Suite

Est-il possible de représenter des points sous forme de graphiques sparkline dans ArcGIS for Desktop ?

Est-il possible de représenter des points sous forme de graphiques sparkline dans ArcGIS for Desktop ?


J'ai un jeu de données de points avec un certain nombre d'attributs que je voudrais représenter sous forme de graphiques sparkline (ou graphiques linéaires simples). Ceci est similaire à la symbologie de graphique à barres trouvée dans ArcGIS for Desktop. Par exemple, si les points représentent des puits d'hydrocarbures et que j'ai des valeurs de pression différentes dans, disons, 10 champs à des profondeurs différentes, le sparkline montrerait des fluctuations de pression avec la profondeur à travers ces valeurs.

Est-ce que quelqu'un sait si c'est possible ?

L'image montre un exemple quelque peu grossier.

entrez la description de l'image ici


Si vous souhaitez voir cette fonctionnalité dans ArcGIS for Desktop, je pense que vous devrez la soumettre en tant que nouvelle idée ArcGIS.

Ma recommandation serait de le publier dans la catégorie de produit d'ArcGIS Pro plutôt que dans ArcGIS Desktop.

En attendant, tout ce que j'ai pu découvrir qui semblait être lié était un commentaire de Charlie Frye sur un ancien article de blog intitulé Graphs in ArcMap Version 9.2 :

Une astuce que j'ai utilisée avec les graphiques et les séries chronologiques consiste à traiter mon bloc de données comme s'il s'agissait d'un plan cartésien et à tracer les points moi-même en fonction des événements XY (je les enregistre en tant qu'entités pour pouvoir ajouter d'autres attributs ou les résumer). Une fois que les points sont géométriques, vous pouvez les animer, utiliser les outils de statistiques spatiales sur eux, etc. Si vous avez suffisamment de points, les sparklines peuvent fonctionner sans créer de lignes (les points fusionnent) ou utilisez l'éditeur avec accrochage pour créer les lignes.


Tout au long de l'histoire, des informations géographiques ont été rédigées et présentées sous forme de cartes bidimensionnelles sur la meilleure surface plane disponible de l'époque - griffonnées dans la terre, sur des peaux d'animaux et des parois de grottes, dessinées à la main sur du parchemin, puis imprimées mécaniquement. papier, et enfin sur les écrans d'ordinateur dans toutes leurs formes et tailles actuelles. Quel que soit le système de livraison, le résultat a été une représentation uniformément plate du monde. Ces cartes 2D étaient (et sont toujours) très utiles à de nombreuses fins, telles que trouver votre chemin dans une ville inconnue ou déterminer des limites légales, mais elles sont limitées par leur vue descendante du monde.

Les représentations tridimensionnelles de données géographiques existent depuis des siècles. Les vues à vol d'oiseau artistiques ont trouvé la popularité en tant que moyen de cartographier les villes et les paysages de petite taille que les gens ordinaires pouvaient comprendre intuitivement. Mais parce que ceux-ci étaient statiques et ne pouvaient pas être utilisés directement pour la mesure ou l'analyse, ils étaient souvent considérés comme de simples confections, ou des nouveautés, par des cartographes sérieux, et non comme un moyen de fournir un contenu faisant autorité.

Cependant, ce n'est plus le cas depuis qu'ArcGIS a introduit le concept de « scène », qui est en fait plus qu'une simple carte 3D. Dans une scène, vous pouvez également contrôler des éléments tels que l'éclairage, l'inclinaison de la caméra et l'angle de vue. Le cartographe peut créer une scène qui crée une représentation très réaliste de l'information géographique en trois dimensions, ce qui offre au public une toute nouvelle façon d'interagir avec le contenu géographique. Les informations spatiales intrinsèquement 3D, telles que la topographie du paysage, le monde construit et même la géologie souterraine, peuvent désormais être affichées non seulement intuitivement et visuellement, mais aussi de manière quantifiable et mesurable, afin que nous puissions effectuer une analyse réelle et une science dure en utilisant Données 3D.

Certaines histoires se prêtent bien à la narration en 3D. Peaks and Valleys est une visite en trois dimensions des points les plus hauts et les plus bas de notre planète.

Comment capturer des arrêts/points multimodaux avec précision/exactement. aux lignes de transport ?

J'ai un problème que je n'arrive pas à résoudre. J'ai assez d'expérience avec ArcGIS, en particulier avec l'analyse des transports.

J'ai une couche d'arrêts multimodaux, où il est possible de changer de mode de transport, c'est-à-dire entre bus et métro. Dans le jeu de données réseau, ces arrêts représentent des points de connexion entre le bus et le métro. Par conséquent, ces arrêts doivent être attribués aux deux groupes de connectivité - bus et métro.

Une condition importante est que ces points doivent être situés exactement sur la ligne du réseau de transport. J'ai essayé de le faire avec l'outil de géotraitement Snap. Cela avait l'air bien, mais quand j'ai zoomé, j'ai découvert que les points ne se trouvaient pas exactement sur la ligne. J'ai essayé beaucoup d'autres astuces, mais sans succès.

Ensuite, j'ai utilisé l'outil Localiser les entités le long de la route. Le résultat était une table, que j'ai utilisée pour effectuer un affichage des événements d'itinéraire. Le résultat était une couche de points Route Events. Seulement dans cette couche, tous les points (arrêts multimodaux) étaient situés exactement sur les lignes de transport, même lorsque j'ai zoomé au maximum. Mais. Je ne peux pas utiliser la couche de points Point Events comme couche d'entrée pour le jeu de données réseau. Je dois le changer en shapefile ou en classe d'entités. Mais alors - les points s'éloignent un peu des lignes de transport.


Est-ce que plusieurs balises de logiciels SIG correspondent à plusieurs questions ?

Le calcul du changement entre deux ensembles de lignes de district a été mis en attente car il contenait des balises pour qgis, R et arcgis-desktop. La question est dite "trop ​​large" et "posant essentiellement plusieurs questions" simplement parce qu'elle contenait les trois balises. Si vous regardez la question elle-même, c'est une question très concise et spécifique sur la façon dont on pourrait mesurer une certaine propriété géographique. Il ne demande pas d'instructions étape par étape sur la façon d'atteindre cette mesure, mais plutôt ce que cette mesure pourrait être.

