Suite

Renommer la sortie pour refléter le nom de l'entrée à l'aide d'ArcGIS ModelBuilder ?

Renommer la sortie pour refléter le nom de l'entrée à l'aide d'ArcGIS ModelBuilder ?


Chaque trimestre, je remplacerai les deux fichiers CSV au début du modèle. J'aimerais que le fichier Excel final et la classe d'entités aient chacun un nom qui reflète le nom du fichier CSV d'entrée (veuillez consulter le modèle ci-dessous). Pour l'exemple ci-dessous, j'aimerais qu'ils soient renommés : 2015Q1, en tant que reflet des noms des fichiers CSV d'entrée.

Est-ce possible?

Je n'utilise pas « itération », auquel la plupart des questions similaires font référence.


Je recommanderais l'outil Parse Path dans ModelBuilder. Assurez-vous de sélectionner le type d'analyse "Nom". Dans ce modèle (très simplifié), j'ai inclus une variable "espace de travail" que je peux appeler à tout moment et combiner avec la valeur du nom de la sortie du chemin d'analyse. La syntaxe pour cela serait%Espace de travail%\%Valeur%dans le paramètre de chemin de sortie. Vous devez également attacher une condition préalable pour que l'outil d'analyse du chemin soit synchronisé avec le reste du modèle.


fonction d'entrée dans Python 2.7, évalue quelle que soit votre entrée, en tant qu'expression Python. Si vous voulez simplement lire des chaînes, utilisez la fonction raw_input dans Python 2.7, qui n'évaluera pas les chaînes lues.

Si vous utilisez Python 3.x, raw_input a été renommé en input . Citant les notes de version de Python 3.0,

raw_input() a été renommé en input() . C'est-à-dire que la nouvelle fonction input() lit une ligne à partir de sys.stdin et la renvoie avec le retour à la ligne supprimé. Il lève EOFError si l'entrée est terminée prématurément. Pour obtenir l'ancien comportement de input() , utilisez eval(input())

En Python 2.7, il y a deux fonctions qui peuvent être utilisées pour accepter les entrées de l'utilisateur. L'un est input et l'autre raw_input . Vous pouvez penser à la relation entre eux comme suit

Considérez le morceau de code suivant pour mieux comprendre cela

input accepte une chaîne de l'utilisateur et évalue la chaîne dans le contexte Python actuel. Lorsque je tape mec en entrée, il constate que mec est lié à la valeur thefourtheye et donc le résultat de l'évaluation devient thefourtheye et qui est affecté à input_variable .

Si j'entre quelque chose d'autre qui n'est pas là dans le contexte python actuel, cela échouera avec le NameError .

Considérations de sécurité avec l'entrée de Python 2.7 :

Étant donné que quel que soit le type d'utilisateur évalué, cela pose également des problèmes de sécurité. Par exemple, si vous avez déjà chargé le module os dans votre programme avec import os , puis l'utilisateur tape

cela sera évalué comme une expression d'appel de fonction par python et il sera exécuté. Si vous exécutez Python avec des privilèges élevés, le fichier /etc/hosts sera supprimé. Tu vois, à quel point ça pourrait être dangereux ?

Pour démontrer cela, essayons d'exécuter à nouveau la fonction d'entrée.

Maintenant, lorsque input("Entrez votre nom : ") est exécuté, il attend l'entrée de l'utilisateur et l'entrée de l'utilisateur est une invocation de fonction Python valide et est donc également invoquée. C'est pourquoi nous voyons Entrez à nouveau votre nom : invitez à nouveau.

Donc, vous êtes mieux avec la fonction raw_input, comme celle-ci

Si vous devez convertir le résultat dans un autre type, vous pouvez utiliser les fonctions appropriées pour convertir la chaîne renvoyée par raw_input . Par exemple, pour lire les entrées sous forme d'entiers, utilisez la fonction int, comme indiqué dans cette réponse.

En python 3.x, il n'y a qu'une seule fonction pour obtenir les entrées de l'utilisateur et elle s'appelle input , ce qui équivaut à raw_input de Python 2.7.


