Suite

Création d'une boucle pour les données de lignes (données spatiales) ?


J'essaie de créer un fichier de formes de lignes avec les courbes de niveau de l'isobathe de 20 mètres le long de la côte est-africaine.

Cette ligne de contour de 20 mètres a différents segments et j'ai ces informations sur une liste, et j'essaie de convertir cette liste en un fichier de formes et de fusionner les différents segments de la ligne.

Comment pourrais-je créer une boucle pour joindre les différentes lignes de la ligne de contour ?

library(maptools) library(sp) # ctlns : lignes de contour ctlns [[1]] [[1]]$level [1] -20 [[1]]$x [1] 39.11667 39.10909 39.11667 39.12754 39.11667 [[1] ]$y [1] -5.327083 -5.316667 -5.303509 -5.316667 -5.327083 [[2]] [[2]]$niveau [1] -20 [[2]]$x [1] 39.21667 39.20889 39.21667 39.21852 39.22667 39.23068 39.23333 39.24369 39.25000 [10] 39.25311 39.25173 39.25202 39.25000 39.23763 39.23333 39.22281 39.21667 [[2]]$y [1] -5.053763 -5.050000 -5.035417 -5.033333 -5.016667 -5.000000 -4.998276 -4.983333 [9] -4.97790000 -4.998333 -5.050000 -5.022381 -5.033333 -5.040000 -5.050000 [17] -5.053763 pour(i en 1:longueur(ctlns)) { ctlns[[i]] isolines<- data.frame(ctlns[[i]]) iso <- cbind( isolines$x,isolines$y) L1 <-Line(iso) Ls1 = Lines(list(L1), ID = "a") iso_spatial<-mapply(cbind, list(L1)) }

Je suis nouveau en utilisant des données spatiales sur R.


Essaye ça:

iso_spatial <- ContourLines2SLDF(ctlns)

Voir la source de?ContourLines2SLDFpour voir comment c'est fait, et comment vous pourriez restructurer (si nécessaire).

Regarde aussi?rasterVersContourdans le package raster pour un emballage plus pratique.


Quelle est la classe des éléments dans ctlns ? S'il s'agit de SpatialLines, vous pouvez utiliser do.call, avec rbind, pour les combiner en un seul spLignes Spatialesobjet. par exemple.,do.call("rbind", ctlns)

Cependant, je suppose que c'est le résultat d'une fonction spécifique et d'un objet de classe spécifique où "niveau" est l'intervalle de contour et x, y sont les coordonnées des sommets. Vous pouvez parcourir cette structure de données en utilisants'appliqueret construire une liste deSpatialLinesDataFrame(voir?SpatialLineset ?SpatialLinesDataFrame), puis utilisezfaire.appel, de la même manière, pour combiner les courbes de niveau. De cette façon, vous pouvez gérer l'intervalle de contour sous forme de colonne. C'est probablement ce que les maptoolsContourLines2SLDFfonction mentionnée par @mdsumner.


Formats pour les données géographiques

Les formats de données géographiques sont les véhicules que nous utilisons pour codage et échanger observations et idées sur les lieux et les choses qui se produisent dans l'espace. À la base, les géodonnées fournissent des conteneurs pour stocker des références ordonnées qui se rapportent à des entités et des événements - des références telles que des noms, des dates, des nombres et des emplacements. L'autre rôle essentiel des formats de données, dans la recherche et l'érudition, est de une variété d'outils qui créent des associations entre les entités représentées dans les données.

L'un des aspects les plus intéressants de l'évolution humaine a été l'amélioration continue de notre capacité à coder et à échanger des informations. De l'établissement de la latitude et de la longitude comme moyen de codage des références à l'emplacement de la terre il y a plus de 2000 ans, aux formats plus récemment établis pour le stockage d'images référencées géographiquement dans des formats tels que JPEG. Ou les moyens de détecter et de coder des informations de séries temporelles en quatre dimensions. Il y a un roulement constant d'innovation dans les améliorations des formats de données géographiques. Parce que l'activité de recherche implique la collecte de données à partir de nombreuses sources de différents millésimes, et pour l'échange de ces données dans une si grande variété d'outils spécialisés, il est important de comprendre les compromis que l'on fait lorsque l'on travaille avec différents formats de données.

Documents connexes

    . traite d'un état d'esprit critique pour comprendre la qualité et l'adéquation des données à une utilisation dans des situations particulières.

En examinant plus en profondeur ces structures, nous verrons que dans chacune des catégories formelles de structure de données : tabulaire, vectorielle et raster, il existe de nombreux choix en termes de Mise en œuvre technique pour la façon dont ils sont codés. En choisissant un schéma de codage plutôt qu'un autre, nous échangeons souvent une vertu contre une autre. Par exemple : choisir un ancien format de données stable et facilement échangeable peut impliquer de renoncer à certaines fonctionnalités utiles qui peuvent être disponibles dans les nouveaux ensembles de données en cours de développement.

Voici plusieurs autres considérations qui peuvent entrer en jeu lors de l'évaluation d'un format de données particulier.

  • Facilité de manipulation : Les données sont-elles représentées sous forme de fichiers simples que vous pouvez gérer sur votre ordinateur ? Ou les données nécessitent-elles des outils logiciels spéciaux et des services Internet ?
  • Capacité sémantique : Le format de données a-t-il la capacité de représenter des significations et des capacités logiques qui répondent à vos besoins de modélisation ?
  • Stabilité et interopérabilité : Dans quelle mesure êtes-vous sûr que le format en question sera lisible par une variété d'outils aussi longtemps que vous estimerez que vos données peuvent vous intéresser ?

Il y a tellement de choses à dire sur les relations et les compromis impliqués dans ces considérations que la meilleure façon à laquelle je puisse penser pour tout communiquer est de raconter une histoire qui explique certaines des origines du problème de l'encodage et de l'échange de données et une partie du travail qui nous a amenés là où nous sommes. La même illustration nous montrera où nous mène l'innovation continue des normes d'encodage et d'échange de données. Ou peut-être plus précisément -- où l'emmenons-nous !


Création d'une boucle pour les données de lignes (données spatiales) ? - Systèmes d'information géographique

Données USGS sur l'utilisation des terres et la couverture des terres

Acquisition - Étapes de traitement

L'interprétation manuelle de photographies aériennes acquises lors de missions à haute altitude de la NASA et d'autres sources a d'abord été utilisée pour compiler les cartes d'occupation des sols. Des sources secondaires provenant de cartes d'utilisation des terres et d'enquêtes sur le terrain antérieures ont également été intégrées aux cartes LULC au besoin. Plus tard, les cartes LULC ont été numérisées pour créer une base de données nationale numérique LULC. L'évolution de ce processus a abouti à la création du Système d'analyse de recherche d'informations géographiques (GIRAS).

La préparation initiale de la source implique le transfert des informations de l'enquête sur le terrain, des détails de la classification des photos et du travail au trait associé vers une carte de base pour la numérisation. Cela peut être fait par des techniques de compilation stéréo ou de transfert monoscopique. Les cartes adjacentes sont également vérifiées pour assurer la continuité. Les cartes sont numérisées et les codes de classification appropriés sont attribués pour traitement via GIRAS et vérifiés pour leur exactitude. Toutes les données LULC sont conformes à la projection Universal Transverse Mercator (UTM).

