Vairāk

QGIS krustošanās starp polilīniju iezīmi un daudzstūri

QGIS krustošanās starp polilīniju iezīmi un daudzstūri


Es gribētu pārveidot līnijas formas failu daudzstūros. Tomēr rīks Vector> Geometry> Line to Polygon man nedarbojas. Es gribētu izmantot līniju krustojumu un padarīt tās par daudzstūra virsotnēm. ArcGis rīks Feature to Polygon dara tieši to, ko es vēlos. Vai kāds zina veidu, kā to izdarīt QGIS?


QGIS tas darbojas tikai tad, ja abiem slāņiem ir viens un tas pats DRS. Ja pārslēdzatiesReprojection lidojuma laikāIZSL, tiem joprojām vajadzētu izlīdzināties.

Ja nē, saglabājiet vienu no slāņiem ar citu nosaukumu un otra DRS, pievienojiet to audeklam, izdzēsiet pirmo slāni, un krustojums darbosies.


Kā aprēķināt daudzstūra laukumu QGIS

Sveiki visiem! Šajā rakstā es jums parādīšu, kā aprēķināt daudzstūra laukumu, izmantojot QGIS. Dažos gadījumos jūs varētu vēlēties uzzināt, cik hektāru platībā atrodas slānī. Ja jums ir viens daudzstūris, tā nebūtu problēma. Bet ko tad, ja slānī ir daudz daudzstūru/laukumu? Katru apgabalu pa vienam aprēķināt ir gandrīz neiespējami. Tātad, es ceru, ka šī apmācība palīdzēs jums atrisināt šo problēmu.

Tātad pieņemsim, ka mums ir slānis ar daudziem daudzstūriem. Un tad, izmantojot automatizētu metodi, mēs aprēķināsim katra daudzstūra laukumu.

Kā redzat iepriekš, man ir slānis, kurā ir tik daudz daudzstūru. Ja atveram atribūtu slāni, tas tiek parādīts šādi

Pirmkārt, mums jāpārliecinās par mūsu QGIS projekta mērvienību. Dodieties uz Fails >> Rekvizīti, lai mainītu mērvienību. Piemēram, attāluma un laukuma aprēķināšanai varat mainīt elipsoīdu. Šajā piemērā es neizmantoju/planimetric. Tas nozīmē, ka platības aprēķinā tiks izmantota planimetriskā metode. Un pēc tam nomainiet laukuma mērīšanas vienības. Šajā gadījumā es izmantoju Hektārus.

Pēc tam atveriet “Field Calculator ”. Šeit es vēlos izveidot jaunu virtuālo lauku, lai saglabātu katra daudzstūra laukuma aprēķinu. Izvades lauka tipā es izvēlos Decimālskaitlis (dubultā).

Lai aprēķinātu laukumu, izmantojiet $ apgabalā izteiksme. Šo izteicienu var atrast sadaļā Ģeometrija. Skatiet attēlu iepriekš. Noklikšķiniet uz Labi, un tas automātiski aprēķinās katra daudzstūra laukumu. Kad esat pabeidzis, atveriet atribūtu tabulu, lai redzētu rezultātu.

Tagad man ir jauna kolonna ar nosaukumu Area_calculation, kurā ir kopējā daudzstūra kopējā platība.


Dziļi iesēdinātas gravitācijas nogāžu deformācijas (DsGSD) ir milzīgas zemes deformācijas lēnas attīstības parādības, kas ir ļoti izplatītas Alpu teritorijā. To ilgstošā attīstība ar nepārtrauktu deformācijas ātrumu var radīt dabisku apdraudējumu, kas var apdraudēt dažādas antropiskas struktūras un infrastruktūras. Līdz mūsdienām riska pārvaldībā un zemes izmantošanas plānošanā parasti ir apsvērta tehnisku un reglamentējošu instrumentu izstrāde, lai efektīvi pārvaldītu DsGSD un antropisko elementu mijiedarbību. Ietekmes uz antropiskajiem elementiem veida un smaguma definīcija kļūst arvien nozīmīgāka pilsētplānošanas un riska pārvaldības ziņā, un tā ir pelnījusi atjaunināt pašreizējās pieņemtās procedūras.

Koncentrējoties uz Rietumitālijas Alpiem, mēs īstenojām starpdisciplināru analīzi, kuras pamatā bija vairāku avotu dati, izmantojot ģeoinformātikas, attālās izpētes un arhīvu konsultāciju pieejas. Šķērsojot pieejamo informāciju DsGSDs ar urbanizēto teritoriju ģeogrāfiskās informācijas sistēmas vidē, mēs, neskatoties uz lielo datu neviendabīgumu, ieguvām vispārēju esošās mijiedarbības sistēmu. Konkrētāk, mēs definējām mijiedarbību starp šīm lielajām parādībām un ēkām, ceļiem un dzelzceļa tīkliem, kā arī lineārajām infrastruktūrām, piemēram, aizbāžņiem, ūdenstilpnēm vai aizsprostiem, kā arī augstu novērtējot inventarizēto parādību darbības stāvokli. Turklāt mēs analizējām DsGSD ietekmes pakāpi uz antropiskajiem elementiem, atklājot un klasificējot visus dokumentētos bojājumus Itālijas Rietumu Alpu teritorijā. Iegūtie rezultāti izceļ nepieciešamību pēc novatoriskas pieejas DsGSD riska novērtējumā, gan definējot viņu uzvedību laika gaitā, gan ietekmi uz antropiskajiem elementiem, lai efektīvāk plānotu zemes izmantošanu un pienācīgi risinātu šīs parādības. tiesisko regulējumu.


Uzlabot jutību pret zemes nogruvumiem, izmantojot koluvija kartēšanu Tegucigalpa, Hondurasā

Hondurasas galvaspilsētā Tegucigalpā ir vislielākais valstī reģistrētais zemes nogruvumu skaits. Pilsētā ir dati un informācija no četriem zemes nogruvumu uzskaitījumiem un pieciem jutīguma pret zemes nogruvumiem pētījumiem ar dažādām metodēm un rezultātiem. Šajā pētījumā tika salīdzināti četri esošie zemes nogruvumu inventāri un izstrādāts jauns inventārs. Četru datu slāņu (litoloģija, slīpums, attālums līdz strautiem un kolivija karte) nozīme izskaidrojot zemes nogruvumu rašanos, tika analizēta, izmantojot pierādījumu svara metodi, ieskaitot šajā pētījumā izstrādāto kolīvija karti. Tika izveidota jauna jutība pret zemes nogruvumiem, pamatojoties uz kolivija karti, un tās precizitāte tika novērtēta, izmantojot veiksmes koeficienta līknes metodi. Zemes nogruvumu jutības kartes precizitāte, pamatojoties uz koliviju, bija 88,64%, salīdzinot ar 79,79% un 69,80% iepriekšējo pētījumu. Šis pētījums uzsver koluvija kartēšanas nozīmi kā ieguldījumu nogruvumu jutīguma analīzē Tegucigalpa.

Šis ir abonementa satura priekšskatījums, kuram var piekļūt, izmantojot jūsu iestādi.


Debian zinātnes ģeogrāfijas pakotnes

AVCE00 ir C bibliotēka un rīku grupa, kas ļauj Arcinfo (binārajiem) vektoru pārklājumiem parādīties kā E00. Tas ļauj jums lasīt un rakstīt bināros pārklājumus tā, it kā tie būtu E00 faili.

Drawmap nolasa datus digitālā pacēluma modeļa (DEM), digitālās līnijas diagrammas (DLG) un ģeogrāfisko nosaukumu informācijas sistēmas (GNIS) formātos. Var strādāt arī ar SDTS, NAD-83, WGS-84, GTOPO30 datiem.

Izmantojot šajos failos esošos datus, Drawmap var izveidot dažāda veida pielāgotas kartes, ieskaitot ēnotas reljefa kartes (ar vai bez ceļiem, strautiem, vietvārdiem utt.) Un topogrāfiskās kartes (atkal, ar papildu funkcijām vai bez tām).

Izvada saules rastra formātu, pārnēsājamu pelēku karti vai pov formāta failus.

E00compr ir ANSI C bibliotēka, kas lasa un raksta Arcinfo saspiestus E00 failus. Tiek atbalstīti gan "PARTIAL", gan "FULL" saspiešanas līmeņi. E00 faili ir Arcinfo vektora importa/eksporta formāts. Tas ir vienkāršs ASCII un ir domāts kā apmaiņas formāts. ESRI uzskata formātu par patentētu, tāpēc šī pakete var nelasīt visus E00 failus, jo ESRI var mainīt formātu.

Šī pakete ir noderīga, lai importētu E00 failus zāles ĢIS sistēmā.

Tajā ir komandrindas programma e00conv, kas ievada E00 failu (saspiestu vai nesaspiestu) un kopē to jaunā failā ar pieprasīto saspiešanas līmeni (NAV, PARTIAL vai FULL). Bibliotēka šajā posmā nav iekļauta.

Kartes dati tiek ielādēti no tīkla servera, un klients parādīs jaunākos satelīta attēlus un kartes datus.

GDAL ir tulkotāju bibliotēka rastra ģeotelpisko datu formātiem. Kā bibliotēka tā visiem atbalstītajiem formātiem izsaucējai lietojumprogrammai piedāvā vienu abstraktu datu modeli. Saistītā OGR bibliotēka (kas atrodas GDAL avota kokā) nodrošina līdzīgu iespēju vienkāršu funkciju vektoru datiem.

