أكثر

لماذا تفقد عملية استيراد QGIS Vector OpenStreetMap الميزات؟

لماذا تفقد عملية استيراد QGIS Vector OpenStreetMap الميزات؟


أحاول استخدام بيانات OSM في QGIS 2.8.2. لقد قمت باستيراد بياناتي إلى طبقات SpatiaLite باستخدام الخطوات التالية:

  1. Vector -> OpenStreetMap -> تنزيل البيانات ...
  2. Vector -> OpenStreetMap -> استيراد الطوبولوجيا من XML ...
  3. Vector -> OpenStreetMap -> تصدير الطوبولوجيا إلى SpatiaLite ...

للخطوة الأخيرة ، قمت باستيراد الخطوط المتعددة الخطوط. لقد لاحظت أن بعض الطرق السريعة الرئيسية بها فجوات في الوسط. هذه ليست حالة مقطع خارج منطقتي - الفجوة موجودة في منتصف المنطقة تمامًا.

ستلاحظ أنني وضعت الطريق السريع الأساسي على طبقته الخاصة عن طريق تحديد الخطوط المتعددة ذات السمات التي أردتها. الخطوط ذات اللون الأزرق الفاتح الموجودة أسفل الطريق السريع الرئيسي هي كل متعدد الخطوط. لاحظ أنه لا يوجد متعدد الخطوط يربط بين مقاطع الطرق السريعة المنفصلة.

أفترض أنه عندما اخترت "Vector -> OpenStreetMap -> Export Topology to SpatiaLite…" ، يتم تصدير جميع الخطوط المتعددة بغض النظر عن السمات التي أتحقق منها. هل هذا صحيح؟ إذا لم يكن كذلك ، فهل هذا من أعراض عدم اختيار "الأنفاق" ، على سبيل المثال؟

هذه ليست نسخة مكررة من هذا السؤال. السؤال المذكور أعلاه هو كيفية استيراد بيانات OSM. لقد أوضحت بالفعل أنه يمكنني استيراد البيانات. الخطوات التي أدرجتها هي نفسها الموجودة في الإجابة المقبولة على 1. سؤالي حول الخطوط المتعددة الخطوط المفقودة.


هذه مشكلة معروفة: فشل البرنامج المساعد OSM في تنزيل جميع البيانات ضمن نطاق معين

لقد قدمت حلاً عمليًا مختلفًا في السؤال ذي الصلة كيف يمكنني تحميل بيانات متجه OSM في QGIS 2.x؟


بطاقة خطأ أخرى ذات صلة هي https://hub.qgis.org/issues/12727 (لا تتعامل مع الخطوط التي تعبر المربع المحيط).

الحل البديل الخاص بي هو تحميل بيانات OSM من خطوة الاستيراد الأولى معأضف طبقة متجهة.


بديل للمقطع لمجموعة الميزات والميزات في Google Earth Engine

أنا جديد جدًا على Google Earth Engine وأريد أن أكون قادرًا على إجراء تحليل تراكب الميزات كما هو موضح في مستند ArcGIS هذا: http://resources.esri.com/help/9.3/arcgisdesktop/com/gp_toolref/geoprocessing/overlay_analysis .htm

لا يمكنني العثور على طريقة لمساعدتي في القيام بذلك في GEE. لدي مجموعتان من ميزة FeatureCollections. كلاهما عبارة عن مجموعات من حوالي 50 مضلعًا ، وواحدًا من مواقع الدراسة وواحدًا من المناطق وأريد معرفة أين تتداخل المواقع مع المناطق وإذا كانت متداخلة ، فما هي نسبة الموقع في كل منطقة يتداخل معها. لقد حاولت استخدام "التقاطع" ولكن هذا يظهر لي فقط منطقة التقاطع بين المواقع والمناطق. هناك طريقة "مقطع" قد تكون مفيدة لقص المواقع إلى المناطق التي توجد بها ولكن يبدو أن هذا متاح فقط للصور وليس مجموعات الميزات. هل لديك أي اقتراحات حول كيفية القيام بذلك؟


استيراد بيانات KMZ / KML إلى ArcMap وإنشاء ملف الشكل

غالبًا ما يرسل لك المتعاونون / الكشافة بياناتهم الجغرافية (النقاط والخطوط والمضلعات) بتنسيق KMZ / KML نظرًا لأن تطبيق GoogleEarth مجاني ومتاح بسهولة. من أجل إجراء تحليل GIS على هذه البيانات ودمجها في مشروع ArcMap ، ستحتاج إلى استيراد هذه البيانات إلى ArcMap.

1. تأكد من استلامك لبيانات KML وليس بيانات KMZ (حزمة KML المضغوطة). إذا تلقيت ملف KMZ ، فافتح الملف في برنامج Google Earth أولاً واحفظه بتنسيق KML. الرجوع إلى منشور المدونة هذا للحصول على إرشادات تفصيلية. ملحوظة: قد تحاول العمل على KMZ مباشرة في ArcMap ، لقد أكدت أن ArcMap 10.2 يمكنه استيراد بيانات النقطة من ملف KMZ ، لكن الإصدار السابق والبيانات الأخرى (الخطوط والمضلعات) قد أعطتني مشاكل في الماضي عندما حاولت الاستيراد من KMZ مباشرة.

2. ابدأ ArcMap (مشروع جديد أو أي مشروع يغطي المنطقة التي تأتي منها بياناتك). يفتح ArcToolBox (انقر فوق رمز مربع الأدوات الأحمر في الأعلى). في أداة التحويل / من KML بداية طبقة KML.

3. تصفح إلى ملف KML الذي حفظته وقم بتشغيل الأداة.

لا تقم بإعادة تسمية موقع الإخراج من المستخدمون & hellip. المستندات ArcGIS. هذا منع الأداة من العمل بشكل صحيح.

