Vairāk

Kā izveidot kloropletu pasaules karti ArcGIS 10.2

Kā izveidot kloropletu pasaules karti ArcGIS 10.2


Esmu jauns ArcGIS lietotājs un mēģinu izveidot korporētu karti, lai parādītu attiecību vērtības dažādām valstīm.

Es uzskatu, ka manai pamatkartei būs nepieciešams valsts slānis, lai valstu poligonu ēnošana būtu iespējama, taču es nesaprotu, kā to saistīt ar maniem datiem.

Vai pasaules topogrāfiskajā kartē būs valsts slāņu atribūtu tabula, kurā es varu pievienot jaunu kolonnu, kurā ir manas attiecību vērtības, vai man ir jāizveido un jāimportē Excel fails, kurā ir šī informācija? Ja man ir jāizveido Excel lapa, kā es varu to sasaistīt, lai valstu daudzstūri aizpildītu, lai attēlotu attiecību vērtības?

Esmu atradis dažas noderīgas apmācības, lai parādītu, kā es varu apskatīt slāņa rekvizītus un atlasīt daudzumus cilnē simboloģija, tomēr es nesaprotu, ka man ir jāiegūst dati šajā posmā.

Lūdzu, vai kāds var mani norādīt pareizajā virzienā

Paldies!


Varat izmantot metodi Join Field, lai saistītu savu telpisko tabulu (Excel lapu) ar savas valsts slāni. Starp abām tabulām būs nepieciešama kopīga kolonna (jūsu gadījumā tas, iespējams, būs kaut kas līdzīgs valsts nosaukumam). Kad esat veicis savienojumu, es ieteiktu eksportēt pievienoto slāni uz jaunu funkciju klasi, kuru pēc tam varat iestatīt kloropleta renderēšanu (Layer Properties> Symbology> Quantities).


Choropleth Maps izgatavošana

Atgriezīsimies vēlreiz pie kartes, kurai vajadzētu kļūt pazīstamai, kas tagad ievietota kā 4.6.1. Attēls. Vidējie ienākumi katrā valstī tiek vizuāli kodēti kā piederīgi vienai no četrām klasēm: (1) mazāk nekā 45 000 USD (2) 45 000–49 999 USD (3) 50 000–59 999 USD un (4) 60 000 000 USD un vairāk. Kā šīs klases tika izvēlētas?

Studentu pārdomas

Viens blakus solis, pirms mēs apspriežam datu klasifikāciju: atcerieties mūsu diskusiju par krāsu shēmu veidiem - vai jūs varat iedomāties citu krāsu shēmu veidu, kas būtu efektīvs 4.6.1. Attēlā? Vai jūs domājat, ka tas būtu labāk?

Kad tika izstrādāta karte, kas parādīta 4.6.1. Attēlā, bija jāizlemj par iepriekšminētajām klasēm - un ir daudz dažādu veidu, kā varēja noteikt klases starpību vidējos ienākumos. Tātad, kā jūs izvēlaties? Tā vietā, lai vienkārši izvēlētos noklusējuma klasifikācijas shēmu, ko iesaka jūsu ĢIS programmatūra, jums vajadzētu kritiski domāt par to, kā tiek definētas jūsu datu klases. Pirmais lēmums, kas jums jāpieņem, tomēr nav kā, bet gan vai klasificēt jūsu datus.

4.6.2. Attēlā parādīts divu karšu piemērs - viena neieklasēta (dažreiz saukta par "bez klases" karti) un otra klasificēta. Neklasificētas kartes kodē krāsu (parasti ar vieglumu), pamatojoties uz konkrēto vērtību katrā uzskaites vienībā, nevis uz iepriekš noteiktu klasi, kurā ietilpst datu vērtība. Šīs kartes ir noderīgas, jo, ja tās ir pareizi izveidotas, tās var precīzāk atspoguļot datu izplatīšanas nianses. Tomēr tos nevajadzētu uzskatīt par vienkāršu datu klasifikācijas problēmas risinājumu. Viņiem ir savi trūkumi, piemēram, lasītājam ir grūti saskaņot uzskaites vienībā kodēto vērtību ar tās atrašanās vietu leģendā.

Pirms mūsdienu ĢIS programmatūras neieklasītas kartes bija diezgan grūti izveidot, taču jaunā tehnoloģija to dizainu padarīja diezgan vienkāršu. Neklasificētas kartes parāda “tiešāku” datu vizualizāciju, savukārt karšu klasifikācija ļauj labāk kontrolēt galīgo karti. Jums pašam kā karšu dizainerim būs jāizlemj, vai klasificēt karti, tomēr daudzi karšu lasītāji un kartogrāfi joprojām dod priekšroku klasificētām kartēm.

Tā kā jūs, iespējams, klasificēsit savas kartes, ir svarīgi saprast, kā šis process var ietekmēt jūsu galīgo karšu noformējumu. Lielākā daļa parasti izmantoto klasifikācijas metožu ir pieejamas ArcGIS, un programmatūras saskarne sniedz labu, vienkāršu paskaidrojumu par katru no šīm metodēm (4.6.3. Attēls). Mēs šeit neapspriedīsim katras šīs klasifikācijas metodes matemātisko informāciju - ieteicams uzzināt vairāk par ieteicamajiem lasījumiem vai veikt savus pētījumus tīmeklī.

Dabiski pārtraukumi (Jenks): Rindotu datu skaitliskās vērtības tiek pārbaudītas, lai ņemtu vērā nevienmērīgus sadalījumus, dodot nevienādu klases platumu ar mainīgu novērojumu biežumu katrā klasē.

