Más

¿Agregar marcador en el centro de los polígonos usando OpenLayers 2?

¿Agregar marcador en el centro de los polígonos usando OpenLayers 2?


He escrito un código para dibujar un polígono a partir del formato WKT. Ahora necesito agregar el marcador en su centro. En el siguiente código he pasado el centro y la forma en formato WKT (extraído de la base de datos).

función drawPolygon (id, forma, centro) {elemento var = forma; var características = nuevo OpenLayers.Format.WKT (). read (elemento); features.geometry.transform (toProjection, fromProjection); var centre_poly = new OpenLayers.Format.WKT (). read (center); centre_poly.geometry.transform (toProjection, fromProjection); var featurePoint = new OpenLayers.Feature.Vector (centre_poly, {externalGraphic: 'img / map-marker.png ">

OpenLayers tiene una función GetCentroid para obtener el centro de un polígono si no desea traerlo directamente de la base de datos:

http://dev.openlayers.org/apidocs/files/OpenLayers/Geometry-js.html#OpenLayers.Geometry.getCentroid

A partir de ahí, debería poder tratar el punto como una característica de punto regular. Vea también este ejemplo: http://openlayers.org/en/master/examples/icon.html?q=marker

var iconFeature = new ol.Feature ({geometry: geometry_from_GetCentroid, nombre: 'Isla nula', población: 4000, precipitación: 500})

¿Cómo tematizar los controles de un mapa Openlayer?

El módulo Openlayers viene con un conjunto predeterminado de mapas. Es posible agregar plantillas de capas, pero parece que los controles son siempre los mismos (ver imagen). Los controles existen de imágenes que se encuentran en un CDN como http://cdnjs.cloudflare.com/ajax/libs/openlayers/2.13.1/img/zoom-plus-mini.png

¿Hay alguna forma de diseñar los controles de los mapas de Openlayer? En otras palabras, ¿aplicarle su propio CSS o imágenes?


4.2 La estructura de los datos espaciales

La estructuración de datos es el método actual adoptado para organizar y almacenar datos en una base de datos. Básicamente, esto significa que, para ser de valor para un SIG, los datos deben procesarse y organizarse en una base de datos de manera que sean significativos y consistentes para una amplia gama de usuarios tanto en el presente como en el futuro. Para que el SIG funcione, se requiere la entrada, en forma digital, de dos tipos de información: (i) dónde se encuentra un objeto en el mapa y (ii) qué representa un objeto en el mapa. Estos dos conjuntos de información constituyen los dos tipos principales de bases de datos que necesariamente deben crearse como parte de un SIG; comúnmente se denominan gráficos (que contienen información geométrica o espacial) y no gráficos (que contienen atributos o códigos de características). bases de datos. Aunque en la práctica algunos SIG almacenan los datos gráficos y de atributos juntos en la misma base de datos, en esta sección solo consideraremos la estructuración de los datos espaciales, la estructuración de los datos no espaciales se examina en la Sección 4.3. Se proporciona más información sobre la importancia de la estructuración de datos en Burrough (1986), Star y Estes (1990), Martin (1991), Bernhardsen (1992) y otros textos básicos de SIG. Rackham y Gower (1993) discuten un modelo importante que describe todas las características (o especificaciones) a las que deben adherirse los datos si van a ser de uso óptimo en un SIG, es decir, en términos de contenido de datos, métodos de clasificación, estructura de datos, captura y actualización de datos, presentación de datos y calidad de datos. Recientemente se ha propuesto un método de inventario de datos para el desarrollo de aplicaciones de SIG de pesca, es decir, dentro de un SIG de pesca marina de África occidental que está desarrollando la FAO (Taconet y Bensch, 1995).

De nuestra breve discusión anterior sobre el modelado, está claro que el SIG debe tener alguna forma de reconocer a dónde se refieren los datos. Una manera fácil de concebir cómo se logra esto es comprender primero que, en esencia, todas las entidades geográficas o espaciales, es decir, el simbolismo que se ha creado en el mapa, pueden subdividirse en solo tres categorías:

i) Puntos. Estos se pueden imaginar como puntos en un mapa. El punto puede representar cualquier cosa que esté ubicada en un lugar, p. Ej. un puerto, un muelle, un criadero, etc. Inmediatamente se notará que, si una característica puede o no representarse como un punto, depende de la escala del mapa en el que se puede mostrar. Así, en un mapa a pequeña escala, p. Ej. 1: 1 000 000, una ciudad se mostrará como un punto, pero la misma ciudad no sería un punto en un mapa 1:10 000.

ii) Líneas. Estos pueden representar cualquier característica lineal, como una carretera, ferrocarril, arroyo o una valla. En la mayoría de las escalas de mapeo, estas características conservarán su forma lineal, aunque, al igual que con los puntos, el grado de detalle y generalización variará con la escala. En la terminología de SIG, el punto en el que dos líneas (también llamadas segmentos, arcos, cadenas o eslabones) se cruzan se llama nodo.

iii) Áreas. Estos representan bloques unitarios 2-D de espacio de superficie. En el SIG o en la jerga del análisis espacial, se denominan polígonos. Pueden ser ZEE, lagunas, manglares, lagos, etc. Cuando se muestran en mapas a una escala muy pequeña, estas características también pueden convertirse eventualmente en puntos.

Obviamente, los propios objetos mapeados también tendrán otra dimensión, la de la altura, y de hecho, los datos sobre esto se compilan y almacenan con frecuencia. Pero para propósitos de GIS y mapeo, la salida física del sistema solo puede ser en dos dimensiones, aunque es posible mostrar imágenes en 3D en la pantalla de la computadora.

Un SIG funciona al tener un sistema de codificación interno que utiliza varias formas de asignar la ubicación a estos tres tipos de entidad espacial. Por lo tanto, los puntos se pueden ubicar fácilmente mediante el uso de un sistema de referencia de coordenadas. Las características lineales se pueden representar dividiendo sus & ldquostretches & rdquo en secciones rectas y luego asignando coordenadas a los nodos en los extremos de cada tramo, y las áreas pueden utilizar coordenadas. para localizar los límites (esquinas) de polígonos cerrados. Al georreferenciar, es importante para el software GIS que se asigne un identificador único a todos los datos, es decir, un identificador que pueda ser reconocido por su etiqueta o coordenada preprogramada, y uno que pueda vincularse a los datos en una base de datos de atributos. Ahora podemos dar algunos ejemplos de referencias geográficas que son aceptables y de uso común.

a) Referencias de cuadrículas topográficas. Todos los mapas oficiales de Ordnance Survey (topográficos) tienen un sistema de referencia de cuadrícula. Esto a menudo se basa en el sistema Universal Transverse Mercator (UTM), pero también se pueden usar otros sistemas de proyección de mapas. Entonces, para cualquier característica puntual, o intersecciones de características lineales, o las esquinas de áreas, etc., se puede dar una coordenada. La precisión de este punto de referencia estará en función tanto de la escala cartográfica como de la tarea que se esté realizando. Una variación comúnmente utilizada de la referencia de cuadrícula es el uso de coordenadas de latitud y longitud.

b) Códigos postales o códigos postales. Estos identificadores generalmente se refieren a un área delimitada para el servicio postal (Figura 4.2). La naturaleza jerárquica de muchos códigos postales permite analizar datos espaciales con diferentes resoluciones.

c) Nombres de calles. Estos se asignan e identifican fácilmente, pero los datos solo se pueden agregar al nivel de la calle, lo que a veces puede ser inconveniente para fines cartográficos. Obviamente, otras características lineales también pueden tener nombres como números de autopistas o nombres de ríos.