عند إنشاء اسم ملف لملف .lyr جديد ، لا تترك مسافات واستخدم _UNDERSCORE _ بدلاً من الشرطات. قد لا يتم سحق ArcMap بسبب ذلك ، ولكن أسماء الملفات هذه قد تعطيك مشكلة في تحليل GIS على المدى الطويل.

4. إذا تم تشغيل العملية بدون أخطاء ، فسترى طبقة جديدة مضافة إلى مشروع ArcMap الخاص بك

5. لحفظ ملف الطبقة الجديد كملف أشكال ، انقر بزر الماوس الأيمن على نوع المعلومات الجغرافية (يجب حفظ النقاط والخطوط والمضلعات في ملفات أشكال منفصلة) التي تريد حفظها وتحديدها البيانات / تصدير البيانات و hellip

انقر فوق رمز المجلد واسم ملف الشكل الذي تريد تصديره.

انقر فوق "موافق" وحفظ ملف الشكل.

6. أنت فعله.

مرحبا لماذا أرى فقط:

مرحبًا ، لماذا أرى فقط: أدوات التحويل / إلى KML؟ وليس: v / From KML؟ لا يمكنني استيراد ملفات KML الخاصة بي إلى Gis Kind تحياتي ، Rinus

عزيزي رينوس. أي إصدار من

عزيزي رينوس. ما هو إصدار ArcMap الذي تستخدمه؟ يجب أن يكون هناك خيار Tools / From KML كما هو موضح في الإصدارات 10 والإصدارات الأحدث. أتذكر أنه لم يكن لدى 8 و 9 هذه الخيارات وكان هناك نصوص خارجية لذلك.


[مبتدئ] - تعيين النقطية إلى نطاق البيانات الوصفية ، وليس مدى المزود؟

لدي ملف نقطي .tiff وأنا أعرف المدى الدقيق له. عندما قمت باستيراده ، تم تعيين مدى افتراضي مبرر إلى (0،0). لقد أدخلت النطاق الصحيح في البيانات الوصفية للطبقة & # x27s ، لكنها تستمر في التعيين إلى النطاق الأصلي المقدم. كيف يمكنني فرض تحديث؟ لقد حاولت حفظ الطبقة وإعادة استيرادها عبر طبقة & gt انقر بزر الماوس الأيمن & تصدير gt & gt حفظ باسم مع التنسيق الجغرافي والمدى الصحيح. تلك الطبقة لها المدى الصحيح ، لكنها صورة فارغة للأسف (وحجم الملف ضخم)

كيف يمكنني إجبار طبقة نقطية على استخدام نطاق إدخال يدوي؟ إذا كان من الأسهل إجبارها على تراكب طبقة نقطية موجودة بدقة ، فإن ذلك سيعمل أيضًا.

شكرا! عذرًا إذا تم الرد على هذا من قبل ، فقد بحثت في هذا المنتدى وغيره عن & # x27raster مدى ، & # x27 & # x27qgis نطاقات تحديث الطبقة النقطية & # x27 وما شابه ذلك ولم أجد أي حلول.

لست متأكدًا من أنني أتابع كل ما تقوله. ومع ذلك ، لاحظ أن تعيين المدى في البيانات الوصفية لن يؤدي في الواقع إلى إعادة وضع صورتك. إذا كنت تعرف معلومات الإحالة الجغرافية الدقيقة ، يمكنك محاولة إنشاء ملف WORLD مرتبط. هذا مجرد ملف ASCII سيضع أي صورة نقطية. تعرف عليها هنا:

إذا لم يكن لديك & # x27t معلومات دقيقة أو لم تكن صحيحة ، فإن QGIS Georeferencer هو أداة رائعة أخرى. (Raster & gt Georeferencer)

شكرًا لك على الملاحظة حول worldfiles ، إنها أداة مفيدة لم أكن على دراية بها. أعتقد أن طريقة FWTools الموصوفة هنا هي حل أكثر فائدة لأنها تضمّن المدى في البيانات الوصفية الفعلية لـ. tiff بدلاً من إنشاء ملف منفصل. الملف .geo الذي يذكره هو أيضًا ملف نصي بسيط.

كنت على علم بالمرجع الجغرافي ولكن كما تقول ، هذا & # x27s أفضل للصور ذات النطاقات غير المعروفة ، لكن شكرًا لك على إدراجه كخيار.

لا أفهم سبب عدم قيام QGIS بإعادة وضع صورة نقطية بناءً على بيانات تعريف إدخال المستخدم. وما فائدة عدم فعل ذلك؟ ما فائدة السماح حتى للمستخدم بتحديث نطاق البيانات الوصفية في حالة عدم استخدام البرنامج لتلك المعلومات؟ وهل يوجد في أي مكان في واجهة المستخدم الرسومية لإعادة وضع البيانات النقطية بإدخال إحداثيات رقمية دقيقة (بدلاً من الإدخال غير الدقيق المستند إلى النقر عبر Georeferencer أو السحب / الإسقاط / التبديل باستخدام الماوس أو إدخال مفتاح السهم) ، أم أن استخدام وحدة تحكم Python هو الخيار الوحيد؟


