Callaghan ، T. V. ، Phoenix ، G. K. & amp Bjerke ، J.W. بيئة إكسب بوت 81, 18–25 (2012).

Andresen، C.G & amp Lougheed، V.L. اختفاء أحواض التندرا القطبية الشمالية: تحليل دقيق للهيدرولوجيا السطحية في أحواض بحيرات الذوبان المجففة على مدى 65 عامًا (1948-2013). مجلة البحوث الجيوفيزيائية - العلوم الحيوية 120, 466–479 (2015).

فياريال ، س. وآخرون. تغير نباتات التندرا بالقرب من بارو ، ألاسكا (1972-2010). بيئة ريس ليت 7 (2012).

Lougheed، V. L.، Butler، M.G، McEwen، D.C & amp Hobbie، J.E. أمبيو 40, 589–599 (2011).

Reyes، F. R. & amp Lougheed، V.L. الإطلاق السريع للمغذيات من ذوبان الجليد الدائم في النظم الإيكولوجية المائية في القطب الشمالي. Arct Antarct Alp Res 47, 35–48 (2015).

Jorgenson، M. T.، Shur، Y.L & amp Pullman، E.R. زيادة مفاجئة في تدهور التربة الصقيعية في القطب الشمالي في ألاسكا. رسائل البحث الجيوفيزيائي 33 (2006).

Batzli ، G.O. ، Pitelka ، F.A & amp Cameron ، G.N. Habitat Use بواسطة Lemmings بالقرب من بارو ، ألاسكا. Holarctic Ecol 6, 255–262 (1983).

تشو ، زد سي. وآخرون. تخضير الأرض وسائقيها. تغيير نات كليم 6, 791 (2016).

Los، S. O. تحليل الاتجاهات في بيانات AVHRR و MODIS NDVI المدمجة في 1982-2006: إشارة إلى تأثير تخصيب ثاني أكسيد الكربون في الغطاء النباتي العالمي. الكرة الأرضية. الكيمياء الحيوية. دورة 27, 318–330 (2013).

Forbes، B. C.، Fauria، M. & amp Zetterberg، P. يتم تتبع احترار القطب الشمالي الروسي و "التخضير" عن كثب بواسطة شجيرات التندرا الصفصاف. بيولوجيا التغيير العالمي 16, 1542–1554 (2010).

دي جونج ، آر ، دي بروين ، إس ، دي فيت ، إيه ، شيبمان ، إم إي & أمبير دينت ، دي إل تحليل اتجاهات التخضير والتسمير الرتيبة من السلاسل الزمنية العالمية لـ NDVI. بيئة الاستشعار عن بعد 115, 692–702 (2011).

Olofsson، J.، Tommervik، H. & amp Callaghan، T.Vole and lemming نشاط لوحظ من الفضاء. تغيير نات كليم 2, 880–883 (2012).

رينولدز ، إم ك. وآخرون. الآثار الجيولوجية البيئية التراكمية لـ 62 عامًا من البنية التحتية وتغير المناخ في المناظر الطبيعية ذات التربة الصقيعية الغنية بالجليد ، حقل نفط خليج برودهو ، ألاسكا. بيولوجيا التغيير العالمي 20, 1211–1224 (2014).

إبشتاين ، هـ. وآخرون. ديناميات الكتلة النباتية الموجودة فوق سطح الأرض في التندرا القطبية القطبية خلال العقود الثلاثة الماضية. بيئة ريس ليت 7 (2012).

كوفن ، سي د. وآخرون. نهج مبسط ومقيَّد بالبيانات لتقدير ردود الفعل على المناخ في التربة الصقيعية. المعاملات الفلسفية للجمعية الملكية أ - العلوم الفيزيائية والهندسية الرياضية 373 (2015).

أبوت ، ب. وآخرون. تعوض الكتلة الحيوية القليل من انبعاثات الكربون دائمة التجمد من التربة والجداول وحرائق الغابات: تقييم خبير. بيئة ريس ليت 11 (2016).


حاول انت الآن!¶

إليك بعض الأفكار التي يمكنك تجربتها مع المتعلمين:

  • بسبب الزيادة الهائلة في حركة المرور ، يرغب مخططو المدينة في توسيع الطريق الرئيسي وإضافة حارة ثانية. أنشئ حاجزًا حول الطريق للعثور على الخصائص التي تقع داخل المنطقة العازلة (انظر الشكل_بوفير_الطريق).
  • للسيطرة على الجماعات المتظاهرة ، تريد الشرطة إنشاء منطقة محايدة لإبقاء المتظاهرين على بعد 100 متر على الأقل من المبنى. قم بإنشاء مخزن مؤقت حول المبنى وقم بتلوينه حتى يتمكن مخططو الأحداث من رؤية مكان المنطقة العازلة.
  • مصنع شاحنات يخطط للتوسع. تنص معايير تحديد الموقع على أن الموقع المحتمل يجب أن يكون على بعد كيلومتر واحد من طريق الخدمة الشاقة. أنشئ حاجزًا على طول طريق رئيسي حتى تتمكن من معرفة أماكن المواقع المحتملة.
  • تخيل أن المدينة تريد سن قانون ينص على عدم وجود متاجر زجاجات داخل منطقة عازلة تبلغ 1000 متر من مدرسة أو كنيسة. قم بإنشاء مخزن مؤقت بطول كيلومتر واحد حول مدرستك ثم اذهب ولاحظ ما إذا كان هناك أي مخازن زجاجات قريبة جدًا من مدرستك.

منطقة عازلة (خضراء) حول خريطة طرق (بنية اللون). يمكنك معرفة المنازل التي تقع داخل المنطقة العازلة ، لذا يمكنك الآن الاتصال بالمالك والتحدث معه حول الموقف.