GDAL atbalsta vairāk nekā 40 populārus datu formātus, ieskaitot bieži lietotos (GeoTIFF, JPEG, PNG un citus), kā arī tos, kas tiek izmantoti ĢIS un tālvadības programmatūras pakotnēs (ERDAS Imagine, ESRI Arc/Info, ENVI, PCI Geomatics). Atbalsta arī daudzus attālās izpētes un zinātniskos datu izplatīšanas formātus, piemēram, HDF, EOS FAST, NOAA L1B, NetCDF, FITS.

OGR bibliotēka atbalsta tādus populārus vektoru formātus kā ESRI Shapefile, TIGER data, S57, MapInfo File, DGN, GML un citus.

Šajā pakotnē ir lietderības programmas, kuru pamatā ir GDAL/OGR bibliotēka, proti, gdal_translate, gdalinfo, gdaladdo, gdalwarp, ogr2ogr, ogrinfo, ogrtindex.

GeoIP ir C bibliotēka, kas ļauj lietotājam atrast valsti, no kuras nāk jebkura IP adrese vai resursdatora nosaukums. Tas izmanto uz failiem balstītu datu bāzi.

Šajā datu bāzē vienkārši ir IP bloki kā atslēgas un valstis kā vērtības, un tai vajadzētu būt pilnīgākai un precīzākai, nekā izmantot apgrieztās DNS uzmeklēšanas.

Šajā pakotnē ir komandrindas utilītas, lai atrisinātu IP numurus, izmantojot GeoIP bibliotēku.

За допомогою цього завдання встановіть до Вашої системи робоче місце ГІС для обробки географафинї

GMT ir rīku kopums, kas ļauj lietotājiem manipulēt ar (x, y) un (x, y, z) datu kopām (ieskaitot filtrēšanu, tendenču pielāgošanu, režģēšanu, projicēšanu utt.) Un izveidot iekapsulētu PostScript failu (EPS) ilustrācijas no vienkāršiem xy grafikiem līdz kontūru kartēm līdz mākslīgi apgaismotām virsmām un trīsdimensiju perspektīvas skatiem melnbaltā, pelēkā tonī, hahure rakstos un 24 bitu krāsās.

GMT atbalsta daudzas izplatītas karšu prognozes, kā arī lineāru, žurnālu un jaudas mērogošanu, un tam ir pievienoti atbalsta dati, piemēram, krasta līnijas, upes un politiskās robežas.

Gosmore ir openstreetmap.org skatītājs un ceļa meklētājs, kas atbalsta runas sintēzi un pašreizējās atrašanās vietas iegūšanu no GPS.

Šai pakotnei nepieciešami papildu datu faili, kurus var brīvi lejupielādēt no vietnes openstreetmap.org.

GPSBabel - перетворює дорожні точки, треки та маршрути з одного формату у інший, навіть якщо ними є загальні формати картографічних даних такі як Delorme, Streets and Trips або здійснює послідовне завантаження / отримання даних до / з GPS пристроїв Garmin та Magellan

GPSBabel izmantoja fotokameru, lai to izdarītu, izmantojot buldozeru, un to, kas tika izmantots, lai izsekotu Серед багатьох цікавих форматів вона також підтримує кілька пристроїв GPS із з'єднанням через послідовний порт, різноманітні програми картування на КПК, а також різні форматів даних геокешингу.


Ģeotelpiskie kontrasti starp dabiskajām un cilvēka izmainītajām barjeru salu sistēmām: Core Banks un Ocracoke Island, Ziemeļkarolīna, ASV.

Šajā pētījumā tiek pētītas atšķirības ģeomorfoloģijā starp divām barjeru salu sistēmām, no kurām viena tiek uzskatīta par senatnīgu vai dabisku ģeomorfu stāvokli, bet otra - kaut kādā veidā ģeomorfiski mainīta. Izmaiņas šeit nosaka nepārtraukta, aizsargājoša kāpu siena, kas projektēta un uzstādīta krastā, lai apturētu salu eroziju un aizsargātu iekšējo infrastruktūru. Pretstatā abām vidēm, mēs koncentrējamies uz vienu jautājumu: kā šādas kāpu sienas klātbūtne maina salu sistēmas fizisko reakciju uz spēkiem, kas piespiež pārmaiņas (piemēram, vētras, jūras līmeņa celšanās)? Salu platumi un okeāna un piekrastes krasta līnijas pozīcijas tiek mērītas virknē krasta normālu šķērsgriezumu Core Banks un Ocracoke Island, abi Ziemeļkarolīnas Ārējo banku locekļi. Aptaujas tika veiktas no deviņpadsmitā gadsimta vidus līdz 2012. gadam. Četras aptaujas tika saglabātas attiecībā uz Core Banks, piecas-par Ocracoke Island. Atzinumi norāda uz atšķirībām ģeomorfiskajā raksturā abās salās. Vairāk no galvenajām bankām ir šaurs ar pierādījumiem par pašreizējām pārslodzes un ieplūdes darbībām. Ocracoke piedāvā lielāku stabilitāti, platumu, ierobežotu pārsegumu un bez ieplūdes. Atklātie pierādījumi norāda uz trim fundamentāliem secinājumiem. Pirmkārt: šķiet, ka pastāv minimālais sliekšņa platums, par kuru salai ir tendence svārstīties. Otrkārt, atšķirīgā krasta līnijas atkāpšanās gar Okrakoke salu ir izraisījusi rotāciju pretēji pulksteņrādītāja virzienam gar salas ziemeļu pusi. Visbeidzot, šķiet, ka aizsargājošās kāpas gar Okrakoku ir palēninājušas krasta līnijas atkāpšanās ātrumu un novēroto CCW rotāciju par vairāk nekā 40%.

Šis ir abonementa satura priekšskatījums, kuram var piekļūt, izmantojot jūsu iestādi.


2. Metodes

2.1. Studiju apgabals

Galapagu arhipelāgu veido 18 galvenās salas ar vairāk nekā 100 saliņām un vulkāniskas izcelsmes iežiem aptuveni 1000 km attālumā no Ekvadoras kontinentālās daļas krasta [56]. Salas ir jaunu vulkānu virsotnes, kuru vecums ir no 6,0 · 10 4 līdz 5,6 · 10 6 gadiem, un tās pārstāv vienu no vulkāniski aktīvākajām salu grupām pasaulē [57]. Rezultātā 46% teritorijas starp krasta līniju un 1 km iekšzemes veido pārklājums, kurā dominē lava (aprēķināts no [53]), pār kuru jāaug mangrovēm un piekrastes veģetācijai. Galapagu salas tika pasludinātas par nacionālo parku 1959. gadā un UNESCO (Apvienoto Nāciju Izglītības, zinātnes un kultūras organizācija) Pasaules mantojuma zona 1978. gadā. Nacionālais parks aizsargā 97% sauszemes teritorijas (

7700 km 2), pārējā sauszemes teritorija (3%) tiek izmantota cilvēku apmetnēm un kā produktīva zeme (lauksaimniecība, lopkopība, kokmateriāli un karjeri), kas sastopama četrās salās, proti, Santa Cruz, San Cristóbal, Isabela un Fernandina . Galapagu salas atbalsta cilvēkus

25 000 iedzīvotāju [58] un 241 700 tūristu [59], kas nodrošina

78% nodarbināto [60]. Galapagu salas ieskauj 1998. gadā deklarētais Galapagu jūras rezervāts (GMR). GMR ir daudzkārt lietojama aizsargājama teritorija, kas neietver rūpniecisko zveju 40 jūras jūdžu attālumā no arhipelāga, aizsargājot 138 000 km 2 un 2 058 km lielu teritoriju. piekrastes līnija. ĢMR ietvaros ir atļauts tūrisms un amatnieku zveja, kas notiek noteiktās vietās saskaņā ar aizsargājamo teritoriju zonējumu. Galapagu salas ir labi pazīstamas ar savu ārkārtas aizsardzības statusu, endēmismu un ļoti labo saglabāšanas stāvokli lielākajā daļā ekosistēmu, kas cita starpā ir radījis vairākas starptautiskas atzinības, Pasaules mantojuma vietu, Biosfēras rezervātu, RAMSAR vietu, Vaļu rezervātu.

Salu piekrastes veģetācija ir ļoti atkarīga no jaunā vulkāniskā substrāta un siltā un sausā klimata [61]. Piekrastes zonā vidējais gada nokrišņu daudzums ir 469,0 mm, vidējā gada temperatūra 24,1 ° C un vidējā gada jūras virsmas temperatūra (SST) ir 23,6 ° C (dati no Čārlza Darvina pētniecības stacijas, platums -0,743456 °, garums -90,303710 °, 2 m augstumā, netālu no Puerto Ajoras, 1965. – 2015. gada periods). Saskaņā ar Vispasaules bioklimatiskās klasifikācijas sistēmu [62], Galapagu piekrastes zonā ir tropiskais kseriskais bioklimats ar termotropu termotipu un pussausu ombrotipu. Šīs klimata īpatnības papildus substrāta īpašībām lielā mērā nosaka piekrastes teritorijas veģetācijas sastāvu, kam jāsaskaras ar šiem skarbajiem vides apstākļiem [37,61]. Tā rezultātā piekrastes veģetācija ir diezgan ierobežota (

50% pārklājuma ir jauna un veca kaila lava), un to galvenokārt veido lapkoku veģetācija (t.i., lapu koku meži, krūmāji un garozā), kas veido līdz

47% no seguma, pārējo veido mūžzaļie sezonālie meži un krūmāji, mangrovju meži un piekrastes mitrs mežs un krūmāji (zemes seguma analīze, pamatojoties uz Rivas-Torres et al. [53]) un vidējā vērtība piekrastes zonā 0,5–1 km iekšzemē no krasta līnijas). Sakarā ar vulkānisko izcelsmi salās, kuru centrs ir Galapagu karstajā vietā, kas atrodas Fernandinas rietumu salā [63], salu rašanās ir rietumu-austrumu virzienā [57]. Tam ir tieša ietekme uz piekrastes veģetāciju, jo jaunākajām salām (rietumu salām) ir daudz lielāks lavas seguma īpatsvars un mazāka lapu koku veģetācija, savukārt vecākajās salās (austrumu salās) lielākā daļa seguma ir lapu koku veģetācija, savukārt lavas pārsegs gandrīz nepastāv (1. attēls).

