Daha çox

Raster sahəsini hesablamağın daha dəqiq yolu


Gündəlik işimdə, məndən daim qlobal raster məlumat dəstlərinin sahələrini coğrafi proyeksiyada 30 arc ikinci qətnamədə hesablamağım xahiş olunur. Bu məlumat dəstləri normal olaraq birləşdirmə əməliyyatının nəticəsidir (tipik bir nümunə ölkə təbəqəsi ilə birləşən bitki örtüyü sinifləridir). Bunun üçün vahidimiz coğrafi proyeksiyadakı hər pikselin sahəsi 30 arc saniyədə olan bir raster məlumat dəsti yaratdı. Bu sahə şəbəkəsi ilə hər sinif üçün sahələri cəmləşdirmək üçün bir zonalstat yerinə yetirilir. Bu sahə cədvəlinin necə yaradıldığından əmin olmadığım üçün həmişə bu yanaşmanın rastı bərabər ərazi proyeksiyasında təkrar nəzərdən keçirmək üçün daha dəqiq olub olmadığını düşünürdüm (sadə sınaqlardan iki metodun nəticələri oxşar). Bənzər bir vəziyyət yaşanan varmı?


Nisbətən sadə bir var dəqiq düstur paralellər (enlik sətirləri) və meridianlar (uzunluq xətləri) ilə məhdudlaşmış hər hansı bir sferik dördbucağın sahəsi üçün. Ellipsin əsas xüsusiyyətlərindən (böyük oxdan) istifadə edərək birbaşa əldə edilə bilər a və kiçik ox b) elipsoid istehsal etmək üçün kiçik oxunun ətrafında döndərilir. (Tərif gözəl bir inteqrasiya Riyaziyyat işi edir, amma bu saytda az maraq olacağına inanıram.)

Hesablama əsas mərhələlərə bölünərək düstur sadələşdirilir.

Birincisi, şərq və qərb sərhədləri arasındakı məsafə - l0 və l1 meridianları - bütöv bir dairənin bir hissəsidir q = (l1 - l0) / 360 (meridianlar dərəcə ilə ölçüləndə) və ya 1 = (l1 - l0) / (2 * pi) (meridianlar radianla ölçüləndə). F0 və f1 paralelləri arasında yerləşən bütün dilimin sahəsini tapın və bunu yalnız vurun q.

İkincisi, Ekvatorla (f0 = 0 səviyyəsində) və f (= f1) enində paralellə hüdudlanmış elipsoidin üfüqi diliminin sahəsi üçün düstur tətbiq edəcəyik. F0 və f1 (eyni yarımkürədə uzanan) hər iki enlik arasındakı dilim sahəsi daha böyük və kiçik sahə arasındakı fərq olacaqdır.

Nəhayət, Model həqiqətən bir elipsoid (və kürə deyil) olduğu təqdirdə, Ekvator ilə f enində paralel arasındakı belə bir dilim sahəsi verilir.

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

haradaabmüvafiq olaraq yaradan ellipsin böyük və kiçik oxlarının uzunluqlarıdır,

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

eksantrikliyidir və

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

(Bu çox hər halda yalnız paralellərə yaxınlıq olan geodeziya ilə hesablamadan daha sadədir. Xahiş edirəm hesablama üsulu ilə bağlı @cffk tərəfindən yazılan şərhə diqqət yetiringiriş (zp / zm)aşağı enliklərdə dəqiqlik itkisinin qarşısını alan bir şəkildə.)

sahə (f)ekvatordan f eninə qədər qeyri-şəffaf dilimin sahəsidir (şəkildəki 30 dərəcə şimal. X və Y istinad üçün göstərilən coosentrik Kartezyen koordinat oxlarıdır.

WGS 84 elipsoid üçün sabit dəyərlərdən istifadə edin

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

səbəb olur

e = 0.08181919084296

(İlə sferik bir model üçün a = b, düstur qeyri-müəyyən olur. Yuxarıdan e -> 0 kimi bir limit götürməlisiniz ki, bu da standart düstura qədər azalır2 * pi * a ^ 2 * sin (f).)

Bu düsturlara görə, Ekvatora əsaslanan 30 '' 30 '' dördbucağın sahəsi 3077.2300079129 kvadrat kilometrə, bir dirəyə toxunan 30 '' 30 '' dördbucağın (həqiqətən yalnız üçbucaq) sahəsi yalnız 13.6086152 kvadratdır. kilometr.

Bir yoxlama olaraq, yerin səthini əhatə edən 720 x 360 ızgaranın bütün hüceyrələrinə tətbiq olunan formullar, yerin səssiz radiusunun 6371.0071809 kilometr olması lazım olduğunu göstərən 4 * pi * (6371.0071809) ^ 2 kvadrat kilometr ümumi səth sahəsi verir. Bu, Wikipedia dəyərindən yalnız son əhəmiyyətli rəqəmlə fərqlənir (təqribən on millimetr). (Hesab edirəm ki, Vikipediyanın hesablamaları bir az söndürülmüşdür :-).

