Vairāk

Rastrēt vektoru, vienlaikus pielāgojot apjomu un izšķirtspēju atsauces rastram?

Rastrēt vektoru, vienlaikus pielāgojot apjomu un izšķirtspēju atsauces rastram?


Man ir vektora fails, kuru vēlos rastrēt un pielāgot tā izšķirtspēju atsauces kartei QGIS.

ES mēģinājuspatial_sync_rasterfunkcija R, lai visus rastrus iestatītu tādā pašā izšķirtspējā kā atsauces rastra slānis. Tas strādāja, bet rezultāts nebija tik labs, kā gaidīts, jo rezultāti bija atšķirīgi (skatīt piemērus zemāk).

Es vēlos iestatīt izšķirtspēju "u" kā "g".

u klase: RasterLayer izmēri: 130, 228, 29640 (nrow, ncol, ncell) izšķirtspēja: 0.01213899, 0.01213899 (x, y) apjoms: 12.111, 14.87869, 51.68928, 53.26734 (xmin, xmax, ymin, ymax) koord. ref. : +proj = longlat +datum = WGS84 +no_defs +ellps = WGS84 +towgs84 = 0,0,0 g klase: Rastra slāņa izmēri: 189, 332, 62748 (nrow, ncol, ncell) izšķirtspēja: 0.008333333, 0.008333333 (x, y ) apjoms: 12.10837, 14.87503, 51.7, 53.275 (xmin, xmax, ymin, ymax)

Vai kāds zina, kā pielāgot izšķirtspēju, vienlaikus rastrējot vektora failu?


IzmantojietRastrēt (no vektora līdz rastram)rīks QGIS. Atveriet Raster -> Conversion -> Rasterize. Pieņemot, ka jūsu vektora fails un atsauces rastrs (g) atrodas vienā koordinātu atsauces sistēmā (DRS), rīkojieties šādi:

  1. Pārlūkojiet ievades failu (shapefile).
  2. Definējiet, kurš atribūts no formas faila jāpiešķir rastra šūnās.
  3. Izvēlieties izejas rastra ceļu un nosaukumu.
  4. Definējiet rastra lielumu pikseļos. Tas būs vienāds arnrowunncolno atsauces rastra.
  5. Noklikšķiniet uz rediģēšanas pogas, lai mainītugdal_rasterizekomandrinda. Pievienojiet argumentu-teiekļaut:xmin,ymin,xmaxunymaxvērtības. Šādu vērtību kopēšana no atsauces rastra:-te 12.10837, 51.7, 14.87503, 53.275

Pēdējā komandrinda būtu šāda:

gdal_rasterize -a atribūta_nosaukums -ts 189 332 -te 12.10837, 51.7, 14.87503, 53.275  

Lai saņemtu papildu palīdzību parametru noteikšanāgdal_rasterizerīks, skatiet šeit.


Rastrizēšanas kļūda: daudzstūra pārveidošana par rasteri rada horizontālas līnijas

Es strādāju ar formas failiem R, kas man jāpārvērš no daudzstūra uz rastru. Lai gan uzzīmējot, vektori izskatās perfekti, pārvēršot tos rastros, izmantojot “rasterizāciju”, tie rada kļūdainas horizontālas līnijas. Šeit ir problēmas piemērs:

Šeit ir vispārējs mana izmantotā koda piemērs (žēl, ka nevaru augšupielādēt datus, jo tie ir patentēti):

Šķiet, ka tā ir problēma ar avota datiem vai rastra funkciju? Vai kāds ir redzējis šāda veida kļūdu? Paldies par jebkuru padomu, ko varat sniegt.


Nokļuvu mājaslapā pēc kopienas un#9830 vakar

Uz šo jautājumu ir atbildes, kas var būt labas vai sliktas, un sistēma ir atzīmējusi to kā aktīvu, lai tos varētu pārskatīt.

Man ir upes vektora fails.
Gribu rasterizēt, lai upe būtu 2 pikseļus plata.
Kā to panākt QGIS 3.2.3?

Mēģinot rastra veidā izmantot vektoru, tiek parādīts šāds un fails netiek izveidots:

GDAL komanda:
gdal_rasterize -l Uoma10 -burn 0.0 -ts 0.0 0.0 -a_nodata 0.0 -te 413885.10813709395 6754403.012272906 678750.4296324956 6909638.055526119 -ot Float32 -of GTiff C: UsersvvarisDesktopUomaUisas.sp
GDAL komandu izvade:
KĻŪDA 1: Nepareiza parametra -outize vērtība.

Lietošana: gdal_rasterize [-b band]* [-i] [-at]

[-l layname]* [-kur izteiksme] [-sql select_statement]

[-dialekta dialekts] [-formātā] [-a_srs srs_def]

[-co "NAME = VALUE"]* [-a_nodata value] [-init value]*

[-te xmin ymin xmax ymax] [-tr xres yres] [-tap] [-ts platuma augstums]

Izpilde pabeigta 0,13 sekundēs
Rezultāti:

Notiek iegūto slāņu ielāde
Algoritms 'Rasterizēt (no vektora līdz rastram)' ir pabeigts


Ja jūsu rastrs ir pareizi izlīdzināts (vienāds ncol, nrow, apjoms, izcelsme, izšķirtspēja), varat mēģināt noteikt iegūstamos "šūnu numurus", apskatot pirmo failu un pēc tam iegūstot, pamatojoties uz tiem. Tas varētu paātrināt apstrādi, jo rastram nav jāaprēķina, kuras šūnas iegūt. Kaut kas tamlīdzīgs:

Ņemiet vērā, ka rezultātu saglabāšanai es izmantoju arī sarakstu, lai izvairītos no vektora “audzēšanas”, kas parasti ir izšķērdīgi.

Alternatīvi, kā ierosināja @qdread, varat izveidot rasterStack, izmantojot raster :: stack (rasters2014, quick = TRUE), un izsaukt izvilkumu virs kaudzes, lai izvairītos no for loop. Nezinu, kurš būtu ātrāks.