Introduction

La planification et l'entretien réussis des infrastructures routières nécessitent des investissements importants en termes de temps, de ressources humaines et d'argent. Chaque année, des milliards de dollars sont dépensés pour l'entretien des infrastructures routières via de nouveaux projets de construction, l'entretien des routes et des activités de réhabilitation (Lee et al. 1996 Zhang et al. 2001). L'urbanisation croissante a entraîné une demande croissante d'infrastructures routières, ce qui a rendu les systèmes de transport plus complexes en réponse à la demande (O'Brien et al. 2012 Podgorski et Kockelman 2006). Par conséquent, on ne saurait trop insister sur la nécessité d'allouer de manière optimale des ressources limitées pour maintenir et améliorer l'état des infrastructures de transport. Ces facteurs, parmi d'autres, affectent de manière significative les dépenses des fonds publics pour le développement des infrastructures routières, attirant ainsi un examen public accru sur la planification budgétaire et l'allocation des fonds pour les infrastructures routières (Sanchez 2006).

Aujourd'hui, l'accent critique et le besoin de pratiques de gestion efficaces dans la planification et la politique des transports sont soulignés par les principales lois fédérales adoptées au cours des trois dernières décennies. Il s'agit notamment de la loi de 1987 sur les transports de surface et d'assistance à la réinstallation uniforme, la loi de 1991 sur l'efficacité du transport de surface intermodale (ISTEA) et la récente loi intitulée "Moving Ahead for Progress in the 21st Century Act (MAP-21)." Ces lois ont mis de plus en plus l'accent sur les pratiques de gestion intégrée et l'utilisation efficace des fonds fédéraux. Ils ont également souligné la nécessité d'investir dans les systèmes de transport en examinant la question du point de vue des systèmes économiques, socioculturels, technologiques et durables. Au cœur de ces considérations, il y a une poussée vers l'utilisation des données pour inciter les agences routières à prendre des décisions plus éclairées concernant la planification et la gestion des routes (Thill 2000).

Malgré ces progrès, le processus de planification des transports est une tâche continue et ardue impliquant des données, des modèles et des utilisateurs. Dans le cadre du processus de planification, les décideurs doivent utiliser une vaste collection de données et d'informations pour résoudre un certain nombre de problèmes importants tels que la gestion de la circulation, le calendrier de construction, l'acquisition de l'emprise, la communication publique et d'autres (Nobrega et O'Hara 2011 Sankaran et al. 2016a Woldesenbet et al. 2015). Les agences routières collectent souvent une pléthore de données et d'informations sur le réseau routier national. Les sources de ces données varient considérablement et leurs formes vont des dessins, images, cartes, tableaux, descriptions textuelles aux récits d'expériences personnelles (Flintsch et al. 2004). Cependant, les agences routières doivent généralement faire face à des bases de données fragmentées, à de multiples modèles incompatibles, à des efforts d'acquisition de données redondants et à une coordination sous-optimale entre les différentes agences ou départements opérant sur les mêmes installations routières (Chi et al. 2013 Ziliaskopoulos et Waller 2000). Pour aggraver ce problème, plusieurs systèmes d'information hérités indépendants coexistent généralement au sein de la même agence (Chi et al. 2013 Thill 2000).

Malgré d'énormes investissements dans la collecte de données et les efforts d'archivage, la quantité d'informations et de connaissances générées à partir des référentiels de données est minime et moins favorable à une prise de décision éclairée. De plus, les praticiens et les chercheurs ont remis en question l'efficacité des programmes de données pour répondre aux besoins des utilisateurs à des fins de planification des infrastructures routières (Flintsch et Bryant 2006 Woldesenbet et al. 2015). Les professionnels du transport sont toujours confrontés à la lourde tâche d'organiser les données routières sous des formes appropriées pour soutenir les décisions concernant l'entretien des routes, la réhabilitation, le contrôle de la circulation, la surveillance des routes et la hiérarchisation des projets. Ces problèmes ont donné lieu à une augmentation de la demande de pratiques et d'outils efficaces capables d'intégrer, de gérer et d'analyser les données routières (Parida et Aggarwal 2005).

