Suite

Un moyen plus précis de calculer la superficie des rasters


Dans mon travail quotidien, on me demande constamment de calculer des zones de jeux de données raster mondiaux en projection géographique à une résolution de 30 secondes d'arc. Ces jeux de données sont normalement le résultat d'une opération Combine (un exemple typique est une classe de végétation combinée à une couche de pays). Pour ce faire, notre unité a créé un jeu de données raster avec la surface de chaque pixel en projection géographique à 30 secondes d'arc. Avec cette grille de zone, un zonalstat est effectué pour additionner les zones pour chaque classe. Comme je ne sais pas comment cette grille de surface a été créée, je me suis toujours demandé si cette approche était plus précise de simplement reprojeter le raster dans une projection à surface égale (à partir de tests simples, les résultats des deux méthodes sont similaires). Quelqu'un a-t-il vécu une situation similaire ?


Il existe une méthode relativement simple exact formule pour l'aire de tout quadrilatère sphérique délimité par des parallèles (lignes de latitude) et des méridiens (lignes de longitude). Il peut être dérivé directement en utilisant les propriétés de base de l'ellipse (de grand axe une et petit axe b) qui est tourné autour de son axe mineur pour produire l'ellipsoïde. (La dérivation fait un bel exercice de calcul intégral mais je pense qu'elle serait de peu d'intérêt sur ce site.)

La formule est simplifiée en décomposant le calcul en étapes de base.

D'abord, la distance entre les limites est et ouest - les méridiens l0 et l1 - est une fraction d'un cercle entier égal à q = (l1 - l0)/360 (lorsque les méridiens sont mesurés en degrés) ou 1 = (l1 - l0) / (2*pi) (lorsque les méridiens sont mesurés en radians). Trouvez l'aire de la tranche entière située entre les parallèles f0 et f1 et multipliez-la simplement par q.

Deuxième, nous emploierons une formule pour l'aire d'une tranche horizontale de l'ellipsoïde délimitée par l'équateur (à f0=0) et un parallèle à la latitude f (=f1). La zone de la tranche entre deux latitudes f0 et f1 (situées sur le même hémisphère) sera la différence entre la zone la plus grande et la plus petite.

Pour terminer, à condition que le modèle soit vraiment un ellipsoïde (et non une sphère), l'aire d'une telle tranche entre l'équateur et le parallèle à la latitude f est donnée par

aire(f) = pi * b^2 * (log(zp/zm) / (2*e) + sin(f) / (zp*zm))

uneetbsont les longueurs des axes majeur et mineur de l'ellipse génératrice, respectivement,

e = sqrt(1 - (b/a)^2)

est son excentricité, et

zm = 1 - e*sin(f); zp = 1 + e*sin(f)

(C'est beaucoup plus simple que de calculer avec des géodésiques, qui ne sont de toute façon que des approximations des parallèles. Veuillez noter le commentaire de @cffk concernant une façon de calculerlog(zp/zm)d'une manière qui évite la perte de précision aux basses latitudes.)

zone (f)est la zone de la tranche opaque de l'équateur jusqu'à la latitude f (environ 30 degrés nord dans l'illustration. X et Y sont des axes de coordonnées cartésiennes géocentriques indiqués à titre de référence.

Pour l'ellipsoïde WGS 84, utilisez les valeurs constantes

a = 6 378 137 mètres, b = 6 356 752,3142 mètres,

impliquant

e = 0,08181919084296

(Pour un modèle sphérique avec une = b, la formule devient indéfinie. Vous devez prendre une limite comme e --> 0 d'en haut, qui se réduit ensuite à la formule standard2 * pi * a^2 * sin(f).)

Selon ces formules, un quadrilatère de 30 pi sur 30 pi basé sur l'équateur a une superficie de 3077,23 00079129 kilomètres carrés, tandis qu'un quadrilatère de 30 pi sur 30 pi touchant un pôle (qui n'est en réalité qu'un triangle) a une superficie de seulement 13,6086152 carrés. kilomètres.

À titre de vérification, les formules appliquées à toutes les cellules d'une grille de 720 par 360 couvrant la surface de la terre donnent une superficie totale de 4 * pi * (6371.0071809)^2 kilomètres carrés, indiquant que le rayon authalique de la terre devrait être 6371.0071809 kilomètres. Cela ne diffère de la valeur Wikipédia que par le dernier chiffre significatif (environ un dixième de millimètre). (Je pense que les calculs de Wikipedia sont un peu faux :-).

Comme vérifications supplémentaires, j'ai utilisé des versions de ces formules pour reproduire les annexes 4 et 5 dans Lev M. Bugayevskiy & John P. Snyder, Projections cartographiques : un manuel de référence (Taylor et François, 1995). L'annexe 4 montre les longueurs d'arc de sections de 30' de long de méridiens et de parallèles, au mètre près. Une vérification ponctuelle des résultats a montré une concordance parfaite. J'ai ensuite recréé la table avec des incréments de 0,0005', plutôt que des incréments de 0,5', et j'ai intégré numériquement les zones quadrangulaires estimées avec ces longueurs d'arc. La surface totale de l'ellipsoïde a été reproduite avec précision à mieux que huit chiffres significatifs. L'annexe 5 montre les valeurs dezone (f)pour F = 0, 1/2, 1,… , 90 degrés, multiplié par 1/(2*pi). Ces valeurs sont données au kilomètre carré près. Un contrôle visuel des valeurs proches de 0, 45 et 90 degrés a montré une concordance parfaite.


Cette formule exacte peut être appliquée en utilisant l'algèbre matricielle commençant par une grille donnant les latitudes des limites supérieures de chaque cellule et une autre donnant les latitudes des limites inférieures. Chacun d'eux est essentiellement une grille de coordonnées y. (Dans chaque cas, vous voudrez peut-être créerpéché(f)et alorszmetzpcomme résultats intermédiaires.) Soustraire les deux résultats, en prendre la valeur absolue et multiplier par la fraction q obtenu à la première étape (égal à 0,5/360 = 1/720 pour une largeur de cellule de 30', par exemple). Ce sera une grille dont les valeurs contiennent les exact zones de chaque cellule (jusqu'à la précision numérique de la grille). Assurez-vous simplement d'exprimer les latitudes sous la forme attendue par la fonction sinus : de nombreuses calculatrices raster vous donneront des coordonnées en degrés mais attendent des radians pour leurs fonctions trigonométriques !


Pour mémoire, voici les zones exactes de 30' par 30' cellules sur l'ellipsoïde WGS 84 de l'équateur jusqu'à un pôle, à des intervalles de 30', à 11 chiffres (le même nombre utilisé pour le petit rayon b):

