Suite

Quel est le moyen le plus efficace de rechercher dans une géodatabase des enregistrements de type NULL ?

Quel est le moyen le plus efficace de rechercher dans une géodatabase des enregistrements de type NULL ?


Le problème : j'ai une géodatabase avec plusieurs jeux de données et de nombreuses autres classes d'entités. Les champs des classes d'entités ont été renseignés via des jointures avec des fichiers de formes et des modifications manuelles. Souvent, les champs de chaîne deviendront remplis d'espaces blancs (c'est-à-dire ", ", etc.) ou de la chaîne "Null", et les champs numériques deviendront remplis d'un zéro (0). Je voudrais trouver ces enregistrements et les remplacer par une vraie valeur NULL. J'ai le code suivant, qui utilise un UpdateCursor, mais il est toujours très lent et n'attrape pas tous les enregistrements de type NULL. Quelqu'un connaît-il d'autres moyens d'accomplir cette tâche ?

GDB = arcpy.GetParameterAsText(0) #input geodatabase arcpy.env.workspace = GDB datasetList = arcpy.ListDatasets() #liste les jeux de données pour le jeu de données dans datasetList : arcpy.env.workspace = os.path.join(GDB, jeu de données) fcList = arcpy.ListFeatureClasses() pour fc dans fcList : arcpy.AddMessage("Traitement %s… " % fc) #count fonctionnalités arcpy.MakeTableView_management(fc, "tempTableView") count = int(arcpy.GetCount_management("tempTableView"). getOutput(0)) si nombre > 0 : fieldList = arcpy.ListFields(fc) pour le champ dans fieldList : arcpy.AddMessage("… %s" % field.name) rows = arcpy.UpdateCursor(fc) pour la ligne dans les lignes : count = 0 if row.isNull(field.name) : continue # si déjà null elif field.type == "Text": value = row.getValue(field.name) if value.lstrip(") =="ou value .inférieur() == '': # recherche des espaces ou '' row.setNull(field.name) count += 1 elif field.type == "ShortInteger" ou field.type == "LongInteger" ou field.type == "Float" ou field.type == "Double": value = row.getValue(field.name) if value == 0: row.setNull(field.name) count += 1 if count > 0: # mettre à jour la ligne si les enregistrements ont changé rows.updateRow(row) del rows else : arcpy.AddMessage("… AUCUN ENREGISTREMENT TROUVÉ.")

Étant donné que je suis plus familier avec 10.1+, et que les curseurs en général sont bien meilleurs dans ledamodule, voici une solution potentielle. Actuellement, vous créez un curseur à chaque fois que vous changez de champ, ce qui signifie que vous prenez un coup là-bas. De plus, vous vérifiez le type de champ pour chaque enregistrement au lieu d'utiliser le type de champ une seule fois pour filtrer initialement.

j'ai changé commentNulles valeurs sont vérifiées, mais je ne l'ai pas complètement testé pour vérifier toutes les valeurs possibles. Pour le petit échantillon de données que j'avais, cela a fonctionné @ 10.2.2.

#Return None si la valeur doit être modifiée, sinon retourne la valeur def nullify(value): x = value if value is not None: #True les champs null sont lus comme None types if type(value) == str: if value .lstrip(") =="ou value.lower() == '' : x = Aucun autre : si valeur == 0 : x = Aucun renvoie x

#Nous ne sommes intéressés que par certains champs ftypes = ("String", "SmallInteger", "Integer", "Double") fieldList = [f.name for f in arcpy.ListFields(fc) if f.type in ftypes] avec arcpy.da.UpdateCursor(fc, fieldList) en tant que lignes : pour la ligne dans les lignes : nulled = map(nullify, row) if row != annuléd : #Mise à jour uniquement si la ligne doit réellement être modifiée. rows.updateRow(nulled)

Au lieu d'utiliser un curseur pour examiner tous les champs de chaque enregistrement (un à la fois à l'aide du curseur), qu'en est-il de l'interrogation de tous les enregistrements d'un seul champ (en vrac) à l'aide de l'outil "Sélectionner par attributs", puis de calculer tous les éléments sélectionnés enregistrements à l'aide de l'outil « Calculer le champ » ? Ensuite, vous pouvez simplement parcourir chaque champ en Python ?

En utilisant votre code comme base, j'ai simulé ceci (qui fonctionne sur un fichier GDB. Vous devrez corriger la syntaxe du champ par type de base de données en fonction de la référence SQL pour les expressions de requête utilisées dans ArcGIS. J'ai laissé quelques instructions de test et le CalculateField déclaration commentée afin que vous puissiez la tester avant de casser réellement quelque chose.

J'ai également emprunté le code pour obtenir vos classes d'entités de @gotchula réponse à Répertorier toutes les classes d'entités dans File Geodatabase, y compris dans les jeux de données d'entités ?

import arcpy import os GDB = arcpy.GetParameterAsText(0) #input geodatabase arcpy.env.workspace = GDB def listFcsInGDB():"définissez votre arcpy.env.workspace sur un gdb avant d'appeler"#https://gis.stackexchange. com/questions/5893/listing-all-feature-classes-in-file-geodatabase-include-within-feature-datase pour fds dans arcpy.ListDatasets(",'feature') + ["]: pour fc dans arcpy. ListFeatureClasses(",",fds) : rendez-vous os.path.join(arcpy.env.workspace, fds, fc) fcList = listFcsInGDB() pour fc dans fcList : arcpy.AddMessage("Traitement %s… " % fc) # count fonctionnalités tempTableView = arcpy.MakeTableView_management(fc, "tempTableView") count = int(arcpy.GetCount_management("tempTableView").getOutput(0)) if count > 0: fieldList = arcpy.ListFields(fc) pour le champ dans fieldList : arcpy.AddMessage("… {0} ({1})".format(field.name, field.type) ) if field.type == "Text" ou field.type == "String": whereclause = " "{0}" ="ou "{0}" ="ou "{0}" ="ou "{0}" est NULL".format(field.name) #arcpy.AddMessage ("Recherche de " +champ.n ame+ " where " +whereclause) arcpy.SelectLayerByAttribute_management("tempTableView", "NEW_SELECTION", whereclause) #featcount = str(arcpy.GetCount_management("tempTableView").getOutput(0)) #arcpy.AddMessage(featcount) #arcpy. CalculateField_management(tempTableView,"{0}".format(field.name), "NULL") count += 1 elif field.type == "Integer" ou field.type == "ShortInteger" ou field.type == " SmallInteger" ou field.type == "LongInteger" ou field.type == "Short" ou field.type == "Long" ou field.type == "Float" ou field.type == "Single" ou field. type == "Double" ou field.type == "Numeric": whereclause = ""{0}" = 0 ou "{0}" est NULL".format(field.name) #arcpy.AddMessage ("Recherche de " +field.name+ " where " +whereclause) arcpy.SelectLayerByAttribute_management("tempTableView", "NEW_SELECTION", whereclause) #featcount = str(arcpy.GetCount_management("tempTableView").getOutput(0)) #arcpy .AddMessage(featcount) #arcpy.CalculateField_management(tempTableView,"{0}".format(field.name), "0") count += 1 else : ##Pas un champ modifiable arcpy.AddMessage("Pas un type de champ modifiable de : " + field.type) pass

Suivre les noms de famille et les schémas de migration à l'aide du SIG ?

J'ai posté une question, Utilisation de la cartographie Web et du géocodage pour suivre les données généalogiques, sur Geographic Information Systems SE il y a quelque temps, donc j'étais très excité quand j'ai vu la proposition pour ce site. J'ai réalisé que ma question comportait deux volets, à savoir le côté SIG et le côté généalogique, c'est pourquoi j'ai pensé poster la partie pertinente ici.

Au cours de la dernière année, je me suis impliqué dans la recherche de mon arbre généalogique. Mon grand-père paternel venait d'une île isolée de l'Atlantique, avec des centaines d'autres de sa génération, et beaucoup d'entre eux se sont installés dans la même région. Comme l'île est très petite, ils partagent un petit nombre de noms de famille (quelques dizaines de noms de famille, avec de multiples variantes du même nom).

La Société récemment établie a compilé une petite base de données de contacts des descendants connus vivant dans la ville (et par extension, tous les membres de la famille qui se trouvent également dans d'autres parties du pays). Pour le moment, tout ce qu'ils ont, ce sont les coordonnées de base des individus, et une fois tous les quelques mois, une réunion est organisée pour prendre contact avec tout le monde.

Venant d'une formation en SIG, je sais que la Société peut grandement bénéficier de mes compétences en cartographie pour suivre les descendants et éventuellement commencer à retracer les arbres généalogiques dans l'espace. Ce que j'aimerais savoir, c'est que d'un point de vue généalogique, est-ce qu'il suffit de commencer par des noms de famille connus ? Quelles données dois-je demander aux membres de la Société ? Je ne veux pas demander de manière générale "toutes les données dont vous disposez", car cela ajouterait trop de complexité à ce stade.

Pour clarifier, je ne garderais pas une trace des relations familiales en soi, mais plutôt un cas de "sur les 20 Jones qui sont arrivés ici à l'origine, il y a maintenant 300 familles Jones" etc. Je compterais sur les autres membres de la société pour fournir les données généalogiques, tandis que je constituerais et analyserais les informations spatiales.


Abstrait

La prévision et la présentation des conditions météorologiques et marines de manière intégrée sont d'une importance primordiale dans de nombreux domaines d'intérêt, y compris les opérations offshore. Les énormes ensembles de données générés à partir de systèmes de prévision météorologique et maritime en cours d'exécution présentent un défi en termes de traitement et de présentation efficace de ces données. Cet article présente une méthode d'optimisation d'énormes ensembles de données météorologiques et marines pour une utilisation efficace par le SIG, la création de cartes météorologiques et marines automatiques, et une carte interactive pour interroger toutes les données météorologiques et marines intégrées nécessaires à des emplacements géographiques sélectionnés. Cette application réduit considérablement le temps de traitement des données et les complexités liées à la présentation d'ensembles de données aussi volumineux. Copyright © 2012 Société Royale de Météorologie


