Suite

Remplir la table attributaire à partir de l'interpolation (grille) ?

Remplir la table attributaire à partir de l'interpolation (grille) ?


Je suis un utilisateur novice d'ArcGIS Desktop 10, avec une question sur la façon d'ajouter des données d'un fichier de grille à un fichier de formes en fonction d'un attribut et d'une position. J'ai un shapefile avec les positions des poissons (x,y) et leur température. J'ai créé une grille à partir d'observations de température recueillies de la surface du lac jusqu'au fond. Je dois ajouter la profondeur de la surface interpolée à la position du poisson en fonction de la température du poisson.

Donc pour chaque poisson (cercle) je connais sa position le long de l'axe x et je connais aussi sa température.

Comment puis-je récupérer la profondeur de la grille en fonction de la température du poisson et de sa position le long de l'axe x ?


Un moyen rapide et sale serait de traduire les points XY en une distance de l'embouchure de la rivière, de l'utiliser pour la distance de la rivière, puis de représenter graphiquement la température en tant que valeur Y… Si tout ce que vous faites est d'essayer de le faire tracer correctement pour cela graphique.

Si vous essayez de faire quelque chose en 3D, examinez les valeurs z.

Si tout ce que vous avez à faire est de joindre la grille au fichier de formes, convertissez d'abord la grille en un quadrillage.


# ajoutez ce script à la boîte à outils personnalisée et exécutez-le à partir d'ArcMap v 10.1 # # ---------------------------------- ----------------------------------------- import arcpy, os, traceback, sys try : def showPyMessage(): arcpy.AddMessage(str(time.ctime()) + " - " + message) mxd = arcpy.mapping.MapDocument("CURRENT") couches=arcpy.mapping.ListLayers(mxd) ## ASSUME QUE LA 1ère COUCHE DANS LA TABLE DES MATIÈRES EST LA COUCHE DE POINTS - FISH fishLayer=layers[0] ## SUPPOSE QUE LA 2ème COUCHE EST LA TEMPÉRATURE RASTERE. GET RASTER INFO tempRaster=layers[1] g=arcpy.Raster(tempRaster.name) cSize=g.meanCellHeight yMax=g.extent.YMax; yMin=g.étendue.YMin; nRows=g.height ## SUPPOSEZ QUE LA TEMPÉRATURE À TROUVER STOCKÉE DANS LE CHAMP 'Fish_Degr' ## PROFONDEUR DE SORTIE CORRESPONDANTE STOCKÉE DANS LE CHAMP 'DEPTH'. BOTH NUMERIC p=arcpy.Point() avec arcpy.da.UpdateCursor(fishLayer, ("[email protected]","Fish_Degr","DEPTH")) comme lignes : pour la ligne dans les lignes : x=row[0].firstPoint. X fishTemp=row[1] yCur=yMax pX=x;pY=yMin ## OBTENIR LA COLONNE ENTIÈRE DE RASTER ET ITERER POUR TROUVER LA MEILLEURE CORRESPONDANCE myAr=arcpy.RasterToNumPyArray(g,p,1,nRows) difMin=1000000 pour nr dans la plage (nRows): cellValue=myAr[nr,0] difCur=abs(cellValue-fishTemp) si difCur

donc à partir de ça

vous pouvez obtenir ceci (si c'est ce que vous voulez vraiment):


Essaim de particules multi-objectifs basé sur un SIG Optimisation des bornes de recharge pour véhicules électriques

L'optimisation multi-objectifs de l'essaim de particules et le SIG sont des méthodes pratiques pour la planification des stations de charge.

La courbe de Pareto entre les coûts totaux et la couverture montre un effet de changement d'économie d'échelle.

Le développement des véhicules électriques et les constructions des stations ont des relations mutuellement déterminées.

Des stations de recharge avec de meilleures capacités de service sont nécessaires dans un proche avenir.


Graphique linéaire numérique (DLG)

Schémas de formatage de carte

Chaque entité cartographique d'un fichier de graphique linéaire numérique (DLG) contient codes d'attribut qui spécifient les propriétés de la fonction. Par exemple, une entité linéaire peut avoir les codes d'attribut Route principale et En construction. Un code d'attribut se compose de deux nombres entiers : un code à 3 chiffres code majeur, et un à 3 ou 4 chiffres code mineur. Les codes d'attributs sont standardisés et documentés : voir Détails techniques.

UNE schéma de mise en forme de carte est un fichier contenant des règles qui associent des codes d'attributs aux styles d'affichage. Par exemple, une règle peut indiquer que les entités linéaires avec le code 170 212 (routes à quatre roues motrices) doivent être dessinées en une fine ligne grise en pointillés.

Les schémas de formatage des cartes sont stockés dans des fichiers avec l'extension .mapformattingscheme. Vous pouvez créer, afficher et modifier des schémas de mise en forme de carte à l'aide de NMPlot.

Pour ouvrir un schéma existant, choisissez Ouvert du NMPlot Fichier menu, puis sélectionnez un fichier de schéma de mise en forme de carte. Une fenêtre de document de schéma de mise en forme de carte s'affiche.

Les règles du schéma de mise en forme des cartes sont divisées en trois groupes, selon qu'elles s'appliquent aux entités cartographiques ponctuelles, linéaires ou surfaciques. Appuyez sur l'un des boutons pour modifier les règles d'un groupe. Par exemple, si vous appuyez sur le bouton Modifier les règles de ligne, une boîte de dialogue s'affiche et vous permet de modifier les règles utilisées pour les entités linéaires.

Les règles d'un schéma de mise en forme de carte sont très similaires aux règles d'affichage utilisées pour les annotations géographiques de grille. Veuillez consulter Affichage des annotations géographiques, qui décrit les règles d'affichage et explique comment elles sont modifiées. Les règles du schéma de formatage de carte sont modifiées de la même manière, à trois exceptions près.

Les tables de règles du schéma de mise en forme de carte ont une colonne supplémentaire intitulée Nom de la règle. Cette colonne est utilisée pour donner un nom descriptif à une règle.

