أكثر

قم بإنشاء نقاط عشوائية ، فقط عندما تتداخل مع قيم معينة في البيانات النقطية

قم بإنشاء نقاط عشوائية ، فقط عندما تتداخل مع قيم معينة في البيانات النقطية


أحتاج إلى إنشاء عدد محدد من النقاط العشوائية التي تسقط على مخطط بياني بقيم بين 0 و 1. الحيلة هي أن البيانات النقطية بها الكثير من الثقوب - إنها شبكة من الميزات الخطية حيث توجد قيم ارتفاع على الميزات الخطية ، لكن كل ما بينهما هو زمالة المدمنين المجهولين. لقد حددت جميع المواقع المستخدمة التي تقع على المعالم الخطية في البيانات النقطية ، وتقاطعتها للحصول على قيمة الارتفاع. الآن أنا بحاجة إلى إنشاء نفس العدد من النقاط العشوائية ، مقيدًا بالتواجد حيث توجد قيم نقطية (أي لا يتم إنشاء نقاط في الثقوب ، حيث توجد قيم NA).

اي نصيحه؟ لقد فكرت في تحويل البيانات النقطية إلى مضلع ، ولكن النقطية أكبر من مدى كبير (60 × 90 كم) ودقة عالية جدًا (1 مليون بكسل) ، لذلك من المحتمل أن يستغرق ذلك وقتًا طويلاً.


هل الموقع الدقيق للنقطة مهم ، هل يمكن أن يكونوا جميعًا مركز البكسل؟ إذا كان الأمر كذلك ، فلماذا لا تحولك إلى مجموعة بيانات نقطية وتختار النقاط عشوائيًا؟ لن تتحول خلايا Notata إلى نقاط.


قبل تحويل البيانات النقطية إلى مضلع ، يجب إعادة تصنيفها إلى فئتين. على سبيل المثال باستخدام الآلة الحاسبة النقطية و:

IsNull ("نقطية")

عندئذٍ سيكون لديك عدد محدود فقط من المضلعات التي لا ينبغي أن تأخذ مكانًا كبيرًا.


قد يكون من غير الضروري توجيه خطوط المسح على الإطلاق. يمكن أن يكون الوصول إلى البيانات النقطية سريعًا جدًا وقد يكون من المفيد المحاولة باختيار نقاط عشوائية والتحقق مما إذا كانت قد وصلت إلى البيانات الموجودة في البيانات النقطية. إذا عثرت النقطة على نتيجة ، اقبلها ، وإذا لم تعثر على نتيجة ، فتجاهلها. استمر حتى تحصل على نقاط كافية لملء حجم عينتك. إذا كان كل استعلام عن البيانات النقطية سريعًا بدرجة كافية ، فيمكن أن تكون استراتيجية جيدة لفرز النتائج بعد ذلك بدلاً من استخدام الوقت في المعالجة المسبقة.

يجب أن تكون هناك طرق برمجة فعالة في ArcGIS للتحقق من قيمة البكسل في موقع معين. من المؤكد أيضًا أنه من الممكن جعل البرنامج النصي يتجاهل عدد مرات الوصول إلى nodata على الفور لأن قيمة nodata معروفة. هذا السؤال gis.stackexchange يتعامل معها. أوضح سير العمل باستخدام أداة gdallocationinfo http://www.gdal.org/gdallocationinfo.html.

دعنا نعثر على بعض الصور عينة من الويب. يبدو أن هذا الموقع يحتوي على بعض الصور http://www.mapmart.com/Samples.aspx وسنقوم بتجربة نموذج CONUS 10m m http://mapmart.com/DownloadArea/Mapmart_Samples/CONUS_10M_Sample.zip. وهو ملف مضغوط يحتوي على ملف tiff "CONUS_10M_Sample.tif". لا نحتاج إلى تنزيله وفك ضغطه لأن GDAL يمكنه الوصول إلى الصور مباشرة من الويب ، حتى إذا كانت مضغوطة. يمكننا إثبات ذلك في نفس الوقت.

احصل على إصدار GDAL جديد وافتح غلاف أوامر حيث يمكنك تشغيل gdallocationinfo. إليك أمر للاختبار باستخدامه:

gdallocationinfo /vsizip/vsicurl/http://mapmart.com/DownloadArea/Mapmart_Samples/CONUS_10M_Sample.zip/CONUS_10M_Sample.tif 100100

سيستغرق الأمر بعض الوقت ولكن يجب أن تحصل على تقرير:

التقرير: الموقع: (100P ، 100L) النطاق 1: القيمة: 34 النطاق 2: القيمة: 46 النطاق 3: القيمة: 31

إذا كانت هذه هي صورتك ، فستقبل نقطة العينة العشوائية (100 100) لأنه من الواضح أنها ليست nodata.

استعلام gdallocationinfo بطيء ولكن لا تخف. الآن يقوم بفك ضغط جزء من ملف zip وقراءة جزء من geotiff وكل هذا عبر الإنترنت. مع الصورة المحلية يجب أن يكون أسرع. عمل نص أركبي يمكن أن يجعله أسرع مرة أخرى. ولكن إذا كنت ترغب في تجربة هذه الطريقة ، فتأكد من أن البيانات النقطية مبلطة من أجل الوصول العشوائي إلى بعض وحدات البكسل العشوائية بسرعة.

قد يكون من الجيد معرفة أيضًا بالنسبة للاحتياجات الجغرافية المكانية الأخرى أن GDAL يمكنه قراءة البيانات من الويب ومن الملفات المضغوطة باستخدام / vsicurl / و / vsizip /. يمكن استخدامها مع gdalinfo و gdal_translate و ogrinfo و ogr2ogr وما إلى ذلك.

إذا وجدت أن هذه العملية ستكون أسرع إذا كانت مناطق nodata معروفة مسبقًا ، فسأفصل أولاً بكسلات nodata على سبيل المثال عن طريق إنشاء قناة ألفا وتوجيه قناة ألفا إلى nodata-polygons.


قم بإنشاء نقاط عشوائية ، فقط عندما تتداخل مع قيم معينة في البيانات النقطية - أنظمة المعلومات الجغرافية

إجراء تبديل محرك

إجراء استبدال محرك الأقراص لإنشاء محركات الأقراص الافتراضية إل و م.

نظرًا لأن مجموعات بيانات الشبكة النقطية تستهلك مساحة كبيرة ، يجب حذف أي ملفات غير ضرورية من M: . حذف كل شىء من محرك الأقراص القابل للإزالة قبل بدء التمرين. إذا كنت تقوم بإنشاء ملفات PDF لمهامك وحفظها على M: ، فيمكن حذف هذه (بالإضافة إلى أي ملفات * .prn قديمة). إذا كنت بحاجة إلى حفظ أي بيانات على M: ، فاضغط وانسخها إلى حساب dante الخاص بك أو قم بتخزينها مؤقتًا على محرك الأقراص الثابتة أو كتابتها على قرص مضغوط. إذا نفدت المساحة أثناء هذا التمرين ، فقد تواجه مشكلات.

    قم بتنزيل المشروع r_an_1.mxd، واحفظه على M: .

    من أجل إجراء التحليلات باستخدام البيانات النقطية ، من الضروري تمكين ملحق محلل مكاني وعرض شريط أدوات المحلل المكاني. لا يزال بإمكانك إضافة البيانات النقطية إلى إطار البيانات بدون المحلل المكاني ، لكنها ستتصرف فقط كصور بسيطة ، وستفتقر إلى الوظائف التحليلية.

    يختار تخصيص ملحقات GT وانقر فوق مربع الاختيار لـ محلل مكاني.

مجموعة البيانات النقطية دم سيتم عرض مع منحدر ألوان ممدد باللون الرمادي. لاحظ القيم في وسيلة الإيضاح: هذه تمثل الارتفاع بالأقدام.

الاهرام نكون الحاضر (بالمستوى 5 وحالات أخرى)، مما يعني أنه يمكن عرض الشبكة بسرعة بمقاييس تكبير مختلفة. ستنشئ العديد من العمليات التي سنقوم بها شبكات مؤقتة ، والتي بمجرد إزالتها من مستند الخريطة ، سيتم حذفها من القرص.

لاحظ أثناء التكبير ، لا ترى خلايا فردية. هذا لأن ملف امتدت تطبق طريقة الترميز أيضًا إعادة التشكيل لتنعيم مظهر الشاشة.

لقد قمت للتو بتحميل طبقة شبكة نقطية إلى طريقة عرض. تأكد من تحميل ملحق Spatial Analyst قبل تحاول إضافة طبقات الشبكة النقطية ، أو سينتهي بك الأمر إلى تحميل طبقة الصورة ، والتي ستكون عديمة الفائدة للتحليل.

قم بتعديل عرض طبقة الشبكة النقطية

عندما يتم تحميل طبقات الشبكة النقطية ، يتم تحميلها في 10 فئات (9 فئات عددية ، وفئة واحدة بدون بيانات) باستخدام نظام تدرج ألوان عشوائي. قد ترغب في تغيير الترميز لعرض أنواع مختلفة من البيانات.

    تصغير للخلف إلى أقصى حد. يمكنك الآن رؤية تأثير العرض المصنف بوضوح.

بينما تصبح التضاريس أكثر وضوحًا ، لا يزال من الأفضل عرض البيانات المستمرة مع رموز ممتدة ، بدلاً من تصنيفها.

  1. العودة إلى امتدت وحدد Color Ramp الذي ينتقل من الأحمر إلى الأخضر.
  2. انقر على عكس مربع الاختيار لجعل الألوان تنتقل من الأخضر إلى الأحمر مع زيادة الارتفاع (ستعرض الطريقة الافتراضية الارتفاعات المنخفضة باللون الأحمر).

