Suite

Jointure spatiale sans opération sur la variable d'intérêt

Jointure spatiale sans opération sur la variable d'intérêt


J'ai un problème simple : je dois joindre spatialement les enregistrements d'une épidémie dans les forêts à certaines coordonnées de parcelle que j'ai recueillies. Le problème est que je ne peux pas obtenir les enregistrements pour chaque année sur chaque parcelle, je peux soit obtenir le premier enregistrement pour chaque parcelle (pas assez, car ce n'est qu'une année) ou obtenir tous ces enregistrements mais seulement après qu'ils aient été transformés soit moyenne, min, max, opération médiane via le choix de résumé d'attribut que je fais, résultant en une seule ligne mais avec des données que je ne peux pas exploiter pour mon travail.

Je préfère avoir des doublons de mes lignes (chacune correspondant à l'état du tracé pour une année donnée) pour pouvoir analyser les données épidémiques année par année.

Je suis un utilisateur novice de QGIS : mes données sont stockées dans des fichiers de formes, toutes (j'en ai créé une à partir des coordonnées de mon tracé pour une simple feuille Excel, et le reste a été téléchargé directement à partir d'ici, des fichiers de formes également : http:// /www.donnees.gouv.qc.ca/?node=/donnees-details&id=2eed323f-e3fd-40cf-98c4-d0d25c52c404#meta_telechargement ; c'est en français)


C'est une relation un-à-plusieurs. Faites plutôt une intersection. Si vous souhaitez vraiment conserver les enregistrements non liés, utilisez l'outil ArcToolBox Spatial Join avec l'option JOIN_ONE_TO_MANY.


Vous pouvez utiliser le Fusionner les fichiers de formes en un seul une fonction (Vecteur > Gestion de données > Fusionner les fichiers de formes en un seul). Cela combinera tous vos enregistrements, vous donnant également des doublons.

Vous pouvez alors utiliser le Attributs de jointure par emplacement une fonction (Vecteur > Gestion de données > *Rejoindre les attributs par emplacement) pour joindre spatialement vos données.

La couche de sortie doit avoir tous vos enregistrements joints spatialement, vous pouvez ensuite ajouter des styles (Propriétés de la couche > modes) telles que des couleurs spécifiques pour filtrer chaque enregistrement par année ou autre.

Enfin, comme vous avez des doublons, vous pouvez lancer des requêtes si vous souhaitez voir les enregistrements d'une année spécifique (Couche > Mettre en doute… ).

J'espère que cela t'aides.


Cela a à voir avec la façon dont la jointure spatiale de QGIS est écrite. D'après les captures d'écran que je vois, aucun paramètre de relation n'est disponible. Jointure spatiale d'ArcGIS Est-ce que offrir cette capacité.

Vous ne pouvez pas supprimer la fonction car il s'agit d'une autre… 'chose' ou paramètre de la jointure. La jointure a un emplacement d'attribut à remplir, mais plusieurs valeurs parmi lesquelles choisir. Il faut donc utiliser une fonction sur les choix pour obtenir une seule valeur ou simplement prendre la première trouvée. C'est parce que toutes vos données ont les mêmes noms d'attributs. Par exemple, l'attribut de chaque source s'appelle 'count'. Si chacune des sources annuelles avait l'attribut nommé 'year-count' (où l'année varie entre les sources), alors cela fonctionnerait.

Duplication un attribut du même nom est une chose différente, basée sur la relation de la jointure. L'outil QGIS ne propose pas cela d'après ce que je peux voir. L'outil ArcGIS utilise le paramètre Join Operation (voir le fichier d'aide lié ci-dessus). S'il est défini correctement, cela créera une géométrie en double pour chaque instance de l'attribut - ce qui signifie que si vous créez des points, vous obtenez un point pour chaque "compte" dans toutes vos sources, tous empilés les uns sur les autres.

Je ne suis pas clair sur les formats de vos données et quel est le résultat souhaité. Il est possible qu'une jointure spatiale soit ne pas la façon dont vous voulez aller. Si vous avez des polygones (parcelles) et des données d'année (points), et que vous voulez que les attributs de chaque année deviennent les attributs d'un Célibataire plot polygon, cette méthode ne fonctionnera pas (sans renommer les champs attributaires des points pour qu'ils soient uniques). Les autres opérations de superposition, telles que Identité, Union ou Intersection, ne fonctionneraient pas non plus. Ils vous permettraient d'obtenir le nom du tracé en tant qu'attribut des points, mais pas l'inverse.

Si vous pouvez mieux décrire le format actuel et souhaité de vos données (peut-être avec des captures d'écran de tableaux ou simplement des exemples de texte), je pourrai peut-être modifier une solution dans cette réponse. Gardez à l'esprit que quelle que soit l'analyse que vous souhaitez effectuer, elle jouera un rôle dans la meilleure façon d'organiser les données. Vous voudrez peut-être jeter un œil à une autre question ici : organisation de la table attributaire : plusieurs ensembles de variables par point


Voici un résumé. Lorsque vous utilisez join ou inner join , la condition on est facultative. Ceci est différent de la norme ANSI et différent de presque toutes les autres bases de données. L'effet est une jointure croisée. De même, vous pouvez utiliser une clause on avec cross join , qui diffère également du SQL standard.

Une jointure croisée crée un produit cartésien, c'est-à-dire chaque combinaison possible d'une ligne de la première table et d'une ligne de la seconde. La jointure croisée pour une table avec trois lignes ("a", "b" et "c") et une table avec quatre lignes (disons 1, 2, 3, 4) aurait 12 lignes.

En pratique, si vous voulez faire une jointure croisée, utilisez alors la jointure croisée :

La clause on est requise pour une jointure externe droite ou gauche, la discussion n'est donc pas pertinente pour eux.

Si vous avez besoin de comprendre les différents types de jointures, vous devez étudier les bases de données relationnelles. Stackoverflow n'est pas un endroit approprié pour ce niveau de discussion.


Jointure spatiale sans opération sur la variable d'intérêt - Systèmes d'Information Géographique

Visualisation spatiale par l'animation cartographique : théorie et pratique. Actes des Systèmes d'Information Géographique / Systèmes d'Information Terrestre GIS/LIS 1994, pp. 250-258.

Visualisation spatiale grâce à l'animation cartographique : Théorie et pratique

ABSTRAIT

La création d'animations cartographiques est possible depuis le début des années 1960 mais n'est devenue que récemment une alternative pratique pour l'affichage de cartes. Un cadre théorique émerge pour cette forme de visualisation spatiale. L'objectif fondamental de l'animation cartographique est la représentation du changement. Les types de changement peuvent être classés comme temporels et non temporels. La plupart des animations cartographiques illustrent les changements au fil du temps. Des animations cartographiques non temporelles sont également possibles. Les exemples incluent des animations de classification de données, de généralisation de données et une série de variables associées à partir d'une même période.

De nombreux outils sont désormais disponibles pour aider à la réalisation d'animations cartographiques. Ces outils peuvent être classés en animations basées sur des images ou basées sur des distributions. L'animation basée sur des images combine une série de cartes qui sont généralement générées par un autre programme. Les cartes sont stockées sous forme de trame et peuvent être placées sur l'écran jusqu'à 30-60 images par seconde. Dans l'animation basée sur la distribution, un script est utilisé pour faire bouger les objets de premier plan par rapport à un arrière-plan. Cette forme d'animation ne nécessite pas la création d'images individuelles. Les deux méthodes d'animation cartographique sont examinées pour leur utilité dans la visualisation spatiale.

INTRODUCTION

La visualisation est la création d'images graphiques informatiques qui affichent des données pour l'interprétation humaine, en particulier des données scientifiques multidimensionnelles. Il a été interprété au sens large comme une méthode de calcul qui intègre la collecte, l'organisation, la modélisation et la représentation des données. La visualisation est basée sur la capacité humaine d'imposer l'ordre et d'identifier des modèles.

Issu de l'analyse statistique, la visualisation est maintenant utilisée dans diverses disciplines. Il a fortement influencé toutes les formes d'analyse de données. Par exemple, des programmes sont disponibles pour représenter graphiquement des variables x, y et z (par exemple, Abacus MacSpin). Les programmes utilisent l'animation pour « faire tourner » un graphique en trois dimensions représentant les données. L'animation rend visible un nuage de points existant en trois dimensions.

La visualisation cartographique, parfois appelée visualisation géographique, est interprétée comme l'utilisation de techniques similaires pour l'affichage de cartes. En discutant des possibilités de la technologie informatique, MacEachren et Monmonier écrivent :

L'ordinateur facilite la représentation directe du mouvement et du changement, des vues multiples des mêmes données, l'interaction de l'utilisateur avec des cartes, le réalisme (grâce à des vues stéréo tridimensionnelles et d'autres techniques), un faux réalisme (grâce à la génération fractale de paysages) et le mélange de cartes avec d'autres graphiques, textes et sons. La visualisation géographique à l'aide de notre éventail croissant de technologies informatiques permet à l'interaction réflexion visuelle/carte de se dérouler en temps réel avec des affichages cartographiques présentés aussi rapidement qu'un analyste peut en penser le besoin (1992, p. 197).

En partie, le fort intérêt pour la visualisation dans la cartographie est une réponse à une vue de base de données de cartes qui a émergé avec la croissance des systèmes d'information géographique. Implicite dans la vue de la base de données est la notion que tous les éléments d'une carte peuvent être décomposés et représentés dans un fichier sur l'ordinateur. De plus, une fois ainsi codée, toute analyse peut se poursuivre avec la base de données sans avoir besoin de représentation graphique ou d'intervention humaine. Cette vue des cartes peut être qualifiée de cartographie non graphique. La visualisation réaffirme l'importance de l'illustration graphique dans tous les aspects de l'analyse et de l'interprétation. Il reconnaît que l'humain a des capacités spéciales pour interpréter les affichages graphiques.

Les éléments importants de l'interface de visualisation sont l'interactivité et l'animation. Alors que les systèmes SIG ont mis l'accent sur l'interaction, à la fois avec la composante graphique de la carte et les données sous-jacentes, ils n'ont pas intégré d'animation. Cela est dû en partie aux limitations matérielles et aux incompatibilités pour l'affichage des animations. Cependant, l'évitement de l'animation est également lié à une fixation générale sur la carte unique, résultat de plusieurs siècles d'expérience avec cette forme de représentation.

ANIMATION CARTOGRAPHIQUE

L'animation peut être définie comme créant l'illusion de mouvement ou de changement en affichant rapidement une série d'images uniques, comme avec un film ou une vidéo (Roncarelli 1988). Un exemple courant serait le mouvement d'un personnage de dessin animé. Le mouvement peut également être interprété comme le changement de perspective de l'observateur alors que la figure reste immobile.

Les avantages et la faisabilité de l'animation cartographique ont été décrits par Norman Thrower dès 1959 (Thrower 1959, 1961) qui envisageait son potentiel du point de vue du cinéma. L'ordinateur fut bientôt utilisé pour créer les cadres individuels (Cornwell et Robinson 1966). Dans les années qui ont suivi, il y a eu peu d'exemples d'animations cartographiques, en grande partie en raison de la complexité de leur création et de la fixation des cartographes sur la carte imprimée (Campbell et Egbert 1990 Karl 1992). Les exceptions incluent les animations cartographiques pour représenter la croissance d'une ville (Tobler 1970), les accidents de la circulation (Moellering 1972, 1973a, 1973b), la croissance de la population dans une région urbaine (Rase 1974) et les objets cartographiques en trois dimensions (Moellering 1980a, 1980b).

Des contributions récentes en animation cartographique ont tenté de formuler une base conceptuelle pour l'utilisation de l'animation en cartographie. Monmonier (1990) a proposé un mécanisme de script pour diriger l'affichage d'une série de cartes et DiBiase et al., (1992) décrivent une série de variables dynamiques pour l'animation cartographique.

L'animation des cartes a été principalement associée à la représentation du changement dans le temps. Des exemples d'animations temporelles incluraient les changements de revenu par habitant, l'augmentation de la densité de population ou la diffusion d'une méthode agricole telle que l'irrigation. Les animations cartographiques sont également utiles à d'autres fins, telles que la représentation de la déformation causée par une projection cartographique (Gersmehl 1990), une surface tridimensionnelle (Moellering 1980a, 1980b) ou la classification de données (Peterson 1993). De telles utilisations non temporelles de l'animation en cartographie peuvent évoluer vers l'application majeure de la technique.

Animation cartographique temporelle

En cartographie, l'animation est généralement définie comme la représentation du changement dans le temps. Les cartes de la figure 1 sont des cadres sélectionnés d'une animation qui illustre l'évolution du pourcentage de la population de plus de 65 ans aux États-Unis. Bien que les données soient enregistrées à des intervalles de dix ans par le Census Bureau, les valeurs des données peuvent être interpolées sur une base annuelle ou infra-annuelle pour créer plus de bases. L'objectif de ce type d'animation est de montrer l'évolution dans le temps.

Animation cartographique non temporelle

D'autres types d'animation cartographique ne représentent pas les changements dans le temps. Les cartes de la figure 2 sont des trames individuelles issues d'une animation cartographique de type généralisation. Les cartes représentées dans l'animation passent de deux à six classes et montrent l'effet du nombre de catégories de données sur une distribution cartographiée.

L'effet de la classification des données peut être observé avec une animation de classification. Ici, chaque image de l'animation représente un schéma de classification différent. Il existe un certain nombre de méthodes statistiques et non statistiques différentes pour classer les données quantitatives (par exemple, l'écart type, les ruptures naturelles, voir Dent 1993). La figure 3 représente les trames individuelles d'une animation de classification. L'affichage d'une animation de classification peut présenter rapidement la variété des options de classification et fournir une vue moins trompeuse des données que de simplement se fier à une seule carte.

Un autre type d'animation serait la représentation d'une tendance spatiale. Une tendance spatiale peut être évidente lors de l'examen d'une série de variables connexes. Par exemple, le pourcentage de la population dans les groupes d'âge (5-13, 19-24, 45-54 ans, etc.) montrera généralement une régionalisation claire dans une ville avec les populations plus âgées plus proches du centre et les populations plus jeunes plus proches la périphérie. Une animation des groupes d'âge, du plus jeune au plus âgé, montre que les valeurs élevées « se déplacent » de la périphérie d'une ville vers le centre (voir Figure 4). Des variables telles que le revenu et l'évaluation du logement décrivent des tendances géographiques similaires.

Un certain nombre de types différents d'animations non temporelles sont possibles avec les cartes. Le « fly-through » est probablement le plus utilisé. Moellering (1980a, 1980b) a montré comment une animation pouvait être réalisée à partir d'un objet tridimensionnel en se déplaçant autour de lui dans le temps. La technique a été étendue en combinant une image numérique de la terre et un modèle d'élévation. Un grand nombre de vues obliques sont ensuite construites pour simuler le vol à travers un terrain. La méthode a été démontrée dans LA: The Movie créé par le Jet Propulsion Laboratory. Les images individuelles du film sont illustrées à la figure 5.

Compte tenu du nombre d'applications différentes, l'animation cartographique peut être définie comme la représentation du changement par la présentation d'une série de cartes en succession rapide. La croissance d'une ville ou le flux d'un courant-jet montrent un changement de position. Les animations temporelles illustrent les changements dans le temps. Les animations non temporelles montrent un changement causé par des facteurs autres que le temps.

Variables d'animation

Un examen des différentes variables d'animation permet de montrer l'application potentielle de l'animation en cartographie. Les variables d'animation incluent les manipulations graphiques et sonores. Le son peut être utilisé pour accentuer une animation. Par exemple, un changement de hauteur peut accompagner un « zoom cartographique » dont la hauteur augmente à mesure que l'on zoome. Les variables graphiques de l'animation incluent (d'après Hayward, p. 9) :

1 ) Taille - La taille d'une zone sur une carte peut être modifiée pour montrer les changements de valeur. Par exemple, la taille des pays est proportionnellement plus grande ou plus petite pour représenter la quantité de réserves de pétrole ou de charbon. Une animation peut être utilisée pour transformer la carte des réserves de pétrole en carte des réserves de charbon pour montrer les différences de localisation des réserves.

2) Forme - Une zone sur une carte peut changer de forme. La forme (et la taille) du Groenland varie sous l'influence d'une projection cartographique. Une animation peut être utilisée pour se fondre entre les deux formes pour accentuer l'effet des différentes projections.

3) Position - Un point est déplacé sur la carte pour indiquer le changement d'emplacement. Par exemple, le centre de population des États-Unis s'est déplacé régulièrement vers l'ouest, et plus récemment vers le sud. Une animation peut être utilisée pour représenter ce mouvement dans le temps.