Ja jūsu daudzstūri nepārklājas (un vairumā gadījumu tie nesakrīt), ir alternatīvs ceļš

PS: Ātrāks ir jaukāks, bet es ieteiktu paēst pusdienas, kamēr tas darbojas.


2 atbildes 2

Man radās tieši šī problēma, palaižot rastraizēšanas iekārtu klasterī R.

Visi testi strādāja perfekti, bet, kad es palielināju līdz ļoti lieliem un smalkām izšķirtspējām, es atkārtoti saņēmu kļūdas attiecībā uz temp failiem, kurus es pat nevarēju atrast savā datorā. Saraksta objekts, kas man bija jāapvieno un jāraksta kā 1 rastrs, atradās R, bet es ar to neko nevarēju izdarīt.

Pēc temp failu kataloga noskatīšanās klasteru darbības laikā es pamanīju, ka, aizverot kopu, tiks automātiski izdzēsti visi izveidotie temp faili, tāpēc man bija jāveic apvienošanas un rakstīšanas rastra funkcijas klasterī, pretējā gadījumā tas neizdosies ar ļoti līdzīgu kļūdu tavējais.

Jūs varētu nodot noteiktus failu nosaukumus aprēķināšanai (vai, piemēram, pārklasificēt), un jūsu funkcijai jāatdod šie failu nosaukumi kā vektors, kas jālasa kaudzē:

Bet paskatieties arī? ClusterR - man ir aizdomas, ka tas darbosies ar pārklasificēšanu. No dokumentiem:


Rastrējiet un pārklasificējiet zemes izmantošanu

Mūsu Hub bibliotēku koncepcija ietver priekšroku apgabaliem ar intensīvu dienas satiksmi. Tā būtu komerciāla un institucionāla joma. Ņemot vērā esošo zemes izmantojumu, dzīvojamās platības var būt arī labs konteksts. Citi zemes izmantošanas veidi nav obligāti vēlami vai no tiem jāizvairās. Bet citi, piemēram, atklāts ūdens vai mitrāji, ir pilnībā izslēgti.

Zemes izmantošanas saskaņojamība modelis sākas, pārvēršot daudzstūra iezīmes no MassGIS 1999 zemes izmantošanas slāņa par rastru. Šīs funkcijas pamatā ir objekta atribūta identificēšana, kas noteiks izvades šūnu vērtības. Šajā gadījumā mēs izmantojam vērtības LU21_1999 Jūs varat izpētīt datu vārdnīcu metadatos, kas ir saistīti iepriekš, lai redzētu, kā mēs piešķiram normalizētās vērtības atsevišķām šūnu vērtībām un diapazoniem. Apskatiet funkcijas Feature to Raster šūnas lieluma parametru un palaidiet to un pārbaudiet izvades slāņa atbilstību oriģinālam. Lai iegūtu dziļāku informāciju un diagrammas par šūnu lieluma novērtēšanu kategoriskos un nepārtrauktos rasteros, varat atrast Digitālā pacēluma modeļu apmācībā.

NoData: rada tukšumus

Otra svarīga lieta, kas šeit jāpievērš uzmanība, ir Nav datu vērtību. NoData kartē rada tukšumu, kas ir noderīgs vairāku iemeslu dēļ. NoData vērtību radītie tukšumi pārsniedz jebkuras citas vērtības kartogrāfiskajā modelī. Tātad tie ļauj jums pārstāvēt Absolutelu nē daudzparametriskā pārklājumā.

NoData radītie tukšumi nodrošina arī kontekstu papildu funkcijām, piemēram, Eiklida attālumam vai izmaksu attālumam.


2 atbildes 2

Jūs varat iegūt punktus no TIN, izmantojot Vector- & gtGeometry tools- & gtExtract virsotnes. Es to izmēģināju uz PolylineZ slāņa, un Z vērtības tika saglabātas.

Es domāju, ka sākotnējā trijstūra rastrēšanai labāk būtu izmantot TIN interpolāciju, to varat atrast apstrādes rīklodziņā: QGIS- & gtInterpoation- & gtTIN (vai arī varat izvēlēties citu interpolācijas metodi. Ja vēlaties saglabāt TIN malas kā pārtraukuma līnijas savā modelī nekā 3D daudzstūrus pievienot kā pārtraukuma līnijas.

interpolācijas parametri un rezultāts

290k funkcijas), tas apstājas ar nezināmu izņēmumu.
–  rr5577
18. decembris, pulksten 8:11


Nākotnei - iespējama darbplūsma QGIS & gt = 3.6:

Ievadiet PolygonZM ievadē algoritmu "Izvilkt Z vērtības" un atribūtam iegūstiet pirmās virsotnes Z vērtību (noklusējuma uzvedība), vai atribūtam iegūstiet atvasinātu statistiku, kuras pamatā ir Z vērtības (piemēram, vidējais/mediāna/ min/max z vērtība - algoritmam ir iespējas visiem šiem)

Izvadiet ekstrakta Z vērtību izejas algoritmu Rasterize (no vektora uz rastru). Atlasiet savu jaunizveidoto Z vērtības lauku kā “lauku, kas jāizmanto ierakstīšanas vērtībai”. Notīriet lauku "ierakstāmā vērtība ierakstīšanai". Pēc vēlēšanās aizpildiet izšķirtspējas/apjoma parametrus un palaidiet.

Rezultāts būs rastrs, kas satur z vērtības no sākotnējā PolygonZM ievades vektora.


Iespējamais risinājums

Līdz šim vienīgā metode, ko esmu varējis izdomāt, ir piespiest veidni SpatialPoints objekta ekstrakta vērtībām no sākotnējā, augstākas izšķirtspējas rastra un rezultātu rastrēt ():

Tomēr, ja punkti tiek veidoti rastra šūnu centrā, es neesmu pārliecināts, kā tie tiek apstrādāti, ekstrahējot ar 1,5 reizes lielāku izšķirtspēju nekā sākotnējais rastrs. Mana vēlamā metode būtu izveidot SpatialPolygonsDataFrame un rasterizēt ar fun = mean, bet (pēc manas pieredzes) rastra vērtību iegūšana, izmantojot daudzstūrus, ir ļoti neefektīva.