Kvantile: Novērojumus sadaliet vienādi visā klases intervālā, piešķirot nevienādu klases platumu, bet vienādu novērojumu biežumu katrā klasē.

Vienāds intervāls: Katras klases datu diapazons tiek turēts nemainīgs, dodot vienādu klases platumu ar mainīgu novērojumu biežumu katrā klasē.

Definēts intervāls: Norādiet intervāla lielumu, lai definētu vienādus klases platumus ar mainīgu novērojumu biežumu katrā klasē.

Manuāls intervāls: Manuāli izveidojiet klases pārtraukumus vai modificējiet vienu no pašreizējām klasifikācijas metodēm, kas piemērotas jūsu datiem.

Ģeometriskais intervāls: Matemātiski noteikti klases platumi, kuru pamatā ir ģeometriska virkne, dodot aptuveni vienādu klases platumu un konsekventu novērojumu biežumu katrā klasē.

Standarta novirze: Normāli sadalītiem datiem klases platumi tiek noteikti, izmantojot standarta novirzes no datu masīva vidējā, dodot vienādu klases platumu un mainīgu novērojumu biežumu katrā klasē.

Lai gan 4.6.3. Attēlā sniegti noderīgi katras klasifikācijas metodes apraksti, tajā ir maz ieteikumu, kad tos izmantot. Labs veids, kā piekļūt šim jautājumam, ir apskatīt datus pa ciparu līniju. Varat izmantot histogrammas (lielām datu kopām) vai punktu diagrammas (mazām datu kopām), lai vizualizētu, kā dati tiek izplatīti, un atbilstoši izvēlētos klases pārtraukumus. Šādus ieteikumus sniedz Penn State kartogrāfe Dr. Sintija Brūvere.

1. Ja vēlaties iegūt datus ar gandrīz normālu sadalījumu, apsveriet iespēju datus klasificēt, pamatojoties uz vidējo un standartnovirzi.

2. Attiecībā uz šķībajiem sadalījumiem apsveriet iespēju sistemātiski palielināt klases, piemēram, aritmētiskās un ģeometriskās klases metodes.

3. Ja jūsu dati ir vienmērīgi sadalīti, vienādas intervāla un kvantu klasēšanas metodes darbojas labi. Šīs metodes vislabāk piemērotas arī sarindotajiem datiem.

4. Dabiski pārtraukumi, kas izveidoti, izmantojot Jenks klasifikācijas metodi vai izvēloties pārtraukumus ar aci, vislabāk darbojas datiem, kas parāda acīmredzamus grupējumus visā diapazonā. Dabisko pārtraukumu metode izceļ dabisko vērtību kopas datos.

Šajā laboratorijā, kas saistīta ar šo nodarbību, mēs apskatīsim datus, izmantojot punktveida diagrammas. Veidojot kartes, ja vien nestrādājat ar ļoti lielu datu kopu, tas bieži būs visefektīvākais veids, kā vizuāli izpētīt savu datu kopu, lai izvēlētos klasifikācijas metodi vai vizuāli / manuāli ievietotu savus pārtraukumus. ArcGIS tomēr izveido jūsu datu histogrammas, kuras varat arī izmantot, lai saprastu, kā izvēlētie pārtraukumi ir saistīti ar jūsu datu izplatīšanos.

Studentu pārdomas

Salīdziniet pārtraukumus, histogrammas un kartes 4.6.4. Attēlā. Kuru klasifikācijas metodi jūs būtu izvēlējies? Kāpēc?

Ņemiet vērā, ka jūsu datu izplatība ir tikai viens no vairākiem elementiem, kas jāņem vērā, izvēloties datu klasifikācijas veidu. Tāpat kā citas kartes dizaina izvēles gadījumā, arī šeit ir ļoti svarīga jūsu kartes mērķauditorija, vide un mērķis.

Papildus klasifikācijas metodes izvēlei kartēm ir jāizlemj arī, cik klases izveidot. Var būt vilinoši izveidot lielu skaitu klašu, jo vairāk klases nozīmē mazāku jūsu datu vienkāršošanu un tādējādi vairāk informācijas, kas tiek nodota kartes skatītājam. Diemžēl cilvēka acs var atšķirt tikai tik daudz krāsu. Ierobežojums ir aptuveni ducis krāsu kvalitatīvai kartei, desmit - atšķirīgai shēmai un tikai astoņas - secīgai shēmai. Ja kas, tie ir optimistiski aprēķini - visticamāk, jūsu kartes lasītājs spēs atšķirt vēl mazāk.

Studentu pārdomas

Skatiet kartes zemāk 4.6.5. Skatoties kartē pa kreisi, vai jūs varat noteikt, kuras klases apgabals x pieder? Cik pārliecināts esat, ka tā ir pareizā atbilde? Kā ir ar karti labajā pusē?

Visbeidzot, klasificējot kartes datus, jums būs jācīnās ar lielākajiem rādītājiem jūsu datu kopā. Apsveriet apgabala līmeņa karti, kur vienā apgabalā jūsu datos ir divreiz lielāks rādītājs (piemēram, cilvēkiem ar augstākā līmeņa grādiem) nekā jebkuram citam apgabalam. Dažas klasifikācijas metodes, piemēram, dabiski pārtraukumi vai vienādi intervāli, visticamāk, grupēs šo novirzi savā klasē. Citas metodes, piemēram, kvartiles, to vienkārši ievietos grupā ar visiem nākamajiem augstākajiem apgabaliem.

