أكثر

كيفية عمل تصور ثلاثي الأبعاد لطبقة خث مختلفة لإظهار ارتفاع كل طبقة؟

كيفية عمل تصور ثلاثي الأبعاد لطبقة خث مختلفة لإظهار ارتفاع كل طبقة؟


لدي بيانات نقطة ثقب تحتوي على حوالي 5 إلى 7 أنواع من طبقة الخث ولديها أيضًا عدة أعماق. لدي أيضًا بيانات ارتفاع رقمية للمنطقة.

أحتاج إلى إقحام هذه الطبقات بشكل منفصل ، ثم تصور الطبقات بالتسلسل في صورة ثلاثية الأبعاد.

هل من الممكن أن يتم ذلك باستخدام ArcGIS؟

أرغب في إضافة لقطة شاشة قد تجعل استفساري أكثر وضوحًا:

تتضمن نقاطي عمق القياس لـ 4 طبقات حفرة جودة مختلفة. الصورة اليسرى هي مجموعة بياناتي والصورة اليمنى هي ما أريده من بياناتي. أريد أن أتخيل مخطط كتلة لتشكيل كل طبقة من الخث. لم أجد وصفًا واضحًا أو تعليميًا لعمل مخطط الكتلة في arcscene. :-(


لقد فعلت ذلك منذ سنوات عديدة في إنجلترا / أيرلندا باستخدام وحدة TIN الخاصة بـ ARC / INFO ، لذلك سأندهش إذا لم تستطع وحدة التحليل ثلاثي الأبعاد في ArcGIS for Desktop أن تفعل الشيء نفسه وأفضل.

ما أذكره هو أنني قمت للتو بإنشاء سطح TIN باستخدام قيم العمق لكل نوع من أنواع الخث.

في الوقت الحاضر ، أود النظر في استخدام مجموعة بيانات التضاريس ، وهناك خيارات عرض متنوعة لمجموعة بيانات التضاريس في ArcGIS for Desktop.


الفصل 8 عمل الخرائط مع R.

يتمثل أحد الجوانب المرضية والمهمة في البحث الجغرافي في توصيل النتائج. رسم الخرائط - فن رسم الخرائط - هو مهارة قديمة تنطوي على التواصل والحدس وعنصر من عناصر الإبداع. يعد التعيين الثابت واضحًا مع قطعة الأرض () ، كما رأينا في القسم 2.2.3. من الممكن إنشاء خرائط متقدمة باستخدام طرق R الأساسية (Murrell 2016) ، لكن هذا الفصل يركز على حزم صنع الخرائط المخصصة. عند تعلم مهارة جديدة ، من المنطقي اكتساب عمق المعرفة في مجال واحد قبل التفرع. صنع الخرائط ليس استثناءً ، ومن ثم فإن تغطية هذا الفصل لحزمة واحدة (tmap) في العمق وليس الكثير بشكل سطحي. بالإضافة إلى كونها ممتعة وإبداعية ، فإن رسم الخرائط له أيضًا تطبيقات عملية مهمة. تعد الخريطة المصممة بعناية أمرًا حيويًا لإيصال نتائج عملك بشكل فعال (Brewer 2015):

يمكن أن تقوض الخرائط التي يبدو مظهرها الهواة قدرة جمهورك على فهم المعلومات المهمة وإضعاف عرض تحقيق احترافي في البيانات.

تم استخدام الخرائط لعدة آلاف من السنين لمجموعة متنوعة من الأغراض. تشمل الأمثلة التاريخية خرائط المباني وملكية الأراضي في السلالة البابلية القديمة منذ أكثر من 3000 عام وخريطة العالم لبطليموس في تحفته جغرافية منذ ما يقرب من 2000 عام (Talbert 2014).

تاريخياً ، كان صنع الخرائط نشاطًا تقوم به النخبة فقط أو نيابة عنها. لقد تغير هذا مع ظهور برامج رسم الخرائط مفتوحة المصدر مثل حزمة R. tmap و "الملحن المطبوع" في QGIS والذي يمكّن أي شخص من عمل خرائط عالية الجودة ، وتمكين "علم المواطن". غالبًا ما تكون الخرائط أيضًا أفضل طريقة لتقديم نتائج أبحاث الحوسبة الأرضية بطريقة يمكن الوصول إليها. لذلك ، يعد صنع الخرائط جزءًا مهمًا من الحوسبة الجغرافية وتركيزها ليس فقط على الوصف ، ولكن أيضًا المتغيرة العالم.

يوضح هذا الفصل كيفية عمل مجموعة واسعة من الخرائط. يغطي القسم التالي مجموعة من الخرائط الثابتة ، بما في ذلك الاعتبارات الجمالية والأوجه والخرائط الداخلية. تغطي الأقسام 8.3 إلى 8.5 الخرائط المتحركة والتفاعلية (بما في ذلك خرائط الويب وتطبيقات الخرائط). أخيرًا ، يغطي القسم 8.6 مجموعة من حزم صنع الخرائط البديلة بما في ذلك ggplot2 و رسم الخرائط.


الكلمات الدالة

تقع مدينة أمستردام على سهل الدلتا الساحلي الهولوسيني في غرب هولندا ، في المنطقة التي يلتقي فيها نهر أمستل الصغير مع نهر آي جيه. كان لهذا الجسم المائي اتصال مباشر ببحر الشمال عبر مدخل زويدرزي الضحل (الشكل 1) ، وقد جلب موقعه الجغرافي أمستردام ثروة تجارية كبيرة في القرنين السادس عشر والسابع عشر. وفرت زراعة الأراضي وحفر الخث في المناطق النائية للمدينة كلاً من الغذاء والوقود للتوسع السريع. ومع ذلك ، خلقت الظروف غير السطحية المعاكسة ومستوى السطح القريب جدًا من مستوى سطح البحر تحديات هائلة. تتكون الطبقة السطحية الضحلة تحت المدينة من أكثر من 10 أمتار من رواسب الهولوسين غير المجمعة: الخث والطين والرمل الناعم إلى متوسط ​​الحبيبات. ونتيجة لذلك ، أدى تطوير المدينة وما يرتبط بها من تكيفات مع نظام المياه إلى استمرار هبوط الأرض ، مما أثر بدوره على المباني والبنية التحتية. منذ وقت مبكر ، تم استخدام النفايات المنزلية والطين والرمل لرفع سطح الأرض المحلية وإعطاء المدينة أساسًا أكثر صلابة. وبالتالي ، يمكن العثور على السطح الطبيعي في الوقت الحاضر أسفل وسط المدينة عند c. –3 إلى –5 م NAP (= مسند الذخائر الهولندية يعني مستوى سطح البحر). على قمة الرواسب الطبيعية ، يحدث ما يصل إلى 5 أمتار من الأرض غير المتجانسة من صنع الإنسان ، مما يجعل سطح الأرض الفعلي عمومًا فوق مستوى سطح البحر. تم إنشاء جميع المباني في أمستردام تقريبًا على أكوام ترتكز عادةً على رواسب رملية يصل عمقها إلى عشرات الأمتار.

الشكل 1. موقع منطقة الدراسة مع التجمعات المذكورة في النص.

كما هو الحال في المناطق الحضرية الأخرى ، يتم استخدام السطح السفلي لمدينة مكتظة بالسكان مثل أمستردام في الوقت الحاضر بكثافة أكبر وبعمق متزايد ولأغراض أكثر من أي وقت مضى (مجهول ، 2015). تعمل باطن الأرض كمساحة تخزين للبنية التحتية تحت الأرض (راجع Kranendonk et al.، Reference Kranendonk، Kluiving and Troelstra 2015) ومواقف السيارات ، وتستضيف شبكة كثيفة من القنوات والكابلات لمياه الصرف الصحي ومياه الشرب والغاز والكهرباء والمرافق الأخرى . يعمل السطح السفلي أيضًا كخزان للمياه الجوفية ويستخدم كمصدر للطاقة لمضخات الحرارة الأرضية. بصرف النظر عن ذلك ، فإن المساحة تحت السطحية تحافظ على الطبيعة الحضرية (مثل تجذير الأشجار) وتستضيف التراث الأثري. قد يؤدي التطوير المكثف للمساحة الجوفية إلى توفير مساحة أكبر لوظائف حياة المدينة فوق الأرض (Dubbeldam & amp Souwer، Reference Dubbeldam، Souwer، Borst and Joosten 2012). ولذلك فإن المعرفة الشاملة بالجزء السفلي من عاصمة هولندا أمر حيوي للتخطيط والتنمية المستدامة للمدن (Wentholt & amp Wolthuis، Reference Wentholt، Wolthuis، Borst and Joosten 2012 Van der Meulen et al.، Reference Van der Meulen، Doornenbal، Gunnink و Stafleu و Schokker و Vernes و Van Geer و Van Gessel و Van Heteren و Van Leeuwen و Bakker و Bogaard و Busschers و Griffioen و Gruijters و Kiden و Schroot و Simmelink و Van Berkel و Van der Krogt و Westerhoff و Van Daalen 2013). كلما تم فهم بنية وخصائص باطن الأرض بشكل أفضل ، كان بإمكاننا إدارة احتمالية ومخاطر الأنشطة تحت الأرض التي قد تكون متداخلة بشكل أفضل.

ينتج المسح الجيولوجي لهولندا بشكل منهجي نماذج ثلاثية الأبعاد تحت السطح يتم فيها دمج جميع المعلومات الجيولوجية الأساسية المتاحة لتقديم التمثيل الأكثر موثوقية للإطار الجيولوجي تحت أقدامنا (Van der Meulen et al.، Reference Van der Meulen، Doornenbal، Gunnink، Stafleu و Schokker و Vernes و Van Geer و Van Gessel و Van Heteren و Van Leeuwen و Bakker و Bogaard و Busschers و Griffioen و Gruijters و Kiden و Schroot و Simmelink و Van Berkel و Van der Krogt و Westerhoff و Van Daalen 2013). تتوفر أيضًا هذه النماذج الجيولوجية المزعومة (النماذج الجيولوجية ثلاثية الأبعاد) لمنطقة أمستردام: يوفر النموذج الجيولوجي الرقمي المستند إلى الطبقة (DGM Gunnink et al. و Reference Gunnink و Maljers و van Gessel و Menkovic و Hummelman 2013) معلومات عامة عن الوحدات الجيولوجية حتى عمق ج. 500 متر ، بينما يظهر نموذج فوكسل GeoTOP (Stafleu et al. ، Reference Stafleu ، Maljers ، Gunnink ، Menkovic ، Busschers and Busschers 2011 ، Reference Stafleu ، Maljers ، Busschers ، Gunnink ، Schokker ، Dambrink ، Hummelman and Schijf 2012) التفاصيل ، الوحدات الجيولوجية وخصائصها الصخرية تصل إلى عمق –50 م NAP. نظرًا لأن جميع نتائج النموذج متاحة مجانًا على الإنترنت ، يمكن لأي شخص مهتم استخدام هذه النتائج لتوليد مخرجات مخصصة للإجابة على أسئلة محددة متعلقة بالجو.

الهدف من هذه الورقة هو استكشاف الجوانب المختلفة لجيولوجيا أمستردام حتى عمق ج. 100 م ، بناءً على إخراج النماذج الجيولوجية ثلاثية الأبعاد DGM و GeoTOP. تستخدم النماذج لإنشاء خريطة جيولوجية جديدة للمنطقة ، لتحديد مدى وعمق مستويات الأساس التي تم استخدامها للمباني في وسط المدينة والكشف عن مصدر ملء الرمال التي تم عليها التوسع الأحدث في المنطقة. تأسست المدينة إلى حد كبير. توضح هذه الأمثلة أنه يمكن استخدام مخرجات النماذج الجيولوجية ثلاثية الأبعاد بشكل مباشر لاستنتاج روابط مهمة بين باطن الأرض والمناظر الطبيعية والتطورات التاريخية والأنشطة البشرية الحديثة.