لاحظ أن متوسط ​​قيمة الارتفاع لمجموعة البيانات هو 1150 قدمًا ، ويمثل المتوسط ​​في هذه الحالة الكمية:

الذي يترجم إلى & quotsum جميع قيم الخلية ويقسم على عدد الخلايا. & quot

قم بتعديل ملصق للفصول كما هو موضح أدناه:

تمنحك وسيلة الإيضاح فكرة عن الانتشار الإحصائي لبياناتك ، ويظهر لك العرض موقع الفئات الإحصائية المختلفة.

بشكل عام ، هناك خيارات أقل لتعديل عرض طبقات الشبكة النقطية مقارنة بطبقات المعالم. الشبكات النقطية الصحيحة لها نفس طرق التصنيف مثل بيانات المتجه ، لكن شبكات النقطة العائمة النقطية لا تحتوي على العديد من الأنواع المختلفة من التصنيفات. لا يمكن عرض الشبكات النقطية برموز متدرجة ، فقط بألوان معبأة خالصة.

تغيير نوع البيانات (البكسل): النقطة العائمة إلى نوع عدد صحيح

لا يمكن إجراء الاستعلامات الجدولية العادية إلا على شبكات البيانات النقطية ذات الأعداد الصحيحة التي تحتوي على أقل من مليون فئة. يعد التحويل من قيمة النقطة العائمة إلى قيمة عدد صحيح ضروريًا لإنشاء طبقة شبكة نقطية بضريبة القيمة المضافة (جدول سمات القيمة).

    حاول فتح جدول السمات لـ ماركا طبقة. ستجد أن هذا غير ممكن (الاختيار باللون الرمادي). كشبكة نقطية عائمة ، لا تحتوي الطبقة على ضريبة القيمة المضافة.

لقد قمت للتو بالتحويل من قيمة الفاصلة العائمة إلى قيمة عدد صحيح. اعلم أن هذا التحويل قد يؤدي إلى فقدان المعلومات. كن حذرًا جدًا عند تحويل الفاصلة العائمة إلى قيمة عددية ، خاصة إذا كانت القيم الأصلية بين 0 و 1. ستفقد معظم محتوى المعلومات الخاص بك. إذا كانت بياناتك تمثل قيمًا تحتوي فيها المنازل العشرية على معلومات مهمة (على سبيل المثال ، الرقم الهيدروجيني) وقمت بالتحويل إلى قيم صحيحة ، فستفقد تلك المعلومات المهمة.

الأسلوب الشائع للتعامل مع هذه المشكلة هو أولاً ضرب شبكة النقطة العائمة النقطية بمقدار 1 أو أكثر من أوامر الحجم ، مما يجعل جميع القيم أعلى من 1 ، ثم التحويل إلى قيمة عدد صحيح. ومع ذلك ، عليك أن تتذكر أن القيم التي لديك الآن ليست هي القيم الأصلية.

    محاولة تشغيل استعلام بالمقابلة مع dem_int شبكة (تحديد & gt تحديد حسب السمات). سترى أنه لا يوجد خيار لطبقة الشبكة. أغلق مربع الحوار.

هناك 1648088 خلية في التحديد ، والتي ، مع الأخذ في الاعتبار أن الخلية هي 100 قدم ^ 2 ، تُترجم إلى حوالي 5.9 ميل ^ 2 (احسب هذا بنفسك الآن حتى يكون الأمر أسهل عندما يُطلب منك القيام بذلك في مهمة!) .

هذا الاستعلام ممكن فقط لأن طبقة الشبكة النقطية dem_int تحتوي مجموعة البيانات النقطية على جدول سمات. هذا يعني أنه لا يمكنك تنفيذ استعلامات على شبكات الفاصلة العائمة.

عرض الرسم البياني لتوزيع قيمة الخلية

تعرض الرسوم البيانية انتشار بيانات قيمة الخلية ضمن الخلايا المحددة لطبقة الشبكة النقطية. يمكن عرض الرسوم البيانية في طبقة ملكيات.

    افتح ال ملكيات إلى عن على عملية حسابية (Symbology & gt Classify). (لن يتمكن كمبيوتر مختبر MGH من تنفيذ هذه العملية ، يرجى قراءتها من خلالها.)

تعتبر المدرجات التكرارية مفيدة لاستعراض نطاق وتوزيع البيانات في شبكة البيانات النقطية. هل تتبع قيم الشبكة النقطية التوزيع الطبيعي ، أم أن هناك نوعًا آخر من الأنماط؟ ماذا يمكن أن يخبرك ذلك عن بياناتك ، وما الآثار المترتبة عليها لمزيد من التحليل؟

قم بتعيين خصائص التحليل

سيؤثر إعداد بيئة التحليل لتحليل البيانات النقطية (مساحة العمل ، ومدى المعالجة ، وإحداثيات المخرجات ، وتحليل البيانات النقطية باستخدام إعداد حجم الخلية والقناع) على بيئة التحليل حتى يتم تغيير خصائص التحليل مرة أخرى.

تحدد مساحة العمل الموقع الافتراضي للمخرجات.

اخفاء تحليل خطوط المسح

يعيّن التقنيع الشبكة النقطية للإخراج إلى الخلايا الصالحة لشبكة نقطية أخرى. لكل شبكة ، توجد خلايا تحتوي على قيمة (مثل الارتفاع). ولكن هناك أيضًا لايوجد بيانات الخلايا. يسمح التقنيع بأن تكون بيانات الإخراج مقصورة فقط على الخلايا التي تحتوي على قيمة في شبكة القناع. الفكرة مشابهة لإخفاء منطقة للرسم.

  1. أولاً ، نحتاج إلى إنشاء شبكة نقطية للإخفاء. انشاء 500-1000 قدم طبقة نقطية باستخدام حاسبة البيانات النقطية
    1. افتح ArcToolbox واختر أدوات المحلل المكاني و GTخريطة الجبر & gt النقطية حاسبة.
    2. في ال حاسبة البيانات النقطية، باستخدام القاع للنقر على الصيغة - (& quotdem & quot & GT 500) & amp (& quotdem & quot & lt 1000)
    3. احفظ هذا الملف باسم استعلام 1 في الخاص بك م: محرك وانقر فوق موافق.

    سيؤدي هذا إلى إنشاء شبكة مطابقة لـ استفسار1 ، ولكن مع لايوجد بيانات القيم حيث كانت القيم الأصلية 0.

      حدد ظلًا أسود لملف عرض NoData كـ في أسفل يمين مربع الحوار.

    أصبح من الواضح الآن أي الخلايا لها قيمة وأيها ليس لها قيمة.

    سيعني تعيين القناع على هذه الشبكة أن الشبكات الجديدة التي تم إنشاؤها باستخدام شريط أدوات التحليل المكاني سيكون لها قيم بيانات فقط حيث setnull1 الخلايا لها قيمة 1.

    مدى المعالجة

    مدى المعالجة هو منطقة مستطيلة. عند تعيين مدى العملية ، ستقتصر الشبكات النقطية المنشأة حديثًا (من حسابات الخريطة أو استعلامات الخريطة) على المدى المكاني لذلك المستطيل. يمكن تعيين المدى إلى مدى الطبقة الموجودة أو إطار البيانات أو العرض الحالي أو إحداثيات محددة. يختلف المدى عن القناع ، حيث يتم تعريف القناع بخلايا صالحة من شبكة معينة ، في حين أن المدى هو مجرد مجموعة من الإحداثيات المستطيلة.

      تكبير منطقة في وسط الغابة (موضحة أدناه تقريبًا).

      انقر على معالجةحد علامة التبويب وحدد المدى: نفس العرض، مما سيحد من إخراج العمليات اللاحقة إلى مدى التكبير الحالي.

    حجم خلية التحليل

    هناك دائمًا مفاضلة بين تخزين البيانات والدقة. تعني الخلايا الأصغر دقة أفضل ، ولكن أيضًا الملفات الأكبر حجمًا ومعالجة أبطأ. لمعرفة تأثير حجم الخلية المختلفة على الدقة والتخزين والمعالجة ، قم بإجراء نفس التحليل ولكن بحجم خلية مختلف.

      افتح أداة ArcToolbox أدوات المحلل المكاني / خريطة الجبر / حاسبة البيانات النقطية.

    لا توجد قاعدة صارمة وسريعة لتحديد حجم الخلية المناسب. في الأساس ، سترغب في استخدام أكبر حجم للخلية يمكنك تمثيله بشكل صحيح للظاهرة التي تصوغها.

    حاسبة البيانات النقطية (I): قم بإجراء استعلام خريطة على طبقة شبكة نقطية

    يتم تنفيذ العديد من العمليات التحليلية لشبكة البيانات النقطية باستخدام ملف حاسبة البيانات النقطية أدوات. سيتم تغطية تحليل الشبكة النقطية بمزيد من التعمق في المحاضرة التالية ، ولكن هذا القسم بمثابة مقدمة لهذه الأدوات.

    بسبب ال ماركا يتم تخزين طبقة الشبكة بنقطة عائمة ، والاستعلام الجدولي العادي غير ممكن بدلاً من ذلك ، أ استعلام الخريطة يجب تنفيذها لعرض مجموعة فرعية من الخلايا.

      افتح ال حاسبة البيانات النقطية (ArcToolbox & gt Spatial Analysis Tools & gt Map Algerba & gt Raster Calculator) وإنشاء تعبير باستخدام الأزرار أو لوحة المفاتيح:

    يجب أن يبدو حسابك كما يلي:

    هذا تعبير صحيح / خطأ. ستكون إما الخلايا في النطاق 500-1000 أو ستكون خارج هذا النطاق.

    يتشابه استعلام الخريطة مع استعلام طبقة المعالم العادي ، ولكن يمكن إجراؤه على طبقات شبكة نقطية ذات فاصلة عائمة أو عدد صحيح. يتشابه استعلام الخريطة مع استعلام طبقة المعالم ، لكن الإخراج دائمًا عبارة عن شبكة نقطية جديدة ، بدلاً من مجموعة محددة داخل جدول موجود. الإخراج هو كيان منطقي ، يتم فيه ترميز خلايا الإخراج جيه كيه كيه (1) (تلبية معايير الاستعلام) ، خطأ (0) (لا تستوفي معايير الاستعلام) ، أو لايوجد بيانات.

