Suite

Conversion de référence spatiale

Conversion de référence spatiale


J'ai actuellement un problème avec la projection de référence spatiale sur la carte sous Android.

Fondamentalement, j'ai une carte de base qui est OneMap et toutes les coordonnées stockées dans la base de données sont au format SVY21. Cependant, je voulais l'afficher à l'aide de GoogleMap qui est au format WGS84. Je me demande s'il existe des moyens pour moi de le convertir en Java?

Parce qu'en utilisant la documentation OneMap Api, il dispose d'une méthode de conversion en JavaScript. Cependant, j'ai besoin qu'il soit en Java pour mon projet Android. Des idées?


Vous n'avez plus à vous soucier de cette conversion de projection SVY21 (de 3414 à EPSG:3857/EPSG:4326) pour OneMap. Les fonds de carte New OneMap prennent en charge le format WGS84.

Nouveau OneMap : Documentation API (Convertisseur de coordonnées - SVY21 vers EPSG : 3857)

Nouveau OneMap : Documentation API (Convertisseur de coordonnées - SVY21 vers EPSG : 4326)

Nouveau OneMap : Documentation API (BaseMap)


L'option évidente pour cette tâche est GeoTools. Il comprend quelques classes utilitaires JTS telles que Transform et Convert qui fonctionnent sur des objets de type Geometry.

Vous pouvez suivre le tutoriel Geometry CRS pour un premier contact avec cet aspect de la bibliothèque.


Si vous souhaitez simplement effectuer une transformation de coordonnées, vous pouvez utiliser la bibliothèque CTS sur Android.

Il s'agit d'une bibliothèque légère écrite entièrement en Java.

Coordinate Transformation Suite (abrégé CTS) est une bibliothèque développée pour effectuer des transformations de coordonnées à l'aide d'algorithmes et de jeux de paramètres géodésiques bien connus.

CTS gère 4257 systèmes de référence de coordonnées (3910 EPSG).

Le code source de ce projet se trouve sur :

https://github.com/irstv/CTS

Vous pouvez également utiliser une base de données spatiale intégrée sur Android appelée H2GIS.

http://h2gis.org

Vous pouvez interroger et faire la conversion à la volée des coordonnées

-- Stockez les points d'intérêt dans EPSG 3414 (SVY21 / Singapore TM) CREATE TABLE POI (THE_GEOM POINT); INSÉRER DANS LES VALEURS DE POI (ST_GEOMFROMTEXT('POINT(5000 12000)',3414)); -- Interrogez et convertissez en EPSG 4326 WGS84 SELECT ST_TRANSFORM(THE_GEOM ,4326) THE_GEOM FROM POI;

Concepts spatiaux dans la conversation avec un ordinateur

Les interactions humaines avec l'environnement physique passent souvent par les services d'information et dépendent parfois d'eux. Ces interactions humaines avec leur environnement se rapportent à une gamme d'échelles, 28 dans le scénario ici allant de "l'ouest de la ville" à "l'arrière du magasin", ou au-delà du scénario à "le chat est sous le canapé". Ces interactions vont bien au-delà références à des lieux qui sont enregistrés dans les répertoires géographiques 37 à la fois en échelle (le lieu où se trouve le chat) et en conceptualisation (le lieu qui forme l'ouest de la ville 29 ), ou qui correspondent aux représentations classiques basées sur les coordonnées des cartes numériques . Et pourtant, ces types de services doivent utiliser de telles représentations numériques d'environnements, telles que des cartes numériques, des modèles d'information de construction, des bases de connaissances ou simplement des textes/documents. De plus, leurs capacités d'interaction se limitent soit à fusionner avec l'environnement 44 , soit à utiliser des médias tels que des cartes, des photos, la réalité augmentée ou la voix. Ces interactions se produisent également dans une vaste gamme de contextes du monde réel, ou in situ, dans lesquels les partenaires de conversation adaptent généralement leurs stratégies de conversation à leur interlocuteur, sur la base d'informations mutuelles, d'activités et de la situation partagée. 2 Le partage d'informations verbales et les conversations sur les lieux peuvent également être plus appropriés lorsque la communication visuelle via des cartes ou des images est inaccessible, gênante ou non pertinente, comme lors de la navigation dans un centre commercial familier.

Idées clés

Une grande partie de la conversation humaine porte sur des lieux sans noms connus ou avec seulement une signification locale, tels que les cinémas (voir le scénario). Ils sont souvent identifiés non pas du tout par des noms, mais par des qualités (le parking arrière d'autres exemples sont illustrés dans le tableau ci-joint). Parfois, les lieux manquent d'un emplacement ou d'une étendue bien établis, tels que l'ouest de la ville, ou sont caractérisés dans leur emplacement uniquement par des relations spatiales (les ascenseurs au cinéma).

Ainsi, nous soulignons ici le concept plus large de endroit nous sommes confrontés. Empruntant aux concepts de base 24 , nous disons que chaque objet (dans les concepts de base) est localisé. Et les lieux sont des objets. 32 Pour être plus précis, les références aux objets en font des lieux si la conversation porte sur la localisation et le mdashin par opposition à d'autres propriétés d'objet. Mais la localisation d'un objet peut se produire de diverses manières, et la localisation géométrique, c'est-à-dire dans un référentiel spatial, n'est qu'une d'entre elles. Un autre est celui des relations spatiales qualitatives. Dans cet article, nous nous concentrons sur ce dernier.

Mais bien que vitales pour le partage d'informations humaines, la prise de décision et la coordination, les conversations sur les lieux sont encore mal soutenues par les services d'information et les assistants robotiques situés tels que les véhicules autonomes ou, dans notre scénario, par Marvin. Les contextes de conversation typiques concernant les lieux incluent :

  • Partenaires établissant une conscience partagée de la situation, comme dans le commandement et le contrôle 10 pour les interventions d'urgence (Pointez le tuyau d'incendie plus vers la droite), En défense (Le tireur d'élite doit être sur le toit du bâtiment à côté de l'arbre), et dans des scénarios collaboratifs dans les jeux.
  • Services conversationnels de localisation utilisés comme systèmes de recommandation (Où puis-je acheter ces baskets ?) ou des véhicules autonomes (Allez au parking derrière les cinémas).
  • Services qui masquent ou abandonnent les descriptions géométriques au profit de descriptions vagues et qualitatives pour protéger les informations privées ou sensibles (Kim vit dans l'Est de la ville protège l'adresse exacte du domicile en faisant référence à un endroit vague et plus grossier).

Les nombreuses possibilités d'engager les utilisateurs dans un échange d'informations verbal lors de la recherche et de la fourniture d'informations sur le lieu vont au-delà de la recherche d'informations pures et incluent des commandes ainsi que la fourniture d'explications aux machines. Ici, nous décrivons les défis sous-jacents de la conversation sur des lieux avec des ordinateurs et rendons compte des progrès récents dans cet espace. Nous identifions également les domaines saillants pour les travaux futurs immédiats et à plus long terme.

