Viac

Exportujete triedu prvkov do viacerých tried prvkov na základe hodnôt polí pomocou aplikácie ArcGIS Desktop?

Exportujete triedu prvkov do viacerých tried prvkov na základe hodnôt polí pomocou aplikácie ArcGIS Desktop?


Mám triedu funkcií s viac ako 2 000 funkciami a musím ich vytvoriť všetky jednotlivé triedy funkcií založené na poli.

Existuje spôsob, ako to urobiť?


Môžete použiť nástroj Rozdeliť podľa atribútov:

Rozdelí vstupnú množinu údajov o jedinečné atribúty

K dispozícii sú verzie pre:

  • ArcGIS Pro (k dispozícii na všetkých úrovniach licencií)
  • ArcGIS Desktop 10.8 (k dispozícii na všetkých úrovniach licencií)
  • Verzie USGS (nástroj Rozdeliť podľa atribútov)

To dosiahnete veľmi jednoduchým modelom, ak máte ArcGIS 10.0 alebo vyšší.

Vytvorte model s Feature Iterator, kde je zoskupenie podľa atribútov, ktoré chcete zvoliť, a potom pomocou inline substitúcie odošlite výstup do nástroja na kopírovanie funkcií, aby ste zaistili jedinečný názov súboru. Model je uvedený nižšie:


Nemám prístup k ArcMap 10, iba 9.3, ale myslím, že sa od toho nebude veľmi líšiť.

V Pythone môžete vytvoriť jednoduchý skript, ktorý skontroluje, či máte v poli atribútov rôzne hodnoty, a potom pre každú z nich spustíte operáciu SELECT do pôvodného súboru Shapefile.

Ak nie ste oboznámení so skriptovaním v Pythone, musíte otvoriť IDLE (python GUI), vytvoriť nový súbor a skopírovať kód uvedený nižšie. Po prispôsobení kódu pre váš súbor my_shapefile, outputdir a my_attribute by to malo fungovať.

# Skript vytvorený na oddelenie jedného tvarového súboru od viacerých konkrétnym # atribútom # Príklad vstupného súboru s názvom „my_shapefile“ a poľa s názvom „my_attribute“ import arcgisscripting # Spustí geografické spracovanie gp = arcgisscripting.create (9.3) gp.OverWriteOutput = 1 # Nastaviť vstupné výstupné premenné inputFile = u "C:  GISTemp  My_Shapefile.shp" # <- CHANGE outDir = u "C:  GISTemp " # <- CHANGE # Načíta súbor My_shapefile pre rôzne hodnoty v atribúte lines = gp.searchcursor (inputFile) row = rows.next () attribute_types = set ([]) while row: attribute_types.add (row.my_attribute) # <- ZMENIŤ môj_attrib na názov svojho atribútu row = rows.next () # Výstup súboru tvaru pre každý iný atribút pre každý_atribút v atribútoch_typov: outSHP = outDir + each_attribute + u ".shp" vytlačiťSHP gp.Select_analysis (inputFile, outSHP, "" my_attribute  "= '" + each_attribute + "' ") # <- ZMENIŤ môj_atribút na názov vášho atribútu del riadky, riadok, atribúty_typu, gp #END

Použil som skript @ AlexandreNeto a aktualizoval pre ArcGIS 10.x používateľov. Teraz musíte hlavne importovať „arcpy“ namiesto „arcgisscripting“:

# Skript vytvorený na oddelenie jedného tvarového súboru od viacerých konkrétnym # atribútom # Príklad vstupného súboru s názvom „my_shapefile“ a poľa s názvom „my_attribute“ import arcpy #Set Input Výstupné premenné inputFile = u „D:  DXF-Export  my_shapefile .shp "# <- CHANGE outDir = u" D:  DXF-Export  "# <- CHANGE # Načíta súbor My_shapefile pre rôzne hodnoty v atribúte řádky = arcpy.SearchCursor (inputFile) riadok = riadky.next () attribute_types = set ([]) while row: attribute_types.add (row.my_attribute) # <- ZMENIŤ môj_attribút na názov svojho atribútu row = rows.next () # Vytvorí súbor Shapefile pre každý iný atribút pre každý_atribut v atribútoch_typov: outSHP = outDir + each_attribute + u ".shp" vytlačiťSHP arcpy.Select_analysis (inputFile, outSHP, "" my_attribute  "= '" + each_attribute + "'") # <- ZMENIŤ môj_attrib na názov tvojho atribútu del riadky, riadok, atribút_typy #END

Je to ešte ľahší spôsob, ako to urobiť ... a je výstupom do GDB.

http://www.umesc.usgs.gov/management/dss/split_by_attribute_tool.html

Stiahnite si nástroj z USGS, trvalo mi 3 minúty, kým som urobil to, čo som sa snažil 1 hodinu.


Viem, že v ModelBuilder môžete použiť iterátor, ale ak chcete radšej použiť python, tu som niečo vymyslel. Pridajte skript na panel s parametrami v poradí ako Vstupný súbor shpf, polia (viachodnotové, získané zo vstupu) a pracovný priestor. Tento skript rozdelí tvarový súbor na viac tvarových súborov na základe vybratých polí a vygeneruje ich do priečinka podľa vášho výberu.

import arcpy, re arcpy.env.overwriteOutput = True Input = arcpy.GetParameterAsText (0) Flds = "% s"% (arcpy.GetParameterAsText (1)) OutWorkspace = arcpy.GetParameterAsText (2) myre = re.com (2) myre = re.com ") FldsSplit = myre.split (Flds) sort ="% s A "% (FldsSplit [0]) lines = arcpy.SearchCursor (Input," "," ", Flds, sort) pre riadok v riadkoch: var = [ ] pre r v rozsahu (len (FldsSplit)): var.append (row.getValue (FldsSplit [r])) Dotaz = "Názov =" pre x v rozsahu (len (var)): ak x == 0: fildz = FldsSplit [x] Name = var [x] + "_" Dotaz + = ("" ""% s "= '% s'" ""% (fildz, var [x])), ak x> 0: fildz = FldsSplit [x] Meno + = var [x] + "_" Dotaz + = ("" "AND"% s "= '% s'" ""% (fildz, var [x])) OutputShp = OutWorkspace + r "\% s.shp"% (Name) arcpy.Select_analysis (Input, OutputShp, Query)

Nakoniec som to dostal do práce s SearchCursor a Select_analysis

arcpy.env.workspace = strInPath # vytvoriť množinu s atribútmi atribúty = set ([]) # ---- vytvoriť zoznam tried prvkov v aktuálnom pracovnom priestore ---- listOfFeatures = arcpy.SearchCursor (strInPath, " "," ", strFieldName," ") pre riadok v listOfFeatures: attributes.add (row.getValue (strFieldName)) count = 1 vyskúšať: pre riadok v atribútoch: stroOutputClass = strBaseName +" _ "+ str (count) # ( str (row.getValue (strFieldName))). replace ('/', '_') strOutputFeatureClass = os.path.join (strOutGDBPath, stroOutputClass) arcpy.Select_analysis (strInPath, strOutputFeatureClass, strQueryExp) # "[+ ] "+" = '"+ riadok +"' ") count = počet + 1 del atribútov okrem: arcpy.AddMessage ('Chyba nájdená')

Nie som oboznámený s nástrojmi na výber funkcií Iterate v ModelBuilder, ale exportujem to len tak, ako to ukazuje kód Pythonu, že ich možno volať pomocou arcpy.

# Vytvorené: 2015-05-19 15:26: 10.00000 # (generované ArcGIS / ModelBuilder) # Popis: # ------------------------ -------------------------------------------------- - # Importovať modul arcpy import arcpy # Načítať požadované panely nástrojov arcpy.ImportToolbox ("Modelové funkcie") # Lokálne premenné: Selected_Features = "" Hodnota = "1" # Proces: Iterovať výber funkcií arcpy.IterateFeatureSelection_mb ("", "", " nepravda ")

Na export jednotlivých prvkov môžete použiť token geometrie (SHAPE @) v rámci Copy Features (Data Management).

importujte arcpy, os shp = r'C:  temp  yourSHP.shp 'outws = r'C:  temp' s arcpy.da.SearchCursor (shp, ["OBJECTID", "SHAPE @"]) ako kurzor: pre riadok v kurzore: outfc = os.path.join (outws, "fc" + str (riadok [0])) arcpy.CopyFeatures_management (riadok [1], outfc)

Pomocou vyhľadávacieho kurzora môžete prechádzať jednotlivé prvky v triede prvkov a zapisovať iba geometrie do jedinečných tried prvkov. V tomto príklade používam triedu prvkov USA a exportujem štáty do nových tvarových súborov:

import arcpy # Toto je cesta k ESRI FC v štátoch USA = r'C:  Program Files (x86)  ArcGIS  Desktop10.2  TemplateData  TemplateData.gdb  USA  státy 'out_path = r'C:  temp 's arcpy.da.SearchCursor (stavy, ["STATE_NAME", "SHAPE @"]) ako kurzor: pre riadok v kurzore: out_name = str (riadok [0]) # Definujte názov výstupného súboru tvaru (napr. "Havaj") ) arcpy.FeatureClassToFeatureClass_conversion (riadok [1], out_path, out_name)

V Arcpy rešpektujú kurzory výbery vrstiev / TableView. Podľa Getting list of selected features in ArcGIS for Desktop using Python code?, You can simply iterate selection features.

Ak však chcete vykonať výber pomocou arcpy, použite nástroj SelectLayerByAttribute_management.


Pre tento typ operácie môžete použiť ModelBuilder. V tomto príklade som vytvoril samostatnú premennú „out_workspace“, ktorá sa používa na definovanie výstupnej cesty v Copy Features:

% out_workspace% fc_% hodnota% .shp


Riešenie na analýzu kriminality obsahuje veľa nástrojov na podporu kľúčových analytických funkcií na správu údajov, výber incidentov kriminality, vykonávanie taktických a strategických analýz, vyšetrovanie vzorov kriminality a zdieľanie informácií s ostatnými zamestnancami orgánov činných v trestnom konaní. K týmto nástrojom sa dostanete pomocou karty a pásky Analýza kriminality, ktorá sa automaticky pridá do vašich projektov pri inštalácii doplnku Analýza kriminality. Nasledujúce časti obsahujú zoznam skupín nástrojov na páse s podrobnosťami o každom nástroji v chronologickom poradí podľa typického procesu analýzy zločinu.

Poznámka: Pred skontrolovaním nástrojov Crime Analysis sa musíte ubezpečiť, že je nainštalovaný doplnok Crime Analysis. Ďalšie informácie nájdete v časti Konfigurácia analýzy kriminality.


Pred začatím tohto tutoriálu

Ak ste si práve nainštalovali server ArcGIS, musíte sa najskôr pripojiť k serveru a publikovať služby, a to tak, že vykonáte niekoľko prípravných krokov:

  • Podrobnosti o konfigurácii servera ArcGIS Server nájdete v tomto systéme pomoci v časti Začíname po inštalácii.
  • Ak sa chcete dozvedieť, ako sprístupniť údaje, na ktoré odkazuje váš prostriedok GIS, na serveri, prečítajte si tému Sprístupnenie údajov na serveri ArcGIS.

Tento tutoriál používa príklady pre WFS 1.1.0, ale tieto kroky sú použiteľné aj pre WFS 2.0.0. WFS 1.0.0 nepodporuje transakcie.


ArcGIS Desktop Associate (EADA 19-001)

The ArcGIS Desktop Associate (EADA 19-001) potvrdzuje vašu znalosť koncepcií a procesov ArcGIS pre pracovné postupy. Táto certifikácia je určená pre jednotlivcov, ktorí majú minimálne dvojročnú prax v práci na platforme ArcGIS. Táto certifikačná skúška preukáže vaše vedomosti a pomôže vám získať odborné znalosti vo vizualizácii, správe a analýze geopriestorových údajov na platforme ArcGIS.

Odporúčané vedomosti

Uchádzači, ktorí sa chcú zúčastniť certifikačnej skúšky ArcGIS Desktop Associate (EADA 19-001), by mali byť oboznámení s nasledujúcimi nástrojmi & # 8211

  • ArcGIS Pro
  • ArcGIS Online
  • ArcGIS Enterprise
  • Aplikácie ArcGIS pre danú oblasť

Výsledok skúšky

Výsledky vašej skúšky budú k dispozícii do 5 až 10 dní po absolvovaní skúšky ArcGIS Desktop Associate (EADA 19-001) skúšku v stanovenom termíne. Musíte si uvedomiť, že výsledok nebude obsahovať číselné skóre, ktoré ste dosiahli pri skúške. Výsledok zobrazí správu o skóre ilustrujúcu analýzu vášho výkonu na úrovni sekcie. Takéto správy o skóre zobrazujúce analýzu na úrovni sekcií však nie sú k dispozícii pre špeciálne skúšky. V takom prípade dostanete iba oznámenie o vašom výkone.