Nav noteikumu, kura metode ir vislabākā, izņemot to, ka kontekstam ir nozīme. Vai rādītājs ir augsts, jo šajā apgabalā ir visprestižākā štata universitāte? Tādā gadījumā jūs, iespējams, vēlaties, lai tas tiktu iezīmēts jūsu kartē. Ja tā vietā tā ir visaugstākā, jo tur dzīvo tikai pieci cilvēki - un divi ir koledžas profesori - jūs, iespējams, nedzīvojat. Kopumā, jo vairāk datu jums ir, jo mazāka ir iespējamība, ka troksnis būs šāds: to sauc lielu skaitļu likums. Kad vien iespējams, jums vajadzētu izpētīt iespējamos cēloņus - kontekstuālās norādes nevar aizstāt.

Ir papildu veidi, kā klasificēt datus, tostarp apvienojot metodes, piemēram, lielāko daļu diapazona izmantojot vienādus intervālus un pēc tam pārejot uz dabiskiem pārtraukumiem. Pastāv arī metodes, kas ņem vērā ne tikai datu sadalījumu pa skaitļu līniju, bet arī to izplatīšanu pa ģeogrāfisko telpu. Tās ir ārpus šīs nodarbības darbības jomas un nodoma, taču ņemiet vērā, ka nākotnē ar tām var saskarties.


Pirms sākat šo apmācību

Ja esat tikko instalējis ArcGIS Server, jums ir jāveic dažas sagatavošanās darbības, lai varētu izveidot savienojumu ar serveri ArcMap un publicēt pakalpojumus:

  • Sīkāku informāciju par ArcGIS Server vietnes konfigurēšanu skatiet šīs palīdzības sistēmas sadaļā Darba sākšana pēc instalēšanas.
  • Lai uzzinātu, kā padarīt jūsu GIS resursa norādītos datus pieejamus serverim, skatiet tēmu Datu pieejamības nodrošināšana ArcGIS Server.

Versija un arhivēšana

Tagad, kad režģa funkciju klases ir izveidotas, tās jāreģistrē kā versijas un jāiespējo arhivēšanai.

Tikai datu īpašnieks var tos reģistrēt vai atcelt kā versiju.

  1. Cliquez sur le bouton katalogs dans la barre d'outils Katalogs Standard pour ouvrir la fenêtre.
  2. Kataloga kokā ar peles labo pogu noklikšķiniet uz režģa līdzekļu datu kopas, norādiet uz Pārvaldīt un pēc tam noklikšķiniet uz Reģistrēties kā versiju.

Parādās dialoglodziņš Reģistrēties kā versiju.

Skatiet sadaļu Lēmums par datu reģistrēšanu, lai iegūtu papildinformāciju par rediģēšanas pārvietošanu uz bāzes opciju.


I daļa - karšu izmantošana un veidošana
1. nodaļa: Ievads - Uzziniet pamatus darbam ar esošajiem ĢIS datiem un kartēm
2. nodaļa: Karšu noformējums - Uzziniet, kā izveidot kororeta un punktu kartes
3. nodaļa: ĢIS rezultāti - uzziniet, kā veidot un eksportēt kartes, izmantojot ĢIS datus

II daļa - Darbs ar telpiskajiem datiem
4. nodaļa: Failu ģeodatu bāzes - uzziniet, kā izveidot ģeodatu bāzes un importēt tajās datus
5. nodaļa: Telpiskie dati - pēta GIS izmantotos pamatdatu veidus un pēc tam parāda, kā izmantot internetu, lai apkopotu ĢIS datus
6. nodaļa: digitalizēšana - uzziniet, kā digitalizēt vektoru datus un pārveidot datus, lai tie atbilstu reālās pasaules koordinātām
7. nodaļa: Ģeokodēšana - uzziniet, kā ģeokodēšanas procesā kartēt adreses datus kā punktus ing 8. nodaļa: Ģeoprocesēšana - veiciet telpisko analīzi, izmantojot ģeoprocesēšanas rīkus

III daļa - uzlabotu ĢIS lietojumprogrammu apguve
9. nodaļa: Telpiskā analīze - veiciet telpisko analīzi, izmantojot ģeoprocesūras rīkus un analīzes darbplūsmas modeļus
10. nodaļa: ArcGIS 3D analītiķis - iepazīstina ar ArcGIS 3D analītiķi, ļaujot lietotājiem izveidot 3D ainas, veikt lidojošas animācijas un veikt redzesloka pētījumus.
11. nodaļa: ArcGIS telpiskais analītiķis - iepazīstina ArcGIS telpisko analītiķi rastra karšu, tostarp pakalnu, blīvuma karšu, vietas piemērotības virsmu un riska indeksu virsmu, izveidošanai un analīzei 3


Tīmekļa karšu izmantošanas ilustrēšana COVID-19 pandēmijas laikā

Telpiskā epidemioloģija tīmekļa kartes plaši uzskata par lielisku instrumentu infekcijas slimību izplatības analīzei, kā arī sabiedrības informēšanai. Tomēr slimību datu sarežģītībai ir iespējama nepareiza interpretācija un kognitīvā pārslodze (Carroll et al., 2014). Pat labi domātas kartes var ciest no “datiem bagāta, bet informācija slikta” (DRIP) sindroma, ja karšu veidotāji mēģina nevērīgi vienā interfeisā sapludināt pārāk daudz resursu. Kartes dažkārt atbilst dažādām telpiskām vienībām un atsaucas uz dažādiem pandēmijas aspektiem - infekcijas biežumu, testēšanas vietām, populācijas dinamiku - var viegli nomākt gadījuma lietotājus.

Tiek izmantotas nepareizas un nekonsekventas skalas un agregācijas vienības.

Nepareiza burbuļu diagrammu un karstuma karšu izmantošana.

Pārāk pārpildītas punktu / tapu kartes, kas norāda COVID-19 gadījumus vai medicīnas iestāžu atrašanās vietas.

Vāji graduētas vai klasificētas koropletu kartes.

