Suite

Correction automatisée de la géométrie de la parcelle basée sur la mesure de la surface ?

Correction automatisée de la géométrie de la parcelle basée sur la mesure de la surface ?


j'ai un ensemble de parcelles dans un fichier DWG et j'ai les zones qui devraient être dans ces parcelles dans un fichier excel, je dois donc modifier chaque parcelle pour qu'elle corresponde à la zone spécifiée dans le fichier excel en déplaçant le minimum de points de chacune parcel (polygone), je recherche n'importe quel outil pour automatiser ce processus dans les SIG (autocad , arcgis , arcgis engine , postgis… )


Je suis d'accord avec le commentaire de @whuber selon lequel déplacer la géométrie de la parcelle pour essayer de faire correspondre les valeurs de la zone est une mauvaise idée. Étant donné que les caractéristiques et les couches SIG ne sont représentatives que du "monde réel", il est souvent difficile de faire correspondre la géométrie numérique aux caractéristiques du terrain.

Pour moi, votre meilleur pari est de vous en tenir aux géométries fournies dans le DWG (qui ont probablement été créées à l'aide d'une entrée de géométrie de coordonnées, ou COGO, à partir de descriptions légales "brutes") et d'attacher simplement les valeurs Excel aux entités SIG en tant que champ supplémentaire. Si vous souhaitez aider les utilisateurs à faire la différence entre les valeurs sur le terrain et les valeurs numériques, envisagez de créer des champs tels que « GIS_Acres » et « Legal_Acres ».

Définition : Géométrie de coordonnées (COGO) - Une méthode de définition d'entités géométriques via l'entrée de mesures de relèvement et de distance. Les fonctions de géométrie de coordonnées (COGO) sont généralement utilisées par les arpenteurs-géomètres pour saisir des cheminements autour d'entités spatiales telles que des parcelles, pour calculer des emplacements et des limites précis, des distances et des relèvements à partir de points de référence, et pour définir des courbes à l'aide d'un emplacement de point, d'un rayon, d'une longueur d'arc , etc.


Formats de présentation carte numérique FGDC format de présentation géospatiale vecteur données numériques

Langues du jeu de données Anglais (ÉTATS-UNIS)

Vecteur de type de représentation spatiale

Environnement de traitement Microsoft Windows 7 Version 6.1 (Build 7601) Service Pack 1 Esri ArcGIS 10.3.0.4322

Crédits
Propriétés de l'élément ArcGIS * Nom asdi.boundaries.MUNICIPAL_BOUNDARY * Location Server=170.94.248.5.50 Service=sde:postgresql:170.94.248.50 Database=asdi User=sde Version=sde.DEFAULT * Protocole d'accès Connexion ArcSDE


Contexte

Les photographies en couleur du fond d'œil sont couramment utilisées à des fins de diagnostic depuis de nombreuses années, et les gradations des photos du fond d'œil sont au cœur des études cliniques sur la maladie maculaire [1, 2]. L'histoire naturelle de la dégénérescence maculaire liée à l'âge (DMLA), principale cause de cécité dans le monde développé [3], est notamment liée à celle des dépôts sous-rétiniens appelés drusen [4-12]. Les drusen sont essentiels dans la classification de la DMLA, d'où l'importance de l'identification et de la mesure des drusen dans les études cliniques. La classification des patients par stade de maculopathie liée à l'âge implique une analyse minutieuse de la taille, du nombre, de la surface et de la morphologie des drusen dans plusieurs sous-catégories. Des efforts importants ont été consacrés au développement et à la validation des systèmes de notation International [1] et Wisconsin [2]. L'étude systématique de la résorption des drusen après photocoagulation au laser souligne également l'importance de la mesure et de la reconnaissance des drusen. [8-10, 13-16].

Il y a eu un intérêt continu pour l'utilisation de techniques numériques pour la quantification de la pathologie maculaire, en particulier les drusen, au cours des deux dernières décennies [17-25]. Cependant, malgré les progrès, aucune de ces méthodes n'a été largement utilisée. Un obstacle majeur a été que la réflectance du fond normal, sur lequel la pathologie est superposée, est intrinsèquement non uniforme. En particulier, la macula centrale normalement moins réfléchissante se superpose à la réflectance sous-jacente ou « vraie » des drusen. Ainsi, étant donné deux drusen anatomiquement identiques, l'un au centre de la macula et l'autre à 3000 m, l'observateur les verra différemment sur la photographie du fond d'œil. Les drusen périphériques apparaîtront plus brillants et plus grands que leur homologue identique. L'œil humain entraîné tient compte de cette variabilité, mais pas un ordinateur appliquant un seuil.

Les procédés antérieurs ont été jusqu'à présent incapables de traiter cette réflectance de fond maculaire non uniforme dans son ensemble. Une première étude [25] a utilisé des techniques de seuillage adaptatif sur 1024 fenêtres distinctes de 8 × 8 pixels. Les fenêtres périvasculaires interprétaient parfois à tort les distributions bimodales comme provenant des drusen périvasculaires. De grandes zones d'arrière-plan ont également parfois été incluses en raison de choix incorrects de seuil. Ces sources d'erreur ont nécessité de nombreuses interventions de l'opérateur pour les corriger. Le résultat était une méthode capable d'une excellente reproductibilité (+/- 2,3 %), mais trop fastidieuse pour une utilisation générale. Ainsi, dès 1986, le facteur limitant n'était pas la complexité temporelle des algorithmes informatiques, mais le fait que la méthode elle-même était liée aux calculs de réflectance locale. Ce problème a persisté dans une étude récente qui reposait sur l'application de seuils locaux à des régions allant de 20 à 100 pixels carrés [17]. Les drusen ont d'abord été identifiés en vérifiant l'histogramme local pour une asymétrie suffisante (équivalent dans cette méthode à déterminer que les drusen étaient présents dans la région), puis en définissant un seuil local. Cependant, la méthode était vaincue si un grand drusen dominait une région locale. Dans ce cas, la distribution locale ne serait pas asymétrique et les grands drusen seraient complètement manqués. Un utilisateur devra corriger cette erreur manuellement après la segmentation automatisée. En général, une étape de post-traitement était nécessaire pour corriger les erreurs de segmentation des drusen ou agrandir les drusen incomplètement segmentés pour obtenir une précision acceptable. Ces études démontrent que la segmentation par les histogrammes locaux et les techniques de seuil présentent de sérieuses lacunes.

Rapantzikos [18] et al ont utilisé d'autres opérateurs morphologiques ainsi que divers critères d'histogramme local pour le choix des seuils pour tenter de corriger ces déficiences. Leurs critères impliquent l'aplatissement ainsi que l'asymétrie. Le fait fondamental reste, comme ils l'admettent volontiers, quel que soit le nombre de critères basés sur l'histogramme utilisés pour la segmentation locale, que des combinaisons très différentes de caractéristiques d'image (drusen et arrière-plan) peuvent produire le même histogramme. Un exemple extrême, comme dans [17], serait des régions qui étaient soit toutes d'arrière-plan, soit toutes drusen, donnant dans les deux cas la même distribution mésokurtique non asymétrique. Leur solution, un opérateur de dilatation morphologique, est destinée dans le cas tout drusen à déformer l'histogramme local en réintroduisant le bruit de fond et ainsi améliorer la reconnaissance des seuils. Il n'est cependant pas clair que cet opérateur artificiel fonctionnera toujours comme prévu. Un autre exemple d'application arbitraire d'un outil général se produit lorsque leur segmentation laisse des groupes de pixels brillants isolés. Ils concluent que si ceux-ci sont à proximité, ils appartiennent éventuellement aux mêmes grands drusen et doivent donc être agrandis par un opérateur de fermeture. Mais ceux-ci pourraient aussi être isolés de petits drusen durs. Enfin, malgré l'utilisation d'un large éventail d'outils généraux d'analyse d'images, leurs méthodes, comme celles des autres références, ne tiennent pas compte de la variabilité intrinsèque du fond, et peuvent donc produire des erreurs de façon systématique et prévisible : segmentation insuffisante au niveau central et segmentation trop inclusive dans la macula périphérique, comme le démontrent leurs propres illustrations.