Au lieu des colonnes intitulées Catégorie et Nom, les tables de règles du schéma de formatage de carte ont une colonne intitulée Codes d'attribut DLG. Les règles du schéma de formatage de carte sont comparées aux codes d'attribut d'une entité DLG de la même manière que les règles d'affichage de l'annotation géographique de la grille sont comparées à la catégorie et au nom d'une annotation. Dans la colonne Codes d'attribut DLG, saisissez les codes d'attribut associés à chaque règle. Voici quelques exemples.

蕺 201" fait correspondre les entités DLG avec le code d'attribut 170 201.

蕺 201..205" correspond aux fonctionnalités DLG avec un code majeur de 170 et un code mineur entre 201 et 205.

蕺 201,203" correspond aux fonctionnalités DLG avec un code majeur de 170 et un code mineur de 201 ou 203.

蕺 201 et 170 603" correspond aux entités DLG avec les deux codes d'attribut 170 201 et 170 603.

蕺 201 puis 170 603" correspond à l'entité DLG avec les deux codes d'attribut 170 201 et 170 603, 170 603 suivant 170 201 dans la liste des codes d'entité.

" " correspond aux caractéristiques DLG sans codes d'attribut.

Par exemple, 蕺 201-208 et 170 603,604" correspondent à toutes les routes principales et secondaires en construction.

Les tables de règles du schéma de formatage de carte ont une colonne supplémentaire intitulée Échelle (1:x). Cette colonne vous permet de spécifier l'échelle minimale à laquelle les caractéristiques DLG correspondantes sont affichées. Si un tracé est affiché à une échelle inférieure à l'échelle d'une règle, les entités DLG correspondant à cette règle ne sont pas affichées. Cela vous permet de construire des cartes qui révèlent plus de détails lorsque vous zoomez.

Noter:

NMPlot est distribué avec un schéma de formatage de carte par défaut. Ce schéma est dans le fichier Default.MapFormattingScheme, qui se trouve dans le répertoire où NMPlot est installé.

Noter:

Cette section ne fournit qu'une brève introduction aux codes d'attribut. Si vous avez l'intention de modifier les schémas de formatage des cartes, procurez-vous la documentation officielle de la DLG, qui décrit les codes d'attribut en détail. Voir Détails techniques pour plus d'informations sur l'obtention de la documentation.

Boîte de dialogue Options de graphique linéaire numérique (DLG)

Utilisez la boîte de dialogue Options de couche de carte graphique linéaire numérique pour configurer une couche d'arrière-plan de carte DLG.

Nom descriptif de cette couche cartographique : Tapez une brève description de cette couche de carte. Les exemples sont "Roads" et "Water Features". Cela vous permet d'identifier cette couche à l'avenir.

Schéma de formatage de la carte qui sera utilisé pour interpréter les données de cette couche cartographique : Tapez le nom du fichier contenant le schéma de formatage de carte utilisé pour afficher cette couche DLG. Appuyez sur le bouton Parcourir , situé à droite de la zone de texte, pour afficher la boîte de dialogue Ouvrir un fichier, qui vous permet de rechercher le fichier. Les schémas de formatage de carte ont généralement l'extension .mapformattingscheme. Voir Schémas de formatage de carte.

Données géographiques utilisées pour stocker les coordonnées dans le(s) fichier(s) DLG de cette couche de carte : Sélectionnez les fichiers DLG' datum géographique. Voir Contrôle de référence pour plus d'informations sur la sélection de références. Voir Introduction aux références pour des informations générales sur les références.

Important:

De nombreux fichiers DLG fournis par le United States Geological Survey (USGS) se trouvent dans le North American Datum de 1927 (NAD-27). Assurez-vous de connaître les données correctes pour vos fichiers DLG.

Afficher les points, les lignes, les zones : Cochez les cases correspondant aux entités géographiques que vous souhaitez afficher. En règle générale, les trois cases doivent être cochées. Cependant, si nécessaire, vous pouvez restreindre les fonctionnalités qui sont affichées. Par exemple, vous pouvez choisir d'afficher uniquement les entités géographiques ponctuelles.

Nom(s) du ou des fichiers DLG contenant les données de cette couche cartographique : Tapez les noms des fichiers DLG que vous souhaitez afficher dans le cadre de cette couche. N'importe quel nombre de fichiers peut être répertorié. Appuyez sur l'un des boutons Parcourir , situés à droite des zones de texte du nom de fichier, pour afficher la boîte de dialogue Ouvrir un fichier, qui vous permet de rechercher un fichier. Les fichiers DLG ont généralement l'extension .dlg.

Appuyez sur le bouton Ajouter un fichier à la liste pour ajouter un fichier. Supprimez un fichier en cliquant dessus avec la souris, puis en appuyant sur le bouton Supprimer le fichier de la liste.

Détails techniques

NMPlot peut lire les fichiers DLG au format 1:24000 et 1:100000, niveau 3, en option.

Le système de coordonnées du fichier DLG doit être Universal Transverse Mercator (UTM).

Le fichier DLG ne peut pas contenir d'enregistrements de précision DLG.

NMPlot peut afficher les enregistrements DLG des types suivants.

Les fichiers DLG contenant un mélange de types d'enregistrements sont pris en charge.

NMPlot peut fusionner les données de topologie DLG dans des couches contenant plusieurs fichiers DLG.

Le format DLG est contrôlé par la National Mapping Division du United States Geological Survey (USGS). Les spécifications officielles sont documentées dans un rapport technique intitulé "Standards for Digital Line Graphs", disponible sur le site Web de l'USGS, http://www.usgs.gov. En septembre 2000, l'URL de ce document était http://rockyweb.cr.usgs.gov/nmpstds/dlgstds.html. Ce document contient une liste de tous les codes d'attribut DLG.


Remplir la table attributaire à partir de l'interpolation (grille) ? - Systèmes d'information géographique

Les lacs urbains sont des ressources en eau douce très précieuses pour une ville. Ils fournissent non seulement de l'eau pour la vie et la production, mais jouent également un rôle important dans la régulation de l'environnement urbain, le stockage des crues, l'irrigation des terres agricoles et l'embellissement du paysage d'une ville [ 1 &# x2013 5 ]. Ainsi, ils sont extrêmement précieux pour le développement urbain. Cependant, les lacs urbains ont été fortement menacés par l'urbanisation ces dernières années [ 6 – 8 ]. La superficie du lac a été réduite [ 9 , 10 ] la qualité de l'eau a été polluée [ 11 , 12 ]. Ces dommages sur les lacs sont irréversibles dans certains cas. Par exemple, de nombreux lacs ont complètement disparu de la carte en raison du développement immobilier à Wuhan, en Chine [ 13 ]. Par conséquent, il est significatif d'étudier le changement de superficie des lacs urbains avec le développement urbain.