Figura 4.2 Ejemplo del sistema de código postal nacional utilizado en los EE. UU. (Según Robinson et al, 1995)

d) Otras unidades aéreas nombradas. Los nombres de las unidades aéreas pueden variar progresivamente en tamaño de aldeas, pueblos, ciudades, estados y países o, obviamente, pueden referirse a otras características no urbanas como lagos, bosques, mares, etc. En muchos casos, la información puede relacionarse con áreas que han sido creado (y etiquetado) para fines especiales tales como áreas de conservación, zonas de vegetación natural, áreas de fuerza de ventas, divisiones del mar, áreas de estadísticas pesqueras, etc.

e) Nombres de las divisiones del censo. Muchos países han dividido su área, con el propósito de recopilar censos y otros datos sociales o económicos, en una jerarquía de áreas reconocidas de distritos o distritos.

Habiendo establecido que existen los tres tipos de datos espaciales (puntos, líneas y polígonos), y que estos se pueden georreferenciar de varias maneras, ahora es importante mostrar cómo estas características pueden estructurarse mejor de manera que el software SIG las entienda. .

Las estructuras de datos más exitosas son aquellas que ofrecen la mayor flexibilidad en las diversas manipulaciones y análisis que se describirán en el Capítulo 6. Hay dos estructuras organizativas de datos básicas (también llamadas modos, modelos o formatos) que los programas SIG utilizan para datos espaciales: (i) el modo vectorial y (ii) el modo ráster, aunque Cassettari (1993) brinda información sobre otras formas de estructurar los datos. En la Figura 4.3 se muestra una comparación simple entre el modelo vectorial (A) y el modelo ráster (B).

Figura 4.3 Comparación entre el modelo vectorial (A) y el modelo de datos ráster (B)

4.2.1 La estructura de datos vectoriales

En la estructura de datos vectoriales, los puntos, líneas y polígonos se registran en términos de sus coordenadas geográficas xey. Por tanto, la estructura de datos vectoriales se ocupa de los límites. En términos prácticos, esto significa que la persona que opera el SIG, para cualquier tarea de SIG en particular, habrá instruido al software sobre los posibles extremos del mapa, es decir, una referencia geográfica para la esquina superior derecha y la esquina inferior izquierda. El detalle de la georreferencia en términos de su precisión de medición, p. Ej. las referencias de cuadrícula a cuatro lugares decimales determinarán la precisión del mapa terminado. Cuando los detalles particulares del mapa (coordenadas) se ingresan en la base de datos gráfica, deben tener referencias geográficas que estén dentro de los extremos del mapa según lo programado. Obviamente, para el dibujo de cualquier mapa en particular, pueden ser necesarios muchos miles de coordenadas. Junto con los datos de coordenadas, se ingresan instrucciones sobre qué puntos a lo largo de una línea están conectados o desconectados. Estas instrucciones activarán las funciones & ldquopen up & rdquo o & ldquopen down & rdquo durante el dibujo del mapa. Para obtener curvas o parábolas perfectas que, si se dibujan en detalle, podrían implicar la entrada de cientos de coordenadas, es posible simplemente ingresar cualquier función de ecuación de curva que el GIS reconozca o se puede hacer el uso de funciones spline (ver Burrough , 1986 o Laurini y Thompson, 1992, para más detalles).

La base de datos de gráficos vectoriales real que se construye para almacenar la información de ubicación en las entidades mapeadas (puntos, líneas o polígonos) estará en un formato digital codificado. La asignación de identificadores únicos a los objetos mapeados a menudo se basará en un sistema de codificación jerárquica como se muestra en la Figura 4.4. Aquí podemos ver que hay grupos de objetos importantes y dentro de cada uno de ellos puede haber varios niveles de subcategoría. La base de datos en sí podría consistir en una cadena de números, una parte de los cuales podría leer:

Esto sería inteligible para el software GIS como:

Número-5= Inicio de la secuencia de dibujo
4100= identificador único
48= grosor de la línea a dibujar
31864= primera coordenada este
68943= primera coordenada de norte
42795= última coordenada Este
98052= última coordenada de norte
-5= fin de la secuencia de línea - comienzo de la siguiente secuencia

Por lo general, habría una cadena separada de números para cada tipo de objeto en el mapa y todos los tipos de objetos deberían registrarse en un sistema de georreferenciación similar. Este tipo particular de cadena numérica claramente podría usarse para producir una imagen mapeada que estuviera compuesta por líneas, puntos y límites de polígono. Es normal que todas las coordenadas de una base de datos se refieran a una sola clase de objetos, p. Ej. fronteras costeras, carreteras, ríos, etc. Cada una de las bases de datos se puede utilizar para producir un solo "ldquolayer" mapeado y varias "ldquolayers" se pueden superponer para producir un único mapa vectorial (Figura 4.5).

Figura 4.4 Codificación numérica asignada a datos gráficos vectoriales para identificar diferentes categorías de objetos

Figura 4.5 Un modelo que muestra las capas utilizadas para construir un mapa vectorial básico de la zona costera

La estructura de datos vectoriales se puede subdividir en dos modelos. Cuando los datos vectoriales están en forma burda, podrían consistir simplemente en cadenas de líneas que siguen las coordenadas que se han ingresado en la base de datos. Es posible que las líneas no estén conectadas, que se crucen entre sí, que los límites comunes se hayan registrado dos veces y, por lo general, los datos no tengan una estructura lógica. Esto se llama datos & ldquospaghetti & rdquo. Aunque se puede presentar de manera eficiente en la pantalla o imprimir, es decir, porque sus coordenadas se registran en una tabla de atributos, puede ser de poca utilidad para un SIG porque se desconoce la relación entre puntos, líneas y polígonos. Para la búsqueda o el análisis geográfico, se debe utilizar el segundo modelo vectorial, es decir, el modelo topológico (o "vectores inteligentes"). En la Figura 4.6 se muestra una estructura de datos topológicos vectoriales. Esta estructura se ocupa de establecer la ubicación de los objetos entre sí, definiendo la conectividad, la adyacencia y la contención. En topología, los puntos finales y la intersección de líneas se registran como nodos, las líneas son enlaces entre los nodos y las áreas encerradas definidas por una cadena de enlaces se registran como polígonos. La estructura topológica permite que las relaciones espaciales se definan explícitamente en una base de datos de atributos según la codificación topológica que se muestra en la Figura 4.6. Una vez que se ha establecido la topología para cualquier capa mapeada, es más fácil actualizar los datos, lo que significa que los requisitos de almacenamiento de información son menores, ya que no es necesario ingresar dos veces los datos de las líneas o nodos compartidos. También significa que entonces se pueden realizar muchas funciones analíticas o de manipulación de SIG verdaderas.

4.2.2 La estructura de datos ráster

Esta estructura de datos no se ocupa de los límites sino del espacio entre los límites, es decir, a todas las áreas del mapa se les debe asignar un atributo o un valor para este atributo. Los límites solo están implícitos como mentiras donde ocurren los cambios de valor. La estructura básica de la trama, que cubre la misma área & ldquomapped & rdquo como se muestra en la Figura 4.6, se muestra en la Figura 4.7. A veces se le llama modelo de cuadrícula porque los datos se almacenan en una matriz de celdas (que a su vez se pueden llamar píxeles). Estas celdas suelen ser cuadradas, pero pueden ser rectangulares, triangulares o hexagonales, o incluso cualquier forma regular que sea capaz de teselar. La estructura de datos ráster se favorece para el mapeo donde los principales objetos tratados son unidades de área espacialmente extensas, es decir, en lugar de unidades lineales o puntuales.