Une alternative à la photographie couleur consiste à scanner l'imagerie par ophtalmoscopie laser (SLO) pour la reconnaissance des caractéristiques lumineuses. Cette méthode a été utilisée pour la détection des exsudats rétiniens dans le diabète [19] en utilisant une seule longueur d'onde optimisée. Le concept a été poussé plus loin dans une approche multispectrale utilisant un laser à colorant accordable [20]. Le problème de l'éclairage variable et/ou de la variabilité intrinsèque du bruit de fond est également résolu par de multiples seuils adaptatifs locaux, mais avec un nouvel ajout. Des régions de l'image sont désignées comme "sans caractéristiques" si le coefficient de variation de l'histogramme local est suffisamment petit. Les valeurs moyennes d'échelle de gris de ces régions sont ensuite utilisées pour déterminer des seuils locaux, qui sont ensuite interpolés pour donner une fonction de seuil globale. Étant donné que les exsudats diabétiques ont tendance à être plus petits que les drusen mous, il n'est pas clair si suffisamment de fenêtres sans caractéristiques seraient disponibles dans une image avec plusieurs drusen mous pour appliquer cette méthode.

Notre approche de ce problème a été la suivante. Nous avons d'abord démontré qu'il y avait un motif géométrique inhérent à la réflectance de fond dans les images de fond d'œil normales [26]. Nous avons ensuite développé une méthode interactive semi-automatisée basée sur ces modèles pour niveler la réflectance de fond d'une image contenant des drusen indépendamment de la réflectivité des drusen sus-jacents (résultats préliminaires présentés sous forme abstraite [27]). Cela permet l'utilisation d'un seuil global pour segmenter les drusen avec précision. En adoptant cette approche unifiée du problème de réflectance maculaire, nous évitons les multiples seuils locaux utilisés dans les approches précédentes [17-20, 24, 25]. Il est important de noter, cependant, que notre méthode n'est pas la technique standard d'ombrage par soustraction ou division par une image floue. Ces techniques standard [28] (également utilisées ici) sont utiles pour la correction d'ombrage à grande échelle. Comme nous l'avons montré dans nos travaux précédents [26], cependant, la réflectance maculaire peut changer de manière significative sur des plages de distance (50-100 m) comparables à la taille des structures pathologiques d'intérêt. Par conséquent, soustraire la variation à cette échelle aurait tendance à supprimer de telles structures de l'image. En effet, l'une des raisons pour lesquelles nous présentons notre méthode particulière est que nous avons constaté après de nombreux essais et erreurs qu'aucune des routines de transformation morphologique standard (dilatations, érosion, fermetures) ou leurs combinaisons, n'était capable de définir avec précision la limite des caractéristiques pathologiques dans un image du fond. Nous avons déterminé qu'il serait presque impossible d'automatiser complètement le processus en se fondant uniquement sur la morphologie mathématique. D'un autre côté, un avantage potentiel de l'utilisation de techniques plus simples dans des logiciels moins spécialisés, avec une supervision experte des segmentations finales, est la portabilité et l'utilisation dans d'autres institutions pour la recherche maculaire.

Nous rapportons une méthode numérique semi-automatisée pour la mesure des drusen dans les photographies du fond d'œil à l'aide d'un logiciel disponible dans le commerce et en testons la fiabilité par rapport à la norme actuelle de classement des photos du fond d'œil par vision de paire stéréo dans les sous-champs centraux de 1000 microns de diamètre et moyens de 3000 microns.


Co-enregistrement basé sur la géométrie des images panchromatiques et multispectrales ALSAT-2A

Le co-enregistrement d'images panchromatiques et multispectrales est une tâche importante pour obtenir une bonne image panoramique. Généralement, le co-enregistrement peut être réalisé en utilisant des méthodes basées sur l'image ou sur la géométrie. La méthode basée sur la géométrie nécessite la compréhension et la modélisation du processus d'imagerie. Cet article décrit une méthode de co-enregistrement des images panchromatiques et multispectrales d'ALSAT-2A, le premier satellite algérien à haute résolution. Cette méthode, basée sur l'analyse des métadonnées fournies par le capteur considéré, utilise la condition de colinéarité dépendante du temps pour une modélisation rigoureuse de la caméra. Trois expériences, basées sur des images ALSAT-2A, sont réalisées. La première expérience concerne le calcul des paramètres d'orientation extérieure (EOP) à partir de l'image panchromatique et leur application pour le géoréférencement de l'image multispectrale. Dans la seconde expérience l'image panchromatique est géoréférencée en appliquant le modèle EOP calculé à partir de l'image multispectrale. La troisième expérience consiste à utiliser les deux images dans une procédure d'ajustement de faisceau pour une plus grande précision. La précision du positionnement des sous-pixels peut être obtenue en utilisant le modèle calculé à l'aide de l'image panchromatique uniquement.

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


Résultats et discussion

Comme preuve de principe, nous avons d'abord démontré que la procédure interactive était efficace pour éliminer le motif d'ombrage concentrique à la fois dans une image normale (Figure 2A, 2B, 2C, 2D) et une image contenant des drusen (Figure 2E, 2F, 2G, 2H ). Les balayages linéaires à travers les centres de ces images (Figure 2C, 2D, 2G, 2H) montrent le nivellement des vallées centrales en réflectance présentes dans les originaux. Étant donné que la technique a augmenté la luminosité des drusen associés avec l'arrière-plan, elle a fourni une approximation plus proche de la réflectance sous-jacente ou réelle des drusen. Il a ensuite été possible d'appliquer des seuils uniformes dans les sous-champs central et médian pour définir les limites des drusen (Figure 2A, 2B, 2C) et de créer une image binaire (Figure &# x200B (Figure 3D) 3D) pour une analyse morphométrique plus poussée.