Contexte
Étendue de la couverture
Acquisition
  Étapes de traitement
Caractéristiques des données
  Résolution spatiale
Organisation des données
Applications et ensembles de données associés
Les références
annexe

Où puis-je trouver plus de données ?

Les ressources énumérées ci-dessus sont des ressources majeures ou fréquemment utilisées détenues par Hillman Library. Nous recevons de nombreux autres ensembles de données sur CD-ROM qui peuvent être utilisés avec le logiciel des systèmes d'information géographique (SIG).

Vous pouvez utiliser PittCat pour trouver ce qui est disponible. (Veuillez noter que, bien que PittCat répertorie nos avoirs, il ne répertorie pas nécessairement la couverture individuelle (par exemple les parcs de Pittsburgh) incluse sur nos CD-ROM.).

Si vous ne trouvez pas ce dont vous avez besoin, pour une assistance spécialisée, veuillez contacter : ULS-GIS Services


Géocodage - transformer une adresse en coordonnées

Vos besoins de géocodage appartiendront probablement à l'une des deux catégories suivantes : avoir besoin de géocoder une adresse fournie par l'utilisateur ou avoir besoin de géocoder par lots un ensemble d'adresses dans un jeu de données.

Dans le premier cas, l'option la plus rapide et la plus simple consiste à utiliser l'API Google Geocoding construite sur Google Maps. Des exemples sont disponibles d'un simple appel de géocodage et d'une recherche d'adresse avec fonctionnalité de saisie semi-automatique. Attention emptor - les conditions d'utilisation de Google Maps exigent que les résultats des demandes de géocodage soient affichés d'une manière ou d'une autre au-dessus d'une carte Google et vous limitent à 2 500 demandes/jour.

Il existe des API RESTful gratuites / open source pour le géocodage, que vous pouvez soit envelopper une interface utilisateur, soit émettre des demandes par lots pour vous-même. Ceux-ci incluent l'API de recherche MapQuest Nominatim, l'API de géocodage MapBox et l'API de recherche GeoNames.

Si vous recherchez un service de géocodage plus défini et oublié qui géocodera tout un fichier d'adresses en ayant à faire vos propres appels d'API, jetez un œil à la fonctionnalité de géocodage de CartoDB - et Google Fusion Tables est toujours en marche. mode "expérimental" (tuto ici).

Enfin, la bibliothèque Python geopy fournit un wrapper d'API pratique autour de presque tous les services de géocodage connus de l'humanité.


Données de différents types et fichiers dans lesquels elles sont stockées

Lorsque nous collectons des données sur votre maison, les forêts tropicales ou quoi que ce soit, vraiment, nous devons généralement les mettre quelque part. Bien que nous puissions griffonner des nombres et des mesures au dos d'une enveloppe ou les écrire sur un bloc de papier, si nous voulons les mettre à jour, les partager, les analyser ou les cartographier à l'avenir, il est souvent utile de les enregistrer sous forme numérique. afin qu'un ordinateur puisse les lire. Bien que nous ne nous occupions pas des bits et des octets de l'informatique, il est nécessaire de discuter de certains éléments de base de l'informatique qui sont à la fois pertinents et nécessaires lors de l'apprentissage et de l'utilisation d'un SIG.

L'un des éléments les plus courants du travail avec des ordinateurs et de l'informatique elle-même est le fichier. Les fichiers d'un ordinateur peuvent contenir un certain nombre de choses, d'un ensemble complexe d'instructions (par exemple, un programme informatique) à une liste de chiffres et de lettres (par exemple, un carnet d'adresses). De plus, les fichiers informatiques sont de tailles et de types différents. L'un des indices que nous pouvons utiliser pour distinguer un fichier d'un autre est l'extension de fichier. L'extension de fichier fait référence aux lettres qui suivent le point (".") après le nom du fichier. Le tableau 1 contient certaines des extensions de fichiers les plus courantes et les types de fichiers auxquels elles sont associées.

nom de fichier.SMS Fichier texte simple
nom de fichier.doc Document Microsoft Word
nom de fichier.pdf Format de document portable Adobe
nom de fichier.jpg Fichier image compressé
nom de fichier.tif Format d'image balisé
nom de fichier.html Langage de balisage hypertexte (utilisé pour créer des pages Web)
nom de fichier.xml Langage de balisage extensible
nom de fichier.Zip *: français Archive zippée/compressée

Certains programmes informatiques peuvent être capables de lire ou de travailler avec uniquement certains types de fichiers, tandis que d'autres sont plus aptes à lire plusieurs formats de fichiers. Ce que vous réaliserez en commençant à travailler davantage avec les technologies de l'information, et les SIG en particulier, c'est qu'il est important de se familiariser avec les différents types de fichiers. Apprendre à convertir ou à exporter un type de fichier vers un autre est également une compétence très utile et précieuse à acquérir. À cet égard, être capable de reconnaître et de savoir identifier des types de fichiers différents et inconnus augmentera sans aucun doute votre maîtrise des ordinateurs et des SIG.

Parmi les nombreux types de fichiers qui existent, l'un des fichiers les plus courants et les plus consultés est le texte simple, texte brut, ou simplement un fichier texte. Les fichiers texte simples peuvent être largement lus par les programmes de traitement de texte, les tableurs et les bases de données et les navigateurs Web. Se terminant souvent par l'extension ".txt" (c'est-à-dire,nom de fichier.txt), les fichiers texte ne contiennent aucun formatage particulier (par exemple, audacieux, italique, souligné ) et ne contiennent que des caractères alphanumériques. En d'autres termes, les images ou les graphiques complexes ne conviennent pas aux fichiers texte. Les fichiers texte, cependant, sont idéaux pour l'enregistrement, le partage et l'échange de données, car la plupart des ordinateurs et des systèmes d'exploitation peuvent reconnaître et lire des fichiers texte simples avec des programmes appelés éditeurs de texte.

Lorsqu'un fichier texte contient des données organisées ou structurées d'une manière ou d'une autre, il est parfois appelé fichier plat (mais l'extension de fichier reste la même, c'est-à-dire .txt). Généralement, les fichiers plats sont organisés sous forme de tableau ou ligne par ligne. En d'autres termes, chaque ligne ou rangée du fichier contient un et un seul enregistrement. Donc, si nous collectons des mesures de taille sur trois personnes, Tim, Jake et Harry, le fichier pourrait ressembler à ceci :

Chaque ligne correspond à un et un seul enregistrement, observation ou cas. Il y a deux autres éléments importants à connaître sur ce dossier. Tout d'abord, notez que la première ligne ne contient aucune donnée, elle fournit plutôt une description des données contenues dans chaque colonne. Lorsque la première ligne d'un fichier contient de tels descripteurs, il s'agit d'une ligne d'en-tête ou simplement d'un entête. Les colonnes d'un fichier plat sont également appelées champs, variables, ou alors les attributs. « Hauteur » est l'attribut, le champ ou la variable qui nous intéresse, et les observations ou les cas de notre ensemble de données sont « Tim », « Jake » et « Harry ». En bref, les lignes sont pour les enregistrements, les colonnes sont pour les champs.