    لا تقتصر استعلامات الخريطة ، بخلاف استعلامات المعالم ، على الطبقات الفردية. نظرًا لأنه تتم الإشارة إلى قيم الخلايا الفردية إلى موضعها المكاني فقط ، يمكن لاستعلامات الخريطة تحديد الخلايا التي تطابق نطاقًا واسعًا من المعايير ، بما في ذلك طبقات الشبكة النقطية المتعددة. يمكن أن يطلب الاستعلام أعلاه بنفس السهولة تحديد الخلايا المطابقة لمعايير متعددة لأي من طبقات الشبكة النقطية داخل طريقة العرض.

    على سبيل المثال ، من الممكن تحديد مجموعة من الخلايا التي تكون قيمها ضمن نطاق من قياس الأعماق في شبكة خطوط قياس الأعماق و التي تكون قيمها ضمن نطاق منحدر في شبكة خطوط منحدر ، و التي تقع قيمها ضمن نطاق قيم الملوحة في شبكة نقطية للملوحة بتعبير مثل

    في استعلام جدولي نموذجي ، يتم تنفيذ الاستعلام على جدول واحد. في الحالة المعروضة أعلاه ، هو استعلام يبحث في نفس الوقت عن الخلايا التي تطابق قيمة العديد من الشبكات النقطية (وليس فقط القيم في جدول واحد). الخلية المواقع يتم تحديدها من خلال إطار الإسناد المكاني ، ولكن القيم يتم تحديدها من خلال قيم مختلفة عبر شبكات البيانات النقطية المتعددة.

    حاسبة البيانات النقطية (II): قم بإجراء حساب خريطة على طبقة شبكة نقطية

    سيجد هذا المثال جيب الزاوية لكل خلية في ملف ماركا شبكة نقطية. سيكون إنشاء الجيب وجيب التمام للخطوة الأولى التي يجب اتخاذها إذا كنت بحاجة إلى إجراء تحليلات معينة لنمذجة التضاريس السطحية ، مثل تحديد التشوه ، والذي يعتمد على زاوية الشمس. لن نفعل أي شيء آخر مع هذا المثال ، ولكن يجب أن تدرك أن الدوال المثلثية وغيرها من الوظائف الرياضية موجودة لحسابات خرائط الشبكة النقطية.

      إنشاء طبقة الجانب: يختار أدوات المحلل المكاني السطح الجانب. يختار ماركا مثل سطح الإدخال.

    الخطيئة (& quotAspect of dem1 & quot * 3.14159 / 180)

    يؤدي هذا إلى إنشاء شبكة جديدة حيث يتم أولاً تحويل الجانب من مقياس درجة إلى قياس راديان (جانب * pi / 180) ثم يتم حساب الجيب ، على أساس كل خلية على حدة.

    ملحوظة: على الرغم من أن إنشاء العمليات الحسابية والاستعلامات أصبح أسهل باستخدام واجهة المستخدم الرسومية ، يمكنك بدلاً من ذلك كتابة العملية الحسابية دون استخدام واجهة المستخدم الرسومية ، على افتراض أنك تعرف كيفية استخدام البنية الصحيحة. كن حذرًا بشكل خاص من موقع الأقواس.

    يتم تخزين الإخراج في شبكة نقطية مؤقتة جديدة تسمى Aspect_dem1_cal1. تتراوح القيم من -1 إلى 1 ، وهو ما يجب أن نتوقعه لقيم الجيب.

    تُستخدم حاسبة البيانات النقطية لإنشاء مجموعات بيانات جديدة بناءً على الدوال اللوغاريتمية والحسابية والمنطقية والأسية والعلائقية والمثلثية. يمكن إجراء هذه الوظائف على شبكات البيانات النقطية الفردية أو مجموعات الشبكات النقطية. بالإضافة إلى المشغلين والوظائف المدرجة في واجهة حاسبة البيانات النقطية ، يمكن تنفيذ أي وظائف فئة شبكة ArcGrid النقطية باستخدام مربع الحوار. ناتج الشبكة النقطية حيث تكون كل قيمة خلية ناتجة عن وظائف الشبكة النقطية الرياضية أو وظائف الشبكة النقطية الأخرى التي يتم إجراؤها على المدخلات (المدخلات).

    يتطلب الاستخدام المتقدم لـ Raster Calculator تعلم القليل عن بنية جبر خريطة الشبكة.

    حاسبة البيانات النقطية (III): الاستعلام عبر طبقات الشبكة المتعددة

    قم بإجراء استعلام معقد يحدد الخلايا التي تفي بمعايير متعددة عبر طبقات الشبكة المتعددة. في هذا المثال ، ابحث عن جميع المناطق التي يزيد ارتفاعها عن 1500 قدم في طبقة الارتفاع والطبقة العرضية (جانب من Dem1) هو الجنوب (القيمة 157.5-202.5).

      أضف طبقة الشبكة ديم من قرص البيانات المضغوط إلى إطار بيانات جديد.

      افتح ال ملكيات للطبقة الجديدة ، وقم بتدوين حجم الخلية (في هذه الحالة ، حجم الخلية هو 10).

    هناك 138871 خلية (القيمة 1 ، تناسب الاستعلام) والتي يزيد ارتفاعها عن 1500 قدم والوجه هو الجنوب.

    لقد قمت للتو بإجراء & quot استعلام & quot ينتقي الخلايا التي تطابق المعايير من أكثر من شبكة واحدة. هذا مشابه جدًا لتحليل التراكب الطوبولوجي للتقاطع. هل ترى مدى سرعة هذا النوع من التحليل مع تحليل البيانات النقطية؟ كم عدد الإجراءات الفردية المنفصلة التي كانت ستتخذها للقيام بذلك باستخدام بيانات المتجه؟ كان من الممكن أن يسمح لنا استخدام بناء جملة أكثر تعقيدًا داخل حاسبة البيانات النقطية بإجراء التحليل بخطوات أقل.

    على الرغم من أن تحليلات بيانات المتجه تستفيد من التمثيل الأفضل للشكل لميزات الخط والمضلع ، إذا كان حجم الخلية صغيرًا بما يكفي لتمثيل شكل الميزات بشكل صحيح ، فإن الأرقام التي تم إنشاؤها ستكون ضمن هامش خطأ مقبول.

    حاسبة البيانات النقطية (IV): معالجة مشروطة

    افترض أن لديك نموذجًا نباتيًا يشتمل على عامل استجابة مرتفع. إذا كانت الارتفاعات بين 500 و 700 قدم ، فستكون مدخلات النموذج 100 * قيمة الارتفاع. إذا كانت الارتفاعات خارج هذا النطاق ، فستكون مدخلات النموذج 0.

      أضف طبقة الشبكة ديم من قرص البيانات المضغوط إلى إطار بيانات جديد.

    يعني التعبير هذا سطراً سطراً ، باللغة الإنجليزية:

    إذا كان الارتفاع أكبر من 500 وأقل من 700 ، إذن
    اضبط قيمة الإخراج على (الارتفاع * 100) ، أو غير ذلك
    اضبط قيمة الإخراج على 0

    ستبدو شبكة الإخراج مثل هذا (اضبط تدرج اللون من الخصائص لإظهار الفرق).

    لقد استخدمت للتو المعالجة الشرطية لإنشاء شبكة جديدة. القيم الفعلية التي استخدمناها لا معنى لها ، لكن النظرية مهمة. هل ترى كيف يختلف ذلك عن إعادة تصنيف بسيطة أو استعلام خريطة؟ كان من الممكن أن تستغرق عملية إعادة التصنيف بهذه الدقة بعض الوقت للتشفير ، وكان من الممكن أن يمنحنا استعلام الخريطة قيم نعم أو لا.

    يستغرق بناء جملة العبارة الشرطية بعض الشيء في التعود ، ولكن يمكنك أن ترى ما هي الأداة القوية للتعامل مع المعالجة الشرطية لقيم الخلية. في كثير من الأحيان في نمذجة الظواهر المكانية ، نريد معالجة مجموعة فرعية من الخلايا بطريقة واحدة ومجموعة فرعية مختلفة من الخلايا بطريقة مختلفة.

    يرجى حذف أي ملفات ضالة ربما تكون قد أنشأتها على القرص الصلب.


    محاذاة البيانات النقطية مع نقاط التحكم

    بشكل عام ، سوف تقوم بالإشارة الجغرافية للبيانات النقطية باستخدام البيانات المكانية الموجودة (البيانات الهدف) - مثل البيانات النقطية التي تم الإشارة إليها جغرافيًا أو فئة المعالم المتجهية - الموجودة في نظام إحداثيات الخريطة المطلوب. تتضمن العملية تحديد سلسلة من نقاط التحكم الأرضية - إحداثيات x و y المعروفة - التي تربط المواقع على مجموعة البيانات النقطية بالمواقع الموجودة في البيانات المشار إليها مكانيًا (بيانات الهدف). نقاط التحكم هي مواقع يمكن تحديدها بدقة في مجموعة البيانات النقطية وفي إحداثيات العالم الحقيقي. يمكن استخدام العديد من أنواع الميزات المختلفة كمواقع يمكن تحديدها ، مثل تقاطعات الطرق ، أو مصب مجرى مائي ، أو نتوءات صخرية ، أو نهاية رصيف من الأرض ، أو زاوية حقل قائم ، أو زوايا شارع ، أو تقاطع اثنين من السياج .

    تُستخدم نقاط التحكم لإنشاء تحويل متعدد الحدود من شأنه أن يحول مجموعة البيانات النقطية من موقعها الحالي إلى الموقع الصحيح مكانيًا. يعتبر الاتصال بين نقطة تحكم واحدة على مجموعة البيانات النقطية (نقطة من) ونقطة التحكم المقابلة على بيانات الهدف المحاذاة (نقطة إلى) ارتباطًا.