Koropletu kartēšanas pārsvarā lietošana pār citām piemērotām formām.

Kartes bez normalizācijas.

Kartēs trūkst nenoteiktības.

Neefektīvi COVID-19 izplatīšanās laika dinamikas attēlojumi epidemioloģisko modeļu sarežģītības dēļ.

Kartēm, kas paredzētas globālai auditorijai, jāizmanto globālie dati. Tomēr tas mazina ietekmi uz vietējo auditoriju.

Kopumā slikts karšu dizains.

Lielāko daļu pašreiz redzamo karšu ietekmē viens vai vairāki no šiem jautājumiem. Piemēram, 1. attēlā vienā un tajā pašā kartē dati tiek apkopoti nekonsekventi, padarot dažādu apgabalu vizuālo salīdzinājumu maldinošu: Itālija un Spānija ir līdzīgi ietekmētas (abas rakstīšanas laikā ir apstiprinājušas aptuveni 230 000 gadījumu), bet kartē parādās atšķirīgi. Šajā metodikā nav attēlota arī metodoloģiskā nenoteiktība, tāpat kā Ungārijas un Slovākijas gadījumā, ja kartē nav COVID-19 gadījumu. 2. attēlā parādīta koropleta karte, kurā absolūtie skaitļi tiek parādīti bez normalizācijas, tāpēc tā neņem vērā gan modificējamo teritoriālās vienības problēmu, gan populācijas struktūru / dinamiku. Turklāt krāsu izvēle (sarkana – zila) ir apšaubāma, jo cilvēki emocionāli reaģē uz noteiktām krāsām (Monmonier, 2018), kas var ietekmēt faktiskās informācijas izplatīšanu par COVID-19 pandēmiju.

1. attēls. COVID-19 gadījumi, kas redzami HealthMap. Nekonsekventa telpiskās apkopošanas izmantošana dažādās valstīs rada kļūdainu priekšstatu par vīrusa izplatību.

2. attēls. Floridas Veselības departamenta choropleth kartē bez normalizācijas tiek parādīti absolūto gadījumu numuri katram pasta indeksam un tiek izmantotas ‘emocionālās krāsas’.

Avots: Floridas Veselības departaments savā vietnē COVID-19 (https://floridahealthcovid19.gov/)

Iepriekš izklāstītie jautājumi nav īpaši saistīti ar tīmekļa kartēm, jo ​​tradicionālās kartes, kas tiek parādītas tiešsaistē kā statiski attēli, var ciest līdzīgas problēmas. Jau 2000. gadā Dodžs un Kičins (2000) brīdināja gan neuzmanīgus karšu dizainerus, gan karšu lietotājus aktīvi un pārdomāti apsvērt tiešsaistē atrastās kartes. Nozīmīgu secinājumu izdarīšana no mūsdienu ar koronavīrusu saistītajām kartēm ir atkarīga no tā, cik efektīvi karte vienkāršā vizuālā veidā parāda paredzēto informāciju. Spēja to darīt ir ievērojami samazināta vairumā tīmekļa karšu un lietojumprogrammu, kuru mērķis ir izplatīt zināšanas par pandēmiju. Kartes arī var „izplatīties internetā”, tādējādi palīdzot dezinformēt un “alternatīvus faktus”, kā tas jau ir noticis ar karti, kas ilustrē globālo gaisa satiksmi. Pēc izņemšanas no sākotnējā konteksta parādījās tādi virsraksti kā “Jauna karte neatklāj nevienu valsti, kas nav pasargāta no koronavīrusu taustekļiem” un “Šausminošā karte atklāj, kā tūkstošiem Uhanas ceļotāju varēja izplatīt koronavīrusu 400 pilsētās visā pasaulē” dažādās ziņu vietās (BBC, 2020). Kaut arī pandēmijas laikā šie apgalvojumi izrādījās pareizi, šis incidents parāda, kā uzmanības piesaistīšana un idejas popularizēšana ar nesaistītu (vai pat tīši maldinošu) karti nav tālu.


Izveidojiet valsts līmeņa datu burbuļu karti

Filtrējiet datus vietnē Socrata

Liela daļa CDC datu ir pieejami viņu datu katalogā, izmantojot tīmekļa lietotni Socrata Open Data, ko daudzas valdības aģentūras izmanto datu izplatīšanai plašākai sabiedrībai. Lietotne ir elastīga, taču tā var būt mulsinoša, un tai ir mazliet mācīšanās līkne.

Socrata atvērto datu tīmekļa lietotne

Izmantojot Socrata ar trīsdimensiju paneļa datiem, izaicinājums ir tāds, ka Socrata var attēlot tikai divdimensiju izklājlapas. Tāpēc otrā dimensija ir jāpārstāv ar stratifikācijas kolonnas kas norāda stratifikācijas kategorijas datu vērtībai noteiktā rindā.

Tāpēc, lai kartētu paneļa datus, jums jāizvēlas konkrēts izmēru komplekts un pēc tam pārveidot izmantojot datus filtri kas izolē datu apakškopu, pamatojoties uz vērtībām stratifikācijas kolonnās.

Turpiniet pievienot filtrus, līdz iegūstat vēlamo datu sēriju.

Jums būs jāpiemēro viens filtrs katrai kategorijai un stratifikācijas kategorijai. Ja dati nav zināmi, datu pārveidošanai var būt vajadzīgas dažas kļūdas, lai katrā ģeogrāfiskajā apgabalā būtu viena vērtība.