Está claro que la resolución de los objetos representados utilizando esta estructura de datos dependerá completamente del tamaño de las celdas utilizadas. Una comparación de las Figuras 4.6 y 4.7 deja en claro que el uso del formato raster puede producir mapas que tienen una resolución muy cruda, pero que requieren poco espacio de almacenamiento en la computadora. Además, dado que cada celda solo puede registrar un valor por tema de mapa, es importante recordar que este valor será el & ldquoaverage & rdquo o el valor modal de todas las variaciones dentro de una celda, o puede ser el valor obtenido en el punto central de la celda. Valenzuela y Baumgardner (1990) han señalado la importancia de seleccionar un tamaño de celda apropiado para dividir cualquier área mapeada, y este tamaño será un reflejo de varios factores, como la precisión de los datos originales, los propósitos de la ejercicio de mapeo, y la disponibilidad de espacio de almacenamiento en disco de computadora.

La georreferenciación, y por lo tanto la ubicación, en la estructura ráster se realiza mediante codificaciones alfanuméricas simples para columnas y filas de celdas verticales y horizontales. Cada código normalmente corresponderá a un objeto en el mapa, aunque también puede corresponder a un valor de reflectancia o sombreado de color diferente, es decir, según los sombreados de puntos de píxeles que componen una imagen de periódico o los valores de reflectancia que se obtienen a través de un satélite RS imagen. Al igual que el modelo vectorial, los mapas ráster también se crean en capas temáticas. Sin embargo, en la estructura ráster puede ser necesario tener muchas más capas; esto se debe a que solo hay un valor por píxel y, por lo tanto, este valor no puede contribuir a una tabla de atributos detallada.

Utilizando la estructura ráster es esencial registrar algún valor para cada píxel (celda). Esto puede dar lugar a requisitos de almacenamiento de datos muy grandes, especialmente si se utiliza una resolución de píxeles fina. Por ejemplo, una sola imagen Landsat Thematic Mapper contiene aproximadamente 35 millones de valores de píxeles. Para superar este problema, se han ideado dos técnicas principales de compresión de datos:

(a) Codificación de longitud de ejecución. La Figura 4.7 muestra cómo se ha aplicado la codificación de longitud de ejecución al mapa que se muestra. Dado que muchas celdas adyacentes comparten el mismo valor, para cada fila solo es necesario especificar un valor de celda y un número de columna donde ese valor comienza y termina.

Figura 4.6 Un mapa vectorial simple que tiene un punto, líneas y un polígono con su codificación topológica asociada

Figura 4.7 Un mapa ráster simple más la estructura de codificación de longitud de ejecución utilizada para el almacenamiento de datos

(b) Quadárboles. Esta técnica se basa en la subdivisión sucesiva del área en estudio en cuadrantes cada vez más pequeños, es decir, según que áreas de valor similar estén o no totalmente en el cuadrante. El nivel más bajo de subdivisión es un solo píxel. La figura 4.8 (b) muestra la subdivisión sucesiva del área punteada en 4.8 (a). Esta subdivisión se muestra típicamente en un quadtree 4.8 (c). Aquí se puede ver que hay enlaces y nodos en un árbol dirigido a partir del nodo raíz. De cada nodo hay cuatro & ldquoedges & rdquo que representan los cuatro cuadrantes de N.W., N.E., S.W. y S.E. Los subcuadrantes solo emanan de los nodos que se muestran como subdivididos en el mapa ráster, es decir, los datos solo deben guardarse para las celdas que tienen el & ldquovalor & rdquo de la capa que se está codificando. Es posible ahorrar al menos un 50% en el volumen de datos mediante el uso de quadtrees. Bonham-Carter (1994) proporciona una comparación interesante entre un mapa raster y vectorial en términos de la cantidad de espacio de almacenamiento digital requerido (Figura 4.9). Por lo tanto, el mapa A es una imagen ráster y, dado que 1 byte equivale a 1 píxel, requiere 709 042 bytes de almacenamiento. La versión codificada de longitud de ejecución requiere 21 903 bytes y la versión quadtree 19 473 bytes. El mapa B, la versión vectorial, requiere 17 890 bytes.

Figura 4.8 Tres etapas en la construcción de una estructura de codificación de datos Quadtree (de Burrough, 1986)

Figura 4.9 Comparación de un mapa ráster (A) con un mapa vectorial (B) (consulte el texto para obtener más detalles)

Las ventajas y desventajas de cada estructura de datos se muestran en la Tabla 4.1. Los avances en SIG se encuentran ahora en una etapa en la que todos los paquetes SIG sofisticados pueden manejar tanto el procesamiento raster como vectorial y es probable que la gran mayoría de las entradas de datos en el futuro estén en formato raster.

Tabla 4.1 Una comparación de modelos de datos vectoriales y ráster

1.Tiene una estructura de datos simple.
2. Las operaciones de superposición se implementan de manera fácil y eficiente.
3. Las tecnologías de escaneo pueden proporcionar grandes cantidades de datos a bajo precio.
Las técnicas de procesamiento de imágenes producen datos para su integración en SIG en formato ráster.
5. El análisis de áreas y polígonos es simple.
6. La superposición y la fusión se realizan fácilmente.
7. La tecnología es barata y en el futuro tendrá mayores ventajas económicas.
8. Es muy adecuado para subdividir variables espacialmente continuas.
Desventajas
1. El gran volumen de datos que se almacenarán y manejarán puede ser muy alto.
2. Puede haber una gran pérdida de detalles con tamaños de píxeles más grandes (resolución deficiente).
Los mapas finales pueden ser bastante toscos, especialmente los producidos con software SIG más económico.
4. El análisis de tipo lineal es más difícil.
Las relaciones topológicas son difíciles de representar.
MODELO VECTORIAL
Ventajas
1.Tiene una estructura de datos relativamente compacta, por lo que los requisitos de almacenamiento son menores.
2.Las funciones se pueden ubicar con precisión.
3. La topología se puede describir completamente con enlaces de red.
4. Se pueden mostrar características muy pequeñas y todas las características se pueden dibujar con precisión.
5. Los datos sobre características individuales se pueden recuperar fácilmente para actualizarlos o corregirlos.
6. Los análisis de tipo lineal se realizan fácilmente.
Desventajas
1. Tiene una estructura de datos más compleja.
Las operaciones de superposición son difíciles de implementar.
3. La representación de alta variabilidad espacial es ineficiente.
4. La manipulación y mejora de imágenes digitales no se pueden realizar de forma eficaz.
5. La captura de datos puede ser muy lenta.
6. Los análisis de áreas o polígonos son difíciles.
7. Esta es generalmente una estructura de datos más cara en términos de captura de datos y compra de software.