2.2. Ekrāna digitalizācija

Mēs digitalizējām mangrovju plankumu apjomu tieši programmā Google Earth (programmatūra GE Pro v.7.3.2.5487), izsekojot katra plākstera kontūru, izveidojot atsevišķus daudzstūrus, vizuāli interpretējot Google Earth ļoti augstas izšķirtspējas (GE VHR) attēlus. Mēs izmantojām vizuālu interpretāciju un mangrovju daudzstūru manuālu norobežošanu, pamatojoties uz vairākiem atribūtiem, lai palīdzētu norobežot mangrovju paplašinājumu. To pamatā galvenokārt bija tonalitāte un tekstūra. Toni tika izmantota diferenciācija, jo mangroves parasti izskatās zaļas (no gaiši zaļas līdz vidēji zaļai, atkarībā no izmantotā attēla sezonas) un izceļas ar lavas lauku brūni melno krāsu un zaļo barotni, kas sajaukta ar gaiši zaļu vai gaiši brūnu lapu koku un zālaugu veģetāciju, kas sastopama blakus. Tekstūra arī palīdz atšķirt mangrovju segumu, jo mangrovju plāksteros ir ziedkāpostu raksti, kas skaidri atšķirami no gludajiem sāls purviem, kas parasti sastopami tuvumā. Citi atribūti, piemēram, forma un tuvums citām iezīmēm, kopā ar tonalitātes un faktūras atribūtiem palīdzēja interpretēt attēlus. Mangrovju plankumi bieži parāda saliektu perimetru ar daudzām ievainojumiem, un tie atrodas ūdens iezīmju tuvumā. Mēs sniedzam pilnu atribūtu sarakstu, ko izmantojām, lai interpretētu attēlus un atšķirtu katru iezīmi (1. tabula). Kā jau ir pierādījis [28], unikālā tonalitātes, tekstūras un citu atribūtu kombinācija ļāva identificēt mangrovju iezīmes. Turklāt mēs izmantojām iepriekšējos pētījumus par mangrovju izplatību Galapagu salās (galvenokārt EcoCiencia un GMFD), lai vadītu mūsu vizuālo interpretāciju, pārvēršot mangrovju daudzstūrus no šiem pētījumiem GE dzimtajā formātā, KML (Keyhole Markup Language). Tā kā nebija iespējams analizēt atsevišķus kokus un mangrovju kopu taksonomisko identifikāciju, mūsu analīzes aprobežojās ar sugu kopu atpazīšanu, ti, struktūru vai koku lapotnes sadalījumu attiecībā pret otru (kā aprakstīts [28]). Tādējādi kartes parāda šo salikumu kontūras. Kad cipari tika digitalizēti, mangrovju daudzstūri tika saglabāti KML formātā ETRS (European Terrestrial Reference System) 4326 koordinātu sistēmā un vēlāk pārveidoti par ESRI (Vides sistēmu izpētes institūta) formas failu formātu kvantu ĢIS [64] un pārveidoti par ETRS 32715, lai veikt turpmāku analīzi. Visi atpazīstamie ielāpi tika digitalizēti acu augstumā 300 m GE. Dažos gadījumos mēs samazinājām acu augstumu līdz 150 m, lai rūpīgi pārbaudītu apšaubāmos plankumus. Šajā pētījumā izmantotā minimālā kartēšanas vienība (MMU) bija 10 m 2.

2.2.1 Mangrovju slāņa relatīvais mērogs.

Lai noteiktu šajā pētījumā iegūtā mangrovju slāņa mērogu un padarītu to salīdzināmu ar iepriekšējiem pētījumiem, mēs izmantojām metodi, lai noteiktu mangrovju slāņa relatīvo mērogu. Mēs salīdzinājām digitalizētā daudzstūra perimetra uzstādīšanu ar faktisko mangrovju plāksteri GE VHR attēlos. Iegūtā skala ir relatīva, jo tā ir atkarīga no datora ekrāna izšķirtspējas, tomēr tā ļauj salīdzināt šo un iepriekšējos pētījumus. Lai veiktu šo aprēķinu, mēs sākām no acu augstuma 300 m GE un pēc tam tuvinājām vai tālinājām, līdz digitalizētais daudzstūris lieliski pielāgojās mangrovju plāksterim GE. Mēs reģistrējām acs augstumu un pārveidojām to par relatīvo skalas vērtību katram atlasītajam daudzstūrim, ņemot vērā GE mēroga joslu. Lai atlasītu daudzstūrus, mēs izmantojām stratificētu izlases veida atlasi (atkarībā no daudzstūru skaita uz salas) no n = 573 daudzstūriem (5% kļūdas robeža un 99% ticamības intervāls). Rezultātā iegūtā relatīvā skala ir izlases daudzstūru vidējais ± SE (standarta kļūda).

2.3. Datu kopas ar attālinātu uztveri

Mēs izmantojām GE VHR attēlu pieejamību, lai kartētu mangrovju mežus lielākajā daļā arhipelāga. Tomēr apgabalos ar sliktu attēla kvalitāti (t.i., zemu izšķirtspēju, sliktu apgaismojumu/kontrastu vai mākoņu klātbūtni) mēs izmantojām Bing Maps attēlus, izmantojot tā tīmekļa karšu pakalpojumu (WMS) Quantum GIS [64]. GE VHR attēli ap apdzīvotajām Santa Cruz, Floreana, San Cristóbal un Isabela salām tika papildināti ar Ekvadoras Lauksaimniecības, lopkopības, akvakultūras un zivsaimniecības ministrijas (MAGAP) projekta SIGTIERRAS ortofoto vizuālu analīzi (2. tabula). GE VHR attēli tika iegūti no 2005. līdz 2015. gadam, un lielākā daļa attēlu tika uzņemti 2014. gadā (sīkāka informācija par attēlu datumiem uz salas ir pieejama S1 tabulā).

2.4. Mangrovju plākstera sarežģītība

Mangrovju plankumu ārējās robežas bieži šķita ļoti neregulāras tādu vides apstākļu dēļ kā labvēlīgas augsnes pieejamība, plēsonība, konkurence ar citām sugām utt. Tāpēc poligoniem, kas attēlo šādus plankumus, būtu jāatspoguļo šis pārkāpums. Attiecīgi mēs izmērījām daudzstūru ārējo robežu nevienmērību, kurai mēs izmantojam terminu “sarežģītība”, lai izceltu atšķirību starp šajā projektā iegūto slāni un iepriekšējiem pētījumiem. Lai gan cilvēki no pirmā acu uzmetiena spēj atšķirt vienkāršu daudzstūri no sarežģīta, ir grūti izveidot metriku, lai izmērītu daudzstūra sarežģītību [65]. Šo sarežģītības mēru izmantoja kā veidu, kā izmērīt vienošanos starp patieso mangrovju kontūras formu un tās attēlojumu saskaņā ar attēlu klasifikācijas metodi.

Šajā pētījumā mēs izmantojām trīs sarežģītības mērījumus, lai salīdzinātu šajā pētījumā iegūtos daudzstūrus ar iepriekšējo pētījumu poligoniem. Mēs noteicām pirmo sarežģītības mēru (1. sarežģītība), aprēķinot perimetra/laukuma attiecību katram daudzstūrim, ar augstām vērtībām, kas atbilst sarežģītākam daudzstūrim, tas ir, jo vairāk daudzstūra iebrukumu un izaugumu, jo lielāka ir perimetra/laukuma attiecība .

Vēl viens sarežģītības rādītājs (2. sarežģītība) sekoja [65] aprakstītās metodes modifikācijai. Šis algoritms sastāv no trim parametriem: robežas amplitūdas relatīvā palielinājuma (pastiprinātājs), mezglu skaits (mezgli), un daudzstūra izliekums (konv.) saskaņā ar šādiem vienādojumiem: (2) (3) (4)

Mezgls apzīmē virsotni, kurā daudzstūra perimetrā mainās virziens. Convex korpuss attiecas uz mazāko daudzstūri, kas ietver visus interesējošos punktus vai mezglus. Intuitīvs veids, kā apskatīt izliekto korpusu, ir iedomāties gumijas joslas formu, kas stiepjas, lai aptvertu visus interesējošos ārējos mezglus.

Robežas amplitūdas relatīvais pieaugums norāda uz sarežģītāku objekta formu attiecībā pret izliekts korpuss. Ņemot vērā faktu, ka mangrovju plankumi parasti ir šķībi, to bija grūti aprēķināt frekvences sensu Brinkoff. Tāpēc mēs izmantojām mezglu skaitu kā frekvences starpniekserveri. Izmantojot iepriekš aprakstītos parametrus un pamatojoties uz Brinkoff darbu, sarežģītību definētu šādi: (5)

Visbeidzot, trešais sarežģītības mērs (3. sarežģītība) aprēķināja kopējo mezglu skaitu katrā daudzstūrī. Tāpēc sarežģītam daudzstūrim būtu vairāk mezglu nekā vienkāršam (2. attēls). (6) n apzīmē daudzstūru skaitu.