Pravidlá opakovania skúšky

Uchádzačom sú povolené iba tri pokusy o skúšku na jednu verziu živej skúšky. Nie je potrebné platiť žiadny ďalší poplatok za opakovaný odber. Cena základných skúšok vrátane opakovacích skúšok je 250 USD a cena špeciálnych skúšok vrátane opakovacích skúšok je 150 USD. Uchádzači musia počkať minimálne štrnásť (14) dní od plánovaného termínu skúšky, kým získajú nárok na druhý pokus. Ak uchádzač v druhom pokuse neuspeje, musí počkať deväťdesiat (90) dní pred tretím vykonaním skúšky.

Podrobnosti o skúške

Viac informácií nájdete v & # 8211 Časté otázky k aplikácii ArcGIS Desktop Associate EADA 19-001

Osnova kurzu

Témy skúšky ArcGIS Desktop Associate zahŕňajú:

Správa údajov [35%]
  • Porovnanie a kontrast medzi rôznymi typmi vektorových a rastrových súborov údajov podporovaných v ArcGIS (Referenčné číslo ESRI:Správa geopriestorových údajov v ArcGIS)
  • Aplikácia vhodných súradnicových systémov na zachovanie požadovaných priestorových vlastností (Referenčné číslo ESRI:Základy ArcGIS Pro)
  • Určenie spôsobu migrácie údajov do geodatabázy súborov, triedy prvkov alebo tabuliek. (Referenčné číslo ESRI:Začíname s ArcGIS Pro)
  • Uplatňovanie priestorových a atribútových údajov. (Referenčné číslo ESRI:Začíname so správou údajov)
  • Určenie použitia komponentov platformy ArcGIS a typov geodatabáz pri správe údajov. (Referenčné číslo ESRI:Aplikácie ArcGIS pre danú oblasť: úvod)
  • Určenie vhodných existujúcich prvkov geodatabázy, ktoré sa majú použiť (Referenčné číslo ESRI:Kroky návrhu geodatabázy)
  • Správa rastrových, tabuľkových a vektorových údajov. (Referenčné číslo ESRI:Správa rastrových údajov pomocou ArcGIS)
  • Správa metadát a podrobností položky (Referenčné číslo ESRI:Čo sú metadáta?)
Manipulácia s údajmi [17%]
  • Využitie editačných funkcií platformy ArcGIS pri vytváraní, úpravách a mazaní 2D a 3D údajov. (Referenčné číslo ESRI:Úpravy 3D funkcií pomocou ArcGIS Pro)
  • Riešenie hlavnej príčiny problémov so zarovnávaním údajov (Referenčné číslo ESRI:Vytváranie a úpravy údajov pomocou ArcGIS Pro)
  • Aplikácia SQL dotazu. (Referenčné číslo ESRI:Základné úpravy v ArcGIS Pro)
  • Určenie spôsobu opravy spojenia medzi vrstvou a jej zdrojom údajov (Referenčné číslo ESRI:Integrácia údajov do ArcGIS Pro)
  • Riešenie problémov s anomáliami údajov s tabuľkovými a vektorovými údajmi (Referenčné číslo ESRI:Dotazovanie na dáta pomocou ArcGIS Pro)
Vizualizácia [14%]
  • Identifikácia spôsobu riadenia súradnicového systému a geografickej transformácie v aplikácii ArcGIS Desktop (Referenčné číslo ESRI:Začíname s mapovaním a vizualizáciou)
  • Správa vlastností vrstvy (Referenčné číslo ESRI:Nastavenie vlastností vrstvy)
  • Určenie spôsobu vizualizácie časových, diaľkových alebo 3D údajov (Referenčné číslo ESRI:Práca s časovými údajmi v ArcGIS)
Zdieľanie [14%]
  • Identifikácia spôsobu exportu údajov, máp a scén do rôznych formátov (Referenčné číslo ESRI:Podporované formáty)
  • Voľba spôsobu zdieľania obsahu v rámci platformy ArcGIS (Referenčné číslo ESRI:Povoliť štatistiky založené na polohe a rozhodnutia založené na údajoch)
  • Identifikácia účelu metadát, popisu položky a ďalších vlastností na zdieľanie (Referenčné číslo ESRI:Vytváranie a správa metadát v ArcGIS Pro)
  • Určenie spôsobu vytvárania a správy rozložení máp a kníh s mapami (Referenčné číslo ESRI:Zdieľanie máp a vrstiev s ArcGIS Pro
Analýza a geografické spracovanie [20%]
  • Porovnanie funkčnosti spojenia a vzťahu tabuliek, tried vzťahov a priestorových spojení (Referenčné číslo ESRI:Začíname s priestorovou analýzou)
  • Určenie vhodného nástroja na geografické spracovanie, ktorý sa má použiť (Referenčné číslo ESRI:Úvod do časopriestorovej analýzy)
  • Používanie úloh, dávkového spracovania, modelov alebo skriptov na vykonávanie zložitého pracovného toku (Referenčné číslo ESRI:Python pre všetkých)
  • Identifikácia analytických nástrojov dostupných z pripojeného portálu (Referenčné číslo ESRI:Skriptovanie v jazyku Python pre pracovné postupy geografického spracovania)
  • Aplikácia rastrových funkcií na rastrové spracovanie (Referenčné číslo ESRI:Vytváranie skriptov Pythonu pre rastrovú analýzu)

Študijná príručka pre ArcGIS Desktop Associate 19-001

Študijná príručka

The ArcGIS Desktop Associate 19-001 Študijná príručka Cieľom Eris Academy je rozšíriť vaše vedomosti a skúsenosti v platforme ArcGIS. Táto študijná príručka vám umožní získať hlbší vhľad do cieľov ArcGIS Desktop Associate 19-001.

Školenie vedené inštruktorom

Akadémia Esri navrhla dva školiace programy pre inštruktorov pre tých, ktorí sa snažia zložiť skúšku ArcGIS Desktop Associate. Cieľom tohto školenia vedeného inštruktorom je rozšíriť vedomosti kandidátov na platforme ArcGIS a umožniť im oboznámiť sa s ich úlohami ako spolupracovníka ArcGIS Desktop.

1- Úvod do GIS pomocou ArcGIS

The Úvod do GIS pomocou ArcGIS školiaci program vás naučí základné pojmy, ktoré sú základom technológie GIS a geografických údajov. Týmto školením získajú kandidáti skúsenosti s používaním GIS máp pri vizualizácii a skúmaní funkcií v reálnom svete. Získate tiež vedomosti v analýze údajov pri odpovedaní na otázky a vytváraní nových informácií, ako aj zdieľaní máp, údajov a ďalších zdrojov na prístup v rámci celej organizácie.

Ciele tohto školenia vedeného inštruktorom
  • Identifikácia vhodných údajov pri podpore mapovacieho projektu
  • Vytváranie máp, pridávanie údajov k nim a symbolizácia mapových prvkov na podporu účelu mapy & # 8217s
  • Zdieľanie údajov, máp a iného obsahu na portáli organizácie
  • Vykonávanie priestorovej analýzy pri získavaní informácií o mapových prvkoch v záujmovej oblasti
2 & # 8211 Migrácia z ArcMap na ArcGIS Pro

The Migrácia z ArcMap na ArcGIS Pro školenie zahŕňa použitie rýchlejších nástrojov a integrovaných 2D a 3D funkcií pri zefektívňovaní vašich GIS projektov pomocou ArcGIS Pro. Tento kurz vás naučí, ako sa stať skúseným používateľom ArcMap. Osvojíte si základnú terminológiu ArcGIS Pro a jej koncepty. Okrem toho budete schopní efektívne plniť rôzne úlohy, ktoré súvisia s mapovaním, úpravami, analýzami a zdieľaním geopriestorových údajov a zdrojov.

Ciele tohto školenia vedeného inštruktorom
  • Vytvorenie projektu ArcGIS Pro a import mapových dokumentov a 3D scén
  • Vytváranie a úprava symboliky a rozloženia máp
  • Import modelu geografického spracovania a identifikácia potenciálnych problémov s migráciou
  • Zdieľanie geopriestorových zdrojov na organizačnú stránku ArcGIS Online alebo lokálny portál ArcGIS

Knihy

Akadémia Esri poskytuje príručky, ktoré vám môžu pomôcť pri štúdiu na skúšku. Tieto knihy obsahujú rôzne užitočné zdroje, pomocou ktorých získate hlbší vhľad do cieľov skúšky, a teda absolvujete test a získate certifikáciu. Dve dôležité knihy odporúčané Eris Academy na skúšku sú & # 8211

Pripojte sa k online fóram

Zdravá diskusia je vždy prospešná, nech sa robí kdekoľvek. To isté platí pre online diskusné fóra. Je to pekný spôsob, ako môžu študenti diskutovať o svojich problémoch a získať prehľad o tom, ako idú ich konkurenti na skúšky. Jedna vec, ktorá je výhodou pre všetko, čo je online, je rozsah ľudí, ktorí sa k nej pridajú. Diskusia v režime offline je obmedzená na malý počet ľudí, zatiaľ čo online platformy môžu osloviť širší rozsah. Ak je zapojený väčší počet ľudí, vyhliadky na vyriešenie problému sa prudko zvyšujú.

Viaceré hľadiská tiež robia veci dynamickejšími. Tieto diskusie robia štúdie komplexnejšími. Introverti majú šancu sa prejaviť, kto by inak mohol radšej zostať mimo diskusií. Fóra skutočne dobre fungujú pri budovaní komunity, ktorá je nevyhnutná pre porozumenie ostatným.

Cvičné testy

Chyby sú nevyhnutné, ale určite ich možno obmedziť. Pokiaľ ide o skúšky, praktické skúšky veľmi pomáhajú pri obmedzovaní chýb. Pretože pri testoch sa dá ľahko vyhnúť chybám v praktických prácach. Cvičenie mozgu je veľmi dôležité. Praktické skúškové testy ESRI Desktop Associate poskytujú simuláciu, pri ktorej si mozog musí zvyknúť na skutočnú skúšku. Okrem vedomostí existuje veľa faktorov, ktoré môžu ovplyvniť váš výkon pri skúške. Patria sem sebavedomie, rýchlosť, porozumenie schéme značenia, fyzická a duševná bdelosť a koncentrácia a ďalšie. Vo všetkých týchto aspektoch pomáhajú skúškové testy ESRI Desktop Associate.

Čím viac odpovedí v praktickej práci získate, tým istejšie sa budete pri skúške cítiť. Tiež budete presne vedieť, koľko času a úsilia je potrebné investovať do inej časti dotazníka. Váš mozog bude trénovaný tak, aby mal počas skúšky maximálny potenciál.Všetky tieto faktory môžu mať obrovský rozdiel. Pamätajte, že váš výsledok neodráža to, koľko toho viete, ale koľko ste napísali. Talent možno hodnotiť, iba ak sa dobre prejaví vo výkone.


Vklady lítia v USA

V Spojených štátoch sa lítium začalo ťažiť z pegmatitových vrtov v Južnej Dakote koncom 18. storočia. Pegmatitový pás Kings Mountain v Severnej Karolíne mal tiež významnú produkciu pegmatitov a oblasť môže stále obsahovať až 750 miliónov metrických ton (Mt) rudy obsahujúcej 5 Mt lítneho kovu (Kesler a ďalší, 2012). V roku 2018 bola americká výroba lítia obmedzená na jedinú ťažobnú operáciu lítium-soľankou v Nevade. V roku 2018 sa USA spoliehali na čistý dovoz ako percento zjavnej spotreby lítia viac ako 50 percent (U.S. Geological Survey, 2019). USA nie sú významným producentom lítia, takže na uspokojenie spotrebiteľského dopytu sa komodita dováža predovšetkým z Čile a Argentíny.

Lítium je potrebné pre strategické, spotrebiteľské a komerčné aplikácie. Primárne využitie lítia je v batériách, keramike, skle, metalurgii, farmaceutike a polyméroch (U.S. Geological Survey, 2019). Lítium má vynikajúcu elektrickú vodivosť a nízku hustotu (kov lítia bude plávať po vode), čo z neho robí ideálny komponent na výrobu batérií. S lítiom sa obchoduje v troch primárnych formách: minerálne koncentráty, minerálne zlúčeniny (zo soľanky) a rafinovaný kov (elektrolýza z chloridu lítneho). Minerológia lítia je rôznorodá a vyskytuje sa v rôznych pegmatitových mineráloch, ako je spodumen, lepidolit, amblygonit a ílový minerál hektorit. V súčasnej globálnej produkcii lítia dominujú pegmatit a ložiská soľanky s uzavretým bazénom, existujú však značné zdroje v ílových mineráloch s obsahom lítia, v soľných soľných ložiskách a v geotermálnych soľankách (Bradley a ďalší, 2017).