Əlavə yoxlamalar olaraq Lev M. Bugayevskiy & John P. Snyder-də Əlavələrin 4 və 5-in çoxaldılması üçün bu formulların versiyalarından istifadə etdim, Xəritə Proqnozları: İstinad Təlimatı (Taylor & Francis, 1995). Əlavə 4, ən yaxın metrə verilən meridyen və paralellərin 30' uzunluğundakı yay uzunluqlarını göstərir. Nəticələrin dəqiq yoxlanılması mükəmməl bir anlaşma göstərdi. Sonra cədvəli 0,5 'artım əvəzinə 0.0005' artımlarla yenidən yaratdım və dördbucaqlı sahələri bu qövs uzunluqları ilə hesablandığı kimi ədədi şəkildə birləşdirdim. Ellipsoidin ümumi sahəsi dəqiq səkkiz əhəmiyyətli rəqəmdən daha yaxşı şəkildə çoxaldıldı. Əlavə 5-in dəyərləri göstərilirsahə (f)üçün f = 0, 1/2, 1,…, 90 dərəcə, 1 / (2 * pi) ilə vurulur. Bu dəyərlər ən yaxın kvadrat kilometrə verilir. 0, 45 və 90 dərəcə yaxın dəyərlərin vizual yoxlanışı mükəmməl bir uzlaşma göstərdi.


Bu dəqiq düstur raster cəbrdən istifadə oluna bilər hər hüceyrənin yuxarı hüdudlarının enliklərini verən bir barmaqlıqdan, alt hüdudların enini verən bir barmaqlıqdan başlayaraq. Bunların hər biri mahiyyət etibarilə bir y koordinat şəbəkəsidir. (Hər vəziyyətdə yaratmaq istəyə bilərsinizgünah (f)daha sonrazmzparalıq nəticələr kimi.) İki nəticəni çıxardın, bunun mütləq dəyərini götürün və hissəsinə vurun q ilk addımda əldə edilmişdir (məsələn, 30 'hücrə genişliyi üçün 0,5 / 360 = 1/720-ə bərabərdir). Bu dəyərləri ehtiva edən bir şəbəkə olacaq dəqiq hər hüceyrənin sahələri (şəbəkənin öz ədədi dəqiqliyinə qədər). Enlikləri sinus funksiyasının gözlədiyi formada ifadə etdiyinizə əmin olun: bir çox raster kalkulyatoru sizə dərəcə üzrə koordinat verəcək, lakin trig funksiyaları üçün radianlar gözləyin!


Qeyd üçün, burada dəqiq sahələr var WGS 84 elipsoidindəki Ekvatordan bir dirəyə qədər 30 '- 30' hüceyrələrin, 30 'aralığında 11 rəqəmə qədər (kiçik radius üçün istifadə edilən eyni say) 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

Dəyərlər kvadrat kilometrdir.


Bu sahələrə yaxınlaşmaq və ya sadəcə davranışlarını daha yaxşı başa düşmək istəsəniz, formul bu nümunədən sonra bir güc seriyasına enir:

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

harada

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

(Buna bərabər formul Bugayevskiy & Snyder-də görünür, op. cit., tənlik (2.1).)

E ^ 2 çox kiçik olduğundan (yerin bütün ellipsoidal modelləri üçün təxminən 1/150) və z 0 ilə 1 arasındadır, y kiçikdir. Beləliklə, y ^ 2, y ^ 3, ... şərtləri sürətlə kiçikləşir və hər müddətə iki dənə daha çox onluq dəqiqlik əlavə edir. Əgər görməməzlikdən gəlsək y ümumilikdə, düstur radius kürəsinin sahəsi olacaqdır b. Qalan şərtlər yerin ekvatorial qabarıqlığını düzəltmək kimi başa düşülə bilər.


Redaktə edin

Ərazinin geodezik-məsafə hesablamasının bu düsturlar ilə müqayisəsi ilə bağlı bəzi suallar qaldırılmışdır. Geodeziya məsafə metodu hər dördbucağı köşələrini üfüqi birləşdirən paralel deyil, geodeziya ilə yaxınlaşdırır və Öklid bir trapezoid üçün düstur. 30 'quads kimi kiçik dördbucaqlar üçün bu bir az aşağı dərəcədə qərəzlidir və milyonda 6 ilə 10 arasında nisbi dəqiqliyə malikdir. Burada WGS 84 (və ya hər hansı bir ağlabatan torpaq elipsoidi) üçün bir səhv planı var:

Beləliklə, (1) geodeziya məsafəsi hesablamalarına asan bir girişiniz varsa və (2) ppm səviyyəli səhvlərə dözə bilsəniz, qərəzliliyi düzəltmək üçün bu geodeziya hesablamalarından istifadə edərək nəticələrini 1.00000791-ə vurmağı düşünə bilərsiniz. Daha iki dəqiqlik dəqiqliyi üçün düzəltmə faktorundan pi / 2 * cos (2f) / 10 ^ 6 çıxartın: nəticə 0.04 ppm-ə qədər dəqiq olacaq.


Radouxju sualının cavabı elipsoid üzərində proqnozlaşdırıldığı zaman piksel şəklindən asılıdır. Rastrin koordinat sistemi uzunluq və enlikdirsə, piksel rumb xətti düzbucaqlıdır və whuberin cavabı istifadə edilə bilər və ya ümumiyyətlə, kənarları rumb xətləri olan bir çoxbucaqlı üçün düsturdan istifadə edə bilərsiniz. Koordinat sistemi böyük miqyaslı konformal proyeksiyadırsa (UTM, vəziyyət müstəvisi və s.), Kənarları geodeziya ilə yaxınlaşdırmaq və geodeziya çoxbucağı üçün düsturdan istifadə etmək daha doğru olar. Geodeziya çoxbucaqlıları, ümumiyyətlə, ümumi istifadə üçün ən yaxşısıdır, çünki rumb xətti çoxbucaqlılarından fərqli olaraq, qütblərə yaxın "yaxşı davranılır".