2.5. Klasifikācijas apstiprināšana

2.5.1. Digitalizācija un klasifikācijas precizitāte.

Tā kā digitalizāciju veica trīs dažādi ĢIS tehniķi, mēs veicām mangrovju plākstera digitalizācijas procesa kvalitātes pārbaudi, izmantojot stratificētu izlases veida paraugu ņemšanu 8% (n = 328) no kopējā daudzstūru skaita (n = 4099). Pārskatīšanas procesā tika salīdzināts digitalizētā daudzstūra perimetrs ar faktisko mangrovju plāksteri, kas vizualizēts GE 300 m acu augstumā. Daudzstūris tika uzskatīts par precīzu, ja ≥ 50% no daudzstūra perimetra sakrita ar faktiskā mangrovju plākstera perimetru, pretējā gadījumā tas tika uzskatīts par neprecīzu.

Lai novērtētu klasifikācijas procesa precizitāti, mēs izmantojām patiesības datus no ekskursijām, kas tika veiktas laikā no 2015. līdz 2018. gadam, apmeklējot 208 vietas 15 salās, izņemot Pintas un Rábidas. Šo braucienu laikā mēs vizuāli pārbaudījām mangrovju klātbūtni/neesamību un ģeogrāfiskās atsauces uz vietnēm, izmantojot rokas globālo pozicionēšanas sistēmu (GPS) (Garmin GPSMAP 78). Tā kā mūsu dati tiek ražoti vektoru formātā, mēs nevaram izmantot pikseļus, lai novērtētu precizitāti. Turklāt mēs vektorizējām tikai mangrovju segumu, nevis lavas laukus, citus veģetācijas veidojumus, smiltis, ūdeni uc ha ap katru lauka vietu (pamatojoties uz mūsu spēju vizuāli novērtēt mangrovju un ne-mangrovu klašu izplatību 100 m rādiusā no lauka uzņemtā centrālā GPS punkta). Pēc tam mēs nejauši ievietojām 500 parauga punktus bufera zonā, lai novērtētu mangrovju klātbūtnes precizitāti. Katrā brīdī mēs pārbaudījām mangrovu klātbūtni vai neesamību. Mēs salīdzinājām mūsu klasificēto karti ar lauka novērojumu datiem, lai noteiktu kopējo kartes precizitāti, aprēķinot pareizo izlases punktu īpatsvaru attiecībā pret kopējo izlases punktu skaitu [66]. Šī procedūra tika atkārtota trīs reizes, lai nodrošinātu objektivitāti novērtējumā. Mēs arī aprēķinājām Kappa statistiku, kas atspoguļo atšķirību starp faktisko vienošanos un nejauši gaidīto vienošanos [67], piem. Kappa 0,95 nozīmē, ka vienošanās varbūtība ir par 95% labāka nekā tikai nejaušības dēļ. Lai salīdzinātu mūsu rezultātus ar iepriekšējiem mangrovju kartēšanas pētījumiem un citām attēlu klasifikācijas metodēm, mēs izmantojām to pašu procedūru, lai novērtētu kopējo precizitāti un Kappa statistiku, bet šajā gadījumā paraugu punktu skaits bija 100.

Visbeidzot, mēs veicām Z testu starp GE balstītu un GMFD, EcoCiencia, Rivas-Torres et al. [53] un TNC-CLIRSEN [52] pētījumi, lai noteiktu būtiskās atšķirības starp klasifikācijas procesiem, izmantojot šādu formulu [68]: (7) kur N1 un N2 attiecas uz kopējo paraugu ņemšanas punktu skaitu, X1 un X2 kopējais pareizi klasificēto punktu skaits un ρ tiek aprēķināts kā (X1 + X2) / (N1 + N2). Atvasināto Z vērtību salīdzina ar tabulas Z vērtībām 5% nozīmīguma līmenī, lai novērtētu, vai starp klasifikācijas procesiem pastāv statistiski nozīmīgas atšķirības. Ja | Z | ir ≥ 1,96, pastāv statistiski nozīmīga atšķirība starp dažādiem klasifikācijas rezultātiem [69]. Mēs arī pārbaudījām, vai starp trim ĢIS tehniķiem, kas veica ekrāna digitalizāciju, bija būtiskas precizitātes atšķirības.

2.5.2 Pusautomātiskā klasifikācija.

Lai salīdzinātu mūsu apstrādes metodes rezultātus un precizitāti ar klasiskajām apstrādes ķēdes attēlu klasifikācijas metodēm [70], mēs salīdzinājām digitalizāciju, salīdzinot ar GE VHR attēliem GE programmatūrā, ar divām uz vienu pikseļu balstītām pusautomātiskām vienas un tās pašas GE attēlu klasifikācijas metodēm. Proti, maksimālās varbūtības klasifikācijas algoritms (MLC) un hibrīda metode, izmantojot attēlu segmentāciju (OBIA, Object Based Image Analysis) ar MLC. Programmatūras pieejamība, bezmaksas attēlu pieejamības avoti, telpiskā un laika izšķirtspēja un skaitļošanas jauda bija faktori, kas tika ņemti vērā, lai izlemtu, kuru ķēdi izvēlēties salīdzināšanai. Salīdzinājums tika veikts dažās reprezentatīvās piekrastes parauglaukumos visā arhipelāgā, kur bija augsts zemes patiesības punktu blīvums. Mēs izvēlējāmies apgabalus no Fernandinas austrumu krasta (kas pārstāv ģeoloģiski jaunu salu), Santa Cruz rietumu krastu (kas pārstāv vidēja vecuma salu) un San Cristóbal ziemeļaustrumu krastu (kas pārstāv vecāku salu) (3. attēls). Mēs ievērojām metodisko procedūru, kas aprakstīta Collin et al. [71] ar dažām izmaiņām. Pusautomātiskajām klasifikācijas procedūrām ir nepieciešama satelītattēlu analīze lokāli, ĢIS programmatūrā. Mēs izmantojām bezmaksas un atvērtā pirmkoda programmatūru SAS Planet 160707, lai lejupielādētu un ģeogrāfiski norādītu GE attēlus no paraugu apgabaliem. Attēli tika lejupielādēti ECW (Enhanced Compression Wavelet) formātā, ETRS 4326 atsauces sistēmā, ar tālummaiņas līmeni 20x (ekvivalents acu augstumam 300 m), un tie tika ierobežoti līdz viena kilometra buferim no krasta līnijas, lai atvieglotu mangrovju seguma klasifikācija. Visas zonas ārpus bufera tika iestatītas uz nav datu vērtības, lai vienkāršotu attēlu pārvaldību un apstrādi. Sakarā ar dažādiem sensoriem, ko apkopo GE VHR attēlu mozaīka, mēs sadalījām attēla kompozītu četrās sadaļās saskaņā ar viendabīguma kritērijiem, un mēs tālāk analizējām šīs sadaļas, lai attēlus klasificētu digitālā skaitļa līmenī (paraugu ņemšanas vietu skatīt 3. attēlā) sadaļas). Lai integrētu datus ESRI ArcGIS 10.3 programmatūrā, attēli tika pārveidoti uz GRID Stack 7.x. un tika prognozēti uz ETRS 32715, lai tie būtu saderīgi ar zemes patiesības validācijas datiem.

Tiek parādīti arī zemes patiesības punkti (purpura punkti).

Pirmā metode, MLC algoritms (turpmāk tekstā MLC1), ir balstīta uz attēlu RGB (sarkanā, zaļā un zilā) joslām, un vispirms ir nepieciešama interešu reģionu (apmācības paraugu) digitalizācija katram zemes segumam, proti, kailai zemei. , ūdens, veģetācija un mangrovs [71]. Apmācības paraugi tika vienkāršoti, izmantojot digitālo skaitļu histogrammu analīzi. Piemēram, pirmajā mācību izlases apsekojumā tika iegūti 12 ūdens veidi, kas tika vienkāršoti līdz pieciem. Šis process tika piemērots katram viendabīgam attēla kompozītam. Apmācības paraugi tika izmantoti, lai barotu MLC algoritmu ArcGIS attēlu klasifikācijas rīkā. Klasifikācijas rastrs tika pārveidots par daudzstūra iezīmēm, lai iegūtu attēla klasifikācijas izvades laukuma vērtības.

Lai palīdzētu klasificēt mangrovju mežus, mēs atdalījām zemi no ūdens, izmantojot piekrastes līniju. Pēc tam MLC algoritms tika piemērots virs jūras apgabala bez zemes un uz sauszemes teritoriju bez jūras, tādējādi katra attēla salikuma daļa tika klasificēta vienlaikus. Šī metode (turpmāk MLC2) tika izmantota, jo citi ir pierādījuši, ka ar MLC algoritmu klasifikācijas precizitāti palielina piekrastes zonās [71].