Portée et défis

La communication sur notre environnement physique&mdash à petite et à grande échelle&mdashis est spéciale et difficile : le contenu de la communication dépend fortement des perspectives et préférences personnelles des personnes engagées dans la conversation, et peut contenir des niveaux élevés d'ambiguïté qui ne peuvent être résolus que par l'information mutuelle et contexte local. Pourtant, cette communication doit permettre une interaction physique avec l'environnement et les autres, comme la coordination ou la planification des mouvements. 5 Dans les conversations avec un ordinateur, les références aux deux lieux et à leurs relations sont difficiles à analyser et représentent formellement pour diverses raisons, parmi lesquelles la flexibilité inhérente, l'imprécision et l'ambiguïté du langage (voir le tableau), la dépendance au contexte ayant un impact sur l'ancrage linguistique et la désambiguïsation, et l'interprétation des partie de relations (échelle) et autres relations spatiales.


Tableau. Illustrations de complexités supplémentaires dans les références aux lieux.

Langue et facettes du lieu. Lorsqu'on parle de lieux, les expressions utilisées dans les stratégies linguistiques véhiculent des qualités de lieu (la belle plage), les relations entre les lieux (la rivière traversant l'Autriche et la Slovaquie) et les relations entre les personnes et les lieux, ou les rôles des lieux. Ces rôles fonctionnels, sociaux et opérationnels des lieux sont imposés par des individus ou des groupes. Une fonction d'un lieu peut être liée à ce qu'il offre à un individu. Le rôle social découle de la propriété. Et le rôle opérationnel est dérivé de l'intention (et de la configuration spatiale). Une étude complète récente 15, utilisant la théorie des facettes, 3 a classé ces moyens d'expression en trois catégories de premier niveau de facettes de lieux. Anthropocentrique les facettes concernent les relations entre les personnes et les lieux. Ils comprennent les potentialités des lieux et des activités qui leur sont liées, ainsi que des facettes émotives qui recouvrent le sens du lieu et l'attachement culturel. Géographique les facettes décrivent les propriétés spatiales et physiques des lieux. Les facettes spatiales permettent de localiser un lieu dans l'espace et décrivent le sens du lieu par rapport à l'espace et à d'autres lieux, tandis que les facettes physiques capturent la structure, le matériau ou la forme d'un lieu. Et enfin, linguistique les facettes présentent une catégorie distincte, capturant des manifestations purement linguistiques du lieu à travers des noms de lieux et des identifiants. Les facettes linguistiques peuvent ramasser des facettes anthropocentriques (le magasin de baskets) ou des facettes géographiques (le Lower Eastside), mais ne sont pas obligés (Battage publicitaire).

Alors que la majeure partie de la recherche et du développement dans les systèmes d'assistance s'est jusqu'à présent concentrée uniquement sur les aspects linguistiques (par exemple, noms de lieux), il est insuffisant dans l'interprétation des références à placer dans les conversations en langage naturel. Les assistants situés qui sont capables d'interagir avec l'environnement physique, tels que les véhicules autonomes, auront besoin d'un support plus riche pour une interaction en langage naturel à multiples facettes sur les lieux. Dans cette direction, des points fonctionnent déjà dans le contrôle des robots par des références spatiales, par exemple l'identification d'objets dans un environnement auquel on peut se référer sur la base d'une gamme de systèmes de références spatiales, 30,41 ou la réflexion sur le raisonnement humain déductif avec des modèles préférés au lieu de raisonnement spatial qualitatif formel. 34

Imprécision. Les références à des lieux sont intrinsèquement vagues dans leur spécification d'un emplacement. 32 Étant donné que les descriptions de lieux sont généralement expressions de référence&mdashexpressions uniquement identifier un référent dans un ensemble de possibilités&mdashelles sont généralement aussi spécifiques que nécessaire. 40 Cette spécificité n'est pas donnée par des coordonnées&mdash, c'est-à-dire ni par des descripteurs géométriques précis ou flous (par exemple, Derungs et al. 8 )&mdash mais par contraste. 45 Par exemple, l'emplacement du A l'ouest de la ville 29,33 est suffisamment décrit comme en contraste avec l'Est, le Sud ou le Nord, et l'arrière du magasin est suffisamment spécifié contrairement à sa façade. L'imprécision s'applique aussi aux qualités des lieux (le parking complet), et aux relations entre les lieux (ascenseurs au cinéma), chacune avec l'intention d'être aussi distinctive que nécessaire pour être pertinente dans le contexte donné.

Ambiguïté. La plupart des références aux lieux sont ambiguës. Par exemple, alors que les noms de pays sont globalement uniques, il n'en va plus de même pour les noms de ville (Paris) ou des noms de paysage (Alpes). La boutique de baskets au deuxième étage n'est pas une référence unique au monde. La désambiguïsation nécessite d'autres discriminateurs locatifs, qui permettent la désambiguïsation populaire basée sur les clusters, d'autres discriminateurs non locatifs, qui permettent une identification itérative telle que par le dialogue, et des références aux relations spatiales, qui permettent la désambiguïsation par le raisonnement spatial. Les relations spatiales populaires sont des hiérarchies de confinement, soulignant l'importance de l'échelle (la boutique de baskets de l'Imperial Shopping Center [dans cette ville, dans ce pays]), mais peut aussi être une relation avec un repère local (le magasin de baskets près de l'aire de restauration). Les méthodes de désambiguïsation basées sur le dialogue 46 nécessitent encore des recherches intenses, car elles inversent les rôles de l'ordinateur et de l'utilisateur humain, en ce sens que l'utilisateur humain devient la source d'information fournie à l'ordinateur. La désambiguïsation verbale par les trois approches est plus facile pour un agent conversationnel situé que pour un agent conversationnel non-situé.