Au cours des deux dernières décennies, de nombreux départements d'État des transports (DOT) ont exploré l'utilisation de systèmes d'information numériques pour l'aide à la décision en matière de gestion des routes (Kang et al. 2008 Lee et al. 1996). En conséquence, TxDOT s'appuie sur plusieurs systèmes d'information, notamment le système d'information de gestion de la chaussée (PMIS), un système d'information de gestion de la maintenance (MMIS) appelé COMPASS et le système d'information sur la conception et la construction (DCIS). Les défis associés à l'accès et à l'exploitation des données provenant de plusieurs sources d'informations mettent en évidence le besoin d'un système intégré capable de fusionner les données des projets et les applications de support pour faciliter la planification de la maintenance et de la réhabilitation (M&R). Bien que TxDOT ait progressé dans l'intégration de certaines données routières, il manque un processus automatisé pour visualiser et intégrer les données des systèmes d'information individuels afin de mieux soutenir les décisions de planification des projets routiers.

Le besoin d'un tel système s'est accru pour les districts métropolitains, car ils ont beaucoup plus de kilomètres de voies d'autoroutes sous leur responsabilité et, par conséquent, plus de projets dans diverses phases de développement et de livraison à un moment donné. Le mécanisme de financement pour l'entretien, la réhabilitation et la modernisation du système existant est complexe. Cela est devenu encore plus compliqué puisque le financement de TxDOT dépend de revenus provenant de plusieurs sources avec différentes utilisations autorisées. De plus, le processus de planification est financièrement limité au niveau de la catégorie, le montant du financement disponible détermine le nombre de projets qui peuvent être planifiés dans des catégories spécifiques. Les conseils d'administration des organismes de planification métropolitaine (MPO) sont responsables de certaines catégories de financement nécessitant l'approbation de TxDOT. De plus, à un moment donné, plusieurs projets sont à diverses phases de construction. Le coût réel de la construction peut varier des coûts budgétés qui affectent les fonds de la catégorie disponibles à l'avenir. Les coûts de construction peuvent varier des coûts budgétisés au moment de l'appel d'offres ou tout au long de la phase de construction en raison des ordres de modification, des conflits imprévus nécessitant une emprise supplémentaire, des coûts de relocalisation des services publics existants et bien d'autres. En outre, il existe des cas où des routes existantes qui ne devaient pas être réhabilitées dans l'horizon de planification, doivent être réhabilitées en raison d'une détérioration plus rapide de leur état. Cela conduit à une maintenance réactive pour maintenir la sécurité et pousser les projets moins prioritaires vers le bas de la liste. L'effet combiné de ces facteurs (et bien d'autres) crée un besoin pour un processus de planification intégré tirant parti des outils de visualisation modernes qui permettront l'intégration de données temporelles et spatiales qui peuvent être visualisées, examinées et mises à jour dans un cadre dynamique.

Le reste du papier est organisé comme suit. La section suivante décrit les défis généraux dans l'exécution des tâches de planification routière et comment le SIG a été précédemment utilisé pour relever certains des défis identifiés. Dans la section « Objectif et méthodologie », un cadre de recherche basé sur une étude de cas est présenté. Ensuite, la section « Etude de cas » souligne les obstacles spécifiques au district aux tâches de planification et comment un outil basé sur le SIG a été développé pour intégrer les données de plusieurs systèmes d'information utilisés par le district. Une présentation formalisée des avantages de l'intégration et de la visualisation SIG pour la planification M&R suit. Enfin, l'article se termine par des conclusions sur les résultats de cette étude et les orientations des travaux futurs dans la section « Conclusions ».


Introduction.

Governmentjobs.com, Inc. (DBA &ldquoNEOGOV&rdquo et ci-après dénommé &ldquowe&rdquo, ou &ldquous&rdquo) s'engage à assurer la transparence concernant l'utilisation de vos informations. Nous collectons des informations personnelles par des moyens légaux et équitables à votre connaissance et, le cas échéant, avec votre consentement. Nous prenons en compte la confidentialité des informations tout au long du cycle de vie de nos produits - de la création à la production et à l'assistance continue.