4) Vitesse - La vitesse de déplacement varie pour accentuer le taux de changement comme, par exemple, avec une animation qui dépeint le mouvement dans le centre de population pour les États-Unis.

5) Point de vue - Un changement d'angle de vue peut être utilisé pour accentuer une partie particulière de la carte dans le cadre d'une animation. Une animation de l'évolution de la population aux États-Unis peut utiliser un angle de vue qui attire l'attention sur les États de l'ouest et du sud où des augmentations significatives de la population se sont produites.

6) Distance - Un changement dans la proximité du spectateur à la scène, comme dans le cas d'une vue en perspective. En cartographie, la variable distance peut être interprétée comme un changement d'échelle.

7) Scène - L'utilisation des effets visuels de fondu, de mélange et d'effacement pour indiquer une transition dans une animation d'un sujet à un autre.

8) Texture, motif, ombrage, couleur - Variables graphiques pouvant représenter un changement de perspective pour un objet tridimensionnel. Ceux-ci peuvent également être utilisés pour « flasher » une partie de la carte pour accentuer une caractéristique.

L'animation comme outil d'exploration

L'animation peut être utilisée comme un outil d'exploration pour détecter des similitudes ou des différences de distribution au sein d'une série de cartes. Cela est particulièrement possible lorsque l'on peut accéder de manière interactive aux images individuelles dans une animation et basculer rapidement entre des cartes individuelles ou des séquences de cartes.

Les cartographes ont adapté les méthodes de visualisation, souvent développées au sein des statistiques, à l'affichage des cartes. L'une de ces méthodes est appelée réexpression (DiBiase et al., 1992). Le terme désigne une représentation graphique alternative qui résulte d'une transformation des données d'origine. Trois types de réexpression sont proposés pour un usage cartographique : brushing, reordering et arpenter :

Brushing : est le sous-ensemble interactif de données comme dans la sélection de valeurs de données dans un nuage de points. Pour les cartes, il est proposé de relier les points à leur localisation géographique sur la carte (Monmonier 1989). On pourrait également « balayer » sur la carte pour sélectionner les points correspondants dans le nuage de points.

Réorganisation : L'ordre des scènes dans une animation de série chronologique est généralement du début à la fin. La réorganisation implique la présentation des scènes dans un ordre différent, généralement selon un attribut. DiBiase, et. Al. (1992), donnent l'exemple de la représentation d'événements sismiques. Une animation de série chronologique typique représenterait les événements sismiques à travers le temps. Une autre approche serait d'ordonner les cadres par le nombre de décès causés par le séisme. De cette façon, l'accent est mis sur une mesure de la sévérité du séisme. Rythme : Le rythme fait référence à la variation de la durée des scènes. Encore une fois, en utilisant l'exemple du tremblement de terre, DiBiase, et. Al. (1992), proposent que la durée de la scène soit proportionnelle à la magnitude du séisme ou au nombre de morts.

CRÉER UNE ANIMATION CARTOGRAPHIQUE

Les animations étaient à la fois créées manuellement, une image à la fois et transférées sur film.Les techniques qui ont été développées pour l'animation par ordinateur vont bien au-delà de celles de l'animation cinématographique.

Gersmehl (1990) distingue sept types d'animation par ordinateur applicables à la cartographie. Ces sept peuvent être regroupés en deux catégories : l'animation basée sur les images et l'animation basée sur la distribution. Les deux diffèrent dans la façon dont l'animation est créée. Dans l'animation basée sur des images, les images individuelles ne partagent pas d'éléments communs. Les types d'animation à base d'images incluent le flip-book et le diaporama. Avec l'animation basée sur la distribution, les objets de premier plan peuvent être déplacés par rapport à un arrière-plan. Les approches plus sophistiquées de l'animation basée sur la distribution permettent aux objets d'arrière-plan et de premier plan de se déplacer simultanément. Des exemples de l'approche basée sur la distribution incluent le sprite, la scène et le jeu, le cycle des couleurs, la métamorphose (interpolation polymorphe) et le modèle et la caméra.

Animation basée sur des images

L'approche de l'animation basée sur les images est la forme d'animation la plus simple. Les cadres individuels peuvent être créés par un programme graphique, cartographique ou SIG. De nombreuses images sont nécessaires pour même quelques secondes d'animation. L'illusion de mouvement ou de changement est créée en affichant les cadres rapidement.

Un certain nombre de programmes sont disponibles pour assembler, stocker et afficher ce type d'animation. Le premier type, les programmes de présentation (par exemple, PowerPoint (Microsoft), Persuasion (Aldus) et Freelance Graphics (Lotus)), sont conçus pour l'affichage de texte et de graphiques dans le cadre d'une présentation, mais peuvent également afficher une série de cadres individuels à tarifs des animations. Les programmes de création multimédia basés sur des cartes ou des pages comme HyperCard peuvent être conçus pour afficher rapidement une série d'images. L'avantage de ces programmes est qu'ils sont conçus pour une utilisation interactive. L'utilisateur peut sélectionner de manière interactive une animation et également contrôler la vitesse d'affichage. Certains programmes de traitement d'images peuvent être utilisés pour l'animation. Avec NCSA Image, un programme de traitement et d'analyse d'images du domaine public, les animations sont créées en spécifiant une option d'animation, puis en ouvrant une série d'images. Le programme anime une pile en affichant à plusieurs reprises ses tranches (cadres) en séquence. Enfin, les programmes d'édition de films numériques (par exemple, Adobe Premiere) peuvent combiner des fichiers graphiques, des images fixes, des séquences audio et vidéo pour la création d'animations.

Animation basée sur la distribution

L'animation basée sur la distribution est basée sur le concept du « cel. » Cette forme d'animation est liée à l'animation cinématographique conventionnelle et à l'utilisation de plusieurs feuilles transparentes pour former un cadre complet. Un cellulo est une couche individuelle d'une image d'animation et une image peut être composée de plusieurs couches. Une image d'une animation peut se composer d'un cellulo d'arrière-plan (un paysage) et d'une série de cellulos de premier plan contenant un objet qui peut être amené à se déplacer sur l'arrière-plan.

Il existe quatre types d'animation bidimensionnelle basée sur la distribution : sprite, scène et jeu, cycle de couleurs et métamorphose. Le sprite et la scène et le jeu sont des implémentations de ce concept d'avant-plan/arrière-plan basé sur des cellules dans l'animation. Le sprite est simplement un objet qui se déplace sur un fond statique. L'animation de sprite est couramment utilisée dans les jeux vidéo comme PacMan. Le type d'animation de scène et de jeu est une forme plus complexe du sprite. Ici, l'objet ou l'acteur au premier plan peut changer d'apparence ou de vitesse de déplacement. L'arrière-plan peut également changer simultanément avec les changements de l'avant-plan. Les jeux vidéo plus sophistiqués (par exemple, les courses de voitures) implémentent ce type d'animation.

Le cycle des couleurs utilise la façon dont les couleurs sont représentées sur l'écran de l'ordinateur. Avec cette technique, un chemin est défini et découpé en petits segments. Chaque segment se voit attribuer une couleur légèrement différente. Ensuite, les couleurs sont décalées vers le bas de chaque segment du chemin pour donner une impression de mouvement. Ce changement rapide de couleur le long d'un chemin est utilisé pour simuler le mouvement, comme cela se fait couramment avec la représentation du courant-jet sur les cartes météorologiques télévisées (figure 6a).

La métamorphose, également appelée interpolation polymorphe, est la procédure utilisée pour changer une forme en une autre (Figure 6b). Par exemple, on pourrait avoir un objet graphique d'un poisson et un autre d'un oiseau. On demanderait alors au logiciel de transformer le poisson en oiseau et il calculerait les images « intermédiaires » pour donner l'impression que la transformation avait lieu. Cela peut être combiné avec l'opération de sprite pour montrer le poisson sautant d'un lac, se transformant en oiseau et volant dans les airs.

Des programmes d'animation complets implémentent toutes ou presque toutes les techniques d'animation décrites précédemment. Les programmes intègrent un environnement combiné d'édition graphique et de script. Exemples de programmes de cette catégorie : MacroMedia Director pour Macintosh et AutoDesk Animator/Animator Pro pour DOS.

CONCLUSION

La visualisation est un processus mental. Cela dépend de la reconnaissance des modèles dans les affichages statiques et dynamiques. Une carte individuelle représente un modèle statique. L'animation présente des modèles au fil du temps. L'élément de temps peut être utilisé pour afficher des motifs qui sont d'origine temporelle ou non temporelle.

L'animation est une technique importante dans notre utilisation et notre compréhension des données spatiales. L'animation cartographique montre que les cartes individuelles ne sont qu'un instantané dans le temps. Il faut se demander : qu'est-ce qu'il y avait avant ? Qu'est-ce qui viendra après ? Quelles tendances seraient évidentes si l'élément temps pouvait être considéré comme une animation ? La carte individuelle est un instantané non seulement dans le temps mais aussi en termes de données. Quelles tendances non temporelles seraient évidentes si une carte était visualisée avec d'autres ensembles de données connexes (par exemple, la répartition par âge dans une ville) ? Enfin, la carte individuelle est un instantané dans le choix des formes de représentation qui ont été utilisées pour représenter le monde. L'utilisation de différents symboles ou classifications de données peut également constituer une animation.

Diverses techniques sont associées à l'animation par ordinateur. La forme la plus simple est l'animation basée sur des images qui affiche une série d'images en succession rapide. Des programmes de création de présentations interactives, d'intégration multimédia et de traitement d'images peuvent tous être utilisés pour assembler une telle animation. C'est l'approche la plus réalisable pour créer une animation cartographique si un autre programme est disponible pour créer les cartes individuelles. Des procédures d'animation supplémentaires sont associées à l'animation basée sur la distribution, notamment : le sprite, la scène et le jeu, le cycle des couleurs et la métamorphose. Ces techniques peuvent être utilisées pour créer de manière interactive une animation cartographique avec un fond de carte, bien que le processus puisse prendre du temps.

Les programmes informatiques pour l'animation cartographique basée sur les données ne sont pas encore largement disponibles. Un programme a été développé pour l'animation interactive de cartes choroplèthes (MacChoro pour Apple Macintosh). Le programme démontre qu'une animation de type cadre peut être ajoutée à un programme existant pour la cartographie informatique. Des procédures basées sur des cadres pourraient être intégrées dans les programmes SIG, ce qui augmenterait considérablement l'accessibilité à cette forme de visualisation spatiale.

LES RÉFÉRENCES

Campbell, C.S. et Egbert, E.L. (1990). "Cartographie animée : 30 ans à gratter la surface" Cartographica , vol. 27, non. 2, p. 24-46.

Cornwell, B., et Robinson, A. (1966). "Possibilités pour les films d'animation par ordinateur en cartographie." Cartographic Journal , vol. 3, non. 2, p. 79-82.

Dent, B. (1993). Cartographie : Conception de cartes thématiques. Dubuque, lowa : Wm. C. Éditeurs Brown.

DiBiase, D., MacEachren, A., Kygier, J. et Reeves, C. (1992). "L'animation et le rôle de la conception de cartes dans la visualisation scientifique." Cartographie et systèmes d'information géographique , Vol. 19, n° 4, 1992, p. 201 214, 265266.

Gersmehl, Philip J. (1990) "Choosing Tools: Nine Metaphors of Four-Dimensional Cartography." Cartographic Perspectives , no. 5, 1990, pp.3-17.

Hayward, Stan. (1984). Ordinateurs pour l'animation. Londres : Focal Press.

Karl, D. (1992) "Animation cartographique : enjeux potentiels et de recherche" Perspectives cartographiques n°13, pp. 3-9.

MacEachren, A.M. & Monmonier, M.S. (1992). Introduction. Cartographie et systèmes d'information géographique 19 : 4, pp. 197-200.

Moellering, H. (1980b). "Stratégies pour la cartographie en temps réel" Cartographic Journal, vol. 17, p. 12-15.

Moellering, H. (1973a). "Le film d'animation par ordinateur : une cartographie dynamique." Actes, Association for Computing Machinery, pp.64-69.

Moellering, H. (1973b). "Les utilisations potentielles du film d'animation par ordinateur dans l'analyse des schémas géographiques des accidents de la circulation." Analyse et prévention des accidents, vol. 8, p. 215-227.

Moellering, H. (1972). "Traffic Crashs in Washtenaw County Michigan, 1968-70." Highway Safety Research Institute, Université du Michigan.

Monmonier, Mark S. (1990). "Stratégies pour la visualisation des données de séries chronologiques géographiques." Cartographica , vol. 27, non. 1, p. 30-45.

Monmonier, Mark S. (1989). Brushing géographique : amélioration de l'analyse exploratoire de la matrice de nuages ​​de points. Analyse Géographique , Vol. 21, n° 1, p. 81-84.

Peterson, Michael P. (1995) Cartographie interactive et animée, Englewood Cliffs, NJ : Prentice Hall. Peterson, député (1993). "Animation cartographique interactive." Cartographie et systèmes d'information géographique , Vol. 20, n° 1, pp. 40-44.

Roncarelli, Robi (1988). Un dictionnaire d'animation par ordinateur, New York Berlin : Springer Verlag, 124 p.

Lanceur, N. (1961). "Animated Cartography in the United States." International Yearbook of Cartography , vol. 1, p. 20-29.

Tobler, W. (1970). "A Computer Movie Simulator Urban Growth in the Detroit Region." Economic Geography , vol. 46, p. 234-240.


Applications SIG pour la socio-économie et l'humanité

Daniel A. Griffith , Yongwan Chun , dans Systèmes d'information géographique complets , 2018

3.01.3.1 Conceptualiser l'autocorrélation spatiale

L'autocorrélation spatiale est un cas particulier de corrélation, qui est le concept global selon lequel deux variables d'attribut X et Oui ont un certain degré moyen d'alignement entre les grandeurs relatives de leurs valeurs respectives. Avec corrélation, pour un alignement positif, de grandes valeurs de X tendent à s'aligner sur de grandes valeurs de Oui, valeurs intermédiaires de X tendent à s'aligner sur les valeurs intermédiaires de Oui, et les petites valeurs de X tendent à s'aligner sur de petites valeurs de Oui. En revanche, pour un alignement négatif, de grandes valeurs de X tendent à s'aligner sur de petites valeurs de Oui, valeurs intermédiaires de X tendent à s'aligner sur les valeurs intermédiaires de Oui, et les petites valeurs de X tendent à s'aligner sur de grandes valeurs de Oui. Pour aucun alignement, le mélange de X et Oui paires de valeurs est aléatoire. Au fur et à mesure que l'alignement s'améliore, la relation correspondante devient plus forte, avec des points (Xje, ouije), je = 1, 2, …, m, s'organisant de plus en plus systématiquement en ligne droite. Cet alignement n'est pas altéré par le contrôle des écarts par rapport aux moyennes variables, ce qui introduit une simplification utile. En d'autres termes, X peut être remplacé par X − X ¯ et Oui peut être remplacé par Y − Y ¯ , qui déplace simplement le centre d'un nuage de points vers l'origine d'un graphe 2D.

Avec l'autocorrélation spatiale, une fonction des valeurs voisines de Y − Y ¯ , disons ∑ j = 1 n c i j y j − y ¯ pour y i − y ¯ , remplace X − X ¯ , où cje = 1 si emplacements je et j sont voisins, et cje = 0 sinon (la section suivante présente une discussion de la matrice construite avec ces cje valeurs). En d'autres termes, pour une autocorrélation spatiale positive, les grandes valeurs de yi − y ¯ ont tendance à s'aligner avec les grandes valeurs de ∑ j = 1 ncijyj − y ¯ , les valeurs intermédiaires de yi − y ¯ ont tendance à s'aligner sur les valeurs intermédiaires de ∑ j = 1 ncijyj − y ¯ , et les petites valeurs de yi − y ¯ ont tendance à s'aligner avec les petites valeurs de ∑ j = 1 ncijyj − y ¯ . En revanche, pour un alignement négatif, les grandes valeurs de yi − y ¯ ont tendance à s'aligner avec les petites valeurs de ∑ j = 1 ncijyj − y ¯ , les valeurs intermédiaires de yi − y ¯ ont tendance à s'aligner sur les valeurs intermédiaires de ∑ j = 1 ncijyj − y ¯ , et les petites valeurs de yi − y ¯ ont tendance à s'aligner avec les grandes valeurs de ∑ j = 1 ncijyj − y ¯ . Pour aucun alignement, le mélange des paires de valeurs y i − y ¯ et ∑ j = 1 n c i j y j − y ¯ est aléatoire. 2 fournit un ensemble de modèles de carte de répartition géographique synthétique illustrant diverses natures et degrés d'autocorrélation spatiale pour le partitionnement de la surface de la zone métropolitaine de Séoul.