Trešā metode, turpmāk HYBRID, izmantoja hibrīda ķēdi. Lai uzlabotu attēlu analīzes kvalitāti un palīdzētu klasificēt attēlus, mēs ierobežojām attēlu objektu analīzi veģetācijas zonās. Lai to izdarītu, mēs vispirms nošķīrām veģetācijas segumu no veģetācijas seguma, analizējot Sentinel 2A L1C attēlu multispektrālos datus [72]. Attēli tika koriģēti atmosfērā, izmantojot Dark Object Subtraction (DOS1) [73], izmantojot Quantum GIS pusautomātiskās klasifikācijas spraudni. Lai identificētu veģetācijas segumu, mēs aprēķinājām normalizēto veģetācijas indeksu (NDVI), kas ir veģetācijas absorbējošo un atstarojošo īpašību indekss, kas ir proporcionāls fotosintētiski aktīvā starojuma absorbcijai [74]. To aprēķina pēc redzamās sarkanās (R) infrasarkanās (NIR) gaismas un tās tuvumā (Sentinel 2A attēlos attiecīgi viļņu garumi 664,5 nm un 835,1 nm), ko atspoguļo veģetācija saskaņā ar šo formulu: (8) skaitlis, kas svārstās no mīnus viens (-1) līdz plus viens (+1) un atspoguļo zaļo lapu blīvumu (nulle nozīmē bez veģetācijas). Šim pētījumam tika izmantots slieksnis 0,2, lai atšķirtu veģetatīvo (≥0,2) no veģetācijas seguma (& lt0,2). Šī vērtība tika noteikta, pārbaudot dažādus sliekšņus zemes patiesības apgabalos, lai noteiktu, kura ir minimālā NDVI vērtība, kas spēj atšķirt veģetācijas apgabalus no veģetācijas. Visas neapaugušās teritorijas tika maskētas no GE VHR attēliem un OBIA i.segments tika piemērots algoritms [75] (i.segments parametriem tika noteikts atšķirību slieksnis 0,75 un minimālais segmenta izmērs 750 pikseļi). Visbeidzot, mēs atjauninājām šos segmentētos attēlus, izvēloties segmentus, kas krustojas ar mangrovju klasi, kas iegūta MLC pirmajā ķēdē (MLC2), jo ir pierādīts, ka tas uzlabo OBIA klasifikācijas rezultātus [76].

Trīs pārbaudītajām metodēm tika izmantots 10 m 2 MMU, tāpēc visi daudzstūri, kas ir mazāki par MMU, tika izdzēsti. Četru pārbaudīto metožu salīdzinājumi starp salu grupām atbilstoši to ģeoloģiskajam vecumam tika veikti, izmantojot Kruskal-Wallis testus (neparametrisks ANOVA) un Dunn testu vairākiem salīdzinājumiem.

Mēs arī pārbaudījām divus RGB veģetācijas indeksus ar GE VHR attēliem, proti, trīsstūrveida zaļuma indeksu (TGI) un redzamās atmosfēras izturības indeksu (VARI) [77, 78], ar ļoti sliktiem rezultātiem veģetācijas atpazīšanā izlases apgabalos. Tādējādi papildu analīze ar šīm metodēm netika tālāk pētīta.

2.5.3 Pagaidu izmaiņas.

Lai pārbaudītu, vai atšķirības mangrovju pārklājumā starp gadiem ir bijušas atšķirīgas vides problēmu dēļ vai artefakts no katrā pētījumā izmantotās metodikas, mēs analizējām mangrovju segumu desmit gadus atpakaļ no šī pētījuma attēliem, izmantojot GE pieejamo vēstures attēlu rīku. programmatūru. Mērķa attēlu laiks bija 2004. gads, tomēr, ņemot vērā attēlu pieejamību dažādās jomās, mums bija jāielādē attēli no 2004. līdz 2007. gadam, lai gan lielākā daļa attēlu bija no 2004. gada. Mangrovju vāku izplatīšana 2004. gadā tika veikta tāpat kā 2014. gada apsekojums, izmantojot ekrāna digitalizāciju GE programmatūrā un turpmāku pārveidošanu no EPSG 4326 uz vietējo atsauces sistēmu EPSG 32715.

Mangrovju seguma laika izmaiņām mēs izvēlējāmies trīs izlases apgabalus, kas aptver Fernandinas austrumu krastu, Santa Cruz rietumu krastu un San Cristobal ziemeļaustrumus, lai aptvertu dažādus bioreģionus (sensu [79]) un salu ģeoloģiskais vecums (3. att.). Iepriekšējos pētījumos mēs analizējām arī mangrovju segumu šīm izlases zonām, lai varētu salīdzināt ar mangrovju segumu no mūsu desmit gadu perioda.

To analyse the spatial-temporal changes in mangrove cover for the sampled areas, we first examined the differences in the size frequency distribution of the mangrove patches between the two time periods with Kolmogorov–Smirnov (K-S) tests. For a deeper understanding of mangrove change, i.e. the development of new mangrove patches, the loss of patches and the expansion or contraction of patches already present, we used the geographic technique “spatial–temporal analysis of moving polygons” (STAMP), available through the ‘stampr’ R package [80]. To be able to run the STAMP analysis, 2004’ polygons had to be geographically corrected for the known issues in GE imagery position errors [81]. A 15 m spatial distance threshold was applied to the STAMP analysis and was determined by our MMU and by a brief analysis where we calculated the average distance between 15 pairs of sample points for each time period, 2004 (t) and 2014 (t+10), of the same geographical location across the three sampled islands. This was done using abiotic, relatively stable features like capes, big rocks, etc. We used the ESRI’s ArcGIS 10.3 software to visualize STAMP’s four levels of complexity and to calculate summarized statistics of these results by island. All statistical analysis were done using the statistical software R v. 3.5.1 [82].


A geospatial analysis of the influence of landscape and climate on the location of Greek vernacular settlements using GIS

A core argument of several studies that focus on Greek vernacular settlements is that climate and landscape had a significant impact on their spatial distribution and growth. For the majority of these studies, this argument is primarily underpinned by qualitative observations at the geographical scale or by detailed microscale analyses of specific case studies. A nationwide analysis of the relation of vernacular settlement locations with key environmental factors has not yet been conducted in Greece. The present study seeks to cover this research gap by adopting a geospatial analysis approach. It utilises Geographic Information Systems (GIS) to relate the location of Greek vernacular settlements with the sea, the sun, the wind and the local geomorphology. The results of the study provide valuable insight on these relations and ultimately support the argument of the environmental responsiveness of vernacular settlements with quantitative data.

Šis ir abonementa satura priekšskatījums, kuram var piekļūt, izmantojot jūsu iestādi.


Debian GIS darbstaciju pakotnes

AVCE00은 Arcinfo (바이너리) Vector Coverages를 E00으로 표시하는 도구의 C 라이브러리 및 그룹입니다. E00 파일인것 처럼 바이너리 범위를 읽고 쓸 수 있습니다.

E00compr ir ANSI C bibliotēka, kas lasa un raksta Arcinfo saspiestus E00 failus. Tiek atbalstīti gan "PARTIAL", gan "FULL" saspiešanas līmeņi. E00 faili ir Arcinfo vektora importa/eksporta formāts. Tas ir vienkāršs ASCII un ir domāts kā apmaiņas formāts. ESRI uzskata formātu par patentētu, tāpēc šī pakete var nelasīt visus E00 failus, jo ESRI var mainīt formātu.

Šī pakete ir noderīga, lai importētu E00 failus zāles ĢIS sistēmā.

Tajā ir komandrindas programma e00conv, kas ievada E00 failu (saspiestu vai nesaspiestu) un kopē to jaunā failā ar pieprasīto saspiešanas līmeni (NAV, PARTIAL vai FULL). Bibliotēka šajā posmā nav iekļauta.

Epsilon은 손실 이미지 압축 기반에 Wavelet용 C 라이브러리입니다. Wavelet 기 반 압축기는 (JPEG와 같은) 전통적인 DCT 기반의 압축기보다 훨씬 효율적임이 알 려졌습니다.

현재 이 프로그램은 대략 30개의 서로 다른 wavelet 필터 지원, 멀티 쓰래드 및 MPI 환경에서 병렬 실행, 거대한 이미지 처리외에도 여러가지 기능들을 지원합니다.

이 패키지는 이미지 압축/압축해제에 대한 몇몇 유용한 도구를 포함합니다.

GDAL ir tulkotāju bibliotēka rastra ģeotelpisko datu formātiem. Kā bibliotēka tā visiem atbalstītajiem formātiem izsaucējai lietojumprogrammai piedāvā vienu abstraktu datu modeli. Saistītā OGR bibliotēka (kas atrodas GDAL avota kokā) nodrošina līdzīgu iespēju vienkāršu funkciju vektoru datiem.

GDAL atbalsta vairāk nekā 40 populārus datu formātus, ieskaitot bieži lietotos (GeoTIFF, JPEG, PNG un citus), kā arī tos, kas tiek izmantoti ĢIS un tālvadības programmatūras pakotnēs (ERDAS Imagine, ESRI Arc/Info, ENVI, PCI Geomatics). Atbalsta arī daudzus attālās izpētes un zinātniskos datu izplatīšanas formātus, piemēram, HDF, EOS FAST, NOAA L1B, NetCDF, FITS.

OGR bibliotēka atbalsta tādus populārus vektoru formātus kā ESRI Shapefile, TIGER data, S57, MapInfo File, DGN, GML un citus.

Šajā pakotnē ir lietderības programmas, kuru pamatā ir GDAL/OGR bibliotēka, proti, gdal_translate, gdalinfo, gdaladdo, gdalwarp, ogr2ogr, ogrinfo, ogrtindex.

GeographicLib ir neliels C ++ klašu komplekts, lai konvertētu starp ģeogrāfiskajām, UTM, UPS, MGRS, ģeocentriskām un vietējām Dekarta koordinātām, ģeoīdu aprēķiniem un ģeodēzisko aprēķinu veikšanai. Tas ir piemērots NGA Geotrans nodrošinātās pamatfunkcijas aizstājējs.

Šajā pakotnē ir daži pamata rīki, kuru pamatā ir bibliotēka GeographicLib.

