Suite

ArcGIS 10.2 Changer « null » en « zéro » dans la table attributaire ?

ArcGIS 10.2 Changer « null » en « zéro » dans la table attributaire ?


J'ai un tableau (Excel, csv) avec des noms de comté et trois en-têtes de colonnes supplémentaires. Je voudrais m'assurer que tout ce qui se trouve sous les trois rubriques supplémentaires a une valeur zéro plutôt qu'une valeur « nulle ».

Je ne connais pas Python (je vois Python comme réponse à d'autres questions).


Eh bien, j'ai trouvé une solution où je peux simplement changer les cellules vides de mon fichier Excel en zéros (http://www.extendoffice.com/documents/excel/772-excel-fill-blank-cells-with-0-or -specific-value.html#a1). J'espérais ne pas avoir à revenir à Excel cependant.


Considérations relatives au géotraitement pour la sortie du fichier de formes

Au fil des ans, Esri a développé trois principaux formats de données pour stocker des informations géographiques : les couvertures, les fichiers de formes et les bases de données géographiques. Les fichiers de formes ont été développés pour fournir un format simple pour le stockage des informations géographiques et attributaires. En raison de la simplicité des fichiers de formes, il s'agit d'un format de transfert de données ouvert très populaire. Bien que les fichiers de formes puissent sembler être un choix facile en raison de leur simplicité, il existe des limitations dans leur utilisation que les géodatabases résolvent. Lorsque vous utilisez des fichiers de formes, vous devez être conscient de leurs limites. En termes généraux,

  • Les données géographiques sont plus que les simples caractéristiques et attributs qu'un fichier de formes peut stocker. Par exemple, il existe des annotations, des relations attributaires, des relations topologiques, des domaines et sous-types attributaires, la précision et la résolution des coordonnées et de nombreuses autres fonctionnalités prises en charge dans les géodatabases mais pas dans les fichiers de formes.
  • Étant donné que les fichiers de formes sont un format ouvert populaire pour le transfert de données, de nombreux progiciels non Esri produisent des fichiers de formes. (Vous pouvez trouver les spécifications du format de fichier de formes sur http://www.esri.com/library/whitepapers/pdfs/shapefile.pdf.) Malheureusement, ces packages ne permettent pas toujours de créer des fichiers de formes correctement formatés. Vous avez peut-être déjà ressenti la frustration de recevoir des fichiers de formes corrompus d'une autre source.
  • Les fichiers de formes utilisent le format de fichier dBASE (fichier .dbf) pour stocker les attributs. dBASE est un format non Esri développé au début des années 1980 et était, à cette époque, le format le plus populaire pour stocker des tableaux d'attributs. Cependant, le temps les a dépassés et il y a eu un certain nombre d'améliorations de la représentation des données depuis lors, telles que la norme Unicode, pour prendre en charge la plupart des systèmes d'écriture du monde. C'est l'une des raisons pour lesquelles les fichiers de formes ne fonctionnent pas bien pour stocker des informations dans une langue autre que l'anglais.
  • Contrairement aux classes d'entités dans une géodatabase, ArcGIS ne calcule et ne gère pas les champs de longueur et de surface de forme.

Ces problèmes (et plus encore) signifient que les fichiers de formes sont un très mauvais choix pour la gestion active des bases de données - ils ne gèrent pas le cycle de vie moderne de la création, de l'édition, de la gestion des versions et de l'archivage des données.


Nom/Alias

Le nom de la classe d'entités est un descripteur unique qui identifie la classe d'entités. La façon la plus courante de nommer une classe d'entités consiste à utiliser une casse mixte ou un trait de soulignement, tel que MajorRoads ou Major_Roads.

Lorsque vous créez une classe d'entités, vous devez lui donner un nom qui indique quelles données la classe d'entités stocke. Les noms de classe d'entités doivent être uniques dans une base de données ou une géodatabase : vous ne pouvez pas avoir plusieurs classes d'entités portant le même nom. Le fait d'avoir deux classes d'entités portant le même nom dans la même géodatabase, même si elles sont incluses dans des jeux de classes d'entités différents, n'est pas autorisé.

Cependant, le nom que vous indiquez lorsque vous créez la classe d'entités dans ArcGIS for Desktop n'est pas le nom de la classe d'entités tel qu'il apparaît dans la base de données ou la géodatabase. La base de données ou la géodatabase ajoute le nom de la structure dans laquelle la classe d'entités est stockée. Dans toutes les bases de données sauf Oracle, le nom de la base de données est également ajouté au nom. Il s'agit du nom complet de la classe d'entités. Par exemple, si l'utilisateur Werther crée une classe d'entités appelée alpagas dans la base de données spdata, le nom complet de la classe d'entités est

Par conséquent, il est possible pour d'autres utilisateurs de créer des classes d'entités appelées alpagas car les classes d'entités qu'ils créent auront leurs noms d'utilisateur ajoutés aux noms de classe d'entités. Par exemple, si l'utilisateur Gretchen créait sa propre classe d'entités alpagas, le nom complet serait

Cependant, il n'est pas recommandé de réutiliser les noms de classes d'entités même s'ils sont stockés dans des schémas ou des bases de données différents. Dans cet exemple, si les deux classes d'entités contenaient des informations sur les alpagas, il n'y aurait aucune raison d'avoir deux classes d'entités distinctes. Si les données étaient nettement différentes entre les deux classes d'entités, les noms des classes d'entités devraient le refléter.

Dans Informix, même si vous stockez les classes d'entités dans des schémas distincts, elles ne peuvent pas avoir le même nom.

  • Les noms doivent commencer par une lettre, et non par un chiffre ou un caractère spécial tel qu'un astérisque (*) ou un signe de pourcentage (%).
  • Les noms ne doivent pas contenir d'espaces. Si vous avez un nom en deux parties pour votre table ou classe d'entités, connectez les mots avec un trait de soulignement (_), par exemple, garbage_routes.
  • Les noms ne doivent pas contenir de mots réservés, tels que select ou add . Consultez la documentation de votre SGBD pour des mots réservés supplémentaires.
  • La longueur des noms de classe d'entités et de table dépend de la base de données sous-jacente. La longueur maximale du nom des classes d'entités de la géodatabase fichier est de 160 caractères. Assurez-vous de consulter la documentation de votre SGBD pour connaître les longueurs de nom maximales.

Les noms de table ou de classe d'entités avec les préfixes suivants ne sont pas pris en charge :

Renommer des champs

Vous pouvez renommer des champs dans une table ou une classe d'entités à partir de l'onglet Champs de la boîte de dialogue Propriétés. Les champs d'une géodatabase de la version ArcGIS 10 et versions ultérieures prennent en charge le changement de nom, et les champs des tables de base de données peuvent être renommés.

Pour renommer un champ, cliquez avec le bouton droit sur la classe d'entités ou la table dans l'arborescence du catalogue et cliquez sur Propriétés . Cliquez sur l'onglet Champs pour afficher la liste des champs de cette table ou classe d'entités. Cliquez sur le texte du champ que vous souhaitez renommer et saisissez un nouveau nom. Cliquez sur OK pour appliquer vos modifications et fermer la boîte de dialogue Propriétés.

Les restrictions pour les noms de champs sont similaires à celles pour les noms de tables et de classes d'entités.

  • Les noms doivent commencer par une lettre, et non par un chiffre ou un caractère spécial tel qu'un astérisque (*) ou un signe de pourcentage (%).
  • Les noms ne doivent pas contenir d'espaces.

Si vous avez un nom de champ en deux parties, reliez les mots avec un trait de soulignement (_), par exemple, adresse_client.

Consultez la documentation de votre SGBD pour des mots réservés supplémentaires.

