Más

Uniendo Textfile a Shapefile Arc 10 y diferencias 10.2

Uniendo Textfile a Shapefile Arc 10 y diferencias 10.2


Estoy intentando unirme a un archivo de texto generado en stata que incluye caoname, caoid y fips. El código de fips debe coincidir con un mapa de condado de shapefile que coincida con la categoría cntyidfp.
En ArcGIS 10.0, hacer una unión sencilla basada en estos atributos funciona. Sin embargo, en 10.2, ArcGIS solo permite la unión del cntyidfp al caoname, lo cual es completamente inútil.
¿Cuál es la diferencia entre las dos versiones que dificulta esto?
Primero intenté exportar a un documento de Excel, asegurándome de que los datos fips y cntyidfp tengan la misma cantidad de caracteres y creando una nueva tabla del archivo de texto dentro de arcgis, pero ninguna de estas soluciones parece funcionar.
¿Qué me estoy perdiendo?


Lo más probable es sin ver el archivo de texto y sin saber qué tipo de campo contiene el shapefile.
Es que cuando agrega datos tabulares (xls, txt) a arcmap, lee los primeros (o los primeros) valores en un campo para determinar su tipo.
Solo puede unir un tipo al mismo tipo.
Por lo tanto, es muy probable que fips se convierta en texto y cuando intentas unir cntyidfips, es numérico.
Esta respuesta se puede ampliar con más información agregada a la pregunta.


¿Arcpy.ValidateFieldName no valida el nombre del campo?

Estoy trabajando en un script de Python usando Arcpy. Crea un archivo de forma y luego le agrega campos con nombres que provienen de la entrada del usuario. De la cadena que el usuario ha ingresado, necesito producir un nombre de campo válido. Pensé que arcpy.ValidateFieldName () lograría esto. Sin embargo, tengo problemas. Considere el siguiente código:

Aunque el nombre del campo ha sido validado, arroja un error:

Runtime error Traceback (última llamada más reciente):
Archivo "", línea 1, en
Archivo "C: script.py", línea 8, en
arcpy.AddField_management ("forma", nombre, "TEXTO")
Archivo "c: archivos de programa (x86) arcgis desktop10.2 arcpy arcpy management.py", línea 3200, en AddField
raise e ExecuteError: ERROR 000310: El nombre del campo no debe comenzar con un número

La función corrige otros caracteres no permitidos (como reemplazar espacios con guiones bajos y limitar la cadena a 10 caracteres), pero no hace algo acerca de que el primer carácter sea un número, aunque eso no está permitido en los nombres de campo del archivo de forma.

¿Es esto un error o estoy usando arcpy.ValidateFieldName () incorrectamente? ¿Hay alguna otra función que deba utilizar? ¿O tendré que escribir uno yo mismo? ¿Cómo debería verse ese?

EDITAR 1: Reemplazar el segundo argumento de ValidateFieldName con la ruta completa y el nombre de archivo del archivo de forma no ayuda.

EDITAR 2: Al agregar un campo llamado 0FIELD de ArcCatalog, funciona bien. Entonces, en lugar de que esto sea un problema con la validación, parece que AddField_management no permite los nombres de campo que comienzan con un número, aunque no debería.


Uniendo Textfile a Shapefile Arc 10 y 10.2 Diferencias - Sistemas de información geográfica

Datos GIS para el mapa de investigaciones científicas del USGS 3365: Altitudes del nivel del agua Año del agua 2016 y cambios en el nivel del agua en los acuíferos Chicot, Evangeline y Jasper y compactación 1973-2015 en los acuíferos Chicot y Evangeline, región de Houston-Galveston, Texas vector digital datos Mark C. Kasmarek Jason K. Ramage Michaela R. Johnson

Altitudes del nivel del agua Año del agua 2016 y cambios en el nivel del agua en los acuíferos Chicot, Evangeline y Jasper y compactación 1973-2015 en los acuíferos Chicot y Evangeline, región de Houston-Galveston, Texas Mapa de investigaciones científicas 3365

Estos conjuntos de datos fueron creados por el Servicio Geológico de EE. UU. En cooperación con el Distrito de Subsidencia de Harris-Galveston, la Ciudad de Houston, el Distrito de Subsidencia de Fort Bend, el Distrito de Conservación de Agua Subterránea de Lone Star y el Distrito de Conservación de Agua Subterránea del Condado de Brazoria para proporcionar administradores de recursos, funcionarios públicos e investigadores. y el público en general con fácil acceso a información científica precisa, imparcial e imparcial sobre las altitudes del nivel del agua y los cambios en el nivel del agua en los condados de Harris, Fort Bend, Montgomery y Brazoria, y los condados circundantes, Texas.

Estos conjuntos de datos se desarrollaron utilizando un sistema de información geográfica (SIG). El software SIG que se utilizó para desarrollar estos conjuntos de datos fue ArcDesktop 10.2 y ArcInfo Workstation 9.3 del Environmental Systems Research Institute (ESRI, Inc.). Estos datos se separan en tres conjuntos de datos de entidades (tres directorios para shapefiles) por acuífero (Chicot, Evangeline y Jasper) que contienen las clases de entidades individuales (shapefiles). Acuífero Chicot - (nombre del conjunto de datos de entidades / nombre del directorio de archivos de formas) Clases de entidades / archivos de formas: ch16pt - valores puntuales de las altitudes del nivel del agua, 2016 ch16arc - contornos de las altitudes aproximadas del nivel del agua, 2016 ch1516pt - valores puntuales de los cambios en el nivel del agua, 2015 -16 ch1116pt - valores puntuales de cambios en el nivel del agua, 2011-16 ch1116arc - contornos de los cambios en el nivel del agua, 2011-16 ch9016pt - valores puntuales de los cambios en el nivel del agua, 1990-2016 ch9016arc - contornos de los cambios en el nivel del agua, 1990 -2016 ch7716pt - valores puntuales de cambios en el nivel del agua, 1977-2016 ch7716arc - contornos de cambios en el nivel del agua, 1977-2016 acuífero Evangeline - (nombre del conjunto de datos de entidades / nombre del directorio de shapefile) Clases de entidades / shapefiles: ev16pt - valores puntuales del agua -altitudes de nivel, 2016 ev16arc - contornos de altitudes aproximadas del nivel del agua, 2016 ev1516pt - valores puntuales de los cambios en el nivel del agua, 2015-16 ev1116pt - valores puntuales de los cambios en el nivel del agua, 2011-16 ev1116arc - contornos de los cambios en el nivel del agua , 2011-16 ev9016pt - valores en puntos de cambios en el nivel del agua, 1990-2016 ev9016arc - contornos de los cambios en el nivel del agua, 1990-2016 ev7716pt - valores puntuales de los cambios en el nivel del agua, 1977-2016 ev7716arc - contornos de los cambios en el nivel del agua, 1977-2016 Acuífero Jasper - ( feature dataset name / shapefile directory name) Feature classes / shapefiles: ja16pt - valores puntuales de altitudes del nivel del agua, 2016 ja16arc - contornos de altitudes aproximadas del nivel del agua, 2016 ja1516pt - valores puntuales de los cambios en el nivel del agua, 2015-16 ja1116pt - valores puntuales de los cambios en el nivel del agua, 2011-16 ja1116arc - contornos de los cambios en el nivel del agua, 2011-16 ja0016pt - valores puntuales de los cambios en el nivel del agua, 2000-16 ja0016arc - contornos de los cambios en el nivel del agua, 2000-16 1977 1990 2000 2011 2015 2016 condición del suelo

Anualmente -96.042013 -94.851762 30.333428 28.915310 Categoría de tema ISO 19115 elevación información geocientífica imageryBaseMapsEarthCover Ninguno hundimiento hundimiento de la superficie terrestre compactación elevación elevación de la superficie terrestre hipsometría agua subterránea altitud del nivel del agua cambio de nivel de agua Acuífero Chicot Acuífero Evangeline Acuífero de jaspe

Sistema de información de nombres geográficos (GNIS)

EE. UU. 512-927-3500 512-927-3590 [email protected]

La precisión de la posición horizontal de estos datos puntuales depende de los datos de origen utilizados para definir la ubicación geográfica del pozo (ortofotografía digital, GPS, levantamiento, etc.). Los datos como el tipo de datos de la fuente, los datos de elevación de la superficie terrestre, los datos de medición del nivel del agua, la precisión de la medición del nivel del agua, la fecha de la medición del nivel del agua, la precisión asociada con la ubicación del pozo y otra información de calificación son subido y archivado en el Sistema de Inventario de Sitios de Aguas Subterráneas (GWSI) (Servicio Geológico de EE. UU., 2016) del Sistema Nacional de Información del Agua (NWIS) del Servicio Geológico de EE. UU. (Servicio Geológico de los EE. UU., 2016) del Sistema de Información del Agua Nacional del Servicio Geológico de los EE. UU. (NWIS) -5.2.0-27, 2016) accedido aquí, http://waterdata.usgs.gov/tx/nwis. La precisión horizontal de los datos de contorno varía y es mayor para los contornos ubicados cerca de concentraciones densas de pozos y disminuye para los contornos entre pozos distribuidos escasamente. Los datos son los mejores disponibles en el momento en que se determinó la posición del pozo. La precisión posicional vertical de los datos puntuales depende de los datos de origen utilizados para definir la ubicación del pozo, que es principalmente el Programa de elevación 3D (3DEP) o el Servicio Geológico de EE. UU. Cuadrángulo topográfico de 7,5 minutos, modelo de elevación digital (DEM), GPS, levantamiento, etc., y el método (cinta de acero calibrada, línea de aire y cinta eléctrica de nivel de agua, o datos reportados por operadores de pozo) y precisión de la medición (0.01, 0.1 o al pie más cercano) de la profundidad del agua. en pozos cribados en el acuífero. Se cargan datos como el tipo de datos de la fuente, los datos de elevación de la superficie terrestre, los datos de medición del nivel del agua, la precisión de la medición del nivel del agua, la fecha de la medición del nivel del agua, la precisión asociada con la ubicación del pozo y otra información de calificación. y archivado en el Sistema de Inventario de Sitios de Aguas Subterráneas (GWSI) (Servicio Geológico de los Estados Unidos, 1998) del Sistema Nacional de Información del Agua del Servicio Geológico de los Estados Unidos (Servicio Geológico de los Estados Unidos, 2002) al que se accede aquí, http://waterdata.usgs.gov/tx/ nwis. La precisión de los datos contorneados se mejora en áreas que tienen datos de medición de nivel de agua de una mayor concentración de pozos y disminuye en áreas distales que tienen datos de medición de nivel de agua de una concentración escasa de pozos.

Sistema Nacional de Información sobre el Agua (NWIS) ninguno http://pubs.usgs.gov/fs/FS-027-98/ Hoja informativa 027-98

referencia 1998 fecha de publicación GWSI Descripción de la base de datos de almacenamiento para información del sitio y mediciones del nivel del agua. Servicio Geológico de EE. UU.

NWISWeb: Nuevo sitio para los datos del agua de la nación ninguno http://pubs.usgs.gov/fs/FS-148-02/ Fact Sheet 128-02

referencia 2002 fecha de publicación NWIS Descripción de la base de datos del NWIS de almacenamiento público para datos sobre el agua, incluida la información del sitio y las mediciones del nivel del agua. Gabrysch, R.K.

Altitud aproximada de los niveles de agua en los pozos de los acuíferos Chicot y Evangeline en el área de Houston, primavera de 1977 y primavera de 1978. mapa Open-File Report 79-334

mapa de papel 1977 condición del suelo 1977 Alturas del nivel del agua para los acuíferos Chicot y Evangeline, 1977. Barbie, D.L. Coplin, L.S. Locke, G.L.

Altitud aproximada de los niveles de agua en los pozos de los acuíferos Chicot y Evangeline en el área de Houston, Texas, enero-febrero de 1990. mapa Informe de archivo abierto 91-240

mapa de papel 1990 condición del suelo 1990 HG Altitudes del nivel del agua para los acuíferos Chicot y Evangeline en el área de Houston, 1990. Kasmarek, M.C.

Altitudes del nivel del agua en pozos terminados en los acuíferos Chicot y Evangeline, condado de Fort Bend y áreas adyacentes, Texas, enero-febrero de 1990. mapa Informe de archivo abierto 97-784

mapa de papel 1990 condición del suelo 1990 FB Altitudes del nivel del agua para los acuíferos Chicot y Evangeline en el condado de Fort Bend y áreas adyacentes, 1990. Kasmarek, M.C. Houston, N.A.

Alturas del nivel del agua 2007 y cambios del nivel del agua en los acuíferos Chicot, Evangeline y Jasper y compactación 1973-2006 en los acuíferos Chicot y Evangeline, región de Houston-Galveston, Texas. mapa Mapa de Investigaciones Científicas 2968

mapa en papel 2000 condición del suelo 2000 Altitudes del nivel del agua para el acuífero Jasper en el área de Houston, 2000. Johnson, M.R. Ramage, J.K. Kasmarek, M.C.

Altitudes del nivel del agua 2011 y cambios del nivel del agua en los acuíferos Chicot, Evangeline y Jasper y compactación 1973-2010 en los acuíferos Chicot y Evangeline, región de Houston-Galveston, Texas. mapa Mapa de Investigaciones Científicas 3174

mapa en papel 2011 condición del suelo 2011 Altitudes del nivel del agua para los acuíferos Chicot, Evangeline y Jasper, 2011. Kasmarek, M.C. Johnson, M.R. Ramage, J.K. Houston, N.A. Schmidt, T.S.

Altitudes del nivel del agua 2015 y cambios del nivel del agua en los acuíferos Chicot, Evangeline y Jasper y compactación 1973-2014 en los acuíferos Chicot y Evangeline, región de Houston-Galveston, Texas. mapa Mapa de Investigaciones Científicas 3337

mapa en papel 2015 condición del suelo 2016 Altitudes del nivel del agua para los acuíferos Chicot, Evangeline y Jasper, 2016.

Los datos de medición del nivel del agua se obtuvieron mediante cinta de acero calibrada, línea de aire, cinta eléctrica del nivel del agua y de los datos reportados por los operadores o propietarios de pozos de la compañía. Luego, estos datos se importaron a un sistema de información geográfica (GIS) utilizando procedimientos aprobados y estándar para crear las numerosas representaciones. La altitud del nivel del agua y los datos de cambio del nivel del agua se representan en las hojas del mapa mediante contornos de la misma altitud del nivel del agua con intervalos que varían de 50 o 100 pies y el cambio del nivel del agua con intervalos que varían de 10, 20 o 40 pies. .

Para las hojas de mapa de cambio de nivel de agua de 1 año (2015-16), los cambios de nivel de agua se calcularon como la diferencia en la profundidad del agua en cada punto (pozo) para el que se realizó una medición del nivel de agua en 2015 y 2016 El cambio en las hojas de mapa de 1 año se representa mediante diferencias de puntos. Para las hojas de mapa de cambio de nivel de agua de 5 años (2011-16), los cambios de nivel de agua se calcularon de la misma manera que para las hojas de mapa de 1 año la diferencia en la altitud del nivel de agua en cada punto para el cual una La medición del nivel se realizó en 2011 y 2016.Los cambios en el nivel del agua en las hojas del mapa de 5 años se representan mediante contornos de cambio en el nivel del agua igual. Cada mapa de cambio de nivel de agua de 5 años se creó contorneando el conjunto de diferencias de puntos mapeados. Para las hojas de mapa de cambio del nivel del agua histórica (2000-16, 1990-2016, 1977-2016), los valores de cambio del nivel del agua se calcularon como la diferencia en la altitud del nivel del agua en cada punto (pozo) para el cual un agua La medición del nivel se realizó en 2016 y la altitud del nivel del agua en ese punto en una superficie cuadriculada del mapa histórico de altitud del nivel del agua. Las hojas de mapas históricos de cambios en el nivel del agua están representadas por contornos de cambios iguales en el nivel del agua. Cada mapa histórico de cambio de nivel de agua se creó contorneando el conjunto de diferencias de puntos mapeados.

Para las representaciones de la hoja del mapa del acuífero de Chicot, se usaron 178 mediciones del nivel del agua para construir la altitud del nivel del agua de 2016, se usaron 163 pares de nivel de agua para construir el cambio de nivel de agua de 2015-16, se usaron 142 pares de nivel de agua para construir el cambio de nivel de agua de 2011-16, se utilizaron 140 pares de niveles de agua para construir el cambio de nivel de agua de 1990-2016, y se utilizaron 128 pares de niveles de agua para construir el cambio de nivel de agua de 1977-2016. Para las representaciones de la hoja del mapa del acuífero de Evangeline, se usaron 320 mediciones del nivel del agua para construir la altitud del nivel del agua de 2016, se usaron 307 pares de nivel de agua para construir el cambio de nivel de agua de 2015-16, se usaron 259 pares de nivel de agua para Para construir el cambio de nivel de agua de 2011-16, se usaron 247 pares de niveles de agua para construir el cambio de nivel de agua de 1990-2016, y se usaron 239 pares de niveles de agua para construir el cambio de nivel de agua de 1977-2016. Para las representaciones de la hoja del mapa del acuífero de Jasper, se usaron 109 mediciones del nivel del agua para construir la altitud del nivel del agua de 2016, se usaron 95 pares de niveles de agua para construir el cambio de nivel de agua de 2015-16, 89 niveles de agua se usaron pares para construir el cambio de nivel de agua de 2011-16, y se usaron 90 pares de nivel de agua para construir el cambio de nivel de agua de 2000-16.

