أكثر

ArcGIS - من الممكن تعيين ترتيب رسم معالم المضلع

ArcGIS - من الممكن تعيين ترتيب رسم معالم المضلع


لدي جدول به مضلعات أرغب في عرضها في الخريطة. أود أن تظهر المضلعات الأصغر فوق المضلعات الأكبر حجمًا. هل هناك طريقة لتعيين ترتيب الرسم بحيث لا تغطي المخططات العريضة للمضلعات الأكبر حجمًا الأصغر؟

لقد حاولت استخدام سمة منطقة المضلع كعامل شفافية ضمن خصائص ترميز الطبقة - لكن هذا لا يعمل بشكل جيد بما فيه الكفاية.


نظرًا لأن لديك بالفعل حقلًا يحمل المنطقة ، فما عليك سوى استخدام أداة الفرز ، واستخدام حقل المنطقة مع خيار "DESCENDING".

ملاحظة: تتطلب أداة الفرز ترخيصًا متقدمًا.


يمكنك إضافة حقل جديد يسمىمقاس، ثم احسب الحقل أيضًاصغيرأوكبيرفي المجال الجديد.

ثم قم بالرمز بواسطة قيم فريدة بناءً على حقل الحجم. ثم اذهب إلىخيارات متقدمة -> مستويات الرموزوتأكد من أنارسم هذه الطبقة باستخدام مستويات الرموز المحددة أدناهمحددًا وأن التسمية الصغيرة أعلى الملصق الكبير.

كيفما اخترت القيام بذلك ، فإن ما تبحث عنه هو خيار Symbol Levels.

نتيجة:


إذا كانت هذه فئات ميزات gdb ، فقد يكون الخيار الآخر هو استخدام استعلام تعريف يستند إلى حقل SHAPE_AREA. فقط انقر بزر الماوس الأيمن على الطبقة في جدول المحتويات وانسخها والصقها. ضع الطبقة الجديدة أعلى الطبقة القديمة ، وفي الطبقة الجديدة أضف استعلام تعريف من شأنه تصفية أي معالم أكبر من ____. الآن لديك الميزات الأصغر في الجزء العلوي من الميزات الأكبر.


غالبًا ما يكون اختيار التنسيق الذي يتم تخزين البيانات به بمثابة توازن بين العديد من العوامل ، بما في ذلك احتياجات مؤسستك أو المستخدمين ، والغرض من البيانات ، وحجم البيانات ، ومتطلبات التحليل أو صيانة البيانات ، وما إلى ذلك. ومع ذلك ، من حيث السرعة ، تكون ملفات الأشكال عمومًا الأسرع ، تليها قواعد البيانات الجغرافية الشخصية ، ثم قواعد البيانات الجغرافية. للحصول على أفضل أداء للخريطة ، يجب أن تكون البيانات الموجودة في الخريطة موجودة محليًا على الكمبيوتر الذي يتم استخدامه لعرضها بدلاً من جهاز بعيد. بالنسبة للخرائط التي ستعرض عادةً مساحات صغيرة نسبيًا من مجموعات البيانات الكبيرة ، فإن خدمة البيانات عبر ArcSDE ستؤدي إلى فوائد أداء كبيرة على تخزين نفس هذه البيانات في الملفات.

تجنب قواعد البيانات الجغرافية الشخصية لأي موقف حيث يجب أن يكون لديك وصول متعدد المستخدمين أو تخدم الخريطة ، نظرًا لأن هذا التنسيق لم يتم تصميمه لهذه الأغراض.

فيما يلي بعض الاعتبارات الإضافية لإعداد بياناتك:

  • الاحتفاظ بجميع الإسقاطات كما هي — إذا أمكن ، احتفظ بجميع البيانات في إسقاط واحد واستخدم نفس الإسقاط في إطار البيانات عند العمل في ArcMap. هذا مهم بشكل خاص لوضعه في الاعتبار عند تحرير البيانات أو تأليف البيانات التي سيتم تقديمها. عندما تكون جميع الطبقات في نفس الإسقاط ، يمكن تجنب عقوبة الأداء التي تكبدتها حسابات الإسقاط أثناء الطيران.
  • العمل مع البيانات المرتبطة أو المرتبطة - يمكن استخدام البيانات من الحقول الملحقة التي تم الوصول إليها من خلال الصلات والارتباطات لترميز الميزات وتسميتها ، ولإجراء الاستعلامات ، ولعدة عمليات أخرى. ومع ذلك ، يمكن أن يؤدي الوصول إلى البيانات من خلال الصلات والارتباطات إلى إبطاء الأداء. راجع أساسيات الانضمام إلى الجداول للحصول على تفاصيل حول تحسين الصلات بالجدول. بالإضافة إلى ذلك ، يمكنك تصدير البيانات إلى فئات المعالم الجديدة التي تحتوي على المعلومات المرتبطة أو المرتبطة.
  • استخدام فهارس البيانات الجدولية أو المكانية — إذا كان مصدر البيانات يسمح بذلك ، فقم بفهرسة أي حقول مستخدمة للاستعلام أو العرض. الفهارس خاصة بكل تنسيق بيانات. لمزيد من المعلومات ، راجع تعديل الفهارس في ملفات الأشكال عن طريق إضافة فهرس مكاني وجولة سريعة في إعداد فهرس مكاني (قواعد البيانات الجغرافية). يوفر إطار عمل المعالجة الجغرافية أيضًا أداة لإنشاء فهارس السمات: أداة Add_Attribute_Index.
  • تبسيط البيانات - استخدم إصدارات مبسطة أو معممة من الطبقات عند العرض بمقاييس أصغر. على سبيل المثال ، قد يتم رسم خريطة مفصلة لسواحل العالم ببطء على نطاق واسع. إذا تم تبسيط هذه الطبقة بحيث تحتوي على عدد أقل من الرؤوس ومقاطع الخط ، فسوف ترسم بشكل أسرع مع اختلاف بسيط في المظهر على نطاق صغير. بالإضافة إلى ذلك ، يمكن للبيانات المبسطة تحسين أداء الاستعلام وتحديد العمليات.

أنواع فئات الميزات

تعد ميزات المتجه (الكائنات الجغرافية ذات الهندسة المتجهية) متعددة الاستخدامات وأنواع البيانات الجغرافية المستخدمة بشكل متكرر ، وهي مناسبة تمامًا لتمثيل المعالم ذات الحدود المنفصلة ، مثل الشوارع والحالات والطرود. المعلم هو كائن يخزن التمثيل الجغرافي الخاص به ، والذي يكون عادةً نقطة أو خطًا أو مضلعًا ، كواحدة من خصائصه (أو الحقول) في الصف. في ArcGIS ، تُعد فئات المعالم مجموعات متجانسة من المعالم ذات تمثيل مكاني مشترك ومجموعة من البيانات الجدولية المخزنة في جدول قاعدة البيانات ، على سبيل المثال ، فئة معلم الخط لتمثيل الخطوط المركزية للطريق.

عند إنشاء فئة معلم ، سيُطلب منك تعيين نوع المعالم لتحديد نوع فئة المعلم (نقطة ، خط ، مضلع ، وما إلى ذلك).

بشكل عام ، تعتبر فئات المعالم مجموعات موضوعية من النقاط أو الخطوط أو المضلعات ، ولكن هناك سبعة أنواع من فئات المعالم. الثلاثة الأولى مدعومة في قواعد البيانات وقواعد البيانات الجغرافية. الأربعة الأخيرة مدعومة فقط في قواعد البيانات الجغرافية.