Les champs suivants ne peuvent pas être renommés :

  • Champs ObjectID et GlobalID
  • Tout champ lié à la forme Forme, longueur de forme, zone de forme
  • Le rôle auxiliaire activé ou les champs de pondération de réseau d'une classe d'entités de réseau
  • Champs de représentation
  • Champs d'une classe d'entités participant à un jeu de données réseau, un terrain ou un tissu cadastral
  • Champs utilisés pour le suivi de l'éditeur
  • Champs Clé primaire et Clé étrangère de classe de relation
  • Le champ Sous-type
  • Champs raster

Alias

Lorsque vous créez une table ou une classe d'entités dans une géodatabase, vous pouvez lui affecter un alias. Un alias est un autre nom. Si vous attribuez un alias à une table ou à une classe d'entités, il s'agit du nom que les utilisateurs voient lorsqu'ils l'ajoutent à ArcMap. Les utilisateurs peuvent toujours rechercher le nom de la table ou de la classe d'entités en accédant à l'onglet Source de la boîte de dialogue Propriétés de la couche.


Création de classes d'entités avec le stockage ST_Geometry à l'aide d'ArcGIS

Vous choisissez le type de stockage à utiliser lors de la création de classes d'entités via ArcGIS for Desktop .

Lorsque vous créez une classe d'entités dans ArcGIS qui utilise le stockage ST_Geometry, la table métier de la classe d'entités est créée avec une colonne de type ST_Geometry dans laquelle les données spatiales de la classe d'entités sont stockées.

Dans une base de données

Vous spécifiez le type de données spatiales à utiliser lorsqu'une classe d'entités est créée dans ArcGIS. Pour plus d'informations, consultez Création d'une table de base de données spatiale dans ArcGIS.

Dans une géodatabase

Les informations de stockage de classe d'entités sont contrôlées par les paramètres de mot-clé de configuration dans la table sde_dbtune. Vous spécifiez un mot-clé de configuration lorsque vous créez une classe d'entités dans ArcGIS. Le mot-clé de configuration DEFAULTS a le paramètre GEOMETRY_STORAGE défini sur ST_Geometry lors de la création de la géodatabase. Si vous souhaitez stocker la totalité ou la plupart de vos données spatiales à l'aide du type ST_Geometry, ne modifiez pas la valeur du paramètre GEOMETRY_COLUMNS du mot-clé DEFAULTS, puis lorsque vous créez une classe d'entités à partir d'ArcGIS, spécifiez le mot-clé DEFAULTS.

Si vous modifiez le paramètre DEFAULTS GEOMETRY_STORAGE pour utiliser le type de données géométriques PostGIS mais que vous souhaitez créer des classes d'entités à l'aide du type de données ST_Geometry, vous pouvez créer un nouveau mot-clé de configuration pour le stockage ST_Geometry dans la table sde_dbtune. Utilisez la commande d'administration sdedbtune pour exporter le contenu de la table sde_dbtune vers un fichier texte, ajoutez un mot-clé avec GEOMETRY_STORAGE défini sur ST_GEOMETRY, puis utilisez sdedbtune pour importer vos modifications. Par exemple, vous pouvez exporter la table sde_dbtune et ajouter un mot-clé de configuration comme suit :

Une fois le mot-clé ajouté, vous pouvez le spécifier lorsque vous créez une classe d'entités dans ArcGIS afin que votre nouvelle classe d'entités utilise le stockage ST_Geometry.


Source d'information

Il existe trois types de données de base.

  1. Données publiques (gratuites, provenant généralement de sources gouvernementales)
  2. Données obtenues auprès de fournisseurs de cartographie fournissant des produits prêts à l'emploi
  3. Données propriétaires générées par votre organisation (soit via des sources internes, soit via un contrat avec un fournisseur de services de cartographie)

Ces sources de données ou d'autres peuvent offrir des données d'altitude via Internet en tant que service ou en tant que données pouvant être téléchargées. Une organisation pourrait envisager d'utiliser ce service, mais le flux de travail associé suppose que le gestionnaire de données utilise des données internes stockées localement.

Données publiques

  • GTOPO est un jeu de données d'altitude global avec une résolution de 30 secondes d'arc (environ 1 kilomètre), disponible en téléchargement sur http://www1.gsi.go.jp/geowww/globalmap-gsi/gtopo30/gtopo30.html.
  • ETOPO est un modèle de relief global d'une minute d'arc de la surface de la Terre qui intègre la topographie des terres et la bathymétrie océanique, disponible en téléchargement sur http://www.ngdc.noaa.gov/mgg/global/global.html.
  • Global Multiresolution Terrain Elevation Data 2010 (GMTED2010) est une suite de produits à trois résolutions différentes (environ 1 000, 500 et 250 mètres) qui seront fournis par l'USGS. Pour plus d'informations, voir http://pubs.usgs.gov/of/2011/1073.
  • La mission de topographie radar de la navette (SRTM) consiste en des données d'élévation à une échelle quasi mondiale, acquises à partir de la navette spatiale, pour générer la base de données topographique numérique haute résolution la plus complète de la Terre. Il est disponible sur http://srtm.usgs.gov/index.php.
  • Le radiomètre spatial avancé d'émission et de réflexion thermique (ASTER) est un instrument du satellite Terra de la NASA, et l'imagerie stéréo de ce capteur a été traitée pour générer un modèle numérique d'élévation presque mondial entre les latitudes 83N et 83S avec des affichages à 30 mètres. Il est disponible sur http://asterweb.jpl.nasa.gov/gdem.asp.
  • Le National Elevation Dataset (NED) a été créé par l'USGS pour les États-Unis. Les données NED sont disponibles à l'échelle nationale à des résolutions de 1 seconde d'arc, 1/3 de seconde d'arc et 1/9 seconde d'arc (dans des zones limitées). Apprenez-en plus sur http://ned.usgs.gov/.
  • Modèles de géoïde tels que EGM96 et EGM2008 />. (Le géoïde intégré à ArcGIS est une approximation de EGM96.)
  • Les services World Elevation d'Esri fournissent un accès en ligne à des collections mondiales de données altimétriques multirésolutions et multisources, de produits de données altimétriques, d'applications associées et de services supplémentaires. Les World Elevation Services /> sont accessibles via le groupe communautaire ArcGIS Beta.

Acheté

Voici quelques entreprises privées qui fournissent (moyennant un coût) des données d'altitude sous forme de produit prétraité (prêt à l'emploi) ou via des projets d'acquisition personnalisés, selon vos besoins :

Données de l'organisation

Une troisième source possible de données d'altitude consiste à les développer au sein de votre propre organisation. Cela peut être généré en interne à l'aide de capacités internes telles que des équipes d'arpentage au sol ou d'autres technologies, telles que la photogrammétrie ou le lidar. Ou votre organisation peut acquérir les données via un contrat personnalisé.

Types de systèmes comme sources de données

En plus de « Où notre organisation peut-elle obtenir des données d'altitude ? », il peut être important pour le gestionnaire de données de comprendre les types de systèmes de capteurs ou de technologies qui fournissent des données d'altitude. Une discussion détaillée des technologies n'est pas tentée ici, mais les organisations utilisant des données d'altitude peuvent avoir besoin de comprendre quelques notions de base concernant les technologies actuelles de cartographie du terrain à partir de plates-formes aériennes ou satellitaires, telles que la photogrammétrie, le radar et le lidar.

Photogrammétrie

Une introduction à la photogrammétrie est disponible sur www.geodetic.com. Les concepts clés qu'un gestionnaire de données doit comprendre sur la photogrammétrie sont les suivants :

  • La photogrammétrie peut être utilisée pour générer un modèle d'élévation pour la zone couverte par la photographie aérienne stéréo.
  • Les données d'altitude, si elles sont disponibles, peuvent également être utilisées comme entrée du processus photogrammétrique pour effectuer des corrections sur les données d'image.
  • Dans les zones fortement boisées, où le sol nu ne peut pas être observé dans l'imagerie, le modèle d'élévation résultant peut représenter la canopée de la cime des arbres (DSM) ou le DEM de terre nue peut n'être qu'une surface estimée.

Lidar aéroporté

Pour une introduction au lidar, voir Qu'est-ce que le lidar.