ALTITUD DEL NIVEL DEL AGUA Recuperación de la base de datos de NWIS GWSI de las mediciones del nivel del agua en un archivo de texto delimitado por comas. ARCMAP - addxy y export - genera shapefiles de mediciones de nivel de agua de 2016, en pies debajo de la superficie terrestre, para cada acuífero. Genere cobertura de puntos GIS de mediciones de nivel de agua por acuífero (ch, ev y ja) a partir de un archivo de texto. Exporte características de puntos geográficos nativos NAD83 utilizando las propiedades del marco de datos (establecido en UTM, Zona 15 y NAD 83). ch16pt.shp ev16pt.shp ja16pt.shp ARC - Convertir shapefile en coberturas (shapearc): ch16pt ev16pt ja16pt ARC / TABLES MODULE O ARCMAP Calcular la altitud del nivel del agua de 2016 en pies con referencia al Datum vertical norteamericano 1988 (NAVD 88) para cada acuífero (ch, ev y ja). [wlalt16 = Elevación de la superficie terrestre - profundidad al agua por debajo del datum de la superficie terrestre] Las altitudes del nivel del agua para 1977, 1990, 2000, 2011 y 2015 ya se han calculado mediante este método y se publicaron en los informes enumerados en el 'Source_Information ' sección. Estos datos se utilizarán en la sección que describe los conjuntos de datos de cambios en el nivel del agua. ARC Genere la superficie (cuadrícula ESRI) de la altitud del nivel del agua a partir de la altitud del nivel del agua usando el comando, topogridtool. [topogridtool ch16gridgo 90] Estas opciones se utilizaron en la configuración de la herramienta: aplicación de drenaje desactivada, tipo de datos: punto, cobertura de punto: ch16pt atributo de cobertura de punto: wlalt16 tipo de datos: máscara cubierta de máscara de polígono: ch16arcmask. La cuadrícula, xx16gridgo, se creó utilizando entidades de puntos GIS de la portada, xx16pt, y una cobertura poligonal, xx16arcmask (xx representa ch, ev y ja). Los datos de altitud del nivel del agua (wlalt16) utilizados para crear la superficie interopolada son un atributo en la cobertura: xx16alt, y la extensión de la cuadrícula se limitó al límite definido en la cobertura del polígono, ch16arcmask. MÓDULO ARC / GRID Genere contornos de la altitud del nivel del agua de 2016 a partir de la cuadrícula del nivel del agua, ch16gridgo. [ch16arcck = contour (ch16gridgo, interval, 50, 0)] En la cuadrícula de la línea de comandos, crea contornos de 50 pies a partir de la cuadrícula, ch16gridgo, y crea una nueva cobertura de arco, ch16arcck. Esta cobertura solo se utiliza como referencia de fondo para ayudar a modificar / remodelar los contornos de altitud del nivel del agua presentados en el informe del Mapa de Investigaciones Científicas (SIM) de 2015. ARC Copie los contornos de altitud del nivel del agua de 2015 a los nuevos contornos de altitud del nivel del agua de 2016 usando el comando, copie xx15arc a xx16arc. MÓDULO ARCÉDITO Cambie la forma de estos contornos donde sea necesario para seguir los cambios en las altitudes del nivel del agua de 2015-16. Usar la cobertura de arco del año anterior permitiendo y manteniendo los algoritmos y patrones históricos al tiempo que se han actualizado los datos de altitud del nivel del agua de 2016. Los coautores revisan estas representaciones con sugerencias para las revisiones necesarias. Este proceso iterativo continúa hasta que se logre la mejor representación de la descripción de la altitud regional para 2016.

Combine los datos de atributos de puntos de las altitudes del nivel del agua de informes publicados anteriormente con la cobertura de puntos para los mismos pozos medidos nuevamente en 2016 para cada acuífero. [joinitem xx16pt. xx16pt.pat xx00pt.pat xx16pt.pat station_nm] (Jasper solamente) (proporciona wlalt00) [joinitem xx16pt.pat xx11pt.pat xx16pt.pat station_nm] (proporciona wlalt11) [joinitem xx16pt.pat xx77pt.pat xx16pt.pat station_nm] ( proporciona wlalt16) Cambio de nivel de agua, 1 año para cada acuífero (ch, ev y ja) COMANDOS DEL ARCO Copiar en la nueva portada. [copy xx16pt xx1516pt] Agregue un nuevo atributo para el cambio de nivel de agua de 2015-16, "diff1516". [additem xx1516pt.pat xx1516pt.pat diff1516 6 6 n 2] Abra el módulo Tablas de Arc, seleccione la tabla de atributos de la cobertura GIS de interés. [tablessel xx1516pt.pat] Calcule el nuevo atributo y salga de Tables de nuevo a Arc. [calc diff1516 = lev_va15 - lev_va16q]

Cambio de nivel de agua, 5 años para cada acuífero (ch, ev y ja) [copiar xx16pt a xx1116pt] Agregue el atributo diff1116.[additem xx1116pt.pat xx1116pt. xx = ch, ev y ja). [topogridtool xx1116gridgo 90] con configuraciones (aplicar offdatatype pointpoint xx1116pt diff1116datatype mask ch1116arcmaskend). Genere contornos de cambio de nivel de agua 2011-16 a partir de la cuadrícula, xx1116gridgo. [gridxx1116arcck = contour (xx1116gridgo, interval, 10, 0) q]

Cambio del nivel del agua, año 1990-2016 para cada acuífero (ch o ev). [copie xx16pt a xx9016pt] agregue el atributo diff9016. [tablessel xx9016pt.pat] [calc diff9016 = wlalt90 - wlalt16q] Si no se realizó ninguna medición de pozo en 1990, el valor de la cuadrícula de altitud del nivel del agua de 1990 se asignará al punto del atributo, wlalt90gd. Solo para aquellos pozos sin mediciones en 1990: [diff9016 = wlalt90gd - wlalt16] Genere la superficie del cambio del nivel del agua a partir del valor puntual del cambio del nivel del agua de 1990-2016 (xx = ch y ev). [topogridtool xx9016gridgo 90] con configuraciones (aplicar offdatatype pointpoint xx9016pt diff9016datatype mask xx9016arcmaskend). Genere contornos del cambio de nivel de agua de 1990-2016 a partir de la cuadrícula, xx9016gridgo. [gridxx9016arcck = contour (xx9016gridgo, interval, 40, 0) q]

Cambio del nivel del agua, 1977 a 2016 año para cada acuífero (ch o ev). copie xx16pt a xx7716pt. agregue el atributo diff7716. [tablessel xx7716pt.pat] [calc diff7716 = wlalt77 - wlalt16q] Si no se realizó ninguna medición de pozo en 1977, el valor de la cuadrícula de altitud del nivel del agua de 1977 se asignará al punto del atributo wlalt77gd. Solo para aquellos pozos sin mediciones en 1977: [diff7716 = wlalt77gd - wlalt16] Genere la superficie del cambio del nivel del agua a partir del valor puntual del cambio del nivel del agua de 1977-2016 (xx = ch o ev). [topogridtool xx7716gridgo 90] con configuraciones (aplicar offdatatype pointpoint xx7716pt diff7716datatype mask xx7716arcmaskend). Genere contornos del cambio de nivel de agua de 1977-2016 a partir de la cuadrícula, xx7716gridgo. [gridxx7716arcck = contour (xx7716gridgo, interval, 40, 0) q]

Cambio del nivel del agua, 2000-16 para el acuífero Jasper. copie xx16pt a diff0016pt. agregue el atributo diff0016. [tablessel xx0016pt.pat] [calc diff0016 = wlalt00 - wlalt16q] Si no se realizó ninguna medición de pozo en 2000, el valor de la cuadrícula de altitud de nivel de agua de 2000 se asignará al punto del atributo, wlalt00gd. Solo para aquellos pozos sin mediciones en 2000: [diff0016 = wlalt00gd - wlalt16] Genere la superficie del cambio del nivel del agua a partir del valor puntual del cambio del nivel del agua 2000-16. [topogridtool ja0016gridgo 90] con ajustes (aplicar offdatatype pointpoint ja9016pt diff0016datatype mask ja0016arcmaskend). Genere contornos de cambio de nivel de agua 2000-16 a partir de la cuadrícula, ja0016gridgo. [gridja0016arcck = contour (JA0016gridgo, interval, 20, 0) q]

Los contornos se modificaron (suavizaron y remodelaron) después de la creación de cada conjunto de datos de contorno de cambio de nivel de agua. Los puntos de datos de la altitud del nivel del agua o el cambio del nivel del agua se eliminaron cuando no se ajustaban a la descripción regional circundante, y se realizaron las modificaciones apropiadas a los contornos adyacentes. Las líneas de contorno se modificaron y se colocaron correctamente en relación con los valores de los puntos de control para representar con precisión la descripción regional de los datos del nivel del agua en los acuíferos.


Introducción

La contribución global de la quema de biomasa a las emisiones de carbono (C) en la atmósfera se identificó como una fuente importante de gases traza radiativa y fotoquímicamente reactivos en 1980 (Seiler y Crutzen 1980); sin embargo, las contribuciones directas e indirectas de los bosques y los incendios prescritos al total Las emisiones de C y la retroalimentación positiva sobre el sistema climático siguen siendo difíciles de evaluar. Crutzen et al. (1979) investigaron los presupuestos atmosféricos de gases traza que queman biomasa en la atmósfera que incluían monóxido de carbono (CO), hidrógeno molecular (H2), óxido nitroso (N2O), óxido nítrico (NO), dióxido de nitrógeno (NO2) y sulfuro de carbonilo (COS). Seiler y Crutzen (1980) estimaron los flujos netos de carbono en los incendios forestales y de pastizales y mostraron que los gases traza se emitían a la atmósfera en grandes cantidades midiendo las tasas de emisión de gases traza en relación con el dióxido de carbono (CO2) en las columnas de humo. Las tasas de emisión global total de gases traza se aproximaron a partir de CO2 liberados a la atmósfera durante los incendios forestales y las quemas prescritas en diferentes ecosistemas y prácticas de gestión de la tierra. Se utilizó un modelo general, que consiste en el área total de tierra quemada, la materia orgánica promedio por unidad de área, la biomasa aérea promedio en relación con la biomasa promedio total y la eficiencia de combustión de la biomasa aérea, para estimar la biomasa quemada anualmente en los biomas globales. . Seiler y Crutzen (1980) calcularon las emisiones globales anuales de C de los incendios forestales de 2 Pg C a 4 Pg C (1 Pg = 10 15 gramos). Sin embargo, su modelo de emisiones no incluyó la contribución del C del suelo subterráneo liberado durante los incendios forestales, que tienen el potencial de liberar emisiones de C mucho más altas que las emisiones de C sobre el suelo por unidad de superficie terrestre. Wong (1978) estimó las emisiones de C en el suelo de los incendios forestales en 0,4 Pg C año -1 y Seiler y Crutzen (1980) posteriormente revisaron la estimación de Wong a la baja a 0,1 Pg C año -1. Un estudio reciente (van der Werf et al. 2010) excluyó la quema de leña de la estimación de emisiones de C de Seiler y Crutzen (1980) y calculó las emisiones globales anuales de C de 2.6 Pg C año -1 (que van desde 1.7 Pg C año -1 a 3.5 Pg C año -1).

Avances recientes en productos de incendios derivados de satélites que utilizan datos de espectrorradiómetro de imágenes de resolución moderada de los satélites Terra y Aqua, el sensor de radiómetro avanzado de muy alta resolución en el satélite ambiental operacional polar de la Administración Nacional Oceánica y Atmosférica y el satélite ambiental operacional geoestacionario para cuantificar las quemaduras. áreas casi en tiempo real han mejorado nuestra capacidad para estimar las emisiones de incendios forestales regionales y globales (Gregoire et al. 2003, Simon et al. 2004, Giglio et al. 2006). Los datos de teledetección y sus productos se han utilizado en combinación con modelos de ecosistemas terrestres y biogeoquímicos para estimar las emisiones (van der Werf et al. 2003, 2004, 2006 Hoelzemann et al. 2004 Ito y Penner 2004 Jain et al. 2006). Estos estudios estimaron las emisiones globales anuales de C de incendios forestales que oscilaron entre 1 Pg C año −1 y 3 Pg C año −1, con una gran variabilidad interanual asociada con la actividad global de incendios y una incertidumbre de ∼ 20% en las emisiones de C (Field y Shen 2008, van der Werf et al. 2010).

La cuantificación de la magnitud y la extensión espacial del almacenamiento de C en las turberas es un primer paso importante para predecir las emisiones de C durante los incendios forestales y los cambios en el balance regional de C en respuesta al uso de la tierra y los cambios en la cobertura de la tierra. Las turberas son humedales con una capa de suelo orgánico de al menos 30 cm, que puede extenderse a una profundidad de 15 ma 20 m (Turunen et al. 2002). Almacenan más C que cualquier otro ecosistema terrestre por metro cuadrado y ejercen un efecto de enfriamiento neto sobre el balance de radiación global (Dise 2009). Las turberas comprenden menos del 3%, o 400 Mha, de la superficie terrestre de la Tierra y almacenan entre el 15% y el 30% de las reservas mundiales de C del suelo (Solomon et al. 2007, Limpens et al. 2008). Las turberas boreales y subárticas cubren 346 Mha y comprenden una reserva de C que oscila entre 273 Pg C (Turunen et al. 2002) a 455 Pg C (Gorham 1991), a 473 Pg C a 621 Pg C (Yu et al. 2010) las turberas templadas cubren un estimado de 35.0 Mha y almacenan 455 Pg C (Moore 2002). Las turberas tropicales-subtropicales en el sureste de Asia cubren 27.1 Mha y almacenan 42 Pg C a 55 Pg C (Hooijer et al. 2010, Yu et al. 2010), y las turberas de América del Sur cubren 4.5 Mha y han acumulado 13 Pg C a 18 Pg C (Yu et al. 2010). La heterogeneidad espacial de los suelos y la vegetación de las turberas plantea desafíos para cuantificar el almacenamiento de C y las emisiones de incendios forestales, y para estimar la variabilidad e incertidumbre interanuales. Se estima que el C orgánico global es de 684 Pg C a 724 Pg C en los 30 cm superiores del suelo, 1462 Pg C a 1548 Pg C en los 100 cm superiores y 2376 Pg C a 2456 Pg C en los 200 cm superiores (Batjes 1996).

En los Estados Unidos continentales, las turberas templadas se encuentran principalmente en la región de los Grandes Lagos y en la llanura costera de los estados del sureste y del Golfo (USDA NRCS 2007). El área total de suelos orgánicos en los Estados Unidos contiguos se estima en 6.08 Mha, y la cantidad de C orgánico retenido en suelos orgánicos se estima en 1714.7 Tg a 0 cm a 30 cm de profundidad, 5088.4 Tg a 0 cm a 100 cm profundidad y 7590,0 Tg a una profundidad de 0 cm a 150 cm (Johnson y Kern 2003). El C total informado almacenado en turberas templadas en un estudio de campo en el estado norteño de Minnesota fue 1286 ± 125 Mg C ha -1, con 90% a 99% de ese C encontrado en suelos de turba que variaban de 1 ma 5 m en profundidad (Weishampel et al. 2009). En el estado sureste de Carolina del Norte, el área total estimada de suelos de turberas es de 0.27 Mha, con una reserva total de C de 327 Tg (Ingram y Otte 1981).

Las emisiones de incendios forestales en los Estados Unidos contiguos varían considerablemente de un año a otro, con un promedio anual de emisiones de C estimadas en 58 Tg año -1 (Wiedinmyer y Neff 2007). Los exámenes de los incendios superficiales han atribuido aproximadamente dos tercios de la extensión y las emisiones del incendio en el sureste de los Estados Unidos a los incendios prescritos (Wiedinmyer y Neff 2007, NIFC 2010). Sin embargo, los incendios forestales que encienden suelos de turba orgánica en esta área geográfica son fenómenos frecuentes cuando prevalecen las condiciones de sequía. A pesar de su potencial para una gran retroalimentación positiva al sistema climático a través del secuestro y emisión de gases de efecto invernadero, los incendios de turberas y sus emisiones de C no se incluyen explícitamente en los modelos climáticos globales. En América del Norte, los esfuerzos de modelización en las regiones boreales han comenzado a abordar las contribuciones de los incendios terrestres a las emisiones de C, pero los incendios de turba templados han recibido mucha menos atención et al. 2006 de Groot et al. 2007, 2009). Esta brecha de información se debe en parte a las incertidumbres en la profundidad del suelo, la composición y las propiedades físicas de los suelos de turba de la región.