3077.2300079,3077.0019391,3076.5458145,3075.8616605,3074.9495164,3073.8094348,3072.4414813,3070.8457347,3069.0222870,3066.9712434,3064.6927222,3062.1868550,3059.4537865,3056.4936748,3053.3066912,3049.8930202,3046.2528597,3042.3864209,3038.2939285,3033.9756204,3029.4317480,3024.6625762,3019.6683833,3014.4494612,3009.0061153,3003.3386648,2997.4474422,2991.3327939,2984.9950800,2978.4346744,2971.6519646,2964.6473522,2957.4212526,2949.9740951,2942.3063230,2934.4183938,2926.3107788,2917.9839636,2909.4384482,2900.6747464,2891.6933866,2882.4949115,2873.0798782,2863.4488581,2853.6024374,2843.5412166,2833.2658109,2822.7768503,2812.0749792,2801.1608571,2790.0351582,2778.6985716,2767.1518013,2755.3955665,2743.4306011,2731.2576543,2718.8774905,2706.2908892,2693.4986451,2680.5015685,2667.3004848,2653.8962347,2640.2896746,2626.4816763,2612.4731271,2598.2649300,2583.8580035,2569.2532818,2554.4517149,2539.4542684,2524.2619238,2508.8756783,2493.2965451,2477.5255533,2461.5637477,2445.4121891,2429.0719545,2412.5441367,2395.8298444,2378.9302026,2361.8463521,2344.5794500,2327.1306692,2309.5011988,2291.6922441,2273.7050264,2255.5407830,2237.2007674,2218.6862492,2199.9985139,2181.1388633,2162.1086151,2142.9091030,2123.5416769,2104.0077025,2084.3085615,2064.4456516,2044.4203864,2024.2341953,2003.8885234,1983.3848318,1962.7245972,1941.9093120,1920.9404843,1899.8196375,1878.5483108,1857.1280585,1835.5604507,1813.8470724,1791.9895239,1769.9894206,1747.8483931,1725.5680867,1703.1501618,1680.5962932,1657.9081707,1635.0874985,1612.1359952,1589.0553936,1565.8474409,1542.5138984,1519.0565410,1495.4771578,1471.7775513,1447.9595378,1424.0249466,1399.9756206,1375.8134157,1351.5402005,1327.1578567,1302.6682785,1278.0733724,1253.3750574,1228.5752643,1203.6759360,1178.6790272,1153.5865040,1128.4003439,1103.1225355,1077.7550785,1052.2999830,1026.7592702,1001.1349711,975.42912705,949.64378940,923.78101904,897.84288636,871.83147097,845.74886152,819.59715539,793.37845851,767.09488512,740.74855748,714.34160569,687.87616739,661.35438752,634.77841811,608.15041795,581.47255240,554.74699308,527.97591765,501.16150951,474.30595754,447.41145586,420.48020351,393.51440422,366.51626611,339.48800143,312.43182627,285.34996030,258.24462644,231.11805066,203.97246162,176.81009042,149.63317034,122.44393648,95.244625564,68.037475592,40.824725575,13.608615243

Les valeurs sont en kilomètres carrés.


Si vous souhaitez approximer ces zones ou simplement mieux comprendre leur comportement, la formule se réduit à une série de puissances suivant ce modèle :

aire(f) = 2 * pi * b^2 * z * (1 + (4/3)y + (6/5)y^2 + (8/7)y^3 +… )

z = sin(f), y = (e*z)^2.

(Une formule équivalente apparaît dans Bugayevskiy & Snyder, op. cit., équation (2.1).)

Puisque e^2 est si petit (environ 1/150 pour tous les modèles ellipsoïdaux de la terre) et z est compris entre 0 et 1, oui est petit aussi. Ainsi, les termes y^2, y^3,… deviennent rapidement plus petits, ajoutant une précision de plus de deux décimales à chaque terme. Si nous devions ignorer oui au total, la formule serait celle de l'aire d'une sphère de rayon b. Les termes restants peuvent être compris comme une correction du renflement équatorial de la Terre.


Éditer

Certaines questions ont été soulevées concernant la comparaison entre un calcul de distance géodésique de l'aire et ces formules exactes. La méthode de distance géodésique se rapproche de chaque quadrangle par les géodésiques, plutôt que par les parallèles, qui relient ses coins horizontalement, et applique le euclidien formule pour un trapèze. Pour les petits quadrilatères, tels que les quadrilatères de 30', cela est légèrement biaisé et a une précision relative comprise entre 6 et 10 parties par million. Voici un graphique de l'erreur pour WGS 84 (ou tout ellipsoïde terrestre raisonnable, d'ailleurs):

Ainsi, si (1) vous avez un accès facile aux calculs de distance géodésique et (2) pouvez tolérer une erreur de niveau ppm, vous pouvez envisager d'utiliser ces calculs géodésiques et de multiplier leurs résultats par 1,0000791 pour corriger le biais. Pour deux décimales de précision supplémentaires, soustrayez pi/2 * cos(2f) / 10^6 du facteur de correction : le résultat sera précis à 0,04 ppm près.


La réponse à la question de radouxju dépend de la forme du pixel lorsqu'il est projeté sur l'ellipsoïde. Si le système de coordonnées du raster est la longitude et la latitude, alors le pixel est un rectangle de ligne de rhumb et la réponse de whuber peut être utilisée, ou, plus généralement, vous pouvez utiliser la formule pour un polygone dont les bords sont des lignes de rhumb. Si le système de coordonnées est une projection conforme à grande échelle (UTM, plan d'état, etc.), il serait plus précis d'approximer les bords par des géodésiques et d'utiliser la formule pour un polygone géodésique. Les polygones géodésiques sont probablement les meilleurs pour une utilisation générale, car, contrairement aux polygones de loxodromie, ils se comportent "bien" près des pôles.

Les implémentations des formules pour les polygones géodésiques et de loxodromie sont fournies par ma bibliothèque GeographicLib. La zone géodésique est disponible en plusieurs langues ; la zone de loxodromie est uniquement en C++. Il existe une version en ligne (géodésique + loxodromie) disponible ici. La précision de ces calculs est généralement meilleure que 0,1 mètre carré.

Vous devrez juger sur crédible/officielle… Les formules géodésiques sont dérivées dans La zone sous la géodésique (Danielsen, 1989, abonnement requis), et Algorithmes pour les géodésiques (Karney, 2013, accès libre). Les formules de loxodromie sont données ici.


J'ai rencontré cette question en essayant de déterminer une formule pour l'aire d'un pixel WGS84. Bien que la réponse de @whuber contienne ces informations, il restait encore du travail pour obtenir une formule pour l'aire d'un pixel de degré carré à une latitude donnée. J'ai inclus une fonction Python que j'ai écrite ci-dessous qui résume cela en un seul appel. Bien que cela ne réponde pas directement à la question de l'affiche sur l'aire d'un raster ENTIER (bien que l'on puisse additionner les aires de tous les pixels), je pense que c'est toujours une information utile pour quelqu'un qui recherche un calcul similaire.

def area_of_pixel(pixel_size, center_lat): """Calculer la surface m^2 d'un pixel carré wgs84. Adapté de : /a/127327/2397 Paramètres : pixel_size (float) : longueur du côté du pixel en degrés. center_lat (float) : latitude du centre du pixel. Notez que cette valeur +/- la moitié de la « taille du pixel » ne doit pas dépasser 90/-90 degrés de latitude ou une zone invalide sera calculée. Renvoie : la zone du pixel carré de la longueur du côté « pixel_size ' centré sur 'center_lat' en m^2. """ a = 6378137 # mètres b = 6356752.3142 # mètres e = math.sqrt(1 - (b/a)**2) area_list = [] pour f dans [center_lat +pixel_size/2, center_lat-pixel_size/2] : zm = 1 - e*math.sin(math.radians(f)) zp = 1 + e*math.sin(math.radians(f)) area_list.append( math.pi * b**2 * ( math.log(zp/zm) / (2*e) + math.sin(math.radians(f)) / (zp*zm))) renvoie pixel_size / 360. * (area_list[0] - area_list[1])

Menu de la liste des journaux

Département des sciences biologiques, Clemson University, 132 Long Hall, Clemson, Caroline du Sud, 29634 États-Unis

Département des sciences biologiques, Clemson University, 132 Long Hall, Clemson, Caroline du Sud, 29634 États-Unis

Département des sciences biologiques, Clemson University, 132 Long Hall, Clemson, Caroline du Sud, 29634 États-Unis

Département des sciences biologiques, Clemson University, 132 Long Hall, Clemson, Caroline du Sud, 29634 États-Unis

Département des sciences biologiques, Clemson University, 132 Long Hall, Clemson, Caroline du Sud, 29634 États-Unis

Département des sciences biologiques, Clemson University, 132 Long Hall, Clemson, Caroline du Sud, 29634 États-Unis

Département des sciences biologiques, Clemson University, 132 Long Hall, Clemson, Caroline du Sud, 29634 États-Unis

Département des sciences biologiques, Clemson University, 132 Long Hall, Clemson, Caroline du Sud, 29634 États-Unis