Échelle, ou confinement, est une propriété intrinsèque des lieux qui impacte le raisonnement spatial et permet de s'adapter au contexte spatial. La question Où puis-je acheter ces baskets peut être répondu correctement mais de pertinence variable par à l'ouest de la ville (par exemple, dire à Kim la direction générale), au centre commercial (par exemple, si Kim est dans le quartier), au deuxième étage (si Kim est dans le parking), ou par au fond de la boutique (si Kim entre dans la boutique). Ces descriptions varient entre les échelles et bénéficient de hiérarchies de confinement qui permettent de zoomer et de raisonner entre les niveaux de granularité. 36

Le contexte. Le contexte conversationnel fournit des informations implicites prises en compte lors de la génération ou de l'interprétation des références de lieux. Alors que cette fonction élémentaire du contexte est bien comprise et incontestée, le concept de contexte lui-même est encore mal défini. 9 Le contexte est plus large que les indices perceptifs immédiats d'un agent situé, tels que le positionnement, l'orientation et l'analyse de la vue pour les caractéristiques saillantes significatives. Il inclut une considération du partenaire de communication humain, de l'environnement physique au-delà de la vue et des aspects sociaux et techniques. 19 Malgré cette compréhension commune plus large, et en reconnaissance tacite du défi mal défini, les recherches existantes sur l'informatique contextuelle associent souvent le contexte uniquement à la position ou à toute notion sémantiquement plus riche de l'emplacement. Par exemple, certains travaux associent un poste à des points d'intérêt et aux activités qu'ils permettent (par exemple, Horvitz et al. 16 et Schilit et al. 38 ), et à plus petite échelle des environnements intelligents, des capteurs sont utilisés pour la reconnaissance d'activité. , qui est liée à la localisation, 1 ou une notion plus large de localisation est introduite pour faire face à l'incertitude de positionnement dans ces environnements intelligents. 4 Des notions de localisation sémantiquement plus riches peuvent permettre de supposer des lieux sémantiquement significatifs, y compris leur description relative en sélectionnant saillant facettes. 36 Elle inclut également le choix d'un degré de spécificité suffisant à des fins de communication. Il nécessite une sélection de pertinent facettes pour éviter toute ambiguïté inutile. Et cela nécessite un choix d'échelle qui se rapporte à la prise de décision actuelle. Les interlocuteurs humains s'adaptent naturellement au contexte même lorsqu'ils sont physiquement éloignés (par exemple, parler au téléphone, une forme de co-présence 47 ).

Les descriptions peuvent être personnalisées pour la familiarité (contrairement à Kim, un nouveau venu dans le centre commercial aurait également besoin d'instructions sur la façon d'accéder au deuxième étage) capacité (une personne en fauteuil roulant peut avoir besoin d'instructions nuancées sur la façon d'accéder au deuxième étage) rôle (un nettoyeur peut avoir accès aux entrées réservées au personnel) et adapté aux caractéristiques environnementales (un environnement complexe nécessitera généralement une description plus détaillée) et à la dynamique (pensez au parking complet). Cette dépendance au contexte dans la réponse aux questions est actuellement évitée dans la plupart des services de direction d'itinéraire qui enrichissent au maximum les instructions de quelques points de repère personnalisés sélectionnés dans l'historique de l'utilisateur.

Étant donné que le langage naturel utilise principalement des relations qualitatives, le raisonnement préféré est le raisonnement qualitatif.

De même, la relation de proximité est connue pour être dépendante du contexte et parfois même asymétrique. Par exemple, le magasin de baskets près de l'aire de restauration et le aéroport proche du centre ville nécessitent un traitement différent de la relation proximale. L'interprétation des prépositions de proximité est un défi persistant.

Anatomie d'un système d'aide au lieu

Afin de converser sur le lieu, un système d'assistance doit gérer les défis liés au traitement des informations sur le lieu tout au long des quatre tâches imbriquées consistant à capturer l'expression d'un individu lorsqu'elle se réfère à des lieux (couvrant l'analyse du langage naturel), à modéliser les connaissances extraites sur les lieux. dans certaines représentations, le traitement de ces connaissances et, finalement, l'interaction avec l'individu.

Capturer. Placer les connaissances exprimées dans un langage courant&mdash les questions ou réponses, les commandes ou les explications&mdash peuvent être analysées, et placer les références extraites et interprétées dans leur contexte conversationnel. Cela inclut nécessairement la capacité d'analyser et d'interpréter les riches moyens de se référer aux différentes facettes du lieu, y compris, mais sans s'y limiter, la résolution et la désambiguïsation des toponymes.

Les subtilités de la gestion du contexte, de l'échelle et de l'imprécision deviennent saillantes lorsque des expressions locatives issues d'interactions en langage naturel sont comparées au contenu d'une base de connaissances, le principal défi étant de résoudre les ambiguïtés. Lorsque ces bases de connaissances sont géométriques (bases de données spatiales) cette correspondance est appelée géocodage. 12,13,27 La base de connaissances peut également être qualitative, voir la section suivante.

Certains défis dans ce processus d'appariement concernent l'unification entre différentes références à un même lieu (par exemple, découvrir que la boutique de baskets et Battage publicitaire sont en fait un seul et même lieu dans des contextes particuliers), et la désambiguïsation où le même terme renvoie à des lieux différents (par exemple, découvrir que Battage publicitaire dans une conversation est un endroit différent d'un Battage publicitaire stocker dans un autre contexte). Un défi connexe est d'établir qu'une telle référence fait référence à un objet manquant dans la base de connaissances (par exemple, si le centre commercial est dans la base de connaissances, mais pas Battage publicitaire), ou à un autre (par exemple, si Battage publicitaire fait référence à l'endroit qui est stocké dans la base de connaissances toujours comme Stylos et papier). 6,33,35

La modélisation. La connaissance du lieu est intrinsèquement relationnelle, structurée en encodant des relations principalement qualitatives entre des lieux encodées dans des références de lieu, au lieu d'un ancrage basé sur les coordonnées. La représentation d'une telle connaissance relationnelle du lieu, qu'elle soit inhérente aux questions, capturée dans des bases de connaissances ou encodée dans les réponses, nécessite des structures de données relationnelles adaptées au raisonnement sur le lieu. Une telle représentation est dite placer des graphiques 43 &mdashas illustré dans la figure ici&mdashan application du concept de graphes de propriétés. Les graphes de propriétés ont récemment reçu une attention intense dans la communauté des bases de données et sont à la base de la première nouvelle norme de langage de requête considérée par l'ISO en 35 ans (https://www.gqlstandards.org/resources/committees-and-processes). Les graphiques de lieux fournissent également les moyens de prendre en charge la capture du contexte conversationnel, de l'échelle et des riches facettes du lieu. 7


Chiffre. Un graphique de la connaissance du lieu extraite de la conversation dans le scénario.

Les structures de graphes de lieux permettent de capturer des connaissances sur les relations entre les lieux, même dans les cas où les lieux ont des étendues vagues. Comme les graphiques de lieux n'ont pas besoin d'être ancrés dans un système de référence de coordonnées géographiques, les connaissances capturées permettent la flexibilité de raisonnement observée lorsque les humains raisonnent sur des lieux. 6 En particulier, l'appariement de la connaissance du lieu avec les connaissances recueillies à partir d'énoncés supplémentaires au cours des conversations permet une vérification de cohérence locale, sans exigence d'appariement parfait avec une base de connaissances de lieu globalement cohérente.