Module 1 : Introduction au SIG et à la Distribution Géographique

Bienvenue dans ce cours sur l'analyse géospatiale en urbanisme. Nous sommes dans le 1er module, le module est structuré comme Introduction au système d'information géographique et à la répartition géographique. Ainsi, dans le 1er cours de ce module, nous allons nous concentrer principalement sur les composants du système d'information géographique et sur ce qu'est ce système d'information géographique. Donc, nous allons avoir un très bref aperçu d'un système d'information SIG, système d'information géographique.
(Reportez-vous à l'heure de la diapositive : 00:45)
Ainsi, le concept qui serait couvert dans cette conférence particulière est un bref ou une vue d'ensemble du SIG, les composants qui constituent le SIG, les fonctions du SIG et l'application du SIG.
(Reportez-vous à l'heure de la diapositive : 01:09)
Donc, si nous voyons le type d'applications que votre SIG aurait sur le paysage urbain, nous aurions besoin de savoir en quoi consiste ce SIG. Donc, fondamentalement, si nous voyons la définition, cela inclut un système informatique qui capturerait, stockerait, gérerait, analyserait et afficherait toutes sortes de données géographiques ou spatiales et exécuterait les requêtes et les afficherait sous forme de cartes.
Et il a les données qui sont agrégées dans un cadre de référence de localisation ou une sorte de système de référence de localisation tel que les données auraient vos coordonnées latitudinales ou longitudinales ou elles pourraient avoir l'est ou le nord en termes de mètres ou de n'importe quelle distance
mesure. Maintenant, les objectifs du SIG sont essentiellement d'aider à augmenter l'efficacité du processus de planification et de prise de décision.
Nous faisons beaucoup de jugements de planification basés sur des scénarios donnés, sur la base des données existantes et que nous avons interprétées et qui conduisent essentiellement à une solution particulière à un problème donné et le SIG est un outil très efficace dans ce processus particulier. Deuxièmement, il fournit un moyen efficace de distribution et de traitement des données.
Donc, nous savons que dans le monde d'aujourd'hui, je veux dire que nous devons gérer, je veux dire une quantité énorme de données, donc pour les gérer efficacement, nous avons besoin d'un système qui peut le faire en temps réel, qui peut traiter les données en temps réel. Donc, fondamentalement, ce système particulier de système d'information géographique nous fournit une plate-forme pour, je veux dire un moyen efficace de gérer les données et de les traiter en temps réel.
Le prochain objectif du SIG est d'éliminer les bases de données redondantes et de minimiser la duplication. Ainsi, dans le monde d'aujourd'hui, nous voyons que les mêmes données sont disponibles à partir de différentes sources. Donc, il pourrait y avoir une redondance en termes de données que nous pourrions collecter. Nous parlons donc de big data, nous parlons de systèmes IoT dans lesquels les capteurs aideraient les processus de collecte de données.
Donc, il pourrait y avoir, je veux dire, une redondance en termes de base de données que nous recueillons et il pourrait y avoir une duplicité des données. Donc, fondamentalement, le système SIG devrait éliminer ce type de duplication en termes de collecte de données et il s'agit d'archivage, c'est donc également l'un des objectifs d'éliminer la redondance en termes de données que nous collectons.
L'objectif suivant est d'intégrer des informations provenant de sources multiples. Donc, fondamentalement, lorsque nous parlons de systèmes urbains, nous ne parlons pas seulement de composants individuels isolément, mais nous parlons de multitudes ou de sources différentes dans lesquelles l'information est requise et elle est rassemblée dans ce système donné. Ainsi, il devrait être capable d'intégrer toutes les données provenant de différentes sources.
Ainsi, lorsque nous parlons d'intégration des données, nous devons examiner l'intégration temporelle, c'est-à-dire les données que vous collectez à différents moments, nous devons parler de l'évolutivité de ces informations particulières à quelle échelle nous collectons ces informations. Ainsi, ce système doit intégrer toutes les informations disponibles à partir de différentes sources, de sources multiples et les intégrer dans une plate-forme. Et il est très important de mentionner que toutes ces données auraient une référence de localisation, sinon ce ne serait pas si utile pour notre analyse et notre prise de décision.
Le dernier objectif que nous pouvons évaluer pour ce système particulier est de développer des modèles analytiques ayant des requêtes sur les données que nous avons collectées dans notre, je veux dire que nous parlions de différentes sources où nous pouvons collecter des données pour les systèmes urbains. Ainsi, ces données de référence géographique que nous avions collectées doivent être analysées et ces analyses peuvent être des analyses très complexes ou de simples requêtes.
Donc, ce système devrait être assez robuste pour exécuter des analyses complexes ainsi que des requêtes simples et il devrait être capable de le faire en temps réel et de l'afficher sous forme de cartes qui seraient faciles à interpréter.
(Reportez-vous à l'heure de la diapositive : 06:19)
Maintenant, si nous regardons les différentes composantes du SIG. Le premier composant est un système d'information sur ordinateur qui fait partie du matériel, puis nous aurions des logiciels qui seraient impliqués dans la partie traitement des données, la collecte des données, l'analyse, je veux dire comme un outil de programmation pour écrire des codes, pour exécuter des processus , faire des simulations.
Le prochain élément le plus important du SIG est la base de données. Ainsi, nous avons parlé de la base de données multiforme qui est nécessaire pour toute sorte d'analyse urbaine qui aurait une référence géographique. Ainsi, cette base de données serait relative à différents types de variables et le dernier mais le plus important composant sont les personnes.
Fondamentalement, lorsque nous parlons de planification urbaine, nous traitons de problèmes de planification qui sont pertinents pour les personnes qui occupent ce lieu particulier. Donc, les gens, je veux dire des informations concernant les gens et leurs commentaires, leurs appréhensions, leurs je veux dire
aspirations, il devient partie intégrante du processus de planification. Ainsi, le dernier composant du système d'information SIG est le peuple.
Si nous parlons de l'histoire du SIG, comment cela a été créé. C'est le Dr Roger Tomlinson qui, en 1962, a créé et développé le Système canadien d'information géographique, le CGIS ou le Système canadien d'inventaire des terres. Il s'agissait essentiellement d'un système d'enregistrement foncier dans lequel il créait un cadre qui peut être utilisé pour essentiellement, je veux dire, l'enregistrement de l'inventaire des parses individuels, de ses usages et des divers autres paramètres connexes dans une telle base de données. Et il est intéressant de noter que le Dr Roger Tomlinson, avant de faire ce travail particulier, était pilote de chasse dans la Royal Air Force.
(Reportez-vous à l'heure de la diapositive : 08:31)
Ensuite, si nous voyons les différents types de formats de données que nous utilisons dans cette base de données particulière, nous avions parlé des différents composants du SIG et des données étant l'un des plus
composante importante. Il est donc important pour nous de stocker les données dans différents formats. Ainsi, il existe principalement deux types de formats de données que nous utilisons pour stocker des données.
Le premier type est les données raster, vous êtes pour la plupart familiers avec les données raster, lorsque nous prenons des photos à l'aide de nos appareils photo, appareils photo mobiles ou appareils photo, nous prenons généralement les réflectances et les enregistrons sous forme de pixels. Il s'agit donc d'une grille ou d'une série de cellules de grille dans laquelle chaque cellule de grille serait une valeur représentant les caractéristiques observées. Ainsi, nous enregistrons essentiellement les réflectances sous forme de nombres numériques et, en gros, elles sont stockées sous forme de tableau de cellules de grille qui sont enregistrées en tant que données raster.
Maintenant, ce type particulier de données SIG est le mieux adapté pour acquérir des données continues, dans lesquelles vous n'êtes pas fondamentalement intéressé à contenir, je veux dire que vous enregistrez des informations ponctuelles, mais des données continues une information qui n'aurait pas de limites ou d'emplacement fixes. Donc, je veux dire par exemple, nous pouvons dire que lorsque nous voulons acquérir la température, les valeurs de toutes les cellules de la grille dans une ville donnée, supposons que nous fassions une étude sur les îles de chaleur urbaines, nous serions intéressants pour capturer les valeurs de température .
Ainsi, le format de données raster serait idéalement adapté pour effectuer une telle analyse. L'exemple suivant pourrait être l'élévation d'une zone donnée, dans laquelle si vous souhaitez connaître le type de ruissellement en cas d'inondation urbaine. Ainsi, l'altitude pourrait être stockée pour chaque point et nous pouvons ensuite la convertir en contours ou nous pouvons trouver la carte de pente, nous pouvons trouver la carte d'aspect. Donc, cela pourrait être un autre exemple où nous pourrions enregistrer les données, les données continues en tant que point de données raster.
Le type de données suivant qui est essentiellement utilisé dans les SIG et qui est largement utilisé sont les données vectorielles. Donc, les données vectorielles, je veux dire que nous utilisons des données vectorielles dans les systèmes de CAO, dans lesquels les données sont essentiellement enregistrées sous forme de points, de lignes ou de polygones. Ainsi, dans ce cadre de données particulier, nous enregistrons les données discrètes qui sont représentées sous forme de vecteur.
Ainsi, ces données auraient un emplacement exact ou des limites strictes et celles-ci impliqueraient, par exemple, les limites de limites administratives ou si vous acquérez les informations de lignes de points de données linéaires ou de lignes, des exemples pourraient être celui de la route, les données de point pourraient être stockées, je veux dire
pour les arrêts de bus dans une zone urbaine donnée. Ainsi, cela pourrait être quelques exemples de données qui pourraient être stockées au format vectoriel, en particulier sous forme de polygones, de lignes ou de points.
(Reportez-vous à l'heure de la diapositive : 12:15)
Ensuite, nous parlons des différents types de formats de données raster dans lesquels nous stockerions des données SIG. Ainsi, le premier format de données est le format de données de grille Arcinfo qui est couramment utilisé et il s'agit essentiellement du format propriétaire d'Esri et il est composé de deux dossiers, dans lesquels un espace de travail contiendrait plusieurs fichiers et contiendrait un dossier qui aurait le nom de la grille. et il porterait un certain nombre de différents fichiers adf qui auraient la réflectance pour chacun des pixels ou les valeurs de chacune des grilles agrégées en tant que grille Arcinfo.
Les prochains types d'images seraient les formats d'images multibandes et il existe différents types de formats. Les principaux formats utilisés pour ce type de données raster sont le format de ligne entrelacé de bandes, les autres formats sont les pixels entrelacés de bandes et les séquences de bandes. Alors,
dans ces trois types de formats, nous serions capables de stocker plusieurs bandes d'informations ou plusieurs couches d'informations, pas seulement trois couches comme nous le voyons sur les photographies principalement les bandes rouges, vertes et bleues.
Donc, ici, nous pouvons stocker plusieurs bandes. Cela serait donc très utile lorsque nous acquérons des images ou des données à partir de plusieurs sources. Le prochain type de format de données raster est Digital ElevationModel. C'est je veux dire très populairement connu sous le nom de DEM, qui est utilisé par l'USGS pour enregistrer l'élévation des caractéristiques ponctuelles sur la surface de la terre. Il s'agit donc également d'un exemple de données continues et elles sont stockées au format de point de données raster.
Le type de données suivant le type de données raster est GeoTIFF. Il s'agit donc essentiellement d'un format de fichier image balisé dans lequel il est référencé géographiquement. Ainsi, l'image dans ses informations d'en-tête aurait les étendues géographiques comme partie du fichier.
(Reportez-vous à la durée de la diapositive : 14:35)
Maintenant, nous aurions d'autres formats de données raster populaires pendant que nous traitons avec le SIG. Certains de ces formats sont au format ADRG, il s'agit des graphiques raster numérisés à l'arc. Le format RPF qui est Raster Product Format, c'est je veux dire dans le domaine militaire, c'est souvent utilisé. Nous avons le format DRG, qui est le graphique raster numérique. Format ECRG qui est l'acronyme de Enhanced Compressed ARC Raster Graphics.
Format ECW qui est le format Wavelet compressé amélioré qui est un format ERDAS. Le format Esrigrid, qui est le format raster ASCII utilisé par ESRI, nous en avons déjà parlé. Nous avons déjà parlé du format GeoTIFF qui est enrichi de fichier TIFF enrichi de coordonnées SIG. Format HDF qui correspond aux fichiers de format de données hiérarchiques.
Format IMG qui est le format de fichier image utilisé par ERDAS. Nous avons le comité Joint PhotographicExperts Group du format JPEG et il est populairement connu sous le nom de format JPEG2000 qui utilise la transformation de longueur d'onde discrète pour la compression. Et puis nous avons le MrSID qui est la base de données d'images transparentes multi-résolutions.
(Reportez-vous à la durée de la diapositive : 15:59)
Le format de données suivant est celui des données vectorielles que nous utilisons abondamment dans les SIG pour enregistrer des points de données essentiellement discrets. Ainsi, le format de fichier le plus couramment utilisé est les fichiers de forme et ce format de fichier est principalement compatible avec la plupart des logiciels SIG, qu'ils soient propriétaires ou open source, que vous rencontreriez.
Ainsi, ce format de fichier particulier est associé à un groupe de fichiers et le nom du fichier aurait différents types de préfixes tels que dot shp qui est le fichier de formes dans lequel se trouve le contenu des données, shx qui traite de l'en-tête et contient les méta-informations concernant le fichier . Vous auriez les informations de base de données associées au format point dbf. Le fichier de projection qui enregistre la projection géographique de la base de données qui est enregistrée au format dot prj, puis nous aurions des fichiers dot lyr qui sont essentiellement des fichiers de couche.
Le prochain type de données vectorielles est la couverture Arcinfo qui est aujourd'hui remplacée par le format de géodatabase et elle est composée de deux dossiers dans un espace de travail. Le premier dossier porte le nom de la couverture et contient un certain nombre de fichiers adf et le deuxième dossier est le dossier info qui contient le fichier dot dat et les fichiers dot nit qui contiennent essentiellement les informations de base de données concernant les entités vectorielles.
Le prochain type de format de données vectorielles est celui des informations de la géodatabase et il s'agit du format de données natif pour les ESRI, le logiciel ArcGIS. Donc, fondamentalement, il s'agit d'une collection d'ensembles de données SIG de divers types, je veux dire qu'il peut s'agir de données vectorielles, raster ou tabulaires et elles sont agrégées en tant que géodatabase.
Nous avons également, je veux dire, des données de capteurs LiDAR, c'est-à-dire des capteurs de détection de lumière et de télémétrie, qui sont essentiellement des lasers pulsés pour mesurer les valeurs de distance, c'est-à-dire les valeurs de distance et qui vous donneraient les distances variables pour présenter des objets et ces informations sont stockées sous forme d'informations de nuage de points et ce fichier a généralement une extension de point LAS, LAS.
(Reportez-vous à l'heure de la diapositive : 18:51)
Désormais, les autres formats de données vectorielles populaires sont AutoCAD DXF. Donc, c'est le format d'autodesk et c'est soit dans un format binaire, soit dans un format ASCII. Donc, si vous avez un format DXFASCII, vous pouvez très bien l'ouvrir dans un bloc-notes ou un WordPad et voir le contenu de ce fichier comment les valeurs de données sont stockées pour les entités ponctuelles, pour les entités linéaires ou les entités surfaciques.
Ensuite, nous avons le système de coordonnées cartésiennes qui est un simple nuage de points. Le DLG qui est le graphique linéaire numérique qui est essentiellement un format USGS, il est largement utilisé par le format USGS.GML qui est le langage de balisage géographique, c'est un format SIG ouvert utilisé pour l'échange de données SIG. Nous avons également le format GeoJSON qui est le format léger basé sur JSON qui est utilisé dans de nombreux packages SIG open source. Donc, ces deux formats sont très utiles pour nous ces formats GML et GeoJSON.
Le suivant est le format propriétaire qui est GeoMedia, c'est le format basé sur l'accès Microsoft Intergraph, car je veux dire spécifiquement le stockage vectoriel, les données qui sont de type vectoriel. Nous avons le format ISFC qui est une solution de CAO basée sur Intergraph & rsquos MicroStation. Nous avons le format KML qui est je veux dire largement utilisé par Google. Il est connu sous le nom de Keyhole MarkupLanguage qui est le langage basé sur XML pour stocker des informations vectorielles.
Nous avons le format MapInfo TAB, encore une fois c'est un format propriétaire. Il s'agit du format de données vectorielles MapInfosoftwares. Nous avons le format de transfert national NTF. Nous avons Spatialiteit est une extension spatiale du SQLite, c'est encore un format open source. Nous avons des fonctionnalités simples qui sont des spécifications pour les données vectorielles. Format SOSI qui est le format de données spatiales utilisé pour la plupart des échanges publics et qui est utilisé en Norvège.
Nous avons le fichier de données spatiales qui est le format de géodatabase haute performance d'autodesk&rsquos. Nous avons le format TIGER, qui intègre topologiquement un codage et un référencement géographiques. Et nous avons le format VPF qui est le format de produit vectoriel. Ce sont quelques-uns des formats propriétaires et open source qui sont largement utilisés lors de la collecte ou du traitement des informations de données vectorielles.
(Reportez-vous à la durée de la diapositive : 21 : 41)
Voyons donc maintenant quelles pourraient être les utilisations ou l'applicabilité du système d'information géographique et cela pourrait être dans divers contextes. Mais nous nous concentrerons davantage sur l'applicabilité urbaine des SIG en particulier pour les questions liées à l'urbanisme. La première consiste essentiellement à créer la base de données pour disposer d'un inventaire des données, qui serait essentiellement spécifique à un point, à un emplacement et nous serions également en mesure de coder les relations entre les données d'entité. Ainsi, nous serions en mesure de déterminer la victime d'un événement dans une zone urbaine.
Deuxièmement, serait d'évaluer l'intensité des caractéristiques. Maintenant, supposons que nous prenons un exemple de zone urbaine, supposons que nous ayons une zone urbaine, dans laquelle nous parlons de différents quartiers, il peut y avoir différents types de, je veux dire le nombre de population, il aurait différents attributs liés à dire économie ou disons le niveau d'instruction ou le rapport hommes/femmes, la quantité de population active. Ainsi, ces attributs peuvent être ajoutés
à ou tat avec les types de données vectorielles et pourrait être stocké. Ainsi, il pourrait être utilisé pour évaluer l'intensité de différentes caractéristiques dans une zone donnée.
Ensuite, il faut évaluer la densité des caractéristiques. Ainsi, nous pouvons mesurer l'intensité de ces caractéristiques par unité de surface. Disons, par exemple, que nous pouvons calculer la densité de population dans différents quartiers et découvrir quelle est l'intensité du développement dans différentes zones. Donc, de la même manière, je veux dire dans une zone urbaine donnée, nous pourrions voir que certains des quartiers auraient des bâtiments surélevés, certains d'entre eux auraient des bidonvilles, certains d'entre eux auraient des structures surélevées, nous pourrions donc identifier l'intensité du développement ou le densité de développement à l'aide de la plate-forme SIG. Nous pouvons également suivre les changements qui se produiraient au fil du temps et suivre la croissance d'une ville donnée dans un cadre temporel.
Donc, dans ce contexte les images de télédétection, je veux dire que ces images sont généralement stockées au format de données raster, elles nous fournissent donc une ressource précieuse lorsque nous voulons surveiller les changements temporels qui se produisent dans le contexte urbain. Ainsi, nous pourrions travailler sur des applications basées sur l'étalement urbain pour voir les zones où la croissance urbaine est rapide et prendre les mesures nécessaires pour fournir des infrastructures et des services dans ces zones, la modélisation temporelle ou les changements temporels et nous pouvons également empêcher la croissance Je veux dire nous pouvons faire Je veux dire simulation sur la base des transactions de croissance historiques et nous pouvons également décrire comment la ville pourrait se développer à l'avenir.
Donc, on peut aussi faire une sorte de projection. Ainsi, nous pouvons surveiller les changements temporels et nous pouvons également prédire les changements temporels en utilisant différentes approches de modélisation. Ensuite, nous pouvons surveiller l'état d'une zone d'intérêt. Si nous avons des inondations dans une zone donnée, nous pouvons identifier les zones où des inondations se sont produites et nous pouvons recenser le nombre de villages ou de quartiers ou la population totale qui est touchée par cette inondation. Ainsi, nous pouvons surveiller l'état dans une zone d'intérêt.
Nous pouvons créer une zone d'intérêt qui est généralement appelée AOI dans le langage courant du SIG et nous pouvons découvrir quel est le statut ou surveiller la je veux dire comment les choses existent, quelle est la condition je veux dire des gens, quelle est la condition de l'infrastructure et je veux dire
différents aspects des services urbains. Ainsi, ce suivi peut être effectué dans un domaine d'intérêt basé sur des études.
Nous pouvons également faire des études proximales pour trouver votre terrain utilisé le long de différents segments de route en utilisant une zone tampon. Donc, je veux dire ce qui se trouve à proximité pour dire que des caractéristiques données peuvent être étudiées à l'aide du SIG, en particulier dans le cadre de la planification urbaine.
On peut aussi modéliser des scénarios complexes et simuler des scénarios complexes, je veux dire je vous parlais justement de la modélisation de l'étalement urbain, on peut aussi modéliser des scénarios complexes comme la pollution de l'air. Et nous pouvons utiliser des modèles physiques comme le modèle de panache gaussien ou disons que je veux dire des modèles de pollution de source linéaire ou un modèle de pollution de source de zone ou des modèles de pollution de source ponctuelle en simulant ce type de dépôt le dépôt de pollution atmosphérique, et je veux dire identifier les zones qui sont sujettes à ce type de pollution .
Un autre exemple qui me vient à l'esprit est celui des zones sujettes au risque sismique. Ainsi, à partir de notre compréhension des paramètres qui affectent les événements sismiques, nous pouvons découvrir les facteurs qui contribuent au risque sismique dans des zones données et nous pouvons étudier les zones et nous pouvons isoler et identifier les zones sujettes aux risques sismiques. Voici donc quelques exemples et utilisations du SIG.
(Reportez-vous à la durée de la diapositive : 27:43)
Donc, cela vient, je veux dire avec cela, nous conclurions cette première conférence particulière de cette série. Pour votre référence, vous pouvez parcourir ces deux livres qui sont enrôlés ici par Paul Bolstad et par Kang-tsung. Et le deuxième livre est un livre très fondamental et il vous aiderait, Imean, à vous familiariser avec l'apprentissage des SIG.
Merci, pour cela, je veux dire pour votre audition patiente.