2 . Modèles de carte de distribution géographique illustrant différentes natures et degrés d'autocorrélation spatiale pour le partitionnement de la surface de la zone métropolitaine de Séoul. (A) Maximum positif, (B) modérément positif, (C) faiblement positif et (D) maximum négatif.

La réécriture du coefficient de corrélation du moment du produit de Pearson en tant que statistique d'autocorrélation spatiale MC illustre ce parallèle entre la corrélation et l'autocorrélation spatiale, qui sont toutes deux des statistiques de covariation. Cet ancien coefficient peut s'écrire comme suit :

Le terme ∑ i = 1 n 1 = n indique le calcul d'une moyenne. Puisque y j − y ¯ remplace x i − x ¯ , cette formule peut être réécrite comme suit :

où l'expression de droite est le MC. Les substitutions dans cette traduction de formule sont les suivantes : (1) y j − y ¯ remplace x i − x ¯ dans le numérateur (2) cje remplace 1 dans le numérateur (3) pour calculer la moyenne correcte, i = 1 n ∑ j = 1 ncij remplace ∑ i = 1 n 1 dans le numérateur (c'est-à-dire que la moyenne est sur toutes les valeurs voisines, plutôt que juste le n valeurs observées) et (4) yi − y ¯ remplace xi − x ¯ dans le dénominateur (c'est-à-dire, ouije et ouij proviennent de la même variable, Oui). Par conséquent, après réarrangement des termes, le coefficient de corrélation du moment produit de Pearson se traduit par la statistique d'autocorrélation spatiale MC. Une différence importante entre ces deux coefficients est que le premier est compris entre − 1 et 1, 0 indiquant l'absence d'alignement, tandis que le second se situe entre des valeurs extrêmes déterminées par les valeurs propres extrêmes d'une matrice construite avec le cje ( de Jong et al., 1984 voir la section suivante), avec − 1/(m − 1) indiquant l'absence d'alignement. Cette deuxième plage dépend de m, et se situe souvent entre environ − 0,6 et 1,2.

Compte tenu de ce contexte, diverses conceptualisations de l'autocorrélation spatiale se posent sur la base de différentes idiosyncrasies de cette propriété de données. Le plus simple d'entre eux est littéral : parce que le préfixe auto signifie soi, auto-corrélation attribuable à la proximité des valeurs d'attribut. Réécriture du MC comme

le relie directement à un nuage de points de Moran : zje est l'axe horizontal, et j = 1 n c i j z j est l'axe vertical. Par conséquent, l'autocorrélation spatiale peut être décrite en termes de ligne de tendance du nuage de points de Moran, ou motif de carte. Parce qu'un nuage de points représente également le degré d'alignement (c'est-à-dire la quantité de nuage de points autour d'une ligne de tendance), le nuage de points de Moran implique que l'autocorrélation spatiale peut être conceptualisée en termes de contenu d'information, ou d'informations redondantes (qui se rapportent à sa définition de variable aléatoire précédente ). Dans un contexte économétrique, l'autocorrélation spatiale peut être considérée comme une externalité spatiale ou un effet de débordement spatial. Le prix des maisons aux États-Unis est l'un des exemples les plus clairs de ce point de vue. Un exemple comportemental est l'habitude d'imitation des bourdons bandits : pour un champ donné, une fois qu'un trou est percé dans le côté gauche ou droit d'une fleur de hochet jaune par un bourdon bandit, pratiquement tous les trous sont percés de ce côté de toutes les fleurs par une mouture donnée des abeilles (imitation du comportement résultant de l'interaction spatiale). Étant donné que l'agrégation géographique produit un lissage et une suppression de la variation géographique, une autre conceptualisation de l'autocorrélation spatiale la présente comme un indicateur de la démarcation appropriée des unités de surface. Un scientifique spatial peut souhaiter avoir des polygones qui ne présentent aucune autocorrélation spatiale, et donc agréger des emplacements pour atteindre cet objectif. L'agrégation d'une résolution géographique présentant une autocorrélation spatiale négative donne une résolution plus grossière ne présentant presque certainement aucune autocorrélation spatiale ou positive. Une autre conceptualisation orientée vers l'économétrie spatiale est que l'autocorrélation spatiale représente la présence de variables manquantes qui contiennent un modèle de carte, et en tenir compte est un substitut de ces variables manquantes, qui résout des problèmes tels que le biais de variable omis dans les coefficients estimés. En élargissant cette conceptualisation, la présence d'une autocorrélation spatiale non nulle peut servir d'outil de diagnostic, en particulier pour l'analyse des résidus du modèle.

En conclusion, un certain nombre de conceptualisations existent pour l'autocorrélation spatiale qui la décrivent comme une propriété de données utile. Cependant, le conceptualiser comme un paramètre de nuisance ne le fait pas. Une telle banalisation de l'autocorrélation spatiale indique que ses effets doivent être pris en compte, mais qu'elle doit être isolée et rejetée. Ce point de vue est incompatible avec l'affirmation selon laquelle la géographie compte.


Analyse de la technologie de visualisation du système d'information géographique spatiale 3D

L'urbanisme traditionnel s'exprime généralement dans un système d'information géographique à deux dimensions, mais ses performances sont limitées à la direction du plan. Cela ne peut pas donner aux gens des sentiments plus naturels et des expériences visionnaires. Le développement rapide des systèmes d'information géographique en trois dimensions apporte aux gens des informations géographiques. L'expérience intuitive tridimensionnelle, mais le système d'information géographique tridimensionnel traditionnel présente les inconvénients que les propriétés spatiales sont incompatibles, la vitesse de rendu de l'image est lente et l'effet de visualisation est médiocre. Dans cet article, la méthode traditionnelle de traitement orienté domaine est améliorée dans le traitement et la modélisation des données spatiales. Un algorithme d'optimisation orienté objet optimisé est proposé. Les informations géographiques tridimensionnelles sont optimisées sur la base d'un modèle multirésolution dynamique et d'une technologie de traitement des détails multiniveaux. Le rendu du système améliore la visualisation. Sur la base de l'algorithme d'optimisation de la technologie de traitement et de visualisation des données proposé dans cet article, la plate-forme de traitement de données spatiales GISdata de SIG 3D est conçue dans cet article. Dans le même temps, le SIG 3D est visualisé sur la base du logiciel de visualisation OpenGL. Il est montré que l'algorithme d'optimisation proposé dans cet article a d'excellents effets préexpérimentaux.

1. Introduction

Les systèmes d'information géographique (SIG) tridimensionnels (3D) sont un vaste sujet, impliquant principalement de nombreuses disciplines telles que la technologie informatique, la cartographie, l'arpentage et la cartographie. La technologie de visualisation du SIG 3D est la technologie de commercialisation des applications du SIG 3D. De nombreux domaines nécessitent une technologie de visualisation SIG 3D, tels que la construction urbaine, l'énergie, la construction de transports, etc.Pour améliorer la technologie de visualisation du SIG 3D et fournir des services humains meilleurs et plus pratiques, l'optimisation et le développement de la technologie sont devenus très importants [1–3].

Comparé au système d'information géographique bidimensionnel, le système d'information géographique tridimensionnel est plus compliqué à modéliser car il applique de manière exhaustive diverses technologies modernes, et ses avantages sont également évidents [4]. À l'heure actuelle, la technologie d'application du SIG 3D présente encore des problèmes tels que des difficultés de modélisation à grande échelle, des algorithmes de traitement de données existants déraisonnables et un effet d'affichage 3D médiocre [5]. Par conséquent, il est nécessaire d'effectuer un traitement et une modélisation de données à grande échelle sur la base de la base de données cartographique existante et des données existantes de divers systèmes d'information géographique 2D. Dans le même temps, optimisez la technologie de visualisation du SIG 3D et améliorez la vitesse de rendu. De plus, l'effet de rendu est devenu un point chaud et stimulant de ses recherches [6].

La technologie d'application du SIG 3D est principalement soumise à sa technologie d'acquisition et de traitement des données et à sa technologie de visualisation [7]. La technologie traditionnelle de traitement des données est basée sur la CAO pour modéliser des objets tridimensionnels, puis utiliser l'algorithme de conversion de données pour créer une base de données tridimensionnelle. Cependant, cette méthode apportera une charge de travail considérable pour une architecture tridimensionnelle à grande échelle car de nombreuses activités ne peuvent pas être automatisées et gaspillent de nombreuses ressources. En même temps, la précision est médiocre et ne peut pas répondre aux exigences [8]. L'algorithme traditionnel de représentation des données est basé sur la technologie de codage des unités de volume. Cependant, cette méthode n'est largement utilisée que dans les systèmes d'information bidimensionnels. Il existe encore des phénomènes immatures en trois dimensions [9]. La technologie de visualisation traditionnelle n'accorde pas une attention particulière aux détails et aux textures. Elle se traduit par des effets visuels médiocres sur l'image et n'est pas propice à la mise en évidence des avantages d'un système d'information géographique 3D [10]. La principale contribution de cet article est donnée ci-dessous : Cet article optimise et améliore les inconvénients du traitement et de la visualisation des données basées sur la technologie de visualisation SIG 3D. Cet article propose un algorithme de traitement d'optimisation de données orienté objet et établit une plate-forme de traitement de données SIG. Cet article propose un modèle multirésolution dynamique et des techniques de traitement des détails multiniveaux. En prenant l'école comme objet de modélisation, les résultats expérimentaux basés sur l'algorithme de cet article montrent des avantages apparents dans le traitement et la visualisation des données.

Les sections de ce document sont organisées comme suit. La deuxième section présente la technologie de traitement des données et la technologie de visualisation des SIG 3D. La troisième section se concentre sur la technologie de traitement de données optimisée et la technologie de visualisation proposées. La quatrième section est principalement consacrée aux résultats expérimentaux et à l'analyse de cet article. La cinquième section résume le document.

2. Technologie SIG 3D

2.1. Traitement des données en trois dimensions et modélisation des systèmes d'information géographique

Les trois dimensions de X représentent les données spatiales tridimensionnelles, Y et Z. Par rapport au système d'information géographique bidimensionnel. Cependant, une seule dimension est ajoutée, la quantité d'informations générées augmente géométriquement. Les modèles d'espace de données existants comprennent principalement des modèles basés sur le domaine, basés sur des objets et hybrides. En substance, ce sont des méthodes de représentation d'objets réels. Plus les objets sont complexes, plus la quantité de données correspondante et la complexité du projet sont importantes. Les principes spécifiques des trois modèles de données sont les suivants.

2.1.1. Le schéma de traitement des données basé sur les objets

Le principe de base est de diviser l'espace d'information où se trouve le modèle. Les objets classifiés sont généralement analysés et décrits. Le modèle réel peut être représenté comme indiqué dans l'ensemble suivant 1, un ensemble discret qui peut être analysé et identifié. Le diagramme correspondant est illustré à la figure 1. Le modèle subdivise l'ensemble du géospatial en plusieurs collections basées sur des objets, et les données correspondantes sont utilisées comme caractéristiques de l'objet :


Pourquoi l'analyse géospatiale est bonne pour la santé humanitaire

Des disciplines telles que l'urbanisme, les affaires et le marketing, et une gamme de sciences de la terre ont dépassé les sciences de la santé publique et humanitaire dans l'application des SIG. Deux exceptions notables au sein de la santé publique – la santé environnementale et les maladies infectieuses – ont profité de la puissance de la géo-analyse pour modéliser les impacts sur la santé des populations [11]. Et les sciences des catastrophes, excluant largement la médecine des catastrophes, commencent à incorporer des technologies de télédétection pour la connaissance de la situation et le dénombrement de la population. L'exploitation de l'utilisation de méthodes géospatiales dans ces domaines illustre leur potentiel important pour produire des modes de pensée alternatifs qui protègent les populations, renforcent la rigueur académique et améliorent l'efficacité des programmes dans le secteur de la santé humanitaire.

Penser géospatialement

Penser géospatialement nous permet de poser et de répondre à de nouvelles questions qui éclairent notre univers de manières distinctes de celles dérivées d'autres formes cognitives. La pensée spatiale, telle que définie par le Conseil national de recherches, intègre trois éléments dans la résolution de problèmes : les concepts d'espace, les outils de représentation (par exemple la base des systèmes de coordonnées et des projections spatiales) et les processus de raisonnement (par exemple les définitions de proximité, d'extrapolation et d'interpolation , etc.) [12]. Le repositionnement des données dans un cadre spatial change la façon dont nous définissons les questions, exprimons et analysons les relations, transformons et communiquons les informations et prenons finalement des décisions.

L'espace est ainsi un cadre de compréhension. Intégrale à l'expérience humaine et à l'aptitude évolutive, la pensée spatiale utilise des modèles cognitifs a posteriori profondément enracinés pour explorer des données auparavant verrouillées dans des supports analogiques statiques [13]. Avec l'évolution des médias visuels, des applications géolocalisées et de la réalité virtuelle, les gens accumulent des capacités spatiales encore plus intuitives. Une fois maîtrisée et affinée, la pensée spatiale peut fonctionner de manière descriptive, analytique ou inférentielle.

L'un des exemples les plus anciens et les plus notoires de pensée spatiale en santé publique est l'enquête de Snow sur des cas de choléra en 1854 à Londres. En adoptant un cadre spatial pour évaluer l'épidémie de choléra, Snow a dissipé la théorie des miasmes des états pathologiques et a identifié à juste titre la pompe Broad Street de Soho comme le principal coupable (Fig. 4) [14]. La représentation spatiale des cas conduit à une représentation visuelle du schéma de distribution, à l'identification des grappes et à la potentialisation de nouvelles hypothèses concernant les étiologies de la maladie.

Carte de l'épidémie de choléra de 1854 en relation avec l'approvisionnement en eau. La cartographie des cas de choléra de John Snow démontre l'approche spatiale de la science de la santé publique, la dispersion et le regroupement des cas et leur relation avec un agent causal. Conditions d'utilisation : ce travail est sous licence Creative Commons Attribution Generic License. Il est attribué à John Snow et le travail original peut être trouvé ici, https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2250686/pdf/brmedj06236-0004.pdf

L'évolution de la pensée spatiale au sein de la santé publique, des descriptions spatiales fondamentales à ses fonctions analytiques supérieures est incarnée par les deux dernières décennies dans la littérature sur la santé environnementale, comme mentionné précédemment [15]. Les modèles de décroissance de la distance, dans lesquels « l'exposition » à un site toxique est supposée être inversement proportionnelle à la distance d'une installation toxique, et des algorithmes d'interpolation qui prédisent des valeurs inconnues à un emplacement spécifique à partir d'équations qui reposent sur le principe de dépendance spatiale, sont utilisé pour identifier non seulement la source des contaminants environnementaux, mais aussi les modes d'exposition des victimes au sein des populations exposées et non exposées [16]. Les deux reposent sur le concept d'autocorrélation spatiale, dans lequel les objets les plus proches dans l'espace sont plus susceptibles de partager des attributs. Avec cet outil conceptuel en main, on peut facilement réfléchir aux implications de la santé pour les populations en crise, déplacées ou en mouvement. La proximité de certains endroits montre-t-elle une probabilité statistique de certains résultats pour la santé ? Certains endroits pourraient-ils avoir un profil démographique qui est exposé à des indicateurs de santé plus négatifs pour la morbidité ou la mortalité ? Les hypothèses géospatiales sont infinies. Cependant, la pensée spatiale, ses cadres théoriques et ses méthodologies statistiques uniques, sont manifestement absents de nombreux programmes de santé publique et de la grande majorité des programmes d'études humanitaires et de catastrophes. Tout comme nous soulignons la méthode scientifique et les statistiques inférentielles en tant qu'apprentissage crucial au sein de l'académie empirique, nous devrions également incorporer les statistiques géospatiales dans les programmes d'études pour former une génération de professionnels de la santé humanitaire qui peuvent capitaliser sur ces outils puissants.

Faire progresser la rigueur académique

L'adoption de la science géospatiale améliorera la base de données factuelles pour les opérations de santé humanitaire. Les SIG, ainsi que les systèmes de positionnement global (GPS) et les instruments de télédétection, peuvent renforcer les études quantitatives en santé publique et en science des catastrophes grâce au dénombrement de la population, à la création de cadres d'échantillonnage et à une base pour la validation des processus analytiques. L'incorporation critique de ces méthodes dans la recherche en santé humanitaire et les interventions ultérieures créera une mine de preuves empiriques et stimulera un champ d'enquête qui légitime davantage la médecine humanitaire dans le milieu universitaire.