La question elle-même ne mentionne aucun progiciel et décrit une mesure candidate en termes de propriétés/opérations géométriques de base, donc une réponse en ces termes convient probablement au questionneur, et donc les balises logicielles sont quelque peu hors de propos. La visite explique que les balises servent à trouver des questions connexes ou similaires. Ainsi, j'ai pu comprendre un commentaire d'édition ou de modération selon lequel les balises sont incorrectes, mais pas l'affirmation selon laquelle en marquant deux systèmes SIG, la question devient deux questions.

Il y a plus de 600 questions sur ce site SE avec au moins deux des balises citées, il est donc assez clair que la pratique a été largement tolérée jusqu'à présent. À l'avenir, les questions indépendantes des logiciels sont-elles étiquetées avec plusieurs progiciels SIG à fermer pour être plusieurs questions, éditées pour supprimer les balises superflues, ou encore une autre résolution ?


Le logiciel par défaut associé à l'ouverture du fichier shx :

ArcGIS for Desktop Basic (ArcView)

Entreprise ou développeur :
Esri

ArcGIS for Desktop de base (anciennement connu sous le nom ArcView) est une application SIG (système d'information géographique) utilisée pour visualiser, gérer, créer et analyser des données géographiques.

ArcGIS for Desktop de base fait partie d'ArcGIS Desktop. ArcGIS for Desktop de base prend en charge la création de cartes interactives, l'analyse spatiale, le déploiement de SIG, la visualisation et la navigation de cartes, l'impression de cartes, etc.


Abstrait

Cet article utilise une plate-forme de système d'information géographique (SIG) pour créer un système de surveillance en ligne afin d'afficher des données opérationnelles en temps réel mesurées à différents points d'un réseau électrique. Le réseau avec tous ses atouts sera affiché sur une carte géographique. Cela fournit aux services publics d'électricité un outil de surveillance, de contrôle, de gestion des actifs et de gestion de la demande dans un réseau intelligent. Le système est testé en tant que pilote en utilisant le réseau basse tension de l'Université Sultan Qaboos (SQU), Oman. L'article illustre la mise en œuvre pilote d'un SIG d'entreprise pour une application dans des réseaux intelligents, où les procédures techniques des phases de développement du modèle de données SIG et de l'application Web SIG ont été décrites en détail. Le système développé produit une représentation spatiale du réseau électrique et de ses actifs, y compris les systèmes d'énergie renouvelable avec leurs données opérationnelles sur la carte du réseau de distribution électrique existant. Il offre aux services publics la possibilité de surveiller les composants du système et leurs performances de fonctionnement en temps réel avec leur emplacement sur une carte.


Comment capturer des arrêts/points multimodaux avec précision/exactement. aux lignes de transport ?

J'ai un problème que je n'arrive pas à résoudre. J'ai assez d'expérience avec ArcGIS, en particulier avec l'analyse des transports.

J'ai une couche d'arrêts multimodaux, où il est possible de changer de mode de transport, c'est-à-dire entre bus et métro. Dans le jeu de données réseau, ces arrêts représentent des points de connexion entre le bus et le métro. Par conséquent, ces arrêts doivent être attribués aux deux groupes de connectivité - bus et métro.

Une condition importante est que ces points doivent être situés exactement sur la ligne du réseau de transport. J'ai essayé de le faire avec l'outil de géotraitement Snap. Cela avait l'air bien, mais quand j'ai zoomé, j'ai découvert que les points ne se trouvaient pas exactement sur la ligne. J'ai essayé beaucoup d'autres astuces, mais sans succès.

Ensuite, j'ai utilisé l'outil Localiser les entités le long de la route. Le résultat était une table, que j'ai utilisée pour effectuer un affichage des événements d'itinéraire. Le résultat était une couche de points Route Events. Seulement dans cette couche, tous les points (arrêts multimodaux) étaient situés exactement sur les lignes de transport, même lorsque j'ai zoomé au maximum. Mais. Je ne peux pas utiliser la couche de points Point Events comme couche d'entrée pour le jeu de données réseau. Je dois le changer en shapefile ou en classe d'entités. Mais alors - les points s'éloignent un peu des lignes de transport.


Types et catégories d'emplacements

Cette section décrit les types d'emplacements, les catégories et les sous-catégories disponibles lorsque vous configurez votre vue de localisation.

Adresses, codes postaux et lieux habités

  • Adresse : la sélection de cette catégorie inclut automatiquement toutes les sous-catégories d'adresses répertoriées dans le tableau ci-dessous. Cette catégorie limite les résultats de recherche aux lieux qui peuvent être classés en tant qu'adresses tout en filtrant les résultats pour les lieux d'intérêt, les codes postaux, les pays ou les états. Pour des résultats de recherche plus précis, choisissez n'importe quelle combinaison de sous-catégories d'adresses qui répondent à vos exigences de recherche.
  • Postal : la sélection de cette catégorie limite les résultats de la recherche à tout type de correspondance de code postal, y compris les formats de code postal à 5 ​​chiffres et plus. Pour limiter les résultats de la recherche à des correspondances au moins aussi précises, sélectionnez à la fois la catégorie Postal et la catégorie Adresse de niveau supérieur.
  • Lieu peuplé : la sélection de cette catégorie inclut automatiquement toutes les sous-catégories de lieux peuplés répertoriées dans le tableau ci-dessous. Cette catégorie limite les résultats de la recherche aux divisions administratives (ou frontières), telles que les villes, les provinces ou les pays, tout en filtrant les résultats pour les adresses, les lieux d'intérêt et les codes postaux. Pour des résultats de recherche plus précis, choisissez n'importe quelle combinaison de sous-catégories de lieux peuplés qui répondent à vos exigences de recherche.

Une adresse de point est une adresse postale basée sur des points qui représentent l'emplacement des maisons et des bâtiments. Les adresses de point représentent l'emplacement sur le toit, ou réel, de l'adresse. Il s'agit généralement du niveau de correspondance le plus précis spatialement. Les données de référence contiennent des points d'adresse avec des numéros de maison et des noms de rue associés, ainsi que des divisions administratives et des informations facultatives sur le code postal, par exemple, 380 New York St, Redlands, CA, 92373 .