Les concepts clés que le gestionnaire de données doit comprendre à propos des données lidar sont les suivants :

  • Le lidar peut être collecté à partir de diverses plates-formes, notamment des plates-formes satellitaires, aéroportées ou terrestres mobiles ou fixes.
    • Pour la cartographie topographique, le lidar aéroporté est le plus courant.
    • Les systèmes lidar terrestres sont de plus en plus courants pour acquérir des points de données 3D de villes, de bâtiments (extérieurs et intérieurs) et d'autres structures. (Les données lidar terrestres ne sont généralement pas applicables dans le contexte de ce flux de travail d'élévation, mais cela peut changer avec le temps.)
    • Des systèmes lidar spécialisés peuvent également être utilisés pour la cartographie bathymétrique (voir ci-dessous).

    Radar et radargrammétrie

    Une introduction à la cartographie radar du terrain est disponible sur http://www.intermap.com.

    Les concepts clés que le gestionnaire de données doit comprendre à propos de la cartographie radar du terrain sont les suivants :

    • Les systèmes de cartographie radar sont actifs (ils ne nécessitent pas de lumière solaire, contrairement à la photographie aérienne) et les longueurs d'onde peuvent pénétrer les nuages. Cela rend le radar efficace dans les climats tropicaux et également pour un fonctionnement prolongé (tôt le matin, tard le soir ou même après la tombée de la nuit).
    • Les longueurs d'onde intrinsèquement plus longues utilisées par le radar entraînent certaines limitations par rapport à d'autres fréquences électromagnétiques. Par exemple, la précision horizontale et verticale des données radar est généralement mesurée en mètres ou en décimètres, plutôt qu'en centimètres pour les systèmes optiques à plus courte longueur d'onde tels que le lidar.
    • Selon la longueur d'onde, certains systèmes radar pénètrent partiellement la végétation (mais avec un compromis en termes de précision inférieure), par rapport à d'autres qui ont une précision plus élevée mais ne peuvent pas pénétrer la végétation (générant ainsi un modèle numérique de surface mais ayant des difficultés à créer un modèle numérique d'élévation dans les zones fortement boisées).
    • Les données radar brutes nécessitent un traitement spécialisé pour générer des données d'altitude qui ne sont pas disponibles dans ArcGIS.

    Sonar

    Pour la cartographie bathymétrique de la géométrie du sous-sol dans les lacs ou l'océan, une technologie courante est le sonar. Voir http://en.wikipedia.org/wiki/Bathymetry pour des informations générales.

    Les concepts clés que le gestionnaire de données doit comprendre sur la cartographie du terrain à l'aide d'un sonar sont les suivants :

    • La résolution horizontale et la précision verticale des systèmes sonar sont inférieures à celles des relevés terrestres équivalents.
    • Il existe souvent un écart le long du rivage entre la fin des données bathymétriques et le début des ensembles de données d'élévation terrestre. Cette région de marée/littoral peut nécessiter un traitement spécial pour éviter les lacunes NoData.

    Le lidar aéroporté peut également être utilisé pour la cartographie bathymétrique. Pour plus d'informations, voir http://gcmd.nasa.gov/records/GCMD_USACE_SHOALS.html.


    L'évaluation morphométrique du bassin versant d'Arkavathy fournit une description quantitative de la géométrie du bassin qui aide à comprendre les caractéristiques géomorphologiques, le diastrophisme, la géologie et la réponse du bassin aux divers processus hydrologiques se produisant dans le bassin (Chatterjee 2006). L'évaluation et les discussions sont faites en classant les morphométrie du bassin de la rivière Arkavathy en aspects linéaires, aspects de relief et aspects de surface.

    Aspects linéaires

    Le modèle de drainage dans le bassin de la rivière Arkavathy est dendritique à sous-dendritique (Fig. 7). Le motif dendritique indique la présence d'une résistance uniforme de la roche au drainage dans le bassin. Selon Petersen et al. (2017), des motifs dendritiques ont tendance à se développer dans des zones où les roches ont une résistance à peu près égale aux intempéries et à l'érosion et ne sont pas intensément jointives. Les données de CGWB (2012) confirment que le bassin de la rivière Arkavathy repose sur un complexe de roches acides intrusives et de roches gneissiques rubanées qui est plus ou moins uniforme dans tout le bassin (Fig. 8). Le changement des valeurs moyennes de la longueur du cours d'eau de 1,92 à 44,5 indique le changement d'élévation à travers la topographie et le changement de pente du bassin. Que le bassin soit également en érosion, malgré la résistance uniforme des roches, est confirmé par la courbe hypsométrique qui ne montre aucun signe de concavité dans la superficie comprise entre les hautes terres et les basses terres (Fig. 6a). L'étude morphométrique et la courbe hypsométrique révèlent qu'en raison de l'érosion progressive, les masses d'eau existantes dans le bassin sont à risque de sédimentation avec pour conséquence une perte de stockage vivant entraînant une augmentation du stress hydrique dans le bassin. Ceci explique en partie le fait rapporté par Srinivasan et al. (2015), Arpita (2018) et Suresh (2001) que les plans d'eau et les principaux réservoirs du bassin tels que Thippagondanahalli et Hesaraghatta, qui fournissaient autrefois de l'eau et constituaient une bouée de sauvetage pour la ville de Bengaluru, ont été envasés.

    Schéma de drainage du bassin de la rivière Arkavathy

    Lithologie dans le bassin de la rivière Arkavathy

    L'ordre des cours d'eau selon Strahler (1964) obtenu pour le bassin de la rivière Arkavathy est de six, et par conséquent, le bassin est désigné comme bassin de sixième ordre. L'ordre des cours d'eau est dérivé de DEM et d'ArcGIS 10.2. Cependant, une délimitation plus poussée du réseau de cours d'eau est limitée par sa résolution spatiale de 90 m. La définition du cours d'eau a été prise en compte pour une zone aussi petite que 2 km 2 du bassin Arkavathy dans ArcGIS 10.2 qui comprend 239 cellules/pixels dans ArcGIS pour la dérivation du bassin de sixième ordre. Pour la présente étude, un ordre de flux de six a été considéré pour minimiser les erreurs dues à la limitation de la résolution du DEM. Le tableau 4 montre le nombre de segments de cours d'eau de tous les segments de cours d'eau de six ordres dans le bassin de la rivière Arkavathy. Les caractéristiques géomorphologiques du bassin de la rivière Arkavathy confirment à Horton (1932) que le nombre de segments de cours d'eau d'ordres différents diminue avec l'augmentation de l'ordre des cours d'eau. A partir des segments de cours d'eau d'ordre différent dans le bassin de la rivière Arkavathy, on observe que le nombre de segments de cours d'eau dans les ordres de cours d'eau 1 et 2 possède un grand nombre de segments de cours d'eau. Un tel modèle selon Chatterjee (2006) est une indication que la topographie est en cours d'érosion, et selon Sujata et al. (2013), le modèle est attribué au développement anormal du bassin, à la variation locale de la topographie et à l'effet de perturbations géologiques localisées.

    Le rapport de bifurcation est le principal paramètre liant le régime hydrologique d'un bassin (Raj et al. 1999). C'est un indicateur important de relief et de dissection du bassin. Dans le bassin d'Arkavathy, le rapport de bifurcation montre une variation de 2 à 5,50 (avec une moyenne de 3,78) selon les différents ordres de cours d'eau (tableau 4). Selon Yangchan (2015), tout bassin avec un rapport de bifurcation compris entre 3,0 et 5,0 indique que les structures géologiques ne déforment pas le modèle de drainage dans ce bassin, tandis que Rao (2016) déclare que tout rapport de bifurcation inférieur à 3,0 indique un manque de structure contrôle et que plus de 5,0 montre un contrôle structurel sur la formation du modèle de drainage. Dans le bassin de la rivière Arkavathy, comme le rapport de bifurcation pour les cours d'eau d'ordre 3 et d'ordre 5 est inférieur à 3,0 (2,75 et 2, respectivement), on peut en déduire qu'il y a moins de contrôle structurel pour les cours d'eau d'ordre 3 et 5. Cela indique un niveau plat terrain spécifiquement dans les régions où se trouvent les cours d'eau des ordres 3 et 5, alors qu'une augmentation du rapport de bifurcation au-dessus de 3,0 pour les cours d'eau des ordres 1 et 4 indique une topographie accidentée locale dans les hautes terres et les basses terres, mais spécifiquement aux endroits où les cours d'eau des ordres 1 et 4 sont répandus . Le rapport de bifurcation pour les cours d'eau d'ordre 2 est de 5,5, ce qui est supérieur à 5,0, ce qui indique la présence d'un contrôle structurel et de perturbations géologiques dans les cours d'eau d'ordre 2 (Sujata et al. 2013).