    يوضح المثال أدناه نقطة تحكم من نقطة (تقاطع أصفر) موضوعة على بيانات هدف المتجه عند تقاطع شارع ونقطة التحكم المرتبطة بها (تقاطع أخضر) موضوعة على مجموعة البيانات النقطية. يتم تمثيل الارتباط المرتبط بالخط الأزرق الذي ينضم إلى نقاط التحكم.

    يعتمد عدد الروابط التي تحتاج إلى إنشائها على مدى تعقيد التحويل الذي تخطط لاستخدامه لتحويل مجموعة البيانات النقطية إلى إحداثيات الخريطة. ومع ذلك ، فإن إضافة المزيد من الروابط لن يؤدي بالضرورة إلى تسجيل أفضل. إذا أمكن ، يجب أن تنشر الروابط على مجموعة البيانات النقطية بأكملها بدلاً من تركيزها في منطقة واحدة. عادةً ما يؤدي وجود ارتباط واحد على الأقل بالقرب من كل ركن من أركان مجموعة البيانات النقطية وعدد قليل في جميع أنحاء الجزء الداخلي إلى الحصول على أفضل النتائج.

    بشكل عام ، كلما زاد التداخل بين مجموعة البيانات النقطية والبيانات الهدف ، كانت نتائج المحاذاة أفضل ، لأنه سيكون لديك نقاط متباعدة على نطاق واسع للإشارة إليها جغرافيًا مجموعة البيانات النقطية. على سبيل المثال ، إذا كانت البيانات المستهدفة تشغل ربع مساحة مجموعة البيانات النقطية فقط ، فإن النقاط التي يمكنك استخدامها لمحاذاة مجموعة البيانات النقطية ستقتصر على منطقة التداخل هذه. وبالتالي ، من غير المحتمل أن يتم محاذاة المناطق خارج منطقة التداخل بشكل صحيح.

    ضع في اعتبارك أن البيانات التي تم إحداثها جغرافيًا تكون بنفس دقة البيانات التي تمت محاذاتها إليها. لتقليل الأخطاء ، يجب عليك الإشارة جغرافيًا إلى البيانات بأعلى دقة وأكبر نطاق لاحتياجاتك.


    يعتمد استخراج مجموعة فرعية من النقاط بكفاءة على التنسيق الدقيق الذي تستخدمه. بافتراض أنك قمت بتخزين البيانات النقطية كمصفوفة عددية من الأعداد الصحيحة ، يمكنك استخراج نقاط مثل هذا:

    سوف يُنشئ Points_in_circle مولدًا يعيد جميع النقاط. يرجى ملاحظة أنني استخدمت العائد بدلاً من الإرجاع. لا تقوم هذه الوظيفة بإرجاع قيم النقاط في الواقع ، ولكنها تصف كيفية العثور عليها جميعًا. يقوم بإنشاء مكرر متسلسل فوق قيم النقاط داخل الدائرة. راجع توثيق Python لمزيد من التفاصيل حول كيفية عمل العائد.

    لقد استخدمت حقيقة أنه بالنسبة للدائرة ، لا يمكننا أن نلف بشكل صريح إلا على النقاط الداخلية. بالنسبة إلى الأشكال الأكثر تعقيدًا ، يمكنك إجراء تكرار حلقي فوق نقاط امتداد الشكل ، ثم التحقق مما إذا كانت نقطة ما تنتمي إليه. الحيلة هي عدم التحقق كل نقطة ، فقط مجموعة فرعية ضيقة منهم.


    نظرة عامة على مجموعة أدوات المعالجة النقطية

    تُستخدم مجموعة أدوات المعالجة النقطية لأداء بعض المهام للحصول على بياناتك في نموذج عملي. تسمح لك أدوات معالجة البيانات النقطية بأداء العديد من المهام باستخدام بياناتك لإعدادها للتحليل والعرض.

    يسرد الجدول التالي الأدوات المتاحة في مجموعة أدوات معالجة البيانات النقطية ويقدم وصفًا موجزًا ​​لكل منها. المدخلات والمخرجات لجميع هذه الأدوات عبارة عن مجموعة بيانات نقطية.

    يقطع جزءًا من مجموعة بيانات نقطية أو مجموعة بيانات فسيفساء أو طبقة خدمة صور.

    ينشئ مجموعة بيانات نقطية واحدة من نطاقات متعددة.

    يدمج بيانات الارتفاع والبيانات الوصفية للصور لمحاذاة الصور بدقة.

    دمج مجموعة بيانات نقطية بانكروماتية عالية الدقة مع مجموعة بيانات نقطية متعددة النطاقات منخفضة الدقة لإنشاء خطوط نقطية باللون الأحمر والأخضر والأزرق (RGB) مع دقة المسح النقطي البانكروماتي.

    يحسب مجموعة مثالية من الأوزان المشحذ عمومًا لبيانات المستشعر الجديدة أو المخصصة.

    ينشئ مجموعة بيانات نقطية جديدة من مجموعة بيانات HDF أو NITF.

    يقسم مجموعة البيانات النقطية إلى ملفات منفصلة بناءً على بنية تقسيم DTED.

    قم بتغيير الدقة المكانية لمجموعة البيانات النقطية الخاصة بك وقم بتعيين قواعد لتجميع القيم أو إقحامها عبر أحجام البكسل الجديدة.

    يقسم مجموعة البيانات النقطية إلى قطع أصغر ، بواسطة مربعات أو معالم من مضلع.


    المجموعات الهرمية

    ينشئ التجميع الهرمي تسلسلاً هرميًا من المجموعات التي يمكن تمثيلها في بنية شجرية تسمى أ مخطط شجر الأسنان. يتكون جذر الشجرة من مجموعة واحدة تحتوي على جميع الملاحظات ، وتتوافق الأوراق مع الملاحظات الفردية.

    تكون خوارزميات التجميع الهرمي إما بشكل عام تكتلي، حيث يبدأ المرء من الأوراق ويدمج العناقيد معًا أو خلافي، حيث يبدأ المرء من الجذر ويقسم المجموعات بشكل متكرر.

    يمكن استخدام أي مقياس صالح كمقياس للتشابه بين أزواج من الملاحظات. يتم تحديد اختيار المجموعات المراد دمجها أو تقسيمها من خلال معايير الارتباط ، وهي دالة للمسافات الزوجية بين الملاحظات.

    سيؤدي قطع الشجرة على ارتفاع معين إلى تجميع بدقة محددة. في المثال التالي ، ينتج عن القطع بعد الصف الثاني عناقيد . القطع بعد الصف الثالث سينتج عناقيد ، وهو تجمع خشن ، مع عدد أقل من الكتل الأكبر.

    التكتل الهرمي العنقودي

    على سبيل المثال ، افترض أنه سيتم تجميع هذه البيانات ، وأن المسافة الإقليدية هي مقياس المسافة.


    نظرة عامة على مربع أدوات إدارة البيانات

    يوفر مربع أدوات إدارة البيانات مجموعة غنية ومتنوعة من الأدوات المستخدمة لتطوير فئات المعالم ومجموعات البيانات والطبقات وهياكل البيانات النقطية وإدارتها وصيانتها.

    تحتوي مجموعة أدوات الكائنات ثلاثية الأبعاد على أدوات لتحسين فئة ميزة متعددة المطابقة بإمكانيات طبقة معالم الكائن ثلاثي الأبعاد. تعمل طبقة معالم الكائن ثلاثي الأبعاد على تحسين ميزات تعدد المطابقة عن طريق تحسين تخزين معلومات النسيج وإضافة دعم لتأثيرات التصور الإضافية والأنسجة والمواد المرتبطة بالعديد من تنسيقات النمذجة ثلاثية الأبعاد.

    تحتوي مجموعة أدوات الأرشفة على أدوات لإدارة أرشفة قاعدة البيانات الجغرافية. توفر الأرشفة في ArcGIS وظيفة لتسجيل والوصول إلى التغييرات التي تم إجراؤها على البيانات في قاعدة البيانات الجغرافية. أرشفة قاعدة البيانات الجغرافية هي آلية التقاط وإدارة وتحليل تغيير البيانات.

    تحتوي مجموعة أدوات المرفقات على أدوات لإدارة مرفقات قاعدة البيانات الجغرافية. توفر وظيفة المرفقات طريقة فعالة لربط البيانات غير الجغرافية بمعلوماتك الجغرافية. باستخدام أدوات المعالجة الجغرافية هذه ، يمكنك دمج المرفقات بسهولة أكبر في مهام سير العمل وأتمتة عملية إضافة المرفقات وإزالتها.

    تحتوي مجموعة أدوات قواعد البيانات الجدولية على أدوات لإدارة قواعد سمات قاعدة البيانات الجغرافية. توفر وظيفة قاعدة السمات طريقة لإضافة قواعد مخصصة وسلوك لبيانات قاعدة البيانات الجغرافية الخاصة بك. باستخدام أدوات المعالجة الجغرافية هذه ، يمكنك بسهولة دمج قواعد السمات في مهام سير العمل وأتمتة عملية إضافة القواعد وإزالتها.

    تحتوي مجموعة أدوات "القيم المشروطة" على أدوات لإدارة قيم وحدات قاعدة البيانات الجغرافية ومجموعات الحقول. توفر وظيفة القيم الطارئة طريقة لإضافة سلوك مخصص لبيانات قاعدة البيانات الجغرافية الخاصة بك. يمكنك دمج القيم الطارئة في مهام سير العمل وأتمتة عملية إضافة القيم وإزالتها باستخدام هذه الأدوات.

    تحتوي مجموعة أدوات مقارنة البيانات على أدوات لمقارنة مجموعة بيانات مع مجموعة بيانات أخرى للإبلاغ عن أوجه التشابه والاختلاف. يمكنك استخدام هذه الأدوات لتحديد التغييرات التي تم إجراؤها على مجموعة البيانات.