Kādas ir gudrākās metodes rastra analīzes kvotu skalas palielināšanai?

Sveiki ĢISERI. Es esmu ieinteresēts uzzināt par tipiskām ĢIS analīzēm un to kvotas palielināšanu. Es cerēju, ka varēšu izmest dažus scenārijus un iegūt viedokli par jūsu iecienītākajām metodēm.

Viens no maniem scenārijiem ir vienkāršs, piemēram, DEM paaugstinājuma vaicājums, bet par 80 GB vērtiem datiem. Mans instinkts ir rakstīt skriptu, kas vienlaikus uzņem vienu mazāku rastra datu kopu, veic vaicājumu, uzraksta vektora robežu šim vaicājumam un pēc tam ievada citu rastra datu kopu, lai to sāktu no jauna (saglabājot vektoru datus, ejot līdzi, Galu galā, lai tos apvienotu galīgajā daudzstūra robežā).

Citā scenārijā tiek izmantoti vektoru dati. Ja es vēlos kaut ko līdzīgu rastratizēt vektoru ceļu datu kopu milzīgai teritorijai (kopējais apjoms ir 80 GB), vai būtu jēga katru reizi nogriezt ceļus tādā apjomā, kādu es vēlētos saglabāt?

Cerams, ka ar to ir pietiekami daudz informācijas, lai sāktu sarunu, taču mani ļoti interesē metodes, ko izmanto, lai palielinātu tipisku ĢIS analīzi, jo īpaši tās, kurās tiek izmantots rastra pārklājums. Vai, izmantojot šo koncepciju, labākais veids, kā pārvietoties pa vairākiem mazākiem reģioniem (gan vektoros, gan rastros), lai sasniegtu lielāku rezultātu?

P.S. Mans fons/prognoze ir ar atvērtā avota python ģeotelpisko tātad gdal/ogr un postGIS.

Edit: Paldies par jūsu atbildēm. Atgriežoties pie tā tikai pēc pārtraukuma.

Pēc manas pieredzes es parasti vienkārši izmēģinu, kā tas ir, un redzu, vai mana mašīna to var izturēt. Dažreiz ArcGIS var apstrādāt vairāk nekā 80 GB failus, bet citreiz tas avarē. Ja šķiet, ka tas tā ir, es parasti sadalīju rastru (neesmu pārliecināts par līdzvērtīgu terminu citā programmatūrā), palaižu procesu, izmantojot cilpu caur failiem, un saliku tos kopā.

Ja jūs zināt postgresql/postgis, kāpēc ne tikai darīt visu postgresql/postgis? Tas izceļas ar izcilību.

Es nedomāju, ka Postgis ļoti labi tiek galā ar rasteriem, bet es to izmēģināšu. Mīli postgrīdu par tīri vetoru lietām, bet nezini, kā to ļoti labi sajaukt ar rastra funkcijām.

Ja veicat analīzi ar ļoti lieliem rasteriem, visvienkāršākā metode ir rastra flīzēšana un flīžu apstrāde atsevišķi. Gdal ir arī funkcijas, lai dabūtu pikseļu blokus no rasteriem, ja nevēlaties sadalīt datus flīzēs.

Gdal ir FOSS atbilde, un viss, kas jādara, ir ļoti viegls skripts. Lai gan visaptverošai analīzei jūs varētu izmantot ENVI un IDL skriptu, izklausās, ka jūsu padoms jau ir labs ceļā uz risinājumu, neatkarīgi no tā, vai tas vektorizē vektorus vai otrādi.

Vektoru flīžu apvienošana var būt problemātiska atkarībā no tā, ko jūs meklējat, lai iegūtu gala rezultātu. Vispirms pārbaudiet nelielu paraugu, lai noskaidrotu, kā to izdarīt.

Ja jūsu galapatēriņa gadījums netiek parādīts, vienkārši vaicājiet, es atstāju tos sākotnējos formātos TBH.

Hmm, man ir daudz citu vektoru failu, ar kuriem vēlējos krustot rezultātus. Es sapratu, ka tas būtu vieglāk kā vektors.

80 GB nav tik daudz. Varbūt jums ir nepieciešams apskatīt savu aparatūru. Es regulāri strādāju pie 200-300 gb rasteriem.

Vai esat izpētījis, izmantojot masīvu datu bāzi, Rasdaman vai SciDB?

Tas izskatās galvu, bet tomēr interesanti.

Mani ļoti interesē metodes, ko izmanto, lai palielinātu tipisku ĢIS analīzi, jo īpaši tās, kurās tiek izmantots rastra pārklājums.

GIS analīzes palielināšanas paņēmiens numur viens ir paralēlais aprēķins, izmantojot CPU un GPU paralēlismu, neatkarīgi no tā, vai jūs to darāt lokālajā kastē vai mākonī.

Izmantojiet CPU paralēlo programmatūru, lai ātrāk piekļūtu datu krātuvei un lietojumprogrammu infrastruktūrai.

GPU paralēlais aprēķins lielākajai daļai faktisko algoritmu un darba.

CPU paralēlisms pat ar dažiem kodoliem lieliski palīdz paātrināt vektoru darbu, savukārt masveida paralēlais aprēķins ar GPU ir lieliski piemērots rastra analīzei. Ja jūsu analītika ietver vektoru un rastra sajaukumu, vislabāk ir izmantot paralēlu programmatūru, kas vienmērīgi var sajaukt CPU un GPU paralēlismu.

Ja GPU ir cieši savienots CPU paralēlajā sistēmā, jūs bieži vien dažu minūšu laikā varat paveikt to, kas var ilgt stundas paralēlā programmatūrā. Faktori no 50 līdz 200 paātrina nav nekas neparasts.