Raisonnement. Le raisonnement fait référence à la tâche consistant à déduire des informations inconnues à partir d'informations connues ou données. Étant donné que le langage naturel utilise principalement des relations qualitatives, le raisonnement préféré est le raisonnement qualitatif. Par exemple, si le magasin de baskets est à l'intérieur du centre commercial, et le les chaussures sont à l'intérieur du magasin de baskets, il est possible de déduire avec certitude que la les chaussures sont également à l'intérieur du centre commercial. Ce type de raisonnement transitif compositionnel repose sur des formalismes qui définissent avec précision des relations spatiales vagues entre les entités. 26

Pourtant, les individus peuvent avoir leurs propres conceptualisations vagues de relations spatiales communes 22,23 et un ensemble de prépositions spatiales plus riche que celui fourni par un modèle formel de relations. 30 Ils peuvent également choisir de manière flexible des cadres de référence spatiaux. 21,25,41 Par exemple, dire à Kim À droite peut faire référence à la direction de la marche, à l'orientation réelle du corps ou à l'agencement du magasin. L'interprétation de ces prépositions projectives nécessite l'accès à des points de vue, et donc un assistant situé. Son raisonnement doit porter explicitement le cadre de référence, et la détermination de la cohérence des nouvelles informations avec les informations précédentes reste un problème difficile.

Alors que le raisonnement avec des ensembles prédéfinis de relations avec des compositions bien décrites est relativement simple, le raisonnement entre différents types de relations spatiales (par exemple, une relation de direction et une relation de distance) est toujours un problème ouvert. De plus, dans certaines tâches d'assistance liées au lieu, la manière standard de faire le raisonnement spatial n'est pas applicable. Par exemple, si l'aire de restauration est à gauche de l'ascenseur, et Battage publicitaire est laissé de l'aire de restauration, pour le raisonnement formel, il reste ambigu quelle est la relation entre Battage publicitaire et l'ascenseur est (à gauche ou à l'arrière). Mais même si elle était connue, la composition n'est généralement pas utile puisque Kim doit d'abord passer l'aire de restauration dans cet exemple et ne peut pas marcher directement dans la direction de Battage publicitaire. Au lieu de cela, une inférence valide doit concaténer les deux chemins. Afin de traiter le problème du contexte et de la localisation de l'utilisateur, nous avons développé une représentation unifiée des relations de direction qui nous permet de lever l'ambiguïté des termes de direction relative et de raisonner à leur sujet de manière uniforme. 18

Interaction de l'utilisateur. Le premier&mdashand toujours dominant&mdashfocus des systèmes d'assistance de lieu sur les lieux. 20 Cela se produit maintenant principalement de manière omniprésente et omniprésente, y compris par le biais d'assistants de conversation tels que Cortana et Siri. Pourtant, avec l'approche de la marchandisation des systèmes autonomes, les utilisateurs ne serviront plus seulement de consommateurs de connaissances servies par les ordinateurs, mais communiqueront également de plus en plus des connaissances aux ordinateurs qui agiront dessus, y compris des déclarations sur les préférences et des spécifications affinées (Emmenez-moi au centre commercial&mdashQuelle entrée préférez-vous ?).

Cette transition vers une interaction bidirectionnelle posera de nouveaux défis pour la gestion du contexte et l'ancrage linguistique, la personnalisation et la confidentialité, 42 et la prise en compte des possibilités physiques des lieux telles qu'elles sont vécues par le système combiné utilisateur-machine (L'entrée arrière, s'il vous plaît. Désolé, nous n'avons pas accès au parking arrière en dehors des heures d'ouverture). En outre, les systèmes d'ancrage linguistique et de questions-réponses se sont jusqu'à présent uniquement concentrés sur le soutien de l'interaction verbale des utilisateurs et des machines, soit à l'échelle locale (espace de vue), 5,30, soit à l'inverse, à l'échelle géographique mondiale avec une connaissance du lieu relativement grossière, 31 tandis que l'aide au lieu comme dans notre scénario interagit à toutes les échelles de manière intégrée. De plus, alors que l'interaction située offre des indices contextuels importants pour des interprétations raffinées des questions, les modalités permettant aux machines de saisir la situation et de rechercher des retours supplémentaires de la part des utilisateurs en sont encore à leurs balbutiements. Ceci est lié à la capacité de converser dans le dialogue ainsi que de capturer des facettes de l'environnement qui vont au-delà de la localisation et de la personnalisation de l'utilisateur. En particulier, la capacité des machines à réfléchir sur une connaissance vague et multiforme des lieux est jusqu'ici faible tant dans la construction (A l'ouest de la ville) et dans le raisonnement (derrière les cinémas).

Une feuille de route

Les défis de la conversation sur le lieu n'ont pas encore été résolus par l'intelligence artificielle, ni conceptuellement ni technologiquement. Ceci est principalement causé par :

  • Les bases de données spatiales (ou systèmes d'information géographique) restent fortement ancrées dans la géométrie et manquent donc de capacités pour gérer les défis ci-dessus de capture d'informations sur les lieux (au lieu d'appliquer une étendue spatiale précise, dépendante de l'échelle et fondée sur la géométrie), ou pour le calcul et le raisonnement avec des relations spatiales qualitatives.
  • Les représentations spatiales qualitatives et le raisonnement 26 capturent certaines des relations spatiales qualitatives auxquelles se réfère le langage, mais dans des interprétations formelles qui ne sont pas conçues pour faire face directement à la flexibilité du langage et à l'intégration des relations dans un contexte conversationnel. Par exemple, nous pouvons raisonner avec proche mais nous n'avons pas la capacité de fonder sa signification.
  • Les méthodes d'apprentissage automatique ne sont ni adaptées pour lever l'ambiguïté des lieux ni pour interpréter les relations spatiales. En raison des facteurs transversaux décrits ci-dessus (dépendance du contexte, échelle, facettes, imprécision et ambiguïté), les modèles statistiques ne parviennent souvent pas à détecter des corrélations significatives ou, à l'inverse, à trouver des corrélations fausses et le défi d'interpréter la signification de proche reste un excellent exemple .

Dans cette situation, l'anatomie d'un système d'assistance idéalisé basé sur le lieu, telle qu'elle est esquissée dans notre scénario, est destinée à inspirer une vision d'une véritable interaction conversationnelle avec un assistant informatique qui peut agir dans l'environnement physique et interagir avec l'utilisateur de manière naturelle. manière. Cette vision nous a également permis d'examiner certains des progrès vers cette vision et de démontrer que les approches de pointe ne sont ni suffisantes ni que nous avons suffisamment essayé d'intégrer le vaste champ de recherche impliqué.