    La conséquence du faible taux de bifurcation selon Kulkarni (2015) est qu'il y aura des possibilités plus élevées d'inondation. Par conséquent, on peut en déduire que, pour les ordres de cours d'eau 3 et 5 ayant de faibles rapports de bifurcation de 2,75 et 2,0, respectivement, l'eau a tendance à s'accumuler plutôt qu'à se répandre. En revanche, la possibilité d'inondation est faible pour les ordres de cours d'eau 1, 2 et 4 qui ont des rapports de bifurcation plus élevés de 4,64, 5,5 et 4, respectivement, car l'énergie d'écoulement est faible, augmentant ainsi la possibilité d'infiltration dans ces ordres de cours d'eau. (Al Saoud 2009). Par conséquent, associé aux interventions humaines largement observées dans le bassin, il existe un risque accru d'inondation dans le bassin de la rivière Arkavathy pour les cours d'eau d'ordre 3 et 5 qui dépend également de la combinaison de facteurs tels que l'intensité des précipitations, la couverture végétale et la nature de cette intervention humaine. Cependant, selon Paul et Bayode (2012), l'heure de pointe, l'heure de concentration et le débit de pointe dépendent de la forme du bassin. Une autre observation importante des résultats du tableau 4 est que les longueurs de cours d'eau des ordres 1, 2 et 4 constituent 83,5% de la longueur totale du réseau de cours d'eau, ce qui indique une plus grande possibilité d'infiltration, qui peut être utilisée par la construction de structures de recharge des eaux souterraines. à travers ces commandes de flux.

    Aspects de secours

    La mesure du relief d'un bassin indique l'énergie potentielle d'un bassin versant, car une région ayant un relief élevé peut transférer une énergie élevée dans le système de drainage (Yangchan et al. 2015). Le relief dans le bassin de la rivière Arkavathy est élevé à 1064 m avec la plus haute altitude 1435 m au-dessus du niveau moyen de la mer trouvé dans la pointe nord-est du bassin situé dans le district de Chikkaballapur et la plus basse altitude de 371 m au-dessus du niveau moyen de la mer dans la pointe sud au confluent de la rivière Arkavathy avec la rivière Cauvery à Mekedatu, Kanakapura taluk, district de Ramanagara.

    Le relief plus élevé trouvé dans le bassin de la rivière Arkavathy indique une plus grande énergie disponible dans le système de drainage du bassin. Malgré un relief plus élevé, les caractéristiques d'infiltration dans le bassin dépendent de nombreuses variables telles que la pente du terrain (comme la pente raide des hautes terres et des basses terres du bassin et un terrain plat entre les deux), les précipitations, la végétation, les matériaux souterrains et la nature. d'interférence humaine dans le bassin à travers divers ordres de cours d'eau, ce qui se reflète également par la densité de drainage (Oyatayo et al. 2017 Sukristiyanti et al. 2018). Ainsi, les caractéristiques d'infiltration varient à l'intérieur du bassin. La plus grande énergie dans les hautes terres et les basses terres escarpées provoque un drainage plus rapide avec moins de possibilités d'infiltration dans le sol à ces endroits, tandis que le terrain plat illustré par une courbe hypsométrique intermédiaire montrant une pente modérée à moindre possède différentes caractéristiques d'infiltration conformément à (Oyatayo et al. 2017). Une autre conséquence de l'énergie plus élevée est la possibilité d'érosion dans le bassin, en particulier aux endroits plus proches des reliefs plus escarpés. En se référant à la courbe hypsométrique du bassin (Fig. 6a), il est clair que l'altitude des basses terres (région du pied) est raide, car moins de surface (< 5%) est couverte dans les basses terres pour des altitudes allant jusqu'à 40% , et de même, environ 20 % (80 à 100 %) d'altitude dans les hautes terres (région de tête) est couverte par une superficie d'environ 0 à 5 %. La courbe hypsométrique montre la pente de la topographie à moins de 5% de la surface dans les hautes terres et les basses terres, alors qu'il y a une surface relativement plate entre les deux. Ainsi, tout ruissellement généré dans les hautes terres et les basses terres a tendance à s'écouler rapidement en raison de la pente de la topographie. En raison de sa pente, les hautes terres et les basses terres disséquées sont propices à la construction de structures de stockage de surface, tandis que des structures de recharge des eaux souterraines et des structures de récupération d'eau plus petites peuvent être construites sur un terrain plus plat, également classé en termes géomorphologiques comme région à fronton-piémont.

    Aspects territoriaux

    Les aspects régionaux de la morphométrie sont cruciaux dans l'évaluation du ruissellement, en particulier la contribution de l'écoulement de surface au réseau de cours d'eau qui dépend de la forme et de la pente du terrain en plus du relief et des aspects linéaires. Certains des indices qui ont été évalués quantitativement en termes de superficie sont le facteur de forme, le rapport d'allongement, le rapport circulatoire, le coefficient de compactage, la densité de drainage, la fréquence des cours d'eau et la longueur de l'écoulement de surface.

    L'examen visuel de la forme du bassin de la rivière Arkavathy dans (Fig. 2) montre qu'il s'agit d'un bassin allongé. Mais, les indices surfaciques estimés pour le bassin confirment cette évaluation. À l'examen des indices/paramètres présentés dans le tableau 3, on observe que le facteur de forme pour le bassin de la rivière Arkavathy est de 0,15, ce qui est faible. Selon Rai et al. (2014), le facteur de forme serait toujours supérieur à 0,78 pour un bassin parfaitement circulaire et plus la valeur du facteur de forme est petite, plus le bassin sera allongé. Le rapport de circularité et le rapport d'allongement du bassin de la rivière Arkavathy sont respectivement de 0,288 et 0,25, ce qui est faible. Le coefficient de compactage du bassin est de 1,823 ce qui est élevé par rapport à la valeur indiquée par Paul et Bayode (2012). Selon Waikar et Nilawar (2014), les bassins avec un rapport d'allongement supérieur à 0,9 sont de forme circulaire et les bassins avec un rapport d'allongement inférieur à 0,7 sont allongés. La valeur de 0,288 pour le rapport de circularité et le rapport d'allongement de 0,25 pour le bassin de la rivière Arkavathy montre que le bassin est très allongé et possède une forte pente dans les hautes et basses terres, ce qui est également confirmé par le relief et la courbe hypsométrique du bassin. La conséquence de la confirmation de la nature allongée du bassin de la rivière Arkavathy est la réduction du débit de pointe du ruissellement dans le bassin.