Une vue de localisation configurée avec cette sous-catégorie limite les résultats à ces points d'adresse très précis, ce qui vous permettra d'éviter la correspondance avec des points d'adresse moins précis si vous avez besoin d'une très grande précision dans la correspondance.

Une adresse postale est différente d'une adresse ponctuelle en ce sens que le numéro de maison dans une adresse postale est interpolé à partir d'une plage de nombres. Les données de référence contiennent des lignes médianes de rue avec des plages de numéros de maison, ainsi que des divisions administratives et des informations facultatives sur le code postal, par exemple, 647 Haight St, San Francisco, CA, 94117 .

Une vue de localisation configurée avec cette sous-catégorie limite les résultats à un résultat interpolé. Si vous souhaitez limiter les résultats à des correspondances au moins aussi précises, vous devez sélectionner à la fois cette sous-catégorie et la catégorie Adresse de point.

Une intersection est une adresse comprenant une intersection de rues, ainsi que des informations facultatives sur la ville et l'état et le code postal, par exemple, Redlands Blvd & New York St, Redlands, CA, 92373 .

Une vue de localisateur configurée avec cette sous-catégorie limite les résultats aux intersections plutôt qu'aux adresses complètes qui n'existent que sur une seule rue.

Un nom de rue est similaire à une adresse mais sans le numéro de rue. Il contient des lignes médianes de rue avec des noms de rue associés (pas de plages d'adresses numérotées), ainsi que des divisions administratives et des informations facultatives sur le code postal, par exemple, W Olive Ave, Redlands, CA, 92373 .

Une vue de localisation configurée avec cette sous-catégorie limite les résultats aux noms de rue uniquement. Si vous souhaitez limiter les résultats à des correspondances au moins aussi précises, vous devez sélectionner cette sous-catégorie ainsi que les sous-catégories Point Address et Street Address.

Une sous-adresse est un sous-ensemble d'une adresse de point qui représente un emplacement de sous-ensemble de maison ou de bâtiment tel qu'un appartement, un étage ou un bâtiment individuel dans un complexe de bâtiments, par exemple, 3836 Emerald Ave, Suite C, La Verne, CA, 91750 .

Une vue de localisateur configurée avec cette sous-catégorie limite les résultats aux points de sous-adresse qui incluent un numéro de maison, un nom de rue et des éléments de sous-adresse, ainsi que des divisions administratives et des informations de code postal facultatives, tout en laissant de côté d'autres types de correspondances d'adresse.

Une vue de localisateur configurée avec la catégorie Postal renvoie tout type de correspondance de code postal, y compris à 5 chiffres (par exemple, 92373) et d'autres formats de code postal. Pour limiter les résultats à des correspondances au moins aussi précises, sélectionnez Postal et la catégorie Adresse de niveau supérieur.

Un quartier est une sous-section d'une ville, plus petite qu'un quartier et plus grande qu'un secteur.

Un localisateur configuré avec cette sous-catégorie limite les résultats aux villes uniquement, par exemple la ville de Venise en Italie.

Une sous-région est un sous-ensemble d'un État ou d'une province, comme un comté aux États-Unis, par exemple le comté d'Adams dans l'État du Wisconsin.

Une région est une sous-section d'un pays, généralement un état ou une province, par exemple la province de l'Ontario au Canada.

Un pays est la division administrative la plus élevée, également connue sous le nom de nation, par exemple le Japon .

Un secteur est une division administrative plus grande qu'un îlot et plus petite qu'un quartier, représentant une subdivision d'un quartier ou d'un district, ou un ensemble d'îlots.

Un bloc est la plus petite zone administrative d'un pays, représentant une subdivision d'un secteur ou d'un quartier, ou un bloc de ville nommé.

Un district est une division administrative plus petite qu'une ville et plus grande qu'un quartier, par exemple un district municipal.

Une zone métropolitaine (métro) est une agglomération urbaine composée d'une grande ville et des villes plus petites qui l'entourent, par exemple le Grand Tokyo .

Un territoire est une grande division administrative, plus petite qu'un pays et plus grande qu'un État ou une province, par exemple le territoire du Yukon au Canada.

Une zone est une catégorie représentant une zone administrative non officielle qui n'appartient pas à un pays, telle qu'une zone litigieuse ou un regroupement d'autres zones administratives, par exemple l'Amérique centrale .

Coordonnées

Lorsque vous choisissez Coordonnées comme types d'emplacements que vous souhaitez rechercher, vous pouvez affiner davantage les résultats de recherche de la vue du localisateur en sélectionnant les catégories que vous souhaitez rechercher. Ceux-ci sont décrits dans le tableau ci-dessous.

Cette catégorie représente les coordonnées géographiques (x,y). X fait référence à la longitude (coordonnées est-ouest) et y à la latitude (coordonnées nord-sud). Les coordonnées sont saisies et renvoyées sous la forme x,y.

Cette catégorie représente les coordonnées géographiques (x,y). X fait référence à la longitude (coordonnées est-ouest) et y à la latitude (coordonnées nord-sud). Les coordonnées sont saisies et renvoyées sous la forme y,x.

Cette catégorie représente les coordonnées du système de référence de grille militaire (MGRS).

Cette catégorie représente le système de coordonnées du United States National Grid (USNG).

Lieux d'intérêt

Lorsque vous choisissez Lieux d'intérêt comme types d'emplacements que vous souhaitez rechercher, vous pouvez affiner davantage les résultats de recherche de la vue de localisation en sélectionnant les catégories que vous souhaitez rechercher. Ceux-ci sont décrits dans le tableau ci-dessous.

Cette catégorie représente tous les types d'établissements d'enseignement, y compris les universités, les écoles primaires et les écoles professionnelles.

Cette catégorie représente les restaurants de tous types.

Cette catégorie représente tous les types d'entreprises commerciales ou de détail.

Cette catégorie représente les aéroports, désignés soit par leur nom, soit par leur code d'aéroport.