2. العمل ذات الصلة

في العقدين الماضيين ، تم تطوير واختبار عدة طرق للكشف والتنبؤ بتغيرات الغطاء الأرضي والنمو الحضري ضمن الطبيعة المعقدة للتحضر. تعتمد أسس النمو الحضري كجزء من عملية التحضر على الخصائص الجغرافية المكانية للمدينة وكذلك على العوامل المؤسسية والاقتصادية المعقدة على المستويات المحلية والوطنية (باتي ، 2008). وفقًا لـ Black and Henderson (1999) ، بدون هؤلاء العملاء ، تميل المدن إلى النمو بشكل أكبر وتصبح أقل في المجموع. يُظهر باتي (2013) أن المدينة التي يتزايد حجمها تؤثر على التكتلات الاقتصادية سلبًا وإيجابيًا وتولد سمات اجتماعية واقتصادية جديدة. لدعم عمليات الإدارة الحضرية الفعالة ، تبحث سلسلة من الدراسات في العديد من طرق التعلم الآلي للتنبؤ بتغير الغطاء الأرضي بشكل عام ، بالإضافة إلى النمو الحضري على وجه التحديد ، مثل الأتمتة الخلوية (CA) والانحدار اللوجستي (LR). يمكن تصنيف هذه الدراسات إلى ثلاث مجموعات رئيسية: دراسات تقارن تنبؤات أساليب التعلم الآلي المختلفة (Berberoğlu، Akín، & Clarke، 2016 Xu، Gao، & Coco، 2019) دراسات تبحث في تكامل العديد من خوارزميات التعلم الآلي لأداء النمو الحضري التنبؤ (Chaudhuri & Clarke، 2014 Guan، Wang، & Clarke، 2005 Lin & Li، 2016 Triantakonstantis & Stathakis، 2015 Xia، Zhang، Wang، & Zhang، 2019 Xu et al.، 2019) والدراسات التي تناقش تأثير البيانات المساعدة حول دقة التنبؤ (Stanilov & Batty، 2011 Xia et al.، 2019 Zhou، Varquez، & Kanda، 2019). بالإضافة إلى استراتيجيات التعلم الآلي ، تناقش هذه الدراسات تعريف المناطق الحضرية وغير الحضرية. تم تنظيم هذا القسم بالطريقة التالية. أولاً ، تمت مناقشة المجموعات الرئيسية الثلاث لاستراتيجيات التعلم الآلي في الأدبيات. ثم يتم مراجعة التعريف المشترك للمناطق الحضرية وغير الحضرية. بعد ذلك ، يتم تقديم المناهج في الأدبيات التي تستخدم التعلم العميق في مجال علم المعلومات الجغرافية.

Berberoğlu et al. (2016) و Xu et al. (2019) مقارنة مناهج التعلم الآلي المختلفة للتنبؤ بالنمو الحضري. Berberoğlu et al. (2016) تنبأ بالنمو الحضري باستخدام شبكة عصبية اصطناعية (ANN) ، وسلسلة ماركوف (MC) ، و LR. لهذا الغرض ، استخدموا الصور المستشعرة عن بعد من 1967 إلى 2007 بدقة مكانية تبلغ 10 م × 10 م كمدخلات وتهدف إلى التنبؤ بالنمو الحضري لعام 2023 في أضنة (تركيا). أبلغوا أن ANN الخاصة بهم سجلت دقة تنبؤ أعلى من LR (انظر الجدول 1). قدم شفي زاده مقدم ، وأصغري ، والطيبي ، والطليعي (2017) مقارنة بين أربعة إجراءات مختلفة للتعلم الآلي لتوقع النمو الحضري ، وهي ANN و CA ونموذج إحصائي وشجرة قرارات. كانت منطقة اهتمامهم (ROI) هي طهران (إيران). لقد استخدموا الصور المستشعرة عن بعد لعائد الاستثمار من عام 1985 إلى عام 1999 بدقة مكانية تبلغ 30 مترًا × 30 مترًا للتنبؤ بالنمو الحضري لعام 2014. وأفادوا أن نموذج ANN الخاص بهم توقع بدقة إجمالية تبلغ 74.1٪. قام Triantakonstantis و Stathakis (2015) بتطبيق MLP للتنبؤ بالنمو الحضري في أثينا (اليونان). استخدموا بيانات الغطاء الأرضي CORINE من 1990 إلى 2000 بدقة مكانية تبلغ 100 متر × 100 متر لحساب نموذج التنبؤ بالنمو الحضري لعام 2006. وقارنوا نتائجهم بالحقيقة الأساسية من بيانات الغطاء الأرضي للأطلس الحضري لعام 2006 من أجل التحقق من صحة نموذجهم. أبلغوا عن قيمة كابا 0.639.

المؤلفون الطريقة المستخدمة الدقة المكاني دقة الشاملة دقة اعد الاتصال قيمة كابا
Berberoğlu et al. (2016) SLEUTH ، شجرة الانحدار (RT) ، LR ANN 10 م × 10 م 71٪ (ANN) غير متاح غير متاح 0.6586 (ANN)
شفي زاده مقدم وآخرون. (2017) تغير استخدام الأراضي ، ANN ، الغابة العشوائية ، أشجار الانحدار ، LR ، الانحدار التكيفي متعدد المتغيرات 30 م × 30 م 74.7٪ (ANN) غير متاح غير متاح غير متاح
شودري وكلارك (2014) SLEUTH و LR 500 م × 500 م غير متاح غير متاح غير متاح 0.71
Guan et al. (2005) CA و ANN 100 م × 100 م غير متاح غير متاح غير متاح غير متاح
Triantakonstantis و Stathakis (2015) MLP 100 م × 100 م غير متاح غير متاح غير متاح 0.639
شو وآخرون. (2019) آن ، كاليفورنيا 30 م × 30 م غير متاح غير متاح غير متاح 0.94
شيا وآخرون. (2019) CA ونموذج الجاذبية 30 م × 30 م غير متاح غير متاح غير متاح 0.7510
تشو وآخرون. (2019) نقب 30 ثانية قوسية غير متاح غير متاح غير متاح غير متاح
  • تلاحظ: يتم سرد الطرق المختلفة بالإضافة إلى أعلى قيمها لمؤشرات الدقة المقابلة. تشير "N / A" (غير متوفرة) إلى أن المقياس لم يتم الإبلاغ عنه لتقييم الدقة. يمكن ملاحظة أن العديد من طرق التنبؤ تفتقر إلى مؤشرات مشتركة لتقييم دقة نماذجها. يستخدم CA و SLEUTH على نطاق واسع للتنبؤ بالنمو الحضري. يشير الاستبانة المكانية إلى حجم حجم الخلية التي تم التنبؤ بالنمو الحضري لها.

