Suite

Pourquoi l'importation QGIS Vector OpenStreetMap perd-elle des fonctionnalités ?


J'essaie d'utiliser les données OSM dans QGIS 2.8.2. J'ai importé mes données dans les couches SpatiaLite en procédant comme suit :

  1. Vecteur -> OpenStreetMap -> Télécharger les données…
  2. Vecteur -> OpenStreetMap -> Importer la topologie à partir de XML…
  3. Vector -> OpenStreetMap -> Exporter la topologie vers SpatiaLite…

Pour la dernière étape, j'ai importé les polylignes. J'ai remarqué que certaines des routes principales ont des lacunes au milieu. Il ne s'agit pas d'un segment sortant de ma région - l'écart se situe en plein milieu de la région.

Vous remarquerez que j'ai placé la route principale sur son propre calque en sélectionnant des polylignes avec les attributs que je voulais. Les lignes bleu clair sous l'autoroute principale sont toutes les polylignes. Notez qu'il n'y a pas de polyligne reliant les segments d'autoroute disjoints.

Je suppose que lorsque j'ai choisi "Vector -> OpenStreetMap -> Exporter la topologie vers SpatiaLite…", toutes les polylignes sont exportées, quels que soient les attributs que je vérifie. Est-ce correct? Si non, est-ce un symptôme de ma non-sélection de "tunnels", par exemple ?

Ce n'est pas un doublon de cette question. La question susmentionnée demande comment importer des données OSM. J'ai déjà démontré que je peux importer les données. Les étapes que j'ai énumérées sont les mêmes que dans la réponse acceptée à 1. Ma question concerne les polylignes manquantes.


Il s'agit d'un problème connu : le plug-in OSM ne parvient pas à télécharger toutes les données dans une étendue donnée

J'ai fourni une solution de travail différente à la question connexe Comment charger des données vectorielles OSM dans QGIS 2.x?


Un autre ticket de bogue connexe est https://hub.qgis.org/issues/12727 (ne traite pas des lignes traversant la zone de délimitation).

Ma solution de contournement consiste à charger les données OSM de la première étape d'importation avecAjouter une couche vectorielle.


Alternative au clip pour les fonctionnalités et la collection de fonctionnalités dans Google Earth Engine

Je suis très nouveau sur Google Earth Engine et je souhaite pouvoir effectuer une analyse de superposition d'entités comme indiqué dans ce document ArcGIS : http://resources.esri.com/help/9.3/arcgisdesktop/com/gp_toolref/geoprocessing/overlay_analysis .htm

Je n'arrive pas à trouver une méthode pour m'aider à le faire dans GEE. J'ai deux FeatureCollections. Les deux sont des collections d'environ 50 polygones, un de sites d'étude et un de régions et je veux savoir où les sites chevauchent les régions et s'ils se chevauchent, quelle proportion du site se trouve dans chaque région qu'il chevauche. J'ai essayé d'utiliser "intersection" mais cela ne me montre que la zone d'intersection entre les sites et les régions. Il existe une méthode de "clip" qui serait utile pour découper les sites dans les régions dans lesquelles ils se trouvent, mais cela semble n'être disponible que pour les images et non pour les collections de fonctionnalités. Avez-vous des suggestions sur la façon dont je pourrais procéder?


Importation de données KMZ/KML dans ArcMap et création de fichier de formes

Très souvent vos collaborateurs/scouts vous envoient leurs données géographiques (points, lignes, polygones) au format KMZ/KML car l'application GoogleEarth est gratuite et facilement accessible. Afin d'effectuer une analyse SIG sur ces données et de les incorporer dans votre projet ArcMap, vous devrez importer ces données dans ArcMap.

1. Assurez-vous que vous avez reçu des données KML et non KMZ (package KML zippé). Si vous avez reçu KMZ, ouvrez d'abord le fichier dans Google Earth et enregistrez-le au format KML. Reportez-vous à cet article de blog pour obtenir des instructions détaillées. Noter: Vous pouvez essayer de travailler sur KMZ directement dans ArcMap, j'ai confirmé qu'ArcMap 10.2 peut importer des données ponctuelles à partir d'un fichier KMZ, mais la version précédente et d'autres données (lignes, polygones) m'avaient posé des problèmes dans le passé lorsque j'essayais d'importer directement depuis KMZ.

2. Démarrez ArcMap (nouveau projet ou tout projet couvrant la zone d'où proviennent vos données). Ouvert ArcToolBox (cliquez sur l'icône rouge de la boîte à outils en haut). Dans Outil de conversion/À partir de KML début KML vers calque.

3. Accédez au fichier KML que vous avez enregistré et exécutez l'outil.

Ne pas renommer l'emplacement de sortie de Utilisateurs&hellip.DocumentsArcGIS. Cela a empêché l'outil de fonctionner correctement.

Lors de la création du nom de fichier pour le nouveau fichier .lyr, ne laissez pas d'espaces et utilisez _UNDERSCORE _ au lieu de tirets. ArcMap peut ne pas s'écraser à cause de cela, mais de tels noms de fichiers peuvent vous poser des problèmes dans votre analyse SIG à long terme.