L'objectif principal de cette politique de confidentialité (la &ldquoPolicy&rdquo) est de décrire comment nous collectons, utilisons, protégeons et divulguons les informations personnelles en ligne et hors ligne, à l'exclusion des services qui indiquent qu'ils sont proposés dans le cadre d'une politique de confidentialité différente.


Abstrait

L'exploration de données efficace des médias sociaux est de plus en plus reconnue pour sa valeur dans l'information des décideurs sur le bien-être public. Cependant, les études existantes n'exploitent pas pleinement le mérite sous-jacent des mégadonnées. Dans cette étude, nous développons un cadre basé sur les données qui intègre l'apprentissage automatique aux statistiques spatiales, puis nous l'utilisons sur l'île de Xiamen, en Chine, pour délimiter les modèles dynamiques de la population urbaine sur la base des données horaires de la carte thermique Baidu collectées du 25 août au 3 septembre 2017. Les résultats ont montré que les réseaux chauds sont principalement regroupés le long de la rue principale à travers le centre-ville pendant les jours ouvrables, alors que les réseaux froids sont souvent observés à la périphérie de la ville pendant le week-end. L'usage mixte (services commerciaux et de vie, restaurants et snack-bars, bureaux, espaces de loisirs et complexes sportifs) est le facteur contributif le plus important. Une nouvelle grille froide a émergé à proximité des lieux de conférence avant le sommet du Brésil, de la Russie, de l'Inde, de la Chine et de l'Afrique du Sud, révélant les effets importants des réglementations sur la dynamique de la population et ses modèles en évolution. Cette étude démontre que le cadre basé sur les données proposé pourrait offrir de nouvelles perspectives sur la dynamique de la population urbaine et son mécanisme moteur à l'appui du développement urbain durable.


Cartographie de l'érodabilité des sols à l'aide du modèle RUSLE pour prioriser le contrôle de l'érosion dans le bassin de l'oued Sahouat, au nord-ouest de l'Algérie

Les pertes en sol doivent être quantifiées sur les bassins versants afin de mettre en place des mesures de protection contre l'érosion. L'objectif principal de cet article est de quantifier et de cartographier les pertes de sol dans le bassin de l'oued Sahouat (2140 km 2 ) au nord-ouest de l'Algérie, en utilisant le modèle d'équation universelle révisée des pertes de sol (RUSLE) assisté par un système d'information géographique ( SIG) et la télédétection. Le Model Builder du SIG a permis d'automatiser les différentes opérations d'établissement des couches thématiques des paramètres du modèle : le facteur d'érosivité (R), le facteur d'érodabilité (K), le facteur topographique (LS), le facteur de conduite des cultures (C) , et le facteur de pratique de soutien à la conservation (P). Le taux annuel moyen de perte de sol dans le bassin de l'oued Sahouat varie de 0 à 255 t ha −1 an −1 , des valeurs maximales étant observées sur des pentes abruptes de plus de 25 % et entre 600 et 1000 m d'altitude. 3,4 % du bassin est classé comme très sensible à l'érosion, 4,9 % à risque moyen et 91,6 % à faible risque. Google Earth révèle une nette conformité avec le degré de sensibilité des zones à l'érosion. Sur la base de la carte de perte de sol, 32 sous-bassins ont été classés en trois catégories par priorité d'intervention : élevée, modérée et faible. Cette priorité est disponible pour pérenniser un plan de gestion contre le remplissage en sédiments du barrage d'Ouizert à l'exutoire du bassin. La méthode valorisant le modèle RUSLE et la confrontation avec Google Earth peut être facilement adaptée à d'autres bassins versants.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Partie I : Analyse matricielle de la surface de valeur du logement