جمعت العديد من الدراسات خوارزميات مختلفة للتعلم الآلي من أجل التنبؤ بالنمو الحضري. جمع Chaudhuri و Clarke (2014) بين CA و LR وكذلك مع الإحصاء الوصفي. Guan et al. (2005) و Xu et al. (2019) الجمع بين CA و ANN. شيا وآخرون. (2019) جمع CA مع نموذج مجال الجاذبية. استخدم Lin و Li (2016) LR ودمجهما مع CA لمحاكاة تغيرات الغطاء الأرضي في 21 مدينة صينية. لهذا الغرض ، استخدموا بيانات Landsat TM بدقة مكانية تبلغ 150 مترًا × 150 مترًا من 2005 إلى 2008 من أجل التنبؤ بالنمو الحضري. وخلصوا إلى أن الاستبانة المكانية المتزايدة تؤدي إلى دقة تنبؤ أعلى. استخدم Chaudhuri and Clarke (2014) تقنية SLEUTH استنادًا إلى CA والإحصاءات الوصفية من أجل التنبؤ بالنمو الحضري. استخدموا صور الاستشعار عن بعد من لاندسات وكذلك من أستر من عام 1985 إلى عام 2004 من أجل التنبؤ بالنمو الحضري بين عامي 2005 و 2010. وكان عائد الاستثمار الخاص بهم هو غوريزيا (إيطاليا). أفادوا أن الدقة الإجمالية زادت مع انخفاض الدقة الزمنية لبيانات الإدخال ، وأن زيادة الفترة الزمنية إلى التاريخ الذي تم فيه حساب التنبؤ قلل من دقة التنبؤ. Guan et al. (2005) دمج نموذج CA المستند إلى SLEUTH مع ANN. تم استخدام ANN لاكتشاف الأنماط في البيانات النقطية الوطنية فوق بكين بدقة مكانية 100 م × 100 م. بناءً على هذه الأنماط ، تم إنشاء قواعد انتقالية لـ CA. وبالمثل ، Xu et al. (2019) جمعت ANN مع تحليل متعدد المعايير (MCA) و CA لمحاكاة التوسع الحضري. تم تطوير معمارية ANN لمحاكاة التوسع الحضري بناءً على نتيجتين محتملتين ، وهما الخلايا الحضرية وغير الحضرية. استخدموا خرائط الغطاء الأرضي لأوكلاند (نيوزيلندا) من الأعوام 1996 و 2006 و 2016 من أجل التنبؤ بالنمو الحضري لعام 2026. وقد اختاروا سبع ميزات ، وهي "الغابات ، والعشب ، والأراضي المفتوحة والعارية ، والأراضي الزراعية ، المياه والنقل والمناطق العمرانية المبنية "لأغراض التنبؤ. كان أعلى معامل كابا الذي سجله نموذجهم 0.94. شيا وآخرون. (2019) طبق CA ونموذج الجاذبية للتنبؤ بالنمو الحضري. لذلك ، قاموا بنمذجة التدفقات المتكررة بين المدن. استخدموا ثلاثة مصادر بيانات مختلفة للتنبؤ بهم ، وهي: صور لاندسات بدقة مكانية 30 م × 30 م ، ونماذج ارتفاع رقمية ، وبيانات عن التدفقات السكانية بين المدن المختارة. كانت عائدات الاستثمار الخاصة بهم ثلاث مقاطعات في الصين: هوبي وهونان وجيانغشي. أبلغوا عن قيمة كابا 0.75 لطرازهم.

أجرى ستانيلوف وباتي (2011) وشيا وآخرون بحثًا عن تأثير المعلومات المساعدة للتنبؤ بالنمو الحضري. (2019) و Zhou et al. (2019). أكد ستانيلوف وباتي (2011) على أهمية تتبع الديناميكيات السريعة والبطيئة التي تؤثر على تغير استخدام الأراضي في المناطق الحضرية ، وذكروا أنه ينبغي تحسين القدرة على فهم العمليات الأساسية. ضمن هذا السياق ، تم اقتراح التركيز على القواعد الأساسية التي تشكل التنمية الحضرية على أساس الجذب والتنافر بين فئات استخدام الأراضي. تم تنفيذ عملهم بناءً على البيانات التاريخية. شيا وآخرون. (2019) يوضح كيف يمكن استخدام التدفقات السكانية والمعلوماتية إلى الداخل والخارج لنمذجة النمو الحضري. تضمنت ثمانية ميزات في نموذج CA الخاص بهم ، بناءً على المسافة إلى طرق النقل بالإضافة إلى المنحدر. أفادوا أن نموذجهم كان يعمل بشكل أفضل بالنسبة للمدن الصغيرة والمتوسطة الحجم بسبب تأثير الجاذبية القوي للمدن الأساسية التي كانت تقع داخل المناطق النائية. وبالمثل ، Zhou et al. (2019) اقترح تضمين البيانات السكانية في نموذج SLEUTH للتنبؤ بنمط النمو الحضري العالمي لعام 2050. واستخدموا مؤشر النمو الحضري من البيانات السكانية العالمية بين عامي 2000 و 2013 ، والذي يعتمد على "التضاريس وشبكات المرور الحالية والمناطق المحمية والمسطحات المائية وخصائص التطور العمراني التاريخي ". قارنوا النتائج بالتنبؤات الثابتة للنمو الحضري العالمي التي قدمها Seto و Güneralp و Hutyra (2012). وخلصوا إلى أن تضمين البيانات الاجتماعية يوفر نتائج أفضل للتنبؤ بالنمو الحضري في مناطق التنمية الحضرية غير المتجانسة. واقترحوا كذلك تحسين النموذج من خلال تضمين البيانات المكانية عالية الدقة وكذلك العوامل الاقتصادية. يلخص الجدول 1 الدقة المبلغ عنها للدراسات التي تمت مناقشتها.