Un premier tremplin habilitant est l'établissement d'une base de connaissances sur la connaissance du lieu. Le choix évident pour un étalon-or de la connaissance des lieux est les expressions verbales humaines et elles sont qualitatives, contextualisées (par conséquent, suffisamment désambiguës) et indépendantes des descriptions géométriques, des collections de lieux communément acceptées telles que les répertoires géographiques, ou des entités nommées en général. Au lieu de cela, la base de connaissances est mise en place par des lieux s'engageant dans une ontologie d'objets utilisés pour faire référence à des emplacements (abstraits). Notez que d'autres ont souligné la nature contestée d'une telle extraction. 11

L'étape suivante consiste à étendre les représentations spatiales qualitatives et les modèles de raisonnement pour permettre la gestion du contexte. Par exemple, Hua et al. 17 ont montré que le raisonnement avec des directions relatives (gauche droite) implique une relation ternaire non triviale de deux référents explicites et un troisième point d'ancrage, éventuellement implicite, qui doit être identifié à partir du contexte de la conversation.

Une troisième étape critique vers la vision présentée ici est la capacité d'interroger efficacement les bases de connaissances des lieux en langage naturel. Cette étape profite de l'apprentissage des modèles de réponse humains sur des questions liées au lieu. 14 La traduction de questions en langage naturel en requêtes (par exemple, Geo-SPARQL) peut déjà être réalisée. Ainsi, la seule dépendance non résolue pour cette dernière étape est constituée des bases de connaissances qui contiennent des connaissances de lieux, y compris des relations spatiales qualitatives, qui ne peuvent être calculées à partir de la géométrie sans contexte.

Plus important encore, ce document montre que c'est l'intégration de ces domaines qui sera nécessaire pour faire de réels progrès. En ce sens, nous encourageons les travaux sur l'intersection entre les bases de données spatiales et l'apprentissage automatique, ou traitement du langage naturel, dans la construction de bases de connaissances telles que les graphes de lieux, puis plus loin entre les bases de données spatiales, l'apprentissage automatique et le raisonnement spatial qualitatif pour aborder le raisonnement contextualisé. .

En résumé, les conversations situées sur les lieux nécessitent que la machine comprenne des expressions verbales basées sur les lieux (commandes, descriptions ou questions) et qu'elle y réponde de manière adéquate, en accédant à des bases de connaissances sur les lieux. Nous n'interrogerons bientôt plus seulement les assistants conversationnels sur la connaissance d'un lieu bien connu (Quelle est la capitale de la Slovaquie ?), mais nécessitera des systèmes pour comprendre les interactions complexes sur les lieux, permettre aux machines de rechercher des spécifications supplémentaires pour résoudre l'incertitude ou l'ambiguïté, et avoir la possibilité d'ajouter de nouveaux faits extraits de ces conversations à sa base de connaissances. Pour y parvenir, cependant, un effort de recherche concerté dans les domaines de la science de l'information spatiale, du traitement du langage naturel, de la gestion des bases de données, du raisonnement spatial qualitatif et de l'IA est nécessaire.

Reconnaissance. Ce travail a été soutenu par un Discovery Project financé par l'Australian Research Council, Grant DP170190109.

Les références

1. Alirezaie, M. et al. Un système contextuel basé sur une ontologie pour les maisons intelligentes : [email protected] Capteurs 17, 7 (2017), 1586:1&ndash23 https://www.mdpi.com/1424-8220/17/7/1586

2. Ballatore, A. et Bertolotto, M. Personnalisation des cartes. Commun. ACM 58, 12 (déc. 2015), 68&ndash74 https://doi.org/10.1145/2756546

3. Galop, D. Les facettes du lieu. Vers l'intégration de la théorie, des méthodes, de la recherche et de l'utilisation. G.T. Moore et R.W. Marans (éd.). Springer, Boston, MA, 1997, 109&ndash147 https://doi.org/10.1007/978-1-4757-4425-5_4

4. Chahuara, P., Portet, F. et Vacher, M. Prise de décision contextuelle dans l'incertitude pour le contrôle vocal de la maison intelligente. Systèmes experts avec applications. 75 (2017), 63&ndash79 https://doi.org/10.1016/j.eswa.2017.01.014

5. Chai, J., Fang, R., Liu, C. et She, L. Langage collaboratif fondé sur un dialogue homme-robot situé. Magazine de l'IA 37, 4 (2017), 32&ndash45 https://doi.org/10.1609/aimag.v37i4.2684

6. Chen, H., Vasardani, M. et Winter, S. Géoréférencement de lieux à partir de descriptions humaines collectives à l'aide de graphes de lieux. J. Sciences de l'information spatiale 17 (2018), 31&ndash62 https://doi.org/10.5311/JOSIS.2018.17.417

7. Chen, H., Vasardani, M., Winter, S. et Tomko, M. Un modèle de base de données de graphes pour les connaissances extraites des descriptions de lieux. Interne. J. Géo-Information 7, 6 (2018), Papier 221 (30 pages) https://doi.org/10.3390/ijgi7060221

8. Derungs, C. et Purves, R. Du texte au paysage : localiser, identifier et cartographier l'utilisation des caractéristiques du paysage dans un corpus alpin suisse. Interne. J. Sciences de l'information géographique 28, 6 (2014), 1272&ndash1293.

9. Dey, A., Abowd, G. et Salber, D. Un cadre conceptuel et une boîte à outils pour prendre en charge le prototypage rapide d'applications sensibles au contexte. Interaction homme-machine 16, 2 (déc. 2001), 97&ndash166 https://doi.org/10.1207/S15327051HCI16234_02

10. Endsley, M. et Jones, D. Concevoir pour la conscience de la situation : une approche de la conception centrée sur l'humain. CRC Press, Boca Raton, Floride, 2011.

11. Ford, H. et Graham, M. Provenance, pouvoir et lieu : données liées et géographies numériques opaques. Environnement et Aménagement D : Société et Espace 34, 6 (2016), 957&ndash970.

12. Goldberg, D., Wilson, J. et Knoblock, C. Du texte aux coordonnées géographiques : l'état actuel du géocodage. URISA J.19, 1 (2007), 33&ndash46.

13. Gritta, M., Pilehvar, M. et Collier, N. 2018. Quel Melbourne ? Enrichir le géocodage avec des cartes. Dans Actes de la 56 e réunion annuelle de l'Assoc. Linguistique computationnelle. (Melbourne, Australie, 2018) 1285&ndash1296 https://doi.org/10.18653/v1/P18-1119

14. Hamzei, E., Li, H., Vasardani, M., Baldwin, T., Winter, S. et Tomko, M. Placer des questions et des réponses générées par l'homme : une approche d'analyse de données. Technologies géospatiales pour le développement local et régional. P. Kyriakidis, D. Hadjimitsis, D. Skarlatos et A. Mansourian (Eds.). Springer, Cham, Suisse, 2019, 3&ndash19.

15. Hamzei, E., Winter, S., et Tomko, M. Place facets: A systématique revue de la littérature. Cognition spatiale et calcul 20, 1 (2020), 33&ndash81 https://doi.org/10.1080/13875868.2019.1688332

16. Horvitz, E., Kadie, C., Paek, T. et Hovel, D. Modèles d'attention en informatique et communication : des principes aux applications. Commun. ACM 46, 3 (mars 2003), 52&ndash59 https://doi.org/10.1145/636772.636798

17. Hua, H., Renz, J. et Ge, X. Représentation qualitative et raisonnement sur les relations de direction à travers différents cadres de référence. Dans Actes du 16 e Stagiaire. Conf. sur les principes de représentation et de raisonnement des connaissances. AAAI, Université d'État de l'Arizona, 2018, 551&ndash560.