Le changement de superficie du lac est généralement considéré comme un changement quantitatif des ressources en eau. Dans les études traditionnelles, une série de modèles hydrologiques ont été conçus sur la base d'équations de bilan hydrique. En d'autres termes, le changement d'eau dans un système est égal à la différence entre la sortie et l'entrée du système [ 14 , 15 ]. Ces dernières années, certaines recherches se sont concentrées sur l'effet de l'urbanisation et des activités humaines sur les lacs urbains. Les dommages aux lacs pourraient être évalués par l'équation du bilan hydrique [ 16 , 17 ]. Cependant, la méthode hydrologique traditionnelle nécessite une masse de données historiques, généralement difficiles à collecter. D'autre part, afin d'obtenir une plus grande précision, les modèles hydrologiques deviennent très complexes.

De plus, la surveillance des changements de superficie du lac par télédétection (RS) a été largement appliquée [18, 19]. Selon la signature spectrale de l'eau, la superficie du lac peut être détectée rapidement à partir d'images de télédétection par des méthodes de traitement d'images [ 20 ]. L'évolution de la superficie du lac à différentes périodes peut être extraite par analyse spatiale dans les systèmes d'information géographique (SIG) [21, 22].

Malgré les réalisations précédentes, il y a encore un manque de connaissances sur l'évolution de la superficie du lac. Premièrement, la zone d'étude dans les études précédentes était généralement considérée comme un bassin versant de lac particulier au lieu de tous les lacs urbains. Deuxièmement, la surveillance de l'évolution de la superficie du lac par RS est une méthode statique. Il ne peut pas montrer le processus de changement de la superficie du lac au cours d'une certaine période de temps.

Cet article se concentre sur tous les lacs d'une ville. Afin de trouver le modèle du changement de superficie de ces lacs, cet article a utilisé la méthode de l'évolution urbaine comme référence. En particulier, des automates cellulaires et des systèmes multi-agents ont été introduits pour modéliser le changement de zone des lacs urbains dans une étude de cas de Wuhan, en Chine.

Un automate cellulaire (AC) est une sorte de modèle dynamique avec un temps, un espace et un état discrets. Il est capable de simuler l'évolution spatio-temporelle d'un système complexe par des relations simples entre cellules adjacentes [23]. Les automates cellulaires ont été largement appliqués en mathématiques, en physique, en biologie et en sciences de la complexité, en particulier dans les études sur la croissance urbaine et l'utilisation des terres et le changement de la couverture végétale (LUCC) [24 – 27]. Les lacs urbains font partie de l'espace urbain géographiquement. Ainsi, le changement de superficie des lacs urbains peut être considéré comme faisant partie du LUCC. En d'autres termes, les lacs urbains peuvent être considérés comme un sous-système du système urbain, qui a été reconnu comme un système complexe. Par conséquent, il est possible de simuler l'évolution de la superficie des lacs urbains par des automates cellulaires.

Cependant, le modèle CA ne peut pas pleinement refléter l'effet du développement urbain et des activités humaines sur les lacs urbains individuellement, car les relations de voisinage ne peuvent représenter que les interactions entre les lacs urbains et les LUCC au bord du lac. Les diverses actions des activités humaines sur les lacs urbains ne peuvent être ignorées. Par exemple, les gouvernements peuvent promulguer des lois et des règlements pour protéger l'environnement écologique des lacs et des paysages environnants. Au contraire, les promoteurs immobiliers ont besoin de plus de terrains pour construire et développer. Cela pourrait provoquer le remplissage des lacs.

Afin de surmonter les limitations du modèle CA, un système multi-agents (SMA) a été utilisé pour représenter le comportement humain et la prise de décision. Le concept d'agent est introduit à partir des domaines de l'intelligence artificielle (IA). Un agent pourrait représenter une entité en réalité capable de prendre des décisions de manière indépendante [28, 29]. Un modèle SMA peut être utilisé pour l'analyse et la simulation de systèmes complexes. En particulier dans les systèmes urbains, le modèle MAS a été largement appliqué dans de nombreux domaines tels que le trafic, la population et l'économie [30, 31]. La combinaison d'un système multi-agents avec des automates cellulaires est devenue une tendance actuelle dans les études d'évolution urbaine et de LUCC [ 32 &# x2013 35 ].

Cet article vise à développer un modèle d'évolution dynamique de la zone des lacs urbains (DULAEM) basé sur le modèle MAS-CA. Dans le DULAEM, le modèle CA est utilisé pour faire évoluer les facteurs environnementaux au bord du lac à travers les relations entre les cellules adjacentes. Le modèle MAS est utilisé pour imiter le comportement humain et la prise de décision. Les agents concernés par les lacs urbains dans ce document comprennent les agents du gouvernement, les agents de développement et les agents résidents.

Le modèle CA est généralement basé sur une structure en grille. Un système d'information géographique en grille (SIG en grille) est très efficace pour les données spatiales et a été largement appliqué dans la gestion urbaine [ 36 – 38 ]. Cependant, les structures de données traditionnelles d'une grille, telles que vecteur et raster, ne peuvent pas résoudre la contradiction entre une résolution spatiale élevée et un calcul efficace. Le modèle raster est simple et rapide d'accès, ce qui lui permet de gérer un grand nombre de grilles et d'analyses spatiales. En particulier, le modèle raster est efficace pour les automates cellulaires et la recherche de cellules voisines. Cependant, pour les entités géographiques discrètes, telles que les lacs urbains, le modèle raster est difficile à distinguer les cellules de la grille de chaque lac. Le modèle vectoriel est plus pratique que le modèle raster pour le calcul des zones lacustres. Il serait extrêmement inefficace si la taille des grilles est petite et le nombre de grilles est massif. Afin de pallier les défauts du vecteur, Deren Li a proposé le concept de Spatial Information Multigrid (SIMG), qui consiste en des grilles vectorielles régulières multiniveaux [39]. SIMG peut améliorer l'efficacité de la recherche dans une grille. Cependant, les tailles de grille à différents niveaux sont difficiles à déterminer car les échelles spatiales des lacs urbains sont diverses. Pourtant, SIMG a offert une idée pour modéliser des entités géographiques discrètes avec différentes échelles spatiales. Sur la base du SIMG, cet article a conçu un Urban Lakes Multilevel Grid (ULMG), qui a intégré une structure régulière avec une structure irrégulière et a combiné l'avantage du modèle vectoriel avec celui du modèle raster [ 40 ].