Položky a popisy v databáze boli odvodené z publikovaných prác, správ, údajov a internetových dokumentov predstavujúcich rôzne zdroje, vrátane geologických a prieskumných štúdií opísaných v štátnych, federálnych a priemyselných správach. Zdroje vyťažené zo starších zdrojov nemusia byť v súlade s platnými pravidlami a pokynmi v odvetviach nerastného priemyslu, ako napríklad National Instrument 43-101 (NI 43-101) alebo Kódex Výboru pre spoločné rezervy rúd (Code JORC). Zahrnutie konkrétneho ložiska lítneho minerálu do tejto databázy neznamená, že ložisko je v súčasnosti ekonomické. Tieto ložiská boli zahrnuté skôr preto, aby zachytili vlastnosti väčších lítiových ložísk v USA, ktoré sa líšia svojou geológiou a potenciálom zdrojov. Zaradenie materiálu do databázy má iba informatívny charakter a neznamená schválenie vládou USA. Autori vítajú ďalšie zverejnené informácie, aby mohli tento súbor údajov neustále aktualizovať a vylepšovať.

Bradley, D.C., Stillings, L.L., Jaskula, B.W., Munk, LeeAnn a McCauley, A.D., 2017, Lithium, kap. K of Schulz, KJ, DeYoung, JH, Jr., Seal, RR, II a Bradley, DC, ed., Kritické nerastné zdroje USA - ekonomická a environmentálna geológia a perspektívy budúcich dodávok: US Geological Survey Professional Paper 1802, s. K1 – K21, https://doi.org/10.3133/pp1802K.

Kesler, SE, Gruber, PW, Medina, PA, Keoleian, GA, Everson, MP a Wallington, TJ, 2012, Globálne lítiové zdroje - relatívny význam pegmatitu, soľanky a ďalších ložísk: Ore Geology Reviews, v. 48, október vyd., s. 55—69.

US Geological Survey, 2019, Mineral commodity summaries 2019: U.S. Geological Survey, 200 s., Https://doi.org/10.3133/70202434.

V rámci procesu stanoveného v exekutíve 13817 identifikovalo Národné informačné centrum minerálov USGS (NMIC) lítium ako kritický minerál (ministerstvo vnútra, 2018) kvôli závislosti na dovoze a význame v odvetviach leteckého a obranného priemyslu. , energetika, telekomunikácie a elektronika a doprava (Fortier a ďalší, 2018). Lítium sa ťaží zo soľanky a pegmatitu a je zvyčajne primárnou komoditou, aj keď sa vyskytuje ako vedľajší produkt pri niektorých operáciách, ako sú napríklad ložiská boritanu.

Tento súbor údajov bol zostavený s cieľom poskytnúť základné vrstvy informácií, ktoré identifikujú a popisujú známe ložiská lítia v Spojených štátoch. Táto kompilácia má prispieť k nášmu geologickému porozumeniu ložísk lítia v USA a pomôcť pri hodnotení ich potenciálu zdrojov.

Ministerstvo vnútra, 2018, Konečný zoznam kritických minerálov 2018: Federálny register v. 83, č. 97, s. 23295—23296, https://www.federalregister.gov/d/2018-10667.

Fortier, S.M., Nassar, N.T., Lederer, G.W., Brainard, Jamie, Gambogi, Joseph a McCullough, E.A., 2018, Návrh kritického zoznamu minerálov - Zhrnutie metodiky a základných informácií - USA. Technický vstupný dokument geologického prieskumu v reakcii na sekretariátny príkaz č. 3359: Správa otvoreného súboru geologického prieskumu USA 2018–1021, 15 s., Https://doi.org/10.3133/ofr20181021.

VRSTVY ​​A TABUĽKY DATABÁZY

Trieda prvkov Loc_Pt obsahuje bodové umiestnenia baní, výskyt nerastov (ložiská a vyhliadky) a minerálne oblasti a informácie o atribútoch popisujúce polohu, správu o zdroji, mierku mapy použitej na získanie polohy a či má poloha mnohouholník. stopa v triede funkcií Loc_Poly. V databáze majú všetky objekty umiestnenie bodu, okrem povrchových úprav.

Trieda prvkov Loc_Poly obsahuje stopy alebo mnohouholníky ložísk, geotermálnych nádrží, minerálnych oblastí a banských oblastí. Ak správa o zdroji zobrazuje polohu ako mnohouholník, mnohouholník sa digitalizuje a do vrstvy Loc_Pt sa pridá približný ťažisko mnohouholníka. Informácie o atribútoch umiestnenia sú poskytované vo vrstve Loc_Pt. Bane sú reprezentované ako body v databáze, aj keď sú stopy uvádzané v zdrojových správach. Pokiaľ je to možné, približný rozsah oblasti ťažobnej činnosti určený na základe snímok je uvedený vo vrstve povrchových úprav (pozri Loc_Poly_Sw).

Trieda prvkov Loc_Poly_Sw obsahuje približnú oblasť činnosti súvisiacej s ťažbou alebo „povrchové práce“, ako je znázornené na snímkach Esri. Tieto polygonálne obrysy nemajú v databáze zodpovedajúce umiestnenie bodu, ani nemajú odkazy na iné tabuľky. Informácie o atribúte pre povrchové úpravy obsahujú dátum snímok a základné informácie o polohe vrátane názvu štátu a kraja. Povrchové práce musia byť v jednom rozmere minimálne 300 metrov v jednej dimenzii, aby ich bolo možné digitalizovať, a viaceré diela, ktoré sú od seba vzdialené 150 metrov, sú spojené do jedného obrysu. Nepokúšame sa rozlíšiť medzi typmi povrchových úprav (napríklad cesty, jamy, vylúhovacie podložky, hromady odpadu atď.), Aj keď sú uvedené v zdrojových správach.

Tabuľka Lokalita sa používa na identifikáciu súvisiacich prvkov, ako je napríklad ložisko a bane, ktoré na ňom pracujú, alebo baňa a jej súvisiace ložiská. Každá stránka má v poli Site_ID jedinečnú identifikačnú hodnotu. Site_ID sa používa vo všetkých tabuľkách okrem tabuľky References. Tabuľka Lokalita tiež označuje, kde sa v databáze nachádzajú informácie o lokalite. Napríklad ak pole Zdroje v tabuľke Web obsahuje hodnotu „Áno“, informácie o zdroji sú dostupné v tabuľke Zdroje.

Tabuľka GeolMinOcc obsahuje informácie o geológii ložísk nerastov a perspektívach. Uskutočnil sa každý pokus o kompiláciu informácií, ako sa uvádza v zdrojovej správe. Napríklad ak jeden zdrojový report uvádza hodnotný materiál ako „spodumene“ a ďalší report & quotlepidolite & quot, pole atribútu Value_Mat bude obsahovať všetky hodnoty. Hodnota v poli Ref_ID je správa primárneho zdroja pre záznam, napríklad Kesler (1976). Všetky informácie v zázname pochádzajú z prehľadu primárneho zdroja, pokiaľ hodnota poľa atribútu neobsahuje číslo v zátvorkách. Toto číslo označuje ďalší zdrojový report, ktorého Ref_ID je uvedený v poli Poznámky. Úplné citácie správ o zdroji sú uvedené v tabuľke Referencie.

Tabuľka Zdroje obsahuje hlásené informácie o zdrojoch a rezervách pre ložiská nerastov. Boli zostavené počiatočné (alebo najskoršie údaje o zdrojoch nájdené autormi USGS) a súčasné údaje o zdroji, aj keď boli hlásené informácie z uplynulých rokov. Hodnoty zdrojov boli zaznamenané tak, ako sú uvedené v správach o zdrojoch, vrátane hlásených rokov, množstva zdrojov, jednotiek a klasifikačných systémov. Definícia pojmov (napríklad odvodených, dokázaných, pravdepodobných atď.) Používaných v rôznych systémoch klasifikácie zdrojov sa môže časom meniť. Zdroje vyťažené zo starších zdrojov nemusia byť v súlade s platnými pravidlami a pokynmi v odvetviach nerastného priemyslu, ako napríklad National Instrument 43-101 (NI 43-101) alebo Kódex Výboru pre spoločné rezervy rúd (Code JORC). Zaradenie materiálu do databázy má iba informatívny charakter a neznamená schválenie vládou USA. Ak sa zdroje alebo rezervy nahlásia pre skupinu funkcií a nie pre jednotlivý vklad, Ftr_ID zobrazí „-1111“ a zdroj alebo rezerva sa priradí k „serveru“ alebo Site_ID, ktorý zoskupuje tieto vklady v tabuľke stránok. Množstvo obsiahnutej komodity SI (CntSIComAm) pre obsiahnutú komoditu SI (CntSICom) bolo pre používateľa poskytnuté v jednej konzistentnej jednotke (metrické tony), čo je zvyčajne vypočítaná hodnota autormi USGS. Hodnota končiaca desatinnou čiarkou „111“ znamená, že hodnotu vypočítali autori USGS. Prevodné faktory, ktoré používajú autori USGS, nájdete v súbore USGS_Lithium_US_Merged_Excel na karte Konverzie. Napríklad ak hodnotu v poli Známka vypočítajú autori USGS na 0,05 percenta, potom bude hodnota zaznamenaná v databáze 0,05111. Ak je pre hodnoty v poliach atribútov ako Mat_Amnt, Grade, Contained atď. Uvedený rozsah hodnôt, priemer rozsahu je uvedený v poli a rozsah hodnôt je uvedený v poli Poznámky. Z dôvodu konzistencie sú hodnoty zdrojov prevádzané autormi USGS do Medzinárodného systému jednotiek (jednotky SI).

Tabuľka Produkcia obsahuje zverejnené údaje o produkcii baní. Produkcia je uvedená podľa komodity a vykazuje sa tak, ako je uvedené v zdrojových správach. Uvádzané hodnoty produkcie sú súčtom autorov USGS za časové obdobie definované hodnotami Year_From a Year_To. Ak sa produkcia hlási pre skupinu funkcií, Ftr_ID zobrazí „-1111“ a produkcia sa priradí k „serveru“ alebo Site_ID, ktorý zoskupuje tieto bane v tabuľke stránok. Množstvo obsiahnutej komodity SI (CntSIComAm) pre obsiahnutú komoditu SI (CntSICom) bolo pre používateľa poskytnuté v jednej konzistentnej jednotke (metrické tony), čo je zvyčajne vypočítaná hodnota autormi USGS. Hodnota končiaca desatinnou čiarkou „111“ znamená, že hodnotu vypočítali autori USGS. Prevodné faktory, ktoré používajú autori USGS, nájdete v súbore USGS_Lithium_US_Merged_Excel na karte Konverzie. Napríklad ak hodnotu v poli Známka vypočítajú autori USGS na 0,05 percenta, potom bude hodnota zaznamenaná v databáze 0,05111. Ak je rozsah hodnôt poskytnutý pre polia atribútov ako Mat_Amnt, Grade, Contained atď., Je priemer rozsahu uvedený v poli a rozsah hodnôt je uvedený v poli Poznámky. Z dôvodu konzistencie sú výrobné hodnoty prevedené do Medzinárodného systému jednotiek (jednotky SI) autormi USGS.

Tabuľka História obsahuje informácie odvodené z verejne dostupných zdrojov týkajúce sa stavu baní, perspektív, ložísk alebo minerálnych oblastí v čase. Hodnoty v poli Status označujú stav alebo fázu pre časové obdobie uvedené v poliach Year_From a Year_To. Tieto informácie nemusia odrážať aktuálny stav objektu. Napríklad, ak záznam o atribúte ukazuje, že stav bane je „Aktívny“ a dátumy Year_From a Year_To sú 1936, respektíve 1979, potom bola baňa aktívna od roku 1936 do roku 1979, nie je známe, či je baňa stále aktívna. Pole Last_Updt zobrazuje dátum poslednej aktualizácie záznamu autormi USGS.

Tabuľka Dep_Model obsahuje klasifikáciu modelu ložiska minerálov a geoenvironmentálneho modelu pre ložiská zahrnuté v databáze.