Scans linéaires démontrant le nivellement du fond maculaire pour la reconnaissance des drusen. Panneau de gauche. Les balayages de ligne à travers une image de fond d'œil normale (A-D) démontrent les effets de la correction de l'ombrage à grande échelle et du nivellement du fond maculaire. L'image couleur (A) a été traitée et numérisée dans le canal vert (B-D). À des fins d'illustration détaillée, ces images ont été traitées à une résolution plus élevée (1000 pixels de la macula centrale au bord du disque). La largeur de la ligne de balayage était de 10 pixels. L'image originale (fond d'œil normal A) est plus sombre dans le quadrant temporal et cela est illustré par le balayage linéaire (ligne noire en D). Ce dernier assombrissement est éliminé dans l'image corrigée de l'ombrage (B) et vérifié par le balayage linéaire (ligne rouge en D). Notez que la ligne rouge pour l'image corrigée des nuances a toujours un creux central d'environ 25 unités d'échelle d'intensité de couleur correspondant à la macula centrale plus sombre. Ce creux central est corrigé par un nivellement de fond. Le fond maculaire est maintenant assez uniforme et le centre n'est plus sombre (C). Ceci est montré par le balayage de ligne (ligne bleue en D). Panneau de droite. Les balayages linéaires à travers une image contenant des drusen (E-H) démontrent également les effets de la correction de l'ombrage à grande échelle et du nivellement de l'arrière-plan maculaire. L'image couleur (E) a été traitée et numérisée dans le canal vert (F-H). L'image originale (drusen fundus E) est plus sombre dans le quadrant temporal et cela est illustré par le balayage linéaire (ligne noire en H). Ce dernier assombrissement est éliminé dans l'image corrigée de l'ombrage (F) et vérifié par le balayage ligne (ligne rouge en H). Notez que la ligne rouge pour l'image corrigée (panneau H, ligne rouge) a toujours un creux central d'environ 25 unités d'échelle d'intensité de couleur correspondant à la macula centrale plus sombre entre les pixels 500 et 750, mais cela est plus difficile à interpréter en raison de les multiples pics drusen déchiquetés. Ce creux central est corrigé par un nivellement de fond (ligne bleue en H). Dans l'image du fond d'œil, le fond maculaire entre les drusen est également maintenant uniforme (G) sans obscurité centrale. Notez que cette technique augmente également la luminosité des drusen associés (G) avec l'arrière-plan. Ceci est vérifié par les balayages linéaires, dans lesquels les pics de drusen dans la macula centrale de l'image nivelée en arrière-plan (pics bleus en H) sont élevés au-dessus des pics de l'image avant le nivellement du fond (pics rouges en H), permettant une uniformité au seuil.

Segmentation Drusen dans les sous-champs centraux et moyens. L'image de drusen nivelée en arrière-plan de la figure ​ Fig2 2 est montrée avec un grossissement plus élevé. Les Drusen sont identifiés par des opérations à seuil unique, respectivement, dans le sous-champ central (A), le sous-champ annulaire central (B) et les régions combinées (C), la version bitmap (D) de la segmentation (C) étant indiquée comme étant appropriée. pour l'analyse morphométrique quantitative.

Une autre application de cette méthode à une image de drusen est illustrée à la figure ​ Fig4. 4 . Le premier cadre est l'image couleur standardisée, qui a ensuite été améliorée en contraste dans Photoshop pour faciliter la visualisation des drusen (cadre du milieu). La dernière image est la segmentation finale des drusen après nivellement du fond maculaire. Comme dans la figure ​ Fig3, 3, des erreurs mineures sont présentes, mais aucun biais significatif entre les quadrants ou entre les sous-champs centraux et intermédiaires n'est observé. Nous avons trouvé des erreurs dispersées similaires dans toutes les images testées, mais globalement un bon accord qualitatif avec les évaluateurs humains.

Cas clinique des drusen. A) Image couleur standardisée avec les régions intérieure, médiane et extérieure du modèle Wisconsin. Plusieurs grands drusen souples sont présents B) la même image avec un contraste amélioré dans Photoshop pour aider à l'identification des drusen. Notez que les figures de pigment ressortent également sur cette image C) Segmentation finale dans le canal vert après correction lutéale et nivellement du fond maculaire dans les sous-champs combinés moyen et central, et choix d'un seuil global. Une inspection minutieuse montre de petites erreurs de segmentation et/ou de limites de drusen avec ce seuil, mais celles-ci sont plutôt réparties de manière aléatoire entre les sous-champs central et médian, ainsi qu'entre les quatre quadrants. Il ne semble pas y avoir d'erreurs systématiques notables ici.

Les tests de la méthode numérique ont montré une bonne reproductibilité inter-observateur dans deux mesures indépendantes de 24 sous-champs (deux sous-champs chacun à partir de 12 images). Les moyennes des deux mesures avaient des écarts types allant de 0,2 % à 21,4 %. Malgré la grande valeur aberrante, ces écarts types étaient inférieurs à 5 % dans 20 des 24 cas, et la médiane était de 1,9 %. Cette reproductibilité se compare favorablement à celle des méthodes standard [8]. Il y avait une grande déviation dans le sous-champ central du patient 6 (voir graphique à barres, Fig ​ Fig5B). 5B). Dans ce cas, la photographie était de qualité limite en raison de la cataracte, et une grande zone pâle dans le sous-champ central a été segmentée numériquement en drusen par un observateur (JKC) et laissée de côté par l'autre observateur (RTS). Les évaluateurs cliniques étaient également divisés dans leurs opinions quant à savoir si cette lésion était une druse ou une hypopigmentation de l'épithélium pigmentaire rétinien (EPR).

Graphiques à barres : résultats de mesures manuelles semi-automatisées vs stéréographiques. Le graphique à barres (A) compare le pourcentage mesuré de drusen dans le sous-champ du milieu obtenu par deux méthodes différentes. La méthode semi-automatisée utilise un nivellement de fond maculaire interactif assisté par ordinateur suivi d'un seuil global, et le classement manuel estime les zones de drusen à partir des photographies originales vues comme des paires stéréo (l'étalon-or). Les moyennes et les écarts types de mesures indépendantes assistées par ordinateur par deux observateurs sont affichés. Les écarts types, comme indiqué sur chaque barre, représentent la reproductibilité de la méthode assistée par ordinateur. Le graphique à barres (B) montre une comparaison similaire dans le sous-champ central. Le graphique à barres (C) affiche les différences absolues entre les mesures automatisées et les mesures manuelles dans les sous-champs central et intermédiaire.

La reproductibilité intra-observateur de la méthode numérique a été testée au moyen de deux mesures séparées temporellement par un observateur. Les mesures moyennes avaient un écart type médian de 1,8 % (plage de 0 % à 4,4 %). Ces écarts types étaient inférieurs à 5 % dans 22 des 24 cas. Dans l'ensemble, la concordance était légèrement meilleure que pour les mesures inter-observateurs, mais pas dans tous les cas. À l'examen, les désaccords intra-observateurs semblaient être davantage dus au choix subjectif du seuil pour la segmentation finale plutôt qu'à des disparités dans l'image finale nivelée en arrière-plan à laquelle le seuil a été appliqué.

Pour la validation de la méthode, nous avons ensuite comparé les résultats de la méthode numérique semi-automatisée (24 champs à partir de 12 lames) avec l'étalon-or cliniquement accepté des classements stéréo experts des mêmes 24 champs des 12 paires stéréo correspondantes de lames. La comparaison des mesures de la zone numérique moyenne avec les catégories obtenues par le niveleur stéréo 1, qui a utilisé la classification internationale, a montré une concordance de 92 % (22/24 mesures numériques tombaient dans la plage de la classification internationale choisie par le niveleur 1). Les deux désaccords se situaient tous les deux dans le sous-champ du milieu (mesure numérique 41 %, catégorie Grader 1 supérieure à 50 % numérique 7,3 %, Grader I, 10 à 25 %).

Les mesures de la zone numérique moyenne ont ensuite été comparées aux estimations plus précises de la classe stéréo 2 (graphiques à barres, Fig ​ Fig5 5 et voir le Tableau ​ Tableau1.xls). 1 .xls). Les limites de concordance à 95 % [37] entre les mesures de la zone numérique moyenne et ce deuxième ensemble de gradations stéréo étaient de -6,4 % à +6,8 % dans le sous-champ central et de -6,0 % à +4,5 % dans le sous-champ médian. Les différences absolues moyennes entre les gradations numériques et stéréo étaient de 2,8 +/- 3,4 % dans le sous-champ central et de 2,2 +/- 2,7 % dans le sous-champ central. La comparaison avec la niveleuse stéréo 2 a donc montré une excellente concordance globale, avec une meilleure concordance dans le sous-champ médian (anneau de diamètre 3000 microns) que dans le sous-champ central (cercle de diamètre 1000 microns), comme en témoignent les plus petites différences absolues. La raison en était que l'inclusion ou l'exclusion de toute lésion unique dans la plus petite région avait un effet proportionnellement plus important sur la mesure. À l'exception d'une mesure dans le sous-champ central (Patient 11), les mesures numériques moyennes étaient toutes à moins de 5 % de celles du Grader 2 stéréo (voir Graphique à barres, Fig ​ Fig5C). 5C). Les mesures étaient souvent plus proches pour les images avec de rares drusen (㰐%) dans lesquelles le Grade 2 a fait des estimations à 1 % près, mais ces résultats n'étaient pas statistiquement significatifs.

