Mer

Trekk fra to daglige rasters basert på navn ved hjelp av ArcGIS ModelBuilder?


Jeg ser ikke ut til å være kreativ i dag, og jeg har ikke funnet en måte å gjøre følgende på: Jeg har to mapper som hver inneholder 10.000+ rasterfiler for daglige verdier med navn som 19810101_A og 19810101_B den første dagen i januar 1981 og så videre . Nå vil jeg trekke A-rasterfilene i en mappe fra B-ene i den andre mappen hver dag og skrive dem til en tredje mappe.

Hvordan kan jeg gjøre dette i ModelBuilder?


Etter innspill fra radouxju, Martin og Hornbydd og litt prøving og feiling fant jeg at Python-koden nedenfor fungerte. Problemet var hovedsakeligos.path.split (bilde) [- 1] [: - 5]som ble erstattet medos.path.basename (image) .rstrip (os.path.splitext (image) [1])

importer arcpy, glob, os fra arcpy import sa # romlig analytiker liste_a = glob.glob ("d:  folderA  *. tif") # få en liste over tif (eller annen utvidelse) for bilde i liste_a: #loop på bilder skriver ut bilde # bare sjekker ... image_a = arcpy.sa.Raster (image) #create raster object based on the raster name image_b = arcpy.sa.Raster ("d:  folderB " + os.path.basename (image) .rstrip (os.path.splitext (image) [1]) + ".tif") #idem, men juster navnet image_c = image_a - image_b # selv eksplisitt image_c.save ("d:  folderC   "+ os.path.basename (image) .rstrip (os.path.splitext (image) [1]) +" .tif ") # lagre med nytt navn

Takk for all hjelpen. Må definitivt se nærmere på Python for fremtidig arbeid.


importer arcpy, glob, os fra arcpy import sa #spatial analyst liste_a = glob.glob ("D:  folderA  *. tif") # få en liste over tif (eller annen utvidelse) for bilde i liste_a: #loop på bilder skriver ut bilde # bare sjekker ... image_a = Raster (image) #create raster object based on the raster name image_b = Raster ("D:  folderB " + os.path.split (image) [- 1] [ : -5] + "B.tif") #idem, men juster navnet image_c = image_a - image_b # selv eksplisitt image_c.save ("D:  folderC " + os.path.split (image) [- 1] [: - 5] + "C.tif") # lagre med nytt navn

Mdhntd

I matematikk er det en erstatning som er "forskjellig" fra Vietas erstatning for å løse den kubiske ligningen?

Har indeksfond virkelig tosifret prosentvis årlig avkastning?

Tar det første elementet i en liste over foreninger

Når du lager yoghurt, hvorfor vokser ikke dårlige bakterier også?

Krever Scrying-spell at du må ha en tydelig vei til målet for å kunne jobbe?

Skal jeg få en edel for å vinne Splendor?

2: 1 girforhold i piggfri teknikk

Hvordan skelne mellom ulike meditasjonspraksiser?

Hvorfor kalles latin og sanskrit døde språk?

Hvordan får du lokksvinkelen fra CLI?

Initialisere en std :: matrise med en konstant verdi

Mottatt e-post fra ISP som sier at en av enhetene mine har skadelig programvare

Hvis den britiske regjeringen ulovlig ikke ber om forlengelse av artikkel 50, kan parlamentet gjøre det i stedet?

Besøkende kjæreste i USA

Hvordan kjøre en kommando 1 av N ganger i Bash

Hvilken er den beste passordhash-algoritmen i .NET Core?

Til hvilket land tilhørte MiGs i Top Gun?

Hvordan rapporterer jeg irritabelt at etableringsklausulen er brutt?

Kan det være planter på den mørke siden av en tidevannslåst verden?

Finnes det bilder av Apollo LM som viser forstyrret månjord som følge av nedstigning fra motoren?

Hvordan vet vi om en dialog høres unaturlig ut uten å be om tilbakemelding?

I Toy Story, er leker de eneste livløse objektene som blir levende? Og i så fall, hvorfor?

Subsetting av en raster basert på attributter fra en annen

Beregning av flomvolum ved bruk av LiDAR DEM og HEC-RAS flomlig polygon? & # 8220Extract by Mask & # 8221 endre rasterpikselverdier & # 8230eller ikke? Utpakking av tabelldata fra Raster opprettet av iterert synlighetstest Uttrekking av flere verdier av raster til polygoner ved hjelp av ArcGIS for Desktop? Fyll NoData rasterceller med flytende verdi av nærmeste celle Bruke ModelBuilder for å lage mindre individuelle DEM fra en stor DEM ved hjelp av flere polygoner? Trekke unike verdier fra forskjellige områder innen samme raster Uttrekke piksler i flere rasters basert på verdiene til en annen rasters piksler for tidsserieanalyse

Jeg prøver å utvide eksisterende 'tidevannskomplekser' til å omfatte de tilstøtende 100-års flomlettområdene. Begge er raster, og så langt har jeg brukt euklidisk tildeling for å identifisere tidevannskomplekset nærmest hver piksel i studieområdet og hentet utdataene ved hjelp av flomsletten som en maske, slik at jeg har en raster av flomslettområdet merket med nærmeste tidevann komplisert.

Imidlertid vil jeg bare inkludere flomlettområder sammenhengende med tidevannskompleksene - noen av dem ligger lenger inn i landet og ikke sammenhengende.

I-regionen grupperte flomsletteområdet merket av tidevannskompleksutgang, slik at hvert sammenhengende område har en unik verdi, og ekstraherte deretter utdataene ved hjelp av de opprinnelige tidevannskompleksene som en maske. Den resulterende rasteren har unike identifikatorer for de sammenhengende flomlettområdene som ligger til grunn for hvert tidevannskompleks.

Jeg sitter fast på dette punktet, og jeg må på en eller annen måte trekke ut flomlettområdene sammenhengende med tidevannskompleksene (min nåværende rasters omfang er bare tidevannskompleksene i seg selv). Jeg trodde opprinnelig at en indre sammenføyning mellom de regiongrupperte flomslettene og tidevannskompleksene identifisert av regiongruppert flomslett-ID ville gjøre susen, men det ser ut til å endre bare rasterattributtabellen, ikke selve rasteren - attributtabellen inkluderer bare de regiongrupperte flomslettene sammenhengende med tidevannskompleksene, men rasteren har alle de regiongrupperte flomslettene.

Min andre ide er å velge de regiongrupperte flomslettene etter attributt, basert på verdiene i tidevannskompleksene etter regiongruppert flomslett-ID, men det er & # 62200 verdier, og jeg vet ikke om en effektiv måte å trekke dem ut å bruke i et spørsmål.

Jeg jobber i ArcGIS Pro ModelBuilder så langt, men kan bytte til python om nødvendig.


Skriptsyntaks

AvisoDownloadSSHDatasetToArcGISRasters_GeoEco (brukernavn, passord, produkt, startDate, endDate, outputWorkspace, rasterNameExpression, zeroTo360, projectedCoordinateSystem, geographicTransformation, resamplingTechnique, projectedCellSize, registrationPoint, clippingRectangle, rétt

For å få tilgang til Aviso datasett med OPeNDAP, må du først skaffe deg et brukernavn og passord fra Aviso. Se http://www.aviso.oceanobs.com/en/data/ for instruksjoner om hvordan du skaffer brukernavn og passord.

Fra og med august 2010 tillot Aviso midlertidig tilgang til allmennheten med brukernavnet "aviso-brukere" og passordet "grid2010". Hvis du ikke har brukernavn og passord ennå, kan du prøve disse. Aviso forklarte at de bare ville jobbe i en begrenset periode. Hvis de ikke fungerer for deg, kan du kontakte Aviso for å få ditt eget unike brukernavn og passord.

Se dokumentasjonen for Aviso brukernavnparameteren ovenfor for mer informasjon om parametere for brukernavn og passord.

Nedlasting av Aviso havoverflatehøyde. Vennligst http://www.aviso.oceanobs.com/en/data/ for beskrivelser av produktene.

I skrivende stund støttet dette verktøyet alle SSH-produktene som Aviso gjorde tilgjengelig for nedlasting over OPeNDAP. Hvis du oppdager at Aviso publiserer et nytt produkt som ikke er tilgjengelig ved hjelp av dette verktøyet, kan du kontakte forfatteren av dette verktøyet for å få støtte for det. Som en løsning kan du også bruke det generelle Last ned Aviso-datasett til ArcGIS Rasters-verktøyet, som godtar en OPeNDAP URL.

Aviso gjør ikke alle produktene tilgjengelige via OPeNDAP. Hvis produktet du trenger ikke er tilgjengelig, kan du laste ned netCDF-filene og bruke MGETs konverteringsverktøy for å lage ArcGIS-rasters fra dem.

Produktnavnet du må sende for denne parameteren, er mellom store og små bokstaver. Hvis du påkaller dette verktøyet programmatisk, må du huske å spesifisere produktnavnet med riktig sak.

Startdato for at bildene skal lastes ned. Bilder som oppstår på eller etter startdatoen og på eller før sluttdatoen lastes ned.

Sluttdato for at bildene skal lastes ned. Bilder som oppstår på eller etter startdatoen og på eller før sluttdatoen lastes ned.

Arbeidsområde for å motta rasters.

Uttrykk som spesifiserer hvordan du genererer et utgangsrasternavn fra en bildedato.

Uttrykket er en streng som inneholder koder som erstattes med komponenter i bildedatoen. For eksempel:

Dette uttrykket betyr "ssh etterfulgt av firesifret år og tresifret år-til-år". For eksempel, hvis du lastet ned bilder for 1-jan-2008, 2-jan-2008 og 3-jan-2008, vil dette uttrykket gi navn til utdata-rasters:

Hvis du laster ned mange bilder og lagrer dem i en katalog, vil du kanskje opprette underkataloger etter år. For eksempel:

Fra datoene ovenfor får du:

(Dette eksemplet bruker skråstrek-tegnet for å indikere en underkatalog. På Microsoft-operativsystemer kan både en skråstrek og en skråstrek brukes til å indikere en underkatalog. Fordelen med en skråstrek fremover er at den også fungerer på andre operativsystemer .)

De mulige dato-komponentkodene er:

% d - Månedens dag som et desimaltall [01,31].

% H - Time (24-timers klokke) som et desimaltall [00,23].

% I - Time (12-timers klokke) som et desimaltall [01,12].

% j - Årets dag som et desimaltall [001,366].

% m - Måned som desimaltall [01,12].

% M - minutt som desimaltall [00,59].

% p - Lokalets tilsvarer enten AM eller PM (bruk med% I).

% S - Andre som desimaltall [00,61].

% U - Ukenummer i året (søndag som den første dagen i uken) som et desimaltall [00,53]. Alle dager i et nytt år før den første søndagen regnes som i uke 0. (3)

% w - Ukedag som et desimaltall [0 (søndag), 6].