Geodeziya və rumb xətti poliqonları üçün düsturların tətbiqi kitabxanam GeographicLib tərəfindən təmin edilmişdir. Geodeziya sahəsi bir neçə dildə mövcuddur; rhumb xətti sahəsi yalnız C ++. Burada onlayn versiyası (geodeziya + rhumb xətti) mövcuddur. Bu hesablamaların dəqiqliyi ümumiyyətlə 0,1 kvadrat metrdən daha yaxşıdır.

Etibarlı / rəsmi barədə mühakimə etməli olacaqsınız ... Geodeziya formulları geodeziya (Danielsen, 1989, abunə tələb olunur) və Geodeziya alqoritmləri (Karney, 2013, açıq giriş) altındakı ərazidə əldə edilir. Rhumb sətir formulları burada verilmişdir.


WGS84 pikselinin sahəsi üçün bir düstur təyin etməyə çalışarkən bu suala rast gəldim. @ Whuber-in cavabı bu məlumatları özündə ehtiva etsə də, müəyyən bir enlikdə kvadrat dərəcə pikselinin sahəsi üçün düstur əldə etmək hələ də bir az iş idi. Aşağıda yazdığım bir Python funksiyasını daxil etdim ki, bunu tək bir zəngə saldı. Afişanın BÜTÜN bir raster sahəsi ilə bağlı sualına birbaşa cavab verməsə də (bütün piksellərin sahələrini cəmləmək olar), oxşar hesablamanı axtaran birisi üçün hələ də faydalı bir məlumat olduğunu düşünürəm.

def area_of_pixel (pixel_size, center_lat): "" "wgs84 kvadrat pikselin m ^ 2 sahəsini hesablayın. Uyğunlaşdırıldı: / a / 127327/2397 Parametrlər: pixel_size (float): pikselin tərəfinin dərəcə dərəcəsi. center_lat (float) : piksel mərkəzinin enliyi. Qeyd edək ki, bu dəyər +/- 'piksel ölçüsünün' yarısı 90 / -90 dərəcə həddini keçməməlidir və ya etibarsız bir sahə hesablanacaqdır. Dönüşlər: Yan pikselin kvadrat piksel sahəsi 'pixel_size m ^ 2-də 'center_lat' mərkəzindədir. "" "a = 6378137 # metr b = 6356752.3142 # metr e = math.sqrt (1 - (b / a) ** 2) area_list = [] for f for [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))) return pixel_size / 360. * (sahə_listi [0] - sahə_sistemi [1])

Jurnal siyahısı menyusu

Blemoloji Elmlər Bölümü, Clemson Universiteti, 132 Long Hall, Clemson, Cənubi Karolina, 29634 ABŞ

Blemoloji Elmlər Bölümü, Clemson Universiteti, 132 Long Hall, Clemson, Cənubi Karolina, 29634 ABŞ

Blemoloji Elmlər Bölümü, Clemson Universiteti, 132 Long Hall, Clemson, Cənubi Karolina, 29634 ABŞ

Blemoloji Elmlər Bölümü, Clemson Universiteti, 132 Long Hall, Clemson, Cənubi Karolina, 29634 ABŞ

Blemoloji Elmlər Bölümü, Clemson Universiteti, 132 Long Hall, Clemson, Cənubi Karolina, 29634 ABŞ

Blemoloji Elmlər Bölümü, Clemson Universiteti, 132 Long Hall, Clemson, Cənubi Karolina, 29634 ABŞ

Blemoloji Elmlər Bölümü, Clemson Universiteti, 132 Long Hall, Clemson, Cənubi Karolina, 29634 ABŞ

Blemoloji Elmlər Bölümü, Clemson Universiteti, 132 Long Hall, Clemson, Cənubi Karolina, 29634 ABŞ