Jums pat nav jālauž banka, nomājot mākoņa laiku. Šobrīd 150 ASV dolāru GPU karte nodrošinās tūkstošiem GPU kodolu un uzlabos mākoņu konfigurācijas, kas padarīs jūsu kredītkarti kraukšķīgu. Lielākajā daļā noklusējuma plaša patēriņa datoru jau ir astoņi CPU hiperkrāsi un GPGPU spējīgs GPU, kas īsā laikā pārvarēs tikai 80 GB. Nav nepieciešams iegādāties neko papildus.

Lai cik tas būtu izcili, GDAL/OGR diemžēl nav laba izvēle GPGPU darbam. Atkarībā no jūsu programmēšanas prasmēm jūs varētu izmantot FOSS (daudz GPGPU avota koda) vai komerciālu produktu. Pagaidām vēl nav ideālu risinājumu, lai gan daži produkti ir tuvu, un, manuprāt, 2019. gadā jūs redzēsit vēl daudzas citas iespējas bez maksas.


Mērogs un vispārinājums ir divi būtiski, saistīti jēdzieni ģeotelpiskajos datos. Mērogam ir vairākas nozīmes atkarībā no konteksta gan ģeogrāfiskās informācijas zinātnē, gan citās disciplīnās. Parasti tas attiecas uz relatīvajām proporcijām starp objektiem reālajā pasaulē un to attēlojumiem. Vispārināšana ir ģeotelpisko datu detaļu modificēšana, parasti to samazinot. To bieži izraisa nepieciešamība attēlot datus ar rupju izšķirtspēju, kas parasti ir reprezentācijas skalas samazināšanas sekas. Lai panāktu vispārinājumu, var izmantot vairākus aprēķinus un grafiskās modulācijas procesus, katrs ieviešot lielāku datu abstrakciju, to simbolizāciju vai abus.

Raposo, P. (2017). Mērogs un vispārināšana. Ģeogrāfiskās informācijas zinātne un tehnoloģiju tehnoloģija (2017. gada 4. ceturkšņa izdevums), Džons P. Vilsons (red.). DOI: 10.22224/gistbok/2017.4.3

Šis ieraksts tika publicēts 2017. gada 12. oktobrī.

Šī tēma ir pieejama arī šādos izdevumos:

DiBiase, D., DeMers, M., Johnson, A., Kemp, K., Luck, A. T., Plewe, B. un Wentz, E. (2006). Mērogs un vispārinājums. Ģeogrāfiskās informācijas zinātne un tehnoloģiju tehnoloģija. Vašingtona, ASV: Amerikas ģeogrāfu asociācija. (2016. gada 2. ceturksnis, pirmais digitālais).

DiBiase, D., DeMers, M., Johnson, A., Kemp, K., Luck, A. T., Plewe, B. un Wentz, E. (2006). Datu ieguve: klasifikācija, atlase un vispārināšana. Ģeogrāfiskās informācijas zinātne un tehnoloģiju tehnoloģija. Vašingtona, ASV: Amerikas ģeogrāfu asociācija. (2016. gada 2. ceturksnis, pirmais digitālais).

apjomā: Apgabals vai attālums reālajā telpā, kurā pastāv kāda ģeogrāfiska vienība. Kartogrāfijā un ĢIS attēlojuma apjoms ir reālās pārstāvētās telpas lielums.

vispārinājums: Ģeotelpisko datu ieguves un pārveidošanas procesi, lai samazinātu to detalizāciju un radītu versijas, kurās tiek saglabāti tikai to galvenie, kopējie vai galvenie komponenti vai formas.

Modificējamas teritoriālās vienības problēma: Problēma, kas rodas apkopotu datu prezentācijā vai analīzē, ja vienas un tās pašas procedūras ar vieniem un tiem pašiem datiem atšķiras aprēķinātajos rezultātos, ja datu apkopošanas shēma ir atšķirīga. MAUP izraisa gan agregātu vienību lieluma maiņa, gan to robežu maiņa. Tie ir attiecīgi mēroga un zonas efekti.

daudzkārtēja pārstāvība: Prakse ģenerēt dažādus reprezentatīvus simbolus vai datu objektus jebkuram kartētam objektam, parasti paredzot variantus dažādām kartēšanas skalām un izšķirtspējām.

operators: Vienots, atomu telpisko datu vispārināšanas process, kas bieži vien ir paredzēts, lai pārveidotu noteikta veida ģeometrijas, piemēram, līnijas vai punktus. Operatori bieži tiek apvienoti secīgi vai paralēli efektu vispārināšanai.

parametrs: Mainīgais, parasti lietotāja iestatīts, kas nosaka algoritma pielietošanas pakāpi. Vispārināšanas algoritmos parametri (kurus dažreiz sauc arī par "pielaidēm" vai retāk par "joslas platumiem") parasti tieši vai netieši kontrolē to, kā agresīvi tiek iegūtas ģeogrāfiskās pazīmes.

precizitāte: Līdzīgu mērījumu vai attēlojumu atkārtojamība, precizitāte vai biežums, ar kādu sensoru vai displeja līdzekli var atšķirt. Skatiet Nenoteiktības kartēšana.

reprezentatīva daļa: Attiecība, kas norāda relatīvo lieluma atšķirību starp reāliem objektiem un to kartogrāfiskajiem simboliem. Dota formā 1: x (piemēram, 1: 24 000), kas nozīmē, ka viena attāluma vienība kartē ir vienāda ar x vienībām reālajā pasaulē.

izšķirtspēja: Detalizācijas pakāpe, kādā parādība tiek atklāta vai attēlota. Dati tiek saglabāti un atveidoti noteiktā attēlojuma izšķirtspējas pakāpē. Rastra sensoru blokos izšķirtspēju nosaka atsevišķu sensoru izmēri zemes vienībās (t.i., viena pikseļa platums metros uz Zemes). Vektoru ģeotelpiskajos datos izšķirtspēju nosaka gan telpiskā precizitāte, pēc kuras tiek noteiktas virsotnes, gan cik blīvi tiek publicētas virsotnes, lai gan abi rādītāji vienā datu kopā var ievērojami atšķirties. Izšķirtspēja ir cieši saistīta ar precizitāti. To sauc arī par sīkumu.

mērogā: Relatīvo izmēru, objektu vai to attēlojumu mērs. Ņemot vērā pastāvīgu attēlojuma vai datu uztveršanas precizitāti, kartogrāfiskā skala ir saistīta ar izšķirtspēju (t.i., "lielāka mēroga" kartes parasti ir ar augstāku datu un grafisko izšķirtspēju).

parādību mērogs: Relatīvie telpiski laikmetīgie izmēri vai ilgums, kādā objekti un procesi notiek dabiskajā pasaulē.

analīzes skala: Relatīvie telpiskie un laika lielumi vai ilgumi, kādos kaut kas tiek pētīts vai simulēts.

kartogrāfiskā skala: Attiecība starp objekta lielumu un tā reprezentatīvo simbolu kartē.