تنقل الخرائط معلومات حول العالم باستخدام رموز لتمثيل أفكار أو مفاهيم محددة. يجب أن تكون العلاقة بين رمز الخريطة والمعلومات التي يمثلها الرمز واضحة وسهلة التفسير. تتطلب عملية تصميم الرمز أولاً فهم الطبيعة الأساسية للبيانات المراد تعيينها (على سبيل المثال ، أبعادها المكانية ومستوى القياس) ، ثم اختيار الرموز التي تشير إلى سمات البيانات هذه. طور رسامو الخرائط نظام المتغير البصري ، وهو مفردات بيانية ، للتعبير عن هذه العلاقات على الخرائط. يستجيب قراء الخرائط لنظام المتغير المرئي بطرق يمكن التنبؤ بها ، مما يمكّن صانعي الخرائط من تصميم رموز الخرائط لمعظم أنواع المعلومات بدرجة عالية من الموثوقية.

وايت ، ت. (2017). الترميز والمتغيرات المرئية. الهيئة المعرفية لعلوم وتكنولوجيا المعلومات الجغرافية (إصدار الربع الثاني 2017) ، جون ب.ويلسون (محرر). DOI: 10.22224 / gistbok / 2017.2.3

تم نشر هذا الإدخال في 14 يونيو 2017.

يتوفر هذا الموضوع أيضًا في الإصدارات التالية: DiBiase، D.، DeMers، M.، Johnson، A.، Kemp، K.، Luck، A. T.، Plewe، B.، and Wentz، E. (2006). المفاهيم الأساسية للترميز. الهيئة المعرفية لعلوم وتكنولوجيا المعلومات الجغرافية. واشنطن العاصمة: رابطة الجغرافيين الأمريكيين. (الربع الثاني 2016 ، أول رقمي).

الرسوم الأولية: العلامات الرسومية الأساسية أو العناصر التي يمكن استخدامها لإنشاء معظم الرموز (النقاط ، الخطوط ، المضلعات).

اللمس: تتعلق بحاسة اللمس أو استخدامها.

مستوى القياس: الخاصية العددية لسمة أو متغير مقيس.

  • اسمى، صورى شكلى، بالاسم فقط: بيانات فئوية ، غير مرتبة وغير رقمية.
  • ترتيبي: بيانات مرتبة أو مرتبة بدون قيم عددية معينة.
  • فاصلة: بيانات عددية بنقطة صفر عشوائية.
  • نسبة: بيانات عددية مع نقطة صفر غير عشوائية.

عظةمرجع: كائن أو ظاهرة يمثلها الرمز.

البعد المكاني: المدى القابل للقياس لرمز أو ظاهرة في الفضاء.

رمز: علامة أو إشارة تمثل شيئًا أو ظاهرة.

ترميز: ترميز شيء ما مع المعنى من أجل تمثيل شيء آخر.

المتغيرات البصرية: مجموعة من العلامات الرسومية تستخدم لترميز البيانات.

  • بحجم: الاختلافات في طول الرمز أو مساحته أو حجمه.
  • شكل: الاختلافات في مظهر أو شكل رمز.
  • هوى اللون: الطول الموجي السائد للضوء المرئي (مثل الأحمر والأزرق والأخضر).
  • قيمة اللون: اختلافات فاتحة أو داكنة لدرج واحد.
  • تشبع اللون: شدة لون واحد.
  • اتجاه: اتجاه أو زاوية دوران الرمز.
  • ترتيب: توزيع العلامات الفردية التي تشكل رمزًا.
  • الملمس: الخشونة النسبية لرمز الخريطة.
  • الشفافية: مستوى المزج بين رمز وطبقة خلفية.
  • هشاشة: حدة الحدود.
  • الدقة: مستوى التفاصيل أو الدقة لمجموعة البيانات المكانية.

الترميز هو عملية ترميز شيء ما بمعنى من أجل تمثيل شيء آخر. يتطلب تصميم الرمز الفعال أن تكون العلاقة بين الرمز والمعلومات التي يمثلها الرمز (المرجع) واضحة وسهلة التفسير. طور رسامو الخرائط نظام المتغير المرئي ، وهو مفردات بيانية ، للتعبير عن العلاقات المرجعية للرموز على الخرائط.

تأخذ رموز الخريطة أشكالاً عديدة. رمز الخريطة المثالي هو الرمز الذي يتطلب الحد الأدنى من الجهد لفك تشفير المعلومات التي يمثلها الرمز ومطابقتها بشكل ملموس. لحسن الحظ ، يميل القراء إلى الاستجابة لنظام المتغير المرئي بطرق يمكن التنبؤ بها ، مما يمكّن صانعي الخرائط من تصميم رموز الخرائط لمعظم أنواع المعلومات والتأكد من أن هذه الرموز سيتم إدراكها وتفسيرها على النحو المنشود. تسمح الاختلافات في الاختلافات المدركة (وأهمية) الرموز للمصممين بتمثيل مجموعة كبيرة ومتنوعة من البيانات المرجعية.

لتصميم رموز خريطة فعالة ، يجب على مصمم الخرائط التمييز بعناية بين استخدامين لـ المتغيرات المرئية والرسومات الأولية: 1) استخدامها لتشفير المعلومات ، و 2) استخدامها كعناصر في التصميم الجرافيكي. في الحالة الأولى ، يجب أن تمثل الاختلافات في مظهر الرموز اختلافات في البيانات ، والتي يمكن أن تساعد وسيلة الإيضاح في فك تشفيرها. في الحالة الثانية ، يمكن استخدام الاختلافات لجذب انتباه القارئ أو إنشاء تسلسل هرمي مرئي قوي (العلاقات بين الشكل والأرض بين جميع العناصر في الخريطة). لمزيد من المعلومات حول هذا الموضوع ، راجع الإدخالات الموجودة في التسلسل الهرمي المرئي والتخطيط وعناصر الخريطة والجماليات وتصميم أمبير (قادم، صريح، يظهر).

