أكثر

كيف تجد مساحة القيم النقطية داخل مناطق المضلع؟

كيف تجد مساحة القيم النقطية داخل مناطق المضلع؟


أنا أستخدم ArcGIS 9.3 ولا يبدو أنني فهمت ذلك بشكل صحيح - لقد حاولت جدولة المناطق وإحصائيات المنطقة والتحويل إلى مضلعات وما إلى ذلك. لقد فقدت شيئًا ما في مكان ما.

لدي مجموعة بيانات نقطية سطحية غير منفذة لهيئة المسح الجيولوجي الأمريكية تم قصها إلى مناطق التحليل الخاصة بي (مستجمعات المياه). أعدت تصنيف القيم (100) إلى 10 قيم ثم أضفت الحقول وحسبت المناطق بالميل المربع والكيلومتر المربع خلال مدى تحليلي لكل قيمة. لكن ما أريده حقًا هو تلك المناطق المحسوبة لكل منطقة تحليل - 15 في المجموع. ليس لدي دروس هنا في حد ذاتها ، فقط مستويات مختلفة من الحصانة. أريد أن أرى مقدار كل قيمة في كل منطقة. يبدو أن أداة جداول المساحات يجب أن تعمل ، لكنني لا أفهم الأرقام التي أراها في الجدول. أنا أختار اسم التحليل كحقل المنطقة الخاصة بي والميل المربع كحقل صفي. أي مساعدة ستكون محل تقدير كبير لمستخدم GIS الجديد نسبيًا.

شكرا


سوف أعترف بنفور من وظيفة "المستوى الأعلى" في محلل مكاني ، مثل القص وجدولة المنطقة ، لأن العديد من العمليات غير الموثقة تجري تحت الغطاء. في محاولة لتبسيط هذه العمليات ، جعلها مطورو البرمجيات أقل شفافية ، وبالتالي أقل موثوقية ، وبالتالي أقل فائدة بكثير. كلما اقتربت من تفاصيل الحساب ، زادت احتمالية فهمك له والحصول على الإجابة الصحيحة.

لذلك ، بدافع من ذلك ، فكر في استخدام يجمع لتراكب شبكة مستجمعات المياه وشبكة فئة النفاذية. نتائج يجمع هو إنشاء رمز واحد لكل زوج من قيم (معرف مستجمعات المياه ، فئة الحصانة) التي تحدث داخل الخلايا. بالإضافة إلى ذلك ، هناك حقلين مرتبطين بجدول البيانات الجدولية: أحدهما يعطي معرف مستجمع المياه والآخر يعطي فئة الحصانة. كما هو الحال دائمًا ، يوجد حقل [عدد] أيضًا: ضرب هذا في مربع حجم الخلية (والتحويل إلى أي وحدة مساحة تفضلها ، مثل الفدان أو الأميال المربعة) يعطي الإجابات التي تبحث عنها. يتم الضرب بسهولة باستخدام حاسبة الحقل أو عن طريق تصدير جدول البيانات واستخدام برامج أخرى (مثل جدول البيانات) أو حتى بضرب الشبكة نفسها (غير فعالة ، لكنها تعمل) ، بشرط أن يكون المضاعف عددًا صحيحًا.

(من الواضح أن جدولة المناطق تحاول القيام بهاتين العمليتين في وقت واحد: يجمع والضرب في حجم الخلايا التربيعية. لا يوفر الكثير من وقت المستخدم ، خاصةً عندما تضع في اعتبارك البحث الإضافي عن (غير موجود؟) وثائق حول ما يحدث بالفعل ...)


بالنسبة للخطوط النقطية ، استخدمت ما يلي.

FileArea =  (string.atof (str (arcpy.GetRasterProperties_management (outRaster، "ROWCOUNT")))  * string.atof (str (arcpy.GetRasterProperties_management (outRaster، "COLUMNCOUNT"))))  * (string.atof ( (str (arcpy.GetRasterProperties_management (outRaster، "CELLSIZEY"))))  * string.atof ((str (arcpy.GetRasterProperties_management (outRaster، "CELLSIZEX")))))

--- هذا يعطي مساحة البيانات النقطية بالمتر المربع.

بالنسبة للمتجه - ربما يكون من الأفضل دمج المضلعات في ملف شكل واحد وتشغيل حاسبة المنطقة في عرض الجدول. لدي برنامج نصي لتحديد موقع الملفات ودمجها إذا كنت تريد ذلك. آمل أن أتعامل مع سؤالك بشكل صحيح.


كيف تجد مساحة القيم النقطية داخل مناطق المضلع؟ - نظم المعلومات الجغرافية

оличество зарегистрированных учащихся: 19 سنة.

Участвовать бесплатно

مرحبًا بك في الدورة الأخيرة من التخصص (ما لم تكن مستمرًا في مشروع التخرج ، بالطبع!). باستخدام المعرفة التي تعلمتها حول ArcGIS ، أكمل المهام الفنية مثل حسابات البيانات النقطية وتحليل الملاءمة. في هذا الفصل ، ستشعر بالراحة مع التحليل المكاني والتطبيقات داخل نظم المعلومات الجغرافية خلال أربع وحدات مدتها أسبوع: الأسبوع 1: ستتعلم كل شيء عن صور الاستشعار عن بعد وصور الأقمار الصناعية ، وستتعرف على الطيف الكهرومغناطيسي. في نهاية هذا الأسبوع ، ستتمكن & # x27 من العثور على صور القمر الصناعي وتنزيلها عبر الإنترنت واستخدامها لنوعين شائعين من التحليل: NDVI والتصنيف المدرّب. الأسبوع 2: ستتعلم & # x27ll كيفية استخدام ModelBuilder لإنشاء عمليات سير عمل معالجة كبيرة تستخدم معلمات وشروط مسبقة ومتغيرات ومجموعة جديدة من الأدوات. & # x27ll أيضًا نستكشف بعض الموضوعات التي ليس لدينا الوقت الكافي لمناقشتها بالتفصيل ، ولكنها قد تثير شهيتك للتعلم في المستقبل في طرق أخرى: الترميز الجغرافي ، والبيانات الممكنة للوقت ، والإحصاءات المكانية ، و ArcGIS Pro. الأسبوع 3: في الأسبوع الثالث ، نقوم & # x27ll بصنع واستخدام نماذج ارتفاع رقمية باستخدام بعض الأدوات الجديدة والمحددة مثل أداة ملء القطع وظلال التلال ومجال الرؤية والمزيد. & # x27ll أيضًا نمر ببعض الخوارزميات الشائعة بما في ذلك خوارزميات مهمة جدًا: تحليل الملاءمة. الأسبوع 4: & # x27ll نبدأ الأسبوع الأخير بالحديث عن بعض أدوات التحليل المكاني التي لدينا & # x27t حتى الآن في التخصص: مجموعة المنطقة لإنشاء مناطقنا الخاصة ، والإحصاءات البؤرية لتنعيم ظل التلال ، وإعادة التصنيف لتغيير القيم ، و كثافة النقطة لإنشاء سطح كثيف. أخيرًا ، نختتم & # x27ll بالحديث عن بعض الأشياء الأخرى التي قد ترغب في استكشافها أكثر عندما تبدأ في العمل على التعرف على موضوعات نظم المعلومات الجغرافية بنفسك. خذ التحليل الجغرافي المكاني والبيئي كدورة مستقلة أو كجزء من تخصص نظم المعلومات الجغرافية (GIS). يجب أن تكون لديك خبرة مكافئة لإكمال الدورات الأولى والثانية والثالثة في هذا التخصص ، & quot؛ أساسيات نظم المعلومات الجغرافية & quot & quot؛ تنسيقات بيانات GIS والتصميم والجودة & quot؛ & quot؛ التحليل المكاني والبيئي & quot على التوالي ، قبل الالتحاق بهذه الدورة. من خلال إكمال الفصل الرابع ، ستكتسب المهارات اللازمة للنجاح في تتويجا التخصص.

Получаемые навыки

نظام المعلومات الجغرافية (GIS) ، تحليل الصور ، التحليل المكاني ، صور الأقمار الصناعية ، تطبيقات نظم المعلومات الجغرافية

Рецензии

دورة جيدة جدًا ، لكن بعض الموضوعات التي تم تقييمها في هذه الدورة لم يتم شرحها جيدًا ، وخاصة معالجة صور الاستشعار عن بعد (تنزيلها وإدارتها على نظام المعلومات الجغرافية)

دورة رائعة! منظم جيدًا وغني بالمعلومات وغني بالموارد والمواد المفيدة ، مع منتدى مناقشة ممتاز لمناقشة مواضيع الدورة.