Mērogs ir pamatjēdziens praktiski visās zinātnēs, taču tas ir īpaši svarīgi ģeogrāfijai, ģeogrāfiskās informācijas zinātnei, tālvadībai un kartogrāfijai. Vārdam ir vairākas nozīmes dažādos kontekstos, pat atsevišķās disciplīnās. Lielākā daļa termina definīciju attiecas uz sava veida izmēriem, mērījumiem vai diapazoniem noteiktā telpā, un attiecīgā telpa var būt gan laika, gan tematiska, gan telpiska. Mēroga mēri var būt jebkura kārtība, intervāls vai attiecība, un tie reti ir nomināli, jo dažādas skalas parasti ietver kādu kvantitatīvu salīdzinājumu (sk. Statistiskā kartēšana). Pasākumus daudzskaitlī bieži dēvē par “svariem” (piemēram, vietējā, reģionālā un globālā mērogā).

Ģeogrāfi ir ierosinājuši dažādus mēroga teorētiskos ietvarus, piemēram, hierarhisku mērogu sistēmu, kuras pamatā ir cilvēka telpiskās izziņas teorijas (Montello, 1993), telpisko apjomu rangu, kas balstīts uz cilvēku mobilitāti un dabas pasaules uztveri (Granö, 1997), un veids, kā izlemt, kāda detaļa ir un nav pieejama noteiktā mērogā, simulējot cilvēka redzi dažādos skatu augstumos (Li & amp Openshaw, 1990). ĢIS un ampT ir īpaši svarīgi trīs mēroga jēdzieni: parādību skala, analīzes skala un kartogrāfiskā skala (Montello, 2015).

Fenomenu skala - Ģeogrāfi atzīst, ka tikai noteiktos mērogos objekti un parādības reālajā pasaulē eksistē vai ir novērojami (piemēram, vēju un lietu var novērot uz pilsētas ielas, bet ne visu viesuļvētru, kurā tie ir sastopami) vairākus kilometrus). Fenomenu skala attiecas uz telpisko un laika apjomu un izšķirtspēju, kas nepieciešama, lai jēgpilni definētu, atklātu vai attēlotu šo parādību. Dažreiz parādības ir jāapsver vairākos mērogos, piemēram, lai noteiktu, kā tās ietekmē lielākas vai mazākas sistēmas, kuru daļa vai sastāvā tās ir, piemēram, zemes izmantošanas gadījumi un klimata un laika apstākļu sistēmas. Fenomena mēroga noteikšana ir būtiska ģeogrāfijas un attālās izpētes analīzē, cita starpā, un nosaka izvēli attiecībā uz datu uztveršanas apjomu un izšķirtspēju. "Lielo" un "mazo" parādību skalas attiecas attiecīgi uz lielākiem un mazākiem objektiem.

Analīzes skala - Analīzes skala attiecas uz telpisko un laika apjomu un izšķirtspēju, kādā tiek pētītas kādas parādības. Praksē to bieži daļēji definē izmantoto datu izšķirtspēja, kā arī jebkuras izšķirtspējas, pēc kurām tiek aprēķinātas analīzes darbības. Parasti analīzes skalai jāatspoguļo pētāmās parādības mērogs, izmantojot analīzes skalu, kas ir pārāk rupja vai pārāk smalka analīzes tēmai, var aptumšot attiecīgās parādības.

Kartogrāfiskā skala - Kartogrāfiskā skala nepārprotami attiecas uz attēlojuma lieluma attiecību pret faktisko lielumu konkrētai kartogrāfiskai vizualizācijai vai kartei. To bieži izsaka kā reprezentatīvu daļu, piemēram, 1: 25 000, kas nozīmē, ka viena kartē izmērītā vienība reālajā pasaulē apzīmē 25 000 vienību (piemēram, 1 cm kartē ir 25 000 cm vai 250 m reālajā pasaulē) ). Šīs attiecības dažreiz tiek norādītas kā verbāla skala (piemēram, "viena colla = 72 jūdzes"). "Lielas" un "mazas" kartogrāfiskās skalas ievēro attiecīgās attiecības matemātisko definīciju, lielākas skalas ir koeficienti, kas aprēķina lielākus skaitļus nekā mazākas skalas (piemēram, 1: 25 000 ir lielāks par 1: 50 000). Kartogrāfisko skalu var arī grafiski izteikt ar mēroga joslu, kas ir noteikta garuma līnija, kas uzzīmēta kartē un anotēta, lai attēlotu noteiktu reālās pasaules garumu. Kartogrāfisko skalu dažreiz sauc par "vizualizāciju" vai "attēlojuma skalu".

Papildus tam, ka katrā no iepriekš minētajiem aspektiem ir zināma mēroga pakāpe, digitālos ģeotelpiskos datus var glabāt datu bāzē vienā mērogā un izšķirtspējā, un tos var parādīt citā. Abos gadījumos ģeogrāfs cenšas apstrādāt datus fenomena un analīzes mērogos, kas atbilst attiecīgajai ģeogrāfiskajai tēmai, t.i., pie kuriem ainavas jēdzieni un objekti ir novērojami un pastāv. Praksē kartogrāfiskie mērogi ievērojami atšķiras no jebkuras konkrētas parādības vai analīzes skalas, jo kartes tiek zīmētas daudzos plašsaziņas līdzekļos un dažādām auditorijām (piemēram, viedtālruņu ekrāniem un lielām sienas kartēm, apmācītiem analītiķiem un plašai sabiedrībai).