En el sureste de los Estados Unidos, los suelos de turba son comunes en la provincia de Coastal Plain. Las técnicas para detectar y cuantificar las emisiones de incendios terrestres con precisión son difíciles de implementar debido a la heterogeneidad en la pérdida de suelo espacial y temporal (Poulter et al. 2006). Las mediciones de la vegetación y el suelo posteriores al incendio, así como las estimaciones visuales rápidas, pueden proporcionar estimaciones sólidas del consumo de suelo y las emisiones resultantes de los incendios forestales en determinadas circunstancias (Boby et al. 2010). Sin embargo, es difícil obtener medidas cuantitativas precisas de la pérdida de suelo debido a la escasez de información sobre la elevación del suelo antes y después de un incendio forestal. El examen de campo de la vegetación posterior al incendio puede proporcionar una estimación de la pérdida de suelo con una inversión significativa de tiempo y recursos. En muchos sistemas de turberas del sudeste predominan los montículos de basura y suelo orgánico, así como las características del micro terreno generalmente desiguales, lo que hace que estas medidas de campo sean más difíciles. El enfoque más rápido de medición directa de la pérdida de suelo puede proporcionar una solución más práctica al problema de estimar la pérdida de turba inducida por incendios. En vista de las discusiones en curso sobre el cambio climático, es importante saber cuánto C se emite a la atmósfera durante los incendios forestales en las turberas.

En este estudio, desarrollamos un nuevo método y enfoque para estimar las emisiones de C por encima y por debajo del suelo de un incendio forestal de turberas en 2008 en el este de Carolina del Norte, EE. UU., Mediante la combinación de resultados del modelo de intensidad de quema, estudios de campo e información de detección remota. Las emisiones de C subterráneas se estimaron determinando primero el cambio en la elevación de la superficie del suelo de puntos de suelo desnudo seleccionados al azar utilizando la detección de luz y determinación de distancia (LIDAR) previa al incendio forestal y las mediciones de elevación de levantamiento de terreno posincendio coubicadas. El C orgánico del suelo se calculó para la profundidad del suelo consumida para cada horizonte de suelo dentro de cada una de las series de suelos. Los cálculos de emisiones de C en la superficie emplearon estimaciones del área quemada, la carga de combustible y las proporciones de consumo que se caracterizaron por fracciones de hojarasca, arbustos y follaje de árboles en diferentes clases de vegetación, junto con medidas de densidad de árboles y arbustos. La estimación de las emisiones de C de los incendios forestales consideró los factores que contribuyen a las emisiones de las turberas, como el régimen hidrológico, las decisiones de gestión de la tierra y las estimaciones de la gravedad de los incendios mediante sensores remotos.


Uniendo Textfile a Shapefile Arc 10 y diferencias 10.2 - Sistemas de información geográfica

BBVS_BottomPhotos_wBio.shp: Ubicaciones de fotografías de fondo con interpretaciones biológicas recopiladas por el Servicio Geológico de EE. UU. En alta mar de Massachusetts en Buzzards Bay y Vineyard Sound en septiembre de 2010 en el RV Connecticut. 1.0 Informe de archivo abierto de datos digitales vectoriales 2014-1221

Centro de Ciencias Marinas y Costeras de Woods Hole, Woods Hole, Massachusetts

Programa de Servicio Geológico, Geología Costera y Marina de EE. UU.

https://pubs.usgs.gov/of/2014/1221/GIS/shapefile/BBVS_BottomPhotos_wBio.zip https://pubs.usgs.gov/of/2014/1221/html/appendix1.html Seth D. Ackerman Adrienne L . Pappal Emily C. Huntley Dann S. Blackwood William C. Schwab

Datos de muestreo geológico y clasificación de biota bentónica: Buzzards Bay and Vineyard Sound, Massachusetts 1.0 Informe de archivo abierto 2014-1221

Este conjunto de datos incluye las ubicaciones y la interpretación biológica de 2.426 fotografías de fondo adquiridas con el gran Sistema de Muestreo y Observación de SEABED (configuración SEABOSS, SEABOSS Mark II) durante la prospección USGS 2010-005-FA, realizada del 9 al 14 de septiembre de 2010 a bordo del R / V Connecticut costa afuera de Massachusetts en Buzzards Bay y Vineyard Sound. Este conjunto de datos se recopiló para verificar en el terreno (verificar) los conjuntos de datos acústicos que se adquirieron durante el levantamiento hidrográfico de la NOAA H11319 (2004) y los levantamientos geofísicos del USGS 09002 (2009) y 10004 (2010). También se tomaron videos de fondo, que pueden proporcionar una mejor representación del entorno general del lecho marino en un área más grande, en cada estación ocupada por SEABOSS (ver shapefile BBVS_SeabossTrackline.shp). Las muestras físicas de sedimentos, que también pueden proporcionar más información sobre el lecho marino, también se recolectaron en muchas estaciones y se analizaron en el laboratorio de sedimentos en el Centro de Ciencias Marinas y Costeras de Woods Hole del USGS (ver shapefile BBVS_SedimentSamples.shp).

20100909 20100914 condición del suelo

Ninguno planeado -71.096428 -70.457338 41.649575 41.267625 General Servicio Geológico de EE. UU. USGS Centro de Ciencias Marinas y Costeras de Woods Hole WHCMSC Programa de geología costera y marina CMGP R / V Connecticut Shapefile de puntos de Esri verdad fundamental fotografías de fondo fotografías de los fondos marinos fotos estaciones fondo marino fondo del mar geología marina sedimentos biología clasificación biológica clasificación de la biota Norma de clasificación ecológica costera y marina CMECS Número de serie de actividad de campo WHCMSC 2010-005-FA Actividad de campo WHCMSC número de serie 10005 Muestrario de agarre Van Veen Muestreador SEABOSS Informe de archivo abierto 2014-1221 OFR 2014-1221 Categoría de tema ISO 19115 océanos y estuarios océanos y costas medio ambiente localización océanos biota

EE. UU. 508-548-8700 x2315 ​​508-457-2310 [email protected]

https://pubs.usgs.gov/of/2014/1221/GIS/browse_jpg/big/BBVS_BottomPhotos_wBio.jpg
Imagen en miniatura de las ubicaciones de las fotos inferiores
JPEG Microsoft Windows Vista versión 6.1 (compilación 7601) Service Pack 1 ESRI ArcCatalog 9.3.1.1850 D. Blackwood K. Parolski

Sistema de muestreo y observación de los fondos marinos 1.0 Sea Technology v. 42, no. 2, pág. 39-43 L.J. Poppe S.J. Williams V.F. Paskevich

Análisis de sedimentos de la costa este del USGS: procedimientos, base de datos y datos GIS 1.0 Informe de archivo abierto 2005-1001

https://pubs.usgs.gov/of/2005/1001/ F.P. Shepard

Nomenclatura basada en proporciones arena-limo-arcilla Journal Sedmentary Petrology 24 (3)

Sociedad de Mineralogistas y Paleontólogos Económicos

http://jsedres.sepmonline.org/cgi/content/abstract/24/3/151 Seth D. Ackerman Brian D. Andrews David S. Foster Wayne E. Baldwin William C. Schwab

Datos geofísicos de alta resolución de la plataforma continental interior - Buzzards Bay, Massachusetts Open-File Report 2012-1002

https://pubs.usgs.gov/of/2012/1002/ Brian D. Andrews Seth D. Ackerman Wayne E. Baldwin David S. Foster William C. Schwab

Datos geofísicos de alta resolución de la plataforma continental interior en Vineyard Sound, Informe de archivo abierto de Massachusetts 2012-1006

https://pubs.usgs.gov/of/2012/1006/ Comité Federal de Datos Geográficos

Estándar de clasificación ecológica costera y marina, FGDC-STD-018-2012 http://www.csc.noaa.gov/digitalcoast/_/pdf/CMECS_Version%20_4_Final_for_FGDC.pdf Larry J. Poppe Seth D. Ackerman David S. Foster Dann S. Blackwood Bradford Butman Marc S. Moser Helen F. Stewart

Carácter del fondo marino y procesos sedimentarios de Quicks Hole, Elizabeth Islands, Massachusetts Open-File Report 2006-1357

https://pubs.usgs.gov/of/2006/1357/ Administración Nacional Oceánica y Atmosférica (NOAA) Centro Nacional de Datos Geofísicos (NGDC)

Modelo de alivio costero de EE. UU., Volumen 1

Centro Nacional de Datos Geofísicos de la NOAA

La navegación para el levantamiento 2010-005-FA utilizó el Sistema de Posicionamiento Global Diferencial (GPS). La posición registrada de cada fotografía del fondo es en realidad la posición de la antena GPS en el barco de la encuesta, no el muestreador SEABOSS. El SEABOSS se desplegó aproximadamente a 5 metros a popa de la antena GPS del barco y un marco en forma de A en la popa del barco. No se aplicó retroceso ni compensación a la posición registrada. Además de la compensación de +/- 5 metros, el SEABOSS también puede alejarse del buque de inspección cuando se despliega en el fondo marino. Sobre la base de las diversas fuentes de desplazamientos horizontales, una estimación conservadora de la precisión horizontal de las ubicaciones de las fotografías del fondo es de 20 a 30 metros. Las profundidades registradas para cada fotografía se derivaron de las cuadrículas de batimetría final de las áreas de estudio de Buzzards Bay y Vineyard Sound (profundidades para las fotos en las estaciones 174, 175, 216, 217, 218 y 219, que se ubicaron fuera de la cobertura de batimetría de Buzzards Bay and Vineyard Sound, se determinaron a partir de otras fuentes, incluido el conjunto de datos de batimetría Quicks Hole y el modelo de alivio costero de la NOAA). Vea los conjuntos de datos originales de esos datos batimétricos (enlaces en la sección de referencias cruzadas) para determinar la precisión vertical de estos valores de profundidad.

Trescientas una estaciones objetivo fueron ocupadas a bordo del R / V Connecticut (encuesta USGS 2010-005-FA) con el gran SEABOSS (Blackwood y Parolski, 2001) que estaba equipado con un muestreador de captura Van Veen, una cámara digital fija y una cámara de video. Las fotografías digitales se descargaron de la cámara y se guardaron en una computadora portátil y disco duro cuatro veces durante la encuesta de muestreo (d1 a las 04:28 el 10 de septiembre d2 a las 18:45 el 10 de septiembre d3 a las 18:19 del 12 de septiembre d4 a las 00:15 del 14 de septiembre).

EE. UU. (508) 548-8700 x2315 ​​(508) 457-2310 [email protected]

La navegación DGPS se registró a través de una sesión de Microsoft HyperTerminal (versión 5.1) en una computadora portátil HP con Windows XP, SP2.Los archivos de registro se guardaron para cada observación de muestreo y luego se formatearon en archivos de registro por Julian Day (por ejemplo, JD252.txt) durante el posprocesamiento. El script AWK awkseth.gpgga10005.sda se ejecutó en el grupo de archivos de Julian Day creando un archivo de texto ASCII de valores separados por comas (CSV) que analizó la cadena de navegación GPGGA (& gt awk -f awkseth.gpgga10005.sda JD * .txt & gt all_nav_10005.csv). Luego, el archivo de salida se reformateó para el conjunto de herramientas de Python Ground-Truth utilizando el script AWK nav_time_reformat.awk (& gt awk -f nav_time_reformat.awk all_nav_10005.csv & gt 10005_UConn_ALLnav_final.csv), creando un archivo de navegación final procesado para toda la encuesta de muestreo (10005_UConfninal .csv).

Archivos de navegación generados por HyperTerminal (JD25 [2-7] .txt)

Archivo de navegación analizado GPGGA (10005_UConn_ALLnav_final.csv)

EE. UU. 508-548-8700 x2315 ​​508-457-2310 [email protected]

Tiempo extraído de & quotDate Picture Taken & quot en el encabezado de formato de archivo de imagen intercambiable (EXIF) de las fotografías de fondo JPEG de calidad usando la herramienta ArcToolbox de ArcGIS 9.3 & quotGeoTools JPG Header Tool - SDA Feb05 & quot (que usa el script de Python (v2.5) & quotsda_vexiftool_mod12.py ( v. 18 de enero de 2007)).

EE. UU. 508-548-8700 x2315 ​​508-457-2310 [email protected]

Se realizó un ajuste manual para tener en cuenta las compensaciones de tiempo entre el tiempo registrado en JPEG EXIF ​​& quotDate Picture Taken & quot y el tiempo del GPS como se verificó comparando aproximadamente cincuenta fotos con el video de SEABOSS, incluidas varias fotos de calibración que se tomaron en la cubierta del barco. entre estaciones de muestreo. El tiempo de la cámara estaba 4 segundos por detrás del tiempo del GPS al inicio de la encuesta y 41 segundos por detrás del tiempo del GPS al final de la encuesta. La diferencia de tiempo fue bastante lineal a lo largo de la encuesta, con la excepción de un salto de tiempo de 7 segundos que se produjo cuando se reinició la cámara después de descargar el tercer conjunto de fotos a las 18:19 el 12 de septiembre de 2010. Para tener en cuenta la diferencia horaria, un Se agregó un campo adicional al archivo de encabezado de la foto (NEW_Photo_headers_out_FINAL.csv). El nuevo campo de diferencia de tiempo se completó con Microsoft Excel (versión 2010) llenando una serie lineal entre las fotos de control que se compararon con el video de SEABOSS. Esta diferencia de tiempo se tendrá en cuenta al geolocalizar las fotos en un paso del proceso posterior.

EE. UU. 508-548-8700 x2315 ​​508-457-2310 [email protected]

Cree un shapefile de Esri uniendo el nombre de la foto inferior con la navegación basada en los campos de fecha y hora coincidentes utilizando la herramienta ArcToolbox de ArcGIS 9.3 & quotGeoTools Hotlink Tool - SDA Feb05 & quot (que usa el script de Python (v2.5) & quotsda_hotlink_5.py (v.Oct10.2007) ). Se utilizó VACExtras (vesrion 2.1) para extraer los valores de profundidad en metros de las cuadrículas de batimetría (ver la definición de atributo para obtener información sobre la fuente de datos de batimetría).

EE. UU. 508-548-8700 x2315 ​​508-457-2310 [email protected]

Clasificación biológica de fotografías: La información biológica de las imágenes se clasificó de acuerdo con una versión modificada del Estándar de clasificación ecológica costera y marina (CMECS), FGDC-STD-018-2012, Componente biótico bentónico (Comité Federal de Datos Geográficos, 2012). CMECS, un estándar del Comité Federal de Datos Geográficos, es un sistema jerárquico que proporciona un medio para clasificar unidades ecológicas utilizando un formato estándar. En el Componente Biótico Bentónico de CMECS, las clasificaciones bióticas se definen por el predominio de especies estables, sésiles o de movimiento lento visibles en la foto. Cada foto fue revisada y clasificada con un grupo biótico primario y dos coexistentes, según corresponda, de acuerdo con las pautas de CMECS. Se incluyeron dos taxones asociados cuando fue aplicable. Si ocurrieron más de dos, se seleccionaron los dos taxones más dominantes. Tenga en cuenta que el área de la imagen de una foto es la unidad de mapeo y esa área suele estar entre 0,5 y 1,25 metros de izquierda a derecha, dependiendo de la altura de la cámara sobre el fondo marino cuando se tomó la fotografía.

10005 Hoja de cálculo de análisis de biota de fotos del fondo marino

Adrienne Pappal Massachusetts Office of Coastal Zone Management Coordinadora del Programa de Especies Acuáticas Invasoras Dirección postal y física 251 Causeway Street, Suite 800 Boston MA

EE. UU. 617-626-1241 617-626-1240 [email protected]

Varios de los atributos se calcularon en Esri ArcGIS (versión 10.1) mediante la herramienta Unión espacial. Esta herramienta se ejecutó por primera vez para calcular la línea de seguimiento de la encuesta de video SEABOSS más cercana a cada foto inferior (campo LINENAME) utilizando una operación de unión uno a uno y la opción de coincidencia más cercana. La herramienta de unión espacial se ejecutó por segunda vez con las muestras de sedimento como características de unión para calcular el nombre de campo de la muestra de sedimento más cercana (campo NEAR_SMP) y la clasificación de sedimento de la muestra más cercana (campo NEAR_CLASS) para cada foto del fondo. Se utilizó una operación de unión uno a uno con la opción de coincidencia más cercana y se calculó la distancia entre la entidad de destino y la entidad de unión más cercana (campo DST_TO_SMP). La calculadora de campo se usó luego para redondear la distancia en metros desde cada foto inferior a la muestra más cercana (campo DST_TO_SMP) a la décima más cercana. Finalmente, se unió una hoja de cálculo de la clasificación biológica de las fotos al shapefile de las fotografías de abajo en base al nombre de la foto (campo PICNAME).