Estimation des populations

Le dénombrement des populations et la cartographie de la densité des populations affectées sont essentiels à toutes les phases de la réponse humanitaire. En particulier, ils font partie intégrante des évaluations des besoins et de l'allocation des ressources, et sont indispensables aux efforts de suivi et d'évaluation en tant que dénominateur des effets interventionnels. Les pays développés disposent d'une infrastructure de recensement robuste pour fournir des statistiques démographiques géocodées. Mais dans le contexte des crises humanitaires qui surviennent fréquemment dans les pays sous-développés ou qui endommagent ouvertement l'infrastructure de collecte des registres d'état civil, les données de base du recensement sont généralement incomplètes, obsolètes, non ventilées par âge ou par sexe, ou manquent de résolution spatiale suffisante. Lors de catastrophes et de conflits, les populations humaines sont particulièrement dynamiques, ce qui rend les estimations préexistantes disponibles encore plus imprécises. Le dénombrement au sol nécessite beaucoup de temps et de ressources, dépend de la sécurité et de l'accès, et dépend d'un échantillonnage de commodité statistiquement inférieur et de méthodes démographiques non validées utilisées dans des populations statiques stables [17].

Les données de télédétection, dérivées de véhicules aériens sans pilote (UAV), d'avions habités et de satellites, offrent un accès à des paysages vastes et inaccessibles et sont de plus en plus disponibles avec une meilleure résolution spatiale et des coûts d'exploitation réduits. L'imagerie satellitaire à très haute résolution (VHR) et multispectrale a été adoptée au cours des deux dernières décennies par un large éventail d'acteurs. L'estimation de la population est effectuée dans des contextes non urgents et pour surveiller la variation de la population dans les camps de personnes déplacées du Sri Lanka à l'Éthiopie en passant par Haïti avec divers degrés de précision [18,19,20,21,22,23]. Les structures, telles que les tentes, sont identifiées grâce à une analyse d'images basée sur des objets, comptées et incluses dans des équations qui extrapolent les chiffres de la population. Mais bien qu'il soit possible de fournir des dénominateurs précis pour la recherche, l'exactitude des données de télédétection dérivées des satellites continue de poser des problèmes, alors que les communautés touchées quittent les établissements organisés pour s'installer dans des environnements urbains informels, vivant dans des bâtiments contigus à plusieurs étages et mélange avec les populations hôtes.

Avec une pénétration significative de la possession de téléphones portables dans le monde entier, l'analyse des modèles et l'analyse prédictive géospatiale offrent des options convaincantes pour le dénombrement et le suivi de la population. Après le tremblement de terre haïtien de 2010, Digicel, l'opérateur de téléphonie mobile d'Haïti, a fourni des données de téléphone portable anonymisées aux chercheurs qui ont appliqué des algorithmes comportementaux aux emplacements des téléphones portables. Avec une bonne précision, ils ont suivi les mouvements de population vers et depuis Port-au-Prince au fil du temps [24]. Malheureusement, les retards dans les accords de partage des données, la construction et l'analyse de l'infrastructure informatique ont entraîné un retard de quatre mois des données utilisables destinées à une intervention programmatique en temps réel.

En revanche, immédiatement après le tremblement de terre népalais de 2015, un accord fortuite de partage de données préétabli avec NCell et Telecom, les deux principaux opérateurs de téléphonie mobile du pays, a permis la publication en temps voulu des enregistrements des détails des appels (CDR) anonymisés. Les coordonnées des points de la tour de téléphonie cellulaire étaient intégrées aux CDR, qui étaient superposées aux données de population maillées de WorldPop [25]. En intégrant des échelles temporelles et spatiales dans une matrice de changement pour délimiter les flux de population normaux (avant le séisme) des flux post-séisme, les chercheurs ont pu suivre la dynamique de la population en temps réel, 9 jours après l'événement [26]. Pour le secteur de la santé humanitaire, une compréhension précise des chiffres et de la dynamique de la population est essentielle non seulement pour la recherche mais aussi pour le ciblage des ressources (Fig. 5).

Analyse spatiale du pourcentage de personnes restées loin de chez elles, 4 mois après le séisme népalais de 2015. La carte représente les enregistrements détaillés des appels au niveau du sous-district ou du comité de développement du village (VDR) en pourcentage de la population qui reste déplacée de son VDC d'enregistrement de téléphone portable 4 mois après le séisme. Conditions d'utilisation : ce travail est sous licence Creative Commons Attribution License et utilisé sans modification. Attribué à Wilson, et al. PLoS Curr Dis, version originale 2016 sur : http://currents.plos.org/disasters/index.html%3Fp=27109.html

Aujourd'hui, des efforts pour utiliser des données de médias sociaux géolocalisées pour identifier le comportement humain endogène et suivre les mouvements humains émergent, et les analystes peuvent différencier la variance de la mobilité humaine à différentes échelles spatiales [27]. Il existe même des preuves que les données de distribution spatiale peuvent être modélisées à l'aide de modèles d'opportunités pondérés en fonction de la population pour refléter les mouvements humains à l'échelle de la ville [28], un outil essentiel alors que les crises humanitaires deviennent de plus en plus urbanisées. Ainsi, alors qu'il existe un énorme potentiel pour les statistiques géospatiales pour transformer le dénombrement de la population et le suivi de la mobilité dans des environnements complexes, un accès rapide à l'information via des flux de données pré-identifiés et des accords de partage de données préétablis est crucial pour la pertinence de ces modalités dans l'espace humanitaire. .

Améliorer les méthodes d'échantillonnage des enquêtes sur la santé

Comme de nombreuses mesures de résultats de santé publique, la mortalité et la morbidité sont des indicateurs essentiels largement acceptés par la communauté humanitaire de la santé pour comprendre les facteurs de stress pour la santé d'une population et suivre les impacts des opérations sur la santé. Cependant, il existe des défis majeurs à la mise en œuvre d'une enquête randomisée pour les indicateurs de santé. Comme indiqué ci-dessus, les listes de population préexistantes à partir desquelles générer une base de sondage et sélectionner au hasard les répondants appropriés pour l'inférence statistique sont souvent insuffisantes. Les structures d'enregistrement de l'état civil qui enregistrent les taux de natalité et de mortalité sont détruites ou paralysées en cas de crise. Les grappes d'unités de population géographiques créées manuellement ont été la valeur par défaut historique pour les chercheurs qui tentent des enquêtes randomisées sur les résultats de santé. Mais cette approche prend beaucoup de temps, nécessite une cartographie importante au niveau du sol, un biais de sélection des risques et introduit une variance accrue en raison des effets de regroupement en fonction de la variable de santé d'intérêt.

L'imagerie de télédétection, les ensembles de données de population maillées et les algorithmes d'échantillonnage spatial rendent cet exercice beaucoup plus efficace et, ce faisant, plus robuste sur le plan statistique. Les ensembles de population maillée tels que LandScan et WorldPop peuvent être chargés dans des plates-formes SIG, rognés selon une limite administrative d'intérêt et convertis en une grille de densité. Les outils spatiaux pour « créer des points spatialement équilibrés » utilisent un algorithme interpolé spatialement pour générer des points aléatoires, pondérant naturellement la sélection avec davantage de points sélectionnés dans des zones plus denses. Les cellules de la grille peuvent ensuite être vérifiées au sol pour plus de précision. Une étude de mortalité de 2008 en Irak a utilisé cette technique et l'a trouvée précise, efficace en termes de temps et financièrement faisable (Fig. 6 a et b) [29].

une (Haut). Première étape d'un échantillon en grappes basé sur la population à l'aide d'ArcGIS et de LandScan, un jeu de données de population maillée, Galway, et al. Le cadre de l'image principale (en haut) montre une image satellite LandScan (Oak Ridge National Laboratory) de l'Irak avec la densité de population par kilomètre carré. L'encart à droite amplifie ces pixels de densité de population mettant en évidence la zone plus densément urbanisée de Bagdad. À des fins d'échantillonnage, un chercheur en population peut sélectionner au hasard des zones en fonction de la dispersion de la population. b (bas). Deuxième étape d'échantillonnage à l'aide de grilles ArcGIS sur des fichiers kml de Google Earth, Galway, et al. Au niveau de l'échantillonnage des ménages, des grilles superposées sont échantillonnées au hasard à l'aide de l'imagerie Google Earth. Conditions d'utilisation pour les deux figures : ce travail est sous licence Creative Commons Attribution License 4.0 et utilisé sans modification. Attribué à Galway et al., Intl J Health Geogr, version originale de 2012 à l'adresse : https://ijhealthgeographics.biomedcentral.com/articles/10.1186/1476-072X-11-12

Les enquêtes de santé humanitaire qui nécessitent la collecte de données primaires sont difficiles. Elles sont coûteuses, prennent du temps, se déroulent dans des environnements relativement dangereux et peu sûrs (et donc inaccessibles), et n'atteignent souvent pas les effets de changement politique pour lesquels elles ont été conçues. À la place de celles-ci, d'autres sources de données géocodées existent dans la sphère humanitaire (tableau 1) qui se prêtent à l'analyse spatiale, réduisant le temps et le coût pour passer de l'idée à la recommandation politique fondée sur des preuves.

La nature positiviste de la science empirique met l'accent sur des méthodes systématiques d'observation, de mesure et d'évaluation. L'adoption de la science géostatistique par les chercheurs en santé humanitaire ne peut que renforcer la crédibilité empirique. La possibilité de mesurer, d'échantillonner et d'appliquer avec précision des statistiques inférentielles et d'expliquer mathématiquement un niveau d'association géographique ou de causalité significative avec un niveau de confiance et de précision ajoute une nouvelle dimension aux sciences, politiques et programmes de santé humanitaire.

L'épidémiologie spatiale, une variante géographique de l'épidémiologie traditionnelle, est le cadre logique pour faire avancer la géo-analyse dans les contextes humanitaires [30]. En tirant parti d'un domaine validé et en adoptant une sémantique et des méthodes standardisées, la santé humanitaire entrera dans une conversation empirique plus large, améliorera sa base de données probantes et développera une rigueur académique critique. Malgré la pénurie actuelle d'experts qui utilisent l'épidémiologie spatiale pour la santé humanitaire, de nombreux logiciels et communautés en ligne existent pour permettre aux « non-experts » d'appliquer l'analyse géospatiale à la fois à la recherche et à des activités opérationnelles (tableau 2).La disponibilité d'outils géospatiaux conviviaux est essentielle pour combler le manque actuel d'expertise, mais la mise en œuvre appropriée de ces outils nécessite une compréhension des principes fondamentaux de la théorie statistique spatiale.

Améliorer l'efficacité des programmes

Les crises humanitaires et les besoins en ressources qui en découlent sont en augmentation, mais le financement continue d'être insuffisant - il manque plus de dix milliards de dollars américains selon les projections 2018 de l'OCHA de l'ONU [31]. Il est donc impératif pour les humanitaires de déterminer les initiatives les plus rentables. Nous commençons à voir les outils SIG et l'analyse spatiale se faufiler dans d'autres domaines de la santé publique et de la littérature médicale comme moyen de concevoir, déployer, surveiller et évaluer une réponse hyper-locale et économe en ressources. Les preuves croissantes concernant l'analyse géospatiale dans la prestation des systèmes de santé, les maladies non transmissibles, l'exposition aux risques, la migration des vecteurs, l'incidence des maladies transmissibles, les traumatismes violents, la prévention des blessures et les indicateurs de santé économétriques [32] devraient servir d'exemples pour la communauté de la santé humanitaire.

Les systèmes d'information et de surveillance de la santé qui suivent de manière prospective les maladies transmissibles et non transmissibles sont désormais équipés de données géocodées pour identifier les grappes et les points chauds. L'analyse par grappes, une méthode statistique permettant d'identifier les points chauds, les points froids, les valeurs aberrantes spatiales et des caractéristiques similaires, est largement appliquée en santé publique pour cibler des interventions allant des services pour femmes, nourrissons et enfants (WIC) [33] à la distribution de naloxone. [34]. Alors que les déterminants sociaux de la santé sont de plus en plus reconnus comme des pivots pour des interventions efficaces, les modèles de dépendance spatiale placés dans des cadres hiérarchiques bayésiens [35] fournissent des cadres d'inférence flexibles pour s'adapter à des modèles complexes d'avantages et de désavantages socioéconomiques dans des environnements dynamiques et créer une évaluation appropriée de l'incertitude. .

L'analyse géospatiale évolue pour décrire, prédire et modéliser les maladies transmissibles, non transmissibles et zoonotiques. Des modèles spatiaux mécanistes sont en cours de développement et de test pour prédire la transmission des maladies infectieuses par le biais de simulations individuelles, de modèles de métapopulation ou de modèles de réseau [36]. utilise une couche spatiale de distribution de la population couplée à une couche de réseau de transport et à un modèle manipulé flexible de transmission de la maladie pour prédire la propagation de l'épidémie avec une précision par rapport à un étalon-or [37]. Divers modèles de régression pondérés géographiquement peuvent désormais nous indiquer où déployer les programmes de prévention de la leptospirose [38], par exemple, avec une plus grande résolution spatiale et une plus grande efficacité des ressources. Les statistiques d'analyse, l'analyse des points chauds et le krigeage de Poisson (formes d'analyse de grappes et d'interpolation, respectivement) peuvent mettre en évidence des grappes d'incidence d'arrêt cardiaque pour les programmes d'intervention allant des formations en RCR de spectateurs au placement de DEA [39, 40].

Les cadres « écosanté » qui examinent le lien entre les humains, l'environnement et la santé, identifient les facteurs environnementaux, sociaux et biologiques qui ont un impact à la fois sur la susceptibilité et l'exposition aux maladies grâce à la fusion mathématique de la météorologie, de la démographie, de la socioéconomie et de l'utilisation des terres et de la topographie par télédétection données dans un indice de vulnérabilité. Ces indices géospatiaux identifient non seulement la densité de la maladie, telle que la dengue [41], mais élucident également l'impact de chaque variable contributive, rendant l'intervention programmatique spécifiquement ciblée. L'analyse en composantes principales des variables environnementales et sociodémographiques est liée à la morbidité et à la mortalité afin de créer des cartes de vulnérabilité spatiale pour faire face aux événements de chaleur extrême [42]. Et face au changement climatique, les gestionnaires de catastrophes utilisent des modèles qui caractérisent la fréquence croissante des tempêtes, des températures extrêmes, de la sécheresse, de l'élévation du niveau de la mer et des ondes de tempête pour l'évaluation de la vulnérabilité des communautés et la planification de la préparation (Fig. 7) [43].

Un exemple d'analyse des risques d'aléa : distribution spatiale de la population à risque d'inondation le long du système fluvial Niger-Benue, Nigeria. De multiples couches de données sur les caractéristiques environnementales et les zones inondables historiques sont combinées avec des couches de population pour synthétiser les risques d'inondation pour les populations vulnérables. Conditions d'utilisation : ce travail est sous licence Creative Commons Attribution License 4.0 et utilisé sans modification. Attribué à Nkeki, et al., JGIS, 2013 version originale à : https://file.scirp.org/Html/3-8401214_29778.htm

Dans un effort concerté pour apprécier l'hétérogénéité spatiale et cibler les initiatives d'amélioration de la qualité, les chercheurs, économistes et administrateurs des systèmes de santé adoptent désormais l'analyse spatiale de la prestation des soins de santé, de l'utilisation des ressources et des résultats pour les patients. Des modèles économétriques qui utilisent des variables d'infrastructure de soins de santé comme entrées et la mortalité comme sorties sont utilisés pour comprendre la relation entre le lieu, la socio-économie et l'efficacité du système de santé [44]. L'utilisation d'un modèle de régression qui prend en compte les dépendances spatiales des termes d'erreur peut mettre en évidence des variations régionales dans les types de besoins médicaux ambulatoires à des fins de conception de système [45]. Et le plus impressionnant, l'incorporation d'algorithmes d'optimisation géographique dans la distribution des maladies ou les modèles épidémiques peut estimer l'allocation optimale du financement entre les groupes de population et les programmes. Une étude fondamentale a utilisé des algorithmes de descente stochastique adaptatifs - une méthode qui utilise des hypothèses probabilistes pour reproduire les aspects du processus manuel d'ajustement des paramètres pour les algorithmes d'optimisation - pour optimiser les programmes de lutte contre le paludisme axés sur la réduction de l'incidence et de la mortalité au Nigeria (Fig. 8) [46]. Grâce à une efficacité d'allocation qui donne la priorité à des activités de prévention et de traitement spécifiques dans des zones géographiques précises, environ 84 000 décès ou 15,7 millions de cas de paludisme pourraient être évités sur 5 ans.