4. Si le processus s'exécute sans erreur, vous verrez une nouvelle couche ajoutée à votre projet ArcMap

5. Pour enregistrer le nouveau fichier de couche en tant que fichier de formes, faites un clic droit sur le type d'informations géographiques (les points, les lignes, les polygones doivent être enregistrés dans des fichiers de formes séparés) que vous souhaitez enregistrer et sélectionnez Données/Exporter les données&hellip

Cliquez sur l'icône du dossier et nommez le fichier de formes que vous souhaitez exporter.

Cliquez sur OK et enregistrez le fichier de formes.

6. Vous êtes TERMINÉ.

Bonjour, pourquoi je ne vois que :

Salut Pourquoi est-ce que je ne vois que : Outils de conversion/Vers KML ? et non :v/De KML ? Je ne peux tout simplement pas importer mon KML dans Gis Cordialement, Rinus

Cher Rinus. Quelle version de

Cher Rinus. Quelle version d'ArcMap utilisez-vous ? Il devrait y avoir l'option Outils/De KML comme décrit dans les versions 10 et supérieures. Je me souviens que 8 et 9 n'avaient pas ces options et qu'il y avait des scripts tiers pour cela.


[Débutant] - Mapper le raster sur l'étendue des métadonnées, pas sur l'étendue du fournisseur ?

J'ai un fichier raster .tiff dont je connais l'étendue exacte. Lorsque je l'ai importé, une étendue par défaut justifiée à (0,0) lui a été attribuée. J'ai entré l'étendue correcte dans les métadonnées de la couche, mais elle continue de correspondre à l'étendue fournie à l'origine. Comment forcer une mise à jour ? J'ai essayé d'enregistrer le calque et de le réimporter via Calque > Clic droit > Exporter > Enregistrer sous avec le format geotiff et l'étendue correcte. Cette couche a la bonne étendue, mais c'est une image vide malheureusement (et la taille du fichier est énorme)

Comment puis-je forcer une couche raster à utiliser une étendue en entrée manuelle ? S'il est plus facile de le forcer à superposer précisément une couche raster existante, cela fonctionnera également.

Merci! Désolé si cela a déjà été répondu, j'ai recherché sur ce forum et d'autres 'étendue de raster,' 'qgis étendues de mise à jour de la couche raster' et similaires et je n'ai trouvé aucune solution.

Je ne suis pas sûr de suivre tout ce que vous dites. Cependant, notez que la définition de l'étendue dans les métadonnées ne va pas réellement repositionner votre image. Si vous connaissez les informations exactes de géoréférencement, vous pouvez essayer de créer un fichier WORLD associé. Il s'agit simplement d'un fichier ASCII qui positionnera n'importe quelle image raster. Renseignez-vous ici :

Si vous n'avez pas d'informations exactes ou si vous n'êtes pas venu correctement, le géoréférenceur QGIS est un autre excellent outil. (Raster > Géoréférenceur )

Merci pour la note sur worldfiles, c'est un outil utile que je ne connaissais pas. Je pense que la méthode FWTools décrite ici est une solution plus utile car elle intègre l'étendue dans les métadonnées réelles du .tiff plutôt que de créer un fichier séparé. Le fichier .geo qu'il mentionne est également un simple fichier texte.

J'étais au courant du géoréférenceur mais comme vous le dites, c'est mieux pour les images avec des étendues inconnues, mais merci de l'avoir listé en option.

Je ne comprends pas pourquoi QGIS ne repositionnerait pas une image raster en fonction des métadonnées saisies par l'utilisateur. Quel est l'avantage de ne pas le faire? Quel est l'avantage de permettre même à un utilisateur de mettre à jour une étendue raster dans les métadonnées si le logiciel n'utilise pas ces informations ? Et y a-t-il n'importe où dans l'interface graphique pour repositionner un raster avec une entrée de coordonnées numériques précise (plutôt qu'une entrée imprécise basée sur un clic via Georeferencer ou glisser/déposer/déplacer avec la souris ou la touche fléchée), ou est-ce que l'utilisation de la console Python est la seule option ?