10005 Hoja de cálculo de análisis de biota de fotos del fondo marino NEW_10005_PhotoLocs_FINAL.shp BBVS_SedimentSamples.shp

Emily Chambliss Huntley Massachusetts Office of Coastal Zone Management Especialista en cartografía / SIG marino Dirección postal y física 251 Causeway Street, Suite 800 Boston MA

EE. UU. 617-626-1241 617-626-1240 [email protected]

Se utilizó XTools Pro (versión 9.2) para ArcGIS desktop (versión 10.1) para reorganizar, eliminar campos innecesarios y agregar nuevos campos a la tabla de atributos point shapefile & aposs (Operaciones de tabla - Reestructuración de tabla). Atributos de la tabla para el ID de la encuesta (& quotSURVEYID & apos), el dispositivo utilizado para recopilar los datos (& aposDEVICEID & apos), el nombre del barco de la encuesta (& aposVEHICLEID & apos), la fecha en que se tomó la foto (& aposPHOTODATE & apos) y el año (& aposYEAR & apos) se agregaron y / o completaron usando la tabla editor en ArcMap. Otros atributos ya estaban poblados. El campo de tiempo de la foto sin corregir (& aposTIME & apos) se cambió a (& aposTIME_UNCOR & apos).


Variación espacial de la demanda de taxis mediante trayectorias GPS y datos de puntos de interés

El taxi como medio de transporte puerta a puerta para todo tipo de clima es una parte importante del sistema de transporte urbano. Una comprensión fundamental de la variación espacio-temporal y sus factores influyentes relacionados son esenciales para la regulación del taxi y la planificación urbana. En este artículo, exploramos la correlación entre la demanda de taxis y los patrones socioeconómicos, del sistema de transporte y de uso del suelo basados ​​en la trayectoria del GPS de los taxis y los datos de POI (puntos de interés) de la ciudad de Qingdao. El modelo de regresión ponderada geográficamente (GWR) se utiliza para describir los factores de influencia de la heterogeneidad espacial de la demanda de taxis y visualizar las distribuciones espaciales de las estimaciones de los parámetros. Los resultados indican que durante las horas pico, existen algunas diferencias en la demanda de taxis entre los días laborales y los fines de semana. La densidad residencial y los precios de las viviendas aumentan el número de viajes en taxi. La densidad de carreteras, la densidad de los estacionamientos y la densidad de la estación de autobuses están asociadas positivamente con la demanda de taxis. También se encuentra que cuanto mayor es la proporción de área comercial y área de servicio público, mayor es la demanda de taxis, mientras que la proporción de área residencial y la mezcla de usos del suelo tienen un impacto negativo en la demanda de taxis. Este documento proporciona algunas referencias para comprender los factores ambientales urbanos internos que se generan a partir de la demanda de viajes en taxi y proporciona información para reducir la tasa de disponibilidad de taxis, pronosticar la demanda temporal-espacial de taxis y la planificación del sistema de transporte público urbano.

1. Introducción

Las estadísticas muestran que a fines de 2017, había 584,400 vehículos de transporte público (tranvía, tránsito ferroviario) en China y la cantidad de taxis fue 1,395,800, lo que significa que los viajes en taxi representaron una gran proporción del transporte público. Sin embargo, la distribución espacial de los residentes está desequilibrada. Por lo tanto, si los conductores no comprenden las necesidades de los residentes, el exceso de oferta dará lugar a viajes vacantes innecesarios y puede causar algunos problemas urbanos, como grandes cantidades de emisiones de carbono y congestión del tráfico [1]. Por el contrario, una oferta insuficiente puede dar lugar a largas esperas para los pasajeros de los taxis [2]. Ambos casos degradan seriamente el nivel de servicio para la industria del taxi, como causar inconvenientes en los viajes de los residentes, debilitar el nivel de servicio de los taxis y aumentar el costo de la programación diaria. Todos estos efectos negativos provocan la inactividad y el derroche de los recursos públicos urbanos. Por lo tanto, es necesario profundizar en las necesidades de los pasajeros de taxis de los residentes. Sin embargo, explorar la demanda de pasajeros de taxis urbanos es una tarea importante y compleja. En primer lugar, considerando que los viajes en taxi urbano tienen varios propósitos y las funciones urbanas varían de un lugar a otro, es difícil articular claramente los determinantes asociados con los viajes de pasajeros en taxi [3, 4]. En segundo lugar, a diferencia de otros modos de autobuses y trenes ligeros, los taxis no tienen rutas y líneas fijas, por lo que es difícil estudiar la demanda de viajes en taxi. En tales circunstancias, reducir la tasa de desocupación y el tiempo de espera, hacer un uso racional de los recursos públicos y explorar los principales factores que afectan la demanda de viajes de los residentes se ha convertido en uno de los problemas más importantes que debemos resolver con urgencia. Para resolver estos problemas, los estudios comienzan a centrarse en el pronóstico de los viajes en taxi, el patrón temporal y espacial de los viajes en taxi. Algunas investigaciones también se centran en el desarrollo de modelos y la optimización del sistema de programación de taxis y el mecanismo de influencia de los taxis después de la llegada de las aplicaciones de transporte de taxis [5-7]. Muchos estudios se concentraron en el desajuste entre los pasajeros potenciales y el taxi vacío en el espacio, y luego presentaron el modelo de elección de ruta [8-10]. Además, algunos académicos combinan las características de distribución de la demanda de viajes con la estructura espacial urbana para considerar los factores que afectan el viaje en taxi de los residentes [6, 11, 12]. Los estudiosos propusieron el concepto de entorno construido para analizar los factores que influyen en los viajes de los residentes [13-15]. Aunque los factores del entorno urbano construido son complejos y diversos, se pueden resumir en tres aspectos: densidad, diversidad y diseño [16], como densidad de población, densidad de empleo, combinación de usos del suelo, etc. Los factores anteriores siempre se consideran un impacto negativo o positivo en la demanda de viajes [13-17]. Sin embargo, la mayoría de los objetos de investigación se centran principalmente en automóviles privados, bicicletas públicas y transporte ferroviario, etc., para explorar el impacto de los factores ambientales construidos como la densidad de población y la densidad de empleo en la demanda de viajes [18-20]. Además, debido al conjunto de datos y a los métodos de investigación limitados, los estudios no muestran diferencias de distribución espacial. Por esta razón, los académicos tienden a ignorar el papel de los taxis en el transporte público y el impacto de los factores socioeconómicos en la demanda de viajes. En los últimos años, los académicos han comenzado a prestar atención al estado de los taxis en los viajes de los residentes y han estudiado los factores que influyen en los viajes en taxi [4, 21, 22]. En este documento, los factores de "densidad", como la densidad de las carreteras y la densidad residencial, se utilizan para analizar el estado de los taxis en los viajes de los residentes.

En general, los métodos de investigación del equilibrio de la oferta y la demanda para el uso del taxi están dominados por dos métodos, es decir, el método de cuatro pasos [23] y el modelo de regresión múltiple por mínimos cuadrados ordinarios (MCO) [24]. Comparado con el método de cuatro pasos, el modelo de regresión es relativamente rápido y más económico, y es más adecuado para un análisis más detallado. Pero el supuesto del modelo es que todas las variables son estáticas en toda el área de estudio. Por ejemplo, Yang et al. [22] utilizó el modelo de regresión global OLS para estudiar los factores relacionados que afectan los viajes de los pasajeros en taxi, y encontró que el uso del suelo tiene una fuerte correlación con la demanda de taxis. Sin embargo, los dos métodos anteriores ignoran la heterogeneidad espacial (por ejemplo, tipos de uso de la tierra). De hecho, la heterogeneidad espacial tiene un papel importante en los viajes de los residentes. Esto se debe a que los viajes surgen de la separación espacial de los propósitos deseados por las personas, y los propósitos están determinados por la heterogeneidad espacial (las diferentes áreas funcionales urbanas). Por lo tanto, algunos académicos propusieron utilizar el modelo de regresión ponderada geográfica (GWR) para superar este problema [25]. Este método considera el efecto espacial no fijo de variables independientes debido a diferentes áreas de investigación, e introduce las características posicionales de cada punto muestral en el espacio y utiliza la distancia entre estos puntos muestrales como un factor importante para definir los pesos de regresión [12, 26].

Con el desarrollo de los servicios basados ​​en la ubicación (LBS), algunos proveedores de servicios de mapas (por ejemplo, mapas de Google, mapas de Baidu, mapas de Tencent, etc.) han ido abriendo gradualmente interfaces de aplicaciones de servicios de mapas. Reduce el costo de adquisición de datos de mapas. Los datos de puntos de interés (POI) pueden entenderse como puntos de información o puntos de interés. Es una especie de datos puntuales que representan entidades geográficas reales, que contienen principalmente coordenadas geográficas (latitud y longitud), nombres, categorías y direcciones. Estos datos abiertos de la red se pueden utilizar como la principal fuente de datos para estudiar la estructura funcional del espacio urbano [27, 28]. Los datos del GPS (Sistema de posicionamiento global) tienen una alta resolución geográfica y pueden obtener trayectorias de viaje en toda la ciudad. En comparación con los datos de las encuestas tradicionales, promueve así la investigación de los pasajeros de taxis urbanos. Los datos de trayectoria del taxi GPS se utilizan como un tipo de registro de actividad geoespacial, que contiene la información que refleja la trayectoria, como la hora, la ubicación de recogida y entrega del pasajero durante el viaje. Los datos se han utilizado en muchos estudios, como la distribución espacio-temporal de recogida y devolución, identificación de puntos críticos y predicción del tiempo de espera [29-31]. Sin embargo, pocas investigaciones se centran en el comportamiento de viaje de los residentes urbanos utilizando datos de trayectoria GPS de taxis. En realidad, el taxi es un modo de viaje vital para los residentes urbanos y juega un papel importante a la hora de reflejar los viajes de los residentes. Este artículo analiza las variaciones espacio-temporales de la demanda de viajes en taxi y considera la diferencia en la demanda de viajes entre los días laborables y los fines de semana durante las horas pico mediante el uso de datos de trayectoria GPS y datos de puntos de interés. Con el fin de describir mejor los factores de influencia de la heterogeneidad espacial en la demanda de taxis, en este trabajo se utiliza el modelo de regresión ponderado geográficamente con atributos socioeconómicos.

En resumen, aunque se han estudiado las investigaciones existentes sobre la demanda de viajes del transporte público, existen ciertas restricciones sobre los sujetos de investigación empírica y los métodos de investigación de los factores influyentes. Sin embargo, los datos utilizados en investigaciones anteriores fueron datos de encuestas, que omitieron información de ubicación. Mientras tanto, el modelo de análisis tradicional ignora la inestabilidad de la distribución espacial de la demanda. Teniendo en cuenta los diferentes tiempos de viaje y el propósito de los residentes, y la distribución del lugar de trabajo y el lugar de residencia, son diferentes en el espacio. En este artículo se debe tener en cuenta la variación temporal-espacial de la distribución de la demanda de taxis. En vista de lo anterior, este trabajo tiene como objetivo llenar este vacío al contar con un análisis empírico de la demanda de taxis basado en la trayectoria del taxi y los datos de POI. El resto de este documento está organizado de la siguiente manera. La Sección 2 describe los datos y la metodología, incluido el preprocesamiento de datos, el detalle de la variable dependiente y las variables independientes, la estimación de la densidad del kernel y el modelo de regresión de ponderación geográfica. La sección 3 presenta la distribución espacio-temporal de la demanda de viajes. La sección 4 visualizó los coeficientes estimados de los factores que influyen. Finalmente, en la Sección 5 resumimos los hallazgos y proponemos una futura agenda de investigación.

2. Datos y metodología

2.1. Datos

Este documento toma los datos GPS de los taxis de la ciudad de Qingdao desde el 2 de agosto hasta el 8 de agosto de 2017 como objeto de investigación (sin eventos especiales ni feriados legales nacionales). Los dispositivos registran las posiciones de los taxis, cada 30 s durante el día, generando aproximadamente 140 millones de registros pertenecientes a 8.700 taxis, que cubren más del 80% de toda la ciudad. El formato de la estructura de datos como & ltID, número de matrícula, longitud y latitud, estado, velocidad, dirección, tiempo de escritura & gt. Hay dos estados: 0 y 1, 1 para cargado y 0 para vacío (sin carga). La trayectoria del taxi se compone de varios puntos de GPS, los datos se organizan en orden cronológico para formar la trayectoria del vehículo y reflejar la información de la ubicación de recogida y devolución. La identificación de los puntos de recogida y devolución se basa en el cambio continuo de diferentes estados y consiste en una distribución de puntos lineal direccional continua de 0 y 1. El estado forma una secuencia de 0 cambio a 1, 1 es el punto de recogida, inverso, una secuencia de 1 cambio a 0, 0 es el punto de entrega (Figura 1). En el transcurso de la conducción en taxi, se producirán fallas en el equipo GPS y la oclusión del edificio, lo que provocará la pérdida o redundancia de datos. Es necesario detectar y eliminar los registros incorrectos para mantener la buena calidad de los datos y garantizar la exactitud de los resultados. Deben eliminarse tres tipos de datos: (i) registros con longitud o latitud como cero (ii) datos fuera del alcance del área de estudio. El área de investigación principal de este estudio es el área urbana de Qingdao (distrito de Shinan, distrito de Shibei, distrito de Licang, distrito de Laoshan, distrito de Huangdao, distrito de Chengyang, que se muestra en la Figura 2) (iii) registros con velocidades superiores a 100 km / h. En promedio, se obtienen 250.000 registros por día.


Escenas

ArcGIS Companion es una aplicación móvil nativa para iOS y Android que brinda acceso conveniente a su organización, contenido y perfil de ArcGIS. Utilice la aplicación para buscar, explorar y administrar contenido, miembros y grupos de ArcGIS, y para compartir y colaborar con otros. Con Companion, usted elige dónde desea abrir elementos como mapas, escenas, aplicaciones y capas. Por ejemplo, puede abrir mapas web en Explorer for ArcGIS. Descubra el contenido más popular y actualizado de su organización y manténgase informado con las últimas noticias, blogs y tweets de Esri. Los administradores pueden realizar tareas comunes como restablecer las contraseñas de los miembros, habilitar y deshabilitar miembros, actualizar los perfiles de los usuarios, agregar miembros al portal, asignar grupos a los miembros y cambiar roles.

Companion está disponible para todos los miembros de las organizaciones y desarrolladores de ArcGIS que forman parte del Programa de desarrolladores de ArcGIS. Está disponible en todos los idiomas (excepto hindi) que admite el sitio web del portal.

¿Por qué mi organización debería usar solo HTTPS?

El cifrado de información confidencial es la razón principal para utilizar HTTPS. HTTPS utiliza protocolos de cifrado Transport Layer Security (TLS) o Secure Sockets Layer (SSL) que proporcionan una comunicación segura a través de las redes. La plataforma ArcGIS utiliza TLS, que es un protocolo de cifrado más reciente y seguro que SSL. ArcGIS Online sigue siendo compatible con SSL y, a menudo, verá que SSL y TLS se utilizan indistintamente en la documentación.Cuando envía información a través de Internet utilizando HTTPS en su dirección URL, solo el destinatario previsto puede comprender la información. Este cifrado es importante porque la información que envía a través de Internet generalmente se transmite entre muchas computadoras antes de que llegue al servidor de destino. Cualquier computadora entre usted y el servidor puede ver información confidencial, como contraseñas, si la información no está encriptada con un certificado TLS o SSL válido. Cuando se utiliza un certificado TLS o SSL válido, la información se vuelve ilegible para todos, excepto el servidor al que envía la información. Esto lo protege de actividades maliciosas como el robo de identidad.

Si su organización de ArcGIS Online se creó antes de mediados de septiembre de 2018, se recomienda que verifique su configuración de seguridad y habilite la opción para permitir solo el acceso a la organización a través de HTTPS. También se recomienda que habilite TLS en todos sus servicios locales. Cuando agrega capas a mapas o agrega capas como elementos, se recomienda que use URL HTTPS. HTTPS ayuda a proteger sus datos y también mitiga los problemas de contenido mixto con los navegadores. En la actualidad, solo se puede acceder a muchos sitios web a través de HTTPS. HTTPS garantiza que sus datos y todas las demás comunicaciones entre su navegador y ArcGIS Online estén encriptadas.