Le deuxième élément invisible mais essentiel du fichier est l'espace entre chaque colonne ou champ. Dans l'exemple, il semble qu'un espace sépare la colonne « nom » de la colonne « hauteur ». En y regardant de plus près, cependant, notez comment les valeurs initiales de la colonne « hauteur » sont alignées. Si un seul espace était utilisé pour séparer chaque colonne, la colonne de hauteur ne serait pas alignée. Dans ce cas, un onglet est utilisé pour séparer les colonnes de chaque ligne. Le caractère utilisé pour séparer les colonnes dans un fichier plat est appelé délimiteur ou séparateur. Bien que n'importe quel caractère puisse être utilisé comme délimiteur, les délimiteurs les plus courants sont la tabulation, la virgule et un seul espace. Voici des exemples de chacun.

Onglet délimité Délimité par un seul espace Délimité par des virgules
Nom Hauteur Nom Hauteur Nom, Hauteur
Tim 6.1 Tim 6.1 Tim, 6,1
Jacques 5.9 Jacques 5.9 Jacques, 5,9
Harry 6.2 Harry 6.2 Harry, 6,2

Connaître le délimiteur d'un fichier plat est important car il nous permet de distinguer et de séparer les colonnes de manière efficace et sans erreur. Parfois, ces fichiers sont référencés par leur délimiteur, comme un fichier « valeurs séparées par des virgules » ou un fichier « délimité par des tabulations ».

Lors de l'enregistrement et de l'utilisation de données géographiques, le même format général est appliqué. Les lignes sont réservées aux enregistrements ou, dans le cas des données géographiques, des emplacements et des colonnes ou des champs sont utilisés pour les attributs ou les variables associés à chaque emplacement. Par exemple, le fichier plat délimité par des tabulations suivant contient des données pour trois endroits (c'est-à-dire des pays) et trois attributs ou caractéristiques de chaque pays (c.

De campagne Population Langue Continent
La France 65,000,000 français L'Europe 
Brésil 192,000,000 Portugais Amérique du Sud
Australie 22,000,000 Anglais Australie

Des fichiers comme ceux présentés ici sont les éléments constitutifs des divers tableaux, graphiques, rapports, graphiques et autres visualisations que nous voyons chaque jour en ligne, sur papier et à la télévision. Ils sont également des éléments clés des cartes et des représentations géographiques créées par les SIG. Cependant, vous travaillerez rarement, voire jamais, avec un et un seul fichier ou type de fichier. Le plus souvent, et surtout lorsque vous travaillez avec des SIG, vous travaillerez avec plusieurs fichiers. Un tel regroupement de plusieurs fichiers s'appelle une base de données. Étant donné que les fichiers d'une base de données peuvent être de tailles, de formes et même de formats différents, nous devons concevoir un type de système qui nous permettra de travailler, mettre à jour, éditer, intégrer, partager et afficher les différentes données de la base de données. Un tel système est généralement appelé système de gestion de base de données (SGBD). Les bases de données et les SGBD sont si importants pour les SIG qu'un chapitre ultérieur leur est consacré. Pour l'instant, il suffit de se rappeler que les types de fichiers sont comme de la crème glacée : ils se présentent sous toutes sortes de saveurs.


Création d'une boucle pour les données de lignes (données spatiales) ? - Systèmes d'information géographique

Recensement 2020 PL 94-171 Données de redécoupage
-- utiliser les ressources et les processus décrits ici pour répondre à des besoins très variés

Février 2021. Nouvelles données de découpage. De nouvelles opportunités pour annuler le gerrymandering . les premières données du recensement décennal 2020, les données géographiques, ont été publiées à partir du 19 janvier 2021. Ces données géographiques initiales se présentent sous la forme de fichiers de formes développés pour être utilisés avec le logiciel de système d'information géographique (SIG).

Le P.L. Les fichiers 94-171 sont développés pour répondre aux besoins des États dans le but de rediriger les limites du Congrès sur la base des données du recensement 2020. Ces données/fichiers ont de nombreuses utilisations.
• la première « itération » de la base de données de cartes numériques de portée nationale des États-Unis des années 2020.
.. de nombreux secteurs, groupes d'îlots, îlots de recensement sont mis à jour (codes & zones)
pour refléter l'évolution de la population depuis 2010.
• disponibilité des circonscriptions électorales.
.. non disponible ailleurs dans une structure actuelle et standardisée.
.. la section connexe montre les circonscriptions dans le contexte des districts législatifs de l'État.
• fichiers de formes de rue/route mis à jour (détail d'intersection à intersection)
.. permettant des applications de routage et de géoréférencement plus actuelles.

Programme d'analyse de données ProximityOne Census 2020
Cette rubrique continuera d'évoluer. Rejoignez le groupe d'utilisateurs ProximityOne pour recevoir des mises à jour au fur et à mesure que de nouveaux développements se produisent. ProximityOne utilise les données du recensement 2020 pour produire des estimations et des projections actuelles (par exemple 2021 et au-delà). Participez au programme d'analyse de données ProximityOne Census 2020 fournissant un ensemble complet d'outils et de données pour répondre à des besoins variés.

Recensement 2020 PL 94-171 Données démographiques
Il est prévu que les données démographiques initiales soient publiées en avril 2021. Les données démographiques initiales comprennent la population totale du 1er avril 2020 par État et les États-Unis pour la répartition de la Chambre des représentants des États-Unis. Des données démographiques plus détaillées, au niveau de l'îlot de recensement, seront publiées sur une base de flux État par État en 2021 et 2022. Les premières données plus détaillées seront publiées dans le cadre du P.L. programme 94-171. Voir le P.L. 94-171 documentation technique de géographie pour plus d'informations.

PL. 94-171 Statut de disponibilité & Tracts Projet SIG .. aller en haut
États disponibles :
AR,CA,CO,DE,HI,IA,IN,LA,NJ,MD,MA,MS,MO,NE,NC,NV,NY,OH,OR,PA,SD,VA,WA,WI
Mis à jour quotidiennement. La vue suivante montre les états pour lesquels le P.L. 94-171 fichiers sont disponibles. Les fichiers de limites de parcelles State 2020 (ombrage bleu) sont ajoutés à cette vue/projet au fur et à mesure de leur publication. Bien que cette vue/ce projet ne montre que des parcelles (et une géographie de niveau supérieur), la suite complète de 2020 P.L. 94-171 fichiers sont disponibles pour ces états au niveau du bloc.