رسم الخرائط الرقمية لأراضي الخث - مراجعة نقدية

تقدم أراضي الخث سلسلة من خدمات النظام البيئي بما في ذلك تخزين الكربون وإنتاج الكتلة الحيوية وتنظيم المناخ. يؤدي تغير المناخ والتغير السريع في استخدام الأراضي إلى تدهور أراضي الخث ، وتحرير الكربون المخزن (C) في الغلاف الجوي. للحفاظ على أراضي الخث والمساعدة في تحقيق اتفاقية باريس ، نحتاج إلى فهم مداها وحالتها ومخزون الكربون. ومع ذلك ، فإن المعرفة الحالية بأراضي الخث غامضة - تتراوح تقديرات الامتداد العالمي لأراضي الخث من 1 إلى 4.6 مليون كيلومتر مربع ، وتتفاوت تقديرات مخزون الكربون بين 113 و 612 بيكوغرام (أو مليار طن كربون). ينبع عدم اليقين هذا في الغالب من المقياس المكاني الخشن لخرائط التربة العالمية. بالإضافة إلى ذلك ، تستند معظم تقديرات أراضي الخث العالمية إلى قوائم جرد وتقارير قطرية تقريبية تستخدم بيانات قديمة. توضح هذه المراجعة أن رسم الخرائط الرقمية باستخدام الملاحظات الميدانية جنبًا إلى جنب مع الصور المستشعرة عن بعد والنماذج الإحصائية هو وسيلة لرسم خرائط أكثر دقة لأراضي الخث وتقليل فجوة المعرفة هذه. نصف تجارب رسم خرائط الخث من 12 دولة أو منطقة ونراجع 90 دراسة حديثة حول رسم خرائط أراضي الخث. وجدنا أن الاهتمام برسم خرائط معلومات الخث المستمدة من صور الأقمار الصناعية وتقنيات رسم الخرائط الرقمية الأخرى آخذ في الازدياد. حددت العديد من الدراسات مدى الخث باستخدام الغطاء الأرضي من الاستشعار عن بعد ، وعلم البيئة ، والدراسات الميدانية البيئية ، ولكن نادرًا ما تقوم بالتحقق من الصحة ، ومن النادر حساب عدم اليقين في التنبؤ. تستعرض هذه الورقة بعد ذلك تقنيات الاستشعار عن بعد والداني المختلفة التي يمكن استخدامها لرسم خرائط لأراضي الخث. وتشمل هذه القياسات الجيوفيزيائية (الحث الكهرومغناطيسي ، وقياس المقاومة ، وقياسات أشعة جاما) ، والاستشعار بالرادار (SRTM ، SAR) ، والصور البصرية (المرئية والأشعة تحت الحمراء). يتم تخطيط Peatland بشكل أفضل عند استخدام أكثر من متغير واحد ، مثل المنتجات الضوئية والرادارية باستخدام خوارزميات التعلم الآلي غير الخطية. يمكن أن يؤدي انتشار بيانات الأقمار الصناعية المتاحة بتنسيق مفتوح الوصول ، وتوافر خوارزميات التعلم الآلي في بيئة حوسبة مفتوحة المصدر ، ومرافق الحوسبة عالية الأداء إلى تحسين طريقة تعيين أراضي الخث. يتيح لنا رسم الخرائط الرقمية للتربة رسم خريطة للجفت بطريقة فعالة من حيث التكلفة وموضوعية ودقيقة. إن تأمين أراضي الخث للمستقبل ، وتقليل مساهمتها في مستويات C في الغلاف الجوي ، يعني رسم خرائط رقمية لها الآن.


2.4 أدوات تصور البيانات

نظرًا لارتفاع تحليلات البيانات الضخمة ، كانت هناك حاجة متزايدة لأدوات تصور البيانات للمساعدة في فهم البيانات. إلى جانب Tableau ، هناك العديد من أدوات البرامج الأخرى التي يمكن للمرء استخدامها لتصور البيانات مثل Sisense و Plotly و FusionCharts و Highcharts و Datawrapper و QlikView. هذه المقالة مأخوذة من Forbes وتحتوي على مقدمة موجزة وواضحة حول خيارات البرامج السبعة القوية هذه لتصور البيانات. قد يكون هذا مفيدًا للرجوع إليه في المستقبل لأنه لأغراض مختلفة قد أحتاج إلى استخدام أدوات مختلفة. لكل خيار مزاياه وعيوبه وتساعد هذه المقالة في إبرازها.

2.4.1 وصف موجز للأدوات الشائعة

أداة وصف
تابلوه الأكثر شهرة في المجموعة ولديه العديد من المستخدمين. إنه سهل الاستخدام ، مما يجعله سهل التعلم ويمكنه التعامل مع مجموعات البيانات الكبيرة. يمكن لـ Tableau التعامل مع البيانات الضخمة بفضل التكامل مع تطبيقات معالجة قواعد البيانات مثل MySQL و Hadoop و Amazon AWS.
قليكفيو المنافس الرئيسي لـ Tableau وأيضًا يحظى بشعبية كبيرة. Qlikview قابل للتخصيص ولديه مجموعة واسعة من الميزات التي يمكن أن تكون سيفًا ذا حدين. تستغرق هذه الميزات وقتًا أطول للتعلم والتعرف عليها. ومع ذلك ، بمجرد أن يتجاوز المرء منحنى التعلم ، يكون لديه أداة قوية تحت تصرفه.
FusionCharts يتمثل الجانب المميز في FusionCharts في أنه لا يلزم إنشاء الرسومات من نقطة الصفر. يمكن للمستخدمين البدء بقالب وإدخال بياناتهم الخاصة من مشروعهم.
هاي شارتس تدعي بفخر أنها تستخدم من قبل 72٪ من أكبر 100 شركة في العالم. إنها أداة بسيطة لا تتطلب تدريبًا متخصصًا وتولد المخرجات المطلوبة بسرعة. على عكس بعض الأدوات ، تركز Highcharts على دعم المتصفحات ، مما يسمح بوصول واستخدام أكبر.
Datawrapper إنها تصنع لنفسها اسمًا في صناعة الإعلام. يحتوي على واجهة مستخدم بسيطة تجعل من السهل إنشاء المخططات وتضمينها في التقارير.
مؤامرة يمكنه إنشاء صور أكثر تعقيدًا بفضل التكامل مع لغات البرمجة مثل Python و R. يكمن الخطر في إنشاء شيء أكثر تعقيدًا من اللازم. بيت القصيد من تصور البيانات هو نقل المعلومات بسرعة وبشكل واضح.
حكمة يمكن أن يجمع بين مصادر متعددة من البيانات لتسهيل الوصول إليها. يمكن أن تعمل حتى مع مجموعات البيانات الكبيرة. يسهّل Sisense مشاركة المنتجات النهائية عبر الأقسام ، مما يضمن حصول الجميع على المعلومات التي يحتاجون إليها.
نسر إنها مكتبة تصور إحصائي لبيثون ، تعتمد على Vega و Vega-Lite. مصادره متاحة على نطاق واسع على GitHub. مع Altair ، يمكننا فهم البيانات ومعناها بطريقة أفضل. تعد واجهة برمجة تطبيقات Altair سهلة الاستخدام للغاية. هذا بسيط وأنيق وينتج تصورات جميلة وفعالة بأقل قدر من التعليمات البرمجية.
لامع Shiny هي حزمة مفتوحة من RStudio ، والتي توفر إطار عمل لتطبيق الويب لإنشاء تصور تفاعلي للويب يسمى تطبيقات Shiny. سهولة العمل مع Shiny لها ما جعلها شائعة بين مستخدمي R.
مايكروسوفت أوفيس يستخدم Microsoft Office مجموعة متنوعة من الأدوات ، بالإضافة إلى مصدر بياناته ، Excel ، يمكنه إنشاء رسوم بيانية بسيطة ومصممة جيدًا وبديهية. يعد Excel من الأمور الشائعة جدًا لعرض البيانات الأولية ، وهناك أدوات داخل البرنامج لإنشاء رسوم بيانية بناءً على البيانات.
جناح جوجل يتضمن Google Suite المستندات والأوراق والشرائح (من بين أمور أخرى). تعد جداول البيانات أداة رائعة لحفظ البيانات الأولية ، على غرار Excel. داخل الأوراق ، توجد أدوات بسيطة لإنشاء الرسوم البيانية التي يتم تحديثها بسرعة بناءً على البيانات المتغيرة. إن إحدى الميزات الهامة التي يوفرها Google Suite هي التفاعل والتوافر للتعاون على نفس المستندات.

2.4.2 تصور البيانات التفاعلي

يوفر التصور التفاعلي أو الديناميكي للبيانات بحرًا معقدًا من البيانات اليوم بطريقة مقنعة من الناحية الرسومية وسهلة الفهم. يتيح الإجراءات المباشرة على قطعة الأرض لتغيير العناصر والربط بين قطع الأرض المتعددة. تمكن المستخدمين من إنجاز مهام استكشاف البيانات التقليدية من خلال جعل الرسوم البيانية تفاعلية (Kerschberg 2014). يتمتع برنامج التمثيل المرئي للبيانات التفاعلية بالمزايا التالية:

فائدة وصف
استيعاب المعلومات بطرق بناءة مع حجم وسرعة البيانات التي يتم إنشاؤها كل يوم ، تتيح البيانات الديناميكية تحسين العملية المحسنة واكتشاف البصيرة واتخاذ القرار.
تصور العلاقات والأنماط يساعد في فهم أفضل للارتباطات بين البيانات التشغيلية وأداء الأعمال.
تحديد الاتجاهات الناشئة والعمل عليها بشكل أسرع يساعد صانعي القرار على فهم التحولات في السلوكيات والاتجاهات عبر مجموعات البيانات المتعددة بسرعة أكبر.
التلاعب والتفاعل مباشرة مع البيانات تمكن المستخدمين من التعامل مع البيانات بشكل متكرر.
تبني لغة عمل جديدة القدرة على سرد قصة من خلال البيانات التي ترتبط على الفور بأداء الأعمال وأصولها.

هناك عدة طرق يمكن من خلالها تطوير تصورات البيانات التفاعلية. D3.js هي إحدى طرق إنشاء تصور بيانات تفاعلي.

2.4.3 Python لتصور البيانات : 10 مكتبات تصور بيانات Python مفيدة

يبدأ بأفكار تعلم d3.js من خلال عرض المقابلات مع أفضل ممارسي التصور. ثم يعطي المؤلف المفاهيم الأساسية والميزات المفيدة لتعلم التصور مثل شكل d3 ، واختيار d3 ، ومجموعة d3 ، و ds-hierarchy ، و ds-zoom وكذلك d3-force. نماذج الرسوم البيانية لكل منها

مكتبة وصف
ماتبلوتليب نظرًا لأن matplotlib كانت أول مكتبة لتصور بيانات Python ، فقد تم إنشاء العديد من المكتبات الأخرى فوقها أو تم تصميمها للعمل جنبًا إلى جنب معها أثناء التحليل. على الرغم من أن matplotlib مفيد لفهم البيانات ، إلا أنها ليست مفيدة جدًا لإنشاء مخططات بجودة النشر بسرعة وسهولة.
بحار يستغل Seaborn قوة matplotlib لإنشاء مخططات جميلة في بضعة أسطر من التعليمات البرمجية. يتمثل الاختلاف الرئيسي في الأنماط ولوحات الألوان الافتراضية من Seaborn ، والتي تم تصميمها لتكون أكثر جمالًا وحداثة. نظرًا لأن Seaborn مبني على قمة matplotlib ، فستحتاج إلى معرفة matplotlib لتعديل إعدادات Seaborn الافتراضية.
Ggplot يعتمد ggplot على ggplot2 ، وهو نظام تخطيط R ، ومفاهيم من قواعد الرسوميات. يعمل ggplot بشكل مختلف عن matplotlib: فهو يتيح لك طبقة المكونات لإنشاء مخطط كامل. على سبيل المثال ، يمكنك البدء بالمحاور ، ثم إضافة النقاط ، ثم الخط ، وخط الاتجاه ، وما إلى ذلك. على الرغم من الإشادة بالقواعد النحوية للرسومات باعتبارها طريقة "بديهية" للتخطيط ، فقد يحتاج مستخدمو matplotlib المتمرسون إلى وقت للتكيف مع هذا الجديد عقلية.
خوخه مثل ggplot ، يعتمد Bokeh على القواعد النحوية للرسومات ، ولكن على عكس ggplot ، فهو أصلي في Python ، ولا يتم نقله من R. تكمن قوته في القدرة على إنشاء مخططات تفاعلية جاهزة للويب ، والتي يمكن أن تعطي بسهولة الإخراج مثل JSON كائنات أو مستندات HTML أو تطبيقات ويب تفاعلية. يدعم Bokeh أيضًا تدفق البيانات في الوقت الفعلي.
بيغال مثل Bokeh و Plotly ، تقدم pygal مخططات تفاعلية يمكن تضمينها في متصفح الويب. أهم ما يميزه هو القدرة على إخراج المخططات على هيئة SVGs. طالما أنك تعمل مع مجموعات بيانات أصغر ، فإن SVGs ستفعل ما يرام. ولكن إذا كنت تعمل على إنشاء مخططات بمئات الآلاف من نقاط البيانات ، فسيواجهون مشكلة في العرض وسيصبح SVG بطيئًا.
مؤامرة قد تعرف Plotly كمنصة عبر الإنترنت لتصور البيانات ، لكن هل تعلم أيضًا أنه يمكنك الوصول إلى إمكاناتها من دفتر ملاحظات Python؟ مثل Bokeh ، يقوم Plotly's forte بإنشاء مخططات تفاعلية ، ولكنه يقدم بعض المخططات التي لن تجدها في معظم المكتبات ، مثل مخططات الكنتور ، و dendograms ، والمخططات ثلاثية الأبعاد.
جيوبلوتليب geoplotlib عبارة عن صندوق أدوات لإنشاء الخرائط وتخطيط البيانات الجغرافية. يمكنك استخدامه لإنشاء مجموعة متنوعة من أنواع الخرائط ، مثل الخرائط التصحيحية والخرائط الحرارية وخرائط كثافة النقاط. يجب أن يكون لديك Pyglet (واجهة برمجة موجهة للكائنات) مثبتة لاستخدام geoplotlib. ومع ذلك ، نظرًا لأن معظم مكتبات تصور بيانات Python لا تقدم خرائط ، فمن الجيد أن تكون لديك مكتبة مخصصة لها فقط.
بصيص جليم مستوحى من حزمة R's Shiny. يتيح لك تحويل التحليلات إلى تطبيقات ويب تفاعلية باستخدام نصوص Python النصية فقط ، لذلك لا يتعين عليك معرفة أي لغات أخرى مثل HTML أو CSS أو JavaScript. يعمل Gleam مع أي مكتبة تصور بيانات Python. بمجرد إنشاء مخطط ، يمكنك إنشاء حقول فوقه حتى يتمكن المستخدمون من تصفية البيانات وفرزها.
مفقود يعتبر التعامل مع البيانات المفقودة أمرًا مزعجًا. يسمح لك Missingno بقياس مدى اكتمال مجموعة البيانات بسرعة باستخدام ملخص مرئي ، بدلاً من السير في الجدول. يمكنك تصفية البيانات وفرزها بناءً على الارتباطات الكاملة أو الموضعية باستخدام خريطة حرارية أو مخطط شجر.
جلد يضع كريستوفر جروسكوبف ، مبتكر الجلود ، الأمر على أفضل وجه: "الجلود هي مكتبة مخططات بايثون لأولئك الذين يحتاجون إلى المخططات الآن ولا يهتمون بما إذا كانت مثالية." إنه مصمم للعمل مع جميع أنواع البيانات وينتج المخططات على هيئة SVGs ، بحيث يمكنك قياسها دون فقدان جودة الصورة. نظرًا لأن هذه المكتبة جديدة نسبيًا ، فإن بعض الوثائق لا تزال جارية. الرسوم البيانية التي يمكنك إنشاؤها أساسية جدًا ولكن هذا هو الهدف.