    La densité de drainage d'un bassin évalue l'état d'érosion d'un bassin (Bates 1981). Les régions à forte densité de drainage possèdent moins d'infiltration, augmentent le ruissellement et possèdent des matériaux de surface au moins modérément érodables (Petersen et al. 2017). Plus la densité de drainage est élevée, plus le ruissellement est important et plus le degré d'abrasion du canal est important pour une pluie donnée (Eze et Efiong 2010). A partir des résultats pour le bassin de la rivière Arkavathy, il est observé que la densité de drainage pour le bassin est faible, soit 0,52. De même, la fréquence du flux est de 0,172, ce qui est également faible. Selon Pallard et al. (2009), un effet direct de la diminution de la densité de drainage est la diminution des volumes d'inondation qui est attribuée à de longues périodes de concentration impliquant plus de possibilités pour l'eau de s'infiltrer. La longueur de l'écoulement de surface pour le bassin d'Arkavathy est de 0,96, ce qui confirme un temps de concentration plus long et l'inexistence d'une topographie jeune Nongkynrih et Husain (2011). Cependant, la densité de drainage du bassin et le long temps de concentration dépendent non seulement du relief mais aussi de la résistance des roches à travers différents ordres de cours d'eau, végétation, précipitations et matériaux souterrains. La grande partie du bassin (80 % du bassin) est un terrain plus plat, comme le montre la courbe hypsométrique du bassin. Et la pluviométrie annuelle moyenne dans le bassin est de 874,87 mm. Et la densité de drainage du bassin montre une faible valeur de 0,52 et une longue valeur d'écoulement de surface de 0,96. Par conséquent, il existe une possibilité d'infiltration plus élevée reflétée par une faible densité de drainage dans les régions du terrain plus plat.


    Exposition au mercure aviaire et risque toxicologique dans l'ouest de l'Amérique du Nord : une synthèse

    La contamination de l'environnement par le méthylmercure est un problème important à l'échelle mondiale, et les oiseaux sont des bioindicateurs utiles pour les programmes de surveillance du mercure. Les données disponibles sur la contamination par le mercure des oiseaux dans l'ouest de l'Amérique du Nord ont été synthétisées. Des données originales provenant de plusieurs bases de données ont été obtenues et une revue de la littérature a été menée pour obtenir des concentrations de mercure supplémentaires. Au total, 29219 concentrations originales de mercure chez les oiseaux de 225 espèces ont été compilées, et 1712 concentrations moyennes supplémentaires de mercure, représentant 19998 individus et 176 espèces, provenant de 200 publications ont été obtenues. Pour rendre les données sur le mercure comparables entre les tissus d'oiseaux, les équations publiées des corrélations tissulaires du mercure ont été utilisées pour convertir toutes les concentrations de mercure en concentrations de mercure équivalentes dans le sang. Les concentrations de mercure équivalent dans le sang différaient selon les espèces, les guildes d'alimentation, les types d'habitat, les emplacements et les écorégions. Les piscivores et les carnivores présentaient les concentrations de mercure les plus élevées, tandis que les herbivores et les granivores présentaient les concentrations de mercure les plus faibles. Les concentrations de mercure chez les oiseaux étaient les plus élevées dans les habitats océaniques et les marais salés et les plus faibles dans les habitats terrestres. Les concentrations de mercure chez les oiseaux étaient supérieures aux seuils de toxicité dans de nombreuses régions de l'ouest de l'Amérique du Nord, et plusieurs points chauds ont été identifiés. De plus, les références de toxicité publiées établies dans plusieurs tissus ont été résumées et traduites en une concentration de mercure équivalente dans le sang. Dans l'ensemble, 66 % des oiseaux échantillonnés dans l'ouest de l'Amérique du Nord dépassaient une concentration de mercure équivalent dans le sang de 0,2 g/g poids humide (ww au-dessus des niveaux de fond), qui est le niveau d'effet le plus faible observé, 28 % dépassaient 1,0 μg/g ww ( risque modéré), 8 % dépassaient 3,0 g/g ww (risque élevé) et 4 % dépassaient 4,0 g/g ww (risque grave). Les programmes de surveillance du mercure devraient échantillonner les tissus des oiseaux, tels que le sang et les œufs adultes, qui sont le plus facilement convertis en tissus avec des références de toxicité bien développées et qui sont directement pertinents pour la reproduction des oiseaux. Les résultats indiquent que la contamination des oiseaux par le mercure est répandue dans de nombreuses régions de l'ouest de l'Amérique du Nord, et les attributs écologiques à grande échelle sont des facteurs importants qui influent sur les concentrations de mercure chez les oiseaux.


    Publié par Emerald Publishing Limited. Cet article est publié sous la licence Creative Commons Attribution (CC BY 4.0). N'importe qui peut reproduire, distribuer, traduire et créer des œuvres dérivées de cet article (à des fins commerciales et non commerciales), sous réserve d'attribution complète à la publication originale et aux auteurs. Les termes complets de cette licence peuvent être consultés sur http://creativecommons.org/licences/by/4.0/legalcode

    Adaptive capacity assessment is a significant component of vulnerability assessments because it aids the identification of resource-poor communities deserving priority consideration during the formulation of strategic responses to climate change (Gbetibouo, 2009) and the allocation of resources and provisioning of assistance. It is also useful in that it assists the governing of adaptation actions by facilitating effective and timely implementation of planned response measures. Climate change-driven afflictions are often difficult to respond to because climate change is a long-term continuous change in average weather conditions (Davis, 2011 IPCC, 2007 Marshall, 2014 Ramamasy and Baas, 2007 Rayner and Minns, 2015) with persistent adverse effects that require implementation of objectively informed interventions. Because climate change occurs over long period, the persistence of changes associated with it implies that interventions designed to mediate its effects have to be robust enough to enable vulnerable communities to cope with unpredictable stochastic events. The unpredictable nature of these events and their severity and duration often require recourse to high levels of flexibilities which resource-poor communities are often unable secure because their adaptive capacities are limited by poverty (IPCC, 2007).

    Because low levels of flexibilities undermine the implementation of interventions by overstretching limited resources, the placement of well-versed adaptation strategies planned to augment human capacities to handle deteriorating climate conditions is critical, as adoption of effective strategies requires official acknowledgement of the non-transient character of current trends in climatic change (Hamandawana, 2007). The assessment of adaptive capacity provides decision makers on global, regional, national and local levels’ useful information that helps to improve climate change adaptation policies (Juhola and Kruse, 2015 Smith et al, 2010).

    Such information is extremely necessary in regions of the world like Southern Africa which is widely considered to be extremely vulnerable to climate change because of limited livelihood options, poorly developed infrastructure (Ziervogel et al., 2006), different forms of human insecurity (Davies et al, 2010), the high prevalence resource-poor households (IPCC, 2007) and dependence on climate-sensitive sectors notably agriculture (Ambrosino et al., 2010). Resource-poor communities are usually situated within rural areas which are susceptible to drought (Phaswana-Mafuya and Olsson, 2008). In South Africa, observations over 43 years before year 2003 point to a steady increase in temperatures with projections estimating increases by 1.2°C by 2020, 2.4°C by year 2050 and 4.2°C by the year 2080 while rainfall is projected to reduce by 5.4 per cent, 6.3 per cent and 9.5 per cent by year 2020, 2050 and 2080, respectively (Kruger and Shongwe, 2004). In similar studies, Department of Environmental Affairs (2013) and Erasmus (2014) have also pointed out to future increase in temperatures and rainfall reductions within South Africa with the latter being corroborated by a reported 4 per cent decrease for the rest of Southern Africa during the last century (UNECA - United Nations Economic Commission for Africa, 2011). Although the reliability of this estimate is contestable, Southern Africa has exhibited high inter-annual rainfall variability from the beginning of the second half of the past century (Conway et al., 2009) which is likely to force much of South Africa’s rural agriculture out of production (Bauer and Scholz, 2010). These scenarios are indicative of climate change in the entire country and signal immediate need to embrace appropriately informed intervention strategies.