    تحتوي مجموعة أدوات قاعدة البيانات الجغرافية الموزعة على أدوات تسمح لك بإنشاء ومزامنة التغييرات بين قواعد البيانات الجغرافية المتماثلة.

    تقدم المجالات طريقة لتحديد نطاق من القيم التي يمكن استخدامها لحقول السمات المتعددة. يساعد استخدام المجالات في ضمان تكامل البيانات من خلال تقييد اختيار القيم لحقل معين. يتم التحقق من صحة مجالات القيمة المشفرة عن طريق تقييد قيم الحقول الموجودة في القوائم المنسدلة. يتم التحقق من نطاقات النطاق تلقائيًا أثناء التحرير.

    تحتوي مجموعة أدوات Feature Binning على أدوات لإدارة تجميع الميزات. تعد ميزة binning قدرة تصور متقدمة تتيح للمستخدمين استكشاف مجموعات البيانات الكبيرة وتصورها. كما أنه يساعد المستخدمين على ملاحظة الأنماط على المستويين الكلي والجزئي مع خيارات رسم خرائط بسيطة.

    توفر مجموعة أدوات فئة الميزات مجموعة من الأدوات التي تقوم بإدارة فئة الميزات الأساسية.

    تحتوي مجموعة أدوات الميزات على أدوات لإنشاء وإدارة بيانات GIS المستندة إلى المعالم ، وتحويل الميزات من نوع هندسي إلى آخر ، والبحث عن المشكلات المتعلقة بهندسة المعالم وتصحيحها ، وتسجيل قياسات وإحداثيات هندسة المعالم كسمات.

    تحتوي مجموعة أدوات الحقول على مجموعة من الأدوات لإنشاء الحقول وتعديلها. الحقل عبارة عن عمود في جدول يحتوي كل حقل على قيم سمة واحدة. يمكن تضمين أي عدد من الحقول في جدول. يمكن تحديد الإعدادات للحقول ، مثل نوع الحقل والحجم الأقصى للبيانات التي يمكن تخزينها فيه.

    لتقليل متطلبات التخزين ، يمكنك ضغط فئات وجداول معالم قاعدة البيانات الجغرافية المتجهية إلى تنسيق للقراءة فقط. يمكن تصغير حجم الملفات إلى ربع حجمها الأصلي. بمجرد الضغط ، تبدو مجموعة البيانات نفسها في ArcCatalog و ArcMap كما لو كانت غير مضغوطة. أيضًا ، بصرف النظر عن التحرير ، فأنت تعمل معه بنفس الطريقة. البيانات المضغوطة هي تنسيق وصول مباشر ، لذا لا يتعين عليك إلغاء ضغطها في كل مرة تصل إليها: قام ArcGIS و ArcReader بقراءته مباشرة.

    تحتوي مجموعة الأدوات العامة على أدوات لأداء عمليات إدارة البيانات العامة. تحتوي مجموعة الأدوات على أدوات لدمج فئات المعالم أو إعادة تسمية الجداول أو نسخها أو حذفها للبحث عن أو حذف السجلات المكررة أو المتطابقة وفرز السجلات.

    يمكن استخدام الأدوات الموجودة في مجموعة أدوات التعميم لتجميع الميزات أو إزالتها.

    تحتوي مجموعة أدوات إدارة قاعدة البيانات الجغرافية على أدوات لمجموعة متنوعة من مهام إدارة قاعدة البيانات الجغرافية. تتم تغطية أدوات إدارة بيانات قاعدة البيانات الجغرافية المحددة بالإضافة إلى ترقية قاعدة البيانات الجغرافية وإدارتها وصيانتها بواسطة الأدوات الموجودة في مجموعة الأدوات هذه.

    توفر مجموعة أدوات الفهارس أدوات لإنشاء الفهارس وإزالتها.

    تقوم الأدوات الموجودة في مجموعة الأدوات Joins and Relates بإنشاء صلة أو ارتباط بين طبقة وطريقة عرض جدول. الصلات التي تم إجراؤها باستخدام أداة Add Join أو الارتباطات التي تم إجراؤها باستخدام أداة Add Relate مؤقتة ولا تنقل الحقول بشكل دائم بين الجداول. إذا كنت بحاجة إلى الحفاظ على الصلة أو الارتباط بين الجلسات ، يمكنك إنشاء علاقة باستخدام الأدوات الموجودة في مجموعة أدوات فئات العلاقة.

    توفر مجموعة أدوات LAS Dataset أدوات لإنشاء وإدارة وتحسين مجموعة بيانات LAS. يشير نوع بيانات مجموعة بيانات LAS إلى مجموعات من ملفات LAS ، مما يسهل معالجتها وتصورها وتحليلها.

    تقوم مجموعة الأدوات Layers and Table Views بإنشاء ومعالجة الطبقات وملفات الطبقة وطرق عرض الجدول.

    توفر مجموعة أدوات الحزمة أدوات لدمج الطبقات (.lyr و .lyrx) وحزمها ومشاركتها ، والخرائط (.mxd و .mapx) ، والمشاريع (.aprx) ، ومحددات مواقع العناوين (.loc) ، ونتائج المعالجة الجغرافية.

    تحتوي مجموعة أدوات الصور على أدوات لتحليل وإدارة ملفات الصور الرقمية. تتضمن مجموعة الأدوات أدوات لإنشاء فئة ميزة النقطة من ملفات الصور ذات العلامات الجغرافية (الصور التي تم التقاطها من جهاز كاميرا GPS أو هاتف ذكي) ومطابقة ملفات الصور مع الميزات أو صفوف الجدول بناءً على الطابع الزمني للصورة.

    تحتوي مجموعة الأدوات هذه على أدوات لتحويل البيانات الجغرافية من إسقاط خريطة إلى آخر. هناك أدوات إضافية لتحويل مجموعات البيانات النقطية ، مثل النقل وإعادة القياس والتدوير.

    توفر مجموعة أدوات البيانات النقطية في مربع أدوات إدارة البيانات أدوات تؤدي إدارة البيانات النقطية ومعالجة البيانات النقطية. تتيح لك هذه الأدوات العمل مع خصائص مجموعة البيانات النقطية وإنشاء البيانات النقطية ومعالجتها.

    تحدد فئات العلاقة العلاقات بين الكائنات في قاعدة البيانات الجغرافية. يمكن أن تكون هذه العلاقات علاقات فردية بسيطة ، على غرار ما قد تقوم بإنشائه بين معلم وصف في جدول ، أو علاقات أكثر تعقيدًا بين الميزات وصفوف الجدول. . تحدد بعض العلاقات أن معلمًا أو صفًا أو جدولًا معينًا لا يرتبط فقط بمعلم آخر ولكن إنشاء أحدهما أو تحريره أو حذفه سيكون له تأثير محدد على الآخر. تسمى هذه العلاقات المركبة ، ويمكن استخدامها لضمان الحفاظ على الروابط بين الكائنات في قاعدة البيانات وتحديثها. يمكن أن يؤدي حذف ميزة ، مثل عمود الطاقة ، إلى حذف ميزات أخرى ، مثل محول مثبت على العمود أو سجلات الصيانة في جدول ذي صلة.

    توفر مجموعة أدوات أخذ العينات أدوات تُنشئ المعالم المستخدمة إما كمواقع لأخذ العينات أو كمناطق تجميع. على سبيل المثال ، تُنشئ أداة إنشاء نقاط عشوائية نقاطًا يمكن استخدامها كمواقع عينات ضمن مدى مجموعة البيانات. تُنشئ أداة Generate Tessellation شبكة من المضلعات المثلثية أو المربعة أو السداسية ضمن مدى يمكن استخدامه لتجميع البيانات الأخرى.

    تتمثل إحدى المزايا الرائعة لاستخدام قاعدة البيانات الجغرافية لتخزين البيانات الجغرافية في القدرة على إنشاء أنواع فرعية للميزات والسمات الخاصة بك. توفر الأنواع الفرعية طريقة لتقسيم فئات أو جداول المعالم الخاصة بك إلى مجموعات منطقية بناءً على قيمة السمة. من خلال السماح لك بالعمل مع مجموعة فرعية من الميزات في فئة المعالم ، فإن الأنواع الفرعية تجعل من الممكن تعيين سمات وسلوكيات متسقة لتلك المجموعات الفرعية.

    يحتوي الجدول على مجموعة من الصفوف والأعمدة ، حيث يمثل كل صف أو سجل ميزة جغرافية - مثل قطعة أرض أو عمود طاقة أو طريق سريع أو مجموعة من البحيرات - ويصف كل عمود أو حقل سمة معينة من عنصر جغرافي ، مثل مساحته وطوله وطوله ومساحته بالقدم المربع. عادةً ما يتم تخزين الجداول في قاعدة بيانات أو ببساطة في ملفات مثل جداول dBASE. تدير الجداول خصائص المعالم الجغرافية.

    تحتوي مجموعة أدوات Tile Cache على أدوات لإنشاء ذاكرة التخزين المؤقت للتجانب وإدارتها واستيرادها وتصديرها. هذه الأدوات قادرة على إنشاء ذاكرة تخزين مؤقت للتجانب من مجموعة بيانات نقطية أو مجموعة بيانات فسيفساء على سطح المكتب دون الحاجة إلى ArcGIS Server. يمكن بعد ذلك مشاركة ذاكرات التخزين المؤقت للتجانب كحزم تجانب على ArcGIS Online ونشرها كخدمات خرائط متجانبة.

    تحتوي مجموعة أدوات الهيكل على مجموعة من الأدوات التي يمكن استخدامها لإنشاء طبولوجيا قاعدة بيانات جغرافية وإدارتها.