Mücərrəd

Növlər diapazonu orqanizmlərin iqlim şəraitinə fizioloji tolerantlığı ilə məhdudlaşır. Fizioloji məhdudiyyətləri özündə cəmləşdirərək növ paylama modelləri biotik və abiotik amillərin bir növün coğrafi aralığını necə məhdudlaşdırdığını müəyyən edə bilər. Su itkisi dərəcələri növ paylanmasına təsir göstərir, lakin bir şəxs üçün su itkisini xarakterizə etmək kompleks hesablamalara ehtiyac duyur. Su itkisinə qarşı dəri müqaviməti (rmən) su itkisi nisbətlərinin ən məlumatlı metriki hesab olunur, çünki təcrübə qərəzlərini nəzarət edir. Ancaq hesablanır rmən sərhəd qat müqaviməti adlandırılan bir orqanizmi əhatə edən havanın müqavimətini həll etmək üçün biofiziki tənliklər tələb edir (rb). Burada dərinin a itkisinə qarşı müqavimətini ölçmək üçün nəzəri və ampirik metodları müqayisə etdik Plethodon təbiətdən toplanan semender. Ampirik metodlar üçün ölçdük rb bir gövdə ölçüsü, iki istilik, üç buxar təzyiqi çatışmazlığı və bir axış sistemi istifadə edərək altı axın dərəcəsi. Biz də hesabladıq rb eyni təcrübə şəraitində biofiziki tənliklərdən istifadə etmək. Daha sonra dərinin və sərhəd qatının müqavimətinin tədqiqat növlərinin coğrafi aralığında potensial fəaliyyət müddəti və enerji balansını təxmin edən bir növ sıra modelinə daxil edilməsinin ekoloji təsirlərini müəyyən etdik. Hesablamaq üçün empirik metodları tapdıq rb mənfi dəyərləri ilə nəticələndi rmənbiyofiziki hesablamalar isə mənalı dəyərlər meydana gətirdi rmən. Növlər diapazonu modeli, real sərhəd qatına və dəri müqavimətlərinə məhəl qoymamağın, modelin məkan daxilində enerji balansının orta hesablamalarını% 64 və potensial fəaliyyət müddətini 88% azaltdığını müəyyən etdi. Ağar replikalarının istifadəsi dərinin su itkisinə qarşı müqavimətini xarakterizə edən qeyri-kafi bir texnikadır və sərhəd qatını və dərinin su itkisinə qarşı müqavimətlərini daxil etmək, mexanik növ paylama modelləri üçün fəaliyyət və enerjini qiymətləndirir. Daha da əhəmiyyətlisi, tədqiqatımız su itkisi ilə əlaqəli fiziki proseslərin birləşdirilməsinin bir çox heyvan üçün yaşayış mühitinə uyğunluq qiymətləndirmələrini yaxşılaşdırdığını göstərir.


Mündəricat

IGN FI Milli Coğrafi və Meşə İnformasiya İnstitutunun (IGN) törəmə şirkətidir və coğrafi məlumat mühəndisliyi ilə məşğuldur. 1986-cı ildə yaradılan xidmətlər əsasən xarici qərar qəbul edənlərə (Texniki nazirliklər, icmalar) təklif olunur. Şirkət şərtlərdən asılı olaraq tək və ya konsorsium daxilində işləyir. Əsas işi - NSDI, geodeziya, metrologiya, kartoqrafiya, məlumat bazaları, CİS və veb portallar aşağıdakı sahələri hədəf alır: torpaq idarəsi (kadastr, torpaq qiymətləndirmə), ətraf mühit, kənd təsərrüfatı, təhlükəsizlik, enerji.

Səhmdarları IGN, GEOFIT Group, GEOFIT Expert, Esri (llc və Fransa), Imao və Altereo-dan ibarətdir.

IGN FI, ana şirkəti Fransız IGN ilə imtiyazlı bir əlaqədən faydalanır. Bu, İnstitutun geomatika məktəbi olan ENSG tərəfindən təmin olunan texniki mütəxəssislər (kartoqraflar, geodeziya mütəxəssisləri, topoqraflar) və ya təlim sessiyaları şəklində mövcuddur. IGN France International, Fransız IGN-nin dörd laboratoriyasında aparılan tədqiqatlardan da faydalanır: LAREG (Geodeziya Tədqiqat Laboratoriyası), LOEMI (Optik və Mikro kompüter laboratoriyası), MATIS (Stereo bərpa üçün analiz və görüntü işləmə metodları) ) və COGIT (Obyekt anlayışı və topoqrafik məlumatların ümumiləşdirilməsi). Peyk şəkillərinin işlənməsi və istifadəsi üzrə mütəxəssis IGN Espace ilə sıx əməkdaşlıq, şirkətin xarici müştərilərinə keyfiyyətli məkan görüntü xidmətləri təklif etməsinə imkan verir.

IGN FI Parisdədir və təxminən 27 işçidən ibarətdir. [3] Yerli filiallar da xaricdə rəhbərlik etdiyi layihələri müşayiət etmək üçün dəqiqliklə qurulur.

Christophe Dekeyne 2007-ci ildən bəri baş menecerdir. Ümumi idarəetmə şöbəsi Christophe Dekeyne rəhbərlik etdiyi bir ticarət və satış şöbəsi, Aurélie Milledrogues-un rəhbərlik etdiyi texniki bölmə və maliyyə şöbəsi tərəfindən gücləndirilmişdir.

IGN FI, daxili sahib olduğu texniki bacarıqlara əlavə olaraq, layihələri üçün tez-tez çağırılan Fransız IGN mütəxəssislərinə, həmçinin institusional və ya özəl tərəfdaşlar şəbəkəsinə etibar edə bilər.

IGN FI-nin inkişaf strategiyası açıq şəkildə layihənin həyata keçirilməsinin asanlaşdırılmasına yönəldilmişdir. Şirkət ayrıca bacarıqların ötürülməsini də dəstəkləyir.

IGN FI ən çox layihə meneceri rolunu oynayır, eyni zamanda layihə rəhbərliyinə kömək edir. Layihə idarəetmə yardımı tam xidmətlər göstərməkdən ibarətdir və qlobal proseslərin tərifi, keyfiyyət planının tərtib edilməsi, təklif çağırışı layihəsinin hazırlanması və ya kömək edilməsi, təkliflərin toplanması və təhlili kimi bir neçə mərhələdən ibarətdir. kritik layihə mərhələləri üçün mütəxəssislərin dövri təmin edilməsi kimi.