Connectez-vous pour enregistrer vos progrès et obtenir un certificat dans le cours en ligne gratuit An Introduction to GIS and Data Models d'Alison

Inscrivez-vous pour enregistrer vos progrès et obtenir un certificat dans le cours en ligne gratuit An Introduction to GIS and Data Models d'Alison


Quel est le moyen le plus efficace de rechercher dans une géodatabase des enregistrements de type NULL ? - Systèmes d'information géographique

L'administration efficiente et efficace des terres et de leurs ressources associées dépend de la disponibilité d'informations foncières fiables. De nombreux pays informatisent leurs registres cadastraux et créent de grandes bases de données nationales. Les données relatives aux terres sont désormais intégrées, analysées et distribuées d'une manière qui, jusqu'à récemment, n'était pas possible. Dans la zone d'étude, le système de gestion des terres existant est réalisé en format analogique de manière entièrement conventionnelle. Par conséquent, le but de cette étude est de réaliser un système d'information cadastrale dans un environnement SIG pour l'amélioration du système de gestion des terres dans la ville. Pour ce faire, une approche détaillée basée sur le SIG a été utilisée pour construire une géodatabase de données spatiales et non spatiales de la zone d'étude. Les données spatiales ont été ajoutées à l'aide de la géométrie des coordonnées (COGO) dans un environnement SIG. Les données non spatiales ont été codées à l'aide de la méthode de saisie au clavier dans l'environnement Arc Map. Ensuite, les graphiques ont été liés à une base de données d'attributs non spatiaux. De même, des requêtes spatiales et non spatiales ont été effectuées dans un environnement SIG. Une partie de l'opération consistait à rechercher le nom du propriétaire, le type d'acquisition de terrain et la densité de population. En conséquence, une carte cadastrale numérique basée sur le SIG de la ville de Tepi a été produite. Le document a révélé que le système fournira un système fiable et facile pour la collecte d'informations, l'analyse, la récupération et le suivi des tendances relatives à une parcelle de terrain particulière, ce qui est inestimable pour une gestion efficace des terres dans la zone d'étude.

1. Introduction

La plupart des activités humaines et des efforts de développement sont basés sur la terre. Par conséquent, un enregistrement systématique des terres et des droits fonciers est vital pour l'administration publique, la planification, l'aménagement du territoire et les transactions foncières privées. Cependant, la population mondiale sans cesse croissante et la pression croissante sur les ressources naturelles et artificielles rendent critique le besoin d'informations foncières comme base pour la gestion et l'exploitation des ressources terrestres de manière durable. Cela a entraîné une transition des systèmes fonciers fondés sur le droit communal ou coutumier à des systèmes fondés sur le droit statutaire tels que la propriété franche.

Selon 1 a suggéré que, sans informations foncières à jour adéquates, il devient difficile de mettre en œuvre des projets de planification, de développement et d'exploitation de ces ressources de manière durable pour le mieux-être des communautés. La terre est sans aucun doute l'une des ressources les plus précieuses de toute nation et la gestion de l'information foncière fait partie intégrante du développement urbain. De même, la croissance croissante de la population rurale et la migration massive des personnes vers les villes (en particulier dans les pays en développement) ont exercé une pression croissante sur les terres rurales et urbaines 2 . Par conséquent, un enregistrement systématique et une utilisation rationnelle des terres devraient être d'une importance primordiale pour les planificateurs et les décideurs.

Selon la Fédération internationale des géomètres 3, le cadastre est défini comme : « un système d'information parcellaire et à jour contenant un enregistrement des intérêts fonciers (par exemple, droits, restrictions et responsabilités). Il comprend généralement une description géométrique des parcelles de terrain liée à d'autres enregistrements décrivant la nature des intérêts et la propriété ou le contrôle de ces intérêts et souvent la valeur de la parcelle et de ses améliorations ».

Plus succinctement, un système cadastral consiste en la collecte, l'enregistrement et le stockage de toutes les informations relatives aux parcelles individuelles. L'arpentage cadastral est celui qui établit et enregistre l'emplacement, les limites des éléments qui s'y trouvent et la propriété des terres et des biens. C'est l'une des sources de données du système d'information géographique.

Selon 4 a expliqué que, le SIG est un système pour capturer, stocker, manipuler, analyser et présenter des données référencées géographiquement. Il s'agit d'un concept multidisciplinaire car il recoupe pratiquement toutes les professions. Ils ont cependant souligné en outre qu'un SIG consiste essentiellement en un ensemble d'outils que les professionnels de diverses disciplines utilisent pour améliorer leur façon de travailler. Les SIG permettent de visualiser, d'organiser et d'analyser géographiquement de nombreux types de données. Ces informations peuvent être utilisées pour informatiser le registre cadastral.

2. Méthodologie de l'étude

Dans cette étude, différents matériaux tels que le matériel et les logiciels ont été utilisés pour atteindre les objectifs de l'étude, comme indiqué dans le tableau 1.


Examiner les objets de la géodatabase

Dans cette leçon, vous commencerez par examiner la structure d'une autre géodatabase pour mieux comprendre les composants de la géodatabase tels que les classes d'entités, les jeux de classes d'entités et les tables autonomes utilisées pour organiser et gérer les données. Ensuite, vous convertirez et importerez divers jeux de données pour créer et mettre à jour la structure de votre géodatabase de Salzbourg. Voir Qu'est-ce qu'une géodatabase ? et Fondamentaux de la géodatabase pour en savoir plus.

Vous commencerez par importer la structure d'une géodatabase de fond de carte à partir d'un fichier XML.

Le fichier par défaut SalzburgDataManagement.gdb a été créé automatiquement lors de la création du projet. Vous allez remplir cette base de données avec vos données sources de Salzbourg. Cependant, vous allez d'abord créer une géodatabase supplémentaire pour explorer les composants de la géodatabase.

La nouvelle géodatabase apparaît dans la vue Catalogue.

Ensuite, vous importerez une structure de géodatabase à partir d'un fichier XML dans SampleBaseMapGDB.gdb . Ce n'est pas toujours nécessaire, mais dans ce cas, vous devez revoir une conception de géodatabase et des objets de géodatabase communs et également explorer comment vous pouvez utiliser des documents XML pour partager vos propres schémas de géodatabase à l'avenir.

Le volet Géotraitement apparaît et ouvre l'outil de géotraitement Importer un document d'espace de travail XML.

