Suite

Erreur lors de la lecture du format Esri Grid à l'aide de GeoServer ?

Erreur lors de la lecture du format Esri Grid à l'aide de GeoServer ?


En utilisant GDAL, je peux extraire des informations d'un raster ArcGRID, simplement en donnant le nom du dossier de grille :

gdalinfo -stats grid_folder

Toutes les statistiques apparaissent. J'ai essayé avec de nombreux fichiers arcGRID et cela fonctionne bien.

Cependant, si je souhaite ajouter ce raster ArcGRID à Geoserver en tant que nouvelle banque de données, je ne peux pas l'y ajouter. Premièrement, je ne peux pas spécifier le dossier de grille comme référentiel pour la banque de données, mais deuxièmement, si j'essaie d'ajouter l'un des fichiers .adf, cela fonctionne non plus. Geoserver affiche le message suivant :

Impossible de répertorier les couches pour ce magasin, une erreur s'est produite lors de leur récupération : org.geotools.data.DataSourceException : impossible d'analyser l'en-tête pour l'entrée fournie

De plus, voici la sortie de gdalinfo imprimée dans un fichier texte :

(J'ai omis toutes les lignes de sortie de la table attributaire)

Je pensais que Geoserver utilisait GDAL pour la compatibilité. Une idée, à part utiliser gdal_translate pour convertir les fichiers GRID en tiff ou autre ?


Il existe une extension spécifique pour les sources GDAL dans GeoServer.

Veuillez vérifier les liens ci-dessous :


Obtention de l'élévation de Oncomélanie hupensis habitat basé sur Google Earth et son évaluation de la précision : un exemple de la région du lac Poyang, Chine

Schistosomiase japonicum est une zoonose majeure qui nuit gravement à la santé humaine et affecte le développement social et économique de la Chine. Le contrôle de Oncomélanie hupensis, le seul hôte intermédiaire de schistosome japonicum, est l'une des mesures intégrées de lutte contre la schistosomiase en Chine. L'acquisition de données d'altitude mises à jour de l'environnement de l'habitat des escargots, ainsi que leur analyse spatiale, jouent un rôle important pour l'évaluation des risques et le contrôle précis de la transmission et de la prévalence de la schistosomiase. Actuellement, la base de données d'altitude de l'environnement de l'habitat des escargots dans les zones épidémiques de schistosomiase n'est pas disponible dans le monde, ce qui affecte le développement des travaux de recherche et d'application concernant le contrôle des escargots. Google Earth (GE) peut fournir des informations massives liées à la topographie, à la géomorphologie et aux objets au sol d'une région en raison de ses avantages incontestables tels qu'une large utilisation, une charge gratuite et une mise à jour rapide. Dans cet article, en prenant la région du lac Poyang comme exemple, nous avons extrait des données d'altitude de l'environnement du lac habité par des escargots de GE et établi un modèle de régression de correction d'altitude (CRM) pour acquérir des altitudes géospatiales précises, afin de fournir une décision- référence pour le contrôle des escargots et l'évaluation des risques de schistosomiase en Chine. Nous avons développé un programme d'interface de programmation d'applications (API) GE pour extraire les données d'altitude de GE, qui ont été comparées aux données d'altitude réelles obtenues à partir de la carte topographique du fond du lac Poyang. Ensuite, un modèle de régression de correction a été établi et évalué par 3 indices, l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE) et l'indice de concordance (IOA) pour la précision du modèle. Les valeurs d'altitude extraites de GE dans 15086 points de grille d'échantillonnage du lac variaient de 8,5 m à 24,8 m. Une fois les points d'échantillonnage répartis au hasard en trois groupes, les altitudes moyennes de trois groupes étaient respectivement de 13,49 m, 13,52 m et 13,65 m, avec un écart type compris entre 2,04 et 2,06. L'élévation moyenne entre les trois groupes n'a pas de différence statistique (F = 1,536, P = 0,215). Un modèle de régression de correction d'élévation a été établi comme y = 6,228 + 0,485 ×. les résultats de l'évaluation de la précision du modèle ont montré que la MAE et la RMSE avant correction étaient respectivement de 1,28 m et 3,95 m, supérieures à celles après correction, qui étaient respectivement de 0,74 et 1,30 m. L'IOA avant correction (−0,40) était inférieur à celui après correction (0,34). Google Earth peut accéder directement ou indirectement à des informations massives liées à la topographie, la géomorphologie et les objets au sol en raison de ses avantages incontestables. Cependant, elles doivent encore être converties en données plus fiables et plus précises en les combinant avec des outils de pré-traitement. Cette étude a utilisé un programme API auto-développé pour extraire les données d'altitude de GE en localisant avec précision et en améliorant la précision de l'altitude en utilisant un modèle de régression de correction, qui peut fournir des sources de données fiables pour toutes sortes de recherches et d'applications de données spatiales.


Voir la vidéo: Lecture 64: Geoserver Raster and SLD Integration