Izmantojot valsts līmeņa datus, turpiniet pievienot filtrus, līdz jūsu datos ir palikušas 50 rindas - vai, iespējams, dažas vairāk nekā 50, ja jūsu datu kopā ir gan štati, gan teritorijas

Tālāk esošajā video parādīts, kā atrast datus CDC datu katalogā un lietot filtru secību, lai iegūtu kartējamu CSV failu. Precīzs izmēru un filtru vērtību kopums būs atšķirīgs citām datu kopām. Šajā piemērā tiek izmantoti šādi filtri, lai iegūtu vienu vispārēju aptaukošanās vērtību katram no 50 stāvokļiem.

  1. Gads: 2016
  2. Jautājums: Procenti no pieaugušajiem vecumā no 18 gadiem, kuriem ir aptaukošanās
  3. Kopā: kopā (visas demogrāfiskās grupas)

Eksportējiet uz CSV un notīriet datus

Kad būsiet filtrējis datus, tie jāeksportē kā CSV programmai Excel. CSV apzīmē komatu atdalīts mainīgais un, atverot failu teksta redaktorā, piemēram, Notepad vai TextEdit, redzēsiet, ka tas ir tieši tas, ko saka - mainīgo rindas ar mainīgajiem katrā rindā, atdalot tos ar komatiem

CSV faila piemērs

Lejupielādējot failu, pēc tam noņemiet visas nevajadzīgās kolonnas un pārdēvējiet kolonnas, lai to saturs būtu skaidrs:

  1. Izmantojot valsts līmeņa datus, pārdēvējot LocationDesc uz Valsts palīdzēs ArcGIS Online skaidri saprast, kas satur failu
  2. Pārdēvējot vispārīgo Datu vērtība sleja mainīgā nosaukumam mazinās neskaidrības, kartējot datus vai tos atkārtoti lietojot nākotnē
  3. Saglabājiet datus datorā kā CSV failu

Importēšana ArcGIS tiešsaistes burbuļu kartē

Pēc tam varat izveidot ātru pakāpenisku burbuļu karti ArcGIS Online:

  1. Izveidojiet jaunu karti no ArcGIS Online mājas lapas
  2. Atlasiet Pievienot slāni no faila un atlasiet tikko saglabāto CSV failu
  3. Priekš Atrodiet funkcijas pēc, lietotnei vajadzētu redzēt jūsu Valsts kolonna
  4. Izvēlieties atribūtu, ko parādīt ar kolonnu, kurā ir mainīgā vērtība, šajā gadījumā Data_Value

Kā izveidot pasaules līmeņa karti kartē ArcGIS 10.2 - Ģeogrāfiskās informācijas sistēmas

Geog 353 lekciju izklāsts: kā izveidot karti: ievads kursā, laboratorijā un laboratorijas projektā
Atjauninājums: 8.7.19


1. Tradicionālais kartogrāfiskais dizains un karšu izgatavošana

Ilgu laiku kartes bija vienādas - galvenokārt uz papīra, taustāmas, statiskas. Visas lietas mēs uzskatām par pašsaprotamām, bet salīdzinoši jaunām norisēm.


2. Kartogrāfijas un "vizualizācijas" attīstība pēc 1980. gada

Animācija: parāda mainīgos datus (mainīgo parādību) ar mainīgu / dinamisku noformējumu

    Animētas kartes: agrākais filmās ap 2. pasaules karu

Animācija pakalpojumā Google Earth | KML vai KMZ faili (2007)

Mijiedarbība: lietotājs var iesaistīties kartē un mainīt to

    Izmantojot papīra kartes, jūs varat garīgi mijiedarboties, bet ne fiziski mijiedarboties ar karti

Multivide / hipermedija: apvienojiet un saistiet kartes ar attēliem, grafikiem, video un citiem multivides veidiem

    Atlanti ir līdzīgi multimedijai: kartes ar tekstu, attēlus, grafikus utt.

Ģeogrāfiskās informācijas sistēmas: ĢIS

    Ne tikai karšu izgatavošana, bet visas darbības no datu vākšanas, apstrādes un sagatavošanas līdz analīzei un mijiedarbībai ar datiem (pēdējie kartes veidā) līdz galīgajai kartei.

    Mashup: dažādu lietu salikšana.

    Mūzikas sajaukumi savieno un pārklāj dažādu dziesmu segmentus, kas kopā kļūst par jaunu dziesmu.

Tagad: Viss kopā: Animācija + Interaktivitāte + Multivide / Hipermedija + ĢIS + Mashups - viss tīmeklī

Tehnoloģiskās izmaiņas kartēšanā pēdējo 30 gadu laikā ir pamatīgākas un ātrākas nekā jebkurā citā vēstures laikmetā.

Kartes koncepcijas un karšu noformējums: gandrīz nemaz nav mainījušās, bet tās jāpielāgo jaunajām tehnoloģijām

Šis kurss: apvienojiet tradicionālāku kartogrāfiju un kartogrāfisko dizainu ar jaunām tehnoloģijām un jauna veida kartēm

    WWW kartēšana un ĢIS: visi ir kartogrāfi!

Daži vispārīgi šī kursa mērķi:

    Saistība ar ģeogrāfiju 222: karšu un ĢIS spēks

Ievads laboratorijas projektā un tā pārskats

    Laboratorijas projekts: visa jūsu pakāpe! (atsevišķas projekta daļas + novērtējumi)

Pamatprojekts: Iedzīvotāju pārmaiņu vizualizēšana, no 1900. gada līdz 2010. gadam

Mērķis: izveidot animētu, interaktīvu karšu sēriju, kas tiek parādītas WWW un kas kalpo kā līdzeklis, lai vizualizētu apgabala līmeņa iedzīvotāju izmaiņas laika gaitā.