Cet outil nécessite une licence ArcGIS Pro Standard ou une licence ArcGIS Pro Advanced. (Si vous utilisez le logiciel d'évaluation ArcGIS, vous disposez d'une licence ArcGIS Pro Advanced.) Si vous disposez d'une licence ArcGIS Pro Basic, vous pouvez continuer avec la section Documenter et préparer la géodatabase de Salzbourg. Pour vérifier votre licence, cliquez sur l'onglet Projet sur le ruban et cliquez sur l'onglet Licence.

Une fois l'outil terminé, un message d'achèvement s'affiche en bas du volet Géotraitement.

Les géodatabases sont composées d'un ensemble de tables système et de données utilisateur. Les données utilisateur peuvent être stockées dans les types d'ensembles de données suivants :

  • Classe d'entités
  • Jeu de données d'entité
  • Jeu de données en mosaïque
  • Jeu de données raster
  • Tableau (non spatial)

De plus, les classes d'entités et les tables peuvent inclure des sous-types et avoir des domaines qui leur sont associés. Vous pouvez également remarquer des pièces jointes et des classes de relations dans la géodatabase.

Dans cette géodatabase, les classes d'entités sont organisées thématiquement en jeux de classes d'entités nommés Administratif, Culturel, etc. La géodatabase comprend également une boîte à outils que vous pouvez utiliser pour stocker des outils de géotraitement, des scripts et des modèles créés par l'utilisateur.

Les jeux de classes d'entités peuvent contenir des classes d'entités ainsi que les types de jeux de données suivants :

  • Tracer des réseaux
  • Jeux de données réseau (nécessite l'extension ArcGIS Network Analyst )
  • Terrains (nécessite l'extension ArcGIS 3D Analyst )
  • Topologies

Puisqu'il s'agit d'une structure de géodatabase de fond de carte, le jeu de classes d'entités administratives contient plusieurs classes d'entités linéaires et surfaciques conçues pour stocker et gérer les lignes de délimitation et les polygones des zones administratives.

La classe d'entités PointsOfInterest est une classe d'entités autonome qui n'est pas organisée dans un jeu de classes d'entités. Il possède une table de pièces jointes associée, PointsOfInterest__ATTACH, capable de contenir des images et des documents et liens associés pour chaque point de la classe d'entités. La fonctionnalité de pièce jointe offre un moyen puissant d'associer des données non géographiques à vos informations géographiques. Dans ce cas, une classe de relations nommée PointsOfInterest__ATTACHREL est utilisée pour maintenir un lien entre les points et leurs pièces jointes associées.

L'objet Slopemap représente un jeu de données raster qui est une seule couche de données raster ou image. Vous pouvez également créer des mosaïques dans des géodatabases. Les jeux de données en mosaïque sont utilisés pour gérer, afficher, servir et partager des collections de données raster.

Cet objet représente une table de géodatabase non spatiale qui peut contenir des descriptions, des codes et d'autres données pouvant être associées à des entités spatiales selon les besoins.

Vous avez importé le document d'espace de travail XML dans SampleBaseMapGDB.gdb pour explorer et examiner une conception de fond de carte type. Vous n'utiliserez plus cette géodatabase dans la leçon.

La suppression de la géodatabase supprime uniquement l'élément sélectionné du projet. Toutes les références de projet à l'élément sont supprimées, mais l'élément n'a pas été supprimé et reste sur le disque.

Maintenant que vous avez examiné l'exemple de schéma de géodatabase de fond de carte, vous êtes prêt à remplir votre propre géodatabase touristique.


Quel est le moyen le plus efficace de rechercher dans une géodatabase des enregistrements de type NULL ? - Systèmes d'information géographique

Un site officiel du gouvernement des États-Unis

Les sites officiels utilisent .gov
UNE .gov Le site Web appartient à une organisation gouvernementale officielle des États-Unis.

Les sites Web .gov sécurisés utilisent HTTPS
UNE serrure ( Verrouiller Un cadenas verrouillé

) ou alors https:// signifie que vous êtes connecté en toute sécurité au site Web .gov. Partagez des informations sensibles uniquement sur des sites Web officiels et sécurisés.

La base de données sur les diamants de la République centrafricaine—Une base de données géographique des occurrences de diamants d'archives et des zones d'exploitation minière artisanale et à petite échelle récente de diamants

Liens

  • Document: Reportage (6,44 Mo pdf)
  • Plaque: Géologie des couches superficielles et du substratum rocheux, gisements de diamants placers et occurrences minérales de la République centrafricaine (62,5 Mo pdf)
  • Bases de données :
    • Base de données (17,2 Mo zip)- Publication de données vectorielles cartographiées (emplacements miniers, rivières, géologie et géomorphologie)
    • Base de données (1,31 Go zip)- Publication des données du modèle numérique d'élévation (DEM) corrigé hydrologiquement et du modèle d'ombrage

    Abstrait

    Publié pour la première fois le 20 septembre 2018

    Directeur, Centre des sciences de la géologie orientale et du paléoclimat
    Commission géologique des États-Unis
    Centre national, MS 926A
    12201, promenade Sunrise Valley
    Reston, Virginie 20192

    Les gisements de diamants alluviaux de la République centrafricaine (RCA) sont exploités presque exclusivement par le biais de méthodes informelles d'exploitation minière artisanale et à petite échelle (ASM). Les sites ASM ont un diamètre de quelques mètres à 30 mètres ou plus, et sont généralement creusés par des équipes de creuseurs utilisant des outils à main, des tamis et des gabarits. La production annuelle déclarée de la RCA a varié de 300 000 à 470 000 carats au cours de la dernière décennie. Cette production est importante pour la RCA car elle représente une grande partie des revenus d'exportation du pays et emploie environ 60 000 à 90 000 mineurs à l'échelle nationale. La production de diamants est également liée au conflit violent et à l'instabilité politique qui affligent le pays depuis des décennies. Le conflit le plus récent a commencé en 2012 et a entraîné un embargo international sur l'exportation de diamants bruts de la RCA. Cet embargo a été suivi d'un cessez-le-feu et d'un retour à la paix dans certaines zones du pays en 2015 cependant, l'instabilité politique et économique continue d'affliger de nombreuses régions du pays. Les efforts internationaux pour rétablir la paix en RCA ont inclus le soutien des Nations Unies ainsi qu'une assistance technique internationale pour le suivi, l'évaluation et la surveillance de la production de diamants. En 2015, le Processus de Kimberley (KP) a développé un cadre opérationnel permettant les exportations légitimes de cinq sous-préfectures de RCA qui étaient considérées comme conformes aux contrôles internes du KP et qui étaient également considérées comme exemptes de violence systématique ou de contrôle de groupes armés.

    L'objectif de cette étude était de combler les lacunes en matière d'information concernant l'emplacement et l'étendue des occurrences de diamants et de l'activité minière grâce à l'intégration de la recherche géologique avec la télédétection, l'analyse des systèmes d'information géographique et le travail sur le terrain. Une surveillance efficace et efficiente des activités d'extraction de diamants à l'aide d'images satellitaires nécessite une compréhension détaillée de la répartition géographique des sources de diamants et des activités minières.

    Une méthodologie en deux phases a été élaborée pour combler les lacunes dans les connaissances. La première phase consistait en la création d'un catalogue géospatial complet des sites d'extraction et d'occurrence de diamants à partir de documents d'archives tels que des cartes historiques, des rapports miniers, des publications universitaires et des données de terrain. En s'appuyant sur cette base de données de localisation, la deuxième phase a consisté en la création d'un ensemble de données géospatiales cataloguant les emplacements actuels des activités minières grâce à l'interprétation manuelle des images satellite récemment acquises. L'exactitude de ce deuxième ensemble de données géospatiales a ensuite été évaluée à l'aide d'observations de terrain effectuées entre 2016 et 2017 par le projet Property Rights and Artisanal Diamond Development II de l'Agence des États-Unis pour le développement international. Ce rapport présente une géodatabase en deux parties : la partie 1 contient les emplacements des sites miniers de diamants et les occurrences provenant de sources d'archives, et la partie 2 indique les zones d'activité minière actuelle ou récente. Cette géodatabase est unique dans son étendue temporelle et spatiale et peut être utilisée pour analyser la distribution géographique des ressources diamantifères connues de la RCA, pour évaluer l'effet des récents conflits violents et des actions du PK sur la production de diamants, pour fournir aux décideurs des informations concernant les petits - l'extraction de diamants à grande échelle, et d'améliorer la surveillance de l'exploitation minière dans les régions du pays sujettes aux conflits.

    Citation suggérée

    DeWitt, JD, Chirico, PG, Bergstresser, SE, et Clark, IE, 2018, The Central African Republic Diamond Database—Une géodatabase d'occurrences de diamants d'archives et de zones d'exploitation minière artisanale et à petite échelle récente de diamants : US Geological Survey Open-File Rapport 2018-1088, 28 p., 1 pl., https://doi.org/10.3133/ofr20181088.

    Zone d'étude

    Table des matières

    • Abstrait
    • introduction
    • Zone d'étude
    • Contexte
    • Méthodologie
    • Résultats
    • Discussion
    • Conclusion
    • Références citées

    Tout ou partie de ce rapport est présenté en format de document portable (PDF). Pour de meilleurs résultats en visualisant et en imprimant des documents PDF, il est recommandé de télécharger les documents sur votre ordinateur et de les ouvrir avec Adobe Reader. Les documents PDF ouverts à partir de votre navigateur peuvent ne pas s'afficher ou s'imprimer comme prévu. Téléchargez gratuitement la dernière version d'Adobe Reader. Vous trouverez plus d'informations sur l'affichage, le téléchargement et l'impression des fichiers de rapport ici.