Couche du système d'information géographique (SIG) des espaces ouverts publics (POS)

Veuillez utiliser les coordonnées ci-dessous pour demander l'accès à ces données.

Coordonnées

Adresse de rue:
Centre for the Built Environment and Health School of Population Health Mailbag M707 The University of Western Australia 35 Stirling Highway Crawley WESTERN AUSTRALIA 6009

Licence et droits :

L'utilisation des données peut également être soumise à des restrictions légales, éthiques et commerciales, nécessitant une autorisation supplémentaire d'autres personnes ou groupes, y compris les comités d'éthique, les groupes de pilotage de projet et les participants à la recherche.

Accès:

Le propriétaire/gestionnaire de cette collecte de données peut donner accès à cette collecte de données par voie de négociation. Vous pourriez être tenu d'indiquer votre utilisation prévue des données, de couvrir tous les coûts associés à la fourniture des données et de remplir d'autres conditions générales telles que déterminées par le propriétaire/gestionnaire des données.

Description complète

Collecte de données du Système d'information géographique sur les espaces ouverts publics pour les régions métropolitaines de Perth et Peel

L'ensemble de données des espaces publics ouverts (POS) contient les limites des polygones des zones définies comme accessibles au public et ouvertes. Ce jeu de données du système d'information géographique (SIG) a été collecté en 2011/2012 à l'aide du logiciel ArcGIS et de photographies aériennes datant de 2010-2011. Les données ont été recueillies dans la région métropolitaine de Perth et Peel.

Les POS désignent tous les terrains réservés à la mise à disposition d'espaces verts et de milieux naturels (par exemple, parcs, réserves, brousse) qui sont librement accessibles et destinés à être utilisés à des fins récréatives (actives ou passives) par le grand public. On distingue quatre types d'« espaces publics verts et naturels ouverts » : (1) Parc (2) Aire naturelle ou de conservation (3) Terrains d'école et (4) Résiduel. Les zones où le public n'est pas autorisé sauf contre paiement ou qui sont accessibles à un nombre limité et sélectionné par adhésion (par exemple, les terrains de golf et les installations de centres sportifs) ou les marges et les zones tampons requises par la législation sont ne pas inclus.

Initialement, les points de vente potentiels ont été identifiés à partir d'une combinaison de couches de données spatiales du système d'information géographique (SIG) existantes pour créer une représentation généralisée des « espaces verts » dans les régions métropolitaines de Perth et de Peel. Les couches de données de base comprennent : des polygones cadastraux, des polygones de plan d'aménagement métropolitain et régional, des emplacements de points d'école et des polygones d'acquisition de réserves. La couche d'espace «vert» a ensuite été visuellement mise à jour et modifiée pour représenter les véritables limites de chaque point de vente à l'aide de photographies aériennes 2010-2011 dans l'environnement logiciel ArcGIS. Chaque polygone « vert » résultant a ensuite été classé à l'aide d'un arbre de décision dans l'une des quatre catégories possibles : parc, zone naturelle ou de conservation, terrain d'école ou espace vert résiduel.

À la suite du processus de classification, les équipements et autres informations sur chaque point de vente ont été collectés pour les polygones classés comme « parc » selon un protocole développé au Centre pour l'environnement bâti et la santé (CBEH) appelé POSDAT (Outil d'audit de bureau pour les espaces publics ouverts). Les parcs ont été audités à l'aide de photographies aériennes visualisées à l'aide du logiciel ArcGIS. . La présence ou l'absence d'équipements tels que des installations sportives (par exemple des courts de tennis, des terrains de football, des skateparks, etc.) ont été vérifiées ainsi que des informations sur la qualité de l'environnement (c'est-à-dire la présence d'eau, la proximité de la brousse, l'ombre le long des sentiers, etc.), commodités (p. ex. présence de barbecues, cafés ou kiosques, toilettes publiques) et informations sur certaines caractéristiques liées à la sécurité personnelle.

Les données sont stockées dans une classe d'entités de géodatabase de fichiers ArcGIS (taille 4 Mo) et ont un accès restreint.

Une méthodologie de création de données, des définitions de données et des liens vers des publications basées sur ces données accompagnent l'ensemble de données.


Le rôle des systèmes d'information géographique pour l'analyse des infestations et de la propagation des termites envahissants (isoptères : rhinotermitidae et termitidae) dans le sud urbain de la Floride.

Un SIG comprend une suite intégrée de composants logiciels contenant (1) un système de gestion de données, (2) un système de cartographie pour l'affichage et l'interaction avec des cartes, et (3) un système d'analyse spatiale et de modélisation (Longley et al. 2011). Il utilise des données géoréférencées, c'est-à-dire des informations de localisation uniques, telles que des adresses postales ou des coordonnées de point. La géovisualisation est utilisée pour explorer, analyser et présenter des données spatiales, cependant, un système de cartographie SIG prend également en charge la numérisation à l'écran des caractéristiques spatiales au-dessus des cartes d'arrière-plan. Les entités ponctuelles, linéaires et surfaciques sont souvent affichées sur une carte de base, par ex. une image satellite, qui peut être fournie via un service de cartographie Web au sein du SIG. La géovisualisation implique souvent une projection cartographique, qui est un processus qui transforme la surface sphérique de la Terre en un plan (Slocum et al. 2005). La carte résultante permet l'utilisation d'un système de coordonnées euclidien avec abscisse et nord au lieu de coordonnées géographiques avec longitude et latitude. Cela simplifie le calcul de la distance, de la direction et de la surface par rapport à la géométrie sphérique.