- vue développée à l'aide du logiciel ProximityOne CV XE GIS utilisez-la sur votre propre ordinateur pour créer des vues similaires.
-->
PL. 94-171 Redistricting Data: Importance in Census 2020 Program .. aller en haut
Le P.L. Les données de découpage 94-171 sont une composante importante du Recensement 2020. Ce sont les premières données géographiques et démographiques plus détaillées à être publiées à partir du Recensement 2020. Elles offrent la première occasion d'analyser les données démographiques et les changements « actuels » de petites régions (blocage du recensement). depuis 2010. Ces données sont à la base de nombreuses opérations de redécoupage, bien plus larges que les redécoupages/redécoupages du Congrès. Les données fournissent des codes de relation géographique nouveaux pour le Recensement de 2020. Le P.L. Les fichiers de formes 94-171 et les fichiers géographiques associés font partie de la base de données de cartes numériques TIGER/Line du Census Bureau. Les fichiers TIGER/Line sont mis à jour annuellement ou plus fréquemment.

Illustration de l'utilisation du P.L. 94-171 Fichiers de formes .. aller en haut
Le graphique suivant illustre l'utilisation de plusieurs P.L. du Recensement de 2020. 94-171 shapefiles pour la région de Fayetteville, AR. La ville est représentée avec un motif de remplissage vert. Les secteurs de recensement du Recensement de 2010 sont indiqués avec une limite bleue et des étiquettes de code de secteur en arrière-plan bleu. Les secteurs de ceneus du Recensement 2020 sont affichés avec une limite grise plus large et des étiquettes de code de secteur sur fond blanc. Il est facile de voir comment certaines limites de parcelles et certains codes ont changé de 2010 à 2020. Les parcelles sont définies en moyenne

4000 habitants. Les îlots de recensement du Recensement 2020 sont représentés avec des limites noires.

- vue développée à l'aide du logiciel ProximityOne CV XE GIS utilisez-la sur votre propre ordinateur pour créer des vues similaires.
- cliquez sur le graphique pour une vue plus grande. Agrandissez la fenêtre du navigateur en plein écran pour une vue de meilleure qualité.

La zone avec la limite bleue par le pointeur est le code de secteur de recensement de 2010 010104. Ce secteur de recensement de 2010 a été divisé en deux secteurs de recensement de 2020 avec les codes 010110 et 010111. Dans cet exemple, seul le code de secteur à 6 caractères est utilisé. Ces étendues font partie du comté de Washington, AR (code FIPS d'état + de comté 05143). Les codes complets et uniques au niveau national des secteurs du recensement 2020 (GEOID) sont 05143010110 et 05143010111. La version à 6 caractères est utilisée dans cette vue cartographique pour économiser de l'espace.

À propos du P.L. Programme 94-171 .. aller en haut
La loi publique 94-171, promulguée par le Congrès en décembre 1975, exige du Bureau du recensement qu'il fournisse aux législatures des États les tableaux de population de recensement de petites zones nécessaires au redécoupage législatif. La loi précise également que les États qui choisissent de participer au programme volontaire définiront les petites zones pour lesquelles des totalisations de données spécifiques sont souhaitées et soumettront ces zones conformément aux délais établis par le Census Bureau. Ces petites zones comprennent les limites des îlots de recensement, les circonscriptions électorales et les circonscriptions législatives des États.

Le Census Bureau doit transmettre les totalisations de la population aux États dans l'année suivant le recensement, normalement le 1er avril de l'année suivant le recensement. Le programme de redécoupage du recensement offre aux États la possibilité de délimiter les circonscriptions électorales et législatives de l'État et de suggérer les limites des îlots de recensement à utiliser dans les tabulations de données de redécoupage du recensement décennal (données de la loi publique 94-171). Ouvrir>Dialogue
. ouvrez le fichier nommé c:cdsldcdsld_va.gis
4. Terminé. La vue de démarrage apparaît comme indiqué ci-dessus.

Prochaines étapes : Utilisation du projet SIG CDDSLD & Redistricting/Census 2020

1. Voir la section connexe sur l'utilisation du projet SIG CDSLD_VA
2. Voir la section connexe Redistricting & Census 2020 prochaines étapes
. nécessite votre ID d'utilisateur de groupe CDDSLD Inscrivez-vous ici sans frais. -->

Assistance à l'aide de ces ressources .. aller en haut
En savoir plus sur les données économiques démographiques et les outils analytiques connexes. Rejoignez-nous dans une session Data Analytics Lab. Il n'y a pas de frais pour ces sessions Web. Chaque session informelle est axée sur un sujet spécifique. La structure ouverte prévoit également des questions-réponses et des discussions sur les questions d'application qui intéressent les participants.


SYSTÈMES D'INFORMATION GÉOGRAPHIQUE

Les cartes, comme les livres, sont des dispositifs très utiles pour stocker des informations, mais elles ont des limites. Les progrès récents des capacités informatiques ont permis aux géographes de développer un nouvel outil puissant pour travailler avec des données spatiales : le système d'information géographique (SIG). Un SIG est un système informatique permettant d'acquérir, de traiter, de stocker, d'interroger, de créer, d'analyser et d'afficher des données spatiales. Les systèmes d'information géographique ont permis aux géographes, géologues, géophysiciens, écologistes, urbanistes, architectes paysagistes, etc.

OBJETS Spatiaux DANS LES SYSTÈMES D'INFORMATION GÉOGRAPHIQUE

Les systèmes d'information géographique sont conçus pour manipuler des objets spatiaux. Un objet géographique est un point, une ligne ou une zone géographique auquel certaines informations sont attachées. Ces informations peuvent être aussi simples qu'un nom de lieu ou aussi compliquées qu'un grand tableau de données contenant de nombreux types d'informations. Certains objets spatiaux sont illustrés à la figure 1.

Figure 1 : Les objets spatiaux dans un SIG peuvent inclure des points, des lignes de divers types, des lignes d'intersection et des polygones.

Un point est un objet spatial sans zone, seulement un emplacement. Une ligne est également un objet spatial sans surface, mais elle a deux points qui lui sont associés, un pour chaque extrémité de la ligne. Ces points spéciaux sont souvent appelés nœuds. Normalement, une ligne est droite, mais elle peut également être définie comme une courbe lisse ayant une certaine forme. Si les deux nœuds marquant les extrémités de la ligne sont différenciés en tant que début et fin, alors la ligne a une direction. Si la ligne a une direction, alors ses deux côtés peuvent être distingués. Cela permet d'attacher des informations de chaque côté, par exemple des étiquettes pour la terre d'un côté et l'eau de l'autre. Les lignes se connectent à d'autres lignes lorsqu'elles partagent un nœud commun. Une série de lignes connectées qui forment une chaîne fermée est un polygone. Un polygone identifie une zone, le dernier type d'objet spatial.

En définissant les objets spatiaux de cette manière, les systèmes d'information géographique informatisés permettent une manipulation aisée des objets et permettent de nombreux types d'opérations différentes pour comparer des objets et générer de nouveaux objets. Par exemple, supposons que nous ayons une couche de données SIG composée de terres protégées dans une région représentée sous forme de polygones et d'une autre couche contenant l'emplacement de puits d'eau préexistants sous forme de points dans la région (Figure 2). Il est très simple d'utiliser le SIG pour identifier les puits qui se trouvent sur des terres protégées. Ou les polygones de conservation contenant des puits peuvent également être identifiés et même générés en tant que nouvelle couche de données. En comparant la couche de conservation avec une couche de réseau routier représentée comme une série de lignes, nous avons pu identifier les polygones de conservation contenant des routes.