    Module 1 : Introduction au SIG et à la Distribution Géographique

    Bienvenue dans ce cours sur l'analyse géospatiale en urbanisme. Nous sommes dans le 1er module, le module est structuré comme Introduction au système d'information géographique et à la répartition géographique. Ainsi, dans le 1er cours de ce module, nous allons nous concentrer principalement sur les composants du système d'information géographique et sur ce qu'est ce système d'information géographique. Donc, nous allons avoir un très bref aperçu d'un système d'information SIG, système d'information géographique.
    (Reportez-vous à l'heure de la diapositive : 00:45)
    Ainsi, le concept qui serait couvert dans cette conférence particulière est un bref ou une vue d'ensemble du SIG, les composants qui constituent le SIG, les fonctions du SIG et l'application du SIG.
    (Reportez-vous à l'heure de la diapositive : 01:09)
    Donc, si nous voyons le type d'applications que votre SIG aurait sur le paysage urbain, nous aurions besoin de savoir en quoi consiste ce SIG. Donc, fondamentalement, si nous voyons la définition, cela inclut un système informatique qui capturerait, stockerait, gérerait, analyserait et afficherait toutes sortes de données géographiques ou spatiales et exécuterait les requêtes et les afficherait sous forme de cartes.
    Et il a les données qui sont agrégées dans un cadre de référence de localisation ou une sorte de système de référence de localisation tel que les données auraient vos coordonnées latitudinales ou longitudinales ou elles pourraient avoir l'est ou le nord en termes de mètres ou de n'importe quelle distance
    mesure. Maintenant, les objectifs du SIG sont essentiellement d'aider à augmenter l'efficacité du processus de planification et de prise de décision.
    Nous faisons beaucoup de jugements de planification basés sur des scénarios donnés, sur la base des données existantes et que nous avons interprétées et qui conduisent essentiellement à une solution particulière à un problème donné et le SIG est un outil très efficace dans ce processus particulier. Deuxièmement, il fournit un moyen efficace de distribution et de traitement des données.
    Donc, nous savons que dans le monde d'aujourd'hui, je veux dire que nous devons gérer, je veux dire une quantité énorme de données, donc pour les gérer efficacement, nous avons besoin d'un système qui peut le faire en temps réel, qui peut traiter les données en temps réel. Donc, fondamentalement, ce système particulier de système d'information géographique nous fournit une plate-forme pour, je veux dire un moyen efficace de gérer les données et de les traiter en temps réel.
    Le prochain objectif du SIG est d'éliminer les bases de données redondantes et de minimiser la duplication. Ainsi, dans le monde d'aujourd'hui, nous voyons que les mêmes données sont disponibles à partir de différentes sources. Donc, il pourrait y avoir une redondance en termes de données que nous pourrions collecter. Nous parlons donc de big data, nous parlons de systèmes IoT dans lesquels les capteurs aideraient les processus de collecte de données.
    Donc, il pourrait y avoir, je veux dire, une redondance en termes de base de données que nous recueillons et il pourrait y avoir une duplicité des données. Donc, fondamentalement, le système SIG devrait éliminer ce type de duplication en termes de collecte de données et il s'agit d'archivage, c'est donc également l'un des objectifs d'éliminer la redondance en termes de données que nous collectons.
    L'objectif suivant est d'intégrer des informations provenant de sources multiples. Donc, fondamentalement, lorsque nous parlons de systèmes urbains, nous ne parlons pas seulement de composants individuels isolément, mais nous parlons de multitudes ou de sources différentes dans lesquelles l'information est requise et elle est rassemblée dans ce système donné. Ainsi, il devrait être capable d'intégrer toutes les données provenant de différentes sources.
    Ainsi, lorsque nous parlons d'intégration des données, nous devons examiner l'intégration temporelle, c'est-à-dire les données que vous collectez à différents moments, nous devons parler de l'évolutivité de ces informations particulières à quelle échelle nous collectons ces informations. Ainsi, ce système doit intégrer toutes les informations disponibles à partir de différentes sources, de sources multiples et les intégrer dans une plate-forme. Et il est très important de mentionner que toutes ces données auraient une référence de localisation, sinon ce ne serait pas si utile pour notre analyse et notre prise de décision.
    Le dernier objectif que nous pouvons évaluer pour ce système particulier est de développer des modèles analytiques ayant des requêtes sur les données que nous avons collectées dans notre, je veux dire que nous parlions de différentes sources où nous pouvons collecter des données pour les systèmes urbains. Ainsi, ces données de référence géographique que nous avions collectées doivent être analysées et ces analyses peuvent être des analyses très complexes ou de simples requêtes.
    Donc, ce système devrait être assez robuste pour exécuter des analyses complexes ainsi que des requêtes simples et il devrait être capable de le faire en temps réel et de l'afficher sous forme de cartes qui seraient faciles à interpréter.
    (Reportez-vous à l'heure de la diapositive : 06:19)
    Maintenant, si nous regardons les différentes composantes du SIG. Le premier composant est un système d'information sur ordinateur qui fait partie du matériel, puis nous aurions des logiciels qui seraient impliqués dans la partie traitement des données, la collecte des données, l'analyse, je veux dire comme un outil de programmation pour écrire des codes, pour exécuter des processus , faire des simulations.
    Le prochain élément le plus important du SIG est la base de données. Ainsi, nous avons parlé de la base de données multiforme qui est nécessaire pour toute sorte d'analyse urbaine qui aurait une référence géographique. Ainsi, cette base de données serait relative à différents types de variables et le dernier mais le plus important composant sont les personnes.
    Fondamentalement, lorsque nous parlons de planification urbaine, nous traitons de problèmes de planification qui sont pertinents pour les personnes qui occupent ce lieu particulier. Donc, les gens, je veux dire des informations concernant les gens et leurs commentaires, leurs appréhensions, leurs je veux dire
    aspirations, il devient partie intégrante du processus de planification. Ainsi, le dernier composant du système d'information SIG est le peuple.
    Si nous parlons de l'histoire du SIG, comment cela a été créé. C'est le Dr Roger Tomlinson qui, en 1962, a créé et développé le Système canadien d'information géographique, le CGIS ou le Système canadien d'inventaire des terres. Il s'agissait essentiellement d'un système d'enregistrement foncier dans lequel il créait un cadre qui peut être utilisé pour essentiellement, je veux dire, l'enregistrement de l'inventaire des parses individuels, de ses usages et des divers autres paramètres connexes dans une telle base de données. Et il est intéressant de noter que le Dr Roger Tomlinson, avant de faire ce travail particulier, était pilote de chasse dans la Royal Air Force.
    (Reportez-vous à l'heure de la diapositive : 08:31)
    Ensuite, si nous voyons les différents types de formats de données que nous utilisons dans cette base de données particulière, nous avions parlé des différents composants du SIG et des données étant l'un des plus
    composante importante. Il est donc important pour nous de stocker les données dans différents formats. Ainsi, il existe principalement deux types de formats de données que nous utilisons pour stocker des données.
    Le premier type est les données raster, vous êtes pour la plupart familiers avec les données raster, lorsque nous prenons des photos à l'aide de nos appareils photo, appareils photo mobiles ou appareils photo, nous prenons généralement les réflectances et les enregistrons sous forme de pixels. Il s'agit donc d'une grille ou d'une série de cellules de grille dans laquelle chaque cellule de grille serait une valeur représentant les caractéristiques observées. Ainsi, nous enregistrons essentiellement les réflectances sous forme de nombres numériques et, en gros, elles sont stockées sous forme de tableau de cellules de grille qui sont enregistrées en tant que données raster.
    Maintenant, ce type particulier de données SIG est le mieux adapté pour acquérir des données continues, dans lesquelles vous n'êtes pas fondamentalement intéressé à contenir, je veux dire que vous enregistrez des informations ponctuelles, mais des données continues une information qui n'aurait pas de limites ou d'emplacement fixes. Donc, je veux dire par exemple, nous pouvons dire que lorsque nous voulons acquérir la température, les valeurs de toutes les cellules de la grille dans une ville donnée, supposons que nous fassions une étude sur les îles de chaleur urbaines, nous serions intéressants pour capturer les valeurs de température .
    Ainsi, le format de données raster serait idéalement adapté pour effectuer une telle analyse. L'exemple suivant pourrait être l'élévation d'une zone donnée, dans laquelle si vous souhaitez connaître le type de ruissellement en cas d'inondation urbaine. Ainsi, l'altitude pourrait être stockée pour chaque point et nous pouvons ensuite la convertir en contours ou nous pouvons trouver la carte de pente, nous pouvons trouver la carte d'aspect. Donc, cela pourrait être un autre exemple où nous pourrions enregistrer les données, les données continues en tant que point de données raster.
    Le type de données suivant qui est essentiellement utilisé dans les SIG et qui est largement utilisé sont les données vectorielles. Donc, les données vectorielles, je veux dire que nous utilisons des données vectorielles dans les systèmes de CAO, dans lesquels les données sont essentiellement enregistrées sous forme de points, de lignes ou de polygones. Ainsi, dans ce cadre de données particulier, nous enregistrons les données discrètes qui sont représentées sous forme de vecteur.
    Ainsi, ces données auraient un emplacement exact ou des limites strictes et celles-ci impliqueraient, par exemple, les limites de limites administratives ou si vous acquérez les informations de lignes de points de données linéaires ou de lignes, des exemples pourraient être celui de la route, les données de point pourraient être stockées, je veux dire
    pour les arrêts de bus dans une zone urbaine donnée. Ainsi, cela pourrait être quelques exemples de données qui pourraient être stockées au format vectoriel, en particulier sous forme de polygones, de lignes ou de points.
    (Reportez-vous à l'heure de la diapositive : 12:15)
    Ensuite, nous parlons des différents types de formats de données raster dans lesquels nous stockerions des données SIG. Ainsi, le premier format de données est le format de données de grille Arcinfo qui est couramment utilisé et il s'agit essentiellement du format propriétaire d'Esri et il est composé de deux dossiers, dans lesquels un espace de travail contiendrait plusieurs fichiers et contiendrait un dossier qui aurait le nom de la grille. et il porterait un certain nombre de différents fichiers adf qui auraient la réflectance pour chacun des pixels ou les valeurs de chacune des grilles agrégées en tant que grille Arcinfo.
    Les prochains types d'images seraient les formats d'images multibandes et il existe différents types de formats. Les principaux formats utilisés pour ce type de données raster sont le format de ligne entrelacé de bandes, les autres formats sont les pixels entrelacés de bandes et les séquences de bandes. Alors,
    dans ces trois types de formats, nous serions capables de stocker plusieurs bandes d'informations ou plusieurs couches d'informations, pas seulement trois couches comme nous le voyons sur les photographies principalement les bandes rouges, vertes et bleues.
    Donc, ici, nous pouvons stocker plusieurs bandes. Cela serait donc très utile lorsque nous acquérons des images ou des données à partir de plusieurs sources. Le prochain type de format de données raster est Digital ElevationModel. C'est je veux dire très populairement connu sous le nom de DEM, qui est utilisé par l'USGS pour enregistrer l'élévation des caractéristiques ponctuelles sur la surface de la terre. Il s'agit donc également d'un exemple de données continues et elles sont stockées au format de point de données raster.
    Le type de données suivant le type de données raster est GeoTIFF. Il s'agit donc essentiellement d'un format de fichier image balisé dans lequel il est référencé géographiquement. Ainsi, l'image dans ses informations d'en-tête aurait les étendues géographiques comme partie du fichier.
    (Reportez-vous à la durée de la diapositive : 14:35)
    Maintenant, nous aurions d'autres formats de données raster populaires pendant que nous traitons avec le SIG. Certains de ces formats sont au format ADRG, il s'agit des graphiques raster numérisés à l'arc. Le format RPF qui est Raster Product Format, c'est je veux dire dans le domaine militaire, c'est souvent utilisé. Nous avons le format DRG, qui est le graphique raster numérique. Format ECRG qui est l'acronyme de Enhanced Compressed ARC Raster Graphics.
    Format ECW qui est le format Wavelet compressé amélioré qui est un format ERDAS. Le format Esrigrid, qui est le format raster ASCII utilisé par ESRI, nous en avons déjà parlé. Nous avons déjà parlé du format GeoTIFF qui est enrichi de fichier TIFF enrichi de coordonnées SIG. Format HDF qui correspond aux fichiers de format de données hiérarchiques.
    Format IMG qui est le format de fichier image utilisé par ERDAS. Nous avons le comité Joint PhotographicExperts Group du format JPEG et il est populairement connu sous le nom de format JPEG2000 qui utilise la transformation de longueur d'onde discrète pour la compression. Et puis nous avons le MrSID qui est la base de données d'images transparentes multi-résolutions.
    (Reportez-vous à la durée de la diapositive : 15:59)
    Le format de données suivant est celui des données vectorielles que nous utilisons abondamment dans les SIG pour enregistrer des points de données essentiellement discrets. Ainsi, le format de fichier le plus couramment utilisé est les fichiers de forme et ce format de fichier est principalement compatible avec la plupart des logiciels SIG, qu'ils soient propriétaires ou open source, que vous rencontreriez.
    Ainsi, ce format de fichier particulier est associé à un groupe de fichiers et le nom du fichier aurait différents types de préfixes tels que dot shp qui est le fichier de formes dans lequel se trouve le contenu des données, shx qui traite de l'en-tête et contient les méta-informations concernant le fichier . Vous auriez les informations de base de données associées au format point dbf. Le fichier de projection qui enregistre la projection géographique de la base de données qui est enregistrée au format dot prj, puis nous aurions des fichiers dot lyr qui sont essentiellement des fichiers de couche.
    Le prochain type de données vectorielles est la couverture Arcinfo qui est aujourd'hui remplacée par le format de géodatabase et elle est composée de deux dossiers dans un espace de travail. Le premier dossier porte le nom de la couverture et contient un certain nombre de fichiers adf et le deuxième dossier est le dossier info qui contient le fichier dot dat et les fichiers dot nit qui contiennent essentiellement les informations de base de données concernant les entités vectorielles.
    Le prochain type de format de données vectorielles est celui des informations de la géodatabase et il s'agit du format de données natif pour les ESRI, le logiciel ArcGIS. Donc, fondamentalement, il s'agit d'une collection d'ensembles de données SIG de divers types, je veux dire qu'il peut s'agir de données vectorielles, raster ou tabulaires et elles sont agrégées en tant que géodatabase.
    Nous avons également, je veux dire, des données de capteurs LiDAR, c'est-à-dire des capteurs de détection de lumière et de télémétrie, qui sont essentiellement des lasers pulsés pour mesurer les valeurs de distance, c'est-à-dire les valeurs de distance et qui vous donneraient les distances variables pour présenter des objets et ces informations sont stockées sous forme d'informations de nuage de points et ce fichier a généralement une extension de point LAS, LAS.
    (Reportez-vous à l'heure de la diapositive : 18:51)
    Désormais, les autres formats de données vectorielles populaires sont AutoCAD DXF. Donc, c'est le format d'autodesk et c'est soit dans un format binaire, soit dans un format ASCII. Donc, si vous avez un format DXFASCII, vous pouvez très bien l'ouvrir dans un bloc-notes ou un WordPad et voir le contenu de ce fichier comment les valeurs de données sont stockées pour les entités ponctuelles, pour les entités linéaires ou les entités surfaciques.
    Ensuite, nous avons le système de coordonnées cartésiennes qui est un simple nuage de points. Le DLG qui est le graphique linéaire numérique qui est essentiellement un format USGS, il est largement utilisé par le format USGS.GML qui est le langage de balisage géographique, c'est un format SIG ouvert utilisé pour l'échange de données SIG. Nous avons également le format GeoJSON qui est le format léger basé sur JSON qui est utilisé dans de nombreux packages SIG open source. Donc, ces deux formats sont très utiles pour nous ces formats GML et GeoJSON.
    Le suivant est le format propriétaire qui est GeoMedia, c'est le format basé sur l'accès Microsoft Intergraph, car je veux dire spécifiquement le stockage vectoriel, les données qui sont de type vectoriel. Nous avons le format ISFC qui est une solution de CAO basée sur Intergraph & rsquos MicroStation. Nous avons le format KML qui est je veux dire largement utilisé par Google. Il est connu sous le nom de Keyhole MarkupLanguage qui est le langage basé sur XML pour stocker des informations vectorielles.
    Nous avons le format MapInfo TAB, encore une fois c'est un format propriétaire. Il s'agit du format de données vectorielles MapInfosoftwares. Nous avons le format de transfert national NTF. Nous avons Spatialiteit est une extension spatiale du SQLite, c'est encore un format open source. Nous avons des fonctionnalités simples qui sont des spécifications pour les données vectorielles. Format SOSI qui est le format de données spatiales utilisé pour la plupart des échanges publics et qui est utilisé en Norvège.
    Nous avons le fichier de données spatiales qui est le format de géodatabase haute performance d'autodesk&rsquos. Nous avons le format TIGER, qui intègre topologiquement un codage et un référencement géographiques. Et nous avons le format VPF qui est le format de produit vectoriel. Ce sont quelques-uns des formats propriétaires et open source qui sont largement utilisés lors de la collecte ou du traitement des informations de données vectorielles.
    (Reportez-vous à la durée de la diapositive : 21 : 41)
    Voyons donc maintenant quelles pourraient être les utilisations ou l'applicabilité du système d'information géographique et cela pourrait être dans divers contextes. Mais nous nous concentrerons davantage sur l'applicabilité urbaine des SIG en particulier pour les questions liées à l'urbanisme. La première consiste essentiellement à créer la base de données pour disposer d'un inventaire des données, qui serait essentiellement spécifique à un point, à un emplacement et nous serions également en mesure de coder les relations entre les données d'entité. Ainsi, nous serions en mesure de déterminer la victime d'un événement dans une zone urbaine.
    Deuxièmement, serait d'évaluer l'intensité des caractéristiques. Maintenant, supposons que nous prenons un exemple de zone urbaine, supposons que nous ayons une zone urbaine, dans laquelle nous parlons de différents quartiers, il peut y avoir différents types de, je veux dire le nombre de population, il aurait différents attributs liés à dire économie ou disons le niveau d'instruction ou le rapport hommes/femmes, la quantité de population active. Ainsi, ces attributs peuvent être ajoutés
    à ou tat avec les types de données vectorielles et pourrait être stocké. Ainsi, il pourrait être utilisé pour évaluer l'intensité de différentes caractéristiques dans une zone donnée.
    Ensuite, il faut évaluer la densité des caractéristiques. Ainsi, nous pouvons mesurer l'intensité de ces caractéristiques par unité de surface. Disons, par exemple, que nous pouvons calculer la densité de population dans différents quartiers et découvrir quelle est l'intensité du développement dans différentes zones. Donc, de la même manière, je veux dire dans une zone urbaine donnée, nous pourrions voir que certains des quartiers auraient des bâtiments surélevés, certains d'entre eux auraient des bidonvilles, certains d'entre eux auraient des structures surélevées, nous pourrions donc identifier l'intensité du développement ou le densité de développement à l'aide de la plate-forme SIG. Nous pouvons également suivre les changements qui se produiraient au fil du temps et suivre la croissance d'une ville donnée dans un cadre temporel.
    Donc, dans ce contexte les images de télédétection, je veux dire que ces images sont généralement stockées au format de données raster, elles nous fournissent donc une ressource précieuse lorsque nous voulons surveiller les changements temporels qui se produisent dans le contexte urbain. Ainsi, nous pourrions travailler sur des applications basées sur l'étalement urbain pour voir les zones où la croissance urbaine est rapide et prendre les mesures nécessaires pour fournir des infrastructures et des services dans ces zones, la modélisation temporelle ou les changements temporels et nous pouvons également empêcher la croissance Je veux dire nous pouvons faire Je veux dire simulation sur la base des transactions de croissance historiques et nous pouvons également décrire comment la ville pourrait se développer à l'avenir.
    Donc, on peut aussi faire une sorte de projection. Ainsi, nous pouvons surveiller les changements temporels et nous pouvons également prédire les changements temporels en utilisant différentes approches de modélisation. Ensuite, nous pouvons surveiller l'état d'une zone d'intérêt. Si nous avons des inondations dans une zone donnée, nous pouvons identifier les zones où des inondations se sont produites et nous pouvons recenser le nombre de villages ou de quartiers ou la population totale qui est touchée par cette inondation. Ainsi, nous pouvons surveiller l'état dans une zone d'intérêt.
    Nous pouvons créer une zone d'intérêt qui est généralement appelée AOI dans le langage courant du SIG et nous pouvons découvrir quel est le statut ou surveiller la je veux dire comment les choses existent, quelle est la condition je veux dire des gens, quelle est la condition de l'infrastructure et je veux dire
    différents aspects des services urbains. Ainsi, ce suivi peut être effectué dans un domaine d'intérêt basé sur des études.
    Nous pouvons également faire des études proximales pour trouver votre terrain utilisé le long de différents segments de route en utilisant une zone tampon. Donc, je veux dire ce qui se trouve à proximité pour dire que des caractéristiques données peuvent être étudiées à l'aide du SIG, en particulier dans le cadre de la planification urbaine.
    On peut aussi modéliser des scénarios complexes et simuler des scénarios complexes, je veux dire je vous parlais justement de la modélisation de l'étalement urbain, on peut aussi modéliser des scénarios complexes comme la pollution de l'air. Et nous pouvons utiliser des modèles physiques comme le modèle de panache gaussien ou disons que je veux dire des modèles de pollution de source linéaire ou un modèle de pollution de source de zone ou des modèles de pollution de source ponctuelle en simulant ce type de dépôt le dépôt de pollution atmosphérique, et je veux dire identifier les zones qui sont sujettes à ce type de pollution .
    Un autre exemple qui me vient à l'esprit est celui des zones sujettes au risque sismique. Ainsi, à partir de notre compréhension des paramètres qui affectent les événements sismiques, nous pouvons découvrir les facteurs qui contribuent au risque sismique dans des zones données et nous pouvons étudier les zones et nous pouvons isoler et identifier les zones sujettes aux risques sismiques. Voici donc quelques exemples et utilisations du SIG.
    (Reportez-vous à la durée de la diapositive : 27:43)
    Donc, cela vient, je veux dire avec cela, nous conclurions cette première conférence particulière de cette série. Pour votre référence, vous pouvez parcourir ces deux livres qui sont enrôlés ici par Paul Bolstad et par Kang-tsung. Et le deuxième livre est un livre très fondamental et il vous aiderait, Imean, à vous familiariser avec l'apprentissage des SIG.
    Merci, pour cela, je veux dire pour votre audition patiente.