Un jeu de données raster représente des entités géographiques en divisant la Terre en cellules carrées ou rectangulaires discrètes disposées dans une grille. Les cellules, également appelées pixels, sont disposées en lignes et en colonnes, et chaque cellule a une valeur qui est utilisée pour représenter une caractéristique de cet emplacement. Le rééchantillonnage des cartes d'arrière-plan et des jeux de données raster en général est nécessaire chaque fois que les données raster doivent être transformées en un autre système de grille de coordonnées ou que la taille des cellules entre les changements de raster en entrée et en sortie, comme dans le cas de l'enregistrement de données de télédétection dans un système de coordonnées au sol. Au cours de ce processus, les valeurs de cellule de la nouvelle grille sont remplies avec des valeurs de cellule dérivées de la grille d'origine à l'aide d'une technique de rééchantillonnage. Le rééchantillonnage est également nécessaire dans le cadre des projections cartographiques. Supposons qu'une image d'arrière-plan (Fig. 1) est fournie dans la projection conique à surface égale d'Albers pour l'Amérique du Nord, comme illustré à gauche. L'image a une résolution en pixels d'environ un mètre, et les abscisses et les ordonnées sont données en mètres. Supposons en outre que le SIG utilise la projection Universal Transverse Mercator (UTM) (Zone 17) pour afficher l'image avec d'autres couches de données. Pour cette tâche, l'image d'arrière-plan doit être re-projetée vers UTM. La conversion entre ces 2 grilles projetées se fait à travers différents ensembles d'équations, où les coordonnées projetées sont converties en coordonnées géographiques. Pour l'image de sortie en projection UTM, les valeurs de luminosité des pixels doivent être déterminées pour chaque pixel de l'image d'entrée (projection d'Albers). Puisqu'il n'y a pas de relation directe un à un entre les pixels de l'image d'entrée et de sortie, l'image de sortie nécessite souvent une valeur à partir d'un emplacement de la grille de pixels d'entrée qui ne tombe pas parfaitement sur un centre de cellule. Ceci est illustré dans une partie agrandie des images, montrée avec une cellule de grille en surbrillance à titre d'exemple (partie inférieure droite de la figure 1), où la valeur de luminosité d'un pixel dans la zone de la piscine est recherchée (point jaune). À l'aide d'équations de mappage, la coordonnée du point de ce centre de cellule dans l'image de sortie peut être reconvertie en coordonnées de point dans le système de coordonnées de l'image d'entrée (flèche en pointillés), donnant la position indiquée par le point marron. Étant donné que le point marron dans l'image d'entrée n'est pas au centre d'une cellule, un mécanisme pour déterminer la valeur de luminosité des cellules voisines est utilisé. Ce mécanisme est appelé interpolation d'intensité et est au cœur des techniques de rééchantillonnage (flèche pleine). Les méthodes d'interpolation largement utilisées comprennent l'interpolation du plus proche voisin, l'interpolation bilinéaire ou la convolution cubique (Jensen 2005).

Deux schémas conceptuels sont utilisés pour représenter la Terre, qui sont (i) une vue d'objet discret et (ii) une vue de champ continu. Les deux schémas ont des implications sur les modèles de données SIG utilisés pour l'analyse SIG. Dans la vue des objets discrets, le monde est vide, sauf lorsqu'il est occupé par des objets fixes ou mobiles avec des limites bien définies, y compris des lacs, des routes, des bâtiments ou des animaux. Bien que ce schéma fonctionne pour de nombreuses applications quotidiennes, il devient difficile de fournir des définitions pour toutes sortes d'objets à mapper, par ex. faire la distinction entre une colline et une montagne. Dans la vue des objets discrets, les objets géographiques sont définis par leur dimensionnalité et représentés dans le SIG sous la forme d'un modèle de données vectorielles. Le modèle de données vectorielles utilise des points et leurs coordonnées x et y pour construire des polygones (pour des objets de type zone tels que des comtés), des lignes (pour des entités linéaires telles que des routes) et des points de dimension zéro (tels que des bateaux infestés de termites ). Dans la vue en champ continu, le monde est décrit par un certain nombre de variables où chaque variable peut être mesurée à chaque position sur Terre. Ce schéma conceptuel est réalisé sous forme de données raster dans un SIG, où une surface est recouverte d'une grille raster qui a des attributs attribués à ses cellules, tels que l'altitude ou la classe de couverture terrestre.

Le grand nombre de fonctions d'analyse spatiale dans un SIG peut être divisé en (1) analyses basées sur un seul emplacement, et (2) analyses basées sur la distance entre des endroits séparés (Longley et al. 2011). Le premier groupe compare différentes propriétés du même endroit et calcule les relations et les corrélations entre elles. Par exemple, cela inclut l'analyse des tables attributaires, les jointures spatiales, les opérations de point dans le polygone, les superpositions de polygones (telles que Union et Effacer) et l'analyse raster. L'opération Union crée une nouvelle couche de polygones vectoriels (appelée couverture) en superposant deux couvertures de polygones en entrée. La couverture résultante contient les polygones et les attributs combinés des deux couvertures en entrée. L'opération Effacer supprime la partie à l'intérieur de la première couverture qui est couverte par le contour de la couverture superposée. Le deuxième groupe de fonctions d'analyse comprend la mesure des distances entre les points, la mise en mémoire tampon, la détection de grappes, le calcul de l'autocorrélation, l'estimation de la densité et l'interpolation spatiale. Toutes ces méthodes peuvent être combinées en tâches plus complexes à la fois dans le modèle de données raster et vectoriel. Un exemple est l'analyse de surface, qui comprend le calcul de la pente et de l'aspect d'une cellule de grille de surface, la recherche du chemin le moins coûteux entre deux cellules de grille, la délimitation des bassins versants ou la détermination des bassins visuels (un bassin visuel est une zone de terre ou d'eau qui est visible à l'œil humain à partir d'un point de millésime fixe) basé sur la topographie. Un autre exemple est l'analyse de réseau qui inclut les problèmes de routage et de logistique dans les réseaux de transport, comme l'optimisation du routage des camions de livraison. L'observation du comportement social des insectes a permis aux informaticiens et aux ingénieurs d'améliorer les algorithmes d'optimisation basés sur le réseau, tels que le problème du voyageur de commerce qui consiste à trouver le trajet le plus court entre un ensemble donné de villes visitant chaque ville une seule fois et se terminant au point de départ. Ce problème a été résolu par l'utilisation de phéromones artificielles (avec une décroissance de la concentration de phéromones au fil du temps) que les fourmis artificielles utilisent pour marquer les chemins parcourus le long des itinéraires terminés. Cette approche a été adoptée à partir du comportement des colonies de fourmis, où les fourmis utilisent des phéromones pendant la recherche de nourriture pour découvrir collectivement le chemin le plus court entre le nid et la source de nourriture (Bonabeau et al. 2000). Un SIG fournit des outils d'échantillonnage pour les tests statistiques spatiaux, par exemple, la génération de points aléatoires dans une zone prédéfinie (de Smith et al. 2010).