1. Lancez ArcGIS et ajoutez de nouvelles couches de données.

Copiez le familier ./données/eboston05 dossier du casier de données de classe dans un dossier local tel que C: emplab5. De plus, décompressez un nouveau fichier .data/boston96.zip dans le même dossier local C: emplab5. Vous devriez vous retrouver avec deux dossiers nommés 'eboston05' et 'boston96' dans votre dossier local C: emplab5. Ce dossier boston96 contient tous les nouveaux fichiers de formes dont nous avons besoin pour cet exercice, ainsi qu'une géodatabase personnelle (11.521_boston96_gdb.mdb) contenant des versions MS-Access des tables Postgres que nous utiliserons. Le dossier boston96 contient également un document ArcMap, boston96_lab5start.mxd, qui vous permet de démarrer avec les fichiers de formes familiers de 'eboston05' ainsi que les nouveaux que nous utiliserons aujourd'hui. Le document ArcMap a été enregistré à l'aide d'une adresse relative, donc si vous l'avez ouvert depuis l'intérieur de C: emplab5oston96 et que le dossier eboston05 se trouve également dans C: emplab5, ArcMap devrait pouvoir trouver l'emplacement de tous les fichiers de formes nécessaires.

/***** Autres étapes de démarrage d'ArcMap *******/

Au lieu de commencer par boston06_lab5start.mxd, nous pourrions ouvrir le familier eboston05_lab2start.mxd document et ajoutez les nouveaux fichiers de formes car ils sont inclus ailleurs dans notre casier de données. Utilisez ArcCatalog pour copier les fichiers de formes supplémentaires répertoriés ci-dessous depuis le casier de données de classe dans votre dossier local (C:TEMPLAB5).

  • Z:athena.mit.educourse1111.521datama_towns00.shp (Limites des villes du Massachusetts)
  • Z:athena.mit.educourse1111.521datamsa_water.shp Boston (MSA Water Boundaries - pour permettre de colorer l'eau en bleu et de masquer les limites des groupes de blocs de recensement)
  • Z:athena.mit.educourse1111.521dataoston_bg90.shp (1990 Boston Census Block Groups. 1990 correspond au milieu de la période de données sur les ventes.)
  • Z:athena.mit.educourse1111.521dataosblocks05lockmap05.shp (aperçu 2005 des blocs de Boston)

Ensuite, ouvrez ArcMap en double-cliquant sur votre copie locale de eboston05_lab2start.mxd dans le dossier c: emplab5eboston05. Ajoutez à ArcMap votre copie locale des fichiers de formes supplémentaires répertoriés ci-dessus, puis élaguez la liste des fichiers de formes et réorganisez leur ordre comme indiqué ci-dessous : (Vérifiez simplement que votre bloc de données est défini sur Mass State Plane (continent) NAD83 mètres coordonnées. Remarque : également, que nous incluions un deuxième fichier de formes 1996 pour les parcelles East Boston au lieu de simplement la version ebos_parcels05 que nous avons déjà utilisée.)

/****** fin des étapes alternatives de démarrage d'ArcMap ******/

Si nécessaire, réorganisez l'ordre des couches dans ArcMap comme suit :

  • ebos_buildings02
  • bos_planning_districts
  • msa_water.shp (ou utilisez les services Web MassGIS ou ESRI des laboratoires précédents pour améliorer le contexte et la visualisation)
  • ebos_parcels05 (la carte parcellaire de 2005 pour East Boston que nous avons utilisée dans les laboratoires précédents)
  • ebos_parcels96 (la carte parcellaire de 1996 pour East Boston, dans le dossier 'eboston05' mais non utilisée dans les laboratoires précédents)
  • blockmap05 (une carte au niveau des blocs de Boston dans le sous-répertoire « bosblocks05 » du casier de données de classe qui a été obtenue en « dissolvant » les parcelles 2005 en blocs)
  • boston_bg90
  • ma_towns00 (vous pouvez ajouter votre copie locale ou continuer à pointer vers la version réseau dans le casier de classe)

Pour commencer avec une visualisation utile de Boston, nous suggérons la configuration suivante : Ajustez (si nécessaire) les couleurs et la transparence des couches de sorte que l'océan soit bleu sans bordure et que les limites du district de planification de Boston soient visibles et d'autres fichiers de formes sont éteints.

