Vairāk

ArcGIS Server Data Extraction - darbs nepastāv vai ir nepieejams

ArcGIS Server Data Extraction - darbs nepastāv vai ir nepieejams


Esmu ievērojis dokumentāciju un video, lai izveidotu datu ieguves ģeoprocesūras pakalpojumu, kuram es piekļuvu ar ArcGIS Viewer for Flex (2.3.1. Versija). Palaidot skatītājā logrīku Izņemt datus, tiek parādīta kļūda: Darba '(darba mapes nosaukums)' nav vai tas nav pieejams. Kad dodos uz servera mapi arcgisjobs, tā atrodas kopā ar mapi ar skrāpējumiem un izvades failu .zip, kas satur sagrieztos datus. Saskaņā ar ziņojumu.xml failu nulles mapē, darbs tiek veiksmīgi pabeigts.

Esmu pārbaudījis ArcGIS Server un Windows žurnālus un neesmu atradis neko acīmredzamu, kas norādītu uz problēmu. Mapes atļaujām jābūt pareizām, jo ​​uzdevums var izveidot darba mapi, sagriezt datus un izveidot izvades mapi .zip. Uzdevums tiks veiksmīgi izpildīts, ja to izmantos, izmantojot ArcGIS Desktop.

Tātad, vai kāds ir pieredzējis līdzīgu rīcību, izmantojot datu ieguves rīku vai citus ģimenes ārstu uzdevumus? Vai ir kādas idejas, kur es varu meklēt tālāk?

Vide:
ArcGIS Server 10, .NET, SP2 - izplatīta instalēšana
ArcGIS Desktop 10, SP2
Windows Server 2008 x64 R2
Paldies, Tims

Atjaunināt:
Es šodien veicu dažas pārbaudes (pārlūkprogrammā Firefox) un atradu vēl dažas lietas:
1. Ģimenes ārstu dienests to dara laiku pa laikam darbs, šķiet. Ik pēc dažiem mēģinājumiem tiek parādīta uzvedne, lai lejupielādētu iegūtos datus, tikai lai iegūtu drošības smilškastes pārkāpumu:
http: //SERVER IP/Samples/DataExtract/Flex/widgets/DataExtract/DataExtractWidget.swf nevar ielādēt datus no vietnes http: //SERVERA NOSAUKUMS/arcgisjobs/sumner.dataextract_gpserver/j77643b1b114e458f82e6f416262aaf58/scratch/output.zip.
2. Kad tiek piedāvāts lejupielādēt failu, Firebug parāda, ka tas nevar lejupielādēt manu failu crossdomain.xml. Tajā adrese tiek parādīta kā http: //SERVERA NOSAUKUMS/crossdomain.xml

Abos gadījumos tā mēģina piekļūt http: // servera vārda URL un nevar tur nokļūt. Problēma ir tāda, ka es nevaru saprast, kur tas iegūst šo URL. Es mēģināju modificēt virtuālā direktorija URL un pārpublicēt pakalpojumus, izmantojot ArcGIS Server IP, nevis mašīnas nosaukumu, nemainot uzvedību.


Ja tā skripts, par kuru es domāju, darbavietu direktorijā ir grūti kodēts. Atveriet skriptu un pārliecinieties, vai skripta darbavietu direktorija sakrīt ar to, kas jums ir jūsu vidē.

Pēc jūsu teiktā izklausās, ka darbs tiek veiksmīgi pabeigts, tas vienkārši atgriež nepareizu URL FlexApp, lai lejupielādētu .zip failu.


Man ir izplatīta AGS10 SP2 iestatīšana, kas šķiet līdzīga jums. Esmu izstrādājis PDF pakalpojumu, kura pamatā ir ArcPy.Mapping Simple ExportToPDF ģeoprocesēšanas pakalpojuma piemērs un sastopos ar to pašu ziņojumu "Job xx neeksistē vai nav pieejams".

Manā gadījumā tas, šķiet, ir jautājums par laiku: uzdevums tiek pabeigts, bet process mēģina piekļūt rezultātiem, pirms tos var pārvietot no SOC uz SOM Job mapi.

Pagaidu risinājums ir konkrētās kļūdas pārtveršana, JobID izvilkšana un zvans, lai izgūtu ģenerēto PDF:

funkcija gpError (e) {if (e.message.search ("neeksistē vai nav pieejama")> -1) {var jobId = e.message.replace (/ Job '([az, 0-9] *) 'neeksistē vai nav pieejams  ./, "$ 1"); gp.getResultData (jobId, "Output_PDF"); } else {showDialog (dojo.string.substitute ('

Kļūda: $ {error}

', {kļūda: e.message})); }}

Tas noteikti nav tas, ko es liktu ražošanā, taču tas ļauj man apiet kļūdu un turpināt izstrādes darbu, kamēr es gaidu, kamēr ESRI atrisinās problēmu.


Kingston Data Traveler Vault Privacy - vairāk paroles mēģinājumu

USB diskā Kingston Data Traveler Vault Privacy USB pēc noklusējuma ir 10 paroles ieraksti, pirms tas tiek izdzēsts. Man paliek viens, un jautājums ir, vai kāda no šīm divām pieejām ļaus man vairāk mēģināt ievadīt paroli (man vajadzētu zināt pareizo, vienkārši ir pagājis ilgs laiks, kopš to esmu iestatījis). Es nedomāju to rupji piespiest.

nokopējiet šifrētos datus no diska un veiciet atšifrēšanu ārpus diska

nokopējiet šifrētos datus kā dublējumu, ievadiet diskā paroli, ļaujiet tai formatēt sevi un pēc tam vēlreiz kopējiet dublētos datus diskā

iemācieties saglabātās paroles AES attēlojumu un mēģiniet uzminēt paroli ārpus diska vides un ievadiet pareizo paroli tikai pēc tam, kad ir atrasta atbilstošā AES attēlojums


6 Atbildes 6

Es esmu no Crossref. DOI vienmēr jāatrod kāda atrašanās vieta, pat ja saturs ir pārvietojis atrašanās vietu tīmeklī vai mainījis izdevēju. Vai varat padalīties ar piemēru, lai mēs varētu par to ziņot? Iespējams, ka tas, protams, nav Crossref DOI (ir vairākas citas DOI aģentūras), bet es to varu uzzināt no DOI. Prefikss bieži apzīmē konkrētu izdevēju, bet žurnāli bieži mainās īpašniekam, jo ​​sabiedrības pārrunā dažādus publicēšanas līgumus, tāpēc tas ne vienmēr ir drošs veids, kā atrisināt problēmu (par ko es piekrītu, ka tā nedrīkst būt jūsu problēma!). Labprāt palīdzēsim, ja dalīsities ar piemēru (-iem) :-)