I. Definējiet ģeogrāfisko kontekstu un kartēšanas metodi

    ASV populācijas izmaiņu tēma - animēta

    Katrs students izvēlēsies citu štatu vai štatu grupu (Vašingtona un Oregona utt.), Kam koncentrēties.


II. Kursa datu atrašana, lejupielāde un apstrāde

    Atrodiet un iegūstiet ASV štata iedzīvotāju datus 1900. – 2010

    Izveidojiet datu kartes "choropleth": programmatūra ArcGIS

    saistīt apstrādātos datus ar kartēm


IV. Karšu sērijas animēšana

    Programmatūras izmantošana karšu sērijas animēšanai


V. Materiālu ievietošana tīmeklī - jau izveidotās lapas

    Līdz ceturkšņa beigām [piezīme: tas ir vēsturisks artefakts no 1999. gada, es domāju, protams, pusgadu], kas jums būs, WWW

    animētas populācijas izmaiņu kartes: animēti GIF un KMZ faili

    turpiniet šo tradīciju: dalieties savā darbā ar pārējo pasauli (un mammu, popu un vecmāmiņu un grampiem)


III. Daži pēdējie komentāri. un lietas, ko sākt darīt

    Mēģiniet izklaidēties ar projektu un klasē

    veicināt radošumu, pārsniedzot pamatprojektu

    Mācību process gan par datoriem, gan par kartēšanu un ĢIS


OWU ģeoloģijas un ģeogrāfijas datoru laboratorija


Galvenie noteikumi un noteikumi laboratorijā

    laboratorija paredzēta studentiem, kuri uzņemti ģeoloģijas / ģeogrāfijas kursos un ģeoloģijas / ģeogrāfijas / ES specialitātēs


Kā izveidot pasaules līmeņa karti kartē ArcGIS 10.2 - Ģeogrāfiskās informācijas sistēmas

Geog 353 lekciju izklāsts: karšu veidošanas rīki
Atjauninājums: 8.7.19


Kur mēs esam . procesā

    PDF MM 3.) Bet vai jums tiešām ir nepieciešama karte?

    PDF MM 3.) Datu veidošana un iegūšana

    Karšu izgatavošana bez datoriem

Kartju veidošana ar datoriem: daži foni

    datoru kartēšana: datori, kurus izmanto karšu veidošanā

Īsa datoru un kartēšanas vēsture

    1950. gadu beigu kartēšanas eksperimenti ar agrīnajiem datoriem

    animācija, interaktivitāte, skaņa, multivide, hipermedija, analīze

Kartes veidošanas rīki (turpinājums):

    Kartju veidošana internetā

    Karšu izgatavošana PDF formātā) 4. nodaļa. Karšu veidošana ar ĢIS

    rīki, kas palīdz datu analīzē un karšu izveidē

    Maps izgatavošana PDF formātā) 4. nodaļa. Grafiskais dizains un citi karšu veidošanas rīki

    nav paredzēts karšu izgatavošanai, bet bieži tiek izmantots sarežģītu karšu noformēšanai

    ieguvums: elastīgas, jaudīgas, daudzas grafiskā dizaina iespējas

Vispārējs īkšķa noteikums, lai izveidotu datorkartes reālajā pasaulē:

    izmantojiet dažādu programmatūru, lieciet tām strādāt kopā


Digitālo failu formāti un reklāmguvumi

    Fails: to ierakstu kolekcija, kas tiek apstrādāti kā datora glabāšanas pamatvienība


Parastie grafisko failu formāti

    Rastra failu formāti: Rastra programmatūra ģenerē failus, kas sastāv no pikseļiem

ex) ciparu satelīta dati

ex) karte, kas digitāli skenēta uz plakanvirsmas skenera

ex) USGS DLG dati, ASV tautas skaitīšanas TIGER dati, ArcGIS digitālie dati, Google KML / KMZ faili


Kā gulēt ar COVID-19 Maps

Profesors Marks Monmonjē savā pamatgrāmatā & # 8220Kā melot ar kartēm & # 8221 ilustrē, kā karšu veidotāji var tīšām vai netīši nodot nepatiesību, izmantojot nepareizu datu atlasi un kartogrāfiskā noformējuma iespējas. Plaši pieejamu, viegli lietojamu tiešsaistes kartēšanas rīku laikmetā maldinošas kartes kļūst visuresošas. COVID-19 statistikas kartes kopā ar saistītajiem grafikiem un datu tabulām, kuras šogad ir kļuvušas par sabiedrības uzmanības loku, nav izņēmums. Tāpēc es vēlos vēlreiz aplūkot populārās choropleth kartes nepilnības.

Ekrānuzņēmums vietnē https://newsinteractives.cbc.ca/coronavirustracker/ ar datiem, kas atjaunināti no 2020. gada 2. novembra. Ņemiet vērā, ka šis ir piemērs tam, kā NAV kartēt COVID-19, skatiet tekstu!

Choropleth kartē tiek izmantoti ģeogrāfiskie apgabali, piem. daudzstūri, kas kā kartes simbolu attēlo Kanādas provinces un teritorijas, ēnojot visu apgabalu ar krāsu, pamatojoties uz saistīto datu vērtību. Mēs to varam redzēt mūsu sabiedriskās raidorganizācijas un # 8217s vietnē https://newsinteractives.cbc.ca/coronavirustracker/, kur CBC nodrošina interaktīvu karti kā daļu no viņu & # 8220koronavīrusu izsekotāja & # 8221. Provinces ēnā tiek izmantota sarkana krāsu shēma proporcionāli kopējam COVID-19 gadījumu skaitam, kas apstiprināti kopš pandēmijas sākuma. Piemēram, Kvebekas & # 8217s tumši sarkanā krāsā ir vairāk nekā 100 000 gadījumu, savukārt Ontario & # 8217s rožu krāsa simbolizē aptuveni 75 000 gadījumu.