محلل مكاني وإلى أين تذهب من هنا

في هذه الوحدة ، & # x27ll نبدأ بتعلم كيفية استخدام بعض الأدوات والمفاهيم المختلفة في المحلل المكاني التي لم نتطرق إليها من قبل. نحن & # x27ll نستخدم مجموعة المنطقة لإنشاء مناطقنا الخاصة ، والإحصائيات البؤرية لتنعيم ظل التلال ، وإعادة التصنيف لتغيير القيم ، وكثافة النقطة لإنشاء سطح كثيف. في النصف الثاني من الوحدة ، سنقدم لك & # x27ll بعض الاقتراحات حول الاتجاهات للتعلم المستقبلي من خلال عرض جميع الأشياء التي * لم نغطيها & # x27t * في هذا التخصص ، بما في ذلك تطبيقات الويب ونظم المعلومات الجغرافية على الهاتف المحمول ، وسير عمل جمع البيانات الميدانية ، والصناعة أدوات وسير عمل محددة ، والإحصاءات المكانية ، والتصميم المتعمق ورسم الخرائط ، والبرمجة وخوادم GIS ، وأنظمة GIS الأخرى مثل QGIS والتطبيقات المصاحبة مثل Geospatial Modeling Environment. يمكن أن تكون هذه بمثابة بذور لتعلمك في نظم المعلومات الجغرافية ووظائفها في المستقبل!

Реподаватели

نيك سانتوس

باحث تطبيقات جغرافية مكانية

Екст видео

[موسيقى] أهلا مرة أخرى ومرحبا بكم من جديد. في هذه المحاضرة سأوضح لك كيفية استخدام أداة مجموعة المنطقة. مجموعة المنطقة هي أداة تساعدنا في أخذ المناطق المتجاورة والخطوط النقطية وتحويلها إلى نفس القيمة. وهذا سيكون أكثر منطقية عندما نلقي نظرة عليه. لذا ، للبدء ، لدينا هنا مخطط المسح الأرضي للغطاء الأرضي الذي رأيناه من قبل. ولدينا عدد من أنواع البيانات المختلفة فيه ، والكثير من القيم الخالية أو الكثير من القيم غير المحددة بينهما ولكن لدينا قيم في كل مجموعة رئيسية في خانة العشرات هنا. إذن لدينا قيم أقل من 30 وأقل من 40 وأقل من 50 وما إلى ذلك. وربما أنا مهتم & # x27m بما يحدث في كل من هذه الأنواع من الكتل المتجاورة التي لها نفس القيمة أو شيء من هذا القبيل. لذلك ربما أرغب في تحويل كل قيمة كهذه إلى رقم خاص بها حتى أتمكن من استخدامها كمنطقة باعتبارها إحصاءات خاصة بها. لذا دعنا & # x27s نحاول القيام بذلك وهذا & # x27s هو ما سنستخدمه لأداة مجموعة المنطقة. لذا فهو & # x27s في المحلل المكاني في الأدوات التي استخدمناها كثيرًا يسمى التعميم وهناك عدد من الأدوات المختلفة هنا التي تساعدك على تنظيف البيانات وإعدادها أيضًا للاستخدامات الأخرى ومجموعة المنطقة هي واحدة منها. وأنا & # x27ll ألقي نظرة عليه هنا. وما تقوله فيه المساعدة & # x27s هو لكل خلية في الإخراج ، يتم تسجيل هوية المنطقة المتصلة التي تنتمي إليها تلك الخلية. يتم تخصيص رقم فريد لكل منطقة. لذلك ستظهر كل منطقة بناءً على الاتصال بين الخلايا بنفس القيم. دع & # x27s نلقي نظرة ونقدم البيانات النقطية للغطاء الأرضي كمدخل نقطي. ولاحظ أنه & # x27s يسمح لي فقط باستخدام ذلك على الرغم من وجود خطوط نقطية أخرى هنا. لكن النقطية الأخرى عبارة عن خطوط نقطية مستمرة ، فهي & # x27s نقطية نقطية عائمة لذا يمكنها & # x27t حقًا وصف الاتصال في ذلك. وسأقوم بتسمية الغطاء الأرضي لمجموعة هذه المنطقة. ولدينا خيار اختيار عدد الجيران. وبشكل افتراضي ، يستخدم فقط طريقة الجوار الأربعة التي تمنحك الاتصال فقط إذا كانت الخلايا تشترك في جانب. لذلك إذا كانت الخلية التي تتصل بها & # x27s أعلى أو أسفل أو يسار أو يمين. إذا قمنا بتغييره إلى ثمانية ، فهذا يعني أنه يمكنه استخدام الأقطار أيضًا ، لذلك لأعلى ولليسار ولأعلى ولليمين ولأسفل يسار ولأسفل لليمين. لذلك سأفعل ذلك حتى يمكن اعتبار جميع الخلايا المجاورة لكل خلية جيران. ثم يمكننا أيضًا اختيار طريقة تجميع المنطقة. هذه المعلمة مفيدة إذا كانت لديك بيانات حيث توجد & # x27s قيمة واحدة تشير إلى العنصر الذي يجب استبعاده ، لكنك تريد استخدام أي قيمة متصلة. بشكل افتراضي ، داخل ما كنت أتحدث عنه للتو. العناصر التي لها نفس القيمة تصبح منطقة جديدة ويكون التقاطع هو المكان الذي تصبح فيه العناصر ذات أي قيمة هي المنطقة باستثناء القيمة المستبعدة بالأسفل هنا. لذلك ربما أرغب في استبعاد جميع الخلايا التي تحتوي على القيمة 1 ، وبالتالي فإن العناصر التي لها أي قيمة أخرى غير قيمة واحدة أو أي خلية لها أي قيمة غير واحدة ستصبح منطقة. لذا دع & # x27s نتركه على أنه WITHIN الافتراضي وسنقوم أيضًا بإضافة حقل الارتباط إلى الإخراج. يساعدنا حقل الارتباط لأنه يوفر حقلاً في جدول البيانات النقطية الناتج يخبرنا بالقيمة الأصلية من البيانات النقطية المدخلة. لذلك يمكننا دائمًا ضم قيم الغطاء الأرضي هذه إلى خطوط مجموعة المنطقة ومعرفة الغطاء الأرضي الموجود بها ، ولكن لدينا أيضًا هذه الطبقة النقطية الجديدة بناءً عليها. لذا دع & # x27s تشغيله وشاهد ما يفعله ، حسنًا. وانتهى الأمر ، أول شيء نراه هو هذا الجدار الرمادي فقط. والسبب في ذلك هو أن لدينا 271090 مجموعة مختلفة. لذلك إذا ألقينا نظرة على كل شيء ، فما نحصل عليه هو هذا النوع من الموجات أثناء تحركها عبر الخلايا ، فإنها تجد مجموعات مختلفة. وهكذا تبدأ من الأعلى هنا وستحصل المجموعة الأولى هنا على القيمة الأولى ، وهي تتنقل ببطء وتجد المجموعات المتصلة في كل هذه المناطق حتى تصل إلى نهاية. وبشكل افتراضي ، لا يساعدنا التدرج اللوني بالتدرج الرمادي & # x27t حقًا على وجه الخصوص لأنه لا يساعدنا في رؤية مجموعات مختلفة. وعادة ما أقول & # x27d أن ما يمكننا فعله هو استخدام قيم فريدة تظهر في الترميز ، لكنني أعتقد أنه & # x27s سيعطينا خطأ ويخبرني أن هناك عددًا كبيرًا جدًا من القيم الفريدة. لذلك لن أكون قادرًا على القيام بذلك ، ولكن في غضون ذلك ، إذا قمت بالتكبير ، يمكنني أن أرى أن هناك مجموعات مختلفة متصلة هنا. وربما إذا حددت بعض القطع ، يمكنني أن أرى أن هذه القطعة لها قيمة امتداد تبلغ 97 على التدرج الرمادي ، لكن قيمة البكسل الفعلية هي 103،501. من هنا ، كانوا في نفس المجموعة. حسنًا ، نحن & # x27ll دهسنا هنا. ربما كانت نفس المجموعة هنا في مجموعة مختلفة. لذلك لدينا الكثير من المجموعات الكبيرة والمفتوحة على مصراعيها هنا ولكن يبدو أن لدينا أيضًا الكثير من المجموعات الصغيرة. لذلك قد يكون من الصعب تحديد ما هو موجود في مناطق معينة هنا ، بناءً على ذلك بشكل مرئي فقط. لكن لدينا مناطق مختلفة. لذلك نظرًا لأن لدينا كل هذه القيم الفريدة ، يمكنني في الأساس معاملتها كمناطق خاصة بي لإحصائيات المنطقة. & # x27ve استخدمنا فقط إحصائيات المناطق مع المضلعات كمدخلات ، ولكن في الواقع ، ما تفعله إحصائيات المنطقة ، وسوف تخبرك بهذا ، هل ستقوم & # x27s بتحويل أي مضلع أقوم بتقديمه أو أي فئة ميزة مضلع أقدمها إلى نقطية في الخلفية على أي حال ستقوم & # x27s بإجراء جميع تحليلاتها في صورة نقطية. وفي كثير من الوقت ، تتمثل أفضل الممارسات في تحويل المضلعات فعليًا من خلال خطوط المسح بنفسك بحيث يكون لديك تأكيد على حصولك على التحويل الدقيق الذي تريده وأن كل مضلعك يظهر وأشياء من هذا القبيل. لذلك في هذه الحالة ، قمنا & # x27ve بحفظ الخطوة وإذا قمت بتوفير الغطاء الأرضي لمجموعة المنطقة الذي قمت بإنشائه للتو كطبقة المنطقة الخاصة بي & # x27s واستخدم حقل القيمة كحقل المنطقة. يمكننا أيضًا رؤية بُعد حقل الارتباط هذا. حقل القيمة هو حقل المنطقة. وبعد ذلك يمكنني استخدام نموذج الارتفاع الرقمي الخاص بي باعتباره قيمة نقطية لأستخرج منها. يمكنني الحصول على جدول المنطقة احتياطيًا منه. وأطلق عليه & # x27ll اسم الارتفاع حسب مجموعة المنطقة. ونحن & # x27ll لا نتجاهل أي بيانات ونترك & # x27s فقط تشغيل الحد الأدنى والحد الأقصى لمستوى الإحصائيات لهذا ، وأنا & # x27ll أذهب على ما يرام. ومرة أخرى ، نحن & # x27re قيد التشغيل. حسنًا ، وحتى مع وجود 271000 منطقة مختلفة ، فإن الإحصائيات تكاد تنتهي بسرعة مذهلة ، وتفاجئني دائمًا. وحصلت على معرف الكائن الخاص بي وقيمتي حيث تكون القيمة في هذه الحالة هي حقل الانضمام الخاص بي ، وهو الحقل الذي ظهر من البيانات النقطية الأولية هنا. وأثناء التمرير لأسفل يتم تحميله بواسطة كتل من 2048 ، بحيث يحتفظ بنوع ما ، قمت بالتمرير لأسفل لأنه & # x27s جدول كبير ثم يضيف المزيد إلى الجدول. لذا ، إذا كنت أرغب حقًا في الوصول إلى النهاية بسرعة ، فيمكنني الانتقال سريعًا إلى زر نهاية الجدول ويقرأ الجدول بالكامل ، والآن يمكنني التمرير عبر كل شيء لأنه قرأه بالكامل. لذا إذا أردت ضم هذا إلى أي شيء لدي الآن ، جدول القيم. الآن أصبحنا على دراية بإحصاءات المناطق كجدول ، لكن هذه أيضًا فرصة جيدة لإلقاء نظرة أخرى على إحصاءات المنطقة كأداة عادية. لذا فإن وجود جدول لإعادته للانضمام ليس مفيدًا تمامًا عندما يكون لدينا مجموعة بيانات نقطية. لا يزال بإمكاننا الاستفادة من هذا الجدول وضمه إلى بياناتنا الأخرى. ولكن ما & # x27s الأكثر فائدة إذا & # x27re في خط أنابيب معالجة البيانات النقطية هو استخدام إحصائيات المناطق هنا. وعندما أفتحه ، أستخدم & # x27ll البيانات النقطية لمنطقي مرة أخرى مع القيمة ثم نموذج الارتفاع الرقمي الخاص بي كنقطي قيمي ، ولكن ما يمكنني فعله بعد ذلك هو استعادة البيانات النقطية الجديدة التي تستبدل قيم خلايا مجموعة المنطقة الخاصة بي بـ الإحصائية التي أريد حسابها. لذلك في هذه الحالة ، دع & # x27s ننفذ نطاقًا وسنرى عبر كل منطقة نطاق قيم الارتفاع. & # x27ll نستعيدها كنقطية بصرية. حسنًا ، ونقوم & # x27ll بتشغيل ذلك. والآن ، مع مجموعة المنطقة I & # x27ve ، شيدت خط أنابيب بسيط للغاية لمعالجة البيانات النقطية ، ويمكنني أن أرى أن بعض هذه المجموعات الأكبر حجمًا كما هو متوقع سيكون لها نطاق أكبر بكثير من القيم فيها. لذا فإن المناطق المتصلة بها نطاقات كبيرة جدًا من قيم الارتفاع وإذا نظرنا إلى نموذج الارتفاع الرقمي الفعلي نفسه ، فقد يكون ذلك منطقيًا لأنه يمكننا رؤية القيم العالية هنا والقيم المنخفضة هنا. وإذا كانت الأرض المغطاة تشكل مجموعة كبيرة متصلة في تلك المنطقة ، فسيكون لدينا نطاق أكبر. لذلك ، هذا أمر مثير للدهشة بشكل رهيب ولكنه سير عمل معالجة نقطية بسيط للغاية يمكننا القيام به من أجل الحصول على مجموعة جديدة تمامًا من القيم من البيانات النقطية الخاصة بنا. والأهم من ذلك ، أنه يسمح لنا بأخذ البيانات النقطية التي لدينا بالفعل والتي تصف نوعًا من فئات الاهتمام ، وتحويلها إلى مناطق اهتمام ، ثم استخراج بعض القيمة الأخرى من خطوط نقطية أخرى كنقطية جديدة يمكننا بعد ذلك إدخالها في بعض الفئات الأخرى. جزء من خط أنابيب المعالجة لدينا. حسنًا ، هذا هو & # x27s الآن. في هذه المحاضرة ، ألقينا نظرة على كيفية استخدام أداة مجموعة المنطقة لإنشاء مناطق متصلة بنفس القيمة من البيانات النقطية للغطاء الأرضي. شيء من هذا القبيل ، حيث نرى هذا النوع من الطرق هنا يمثل حدًا بين هاتين المجموعتين من نفس الغطاء الأرضي. حيث لدينا نفس اللون الأخضر هنا يمثل غطاء أرضي واحد. هذا الطريق يقسمهم ثم يصبح مجموعتين جديدتين في مجموعة المنطقة النقطية. ثم كيف يمكننا استخدام ذلك في خط أنابيب معالجة إحصائيات المنطقة لاستعادة إما خطوط المسح الجديدة أو الجدول ، حسنًا. وهذه & # x27s كيف استخدمت أداة مجموعة المنطقة. أراك المرة القادمة.