2.4.4 R لتصور البيانات: القواعد النحوية للرسومات

2.4.4.1 القواعد النحوية الطبقية للرسومات:

تستند القواعد النحوية للرسومات إلى الإيحاء بأنه يمكنك وصف أي قطعة بشكل فريد على أنها مزيج من


افعل ذلك بنفسك رسم الخرائط

GPS Visualizer هو أداة مساعدة عبر الإنترنت تقوم بإنشاء خرائط وملفات تعريف من البيانات الجغرافية. أنه مجانا وسهل الاستخدام ، لكنه قوي وقابل للتخصيص للغاية. يمكن أن يكون الإدخال في شكل بيانات GPS (المسارات ونقاط الطريق) أو طرق القيادة أو عناوين الشوارع أو الإحداثيات البسيطة. استخدمه لمعرفة المكان الذي كنت فيه ، أو التخطيط إلى أين أنت ذاهب ، أو تصور البيانات الجغرافية بسرعة (الملاحظات العلمية ، والأحداث ، ومواقع العمل ، والعملاء ، والعقارات ، والصور ذات العلامات الجغرافية ، وما إلى ذلك).

لتعيين المزيد من الخيارات ، استخدم صفحات الإدخال التفصيلية:

ساعد في الحفاظ على متخيل GPS مجاني

GPS Visualizer هي خدمة مجانية ونأمل أن تظل كذلك دائمًا ، إذا وجدت أنها ممتعة أو موفرة للوقت أو مجرد متعة بسيطة ، يمكنك قول "شكرًا" - وتشجيع المزيد من التطوير - بالنقر فوق الزر أعلاه وإجراء المساهمة عن طريق بطاقة الائتمان أو PayPal. أو يمكنك إرسال عنصر أمازون.

يمكن لـ GPS Visualizer قراءة ملفات البيانات من العديد من المصادر المختلفة ، بما في ذلك على سبيل المثال لا الحصر: GPX (تنسيق قياسي يُستخدم مع العديد من الأجهزة والبرامج ، بما في ذلك سلسلة eTrex و GPSMAP و Oregon وداكوتا وكولورادو وسلسلة amp N & uumlvi من Garmin) ، جوجل إيرث (.kml / .kmz) ، خرائط جوجل المسارات (عناوين URL) ، سجلات الطائرات الشراعية FAI / IGC, فقاوي (.trk / .wpt) ، فورونو, غارمين للياقة البدنية (.لائق بدنيا)، غارمين رائد (.xml / .hst / .tcx) ، Garmin MapSource / BaseCamp / HomePort (.gdb) ، Geocaching.com (.loc) ، أوراق جوجل, انا اذهب (.trk) ، منخفض (.usr) ، جداول بيانات Microsoft Excel (.xls / .xlsx) ، بيانات NMEA 0183, OziExplorer (.plt / .wpt) ، سونتو X9 / X9i (.sdf) ، مدرب تيميكس, توم توم (.pgl) ، يو بلوكس (.ubx) ، يغذي XML، وبالطبع نص مفصول بعلامات جدولة أو مفصول بفواصل.

يقع مقر GPS Visualizer في بورتلاند ، أوريغون ، وهو موجود على الويب منذ أكتوبر 2002.


طريقة التحليل المرئي لتدفق الركاب غير الطبيعي على شبكة المترو الحضرية

في السنوات الأخيرة ، أصبح مترو الأنفاق وسيلة نقل مهمة للمقيمين. بسبب التدفق الهائل للركاب في المدن الكبرى ، أصبحت شبكة المترو الحضرية أكثر تعقيدًا. قد يكون لبعض الحالات الشاذة تأثير خطير على نظام المترو وتنتشر بسرعة. لذلك ، من الضروري معرفة المعلومات التفصيلية للحالات الشاذة في نظام المترو. في الوقت نفسه ، يمكن أن يساعدنا إتقان أسباب الحالات الشاذة في فهم ظروف حدوث الحالات الشاذة. يوجد حاليًا عدد كبير من دراسات التصور حول عرض البيانات غير الطبيعية لحركة المرور ، لكن معظمها يركز على شبكة الطرق. حتى لو كانت هناك بعض دراسات التصور حول شبكة المترو ، فإنهم ينتبهون بشكل أساسي إلى المحطات غير الطبيعية والتدفقات غير الطبيعية بين المحطات بدلاً من التركيز على استكشاف الأسباب غير الطبيعية. في هذه الورقة ، نقترح نظام تحليلات بصرية يعتمد على بيانات البطاقة الذكية والشبكات الاجتماعية. يوفر طرق عرض متعددة منسقة لعرض معلومات صحيحة عن المحطات غير الطبيعية بشكل حدسي وفي وقت واحد ، مما يمكن أن يساعدنا في التحقق من تشوهات المترو وتدفق الأقسام غير الطبيعي بين المحطات. إلى جانب ذلك ، فإنه يوفر أيضًا العديد من المناظر لإلقاء نظرة سريعة على أسباب حالات الشذوذ في المترو. أكدت سلسلة من دراسات الحالة الواقعية وتجربتي اختبار النظام جدوى وفعالية نظامنا.

مجردة الرسوم البيانية

هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


مراجعة تحليلية لأساليب تصور البيانات في التطبيق على البيانات الضخمة

تصف هذه الورقة مصطلح البيانات الضخمة في جوانب تمثيل البيانات والتصور. هناك بعض المشكلات المحددة في تصور البيانات الضخمة ، لذلك هناك تعريفات لهذه المشكلات ومجموعة من الأساليب لتجنبها. أيضًا ، نجري مراجعة للطرق الحالية لتصور البيانات في التطبيق على البيانات الضخمة مع مراعاة المشكلات الموضحة. بتلخيص النتيجة ، قدمنا ​​تصنيفًا لطرق التصور في التطبيق على البيانات الضخمة.

1 المقدمة

يحتاج العملاء إلى معالجة البيانات الثانوية ، والتي لا ترتبط مباشرة بأعمال العملاء مما أدى إلى ظاهرة تسمى البيانات الكبيرة. سنقدم فيما يلي تعريفًا لمصطلح البيانات الضخمة.

البيانات الضخمة ، كما ذكر Gubarev Vasiliy Vasil’evich ، هي ظاهرة ليس لها حدود واضحة ، ويمكن تقديمها في شكل تراكم غير محدود أو حتى لانهائي للبيانات. بل وأكثر من ذلك ، يمكن تقديم البيانات المتراكمة في تنسيقات بيانات مختلفة ، ومعظمها ليس تدفقات بيانات هيكلية.

عادة ، بموجب مصطلح البيانات الضخمة ، نفهم مجموعة كبيرة من البيانات ، مع زيادة الحجم بشكل كبير. يمكن أن تكون مجموعة البيانات هذه كبيرة جدًا ، أو "أولية" جدًا ، أو غير منظمة جدًا لطرق معالجة البيانات الكلاسيكية ، المستخدمة في نظرية قواعد البيانات العلائقية. ومع ذلك ، فإن الشاغل الرئيسي في هذا السؤال ليس حجم البيانات ، ولكن مجال تطبيق تلك البيانات [1].

يتم استخدامه لتوفير خصائص البيانات الضخمة التالية في مصادر الأدبيات التحليلية المختلفة: حجم كبير من البيانات (حجم) ، عرض بيانات متعدد الأشكال (متنوع) ، وسرعة معالجة بيانات عالية (السرعة). يُعتقد أنه إذا كانت البيانات الدقيقة تفي بخاصيتين فقط من ثلاث خصائص موصوفة ، فيمكن أن تكون مرتبطة بفئة البيانات الضخمة [2 ، 3]. لذلك ، في الوقت الحاضر ، هناك فئات البيانات الضخمة التالية: فئة "الحجم - السرعة" ، وفئة "الحجم - التنوع" ، وفئة "السرعة - التنوع" ، وفئة "الحجم - السرعة - التنوع".

معالجة البيانات الضخمة ليست مهمة تافهة على الإطلاق ، وتتطلب أساليب وأساليب خاصة. التفكير الرسومي هو نوع بسيط جدًا وطبيعي من معالجة البيانات للإنسان ، لذلك ، يمكن القول ، أن تمثيل بيانات الصور هو طريقة فعالة ، مما يسمح بتيسير فهم البيانات ويوفر دعمًا كافيًا لاتخاذ القرار. ولكن ، في حالة البيانات الضخمة ، تصبح معظم طرق تمثيل البيانات التقليدية أقل فعالية أو حتى لا تنطبق على المهام الملموسة. يعد تحليل قابلية التطبيق لإحدى الفئات الملموسة من البيانات الضخمة مشكلة موضوعية في مجال الموضوع حيث لا توجد دراسات حالة من هذا القبيل تم إجراؤها من قبل. لذلك ، هناك غرض لهذه الورقة: تصنيف طرق التصور الحالية حسب معيار قابليتها للتطبيق على إحدى فئات البيانات الضخمة الموصوفة.

لاتخاذ قرار بالتصنيف إلى إحدى فئات البيانات الضخمة الموصوفة ، يجب تحليل الطريقة من النقاط التالية: قابلية التطبيق لبيانات كبيرة الحجم ، وإمكانية تصور البيانات ، معروضة في تنسيقات بيانات مختلفة ، وسرعة ، وأداء عرض البيانات.

2. مشاكل تصور البيانات الضخمة

من خلال الاهتمام بخصائص البيانات الضخمة الموصوفة ، يمكننا تحديد المشكلات التالية ، مما يجعل التخيل ليس مهمة تافهة.

2.1. الضوضاء المرئية

يمكن أن يصبح العرض البسيط لمجموعة كاملة من البيانات ، قيد الدراسة ، فوضى تامة على الشاشة ، وسنرى بقعة كبيرة واحدة فقط ، تتكون من نقاط ، والتي تمثل كل صف بيانات. تأتي هذه المشكلة من حقيقة أن معظم الكائنات في مجموعة البيانات مرتبطة جدًا ببعضها البعض ، ولا يمكن لمراقب الشاشة تقسيمها ككائنات منفصلة. لذلك ، في بعض الأحيان ، لا يمكن للمحلل الحصول حتى على القليل من المعلومات المفيدة من تصور البيانات بالكامل دون أي مهام معالجة مسبقة. يجب الإشارة إلى أنه في ظل الضجيج في هذا الموضوع ، يجب ألا نفهم أي تلف أو تشويه للبيانات ، يجب اعتباره ظاهرة فقدان رؤية البيانات.