Mēroga izmaiņas bieži rada nepieciešamību veikt ģeotelpisko datu vispārināšanu. Samazinoties kartogrāfiskajam mērogam, samazinās arī attēlojamā nesēja attēlojuma izšķirtspēja (piemēram, pikseļu ekrāns). Šī izšķirtspēja atšķiras no tās, kurā dati tiek glabāti vai analizēti, un attiecas uz to attēlojuma detalizācijas pakāpi, parasti kartogrāfiskā formā (Tobler, 1988). Kopā ar ierobežojumiem, ko spēj atrisināt cilvēka acs, šis ģeometriskais fakts bieži pieprasa kartogrāfiem apzināti noņemt detaļas no ģeotelpiskajiem datiem, tos uzzīmējot.

Vispārināšana ir process, kurā ģeotelpiskos datus iegūst. Tāpat kā projekcija, arī vispārināšana ir datu pārveidošana, kurā tiek saglabātas noteiktas ģeometriskas un topoloģiskas īpašības, bet citas tiek zaudētas, lai gan vispārināšana var arī zaudēt, saglabāt vai pārveidot tematiskās vai atribūtu īpašības. Lai gan jebkurā datu vākšanas procesā ir raksturīga vispārināšana (piemēram, sensora izšķirtspēja ierobežo uztveramās detaļas), vispārināšana parasti tiek ņemta vērā, ja tā tiek veikta apzināti. Kopīgs piemērs ir redzams karšu veidošanas laikā, kad kartogrāfi pielāgo detalizācijas līmeņus starp dažādiem tematiskiem datu avotiem, lai tie atbilstu, parasti tas tiek darīts, noņemot detaļas no augstākas izšķirtspējas datu kopām, līdz to detalizācijas līmenis ir samērīgs ar zemākas izšķirtspējas datu kopām. Vispārināšana iteratīvi vai nepārtraukti ļauj noteiktā datu kopā vairākas funkcijas (Frank & amp; Timpf, 1994), piemēram, atveidojumu kopas, kas nepārtraukti pielāgojas skatīšanās mērogam un izšķirtspējai. Automātiskās digitālās vispārināšanas pētījumi tiek veikti kopš ĢIS parādīšanās, bieži vien ar noteikto mērķi identificēt un datorizēt cilvēka kartogrāfiskās zināšanas, heiristiku un paņēmienus.

Kartogrāfi nošķir vispārinājumu, kas veikts ar datu objektiem efektīvas uzglabāšanas vai analīzes nolūkā, kas ir modeļa vispārinājums, un to, ko veic, lai sagatavotu objektus simbolizācijai un vizuālai prezentācijai, kas ir kartogrāfisks vispārinājums (Grünreich, 1985 Brassel & amp; Weibel, 1988). Modeļa vispārināšana parasti samazina datus, un to motivē vēlme ietaupīt krātuves telpā vai skaitļošanas sarežģītība. Tas var arī atspoguļot izmaiņas mērogā, kas veiktas, lai panāktu atbilstošu izšķirtspēju kādai konteksta analīzei. Kartogrāfiskais vispārinājums, kas bieži notiek pēc modeļa vispārināšanas, ne vienmēr samazina datu apjomu, lai gan tas bieži notiek. Tā vietā galvenā motivācija ir iegūt ģeogrāfisko pazīmju attēlojumus, kas ir piemēroti (piemēram, grafiski atrisināmi) analīzei vai attēlošanai noteiktā mērķī kartogrāfiskais konteksts, piemēram, kartometriskā analīze vai tālummaiņas līmenis digitālā interaktīvā kartes displejā.

Gan modeļa, gan kartogrāfisko vispārinājumu bieži veicina kartes mēroga samazināšana (t.i., tālināšana), izraisot proporcionālu grafiskās izšķirtspējas samazināšanos (Tobler, 1988). Ir izstrādātas dažas procedūras un algoritmi vispārināšanai, tieši atsaucoties uz skaitliskām izmaiņām mērogā un/vai izšķirtspējā (Perkal, 1956 Buttenfield, 1989 Li & amp Openshaw, 1990 Dutton, 1999), no kurām slavenākās ir (Töpfer & amp Pillewizer, 1966), kas ir pazīstams kā Radikālais likums ar savu matemātisko sakņu definīciju par to, cik pazīmēm jāpaliek kartē pēc izmērīta mēroga izmaiņām. Citas bieži izmantotās procedūras vadās pēc heiristiskām vai ad-hoc attiecībām, lai mainītu mērogu vai mērķa skalu.

Papildus mēroga pamatotiem iemesliem var veikt arī vispārināšanu, lai izmantotu datu kopu citiem mērķiem, nevis tiem, kuriem tā tika apkopota (piemēram, ātrgaitas ceļš ar divām vienvirziena līnijām, kas apkopotas GPS navigācijas aprēķiniem). viena līnija kartes attēlošanai) vai grafiskas vienkāršības vai estētisku apsvērumu dēļ (piemēram, vienkāršota un abstrahēta ģeometrija metro kartēs, piemēram, Londonas slavenajā Tube kartē).

Svarīgs apsvērums, kas, iespējams, biežāk attiecas uz modeļu vispārināšanu, ir vispārinājuma ietekme uz analīzi. Kā vienkāršs piemērs 1. attēlā parādīts, kā platību aprēķinus ietekmē daudzstūra vienkāršošana. Tāda pati ietekme ir redzama vispārinātos nepārtrauktos datos, piemēram, rasteros, kā parādīts 2. attēlā. Vispārināšana var samazināt gan precizitāti, gan precizitāti (sk. Nenoteiktības kartēšana), un analītiķiem ir jāizlemj, vai abu līmeņu līmenis pēc vispārināšanas ir atbilstošs uzdevumam. pie rokas. Analītiskā kontekstā vispārināšana bieži izraisa modificējamas teritorijas vienības problēmu (sk. Statistical Mapping) (Openshaw, 1984).