    يسمح تعيين الإصدار لعدة مستخدمين بالوصول إلى البيانات الجغرافية في قاعدة بيانات جغرافية. يتيح تعيين الإصدار للمستخدمين المتصلين إنشاء تمثيلات متعددة ومستمرة لقاعدة البيانات الجغرافية في وقت واحد دون تكرار البيانات. يمكن تحرير نفس الميزات أو الصفوف بشكل متزامن دون تطبيق تأمين البيانات بشكل صريح. يتيح لك إطار العمل هذا إنشاء إصدارات من قاعدة بيانات جغرافية لحالات المشروع ، وتسوية الاختلافات بين الإصدارات ، وتحديث الإصدار الرئيسي من قاعدة البيانات الجغرافية مع التصميم كما هو مبني. تعيين الإصدار مدعوم من قاعدة البيانات الجغرافية الخاصة بالمؤسسة فقط.

    تحتوي مجموعة أدوات مساحة العمل على مجموعة من الأدوات لإنشاء هياكل تخزين البيانات المستخدمة بواسطة ArcGIS.


    محتويات

    تكون البيانات الموجودة في منطقة معينة منفصلة عندما يتم العثور عليها فقط في مواقع ثابتة أو عندما تمثل البيانات قيمًا محددة فقط. المباني والطرق هي العناصر التي لها حدود أو حدود مميزة وتعتبر منفصلة. يشار إليها أحيانًا باسم البيانات غير المستمرة. في التعيين ، يمكن عرض البيانات المنفصلة كنقطة أو خط أو مضلع. يمكن أن تكون النقاط عبارة عن مدن ، ويمكن أن تكون الخطوط شبكات طرق ، ويمكن أن تكون المضلعات مقاطعات في بلد ما. [2]

    البيانات المنفصلة مفيدة في إظهار الموقع الدقيق ومحيط وطول الكائنات. يمكن تصوير البيانات المنفصلة عن طريق البيانات المتجهة أو البيانات النقطية. يشار إلى البيانات المنفصلة أيضًا باسم الكائنات. [3]


    التعميم هو جزء مهم لا يمكن تجنبه في عمل الخرائط لأنه لا يمكن تمثيل المعالم الجغرافية على الخريطة دون الخضوع لعملية تحويل. تجريد الخرائط وتصوير الميزات باستخدام المتجهات (أي النقاط والخطوط والمضلعات) والنقطية (أي وحدات البكسل) العناصر الأولية المكانية التي يتم تصنيفها عادةً. تخضع هذه العناصر الأولية المكانية لمزيد من التعميم عند تغيير مقياس الخريطة. التعميم عملية متناقضة. من ناحية ، يغير شكل الخريطة وأسلوبها لتحسين تجربة المستخدم الإجمالية خاصةً فيما يتعلق بقراءة الخرائط والتحليل التفسيري. من ناحية أخرى ، التعميم له آثار موثقة على الجودة ويمكن أن يضحي بتفاصيل الميزة أو الأبعاد أو المواضع أو العلاقات الطوبولوجية. يتم استخدام مجموعة متنوعة من التقنيات في التعميم وتشمل الاختيار والتبسيط والإزاحة والمبالغة والتصنيف. تتم أتمتة التقنيات من خلال خوارزميات الكمبيوتر مثل Douglas-Peucker و Visvalingam-Whyatt من أجل تعزيز كفاءتها التشغيلية وخلق نتائج تعميم متسقة. نظرًا لأنه يتم الآن إنشاء الخرائط بسهولة وسرعة ، واستخدامها على نطاق واسع من قبل كل من الخبراء وغير الخبراء بسبب التقدم الكبير في تكنولوجيا المعلومات ، فمن المهم بشكل متزايد للجميع تقريبًا تقدير الظروف والتقنيات والنتائج الخاصة بتعميم الخرائط. هذا أمر بالغ الأهمية لتعزيز تصميم وإنتاج الخرائط بشكل أفضل بالإضافة إلى الاستخدامات المناسبة اجتماعيًا.

    هدزا ، ص. (2020). تعميم النقطة والخط والمنطقة. الهيئة المعرفية لعلوم وتكنولوجيا المعلومات الجغرافية (إصدار الربع الثاني 2020) ، جون ب.ويلسون (محرر). DOI: 10.22224 / gistbok / 2020.2.4 ..

    تم نشر هذا الدخول في 16 يونيو 2020.

    يمكن العثور على إصدار سابق على:

    ديبياسي ، دي ، ديمرز ، إم ، جونسون ، إيه ، كيمب ، كيه ، لاك ، إيه تي ، بليوي ، بي ، ووينتز إي (2006). Approaches to point, line, and area generalization. الهيئة المعرفية لعلوم وتكنولوجيا المعلومات الجغرافية. Washington, DC: Association of American Geographers. (2nd Quarter 2016, first digital).

    رسم الخرائط: Process of designing, making and using tangible maps.
    Map use: Involves reading, analyzing and interpreting maps (Kimerling et al. 2012).
    تعميم: Basically a process which modifies the information presented on a map or contained in a spatial database based on factors like purpose, users, uses and scale.
    قاعدة البيانات: A structured collection of digital spatial data for a given purpose.
    مقياس الخريطة: Provides the conversion factor between the dimensions of map and real world features.

    Most information about geographic phenomena (e.g. buildings, railroads and administrative boundaries) is location-based, and cartographic maps are the most powerful and common way of displaying and sharing that information. Cartographic maps come in all shapes and sizes and are now readily available in digital format due to rapid developments and easy user access to IT. Digital technology renders maps highly manipulable enabling the user reading, analyzing or interpreting these graphical representations to generate in-depth ideas about the content (Kimerling et al. 2012). Maps are not reproductions of reality. In the real world, there is no reduction in detail, and many geographic things or features are substantially big and inherently complex. Designing and making maps that emulate this level of detail and complexity is basically not feasible or beneficial. Thus, maps abstract and represent select geographic phenomena to meet particular needs drawing upon vector (i.e. points, lines and polygons) and raster (i.e. pixels) spatial primitives that are usually labeled. Maps foster understanding of not only the locations and arrangements of geographic phenomena but also their interrelationships.

    The reduction of real-world detail in creating maps results in well-documented changes in one or more properties like geometry, size, dimensionality, and distances or angles between features especially on flat maps. Scale is a concept that exists only on maps and influences and controls how much detail is presented to users. Scale defines the conversion factor between the dimensions of map and real-world features. Thus, maps produced at different scales generally show different amounts of information and levels of generalization. This is exemplified by a small-scale map of a country that essentially exhibits considerably more generalization than a large-scale map representing a city.

    Generalization modifies (e.g. refines feature geometries) map content in a manner that is purposeful, measured and coordinated (Kraak and Omerling 2010). Generalization benefits from robust data models and operates on the primitives used to model geographic phenomena. In practice, generalization is a contradictory process that is prompted by several circumstances and factors, and results in various implications (MacMaster and Shea 1992). On one hand, generalization is crucial in delivering maps that offer high user experience. In particular, decreasing the amount and complexity of information helps to optimize the readability and interpretive analysis of maps (MacMaster and Shea 1992). This also assists in reducing the user’s cognitive load which is important since our eye-brain visual knowing system is, by itself, weak (Bunch and Lloyd 2006). On the other hand, feature details are lost albeit in a controlled way when generalization is implemented. This can potentially impact the breadth and depth of knowledge that can be gained from maps.

    The benefits of generalization far outweigh the drawbacks, though, and this process remains an integral component of map making. Both experts and untrained individuals need to appreciate the main reasons for generalizing maps, how this process is implemented and the results of different generalization techniques. This is crucial particularly in today’s digital world where different kinds of maps are now created easily and efficiently, used and maintained by the masses through social media (e.g. Facebook), neogeographic tools (e.g. OpenStreetMap and Google Maps) and other mainstream technologies (Figure 1). Developing knowledge about how maps are created and generalized can potentially encourage appropriate and ethical uses.

    Figure 1. A Google Maps navigation map commonly created by the public showing travel times for different modes of transportation. The interactive map includes information about road construction activities, the option to use a satellite image to provide locational context and access to detailed street level imagery. Source: author.

    Another technology that has greatly advanced how maps are planned, produced and utilized in a digital context is GIS. GIS integrates comprehensive tools for building, managing, analyzing and generalizing map content. In fact, many cartographic maps are currently compiled from thematic data layers kept in GIS databases. The datasets are being collected and updated at incredible speeds such that storing, processing and maintaining current and historical information is now a challenging big data problem. Although this is increasingly changing, many users including private companies, government agencies and non-governmental organizations lack the requisite IT power to successfully handle big data, and find themselves in need of generalizing their databases.

    Database generalization resembles cartographic (i.e. map) generalization in being a purpose-oriented process that attempts to carefully exclude non-essential elements from data about geographic phenomena. On one hand, database generalization entails computational thinking which, inter alia, involves abstracting and decomposing reality into several ‘things’ that are intelligible and manageable in digital technology (Weibel and Jones 1998 Weibel and Dutton 1999, Mackaness 2007). On the other hand, this process can be used to generate a new database that is smaller in size or lower in detail than the original without compromising the basic meaning of the content (Weibel and Dutton 1999). Small databases are generally better than their large counterparts because they take up less storage space, are more portable and easier and cheaper to maintain, and result in more efficient computational operations (e.g. retrieval and updating of data records).

    Maps assembled from thematic data layers stored in GIS databases usually undergo additional generalization to create new and effective maps that may subsequently get stored and maintained in the databases. This implies that cartographic and database generalization processes complement each other in the production of maps. Of particular importance to the former is the overall look and feel of a map which can make or break user experience. The look and feel of a map is a function of many factors including the producer’s map design skills and his or her generalization experience with manual or automated techniques. The map medium is also an important consideration in cartographic generalization since single scale analog maps can have different design and generalization> specifications than zoomable digital maps which enable users to select map content and modify display scale in real-time.