Es arī esmu no Crossref. Salauztās DOI saites nav labas, un mēs tās mēģinām novērst. Ja saņemat & quotDOI Not Found & quot kļūdas lapu, piemēram, sekojot šai saitei - https://doi.org/10.15680/IJIRSET.2019.0806081 - tas nozīmē, ka DOI nav reģistrēts. Ja aizpildāt veidlapu, par šo kļūdu tiek ziņots attiecīgajai reģistrācijas aģentūrai. Crossref gadījumā mēs paziņojam izdevējam par kļūdu un lūdzam novērst problēmu - tā parasti tiek novērsta, taču, ja izdevējs ir pārtraucis darbību vai vairs nav Crossref dalībnieks, saiti, iespējams, nevarēs novērst. Ja ir spēkā arhivēšanas kārtība, DOI var novirzīt uz satura arhivētām kopijām.

Kaut arī tie nav tik svārstīgi kā URL, DOI joprojām var atsaukt vai citādi kļūt nepieejami.

Jūsu gadījumā apsveriet, vai pastāv iespēja, ka DOI varētu atkal kļūt pieejams (ar saimniekdatoru varētu būt tehniskas grūtības), vai ir pieejams cits pieejams avots (cits DOI). Personīgi es iekļautu DOI bibliogrāfijā un nosūtītu ziņojumu autoram (iem) vai pakalpojumu sniedzējam (tā nedrīkst būt jūsu atrisinātā problēma).

Visus pieejamos DOI var meklēt, izmantojot Crossref (meklēšana pēc nosaukuma, autora, DOI un citiem metadatiem).

Lai gan DOI ir ļoti ērti, tā faktiski var nebūt problēma, ja tā ir salauzta. Parasti citāti ietver autora (-u) vārdu (-us), žurnāla nosaukumu, žurnāla numuru, gadu un, iespējams, atsauci uz lapu un raksta nosaukumu. Tikai ar šo informāciju jums vajadzētu būt iespējai atrast atsauces rakstu, izmantojot tradicionālo metodi. Tāpēc DOI var uzskatīt par ērtības pakalpojumu, kurā nav pārāk liels nokrišņu daudzums, ja tie saplīst. Vēl viena ērta & quotservice & quot ir pajautāt savas iestādes bibliotekāram, ja jums ir grūtības atrast atsauces avotu.

Turklāt ņemiet vērā, ka DOI var būt tikai drukas kļūda un tāpēc to nevar pareizi novērst. Tas, protams, var notikt arī ar tradicionālajām atsaucēm, taču tur parasti ir vieglāk redzēt, ka raksts no & quotNautre & quot faktiski tiek publicēts & quotNature & quot.

Visbeidzot, es vēlētos norādīt, ka internetam ir citi rīki, lai atrisinātu DOI, nevis parastās vietnes. Piemēram, es varu viegli atrast jūsu komentāros minēto rakstu, izmantojot parasto interneta meklētājprogrammu.

Šī atbilde ir daļēji iegūta no citām atbildēm un komentāriem uz šo jautājumu:

Atbilde uz 1. jautājumu

Neskatoties uz to, ka DOI vajadzētu lai darbotos / būtu pieejami, pastāv dažādi iemesli, kāpēc tie var kļūt nepieejami:

Daži izdevēji laika gaitā var izzust. Šajā gadījumā var sazināties ar DOI iestādi, lai ziņotu par bojātu DOI.

Izdevējs, iespējams, tika apvienots ar citu izdevēju. Ja šāds DOI ir salauzts, par to var paziņot izdevējam vai DOI iestādei. Parasti jaunais izdevējs to var novērst.

Pēc publicēšanas dažus dokumentus var atsaukt. Šajā gadījumā ir jāsazinās ar DOI iestādi, lai DOI nesaistītu ar URL, kas piem. vairs nepastāv.

Izdevēja domēns var īslaicīgi nedarboties. Šo gadījumu var pārbaudīt, ielādējot citas tā paša izdevēja tīmekļa lapas. Ja vienlaikus nedarbojas vairākas lapas, ieteicams pagaidīt dažas stundas un pēc tam vēlreiz pārbaudīt domēna stāvokli. Vienkārša pacietība varētu atrisināt šo problēmu.

Var būt tehniska problēma ar noteiktu izdevēja domēna vietni. Piem., saturu varēja pārvietot uz citu vietu / adresi. To var pārbaudīt, pārbaudot citas tā paša izdevēja Web lapas. Ja tie darbojas pareizi, visticamāk, konkrētai vietnei ir kāda problēma, kas izdevējam jānovērš. Tādējādi izdevējs ir jāinformē.

Dažreiz, kad nesen tika publicēti dokumenti, DOI jau varētu pastāvēt, bet dokuments vēl nav pieejams. Ļoti jaunu dokumentu gadījumā šo problēmu var atrisināt tikai pacietība, līdz saturs tiek pareizi augšupielādēts.

Daži dokumenti var būt arī viltoti, vai izdevējs var piedāvāt zemas kvalitātes dokumentus. Ja DOI nav pieejams, var būt noderīgi pārbaudīt izdevēja uzticamību:

  • Vai tas ir diezgan nezināms izdevējs?
  • Vai vietne izskatās aizdomīga?
  • Vai dokumentos vai izdevēja tīmekļa domēnā ir daudz kļūdu?
  • Vai izdevējs ir publicējis rakstus tikai par piem. 1 vai 2 gadi?
  • Vai ir vairāki šī izdevēja dokumenti ar nepieejamām DOI?
  • Vai jūs varat atrast citas neatbilstības?
  • Pēc izvēles un parasti nav ieteicams: vai šo darbu nekad nav citējis cits autors vai ļoti maz autoru (citātu skaits)? Tas nav vispārējs ieteikums, jo katrs jauns darbs jāsāk ar nulles citātu skaitu. Turklāt ne vienmēr ir pilnīgi caurspīdīgi, kā atsauču skaitu veido esošās sistēmas. Dažādas sistēmas var ziņot par atšķirīgu atsauču skaitu. Turklāt citātu skaits diez vai būs pilnīgi precīzs. Ja tas tiek apsvērts, tas jāuzskata tikai par nelielu rādītāju kopā ar citiem kritērijiem.