Tabuľka Descr_Sum obsahuje príslušné popisy nájdené v zdrojových prehľadoch. Tieto popisy sa pripisujú podľa typu popisu, ako napríklad Geológia, História, Produkcia, Zdroje atď. Popisy sa týkajú jednotlivých prvkov alebo väčších lokalít. Autori neparafrázujú ani nekombinujú popisy, a preto, ak je databázová funkcia popísaná vo viacerých správach, bude mať táto funkcia viac záznamov.

Tabuľka Referencie obsahuje citáciu mapy alebo správ, z ktorých boli získané informácie o bode, mnohouholníku alebo atribúte. Tabuľka tiež priraďuje krátky odkaz, Ref_ID, ktorý sa používa v celej databáze.

Bane sú človekom vytváraný znak spojený s procesom ťažby, spracovania alebo sústreďovania rudných materiálov. V tejto databáze majú bane bodové umiestnenie a ak je to možné, hranicu mnohouholníka znázorňujúcu rozsah povrchových úprav identifikovaných zo snímok. V rámci obrysov povrchových prác sa nepokúšame rozlíšiť konkrétne vlastnosti baní, ako sú jamy, skládky, hlušina atď.

Výskyty minerálov definované ako koncentrácia minerálu považovaného za potenciálne cenný sa pripisujú ako ložiská alebo vyhliadky v databáze USGS Mineral Deposit Database (USMIN). Ložiská nerastov majú definovanú veľkosť a môžu mať stupeň označený súčasnou a (alebo) minulou produkciou a (alebo) odhadom zdrojov. Vyhliadky majú dostatok údajov na opísanie najmenej dvoch dimenzií a sú v nich prítomné užitočné alebo cenné minerály alebo materiály.

Minerálne oblasti sa pripisujú ako geotermálne nádrže, minerálne oblasti alebo banské oblasti. Geotermálne nádrže sú podzemným zásobníkom vody zachytenej v pórovitej hornine, ktorá je schopná poskytovať hydrotermálne zdroje. Nerastné obvody sú oblasti, obvykle označené menom, definované skupinou ložísk podobného typu, pôvodu a (alebo) komodity. Banské okresy predstavujú historické administratívne oblasti organizované baníkmi podľa banských zákonov USA. Banské revíry sú zvyčajne oblasťou obsahujúcou skupinu mín, ktoré ťažili rovnakú alebo príbuznú komoditu. Polygóny minerálnej oblasti sa môžu prekrývať.

Lokality banských objektov, výskytov minerálov a minerálnych oblastí sú bežne reprezentované ako body v zdrojových mapách a správach a príležitostne ako stopy (polygónové obrysy). V tejto databáze majú všetky funkcie bodové umiestnenie a niektoré majú ďalšiu polygonálnu stopu. Povrchové práce v triede funkcií Loc_Poly_Sw sú výnimkou - nemajú zodpovedajúce umiestnenie bodu ani informácie o atribútoch v bodovej vrstve. Inak pre body, ktoré majú polygonálne hranice, obsahuje pole atribútu triedy prvkov Loc_Pt Loc_Poly hodnotu „Áno“ a typ hranice je opísaný v poli Poly_Def. Napríklad „Približný rozsah lítiovej šošovky na mape“, „Rozsah indikovaného minerálneho zdroja zobrazeného na mape“ alebo „Hranica ťažobného obvodu“.

Každý znak bodu a mnohouholníka je jedinečne identifikovaný pomocou Ftr_ID. Site_ID sa používa na označenie skupín súvisiacich funkcií alebo „stránok“. Tabuľky sú prepojené (súvisiace) pomocou polí Ftr_ID alebo Site_ID. Niektoré tabuľky obsahujú viac ako jeden záznam popisujúci funkciu. Napríklad bod označujúci umiestnenie bane môže mať veľa záznamov v tabuľke Výroba, ktorá sumarizuje dátumy a množstvá vyprodukovaného materiálu. Databáza je navrhnutá tak, aby užívateľovi umožnila navigáciu z bodových alebo mnohouholníkových vrstiev k prepojeným informáciám tabuľky alebo z tabuliek k bodovým a mnohouholníkovým vrstvám.

Všetky informácie o databáze sú odvodené z verejne dostupných zdrojov. Pole Last_Updt zobrazuje dátum, kedy autori naposledy aktualizovali informácie o zázname. Úplné citácie sú uvedené v tabuľke Referencie a každej citácii je priradená krátka citácia Ref_ID, ktorá sa používa na identifikáciu v databáze. S výnimkou triedy funkcií Loc_Poly sú primárne referencie zvyčajne zaznamenané v poli Ref_ID. Ďalšie odkazy sú vymenované za hodnotami poľa atribútov a zodpovedajúca krátka referencia je v poli Poznámky. Napríklad v poli Komodita sa zobrazuje „lítium draslík (1) sodík (1) fluór (1)“. To naznačuje, že komodita „lítium“ bola odvodená z primárneho odkazu označeného v poli Ref_ID ako „Henry a ďalší (2017)“ a „draslík, sodík a fluór“ boli odvodené zo sekundárneho odkazu označeného v poli Poznámky ako „( 1) Rossi (2010) “.

Nie je relevantné poradie údajov uvádzaných v zoznamoch. Napríklad, ak sa v poli Komodity zobrazuje „lítium-boritý draslík“, jedná sa o poradie, v ktorom tieto komodity zostavili autori, a nepredstavuje poradie dôležitosti. V tabuľke GeolMinOcc sa navyše zoznamy v rôznych poliach nevzťahujú. Napríklad, ak sa v poli Komodita zobrazuje „lítium-boritý draslík“, v poli Value_Mat sa môžu uviesť súvisiace rudné minerály v inom poradí. Podobne zoznamy údajov odrážajú poradie, v ktorom boli informácie zostavené. Polia so zoznamami sa nachádzajú v tabuľkách Site, Loc_Pt a GeolMinOcc.

Záznamy polí alebo atribútov, ktoré obsahujú hodnoty & quot; Null & quot; v súborovej geodatabáze, boli skontrolované kvôli dostupným údajom a neboli nájdené žiadne údaje. V niektorých prípadoch nemusí celé pole obsahovať žiadne informácie. Tieto polia „Nulové“ sú v štruktúre databázy udržiavané kvôli konzistencii so súvisiacimi produktmi USGS a pre možné budúce použitie, ak budú informácie k dispozícii.

Dva body môžu obsadzovať to isté miesto. K tomu dôjde, ak je v bani ložisko a umiestnenie bane alebo ložiska nie je známe. Napríklad správa poskytuje mapu znázorňujúcu umiestnenie vkladu. Správa tiež poskytuje údaje o ťažbe v podzemí „Mine X“, ktoré ťaží ložisko, ale neuvádza umiestnenie „Mine X“. V takom prípade je druhý bod predstavujúci „Minu X“ umiestnený v mieste bodu vkladu.

Polygónové prvky sa môžu prekrývať. Prezeranie mnohouholníkov ako obrysov bez farebných výplní ukáže, kde dochádza k prekrytiu mnohouholníkov.

V sekcii atribútov týchto metadát sú polia atribútov zo všetkých tried prvkov a tabuliek uvedené v abecednom poradí, zodpovedajúce triedy prvkov a tabuľky sú uvedené v zátvorkách za názvom poľa v štítku atribútu. Napríklad „Mat_Amnt (Produkcia, Zdroje)“ označuje atribútové pole Mat_Amnt (množstvo materiálu) v tabuľke Produkcia a v Tabuľke Zdrojov.


Vyhodnotenie viacerých environmentálnych faktorov pre miestne špecifické stavby doplňovania podzemnej vody v hornom povodí rieky Vaigai v Tamil Nadu v Indii pomocou váženej analýzy prekrytia založenej na GIS.

Táto štúdia skúma zónu potenciálu doplnenia podzemnej vody a vhodné miesta pre umelé štruktúry dobíjania v hornej povodí rieky Vaigai v okrese Theni v Tamil Nadu pomocou metódy GAM založenej na viacerých parametroch váženého prekrytia. V študovanej oblasti je zaznamenaný výrazný nedostatok podzemných vôd napriek tomu, že majú vysoké zrážky a odtoky. Preto sa na vyhodnotenie charakteristík priepustnosti a infiltrácie oblasti a vymedzenie zón potenciálneho dobitia používa integrovaná technika diaľkového prieskumu a GIS. Zóny potenciálneho dobitia a miestne špecifické štruktúry dobíjania boli vytýčené na základe váh viacerých parametrov na základe ich priepustnosti a schopnosti infiltrácie do doplňovania podzemných vôd. Mapa potenciálu doplnenia podzemnej vody zobrazuje dvadsať vhodných miest pre umelé doplňovacie štruktúry, ako sú napríklad perkolačné rybníky, priehrady na kontrolu voľných hornín a priekopa na absorpciu vody (WAT) v rôznych častiach študovanej oblasti. Efektívne postupy dobíjania, ako sú napríklad perkolačné rybníky a kontrolné hrádze, sú veľmi vhodné pre mierne svahové neúrodné a poľnohospodárske pláne v severozápadnej a severovýchodnej časti. Zatiaľ čo neúrodná výplň údolia, bajada a potoky pretínajúce sa líniami pozdĺž stredovýchodnej a strednej časti sú vhodné na stavbu vodných priehrad a kontrolu priehrad. Tieto funkcie zberu vody môžu zlepšiť scenár podzemnej vody študovanej oblasti a zvýšenie podzemnej vody je možné v budúcnosti pomocou pokročilých techník, ako sú diaľkový prieskum a GIS.

Toto je ukážka obsahu predplatného, ​​prístup cez vašu inštitúciu.


Pomocou obmedzení servera SQL Server a domén geodatabázy

Obmedzenia atribútov

Mnoho používateľov ArcGIS používa domény geodatabázy, aby editorom údajov umožňovali zadávať pre určité atribúty iba určité hodnoty, a to buď v rozsahu, alebo zo sady kódovaných hodnôt. Táto funkcia zjednodušuje úpravy údajov a je skutočne veľmi užitočná. Avšak nastavenie domény geodatabázy pre pole v skutočnosti nezabráni používateľom zadať hodnotu, ktorá je mimo rozsahu alebo nie je v zozname kódovaných hodnôt.

Zadanie nepovolených hodnôt je možné vykonať programovo pomocou arcpy alebo SQL alebo úpravou tabuľky atribútov triedy prvkov pomocou výpočtovej techniky Field Calculator. Ak chcete zistiť, ktoré funkcie majú neplatné hodnoty atribútov, musíte v relácii úprav vybrať všetky svoje funkcie a kliknúť na položky Editor a gt Overiť funkcie. Týmto sa vyberú funkcie s nelegálnymi hodnotami.

Čo však v prípade, ak chcete svojim používateľom umožniť pri úpravách funkcií vyberať iba určité hodnoty a zakázať zadávanie akýchkoľvek nelegálnych hodnôt? Môžete to urobiť tak, že použijete obmedzenia databázy, ako napríklad obmedzenie cudzieho kľúča. V skutočnosti som už na túto presnú otázku odpovedal na GIS.SE: Obmedzte hodnoty na kódy domén (nad rámec tabuľky atribútov).

Na konci príspevku sa pozrite na útržok kódu toho, čo by sa malo robiť v SQL.

Teraz stačí použiť nástroj GP Table To Domain, ktorý vám umožní vytvoriť doménu geodatabázy z tabuľky dbo.CityType a tiež do nej pridať kódované hodnoty. Potom môžete túto doménu priradiť k poľu Typ v triede funkcií Mestá pomocou nástroja GP Priradiť doménu k poľu.

Teraz užívateľ dostane chybové okno v ArcMap (vrátené zo servera SQL Server) zakaždým, keď sa pokúsi do poľa zadať neplatné hodnoty a funkciu uložiť. Pri prijímaní tohto pracovného postupu je treba mať na pamäti, že musíte prejsť na panel s nástrojmi editora & kartu Možnosti & gt Atribúty a pred uložením nových funkcií povoliť možnosť Zobraziť dialógové okno s atribútmi. Toto je potrebné urobiť, ak nezadáte žiadnu predvolenú hodnotu pre toto pole, ktorá je uložená v tabuľke dbo.CityType. V takom prípade nebudú mať novovytvorené objekty žiadnu hodnotu spojenú s atribútom Typ a nebudete môcť digitalizovať objekt na mape bez toho, aby ste dostali chybové hlásenie.