18. Hua, H., Zhang, P., and Renz, J. Qualitative place maps for landmark-based localization and navigation in GPS-denied environments. Dans Proceedings of the 27 th ACM SIGSPATIAL Intern. Conf. Advances in Geographic Information Systems. ACM (Chicago, IL, 2019), 23&ndash32 https://doi.org/10.1145/3347146.3359107

19. Huang, H., Gartner, G., Krisp, J., Raubal, M., and Van de Weghe, N. Location based services: Ongoing evolution and research agenda. J. Location Based Services 12, 2 (2018), 63&ndash93 https://doi.org/10.1080/17489725.2018.1508763

20. Jones, C. and Purves, R. Geographical information retrieval. Encyclopedia of Database Systems. Springer, Boston, MA, 2009, 1227&ndash1231.

21. Klatzky, R. Allocentric and egocentric spatial representations: Definitions, distinctions, and interconnections. Spatial Cognition. C. Freksa, C. Habel, and K. F. Wender (Eds.). LNAI 1404. Springer, Berlin, 1998, 1&ndash17.

22. Klippel, A., Dewey, C., Knauff, M., Richter, K., Montello, D., Freksa, C., and Loeliger, E.-A. Direction concepts in wayfinding assistance systems. Dans Proceedings of the Workshop on Artificial Intelligence in Mobile Systems 2004. J. Baus, C. Kray, and R. Porzel (Eds.). Sonderforschungsbereich 378, Saarbrücken, Germany, 2004, 1&ndash8.

23. Klippel, A. and Montello, D. Linguistic and non-linguistic turn direction concepts. Dans Spatial Information Theory. S. Winter, M. Duckham, L. Kulik, and B. Kuipers (Eds.). LNCS 4736. Springer, Berlin, 2007, 354&ndash372.

24. Kuhn, W. Core concepts of spatial information for transdisciplinary research. Interne. J. Geographical Information Science 26, 12 (2012), 2267&ndash2276.

25. Levinson, S. Frames of reference and Molyneux's question: Crosslinguistic evidence. Language and Space. P. Bloom, M.A. Peterson, L. Nadel, and M.F. Garrett (Eds.). The MIT Press, Cambridge, MA, 1996, 109&ndash169.

26. Ligozat, G. Qualitative Spatial and Temporal Reasoning. John Wiley & Sons, Inc., Hoboken, NJ, 2013 https://doi.org/10.1002/9781118601457

27. Melo, F. and Martins, B. Automated geocoding of textual documents: A survey of current approaches. Trans. in GIS 21, 1 (2017), 3&ndash38 https://doi.org/10.1111/tgis.12212

28. Montello, D. Scale and multiple psychologies of space. Spatial Information Theory. A.U. Frank and I. Campari (Eds.). LNCS 716. Springer, Berlin, 1993, 312&ndash321.

29. Montello, D., Goodchild, M., Gottsegen, J., and Fohl, P. Where's downtown? Behavioral methods for determining referents of vague spatial queries. Spatial Cognition and Computation 3, 2&3 (2003), 185&ndash204.

30. Moratz, R., and Tenbrink, T. Spatial reference in linguistic human-robot interaction: Iterative, empirically supported development of a model of projective relations. Spatial Cognition & Computation 6, 1 (2006), 63&ndash107 https://doi.org/10.1207/s15427633scc0601_3

31. Punjani, D. et al. Template-based question answering over linked geospatial data. Dans Proceedings of the 12 th Workshop on Geographic Information Retrieva. ACM, NY, 2018, Article 7 https://doi.org/10.1145/3281354.3281362

32. Purves, R., Winter, S., and Kuhn, W. Places in information science. J. Association for Information Science and Technology 70, 11 (2019), 1173&ndash1182 https://doi.org/10.1002/asi.24194

33. Purves, R. et al. Geographic information retrieval: Progress and challenges in spatial search of text. Foundations and Trends in Information Retrieval 12, 2&ndash3 (2018), 164&ndash318.

34. Ragni, M. and Knauff, M. A theory and a computational model of spatial reasoning with preferred mental models. Psychological Rev. 120, 3 (2013), 561&ndash588 https://doi.org/10.1037/a0032460

35. Rahimi, A., Cohn, T., and Baldwin, T. Continuous representation of location for geolocation and lexical dialectology using mixture density networks. Dans Proceedings of the 2017 Conf. Empirical Methods in Natural Language Processing. ACL (Copenhagen, Denmark, 2017), 167&ndash176 https://doi.org/10.18653/v1/D17-1016

36. Richter, K., Winter, S., and Rüetschi, U. Constructing hierarchical representations of indoor spaces. Dans Proceedings of the 10 th Intern. Conf. Mobile Data Management, Workshop on Indoor Spatial Awareness. Y-C Tseng, P. Scheuermann, and R.H. Güting (Eds.). IEEE Press (Taipei, Taiwan, 2009), 686&ndash691 https://doi.org/10.1109/MDM.2009.117

37. Samet, H. et al. Reading news with maps by exploiting spatial synonyms. Commun. ACM 57, 10 (Oct. 2014), 64&ndash77 https://doi.org/10.1145/2629572

38. Schilit, B., Hilbert, D., and Trevor, J. Context-aware communication. IEEE Wireless Commun. 9, 5 (2002), 46&ndash54 https://doi.org/10.1109/MWC.2002.1043853

39. Schmidt, A., Beigl, M., and Gellersen, H. There is more to context than location. Computers & Graphics 23, 6 (1999), 893&ndash901 https://doi.org/10.1016/S0097-8493(99)00120-X

40. Sperber, D. and Wilson, D. Relevance Theory. Handbook of Pragmatics. L. Horn and G. Ward (Eds.). Blackwell, Oxford, U.K., 2004, 607&ndash632.

41. Tenbrink, T. and Kuhn, W. A model of spatial reference frames in language. Spatial Information Theory. M. Egenhofer, N.A. Giudice, R. Moratz, and M. Worboys (Eds.). Springer, Berlin, 2011, 371&ndash390.

42. Toch, E., Wang, Y., and Cranor, L. Personalization and privacy: A survey of privacy risks and remedies in personalization-based systems. User Modeling and User-Adapted Interaction 22, 1 (2012), 203&ndash220 https://doi.org/10.1007/s11257-011-9110-z

43. Vasardani, M., Timpf, S., Winter, S., and Tomko, M. From descriptions to depictions: A conceptual framework. Spatial Information Theory. T. Tenbrink, J. Stell, A. Galton, and Z. Wood (Eds.). LNCS 8116. Springer, Cham, 2013, 299&ndash319.