Jo vairāk jautājumu var atbildēt ar jā, jo aizdomīgāk ir tas, ka izdevējs var būt krāpnieks. Var gadīties arī, ka šis izdevējs ir & quot; zemas kvalitātes & quot; izdevējs, kas nodrošina zemas kvalitātes dokumentus, bez ilgstoša salīdzinošās pārskatīšanas procesa. Jebkurā minētajā gadījumā ieteicams apsvērt iespēju atrast alternatīvus dokumentus, iespējams, arī no citiem izdevējiem, ja iespējams.

DOI norāda uz nepareizu papīru. Ja DOI norāda uz nepareizu dokumentu vai saturu, par to būtu jāinformē DOI iestāde.

DOI varētu būt dažas kļūdas. Visbeidzot, ir arī iespējams, ka dotajā DOI ir tikai dažas kļūdas.


Datu avoti H-K

Datu avots Izveidojiet savienojumu no darbvirsmas Izveidojiet savienojumu un atsvaidziniet no pakalpojuma DirectQuery / Live savienojums Vārteja (atbalstīta) Vārteja (obligāta) Power BI datu plūsmas
Hadoop fails (HDFS)
Strops LLAP
HDInsight interaktīvais vaicājums
IBM DB2
IBM Informix datu bāze
IBM Netezza
Impala
Indexima
Rūpnieciskais lietotņu veikals
Informācijas režģis
Starpsistēmas IRIS
Intune datu noliktava
Jetro ODBC
JSON Jā** Nr. 3
Kyligence Enterprise

Datoru drošība datu vākšanas tehnoloģijām ☆

Daudzas organizācijas jaunattīstības valstīs (piemēram, NVO) savā darbplūsmā iekļauj digitālo datu vākšanu. Apkopotie dati var ietvert informāciju, kuru var uzskatīt par sensitīvu, piemēram, medicīniskos vai sociālekonomiskos datus, un kuru varētu ietekmēt datoru drošības uzbrukumi vai neapzināta nepareiza apstrāde. Datu vākšanas organizāciju attieksme un prakse ietekmē konfidencialitāte, pieejamība, un integritāte datu. Šis darbs, kas saistīts ar datoru drošību un ICTD pētniekiem, pēta drošības un privātuma attieksmi, praksi un vajadzības organizācijās, kas izmanto Open Data Kit (ODK), ievērojamu digitālo datu vākšanas platformu. Mēs veicam detalizētu draudu modelēšana vingrinājumi, lai informētu mūsu viedokli par iespējamiem drošības apdraudējumiem, un pēc tam veiciet un analizējiet aptauju un intervijas ar tehnoloģiju ekspertiem šajās organizācijās, lai pamatotu šo analīzi ar reālu izvietošanas pieredzi. Pēc tam mēs pārdomājam savus rezultātus, mācoties gan organizācijām, kas vāc datus, gan rīku izstrādātājiem.


Tā kā TDE ir balstīta uz sertifikātu, kas saglabāts galvenajā (ko izmanto, lai šifrētu datu bāzes šifrēšanas atslēgu), tas darbotos tikai ja jūs varētu atjaunot galveno datu bāzi citā serverī tādā veidā, lai sertifikātu varētu atšifrēt.

Šī ir TDE šifrēšanas hierarhija:

  1. Pakalpojuma galvenā atslēga (aizsargāta ar Windows, kas saistīta ar pakalpojuma konta akreditācijas datiem, un mašīnas atslēgu)
  2. Datu bāzes pamatatslēga (šajā gadījumā galvenā datu bāzes atslēga)
  3. Sertifikāts
  4. TDE šifrēšanas atslēga

Pirmie trīs vienumi tiek glabāti galvenajā datu bāzē, un tos visus var dublēt. Ceturtais tiek glabāts (šifrēts ar sertifikātu no # 3) šifrētās datu bāzes galvenē.

Tātad neveiksmes gadījumā jums būs jāatjauno pietiekami daudz šifrēšanas hierarhijas, lai ļautu jums nolasīt TDE atslēgu. SQL Server instalēšanas laikā izveido pakalpojuma galveno atslēgu, tādējādi, atjaunojot galveno datu bāzi citā instancē, tiks atjaunoti arī 2. un 3. vienumi, to atšifrēšanai nepieciešamās (-ās) atslēgas (-as) nebūs. Rezultāts: nelasāmi dati.

Divas labākās iespējas ir vai nu atjaunot sertifikātu (# 3) no dublējuma (laba iespēja, ja galveno programmu nevar atjaunot kāda iemesla dēļ), vai arī atjaunot galveno datu bāzi un tās galveno atslēgu (# 2) no dublējuma. Galvenās atslēgas atjaunošana var būt labāka iespēja, ja jums ir daudz sertifikātu / atslēgu, kuras aizsargā šī atslēga, un jums visiem tie ir jāpadara pieejami uzreiz. Tam ir tādi paši piesardzības pasākumi, kādi parasti ir saistīti ar galvenās datu bāzes atjaunošanu (salīdzinājumi, pieteikšanās, datu bāzes nosaukumi un failu ceļi utt.)

Parasti es ieteiktu atjaunot galveno programmu tikai atkopšanas scenārijā. Migrācijas / paplašināšanas scenārijam (piemēram, pieejamības grupu izmantošana / spoguļošana ar TDE šifrētu datu bāzi) labāk ir dublēt / atjaunot sertifikātu (# 3), lai tas būtu šifrēts, izmantojot galvenās atslēgas, kas unikālas katram pārvietotajam gadījumam. uz. Sertifikāta dublējumā būs jāiekļauj privātā atslēga.

Jebkurā gadījumā jums būs jāveido atslēgu / sertifikātu dublējumkopijas, tāpēc sargājiet tos labi un glabājiet liekās, drošās vietās. Vienkārši ir kapteiņa dublējums nebūs lai jūs izkļūtu no TDE katastrofas, jums būs nepieciešama vismaz vienas atslēgas vai sertifikāta dublēšana.


Lielo datu integrācija

Biznesa inteliģences rīki

Strukturēta biznesa inteliģence

Kopā ar datu noliktavas datu krājumiem ir tradicionālie biznesa inteliģences rīki, kas galvenokārt darbojas uz strukturētajiem datiem relāciju datu bāzēs. Tradicionālie biznesa inteliģences rīki kļūst jaudīgāki nekā jebkad agrāk, kad datus no strukturētajiem datu avotiem, izmantojot datu virtualizācijas serveri, nodrošina atbilstošā strukturētā formātā.