يتطلب اختيار الرمز الفعال مطابقة خصائص الرمز مع الطبيعة الأساسية للمرجع الجغرافي الذي يتم تعيينه ، لا سيما البعد المكاني و مستوى القياس من البيانات التي تم جمعها لتمثيل ذلك المرجع (MacEachren ، 1994 Slocum et al. ، 2009). تعمل خصائص البيانات هذه كمعايير لتحديد المتغيرات المرئية التي يمكن تحديدها لإنشاء رمز خريطة فعال. للمناقشات حول معايير اختيار الرموز الأخرى ، راجع المقياس والتعميم ، ورسم الخرائط الإحصائية ، وعلم الجمال وتصميم مضخم الصوت (قادم، صريح، يظهر).

3.1 البعد المكاني

يمكن تجميع البيانات التي تم جمعها لتمثيل الظواهر في أربعة أبعاد مكانية أساسية: النقطة (الأبعاد الصفرية) ، والخطية (أحادية البعد) ، والمساحة (ثنائية الأبعاد) ، والحجمية (ثلاثية الأبعاد). تتداخل هذه الخصائص المكانية بدقة مع العناصر الأولية الرسومية المستخدمة لإنشاء معظم الرموز الرسومية: النقاط والخطوط والمضلعات. على سبيل المثال ، تكون بيانات مسالك التعداد مساحية بطبيعتها ، وبالتالي يتم تمثيلها عادةً باستخدام رموز الخرائط متعددة الأضلاع.

الأهم من ذلك ، أبعاد البيانات خاصة بالمقياس. على سبيل المثال ، قد تحدث المدن في نقاط على خريطة صغيرة الحجم ، ولكن على الخريطة واسعة النطاق يكون من المنطقي أكثر أن تعرض "بصمتها" أو مدى مساحتها. لهذه الأسباب ، بينما يجب على صانعي الخرائط محاولة مطابقة أبعاد الرمز مع أبعاد الظاهرة ، يجب عليهم أيضًا التأكد من أن طريقة الترميز المحددة مناسبة لكل من طريقة جمع البيانات المستخدمة ومقياس الخريطة المقصود.

3.2 مستويات القياس

يتم تصنيف البيانات عادةً إلى واحد من أربعة مستويات قياس تجريبية ، والتي تشير إلى كيفية قياس ظاهرة أو متغير: الاسمي والترتيبي والفاصل الزمني والنسبة. يحتوي كل مستوى أعلى تباعيًا على جميع خصائص المستويات الأدنى.

  • البيانات الاسمية ، المستوى الأدنى ، ذات طبيعة فئوية أو نوعية ، وليس لها دين طبيعي أو ضمني أو لغة أساسية هي أمثلة على التصنيف الاسمي.
  • البيانات الترتيبية ، المستوى الثاني ، لها علاقة مرتبة أو مرتبة (شيء ما أكثر أو أقل من شيء آخر) ، ولكن لا يوجد فرق عددي بين أي موضعين بهذا الترتيب ، حيث تشير المصطلحات منخفضة ومتوسطة وعالية إلى اختلافات ترتيبية.
  • يتم ترتيب بيانات الفاصل الزمني ، المستوى الثالث ، عدديًا (أي موقعين لهما اختلافات رقمية دقيقة) ، ولكن مقياس الفاصل الزمني يحتوي على نقطة الصفر التعسفية ، ومقاييس درجة الحرارة فهرنهايت ودرجة الحرارة أمثلة على قياسات الفترات (على سبيل المثال ، 100 درجة ليست ضعف الحرارة 50 درجة باستخدام أي من مقياس درجة الحرارة).
  • تحتوي بيانات النسبة ، أعلى مستوى ، على جميع خصائص بيانات الفاصل الزمني ، باستثناء أن مقياس النسبة يستخدم نقطة الصفر غير التعسفية ، مما يجعل مقارنات النسبة المحتملة الكثافة السكانية مثالًا على بيانات مستوى النسبة. الاختلافات بين بيانات الفاصل الزمني والنسبة صغيرة بما يكفي بحيث يتم دمجها في كثير من الأحيان في فئة بيانات "رقمية" ، حيث تكون طرق التمثيل هي نفسها.

ربما أكثر من أي سمة بيانات أخرى ، يحدد مستوى القياس المتغير (المتغيرات) المرئية المناسبة أو غير المناسبة للاستخدام ، ويجب على مصمم الخرائط التأكد من وجود "تطابق" منطقي مفاهيمي بين الاثنين (الشكل 1).

الشكل 1. فعالية المتغيرات البصرية لكل مستوى من مستويات القياس. مقتبس من MacEachren، 1994 and Slocum et al.، 2009.

كان جاك بيرتين (1967/2010) أول من وصف نظامًا من العلامات الرسومية أو المتغيرات المرئية التي يمكن من خلالها استخدام رموز الخريطة لتشفير المعلومات. تسمح الاختلافات في الاختلافات المدركة للعلامات الرسومية الفردية لواضعي الخرائط بتشفير الخصائص النوعية أو الكمية في كل رمز. تكمن نقاط القوة في نظام المتغير البصري في بخله وقدرته على التكيف وسهولة استخدامه. على مر السنين ، تم توسيع هذا النظام ليشمل متغيرات إضافية ثابتة وغير ثابتة (على سبيل المثال ، موريسون ، 1974 ماكليري ، 1983 MacEachren ، 1995). يمكن العثور على لمحات عامة عن نظام المتغيرات المرئية في معظم كتب رسم الخرائط التمهيدية (على سبيل المثال ، Robinson et al. ، 1995 Dent et al. ، 2008 Slocum et al. ، 2009).