IGN France International-ın həyata keçirdiyi layihələrə, lazım olduqda, həmin ölkədə və ya Fransada təqdim olunan vacib praktik təlim sessiyaları müşayiət olunur.

IGN FI öz xidmətlərini aşağıdakı mütəxəssislərə təqdim edir:

  • Milli xəritəçəkmə agentlikləri
  • Xarici texniki nazirliklər (ətraf mühit, enerji, təbii ehtiyatlar, şəhərsalma.)
  • Xarici bələdiyyələr
  • Xaricdə aktiv olan böyük Fransız və ya xarici qruplar
  • Xaricdə aktiv olan Fransız və ya xarici məsləhət firmaları.

Son dövrlərdə həyata keçirdiyi layihələr ilə dünyanın hər yerində iştirak edən şirkət (Panama, Uqanda, Qətər, Qabon, Saint-Dominguez, Braziliya, Lüksemburq, İngiltərə, Misir, Liviya, Tunis, Cezayir, Fas, Senegal, Burkina Faso) , Namibiya, Yəmən, Səudiyyə Ərəbistanı, Birləşmiş Ərəb Əmirlikləri, Şri Lanka, Rusiya, Özbəkistan, Tayland, Vyetnam, İndoneziya və ya hətta Çin). IGN FI 120-dən çox ölkədə mövcuddur.

Tarixən Afrikada çox məşğul olan şirkət bu yaxınlarda bir neçə yeni layihəni [4] tamamladı:

  • Seneqalda su basmış və daşqına meylli ərazilərin xəritələşdirilməsi [5]
  • Senegalın 7 əsas şəhərinin şəhər xəritəsi [6]
  • Seneqalın kartoqrafiyasının 1: 200,000 miqyasında modernləşdirilməsi
  • Uqandada bir torpaq məlumat sistemi (LIS)
  • Geodeziya şəbəkələrinin yenilənməsinə nəzarət (Kamerun) [7]
  • Misirdə bir kənd təsərrüfatı stoku (2010-cu ilin sonunda Misirdə bir texniki simpozium keçirildi və kənd təsərrüfatı layihələri üçün coğrafi məlumatların əlavə dəyərinə diqqət yetirildi).

Şirkət Yaxın Şərq və Asiyada da çox fəaldır:

  • Abu Dabidə IGN FI filialının açılması
  • Səudiyyə Ərəbistanı Krallığı ilə Qətər Dövləti arasında quru sərhədinin müəyyənləşdirilməsi və dəniz sərhəd xətlərinin delimitasiyası. [8]

IGN FI Avropada da güclü bir var:

  • 38 Avropa ölkəsindəki ətraf mühit bazalarından ibarət olan və metodologiyası hazırda And ölkələrinə uyğunlaşdırılan Avropadakı Corine Land Cover layihəsi
  • Lüksemburq Böyük Dükası üçün bir verilənlər bazası və rəqəmsal kartoqrafiya istehsalı
  • Serbiyada məkan məlumat infrastrukturunun yaradılması
  • Rumıniyada ekoloji bir CİS-in tətbiqi.

IGN FI geomatika sahəsində fəaliyyət göstərir və bir sıra sahələrdə öz xidmətlərini təklif edir: məlumat toplama, məlumatların işlənməsi və məlumatların modelləşdirilməsi, CİS və xüsusi verilənlər bazalarının yaradılması, veb və tematik portalların hazırlanması, quraşdırılması və inteqrasiyası, idarəetmə və istifadə məkan məlumatları. Monitorinq, sınaq və tamamlanmasına kömək ilə bağlı layihələrin yaradılması və həyata keçirilməsində iştirak edir.

Müştərilərinə həm ilk konstitusiya, həm də yeniləmələr daxil olmaqla kartoqrafiya layihələrinin həyata keçirilməsində və daha çox yerli komandalarına yönəldilmiş texnologiya mərhələsinin ötürülməsində dəstək təklif edir.

Məlumat toplama, hava fotoqrafiyası, peyk şəkli əldə etmə, sahə araşdırmaları və geodeziya sistemlərinin konstitusiyasında da iştirak edir.

Ayrıca ortofoto və rəqəmsal ərazi və ya yüksəklik modelləri (DTM, DEM) istehsalında, fotogrammetrik restitusiyada, 3B modellərin və naviqasiya olunan verilənlər bazalarının və xəritələrin yaradılması üçün lazım olan bütün məlumat bazalarının yaradılmasında iştirak edir.

IGN FI, CİS (coğrafi informasiya sistemləri) və LIS (quru məlumat sistemləri) kimi xüsusi məlumat sistemlərinin inkişafı və quraşdırılması. Geoportallar və tematik portallar kimi veb tətbiqetmələr üçün inkişaf və quraşdırma işləri də həyata keçirir.

Kartoqrafiya Redaktə edin

Əraziləri anlamaq üçün dəyərli vasitələr olan xəritə konsepsiyası vektor və ya raster coğrafi verilənlər bazası şəklində çox müxtəlifləşmişdir. Xəritənin geniş ictimaiyyət üçün faydası da partladı.

Milli səviyyədə bir ölkənin kartoqrafiyası daha çox məkan məlumat infrastrukturu (NSDI) ilə əlaqələndirilir. Bu proses müstəqil və bir-birini tamamlayan məlumat qatına çevrilən kartoqrafik məlumatların istehsalını və paylanmasını tamamilə yenidən müəyyənləşdirir.