Meklēt biznesa inteliģenci

Lielo datu arhitektūrai kritiska ir dokumentu un e-pasta pārvaldības rīku iekļaušana, ieskaitot biznesa informācijas rīkus, kas vērsti uz šo datu analīzi, ko parasti dēvē par “meklēšanas” analīzes veidu. Meklēšanas analīzes rīki var piekļūt dažādu veidu datiem un atrašanās vietām.

Hadoop un MapReduce biznesa inteliģence

Daudzos gadījumos “big data” un Hadoop tiek izmantoti kā sinonīmi. Kā daļu no Hadoop risinājumu komplekta MapReduce parasti izmanto Hadoop failu sistēmā saglabāto datu orķestrēšanai un analīzei.

Vizualizācija

Datu vizualizācijas rīki, lai parādītu lielu daudzumu informācijas, tiek izmantoti pret datiem no lielākās daļas starpposma datu centru, ieskaitot datu noliktavas, datu plūsmas un Hadoop.


Apdzīvotības centru noteikšana Nigērijā

Interesant algoritmul & # 8230 de citit. Mai jos se afla si un link cu sursele de date, pentru cei care vor sa afle mai multe sau sa experimenteze direct.

Ir lieli planētas reģioni, kas (kaut arī apdzīvoti) joprojām nav kartēti līdz šai dienai. Lai atbalstītu NVO vakcinācijas un palīdzības izplatīšanas iniciatīvas, DigitalGlobe ir uzsācis masu piesaistīšanas kampaņas, lai atklātu attālinātus iedzīvotāju centrus Etiopijā, Sudānā un Svazilendā. Šī ir viena no vairākām pašreizējām iniciatīvām, lai novērstu nepilnības globālajā kartē, lai pirmie reaģētāji varētu palīdzēt neaizsargātiem , tomēr nepieejami cilvēki.

Ciematu noteikšana, izmantojot vietējos resursus, ir precīza, bet lēna. Cilvēka acis var viegli noteikt ēkas, taču tām vajadzīgs laiks, lai noklātu lielas zemes platības. Iepriekš objektu mēroga noteikšanai un klasificēšanai mēs esam apvienojuši pūļa piesaisti ar dziļu GBDX mācīšanos. Šī ir pieeja: savāciet apmācības paraugus no pūļa, apmāciet neironu tīklu, lai identificētu interesējošo objektu, pēc tam apmācīto modeli izvietojiet lielās teritorijās.

Nesenās plaša mēroga iedzīvotāju kartēšanas kampaņas kontekstā mēs saskārāmies ar parasto jautājumu. Atrodiet ēkas kopā ar pūli vai apmāciet mašīnu, lai to izdarītu? Tas radīja vēl vienu jautājumu: vai konvolucionālais neironu tīkls (CNN), kuru mēs apmācījām, lai atrastu peldbaseinus Adelaidē, var tikt apmācīts, lai atklātu ēkas Nigērijā?

Lai atbildētu uz šo jautājumu, mēs izvēlējāmies interešu apgabalu Nigērijas ziemeļaustrumos, pie Nigēras un Kamerūnas robežas. DigitalGlobe attēlu bibliotēka nodrošināja nepieciešamo saturu: deviņas WorldView-2 un divas GeoEye-1 attēlu sloksnes, kas savāktas no 2015. gada janvāra līdz 2016. gada maijam.

Mēs atlasījām četras WorldView-2 sloksnes, sadalījām tās kvadrātveida mikroshēmās, kuru mala bija 115 m vienā malā (250 pikseļi ar sensora izšķirtspēju), un lūdzām mūsu pūli tās apzīmēt kā “Ēkas” vai “Nav ēku”. Tādā veidā mēs ieguvām marķētus datus, lai apmācītu nervu tīklu.

Apmācītais modelis tika izvietots uz atlikušajām sloksnēm. Tas ietvēra katra attēla sadalīšanu tāda paša izmēra mikroshēmās kā tie, uz kuriem mēs apmācījāmies, pēc tam modelim liekot katru atsevišķu mikroshēmu klasificēt kā “Ēkas” vai “Bez ēkas”.

Rezultāts: fails, kurā ir visas mikroshēmas, kas klasificētas kā “Ēkas” vai “Bez ēkām”, kā arī katras klasifikācijas ticamības rādītājs.

Rezultāti

Šeit ir modeļa klasifikācijas paraugi:

Zaļās krāsas intensitāte ir proporcionāla modeļa pārliecībai ēkas klātbūtnē. Ir skaidrs, ka uzticamība palielinās līdz ar apbūves blīvumu. Modelis dara savu darbu!

Ko patiesībā mācās neironu tīkls? Tālāk ir sniegti slēpto slāņu izejas piemēri, kas iegūti, klasificējot mikroshēmu, kurā ir ēkas. Ņemiet vērā, ka mikroshēmu apstrādā secīgi slāņi, ēku atrašanās vietas kļūst arvien apgaismotākas, kā rezultātā tiek pieņemts liels ticamības lēmums, ka mikroshēmā ir ēkas.

Šeit ir lielāks rezultātu paraugs. Ātra Google Maps pārbaude parāda, ka lielākā daļa šo ciematu nav kartē.

Tātad, lai atbildētu uz mūsu sākotnējo jautājumu: jā, to pašu neironu tīkla arhitektūru, ko veiksmīgi izmantoja, lai atklātu peldbaseinus Austrālijas piepilsētas vidē, var izmantot, lai atklātu ēkas Nigērijas tuksnesī. Apmācītais modelis var klasificēt aptuveni 200000 mikroshēmu (nedaudz virs 3000 km2) GPU aprīkotā Amazon instancē. GBDX ļauj paralēli izvietot modeli pa patvaļīgu sloksņu skaitu - kontinentāla mēroga iedzīvotāju centru kartēšana kļūst par realitāti.

Šeit varat atrast pilnu stāstu un saiti uz pilnas izšķirtspējas karti interesējošās teritorijas apakškopai.

Dalīties ar šo:

Kā šis:


Drošības nodrošināšanas procesi un prakse

Azure izolācijas nodrošināšanu papildus nodrošina Microsoft iekšējais drošības attīstības dzīves cikla (SDL) un citu spēcīgu drošības nodrošināšanas procesu lietojums, lai aizsargātu uzbrukuma virsmas un mazinātu draudus. Microsoft ir izveidojis nozares vadošos procesus un rīkus, kas nodrošina augstu pārliecību par Azure izolācijas garantiju.