Abstrait

L'aire de répartition des espèces est limitée par les tolérances physiologiques des organismes aux conditions climatiques. En incorporant des contraintes physiologiques, les modèles de distribution des espèces peuvent identifier comment les facteurs biotiques et abiotiques limitent l'aire de répartition géographique d'une espèce. Les taux de perte d'eau influencent la répartition des espèces, mais la caractérisation de la perte d'eau pour un individu nécessite des calculs complexes. Résistance de la peau à la perte d'eau (rje) est considérée comme la métrique la plus informative des taux de perte d'eau car elle contrôle les biais expérimentaux. Cependant, le calcul rje nécessite des équations biophysiques pour résoudre la résistance de l'air qui entoure un organisme, appelée résistance de la couche limite (rb). Ici, nous avons comparé des méthodes théoriques et empiriques pour mesurer la résistance de la peau à la perte d'eau d'un Pléthodon salamandre récoltée dans la nature. Pour les méthodes empiriques, nous avons mesuré rb de répliques de gélose à cinq tailles corporelles, deux températures, trois déficits de pression de vapeur et six débits en utilisant un système à circulation continue. Nous avons également calculé rb utilisant des équations biophysiques dans les mêmes conditions expérimentales. Nous avons ensuite déterminé les implications écologiques de l'incorporation de la résistance de la peau et de la couche limite dans un modèle d'aire de répartition des espèces qui a estimé le temps d'activité potentiel et le bilan énergétique dans l'ensemble de l'aire de répartition géographique des espèces étudiées. Nous avons constaté que les méthodes empiriques de calcul rb conduit à des valeurs négatives de rje, alors que les calculs biophysiques ont produit des valeurs significatives de rje. Le modèle d'aire de répartition des espèces a déterminé qu'ignorer les résistances réalistes de la couche limite et de la peau réduisait les estimations moyennes du bilan énergétique jusqu'à 64 % et le temps d'activité potentiel de 88 % dans toute l'étendue spatiale du modèle. Nous concluons que l'utilisation de répliques d'agar est une technique inadéquate pour caractériser la résistance de la peau à la perte d'eau, et l'incorporation des résistances de la couche limite et de la peau à la perte d'eau améliore les estimations de l'activité et de l'énergétique pour les modèles de distribution d'espèces mécanistes. Plus important encore, notre étude suggère que l'incorporation des processus physiques sous-jacents aux taux de perte d'eau pourrait améliorer les estimations de l'adéquation de l'habitat pour de nombreux animaux.


Contenu

L'IGN FI est la filiale de l'Institut National de l'Information Géographique et Forestière (IGN) et intervient dans l'ingénierie de l'information géographique. Créée en 1986, ses services sont principalement proposés aux décideurs étrangers (Ministères techniques, collectivités. ). L'entreprise travaille seule ou en groupement, selon les circonstances. Son cœur de métier - NSDI, géodésie, métrologie, cartographie, bases de données, SIG et portails web - cible les domaines suivants : administration foncière (cadastre, évaluation foncière), environnement, agriculture, sécurité, énergie.

Ses actionnaires sont l'IGN, le Groupe GEOFIT, GEOFIT Expert, Esri (llc et France), Imao et Altereo.

IGN FI bénéficie d'une relation privilégiée avec sa maison mère, l'IGN français. Cela se traduit par la mise à disposition d'experts techniques (cartographes, géodésiques, topographes) ou de formations dispensées par l'ENSG, l'école de géomatique de l'Institut. IGN France International bénéficie également des recherches menées au sein des quatre laboratoires de l'IGN français : le LAREG (Laboratoire de Recherche en Géodésie), le LOEMI (Laboratoire d'Optique et de Micro-informatique), le MATIS (Méthodes d'Analyse et de Traitement d'Images pour la Stéréo-restitution ) et le COGIT (Conception d'Objets et Généralisation de l'Information Topographique). L'étroite collaboration avec IGN Espace, spécialiste du traitement et de l'exploitation des images satellites, permet à la société de proposer des prestations d'imagerie spatiale de qualité à ses clients étrangers.

IGN FI est basé à Paris et compte environ 27 salariés. [3] Des antennes locales sont également mises en place ponctuellement pour accompagner les projets qu'elle mène à l'étranger.

Christophe Dekeyne est Directeur Général depuis 2007. La direction générale est renforcée par une direction commerciale et commerciale, dirigée par Christophe Dekeyne, une direction technique dirigée par Aurélie Milledrogues et une direction financière.

Outre les compétences techniques qu'elle possède en interne, IGN FI peut également compter sur les experts français de l'IGN souvent sollicités pour ses projets, ainsi que sur son réseau de partenaires institutionnels ou privés.

La stratégie de développement d'IGN FI est clairement orientée vers la facilitation de la mise en œuvre des projets. L'entreprise favorise également le transfert de compétences.

IGN FI assume le plus souvent le rôle de chef de projet, mais fournit également une assistance à maîtrise d'ouvrage. L'assistance à maîtrise d'ouvrage consiste à fournir des prestations complètes et se compose de plusieurs phases telles que la définition de processus globaux, la rédaction d'un plan qualité, la rédaction ou l'assistance à la rédaction d'appel d'offres, la notation et l'analyse des propositions ainsi que que la mise à disposition périodique d'experts pour les phases critiques du projet.

Les projets menés par IGN France International s'accompagnent souvent, si nécessaire, d'importantes formations pratiques, dispensées dans le pays concerné ou en France.

IGN FI propose ses services aux professionnels suivants :

  • Agences cartographiques nationales
  • Ministères techniques étrangers (environnement, énergie, ressources naturelles, urbanisme. )
  • Communes étrangères
  • Grands groupes français ou étrangers actifs à l'étranger
  • Cabinets de conseil français ou étrangers actifs à l'étranger.

La société est présente partout dans le monde avec des projets récents dans plusieurs pays (Panama, Ouganda, Qatar, Gabon, Saint-Dominguez, Brésil, Luxembourg, Royaume-Uni, Egypte, Libye, Tunisie, Algérie, Maroc, Sénégal, Burkina Faso , Namibie, Yémen, Arabie Saoudite, Emirats Arabes Unis, Sri Lanka, Russie, Ouzbékistan, Thaïlande, Vietnam, Indonésie ou encore Chine). IGN FI est présent dans plus de 120 pays.

Historiquement très impliquée en Afrique, la société a récemment mené à bien plusieurs nouveaux projets [4] tels que :

  • La cartographie des zones inondées et inondables au Sénégal [5]
  • La cartographie urbaine des 7 principales villes du Sénégal [6]
  • La modernisation de la cartographie du Sénégal à l'échelle 1:200 000
  • Un système d'information foncière (LIS) en Ouganda
  • La supervision de la mise à jour des réseaux géodésiques (Cameroun) [7]
  • Un inventaire agricole en Egypte (un colloque technique s'est tenu fin 2010 en Egypte et portait sur la valeur ajoutée de l'information géographique pour les projets agricoles).

La société est également très active au Moyen-Orient et en Asie :

  • Ouverture d'une succursale IGN FI à Abu Dhabi
  • Délimitation de la frontière terrestre et délimitation des lignes frontalières offshore entre le Royaume d'Arabie saoudite et l'État du Qatar. [8]

IGN FI est également très présent en Europe :

  • Le projet Corine Land Cover en Europe, qui était composé de bases de données environnementales dans 38 pays européens, et dont la méthodologie est en cours d'adaptation aux pays andins
  • La réalisation d'une base de données et d'une cartographie numérique pour le Grand-Duché de Luxembourg
  • La mise en place d'une infrastructure de données spatiales en Serbie
  • La mise en place d'un SIG environnemental en Roumanie.

IGN FI est active dans le domaine de la géomatique et propose ses services dans plusieurs domaines : l'acquisition de données, le traitement et la modélisation de données, la création de SIG et de bases de données spécifiques, l'élaboration, l'installation et l'intégration de portails web et thématiques et la gestion et l'utilisation de données spatiales. Elle participe à la création et à la mise en œuvre de projets de suivi, de pilotage et d'assistance à leur réalisation.