Para obtener más información sobre TLS, SSL, HTTPS y seguridad de Internet, visite el Centro de confianza. Esri creó Trust Center como su recurso para obtener información sobre seguridad, privacidad y cumplimiento de la plataforma ArcGIS. Trust Center proporciona información sobre la seguridad del producto, alertas de seguridad, cumplimiento de la seguridad, mejores prácticas de seguridad para su organización y más.

Los componentes beta pueden tener una funcionalidad o documentación incompleta y pueden sufrir algunos cambios menores sin previo aviso. Los componentes beta suelen estar disponibles solo en inglés. Si tiene problemas o está experimentando problemas con alguna de las funciones beta, comuníquese con el Soporte de Esri o visite la Comunidad de Esri.

¿Qué significa cuando una aplicación configurable se etiqueta como madura?

Una aplicación configurable pasa al estado maduro cuando una aplicación comparable mejorada la reemplaza. Cuando una aplicación configurable pasa al estado maduro, las aplicaciones existentes que creó con la aplicación configurable continúan funcionando y siguen siendo accesibles para los usuarios, y aún puede editar y actualizar sus aplicaciones. También puede crear nuevas aplicaciones con una aplicación configurable para adultos, sin embargo, esto no se recomienda ya que Esri no agrega nuevas funciones ni soluciona problemas en aplicaciones para adultos. Por ejemplo, las aplicaciones maduras no se actualizan para admitir cambios en el navegador o cambios en ArcGIS que afectan la funcionalidad de la aplicación. No obstante, si desea crear una aplicación basada en una aplicación configurable para adultos, puede hacerlo haciendo clic en el botón Crear una aplicación web en la página del elemento de la aplicación para adultos.

¿Cuándo ven los miembros la información de contacto del administrador de su organización?

El nombre y la dirección de correo electrónico del administrador se incluyen en la invitación para unirse a la organización; la notificación de que el perfil cambió; las solicitudes para restablecer la contraseña, recuperar un nombre de usuario olvidado y ayudar con la autenticación multifactorial y las notificaciones relacionadas con alcanzar o exceder la asignación de crédito. límite. La especificación de contactos administrativos determina los administradores que se incluyen en los correos electrónicos.

¿Qué tipo de capas puedo agregar a un mapa?

¿Cuál es la diferencia entre las entidades almacenadas en el mapa y las entidades almacenadas en una capa de servicios de entidades?

Las características almacenadas en el mapa provienen de la creación de una capa de notas de mapa o de un archivo cargado que solo puede editar el autor del mapa. Las características de las capas de servicios de entidades se transmiten desde un servicio web y los usuarios pueden editarlas si el propietario del servicio lo permite.

¿Cuál es la mejor forma de agregar entidades a un mapa?

Depende. Si tiene grandes cantidades de datos y tiene acceso a ArcGIS Server, un enfoque eficaz es crear un servicio de entidades y agregarlo como una capa a su mapa. También debe agregar capas de entidades si desea que otros editen las entidades y su información de atributos. De forma predeterminada, cualquiera que vea su mapa podrá editar sus características.

Si no tiene acceso a ArcGIS Server o si solo desea agregar algunas características, agregue una capa de notas de mapa con Map Viewer. Map Viewer proporciona varias plantillas entre las que puede elegir formas y símbolos. Sin embargo, no es práctico agregar una gran cantidad de características, ya que debe crear cada una en Map Viewer; por ejemplo, no puede cargar un archivo de características predefinidas. Estas capas son de solo lectura, por lo que otras personas no pueden cambiar las características ni editar la información de los atributos relacionados.

Si tiene características en un archivo de texto delimitado (.txt o .csv) o en un archivo de formato de intercambio GPS (.gpx), puede importarlas a su mapa. Esta es una forma conveniente de agregar funciones que haya almacenado en un archivo en su computadora. Una vez que los haya agregado a su mapa, puede cambiar los símbolos y configurar las ventanas emergentes.

Si su archivo contiene muchas características, debe colocarlo en un servidor web y hacer referencia a él a través de una URL utilizando Agregar capa desde la web, en lugar de importarlo directamente al mapa.

¿Cómo guardo una capa de entidades individual como un elemento?

Para guardar una capa de entidades individual de una capa de entidades multicapa, complete los siguientes pasos:

  1. Abra la página del elemento de la capa de entidades multicapa y vaya a la pestaña Visualización.
  2. Elija la capa que desea guardar en el menú desplegable Capa.
  3. Haga clic en Guardar como nueva capa para guardar una copia de la capa como un elemento nuevo en Mi contenido.
  4. Escriba un título, etiquetas y un resumen y, opcionalmente, elija una carpeta diferente para guardar la capa.
  5. Seleccione para crear el nuevo elemento con Solo la capa actual y haga clic en Guardar.

¿Cómo puedo saber si un mapa tiene la hora habilitada?

Si ve un control deslizante de tiempo en la parte inferior de un mapa, ese mapa incluye una o más capas temporales y puede reproducir el mapa para ver cómo cambia la información con el tiempo.

¿Cuál es la diferencia entre Guardar y Guardar como?

Guarde las actualizaciones de un mapa existente de su propiedad. Guardar como crea una copia del mapa y verá la ventana Guardar mapa original donde puede actualizar el título, las etiquetas, etc. Puede guardar una copia de cualquier mapa que no sea de su propiedad; no puede actualizar uno existente que no sea de su propiedad.

¿Cuál es la diferencia entre construir un mapa con una API de ArcGIS y usar Map Viewer para hacer un mapa?

Puede pensar en Map Viewer como un lienzo en el que puede combinar fácilmente las diferentes capas que le interesan. Una vez que haya creado un mapa, puede compartirlo con otros usuarios del portal o incrustarlo en una aplicación. Esta podría ser una aplicación que escribió utilizando las API de ArcGIS o, si tiene poca experiencia en programación, podría ser una aplicación preconfigurada, como las plantillas de aplicaciones web del portal.

Las API de ArcGIS también se pueden utilizar para crear un mashup desde cero sin iniciar Map Viewer. Esto implica una mayor gestión de código y capas por parte del desarrollador.

¿Cómo puedo hacer que una capa esté disponible como mapa base en la galería de mapas base de mi organización?

  1. Póngase en contacto con el administrador del portal para confirmar que la galería de mapas base utiliza un grupo personalizado que permite a sus miembros contribuir con contenido. Si es así, únase al grupo o pídale a su administrador que lo agregue.
  2. Inicie sesión en su organización y abra Map Viewer.
  3. Agregue la capa al mapa como mapa base. Puede agregar un servicio web de ArcGIS Server, una capa OGC o una capa de teselas. La capa debe compartirse con el grupo de la galería de mapas base y su organización.
  4. Guarde el mapa. Asigne al mapa un nombre conciso que permita a sus compañeros miembros del portal saber lo que contiene.
  5. Haga clic en Compartir y comparta el mapa con el grupo de la galería de mapas base y con su organización.

Una escena es una representación en 3D de una colección de capas, estilos y configuraciones que le permiten compartir contenido geoespacial simbolizado con otros a través de Internet. Puede crear escenas 3D a través de ArcGIS Pro o Scene Viewer en un portal de ArcGIS Enterprise.

Scene Viewer es una aplicación integrada en el portal de ArcGIS Enterprise para crear e interactuar con escenas 3D. Scene Viewer funciona con navegadores web de escritorio que admiten WebGL, un estándar de tecnología web integrado en la mayoría de los navegadores modernos para renderizar gráficos 3D.

Puede ver escenas en el sitio web del portal con Scene Viewer o iniciar sesión en su organización y crear escenas. También puede abrir escenas en ArcGIS Pro.

Puede iniciar sesión en su organización para crear una escena en su portal con Scene Viewer, o puede usar ArcGIS Pro para crear y compartir una escena.

¿Cuál es la diferencia entre una escena y un mapa?

Una escena es similar a un mapa en que son una combinación de capas de datos que puede ver en un navegador. Las escenas son diferentes de los mapas porque, a diferencia de los mapas, las escenas muestran datos en un entorno 3D y permiten la navegación en cualquier dirección y ángulo.

¿Necesito ArcGIS Pro para crear una escena?

No. Puede crear escenas combinando capas compartidas con su organización utilizando Scene Viewer.

¿Cómo puedo utilizar Scene Viewer con mis datos 2D?

Puede llevar sus datos 2D a un entorno 3D y comprender mejor los datos. Por ejemplo, puede crear símbolos 3D a partir de sus símbolos 2D aplicando un tamaño y una altura. Puede acercar y alejar y rotar la superficie para ver los datos desde diferentes ángulos. También puede agregar elevación a las capas 2D superpuestas para que pueda ver más fácilmente los datos en cada capa.

¿Cuál es la diferencia entre Scene Viewer y CityEngine Web Viewer?

Scene Viewer y CityEngine Web Viewer son dos aplicaciones diferentes disponibles en ArcGIS Enterprise, cada una con su propia funcionalidad y propósito únicos.

  • Vea escenas creadas desde Scene Viewer o ArcGIS Pro. Scene Viewer no es compatible con las escenas web de CityEngine.
  • Crear escenas: por ejemplo, puede agregar y eliminar capas, modificar la simbología o capturar diapositivas.
  • Muestre una colección de capas de portal, como capas de escena, capas de entidades, capas de imagen o capas de teselas.
  • Vea escenas renderizadas en extensión mundial con mapas base en una vista de globo esférico (escena global) o una vista plana (escena local).
  • Navegue por escenas donde la carga de datos y la representación gráfica de imágenes se realizan de forma progresiva.
  • Muestre escenas web estáticas de CityEngine (.3ws) exportadas desde CityEngine o ArcScene. CityEngine Web Viewer no admite escenas.
  • Vea escenas web de CityEngine que se renderizan en una pequeña extensión local con un sistema de coordenadas cartesianas.
  • Comente y compare escenarios: por ejemplo, puede usar la herramienta deslizar para ver las diferencias entre dos escenarios.
  • CityEngine Web Viewer carga las escenas web de CityEngine como una descarga inicial al abrir y no carga ningún dato de transmisión después.
  • CityEngine Web Viewer es una herramienta de visualización y no admite la creación, como agregar mapas base, cambiar la simbología o configurar capas.

¿Puedo compartir geometría 3D en capas de entidades?

sí. Puede compartir puntos, líneas y polígonos 3D.

¿Puedo compartir mis propios modelos de terreno en escenas?

sí. Puede compartir terrenos personalizados a través de ArcGIS Server. Utilice ArcGIS 10.3 for Desktop o posterior para crear un servicio de imágenes de elevación en caché y compartir el servicio a través de ArcGIS Server. También puede utilizar ArcGIS Pro para crear un paquete de teselas a partir de sus datos de elevación para crear una capa de elevación alojada en ArcGIS Online. Luego puede agregar estos servicios de elevación y capas a su escena.

¿Por qué mi aplicación Story Map no muestra la aplicación o el contenido web que inserté en ella?

Si su portal está configurado para comunicarse solo a través de HTTPS, siempre se accederá a los mapas de historias que cree en ese portal a través de HTTPS. Si incrusta una aplicación o contenido web al que se accede a través de HTTP, el elemento incrustado no se mostrará en su story map.

¿Qué aplicaciones de ArcGIS admiten mapas base vectoriales en la galería de mapas base?

Los mapas base vectoriales están disponibles en Map Viewer, Scene Viewer, ArcGIS Pro, Collector for ArcGIS, Workforce for ArcGIS, Explorer for ArcGIS, aplicaciones creadas con Web AppBuilder y aplicaciones configurables que incluyen una galería de mapas base. Para saber si los mapas base vectoriales están disponibles en una aplicación específica de ArcGIS, consulte la documentación de la aplicación.

Para obtener más información sobre los mapas base vectoriales y cómo se comparan con los mapas base ráster, consulte Capas de mosaico.

¿Qué tamaño de archivo puedo cargar?

Puede cargar archivos de hasta 200 GB en Mi contenido a través de un navegador web.

Para publicar paquetes de teselas grandes, se recomienda que utilice la herramienta de geoprocesamiento Compartir paquete, que puede aprovechar varios núcleos de procesamiento.

Puede compartir tipos de mapas, aplicaciones, capas, herramientas y archivos compatibles.

¿Puedo compartir una URL de mi mapa o aplicación?

sí. Se puede acceder directamente a los elementos de contenido, los resultados de búsqueda y los grupos mediante una URL.

¿Qué sucede si elimino el elemento de origen utilizado para publicar una capa alojada?

  • Si elimina un archivo de definición de servicio, es posible que la opción Sobrescribir un servicio existente en ArcMap ya no funcione como se esperaba.
  • Si elimina un shapefile, una geodatabase de archivos o un archivo CSV, la opción Sobrescribir en la página del elemento de la capa de entidades alojada ya no estará disponible.
  • Si elimina un paquete de teselas (.tpk), la capa de teselas alojada publicada desde él ya no podrá desconectarse.

Cuando el elemento de origen utilizado para publicar una capa alojada es una capa alojada en sí, la capa alojada utilizada como elemento de origen no se puede eliminar hasta que se eliminen todas las capas alojadas publicadas desde ella.

¿Cuál es la diferencia entre un mapa y una aplicación web en el contexto del sitio web?

Un mapa de ArcGIS es un conjunto de capas informativas y ventanas emergentes que cubren un área geográfica determinada. El mapa es intercambiable, de modo que se puede ver en un navegador, dispositivo móvil o aplicación de escritorio. Puede utilizar herramientas específicas de la aplicación para cambiar la extensión del mapa, buscar lugares y ver datos detallados sobre una ubicación.

Usted construye un mapa definiendo un área de interés, eligiendo un mapa base, agregando capas de datos y configurando ventanas emergentes. Puede guardar mapas y compartirlos con todos o con grupos específicos a los que pertenece.

Una aplicación web es un sitio web que combina mapas, datos y herramientas para un uso específico, como encontrar centros de votación para una elección. Puede ser tan simple como una imagen de mapa navegable incrustada en un blog o tan complejo como una visualización de navegación GPS.

Las aplicaciones web pueden basarse en plantillas (incluidas con el portal) o desarrollarse desde cero utilizando las API de ArcGIS. Ambos tipos de aplicaciones pueden conectarse a mapas de ArcGIS. En general, las aplicaciones se construyen a partir de información en mapas, complementadas con configuraciones y personalizaciones específicas. Las aplicaciones pueden alojarse como parte de su contenido en el sistema, o pueden administrarse de forma independiente y registrarse en el sistema.

¿Qué es ArcGIS Living Atlas of the World?

ArcGIS Living Atlas of the World es una colección en evolución de información geográfica global autorizada y lista para usar de Esri. Incluye imágenes, mapas base, datos demográficos y estilo de vida, paisajes, límites y lugares, transporte, observaciones de la tierra, sistemas urbanos, océanos y mapas históricos que se pueden combinar con sus propios datos para crear mapas, escenas y aplicaciones y realizar análisis.

¿Qué es el contenido de suscriptor?

El contenido del suscriptor es la colección de capas de mapas, herramientas analíticas y servicios listos para usar publicados por Esri que requieren una cuenta de suscripción organizacional de ArcGIS Online para acceder. Esto incluye capas de Esri, como imágenes NAIP, capas de análisis del paisaje y mapas históricos. El contenido del suscriptor no consume créditos de ArcGIS Online.

El contenido premium es un tipo de contenido de suscriptor de ArcGIS Online. Es una colección de capas de mapas, herramientas analíticas, aplicaciones y servicios listos para usar publicados por Esri a los que accede a través de una cuenta de organización de ArcGIS Online y consume créditos cuando se usa. Las capas de contenido premium de Esri incluyen mapas demográficos y de estilo de vida, así como herramientas para geocodificación, geoenriquecimiento, análisis de red, análisis de elevación y análisis espacial.

¿Cómo les doy permiso a mis colegas para modificar el contenido que comparto con ellos?

Puede permitir que otras personas de su organización actualicen sus mapas, aplicaciones, capas y archivos, así como los detalles de sus elementos, compartiendo los elementos con un grupo que tenga habilitada la función de actualización de elementos. Cuando comparte elementos con un grupo con esta capacidad habilitada, permite que los miembros del grupo actualicen cualquier elemento compartido con el grupo. Esto incluye modificar los detalles de un elemento o actualizar su contenido.

Permitir que otros miembros de su organización actualicen su contenido compartido es útil en muchos escenarios. Por ejemplo, facilita que un equipo de trabajadores por turnos comparta la responsabilidad de actualizar un mapa web crítico: agregar o eliminar capas, cambiar símbolos, actualizar la descripción del mapa, etc. Otro escenario común es dar a un equipo de editores la capacidad de editar una capa de entidades alojada visible públicamente sin permitir la edición en la capa para todos.