Un SIG peut également être utilisé pour créer et visualiser des modèles de simulation dynamique. Une simulation montre l'évolution du phénomène d'intérêt dans le temps et peut impliquer plusieurs sous-processus. La modélisation dynamique permet aux scientifiques d'expérimenter des options politiques et des scénarios de simulation. Cela leur permet également de mettre en œuvre des idées sur le comportement au monde (Longley et al. 2011). Les applications typiques des études de cas incluent : La planification des évacuations d'urgence, par ex. dans le cas d'ouragans ou d'incendies de forêt scénarios de croissance urbaine et son impact sur les ressources alimentaires et l'environnement évaluation de l'effet des politiques d'aménagement sur les zones de déforestation modélisation de la compétition pour l'espace couvert dans les écosystèmes forestiers pour des prescriptions sylvicoles mieux informées.

Les types de modèles largement utilisés comprennent : (a) les modèles analytiques, par ex. les processus de type diffusion, qui utilisent des équations différentielles (Holmes et al. 1994) (b) des modèles basés sur des agents (ABM) (Judson 1994), alias des modèles basés sur des individus (IBM), qui étudient le devenir et le mouvement d'individus isolés en utilisant à la fois des règles physiologiques et comportementales (c) des modèles de paysage (Mladenoff 2004), qui considèrent chaque cellule comme un groupe d'individus et (d) des modèles d'automates cellulaires (Ermentrout & Edelstein-Keshet 1993), qui représentent la surface de la terre comme un raster où chaque la cellule a un nombre fixe d'états qui changent grâce à des règles de transition basées sur le voisinage de chaque cellule.

Étant donné que ces modèles sont généralement plus complexes que ce qui est fourni par la fonctionnalité SIG standard, ils doivent être mis en œuvre à partir de zéro ou via la personnalisation des fonctions existantes. La personnalisation est le processus de modification du logiciel SIG en ajoutant de nouvelles fonctionnalités, en intégrant des fonctions SIG à d'autres applications ou en créant des applications spécifiques (Longley et al. 2011). De nombreux langages de programmation, tels que C, C++, C#, Java ou Python sont disponibles pour personnaliser à la fois les logiciels SIG de bureau et les applications SIG Web (Zaragozf et al. 2012 Zandbergen 2013). Les environnements de développement intégrés (IDE) combinent divers outils de développement logiciel, notamment un langage de programmation visuel, un éditeur et un débogueur. Pour prendre en charge la personnalisation, un fournisseur doit exposer les détails sur les fonctionnalités du logiciel aux développeurs. Une caractéristique clé de ces composants logiciels est qu'ils ont des interfaces de programmation bien définies qui permettent à la fonctionnalité d'être appelée par des outils de programmation dans un IDE. Un exemple est le modèle ArcObjects d'ESRI et toutes ses fonctionnalités accessibles via n'importe quel langage de programmation prenant en charge le modèle d'objet composant (COM) de Microsoft, tel que VB.NET, C#, C++ ou Java. Le langage de programmation R pour le calcul statistique (R Development Core Team 2012) a récemment amélioré ses fonctionnalités spatiales et ajouté un package appelé RPYGeo donnant accès à la plupart des outils de géotraitement ArcGIS d'ESRI à partir de R. Dans la suite logicielle ArcGIS, la personnalisation peut également être effectuée avec le Model-Builder. Cela permet à l'utilisateur de créer un workflow personnalisé d'opérations de géotraitement à partir d'outils existants à l'aide d'une interface graphique. La même chose peut également être accomplie en utilisant des scripts Python. Finally, geospatial analyses and a number of image processing tasks can also be carried out using either open source software, e.g. R, GRASS GIS, SAGA GIS, or GeoDa, or proprietary software, e.g. Matlab, SAS, ENVI, or ERDAS. These software platforms typically exchange data through common GIS formats, such as shapefiles or geotiffs.

For enhanced clarity, the figures in this report are also displayed online in color in supplementary material for this article in Florida Entomologist 96(3) (2013) at http://purl.fcla.edu/fcla/entomologist/browse.

All termite samples used for analysis in the two case studies are preserved in 85% ethanol and are deposited in the University of Florida termite collection at the Fort Lauderdale Research and Education Center in Davie, Florida. Samples were collected by operatives in the pest control industry and property owners and submitted to R.H.S. The collection database records contain among other data the genus and species, geographic latitude and longitude of the termite infestation, collection date, and collecting conditions. For the analysis of the first case study, samples were used with collection dates ranging from Apr 1996 to Mar 2009 for AST, and from May 1990 to Jul 2008 for FST. For that study, termite samples were externally submitted for identification and location georeferencing, but no additional field surveys were conducted.

For the second case study, collection dates of used samples for N. corniger ranged between Jan 2003 and Feb 2012. From early 2003 until early 2011, a previously delineated area was targeted for a deliberate eradication campaign of this invasive pest. Sample locations were recorded in the field using a GPS device and later imported into a database. The surveyed area covered around 200 acres (81 ha). In 2012, new infestations were found in areas that were not surveyed since 2005 due to cancellation of project funding, providing some insight into the dynamics of natural dispersal.

Case Study 1: Infestation Source Analysis

The first GIS example comes from a study that compares the distances between 190 terrestrial point records for FST (first infestation reported 1980 in Broward County), 177 records for AST (first discovered 1996 in Miami), and random points locations in the surrounding urban areas to the nearest marine dockage (Hochmair & Scheffrahn 2010). The hypothesis is that both species are significantly closer to potential infested boat locations, i.e., marine docks, than random points in these urban areas. It is further hypothesized that a larger median distance between FST infestations and proximal dockage can be observed than for AST.