% W - Ukenummer i året (mandag som den første dagen i uken) som et desimaltall [00,53]. Alle dager i et nytt år forut for den første mandagen regnes som å være i uke 0. (3)

% y - År uten århundre som et desimaltall [00,99].

% Y - År med århundre som desimaltall.

Denne parameteren gjelder bare for globale datasett. Det vil bli ignorert for regionale datasett (f.eks. Middelhavet).

Hvis det er sant, vil utgangsrastrene være sentrert på den internasjonale datolinjestyringen i en geografisk projeksjon, og vil bruke et 0 til 360-koordinatsystem. Dette er passende for studier som omfatter det sentrale Stillehavet.

Hvis False, vil output-rasters være sentrert på Prime Meridian-rasters i en geografisk projeksjon som vil bruke et koordinatsystem på -180 til +180. Dette er den tradisjonelle retningen for ArcGIS-data.

Nytt koordinatsystem å projisere utgangsraster til.

Rasteren vil opprinnelig være i et av følgende koordinatsystemer:

Sphere_Mercator - Mercator-projeksjon på en sfære. I skrivende stund brukte alle Aviso-dataene som var tilgjengelige over OPeNDAP som brukte en Mercator-projeksjon denne. Avisos dokumentasjon spesifiserte ikke sfærens radius. Fordi dimensjonene til rastercellene forblir de samme i vinkelkoordinatene uavhengig av sfærens radius, valgte jeg radius 6371000.0 fordi den tillot meg å bruke "Mercator (sfære)" -projeksjon som kommer forhåndsdefinert i ArcGIS. For mer informasjon om Avisos Mercator-projeksjon, se Avisos SSALTO / DUACS brukerhåndbok: (M) SLA og (M) ADT produkter i nærheten av sanntid og forsinket tid, avsnitt 2.1.7.2: Kartprojeksjon. I skrivende stund var denne dokumentasjonen veldig kortfattet, hovedsakelig bestående av ligninger, men hvis du følger den nøye, vil du ikke finne noen metion av en ellipsoid og se at de utfører beregninger på en sfære.

GCS_WGS_1984 - geografiske koordinater, WGS 1984-datum. Dette koordinatsystemet vil bli brukt til data som er i det Aviso kaller "kartesiske nett" eller "vanlige nett", ofte med en cellestørrelse på 0,25 eller 0,125 grader.

Det er uheldig for ArcGIS-brukere at Aviso bruker en sfærisk Mercator-projeksjon i stedet for en Mercator-projeksjon basert på en vanlig ellipsoid som WGS 1984. Mange brukere vil ønske å projisere dataene til et koordinatsystem som bruker deres valget, for å unngå ArcGIS advarsler om forskjellige datums. For enkelhets skyld lar dette verktøyet deg gjøre det som en etterbehandling.

ArcGIS Project Raster-verktøyet brukes til å utføre projeksjonen. Dokumentasjonen for det verktøyet anbefaler at du også angir en cellestørrelse for det nye koordinatsystemet.

Jeg har lagt merke til at ArcGIS 9.2 Project Raster-verktøyet for visse koordinatsystemer ser ut til å klippe den projiserte rasteren i en vilkårlig grad som er for liten. For eksempel når du projiserer et globalt MODIS Aqua 4 km klorofyllbilde i geografiske koordinater til Lambert_Azimuthal_Equal_Area med sentral meridian på -60 og opprinnelsesbreddegrad på -63, blir det resulterende bildet klippet for å vise bare en fjerdedel av planeten. Dette problemet oppstår ikke når Project Raster påkalles interaktivt fra ArcGIS brukergrensesnitt, det oppstår bare når verktøyet påkalles programmatisk (ProjectRaster_management-metoden til geoprosessoren). Dermed ser du kanskje ikke det når du bruker Project Raster selv, men det kan skje når du bruker MGET-verktøy som påkaller Project Raster som en del av geoprosesseringsoperasjonen.

Hvis du støter på dette problemet, kan du omgå det slik:

Kjør først dette verktøyet uten å spesifisere et nytt koordinatsystem for å få utgangsraster i det opprinnelige koordinatsystemet.

I ArcCatalog bruker du Project Raster-verktøyet til å projisere rasteren til det nye koordinatsystemet. Kontroller at hele rasteren er til stede, at den ikke er klippet i en grad som er for liten.

I ArcCatalog, se opp omfanget av den projiserte rasteren ved å høyreklikke på den i katalogtreet, velge Egenskaper og bla ned til Omfang.

Nå, før du kjører dette verktøyet, må du sette innstillingen Omfangsmiljø til verdiene du så opp. Hvis du påkaller verktøyet interaktivt fra ArcCatalog eller ArcMap, klikker du på Miljø-knappen i verktøyets dialogboks, åpner Generelle innstillinger, endrer rullegardinmenyen Omfang til "Som spesifisert nedenfor" og skriver inn verdiene du så opp. Hvis du påkaller den fra en geoprosesseringsmodell, høyreklikker du på verktøyet i modellen, velger Gjør variabel, Fra miljø, Generelle innstillinger, Omfang. Dette vil plassere Extent som en variabel i modellen din, festet til verktøyet. Åpne variabelen Omfang, endre den til "Som spesifisert nedenfor" og skriv inn verdiene du så opp. Hvis du påkaller verktøyet programmatisk, må du stille inn egenskapen Omfang for geoprosessor til verdiene du så opp. Se ArcGIS-dokumentasjonen for mer informasjon om dette og miljøinnstillinger generelt.

Kjør dette verktøyet. Omfanget av utgangsrasteren skal nå være riktig størrelse.

En transformasjonsmetode som brukes til å konvertere mellom det opprinnelige koordinatsystemet og det nye koordinatsystemet.

Denne parameteren er et nytt alternativ introdusert av ArcGIS 9.2. Du må ha ArcGIS 9.2 for å bruke denne parameteren.

Denne parameteren er bare nødvendig når du spesifiserer at rasteren skal projiseres til et nytt koordinatsystem, og at det nye systemet bruker et annet datum enn det opprinnelige koordinatsystemet, eller det er en annen forskjell mellom de to koordinatsystemene som krever en transformasjon. For å avgjøre om en transformasjon er nødvendig, anbefaler jeg følgende fremgangsmåte:

Først kjører du dette verktøyet uten å spesifisere et nytt koordinatsystem for å få tak i rasteren i det originale koordinatsystemet.

Deretter bruker du ArcGIS 9.2 Project Raster-verktøyet på rasteren for å projisere det til ønsket koordinatsystem. Hvis en geografisk transformasjon er nødvendig, vil verktøyet be deg om en. Skriv ned det nøyaktige navnet på transformasjonen du brukte.

Til slutt, hvis det var nødvendig med en transformasjon, skriv inn det eksakte navnet i dette verktøyet, kjør det på nytt, og kontroller at rasteren ble projisert slik du ønsket.

Resamplingsalgoritmen som skal brukes til å projisere den originale rasteren til et nytt koordinatsystem. ArcGIS Project Raster-verktøyet brukes til å utføre projeksjonen og godtar følgende verdier:

NÆRMEST - nærmeste nabointerpolasjon

BILINEAR - bilinær interpolasjon

Du må spesifisere en av disse algoritmene for å projisere til et nytt koordinatsystem. En feil vil oppstå hvis du spesifiserer et nytt koordinatsystem uten å velge en algoritme.

Cellestørrelsen til det projiserte koordinatsystemet. Selv om denne parameteren er valgfri, anbefaler ArcGIS-dokumentasjonen at du alltid spesifiserer den når du projiserer til et nytt koordinatsystem for å få de beste resultatene.

X- og y-koordinatene (i utgangsområdet) som brukes for pikseljustering.

Denne parameteren er et nytt alternativ introdusert av ArcGIS 9.2. Du må ha ArcGIS 9.2 for å bruke denne parameteren. Det ignoreres hvis du ikke spesifiserer at rasteren skal projiseres til et nytt koordinatsystem.

Rektangel som rasteren skal klippes til.

Hvis et projisert koordinatsystem ble spesifisert, utføres klippet etter projeksjonen, og rektangelets koordinater bør spesifiseres i det nye koordinatsystemet. Hvis det ikke ble spesifisert noe projisert koordinatsystem, bør koordinatene spesifiseres i det originale koordinatsystemet.

ArcGIS Clip-verktøyet brukes til å perfeksjonere klippet. Klipprektangelet må sendes til dette verktøyet som en streng på fire tall atskilt med mellomrom. ArcGIS brukergrensesnitt formaterer automatisk strengen riktig når du påkaller dette verktøyet fra ArcGIS UI, du trenger ikke bekymre deg for formatet. Men når du påkaller den programmatisk, må du passe på å gi en riktig formatert streng. Tallene er ordnet VENSTRE, BUNN, HØYRE, TOPP. For eksempel, hvis rasteren er i et geografisk koordinatsystem, kan den klippes til 10 W, 15 S, 20 E og 25 N med strengen:

Heltall eller desimaltall kan oppgis.

Kartlegge algebrauttrykk for å utføre på rasteren.

ADVARSEL: ArcGIS Geoprocessing Model Builder kan tilfeldig og lydløst slette verdien til denne parameteren. Dette er en feil i ArcGIS. Før du kjører en modell du har lagret, må du åpne dette verktøyet og bekrefte at parameterverdien fortsatt eksisterer.

Uttrykket kjøres etter at den konverterte rasteren er projisert og klippet (hvis disse alternativene er spesifisert). Bruk store og små bokstaver inputRaster til å representere rasteren du nå vil utføre kartalgebra på. For eksempel, for å konvertere rasteren til et heltall raster og legge 1 til alle cellene, bruk dette uttrykket:

Strengen inputRaster er mellom store og små bokstaver. Før du utfører kartalgebrauttrykket, erstattes strengen med banen til en midlertidig raster som representerer rasteren som genereres. Det endelige uttrykket må være mindre enn 4000 tegn langt, ellers rapporterer ArcGIS en feil.

ArcGIS-verktøyet for enkeltutgangskartalgebra brukes til å utføre kartalgebrauttrykket. Du må ha lisens for ArcGIS Spatial Analyst-utvidelsen for å kunne utføre kartalgebra.

Kartalgebrasyntaks kan være veldig kresen. Her er noen tips som hjelper deg med å lykkes med dette verktøyet:

Før du bruker dette verktøyet, må du konstruere og teste kartalgebrauttrykket ditt ved hjelp av ArcGIS-verktøyet for enkeltutgangskartalgebra. Lim deretter inn uttrykket i dette verktøyet, og rediger det for å bruke inputRaster-variabelen i stedet for testverdien du brukte med Single Output Map Algebra.

Hvis du utvikler uttrykket ditt direkte i dette verktøyet, begynn med et veldig enkelt uttrykk. Kontroller at den fungerer som den skal, legg til litt i den, og bekreft igjen. Gjenta denne prosessen til du har bygget opp hele uttrykket.