44. Weiser, M. The computer for the 21st century. Scientific American 265, 3 (1991), 94&ndash105.

45. Winter, S. and Freksa, C. Approaching the notion of place by contrast. J. Spatial Information Science 2012, 5 (2012), 31&ndash50.

46. Winter, S., Tomko, M., Vasardani, M., Richter, K., Khoshelham, K., and Kalantari, M. Infrastructure-independent indoor localization and navigation. Comput. Surveys 52, 3 (2019), 61:1&ndash61:24.

47. Zhao, S. Toward a taxonomy of copresence. Presence: Teleoperators & Virtual Environments 12, 5 (2003), 445&ndash455.

Authors

Stephan Winter ([email protected]) is Professor for Spatial Information at The University of Melbourne, Australia.

Timothy Baldwin is Melbourne Laureate Professor in Cognitive Computing at The University of Melbourne, Australia.

Martin Tomko is Senior Lecturer for Spatial Information at The University of Melbourne, Australia.

Jochen Renz is Professor for Artificial Intelligence at the Australian National University, Australia.

Werner Kuhn is Professor for Geography at the University of California at Santa Barbara, CA, USA.

Maria Vasardani is Senior Research Fellow in Spatial Science at RMIT University, Australia.

©2021 ACM 0001-0782/21/7

Permission to make digital or hard copies of part or all of this work for personal or classroom use is granted without fee provided that copies are not made or distributed for profit or commercial advantage and that copies bear this notice and full citation on the first page. Copyright for components of this work owned by others than ACM must be honored. Abstracting with credit is permitted. To copy otherwise, to republish, to post on servers, or to redistribute to lists, requires prior specific permission and/or fee. Request permission to publish from [email protected] or fax (212) 869-0481.

The Digital Library is published by the Association for Computing Machinery. Copyright © 2021 ACM, Inc.


Domaines d'études de l'ASJC Scopus

  • APA
  • Standard
  • Harvard
  • Vancouver
  • Auteur
  • BIBTEX
  • SIF

Advances in Spatial Science. Springer International Publishing, 2010. p. 35-47 (Advances in Spatial Science Vol. 61).

Research output : Chapter in Book/Report/Conference proceeding › Chapter

T1 - Analyse statistique spatiale et systèmes d'information géographique

N1 - Funding Information: Anselin?s research was supported in part by Grant SES-8721875 from the National Science Foundation and by the National Center for Geographic Information and Analysis (NSF Grant SES-8810917). Publisher Copyright: © Springer-Verlag Berlin Heidelberg 1992.

N2 - Dans cet article, nous discutons d'un certain nombre de questions générales relatives à l'interface entre le SIG et l'analyse spatiale. En particulier, nous nous concentrons sur les différents paradigmes d'analyse de données spatiales qui découlent de l'existence de cette interface. Nous décrivons une série de questions auxquelles il faut faire face dans l'analyse des données spatiales, et dans quelle mesure un SIG peut faciliter leur résolution. Nous passons également en revue un certain nombre de techniques d'exploration et de confirmation qui, selon nous, devraient constituer le noyau d'un module d'analyse spatiale pour un SIG.

AB - Dans cet article, nous discutons d'un certain nombre de questions générales relatives à l'interface entre le SIG et l'analyse spatiale. En particulier, nous nous concentrons sur les différents paradigmes d'analyse de données spatiales qui découlent de l'existence de cette interface. Nous décrivons une série de questions auxquelles il faut faire face dans l'analyse des données spatiales, et dans quelle mesure un SIG peut faciliter leur résolution. Nous passons également en revue un certain nombre de techniques d'exploration et de confirmation qui, selon nous, devraient constituer le noyau d'un module d'analyse spatiale pour un SIG.


Of course, every instance of every spatial data model discussed previously must have as a foundation a spatial reference to the real world. As discussed, this is not simple. If it were, perhaps Microsoft, Google, or IBM would be the principle vendor of GIS software. And if the world had been created as a big cube, rather than a big sphere, life would be easier for GIS specialists. 16 But we are stuck with the complexities of spherical trigonometry, geodesy, and myriad coordinate systems and datums. You could say that the spatial reference consists of three parts:

  • A coordinate system, with its associated datum, map projection and parameters, and in some cases an elevation (denoted by z values), and, in some cases, distances along lines or paths (denoted by m values).
  • A spatial extent (domain) which defines latitude and longitude (or x and y), boundaries.
  • A scale, when display is involved, that relates units of linear measure on the map to those on the ground.

The method of coordinate system application is handled differently with different Esri products. One way is a projection file, which might look like this:

PROJECTION STATEPLANE
ZONE 3976
DONNÉES NAD83
Zunits NON
Units FEET
Sphéroïde GRS1980
Xshift 0.0000000000
Yshift 0.0000000000
Paramètres

Of course, this is only part of the story. The lines of text of this file point to additional complexity, which might look like this:

Avoir Présentation des systèmes d'information géographique avec ArcGIS : une approche de classeur pour l'apprentissage des SIG, 3e édition now with O’Reilly online learning.

O’Reilly members experience live online training, plus books, videos, and digital content from 200+ publishers.


How GIS Works?

All information in GIS must be linked to a geographic (spatial) reference (latitude and longitude). Below process allows you to apply GIS to any problem that require a GIS based decision?

  • Create and Manage Data – Spreadsheets, tables and raster data with geographic components that ties the data to a particular location. All information in GIS must be linked to a spatial references.
  • Do Analysis – Spatial Analysis enhance decision making process. It can answer questions by comparing the different geographic layers. This different layers can be compared and analysed to identify spatial patterns.
  • Plans – Maps are shareable and contain geographic layers. They consists of points, lines and area elements. Maps can be created as and when needed.
  • applications – Mobile GIS Applications allows us to collect and use GIS data anywhere, at any time.