2. Matériels et méthodes 2.1. Zone d'étude et données

Dans cet article, nous nous concentrons sur les lacs urbains de la ville de Wuhan. Wuhan est l'une des principales villes du centre de la Chine et est située au milieu du fleuve Yangtze. Il existe 13 districts comme le montre la figure 1 . La superficie totale de Wuhan est de 8494,14 km 2 et la population dépasse actuellement les dix millions d'habitants. Depuis les années 1990, avec le développement rapide de l'économie chinoise, Wuhan connaît une forte expansion. Ainsi, l'espace des lacs urbains avait été sérieusement comprimé par l'expansion urbaine rapide. Pour cette raison, nous avons extrait les lacs urbains de Wuhan en 1991 et 2002. Durant cette période, le gouvernement de Wuhan n'avait pas encore mis en place un mécanisme puissant de supervision des ressources en eau de surface de sorte que certains lacs urbains ont été comblés.

Localisation et divisions administratives de la ville de Wuhan.

Les lacs urbains de Wuhan en 1991 et 2002 ont été extraits des images Landsat TM/ETM + . Ces images sont composées de 7 bandes spectrales. La résolution spatiale de chaque bande est de 30 m. Les lacs ont été extraits par l'indice d'eau par différence normalisée modifiée (MNDWI). Le MNDWI est plus précis que l'indice de différence d'eau normalisé (NDWI) dans les images urbaines, car le MNDWI peut limiter le bruit des bâtiments [41].

Les lacs de Wuhan en 1991 et 2002 sont illustrés à la figure 2 . Il y a 93 lacs. La superficie de chaque lac était de plus de 100 000 m 2 en 1991. Selon la figure 2, en 1991 et 2002, la superficie de 93 lacs avait diminué de 35,77 m 2 et dix d'entre eux avaient complètement disparu.

Lacs urbains extraits d'images Landsat en 1991 et 2002.

De plus, afin d'évaluer l'effet du LUCC au bord du lac sur les lacs, nous avons créé une zone tampon de 100 m autour des lacs. L' utilisation des terres dans les zones tampons a été extraite et classée en 5 catégories dans le tableau 1 .

Les fondamentaux de l' ULMG sont illustrés à la figure 3 . L'ULMG se compose de grilles à deux niveaux. La grille de premier niveau est irrégulière et adopte le modèle vectoriel. La grille de deuxième niveau est basée sur un modèle raster carré. La grille du deuxième niveau est définie comme ayant la même taille que le pixel des images Landsat.

Le numéro de ligne et le numéro de colonne de la grille d'origine (à partir du coin supérieur gauche).

Le nombre de lignes et de colonnes.

En plus des informations de localisation, certaines informations attributaires de chaque lac, telles que l'ID du lac (LID), le nom du lac et la superficie du lac, peuvent être écrites dans la table attributaire de sa grille de premier niveau correspondante. D'autre part, chaque grille du deuxième niveau ne peut être représentée que par une valeur de pixel qui correspond au type d'occupation du sol de cette grille avec le numéro d'identification défini comme dans le tableau 1 .

Si la répartition des lacs urbains est excessivement dense, leurs rectangles de délimitation sont susceptibles de se chevaucher. Dans ce cas, la valeur de pixel de chaque grille de second niveau est ajoutée avant son LID. Par exemple, une valeur de pixel de 2634 signifie que cette grille de deuxième niveau appartient au lac n°263 et que son type d'utilisation des terres est de catégorie 4, terres aménagées.

La figure 4 montre comment créer l'ULMG à partir d'images Landsat. La grille de second niveau peut être acquise directement à partir d'images de sorte que la résolution spatiale de la grille de second niveau suive les images à 30 m. Avant de générer la grille de premier niveau, les lacs extraits des images doivent être transformés dans le modèle vectoriel. Enfin, certains paramètres, tels que les informations de localisation et le LID, sont ajoutés à la table attributaire ou à la valeur de pixel pour coupler ces grilles à deux niveaux.

Générer ULMG à partir d'images Landsat.

D'après la figure 5, l'ULMG de Wuhan est généré. Il y a 93 rectangles de tailles différentes, et certains d'entre eux se chevauchent. La grille de deuxième niveau a 5529 pixels de hauteur et 4789 pixels de largeur. Dans le cas d'East Lake, sa grille d'origine (à partir du coin supérieur gauche) est située sur la ligne 2915 et la colonne 2224. Il y a 442 lignes et 418 colonnes au deuxième niveau. Par conséquent, l'ULMG peut permettre un accès rapide par la grille de second niveau basée sur un modèle matriciel, car le modèle vectoriel serait inefficace si le nombre total de grilles est supérieur à 10 5 . Dans le même temps, la grille de premier niveau basée sur le modèle vectoriel pourrait augmenter la flexibilité et réduire les données redondantes. L'ULMG posera des bases solides pour étudier le changement de superficie des lacs urbains à partir d'automates cellulaires et de systèmes multi-agents.

2.3. Modèle d'évolution dynamique de la zone urbaine du lac

La combinaison d'un modèle CA avec un modèle MAS a été largement appliquée aux études de l'expansion urbaine et du LUCC. Cet article utilise les études et méthodes précédentes comme référence et conçoit un modèle d'évolution dynamique de la zone lacustre urbain (DULAEM) basé sur un modèle CA et un modèle MAS.