تفوقت شبكات ANN على مناهج التعلم الآلي الأخرى لتنبؤات النمو الحضري ، بالإضافة إلى توقعات النمو الحضري ، غالبًا ما يتم استخدام التعلم الآلي كأداة للتنبؤ بالظواهر المكانية الأخرى في مجال علم المعلومات الجغرافية (Yan & Ai، 2018 Yan، Janowicz، Mai ، & Zhu، 2018 Zhu & Liu، 2018). في Zhu و Liu (2018) ، جرت محاولة لتوفير إطار عام لاختيار الموقع الجغرافي ، بناءً على البيانات المكانية المهيكلة بالرسم البياني والشبكة العصبية التلافيفية للرسم البياني (GCNN). ومع ذلك ، فإنها توفر نتائج غير مستقرة ولا تقييم الدقة. استخدم Yan and Ai (2018) شبكة GCNN للكشف عن هياكل المباني العادية وغير النظامية. لقد سجلوا دقة إجمالية قدرها 98٪ في أداء هذا التصنيف الثنائي. ومع ذلك ، لم يتم تقديم أي تقييم كمي إضافي للدقة ، مثل مصفوفة الارتباك التي كانت ستوفر فهمًا أكثر تفصيلاً لدقة التصنيف لكل فئة من الفئات. يان وآخرون. (2018) ذكر أن تضمين معلومات السياق المكاني ، مثل الارتباط المكاني ، والموقع المشترك المكاني ، وأنماط التسلسل المكاني تؤدي إلى نتائج تصنيف أفضل بشكل ملحوظ في التنبؤ. طبق Mc Cutchan و Giannopoulos (2018) تحليل الارتباط لإثبات أن فئات الغطاء الأرضي لـ CORINE تتواجد في نفس الموقع مع الكائنات الجغرافية لفئات معينة. وسلطوا الضوء على جدوى استخدام الدلالات الجغرافية المكانية للتنبؤ بفئات الغطاء الأرضي. تم تشفير هذه الفئات من الكائنات الجغرافية في OWL وتم استخراجها من LinkedGeoData (Stadler et al. ، 2012). يقدم Grekousis (2019) مراجعة لـ 45 ورقة منشورة بين عامي 1997 و 2016 ، والتي تستخدم ANN والتعلم العميق في الجغرافيا الحضرية. وفقًا لتحليله التلوي ، اقترحت الدراسات السابقة أن التعلم العميق لديه القدرة على نمذجة المشكلات الحضرية المعقدة. اقترح Grekousis (2019) بالإضافة إلى ذلك ، أن هناك حاجة قوية لمنهجيات جديدة ومبتكرة في الجغرافيا الحضرية.

في معظم الدراسات ، تم تعريف المناطق الحضرية على أنها مناطق ذات بيئة مبنية (على سبيل المثال ، منازل) ويتم تحديد المناطق غير الحضرية حسب المناطق ذات البيئة غير المبنية (على سبيل المثال ، الغابات) (Berberoğlu et al.، 2016 Guan et al.، 2005 Triantakonstantis & Stathakis ، 2015). يمكن أن تشمل البيئات غير المبنية أيضًا المساحات المفتوحة غير المبنية داخل المدينة ، مثل الحدائق. تم إجراء تنبؤات النمو الحضري في الغالب وفقًا لتحديد عدم التغيير ، والتغيير من الحضري إلى غير الحضري وغير الحضري إلى الحضري (Berberoğlu et al.، 2016 Santé، García، Miranda، & Crecente، 2010 Triantakonstantis & Stathakis، 2015 ).

على حد علم المؤلفين وبعد إجراء مراجعة شاملة للأدبيات ، لا يُعرف أي عمل حول تنبؤات النمو الحضري التي تستخدم معلومات شاملة حول دلالات الجغرافيا المكانية بما في ذلك معلومات الفصل حول الكائنات الجغرافية مثل المباني أو الشوارع أو نقاط الاهتمام. ومع ذلك ، فقد أشارت النتائج الحديثة إلى أن كل من الغطاء الأرضي في المناطق الحضرية وغير الحضرية له ارتباطات مكانية مع كائنات جغرافية من فئات مختلفة (Mc Cutchan & Giannopoulos ، 2018). أخيرًا ، لم يتم العثور على أي بحث أجرى تجارب مع دمج التعليقات التوضيحية الدلالية للأجسام الجغرافية وعلاقاتها المكانية بالظواهر المكانية المطلوبة للتنبؤ بها. وبالتالي ، فإن التأثير المحتمل لدلالات جغرافية مكانية معينة فيما يتعلق بدقة التنبؤ المكاني يظل سؤالًا مفتوحًا.


لكي يعمل الترميز الجغرافي بسرعة وبدقة ، يجب أن تكون البيانات المرجعية دقيقة الهندسة، دقيق موقعكو دقيق سمات العنوان. معالجة حول بيتسبرغ و في مقاطعة أليغني إلى حد ما معقد، بالنسبة لكثير من الأسباب.

فائدة استخدام ملف OSM-استنادا الترميز الجغرافي الأداة هي أنه إذا وجدت تباينًا في نتائج الترميز الجغرافي ، فمن قدرتك على إصلاح البيانات الأساسية!


أنواع نظام الإحداثيات

فيما يلي نوعان شائعان من نظام التنسيق المستخدم في نظم المعلومات الجغرافية (نظم المعلومات الجغرافية):

خطوط الطول والعرض مثل أنظمة الإحداثيات العالمية أو الكروية. تُعرف هذه غالبًا باسم أنظمة الإحداثيات الجغرافية.

نظام إحداثيات مُسقط مثل Universal Transverse Mercator (UTM) أو Albers Equal Area أو Robinson ، وكلها توفر آليات مختلفة على تنسيق ديكارتي ثنائي الأبعاد لعرض خرائط الأرض والسطح الكروي # 8217s (مع العديد من نماذج إسقاط الخرائط الأخرى) . يُعرف نظام الإحداثيات المتوقع بإسقاطات الخريطة.