  • نقاط: الميزات الصغيرة جدًا بحيث لا يمكن تمثيلها كخطوط أو مضلعات بالإضافة إلى مواقع النقاط (مثل ملاحظات GPS).
  • خطوط:تمثيل شكل وموقع الكائنات الجغرافية ، مثل خطوط وسط الشوارع والجداول ، ضيقة جدًا بحيث لا يمكن تصويرها كمناطق. تُستخدم الخطوط أيضًا لتمثيل المعالم التي لها طول ولكن بدون منطقة ، مثل الخطوط الكنتورية والحدود.
  • المضلعات: مجموعة من معالم المنطقة متعددة الجوانب التي تمثل شكل وموقع أنواع المعالم المتجانسة مثل الولايات والمقاطعات والأجزاء وأنواع التربة ومناطق استخدام الأراضي.
  • حاشية. ملاحظة: نص الخريطة بما في ذلك خصائص كيفية عرض النص. على سبيل المثال ، بالإضافة إلى السلسلة النصية لكل تعليق توضيحي ، يتم تضمين خصائص أخرى مثل نقاط الشكل لوضع النص والخط وحجم النقطة وخصائص العرض الأخرى. يمكن أيضًا أن تكون التعليقات التوضيحية مرتبطة بميزة ويمكن أن تحتوي على فئات فرعية.
  • أبعاد: نوع خاص من التعليقات التوضيحية يعرض أطوالًا أو مسافات محددة ، على سبيل المثال ، للإشارة إلى طول جانب من حدود مبنى أو قطعة أرض أو المسافة بين ميزتين. تستخدم الأبعاد بكثافة في تطبيقات التصميم والهندسة والمرافق لنظم المعلومات الجغرافية.
  • نقاط متعددة: الميزات التي تتكون من أكثر من نقطة واحدة. غالبًا ما تُستخدم النقاط المتعددة لإدارة مصفوفات من مجموعات النقاط الكبيرة جدًا ، مثل مجموعات نقاط ليدار ، والتي يمكن أن تحتوي حرفيًا على مليارات النقاط. استخدام صف واحد لهندسة النقطة هذه غير ممكن. يؤدي تجميع هذه الصفوف في صفوف متعددة النقاط إلى تمكين قاعدة البيانات الجغرافية من معالجة مجموعات النقاط الضخمة.
  • المضاعفات: هندسة ثلاثية الأبعاد تُستخدم لتمثيل السطح الخارجي ، أو الغلاف ، للمعالم التي تشغل مساحة منفصلة أو حجمًا في مساحة ثلاثية الأبعاد. تشتمل المضاعفات المتعددة على حلقات ومثلثات مستوية ثلاثية الأبعاد تُستخدم معًا لنمذجة غلاف ثلاثي الأبعاد. يمكن استخدام المضاعفات المتعددة لتمثيل أي شيء من الأشياء البسيطة ، مثل الكرات والمكعبات ، إلى الأشياء المعقدة ، مثل الأسطح المتوازنة والمباني.


التنقل في إطار البيانات والعمل مع طبقاته

يعد شريط الأدوات أحد الطرق الأساسية التي تتفاعل بها مع المعلومات الجغرافية المعروضة في إطار البيانات. يحتوي على أدوات للعمل مع المحتويات داخل إطار البيانات النشط ، على سبيل المثال ، لتحريك الخريطة وتكبيرها ، وتحديد المعالم وقياس المسافات.

يسمح لك بتكبير نافذة جغرافية عن طريق النقر فوق نقطة أو سحب مربع.

يتيح لك التصغير من نافذة جغرافية بالنقر فوق نقطة أو سحب مربع.

يسمح لك بتحريك إطار البيانات.

يسمح لك بالتكبير إلى أقصى حد لخريطتك.

يسمح لك بالتكبير في وسط إطار البيانات الخاص بك.

يسمح لك بالتصغير في منتصف إطار البيانات.

يسمح لك بالعودة إلى المدى السابق.

يسمح لك بالمضي قدمًا إلى المدى التالي.

يسمح لك بتحديد المعالم بيانياً ، بالنقر فوق مربع أو سحبه حولها. يمكنك أيضًا استخدام أدوات Select By Polygon و Lasso و Circle و Line لتحديد الميزات باستخدام الرسومات المرسومة على الشاشة.

يلغي تحديد كل المعالم المحددة حاليًا في إطار البيانات النشط.

يتيح لك تحديد النص والرسومات والكائنات الأخرى الموضوعة على الخريطة وتغيير حجمها ونقلها.

يحدد الميزة الجغرافية أو المكان الذي تنقر عليه.

يطلق الارتباطات التشعبية من الميزات.

تفعّل النوافذ المنبثقة بتنسيق HTML من الميزات.

يقيس المسافات والمناطق على خريطتك.

يجد المعالم في الخريطة.

يسمح لك بحساب المسارات من نقطة إلى نقطة واتجاهات القيادة.

يسمح لك بكتابة موقع x ، y والانتقال إليه.

يفتح نافذة شريط تمرير الوقت للعمل مع الطبقات والجداول المدركة للوقت.

يسمح لك بإنشاء نافذة عارض جديدة عن طريق سحب مستطيل.

بالإضافة إلى ذلك ، يؤدي النقر بزر الماوس الأيمن في إطار البيانات إلى عرض قائمة سياق لأدوات التنقل في البيانات.

التحريك والتكبير التفاعلي باستخدام طبقات خريطة الأساس

يمكن تشغيل التحريك والتكبير السلس والمستمر ويكون منتجًا ، خاصة عند استخدام طبقات خريطة الأساس.


ArcGIS - من الممكن تعيين ترتيب رسم معالم المضلع - أنظمة المعلومات الجغرافية

تلعب نظم المعلومات الجغرافية دورًا متزايدًا في إدارة الأنشطة البشرية. سوف توسع التكنولوجيا الناشئة هذا الدور بشكل كبير.

اليوم ، عالمنا يتطور بسرعة ، يتأثر بشكل متزايد بملايين الأنشطة البشرية المستقلة. نتيجة لهذه الأنشطة ، أصبح عالمنا أكثر اكتظاظا بالسكان وتحضرا وأكثر تقنية وأكثر تخصصا وأكثر ترابطًا وعولمة وإطلاعًا ، وربما يقترح بعض الناس ، أصبح أكثر هشاشة.

تؤثر هذه الأنشطة البشرية على بيئتنا ، والأماكن الطبيعية للأرض ، والتنوع البيولوجي ، وتوافر الموارد الطبيعية التي تدعم الحضارة كما نعرفها. يعتقد الكثير من الناس أن هذه الأنشطة ليست مستدامة وأنه بدون تخطيط وإدارة أكثر ذكاءً ، فإنها ستؤثر سلبًا على مستقبلنا.

الدليل على النشاط البشري في كل مكان. تشير القياسات العلمية إلى أن الأرض تزداد دفئًا ، وبالتالي تغير المناخ ، ومستوى البحر ، وربما العديد من جوانب بيئتنا.

تشير هذه الاتجاهات إلى أننا بحاجة إلى تحمل المسؤولية لتحسين إدارة عالمنا.

الدور المتزايد للجغرافيا ونظم المعلومات الجغرافية

الجغرافيا هي علم عالمنا. إنه يتضمن دراسة الأرض وجميع المحتويات والعمليات التي تتطور من حولنا. يعتمد نظام المعلومات الجغرافية على العلوم الجغرافية من خلال توفير نظام معلومات لتنظيم وإدارة ودمج البيانات والمعرفة العلمية المعقدة. نظم المعلومات الجغرافية هي أيضًا إطار عمل لجعل هذه المعرفة في متناول العلماء والمخططين وصناع القرار والجمهور.

نظم المعلومات الجغرافية ذات قيمة خاصة لإدارة الأنشطة البشرية. تقدم عشرات الآلاف من تطبيقات نظم المعلومات الجغرافية الناجحة دليلاً على ذلك. يجمع نظام المعلومات الجغرافية قياساتنا الجغرافية مع أدوات قوية للتصور والتحليل والنمذجة. يتم دمج هذه التقنيات بشكل متزايد في عمليات سير العمل التشغيلي للتخطيط واتخاذ القرار لمنظماتنا.

يوفر نظام المعلومات الجغرافية وهذا النهج الجغرافي فرصة جديدة لإعادة تنظيم أساليبنا ونهجنا للنظر في جميع العوامل. الآثار المترتبة على ذلك واسعة النطاق وستؤثر في النهاية على أنشطة التخطيط والتصميم والهندسة والإدارة لكل مهنة تقريبًا.

مستخدمو نظم المعلومات الجغرافية يحدثون فرقًا

يستفيد عمل مستخدمينا في العديد من المجالات. على مستوى العلوم الأساسية ، يعمل مستخدمو نظم المعلومات الجغرافية على تحسين فهم كيفية عمل الكوكب على جميع المستويات. على مستوى التطبيق ، يقوم مستخدمو نظم المعلومات الجغرافية بتحليل المواقف المعقدة ، وتصور المشاكل ، وإنشاء خطط وحلول جغرافية ، كما أنهم يزيدون من الكفاءة ويقللون التكاليف ويساعدون الناس على اتخاذ قرارات أسرع وأفضل تأخذ في الاعتبار جميع العوامل الجغرافية اللازمة لخلق مستقبل مستدام . ويعمل مستخدمو نظم المعلومات الجغرافية على تحسين عمليات الاتصال والتعاون ، مما يساعد على تنسيق العمل بشكل أفضل عبر المؤسسات.

من الواضح أن مئات الآلاف من جهود نظم المعلومات الجغرافية الفردية تقدم مساهمات ضخمة نحو إدارة أفضل لكوكبنا. ومع ذلك ، هناك الكثير مما ينبغي عمله. تتطور التكنولوجيا الحالية بطريقة تتيح ، لأول مرة ، ربط جميع جهودنا الفردية وتكاملها لتوفير أساس للمجتمع بأسره للاستفادة من قوة نظم المعلومات الجغرافية.