Elle propose un accompagnement à ses clients dans la réalisation de leurs projets de cartographie, tant la constitution initiale que les mises à jour, et plus particulièrement la phase de transfert de technologie à destination de leurs équipes locales.

Il participe également à l'acquisition de données, à la photographie aérienne, à l'acquisition d'images satellitaires, aux relevés de terrain et à la constitution de systèmes géodésiques.

Il participe également à la réalisation d'orthophotos et de modèles numériques de terrain ou d'élévation (MNT, DEM), à la restitution photogrammétrique, à la création de modèles 3D et de bases de données navigables et de toutes les bases de données nécessaires à la création de cartes.

IGN FI développement et installation de systèmes d'information dédiés de type SIG (systèmes d'information géographique) et LIS (systèmes d'information foncière). Il effectue également le développement et l'installation d'applications Web telles que les géoportails et les portails thématiques.

Cartographie Modifier

Précieux outils de compréhension des territoires, le concept de carte s'est fortement diversifié sous la forme de bases de données géographiques vectorielles ou matricielles. L'utilité de la carte pour le grand public a également explosé.

Au niveau national, la cartographie d'un pays est plus souvent associée à une infrastructure de données spatiales (NSDI). Ce processus redéfinit complètement la production et la diffusion des données cartographiques, qui deviennent des couches d'informations indépendantes et complémentaires.

IGN FI propose à ses clients un accompagnement dans la réalisation de leurs projets cartographiques, de la constitution initiale jusqu'aux mises à jour, notamment dans la phase de transfert de technologie à leurs équipes.

Géodésie et métrologie Modifier

Différents systèmes GNSS sont utilisés aujourd'hui pour atteindre des précisions de l'ordre de quelques millimètres. Grâce à ces systèmes, le domaine de la géodésie connaît une révolution et fournit aux cartographes et aux aménageurs des repères de plus en plus précis chaque jour.

Réduite à une échelle plus locale, la métrologie permet, par des détails submillimétriques, le suivi de l'évolution temporelle des structures ou encore l'assistance à la mise en œuvre d'expériences de fusion nucléaire.

Fort de l'expérience scientifique et pratique internationalement reconnue du Service de Géodésie de l'Institut Géographique National (IGN), l'IGN FI propose des prestations dans les domaines de la géodésie et de la métrologie.

Administration foncière Modifier

Les projets d'administration foncière constituent une préoccupation majeure dans de nombreux pays, compte tenu de ce qu'ils représentent et des enjeux. Les principaux bailleurs de fonds sont souvent mobilisés car ces projets visent à apporter stabilité, nouveaux développements sur les marchés fonciers et transparence des valeurs foncières au système.

L'information géographique est une composante essentielle de l'administration foncière à travers la collecte et la mise à jour des données cadastrales et à travers le développement de systèmes d'information qui permettent la gestion de l'activité foncière.

IGN FI propose des solutions allant de l'assistance à maîtrise d'ouvrage dans tous les domaines techniques et juridiques à la réalisation, la mise en œuvre et le suivi du projet. Elle entretient également une relation privilégiée avec la DGFiP.

Agriculture et foresterie Modifier

L'information géographique est une composante essentielle de la gestion efficace des questions agricoles et forestières. Les données produites et leur intégration dans les applications « métiers » ont pour objectif d'accompagner les responsables politiques ou les professionnels du secteur dans la prise de décision. Par exemple, les données permettent d'identifier en détail les zones agricoles et forestières, de suivre les évolutions de l'occupation des sols et de la déforestation dans le cadre des projets REDD+ (Programme Collaboratif des Nations Unies pour la Réduction des Emissions de la Déforestation et de la Dégradation des Forêts dans les Pays en Développement), ou de déterminer différents types de cultures ou de forêts. Impliquée dans les problématiques de développement durable, l'IGN FI propose ses services aux acteurs de l'agriculture et de la sylviculture en produisant des données, en fournissant des SIG, des systèmes d'information commerciale et des outils d'aide à la décision, ou pour la réalisation d'assistance à maîtrise d'ouvrage. Exemples:

Environnement et gestion des risques Modifier

La pression exercée sur les décideurs concernant la lutte pour la préservation de l'environnement et le développement de politiques efficaces de prévention et de gestion des risques est de plus en plus forte. Au niveau national, cela pourrait signifier la création de bases de données géographiques de référence comme à l'initiative de l'IGN dans le cadre du Référentiel à Grande Echelle (RGE) ou d'un NSDI.

Au niveau mondial, l'IGN FI a toujours été un acteur majeur dans la création de bases de données géographiques sur l'occupation des sols comme Corine Land Cover (CoORdination of INInformation on the Environment). IGN FI accompagne les entités souhaitant se doter de données environnementales cohérentes et intégrées. Exemple:

Défense et sécurité civile Modifier

Fort de la relation privilégiée de l'IGN et de la Défense française, l'IGN FI propose son expertise en géoinformation dans le domaine de la défense et de la sécurité civile. Création ou mise à jour de cartes militaires spécifiques, bornage, outils de visualisation 3D des territoires ou encore surveillance des ouvrages exposés, IGN FI accompagne ses clients dans la plus stricte confidentialité.

Energie et réseaux Modifier

Les acteurs du secteur de l'énergie cherchent à optimiser la connaissance de leurs réseaux de distribution (pipelines, lignes électriques, conduites) afin de renforcer d'une part leur capacité d'intervention, d'entretien, d'extension et de mise en œuvre, et d'autre part, de renforcer leurs plans d'urgence en cas de catastrophe. Ils doivent également s'adapter aux normes environnementales internationales de plus en plus exigeantes, tout en maintenant leur productivité Les gestionnaires de réseaux ont donc besoin de données géographiques fiables, de systèmes d'information clés en main adaptés à la localisation de leurs actifs, à la gestion de leurs réseaux de distribution, à la gestion des risques , l'étude de nouveaux sites d'implantation. IGN FI les accompagne dans la mise en place de solutions sur mesure qui vont de la simple cartographie d'un site à la mise en place d'un système d'information géographique complet. IGN France International accompagne les acteurs du domaine de l'énergie et leur apporte une meilleure connaissance de leurs réseaux, un développement accru et une capacité d'intervention renforcée.

Même si IGN France International ne vend pas d'articles « sur étagère », il propose une gamme de produits qu'il adapte aux besoins spécifiques de ses clients. L'entreprise se positionne ainsi sur le marché de la 3D dans le domaine de l'urbanisation, des chaînes de production cartographique ou des applications métiers dans le domaine de la gestion foncière et immobilière. Ces produits ont été développés dans les laboratoires de recherche de l'IGN.

Reference3D Edit

Reference3D® est un référentiel géographique global unique et homogène permettant la représentation et l'analyse des territoires. Il s'adresse aussi bien aux entités publiques que privées (agences cartographiques nationales, organismes de défense, gouvernements…). Il est le fruit d'un partenariat entre la Défense française, l'IGN et Spot Image. L'outil est composé de trois couches :

Reference3D® offre une couverture importante (plus de 50 millions de km² sont déjà disponibles) et supporte de nombreuses applications :

  • Orthorectification de l'image
  • Simulation de vol, informations pour les systèmes d'armes
  • Création et mise à jour cartographique
  • Évaluation et prospective dans les domaines stratégiques
  • Prévention des risques et gestion de crise

Géovisualiser Modifier

Geoview®, l'outil de production de l'IGN, s'adresse à toutes les structures productrices de données (agences nationales de cartographie, organismes de défense). Ce logiciel complet de production de données cartographiques combine les fonctions métier suivantes au sein d'un même processus :

Geoview® permet la production de modèles altimétriques numériques, d'orthoimages et de bases de données vectorielles 2D et 3D. Il est composé de quatre modules :

  • Module standard
  • Module géométrique
  • Module altimétrique
  • Module de mise en page cartographique

IGN FI concède Geoview® sous forme de renforcement de capacités dans le cadre des différents projets qu'elle mène à l'étranger.