توفر أنظمة التنسيق (الجغرافية والمتوقعة) إطارًا لتحديد مواقع العالم الحقيقي.

ما هو المرجع المكاني؟

الإسناد المكاني هو نظام مرجعي جغرافي ونظام إحداثيات يتم تعيينه لأي بيانات جغرافية ، بما في ذلك مجموعات البيانات النقطية وكتالوجات البيانات النقطية. يحدد المرجع المكاني كيف تتغير البيانات الجغرافية رياضيًا إلى خريطة مسطحة بأقل قدر من التشوه. سيكون هناك دائمًا نوع من التشويه في البيانات الجغرافية لأنك تحاول عرض بيانات ثلاثية الأبعاد على مستوى ثلاثي الأبعاد. عندما تختار مرجعًا مكانيًا ، يجب عليك اختيار نوع التشويه الذي تريد تقليله.

تم بالفعل تعريف العديد من المراجع المكانية المحددة مسبقًا وهي متاحة للاستخدام. إذا كان أي من هذه المراجع المكانية لا يمثل الإسقاط المرغوب ، فيمكنك حينئذٍ تعديل التقديرات الحالية أو إنشاء التقديرات الخاصة بك. إذا كنت تريد استخدام نفس المرجع المحلي كفئة معلم حالية أو مجموعة بيانات أو مجموعة بيانات ، يمكنك أيضًا استيراد هذا المرجع المكاني الدقيق.

يمكن أن يؤدي تحويل إسقاط إلى آخر إلى تغيير حجم ومساحة الخلية على سطح الأرض. يعالج كل إسقاط العلاقات بين عالم ثلاثي الأبعاد وعالم ثنائي الأبعاد. يجب أن تكون على دراية بخصائص وتصورات كل إسقاط قبل أن تختار.

ما هي أنظمة الإحداثيات المسقطة؟

يتم تحديد نظام إحداثيات تقريبي على سطح مستو ثنائي الأبعاد. على عكس نظام الإحداثيات الجغرافي ، في نظام الإحداثيات المسقط ، يتكون البعدين من الطول والزاوية والمساحة المستمرة. يعتمد نظام الإحداثيات المسقط دائمًا على نظام الإحداثيات الجغرافي ، والذي يعتمد على دائري أو كروي.

في نظام إحداثيات مُسقط ، يتم تحديد الأماكن بواسطة الإحداثيين x و y على الشبكة ، مع وجود الأصل في مركز الشبكة. في كل حالة هناك قيمتان تشيران إليه في ذلك الموقع المركزي. أحدهما يحدد موقعه الأفقي والثاني موضعه الرأسي. تسمى قيمتان إحداثي س وإحداثيات ص. باستخدام هذا الترميز ، يكون الإحداثي في ​​الأصل هو x = 0 و y = 0.

ما هي أنظمة الإحداثيات الجغرافية؟

يستخدم نظام الإحداثيات الجغرافية (GCS) سطحًا كرويًا ثلاثي الأبعاد لتحديد المواقع على الأرض. غالبًا ما يُطلق على GCS اسم datum بشكل غير صحيح ، لكن المرجع ليس سوى جزء من GCS. يشتمل نظام GCS على وحدة قياس زاوية ، وخط طول رئيسي ، و datam (يعتمد على كروي).

تتم الإشارة إلى نقطة بقيم خطوط الطول والعرض الخاصة بها. خط الطول وخط العرض هما الزوايا المقاسة حتى نقطة على سطح الأرض من مركز الأرض. تُقاس الزاوية غالبًا بالدرجات (أو بالدرجات).

في النظام الكروي ، الخطوط الأفقية ، أو خطوط الشرق والغرب ، هي خطوط عرض أو خطوط متوازية متشابهة. الخطوط العمودية ، أو خطوط الشمال والجنوب ، هي خطوط متساوية في خط الطول أو الزوال. تدمج هذه الخطوط العالم وتصنع شبكة شبكية تسمى graticule.

بين القطبين ، يسمى خط خط العرض في المنتصف خط الاستواء. يحدد خط خطوط العرض الصفرية. خط الصفر يسمى خط الزوال الرئيسي. بالنسبة لمعظم أنظمة الإحداثيات الجغرافية ، يمثل Prime Meridian خط الطول الذي يمر عبر Greenwich ، إنجلترا. تستخدم دول أخرى خطوط الطول التي تمر عبر برن وبوغوتا وباريس. يتم تحديد أصل Graticule (0 ، 0) حيث يختلف خط الاستواء وخط الزوال الرئيسي. ثم ينقسم العالم إلى أربعة أشكال رباعية جغرافية تستند في الأصل إلى محامل البوصلة. يقع شمال وجنوب خط الاستواء فوق وتحت ، وخطوط الطول الرئيسية الغربية والشرقية يسار ويمين.

تُقاس قيم خطوط الطول والعرض تقليديًا بالدرجات العشرية أو بالدرجات والدقائق والثواني (DMS). يتم قياس قيمة خط العرض بين خطي الاستواء في المدى من -90 في القطب الجنوبي إلى +90 عند القطب الشمالي على القطب الاستوائي من خط الاستواء. يتم قياس قيمة خط الطول بالنسبة إلى خط الزوال الرئيسي. أثناء السفر في الشرق ، تصل إلى -180 درجة أثناء السفر 180 درجة. إذا كان خط الطول الرئيسي في غرينتش ، فإن أستراليا ، شرق خط الاستواء وشرق غرينتش ، لها قيمة موجبة لخط الطول وقيمة سالبة لخط العرض.

كما تعلم ، جغرافي ومتوقع نظام التنسيق المستخدم في نظم المعلومات الجغرافية لتمثيل سطح الأرض على سطح مستو أو على الورق. إذا أعجبك هذا المقال ووجدته مفيدًا ، فيرجى مشاركته على وسائل التواصل الاجتماعي.