Comme le montre la figure 6, il y a deux couches dans le DULAEM. La couche CA se trouve en bas pour modéliser les interactions entre les lacs urbains et leur environnement. Sur la base d'une couche CA, la couche MAS est conçue pour modéliser le comportement et la prise de décision du gouvernement, des promoteurs immobiliers et des résidents. La couche CA et la couche MAS sont intégrées sur l'ULMG.

La structure de DULAEM. La couche CA et la couche MAS sont intégrées sur ULMG.

Dans la couche CA, les interactions entre les lacs urbains et leurs environs pourraient se refléter dans les relations entre les cellules lacustres et leurs cellules environnantes. En d'autres termes, une cellule lacustre entourée de cellules d'utilisation des terres est plus active à transformer qu'une cellule entourée d'autres cellules lacustres. Un tel changement d'état des cellules lacustres se produit généralement au bord des lacs. Par conséquent, la couche CA dans DULAEM est différente des modèles CA traditionnels.

(1) L'espace cellulaire . Comme mentionné ci-dessus, la grille de deuxième niveau de l'ULMG se compose de nombreux réseaux carrés qui peuvent être considérés comme les cellules de la couche CA. Ainsi, l'espace cellulaire de la couche CA est obtenu directement à partir de l'ULMG. En d'autres termes, l'étendue de l'espace des cellules est la même que celle de la grille de deuxième niveau. La taille de chaque cellule est de 30 m ∗� m, ce qui équivaut à la taille d'une grille de deuxième niveau et d'un pixel d'images Landsat. Afin d'extraire l'utilisation des terres au bord du lac, il existe une zone tampon de 100 m autour de chaque lac. Pour cette raison, le rectangle de délimitation de chaque buffer est conçu comme sa nouvelle grille de premier niveau selon les fondamentaux de l'ULMG. La limite de l'espace cellulaire est la limite de la nouvelle grille de premier niveau. Ainsi, seules les régions couvertes par la grille de premier niveau sont un espace de cellule valide.

(2) Les états cellulaires . Dans la couche CA de DULAEM, les cellules sont divisées en cellules de lac (LC) et en cellules d'utilisation des terres (LUC). Leurs états sont symbolisés par S Lac et S terre, respectivement.

Comme le montre le tableau 1 , S terre comprend cinq états qui correspondent à chacune des catégories d'utilisation des terres. Ainsi, S terre peut être exprimé par son numéro d'identification de type d'utilisation des terres comme (1) S land = s 1 ≤ s ≤ 5 ,   s ∈ Z .

Afin de le distinguer des cellules d'occupation des sols, S Lac est exprimé sous la forme d'un nombre à deux chiffres sous la forme (2) S lac = 10 + N , où N est le nombre de quartiers contributifs de la cellule du lac.

(3) Le quartier . Dans la couche CA de DULAEM, l'espace de voisinage est défini comme le voisinage de Moore, à savoir, huit cellules voisines entourent la cellule centrale. Étant donné qu'une cellule du quartier de Moore peut être une cellule d'utilisation des terres ou une cellule de lac et que seules les cellules d'utilisation des terres du quartier contribueraient au changement d'état des cellules de lac, pour une cellule de lac, son quartier de cellule d'utilisation des terres est utilisé. Si le nombre de ces quartiers contributeurs est exprimé sous la forme N , la valeur de N est indiquée comme suit : (3) N = e 0 ≤ e ≤ 8 ,   e ∈ Z .

La figure 7 montre les valeurs de N dans certains cas. Une cellule de lac, par exemple, est à côté de trois cellules de lac et de cinq cellules d'utilisation des terres dans son quartier Moore. Ainsi, N des cellules d'échantillon est cinq. En comparant différents N sur la figure 7, la variable N peut indiquer à quel point une cellule de lac est affectée par les activités humaines. Plus précisément, plus N est grand, plus la cellule du lac est sensible aux activités humaines et plus l'état de la cellule est susceptible de changer. Au contraire, plus N est petit, moins l'impact des activités humaines sur la cellule terrestre est important, donc plus la cellule lacustre est stable. L'état de la cellule ne doit pas changer si une cellule lacustre est complètement entourée d'autres cellules lacustres. Par conséquent, le changement de superficie des lacs urbains se reflète dans les changements d'état des cellules de lac, qui ont au moins un voisinage de cellule d'utilisation des terres.

Le nombre de quartiers contributifs ( N ) pour les cellules de lac.

L'état de la cellule, à savoir le type d'utilisation des terres dans le tableau 1, déterminera la valeur initiale de l'activité. Par exemple, l'écosystème de la végétation est relativement stable et la cellule d'utilisation des terres avec la végétation est peu susceptible de changer. Les terres agricoles et les terres aménagées sont toutes deux les principales régions d'activités humaines de sorte qu'elles ont des activités plus importantes [42]. En conséquence, les activités initiales des cellules d'aménagement du territoire ( I terre) sont répertoriés dans le tableau 2 .

Le quartier : si une cellule d'occupation du sol est entourée par l'un des autres types d'occupation du sol, elle est susceptible de se transformer en ce type d'occupation du sol.

Localisation : le développement urbain et les activités humaines sont les principaux facteurs de changement d'affectation des sols. Ainsi, les cellules d'occupation du sol situées dans les quartiers urbains ont des Activités plus importantes que les autres situées dans les quartiers périurbains.

Par conséquent, les activités des cellules d'utilisation des terres pourraient être exprimées comme

Où je terre est la valeur initiale de l'activité qui dépend de l'état de la cellule P est la proportion du type d'utilisation du sol le plus fréquent dans le quartier L est un paramètre lié à la localisation et est appelé facteur de localisation urbaine.

Le facteur de localisation urbaine ( L ) dépend de quatre facteurs comme le montre la figure 8 : (a) facteur naturel, la distance du fleuve Yangtze et du fleuve Han (b) facteur de trafic, la distance des routes principales (c) facteur commercial, la distance des principaux quartiers commerciaux et (d) facteur résidentiel, la distance des principales zones résidentielles. Par conséquent, L est défini comme

où d je représente les facteurs ci-dessus a et b sont des paramètres.