Tableau 1

Mesures de drusen manuelles semi-automatisées vs stéréographiques. Des mesures des drusen dans les sous-champs médians et centraux ont été effectuées sur douze patients atteints de DMLA. Les mesures de surface ont été effectuées en utilisant la méthode numérique par deux niveleuses indépendantes (RTS et JKC). Les moyennes et les écarts types sont affichés pour les sous-champs du milieu et du centre. De même, l'élève stéréo 2 (IB) a estimé le pourcentage de drusen dans les sous-champs du milieu et du centre en utilisant les photographies originales du fond d'œil sous forme de paires stéréographiques.

Mesures de drusen semi-automatisées (%)Mesures manuelles des drusen (%)
IDENTIFIANT #Sous-champ du milieustdSous-champ centralstdSous-champ du milieuSous-champ central
17.33500.445512.34506.41351015
214.26003.35178.47504.7588105
31.45500.16260.00000.000005
40.00000.00000.34000.480810
56.16000.73547.33501.9587510
628.37004.879019.355021.43243015
70.00000.00000.00000.000033
84.45501.591010.95001.9092710
936.31008.513639.56001.73953535
1055.53503.726551.43501.22336050
118.55000.353632.15503.31631045
129.32000.594036.18505.6781735

Les exemples ci-dessus avec des erreurs plus importantes illustrent le point important selon lequel notre méthode et la norme actuelle de classement stéréo manuel sont subjectives, et des désaccords importants peuvent parfois survenir avec l'une ou l'autre méthode. Dans notre méthode, les étapes subjectives comprennent : la réalisation ou non d'une correction pigmentaire lutéale le placement exact des ovales à chaque étape de la procédure interactive et le choix final du seuil de segmentation dans chaque sous-champ. La méthode de notation stéréo manuelle est entièrement subjective. De plus, alors que notre démarche repose logiquement sur une étude géométrique semi-quantitative de la réflectance maculaire [26], il existe des non-linéarités photographiques à chaque étape qui ne sont incorporées que qualitativement. Par conséquent, la procédure elle-même ne peut être évaluée quantitativement que quant à la validité de son résultat par rapport à la norme actuelle subjective de visualisation de diapositives stéréo dans une boîte à lumière.

Une limitation de la présente méthode est que l'introduction d'autres pathologies substantielles en plus des drusen pourrait confondre nos techniques, alors qu'un observateur humain entraîné fait rapidement de telles distinctions. Par exemple, les zones d'hypopigmentation RPE ou d'atrophie géographique franche avec une réflectance plus élevée dans le canal vert pourraient être incluses dans le seuil de drusen. Ceux-ci devraient être supprimés manuellement ou par un logiciel supplémentaire reposant sur d'autres fonctionnalités. La qualité de l'image peut également rendre difficile la différenciation des drusen et des anomalies RPE par n'importe quelle méthode. Une autre source de variabilité non rencontrée dans cette étude sur les Caucasiens pourrait inclure la pigmentation raciale. Cependant, nous avions constaté que les modèles de réflectance maculaire dans les images standardisées de sujets normaux d'autres races étaient les mêmes que ceux des Caucasiens [26]. Par conséquent, aucune nouvelle difficulté ne serait anticipée dans la segmentation des drusen dans ces populations.

D'autres sources d'erreur possibles dans la méthode automatisée sont les suivantes : le nivellement du fond maculaire est une approximation qui peut rendre une section donnée trop lumineuse ou trop sombre de quelques unités d'échelle de gris. Les Drusen dans une telle zone seraient donc surreprésentés ou sous-représentés. De même, une variation dans le placement des ovales dans les étapes interactives conduirait à une variabilité irrégulière locale dans l'image nivelée finale. Cette dernière erreur, cependant, avait tendance à ne pas être cumulative puisque le processus itératif est dans une certaine mesure autocorrecteur. C'est-à-dire que si une région sombre de pixels était manquée par un ovale pour l'éclaircissement, ils seraient toujours "trop ​​sombres" dans la prochaine itération et devraient être récupérés là-bas. Par conséquent, les erreurs de ce type dans le résultat final ont tendance à se limiter à celle d'une seule itération (deux unités d'échelle de gris). En pratique, a) les erreurs de signes opposés dans différentes sections auront tendance à s'annuler autour de l'erreur moyenne, et b) l'erreur moyenne tendra vers zéro lorsque le seuil optimal est choisi par l'utilisateur pour donner la meilleure segmentation subjective globale (c'est-à-dire , si l'image est en moyenne trop lumineuse, l'utilisateur aura tendance à utiliser un seuil plus élevé). Cela explique probablement pourquoi nos résultats semi-automatisés donnent un accord étroit en superficie totale avec les estimations de l'étalon-or. Cependant, il peut toujours y avoir des sections d'une image dans lesquelles la segmentation semi-automatique est incorrecte par des marges plus larges. Cela signifie que s'il est important d'avoir la plus grande précision dans une sous-région particulière autre que les sous-champs standard, un seuil spécifique pour cette région doit être choisi séparément. Comme indiqué ci-dessus, cependant, nous n'avons trouvé aucune erreur systématique de segmentation en ce qui concerne les quadrants ou les sous-régions.

La correction du pigment lutéal, qui a été déterminée empiriquement, pourrait également affecter la segmentation des drusen maculaires centraux. La densité du pigment lutéal varie bien sûr en densité et en distribution entre les individus, en particulier dans la DMLA, et dans cette étude, nous n'avons autorisé que deux options : appliquer la correction fixe dans une image donnée, ou non. Comme indiqué dans les Méthodes, nous avons utilisé des données sur plusieurs sujets normaux pour viser délibérément une sous-correction à cette étape, maintenant ainsi la concentricité du modèle de réflectance. D'autres corrections pourraient alors être appliquées dans les étapes suivantes, le nivellement de fond itératif. Comme cela s'est produit dans cette étude, les deux observateurs pensaient que le pigment lutéal était présent et ont donc appliqué la correction fixe dans tous les cas. Comme indiqué dans les Méthodes, cependant, cette correction est évolutive. Par le même raisonnement que ci-dessus, si l'on souhaitait avoir la segmentation la plus précise des drusen maculaires centraux, l'échelle de correction lutéale pourrait être optimisée. Idéalement, une mesure directe de la densité du pigment lutéal par une méthode indépendante aurait pu être incorporée. Nous n'avons pas poursuivi cela ici car la segmentation centrale des sous-champs semblait adéquate.

L'utilité d'une méthode est également fonction de l'effort humain, c'est-à-dire du temps, nécessaire pour évaluer une image donnée. La méthode semi-automatisée nécessitait, après la formation, environ dix minutes de temps d'observation (temps informatique négligeable) par lame pour terminer la segmentation des drusen. Le placement manuel des ellipses suivi de décisions subjectives concernant le choix du seuil final a pris le plus de temps. Nous avons estimé que l'automatisation complète des étapes de nivellement de fond associées aux placements d'ellipses, etc. réduirait le temps de l'opérateur à environ cinq minutes au total. Grader 2 requis environ dix minutes pour les notes plus précises dans deux domaines. Grader 1, très expérimenté, avait besoin d'environ cinq minutes pour noter par le système de classification international.