Debemos concluir esta discusión sobre la estructuración de datos espaciales mencionando la tercera dimensión. Para construir una base de datos estructurada que contenga & ldquoaltitude & rdquo, o para aplicaciones marinas & ldquodepth & rdquo, se utilizan redes irregulares trianguladas (TIN). Estos consisten en una serie de polígonos que no se superponen, cada uno de los cuales define una superficie plana, que cubre completamente la superficie topográfica (Figura 4.10). Cada vértice de un triángulo está codificado con su ubicación y tiene una altura asociada. Dada esta información, el TIN se puede reproducir como un modelo de elevación digital en 2.5-D, cuya resolución detallada depende de la precisión del TIN original. Para modelar volúmenes de forma estructurada, se necesita un sistema de georreferenciación que codifique en los ejes x, y y z. Una forma de hacer esto es extender el concepto de ráster de usar una matriz de píxeles celulares para modelar la dimensión agregada, es decir, un cuadrado 2-D se convierte en un cubo 3-D. Estos cubos se han denominado vóxeles (elementos de volumen). La georreferenciación y los atributos se pueden asignar como en la estructuración de datos ráster. Gargantini (1989) describe el trabajo que se está realizando en & ldquooctrees & rdquo, es decir, como los quadtrees son una forma de comprimir datos de píxeles, estas son formas de estructurar datos que están en vóxeles. Claramente, el uso de vóxeles eventualmente será esencial en gran parte del trabajo de SIG en pesquerías marinas, pero hasta el momento se han utilizado principalmente en el campo de SIG geológico.


Métodos

Después de la aprobación de la junta de revisión institucional, los datos clínicos sobre los hallazgos de la TEM, los detalles operativos y los datos de los resultados clínicos se obtuvieron mediante una revisión retrospectiva de 144 pacientes que se sometieron a la TEM en el Baystate Medical Center en Springfield, Massachusetts, EE. UU., Desde noviembre de 1993 hasta octubre de 2004.

Un mapa de la topología rectal se desarrolló por primera vez en el SIG, destacando las características anatómicas existentes. En el quirófano, el cirujano registró la ubicación de cada lesión encontrada endoscópicamente en términos de la posición de la esfera del reloj (trasladada a grados radiales de 0 a 360) y la distancia (cm) desde la línea dentada, una zona de transición entre el ano y el recto. A continuación se describe cómo se representaron tanto el tipo de lesión como la topología rectal en dos y tres dimensiones en un Sistema de Información Geográfica (SIG). Se utilizó un sistema de coordenadas cilíndrico para convertir datos de dos a tres dimensiones, utilizando ArcGIS [9].

Renderizado bidimensional (2D)

La figura 1 muestra un esquema del esquema de anatomía rectal propuesto. El recto se representa en dos dimensiones mediante una proyección cilíndrica: un cilindro dividido longitudinalmente y extendido sobre una superficie plana. Las características anatómicas o lesiones en la pared del recto se trazan en el eje x en cuatro escalas diferentes: grados radiales, centímetros, posición de la esfera del reloj y cuadrante. Los grados radiales se convirtieron a centímetros mediante una función trigonométrica simple basada en el diámetro del alcance (esto se detalla en el Apéndice 1). La distancia a lo largo del colon rectosigmoideo desde la línea dentada se representó en el eje y en centímetros.

Esquema de regiones anatómicas del recto.. La posición del eje X en la pared rectal en cuatro escalas diferentes: grados radiales, posición de la esfera del reloj, cuadrante y radianes. El eje Y representa la distancia desde la línea dentada en centímetros. Tenga en cuenta que el límite de la característica de reflexión peritoneal está representado por una onda sinusoidal, y los límites de otras características comunes, así como el límite del rectoscopio, están representados por líneas rectas.

La Figura 2 muestra el esquema de la Figura 1 traducido a un mapa de topología rectal en el GIS, destacando las características anatómicas clínicamente relevantes. El mapa se definió mediante ecuaciones y límites discretos que permitían una representación simplificada de un órgano humano bastante complejo, al tiempo que conservaban la utilidad a través de su capacidad para dividir de forma lógica y categórica las variables de acuerdo con las relaciones contextuales.

Coordenadas y polígonos delimitadores para regiones anatómicas. La distancia y la posición en la pared rectal se ingresaron en el GIS y se trazaron como puntos en un plano bidimensional. El eje x representa la posición en la pared rectal, medida en grados radiales, centímetros, posición de la esfera del reloj o cuadrante. El eje y representa la distancia desde la línea dentada medida en centímetros. A continuación, se crearon polígonos mediante la digitalización a partir de coordenadas delimitadas.

Para construir el mapa, el recto se dividió en regiones (polígonos) delimitados horizontalmente por los límites de los puntos de referencia anatómicos y verticalmente por cuadrantes direccionales (Figura 1). La posición en la pared rectal y la distancia desde la línea dentada para las coordenadas limítrofes de estas regiones se ingresaron en una tabla de atributos en el SIG y se trazaron como puntos (los detalles de la Figura 2 se proporcionan en el Apéndice 1). La reflexión peritoneal (un límite posicionado oblicuamente entre la cavidad abdominal y la pelvis) se representó como una onda sinusoidal, con valores de y calculados en función de la posición en la pared rectal. Posteriormente se crearon polígonos digitalizando estos puntos (Figura 2).

Las lesiones detectadas en TEM se representaron como puntos en el SIG convirtiendo su distancia y la posición de la esfera del reloj en valores xey. Los datos de atributos para cada lesión consistieron en las características patológicas (tamaño de la lesión, histología, presencia de márgenes positivos en la escisión, si la lesión fue una recurrencia) y la ocurrencia de falla del procedimiento, que se definió como ruptura peritoneal o conversión a cirugía abierta. Usando una operación de punto en polígono, el nombre de cada región anatómica se adjuntó a las lesiones (puntos) dentro de ella. A continuación, se agregaron los datos de atributos de las lesiones en las regiones, de modo que se pudiera calcular una tasa o valor resumido de varios atributos de lesión para cada región y visualizarlos mediante el mapeo de coropletas.

Visualización bidimensional (2D) y análisis estadístico

Visualización y análisis espacial exploratorio

Inicialmente se utilizó un mapa de puntos para mostrar la ubicación de la lesión como puntos. A continuación, se utilizó el mapeo de coropletas para resumir varias características patológicas y tasas de falla del procedimiento para la región anatómica (polígonos). Los mapas se inspeccionaron visualmente para identificar patrones y generar hipótesis sobre la relación de las características de la región y la falla de procedimiento, para ser probadas con modelos matemáticos. La autocorrelación espacial (agrupamiento) de las tasas de falla en las regiones anatómicas (polígonos) se probó utilizando la estadística I de Moran [11].

Modelo matematico

Se utilizó la regresión ordinaria de mínimos cuadrados para modelar los factores clínicos y de ubicación en el fracaso del procedimiento. La unidad de análisis en la regresión fue la región anatómica. La tasa de fracaso de cada región fue la variable dependiente. La inspección visual del mapa de coropletas de las tasas de falla regional y la comparación con los mapas de coropletas de otras características patológicas regionales (por ejemplo, el tamaño medio de la lesión o el porcentaje de lesiones con márgenes positivos) sugirió las variables independientes para la regresión.

A continuación, se aplicó una estadística I de Moran global [10] a los residuos de regresión para probar la autocorrelación espacial (agrupamiento). Un hallazgo significativo de esta estadística confirma la presencia de variación espacial en los datos que no se explica por el modelo de regresión e indica la conveniencia de ajustar un modelo con dependencia espacial. La regresión espacial modela variaciones a gran escala en la variable dependiente debido a la ubicación espacial de las regiones y otras covariables y la variación a pequeña escala debido a interacciones con vecinos. En este análisis, se utilizó la regresión de mínimos cuadrados generalizados con una matriz de contigüidad de vecindad de primer orden (torre) y una estructura de covarianza espacial autorregresiva condicional [11]. La extensión S-Plus para ArcView GIS [12] se utilizó para todos los análisis.