GeoIP ir C bibliotēka, kas ļauj lietotājam atrast valsti, no kuras nāk jebkura IP adrese vai resursdatora nosaukums. Tas izmanto uz failiem balstītu datu bāzi.

Šajā datu bāzē vienkārši ir IP bloki kā atslēgas un valstis kā vērtības, un tai vajadzētu būt pilnīgākai un precīzākai, nekā izmantot apgrieztās DNS uzmeklēšanas.

Šajā pakotnē ir komandrindas utilītas, lai atrisinātu IP numurus, izmantojot GeoIP bibliotēku.

이 C 라이브러리는 지리 참조 래스터 이미지를 위한 TIFF 6.0 기반에 상호 교환 형식을 지원합니다. GeoTIFF 표준은 TIFF 래스터 상단에 지리 정보 메타 태그을 읽고 쓰기 위해 개발되어 왔습니다.

GeoTIFF 라이브러리는 두개의 유틸리티 프로그램을 포함합니다:

GMT ir rīku kopums, kas ļauj lietotājiem manipulēt ar (x, y) un (x, y, z) datu kopām (ieskaitot filtrēšanu, tendenču pielāgošanu, režģēšanu, projicēšanu utt.) Un izveidot iekapsulētu PostScript failu (EPS) ilustrācijas no vienkāršiem xy grafikiem līdz kontūru kartēm līdz mākslīgi apgaismotām virsmām un trīsdimensiju perspektīvas skatiem melnbaltā, pelēkā tonī, hahure rakstos un 24 bitu krāsās.

GMT atbalsta daudzas izplatītas karšu prognozes, kā arī lineāru, žurnālu un jaudas mērogošanu, un tam ir pievienoti atbalsta dati, piemēram, krasta līnijas, upes un politiskās robežas.

Tcl pakete, kas nodrošina līdzekļus failu izveidošanai un lasīšanai ESRI Shapefile, lai saglabātu 2 vai 3 dimensiju punktus un polilīnijas.

Tas tika izstrādāts lietošanai GPSMan, kas ir GPS uztvērēja datu pārvaldnieks, un tā pamatā ir shapelib modulis. Kopā ar šo pakotni tika izstrādāts arī gpstr2shp.c, kas pārvērš GPStrans datu failus Shapefile failos.

Grace ir rīks, ar kuru var noklikšķināt un noklikšķināt, kas ļauj lietotājam uzzīmēt X-Y grafikus. Šī ir programma, kas agrāk bija pazīstama kā Xmgr.

Dažas no tā funkcijām ir šādas: lietotāja definēta mērogošana, atzīmes, etiķetes, simboli, līniju stili, krāsas, polinomu regresija, splaini, vidējie vidējie rādītāji, DFT/FFT, krusteniskā/automātiskā korelācija, partijas režīms bez uzraudzības uzzīmēšanai un drukātā formāta atbalsts PostScript, FrameMaker un vairākiem attēlu formātiem.

Citi iepakojuma žēlastības ekrānuzņēmumi
VersijaURL
1:5.1.22-10https://screenshots.debian.net/shrine/screenshot/7408/simage/large-f2bb08428f0d5fe91681fc3fac3d0291.png

GRASS로 알려진, 이 프로그램은 지리공간 데이타 관리 및 분석, 이미지 처리, 그 래픽/지도 제작, 공간 모델링, 그리고 시각화를 위한 지리학 정보 시스템(GIS) 입니다. GRASS는 현재 전세계 학술 및 상업 분야 외에도 많은 정부 기관 및 환경 컨설팅 회사들에 의해서 사용되고 있습니다.

완전한 GRASS 시스템을 얻기 위해 이 가상 패키지를 설치하십시요.

HDF5 (Hierarchical Data Format 5)은 과학 데이타를 저장하기 위한 파일 형식입 니다. 이 도구는 HDF5로 다른 형식을 변환하며, 그리고 HDF5 파일을 시작화 합니 다. 이 도구들은 아래의 특징을 포함합니다:

h5topng, HDF5 파일의 2d 슬라이스를 추출하고, PNG 형식에 댕응하는 이미지 를 출력

h5totxt, 2d 슬라이스를 추출하고 (스프레드시트로 가져오기에 적합한) 콤마 로 구분된

텍스트로 출력 - h5fromtxt, 간단한 텍스트 입력을 다차원 숫자 HDF5 데이타셋으로 변환 - h5fromh4, HDF4 데이타를 HDF5로 변환 - h5tovtk, VTK 인식 프로그램을 통한 시각화를 위해 HDF5 파일을 VTK 파일로 변환

HDF는 주로 과학 컴퓨팅에 사용되는 그래픽 및 수치 데이타 저장 및 전송을 위한 다중 객체 파일 형식입니다. HDF는 다차원 어레이, 래스터 이미지, 테이블을 포 함하여 여러가지 서로 다른 데이타 모델을 지원합니다. 각각은 특정 집합의 데이타 타입을 정의하고 읽기, 쓰기, 및 데이타와 메타데이 타 구성을 위해 API를 제공합니다. 새로운 데이타 모델은 HDF 개발자 또는 사용 자에 의해 추가될 수 있습니다.

이 패키지는 HDF 파일을 보고, 묶고, 푸는 몇가지 기본 유틸리티를 포함합니다.

Hierarhiskais datu formāts 5 (HDF5) ir failu formāts un bibliotēka zinātnisko datu glabāšanai. HDF5 tika izstrādāts un ieviests, lai novērstu HDF4.x trūkumus. Tam ir jaudīgāks un elastīgāks datu modelis, tas atbalsta failus, kas lielāki par 2 GB, un atbalsta paralēlo I/O.

Šajā pakotnē ir HDF5 izpildlaika rīki.

GDAL ir tulkotāju bibliotēka rastra ģeotelpisko datu formātiem. Kā bibliotēka tā visiem atbalstītajiem formātiem izsaucējai lietojumprogrammai piedāvā vienu abstraktu datu modeli. Saistītā OGR bibliotēka (kas atrodas GDAL avota kokā) nodrošina līdzīgu iespēju vienkāršu funkciju vektoru datiem.

GDAL atbalsta daudzus populārus datu formātus, tostarp bieži lietotus (GeoTIFF, JPEG, PNG un citus), kā arī tos, kas tiek izmantoti ĢIS un tālvadības programmatūras pakotnēs (ERDAS Imagine, ESRI Arc/Info, ENVI, PCI Geomatics). Atbalsta arī daudzus attālās izpētes un zinātniskos datu izplatīšanas formātus, piemēram, HDF, EOS FAST, NOAA L1B, NetCDF, FITS.

OGR bibliotēka atbalsta tādus populārus vektoru formātus kā ESRI Shapefile, TIGER data, S57, MapInfo File, DGN, GML un citus.

Šajā pakotnē ir faili, kas nepieciešami, lai izstrādātu programmatūru, kas izmantos GDAL/OGR (galvenes, statiski objekti, konfigurācijas skripts).

GDAL ir tulkotāju bibliotēka rastra ģeotelpisko datu formātiem. Kā bibliotēka tā visiem atbalstītajiem formātiem izsaucējai lietojumprogrammai piedāvā vienu abstraktu datu modeli. Šis paplašinājums nodrošina piekļuvi GRASS datiem, izmantojot GDAL.

Šī pakete nodrošina GDAL GRASS spraudni.

Viena vieta uz zemeslodes jebkurā koordinātu sistēmā. Geo :: Point mēģina slēpt matemātiku un koordinātu sistēmu, kurā punkts ir attēlots.

Viena no mulsinošākajām lietām, apstrādājot ģeometriskos datus, ir tā, ka dažreiz tiek izmantots latilons, dažreiz xy: apgriezta horizontāla un vertikāla organizācija. Šī pakete mēģina to paslēpt no jūsu programmas, nodrošinot abstraktus piederumus latlong (), longlat (), xy () un yx ().

Šī pakete nodrošina šādus moduļus:

  • Geo :: Line - savienotu punktu secība
  • Ģeogrāfija :: Punkts - punkts uz zemeslodes
  • Geo :: Proj - vienkāršots iesaiņojums Geo :: Proj4
  • Geo :: Shape - bāzes klase 2 -dimensiju punktiem uz zemes virsmas
  • Ģeogrāfija :: Kosmoss - dažādu priekšmetu kolekcija
  • Ģeogrāfija :: Virsma - virsmas apraksts

GeographicLib ir neliels C ++ klašu komplekts, lai konvertētu starp ģeogrāfiskajām, UTM, UPS, MGRS, ģeocentriskām un vietējām Dekarta koordinātām, ģeoīdu aprēķiniem un ģeodēzisko aprēķinu veikšanai. Tas ir piemērots NGA Geotrans nodrošinātās pamatfunkcijas aizstājējs.

Šajā pakotnē ir faili, ko izmanto, lai izstrādātu lietojumprogrammas, kas izmanto GeographicLib bibliotēku.

JTS ir java bibliotēka, kas nodrošina:

  • telpisko datu modeļa ieviešana, kas definēta OGC vienkāršo funkciju specifikācijā SQL (SFS)
  • pilnīga, konsekventa 2D telpisko algoritmu ieviešana
  • nepārprotams precizitātes modelis ar algoritmiem, kas graciozi risina situācijas, kas izraisa izmēru sabrukumu
  • stabilu galveno skaitļošanas ģeometrisko operāciju ieviešana
  • I/O labi pazīstama teksta formātā

libLAS ir C/C ++ bibliotēka ASPRS LAS versiju 1.0, 1.1 un 1.2 datu lasīšanai un rakstīšanai. LAS formāts ir secīgs binārs formāts, ko izmanto datu glabāšanai no sensoriem un kā starpposma apstrādes krātuvi dažās ar LiDAR saistītās lietojumprogrammās. LiDAR (gaismas noteikšana un diapazons) ir optiska tālvadības tehnoloģija, kas mēra izkliedētās gaismas īpašības, lai atrastu attālumu un/vai citu informāciju par tālu mērķi. Visizplatītākā metode attāluma noteikšanai līdz objektam vai virsmai ir lāzera impulsu izmantošana.