CARTE #1: Créez une carte thématique de la valeur médiane du logement en ombrant le thème du groupe de blocs boston_bg90 des données du recensement de 1990 sur la base des valeurs medhhval de 1990. Assurez-vous d'exclure les groupes de blocs avec medhhval = 0 et d'utiliser la classification par défaut « ruptures naturelles ».Étant donné que de nombreux groupes d'îlots avaient un trop petit échantillon de logements détenus en propriété plutôt que loués, de nombreux groupes d'îlots sont exclus de votre carte thématique.

Pour réduire l'encombrement et éviter les conflits de système de coordonnées, ajoutons un nouveau bloc de données que nous utiliserons pour nos opérations raster. Cliquer sur Insérer/Data_Frame et renommez le nouveau bloc de données 'East Boston Raster'. Dans la section suivante, nous diviserons East Boston en cellules de grille de 50 mètres. La limite de East Boston qui est incluse dans bos_planning_districts sera le fichier de formes le plus pratique que nous ayons pour fournir une boîte englobante pour East Boston. Cependant, ce fichier de formes est enregistré sur le disque en coordonnées NAD83 Mass State Plane (pieds) plutôt qu'en coordonnées NAD83 Mass State Plane (mètres). Attention au système de coordonnées de votre Data Frame et de vos couches de données : Si vous avez démarré votre session ArcMap en utilisant eboston05_lab2start.mxd ou alors boston96_lab5start.mxd, alors la trame de données sera définie sur Mass State Plane (NAD83-mètres). Cependant, si vous avez commencé avec une session ArcMap vierge et que vous avez d'abord ajouté les parcelles East Boston (ou districts de planification), le système de coordonnées du fichier de formes de parcelle (qui est Mass State Plane NAD83-pieds) sera adopté par la trame de données. Ensuite, lorsque vous définissez une taille de cellule de grille de « 50 », les unités seront de 50 pieds et non de 50 mètres. Nous vous suggérons d'utiliser le fichier de formes bos_planning_districts pour le "masque" qui isole la zone East Boston pour votre grille raster. Mais ce fichier de formes est enregistré sur disque dans Mass State Plane NAD83-pieds. Convertissez-le en NAD83 mètres Mass State Plane sur le disque et utilisez cette couche pour créer vos cellules de grille East Boston 50x50m. Lorsque vous effectuez des opérations spatiales (comme la conversion de vecteurs en raster ou de jointures spatiales), vous constaterez qu'ArcGIS est plus fiable si chaque couche de données est enregistrée sur le disque dans le même système de coordonnées. Pour enregistrer une nouvelle copie de bos_planning_districts dans le plan d'état de masse NAD83 (mètres), cliquez avec le bouton droit sur la couche, choisissez Données/Exporter les données, puis assurez-vous d'utiliser le même système de coordonnées que 'le bloc de données'. Pour l'emplacement de stockage, accédez à C: emplab5, nommez-le bos_districts_meters et enregistrez sous le type de fichier : fichier de formes. (Si vous êtes familiarisé avec les géodatabases, vous pouvez l'enregistrer là-bas, mais vous aurez peut-être plus de mal à le retrouver plus tard.) Autorisez l'ajout de ce nouveau fichier de formes à votre session ArcMap, puis copiez-le et collez-le dans votre nouveau 'East Boston Bloc de données raster. Ensuite, copiez et collez les couches « ESRI_World_Shaded_Relief » et « Mass Data from MassGIS GeoServer » dans le nouveau bloc de données (à des fins de visualisation) et vous êtes prêt à construire vos cellules de grille de 50 mètres et à commencer l'analyse raster.


Agriculture Land Suitability Evaluator (ALSE) : Un outil d'aide à la décision et à la planification pour les cultures tropicales et subtropicales