IGN FI, müştərilərinə, ilk konstitusiyadan başlayaraq yeniləmələrə qədər, xüsusən də texnologiyanın komandalarına ötürüldüyü mərhələdə, kartoqrafik layihələrini həyata keçirməsində dəstək təklif edir.

Geodeziya və metrologiya Redaktə edin

Bu gün bir neçə millimetr ərzində dəqiqlik əldə etmək üçün fərqli GNSS sistemlərindən istifadə olunur. Bu sistemlər sayəsində geodeziya sahəsi bir inqilabla qarşılaşdı və kartoqraf və inkişaf etdiricilərə istinad nöqtələri təqdim etdi, hər keçən gün daha dəqiq böyüyür.

Daha yerli miqyasda azaldılan metrologiya, alt millimetrik detallar vasitəsilə strukturların müvəqqəti təkamülünün izlənilməsinə və ya nüvə sintezi təcrübələrinin həyata keçirilməsinə kömək göstərilməsinə imkan verir.

Fransız Milli Coğrafiya İnstitutunun (IGN) Geodeziya şöbəsinin beynəlxalq səviyyədə tanınmış elmi və praktik təcrübəsi ilə gücləndirilən IGN FI, geodeziya və metrologiya sahələrində xidmətlər təklif edir.

Torpaq idarəsi Düzenle

Torpaq idarəsi layihələri, təmsil etdikləri və təhlükədə olanları nəzərə alaraq çoxsaylı ölkələrdə böyük bir narahatlıq yaradır. Bu layihələr sabitlik, torpaq bazarlarında yeni inkişaflar və torpaq dəyərlərinin şəffaflığını sistemə gətirməyi hədəf aldığı üçün böyük donorlar tez-tez səfərbər olurlar.

Coğrafi məlumatlar kadastr məlumatlarının toplanması və yenilənməsi və torpaq fəaliyyətinin idarə edilməsinə imkan verən informasiya sistemlərinin inkişafı yolu ilə torpaq idarəçiliyinin vacib bir hissəsidir.

IGN FI, bütün texniki və hüquqi sahələrdə layihə rəhbərliyi yardımından tutmuş, layihənin həqiqi tamamlanması, həyata keçirilməsi və izlənilməsinə qədər həll yolları təklif edir. Dövlətin maliyyələşdirilməsi üzrə Fransız təşkilatı (DGFiP) ilə də imtiyazlı bir əlaqəsi var.

Kənd təsərrüfatı və meşə təsərrüfatı Düzenle

Coğrafi məlumat kənd təsərrüfatı və meşə təsərrüfatı ilə bağlı məsələlərin səmərəli idarə olunmasının vacib bir hissəsidir. İstehsal edilən məlumatlar və onların "ticarət" tətbiqetmələrinə inteqrasiyası, siyasi liderlərə və ya sektor yönümlü mütəxəssislərə qərar vermə prosesində kömək etməyi hədəfləyir. Məsələn, məlumatlar kənd təsərrüfatı və meşə təsərrüfatı sahələrini ətraflı şəkildə müəyyənləşdirməyə, REDD + layihələri çərçivəsində (inkişaf etməkdə olan ölkələrdə meşələrin qırılması və meşə tənəzzülünün azaldılması üzrə Birləşmiş Millətlər Təşkilatının İşbirliyi Proqramı) ərazilərindəki işğalın təkamüllərini və meşələrin kəsilməsini izləməyə və ya müəyyənləşdirməyə kömək edir. müxtəlif növ məhsullar və ya meşələr. Davamlı inkişaf məsələlərində iştirak edən IGN FI, kənd təsərrüfatı və meşə təsərrüfatı sahələrində çalışanlara məlumat istehsal edərək, CİS, ticarət məlumat sistemləri və qərar dəstəkləmə vasitələri təqdim etməklə və ya layihə rəhbərliyi yardımını tamamlamaq üçün xidmətlərini təklif edir. Nümunələr:

Ətraf mühit və risklərin idarə edilməsi

Ətraf mühitin qorunması və səmərəli qarşısının alınması və risklərin idarə edilməsi siyasətinin inkişaf etdirilməsi üçün mübarizə ilə bağlı qərar qəbul edənlərə edilən təzyiq daha güclü və daha güclüdür. Milli səviyyədə bu, IGN təşəbbüsündə olduğu kimi Böyük Ölçülü Referans (RGE) və ya NSDI kontekstində olduğu kimi coğrafi istinad məlumat bazalarının yaradılması deməkdir.

Qlobal səviyyədə, IGN FI həmişə Corine Land Cover (Ətraf mühitə dair məlumatların əlaqələndirilməsi) kimi coğrafi ərazi işğalı məlumat bazalarının yaradılmasında əsas rol oynamışdır. IGN FI, uyğun və inteqrasiya edilmiş ətraf mühit məlumatları ilə silahlanmaq istəyən qurumlara kömək edir. Misal:

Müdafiə və mülki təhlükəsizlik

IGN və Fransa Müdafiəsinin imtiyazlı əlaqələri ilə gücləndirilən IGN FI, müdafiə və mülki təhlükəsizlik sahəsində geoinformasiya sahəsində öz təcrübəsini təqdim edir. Xüsusi hərbi xəritələrin, sərhəd nişanının, ərazilər üçün 3D vizual alətlərin yaradılması və ya yenilənməsi və ya açıq işlərə nəzarət edilməsi, IGN FI müştərilərinə ən ciddi məxfilikdə kömək edir.