Selon l'équation (5), une illustration de L pourrait être dessinée comme sur la figure 8(e). Sur la figure 8, L est représenté par une carte raster qui a la même étendue et la même taille de grille que la grille de deuxième niveau de l'ULMG. Dans la carte raster, chaque valeur de pixel est comprise entre 0 et 1 pour indiquer le degré d'activités humaines.

Le changement de superficie des lacs urbains est non linéaire. Afin d'améliorer l'indétermination de la couche CA, une condition de seuil aléatoire est introduite pour déterminer si une cellule d'utilisation des terres doit changer ou non. En d'autres termes, si Activity est inférieur au seuil aléatoire, son état sera modifié.

Si une cellule d'utilisation des terres doit changer, elle entre dans la fonction de transition pour déterminer de quel type d'utilisation des terres il s'agira. La fonction de transition est basée sur la méthode de la roulette. Ses probabilités sont distribuées comme dans le tableau 3 .

Si la fonction de transition est exprimée par T ( P vous , P m , P , P r ), la règle de transition d'une cellule d'utilisation du sol peut être résumée comme suit (7) S land t + 1 = f Activité land S land t ,   P ,   L ,   TP u ,   P n ,   P nr ,   P r ,

où S terre est la cellule d'état d'utilisation des terres t est le nombre d'itérations.

La règle de transition des cellules de lac

Comme nous l'avons indiqué précédemment, le nombre de quartiers valides ( N ) pourrait indiquer à quel point la cellule du lac est sensible au développement urbain et aux activités humaines. Plus N est grand, plus la cellule est sensible et plus l'Activité est grande. Ainsi, selon N , les sensibilités des cellules lacustres sont divisées en quatre niveaux dans cet article comme dans le tableau 4 .

Comme le montre le tableau 4, N étant nul indique qu'une cellule de lac est extrêmement stable car elle se trouve à l'intérieur du lac. Si N est supérieur à cinq, cela signifie que plus de la moitié du quartier est constitué de cellules d'occupation des sols, de sorte que la cellule du lac est très sensible aux activités humaines et susceptible de changer au cours de la prochaine période (Figure 9). Sur la figure 9, les cellules lacustres au niveau sensible et le niveau insensible représentent que leurs sensibilités sont supérieures aux cellules au niveau stable et plus petites que les cellules au niveau très sensible.

Le voisinage d'une cellule lacustre représente les activités humaines au bord du lac. Selon nos études précédentes, si l'utilisation des terres au bord du lac devait changer, en particulier en terres agricoles et en terres aménagées, la superficie du lac pourrait être réduite [42]. Par conséquent, l'activité d'une cellule de lac n'est pas seulement liée à l'état du quartier, mais doit également être concernée par le changement d'état du quartier.

Au même titre que les cellules d'occupation du sol, les cellules de lac situées dans les quartiers urbains devraient être plus actives que les autres dans les quartiers périurbains.

Par conséquent, l'activité d'une cellule de lac pourrait être exprimée sous la forme

(a) Facteur naturel (b) Facteur trafic (c) Facteur commercial (d) Facteur résidentiel (e) L .

Les activités initiales des cellules d'utilisation des terres.

Les activités initiales des cellules du lac.

La sensibilité des cellules du lac.

Dans l'équation (8), si une cellule lacustre est située dans les quartiers urbains, L joue un rôle prépondérant dans l'activité de la cellule lacustre. Dans les quartiers périurbains, les terres agricoles augmentent et L diminue de sorte que P une devient le principal facteur d'activité d'une cellule de lac. Par conséquent, l'équation (8) représente l'activité de la cellule du lac de manière raisonnable dans les quartiers urbains et suburbains.

Si l'activité d'une cellule de lac est inférieure à une valeur seuil aléatoire, elle entre dans le programme de la fonction de transition T ( P vous , P m , P , P r ) pour déterminer de quel type d'utilisation des terres il s'agira au cours de la prochaine période.

Par conséquent, la règle de transition des cellules du lac pourrait être résumée comme suit (9) S lac t + 1 = f Activité lac S land t ,   S land t + 1 ,   N , &# x2009 L ,   TP u ,   P n ,   P nr ,   P r , où t est le nombre d'itérations.

Comme dans les équations (7) et (9), le fait que l'état de la cellule change ou non dépend de son activité. La fonction de transition T ( P vous , P m , P , P r ) détermine le type d'utilisation des terres des cellules de lac ou des cellules d'utilisation des terres. Comme dans l'équation ( 9 ), S land t + 1 est une condition de transition nécessaire pour S lac t + 1 . Par conséquent, il y a deux phases dans une période de transition comme dans la figure 10 .

L'organigramme de la couche CA.

Bien qu'il y ait le facteur de localisation urbaine ( L ) dans les équations (4) et (8), la couche CA ne peut toujours pas représenter totalement les activités humaines. Pour cette raison, une couche MAS a été introduite dans DULAEM sur la couche CA.

Il y a trois agents typiques concernés par le changement de zone des lacs urbains : le gouvernement, le promoteur immobilier et le résident.

(1) L'Agent du Gouvernement . Le gouvernement joue un rôle de premier plan dans le développement et l'utilisation des lacs urbains. Il vise à prendre en compte à la fois le développement économique urbain et la protection écologique. Généralement, la valeur foncière est plus élevée au bord du lac, de sorte que les activités humaines et les LUCC y sont plus fréquentes. Afin d'isoler les lacs des activités humaines, le gouvernement prévoit généralement une ceinture verte et une zone humide autour des lacs. Par exemple, à Wuhan, East Lake est le plus grand lac des districts urbains. So there are many human activities around East Lake such as real estate development and aquaculture industry. On the other hand, the government attaches great importance to the ecological protection of East Lake through strict planning and supervision.

Therefore, in the MAS layer, the behavior of the government agent is summarized as that the strength of governmental supervision for lakes and lands gradually decreases with distance from the center of city [ 43 ]. The impact of the government agent on Activity is shown as (10) Activity = Activity ∗ IF gov , where IFgouvernement is the impact factor of the government agent and it is from 0 to 1. IFgouvernement is zero in the center of city and gradually increases to 1 with distance from the center of city.