Representación tridimensional (3D)

En tres dimensiones, el recto se representó como un cilindro y las regiones anatómicas se representaron como particiones del cilindro. Las coordenadas cilíndricas delimitadoras de cada partición derivadas en 2D (θ, d) se convirtieron a coordenadas cartesianas (xyz) utilizando funciones trigonométricas (Apéndice 1). El negativo de la distancia desde la línea dentada (la coordenada y en 2D) representa el factor z. El resultado se convirtió en una serie de puntos superpuestos a diferentes alturas (valores z de 0, 2, 13, 18 y 26 cm) en un patrón circular.

Luego, se creó una clase de entidad de línea uniendo conjuntos de puntos cada 5 grados alrededor de la circunferencia. Se asignaron segmentos de línea a las diferentes particiones que representan las regiones anatómicas de acuerdo con los grados radiales abarcados. La distancia se asignó como el valor z para los segmentos de línea, con las entidades de línea disueltas en el nombre de la región. Los datos fueron posteriormente mostrados en ArcScene [9] usando la base de cada región como su altura base y su valor z o distancia desde la línea dentada como factor de extrusión. A continuación, se superpuso el mapa 3D de lesiones y se animó todo el mapa en ArcScene.


Crear un punto o vértice en una ubicación x, y exacta (x, y absoluta)

Absolute X, Y le permite crear un punto o vértice usando una ubicación x, y exacta. Por ejemplo, puede usar una x, y absoluta para crear un nido de pájaro en una base de datos de hábitat de animales con coordenadas x, y obtenidas de una unidad del Sistema de posicionamiento global (GPS).

Puede especificar la ubicación como un par de coordenadas de longitud y latitud, una ubicación del Sistema de referencia de cuadrícula militar (MGRS), una ubicación de la cuadrícula nacional de EE. UU. (USNG) o una coordenada de Mercator transversal universal (UTM). Si ingresa un par de coordenadas, verá dos cuadros en el cuadro de diálogo, en comparación con un cuadro para las ubicaciones de la cuadrícula.

Para obtener más información sobre los formatos válidos al ingresar ubicaciones, consulte Acerca de las unidades de distancia y la edición.

Para crear una entidad de puntos

Haga clic en una plantilla de entidad de puntos en la ventana Crear entidades y haga clic en la herramienta Punto .

Para crear un vértice en una línea

Haga clic en una plantilla de entidad de línea en la ventana Crear entidades y haga clic en la herramienta Línea .

Para crear un vértice en un polígono

Haga clic en una plantilla de entidad poligonal en la ventana Crear entidades y haga clic en la herramienta Polígono .


Discusión

Los resultados que se muestran en la Tabla 2 confirman el hecho de que, para gráficos grandes, el tiempo de ejecución de la búsqueda de ruta más corta con el enfoque propuesto sería menor que el tiempo de ejecución obtenido con los enfoques clásicos.

Si en el proceso de reducción obtenemos una gráfica GRAMO = (V r, mi r), tal que n 1 = | Vr | = n, la complejidad temporal de ambos algoritmos (Dijkstra y MDijkstra) debe ser similar. Sin embargo, como no es práctico obtener una heurística óptima para este propósito, podemos afirmar que la propuesta obtiene una respuesta en un tiempo de ejecución menor que el algoritmo de Dijkstra y A * si una condición n 1 = | V r | ≤ n se satisface. Así, si asumimos que tenemos memoria suficiente para almacenar gráficos reducidos, el enfoque propuesto es mejor que los algoritmos de Dijkstra y A * teniendo en cuenta que si reducimos el gráfico original como se propuso anteriormente, siempre podemos obtener una respuesta en un tiempo de ejecución menor. The proposal is not useful when the available memory is low and does not permit to store reduced graphs.

In the case of the run time of Algorithm 3 (MDijkstra) on the graph GRAMO r 1.2, the obtained time is higher than the one obtained by A* algorithm. The reason of this result is that the graph GRAMO r 1.2 has a number of vertices considerably higher than the square root of the number of vertices of GRAMO 1. Notice that we state that the number of vertices of the reduced graph must be less than or equal to the square root of the number of vertices of the original graph. In the case of the graph GRAMO r 2.2 a lower run time than the one obtained by A* algorithm is achieved, although the number of vertices is higher than the square root of the number of vertices of GRAMO 2.

The selection of origin and destination of the shortest path search in a GIS is usually made using a map, i.e. a user selects these points by clicking in the map shown by the GIS. We believe that, at any time that a user selects an origin or a destination point, the GIS can make an expansion of the reduced graph, using the extent of the map that is visualized and the selected point. If a system for shortest path search is implemented in this way, the time needed to expand a reduced vertex would be irrelevant for the shortest path search, considering that the temporal complexity of expanding a reduced vertex is O(a), donde a=metro a X<|A I|, A IPAG>.

Most algorithms developed lately for shortest path search make efficiency improvement by reducing the search space, these approaches cause loss in accuracy. The presented approach makes use of a graph reduction algorithm without loss of information, in order to obtain a better run time of the search. This approach maintains the accuracy because the reduction algorithm guarantees no loss of data (see Table 1).

Generally, heuristic algorithms are developed in order to reduce the run time of a specific algorithm, which solves some problems whose optimal solution involves a high computational cost. Many heuristic algorithms are developed for shortest path search in GIS, with the assumption that a low bound of error is admissible in this area. However, with the proposed approach, it is possible to obtain the optimal path in a similar time, and even in less time, than with heuristic algorithms, as shown in Table 2.


Reporting Services Map Control

Map visualizations use a layer concept. The background or base map (for example, the map of the world) is overlaid with one or more layers of spatial information and database information. Spatial information might consist of sets of polygons like your sales territories, linestrings like roads or rivers, or points like store locations. One of the most common types of map for analyzing business data is a choropleth, a thematic map in which areas are shaded in proportion to the statistical variable you’d like to analyze. For example, a choropleth map showing sales by state in the United States might look like the screenshot in Figura 1. Add a second layer that shows the location of your stores, and you have another layer of analysis available.


Figure 1** Choropleth Map of Sales in the U.S. by State**

As a report programmer, you can access SQL Server 2008 R2 Map Control through either Report Builder 3.0 or a Reporting Services project in Business Intelligence Development Studio (BIDS). The Map appears as one of the choices on the main Report Builder template. In a BIDS project, you add a Map Control to a report by dragging it from the toolbox. Either way, the map wizard walks you through the basics.

First, you choose your base map using the New Map Layer dialog. The base map can come from the built-in Map Gallery, an ESRI shapefile (a standard data format for representing geospatial data), or a SQL Server spatial query. This is shown in Figura 2.


Figure 2 ** New Map Layer Dialog in SSRS 2008 R2**

If you choose a SQL Server spatial query, you’ll obtain map data from a spatial column in a SQL Server table. The wizard walks you through creating a Data Connection when you are creating a query with the Query Designer. Your query must contain at least one column of data type geometry or geography or you’ll get an error. The next dialog, Choose Spatial Data and Map View options, allows you to choose a spatial field (in case your query includes multiple spatial fields) and a Layer Type as shown in figura 3. Ordinarily, a spatial column in a table will contain all points, all linestrings or all polygons, and the Map wizard looks at the data and returns the kind of layer type that corresponds. You can change the layer type however, if you choose a field that contains all polygons (or multipolygons) but select Layer Type: Point, no map data will appear in the preview pane. One nice feature is the option to include a Bing Maps background, so if you have point data, you can use Bing Maps tiles as the base map background for your map control. With Bing Maps tiles as a background, you can choose Street Map, Aerial, or Hybrid view. If you choose Bing Maps, your spatial data will be layered on top of the Bing Map base layer.