    The work done by Gbetibouo et al. (2010) in ranking South Africa’s provinces’ vulnerability to climate change-related problems shows that the Limpopo, Eastern Cape and KwaZulu-Natal Provinces are highly vulnerable to climate change-related problems because of their high dependency on rain-fed agriculture, densely populated rural areas, large numbers of small-scale farmers and high rates of land degradation. Although this paper is not intentioned to provide a countrywide perspective of the pervasive nature of climate change induced vulnerabilities, a synoptic overview of synchronous events can help to illustrate the perversity of climate induced vulnerabilities in South Africa. In 2004, KwaZulu-Natal Province, which borders the Eastern Cape Province in the north east was hit by a severe drought that left more than 700,000 people without water after boreholes, rivers and wells dried up with this drought having been preceded by similar others in 1979, 1980, 1983 and 1992-1993 (Reid and Vogel, 2006). In the Eastern Cape Province, consecutive droughts occurred in the years 1992, 2004 and 2009 (International Federation of Red Cross, 2004 ADM, 2012 Amathole District Municipality, 2010) with the most severe being experienced in Nkonkobe Local Municipality. The magnitude and severity of the 2004 drought became evident in Nkonkobe Local Municipality when 1,063 farmers submitted applications for drought relief support (ADM, 2004). This situation was followed by reports in July 2009, of critically low dam levels in Hogsback town which falls under the Eastern Cape Province’s Nkonkobe Local Municipality (ADM, 2012 Amathole District Municipality, 2010). Thereafter, Nkonkobe Local Municipality was declared a drought disaster area by Amathole District Municipal council in February 2017 (Dayimani, 2017). These scenarios argue for the need to assess adaptive capacities in the Eastern Cape Province’s Nkonkobe Local Municipality because most communities its communities do not have adequate capacities to cope with climate change-related problems because of high incidences of poverty occasioned by the majority of the people’s dependence on rain-fed agriculture, livestock production and government social grants (Gbetibouo and Ringler, 2009 Ndhleve et al., 2014 Zhou et al., 2013). Nkonkobe Local Municipality’s low adaptive capacity is further aggravated and evidenced by its low Human Development Index (HDI) of 0.60 which is very low according to the HDI report of United Nations (Nkonkobe Local Municipality, 2012). The HDI indicates the status of a place in terms of development (Nkonkobe Local Municipality, 2012). Nkonkobe’s HDI of 0.60 suggests that this municipality is still poorly developed for which reason it is ranked as being highly vulnerable to disasters associated with climate change. A perceptive inference from these scenarios and statistics is that adaptive capacities are spatially variable and coextensive (Adger et al., 2003) to the extent that it is extremely important to objectively identify hotspot areas to direct interventions to areas where they are most needed by using optimally selected indicators.

    The choice of indicators for determining adaptive capacity is linked to a wide range of factors that are related to a community’s demographics and socio-cultural arrangements (Wongbusarakum and Loper, 2011). Demographics are statistical data linked to the population and precise groups surrounding it. By identifying likely climate change impacts and conveying them in a map format with strong visual elements, hotspots maps can communicate issues in a manner that may be easier to interpret than text (de Sherbinin, 2014). Hence, the main objective of this paper was to delimit areas in Nkonkobe Local Municipality which are least capable of effectively coping with the adverse effects of climate change by providing a spatially explicit resource-based identification of communities.


    12.3 Alternatives to CSR/IRP

    Figure 12.8: Walmart store distribution shown on top of a population density layer. Could population density distribution explain the distribution of Walmart stores?

    The assumption of CSR is a good starting point, but it’s often unrealistic. Most real-world processes exhibit 1 st and/or 2 nd order effects. We can simulate the placement of Walmart stores using the population density layer as our inhomogeneous point process. We can test this hypothesis by generating random points that follow the population density distribution.

    Figure 12.9: Examples of two randomly generated point patterns using population density as the underlying process.

    Note that even though we are not referring to a CSR/IRP point process, we are still treating this as a random point process since the points are randomly located following the underlying population density distribution. Using the same Monte Carlo (MC) techniques used with IRP/CSR processes, we can simulate thousands of point patterns (following the population density) and compare our observed ANN value to those computed from our MC simulations.

    Figure 12.10: Histogram showing the distribution of ANN values one would expect to get if population density distribution were to influence the placement of Walmart stores.

    In this example, our observed ANN value falls far to the right of our simulated ANN values indicating that our points are more dispersed than would be expected had population density distribution been the sole driving process. The percentage of simulated values more extreme than our observed value is 0% (i.e. a p-value (acksimeq) 0.0).

    Another plausible hypothesis is that median household income could have been the sole factor in deciding where to place the Walmart stores.

    Figure 12.11: Walmart store distribution shown on top of a median income distribution layer.

    Running an MC simulation using median income distribution as the underlying density layer yields an ANN distribution where about 16% of the simulated values are more extreme than our observed ANN value (i.e. p-value = 0.16):

    Figure 12.12: Histogram showing the distribution of ANN values one would expect to get if income distribution were to influence the placement of Walmart stores.

    Note that we now have two competing hypotheses: a CSR/IRP process and median income distribution process. Both cannot be rejected. This serves as a reminder that a hypothesis test cannot tell us if a particular process is les process involved in the generation of our observed point pattern instead, it tells us that the hypothesis is one of many plausible processes.

    It’s important to remember that the ANN tool is a distance based approach to point pattern analysis. Even though we are randomly generating points following some underlying probability distribution map we are still concerning ourselves with the repulsive/attractive forces that might dictate the placement of Walmarts relative to one another–i.e. we are not addressing the question “can some underlying process explain the X and Y placement of the stores” (addressed in section 12.5). Instead, we are controlling for the 1 st order effect defined by population density and income distributons.


    ArcGIS 10.2 Changing 'null' to 'zero' in attribute table? - Geographic Information Systems

    Landscape Conservation Cooperatives Vector Digital Data Set (Polygon)

    Landscape Conservation Cooperatives Network

    This data is for planning purposes only. LCCs are applied conservation science partnerships with two main functions. The first is to promote collaboration among their members in defining shared conservation goals. With these goals in mind, partners can identify where and how they will take action, within their own authorities and organizational priorities, to best contribute to the larger conservation effort. The second function of LCCs is to provide the science and technical expertise needed to address the shared priorities and support conservation planning at landscape scales – beyond the scope and authority of any one organization. The organizational model of the LCC Network was intentionally structured to operate as a coordinated network of regionally-focused, self-directed partnerships. Self-direction and regional focus are important for individual LCCs to enable latitude for engaging local stakeholders on relevant high-priority issues within their geographies. Network coordination is important for LCCs to function as a larger collective to address issues at the appropriate ecological scale, to share best practices, to leverage resources, and to find economies of scale.

    For further information go to http://lccnetwork.org. Collectively, LCCs comprise a seamless international network supporting landscapes and seascapes capable of sustaining abundant, diverse, and healthy populations of fish, wildlife, and plants. They provide a strong link between science and conservation delivery without duplicating existing partnerships or creating burdensome and unnecessary bureaucracy. Science-based recommendations and decision support tools produced by LCCs are readily transferable to field offices that implement on-the-ground actions. Rather than create a new conservation infrastructure from the ground up, LCCs build upon explicit biological management priorities and objectives, science available from existing partnerships (such as fish habitat partnerships, migratory bird joint ventures and flyway councils), as well as species- and geographic-based partnerships. LCCs support adaptive resource management by evaluating implementation of conservation strategies, maintaining and sharing information and data, and improving products as new information becomes available. Shared data platforms serve multiple purposes, including the collaborative development of population or habitat models under alternative climate scenarios to inform spatially explicit decision support for all partners. In the face of accelerated climate change and other 21st-century conservation challenges, LCCs regularly assess scientific information and effectiveness of conservation actions and support necessary adjustments as new information becomes available. This iterative process of information sharing helps scientists and resource managers deal with uncertainties on the landscape and provides tools to evaluate the implications of management alternatives to determine the most effective conservation actions to support shared priorities. 20150701 See Supplemental Info

    As needed -180.0 180.0 83.1480839371 -15.4221666396 landscape conservation cooperatives landscape conservation cooperatives fish and wildlife service partnerships conservation LCC BGDS Geospatial ISO 19115 Topic Categories biota boundaries Environment Inland Waters

    Eastern Tallgrass Prairie and Big Rivers

    Gulf Coast Plains and Ozarks

    Plains and Prairie Potholes

    Upper Midwest and Great Lakes

    Aleutian and Bering Sea Islands

    Landscape Conservation Cooperatives Network Ben Thatcher Assistant National LCC Coordinator Mailing and Physical 5275 Leesburg Pike, MS: SA Falls Church Virginia

    USA 703-358-2060 [email protected]

    A formal accuracy assessment of the horizontal positional information in the data set has not been conducted. A formal accuracy assessment of the vertical positional information in the data set has either not been conducted, or is not applicable.