2 TRAVAUX CONNEXES

Au cours des deux dernières décennies, plusieurs méthodes ont été développées et testées pour la détection et la prédiction des changements de couverture végétale et de la croissance urbaine dans le cadre de la nature complexe de l'urbanisation. Les fondements de la croissance urbaine dans le cadre du processus d'urbanisation reposent sur les caractéristiques géospatiales de la ville ainsi que sur des agents institutionnels et économiques complexes à l'échelle locale et nationale (Batty, 2008). Selon Black et Henderson ( 1999 ), sans ces agents, les villes auraient tendance à s'agrandir et à se réduire au total. Batty ( 2013 ) montre qu'une ville qui grandit impacte négativement et positivement les agglomérations économiques et génère de nouveaux attributs socio-économiques. Pour soutenir des processus de gestion urbaine efficaces, une série d'études étudient plusieurs méthodes d'apprentissage automatique pour prédire le changement de la couverture végétale en général, ainsi que la croissance urbaine en particulier, telles que les automates cellulaires (CA) et la régression logistique (LR). Ces études peuvent être classées en trois grands groupes : les études comparant les prédictions de différentes méthodes d'apprentissage automatique (Berberoğlu, Akín, & Clarke, 2016 Xu, Gao, & Coco, 2019 ) les études étudiant l'intégration de plusieurs algorithmes d'apprentissage automatique pour réaliser la croissance urbaine prédiction (Chaudhuri & Clarke, 2014 Guan, Wang, & Clarke, 2005 Lin & Li, 2016 Triantakonstantis & Stathakis, 2015 Xia, Zhang, Wang, & Zhang, 2019 Xu et al., 2019 ) et des études discutant de l'effet des données auxiliaires sur la précision des prédictions (Stanilov & Batty, 2011 Xia et al., 2019 Zhou, Varquez, & Kanda, 2019 ). En plus des stratégies d'apprentissage automatique, ces études discutent de la définition des zones urbaines et non urbaines. Cette section est structurée de la manière suivante. Tout d'abord, les trois principaux groupes de stratégies d'apprentissage automatique dans la littérature sont discutés. Ensuite, la définition commune des zones urbaines et non urbaines est revue. Par la suite, des approches de la littérature utilisant l'apprentissage en profondeur dans le domaine de la science de l'information géographique sont présentées.

Berberoglu et al. ( 2016 ) et Xu et al. (2019) comparent différentes approches d'apprentissage automatique pour prédire la croissance urbaine. Berberoglu et al. (2016) ont effectué une prédiction de croissance urbaine à l'aide d'un réseau de neurones artificiels (ANN), d'une chaîne de Markov (MC) et d'un LR. À cette fin, ils ont utilisé des images de télédétection de 1967 à 2007 avec une résolution spatiale de 10 m × 10 m comme entrée et visaient à prédire la croissance urbaine pour 2023 à Adana (Turquie). Ils ont signalé que leur ANN a obtenu une précision de prédiction plus élevée que leur LR (voir le tableau 1). Shafizadeh-Moghadam, Asghari, Tayyebi et Taleai (2017) ont comparé quatre différentes procédures d'apprentissage automatique pour la prédiction de la croissance urbaine, à savoir ANN, CA, un modèle statistique et un arbre de décision. Leur région d'intérêt (ROI) était Téhéran (Iran). Ils ont utilisé des images de télédétection du retour sur investissement de 1985 à 1999 avec une résolution spatiale de 30 m × 30 m afin de prédire la croissance urbaine pour l'année 2014. Ils ont rapporté que leur modèle ANN prédit avec une précision globale de 74,1%. Triantakonstantis et Stathakis ( 2015 ) ont appliqué un MLP pour la prévision de la croissance urbaine à Athènes (Grèce). Ils ont utilisé les données d'occupation du sol CORINE de 1990 à 2000 avec une résolution spatiale de 100 m × 100 m pour calculer un modèle de prévision de la croissance urbaine pour 2006. Ils ont comparé leurs résultats avec la vérité terrain des données d'occupation du sol de l'Atlas urbain de 2006 afin de déterminer valider leur modèle. Ils ont rapporté une valeur kappa de 0,639.

Auteurs Méthode utilisée Résolution spatiale Précision globale Précision Rappeler Valeur Kappa
Berberoglu et al. (2016) SLEUTH, arbre de régression (RT), LR ANN 10 m × 10 m 71% (ANN) N / A N / A 0,6586 (ANN)
Shafizadeh-Moghadam et al. (2017) Changement d'affectation des terres, ANN, forêt aléatoire, arbres de régression, LR, régression adaptative multivariée 30 m × 30 m 74,7% (ANN) N / A N / A N / A
Chaudhuri et Clarke (2014) SLEUTH et LR 500 m × 500 m N / A N / A N / A 0.71
Guan et al. (2005) CA et ANN 100 m × 100 m N / A N / A N / A N / A
Triantakonstantis et Stathakis ( 2015 ) MLP 100 m × 100 m N / A N / A N / A 0.639
Xu et al. ( 2019 ) ANN, CA 30 m × 30 m N / A N / A N / A 0.94
Xia et al. ( 2019 ) CA et modèle gravitationnel 30 m × 30 m N / A N / A N / A 0.7510
Zhou et al. ( 2019 ) DÉTECTIVE 30 secondes d'arc N / A N / A N / A N / A
  • Remarques: Les différentes méthodes ainsi que leurs valeurs les plus élevées pour les indices de précision correspondants sont répertoriés. « N/A » (non disponible) indique que la mesure n'est pas signalée pour l'évaluation de l'exactitude. On peut voir que de nombreuses méthodes de prédiction manquent d'indices communs pour évaluer la précision de leurs modèles. CA et SLEUTH sont largement utilisés pour la prévision de la croissance urbaine. La résolution spatiale indique la taille de la cellule pour laquelle la prévision de croissance urbaine a été faite.