كيف تجد مساحة القيم النقطية داخل مناطق المضلع؟ - نظم المعلومات الجغرافية

تحليل متكامل للبيانات المكانية والسمات

عمليات نظم المعلومات الجغرافية هذه قابلة للتطبيق بشكل خاص على النمذجة البيئية.

يتم استرداد البيانات المكانية والسمات ولكن يتم تعديل أو إنشاء بيانات السمات فقط ، ولا يتم إجراء أي تغييرات على العناصر المكانية.

    تضمنت عمليات الاسترجاع البحث الانتقائي والتلاعب وإخراج البيانات.

وينقسم هذا إلى تراكب حسابي ومنطقي.

    يشمل التراكب الحسابي الجمع والطرح والقسمة والضرب لكل قيمة في طبقة البيانات بقيمة في الموقع المقابل في طبقة بيانات أخرى

يقوم هؤلاء بتقييم خصائص المنطقة المحيطة بموقع محدد - بما في ذلك عمليات مثل البحث ، والخط في المضلع ، والنقطة في المضلع ، والوظائف الطبوغرافية ، ومضلعات ثيسين ، والاستيفاء ، وتوليد الكفاف

    يقوم البحث بتعيين قيمة لكل معلم مستهدف وفقًا لبعض خصائص المنطقة المجاورة له. عادة ما تكون منطقة البحث مربعة أو مستطيلة أو دائرية بالحجم الذي يحدده المشغل. غالبًا ما يطلق على منطقة البحث "نافذة". هناك نوعان من وظائف البحث - تلك التي تعمل على البيانات الرقمية وتلك التي تعمل على البيانات الموضوعية

    الدوال الرقمية هي وظائف مثل الإجمالي ، والمتوسط ​​، والحد الأقصى ، والحد الأدنى ومقاييس التنوع (التباين أو الانحراف المعياري)

    تحدد مضلعات Thiessen مناطق التأثير حول كل نقطة في مجموعة من النقاط. يتم إنشاء مضلعات Thiessen كنقاط دائرية بحيث تكون حدود المضلع متساوية البعد عن النقاط المجاورة.

هو إجراء للتنبؤ بقيم غير معروفة باستخدام القيم المعروفة في المواقع المجاورة.