رؤية نظام الأنظمة & # 151 The GeoWeb

يمكن أن يؤدي نشر GIS على الإنترنت إلى نظام GIS موزع ومتعدد المشاركين. بينما لا نزال في طور التطوير المبكر ، فإننا نستخدم هذا بالفعل كمنصة لنشر الخرائط ومشاركة البيانات الجغرافية. ولكن مع معايير خدمات الويب المناسبة ، من الممكن أيضًا ربط مواقع الويب الخاصة بنظم المعلومات الجغرافية وتوصيلها لدمج مجموعات البيانات الفردية الخاصة بنا في التطبيقات الجديدة التي تمثل الجغرافيا وتدعم العديد من التطبيقات.

سيتطور هذا النوع من نظم المعلومات الجغرافية إلى شيء أحب أن أسميه GeoWeb & # 151a شبكة واسعة من خدمات نظم المعلومات الجغرافية الموزعة التي تصف وتصمم كل شيء معروف عن كوكبنا: مجموع معرفتنا الجغرافية. يدعم هذا الإطار بالفعل نشر الخرائط والبيانات ، وفهرسة البيانات الوصفية ، واكتشاف الخدمات الجغرافية المكانية. بمرور الوقت ، سوف يتوسع لدعم الاتصال الديناميكي لمجموعة كاملة من خدمات نظم المعلومات الجغرافية الموزعة ، بما في ذلك إدارة البيانات ، والنمذجة ، وتحليل نظم المعلومات الجغرافية ، والتصور المتقدم. يمكن أن يوفر لنا هذا منبرًا للنظر في المشكلات الأكبر التي تعتمد على التعاون عبر المنظمات والتعاون عبر التخصصات.

تم اقتراح فكرة نظام أنظمة المعلومات الجغرافية المكانية لأول مرة من قبل لجنة علوم الخرائط التابعة للأكاديمية الوطنية للعلوم وتمت الإشارة إليها على أنها البنية التحتية للبيانات المكانية الوطنية. في الآونة الأخيرة ، تم اعتماد هذه البنية من قبل الإدارة الوطنية للمحيطات والغلاف الجوي وغيرها كجزء من هيكلها لنظام أنظمة رصد الأرض العالمي (GEOSS). ستعمل GEOSS كإطار عمل لدمج العدد الكبير من أنظمة الاستشعار عن بعد العالمية في شبكة غير مترابطة بشكل غير محكم متاحة للعديد من المشاركين. نحن نرى الآن كيف ستعمل هذه البنية نفسها كإطار عمل لـ GeoWeb.

سيتم استخدام "نظام أنظمة" GeoWeb لمجموعة كاملة من التطبيقات والأغراض ، ودعم التطبيقات الإقليمية والوطنية وحتى العالمية. ستوفر بيئة العمل الجديدة هذه العديد من الفوائد بخلاف ما نقوم به في الأنظمة والمؤسسات الفردية ، وستساعدنا على إدارة عالمنا بشكل أفضل.

سيتطلب هذا الموقع الجغرافي الموزع متعدد المستخدمين تكنولوجيا موجهة نحو خدمات نظم المعلومات الجغرافية ، والقيادة ، وسياسات المشاركة ، ومتخصصي نظم المعلومات الجغرافية الذين لديهم المعرفة والخبرة ، فضلاً عن اهتمامهم بمشاركة جهودهم كجزء من شبكة أكبر.

سيتم إنشاء هذا GeoWeb باستخدام نماذج البيانات المكانية الموحدة ، مع بوابات البيانات الوصفية لنظام المعلومات الجغرافية للتنظيم والاكتشاف ، وسيتم تنفيذه من خلال اتفاقيات تعاونية مختلفة لتبادل المعرفة والمعلومات والمساهمة فيها.

مجتمعات GeoWeb

ستدعم GeoWeb العديد من خدمات نظم المعلومات الجغرافية مع مشاركين منظمين بشكل غير محكم في مجتمعات جغرافية مكانية مختلفة.

ستتنوع هذه المجتمعات من المستهلكين المهتمين بالعثور على موقع أو التنقل إليه أو النظر إلى الخرائط والصور والتصورات إلى المتخصصين الذين يركزون على الخدمات اللوجستية المعقدة والوعي بالمواقف في الوقت الفعلي والنمذجة الجغرافية المكانية ودعم القرار وتكامل خدمات نظم المعلومات الجغرافية في بيئات المؤسسة.

سوف تتخلل معرفة نظم المعلومات الجغرافية جميع مؤسساتنا الحكومية والتجارية تقريبًا ، مما يوفر وعيًا جغرافيًا أفضل لما يحدث ، ويحسن صنع القرار فيما يتعلق بجميع مستويات النشاط البشري ، ويقدم العديد من الفوائد.

بمرور الوقت ، ستتوسع هذه المجتمعات ، وتتفاعل أكثر ، وتصبح متآزرة بشكل متزايد. وسوف يغذي ذلك تكنولوجيا نظم المعلومات الجغرافية سهلة الاستخدام على نحو متزايد. سيتطور GeoWeb بسرعة ، ليس مدفوعًا ببضعة آلاف ، أو حتى بضع مئات الآلاف ، ولكن بواسطة ملايين المشاركين. لقد رأينا بالفعل دليلًا على ذلك في شعبية مواقع الويب الخاصة برسم الخرائط والتصور للمستهلكين من Google و MapQuest و Microsoft.

مجتمع غني بالبيانات الجغرافية

نحن ننتقل إلى مجتمع غني بالبيانات الجغرافية ، بمزيد من المعلومات الجغرافية المكانية وإمكانية الوصول إليها بشكل أكبر. لقد تم اقتراح أنه في غضون السنوات الست المقبلة سيكون لدينا مئات المرات من صور الأقمار الصناعية المتاحة. ستتوفر بيانات موقع GPS والمراقبة في الوقت الفعلي للظواهر الجغرافية المختلفة بشكل متزايد في تطبيقات المستهلك ، فضلاً عن التطبيقات المهنية. سيتم تقديم هذه القياسات على الويب وستكون متاحة ككتل بناء لتطبيق نظم المعلومات الجغرافية في بوابات نظم المعلومات الجغرافية المصممة لاكتشاف المعرفة الجغرافية المكانية. ستؤدي كل هذه الأنماط معًا إلى زيادة معرفة القراءة والكتابة المكانية بين جميع مؤسساتنا الاجتماعية تقريبًا والمواطنين الذين يدعمونها.

تكنولوجيا تمكين

يتم دعم تطور نظم المعلومات الجغرافية من خلال تقنية تمكين قوية تتضمن معالجات أسرع (متعددة النواة) ، وتخزين بيانات غير مكلف ، وشبكات عالية الأداء ، ومعايير للبروتوكولات المفتوحة / القابلة للتشغيل البيني (على سبيل المثال ، XML ، SOAP) ، وأجهزة لاسلكية أكثر إدراكًا للمواقع للوصول إلى خدمات GeoWeb. في الوقت نفسه ، تعمل برمجيات نظم المعلومات الجغرافية على تطوير قدرات جديدة وبنيات موجهة نحو الخدمات تجعل استخدام نظم المعلومات الجغرافية أكثر إنتاجية.

إستراتيجية برمجيات Esri

الهدف الأساسي لتطوير برامج Esri هو مساعدة المستخدمين على حل مشكلاتهم. نقوم بذلك من خلال الاستثمار في أربعة مجالات برمجية أساسية:

  • تعزيز منصة نظم المعلومات الجغرافية الأساسية لسطح المكتب
  • تقوية وتبسيط إدارة البيانات الجغرافية
  • توسيع بيئة خادم نظم المعلومات الجغرافية
  • توفير المزيد من الوصول إلى أدوات GIS المحمولة وخدمات الويب GIS

يتم تحقيق هذه الاستراتيجيات الفردية في بنية شبكة متكاملة تستفيد من الطرق المتعددة التي ينشر بها المستخدمون لدينا أدواتنا (على سبيل المثال ، الأجهزة المحمولة وسطح المكتب والعميل / الخادم والشبكات).

ArcGIS 9.2 & # 151 الاستجابة لطلبات المستخدمين

ينصب تركيز تطوير Esri الحالي على إصدار ArcGIS 9.2 ، والذي من المقرر أن يكون متاحًا في النصف الأول من عام 2006. هذا الإصدار كبير ويستجيب لمئات طلبات المستخدمين للحصول على وظائف إضافية.

يركز هذا الإصدار أيضًا على إجراء تحسينات كبيرة في وثائق المستخدم والجودة وسهولة استخدام برنامجنا.