Optimisation géospatiale pour minimiser la mortalité due au paludisme. Ici, une analyse géospatiale des dépenses en soins de santé pour une gamme de prévention et de gestion du paludisme dans les régions du Nigéria en 2015 peut être modélisée pour estimer le nombre de décès évités avec un financement supplémentaire. Conditions d'utilisation : ce travail est sous licence Creative Commons Attribution License 4.0 et utilisé sans modification. Attribué à Scott, et al., Malar J, version originale 2017 sur : https://malariajournal.biomedcentral.com/articles/10.1186/s12936-017-2019-1

Bien qu'il existe un grand nombre de façons dont les méthodes géospatiales peuvent éclairer la conception programmatique, l'analyse spatiale peut également améliorer les efforts de suivi et d'évaluation. Dans des environnements sécurisés, les projets de développement de la santé mondiale ont trouvé l'analyse géospatiale utile pour identifier les points chauds géographiques de la réussite des programmes et pour comprendre les variables spatialement pertinentes qui améliorent les résultats. L'analyse par grappes, utilisant la statistique de balayage de Kuldorff (Fig. 9), montre comment les données d'enquête géolocalisées peuvent être utilisées pour surveiller les comportements à risque des hommes récemment circoncis dans le cadre des efforts de prévention du VIH. Les estimations de densité de noyau, une méthode non paramétrique pour estimer la fonction de densité de probabilité d'une variable aléatoire, sont efficaces pour cartographier les environnements des bassins versants, étant donné la nature spatiale du comportement de recherche de soins, et peuvent montrer une variabilité dans l'accès et l'approvisionnement en médicaments [47]. L'analyse géospatiale peut commenter le succès des centres de vaccination pendant les pandémies [48].

Analyse groupée de l'utilisation du préservatif chez les hommes circoncis à risque de contracter le VIH. Ici, la cartographie des résultats d'un programme de prévention du VIH (utilisation du préservatif) fournit une base pour l'analyse par grappes afin de mieux comprendre les raisons du succès ou de l'échec d'un programme de santé. Utilisé sans modification avec l'autorisation de MEASURE Evaluation, Université de Caroline du Nord, Chapel Hill. Attribué à Moise, et al., 2015. Version originale sur : https://www.measureevaluation.org/resources/publications/ms-14-98

En exécutant séquentiellement un modèle chronologique de couverture du programme et un modèle géostatistique spatio-temporel bayésien d'infection, Bhatt et al. a démontré la première quantification formelle de P. falciparum prévalence, incidence et impact programmatique de l'infection [49]. Les données sur l'utilisation de moustiquaires imprégnées d'insecticide (MII), la pulvérisation intradomiciliaire à effet rémanent (IRS) et l'accès à la thérapie combinée à base d'artémisinine (ACT) de plus d'un million de foyers en Afrique subsaharienne ont été combinées avec P. faciparum données parasitaires de 27 573 groupes de population géoréférencés et covariables environnementales et sociodémographiques entre 2000 et 2015. Non seulement ils ont pu attribuer une prévention de 663 millions de cas cliniques de paludisme aux interventions, mais ils ont pu identifier la couverture en MII comme l'activité la plus importante. L'exploitation de ce potentiel de la science géospatiale pour les programmes de santé humanitaire révolutionnera la façon dont les interventions sont conçues, conçues et surveillées, améliorant ainsi l'efficacité et l'impact des programmes.


Conception d'un système d'information géographique participatif basé sur le Web pour la détermination des zones industrielles

Différents types de sélection de sites exploités par les systèmes d'information géographique (SIG) en combinant divers types de données se rapportent à la finalité de la sélection de sites. En réalité, de nombreux facteurs, notamment physiques, environnementaux et sociaux, affectent le choix du site en termes de décision de l'emplacement d'une nouvelle industrie. En conséquence, cet article conçoit des systèmes de détermination de nouvelles zones industrielles sous la forme d'applications Web ou ordinairement appelées SIG Web. Ainsi, l'application a nommé les systèmes intelligents de zone industrielle potentielle, dans lesquels le prototype de l'application est capable de faciliter la planification de la détermination d'une nouvelle zone industrielle sur la base de six paramètres tout au long de la méthode de processus de hiérarchie analytique. Les pondérations des résultats de six critères sont le type de sol 35%, l'utilisation du sol 32%, la pente du terrain 15%, la distance du terrain à la rivière 9%, la distance du terrain à la route et l'accessibilité 5%, et la distance du terrain aux équipements publics 4%. De plus, le SIG basé sur le Web est une application conviviale pour déterminer l'emplacement industriel prévu. De plus, la démonstration se déroule sans effort en exposant des données sur le potentiel de nouvelles zones industrielles dans la ville de Bekasi, dans la province de Java occidental en Indonésie.

1. Introduction

La détermination de l'emplacement des zones industrielles a un impact important sur diverses parties, y compris le gouvernement, les promoteurs de zones industrielles et les acteurs commerciaux dans l'augmentation de l'économie. La performance de la zone industrielle du pays dans la région de l'ASEAN par exemple semble plus attrayante que d'autres pays pour les investisseurs étrangers. En Indonésie, il existe 172 zones industrielles, mais peu sont attrayantes pour les investisseurs, dont la zone industrielle de Jababeka située à Bekasi, dans l'ouest de Java. Par conséquent, il faut faire une planification optimale pour déterminer l'emplacement d'une zone industrielle en considérant rapidement divers aspects à l'aide d'applications informatiques.

Le système d'information géographique (SIG) est une méthode qui utilise l'aspect spatial dans une application à des fins multiples. Le SIG fonctionne avec des données spatiales en utilisant les coordonnées terrestres comme référence. En outre, le SIG est bénéfique pour capturer, enregistrer, développer, manipuler, analyser et présenter toutes les données spatiales [1, 2]. Généralement, le SIG est généré dans un but spécifique, par exemple, les sélections d'emplacement [3]. De plus, la méthode SIG est identique à la combinaison de plusieurs couches différentes puis à son analyse pour atteindre l'objectif. En utilisant le SIG, le coût d'identification d'une vaste zone pourrait être minime sans abandonner plusieurs facteurs qui ont des impacts significatifs sur les résultats de l'analyse.

Le SIG pour les sélections d'emplacements a de nombreuses utilisations pour sélectionner de nouveaux emplacements industriels [4, 5]. Plusieurs facteurs affectent les choix d'emplacement de nouvelles industries, tels que les aspects économiques, sociaux, physiques et environnementaux [6-8]. De même, les risques de catastrophe, la disponibilité de l'eau, la zone de conservation et la zone interdite sont des exemples de facteurs physiques et environnementaux qui affectent les sites industriels [9, 10]. Les facteurs sociaux ayant une incidence sur la sélection des sites industriels sont la disponibilité de la main-d'œuvre, l'administration, la politique, etc. De nos jours, le SIG pour les nouveaux sites industriels devient plus détaillé et spécifique.

En outre, le développement de l'étude SIG au cours des 5 premières années s'est concentré sur la détermination des paramètres. De plus, l'amélioration des déterminations de paramètres consiste en une combinaison d'aspects physiques, sociaux et démographiques [8]. De même, la sélection de nouveaux sites industriels serait optimale grâce à une macroanalyse avec des paramètres complexes. D'une part, l'influence de l'ère de la révolution industrielle 4.0 a changé la perspective du SIG en tant que méthode de sélection de localisation pour être plus spécifique [11-13]. En revanche, il accueille un développement industriel plus dynamique.

De plus, la détermination de l'emplacement de la zone industrielle doit tenir compte d'un type de sol et de ses caractéristiques pour disposer d'infrastructures adéquates. L'érosion et la dégradation des sols négligées entraînent un danger pour l'environnement et affectent la zone qui est économiquement improductive [14-17]. Les propriétés du sol font partie d'une étude de génie civil importante et détaillée, telle que la détermination du type de fondation et de la capacité du sol à soutenir les bâtiments et les infrastructures industriels.

De plus, cette étude suggère des contributions scientifiques comme suit : (1) un modèle complet de systèmes d'évaluation pour les sites industriels appropriés est proposé, et (2) il propose également de concevoir un système intelligent pour la sélection d'une zone industrielle et (3) devient un système d'évaluation des zones industrielles prédéterminées actuelles cohérent avec la théorie de la localisation industrielle.

2. Revue de la littérature

2.1. Zone industrielle

La zone industrielle est une zone ou une zone spéciale conçue pour créer un environnement approprié pour soutenir les opérations commerciales. En outre, un environnement commercial avantageux est un environnement qui pourrait optimiser la continuité des activités de l'amont à l'aval. De même, l'utilisation des terres pour la zone industrielle est un facteur important d'augmentation de la croissance économique et du développement économique [18-20]. Par conséquent, les zones industrielles fonctionnent pour améliorer les affaires et développer les emplacements, fondant des « nouvelles villes » complexes avec des infrastructures qui soutiennent les activités commerciales.

Par ailleurs, la préparation des équipements publics et des infrastructures spécifiques est essentielle pour favoriser un écosystème industriel compétitif. Par exemple, les zones industrielles et les entreprises situées dans une circonstance particulière pourraient générer mutuellement une agglomération économique. En fait, dans un effort pour soutenir le développement d'une Indonésie inclusive, le gouvernement essaie d'encourager le développement de 14 zones industrielles en dehors de Java jusqu'en 2019. Bekasi, l'une des régences/villes de la province de Java occidental est l'emplacement d'au moins treize zones industrielles, dont la zone industrielle de Jababeka, la plus grande zone industrielle d'Asie du Sud-Est [21, 22]. À son tour, le nouveau parc industriel, ouvert pour créer de la compétitivité et de la croissance économique, est appelé « zones économiques spéciales » ou ZES [23].

De plus, une autre estimation liée à la zone industrielle vient de la Banque mondiale [24], confirmant que la zone industrielle est une zone spéciale (terrain) déconnectée des quartiers urbains densément peuplés et catégorisée définitivement pour l'emplacement des installations industrielles. Ainsi, la zone industrielle devrait disposer des infrastructures appropriées telles que les routes, l'électricité, l'approvisionnement en eau et d'autres services publics.

2.2. Systèmes d'Information Géographique (SIG)

Essentiellement, le système d'information géographique (SIG) est un outil informatique qui sert à analyser, stocker, manipuler et visualiser des informations géographiques [25]. Une carte de zone basée sur un SIG, étayée par les résultats de l'analyse statistique, pourrait être utile pour formuler des prévisions. En définitive, le SIG est une méthode indirecte d'analyse de la dimension spatiale. Requis, l'utilisation du SIG est intégrée dans une application informatique afin que d'autres facteurs importants puissent être facilement pris en compte.

Dans ce cas, une analyse spatiale fournit la base pour l'intégration et la collecte de données avec l'échelle spatiale et une dimension temporelle différente, tandis que l'analyse exploratoire des données spatiales est un ensemble de techniques pour décrire et visualiser la distribution spatiale, identifier l'emplacement d'un ou un étranger spatial, découvrent des modèles d'association spatiale, des clusters ou des points chauds, et proposent des régimes spatiaux ou d'autres formes d'hétérogénéité spatiale [26, 27]. Les techniques de modélisation spatiale, par exemple l'analyse de régression, sont applicables pour inclure explicitement les mécanismes d'un modèle spatial sous-jacent.

2.3. Sélection de sites industriels basée sur le SIG

Pendant ce temps, l'analyse SIG est l'une des phases majeures et les plus influentes du cycle de vie de l'infrastructure, ce qui conduit à la validité, l'exactitude et les méthodes utilisées dans la planification d'une zone industrielle. Certaines analyses effectuées par SIG sont l'analyse de la distribution de l'eau, l'analyse de la gestion du trafic, l'analyse du sol, l'analyse de faisabilité du site, l'analyse d'impact environnemental, l'analyse du volume ou du bassin versant, l'analyse de la configuration des rivières ou des canaux et l'analyse de la température et de l'humidité [28].

De plus, le modèle basé sur le SIG est très pratique pour indiquer l'emplacement le plus approprié pour la construction de la zone industrielle. L'étude [29] préfère utiliser sept paramètres, c'est-à-dire l'utilisation des terres, de l'eau, du sol, de la faune, des sites archéologiques, des routes et des lignes électriques pour décider de la région industrielle du Sri Lanka. Généralement, les critères attribuent des valeurs incluses dans les applications d'aide à la décision multicritères exploitant le modèle SIG. De même, des cartes d'aptitude sont créées avec le modèle de superposition pondéré qui peut facilement décrire l'emplacement approprié et répondre à tous les critères.

En outre, une autre étude [30], qui discute de l'emplacement optimal pour de nouvelles zones industrielles en appliquant la méthode floue SIG, a été menée dans le canton de Yazd, en Iran. Cette étude a exploité neuf critères pour les paramètres de sélection du site, c'est-à-dire la route, la fracturation, les voies ferrées, les ressources en eau, l'urbain, la montagne, les terres agricoles, la zone ou les terres protégées, la faune et les pentes. Les critères se divisent en deux catégories : les critères anthropologiques et géographiques. Dans ce cas, l'étude propose que l'approche SIG puisse collaborer avec la méthode floue.

De plus, le choix des sites industriels est une décision stratégique qui implique des aspects techniques, économiques, sociaux, environnementaux et politiques [31]. Le processus de prise de décision nécessiterait les bons outils et permettrait la collecte, le stockage et l'analyse des données pour répondre au scénario complexe et diversifié. À son tour, une étude avec une approche innovante et efficace pour atteindre la solution la plus appropriée repose sur une série de systèmes d'aide à la décision qui interagissent.Par exemple, l'étude pourrait exploiter dix-sept critères, à savoir les eaux de surface, les eaux souterraines, le type de sol, la pente, les risques naturels, la zone érodée, les inondations, la forêt, la faune, les zones humides, les zones côtières, les zones agricoles, les lieux publics, les sites archéologiques, les routes d'accès , accès à l'eau et largeur de la route [32]. L'évaluation des critères doit impliquer des estimations d'experts. En conséquence, cela présente que l'approche SIG est une méthode qui pourrait bien coopérer avec le processus de prise de décision, d'une part.

D'autre part, la méthodologie AHP floue est également appropriée pour décider des meilleurs emplacements d'entrepôt des quatre options existantes pour la disponibilité de la chaîne d'approvisionnement dans une zone économique spéciale (ZES) et la zone de libre-échange (FTZ) en Iran. Dans ce cas, les critères utilisés sont les dix paramètres comprenant le transport et la connectivité, l'électricité, l'eau, l'informatique et les télécommunications, le coût du terrain, les incitations fiscales, la taille du marché, la proximité des principaux marchés et les possibilités de croissance du marché [33 ].

Essentiellement, la révolution industrielle 4.0, qui favorise les économies d'énergie et réduit les coûts de main-d'œuvre, entraîne également une transformation dans la sélection des terrains pour les installations industrielles. Par exemple, l'étude des critères de sélection des terrains d'installations de fabrication dans les zones urbaines-rurales, qui seraient nécessaires pour les emplacements de l'Industrie 4.0, implique les modèles spatiaux effectifs [11]. Les critères utilisés contiennent deux types de nouvelles zones industrielles. Le premier est la sélection de zones industrielles organisées qui ont des paramètres tels que la qualité de la main-d'œuvre, la proximité des marchés, les subventions, les prix des terrains, la facilité de transformation, la proximité des zones d'habitation, les infrastructures, la proximité des matières premières, la proximité des écoles et des services de santé, les équipements, l'eau, l'énergie, les services urbains, l'adéquation des sols et la proximité économique entre les villes et les industries. La seconde est la zone de sélection des ressources énergétiques et informatiques avec moins de paramètres, c'est-à-dire la proximité avec l'informatique et les télécommunications, l'énergie, les subventions, la facilité de transformation, la proximité des matières premières, les équipements supplémentaires, les opportunités et l'adéquation de la pente, le prix du terrain , et l'inaptitude à l'agriculture. Mais, dans [11], la cartographie est effectuée manuellement, alors que dans cette étude, le processus de cartographie est effectué avec une application Web.