Discussion

En utilisant des récepteurs GPS comme mesure de référence pour la localisation réelle, nous avons comparé les erreurs de position de la méthode de géocodage automatisé utilisée par FDOH et la méthode de géocodage assisté par smartphone. La méthode conventionnelle de géocodage automatisé présente des lacunes substantielles dans la précision de la position avec environ 30 % des adresses géocodées ayant des erreurs de position dépassant 100 m, c'est une lacune méthodologique importante dans de nombreux contextes d'études épidémiologiques environnementales (Griffith et al., 2007 Zandbergen, 2008). Les erreurs de position de la méthode de géocodage automatisé observées dans cette étude sont comparables à des recherches antérieures menées dans les États de l'Iowa, de New York et du Texas, d'où 21 à 28 % des adresses géocodées automatisées sur 100 m ont été signalées (Bonner et al., 2003 Quartier et al., 2005 Zhan et al., 2006). Plus important encore, notre étude montre que ces erreurs ne sont pas distribuées au hasard étant donné l'association observée entre les erreurs de position et le type de logement et l'urbanité. En plus de l'hétérogénéité urbaine-rurale des erreurs de position signalées dans les études précédentes (Cayo et Talbot, 2003 Hurley et al., 2003 Pentecôte et al., 2006), nous avons observé une hétérogénéité encore plus grande entre les adresses faisant référence aux appartements/condominiums. Ces erreurs non distribuées aléatoirement peuvent conduire à un biais différentiel de classification erronée qui influencera grandement la validité des études basées sur ces données de géocodage automatisé.

De plus, nous avons constaté que la méthode de géocodage assisté par smartphone peut augmenter considérablement la précision de la position par rapport au géocodage traditionnel. Différent de certaines études précédentes qui utilisaient les géocodes par l'image aérienne comme véritable emplacement étalon-or (Schootman et al., 2007), nous avons considéré l'image aérienne comme une méthode potentielle pour la vérification de l'emplacement des adresses lors de la collecte de données spatiales. Bien que l'image aérienne ait considérablement amélioré la précision de la position, elle présentait toujours un léger écart par rapport aux géocodes mesurés par GPS. Cela peut être dû à plusieurs raisons, dont la résolution de l'image aérienne est un facteur important. De plus, dans notre étude, certaines habitations n'ont pas pu être identifiées avec précision sur les images aériennes car elles étaient couvertes et entourées d'arbres et d'espaces verts. Malgré ces limitations, la méthode assistée par smartphone offrait encore une amélioration significative par rapport aux méthodes traditionnelles, en particulier pour les adresses des appartements/condominiums, car la plupart des méthodes de géocodage automatisées ne peuvent pas gérer les informations au niveau des appartements.

Des efforts considérables ont été consacrés à l'amélioration du géocodage automatisé, et de nombreuses méthodes ont été proposées dont l'intervention manuelle (Chaput et al., 2002 Goldberg et al., 2008 Quartier et al., 2005), re-géocodage avec un géocodeur différent (Lovasi et al., 2007 Zhan et al., 2006) et l'imputation ou le pseudocodage (Boscoe, 2008 Henry et Boscoe, 2008 Strickland et al., 2007). Cependant, toutes ces méthodes se sont concentrées sur l'amélioration de la qualité des données spatiales après les collectes de données. La méthode assistée par smartphone proposée intègre les corrections manuelles basées sur des images aériennes aux collectes de données, permettant ainsi de collecter et de géocoder de manière prospective les adresses, de vérifier les données géocodées lors des collectes de données, ce qui est particulièrement important.

Des études antérieures ont suggéré un taux d'erreur de 10 % et un taux manquant de 5 % d'adresses autodéclarées dans les ensembles de données de surveillance de la santé publique (Zinszer et al., 2010). De telles erreurs et données manquantes peuvent être causées à la fois par les participants et le personnel administratif. Les participants peuvent accidentellement ignorer ou signaler une mauvaise adresse pour de nombreuses raisons telles que des problèmes de confidentialité et des erreurs de rappel. D'autre part, le personnel peut commettre des erreurs de saisie et de traitement des données. Il est important de noter que la méthode de géocodage automatisé peut parfois échouer à identifier de telles erreurs et même attribuer un faux-correspondant géocoder. Malheureusement, il est difficile de détecter de telles erreurs dans les grands ensembles de données et il n'existe aucun outil de validation pour identifier et corriger ces erreurs dans le processus de collecte de données. De telles erreurs sont donc presque impossibles à corriger une fois la collecte des données terminée. However, this proposed smartphone-assisted method can avoid these issues during the process of data collection with participants' involved verification, real-time of geocoding and aerial image/map-assisted real time search. This proposed method can easily be integrated into many data collection systems and so obtain high-quality spatial data. Integrations of this method into data collection systems will transfer the efforts of geocoding from the data collectors to the participants, making it feasible for data collection in large health studies or electronic health records such as vital statistics birth records. It will also allow participants to interact with this geocoding system directly offering an unprecedented use of street maps, satellite images and street views to reduce missing records as well as to improve positional accuracy. Indeed, participants have more local knowledge than GIS technicians and can accurately verify and find the locations of their addresses on maps/aerial images. Therefore, the use of this method for spatial data collection has a great potential with respect to improving spatial data quality.

Several limitations of this study should be noted. First, this is a pilot study that has a relatively small sample size and focused on only one county. Additionally, the smartphone-assisted method was conducted by researchers. Ideally, residents may provide more accurate geocoding information using the system, as they are more familiar with the neighbourhood, especially when the home cannot be directly identified in the image. Furthermore, measurement errors may exist for the reference method using GPS receiver since we were not able to enter the participants' homes.


General Guide for Tax Mapping in New York State

This material has been prepared as a guide to local assessors in the use of a tax map. Definitions of terms in tax mapping are included in the appendix.

A tax map is a special purpose map, accurately drawn to scale showing all the real property parcels within a city, town or village. These maps are used to locate parcels and obtain other information required in assessment work. As changes take place in ownership, size, or shape of the parcels, the tax map system must be updated. 

        Tax Map Preparation and Maintenance

      The initial preparation and continued maintenance of tax maps are the responsibility of the Real Property Tax Service agency of the county or assessor where applicable. The cooperation and assistance of assessors are essential in a successful Tax Mapping Program.

        Tax Map Preparation

      Data which is obtained from state, federal, county and local government departments must be located and analyzed for use in tax map preparation.

      A base tax map is prepared using aerial photographs specifically created under controlled conditions. The aerial photographs clearly show all geographical features such as streets, roads, lakes, streams, railroad and utility lines, as well as property occupancy lines when they are well defined on the ground. Points of reference on the ground will have been prominently marked so as to provide check points on the photography. This photography is used as the foundation for preparing base manuscripts and includes features shown thereon that will assist the plotting of parcels. The base manuscripts are the basic maps from which the final tax map is prepared. All deeds or other instruments of conveyance are examined to determine the ownership of each parcel to be plotted on the maps.

      A tax map is generally drafted on map sheets 30 inches high by 42 inches wide. The parcels are delineated on the tax map using the data obtained through deed research and plotting. Every parcel on a tax map is assigned a parcel number and a coordinate locator number. An index map is prepared showing the area covered by the tax map in a city, town or village. When the tax map is completed, the map sheets may be bound together in sets or otherwise filed by the city, town and village. The original maps remain where the maintenance is to be done. Prints are provided to the assessors. According to the State Board's Rules for the Preparation and Maintenance of Tax Maps for Real Property Assessment and Taxation Administration, the assessor's copies of the tax map are a public record and must be displayed and made available for inspection by the public.