هذه هي العمليات التي تستخدم وظائف تتراكم القيم على المنطقة التي يتم اجتيازها ، مثل مقاييس الاتصال ، والقرب ، والشبكة ، والانتشار ، والسعي ، والتداخل ، والإضاءة ، وعرض المنظور.

    تُقيِّم مقاييس الجوار خصائص الوحدات المكانية المتصلة. المقاييس الشائعة هي حجم المنطقة المتجاورة وأقصر وأطول مسافات خط مستقيم عبر المنطقة.

    تحميل الشبكة ، على سبيل المثال التنبؤ بتدفقات المياه عبر شبكة تيار

    يقوم Spread بتقييم الظواهر التي تتراكم مع المسافة ، على سبيل المثال يمكن استخدامها لتقييم وقت النقل أو التكلفة على سطح معقد. تتميز وظائف الانتشار بخصائص وظائف القرب والشبكة. يمكن أن تولد أسطح تراكم.


2. منطقة الدراسة

أجريت الدراسة الحالية في مستجمعات المياه فيشواميتري في منطقة فادودارا بولاية غوجارات. تقع منطقة فادودارا في جنوب مدار السرطان في المنطقة الانتقالية لمناطق هطول الأمطار الغزيرة في جنوب غوجارات والمناطق القاحلة في سهول شمال غوجارات. تتمتع بمناخ شبه استوائي مع رطوبة معتدلة وتشكل جزءًا من سهل غوجارات العظيم. الجزء الشرقي من المنطقة عبارة عن تضاريس جبلية بها العديد من التلال والهضاب والتلال المنعزلة التي يبلغ ارتفاعها 150-481 مترًا فوق مستوى سطح البحر المتوسط. ينبع نهر Vishwamitri من تلال Pavagadh ، على بعد 43 كم شمال شرق Vadodara. يتكون تل بافاجاد من صخور التراب التي تظهر فجأة على ارتفاع 830 مترًا فوق مستوى سطح البحر المتوسط. يبلغ طول قناة نهر فيسواميتري حوالي 70 كم ، يتدفق 58 كم منها عبر منطقة فادودارا. يلتقي نهر Dhadhar في Pingalwada في منطقة Vadodara. يوضح الشكل 1 الموقع الجغرافي لمنطقة الدراسة.


كيف تجد مساحة القيم النقطية داخل مناطق المضلع؟ - نظم المعلومات الجغرافية

الصفحة الرئيسية ENV510 بيئة المناظر الطبيعية ونظم المعلومات الجغرافية

تحليل متكامل للبيانات المكانية والسمات

عمليات نظم المعلومات الجغرافية هذه قابلة للتطبيق بشكل خاص على النمذجة البيئية.

وظائف الاسترجاع / التصنيف / القياس

يتم استرداد البيانات المكانية والسمات ولكن يتم تعديل أو إنشاء بيانات السمات فقط ، ولا يتم إجراء أي تغييرات على العناصر المكانية.

    استرجاع تضمنت العمليات البحث الانتقائي والتلاعب وإخراج البيانات.

عمليات التراكب

وينقسم هذا إلى تراكب حسابي ومنطقي.

    تراكب حسابي يشمل الجمع والطرح والقسمة والضرب لكل قيمة في طبقة البيانات بقيمة في الموقع المقابل في طبقة بيانات أخرى

عمليات الجوار

يقوم هؤلاء بتقييم خصائص المنطقة المحيطة بموقع محدد - بما في ذلك عمليات مثل البحث ، والخط في المضلع ، والنقطة في المضلع ، والوظائف الطبوغرافية ، ومضلعات الثيسين ، والاستيفاء ، وتوليد الكفاف

    يبحث يخصص قيمة لكل معلم مستهدف وفقًا لبعض خصائص المنطقة المجاورة له. عادة ما تكون منطقة البحث مربعة أو مستطيلة أو دائرية بالحجم الذي يحدده المشغل. غالبًا ما يطلق على منطقة البحث "نافذة". هناك نوعان من وظائف البحث - تلك التي تعمل على البيانات الرقمية وتلك التي تعمل على البيانات الموضوعية

    وظائف رقمية هي وظائف مثل الإجمالي والمتوسط ​​والحد الأقصى والحد الأدنى ومقاييس التنوع (التباين أو الانحراف المعياري)

    مضلعات ثيسن تحديد مناطق التأثير حول كل نقطة في مجموعة من النقاط. يتم إنشاء مضلعات Thiessen كنقاط دائرية بحيث تكون حدود المضلع متساوية البعد عن النقاط المجاورة.

وظائف الاتصال

هذه هي العمليات التي تستخدم وظائف تتراكم القيم على المنطقة التي يتم اجتيازها ، مثل مقاييس الاتصال ، والقرب ، والشبكة ، والانتشار ، والسعي ، والتداخل ، والإضاءة ، وعرض المنظور.

    تدابير التواطؤ تقييم خصائص الوحدات المكانية المتصلة. المقاييس الشائعة هي حجم المنطقة المتجاورة وأقصر وأطول مسافات خط مستقيم عبر المنطقة.

    تحميل الشبكة على سبيل المثال ، التنبؤ بتدفقات المياه عبر شبكة مجاري المياه

    انتشار يقيم الظواهر التي تتراكم مع المسافة ، على سبيل المثال يمكن استخدامها لتقييم وقت النقل أو التكلفة على سطح معقد. تتميز وظائف الانتشار بخصائص وظائف القرب والشبكة. يمكن أن تولد أسطح تراكم.

    يصور تأثير تسليط الضوء على سطح ثلاثي الأبعاد. الإخراج هو صورة مظللة الإغاثة. يتم التحكم في هذه الوظيفة من خلال:


الملخص والاستنتاجات

يمكن أن يكون للأنظمة الخبيرة في الجغرافيا المكانية القائمة على قواعد ضعيفة متعددة قدرة تنبؤية كبيرة. على سبيل المثال ، حدد هذا الاستقصاء مناطق في ميسيسيبي كانت أكثر احتمالًا بأربع مرات من فرصة عشوائية لحدوث المعلمة النموذجية. يعتبر هذا ليكون أهم اكتشاف لدينا. يشتمل هذا ، جنبًا إلى جنب مع استخدام الشبكة العصبية ، على عملية تُستخدم لتطوير مجموعة قواعد النظام الخبيرة والتي يُعتقد أنها قابلة للتطبيق بشكل مباشر على أي نوع من بيانات الخرائط الدبوسية تقريبًا.

غالبًا ما يكون هناك دلالة سلبية مرتبطة باستخدام الشبكات العصبية ، لأنه لا يمكن التحقق من الخطوات الوسيطة في عملية حلها. ومع ذلك ، وجد التحقيق الحالي أن الشبكة العصبية أداة تحليل قيّمة للغاية. نظرًا لأن معظم التحقيقات محدودة بسبب توفر البيانات ، فقد تم إدخال جميع بيانات GIS المتاحة وذات الصلة إلى شبكة عصبية وتم إجراء تحليل تصنيف. تم استخدام النتائج ، بالإضافة إلى المعلومات التي تم الحصول عليها من خلال إجراء مقابلات مع ضباط القانون ذوي الخبرة ، لصياغة مجموعة من فرضيات القواعد. ثم تم اختبار فرضيات القاعدة بشكل فردي ضد الصدفة العشوائية ، وتم تحديد ستة عشر منها على أنها تنبئ ذو دلالة إحصائية. تم تعيين أوزان لهذه الفرضيات الباقية على أساس أدائها مقابل الصدفة العشوائية وتم دمجها في نظام المعلومات الجغرافية من خلال اتحاد مرجح لإنتاج خريطة (تغطية الحل) تتنبأ بالمناطق في الولاية التي من المحتمل أن تعرض الظواهر المنمذجة. ثم تمت مقارنة القدرة التنبؤية لتغطية الحل في اختبار أعمى مقابل البيانات بعد تطويرها. تفوقت القواعد التي تم التحقق منها إحصائيًا ، عند دمجها مع اتحاد مرجح ، على كل من تنبؤ الشبكة العصبية والنهج التقليدي ، والذي يتكون من الذهاب إلى حيث وجدوها من قبل واستخدام غريزة خالصة ، يستخدمها تطبيق القانون.

جعلت الطوبولوجيا المرتبطة بتغطية تنسيق المتجهات التطوير الإحصائي لمجموعة القواعد وإنتاج تغطية الحلول من قبل الاتحاد المرجح للعمالة وكثافة الكمبيوتر. في المقابل ، كان الحساب في تنسيق البيانات النقطية اقتصاديًا من الناحية الحسابية. كان تحليل تصنيف الشبكة العصبية أيضًا اقتصاديًا من الناحية الحسابية. تقترح هذه العوامل ، والقدرة التنبؤية الفائقة للقواعد المطورة إحصائيًا ، الخطوات التالية لتطوير تغطية الحل من بيانات الخرائط الدبوسية.