Šajā pakotnē ir būtisks rīku komplekts LiDAR datu pārvaldībai: lasinfo, lasmerge, las2las, las2txt, txt2las, las2ogr.

Shapefile formāts ir darba un apmaiņas formāts, ko ESRI reklamē vienkāršiem vektoru datiem ar atribūtiem. Acīmredzot tas ir vienīgais failu formāts, ko var rediģēt ARCView 2/3, kā arī var eksportēt un importēt ArcGis.

Šī pakete ietver izstrādes failus.

mapcode는 위치를 나타냅니다. 지구상에 모든 위치는 mapcode로 나타낼 수 있습 니다. Mapcode는 짭고, 인식하기 쉽고, 기억하고, 전달될 수 있도록 설계되었습 니다. Mapcode는 수 미터의 정확도를 가지고 있으 매일 사용하기에 충분합니다. 인구 밀집 지역에서는 더 짧은 mapcode를 자주 얻을 수 있습니다. http://mapcode.com/ 을 참조하십시요.

이 패키지는 mapcode 상호 변환을 지원하는 명령행 유틸리티를 포함합니다.

Mapnik는 GIS(Geographic Information Systems / 지리 정보 시스템) 어플리케이 션 개발용 오픈소스 C++ 툴킷입니다. 코어는 공간 데이타 접근 및 시각화를 위한 알고리즘/패턴을 제공하는 C++ 공유 라이브러리 입니다.

지리적 개체(지도, 레이터, 데이타소스, 기능, 기하학)의 모음인, 라이브러리는 기본적으로 "윈도잉 시스템"에 의존하지 않고 멀티쓰레드 환경에서 작동하도록 설계되었습니다.

이 패키지는 mapnik와 함께 배포되는 다양한 유틸리티를 포함합니다.

shapeindex: ESRI shape-files을 위한 인덱스 기반 파일 시스템을 만들기 위한 프로그램입니다.

OGDI는 Open Geographic Datastore Interface입니다. OGDI는 GIS 소프트웨어 패 키지 (어플리케이션) 및 다양한 지형 데이타 제품과 함께 작동할 수 있도록 표준 화된 엑세스 방법을 사용하는 어플리케이션 프로그래밍 인터페이스 (API) 입니 다. OGDI는 모든 TCP/IP 네트워크에 걸쳐서 지형 데이타 제품의 보급을 용이하 게 하기 위해 클라이언트/서버 아키텍쳐를 사용하며, 그리고 다양한 지형 데이 타 제품/형식에 대한 엑세스를 용이하게 하기 위해 드라이버 중심적 접근을 사용 합니다.

이 패키지는 OGDI 라이브러리에 기반한 유용한 도구를 포함합니다.

Diagrammu zīmētāja un navigācijas programmatūras programma izmantošanai vai plānošanas rīks. Izstrādājusi aktīvu jūrnieku komanda, programmas testēšanai un pilnveidošanai izmantojot reālās pasaules apstākļus. Pēc noklusējuma atbalsta rastra un vektoru formātus, piemēram, BSB un S63. Spraudņos ir pieejams atbalsts daudziem citiem formātiem. Citi spraudņi nodrošina atbalstu e. piem., AIS, radara un laika apstākļu kartes. Lietojumprogrammai ir valodu atbalsts vairāk nekā 20 valodās.

Šajā pakotnē ir programmas, bibliotēkas un daži atbalsta faili.

Pārnēsājams, augsta līmeņa grafikas rīku komplekts augstas veiktspējas grafikas lietojumprogrammu, piemēram, lidojuma simulatoru, spēļu, virtuālās realitātes vai zinātniskās vizualizācijas, izstrādei. Nodrošinot objektorientētu ietvaru virs OpenGL, tas atbrīvo izstrādātāju no zema līmeņa grafikas zvanu ieviešanas un optimizācijas, kā arī nodrošina daudzas papildu utilītas grafikas lietojumprogrammu straujai attīstībai.

Šajā pakotnē ir utilītas un piemēri (binārie faili).

osgEarth ir pielāgojama reljefa atveidošanas rīkkopa OpenSceneGraph (OSG), atvērtā pirmkoda, augstas veiktspējas 3D grafikas rīkkopai. Vienkārši izveidojiet vienkāršu XML failu, norādiet to uz saviem attēliem, pacēlumiem un vektoru datiem, ielādējiet to savā iecienītākajā OSG lietojumprogrammā un dodieties! OsgEarth atbalsta visa veida datus, un tajā ir daudz piemēru, kas palīdzēs ātri un viegli sākt darbu.

Šajā pakotnē ir binārie faili.

Atvērtā pirmkoda programmatūras attēlu karte (OSSIM) ir augstas veiktspējas attālās izpētes, attēlu apstrādes, ģeogrāfiskās informācijas sistēmu un fotogrammetrijas dzinējs. Tā ir aktīvi attīstīta kopš 1996. gada.

Tā ir izstrādāta kā augstas veiktspējas programmatūras bibliotēku sērija, tā ir rakstīta C ++ valodā, izmantojot jaunākās objektorientētās programmatūras projektēšanas metodes.

Bibliotēka nodrošina uzlabotas tālvadības, attēlu apstrādes un ģeotelpiskās funkcijas. Ātrs OSSIM funkcionalitātes kopsavilkums ietver ortofrekciju, precīzu reljefa korekciju, stingrus sensoru modeļus, ļoti lielas mozaīkas un sensoru saplūšanu, plašu karšu projekciju un datu punktu klāstu, kā arī plašu komerciālu un valsts datu formātu klāstu. Bibliotēkas arhitektūra atbalsta paralēlu apstrādi ar mpi (nav iespējota), dinamisku spraudņu arhitektūru un dinamiski savienojamus objektus, kas ļauj ātri pielāgot pielāgotu attēlu apstrādes ķēžu prototipus.

Šajā pakotnē ir iekļauti pamata rīki, kas izmanto OSSIM bibliotēku, lai veiktu dažus pamatuzdevumus.

PDAL은 여러 형식의 포인트 클라우드 데이타를 옮기고 조작하는 BSD 라이센스 라이브러리입니다. PDAL은 다양한 형식의 포인트 클라우드 데이타를 읽고, 쓰고, 옮기는데 사용될 수 있습니다. LAS, LAZ, SBET, BPF, QFIT 등의 입력 파일에 대한 지원을 포함합니다. 또한 PDAL은 Oracle, Pstgres, SQLite를 포함하여 포인트 클라우드 스토리지를 지원하는 데이타베이스에서 읽고 쓸 수 있습니다.

PDAL을 PCL (Point Cloud Library)와 혼동해서는 안됩니다. PCL은 포인트 클라우드의 알고리즘 분석 및 수정을 제공하도록 특별히 설계된 라이브러리입니다. PDAL은 PCL에 대한 제한된 인터페이스를 제공하지만 일반적으로 그 기능을 복제하려고 하지는 않습니다.

Pktools는 주로 raster geolocated 이미지에 대해 작업을 수행하는 프로그램 모음입니다. Geospatial Data Abstraction Library (GDAL) 및 OGR에 크게 의존합니다. 이 프로그램은 GDAL 도구 (dalinfo, gdal_translate, gdal_merge, . )와 유사하며 pktools에 제공하는 일부 기능들은 이미 GDAL 도구에 있습니다.

pktools에 모든 유틸리티는 명령행 옵션을 사용하며 도움말이 내장되어 있습니다. 여기에는 편집, 변경, 자르기, 분류, 비교, 덤프, 채우기, 이미지 향상을 위한 30개가 넘는 바이너리와 원격 감지 이미지 분석 분야에서 유용한 많은 다른 일반적인 작업을 포함합니다.

PostGIS pievieno ģeogrāfisko objektu atbalstu PostgreSQL objektu relāciju datu bāzei. Faktiski PostGIS "telpiski iespējo" PostgreSQL serveri, ļaujot to izmantot kā ģeogrāfiskās informācijas sistēmu (GIS) aizmugures telpisko datu bāzi, līdzīgi kā ESRI SDE vai Oracle telpiskais paplašinājums. PostGIS seko OpenGIS "Vienkāršo funkciju specifikācijai SQL".

This package contains the PostGIS userland binaries for importing and exporting shape and raster files: pgsql2shp, raster2pgsql, and shp2pgsql.

이 스크립트는 두 개의 PostgreSQL 데이타 베이스 서버에서 가능한 큰 테이블 두 개를 네트워크 및 시간 효율적 비교 또는 동기화를 수행하여, 이러한 테이블 간에 삽입, 업데이트 또는 삭제 튜플을 감지합니다.

pprepair (plakanu starpsienu remonts) aizņem daudzstūru komplektu un nodrošina, ka tie veido derīgu plakanu nodalījumu, kas izgatavots no derīgiem daudzstūriem un kam nav atstarpju vai pārklājumu. To var izmantot kā validatoru, stāstot par problēmām atsevišķos daudzstūros vai plaknes nodalījumā, kā arī kā automātisku labošanas rīku, izvadot daudzstūru kopu, kas veido derīgu plakanu nodalījumu.