Enerji və şəbəkələr Düzenle

Enerji sektoruna qatılanlar bir tərəfdən müdaxilə, saxlama, genişləndirmə və həyata keçirmə qabiliyyətlərini gücləndirmək, digər tərəfdən gücləndirmək üçün paylayıcı şəbəkələri (boru kəmərləri, elektrik xətləri, borular) haqqında məlumatları optimallaşdırmağa çalışırlar. fəlakət hallarında onların ehtimal planları. Həm də məhsuldarlığını qorumaqla yanaşı, getdikcə daha da sərtləşən beynəlxalq ətraf mühit standartlarına uyğunlaşmalıdırlar Şəbəkə menecerləri etibarlı coğrafi məlumatlara, aktivlərinin yerləşməsinə, paylama şəbəkələrinin idarə edilməsinə, risklərin idarə olunmasına uyğun açar teslim iş məlumat sistemlərinə ehtiyac duyurlar. , yeni implantasiya yerlərinin tədqiqi. IGN FI onlara bir saytın sadə xəritələşdirilməsindən tutmuş hərtərəfli bir coğrafi məlumat sisteminin tətbiqinə qədər olan xüsusi həllərin tətbiqində kömək edir. IGN France International enerji sahəsində iştirak edənlərə kömək edir və onlara şəbəkələri haqqında daha yaxşı məlumat, inkişaf etmiş inkişaf və gücləndirilmiş müdaxilə qabiliyyətini gətirir.

IGN France International “satışa çıxarılan” məhsullar satmasa da, müştərilərinin xüsusi ehtiyaclarına uyğunlaşdığı bir sıra məhsullar təklif edir. Beləliklə, şirkət şəhərsalma, kartoqrafik istehsal zəncirləri və ya ərazi və mülkiyyətin idarə edilməsi sahəsində iş tətbiqetmələri sahəsində 3B bazarında yer alır. Bu məhsullar IGN-in tədqiqat laboratoriyalarında hazırlanmışdır.

Referans3D Redaktə edin

Reference3D®, ərazilərin təmsil olunmasına və analizinə imkan verən bənzərsiz və homojen bir qlobal coğrafi istinad sistemidir. Həm dövlət, həm də özəl qurumları (milli xəritələşdirmə agentlikləri, Müdafiə təşkilatları, hökumətlər) hədəf alır. Fransız Müdafiə, IGN və Spot Image arasındakı ortaqlığın bəhrəsidir. Alət üç qatdan ibarətdir:

Reference3D® əhəmiyyətli əhatə dairəsini təklif edir (50 milyon km2-dən çoxu artıq mövcuddur) və bir çox tətbiqi dəstəkləyir:

  • Təsvir ortorifikasiyası
  • Uçuş simulyasiyası, silah sistemləri üçün məlumat
  • Kartoqrafik yaradılması və yenilənməsi
  • Strateji sahələrdə qiymətləndirmə və uzaqgörənlik
  • Risklərin qarşısının alınması və böhranların idarə olunması

Geoview Redaktə edin

IGN-nin istehsal vasitəsi olan Geoview®, bütün məlumat istehsal edən strukturlar (milli xəritələşdirmə agentlikləri, müdafiə təşkilatları) üçün hazırlanmışdır. Bu hərtərəfli kartoqrafik məlumat istehsal proqramı eyni proses daxilində aşağıdakı iş funksiyalarını birləşdirir:

Geoview®, rəqəmsal yüksəklik modellərinin, orhoimages və 2D vektor və 3B verilənlər bazalarının istehsalına imkan verir. Dörd moduldan ibarətdir:

  • Standart modul
  • Həndəsi modul
  • Altimetrik modul
  • Kartoqrafik tərtib modulu

IGN FI, xaricə çıxardığı fərqli layihələr kontekstində potensial qurma şəklində Geoview®-i qəbul edir.

3D Urbanis Redaktə edin

IGN FI, şəhər mühitinin davamlı idarə olunması ilə əlaqəli olanlara öz 3D həllərini və təcrübələrini təklif edir. 3D Urbanis, MATIS laboratoriyasında 10 il davam edən tədqiqatın nəticəsi olan IGN-nin istehsal vasitəsi və məhsulu olan BATI3D-dən istifadə olunur (Görüntü işlənməsi və Stereorestitasiya üçün Analiz Metodları). Bu məhsul şəhərləşmə ilə əlaqəli bütün strukturları (səlahiyyətlilər, şəhər planlayıcıları, seçilmiş məmurlar,.) Hədəf alır. [9] 3D Urbanisin çoxsaylı hədəfləri var:

  • Şəhər ərazisinin və onun irsinin genişləndirilməsi
  • Bir şəhərin iqtisadi inkişaf potensialını vurğulamaq
  • Ətraf mühitin məhdudiyyətlərinə hörmət edərkən şəhər inkişafının optimallaşdırılması
  • Fərqli narahatlıqların təsirini (atmosfer, səs) nəzərə alaraq layihələrini hazırlamaq.
  • Bütün amilləri (təbii ehtiyatlar, nəqliyyat) nəzərə alaraq bütövlükdə layihələrə baxmaq.
  • Sürətli hərəkət etmək / gözləmək
  • Kriz vəziyyətlərində alternativ həll yollarının müəyyənləşdirilməsi (dolama yollar, evakuasiya planları)

Bir zamanlar xüsusi bir proqram həllinə inteqrasiya edilmiş bir şəhərin 3B yerdən məlumat verilməsi, qərar dəstəyi, dialoq və ünsiyyət vasitəsi təşkil edir.