Plusieurs études ont combiné différents algorithmes d'apprentissage automatique afin de prédire la croissance urbaine. Chaudhuri et Clarke ( 2014 ) ont combiné CA et LR ainsi qu'avec des statistiques descriptives. Guan et al. (2005) et Xu et al. ( 2019 ) CA combiné avec ANN. Xia et al. ( 2019 ) a combiné l'AC avec un modèle de champ gravitationnel. Lin et Li (2016) ont utilisé LR et l'ont combiné avec CA pour simuler les changements de couverture terrestre dans 21 villes chinoises. À cette fin, ils ont utilisé les données Landsat TM avec une résolution spatiale de 150 m × 150 m de 2005 à 2008 afin de prédire la croissance urbaine. Ils ont conclu qu'une résolution spatiale croissante donne une précision de prédiction plus élevée. Chaudhuri et Clarke ( 2014 ) ont utilisé une technique SLEUTH basée sur l'AC et les statistiques descriptives afin de prédire la croissance urbaine. Ils ont utilisé des images de télédétection de Landsat ainsi que d'Aster de 1985 à 2004 afin de prédire la croissance urbaine entre 2005 et 2010. Leur ROI était Gorizia (Italie). Ils ont signalé que la précision globale augmentait à mesure que la résolution temporelle des données d'entrée diminuait, et que l'augmentation de la période jusqu'à la date à laquelle la prédiction a été calculée réduisait la précision de la prédiction. Guan et al. (2005) ont combiné un modèle CA basé sur SLEUTH avec un ANN. L'ANN a été utilisé pour détecter des modèles dans les données raster nationales sur Pékin avec une résolution spatiale de 100 m × 100 m. Sur la base de ces modèles, des règles de transition pour l'AC ont été générées. De même, Xu et al. ( 2019 ) a combiné un ANN avec une analyse multicritères (AMC) et une CA pour simuler l'expansion urbaine. Une architecture ANN a été développée pour simuler l'expansion urbaine sur la base de deux sorties possibles, à savoir des cellules urbaines et non urbaines. Ils ont utilisé des cartes d'occupation du sol d'Auckland (Nouvelle-Zélande) des années 1996, 2006 et 2016 afin de prédire la croissance urbaine pour l'année 2026. Ils ont sélectionné sept caractéristiques, à savoir « forêt, herbe, terres ouvertes et nues, terres agricoles, eau, transports et agglomération urbaine » à des fins de prévision. Le coefficient kappa le plus élevé obtenu par leur modèle était de 0,94. Xia et al. ( 2019 ) ont appliqué une CA et un modèle gravitationnel pour prédire la croissance urbaine. Par conséquent, ils ont modélisé des flux fréquents entre les villes. Ils ont utilisé trois sources de données différentes pour leur prédiction, à savoir : des images Landsat avec une résolution spatiale de 30 m × 30 m, des modèles d'élévation numériques et des données sur les flux de population entre les villes sélectionnées. Leurs retours sur investissement étaient trois provinces en Chine : Hubei, Hunan et Jiangxi. Ils ont signalé une valeur kappa de 0,75 pour leur modèle.

Des recherches sur l'influence des informations auxiliaires pour la prévision de la croissance urbaine ont été menées par Stanilov et Batty ( 2011 ), Xia et al. ( 2019 ) et Zhou et al. (2019). Stanilov et Batty ( 2011 ) ont souligné l'importance de suivre les dynamiques rapides et lentes qui affectent le changement d'utilisation des terres urbaines et ont déclaré que la capacité à comprendre les processus sous-jacents devrait être améliorée. Dans ce contexte, un focus a été proposé sur les règles fondamentales qui façonnent le développement urbain basé sur l'attraction et la répulsion entre les classes d'occupation du sol. Leur travail a été effectué sur la base de données historiques. Xia et al. ( 2019 ) ont illustré comment les entrées et sorties de population et d'information peuvent être utilisées pour modéliser la croissance urbaine. Ils ont inclus huit caractéristiques dans leur modèle CA, basées sur la distance aux voies de transport ainsi que sur la pente. Ils ont signalé que leur modèle fonctionnait mieux pour les villes petites et moyennes en raison du fort effet gravitationnel des villes centrales situées dans l'arrière-pays. De même, Zhou et al. ( 2019 ) ont suggéré d'inclure des données de population dans le modèle SLEUTH pour prédire le modèle de croissance urbaine mondiale pour 2050. Ils ont utilisé l'indice de croissance urbaine des données de population mondiale entre 2000 et 2013, qui est basé sur « la topographie, les réseaux de circulation existants, les zones protégées. , les plans d'eau et les caractéristiques historiques du développement urbain. Ils ont comparé les résultats avec la prévision de croissance urbaine mondiale statique faite par Seto, Güneralp et Hutyra ( 2012 ). Ils ont conclu que l'inclusion de données sociales fournit de meilleurs résultats pour la prévision de la croissance urbaine dans les zones de développement urbain hétérogènes. Ils ont en outre suggéré d'améliorer le modèle en incluant des données spatiales à haute résolution ainsi que des facteurs économiques. Le tableau 1 résume l'exactitude rapportée des études discutées.