ArcGIS Desktop

توجد تحسينات رئيسية في جميع منتجات ArcGIS Desktop الأربعة (ArcReader و ArcView و ArcEditor و ArcInfo) وملحقاتها. تشمل التحسينات مجالات مثل تجميع البيانات والمعالجة الجغرافية وإدارة البيانات وإمكانية التشغيل البيني ورسم الخرائط والرسوم البيانية والرسوم المتحركة.

تجميع البيانات وتحريرها

سيتم تحسين تجميع / تحرير البيانات لتشمل مجموعة كاملة من أدوات إنشاء COGO لدعم إدخال بيانات سجلات الأراضي داخل ArcEditor و ArcInfo. سيكون هناك أيضًا العديد من التحسينات في تكامل CAD ، بما في ذلك دعم أفضل للتعليقات التوضيحية والعرض الأصلي وأدوات محسّنة للإشارة الجغرافية. ستكون هناك أدوات محسّنة لتحويل البيانات النقطية إلى المتجهات من أجل التعرف على الميزات واستخراجها بشكل أفضل.

بالإضافة إلى ذلك ، سيقوم ArcGIS Survey Analyst بتنفيذ سير عمل كامل لإدارة البيانات المساحية.

التوافقية

سوف يقوم ArcGIS 9.2 بتوسيع وتحسين الدعم لقابلية التشغيل البيني المستندة إلى المعايير وكذلك إضافة مصادر بيانات جديدة إلى ملحق ArcGIS Data Interoperability ، مما يوفر إمكانات قراءة / تحويل مباشرة جديدة. سيدعم هذا الامتداد "تحويلات" البيانات المعقدة من مجموعة إلى أخرى & # 151 ليس فقط تحويل تنسيق البيانات ولكن أيضًا إعادة تنظيم المخطط الأساسي اللازمة لترجمة الدلالات.

يعتبر نوع الاستخراج والتحويل والتحميل هذا من إجراءات التشغيل البيني مهمًا بشكل خاص للتشغيل البيني بين الأنظمة على الإنترنت. من أمثلة المستخدمين الكبار في الولايات المتحدة الذين يقومون بذلك بالفعل مكتب إدارة الأراضي ووزارة الأمن الداخلي والمسح الجيولوجي الأمريكي. بالإضافة إلى ذلك ، تستخدم المئات من الحكومات المحلية ، مثل مقاطعة ساكرامنتو بكاليفورنيا وسالت ليك سيتي بولاية يوتا ، هذا الامتداد لدعم إعادة تعيين تحويل البيانات بشكل ديناميكي لجميع أنواع مجموعات البيانات.

رسم الخرائط

سيقدم ArcGIS 9.2 العديد من التطورات الجديدة في رسم الخرائط ، لا سيما لإنشاء خرائط عالية الجودة. ربما يكون أكبرها في مجال تحرير رسم الخرائط والتشطيب (أي القدرة على تحرير واستمرار رموز الخريطة في قاعدة بيانات جغرافية). قدرة التحرير مماثلة لتلك المدعومة بحزم الرسومات المستخدمة غالبًا لإنهاء رسم الخرائط. وهذا يعني أنه يمكن لرسامي الخرائط استخدام التكنولوجيا المتقدمة المستندة إلى القواعد لرسم الخرائط التلقائية التي يتم إنشاؤها بواسطة الكمبيوتر وأدوات الرسوم التفاعلية لتطبيق لمسة فنية على تصميم الخرائط وإنهائها.

سوف يدعم ArcGIS 9.2 القدرة على تخزين تمثيلات رسومية متعددة لمعلم واحد في قاعدة بيانات جغرافية. هذا يعني أنه يمكن استخدام مجموعة واحدة من الميزات لدعم أنواع متعددة من منتجات الخرائط بمقاييس مختلفة ، مع الحفاظ في نفس الوقت على مجموعة واحدة من الميزات للتحرير "بلمسة واحدة".

سيكون لدى ArcGIS 9.2 أيضًا سلسلة من أدوات التعميم لرسم الخرائط التي تؤدي مجموعة متنوعة من العمليات الهندسية لميزات GIS ، بما في ذلك تبسيط الخطوط وتجميع المضلعات وتبسيط المباني.

رسم التصميم

هذا العام ، ستقدم ArcGIS أداة رسم جديدة للمعلومات الجغرافية. ستدعم هذه الأداة العديد من مجالات التصميم الجغرافي ، مثل هندسة المناظر الطبيعية ، والتخطيط الحضري والإقليمي ، والغابات ، والتخطيط العسكري ، وأنواع أخرى من التصميمات الاستراتيجية التي يكون فيها التصور التخطيطي مهمًا.


حرائق 1988 التاريخية في حديقة يلوستون الوطنية

تعرف على كيفية تطور الحرائق

  • قم بتشغيل حريق يلوستون التاريخي طبقة عن طريق تحديد المربع الموجود على يسار اسمها.
  • إذا كانت قيد التشغيل ، فقم بإيقاف تشغيل مرافق يلوستون, يلوستون تاون, محمية Natl Wildlife, تيتون ناتل بارك, منتزه يلوستون الوطنى, غابة وطنية طبقات.
  • للتحقق من تواريخ الحريق ، افتح ملف يصفطاولة ل حريق يلوستون التاريخي طبقة وفرز حقل التاريخ بترتيب تصاعدي وتنازلي. ملاحظة: تنسيق التاريخ هو year & ampacirc & amp # 128 & amp # 147month-day. ابحث عن اسم الحريق الأول والأخير لعام 1988. المناطق غير المحترقة لها التاريخ & quot1988 & quot.
  1. انقر بزر الماوس الأيمن فوق ملف حريق يلوستون التاريخي طبقة في جدول المحتويات واختر افتح جدول السمات.
  2. قم بالتمرير عبر ملف يصفالجدول للعثور على حقل التاريخ في العمود الأخير.
  3. انقر بزر الماوس الأيمن فوق ملف تاريخ عنوان الحقل وحدد فرز تصاعدي للعثور على أول حريق عام 1988. ثم قم بالتبديل إلى ترتيب تنازلي للعثور على آخر حريق عام 1988.

First fire & ampacirc & amp # 128 & amp # 147 Fan Fire ، 30 يونيو 1988 Last fire & ampacirc & amp # 128 & amp # 147 Clover-Mist، Oct 10th، 1988

قم بإنشاء وتنفيذ استعلام قبل العثور على إحصائيات عن عدد الأفدنة التي احترقتها الحرائق الكبرى

  • أولاً ، قم بإعداد استعلام لتحديد موقع North Fork Fire. ثم افتح ملف حرائق يلوستون التاريخية جدول السمات. أخيرًا ، انقر بزر الماوس الأيمن في ملف فدان المجال للحصول على إحصائيات على حريق شمال فورك. كرر هذه العملية مع الحرائق الكبيرة الأخرى بما في ذلك Clover-Mist و Mink و Storm Creek و Hellroaring.
  1. انقر على التحديد & الاختيار حسب السمة خيار القائمة لفتح ملف حدد حسب السمة نافذة او شباك.
  2. تفتح نافذة جديدة. انقله إلى حيث يمكنك رؤية ملفي حدد حسب السمات النافذة والخريطة.
  3. في ال حدد حسب السمات نافذة ، انقر نقرًا مزدوجًا فوق FIRENAME، ثم انقر مرة واحدة فوق علامة يساوي. انقر فوق احصل على قيم فريدة ثم انقر نقرًا مزدوجًا فوق الكلمات North Fork. (FIRENAME = & # 039North Fork & # 039). انقر تطبيق و حسنا.
  4. لمعرفة عدد الأفدنة التي تم حرقها بواسطة North Fork Fire ، انقر بزر الماوس الأيمن فوق حرائق يلوستون التاريخية طبقة وانقر فوق افتح جدول السمات. انقر بزر الماوس الأيمن على ملف فريز رأس الحقل وانقر فوق إحصائيات في قائمة السياق.
  5. تفتح نافذة جديدة. انظر الى مجموع حقل لإجمالي الأفدنة المحروقة في حريق شمال فورك. تم تحديد 827 سجلًا على الخريطة كما هو معروض في ملف
    عدد: على ال إحصائيات نافذة او شباك.
  • نورث فورك - 531225.451 فدانًا
  • كلوفر ميست - 360.055.750 فدان
  • المنك - 144687.751 فدانًا
  • ستورم كريك - 143650.534 فدانًا
  • Hellroaring - 101974.311 فدان

نظام المعلومات الجغرافية التاريخية (HGIS) للنوبة استنادًا إلى أرشيف ويليام جيه بانكس (1815-1822)

أرشيف William J. في المائتي عام الماضية ، تسببت العديد من العوامل الجيولوجية البشرية في تغييرات جذرية في المنطقة. في منظر طبيعي لم يمسها قرون تقريبًا ، كانت علامات التفاعلات بين المجتمعات البشرية القديمة والبيئة الطبيعية أكثر وضوحًا في عصر بانكس من الآن. تقدم العلوم الإنسانية الرقمية أدوات قوية لإدارة وتصور كميات كبيرة من البيانات ونظام المعلومات الجغرافية على وجه الخصوص هو شكل فعال من قواعد البيانات العلائقية ، حيث يكون لجميع عناصر البيانات موقع على الأرض. تعرض هذه الورقة المنهجية والنتائج الأولية لمشروع بحث يهدف إلى إعادة بناء النوبة القديمة بناءً على أرشيف بانكس. سيتم تحديد المعلومات الأثرية والتاريخية والطبيعية والإثنوغرافية المستخرجة من الوثائق جغرافيًا في نظام المعلومات الجغرافية. كما سيتم توفير الخرائط الأصلية والمناظر الطبيعية والنسخ الكتابية على الإنترنت.