2.2. تصور صورة كبيرة

كحل للمشكلة المذكورة أعلاه ، يأتي نهج ، يتم الانتهاء منه في توزيع البيانات فوق شاشة أكبر. ولكن ، في بعض الأحيان ، ينتهي الأمر بمشكلة أخرى وهي الإدراك الكبير للصورة. هناك مستوى معين من تصور الإنسان لتصور البيانات المختلفة. على الرغم من أن هذا المستوى لتصور البيانات الرسومية أعلى بكثير ، مقارنة بتصور بيانات الجدول ، إلا أن له حدوده الخاصة. وبعد تحقيق هذا المستوى من الإدراك ، يفقد الإنسان فقط القدرة على الحصول على أي معلومات مفيدة من عرض البيانات المحملة بشكل زائد. جميع طرق التصور محدودة بدقة الجهاز المسؤولة عن إخراج التصور ، لذلك هناك حد لعدد النقاط التي يتم عرضها لكل تصور. بالطبع ، يمكننا استبدال جهاز التصور بجهاز حديث أو مجموعة من الأجهزة لتصور البيانات الجزئي ، مما يسمح لنا بتقديم صورة أكثر تفصيلاً مع عدد أكبر من نقاط البيانات ، ولكن حتى لو تمكنا من تكرار هذه العملية لعدد لا نهائي في بعض الأحيان ، سنواجه قيودًا على الإدراك البشري. مع نمو أحجام البيانات الموضحة في وقت واحد ، سيواجه الإنسان صعوبة في فهم البيانات وتحليلها.

لذلك ، يمكن القول أن طرق تصور البيانات محدودة ليس فقط بنسبة العرض إلى الارتفاع ودقة الجهاز ولكن أيضًا بحدود الإدراك المادي.

2.3 فقدان المعلومات

من ناحية أخرى ، يمكن استخدام الأساليب التي ينتهي بها الأمر إلى تقليل مجموعات البيانات المرئية. ولكن على الرغم من حل المشكلات المذكورة أعلاه ، فإن هذه الأساليب تؤدي إلى مشكلة أخرى وهي فقدان المعلومات. تعمل هذه الأساليب مع تجميع البيانات وترشيحها ، بناءً على ارتباط الكائنات في مجموعة البيانات الملموسة بمعيار واحد أو أكثر. يمكن أن يؤدي استخدام هذه الأساليب إلى تضليل المحلل ، عندما لا يتمكن من ملاحظة بعض الأشياء المخفية المثيرة للاهتمام ، وفي بعض الأحيان ، يمكن أن تستهلك عملية التجميع المعقدة قدرًا كبيرًا من الوقت وموارد الأداء من أجل الحصول على المعلومات الدقيقة والمطلوبة.

2.4 متطلبات الأداء العالي

لا يتوقف التحليل الرسومي عند التصور الثابت للصور فقط ، لذلك تصبح المشاكل المذكورة أعلاه أكثر أهمية في التصور الديناميكي. وهناك أيضًا مشكلة أخرى ، بالكاد يمكن ملاحظتها في التصور الثابت ، بسبب متطلبات سرعة التصور المنخفضة - متطلبات الأداء العالي.

في مهام تحليل السلوك ، يرغب المحلل عادةً في الوصول إلى مصفوفة بيانات كاملة ، ويمكن أن تستهلك هذه العملية الكثير من الوقت ، حتى لو لم يكن هناك شرط للحصول على حصة تحديث متكررة. ينتهي به الأمر في زيادة مستمرة في موارد الحوسبة أو في تصفية المزيد والمزيد من البيانات. عادة ، يمكن تطبيق كلا النهجين على نطاق واسع في الممارسة العملية ، بسبب التنظيم العالي ، والدعم والتكلفة الاقتصادية ، أو فقدان المعلومات المفيدة أثناء عملية المراقبة. النهج الثاني يصعب تخصيصه وتكييفه لأنه عادة لا يعرف نظام التحليل أو المحلل طبيعة البيانات الواردة. لذلك ، يمكن أن تتكون مهمة التصفية في هذا الأسلوب من خطوات بسيطة فقط ، مثل استبعاد كل صف ثاني ، أو إزالة بعض العوامل من البيانات.

2.5 ارتفاع معدل تغيير الصورة

والمشكلة الأخيرة هي ارتفاع معدل تغير الصورة. تصبح هذه المشكلة الأكثر أهمية في مهام المراقبة ، عندما لا يستطيع الشخص الذي يراقب البيانات الاستجابة لعدد تغييرات البيانات أو شدتها المعروضة. لا يمكن أن يوفر الانخفاض البسيط في معدل التغيير النتيجة المرجوة ، حيث تعتمد سرعة رد فعل الإنسان عليها بشكل مباشر.

نتيجة لهذا الجزء من المقالة ، يمكن القول أن تصور البيانات الضخمة يؤدي إلى انخفاض جودة التحليل ، مما يؤكد أهمية هذه الورقة البحثية.

3. مناهج تصور البيانات الضخمة

هناك العديد من طرق التصور الرسومي المختلفة ، لكن التصور متعدد الأبعاد للبيانات لا يزال معروفًا قليلاً وموضوعًا موضعيًا للبحث.

تم استخدام التصور الرسومي بالفعل في جوانب مختلفة من النشاط البشري ، ولكن فعالية الأساليب وإمكانية تطبيقها يمكن أن تصبح مشكلة حقيقية مع نمو أحجام البيانات وسرعة إنتاج البيانات. تأتي المشكلة الموصوفة من النقاط التالية: (1) الحاجة إلى التحضير الاصطناعي لشرائح البيانات ، لتصور البيانات الجزئي (2) الحد المرئي لعدد عوامل البيانات المتصورة.

نحن بحاجة إلى استعراض طرق تصور البيانات الحالية وتقديم الأساليب التي يمكن أن تحل هذه المشاكل. يجب أن توفر هذه الأساليب تمثيلات بيانات أكثر إدراكًا وإفادة لمساعدة المحلل في العثور على العلاقات المخفية في البيانات الضخمة.

عادةً لا تظهر معظم طرق تصور البيانات من لا شيء ، ولكنها أصبحت تطورًا للطرق الموجودة سابقًا.

على الأكثر ، يجب أن تفي أدوات المحلل بالمتطلبات التالية: (1) يجب أن يكون المحلل قادرًا على استخدام أكثر من عرض واحد لتمثيل البيانات في وقت واحد (2) التفاعل النشط بين المستخدم والعرض القابل للتحليل (3) التغيير الديناميكي لعدد العوامل أثناء عملية العمل مع عرض.

فيما يلي سنصف هذه المتطلبات بشكل أكثر وضوحًا.

3.1. أكثر من مشاهدة لكل عرض تمثيل

من أجل الوصول إلى فهم كامل للبيانات ، يستخدم المحلل عادةً نهجًا بسيطًا ، عندما يضع وجهات نظر بيانات كلاسيكية مختلفة ، والتي تتضمن مجموعة محدودة فقط من العوامل حتى يتمكن بسهولة من العثور على بعض العلاقات بين هذه الآراء أو في وجهة نظر محددة واحدة [4 ، 5].

على الرغم من حقيقة أنه يمكن استخدام كل طريقة لتصور البيانات تمامًا ، في كثير من الأحيان ، يمكننا أن نرى نهجًا ، عندما يستخدم المحلل بعض الكائنات الرسومية المتشابهة أو القريبة. كمثال ، المخططات الخطية أو النقطية (الشكل 1). بالطبع ، قد يكون المحلل مهتمًا بمقارنة تصورات مختلفة تمامًا لنفس البيانات ، لكن عملية التحليل المرئي بأكملها ، في هذه الحالة ، تصبح أكثر صعوبة. الآن ، يجب على الباحث أن يقارن ليس فقط الكائنات الرسومية المتشابهة ، ولكن عليه أيضًا التمييز بوضوح بين البيانات المختلفة واتخاذ قرار بناءً على عوامل مختلفة [6].


ونتيجة لذلك ، يمكن القول أن مثل هذا النهج يمكن أن يوجه المحلل إلى الموقع المطلوب ويوفر دعمًا كافيًا لاتخاذ قرار في المرحلة الأولى من البحث. لذلك ، يمكن أن تكون هناك حالات يمكن أن تصبح فيها هذه المرحلة نهائية في البحث الحالي ، مما يدفع المحللين بعيدًا عن القرارات غير الصحيحة تمامًا.

أيضًا ، هناك نقطة رئيسية أخرى في هذا النهج وهي القدرة على تحديد مناطق البيانات المرغوبة في جميع العروض ذات الصلة ، كما هو موضح في الشكل 2.


قد يرغب المحللون في تنسيق طرق العرض بعدة طرق: قد يؤدي تحديد العناصر في طريقة عرض واحدة إلى إبراز السجلات المتطابقة في طرق العرض الأخرى ، أو بدلاً من ذلك توفير معايير تصفية لإزالة المعلومات من شاشات العرض الأخرى. يوفر التنقل المرتبط شكلاً إضافيًا من التنسيق: التمرير أو التكبير / التصغير في عرض واحد يمكن أن يعالج في نفس الوقت طرق العرض الأخرى [5 ، 7].

3.2 التغيرات الديناميكية في عدد العوامل

ربما تكون العملية الأساسية في التحليل المرئي موجودة في مواصفات تصور البيانات. يجب أن يشير المحلل إلى البيانات التي سيتم عرضها وكيف يجب إظهارها لتسهيل إدراك المعلومات.

يمكن تطبيق أي تصور رسومي تمامًا على أي بيانات ، ولكن هناك دائمًا سؤال موضعي حول ما إذا كانت الطريقة المختارة يتم تطبيقها بشكل صحيح على مجموعة البيانات ، من أجل الحصول على أي معلومات مفيدة؟ عادةً ، بالنسبة للبيانات الضخمة ، لا يستطيع المحلل مراقبة مجموعة البيانات بأكملها ، أو العثور على الحالات الشاذة فيها ، أو العثور على أي علاقات من النظرة الأولى [6]. لذلك ، هناك نهج موضعي آخر هو التغيير الديناميكي في عدد العوامل. بعد أن يختار المحلل عاملًا واحدًا ، يكون على استعداد لرؤية الرسم البياني الكلاسيكي ، والذي يوضح توزيع رقم السجلات اعتمادًا على نوع السجل. كمثال أدناه ، في الشكل 3 ، في أعلى الرسم البياني ، يمكننا أن نرى التبعية بين عدد وحدات تحصيل النقد المستخدمة حاليًا بواسطة نظام الدفع وحجم كل جامع نقدي.


بعد أن اختار المحلل عاملًا آخر ، على سبيل المثال نفقات الدعم ، تغير نوع الرسم التخطيطي أيضًا إلى مخطط نقطي. يوضح الجزء السفلي من الشكل 3 توزيع نفقات الدعم لكل وحدة تحصيل نقدي.

استمرارًا ، يمكننا تغيير عدد العوامل بناءً على ذلك ، وتقليل أو زيادة عدد العوامل المرئية وسنرى تغييرات في الرسم التخطيطي. هذه العملية تكرارية ويمكن تكرارها حتى لا يتم العثور على النمط المطلوب.

3.3 الفلتره

لطالما كانت مسألة تمييز القيمة موضوعية للتحليل البصري وأصبحت أكثر أهمية في حالة البيانات الضخمة [6]. حتى لو عرضنا 60 قيمة فريدة فقط ، ناهيك عن الملايين منها ، في رسم تخطيطي واحد ، فمن الصعب جدًا وضع تسمية لكل منها.

بل وأكثر من ذلك ، يمكن أن يكون هناك نطاقات قيم مختلفة تمامًا في مجموعة بيانات واحدة. لذلك ، فإن بعض القيم سيهيمن عليها فقط قيم أخرى ذات مستويات اتساع أعلى. نتيجة لذلك ، سيكون تصور الرسم البياني بأكمله معقدًا. على سبيل المثال ، يمكن لبعض المؤسسات ، التي تعمل على مدار 24 ساعة في اليوم ، أن يكون لديها تدفق عملاء مختلفين ، وإظهار اعتماد العملاء بالساعة ، سنفقد القدرة على الإدراك لمجموعة من ساعات الليل ، عندما تكون القيم متساوية تقريبًا ولديها سعة أقل بكثير مقارنة بساعات اليوم.

عادةً ما يرغب المحلل في رؤية تمثيل البيانات بالكامل وتمثيل البيانات الجزئي والأكثر تفصيلاً في مجال اهتمامه. علاوة على ذلك ، فإن مجال اهتمامه ليس ثابتًا ويمكن أن يتغير ديناميكيًا أثناء عملية البحث.

يتم استخدام نظام الترشيح والخريطة العامة كنهج لحل هذه المشكلات (الشكل 4). يمكن للمحلل تغيير النطاق على خريطة نظرة عامة ورؤية التصور التفصيلي للبيانات في هذا النطاق.