Skill alltid matematiske operatører fra rasterbaner ved å bruke mellomrom. I eksemplet ovenfor inneholder / operatoren et mellomrom på hver side. Følg dette mønsteret. Under noen omstendigheter vil ArcGIS ikke behandle rasteralgebrauttrykk som ikke skiller rasterbaner fra operatører som bruker mellomrom. Den rapporterte feilmeldingen indikerer vanligvis ikke at dette er problemet, og det kan være veldig frustrerende å spore den.

Hvis det er sant, vil pyramider bygges for rasteren, noe som vil forbedre visningshastigheten i ArcGIS brukergrensesnitt.

Hvis det er sant, blir nedlastingen hoppet over for output-rasters som allerede eksisterer.


Marine Geospatial Ecology Tools: Et integrert rammeverk for økologisk geoprosessering med ArcGIS, Python, R, MATLAB og C ++

Med ankomsten av GPS, fjernmåling fra satellitt og personlige datamaskiner har de siste to tiårene vært vitne til raske fremskritt innen romlig eksplisitt marin økologisk modellering. Men med denne innovasjonen har det kommet kompleksitet. For å holde tritt må økologene mestre flere spesialiserte programvarepakker, for eksempel ArcGIS for visning og manipulering av geodata, R for statistisk analyse og MATLAB for matrisebehandling. Dette krever en kostbar investering av tid og energi læring dataprogrammering, en høy hindring for mange økologer. For å gi enklere tilgang til avanserte analysemetoder utviklet vi Marine Geospatial Ecology Tools (MGET), en utvidbar samling av kraftige, brukervennlige, åpen kildekode geoprosesseringsverktøy som økologer kan påberope seg fra ArcGIS uten å bruke datamaskinprogrammering. Internt integrerer MGET Python, R, MATLAB og C ++, og bringer kraften til disse spesialiserte plattformene til verktøyutviklere uten å kreve at utviklere orkestrerer interoperabiliteten mellom dem.

I denne artikkelen beskriver vi MGETs programvarearkitektur og verktøyene i samlingen. Deretter presenterer vi et eksempel på en applikasjon: en habitatmodell for atlantisk flekket delfin (Stenella frontalis) som forutsier tilstedeværelse av delfiner ved hjelp av en statistisk modell utstyrt med oceanografiske prediktorvariabler. Vi avslutter med å diskutere leksjonene vi lærte å konstruere et høyt integrert verktøyrammeverk.


1 Svar 1

Bruk tildel, men husk at du også kan opprette en rasterstabel eller murstein ved å sende en vektor med gyldige raster til funksjonen. De opprinnelige rasternavnene holdes i rasterobjektet. Det kreves imidlertid at alle rasterene dine har felles oppløsning, dimensjoner (rad / kolonne), omfang og opprinnelseskoordinater. Hvis du vil forutsi en romlig modell, vil du bruke denne inngangen og ringforutsi. Det er en innpakning i rasterpakken som vil forutsi til en rasterstabel / mursteinobjekt og holde minnet trygt. Jeg kom med noen forslag til koden din.


ESRI Hands-On Learning Labs (HOLL)

Hvordan fungerer HOLL?

HOLL består av en gruppe bærbare datamaskiner med hodetelefoner der studentene kan jobbe seg gjennom leksjonene i sitt eget tempo. En leksjon består av en innspilt presentasjon etterfulgt av en praktisk øvelse. Hver leksjon tar vanligvis rundt 45 til en time å fullføre, og studentene kan vanligvis komme og gå som de vil. Instruktører for utdanningstjenester er tilgjengelig for å hjelpe brukere med spørsmål og diskutere Esri-produkter, andre opplæringsmuligheter og Esri Technical Certification.

HOLL-kurstilbud

  • 1.) Komme i gang med GIS 1: Forstå ArcGIS-plattformen
  • 2.) Komme i gang med GIS 2: Bruk ArcMAP til å utforske GIS-data
  • 3.) Bli kjent med ArcGIS Pro
  • 4.) Fordeler med å lagre GIS-dataene dine i Geodatabasen
  • 5.) Opprette presentasjonskvalitetskart i ArcMap
  • 6.) Redigering av GIS-data i ArcMap
  • 7.) Flerbrukerredigering ved hjelp av versjonering
  • 8.) Redigering og vedlikehold av pakker lagret i et pakkestoff
  • 9.) Geokoding gateadresser for å opprette kartpunkter
  • 10.) Importere og klargjøre CAD-data for bruk i ArcGIS
  • 11.) Viktigheten av romlig referanse i taktiske applikasjoner
  • 12.) Utforske helse og epidemiske mønstre ved hjelp av verktøy for romlig statistikk
  • 13.) Optimalisering av transportkjøringer ved hjelp av ArcGIS Network Analyst
  • 14.) Modellering av tid og avstand langs nettverk ved bruk av lineær referanse
  • 15.) Arbeide med geometriske nettverk for å administrere verktøy
  • 16.) Interpolering av prøvepunkter for å lage rasters ved hjelp av romlige analytikerverktøy
  • 17.) Geoprosessering av GIS-data ved bruk av Python
  • 18.) Deling av kart og GIS-innhold ved hjelp av ArcGIS Online
  • 19.) Forstå webtjenester ved bruk av ArcGIS for Server
  • 20.) Generere webapplikasjoner for GIS-nybegynneren
  • 21.) Komme i gang med verktøyene for forberedelse av felleskart
  • 22.) Kartlegge Excel-data ved hjelp av Esri Maps for Office

Frokost Sponset av

Keynote-presentasjonRobert Ballard, berømt oseanograf

Robert Ballard er grunnlegger og president for Ocean Exploration Trust Director for Center for Ocean Exploration og professor i oseanografi ved University of Rhode Island Graduate School of Oceanography. Han er en oppdagelsesreisende ved National Geographic Society, kommisjonær for den amerikanske kommisjonen for havpolitikk, og seniorforsker emeritus ved Woods Hole Oceanographic Institution.

I 1985 oppdaget han RMS Titanic, og har lykkes med å spore opp mange andre viktige skipsvrak, inkludert det tyske slagskipet Bismarck, den tapte flåten til Guadalcanal, det amerikanske hangarskipet Yorktown og John F. Kennedys båt, PT-109. Han har også oppdaget hydrotermiske ventilasjoner og "svartrøykere" i Galapagos Rift og East Pacific Rise i 1977 og 1979.

ESRI HOLL (GRATIS praktiske læringslaboratorier)

Se kurstilbud -> Gjennom dagen på onsdag vil ESRI være vertskap for selvstyrte kurs i Balcones-rom som dekker ESRI-programvare og viktige GIS-teknikker.

Følg med for kurstilbud.

Økt A (Big Tex)Beredskap

10.30 - 11.00 Geospatial Data Quality for Next Generation 9-1-1

Sean Moran, Brian Christman - Austin Community College

Geospatial Data Quality for Next Generation 9-1-1

Austin Community College Incubator for Professional Skills (ACC Inc) utviklet og testet en tre-komponent vurdering av nøyaktigheten av geospatiale data til støtte for Next Generation 9-1-1 Project of the Commission on State Emergency Communications, Texas. Personalet i ACC Inc benyttet ESRIs ArcGIS 10.3, West's MapSAG og Texas Google Imagery Service til å analysere adressepunkter, veisenterlinjer og nødtjenestegrenser for to pilotfylker i Texas for romlig nøyaktighet, topologisk kontinuitet og geokodinglogikk. ACC Incs vurdering representerer en kvantifisert bestemmelse av den opprinnelige kvaliteten på kildedataene som skal understøtte Next Generation 9-1-1-prosjektet. ACC Inc målte posisjonsnøyaktigheten til adressepunkter og veisenterlinjer mot tilsvarende fotoidentifiserbare funksjoner i Google Imagery Service med høy nøyaktighet, høy oppløsning og beregnet horisontal romlig nøyaktighet i samsvar med den nasjonale standarden for romlig datanøyaktighet fra 1998. I valideringen av funksjonstopologi anvendte ACC Inc et program med tjueto regler for topologi, attributt konsistens og relativ plassering til kildedataene og katalogisert bruddene etter regel. ACC Inc analyserte geokodingslogikken til kildedataene med MapSAG og identifiserte feil etter type og mengde i veisenterlinjen og adressepunktdataene. ACC Incs metodikk og resultater viser en effektiv, datadrevet prosess der GIS-data kan vurderes for forbedringsområder for å oppfylle kravene i en nødruterbar database. Forfattere vil presentere detaljerte beregninger og statistikk under forumsesjonen for vurderingene av de to pilotfylkene.

11.00 - 11.30 Brann og regn: jordskue med flygende maskiner

Brann og regn: jordskue med flygende maskiner

De to siste årene har vært veldig opptatt for beredskapsledelsen i Texas. Vi gjennomgår høydepunkter fra nylige hendelser i flom, brann og tropiske stormer og demonstrerer hvordan vi henter informasjon fra forskjellige eiendeler for å forbedre forståelsen av hvor, hvem og hvordan katastrofepåvirkninger i Texas på en daglig basis. Vi presenterer eiendeler for fjernmåling som nylig er tilgjengelige gjennom det internasjonale charteret for romfarer og store katastrofer, inkludert satellitter som drives av forskjellige europeiske romfartsorganisasjoner, Russland, India og Venezuela. Vi viser også eksempler på fotografering samlet av Texas Civil Air Patrol og diskuterer de mange bruksområdene til denne verdifulle bildesamlingen.

Presentator Bio:
Teresa Howard koordinerer MAGIC-aktiviteter, støtter Texas Division of Emergency Management (TDEM) State of Texas Emergency Assistance Registry (STEAR) og beredskapsoperasjoner, fungerer tidvis som prosjektleder for International Charter for Space and Major Disasters, og veileder videregående skole-interns i en NASA sponset sommerprogram. Hun har vært forsker ved University of Texas i Austin Center for Space Research (CSR) siden 2000.

Gordon Wells fungerer som programleder for Mid-American Geospatial Information Center (MAGIC) ved CSR.

11:30 - 12:00 Rollen til GIS i Emergency Response for Texas

David Allen - Texas Emergency GIS Response Team

Rollen til GIS i Emergency Response for Texas

Etter hvert som vi bygger mer beredskapsinfrastruktur i Texas, blir det tydelig at GIS må spille en viktig rolle i håndteringen av katastrofekartlegging. Enten det er flom, orkaner, tornadoer, skogbranner, eller hva har du en av de viktigste aspektene ved katastrofen ved å svare på spørsmålet "Hvor?" På toppen av det kan GIS legge til en ny dimensjon i beredskap ved å kunne vise grafisk en rekke forskjellige data for å utføre prediktiv analyse og hjelpe til med skadevurderinger. I denne økten vil du se eksempler på hvordan Texas EGRT fyller dette behovet og informasjon om hvordan GIS-fagpersoner kan involvere seg i denne frivillige gruppen.