Urbanis 3D Modifier

IGN FI propose ses solutions 3D et son expertise à tous les acteurs concernés par la gestion durable de l'environnement urbain. 3D Urbanis est réalisé à l'aide de BATI3D, l'outil de production de l'IGN et fruit de 10 années de recherche au sein du laboratoire MATIS (Méthodes d'Analyse pour le Traitement d'Images et la Stéréorestitution). Ce produit s'adresse à toutes les structures impliquées dans l'urbanisation (collectivités, urbanistes, élus, . ). [9] 3D Urbanis a de nombreux objectifs :

  • Mise en valeur du territoire urbain et de son patrimoine
  • Mettre en valeur le potentiel de développement économique d’une ville
  • Optimiser le développement urbain tout en respectant les contraintes environnementales
  • Elaborer ses projets en gardant à l'esprit l'impact des différentes nuisances (atmosphériques, sonores...)
  • Voir les projets dans leur ensemble en tenant compte de tous les facteurs (ressources naturelles, transports. )
  • Agir rapidement/anticiper
  • Identifier des solutions alternatives en situation de crise (détours, plans d'évacuation)

Les données géoréférencées 3D d'une ville, une fois intégrées dans les solutions logicielles dédiées, constituent un outil d'aide à la décision, de dialogue et de communication.

Solution CAMA (évaluation foncière) Modifier

Développée par IGN FI, cette solution est un outil fait pour ceux qui souhaitent calculer avec précision les valeurs foncières. Il est utilisé pour calculer la valeur des terres et des biens. Configurée selon les spécificités des collectivités locales, la solution CAMA d'IGN FI respecte strictement les normes d'évaluation internationales. La solution CAMA d'IGN FI fonctionne sur une plateforme SIG et se compose de 7 modules spécifiques :


Un moyen plus précis de calculer la superficie des rasters - Systèmes d'information géographique

La modélisation de niche écologique (ENM) est un domaine en pleine croissance avec de nombreuses applications potentielles aux questions concernant la géographie et l'écologie de la transmission des maladies. Plus précisément, l'ENM a le potentiel d'éclairer les enquêtes concernant la géographie, ou la géographie potentielle, des vecteurs, des hôtes, des agents pathogènes ou des cas humains, et il peut atteindre une résolution spatiale fine sans la perte d'informations inhérente à de nombreuses autres techniques. Les applications potentielles et les frontières et défis actuels sont examinés.

Chiffre. Exemple hypothétique d'occurrences connues d'une espèce (cercles) et déductions à partir de cette information. Le panneau du milieu montre le motif qui résulterait d'un algorithme d'ajustement de surface ou de lissage, et le bas.

Le domaine émergent et en évolution de l'épidémiologie du paysage a exploré des techniques pour résumer les modèles spatiaux dans les données de transmission des maladies. Ces techniques recherchent des modèles spatiaux à un certain niveau de généralisation ou de moyennage, puis résument les modèles et tendances globaux sous la forme d'une surface lissée. Les techniques généralement appliquées à ces défis incluent la cannelure et le krigeage, ainsi que le lissage basé sur des valeurs moyennes dans des fenêtres à grain plus grossier à travers les paysages (13). Ces approches impliquent toujours une certaine perte de résolution pour lisser les surfaces, et un certain degré de moyennage est impliqué (Figure).

Bien que ces approches fournissent des résumés simples des modèles spatiaux, elles ne parviennent souvent pas à illustrer les véritables niveaux de complexité et d'hétérogénéité qui caractérisent les paysages biologiques. Les cycles de transmission des maladies sont des phénomènes composites qui représentent des interactions entre des ensembles d'espèces : hôtes, vecteurs et agents pathogènes. Les complexités de l'occurrence spatiale de la maladie représenteront la combinaison des complexités de l'occurrence des espèces constituantes, ainsi que les effets d'événements fortuits. Ainsi, les généralisations générales telles que celles produites à l'aide des techniques de lissage mentionnées ci-dessus sont peu susceptibles de conduire à de nouvelles perspectives et à une nouvelle compréhension des systèmes complexes. L'approche préconisée dans ce rapport améliore le résumé du modèle en estimant les niches écologiques spécifiques aux espèces. De cette façon, les influences complexes de la variation environnementale sur les distributions des espèces et leur traduction dans les modes de transmission des maladies peuvent être appréciées plus en détail (Figure).

Modélisation de niche écologique (ENM)

Joseph Grinnell est à l'origine du concept de niches écologiques et a été le premier à explorer les liens entre les niches écologiques et la répartition géographique des espèces (4). Son idée, traduite dans une terminologie plus moderne, était que la niche écologique d'une espèce est l'ensemble des conditions dans lesquelles l'espèce peut maintenir des populations sans immigration d'individus d'autres régions. A more complete discussion of the concept of ecologic niches and their mapping onto the geographic distributions of species has been provided elsewhere (5).

Use of the ENM approach has grown considerably in the biodiversity community in recent years (610). The idea is that known occurrences of species across landscapes can be related to raster geographic information system coverages summarizing environmental variation across those landscapes to develop a quantitative picture of the ecologic distribution of the species. ENM characterizes the distribution of the species in a space defined by environmental parameters, which are precisely those that govern the species' geographic distribution under Grinnell's definition.

A particular strength of ENM is its independence from any particular landscape. ENM can be used to identify potential distributional areas on any landscape: unsampled or unstudied portions of the native landscape, areas of actual or potential invasion by a species with an expanding range, or changing potential distributional areas as a consequence of change (e.g., land use change or climate change). Thus, ENM represents a powerful tool for characterizing ecologic and geographic distributions of species across real-world landscapes.

Applications to Disease Systems

In recent years, the ENM approach has seen several prototype applications to disease transmission systems by public health and epidemiology specialists who have been willing to explore novel ideas and approaches. I outline what the technique has to offer to the field and provide citations of example publications for each benefit and use.

Understanding Ecology of Diseases

In many cases, the details of ecologic parameters associated with occurrences of diseases or of species participating in disease transmission (e.g., vectors, hosts, pathogens) may be unclear because of small sample sizes, biased reporting, or simply lack of detailed geographic or ecologic analysis. ENM encompasses a suite of tools that relate known occurrences of these species or phenomena to raster geographic information system layers that summarize variation in several environmental dimensions. The result is an objective, quantitative picture of how what is known about a species or phenomenon relates to environmental variation across a landscape. Studies using these approaches include an examination of ecologic differences among different Chagas disease vectors in Brazil (11) and a characterization of ecologic features of outbreaks of hemorrhagic fever caused by Ebola and Marburg viruses (12,13).

Characterizing Distributional Areas

A next step in applying ENM approaches to understanding disease systems is characterizing geographic distributions. Here, ENM (or something akin to it) is used to investigate landscapes for areas that meet the ecologic requirements of the species. The result is an interpolation between known sampling locations informed by observed associations between the species and environmental characteristics. Previous attempts to characterize geographic distributions of species in the disease realm have demonstrated the potential of the approach but have not always used the most powerful inferential techniques available (14,15). In at least 1 case (14), the methods used failed to generalize and predict into areas of sparse sampling. ENM produces statistically robust predictions of geographic distributions of species or phenomena (even in unsampled areas), greatly exceeding expectations under random (null) models. Numerous examples of applications of this functionality to disease systems have been published (1113,1622).

Identifying Areas of Potential Invasion in Other Regions

ENMs characterize general environmental regimes under which species or phenomena may occur. To the extent that the model is appropriately and correctly calibrated, it may be used to seek areas of potential distribution. Thus, ENMs can be used to identify areas that fit the ecologic bill for a species, even if the species is not present there. This approach has seen extensive experimentation and testing in the biodiversity realm (8,23), but applications to disease transmission have as yet been few. One study attempted to identify the particular species in the Anopheles gambiae complex that was responsible for the large-scale South American malaria outbreaks in the early 20th century (19), and another evaluated the geographic potential of a possible monkeypox host (Cricetomys spp.) in North America (24).