علاوة على ذلك ، لا يجب أن يقتصر العرض التفصيلي على مستوى واحد فقط ، كما هو موضح في الشكل 4 ، ولكن يمكن أن يتسع مستوى إزالة الترسبات في كل مرة.

على سبيل المثال ، يمكن للمحلل تحديد إحدى القيم الموجودة في منطقة اهتمامه والحصول على توزيعها حول خريطة المدينة ، أو إبراز كائنات مماثلة على الخريطة العامة (الشكل 5).


يعد ترشيح البيانات بمعايير مختلفة أيضًا مفتاحًا موضعيًا في تحليل البيانات المرئية. لا يمكن للإنسان أن يدرك بشكل صحيح عددًا كبيرًا من الأشياء المرئية في وقت واحد ، لذا فإن الحد من كمية الكائن هو مطلب طبيعي. المفاهيم الرئيسية المستخدمة لتصفية البيانات موجودة في [8].

3.3.1. عوامل تصفية الاستعلام الديناميكي [8]

يمكن تحديد بعض أنماط السلوك المستخدمة في عملية البحث التحليلي. يمكن تجميع أكثر هذه الأنماط شيوعًا وربطها بمكونات واجهة مستخدم أبسط ، مما يسمح للمحلل بالوصول المباشر إليها من أجل تسهيل بعض الإجراءات الروتينية التي يحتاجون إلى تنفيذها. لذلك ، يتعين على المحلل الآن فقط الضغط على أحد عناصر المستخدم لتحقيق النتائج المرجوة ، وربما تكون هذه النتيجة كافية لاتخاذ قرار أو لجعل منطقة البحث أصغر قليلاً.

3.3.2. ستارفيلد ديسبلاي [9]

يعتمد هذا النهج على فكرة أن مجموعة البيانات بأكملها مرئية دائمًا. في المستوى الأول ، تحتاج بعض البيانات إلى التجميع ولا يرى المحلل سوى بعض المعلومات المجمعة ، ولكن عندما يقدم طلبًا تفصيليًا ، والذي يتم تمثيله في إجراءات التكبير / التصغير ، تنهار كل مجموعة في بيانات أكثر وأكثر تفصيلاً.

3.3.3. اقتران ضيق [9]

يمكن ربط بعض عناصر واجهة المستخدم ببعضها البعض بشكل مباشر ، بحيث يمكن أن يمنع اقتران المحلل من ارتكاب أخطاء لإدخال البيانات ، أو يقيده بنقل بحثه إلى اتجاه خاطئ بشكل واضح.

المثال الأساسي لعناصر واجهة المستخدم هذه هو مجموعة من أزرار الاختيار. بعد الضغط على زر اختيار واحد في المجموعة ، تفقد الأزرار الأخرى اختيار المستخدم. عادةً ما يتم تطوير المرشحات المختلفة بناءً على انعكاس التحديد باستخدام هذا النهج.

4. طرق عرض البيانات الضخمة

تحتوي هذه الفقرة على وصف طريقة تصور البيانات الضخمة. يحتوي كل وصف على حجج لتصنيف الطريقة لإحدى فئات البيانات الضخمة. نحن نفترض معايير البيانات التالية: (1) حجم البيانات الكبير (2) تنوع البيانات (3) ديناميكيات البيانات.

4.1 خريطة الشجرة

تعتمد هذه الطريقة على تصور ملء الفراغ للبيانات الهرمية. وكما يلي من التعريف ، هناك مطلب صارم مطبق على كائنات البيانات التي يجب أن تكون مرتبطة بشكل هرمي. يتم تمثيل Treemap بواسطة مستطيل جذر ، مقسم إلى مجموعات ، يتم تمثيله أيضًا بواسطة مستطيلات أصغر ، والتي تتوافق مع كائنات البيانات من مجموعة [10].

ومن أمثلة هذه الطريقة مساحة خالية على تصور محرك الأقراص الثابتة ، والربحية من مختلف المؤسسات والشركات التابعة لها.

يمكن تطبيق الطريقة على أحجام البيانات الكبيرة ، والتي تمثل طبقات البيانات بشكل تكراري لكل مستوى من مستويات التسلسل الهرمي. في حالة استثارة دقة الجهاز ، يمكن للمحلل دائمًا المضي قدمًا إلى الكتلة التالية لمواصلة بحثه في بيانات أكثر تفصيلاً على المستوى الأدنى من التسلسل الهرمي. لذلك ، يتم استيفاء معيار حجم البيانات الكبير.

نظرًا لأن الطريقة تعتمد على تقدير حجم الأشكال ، محسوبًا من واحد أو أكثر من عوامل البيانات ، فإن كل تغيير في البيانات يتبعه إعادة طلاء كاملة للصورة بأكملها لمستوى التسلسل الهرمي المرئي حاليًا. لا تتطلب التغييرات على المستويات الأعلى إعادة طلاء الصورة لأن البيانات التي تحتوي عليها غير مرئية للمحلل.

يمكن أن يُظهر التصور الذي تم الحصول عليه بهذه الطريقة عاملي بيانات فقط. العامل الأول هو العامل المستخدم لحساب حجم الشكل. والثاني لون يستخدم لتجميع الأشكال. أيضًا ، يجب تقديم العوامل المستخدمة لتقدير الحجم بواسطة أنواع البيانات القابلة للحساب ، لذلك لم يتم استيفاء تنوع بيانات المعيار.

ولا يمكن استيفاء المعيار الأخير أيضًا ، لأن Treemap يعرض تمثيل البيانات فقط في وقت واحد.

مزايا الطريقة: (1) يظهر التجميع الهرمي بوضوح علاقات البيانات (2) تظهر القيم المتطرفة على الفور باستخدام لون خاص.

عيوب الطريقة: (1) يجب أن تكون البيانات هرمية ، والأكثر من ذلك ، أن خرائط الشجرة هي الأفضل لتحليل مجموعات البيانات حيث يوجد على الأقل بُعد كمي مهم واحد مع اختلافات واسعة (2) غير مناسب لفحص الاتجاهات التاريخية وأنماط الوقت (3) العامل المستخدم لحساب الحجم لا يمكن أن يكون لها قيم سلبية [11].

4.2 التعبئة الدائرية

هذه الطريقة هي بديل مباشر للخريطة الشبكية ، إلى جانب حقيقة أنها تستخدم الدوائر كشكل بدائي ، والتي يمكن أيضًا تضمينها في الدوائر من مستوى التسلسل الهرمي الأعلى. يتمثل الربح الرئيسي من هذه الطريقة في أنه ربما يمكننا وضع كمية أكبر من الكائنات وإدراكها باستخدام Treemap الكلاسيكي [12].

نظرًا لأن طريقة تعبئة الدائرة تعتمد على طريقة Treemap ، فإنها لها نفس الخصائص. لذلك ، يمكننا أن نفترض أنه يتم استيفاء معيار أحجام البيانات الكبيرة فقط بهذه الطريقة.

ومع ذلك ، هناك بعض الاختلافات في الأساليب والمزايا والعيوب على النحو التالي. مزايا الطريقة: طريقة تصور موفرة للمساحة مقارنة بخريطة Treemap. عيوب الطريقة: نفس عيوب طريقة Treemap.

4.3 أمة الله

تعد هذه الطريقة أيضًا بديلاً لـ Treemap ، ولكنها تستخدم تصور Treemap ، وتحويله إلى نظام إحداثيات قطبية. يتمثل الاختلاف الرئيسي بين هاتين الطريقتين في أن المعلمات المتغيرة ليست العرض والارتفاع ، ولكن نصف القطر وطول القوس. ويسمح لنا هذا الاختلاف بعدم إعادة رسم الرسم البياني بأكمله عند تغيير البيانات ، ولكن يسمح لنا فقط بقطاع واحد يحتوي على بيانات جديدة عن طريق تغيير نصف قطره. وبسبب هذه الخاصية ، يمكن تكييف هذه الطريقة لإظهار ديناميكيات البيانات باستخدام الرسوم المتحركة.

يمكن أن تضيف الرسوم المتحركة ديناميكيات إلى البيانات ، وتتلاعب فقط بنصف قطر أشعة الشمس ، لذلك ، يمكن القول ، أن معيار ديناميكيات البيانات هذا مستوفى.

مثل الطريقتين السابقتين ، فإن Sunburst لها نفس المزايا والعيوب. مزايا الطريقة: يمكن إدراكه بسهولة من قبل معظم البشر [13]. عيوب الطريقة: نفس عيوب طريقة Treemap.

4.4 مخطط الشبكة الدائري

يتم وضع كائن البيانات حول دائرة وربطها بمنحنيات بناءً على معدل نسبيتها. عادةً ما يتم استخدام عرض الخط المختلف أو تشبع اللون كمقياس لنسبية الكائن. توفر الطريقة أيضًا عادةً تفاعلات تجعل الروابط غير الضرورية غير مرئية وتمييز الروابط المحددة. لذلك ، تؤكد هذه الطريقة على العلاقة المباشرة بين كائنات متعددة وتوضح مدى ارتباطها [14].

بالنسبة لحالات الاستخدام النموذجية لتلك الطريقة ، هناك الأمثلة التالية: مخطط نقل المنتج بين المدن ، والعلاقات بين المنتج الذي تم شراؤه في المتاجر المختلفة ، وما إلى ذلك.

تسمح لنا هذه الطريقة بتمثيل البيانات المجمعة كمجموعة من الأقواس بين كائنات البيانات التي تم تحليلها ، بحيث يمكن للمحلل الحصول على معلومات كمية حول العلاقات بين الكائنات. يمكن تطبيق هذه الطريقة على أحجام البيانات الكبيرة ، ووضع كائنات البيانات حسب دائرة نصف قطرها ومساحة تابوت مختلفة من الكائنات. أيضًا ، يمكن أن تكون هناك معلومات إضافية ، تظهر بالقرب من قوس ، والتي يمكن توفيرها من عوامل أخرى لكائنات البيانات. ومن الضروري أن نضيف أنه لا توجد قيود على استخدام عامل واحد فقط لكل رسم بياني ، يمكننا دائمًا وضع عوامل مختلفة للأشياء وإقامة علاقات بينها. قد يكون من الصعب الإدراك والفهم ، ولكن في بعض الحالات ، ينتج عن هذا النهج للمحلل ما يكفي من المعلومات لتغيير اتجاه بحثه أو لاتخاذ قرار نهائي. تفي خاصية الرسم التخطيطي الدائري بمعيار تنوع البيانات.

يشجع الشكل الدائري حركة العين على المضي قدمًا على طول الخطوط المنحنية ، وليس بشكل متعرج في شكل مربع أو مستطيل [15].

وكنتيجة لتمثيل البيانات بالكامل ، يجب أن يتبع كل تغيير فردي في البيانات إعادة طلاء الرسم التخطيطي.

مزايا الطريقة: (1) يسمح لنا بعمل تمثيل نسبي للبيانات ، والذي يمكن إدراكه بسهولة (2) داخل الدائرة ، تختلف الدقة خطيًا ، وتتزايد مع الموضع الشعاعي. هذا يجعل مركز الدائرة مثاليًا لعرض إحصائيات موجزة بشكل مضغوط أو الإشارة إلى نقاط الاهتمام.

عيوب الطريقة: (1) قد تنتهي الطريقة في شكل تمثيل غير محسوس وقد تحتاج إلى إعادة تجميع كائنات البيانات على الشاشة (2) يمكن كبح الكائنات ذات الوزن الأصغر للمعلمات بواسطة الكائنات الأكبر حجمًا ، وينتهي بها الأمر في فوضى كاملة على الرسم التخطيطي [16].

4.5 الإحداثيات المتوازية

تسمح هذه الطريقة بتوسيع التحليل المرئي باستخدام عوامل بيانات متعددة لكائنات مختلفة. يتم وضع جميع عوامل البيانات المراد تحليلها على أحد المحاور ، ويتم وضع القيم المقابلة لكائن البيانات في المقياس النسبي على المحور الآخر. يتم تمثيل كل كائن بيانات من خلال سلسلة من خطوط اجتياز مرتبطة ، تظهر مكانها في سياق الكائنات الأخرى. تسمح لنا هذه الطريقة باستخدام خط سميك فقط على الشاشة لتمثيل كائن بيانات فردي وهذا الأسلوب يسمح له باستيفاء المعيار الأول - أحجام البيانات الكبيرة [17].

امتداد واحد للإحداثيات المتوازية القياسية ثنائية الأبعاد هو الإحداثيات المتوازية ثلاثية الأبعاد متعددة الجنسيات. هنا ، يتم وضع المحاور ، منفصلة بشكل متساوٍ ، على دائرة مع محور تركيز في المركز. يتم عرض عنصر البيانات مرة أخرى كسلسلة من مقاطع الخطوط التي تتقاطع مع جميع المحاور. يتميز تكوين المحور هذا بأنه يمكن فحص جميع العلاقات الزوجية بين متغير التركيز في المركز وجميع المتغيرات الخارجية في وقت واحد [18].