Para permitir que otros actualicen sus elementos compartidos, haga lo siguiente:

    Cree un grupo con la capacidad de actualización de elementos habilitada de la siguiente manera:
      Asegúrese de tener privilegios para crear grupos con capacidades de actualización. . Para el ¿Qué elementos del grupo pueden actualizar sus miembros? configuración, seleccione Todos los elementos (la pertenencia al grupo está limitada a la organización).

    Esta opción solo está disponible cuando se crean nuevos grupos y cuando la membresía en el grupo solo está abierta para aquellos que están invitados o solicitan y están aprobados para unirse.

    Solo puede invitar a miembros de su organización que tengan privilegios para crear, actualizar y eliminar contenido.

    Usted sigue siendo el propietario de los elementos y otros miembros del grupo pueden actualizarlos, lo que incluye cambiar los detalles del elemento y actualizar el contenido.

    Solo el propietario (o administrador) del elemento puede realizar las siguientes acciones en el elemento (no todas las acciones se aplican a todos los tipos de elementos): eliminar, compartir, mover, cambiar de propietario, cambiar la protección de eliminación, publicar, registrar una aplicación, sobrescribir datos en capas de entidades alojadas y administrar teselas en capas de teselas alojadas.


    ¿Cómo optimiza ArcMap para un mejor rendimiento?

    ArcMap funciona a la misma velocidad en mi computadora portátil (i5 4300U) y en mi computadora de escritorio (3770k overclockeado).

    Parece que el rendimiento de un solo núcleo es importante, ya que Arcmap parece usar solo 2 núcleos. ¿Hay alguna modificación para que arcmap funcione mejor?

    He visto cosas acerca de obtener más RAM o almacenamiento más rápido, pero tengo una RAM de 1600MHz en mis dos compilaciones, lo cual es bastante rápido y un SSD en ambas. Velocidad de lectura y escritura de 500mb / s.

    La velocidad de su RAM no va a importar mucho. Incluso la RAM & quotslow & quot es suficientemente rápida para las aplicaciones ArcMap. La RAM muy rápida generalmente solo es beneficiosa para los juegos. Lo que importa el Monto de RAM que tiene. Recomendaría 4GB como mínimo absoluto. Lo ideal es 8 GB o más.

    Si trabaja mucho con rásteres, asegúrese de tener habilitada la aceleración de hardware. Una tarjeta gráfica dedicada decente te ayudará con tus tiempos de dibujo.

    Tener un SSD es genial. Asegúrese de que si tiene un HDD también, los datos en los que está trabajando activamente estén en su SSD.

    Tiene razón en que ArcMap no hace un buen trabajo al usar múltiples núcleos. Esto significa que la velocidad del reloj es generalmente más importante que el conteo de núcleos.

    Aparte de eso, no tengo muchos consejos para ti. Estoy interesado en ver lo que dicen los demás.


    Materiales y métodos

    Rangos de altitud y latitud

    Registramos los límites de distribución de elevación superior e inferior de la literatura para 135 especies de galliformes y usamos el punto medio en nuestros análisis.Obtuvimos datos de manuales y guías de campo mundiales y regionales, y recursos en línea (datos disponibles en Dryad Digital Repository http://dx.doi.org/10.5061/dryad.38s8g). Usamos elevaciones de cría cuando estaban disponibles. Determinamos la extensión latitudinal de los rangos de reproducción utilizando mapas de distribución de especies de (BirdLife International & NatureServe 2012) (http://www.birdlife.org/datazone/info/spcdownload). Importamos los shapefiles a arcgis 10.2.2 (ESRI 2013) y extrajimos datos del rango nativo de especies donde existía o se consideraba probablemente existente, y donde era un residente o visitante reproductivo durante todo el año. Calculamos la latitud del centroide del rango de reproducción y usamos su valor absoluto en todos los análisis. Para cuatro especies para las que no se disponía de datos de las fuentes anteriores, utilizamos mapas de distribución global de especies e información de distribución de del Hoyo, Elliott & Sargatal (1994) y estimamos visualmente la extensión latitudinal máxima y mínima y calculamos el punto medio latitudinal.

    Datos de la historia de vida

    Recopilamos datos sobre el tamaño de la nidada, la masa de huevos, el período de incubación y la masa corporal de la hembra de la literatura para las 135 especies de galliformes para las que se han publicado dichos datos. Los datos sobre el número de crías estaban disponibles para un subconjunto de 45 especies (datos disponibles en Dryad Digital Repository http://dx.doi.org/10.5061/dryad.38s8g). Cuando los datos estaban disponibles a nivel de subespecies, promediamos los valores de todas las subespecies para calcular las medias de las especies. Solo se utilizaron datos demográficos del área de distribución nativa de una especie. Los valores medios de las variables se utilizaron cuando estaban disponibles; de lo contrario, las medias se estimaron como el punto medio del rango informado. Si se informa, también usamos datos de aves en cautiverio, asumimos que los datos del cautiverio caían dentro del rango de variación observado para el rasgo en la naturaleza. Para nueve especies para las que no se disponía de datos sobre la masa de huevos, seguimos (Musvuugwa & Hockey 2011) y estimamos la masa de huevos a partir de la ecuación proporcionada por (Hoyt 1979): W = Kw LB 2, donde W = masa de huevo (g), Kw = coeficiente de peso específico (g cm −3), L = longitud del huevo (cm) y B = ancho del huevo (cm). Kw se calculó a partir de congéneres para los que se conocían la masa y las dimensiones de los huevos y oscilaba entre 0 · 526 y 0 · 726 g cm −3. Normalmente usamos la masa corporal femenina, pero en los casos en que no se proporcionó la masa corporal específica por sexo, usamos la masa corporal informada. Calculamos la masa de la puesta como el producto de la masa del huevo y el tamaño de la puesta.

    Análisis estadístico

    Registramos10-transformado todos los rasgos de la historia de vida excepto el número de crías antes de los análisis. Para tener en cuenta la relación filogenética en las comparaciones interespecíficas (Felsenstein 1985), utilizamos mínimos cuadrados generalizados filogenéticos (PGLS) con estimación simultánea de λ por máxima probabilidad para analizar las relaciones entre los rasgos de la historia de vida y la elevación y la latitud (Martins y Hansen 1997 Freckleton, Harvey y Pagel 2002). λ es un parámetro de transformación de la longitud de la rama interna que puede variar de 0 (ninguna especie de relaciones filogenéticas puede tratarse como puntos de datos independientes) a 1 (el patrón observado de variación de rasgos entre las especies se asemeja a los esperados bajo un modelo de evolución de movimiento browniano). Construimos un árbol de consenso de reglas de mayoría (datos disponibles en Dryad Digital Repository http://dx.doi.org/10.5061/dryad.38s8g) muestreando 4000 árboles basados ​​en una columna vertebral de Hackett (Hackett et al. 2008) de www.birdtree.org (Jetz et al. 2012) utilizando el software Mesquite (Maddison & Maddison 2011). Este árbol se utilizó en análisis PGLS. Implementamos PGLS en r versión 2.15.1 (R Core Team 2012) usando los paquetes 'ape' (Paradis, Claude & Strimmer 2004) y 'nlme' (Pinheiro et al. 2012) después de que las politomías se resolvieran arbitrariamente a ramas de longitud cero. Dado que el escalado de las variables por sus desviaciones estándar para obtener estimaciones de regresión estandarizadas ignora su estructura filogenética (D. Orme, com. Pers.), Estandarizamos las variables para que tengan una media filogenética de 0 y una varianza de 1 para explicar completamente esta estructura, y luego los sometió a regresión PGLS. Esta estandarización nos permite obtener tamaños de efecto comparables. Muchos rasgos de la historia de vida están altamente correlacionados con la masa corporal, por lo tanto, controlamos los efectos alométricos realizando primero una regresión de PGLS de cada característica de la historia de vida contra la masa corporal y luego usando los residuos resultantes en las regresiones de PGLS posteriores contra la elevación y la latitud. El análisis con el número de crías como variable dependiente se llevó a cabo en un subconjunto de 45 especies. Para evaluar cómo la latitud puede influir en el efecto de la elevación en los rasgos de la historia de vida, los rasgos residuales se regresaron contra la elevación, la latitud y un término de interacción elevación × latitud. Si los valores estimados de λ eran indistinguibles de cero, entonces se llevó a cabo un análisis de regresión de mínimos cuadrados ordinarios (MCO) utilizando el mismo conjunto de predictores, ya que la corrección filogenética no es necesaria. Dado que los valores atípicos pueden sesgar las estimaciones de regresión de PGLS, excluimos las especies con residuos normalizados & gt ± 3 desviaciones estándar de la media (Symonds & Blomberg 2014). La significancia se consideró como PAG & lt 0 · 05. Para interpretar mejor los términos de interacción significativa de elevación × latitud (ver más abajo), para cada rasgo con un efecto de interacción significativo, graficamos los valores predichos de las ecuaciones de regresión resultantes usando la latitud fijada en los valores altos y bajos observados mientras permitimos que la elevación varíe, y con la elevación fija a valores altos y bajos observados mientras que la latitud variaba. Para fines ilustrativos, usamos una heurística que clasifica las especies con una elevación del punto medio ≥2000 m como especies de elevación 'alta' (versus elevación 'baja'), y aquellas con un valor absoluto de latitud centroide ≥ | 30 | ° como 'templadas '(versus' tropicales ') especies. Tenga en cuenta que no realizamos ningún análisis basado en esta clasificación heurística, todos los análisis trataron la latitud y la elevación como atributos continuamente variables.


    1. INTRODUCCIÓN

    Debido a su relativo aislamiento de otros ecosistemas montañosos de África oriental, el Albertine Rift ha sido reconocido como un punto crítico de biodiversidad (Plumptre et al., 2007). Alberga al menos 1.779 especies de vertebrados terrestres (mamíferos, aves, reptiles y anfibios), de las cuales 140 son endémicas y 78 han sido clasificadas como globalmente amenazadas en la Lista Roja de la Unión Internacional para la Conservación de la Naturaleza (UICN) (Ayebare, Plumptre, Kujirakwinja Y Segan, 2018). El Rift cubre 313.000 km 2 desde el extremo norte del lago Albert y el Parque Nacional Murchison Falls hasta el extremo sur del lago Tanganica y abarca las montañas en ambos flancos del valle del Rift (Plumptre et al., 2007 Plumptre et al., 2010) . Aproximadamente dos tercios del Albertine Rift están situados en el este de la República Democrática del Congo (RDC). Durante las últimas décadas, el dramático crecimiento demográfico humano, a menudo exacerbado por la afluencia de refugiados locales y extranjeros, ha dado lugar a cambios drásticos en el uso de la tierra debido a la conversión de bosques en tierras agrícolas (Ayebare et al., 2018). La República Democrática del Congo alberga al menos 49 especies de primates (IUCN, 2020), pero en algunas áreas sus poblaciones están fragmentadas y en declive (Hicks et al., 2010). Este es el caso del chimpancé oriental Pan troglodytes schweinfurthii, que está amenazada en toda su área de distribución (Hicks et al., 2010). Se estima que solo en la República Democrática del Congo quedan al menos 100.000 chimpancés orientales, y hasta ± 13.000 viven en el Albertine Rift (Plumptre et al., 2010). Sin embargo, las estimaciones de la población de la especie siguen siendo inciertas en muchas áreas de la República Democrática del Congo, ya que la inestabilidad política ha obstaculizado las exploraciones científicas de vastas áreas, especialmente en la provincia de Ituri.

    Los bosques de las tierras altas de Ituri se han reducido a cintas rotas con menos de 20 fragmentos de bosque esparcidos a lo largo de las laderas de la escarpa del lago Albert. Aunque más al noroeste del país permanecen grandes áreas de hábitat intacto adecuado para chimpancés y otros animales silvestres (Hicks et al., 2014), estos pequeños fragmentos de bosque sirven como último refugio para especies en peligro de extinción ahora arrastradas por la ola de desarrollo. Si bien la fragmentación del hábitat aumenta el riesgo de extinción de la vida silvestre, un número sustancial de especies forestales, incluidos los chimpancés, pueden sobrevivir durante décadas en bosques perturbados y fragmentados (McCarthy et al., 2015 Whitmore y Sayer, 1992). Para proteger a los chimpancés como especie, es necesario saber exactamente dónde se encuentran. La presencia de chimpancés en fragmentos de bosques relictos de la región congoleña de Albertine Rift, determinada en 2015 sobre la base de una discusión informal con los habitantes locales, fue inesperada. Los chimpancés no se encuentran habitualmente en los bosques montanos (el récord más alto a 2.750 m de altitud) (Matthews, Ridley, Niyigaba, Kaplin y Grueter, 2019 Plumptre et al., 2010) y las poblaciones de chimpancés más cercanas conocidas, ya sea al otro lado del lago en Uganda o fuera del límite oriental del paisaje del Programa Regional para el Medio Ambiente de Ituri-Epulu-Aru en África Central (CARPE), se encuentran a ± 75 km de distancia. Además, la única evidencia histórica escrita de chimpancés en la región se remonta a 1886 a partir de las notas de Emin Pacha (Meessen, 1951).

    Este artículo documenta la existencia de una comunidad de chimpancés que sobreviven en tres fragmentos del Rift Albertine congoleño. Llamamos a esta comunidad de chimpancés "Mbudha" que, en idioma Bbaledha, significa el agua de los chimpancés. Proporcionamos una primera evaluación del tamaño y la densidad de la comunidad, y de su comportamiento de construcción de nidos dentro del hábitat estudiado. Los resultados de este estudio proporcionarán a las autoridades de conservación un recurso para ayudarles a clasificar esta área como una Unidad de Conservación de Chimpancés (UCC) y, con el apoyo de las comunidades locales, ayudarán a inspirar más proyectos de investigación sobre el Rift Albertine congoleño y en las tierras altas de Ituri, donde se encuentran otras poblaciones de chimpancés indocumentados.


    Los archivos de datos para la climatología provienen de dos fuentes. Para el período de 1972 a 1994, se utilizaron los productos EASE-Grid de 25 km del EWG Atlas (Arctic Climatology Project, 2000) (EWG CD 1: visual_atlas / sea_ice_data_sets / nic_7_day_grids /). Estos archivos proporcionan concentraciones totales de hielo, sin concentraciones parciales. Para 1995-2004, se utilizaron gráficos de hielo semanales o quincenales en el formato ESRI E00. Esta serie de archivos de gráficos se obtuvo del NIC Public Arctic Archive en el otoño de 2005. Los archivos EASE-Grid se crearon a partir de los archivos E00 semanales 1995-2004, combinados con los archivos EASE-Grid 1972-1994, y se usaron para generar los productos de climatología. Estos productos de climatología con formato EASE-Grid se convirtieron luego en geodatabases de ArcGIS (.mdb). En 2008, el conjunto de datos se actualizó hasta 2007.

    El uso de dos fuentes de datos diferentes con diferentes formatos y resoluciones era inevitable (porque el EWG Atlas es la única fuente para las cartas árticas con control de calidad de NIC anteriores a 1995, y las cartas en el EWG Atlas no tienen un formato y resolución en común con la NIC gráficos para 1995-2007). Como resultado, hay, desafortunadamente, discontinuidades entre los datos anteriores y posteriores a 1995. Estos se tratan en la sección Evaluación de la calidad de este documento.

    Conversión de archivos ESRI E00 a EASE-Grid

    El formato E00 es un formato propietario de ESRI en ASCII. Las descripciones detalladas del formato E00 están disponibles en Internet. Las rutinas IDL se desarrollaron para extraer la información necesaria de los archivos E00 para producir archivos de concentración de hielo en EASE-Grid durante los años 1995-2007.

    Para nuestros propósitos, los archivos E00 constan de cuatro partes:

    1. Información de proyección
    2. Ubicaciones de segmentos de arco / línea
    3. Información de polígono
    4. Información de concentración de hielo para cada polígono

    NIC utiliza una proyección estereográfica polar para la generación de sus cartas de hielo operativas. Los archivos E00 consisten principalmente en las ubicaciones geográficas de arcos o segmentos de línea. La información del polígono detalla qué arcos se necesitan para hacer un polígono. Finalmente, existe un código SIGRID para cada polígono. Consultar el polígono revelaría la cadena de SIGRID necesaria para codificar el código de huevo de ese polígono.

    Figura 5. Ejemplo simple de ARC / POLYGON.

    En la Figura 5 se muestra un ejemplo sencillo. El polígono 1 está formado por los arcos AB, BC y CA, el polígono 2 está formado por los arcos AB, BD y DA, etc. Los arcos están inicialmente en una proyección estereográfica polar como falsa Este y norte en metros del Polo Norte. (ArcGIS usa falsos este y norte como una forma de describir la posición de un punto en relación con un origen). Se crea un archivo intermedio que incluye cada polígono en una forma independiente de proyección utilizando coordenadas de latitud y longitud y el código SIGRID para cada polígono. Esta forma intermedia permite el mapeo final a resoluciones variables dependiendo de las necesidades del usuario. Este proceso es bastante sencillo excepto por una variación. Un "agujero", como una isla, puede encontrarse dentro del polígono. La detección y el procesamiento de los agujeros complicaban las rutinas de procesamiento.