Anticipating Risk Areas with Changing Climates

A logical extension of using ENMs to identify potential distributional areas is to address the question of likely geographic shifts in distributional areas of species or phenomena under scenarios of climate change or changing land use (25). This approach has seen considerable attention in the biodiversity realm, with both tests and validations (2628), and with broad applications across faunas and floras (2932). In the disease world, applications have been few, although 1 study used likely climate change–mediated range shifts to hypothesize the identity of Lutzomyia vectors of recent leishmaniasis outbreaks in southern Brazil (21).

Identifying Unknown Vectors or Hosts

ENM approaches can be applied to various parts of disease transmission cycles (e.g., overall case distribution, reservoir host distribution, vector distribution) to identify unknown elements in systems. The geography of overall case distributions can provide an indication of which clades are potential reservoirs and which are not. A first application was an attempt to identify mammalian hosts of the Triatoma protracta group of Chagas disease vectors in Mexico (22), which succeeded in anticipating the mammal hosts of 5 of 5 species for which a test was possible. Further exploration of this possible application of ENM methods has focused on the mysterious long-term reservoir of the filoviruses (Ebola and Marburg viruses) by comparing African mammal distributions with those of filovirus-caused disease outbreaks (33).

Discussion

Current Challenges in ENM

ENM, although it has old roots (4), is nonetheless a relatively new tool in distributional ecology and biogeography. Only a few recent studies have compared the performance of different methodologic approaches under the ENM rubric (3437). As such, numerous challenges remain in terms of refining approaches toward a more powerful and synthetic methodology.

One central challenge is that of choosing modeling methods appropriate to a particular question, in the sense of discerning interpolation challenges from extrapolation challenges. In a recent comparative study focused on interpolation, which inferred details of patterns of presence and absence on a densely sampled landscape, several techniques that have internal controls on overfitting were superior (34). Extrapolative challenges, such as predicting potential distribution of invasive species, anticipating species' responses to global climate change, and identifying unknown reservoirs or vectors, require different qualities of modeling algorithms different methods therefore appear to emerge as superior, according to the particular challenge (5). This balance of ability to interpolate accurately versus ability to extrapolate effectively remains a challenge for the ENM methods.

A second frontier that includes yet-to-be-resolved details for ENM is that of testing and evaluating model results. Currently accepted approaches center on the ability to predict independent test occurrence data in the smallest area predicted (34,38). However, efficient predictions can be poor descriptors of a species' geographic range. Simpler techniques that place greater emphasis on minimizing the omission of known occurrences may be more appropriate. Pairing significance tests (which demonstrate that the coincidence between a prediction and test data is better than that achieved by random or null models) with setting minimum performance criteria (which ensure that that the prediction is accurate enough to meet the needs of the study) is probably the best approach (38). However, these methods have yet to be agreed upon broadly in the ENM community.

Current Challenges in Applications of ENM to Disease Systems

Beyond methodologic challenges, several issues remain to be addressed for full application of ENM methods to disease systems. The first, and perhaps most important, is understanding the role of scale in space and time. Preliminary explorations suggest that proper matching of temporal and spatial scales in analyses may offer particular opportunities for precise and accurate prediction of the behavior of disease phenomena (39). Similarly, proper choice of environmental datasets requires further exploration. Climate data provide longer temporal applicability, but remotely sensed data that summarize aspects of surface reflectance can provide finer spatial resolution, and may measure aspects of ecologic landscapes that climate parameters alone may not capture (40). Such issues will be resolved only through further exploration and testing with predictive challenges for diverse disease systems.

Finally, because disease transmission systems often represent complex interactions among multiple species (e.g., vectors, hosts, pathogens), options exist for how they should be analyzed and modeled. Simple focus on disease occurrences, such as human cases, treats the entire transmission system as a black box and as such gives an overall picture of the ecology of the transmission chain of that disease (12). An alternative, however, is modeling each component species in the transmission system and then assembling the component ENMs into a geographic picture of the transmission system (22). Each of these approaches has its relative advantages and disadvantages, but a best-practices method has yet to be established, pending further testing and exploration.

Conclusions

The emerging field of ENM applied to questions of ecologic and geographic characteristics of disease systems has considerable potential. In particular, it can solve several problems of spatial resolution of summaries of geographic risk for disease. In sharp contrast to surface-fitting approaches to the same questions, ENM does not lose resolution to generalize and produce a result. Rather, ENM can achieve fine-scale resolution of distributions limited only by the spatial precision of the input occurrence data and the input environmental datasets. This characteristic makes possible a clear improvement in the spatial resolution that is possible in representing spatial patterns in disease risk.

ENM is in the early stages of being explored for its potential for illuminating unknown phenomena in the world of disease transmission. The extensive explorations of ENM in the biodiversity field, however, serve as a benchmark of quality and acceptance for the technique. It can, once tested and prototyped extensively in the disease realm, offer a much-improved representation of spatial patterns in distributions of species or other phenomena.

Dr Peterson is professor of ecology and evolutionary biology at the Biodiversity Institute of the University of Kansas. His research interests include many aspects of geographic distributions of species, including the geography and ecology of filoviruses and other disease systems.

Acknowledgment

I send many thanks for years of collaboration and education in the world of diseases and their geography to Ben Beard, Janine Ramsey, Jim Mills, Darin Carroll, Karl Johnson, Mark Benedict, Bex Levine, Ken Gage, Rusty Enscore, Erin Staples, Jeffrey Shaw, and Roger Nasci, as well as numerous other colleagues whose omission here is not reflective of my appreciation.


Integrated Land Use/Land Cover 1997 - Metro Area

Generalized Land Use 2000 for the TCMA - Metropolitan Council:
see http://www.datafinder.org/metadata/landuse_2000.htm

Minnesota Land Use and Land Cover: 1990's Census of the Land (8 category statewide), compiled by Mn Department of Natural Resources:
see: http://www.lmic.state.mn.us/chouse/metadata/luse8.html

Land Use - Minnesota, Forested Area (Manitoba Remote Sensing Centre): See: http://www.lmic.state.mn.us/chouse/metadata/mrsc_lu.html

Land Use - Minnesota, Agricultural and Transition Areas (The International Coalition), 1989: See: http://www.lmic.state.mn.us/chouse/metadata/luse89.html

Minnesota Navigator: Enhanced 30-meter land use/land cover (1992)

During the land use interpretation, digital orthophotos and county parcel data with assessor's land use/type attributes were used. Reverse directories and field checks were used to augment this interpretation. Also, comments and corrections for the 1997 data from the cities and townships (each of which was given a map with the preliminary 1997 data) were used to update the 1997 layer.

Known deficiencies in the data set include:

Estimating the horizontal positional accuracy of this layer is somewhat complicated, because a number of factors must be considered. For this reason, a description of some of these factors seems instructive.

Many of the boundaries defining land uses in urban areas were drawn along parcel lines based on parcel data from the metro counties. Metro county parcel data sets vary greatly in positional accuracy as well as in the documentation of that accuracy. Furthermore, positional accuracy may vary for different features within the same parcel data set. An additional factor is the degree to which Metropolitan Council staff matched the parcel boundaries in heads up digitizing within ArcView. The scale at which lines were digitized varied as staff zoomed in and out while heads-up digitizing within ArcView, however most lines were digitized at an on-screed scale of no higher than 1:3000. In highly urbanized areas, 1:1500 was more common.

In rural areas, parcel boundaries were often not used. Rural residential land use boundaries were defined by the mowed lawns or used areas around the dwellings as viewed on the Metropolitan Council 1997 digital orthophotos. For this reason a positional accuracy estimate would have to describe the accuracy with which the interpreted boundary of this area was defined as well as whether the interpretation of the boundary was correct or inaccurate (causing a positional error).

Boundaries of water features were based on the digital orthophotos taken in April of 1997 at the height of a major flood on the three major metro rivers. Therefore the water boundaries for the rivers were taken from the 1990 land use in many cases. Lake boundaries were taken from the orthophotos. We do not have an estimate as to what degree the wet spring influenced any of the lake levels in the metro area.