1. attēls Tenesī apgabals, ko aprēķina ar ĢIS pirms un pēc daudzstūra vienkāršošanas. Abi daudzstūri tiek projicēti NAD 83 Tenesī štata plaknes koordinātu sistēmā.

Zīmējums 2. Zemes seguma klases laukums pirms un pēc izšķirtspējas rupjāšanas un tuvākā kaimiņa atkārtotas paraugu ņemšanas.

Ģeotelpiskajiem datiem, lai ģenerētu vispārinātas versijas, tiek izmantoti īpaši abstrakcijas atomu procesi, kurus sauc par operatoriem. Tie parasti tiek definēti pēc noteikta veida ievades ģeometrijas (piemēram, daudzstūri) un rada noteikta veida izvades ģeometriju. Jebkura operatora darbību var veikt, izmantojot vienu no vairākiem algoritmiem. Dažādi operatori un algoritmi heiristiski ir klasificēti kā labāki vai sliktāki noteiktiem ģeogrāfisko pazīmju veidiem (piemēram, viens līnijas vienkāršošanas algoritms kopumā var labi darboties cilvēka radītajos objektos, bet ne upju līnijās). Bieži vien konkrēti algoritmi ļauj kalibrēt to ietekmi, ļaujot lietotājiem norādīt ievades parametru vērtības, kuras šīs vērtības dažkārt ir samērojamas ar izmērāmiem vispārināšanas efektiem (Raposo, 2013), bet citi laiki tiek noteikti ar heiristiskām metodēm, piemēram, izmēģinājumiem un kļūdām.

Vairāki zinātnieki ir centušies noteikt vispārināšanas operatoru tipoloģijas (McMaster & amp; Monmonier, 1989 Li, 2007 Roth, Brewer, & amp; Stryker, 2011). Pastāv daudzi operatori, lai gan viņu vārdi un precīzas definīcijas nav vispārēji saskaņotas. 3. un 4. attēls ilustrē dažus no tiem attiecīgi par vektoru un rastra datiem, savukārt 5. attēlā parādīta līnijas vienkāršošana, kas dažādās pakāpēs veikta, izmantojot dažādas lietotāja iestatītas pielaides parametru vērtības. Ķēdes vai darbplūsmas, kurās iesaistīti vairāki operatori, parasti tiek izmantotas, lai sasniegtu vēlamos vispārināšanas rezultātus. Turpmāk ir definēti operatori, kas parādīti 3. un 4. attēlā.

Vienkāršošana - lineāras vai daudzstūra formas sinusa vai sarežģītības samazināšanās, kas parasti ietver virsotņu samazināšanos gar tās veidojošajām polilīnijām.

Apkopošana - Daudzstūru simbolu apvienošana mazākā skaitā, parasti aizpildot atstarpi starp sākotnējiem daudzstūriem, lai izveidotu mazāku blakus esošo daudzstūru skaitu.

Izlīdzināšana - Asu leņķu nomaiņa polilīnijā vai daudzstūrī ar izliekumiem, lai kopējā forma būtu mīkstināta.

Atlase/izslēgšana - noteiktu iezīmju saglabāšana un citu noraidīšana.

Tipizēšana - Detalizētu daudzstūra elementu pārveidošana par attēlojamā objekta veida kanoniskām, parasti vienkāršākām versijām (piemēram, sarežģītas ēkas uz vienkāršiem taisnstūriem).

Pārvietojums - Funkciju pārvietošana no planimetriski precīzām vietām, lai tās būtu salasāmas vai uzsvērtu telpiskas attiecības (piemēram, ēkas pārvietošana tuvāk ceļam vai tālāk no tā).

Pārspīlējums - Vizuāla uzsvara pievienošana objektam, parasti ar palielinātu simbola lielumu.

Klasifikācija - Pasākumu dažādības samazināšana datu kopā, apvienojot līdzīgus pasākumus kopā.

Tendences aprēķins -relatīvi smags virsmas vispārinājums matemātiski vienkāršā funkcijā, kas to tuvina, ko parasti nosaka zemākas kārtas polinoms.

Atvēršana un aizvēršana (izvērst un sarukt) - Attiecīgi pieaugoša vai samazinoša noteiktas klases apgabalu kopas paplašināšanās klasificētā datu kopā. Bieži izmanto klasificētos rastra reģionos, atvēršana un aizvēršana rada vienkāršotu reģionu robežu ģeometriju. Abas operācijas nav komutatīvas.

Atkārtota paraugu ņemšana - Apkopoto datu vienības maiņa, atkārtoti apkopojot avota datus dažāda lieluma vienībās (piemēram, mainot rastra datu kopas izšķirtspēju).

3. attēls. Dažādi vektoru vispārināšanas operatori ilustrēti virs ēkām un ceļiem.

4. attēls. Dažādi rastra vispārināšanas operatori ilustrēti, izmantojot digitālo pacēluma modeli (augšpusē, zaļā krāsā) un vienu klasificētu rastra apgabalu (zemāk, zilā krāsā). Zaļie ir augstāki, savukārt dzeltenie ir zemāki.

5. attēls. Līnija, kas attēlo Tenesī austrumu robežu, izmantojot Douglas-Peucker (1973) algoritmu, vienkāršota līdz vairākiem detalizācijas līmeņiem, izmantojot vairākas ievades pielaides vērtības.

Lielākā daļa ĢIS projektu sastāv no vairāku vai vairāku datu slāņu kopuma. In such sets, generalization (i.e., transformation of geometry and/or thematic attributes) in one layer must be propagated throughout the others, so that all layers correspond and vertically register correctly. For example, given a polyline representing a river and an adjacent polygon representing a city on its shore, simplifying the river may cause it to run through or deviate from the city if the river simplification is to be accepted, the city polygon needs to be displaced such that it lies on the correct shore. The complexity of such inter-layer relationships in generalization makes the overall process necessarily holistic and highly contextual (Müller, 1991).