تكوينات خدمة المعالجة الجغرافية

يمكن إنشاء خدمات المعالجة الجغرافية من خلال نشر اثنين من موارد ArcGIS Desktop المختلفة ، وهي مربع أدوات معالجة جغرافية أو مستند ArcMap (.mxd) يحتوي على طبقات الأداة.

  • عندما تنشر مربع أدوات ، فإن جميع الأدوات الموجودة في مربع الأدوات تصبح مهام معالجة جغرافية داخل خدمة المعالجة الجغرافية.
  • عند نشر مستند ArcMap ، تصبح جميع طبقات الأداة داخل مستند الخريطة مهام معالجة جغرافية داخل خدمة المعالجة الجغرافية. (يتم إنشاء طبقات الأداة عن طريق سحب الأدوات وإفلاتها في جدول محتويات ArcMap.)
  • عند نشر مستند ArcMap يحتوي على طبقات الأداة ، يمكنك أيضًا تحديد أنك تريد أن تصبح وثيقة ArcMap خدمة خرائط سيتم استخدامها لرسم مخرجات المهام. تسمى خدمة الخريطة التي ترسم مخرجات المهام أ نتيجة خدمة الخريطة.

هذه التكوينات الثلاثة موضحة أدناه.

خدمة المعالجة الجغرافية من صندوق الأدوات

عندما تنشر مربع أدوات ، فإن جميع الأدوات الموجودة داخل صندوق الأدوات تصبح مهام معالجة جغرافية. يتم نقل البيانات الناتجة عن المهام إلى العميل.

خدمات المعالجة الجغرافية مع مستند خريطة المصدر

إذا كنت قد استخدمت أدوات المعالجة الجغرافية في جلسة ArcMap ، فأنت تعلم أن الأدوات يمكنها غالبًا استخدام الطبقات الموجودة في جدول محتويات ArcMap ، بالإضافة إلى البيانات الموجودة على القرص.

بنفس الطريقة ، يمكن لمهمة المعالجة الجغرافية الخاصة بك استخدام الطبقات الموجودة في مستند الخريطة المصدر الخاص بها. تعمل وثيقة الخريطة المصدر ، في هذه الحالة ، كحاوية للطبقات. يمكنك إنشاء طبقات في معلمات إدخال مستند الخريطة المصدر لمهمتك. في الرسم أدناه ، متغير البيانات المراد استخراجه هو معلمة إدخال تسمح للمستخدم باختيار الطبقات في مستند الخريطة المصدر.

يمكن لمهام المعالجة الجغرافية الوصول إلى الطبقات الموجودة في مستند الخريطة المصدر الخاص بها فقط — لا يمكنهم الوصول إلى الطبقات الموجودة في خدمات الخرائط الأخرى أو في تطبيق العميل.

هناك فوائد في الأداء لاستخدام طبقات من مستند خريطة المصدر في نموذجك أو عمليات البرنامج النصي. يوضح الرسم التوضيحي أدناه نموذجًا يستخدم مجموعة بيانات الشبكة ، StreetsNetwork ، لإنشاء طبقة تحليل المسار. يمكن أن يشير متغير StreetsNetwork إما إلى طبقة (وهو ما يفعله في هذه الحالة) أو مجموعة بيانات على القرص. يعد فتح مجموعة بيانات الشبكة أمرًا مكلفًا بالنسبة إلى الأنواع الأخرى من مجموعات البيانات لأن مجموعات بيانات الشبكة تحتوي على العديد من هياكل البيانات المتقدمة والجداول التي يجب قراءتها وتخزينها مؤقتًا. باستخدام الطبقة بدلاً من مجموعة البيانات ، هناك ميزة أداء ، لأن ArcMap يفتح مجموعة البيانات مرة واحدة ، ويخزن الخصائص الأساسية لمجموعة البيانات مؤقتًا ، ويحافظ على مجموعة البيانات مفتوحة. عند تنفيذ النموذج ، لا يلزم إعادة فتح مجموعة البيانات ، نظرًا لأن مستند خريطة المصدر قد تم فتحه بالفعل - مما يؤدي إلى تعزيز الأداء. على العكس من ذلك ، إذا أشار متغير StreetsNetwork مباشرة إلى مجموعة البيانات ، فسيتم فتح مجموعة البيانات في كل مرة يتم فيها تنفيذ النموذج - وهو انخفاض في الأداء.

لتحليل الشبكة ، تريد دائمًا مجموعة بيانات الشبكة كطبقة في مستند الخريطة المصدر واستخدام تلك الطبقة في متغيرات النموذج. بالنسبة للأنواع الأخرى من مجموعات البيانات ، مثل الميزات والنقطية ، تكون ميزة الأداء لاستخدام الطبقات في مستند الخريطة المصدر طفيفة جدًا.

خدمات المعالجة الجغرافية مع خدمة خريطة النتائج

يمكن أن تحتوي خدمات المعالجة الجغرافية على خدمة خريطة النتائج لإنشاء صورة خريطة رقمية لنتائج المهام. تحتوي الخرائط الرقمية على تمثيلات مرئية لمجموعات البيانات الجغرافية التي تنقل المعلومات. يتم نقل الخرائط الرقمية عبر الويب كصور (مثل jpg.). تحتوي صورة الخريطة ، البايت مقابل البايت ، على معلومات يمكن تفسيرها بواسطة الإنسان أكثر بكثير من الميزات الأولية في فئة المعالم. يمكن أيضًا التحكم في صور الخرائط — يتم ضغطها بسهولة ، ويمكن تجانبها في أجزاء يمكن التحكم فيها ، وهناك طرق ثابتة لنقلها وعرضها عبر الويب.

يتم إنشاء صور الخريطة بواسطة خدمة خرائط ArcGIS Server وهي نتيجة نشر مستند ArcMap (.mxd). نظرًا لخصائص صورة الخريطة ، قد ترغب في إنشاء واحدة لنتائج مهمة المعالجة الجغرافية الخاصة بك ونقل الصورة عبر الويب بدلاً من نقل مجموعة البيانات الناتجة أو مجموعات البيانات. يمكن أن تحتوي خدمات المعالجة الجغرافية على خدمة خريطة النتائج التي يستخدمها ArcGIS Server لإنشاء صور خريطة لبيانات الإخراج.

يجب استخدام خدمات خريطة النتائج عندما

  • نتيجة مهمتك هي مجموعة بيانات كبيرة (من المحتمل).
  • نوع بيانات مخرجاتك غير مدعوم من قبل العميل ، مثل البيانات النقطية في ArcGIS Explorer. في هذه الحالة ، يمكنك استخدام خدمة مخطط النتائج لعرض الإخراج.
  • تريد حماية نتيجة مهمتك بالسماح بعرضها كخريطة فقط وعدم تنزيلها كمجموعة بيانات.
  • لديك رسم خرائط معقد يحتاج إلى رسمه بواسطة خدمة خريطة النتائج وليس بواسطة العميل.

عند استخدام خدمات خريطة النتائج ، من المهم أن تدرك أن هناك خدمتين - خدمة المعالجة الجغرافية وخدمة خريطة النتائج. تعمل هاتان الخدمتان بشكل مستقل عن بعضهما البعض. عند تنفيذ المهمة ، ينفذ ArcGIS Server مهمة المعالجة الجغرافية أولاً ، ثم ينفذ خدمة خريطة النتائج لرسم ناتج خدمة المعالجة الجغرافية. بسبب أمر التنفيذ هذا ، تحتاج خدمة مخطط النتائج إلى مجموعات بيانات على القرص تنتجها خدمة المعالجة الجغرافية. هذا يعني أن إخراج المهام في خدمة المعالجة الجغرافية يجب أن يكون مجموعات بيانات على القرص ، وليس طبقات أو مجموعات بيانات في الذاكرة.