A variety of other factors play a role in the positional accuracy of this layer. The information in the Entity and Attribute Detailed Citation (Section 5 of the metadata) may shed light on some positional issues with respect to this data set.

As a general rule when developing this data set it was the Metropolitan Council's intention to meet the National Mapping Accuracy Standards at 1:24,000 (within approximately 40 feet of actual location). No testing has been conducted to verify this.

DATA SOURCES:
- 1997 digital orthophoto quarter quads (0.6 meter resolution)
- 1990 land use delineations (1:24,000).
- The Lawrence Group's road centerline layer (1:24,000).
- parcel data from all seven counties
- reverse directories and field checks
- community feedback from preliminary maps sent out to them

HISTORY OF THE LAND USE DATA:
The Metropolitan Council has conducted analyses of land use for the years 1966, '70, '74/'75, '78, '80, '84, '90 and '97. Each project included analysis of aerial photography as well as field checks and the use of other sources to delineate land use and land use change.

Land use maps were developed from these data for the years 1966, '75, '84, '90 and '97. In addition, reports on land use change were prepared for the periods of 1960-1975, 1970-1978, 1970-1980, 1980-1990, and 1990-1997.

PROCESSING STEPS FOR THE 1997 LAND USE LAYER:
The 1997 land use layer was developed on the base of the 1990 land use data set. The primary tools used for the 1997 land use interpretation were the 1997 digital orthophotos and county parcel data with assessors attributes indicating various land use type information.

It is important to note that the assessors attributes varied greatly from county to county. In many cases the land type or use categories used by the county for assessment purposes did not match the categories used in this data set. The assessors attributes were matched as closely as possible to Council land use categories. Additionally the property owner name from the parcel data and entries in reverse directories were also used as aides in the land use interpretation. Where these sources were insufficient to determine the land use category, field checks were performed.

Once the preliminary 1997 land use data set was completed, each of the approximately 200 cities and townships within the metro area was sent a map of the preliminary data and asked to provide comments and corrections. 85% of the those cities and townships responded and their comments were used to enhance the accuracy of the 1997 land use data.

The original categories used for land use breakdowns were established in 1962 and have been modified only slightly over the years of generating the Twin Cities generalized land use maps (1966, 1975, 1984, 1990, and 1997).

The interpretation was conducted on 3.25 minute quadrangles (USGS quarter quads). The editing was done using ArcView 3.1 software. Once completed, the shape files were converted to polygon ArcInfo coverages and then the tiles were combined into one metro wide layer, where small sliver polygons were removed and other miscellaneous editing was done. The 1997 land use layer was then dissolved out of the 1984-90-97 combined layer.

2. DERIVED DATA SET (LMIC Data Conversion): conversion to a raster data set and addition of natural resource feature information to the data set:

une. Metropolitan Council 1997 land use data shapefile was converted to an EPPL .dgt file, then gridded with a 30-meter cell size to create an EPPL7 raster data set.

b. Where the Metropolitan Council land use category was 'agricultural/vacant' or 'parks and recreation', several changes were made to the file. The EPPL7 EVAL and 2-WAY RECLASS commands were used to make the following changes:

b1. National Wetlands Inventory wetlands (except for deepwater habitat classification) 30-meter data was extracted from Minnesota.Data Volume 2.

b2. Lakes and shallow wetland water habitats were pulled from the DNR-enhanced 24K lakes layer. This data had been obtained from the DNR data deli by USGS 7.5-minute quadrangle tile, appended together into a metro-wide file using the Arc/Info APPEND command, converted to a metro-wide shapefile, then converted into an EPPL7 .dgt file and gridded with a 30-meter cell size to produce and EPPL7 data set.

b3. Forest cover information was added from the 1991 DNR Phase II forest inventory for the metro area. This information was already available in 30-meter EPPL7 format from the EPIC Metro30 database.

1 - Single Family Residential
Includes all individual, free standing single family housing (including manufactured housing). Within the MUSA (metropolitan urban service area) and in residential developments outside the MUSA, the lot lines visible on the photos were used for determining residential land use boundaries. Where residential developments were visibly not complete, the undeveloped area was classified as vacant. For the scattered, rural residential areas outside the MUSA, only the portion of lots used for residences was assigned to the residential category.

2 - Multi-Family Residential
Includes all multiple dwelling units such as duplexes, bungalows, twin homes, townhouses, quad homes and apartment complexes. Also, buildings that are primarily apartments that have some group dining facilities are included (however, not those buildings that fit the census definition of 'Group Quarters', such as, dormitories, nursing homes or medical care facilities).

3 - Commercial
Includes all retail sales, services, hotels and motels, health care facilities (e.g. medical and dental clinics and offices and medical laboratories, but not hospitals and nursing homes) and recreational services that are predominantly privately owned and operated for profit (e.g. theaters, bowling alleys, equestrian ranches) except golf courses. Hospitals and nursing homes are included in the 'Public & Semi-Public' category and golf courses are in the 'Parks & Recreation Areas' class. For large shopping centers, only actual developed areas are shown. This is done so that over the years new development can be shown (e.g. restaurants or gas stations on perimeter roads).

4 - Industrial
Includes the Federal Standard Industrial Classification (SIC) codes 14 through 50. This includes manufacturing, transportation, construction, communications, utilities, and wholesale trade. Also included in the 'Industrial' category are some horticultural specialty land uses (e.g. large greenhouses that do not sell to the public). As of 1997, gravel pits and quarrying have been placed in a new category called 'Extractive' and all publicly owned areas that are predominantly of industrial nature have been placed in a new category called 'Public Industrial.'

5 - Public Semi-Public
Includes the land under and adjacent to schools (public and private), hospitals, churches, cemeteries, ice arenas and all facilities of local, state and federal governments, including convalescent homes, mental institutions and penal facilities maintained by any level of government. All lands within the boundaries of these institutions and facilities are included in this category. However, in certain instances unused lands were included in the 'Public & Semi-Public Vacant' category (e.g. the University of Minnesota's property in Rosemount, or part of the land adjacent to the Minnesota Veterans Home in Hastings).

6 - Transportation
This category combines the Metropolitan Council land use categories of 'airports' and 'major four-lane highways'. The 'airports' category includes airports of all types. The 'major four-lane highways' category includes only the major interstate freeways and 4 lane divided highways with rights-of-way of 200 feet or greater.

7 - Parks & Recreation Areas
Includes all parks (city, regional and state), wildlife refuges, playgrounds, zoos, gun clubs, golf courses and similar areas (this includes DNR wildlife management areas and scientific and natural areas). Parks are delineated using their actual boundaries taken directly off comprehensive plans, park maps or county parcel data. Wetlands, forest cover and open water overwrote this data category.

8 - Vacant/Agricultural
In the Metropolitan Council 1997 land use data set, this includes land identifiable from aerial photos as open and in agriculture uses, other uses where no buildings are present or unused land. Please note that indoor horticultural specialty land uses (the growing of nursery stock, flowers, seeds, sod and food crops in large greenhouses that do not sell to the public and large concentrations of agricultural buildings (e.g., barns, sheds and silos)) are included in the 'Industrial' category where they can be delineated. Where residential uses are on larger lots, the residential land use category my include only the house and mowed portion of the parcel, with the rest being placed in this Vacant and Agricultural category. In the updated data set, areas that were originally defined in this category but which were indicated by other datasets to be wetland, lake, or forested, were replaced by those natural resource categories. Wetlands, forest cover and DNR open water overwrote this data category.

10 - Open Water Bodies
In the original Metropolitan Council 1997 land use data set, this included lakes larger than 5 acres and rivers wider than 200 feet. Additional lake features from the DNR-enhanced 1:24,000 lakes data set were added into this category in the updated version. The following Metropolitan 1997 land use data categories were overwritten by DNR open water data: parks vacant/agriculture industrial parks, not developed Met Council Open Water, 1997 public and semi-public lands.

11 - Farmsteads
Includes only that portion of land that encompasses the buildings on the farmstead.