نعرض هنا ستة متغيرات مرئية شائعة: الحجم ، والشكل ، وتدرج اللون ، وقيمة اللون ، وتشبع اللون ، والاتجاه (الشكل 2). ينقسم اللون إلى ثلاثة متغيرات بصرية بناءً على الإدراك البشري للون. تمت أيضًا مناقشة متغيرين مرئيين مرتبطين بتصميم النمط (الترتيب والملمس) وثلاثة متغيرات مرتبطة بعدم اليقين في البيانات (الشفافية والوضوح والدقة). كما تمت مناقشة عدد من المتغيرات المتحركة وغير المرئية المتعلقة بالصوت واللمس والرائحة. في حين أن هذه القائمة ليست شاملة ، إلا أن غالبية الرموز تقع ضمن فئة أو اثنتين من هذه الفئات.

الشكل 2. المتغيرات المرئية الشائعة لظواهر النقطة والخط والمنطقة. مقتبس من MacEachren، 1994 Slocum et al.، 2009 and Krygier & amp Wood، 2011.

الجدول 1. تعريف المتغيرات المرئية.

يشير الحجم إلى الاختلافات في طول الرمز أو مساحته أو حجمه. الحجم فعال في تمثيل المعلومات الكمية ، لا سيما البيانات على مستوى النسبة ، لأن أحجام الرموز يمكن تغيير حجمها إلى قيم البيانات التي تمثلها. لاحظ ، مع ذلك ، أنه بينما يمكن مطابقة الحجم منطقيًا لبيانات مستوى النسبة ، غالبًا ما يواجه قراء الخرائط مشكلة في تقدير قيم البيانات بدقة بناءً على حجم الرمز وحده. الحجم غير مناسب للبيانات الاسمية (لا تشير اختلافات الحجم بشكل حدسي إلى اختلافات فئوية) أو الرموز ثلاثية الأبعاد (الناس فقراء في تقدير الفروق الحجمية). Common uses include proportional or graduated symbol maps, flow maps, and cartograms.

Shape refers to the appearance or form of a symbol. Shape is effective at representing nominal differences (e.g., a circle appears categorically different from a triangle), but unsuitable for quantitative differences (e.g., a circle is not inherently “more” or “less” than a triangle). Symbol shapes exist along a mimetic-abstract continuum: mimetic symbols appear to mimic the feature they represent (e.g., an airport represented by the outline of an airplane), whereas abstract symbols (e.g., a circle or plus sign) require a legend to decode their meaning.

4.3 Color Hue

Color hue refers to the dominant wavelength of light in the visible section of the electromagnetic spectrum (red, orange, yellow, green, blue, indigo, violet). Color hue is the only color variable appropriate for representing qualitative information, as different hues suggest categorical rather than numerical differences in a data set. Color hue علبة represent ordinal and numerical data so long as the hues are limited in number and logically sequenced for instance, yellow, orange, and red can represent low, medium, and high data values, respectively. Mapmakers should ensure that selected color hues are appropriate for colorblind audiences (Olson & Brewer, 1997).

4.4 Color Value

Color value, or lightness, refers to light or dark variations of a single hue as a hue lightens (and holding color hue and color saturation constant), it appears pale or white. In the absence of hue, color value can be applied to shades of gray. Color value is commonly associated with quantitative data typically, light shades correspond to low data values, and dark shades to high data values. The number of color values used in a scheme, and the perceptual “steps” between each color value, affect how efficiently a reader can decode the color values (Brewer, 1994 Harrower & Brewer, 2003).

4.5 Color Saturation

Color saturation refers to the intensity or purity of a single hue fully saturated hues appear vivid or bold, and fully desaturated hues appear muted or neutral gray. Conventionally, color saturation is associated with ordinal-level data or uncertainty in data, although guidelines for the use of saturation remain less developed than for hue or value. More commonly, color saturation is used to enhance color hue or color value differences.

4.6 Orientation

اتجاه refers to the direction or angle of rotation of an entire map symbol (for point features) or the individual marks that make up a map symbol (for linear, areal, and three-dimensional features). Orientation differences are readily discriminated, and thus effective at representing nominal information. Orientation is less suitable for quantitative information, as it generally lacks an inherent order, nor is any single direction emphasized over another. Common exceptions include analog clocks and arrows, which may use orientation to signify temporal and vector information, respectively.

4.7 Visual Variables for Patterns

The six visual variables may be variously combined to create linear or areal patterns (repeated graphic designs). For instance, a pattern can be manipulated by changing the shape or orientation of individual marks comprising the pattern. The appearance of any pattern may be further controlled by two additional visual variables, arrangement and texture. Arrangement refers to the distribution or layout of individual marks that make up a map symbol, and may be described in terms of regular/irregular or uniform/random/clustered distributions. Texture, which refers to the relative fineness or coarseness of the areal fill within a map symbol, is a composite variable often defined as an interaction between other visual variables (e.g., MacEachren, 1994 Wilkinson, 2006). Generally speaking, arrangement and texture (and thus patterns) are best suited for representations of nominal information, although texture can suggest quantitative differences as well.

Figure 3. Visual variables for patterns. All area patterns from the United States Geological Survey.

4.8 Visual Variables for Data Uncertainty

MacEachren (1994) identified four visual variables for depictions of uncertainty regarding data quality or reliability: transparency, crispness, resolution, and color saturation. Transparency refers to the blend level between a map symbol and a background layer. Crispness, or fuzziness, refers to the sharpness of boundaries. Resolution refers to the level of detail or precision of a spatial data set. Color saturation is described in subsection 4.5 above. All of these have a continuum of reliability that runs from opaque, sharp, detailed, and saturated to transparent, imprecise, vague, and desaturated. Bear in mind these visual variables are not specific to uncertainty, and can be used to represent other data types as well (e.g., value-by-alpha maps use transparency to represent an attribute otherwise used to normalize choropleth maps). For more information on this topic, see the entry Mapping Uncertainty.

Figure 4. Visual variables for data uncertainty. Note these variables can be used to represent information other than uncertainty.