Presentator Bio:
David W, Allen, GISP, har vært GIS-sjef i City of Euless, Texas, siden 1989 og vært involvert i GIS i over 33 år. Han er adjungert professor ved Tarrant County College i Fort Worth, Texas, hvor han var med på å lage GIS-programmet i 1999. Han har også skrevet fire titler for Esri Press om emner fra geodatabase-design, romlig analyse og Python-programmering. Siden 2006 har han jobbet med ulike beredskapsgrupper for å gi responskartlegging, og ble utnevnt til den statlige operasjonsdirektøren for Texas EGRT i 2014.

Økt B (Li'l TEX)Fjernmåling I

10.30 - 11.00 Uklarhet av skrivebords romlige oppskrifter for lokalisering av vannrelaterte funksjoner ved bruk av Texas NAIP-bilder

Uklarhet av skrivebords romlige oppskrifter for lokalisering av vannrelaterte funksjoner ved bruk av Texas NAIP-bilder

Kartlegging av vannfunksjoner er en av de mest brukte applikasjonene for geospatial teknologi. Det er en rekke geospatiale datasett som kan utnyttes for å hjelpe i prosessen. I tillegg har utviklingen av maskinvare- og programvareteknologier tatt en tur for skybehandlingsmiljøer. Overgangen av robust skrivebordsfunksjonalitet til skymiljøene skaper spennende utfordringer og usikkerhet i geospatialt samfunn. Hvordan samler vi det hele sammen? Delta på denne presentasjonen for å lære hvordan du bruker vannrelaterte indekser i form av romlige oppskrifter for å hente ut vannlegemefunksjoner fra lett tilgjengelige NAIP-bilder fra Texas Natural Resources Information System.

Presentator Bio:
Frank Obusek er en applikasjonsingeniør i Hexagon Geospatial som støtter det amerikanske salgsteamet. Han har en mastergrad i geologi fra Bowling Green State University i Ohio. Frank har jobbet innen fjernmåling siden midten av 1990-tallet. Han har jobbet med alle sektorer i regjeringen og mange private leverandører, inkludert å eie sin egen småbedrift. Franks ekspertise inkluderer fjernmåling, GIS og funksjonsutvinning.

11.00 - 11.30 Land Cover Change for Houston Region og Galveston Bay

Tittel

Presentator Bio:
bio

11:30 - 12:00 Hybrid løsninger for fjernmåling

Hybrid løsninger for fjernmåling

Hybrid fjernmåling er definert som å ta en kombinasjon av teknologier for fjernmåling for å adressere en gitt applikasjon og gi en løsning som bedre adresserer en komplett løsning for applikasjonen. Det er mange applikasjoner som fjernmåling brukes til, men ved å bruke flere sensorer til et program kan det gi en grundigere løsning for dette programmet. Eksempler på disse typene prosjekter er positiv togkontroll, autonom bilkartlegging, flyplasskartlegging og motorveissikkerhetskartlegging. Presentasjonen vil dekke de forskjellige teknologiene for fjernmåling for å adressere denne applikasjonen og andre. I tillegg vil presentasjonen dekke metodikk og begrensninger for å anvende multisensorteknologier til et gitt prosjekt eller applikasjon. Til slutt vil datafusjonen av disse fjernmålingsteknologiene bli diskutert og eksempler vil bli gitt.

Presentatør Bios:
James (Jamie) Wilder Young CP, CMS-L, GISP er for tiden Senior Geomatics Technologist for Merrick & Co. i Greenwood Village, Colorado. Hans erfaring inkluderer alle aspekter av LiDAR, inkludert sensorutvikling, applikasjonsutvikling, datainnsamling, databehandling og prosjektledelse.

Jill Wrenn er for tiden senior feltoperatør for Merrick & Co. i Greenwood Village, Colorado. Hennes erfaring inkluderer omfattende felterfaring, inkludert GPS-undersøkelse, drift av LiDAR og Digital Imaging Sensor, testing og feilsøking. Hun har en grundig forståelse av LiDAR-produksjonsprosessen som et resultat av tidligere erfaring som LiDAR-produksjonsleder.

Lunsj Sponset av

Platinum Sponsor Demo

Økt A (Big Tex)Innovativ teknologi

14:00 - 14.30 TxDOT-OpenStreetMap Crowdsourcing-samarbeid

TxDOT-OpenStreetMap Crowdsourcing-samarbeid

Transportdepartementet i Texas (TxDOT) og OpenStreetMap.org (OSM) har gått sammen for å utforske potensialet for samarbeid. De to organisasjonene har et felles oppdrag for å samle inn, kartlegge og vedlikeholde veidata. Et lite pilotprosjekt ble utviklet for å avgjøre om videre samarbeid ville være fordelaktig. Teamet bruker OSMs MapRoulette-plattform for å samle digitaliseringen av polygoner fra mer enn 10.000 poengfunksjoner som er sådd av TxDOT og Texas Historic Commission. Teamet håper å demonstrere det store potensialet for denne typen samarbeid gjennom å dele ressurser mot et felles mål, uten hvilket et slikt utfall ville være usannsynlig.

Presentatør Bios:
Chris Bardash er en GIS-analytiker for Texas Department of Transportation med 9 års GIS-erfaring. Han er utdannet ved University of Texas. Før han kom til TxDOT for 3 år siden, jobbet Chris for Montana Department of Environmental Quality. Han liker å vandre, reise og lage mat, og håper å en dag vandre Continental Divide Trail.

Martijn van Exel er OpenStreetMap-prosjektleder hos Telenav. Martijn vokste opp i Nederland og studerte byplanlegging og geografi ved universitetet i Amsterdam. Han er for tiden bosatt i Salt Lake City. Når han ikke jobber med OSM på en eller annen måte, vil du sannsynligvis finne ham et sted i fjellet, på en pub, på kjøkkenet, i bakgården eller foran TV-en.

14:30 15.00 GeoNode: samfunnsdrevet kartlegging for alle

MapStory: samfunnsdrevet kartlegging for alle

GeoNode (geonode.org) er en gratis og åpen nettbasert plattform som letter opprettelse, deling og samarbeidsbruk av geospatiale data. Som en plattform for samarbeid er en GeoNode-applikasjon fellesskapsdrevet og kobler brukere over hele verden til delt GIS-innhold. GeoNode er designet for å styrke ikke-utviklere til å opprette og dele data online på en meningsfull måte, og lar GIS-brukere bygge en historie om sammenkoblede geospatiale data og ikke-romlig innhold: fortelle ikke bare "hva" men også "hvor".

I denne samtalen er vårt mål å svare på spørsmålene "hva er GeoNode, hvordan kan jeg bruke det, og hvorfor skal jeg bry meg?". Som kjerneutviklere på GeoNode-prosjektet vil Sara og Dan gi en kort oversikt over GeoNode-plattformen rettet mot et generelt publikum av geospatiale studenter og fagpersoner. Deretter viser vi brukersaker som viser hvordan brukere fra forskjellige sektorer (som utdanning og humanitære arbeidere) bruker GeoNode i dag. Vi vil også kort diskutere fremtidige planer for plattformen fra GeoNode-utviklermiljøet, og svare på spørsmål publikum måtte ha om dette gratis verktøyet for samarbeidskartlegging.

Presentator Bio:
Sara Safavi er en programvareutvikler som jobber nær skjæringspunktet mellom programmering og alt geospatialt, og er spesielt lidenskapelig opptatt av Python og programvare med åpen kildekode. Hun har blitt kalt en GeoHipster, og er også en sertifisert GISP.

Dan Berry er en sertifisert GISP, med over 15 års geospatial erfaring i forsvars- og etterretningssamfunn. Han brenner for å integrere geospatial programvare med åpen kildekode i eksisterende forsvarsprogrammer.

15:00 - 15.30 Utnytte stedsbasert kontekst med dataobservatoriet

Utnytte stedsbasert kontekst med dataobservatoriet

Presentatør Bios:

Økt B (Li'l TEX)Remote Sensing II

14:00 - 14.30 Texas 2015 Statewide Orthoimagery Project

Cornell Rowan - Surdex | Gayla Mullins - TNRIS

Texas 2015 Statewide Orthoimagery Project

Presentasjonen vil detaljere det føderale, statlige og lokale myndighetssamarbeidet for å bestemme prosjektspesifikasjoner, høyoppløselig oppkjøp, finansiering og valg av entreprenør koordinert av Texas Natural Resources Information System. Prosjektgjennomføring av Surdex vil omfatte informasjon om anskaffelse, bakkekontroll, aerotriangulering og ortofotoproduksjon. Prosjektkommunikasjonsverktøy og rapporteringsprosedyrer vil bli skissert sammen med hvordan produktleveranser ble planlagt.

Presentatør Bios:
Mr. Cornell Rowan, Prosjektleder Surdex Corporation Cornell Rowan er en ASPRS-sertifisert fotografer med over 30 års erfaring i kartbransjen.Cornell har med suksess ledet mange orthoimagery-prosjekter for Surdex Corp. Cornell var Surdex-prosjektleder for Texas Statewide-prosjektet, Ark-Tex Council of Government-prosjektet, South Texas Ortho Image-prosjekt og Smith County 911-prosjektet i Texas. Cornells erfaring inkluderer også topografisk kartlegging, volumetriske beregninger, matrikkartlegging og manipulering av GIS-databaser for naturressurser, infrastruktur og kulturell informasjon.

Gayla Mullins er fjernmåler-spesialist ved Texas Natural Resources Information System (TNRIS), en avdeling av Texas Water Development Board (TWDB). Under det strategiske kartleggingsprogrammet koordinerer og styrer hun prosjekter for anskaffelse av statlige og regionale ortografiske bilder. Før hun ble ansatt i TNRIS, var hun forskningsassistent ved University of Texas i Austin Center for Space Research. Mullins har en mastergrad i anvendt geografi og en bachelorgrad i geografi, begge fra Texas State University. Hun er en sertifisert profesjonell geografisk informasjonssystem.

14:30 15.00 Nye applikasjoner av ubemannede antennesystemer (UAS) for biologiske vurderinger

Nye applikasjoner av ubemannede antennesystemer (UAS) for biologiske vurderinger

Tradisjonelle metoder for å gjennomføre habitatvurderinger kan være tidkrevende og kan begrenses av geografiske barrierer. Bruk av ubemannet antennesystem (UAS) -teknologi kan gi mer nøyaktige og kostnadseffektive alternativer til disse metodene. Vi har gjennomført flere vegetasjons- og vannfuglhabitatvurderinger med minion ubemannet luftfartøy (UAV) og phantom 3 quadcopter. Ved å bruke NIR, RGB og termiske bilder fra minion UAV, er vi i stand til å klassifisere vegetasjon over store områder. Bilder med høy oppløsning fra quadcopteret har blitt brukt til å kartlegge vegetasjon i San Marcos-elven. Dette har økt nøyaktigheten av vurderingene, redusert etterbehandlingstiden og nesten eliminert behovet for å kartlegge området ved hjelp av GPS i felt.