Figure 3** Choose Spatial Data and Map Options**

Once you have set your base layer or layers, you’re presented with a set of map type choices, which vary depending whether your spatial data consists of points, linestrings or polygons. For example, if your layer contains polygons, you can choose between Basic Map (just the spatial data you’ve selected), Color Analytical Map (the choropleth maps mentioned earlier where the color of each polygon is based on an analytic variable), or Bubble Map (where a symbol in the center of each area is sized proportionally by an analytic variable). Linestring data gives you a choice of Basic Line Map or Analytical Line Map. Point data gives you a choice of Basic Marker Map, Analytical Marker Map or Bubble Map. The choropleth map in Figura 1 is a Color Analytical Map produced by the wizard.

Choosing a color analytical or bubble map leads to a panel that lets you select the data column to analyze. This data may be in the same dataset as your spatial data or in a different dataset with a related field. For example, you might have a table that contains state information and another table that contains SalesTotals for each state. Although the map shape data can only come from shapefiles, map gallery or SQL Server spatial tables, the analytic data can come from any data source, including SQL Server Analysis Services.

After you’ve chosen your analytic data source, if needed, the final panel allows you to choose common visualization aspects, such as the size of bubbles in a bubble map or polygon colors, to visualize data. You can also choose whether your layers’ labels will appear. For example, if your map consists of polygons that represent shapes of states, the label might be the name of the state. Bear in mind that labels only appear in polygons where the polygon is large enough to hold the text.

Of course, as with wizard-based development in general, the wizard only scratches the surface of what you can do. The Map portion of the control is contained within a Viewport, which is a separate control that enforces the boundaries of the map on the report page. The map control properties are divided roughly into Viewport Properties, Map Properties and Layer Properties. You can change the properties using either the context menus or a more detailed view provided in the Properties Windows. The set of properties that you see in the corresponding Properties Window depend on which part of the Map Control has the focus.

The Map Projection is specified in the Viewport’s properties. Your choices depend on the spatial column type you’re using in the layer, and it’s important to realize how your data and SRID (spatial reference ID) affects your choice. To start with the simplest case, suppose you’d like a map of the layout of your company’s warehouse (a physical warehouse where goods are stored, not a data warehouse). You’d likely measure the warehouse, draw a floor plan, and map the placement of the goods based on their location in the floor plan. In this case, the distance being mapped is so small that the fact that the Earth is round rather than flat does not matter. You’re measuring in terms of a geometric coordinate system (X and Y coordinates) and SQL Server’s geometry data type. In this case, you set the Viewport’s Coordinate System property to Planar.

The more common case is that you’re plotting positions on the Earth in terms of latitude and longitude. Your map data contains latitude and longitude, so you’re probably using the geography data type. To produce a flat map from the earth (which is technically an oblate spheroid), the map control provides a set of map projections. To use the map projections appropriately, your geography data type column should be using SRID 4326, 4269 or one of the other common Earth-related SRIDs that the map control is expecting. In this case, you set the Viewport’s Coordinate System property to Geographic and choose a map projection as the Viewport’s Projection property list.

The last case is when your data is using a projected coordinate system. In this scenario, you’re using SQL Server’s geometry data type, not geography. The map control will do nothing to project the data, because the projection information is already part of the data type itself. Common SRIDs for the projected coordinate system include the State Plane data projection or the British National Grid. In this case, you set the Viewport’s Coordinate System property to Planar.

The reason I mention all this is that, except for projecting geography coordinates (which are assumed to be 4326 - WGS84 coordinates), the map control will not automatically reproject between different coordinate systems. For example, you can’t mix a Bing Maps Tile Layer (geographic) with a British National Grid Layer (planar) on the same map. The result wouldn’t be pretty.

The big win with the Reporting Services 2008 R2 Map Control is that the SQL Server spatial data is automatically visualizable in a variety of map formats. Correlations between the business data and spatial data are easy to accomplish with the wizard, and all the additional power you need is available with a host of customizations through properties. One of my favorite (nonspatial) features of the map control is the ability to enable drilldown through the normal “Action” mechanism in SQL Server Reporting Services. Simply select the Action tab in the Map Properties dialog and you can link together reports that contain maps that show Sales by Country on a World map, then drill down to State or Region, then to City. At the City level, you could add a point layer with the location of your stores. For additional information about preparing and using spatial data with the SQL Server 2008 R2 Reporting Services map control, see Ed Katibah’s excellent blog series starting at blogs.msdn.com/edkatibah/archive/2009/05/09/cartographic-adjustment-of-spatial-data-for-sql-server-reporting-services-part-1.aspx.


Geometry & 3D

Distance and Measurement

It is especially useful to have small, focused libraries that perform distance measurement, and conversion operations, such as finding the area of a geo-fence or converting miles to kilometers. The following libraries work with GeoJSON formatted objects representing geographic space.

  • Geolib provides distance (and estimated time) calculations between two latitude-latitude coordinates. A handy feature of Geolib is order by distance, which sorts a list or array by distance. The library also supports elevation.
  • Turf.js, which is described in the next section, also provides a distance function to calculate the great-circle distance between two points. Additionally, Turf.js calculates area, distance along a path, and the midpoint between points.
  • Sylvester is a library for geometry, vector, and matrix math in JavaScript. This library is helpful when basic measurement of lines and planes is not enough.

While the above libraries work well for 2D projections of geography, three-dimensional GIS is an exciting and expansive field—which is natural because we live 3D space. Fortunately, WebGL and the HTML5 canvas have also opened up new 3D techniques for web developers.

  • Three.js is a JavaScript library for geometric and mesh objects. The Three GeoJSON extension to Three.js provides a simple way to render GeoJSON objects on 3D planes and spheres.
  • The OSM Buildings project allows the map designer to represent buildings as 3D objects on a 2D map. The project uses OpenLayers and Leaflet. This can be used to great effect, for example Tom Holderness used OSM Buildings to map London.

Here’s an example of how to display GeoJSON Features on a 3D object:

You can also check out Byron Houwen’s article on WebGL and JavaScript, which shows how to create a terrain map of earth with Three.js


Diverso

Geoprocesamiento

The following plugins perform several sorts of geoprocessing (mathematical and topological operations on points, lines and polygons).

PluginDescripciónMantenedor
Proj4Leaflet Proj4js integration plugin, allowing you to use all kinds of weird projections in Leaflet. Kartena
arc.js A JS library for drawing great circle routes that can be used with Leaflet. Dane Springmeyer
Leaflet-pip Simple point in polygon calculation using point-in-polygon. Tom MacWright
Leaflet.GeometryUtil A collection of utilities for Leaflet geometries (linear referencing, etc.) Benjamin Becquet, Mathieu Leplatre
Greiner-Hormann Greiner-Hormann algorithm for polygon clipping and binary operations, adapted for use with Leaflet. Alexander Milevski
Leaflet.buffer Enables buffering of shapes drawn with Leaflet.draw. Jonathan Skeate
Leaflet.LayerIndex An efficient spatial index for features and layers, using RTree.js. Mathieu Leplatre
leaflet-spatial-prefix-tree Leaflet plugin for visualizing spatial prefix trees, quadtree and geohash. See demo Mapzen
Leaflet.UTM A simple way to convert L.LatLng into UTM (WGS84) and vice versa. UTM string format easily configurable. It does not depend on any other plugin or 3rd party. See demo Javier Jimenez Shaw
Leaflet.Antimeridian A plugin to allow polygons and polylines to naturally draw across the Antimeridian (or the Internation Date Line) instead of always wrapping across the Greenwich meridian. (Demo) Brianna Landon

Enrutamiento

The following plugins use external services to calculate driving or walking routes.