Prepair ļauj viegli salabot "salauztus" ĢIS daudzstūrus un saskaņā ar starptautiskajiem standartiem ISO 19107. Īsumā, ņemot vērā WKT saglabāto daudzstūri, tas automātiski to labo un atdod derīgu WKT. Automātiskās remonta metodes var uzskatīt par divdomīgu vai nepareizi definētu daudzstūru interpretāciju un saskaņota un skaidri definēta rezultāta iegūšanu.

Proj un invproj veic atbilstošu kartogrāfisko datu uz priekšu un apgriezto pārveidošanu par Dekarta datiem vai no tiem ar plašu atlasāmo projekciju funkciju klāstu (vairāk nekā 100 projekcijas).

Ģeod un invgeod veic ģeodēziskus (Lielā apļa) aprēķinus, lai noteiktu galapunkta platuma, garuma un aizmugures azimutu, ņemot vērā sākotnējo platuma, garuma, azimuta un attāluma (tiešo) vai azimutu uz priekšu un atpakaļ un attālumu starp sākotnējo un beigu punktu platuma un garuma grādus (apgriezti).

Šī pakete nodrošina PROJ bināros rīkus.

Šī bibliotēka satur funkcijas plaknes afināro transformāciju apstrādei.

To var izmantot ģeogrāfiski norādītās datu kopās, lai pārsūtītu attēlu uz pasaules koordinātām.

Šī ir bibliotēkas Python 2 versija.

Dekarts ļauj izmantot ģeometriskus objektus kā matplotlibas ceļus un ielāpus.

Šī ir bibliotēkas Python 2 versija.

Fiona ir Python iesaiņojums ap OGR vektoru datu abstrakcijas bibliotēku. Fiona ir veidota tā, lai būtu vienkārša un uzticama. Tā koncentrējas uz datu lasīšanu un rakstīšanu standarta Python IO stilā un balstās uz pazīstamiem Python veidiem un protokoliem, piemēram, failiem, vārdnīcām, kartējumiem un atkārtotājiem, nevis OGR specifiskām klasēm. Fiona var lasīt un rakstīt reālās pasaules datus, izmantojot daudzslāņu ĢIS formātus un saspiestas virtuālās failu sistēmas, un viegli integrējas ar citām Python ĢIS pakotnēm, piemēram, pyproj, Rtree un Shapely.

Šī pakete nodrošina Python 2 API

GDAL ir tulkotāju bibliotēka rastra ģeotelpisko datu formātiem. Kā bibliotēka tā visiem atbalstītajiem formātiem izsaucējai lietojumprogrammai piedāvā vienu abstraktu datu modeli. Saistītā OGR bibliotēka (kas atrodas GDAL avota kokā) nodrošina līdzīgu iespēju vienkāršu funkciju vektoru datiem.

GDAL atbalsta vairāk nekā 40 populārus datu formātus, ieskaitot bieži lietotos (GeoTIFF, JPEG, PNG un citus), kā arī tos, kas tiek izmantoti ĢIS un tālvadības programmatūras pakotnēs (ERDAS Imagine, ESRI Arc/Info, ENVI, PCI Geomatics). Atbalsta arī daudzus attālās izpētes un zinātniskos datu izplatīšanas formātus, piemēram, HDF, EOS FAST, NOAA L1B, NetCDF, FITS.

OGR bibliotēka atbalsta tādus populārus vektoru formātus kā ESRI Shapefile, TIGER data, S57, MapInfo File, DGN, GML un citus.

Šajā pakotnē ir Python saites GDAL/OGR bibliotēkai un papildu komandrindas rīki.

Šī pakete ir utilītu bibliotēka darbam ar ģeotelpiskām saitēm. Tas ir Cat-Interop darba īstenojums, kas aprakstīts vietnē https://wiki.osgeo.org/wiki/Cat-Interop

Šī pakotne nodrošina bibliotēkas Python 2 versiju.

GeoPandas ir projekts, lai pandu objektiem pievienotu ģeogrāfisko datu atbalstu. Pašlaik tā īsteno GeoSeries un GeoDataFrame tipus, kas ir pandu apakšklases. Sērijas un pandas. DataFrame attiecīgi. GeoPandas objekti var iedarboties uz formas ģeometrijas objektiem un veikt ģeometriskas darbības.

GeoPandas ģeometrijas operācijas ir taisnleņķa. Koordinātu atsauces sistēmu (crs) var saglabāt objektā kā atribūtu, un tā tiek automātiski iestatīta, ielādējot no faila. Objektus var pārveidot par jaunām koordinātu sistēmām, izmantojot metodi to_crs (). Pašlaik operācijām netiek piemērotas līdzīgas koordinātas, taču nākotnē tas var mainīties.

Šajā pakotnē ir bibliotēkas Python 2 versija.

Mapnik는 GIS(Geographic Information Systems / 지리 정보 시스템) 어플리케이 션 개발용 오픈소스 C++ 툴킷입니다. 코어는 공간 데이타 접근 및 시각화를 위한 알고리즘/패턴을 제공하는 C++ 공유 라이브러리 입니다.

지리적 개체(지도, 레이터, 데이타소스, 기능, 기하학)의 모음인, 라이브러리는 기본적으로 "윈도잉 시스템"에 의존하지 않고 멀티쓰레드 환경에서 작동하도록 설계되었습니다.

이 패키지는 파이썬 2를 위한 바인딩을 포함합니다.

PDAL ir BSD licencēta bibliotēka dažādu formātu punktu mākoņu datu tulkošanai un apstrādei. PDAL var izmantot punktu mākoņa datu lasīšanai, rakstīšanai un tulkošanai daudzos formātos. Ir iekļauts atbalsts LAS, LAZ, SBET, BPF, QFIT un citu ievades failiem. PDAL var arī lasīt un rakstīt datubāzēs, kas atbalsta punktu mākoņu krātuvi, tostarp Oracle, Postgres un SQLite.

PDAL nedrīkst jaukt ar PCL (Point Cloud Library). PCL ir bibliotēka, kas īpaši izstrādāta, lai nodrošinātu algoritmisku analīzi un punktu mākoņu modificēšanu. PDAL nodrošina ierobežotu saskarni PCL iekārtām, bet parasti nemēģina dublēt savas iespējas.

Šajā pakotnē ir PDAL paplašinājums Python 2.

PROJ veic kartogrāfiskas transformācijas starp ģeogrāfiskajām (lat/lon) un kartes projekcijas (x/y) koordinātām. To var arī pārveidot tieši no vienas kartes projekcijas koordinātu sistēmas uz citu.

Šī ir Python saite uz PROJ, tā var saņemt koordinātas kā numpy masīvus, Python masīvus, sarakstus vai skalārus. Šis modulis ir optimizēts neskaitāmiem masīviem.

PySAL ir atvērtā pirmkoda telpiskās analīzes funkciju bibliotēka, kas rakstīta Python, lai atbalstītu augsta līmeņa lietojumprogrammu izstrādi.

Ir svarīgi uzsvērt, kas ir PySAL un kas nav paredzēts darbam. Pirmkārt, PySAL ir bibliotēka šī vārda pilnā nozīmē. Izstrādātājiem, kas meklē telpisko analītisko metožu komplektu, ko viņi var iekļaut lietojumprogrammu izstrādē, vajadzētu justies kā mājās, izmantojot PySAL. Telpiskiem analītiķiem, kuri, iespējams, veic pētniecības projektus, kuriem nepieciešama pielāgota skriptu rakstīšana, plaša simulācijas analīze, vai tiem, kas cenšas attīstīt jaunāko stāvokli telpiskajā analīzē, arī vajadzētu uzskatīt, ka PySAL ir noderīgs pamats viņu darbam.

Galalietotājiem, kas meklē lietotājam draudzīgu grafisko lietotāja interfeisu telpiskai analīzei, nevajadzētu tieši vērsties pie PySAL. Tā vietā viņiem vajadzētu apsvērt tādus projektus kā STARS un GeoDaX programmatūras produktu komplekts, kas ietver PySAL funkcionalitāti GUI. Tajā pašā laikā ir sagaidāms, ka līdz ar jauninājumiem, piemēram, uz Python balstītu spraudņu arhitektūru QGIS, GRASS un ArcGIS rīklodziņu paplašinājumiem, tuvākajā nākotnē tiks paplašināta gala lietotāju piekļuve PySAL funkcionalitātei.


These authors contributed equally: Gregory Palmer and Mark Green.

Piederības

Geographic Data Science Lab, Department of Geography and Planning, University of Liverpool, Liverpool, UK

Gregory Palmer, Mark Green & Alex Singleton

Department of Psychology, University of Liverpool, Liverpool, UK

Department of Computer Science, University of Liverpool, Liverpool, UK

Yales Stefano Rios Vasconcelos & Rahul Savani

L3S Research Center, Leibniz University Hannover, Hannover, Germany

Šo autoru varat meklēt arī programmā PubMed Google Scholar

Šo autoru varat meklēt arī programmā PubMed Google Scholar

Šo autoru varat meklēt arī programmā PubMed Google Scholar

Šo autoru varat meklēt arī programmā PubMed Google Scholar

Šo autoru varat meklēt arī programmā PubMed Google Scholar

Šo autoru varat meklēt arī programmā PubMed Google Scholar

Ieguldījumi

G.P., M.G., and A.S. designed the research, analyzed the results and wrote the paper. E.B. made key contributions with respect to the literature review. R.S. made conceptual suggestions and also contributed towards the writing of the paper. Y.V. made contributions towards the acquisition and preparation of data. All authors reviewed the manuscript.

Korespondējošais autors


Skatīties video: Joining Tables in QGIS