Figure 2 : Un SIG permet de superposer facilement des couches de données spatiales pour des requêtes telles que « Identifier tous les puits sur les terres protégées ».

Nous pourrions également comparer la couche de conservation à une couche de polygones montrant le type de végétation, et tabuler la quantité de terres de conservation en forêt, prairie, broussailles, etc. Nous pourrions même calculer des zones de distance autour d'un objet spatial, par exemple, pour créer une carte des zones tampons situées, disons, à moins de 100 mètres de terres protégées. De nombreuses autres manipulations possibles existent.

ÉLÉMENTS CLÉS D'UN SIG

Un système d'information géographique se compose de cinq éléments : l'acquisition de données, le prétraitement, la gestion des données, la manipulation et l'analyse des données et la génération de produits. Chacun est un composant ou un processus nécessaire pour assurer le fonctionnement du système dans son ensemble.

Dans le processus d'acquisition de données, les données sont rassemblées pour l'application particulière. Il peut s'agir de cartes, de photos aériennes, de données tabulaires et d'autres formulaires. Lors du prétraitement, les données spatiales assemblées sont converties en formulaires pouvant être ingérés par le SIG pour produire des couches de données d'objets spatiaux et leurs informations associées.

Le composant de gestion de données crée, stocke, récupère et modifie des couches de données et des objets spatiaux. Il est essentiel au bon fonctionnement de toutes les parties du SIG. La composante de manipulation et d'analyse est le véritable cheval de bataille du SIG. En utilisant ce composant, l'utilisateur pose des questions sur les données spatiales et y répond et crée de nouvelles couches de données d'informations dérivées.

La dernière composante du SIG, la génération de produits, produit des produits de sortie sous forme de cartes, graphiques, tableaux ou rapports statistiques qui sont les produits finaux souhaités par les utilisateurs. Pris ensemble, ces composants fournissent un système qui peut servir de nombreuses applications géographiques à de nombreuses échelles.

De nombreux domaines nouveaux et passionnants de la recherche géographique sont associés aux systèmes d'information géographique, allant du développement de nouvelles façons de manipuler les données spatiales à la modélisation des processus spatiaux à l'aide d'un SIG. Un domaine particulièrement intéressant est de comprendre comment les sorties sont affectées par les erreurs et l'incertitude dans les entrées de données spatiales, et comment communiquer efficacement ces informations aux utilisateurs.

Les systèmes d'information géographique sont un domaine de recherche et d'application géographique en pleine croissance. Compte tenu de la vitesse à laquelle les ordinateurs deviennent de plus en plus puissants à mesure que la technologie s'améliore, nous pouvons nous attendre à de grands progrès dans ce domaine dans les années à venir.


Création d'une boucle pour les données de lignes (données spatiales) ? - Systèmes d'information géographique

géographe: se promener dans l'espace géographique à l'aide de graphiques.

Ce document décrit les géographe package pour le logiciel R. géographe vise à mettre en œuvre des approches graphiques pour les données géographiques. Dans géographe, une zone géographique donnée est modélisée par une grille fine et régulière, où chaque sommet possède un ensemble de coordonnées spatiales et un ensemble d'attributs, qui peuvent être par exemple des descripteurs d'habitat, ou la présence/abondance d'une espèce donnée. Le « déplacement » dans la zone géographique peut alors être facilement modélisé comme un déplacement entre des sommets connectés. Le coût de déplacement d'un sommet à un autre peut être défini en fonction de valeurs attributaires, ce qui permet par exemple de définir des routes de friction en fonction de l'habitat.

géographe exploite toute la puissance des algorithmes de graphes implémentés dans R par le graphique et RBGL (R Boost Graph Library). En particulier, RBGL est une interface entre R et le Booster la bibliothèque de graphiques en C++, qui fournit des implémentations rapides et efficaces d'un large éventail d'algorithmes de graphes. Une fois que nous avons défini les frictions pour toute une zone géographique, nous pouvons facilement, par exemple, trouver le chemin le moins coûteux d'un endroit à un autre, ou trouver le moyen le plus parcimonieux de connecter un ensemble de lieux.

L'interfaçage de données spatiales et de graphiques peut être une tâche compliquée. Le but de géographe est de fournir des outils pour réaliser et simplifier cette étape « préliminaire ». Ceci est réalisé en définissant de nouvelles classes d'objets qui sont essentiellement des graphes géoréférencés avec des attributs de nœuds (objets gGraph), et des données spatiales interfacées (objets gData). Dans cette vignette, nous montrons comment installer géographe, construire et gérer des objets gGraph / gData, et illustrer certaines fonctionnalités de base des algorithmes de graphes.

Toutes les instructions suivantes doivent être saisies à partir d'une nouvelle session R pour éviter les erreurs dues à l'installation des packages attachés.

Vous devrez peut-être installer manuellement les packages graphique et RBGL de Bioconducteur (essayez "http" si "https" n'est pas disponible):

outils de développement est également nécessaire pour installer géographe:

Ensuite, pour installer géographe, tapez simplement :

Une fois installé, le package peut être chargé en utilisant :

La représentation des données fait référence à la manière dont un type donné de données est traité par un programme informatique. Deux types d'objets sont utilisés dans géographe: objets gGraph et gData. Les deux objets sont définis comme des classes formelles (S4) et ont souvent des méthodes pour une fonction générique similaire (par exemple, getNodes est défini pour les deux objets). Essentiellement, les objets gGraph contiennent des couches d'informations sous-jacentes, y compris une grille spatiale et éventuellement des attributs de nœud, et couvrant la zone d'intérêt. Les gData sont des ensembles d'emplacements (comme des sites échantillonnés, par exemple) qui ont été interfacés à un objet gGraph, pour permettre d'autres manipulations telles que la recherche de chemins sur la grille entre des paires d'emplacements.

La définition de la classe formelle gGraph peut être obtenue en utilisant :

et un nouvel objet vide peut être obtenu en utilisant le constructeur :

La documentation ?gGraph explique les bases du contenu de l'objet. En résumé, ces objets sont des grilles spatiales avec des nœuds et des segments reliant des nœuds voisins, et des informations supplémentaires sur les nœuds ou sur le graphe lui-même. coords est une matrice des longitudes et latitudes des nœuds. nodes.attr est un data.frame stockant les attributs des nœuds, tels que les descripteurs d'habitat, chaque ligne correspond à un nœud de la grille, tandis que chaque colonne correspond à une variable. meta est une liste contenant diverses informations sur le graphe lui-même. Il n'y a pas de contrainte s'appliquant aux composants de la liste, mais certains composants typiques tels que $costs ou $colors seront reconnus par certaines fonctions. Par exemple, vous pouvez spécifier des règles de traçage pour représenter un attribut de nœud donné par une couleur donnée en définissant un composant $colors . De même, vous pouvez associer des coûts à un attribut de nœud donné en définissant un composant $costs . Un exemple de ceci peut être trouvé dans les objets gGraph déjà existants. Par exemple, worldgraph.10k est un graphique du monde avec environ 10 000 nœuds et uniquement une connectivité terrestre ( extit

Enfin, le composant graph est un objet graphNEL, qui est la classe standard pour les graphes dans le graphique et RBGL paquets. Cet objet contient toutes les informations sur les connexions entre les nœuds, et les poids (coûts) de ces connexions.