Priestorové obmedzenia

Ďalšou vecou, ​​ktorá vás môže napadnúť, je topológia geodatabázy. Je to veľmi užitočné, keď ste zdedili veľkú sadu tried funkcií a chcete presadiť niektoré pravidlá integrity týkajúce sa priestorových vzťahov medzi prvkami v týchto triedach prvkov. Ak sú však vaše údaje uložené v geodatabázi pre viacerých používateľov, môžete vytvoriť vlastné pravidlá, ktoré by používateľom zakazovali vytvárať funkcie, ktoré tieto pravidlá porušujú. Pomocou topológie geodatabázy ArcGIS je stále možné vytvoriť prvok, ktorý by sa považoval za neplatný, pokiaľ ide o jeho vzťah s iným prvkom (napríklad školský bod v polygóne jazera), avšak jediný spôsob, ako to zistiť, je overiť topológiu na existujúcich prvkoch. .

Pomocou spúšťačov servera SQL Server je možné určiť priestorové pravidlá a zabrániť vytváraniu funkcií, ktoré tieto pravidlá nedodržiavajú. Nižšie je uvedený jednoduchý príklad spúšťača, ktorý používateľom ArcMap neumožňuje digitalizovať bod na mape a vytvoriť tak bodový prvok, ktorý sa nachádza mimo hraníc štátu Kalifornia.


Dlhodobé účinky zmeny postupov využívania pôdy na kvalitu povrchovej vody v pobrežných riekach a ústiach lagúny

Rozvodie rieky Neuse, hlavného prítoku najväčšieho lagunálneho ústia na pevnine USA, udržalo rýchly rast ľudskej a prasacej populácie. Táto štúdia integrovala desaťročie dostupných údajov o krajinnej pokrývke a kvalite vody s cieľom preskúmať vzťahy medzi zmenami vo využívaní krajiny a kvalitou povrchovej vody. Analýza geografických informačných systémov (GIS) bola použitá na charakterizáciu 26 čiastkových povodí v celom povodí pre zmeny vo využívaní pôdy v rokoch 1992 - 2001, berúc do úvahy mestské, poľnohospodárske (poľnohospodárske pôdy, zvieratá ako pastviny a hustoty operácií s obmedzeným kŕmením zvierat [CAFO]), zalesnené , kategórie trávnych porastov a mokradí a počty čistiarní odpadových vôd (ČOV). GIS sa tiež použil spolu s analýzou pozdĺžnej regresie na identifikáciu konkrétnych charakteristík využívania krajiny, ktoré ovplyvňovali kvalitu povrchových vôd. Koncentrácie celkového fosforu boli počas leta významne vyššie v subbazínoch s vysokou hustotou ČOV a CAFO. Dusičnany boli počas zimy podstatne vyššie v čiastkových bazénoch s vysokým počtom ČOV a organický dusík bol vyšší v čiastkových bazénoch s vyšším poľnohospodárskym pokrytím, najmä s vysokým pokrytím pasienkov hnojených živočíšnym hnojom. Koncentrácie amónia boli zvýšené po vysokých zrážkach. Celkovo možno povedať, že vypúšťanie odpadových vôd do hornej, čoraz viac urbanizovanej povodia Neuse a intenzívne chov ošípaných v dolnej povodí sú najväčšími prispievateľmi dusíka a fosforu k prijímaniu povrchových vôd. Aj keď sa pri eutrofizácii riek a ústia riek, ako je napríklad Neuse, zdôrazňovali nepolohové zdroje, bodové zdroje naďalej významne prispievajú k živinám v povodiach a tým zvyšujú rast ľudskej populácie. Popísané korelačné a regresné analýzy predstavujú rýchlu a spoľahlivú metódu spájania spôsobov využívania pôdy s kvalitou vody a je možné ich prispôsobiť povodiam v ktoromkoľvek regióne.

Toto je ukážka obsahu predplatného, ​​prístup cez vašu inštitúciu.


Kategória: Nezaradené

Tu predstavujem zbierku recenzovaných výskumných článkov týkajúcich sa vzťahu medzi Geografickými informačnými systémami a vedou a modelovaním biotopov divočiny. Toto je dôležitá téma v súčasnej literatúre o ochrane a manažmente divočiny. Každý článok bol vybraný na základe jeho relevantnosti pre návrh modelu, vývoj modelu, porovnanie modelu, analýzu údajov, validáciu modelu, vstupné údaje alebo geografické znázornenie výsledkov modelu.

Hirzel, A. a Guisan A. 2002. Čo je optimálna stratégia vzorkovania pre modelovanie vhodnosti biotopu. Ekologické modelovanie. 157, 331-341

V štúdii Hirzel a Guisan (2002) skúmali štyri rôzne stratégie vzorkovania v teréne (náhodné, pravidelné, proporcionálne stratifikované a rovnomerne stratifikované) pre modelovanie vhodnosti biotopov a hodnotili, ako tieto stratégie ovplyvnili presnosť predpovede vhodnosti biotopu a ich citlivosť na veľkosť vzorky . Pretože väčšina publikovaných štúdií porovnávajúcich prístupy k vzorkovaniu je relatívne subjektívna (absolútna pravda nie je známa), autori sa namiesto toho rozhodli pre svoju analýzu zvoliť prístup virtuálneho druhu v reálnej krajine (Švajčiarske Alpy), aby dosiahli kvantitatívne odpovede založené na faktických údajoch. realita. Po definovaní ekologického výklenku pre virtuálne druhy vytvorili autori mapu vhodnosti biotopu, z ktorej mohli vygenerovať skutočnú mapu priestorového rozloženia. Využitie Pearsonovho korelačného koeficientu na posúdenie presnosti predpovede vhodnosti biotopu a Cohenov koeficient k koeficient zhody na určenie presnosti predikcie prítomnosti / neprítomnosti, autori dospeli k záveru, že „bežné“ a „rovnomerne stratifikované“ stratégie vzorkovania mali najvyššiu presnosť a boli „robustnejšie“. Tiež zistili, že zväčšenie veľkosti vzorky zlepšilo jej dizajn. Táto štúdia nehodnotila problémy spojené s predpojatými návrhmi vzoriek, boli iba nezaujaté.

Hirzel, A.H., Helfer, V. a Metral, F. 2001. Hodnotenie modelov vhodnosti biotopov s virtuálnym druhom. Ekologické modelovanie. 145, 111-121.

Hirzel a kol. (2001) porovnávali dve metódy hodnotenia vhodnosti biotopov, analýzu ekologických Niche Factor Analysis (ENFA) a generalizovaný lineárny model (GLM), na virtuálnom druhu v modeli GIS skutočnej krajiny v troch rôznych scenároch (šírenie, rovnováha a nadmerné množstvo). ). Prístup virtuálnych druhov umožňoval úplnú kontrolu nad vstupnými údajmi a presne odrážal prediktívne schopnosti každej analytickej metódy. GLM sa spolieha na údaje o prítomnosti / neprítomnosti druhov, zatiaľ čo ENFA vyžaduje na svoju funkciu iba údaje o prítomnosti. Pre túto analýzu sa odobrali vzorky z virtuálnych druhov, údaje sa potom vložili do príslušného modelu, ktorý sa má testovať, a vygeneroval sa model vhodnosti biotopu. GLM aj ENFA priniesli podobné výsledky, keď bol druh v rovnováhe, ale ENFA predstihla GLM pre scenár šírenia, zatiaľ čo GLM prekonala ENFA pri nadbytočnom druhovom scenári. ENFA celkovo fungovala dobre pri všetkých troch historických scenároch, čo z nej urobilo lepšiu voľbu modelu, najmä kvalita údajov môže byť nízka alebo neznáma. Autori sa pokúsili minimalizovať riziko, že model virtuálnych druhov nemusí správne simulovať realitu pomocou „skutočných ekogeografických údajov“, vybudovaním funkcie výklenku z lineárnych a nelineárnych zložiek a znížením skutočných prediktorov použitých na analýzu na polovicu.

Kirk, T. A. a Zielinski W. J. 2009. Vývoj a testovanie modelu vhodnosti krajinného biotopu pre kunu americkú (Martes americana) v kalifornských horách Cascade. Krajina Ekológia. 24(6), 759-773.

Kirk a Zielinski (2009) skombinovali terénne prieskumy s údajmi z GIS, aby vytvorili „asociácie biotopov amerických kun v krajine“ (Martes americana) a vytvoriť model na predpovedanie ich výskytu v severovýchodnej Kalifornii “. Pokiaľ ide o časť štúdie zameranú na odber polí, autori použili zariadenia na diaľkovú detekciu (kamery a sledovacie dosky) na nájdenie kuny v študijnej oblasti s rozlohou 27 700 kilometrov štvorcových, ktorá sa nachádza v severovýchodných horách Kalifornie. Tieto údaje sa potom použili na generovanie pravdepodobnosti detekcie pre kunu. V časti štúdie Analýza krajiny a vývoj modelu sa autori zamerali na rozsiahle opatrenia charakteristík biotopov na 3, 20 a 80 kilometroch štvorcových pomocou údajov a analýz získaných z ArcGIS. Merali predikčné premenné (vlastníctvo pôdy, nadmorská výška, cesty, hydrológia, vegetačný krajinný obraz a blízke detekcie kuny), aby sa kvantifikovali vlastnosti biotopov. Premenné prediktora biotopu sa potom použili na opísanie zloženia, konfigurácie a počtu reprodukčných náplastí okolo každej jednotky vzorky v študovanej oblasti pomocou analýzy krajinného vzoru v ArcGIS. Na predikciu výskytu kuny bola použitá viacnásobná logistická regresia pomocou environmentálnych premenných z analýzy krajinnej mierky na vytvorenie štatistického predikčného modelu. Tento model bol potom testovaný proti nezávislým údajom zo štúdie zimných lesných šeliem v Národnom lese Lassen v plánovaných oblastiach ťažby dreva. Najlepší prediktívny model štúdie bol vyvinutý pre krajinnú škálu s rozlohou 80 štvorcových kilometrov a zahŕňal tri premenné: percento reprodukčného biotopu v krajine, počet reprodukčných náplastí a percento krajiny vo verejnom vlastníctve. Zistilo sa, že kuny uprednostňujú vysokoenergetické lesy v neskorom serálnom štádiu s nízkym antropogénnym vplyvom. Autori dospeli k záveru, že najväčší počet kun sa vyskytoval v najväčšej chránenej oblasti v regióne (60% detekcií bolo lokalizovaných v označených oblastiach divočiny alebo v ich blízkosti, čo tvorilo 5% študovanej plochy). Predikčná sila modelu vhodnosti biotopu bola nakoniec dobrá, keď sa testovala na základe údajov z letného prieskumu, ale slabá, keď sa testovala s údajmi zhromaždenými počas zimných prieskumov. Môžu byť príčinou sezónne behaviorálne reakcie kuny, ako napríklad „rozptýlenie mladistvých, dynamika zániku zdroja / metapopulácie, nerovnaké pravdepodobnosti detekcie a sezónne zmeny vo veľkosti alebo umiestnení domáceho rozsahu“, ale je pravdepodobné, že kuna je ochotnejšia navštíviť detekčné zariadenia (návnada s kuracím mäsom) v zime, ako v lete, keď je jedlo výdatnejšie, čím sa vyrovnávajú prediktívne schopnosti modelu.

Edenius, L. a Mikusinski, G. 2006. Užitočnosť modelov vhodnosti biotopov ako nástrojov na hodnotenie biodiverzity v lesnom hospodárstve. Škandinávsky vestník lesného výskumu. 21(7), 62-72

Tento diskusný príspevok je literárnym prehľadom zameraným na problémy prameniace z použitia modelov vhodnosti biotopov ako nástrojov na hodnotenie biodiverzity v lesnom hospodárstve. Edenius a Mikusinski (2006) skúmali tri koncepty: ako rozšíriť topické pokrytie modelov biotopov, metódy používané na zovšeobecnenie jednodruhových modelov a začlenenie životaschopnosti populácie do modelov. Autori ďalej definovali tieto problémy, potom diskutovali o analýze literatúry. Autori skúmali literatúru publikovanú v rokoch 1995-2004 pomocou kľúčových slov: „les“, „biotop“, „vhodnosť“ a „manažment“ v štyroch online databázach, konkrétne BIOSIS, CAB, Web of Science a WebSpirs. Články boli silne zaujaté smerom k jednodruhovým modelom (73%). Multidruhové modely boli zväčša zamerané na vtáky a všeobecne na stavovce (94%). 73% týchto prác bolo zameraných na metódy GIS pri modelovaní vhodnosti biotopov. Autori poznamenávajú, že od 80. rokov došlo k zlepšeniu modelovania vhodnosti biotopov, vrátane integrácie GIS a techník diaľkového prieskumu Zeme, začlenenia ekologických požiadaviek (využitie a pohyb priestoru) a vzniku priestorovo explicitných modelov. Rozsiahlejší pohľad na zložky biotopov sa vyvinul začlenením nových koncepcií biológie ochrany, krajiny a populačnej ekológie. Schvaľujú tiež simulačné techniky „na analýzu časovej a priestorovej dynamiky parametrov populácie“, ktoré zase vytvárajú modely so zlepšenou reprezentáciou. Na zlepšenie budúceho výkonu autori odporúčajú kombinovať modely vhodnosti biotopov s modelmi projekcie na šírku. Dostupnosť údajov o biotopoch a validácia modelu sú stále predmetom obáv. V konečnom dôsledku by sa modely vhodnosti na biotop mali považovať za testovateľné hypotézy, a nie za definitívne predpisy týkajúce sa riadenia, avšak Edenius a Mikusinkski (2006) považujú tieto modely za neoceniteľnú pomoc pre budúce udržateľné lesné hospodárstvo.