Les ANN ont excellé par rapport à d'autres approches d'apprentissage automatique pour les prédictions de croissance urbaine. , & Zhu, 2018 Zhu & Liu, 2018 ). Dans Zhu et Liu (2018), une tentative a été faite pour fournir un cadre général pour la sélection de sites géographiques, basé sur des données spatiales structurées en graphes et un réseau de neurones convolutifs (GCNN). Cependant, ils fournissent des résultats instables et aucune évaluation de la précision. Yan et Ai ( 2018 ) ont utilisé un GCNN pour la détection de structures de bâtiments régulières et irrégulières. Ils ont obtenu une précision globale de 98 % dans l'exécution de cette classification binaire. Cependant, aucune autre évaluation de l'exactitude quantitative n'a été fournie, telle qu'une matrice de confusion qui aurait fourni une compréhension plus détaillée de l'exactitude de la classification pour chacune des classes. Yan et al. ( 2018 ) ont déclaré que l'inclusion d'informations sur le contexte spatial, telles que la relation spatiale, la colocalisation spatiale et les modèles de séquence spatiale, donne des résultats de classification nettement meilleurs dans la prédiction. Mc Cutchan et Giannopoulos ( 2018 ) ont appliqué une analyse d'association pour démontrer que les classes de couverture terrestre CORINE co-localisent avec les géo-objets de certaines classes. Ils ont souligné la faisabilité de l'utilisation de la sémantique géospatiale pour prédire les classes d'occupation du sol. Ces classes de géo-objets ont été encodées en OWL et ont été extraites de LinkedGeoData (Stadler et al., 2012 ). Grekoousis ( 2019 ) fournit une revue de 45 articles publiés entre 1997 et 2016, qui utilisent l'ANN et l'apprentissage en profondeur en géographie urbaine. Selon sa méta-analyse, des études antérieures suggèrent que l'apprentissage en profondeur a la capacité de modéliser des problèmes urbains complexes. Grekousis ( 2019 ) a en outre suggéré qu'il existe un fort besoin de méthodologies nouvelles et innovantes en géographie urbaine.

Dans la plupart des études, les zones urbaines ont été définies comme des zones avec un environnement bâti (par exemple, des maisons) et les zones non urbaines sont définies par des zones avec un environnement non bâti (par exemple, une forêt) (Berberoğlu et al., 2016 Guan et al., 2005 Triantakonstantis & Stathakis, 2015). Les environnements non construits peuvent également inclure les espaces ouverts non construits au sein d'une ville, tels que les parcs. Les prévisions de croissance urbaine ont été principalement faites conformément pour déterminer l'absence de changement, le changement d'urbain à non urbain et de non urbain à urbain (Berberoğlu et al., 2016 Santé, García, Miranda, & Crecente, 2010 Triantakonstantis & Stathakis, 2015 ).

À la connaissance des auteurs et après avoir effectué une revue approfondie de la littérature, aucun travail sur les prévisions de croissance urbaine n'est connu qui utilise des informations détaillées sur la sémantique géospatiale, y compris des informations de classe sur des objets géographiques tels que des bâtiments, des rues ou des points d'intérêt. Cependant, des résultats récents ont suggéré que la couverture terrestre urbaine et non urbaine a des associations spatiales avec des géo-objets de différentes classes (Mc Cutchan & Giannopoulos, 2018). Enfin, aucune recherche n'a été trouvée qui a effectué des expériences avec l'incorporation d'annotations sémantiques étendues d'objets géographiques et de leurs relations spatiales avec des phénomènes spatiaux qui doivent être prédits. Ainsi, l'impact potentiel d'une sémantique géospatiale donnée sur la précision d'une prédiction spatiale reste une question ouverte.


Pour que le géocodage fonctionne rapidement et avec précision, les données de référence doivent avoir des géométrie, une précision lieu, et précis attributs d'adresse. S'adresser aux alentours Pittsburgh et en Comté d'Allegheny est assez convoluté, pour de nombreuses raisons.

L'avantage d'utiliser un OSM-basé géocodage est que si vous constatez une divergence dans les résultats du géocodage, il est en votre pouvoir de corriger les données de base !


Types de système de coordonnées

Voici deux types courants de Système de coordonnées utilisé dans les SIG (Systèmes d'information géographique):

Latitude-longitude tels que les systèmes de coordonnées globales ou sphériques. Ceux-ci sont souvent appelés systèmes de coordonnées géographiques.

Un système de coordonnées projetées tel que Mercator transverse universel (UTM), Albers Equal Area ou Robinson, qui fournissent tous divers mécanismes sur les coordonnées cartésiennes bidimensionnelles pour projeter des cartes de la surface sphérique de la Terre (avec plusieurs autres modèles de projection cartographique) . Le système de coordonnées projetées est connu sous le nom de projections cartographiques.

Les systèmes de coordination (à la fois géographiques et projetés) fournissent un cadre pour définir les emplacements du monde réel.

Qu'est-ce qu'une référence spatiale ?