I tillegg til vegetasjonsovervåking, bruker vi for tiden UAV-bilder for å vurdere muligheten for å bruke UAS-teknologi til å overvåke hekkeplasser i koloniale vannfugler på Texas-kysten. Tradisjonelle metoder kan være unøyaktige og forstyrre sensitive hekkende fugler. Foreløpige resultater har vist at bilder fra UAV kan gi høy nøyaktighet og ikke forårsaker forstyrrelser. Foreløpige resultater har vist at det er økt nøyaktighet, mindre tid i felt og raskere etterbehandling.

Presentator Bio:
Lukk

15:00 - 15.30 Inkluderer UAS-teknologi i K-16 utdanning i Texas

Inkluderer UAS-teknologi i K-16 utdanning i Texas

Del Mar (Community) College (DMC), i samarbeid med Texas A&M University-Corpus Christi, oppretter et GIS UAS-prosjekt under NSF Advanced Technological Education (ATE) -programmet. Visjonen til programmet er å forberede studentene på karrierer innen det nye feltet med ubemannede flysystembruk i Geospatial Technologies og andre nye bransjer. Prosjektets mål er å:

  1. Møt den nye etterspørselen etter utdannet arbeidsstyrke innen UAS Geospatial Technology (GST) og applikasjoner ved å utvikle et nytt innovativt program
  2. Øk kvantiteten, kvaliteten og mangfoldet av arbeidsstyrken i geospatial teknologi med UAS-ekspertise
  3. Bli den anerkjente statlige modellen for UAS geospatial teknologi arbeidsstyrkeutdanning
  4. Få bredere innvirkning gjennom utvikling av partnerskap og kunnskapsformidling
  5. Sikre programets bærekraft og vekst.

Presentatør Bios:
kommer snart

Kaffepause sponset av

Økt A (Big Tex) Databehandling I

16:00 - 16.30 Innovativ universitetsadministrasjon GIS-applikasjoner: Høyesterettsforespørsler i Texas, online klassevurderinger, økonomisk rekkevidde og innsamling av penger

Innovativ universitetsadministrasjon GIS-applikasjoner: Høyesterettsforespørsler i Texas, online klassevurderinger, økonomisk rekkevidde og innsamling av penger

Det nye GIS-senteret ved Sam Houston State University (SHSU) startet nylig et initiativ for å vurdere hvordan det kan bidra til å støtte de spesifikke kartbehovene på tvers av universitetsadministrasjonen. Det ble funnet store offentlige domener og jevnlig oppdaterte (etter semester) universitetsdekkende datasett som også hadde blitt undersøkt med fokus på å korrigere adresser. Denne redigeringen strømlinjeformet alle påfølgende forespørsler om geokoding. Som med alle innledende GIS-prosjekter ble det gjennomført møter for å forstå de spesifikke behovene og kartleggingsmålene til sluttbrukeren (som aldri hadde brukt GIS-teknologier). Det var også spesielt nødvendig å forklare sluttbrukerens vanskeligheter ved kartleggingsprosessen og de mange typer resulterende kartprodukter som er mulige.

Office of University Advancement var det første som ble besøkt. Personalet deres forklarte behovet for opprinnelig å generere kart over forskjellige fordelinger av SHSUs 20.000 pluss studenter etter fylke i Texas av: 1) antall studenter, 2) første generasjons studenter og 3) alumner. De ba om et kart over distribusjonen av alle SHSU sykepleierstudenter over Texas. Dette kartet ble brukt i en formell anmodning om økonomisk støtte til en stiftelse som utelukkende finansierer sykepleiestudentinitiativer. Ordet spredte seg snart, og Office of Institutional Effectiveness, på grunn av en formell anmodning fra Texas høyesterett, ba om et sett med kart og tilhørende databaser som representerte antall SHSU-studenter av Texas House of Representative District og Senate District. Det samme SHSU-kontoret, på forespørsel fra Blinn College (en samarbeidende studentmaterskole for SHSU), ba deretter om et lignende kart over distribusjonen av Blinn-studenter ved Texas House og Senate distriktskart. Finans- og operasjonskontoret ba deretter om forskjellige kart som hjalp til med å skildre universitetets "økonomiske rekkevidde" over hele Texas og den omkringliggende regionen. Disse resulterende kartene representerte de kumulative lønningene for SHSU-ansatte (ca. 5700 personer) etter fylke.

Ytterligere administrasjonsforespørsler som fokuserte på helsevitenskap, inkluderte et innledende kart som viser tettheten til medisinske tjenester rundt et potensielt sted for den foreslåtte nye SHSU medisinskolen. På grunn av mangel på leger, forberedte SHSU School of Nursing nylig en forespørselsforespørsel til staten Texas om å godkjenne et nytt Family Nurse Practitioner (FNP) -program og et voksen-gerontologi akutt pleieprogram (AGACNP) ved SHSU. Staten krever at et nytt sykepleierprogram ikke skal være plassert innen 50 miles fra et eksisterende sykepleierprogram. Det resulterende kartet bekreftet og avbildet denne passende avstanden, og kartet ble inkludert i det formelle forslaget til staten. Til slutt bruker universitetet, gjennom Delta Center - SHSU On-Line, også aktivt GIS for å vurdere distribusjon, funksjonalitet og tilknyttede markedsføringsaspekter av online klasser etter disiplin. Alle ovennevnte GIS-applikasjoner skjedde i løpet av det siste året. I hvert av disse eksemplene var resultatene ganske opplysende, brukes til å fremme oppdraget til universitetet, og hver førte til ytterligere forespørsler som forventes å bli gjentatt mange ganger for hvert kontor i årene som kommer. I enhver organisasjon er det viktige GIS-aktiverte kartbehov som ennå ikke er realisert, og som når de implementeres kan utgjøre en betydelig forskjell. Du trenger bare å se deg om, og du kan også bidra med dine GIS-ferdigheter!

Presentator Bio:
Jack Hill, Ph.D., direktør, Innovative samarbeidsprogrammer, Office of Research og sponsede programmer, Sam Houston State University (SHSU), Huntsville, Texas, ble med i SHSU i 2011. Dr. Hill er nasjonalt og internasjonalt anerkjent for sitt arbeid med integrering og anvendelse av fjernmåling (RS) og teknologi for geografisk informasjonssystem (GIS) genererte data for å analysere og løse naturressurser, miljømessig, bærekraftig utvikling, og sist offentlige helseproblemer.

Tidligere fungerte han som visepresident og direktør for miljøprogrammet ved Houston Advanced Research Center (HARC). Han tjenestegjorde også ved fakultetet for Institutt for anleggsteknikk ved Louisiana State University, hvor han var lektor og førsteamanuensis for Remote Sensing and Image Processing Laboratory.

16:30 - 17:00 Få tilgang til data fra føderale myndigheter: Råd for resten av oss

Tilgang til føderale myndighetsdata: Råd for resten av oss

9. mai 2013 undertegnet president Barack Obama en utøvende ordre, "Making Open and Machine Readable the New Default for Government Information", og lovet regjeringens datatilgang for alle. Målet er "å sikre at data blir gitt ut til publikum på måter som gjør dataene enkle å finne, tilgjengelige og brukbare." Imidlertid er det fremdeles ingen "enkel knapp" for å finne, få tilgang til eller bruke amerikanske myndighetsdata. I denne presentasjonen vil vi vise noen ressurser for å finne myndighetsdata, hvordan du får tilgang til dataene, og hva du skal gjøre med dataene når du har det for å tilføre verdi til virksomheten din.

Presentatør Bios:
Sally Holl er ledende innen bevaring av geografiske informasjonssystemer (GIS) og datahåndtering. Hun tjente en M.S. fra Jackson School of Geosciences ved UT Austin, en B.A. fra Oberlin College, og en vitenskapelig utdannelse fra California State University, Fullerton. Sally fungerte også i to år som Data- og GIS-koordinator for det internasjonale Desert Landscape Conservation Cooperative (Desert LCC) og ledet den nasjonale arbeidsgruppen for datastyring for alle landskapskonserveringslag.

David Maltby har mer enn 25 års erfaring innen GIS geospatial data-datainnsamling og prosessering av databasedesign og desktop-, web- og mobilprogrammering for føderale, statlige og lokale myndigheter samt privat sektor. Han har skrevet vitenskapspublikasjoner og har patenter for geospatial analyse og automatisering og automatisert databehandling.

17:00 - 17.30 GIS: Kjøretøyet for å modernisere kommunale forretningsfunksjoner

GIS: Kjøretøyet for å modernisere kommunale forretningsfunksjoner

City of Cedar Park har opplevd stor vekst det siste tiåret. Den raske ekspansjonen har etterlatt byavdelinger i stadig behov for ny og oppdatert romlig informasjon. Karttjenester kan gi enkel tilgang til gjeldende GIS-lag og virksomhetsdatabaseopptegnelser for bruk i offentlig sikkerhet, offentlige arbeider, prosjektering, planlegging og andre prosjekter. Det enkle å publisere og tilpasse karttjenester gjør at dataene kan integreres i disse avdelingene og bli en del av den vanlige arbeidsflyten. Tjenestene kan kombineres med feltinnsamling for å gi nye og oppdaterte data for verktøyfunksjoner, katastrofehåndtering og rekreasjon. Denne presentasjonen vil fremheve hvordan Cedar Park har benyttet seg av å integrere data fra GIS med Enterprise-databaseapplikasjoner, webapplikasjoner og feltdatainnsamling for å gi byansatte den oppdaterte informasjonen de trenger for å støtte byen og innbyggerne på best mulig måte .

Presentatør Bios:
Christopher Clary, Informasjonssystemspesialist for City of Cedar Park, fikk en bachelorgrad i geografisk informasjonsvitenskap fra Texas A&M Corpus Christi. Han administrerer og støtter informasjonssystemer og GIS-data for utsendelse, brann, politi og beredskapshåndtering. Han leter alltid etter nye måter å bruke, forberede og integrere både romlige og ikke-romlige data for Cedar Parks offentlige sikkerhetstjenester.

Becca Moore, Informasjonssystemspesialist for City of Cedar Park, er utdannet fra University of Texas i Austin hvor hun mottok sine bachelorgrad i geografi. Hun liker å kombinere sine interesser i GIS, tekniske systemer og problemløsninger for å tilby mer effektive løsninger, geospatial analyse og støtte for byens offentlige anleggsavdeling og applikasjonssystemer for bedrifter.

Økt B (Li'l TEX) Offentlig-private partnerskap

16:00 - 16.30 Kunsten med GIS - utover museklikket

Kunsten med GIS - utover museklikket

Som GIS-fagpersoner (eller fagpersoner som verdsetter GIS) bevæpner vi oss med banebrytende teknologi, terabyte med data og mange gode intensjoner. Kunsten med GIS - utover museklikket utforsker konsepter som ikke er teknologibasert, men hvis de brukes på små måter, kan det hjelpe GIS-programmene dine til å bli effektive. Det handler om å knytte seg til de som kan støtte deg, kan tilby innsikt og gi veiledning. Bevissthet, undersøkelse og implementering av disse konseptene gjør det mulig for fagpersoner å navigere i vår stadig skiftende industri og politiske landskap mer effektivt og effektivt. Denne økten vil gi eksempler fra respekterte forfattere og eksperter, samt personlige og profesjonelle erfaringer innen disse områdene. Bli med oss ​​for å utforske ferdigheter som ikke krever en mus ennå, vil gjøre den musen stadig mer effektiv for verden.