The majority of generalization operators have thus far been formulated to transform single data themes or layers, and are effectively oblivious of any others. The present state of the art reflects this: propagating generalization through multiple layers is usually done by error-correcting post-processing routines after having generalized individual layers. Such post-processing continues until no further artifacts or errors are detected. Production cartographic generalization work usually still involves some amount human inspection and editing, but research continues on fully-automated methods that resolve clearly-defined cartographic design constraints (Harrie & Weibel, 2007). There has been some success in more comprehensive approaches to the generalization of multiple layers using hierarchical graphs (Frank & Timpf, 1994), agent-based models (Ruas, 2002 Duchêne, Ruas, & Cambier, 2012), continuous optimization approaches (Harrie & Sarjakoski, 2002), and combinatorial approaches (Ware & Jones, 1998). Also, several European national topographic mapping agencies already make use of multi-representation databases to produce map series.

Brassel, K. E., & Weibel, R. (1988). A Review and Conceptual Framework of Automated Map Generalization. Starptautiskais ģeogrāfiskās informācijas zinātnes žurnāls, 2(3), 229-244.

Buttenfield, B. P. (1989). Scale-Dependence and Self-Similarity in Cartographic Lines. Kartogrāfija, 26(1), 79-100.

Douglas, D. H., & Peucker, T. K. (1973). Algorithms for the Reduction of the Number of Points Required to Represent a Digitized Line or its Caricature. Cartographica: The International Journal for Geographic Information and Geovisualization, 10(2), 112-122.

Duchêne, C., Ruas, A., & Cambier, C. (2012). The CartACom Model: Transforming Cartographic Features Into Communicating Agents for Cartographic Generalization. Starptautiskais ģeogrāfiskās informācijas zinātnes žurnāls(advance online publication), 1-30. DOI: 10.1080/13658816.2011.639302.

Dutton, G. (1999). Scale, Sinuosity, and Point Selection in Digital Line Generalization. Cartography and Geographic Information Science, 26(1), 33-53.

Frank, A. U., & Timpf, S. (1994). Multiple representations for cartographic objects in a multi-scale tree - an intelligent graphical zoom. Computers & Geosciences, 18(6), 823-829.

Granö, J. G. (1997). Pure Geography. In O. Granö & A. Paasi (Eds.), Pure Geography. Baltimora, MD: Džona Hopkinsa universitātes prese. (Originally published in German, 1929.)

Grünreich, D. (1985). Computer-Assisted Generalization. In Papers CERCO-Cartography Course. Frankfurt a.M.: Institut für Angewandte Geodäsie.

Harrie, L., & Sarjakoski, T. (2002). Simultaneous Graphic Generalization of Vector Data Sets. GeoInformatica, 6(3), 233-261.

Harrie, L., & Weibel, R. (2007). Modelling the Overall Process of Generalisation. In W. A. Mackaness, A. Ruas, & L. T. Sarjakoski (Eds.), Generalisation of Geographic Information: Cartographic Modelling and Applications (pp. 67-87). Elsevier.

Li, Z. (2007). Algorithmic Foundation of Multi-Scale Spatial Representation. Boca Raton, London, New York: CRC Press. DOI: 10.1201/9781420008432.ch7

Li, Z., & Openshaw, S. (1990). A natural principle of objective generalization of digital map data and other spatial data (Tech. Rep.). Newcastle upon Tyne: CURDS, University of Newcastle upon Tyne.

McMaster, R. B., & Monmonier, M. (1989). A Conceptual Framework for Quantitative and Qualitative Raster-Mode Generalization. In Proceedings of the Annual GIS/LIS Conference. Orlando, Florida.

Montello, D. R. (1993). Scale and multiple psychologies of space. In A. U. Frank & I. Campari (Eds.), Spatial information theory: A theoretical basis for GIS. Proceedings of COSIT ’93. Lecture Notes in Computer Science (Vol. 716, pp. 312-321). Berlin: Springer-Verlag.

Montello, D. R. (2015). Scale in Geography. In N. J. Smelser & P. B. Baltes (Eds.), International Encyclopedia of the Social & Behavioral Sciences (2. izdevums). Oxford, England: Pergamon Press.

Müller, J. C. (1991). Generalization of spatial databases. In D. J. Maguire, M. Goodchild, & D. Rhind (Eds.), Ģeogrāfiskās informācijas sistēmas. London, U.K.: Longman Scientific.

Openshaw, S. (1984). The Modiable Areal Unit Problem. Norwich, England: Geo Books, Regency House.

Perkal, J. (1956). On epsilon length. Bulletin de l’Academie Polonaise des Sciences, 4, 399-403.

Raposo, P. (2013). Scale-Specific Automated Line Simplification by Vertex Clustering on a Hexagonal Tessellation. Cartography and Geographic Information Science, 40(5), 427-443. DOI: 10.1080/15230406.2013.803707

Roth, R. E., Brewer, C. A., & Stryker, M. S. (2011). A typology of operators for maintaining legible map designs at multiple scales. Cartographic Perspectives, 2011(68), 29-64. DOI: 10.14714/CP68.7

Ruas, A. (2002). Les problématiques de l’automatisation de la généralisation. In A. Ruas (Ed.), Généralisation et représentation multiple (pp. 75-90). Hermès.

Tobler, W. R. (1988). Resolution, resampling, and all that. In H. Mounsey & R. F. Tomlinson (Eds.), Building Databases for Global Science: the proceedings of the First meeting of the International Geographical Union Global Database Planning Project (pp. 129-137). Hampshire, U.K.: Taylor and Francis.

Töpfer, F., & Pillewizer, W. (1966). The Principles of Selection. The Cartographic Journal, 3(1), 10-16.

Ware, J., & Jones, C. (1998). Conflict Reduction in Map Generalization Using Iterative Improvement. GeoInformatica, 2(4), 383-407.