في هذا القسم ، ابدأ بإعداد المعلومات المطلوبة لإطار بيانات متداخل سيتم تحويله لاحقًا إلى كائن JSON لإرسال طلب منطقة AppEEARS للحصول على معلومات مفصلة حول معلمات JSON المطلوبة ، راجع وثائق API.

لتتمكن من إرسال مهمة بنجاح ، يجب هيكلة كائن JSON بطريقة معينة. يستخدم مقطع التعليمات البرمجية أدناه المعلومات من المجموعة السابقة لإنشاء إطار بيانات متداخل. سيتم تحويل إطار البيانات المتداخل هذا إلى كائن JSON الذي يمكن استخدامه لإكمال الطلب.

تقوم وظيفة toJSON من حزمة jsonlite بتحويل نوع إطار البيانات إلى سلسلة يمكن التعرف عليها ككائن JSON ليتم إرسالها كطلب منطقة.


كيف تجد مساحة القيم النقطية داخل مناطق المضلع؟ - نظم المعلومات الجغرافية

оличество зарегистрированных учащихся: 17 тыс.

Участвовать бесплатно

ستتعلم في هذه الدورة كيفية تحليل بيانات الخرائط باستخدام أنواع وطرق بيانات مختلفة للإجابة على الأسئلة الجغرافية. أولاً ، ستتعلم كيفية تصفية مجموعة بيانات باستخدام أنواع مختلفة من الاستعلامات للعثور على البيانات التي تحتاجها فقط للإجابة على سؤال معين. بعد ذلك ، سنناقش طرق التحليل البسيطة والفعالة التي تستخدم بيانات المتجه للعثور على العلاقات المكانية داخل مجموعات البيانات وفيما بينها. في هذا القسم ، ستتعرف أيضًا على كيفية استخدام ModelBuilder ، وهي أداة بسيطة لكنها قوية لبناء مخططات انسيابية للتحليل يمكن أيضًا تشغيلها كنماذج. ستتعلم بعد ذلك كيفية العثور على البيانات المستشعرة عن بعد وفهمها واستخدامها ، مثل صور الأقمار الصناعية ، كمصدر غني لبيانات نظم المعلومات الجغرافية. ستتعلم بعد ذلك كيفية تحليل البيانات النقطية. أخيرًا ، ستكمل مشروعك الخاص حيث يمكنك تجربة المهارات والأدوات الجديدة التي تعلمتها في هذه الدورة. ملاحظة: لم يتم توفير برنامج لهذه الدورة.

Получаемые навыки

نظام المعلومات الجغرافية (GIS) ، رسم الخرائط ، Esri ، رسم الخرائط ، التحليل المكاني

Рецензии

يعتبر Don Boyes مدربًا رائعًا لهذه الدورة التدريبية. يصف جميع المواضيع بشكل واضح ومثير للاهتمام. قدرته التدريسية جيدة بما يكفي للقبض على الموضوعات بسهولة للمبتدئين.

تعلمت الكثير من الأشياء من هذه الدورة مثل الاستشعار عن بعد وتحليل البيانات النقطية والتي تعتبر مهمة للغاية في العمل في العالم الحقيقي. لقد عزز خبرتي ومعرفي حول البيانات النقطية.

Реподаватели

دون بويز

أستاذ تيار التدريس

Екст видео

أحد الإعدادات التي & # x27s مفيدة جدًا عندما & # x27re تعمل مع البيانات النقطية هو القناع ، وبينما أتحدث عن ذلك في تقديم هذه الفكرة ، أعتقد أنه مكان جيد لأخبرك أيضًا عن خلايا NoData. لذا ، دعونا نلقي نظرة. إذا كان لدينا نموذج ارتفاع رقمي لتورنتو ، يُشار إليه أيضًا باسم DEM ، فهناك أدوات مختلفة يمكننا استخدامها للعمل مع مجموعة البيانات هذه. سأقدم لك مثالاً سريعًا على واحد وهو أداة إعادة التصنيف ، حيث يمكنني أخذ نطاق قيم الخلايا التي لدينا هنا بين 71 و 306 ، وسأقوم بتجميعها معًا في فئات منفصلة. لذا هنا & # x27s أداة إعادة التصنيف الخاصة بي ، لن أخوض في التفاصيل حول هذا هنا ، سأناقش ذلك بمزيد من التفاصيل في مقطع فيديو آخر. ولكن بسرعة ، حصلت على & # x27 لقد حصلت على مدخلات DEM الخاصة بي هنا ، وأستخدم القيم من الخلايا لإجراء إعادة التصنيف. هذه هي القيم القديمة ، لذلك سأأخذ على سبيل المثال 71 إلى 100 ، والتي & # x27s ستحصل على قيمة اثنين. لذلك ، كل من هؤلاء هو نطاق فئة أقوم & # x27 م بعد ذلك بتعيين قيمة خلية جديدة هنا. اسمح لي بإنشاء مجموعة بيانات جديدة تسمى dem_reclassified. لذلك ، عندما أفعل ذلك ، هذا ما أحصل عليه. هذه نسخة سرية من ذلك المارك الألماني. هناك أسباب مختلفة وراء رغبتك في القيام بذلك. قد تحاول عزل أشياء معينة أو في كثير من الأحيان ، مع إعادة التصنيف ، تقوم بتبسيط البيانات أو تعميمها. لذا ، فإن النقطة الرئيسية هنا هي أنني & # x27m فقط أحاول أن أوضح لك كيف يعمل هذا بدون قناع ، ثم أعرض لك قناعًا. يمكن أن يكون القناع الآن أي مجموعة بيانات ، ويمكن أن يكون مجموعة بيانات نقطية ، ويمكن أن يكون مجموعة بيانات متجه. هنا ، ما أستخدمه هو حدود مدينة تورنتو ، وما سأفعله هنا هو استخدام هذا لإخفاء البيانات التي لا أهتم بالحفاظ عليها في أي من المخرجات التي أستخدمها لأي من عملياتي النقطية. الشيء الوحيد الذي قد لا يكون بديهيًا عند البدء بالاعتماد على طريقة تفكيرك في الأقنعة ، هو أنه في هذا البرنامج ، عندما تقوم بتطبيق قناع ، ما & # x27s الذي يتم الاحتفاظ به هو ما & # x27s داخل القناع. لذلك ، أي بيانات تقع داخل هذه المنطقة الرمادية التي تمثل المنطقة المقنعة ، سيتم الاحتفاظ بها في إخراج أي عملية نقطية أقوم بها. سيتم تجاهل أي شيء & # x27s خارج القناع. حسنًا ، هذا هو كل ما أقوم به القناع. لا يتعين عليك & # x27t استخدامه طوال الوقت. في بعض الأحيان عندما أذكر هذا ، يعتقد الناس ، & quot ؛ أوه ، إذن يجب أن أستخدم قناعًا طوال الوقت. & quot أم لا. في الواقع ، ربما يكون & # x27s هو الوقت المناسب لذكر هذا أيضًا ، هو أن هناك دائمًا إغراء لما إذا كان & # x27s Vector أو Raster للتعامل مع منطقة الدراسة الخاصة بك كما لو كان هذا الشيء & # x27s يطفو في الفضاء مع عدم وجود شيء حوله. غالبًا & # x27ll ترى خرائط مناطق الدراسة حيث يوجد & # x27s شيء تم تعيينه & # x27s وكل شيء حوله فارغ. أتفهم الرغبة في القيام بذلك ، لأنه يجعل الشخص الذي ينظر إلى خريطتك يركز فقط على الأشياء الموجودة داخل منطقة الدراسة الخاصة بك. ولكن في كثير من الأحيان ، قد تكون هناك أشياء مجاورة لمنطقة الدراسة الخاصة بك والتي يجب أخذها في الاعتبار. So, for example, if you are mapping the locations of fire stations in terms of things like response times to an emergency, would you really do that in a way where the city would be completely treated in isolation? So, in other words, if we had a fire station here near the edge of a city, and there was a fire taking place over here, would you say, "Oh well, we can't respond to that fire because it's outside of our jurisdiction or outside of the city limits or whatever?" That's highly doubtful. Even if it was, you as a researcher or data analysts would want to be able to take that into consideration. So, maybe you want to know that there's a fire station right over here that's just outside of your study area. So, you have to think about this and make a conscious decision. Is it helpful or useful for you to include data that's outside of the study area as context that's related to what it is that you're studying? Or sometimes, if that's not necessary and you really want a simplified version of the data, then you can leave things out and have it as a floating island. I try not to do that, I used to do a lot more. Now, I find that even if the background is just something like the major roads or bodies of water, something like that, it provides a little more geographic contexts, and actually I think better map design when you're putting this together. That seems like a bit of a side bar or a tangent, but I do think it relates to a mask because as soon as you apply a mask, really what you're doing is deciding whether you are thinking about it consciously or not, that I'm not going to include anything outside of my study area. One thing I want to mention as well is that I'm using one big polygon for my mask here. You can use as many different things as you want. So, for example, maybe you have patches of something around a city, maybe they're, I don't know, low-income areas or restaurants, catchment areas for customers, those could be a mask. So, altogether, they would be considered one mask. So, you can get creative with this, it all depends on what you're trying to do. Here, I'm just doing a simplified version of it to show you how it works. So, how do you use a mask anyway, now that you know what it is? Well, in ArcMap, what you do is you go into the environment settings that are set for anything that you're doing, and you'll notice here that there's actually a thing for mask. Here, I've set my Vector feature class for Toronto as the mask, and then you literally just select that and click okay and close, and that's it. So, from that point onward, any Raster operation that you do, that mask will automatically be applied. So, use this with caution, is that it's easy to forget about it. I know I do sometimes, is I'll set that and then I'll be happily going along doing my analysis, and then realize later "Oh, wait a minute, I didn't want a mask for this." So, you have to take it off or put it on as you need it. If you want to do that, there's ways to take it up later if that's more convenient for you, but this is how you're basically doing a blanket application of that masks to everything else that you do going forward. So, now that I've set that mask, I'm going to show you the same Reclassify operation I did a minute ago, and you'll notice that there's nothing in this dialogue box that refers to masks directly. It's just going to apply it automatically. So, I'm going to do my reclassifying, let's see what happens. So, this is the DEM before I do the reclassify, and here's the DEM afterwards. So, you'll notice as predicted that all of the cells, all of the data values outside of the mask are now gone. So, those areas that are white outside are what we would call NoData which I'll explain more in a second. But those are cells that are still there, they still exist but they don't have any value attached to them. So, how can you have cells that don't have a value attached to them? Again it depends on what you're doing and how you want to set things up and what's useful for you, so there is a distinction to be made between cells that have a value of zero and cells that are assigned what we would call NoData. In other software, sometimes they're referred to as null or void, they all mean the same thing. They're basically trying to tell you that these are cells that exist but don't have a data values associated with them. So, in this dataset, you'll see that we have different zones, we have a zone of zeros, ones, twos, and threes. So, those zeros actually have a value, okay? That's not the same thing as saying no data, and it's important to understand this distinction. If I have a zero there, what that means is let's say something like rainfall, is that if there's a zero in that cell, then we know for a fact that there was no rainfall at that location, that's been stored in there saying there was zero rainfall. However, we can have these NoData cells. So, what's happened here is I've replaced the zeros with no data, and what that means is we don't know what happened at that cell, we don't have any information about what the rainfall value was. So, we know for a fact that, let's say these are in millimeters, that there was one millimeter of rain, where there's ones two millimeters of rain, where there's twos and so on, but where there's no data, we don't know what the rainfall amount was. So, why would you want to have no data values then? Well, maybe there's something I should make sure is clear, is with a Raster dataset, it has to be either a square or a rectangle. You can't have a Raster dataset that looks like this, okay? Computers don't like working with that and neither does the software, you can't have just chunks of something missing like that. What it wants is to have something like this. So, even if the thing that you're studying, even if your study area is like this, you have to account for, that's why I think of it anyway, these other cells, they have to be built in there whether they have a value or not. So, this is a convenient way of saying, yes I know that there are cells there to fill out this dataset, but I'm not going to be dealing with them, I'm just going to have them as NoData. Another common thing is that for example, if you wanted to measure distances from certain cells, what we would call Euclidean distance, it's a common one, is that those distances will be measured from cells that have a value. So, for example, you could measure this is one cell distance away from this cell of two, this is two cells away, three cells away, whatever. So, you have to have NoData cells in order for it to fill those in with distances. If there were already values there and it's measuring distances away from cells with values, then it won't be measuring any distances. So, it's almost like you're leaving space or room for values to be put in for certain calculations. So, those are really the two main things. Sometimes you just want to be able to say I have cells here that I don't need a value for, other times you want those to be empty or with no data so that you can then add cells in or use them for something else.