باستخدام FME ، يمكنك تحويل بيانات KML إلى ملفات أشكال مع القليل من الجهد. ستقرأ FME عناصر KML في ملفك وتقدمها كأنواع ميزات لمزيد من التحولات الأكثر تحديدًا مثل إعداد النظام الإحداثي لفئة الميزات الخاصة بك. باستخدام مهام سير العمل هذه ، ستتمكن من التحكم في السمات التي سيتم حفظها أو إزالتها.

النقاط والخطوط والمضلعات - يا إلهي!

تبدو فكرة تحويل ملف ذي أشكال هندسية متعددة إلى ملف بنوع واحد من الأشكال الهندسية صعبة ، ولكنها ليست كذلك! لديك القدرة على معالجة الميزة (الميزات) التي تهمك في ملف KML الخاص بك وتحويلها إلى ملف شكل نقطة أو خط أو مضلع. سواء قمت برقمنة المعلومات في Google Earth أو استردت الملف في مكان آخر ، فأنت لست مقيدًا بخيارات العرض والتحويل. حتى إضافة معلومات إضافية إلى ملفات الأشكال النهائية أثناء عملية التحويل.

قبل: .kml points of Restaurants in Surrey، BC

بعد: مطاعم Surrey التي تحتوي على "بيتزا" في أسمائها كنقاط shp.

أتمتة تحويلات KML

تم تصميم FME لتحسين إنتاجيتك بحيث يمكنك قضاء المزيد من الوقت في استخدام بياناتك ووقت أقل في القتال معها. بمجرد تكوينه في واجهة المستخدم الرسومية البديهية ، يمكن تشغيل مسارات عمل تحويل KML إلى SHP تلقائيًا في الخلفية باستخدام خادم FME. قم بإعداد الجداول الزمنية لتشغيل سير العمل الخاص بك وتقديم النتائج لأولئك الذين يحتاجون إليها.
قم بجولة في خادم FME

اختر اتجاه البيانات الخاصة بك

عند استخدام FME لإنشاء سير عمل KML إلى SHP ، سيكون لديك قدر مذهل من التحكم في بياناتك نظرًا لوجود العديد من محولات KML المحددة ، مثل KMLStyler و KMLPropertySetter ، المتاحة لك لاستخدامها. يعني تصميم FME بالسحب والإفلات عمليات سير عمل بسيطة وبديهية لا تتطلب أي ترميز. يمكنك حتى عرض نتائج كل خطوة تحويل في فاحص البيانات عند تشغيل سير العمل باستخدام ميزة التخزين المؤقت.


اجابتك


StackExchange.ready (الوظيفة () <
var channelOptions = <
العلامات: "" .split ("") ،
المعرف: "79"
>
initTagRenderer ("". split ("")، "" .split ("")، channelOptions)

StackExchange.using ("externalEditor"، function () <
// يجب إطلاق المحرر بعد المقتطفات ، إذا تم تمكين المقتطفات
إذا كان (StackExchange.settings.snippets.snippetsEnabled) <
StackExchange.using ("snippets"، function () <
createEditor ()
>)
>
آخر <
createEditor ()
>
>)

وظيفة createEditor () <
StackExchange.prepareEditor (<
النوع: "إجابة" ،
autoActivateHeartbeat: خطأ ،
convertImagesToLinks: خطأ ،
noModals: صحيح ،
showLowRepImageUpload تحذير: صحيح ،
سمعة إلى بوستيميجس: لاغية ،
منع bindNav: صحيح ،
postfix: ""،
imageUploader: <
brandingHtml: "بدعم من u003ca href =" https://imgur.com/ "u003eu003c / au003e" ،
contentPolicyHtml: "مساهمات المستخدم المرخصة بموجب u003ca href =" https://creativecommons.org/licenses/by-sa/3.0/ "u003ecc by-sa 3.0 مع الإسناد مطلوب u003c / au003e u003ca href =" https://stackoverflow.com/ السياسة القانونية / المحتوى "u003e (سياسة المحتوى) u003c / au003e" ،
allowUrls: صحيح
>,
onDemand: صحيح ،
discardSelector: ".discard-answer"
، على الفورShowMarkdownHelp: صحيح
>)

نشكرك على المساهمة في الرد على Stack Exchange لأنظمة المعلومات الجغرافية!


  • طلب المساعدة أو التوضيح أو الرد على إجابات أخرى.
  • الإدلاء بتصريحات تستند إلى الرأي يدعمها بالمراجع أو بالتجربة الشخصية.

لمعرفة المزيد ، راجع نصائحنا حول كتابة إجابات رائعة.

لم يتم استقبال بعض إجاباتك السابقة بشكل جيد ، وأنت في خطر أن يتم منعك من الإجابة.


عند تخزين بياناتك المكانية ، ما النهج الأفضل ، ملفات الأشكال أم قواعد البيانات الجغرافية؟ هناك طريقة واحدة فقط لمعرفة ذلك & # 8230.FIGHT !!

أعتذر لهاري هيل عن سرقة أحد عباراته الشهيرة ، لكنني أعتقد أن هذا سؤال مثير للاهتمام ويستحق المناقشة. بدءًا من ArcGIS 9 وما بعده ، كان هناك تحول بعيدًا عن تخزين البيانات المكانية باستخدام ملفات الأشكال الفردية والشبكات النقطية (ما سأطلق عليه "نهج ملف الشكل") ونحو تخزين جميع البيانات المكانية لمشروع GIS في قاعدة بيانات جغرافية واحدة ("قاعدة البيانات الجغرافية" مقاربة'). يبدو أن معظم كتب نظم المعلومات الجغرافية ، والمعلومات التعليمية ، وفي الواقع الدورات التدريبية لـ ArcGIS ، توصي الآن باستخدام قواعد البيانات الجغرافية ، ولكن يبدو أنها تستهدف بشكل عام مؤسسة كبيرة ذات نظم معلومات جغرافية كبيرة ومعقدة للغاية يمكن الوصول إليها من قبل العديد من الأشخاص المختلفين للعديد من الأشخاص المختلفين. المقاصد. غالبًا ما يكون الوضع في البحث البيئي مختلفًا جدًا ، ومن المرجح أن يكون شخصًا واحدًا وجهاز كمبيوتر محمول مع نظام معلومات جغرافي صغير نسبيًا وبسيط. لذلك عند استخدام نظم المعلومات الجغرافية للبحث البيئي ، هل هناك بالفعل أي ميزة لاستخدام نهج على الآخر؟