  • Drošības attīstības dzīves cikls (SDL) - Microsoft SDL ievieš drošības un privātuma apsvērumus visos izstrādes procesa posmos, palīdzot izstrādātājiem izveidot ļoti drošu programmatūru, ievērot drošības atbilstības prasības un samazināt izstrādes izmaksas. Norādījumi, paraugprakse, rīki un procesi Microsoft SDL ir prakse, kas tiek izmantota iekšēji, lai izveidotu visus Azure pakalpojumus un izveidotu drošākus produktus un pakalpojumus. Šis process ir arī publiski dokumentēts, lai dalītos Microsoft pieredzē ar plašāku nozari un iekļautu nozares atsauksmes, lai izveidotu spēcīgāku drošības attīstības procesu.
  • Instrumenti un procesi - Uz visu Azure kodu attiecas plašs statisko un dinamisko analīzes rīku komplekts, kas identificē potenciālās ievainojamības, neefektīvus drošības modeļus, atmiņas bojājumus, lietotāju privilēģiju problēmas un citas kritiskas drošības problēmas.
    • Mērķis būvēts fuzzing - testēšanas paņēmiens, ko izmanto, lai atrastu programmatūras produktu un pakalpojumu drošības ievainojamību. Tas sastāv no modificētu vai sakausētu datu atkārtotas ievadīšanas programmatūras ievadei, lai izraisītu aizķeršanos, izņēmumus un avārijas, t.i., kļūdas apstākļus, kurus uzbrucējs varētu izmantot, lai traucētu vai pārņemtu lietojumprogrammu un pakalpojumu kontroli. Microsoft SDL iesaka sapludināt visas programmatūras produkta uzbrukuma virsmas, it īpaši tās, kas pakļauj datu parsētāju neuzticamiem datiem.
    • Tiešās vietnes iespiešanās pārbaude - Microsoft veic nepārtrauktu vietņu iespiešanās testēšanu, lai uzlabotu mākoņa drošības kontroli un procesus, kā daļa no Red Teaming programmas, kas aprakstīta vēlāk šajā sadaļā. Iespiešanās pārbaude ir programmatūras sistēmas drošības analīze, ko veic kvalificēti drošības profesionāļi, simulējot hakeru darbības. Iespiešanās testa mērķis ir atklāt potenciālās ievainojamības, kas rodas kodēšanas kļūdu, sistēmas konfigurācijas kļūmju vai citu darbības izvietošanas nepilnību dēļ. Testi tiek veikti, izmantojot Azure infrastruktūru un platformas, kā arī pašu Microsoft īrniekus, lietojumprogrammas un datus. Klientu nomnieki, lietojumprogrammas un Azure mitinātie dati nekad netiek mērķēti, tomēr klienti var paši veikt Azure izvietoto lietojumprogrammu iespiešanās testēšanu.
    • Draudu modelēšana - Microsoft SDL galvenais elements. Tā ir inženiertehnika, kas tiek izmantota, lai palīdzētu identificēt draudus, uzbrukumus, ievainojamības un pretpasākumus, kas varētu ietekmēt lietojumprogrammas un pakalpojumus. Apdraudējumu modelēšana ir daļa no Azure ikdienas izstrādes dzīves cikla.
    • Automātiska būvniecības brīdināšana par izmaiņām uzbrukuma virsmā - Attack Surface Analyzer ir Microsoft izstrādāts atvērtā koda drošības rīks, kas analizē mērķa sistēmas uzbrukuma virsmu un ziņo par iespējamām drošības ievainojamībām, kas ieviestas programmatūras instalēšanas vai sistēmas nepareizas konfigurācijas laikā. Attack Surface Analyzer galvenā iezīme ir spēja “diferencēt” operētājsistēmas drošības konfigurāciju pirms un pēc programmatūras komponenta instalēšanas. Šī funkcija ir svarīga, jo lielākajai daļai instalēšanas procesu ir nepieciešamas paaugstinātas privilēģijas, un pēc piešķiršanas tas var izraisīt neparedzētas sistēmas konfigurācijas izmaiņas.

    Pārejot uz mākoņu, klienti, kas pieraduši pie tradicionālas lokālas datu centra izvietošanas, parasti veiks riska novērtējumu, lai novērtētu savu apdraudējumu un formulētu mazinošus pasākumus. Daudzos no šiem gadījumiem drošības apsvērumi tradicionālai lokālai izvietošanai parasti ir labi saprotami, turpretī atbilstošās mākoņa opcijas mēdz būt jaunas. Nākamā sadaļa ir paredzēta, lai palīdzētu klientiem veikt šo salīdzinājumu.


    Dzēst un noņemt ir definēti diezgan līdzīgi, bet galvenā atšķirība starp tām ir tā dzēst nozīmē dzēst (t.i., padarīts par neeksistējošu vai neatgūstamu), savukārt noņemt konototi atņemt un nolikt malā (bet turpina pastāvēt).

    Jūsu piemērā, ja vienums pastāv jau pēc noņemšanas, vienkārši pasakiet noņemt, bet, ja tā pārstāj pastāvēt, sakiet dzēst.

    Kā blakus piezīme: dzēst dažreiz tiek izmantots no datora failiem pārvietot uz atkritni / atkritni (tātad to joprojām var atgūt), taču tā nav standarta nozīme ārpus šī konteksta.

    Tie ir ļoti līdzīgi, taču veids, kā es šeit atšķirtu, ir balstīts uz darbības darbību un uz vienuma noņemšanu / dzēšanu no saraksta.

    Ja vienums turpinās pastāvēt ārpus saraksta, es ieteiktu “noņemt”, jo tas tiek noņemts no saraksta, bet pats vienums netiek izdzēsts.

    Ja vienums vairs nepastāv, tad "noņemt" un "dzēst" būtībā ir līdzvērtīgi, lai gan "dzēst" var būt mazliet skaidrāk, jo lietotājs dzēš vienumu.

    Jūs varat noņemt kaut ko no kolekcijas (piemēram, failu no projekta, mapi no bibliotēkas), to neizdzēšot. Ja attiecīgajam vienumam nav dzīves ārpus jūsu kolekcijas (piemēram, rindkopa no Word dokumenta), nav atšķirības starp noņemšanu un dzēšanu. Bet, ja tam ir tāds mūžs (piemēram, attēla fails HTML lapā), noņemšana un dzēšana var būt atšķirīga. Dzēst ir spēcīgāk - ne tikai pārtrauciet to iekļaut savā kolekcijā, saistot ar to, neatkarīgi no tā, bet arī izdzēsiet to no jebkuras vietas.