يمكن أن تتعامل هذه الطريقة مع عدة عوامل لعدد كبير من الكائنات لكل شاشة واحدة ، لذا فهي تفي بمعيار تنوع البيانات. نظرًا لأن الطريقة تعتمد على القيم النسبية ، فإنها تتطلب حساب الحد الأدنى والحد الأقصى للقيم لكل عامل. بينما تتغير القيم بين القيم الدنيا والقصوى لكل عامل ، ليست هناك حاجة لإعادة طلاء جميع الصور ولكن في حالة تجاوز القيمة هذا الحد ، يتعين علينا إعادة طلاء الصورة لإظهار التصور المناسب. يمكن استخدام هذا النهج لتصور البيانات الديناميكية. الطريقة الثانية لتمثيل البيانات في الوقت المناسب هي استخدام امتدادات ثلاثية الأبعاد لطريقة الإحداثيات القطبية [18].

مزايا الطريقة: (1) لا يؤثر ترتيب العوامل على تصورات الرسم التخطيطي الكلي (2) تسمح لنا الطريقة بتحليل كل من مجموعة البيانات الكاملة للكائنات في وقت واحد وكائنات البيانات الفردية

عيوب الطريقة: (1) الأسلوب له قيود على عدد العوامل المعروضة في الحال (2) البيانات الديناميكية التصورية تنتهي في تغيير تمثيل البيانات بالكامل [18 ، 19].

4.6 Streamgraph

Streamgraph هو نوع من الرسم البياني المساحي المكدس ، والذي يتم إزاحته حول محور مركزي ، مما ينتج عنه شكل متدفق وعضوي. توضح هذه الطريقة الاتجاهات لمجموعات مختلفة من الأحداث ، وكمية تكراراتها ، ومعدلاتها النسبية ، وهكذا. لذلك ، يمكن أن تكون هناك مجموعة من الأحداث المتشابهة ، موضحة من خلال الجدول الزمني على الصورة [20].

لهذه الطريقة هدفان مزدوجان: إظهار العديد من السلاسل الزمنية الفردية ، مع نقل مجموعها أيضًا. نظرًا لأن ارتفاعات الطبقات الفردية تضيف ما يصل إلى ارتفاع الرسم البياني الكلي ، فمن الممكن تحقيق كلا الهدفين في وقت واحد. في نفس الوقت ، هذا ينطوي على بعض المقايضات. لا يمكن أن تكون هناك مسافات بين الطبقات ، لأن هذا سيشوه مجموعها. نتيجة لعدم وجود مسافات بين الطبقات ، فإن التغييرات في الطبقة الوسطى ستؤدي بالضرورة إلى اهتزازات في جميع الطبقات المحيطة الأخرى ، اهتزازات لا علاقة لها بالبيانات الأساسية لتلك السلاسل الزمنية المتأثرة [20].

تعمل هذه الطريقة فقط مع بُعد بيانات واحد ، لذا فهي لا تدعم معيار تنوع البيانات ، ولكن لا يزال من الممكن تطبيقها على مجموعات البيانات الكبيرة.

بعد وصول البيانات الجديدة إلى النظام التحليلي ، يمكن متابعة الرسم البياني ، المصنوع بهذه الطريقة ، ديناميكيًا بقيم جديدة ، بحيث يفي بمعيار ديناميكيات البيانات. ولكن مع ذلك ، هناك دائمًا قيد واحد صارم ، وعدد من العوامل ، ويمكن استخدام هذه الطريقة فقط لتمثيل عوامل الكمية.

أمثلة: الاتجاهات الموسيقية واتجاهات أنواع السينما. مزايا الطريقة: فعال لتصور الاتجاهات

عيوب الطريقة: (1) يظهر تمثيل البيانات عامل بيانات واحد فقط (2) تعتمد الطريقة على طبقات البيانات (الكائنات) الفرز [20 ، 21].

5. النتائج

نتيجة لذلك ، قدمنا ​​الجدول 1 ، الذي يوضح الطريقة التي يمكنها معالجة البيانات المختلفة وكميات كبيرة من البيانات وتعالج التغييرات في بيانات الوقت (الجدول 1).

عند تحليل الجدول 1 ، يمكن القول أن الأساليب القائمة على طريقة Treemap لا يمكن تطبيقها على إحدى فئات البيانات الكبيرة لأنها تلبي معيارًا واحدًا فقط ، بينما تتطلب استيفاء معيارين على الأقل.

وفقًا للجدول 2 ، يمكننا الآن تصنيف طرق التصور بوضوح حسب فئات البيانات الضخمة (الجدول 2).

6. الخلاصة

في هذه الورقة ، وصفنا المشاكل الرئيسية لتصور البيانات الضخمة وطرق كيف يمكننا تجنبها. أيضًا ، قدمنا ​​تصنيفًا لطرق تصور البيانات الضخمة بناءً على قابلية التطبيق على واحدة من فئات البيانات الضخمة الثلاثة.

يمكن إجراء الأعمال المستقبلية في هذا المجال في المجالات التالية: البحث في قابلية تطبيق طرق التصور لمقاييس مختلفة ، واتخاذ القرارات والتوصية لاختيار طريقة التصور لفئات البيانات الكبيرة الملموسة ، وإضفاء الطابع الرسمي على المتطلبات والقيود الخاصة بأساليب التصور المطبقة على واحد أو أكثر فئات البيانات الضخمة.

مراجع

  1. D. الأزرق ، البيانات الضخمة: فرص كبيرة لخلق قيمة تجارية، http://www.emc.com/microsites/cio/articles/big-data-big-opportunities/LCIA-BigData-Opportunities-Value.pdf.
  2. جيه ديكس ، البيانات الضخمة للمؤسسة: المستند التقني من Oracle، مجموعة أوراكل المنشورة ، 2012.
  3. P. Zikopoulos ، فهم البيانات الضخمة: تحليلات Hadoop من فئة المؤسسات وتدفق البيانات، ماكجرو هيل ، نيويورك ، نيويورك ، الولايات المتحدة الأمريكية ، 2012.
  4. روبرتسون ، ر. فرنانديز ، دي فيشر ، بي لي ، وجيه ستاسكو ، "فعالية الرسوم المتحركة في تصور الاتجاهات ،" معاملات IEEE على التصور ورسومات الكمبيوتر، المجلد. 14 ، لا. 6، pp. 1325–1332، 2008. عرض على: موقع الناشر | منحة جوجل
  5. J. Heer and B. Shneiderman، "Interactive dynamics for visual analysis،" اتصالات من ACM، المجلد. 55 ، لا. 4 ، 2012. عرض على: الباحث العلمي من Google
  6. معهد ساس ، تقنيات تصور البيانات، http://smartest-it.com/sites/default/files/Data┠Visualization_SAS.pdf.
  7. دبليو إس كليفلاند و آر ماكجيل ، "النظرية والتجريب والتطبيق لتطوير الأساليب الرسومية ،" مجلة الجمعية الإحصائية الأمريكية، المجلد. 79 ، لا. 387 ، 1984. عرض في: الباحث العلمي من Google
  8. C. Ahlberg و B. Shneiderman ، "البحث عن المعلومات المرئية: اقتران محكم لفلاتر الاستعلام الديناميكي مع عروض starfield" ، في وقائع مؤتمر SIGCHI حول العوامل البشرية في أنظمة الحوسبة (SIGCHI '94)، الصفحات من 313 إلى 317 ، أبريل 1994. عرض على: الباحث العلمي من Google
  9. سيلاسي ، ب. هيلر ، وجيه هير ، "تجميع الحواف المقسمة لبيانات الشبكة الاتجاهية ،" معاملات IEEE على التصور ورسومات الكمبيوتر، المجلد. 17 ، لا. 12 ، ص 2354-2363 ، 2011. عرض على: موقع الناشر | منحة جوجل
  10. M. Tennekes و E. de Jonge ، "تحليل البيانات من أعلى إلى أسفل باستخدام الخرائط الهيكلية ،" إن وقائع المؤتمر الدولي لنظرية تصور المعلومات وتطبيقاتها (IVAPP '11)، الصفحات من 236 إلى 241 ، آذار (مارس) 2011. عرض على: الباحث العلمي من Google
  11. تصورات Treemap لتحليل مجموعات البيانات الهرمية متعددة الأبعاد ، برنامج Panopticon، http://panopticon.com/images/stories/white_papers/wp_treemap忚ta_visualizations׿or_multi-dimensional忚ta.pdf.
  12. J. Tedesco و A. Sharma و R. Dudko ، "Theius: مجموعة مرئيات متدفقة لمجموعات hadoop ،" في وقائع مؤتمر IEEE الدولي حول الهندسة السحابية، 2013. عرض على: الباحث العلمي من Google
  13. ن. كاوثون و أ.ف.موير ، تأثير الجمالية على قابلية استخدام تصور البيانات، http://web.arch.usyd.edu.au/ߪndrew/publications/iv07b.pdf.
  14. السيرك ، جداول فيس، http://circos.ca/presentations/articles/vis_tables1/.
  15. السيرك ، فوائد التخطيط الدائري، http://circos.ca/intro/circular׺pproach/.
  16. بي هوك ، "مخططات القوس المتوازي: تصور التفاعلات الزمنية ،" مجلة الهيكل الاجتماعي، المجلد. 12 ، لا. 7 ، 2011. عرض على: الباحث العلمي من Google
  17. S. قليل ، تحليل متعدد المتغيرات باستخدام الإحداثيات المتوازية، http://www.perceptualedge.com/articles/b-eye/parallel׼oordinates.pdf.
  18. يوهانسون ، سي فورسيل ، إم ليند ، وم. كوبر ، "إدراك الأنماط في الإحداثيات المتوازية: تحديد العتبات لتحديد العلاقات ،" معاملات IEEE على التصور ورسومات الكمبيوتر، المجلد. 7 ، لا. 2، pp.152–162، 2008. View at: Google Scholar
  19. R. Edsall ، "مؤامرة الإحداثيات الديناميكية المتوازية: تصور البيانات الجغرافية متعددة المتغيرات ،" في وقائع المؤتمر التاسع عشر للجمعية الدولية لرسم الخرائط، Ottawa، Canada، 1999. View at: Google Scholar
  20. L. Byron و M. Wattenberg ، "Stacked Graphs & # x2014geometry & # x26 aesthetics ،" معاملات IEEE على التصور ورسومات الكمبيوتر، المجلد. 14 ، لا. 6، pp. 1245–1252، 2008. عرض على: موقع الناشر | منحة جوجل
  21. T. -Y. لي ، سي. جونز ، بي-واي. تشين و ك. Ma ، "تصور اتجاه البيانات والعلاقة لاستكشاف المعرفة" في وقائع ملصق IEEE Pacific Visualization، 2010. عرض على: الباحث العلمي من Google

حقوق النشر

حقوق النشر & # xa9 2013 Evgeniy Yur & # x2019evich Gorodov و Vasiliy Vasil & # x2019evich Gubarev. هذا مقال مفتوح الوصول يتم توزيعه بموجب ترخيص Creative Commons Attribution License ، والذي يسمح بالاستخدام غير المقيد والتوزيع والاستنساخ في أي وسيط ، بشرط الاستشهاد بالعمل الأصلي بشكل صحيح.


أفضل 18 عرضًا مرئيًا للبيانات لدينا

الآن بعد أن حددنا الفوائد الواضحة للعرض المرئي ، دعنا نستكشف أفضل 18 مثالاً لتصور البيانات لدينا من الخبراء حول العالم.

1) منظمة الشفافية الدولية

سيكون أول أمثلة تصور البيانات التفاعلية هو هذا الرسم التخطيطي التفاعلي البسيط والنظيف الذي يعرض نتائج بيانات مسح الفساد لمنظمة الشفافية الدولية. اللون الأحمر الغامق يجعل النتائج تظهر على الفور. يستخدم هذا التصور الرموز بدلاً من الكلمات للتواصل مع القطاعات المختلفة المدرجة في الاستطلاع ، مما يجعل العرض التقديمي جذابًا للغاية. تُظهر منظمة الشفافية الدولية للمشاهد العلاقات بين الموقع الجغرافي للبلد ونوع الفساد ، تاركة للجمهور استخلاص استنتاجاتهم الخاصة.

2) أكبر المفردات في الهيب هوب

لقد واجهنا صعوبة في تقريب قائمتنا. بدلاً من البحث عن أكثر المفردات فائدةً ، اخترنا الأكثر إثارة للاهتمام: أكبر مفردات مات دانيال في موسيقى الهيب هوب.يشرح مات قائلاً: "تحب النخب الأدبية إعادة تمثيل مفردات شكسبير: في جميع أجزاء مجموعته ، يستخدم 28829 كلمة ، مما يشير إلى أنه يعرف أكثر من 100000 كلمة ويمكن القول أنه يمتلك أكبر عدد من المفردات على الإطلاق. قررت مقارنة نقطة البيانات هذه مع أشهر فناني الهيب هوب. استخدمت أول 35000 أغنية لكل فنان. وبهذه الطريقة ، يمكن مقارنة الفنانين غزير الإنتاج ، مثل جاي زي ، بالفنانين الجدد ، مثل دريك ". على الرغم من أن النتيجة قد تفاجئك ، إلا أنها تذكير بأن أداة تصور البيانات الجيدة على الإنترنت تفعل أكثر من مجرد تقديم المعلومات - فهي تحكي قصة.