    LCCs were created from Geographic Areas. See http://www.fwspubs.org/doi/pdf/10.3996/052011-JFWM-030 for further information. This layer was created through a union of the Bird Conservation Region (BCR) layer and the Freshwater Ecoregions layer (FEOW). The purpose of this union was to retrieve some of the linework and attributes from the FEOW layer. Some linework from the FEOW layer was used to split some BCRs in order to accommodate high priority aquatic areas. It was also decided to integrate the "Mid Atlantic" Hydrographic Unit Code (HUC) Region (Level 2) into this dataset so we could use the actual topographic boundary between the Mid-Atlantic Region (including the James and Chesapeake) from the South-Atlantic Gulf Region (including the Chowan-Roanoake) to split the Atlantic coast area. This was used instead of the FEOW boundary in this area because it diverged from the topographic boundary. After the edits were made by the mapping sub-group, this layer had the multi-part to single-part tool run on it and all polygons that had a BCR = 0 were deleted. These polygons were either the sliver polygons that were created where the FEOW and the BCR coast lines differed or FEOW polygons from areas not in North America. This was done to clean up the dataset. It also allowed the Team to select and classify the many small island polygons along the coast that were accidentally dropped out during the quick group editing process. When applicable, LCC areas are extended into the ocean and do not exceed the 12 Nautical Mile Territorial Sea Boundary.

    Combined Geographic Areas and LCC dataset into one layer of information and removed references to those LCCs that have FWS operational plans to make the datasets more generic and to conform to the current maps on the FWS and DOI websites. Change authorized by Chris Lett, John Wenburg, and David Eisenhauer, April 15, 2010.

    Aleutian and Bering Sea Island: The added area ensures the entirety of the LCC is visible. Change request submitted by Douglas Burn, Coordinator, Aleutian and Bering Sea Island LCC. Original proposal document: http://ecos.fws.gov/ServCatFiles/Reference/Holding/47656. RATIONALE: “Aleutian and Bering Sea Islands LCC” has changed to improve visibility on maps.

    Arctic: “Northern Alaska” was changed to “Arctic”. Change in geographic area name approved by LCC Coordinator LaVerne Smith, December 7, 2009.

    Arctic: "Arctic Plains and Mountains" Geographic Area/LCC name was changed to "Arctic". Change in geographic area name authorized by Interim LCC Coordinator Philip Martin - R7, December 23, 2009.

    Arctic: Changed “Arctic” LCC to include entire Arctic Geographic Area. Change authorized by – R7 Science Applications ARD LaVerne Smith, R7 Interim LCC Coordinator Philip Martin, and Acting Deputy Science Advisor John Wenburg.

    Arctic: Arctic LCC used the 200 Nautical Mile Economic Exclusive Zone (EEZ) where applicable.

    Arctic: The Colville River has been added to the Arctic LCC. Change requested by Greg Balogh, Coordinator, Arctic LCC. Original proposal document: http://ecos.fws.gov/ServCatFiles/Reference/Holding/47658. RATIONALE: Colville River appeared as just a line in the previous versions of this dataset.

    California: The Geographic Area "South Pacific" was changed to "California" Edits vetted through the FWS National Climate Team, November 12, 2009.

    California: A sliver of land, which was less than 2 miles wide at its widest point along the crest of the Southern Sierra Nevada Range downslope into the foothills of the Mojave Desert, was moved from the Great Basin LCC to the California LCC. Change request submitted by Tony McKinney, GIS Coordinator, FWS Carlsbad Fish and Wildlife Service Office. California LCC added the small sliver of land from the Great Basin LCC by using a .pdf drawing and making the best possible cutting decisions (using a trace and cut tool) based on the .pdf drawing. Original proposal document: http://ecos.fws.gov/ServCatFiles/Reference/Holding/44776. RATIONALE: A sliver of land with very little ecological semblance to Great Basin LCC should be moved from the Great Basin LCC to the California LCC.

    Caribbean: Caribbean LCC added December 18, 2011, compiled from United Stated Exclusive Economic Zone around Puerto Rico. Approved by National LCC Coordinator Doug Austen, December 14, 2011.

    Caribbean: The Caribbean LCC geographic extent includes the terrestrial and marine components within the Exclusive Economic Zone (EEZ) of the U.S. Caribbean and Navassa Island, with consideration of relevant drivers, policies, and impacts originating in the wider Caribbean region. Change request submitted by Maya Quinones, Caribbean LCC. RATIONALE: To better reflect the Caribbean LCC Charter and description of geographic extent of interest.

    Caribbean (Wider Caribbean): The Wider Caribbean Region (WCR) comprises the insular and coastal States and Territories with coasts on the Caribbean Sea and Gulf of Mexico as well as waters of the Atlantic Ocean adjacent to these States and Territories and includes 28 island and continental countries. The oceanic 12NMI buffer for the western half of Mexico was created using the ESRI buffer tool based on the 2010 LCC Data shoreline. To the east of Ciudad Del Carmen, the "Simplified World Polygons (LSIB) - March 2013" (from the State Department's website https://hiu.state.gov/data/data.aspx ) dataset was used to create the 12NMI buffer. Only islands polygons that included an overlapping polygon to the oceanic buffer or island that intersected the oceanic buffer east of Ciudad Del Carmen were included in the final buffer. Change request submitted by Maya Quinones, Caribbean LCC.

    Desert: The coast of the Desert LCC did not have data available in the U.S. Maritime Limits and Boundaries Dataset. In this instance, the 12 Nautical Mile boundary was created using the previous LCC boundary and the ESRI buffer tool within ArcGIS. U.S. Maritime Limits and Boundaries Dataset shapefile: http://maritimeboundaries.noaa.gov/downloads/USMaritimeLimitsAndBoundariesSHP.zip.

    Eastern Tallgrass Prairie and Big Rivers: “Eastern Tallgrass Prairie” was changed to “Eastern Tallgrass Prairie and Big Rivers”. Change in geographic area name approved by LCC Coordinator Teresa Woods, December 7, 2009.

    Great Northern: Name for geographic area was changed. ”Northern Rockies” became “Great Northern” to comply more closely with LCC name, October 7, 2009.

    Great Northern (Affected LCC: Plains and Prairie Potholes): The Alberta boundary adjustment was performed using natural region and sub-regional boundaries. The boundary change follows the Crown of the Continent Ecosystem boundary in the southern portion of the eastern slopes, including that portion of the foothills fescue where "the mountains meet the prairie” includes the Foothills Parkland Natural Sub Region (excluding the City of Calgary) and includes the Upper and Lower Foothills Sub Regions (excluding the Swan Hills extension and separate outliers). Change request submitted by Yvette Converse, Coordinator, Great Northern LCC and Ian Dyson, Alberta Environment and Sustainable Resource Development. Original proposal document: http://ecos.fws.gov/ServCatFiles/Reference/Holding/44750. RATIONALE: The Alberta boundary adjustment was performed to more accurately depict that portion of Alberta encompassed by the Eastern Slopes of the Alberta Rockies in which Canadian Great Northern LCC partners are having discussions from a trans-boundary perspective with adjacent jurisdictions on building science supports and assessing the implications of climate change, invasive species, and land disturbance/fragmentation.

    Great Plains: “Southern Great Plains” was changed to “Great Plains”. Change in geographic area name approved by LCC Coordinator Kathy Granillo, December 7, 2009.