      Once a tax map is completed, it must be kept up-to-date. Revisions are required when there are changes in parcel size or shape. The same data and methods are used during the maintenance process as were used in the original work.

      The formation of new subdivisions generally requires the addition of many new parcels to the tax map. If many new parcels are added, a new map sheet may have to be prepared for that area.

      A tax map is primarily used by local governments to maintain a current inventory of all parcels in a city, town or village.

          Property Identification

        The size, shape and dimensions (or acreage) or a parcel may be found on a tax map. Cross-reference through the parcel number to matching index cards or computer listings provides still other parcel information. The parcel numbering system provides a history of the way parcels are subdivided.

        A tax map reduces the amount of work involved in assessment. Parcels are quickly located and additional information is easily obtained from the cross-reference index file.

        In a reassessment program, tax map parcels are easily grouped on the map for delineation of valuation influences.

        A tax map even simplifies the preparation of the assessment roll itself. Parcel identification numbers on an approved tax map constituted a legal description of a parcel on an assessment roll and are concise and accurate.

        A county tax map covers all the cities, towns and villages in the county. Each set of maps for a city, town and village is complete within itself. Each map sheet of a tax map covers one specific area, called a section. Every section is assigned a section number. The index map shows, and identifies, the areas covered by each of the section maps of that municipality.

        Parcels delineated on a tax map are identified by numbering systems. These numbers constitute a description for each parcel assessed and are used to locate the matching index file data for the parcel. The index file contains important data about the parcel and references to still further information.

                  Tax Map Scales, Symbols, Lines and Dimensions

                Each map has a legend at the bottom of the sheet that explains many of the lines and symbols used on the map. An explanation of some of these items follows:

                  Scales and Dimensions

                Areas with many small parcels are generally plotted using a large scale, such as 1 inch equals 50 feet. Cities and villages are generally mapped at a scale not smaller than 1 inch equals 100 feet. Where the area being mapped contains relatively few small parcels, the scales used are generally 1 inch equals 200 feet or 1 equals 400 feet. Dimensions are given for each boundary of parcels of less that one acre. These dimensions are obtained from property deeds and other records. If the data are not available from these sources, the dimensions are scaled. In this case the dimensions are labeled with an (s) after the dimension.

                Parcels of one acre or more need show only the road frontage dimensions. The parcel acreage must also be given. If the acreage is a calculated value, the acreage figure is followed by a (c). See Exhibit #1 in appendix.

                Lines and symbols are used on the tax map to indicate boundaries and other distinguishing features. The legend shown on each map will explain the lines and symbols being used. A typical legend is shown in Exhibit #2 in appendix. Depending on the mapper or local circumstances, other lines and/or symbols may be employed.

                Parcel numbers and coordinate locator numbers are required for every parcel of property.

                  Parcel Numbers 

                An individual parcel number is assigned to each parcel in the county when the map is prepared.

                  Generation of parcel numbers

                In reading the next two paragraphs, please refer to Exhibits 2, 3A, and 3B in appendix.

                All parcel numbers consist of three basic parts: the section number, the block number, and the lot number.

                The section numbers are based on county modular units. Generally, every county is divided into modular units, 8,000 feet by 12,000 feet. The 12,000 foot dimensions lie along the north and south boundaries and the 8,000 foot dimensions lie along the east and west boundaries of these modular units. These modular units correspond to a map scale of 1" = 400' and will measure 20" x 30" on each section map.

                Each of the modular units is assigned a section number. The numbers start with one and increase consecutively from left to right across each row of modular units in the county starting with the top row. You will note that the example county in Exhibit 3A consists of 43 modular units. You will note also that certain modular units cross town and village lines. Modular unit boundaries do not necessarily coincide with city, town and village boundaries. In Exhibit 3A note also the symbols used for village, town and county boundaries, as taken from Exhibit 2.

                When a scale larger than 1" = 400' is required, the section number is followed by a two-digit suffix number which indicates the scale and the area within the modular unit that is mapped at the larger scale. (Refer to Exhibits 3C and 3D in appendix). Exhibit 3C shows the area covered by the modular unit at larger scales of 1" = 200', 1" = 100', and 1" = 50'. Notice that at 1" = 200' it requires four sections to cover the same area shown at 1" = 400' (at 1" = 100' it requires 16 sections, at 1" = 50' it requires 64 sections). Exhibit 3D shows the actual suffix numbers to be used with the 1" = 400' section number when larger scales of mapping are used.

                Typical section numbers for a county originally divided into 1" = 400' modular units might look like the following:

                 Example Section Numbers
                1" = 400' map: Section 10 10.0
                1" = 200' map: Section 12 12.04
                1" = 100' map: Section 15 15.16
                Portion of Section 15.16 at 1" = 50' 15.68

                Each section can be subdivided into blocks. Up to 99 blocks may be included in a section. Blocks are formed to provide less than 100 parcels in any block. The blocks are numbered consecutively starting with the number 1. The blocks are usually formed using natural boundaries such as roads, rivers, railroads or other prominent features. In many instances, however, arbitrary block boundaries are used.

                Lot numbers are assigned to each parcel in a block starting in the upper left portion of the block. They are numbered consecutively starting with number 1, continuing in a clockwise direction, whenever practicable, around the entire block. A complete parcel number might look like 10.16-1-24. If the map scale was changed to 1" = 50' in that area, the new parcel number might look like 10.68-1-24.

                1. The section number is obtained from the title block in the legend at the bottom of each section map, usually in the right corner.
                2. The block number is usually an encircled number and is placed on the map at about the center of the block. However, check the legend for the correct symbol, as it may vary from mapper to mapper.
                3. The lot number consisting usually of one or two digits is shown within the lot boundaries.

                When parcels are divided, new parcels are formed known as subdivisions. The subdivisions carry the original lot or parcel number, and a suffix starting with the number 1 is added. If part of the parcel, prior to subdivision, has been retained by the original owner, it carries the suffix 1. Where an original parcel is extensively altered, it will be necessary to renumber the parcels. Refer to Exhibit #4 for an example.

                The same general procedure applies to parcels that have been combined, possibly with slight variations.

                A unique number called a coordinator is assigned to each parcel of land within an entire county. By unique, we mean that this number will not be duplicated within a county. This number is not intended for manual use but will be utilized in a computerized environment to help support new valuation and assessing techniques for local governments.

                  Origination

                The mapper generates the coordinate locator number. It is simply a measurement of the parcel's location from a given point added to the constant readings at the given point in the New York Coordinate System.

                The first set of digits shows the final easterly reading. The second shows the final northerly reading. See Exhibit #5.

                The term coordinate locator number means an east reading and a north reading, in feet or meters, taken from the point of origin of the appropriate zone of the New York Coordinate System to the visual center of each land parcel.

                When parcels are subdivided, a new coordinate locator number must be generated for each of the subdivided parcels. Each of the new coordinate locator numbers must be different from the number used for the original parcel. Refer to Exhibit #6 for an example.

                To obtain maximum benefit, a tax map must be used to the greatest extent possible. When this is done, considerable time and effort in all phases of assessing work will be saved. The assessor may wish to have copies of section maps reduced in size for field use. Parcel numbers and coordinate locator numbers are required for every parcel of property. 