CAMA Həll (torpaq qiymətləndirmə) Düzenle

IGN FI tərəfindən hazırlanan bu həll, torpaq dəyərlərini dəqiq hesablamaq istəyənlər üçün hazırlanmış bir vasitədir. Torpağın və əmlakın dəyərini hesablamaq üçün istifadə olunur. Yerli hakimiyyət orqanlarının xüsusiyyətlərinə uyğun olaraq qurulmuş IGN FI’nın CAMA həlli beynəlxalq qiymətləndirmə standartlarına ciddi şəkildə hörmət edir. IGN FI’nın CAMA həlli bir GIS platformasında işləyir və 7 xüsusi moduldan ibarətdir:


Raster sahəsini hesablamağın daha dəqiq yolu - Coğrafi İnformasiya Sistemləri

Ekoloji niş modelləşdirmə (ENM) xəstəliklərin ötürülməsinin coğrafiyası və ekologiyası ilə bağlı bir çox potensial tətbiqi olan böyüyən bir sahədir. Konkret olaraq, ENM, coğrafiya və ya potensial coğrafiya ilə əlaqəli araşdırmalara vektorlar, ev sahibləri, patogenlər və ya insan hadisələri barədə məlumat vermə potensialına malikdir və bir çox digər texnikaya xas olan məlumatların itirilmədən yaxşı məkan həllinə nail ola bilər. Potensial tətbiqetmələr və mövcud sərhədlər və problemlər nəzərdən keçirilir.

Şəkil. Bir növün məlum hadisələri (dairələri) və bu məlumatlardan nəticə çıxarmaq üçün hipotetik nümunədir. Orta panel səthə uyğunlaşdırma və ya hamarlaşdırma alqoritmindən və alt hissədən yarana biləcək naxışı göstərir.

İnkişaf etməkdə olan və inkişaf etməkdə olan landşaft epidemiologiyası, xəstəlik ötürülməsi məlumatlarında məkan nümunələrinin ümumiləşdirilməsi üsullarını araşdırmışdır. Bu üsullar müəyyən bir ümumiləşdirmə və ya ortalama səviyyəsində məkan nümunələrini axtarır və sonra hamarlanmış bir səth şəklində ümumi naxışları və meylləri ümumiləşdirir. Tipik olaraq bu problemlərə tətbiq olunan üsullar arasında əyilmə və kriging, eləcə də mənzərələr arasında daha iri dənəli pəncərələrdəki orta dəyərlərə əsaslanan düzəldilmə (13). Bu yanaşmalar həmişə səthləri düzəltmək üçün bir az çözünürlük itkisini və ortalama bir dərəcəni əhatə edir (şəkil).

Bu yanaşmalar məkan nümunələrinin sadə xülasələrini təqdim etsə də, çox vaxt bioloji mənzərələri xarakterizə edən həqiqi mürəkkəblik və heterojenlik səviyyələrini göstərməkdə müvəffəq olmurlar. Xəstəliyin ötürülmə dövrləri, növ dəstləri arasındakı qarşılıqlı əlaqəni təmsil edən qarışıq hadisələrdir: ev sahibləri, vektorlar və patogenlər. Xəstəliyin məkanda meydana gəlməsinin mürəkkəbliyi, komponent növlərinin meydana gəlməsinin və təsadüf hadisələrinin təsirlərinin birləşməsini təmsil edəcəkdir. Beləliklə, yuxarıda göstərilən hamarlaşdırma üsullarından istifadə edilərək hazırlanan geniş tendensiyalı ümumiləşdirmələrin yeni fikirlərə və kompleks sistemlərin yeni anlayışına səbəb olması ehtimalı yoxdur. Bu hesabatda irəli sürülən yanaşma, növlərə xas ekoloji nişləri qiymətləndirərək nümunə xülasəsini yaxşılaşdırır. Bu şəkildə, ətraf mühitin dəyişməsinin növlərin yayılması və onların xəstəlik yoluxma qaydalarına çevrilməsi üzərində kompleks təsirləri daha ətraflı qiymətləndirilə bilər (şəkil).

Ekoloji Niş Modelləşdirmə (ENM)

Joseph Grinnell ekoloji nişlər konsepsiyasını yaradır və ekoloji nişlərlə növlərin coğrafi bölgüləri arasındakı əlaqələri araşdıran ilk şəxsdir (4). Daha müasir terminologiyaya çevrilən fikri, bir növün ekoloji nişinin, növlərin digər ərazilərdən gələn fərdlərin immiqrasiyası olmadan populyasiyaları saxlaya biləcəyi şərtlər məcmusudur. 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.

Nəticələr

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:

a. 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.

a. 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.

d. 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).


Videoya baxın: РАСТRUSTStreamСтримНочной Растер (Oktyabr 2021).