Quatre gGraph principaux sont fournis avec géographe: rawgraph.10k , rawgraph.40k , worldgraph.10k et worldgraph.40k . These datasets are available using the command data . The grid used in these datasets are the best geometric approximation of a regular grid for the surface of a sphere. One advantage of working with these grids is that we do not have to use a projection for geographic coordinates, which is a usual issue in regular GIS.

The difference between rawgraphs and worldgraphs is that the first are entirely connected, while in the second connections occur only on land. Numbers 10k' and 40k' indicate that the grids consist of roughly 10,000 and 40,000 nodes. For illustrative purposes, we will often use the 10k grids, since they are less heavy to handle. For most large-scale applications, the 40k versions should provide sufficient resolution. New gGraph can be constructed using the constructor ( new(. ) ), but this topic is not documented in this vignette.

gData are essentially sets of locations that are interfaced with a gGraph object. During this operation, each location is assigned to the closest node on the grid of the gGraph , then allowing for travelling between locations using the grid. Then, it is for instance possible to find the shortest path between two locations through various types of habitats.

Like for gGraph , the content of the formal class gData can be obtained using:

and a new empty object can be obtained using the constructor:

As before, the description of the content of these objects can be found in the documentation ( ?gData ). coords is a matrix of xy (longitude/latitude) coordinates in which each row is a location. nodes.id is vector of characters giving the name of the vertices matching the locations this is defined automatically when creating a new gData , or using the function closestNode . data is a slot storing data associated to the locations it can be any type of object, but a data.frame should cover most requirements for storing data. Note that this object should be subsettable (i.e. the [ operator should be defined), so that data can be subsetted when subsetting the gData object. Lastly, the slot gGraph.name contains the name of the gGraph object to which the gData has been interfaced.

Contrary to gGraph objects, gData objects will frequently be constructed by the user. In the next sections, we illustrate how we can build and use gData objects from a set of locations.

An overview of the material implemented in the package is summarized the package's manpage, accessible via:

The html version of this manpage may be preferred to browse more easily the content of geoGraph it is accessible by typing:

To revert help back to text mode, simply type:

In the following, we go through various tasks that can be achieve using geoGraph.

Importing geographic data

GeoGraphic data consist of a set of locations, possibly accompanied by additional information. For instance, one may want to study the migrations amongst a set of biological populations with known geographic coordinates. Dans geoGraph, geographic data are stored in gData objects. These objects match locations to the closest nodes on a grid (a gGraph object), and store additional data if needed.

As a toy example, let us consider four locations: Bordeaux (France), London (UK), Malaga (Spain), and Zagreb (Croatia). Since we will be working with a crude grid (10,000 nodes), locations need not be exact. We enter the longitudes and latitudes (in this order, that is, xy coordinates) of these cities in decimal degrees, as well as approximate population sizes:

We load a gGraph object which contains the grid that will support the data:

(we could use worldgraph.40k for a better resolution). In this figure, each node is represented with a color depending on the habitat type, either 'sea' (blue) or 'land' (green). We are going to interface the cities data with this grid to do so, we create a gData object using new (see ?gData object):

This figure illustrates the matching of original locations (black crosses) to nodes of the grid (red circles). As we can see, an issue occured for Bordeaux, which has been assigned to a node in the sea (in blue). Locations can be re-assigned to nodes with restrictions for some node attribute values using closestNode for instance, here we constrain matching nodes to have an habitat value (defined as node attribute in worldgraph.10k ) equalling land (green points):

Now, all cities have been assigned to a land' node of the grid (again, better accuracy will be gained on 40k or finer grids - we use 10k for illustrative purposes only). Content of cities can be accessed via various accessors (see ?gData`). For instance, we can retrieve original locations, assigned nodes, and stored data using:

We can also get the coordinates of the matching nodes ( extit, red circle on previous figure) using:

More interestingly, we can now retrieve all the geographic information contained in the underlying grid ( extit, gGraph object) as node attributes:

In this example, the information stored in worldgraph.10k is rather crude: habitat only distinguishes the land from the sea. However, more complex habitat information could be incorporated, for instance from GIS shapefiles (see dedicated section below).

An essential aspect of spatial analysis lies in visualizing the data. Dans geoGraph, the spatial grids ( gGraph ) and spatial data ( gData ) can be plotted and browsed using a variety of functions.

Displaying a gGraph object is done through plot and points functions. The first opens a new plotting region, while the second draws in the current plotting region functions have otherwise similar arguments (see ?plot.gGraph ).

By default, plotting a gGraph displays the grid of nodes overlaying a shapefile (by default, the landmasses). Edges can be plotted at the same time (argument edges ), or added afterwards using plotEdges . If the gGraph object possesses an adequately formed meta$colors component, the colors of the nodes are chosen according to the node attributes and the color scheme specified in meta$colors . Alternatively, the color of the nodes can be specified via the col argument in plot / points .

Here is an example using worldgraph.10k :

It may be worth noting that plotting gGraph objects involves plotting a fairly large number of points and edges. On some graphical devices, the resulting plotting can be slow. For instance, one may want to disable cairo under linux: this graphical device yields better graphics than Xlib , but at the expense of increase computational time. To switch to Xlib , type:

and to revert to cairo , type:

Zooming in and out, sliding, etc.

In practice, it is often useful to be able to peer at specific regions, and more generally to navigate inside the graphical representation of the data. For this, we can use the interactive functions geo.zoomin , geo.zoomout , geo.slide , geo.back , geo.bookmark , and geo.goto . The zoom and slide functions require to left-click on the graphics to zoom in, zoom out, or slide to adjacent areas in all cases, a right click ends the function. Also note that geo.zoomin can accept an argument specifying a rectangular region, which will be adapted by the function to fit best a square area with similar position and centre, and zoom to this area (see ?geo.zoomin ). geo.bookmark and geo.goto respectively set and go to a bookmark, c'est à dire. a tagged area. This is most useful when one has to switch between distant areas repeatedly.

Here are some examples based on the previous plotting of worldgraph.10k : Zooming in:

One important thing which makes plotting gGraph objects different from most other plotting in R is that geoGraph keeps the changes made to the plotting area in memory. This allows to undo one or several moves using geo.back . Moreover, even if the graphical device is killed, plotting again a gGraph will use the old parameters by default. To disable this behavior, set the argument reset=TRUE when calling upon plot . Technically, this 'plotting memory' is implemented by storing plotting information in an environment defined as the hidden variable .geoGraphEnv :

It is recommended not to modify these objects directly, unless you really know what you are doing. In any case, plotting a gGraph object with argument reset=TRUE will remove previous plotting history and undo possible wrong manipulations.

gData objects are by default plotted overlaying the corresponding gGraph . For instance, using the cities example from above:

Note the argument reset=TRUE , which tells the plotting function to adapt the plotting area to the geographic extent of the dataset.