L'évaluation de l'aptitude des terres agricoles à la production végétale est un processus qui nécessite des informations géo-environnementales spécialisées et l'expertise d'un informaticien pour analyser et interpréter les informations. Cet article présente ALSE, un système intelligent d'évaluation de l'aptitude des terres pour différents types de cultures dans les régions tropicales et subtropicales (par exemple mangue, banane, papaye, agrumes et goyave) basé sur des facteurs géo-environnementaux qui automatise le processus d'évaluation et illustre les résultats sur une table attributaire. Ses principales caractéristiques comprennent la prise en charge des capacités SIG sur la carte numérique d'une zone avec le modèle de cadre FAO-SYS avec quelques modifications nécessaires pour s'adapter aux conditions environnementales locales pour l'évaluation des terres, et la prise en charge des connaissances d'experts grâce à des outils spatiaux pour dériver les poids des critères avec leur importance relative. Un programme dynamique pour le calcul des valeurs propres et des vecteurs propres d'une matrice de pondération est fourni. L'expertise et les connaissances aident à garantir que les bases de données ALSE représentent des systèmes réalistes, réalisables et fonctionnels. Il est utile aux décideurs pour déterminer la qualité des terres à usage agricole et se veut une aide à la décision et à la planification. La responsabilité de toute décision fondée en partie ou en totalité sur les résultats de l'ALSE incombe au décideur. ALSE garantit que les résultats sont interprétés correctement dans le contexte pertinent et contribue en maximisant l'aménagement du territoire et l'aide à la décision.

Points forts

► ALSE en tant que système intelligent d'évaluation des terres utilisant le modèle FAO-SYS et l'expertise en gestion. ► Systèmes de support SIG-MCE qui aident les décideurs sur l'évaluation de l'adéquation des terres. ► ALSE en tant que système utile pour les aménageurs afin de prendre des décisions complexes dans un court laps de temps.


Démarrage de la correction atmosphérique

  1. Dans la boîte à outils, sélectionnez THOR > THOR Correction atmosphérique. La boîte de dialogue Correction atmosphérique apparaît.

Noter: La correction atmosphérique est également disponible sous forme de panneau dans de nombreux flux de travail, en plus d'être disponible en tant qu'outil autonome.

THOR extrait une estimation approximative du spectre moyen de l'image et le compare à un spectre de radiance généralisé à l'aide de Spectral Angle Mapper (SAM) pour déterminer si l'image d'entrée est la radiance ou la réflectance. Si THOR détermine que l'entrée est la réflectance, il sélectionne automatiquement Aucun / Déjà corrigé comme méthode de correction et vous avertit si vous essayez d'appliquer une méthode de correction. Cependant, le dépistage initial n'est qu'une estimation, vous pouvez donc toujours procéder à une méthode de correction atmosphérique si nécessaire.


Jeudi 1 octobre 2009

Calculer les valeurs de latitude/longitude dans ArcMap

Encore une fois, j'ai eu du mal à trouver suffisamment d'informations sur le calcul des valeurs de latitude et de longitude pour un fichier de formes de points. Je n'ai rencontré qu'une ou deux situations au cours des dernières années où j'ai travaillé avec une couverture qui manquait de ces données, même si c'est toujours une technique de base et importante qui devrait être traitée un peu mieux.

Il s'avère que (au moins) ArcMap 9.2 fournit une méthode assez simple pour calculer rapidement un certain nombre de coordonnées géographiques. Quelques éléments sont cependant importants à considérer :

  • Afficher ArcToolbox dans ArcMap (ou ArcCatalog)
  • Ouvrir l'outil Entité vers point
    (Sous Outils de gestion de données :: Fonctionnalités :: Fonctionnalité à point)
  • Appuyez sur Afficher l'aide pour en savoir plus sur l'outil
  • Sélectionnez une entité surfacique ou linéaire à utiliser comme dans l'entité en entrée
  • Définir un emplacement de sortie et un nom pour la classe d'entités résultante
  • Cochez la case "Intérieur" pour calculer un centroïde dans la limite d'une entité donnée (c'est-à-dire qu'un polygone "courbé" similaire à la forme de la Floride peut avoir un centroïde dans le golfe du Mexique si "Intérieur" n'est pas sélectionné)

Il n'y a pas suffisamment d'informations sur Internet concernant les travaux de ce processus. Il existe une calculatrice simple et automatisée intégrée aux calculs de champs de table d'attributs. Pour que cela fonctionne correctement dans cette situation (calcul des coordonnées géographiques latitude/longitude) le système de coordonnées doit être défini sur un système de coordonnées géographiques, plutôt qu'un système de coordonnées projetées.