How to find the area of raster values within polygon zones? - نظم المعلومات الجغرافية

Geodatabase of the datasets that represent the three subareas of the Silurian-Devonian aquifer, Illinois, Indiana, Iowa, Kentucky, Michigan, Missouri, Ohio, Tennessee, and Wisconsin Spatial data geodatabase

These data were combined into geodatabases to be part of the Saline Groundwater Assessment Program datasets, collected under the auspices of the Office of Groundwater to be used to investigate the locations of usable inland brackish and saline groundwater across the United States.The National Water-Quality Assessment Project (NAWQA) also assisted with support, which enabled the data to be published in the USGS National Spatial Data Infrastructure (NSDI) Node archive, and therefore available for use by the public.

This file geodatabase contains the following feature datasets, feature classes, images, and the aquifer surface altitude rasters: 1. ds47SLRDVN_altitude_contours: Feature dataset containing all line feature class altitude contours for the three aquifer subareas- a. ds47SLRDVN_sa1_A1_top_pp1423b_f13: contours of altitude of top of subarea sa1, from USGS PP 1423 B figure 13. Figure 13 is titled "Approximate altitude of the top of the Silurian and Devonian carbonate-rock aquifer system in the Midwestern Basins and Arches region". ب. ds47SLRDVN_sa1_A1_bot_pp1423b_f16: contours of altitude of bottom of subarea sa1, from USGS PP 1423 B figure 16. Figure 16 is titled "Approximate altitude of the top of the basal confining unit of the Silurian and Devonian carbonate-rock aquifer system in the Midwestern Basins and Arches region". ج. ds47SLRDVN_sa2_A1_top_iags: contours of altitude of top of subarea sa2, from digital data aquifer from the Iowa Geological Survey. د. ds47SLRDVN_sa2_A1_bot_iags: contours of altitude of bottom of subarea sa2, from digital data aquifer from the Iowa Geological Survey. 2. ds47SLRDVN_extents: Feature dataset containing polygon feature class areal extents for the Devonian-Silurian aquifers- a. ds47SLRDVN_erev: Areal extent of the entire Devonian-Silurian aquifers modified from National Aquifer Code Reference List, available at http://water.usgs.gov/ogw/NatlAqCode-reflist.html , "silurian.zip" b. ds47SLRDVN_erev_w_Subunits_Subareas: extent of the entire Devonian-Silurian aquifers with the subarea boundaries delineated modified digital polygon from National Aquifer Code Reference List with USGS PP 1423 B, and IAGS digital data. 3. Altitude-corrected surface raster datasets of the top and bottom of the Silurian-Devonian aquifers. The altitude values are in feet about the NAVD88 vertical datum. أ. r47SLRDVN_top_a: Altitude of surface raster of top layer of entire Silurian-Devonian aquifers b. r47SLRDVN_bot_a: Altitude of surface raster of bottom layer of entire Silurian-Devonian aquifers 2015 Publication date

None planned -96.467269197 -81.580344116 46.716678272 34.679503069 المكنز USGS المياه الداخلية extent groundwater aquifer aquifer system Devonian Silurian Silurian-Devonian

Geographic Names Information System

U.S. Geological Survey, Midwest Region Jennifer S. Stanton Hydrologist mailing address 5231 South 19th Street Lincoln NE

USA 402-261-0458 402-331-9062 [email protected]

Informal inspection of datasets was performed. Extents and contours: Polygons were visually inspected for correct horizontal positioning by GIS overlay. Digitized linework was checked visually to be sure that they aligned with original linework. Extents, contours and surface rasters: Checked for consistent geographic and projected coordinate systems, made sure data matched what was published in associated publication, visually checked the accuracy of the georeferencing of the figures, checked for other miscellaneous errors, compared digitized files to original digital data. Informal inspection of datasets was performed. Contours: Altitude check contours derived from the surface rasters agreed with original digital data. Surface Rasters: Top altitudes and bottom altitudes are in agreement. Checked if vertically logical with other units in aquifer. Checked for consistency with corresponding vector datasets

National Aquifer Code Reference List Digital Resources

http://water.usgs.gov/ogw/NatlAqCode-reflist.html Digital and/or Hardcopy Resources 1999 Publication date National Aquifer Code Reference List Source provided aquifer extent polygon for the most surficial aquifer, in a zip file named "silurian.zip" Casey, G.D.