Apkaunojoši ir tas, ka Kanādas apraides korporācijas (CBC), mūsu sabiedrisko pakalpojumu radio un TV tīkla vietne ir pēdējā lielākā ziņu platforma, kas joprojām nav modificējusi savu COVID-19 karti, lai izmantotu piemērotu karšu projekciju. Turpmākie attēli parāda kartēto apgabalu lieluma un formas atšķirību starp Web Mercator projekciju kreisajā pusē, ko izmanto kartēšanas rīks CBC & # 8217s, un Lambert Conformal Conic projekciju labajā pusē. Atšķirības kļūst lielākas, jo vairāk uz ziemeļiem dodaties. Kaut arī dienvidu provinces ir pietiekami labi pārstāvētas abās prognozēs, ziemeļu teritorijas šķiet arvien vairāk uzpūstas, jo tuvāk mēs virzāmies uz Ziemeļpolu. Patiesībā CBC ērti izdzēsa Kanādas & # 8217s Arktikas arhipelāgu ar Ellesmere salu no savas kartes (skat. Iepriekš), lai nogrieztu visvairāk nepareizas formas apgabalu tālajos ziemeļos!

Otrs nozīmīgākais zīmols CBC & # 8217s vainagu kartē ir choropleth simboloģijas izmantošana neapstrādātiem skaitīšanas datiem, piemēram, kopējiem COVID-19 gadījumiem. Vietnē https://gis.blog.ryerson.ca/2020/03/26/the-graduated-colour-map-a-minefield-for-armchair-cartographers/ mēs jau esam detalizēti pārskatījuši, kāpēc ir gradēta krāsu karte izsmalcinātāks, nekā izskatās. Tas ir saistīts ar tā kartogrāfisko simbolu raksturu, kas ir identiski pamatā esošajiem ģeogrāfiskajiem apgabaliem ar atšķirīgu izmēru. Šie lielumi var pārmērīgi ietekmēt statistiku, kas apkopota par katru apgabalu. Piemēram, mēs nezinām, cik lielu Kvebekas COVID-19 gadījumu skaitu CBC kartē nosaka provinces lielums (pēc platības un / vai iedzīvotāju skaita) un cik - faktiskais slimības izplatīšanās. Lai pārvarētu šo problēmu, mums jā normalizē neapstrādātu skaitīšanas dati ar piemērotu atsauces vērtību. Ja mēs normalizējamies pēc apgabala, mēs nonākam pie blīvuma mainīgā, piem. iedzīvotāju blīvums kā cilvēku skaits katrā telpiskajā vienībā dalīts ar tās platību. Ja mēs normalizējamies pēc kopējā iedzīvotāju skaita, mēs iegūstam likmi, piem. COVID-19 izplatība kā gadījumu skaits vienībā, dalīts ar vienībā dzīvojošo cilvēku skaitu. Izplatība bieži tiek izteikta kā likme no liela skaita iedzīvotāju, piem. X gadījumi uz miljonu cilvēku vai kā iespēja, piem. viens gadījums Y cilvēkiem.

Lai ilustrētu nepieciešamību strādāt ar relatīvo metriku, es izmantošu divas kartes no tīmekļa vietnes un datu krātuves OurWorldInData.org. Zemāk kreisajā pusē redzat neapstrādātu skaitlisko mainīgo, kumulatīvos COVID-19 gadījumus, kas valstu kartēti no 2. novembra. Labajā pusē gadījumu skaits tika salīdzināts ar kopējo iedzīvotāju skaitu, izveidojot normalizētu mainīgu, kumulatīvu COVID-19 gadījumu skaitu uz miljonu cilvēku. Viena no acīmredzamākajām atšķirībām starp abām kartēm attiecas uz Indiju un Krieviju. Pamatojoties uz neapstrādātu gadījumu skaitu, Indijā ir skaidri vairāk gadījumu nekā Krievijā. Bet, pamatojoties uz relatīvo rādītāju, Krievijā ir vairāk gadījumu uz miljonu nekā Indijā. Neapstrādāto skaitīšanas kartes & # 8220lie & # 8221 pamatā ir fakts, ka tas norāda uz lielāku inficēšanās risku Indijā, savukārt neapšaubāmi risks ir lielāks Krievijā, jo jūs, visticamāk, saskaraties ar inficētu personu. (Ņemiet vērā, ka šim pamatojumam ir tikai ilustratīvs raksturs, jo tas balstās uz pieņēmumu, ka apstiprinātajām & # 8220lietām & # 8221 faktiski ir nozīme infekciozitātes ziņā, par ko var strīdēties, un ka testēšanas režīmi uztver pietiekamu skaitu infekciju, kas gandrīz noteikti tā nav.)

Ticiet vai nē, bet šajā brīdī joprojām ir trīs svarīgas bažas par choropleth kartēm, kuras es vēlos apspriest: (1) satraucošu sarkano krāsu shēmu nepareiza izmantošana, (2) lielu teritoriju (provinces, valstis) maldinoša attēlošana kā viendabīga un 3) patvaļīga datu vērtību klasifikācija. Visi trīs jautājumi tika apskatīti rakstu sērijā žurnālam Canadian Geographic, kuru aprīlī rakstīja viņu izcilais kartogrāfs Kriss Breklijs (https://www.canadiangeographic.ca/author/chris-brackley). Jautājums par & # 8220sensacionālistisku krāsu izvēli & # 8221, kartējot koronavīrusu, jau 25. februārī tika apspriests arī kartogrāfijas vedņa Keneta Fīlda vietnē https://www.esri.com/arcgis-blog/products/product/mapping/mapping- koronavīrusu atbildīgi /.