Ottaviani, D., Giovanna J.L. a Boitani, L. 2004. Dve štatistické metódy na validáciu modelov vhodnosti biotopov pomocou údajov iba o prítomnosti. Ekologické modelovanie. 179, 417-443.

Predpovede modelovania výskytu druhov založené na GIS sú užitočnými nástrojmi na ochranu, ak sú validované na presnosť / testované na spoľahlivosť. Ottoviani a kol. (2004) uviedli, že zadaním faktorov prostredia do modelu je možné predvídať výskyt druhov vytvorením modelu vhodnosti biotopu. Dostupnosť údajov je zvyčajne limitujúcim faktorom, preto sa zvyčajne používa deduktívny (expertný, nie empirický) prístup. Malá veľkosť vzorky a nedostatok informácií o absencii druhov znižujú kvalitu dostupných údajov.

Informácie o absencii sú nejednoznačné v dôsledku neposlušného správania druhov, neprístupného biotopu a vzorcov činnosti. Autori preto dospievajú k záveru, že je dôležité mať správne štatistické nástroje na analýzu údajov iba z hľadiska prítomnosti. Tento druh údajov je často geograficky odkazovaný s nízkou presnosťou. V tomto príspevku boli vyvinuté dva navrhované postupy, 1) kompozičný postup navrhnutý pre údaje iba o prítomnosti, ktorý je silne ovplyvnený „priestorovou a časovou variabilitou“, a 2) multinomický postup pre použitie s empirickými údajmi iba o prítomnosti, „georeferencované s vysokou presnosťou“ . Tieto postupy boli testované na deduktívnych modeloch predstavujúcich distribúciu talianskych druhov stavovcov. Autori dospeli k záveru, že proces validácie modelu má niekoľko častí: návrh, implementácia a prevádzka. Dizajn a implementácia sú testované na základe znaleckého posudku. Ak je model presný, mal by byť v súlade s očakávaniami odborníkov. Prevádzková validácia potom porovnáva model so skutočnosťou, aby sa otestovala presnosť znázornenia. Ak generované rozdelenie druhov zlyhá pri štatistickom testovaní, model sa považuje za nespoľahlivý. Pre túto analýzu nie je známa skutočná distribúcia druhov, a preto bola spoľahlivosť oboch typov postupov testovaná na základe nulového modelu.

Zielinski, W.J., Truex, R.L., Dunk, J.R. a Gaman, T. 2006. Využitie údajov z lesných zásob na posúdenie vhodnosti biotopu odpočívajúceho v Kalifornii. Ekologické aplikácie. 16(3), 1010-1025.

Rybári vyžadujú pre miesta denného odpočinku les neskorej serálnej fázy so štrukturálnou rozmanitosťou, spolu s hľadaním potravy a reprodukčným (denningovým) biotopom. Zielinski et al. Pomocou štandardných údajov o zásobách lesnej vegetácie z Inventúry a analýzy lesov (FIA) (2006) vyvinuli model vhodnosti biotopu na predpovedanie pokojného biotopu rybára. Autori porovnali 75 známych štruktúr odpočívajúcich v kalifornskej južnej Sierre Nevade s vegetačnými a topografickými údajmi s 232 lesnými inventárnymi plochami generovanými prostredníctvom FIA. Zhromaždené údaje o vegetácii pomocou protokolu vzorkovania vegetácie FIA. Najlepší model obsahoval premenné: priemerný uzáver prístrešku, bazálna plocha stromov

Johnson, C.J a Gillingham, M.P. 2005. Hodnotenie mapovaných modelov distribúcie druhov použitých pri plánovaní ochrany. Program na podporu vedy o ekosystéme. 32(2), 117-128.

Táto štúdia testovala prediktívnu výkonnosť, požiadavky na údaje a typ záveru pre štyri modely distribúcie druhov pomocou empirických údajov zhromaždených pre Wolverine Herd of woodland caribou (Rangifer tarandus) so sídlom v Britskej Kolumbii. Zahrnuté sú štyri typy modelov, kvalitatívny index vhodnosti biotopu na základe znaleckého posudku, funkcia kvantitatívneho výberu zdrojov (založená na logistickej regresii), Mahalanobisova vzdialenosť a modely ekologických výklenkov. Prediktívna sila bola testovaná pomocou nezávislej sady karibových pozícií. Johnson a Gillingham (2005) tiež merali podobnosti medzi modelmi.Výsledkom bolo, že všetky modely narazili na dobré prediktory využívajúce nezávislé overenie údajov, ale výstup mapovania sa medzi jednotlivými modelmi veľmi líšil. Index vhodnosti biotopu zle predpovedal distribúciu karibu v zime. Autori stanovili, že najlepším prístupom na generovanie máp distribúcie druhov sú funkcie výberu zdrojov, Mahalanobisova vzdialenosť a modely výklenkov. Johnson a Gillingham (2005) odporúčajú návrhárom modelov, aby v prvom rade zvážili dostupnosť vhodných údajov pre distribučné modely. Vhodné typy údajov o polohe zahŕňajú prítomnosť-neprítomnosť, iba prítomnosť a kvalitatívny znalecký posudok. Posledný uvedený je dobrý prístup s obmedzeným financovaním, avšak modely vzdialenosti a výklenku Mahalanobis závisia od údajov o prítomnosti vzorkovaných v teréne. Autori tvrdia, že jeden typ modelu nevyhovuje všetkým situáciám.

Guisan, A. a Zimmerman, N.E. 2000. Prediktívne modely distribúcie biotopov v ekológii. Ekologické modelovanie. 135 (2-3), 147-186.

Guisan a Zimmerman (2000) uvádzajú prehľad prediktívneho modelovania distribúcie biotopov. Autori preskúmali populárne možnosti, viacnásobnú regresiu a GLM, ako aj menej populárne modely, ako sú neurónové siete, ordinácia a klasifikácia, Bayesian, lokálne vážené prístupy (GAM), environmentálne obálky a kombinácia niekoľkých z týchto metód. Keď Guisan a Zimmerman (2000) skúmali zovšeobecnené regresné modely, zistili, že „regresia sa týka jednej (jednoduchá regresia) alebo kombinácie (viacnásobná regresia) environmentálnych prediktorov (vysvetľujúce premenné)“. Alternatívne regresné techniky sa spoliehajú na neparametrické vyhladzovacie funkcie prediktorov. Zistili, že techniky klasifikácie majú široký rozsah pôsobnosti, vrátane klasifikačných (kvalitatívnych odpovedí) stromov, regresných (kvantitatívnych) stromov, klasifikácie podľa pravidiel a klasifikácie maximálnej pravdepodobnosti. Softvér GIS je obmedzený tým, že spúšťa iba „kontrolovanú klasifikáciu“ a „nekontrolovanú klasifikáciu“ na základe súboru údajov o výcviku alebo žiadneho súboru údajov o výcviku. Všetky tieto klasifikačné techniky sú podobné v tom, že každému nominálnemu alebo spojitému prediktorovi prostredia priraďujú hodnoty binárnych tried alebo premenné multinomickej odozvy. Model BIOCLIM bol prvou vyvinutou metódou environmentálnej obálky. Vypočítala „minimálny priamočiary obal v multidimenzionálnom klimatickom priestore“. Z toho ďalší vyvinuli model HABITAT, ktorý používal konvexnú obálku z polytopu. Oba modely generujú podobné výsledky, líšia sa však procesom klasifikácie. Kanonická korešpondenčná analýza je základom pre ordinačné techniky používané v modeloch distribúcie biotopov. Používa sa tiež analýza redundancie (RDA), ale nie tak často. Nevýhodou ordinačných techník je, že zvládajú iba malé gradienty prostredia, a preto nie sú dobré pre modelovanie krajiny. Bayesovský prístup modeluje pravdepodobnosti výskytu druhov na základe hodnoty každého environmentálneho prediktora v kombinácii s „a priori pravdepodobnosťami pozorovania druhov“, zozbieranými z literatúry alebo terénnych prieskumov. Umelé neurónové siete sa ukazujú ako perspektívne pre budúci výskum. Generovali výsledky rovnaké ako tie, ktoré sa dosiahli použitím klasifikačného kľúča, a sú lepšie ako viacnásobné regresné modely na modelovanie nelineárnych vzťahov.

Autori zistili, že medzi najdôležitejšie témy týkajúce sa modelov biotopov patrili „presnosť a rozlíšenie vstupných máp“, „biotické interakcie“, „kauzalita“, „hodnotiace údaje“, „historické faktory“, „krivky reakcie“, „návrh vzorkovania“. „,„ priestorovo explicitné hodnotenie neistoty “a„ priestorová autokorelácia ““. Na zlepšenie predpovedí modelu by sa mali používať presnejšie vstupné mapy s vyšším rozlíšením. Zistenie, ako zahrnúť biotické interakcie, ako je konkurencia, je tiež dôležitým odrazovým mostíkom k zlepšeniu týchto typov modelov. Autori odporúčajú použiť fyziologické parametre alebo fyziografické prediktory na vývoj mechanickejších statických modelov. Dizajnéri modelov by sa tiež mali usilovať zahrnúť historické faktory do statických modelov a históriu rodu pomocou evolučných biológov a populačných genetikov. Nakoniec môžu návrhári modelov okrem biofyzikálnych premenných zahrnúť aj ďalšie faktory (t. J. Rozptýlenie mladistvých) pomocou priestorových autokorelačných modelov. Nakoniec znalosť toho, ktoré modely zvoliť pre svoju analýzu, závisí od cieľov vašej štúdie. Samotná štatistika by nemala určovať výber modelu.

Pearce, J. a Ferrier, S. 2000. Hodnotenie prediktívnej výkonnosti modelov biotopov vyvinutých pomocou logistickej regresie. Ekologické modelovanie. 133, 225-245.

Pre manažment divej zveri sú dôležité modely. Validácia týchto modelov je tiež veľmi dôležitá. Pearce a Ferrier (2000) zisťujú, že validácia modelov pomáha identifikovať správne aplikácie pre modely, pomáha pri porovnávaní medzi modelmi a nakoniec osvetľuje chyby v modeloch. Pri modeloch biotopov založených na logistickej regresii sú dvoma faktormi prispievajúcimi k platnému modelu spoľahlivosť / kalibrácia a kapacita rozlišovania. Predpätie a rozpätie kalibrácie ovplyvňujú spoľahlivosť, zatiaľ čo krížová klasifikácia pozorovaní a predpovedí v matici kvantifikuje kapacitu diskriminácie. Model sa stále spolieha na trochu skreslené určenie pravdepodobnosti prahovej hodnoty na predpovedanie, či je lokalita obsadená alebo nie, ale pochopenie diskriminačnej kapacity môže uľahčiť výber vhodnej prahovej pravdepodobnosti a zvýšiť dôveru vo výstup mapovania. Autori zistili, že existujú tri spôsoby, ako je možné použiť predikcie výskytu druhov z logistických regresných modelov. Po prvé, môžu byť použité na odhadnutie celkovej veľkosti populácie pomocou absolútneho odhadu pravdepodobnosti výskytu druhov na danom mieste. Pochopenie skreslenia a šírenia je veľmi dôležité pre interpretáciu výsledkov tohto modelu. Po druhé, predpovede modelu logistickej regresie sa môžu použiť na vytvorenie „relatívneho indexu pravdepodobnosti výskytu“ alebo poradia lokalít v študovanom regióne s prioritnými lokalitami, ktoré dostávajú vyššie hodnotenie. Po tretie, tieto predpovede je možné previesť na predpovedanú prítomnosť / neprítomnosť nastavením prahu predpovedaného rozsahu pravdepodobnosti pomocou indexu diskriminácie, ktorý má vedieť, ktoré vyššie pravdepodobnosti korelujú s prítomnosťou druhov.

Freckleton, R.P., Noble, D. a Webb, T.J. 2006. Distribúcie vhodnosti biotopu a vzťahu hojnosti a obsadenosti. Americký prírodovedec. 167 (2), 260-275.