Hydrogeologic framework of the Midwestern Basins and Arches region in parts of Indiana, Ohio, Michigan, and Illinois Vector Digital Data Set

https://pubs.er.usgs.gov/publication/pp1423B Digital and/or Hardcopy Resources 1996 Publication date USGS PP 1423 B Figures 13 and 16 provided the extent polygon and contours of altitude contours for subarea 1. See Supplemental Information for a complete list. Horick, P.J.

Surface topography, in feet above mean sea level, of the Silurian-Devonian Aquifer in Iowa Vector Digital Data Set

Iowa DNR, Geological Survey

ftp://ftp.igsb.uiowa.edu/GIS_Library/IA_State/Hydrologic/Ground_Waters/silurian-Devonian_aquifer/silurian-devonian_topo.zip Digital Resources 2004 Publication date MMS 10, Map 1, Sheet 1, Silurian-Devonian top Contours of altitude, in feet above NGVD 1929, of the top of the Silurian-Devonian aquifer. Horick, P.J.

Base topography, in feet above mean sea level, of the Silurian-Devonian Aquifer in Iowa Vector Digital Data Set

Iowa DNR, Geological Survey

ftp://ftp.igsb.uiowa.edu/GIS_Library/IA_State/Hydrologic/Ground_Waters/silurian-Devonian_aquifer/silurian-devonian_base_topo.zip Digital Resources 2004 Publication date MMS 10, Map 1, Sheet 2, Silurian-Devonian base Contours of altitude, in feet above NGVD 1929, of the base of the Silurian-Devonian aquifer. Olcott, P.G.

Groundwater Atlas of the United States, Iowa, Michigan, Minnesota, Wisconsin Vector Digital Data Set

https://pubs.usgs.gov/ha/ha730/ch_j/J-text6.html Digital and/or Hardcopy Resources 1992 Publication date USGS HA 730-J Reference for sa2 and sa3 extents Lloyd, O.B., and Lyke, W.L.

Groundwater Atlas of the United States, Illinois, Indiana, Kentucky, Ohio, Tennessee Other

https://pubs.usgs.gov/ha/ha730/ch_k/K-text1.html#silurian Digital and/or Hardcopy Resources 1995 Publication date USGS HA 730-K Reference for sa3 extent Reilly, T.E., Dennehy, K.F., Alley, W.M., and Cunningham, W.L.

Groundwater Availability in the United States U.S. Geological Survey Circular 1323 Digital and/or Hardcopy Resources

https://pubs.usgs.gov/circ/1323/ Digital and/or Hardcopy Resources 2008 Publication date USGS Circular 1323 Reference for National Aquifer Code Number attribute in extent polygon dataset U.S. Geological Survey

100-meter Resolution Elevation of the Conterminous United States Digital and/or Hardcopy Resources

http://nationalmap.gov/small_scale/mld/elev100.html Digital and/or Hardcopy Resources 2012 Publication date NED, 100-meter Land-surface altitude used in determining depth of aquifer units or altitude of bottom of aquifer unit, and as snap raster for spatial registration. Esri

ArcGIS Desktop: Release 10.2 Digital and/or Hardcopy Resources

Environmental Systems Research Institute

http://www.esri.com Digital and/or Hardcopy Resources 2014 Publication date ArcGIS, ArcMap GIS software used in development of the datasets from data cited above.

Extent(s): 1. Collection of spatial datasets of the extent from the input source. Digital dataset of Silurian-Devonian aquifers from the National Aquifer Code webpage link (http://water.usgs.gov/ogw/NatlAqCode-reflist.html, silurian.zip) Subarea 1: Digital dataset of Midwestern Basins and Arches region aquifers from USGS PP 1423-B acquired from Regional Aquifer-System Analysis personnel. Modified National Aquifer Code dataset by deleting those portions of the polygons that were outside of the USGS PP 1423-B polygon, then reselected from the remaining polygons only those with the attribute AQ_NAME of 'SilurianDevonian aquifers'. Subarea 2: Acquired digital dataset of Silurian-Devonian aquifers in Iowa from the Iowa Geological Survey. Top and bottom extents were polygons. Subarea 3: Removed from the National Aquifer Code polygon the polygons for sa1 and sa2. The remainder is sa3. 2. Re-projection of digitized polygon into the coordinate system and projection of analysis (USA_Contiguous_Albers_Equal_Area_Conic_USGS_version)

Surface Rasters preparation: 1. Compilation of digital data for creation of altitude contours. أ. sa1: acquired digital vector data of the top and bottom altitude contours of USGS PP 1423-B, figures 13 and 16 from Regional Aquifer-System Analysis personnel. ب. sa2: acquired the digital data of the altitude contours of the top and bottom of the Silurian-Devonian aquifer in Iowa from the Iowa Geologic Survey. Data were in polygon form. The URL for the top was ftp://ftp.igsb.uiowa.edu/GIS_Library/IA_State/Hydrologic/ Ground_Waters/silurian-Devonian_aquifer/silurian-devonian_topo.zip. The URL for the bottom was ftp://ftp.igsb.uiowa.edu/GIS_Library/IA_State/Hydrologic/ Ground_Waters/silurian-Devonian_aquifer/silurian-devonian_base_topo.zip. -- Modified the top and bottom polygon datsets as follows: Deleted polygon sides that were not also contours labeled the contour lines as the beginning or ending of the contour interval moved polygons of "Manson Anomaly", "Insufficient Data", "CV to the east, LC to the west" and "a fault area", to polygon of "areas of no data". Saved remaining polygon contours as line shape files. ج. Land surface tiff file of 100-meter resolution elevation from National Map 2. Re-projected contour lines into the coordinate system and projection of analysis (USA_Contiguous_Albers_Equal_Area_Conic_USGS_version) 3. Converted land-surface tiff file of 100-meter resolution elevation of the conterminous United States into Esri GRID. 4. Projected land-surface grid from WGS84 to the coordinate system and projection of analysis (USA_Contiguous_Albers_Equal_Area_Conic_USGS_version). 5. Converted the land-surface elevation values from meters to feet.

Surface Rasters creation: 1. Developed a series of tools to provide batch processing and consistency to create top and bottom rasters within the extent from the altitude contours by: a. Adding a consistent attribute name for the contours' altitude values b. Creating a hydrologically corrected surface raster from the altitude contours. ج. Interpolating top surface altitude raster from the values of the top altitude contours, and the land-surface values in areas of outcrop. 2. Vertical datum was converted to vertical datum (NAVD 1988) if necessary. 3. This series of processes completed the creation of surface raster for top altitude and bottom altitude for each aquifer subunit.

Surface Rasters quality assurance and quality control checks: 1. Check contours were created from each aquifer surface raster to be compared to the original contours used to create the surface raster. 2. To find areas where an underlying surface exceeded the altitude of the overlying surface, the altitude of bottom of aquifer layer was subtracted from the altitude of top of aquifer for each subunit. 3. The altitude of the uppermost surface was compared to the altitude of the land surface any cells that exceeded the land surface altitude were changed to equal the land surface altitude 4. The altitude of the bottom surface was compared to the altitude of the corrected top surface any cells that exceeded the altitude of the top surface were changed to equal the top surface altitude.

Creation of metadata for geodatabase: 1. Used the 47SLRDVN_erev primary extent polygon for Spatial Data Organization Information and Spatial Reference Information 2. Used metaform pdf file values obtained from the originators as input to Metadata Wizard 3. Added NSDI Node requirements via Notepad ++

USA Contiguous Albers Equal Area Conic USGS version (ESRI Full Name: USA_Contiguous_Albers_Equal_Area_Conic_USGS_version) 29.5 45.5 -96.0 23.0 0.0 0.0