    Weary, D. J. un ārsts, D. H. Karsts Amerikas Savienotajās Valstīs: digitālo karšu sastādīšana un datu bāze, https://doi.org/10.3133/ofr20141156 (2014).

    Weary, D. Karsta iegrimšanas un iegrimes izmaksas sabrūk Amerikas Savienotajās Valstīs, salīdzinot ar citiem dabas apdraudējumiem. In Sinkholes un Karsta inženiertehniskā un vides ietekme: četrpadsmitās daudznozaru konferences materiāli (eds Doctor, D. H., Land, L. & amp Stephenson, J. B.) 433–445, https://doi.org/10.5038/9780991000951.1062 (Nacionālais alu un karstu izpētes institūts, Karlsbada, NM, 2015).

    Floridas apdrošināšanas pārvaldes birojs. Ziņojums par 2010. gada Sinkhole datu zvana pārskatīšanu (2010).

    Skots, T. M. Floridas avoti Džopardijā. Ģeogrāfiskais laiks 47, 16–20 (2002).

    Lindsija, B. D. un citi. Attiecības starp sinkhole blīvumu un antropogēniem piesārņotājiem atsevišķos karbonātu ūdens nesējslāņos ASV austrumos. Env. Zemes zinātne 60, 1073–1090 (2010).

    Katz, B. G., Sepulveda, A. A. & amp Verdi, R. J. Slāpekļa slodzes novērtēšana gruntsūdeņos un neaizsargātības pret nitrātu piesārņojumu novērtēšana lielu karstisko avotu baseinā, Floridā. J. Am. Ūdens resurss. Asoc. 45, 607–627 (2009).

    Kidanu, S. T., Andersons, N. L. un amp Rogers, J. D. Gis balstītas telpiskās analīzes izmantošana, lai noteiktu faktorus, kas ietekmē grumbu veidošanos Grīnas apgabalā, Misūri št. Environ. Eng. Geosci. 24, 251–261 (2018).

    Galve, J. P. un citi. Varbūtības izlietnes modelēšana bīstamības novērtēšanai. Zemes sērfošana. Process. Reljefa formas 34, 437–452 (2009).

    Whitman, D., Gubbels, T. & amp Powell, L. Telpiskās mijiedarbības starp ezera pacēlumiem, ūdens slāņiem un grimšanas gadījumiem Floridas centrālajā daļā: ĢIS pieeja. Fotogramma. Eng. Attālā uzrāde 65, 1169–1178 (1999).

    Wilson, W. L. & amp Beck, B. F. Hidrogeoloģiskie faktori, kas ietekmē jaunu sinkhole attīstību Orlando apgabalā, Florida. Pazemes ūdeņi 30, 918–930 (1992).

    Gongyu, L. & amp Wanfang, Z. Sinkholes karsta ieguves apgabalos Ķīnā un dažas profilakses metodes. Eng. Geol. 52, 45–50 (1999).

    Benito, G., del Campo, P. P., Gutiérrez-Elorza, M. & amp Sancho, C. Dabas un cilvēka izraisītas grimšanas vietas ģipša reljefā un ar to saistītās vides problēmas ZA Spānijā. Environ. Geol. 25, 156–164 (1995).

    Taheri, K. un citi. Sinkhole uzņēmības kartēšana: Bayes mašīnmācīšanās algoritmu salīdzinājums. L. Degrad. Dev, https://doi.org/10.1002/ldr.3255 (2019).

    Brūks, G. A. un Alisons, T. L. Lūzumu kartēšana un zemes noslīdēšanas uzņēmības modelēšana klātajā karsta apvidū: Dautertijas apgabala piemērs, Džordžijas štatā. Zemes iegrimšana. IAHS publikācija Nr. 151 (1986).

    Dai, J., Lei, M., Lui, W., Tang, S. & amp Lai, S. Karsta sabrukšanas risku novērtējums Guilinā, Guandži provincē, Ķīnā. Izlietne. Eng. Environ. Ietekme Karsts 156–164, https://doi.org/10.1061/41003(327)16 (2008).

    Galve, J. P., Remondo, J. un amp Gutiérrez, F. Sinkhole bīstamības modeļu uzlabošana, iekļaujot lieluma un frekvences attiecības un tuvāko kaimiņu analīzi. Ģeomorfoloģija 134, 157–170 (2011).

    Taheri, K., Gutiérrez, F., Mohseni, H., Raeisi, E. & amp Taheri, M. Sinkhole uzņēmības kartēšana, izmantojot analītiskās hierarhijas procesu (AHP) un lieluma – frekvences sakarības: Gadījuma izpēte Hamadanas provincē, Irānā. Ģeomorfoloģija 234, 64–79 (2015).

    Orndorff, R. C., Weary, D. J. & amp Lagueux, K. M. Dolīnu izplatības ģeoloģisko kontroļu ģeogrāfiskās informācijas sistēmu analīze Ozarkas štatā Misūri dienvidu un centrālajā daļā, ASV. Acta Carsologica 29, 161–175 (2000).

    Gao, Y., Alexander, E. C. & amp Barnes, R. J. Karst datu bāzes ieviešana Minesotā: Sinkhole izplatīšanas analīze. Environ. Geol. 47, 1083–1098 (2005).

    Džou, W., Beks, B. F. un amp. Adamss, A. L. Matricas analīzes piemērošana, nosakot iegrimes riska apgabalus gar šoseju (I-70 pie Frederika, Merilenda). Environ. Geol. 44, 834–842 (2003).

    Tharp, T. M. Cover-collapse sinkhole veidošanās un augsnes plastika. In Sinkholes un Karsta inženiertehniskā un vides ietekme 110–123 (2003).

    Viņš, K., Liu, C. un amp Vangs, S. Karsts sabrūk saistībā ar pārmērīgu sūknēšanu un tās stabilitātes kritēriju. Environ. Geol. 43, 720–724 (2003).

    Galve, J. P. un citi. Izvērtēt un salīdzināt gremdurbju uzņēmības kartēšanas metodes Ebro ielejas evaporīta karstā (ZA Spānija). Ģeomorfoloģija 111, 160–172 (2009).

    Ciotoli, G. un citi. Jutīgums pret izlietni, Lacio reģions, Itālijas centrālā daļa. J. Maps 12, 287–294 (2016).