    There is an urgent need to produce up-to-date, accurate and readily usable maps in quick, cheap and easy ways. This requirement has partly motivated and enabled automated generalization. Commonly cited prerequisites for effective automated generalization include deep user- and computer-based understanding plus robust formalizations of geographic phenomena (Mackaness et al. 2014, Hu 2017). This understanding can be achieved in many ways including extracting (e.g. via ESRI’s GeoEnrichment web service synthesizing and analyzing ‘enriched’ datasets maintained in spatial databases. Here, enrichment describes the process of adding something that enhances one or more qualities of geographic data primarily to inform and support generalization. That ‘something’ can take various forms like variables (e.g. feature attributes), other geographic data (Figure 2), refinements in feature geometries, and explicitly modelled spatial and semantic contexts plus relationships between geographic phenomena (Neun 2007).

    Figure 2. Rivers data enriched by draping on shaded relief can lead to improved understanding of stream drainage. Image sources: author.

    Research on some of the concepts above has occurred under broad topics like geographic ontologies, semantics and cognition, and identified or produced several spatial data models, methods, rules and tools that can help enrich geographic data and facilitate automated generalization. One approach involves integrating geotagged social media especially tweets and photos to better capture the sense of place in spatial databases (Hu 2017). Analyzing these and other datasets can reveal the levels of social significance of different places (e.g. villages and cities) to consider when seeking to selectively include or omit specific places from a map as scale is altered. Another approach entails using object-oriented and hierarchical data model abstractions like aggregation and specialization to respectively model HAS-A and IS-A types of relations between geographic phenomena. This can aid, for example, in removing boundaries between contiguous polygons (e.g. counties) with the same attribute value (e.g. state).

    There are also other relational concepts (e.g. spatial and temporal topology) that are valuable in building accurate context-aware databases. For example, predefining spatial topology rules like ‘area features must not overlap’ provides a useful tool for assessing and controlling the quality of automated generalization. Proximity methods based on Euclidean, Manhattan or Hausdorf distances can also be applied in real-time to determine the spatial context of geographic phenomena including identifying collocated points according to some predefined cluster tolerance. It is also important to recognize, relate and concurrently generalize the data layers of inextricably linked geographic phenomena to prevent erroneous outcomes such as misalignments between the courses of rivers and the ‘Vs’ in topographic contours (Mackaness et al. 2014).

    There are many techniques for generalizing point, line and area data. These are identified and grouped (e.g. based on aspects of mapped geographic phenomena they modify) in several taxonomies that have been put forward, refined and extended over the years by various authors following improved knowledge, understanding and implementation technology for generalization (Foerster et al. 2007, Roth et al. 2011, Stanislawski et al. 2014). The taxonomies differ in such things as total numbers, terminology and definitions of techniques considered important (Roth et al. 2011). Below, we briefly discuss some of the most common techniques and note that they vary in purpose, driving factors, implementation approach, rate of use, outcomes and consequences.

    5.1 Selection

    There are no hard and fast rules about sequencing the techniques for generalizing cartographic maps (Regnauld and McMaster 2007). A reasonable and common starting point is selection which prompts map makers to carefully pick geographic features to map. The selection process is user-oriented and largely influenced by map scale and predefined map uses. For example, a map for visualizing the spatial distribution of national high schools does not necessarily need to incorporate middle or elementary schools even though such information might be readily available or easy to gather and depict.

    5.2 Elimination

    Depending on map scale or purpose, not all selected features should or can be drawn effectively on a map. Map makers make decisions to remove features or certain parts of feature using criteria such as length, size, societal importance or potential impact on the capability of the map to successfully tell the intended spatial story or facilitate knowledge construction. A map maker might choose to delete all oil wells with low cumulative production volumes, discard all short tributaries, or remove small lakes from a map. Elimination results in fewer features which helps reduce the complexity, overload and time required to mentally or computationally process map information (Weibel and Dutton 1999).

    Figure 3. Illustrating the results of feature elimination (left = before, right = after). Click here to see an animated version of this process. Data source: Wyoming Oil and Gas Conservation Commission. Maps source: author.

    5.3 Simplification and smoothing

    Simplification applies to linear and areal features. The vertices which form and shape these features can be grouped into key and non-key points. Simplification creates new features by discarding non-key points with overall minimal distortion to the original shapes. Tolerances defined by distances and angles between feature points provide the basis for identifying the points to weed out (Regnauld and McMaster 2007). Unlike smoothing, simplification typically retains the acute angles which give some features a jagged appearance. One motivating factor is oriented towards visualization and about making displayed data look less complex. Another is computational in nature and concerned with saving computer storage space (Shea and McMaster 1989). Widely used algorithms for simplifying and smoothing line and area features include Douglas-Peucker (Douglas and Peucker 1973) and Visvalingam-Whyatt (Visvalingam and Whyatt 1992). The former is particularly effective at generalizing cultural features (e.g. roads) but natural features (e.g. rivers) and polygon boundaries are better simplified using the Wang-Muller algorithm which preserves polygon area (Wang and Muller 1998). Douglas-Peucker and Visvalingam algorithms are computationally efficient and quite good at minimizing linear deformations and disagreements between original and derived lines (Shi and Cheung 2006). For example, Mike Bostock applied the Visvalingam-Whyatt algorithm to polygon data and produced incredible results from both cartographic and database generalization perspectives. Through barely noticeable but important geometrical modifications, Mike was able to shrink the file size of a detailed boundary of the coterminous U.S. states by a whopping 95%!

    Figure 4. Illustrating the results of polygon simplification and line smoothing (left = before, right = after). Click here to see animated versions of this process. Images source: author.

    5.4 Displacement

    Displacement resolves issues that occur when several features are congested in a map area. The technique moves features from their true map positions so that they are more distinct and can easily be distinguished. The key is to keep the movements as small as possible so as to minimize concomitant errors especially in the positions and relationships between features.

    Figure 5. Illustrating the results of feature displacement (left = before, right = after). Click here to see an animated version of this process. Images source: author.

    5.5 Classification

    Classification organizes geographic data in classes or groups. The classes are defined by qualitative (e.g. landcover type) or quantitative (e.g. population) feature properties, the closeness of quantitative property values (e.g. values between 10,000 and 20,000) or the functional roles (e.g. administrative boundaries) of features (Shea and McMaster 1989). Classified data are generally easier to visually analyze, interpret and comprehend because of less attribute data that needs to be dealt with. Methods for classifying quantitative data such as quantile and standard deviation are chosen based on the distribution of data and significantly impact the spatial patterns portrayed on maps. Data on existing maps can also be re-classified for example, grouping hierarchical classes like deciduous, coniferous and mixed forest lands into a broader but useful forest landcover class.

    Figure 6. Classification methods can vary dramatically how the data appear, especially in choropleth maps such as these. Click here to see an animated version of these differences. Maps source: author.

    5.6 Exaggeration and Enhancement

    Although different, exaggeration and enhancement techniques similarly draw upon the map maker’s familiarity with real-world features. All features are not equal and exaggeration gives prominence to more important features by drawing them disproportionately on maps. An example is depicting ancient ruins much larger than they truly are so as to highlight them as symbols of national pride. Enhancement adds extra detail to help map users better appreciate the nature of geographic features. Both enhancement and exaggeration modify feature symbology but for different reasons, the former to augment visible aspects and improve feature recognition, and the latter to highlight the non-visible (e.g. societal value).

    Figure 7. Illustrating the results of enhancing and exaggerating line and polygon features (left = before, right = after). Click here to see an animated version of this process. Images source: author.

    5.7 Aggregation

    The aggregation technique creates a single feature by combining two or more features that may or may not be contiguous. The boundaries between contiguous regions are dissolved to create a simple polygon, or retained to build a complex multipart feature. Non-contiguous features can only be combined when they fall within a predefined threshold distance or share the same property (e.g. owner) values (e.g. John Doe). Points can also be combined to define areal extents of some variables, geomask sensitive data or enhance the display and analysis of data. An example is aggregating a group of fruit tree points into an orchard landuse region.

    Figure 8. Illustrating the results of aggregating point and polygon features (left = before, right = after). Click here to see an animated version of this process. Images source: author.

    5.8 Collapsing

    Many features undergo transformation when map scale is reduced. Through collapsing, features can change from one size to another and/or become a new type of geometry sometimes with unintended consequences. For example, a narrow river polygon may be converted into a single line feature giving some users the impression that the river is not navigable. Similarly, changing building footprints or small islands into points or reducing multiline roads to single lines may alter people’s perceptions of those features since we tend to make connections between the sizes of features and their values, levels of importance or functions (ESRI 1996).

    Figure 9. Illustrating the results of collapsing features (left = before, right = after). Click here to see an animated version of this process. Images source: author.

    5.9 Refinement

    Data layers digitized in a GIS often require refinement such as making a running track appear more rectangular with rounded corners (ESRI 1996). Refinement fine-tunes a map layer by subtracting or adding features or feature detail. Features that rank low in importance or relevancy to specific purposes are usually the first to be weeded out when users become overwhelmed by map information, or effective map use is hampered. An example of adding feature detail is including lower order streams to densify and improve the look of a hydrographic network. Refinement also enables subtle changes to be made to features are not large enough to draw proportionally on maps.

    Figure 10. Illustrating the results of refining a digitized running track and a hydrographic network (left = before, right = after). Click here to see an animated version of this process. Images source: author.

    5.10 Typification

    Typification is based on the basic sampling principle that suggests that a subset of the features in a map layer can adequately capture and represent the essential qualities of the entire population. The goal is to ensure that a map of representative features provides a good idea about the general arrangement, spread or connections between features in the entire dataset. Sampled features especially points (e.g. address points geocoded by zip code) may be rearranged slightly to closely mirror the picture or structure of the population (ESRI 1996).

    Figure 11. Illustrating the results of typification using 50% of the original points (left = before, right = after). The heat maps illustrate that the point density pattern is largely the same before and after typification. Click here to see an animated version of this process. Data source: Wyoming Oil and Gas Conservation Commission. Images source: author.