(2) The Real Estate Developer Agent . The development of real estate is one of the primary causes for lake shrinkage, because filling in lakes can increase the land available to build houses so that the developers can achieve more economic benefits. However, filling in lakes is bound by the cost and earning of developers. As shown in Figure 11 , in the urban districts, the price of houses is high, but filling in lakes is almost impossible because the governmental supervision is strong here. In the districts away from the city center, the developers might fill in lakes more easily than in the urban districts, but it is not cost-effective for them because of lower house prices. Therefore, filling in lakes by the real estate developer agent usually occurs in the junction zone between the urban and suburban districts. South Lake of Wuhan, for example, was surrounded by agriculture land in the early 1990s. As the city expanded constantly, South Lake was almost surrounded by developed land by 2002. In the meantime, the area of South Lake reduced by 48.4%, and the reduced region had been nearly transformed into residential or commercial land.

Filling in lakes by the real estate developer agent tends to gather around the junction zone because of house prices and governmental supervisions.

Therefore, the impact of the real estate developer agent on Activity is expressed as in the following equation: (11) Activity = Activity ∗ IF deve , where IFdeve is the impact factor of the real estate developer agent and it is greater than 1. The more close IFdeve is to the junction zone, the greater it is.

(3) The Resident Agent . In some cases, the lake area had been occupied by the individual behaviors of residents, such as farming and fish-farming. These individual behaviors generally happen away from the city center because of the government and the real estate developers. Many lakes in the suburban districts, such as Wu Lake and Qingling Lake, had changed into ponds or paddy fields.

Therefore, the impact of the resident agent could be shown on the Activity as (12) Activity = Activity ∗ IF resi , where IFresi is the impact factor of the resident agent and it is greater than 1. IFresi is close to 1 in the urban districts and is increasing in the suburban districts.

(4) Interactions Between Each Agent . As shown in Table 5 , the government agent has the highest priority level and strength so that developers and residents must be subjected to governmental regulations. The resident agent has the lowest priority and the weakest strength, because the behaviors and decision-makings of residents should be more random than the developers’.

Relationships between the government agent, the developer agent, and the resident agent.

The priority levels of the agents determine the spatial distributions of their impact factors. The government agent has the highest priority level and supervises lakes mainly in the urban districts. So the developer agent develops real estate only in the junction zone between the urban and suburban districts because of governmental supervisions. The impact of the resident agent is mainly reflected in the suburban districts, because its priority level is the lowest.

(5) The Urban Border and Impact Factors . As mentioned above, it is necessary to determine the junction zone between urban and suburban districts. Accordingly, we proposed a border called the urban border. The urban border is a kind of geographic boundary rather than an administrative boundary. It can represent the actual situation of urban expansion. The urban border divides the city into the urban land-based regions and the agricultural land-based regions. So, extracting urban land and agricultural land from remote sensing images is the most direct approach to determine the urban border.

In this paper, the urban border is acquired by the urban location factor ( L ). According to Figure 8(e) , a series of isolines could be generated as in Figure 12(a) . Then the Landsat image of Wuhan in 2002 is overlapped with these isolines. As shown in Figure 12(b) , urban land in the Landsat image is nearly within the isoline L  =𠂐.7. Therefore, in the MAS layer, the urban border is defined as follows: (13) B = L L = 0.7 , where L is the urban location factor.

(a) A series of isolines from L . (b) The urban border is the isoline L = 0.7 .

On the basis of the urban border, the impact factors of three agents are simplified as in Figure 13 , where B is the urban border and L is the urban location factor.

The impact factors of three agents.

(a) (b) (c) 2.3.3. Integration of CA Layer and MAS Layer

In the CA layer of DULAEM, the transition rules of land use cells and lake cells depend on their Activities as shown in equations ( 4 ) and ( 8 ). On this basis, in the MAS layer, the impact factors in Figure 13 are added to Activities of land use cells and lake cells as in the following two equations, respectively: (14) Activity land = I land × P × L × IF gov × IF deve × IF resi , (15) Activity lake = I lake × α 1 P c + α 2 P a + α 3 L × IF gov × IF deve × IF resi , where Activityterre and ActivityLac are the Activities of land use cells and lake cells, respectively I terre is the initial Activity of land use cells, which depends on its cell state I Lac is the initial Activity of lake cells, which depends on N P is the proportion of the most land use types in the neighborhood P c is the proportion of the valid neighborhoods that have changed their states in this period P une is the proportion of agricultural land in the neighborhood L is the urban location factor defined as in equation ( 5 ) α 1, α 2, and α 3 are undetermined coefficients, and α 1 +  α 2 +  α 3 =𠂑 IFgouvernement, IFdeve, and IFresi are the impact factors.

Meanwhile, the CA layer and MAS layer are integrated on the ULMG. The first-level grid of the ULMG could limit the extents and borders of the cell space and the agent space. The second-level grid is a carrier of cells and agents. In other words, a grid in the second level is a cell in the CA layer, an agent unit in the MAS layer, and a pixel in the remote sensing images.

In this paper, the accuracy of DULAEM is evaluated by the global relative error (GRE) defined as (16) GRE k = ∑ i = 1 N A i k − A i / A i N , where A ik is the area of the i th lake in the k th period A je is the actual area of the i th lake in 2002 N is the number of lakes and ( A ik – A je )/ A je is the local relative error (LRE) of the i th lake in the k th period.

3. Results and Discussions 3.1. Evolutions Based on CA Layer

In equations ( 8 ) and ( 15 ), there are still three undetermined coefficients: α 1, α 2, and α 3. In order to determine these coefficients and assess their effect on the GRE, we tested 16 groups of typical cases (as Table 6 ). For each group of α 1, α 2, and α 3, we ran DULAEM without the MAS layer 100 times and calculated the GREs according to equation (16).

Sixteen typical cases of α 1 , α 2 , and α 3 .

The mean, variance, and optimum of GREs in 100 simulations on each group are shown in Table 7 . The statistical results indicate that the GREs in Groups K, M, O, and P are less than those in the other groups. Their mean values are all close to 0.40. Their optimums are all less than 0.40, and K  <  P  <  M  <  O .