3) الذات - علم السيلفي

يدرس هذا المشروع الطريقة التي يلتقط بها الأشخاص صورًا ذاتية في أجزاء مختلفة من العالم - تم تحليل أكثر من 120.000 صورة شخصية من برلين أو نيويورك أو بانكوك أو ساو باولو أو موسكو. هل النساء أكثر عرضة لالتقاط صور سيلفي من الرجال؟ بأي نسبة؟ هل يبتسم الناس أم يميلون رؤوسهم أم يقطعون الصورة؟ تمت الإجابة على كل هذه الأسئلة ويتم عرض النتائج في أمثلة تصور بيانات تفاعلية جيدة الصنع. جعل تعقيد الدراسة والأفكار التي تم العثور عليها تحديًا حقيقيًا لكشف النتائج ، والتي تناولوها جيدًا ، مما أدى إلى إنشاء أحد أفضل تصورات البيانات في السنوات الماضية.

4) عدم المساواة في المدارس العامة في مقاطعة بينيلاس للتلاميذ السود

تصور آخر جيد للارتباط بين زيادة الفصل بين المدارس في مقاطعة بينيلاس في فلوريدا والأداء الضعيف للطلاب. يعرض التصور نتائج التحقيق الذي أجرته صحيفة تامبا باي تايمز على أساس البيانات التي جمعتها وزارة التعليم في فلوريدا والمنطقة التعليمية لمقاطعة بينيلاس. النتائج دقيقة وواضحة بشكل لافت للنظر. لقد كشفوا عن خمس مدارس ابتدائية من أصل 150 في مقاطعة بينيلاس حيث أداء الطلاب منخفض بشكل استثنائي. تقع المدارس ضعيفة الأداء في مناطق المجتمعات السوداء مع أعلى مستويات الفصل الاجتماعي. يمكن لهذه الأفكار أن تدفع صناع القرار المحليين والنشطاء الاجتماعيين إلى رعاية أفضل للمؤسسات المتعثرة وإدخال تحسينات. يقوم المستخدمون بالتمرير ، وليس النقر ، لرؤية الرسوم البيانية تتغير واتباع التحقيق خطوة بخطوة. إجراء التمرير هو الإجراء المفضل لدى المستخدمين الجدد وهو مناسب بشكل خاص لمستخدم الهاتف المحمول. على Facebook أو Instagram أو Twitter ، نقوم بالتمرير عبر تدفقات وتدفق المحتوى. يؤدي التمرير إلى جذب المستخدمين لفترة أطول ويجعل من الصعب النظر بعيدًا. ينتقل العرض بسهولة من مخطط إلى مخطط ، مما يسهل متابعة القصة ، ويجعل البيانات نفسها مركزية للعرض على الشاشة. البيانات والنتائج التي تم جمعها معقدة وغزيرة الإنتاج ، مما جعل هذه البيانات تحديًا حقيقيًا ، لكنهم تمكنوا من إدارتها بشكل جيد وسهل الفهم ، لدرجة أننا نعتبرها واحدة من أفضل تصورات البيانات التفاعلية التي صادفناها.

5) التصور الأول للبيانات لحل تهديد مميت

الكوليرا هي عدوى بكتيرية تصيب الأمعاء الدقيقة تجعل ضحاياها يعانون من شدة الإسهال والقيء بحيث يمكن أن يموتوا في غضون ساعتين. إنها قاتلة في نصف الحالات غير المعالجة. عندما وصل المرض إلى لندن عام 1832 ، كان يُعتقد أنه ينتشر عن طريق "مستنقع" أو رائحة كريهة في الغلاف الجوي. كانت هناك أربع حالات تفشي كبرى للكوليرا في لندن على مدار الإثنين والعشرين عامًا التالية.

خلال الوباء الرابع بدأ الدكتور جون سنو يعتقد أن حجة تلوث الهواء بدت واهية. كان سكان لندن يحصلون على مياه الشرب من نهر التايمز الملوث بشكل مثير للاشمئزاز ، والذي كان أيضًا بمثابة خط الصرف الصحي في المدينة. افترض الدكتور سنو أن الكوليرا انتشرت من خلال تناول المياه الملوثة. في الحادي والثلاثين من أغسطس عام 1854 ، اندلع ما أسماه الدكتور سنو لاحقًا "أفظع تفشي للكوليرا حدث في المملكة". كان عنيفًا كما كان مفاجئًا. خلال الأيام الثلاثة التالية ، توفي 127 شخصًا يعيشون في شارع برود ستريت أو حوله ".

شرع الدكتور سنو في تعقب مكان وفاة الناس ومصادر المياه القريبة. لم تحل خريطته مصدر الكوليرا فحسب ، بل هي واحدة من أولى التصورات (والأكثر شهرة). وضع الدكتور سنو ببساطة نقطة على الخريطة للإشارة إلى مكان وفاة الأشخاص بسبب الكوليرا. وجد أن جميع الوفيات تقريبًا حدثت على مسافة قصيرة من مضخة مياه Broad Street. تم اكتشاف أن "المنازل القريبة من مضخة أخرى ، لم يكن هناك سوى 10 وفيات - ومن هؤلاء ، كان خمسة ضحايا دائمًا يشربون الماء من مضخة شارع برود ، وثلاثة كانوا من تلاميذ المدارس الذين ربما شربوا من المضخة في طريقهم إلى مدرسة." كان هناك العديد من الحالات الشاذة الأخرى التي ساعدت في إثبات نظريته. كانت هناك مضخة قريبة حيث أصيب خمسة فقط من أصل 530 من السكان بالكوليرا - اتضح أن لديهم بئرًا خاصًا بهم. نجح السبعون موظفًا في مصنع جعة قريب من اجتياز الوباء دون أن يصابوا بأذى ، وقد حصلوا على بيرة مجانية ولم يكلفوا أنفسهم عناء شرب الماء. وصلت القطعة الأخيرة من اللغز عندما تم تنبيه الدكتور سنو بوفاة امرأة لم تكن في منطقة SoHo. عندما أخبره ابن المرأة المتوفاة أن والدته تحب طعم مياه بئر شارع برود لدرجة أن لديها خادمًا يجلبها كل يوم ، كان يعلم أن فرضيته قد تم إثباتها. سيستغرق الأمر سنوات حتى يصدقه باقي سكان لندن.

6) Worldshapin

Worldshapin هي واحدة من أكثر التصورات التفاعلية للبيانات الفريدة في العالم. يأخذ مُنشئ لوحة المعلومات هذا العديد من عوامل التطوير لبلدان مختلفة ويقارنها بطريقة غريبة ولكنها مثيرة للاهتمام. يمكن معالجة الأشكال المرمزة بالألوان على الشاشة عن طريق سحب المؤشر عبر مخطط زمني ، مما يمثل بصريًا التغييرات التي شهدتها البلدان أو المناطق الجغرافية المختلفة بمرور الوقت. هذا الرسم البياني سهل الاستخدام ثاقب ويعرض البيانات بطريقة جديدة ، مما يتيح للمستخدم تصور التباين بين البلدان من خلال التفاعل.

7) حيث ينمو سكان أوروبا وينخفضون

من بين العديد من أمثلة التصور التفاعلي للبيانات التي اخترناها ، يعد هذا المثال مثيرًا للاهتمام عندما يتعلق الأمر بالكم الهائل من البيانات التي يتعامل معها. EuropaKarte من Berliner Morgenpost عبارة عن خريطة مفصلة توفر للمشاهدين رؤى تفصيلية حول النمو السكاني والانحدار في أوروبا. تنقسم البلدان إلى حقول تقابل المواقع الجغرافية مثل المدن ، أو حتى القرى التي يقل عدد سكانها عن 5.000 نسمة. تختلف الحقول في الألوان وكثافتها ، حيث يرمز اللون البرتقالي النابض بالحياة إلى أكبر نمو والأزرق الداكن أكبر انخفاض. الأبيض يعني عدم وجود تغيير. عند تحريك المؤشر فوق حقل جغرافي محدد ، سترى نافذة منبثقة تحتوي على بيانات تتضمن اسم الوحدة وعدد السكان ومعدل النمو / الانخفاض. يمكنك أيضًا كتابة اسم الموقع الذي يثير اهتمامك في مربع البحث والعثور عليه بسهولة. علاوة على ذلك ، يمكنك استخدام أحد الفلاتر لمعرفة البلديات التي تنمو / تنخفض بأسرع وتيرة في أوروبا أو ألمانيا أو لعرض قائمة البلدان ذات النمو السكاني الأسرع / المتناقص إجمالاً. سيعرض الفلتر الأخير معدلات المواليد لكل دولة مدرجة بترتيب تنازلي. يتناسب مخطط المعلومات الرسومي التفاعلي هذا بشكل مباشر مع الاتجاه الحالي لتصورات الخرائط الجغرافية ، التي يقدمها datapine وبعض موفري برامج التحليلات المرئية الآخرين.

8) خريطة الأخبار

هل أنت مدمن للأخبار؟ ينظم هذا التطبيق أهم الأخبار في أخبار Google في مجموعات فئات مرمزة بالألوان. يعتمد حجم كل خبر على عدد المقالات ذات الصلة الموجودة داخل كل مجموعة أخبار ، بحيث يمكن للمستخدمين التعرف بسرعة على الأخبار التي تتلقى أكبر قدر من التغطية. يمكن للمستخدمين أيضًا تصفية أخبارهم حسب البلد والفئة ، مما يسهل العثور على القصص التي تهمك.

9) خريطة تفاعلية في الوقت الفعلي لحركة مرور برلين

مثال آخر جيد لتصور البيانات في الوقت الفعلي يوضح موقع وحركة القطارات والترام والحافلات وحتى العبارات في الوقت الفعلي. إذا كنت تريد إلقاء نظرة على المدينة بأكملها ، من مسافة أطول ، فلن تكون الخريطة ذات فائدة كبيرة. سترى العشرات من العلامات تتجمع مثل النمل الغاضب. لتقدير فائدة هذه الخريطة تمامًا ، يجب عليك استخدام أحد المرشحات - يمكنك التنقل لأسفل إلى عنوان الشارع أو وسائل الاتصال أو الخطوط أو المحطات أو المحطات للحصول على صورة أوضح. علاوة على ذلك ، إذا قمت بالتكبير ، يمكن أن تعرض الخريطة أيضًا سيارات الأجرة ومشاركة السيارات ومشاركة الدراجات ومواقف السيارات. إذا كنت لا تزال غير معجب ، انقر فوق الرموز. إذا نقرت على P في ساحة الانتظار ، فستظهر النافذة المنبثقة بمعلومات أكثر تفصيلاً مثل عدد الأماكن الشاغرة أو السعر. من ناحية أخرى ، إذا نقرت ، قل سيارة أجرة ، فسترى السيارة تصنع ، وبناءً عليه: حافلة - الجدول الزمني بأكمله ، ونفس الشيء بالنسبة لمحطة الحافلات - الجدول الزمني لكل خط حافلة يتوقف هناك. وفقًا لـ VBB (Verkehrsverbund Berlin-Brandenburg) ، وهي هيئة النقل العام التي تغطي ولايتي برلين وبراندنبورغ الفيدراليتين ، فإن التصور لا يعكس موقع الحافلة بدقة 100 ٪ ، لأن البيانات لا تأتي من GPS ، ولكن يتم حسابها حسب الجداول الزمنية. لذلك يمكن أن يحدث أن ينتظر المستخدم ، ويتجمد في محطة القطار ، ويتوقع وصول القطار ، لكنه لن يظهر. ومع ذلك ، إذا حدث إلغاء القطار أو حدث تأخير كبير ، فسيتم إخراجه من النظام. تكمن القيمة المضافة لهذا النوع من الجدول الزمني في أنه يمكن أن يعرض معلومات متعددة في لمح البصر ، بحيث يمكنك تحديد وسيلة النقل التي تناسبك أكثر. العيب الوحيد: تطبيق الهاتف المحمول متاح حتى الآن فقط لأنظمة Android.