To plot additional information, it can be useful to extract the spatial coordinates from the data. This is achieved by getCoords . This method takes an extra argument original , which is TRUE if original spatial coordinates are seeked, or FALSE for coordinates of the nodes on the grid. We can use this to represent, for instance, the population sizes for the different cities:

Editing graphs is an essential task in geoGraph. While available gGraph objects provide a basis to work with (see ?worldgraph.10k ), one may want to adapt a graph to a specific case. For instance, connectivity should be defined according to biological knowledge of the organism under study. gGraph can be modified in different ways: by changing the connectivity, the costs of edges, or the attribute values.

Changing the global connectivity of a gGraph

There are two main ways of changing the connectivity of a gGraph , which match two different objectives. The first approach is to perform global and systematic changes of the connectivity of the graph. Typically, one will want to remove all connections over a given type of landscape, which is uncrossable by the organism under study. Let's assume we are interested in saltwater fishes. To model fish dispersal, we have to define a graph which connects only nodes overlaying the sea. We load the gGraph object rawgraph.10k , and zoom in to a smaller area (Madagascar) to illustrate changes in connectivity:

We shall set a bookmark for this area, in case we would want to get back to this place later on:

What we now want to do is remove all but sea-sea connections. To do so, the easiest approach is to i) define costs for the edges based on habitat, with land being given large costs and ii) remove all edges with large costs.

Costs of a given node attribute (here, habitat') are indicated in the meta$costs` slot:

We have just changed the costs associated to habitat type, but this change is not yet effective on edges between nodes. We use setCosts to set the cost of an edge to the average of the costs of its nodes:

On this new graph, we represent the edges with a width inversely proportional to the associated cost that is, bold lines for easy travelling and light edges/dotted lines for more costly mouvement. This is not enough yet, since travelling on land is still possible. However, we can tell geoGraph to remove all edges associated to too strong a cost, as defined by a given threshold (using dropDeadEdges ). Here, only sea-sea connections shall be retained, that is, edges with cost 1.

Here we are: newGraph only contains connections in the sea. Note that, although we restrained the plotting area to Madagascar, this change is effective everywhere. For instance, travelling to the nort-west Australian coasts:

Changing local properties of a gGraph

A second approach to changing a gGraph is to refine the graph by hand, adding or removing locally some connections, or altering the attributes of some nodes. This can be necessary to connect components such as islands to the main landmasses, or to correct erroneous data. Adding and removing edges from the grid of a gGraph can be achieved by geo.add.edges and geo.remove.edges , respectively. These functions are interactive, and require the user to select individual nodes or a rectangular area in which edges are added or removed. See ?geo.add.edges for more information on these functions. For instance, we can remove a few odd connections in the previous graph, near the Australian coasts (note that we have to save the changes using <- ):

When adding connections within an area or in an entire graph, node addition is based on another gGraph ,c'est à dire. only connections existing in another gGraph serving as reference can be added to the current gGraph . For graphs based on 10k or 40k grids, the raw graphs provided in geoGraph should be used, ( rawgraph.10k , rawgraph.40k ), since they are fully connected.

In addition to changing grid connectivity, we may also want to modify the attributes of specific nodes. This is again done interactively, using the function geo.change.attr . For instance, here, we define a new value shalowwater (plotted in light blue) for the attribute habitat , selecting affected nodes using the 'area' mode first, and refining the changes using the 'point' mode:

Again, note that the changes made to the graph have to be save in an object (using <- ) to be effective.

Extracting information from GIS shapefiles

An important feature of geoGraph is serving as an interface between système d'information géographique (GIS) layers and geographic data. As currently implemented, geoGraph can extract information from shapefiles with the Arc GIS (http://www.esri.com/software/arcgis/index.html) format, using the function extractFromLayer . Here, we illustrate this procedure using the shapefile world-countries.shp provided with the package. The GIS shapefile is first read in R using readShapePoly from the outils de carte package:

The summary of world.countries shows the data (attributes) stored in the layer. Let us assume that we are interested in retrieving continent and country information for the worldgraph.10k object. Note that extractFromLayer can extract information to other types of objects than gGraph (see ?extractFromLayer )

The new object newGraph is a gGraph which now includes, for each node of the grid, the corresponding continent and country retrieved from the GIS layer. We can use the newly acquired information for plotting newGraph , by defining new color rules:

This information could in turn be used to define costs for travelling on the grid. For instance, one could import habitat descriptors from a GIS, use these values to formulate a habitat model, and derive costs for dispersal on the grid.

As soon as a GIS layer has been extracted to a gGraph , this information becomes also available for any gData interfaced with this object. For instance, we can re-use the cities example defined in a previous section, and interface it with newGraph to retrieve continent and country information for the cities of the dataset:

One of the most useful applications of geoGraph is the research of least-cost paths between couples of locations. This can be achieved using the functions dijkstraFrom and dijkstraBetween on a gData object which contains all the locations of interest. These functions return least-cost paths with the format gPath . dijkstraFrom compute the paths from a given node of the grid to all locations of the gData , while dijkstraBetween computes the paths between pairs of locations of the gData . Below, we detail the example of the documentation of these functions, which uses the famous dataset of native Human populations, HGDP:

Populations of the dataset are shown by red circles, while the underlying grid ( worldgraph.40k ) is represented with colors depending on habitat (blue: sea green: land pink: coasts). Population genetics predicts that genetic diversity within populations should decay as populations are located further away from the geographic origin of the species. Here, we verify this relationship for a theoretical origin in Addis abeba, Ethiopia. We shall seek all paths through landmasses to the HGDP populations.

First, we check that all populations are connected on the grid using isConnected :

Note that in practice, we may often want to assess graphically the connectivity of the underlying grid, especially if not all locations of the gData are connected. This can be done using connectivityPlot , which has methods for both gGraph and gData , and represents different connected components using different colors. For instance, for worldgraph.10k :

Since all locations in hgdp are connected, we can proceed further. We have to set the costs of edges in the gGraph grid. To do so, we can choose between i) strictly uniform costs (using dropCosts ) ii) distance-based costs -- roughly uniform -- (using setDistCosts ) or iii) attribute-driven costs (using setCosts ).

We shall first illustrate the strictly uniform costs. After setting a gGraph with uniform costs, we use dijkstraFrom to find the shortest paths between Addis abeba and the populations of hgdp :

The object paths contains the identified paths, which are stored as a list with class gPath (see ?gPath ). Paths can be plotted easily:

In this graph, each path is plotted with a different color, but several paths overlap in several places. We can extract the distances from the origin' using gPath2dist , and then examine the relationship between genetic diversity within populations (stored in hgdp`) and the distance from the origin:

Alternatively, we can use costs based on habitat. As a toy example, we will consider that coasts are four times more favourable for dispersal than the rest of the landmasses. We define these new costs, and then compute and plot the corresponding shortest paths:

The new paths are slightly different from the previous ones. We can examine the new relationship with genetic distance:

Of course, the distinction between coasts and inner landmasses is a somewhat poor description of habitat. In practice, complex habitat models can be used as simply.