                  Location and Shape of Parcels 

                Knowing the location and shape of parcels is a great assistance during any assessing program. Since parcels can be located rapidly from the maps, and further data can be obtained from the associated index system, much valuable time can be saved. The parcels to be assessed may be conveniently grouped for efficient coverage.

                The relationship of parcels surrounding a given parcel is graphically shown on a tax map.

                On grievance day, the tax map is a valuable aid in discussions with taxpayers. The tax map gives a picture of the properties in question and other related parcels.

                A parcel may be located in the cross-reference index files by parcel number or by surname of owner.

                Part of the index system is an index map which shows the coverage of each section map within a city, town or village.

                The index system consists of a series of cross-reference index data files and index maps for each city, town and village. Both tools facilitate locating parcels on the section maps and refer to other related parcel information.

                In some jurisdictions, the cross-reference index data are still manually entered on cross-reference index cards. In this type of setup, the index cards are generally maintained by each assessor and County Real Property Tax Service Agency in two sets: usually one set is filed numerically by parcel number and the other set is filed alphabetically by surname of the owner.

                In a growing number of jurisdictions, the cross-reference index data are captured on IBM cards, magnetic tape or disc, and maintained by the County Real Property Tax Service Office. Computer printouts are supplied to the individual local assessors for their day-to-day use and maintenance. New copies of the computer printouts are supplied periodically as required.

                The index maps serve as a key to locate the various section maps in a municipality.

                          Types of Index Cards (Manual System)

                        In some index card systems there are two identical sets: one filed by parcel number and the other by owner's surname.

                        Other systems use the numerical set as the master cards, containing all information. In such a system, the alphabetical cards merely refer to the matching card by parcel number.

                        Minimum State Board requirements for index cards are given below.

                        The numerical cards should provide for the following:  

                        1. parcel number: section block and lot number.
                        2. coordinate locator number.
                        3. name of the city, town or village
                        4. Physical location of the property, such as street number and name.
                        5. Dimensions and/or acreage.
                        6. Subdivision name, map reference, and lot number.
                        7. If applicable, tract information showing the tract, lot, section, township and range.
                        8. School and special districts.
                        9. Parcel identification that existed prior to the development of the tax map. (The previous identification is essential to an orderly transition from an old system to a new system based on a tax map.)
                        10. Information with respect to the owner includes the following: owner's names, mailing addresses, deed reference.

                        All of this information can be shown on the index cards maintained in numerical sequence if 4 x 6 inch cards are utilized both front and back.

                        Where the alphabetical set of index cards is not a duplicate of the numerical set, a single card may be used to list all properties owned by a single owner. In this case, the following information must be provided.

                        1. Owner's name, with the surname being the prominent feature for filing.
                        2. The complete mailing address of the owner.
                        3. The name of the city, town or village.
                        4. Property address.
                        5. Parcel number.
                        6. Deed reference - Liber and page.
                        7. When the property is sold, there should be room provided on the card to indicate the new owner, the date sold, and the new deed reference.

                        In this type of arrangement, all the minimum State Board requirements for the numerical data are captured and stored in a master computer file. A printout can then be produced automatically, based on either a numerical or alphabetical sequence, because the numerical file duplicates all the information on the alphabetical file. An alphabetical listing, therefore, would list any and all parcels owned by any taxpayer in sequence according to surname, with all the data pertinent thereto.

                        NOTE: The cross-reference data to be captured in Soit a manual or mechanized systems are those stated in the State Board requirements.

                        Index Maps

                        The index maps for a municipality are at a smaller scale than the individual section maps. On each index map is found the outline of each section map in the municipality with its proper numerical designation. To assist in locating a particular section map, features such as major roads, streets, waterways and railroads are shown.

                        Continued maintenance of the tax map and index system is necessary to keep both sets of records up-to-date. Without continued maintenance, the tax map and index system will rapidly become useless. County tax map systems approved by the State Board are required by statute to be maintained by the county. Prior to completion of a tax map project, the county director of real property tax services will provide assessors will explicit information as to how the tax map maintenance system will operate in their county. The following description is general in nature, pending issuance of specific instructions by the county director of real property tax services.

                        As changes occur in parcel size, shape or number, revision to the tax map and index file becomes necessary. The actual maintenance work is the responsibility of the county, except in a few designated counties where it is the specific responsibility of the individual assessors.

                        The assessors' cooperation and assistance are essential in the maintenance of the tax map as well as in the initial preparation of the tax map.

                        All tax map revisions and additions require changes to be made in the index system, but not all changes in the index system require tax map revisions.

                                  Maintenance System Description

                                  Tax Map Maintenance

                                Any changes in the boundaries of parcels, special or service districts or other features require tax map revision.

                                Parcel numbers are changed whenever parcels are split or new parcels established. It is sometimes necessary to renumber all the parcels in the whole book.

                                Subdivided parcels require new coordinate locator numbers. Each of the new coordinate locator numbers must be different from the number of the original parcel being subdivided. This is true even if the visual center of the remaining parcel is still located within ten feet in either direction of its original position. In this case, the visual center may be adjusted in order to obtain a new coordinate locator number.

                                Acreage calculations required as a result of parcel changes are done in the same manner as required during the original tax map preparation. If the computed acreage and deed acreage are not in substantial agreement, both acreage values are shown on the map.

                                With the addition of many new parcels, it may become necessary to make new larger scale maps. When this is done, new section numbers are generated. All parcels covered by the old maps then receive the new appropriate section number as part of their parcel number.

                                Index systems maintenance consists of revising the information contained on the index file as changes occur. It also requires the addition of new or revised data as new parcels are created.

                                Index file revisions are required when any of the data included on the file become obsolete. This usually occurs whenever any changes are made in the tax map. The index file data for the affected parcels are then revised.

                                New file data must be added to the index file system when new parcels are created.

                                After the tax map and index file are completed for a city, town or village, copies of the tax map and index file will be provided by the county to the local assessor. Revised tax maps or pertinent portions thereof will be furnished by the county to the assessor each year.

                                  Recording Changes

                                Information such as ownership changes and the creation of new parcels will require action by the county tax map maintenance department. These changes will be forwarded to the assessors and they will have to keep their record's current according to the established maintenance system.

                                Changes or corrections may occur that may come to the attention of the assessor in the first instance. In such cases, the assessor must notify the county tax map department of such changes.

                                Tax Maps have become a significant tool for municipalities in New York State. The process of converting the traditional paper tax map to a computerized (automated) tax map is known as a digital conversion. The digital data (maps) have become an important commodity for land-related and Geographic Information Systems (GIS) adopted by many county governments as an approach for gathering, storing and managing such data. Digital (automated) mapping systems facilitate the planning and analysis of a wide variety of data, from emergency response to land valuation. If standardized, the data can be readily exchanged with other departments and systems throughout the municipality and further shared with other governmental agencies outside the municipality. A digital tax map, when linked with the assessment data, can be a great asset to the assessor for establishing property market value.

                                      Selecting a System

                                    Jurisdictions contemplating the development of new mapping systems should investigate the possibility of entering into a consortium with other local governments, utilities, and the private sector. Such a cooperative approach would provide jurisdictions with financial, technological, and managerial assistance.

                                    Adequate time and resources should be allocated to planning, designing, and selecting a system. All potential users should be identified and their needs addressed when choosing or designing a system. It is also important to consider whether the system will be required to communicate with other departments containing land-related or spatial data. A systems analyst or tax map specialist can be helpful in this regard.