Researchers, graduate students and professors in the field of GIS and related areas of research, from geography and environment to power and energy and information technology. Professionals in governmental departments and institutions, such as military groups and operations, taxation, town planning, natural disaster and emergency relief planning

GIS METHODS AND TECHNIQUES
VOLUME EDITORS
Thomas J. Cova, The University of Utah, Salt Lake City, UT, United States
Ming-Hsiang Tsou, San Diego State University, San Diego, CA, United States
1. New Perspectives on GIS (multidisciplinary)
2. Data Management
3. Spatial Analysis and Modeling
4. Space-Time GIS
5. Spatial Data Quality
6. Cyberinfrastructure and GIS
7. Virtual GIS
8. Mobile GIS
9. Public GIS
10. GIS Design and Project Management

GIS APPLICATIONS FOR ENVIRONMENT AND RESOURCES
VOLUME EDITORS
Georg Bareth, University of Cologne, Cologne, Germany
Chunqiao Song, University of California, Los Angeles, CA, United States
Yan Song, University of North Carolina at Chapel Hill, Chapel Hill, NC, United States
1. GIS for Biophysical Environment
2. GIS for Resources
3. GIS for Energy
4. GIS and Climate Change
5. GIS for Disaster Management
6. GIS for Agriculture and Aquaculture
7. GIS for Land Use and Transportation Planning

GIS APPLICATIONS FOR SOCIO-ECONOMICS AND HUMANITY
VOLUME EDITORS
Kai Cao, National University of Singapore, Singapore
Elisabete A. Silva, University of Cambridge, Cambridge, United Kingdom
1. GIS for Economics
2. GIS for Business and Management
3. GIS for History
4. GIS for Linguistics
5. GIS for Politics
6. GIS for Law and Regulations
7. GIS for Human Behavior
8. GIS for evidence-based policy making


Summer research: Geographic Information Systems (GIS) for Disaster Resilience Spatial Thinking

Full applications (including reference letters) for the 2018 REU Cohort are due Friday 1 December 2017 .

The Center for Geographic Information Science & Technology at the Rochester Institute of Technology is now accepting applications for the National Science Foundation (NSF) Research Experience for Undergraduates (REU) Site ‘Geographic Information Systems (GIS) for Disaster Resilience Spatial Thinking’ summer 2018 cohort.

About the Research Program:

This cutting-edge ten-week interdisciplinary REU Site hosted at the Rochester Institute of Technology (RIT) will be the first to focus on Geographic Information Systems (GIS) for disaster resilience spatial thinking. Project objectives are to (1) enable students to research, create, and evaluate serious GIS games for disaster resilience spatial thinking, and (2) create and evaluate an interdisciplinary STEM research environment at the intersections of Geographic Information Science, disaster management, Information Technology (IT), social science and game development. The REU Site is one of the first research environment to explore the novel linkage between disaster resilience, spatial thinking, GIS, and serious games via three unanswered scientific research questions: (1) Which spatial thinking components are relevant to disaster resilience, (2) Which GIS tools and visual representations best connect disaster resilience with spatial thinking, and (3) What are the best serious game design practices that incorporate spatial thinking GIS tools and visual representations for disaster resilience to achieve learning outcomes.

We are anticipating research projects focused on international disaster issues with our partners in Germany, India, Rwanda, Jordan and elsewhere. We also received supplemental funding from the NSF to conduct field work in Houston, Texas to study the response and recovery to 2017 Hurricane Harvey.

Logistical Information:

The program is only available to current, full-time undergraduate students at US-based institutions. Students who have already graduated or are planning to graduate before the summer cannot be considered.

We can only consider applications from US Citizens and permanent residents.

Students must have a GPA 3.0 or higher (4.0 scale) at the time of application. We are looking to recruit Geography, Social Science, Game Design, Computer Science, Information Technology, and any other groups of undergraduate student interested in GIS, disasters, spatial thinking, game development, and vulnerable populations.

We particularly encourage participation from underrepresented groups in science. For example, RIT has a strong Deaf and Hard of Hearing student and faculty population via RIT’s National Technical Institute for the Deaf.

The program will run for 10 week during summer 2018 on the Rochester Institute of Technology campus in Rochester NY. Located in upstate NY, Rochester is a great location to spend the summer with a wide variety of outdoor activities that range from bicycling on the historic Erie canal to water activities on Lake Ontario and the Finger Lakes. Rochester also has a great music and nightlife scene with world-class attractions such as the National Museum of Play and the George Museum House of Photography.

Accepted students for the program students will receive a housing, per diem and living stipend to support their summer research experience at RIT.

Full applications (including reference letters) for the 2018 REU Cohort: Friday 1 December 2017

Skype interviews for short-listed applicants: Week of 18 December 2017

Notification of selected applicants: Week of 1 January 2018

Commitment/confirmation from accepted applicants to participate in 2018 summer cohort due: Monday 8 January 2018

For More Information and to Apply:

A video overview of information for potential applicants can be found on YouTube at:


Projection files

Projection files serve as the primary method for defining a CAD dataset's spatial reference. ArcGIS for Desktop uses the file name and its location to associate it to a particular CAD drawing. Using the Spatial Reference Properties dialog box correctly names and saves the file automatically.

  • The projection file and the CAD drawing must have the same name (prefix). For example, MyDrawing.dwg and MyDrawing.prj .
  • The projection file must exist in the same folder as the CAD drawing.

When these two conditions are met, the spatial reference travels with the CAD drawing in a Catalog window as a hidden file. If you copy, delete, or rename the CAD dataset, its projection file is also modified by these operations and maintained as a property of the dataset.

Universal projection files

A universal projection file defines a spatial reference for all CAD datasets that are stored in the same folder and do not already have a projection file defined for it. You can use the Save As command in the Spatial Reference Properties dialog box to create them.

  • The projection file must be named esri_cad.prj .
  • The projection file must exist in the same folder as the CAD drawing.

Ohio State University, Columbus, OH, USA

The Ohio State University, Columbus, OH, USA

Ohio State University, Columbus, OH, USA

The Ohio State University, Columbus, OH, USA

Based in part on the article “Geographic Information Systems (GIS), spatial statistics in” by Noel Cressie, which appeared in the Encyclopedia of Environmetrics.

Abstract

A Geographic Information System (GIS) is a networked collection of hardware and software tools that recognizes georeferencing in the data and features the georeferencing in database management, data analysis, and visualization of results (principally maps) from the analysis. This combination of geography and computer science has been known as geographic information science. Spatial statistics in GIS has grown in importance, however, spatial databases in a GIS can be very large. It may be that, without some form of dimension reduction, only the most simple statistical methodologies will scale up.


Based in part on the article “Geographic Information Systems (GIS), spatial statistics in” by Noel Cressie, which appeared in the Encyclopedia of Environmetrics.

Other versions of this article

Geographic Information Systems (GIS), Spatial Statistics In

Based in part on the article “Geographic Information Systems (GIS), spatial statistics in” by Noel Cressie, which appeared in the Encyclopedia of Environmetrics.

Geographic Information Systems (GISs), Spatial Statistics in

Ohio State University, Columbus, OH, USA

The Ohio State University, Columbus, OH, USA

Ohio State University, Columbus, OH, USA

The Ohio State University, Columbus, OH, USA

Abstract

A Geographic Information System (GIS) is a networked collection of hardware and software tools that recognizes georeferencing in the data and features the georeferencing in database management, data analysis, and visualization of results (principally maps) from the analysis. This combination of geography and computer science has been known as geographic information science. Spatial statistics in GIS has grown in importance, however, spatial databases in a GIS can be very large. It may be that, without some form of dimension reduction, only the most simple statistical methodologies will scale up.