    Saha, A. K., Gupta, R. P., Sarkar, I., Arora, M. K. un amp Csaplovics, E. Pieeja GIS balstītai statistiskai zemes nogruvumu jutības zonēšanai - ar gadījumu izpēti Himalajos. Zemes nogruvumi 2, 61–69 (2005).

    Yilmaz, I., Marschalko, M. un amp Bednarik, M. Novērtējums par divvariantu, daudzveidīgo un mīksto skaitļošanas metožu izmantošanu kolapses jutībai GIS vidē. J. Zemes sist. Sci. 122, 371–388 (2013).

    Yalcin, A. ĢIS balstīta zemes nogruvumu jutības kartēšana, izmantojot analītiskās hierarhijas procesu un divdimensiju statistiku Ardesenā (Turcija): Rezultātu un apstiprinājumu salīdzinājumi. Katēna 72, 1–12 (2008).

    Ciurleo, M., Cascini, L. & amp Calvello, M. Statistisko un deterministisko metožu salīdzinājums sekla zemes nogruvumu jutības zonēšanai mālainās augsnēs. Eng. Geol. 223, 71–81 (2017).

    Lee, S. Loģistiskās regresijas modeļa pielietošana un tā validācija zemes nogruvumu jutības kartēšanai, izmantojot GIS un attālās uzrādes datus. Int. J. Remote Sens. 26, 1477–1491 (2005).

    Ayalew, L. & amp Yamagishi, H. Uz ĢIS balstītas loģistiskās regresijas pielietošana zemes nogruvumu jutības kartēšanai Kakuda-Yahiko kalnos, Japānas centrālajā daļā. Ģeomorfoloģija 65, 15–31 (2005).

    Papadopoulou-Vrynioti, K., Bathrellos, G. D., Skilodimou, H. D., Kaviris, G. & amp Makropoulos, K. Karst sabrūk uzņēmības kartēšana, ņemot vērā zemes maksimālo paātrinājumu strauji augošā pilsētas teritorijā. Eng. Geol. 158, 77–88 (2013).

    Ayalew, L., Yamagishi, H. & amp Ugawa, N. zemes nogruvuma jutības kartēšana, izmantojot uz ĢIS balstītu svērto lineāro kombināciju, gadījums Agano upes Tsugawa apgabalā, Niigata prefektūrā, Japānā. Zemes nogruvumi 1, 73–81 (2004).

    Wu, C. H. & amp Chen, S. C. Nogruvumu jutības noteikšana Taivānas centrālajā daļā no nokrišņiem un sešiem vietas faktoriem, izmantojot analītiskās hierarhijas procesa metodi. Ģeomorfoloģija 112, 190–204 (2009).

    Chen, W. un citi. ĢIS balstīta zemes nogruvumu jutības kartēšana, izmantojot analītiskās hierarhijas procesa (AHP) un noteiktības faktora (CF) modeļus Baoji pilsētas Baozhong reģionā, Ķīnā. Environ. Zemes zinātne. 75, 1–14 (2016).

    Ercanoglu, M., Kasmer, O. & amp Temiz, N. Ekspertu atzinuma pielāgošana un salīdzināšana ar analītiskās hierarhijas procesu zemes nogruvumu uzņēmības kartēšanai. Bullis. Eng. Geol. Environ. 67, 565–578 (2008).

    Park, S., Choi, C., Kim, B. & Kim, J. Landslide susceptibility mapping using frequency ratio, analytic hierarchy process, logistic regression, and artificial neural network methods at the Inje area, Korea. Environ. Earth Sci. 68, 1443–1464 (2013).

    Komac, M. A landslide susceptibility model using the Analytical Hierarchy Process method and multivariate statistics in perialpine Slovenia. Ģeomorfoloģija 74, 17–28 (2006).

    Marinoni, O. Implementation of the analytical hierarchy process with VBA in ArcGIS. Comput. Geosci. 30, 637–646 (2004).

    Gutiérrez, F., Cooper, A. H. & Johnson, K. S. Identification, prediction, and mitigation of sinkhole hazards in evaporite karst areas. Environ. Geol. 53, 1007–1022 (2008).

    Tang, Z., Yi, S., Wang, C. & Xiao, Y. Incorporating probabilistic approach into local multi-criteria decision analysis for flood susceptibility assessment. Stoch. Environ. Res. Risk Assess. 32, 701–714 (2018).

    Park, H. J., Lee, J. H. & Woo, I. Assessment of rainfall-induced shallow landslide susceptibility using a GIS-based probabilistic approach. Eng. Geol. 161, 1–15 (2013).

    Census Bureau, U. S. & Census Bureau, U. S. QuickFacts: Marion County, Florida. US Census Bureau, Census of Population and Housing Available at, https://www.census.gov/quickfacts/fact/table/marioncountyflorida/POP060210#viewtop (Accessed: 22 nd October 2018) (2010).

    Florida Department of Community Affairs. Mapping for Emergency Management, Parallel Hazard Information System (2005).

    Miller, J. A. Hydrogeologic framework of the Floridan Aquifer System in Florida and in parts of Georgia, Alabama, and South Carolina. U.S. Geological Survey Professional Paper 1403–B (1986).

    Scott, T. M. Lithostratigraphy and hydrostratigraphy of Florida. Florida Sci. 79, 198–207 (1988).

    Kim, Y. J., Xiao, H., Wang, D., Choi, Y. W. & Nam, B. H. Development of Sinkhole Hazard Mapping for Central Florida. In Geotechnical Frontiers 2017 459–468, https://doi.org/10.1061/9780784480441.048 (American Society of Civil Engineers, 2017).

    Newton, J. G. Sinkholes resulting from ground-water withdrawals in carbonate terranes-an overview, https://doi.org/10.1130/REG6-p195 (1984).

    Sinclair, W. C. Sinkhole development resulting from ground-water withdrawal in the Tampa area, Florida (1982).

    Parise, M. A present risk from past activities: sinkhole occurrence above underground quarries. Carbonates and Evaporites 27, 109–118 (2012).

    Salvati, R. & Sasowsky, I. D. Development of collapse sinkholes in areas of groundwater discharge. J. Hydrol. 264, 1–11 (2002).

    Rawal, K. Exploring the Geomechanics of Sinkholes: A Preliminary Numerical Study. (University of Toledo, 2016).