4.9 Dynamic and Non-Visual Variables

Most contemporary mapping software are capable of creating animated and dynamic maps, often featuring continuously changing map symbology which make use of dynamic “change” variables in addition to those used for static map displays. DiBiase et al. (1992) identified three principal dynamic variables for animated maps (duration, order, and rate of change) to which MacEachren (1995) added three more (display date, frequency, and synchronization). Others have since expanded the number of dynamic variables available for use (see Mapping Time).

Mapmakers are also exploring ways to use our other senses (e.g., sound, touch, and smell) to convey geographic information and accommodate map readers with specific disabilities. Combining individual sensorial variables can create more immersive geographic interfaces and map experiences.

Table 2. Dynamic and non-visual variables.

Krygier (1994) examined two basic forms of sound (realistic and abstract) and identified nine abstract sonic variables (location, loudness, pitch, register, timbre, duration, rate of change, order, and attack/decay) to represent quantitative and qualitative geographic information.

Griffin (2001) developed a haptic (touch) variable system organized around three broad physiological properties: tactile (sensed when our skin comes in contact with something), kinesthetic (sensed in the muscles, joints, or tendons), and visual analog (both visual and tactile). Four tactile variables (vibration, flutter, pressure, and temperature) and three kinesthetic variables (resistance, friction, kinesthetic location) can effectively represent ordinal-level data. Five visual analog variables were derived from existing cartographic visual variables: size and elevation (for representing ordinal data), shape (nominal data), and texture/grain and orientation (both nominal and ordinal data).

Odors may also be encoded with geographical meaning, although cartographers have yet to develop a set of smell variables. For instance, we associate particular odors with phenomena that have distinct spatial or temporal dimensions (e.g., campfires and annual spring blooms). One current constraint of smell research is the limited availability of hardware and software capable of generating odors.

Figure 5. Combining multiple visual variables to create redundant symbolization.

4.10 Redundant Symbolization

Cartographers frequently combine visual variables to provide redundancy within a symbol (Figure 3). Redundant symbols use two or more visual variables to portray a single geographic attribute or feature, such as using both size and color value to represent gross domestic product on a proportional symbol map. Situationally, redundancy may help the map user interpret a particular symbol or perform a specific map activity however, the effectiveness of this technique is debatable, and therefore redundant symbols are uncommon. Visual variables may also be combined to encode a symbol with multiple data attributes see Bivariate & Multivariate Mapping for more information on this topic.

Bertin, J. (1967/2010). Semiology of Graphics: Diagrams, Networks, Maps. عبر. W. Berg. Redlands, CA: ERSI Press.

Brewer C. A. (1994). Color Use Guidelines for Mapping and Visualization. In MacEachren A.M., Taylor D.R.F., editors. Visualization in Modern Cartography. Tarrytown, NY: Elsevier Science pp. 123–147.

Dent, B. D., Torguson, J. S., & Hodler, T. W. (2008). Cartography: Thematic Map Design. الطبعة السادسة. Boston: McGraw-Hill.

DiBiase, D., MacEachren, A. M., Krygier, J. B., & Reeves, C. (1992). Animation and the role of map design in scientific visualization. Cartography and geographic information systems, 19(4), 201-214.

Griffin, A. L. (2001). Feeling it out: the use of haptic visualization for exploratory geographic analysis. Cartographic Perspectives, (39), 12-29. DOI: 10.14714/CP39.636

Harrower, M., & Brewer, C. A. (2003). ColorBrewer.org: an online tool for selecting colour schemes for maps. The Cartographic Journal, 40(1), 27-37. DOI: 10.1002/9780470979587.ch34

Krygier, J. B. (1994). Sound and geographic visualization. In Visualization in Modern Cartography. A. M. MacEachren and D. R. F. Taylor (Eds.). Oxford: Pergamon, pp. 149-166.

Krygier, J., & Wood, D. (2011). Making maps: A visual guide to map design for GIS. New York: Guilford Press.

MacEachren, A. M. (1994). Some truth with maps: A primer on symbolization and design. رابطة الجغرافيين الأمريكيين.

MacEachren, A. M. (1995). How maps work: representation, visualization, and design. مطبعة جيلفورد.

McCleary, G. F. (1983). An Effective Graphic ‘Vocabulary’. رسومات وتطبيقات الكمبيوتر IEEE, 3(2), 46-53. DOI: 10.1109/MCG.1983.263019

Morrison, J. L. (1974). A theoretical framework for cartographic generalization with the emphasis on the process of symbolization. International Yearbook of Cartography, 14(1974), 115-27.

Olson, J. M., & Brewer, C. A. (1997). An evaluation of color selections to accommodate map users with color-vision impairments. حوليات جمعية الجغرافيين الأمريكيين, 87(1), 103-134. DOI: 10.1111/0004-5608.00043

Robinson, A. H., Morrison, J. L., Muehrcke, P. C., Kimerling, A. J., & Guptill, S. C. (1995). Elements of Cartography. نيويورك: جون وايلي وأولاده.

Slocum, T. A., McMaster, R. B., Kessler, F. C., & Howard, H. H. (2009). Thematic Cartography and Geovisualization. الطبعة الثالثة. نهر السرج العلوي ، نيوجيرسي: بيرسون برنتيس هول.

Wilkinson, L. (2006). The grammar of graphics. Springer Science & Business Media.