Presentator Bio:
Ilyanna Kadich ble uteksaminert fra Southwest Texas State i 1999 med geografi. Hun forfølger en Executive Master in Public Leadership ved UTs LBJ School of Public Affairs. Hennes erfaring inkluderer 9-1-1 databasekoordinering 9-1-1 GIS-ledelse ArcGIS Online publisering og administrasjon kommunalt verktøy GIS og analyse og MS4 stormvannsprogramstøtte. Hun jobber for tiden i The City of Georgetown som en GIS-analytiker. Hun brenner for å koble sammen mennesker, bygge profesjonelle nettverk og dele kunnskap.

Hugh Bender, Manager of Strategic Accounts for Sanborn, er utdannet ved St. Louis University og mottok en mastergrad i samfunns- og regional planlegging fra University of Texas - Austin. Før TNRIS tilbrakte Mr. Bender 10 år som assisterende direktør for planlegging for City of Round Rock. Tidligere medeier / grunnlegger av Third Coast Geospatial Technologies 3cGeo. Han er grunnlegger og president for Texas Geographic Society, en ideell støtte fra FEMA og landlige samfunn i farebegrensende planlegging. Fra 1997 til 2002 ledet Mr. Bender TNRIS (Texas Natural Resources Information System) og administrerte det 4-årige innovative $ 40 millioner dollar StratMap eller Strategic Mapping Program for staten Texas.

17:00 - 17.30 Dra nytte av skyen!

Dra nytte av skyen!

I 2015 kontraktet North Central Texas Council of Governments (NCTCOG) Woolpert om å erverve over 7500 kvadratkilometer ortografi. Hver av de 78 regionale interessentene hadde sitt eget unike interesseområde (AOI). Tidligere var leveringsprosessen smertefullt og inkluderte brenning av data til CDer og harddisker for håndlevering eller post. Gå inn i skyen !! For å gjøre livet enklere hadde NCTCOG ideen om å effektivisere prosessen i skyen og ba Woolpert om å få det til. Woolpert utviklet en ny prosess, lastet opp over 7 TB rasterbilder til skyen og sendte ut instruksjoner til hver interessent for nedlasting. Prosjektdeltakere var i stand til å logge inn på Woolperts skyleveringssystem og laste ned sine spesifikke data direkte til nettverkene deres, noe som sparte NCTCOG arbeidstid og problemer. I denne presentasjonen vil vi diskutere NCTCOGs pågående samarbeidende luftprosjekt og tidligere leveringshindringer, se på fordelene ved skyen, diskutere det gode og dårlige ved det innledende forsøket og legge frem ideer for å forbedre prosessen i fremtiden.

Presentatør Bios:
Shelley Broyles er en GIS-prosjektkoordinator ved North Central Texas Council of Governments. Shelley har 17+ års erfaring med geospatial og prosjektledelse. Hun har ledet NCTCOG Regional Cooperative Purchase Program de siste 8 årene og er ledende innen tilrettelegging av store anklager for fjernmåling og koordinering av samarbeidsprosjekter og arrangementer med mange interessenter.

Sam Moffat, GISP er programdirektør i Woolpert med over 20 års erfaring innen geospatial yrke. Sam er ledende innen det offentlige løsningsmarkedet og overvåker Woolperts tjenester for fotogram, jord- og fjernmåling, Lidar og GIS. Han er utpekt prosjektleder for NCTCOG Geospatial Services-kontrakten.


Bilder, automatisering og applikasjoner

Velkommen til det siste kurset i spesialiseringen (med mindre du fortsetter til capstone-prosjektet, selvfølgelig!). Bruk kunnskapen du har lært om ArcGIS, og fullfør tekniske oppgaver som rasterberegninger og egnethetsanalyse. I denne klassen vil du bli komfortabel med romlig analyse og applikasjoner innen GIS i løpet av fire ukers moduler: Uke 1: Du lærer alt om fjernopplevd og satellittbilder, og blir introdusert for det elektromagnetiske spekteret. På slutten av denne uken vil du kunne finne og laste ned satellittbilder online og bruke det til to vanlige typer analyser: NDVI og trent klassifisering. Uke 2: Du lærer hvordan du bruker ModelBuilder til å lage store behandlingsflyter som bruker parametere, forutsetninger, variabler og et nytt sett med verktøy. Vi vil også utforske noen få emner som vi egentlig ikke har tid til å diskutere i detalj, men kan gi deg lyst til fremtidig læring på andre måter: geokoding, tidsaktivert data, romlig statistikk og ArcGIS Pro. Uke 3: I uke tre lager og bruker vi digitale høydemodeller ved å bruke noen nye, spesifikke verktøy som kuttpåfyllingsverktøyet, bakkeskygger, visningshytter og mer. Vi går også gjennom noen vanlige algoritmer, inkludert en veldig viktig: egnethetsanalysen. Uke 4: Vi begynner den siste uken med å snakke om noen romlige analytikerverktøy vi ikke har berørt ennå i spesialiseringen: Region Group for å lage våre egne soner, Focal Statistics for å glatte en bakke, Omklassifisere for å endre verdier, og Punkt tetthet for å skape en tetthetsflate. Til slutt avslutter vi med å snakke om noen flere ting du kanskje vil utforske mer når du begynner å jobbe med å lære om GIS-emner alene. Ta geospatial og miljøanalyse som et frittstående kurs eller som en del av spesifikasjonen Geographic Information Systems (GIS). Du bør ha tilsvarende erfaring med å fullføre det første, andre og tredje kurset i denne spesialiseringen, & quotFundamentals of GIS, & quot & quotGIS Data Formats, Design, and Quality & quot, og & quotGeospatial and Environmental Analysis, & quot, før du tar dette kurset. Ved å fullføre den fjerde klassen vil du få ferdighetene som trengs for å lykkes i spesialiseringsgodsten.

Получаемые навыки

Geographic Information System (GIS), bildeanalyse, romlig analyse, satellittbilder, Gis-applikasjoner

Рецензии

Veldig bra kurs, men visse emner evaluert i dette kurset var ikke godt forklart, spesielt fjernmåling av bildebehandling (nedlasting og administrering av dem til GIS)

Et fantastisk kurs! godt organisert, veldig informativ og rik på ressurser og nyttige materialer, med et utmerket diskusjonsforum for å diskutere emnene.

I denne modulen ser vi på DEM og arbeidsflyter. I første halvdel lager og bruker vi en håndfull produkter avledet fra digitale høydemodeller, inkludert konturlinjer, bakkeskygger, visningskaster og verktøyet for kuttpåfylling. I andre halvdel av modulen går vi gjennom noen vanlige algoritmer, og starter med en av de viktigste å vite: egnethetsanalysen. Deretter lærer vi om den hydrologiske behandlingen du gjorde i veiledningsoppgaven for forrige modul, og går gjennom den trinn for trinn sammen.