    Connectez-vous pour enregistrer vos progrès et obtenir un certificat dans le cours en ligne gratuit Diplôme d'Alison en analyse géospatiale en urbanisme

    Inscrivez-vous pour enregistrer vos progrès et obtenir un certificat dans le cours en ligne gratuit Diplôme en analyse géospatiale en urbanisme d'Alison


    Voici 20 façons dont les données SIG sont utilisées dans les affaires et la vie quotidienne :

    1. Cartographie

    Le SIG peut être utilisé pour fournir une interprétation visuelle des données. Google Maps est un excellent exemple de solution de cartographie SIG basée sur le Web que les gens utilisent à des fins de navigation quotidiennes. Cependant, la technologie de cartographie intelligente a considérablement progressé et est utilisée dans des produits tels que GeoViewer de Nobel, qui donne aux villes, aux municipalités et au secteur privé un aperçu approfondi des actifs des districts électriques et hydrauliques sur le terrain.

    2. Services de télécommunication et de réseau

    Les organisations peuvent incorporer des données géographiques dans leurs activités complexes de conception, d'optimisation, de planification et de maintenance de réseau. Ces données améliorent les processus de télécommunications grâce à une meilleure gestion de la relation client et des services de localisation.

    3. Analyse des accidents et analyse des points chauds

    Les données SIG aident à identifier les lieux des accidents et les réseaux routiers peuvent être optimisés grâce à l'intelligence des données. Cette intelligence contribue à améliorer les mesures de sécurité routière et permet une meilleure gestion du trafic.

    4. Urbanisme

    Les données G IS analysent la croissance urbaine et le sens de l'expansion. Lorsqu'il est appliqué de manière appropriée, il peut découvrir de nouveaux sites pour un développement ultérieur, en tenant compte de divers facteurs nécessaires à la réussite de la construction.

    5. Planification des transports

    Les données SIG sont couramment utilisées pour gérer les problèmes de transport. Avec l'ajout de données environnementales et thématiques dans une plate-forme SIG, les entreprises peuvent planifier un nouvel itinéraire routier ou ferroviaire.

    6. Analyse d'impact environnemental

    Les données recueillies via les applications SIG sont vitales pour la conservation des ressources naturelles et la protection de l'environnement. Les déclarations d'impact évaluent l'ampleur de l'impact humain sur l'environnement, ce que l'intégration du SIG permet d'indiquer.

    7. Applications agricoles

    Les données SIG aident à créer des techniques agricoles plus efficaces, tout en analysant les données du sol de manière avancée. Cela peut augmenter la production alimentaire dans différentes parties du monde.

    8. Gestion et atténuation des catastrophes

    Des systèmes SIG efficaces protègent l'environnement et sont développés pour aider à la gestion des risques et des catastrophes.

    9. Naviguer

    Les cartes de navigation Web utilisent des données SIG pour fournir au public des informations utiles. Les cartes Web sont régulièrement mises à jour selon les informations SIG et sont utilisées de manière cohérente dans la vie quotidienne.

    10. Estimation des dommages causés par les inondations

    Les gouvernements utilisent les données SIG pour cartographier les zones à risque d'inondation et peuvent utiliser les informations pour coordonner les efforts de secours.

    11. Gestion des ressources naturelles

    Avec l'aide des informations SIG, les forêts peuvent être correctement entretenues et gérées. Elle est particulièrement cruciale pour l'allocation et la répartition géographique de l'eau, l'un des constituants environnementaux les plus critiques .

    12. Banque

    La banque a évolué pour devenir axée sur le marché, et le succès d'une banque dépend principalement de sa capacité à fournir des services axés sur le client. Les données SIG jouent un rôle essentiel dans la planification, l'organisation et la prise de décision dans le secteur bancaire.

    13. Fiscalité

    Les données SIG aident à résoudre les problèmes fiscaux et à maximiser les revenus du gouvernement. Il est utilisé pour les permis de construire et l'ingénierie et propose un système de gestion de la taxe foncière sur une base géographique.

    14. Arpentage

    L'arpentage consiste à mesurer l'emplacement d'objets sur terre, et de plus en plus d'organisations utilisent les systèmes mondiaux de navigation par satellite (GNSS) pour cette fonction. Ces données intégrées dans un système SIG peuvent estimer la superficie et préparer des cartes numériques.

    15. Géologie

    Les géologues utilisent les données SIG pour analyser le sol, évaluer les informations sismiques et créer des affichages 3D des caractéristiques géographiques. Il peut également être utilisé pour analyser les caractéristiques des roches et identifier le meilleur emplacement pour différentes fonctions.

    16. Gestion et entretien des actifs

    Les données SIG aident les organisations à devenir plus efficaces avec des ressources limitées. Avec une compréhension de la population à risque, les planificateurs peuvent allouer les ressources plus efficacement.

    17. Planification et développement communautaire

    Les données SIG nous aident à comprendre et à relever les défis mondiaux. À mesure que la technologie SIG progresse rapidement, il existe diverses applications innovantes dans le secteur de la planification. Les outils SIG peuvent être utilisés pour intégrer l'intelligence géographique dans les processus de planification et ont le potentiel de changer notre façon de penser et de nous comporter.

    18. Industrie laitière

    L'industrie laitière utilise les données SIG pour la distribution, la production et l'identification de l'emplacement des magasins. C'est un outil utile pour la planification dans le domaine de la gestion des fermes laitières et permet une meilleure prise de décision.

    19. Gestion de l'eau d'irrigation

    La disponibilité de l'eau affecte directement la production agricole dans une région donnée. Les données SIG peuvent identifier les cultures importantes et déterminer le rendement, impliquant des techniques efficaces pour le domaine spatial et temporel.

    20. Lutte et gestion des parasites

    La lutte antiparasitaire est essentielle à la production agricole, et la technologie SIG joue un rôle essentiel dans la cartographie des zones infestées . Les organisations peuvent ainsi développer des plans de lutte antiparasitaire plus efficaces.

    En résumé

    L'utilisation des données SIG a un impact profond sur les entreprises et l'industrie, ainsi que sur le grand public. Si la technologie était éliminée, nous réaliserions dans une large mesure l'importance primordiale des données SIG dans notre vie quotidienne et dans notre travail.

    À toi

    Comment utilisez-vous les données SIG dans votre vie ou votre travail ? Faites-nous savoir dans la section commentaires ci-dessous.


    Raison de blocage: L'accès depuis votre zone a été temporairement limité pour des raisons de sécurité.
    Temps: jeu. 1 juil. 2021 11:02:00 GMT

    À propos de Wordfence

    Wordfence est un plugin de sécurité installé sur plus de 3 millions de sites WordPress. Le propriétaire de ce site utilise Wordfence pour gérer l'accès à son site.

    Vous pouvez également lire la documentation pour en savoir plus sur les outils de blocage de Wordfence, ou visiter wordfence.com pour en savoir plus sur Wordfence.