  • Describe the variables used in the symbolization of map data for visual, tactile, haptic, auditory, and dynamic displays.
  • Design symbols that appropriately relate spatial dimension of mapped features to the level of measurement of the attribute information being mapped.
  • Deconstruct and critique the symbol-referent relationship of a given map symbol.
  • Evaluate the effectiveness of a map’s symbology based on the underlying nature of the data and the visual variables used to represent those data.
  • Design a map with symbols that appropriately represent a given dataset and produces an effective visual hierarchy.
  1. Consider the categorization of visual variables based on their effectiveness at representing qualitative or quantitative data.
    1. Can you identify a situation where a qualitative visual variable would be appropriate for representing quantitative information? يشرح.
    2. Can you identify a situation where a quantitative visual variable would be appropriate for representing qualitative information? يشرح.
    1. How might emerging technologies such as virtual reality affect this framework?
    2. Identify a variable that may become commonplace in the future. In terms of spatial dimension and levels of measurement, which sort of data could it effectively represent?
    1. Identify which symbols appear universal or near-universal. Describe the qualities that allow these symbols to be decoded regardless of the map reader’s cultural background.
    2. Identify which symbols appear culturally-specific. Describe the that may prevent these symbols from being decoded because of the map reader’s cultural background.
    1. Three symbols for each phenomena, each using a different sensorial variable (visual, auditory, haptic).
    2. One redundant symbol for each phenomena using a combination of sensorial variables.
    3. One bivariate symbol for both phenomena using a combination of visual variables.

    (all web sites last accessed in June 2017)

    • ColorBrewer color selection tool: http://colorbrewer2.org/
    • Flowing Data: http://flowingdata.com/
    • GeoVista Center Symbol Store: http://www.symbolstore.org/
    • National Park Service symbol library: https://www.nps.gov/maps/tools/symbol-library/
    • The Noun Project: https://thenounproject.com/
    • Ohio is a piano: http://andywoodruff.com/blog/ohio-is-still-a-piano/
    • Penn State University e-Education, GEOG 486: https://www.e-education.psu.edu/geog486/
    • Vischek colorblindness simulator: http://www.vischeck.com/

    Keates, J. S. (1996). Understanding maps (2nd ed.). Harlow: Addison Wesley Longman.

    Muehlenhaus, I. (2013). Web cartography: map design for interactive and mobile devices. اضغط CRC.

    Tufte, E. (1983). العرض المرئي للمعلومات الكمية. Cheshire, CT: Graphics Press.

    Tufte, E. (1990). Envisioning Information. Cheshire, CT: Graphics Press.

    Ware, C. (2013). Information visualization: Perception for design. الطبعة الثالثة. Amsterdam: Elsevier.


    Neighborhoods mean different things in varied contexts like computational geometry, administration and planning, as well as urban geography and other fields. Among the multiple contexts, computational geometry takes the most abstract and data-oriented approach: polygon neighborhoods refer to polygons sharing a boundary or a point, and point neighborhoods are defined by connected Thiessen polygons or other more complicated algorithms. Neighborhoods in some regions can be a practical and clearly delineated administration or planning units. In urban geography and some related social sciences, the terms neighborhood and community have been used interchangeably on many occasions, and neighborhoods can be a fuzzy and general concept with no clear boundaries such that they cannot be easily or consensually defined. Neighborhood effects have a series of unique meanings and several delineation methods are commonly used to define social and environmental effects in health applications.

    Mu, L., and Holloway, S. (2019). Neighborhoods. الهيئة المعرفية لعلوم وتكنولوجيا المعلومات الجغرافية (إصدار الربع الأول 2019) ، جون ب.ويلسون (محرر). DOI: 10.22224/gistbok/2019.1.11

    This entry was published on March 26, 2019.

    يتوفر هذا الموضوع أيضًا في الإصدارات التالية: DiBiase، D.، DeMers، M.، Johnson، A.، Kemp، K.، Luck، A. T.، Plewe، B.، and Wentz، E. (2006). Neighborhoods. الهيئة المعرفية لعلوم وتكنولوجيا المعلومات الجغرافية. واشنطن العاصمة: رابطة الجغرافيين الأمريكيين. (الربع الثاني 2016 ، أول رقمي)

    حي: The term حي does not have a consensus definition and has been used in multiple contexts ranging from a term in computational geometry to an administration unit in planning and related applications and a variety of meanings in urban geography and other social sciences. الشروط حي و community have been used interchangeably in many occasions. In the following sections, حي will be defined and discussed in three specific contexts at various abstraction levels. It is important to emphasize that "neighborhood" is a broad and complex concept with multi-faceted and multi-scale meanings and definitions. This entry focuses on introducing the neighborhood concept from the perspective of computational geometry, or the topological relationships connecting geographic data in the form of points, lines and polygons (Section 1). Subsequent sections consider the role of the concept in administration and planning on the one hand and urban geography on the other hand (Sections 2 & 3). However, additional discussion is needed if the goal of introducing neighborhoods shifts to other perspectives.

    Empty Circle Criterion: Triangulate three points, if the circumcircle of the triangle contains no other points than the three nodes, the triangle satisfies the empty circle criterion.

    Delaunay Triangulation:Triangulate a finite set of points, if all the triangles satisfy the empty circle criterion, we call this triangulation a Delaunay triangulation.

    Dual Graph: The dual graph of a planar graph with tessellated polygons is formed by taking the center of each polygon as a vertex and joining the centers of adjacent polygons.

    Neighborhood definitions in computational geometry are the most abstract and refer to topological adjacency. The concept has been widely used in GIS and specifically in spatial interpolation methods to find the nearest neighbor(s). In a 2D space, polygon neighbors, borrowing names from chess, mean two polygons share either a line segment – Rook Neighbors (Figure 1a), or just a point – Queen Neighbors (Figure 1b).

    For points, being dimension-less and size-less, the neighbors are usually defined with the construction of Thiessen polygons (or Voronoi diagrams in mathematics or computer science). Thiessen polygons, named after American meteorologist Alfred Thiessen, delineate a region that is closer to a given weather station (generator point) than to any other points. Therefore, Thiessen polygons are sometimes referred to as dominant regions for points. For a set of points, Thiessen polygons can be constructed in many ways, and a popular and straightforward algorithm is to first create a triangulated irregular network (TIN) using Delaunay Triangulation, following the Empty Circle Criterion, and then build Thiessen Polygons as the Dual Graph of the TIN. To implement this method, perpendicular bisecting lines (solid lines on Figure 1c) of the TIN edges of the point set (dotted lines on Figure 1c) are constructed. The polygons delineated by the trimmed intersection of all those perpendicular bisecting lines are Thiessen polygons. If two Thiessen polygons share a boundary, the two generator points of those polygons are defined as neighbors, or first-order neighbors (Figure 1d). Second-order neighbors of a point are its neighbors’ neighbors (Figure 1d). This method is used in many GIS programs because the TIN model is an essential model for representing surfaces.