Преподаватели

Nick Santos

Текст видео

[MUSIKK] Hei igjen og velkommen tilbake i dette foredraget vi skal fortsette å jobbe med egnethetsanalyse. Og vi kommer til å bruke det samme dokumentet som vi brukte sist akkurat som vi gjorde da vi startet, slik at du kan åpne kartpakken på nytt eller noe sånt hvis du følger med. Og få en helt ny kopi av den eller bare fjern lagene du genererte. Og denne gangen skal vi nærme oss denne egnethetsanalysen fra et rasterperspektiv, og se om vi ikke kan gjøre litt mer fra å vente på hvert sted. I stedet for bare å si ja eller nei, fungerer dette området, vi kan si at vi kan motvirke områder og oppmuntre andre områder, og se hvilke områder som har flest preferanser for dem kontra dem. Så først, i stedet for å bruke en polygon, vil vi fortsatt bruke rasteren til analyse, men vi vil bare gjøre det til et geoprosesseringsmiljø slik at alt bare skjer i det området. Så jeg vil gå til geoprosesseringsmiljøer for hele kartdokumentet og gjøre noen av de samme tingene som før. Jeg skal stille utgangskoordinatsystemet til å matche DEM. Slik at all vår rasterbehandling skjer nøyaktig i det koordinatsystemet. Og vi setter at behandlingsomfanget vårt er det samme som DEM, og snap-rasteret vårt er det samme som DEM, slik at cellene våre alltid stemmer overens. Og under rasteranalyse vil dette gjøre på ti meter med det samme som DEM, og så vil analysemasken vår også være den samme som DEM. Så vi behandler bare cellene som er i tråd med DEM-cellene, og jeg klikker OK. Og på den måten når vi kjører et geoprosesseringsverktøy, vil det plukke opp de geoprosesseringsmiljøene, og vi får celler som er justert. Ok, så det første vi kanskje vil gjøre er å få disse vektordagene konvertert til raster slik at vi kan bruke dem i analysen vår. Og den billigste måten å gjøre det på i mange av disse tilfellene er å gjøre en euklidisk avstand fra dem alle, at vi kanskje vil vite hvor langt vi er fra veier og hvor langt vi er fra elver, fordi det er preferanser vi vil kanskje være nærmere. Men vi kan også bruke det til å gjøre avstand fra beskyttede områder og beskyttet områdeavstand på null betyr at vi ikke kan bruke det området, men kanskje vi faktisk vil være i nærheten av produserte områder også. Så vi kan inkludere det som en preferanse fordi det kanskje er det rekreasjonssted for mennesker. På samme måte kan det være en positiv eller negativ ventefaktor å finne vår avstand fra et annet byområde. Igjen, å gjøre, avstand på null betyr at vi ikke kan bygge der. Men en avstand på, en mindre avstand kan bety hei vi er nær et annet byområde som er flott eller hei, vi er for nær et annet byområde vi ikke vil ha det. Så det kommer an på hvordan du kjører analysen din. Og så på samme måte med flomsletten. Kanskje å være nær flomsletten er bra fordi det betyr at vi er nær en stor elv som folk kan bruke til handel og rekreasjon. Men å være i det, igjen, å være på null betyr at vi befinner oss i en katastrofe, risikabelt sted. Så vi skal kjøre euklidisk avstand på alle disse til å begynne med og få nye lag tilbake. Så jeg bare gjør det og begynner så å snakke igjen når det er gjort. Ok, og de løper alle sammen, og jeg kalte dem bare noe som understreker avstanden, og jeg vil også lage en skråningsraster denne gangen ut av DEM som vi kan bruke i analysen vår. Ok, og nå har vi alle rastrene våre, og jeg kan slå av vektorlagene hvis jeg vil. Jeg kan la dem være på hvis de hjelper meg å se ting, men jeg har nå landdekning. Jeg har en DEM. Jeg har avstand til elver, veier, urbane områder, verneområder, flomletter, jeg har også skråning. Så jeg har alle disse kriteriene jeg kan bruke for å finne egnede steder. Nå, i dette tilfellet skal jeg gjøre en egnethetsanalyse som ikke ekskluderer noen steder eksplisitt. Vi skal i stedet bare finne steder som har flere gode ting og færre dårlige ting. Og i oppgaven for denne modulen, vil du kunne finne ut hvordan du ekskluderer ting ved hjelp av de samme poengkriteriene, slik at du vil kunne finne de beste stedene mens du også sier at dette er en avtalsbryter. Jeg kan ikke være på dette stedet. Så det jeg skal gjøre er at jeg kommer opp med et trepunkts scoringssystem for hver av disse rasterne og sier, kanskje skråningen på 0 til 5 er utmerket, og at det er tre poeng. Fem til ti er liksom greit, det er to poeng. Hvor som helst over det mellom 10 og 15 er ett poeng og over 15, vil vi ikke engang ha det, det er null poeng. Eller noe sånt, det er kanskje ikke det hvis du er i konstruksjoner, og kanskje er 15 bare en massiv skråning, og du bare ikke bryr deg om det på det tidspunktet også. Men vi bruker det til formålet med dette eksemplet. Og vi vil gjøre lignende ting for avstandene til disse andre rasterne. Og når vi har scoret tre poeng for hver av disse, kan vi oppsummere dem alle og finne de beste stedene, ok. Så for å gjøre det, vil vi bruke omklassifiseringsverktøyet, og vi går gjennom det verktøyet i en annen forelesning, men foreløpig er det vi bare gjør å bruke det. Så for skråning legger jeg den inn og bruker reklassifiseringsfeltet av verdi, og så kan jeg gå for å klassifisere her og gå til tre. Og jeg vil gjøre bruddverdiene mine fem, ti og femten, som jeg sa. Og vi vil reversere dette, så jeg vil ha null til fem være tre. Fem til ti for å være to, ti til 15 for å være en, og da kan vi gjøre 15 til 90, for det er & # x27s i grader, vi & # x27ll være null i vår raster. Og jeg gjorde en feil her. Jeg må sette mellomrom mellom bindestrekene, så det vil fjerne det. Og jeg vil kalle det 15 mellomromstrek til 90 vil være null poeng. Og jeg vil kalle det skråningsegenskaper og klikke OK. Og nå får jeg denne omklassifiserte skråningen, og kanskje det vi burde gjøre i stedet er å gjøre det til en kontinuerlig verdi, slik at vi faktisk kan se hva som er bra og hva som ikke er bra. Så vi kunne gjøre en rød til grønn her. OK, vi kunne se at vi ekskluderer en rekke områder, men så har vi fortsatt mye i betraktning med vår skråningsraster her. Og jeg vil gjøre noe lignende med resten av rasters. Så la & # x27s oversvømme vanlig avstand neste. La oss gjøre fire klasser, så vi har en for null. En annen for kanskje 300 meter ute, 600 meter ut, og alt annet. Så null er null i dette tilfellet, men veldig nær, men ikke i flomsletten så stor. Slik at & # x27s tre, og 300-600 er to, og resten er ett. Og vi kaller dette flomdemping. Jeg klikker OK og kjører det. Og så vil vi gjøre noe lignende med beskyttede områder. Omklassifiser. Og nok en gang er null dårlig, og kanskje beskyttere vi er villige til å være litt lenger fra fordi det ikke estetisk handler om tilgang, så vi kan være kanskje en kilometer, 2 kilometer og hvor som helst ellers. Og nok en gang er det å være i ett uakseptabelt, men det å være nær en er bra. Og så haler av. Og så mens vi kjører, vil vi gjøre avstanden til urbane områder. Og denne gangen, la oss si at vi faktisk ikke vil være nær andre byområder. Denne byen ønsker å være litt ute alene så mye som mulig. Ok, og kartet vårt krasjet på meg. Så jeg fortsetter fra der jeg var, og jeg tilbakestill kartdokumentet til å ha de samme miljøinnstillingene, og jeg har farget egnethetsrastrene vi har laget. Men jeg kommer til å fortsette der jeg slapp, og lage ekstra egnethetsraster. Så jeg må omklassifisere elveavstanden neste. Ok, så vi begynner med elvene, og jeg får en omklassifisering, og mine inngangsraster vil være elvenes avstand. Og vi kaller dette elvenes egnethet, ingen plass. Og jeg skal klassifisere som vanlig, og vi lager dette igjen fire pauser. Og vi sier kanskje innen 300 meter fra elven vår, 600 meter fra elven vår, på 900 meter og alt annet. Og dette er der det er fint å lukke. Å være der det er mindre hyggelig å være, og å være lenger unna er enda mindre hyggelig, og dette vil være null. Ok, og vi får det tilbake. Og la oss nå gjøre avstanden til veier der vi trenger å kunne koble til veier, så vi vil nevne at veiene egner seg. Og nok en gang klassifiserer vi det og går til fire. Og kanskje vi ønsker å være innen 500 meter eller 1000 eller 1500 meter for en målrettet poengsum. Så vi kaller dette tre, to, en og null når du kommer lenger unna, og kjører det. Og la oss nå gå tilbake til den urbane avstanden. Og nok en gang er dette noe der vi kanskje bestemmer oss ut fra den dommen som skal ringe om vi vil være nær byområder eller lenger borte. Så la oss i dette tilfellet si at vi vil være lenger borte. Så la & # x27s gjøre 1 kilometer, 2 kilometer, 3 kilometer eller alt annet. Og vi gjør med på 1 kilometer uakseptabelt i dette tilfellet. Med i 2 kilometer ok, innen 3 kilometer er bedre og lenger borte er best. Og vi kaller dette urban egnethet. Og så er den siste som vi ikke har jobbet med ennå, landdekning. Så vi har byområdene merket, men landdekkingsrasteren har også sitt eget sett med byområder. Så jeg slår av alt annet og slår på det, vi kunne se at det har sine egne markeringer, og kanskje vil vi ikke bygge langs noe som er merket som urbant der også. Eller potensielt hvis vi prøvde å bevare Agland fordi fylket ikke hadde noe tap av Agland som i det minste eksisterer noen steder i California. Vi vil kanskje også ekskludere den typen landdekk, men i dette tilfellet kan vi bare ekskludere andre byområder basert på denne banen fra en liste her. Ok, nå ser vi på landdekket en ting vi ikke inkluderte i den opprinnelige, er noe basert på landdekning. Så kanskje vi vil sørge for at vi får alle urbane piksler ekskludert. Og eller noe sånt som å bevare jordbruksareal. Vi vil sørge for at det også venter på det. Så det vi kan gjøre er å bruke landdekkingsraster til å kanskje trekke verdier fra steder som er landbruksmessige og legge verdier til andre steder og la byområder være på null. Så disse brune og gule områdene fra legenden online for metadataene er landbruksprodukter. De dyrker avlinger og beiteområder, så la oss spore litt verdi derfra. Og så la & # x27s også trekke verdier fra åpen vannbetegnelse, som er nummer 11. Så disse er på 80-tallet og dette er 11, og la oss deretter gjøre byområdene nøytrale og overalt ellers positive. Så vi bruker omklassifisering igjen, og alle velger landdekning 2011, og det vi har er at vi ønsker at verdiene 11 til 12 skal la oss trekke tre fra dem. Vi kan i utgangspunktet ikke bygge det andre åpne vannet og snøen, eller den flerårige snøen. Og så har vi verdiene 21 til 24, som vi ønsker å være nøytrale, de er byområder, så vi vil ikke få noen poeng der. Og så har vi verdier mellom 31 og 74, som potensielt kan bygges. Det er forskjellige landdekk der, og så la & # x27s legge til to til dem. Og så, 81 og 82. Vi vil også agland her. Så la oss trekke tre for å foretrekke å beholde aglandet. Og på den måten kan de holde seg i produksjon. California har ordinanser i visse fylker om at du ikke kan miste produksjonsland. Og så går 90 og 95 eller 90-95 også som positive. Vi kan potensielt bygge der. Men kanskje et mindre positivt, det er våtmarker. Så kanskje vi ikke vil ha det like stort som for resten av dette. Så vi kan også gjøre ganske detaljerte omklassifiseringer, i stedet for bare den generelle avstandsbaserte klassifiseringen jeg gjorde. Og vi kaller dette landdekkbarhet. Og kjør det, ok. Og vi får verdiene våre her. Vi får -3, 0, 1 og 2. Så hvordan setter vi alt sammen? Vi har en haug med disse verdistrastene her. Vel, det er en ganske enkel rasterberegning nå. Så vi kan åpne rasterkalkulator for å kombinere dem. Og jeg vil bare ta denne og legge til den neste og legge til den neste. Og vi legger bare til dem alle sammen. Og avhengig av hvordan du vil jobbe med det, kan du bruke multiplikatorer eller hva som helst her inne, basert på hvordan du konstruerte din egnethetsanalyse. Men i dette generelle konseptet av en, dette er hvordan vi & # x27ll vil kombinere dem. Og vi kaller dette kombinerte egnetheten. Og jeg klikker OK. Ok, og det er vanskelig å se fordi det ga den en unik verdiklassifiseringsenhet. Så dette er litt funky. Så la & # x27s gi det en rampe. Og vi gir den en strukket rampe. Så la oss bare gjøre en grå skala for nå. Og vi kan se at de høyere verdiene er stedene vi virkelig bør vurdere, og de lavere verdiene er de vi ikke bør vurdere. Så dette området tror jeg dukket opp i vår vektorbaserte analyse også. Så begge måter vi konstruerte dette på, ser vi dette som et mer positivt sted. Og vi kan også se dette stedet. Og jeg tror det er fordi dette er i nærheten av elver og den andre flomsletten, men utenfor den her, synes jeg også et stort beskyttet område her inne. Så vi kan se den skyggen av å ikke få noen positive der inne eller ikke få mange positive der inne. Og vi har denne typen kontinuerlig overflate eller omtrent kontinuerlig overflate som antyder hvor vi kan vurdere å sette vår utvikling. Og det er ikke absolutt i noen forstand. Men det prøver å hjelpe oss med å bestemme oss ved å vise oss bedre og dårligere steder å begynne å lete etter hvor vi vil plassere byen vår. Nå som sagt, vil vi kanskje kombinere våre tilnærminger. I vektoren kunne vi gi absolutter som å si, ingen utvikling i flomsletten eller ingen utvikling i eksisterende byområder som her oppe. Men vi har denne preferansen på grunn av elver og veier som den gir i denne modellen jeg nettopp bygde. Hvis vi bruker det vektede overleggsverktøyet, som du & # x27ll gjør i prosjektet ditt denne modulen, er at du faktisk kan sette ting som i utgangspunktet begrenset, og si uansett hva, dette området blir i utgangspunktet ingen data. Du kan ikke bruke disse cellene, men så blir alle de andre fortsatt slags sammen. Eller du kan legge til vekter på forskjellige verdier og sånne ting. Så du lærer tre forskjellige måter å gjøre en egnethetsanalyse på, måtene jeg har vist deg her og den andre. Og sammen vil jeg at du bare har dette konseptet, det handler ikke alltid om å finne en bygning eller en by. Det kan dreie seg om alt du prøver å sette romlige kriterier for og finne ut bedre og dårligere steder for, enten det er teoretisk eller prediktivt, eller om det ønsker å sette noe der eller finne noe. Ok, så det er for nå på egnethetsanalyse. Og jeg håper du har et godt konsept for hva de er og hvordan du gjør dem i ArcGIS. Vi forstår at de handler om å finne den optimale plasseringen for ting. Og så så vi hvordan vi skulle jobbe med dem i vektordatamodellen i forrige foredrag, og deretter hvordan vi skulle jobbe med en uklar analyse. En som gir oss en rekke potensielle verdier mellom dårlig og bra for analysen vår og rasterdatamodellen denne gangen. Dette er en utrolig vanlig analyse som brukes i GIS. Og jeg sier at det er en av de viktigste algoritmene du bør vite, generelt for at du skal ta med deg i ditt eget arbeid. For uansett hvilken disiplin du har, må du sannsynligvis fremheve steder av spesiell betydning. Hvis du bruker verktøy, kan du ha forskjellige risikovariabler for nettverket eller ressursforsyningene dine. Og når du legger dem over, kan du kanskje prioritere innsatsområder eller investeringer. Hvis du er i jordbruk, kan du kanskje kombinere avlingshelseindikatorer ved hjelp av et lignende mål. Eller hvis du er i forsvar, kan du ha forskjellige steder for trusler eller risikoer og forskjellige steder som gir sikkerhet eller ressurser. Og du kan kombinere dem for å vise flekker du kanskje trenger å distribuere ressurser til. Hvis du er i bevaring, kan du bruke den til å modellere habitater eller forskjellige områder med bevaringsprioritet ved å bruke en veldig lignende metode som jeg nettopp viste deg. Og alt kommer egentlig ned på tilgjengelige data, hvordan du konseptualiserer det og bygger din egnethetsmodell. Og deretter metoden du velger å sette det hele sammen. Og normalt vil du ikke stoppe på bare én. Du kan tilpasse modellen litt for å finne ut ok, jeg tror at jeg kanskje vil vekte denne faktoren litt mer og denne litt mindre. Fordi jeg faktisk ikke tror at dette stedet kanskje er like bra som denne modellen tror det er fordi jeg har kunnskap på bakken eller noe sånt. Ok, det er det, vi sees neste gang.