                                    A fully automated system that supports interaction between graphics and text information is preferable to a computer-assisted drafting (CAD) system. Computerization of the map data provides the capability to manage, analyze, summarize, and display geographically referenced information (GIS). The GIS facilitates the sharing of data, allowing various users to manipulate and selectively retrieve "layers" of parcel information and to produce composite maps with only the data needed by each. It also eliminates the duplication of effort inherent in separate map systems.

                                    Adequate funding should be provided when converting to an automated mapping system. Costs, capability, and conversion time should be evaluated. Costs of hardware and software usually account for one-fifth or less of the total project cost. Data acquisition and conversion are the major expenses and their costs will vary, depending on the quality of the resource materials and on the density of the area to be mapped. When municipalities work together to develop an automated mapping system, the costs of implementation and maintenance can be shared by all users.

                                    The two primary methods of converting tax maps to a digital format are scanning and manual digitizing:

                                    1. Scanning-process whereby paper maps are passed through a drum-like electronic scanner to capture an entire sheet of features with the output creating a raster image of the map. The raster image is registered or oriented to the coordinate system desired and software is utilized to convert lines, text or symbols to a vector format. Scanning data is faster than manual digitizing, especially for maps with a lot of line work, but the maps must be carefully prepared. Scanners are extremely sensitive to any marks, lines or text that are not part of the map coverage, but generally very cost effective.
                                    2. Manual Digitizing-process whereby paper maps are placed on an electronic digitizing board and the operator converts the spatial features on a map into a digital format. Points, lines and area features that compose a map are converted into x, y coordinates. Text, symbols and other detailed features are captured by utilizing computer aid design (CAD) software. In most counties manual digitizing is the preferred method of capture because the operator can make decisions and control the output when discrepancies occur between sheets.

                                    Digital tax maps should be continually maintained by qualified technicians. Digital maps represent a substantial capital investment, which is lost unless all changes and corrections are made on a current basis. Map maintenance involves recording description changes, parcel corrections from new and more accurate survey data, and most importantly notifying tax map users and assessors of these changes. For digital or computerized map data a backup procedure should be in place in case of computer failures.

                                    Excerpts taken from International Association of Assessors Officers (IAAO) "Standard on Cadastral Maps and Parcel Identifiers" January 1988.


                                    Pre-Processing

                                    In order to aid visual interpretation, visual appearance of the objects in the image can be improved by image enhancement techniques such as grey level stretching to improve the contrast and spatial filtering for enhancing the edges. An example of an enhancement procedure is shown here.

                                    Multispectral SPOT image of the same area shown in a previous section, but acquired at a later date. Radiometric and geometric corrections have been done. The image has also been transformed to conform to a certain map projection (UTM projection). This image is displayed without any further enhancement.

                                    In the above unenhanced image, a bluish tint can be seen all-over the image, producing a hazy apapearance. This hazy appearance is due to scattering of sunlight by atmosphere into the field of view of the sensor. This effect also degrades the contrast between different landcovers.

                                    It is useful to examine the image Histograms before performing any image enhancement. The x-axis of the histogram is the range of the available digital numbers, i.e. 0 to 255. The y-axis is the number of pixels in the image having a given digital number. The histograms of the three bands of this image is shown in the following figures.

                                    Histogram of the XS3 (near infrared) band (displayed in red).

                                    Histogram of the XS2 (red) band (displayed in green).

                                    Histogram of the XS1 (green) band (displayed in blue).

                                    Note that the minimum digital number for each band is not zero. Each histogram is shifted to the right by a certain amount. This shift is due to the atmospheric scattering component adding to the actual radiation reflected from the ground. The shift is particular large for the XS1 band compared to the other two bands due to the higher contribution from Rayleigh scattering for the shorter wavelength.

                                    The maximum digital number of each band is also not 255. The sensor's gain factor has been adjusted to anticipate any possibility of encountering a very bright object. Hence, most of the pixels in the image have digital numbers well below the maximum value of 255.

                                    The image can be enhanced by a simple linear grey-level stretching. In this method, a level threshold value is chosen so that all pixel values below this threshold are mapped to zero. An upper threshold value is also chosen so that all pixel values above this threshold are mapped to 255. All other pixel values are linearly interpolated to lie between 0 and 255. The lower and upper thresholds are usually chosen to be values close to the minimum and maximum pixel values of the image. Le Grey-Level Transformation Table is shown in the following graph.



                                    Grey-Level Transformation Table for performing linear grey level stretching
                                    of the three bands of the image. Red line: XS3 band Green line: XS2 band
                                    Blue line: XS1 band.

                                    The result of applying the linear stretch is shown in the following image. Note that the hazy appearance has generally been removed, except for some parts near to the top of the image. The contrast between different features has been improved.

                                    Multispectral SPOT image after enhancement by a simple linear greylevel stretching.


                                    Remerciements

                                    [44] This work was conducted as part of the Ecological Consequences of Altered Hydrological Regimes Working Group supported by the National Center for Ecological Analysis and Synthesis, a Center funded by NSF (grant DEB-94-21535), the University of California-Santa Barbara, the California Resources Agency, and the California Environmental Protection Agency. Support for this research was provided by the U.S. Environmental Protection Agency as part of the Water and Watersheds Program (EPA grant R828012). The authors thank three anonymous reviewers for their comments on an earlier draft of this manuscript. The authors also acknowledge the Maryland Geological Survey for the use of their historical aerial photographs and the Maryland Department of Planning for the use of their MdProperty View and Land Use/Land Cover data (available at http://www.op.state.md.us/data/mdview.htm).

                                    Nom de fichier La description
                                    wrcr9587-sup-0001-tab01.txtplain text document, 485 B Tab-delimited Table 1.
                                    wrcr9587-sup-0002-tab02.txtplain text document, 1.4 KB Tab-delimited Table 2.
                                    wrcr9587-sup-0003-tab03.txtplain text document, 689 B Tab-delimited Table 3.
                                    wrcr9587-sup-0004-tab04.txtplain text document, 834 B Tab-delimited Table 4.
                                    wrcr9587-sup-0005-tab05.txtplain text document, 1 KB Tab-delimited Table 5.
                                    wrcr9587-sup-0006-tab06.txtplain text document, 913 B Tab-delimited Table 6.

                                    Remarque : L'éditeur n'est pas responsable du contenu ou de la fonctionnalité des informations fournies par les auteurs. Toute question (autre que le contenu manquant) doit être adressée à l'auteur correspondant pour l'article.


                                    Automated correction of parcel geometry based on area measure? - Systèmes d'information géographique

                                    For more information about these courses, see the Department of Geomatics: schulich.ucalgary.ca/geomatics.

                                    Following are the graduate courses normally offered in the Department. Additional courses are also offered by visiting international lecturers. Please refer to the Department website (geomatics.ucalgary.ca) for current course listings.

                                    An introduction to environmental earth observation systems in particular to satellite platforms. Topics include: discussion of physical principles, including governing equations imaging system geometries radiometric corrections, including calibration and atmospheric correction spatial filtering for noise removal and information extraction geometric corrections, including rectification and registration fusion of multi-dimensional datasets (i.e., multispectral, multi-temporal, multi-resolution, and point-source ground data) and application of satellite images in addressing selected environmental issues.

                                    Overview of the fundamental concepts, approaches, techniques, and applications in the field of Geocomputation. Topics being discussed include Geocomputation, Computational intelligence, Complex Systems theory, Cellular automata modelling, Multi-agent system modelling, Calibration and validation of dynamic models, Scale, Artificial neural network, Data mining and knowledge discovery, Geovisualization, and Post-normal science. Individual projects involving the application of Geocomputational techniques and models are conducted.


                                    Voir la vidéo: Trouver la mesure dun côté de la base à partir de laire dun solide