Une référence spatiale est un système de géoréférencement et de coordonnées attribué à toutes les données géographiques, y compris les jeux de données raster et les catalogues raster. La référence spatiale définit comment les données géographiques se transforment mathématiquement en une carte plate avec une déformation minimale. Il y aura toujours un certain type de distorsion dans les données géographiques parce que vous essayez de projeter des données tridimensionnelles sur un plan tridimensionnel. Lorsque vous choisissez une référence spatiale, vous devez choisir le type de distorsion que vous souhaitez réduire.

De nombreuses références spatiales prédéterminées sont déjà définies et utilisables. Si l'une de ces références spatiales ne représente pas la projection souhaitée, vous pouvez modifier les estimations actuelles ou créer les vôtres. Si vous souhaitez utiliser la même référence locale qu'une classe d'entités, un jeu de classes d'entités ou un jeu de données existant, vous pouvez également importer cette référence spatiale exacte.

La conversion d'une projection en une autre peut modifier la taille et la surface d'une cellule à la surface de la terre. Chaque projection traite les relations entre un monde à trois dimensions et un monde à deux dimensions. Vous devez connaître les propriétés et les perceptions de chaque projection avant de choisir.

Quels sont les systèmes de coordonnées projetés ?

Un système de coordonnées approximatif est défini sur une surface plane à 2 dimensions. Contrairement à un système de coordonnées géographiques, dans un système de coordonnées projetées, deux dimensions sont constituées d'une longueur, d'un angle et d'une surface continus. Un système de coordonnées projetées est toujours basé sur le système de coordonnées géographiques, qui est basé sur circulaire ou sphérique.

Dans un système de coordonnées projetées, les lieux sont identifiés par les coordonnées x et y sur la grille, avec l'origine au centre de la grille. Dans chaque cas, il y a deux valeurs qui s'y réfèrent à cet emplacement central. L'un précise sa position horizontale et le second sa position verticale. Deux valeurs sont appelées coordonnée X et coordonnée Y. En utilisant cette notation, les coordonnées sur l'original sont x = 0 et y = 0.

Que sont les systèmes de coordonnées géographiques ?

Un système de coordonnées géographiques (GCS) utilise une surface sphérique tridimensionnelle pour définir des emplacements sur Terre. Un GCS est souvent appelé à tort une référence, mais une référence n'est qu'une partie de GCS. Un GCS comprend une unité de mesure angulaire, un méridien majeur et un datam (basé sur sphérique).

Un point est désigné par ses valeurs de longitude et de latitude. La longitude et la latitude sont les angles mesurés jusqu'à un point de la surface de la Terre à partir du centre de la Terre. L'angle est souvent mesuré en degrés (ou en grades).

Dans le système sphérique, les lignes horizontales, ou lignes est-ouest, sont des lignes de latitude ou parallèles similaires. Les lignes verticales, ou lignes nord-sud, sont des lignes d'égale longitude ou méridien. Ces lignes incorporent le monde et forment un réseau de grille appelé graticule.

Entre les pôles, la ligne de latitude médiane s'appelle l'équateur. Il définit la ligne des latitudes zéro. La ligne de la ligne zéro s'appelle le méridien principal. Pour la plupart des systèmes de coordonnées géographiques, le premier méridien est la longitude qui traverse Greenwich, en Angleterre. D'autres pays utilisent des lignes de longitude passant par Berne, Bogota et Paris. L'origine du graticule (0, 0) est définie là où l'équateur et le méridien principal diffèrent. Ensuite, le monde est divisé en quatre quadrilatères géographiques qui sont basés sur les relèvements de la boussole à l'origine. Le nord et le sud de l'équateur sont au-dessus et au-dessous, et les premiers méridiens ouest et est sont à gauche et à droite.

Les valeurs de latitude et de longitude sont traditionnellement mesurées en degrés décimaux ou degrés, minutes et secondes (DMS). La valeur de latitude est mesurée entre les équateurs dans une plage allant de -90 au pôle Sud à +90 au pôle Nord sur le pôle équatorial de l'équateur. La valeur de longitude est mesurée par rapport au méridien d'origine. En voyageant à l'est, ils font jusqu'à -180° en voyageant à 180°. Si le premier méridien est à Greenwich, alors l'Australie, qui est à l'est de l'équateur et à l'est de Greenwich, a une valeur de longitude positive et une valeur de latitude négative.

Comme vous le savez, à la fois géographique et projeté Système de coordonnées utilisé dans les SIG pour représenter la surface de la Terre sur une surface plane ou sur papier. Si vous aimez cet article et que vous l'avez trouvé utile, partagez-le sur les réseaux sociaux.


Avec FME, vous pouvez convertir vos données KML en fichiers de formes avec peu d'effort. FME lira les éléments KML dans votre fichier et les présentera en tant que types d'entités pour d'autres transformations plus spécifiques, telles que la définition du système de coordonnées de votre classe d'entités. Avec ces workflows, vous pourrez contrôler quels attributs seront enregistrés ou supprimés.

Points, lignes et polygones - Oh mon Dieu !