Using the ArcGIS software suite and as depicted in Fig. 2, the two point sets of termite sightings were first projected from geographic to UTM coordinates. Next, the study region was tessellated (i.e., divided into non-overlapping squares), where squares containing a dockage location, assessed through a background image on the screen, were marked as having a dock. Then a random point pattern in urban areas was generated. Urban areas as defined by the U.S. Census Bureau were utilized. Urban areas can be split into two categories, which are Urbanized Area (UA) and Urban Cluster (UC) (U.S. Census Bureau 2002). Only those UA and UC polygons for which at least one termite collection was recorded, serve as the reference area for the generation of a spatially random point pattern. Finally, for each point in both termite point sets and the random point set the closest dock location (i.e., the nearest center of a square dock polygon) was identified and the straight line distance determined. These last 2 steps were accomplished through the Spatial Join function in the GIS.

Case Study 2: Spread Model

The second case study combines GIS functionality with a computer simulation (Fig. 3) that uses an individual based model to predict the dispersal of N. corniger. A sample of 189 termite sightings between Jan and Apr 2003 in Dania Beach, FL (Tonini 2013) was used as the starting point for the simulation which was run for 10 yr between 2003 and 2012. The simulation algorithm is realized through a set of R functions that implement an individual based model (IBM) for natural termite dispersal. The model considers a variety of biological parameters, such as overall survival rates of alates, mean dispersal flight distance, age of colony maturity, and maximum density of colonies per hectare. Before the simulation, ArcGIS was used to determine areas suitable for the establishment of a new colony. A Union overlay operation (Fig. 3A) was applied to polygon coverages showing hydrographic features, buffered roads, airport runways, and agricultural fields, which gave an unsuitable area coverage. By means of the Erase operation (Fig. 3B), this coverage was converted to a suitable area coverage, which was utilized in the simulation (Fig. 3C). While overlay functions in ArcGIS provided the suitable area polygon layer, a set of R packages (libraries), including 'sp', 'spatstat', 'rgdal', and 'raster', was used in order to carry out further basic geoprocessing operations in preparation for the simulation. These included point-in-polygon overlays (to make sure that termite colonies do not fall within unsuitable habitat), the creation of a reference simulation grid over the study area (to control the maximum density of termite colonies), point-to-raster conversions (to represent the approximate area covered by one or more colonies based on the aforementioned simulation grid), and raster overlays (to count the number of times a given pixel was occupied after 100 Monte Carlo simulations).

To assess the sensitivity of the model with respect to model parameters, the simulation was run with one or two alternative values for each parameter, giving a total of 12 alternative model realizations in addition to the baseline simulation. The uncertainty associated with the outcome of a stochastic simulation was estimated through the Monte Carlo technique and 100 simulation runs. The GIS mapped the simulation result of the baseline model for 2012 on a background image provided through a Web service (Fig. 3C), illustrating the spread of termite colonies from original points of infestation. Yellow, orange, and red cells indicate the >0%, >=50%, and 100% occupancy envelopes, respectively. The 100% occupancy envelope groups areas that are predicted as infested by all runs.

Case study 1 resulted in three sets of distances which are Euclidean (straight line) distances to the nearest dockage for FST, AST, and the random points, respectively. A one-sample Kolmogorov Smirnov test indicated that distances in each set were not normally distributed. Therefore the non-parametric Mann-Whitney U test was used to compare median distances between the three distance sets.

Data analysis in case study 2 had two goals. The first goal was to validate the model fitness by comparing the predicted infested area for 2012 with actually observed infestation data occurring up to 2012. The predicted area was visualized through visualization of >0%, >=50%, and 100% occupancy envelopes resulting from a Monte Carlo simulation. This was visually compared to 74 new infestation sightings in 2012, all of which were found in previously Insecticide-untreated areas. The second goal was to conduct a sensitivity analysis for 12 alternative model realizations in addition to the baseline simulation to assess the effect of model parameters on predicted infested area. The sensitivity analysis comprises relative and absolute growth rates in infested area compared to the base line model for a given year between 2004 and 2012, and also a comparison of total predicted infested area for the different years.

Case Study 1: Infestation Analysis

Table 1 provides the descriptive statistics for distances associated with the 3 point patterns. Mann-Whitney U tests showed that the median distances to nearest docks associated with AST and FST, respectively, were significantly smaller than for the random point set (p < 0.0001, 2-tailed for AST and FST), indicating that AST and FST are significantly closer to potential infested boat locations, i.e., marine docks, than random points in considered urban areas. A Mann-Whitney U test further showed that observed median distances to nearest docks were significantly smaller for AST than for FST (p < 0.0001, 2-tailed). Since FST was discovered in Florida about two decades before AST, larger median distances for FST than for AST can be expected if assuming that these two invasive termite species were first establishing near boat dockage, and with later generations, colonizing areas further away. In summary, statistical comparison of median distances provides strong evidence that the two exotic termite species were introduced and spread by boat in South Florida. A more detailed discussion of analysis results can be found in (Hochmair & Scheffrahn 2010).

Case Study 2: Spread Model

To validate the simulation model, the locations of newly infested sites from 2012 were compared to the occupancy envelopes which are based on 2003 sample sites as initial infestation points. Fig. 4A shows the infested areas predicted by the baseline simulation model with in all three occupancy envelopes (Tonini 2013). The 100% occupancy envelope overlaps well with the 2012 sighted collection points, while the > 0% and >= 50% envelopes overestimate termite spread.

Sensitivity analysis (Fig. 4B) found that the prediction model was most sensitive to the following parameters: Number of alates generated by a colony over the colony's lifetime, survival rate of alates, maximum mating pheromone attraction distance, and mean dispersal flight distance. Only small effects were observed for the following parameters: prevalence of male alates in the colony, age of first production of alates, density of colonies/ha. While the solid line in Fig. 4B indicates the predicted infested area when using a parameter baseline value of 200 m for mean flight distance of alates, the dashed lines show the effect on the predicted infested area when changing this parameter to 100 m and 300 m (Tonini 2013). The results of this stochastic individual-based simulation model provide a means for regulatory agencies to anticipate possible areas of infestation. It must be noted that it is crucial to calibrate model parameters if the spread of other species is modeled, and that the current model does not take into account anthropogenic dispersal.