3. Méthodologie

La méthode appliquée dans cette étude pour déterminer l'emplacement d'une zone industrielle est l'approche des systèmes d'information géographique (SIG) et du processus de hiérarchie analytique (AHP). Par conséquent, la spécification de cette étude par rapport aux précédentes est la conception d'une application appelée systèmes intelligents de zone industrielle potentielle conviviale au moyen de six paramètres de critères. Ils sont pondérés, évalués et déterminés par la gamme de notes en fonction des conditions de la zone existante sur la base de l'estimation des experts. Dans ce cas, la pondération est complète en utilisant la méthode du processus de hiérarchie analytique (AHP) comme critère des notes d'évaluation sur la demande. En outre, les critères et les poids qui sont atteints et exploités dans la conception d'applications de systèmes intelligents pour déterminer les zones industrielles sont la pente des terres, l'utilisation des terres, le type de sol, la distance entre la terre et la route et l'accessibilité, la distance entre la terre et la rivière, et la distance des terrains aux équipements publics, tandis que les six critères et poids restitués sur les ajustements des critères sont exploités dans les études précédentes, entre autres [34] et dispositions [35].

En attendant, l'approche principale des systèmes d'information géographique (SIG) est conforme à [36], considérant la géotechnique et la construction de modèles spatiaux [37-39]. La conception de l'application reposait également sur des principes géospatiaux [40–42].

Quant à l'étude de cas, elle vise à tester et à mettre en œuvre l'application résultante, où à Bekasi, en Indonésie, l'étude évalue l'adéquation de son terrain en tant que zone industrielle. En outre, des tests et des travaux de simulation sur une plus petite portée au niveau du district de Bintara, Bekasi, afin d'évaluer l'adéquation du terrain en termes de zones industrielles. De même, l'application entreprend des tests pour essayer de cliquer sur un point de polygone particulier pour déterminer la zone du polygone.

3.1. Conception de systèmes

La formulation de l'application commence par un diagramme de cas d'utilisation en tant que technique exploitée dans le développement de logiciels ou de systèmes d'information pour encapsuler les exigences fonctionnelles du système. De plus, le cas d'utilisation explique la communication entre l'acteur et l'initiateur de l'interaction des systèmes eux-mêmes avec les systèmes permanents.

Les règles qui s'appliquent dans le modèle de systèmes intelligents de zone industrielle potentielle sont les suivantes (voir Figure 1) : les utilisateurs des systèmes sont plusieurs personnes Les utilisateurs ne peuvent pas télécharger plus d'une donnée à la fois Les utilisateurs ont simplement une identité Les utilisateurs peuvent supprimer les données téléchargées données Les utilisateurs peuvent simplement voir les données qui sont, s'ils ne sont pas membres

Le modèle de systèmes intelligents de zone industrielle potentielle a les fonctions suivantes : Un administrateur de validation : Login Gestionnaires de données admin : Pour saisir de nouvelles données utilisateur Pour modifier les données utilisateur Pour supprimer des données utilisateur Gestionnaire de données spatiales : Pour afficher les données spatiales Pour télécharger des données spatiales Pour supprimer des données spatiales Pour rechercher des données spatiales par ville/comté

Le diagramme de cas d'utilisation susmentionné illustre la façon dont les utilisateurs interagissent avec les systèmes. Par conséquent, les systèmes d'utilisateurs comprennent un administrateur et des visiteurs, dans lesquels l'administrateur peut exécuter des opérations de gestion de données telles que le téléchargement et la manipulation de données, à condition toutefois que ce soit la première opération de connexion. Pendant ce temps, les visiteurs pouvaient simplement afficher et étudier les données dans le système de base de données précédemment téléchargé par l'administrateur (voir Figure 2).

3.2. Processus de conception

En outre, les systèmes intelligents de zone industrielle potentiels se composent de trois processus principaux, qui se manifestent dans la méthode du diagramme de flux de données (DFD), comme le montre la figure 3, à savoir la configuration des utilisateurs (gestion des utilisateurs), la gestion des données et l'affichage des données de processus. (afficher les données). De plus, l'ensemble du processus apparaît dans la configuration des cartes et des données en affichant des variables telles que le taux de pente, l'utilisation des terres, le type de sol, la distance à la route et l'accessibilité, la distance à une rivière et la distance aux installations publiques.

Cependant, les administrateurs système servent au processus de paramétrage de l'utilisateur (gestion des utilisateurs), consistant en la saisie de données, la manipulation des données et la suppression des données utilisateur, voir Figure 4.

En outre, les contrôles d'administration sur le processus de configuration des données (gestion des données) comprennent la gestion de la base de données, le téléchargement des données et la suppression des données, voir Figure 5.

3.3. Conception de base de données

Dans l'intervalle, la mise à disposition de la base de données s'écarte de la préparation d'une variable de table de données, qui fait partie du processus d'identification des données dans l'application de base de données telle qu'elle est comprise dans les tableaux 1 et 2.


Jointure spatiale sans opération sur la variable d'intérêt - Systèmes d'Information Géographique

Sauf indication contraire, les fonctions de cette section gèrent leurs arguments de géométrie comme suit :

Si un argument est NULL , la valeur de retour est NULL .

Si un argument de géométrie n'est pas une géométrie syntaxiquement bien formée, une erreur ER_GIS_INVALID_DATA se produit.

Si un argument de géométrie est une géométrie syntaxiquement bien formée dans un système de référence spatiale (SRS) non défini, une erreur ER_SRS_NOT_FOUND se produit.

Pour les fonctions qui prennent plusieurs arguments de géométrie, si ces arguments ne sont pas dans le même SRS, une erreur ER_GIS_DIFFERENT_SRIDS se produit.

Si un argument de géométrie a une valeur SRID pour un SRS géographique et que la fonction ne gère pas les géométries géographiques, une erreur ER_NOT_IMPLEMENTED_FOR_GEOGRAPHIC_SRS se produit.

Pour les arguments de géométrie géographique SRS, si un argument a une longitude ou une latitude hors de portée, une erreur se produit :

Si une valeur de longitude n'est pas dans la plage (−180, 180], une erreur ER_GEOMETRY_PARAM_LONGITUDE_OUT_OF_RANGE se produit ( ER_LONGITUDE_OUT_OF_RANGE avant MySQL 8.0.12).

Si une valeur de latitude n'est pas dans la plage [−90, 90], une erreur ER_GEOMETRY_PARAM_LATITUDE_OUT_OF_RANGE se produit ( ER_LATITUDE_OUT_OF_RANGE avant MySQL 8.0.12).

Les plages indiquées sont en degrés. Si un SRS utilise une autre unité, la plage utilise les valeurs correspondantes dans son unité. Les limites de plage exactes s'écartent légèrement en raison de l'arithmétique à virgule flottante.

Sinon, la valeur de retour est non NULL .

Ces fonctions d'opérateur spatial sont disponibles :

Renvoie une géométrie qui représente tous les points dont la distance par rapport à la valeur géométrique g est inférieure ou égale à une distance de . Le résultat est dans le même SRS que l'argument de géométrie.

Si l'argument géométrie est vide, ST_Buffer() renvoie une géométrie vide.

Si la distance est 0, ST_Buffer() renvoie l'argument de géométrie inchangé :

Si l'argument de géométrie est dans un SRS cartésien :

ST_Buffer() prend en charge les distances négatives pour les valeurs Polygon et MultiPolygon, et pour les collections de géométrie contenant des valeurs Polygon ou MultiPolygon.

Si le résultat est tellement réduit qu'il disparaît, le résultat est une géométrie vide.

Une erreur ER_WRONG_ARGUMENTS se produit pour ST_Buffer() avec une distance négative pour les valeurs Point , MultiPoint , LineString et MultiLineString , et pour les collections de géométrie ne contenant aucune valeur Polygon ou MultiPolygon.

Si l'argument de géométrie est dans un SRS géographique :

Depuis MySQL 8.0.26, les géométries ponctuelles dans un SRS géographique sont autorisées. Pour les géométries non ponctuelles, une erreur ER_NOT_IMPLEMENTED_FOR_GEOGRAPHIC_SRS se produit toujours.

Pour les versions de MySQL qui autorisent les géométries de points géographiques :

Si la distance n'est pas négative et qu'aucune stratégie n'est spécifiée, la fonction renvoie le tampon géographique du point dans son SRS. L'argument distance doit être dans l'unité de distance SRS (actuellement toujours en mètres).

Si la distance est négative ou qu'une stratégie (sauf NULL ) est spécifiée, une erreur ER_WRONG_ARGUMENTS se produit.

ST_Buffer() autorise jusqu'à trois arguments de stratégie facultatifs après l'argument de distance. Les stratégies influencent le calcul du tampon. Ces arguments sont des valeurs de chaîne d'octets produites par la fonction ST_Buffer_Strategy(), à utiliser pour les stratégies de point, de jointure et de fin :

Les stratégies de point s'appliquent aux géométries Point et MultiPoint. Si aucune stratégie de point n'est spécifiée, la valeur par défaut est ST_Buffer_Strategy('point_circle', 32) .

Les stratégies de jointure s'appliquent aux géométries LineString , MultiLineString , Polygon et MultiPolygon . Si aucune stratégie de jointure n'est spécifiée, la valeur par défaut est ST_Buffer_Strategy('join_round', 32) .

Les stratégies de fin s'appliquent aux géométries LineString et MultiLineString. Si aucune stratégie de fin n'est spécifiée, la valeur par défaut est ST_Buffer_Strategy('end_round', 32) .

Jusqu'à une stratégie de chaque type peut être spécifiée, et elles peuvent être données dans n'importe quel ordre.

Si les stratégies de tampon ne sont pas valides, une erreur ER_WRONG_ARGUMENTS se produit. Les stratégies ne sont pas valides dans les circonstances suivantes :

Plusieurs stratégies d'un type donné (point, jointure ou fin) sont spécifiées.

Une valeur qui n'est pas une stratégie (telle qu'une chaîne binaire arbitraire ou un nombre) est transmise en tant que stratégie.

Une stratégie Point est transmise et la géométrie ne contient aucune valeur Point ou MultiPoint.

Une stratégie de fin ou de jointure est transmise et la géométrie ne contient aucune valeur LineString , Polygon , MultiLinestring ou MultiPolygon.

Cette fonction renvoie une chaîne d'octets de stratégie à utiliser avec ST_Buffer() pour influencer le calcul du tampon.

Des informations sur les stratégies sont disponibles sur Boost.org.

Le premier argument doit être une chaîne indiquant une option de stratégie :

Pour les stratégies de points, les valeurs autorisées sont 'point_circle' et 'point_square' .

Pour les stratégies de jointure, les valeurs autorisées sont 'join_round' et 'join_miter' .

Pour les stratégies de fin, les valeurs autorisées sont 'end_round' et 'end_flat' .

Si le premier argument est 'point_circle' , 'join_round' , 'join_miter' ou 'end_round' , le points_par_cercle L'argument doit être donné sous la forme d'une valeur numérique positive. Le maximum points_par_cercle value est la valeur de la variable système max_points_in_geometry.

Pour des exemples, voir la description de ST_Buffer() .

ST_Buffer_Strategy() gère ses arguments comme décrit dans l'introduction de cette section, avec ces exceptions :

Si un argument n'est pas valide, une erreur ER_WRONG_ARGUMENTS se produit.

Si le premier argument est 'point_square' ou 'end_flat' , le points_par_cercle l'argument ne doit pas être fourni ou une erreur ER_WRONG_ARGUMENTS se produit.

Renvoie une géométrie qui représente l'enveloppe convexe de la valeur de géométrie g .

Cette fonction calcule l'enveloppe convexe d'une géométrie en vérifiant d'abord si ses points de sommet sont colinéaires. La fonction renvoie une coque linéaire si c'est le cas, une coque polygonale sinon. Cette fonction traite les collections de géométrie en extrayant tous les points de sommet de tous les composants de la collection, en créant une valeur MultiPoint à partir d'eux et en calculant son enveloppe convexe.

ST_ConvexHull() gère ses arguments comme décrit dans l'introduction de cette section, avec cette exception :

La valeur de retour est NULL pour la condition supplémentaire que l'argument est une collection de géométrie vide.

Renvoie une géométrie qui représente la différence d'ensemble de points des valeurs géométriques g1 et g2 . Le résultat est dans le même SRS que les arguments de géométrie.

Depuis MySQL 8.0.26, ST_Difference() autorise les arguments dans un SRS cartésien ou géographique. Avant MySQL 8.0.26, ST_Difference() n'autorisait les arguments dans un SRS cartésien que pour les arguments dans un SRS géographique, une erreur ER_NOT_IMPLEMENTED_FOR_GEOGRAPHIC_SRS se produit.

ST_Difference() gère ses arguments comme décrit dans l'introduction de cette section.

Renvoie une géométrie qui représente l'intersection de l'ensemble de points des valeurs géométriques g1 et g2 . Le résultat est dans le même SRS que les arguments de géométrie.

Depuis MySQL 8.0.27, ST_Intersection() autorise les arguments dans un SRS cartésien ou géographique. Avant MySQL 8.0.27, ST_Intersection() n'autorisait les arguments dans un SRS cartésien que pour les arguments dans un SRS géographique, une erreur ER_NOT_IMPLEMENTED_FOR_GEOGRAPHIC_SRS se produit.

ST_Intersection() gère ses arguments comme décrit dans l'introduction de cette section.

Cette fonction prend une géométrie LineString et une distance fractionnaire dans la plage [0.0, 1.0] et renvoie le point le long de LineString à la fraction donnée de la distance entre son point de départ et son point final. Il peut être utilisé pour répondre à des questions telles que quel point se trouve à mi-chemin le long de la route décrite par l'argument géométrie.

La fonction est implémentée pour les géométries LineString dans tous les systèmes de référence spatiale, à la fois cartésiens et géographiques.

Si la distance_fractionnelle est 1.0, le résultat peut ne pas être exactement le dernier point de l'argument LineString mais un point proche de celui-ci en raison d'imprécisions numériques dans les calculs de valeurs approximatives.

Une fonction connexe, ST_LineInterpolatePoints() , prend des arguments similaires mais renvoie un MultiPoint composé de valeurs de point le long de LineString à chaque fraction de la distance entre son point de départ et son point de fin. Pour des exemples des deux fonctions, consultez la description de ST_LineInterpolatePoints().

ST_LineInterpolatePoint() gère ses arguments comme décrit dans l'introduction de cette section, avec ces exceptions :

Si l'argument de géométrie n'est pas un LineString , une erreur ER_UNEXPECTED_GEOMETRY_TYPE se produit.

Si l'argument de distance fractionnaire est en dehors de la plage [0.0, 1.0], une erreur ER_DATA_OUT_OF_RANGE se produit.

ST_LineInterpolatePoint() est une extension MySQL d'OpenGIS. Cette fonction a été ajoutée dans MySQL 8.0.24.

Cette fonction prend une géométrie LineString et une distance fractionnaire dans la plage (0.0, 1.0] et renvoie le MultiPoint composé du point de départ de LineString, plus les valeurs de point le long de LineString à chaque fraction de la distance entre son point de départ et son point final. peut être utilisé pour répondre à des questions telles que quelles valeurs de point se situent tous les 10 % du chemin le long de la route décrite par l'argument géométrie.

La fonction est implémentée pour les géométries LineString dans tous les systèmes de référence spatiale, à la fois cartésiens et géographiques.

Si la distance_fractionnelle L'argument divise 1,0 avec un reste nul, le résultat peut ne pas contenir le dernier point de l'argument LineString mais un point proche de celui-ci en raison d'inexactitudes numériques dans les calculs de valeurs approximatives.

Une fonction connexe, ST_LineInterpolatePoint() , prend des arguments similaires mais renvoie le point le long de la chaîne de ligne à la fraction donnée de la distance entre son point de départ et son point de fin.

ST_LineInterpolatePoints() gère ses arguments comme décrit dans l'introduction de cette section, avec ces exceptions :

Si l'argument de géométrie n'est pas un LineString , une erreur ER_UNEXPECTED_GEOMETRY_TYPE se produit.

Si l'argument de distance fractionnaire est en dehors de la plage [0.0, 1.0], une erreur ER_DATA_OUT_OF_RANGE se produit.

ST_LineInterpolatePoints() est une extension MySQL d'OpenGIS. Cette fonction a été ajoutée dans MySQL 8.0.24.

Cette fonction prend une géométrie LineString et une distance dans la plage [0.0, ST_Length( ls ) ] mesurée dans l'unité du système de référence spatiale (SRS) du LineString , et renvoie le Point le long du LineString à cette distance de son point de départ. Il peut être utilisé pour répondre à des questions telles que la valeur du point à 400 mètres du début de la route décrite par l'argument géométrie.

La fonction est implémentée pour les géométries LineString dans tous les systèmes de référence spatiale, à la fois cartésiens et géographiques.

ST_PointAtDistance() gère ses arguments comme décrit dans l'introduction de cette section, avec ces exceptions :

Si l'argument de géométrie n'est pas un LineString , une erreur ER_UNEXPECTED_GEOMETRY_TYPE se produit.