Iepriekš minēto pasaules karšu salīdzinājums parāda krāsu iespējamo ietekmi. Daudzās kultūrās sarkanā krāsa asociējas ar draudiem, risku, neaizsargātību un citām negatīvām emocijām un rezultātiem. Tematiskajā kartēšanā mēs izmantojam viegluma progresēšanu, lai parādītu parādības lielumu, un parasti, jo tumšāk sarkana vieta tiek attēlota, jo sliktāka ir situācija. Viena no iepriekš minētajām OurWorldInData.org kartēm ir draudīga, asiņaini sarkana COVID-19 kartes piemērs. Tomēr viņu citā normalizēto COVID-19 gadījumu kartē uz miljonu cilvēku tiek izmantotas mazāk satraucošas zilas krāsas. Šai gradētajai krāsu shēmai joprojām ir ļoti tumšs tonis, un zilais nokrāsa nav jēgpilni saistīta ar infekcijas slimībām (cik es varu pateikt). Tāpēc es savai COVID-19 lietu likmju kartei pēc provinces izmantoju pelēkas nokrāsas, jo pelēkā krāsa noteikti ir visneitrālākā krāsu opcija (un kā papildu priekšrocība tā ir draudzīga printerim).

Datu avoti: Esri Canada, Canada Statistics

Liela daļa Kanādas iedzīvotāju koncentrējas šaurā joslā netālu no robežas ar Amerikas Savienotajām Valstīm, un tādējādi provincēs to robežās ir ļoti nevienmērīgs (neviendabīgs) iedzīvotāju sadalījums. Tāpēc jebkura ar populāciju saistīta parādība, piemēram, cilvēka infekcijas slimība, tiek nepareizi kartēta, ja kartogrāfiskie simboli liecina, ka tā notiek vienādi gan pilsētās, gan lauksaimniecībā, kā arī plašajā Kanādas tuksnesī. Tas pats attiecas uz pilsētas karti, kur iedzīvotājus nevajadzētu kartēt lielākajos parkos vai ūdensobjektos. To assist with displaying national-scale data where people actually live, Statistics Canada is offering the “Population Ecumene” dataset documented at https://www150.statcan.gc.ca/n1/pub/92-159-g/92-159-g2016001-eng.htm and shown through the semi-transparent red areas on top of the crowdsourced OpenStreetMap in the overview map below.

Data sources: OpenStreetMap, Statistics Canada

Using the inhabited areas as a mask, I can reduce the map symbols of my map to the places where COVID-19 actually occurs with any likelihood. Note that in other instances, where the mapped variable is dependent on the surface area, e.g. when visualizing population density, the values would need to be recalculated to the smaller ecumene areas.

Data sources: Esri Canada, Statistics Canada

Classification is the final aspect of how to lie with COVID-19 maps that I want to explore today. You can see in the above maps from OurWorldInData.org that the countries’ values are grouped into ranges, e.g. starting with 0-10 cases per million mapped with the lightest blue, followed by 10-50 cases p.m. with the next-lightest shade, and so on. The map-maker chose “nice” round class breaks, but hidden behind these is a pattern of exponentially increasing intervals. For example, the range of values grouped into the fifth class (500-1000) is ten times the range of values grouped into the third class (50-100). Their map of raw case counts has an even more abrupt increase in the last two classes, as shown in the red line of the following graph (note that the two lines each have their own y-axis).

My previous map above also uses a classification that progresses faster than linear. This is not necessarily “wrong” but we need to be aware that data classification occurs and that it can be used to influence the message of a map. At this point, we should credit CBC for one aspect of its COVID-19 map: they avoid classification issues by using an unclassed choropleth map. In the CBC map reproduced at the beginning of this post, note how the colour for each province is picked from a continuous, linear progression of shades from light to dark (red).

Confirmed COVID-19 cases per million population mapped for inhabited land portion of Canada’s provinces, shaded in relation to an international benchmark value of 30,000. Data sources: Esri Canada, Statistics Canada – values as of 22 October 2020.

My final map version employs the same unclassed approach using grey shades. Note that the legend symbols now do not represent class breaks but are just sample colours taken from the linear progression from light (white) to dark (black). In addition, I set the maximum value not to the largest value in the dataset but to a meaningful benchmark, the value of 30,000 COVID-19 cases per million that the United States are currently approaching. Of course, even this “large” value represents only 3% of the population. The subdued map appearance hopefully conveys the still limited scope of the Sars-CoV-2 “pandemic”. Now who would have known that shades of grey could be this sexy?


How to put Transparent Text on the map in ArcGIS

Wow, it’s been a while since I last posted, though if you’ve seen my Twitter feed you will understand why…yes, I am now a Fellow of the Royal Geographic Society & Istitute of British Geography.

Thats’s not why you’re reading this though, you are probably reading this, shouting at the screen and calling me a liar, I am not, I have the maps to prove it! I’ll show you through the method below.

Lets consider this map:I want to make it look like the Ordnance Survey Explorer (folded) map(s) and have the map tile names displayed but transparent as not to hide any information. The text is currently being rendered from the layer 𔄙_50000_Tile_finder”. Once I have the text looking similar to how I want it, convert it to annotation.

Right-click on the layer and select the “convert label to annotation” option

The trick here though, and I’ve made this mistake before, is you MUST SAVE TO DATABASE – as in the image below.

There now should be an extra item in your legend

If you open the properties of this layer, you will see that you now have a “Display” tab, you can adjust the text transparency here.

And voila! We have a finished map with transparent text!This was done in ArcGIS 10.3, but has been tested in ArcGIS 10.2 and works.