    Généré par Wordfence à Thu, 1 Jul 2021 11:02:00 GMT.
    L'heure de votre ordinateur : .


    Un système de gestion de bases de données spatiales (SDBMS) est une extension, certains pourraient dire une spécialisation, d'un système de gestion de bases de données (SGBD) conventionnel. Chaque SGBD (d'où SDBMS) utilise une spécification de modèle de données comme formalisme pour la conception de logiciels et établit la rigueur dans la gestion des données. Trois composants composent un modèle de données, 1) des constructions développées à l'aide de types de données qui forment des structures de données qui décrivent des données, 2) des opérations qui traitent des structures de données qui manipulent des données, et 3) des règles qui établissent la véracité des structures et/ou des opérations de validation Les données. Les types de données de base tels que les entiers et/ou les nombres réels sont étendus aux types de données spatiales tels que les points, les polylignes et les polygones dans les structures de données spatiales. Les opérations constituent des capacités qui manipulent les structures de données et, en tant que telles, lorsqu'elles sont séquencées dans des flux de travail opérationnels de manière spécifique, génèrent des informations à partir des données, on pourrait dire que les nouvelles relations constituent les informations à partir des données. Différentes conceptions de modèles de données entraînent différentes combinaisons de structures, d'opérations et de règles, qui se combinent dans divers produits SDBMS. Les produits diffèrent en fonction du modèle de données sous-jacent, et ces modèles de données permettent et limitent la capacité de stocker et de manipuler des données. Différentes implémentations de SDBMS prennent en charge les configurations pour différents environnements utilisateur, y compris les environnements mono-utilisateur et multi-utilisateurs.

    Nyerges, T. (20210). Systèmes de gestion de bases de données spatiales. Le corpus de connaissances des sciences de l'information géographique et de la technologie (Édition du 1er trimestre 2021), John P. Wilson (éd.). DOI : 10.22224/gistbok/2021.1.11.

    Cette entrée a été publiée pour la première fois le 26 février 2021.

    Cette rubrique est également disponible dans les éditions suivantes : DiBiase, D., DeMers, M., Johnson, A., Kemp, K., Luck, A. T., Plewe, B. et Wentz, E. (2006). Structures de données de base. Le corpus de connaissances des sciences de l'information géographique et de la technologie. Washington, DC : Association des géographes américains. (2e trimestre 2016, premier numérique)

    Les systèmes de gestion de bases de données spatiales, à la fois sous-composants logiciels et matériels, organisent les données pour l'inventaire et l'interrogation des bases de données, la réalisation d'analyses spatiales et la création de visualisations cartographiques de manière intégrée pour la gestion de grands magasins de données (Yeung et Hall 2007). La gestion des bases de données est un sous-ensemble d'une catégorie plus large de technologies appelées technologies de gestion des données. Les données sont gérées à l'aide de deux types de fichiers informatiques, des fichiers physiques et des fichiers logiques. Un fichier physique est une collection d'enregistrements gérés par le logiciel du système d'exploitation comme stocké sur le disque un fichier de données étant différent d'un fichier de base de données. Un fichier logique est un ensemble d'enregistrements gérés par un logiciel d'application, principalement un logiciel de système de gestion de base de données. De nombreux fichiers logiques peuvent être combinés en un fichier physique. L'un des avantages de l'utilisation de fichiers logiques est l'augmentation de la vitesse d'accès aux éléments de données individuels, car l'ouverture d'un fichier physique prend un temps considérable contrairement à l'accès aux éléments individuels dans un fichier logique. Lorsque les données sont organisées en fichiers physiques à gérer, nous appelons cela « gestion de fichiers de données » (ou simplement gestion de fichiers). Lorsque nous utilisons des fichiers de données logiques organisés dans des fichiers physiques, nous appelons cette gestion de base de données. Lorsqu'un fichier logique est identique à un fichier physique, le fichier est appelé « fichier de données ». Lorsque plusieurs fichiers logiques sont inclus dans un fichier physique, nous appelons le fichier un fichier de base de données (Rigaux, Scholl et A. Voisard 2002).

    La gestion des bases de données spatiales ajoute l'aspect spatial (dimensions de l'espace) à la gestion des bases de données (Shekhar et Chawla 2003). Le logiciel de gestion de base de données est conçu spécifiquement avec un aspect spatial à l'esprit, car trois dimensions de l'espace physique sont essentielles à l'existence. Ces trois dimensions sont gérées (stockées et récupérées) d'une manière spéciale dans un logiciel de gestion de données, faisant du logiciel de gestion de bases de données spatiales un type amélioré de logiciel de gestion de données basé sur la conception du modèle de données.

    Un modèle de données est essentiellement un cadre de conception pour un système de gestion de données. L'une des définitions les plus complètes d'un modèle de données a été fournie par Edgar Codd (1980) dix ans après avoir développé la conception de modèles de données relationnelles (Codd 1970). L'intérêt de Codd découle de la clarification du caractère logique d'un modèle de données, par opposition à sa mise en œuvre physique en tant que telle, le concept général de modèle de données ne se limite pas à une approche particulière de la gestion des données. Du point de vue de la conception de bases de données, une compréhension plus courante et plus populaire du modèle de données est qu'il définit la structure et la signification prévue des données (West 2011, p. 5). Cependant, Codd (1980, p.112) une vue plus complète caractérise un modèle de données comme composé de trois composants : 1) une collection de types de structure de données (les blocs de construction de toute base de données conforme au modèle) pour décrire les données 2) une collection d'opérateurs ou de règles d'inférence pour manipuler données, qui peuvent être appliquées à toutes les instances valides des types de données énumérés en (1), pour récupérer ou dériver des données de toutes les parties de ces structures dans toutes les combinaisons souhaitées 3) une collection de règles d'intégrité générales pour valider les données, qui implicitement ou définir explicitement l'ensemble des états de base de données cohérents ou des changements d'état ou les deux -- ces règles peuvent parfois être exprimées sous forme de règles d'insertion-mise à jour-suppression. Ici, le cadre de Codd (1980) est utilisé pour décrire le SDBMS en raison de son exhaustivité, alors que l'interprétation de West (2011) et toutes les autres du même genre ne fournissent que le premier tiers du cadre.

    Des structures logiques de données telles que des tables, des objets, des champs d'attributs et des relations en tant que descriptions de données sont implémentées en tant que structures physiques de stockage de données avec des mécanismes d'accès aux données pour les clés primaires et étrangères. Les types de données de base tels que les entiers (par exemple, 1, 2, 3) et les nombres réels (par exemple, 1.1, 1.2 et 1.3), et/ou les chaînes de caractères (par exemple, « chaîne de texte ») sont étendus en types de données spatiales (par exemple, , points, polylignes et polygones) et sont utilisés pour former des structures de données spatiales pour le stockage de données.

    Les opérations de base du SGBD pour la manipulation des données incluent la création de données (C), la récupération (R), la mise à jour (U) et la suppression (D), appelées suite d'opérations CRUD. Les opérations logiques et leur implémentation physique sont utilisées pour dériver des structures logiques et les stocker en termes de structures de stockage.

    Les règles constituent la troisième composante d'un modèle de données, d'où le SGBD. Les règles du SGBD protègent contre la corruption des données en validant les données (donc les structures de données) pendant les opérations CRUD. Les règles de validité sont d'une importance cruciale pour établir la véracité des bases de données, en protégeant contre les modifications involontaires des utilisateurs. L'atomicité, la cohérence, l'isolement et la durabilité sont un ensemble de propriétés dans les transactions de base de données qui visent à garantir la validité des données malgré les erreurs, par ex. pannes de courant. Une séquence d'opérations utilisant ces propriétés est appelée une « transaction valide ».

    En résumé de la caractérisation ci-dessus, trois niveaux d'abstraction des données combinés aux trois composants d'un modèle de données résument les aspects du SGBD (voir Tableau 1). Ainsi, toutes les implémentations logicielles de SGBD devraient contenir des capacités explicites pour trois composants 1) constructions, 2) opérations et 3) règles pour les trois niveaux d'abstraction de données conceptuel (sens), logique (structure), physique (formatage des données), respectivement.

    Tableau 1. Niveaux d'abstraction et composants des modèles de données de SGBD
    Niveaux d'abstraction Trois composants
    Constructions pour décrire Opérations pour manipuler Des règles pour valider
    Conceptuel . caractéristiques mondaines . processus mondains . fonctionnalités et processus
    Logique . primitives de données de la base de données . primitives de données de la base de données . données et opérations sur la base de données
    Physique . format de stockage sur disque . données stockées sous forme d'octets et de bits . lit et écrit sur le disque

    Pour clarifier davantage, de nombreuses personnes comprennent le modèle de données comme une collection de catégories de données et de relations (West 2011). En tant que telle, cette interprétation n'est que le premier élément proposé par Codd (1980). Cependant, il devrait être clair que les opérations sur les structures de données ainsi que les règles de qualification de la structure des données et/ou des opérations sont essentielles dans les systèmes de gestion de base de données opérationnels. Sans les opérations, il n'y a pas de « changement » dans les données gérées. Sans les règles, la véracité des données et des opérations peut être facilement remise en cause. Les règles constituant le troisième composant d'un modèle de données, les règles du SGBD protègent contre la corruption des données en validant les données (donc les structures de données) lors des opérations CRUD. Par conséquent, il est important d'adopter l'interprétation de Codd (1980) pour une mise en œuvre et une utilisation complètes d'un SDBMS.

    Les modèles de données logiques sous-tendent les conceptions des logiciels de SGBD. Par conséquent, ces modèles de données sous-tendent les implémentations de packages de SGBD spatial.

    2.1 Modèles de données logiques en tant que types de SGBD

    Il existe une variété de types de modèles de données logiques pour la mise en œuvre de SGBD, chaque type étant une mise en œuvre différente d'un langage de données logique avec un contexte physique. (Voir l'entrée GIS&T BoK pour la description du modèle de données logique.) Pour donner une idée des systèmes logiciels de SGBD les plus populaires à travers le monde basés sur des modèles de données logiques, DB-Engines (2020) maintient un site Web documentant le rang général de popularité (en utilisant six critères pour former les rangs) parmi plus de 300 SGBD. Les dix premiers SGBD et modèles de données associés montrent que le modèle relationnel est le plus populaire (voir le tableau 2).

    Tableau 2. Les dix premiers SGBD des 363 systèmes classés par site Web DB-Engines (décembre 2020)
    Classement DB-Engine Nom du SGBD Modèles de données pris en charge* (mais tous ne sont pas compatibles SDBMS)
    1 Oracle Relationnel, magasin de documents, graphique et magasin RDF
    2 MySQL Magasin relationnel et documentaire
    3 Serveur Microsoft SQL Relationnel, magasin de documents et graphique
    4 PostgreSQL Magasin relationnel et documentaire
    5 MongoDB Magasin de documents et moteur de recherche
    6 IBM DB2 Relationnel, magasin de documents et magasin RDF
    7 Redis Magasin de valeurs-clés, magasin de documents, graphique, moteur de recherche, séries temporelles
    8 Recherche élastique Moteur de recherche et magasin de documents
    9 SQLite Relationnel
    10 Cassandre Colonne large

    * Les définitions des modèles de données sont fournies dans le texte ci-dessous.

    La majorité des SGBD disponibles ont été implémentés sur la base du modèle de données relationnelles, ou d'une dérivation de celui-ci, en raison de sa longue histoire de succès, comme on peut le constater dans le tableau ci-dessus. Ce succès et donc sa popularité sont dus à sa simplicité de stockage des données pour maintenir la validité des éléments de la base de données. Cependant, il existe de nombreuses autres implémentations de SGBD basées sur d'autres modèles de données logiques, car elles offrent des structures de stockage de données plus riches. Plus le stockage de la structure de données est simple, plus la manipulation est nécessaire pour obtenir un résultat final. Les ordinateurs étant plus rapides au fil des décennies, les approches de structure de données riches (non relationnelles) ont gagné en popularité. Les types de modèles de données décrits ci-dessous apparaissent par ordre alphabétique. Il n'y a aucune recommandation implicite dans la liste.