Si l'argument de distance fractionnaire est en dehors de la plage [0.0, ST_Length( ls ) ], une erreur ER_DATA_OUT_OF_RANGE se produit.

ST_PointAtDistance() est une extension MySQL d'OpenGIS. Cette fonction a été ajoutée dans MySQL 8.0.24.

Renvoie une géométrie qui représente la différence symétrique de l'ensemble de points des valeurs géométriques g1 et g2 , qui est défini comme :

Ou, en notation d'appel de fonction :

Le résultat est dans le même SRS que les arguments de géométrie.

Depuis MySQL 8.0.27, ST_SymDifference() autorise les arguments dans un SRS cartésien ou géographique. Avant MySQL 8.0.27, ST_SymDifference() n'autorisait les arguments dans un SRS cartésien que pour les arguments dans un SRS géographique, une erreur ER_NOT_IMPLEMENTED_FOR_GEOGRAPHIC_SRS se produit.

ST_SymDifference() gère ses arguments comme décrit dans l'introduction de cette section.

Transforme une géométrie d'un système de référence spatiale (SRS) à un autre. La valeur de retour est une géométrie du même type que la géométrie d'entrée avec toutes les coordonnées transformées en SRID cible, cible_srid . La prise en charge de la transformation est limitée aux SRS géographiques, sauf si le SRID de l'argument de géométrie est le même que la valeur SRID cible, auquel cas la valeur de retour est la géométrie d'entrée pour tout SRS valide.

ST_Transform() gère ses arguments comme décrit dans l'introduction de cette section, avec ces exceptions :

Les arguments de géométrie qui ont une valeur SRID pour un SRS géographique ne produisent pas d'erreur.

Si l'argument SRID de la géométrie ou de la cible a une valeur SRID qui fait référence à un système de référence spatiale (SRS) non défini, une erreur ER_SRS_NOT_FOUND se produit.

Si la géométrie se trouve dans un SRS à partir duquel ST_Transform() ne peut pas transformer, une erreur ER_TRANSFORM_SOURCE_SRS_NOT_SUPPORTED se produit.

Si le SRID cible se trouve dans un SRS vers lequel ST_Transform() ne peut pas se transformer, une erreur ER_TRANSFORM_TARGET_SRS_NOT_SUPPORTED se produit.

Si la géométrie est dans un SRS qui n'est pas WGS 84 et n'a pas de clause TOWGS84, une erreur ER_TRANSFORM_SOURCE_SRS_MISSING_TOWGS84 se produit.

Si le SRID cible se trouve dans un SRS qui n'est pas WGS 84 et n'a pas de clause TOWGS84, une erreur ER_TRANSFORM_TARGET_SRS_MISSING_TOWGS84 se produit.

ST_SRID() modifie la valeur SRID de la géométrie sans transformer ses coordonnées.

ST_Transform() transforme les coordonnées géométriques en plus de changer sa valeur SRID.

Renvoie une géométrie qui représente l'union d'ensembles de points des valeurs géométriques g1 et g2 . Le résultat est dans le même SRS que les arguments de géométrie.

Depuis MySQL 8.0.26, ST_Union() autorise les arguments dans un SRS cartésien ou géographique. Avant MySQL 8.0.26, ST_Union() n'autorisait les arguments dans un SRS cartésien que pour les arguments dans un SRS géographique, une erreur ER_NOT_IMPLEMENTED_FOR_GEOGRAPHIC_SRS se produit.

ST_Union() gère ses arguments comme décrit dans l'introduction de cette section.


Directions futures

GéoDa est un travail en cours et toujours en développement actif. Cette évolution se déroule sur trois fronts. D'abord et avant tout, un effort pour rendre le code multiplateforme et open source. Cela nécessite des changements considérables dans l'interface graphique, passant du MFC standard dans les différentes versions de MS Windows à une alternative multiplateforme. Les efforts actuels utilisent wxWidgets, 17 17 http://www.wxwidgets.org
qui fonctionne sur la même base de code avec une interface graphique native sous Windows, MacOSX et Linux/Unix. Rendre le code open source est actuellement interdit par le recours au code propriétaire dans MapObjects d'ESRI. De plus, cela implique plus que la simple mise à disposition du code source, mais implique une réorganisation et une rationalisation considérables du code (refactoring), pour permettre à la communauté de participer efficacement au processus de développement.

Un deuxième axe de développement concerne la fonctionnalité de régression spatiale. Bien qu'actuellement encore assez rudimentaires, l'inclusion d'estimateurs autres que ML et l'extension aux modèles pour les données spatiales de panel sont en cours. Enfin, la fonctionnalité de l'ESDA elle-même est étendue à des modèles de données autres que les emplacements discrets dans le cas du « réseau ». Plus précisément, la variographie exploratoire est ajoutée, ainsi que l'exploration de modèles dans les données de flux.

Compte tenu de son taux d'adoption initial, il y a une forte indication que GéoDa fournit en effet « l'introduction à l'analyse des données spatiales » qui permet à un nombre croissant de chercheurs en sciences sociales d'être exposés à une perspective spatiale explicite. Le développement futur du logiciel devrait améliorer cette capacité et on espère que le passage à un environnement open source impliquera une communauté internationale de développeurs partageant les mêmes idées dans cette entreprise.


Jointure spatiale sans opération sur la variable d'intérêt - Systèmes d'Information Géographique

Par Roger F. Tomlinson

Les géographes, y compris ceux de l'Union géographique internationale (UGI), ont pour tâche la description et l'explication de l'espace de vie des humains et de la structure spatiale de la société qui en résulte. Le développement de vues formelles de ces préoccupations constitue la base de la science moderne de la géographie. L'étendue et la complexité du monde dans lequel nous vivons rendent cette tâche difficile. Les volumes de données qui résultent d'une enquête globale, même superficielle, sont un sérieux obstacle à notre compréhension. Il y a cinquante ans, il n'était pas possible de traiter un grand nombre de cartes et de données sur papier qui étaient rassemblées, et encore moins de les analyser de manière efficace. L'incapacité qui en résulte, voire l'incapacité à poser des questions, et encore moins à considérer en profondeur le rôle des diverses influences en interaction qui façonnent les facteurs individuels et sociétaux, nous a laissé une ignorance profonde et généralement méconnue du comportement dans l'espace et dans le temps.

L'avènement des ordinateurs en tant qu'outils de traitement de l'information et le développement des SIG ont sensiblement aidé les géographes dans leur travail. Ces nouveaux outils s'ajoutent à la discipline. Tout comme l'avènement du télescope par Galilée a augmenté la connaissance du ciel et des concepts d'espace et l'avènement du microscope a révolutionné la biologie avec sa capacité à ajouter de la résolution et de la profondeur à l'enquête, l'avènement des outils de SIG a eu un impact sur le discipline de la géographie. La qualité des questions posées augmente, et la portée et l'utilisation de l'analyse spatiale deviennent de plus en plus sophistiquées. Nous approfondissons les variables spatiales en considérant des facteurs qui autrement ne seraient pas explorés. Le compromis entre l'effort et l'investigation se déplace en faveur de l'investigation. Les travailleurs peuvent échanger leur raisonnement (modèles de décision) très facilement. Cela contribue à la prise de conscience de la géographie et au nombre croissant de personnes qui s'impliquent dans le domaine. Il y a un échange croissant d'idées et de méthodes. En conséquence, l'étude de la géographie évolue de manière significative et bénéfique et, en particulier, s'étend en dehors des limites académiques. La géographie en tant que discipline n'est plus englobée par la géographie académique. Il n'est pas maintenant principalement réductionniste et motivé par la curiosité, dans le but de produire des lois générales (une méthode scientifique établie de longue date et dotée d'une grande vertu). Il existe une demande urgente pour l'utilisation de la science géographique dans le gouvernement, par rapport à la société, et pour résoudre les problèmes urgents auxquels le monde est confronté. Les géographes ont des contributions majeures à apporter à ces questions.


Le processus de prépositionnement des ambulances pour un meilleur service est une façon dont le SIG est utilisé pour examiner les situations spatiales.

Il existe, par exemple, un large consensus au sein de la communauté scientifique sur le fait que le climat de la Terre est en train de changer et qu'il est en partie induit par l'homme. Cependant, on sait très peu de choses sur les impacts sociétaux du changement climatique, et il y a des questions géographiques très importantes auxquelles il faut répondre au sujet des changements dans les cycles biogéochimiques, les écosystèmes, les ressources en eau et l'utilisation des ressources la pollution atmosphérique continue et la situation économique, politique globale , et les implications sociales. Les géographes peuvent contribuer à l'ensemble des connaissances sur le changement climatique en synthétisant, analysant et modélisant les impacts possibles.

De même, en ce qui concerne la santé et le bien-être humains, la compréhension de la santé d'une population, de la répartition des maladies dans une région et des effets de l'environnement sur la santé et les maladies est au cœur de l'existence humaine et constitue un problème essentiellement géographique. Il existe également des problèmes importants concernant l'accessibilité des soins de santé et la répartition spatiale des fournisseurs de soins de santé.

La mondialisation concerne l'interaction et l'intégration entre les personnes, les entreprises et les gouvernements de différentes nations, un processus entraîné par le commerce et l'investissement internationaux et aidé par les technologies de l'information. Elle a des effets sur l'environnement, la culture, les systèmes politiques, le développement économique et la prospérité, et le bien-être physique de l'homme dans les sociétés du monde entier. Encore une fois, l'analyse de ces conditions a une forte composante spatiale.

La sécurité sociétale est un objectif essentiel de tous les gouvernements et il est devenu de plus en plus difficile à atteindre ces dernières années. Dans un domaine de guerre asymétrique, les solutions sociopolitiques sont devenues de plus en plus complexes et leurs impacts affectent différentes communautés et groupes socio-économiques de différentes manières.

La durabilité implique de répondre aux besoins du présent sans compromettre la capacité des générations futures à répondre aux leurs, et cela reste toujours un problème, surtout à la lumière des changements environnementaux accélérés et de la crise alimentaire actuelle. Les géographes ont beaucoup à apporter pour comprendre et résoudre ce problème complexe, multidimensionnel, essentiellement spatial.

Soutenir la diversité sociale signifie comprendre et généraliser les processus d'hétérogénéité spatiale : définir les caractéristiques des modèles et des processus à la surface de la terre. La compréhension de ces processus, qui rendent compte de la diversité sociale, des différences et des inégalités, est la clé d'une bonne gouvernance.

Ce qui suit sont des illustrations de certaines des façons dont le SIG est utilisé pour examiner des situations spatiales.

Climat—L'indice de sévérité de la sécheresse de Palmer est la base de l'aide agricole pour les agriculteurs en grande détresse. L'analyse de la sécheresse dans les centrales nucléaires est particulièrement intéressante. Ils nécessitent d'importants volumes d'eau pour leur refroidissement et une sécheresse prolongée oblige à les fermer, ce qui supprime leur approvisionnement en électricité dans les États concernés.

Impact humain—La première carte d'impact humain de la densité de population dans deux hémisphères est celle des émissions de CO2 dans l'atmosphère, utilisant les informations en temps réel des capteurs satellitaires du Jet Propulsion Laboratory.

Densité de population—La densité de population est fournie en tant qu'élément dans les calculs de l'impact humain et de l'empreinte humaine.

Empreinte humaine—L'empreinte humaine vise à mesurer l'étendue des interférences humaines à la surface de la terre, en utilisant des données mises à jour sur la densité de la population humaine, la transformation des terres, l'accès humain, les infrastructures électriques et les implantations. Cette dernière version a été produite en 2008. L'ouvrage a été produit par l'Unité d'information humanitaire du Bureau du géographe et des problèmes mondiaux (directeur, Dr. Lee Schwartz) du Bureau of Intelligence and Research du Département d'État américain.

Santé humaine—La santé humaine examine l'interaction des variables spatiales, y compris les travaux du ministère américain de l'Agriculture avec l'influence des animaux sur la santé humaine les épidémies de grippe aviaire en Chine par emplacement le traçage de l'épidémie de syndrome respiratoire aigu en Chine et à Hong Kong pour identifier ses origines le National L'analyse de l'Institut du cancer des effets environnementaux sur les incidents de cancer et la relation entre le tabagisme et le poids à la naissance dans une partie de l'Ontario, Canada.

Grippe aviaire—La grippe aviaire et les routes de migration des oiseaux illustrent la corrélation entre les foyers connus de grippe aviaire et les couloirs de migration des oiseaux pour aider au processus d'identification de la source et de la diffusion de la maladie. La même application SIG permet aux utilisateurs d'identifier les stations de quarantaine, les cliniques de vaccination contre la grippe et les services de santé publique locaux.

Emplacement de l'ambulance—Le processus de prépositionnement des ambulances pour un meilleur service est examiné. Les contours de la demande réelle (densité d'appels) et la position existante des ambulances pour répondre à cette demande sont calculés pour optimiser les temps de déplacement de réponse, affectant l'efficacité de l'organisation des ambulances et le taux de survie dans la région.

Distribution des vaccins contre la grippe—L'accès aux distributions de vaccins contre la grippe est comparé à la distribution de la population avec des zones tampons d'accès d'un mile et d'un rayon de deux miles autour des points de distribution des vaccins. Une analyse similaire est utilisée pour préparer les épidémies de grippe aviaire.

SIDA—Les progrès du Plan d'urgence du président américain pour la lutte contre le sida en Afrique subsaharienne sont illustrés comme une base pour un changement de politique. Sont également inclus les résultats au Vietnam et en Guyane. Une analyse et une compréhension plus approfondies de l'épidémie de sida en Afrique, en particulier au Kenya, en Ouganda, en Tanzanie, en Zambie et au Malawi, proviennent de l'analyse des données des patients par sexe montrant le pourcentage d'individus séropositifs dans quatre catégories (2,5%, 5,10 pour cent, 10,15 pour cent et plus de 15 pour cent de la population). De même, la prévalence du VIH chez les jeunes par divisions administratives de premier ordre dans les pays concernés est examinée, à nouveau en pourcentage de la population générale et par sexe. Ces études sous-tendent la fourniture efficace de secours contre le sida en Afrique subsaharienne et le suivi et l'analyse de l'efficacité des programmes.


Illustration par Elizabeth Davies, Esri

L'analyse de la vie et de la mort en Afrique est de grande envergure. Il comprend les taux de mortalité infantile, l'accès à l'eau potable, les infections globales du SIDA, le revenu national brut et l'espérance de vie par pays. Le rapprochement de ces variables sur un continent permet aux travailleurs de mieux comprendre les mesures nécessaires pour améliorer la condition nationale.

Émeutes alimentaires 2007-2008—La condition humaine du monde, en particulier les émeutes de la faim de 2007 et 2008, est suivie et illustrée. C'est le premier exemple d'une dimension mondiale.

Culture de l'opium en Afghanistan&# 151L'Afghanistan fournissant 80 pour cent de l'héroïne mondiale, il s'agit d'un problème mondial. Cette carte compare la densité de population en Afghanistan avec les zones de culture du pavot. Les talibans opèrent de manière intensive dans le sud du pays et ont récemment commencé leurs opérations dans le nord-est.

Destruction de l'habitat—Le Brésil illustre graphiquement l'étendue de la récolte, qui supprime systématiquement l'habitat de la forêt tropicale.

Où planter un milliard d'arbres—Le Green Belt Movement, dirigé par la lauréate du prix Nobel Wangari Maathai, est un mouvement politique/environnemental très réussi dont l'objectif est de planter un milliard d'arbres en Afrique. Peter Ndunda est le coordinateur SIG du projet, travaillant activement en Afrique de l'Est et de l'Ouest pour superposer les types de sol, le climat, l'habitat animal, la densité de population et les terres tribales afin de déterminer les sites les plus efficaces pour la plantation. Sans le SIG, les arbres seraient plantés dans des sites défavorables. Leur survie serait incertaine et le soutien politique populaire s'estomperait.

Migration de la zone de rusticité des plantes—Le Nature Conservancy de l'Université de Washington a calculé les zones de rusticité des plantes pour 1960, 2008 et 2099. Le mouvement vers le nord de la forêt boréale et l'amélioration des températures dans les îles arctiques sont particulièrement perceptibles. Les implications pour l'habitat peuvent être mesurées et mieux appréciées.