نظرًا لأن تقنيات المعلومات والاتصالات الجديدة قد غيرت العديد من جوانب حياتنا اليومية على مدار العقود الماضية ، فقد حفزت في الوقت نفسه تحولًا في أنواع البيانات التي نجمعها وننتجها ونحللها. معًا ، غالبًا ما يشار إلى هذا المشهد المتغير للبيانات باسم "البيانات الضخمة". تتميز البيانات الضخمة عن "البيانات الصغيرة" ليس فقط بحجمها الكبير ولكن أيضًا من خلال السرعة والتنوع والشمولية والدقة والعلائقية والمرونة لمجموعات البيانات. يناقش هذا الإدخال تصور مجموعات البيانات المكانية الكبيرة. نظرًا لأن العديد من مجموعات البيانات هذه تحتوي على سمات جغرافية أو يتم وضعها وإنتاجها داخل مساحة جغرافية ، فإن رسم الخرائط يلعب دورًا محوريًا في تصور البيانات الضخمة. يتم استخدام التصور المرئي للبيانات الضخمة بشكل متكرر وفعال للتواصل وتقديم المعلومات ، ولكن من أجل فهم البيانات الضخمة - توليد رؤى ومعرفة جديدة - أصبح التصور أداة لا غنى عنها ، مما يجعل رسم الخرائط أمرًا حيويًا لفهم البيانات الجغرافية الضخمة. على الرغم من أن تصور البيانات الضخمة يمثل العديد من التحديات ، يمكن للخبراء البشريين استخدام التصور بشكل عام ، ورسم الخرائط على وجه الخصوص ، بمساعدة واجهات وبرامج مصممة لهذا الغرض ، لاستكشاف البيانات الضخمة وتحليلها بشكل فعال.

Poorthuis, A. (2018). Big Data Visualization. الهيئة المعرفية لعلوم وتكنولوجيا المعلومات الجغرافية (3rd Quarter 2018 Edition), John P. Wilson (Ed.). DOI: 10.22224/gistbok/2018.3.5.

This entry was first published on September 16, 2018.

يتوفر هذا الموضوع أيضًا في الإصدارات التالية: DiBiase، D.، DeMers، M.، Johnson، A.، Kemp، K.، Luck، A. T.، Plewe، B.، and Wentz، E. (2006). Computational issues in cartography and visualization. الهيئة المعرفية لعلوم وتكنولوجيا المعلومات الجغرافية. واشنطن العاصمة: رابطة الجغرافيين الأمريكيين. (الربع الثاني 2016 ، أول رقمي).

Big data: Datasets that are characterized not only by their high volume but also by their velocity, variety, exhaustivity, resolution, relationality, and flexibility.

مقدار: The amount of data necessary to be considered ‘big’ data. Typically, the volume of big data is measured in terabytes and petabytes, or consisting of millions to billions of observations.

السرعة الاتجاهية: The frequency with which a dataset is updated. Typically, big data is produced or updated in real-time or at a fine temporal granularity.

متنوع: The diversity of data points available within and between data sets. Big data typically consists of a wide range of structured and unstructured datasets from different sources and provenances.

Exhaustivity: A term that describes the scope of big data. For big data, the data set is typically as wide as possible, focused on entire populations rather than samples.

الدقة: The granularity and detail in big data. Big data is typically as detailed as possible, including being indexical in identifying the objects under study.

Relationality: The extent to which different datasets can be joined together based on common attributes. One of the defining characteristics of big data is its ability to be connected to other datasets.

المرونة: The ability of a dataset to be easily extended (with additional attributes) and expanded (by adding additional observations).

Data Reduction: A strategy used to reduce the amount of data or summarize relevant parts of a dataset.

Filtering: The subsetting of a dataset based on attributes of the data.

Subsampling: The subsetting of a dataset based on stochastic sampling.

تجميع: The combination of multiple data points into a higher-level aggregation.

تنبؤ: A data reduction strategy that ‘maps’ data points to either a smaller number of dimensions or narrower data range.

2.1 What is Big Data?

New information and communication technologies have altered many aspects of our daily lives over the past decades, and simultaneously stimulated a palpable shift in the types of data that companies, governments, scientists, and individuals are able to collect, produce, and analyze. These new emerging datasets are often referred to as big data. The term ‘big data’ was first coined in the 1990s (Diebold, 2012). While the exact definition of big data remains somewhat fluid, there have been several efforts to define its core characteristics. One of the most commonly used definitions is based on the “three V’s” (Laney, 2001):

  1. Volume. Big data is massive and is often measured in terabytes and petabytes or consisting of million or billions of observations.
  2. السرعة الاتجاهية. Big data is produced or updated in real-time or at a fine temporal granularity.
  3. متنوع. Big data consists of a wide range of structured and unstructured datasets from different sources and provenances.

Although the 3V definition is succinct, new and alternative definitions of the concept have also been developed that help to further distinguish big data from “small data.” A useful synthesis of these definitions adds four additional dimensions to the 3V definition (see for an extensive review and (Kitchin, 2013 2014 Kitchin & McArdle, 2016)):

  1. Exhaustivity. The scope of big data is as wide as possible, focused on entire populations rather than samples.
  2. الدقة. Big data is as detailed as possible, including being indexical in identifying the objects under study.
  3. Relationality. Big data can be connected easily. Different datasets can be joined together based on common attributes.
  4. المرونة. Big data can be easily extended (with additional attributes) and expanded (by adding additional observations).

A data source or dataset does not need to exhibit all of the seven characteristics to be considered big data and there is no exact threshold that differentiates small and big data. Instead, it is an accepted notion that there exists a gray transition zone between the two. Further, multiple different forms or ‘species’ of big data may exist at the same time (Kitchin & McArdle, 2016). However, regardless of the semantics, it is clear that many of the datasets that are produced, analyzed, and visualized in the 21 st century differ significantly from their 20 th century counterparts, prompting a re-evaluation of the role cartography and visualization in this process.

1.2 The Relevance of Big Data for GIS&T

A large portion of big data is geographic in nature and, as such, big data has had a large impact on the geographic disciplines. Spatial big data ranges from mobile phone and traffic data to social media platforms (see Social Media Analytics) and credit card transactions, to air quality sensors and satellite imagery – each of which provides not only a data point, but a geographic location associated with that data point. All of these datasets can potentially help us better understand the world around us (see Citizen Science with GIS&T) and thus have seen an uptake in spatial research (Arribas-Bel, 2014 Goodchild, 2007 Graham & Shelton, 2013). The increasing prevalence of these types of datasets have spurred an entire new discipline of Data Science and some people working in GIS and related fields have started to relabel themselves as "spatial data scientists," as can be seen in the new Center for Spatial Data Science at the University of Chicago and the Geographic Data Science Lab at University of Liverpool.

More importantly, big data might change how we approach spatial analysis and visualization. While we now have access to unparalleled, large quantities of heterogeneous data about the world around us, it remains a formidable challenge to understand and interact with this data in meaningful ways. As a result, new approaches have been developed to help automate many aspects of data analysis, such as automated machine learning approaches, artificial intelligence and other "unsupervised" computational methods (see Artificial Intelligence). While these automated approaches can be useful additions to our toolbox, the human role in spatial data analysis and visualization remains essential. As Shneiderman (2014) argues, while computer-led data analysis might be effective for well understood topics, the creation of new knowledge and breakthroughs requires human experts who can use and understand visualizations to gain new insights. Visualization is an indispensable tool to make sense of big data, which makes cartography vital to understanding الجغرافي big data.

In the domain of big data visualization, we can make the distinction between roughly two types of visualizations: those that aid in visual thinking and those meant for visual communication (DiBiase, 1990) (see علم الخرائط و أمبير و التصور الجغرافي for a more in-depth discussion). Visual communication is best done with a "Map-to-See," a straightforward cartographic representation to be understood in the blink of an eye (Kraak, 1988). On the other hand, visual thinking is often done through more complex cartographic products that may take a while to be fully understood: a "Map-to-Read."

In the context of big data, visual communication has been employed by companies, news desks, and scientists (see Narrative & Storytelling, forthcoming) to communicate findings, present narratives, or sometimes simply to impress on the reader the complexity or size of the underlying dataset. A clear example of the latter is the so-called "hairball" visualizations in which complex, large networks are visualized with an equally complex ball of lines (Krzywinski, Birol, Jones, & Marra, 2012). Within cartography, an analogous example is projecting a big dataset consisting of spatial points directly onto a map, resulting in a complex representation with millions of dots. Although many big data sets are indeed visualized to present and communicate – often in beautiful and compelling ways – ultimately the use of big data within this map use mode is not significantly different from that of small or more conventional data sets.

In the "visual thinking" mode, visualization is inextricably linked with big data for the purposes of exploration and analysis, and specifically to make sense of big data and generate new (scientific) knowledge (Fox & Hendler, 2011). Although it comes with its own set of challenges (see next section), visualization allows researchers to explore, analyze, and synthesize datasets that are too large, complex, and heterogeneous to understand by merely looking at the raw data. Visualization as such is an indispensable tool in this process and an important driving force in complex analyses of big data (see Geovisual Analytics).