    Generalization affects and alters the content of spatial databases and cartographic maps. Although it is now largely automated through various methods and tools (e.g. Web services), generalization remains a challenging problem. This is partly due to the difficulty involved “in finding a compromise between the choice of … [geographic phenomena] …, their form and detail of representation, and the space available in which to display them” (Mackaness et al. 2014, p3). Generalization is also prone to quality concerns (Weibel and Dutton 1999 Regnauld and McMaster 2007). Muller (1991) identified three quality dimensions that are commonly sacrificed when spatial databases and cartographic maps are generalized, that is, accuracy, completeness and consistency. Simplified lines, for example, embed locational and geometrical inaccuracies that can cause topological problems like co-located, misaligned and intersecting lines (Shi and Cheung 2006). These problems often end up in spatial databases where (generalized) data layers are usually kept. Depending on purpose, the databases may also be considered incomplete when, for example, minor roads are deleted from an urban road network dataset.

    Another generalization issue is that users are not usually given specific information about the techniques applied or the extent to which these modify the features in a given map. This can potentially mislead some users who might measure the dimensions of exaggerated features and take them literally as truth. At the same time, many people appreciate that maps are generalized spatial representations, and do not, for example, interpret a 1mm wide road symbol on a 1:50,000 scale map to be 50m wide in reality.

    As shown through the figures in §3, visual methods can be used to quickly identify and judge the inaccuracies of cartographic generalization (Weibel and Dutton 1999). At the same time, there is growing research on more reliable quantitative methods for evaluating the outputs of generalization. Stoter et al. (2014), for example, evaluate generalization within the context of map use placing emphasis on map reading and how this activity is affected by factors like amount, distribution and complexity of content. The authors also discuss other areas of evaluation that involve defining, iteratively tweaking and then applying specific generalization parameters.

    On the whole, the field of generalization has experienced great progress owing to advanced research in Web cartography, data enrichment, generalization algorithms and other areas. Although there are notable successes apparent in, for example, (1) widespread implementations of automated generalization, (2) widely used auto-generalized maps, (3) generalized maps that effectively preserve feature geometries (e.g. river sinuosity) and densities, and (4) the growing number of richer spatial databases, Burghardt et al. (2014) identify some areas that demand further research. These are concerned with but not limited to how to create and employ powerful interactive and statistical tools to effectively solicit user requirements for custom maps, how to develop reusable generalization algorithms, and how to successfully implement real-time and on-demand generalization.

    Bunch, R. L.,& Lloyd, R. E. (2006). The cognitive load of geographic information. The Professional Geographer, 58, 209-220.

    Burghardt, D., Duchêne C. & Mackaness, W. (2014). Conclusion: Major Achievements and Research Challenges in Generalisation. In: Burghardt, D., Duchêne, C., Mackaness, W. (Eds), Abstracting Geographic Information in a Data Rich World. Lecture Notes in Geoinformation and Cartography. Springer, Cham

    Douglas, D. H., & Peucker, T. K. (1973). خوارزميات لتقليل عدد النقاط المطلوبة لتمثيل خط رقمي أو رسم كاريكاتوري له. The Canadian Cartographer, 10(2), 112-122.

    ESRI (1996). Automation of map generalization: The cutting-edge technology. Technical paper available at: http://downloads.esri.com/support/whitepapers/ao_/mapgen.pdf.

    Foerster, T., Stoter, J., Kobben, B. (2007). خوارزميات لتقليل عدد النقاط المطلوبة لتمثيل خط رقمي أو رسم كاريكاتوري له. Proceedings of the 23rd International Cartographic Conference, Moscow, Russia.

    Hu, Y. (2017). Geospatial Semantics. In Huang, B., Cova, T. J. and Tsou M-H., (Eds), Comprehensive Geographic Information Systems, Elsevier. Oxford, UK.

    Kimerling, A. J., Muehrcke, J.O. Buckley, A.R. & Muehrcke, P.C. (2012). Map Use: Reading and Analysis, 7th ed., Esri Press Academic, Redlands, CA.

    Kraak, M.-J.,& Omerling, F. (2010). Cartography: Visualization of Spatial Data. (الطبعة الثالثة). نيويورك: روتليدج.

    Mackaness, A. W. (2008). Generalization of spatial databases. In Wilson P.J. and Fotheringham A.S. (eds) The handbook of geographic information science. Malden: Blackwell Publishing, 222-238.

    Mackaness, W.A., Burghardt, D., Duchêne, C. (2014). Map generalisation: Fundamental to the modelling and understanding of geographic space, In: Burghardt, D., Duchêne, C., and Mackaness, W. (Eds.), Abstracting Geographic Information in a Data Rich World, Lecture Notes in Geoinformation and Cartography, Springer International Publishing.

    McMaster, R. B. (1987). The geometric properties of numerical generalization. التحليل الجغرافي, 19(4), 330-346.

    McMaster, R. B.,& Shea, K. S. (1992). Generalization in Digital Cartography. Resource Publication in Geography, Washington D.C., Association of American Geographers.

    Muller, J. C. (1991) Generalization of Spatial Databases. In Maguire, D. J., Goodchild, M., and Rhind, D., (eds), نظم المعلومات الجغرافية: London, Longman Scientific, p. 457-475.

    Neun, M. (2007). Data enrichment for adaptive map generalisation using web services. PhD Thesis , Department of Geography, University of Zurich.

    Regnauld, N.,& McMaster, R. B. (2007). A synoptic view of generalisation operators. In W.A. Mackaness, A. Ruas, L.T. Sarjakoski (eds), Generalisation of geographic information: cartographic modelling and applications. Oxford, UK: Elsevier, 37-66.

    Roth, R. E., Brewer, C. A., & Stryker, M. S. (2011). A typology of operators for maintaining legible map designs at multiple scales. وجهات نظر رسم الخرائط, 68, 29-64.

    Shea, K. S.,& McMaster, R. 1989. Cartographic generalization in a digital environment: When and How to Generalize, AutoCarto 9, 56-65.

    Shi, W., & Cheung, C. K. (2006). Performance evaluation of line simplification algorithms for vector generalization. The Cartographic Journal, 43(1), 27-44. DOI: 10.1179/000870406X93490

    Stanislawski, L. V., Buttenfield, B. P., Bereuter, P., Savino, S., & Brewer C. A. (2014). Generalization operators, In: Burghardt, D., Duchêne, C., and Mackaness, W. (Eds.), Abstracting Geographic Information in a Data Rich World, Lecture Notes in Geoinformation and Cartography, Springer International Publishing.

    Stoter, J., Zhang, X., Stigmar, H. & Harrie, L. (2014). Evaluation in generalisation., In: Burghardt, D., Duchêne, C., and Mackaness, W. (Eds.), Abstracting Geographic Information in a Data Rich World, Lecture Notes in Geoinformation and Cartography, SpringerInternational Publishing.

    Visvalingam, M., & Whyatt. J. D. (1992). Line generalisation by repeated elimination of the smallest area. Cartographic Information Systems Research Group (CISRG) Discussion Paper 10, The University of Hull.

    Wang, Z., & Muller, J. C., (1998). Line generalization based on analysis of shape characteristics. علم الخرائط ونظم المعلومات الجغرافية, 25(1), 3-15.

    Weibel, R.,& Dutton, G., (1999). Generalizing spatial data and dealing with multiple representations. In Longley, P., Goodchild, M. F., Maguire, D. J., and Rhind, D. W., (eds), نظم المعلومات الجغرافية: New York, John Wiley, p. 125-156.

    Weibel, R., & Jones, C. B. (1998). Computational perspectives on map generalization. GeoInformatica, 2(4), 307-315.


    تعديل: Having read @MrE's and @MartinR's comments, I now propose this rejection sampling method. Although, this could miss frequently in a polygon with a large bounding box relative to its area .e.g. an 8-point Christmas star with a small inner circle.

    This was my original idea, but it didn't look so good in the morning.

    Firstly, work out how to select one point within a polygon.

    Then simply call that in a list comprehension to generate however many points you desire.

    My approach is to select x randomly within the polygon, then constrain y .

    This approach doesn't require NumPy and always produces a point within the polygon.

    Rejection sampling was proposed in comments on the other answer. The problem with rejection sampling is that the area of a polygon can be an arbitrarily small fraction of its bounding box, for example:

    Rejection sampling will take on average $1over ε$ attempts to generate one sample point inside ε_poly(ε) , and $1over ε$ can be arbitrarily large.

    A more robust approach is as follows:

    Triangulate the polygon and calculate the area of each triangle.

    Pick the triangle $t$ containing the sample, using random selection weighted by the area of each triangle.

    Pick a random point $x, y$ uniformly in the unit square.

    If $x + y > 1$ , use the point $1-x, 1-y$ instead. The effect of this is to ensure that the point is chosen uniformly in the unit right triangle with vertices $(0, 0), (0, 1), (1, 0)$

    Apply the appropriate affine transformation to transform the unit right triangle to the triangle $t$ .

    This is fine if $k$ is small, as indicated by the OP. (If $k$ is large, then you would want to vectorize the construction of the points in NumPy.)

    Concern was expressed in comments that the affine transformation would cause the random points to get closer along one axis than the other, due to different scaling on the two axes. But that's not a good way to think about it, because closest points are not preserved by affine transforms. (A point might have a different nearest neighbour after the transform.) Instead, remember that affine transformations are linear in both axes, so that the chance of a random point appearing in a region remains proportional to the area of the region after the transform. This means that if the points were uniformly distributed in the unit right triangle, they remain uniformly distributed in the transformed triangle. Here's a quick demo:

    If the figure doesn't convince you, then here's some code that prints the mean absolute offsets along the two axes between the random points and their nearest neighbours:

    Typical output shows that the means on the two axes are very close even though the $x$ -coordinates have been scaled and the $y$ -coordinates have not:


    شاهد الفيديو: Madeline Burrell 5 year old tap dance