12 - Extractive
Includes all gravel pits and quarries.

13 - Industrial Parks not Developed
Parcels of land in a designated (named) industrial park but not developed. NWI wetlands, forest cover and DNR open water classifications overwrote this data category.

14 - Public & Semi-Public Vacant
A government or university owned parcel of land that is undeveloped (e.g. part of arsenal site in Arden Hills or the University property in Rosemount). NWI wetlands, forest cover, and DNR open water classifications overwrote this data category.

15 - Public Industrial
Includes all publicly owned areas that are predominantly of an industrial nature (e.g. waste water treatment plants, city bus garages, and Dept. of Transportation sand and salt stockpiling areas). In the past, some of these have been coded as industrial and others as public.

16 - Wetlands (Emergent-Forested Habitats)
Includes wetlands classified as Emergent-Forested Habitats in the National Wetlands Inventory. The following Metropolitan 1997 land use data categories were overwritten by NWI wetland data: parks vacant/agriculture industrial parks, not developed public and semi-public lands.

19 - Wetlands (Shallow Water Habitats)
Includes wetlands classified as 'shallow water habitats' in the DNR-enhanced 1:24,000 lakes data set. The following Metropolitan 1997 land use data categories were overwritten by DNR shallow water habitat data: parks vacant/agriculture industrial parks, not developed.


A stain on the record? Have forest management practices set up PNW landscapes for a black-stain-filled future?

Describe the research question that you are exploring.

I am looking at how forest management practices influence the spread of black stain root disease (BSRD), a fungal root disease that affects Douglas-fir in the Pacific Northwest. While older trees become infected, BSRD primarily causes mortality in younger trees (< 30-35 years old). Management practices (e.g., thinning, harvest) attract insects that carry the disease and are associated with increased BSRD incidence. As forest management practices in the Pacific Northwest change to favor shorter-rotations of Douglas-fir monocultures, the distribution of Douglas-fir age classes is shifting towards younger stands and the frequency of harvest disturbance is increasing across the landscape. Though limited, our present understanding of this disease system indicates that these management trends, as well as the resulting disturbance regime and forest landscape age structure, may be creating favorable conditions for BSRD spread.

In this course, I would like to use spatial analyses to answer the question of whether forest management and the conditions that it creates act as a driver of the spread of black stain root disease. Specifically:

  • How do spatial patterns of forest management practices and the forest stand and landscape conditions that they create relate to spatial patterns of BSRD infection probabilities at the stand and landscape scale?
  • How do spatial patterns of forest management practices relate to landscape connectivity with respect to BSRD by affecting the area of susceptible forest and creating dispersal corridors and/or barriers throughout the landscape?

Example landscape with stands of three different forest management regimes (shades of green) and trees infected by black stain root disease (red). Forgive the 90s-esque graphics… NetLogo, the program I am using to develop and run my model, is powerful but old-school.

Describe the dataset you will be analyzing, including the spatial and temporal resolution and extent.

I will be analyzing the raster outputs of a spatial model that I built in the agent-based modeling program NetLogo (Wilensky 1999). The rasters contain the states of forested landscapes (managed as individual stands) at a given time during the model run. Variables include tree age, presence/absence of trees, management regime, probability of infection, infection status (infected/not infected), and cause of infection (root transmission, vector transmission).

The forested landscapes I am looking at are about 3,000 to 4,000 ha, with each pixel representing a

1.5 m x 1.5 m area that can occupied by one tree. I run each model for a 300-year time series with 1-year intervals, though raster outputs may be produced at 10-year intervals.

Hypotheses: predict the kinds of patterns you expect to see in your data, and the processes that produce or respond to these patterns.

I hypothesize that landscapes with higher proportions of intensively managed, short-rotation stands will have higher probabilities of BSRD infection at the stand and landscape scales. In landscapes with high proportion of short-rotation stands, there will be large areas of suitable habitat for the pathogen and its vectors, frequent harvest that attracts disease vectors, and greater levels of connectivity for the spread of disease. In landscapes with a large proportion of older forests managed for conservation, I hypothesize that these forests will act as barriers to the spread of BSRD. High connectivity could be evidenced by greater landscape-scale dispersion of infections, whereas low connectivity would lead to a high degree of clustering of infections in the landscape.

I also hypothesize that intensively managed, short-rotation stands will have the highest probabilities of infection, followed by intensively managed, medium-rotation stands, and finally old-growth stands. However, I hypothesize that each stand’s probability of infection will depend not only on its own management but also on the management of neighboring stands and the broader landscape. At some threshold proportion of intensive management in the landscape, I hypothesize that there will be a shift in the scale of the drivers of infection, such that landscape-scale management patterns overtake stand-scale management as a predictor of infection probability.

Approaches: Describe the kinds of analyses you ideally would like to undertake and learn about this term, using your data.

I would like to learn about landscape connectivity analyses and spatial statistics such as clustering/dispersion as well as spatiotemporal analyses to analyze the relationships between discrete disturbance events and disease spread. I would like to learn how to separate the effects of connectivity from the effect of the area of suitable pathogen habitat. I am most interested in using R or Python to analyze my data, and I would like to move away from ESRI programs because of my interest in open-source and free tools for science and the prohibitive cost of ESRI software licenses for independent researchers and organizations with limited financial means.

Expected outcome – What do you want to produce – Maps? Statistical relationships?

My primary interest is to evaluate statistical relationships between spatial patterns of management and disease measures, but I would also like to produce maps to demonstrate model inputs and outputs (i.e., figures for my thesis).

Significance – How is your spatial problem important to science? To resource managers?

From a scientific perspective, this research aims to contribute to the body of research examining relationships between spatial patterns and ecological processes and complex behaviors in ecological systems. This research will examine how the diversity of the landscape age structure and disturbance regimes affect the susceptibility of the landscape to disease, contributing to literature relating diversity and stability in ecological systems. In addition, “neighborhood” and “spillover” effects will be tested by analyzing stand-scale infection probability with respect to the infection probability of neighboring stands and more broadly in the landscape. Analysis of threshold responses to changes in stand- and landscape-scale management patterns and shifts in the scale of disease drivers will contribute to understanding of cross-scale system interactions and emergent properties in the field of complex systems science.

From an applied perspective, the goal of this research is to inform management practices and understand the potential threat of black stain root disease in the Pacific Northwest. This will be achieved by improving understanding of the drivers of BSRD spread at multuiple scales and highlighting priority areas for future research. This project is a first step towards identifying evidence-based, landscape-scale management strategies that could be taken to mitigate BSRD disease issues. In addition, the structure of this model provides a platform for looking at multi-scale interactions between forest management and spatial spread processes. Its use is not restricted to a specific region and could be adapted for other current and emerging disease issues.

Your level of preparation – How much experience do you have with: (a) Arc-Info, (b) Modelbuilder and/or GIS programming in Python, (c) R, (d) image processing, (e) other relevant software

Over the past 5 years, I have worked on and off with all the programs/platforms listed. For some, I have been formally trained, but for others, I have been largely self-taught. However, lack of continuous use has eroded my skills to some degree.

une. I have frequently used ArcInfo for making maps, visualizing data, and processing and analyzing spatial data. However, I do not have a lot of experience with spatial statistics in ArcInfo.

b. Modelbuilder/Python: Last spring, I took GEOG 562 and learned to program in Python, developing a script that used arcpy to prepare and manipulate spatial data for my final project. I felt comfortable programming in Python at that time, but I have not used Python much since the course.

c. I have frequently used R to clean and prepare data, perform simple statistical analyses (ANOVA, linear regression), and create plots. I have taken several workshops on using R for spatial analysis, but I have used rarely used the R packages I learned about outside of those workshops.

ré. I have used ENVI to correct, patch, and combine satellite images, and I have performed supervised classifications to create land cover maps. I have worked primarily with LANDSAT images. I have also used CLASlite (an image processing software designed for classifying tropical forest cover).


Voir la vidéo: calcul longueur périmètre et surface dans ArcGis (Octobre 2021).