L'idée de transformer un fichier avec plusieurs géométries en un fichier avec un seul type de géométrie semble difficile, mais ce n'est pas le cas ! Vous avez la possibilité de manipuler la ou les entité(s) d'intérêt dans votre fichier KML et de les transformer en un fichier de formes de points, de lignes ou de polygones. Que vous ayez numérisé les informations dans Google Earth ou récupéré le fichier ailleurs, vous n'êtes pas limité dans vos options d'affichage et de transformation. Ajoutez même des informations supplémentaires aux fichiers de formes finaux pendant le processus de conversion.

Avant : points de restaurants .kml à Surrey, en Colombie-Britannique

Après : les restaurants du Surrey qui avaient « Pizza » dans leur nom sous forme de points .shp.

Automatiser les transformations KML

FME est conçu pour améliorer votre productivité afin que vous puissiez passer plus de temps à utiliser vos données et moins de temps à vous battre avec elles. Une fois configurés dans son interface utilisateur graphique intuitive, les workflows de transformation KML vers SHP peuvent s'exécuter automatiquement en arrière-plan à l'aide de FME Server. Configurez des calendriers pour exécuter votre flux de travail et fournir des résultats à ceux qui en ont besoin.
Faites la visite du serveur FME

Choisissez la direction de vos données

Lorsque vous utilisez FME pour créer votre flux de travail KML vers SHP, vous aurez un contrôle incroyable sur vos données car il existe de nombreux transformateurs spécifiques à KML, tels que KMLStyler et KMLPropertySetter, disponibles pour votre utilisation. La conception par glisser-déposer de FME signifie des flux de travail simples et intuitifs qui ne nécessitent aucun codage. Vous pouvez même afficher les résultats de chaque étape de transformation dans Data Inspector lors de l'exécution du workflow avec Feature Caching.


Votre Réponse


StackExchange.ready(function() <
var optionscanal = <
balises : "".split(" "),
identifiant : "79"
>
initTagRenderer("".split(" "), "".split(" "), channelOptions)

StackExchange.using("externalEditor", function() <
// Obligé de déclencher l'éditeur après les extraits, si les extraits sont activés
if (StackExchange.settings.snippets.snippetsEnabled) <
StackExchange.using("extraits", function() <
createEditor()
>)
>
sinon <
createEditor()
>
>)

fonction createEditor() <
StackExchange.prepareEditor( <
heartbeatType : "réponse",
autoActivateHeartbeat : faux,
convertImagesToLinks : faux,
noModals : vrai,
showLowRepImageUploadWarning : vrai,
réputationToPostImages : null,
bindNavPrevention : vrai,
suffixe : "",
ImageUploader : <
brandingHtml : "Propulsé par u003ca href="https://imgur.com/"u003eu003c/au003e",
contentPolicyHtml : "Contributions des utilisateurs sous licence u003ca href="https://creativecommons.org/licenses/by-sa/3.0/" u003ecc by-sa 3.0 avec attribution requiseu003c/au003e u003ca href="https://stackoverflow.com/ legal/content-policy"u003e(content policy)u003c/au003e",
allowUrls : vrai
>,
à la demande : vrai,
removeSelector : ".discard-answer"
,immédiatementShowMarkdownHelp:true
>)

Merci d'avoir répondu à l'échange de pile des systèmes d'information géographique !


  • Demander de l'aide, des éclaircissements ou répondre à d'autres réponses.
  • Faire des déclarations basées sur des opinions les étayer par des références ou une expérience personnelle.

Pour en savoir plus, consultez nos conseils pour rédiger de bonnes réponses.

Certaines de vos réponses passées n'ont pas été bien reçues et vous risquez d'être bloqué.


Lorsque vous stockez vos données spatiales, quelle approche est la meilleure, les fichiers de formes ou les géodatabases ? Il n'y a qu'une seule façon de le savoir & #8230.FIGHT !!

Toutes mes excuses à Harry Hill pour avoir plagié l'un de ses slogans, mais je pense que c'est une question intéressante et qui mérite d'être débattue. À partir d'ArcGIS 9, il y a eu une évolution du stockage des données spatiales à l'aide de fichiers de formes individuels et de grilles raster (ce que j'appellerai « l'approche du fichier de formes ») et vers le stockage de toutes les données spatiales pour un projet SIG dans une seule géodatabase (la « géodatabase approcher'). La plupart des manuels SIG, des informations pédagogiques et, en fait, des cours de formation, pour ArcGIS semblent maintenant recommander l'utilisation de géodatabases, mais ceux-ci semblent généralement être destinés à une grande organisation avec des SIG très grands et complexes auxquels de nombreuses personnes différentes ont accès pour de nombreuses personnes différentes. fins. La situation de la recherche écologique est souvent très différente, et il est beaucoup plus probable qu'il s'agisse d'une personne et d'un ordinateur portable avec un SIG relativement petit et simple. Ainsi, lors de l'utilisation du SIG pour la recherche écologique, y a-t-il réellement un avantage à utiliser une approche par rapport à l'autre ?