    Figure 1. Typical Neighborhood Definition for Polygons and Points. Source: authors.

    The above neighbor definitions are based on the assumption that only the locations of the points matter. Many geographic problems need to count for both location and capacity (weight), and in these situations, weighted Thiessen polygons will be a better choice than normal Thiessen polygons. However, a point’s neighbors could be changed in normal versus weighted scenarios. In Figure 2, normal Thiessen polygons are solid lines (left) and weighted Thiessen polygons are dotted lines (right). P1 & P2, P1 and P3, and P1 and P4 are neighbors in normal Thiessen but are not in weighted Thiessen. In addition to weighted Thiessen, there are many other algorithms to define all kinds of neighbors in computational geometry, such as algorithms based on nearest neighbor graphs (NNGs), relative neighbor graphs (RNGs), minimum spanning trees (MSTs), Gabriel graphs (GGs) and more advanced and complex continuous definition such as β-skeleton defined neighbors (Radke, 1988).

    Figure 2. Normal (left) and Weighted (right) Thiessen Polygons, Pn(weight). Source: authors.

    For raster data, neighbors of a raster cell or a group of cells are defined by a fixed or variable number of cells. Map algebra operations can help describe raster neighborhoods at all levels such as local, focal, zonal and global. In Figure 3, dark grey represents the raster cell of interest, and its neighbors are in light grey. Local means the cell itself. ال focal neighborhood delineates the cell and its immediate surrounding area. ال zonal neighborhood shows a zone around the cell, and the zone boundary could be rule-based (based on species, density and more) or arbitrary (such as administration zones). عالمي simply includes everything in the study area.

    Figure 3. Neighborhoods for Raster Operations. Source: authors.

    In the United States, geographic units are usually referred to as those defined by the U.S. Census Bureau such as block, block group, and tract. "Neighborhood" is not a standard geographic unit in that sense. However, in some urban areas, a neighborhood is an administrative or planning unit. For example, in Atlanta, Georgia, there are 25 neighborhood planning units (NPUs), and 244 neighborhoods within these NPUs (Figure 4). There are approximately 2,000 people in each Atlanta neighborhood. Neighborhood is not a geographic unit adopted by the U.S. Census Bureau to conduct population surveys, where the hierarchical units of state, county, tract, block group, and block are used. Although the delineations of neighborhoods match block boundaries most of the time, they are not necessarily 100% aligned with blocks, block groups or tracts. Given that there are 134 census tracts and 325 block groups within the Atlanta city limit, the average size of a neighborhood is between a block group and a census tract, about 1.3 block groups.

    Figure 4. Neighborhoods in the City of Atlanta. Source: authors.

    Take another example, in China, where neighborhood/community or village is the lowest level of the five administration divisions (Table 1). For example, the City of Beijing (the national capital and equivalent to a province-level division) has 16 districts, 181 townships and 150 subdistricts (a total of 331 at this level), and 3,941 villages and 3,054 neighborhoods (a total of 6,995 at this level). There are approximately 3,000 people in each neighborhood or village (Beijing Municipal Civil Affairs Bureau, 2017). Neighborhood leaders are government officials and are responsible for the administration and management of their units, and report to their upper-level subdistricts or townships.

    Table 1. Administration Divisions in China
    Levels of Administration Divisions Chinese Translation
    Province / Province-level 省/省级
    Prefecture / Prefecture-level 地区/地级
    County (rural) or District (urban) 县或区
    Township (rural) or Subdistrict (urban) 乡或街道
    Village (rural) or Neighborhood/Community (urban) 村或社区

    From the perspective of urban geography, sociology, and other related social sciences, a neighborhood carries the fundamental idea of a place where people live and interact with one another and tends to have its own identity based on income, education, ethnicity and other socio-economic characteristics (Rutledge et al., 2011). Neighborhoods usually have fuzzy and sometimes multiple geographic boundaries, and their spatial delineation is closer to functional or perceptual regions than formal regions. These neighborhoods, especially the ethnicity-based ones such as Little Italy, Chinatown, Little Saigon, and Little Mogadishu, can be viewed as cultural clusters.

    There are alternative views of neighborhoods to those that are ethnicity- and class-based. Using social-movement theory, Martin (2003) explained how “neighborhood organizations foster a neighborhood identity that obscures social differences, such as ethnicity and class, among residents.” She described such a process as “place-framing,” and explained how organizations are motivated to unite residents for a neighborhood-oriented agenda, and how place informs activism. The impact of place is also emphasized in a landmark research project in Chicago by Sampson (2012) which advocates that communities still matter because “life is decisively shaped by where you live”, despite the dominating contemporary views of society claiming that community is dead, and we either act solely as individuals or are overwhelmingly controlled by global forces. Neighborhoods are mentioned more often in big cities, although suburban or rural areas also have neighborhoods. In many scenarios, these neighborhoods or communities, do not have clear boundaries, but often fuzzily delineated by factors or processes such as race and civic life (Oliver, 2010), social networks (Hipp, Faris, & Boessen, 2012), housing (Kauko & d’Amato, 2012), social conditions (Looker, 2015), population (D. Martin, 1998) and all kinds of contextual variables (Kwan, 2012).

    Similar views include ones in which neighborhoods have become sites of consumption and spaces to be consumed, and that interactions and power played by a diverse collection of people and institutions are the underlying dynamics to ultimately shape and reshape the neighborhoods (Betancur & Smith, 2016). Neighborhoods also serve as the observational and operational scale for reforming urban policies on immigration, school closing and economic mobility (Pagano, 2015).