Figure 14 shows the iterations of Groups K, M, O, and P by the CA layer. As shown, the fastest group is Group O, which can reach steady value before the 80 th generation. Group M and Group P reach steady state around 90 th generation and 110 th generation, respectively. Group K needs at least 130 iterations to reach steady state.

The iterations of Groups K, M, O, and P.

According to Group O, farm works whose coefficient is α 2 and the urban location factor whose coefficient is α 3 are the primary cause of the evolution of urban lakes. If α 2 equals α 3, the GREs are less (see Groups K, O, and P). On the basis of α 2 and α 3, an appropriate α 1 could reduce the GREs further (see Groups K and P). In addition, the number of iterations to reach steady value depends on α 2 and α 2. The greater α 1 is and the smaller α 2 is, the more iterations are needed.

Figure 15 shows the spatial distributions of LREs under the best GRE of Groups K, M, and P. As shown, three distributions are similar: the lakes located in the urban districts are almost overfitted namely, their LREs are less than zero and the lakes located in the suburban districts are almost underfitted namely, their LREs are greater than zero. Some suburban lakes in Figure 15(b) are also overfitted because α 2 in Group M is greater than that in Groups K and P.

The spatial distribution of LRE of Groups (a) K, (b) M, and (c) P.

Meanwhile, it is necessary to improve model by MAS layer.

3.2. Evolutions Based on DULAEM

By comparing above GREs and iterations, we adopted Group P ( α 1 =𠂐.33, α 2 =𠂐.34, and α 3 =𠂐.33) in the CA layer and introduced MAS layer to run DULAEM 100 times.

3.2.1. Evolutions of Lake Area

GREs and LREs in 100 simulations were calculated according to ( 16 ).

Figure 16(a) shows the statistical result of GREs. A contrast between Figure 16(a) and Table 7 indicates that DULAEM could improve the GRE more than a pure CA layer. The mean of GRE is less than 10%, up to 0.091301. The optimum of GRE is 0.076477. At the same time, DULAEM is faster due to MAS layer so that it reaches steady value before the 70 th generation (Figure 16(b) ).

(a) The statistics of GREs in 100 simulations. (b) The iterations of DULAEM.

However, according to Figure 17 , although the GRE can be kept below 10%, there are a few lakes with larger error in some cases. For instance, as shown in Figure 17(b) , the minimum of the mean of LRE is less than 20%. In Figure 17(d) , the LRE could be fluctuant sharply so that the difference between maximum and minimum is even more than 150%.

(a) LRE of each lake. (b) The mean LRE of each lake. (c) The mean of the absolute value of LRE of each lake. (d) The difference between maximum and minimum of LRE of each lake.

Figure 18 shows the spatial distribution of LREs. The lakes with larger LRE tend to gather in the suburban districts irregularly. They were all small lakes in 1991 and had larger loss rate during 1991 and 2002. Thus, the lake area change in the suburban districts is more random and complex than that in the urban districts.

The spatial distributions of (a) LRE, (b) the mean of the absolute values of LRE, and (c) the difference between maximum and minimum of LRE.

An overlap analysis in Figure 19 shows that the simulation result by DULAEM well matched with the real lake areas extracted by Landsat images. However, if a lake had been filled in over 50%, there could be a big error between the real lake area and the simulation result.

(a) Urban lakes extracted from Landsat images in 2002. (b) Urban lakes evolved by DULAEM. (c) Overlap of urban lakes in (a) with those in (b).

(a) (b) (c) 3.2.2. Evolutions of LUCC

The evolution of LUCC is hard to be assessed by traditional methods such as the Kappa coefficient, because there is only a 100 m buffer at the lakeside. For this reason, the proportion of each land use type in the buffer of each lake is contrasted with its real values extracted from Landsat images. For instance, the proportions of developed land evolved by DULAEM have similar tendency to the real values in Figure 20 . Particularly, in the buffers where the proportion of developed land is greater than 40% in reality, the simulation result is larger than the real value. On the other hand, the simulation result is smaller than the real value in the suburban buffers. The polarization like in Figure 20 could be caused by the transition function T P u ,   P n ,   P n r ,   P r in the CA layer.

The proportion of developed land in 100 m lakeside buffers.

This paper proposed a dynamic model based on a special geographic information grid (ULMG) and MAS-CA model. A case study on Wuhan, China, proved that the model is effective for urban lake area evolutions.

The ULMG is a two-level grid that has the advantages of both vector model and raster model. It is designed for running MAS-CA model originally. The structure of ULMG is efficient for massive amounts of grids. It is available for the data management of large-scale, discrete spatial features such as urban lakes.

The CA layer of DULAEM indicates that urban lake area changes have correlations with their activities, which depends on locations and surrounding environments. For the lakes in the center of city, broad greenbelt landscape of at least 30 meters is necessary.

The MAS layer of DULAEM indicates that the area changes of urban lakes are also related to governments, real estate developers, and residents. These three agents have different actions in extent, strength, and priority. The government must pay more attention for the urban lakes, especially in the rural areas, and take some rules for real estate developers and residents.

DULAEM based on the ULMG and MAS-CA model reflects the natural factor and human factor for urban lake so that it can show the dynamic process of lake area change. Therefore, it would be significant for the policy-making of lake protection and the optimal configuration of land resources in the lakeside.


GIS and census data: tools for library planning

Purpose &ndash This article seeks to demonstrate a technique for using a Geographic Information System (GIS) to analyze US Census data to better understand potential library users and improve library service planning. Design/methodology/approach &ndash A GIS was used to link variables such as age, race, income, and education from the 2000 US Census with service area maps of two proposed branch libraries. Thematic maps were created for each of the census variables to display demographic information about potential library users within a three‐mile radius of the proposed libraries. Findings &ndash The GIS maps and their associated attribute data enhanced the ability to analyze and compare the demographics of potential users in the two library areas and identify significant differences. The data on age, race, education and income for residents in the two areas were combined with known library use indicators to help plan library services with the potential to attract different populations in the local community. Originality/value &ndash Provides practical information about downloading US Census data into a GIS to be able to present demographic data about potential library users both visually and quantitatively.

Journal

Library Hi Tech &ndash Emerald Publishing

Publié : Jun 19, 2007

Mots clés: Geographic Information Systems Census Information services United States of America