Glace de mer arctique—Les conditions de la banquise arctique sont mises en perspective. Les données de la National Aeronautics and Space Administration (NASA) montrent que la glace de mer pérenne de l'Arctique, qui survit normalement à la saison de fonte estivale et reste toute l'année, a diminué brusquement de 14 % entre 2004 et 2005. La perte de glace pérenne dans l'est de l'océan Arctique a été encore plus élevé, près de 50 pour cent pendant cette période alors qu'une partie de la glace s'est déplacée de l'est de l'Arctique vers l'ouest. La diminution globale de la banquise pérenne hivernale de l'Arctique totalise 720 000 kilomètres carrés (280 000 milles carrés) - une superficie de la taille du Texas. La glace pérenne peut avoir une épaisseur de 3 mètres ou plus (10 pieds ou plus). Elle a été remplacée par une nouvelle glace saisonnière d'environ 0,3 à 2 mètres (1 à 7 pieds) d'épaisseur seulement, plus vulnérable à la fonte estivale. La diminution de la glace pérenne soulève la possibilité que la glace de mer arctique recule à un niveau record cette année. Cela fait suite à une série d'années de très faible couverture de glace observée au cours des quatre derniers étés à partir de données satellitaires hyperfréquences actives et passives.

Histoire de voyage—En suivant les vols d'une entreprise au cours d'une année et en comprenant les itinéraires d'impact environnemental, l'utilisation de carburant de plus en plus coûteux et la répartition des futurs emplacements d'entreprise/bureaux régionaux sont compris.

Bassin hydrographique—Le bassin hydrographique de la rivière Neuse en Caroline du Nord est un exercice sophistiqué de probabilité et de contrôle des inondations basé sur les précipitations et l'évaporation au cours d'une année.

Aide humanitaire—Aux fins de l'aide humanitaire, l'Agence des États-Unis pour le développement international (USAID) détermine l'emplacement des personnes touchées par l'activité cyclonique au Bangladesh. Cette analyse a servi de base à l'octroi d'une aide importante aux bons endroits.

Un autre exemple d'aide humanitaire produit par l'Office of Foreign Disaster Assistance de l'USAID concerne les feux de forêt grecs de 2007. La principale carte utilisée par le projet est le résultat de l'identification quotidienne de cinq frontières. En particulier, l'analyse s'est concentrée sur le degré de gravité de la brûlure des sols dans le bassin de Kladios, ce qui a permis de concentrer l'aide sur les communautés les plus touchées par les dommages à long terme et les plus désespérées.

L'aide humanitaire fournie par le Département d'État des États-Unis dans la Corne de l'Afrique concerne l'interaction potentielle de la sécheresse, des criquets, des inondations et des tremblements de terre, fournissant des mesures de la probabilité par type de danger pour fournir des orientations politiques pour l'assistance dans ce domaine.

L'aide humanitaire est le côté souvent minimisé du département américain de la Défense, qui utilise un SIG mobile pour identifier les besoins et construire les installations d'approvisionnement en eau en Afghanistan.

La réponse de la presse—La presse note la géographie en action. Il y a eu une série de gros titres de journaux concernant l'utilisation du SIG dans les opérations municipales, les activités des services de police, les transactions immobilières, les études fluviales, etc.

Applications commerciales—Les emplacements des magasins commerciaux montrent l'utilisation croissante de la géographie dans la communauté des affaires, en analysant la façon dont les points de vente au détail sont situés par rapport à la distance de conduite (en miles) de leurs concurrents les plus proches et l'analyse ultérieure des zones ayant accès à plus d'un magasin pour s'assurer que les nouveaux emplacements de magasins n'entrent pas en concurrence dans la zone commerciale des magasins existants.

Résumer les situations spatiales

Le SIG combine la capacité de gérer des magasins de données géographiques et d'effectuer une analyse spatiale et une modélisation pour visualiser les résultats et diffuser les résultats et les méthodes.

Il n'est pas surprenant que les SIG et l'analyse géographique soient largement utilisés. Mais la diffusion de la méthodologie d'analyse géographique dans le monde réel est assez remarquable. Sur la base des enregistrements de licence, il y a peu de pays ou de départements gouvernementaux dans le monde qui n'utilisent pas le SIG. Au moins 5 millions de personnes dans plus de 300 000 institutions dans plus de 150 pays utilisent quotidiennement des méthodes géographiques dans leur travail. Et les plus grands campus étudiant l'analyse géographique ne se trouvent pas dans le milieu universitaire mais dans le secteur privé (par exemple, Esri compte plus de 2 700 employés aux États-Unis, avec 100 titulaires de doctorat et 1 500 titulaires de maîtrise, et ajoute de nombreux nouveaux diplômés chaque année).


La grippe aviaire et les routes de migration des oiseaux illustrent la corrélation entre les foyers connus de grippe aviaire et les couloirs de migration des oiseaux pour aider au processus d'identification de la source et de la diffusion de la maladie.

En supposant que chaque million de dollars d'investissement dans les données et les SIG nécessite au moins une personne formée pour que l'investissement soit utilisé efficacement, il y a un manque d'au moins 3 000 personnes formées par an en Amérique du Nord seulement, par rapport à la production de tous les universités et collèges techniques en Amérique du Nord. Les étudiants se rendent compte que la géographie offre des opportunités de carrière et des emplois intéressants dans le monde du travail.

L'intérêt pour la discipline grandit partout. La géographie universitaire peut se diviser en départements et sous-spécialités quasi-nommés, mais les étudiants formés en analyse géographique et capables d'utiliser les outils modernes du SIG sont très demandés.La croissance de cet intérêt est illustrée par la croissance de l'Association des géographes américains, qui a considérablement augmenté en taille au cours de la dernière décennie et dont les conférences annuelles sont suivies par plus de personnes que jamais. (voir le tableau ci-dessous). De même révélatrice est la réintroduction de la géographie à Harvard après une absence de 60 ans dans le nouveau Center for Geographical Analysis. Lors de l'inauguration du centre, le président de Harvard a déclaré : « Les systèmes d'information géographique nous permettront de changer la nature des questions qui sont posées dans une grande diversité de sciences et de sciences humaines.

En effet, une grande variété de problèmes a déjà été illustrée et est en cours de traitement, mais de nombreuses questions de grande envergure exigent encore l'attention des géographes.

Il existe une géographie de la sécurité et du terrorisme qui est multiforme et relativement peu étudiée et comprise, en dépit du fait qu'elle pourrait contribuer énormément à ce problème urgent. Il y a une grande marge dans ce domaine pour le développement de théories critiques pour examiner des géographies alternatives.

Le développement intensif de la géographie quantitative dans les années 1960 et 1970 abordant les problèmes d'analyse et de modélisation de l'espace doit être intégré aux capacités SIG d'aujourd'hui et réunis pour développer des modèles d'espace et de temps géographiques plus larges et plus généralement applicables, en se concentrant sur les interactions et dynamique.

Nous n'avons toujours pas de modèles adéquats pour les grandes villes, encore moins pour le monde lui-même. Je suis convaincu que nous ou à tout le moins, nos petits-enfants les auront, mais il reste de nombreuses questions de recherche à étudier pour créer la « terre numérique » d'Al Gore. Il y a des questions qui touchent à de nombreux aspects de la géographie, y compris la représentation, l'efficacité de la gestion de l'information, la visualisation scientifique appropriée des problèmes, les applications et les implications politiques. Je ne doute pas que le SIG sera au cœur de ce progrès et que l'avenir sera riche et productif.

Union géographique internationale (UGI)

L'intérêt de l'Union géographique internationale pour les SIG est né de la Commission sur la télédétection sous la présidence de Dieter Steiner (1964-1968). Le passage de la photo-interprétation au traitement de l'imagerie satellitaire sous forme numérique a marqué le changement de nom de la commission en 1968 en Commission sur la détection et le traitement des données géographiques. Cette commission a existé pendant 12 ans sous ma présidence dans les premières étapes critiques du SIG. Il a organisé les premières conférences internationales SIG dans le monde, publié les premiers textes, établi une coopération internationale entre les travailleurs sur le terrain, établi des équipes de recherche académiques et industrielles, entrepris l'inventaire et la description de tous les logiciels SIG en cours de développement, et réalisé l'évaluation des in- systèmes internes pour les agences gouvernementales.

Pour mettre cela en perspective, dans les années 1950 et 1960, les liens entre ordinateurs et cartes étaient au mieux ténus. Les travailleurs ont été séparés internationalement et intellectuellement. La communication variait de mauvaise à inexistante. Les universitaires ont constaté qu'en général, leurs départements ne soutenaient pas activement leurs efforts. Le domaine était avancé par les personnes dans les institutions ayant besoin de capacités, principalement dans les ministères, et dans le secteur privé par ceux qui souhaitaient fournir des biens et des services au gouvernement.

Ces besoins étaient perçus comme ceux des agences qui produisaient des cartes papier et devaient automatiser le processus cartographique et des agences qui devaient lire et analyser géographiquement les cartes (et les données statistiques associées) et les systèmes d'information géographique nécessaires pour fournir des informations à des fins de prise de décision. Ces exigences ont conduit au développement initialement séparé des systèmes de cartographie automatique et des systèmes d'information géographique.

De toute évidence, il était nécessaire d'accroître la communication sur le terrain et de fournir un soutien aux collègues universitaires, ainsi que d'établir une base internationale pour la recherche et la publication et un forum de discussion et de réseautage. L'UGI l'a fait.

La première conférence internationale sur les SIG a eu lieu à Ottawa, Canada, en 1970. Sous les auspices de l'UGI et avec l'aide de l'UNESCO (en particulier le soutien et les conseils du Dr Konstantin Lange) et du gouvernement du Canada, une invitation a été envoyée à tous ceux qui sont connus pour être actifs dans le domaine. Quarante personnes ont été contactées et ont assisté à la conférence, et à la fin de la semaine, le premier livre sur les systèmes d'information géographique a été réalisé. Il était intitulé Systèmes d'Information Environnement profiter de l'intérêt renouvelé du gouvernement pour les préoccupations environnementales à l'époque. Les objectifs premiers étaient d'établir une communication entre les travailleurs sur le terrain et de publier. Les participants à la première réunion se sont engagés à rédiger un nouveau texte sur l'état de développement du domaine intitulé Traitement des données géographiques. Il a été publié avec l'aide du United States Geological Survey (USGS) en 1972. Il s'agissait d'un texte en deux volumes de 1 300 pages qui passait en revue tous les développements connus de la détection des données géographiques, du traitement des données spatiales, de la manipulation et de l'analyse des données spatiales, l'affichage des données, les systèmes actuels et l'économie de la gestion des données géographiques. Il s'agissait des premiers textes clés dans le domaine et étaient affectueusement appelés « annuaires téléphoniques jaune et vert ». Un millier d'exemplaires ont été imprimés. Ils étaient disponibles gratuitement lors de la deuxième conférence de l'UGI tenue à Ottawa cette année-là. Trois cents personnes y ont assisté. Des délégations officielles de 8 pays et des travailleurs de 15 pays étaient présents. Au cours des prochaines années, avec l'aide du gouvernement du Canada, l'UGI a publié un répertoire annuel des noms et des coordonnées des participants originaux et une description de leur travail. Cette liste a ensuite été complétée volontairement par des travailleurs supplémentaires et a été envoyée à toutes les personnes inscrites. Le processus de communication avait commencé.

En 1975, la commission a également formé un groupe de critique et réalisé des études de cas sur cinq systèmes d'information géographique en Amérique du Nord - leurs succès et leurs échecs - avec le soutien de l'UNESCO, qui a publié le travail sous forme de texte dans sa série de recherches sur les ressources naturelles en 1975. L'UGI a également été invitée à examiner les travaux de l'USGS. Il s'agissait d'une étude de deux ans et a produit un rapport fondateur en 1976 qui a alerté la grande agence qu'elle était engagée dans l'ère numérique mais qu'elle n'était malheureusement pas prête à prendre les engagements qu'elle avait déjà pris. En outre, pour la première fois, l'UGI a apporté une contribution significative aux travaux du Comité sur les données pour la science et la technologie du Conseil international des unions scientifiques.

À la fin des années 1970, l'UGI a entrepris un inventaire de tous les logiciels informatiques pour le traitement des données spatiales, financé par le programme d'inventaire des ressources et des terres et le programme de géographie du département américain de l'Intérieur et dirigé par le célèbre Dr Duane Marble. Ce travail a représenté l'examen le plus complet des logiciels de traitement des données spatiales entrepris à cette date, décrivant plus de 600 systèmes et programmes logiciels dans le monde. Le texte de référence en trois volumes qui en a résulté a été publié par l'USGS en 1980 et mis gratuitement à la disposition des scientifiques du monde entier. La commission a également tenu des réunions interdisciplinaires en 1977 et 1978 pour examiner les problèmes méthodologiques inhérents au stockage futur de grandes quantités de données spatiales. Ceux-ci ont eu lieu à Ottawa et Toronto, Canada, et Buffalo, New York. L'UGI a également contribué à la réunion de la NASA sur les données Landsat et les systèmes d'information géographique en 1977. Sous la direction de Dieter Steiner, elle a organisé un atelier de trois semaines au Nigeria sur les méthodes de télédétection pour la planification régionale et nationale en juillet 1978, financé par l'Agence canadienne de développement international et l'UNESCO. Les documents de travail de cet atelier comprenaient un texte en trois volumes sur les applications récentes de la technologie de télédétection à l'usage de la commission.

De 1980 à 1988, les travaux de la Commission sur la détection et le traitement des données géographiques ont été dirigés par Marble. L'activité s'est principalement concentrée sur des réunions spécialisées abordant les principales préoccupations scientifiques dans le développement des SIG. En 1988, la commission a été rebaptisée Commission sur les systèmes d'information géographique sous la présidence du professeur Sachio Kubo du Japon.

Au total, l'UGI a supervisé 1,5 million de dollars de subventions et de contrats entre 1968 et 1980. Les bases de la communication étaient posées, les géographes universitaires étaient de plus en plus reconnus pour leur travail, des revues régulièrement publiées devenaient disponibles et des conférences SIG dans le monde entier offraient un poursuite nécessaire du travail commencé par l'Union géographique internationale. En bref, l'UGI a été l'organisation qui a nourri la croissance du SIG et l'a laissé être une partie cohérente de la géographie au profit de la discipline dans son ensemble.

Remerciements

Le Dr David Maguire et le Dr Duane Marble ont contribué généreusement à cet article. L'auteur souhaite également remercier John Calkins et Jay Loteria pour leur assistance graphique.

A propos de l'auteur

Dr Roger F. Tomlinson, CM, est président de Tomlinson Associates Ltd. Consulting Geographers, 17 Kippewa Drive, Ottawa, Ontario K1S 3G3 Canada. Il a été président de la Commission SIG de l'Union géographique internationale pendant 12 ans, et il est connu comme le « père du SIG » en raison de son travail sur l'utilisation d'ordinateurs pour modéliser les inventaires des terres pour le gouvernement canadien au début des années 1960. Il est l'auteur de nombreux ouvrages, dont Penser au SIG, Troisième édition, 2007, Esri Press, Redlands, Californie.


Accéder aux données SIG¶

Les utilisateurs de SIG doivent travailler à la fois avec des couches publiées sur des serveurs distants (couches Web) et des données locales, mais la possibilité de manipuler ces ensembles de données sans copier les données de manière permanente fait défaut. Le SpatialDataFrame résout ce problème car il s'agit d'un objet en mémoire qui peut lire, écrire et manipuler des données géospatiales.

Le SDF s'intègre au package de site ArcPy d'Esri ainsi qu'aux packages open source pyshp , shapely et fiona. Cela signifie que l'API ArcGIS pour Python SDF peut utiliser l'un ou l'autre de ces moteurs géométriques pour vous offrir des options permettant de travailler facilement avec des données géospatiales, quelle que soit votre plate-forme. Le SDF transforme les données dans les formats que vous désirez afin que vous puissiez utiliser la fonctionnalité Python pour analyser et visualiser les informations géographiques.

Les données peuvent être lues et scriptées pour automatiser les flux de travail et tout aussi facilement visualisées sur des cartes dans les notebooks Jupyter. Le SDF peut exporter des données sous forme de classes d'entités ou les publier directement sur des serveurs pour les partager selon vos besoins.

Explorons quelques-unes des différentes options disponibles avec l'objet polyvalent SpatialDataFrame :

Lecture des calques Web¶

Couches d'entités hébergées sur ArcGIS en ligne ou alors ArcGIS Entreprise peut être facilement lu dans un Spatial DataFrame à l'aide de la méthode from_layer. Une fois que vous l'avez lu dans un objet SDF, vous pouvez créer des rapports, manipuler les données ou les convertir en un formulaire confortable et logique pour l'objectif auquel il est destiné.

Exemple : récupération d'un élément ArcGIS Online et utilisation de la propriété layer pour inspecter les 5 premiers enregistrements de la couche