PluginDescripciónMantenedor
Leaflet Routing Machine Control for route search with via points, displaying itinerary and alternative routes. Uses OSRM by default, but also supports GraphHopper, Mapbox Directions API and more. Per Liedman
Leaflet.Routing Leaflet controller and interface for routing paths between waypoints using any user provided routing service. Norwegian Trekking Association
Route360° Route360° visualizes the area which is reachable from a set of starting points in a given time and gives detailed routing information (walk, bike, car and public transportation) to targets. Motion Intelligence GmbH
Leaflet RouteBoxer This is a Leaflet implementation of the RouteBoxer Class from Google. The Leaflet RouteBoxer class generates a set of L.LatLngBounds objects that are guaranteed to cover every point within a specified distance of a path. Nearest!
Leaflet.Routing.Amap Control for route search using AMap(高德地图) as a backend. Supports the Chinese BD09 and GCJ02 coordinate systems, colourful lines, and turn-by-turn popups. Jack Good
Leaflet TripGo routing El TripGo mobility platform lets you create apps providing seamless and personalised door-to-door trips using any public, private or commercial mode of transport. TripGo Leaflet's plugin motivation is to provide an easy way to include its functionality in an external platform. SkedGo
leaflet.TravelNotes Editable markers and routing engine for leaflet. The routing engine have plugins for Mapbox, GraphHopper and OSRM and can be used for car, bike or pedestrian route. Demo. Christian Guyette
Leaflet.Reachability Show areas of reachability based on time or distance for different modes of travel using the openrouteservice isochrones API. Trafford Data Lab

Codificación geográfica

External services that transform an address or the name of a place into latitude and longitude (or vice versa).

</tr>
PluginDescripciónMantenedor
Leaflet GeoSearch Small geocoding plugin that brings address searching/lookup (aka geosearching) to Leaflet.
Comes with support for Google, OpenStreetMap Nominatim, Bing, Esri and Nokia. Easily extensible.
Stephan Meijer
Leaflet Control OSM Geocoder A simple geocoder that uses OpenstreetMap Nominatim to locate places by address. Karsten Hinz
Leaflet Control Bing Geocoder A simple geocoder control that uses Bing to locate places. Samuel Piquet
Leaflet Control Geocoder A clean and extensible control for both geocoding and reverse geocoding. Builtin support for Nominatim, Bing, MapQuest, Mapbox, What3Words, Google and Photon. Easy to extend to other providers. Per Liedman
Leaflet GeoIP Locator A simple plugin that allows finding the approximate location of IP addresses and map centering on said location. Jakub Dostal
Esri Leaflet Geocoder A geocoding control with suggestions powered by the ArcGIS Online geocoder. Patrick Arlt
Leaflet.OpenCage.Search A search plugin plugin that uses OpenCage Data's geocoding API. The OpenCage team
Leaflet.Geonames A lightweight geocoding control powered by GeoNames. Demo Brendan Ward
Pelias Leaflet Plugin A geocoding control using Geocode Earth or any hosted service powered by the Pelias Geocoder API. Demo Lou Huang
Leaflet LocationIQ Geocoder A plugin that adds the ability to search (geocode) a Leaflet-powered map using LocationIQ. LocationIQ
L.Highlight A plugin that adds the ability to quick highlighting streets and areas using Nominatim. Maciej Kowalski

Plugin collections

Sets of plugins that span several categories.

Plugin developers: please keep future plugins in individual repositories.

PluginDescripciónMantenedor
Plugins by Pavel Shramov A set of plugins for: GPX, KML, TOPOJSON layers Bing tile layer Yandex layers (implemented with their APIs), and permalink control. Pavel Shramov, Bruno B
Spectrum4Leaflet Tools for using Spectrum Spatial Server services with leaflet. This plugin supports: map service, tile service, feature service. It has layers, legend and feature controls. SVoyt, ESTI MAP
MapBBCode-related leaflet plugins Seven plugins for various features, independent of the MapBBCode library. From circular and popup icons to buttons, layer switcher, better search and attribution. Ilya Zverev


Spatial Data Concepts and Issues

Please be patient! This page takes about 4 minutes to download over a 56.6K modem (10 seconds over T1), but is worth waiting for it.

Información espacial

Spatial information is information in 2, 3 or 4 dimensions. It is information where localización has some importance or benefit and is not necessarily about locations on the surface of the Earth (e.g., can be a body organ or system).

"Spatial" has to do with any multi-dimensional frame, e.g.


A location can be a body organ or system. Screenshot of BodyViewer, an
ArcView extension developed by GeoHealth, Inc. BodyViewer allows users
to map any database that contains a geographic reference (e.g., postal
codes, street addresses, census tract numbers) and an ICD-9 or ICD-10
code (diagnoses).

Geographic information is a subset of spatial information, though the terms are often used interchangeably. "Geographic" is concerned with planet Earth: its two-dimensional surface, its three-dimensional atmosphere, oceans, and sub-surface. (Bryan, 2000)

Estimates are that 80% of all data has a spatial component. This data can be queried and analysed to answer questions such as "How many (e.g., healthcare facilities, patients with a specific profile, etc.)?" "What kind/type (e.g., type of healthcare facility: GP surgery, district hospital, teaching hospital, specialised centre, etc.)?" "Where are they located (e.g., relationships between populations, their locations and available/planned healthcare facilities)?" ( Ver también: 'Spatial Analysis'.)

Geographically referenced data refers to data referenced by location on Earth (e.g., latitude/longitude, northing/easting) in some standard format.

Geographic References and Geocoding

Geographic information contains either an explicit geographic reference, such as a latitude and longitude or national grid co-ordinate, or an implicit reference such as an address, postal code, census tract name, forest stand identifier, or road name. An automated process called geocoding is used to create explicit geographic references (multiple locations) from implicit references (descriptions such as addresses). These geographic references allow us to locate features, such as a business or forest stand, and events, such as an earthquake or disease outbreak, on the earth's surface for analysis.

Geographic information systems rely on two interrelated types of databases:

The Spatial Database

Describes the location and shape of geographic features, and their spatial relationship to other features. The information contained in the spatial database is held in the form of digital co-ordinates, which describe the spatial features. These can be points (for example, hospitals), lines (for example, roads), or polygons (for example, administrative districts). Normally, the different sets of data will be held as separate layers, which can be combined in a number of different ways for analysis or map production.

The Attribute Database

The attribute database is of a more conventional type it contains data describing characteristics or qualities of the spatial features (i.e., descriptive information): land use, type of soil, distance from the regional centre, or, using the same examples as in the preceding paragraph, number of beds in the hospital, type of road, population of the administrative districts. Thus, we could have health districts (polygons) and health care centres (points) in the spatial database, and characteristics of these features in the attribute database, for instance persons having access to clean water, number of births, number of 1 year old children fully immunised, number of health personnel, and so on. (Loslier, 1995 in GIS for Health and the Environment)

GIS links spatial data with geographic information about a particular feature on a map. The information is stored as attributes of the graphically represented feature.


Example: A line that denotes a road tells you nothing but its location. An attribute table stores all relevant (descriptive) information about this feature, which can be queried and displayed in many formats based on the user s needs.

Points, Lines and Polygons

As mentioned above, GIS attempts to describe all features in geometric terms.

Many features can be described by either a point or a polygon. Similarly, lines can be of a specific width. Escala del mapa y resolución define the conditions for appropriate application of these feature types. The uses of co-ordinate based analysis are only limited by the imagination of the user.