Vzťahy medzi hojnosťou a obsadzovaním bývajú pozitívne, všadeprítomné a prispievajú k nášmu pochopeniu populačnej dynamiky vo veľkom meradle. Hojnosť je definovaná „počtom lokalít, ktoré druh zaberá“ a „priemernou hustotou jedincov na obsadených lokalitách“. V kombinácii týchto dvoch opatrení sa získa regionálna veľkosť populácie druhu a celková veľkosť populácie. Existuje spoločný mechanizmus, ktorý spája tieto dve stupnice hustoty obyvateľstva. V tejto štúdii Freckleton et al. (2006) prijímajú makroekologickú perspektívu s cieľom zistiť, do akej miery „vzory v širokom meradle zodpovedajú rozsahu modelových predpovedí“. Autori použili model „vitálnych sadzieb“ na lepšie pochopenie vzťahu početnosti a obsadenosti a dôvodov, prečo je často pozitívny. Pre prvú časť štúdie autori porovnávali vzťah početnosti a obsadenosti so štyrmi rôznymi distribúciami vhodnosti biotopov vrátane ľavého, hrbatého, pravého a bimodálneho. Dve bývalé distribúcie vykazovali silné vzťahy, zatiaľ čo dve posledné mali za následok slabšie vzťahy. Pre druhú časť štúdie Freckleton et al. (2006) použili model vitálnych rýchlostí, ktorý vyvinuli, na otestovanie štyroch predpovedí pomocou údajov z British Trust for Ornithology’s Common Birds Census. Všetky štyri predpovede sa potvrdili ako pravdivé. Prvá sa zaoberala nízkou hustotou druhov oproti vysokej a táto odchýlka by sa zvyšovala v rámci vzťahu početnosti a obsadenosti, pokiaľ by sa distribúcia biotopov medzi jednotlivými druhmi nelíšila. Analýza ukázala, že v skutočnosti sa odchýlka zmenšovala so zvyšovaním hustoty medzi druhmi, ale toto je predpovedaný prípad, ak sa distribúcia biotopov medzi druhmi líši, čo sa však stáva. Druhá predpoveď špecifikovala, že by došlo k zníženiu šikmosti a agregácie (r) so zvýšením hustoty. Ukázalo sa, že táto predpoveď bola pravdivá pri analýze údajov. Tretia predpoveď predpokladala, že dôjde k poklesu šikmosti a agregácie so zvýšením obsadenosti. To sa potvrdilo analýzou údajov pre šikmosť aj agregáciu, ale vzťah sa zdal silnejší pre šikmosť. Nakoniec bola potvrdená aj štvrtá predpoveď, pretože interakcie medzi hustotou a šikmosťou a agregáciou a šikmosťou významne ovplyvnili obsadenie jednotlivých druhov.

Store, R. a Jokimaki, J.2003. Viacúrovňový prístup k modelovaniu vhodnosti biotopov založený na GIS. Ekologické modelovanie. 169, 1-15.

Store a Jokimaki (2003) zvolili prístup indexu vhodnosti biotopov pri vytváraní „georeferencovaných ekologických informácií o požiadavkách na biotopy rôznych druhov“ pomocou GIS. GIS sa použil na výrobu dát modelu, jeho vykonanie a analýzu výsledkov modelu. Autori uskutočnili pomocou svojho modelu prípadovú štúdiu, kde vymedzili oblasti v rámci lesného panstva Kivalo v Rovaniemi, vidieckej oblasti vo fínskom Laponsku, s najvhodnejším prostredím pre skupinu starorastových druhov. Patrili medzi ne reštart (Phoenicurus phoenicurus), strakoš veľký (Ficedula hypoleuca) a druhy polyspór (Skeletocutis odora). Store a Jokimaki (2003) skonštruovali model hojnosti vtákov a vytvorili model pre polyspóru založený na odborníkoch (pretože v ňom chýbali empirické údaje). Potom použili postupnú viacnásobnú regresnú analýzu na pochopenie vzťahov medzi početnosťou vtákov a štruktúrou krajiny / biotopu. Autori dokázali zhromaždiť faktory biotopu z empirických údajov z polí a z procesov priestorovej analýzy GIS. Pre každý z druhov sa potom vytvorili mapy vhodnosti biotopov. Vtáčie regresné modely boli prevedené v GIS tak, že premenné boli opísané ako mapové vrstvy. Tieto premenné sa potom vynásobili ich koeficientmi a spojili sa. Minimálne hodnoty biotopov boli stanovené pre každý zo študovaných druhov pomocou priemernej hodnoty abundancie (vtáky) alebo hodnoty abundancie podľa odborníkov (polyspór). Akonáhle bola študovaná oblasť vyčistená od nepravdepodobných typov biotopov (nestarnúci rast), Store a Jokimaki (2003) hodnotili zostávajúce starorastové oblasti podľa kombinovaných požiadaviek na biotop daného druhu. Aby bolo možné tieto požiadavky na biotop skombinovať, bolo potrebné štandardizovať každý z indexov druhov.

Autori zistili, že prístup založený na indexe vhodnosti biotopu (tiež označovaný ako metódy hodnotenia viacerých kritérií alebo MCE) má v kombinácii s GIS niekoľko výrazných výhod. Prvou je, že môžete použiť údaje z rôznych zdrojov a mierok. Po druhé, táto metóda umožňuje používateľom kombinovať hodnotenie vhodnosti biotopov pre viac druhov namiesto toho, aby obmedzovala používateľov na tradičný jednodruhový prístup. Po tretie, táto metóda môže do empirického modelu vhodnosti zahrnúť poznatky založené na expertíze do hodnotenia vhodnosti biotopu.

Hirzel, A.H., Hausser, J., Chessel, D. a Perrin, N. 2002. Ekologická faktorová analýza: ako vypočítať mapy vhodnosti biotopov bez údajov o absencii? Ekológia. 83(7), 2027-2036.

Hirzel má zjavne rád modelovanie vhodnosti biotopov, pretože toto je jeho tretí príspevok, ktorý som pridal do tejto bibliografie. V tejto štúdii, ak nie sú k dispozícii údaje o neprítomnosti, nespoľahlivé alebo nezmyselné, Hirzel a kol. (2002) odporúčajú viacrozmerný prístup k vytváraniu máp vhodnosti biotopov vymedzujúcich geografické rozšírenie druhov. Pre túto štúdiu Hirzel a kol. (2002) použili analýzu ekologických Niche Factor Analysis (ENFA) založenú na koncepcii ekologického výklenku, kde sa nepredpokladá, že modelové vzťahy sú lineárne monotónne, ale naopak vhodnosť biotopu „klesá z každej strany optima“. Autori použili Alpine Ibex (Kozorožec capra) údaje o prítomnosti zo Švajčiarska na vytvorenie modelu vhodnosti biotopu, ktorý priniesol dve dôležité merania: marginálnosť a špecializácia. Okrajovosť je „ekologická vzdialenosť medzi optimom druhov a stredným biotopom v rámci referenčnej oblasti ohniskových druhov“ a špecializácia je „pomer ekologických odchýlok v stredných biotopoch k pomerom pozorovaným u ohniskových druhov“., Hirzel a kol. (2002) použili GIS na kvantifikáciu parametrov odvodeného modelu vhodnosti biotopu a boli schopní otestovať ich výslednú distribučnú mapu proti odbornému názoru a porovnali výstup svojho modelu so „zvláštnymi ekologickými požiadavkami“ alpského kozorožca. Hlavným problémom ich prístupu však je, že ekogeografická premenná odvodená z modelu „by sa mohla ukázať ako korelujúca s jednou z hlavných osí nie pre jej skutočný význam, ale preto, že silne koreluje s ďalšou zásadne dôležitou premennou“. . Ďalším obmedzením je, že intervaly spoľahlivosti na distribučnej mape nie sú súčasťou tohto prístupu. ENFA môže tiež využívať iba lineárne závislosti v rámci druhovej niky a nerieši multiplikatívne ani nelineárne interakcie. Existujú ďalšie obmedzenia tohto prístupu, ktoré sa zaoberajú meraniami údajov nízkej kvality a malými veľkosťami vzoriek.

Krebs, J., Lofroth, E. a Parfitt, I. 2007. Multiscale Habitat Use by Wolverines in British Columbia, Canada. Journal of Wildlife Management. 71(7), 2180-2192.

Krebs a kol. (2007) študovali využitie biotopov rosomákov v Britskej Kolumbii. Autori použili dve študované oblasti, pohorie Omineca a pohorie Columbia. Najskôr zachytili rosomáky pomocou upravených lapačiek alebo sudových lapačov, zostarli, pohlavne a rádioaktívne a chirurgicky implantovali rádioaktívne vysielače jednotlivcom. Rosomáky boli potom každé dva týždne monitorované pomocou leteckých metód telemetrie pre rozsahy zimného a letného územia. Krebs a kol. (2007) sa potom rozhodli zhromaždiť údaje o biotopoch. Autori použili v ArcGIS sériu 100m rastrových mriežok, ktoré zobrazovali krajinnú pokrývku, distribúciu zimnej koristi a terénne premenné. Zahŕňali tiež humánne použitie (nie rastrové údaje). Z týchto údajov o biotopoch Krebs a kol. (2007) vyvinuli svoje predpovede týkajúce sa potravy, rizika predácie a vyrušovania ľuďmi, ktoré by vysvetľovali výber biotopov rosomákov. Pre analytickú časť tejto štúdie autori použili prístup závislý na mierke, ktorý hodnotil ich telemetrické umiestnenia rosomáka na troch škálach, nie na štyroch. Váhy sú definované ako „vzdialenosti medzi sekvenčnými nezávislými polohami rádio-telemetrie snímané s odstupom ≥ 1 deň“. Zostavili tieto údaje do tabuľky a exportovali ich z ArcGIS pre časť štúdie so štatistickou analýzou. Autori extrahovali premenné hypotézy na použitie vo viacrozmernej logistickej regresii skríningom „premenných spojených s každou hypotézou výberu biotopov vlkolakov“ v korelačnej matici v škále a naprieč škálami. Najmenej významné prediktory boli odstránené. Krebs a kol. (2007) skončili s celkovým počtom 56 kandidátskych modelov (sedem na študijnú oblasť sexuálnej sezóny) a na výber najlepšieho modelu použili informačné kritérium Akaike (AIC). Autori sa vrátili do ArcGIS, aby zmapovali parametre modelu a vytvorili model vhodnosti sezónneho biotopu, ktorý pomôže pri plánovaní riadenia zdrojov. Autori zistili základné podobnosti vo využívaní biotopov rosomákov v dvoch študovaných oblastiach. V zime muži aj ženy uprednostňovali biotop s nízkou nadmorskou výškou (zvlášť preferovali ženy zalesnené), ktorý zahŕňal zimoviská losov. V lete si muži zvolili „subalpínske lavíny strednej výšky a nedávno zaznamenané biotopy“, zatiaľ čo preferencie žien boli z dôvodu reprodukčných schopností omnoho zložitejšie pre leto aj do istej miery aj pre zimu. Obe pohlavia majú rady oblasti s biotopmi lavínových dráh, ktoré prispievajú k produkcii koristi (zimné zabíjanie veľkých cicavcov a letné chrapľavé svište). Ženské sezónne modely boli tiež silne ovplyvnené ľudským využitím (študované premenné zahŕňali snežné skútre, backcountry / heliskiing, cesty a ťažbu dreva) a predátorským rizikom (vlci). Autori sa domnievajú, že predátorské riziko sa primárne zvažuje, keď majú ženy v denore novorodenecké súpravy. Modely vo všeobecnosti naznačujú, že rosomičky samice reagujú negatívne na ľudské vyrušovanie, vyhýbajú sa cestám a ťažbe dreva v lete a lyžiarkam v zime. Zdá sa, že cesty mužom neprekážali. Celkovo by sa táto analýza mohla vylepšiť napríklad zvážením objemu premávky na cestách alebo „časových alebo frekvenčných deskriptorov pre skutočné využitie lyžiarskych tratí“. Celkovo tieto výsledky stále majú dôsledky na riadenie. Autori navrhujú, aby manažéri uchovávali údaje o ľudskom použití založené na mape pre budúce štúdie.

Davis, F. W., Changwan, S. a Zielinski, W. J. 2007. Regionálne rozdiely v modeloch biotopov v domácom meradle pre rybárov (Martes pennanti) v Kalifornii. Ekologická spoločnosť v Amerike. 17(8), 2195-2213.