    In addition to urban studies, the concepts of neighborhood and neighborhood effect are used extensively in studying human health and illness outcomes such as estimating environmental exposures, the effects of the built environment, and social determinants of health (Chaix, Merlo, Evans, Leal, & Havard, 2009 Flowerdew, Manley, & Sabel, 2008 Strominger, Anthopolos, & Miranda, 2016). When working within health context, neighborhoods can mean either census units – many health data are collected and compiled in block groups, tracts or ZIP codes, or geometric units such as buffers around point, line or polygon features, or process-generated shapes such as chemically contaminated areas. To fill in the gaps in the health literature, Matthews (2011), Robertson and Feick (2018) and many others have written extensively about the theoretical and practical considerations connected with the choice of neighborhood definition, and summarized manual and automatic approaches to defining neighborhood boundaries in those studies.

    Neighborhood is a significant concept in geographic information science and a variety of related fields. Its meanings vary in different settings, ranging from very abstract topological relationships among spatial objects, social clusters in cities, and areas of interest in health studies. No matter what specific domain it is in, ultimately, the common key point is that neighborhood is about relationships between the focused location or object to its surroundings. The relationships can be static or dynamic, emphasizing either the form or the process of the geographic phenomena being studied. Neighborhoods should be considered with other critical geographic concepts such as scale and aggregation, and spatial versus context.

    Related theories and concepts include those connected with space and place (Tuan, 1977), the Modifiable Area Unit Problems (Openshaw, 1984), the Uncertain Geographic Context Problem (UGCoP) (Kwan, 2012), and the Uncertain Point Observation Problem (UPOP) (Robertson & Feick, 2018).

    Beijing Municipal Civil Affairs Bureau. (2017). Retrieved from http://www.bjmzj.gov.cn

    Betancur, J. J., & Smith, J. L. (2016). Claiming neighborhood : new ways of understanding urban change: Urbana : University of Illinois Press/

    Chaix, B., Merlo, J., Evans, D., Leal, C., & Havard, S. (2009). Neighbourhoods in eco-epidemiologic research: delimiting personal exposure areas. A response to Riva, Gauvin, Apparicio and Brodeur. Soc Sci Med, 69(9), 1306-1310. doi:10.1016/j.socscimed.2009.07.018

    Flowerdew, R., Manley, D. J., & Sabel, C. E. (2008). Neighbourhood effects on health: Does it matter where you draw the boundaries? Social Science & Medicine, 66(6), 1241-1255. doi: 10.1016/j.socscimed.2007.11.042

    Hipp, J. R., Faris, R. W., & Boessen, A. (2012). Measuring ‘neighborhood’: Constructing network neighborhoods. Social Networks, 34(1), 128-140. doi:10.1016/j.socnet.2011.05.002

    Kauko, T., & d’Amato, M. (2012). Neighbourhood Effects A2 - Smith, Susan J. In International Encyclopedia of Housing and Home (pp. 50-54). San Diego: Elsevier.

    Kwan, M.-P. (2012). The Uncertain Geographic Context Problem. Annals of the Association of American Geographers, 102(5), 958-968. doi:10.1080/00045608.2012.687349

    Looker, B. (2015). A nation of neighborhoods : imagining cities, communities, and democracy in postwar America: Chicago: The University of Chicago Press.

    Martin, D. (1998). Automatic neighbourhood identification from population surfaces. Computers, Environment and Urban Systems, 22(2), 107-120. doi:10.1016/S0198-9715(98)00011-8

    Martin, D. G. (2003). “Place-Framing” as Place-Making: Constituting a Neighborhood for Organizing and Activism. Annals of the Association of American Geographers, 93(3), 730-750. doi:10.1111/1467-8306.9303011

    Matthews, S. A. (2011). Spatial Polygamy and the Heterogeneity of Place: Studying People and Place via Egocentric Methods. In L. Burton, S. Matthews, M. Leung, S. Kemp, & D. Takeuchi (Eds.), Communities, Neighborhoods, and Health. Social Disparities in Health and Health Care (Vol. 1, pp. 35-55). New York, NY: Springer.

    Oliver, J. E. (2010). The paradoxes of integration: race, neighborhood, and civic life in multiethnic America: Chicago London: University of Chicago Press.

    Openshaw, S. (1984). Ecological Fallacies and the Analysis of Areal Census Data. Environment and Planning A, 16, 17-31.

    Pagano, M. A. (2015). The return of the neighborhood as an urban strategy: Urbana : Published for the College of Urban Planning and Public Affairs (CUPPA), University of Illinois at Chicago, by the University of Illinois Press.

    Radke, J. D. (1988). On the Shape of a Set of Points. In G. T. TOUSSAINT (Ed.), Computational Morphology, in the series of Machine Intelligence and Pattern Recognition (Vol. 6, pp. 105-136). North-Holland: Elsevier Science Publishers B.V.

    Robertson, C., & Feick, R. (2018). Inference and analysis across spatial supports in the big data era: Uncertain point observations and geographic contexts. 22(2), 455-476. doi: 10.1111/tgis.12321

    Rutledge, K., McDaniel, M., Boudreau, D., Ramroop, T., Teng, S., Sprout, E., . . . Hunt, J. (2011). Neighborhoods. In K. West & J. Evers (Eds.), National Geographic Encyclopedia: National Geographic Society.

    Sampson, R. J. (2012). Great American City: Chicago and the Enduring Neighborhood Effect: University of Chicago Press.

    Strominger, J., Anthopolos, R., & Miranda, M. L. J. I. J. o. H. G. (2016). Implications of construction method and spatial scale on measures of the built environment. 15(1), 15. doi:10.1186/s12942-016-0044-x

    Tuan, Y.-f. (1977). Space and place : the perspective of experience. Minneapolis: University of Minnesota Press.


    شاهد الفيديو: مجموع قياسات الزوايا الداخلية في المضلع