Figure 1: Examples of 'hairball'-type visualizations. From left to right, an example of a namesake network visualization a map of global passenger air routes (Josullivan.58 / CC-BY-3.0, https://commons.wikimedia.org/wiki/File:World_airline_routes.png) and a map displaying over 6 billion tweets showcasing Mapbox’ mapping platform (Eric Fisher / CC-BY-2.0, https://www.flickr.com/photos/walkingsf/15869589271/in/photostream/).

4.1 Computational

The most obvious set of challenges with big data visualization are computational in nature. In its simplest form, it can be a challenge for conventional CPU-based mapping software to draw increasingly large amounts of data points (see Graphics Processing Units). Large datasets can also complicate even basic functions, such as data storage. For example, the file size of a standard shapefile in a Geographic Information System is limited to 2GB (or roughly 70 million point features) and 255 attributes, and each field is limited to 254 characters. Many big datasets exceed these limits, which warrants new file formats. In addition, the unstructured nature of many big data sets does not necessarily fit in the structured rigidity of conventional relational databases. New database ontologies (such as document-oriented and other NoSQL formats) have been developed to address these issues.

Another set of challenges with the visualization of big data lays within the domain of visualization itself. It should be noted here that these issues are not inherently unique to big data. Rather, big data significantly amplifies many pre-existing challenges in cartography and forces us to acknowledge and address them explicitly. The most obvious of these challenges is related to the size of the data. Simply visualizing or plotting such a large number of data points might create confusing visualizations that yield no insights (cf. the hairball visualization discussed above) or visualizations that hide or obscure data, often referred to as overplotting (see (Dang, Wilkinson, & Anand, 2010) for a discussion).

Many spatial big datasets contain precise geographic coordinates for each observation, which poses another, paradoxical challenge: the ease with which these coordinates can be plotted as points on a map may lure us into a potentially narrow or constraining visualization of big data (Crampton et al., 2013). On the flip side, some big data contains less precise, but still spatial, references to vernacular place names, neighborhoods, and spatial regions that might not be easily mapped to the discrete geometry of a polygon.

Of course, the "richness" or heterogeneity of such data presents additional questions. For example, how can the qualitative textual data of social media be effective visualized? This is particularly the case for datasets that have real-time or frequent temporal updates, meaning that the dataset may constantly be in a state of flux. Finally, the unstructured nature big data also means that observations might be inaccurate or less precise. In other words, potential uncertainty within the data might need to be accounted for in the visualization as well (see Representing Uncertainty).

4.3 Representation, Ethics, and Privacy

Apart from technical challenges, it is important to be cognizant of a series of ethical challenges for big data visualization. While ethics form an important part of the entire domain of GIS&T (see Professional & Practical Ethics of GIS&T و رسم الخرائط وقوة أمبير), big data may enlarge or amend those ethical issues. A particularly notable example is the privacy of those whose data are mapped and visualized. Conventional datasets typically aggregate social data to census tracts or other administrative geographies, while many big datasets provide precise coordinate pairs, oftentimes at the level of the individual. Visualizing such data with the same precision may do harm to people. Conversely, coordinate pairs might also be spoofed or altered deliberately, potentially placing people in locations which they have never visited (Zhao & Sui, 2017). There are many additional issues surrounding the visualization of big data (e.g. representation consent bias) and it is an essential part of any project to be cognizant of these (see for an overview (boyd & Crawford, 2012 Zook et al., 2017 Zwitter, 2014)).

5.1 Data Reduction

To address some of the challenges above, one important approach to big data visualization is to ‘make big data small’ (Poorthuis & Zook, 2017 Poorthuis, Zook, Shelton, Graham, & Stephens, 2015) and falls within the domain of تقليل المعلومات or summarization. Visualizations of complex, large datasets do not have to be complex or large themselves. Sarikaya (2017) distinguishes four specific reduction strategies, which are not dissimilar from strategies employed in cartographic generalization (see Scale & Generalization):

  • Filtering. Subsetting a dataset based on attributes of the data. For example, only including records relevant to the process under study.
  • Subsampling. Subsetting a dataset based on stochastic sampling. For example, by performing a random sample if unnecessary to visualize the entire dataset.
  • تجميع. Combining multiple data points in a higher-level aggregation. This can be a with a bottom-up approach by clustering proximate or similar points (see Classification & Clustering, forthcoming) or top-down by aggregating individual points to a higher spatial unit (e.g., administrative region) (see Aggregation of Spatial Entities).
  • تنبؤ. Unstructured or high-dimensional big data can be simplified by ‘mapping’ data points to either a smaller number of dimensions or narrower data range. In its simplest form, this can be done manually but larger datasets require the use of automated techniques that range from Principal Components Analysis (see Analyzing Multidimensional Attributes,forthcoming) to newer machine learning techniques (see Machine Learning Programming for GIS, forthcoming).

Figure 2: Big data can be made "small" through the use of data reduction strategies that yield summary visualizations. Figure reproduced with permission from Sarikaya (2017).

5.2 Visual Strategies

Data reduction strategies make big data small in order to use relatively conventional, straightforward cartographic techniques. However, depending on the nature of the data and the purpose of the visualization, this is not always an option. Explicitly incorporating big data in cartography, without the simplification from data reduction, is still at the cutting edge of the field, full of new challenges and opportunities (see (Robinson et al., 2017) for an overview). A canon of techniques has yet to crystalize but several examples of strategies can be identified (see Table 1).

Reproduced with permission (cf. Kumar, Morstatter, & Liu, 2014)

Sophie Engle / GPL-3.0 (cf. Holten & Van Wijk, 2009)

Kraak and Kveladze (2017), CC-BY-4.0

Nost, Rosenfeld, Vincent, Moore, & Roth (2017), CC-BY-NC-ND-4.0

Dheeraj Savala / MIT license

The process of big data visualization relies heavily on computationally intensive procedures, which requires us to work in close concert with our computers. To facilitate this process, big data visualization is often done in an exploratory, interactive fashion with interfaces and software that enable the user to quickly perform a series of exploratory analyses through the visualization of different aspects of a dataset (see Exploratory Spatial Data Analysis (قادم، صريح، يظهر) و UI/UX Design). These interfaces can be custom-made for a specific project or tailored to use with big data. An example of such a project is imMens, a browser-based system that allows users to explore millions of multivariate data points in an interactive, real-time environment (Liu, Jiang, & Heer, 2013). To enable this, the system pre-computes visualizations in a way similar to webmap tilesets (see رسم خرائط الويب) and it performs calculations in parallel to make sure the computer can ‘keep up’ with the user (see Parallel Programming and GIS Applications, forthcoming). More conventional, off-the-shelf software has also been adapted to enable big data visualization. For example, ArcGIS is now using both GPU rendering and parallel processing and popular data science languages (e.g., Python and R) provide authoring environments for interactive visualization and the tight coupling of analysis and visualization (see Jupyter Notebooks, forthcoming).

Figure 3: An example of an exploratory, interactive software interface visualizing big data (Chen et al., 2016). It allows the discovery of movement patterns in social media data through both data reduction (e.g., filtering) and visualization strategies (e.g., multiple linked views). Reproduced with permission (http://vis.pku.edu.cn/trajectoryvis/en/weibogeo.html).

It is clear that the smooth interaction between user and computer is crucial to gain insight from big data visualization. Therefore, approaches to big data visualization should not exclusively focus on performance, the computational aspects of processing data or specific visual challenges, but also on effective interface and experience design (see UI/UX Design و Usability Engineering & Evaluation). In this way, big data visualization necessarily combines the backend (computation) and frontend (visualization) of cartography in a tight coupling, in which both human and computer work together to create new insights from data.

Arribas-Bel, D. (2014). Accidental, open and everywhere: Emerging data sources for the understanding of cities. الجغرافيا التطبيقية, 49, 45–53. DOI: 10.1016/j.apgeog.2013.09.012

Ben Shneiderman. (2014). The Big Picture for Big Data: Visualization. علوم, 343(6172), 730–730. DOI: 10.1126/science.343.6172.730-a

Boyd, D., & Crawford, K. (2012). Critical Questions for Big Data. Information, Communication & Society, 15(5), 662–679. DOI: 10.1080/1369118X.2012.678878

Chen, S., Yuan, X., Wang, Z., Guo, C., Liang, J., Wang, Z., et al. (2016). Interactive Visual Discovering of Movement Patterns from Sparsely Sampled Geo-tagged Social Media Data. معاملات IEEE على التصور ورسومات الكمبيوتر, 22(1), 270–279. DOI: 10.1109/TVCG.2015.2467619

Crampton, J. W., Graham, M., Poorthuis, A., Shelton, T., Stephens, M., Wilson, M. W., & Zook, M. A. (2013). Beyond the geotag: situating “big data” and leveraging the potential of the geoweb. علم الخرائط والمعلومات الجغرافية, 40(2), 130–139. DOI: 10.1080/15230406.2013.777137

Dang, T. N., Wilkinson, L., & Anand, A. (2010). Stacking Graphic Elements to Avoid Over-Plotting. معاملات IEEE على التصور ورسومات الكمبيوتر, 16(6), 1044–1052. DOI: 10.1109/TVCG.2010.197

DiBiase, D. (1990). Visualization in the earth sciences. Earth and Mineral Sciences, 59(2), 13–18.