10) جدار الفجر

The Dawn Wall هو أفضل تصور تفاعلي للبيانات في New York Times عن التسلق المذهل المجاني لمدة 19 يومًا في حديقة Yosemite الوطنية في كاليفورنيا. كان تومي كالدويل وكيفن جورجزون أول المتسابقين المتهورين على الإطلاق الذين أكملوا تسلقًا خلابًا على وجه إل كابيتان المصنوع من الجرانيت الأملس في الغالب ، والذي يُعتبر على نطاق واسع أصعب تسلق مجاني في العالم. التسلق الحر يعني أن الحبال تستخدم فقط للإمساك بسقوط المتسلق - وليس للمساعدة في الصعود. يكمل التصور القصة ، وينسج بشكل عضوي في السرد ويساعد المستخدم على تصور حجم هذا المشروع.

11) جنرال إلكتريك

بينما تبدو هذه المعلومات الصحية للوهلة الأولى ساحقة ، ستظهر نظرة ثانية أنها تستحق فضل المعلومات التي تقدمها ، مما يجعلها واحدة من أكثر أمثلة تصور البيانات فعالية التي رأيناها حتى الآن. من خلال جمع البيانات من أكثر من 7.2 مليون سجل طبي إلكتروني ، أنشأت شركة جنرال إلكتريك عرضًا ترفيهيًا حول انتشار الأعراض الصحية والأعراض المرتبطة بشكل شائع مع بعضها البعض. مع الألوان المبهجة والطرق المتعددة لعرض العلاقات ، فإن هذا يجعل النظر إلى الأعراض غير السارة أمرًا ممتعًا للغاية.

12) مؤشر بيج ماك

يقارن مؤشر Big Mac ، الذي اشتهرت به مجلة The Economist ، أسعار برجر بيج ماك في مطاعم ماكدونالدز في بلدان مختلفة. لماذا هذا المنتج بالذات؟ يمثل برجر بيج ماك منتجًا موحدًا يتضمن تكاليف المدخلات من مختلف المجالات ، مثل السلع الزراعية (لحم البقر والخبز والخس والجبن) والعمالة (العمال ذوي الياقات الزرقاء والبيضاء) والإعلان وتكاليف الإيجار والعقارات والنقل وما إلى ذلك ، وبالتالي فهو يمثل الحالة العامة للاقتصاد المحلي.

مؤشر Big Mac هو مثال لتصور البيانات في الوقت الفعلي يوضح ما إذا كانت العملات في مستواها "الصحيح". يقوم على نظرية تعادل القوة الشرائية (PPP) ، الفكرة القائلة بأن أسعار الصرف على المدى الطويل يجب أن تتحرك نحو السعر الذي من شأنه أن يعادل أسعار سلة متطابقة من السلع والخدمات (في هذه الحالة ، برغر) في أي دولتين. على سبيل المثال ، متوسط ​​سعر بيج ماك في منطقة اليورو في يوليو 2015 كان 4.05 دولارًا بسعر صرف السوق ، بينما في الولايات المتحدة كان 4.79 دولارًا. هذا يعني أن بيج ماك في أوروبا كان أقل من قيمته الحقيقية بنسبة 4.4٪.

يعرض الرسم البياني المبعثر في الأسفل السعر المحلي لـ Big Mac (معبرًا عنه بالعملة الأساسية الحالية) مقابل الناتج المحلي الإجمالي للفرد في ذلك البلد. عند تحريك المؤشر فوق نقاط البيانات الفردية للحصول على التفاصيل ، سترى معلومات مثل الناتج المحلي الإجمالي للفرد وسعر بيج ماك بالعملة المختارة. عند النقر فوق بلد معين على الخريطة ، سيتم استبدال المخطط المبعثر بمخطط خطي يعرض التقييم المنخفض أو المفرط للبلد المحدد مقابل العملة الأساسية الحالية بمرور الوقت.

13) Daily Rituals يعرض الروتين اليومي للأشخاص المشهورين

اتضح أن جميع العقول العظيمة لا تفكر على حد سواء تمامًا ، وقد تم عرض هذا ببراعة في هذا المثال الذي يستخدم الأفكار الرئيسية من كتاب "Daily Rituals" بواسطة Mason Currey. تقدم للجمهور انعكاسًا تفصيليًا للعادات والطقوس والمهام والأولويات اليومية لبعض العقول الأكثر إبداعًا في التاريخ ، بما في ذلك أمثال بنجامين فرانكلين ومايا أنجيلو وفرانز كافكا ، تعد Daily Routines واحدة من أكثر الأمثلة المسلية لتصور البيانات. في قائمتنا.

باستخدام تنسيق مخطط شريطي بسيط مرمز بالألوان ، يسهل منشئ Daily Routines على الأشخاص مقارنة الحياة اليومية والعادات وطقوس هؤلاء العباقرة المبدعين البارزين والتنقيب في الأنشطة التي تساعد هؤلاء الأفراد على الازدهار أثناء حياتهم مدى الحياة عند المقارنة بين أحدهما الآخر.

إنها بسيطة ، وملفتة للنظر ، وفعالة ، ومعلوماتية ، وهذا بالتأكيد أحد أفضل الأمثلة المرئية للبيانات الموجودة ، ورسالتها جذابة بقدر ما هي معلوماتية ، وتقدم رؤى أساسية لتحسين روتيننا اليومي لتحسين النجاح.

14) تصور لرحلات عيد الشكر على Google Trends

عيد الشكر هو بلا شك أحد أكثر العطلات السنوية التي يتم الاحتفال بها على نطاق واسع في الولايات المتحدة ، حيث يسافر 54.3 مليون شخص في جميع أنحاء البلاد لقضاء بعض الوقت مع أحبائهم العام الماضي وحده.

في عام 2015 ، عندما سافر حوالي 46.3 مليون شخص بعيدًا وفي جميع أنحاء العالم للاحتفال بعيد الشكر ، استخدمت التكنولوجيا العملاقة في Google موهبتها الداخلية لإنشاء أحد أفضل أمثلة تصور البيانات التفاعلية التي رأيناها حتى الآن. بدعم من Google Trends ، يقدم هذا المحتوى التفاعلي المذهل من الناحية الجمالية لمحة عن الرحلات الجوية المتجهة من الولايات المتحدة الأمريكية وإليها وعبرها في اليوم السابق ليوم عيد الشكر. لا تقوم شركة الطيران فقط بترميز كل رحلة بالألوان ، ولكن هذا التصور القصير على غرار الفيلم قد حول المقاييس المستندة إلى الرحلة إلى قطعة فنية تُظهر مسار كل رحلة في العمل.

بدون عرض أي أرقام أو مقاييس رحلات غير الوقت ، يمكن للمشاهدين معرفة أي أجزاء اليوم هي الأكثر شيوعًا لأنواع مختلفة من الرحلات الجوية - وهذا دليل على قيمة التصور الفعال للبيانات.

15) نظرة ثاقبة حول "لماذا مجموعة الحافلات"

عند التفكير في أفضل تصور تفاعلي للبيانات ، سيكون من المستحيل استبعاد هذا الإنشاء من Setosa. في محاولة لإظهار للمسافرين سبب `` مجموعة '' الحافلات ، أو بعبارة أخرى - لماذا تواجه الخدمات تأخيرات أو اضطرابات تؤدي إلى وصول العديد من الحافلات إلى محطة حافلات في وقت واحد ، طورت الشركة هذه القطعة الشبيهة باللعبة لتصور البيانات التفاعلية وتتألف من مجموعات البيانات المعقدة.

عند إدراك أن سرد القصة بالأرقام سيكون فوضويًا وبعيدًا عن التفاعل ، وضع Setosa العجلات في الحركة لإنتاج صورة مرئية تستخدم البيانات لمنح المستخدمين فرصة للتسبب في التأخير ومشاهدة السيناريوهات تتكشف أثناء اكتساب نظرة ثاقبة على عدد يتأثر الركاب بالاضطرابات.

مثال رائع للمقاييس العددية التي تحولت إلى شيء يمكن الوصول إليه وجذاب ومفيد للجميع.

16) المكان الذي يناسبك من الطيف السياسي

مثال مرئي للبيانات جدير بالملاحظة من مركز بيو للأبحاث, يعرض هذا الرسم الثابت الذي تم تقديمه ببراعة الطيف السياسي الحالي ويساعد القارئ على تحديد المكان المناسب لأيديولوجياته الشخصية مقارنة بالأفكار والآراء والتفضيلات الخاصة بمختلف وسائل الإعلام والبرامج والمنشورات.

لا يقتصر الأمر على المظهر المرئي على غرار الجدول الأنيق والمهني وسهل الفهم ، فهو يتطلب مجموعة محددة من المقاييس ويوفر قدرًا كبيرًا من القيمة الشخصية من خلال السماح للمستخدم بتحديد مكان تكمن معتقداته مقارنةً بالآخرين.

17) رسومات اللغات العالمية لتصميمات الكثافة

يقدم هذا الرسم المثير من Density Design ، قبل الأخير من أفضل تصورات البيانات لدينا ، طريقة سريعة وسهلة وجذابة لفهم عدد اللغات الموجودة على الكوكب ، وأين يتم التحدث بها ، ومن يتحدث بها في جيوب مختلفة من العالم. العالمية.

تم إنتاج مثال تصور البيانات هذا لغير اللغويين ، وهو سهل التنقل وبسيط في التحليل. إنه يقدم مستوى من الرؤى التي تلهم وتعلم وتعمل كمورد مفيد بشكل لا يصدق لأولئك الذين يبحثون عن اللغات في عدد من المجالات والصناعات. عمل رائع ومبدع من التصور.

18) تشارلز جوزيف مينارد ، غزو نابليون لروسيا

في النقطة الأخيرة من ملخصنا لأفضل تصورات البيانات ، سنعود بالزمن إلى الوراء لإلقاء نظرة على غزو نابليون لروسيا. صاغه المهندس المدني تشارلز جوزيف مينارد في عام 1892 ، ربما يكون هذا أقدم مثال على تصور البيانات المسجلة ولا يزال أحد أفضل التصورات حتى الآن.

لا يقدم هذا التصور بأسلوب الرسم البياني فقط رؤى حيوية بتنسيق سهل الهضم ، ولكن هذا المثال التصور الفعال للبيانات القديمة والفعالة يثبت أننا كبشر مخلوقات بصرية حقًا. ينظر الكثيرون إلى الصورة المرئية الرائدة على أنها "أعظم رسم إحصائي تم رسمه على الإطلاق" وعلى الرغم من أن مثل هذا البيان شخصي ، إلا أنه ليس أقل من مصدر إلهام.

من خلال الجمع بين ست مجموعات بيانات مختلفة - الجغرافيا ، والحركة الإستراتيجية ، والاتجاه ، وعدد الجنود المتبقين ، ودرجة الحرارة ، والوقت - يقدم هذا التصور الأيقوني نظرة ثاقبة على اندفاع نابليون إلى روسيا ، مما يخلد لحظة تاريخية مهمة في الوقت المناسب لاستكشاف الأجيال القادمة.


ملخص

تم تحديد الواقع الافتراضي (VR) على أنه نهج واعد لتمثيل التطبيقات الجغرافية التفاعلية. يستفيد تصور الفضاء الجغرافي من العديد من التطورات المتعلقة بتقدم البرامج وزيادة توافر البيانات الجغرافية المكانية. بالإضافة إلى ذلك ، تدعم تقنيات الويب الاتصال وتبادل البيانات على مستوى العالم. يتيح التوافر المتزايد لموارد البيانات المكانية لرسامي الخرائط إنشاء نماذج متقدمة ومفصلة للواقع المكاني. كما أنه يدعم عرض منظور متعدد في بيئات ثلاثية الأبعاد. يمكن تصور البيانات الجغرافية المكانية المفتوحة من مختلف المصادر الرسمية والقائمة على VGI وإدراكها من منظور أناني غامر. ومع ذلك ، فإن العديد من تنسيقات الملفات المستخدمة للبيانات الجغرافية المكانية لا تدعمها محركات الألعاب مثل Unity. لذلك ، قدمنا ​​بعض الأمثلة حول كيفية نقل البيانات الجغرافية المكانية العامة والقائمة على VGI إلى تنسيقات ملفات متوافقة مع محركات الألعاب الحالية. تم تحديد ومناقشة اختلافات جودة البيانات التي تؤثر على غمر التمثيل المكاني ثلاثي الأبعاد الناتج. ومع ذلك ، فإن الانغماس في تطبيق VR الجغرافي لا يعتمد فقط على جودة البيانات الجغرافية المكانية المستخدمة ، ولكن أيضًا على خصائص الأجهزة.لذلك ، تمت مناقشة معايير مهمة لغمر VR HMD ومقارنتها بين VR HMDs الشعبية. بالنظر إلى هذه المعايير ، يمكن أن تساعد خصائص مصادر البيانات الجغرافية المكانية وتوافقها مع محرك اللعبة الجغرافيين والمخططين على إنشاء تطبيقات VR غامرة تهدف إلى التصور الجغرافي والمحاكاة والبحث المكاني.


شاهد الفيديو: 11- مبادئ الرسم ثلاثي الأبعاد وأساليبه المختلفة - ArtCAM 20083D