GIS (Geographic Information System) technology, what is it and what’s it for?

When we use an app or visit a website with information shown on a map, for example our navigation system, or simply search for a restaurant in a certain area, we are using a simple technology based on a century old idea: SIG.

GIS stands for Geographic Information System.

A system or GIS, can locate objects in space, therefore on a map, that are stored in a database and gathered on the basis of similar characteristics, managing them as geo-referenced thematic informative layers.

These are IT / geographic systems mainly designed for:

  • territory management
  • urban and infrastructural planning
  • the study of the territory transformation over time
  • the implementation of Civil Protection plans
  • the creation of thematic maps (hydrographic, seismic, demographic, traffic, etc.)
  • statistics, demographics
  • the study of the archaeological-cultural / environmental / construction heritage
  • GPS applications

These systems thus allow an accurate planning of the territory and the interventions to be carried out on it, house by house, street after street, in an extremely detailed and complex way.

GPS systems are based on GIS technology

GIS, its historical background

To fully understand what GIS is, let’s put what we know today aside for one moment. Its origin goes back to 1854, when in London’s Soho district a deadly epidemic struck the population.

A doctor named John Snow, began a study where he identified and localized contagious cases on a map of London, connecting the geographic distribution with the number of people infected.

Monitoring the course of the outbreak throughout time, Dr. Snow understood that certain areas represented the source of the disease.: that’s when the idea of geo-referencing a determined characteristic was born, therefore coming to a conclusion on how to operate. This is one of the first real applications of GIS.

Historical maps of the London district of Soho

By definition, GIS is a system that puts geographic information in relation with other information contained in a database system (demographic, environmental, urbanistic, etc..).

One of the first definitions of GIS in the digital era was introduced in 1986 by Peter A. Burrough, professor at Oxford University (UK):

“GIS consists in a series of software instruments made to acquire, store, extract, elaborate and visualize spatial data in the real world”

The elements that characterize GIS

GIS is integrated in software that connects typical database operations to geographically oriented analysis, connecting alphanumerical information to spatial information, obtaining precise georeferenced data.

Geographic information (maps, photos, etc..) play an important role in the decisional process, being easily and immediately comprehensible, even to non-technical people.

A GIS system is composed of the following elements:

  • Software tools (GIS software, network, database)
  • Hardware devices (computer, printers, plotter, GPS)
  • Données (information, images, etc.)
  • Méthodes (spatial analysis procedures, etc.)
  • Ressources humaines (analysts, users)

These systems allow the interaction of different IT-based systems:

  • SGBD – database management system
  • Traitement d'image – raster images processing system
  • Statistical software –statistical analysis systems

Data and procedures for their acquisition

Data are the fundamental component of a territorial informative system. They are distinguished in:

  • Digital geographic data (vectors, raster, tables, database) can be integrated with other kind of informative resources (mixed-data system)
  • Analogic data, usable through digitalization like: historical cartography on paper, photographs, etc

There are two types of data:

These data, can be shown as map diagrams (cartographs) or simple tables and can refer to a portion of a given territory and based on different applications.

On these cartographs, every symbol, every line, every color or layer has a meaning and all the gathered data is stored in a database.

Because of these peculiarities, GIS is different from other IT systems, proving to cover countless possibilities for its use in correlation to geographic components.

The applicative procedure and the work methods of a GIS system is developed in the following phases:


Transcription de la présentation

Outlines • Introduction • Who use GIS? & what can we do with GIS • How does GIS work? • Geography database & types of data • Features of GIS • SDI • summary

We Live in Two Worlds Natural World Constructed World Managed Self-Regulating . . . These Are Increasingly In Conflict

Watersheds Communities Neighborhoods Districts Patterns Linkages Trends Managing Places Seeing the Whole Context and Content

Geographic Information System (GIS) is a computer-based system including software, hardware, people, and geographic information • A GIS can: • create, edit, query, analyze, and display map information on the computer

Geographic Information System • Geographic – 80% of government data collected is associated with some location in space • Information- attributes, or thecharacteristics (data), can be used to symbolize and provide further insight into a given location • System – a seamless operation linking the information to the geography – which requires hardware, networks, software, data, and operational procedures …not just software! …not just for making maps!

Who uses GIS? • International organizations • UN HABITAT, The World Bank, UNEP, FAO, WHO, etc. • Private industry • Transport, Real Estate, Insurance, etc. • Government • Ministries of Environment, Housing, Agriculture, etc. • Local Authorities, Cities, Municipalities, etc. • Provincial Agencies for Planning, Parks, Transportation, etc. • Non-profit organizations/NGO’s • World Resources Institute, ICMA, etc. • Academic and Research Institutions • Smithsonian Institution, CIESIN, etc.

What can you do with a GIS? • The possibilities are unlimited… • Environmental impact assessment • Resource management • Land use planning • Tax Mapping • Water and Sanitation Mapping • Transportation routing • and more .

How does a GIS work? • GIS data has a spatial/geographic reference • This might be a reference that describes a feature on the earth using: • a latitude & longitude • a national coordinate system • an address • a district • a wetland identifier • a road name

Very high 3 Scrub 17 Clay Polygon Geography and Databases • A GIS stores information about the world as a collection of thematic layers that can be linked together by geography

107’ Vectors Dimensions Topology Surveys ABC Networks Images Annotation CAD Drawings 27 Main St. 3D Objects Attributes Addresses Terrain GIS provides Data Integration • Roads • Land Parcels • Population • Utilities • Land Mines • Hospitals • Refugee Camps • Wells • Sanitation

Two fundamental types of data • Vector • A series of x,y coordinates • For discrete data represented as points, lines, polygons • Raster • Grid and cells • For continuous data such as elevation, slope, surfaces • A Desktop GIS should be able to handle both types of data effectively!

Représentation des données Raster Vector Real World

Other features of a GIS • Produce good cartographic products (translation = maps) • Generate and maintain metadata • Use and share geoprocessing models • Managing data in a geodatabase using data models for each sector

Hint – having GIS software does not a cartographer make! • Good to know something about these issues when creating a map and doing spatial analysis… • Scale/Resolution • Projection • Basic cartographic principles regarding design, generalization, etc.

Spatial Data Infrastructure(SDI) • Definition - the technology, policies, standards, human resources, and related activities necessary to acquire, process, distribute, use, maintain, and preserve spatial data • Part of many nation’s e-Gov strategy • www.GSDI.org

Ressortissants Inventory Geographic Knowledge The World Decision Support

World Summit on Sustainable Development 2002 “Promote the development and wider use of earth observation technologies, including satellite remote sensing, global mapping and geographic information systems, to collect quality data on environmental impacts, land use and land use changes.”

Achieving the MDGs requires all of us… …working together!


Voir la vidéo: cours python boucle for.. in range.. programmation tutoriel lycée (Octobre 2021).