Davis a kol. (2007) sa rozhodli modelovať vzťah environmentálnych faktorov mapovaný na distribúciu rybárov s úmyslom využiť tento modelovaný vzťah na vymedzenie distribúcie rybárov v historickom kalifornskom rozmedzí druhu. Davis a kol. (2007) testovali premenné spojené s výskytom rybárov v Kalifornii vrátane podnebia, topografie a vegetatívneho biotopu merané v menších (veľkosť domáceho rozsahu) a väčších (regionálnych) mierkach s cieľom identifikovať faktory biotopu súvisiace so súčasnou distribúciou rybárov v Kalifornii. Autori tiež testovali, či by sa asociácie biotopov v menšom rozsahu líšili medzi nesúrodou populáciou severnej Kalifornie (Klamath-Cascades) a južnou oblasťou Sierra Nevada, aby sa zistilo, či absencia koreluje so zlou kvalitou biotopu alebo nie. Autori predpovedali, že regionálne populačné modely budú lepšie ako celoštátny druhový model. Na záver tiež otestovali, či vzory výskytu boli priestorovo autokorelované „v dôsledku územných sociálnych systémov a lokálneho rozptýlenia“. Za účelom otestovania týchto predpovedí Davis et al. (2007) použili Generalized Additive Models (GAM). Potom porovnali združenia biotopov a distribúciu rybárov v oboch regiónoch pomocou predpovedí distribúcie rybárov v opačných regiónoch, z ktorých boli modelované. Tieto modely mali rôzne priestorové vzory predikcií modelov. Keď autori pridali výraz priestorový autokovariát, vylepšilo to niektoré modely, ale nie všetky. Mapa kvality biotopov vygenerovaná pre pohorie Sierra Nevada ukazuje zlú kvalitu biotopov, čo môže vysvetľovať absenciu, ale autori nemôžu vylúčiť rozšírenie. Niektoré časti pohoria Sierra Nevada vykazovali slušné stanovište, zostali však ďaleko od známych populácií. Autori sa domnievajú, že úspešné znovuzavedenie do tejto oblasti môže byť pochybné, odporúčajú však ďalšiu analýzu, najmä v potenciálne sľubných oblastiach na severe Sierry. Ďalším dôležitým výsledkom tejto štúdie je zistenie, že vegetačné databázy z diaľkovo snímaných snímok Landsat Themtic Mapper fungujú rovnako ako empiricky zhromaždené údaje o poľnej vegetácii.To má dôležité dôsledky pre budúce úsilie v oblasti monitorovania. Budúci výskumníci môžu zvážiť použitie verejne dostupných údajov o vegetácii na diaľku a presmerovať svoje terénne úsilie na overenie týchto údajov a zlepšenie kvality máp.

Lauver, C.L., Busby, W.H. a Whistler, J.L. 2002. Testovanie modelu GIS vhodnosti biotopu pre klesajúceho vtáka s trávnatými plochami. Environmentálny manažment. 30(1), 88-97.

Lauver a kol. (2002) upravili a otestovali model biotopu ropuchy hlavatej (Lanius ludovicianus) vo vojenskej rezervácii Fort Riley v Kansase na predpovedanie dobrého životného prostredia pre budúce úsilie v oblasti ochrany a / alebo riadenia. Indexy použité v modeli HISAT (Habitat Suitability Index) zahrňovali rozsah potenciálneho biotopu pre hľadanie potravy a množstvo potenciálnych miest na hniezdenie hlavátky. Autori analyzovali digitálne letecké snímky s vysokým rozlíšením na mapovanie tried krajinnej pokrývky, živých plotov a počtu stromov. Každý z týchto príslušných súborov údajov bol zadaný do GIS osobitne. Tieto informácie boli potom skombinované s HIS modelom riečneho pre vytvorenie mapy vhodnosti biotopu s nízkymi, strednými a vysokokvalitnými triedami biotopov pre riečneho druhu v rezervácii. Výsledky ukázali, že viac ako polovica rezervácie sa kvalifikovala ako dobré (stredne kvalitné až vysoko kvalitné) biotopy pre riasy. Lauver a kol. (2002) určili, že model GIS bol presný o 82% jeho testovaním proti nezávislému súboru údajov. Autori zistili, že najvýznamnejšou environmentálnou premennou pre biotop shrike bol počet potenciálnych hniezdiacich stromov. Objavili sa obavy zo skutočnosti, že niektoré jemné biotopy, ako napríklad nízka drevnatá vegetácia, zloženie a štruktúra trávnatých porastov, nie sú na leteckých snímkach zjavné, a preto ich nemožno pre analýzu vymedziť. Pretože tento HIS model používal zovšeobecnené typy krajinnej pokrývky, je použiteľný aj mimo študovanú oblasť.

Máte otázky alebo komentáre k tejto bibliografii? Pošlite ich na adresu
Rachel Bakerian


Termínový projekt: Použitie analýzy smerovania a nadmorských výškových prekrytí na vytvorenie ideálnych prevádzkových trás

Úvod:
Mojím plánom je použiť analýzu smerovania na vytvorenie ideálnych bežeckých trás. Myšlienka tohto ma napadla, keď som bola v ľahkom behu. Chcel som zvoliť rovnú cestu, ktorá by mala minimálny dopad na moje nohy a dúfam, že urýchli proces obnovy. Vtedy som si myslel, že by bolo super, keby google maps a / alebo GPS navigačné systémy dokázali zohľadniť prevýšenie vo svojich výpočtoch.

Teoreticky sa snažím umožniť ľuďom vstúpiť do požadovanej vzdialenosti, ktorú chcú prebehnúť, výšky, ktorú chcú prekonať (pravdepodobne na základe kategórií: minimálna, stredná a vysoká zmena výšky. Na základe relatívnej nadmorská výška oblasti Eau Claire) a pravdepodobne aj všeobecná oblasť, okolo ktorej chcú behať. To môže byť ťažké, pretože smerovací softvér počíta z bodu A do bodu B a často sú časy štartu a zastavenia pri behu rovnaké. Bude teda potrebné vytvoriť vopred určené zastavovacie body. Vytvorím ich ručne na základe knižnice trás, ktorú som vytvoril ja a tím pre bežkárov v UW-Eau Claire počas svojich 5-ročných skúseností.

Metódy:

Najskôr som musel nájsť cestnú sieť, ktorá by vykonávala potrebnú funkciu smerovania, ktorú som potreboval. Našťastie na jednom z miestnych diskov UW-Eau Claire bola sieť ulíc ESRI. Bolo potrebné dosiahnuť ďalšie údaje o nadmorskej výške. Pomocou brány USDA Geospatial Data Gateway (http://datagateway.nrcs.usda.gov/) boli stiahnuté údaje o nadmorských výškach vo forme TIFF pre okres Eau Claire a Dunn. Pretože záujmová oblasť (AOI) sa týkala iba oblasti Eau Claire a bezprostredných okolitých ciest, boli niektoré mapy z dôvodu zvýšenia rýchlosti spracovania vylúčené. Postava 1. zobrazuje 12 máp pred procesom mozaiky.






Postava 1. 12 súborov TIFF pred mozaikovým procesom
Momentálne sa snažím prísť na to, ako urobiť raster svahu. Pravdepodobne na to budem musieť použiť nástroj „preklasifikovať“ v ArcMap. Stále si nie som istý, či to bude fungovať lepšie ako jednoduchý výškový model so 6 triedami, ale v súčasnosti sa model svahu javí ako relevantnejší pre bežiacu aplikáciu zameranú na ľahkosť bežeckých trás.

Po vytvorení máp si jednu vyberiem a prevediem do vektorového formátu. Skúšal som to urobiť skôr v týždni a zabránila mi v tom chyba, na vektory sa dá v podstate previesť iba celočíselný raster. Po niekoľkých kopaniach som si uvedomil, že môj raster bol pixlového typu „plávajúci raster“. Na zmenu rastra na celočíselný formát som musel použiť rastrovú kalkulačku. Našiel som vzorec online, ale keďže som nepotreboval desatinné miesta, zjednodušil som rovnicu na: „int (grid_name)“, aby som získal skrátené celé čísla (aka bez desatinných miest). Keď som si bol viac vedomý tohto nástroja, našiel som vierohodnejšie informácie v pomocníkovi programu ArcGIS Desktop (http://webhelp.esri.com/arcgisdesktop/9.1/index.cfm?TopicName=Int). Pretože bol raster teraz prevedený na celočíselný typ, mal teraz tabuľku atribútov so 182 hodnotami. To bola úľava, pretože som vedel, že môj raster má zmenu nadmorskej výšky 182 metrov. Teraz, keď bol raster pixlového typu „integer“ a mal sprievodnú tabuľku atribútov, bol som schopný klasifikovať hodnoty a previesť ich na vektor. Obrázok 2. zobrazuje oblasť Eau Claire a jej výškový model rozdelený do 6 kategórií. & # 65279


Obrázok 2. Nadmorská výška Rozdelená do 6 kategórií. od najnižšej nadmorskej výšky po najvyššiu: azúrová & lt zelená & lt žltá & lt červená & lt šedá & lt biela.

Výsledky:

Problémy / prekážky:

Cestnú sieť sa nepodarilo nájsť

Sťahovanie výškových máp z USDA Geospatial Data Gateway trvá dlho / je prerušované

Mozaika nevyzerá dobre (musela sa zmeniť bitová hĺbka z predvolených 8 na 32 bitov. Toto bola bitová hĺbka importovaných rastrov)

Práce na prevode rastra do vektorového formátu (rastrová kalkulačka, potom klasifikácia hodnôt, potom?)

Práca na tom, ako vytvoriť raster so stupňami sklonu (sklon (3D analytik))

Neviem, ako nájsť už existujúcu aplikáciu, ktorú môžem pre svoju aplikáciu konvertovať (zatiaľ som sa nedostal tak ďaleko.)

Vidím, ako sa aplikácia na smerovanie vyhne oblastiam s vysokou nadmorskou výškou, keď sa pokúša vytvoriť ľahkú trasu, ale ak sa koncový používateľ pokúša vytvoriť náročnejšiu trasu a prejsť cez vyššie stupne nadmorskej výšky / svahu, nie som si istý, ako aplikácia bude fungovať. bude stále behať hore a dole na tom istom kopci. bude aplikácia musieť zadať vopred definované body (zastávky), aby aplikácia fungovala, čo potom bude v rozpore s účelom aplikácie, aby pre vás vytvorila trasy.

Záver:


GeMS / komunita

Počas dnešného webináru sme diskutovali o otázke hľadania nástrojov, dokumentácie a ďalších zdrojov GeMS, ktoré zdieľajú jednotlivé prieskumy (okrem nástrojov USGS). Zdieľame dokumentáciu a nástroje vyvinuté tu v prieskume vo Wisconsine prostredníctvom tohto repo: https://github.com/wgnhs/gems

Ak viete o ďalších zbierkach dokumentov alebo nástrojov, pošlite ich prosím!

@cmrRose @ stub0035 @awittner Áno! Myslím si, že dokumentácia schémy by mala byť prepísaná, aby bola čo sa týka verzií softvéru otvorenejšia. Nechcel by som, aby sa ktokoľvek cítil pripútaný k používaniu ktorejkoľvek konkrétnej verzie. Ako recenzent, keby som dostal projekt AGP, nežiadal by som o súbor mxd alebo štýl. Aj keď je na USGS pravda, že nové verzie prechádzajú obdobím preverovania predtým, ako budú oficiálne schválené na všeobecné použitie, väčšina z nás bude v najnovšej verzii alebo v jej tesnej blízkosti (opakuje sa bod Amber & # 39s).

To znamená, že ak máte záujem o použitie nástroja GeMS, ktorý nebol upravený na prácu so súbormi špecifickými pre jednotlivé verzie, nastáva problém. Zaregistrujte problém v príslušnom repozitári github alebo navrhnite fúziu s novým kódom ako spolupracovník.

Pokiaľ ide o symboliku, jedna vec, ktorú mi niekedy chýba, je textový popis symbolu a / alebo názov symbolu FGDC. Chcete, aby používatelia vašich údajov, ktorí nemajú prístup k vašim kontajnerom symbolov vytvorených pomocou ESRI (súbory štýlov, súbory vrstiev, súbory máp / projektov, carto reps), mohli zistiť, ako má byť symbolizovaný symbol. V prípade poľa AreaFillRGB (ktoré by malo byť pravdepodobne premenované na niečo ako AreaFillValue, pretože by vám malo byť povolené používať akúkoľvek hodnotu farebnej palety, v ktorej pracujete), to môže byť všetko zaznamenanie symbolu, ktorý potrebujete, pretože ArcGIS Pro a QGIS môžu symbolizovať polygóny na základe hodnôt v tomto poli.

A ak ste nevedeli, na ArcGIS Pro 2.5 môžete opäť priradiť symbológiu vrstiev k štýlu.