Vector and Raster GIS

There are two major methods to input, store and visualise mapped data in GIS. Geographic Information Systems which store map features in vector format store points, lines and polygons with high accuracy. They are preferred in urban applications where legal boundaries and the analysis of networks are important. Applications of urban GIS include location and allocation of critical resources such as hospitals, study of disease outbreak patterns and crime analysis.

Raster Geographic Information Systems, which store map features in raster or grid format, generalise the location of features to a regular matrix of cells. Raster GIS data structures are preferred for digital elevation modelling (DEM records terrain elevations for ground positions at regularly spaced horizontal intervals - see USA photo below), statistical analysis, remotely sensed data, simulation modelling, and natural resource applications like sedimentation and water quality studies.

In raster-based analysis, the areas of analysis are divided into squares of uniform size (cells). Each cell characterises the feature of interest within this area with a single value. Digital image data, including aerial photos and satellite imagery, are stored in raster format (as pixels). GRID cell-based modelling uses the raster format to determine routing patterns and terrain.


An aerial photo


A digital elevation model (DEM) of the USA

Vector data on the other hand, are coordinate-based data structures commonly used to represent linear features (polygons can be formed by closed strings of co-ordinates). Each feature in this format is represented as a list of ordered x,y co-ordinates.

Computer algorithms exist that can convert data of one type to the other.

Thematic Mapping

Maps in Geographic Information Systems are represented thematically. A standard topographic map will show roads, rivers, contour elevations, vegetation, human settlement patterns and other features on a single map sheet. In a GIS these features are categorised separately and stored in different map themes or overlays. For example, roads will be stored in a separate overlay. Likewise, rivers and streams will each be stored as a separate theme. This way of organising data in the GIS makes maps much more flexible to use since these themes can be combined in any manner that is useful (individual themes can be 'turned on' and 'off' as needed).

Mapas de coropletas

These are thematic maps portraying properties of a surface using area symbols such as shading. Area symbols on a choropleth map usually represent categorised classes of the mapped phenomenon, e.g., population density.


Examples of choropleth maps

Maps Defined

A map is a graphic representation of some part of the earth s surface. A map usually contains a series of themes or coverages that are often combined to form the final product. A map also contains descriptive information (e.g., legend) to help readers interpret the details on the map.

Map Scale

The map scale tells the user how the map relates to the real world features it represents.

The term map is also used to describe a GIS Project or View. A map can provide an interpretation of features on the earth s surface. Scale, map units and data layers (themes or coverages) are an inherent part of a GIS and allow users to conduct spatial queries and measure distances in their projects when needed.

Co-ordinate Systems

In a GIS, locations on the earth s surface described by points, lines, and polygons are defined by a series of x,y co-ordinates. Co-ordinate systems can be self-described or in units that relate to the real world. Decimal degrees degrees, minutes, seconds metres and feet are all examples of units of measure in a co-ordinate system.

A degree or is a unit of measurement equal to 1/360 of a circle. A degree of latitude on the earth's surface is about 69 miles. A degree of longitude is about 69 miles at the equator and undefined at the poles, but any point on the surface rotates through a degree of longitude in about 4 minutes of time. Minute or ' is the sixtieth part of a degree of angular measurement, often represented by the sign ' as in 12 30', read 12 degrees, 30 minutes. Arcsecond or " is the sixtieth part of a minute of angular measure often represented by the sign ", as in 30", which is read 30 seconds.

Decimal degrees are the decimal representation of fractions of degrees. Many paper maps express co-ordinates in degrees, minutes, seconds (e.g., 40 30'), where minutes and seconds are fractions of degrees. 30 minutes equal half a degree, and 30 seconds equal half a minute. GIS software, however, expresses coordinates in decimal degrees (e.g., 40.50 degrees), where fractions of degrees are expressed as decimals. Thus, the longitude: 40 degrees, 30 minutes, would be expressed in ArcView as 40.5 degrees.

x,y co-ordinates define the location of map features. Co-ordinate systems must be consistent between map layers. For any database to be useful for spatial analysis, the database must be registered to a recognised global co-ordinate system.

A co-ordinate system consists of:

  • A Spheroid: a mathematical description of the earth s shape.
  • A Map Projection: a mathematical conversion from spherical to planar co-ordinates.

Proyecciones de mapas

El accuracy of measurements, e.g., of distance, done on a map is affected by the type of map projection used to draw this map.

Resolución

The accuracy with which a given map scale can depict the location and shape of map features is known as resolución. Cuanto mayor sea la escala del mapa, mayor será la resolución posible. As map scale decreases, resolution diminishes and feature boundaries must be smoothed, simplified, or not shown at all. Resolution plays a large role in GIS, especially in raster-based modelling.

Resolution plays a large part in the ability of a map to accurately describe the earth s features. It is essential that the user be mindful of the scale of the data layers. Serious errors can result if the theme lacks sufficient resolution to effectively describe an area of interest. A GIS does not tell its user that she has made an error in choosing the right data layer for her project.

Topology

Topology is a mathematical procedure for explicitly defining spatial relationships.

Connectivity: Arc-Node Topology

Area Definition: Polygon-Arc Topology

Polygons are represented as a series of x,y co-ordinates that connect to define an area. The GIS also stores the list of arcs that make up the polygon.

Every arc has a direction. The GIS maintains a list of polygons on the left and right side of each arc. The computer uses this information to determine which features are next to one another.

Getting Data into a GIS - Sources of Electronic Data Files

The Global Positioning System (GPS) can be also used in creating maps.

Electronic data files are the easiest way to get data into a GIS. Ready-to-use data sources include:

  • DXF: Auto-CAD files/Scanning products
  • DLG: Digital Line Graphs available from the USGS (US Geological Survey URI: http://www.usgs.gov/pubprod/index.html)
  • TIGER: 1990+ Census files (US, URI: http://tiger.census.gov/)
  • Ordnance Survey Maps: Britain's National Mapping Agency (URI: http://www.ordsvy.gov.uk)
  • SHP: ArcView Shape files (many available for download from Health Geomatics 'Resources' page)
  • Can also add point data using dBase file with x,y co-ordinates in decimal degrees.

Digitisers

A digitiser converts spatial features on a hard copy map into digital format. Point, line and area features are converted into x,y co-ordinates. The process involves manually tracing all features of interest using an electronic stylus. Good base maps must be used. After digitising, a procedure known as transformación converts digitiser units to a real-world co-ordinate system. Tics are used to provide the relationship between the two co-ordinate systems.

Product: Coverage

This term is used in a GIS to describe a spatial dataset that has a particular theme . A coverage consists of topologically linked geographic features. For maximal analytical power, each theme should exist as a separate coverage different feature types can coexist in a coverage if they describe the same data.

Four Main Types of Maps/Data Exist:

Data Availability and Quality Issues

One potential problem with GIS is the availability and calidad of data needed by such systems to use and analyse in order to produce meaningful results. The data provided may be inaccurate or incomplete or inappropriate for some particular use, e.g., not of the appropriate geographic scale needed in some situation (Albert et al, 2000). Sometimes, due to patient privacy and confidentiality issues, researchers do not have access to punto patient data and census tract data (polígono aggregated data) is all that is available.

Data is usually accompanied by descriptions (metadatos). Spatial data quality standards are now in place to help users understand what is out there and the intended purpose of the dataset.

Health Geomatics
2000-2002 MIM Centre, School of Informatics
City University, London, UK
Reservados todos los derechos.


Ver el vídeo: Angular-Openlayers Part 1 - Basic Setup