    Los archivos intermedios se utilizan para mapear las concentraciones de hielo. En este punto, se puede utilizar cualquier proyección y resolución. Para los productos de climatología, se utilizó EASE-Grid a una resolución de 25 km (NA25) con el fin de igualar la resolución y el formato de los archivos disponibles en el EWG Atlas. Las latitudes y longitudes de los polígonos se convirtieron en ubicaciones de píxeles, y cada polígono se dibujó y rellenó con la concentración de hielo adecuada extraída del código SIGRID.

    Cada gráfico EASE-Grid para gráficos semanales y productos climatológicos posteriores a 1994 consta de cinco capas de información: concentración de hielo total, concentración de hielo de varios años (MY), concentración de hielo del primer año (FY), concentración de hielo fino y hielo terrestre (píxel- por píxel sí / no), siguiendo una convención establecida con el Observaciones de hielo marino con cuadrícula EASE del océano Ártico de 10 días de AARI (Fetterer y Troisi, 1997). Consulte la Tabla 8. Los gráficos anteriores a 1995 contienen solo información de hielo fijo y total. La Figura 6 muestra un ejemplo de un archivo de datos que contiene concentraciones parciales.

    La Tabla 8 muestra la correspondencia entre las capas de archivos EASE-Grid y la etapa de desarrollo codificada en SIGRID, para archivos a partir de 1995. En efecto, las concentraciones parciales se clasifican en tres tipos: hielo de varios años (de 2 a 4 m de espesor), hielo de primer año (de 30 cm a 200 cm de espesor) y hielo fino (de menos de 30 cm de espesor). Los rangos de espesor son los establecidos por el sistema de clasificación de hielo de la OMM.

    Cuadro 8. Correspondencia entre EASE-Grid y SIGRID
    Concentración de hielo
    por tipo (EASE-Grid)
    Etapa de desarrollo
    en datos de origen
    (SIGRIDO)
    Concentración total de hielo
    (todos los tipos)
    Concentración total de hielo
    (todos los tipos)
    Hielo multianual Hielo viejo
    Hielo de segundo año
    Hielo de varios años
    Hielo de primer año Hielo de primer año (FYI)
    Delgado FYI
    Thin FYI _ stage1
    Thin FYI _ stage2
    FYI medio
    Grueso FYI
    Hielo delgado Hielo nuevo
    Nilas, corteza de hielo
    Hielo joven
    Hielo gris
    Hielo gris-blanco
    Hielo rápido Forma de hielo (hielo terrestre
    es la única forma)
    Figura 6. Archivo de datos que muestra concentraciones parciales
    Se utilizó un archivo EASE-Grid del 5 de enero de 2004 para crear estas imágenes aplicando una barra de color a los datos binarios de cada una de las cinco capas. Desde la parte superior izquierda, concentración total de hielo, multianuales, primer año, hielo nuevo y concentraciones parciales de hielo fijo. La barra de color muestra concentraciones.

    Las cartas de hielo marino a menudo usan rangos para la concentración de hielo. Un código SIGRID típico podría ser: CT79CA609599CB209199. El valor después de CT indica la concentración total, en este caso 79, lo que significa que la concentración está entre el 70 y el 90 por ciento. Esto se traduce al 80 por ciento para la celda EASE-Grid correspondiente. Otros valores de SIGRID pueden ser 70 para 70 por ciento, 91 para entre 90 y 100 por ciento y 92 para 100 por ciento. El valor correspondiente usado para llenar la celda EASE-Grid es siempre el valor promedio si la concentración dada es un rango entre dos valores. En el código SIGRID, CA se refiere a la concentración del primer hielo más grueso. En el ejemplo CA609599, 60 es la concentración de este tipo de hielo, 95 indica hielo viejo y 99 es un tamaño indeterminado o desconocido del témpano. Estas concentraciones parciales deben sumar, aunque no siempre, el mismo valor que la concentración total. La Tabla 9 resume cómo los archivos EASE-Grid codifican SIGRID.

    Cuadro 9. Códigos y valores para las concentraciones de hielo
    Concentración de hielo del código de huevo SIGRIDO
    Código
    EASE-Grid
    Valor del producto para
    % De concentración
    Sin hielo 00 0
    Menos de 1/10 (aguas abiertas) 01 5
    Agua de bergy 02 5
    1/10 10 10
    2/10 20 20
    3/10 30 30
    4/10 40 40
    5/10 50 50
    6/10 60 60
    7/10 70 70
    8/10 80 80
    9/10 90 90
    Más de 9/10, menos de 10/10 91 95
    10/10 92 100
    Intervalos de concentración
    (Cl = concentración más baja en el intervalo
    (Ch = concentración más alta en el intervalo)
    ClCh
    Ejemplos:
    1/10 - 3/10 13 20
    4/10 - 6/10 46 50
    7/10 - 9/10 79 80
    7/10 - 10/10 71 85

    Nota sobre resolución

    Figura 7. Una ilustración del problema de conversión de vector a ráster.

    Los datos vectoriales no tienen una resolución inherente y se pueden convertir a un formato de cuadrícula ráster con cualquier resolución deseada. Los datos ráster SIGRID están limitados porque un punto dentro de una celda de la cuadrícula representa la celda completa y la forma del límite entre las regiones se pierde. Kokaly (1996) aborda algunas consideraciones de las conversiones de datos de las cartas de hielo marino y señala que al convertir de SIGRID "verdadero" (con una resolución nominal de 15 minutos) a EASE-Grid, un tamaño de celda EASE-Grid de 12,5 km, en lugar de 25 km, debe utilizarse para evitar perder información sobre la concentración. Desafortunadamente, los archivos vectoriales que NCDC creó a partir de las cartas de papel de 1972-1994 se descartaron inadvertidamente después de que se crearon archivos SIGRID con una resolución nominal de 25 km (Informe especial 13), por lo que las cartas de resolución de 12,5 km (o más finas) para este período no son posibles sin volver a digitalizar los gráficos de papel. Los archivos de formato GIS en el EWG Atlas se crearon utilizando estos archivos SIGRID de 25 km, por lo que no ofrecen mejor resolución.

    El problema principal de convertir datos vectoriales a formato ráster se puede ver en la Figura 7. Suponga dos polígonos A y B. Si se superpone una cuadrícula de 4 por 4 en los polígonos, ¿deberían asignarse las celdas de la cuadrícula de colores para tener la información de concentración de hielo de polígono A, polígono B o un valor intermedio? Para este producto, no se realizó ninguna mezcla ni promediado. Al convertir los archivos E00 de 1995 a EASE-Grid, el último polígono procesado aporta sus valores de concentración a las celdas superpuestas de la cuadrícula. Tenga en cuenta que esto puede tener el efecto de cambiar los límites entre regiones con las mismas características de hielo.

    No se ha completado una evaluación de calidad detallada de este conjunto de datos. Sin embargo, es posible hacer algunas generalizaciones, basándose en gran medida en dos estudios basados ​​en datos del EWG Atlas (Dedrick et al., 2001 y Partington et al., 2003). El historial de cambios en las fuentes de datos y las prácticas de creación de gráficos también es relevante.

    Exactitud y precisión

    La exactitud y precisión de las cartas originales no se conocen con certeza. Partington (2003) cita ± 5 por ciento a ± 10 por ciento como la precisión de las estimaciones de concentración de hielo. La concentración total de hielo para un polígono individual se registra en un rango. Ese rango se expresa en décimas. El valor medio de ese rango se utiliza en los archivos EASE-Grid. Por lo tanto, la precisión puede variar de una celda de cuadrícula a otra, dependiendo del rango con el que se trazó originalmente la concentración.

    Un análisis de H.Stern, Universidad de Washington (comunicación personal, 2005) indicó que la información de hielo rápido no es confiable antes de 1976.

    Geiger (2006) publicó un análisis de errores de las cartas antárticas de NIC.

    Meier y col. (2006) compararon los gráficos NIC con concentraciones de microondas pasivas en un póster titulado Cartas operativas de hielo marino: ¿un producto de datos integrado adecuado para observar cambios a largo plazo en el hielo marino del Ártico? disponible en la página web de carteles y presentaciones de NSIDC.

    Fortalezas y debilidades

    La principal fortaleza de la serie de gráficos NIC es que los gráficos fueron creados por especialistas utilizando análisis manuales de datos de muchas fuentes. Donde la concentración de hielo puede ser difícil de medir en el verano en algunos lugares usando imágenes SAR debido al derretimiento de la superficie, por ejemplo, el analista tiene la opción de verificar las imágenes de bandas visibles. Si el borde del hielo no puede ubicarse en imágenes de bandas visibles debido a las nubes, el analista puede usar la dispersometría. El software NIC permite la manipulación de imágenes para mejorar las imágenes. Hasta la fecha, esta forma mayoritariamente manual de fusión de datos multisensor o asimilación de datos produce información sobre el hielo con mayor precisión que el uso de una única fuente de datos o un enfoque automatizado.

    El análisis manual tiene debilidades. Uno es la naturaleza subjetiva de la interpretación de imágenes para la concentración de hielo y el tipo de hielo. La concentración de hielo generalmente se estima visualmente al observar lo que generalmente son témpanos de hielo brillantes contra un fondo oscuro. Se estima que la concentración de hielo estimada de esta manera tiene una precisión de aproximadamente + - 10% (Partington, 2003). El tipo de hielo (etapa de desarrollo) es más difícil de medir. Las imágenes IR y visibles de alta resolución, y especialmente las imágenes SAR utilizadas para distinguir MY de las formas más jóvenes, junto con una serie temporal de gráficos e imágenes del área que se analiza, lo hacen posible.

    La principal debilidad de la serie de gráficos es la inconsistencia en la calidad de los análisis. Tal inconsistencia surge de varias fuentes. Sin embargo, es importante tener en cuenta que los datos de origen operativo de NIC recibieron un control de calidad adicional por parte de NIC antes de agregarlos al archivo de este producto.

    Las fuentes de inconsistencia incluyen las siguientes:

    1. Aumento del número de fuentes de datos para análisis, aumento de la resolución y el volumen de datos satelitales, evolución de los sistemas de análisis.

    En la década de 1970, los analistas a menudo tenían que hacer conjeturas fundamentadas basadas en la climatología o la persistencia. A medida que las fuentes de datos crecieron para incluir datos de sensores activos y pasivos, los analistas pudieron trazar el hielo con mayor detalle, como lo sugieren las Figuras 8 y 9.

    Desde 1972 hasta 1979, solo se registró la concentración total. Los analistas dependían en gran medida de las imágenes de microondas pasivas visibles, infrarrojas y de un solo canal. Los datos de microondas pasivos de SMMR y SSM / I se agregaron en 1980 y 1989 respectivamente. En 1990, se instaló por completo el primer sistema de producción asistido por computadora de NIC (DIFAS1). En 1991, NIC comenzó a utilizar imágenes OLS visibles e IR, con una resolución de aproximadamente 0,5 km, frente a la resolución de 1 km del AVHRR ya disponible. En 1992, el uso cada vez mayor de datos digitales junto con modelos de predicción mejorados hizo posible que los analistas desglosaran la cantidad de hielo en cada etapa de desarrollo o, en otras palabras, informaran concentraciones parciales para cada tipo de hielo (este avance ocurrió más tarde, en 1994). , para los datos de la Antártida, aunque se ha restringido a la región del Mar de Ross desde 2000).

    NIC comenzó a utilizar ERS-1 SAR (a una resolución de 240 m) en 1995, y RADARSAT-1 (a resoluciones de 200 m, 100 my 25 m) en 1996, sin dejar de aumentar las capacidades de su sistema informático para imágenes. análisis y comenzar a avanzar hacia un entorno de producción GIS. Los datos del dispersómetro (QuikSCAT) se agregaron en 2004.

    Más recientemente, a partir de 2005, los analistas han puesto a disposición de los analistas los datos del espectrorradiómetro de imágenes de resolución moderada (MODIS) y del modo de monitorización global (GMM) de Envisat Advanced SAR (ASAR). En enero de 2006, la NIC instaló el Sistema de análisis y procesamiento de imágenes satelitales (SIPAS), un sistema de producción y análisis casi completamente basado en ESRI, que permite al analista analizar imágenes y producir archivos de datos espaciales (gráficos de hielo) en un entorno común. .

    Figura 8. Gráfico de número promedio de polígonos de hielo marino por NIC (hemisferio norte)
    El aumento de los detalles de la carta de hielo durante el período récord en el Atlas del EWG (1972-1994) está representado por el número creciente de polígonos en cada carta de hielo. De Dedrick et al. (2001). Haga clic para ampliar la imagen.

    Figura 9. Contenido temático de los gráficos de hielo marino del NIC por año
    Aumento del contenido de información de las cartas de hielo durante el período récord en el Atlas del EWG (1972-1994). De Dedrick et al. (2001). Haga clic para ampliar la imagen.

    2. La naturaleza operativa de la producción de cartas.

    Los gráficos producidos para respaldar operaciones o en áreas de gran interés nacional se crean naturalmente con más atención a los detalles y, a menudo, con mayor frecuencia. Por lo general, la zona de hielo marginal del borde del hielo y mares como Bering, Chukchi y Beaufort, que tienen una importante actividad económica en los EE. UU., Reciben una prioridad más alta que el Ártico central, donde las operaciones se realizan con menos frecuencia.

    Una gran proporción de los análisis de NIC son producidos por analistas que son personal militar en rotaciones de dos a tres años. Los analistas varían en habilidad y nivel de capacitación, por lo que es posible un sesgo constante en la producción de un analista en particular. Para mitigar este efecto, el plan de estudios de formación de analistas se codificó y estandarizó a principios de la década de 2000.

    3. Cambios en las convenciones o procedimientos de análisis

    Antes de 1976 y después de 1986, el hielo en el Ártico central se registraba con una concentración de 9 a 10 décimas, si no se sabe que es de otra manera (Partington et al., 2003). Entre esos años, dicho hielo se etiquetó como 10 décimas. Por lo tanto, la concentración del área ártica central puede etiquetarse en el código SIGRID como 92, lo que significa 100 por ciento, o 91 entre 90 y 100 por ciento. En los archivos EASE-Grid, esto es una concentración del 95 por ciento o del 100 por ciento.

    No ha habido cambios en la convención de trazar el borde del hielo como el límite entre la ausencia de hielo y el hielo de cualquier concentración, incluidas las concentraciones de menos del 10 por ciento.

    El hielo fijo se ha trazado continuamente, pero la información parece no ser confiable antes de 1976 (H. Stern, comunicación personal, 2005). Cuando el hielo fijo se rompe, se clasifica como hielo FY o MY, pero esta designación puede no ser coherente con el tipo de hielo que se le asignó antes de convertirse en hielo fijo, si lo hubiera. Si el hielo era MY cuando se formó el hielo fijo, entonces la etapa MY se llevaría a cabo en el polígono resultante para el área de hielo fijo. Si el hielo fijo se formara a partir de hielo joven o nuevo, normalmente se mantendría unido hasta alcanzar una etapa de desarrollo del primer año, por lo que, naturalmente, no sería la misma etapa durante la ruptura que durante la congelación (P. Seymour, comunicación personal, octubre de 2006. )

    Después de 1994, todos los polígonos tenían concentraciones parciales (Ver Figura 6). Solo se informó de manera consistente la concentración total durante todo el período del gráfico operativo.

    No ha habido cambios hasta 2004 en la convención de recodificar todo el hielo en etapas de desarrollo menores de dos años a hielo viejo el 1 de octubre de cada año. (Sin embargo, a partir de octubre de 2005, NIC adoptó la práctica de CIS de recodificar los tipos más jóvenes al segundo año, y el segundo año al MY el 1 de octubre en gran parte del Ártico occidental)

    De 1972 a 1994, NIC produjo cartas del Ártico oriental y occidental separadas. La carta del Ártico occidental se produjo el martes y la del Ártico oriental el miércoles. (En el EWG Atlas, estos se combinan en un archivo para todo el Ártico). Para 1996, NIC comenzó a producir treinta y nueve gráficos regionales no superpuestos como los de la Figura 16. Estos se combinaron en un archivo de todo el Ártico para el archivo en línea, con límites entre regiones igualados por coherencia. Sin embargo, a partir de enero de 2006, NIC adoptó una nueva arquitectura mediante la cual el análisis hemisférico se crea primero con las cartas regionales recortadas después de que se completa todo el hemisferio.

    NIC cambió de producir gráficos semanalmente a producir gráficos quincenales a mediados de junio de 2001.