Geospatial og miljøanalyse

Bruk din GIS-kunnskap i dette kurset på geospatial analyse, med fokus på analyseverktøy, 3D-data, arbeid med rasters, projeksjoner og miljøvariabler. Gjennom alle fire ukene av dette kurset jobber vi gjennom et prosjekt sammen - noe unikt for dette kurset - fra prosjektering, gjennom datainnhenting, innledende datahåndtering og prosessering, og til slutt til våre analyseprodukter.

I denne klassen lærer du det grunnleggende i geospatial og miljøanalyse i løpet av fire ukers moduler: Uke 1: Tour ArcToolbox og lær hvordan du bruker vanlige geospatiale analyseverktøy innebygd i ArcGIS Week 2: Få en arbeidsforståelse av rastermodellmodeller: symboliser , reproject, overlay, and assess rasters. Ta en avstikker i 3D-datamodeller, og interpolering av observasjoner i 3D-overflater og raster Uke 3: Gå grundig i anslag og koordinatsystemer, som er grunnleggende for alt GIS. Lær hvordan du bruker miljøvariabler for å begrense analysene dine og få dataprodukter av bedre kvalitet. Uke 4: Utvid din kunnskap om symbologi. Lær hvordan du visuelt viser dataene dine ved å klassifisere dem i logiske grupperinger og deretter symbolisere dem på kartet ditt. Ta geospatial og miljøanalyse som et frittstående kurs eller som en del av spesifikasjonen Geographic Information Systems (GIS). Du bør ha tilsvarende erfaring som å fullføre første og andre kurs i denne spesialiseringen, & quotFundamentals of GIS & quot og & quotGIS Data Formats, Design, and Quality & quot, før du tar dette kurset.Ved å fullføre denne tredje klassen i spesialiseringen får du ferdighetene som trengs for å lykkes i hele programmet.


Aritmetikk i POSIX-skjell gjøres med $ og doble parenteser (()):

Du kan tilordne fra det også merke $ operatorene på variabelnavnene inne i (()) er valgfrie):

I skripting er $ (()) å foretrekke siden det unngår en gaffel / utføring for expr-kommandoen.

Det eksisterende svaret er rent bash, så det vil være raskere enn dette, men det kan bare håndtere heltall. Hvis du trenger å håndtere flottører, må du bruke det eksterne programmet bc.

Skalaen = 4 forteller bc å bruke fire desimaler. Se man bc for mer informasjon.

Du kan også bruke $ [. ] struktur. I dette tilfellet bruker vi innebygd mekanisme i Bash, som er raskere og litt mer praktisk å bruke. Siden vi vet at alt mellom $ [, og] behandles som et uttrykk, trenger vi ikke å gå foran variablene med $. På samme måte trenger vi ikke sikre * mot å behandle det som et mønster.


Mdhntd

Hva er det tyske ordet eller uttrykket for "landsbyen tilbake til skogen"?

Hvorfor tok Spider-Man en avstikker til Dorset?

(Piano) er hensikten med notene som skal spilles sammen med? Eller en guide for læring og referanse under spilling?

Hvorfor velger FFmpeg 10 + 20 + 20 ms i stedet for en jevn 16 ms for 60 fps GIF-bilder?

Hva driver luften som kreves for pneumatiske bremser i fly?

Hvorfor slutter ikke kandidatene hvis de ikke lenger har en realistisk sjanse til å vinne i det amerikanske presidentvalget i 2020

Unix chatserver som muliggjør kommunikasjon mellom terminaler

Er det uhøflig å referere til vaktmestere som 'gulvfolk'?

Kan du pakke en terning perfekt med denne blokkerende formen?

Animal Shelter Management C ++

Hvordan skal man referere til riddere (& # 38 dames) i akademisk skriving?

Er malaysisk "garam" (salt) relatert til det latinske "garum" (fiskesaus)?

Justere loddrett avstand i brøk?

Når er Fishers "go get more data" tilnærming fornuftig?

Hvordan kan jeg be kontoret mitt om å fjerne stolthetsdekorasjoner uten å virke anti-LGBTQ?

Hva er ordet for "event executor"?

Hva er argumentene for California & # 8217s nonpartisan blanket (jungle) primaries?

Ved å bruke to sammenkoblede programmer, send ordinale tall opp til n

Hvorfor skal jeg koke melet først når jeg lager bechamelsaus?

Hvorfor har ikke filosofien høyere standarder for argumentene?

Kan jeg fjerne dørene før jeg installerer en skyvedører?

Er det noen betingelser for en endelig abelsk gruppe slik at den ikke kan være klassegruppe for noe tallfelt?

Hvordan kan jeg finne hvilket program som forhindrer at Macen min går i dvale?

Hvordan definere nye klasser fra et rasterlag for endringsdeteksjon

Endre deteksjon ArcGIS med flere datoer Hvordan endre deteksjon mellom to Landsat-scener? Automatisk deteksjon av skogendring Bruke Erdas for deteksjon av arealdeksel for endring av landbruk Endre deteksjon mellom to Landsat-scener? Atmosfærisk korreksjon av Landsat-bilder Bruk nøyaktighetsmål fra delvis areal til hele klassifiserte kart? ML-klassifisering: Bruk nøyaktighetsmål på scener uten referansedata? Metode i QGIS for å klassifisere veg fra HiRes geotiffer opprettet i Pix4D? Hvordan kan jeg finne prosentandelen av representasjon av klasser?

Som en del av oppgaven min, ser jeg på de atmosfæriske og landskapseffektene av 2018-brannen i Algarve. Som en del av prosessen vil jeg estimere totalt biomassetap, så jeg har klassifisert to Landsat 8-bilder (henholdsvis før og etter brann, henholdsvis 5 og 6 klasser) og utført en endring av landdekkingsanalyse ved hjelp av SCP-plugin. Jeg er fremdeles ganske ny med QGIS / fjernmåling, så jeg sliter med å forstå resultatet fra endringsdeteksjonen og hvordan jeg kan produsere et lag som viser klasser som har endret / beregner totalt tap av biomasse fra vegetasjonsklassene.

Som en del av oppgaven min, ser jeg på de atmosfæriske og landskapseffektene av 2018-brannen i Algarve. Som en del av prosessen ønsker jeg å estimere totalt tap av biomasse, så jeg har klassifisert to Landsat 8-bilder (henholdsvis før og etter brann, henholdsvis 5 og 6 klasser) og utført en endring av landdekkingsanalyse ved hjelp av SCP-plugin. Jeg er fremdeles ganske ny med QGIS / fjernmåling, så jeg sliter med å forstå resultatet fra endringsdeteksjonen og hvordan jeg kan produsere et lag som viser klasser som har endret / beregner totalt tap av biomasse fra vegetasjonsklassene.

Som en del av oppgaven min, ser jeg på de atmosfæriske og landskapseffektene av 2018-brannen i Algarve. Som en del av prosessen vil jeg estimere totalt biomassetap, så jeg har klassifisert to Landsat 8-bilder (henholdsvis før og etter brann, henholdsvis 5 og 6 klasser) og utført en endring av landdekkingsanalyse ved hjelp av SCP-plugin. Jeg er fremdeles ganske ny med QGIS / fjernmåling, så jeg sliter med å forstå resultatet fra endringsdeteksjonen og hvordan jeg kan produsere et lag som viser klasser som har endret / beregner totalt tap av biomasse fra vegetasjonsklassene.

Som en del av oppgaven min, ser jeg på de atmosfæriske og landskapseffektene av 2018-brannen i Algarve. Som en del av prosessen vil jeg estimere totalt biomassetap, så jeg har klassifisert to Landsat 8-bilder (henholdsvis før og etter brann, henholdsvis 5 og 6 klasser) og utført en endring av landdekkingsanalyse ved hjelp av SCP-plugin. Jeg er fremdeles ganske ny med QGIS / fjernmåling, så jeg sliter med å forstå resultatet fra endringsdeteksjonen og hvordan jeg kan produsere et lag som viser klasser som har endret / beregner totalt tap av biomasse fra vegetasjonsklassene.


Se videoen: Cara Islam dalam menghadapi tekanan emosi dan kemurungan - COVID19 (September 2021).