    Gulf Coastal Plains and Ozarks: "Gulf Coast Plain and Ozarks" Geographic Area/LCC name was changed to "Gulf Coastal Plains and Ozarks". Change in geographic area name authorized by Interim LCC Coordinator Bill Uihlein - R4, December 23, 2009.

    Gulf Coastal Plains and Ozarks: Boundary for the Gulf Coastal Plains and Ozarks (GCPO) LCC to be shown as just the coastline and barrier islands. Reassigned barrier islands off the coast of the GCPO belonging to the states of Florida, Alabama, and Mississippi, to the GCPO. Change requests submitted by Todd Jones-Farrand, Science Coordinator, GCPO LCC. RATIONALE: Barrier Islands off the coast of the GCPO belonging to the states of Florida, Alabama, and Mississippi were incorrectly assigned to the Gulf Coast Prairie LCC in the 2010 map.

    Gulf Coast Prairie: “Gulf Coast Prairie” was updated to extend further east, September 16, 2009.

    Gulf Coast Prairie: Expanded Gulf of Mexico boundary. LCC contact Bill Bartush.

    North Atlantic: "Northern Atlantic" was changed to "North Atlantic". Edits vetted through the FWS National Climate Team, November 12, 2009.

    North Atlantic: The Canadian portion of North Atlantic LCC (Nova Scotia and New Brunswick) did not have data available in the U.S. Maritime Limits and Boundaries Dataset. In this instance, the 12 Nautical Mile boundary was created using the previous LCC boundary and the ESRI buffer tool within ArcGIS. U.S. Maritime Limits and Boundaries Dataset shapefile: http://maritimeboundaries.noaa.gov/downloads/USMaritimeLimitsAndBoundariesSHP.zip.

    North Atlantic (Affected LCCs: Upper Midwest and Great Lakes, Appalachian): North Atlantic LCC, Upper Midwest and Great Lakes LCC, and Appalachian LCC had changes to their boundaries. Mohawk and Champlain Valleys from Upper Midwest and Great Lakes LCC was moved to the North Atlantic LCC and the shift of the Hudson Highlands-trap rock ridge finger east of the Hudson River was removed from the Appalachian LCC and added to the North Atlantic LCC. There was also a small chunk of land that was removed from the Appalachian LCC and added to the South Atlantic LCC. Change request made by Andrew Milliken, Coordinator, North Atlantic LCC. Original proposal documents: http://ecos.fws.gov/ServCatFiles/Reference/Holding/47662, http://ecos.fws.gov/ServCatFiles/Reference/Holding/44748. RATIONALE: The related boundary changes improve ecologic homogeneity and partnership efficiencies.

    North Pacific: The oceanic west coast of British Columbia did not have data available in the U.S. Maritime Limits and Boundaries Dataset. In this instance, the 12 Nautical Mile boundary was created using the previous LCC boundary and the ESRI buffer tool within ArcGIS. U.S. Maritime Limits and Boundaries Dataset shapefile: http://maritimeboundaries.noaa.gov/downloads/USMaritimeLimitsAndBoundariesSHP.zip.

    North Pacific: A wet and vegetative land area was removed from the Great Northern LCC and added to the North Pacific LCC. Original proposal document: http://ecos.fws.gov/ServCatFiles/Reference/Holding/47657. RATIONALE: This occurred because the watershed flow patterns and ecological patterns along the crest of the North Cascade Mountain Range closely resembled that of the North Pacific LCC. Change request submitted by John Mankowski, LCC Coordinator, North Pacific LCC, and Yvette Converse, LCC Coordinator, Great Northern LCC.

    Northwest Boreal: "Northern Interior Forest" was changed to "Northwestern Interior Forest". Edits vetted through the FWS National Climate Team, November 12, 2009.

    Northwest Boreal: “Northwestern Interior Forest LCC” name was changed to “Northwest Boreal LCC” as suggested by the Northwest Interior Forest LCC Steering Committee. Change request submitted by John DeLapp, Coordinator, Northwest Boreal LCC. Original proposal document: http://ecos.fws.gov/ServCatFiles/Reference/Holding/44746. RATIONALE: “Interior” was commonly misunderstood as being in the interior of the continent. “Forest” suggests to partners that the Northwest Interior Forest LCC's primary focus was on forest and forestry related issues.

    Pacific Islands: Name for geographic area was changed. “Insular Pacific-Hawaii” became “Pacific Islands,” to comply more closely with LCC name, October 7, 2009.

    Pacific Islands: The “Pacific Islands” area was enlarged to include the new area identified by the regional climate change group. Edits vetted through the FWS National Climate Team, November 12, 2009.

    Pacific Islands: The area was created by merging all of the Exclusive Economic Zones (EEZ) of the United States Affiliated Pacific Islands (USAPI) in the Pacific Islands Climate Change Cooperative’s (PICCC) geographic scope, along with Hawaii. Change request submitted by Patrick Grady, PICCC. RATIONALE: The PICCC boundary required updating because it intersects sovereign nations.

    Peninsular Florida: “South Florida” was changed to “Peninsular Florida”. Change in geographic area name approved by LCC Coordinator Bob Ford, December 7, 2009.

    Plains and Prairie Potholes: Name for geographic area was changed. ”Northern Great Plains” became “Plains and Prairie Potholes” to comply more closely with LCC name, October 7, 2009.

    South Atlantic: In 2012 the Appalachian LCC requested a boundary change with the South Atlantic LCC to move the upper reaches of the Apalachicola basin from the Appalachian LCC to the South Atlantic LCC. This modification impacted the western boundary of the South Atlantic LCC. The 8-Digit Watershed Boundary Data 1:24K was used to make this boundary change. The western boundary of the Upper Chattachoochee subbasin (HUC_8 = 03130001) polygon was used to modify the western boundary of the South Atlantic LCC. In January 2012, the South Atlantic LCC Steering Committee adopted the outer limit of the U.S. Exclusive Economic Zone (200 nm) as the eastern marine boundary for the Cooperative. This area is included in all core LCC products including the cooperative's Ecosystem Indicators, State of the South Atlantic, and version 1.0 and 2.0 of the Conservation Blueprint. The South Atlantic LCC is requesting the inclusion of portions of the Atlantic Ocean in this official South Atlantic LCC boundary depiction. The U.S. Exclusive Economic Zone (EEZ), which extends 200 miles into the ocean, delineates the eastern boundary of the marine ecosystem. The northern and southern boundaries were delineated by extending parallel lines out from the coast at roughly 37 degrees latitude (northern boundary) and 30 degrees latitude (southern boundary). The northern and southern boundaries are estimates that can be modified in the future if the North Atlantic and Peninsular Florida LCCs extend their boundaries into the marine environment. The Gulf portions of the marine environment are not currently being proposed as boundary changes due to the small extent of the Gulf shoreline in the South Atlantic LCC geography and the difficulty in determining boundaries with other LCCs in the Gulf.

    Upper Midwest and Great Lakes: Data correction - added “Great Lakes” area to “Upper Midwest and Great Lakes” geographic area. Change authorized by Science Advisor Dan Ashe, Acting Deputy Science Advisor John Wenburg, and Interim LCC Coordinator Teresa Woods - R3, January 6, 2010.

    Upper Midwest and Great Lakes (Affected LCCs: Eastern Tallgrass Prairie and Big Rivers): Change 1: place the Lake Erie Plain into Upper Midwest and Great Lakes LCC instead of the Eastern Tallgrass Prairie and Big Rivers LCC. Change 2: place the entire Lake Superior watershed into the Upper Midwest and Great Lakes LCC. Change requests submitted by Bradly Potter, Science Coordinator, Upper Midwest and Great Lakes LCC. RATIONALE: Change 1: necessary because this region encompasses nearly the entire western Lake Erie watershed - an important region for Great Lakes conservation efforts. Change 2: The area was not included in any LCC and would allow to continuation of research, planning, and design across the entire Great Lakes watershed.


    Voir la vidéo: ArcGIS - MDBGDB - Do not allow null values in attibute table for existing features