    • Graphique utilise une approche de stockage de données ayant des nœuds, des liens et des propriétés. Les nœuds sont des unités de données constituant couramment des phénomènes. Les liens sont les relations entre les nœuds. Les propriétés sont les caractéristiques des nœuds et des relations. La logique sous-jacente est la théorie des graphes qui offre une approche rigoureuse de la construction et de la récupération. Des opérations peuvent être effectuées sur les constructions de nœuds pour établir des liens en tant que relations stockées. Les règles guident les opérations et les structures pour améliorer la validité des nœuds et des liens.
    • Magasin de documents utilise une approche de stockage de données dans laquelle l'unité principale est un document avec un accès direct de document à document. Souvent considérée comme une approche graphique, mais les constructions peuvent être ad hoc et n'impliquent pas nécessairement la rigueur d'une approche théorique des graphes. Cette approche est souvent qualifiée d'approche « NoSQL », indiquant qu'il s'agit d'une approche non relationnelle.
    • Magasin clé-valeur utilise une approche de stockage et d'accès dans laquelle les éléments de données sont les unités d'accès avec une granularité fine. Un magasin clé-valeur est plus généralement appelé approche NoSQL, indiquant qu'il s'agit d'une approche non relationnelle.
    • Orienté objet utilise un stockage de données et un accès pour des unités individuelles sur des choses dans le monde. Les unités ont des comportements stockés sous forme de méthodes contenant les opérations. Des règles sont utilisées pour contraindre les comportements des objets.
    • Normes ouvertes utiliser une approche de stockage de données basée sur des constructions promulguées par l'Open Geospatial Consortium (OGC), dans laquelle tout le monde a accès aux informations sur le stockage et les opérations, ce qui facilite l'intégration entre les magasins de données. Les constructions ont tendance à être plus simples que d'autres approches pour améliorer la lisibilité entre les systèmes logiciels. Les types de données vectorielles et raster sont inclus dans les structures de données. La géométrie vectorielle implique une géométrie de point, de polyligne et de polygone qui stocke les entités « géométrie uniquement », c'est-à-dire qu'aucune relation entre les éléments de données n'est stockée dans le cadre de l'entité, et donc appelée « géométrie d'entité simple » dans le cadre du modèle de données OGC Documentation.
    • Relationnel (généralement l'indexation en ligne) utilise une approche de stockage de données dans laquelle les caractéristiques des phénomènes sont combinées en relations (tables) et ces relations peuvent être manipulées à l'aide d'une algèbre relationnelle qui constitue les opérations. Les règles contraignent les combinaisons de caractéristiques et les opérations sur ces combinaisons.
    • Magasin de colonnes relationnelles utilise une approche de stockage de données dans laquelle la caractéristique est le point d'accès principal, et tous les phénomènes avec cette caractéristique sont manipulés rapidement. Il utilise une approche similaire au relationnel, mais les index sont construits sur des colonnes plutôt que sur des lignes.
    • Cadre de description des ressources (RDF) les magasins utilisent un formatage orienté Internet pour la mise en œuvre sur le World Wide Web. Les formats sont conçus pour être lus et compris par des ordinateurs utilisant le langage de maquillage extensible (XML), XML étant un moyen très courant d'étendre le langage de balisage hypertexte (HTML). Les extensions XML de HTML se concentrent sur le « contenu » par opposition au « format » de HTML.

    Chaque système de gestion de bases de données spatiales utilise des types de données spatiales qui sont « intégrés » aux types de données généraux. L'entrée du modèle de données physiques GIS&T Body of Knowledge offre la liste des types de données généraux.

    2.2 Produits SGBD spatiaux

    Une page Wikipedia (2020) sur les bases de données spatiales décrit une grande variété de produits de SGBD spatiaux (https://en.wikipedia.org/wiki/Spatial_database). Ci-dessous, nous classons cette liste en fonction du principal modèle de données logique utilisé, car certains produits logiciels prennent en charge plusieurs modèles de données. Encore une fois, nous utilisons l'ordre alphabétique pour répertorier les types comme ci-dessus, et dans chaque catégorie de modèle de données, nous classons les produits logiciels par ordre alphabétique, sans ordre de priorité prévu. Un classement de popularité de décembre 2020 tel que noté par le site Web DB-Engines apparaît entre parenthèses, dans lequel NR n'est pas classé car DB-Engines classe uniquement les SGBD généraux par opposition aux SDBMS plus spécifiques. En tant que tel, le classement n'implique pas la popularité du SDBMS, seul le SGBD utilisé pour héberger le SDBMS.

    • Neo4j, une base de données de graphes qui peut construire des index 1D et 2D comme B-tree, Quadtree et courbe de Hilbert directement dans le graphe (classement = 19)
    • AllegroGraph est une base de données de graphes qui fournit un nouveau mécanisme pour un stockage et une récupération efficaces des coordonnées géospatiales bidimensionnelles pour les données du cadre de description des ressources, elle inclut une syntaxe d'extension pour les requêtes SPARQL (classement = 166)

    Magasin de documents

    • CouchDB un système de base de données basé sur des documents qui peut être activé spatialement par un plugin appelé Geocouch (classement = 36)
    • Elasticsearch est un système de base de données basé sur des documents qui prend en charge deux types de données géographiques : les champs de géopoints (paires lat/lon) et les champs de géo-forme (points, lignes, cercles, polygones, multi-polygones et autres) (classement = 8 )
    • GeoMesa est une base de données spatio-temporelle basée sur le cloud et construite sur Apache Accumulo et Apache Hadoop GeoMesa prend en charge toutes les fonctionnalités de géométrie simple OGC et un plugin GeoServer
    • MarkLogic, MongoDB et RethinkDB prennent en charge les index géospatiaux en 2D (NR)
    • RavenDB prend en charge les index géospatiaux en 2D (classement = 85)

    Magasin clé-valeur

    • Redis avec l'API Geo (classement = 7)
    • Tarantool prend en charge les requêtes géospatiales avec index RTREE (classement = 132)

    Orienté objet

    Normes ouvertes

    • SpatialDB de MineRP, une base de données spatiale à normes ouvertes avec des extensions de type spatial utilisées principalement dans l'industrie minière (NR)
    • Caliper étend le Raima Data Manager avec des types de données spatiales, des fonctions et des utilitaires (classement = 227).
    • CartoDB, une base de données géospatiale basée sur le cloud au-dessus de PostgreSQL avec PostGIS (NR).
    • Géodatabase Esri File, plus prise en charge des géodatabases relationnelles (NR) mono-utilisateur et multi-utilisateurs.
    • H2 prend en charge les types de géométrie et les indices spatiaux à partir de la version 1.3.173 (2013-07-28), une extension appelée H2GIS disponible sur Maven Central offre une prise en charge complète des fonctionnalités simples de l'OGC (classement = 49).
    • IBM Db2 Spatial Extender peut activer spatialement n'importe quelle édition de DB2, y compris DB2 Express-C gratuit, avec prise en charge des types spatiaux (classement = 6).
    • Les extensions IBM Informix Geodetic et Spatial DataBlade s'installent automatiquement lors de l'utilisation et étendent les types de données Informix pour inclure plusieurs systèmes de coordonnées de peuplement et la prise en charge des index Rtree. Les types de données Informix peuvent également être incorporés avec la prise en charge des données de séries temporelles pour le suivi des objets en mouvement (classement = 30).
    • Linter SQL Server prend en charge les types spatiaux et les fonctions spatiales selon les spécifications OpenGIS (classement = 309).
    • Microsoft SQL Server prend en charge les types spatiaux depuis la version 2008 (classement = 3).
    • Le SGBD MySQL implémente le type de données géométrie, plus quelques fonctions spatiales implémentées selon les spécifications OpenGIS, mais différentes versions offrent différents niveaux de prise en charge des types de données spatiales (classement = 2).
    • OpenLink Virtuoso prend en charge SQL/MM, avec des améliorations significatives dont GeoSPARQL (classement = 111).
    • Oracle Spatial et Graph aident les utilisateurs à gérer les données géographiques et de localisation dans un type natif au sein d'une base de données Oracle, prenant potentiellement en charge un large éventail d'applications pour les données spatiales (classement = 112).
    • Le SGBD PostgreSQL utilise l'extension spatiale PostGIS pour implémenter le type de données standardisé géométrie et fonctions correspondantes (classement = 4).
    • SpatiaLite étend Sqlite avec des types de données spatiaux, des fonctions et des utilitaires (classement = 9).
    • Spatial Query Server de Boeing active spatialement Sybase ASE (NR).
    • Teradata Vantage est une plateforme d'intelligence de données qui se déploie sur site, dans le cloud ou en tant que modèle hybride. Vantage se compose de divers moteurs d'analyse sur une base de données relationnelle de base, y compris son moteur MPP, la base de données de graphes Aster et un moteur d'apprentissage automatique (classement = 14).

    Magasin de colonnes relationnelles

    • L'extension MonetDB/GIS pour MonetDB ajoute des fonctionnalités simples OGC à la base de données relationnelle du magasin de colonnes (classement = 123).
    • SAP HANA est un environnement de données en mémoire multi-modèle (classement = 20).
    • Vertica Place, l'extension géospatiale pour HP Vertica, ajoute des fonctionnalités spatiales conformes à l'OGC à la base de données relationnelle du magasin de colonnes (classement = 32).

    Plusieurs situations existent pour les environnements utilisateur, notamment les activités mono-utilisateur, de groupe de travail, d'entreprise et de consortium. Le SDBMS mono-utilisateur implique une seule personne à la fois qui utilise un environnement de base de données. L'activité de gestion de base de données de groupe de travail implique plusieurs personnes effectuant la gestion de base de données sur les mêmes enregistrements de projet au sein d'une seule unité (division) d'une organisation, c'est-à-dire un même contexte d'unité intra-organisationnel. Les activités de gestion de bases de données d'entreprise impliquent plusieurs personnes effectuant la gestion de bases de données sur les mêmes enregistrements de projet dans plusieurs unités d'une organisation, c'est-à-dire dans un contexte d'unité différent à l'échelle de l'organisation. Les activités de gestion de base de données du consortium impliquent plusieurs personnes effectuant la gestion des données sur les mêmes enregistrements de projet dans toutes les organisations, c'est-à-dire dans un contexte inter-organisationnel. Dans tous les contextes d'utilisateurs multiples, des conflits avec l'accès aux enregistrements peuvent se produire lorsque plusieurs utilisateurs tentent de mettre à jour le même enregistrement de base de données en même temps. Ces circonstances nécessitent des capacités de verrouillage d'enregistrement, dans lesquelles le verrouillage d'enregistrement protège les utilisateurs qui se « marchent dessus » les uns les autres, ce qui peut entraîner une corruption de la base de données. Les SDBMS d'entreprise font partie des types d'implémentations de gestion de données les plus courants dans l'industrie SIG.

    En combinant une liste de SGBD pris en charge par Esri et la liste classée du site Web DB-Engines, nous avons une idée de la popularité d'un SGBD utilisé pour héberger une approche d'entreprise SIG avec l'environnement de SGBD de géodatabase Esri (voir le tableau 3). Les tableaux 2 et 3 présentent des listes mondiales. Seules deux des solutions de SGBD sont tombées dans le classement de décembre 2019 à décembre 2020. Cela pourrait indiquer que le SDBMS est en hausse dans le monde.

    Tableau 3. Prise en charge du SGBD pour le modèle de données de géodatabase Esri en tant qu'approche d'entreprise*
    Compatibilité SGBD Esri** Classement sur le site Web de DB Engines (363 moteurs DB classés en décembre 2020) Modèle(s) de données répertorié(s) sur le site Web de DB Engines, pour chacun des SGBD respectifs
    décembre 2020 Décembre 2019
    Oracle 1 1 Relationnel, magasin de documents, graphique et magasin RDF
    Serveur Microsoft SQL 3 3 Relationnel, magasin de documents et graphique
    PostgreSQL 4 4 Magasin relationnel et documentaire
    IBM DB2 6 6 Relationnel, magasin de documents et magasin RDF
    SQLite 9 11 Relationnel
    Appliance d'entrepôt de données Teradata 14 15 Relationnel, magasin de documents, graphique et séries chronologiques
    Base de données SQL Microsoft Azure 16 25 Relationnel, magasin de documents et graphique
    SAP HANA 20 20 Relationnel, magasin de documents et graphique
    IBM Informix 30 26 Relationnel, magasin de documents et séries temporelles
    Appliance d'entrepôt de données Netezza 34 33 Relationnel
    ALTIBASE 142 147 Relationnel
    Dameng Ni classé Non classé Relationnel

    * Le modèle de données relationnelles est pris en charge par le logiciel de SGBD Esri. D'autres modèles de données peuvent être pris en charge via un logiciel personnalisé. Dameng n'est pas compatible avec le modèle de données de géodatabase.

    Codd, E.F. (1970). Un modèle de données relationnelles pour les grandes banques de données partagées. Communication de l'ACM 13(6), 377-387.

    Codd, E.F. (1980). Modèles de données dans la gestion de bases de données. Enregistrement ACM SIGMOD - Actes de l'atelier sur l'abstraction de données, les bases de données et la modélisation conceptuelle, Volume 11, Numéro 2, Février 1981, pages 112-114. DOI : 10.1145/960128.806891.

    Rigaux, P., M. Scholl et A. Voisard (2002). Bases de données spatiales : avec application au SIG. San Francisco : Morgan-Kaufmann.

    Shekhar, S. et S. Chawla (2003). Bases de données spatiales : une visite guidée. New York : Enseignement supérieur Pearson.

    Ouest, M. (2011). Développer des modèles de données de haute qualité. San Francisco, Californie : Morgan Kaufmann Publishers Inc.

    Yeung, A. et B. Hall (2007). Systèmes de bases de données spatiales : conception, mise en œuvre et gestion de projet, Springer, Dordrecht, Pays-Bas.


    Voir la vidéo: Exportar una Geodatabase Personal en Arcmap