1. تحتوي قواعد البيانات الجغرافية على جميع المعلومات الموجودة في ملف واحد ، بينما يتطلب استخدام ملفات الأشكال والنقطية تخزين جميع طبقات البيانات كملفات منفصلة: يمكن النظر إلى هذا إما على أنه فائدة لاستخدام قواعد البيانات الجغرافية أو على أنه عيب. باستخدام ملف واحد ، يكون من الأسهل بكثير تتبع جميع طبقات البيانات ونسخ بياناتك احتياطيًا أو نقلها بين أجهزة الكمبيوتر. هذا يعني أيضًا أنه من الأسهل التأكد من أن العمل على نفس الملفات (يمكن أن يكون هذا مشكلة مع ملفات الأشكال التي لها عادة سيئة في التكاثر!). ومع ذلك ، فهذا يعني أيضًا أنه إذا حدث خطأ ما في هذا الملف الفردي ، فأنت مشدود تمامًا. على الأقل إذا كنت تستخدم ملفات الأشكال وتعطل مشروعك ، فيمكنك بسهولة إعادة بنائه من ملفات الأشكال الفردية نفسها حيث يتم تخزينها بشكل منفصل عن ملف المشروع.

2. تم تصميم قواعد البيانات الجغرافية خصيصًا للعمل مع ArcGIS & # 8211 الجزء الأول: هذه ليست مشكلة طالما استمر في الوصول إلى ArcGIS. ومع ذلك ، ماذا يحدث عند تشغيل ترخيص ArcGIS لمشروعك ، أو إذا كان عليك نقل المؤسسات ولم يعد لديك ترخيص؟ إذا كنت قد استخدمت نهج قاعدة البيانات الجغرافية ، فقد تجد أنه لا يمكنك الوصول إلى جميع بيانات GIS الخاصة بك بعد الآن. إذا كنت تستخدم نهج ملف الأشكال ، فهناك العديد من حزم برامج نظم المعلومات الجغرافية البديلة ، والمجانية في كثير من الأحيان ، والتي يمكنك استخدامها للوصول إلى طبقات البيانات الخاصة بك واستكشافها ورسمها ومعالجتها. Therefore, if you are unsure where your next ArcGIS licence might come from (and I am sure this is true for many ecologists), using the shapefile approach means that you will always be able to access your data no matter what. This may not always be the case if you use the geodatabase approach.

3. Geodatabases are specifically designed to work with ArcGIS – Part two: Because geodatabases are specifically designed to work with ArcGIS, you can take full advantage of all the whistles and bells of the ArcGIS software. However, it also means that you cannot easily access your data layers using different GIS software packages. While this might not always be an issue, there are often instances in ecological research where ArcGIS just can’t do what you want it to and you find that you wish to use a different software package (e.g. doing a viewshed analysis in GRASS so that you don’t have to pay for the expensive spatial analyst tools extension to the basic ArcGIS software package just to do one thing). If you use the geodatabase approach you may find that you can’t easily do this, whereas it’s much easier to seamlessly move between different software packages if you use the shapefile approach.

4. Geodatabases are specifically designed to work with ArcGIS – Part three: If you are working with people from different organisations/research groups and not everyone has an ArcGIS licence, you may find sharing your data difficult if you use the geodatabase approach. However, with the shapefile approach sharing your data layers with people using other GIS software packages is much easier.

5. Geodatabases are specifically designed to work with ArcGIS – Part four: If you learn all your GIS using ArcGIS and geodatabases, you may find that you cannot as easily transfer this knowledge to other GIS software, and especially to free, open source GIS software. This is not a problem if you can guarantee that you will always have access to ArcGIS for the rest of your research career, but if you think you might one day have to rely on using different GIS software, you may find it much easier to transfer your skills if you are at least familiar with the shapefile approach. This also means that if you start with GIS career using the shapefile approach even if you’re doing it with ArcGIS, you can then choose whether to specialise in this software and move onto geodatabases, or whether to move on to other GIS software.

6. Geodatabases are more difficult to learn to use for complete beginners: One of the main limitations for encouraging ecologists to use GIS in their research is that they get put off by over-complicated explanations of what GIS is and how it can be used. I’ve found that if I can get people playing around with real data layers as soon as possible they see how useful a tool GIS can be for their research, and they will persist with it. If they don’t see this within the first few hours of using GIS, they will often abandon it, after all there are a lot of other key research skills out there that they can spend their time learning that will also benefit their research. One of the main reason that I tend to teach people GIS using the shapefile approach, is that it gets them up and running, working with real data, as quickly as possible (often within minutes if I’m sitting with them and using their own data in a one-on-one session). If they become sufficiently interested, they can explore whether they would prefer using the geodatabase approach for their own work. If I start by teaching the geodatabase approach, I have to spend those first precious minutes explaining how geodatabases are structured, how they work, the terminology, and so on. I will then quickly see their eyes glaze over and know that they’ll be lost from GIS forever.

From the above, you will clearly see that I favour the shapefile approach, I think it is more flexible and it means that you are much less chained to using ArcGIS whether you like it or not. However, it is worth emphasising here that the bottom line is that you should use the approach that is best suited you and your own circumstances. If you like the geodatabase approach, go with it, if you like the shapefile approach, why not use it? In the end, GIS is just a tool to help you do your research. As long as you succeed in do what you need to, it doesn’t really matter which approach you take, and don’t let anyone tell you anything different.


شاهد الفيديو: حلقة QGIS 3