Diebold, F. X. (2012). A Personal Perspective on the Origin(s) and Development of “Big Data”: The Phenomenon, the Term, and the Discipline, Second Version. SSRN Electronic Journal. DOI: 10.2139/ssrn.2202843

Fox, P., & Hendler, J. (2011). Changing the Equation on Scientific Data Visualization. علوم, 331(6018), 705–708. DOI: 10.1126/science.1197654

Goodchild, M. F. (2007). Citizens as sensors: the world of volunteered geography. GeoJournal, 69(4), 211–221. DOI: 10.1007/s10708-007-9111-y

Graham, M., & Shelton, T. (2013). Geography and the future of big data, big data and the future of geography. Dialogues in Human Geography, 3(3), 255–261. DOI: 10.1177/2043820613513121

Holten, D., & Van Wijk, J. J. (2009). Force‐Directed Edge Bundling for Graph Visualization. منتدى رسومات الحاسوب, 28(3), 983–990. DOI: 10.1111/j.1467-8659.2009.01450.x

Kitchin, R. M. (2013). Big data and human geography: Opportunities, challenges and risks. Dialogues in Human Geography, 3(3), 262–267. DOI: 10.1177/2043820613513388

Kitchin, R. M. (2014). Big Data, new epistemologies and paradigm shifts. Big Data & Society, 1(1), 1–12. DOI: 10.1177/2053951714528481

Kitchin, R. M., & McArdle, G. (2016). What makes Big Data, Big Data? Exploring the ontological characteristics of 26 datasets. Big Data & Society, 3(1), 205395171663113. DOI: 10.1177/2053951716631130

Kraak, M.-J. (1988). Computer-assisted cartographical three-dimensional imaging techniques (Doctoral Dissertation). Delft University Press, Delft.

Krzywinski, M., Birol, I., Jones, S. J., & Marra, M. A. (2012). Hive plots—rational approach to visualizing networks. Briefings in Bioinformatics, 13(5), 627–644. DOI: 10.1093/bib/bbr069

Kumar, S., Morstatter, F., & Liu, H. (2014). Twitter Data Analytics. New York, NY: Springer New York. DOI: 10.1007/978-1-4614-9372-3

Kraak, M. J., & Kveladze, I. (2017). Narrative of the annotated Space–Time Cube–revisiting a historical event. Journal of maps, 13(1), 56-61. DOI: 10.1080/17445647.2017.1323034

Laney, D. (2001). 3D Data Management: Controlling Data Volume, Velocity, and Variety. Retrieved August 29, 2015, from http://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Manageme.

Liu, Z., Jiang, B., & Heer, J. (2013). imMens: Real‐time Visual Querying of Big Data. منتدى رسومات الحاسوب, 32(3), 421–430. DOI: 10.1111/cgf.12129

Nost, E., Rosenfeld, H., Vincent, K., Moore, S. A., & Roth, R. E. (2017). HazMatMapper: an online and interactive geographic visualization tool for exploring transnational flows of hazardous waste and environmental justice. Journal of Maps, 13(1), 14–23. DOI: 10.1080/17445647.2017.1282384

Poorthuis, A., & Zook, M. A. (2017). Making Big Data Small: Strategies to Expand Urban and Geographical Research Using Social Media. مجلة التكنولوجيا الحضرية, 36, 1–21. DOI:10.1080/10630732.2017.1335153

Poorthuis, A., Zook, M. A., Shelton, T., Graham, M., & Stephens, M. (2015). Using Geotagged Digital Social Data in Geographic Research. In N. Clifford, S. French, M. Cope, & S. Gillespie (Eds.), Key Methods in Geography (3rd ed.).

Robinson, A. C., Demšar, U., Moore, A. B., Buckley, A., Jiang, B., Field, K., et al. (2017). Geospatial big data and cartography: research challenges and opportunities for making maps that matter. International Journal of Cartography, 18(5), 1–29. DOI: 10.1080/23729333.2016.1278151

Sarikaya, A. T. (2017). Targeting Designs of Scalable, Exploratory Summary Visualizations (Doctoral Dissertation). The University of Wisconsin - Madison, Madison, WI.

Zhao, B., & Sui, D. Z. (2017). True lies in geospatial big data: detecting location spoofing in social media. حوليات نظم المعلومات الجغرافية, 23(1), 1–14. DOI: 10.1080/19475683.2017.1280536

Zook, M. A., Barocas, S., boyd, D., Crawford, K., Keller, E., Gangadharan, S. P., et al. (2017). Ten simple rules for responsible big data research. PLoS Computational Biology, 13(3), e1005399. DOI: 10.1371/journal.pcbi.1005399

Zwitter, A. (2014). Big Data ethics. Big Data & Society, 1(2), 1–6. DOI: 10.1177/2053951714559253


5 إجابات 5

The Screen Actor's Guild sets certain required pay scales for actors. In some cases actors will agree to pay adjustments or a lack of credit as a favor to a friend directing the film (Robin Williams in Baron Munchausen) or just to have the chance to cameo in the film for fun. In some cases an actor won't be billed so as not to spoil a surprise. Lately the Marvel films (Avengers, Iron Man, etc) have been not billing cameo actors for this reason.

Lastly, in some cases its a gross oversight. James Earl Jones had to wait decades for the digital reissue of Star Wars to get screen credit as the voice of Darth Vader.

I haven't seen Mystic River, so I don't know how big Eli Wallach's role is and I don't recognize Olivia Williams enough to look for her in X-Men: First Class, so I can't speak to these two specifically but, on the topic of Cameos:

The Wiki article for "Cameo appearance" pretty much does all of the answering.

These roles are generally small, many of them non-speaking ones, and are commonly either appearances in a work in which they hold some special significance (such as actors from an original movie appearing in its remake), or renowned people making uncredited appearances.

And why aren't they credited?

Cameos are generally not credited because of their brevity, or a perceived mismatch between the celebrity's stature and the film or TV show in which he or she is appearing. Many are publicity stunts.

Refusing Credit

Some performers opt not to take credit for a project. They will do this either for professional reasons (they don't want to be associated with a really bad film) or because the process of working on the film was unpleasant. For example, Don Cheadle in Ocean's Eleven refused to be listed in the credits:

KW: I’ve noticed that you sometimes appear uncredited in movies, like in Ocean’s 11 [sic] and Rush Hour 2. لماذا هذا؟

DC: For different reasons. I did Rush Hour 2 just as kind of a laugh, so I didn’t really need a credit. To me, it was fine if people recognized me. And if they didn’t, that was fine, too. With Ocean’s, there was some stuff that happened behind the scenes that I didn’t like how it went down, so I just said, “Take my name off it.”

The situation must have gotten better, though, as he came back for two more films, in which he was credited. مع Rush Hour 2, I'm guessing that fits more into the cameo-type appearance.

There's another possible explanation. as hinted at above when they say non-speaking roles. if a performer doesn't say anything on screen they can be considered an extra and extras never get credited. Even when cast in a speaking role, if all of a performer's lines are out of the final edit, they may not get credit.

Extras get paid very little in films, even if a film is shot in an area where SAG has extras jurisdiction (SAG extras in theatrical projects currently make $157/day for 8 hours). If there's no SAG jurisdiction, they usually get paid minimum wage.

Speaking roles in SAG films get paid on a daily or weekly rate depending on the number of shooting days for their role. Bigger name performers can earn double or triple scale or, if they're big enough, can set their own salary. Sometimes, they will work out a no-quote rate with a lower budget project they just want to work on, which means they're taking less than usual on a project but it's in their contract that production can not divulge what the performer made. They will still get credit and will often say, "I'm taking a pay cut, give me a single or shared card at the beginning/end rather than just putting my name in the scroll". and sometimes they'll get it.

The current SAG Rate sheet good through mid-2017 for full-budget Theatrical projects can be downloaded from their site here.

SAG doesn't set rates for big name talent, their agents and managers do, so talent can take as little as they want provided it's, at minimum, SAG scale.


شاهد الفيديو: ArcMap - رسم الظاهرات المساحية ذات الحدود المشتركة Auto Complete polygon