    En junio de 2003, se formó el Servicio de Hielo de América del Norte (NAIS). Bajo el paraguas de NAIS, CIS, NIC y la Patrulla Internacional de Hielo (IIP) están trabajando juntos para armonizar las prácticas y operaciones de cartografía de Canadá y EE. UU. En apoyo de los requisitos de hielo unidos de EE. UU. Y Canadá. Se producirán más cambios en las prácticas de creación de gráficos en los próximos años.

    4. Introducción de error de transformaciones de datos y reescritura.

    La transformación de los datos de los gráficos de papel o formato vectorial a formato cuadriculado da como resultado una inevitable pérdida de información y la introducción de errores. Estos no se han cuantificado. La documentación relacionada con los conjuntos de datos de precursores ofrece información relevante para comprender esta fuente de error. Consulte también la Nota sobre resolución en la sección Procesamiento de datos.

    Los productos de climatología del conjunto de datos precursores del EWG Atlas utilizaron datos semanales de resolución de 25 km, obtenidos digitalizando a mano gráficos de hielo en papel. Posteriormente, los datos semanales posteriores a 1994 en formato de intercambio de vectores (.e00) permitieron representar la concentración de hielo con una resolución mucho más fina. Encontramos dificultades, parcialmente resueltas en este momento, al fusionar estas dos fuentes de datos relacionadas con las diferencias en la representación de la tierra. La tierra está enmascarada (en realidad incrustada en los datos de origen) a diferentes resoluciones (y puede haber sido determinada de manera diferente en los productos EWG) y cuando se transfiere a una cuadrícula común de 25 km para este conjunto de datos, las diferencias pueden permanecer. La figura 10 muestra un ejemplo para las islas canadienses Queen Elizabeth. En el momento de la publicación de este conjunto de datos (octubre de 2006), nuestra solución es fusionar las máscaras terrestres creando una nueva máscara terrestre donde cualquiera de las antiguas máscaras tenía tierra. Las pruebas preliminares han demostrado que esto es solo una solución parcialmente aceptable, especialmente en el estudio de áreas relativamente pequeñas de hielo fijo cerca de la costa.

    Figura 10. Un ejemplo de la diferencia en la máscara terrestre de los datos de origen para los datos anteriores y posteriores a 1995. El negro es tierra en ambas máscaras, el blanco no es tierra en ambas. El amarillo es tierra en la máscara más antigua pero no en la más nueva, y el rojo es tierra en la máscara más nueva pero no en la más antigua. El área que se muestra es una parte de las islas canadienses Queen Elizabeth.

    Discontinuidades

    Los factores enumerados anteriormente dan como resultado inconsistencias, pero no necesariamente discontinuidades. Según un análisis preliminar, una discontinuidad probablemente se debió a los cambios que tuvieron lugar durante el período 1994-1997. Creemos que las concentraciones totales antes de 1997 tienen un sesgo bajo en relación con las posteriores, debido principalmente a la falta de datos de microondas activos de alta resolución para uso táctico antes de ese año (T. Street, comunicación personal, septiembre de 2005). Otros cambios de 1994 a 1997:

    • NIC hizo la transición a herramientas de análisis de imágenes digitales para imágenes OLS y AVHRR en 1996 y 1997.
    • NIC comenzó a crear análisis regionales en lugar de análisis hemisféricos o semi-hemisféricos.
    • Los archivos de origen para este conjunto de datos cambiaron de los archivos EWG Atlas EASE-Grid a archivos de intercambio ArcInfo (.e00) de NIC.

    Otras discontinuidades se indican en la sección Cambios en las convenciones o procedimientos de análisis de este documento.

    Errores detectados después de la publicación del conjunto de datos en octubre de 2006

    Los usuarios que trabajan con los datos del gráfico han encontrado los siguientes errores, al 20 de enero de 2007.

    • Hay errores en los campos de concentración parcial. Es importante tener en cuenta que los campos de concentración total correspondientes no tienen errores. Por lo tanto, mientras que los campos de concentración total son correctos, los campos delgado, FY y MY no suman los valores de concentración total cuando hay errores en uno o más de los campos de concentración parcial.
    • También puede haber algún error en los campos MY, particularmente durante 1997 a 1998 donde los valores son más altos que en otros años. Esto debe investigarse más a fondo. Por ejemplo, MI hielo apareció y desapareció repentinamente a lo largo de las costas de Labrador y Terranova en 1995 (a partir del 21 de marzo), en 1997 (a partir del 17 de marzo), en 1999 (a partir del 31 de mayo) y en 2002 (a partir del 18 de marzo).
    • A lo largo de 1997, el hielo fino aparece y desaparece de manera poco realista. En la bahía de Baffin y la bahía de Hudson en 2001, el hielo fino desaparece el 12 de marzo, el 19 de marzo y el 2 de abril.
    • En el gráfico de 1978_01_22, hay una gran sección en la bahía de Hudson y la bahía de Baffin con píxeles codificados con un valor de 157. Este valor representa indigital en código SIGRID. En el gráfico de 1979_05_29, aproximadamente en la misma área, hay una gran área de concentración de 0 por ciento o 5 por ciento, cuando la concentración debería ser mucho mayor en la mayor parte del área. Estos errores, combinados, dieron como resultado de 1 a 3 millones. kilómetros cuadrados. subestimación de la extensión total (W. Meier, comunicación personal, 17 de noviembre de 2006).

    Los errores anteriores en concentraciones parciales están en los archivos fuente E00 y no son el resultado del procesamiento. Se han observado dos errores que aparentemente resultaron del procesamiento y se están realizando más investigaciones:

    • Los archivos de hielo fino y concentración total para 1999_12_20 son erróneos: el hielo fino está presente falsamente en todo el Mar Báltico y el Golfo de Botnia, y la concentración total es errónea.
    • Los archivos de hielo fijo y concentración total para 2000_04_24 son erróneos: el hielo fijo está presente falsamente en todo el Mar Báltico y el Golfo de Botnia, y la concentración total es errónea.

    Ver el cartel titulado Cartas operativas de hielo marino: ¿un producto de datos integrado adecuado para observar cambios a largo plazo en el hielo marino del Ártico? por Meier et al., disponible en la página web de publicaciones, carteles y presentaciones del NSIDC, para obtener más información sobre las inconsistencias en los conjuntos de datos.

    Desde 1972 hasta 1995, los gráficos semanales se produjeron manualmente en papel u otro material impreso. (Mientras que los productos se producían en formato analógico, las imágenes de satélite se mostraban y mejoraban o analizaban digitalmente utilizando software de análisis de imágenes personalizado a partir de 1990). Se disponía de tres análisis: Ártico occidental, Ártico oriental y Antártida. (Ver figura 11). También se elaboró ​​un gráfico regional de Alaska a mayor escala entre dos y tres veces por semana. Esto incluyó el mar de Bering y la ensenada de Cook, así como las porciones del sur de los mares de Chukchi y Beaufort. A partir de 1996 y hasta 1997, NIC comenzó a producir análisis regionales para todas las áreas árticas. Una razón de esto fue la creciente disponibilidad de datos de radar de apertura sintética (SAR) de alta resolución (Bertoia et al., 1998). Las imágenes SAR permitieron realizar análisis detallados. Aproximadamente al mismo tiempo, NIC comenzó a utilizar sistemas GIS para análisis, comenzando con el software Geographic Resources Analysis Support System (GRASS) en 1996 y pasando al software Arc / Info del Environmental Systems Research Institute (ESRI).

    Figura 11. Escaneo de un análisis del Ártico occidental de una NIC de febrero de 1992
    Las líneas discontinuas indican áreas para las cuales se estiman o infieren las condiciones del hielo porque no hay datos disponibles. Generalmente, esto se debe a la nubosidad. Haga clic para ver una imagen de alta resolución.

    A fines de la década de 1990, después de que la producción se cambiara principalmente a un entorno digital, NIC suspendió la producción de cartas que cubrían todo el Ártico oriental y occidental porque los productos eran menos útiles operativamente que las cartas regionales de formato más pequeño. Sin embargo, NIC comenzó a producir un producto hemisférico (para todo el Ártico) además de los análisis regionales. Esta línea de productos fue creada en respuesta a una solicitud de NSIDC y el Proyecto de Clima y Criosfera (CliC) del Programa Mundial de Investigación del Clima (WCRP) en nombre de los investigadores que valoraron la instantánea de todo el Ártico y la naturaleza oportuna de los análisis de gráficos de papel del NIC.

    Las figuras 12 y 13 ofrecen una descripción general de cómo se produjeron las cartas NIC en 2006. La información se integra y las cartas se producen dentro de un entorno GIS personalizado. Puede encontrar más información sobre los cambios en las prácticas de creación de gráficos en la sección Evaluación de la calidad de este documento.

    Figura 12. Diagrama de flujo de la producción de diagramas de hielo NIC
    La información del satélite y otros datos se extraen de forma manual y visual principalmente por analistas de NIC que asimilan manualmente la información en productos operativos. Figura 13. Representación pictórica de la producción de gráficos de hielo NIC
    Los datos para los análisis de NIC están disponibles de muchas fuentes en diferentes coberturas y resoluciones (izquierda). Los datos se integran manualmente, lo que da como resultado cartas de hielo regionales muy detalladas (derecha).

    Si bien los análisis de hielo marino de NIC son productos operativos, tienen aplicación para estudios científicos. La serie de gráficos operativos comienza en 1972, seis años antes del registro de concentración de hielo derivado del radiómetro de microondas multicanal de barrido (SMMR) y los instrumentos de microondas pasivos de sensor especial de microondas / generador de imágenes (SSM / I). Los datos pasivos de concentración de hielo por microondas subestiman la concentración de hielo marino. Esto es particularmente cierto en el verano debido en parte al derretimiento encharcado en la superficie del hielo marino (Comiso y Kwok, 1996 Fetterer y Untersteiner, 1998). Los gráficos de hielo muestran consistentemente más hielo del que muestran los datos de microondas pasivos solos, con una diferencia que varía según la estación (Partington et al., 2003). datos pasivos de microondas. Los gráficos del Canadian Ice Service, que no se basan en datos de microondas pasivos, muestran diferencias aún mayores en comparación con los datos de microondas pasivos (Agnew y Howell, 2003). Los datos de concentración de la carta de hielo marino se pueden utilizar para proporcionar una corrección de sesgo a los datos de microondas pasivos y se han utilizado para ese propósito en reanálisis (Rayner et al., 2003).

    Los gráficos de hielo son más precisos y detallados en el borde del hielo que los datos pasivos de microondas porque a menudo se elaboran con datos de mayor resolución. Además, los analistas prestan especial atención a las regiones cercanas al borde del hielo porque las características y la extensión del hielo en la zona de hielo marginal son importantes para las operaciones que tienen lugar dentro o cerca de esa región. (Por el contrario, los analistas generalmente no caracterizan el Ártico central con tanta atención a los detalles, porque la mayoría de las veces no hay operaciones respaldadas allí). La Figura 14 es un ejemplo ilustrativo de cómo la concentración de hielo de los gráficos puede diferir de la concentración de microondas pasiva. datos.

    Figura 14. Diferencias en los gráficos NIC y los datos de microondas pasivos
    Un ejemplo de cómo la concentración de hielo de los gráficos de hielo de NIC y de los datos de microondas pasivos SMMR tienden a diferir. Las imágenes de la tabla de hielo son promedios de las cuatro tablas semanales para el mes indicado. Las imágenes SMMR son del algoritmo de concentración de hielo del equipo de la NASA. Las mayores diferencias se observan en las zonas costeras y en el borde del hielo. También hay grandes diferencias en el paquete central, donde las concentraciones derivadas de SMMR son inexactamente bajas, especialmente en verano. Figura cortesía de H. Stern, diciembre de 2005. Haga clic para ampliar la imagen.

    NIC ha participado en una serie de esfuerzos para hacer que los datos de las cartas de hielo operativas en general, y las cartas de NIC en particular, sean más útiles para aplicaciones científicas. Estos incluyen la participación en el Banco de datos de hielo marino digital global (GDSIDB) en el Instituto de Investigación del Ártico y la Antártida, St.Petersburgo, Rusia, el Grupo de Trabajo Internacional de Gráficos de Hielo (IICWG) con su componente de investigación y dos esfuerzos anteriores para proporcionar gráficos NIC en forma digital para uso en investigación. Esto dio como resultado los productos de datos en el CD-ROM del Atlas del EWG que se describen en la sección Conjuntos de datos de precursores de este documento.

    Las cartas de hielo marino son mapas con áreas que contienen hielo de concentración y tipo similares delimitadas y etiquetadas con un código. Este código (conocido como código de huevo, por su forma) tiene información sobre la concentración total de hielo marino, generalmente dada como un rango (por ejemplo, 7-9, es decir, de 7 a 9 décimas o concentración de 70 a 90 por ciento). El código de huevo para un área en particular también puede tener concentraciones parciales (es decir, concentración por tipo de hielo), información sobre la etapa de desarrollo del hielo (a menudo llamado tipo de hielo, generalmente expresado como edad de hielo, y un proxy del espesor del hielo) e información. en forma de hielo también. El hielo rápido, el hielo tipo panqueque y el hielo descarado son ejemplos de forma de hielo. Como regla general, NIC solo usa la forma de hielo fijo en sus gráficos. Las designaciones de la Organización Meteorológica Mundial (OMM) se utilizan para la etapa de desarrollo y la forma del hielo marino. Consulte la OMM (1970) y las páginas y el glosario Todo sobre el hielo marino del NSIDC para obtener más información sobre los tipos de hielo. El Manual de procedimientos estándar para la observación y notificación de las condiciones del hielo del Servicio Canadiense de Hielo (CIS), o MANICE (Environment Canada, 2005), tiene una buena explicación de cómo se codifica la información del hielo utilizando el código del huevo. La Figura 15 resume la información que se puede codificar.

    Figura 15. Diagrama que describe el código del huevo
    Después de una figura en el Manual de procedimientos estándar para observar y reportar las condiciones del hielo (MANICE), Environment Canada, 2005. Usado con permiso.

    Los servicios de hielo de todo el mundo implementan el código de huevo de diferentes maneras, según la información que los gráficos capturan de forma rutinaria. Las cartas NIC, por ejemplo, nunca han contenido CD, Smi, FD, o Fmi información, pero NIC a menudo utiliza So y SD. Consulte MANICE (Environment Canada, 2005) para obtener más información sobre estos códigos.

    A principios de la década de 1980, la comunidad internacional de gráficos de hielo discutió formas de codificar y preservar digitalmente la información en gráficos de hielo dibujados a mano. Se desarrolló y adoptó un formato llamado Sea Ice Grid (SIGRID) (Thompson, 1981) como formato de la OMM. Esencialmente, un gráfico de hielo marino codificado en SIGRID es un archivo de texto donde la información en cada código de huevo es una cadena de texto. Hay información para cada punto de la cuadrícula. La resolución de la cuadrícula es nominalmente de 15 minutos en latitud y una cantidad variable en longitud.

    Una limitación de SIGRID es que las cartas de hielo son más como datos vectoriales (puntos, líneas, polígono), sin resolución inherente, que datos cuadriculados. Al convertir la información del gráfico en una cuadrícula con puntos fijos, se pierde información. Varios servicios de hielo han adoptado un formato de archivo vectorial, SIGRID-3, que supera esta limitación (Comisión Oceanográfica Intergubernamental, 2004). Consulte Formatos de datos de GDSIDB para obtener una descripción general del desarrollo de SIGRID y referencias relacionadas.

    A medida que NIC pasó a producir gráficos de hielo en un entorno GIS, NIC continuó etiquetando áreas de hielo que tenían características similares (estas áreas se denominan polígonos en el entorno GIS) utilizando el código de huevo (Figuras 16 y 17). Sin embargo, los atributos para cada polígono en la tabla de atributos para cada archivo de gráfico de hielo usan la cadena SIGRID que codifica el huevo de ese polígono (Figura 17).

    Originalmente, las cartas de hielo se digitalizaron para archivarlas y facilitar su uso para la investigación. Ahora, con los gráficos producidos en un entorno digital, hay menos distinción entre el formato operativo o vectorial y el formato de archivo o investigación. Sin embargo, muchos usuarios de NSIDC continúan solicitando gráficos en cuadrícula en lugar del formato vectorial operativo. Una distinción adicional en el caso de este conjunto de datos es que los gráficos de origen recibieron un control de calidad adicional por parte de NIC antes de agregarse al archivo.

    Figura 16. Ejemplo de gráfico regional de NIC
    mostrando polígonos con sus códigos de huevo asociados. A diferencia de los gráficos de escala hemisférica más antiguos, estos se producen completamente en un entorno digital.

    Figura 17. Un ejemplo de un gráfico NIC que muestra cómo se representan los polígonos en las tablas de atributos
    El encabezado de columna que comienza con CT son designaciones de código de huevo, mientras que los números que llenan esas columnas son el código SIGRID.


    Ver el vídeo: Convertir KML a Shape y SHP a KML o KMZ - ArcGIS. MasterSIG