A Geographic Information System (GIS) is a useful tool in various stages of analyzing the infestation and spread of invasive termites. The 2 examples herein illustrate how mapping and spatial analysis operations in the GIS, including map projection, on-screen digitizing, spatial join, and overlay functions, facilitate analysis in concert with external statistical software packages. Due to continued advances in spatial analysis, improved customization capabilities of GIS functions, and steadily increasing computer processing power, the role of GIS for spatial analysis of invasive pests is likely to increase further in the near future.

Caption: Fig. 1. Re-projection of a 1-m resolution aerial image between Albers Equal Area Conic projection and UTM projection (Zone 17) using geographic coordinates as an intermediate step. Resampling is used to fill pixel values in the output image through pixel values derived from the input image.

Caption: Fig. 2. GIS operations involved in distance analysis of termite collection sites and random points to nearest dockage: A) Point coordinate conversion from geographic to UTM coordinates B) Digitize dock locations and generate random point pattern in urban areas C) Determine distance to nearest dockage through Spatial Join function, as illustrated for selected termite and random points.

Caption: Fig. 3. Spatial analysis functions supporting termite spread model: A) Union overlay to determine unsuitable area B) Erase operation to identify suitable area C) Suitable area coverage together with 2003 termite collection sites used as input for spread model in R, with mapped model result to the right.

Caption: Fig. 4. A) Model evaluation comparing predicted infested areas for 2012 with 2012 sampled termite locations B) Model sensitivity to the mean flight distance parameter in meters (Tonini 2013).

BONABEAU, E., DORIGO, M., AND THERAULAZ, G. 2000. Inspiration for optimization from social insect behaviour. Nature 406: 39-42.

DE SMITH, M. J., GOODCHILD, M. F., AND LONGLEY, P. A. 2010. Geospatial Analysis (3rd ed.), Matador, Leicester.

ERMENTROUT, G. B., AND EDELSTEIN-KESHET, L. 1993. Cellular automata approaches to biological modeling. J. Théor. Biol. 160: 97-133.

EVANS, T. A. 2011. Invasive termites, pp. 519-562 In D. E. Bignell, Y. Roisin, Y. and N. Lo [eds.], Biology of termites: A modern synthesis. Springer SBM, Dordrecht, The Netherlands.

GAY, F. J. 1967. A world review of introduced species of termites. Taureau. 286. CSIRO, Melbourne.

HOCHMAIR, H. H., AND SCHEFFRAHN, R. H. 2010. Spatial association of marine dockage with land-borne infestations of invasive termites (Isoptera: Rhinotermitidae: Coptotermes) in urban south Florida. J. Econ. Entomol. 103: 1338-1346.

HOLMES, E. E., LEWIS, M. A., BANKS, J. E., AND VEIT, R. R. 1994. Partial differential equations in ecology: spatial interactions and population dynamics. Ecology 75: 17-29.

JENSEN, J. R. 2005. Introductory Digital Image Processing. Pearson Prentice Hall, Upper Saddle River, NJ.

JUDSON, O. P. 1994. The rise of the individual-based modelling in ecology. Trends Ecol. Évol. 9: 9-14.

LONGLEY, P. A., GOODCHILD, M., MAGUIRE, D. J., AND RHIND, D. w. 2011. Geographic Information Systems and Science (3rd ed.), John Wiley & Sons, Hoboken, NJ.

MLADENOFF, D. J. 2004. LANDIS and forest landscape models. Écol. Modelling, 180: 7-19.

R DEVELOPMENT CORE TEAM 2012. A language and environment for statistical computing, R Foundation for Statistical Computing, Vienna, Austria.

SCHEFFRAHN, R. H., CABRERA, B. J., KERN JR., W. H., AND SU, N.-Y. 2002. Nasutitermes costalis (Isoptera: Termitidae) in Florida: first record of a non-endemic establishment by a higher termite. Florida Entomol. 85: 273-275.

SCHEFFRAHN, R. H., KRECEK, J., RIPA, R., AND LUPPICHINI, P. 2009. Endemic origin and vast anthropogenic dispersal of the West Indian drywood termite. Biol. Invasions 11: 787-799.

SLOCUM, T. A., McMaster, R. B., Kessler, F. C., and Howard, H. H. 2005. Thematic Cartography and Geographic Visualization, Prentice Hall, Upper Saddle River, NJ.

SU, N.-Y., AND SCHEFFRAHN, R. H. 1998. A review of subterranean termite control practices and prospects for integrated pest management programmes. Integ. Pest Mgt. Rev. 3: 1-13.

TONINI, F., HOCHMAIR, H. H., SCHEFFRAHN, R. H., AND DEANGELIS, D. L. 2013. Simulating the spread of an invasive termite in an urban environment using a stocastic individual-based model. Environ. Entomolo. 42: 412-423.

U.S. CENSUS BUREAU (2002). Federal Register Notices for Census 2000 Urban Area Criteria. Retrieved 07/26/2013 from http://www.census.gov/geo/reference/pdfs/fedreg/ua_2k.pdf

ZANDBERGEN, P. A. 2013. Python Scripting for ArcGIS, ESRI Press, Redlands, CA.

ZARAGOZI, B., BELDA, A., LINARES, J., MARTINEZ-PEREZ, J. E., NAVARRO, J. T., AND ESPARZA, J. 2012. A free and open source programming library for landscape metrics calculations. Environ. Modelling & Software 31: 131-140.

HARTWIG H. HOOHMAIR *, FRANCESCO TONINI AND RUDOLF H. SCHEFFRAHN

University of Florida, Fort Lauderdale Research and Education Center, 3205 College Avenue, Davie, Florida, U.S.A. 33314

* Corresponding author E-mail: [email protected]

([section]) Summarized from a presentation and discussions at the "Native or Invasive--Florida Harbors Everyone" Symposium at the Annual Meeting of the Florida Entomological Society, 24 July 2012, Jupiter, Florida.


Voir la vidéo: ARCGIS DIFERENTES SIMBOLOS EN UN CONJUNTO DE PUNTOS