1. Les géodatabases contiennent toutes les informations dans un seul fichier, tandis que l'utilisation de fichiers de formes et de rasters nécessite que toutes les couches de données soient stockées dans des fichiers séparés : Cela peut être considéré soit comme un avantage de l'utilisation de géodatabases, soit comme un inconvénient. Avec un seul fichier, il est beaucoup plus facile de suivre toutes les couches de données et de sauvegarder ou de transférer vos données entre ordinateurs. Cela signifie également qu'il est plus facile de s'assurer de travailler sur les mêmes fichiers (cela peut être un problème avec les fichiers de formes qui ont la fâcheuse habitude de se multiplier !). Cependant, cela signifie également que si quelque chose ne va pas avec ce seul fichier, vous êtes complètement foutu. Au moins, si vous utilisez des fichiers de formes et que votre projet se bloque, vous pouvez facilement le reconstruire à partir des fichiers de formes individuels eux-mêmes, car ils sont stockés séparément du fichier de projet.

2. Les géodatabases sont spécialement conçues pour fonctionner avec ArcGIS – Partie 1 : Ce n'est pas un problème tant que vous continuez à avoir accès à ArcGIS. Cependant, que se passe-t-il lorsque la licence ArcGIS de votre projet s'exécute ou que vous devez déplacer des institutions et que vous n'avez plus de licence ? Si vous avez utilisé l'approche de la géodatabase, vous constaterez peut-être que vous ne pouvez plus accéder à toutes vos données SIG. Si vous utilisez l'approche du fichier de formes, il existe de nombreux progiciels SIG alternatifs, souvent gratuits, que vous pouvez utiliser pour accéder, explorer, tracer et manipuler vos couches de données. Therefore, if you are unsure where your next ArcGIS licence might come from (and I am sure this is true for many ecologists), using the shapefile approach means that you will always be able to access your data no matter what. This may not always be the case if you use the geodatabase approach.

3. Geodatabases are specifically designed to work with ArcGIS – Part two: Because geodatabases are specifically designed to work with ArcGIS, you can take full advantage of all the whistles and bells of the ArcGIS software. However, it also means that you cannot easily access your data layers using different GIS software packages. While this might not always be an issue, there are often instances in ecological research where ArcGIS just can’t do what you want it to and you find that you wish to use a different software package (e.g. doing a viewshed analysis in GRASS so that you don’t have to pay for the expensive spatial analyst tools extension to the basic ArcGIS software package just to do one thing). If you use the geodatabase approach you may find that you can’t easily do this, whereas it’s much easier to seamlessly move between different software packages if you use the shapefile approach.

4. Geodatabases are specifically designed to work with ArcGIS – Part three: If you are working with people from different organisations/research groups and not everyone has an ArcGIS licence, you may find sharing your data difficult if you use the geodatabase approach. However, with the shapefile approach sharing your data layers with people using other GIS software packages is much easier.

5. Geodatabases are specifically designed to work with ArcGIS – Part four: If you learn all your GIS using ArcGIS and geodatabases, you may find that you cannot as easily transfer this knowledge to other GIS software, and especially to free, open source GIS software. This is not a problem if you can guarantee that you will always have access to ArcGIS for the rest of your research career, but if you think you might one day have to rely on using different GIS software, you may find it much easier to transfer your skills if you are at least familiar with the shapefile approach. This also means that if you start with GIS career using the shapefile approach even if you’re doing it with ArcGIS, you can then choose whether to specialise in this software and move onto geodatabases, or whether to move on to other GIS software.

6. Geodatabases are more difficult to learn to use for complete beginners: One of the main limitations for encouraging ecologists to use GIS in their research is that they get put off by over-complicated explanations of what GIS is and how it can be used. I’ve found that if I can get people playing around with real data layers as soon as possible they see how useful a tool GIS can be for their research, and they will persist with it. If they don’t see this within the first few hours of using GIS, they will often abandon it, after all there are a lot of other key research skills out there that they can spend their time learning that will also benefit their research. One of the main reason that I tend to teach people GIS using the shapefile approach, is that it gets them up and running, working with real data, as quickly as possible (often within minutes if I’m sitting with them and using their own data in a one-on-one session). If they become sufficiently interested, they can explore whether they would prefer using the geodatabase approach for their own work. If I start by teaching the geodatabase approach, I have to spend those first precious minutes explaining how geodatabases are structured, how they work, the terminology, and so on. I will then quickly see their eyes glaze over and know that they’ll be lost from GIS forever.

From the above, you will clearly see that I favour the shapefile approach, I think it is more flexible and it means that you are much less chained to using ArcGIS whether you like it or not. However, it is worth emphasising here that the bottom line is that you should use the approach that is best suited you and your own circumstances. If you like the geodatabase approach, go with it, if you like the shapefile approach, why not use it? In the end, GIS is just a tool to help you do your research. As long as you succeed in do what you need to, it doesn’t really matter which approach you take, and don’t let anyone tell you anything different.


Voir la vidéo: Comment utiliser OpenStreetMap. PARTIE 1 (Octobre 2021).