    Arthur, J. D., Baker, A. E., Cichon, J. R., Wood, A. R. & Rudin, A. Florida aquifer vulnerability assessment (FAVA): contamination potential of Florida’s principal aquifer systems (2005).

    Singh, K. B. & Dhar, B. B. Sinkhole subsidence due to mining. Geotech. Geol. Eng. 15, 327–341 (1997).

    Shofner, G. A., Mills, H. H. & Duke, J. E. A simple map index of karstification and its relationship to sinkhole and cave distribution in Tennessee. J. Cave Karst Stud. 63, 67–75 (2001).

    Saaty, T. L. Multicriteria decision making. The analytical hierarchy process. In McGraw-Hill. 287 (McGraw Hill International, 1980).

    Saaty, T. L. Decision-making with the AHP: Why is the principal eigenvector necessary. Eiro. J. Oper. Res. 145, 85–91 (2003).

    Yalcin, A. & Bulut, F. Landslide susceptibility mapping using GIS and digital photogrammetric techniques: a case study from Ardesen (NE-Turkey). Nat. Hazards 41, 201–226 (2007).

    Pourghasemi, H. R., Pradhan, B. & Gokceoglu, C. Application of fuzzy logic and analytical hierarchy process (AHP) to landslide susceptibility mapping at Haraz watershed, Iran. Nat. Hazards 63, 965–996 (2012).

    Chendeş, V., Sima, M. & Enciu, P. A country-wide spatial assessment of landslide susceptibility in Romania. Ģeomorfoloģija 124, 102–112 (2010).

    King, G. & Zeng, L. Logistic regression in rare events data. Polit. Anal. 9, 137–163 (2001).

    Atkinson, P. M. & Massari, R. Generalized linear modelling of susceptibility to landsliding in the Central Apenines, Italy. Comput. Geosci. 24(4), 373–385 (1998).

    Dai, F. & Lee, C. Landslide characteristics and slope instability modeling using GIS, Lantau Island, Hong Kong. Ģeomorfoloģija 42, 213–228 (2002).

    Van Den Eeckhaut, M. et al. Prediction of landslide susceptibility using rare events logistic regression: A case-study in the Flemish Ardennes (Belgium). Ģeomorfoloģija 76, 392–410 (2006).

    Ohlmacher, G. C. & Davis, J. C. Using multiple logistic regression and GIS technology to predict landslide hazard in northeast Kansas, USA. Eng. Geol. 69, 331–343 (2003).

    Crone, S. F. & Finlay, S. Instance sampling in credit scoring: An empirical study of sample size and balancing. Int. J. Forecast. 28, 224–238 (2012).

    Alin, A. Multicollinearity. Wiley Interdiscip. Rev. Comput. Stat. 2, 370–374 (2010).

    Chung, C.-J. & Fabbri, A. G. Predicting landslides for risk analysis — Spatial models tested by a cross-validation technique. Ģeomorfoloģija 94, 438–452 (2008).

    Brinkmann, R., Parise, M. & Dye, D. Sinkhole distribution in a rapidly developing urban environment: Hillsborough County, Tampa Bay area, Florida. Eng. Geol. 99, 169–184 (2008).

    Florida Department of Transportation Surveying and Mapping Office Geographic Mapping Section. Floridia land use, cover and forms classification system. (State of Florida, Department of Transportation, 1999).

    Ozdemir, A. Sinkhole Susceptibility Mapping Using a Frequency Ratio Method and GIS Technology Near Karapınar, Konya-Turkey. Procedia Earth Planet. Sci. 15, 502–506 (2015).

    Todd, A. & Ivey-Burden, L. A method of mapping sinkhole susceptibility using a geographic information system: a case study for interstates in the karst counties of Virginia. In Sinkholes and the Engineering and Environmental Impacts of Karst: Proceedings of the Fourteenth Multidisciplinary Conference (eds Doctor, D. H., Land, L. & Stephenson, J. B.) 299–305 (National Cave and Karst Research Institute, Carlsbad, NM, 2015).

    Gutiérrez-Santolalla, F., Gutiérrez-Elorza, M., Marín, C., Desir, G. & Maldonado, C. Spatial distribution, morphometry and activity of La Puebla de Alfindén sinkhole field in the Ebro river valley (NE Spain): applied aspects for hazard zonation. Environ. Geol. 48, 360–369 (2005).

    Drake, J. & Ford, D. The analysis of growth patterns of two-generation populations: the examples of karst sinkholes. Can. Geogr. 16, 381–384 (1972).

    Lari, S., Frattini, P. & Crosta, G. B. A probabilistic approach for landslide hazard analysis. Eng. Geol. 182, 3–14 (2014).

    Kim, Y. J. & Nam, B. H. Sinkhole Hazard Mapping Using Frequency Ratio and Logistic Regression Models for Central Florida. In Geo-Risk 2017 246–256, https://doi.org/10.1061/9780784480717.023 (American Society of Civil Engineers, 2017).

    Ozdemir, A. Sinkhole susceptibility mapping using logistic regression in Karapınar (Konya, Turkey). Bull. Eng. Geol. Environ. 75, 681–707 (2016).

    Theron, A. & Engelbrecht, J. The Role of Earth Observation, with a Focus on SAR Interferometry, for Sinkhole Hazard Assessment. Remote Sens. 10, 1506 (2018).

    Jones, C. & Blom, R. Pre-Event and Post-Formation Ground Movement Associated with the Bayou Corne Sinkhole. In Sinkholes and the Engineering and Environmental Impacts of Karst: Proceedings of the Fourteenth Multidisciplinary Conference (eds Doctor, D. H., Land, L. & Stephenson, J. B.) 415–422, https://doi.org/10.5038/9780991000951.1083 (National Cave and Karst Research Institute, Carlsbad, NM, 2015).

    Wu, Q., Deng, C. & Chen, Z. Automated delineation of karst sinkholes from LiDAR-derived digital elevation models. Ģeomorfoloģija 266, 1–10 (2016).

    Fleury, E. S., Carson, S. & Brinkmann, R. Testing reporting bias in the Florida sinkhole database: an analysis of sinkhole occurrences in the Tampa metropolitan statistical area. Southeast. Geogr. 48, 38–52 (2008).

    Xiao, H., Kim, Y. J., Nam, B. H. & Wang, D. Investigation of the impacts of local-scale hydrogeologic conditions on sinkhole occurrence in East-Central Florida, USA. Environ. Earth Sci. 75, 1274 (2016).


    Skatīties video: Federating ArcGIS Server with Portal for ArcGIS