GSSURGO Ready2map NW FY 2013

This dataset contains the common Map Unit attributes for each polygon within the gSSURGO database plus NRCS derived attributes from a data summary table called the National Valu Added Look Up (valu) Table #1. It is comprised of 57 pre-summarized or “ready to map” derived soil survey geographic database attributes including soil organic carbon, available water storage, crop productivity indices, crop root zone depths, available water storage within crop root zone depths, drought vulnerable soil landscapes, and potential wetland soil landscapes. Related metadata values for themes are included. These attribute data are pre-summarized to the map unit level using best practice generalization methods intended to meet the needs of most users. The generalization methods include map unit component weighted averages and percent of the map unit meeting a given criteria. These themes were prepared to better meet the mapping needs of users of soil survey information and can be used with both SSURGO and Gridded SSURGO (gSSURGO) datasets. Gridded SSURGO (gSSURGO) Database is derived from the official Soil Survey Geographic (SSURGO) Database. SSURGO is generally the most detailed level of soil geographic data developed by the National Cooperative Soil Survey (NCSS) in accordance with NCSS mapping standards. The tabular data represent the soil attributes, and are derived from properties and characteristics stored in the National Soil Information System (NASIS). The gSSURGO data were prepared by merging traditional SSURGO digital vector map and tabular data into State-wide extents, and adding a State-wide gridded map layer derived from the vector, plus a new value added look up (valu) table containing “ready to map” attributes. The gridded map layer is offered in an ArcGIS file geodatabase raster format. The raster and vector map data have a State-wide extent. The raster map data have a 10 meter cell size that approximates the vector polygons in an Albers Equal Area projection. Each cell (and polygon) is linked to a map unit identifier called the map unit key. A unique map unit key is used to link to raster cells and polygons to attribute tables, including the new value added look up (valu) table that contains additional derived data.VALU Table Content:The map unit average Soil Organic Carbon (SOC) values are given in units of g C per square meter for eleven standard layer or zone depths. The average thickness of soil map unit component horizons used in these layer/zone calcuations is also included. The standard layers include: 0-5cm, 5-20cm, 20-50cm, 50-100cm, 100-150cm, and 150-150+cm (maximum reported soil depth). The standard zones include: 0-5cm (also a standard layer), o-20cm, 0-30cm, 0-100cm, and 0-150+cm (full reported soil depth). Zero cm represents the soil surface.The map unit average Available Water Storage (AWS) values are given in units of millimeters for eleven standard layer or zone depths. The average thickness of soil map unit component horizons used in these layer/zone calcuations is also included. The standard layers include: 0-5cm, 5-20cm, 20-50cm, 50-100cm, 100-150cm, and 150-150+cm (maximum reported soil depth). The standard zones include: 0-5cm (also a standard layer), 0-20cm, 0-30cm, 0-100cm, and 0-150+cm (full reported soil depth). Zero cm represents the soil surface.The map unit average National Commodity Crop Productivity Index (NCCPI) values (low index values indicate low productivity and high index values indicate high productivity) are provided for major earthy components. NCCPI values are included for corn/soybeans, small grains, and cotton crops. Of these crops, the highest overall NCCPI value is also identified. Earthy components are those soil series or higher level taxa components that can support crop growth. Major components are those soil components where the majorcompflag = ‘Yes’ in the SSURGO component table. A map unit percent composition for earthy major components is provided. See Dobos, R. R., H. R. Sinclair, Jr, and M. P. Robotham. 2012. National Commodity Crop Productivity Index (NCCPI) User Guide, Version 2. USDA-NRCS. Available at: ftp://ftp-fc.sc.egov.usda.gov/NSSC/NCCPI/NCCPI_user_guide.pdfThe map unit average root zone depth values for commodity crops are given in centimeters for major earthy components. Criteria for root-limiting soil depth include: presence of hard bedrock, soft bedrock, a fragipan, a duripan, sulfuric material, a dense layer, a layer having a pH of less than 3.5, or a layer having an electrical conductivity of more than 12 within the component soil profile. If no root-restricting zone is identified, a depth of 150 cm is used to approximate the root zone depth (Dobos et al., 2012). The map unit average available water storage within the root zone depth for major earthy components value is given in millimeters.Drought vulnerable soil landscapes comprise those map units that have available water storage within the root zone for commodity crops that is less than or equal to 6 inches (152 mm) expressed as 𔄙” for a drought vulnerable soil landscape map unit or 𔄘” for a nondroughty soil landscape map unit or NULL for miscellaneous areas (includes water bodies).The potential wetland soil landscapes (PWSL version 1) information is given as the percentage of the map unit (all components) that meet the criteria for a potential wetland soil landscape. See table column (field) description for criteria details. If water was determined to account for 80 or greater percent of a map unit, a value of 999 was used to indicate a water body. This is not a perfect solution, but is helpful to identifying a general water body class for mapping.The map unit sum of the component percentage representative values is also provided as useful metadata. For all valu table columns, NULL values are presented where data are incomplete or not available. How NoData or NULL values and incomplete data were handled during VALU table SOC and AWS calculations:The gSSURGO calculations for SOC and AWS as reported in the VALU table use the following data checking and summarization rules. The guiding principle was to only use the official data in the SSURGO database, and not to make assumptions in case there were some data entry errors. However, there were a few exceptions to this principle if there was a good reason for a Null value in a critical variable, or to accommodate the data coding conventions used in some soil surveys.Horizon depths considerations:If the depth to the top of the surface horizon was missing, but otherwise the horizon depths were all okay, then the depth to the top of the surface horizon (hzdept_r) was set to zero.If the depth to the bottom of the last horizon was missing, and the horizon represented bedrock or had missing bulk density, the depth to the bottom was set to equal to the depth to the top of the same horizon (hzdepb_r = hzdept_r), effectively giving the horizon zero thickness (and thus zero SOC or AWS), but not blocking calculation of other horizons in the profile due to horizon depth errors.Other types of horizon depth errors were considered uncorrectable, and led to all horizon depths for the component being set to a NoData value, effectively eliminating the component from the analysis. The errors included gaps or overlaps in the horizon depths of the soil profile, other cases of missing data for horizon depths, including missing data for the bottom depth of the last horizon if the soil texture information did not indicate bedrock and a bulk density value was coded. The SOC or AWS values were effectively set to zero for components eliminated in this way, so the values at the map unit level could be an underestimate for some soils.Horizon rock fragment considerations:Part of the algorithm for calculating the SOC requires finding the volume of soil that is not rock. This requires three SSURGO variables that indicate rock fragments (fraggt10_r, frag3to10_r, and sieveno10_r). If the soil is not organic, and any of these are missing, then the ratio of the volume of soil fines to the total soil volume was set to “NoData”, and the SOC results were coded as “NoData” and effectively set to zero for the horizon. If the soil is organic, then it may be logical that no measurement of rock fragments was made, and default values for the “zero rock” situation was assumed for these variables (i.e., fraggt10_r = 0, frag3to10_r = 0, sieveno10_r = 100). Organic soils were identified by an “O” in the horizon designator or the texture code represented “Peat”, “Muck” or “Decomposed Plant Material”. If all three of the fragment variables were present, but indicated more than 100% rock, then 100% rock was assumed (zero volume of soil and thus zero for SOC). The rock fragment variables do not influence the AWS calculation because rock content is already accounted for in the available water capacity (awc_r) variable at the horizon level.Horizon to component summary:To summarize data from the horizon level to the component level, the evaluation proceeded downward from the surface. If a valid value for AWS could not be calculated for any horizon, then the result for that horizon and all deeper horizons was set to NoData. The same rule was separately applied to the SOC calculation, so it was possible to have results for SOC but not AWS, or vice versa.Component to mapunit summary:To summarize data from the component level to the map unit level, the component percentages must be valid. There are tests both of the individual component percentage (comppct_r) data, and also of the sum of the component percentages at the map unit level (mu_sum_comppct_r). For the gSSURGO VALU table, the following rules were applied for the individual components: 1) The comppct_r must be in the range from 0 to 100, inclusive. 2) Individual components with a comppct_r that was Null (nothing coded) were ignored. A zero comppct_r value excludes the component from having an effect on the map unit calculation. No values more than 100% were found in the data for individual comppct_r.Two additional rules were applied for the sum of the component percentages in a map unit (ignoring NoData for comppct_r): 3) The mu_sum_comppct_r must be in the range from 1 to 100, inclusive, otherwise map unit level output was set to NoData, and 4) The mu_sum_comppct_r were not scaled to equal 100%. With these rules, the results may be an under-estimate of the value for AWS or SOC compared to what would have been calculated if there were complete data and/or no comppct_r errors.Metadata variables: sums of component percentages:Several metadata variables are provided in the VALU table to help understand when the AWS and SOC values are underestimated because of these component percentage issues. The sum of the component percentages for the map unit are reported in “mu_sum_comppct_r”. If this is greater than 100% or the comppct_r was NoData for all components, then no results will be given for the map unit. If the mu_sum_comppct_r is less than 100%, then the soil scientists likely did not report on all soils in the map unit. The AWS and SOC values will only reflect the reported soils, and therefore would be an underestimate if the unreported soils would have had values for these measures.The sums of the component percentages that were used in the AWS and SOC calculations are also reported (mu_sum_comppct_aws and mu_sum_comppct_soc, respectively). If these values are less than the mu_sum_comppct_r, it is an indication that there was insufficient data to compute the AWS and/or SOC values for all of the components. These variables essentially represent metadata for each map unit. In some cases, the lack of an AWS or SOC value may be appropriate (for example, for non-soils such as bedrock at the surface, gravel pits, or water).A full discussion of these rules and their implications, including explicit examples, will be given in a forthcoming publication as Soil Survey Investigations Report No. 53, USDA NRCS, Lincoln, NE.

[Keywords: SSURGO Geospatial Data Gateway soils vector GDG Soil Survey gSSURGO farming environment ]


شاهد الفيديو: الكتب المسموعة:: الوابل الصيب من الكلم الطيب ابن القيم